JP2016537173A - Monitoring structural features of cerebral blood flow velocity for the diagnosis of neurological conditions - Google Patents
Monitoring structural features of cerebral blood flow velocity for the diagnosis of neurological conditions Download PDFInfo
- Publication number
- JP2016537173A JP2016537173A JP2016554529A JP2016554529A JP2016537173A JP 2016537173 A JP2016537173 A JP 2016537173A JP 2016554529 A JP2016554529 A JP 2016554529A JP 2016554529 A JP2016554529 A JP 2016554529A JP 2016537173 A JP2016537173 A JP 2016537173A
- Authority
- JP
- Japan
- Prior art keywords
- cbfv
- icp
- patient
- tcd
- cerebral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000003727 cerebral blood flow Effects 0.000 title claims abstract description 21
- 238000003745 diagnosis Methods 0.000 title claims description 18
- 230000000926 neurological effect Effects 0.000 title abstract description 13
- 238000012544 monitoring process Methods 0.000 title description 21
- 238000000034 method Methods 0.000 claims abstract description 103
- 206010022773 Intracranial pressure increased Diseases 0.000 claims abstract description 84
- 208000030886 Traumatic Brain injury Diseases 0.000 claims abstract description 37
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 11
- 239000000523 sample Substances 0.000 claims description 36
- 230000009529 traumatic brain injury Effects 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000002604 ultrasonography Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000007917 intracranial administration Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 10
- 210000003625 skull Anatomy 0.000 claims description 10
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- 230000006378 damage Effects 0.000 claims description 6
- 206010063094 Cerebral malaria Diseases 0.000 claims description 5
- 208000006011 Stroke Diseases 0.000 claims description 5
- 208000027418 Wounds and injury Diseases 0.000 claims description 5
- 208000014674 injury Diseases 0.000 claims description 5
- 230000001575 pathological effect Effects 0.000 claims description 5
- 230000000638 stimulation Effects 0.000 claims description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 4
- 239000001569 carbon dioxide Substances 0.000 claims description 4
- 208000007333 Brain Concussion Diseases 0.000 claims description 3
- 230000004872 arterial blood pressure Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 206010048962 Brain oedema Diseases 0.000 claims 1
- 208000006752 brain edema Diseases 0.000 claims 1
- 230000004936 stimulating effect Effects 0.000 claims 1
- 201000009941 intracranial hypertension Diseases 0.000 abstract description 83
- 238000001514 detection method Methods 0.000 abstract description 44
- 230000002490 cerebral effect Effects 0.000 abstract description 13
- 238000005259 measurement Methods 0.000 abstract description 12
- 210000001627 cerebral artery Anatomy 0.000 abstract description 5
- 238000013459 approach Methods 0.000 description 58
- 210000003128 head Anatomy 0.000 description 27
- 238000002790 cross-validation Methods 0.000 description 17
- 230000003595 spectral effect Effects 0.000 description 15
- 206010010254 Concussion Diseases 0.000 description 14
- 230000007246 mechanism Effects 0.000 description 13
- 230000008901 benefit Effects 0.000 description 12
- 230000009514 concussion Effects 0.000 description 12
- 230000033001 locomotion Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 210000004556 brain Anatomy 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 238000013211 curve analysis Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 210000003657 middle cerebral artery Anatomy 0.000 description 8
- 238000011282 treatment Methods 0.000 description 8
- 238000002405 diagnostic procedure Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 208000024891 symptom Diseases 0.000 description 6
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000009257 reactivity Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 206010020772 Hypertension Diseases 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 4
- 208000029028 brain injury Diseases 0.000 description 4
- 230000004087 circulation Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000000004 hemodynamic effect Effects 0.000 description 4
- 201000003077 normal pressure hydrocephalus Diseases 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 208000018127 Idiopathic intracranial hypertension Diseases 0.000 description 3
- KFZMGEQAYNKOFK-UHFFFAOYSA-N Isopropanol Chemical compound CC(C)O KFZMGEQAYNKOFK-UHFFFAOYSA-N 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 3
- 210000001841 basilar artery Anatomy 0.000 description 3
- 210000004004 carotid artery internal Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005304 joining Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 208000001381 pseudotumor cerebri Diseases 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 208000007788 Acute Liver Failure Diseases 0.000 description 2
- 206010000804 Acute hepatic failure Diseases 0.000 description 2
- 208000019695 Migraine disease Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000010183 Papilledema Diseases 0.000 description 2
- 206010033712 Papilloedema Diseases 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 231100000836 acute liver failure Toxicity 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 208000006170 carotid stenosis Diseases 0.000 description 2
- 230000003788 cerebral perfusion Effects 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001631 hypertensive effect Effects 0.000 description 2
- 208000000122 hyperventilation Diseases 0.000 description 2
- 230000000870 hyperventilation Effects 0.000 description 2
- 238000007914 intraventricular administration Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 206010027599 migraine Diseases 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000007310 pathophysiology Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 210000005166 vasculature Anatomy 0.000 description 2
- 208000034048 Asymptomatic disease Diseases 0.000 description 1
- 201000006474 Brain Ischemia Diseases 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010008120 Cerebral ischaemia Diseases 0.000 description 1
- 206010053567 Coagulopathies Diseases 0.000 description 1
- 208000002403 Encephalocele Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 208000008348 Post-Concussion Syndrome Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 206010038678 Respiratory depression Diseases 0.000 description 1
- 208000032023 Signs and Symptoms Diseases 0.000 description 1
- 206010047139 Vasoconstriction Diseases 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000002551 anterior cerebral artery Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000002565 arteriole Anatomy 0.000 description 1
- 230000010455 autoregulation Effects 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008344 brain blood flow Effects 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 210000004289 cerebral ventricle Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000012459 cleaning agent Substances 0.000 description 1
- 230000035602 clotting Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000003001 depressive effect Effects 0.000 description 1
- 210000004207 dermis Anatomy 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000001951 dura mater Anatomy 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001605 fetal effect Effects 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000031169 hemorrhagic disease Diseases 0.000 description 1
- 208000003906 hydrocephalus Diseases 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003447 ipsilateral effect Effects 0.000 description 1
- 210000003140 lateral ventricle Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000008338 local blood flow Effects 0.000 description 1
- 238000009593 lumbar puncture Methods 0.000 description 1
- 238000002582 magnetoencephalography Methods 0.000 description 1
- 201000004792 malaria Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013160 medical therapy Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003557 neuropsychological effect Effects 0.000 description 1
- 238000010855 neuropsychological testing Methods 0.000 description 1
- 210000000869 occipital lobe Anatomy 0.000 description 1
- 208000001749 optic atrophy Diseases 0.000 description 1
- 230000001991 pathophysiological effect Effects 0.000 description 1
- 230000007084 physiological dysfunction Effects 0.000 description 1
- 230000009894 physiological stress Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000025033 vasoconstriction Effects 0.000 description 1
- 230000024883 vasodilation Effects 0.000 description 1
- 210000002385 vertebral artery Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/0285—Measuring or recording phase velocity of blood waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/03—Detecting, measuring or recording fluid pressure within the body other than blood pressure, e.g. cerebral pressure; Measuring pressure in body tissues or organs
- A61B5/031—Intracranial pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6814—Head
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/06—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0808—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0808—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the brain
- A61B8/0816—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the brain using echo-encephalography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/42—Details of probe positioning or probe attachment to the patient
- A61B8/4209—Details of probe positioning or probe attachment to the patient by using holders, e.g. positioning frames
- A61B8/4227—Details of probe positioning or probe attachment to the patient by using holders, e.g. positioning frames characterised by straps, belts, cuffs or braces
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/42—Details of probe positioning or probe attachment to the patient
- A61B8/4272—Details of probe positioning or probe attachment to the patient involving the acoustic interface between the transducer and the tissue
- A61B8/429—Details of probe positioning or probe attachment to the patient involving the acoustic interface between the transducer and the tissue characterised by determining or monitoring the contact between the transducer and the tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
- A61B8/4427—Device being portable or laptop-like
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
- A61B8/4444—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device related to the probe
- A61B8/4461—Features of the scanning mechanism, e.g. for moving the transducer within the housing of the probe
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/488—Diagnostic techniques involving Doppler signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Neurosurgery (AREA)
- Hematology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Psychology (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Cardiology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
この中に記載されるシステムと方法は、１つまたはそれより多くの脳の血管における脳の血流速度（cerebral blood flow velocity：ＣＢＦＶ）の経頭蓋ドプラ（transcranial Doppler：ＴＣＤ）測定を利用する、頭蓋内圧亢進（intracranial hypertension：ＩＨ）検出と軽度および中程度のＴＢＩ（外傷性脳損傷）のような他の神経学的状態とのための非侵襲診断ツールを含む。ヘッドセットは、良好なＣＢＦＶ信号を得るために、様々な脳の動脈を自動的に位置づけ、頭に対して適度な圧力を及ぼすＴＣＤスキャナを含む。The systems and methods described herein utilize transcranial Doppler (TCD) measurements of cerebral blood flow velocity (CBFV) in one or more cerebral blood vessels, Includes non-invasive diagnostic tools for intracranial hypertension (IH) detection and other neurological conditions such as mild and moderate TBI (traumatic brain injury). The headset includes a TCD scanner that automatically positions the various cerebral arteries and exerts moderate pressure on the head to obtain a good CBFV signal.
Description
[0001] この特許出願書類の開示の一部は、図面も含め、著作権保護の対象となる資料を含んでいる。著作権者は、特許商標庁のファイルまたは記録に表れる特許文献または特許開示の何人による複製にも異議を申し立てないが、その他の点で、全てのどんな著作権をも留保する。 [0001] A portion of the disclosure of this patent application document includes materials that are subject to copyright protection, including drawings. The copyright owner will not challenge any copy of the patent document or patent disclosure appearing in the Patent and Trademark Office file or record, but otherwise reserves all copyrights in all other respects.
[0002] 本開示は、生理学的なモニタリングの分野、特に、頭蓋内圧、脳の血流速度、脳の血流、および、脳循環予備能を含む、脳の生理学的な機能をモニタリングすることに関係する。生理学的な信号の獲得は、正確性と信頼性を増すために、自動化された超音波デバイスによって行われる。 [0002] The present disclosure relates to the field of physiological monitoring, in particular to monitoring physiological functions of the brain, including intracranial pressure, cerebral blood flow velocity, cerebral blood flow, and cerebral circulation reserve. Involved. Physiological signal acquisition is performed by automated ultrasound devices to increase accuracy and reliability.
[0003] 軽度と重度の外傷性脳損傷（traumatic brain injury：ＴＢＩ）、脳卒中またはくも膜下出血（stroke or subarachnoid hemorrhage：ＳＡＨ）、脳性マラリア（cerebral malaria：ＣＭ）、偽脳腫瘍、および、脳腫瘍を含む神経学的状態は、各年、全世界で、数百万の人々に影響を及ぼしている。対象となる１つの特異な生理学的パラメータは頭蓋内圧（intracranial pressure：ＩＣＰ）であり、通常、脳の脳室における脳脊髄液（cerebrospinal fluid：ＣＳＦ）の中の圧力として定義され、ＩＣＰの上昇のタイムリーな検出が脳虚血や脳ヘルニアを含む重篤な悪化を避けるための処置のために必要とされるから、脳損傷患者を管理するための重要なパラメータである。不幸なことに、ＩＣＰをモニタリングし、急性のＩＣＰ上昇のリスクをもった患者を管理するための現在利用可能な技法は侵襲的である。例えば、頭蓋骨における頭蓋内圧をモニタする１つの方法は、頭蓋骨を貫通して開けられた孔を介して差し込まれ、側脳室に挿入される脳室内カテーテルを用いることである。他の侵襲的な技法は、ここでも頭蓋骨に開けられた孔を介して挿入され、脳と脊脳を保護する膜（硬膜）を介して置かれる、中空の硬膜下スクリューを用いることである。最後に、第３の侵襲的な方法は、頭蓋骨と硬膜組織との間に硬膜外センサを挿入することである。 [0003] Including mild and severe traumatic brain injury (TBI), stroke or subarachnoid hemorrhage (SAH), cerebral malaria (CM), pseudobrain tumor, and brain tumor Neurological conditions affect millions of people worldwide each year. One specific physiological parameter of interest is intracranial pressure (ICP), usually defined as the pressure in the cerebrospinal fluid (CSF) in the cerebral ventricles, and the increase in ICP Because timely detection is required for treatments to avoid severe deterioration including cerebral ischemia and cerebral hernia, it is an important parameter for managing patients with brain injury. Unfortunately, currently available techniques for monitoring ICP and managing patients at risk for acute ICP elevation are invasive. For example, one method of monitoring intracranial pressure in the skull is to use an intraventricular catheter that is inserted through a hole drilled through the skull and inserted into the lateral ventricle. Another invasive technique is again using a hollow subdural screw that is inserted through a hole in the skull and placed through a membrane (dura mater) that protects the brain and spinal cord. is there. Finally, a third invasive method is to insert an epidural sensor between the skull and the dural tissue.
[0004] ＩＣＰ測定の侵襲的な特質は、感染症や２次的な出血の大きなリスクから、ＩＣＰ測定が重要な診断と前兆の有用性がある多くの臨床状況において、その用途を除去する。１つの例は、急性肝不全の患者の管理である。凝血異常（出血障害）が急性肝不全をもった患者の間で通例であるので、上昇したＩＣＰの測定に基づく結果としての予見の重要な潜在的な可能性にも拘わらず、侵襲的なＩＣＰモニタリングに関連したリスクがその使用を妨げている。他の例は、直接のＩＣＰ測定から利益を受けるであろう、偽脳腫瘍とも呼ばれる突発性頭蓋内圧亢進（idiopathic intracranial hypertension：ＩＩＨ）の診断である。依然、これらの測定は、侵襲的なＩＣＰの関連するリスクや複雑さに因り、ほとんど行われない。最後に、ＣＭは、ＩＣＰモニタリングから利益を受けるであろうが、マラリアが通常である研究限定の領域であるから、それが技術的に実行不可能である状態の他の例である。 [0004] The invasive nature of ICP measurement eliminates its use in many clinical situations where ICP measurement has significant diagnostic and predictive utility because of the great risk of infection and secondary bleeding. One example is the management of patients with acute liver failure. Because clotting abnormalities (bleeding disorders) are common among patients with acute liver failure, invasive ICP despite the important potential for consequent foresight based on elevated ICP measurements Risks associated with monitoring hinder its use. Another example is the diagnosis of idiopathic intracranial hypertension (IIH), also called pseudobrain tumor, that would benefit from direct ICP measurements. Still, these measurements are rarely made due to the associated risks and complexity of invasive ICP. Finally, CM is another example of a situation where it would be technically impractical because it would benefit from ICP monitoring but it is a research-only area where malaria is normal.
[0005] これらの重要な対処されていない需要に合致するために、信頼性のある非侵襲のＩＣＰモニタリング技法を特定するための幾つかの試みがなされたが、これらの試みのどれもが、有意な臨床への適用性を示さなかった。また、いくつかのグループが、ＩＣＰの非侵襲評価のための、収縮期速度、拡張期速度、平均流速、拍動指数（pulsatility index：ＰＩ）、血管抵抗係数等の脳の血流速度（cerebral blood flow velocity：ＣＢＦＶ）の少数の単純な指標を提案した。しかし、それら単純な指標がＩＣＰについて信頼でき、正確な情報を与えることができるかどうかは、依然として論争がある。 [0005] In order to meet these important unmet needs, several attempts have been made to identify reliable non-invasive ICP monitoring techniques, It did not show significant clinical applicability. Several groups have also reported that cerebral blood flow rates (cerebral, such as systolic velocity, diastolic velocity, mean flow velocity, pulsatility index (PI), vascular resistance coefficient) for non-invasive assessment of ICP. A few simple indicators of blood flow velocity (CBFV) were proposed. However, it remains controversial whether these simple indicators can provide reliable and accurate information about ICP.
[0006] 現在の非侵襲ＩＣＰ評価技法の制限の認識において、増加したＩＣＰまたは脳圧低下（intracranial hypertension：ＩＨ）検出のためのシステムや方法が、患者や臨床医にとって重要な利益を提供し得る。 [0006] In recognition of the limitations of current non-invasive ICP evaluation techniques, systems and methods for detecting increased ICP or intracranial hypertension (IH) may provide significant benefits to patients and clinicians .
[0007] ＩＩＨは、原因不明の増加したＩＣＰによって特徴づけられ、肥満の女性に比較的共通している。米国におけるＩＩＨ患者の管理は、毎年４４４百万ドルがかかると推定されている。現在、ＩＩＨ患者は、体重減、医療療法、および、手術療法をもちいて処置されている。処置の決定は、しばしば、主観的な症状、乳頭浮腫の存在やひどさ、および、腰椎穿刺等の侵襲検査に基づく。主観的な症状の変わりやすさや、視神経萎縮が始まった場合に、悪化しつつある病気にもかかわらず乳頭浮腫が改善されたように見える可能性を前提とすれば、非侵襲ＩＨ診断ツールは、ＩＣＰ、および、症状と兆候における変化との臨床的相関のリアルタイム測定を可能とすることによって、処置の決定を単純化し得る。ＩＣＰにおける変化のより早期の検出を可能にすることによって患者の治療効果を改善することができ、悪化している病気に逆らったビジョンを救うためにより効果的な介在につながる。 [0007] IIH is characterized by increased ICP of unknown cause and is relatively common in obese women. Management of IIH patients in the United States is estimated to cost $ 444 million annually. Currently, IIH patients are treated using weight loss, medical therapy, and surgical therapy. Treatment decisions are often based on subjective symptoms, the presence or severity of papilledema, and invasive tests such as lumbar puncture. Given the variability of subjective symptoms and the possibility of papilledema appearing to improve despite the worsening illness when optic atrophy begins, non-invasive IH diagnostic tools are: Treatment decisions can be simplified by allowing real-time measurement of ICP and clinical correlation between changes in symptoms and signs. By enabling earlier detection of changes in ICP, the patient's therapeutic effectiveness can be improved, leading to more effective intervention to save vision against the worsening disease.
[0008] 関連するが別個の他の生理学的な欠点は、ＩＣＰに明らかな増加はないが、隠れた生理機能における変化が残っている軽度のＴＢＩによって引き起こされる欠点（脳循環予備能における欠点）である。歴史的に、軽度のＴＢＩ上の研究の多くは、損傷の神経学や神経心理学的な治療効果に焦点をあてている。現在の診断や復帰（return-to-play）ガイドラインは、脳震盪後の症状尺度（Post-Con Symptom Scale：ＰＣＳＳ）、等級化された症状チェックリスト（Graded Symptom Checklist：ＧＳＣ）、標準化された脳震盪の評価（Standardized Assessment of Concussion：ＳＡＣ）、および、脳震盪後の即時評価と認知テスト（Immediate Post-Concussion Assessment and Cognitive Testing：ＩｍＰＡＣＴ）等の患者の症状に依拠した神経心理学的なテストの結果に大きく基づいている。しかし、これらの神経学的なテストを、軽度なＴＢＩの病態生理を考慮する方法で補おうとする、疑う余地のない要求がある。最近のレビューは、構造画像（ＭＲＩ、ＣＴ）、拡散テンソル画像、単一光子放射断層撮影、ポジトロン断層法、ファンクショナルＭＲＩ、近赤外分光法、脳波検査法、脳磁図、心拍数変動、および、血液マーカ等のｍＴＢＩをモニタするためのいくつかの病態生理学ベースの方法の概要を述べている。しかし、レビューは、これらの方法のほとんどが研究の初期の段階にあることと、どれもが臨床許可を得ていないこととを強調している。 [0008] A related but distinct other physiological drawback is the disadvantage caused by mild TBI that has no apparent increase in ICP, but remains in hidden physiology (a disadvantage in cerebral circulation reserve). It is. Historically, much of the work on mild TBI has focused on the neurological and neuropsychological effects of injury. Current diagnosis and return-to-play guidelines include Post-Con Symptom Scale (PCSS), Graded Symptom Checklist (GSC), standardized concussion check The results of neuropsychological tests based on patient symptoms such as evaluation (Standardized Assessment of Concussion: SAC) and immediate post-concussion assessment and cognitive testing (ImPACT) Is based. However, there is an unquestionable need to supplement these neurological tests with methods that take into account the pathophysiology of mild TBI. Recent reviews include structural images (MRI, CT), diffusion tensor images, single photon emission tomography, positron tomography, functional MRI, near infrared spectroscopy, electroencephalography, magnetoencephalography, heart rate variability, and Outlines several pathophysiological based methods for monitoring mTBI, such as blood markers. However, the review highlights that most of these methods are in the early stages of research and that none of them has clinical approval.
[0009] 前述のように、ＩＣＰにおける病理上の増加は軽度のＴＢＩでは現れず、従って、追加の生理学的なパラメータが評価されることを必要とする。いくつかの研究は、それらのいくつかが生理学上の欠損、ＣＢＦにおける減少の可能性のある根本原因を調べて、軽度のＴＢＩに続く脳の血行動態変化を特定している。ＣＢＦの関連する態様の１つは、脳循環予備能、ベースラインからの脳の潅流変化の範囲の記述である。刺激を与えられた脳の潅流のこの範囲における変化は、重度のＴＢＩ、偏頭痛、長期間の宇宙飛行、打撃、および、頸動脈狭窄症を含むいくつかの異なる状態のための診断に役立ち／前兆となり得る。脳循環予備能は、経頭蓋ドプラを含む非侵襲技法を用いて評価されることができ、従って、この研究において意図された先進のフレームワークから利益を受ける。 [0009] As mentioned above, pathological increases in ICP do not appear in mild TBI, and therefore require additional physiological parameters to be evaluated. Several studies have identified cerebral hemodynamic changes following mild TBI by examining the underlying cause of some of them being physiological deficits, a possible decrease in CBF. One relevant aspect of CBF is a description of the cerebral circulation reserve, the extent of changes in cerebral perfusion from baseline. Changes in this range of stimulated cerebral perfusion are useful in diagnosis for several different conditions including severe TBI, migraine, long-term space flight, stroke, and carotid stenosis / It can be a precursor. Cerebral circulation reserves can be assessed using non-invasive techniques including transcranial Doppler and thus benefit from the advanced framework intended in this study.
[0010] これまで、経頭蓋ドプラ（transcranial Doppler：ＴＣＤ）を用いて得られるＣＢＦＶの伝統的な分析は、ＴＢＩやＳＡＨ等の神経学的状態の診断において不適当であると判明した。ＴＢＩを診断するための現在のアプローチの制限の認識において、従って、ＴＢＩおよび他の神経学的状態の診断のための改良されたシステムと方法が望まれている。 [0010] To date, traditional analysis of CBFV obtained using transcranial Doppler (TCD) has proved inadequate in the diagnosis of neurological conditions such as TBI and SAH. In recognition of the limitations of current approaches for diagnosing TBI, improved systems and methods for the diagnosis of TBI and other neurological conditions are therefore desirable.
[0011] この中に記載されたシステムと技法は、経頭蓋ドプラ（transcranial Doppler：ＴＣＤ）、頭蓋内圧亢進（intracranial hypertension：ＩＨ）と軽度・／中程度のＴＢＩを含む様々な神経学的状態の分類のために、以前に有効とされたＣＢＦＶパルスのデータベースを部分的に用いて構造的特徴を組み合わせ、抽出するためのシステムを用いて、脳に供給する１つまたはそれより多くの血管から生のＣＢＦＶデータの収集を含む。 [0011] The systems and techniques described therein have been developed for various neurological conditions including transcranial Doppler (TCD), intracranial hypertension (IH), and mild / moderate TBI. For classification, a system for combining and extracting structural features in part using a previously validated database of CBFV pulses is used to generate from one or more blood vessels that supply the brain. Including the collection of CBFV data.
[0012] この中に記載されたシステムと方法は、ＴＣＤを介して測定されたＣＢＦＶ波形の構造的分析に基づいたＩＨのための非侵襲診断ツールを含む。これらシステムと方法の性能は、２つのタイプの分類方法によって有効とされる：１つは伝統的な「事前に与えられたデータを例題とみなして、それをガイドに学習する教師あり学習（supervised learning）」のアプローチに基づき、他方は「ラベルあり・なし混在データから学習する半教師あり学習（semisupervised learning）」のアプローチである。我々のシミュレーション結果は、半教師あり学習のＩＨ検出の予測の正確さ（カーブの下の領域）が９２％程度と高くあり得ることを示し、一方、教師あり学習のＩＨ検出方法の予測の正確さは８２％程度に過ぎない。伝統的なＴＣＤ態様（拍動指数（pulsatility index：ＰＩ））ベースのＩＨ検出方法に基づく予測の正確さは５９％程度と低いことが注記されるべきである。 [0012] The systems and methods described herein include non-invasive diagnostic tools for IH based on structural analysis of CBFV waveforms measured via TCD. The performance of these systems and methods is enabled by two types of classification methods: one is the traditional “supervised learning that takes pre-given data as an example and learns it as a guide. The other is the “semisupervised learning” approach, which is based on mixed data with and without labels. Our simulation results show that the accuracy of semi-supervised learning IH detection prediction (area under the curve) can be as high as 92%, while the accuracy of supervised learning IH detection method prediction accuracy That is only about 82%. It should be noted that the accuracy of prediction based on traditional TCD mode (pulsatility index: PI) based IH detection method is as low as 59%.
[0013] ＴＣＤ測定は、頭と首における１つまたはそれより多くの血管からのＣＢＦＶを含み得る。例えば、測定は。中大脳動脈（middle cerebral artery：ＭＣＡ）、内頸動脈（internal carotid artery：ＩＣＡ）、および／または、脳底動脈（basilar artery：ＢＡ）、または、それらの組み合わせから得られ得る。 [0013] TCD measurements may include CBFV from one or more blood vessels in the head and neck. For example, measurement. It can be obtained from the middle cerebral artery (MCA), the internal carotid artery (ICA), and / or the basilar artery (BA), or a combination thereof.
[0014] 制限された特徴の組によって生じるＴＣＤの正確性の欠如に加えて、観察者間や観察者内変動は、ＴＣＤの採用を悩ませている。我々の形態学的なフレームワークの信頼性を向上するために、我々は、また、ＴＣＤ信号の獲得のための完全に自動化されたヘッドセットを導入している。 [0014] In addition to the lack of accuracy of TCD caused by a limited set of features, inter-observer and intra-observer variability plagues the adoption of TCD. In order to improve the reliability of our morphological framework, we have also introduced a fully automated headset for TCD signal acquisition.
[0015] ある実施形態では、システム、デバイス、および、方法は、非侵襲でＩＨを検出するための方法を含む。あるアプローチでは、この方法は、連続するＣＢＦＶセグメントから個々のＣＢＦＶ波形パルスを検出することと、検出されたパルスをグループ化することと、ＣＢＦＶパルスライブラリを利用することによって少なくとも１つの有効なパルスを認識することと。グループから代表的なパルスを構成することと、代表的なパルスから１００を越える構造的特徴を抽出することと、分類フレームワークをＩＣＰに用いることと、を含む。 [0015] In certain embodiments, the systems, devices, and methods include methods for non-invasively detecting IH. In one approach, this method detects at least one valid pulse by detecting individual CBFV waveform pulses from consecutive CBFV segments, grouping the detected pulses, and utilizing a CBFV pulse library. To recognize. Building a representative pulse from the group, extracting more than 100 structural features from the representative pulse, and using a classification framework for ICP.
[0016] あるアプローチにおいて、ＣＢＦＶ波形セグメントは、同時に記録されるＥＣＧセグメントに関連する。方法は、更に、構成された代表的なパルスのサブピークを含む構造的特徴を特定することを含み得る。方法は、構成された代表的なパルスの代表的な指標を計算することを含み得る。例えば、サブピークの大きさは、平常、または、ＩＨとしてＩＣＰを特徴づけるために用いられ得る。 [0016] In one approach, CBFV waveform segments are associated with ECG segments that are recorded simultaneously. The method may further include identifying structural features including sub-peaks of the constructed representative pulse. The method may include calculating a representative measure of the constructed representative pulse. For example, the sub-peak size can be used to characterize ICP as normal or IH.
[0017] ある実施形態において、この中に記載されたシステムと方法は、検出されたＣＢＦＶパルスをクラスタリング（集団形成：clustering）するためにスペクトル回帰を利用することを含む。方法は、正しいノード接続を定義することによってグラフを構成することを含み得る。あるアプローチでは、グラフの構成は重み付けされる。ある実施形態において、方法は、固有ベクトルを分解することを含む。あるアプローチでは、正規化された最小二乗が、少なくとも１つの固有ベクトルのために解かれる。ある実施形態において、スペクトル回帰はカーネル判別分析を含む。この中に記載されたシステムと方法は、曲線下面積の特徴を利用する予測の正確さを数量化することによってカーブ分析の決定を行うことを提供する。あるアプローチでは、頭蓋内圧パルスは、３つのグループに分割される：平常（＜１４ｍｍＨｇ）、グレイゾーン（１５−３０ｍｍＨｇ）、および、ＩＨ（＞３０ｍｍＨｇ）。 [0017] In certain embodiments, the systems and methods described herein include utilizing spectral regression to cluster detected CBFV pulses. The method may include constructing a graph by defining correct node connections. In one approach, the composition of the graph is weighted. In certain embodiments, the method includes decomposing eigenvectors. In one approach, normalized least squares are solved for at least one eigenvector. In certain embodiments, the spectral regression includes kernel discriminant analysis. The systems and methods described therein provide for making curve analysis decisions by quantifying the accuracy of predictions that utilize the area under the curve feature. In one approach, intracranial pressure pulses are divided into three groups: normal (<14 mmHg), gray zone (15-30 mmHg), and IH (> 30 mmHg).
[0018] ある実施形態において、記載されたシステムと方法は、ＩＣＰにおける増加がない軽度および中程度の診断のために用いられ得る。我々のフレームワークは、ＣＢＦＶ分析を、この基本の方法から波形に存在する１００の個別の構造的特徴に広げ、それにより、波形における微細な変化を数量化し、より大きな診断と予知の正確さを与える。我々のアプローチの他とは異なる利点は、ＴＣＤベースのデバイスが低コストで、安全で、ポータブルであり、それらが病院到着前において効果的であることが示されていることである。 [0018] In certain embodiments, the described systems and methods can be used for mild and moderate diagnosis without an increase in ICP. Our framework extends CBFV analysis from this basic method to the 100 individual structural features present in the waveform, thereby quantifying the subtle changes in the waveform and providing greater diagnostic and predictive accuracy. give. The distinct advantage of our approach is that TCD-based devices have been shown to be low cost, safe and portable, and effective before they arrive at the hospital.
[0019] これらの、および、他の実施形態は、この中により詳細に記載される。これらの実施形態の変更や修正は、この開示をレビューした後、当技術分野に技量を有する者に生じるであろう。前述の特徴や態様は、この中に記載された１つまたはそれより多くの特徴との任意の組み合わせや部分的組合せ（複数の従属の組み合わせや部分的組み合わせを含む）において実装され得る。上記に記載され、または、例証された様々な特徴は、それらの任意のコンポーネントを含み、他のシステムと組み合され、または、統合される。更に、ある構造的特徴は、省略され、または、実装されなくてもよい。 [0019] These and other embodiments are described in more detail herein. Changes and modifications to these embodiments will occur to those skilled in the art after reviewing this disclosure. The foregoing features and aspects may be implemented in any combination or subcombination (including a plurality of subordinate combinations or subcombinations) with one or more features described herein. The various features described or illustrated above include any of those components and can be combined or integrated with other systems. Further, certain structural features may be omitted or not implemented.
[0020] 上述の、および、他の課題や利点は、添付の図面に関連してなされる以下の詳細な説明の考慮に基づいて明瞭になり、図面において、同様な参照符号は同様な部分を指す。 [0020] The above and other problems and advantages will become apparent upon consideration of the following detailed description taken in conjunction with the accompanying drawings, in which like reference characters identify like parts, and in which: Point to.
[0036] この中に記載されたシステム、デバイス、および、方法の全体的な理解を与えるために、ある例示の実施形態が記載される。この中に記載された実施形態や特徴は、特に、経頭蓋ドプラ（transcranial Doppler：ＴＣＤ）システムを用いて頭蓋内圧力をモニタリングすることに関連して使用するために記載されているが、以下に概要を記載された方法、コンポーネント、メカニズム、調節可能システム、製造方法、および、他の特徴の全てが、任意の好適な方法でお互いに組み合され得、ＭＲＩやＣＴを含む他のタイプの非侵襲の生理学的なモニタリングを用いる、軽度や中程度のＴＢＩを含む他の生理学的や非生理学的なモニタリングに適合や適応され得ることが理解される。 [0036] Certain exemplary embodiments are described in order to provide an overall understanding of the systems, devices, and methods described herein. The embodiments and features described therein are described in particular for use in connection with monitoring intracranial pressure using a transcranial Doppler (TCD) system, described below. All of the outlined methods, components, mechanisms, adjustable systems, manufacturing methods, and other features can be combined with each other in any suitable manner, including other types of non-MRI and CT It is understood that other physiological and non-physiological monitoring, including mild and moderate TBI, using invasive physiological monitoring can be adapted and adapted.
[0037] 「非侵襲（non-invasive）」の用語は、手術、または、いかなる種類の刺切創をも必要としない生理学的なモニタリングの方法に関する。上述のように、経頭蓋ドプラ（ＴＣＤ）システムに加え、ＭＲＩシステム、ＣＴスキャナ、圧力変換器、光撮像素子、近赤外線撮像素子、および、他のそのようなデバイスが生データの可能なソースであり、応用は添付の特許請求の範囲によってのみ制限されると考えられるべきである。 [0037] The term "non-invasive" relates to a method of surgery or physiological monitoring that does not require any kind of puncture wound. As noted above, in addition to transcranial Doppler (TCD) systems, MRI systems, CT scanners, pressure transducers, optical imagers, near infrared imagers, and other such devices are possible sources of raw data. Yes, application should be considered limited only by the appended claims.
[0038] 本出願は、脳に送り込む１つまたはそれより多くの血管から生の脳の血流速度（ＣＢＦＶ）の非侵襲の収集のためのシステムと方法、並びに、ＣＢＦＶ波形における構造的特徴を特定し、分析のためにそれら特徴を抽出するための技法を記載する。この意味で、「構造的特徴（structural features）」は、測定されたＣＢＦＶ波形の特定可能な特徴（例えば、サブピーク、サブトロフ（subtroughs）、ランドマーク）を指す。説明されるように、これらの構造的特徴は、次に、構造的特徴を分類し、診断結果を勧告するために、以前に特定された参照データと比較され得る。 [0038] This application describes systems and methods for non-invasive collection of raw brain blood flow velocity (CBFV) from one or more blood vessels that feed into the brain, as well as structural features in CBFV waveforms. Describe techniques for identifying and extracting those features for analysis. In this sense, “structural features” refers to identifiable features (eg, sub-peaks, subtroughs, landmarks) of the measured CBFV waveform. As described, these structural features can then be compared to previously identified reference data to classify the structural features and recommend diagnostic results.
[0039] この中に記載されたシステムと方法は、大脳動脈輪を形成する中大脳動脈、内頚動脈、脳底動脈、椎骨動脈、前大脳動脈、および、他の血管を含む、頭と首における１つまたはそれより多くの血管におけるＣＢＦＶのＴＣＤ測定に基づく非侵襲のＩＨ検出方法を提供する。これらのシステムと方法は、更に、様々な学習／分類アルゴリズムを用いる例を通して可能にされ、明らかにされる。 [0039] The systems and methods described therein include in the head and neck, including the middle cerebral artery, internal carotid artery, basilar artery, vertebral artery, anterior cerebral artery, and other blood vessels that form the cerebral annulus. A non-invasive IH detection method based on TBF measurement of CBFV in one or more blood vessels is provided. These systems and methods are further enabled and clarified through examples using various learning / classification algorithms.
[0040] 簡便のために、以下の略称が、この中に含まれたテキストや記載を通して用いられる。
ａＳＡＨ−動脈瘤性くも膜下出血（aneurysmal subarachnoid hemorrhage）
ＡＣＡ−前大脳動脈（anterior cerebral artery）
ＡＣＵ−曲線下面積（area under the curve）
ＢＡ−脳底動脈（basilar artery）
ＣＢＦＶ−脳の血流速度（cerebral blood flow velocity）
ＥＣＧ−心電図（electrocardiogram）
ＩＣＡ−内頚動脈（internal carotid artery）
ＩＣＰ−頭蓋内圧（intracranial pressure）
ＩＨ−頭蓋内圧亢進（intracranial hypertension）
ＩＩＨ−突発性頭蓋内圧亢進（idiopathic intracranial hypertension）
ＭＣＡ−中大脳動脈（middle cerebral artery）
ｍＴＢＩ−軽度な外傷性脳損傷（mild traumatic brain injury）
ＮＰＨ−正常圧水頭症（normal pressure hydrocephalus）
ＰＩ−拍動指数（pulsatility index）
ＲＯＣ−受診者動作特性（receiver operating characteristic）
ＳＲＫＤＡ−スペクトル回帰カーネル判別分析（spectral regression kernel discriminant analysis）
ＴＢＩ−外傷性脳損傷（traumatic brain injury）
ＴＣＤ−経頭蓋ドプラ（transcranial Doppler）
[0041] この中に記載されたシステムと方法は、非侵襲のＩＣＰ評価と軽度／中程度のＴＢＩのための代替の診断方法を確立するために、ＣＢＦＶ波形の進歩した、理解力のある構造的特徴分析を利用する。
[0040] For convenience, the following abbreviations are used throughout the text and descriptions contained therein.
aSAH-aneurysmal subarachnoid hemorrhage
ACA-anterior cerebral artery
ACU-area under the curve
BA-basilar artery
CBFV-Cerebral blood flow velocity
ECG-electrocardiogram
ICA-internal carotid artery
ICP-intracranial pressure
IH-Intracranial hypertension
IIH-idiopathic intracranial hypertension
MCA-middle cerebral artery
mTBI—mild traumatic brain injury
NPH-normal pressure hydrocephalus
PI-pulsatility index
ROC-receiver operating characteristic
SRKDA-spectral regression kernel discriminant analysis
TBI-traumatic brain injury
TCD-transcranial Doppler
[0041] The systems and methods described herein provide an advanced, comprehensible structure for CBFV waveforms to establish an alternative diagnostic method for non-invasive ICP assessment and mild / moderate TBI. Use functional feature analysis.
[0042] ＩＨ検出は、高いＩＣＰをもった患者を、平常な（病的でない）ＩＣＰをもった患者から区別する分類の問題である。そのような分類の問題への従来のアプローチは、教師あり学習と呼ばれる、所与の分類指標をトレーニングするためにラベル付けされたサンプルのみを用いることである。このアプローチの主たる問題点は、ラベル付けされていないサンプルから学習される有用な情報が分類の正確さの改善に帰結する場合でさえも、ラベル付けされていないサンプルを利用できないことである。ラベル付けされていないサンプルは、全てのサンプルにラベル付けすることの高いコストまたは労働強度、または、ＩＨ検出や軽度のＴＢＩ／震盪診断におけるように２値のラベルを与えることの不明確さ等の様々な理由のために存在し得る。例えば、単純なアプローチは、ＩＣＰを高いとしてみなすために広く受け入れられた閾値である２０ｍｍＨｇより対応するＩＣＰが上である場合にＣＢＦＶ波形をＩＨとしてラベル付けすることであり、そして、分類指標を構築するために教師あり学習アルゴリズムを用いることである。ある患者の分類について、２０ｍｍＨｇのＩＣＰレベルが高いレベルを表さない（偽陽性）し、他の患者について、２０ｍｍＨｇの閾値がＩＨ診断からはずれるので、この簡単なパラダイムは、２０ｍｍＨｇを閾値として用いることの妥当性に厳密に依拠した真のＩＨ状態のあまりにも融通のきかない検出である。しかし、異なる閾値を選ぶことも簡単な作業ではない。閾値が高すぎる、または、低すぎる場合、ＩＨ診断をやり損うか、または、あまりに多くの偽陽性をつくりだす恐れがある。 [0042] IH detection is a classification problem that distinguishes patients with high ICP from those with normal (non-pathological) ICP. The traditional approach to such a classification problem is to use only labeled samples to train a given classification index, called supervised learning. The main problem with this approach is that unlabeled samples are not available, even if useful information learned from unlabeled samples results in improved classification accuracy. Unlabeled samples may include high cost or labor intensity of labeling all samples, or ambiguity of giving binary labels as in IH detection and mild TBI / concussion diagnostics, etc. Can exist for a variety of reasons. For example, a simple approach is to label the CBFV waveform as IH when the corresponding ICP is above the widely accepted threshold of 20 mmHg to consider ICP as high, and build a classification index To use a supervised learning algorithm. This simple paradigm uses 20 mmHg as the threshold because for some patient classifications, the 20 mmHg ICP level does not represent a high level (false positive) and for other patients the 20 mmHg threshold deviates from the IH diagnosis. This is a very inflexible detection of true IH states that rely strictly on the validity of However, choosing a different threshold is not an easy task. If the threshold is too high or too low, it may fail the IH diagnosis or create too many false positives.
[0043] サンプルをラベル付けすることにおけるこの曖昧さに対処するために、この中に記載されたシステムと方法は、半教師あり学習分類アプローチを利用する。半教師あり学習アプローチは、分類指標がラベル付けされた、および、ラベル付けされていないサンプルを用いてトレーニングされ得るので、全てのサンプルをラベル付けすることが必要ない。あるアプローチでは、この中に記載されたシステムと方法における半教師あり学習技法は、生成モデル（generative models）、自己トレーニング、共訓練（co-training）、トランスダクティブ・サポートベクターマシン（transductive support vector machines）、グラフベースの方法を含む。あるアプローチでは、通常の回帰技法が、従来のグラフベースの半教師あり学習技法のいくつかの問題点を克服する。 [0043] To address this ambiguity in labeling samples, the systems and methods described herein utilize a semi-supervised learning classification approach. The semi-supervised learning approach does not need to label every sample because the classification index can be trained with labeled and unlabeled samples. In one approach, the semi-supervised learning techniques in the systems and methods described herein include generative models, self-training, co-training, transductive support vector machines (transductive support vector machines). machines), including graph-based methods. In one approach, normal regression techniques overcome some of the problems of traditional graph-based semi-supervised learning techniques.
[0044] あるアプローチでは、この中に記載されたシステムと方法は、プロセッシング回路を用いて実施される。この中に記載されるように、プロセッシング回路は、マイクロコントローラ、集積回路、特定用途向け集積回路（ＡＳＩＣ）、プログラム可能な論理デバイス、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ、特定用途向け命令セットプロセッサ（ＡＳＩＰ）、または、任意の他の好適なデジタルまたはアナログプロセッサの１つまたはそれより多くを含む回路を意味すると理解される。このプロセッシング回路は、限定はされないが、コンピュータ、モバイルデバイス、テレビ、タブレット、ＴＣＤモニタリングシステム、ＥＣＧモニタリングシステム、ウェアラブル、または、任意の好適なデバイスを含む他のユーザシステムの一部として利用され得る。プロセッシング回路は、この中に記載されているように、データおよび信号処理アルゴリズムを実行するために用いられ得る。プロセッシング回路は、ネットワーク接続されたシステムやデバイスを含む他のネットワークデバイスに、または、デバイスから、データ、コマンド、ユーザ入力を送ったり、受け取ったりするために用いられ得る。 [0044] In one approach, the systems and methods described herein are implemented using processing circuitry. As described herein, processing circuitry includes microcontrollers, integrated circuits, application specific integrated circuits (ASICs), programmable logic devices, field programmable gate arrays (FPGAs), digital signal processors, application specific instructions. It is understood to mean a circuit comprising one or more of a set processor (ASIP), or any other suitable digital or analog processor. This processing circuit may be utilized as part of a computer, mobile device, television, tablet, TCD monitoring system, ECG monitoring system, wearable, or other user system including but not limited to any suitable device. Processing circuitry may be used to execute data and signal processing algorithms, as described herein. Processing circuitry may be used to send and receive data, commands, user input to and from other network devices, including networked systems and devices.
[0045] プロセッシング回路は、電子的なストレージまたはメモリに接続され得る。電子的なストレージは、この中で用いられているように、限定はされないが、ＲＡＭ、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ（登録商標）、フラッシュメモリまたは他の半導体メモリ技術、ＣＤ−ＲＯＭ、ＤＶＤ、または、他の光ストレージ、磁気ストレージデバイス、または、所望の情報、データ、命令、ソフトウェア、ファームウェア、ドライバ、または、コードを記憶するための任意の他の物理的または物的な媒体を含む、任意の好適な読出し可能なメモリ媒体を含み得る。例えば、ストレージは、プロセッシング回路の入力、出力、または、この中に記載された方法やシステムのアルゴリズムや他の処理ステップを実行すること等の他のプロセスを制御するためのソフトウェア命令または機械コードを含み得る。 [0045] The processing circuit may be connected to an electronic storage or memory. Electronic storage, as used herein, is not limited to RAM, ROM, EPROM, EEPROM®, flash memory or other semiconductor memory technology, CD-ROM, DVD, or Any suitable, including other optical storage, magnetic storage devices, or any other physical or physical medium for storing desired information, data, instructions, software, firmware, drivers, or code A readable memory medium. For example, the storage may contain software instructions or machine code to control processing circuit inputs, outputs, or other processes such as performing the methods and system algorithms and other processing steps described therein. May be included.
[0046] プロセッシング回路は、ディスプレイやユーザインターフェース等のユーザとのインターフェースのためのデバイスを含むシステムの一部であり得る。例えば、ディスプレイは、限定はされないが、モニタ、テレビ、ＬＥＤディスプレイ、ＬＣＤディスプレイ、投影、モバイルデバイス、ハンドセット、または、任意の他の好適なディスプレイシステムを含む、任意の好適なディスプレイインターフェースであってよい。ユーザ入力インターフェースは、キーボード、タッチスクリーン、マウス、マイク、スタイラス、音声入力、または、他の好適なユーザ入力インターフェースであってよい。ディスプレイとユーザ入力インターフェースは、プロセッシング回路が、ユーザに情報を提供し、ユーザ生成のコマンド、応答、および、データを受け取ることを可能にする。あるアプローチにおいて、この中に記載されたシステムと方法は、アクチュエータ、センサ、および／または、変換器を含む。例えば、生体用電極やドプラ変換器が含まれ得る。 [0046] The processing circuitry may be part of a system that includes a device for interfacing with a user, such as a display or user interface. For example, the display may be any suitable display interface, including but not limited to a monitor, television, LED display, LCD display, projection, mobile device, handset, or any other suitable display system. . The user input interface may be a keyboard, touch screen, mouse, microphone, stylus, voice input, or other suitable user input interface. The display and user input interface allow the processing circuitry to provide information to the user and receive user generated commands, responses, and data. In certain approaches, the systems and methods described herein include actuators, sensors, and / or transducers. For example, biomedical electrodes and Doppler converters can be included.
[0047] ある態様では、ＣＢＦＶ波形の１００を超える構造的特徴が、ＴＣＤによって集められた生のＣＢＦＶ信号から抽出される。あるアプローチにおいて、これらの構造的特徴アルゴリズムは、プロセッシング回路によって実行される。この中に記載されたシステムと方法は、更に、ＩＨの検出のためのＴＣＤベースのＣＢＦＶおよび／またはＥＣＧ波形から非侵襲ＩＣＰ評価のために特にこれらの技法を開発し、適用する。 [0047] In some aspects, over 100 structural features of the CBFV waveform are extracted from the raw CBFV signal collected by the TCD. In one approach, these structural feature algorithms are executed by a processing circuit. The systems and methods described therein further develop and apply these techniques specifically for non-invasive ICP assessment from TCD-based CBFV and / or ECG waveforms for IH detection.
[0048] 図２は、構造的特徴アルゴリズムのブロック図を示す。生のデータを獲得した後、３ステッププロセスがある：構造的特徴抽出、分類、および、結果／診断。システムへの入力は血管の数に基づいて変化するが、少なくとも１つの頭蓋内血管が必要とされる。また、分類のためのグランドトルース（参照データ）が、神経学的状態（軽度なＴＢＩ、重度なＴＢＩ、脳卒中、等）によって決定される。 [0048] FIG. 2 shows a block diagram of a structural feature algorithm. After acquiring raw data, there is a three-step process: structural feature extraction, classification, and results / diagnosis. Although the input to the system varies based on the number of blood vessels, at least one intracranial blood vessel is required. Also, the ground truth (reference data) for classification is determined by the neurological condition (mild TBI, severe TBI, stroke, etc.).
[0049] まず、連続したＣＢＦＶセグメントから個々のＣＢＦＶパルスが、同時に記録されたＥＣＧセグメントに関連付けて抽出される。図３は、３つのサブピークをもった１つの代表の出力ＣＢＦＶパルスに変換される、連続したＣＢＦＶ入力波形を示す構造的特徴抽出プロセスのブロック図である。右側への挿入図は、６つのランドマーク（３つのピークと３つの谷の点）をもったＣＢＦＶ波形からの概略的な代表パルスを示す。図１に示された最大速度包絡線がブロックダイアグラムへの入力である。６つのランドマークの特定は、構造的特徴抽出のために不可欠である。 [0049] First, individual CBFV pulses are extracted from consecutive CBFV segments in association with simultaneously recorded ECG segments. FIG. 3 is a block diagram of a structural feature extraction process showing a continuous CBFV input waveform that is converted to one representative output CBFV pulse with three sub-peaks. The inset on the right shows a schematic representative pulse from a CBFV waveform with six landmarks (three peaks and three valley points). The maximum velocity envelope shown in FIG. 1 is the input to the block diagram. The identification of the six landmarks is essential for structural feature extraction.
[0050] あるアプローチでは、一連の個々のＣＢＦＶパルスが、相関係数に基づいてグループにグループ化される。あるアプローチでは、パルスのグループは、主成分分析、コレスポンデンス分析、行列の分解、スペクトル分析、独立成分分析、または、他の波形信号処理方法を介して特定される。グループの代表パルスは、クラスタまたはグループの中のパルスの数によって特定される、最も大きなサブグループの平均である。代表パルスは、最も大きなサブグループについてのパルスの平均を通して特定され得る。代表パルスを構成した後、パルスは、以前に有効とされたＣＢＦＶパルスの組に対して検証される。ＣＢＦＶパルスライブラリは、多くの患者／被験者からのデータの組と代表パルスを含み得る。ある実施形態では、パルスライブラリは、少なくとも１００のＣＢＦＶパルスを含む。ある実施形態では、パルスライブラリは、少なくとも１００００やそれよりも多くのＣＢＦＶパルスを含む。 [0050] In one approach, a series of individual CBFV pulses are grouped into groups based on correlation coefficients. In one approach, groups of pulses are identified via principal component analysis, correspondence analysis, matrix decomposition, spectral analysis, independent component analysis, or other waveform signal processing methods. The group representative pulse is the average of the largest subgroup, specified by the number of pulses in the cluster or group. The representative pulse can be identified through the average of the pulses for the largest subgroup. After constructing the representative pulse, the pulse is verified against a set of previously valid CBFV pulses. The CBFV pulse library may contain data sets and representative pulses from many patients / subjects. In certain embodiments, the pulse library includes at least 100 CBFV pulses. In some embodiments, the pulse library includes at least 10,000 or more CBFV pulses.
[0051] 次に、代表パルスは、更なる数量化と診断のために用いられる。ある実施形態では、代表パルスの３つのサブピークが、いくつかのピーク候補の中で指定される。図３における挿入図は、３つのサブピークと３つのサブトロフとを含む６つのランドマーク｛Ｐ１、Ｐ２、Ｐ３、Ｖ１、Ｖ２、Ｖ３｝をもった、典型的な代表パルスを例示する。ある実施形態において、ピークの位置は、示された実施形態における４つの可能な定義に従ってパルスカーブの凹部を用いて見つけられる。第１の定義は、凹部の一次導関数がゼロより大きい場合に、凹部の凸部領域に対する交差点をピークとして扱い、さもなければ、凸部領域の横部領域に対する交差点がピークである。第２の定義は、ピークが各凹部領域の中で極大絶対曲率をもった位置であるように信号の曲率に基づき、第３と第４の定義は、両方とも、凹部領域の２つの端点をリンクする直線を含む。第３と第４の定義に従って、ピークは、ＣＢＦＶからこの線への直角距離（perpendicular distance）または垂直距離（vertical distance）がそれぞれ極大である位置で見出され得る。典型的に、ピークは、ＣＢＦＶの立ち上がりエッジ上の凸部の凹部領域に対する交叉、または、パルスの下降のエッジ上の凹部の凸部領域に対する交叉に対応する。この検出プロセスは、Ｎ個のピーク候補（ａ１、ａ２、・・・、ａＮ）のプールを生成する。加えて、または、代替的に、ピークの検出と割当は、スペクトル回帰分析または多重線形回帰分析等の回帰分析を用いて割当てられ得る。 [0051] The representative pulse is then used for further quantification and diagnosis. In one embodiment, the three sub-peaks of the representative pulse are designated among several peak candidates. The inset in FIG. 3 illustrates a typical representative pulse with six landmarks {P1, P2, P3, V1, V2, V3} including three sub-peaks and three sub-troughs. In certain embodiments, the location of the peak is found using the depression of the pulse curve according to the four possible definitions in the illustrated embodiment. In the first definition, when the first derivative of the concave portion is larger than zero, the intersection with the convex region of the concave portion is treated as a peak, otherwise, the intersection with the lateral region of the convex region is a peak. The second definition is based on the curvature of the signal so that the peak is at a position with a maximum absolute curvature within each recessed area, and both the third and fourth definitions define the two endpoints of the recessed area. Contains a straight line to link. According to the third and fourth definitions, a peak can be found at a position where the perpendicular distance or vertical distance from the CBFV to this line is maximum. Typically, the peak corresponds to the intersection of the convex portion on the rising edge of the CBFV with respect to the concave region of the convex portion or the convex portion of the concave portion on the falling edge of the pulse. This detection process generates a pool of N peak candidates (a1, a2,..., AN). In addition or alternatively, peak detection and assignment can be assigned using regression analysis such as spectral regression analysis or multiple linear regression analysis.
[0052] ある実施形態において、構造的特徴（即ち、サブピーク、サブトロフ、ランドマーク）は、更に、ＩＣＰ状態や他の神経学的状態または神経学的指標（脳血管反応性、自動調節、および、神経活動と血液循環との時間的・空間的関係）を特定するために用いられるメトリクスを介して特徴づけられる。あるアプローチでは、１００よりも大きいトータル構造的メトリクスが、サブピークや他の構造的特徴に関連して代表パルスから抽出され得る。これらのメトリクスは、遅延時間、大きさ、曲率、傾斜、サブピーク間の比を含む。ある実施形態において、約１と約１０の間のメトリクスが抽出される。あるアプローチにおいて、少なくとも１０のメトリクスが抽出される。あるアプローチにおいて、約１０と約５０の間のメトリクスが抽出される。あるアプローチにおいて、約５０と約１００の間のメトリクスが抽出される。あるアプローチにおいて、少なくとも１００のメトリクスが抽出される。あるアプローチにおいて、１００より大きな構造的メトリクスが抽出される。 [0052] In certain embodiments, the structural features (ie, sub-peaks, sub-troughs, landmarks) may further include ICP status and other neurological conditions or neurological indicators (cerebral vascular reactivity, autoregulation, and It is characterized through metrics used to identify (temporal and spatial relationships between neural activity and blood circulation). In one approach, total structural metrics greater than 100 can be extracted from the representative pulse in relation to sub-peaks and other structural features. These metrics include delay time, magnitude, curvature, slope, and ratio between sub-peaks. In some embodiments, between about 1 and about 10 metrics are extracted. In one approach, at least 10 metrics are extracted. In one approach, between about 10 and about 50 metrics are extracted. In one approach, between about 50 and about 100 metrics are extracted. In one approach, at least 100 metrics are extracted. In one approach, more than 100 structural metrics are extracted.
[0053] 典型的なＴＣＤベースのＣＢＦＶ波形は、主として三相性であり、以前は知られていなかった。図４におけるプロットは、様々な平均ＩＣＰ値（ｍＩＣＰ， ５−３３ｍｍＨｇ）に関連した典型的なＣＢＦＶ波形：上側の並び（平常）と下側の並び（高血圧）を示す。低い平均ＩＣＰ値に関連したＣＢＦＶ代表波形は、高い平均ＩＣＰパルスに関連したものがもつよりも、より明瞭なサブピークを有する傾向がある。これは、我々のアプローチが波形のサブピークに特別に重点を置くように、他に比較してこのフレームワークの主要な利点の１つである。第２と第３のサブピークの大きさの間の差は、高い平均ＩＣＰパルスに関連したＣＢＦＶ代表波形における方が、平常な平均ＩＣＰパルスに関連したものにおけるより大きい。あるアプローチでは、サブピークのサイズ、および／または、サブピークの大きさの間の差は、平常またはＩＨとしてＩＣＰを特徴付けるために用いられる。 [0053] A typical TCD-based CBFV waveform is primarily triphasic and was not previously known. The plot in FIG. 4 shows a typical CBFV waveform associated with various mean ICP values (mICP, 5-33 mmHg): upper row (normal) and lower row (hypertension). CBFV representative waveforms associated with low average ICP values tend to have clearer subpeaks than those associated with high average ICP pulses. This is one of the main advantages of this framework compared to others so that our approach places special emphasis on waveform sub-peaks. The difference between the magnitudes of the second and third subpeaks is greater in the CBFV representative waveform associated with the high average ICP pulse than in the normal average ICP pulse. In one approach, the difference between the size of the subpeaks and / or the size of the subpeaks is used to characterize the ICP as normal or IH.
[0054] 方法は、ＴＣＤベースのＣＢＦＶ波形から様々な構造的特徴を抽出する。あるアプローチにおいて、この方法は、プロセッシング回路によって実行される。そして、次のステップは、それらのＣＢＦＶ構造的特徴と対応するラベル（例えば、高血圧のサンプルに対して＋１、平常のサンプルに対して−１）との間の関連性規則（または、関数）を学習することである。それは、単純に、以下で表現され得る。 [0054] The method extracts various structural features from the TCD-based CBFV waveform. In one approach, the method is performed by a processing circuit. The next step is then to establish an association rule (or function) between those CBFV structural features and the corresponding labels (eg, +1 for hypertensive samples, -1 for normal samples). To learn. It can simply be expressed as:
ここで、Ｘは構造的特徴のｎ x １００行列であり、Ｙは対応するラベルのｎ x １ベクトルであり、ｎはサンプルの数であり、ｆは学習されるべき、または、トレーニングされるべき関連関数または分類指標である。ある実施形態において、トレーニングされた分類指標の品質は、その予知の正確さによって測定される。言い換えれば、良好な分類指標は、トレーニングの間に見られなかった、新しい特徴を正しい分類に割り当てることができる指標である。
Where X is the
[0055] あるアプローチでは、学習アルゴリズムは、スペクトル回帰と呼ばれる、グラフベースの半教師あり学習の分類指標技法を含む。このアプローチは、通常の回帰技法をスペクトルグラフ分析と組み合わせ、クラスタリング・次元縮退技法として用いられ得る。本質的にトランスダクティブ（transductive）である、多くの従来のグラフベースアルゴリズムと対照的に、スペクトル回帰技法は、線形とカーネルのケースの両方において、自然な標本外拡張（natural out-of-sample extension）を与える。 [0055] In one approach, the learning algorithm includes a graph-based semi-supervised learning classification index technique called spectral regression. This approach combines normal regression techniques with spectral graph analysis and can be used as a clustering and dimension reduction technique. In contrast to many traditional graph-based algorithms that are inherently transductive, spectral regression techniques are natural out-of-sample in both linear and kernel cases. extension).
[0056] スペクトル回帰の第１のステップは、グラフ行列にスペクトル技法を適用することによって、個々のサンプルｘｉについての応答ｙｉの組を計算することである。それらの応答が得られたら、リッジ回帰（ordinary ridge regression）技法が、回帰関数を見つける。スペクトル回帰のアルゴリズム的手順は、以下のように概略され得る。 [0056] The first step in spectral regression is to calculate a set of responses y i for each sample x i by applying spectral techniques to the graph matrix. Once those responses are obtained, an ordinary ridge regression technique finds a regression function. The algorithmic procedure for spectral regression can be outlined as follows.
[0057] １）隣接グラフ構造：Ｇに、ｎ個のノードをもったグラフを示させる。ここで、ｉ番目のノードはｉ番目のサンプルｘｉを表す。グラフＧを以下の３ステップによって構築する。
ａ）ノードｉとｊが、ｋ個のお互いの最も近い隣の中にあるならば、ノードｉとｊを連結する。
ｂ）ノードｉとｊが同じクラスに属する場合、ノードｉとｊを連結する。
ｃ）ｉとｊが異なるクラスに属するならば、ｉとｊとの間の連結を削除する。
1) Adjacent graph structure: Let G show a graph with n nodes. Here, the i-th node represents an i-th sample x i. A graph G is constructed by the following three steps.
a) If nodes i and j are in the k nearest neighbors, connect nodes i and j.
b) When nodes i and j belong to the same class, nodes i and j are connected.
c) If i and j belong to different classes, delete the connection between i and j.
[0058] ２）重み行列の構成：Ｗにｎ x nの疎行列を示させ、疎行列の要素Ｗｉｊは以下のように割り当てられ得る： [0058] 2) Construction of weight matrix: Let W denote an nxn sparse matrix, and the elements W ij of the sparse matrix can be assigned as follows:
その他の点では、ｌｑはｑ番目のクラスに属するサンプルの数であり、Ｓ（ｉ，ｊ）はｘｉとｘｊとの間の相似関数である。我々の相似関数の選択はヒートカーネル（heat kernel）、即ち以下である。 In other respects, l q is the number of samples belonging to the q th class, and S (i, j) is a similarity function between x i and x j . Our choice of similarity function is the heat kernel, ie:
[0059] ３）固有分解：下の固有問題の最も大きな固有ベクトルを見つける。 [0059] 3) Eigendecomposition: find the largest eigenvector of the eigenproblem below.
ここで、Ｄは対角行列であって、その要素ＤｉｊはＷのｉ番目の行の合計に等しい。 Here, D is a diagonal matrix, and its element D ij is equal to the sum of the i-th row of W.
[0060] ４）正則化最小二乗：以下のように、ｐ番目の最も大きい固有ベクトルｙｐについて正則化最小二乗問題を解く。 [0060] 4) Regularized least squares: Solve the regularized least squares problem for the pth largest eigenvector yp as follows.
ここで、ａは回帰係数ベクトル、ｌはラベル付けされたサンプルの数、γはラベル付けされていないサンプルの重みを調節するためのパラメータ、αは正則化パラメータである。ｙｉはスカラー応答であるが、ｘｉはサンプルベクトルであることを注記することが重要である。γ＝１に設定することによって、ａｐの閉形式解は以下のように表現される。 Here, a is a regression coefficient vector, l is the number of labeled samples, γ is a parameter for adjusting the weight of unlabeled samples, and α is a regularization parameter. It is important to note that y i is a scalar response, but x i is a sample vector. By setting γ = 1, the closed-form solution of ap is expressed as follows:
[0061] スペクトル回帰の多くのメリットの１つは、それが一様な学習アプローチを提供することである。サンプルが全てラベル付けされている場合、スペクトル回帰は、正則化された判別分析と本質的に同じである。この場合には、疎行列Ｗはブロック対角になり、（３）における応答ｙは以下に等しい： [0061] One of the many benefits of spectral regression is that it provides a uniform learning approach. When all samples are labeled, spectral regression is essentially the same as regularized discriminant analysis. In this case, the sparse matrix W is block diagonal and the response y in (3) is equal to:
ここで、ｌｐはｐ番目のクラスに属するサンプルの数であり、ｃはクラスの総数である。他方、サンプルが全てラベル付けされていない場合、スペクトル回帰は自然な標本外拡張能力をもったスペクトルクラスタリング技法になり、その目的関数は以下である。 Here, l p is the number of samples belonging to the p-th class, and c is the total number of classes. On the other hand, if all the samples are not labeled, spectral regression is a spectral clustering technique with natural out-of-sample expansion capability, whose objective function is:
[0062] 式（７）は、応答ｙｉとｙｊは、ｉ番目のサンプルとｊ番目のサンプルが類似している場合、お互いに近くなるべきである。（３）における問題の固有ベクトルは、（７）における問題の最適解を生む。半教師あり学習の場合において、（３）における固有問題の解としての応答ｙｉとｙｊは、ｉ番目とｊ番目のサンプルが同じクラスに属する場合、可能な限り近くなり得る。そのような特性は、同じラベル付けされたサンプルが同じまたは類似の応答を有することが期待されるので、半教師あり学習にとって必須である。 [0062] Equation (7) shows that the responses y i and y j should be close to each other if the i th sample and the j th sample are similar. The eigenvector of the problem in (3) yields the optimal solution of the problem in (7). In the case of semi-supervised learning, the responses y i and y j as solutions of eigenproblems in (3) can be as close as possible when the i-th and j-th samples belong to the same class. Such characteristics are essential for semi-supervised learning because the same labeled sample is expected to have the same or similar response.
[0063] スペクトル回帰の他の重要なメリットは、再生核ヒルベルト空間に全てのサンプルを写像することによって、非線形判別分析に簡単に拡張され得ることである。そして、我々は、高次元な特徴空間においてスペクトル分析を実行する事ができ、それはスペクトル回帰カーネル判別分析（spectral regression kernel discriminant analysis：ＳＲＫＤＡ）と呼ばれる。この場合、（５）におけるａｐの閉形式解は以下になる。 [0063] Another important advantage of spectral regression is that it can be easily extended to non-linear discriminant analysis by mapping all samples to the reconstructed kernel Hilbert space. And we can perform spectral analysis in a high-dimensional feature space, which is called spectral regression kernel discriminant analysis (SRKDA). In this case, the closed form solution of ap in (5) is
[0064] ここで、Ｋはｎ x n行列であり、その要素Ｋｉ，ｊはＫ（ｘｉ，ｘｊ）であり、Ｋ（・，・）はカーネル関数である。あるアプローチにおいて、ガウスカーネルが選択され、用いられる。ＳＲＫＤＡは、更に以下に詳細に記載されるように、ある臨床的および実験的アプローチにおいて利用されていた。 Here, K is an nxn matrix, its elements K i, j are K (x i , x j ), and K (·, ·) is a kernel function. In one approach, a Gaussian kernel is selected and used. SRKDA has been utilized in certain clinical and experimental approaches, as described in further detail below.
[0065] ＳＲＫＤＡアルゴリズムにおいて最適化されるべき２つの重要なパラメータがある：（２）におけるヒートカーネル（heat kernel）の標準偏差σと非線形（即ち、ガウス）カーネル関数Ｋ（・，・）の標準偏差。ヒートカーネルの標準偏差σは以下のように推定される。 [0065] There are two important parameters to be optimized in the SRKDA algorithm: the standard deviation σ of the heat kernel in (2) and the standard of the non-linear (ie Gaussian) kernel function K (•, •) deviation. The standard deviation σ of the heat kernel is estimated as follows.
ここで、ｎはトレーニングサンプルの総数である。あるアプローチにおいて、パラメータσは、所与のトレーニングデータセットの中で個別の交差検証を行うことによって最適化され得る。しかし、所与のトレーニングデータセットに対してσをオーバーチューニングし、モデルの一般化可能性を妥協することのリスクがある。対照的に、（９）におけるσの推定は得るのが簡単であり、その値は、交差検証アプローチを採ることによって得られたであろうものに類似する。従って、ある実施形態では、ガウスカーネル関数 Ｋ（・，・）の標準偏差は（９）におけるように推定される。 Here, n is the total number of training samples. In one approach, the parameter σ can be optimized by performing individual cross-validation within a given training data set. However, there is a risk of over-tuning σ for a given training data set and compromising the generalizability of the model. In contrast, the estimate of σ in (9) is easy to obtain and its value is similar to that which would have been obtained by taking a cross-validation approach. Thus, in one embodiment, the standard deviation of the Gaussian kernel function K (•, •) is estimated as in (9).
［臨床例］
[0066] この中に記載されたシステムと方法を検証するために、ＩＣＰ、ＣＢＦＶ、および、ＥＣＧデータを備えるデータセットが、２００８年７月１５日から２０１１年１１月１６日の間にＵＣＬＡメディカウセンターの神経系ＩＣＵと病棟ユニットに収容された９０人の患者（年齢：１８−９２［中央値：４７］、性別：男性４７／女性４３）から収集された。彼らの中で、４４人の患者がＴＢＩを患っており、３６人がＳＡＨを有し、残りがＮＰＨの疑いありと診断された。表１は、患者の診断と人数統計情報を要約している。
[Clinical cases]
[0066] In order to verify the systems and methods described herein, a dataset comprising ICP, CBFV, and ECG data was published between 15 July 2008 and 16 November 2011. Collected from 90 patients (age: 18-92 [median: 47], sex: male 47 / female 43) housed in the central nervous system ICU and ward unit. Among them, 44 patients suffered from TBI, 36 had SAH, and the rest were diagnosed as suspected of NPH. Table 1 summarizes patient diagnosis and population statistics.
[0067] ＩＣＰは、脳損傷のための脳室内カテーテルまたはＮＰＨのための実質内マイクロセンサを用いて、臨床目的のための連続ＩＣＰモニタリングを介して侵襲的に測定された。また、同時の心血管モニタリングが、ベッド脇のＧＥモニタを用いて行われた。ＣＢＦＶ信号はＩＣＰ測定場所に同側であったＭＣＡにおいて得られたが、一方、ＵＣＬＡの神経外科部門の脳血流（Cerebral Blood Flow：ＣＢＦ）ラボラトリに加わっている専門家が、ＴＣＤを用いて患者の脳血行動態の日々の臨床的評価を行った。収集された信号の持続期間は、どれだけ長くＭＣＡのＴＣＤモニタリングがなされ得たかに応じて変わる。典型的に、ＴＣＤモニタリングは、プローブがハンドヘルドでなければならなかったので、３−５分しか続かなかった。この研究は、任意の個人的な健康情報の介入なしに、研究倫理審査委員会によって認可された。 [0067] ICP was measured invasively through continuous ICP monitoring for clinical purposes, using an intraventricular catheter for brain injury or an intraparenchymal microsensor for NPH. Simultaneous cardiovascular monitoring was performed using a bedside GE monitor. CBFV signals were obtained at the MCA that was ipsilateral to the ICP measurement site, while experts participating in the cerebral blood flow (CBF) laboratory of the UCLA neurosurgery department used the TCD. A daily clinical assessment of the patient's cerebral hemodynamics was performed. The duration of the collected signal depends on how long MCA TCD monitoring could be done. Typically, TCD monitoring lasted only 3-5 minutes because the probe had to be handheld. This study was approved by the Research Ethics Review Board without any personal health information intervention.
[0068] 全ての信号は、ＰｏｗｅｒＬａｂデータ取得システム（ＡＤＩｎｓｔｒｕｍｅｎｔｓ社、コロラドスプリングス、コロラド州）に装備されたモバイルカートを介して記録され、それは４００Ｈｚでベッド脇のモニタからのアナログ信号をサンプルする。そして、記録された信号は、更なる分析のために、チャートバイナリファイルフォーマットへ記憶された。 [0068] All signals are recorded via a mobile cart equipped with a PowerLab data acquisition system (AD Instruments, Colorado Springs, CO), which samples an analog signal from a bedside monitor at 400 Hz. The recorded signal was then stored in a chart binary file format for further analysis.
[0069] ＩＣＰの範囲は３つのグループに分割された：平常（＜１５ｍｍＨｇ）、グレイゾーン（１５−３０ｍｍＨｇ）、および、ＩＨ（＞３０ｍｍＨｇ）。１５ｍｍＨｇ以下にあるＩＣＰは平常状態の指標であると決められる。対照的に、ＩＣＰが３０ｍｍＨｇを超える場合に、患者の状態がより大きなリスクにあると決められる。 [0069] The ICP range was divided into three groups: normal (<15 mmHg), gray zone (15-30 mmHg), and IH (> 30 mmHg). An ICP below 15 mmHg is determined to be a normal state index. In contrast, if the ICP exceeds 30 mmHg, it is determined that the patient's condition is at greater risk.
[0070] 日々の脳血行動態評価の各セッションの間に同時に記録された、３−５分の長さのＩＣＰとＣＢＦＶセグメントは、１分のセグメントに分解された。これら１分のセグメントの各々は、１つのサンプル、即ち、１組のＣＢＦＶ構造的特徴を与えるために用いられた。９０人の患者から、１３１のセッションを通じて、５６３のサンプルが得られた。それらのサンプルは、サンプルレベルではなくセッションレベルで、上述のラベル付け基準を適用することによってラベルを割り当てられた。言い換えれば、所与のセッションに属するサンプルのいずれかがＩＨの基準に合致する場合、そのセッションの全てのサンプルがＩＨとしてラベル付けされる。このラベル付けスキームの背景にある理論的根拠は、介護者が最も関心のあることが、患者が所与のセッションの間に少しでもＩＨを経験するかどうかであることにある。セッションの間の１分のセグメントのどれがＩＨに関連付けられるかは、典型的に、あまり関心がない。しかし、あるアプローチでは、ＩＨの発生または複数回のＩＨの発生の特別な時間の特定が与えられる。対照的に、所与のセッションは、そのセッションの中の全てのサンプルが平常（即ち、＜１５ｍｍＨｇ）基準に合致する場合のみ、平常としてラベル付けされる。ＩＨまたは平常としてラベル付けされない任意のセッションは、グレイゾーンとしてラベル付けされる。表２は、我々のラベル付けスキームの結果の概略を示す。４６の平常セッションからの全てのサンプルが１５ｍｍＨｇ以下のＩＣＰに対応しているが、８のＩＨセッションからの４８サンプルのいくつかのみが３０ｍｍＨｇを超えるＩＣＰに対応していることを注記することが重要である。 [0070] The ICP and CBFV segments, 3-5 minutes long, recorded simultaneously during each session of daily cerebral hemodynamic assessment were broken down into 1 minute segments. Each of these 1 minute segments was used to provide one sample, ie, a set of CBFV structural features. From 90 patients, 563 samples were obtained through 131 sessions. The samples were assigned labels by applying the labeling criteria described above at the session level rather than the sample level. In other words, if any of the samples belonging to a given session meet the IH criteria, all samples in that session are labeled as IH. The rationale behind this labeling scheme is that caregivers are most interested in whether a patient experiences any IH during a given session. Which one minute segment during a session is typically not very concerned about which IH is associated with. However, one approach gives the identification of a special time of occurrence of IH or multiple occurrences of IH. In contrast, a given session is labeled as normal only if all samples in that session meet the normal (ie, <15 mmHg) criteria. Any session that is not labeled as IH or normal is labeled as a gray zone. Table 2 outlines the results of our labeling scheme. It is important to note that all samples from 46 normal sessions support ICP below 15 mmHg, but only some of 48 samples from 8 IH sessions support ICP above 30 mmHg It is.
[0071] 上述のラベル付けスキームでもって、我々は、２つの別々の交差検証実験を行った。第１の交差検証実験の目的は、ＩＨサンプルを平常サンプルから区別するためのＳＲＫＤＡの性能を数量化することであった。第１の交差検証実験において、１０分割交差検証がＩＨと平常のサンプル上でのみ実行され、グレイゾーンサンプルはトレーニング目的のためにのみ用いられた。我々は、それらグレイゾーンサンプルを、３つの異なる方法で用いる：教師あり１、教師あり２、および、半教師あり。教師あり１の設定では、グレイゾーンサンプルは２０ｍｍＨｇの従来のＩＨ閾値に基づいてＩＨまたは平常としてラベル付けされ、トレーニング目的のために「ラベル付けされた（labeled）」サンプルとして用いられる。教師あり２の設定では、それらは「ノイズ（noisy）」サンプルとみなされ、完全に捨てられる。最後に、半教師ありの設定では、トレーニング目的のために、「ラベル付けされていない（unlabeled）」サンプルとしてのみ用いられる。我々は、また、ＰＩベースＩＨ検出を我々のベースライン分類指標として考慮し、我々の提案した方法に対してその性能を比較した。 [0071] With the labeling scheme described above, we performed two separate cross-validation experiments. The purpose of the first cross-validation experiment was to quantify the performance of SRKDA to distinguish IH samples from normal samples. In the first cross-validation experiment, 10-fold cross-validation was performed only on IH and normal samples, and gray zone samples were used only for training purposes. We use these gray zone samples in three different ways: supervised 1 , supervised 2 and semi-supervised. In the supervised 1 setting, the gray zone sample is labeled as IH or normal based on a conventional IH threshold of 20 mmHg and used as a “labeled” sample for training purposes. In the supervised 2 setting, they are considered “noisy” samples and are completely discarded. Finally, in the semi-supervised setting, it is only used as an “unlabeled” sample for training purposes. We also considered PI-based IH detection as our baseline classification indicator and compared its performance to our proposed method.
[0072] 第２の交差検証の目的は、ＳＲＫＤＡが、グレイゾーンサンプルをそれらの対応するＩＣＰ値に従って集団化することができるかどうかを検査することであった。この実験において、１０分割交差検証が、半教師あり学習様式においてグレイゾーンサンプル上でのみ行われ、全てのＩＨおよび平常のサンプルはトレーニング目的でのみ用いられる。高血圧のサンプルのラベルは＋１であり、平常のサンプルのラベルは−１であるが、ＳＲＫＤＡの直接出力はラベルの連続的尺度推定である。我々は、主に、グレイゾーンサンプルのこれら連続的尺度推定がそれらの対応するＩＣＰ値と強く相関されているかどうかに関心があった。 [0072] The purpose of the second cross-validation was to check whether SRKDA could cluster gray zone samples according to their corresponding ICP values. In this experiment, 10-fold cross validation is performed only on gray zone samples in a semi-supervised learning mode, and all IH and normal samples are used for training purposes only. The label for the hypertensive sample is +1 and the label for the normal sample is -1, while the direct output of SRKDA is a continuous scale estimate of the label. We were primarily interested in whether these continuous scale estimates of gray zone samples were strongly correlated with their corresponding ICP values.
[0073] 我々の研究における全ての交差検証が患者抜きの方法で行われたことを注記することが重要である。１人の患者からのいくつかのサンプルはトレーニング目的のために用いられ、同じ患者からのサンプルのどれも、テスト目的のためには用いられ得ない。ＩＨ検出の性能は、サンプルレベル上ではなく、セッションレベル上で計算される。上述のように、個々のセッションがＩＨに関連付けられるかどうかを知ることに大きな関心がある。ＳＲＫＤＡの直接の出力が個々のサンプルの連続尺度ラベル推定であるので、我々は、所与のセッションに属する全てのサンプルを集め、セッションのラベルとして、ラベルの最大の値をもつ推定を選択した。 [0073] It is important to note that all cross-validation in our study was performed in a patient-free manner. Several samples from one patient are used for training purposes, and none of the samples from the same patient can be used for testing purposes. The performance of IH detection is calculated on the session level, not on the sample level. As mentioned above, there is a great interest in knowing whether individual sessions are associated with an IH. Since the direct output of SRKDA is a continuous scale label estimate for individual samples, we collected all samples belonging to a given session and selected the estimate with the maximum value of the label as the session label.
[0074] 以下のセクションは、２つの別個の性能測定、即ち、我々の研究の中で用いられた曲線下面積（area under the curve：ＡＵＣ）とデシジョンカーブ分析（decision curve analysis）を記載する。 [0074] The following section describes two separate performance measures: area under the curve (AUC) and decision curve analysis used in our study.
[0075] 曲線下面積： 予測精度は、受診者動作特性（receiver operating characteristic：ＲＯＣ）曲線の下の面積によって測定される。ＲＯＣ曲線下面積は、ランダムに選択された陽性のサンプルのランクがランダムに選択された陰性のサンプルのランクより大きい確立として考えられ得る。近い近隣の数ｋに対して半教師ありＳＲＫＤＡのＡＵＣをプロットすることによって、我々は、半教師あり分類指標の性能上でのｋの影響を検査した。 [0075] Area under the curve: Predictive accuracy is measured by the area under the receiver operating characteristic (ROC) curve. The area under the ROC curve can be considered as the probability that the randomly selected positive sample rank is greater than the randomly selected negative sample rank. By plotting the semi-supervised SRKDA AUC against a number k of nearby neighbors, we examined the effect of k on the performance of the semi-supervised classification index.
[0076] デシジョンカーブ分析： 予測精度測定としてのＡＵＣは、偽陽性（false-positive）と偽陰性（false-negative）の結果の臨床的帰結に重きをおかない。言い換えれば、所与の診断方法を用いることが臨床的に有用であることを、全然、我々に伝えることができない。例えば、診断をミスすることが、病気を不必要に処置することより有害である場合、より高い感度をもった診断法Ａは、より高い特異度をもつがより低い感度を持つ他の診断法Ｂに対して、方法ＡのＡＵＣが方法ＢのＡＵＣより僅かに小さくあり得るけれども、より良い臨床的な選択である。臨床的帰結を組み込むことによって異なる診断法を評価し、比較するために、我々はデシジョンカーブ分析を用いた。デシジョンカーブ分析は、病気の可能性閾値ｐｔの範囲を通じて所与の診断法の純益（即ち、臨床的利益）を引き出す。患者が処置（我々のケースでは侵襲のＩＣＰモニタリング）を選択する病気の可能性閾値ｐｔは、患者の必要（真陽性）と不必要（偽陽性）な処置への重み付けを反映すると決める。しかし、純益を計算する場合、処置を選択するそれら個々にのみ焦点を当てる明瞭な理由はない。最近、処置ありと処置なしの全ての個々のための修正された純益がある。この全純益（overall net benefit）は以下のように表現され得る。 [0076] Decision curve analysis: AUC as a measure of predictive accuracy does not focus on the clinical consequences of false-positive and false-negative results. In other words, we cannot tell us that it is clinically useful to use a given diagnostic method. For example, if a misdiagnosis is more harmful than unnecessarily treating the disease, Diagnostic Method A with higher sensitivity is more sensitive to other diagnostic methods with higher specificity but lower sensitivity. For B, although Method A AUC may be slightly smaller than Method B AUC, it is a better clinical choice. To evaluate and compare different diagnostic methods by incorporating clinical consequences, we used decision curve analysis. Decision curve analysis derives the net benefit (ie, clinical benefit) of a given diagnostic method through a range of disease likelihood thresholds p t . The disease likelihood threshold pt for which the patient chooses treatment (invasive ICP monitoring in our case) is determined to reflect the weighting of the patient's need (true positives) and unnecessary (false positives) treatments. However, when calculating net income, there is no clear reason to focus only on those individuals who choose treatment. Recently, there is a modified net gain for all individuals with and without treatment. This overall net benefit can be expressed as:
[0077] 図５は、第１の交差検証実験における我々のＩＨ検出方法を比較し、破線の緑の線はＰＩベースのＩＨ検出方法（べースライン方法）のものであり、細い一点鎖線の青い線は教師あり１のＩＨ検出方法のものであり、太い一点鎖線のライトブルーの線は教師あり２のＩＨ検出方法のものであり、赤の実線は半教師ありｋのＩＨ検出方法のものである。半教師ありｋのＩＨ検出方法のみがｋを探索するために近隣の数を扱わなければならないので、全ての他の方法のＡＵＣは、ｋの範囲全体を通じて一定であった。各線とグレイの領域は、平均ＡＵＣと複数（＝１００）分割交差検証上の１つの標準偏差変位を表す。図５において指摘すべき幾つかの興味深い態様がある。第１に、我々が提案したＩＨ検出方法の全てが、ＰＩベースのＩＨ検出方法より十分に良好である。第２に、教師あり１のＩＨ検出方法は、教師あり２のＩＨ検出方法より僅かに悪い。それは、２０ｍｍＨｇに基づいてグレイゾーンサンプルをラベル付けデータとして利用することが、実際、ＳＲＫＤＡ分類指標の予測精度を悪化させていることを示している。第３に、半教師ありｋのＩＨ検出方法は、ｋが増加すると増加する傾向にある。 [0077] FIG. 5 compares our IH detection method in the first cross-validation experiment. The dashed green line is that of the PI-based IH detection method (baseline method), and the thin one-dot chain line is blue. The line is for the supervised 1 IH detection method, the thick one-dot chain light blue line is for the supervised 2 IH detection method, and the red solid line is for the semisupervised k IH detection method. is there. Since only the semi-supervised k IH detection method has to deal with the number of neighbors to search for k, the AUC of all other methods was constant throughout the range of k. Each line and gray area represents the average AUC and one standard deviation displacement on multiple (= 100) split cross-validation. There are several interesting aspects to note in FIG. First, all of the IH detection methods we have proposed are much better than the PI-based IH detection method. Second, the supervised 1 IH detection method is slightly worse than the supervised 2 IH detection method. It shows that the use of gray zone samples as labeling data based on 20 mmHg actually deteriorates the prediction accuracy of the SRKDA classification index. Third, semi-supervised k IH detection methods tend to increase as k increases.
[0078] 図６は、第１の交差検証実験におけるＩＨ検出方法のデシジョンカーブ（純益 対 可能性閾値ｐｔ）を示す。ＰＩベースのＩＨ検出方法の純益（緑の破線）は、０．１４から０．２７までのｐｔの非常に狭い範囲上でのみ、２つの極端なアプローチ（即ち、全てに対して処置すること（Treat-All）と誰に対しても処置しないこと（Treat-None））の純益よりも僅かに良い。対照的に、構造的特徴に基づく我々の提案した方法の純益は、ｐｔの広い範囲上で２つの極端なアプローチの純益よりも著しく良い。 FIG. 6 shows a decision curve (net profit vs. probability threshold p t ) of the IH detection method in the first cross-validation experiment. Net of PI-based IH detecting process (dashed green line) is only on a very narrow range of p t from 0.14 to 0.27, two extreme approaches (i.e., treating to all It is slightly better than the net profit of (Treat-All) and No treatment for anyone (Treat-None). In contrast, net of our proposed method based on structural features, significantly better than the net of the two extreme approaches on a wide range of p t.
[0079] 図５は、また、質的な意味において、教師あり方法を超える半教師ありＩＨ検出方法の優れた性能を明らかにしている。しかし、図６のデシジョンカーブがお互いに交差しているので、量的な性能の比較をすることは取るに足りないことではない。表３は、ｐｔの全体の範囲を通じて、各ＩＨ検出方法の純益と２つの極端なアプローチの純益との間の平均化された差として、各ＩＨ検出方法の純益利得の概略を示している。純益利得は、２つの極端なアプローチ（即ち、全てに対して処置することと誰に対しても処置しないこと）を超えて特異なＩＨ検出方法を用いることによって達成され得る真の純益の程度を測定することを企てる。表３にリストされた純益利得は、半教師ありＩＨ検出方法が他の方法よりも顕著に良く、ＰＩベースのＩＨ検出が全てに対して処置することと誰に対しても処置しないことのアプローチよりも良くはならないことを、明瞭に証明している。 [0079] FIG. 5 also reveals the superior performance of the semi-supervised IH detection method over the supervised method in a qualitative sense. However, since the decision curves in FIG. 6 intersect each other, it is not trivial to compare the quantitative performance. Table 3, throughout the range of p t, the averaged difference between the profit of the net and the two extreme approaches the IH detecting process, shows an outline of net gain of each IH detection method . Net profit gain is the degree of true net profit that can be achieved by using a unique IH detection method beyond two extreme approaches (ie, treating all and not treating anyone). Attempts to measure. The net gains listed in Table 3 show that the semi-supervised IH detection method is significantly better than the other methods, and that the PI-based IH detection treats everything and does not treat anyone It clearly proves that it will not be better.
[0080] 図７は、グレイゾーンサンプルの連続尺度ラベル推定がｙ軸上にあり、対応するＩＣＰ値がｘ軸上にある、第２の交差検証実験の結果を可視化している。連続尺度ラベル推定は、対応するＩＣＰ値が増加すると増加する傾向にあり、それらの間の相関係数は、２ｅ−４のｐ値で０．５５であった。 [0080] FIG. 7 visualizes the results of a second cross-validation experiment in which the continuous scale label estimate of the gray zone sample is on the y-axis and the corresponding ICP value is on the x-axis. Continuous scale label estimates tended to increase as the corresponding ICP value increased, and the correlation coefficient between them was 0.55 with a p-value of 2e-4.
[0081] （４）における正則化パラメータαは、その複雑さ、即ち、 [0081] The regularization parameter α in (4) is its complexity, ie,
に罰則をかけることによって最小二乗解ａｐの過剰適合を避けるためにある。あるアプローチでは、このパラメータは、トレーニングデータセットの中で個別の交差検証を行うことによって最適化され得る。代わりに、予備的なデータセット上でＳＲＫＤＡをテストすることによって、我々は、その値が小さく（＜０．０１）ある限り、正則化パラメータαがＳＲＫＤＡの性能に大きくは影響しないことを学習した。従って、この中に記載される臨床データセットと分析等のあるアプローチにおいて、αは０．０１に設定される。 To avoid overfitting the least squares solution ap . In one approach, this parameter can be optimized by performing a separate cross-validation in the training data set. Instead, by testing SRKDA on a preliminary data set, we learned that as long as its value is small (<0.01), the regularization parameter α does not significantly affect the performance of SRKDA. . Thus, in some approaches such as the clinical data set and analysis described therein, α is set to 0.01.
[0082] この中に記載される臨床データの分析のために用いられるアプローチ等のあるアプローチにおいて、幾つかの構造的特徴間の相関はありそうであるが、特徴選択方法は用いられない。従って、あるアプローチにおいて、特徴間の相関を利用する特徴選択方法が実装される。ＳＲＫＤＡ等の非線形カーネルベースの分類方法は、特徴選択または特徴重み付けが分類の目的のために不必要であるように、高次元データを分類することにおいて効果的である。本データについて、特徴選択技法はＩＨ検出方法のための顕著な性能改善は提供しなかった。しかし、図３に示されたように、ＥＣＧ−ＱＲＳと最初のトロフとの間の時間遅延は、正確なＩＨ検出のための１つの最も重要な特徴であったことが注記されるべきである。我々のシミュレーション研究から単にこの特徴を除外することによって、ＩＨ検出の性能は、平均で〜１０％まで劣化した。その程度にＩＨ検出の性能に影響した特徴の他のサブセットはなかった。 [0082] In some approaches, such as the approach used for the analysis of clinical data described herein, a correlation between several structural features is likely, but no feature selection method is used. Thus, in one approach, a feature selection method that utilizes correlation between features is implemented. Nonlinear kernel-based classification methods such as SRKDA are effective in classifying high-dimensional data such that feature selection or feature weighting is unnecessary for classification purposes. For this data, the feature selection technique did not provide a significant performance improvement for the IH detection method. However, as shown in FIG. 3, it should be noted that the time delay between the ECG-QRS and the first trough was one of the most important features for accurate IH detection. . By simply excluding this feature from our simulation studies, the performance of IH detection degraded to an average of -10%. There was no other subset of features that affected the performance of IH detection to that extent.
[0083] 図５と６における我々の交差検証結果は、ＣＢＦＶ ＰＩが、パルス構造メトリクスの完全な組を用いることに比較して、上昇したＩＣＰをあまり良くは反映しないことを、明瞭に示している。報告されたＰＩ−ＩＣＰ相関性質における変化は、ＣＢＦＶ ＰＩが動脈血圧や年齢を含む多くの他の要因によって影響されるという事実に帰し得る。加えて、この研究では３つの非常に異なる患者の個体群があって、それがＰＩ−ＩＣＰ関係を更に混乱させている。我々のアプローチの優れた性能は、ＳＲＫＤＡモデルが、ＩＰＣ状態に関連しない要因によって殆ど混乱されない、構造的メトリクスの与えられた組から判別可能な特徴を暗黙的に選択することができ得ることを示している。 [0083] Our cross-validation results in FIGS. 5 and 6 clearly show that CBFV PI does not reflect the elevated ICP much better compared to using the full set of pulse structure metrics. Yes. Changes in the reported PI-ICP correlation properties can be attributed to the fact that CBFV PI is affected by many other factors including arterial blood pressure and age. In addition, there are three very different patient populations in this study, which further disrupts the PI-ICP relationship. The superior performance of our approach shows that the SRKDA model can implicitly select distinguishable features from a given set of structural metrics that are hardly confused by factors not related to the IPC state. ing.
[0084] 図５に示されているように、半教師ありＩＨ検出方法の性能（即ち、予測精度）は、近い近隣（または、サンプル）ｋの数が増加すると改善される。この認定は、重み行列Ｗが大きなｋでよりより密になり、ラベル付けされていないサンプルとラベル付けされているサンプルの中での固有のデータ構造が、ＳＲＫＤＡの予測力を改善するために、より広い範囲にわたって探索され得るとの事実を指摘することによって説明され得る。デシジョンカーブ分析は、半教師ありＩＨ検出方法が大きなｋでもってより良く働くとのアイデアをサポートする図６と表３の結果となる。 [0084] As shown in FIG. 5, the performance (ie, prediction accuracy) of the semi-supervised IH detection method improves as the number of nearby neighbors (or samples) k increases. This qualification makes the weight matrix W more dense with large k, and the unique data structure among the unlabeled and labeled samples improves the predictive power of SRKDA. It can be explained by pointing out the fact that it can be searched over a wider range. Decision curve analysis results in FIG. 6 and Table 3, which support the idea that the semi-supervised IH detection method works better with large k.
[0085] サンプルレベル上での提案のＩＨ検出方法の性能は、セッションレベル上での性能よりも顕著に低かった。１つの可能な説明は、ＣＢＦＶがＣＢＦ自己調節能により遅延した仕方でＩＣＰに上昇に応答し得ることである。急性ＩＣＰ上昇が起こる場合、固有の低利的遅延が、ＣＢＦＶパルス構造変化を見るために避けられない。その遅延は、通常、損傷を受けていない自己調節能について１０−２０ｓである。従って、あるアプローチにおいて、ＩＨ検出はセッションレベル上で用いられる。 [0085] The performance of the proposed IH detection method on the sample level was significantly lower than the performance on the session level. One possible explanation is that CBFV can respond to an increase in ICP in a manner delayed by CBF self-regulation. When acute ICP elevation occurs, an inherent low interest delay is unavoidable in order to see CBFV pulse structure changes. The delay is typically 10-20 s for undamaged self-regulation. Thus, in one approach, IH detection is used on the session level.
[0086] デシジョンカーブ分析はモデルの有用性に専念しているが、ＲＯＣ曲線分析は、所与の予測モデルの精度にのみ焦点を合わせられている。結果として、後者に基づく最適動作点は、前者に基づく最適動作点とは全く異なっている。典型的に、ＲＯＣ曲線に基づく最適動作点は、Ｙｏｕｄｅｎ率（即ち、感度＋特異度−１）が最大化される動作点である。この最適な動作点と対応する閾値は、最適精度動作点と最適精度閾値ｐａと呼ばれる。しかし、最適精度閾値ｐａをもった予測モデルの純益は、ｐｔが最適精度敷地から離れるとすぐに、２つの極端なアプローチの純益以下に落ちる。この最適動作点と対応する閾値は、最適純益動作点と最適純益閾値と呼ばれる。ＲＯＣ曲線上での最適純益動作点は、その傾斜が以下に等しい点として決定される。 [0086] While decision curve analysis is dedicated to the usefulness of the model, ROC curve analysis focuses only on the accuracy of a given predictive model. As a result, the optimum operating point based on the latter is completely different from the optimum operating point based on the former. Typically, the optimal operating point based on the ROC curve is the operating point at which the Youden rate (ie sensitivity + specificity-1) is maximized. Threshold corresponding to the optimum operating point, called the Optimal precision operating point and optimum accuracy threshold p a. However, net prediction model with optimal accuracy threshold p a as soon as p t leaves the best accuracy on site, falls below net of two extreme approaches. The threshold value corresponding to the optimum operating point is called the optimum net profit operating point and the optimum net profit threshold. The optimal net profit operating point on the ROC curve is determined as the point whose slope is equal to:
ここで、 here,
は全ての陽性サンプルの部分である。この最適純益動作点は、それがｐｔの特異値において純益を最大にするという意味で「最適（optimal）」である。 Is part of all positive samples. The optimum net operating point is "ideal (optimal)" in the sense that it maximizes the net in the singular values of p t.
[0087] 図８は、半教師あり２００ＩＨ検出方法のＲＯＣ曲線上の３つの異なる動作点を示し、赤の点はｐａ＝０．１２をもった最適精度動作点のものであり、緑の点はｐｔ＝０．２の最適純益動作点のものであり、青の点はｐｔ＝０．４の最適純益動作点のものである。ｐａ＝０．１２をもった半教師あり２００ＩＨ検出方法は、最適精度性能をもたらし得る。しかし、それは、ｐｔが０．１２に近いときのみ、全てに対して処置する、または、誰に対しても処置しない、のアプローチより良好な純益をもたらし得、それは、ｐｔの高い値が選択された場合、事実上無用である。図８は、なぜ、高い感度の予測モデルがｐｔの小さい値でもって好適とされ、他方で、高い特異度の予測モデルがｐｔの大きい値で好適とされるか、を良く示している。 [0087] Figure 8 shows three different operating points on the ROC curve of the semi-supervised 200 the IH detecting process, the red points are of optimum precision operation point having a p a = 0.12, green the points are those of the optimal net operating point of p t = 0.2, blue dot is of optimal net operating point of p t = 0.4. A semi-supervised 200 IH detection method with p a = 0.12 may yield optimal accuracy performance. However, it is when p t is close to 0.12 only treated for all, or not be treated to everyone, can lead to better net than approach, it is highly p t value If selected, it is virtually useless. Figure 8 is why, predictive models of high sensitivity is to be preferred with a small value of p t, on the other hand, the prediction model of high specificity indicates good or, is to be preferred in a large value of p t .
[0088] この中に記載されたＩＨ診断ツールは、適当なｐｔが異なり得る臨床用途の多様な組において用いられ得る。かくして、ＩＨ診断を得ることの意図された用途に合うために異なるモデルとそれらの動作点を選択するためにデシジョンカーブ分析を行うことは、非常に有用である。 [0088] The IH diagnostic tools described herein can be used in a diverse set of clinical applications where the appropriate pt can vary. Thus, it is very useful to perform a decision curve analysis to select different models and their operating points to suit the intended use of obtaining an IH diagnosis.
[0089] しかし、我々の結果は、異種の患者個体群からのデータを扱うことについて、ＣＢＦＶパルスの構造的メトリクスの組を用いることがＰＩ等の単一のメトリクスを用いることより有望であることを示したが、脳損傷および水頭症の患者からのデータを用いてトレーニングされたＳＲＫＤＡモデルが、ＩＩＨ患者個体群に推定し得るかどうかを調べることに関心が残る。 [0089] However, our results show that using a set of structural metrics for CBFV pulses is more promising than using a single metric such as PI for handling data from heterogeneous patient populations. However, it remains of interest to investigate whether the SRKDA model trained with data from patients with brain injury and hydrocephalus can be estimated for the IIH patient population.
[0090] ２０ｍｍＨｇのＩＣＰレベルは、ＩＨの実例を定義するための従来の閾値である。しかし、それは、やや恣意的であり、多くの偽陽性刑法の原因となる傾向にある。あるアプローチにおいて、この中に書かれたシステムと方法は、ＩＣＰ範囲を３つのグループに分割する：平常（＜１５ｍｍＨｇ）、グレイゾーン（１５−３０ｍｍＨｇ）、および、ＩＨ（＞３０ｍｍＨｇ）。ＳＲＫＤＡアルゴリズムを採用することによって、グレイゾーンサンプルがラベルなしデータとして扱われる半教師あり学習アプローチが、伝統的な教師あり学習アプローチよりＩＨ検出にとってより適していることを実証した。 [0090] The ICP level of 20 mmHg is a conventional threshold for defining an IH instance. However, it is somewhat arbitrary and tends to cause many false positive criminal laws. In one approach, the system and method described therein divides the ICP range into three groups: normal (<15 mmHg), gray zone (15-30 mmHg), and IH (> 30 mmHg). By employing the SRKDA algorithm, we have demonstrated that the semi-supervised learning approach in which gray zone samples are treated as unlabeled data is more suitable for IH detection than the traditional supervised learning approach.
[0091] 記載されたもの、および、フロー図に示されたものなどの上記ステップは、図に示されたり記載されたりした順番や流れに限定されない任意の順番または流れで実行され、または、行われることが理解されるべきである。あるアプローチでは、ステップは除外され得る。あるアプローチでは、ステップは加えられ、または、組み合され得る。追加として、または、代替として、上記ステップのいくつかは、待ち時間や処理時間を減らすために、適当な場合にはほぼ同時に、または、並列に実行され、または、行われ得る。 [0091] The above steps, such as those described and shown in the flow diagrams, may be performed in any order or flow that is not limited to the order or flow shown or described in the figures, or It should be understood that In some approaches, steps can be excluded. In certain approaches, steps may be added or combined. Additionally or alternatively, some of the above steps may be performed or performed at approximately the same time or in parallel, as appropriate, to reduce latency and processing time.
[0092] この中に開示された方法論は、好ましくは、脳の血流をモニタリングすることによって潜在的な脳の外傷を検出するように設計された経頭蓋ドプラ（Transcranial Doppler：ＴＣＤ）システムを有した超音波トランスデューサ位置決め機構を用いることによって可能とされる。これは、患者の頭のどちらかの側に超音波トランスデューサを位置決めし、超音波ドプラフロー信号を最大化するためにトランスデューサを最適に位置決めすることによって達成される。 [0092] The methodology disclosed therein preferably has a Transcranial Doppler (TCD) system designed to detect potential brain trauma by monitoring cerebral blood flow. This is possible by using an ultrasonic transducer positioning mechanism. This is accomplished by positioning the ultrasound transducer on either side of the patient's head and optimally positioning the transducer to maximize the ultrasound Doppler flow signal.
[0093] 使用において、超音波トランスデューサ位置決め機構（Ultrasonic Transducer Positioning mechanism：ＵＴＰＭ）は、患者の頭の両方の側のこめかみ領域に隣接して置かれる。患者の頭と耳たぶの上方の交線は、機構の筐体の置き場所のための基準のランドマークを与える。示されるようなハンドヘルドプローブが用いられ得るが、頭に対する筐体の位置は、分離したヘッドギア器具への取付け具を介して、望むように維持される。 [0093] In use, an Ultrasonic Transducer Positioning mechanism (UTPM) is placed adjacent to the temple areas on both sides of the patient's head. The line of intersection above the patient's head and earlobe provides a reference landmark for the housing location of the mechanism. Although a handheld probe as shown can be used, the position of the housing relative to the head is maintained as desired via attachment to a separate headgear instrument.
[0094] 超音波トランスデューサ位置決め機構は、最小の骨による減衰と脳の動脈への超音波照射の零度の角度を介して最良のドプラフロー信号を与えるために、患者の頭の上の最適な場所を求める。即ち、機構は、機構の駆動回路へのＸＹＺ ＋ ＸＹ傾斜コマンドを介して信号最大化に努めるプロセッシングユニットの指示のもとにトランスデューサを位置決めする。好ましくは、機構は、自立したスキャンと位置決めをすることができる。 [0094] The ultrasound transducer positioning mechanism optimizes the location on the patient's head to provide the best Doppler flow signal through minimal bone attenuation and zero degree of ultrasound exposure to the brain arteries. Ask. That is, the mechanism positions the transducer under the direction of a processing unit that seeks to maximize the signal via an XYZ + XY tilt command to the drive circuit of the mechanism. Preferably, the mechanism is capable of independent scanning and positioning.
[0095] 図１０と１１は、この中に記載されたＣＢＦＶの生データを集めることにおける使用のためのポータブル経頭蓋ドプラデバイス２０の正面図と背面図である。デバイス２０は、タッチセンサ付のＬＣＤであってよいディスプレイスクリーン２４をもった、従来のスマートホンと非常に似た大きさと形状を有する本体２２を含む。超音波プローブ２６がデバイスの背部のホルスタ２８の中に収納され、磁気的に固定され得る。様々な制御部が、上側パネル３０、または、スクリーン２４の下側のボタン３２として与えられ得る。ポータブルデバイスはいずれかの手で動作し、ディスプレイスクリーン２４は所与の方向に調整され得る。専門家は、ホルスタ２８から超音波プローブ２６を抜き、それを患者の頭の上の領域、典型的にはこめかみの一方の辺り、に当てる。そして、ＣＢＦＶの生データの測定が時間期間の間に採られ、記録される。同じプロセススキャンが異なる場所で繰り返され、完全に非侵襲である。好ましくは、胎児の超音波プローブのために典型的に用いられるような超音波カップリングゲルが、患者への快適さを増すため、および、表皮と真皮とを通した超音波の伝達を向上するために用いられる。
[0095] FIGS. 10 and 11 are front and back views of a portable
[0096] 図１２は、その正面にディスプレイスクリーン４２を有する自動化されたＴＣＤヘッドセット４０を示す。より具体的には、ヘッドセット４０は、両側に２つの超音波プローブ４４と、２つのプローブを接続するように正面の周囲に伸びるヘッドバンド４６とを含む。図１２Ａと１２Ｂに見られるように、ＴＣＤヘッドセット４０は、プローブ４４が両方のこめかみに位置付けられ、患者の頭蓋にぴったり合う。プローブ４４は、中大脳動脈（middle cerebral artery：ＭＣＡ）を自動位置決めすることができるＴＣＤスキャナをその中に含む。望ましくは、ヘッドセット４６は弾性であり、プローブ４４の内側の面がこめかみとの良好な接触をつくるように、ヘッドセットが、様々な異なる頭の大きさの頭の正面上に引っかかるようにしてぴったり合うことを可能にする。再び、好ましくは、潤滑ゲルが、音響伝達を向上するために用いられる。
[0096] FIG. 12 shows an
[0097] 図１３は、患者によって装着され、前頭ストラプ５２、後部ストラップ５４、および、頭蓋ストラップ５６を有する、他の例示のＴＣＤヘッドセット５０の側面図である。ストラップ５２、５４、５６は、頭の上にヘッドセットを固定する助けとなり、特に、一対の往復するＴＣＤスキャナ５８の両方のこめかみとの良好な接触を確実にする。ＴＣＤスキャナ５８は、３つのストラップ５２、５４、５６の交差点における接合部材６０に、動きの矢印によって示されたように、前方向と後ろ方向への往復のために設けられる。一実施形態において、ＴＣＤスキャナ５８は、ＸＹスキャン平面に垂直なＺ軸を中心として、各方向に約６０度回転する。示されていないが、接合部材６０の中の小型モータが、スキャナ５８の動きを可能にする。
FIG. 13 is a side view of another
[0098] ３つのストラップ５２、５４、５６のシステムは、ヘッドセット５０を所定位置に保つことにおいて、極めて効果的である。頭蓋ストラップ５６は、調節可能とするためにＶｅｌｃｒｏ（登録商標）の切れ目を含み、後部ストラップ５４は望ましくは弾性で、各接合部材６０上の一対の締めノブ６２と前頭ストラップ５２の中央における締めノブ６４が、Ｘ−Ｙ較正のためのスキャナ５８の位置の微細な調節を可能にする。頭蓋ストラップ５６は、一度固定されたヘッドセット５０のあごと関連する筋肉の動きによる移動を制限する助けとなる。
[0098] The system of three
[0099] ケーブル６６は、タブレットコンピュータ等の制御ユニットへの接続のために接合部材６０に取り付けられ得、または、システムは無線であってもよい。望ましくは、各スキャナ５８は、内側の接触面への潤滑ゲルの挿入のために、好ましくは導管へのへこんだ誘導路によって形成された注入ポート６８を含む。これは、ゲルの散らばった付与を減少させる助けとなる。好ましい実施形態において、各スキャナ５８の内側のＴＣＤセンサは、音響的な接触を最適化するために、Ｚ方向に、または、こめかみに向かって、および、こめかみから離れる方向に、ずらされ得る。
[0099] A
[00100] 図１４Ａは、患者の頭の側部上のソフトマウンティング脚１０２上に位置された例示のＴＣＤヘッドセット１００の斜視図である。患者の頭の２つの大きさ、小さいＳと大きいＬ、が、患者の異なる大きさに対するヘッドセット１００の調節可能範囲を示すために輪郭線の中に示される。外側のハウジング１０４は、ヘッドセット１００の内側のコンポーネントを可視化するために見せかけで示される。
[00100] FIG. 14A is a perspective view of an
[00101] 図１４Ｂは、明瞭化のために装着者の頭の外形に対する外側のハウジング１０４を示し、また、ストラップ１１０によって第１のセットに接続された患者の頭の反対の側上の第２のヘッドセット１００を示す。好ましくは、各ヘッドセット１００は、頭に対してセットのクッションとなり、また、頭と外側のハウジング１０４との間に幾分かのスペースを与えるために、小さな吸引リングに似た複数のマウンティング脚１０２を有する。望ましくは、各側部に３つのマウンティング脚１０２がある。ヘッドセット１００は、ストラップ１１０に張力をかけることによって固定される。示されているように、１つの前頭ストラップ１１０があり、または、上述したように、後部の周りに１つと頭蓋上に１つがあってもよい。
[00101] FIG. 14B shows the
[00102] 図１５Ａと１５Ｂを参照して、図１４Ａと１４ＢのＴＣＤヘッドセットの側面方向から見た図が、ハウジング１０２が取り除かれた状態で示される。ハウジングの中には、スキャナ１２０が、一対の斜めのレール１２４上をスライドするキャリッジ１２２上に設けられる。キャリッジ１２２は、小さい歯とかみ合う駆動ギアを回す小型モータを含む。モータ１３０は、遠隔で、または、配線によって制御され得、従って、キャリッジ１２２は、レール１２４に沿って斜めに動かされ得る。
[00102] Referring to FIGS. 15A and 15B, a side view of the TCD headset of FIGS. 14A and 14B is shown with the
[00103] キャリッジ１２２上に設けられたＴＣＤスキャナ１２０は、対象者のこめかみの領域上を動かされ得る。ヘッドセット１００は、望ましくは、破線の四角の領域１５０によって示されたような約２平方インチ（sq in）の領域をスキャンすることができる。領域１５０の全体をカバーするために、レール１２４の上側端は、ほぼ水平な経路に沿って側方に並進運動するフレーム部材１５２に旋回可能に付く。より具体的には、フレーム部材１５２上の旋回点１５４は、ピストン／シリンダ関係でシリンダ１５８によって動かされ得る並進運動ロッド１５６に接続する。代替的にシリンダ１５８は、旋回点１５４の反対側のロッド１５６の端部に係合する小型モータを含み得、それを側方に並進運動する。この動きを達成するためのいくつかの方法があるが、各々は、ターゲット領域１５０上のＸＹ平面におけるスキャナ１４０の協調された２次元の動きのためのキャリッジ１２２の動きと共に制御される。
[00103] The
[00104] 加えて、キャリッジ１２２上の動きのために設けられたスキャナ１４０を取り囲むロボットアームが、好ましくはステッパモータ１６０によって作動されるＺ軸変位デバイスを有する。ロボットアームは、更に、一貫した信号品質のために、皮膚に対するスキャナ１４０の十分な圧力を維持する圧力センサ（図示されず）を装備される。この一定の圧力は、患者の動きに関連した変動問題のいくつかとＴＣＤに対処する助けとなる。
[00104] In addition, the robot arm surrounding the
[00105] 好ましい機構に関して、ＸＹＺ軸＋ＸＹ傾斜に沿った並進直線運動は、ローカルなモータ制御ユニット（Motion Control Unit：ＭＣＵ）によって駆動されるステッパモータの使用を介して達成される。サーボフィードバックが、ステップのコマンド数が達成されていることを確実にするために与えられる。サーボフィードバック信号は、逆起電力（reverse EMF）またはＭＣＵに与えられるエンコーダ信号の形をとる。 [00105] With respect to the preferred mechanism, translational linear motion along the XYZ axis + XY tilt is achieved through the use of a stepper motor driven by a local motor control unit (MCU). Servo feedback is provided to ensure that the step command count is achieved. The servo feedback signal takes the form of a reverse electromotive force (reverse EMF) or an encoder signal applied to the MCU.
[00106] コマンドセット： ＸＹＺ軸＋ＸＹ傾斜の動きは、ＴＰＵプロセッサを介して制御される。任意の軸に沿った動きのためのコマンドは、各軸に沿って動かされるために、ステップの増加数を示す符号付きの整数の形式である。好ましくは、傾斜／旋回運動の制御もある。 [00106] Command Set: XYZ axis + XY tilt movement is controlled via the TPU processor. Commands for movement along any axis are in the form of a signed integer indicating the number of steps to be moved along each axis. Preferably, there is also control of tilt / swivel movement.
[00107] いくつかの頭の大きさに合うことができるユニットが、広範な採用のために重要である。ヘッドマウントが正しく合わない場合、ＴＣＤプローブは最適な信号を獲得できない。開示された設計は、ヘッドセットの固定（anchoring）とロボット機構を分離してこの懸念に対処している。これは、ユーザが、信号に達するための超音波機構へのインパクト無しで、任意の大きさの頭にヘッドセットを合わせることを可能にする。 [00107] A unit that can fit several head sizes is important for widespread adoption. If the head mount does not fit correctly, the TCD probe cannot obtain an optimal signal. The disclosed design addresses this concern by separating the anchoring of the headset from the robotic mechanism. This allows the user to fit the headset to an arbitrarily sized head without impacting the ultrasound mechanism to reach the signal.
[00108] ヘッドセットの実施形態の各々は、使用後に全ての超音波カップリングゲルを除かれることができる。好ましくは、ふき取りまたは他の同様なデバイスが、機構の中の異物の蓄積から機構を保護するために与えられる。選択される材料は、医者のオフィスや臨床現場でルーチン的に用いられる水、イソプロピルアルコール、他の洗浄剤での線上に耐えなければならない。好ましい形態では、ヘッドセットは、１０オンスよりも重くてはいけない。 [00108] Each of the headset embodiments can have all of the ultrasonic coupling gel removed after use. Preferably, a wipe or other similar device is provided to protect the mechanism from foreign material accumulation in the mechanism. The selected material must withstand the lines of water, isopropyl alcohol, and other cleaning agents routinely used in doctors' offices and clinical settings. In a preferred form, the headset should not be heavier than 10 ounces.
[00109] 以上は、単に、本開示の原理の例示であり、システム、デバイス、および、方法は、限定ではなく例示の目的のために提示される記載された実施形態以外によって実施可能である。この中に記載されたシステム、デバイス、および、方法は、ＴＣＤを用いたＩＨの非侵襲診断について示されているが、他の診断、または、治療手続き、脳性マラリア、軽度／中程度の外傷性脳損傷、および、その他を含む生理学上の用途の外の手続きを含む、他の手続きにおいて使用されるためのシステム、デバイス、および、方法に適用され得る。 [00109] The foregoing is merely illustrative of the principles of the present disclosure and the systems, devices, and methods may be practiced other than the described embodiments presented for purposes of illustration and not limitation. The systems, devices and methods described therein have been shown for non-invasive diagnosis of IH using TCD, but other diagnostic or therapeutic procedures, cerebral malaria, mild / moderate traumatic It can be applied to systems, devices and methods for use in other procedures, including procedures outside of physiological applications including brain injury and others.
[00110] ある実施形態において、記載されたシステムと方法は、ＩＣＰにおける増加がない、軽度や中程度のＴＢＩの診断のために用いられ得る。基礎をなす生理機能は異なるが、核となる分析は同じである。軽度なＴＢＩに続く脳の血行動態の変化、幾つかの研究によって、良く文献化されている。これらの変化の生理学的原因は、脳のある領域における増加した代謝要求に因る局部的な血流変化から、脳の血管系または脳自身における破壊に因るＣＢＦの変化（高い頭蓋内圧−ＩＣＰによる減少した局所弾性率（decreased compliance）等）まで広がる。 [00110] In certain embodiments, the described systems and methods can be used for the diagnosis of mild or moderate TBI without an increase in ICP. The underlying physiology is different, but the core analysis is the same. It is well documented by a few TBI studies of brain hemodynamic changes following mild TBI. Physiological causes of these changes range from local blood flow changes due to increased metabolic demands in certain areas of the brain to changes in CBF due to destruction in the brain vasculature or the brain itself (high intracranial pressure-ICP Decreased local elastic modulus (decreased compliance, etc.).
[00111] 例えば、Ｊａｆｆｒｅｓ氏等による研究（Jaffres, P., et al., Transcranial Doppler to detect on admission patients at risk for neurological deterioration following mild and moderate brain trauma. Intensive Care Med, 2005. 31 (6): p. 785-90）は、予後の目的のために、救急室において、軽度と中程度のＴＢＩにけるＣＢＦＶの拍動指数（Pulsatility Index：ＰＩ）の使用を調査し、彼らの結果は、ＰＩのみで、二次的神経機能低下（secondary neurological deterioration：ＳＮＤ）を有した患者を有しない患者から識別できることを示した。Ｂｏｕｚａｔ氏等による研究（Bouzat, P., et al., Transcranial Doppler to screen on admission patients with mild to moderate traumatic brain injury. Neurosurgery, 2011. 68(6): p. 1603-9; discussion 1609-10）は、これらの結果を確証し、ＳＮＤを発現させる患者を特定することにおいて９５％の全体精度を奉公した。 [00111] For example, a study by Jaffres et al. (Jaffres, P., et al., Transcranial Doppler to detect on admission patients at risk for neurological deterioration following mild and moderate brain trauma. Intensive Care Med, 2005. 31 (6): p. 785-90) investigated the use of CBFV's Pulsatility Index (PI) in the emergency room for mild and moderate TBI for prognostic purposes; Only showed that patients with secondary neurological deterioration (SND) could be distinguished from those without. Research by Bouzat et al. (Bouzat, P., et al., Transcranial Doppler to screen on admission patients with mild to moderate traumatic brain injury. Neurosurgery, 2011. 68 (6): p. 1603-9; discussion 1609-10) Confirmed 95% overall accuracy in identifying these patients and identifying patients who developed SND.
[00112] 更に、多くの研究が、軽度なＴＢＩにおける生理的欠損の可能性のある根本的原因、ＣＢＦにおける減少を調査した（例えば、Giza, C. と D.A. Hovda, The Neurometabolic Cascade of Concussion. J Athl Train, 2001. 36(3): p. 228-235、Grindel, S.H., Epidemiology and pathophysiology of minor traumatic brain injury. Curr Sports Med Rep, 2003. 2(1 ): p. 1 8-23、を参照）。 [00112] In addition, many studies have investigated a possible underlying cause of a physiological defect in mild TBI, a decrease in CBF (eg, Giza, C. and DA Hovda, The Neurometabolic Cascade of Concussion. J See Athl Train, 2001. 36 (3): p. 228-235, Grindel, SH, Epidemiology and pathophysiology of minor traumatic brain injury. Curr Sports Med Rep, 2003. 2 (1): p. 1 8-23. ).
[00113] スポーツ関連の脳震盪をした子供における位相コントラスト血管造影法を用いたＭａｕｇａｎｓ氏等による重要な研究（Maugans, T.A., et al., Pediatric sports-related concussion produces cerebral blood flow alterations. Pediatrics, 2012. 129(1): p. 28-37）は、２つの主な結果を報告している。第１に、軽度なＴＢＩの７２時間以内の１１−１５歳の子供におけるＣＢＦの著しい減少。第２に、受傷後１４と３０日後に、１４日後には無症状にもかかわらず、それぞれ、患者の２７％と６４％しか平常なＣＢＦ範囲に戻らなかった。更に、Ｇａｌｌ氏等による関連した研究（Gall, B., W.S. Parkhouse, and D. Goodman, Exercise following a sport induced concussion. Br J Sports Med, 2004. 38(6): p. 773-7）は、脳震盪後のホッケイ選手が、脳震盪後の症状が無いにも拘らず、運動によってストレスがかけられたとき、特異な心拍数応答を示したと報告した。両方の研究は、アスリートが無症状であるにも拘らず、更なる傷害または活性が持続されている場合に有害であり得る生理学的な欠損が残ることを明らかにした。最後に、Ｌｅｎ氏等による研究（Len, T.K., et al., Cerebrovascular reactivity impairment after sport-induced concussion. Med Sci Sports Exerc, 2011. 43(12): p. 2241 -8）において、軽度なＴＢＩは、対照群と比較して、脳血管反応性（cerebrovascular reactivity：ＣＶＲ）にマイナスにインパクトを与えることが示された。結果は、ＣＶＲテストが、脳震盪を起こしたアスリートと脳震盪を起こしていないアスリートとを識別したことを示した。これらの結果は、ストレスをかけられたときの無症状の個体が生理的な変化を表すことを示したＧａｌｌ氏等の結果に共鳴した。 [00113] An important study by Mauguans et al. Using phase-contrast angiography in children with sports-related concussion (Maugans, TA, et al., Pediatric sports-related concussion produces cerebral blood flow alterations. Pediatrics, 2012. 129 (1): p. 28-37) reports two main results. First, a significant reduction in CBF in children aged 11-15 within 72 hours of mild TBI. Secondly, only 14% and 30 days after injury, and after 14 days, only 27% and 64% of patients returned to the normal CBF range, despite no symptoms. Furthermore, a related study by Gall et al. (Gall, B., WS Parkhouse, and D. Goodman, Exercise following a sport induced concussion. Br J Sports Med, 2004. 38 (6): p. 773-7) A post-concussion hockey player reported a unique heart rate response when stressed by exercise, despite no post-concussion symptoms. Both studies have revealed that despite the athlete's asymptomatic condition, there remains a physiological defect that can be harmful if further injury or activity is sustained. Finally, in a study by Len et al. (Len, TK, et al., Cerebrovascular reactivity impairment after sport-induced concussion. Med Sci Sports Exerc, 2011. 43 (12): p. 2241 -8), mild TBI is Compared with the control group, it was shown to have a negative impact on cerebrovascular reactivity (CVR). The results showed that the CVR test distinguished between athletes who had a concussion and athletes who did not have a concussion. These results resonated with those of Gall et al., Which showed that asymptomatic individuals when stressed exhibited physiological changes.
[00114] 軽度なＴＢＩの基礎をなす生理機能を調べる１つのアプローチは、脳血管系における変化を悪化させるために刺激を与え、変化をより正確に定量化するために我々の記載されたフレームワークを用いることである。刺激は、動脈血圧における変化（運動、レッグカフ、医薬品、等）、動脈血供給での二酸化炭素（carbon-dioxide：ＣＯ２）濃度における変化、または、脳の特定領域における代謝を変えることによるローカル（即ち、光のフラッシュが後頭葉を刺激する）を含む様々な異なる方法で与えられ得る。 [00114] One approach to study the physiological functions underlying mild TBI is to provide stimuli to exacerbate changes in the cerebral vasculature and to describe our described framework to more accurately quantify changes. Is to use. Stimulation can be a change in arterial blood pressure (exercise, leg cuff, pharmaceuticals, etc.), a change in carbon-dioxide (CO2) concentration in the arterial blood supply, or local (ie, by changing metabolism in a specific region of the brain) Light flashes can stimulate the occipital lobe).
[00115] １つの技法では、脳血管床は、ＣＯ２の動脈血濃度（arterial blood concentrations of CO2：ＰａＣＯ２）における変化に非常に敏感である。増加された動脈のＣＯ２レベル（人の呼吸を押さえることから等）は、増加された脳の血流による、上流の大きな脳動脈における増加された速度に帰結する細動脈拡張を引き起こす。反対に、減少したＣＯ２（過呼吸を介して）は、ＣＢＦにおける減少を引き起こす細動脈収縮により、減少されたＣＢＦＶの結果となる。 [00115] In one design, cerebrovascular bed, arterial concentration of CO 2 (arterial blood concentrations of CO 2: PaCO 2) is very sensitive to changes in. Increased arterial CO 2 levels (such as holding a person's breath) cause arteriolar dilation resulting in increased velocity in large upstream cerebral arteries due to increased cerebral blood flow. Conversely, reduced CO2 (via hyperbreathing) results in reduced CBFV due to arteriolar contraction causing a decrease in CBF.
[00116] 脳血管反応性（Cerebrovascular reactivity：ＣＶＲ）は、ＰａＣＯ２における変化によるＣＢＦＶの変化を記述する。ＣＶＲテストのゴールは、脳の抵抗細動脈の血管拡張または血管収縮容量を評価するためにあり、重度のＴＢＩ、偏頭痛、長期の宇宙飛行、脳卒中、および、頸動脈狭窄症の後に害されることが示されている。より最近になって、ＣＶＲは、Ｌｅｎ氏等（後段）によって、軽度のＴＢＩにおける生理的機能不全のマーカとしての潜在性を示している。彼らの研究において、脳震盪と対照の対象者の両方が、ＣＶＲを調べるために、呼吸を押さえることと過呼吸とを用いて研究された。脳震盪患者における変化をはっきりさせるための生理的なストレスとして運動を用いたＧａｌｌ氏等の研究と同様に、Ｌｅｎ氏等は、繰り返しの呼吸押さえと過呼吸とから、平均ＣＢＦＶダイナミクスにおける変化を示した。しかし、ＣＢＦＶデータは、分析から全ての形態学的な情報を除いて、１Ｈｚでサンプリングされた。本応用では、Ｌｅｎ氏等によって利用されたＣＶＲテストは、平均速度に対してだけでなく、ＣＢＦＶ波形の形全体に対する影響を考慮に入れるために拡張される。患者は、ＣＯ２レベルを上げるために彼または彼女の呼吸を押さえるよう求められ、ＣＢＦＶがモニタされる。反対に、患者は、ＣＯ２レベルを下げるために過呼吸するよう求められ、ＣＢＦＶがモニタされる。Ｌｅｎ氏等のように平均速度「のみ」を用いてＣＶＲを観察することは、不完全な描写を与える。 [00116] cerebrovascular reactivity (Cerebrovascular reactivity: CVR) describes the change in CBFV due to changes in PaCO 2. The goal of the CVR test is to assess the vasodilation or vasoconstriction capacity of the resistance arterioles of the brain and is harmed after severe TBI, migraine, long-term space flight, stroke, and carotid stenosis It is shown. More recently, CVR has shown potential as a marker of physiological dysfunction in mild TBI by Len et al. In their study, both concussion and control subjects were studied using depressive breathing and hyperventilation to examine CVR. Similar to Gall et al.'S study using exercise as a physiological stress to clarify changes in concussion patients, Len et al. Showed changes in average CBFV dynamics from repeated respiratory depression and hyperventilation. . However, CBFV data was sampled at 1 Hz, excluding all morphological information from the analysis. In this application, the CVR test utilized by Len et al. Is extended to take into account not only the average speed but also the effect on the overall shape of the CBFV waveform. The patient is asked to hold his or her breath to raise the CO 2 level and the CBFV is monitored. Conversely, the patient is asked to hyperventilate to lower the CO 2 level and the CBFV is monitored. Observing the CVR using average velocity “only”, such as Len et al., Gives an incomplete depiction.
[00117] 幾つかの実施形態は本システムや方法の例であることを記載したが、当技術に技量を有する者は、この中に記載されたシステムや方法の真意や範囲の中にある追加の実施形態を認識するであろう。修正や変形は、本開示の範囲から逸脱しないで、開示された実施形態に対してなされるであろう。当技術に技量を有する者は、この中に開示された実施形態の応用が変わることを理解するであろう。従って、追加や修正は、本開示の本質から逸脱しないでなされることができる。この点で、そのような変更が、依然として、本開示の範囲の中にはいることが意図される。変更や修正は、この開示をレビューした後、当技術に技量を有する者に生じるであろう。開示された特徴は、この中に開示された１つまたはそれより多くの他の特徴との組み合わせや下位の組み合わせ（subcombination）（複数の従属の組み合わせや下位の組み合わせを含む）において実装され得る。上に記載され、または、示された様々な特徴は、それらの任意のコンポーネントを含んで、他のシステムの中に組み合されたり、統合されたりされ得る。更に、ある特徴は、除かれたり、実装されなかったりしてもよい。従って、この開示は、特定の実施形態に限定されないが、本開示の真意や範囲の中にはいる修正を包含するように意図される。 [00117] Although some embodiments have been described as examples of the present system and method, those skilled in the art will recognize additional information that is within the spirit and scope of the systems and methods described herein. Will be recognized. Modifications and variations will be made to the disclosed embodiments without departing from the scope of the present disclosure. Those skilled in the art will appreciate that the application of the embodiments disclosed herein will vary. Accordingly, additions and modifications can be made without departing from the essence of the present disclosure. In this regard, such changes are still intended to be within the scope of this disclosure. Changes and modifications will occur to those skilled in the art after reviewing this disclosure. The disclosed features may be implemented in combination with one or more other features or subcombination (including multiple subordinate combinations or sub-combinations) disclosed herein. The various features described or shown above can be combined or integrated into other systems, including any of those components. Further, certain features may be omitted or not implemented. Accordingly, this disclosure is not intended to be limited to a particular embodiment, but is intended to encompass modifications that are within the spirit and scope of this disclosure.
Claims (15)
前記患者の頭蓋領域の中に配された少なくとも１つの血管からの脳の血流速度を示す生のデータを非侵襲に収集することのステップを備え、
前記方法は、
以前に検証された脳の血流速度波形のデータベースを用いて、前記生のデータを構造的特徴に変換することと、
以前に特定された病理上の頭蓋内圧状態を用いて、前記構造的特徴を分類することと、
前記分類のステップに基づいて、診断を勧告することと、
によって特徴づけられる方法。 A non-invasive method for diagnosing pathological intracranial pressure conditions in a patient,
Non-invasively collecting raw data indicative of cerebral blood flow velocity from at least one blood vessel disposed in the patient's skull region;
The method
Converting the raw data into structural features using a previously validated database of cerebral blood flow velocity waveforms;
Classifying the structural features using previously identified pathological intracranial pressure conditions;
Recommending a diagnosis based on the classification step;
A method characterized by.
前記反射された超音波は、ドプラ波形分析を用いて処理される、
請求項１に記載の方法。 Said step of non-invasively collecting raw data comprises processing the reflected ultrasound generated and reflected by the ultrasound transceiver;
The reflected ultrasound is processed using Doppler waveform analysis;
The method of claim 1.
前記構造的特徴は、前記刺激への対象の応答率の指標である、請求項１に記載の方法。 And further comprising stimulating the patient,
The method of claim 1, wherein the structural feature is an indicator of a subject's response rate to the stimulus.
Applications Claiming Priority (15)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201361905147P | 2013-11-15 | 2013-11-15 | |
| US201361905146P | 2013-11-15 | 2013-11-15 | |
| US61/905,147 | 2013-11-15 | ||
| US61/905,146 | 2013-11-15 | ||
| US201361905171P | 2013-11-16 | 2013-11-16 | |
| US201361905170P | 2013-11-16 | 2013-11-16 | |
| US201361905169P | 2013-11-16 | 2013-11-16 | |
| US201361905172P | 2013-11-16 | 2013-11-16 | |
| US61/905,171 | 2013-11-16 | ||
| US61/905,169 | 2013-11-16 | ||
| US61/905,170 | 2013-11-16 | ||
| US61/905,172 | 2013-11-16 | ||
| US201414214883A | 2014-03-15 | 2014-03-15 | |
| US14/214,883 | 2014-03-15 | ||
| PCT/US2014/065812 WO2015073903A1 (en) | 2013-11-15 | 2014-11-14 | Monitoring structural features of cerebral blood flow velocity for diagnosis of neurological conditions |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2016537173A true JP2016537173A (en) | 2016-12-01 |
| JP2016537173A5 JP2016537173A5 (en) | 2017-11-24 |
| JP6545697B2 JP6545697B2 (en) | 2019-07-17 |
Family
ID=51999570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2016554529A Active JP6545697B2 (en) | 2013-11-15 | 2014-11-14 | Monitoring structural features of cerebral blood flow velocity for the diagnosis of neurological conditions |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP3068294A1 (en) |
| JP (1) | JP6545697B2 (en) |
| WO (1) | WO2015073903A1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190114152A (en) | 2018-03-29 | 2019-10-10 | 가톨릭대학교 산학협력단 | Wearable blood vessel health management device based on blood flow biomarker |
| JP2021511148A (en) * | 2018-01-24 | 2021-05-06 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | Guided transcranial ultrasound imaging with neural networks and related devices, systems and methods |
| WO2022195371A1 (en) * | 2021-03-15 | 2022-09-22 | Know Labs, Inc. | Analyte database established using analyte data from non-invasive analyte sensors |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018519047A (en) | 2015-06-19 | 2018-07-19 | ニューラル アナリティクス、インコーポレイテッド | Intracranial Doppler probe |
| US11589836B2 (en) | 2016-01-05 | 2023-02-28 | Novasignal Corp. | Systems and methods for detecting neurological conditions |
| JP2019503220A (en) * | 2016-01-05 | 2019-02-07 | ニューラル アナリティクス、インコーポレイテッド | Robot system for ultrasonic probe control |
| CN109069112A (en) * | 2016-01-05 | 2018-12-21 | 神经***分析公司 | For controlling the robot system of ultrasonic probe |
| WO2017120361A1 (en) | 2016-01-05 | 2017-07-13 | Neural Analytics, Inc. | Integrated probe structure |
| US11090026B2 (en) | 2016-01-05 | 2021-08-17 | Novasignal Corp. | Systems and methods for determining clinical indications |
| WO2017124044A1 (en) * | 2016-01-15 | 2017-07-20 | The Regents Of The University Of California | Machine-learning-based denoising of doppler ultrasound blood flow and intracranial pressure signal |
| JP2019514500A (en) * | 2016-04-25 | 2019-06-06 | ニューラル アナリティクス、インコーポレイテッド | Probe structure |
| CN108834398A (en) * | 2016-05-18 | 2018-11-16 | 神经***分析公司 | System and method for detecting nervous system situation |
| CA3039058A1 (en) * | 2016-10-17 | 2018-04-26 | Neural Analytics, Inc. | Headset and device including a cover |
| KR101972570B1 (en) * | 2017-03-16 | 2019-08-26 | 주식회사 뉴로소나 | Medical head gear and Transcranial ultrasound delivery device comprising the same |
| US11883230B2 (en) | 2017-09-22 | 2024-01-30 | The Research Institute At Nationwide Children's Hospital | Method and apparatus for malarial-neurologic-injury-mechanism diagnosis |
| US11963817B2 (en) | 2018-01-18 | 2024-04-23 | Neurasignal, Inc. | Waveform visualization tool for facilitating medical diagnosis |
| CA3088779A1 (en) | 2018-01-22 | 2019-07-25 | Neural Analytics, Inc. | Systems and methods for detecting neurological conditions |
| US11076797B2 (en) | 2018-04-10 | 2021-08-03 | Cerenetex, Inc. | Systems and methods for the identification of medical conditions, and determination of appropriate therapies, by passively detecting acoustic signals from cerebral vasculature |
| US12004846B2 (en) | 2018-04-10 | 2024-06-11 | Cerenetex, Inc. | Non-invasive systems and methods for the improved evaluation of patients suffering from undiagnosed headaches |
| CN109567873B (en) * | 2018-12-07 | 2021-03-02 | 飞依诺科技(苏州)有限公司 | Wearable ultrasonic scanning equipment |
| US11109771B2 (en) | 2020-01-03 | 2021-09-07 | Vivonics, Inc. | System and method for non-invasively determining an indication and/or an assessment of intracranial pressure |
| KR102570809B1 (en) * | 2021-08-31 | 2023-08-24 | 이무형 | Headgear for Transcranial Doppler |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07299066A (en) * | 1994-05-10 | 1995-11-14 | Aloka Co Ltd | Ultrasonic probe |
| JPH10328189A (en) * | 1997-05-29 | 1998-12-15 | Matsushita Electric Ind Co Ltd | Ultrasonic blood flow measuring instrument |
| JP2003230558A (en) * | 2002-02-01 | 2003-08-19 | General Electric Co <Ge> | Method, system and device for digital imaging |
| JP2006025904A (en) * | 2004-07-13 | 2006-02-02 | Kazuo Okuma | Ultrasonic examination method and ultrasonic examination apparatus |
| JP2009160370A (en) * | 2007-06-04 | 2009-07-23 | Panasonic Corp | Ultrasonic diagnosis device and ultrasonic probe for use in ultrasonic diagnosis device |
| JP2010500084A (en) * | 2006-08-11 | 2010-01-07 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Ultrasound system for cerebral blood flow imaging and clot lysis using microbubbles |
| US20110251489A1 (en) * | 2010-04-07 | 2011-10-13 | Physiosonics, Inc. | Ultrasound monitoring systems, methods and components |
| US20120289869A1 (en) * | 2009-11-04 | 2012-11-15 | Arizona Board Of Regents For And On Behalf Of Arizona State University | Devices and methods for modulating brain activity |
| JP2013503681A (en) * | 2009-09-03 | 2013-02-04 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Contralateral array-based transcranial ultrasonic aberration correction |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080015781A (en) * | 2005-03-23 | 2008-02-20 | 뉴 헬스 사이언시즈 인코포레이티드 | Systems and methods for using dynamic vascular assessment to distinguish among vascular states and for investigating intracranial pressure |
| US8821408B2 (en) * | 2006-04-05 | 2014-09-02 | The Regents Of The University Of California | Data mining system for noninvasive intracranial pressure assessment |
-
2014
- 2014-11-14 EP EP14805462.0A patent/EP3068294A1/en not_active Withdrawn
- 2014-11-14 WO PCT/US2014/065812 patent/WO2015073903A1/en active Application Filing
- 2014-11-14 JP JP2016554529A patent/JP6545697B2/en active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07299066A (en) * | 1994-05-10 | 1995-11-14 | Aloka Co Ltd | Ultrasonic probe |
| JPH10328189A (en) * | 1997-05-29 | 1998-12-15 | Matsushita Electric Ind Co Ltd | Ultrasonic blood flow measuring instrument |
| JP2003230558A (en) * | 2002-02-01 | 2003-08-19 | General Electric Co <Ge> | Method, system and device for digital imaging |
| JP2006025904A (en) * | 2004-07-13 | 2006-02-02 | Kazuo Okuma | Ultrasonic examination method and ultrasonic examination apparatus |
| JP2010500084A (en) * | 2006-08-11 | 2010-01-07 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Ultrasound system for cerebral blood flow imaging and clot lysis using microbubbles |
| JP2009160370A (en) * | 2007-06-04 | 2009-07-23 | Panasonic Corp | Ultrasonic diagnosis device and ultrasonic probe for use in ultrasonic diagnosis device |
| JP2013503681A (en) * | 2009-09-03 | 2013-02-04 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Contralateral array-based transcranial ultrasonic aberration correction |
| US20120289869A1 (en) * | 2009-11-04 | 2012-11-15 | Arizona Board Of Regents For And On Behalf Of Arizona State University | Devices and methods for modulating brain activity |
| US20110251489A1 (en) * | 2010-04-07 | 2011-10-13 | Physiosonics, Inc. | Ultrasound monitoring systems, methods and components |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021511148A (en) * | 2018-01-24 | 2021-05-06 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | Guided transcranial ultrasound imaging with neural networks and related devices, systems and methods |
| JP7253560B2 (en) | 2018-01-24 | 2023-04-06 | コーニンクレッカ フィリップス エヌ ヴェ | Guided Transcranial Ultrasound Imaging Using Neural Networks and Related Apparatuses, Systems and Methods |
| KR20190114152A (en) | 2018-03-29 | 2019-10-10 | 가톨릭대학교 산학협력단 | Wearable blood vessel health management device based on blood flow biomarker |
| KR102123147B1 (en) * | 2018-03-29 | 2020-06-15 | 가톨릭대학교 산학협력단 | Wearable blood vessel health management device based on blood flow biomarker |
| WO2022195371A1 (en) * | 2021-03-15 | 2022-09-22 | Know Labs, Inc. | Analyte database established using analyte data from non-invasive analyte sensors |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2015073903A1 (en) | 2015-05-21 |
| JP6545697B2 (en) | 2019-07-17 |
| EP3068294A1 (en) | 2016-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6545697B2 (en) | Monitoring structural features of cerebral blood flow velocity for the diagnosis of neurological conditions | |
| US20160256130A1 (en) | Monitoring structural features of cerebral blood flow velocity for diagnosis of neurological conditions | |
| US20160278736A1 (en) | Monitoring structural features of cerebral blood flow velocity for diagnosis of neurological conditions | |
| JP7261811B2 (en) | Systems and methods for non-invasive determination of blood pressure lowering based on trained predictive models | |
| Sikdar et al. | Computer-vision-guided human pulse rate estimation: a review | |
| US9693693B2 (en) | Non-contact and passive measurement of arterial pulse through thermal IR imaging, and analysis of thermal IR imagery | |
| CA2775675C (en) | Long term active learning from large continually changing data sets | |
| US20160029965A1 (en) | Artifact as a feature in neuro diagnostics | |
| WO2019173237A1 (en) | Systems, devices, and methods for tracking and analyzing subject motion during a medical imaging scan and/or therapeutic procedure | |
| US20210369147A1 (en) | Multimodal Neuroimaging-Based Diagnostic Systems and Methods for Detecting Tinnitus | |
| CN111386068A (en) | Camera-based pressure measurement system and method | |
| WO2021084488A1 (en) | Smartglasses for detecting physiological parameters | |
| US20220192596A1 (en) | Method and system for engineering cycle variability-related features from biophysical signals for use in characterizing physiological systems | |
| US11963817B2 (en) | Waveform visualization tool for facilitating medical diagnosis | |
| US20230105909A1 (en) | Method and System For Generating An ECG Signal | |
| Rojas et al. | Pain assessment based on fnirs using bi-lstm rnns | |
| Abd Sukor et al. | Signal quality measures on pulse oximetry and blood pressure signals acquired from self-measurement in a home environment | |
| CN118119333A (en) | Methods and systems for engineering conduction bias characteristics from biophysical signals for characterizing physiological systems | |
| Al-Mufti et al. | Multimodality monitoring in neurocritical care: decision-making utilizing direct and indirect surrogate markers | |
| CN110403631B (en) | Noninvasive intracranial pressure measuring method based on continuous ultrasonic images | |
| Al Younis et al. | Non-invasive technologies for heart failure, systolic and diastolic dysfunction modeling: A scoping review | |
| Tarmizi et al. | A review of facial thermography assessment for vital signs estimation | |
| Baran | Thermal imaging of stress: a review | |
| Kraft et al. | Reliability factor for accurate remote PPG systems | |
| Bevilacqua et al. | Proposal for non-contact analysis of multimodal inputs to measure stress level in serious games |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171011 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171011 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180411 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180424 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180724 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180828 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181109 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20181218 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190410 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20190417 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190521 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190619 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6545697 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |