JP7806041B2 - 個人に応じた不整脈治療計画 - Google Patents

Description

（関連出願への相互参照）
本出願は、２０２０年１０月１３日に出願された米国特許仮出願第６３／０９１，１７４号の利益を主張するものであり、その内容は、参照により本明細書に組み込まれる。

（発明の分野）
本発明は、アブレーションの必要性を判定するためのシステム及び方法に関連する人工知能及び機械学習に関する。

心房細動（ＡＦｉｂ又はＡＦとも呼ばれる）は、血栓、卒中、心不全、及び他の心臓関連の合併症をもたらす場合がある静止時振戦（quiver）又は不規則な心拍（不整脈）である。ほぼ３００万人のアメリカ人がＡＦｉｂを抱えて生活している。

６５歳未満の人口の約２％及び６５歳超の人口の約９％が心房細動に罹患している。一般に、最初に使われる治療は抗不整脈薬であるが、ＡＦｉｂを有する人々の約５２％のみがこの薬剤に応答する。ＡＦｉｂを有する人々の残りの４８％は、代替療法としてアブレーションが提供されるまで長時間待機している。この待機時間の間に、これらの患者は、状態が悪化することを経験し、その結果、この遅延により、アブレーション療法の前に彼らの状態を悪化させる場合が多く、この悪化は、アブレーションの成功の可能性を低下させている。どの患者が抗不整脈薬に十分に応答しないかを事前に評価し、直ちにアブレーションを受けることを当該患者に推奨する方法が必要とされている。同様に、アブレーション及び抗不整脈薬の成功の評価が必要とされている。

より詳細な理解は、添付の図面と併せて例として示される以下の説明より得ることができ、図中の同様の参照番号は、同様の要素を示す。
患者の生体指標を遠隔監視及び通信するための例示的なシステムのブロック図である。 ネットワークと通信するコンピューティング環境の一例のシステム図である。 本開示の１つ以上の特徴を実装することができる例示的なデバイスのブロック図である。 図３の例示的なデバイスを組み込んだ人工知能システムのグラフィック描写を示す図である。 図４の人工知能システムにおいて実行される方法を示す図である。 単純ベイズ計算の確率の例を示す図である。 例示的な決定木を示す図である。 例示的なランダムフォレスト分類器を示す図である。 例示的なロジスティック回帰を示すグラフである。 例示的なサポート・ベクター・マシンを示す図である。 例示的な線形回帰モデルを示すグラフである。 例示的なＫ平均クラスタリングを示す図である。 例示的なアンサンブル学習アルゴリズムを示す図である。 例示的なニューラルネットワークを示す図である。 ハードウェアベースのニューラルネットワークを示す図である。 病因の異なる心筋症の例を示す図である。 病因の異なる心筋症の例を示す図である。 病因の異なる心筋症の例を示す図である。 病因の異なる心筋症の例を示す図である。 本開示の主題の１つ以上の特徴が実施され得る例示的なシステムの図である。 本説明のために適合された図４のシステムを示す図である。 ＫＭ曲線を含む例示的な生存決定木を示す図である。 図１９の生存決定木及びＫＭ曲線に基づくプロット内の例示的な効用曲線を示すグラフである。

どの患者が抗不整脈薬に十分に応答しないかを事前に評価し、これらの患者に直ちにアブレーションを受けることを推奨し、アブレーションと抗不整脈薬との間の成功の評価を提供するための方法が記載されている。

図１は、患者の生体指標（すなわち、患者データ）を遠隔監視及び通信するための例示的なシステム１００のブロック図である。図１に示す例では、システム１００は、患者１０４に関連付けられた患者生体計測監視及び処理装置１０２と、ローカルコンピューティングデバイス１０６と、遠隔コンピューティングシステム１０８と、第１のネットワーク１１０と、第２のネットワーク１２０と、を含む。

一実施形態によれば、監視及び処理装置１０２は、患者の身体の内部にある装置（例えば、皮下移植可能）であってもよい。監視及び処理装置１０２は、経口注射、静脈若しくは動脈を介した外科的挿入、内視鏡処置、又は腹腔鏡処置を含む任意の適用可能な方法を介して患者に挿入されてもよい。

一実施形態によれば、監視及び処理装置１０２は、患者の外部にある装置であってもよい。例えば、以下により詳細に記載されるように、監視及び処理装置１０２は、取り付け可能なパッチ（例えば、患者の皮膚に取り付けられる）を含んでもよい。監視及び処理装置１０２はまた、１つ以上の電極を有するカテーテル、プローブ、血圧計カフ、体重計、ブレスレット又はスマートウォッチ生体計測トラッカ、グルコースモニタ、持続気道陽圧（continuous positive airway pressure、ＣＰＡＰ）マシン、又は患者の健康若しくは生体計測に関する入力を提供し得る実質上任意のデバイスを含み得る。

一実施形態によれば、監視及び処理装置１０２は、患者の内部にある構成要素及び患者の外部にある構成要素の両方を含み得る。

単一の監視及び処理装置１０２が、図１に示されている。しかしながら、例示的なシステムは、複数の患者生体計測監視及び処理装置を含んでもよい。患者生体計測監視及び処理装置は、１つ以上の他の患者生体計測監視及び処理装置と通信してもよい。追加的に又は代替的に、患者生体計測監視及び処理装置は、ネットワーク１１０と通信してもよい。

１つ以上の監視及び処理装置１０２は、患者生体データ（例えば、電気信号、血圧、体温、血糖値又は他の生体データ）を取得することができ、かつ取得された患者の生体指標を表す患者生体データの少なくとも一部分、並びに１つ以上の他の監視及び処理装置１０２から取得された患者の生体指標に関連付けられた追加情報を受信することができる。追加情報は、例えば、ウェアラブルデバイスなどの追加のデバイスから得られる診断情報及び／又は追加情報であってもよい。各監視及び処理装置１０２は、それ自体の取得された患者の生体指標、並びに１つ以上の他の監視及び処理装置１０２から受信されたデータを含むデータを処理してもよい。

図１では、ネットワーク１１０は、近距離ネットワーク（例えば、ローカルエリアネットワーク（local area network、ＬＡＮ）、又はパーソナルエリアネットワーク（personal area network、ＰＡＮ））の一例である。情報は、Ｂｌｕｅｔｏｏｔｈ、Ｗｉ－Ｆｉ、Ｚｉｇｂｅｅ、Ｚ－Ｗａｖｅ、近接場通信（near field communication、ＮＦＣ）、ウルトラバンド、Ｚｉｇｂｅｅ、又は赤外線（infrared、ＩＲ）などの様々な近距離無線通信プロトコルのうちのいずれか１つを使用して、監視及び処理装置１０２とローカルコンピューティングデバイス１０６との間で、近距離ネットワーク１１０を介して送信されてもよい。

ネットワーク１２０は、有線ネットワーク、無線ネットワークであってもよく、又は１つ以上の有線及び無線ネットワークを含んでもよい。例えば、ネットワーク１２０は、長距離ネットワーク（例えば、広域ネットワーク（wide area network、ＷＡＮ）、インターネット、又はセルラーネットワーク）であってもよい。情報は、様々な長距離無線通信プロトコル（例えば、ＴＣＰ／ＩＰ、ＨＴＴＰ、３Ｇ、４Ｇ／ＬＴＥ、又は５Ｇ／Ｎｅｗ Ｒａｄｉｏ）のいずれか１つを使用して、ネットワーク１２０を介して送信されてもよい。

患者監視及び処理装置１０２は、患者生体計測センサ１１２、プロセッサ１１４、ユーザ入力（ＵＩ）センサ１１６、メモリ１１８、及び送信受信機（すなわち、送受信機）１２２を含むことができる。患者監視及び処理装置１０２は、ネットワーク１１０を介して、任意の数の様々な患者の生体指標を継続的又は周期的に監視、記憶、処理、及び通信してもよい。患者の生体指標の例としては、電気信号（例えば、ＥＣＧ信号及び脳生体指標）、血圧データ、血糖データ、及び体温データが挙げられる。患者の生体指標は、心臓血管疾患（例えば、不整脈、心筋症、及び冠動脈疾患）及び自己免疫疾患（例えば、Ｉ型及びＩＩ型糖尿病）などの任意の数の様々な疾患にわたって治療するために監視及び伝達され得る。

患者生体計測センサ１１２は、例えば、生体計測患者の生体指標の種類を感知するように構成された１つ以上のセンサを含んでもよい。例えば、患者生体計測センサ１１２は、電気信号（例えば、心臓信号、脳信号又は他の生体電気信号）を取得するように構成された電極、体温センサ、血圧センサ、血糖センサ、血液酸素センサ、ｐＨセンサ、加速度計、及びマイクロフォンを含んでもよい。

以下により詳細に記載されるように、患者生体計測監視及び処理装置１０２は、心臓のＥＣＧ信号を監視するためのＥＣＧモニタであってもよい。ＥＣＧモニタの患者生体計測センサ１１２は、ＥＣＧ信号を取得するための１つ以上の電極を含んでもよい。ＥＣＧ信号は、様々な心血管疾患の治療に使用することができる。

別の例では、患者生体計測監視及び処理装置１０２は、Ｉ型及びＩＩ型糖尿病などの様々な疾患を治療するために、患者の血糖値を継続ベースで連続的に監視するための連続的グルコースモニタ（continuous glucose monitor、ＣＧＭ）であってもよい。ＣＧＭは、患者の間質液から血糖値を監視することができる、皮下に配置された電極を含んでもよい。ＣＧＭは、例えば、ユーザの介入のない計算されたインスリンの送達のために、血糖データがインスリンポンプに送られる閉ループシステムの構成要素であってもよい。

送受信機１２２は、別個の送信機及び受信機を含むことができる。代替的に、送受信機１２２は、単一のデバイスに統合された送信機及び受信機を含んでもよい。

プロセッサ１１４は、患者生体計測センサ１１２によって取得されたメモリ１１８内の患者生体データなどの患者データを保存し、送受信機１２２の送信機を介してネットワーク１１０上で患者データを通信するように構成されてもよい。１つ以上の他の監視及び処理装置１０２からのデータはまた、以下により詳細に記載されるように、送受信機１２２の受信機によって受信されてもよい。

一実施形態によれば、監視及び処理装置１０２は、例えば、タップ又はタッチなどのユーザ入力を受信するように構成された圧電センサ又は静電容量センサであってもよいＵＩセンサ１１６を含む。例えば、ＵＩセンサ１１６は、患者１０４が監視及び処理装置１０２の表面をタップ又はタッチすることに応答して、容量結合を実装するように制御され得る。ジェスチャ認識は、抵抗容量性、表面容量性、投影容量性、表面超音波、圧電及び赤外線タッチなどの、様々な容量型のうちのいずれか１つを介して実装することができる。静電容量センサは、表面のタップ又はタッチが監視デバイスを起動させるように、表面の小さい領域又は長さにわたって配置されてもよい。

以下でより詳細に説明するように、プロセッサ１１４は、ＵＩセンサ１１６であり得る静電容量センサの異なるタッピングパターン（例えば、シングルタップ又はダブルタップ）に選択的に応答するように構成されてもよく、その結果、パッチの異なるタスク（例えば、データの取得、記憶、又は送信）が、検出されたパターンに基づいて起動されてもよい。いくつかの実施形態では、ジェスチャが検出されると、可聴フィードバックが処理装置１０２からユーザに与えられてもよい。

システム１００のローカルコンピューティングデバイス１０６は、患者生体計測監視及び処理装置１０２と通信し、第２のネットワーク１２０を介して遠隔コンピューティングシステム１０８へのゲートウェイとして機能するように構成されてもよい。ローカルコンピューティングデバイス１０６は、例えば、ネットワーク１２０を介して他のデバイスと通信するように構成されたスマートフォン、スマートウォッチ、タブレット、又は他のポータブルスマートデバイスであり得る。代替的に、ローカルコンピューティングデバイス１０６は、例えば、モデム及び／又はルータ能力を含む固定式基地局、ＰＣの無線モジュールを介して処理装置１０２と遠隔コンピューティングシステム１０８との間で情報を通信するための実行可能プログラムを使用するデスクトップコンピュータ又はラップトップコンピュータ、又はＵＳＢドングルなどの固定式又は独立型デバイスであってもよい。患者の生体指標は、ローカルエリアネットワーク（ＬＡＮ）（例えば、パーソナルエリアネットワーク（ＰＡＮ））などの近距離無線ネットワーク１１０を介して、近距離無線技術規格（例えば、Ｂｌｕｅｔｏｏｔｈ、Ｗｉ－Ｆｉ、ＺｉｇＢｅｅ、Ｚ－ｗａｖｅ、及び他の近距離無線規格）を使用して、ローカルコンピューティングデバイス１０６と患者生体計測監視及び処理装置１０２との間で通信されてもよい。いくつかの実施形態では、ローカルコンピューティングデバイス１０６はまた、以下により詳細に記載されるように、取得された患者電気信号及び取得された患者電気信号に関連する情報を表示するように構成されてもよい。

いくつかの実施形態では、遠隔コンピューティングシステム１０８は、監視された患者の生体指標及び監視された患者に関連付けられた情報のうちの少なくとも一方を、長距離ネットワークであるネットワーク１２０を介して受信するように構成されてもよい。例えば、ローカルコンピューティングデバイス１０６が携帯電話である場合、ネットワーク１２０は、無線セルラーネットワークであってもよく、情報は、上記の無線技術のいずれかなどの無線技術規格を介して、ローカルコンピューティングデバイス１０６と遠隔コンピューティングシステム１０８との間で通信されてもよい。以下により詳細に記載されるように、遠隔コンピューティングシステム１０８は、患者の生体指標及び関連する情報のうちの少なくとも一方を医療専門家（例えば、医師）に提供する（例えば、視覚的に表示及び／又は聴覚的に提供する）ように構成されてもよい。

図２は、ネットワーク１２０と通信するコンピューティング環境２００の一例のシステム図である。いくつかの例では、コンピューティング環境２００は、パブリッククラウドコンピューティングプラットフォーム（Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ又はＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅなど）、ハイブリッドクラウドコンピューティングプラットフォーム（ＨＰ Ｅｎｔｅｒｐｒｉｓｅ ＯｎｅＳｐｈｅｒｅなど）又はプライベートクラウドコンピューティングプラットフォームに組み込まれる。

図２に示すように、コンピューティング環境２００は、本明細書に記載される実施形態が実装されてもよいコンピューティングシステムの一実施例である遠隔コンピューティングシステム１０８（以下、コンピュータシステム）を含む。

遠隔コンピューティングシステム１０８は、１つ以上のプロセッサを含むことができるプロセッサ２２０を介して、様々な機能を実行することができる。機能は、監視された患者の生体指標及び関連する情報を分析することと、医師によって判定された又はアルゴリズム駆動された閾値及びパラメータに従って、警告、追加情報又は命令を（例えば、ディスプレイ２６６を介して）提供することと、を含んでもよい。以下により詳細に記載されるように、遠隔コンピューティングシステム１０８は、医療従事者が他の患者よりも重大なニーズを有する患者を識別及び優先することを患者情報が可能にし得るように、患者情報ダッシュボードを（例えば、ディスプレイ２６６を介して）医療従事者（例えば、医師）に提供するために使用することができる。

図２に示すように、コンピュータシステム２１０は、バス２２１などの通信機構、又はコンピュータシステム２１０内の情報を通信するための他の通信機構を含んでもよい。コンピュータシステム２１０は、情報を処理するためにバス２２１と結合された１つ以上のプロセッサ２２０を更に含む。プロセッサ２２０は、１つ以上のＣＰＵ、ＧＰＵ、又は当技術分野において既知の任意の他のプロセッサを含み得る。

コンピュータシステム２１０はまた、プロセッサ２２０によって実行される情報及び命令を記憶するためにバス２２１に結合されたシステムメモリ２３０を含む。システムメモリ２３０は、読み取り専用システムメモリ（read only system memory、ＲＯＭ）２３１及び／又はランダムアクセスメモリ（random access memory、ＲＡＭ）２３２などの揮発性及び／又は不揮発性メモリの形態のコンピュータ可読記憶媒体を含んでもよい。システムメモリＲＡＭ２３２は、他の動的記憶デバイス（例えば、ダイナミックＲＡＭ、スタティックＲＡＭ、及びシンクロナスＤＲＡＭ）を含んでもよい。システムメモリＲＯＭ２３１は、他の静的記憶デバイス（例えば、プログラマブルＲＯＭ、消去可能ＰＲＯＭ、及び電気的消去可能なＰＲＯＭ）を含んでもよい。加えて、システムメモリ２３０は、プロセッサ２２０による命令の実行中に一時変数又は他の中間情報を記憶するために使用することができる。基本入力／出力システム２３３（basic input/output system、ＢＩＯＳ）は、システムメモリＲＯＭ２３１に記憶され得る情報を、始動時などに、コンピュータシステム２１０内の要素間で転送するルーチンを含んでもよい。ＲＡＭ２３２は、プロセッサ２２０に即座にアクセス可能である、かつ／又はプロセッサ２２０によって現在操作されているデータ及び／又はプログラムモジュールを含んでもよい。システムメモリ２３０は、例えば、オペレーティングシステム２３４、アプリケーションプログラム２３５、他のプログラムモジュール２３６、及びプログラムデータ２３７を更に含んでもよい。

図示のコンピュータシステム２１０はまた、磁気ハードディスク２４１及び取り外し可能な媒体ドライブ２４２（例えば、フロッピーディスクドライブ、コンパクトディスクドライブ、テープドライブ、及び／又はソリッドステートドライブ）などの、情報及び命令を記憶するための１つ以上の記憶デバイスを制御するためにバス２２１に結合されたディスクコントローラ２４０を含む。記憶デバイスは、適切なデバイスインターフェース（例えば、小型コンピュータシステムインターフェース（small computer system interface、ＳＣＳＩ）、統合デバイス電子機器（integrated device electronics、ＩＤＥ）、ユニバーサルシリアルバス（Universal Serial Bus、ＵＳＢ）、又はＦｉｒｅＷｉｒｅ）を使用して、コンピュータシステム２１０に追加されてもよい。

コンピュータシステム２１０はまた、コンピュータユーザに情報を表示するための、陰極線管（cathode ray tube、ＣＲＴ）又は液晶ディスプレイ（liquid crystal display、ＬＣＤ）などのモニタ又はディスプレイ２６６を制御するためにバス２２１に結合されたディスプレイコントローラ２６５を含んでもよい。図示されたコンピュータシステム２１０は、ユーザ入力インターフェース２６０と、コンピュータユーザと対話してプロセッサ２２０に情報を提供するための、キーボード２６２及びポインティングデバイス２６１などの１つ以上の入力デバイスとを含む。ポインティングデバイス２６１は、例えば、プロセッサ２２０に方向情報及びコマンド選択を通信し、ディスプレイ２６６上のカーソル移動を制御するためのマウス、トラックボール、又はポインティングスティックであってもよい。ディスプレイ２６６は、ポインティングデバイス２６１及び／又はキーボード２６２による方向情報及びコマンド選択の通信を補完する、又は置き換える入力を可能にし得るタッチスクリーンインターフェースを提供してもよい。

コンピュータシステム２１０は、システムメモリ２３０などのメモリに含まれる１つ以上の命令の１つ以上のシーケンスを実行するプロセッサ２２０に応答して、本明細書に記載される機能及び方法の一部分又は各々を実行してもよい。そのような命令は、ハードディスク２４１又は取り外し可能な媒体ドライブ２４２などの別のコンピュータ可読媒体からシステムメモリ２３０に読み込むことができる。ハードディスク２４１は、本明細書に記載される実施形態によって使用される１つ以上のデータストア及びデータファイルを含んでもよい。データストアコンテンツ及びデータファイルは、セキュリティを改善するために暗号化されてもよい。プロセッサ２２０はまた、システムメモリ２３０に含まれる命令の１つ以上のシーケンスを実行するために、マルチ処理構成で採用されてもよい。代替的な実施形態では、ハードワイヤード回路は、ソフトウェア命令の代わりに、又はソフトウェア命令と組み合わせて使用することができる。したがって、実施形態は、ハードウェア回路とソフトウェアとの任意の特定の組み合わせに限定されない。

上述のように、コンピュータシステム２１０は、本明細書に記載される実施形態に従ってプログラムされた命令を保持し、本明細書に記載されるデータ構造、テーブル、記録、又は他のデータを含むための、少なくとも１つのコンピュータ可読媒体又はメモリを含んでもよい。本明細書で使用するとき、用語「コンピュータ可読媒体」は、実行のためにプロセッサ２２０に命令を提供することに関与する、任意の非一時的な有形媒体を指す。コンピュータ可読媒体は、不揮発性媒体、揮発性媒体、及び伝送媒体を含むがこれらに限定されない多くの形態をとることができる。不揮発性媒体の非限定的な例としては、ハードディスク２４１又は取り外し可能な媒体ドライブ２４２などの、光ディスク、ソリッドステートドライブ、磁気ディスク、及び光磁気ディスクが挙げられる。揮発性媒体の非限定的な例としては、システムメモリ２３０などの動的メモリが挙げられる。伝送媒体の非限定的な例としては、バス２２１を構成するワイヤを含む、同軸ケーブル、銅線、及び光ファイバが挙げられる。伝送媒体はまた、電波及び赤外線データ通信の間に生成されるものなどの音響波又は光波の形態をとることができる。

コンピューティング環境２００は、ローカルコンピューティングデバイス１０６への論理接続、及びパーソナルコンピュータ（ラップトップ又はデスクトップ）、モバイルデバイス（例えば、患者モバイルデバイス）、サーバ、ルータ、ネットワークＰＣ、ピアデバイス、又は他の共通ネットワークノードなどの１つ以上の他のデバイスへの論理接続を使用してネットワーク化された環境内で動作するコンピュータシステム２１０を更に含むことができ、典型的には、コンピュータシステム２１０に関して上述した要素の多く又は全てを含む。ネットワーク環境で使用される場合、コンピュータシステム２１０は、インターネットなどのネットワーク１２０を介して通信を確立するためのモデム２７２を含んでもよい。モデム２７２は、ネットワークインターフェース２７０を介して、又は別の適切な機構を介してシステムバス２２１に接続されてもよい。

図１及び図２に示されるようなネットワーク１２０は、インターネット、イントラネット、ローカルエリアネットワーク（local area network、ＬＡＮ）、広域ネットワーク（wide area network、ＷＡＮ）、メトロポリタンエリアネットワーク（metropolitan area network、ＭＡＮ）、直接接続若しくは一連の接続、セルラー電話ネットワーク、又はコンピュータシステム６１０と他のコンピュータ（例えば、ローカルコンピューティングデバイス１０６）との間の通信を円滑にすることができる任意の他のネットワーク若しくは媒体を含む、当該技術分野で一般的に既知である任意のネットワーク又はシステムであり得る。

図３は、本開示の１つ以上の特徴を実装することができる例示的なデバイス３００のブロック図である。デバイス３００は、例えば、ローカルコンピューティングデバイス１０６であってもよい。デバイス３００は、例えば、コンピュータ、ゲームデバイス、ハンドヘルドデバイス、セットトップボックス、テレビ、携帯電話、又はタブレットコンピュータを含むことができる。デバイス３００は、プロセッサ３０２と、メモリ３０４と、記憶デバイス３０６と、１つ以上の入力デバイス３０８と、１つ以上の出力デバイス３１０と、を含む。デバイス３００はまた、任意選択的に、入力ドライバ３１２及び出力ドライバ３１４を含むことができる。デバイス３００は、人工知能アクセラレータを含む、図３に示されていない追加の構成要素を含むことができることが理解される。

様々な代替例では、プロセッサ３０２は、中央処理装置（central processing unit、ＣＰＵ）、グラフィック処理ユニット（graphics processing unit、ＧＰＵ）、同じダイ上に位置するＣＰＵ及びＧＰＵ、又は１つ以上のプロセッサコアを含み、各プロセッサコアは、ＣＰＵ又はＧＰＵであり得る。様々な代替例では、メモリ３０４は、プロセッサ３０２と同じダイ上に位置するか、又はプロセッサ３０２とは別個に位置する。メモリ３０４は、揮発性メモリ又は不揮発性メモリ、例えば、ランダムアクセスメモリ（ＲＡＭ）、ダイナミックＲＡＭ、又はキャッシュを含む。

記憶デバイス３０６は、固定又は取り外し可能な記憶手段、例えば、ハードディスクドライブ、ソリッドステートドライブ、光ディスク、又はフラッシュドライブを含む。入力デバイス３０８は、限定するものではないが、キーボード、キーパッド、タッチスクリーン、タッチパッド、検出器、マイクロフォン、加速度計、ジャイロスコープ、バイオメトリックスキャナ、又はネットワーク接続（例えば、無線ＩＥＥＥ８０２信号の送信及び／又は受信のための無線ローカルエリアネットワークカード）を含む。出力デバイス３１０は、限定するものではないが、ディスプレイ、スピーカ、プリンタ、触覚フィードバックデバイス、１つ以上のライト、アンテナ、又はネットワーク接続（例えば、無線ＩＥＥＥ８０２信号の送信及び／又は受信のための無線ローカルエリアネットワークカード）を含む。

入力ドライバ３１２は、プロセッサ３０２及び入力デバイス３０８と通信し、プロセッサ３０２が入力デバイス３０８から入力を受信することを可能にする。出力ドライバ３１４は、プロセッサ３０２及び出力デバイス３１０と通信し、プロセッサ３０２が出力デバイス３１０に出力を送信することを可能にする。入力ドライバ３１２及び出力ドライバ３１４は、任意選択的な構成要素であり、入力ドライバ３１２及び出力ドライバ３１４が存在しない場合、デバイス３００は、同じ方式で動作することに留意されたい。出力ドライバ３１６は、表示デバイス３１８に結合された加速処理デバイス（accelerated processing device、「ＡＰＤ」）３１６を含む。ＡＰＤは、プロセッサ３０２からの計算コマンド及びグラフィックレンダリングコマンドを受け付け、それらの計算コマンド及びグラフィックレンダリングコマンドを処理し、表示のために表示デバイス３１８に画素出力を提供する。以下に更に詳細に記載されるように、ＡＰＤ３１６は、単一命令複数データ（single-instruction-multiple-data、「ＳＩＭＤ」）パラダイムに従って計算を実行する、１つ以上の並列処理ユニットを含む。したがって、様々な機能がＡＰＤ３１６によって、又はＡＰＤ３１６と連携して実行されるものとして本明細書に記載されているが、様々な代替例では、ＡＰＤ３１６によって実行されるものとして記載される機能は、追加的に又は代替的に、ホストプロセッサ（例えば、プロセッサ３０２）によって駆動されず、表示デバイス３１８にグラフィカル出力を提供する類似の能力を有する他のコンピューティングデバイスによって実行される。例えば、ＳＩＭＤパラダイムに従って処理タスクを実行する任意の処理システムは、本明細書に記載される機能を実行することができることが企図される。代替的に、ＳＩＭＤパラダイムに従って処理タスクを実行しないコンピューティングシステムは、本明細書に記載される機能を実行することが企図される。

図４は、図３の例示的なデバイスを組み込んだ人工知能システム２００のグラフィック描写を示す。システム４００は、データ４１０と、マシン４２０と、モデル４３０と、複数の転帰４４０と、基盤となるハードウェア４５０とを含む。システム４００は、複数の転帰４４０を予測できるようにするモデル４３０を構築しながら、データ４１０を使用してマシン４２０を訓練することによって動作する。システム４００が、ハードウェア４５０に対して動作してもよい。そのような構成では、データ４１０は、ハードウェア４５０に関連してもよく、例えば装置１０２に由来してもよい。例えば、データ４１０は、進行中のデータ又はハードウェア４５０に関連する出力データであり得る。マシン４２０は、ハードウェア４５０に関連付けられたコントローラ若しくはデータ収集として動作してもよく、又はこれに関連付けられていてもよい。モデル４３０は、ハードウェア４５０によって達成される転帰を予測するために、ハードウェア４５０の動作をモデル化すると共に、ハードウェア４５０から収集されたデータ４１０をモデル化するように構成され得る。ハードウェア４５０は、予測される転帰４４０を使用して、ハードウェア４５０からの所定の望ましい転帰４４０を提供するように構成され得る。

図５は、図４の人工知能システムにおいて実行される方法５００を示す。方法５００は、ステップ５１０でハードウェアからデータを収集することを含む。このデータは、ハードウェアからの現在収集されているデータ、履歴データ又は他のデータを含んでもよい。例えば、このデータは、外科的処置中の測定を含んでもよく、処置の転帰と関連付けることができる。例えば、心臓の温度を収集し、心臓処置の転帰と相関させることができる。

方法５００は、ステップ５２０でハードウェア上でマシンを訓練することを含む。訓練は、ステップ５１０で収集されたデータの分析及び相関を含み得る。例えば、心臓の場合、温度及び転帰のデータが、処置中の心臓の温度と転帰との間に相関又は関連が存在するか否かを判定するために訓練されてもよい。

方法５００は、ステップ５３０でハードウェアに関連するデータに基づいてモデルを構築することを含む。モデルを構築することは、以下に説明するように、物理的ハードウェア又はソフトウェアモデリング、アルゴリズムモデリングなどを含んでもよい。このモデリングが、収集され訓練されたデータを表現することを目指してもよい。

方法５００は、ステップ５４０でハードウェアに関連するモデルの転帰を予測することを含む。この転帰の予測が、訓練されたモデルに基づいてもよい。例えば、心臓の場合、処置中の温度が９７．７～１００．２の時に処置から肯定的な転帰が得られるとすれば、処置中の心臓の温度に基づいて所与の処置における転帰を予測することができる。このモデルは初歩的なものであるが、本発明の理解を深めるために例示的な目的で提供されている。

本システム及び方法は、マシンを訓練し、モデルを構築し、アルゴリズムを使用して転帰を予測するように動作する。これらのアルゴリズムを使用して、訓練されたモデルを解き、ハードウェアに関連する転帰を予測してもよい。これらのアルゴリズムは、通常、分類アルゴリズム、回帰アルゴリズム、及びクラスタリングアルゴリズムに区分することができる。

例えば、分類アルゴリズムは、予測される変数である従属変数が複数のクラスに分割され、所与の入力に対して１つのクラス、すなわち従属変数を予測する状況で使用される。したがって、分類アルゴリズムは、転帰を所定数の一定の事前定義された転帰から予測するために使用される。分類アルゴリズムが、単純ベイズアルゴリズム、決定木、ランダムフォレスト分類器、ロジスティック回帰、サポート・ベクター・マシン及びｋ近傍法を含んでもよい。

一般的に、単純ベイズアルゴリズムは、ベイズ定理に従い、確率論的アプローチに従う。他の確率論に基づくアルゴリズムも使用可能であり、一般に、例示的な単純ベイズアルゴリズムについて以下に説明するものと同様の確率論の原理を使用して動作することが理解されよう。

図６は、単純ベイズ計算の確率の例を示す。ベイズ定理の確率論的アプローチは、本質的には、データに直接ジャンプする代わりに、アルゴリズムが、ターゲットのクラスごとに事前確率のセットを持っていることを意味する。データが入力された後、単純ベイズアルゴリズムは、事前確率を更新して事後確率を形成してもよい。これは、以下の式：

で表される。

この単純ベイズアルゴリズム及びベイズアルゴリズムは、一般に、入力がｎ個のクラスの所与のリストに属しているか否かを予測する必要がある場合に有用であり得る。ｎ個全てのクラスの確率は非常に低いため、確率論的アプローチを使用することができる。

例えば、図６に示すように、ゴルフをプレーする人は、第１のデータセット６１０に示されている外の天気を含む要因に依存する。第１のデータセット６１０は、第１の列に天気を示し、第２の列にその天気に関連するプレーの結果を示す。頻度テーブル６２０では、特定の事象が発生する頻度が生成される。頻度テーブル６２０では、ある人が各気象条件においてゴルフをプレーするか又はプレーしない頻度が求められる。そこから、尤度テーブルがコンパイルされ、初期確率が生成される。例えば、天気が曇りである確率は０．２９だが、プレーすることの一般的な確率は０．６４である。

事後確率が、尤度テーブル６３０から生成されてもよい。これらの事後確率は、気象条件及びゴルフがそれらの気象条件でプレーされるか否かについての質問に答えるように構成されてもよい。例えば、外が晴れであり、かつゴルフがプレーされる確率は、ベイズ式：
Ｐ（はい｜晴れ）＝Ｐ（晴れ｜はい）×Ｐ（はい）／Ｐ（晴れ）
によって表されてもよい。

尤度テーブル６３０によると、
Ｐ（晴れ｜はい）＝３／９＝０．３３、
Ｐ（晴れ）＝５／１４＝０．３６、
Ｐ（はい）＝９／１４＝０．６４
である。

したがって、Ｐ（はい｜晴れ）＝０．３３×０．６４／０．３６、つまり約０．６０（６０％）である。

一般に、決定木はフローチャートに似たツリー構造であり、各外部ノードは属性のテストを示し、各ブランチはそのテストの結果を表す。葉ノードは、実際の予測ラベルを含む。決定木は、木の根から始まり、葉ノードに到達するまで属性値が比較される。決定木は、高次元のデータを処理する場合、及びデータの準備に費やされた時間がほとんどない場合に、分類器として使用することができる。決定木は、単純決定木、線形決定木、代数決定木、確定的決定木、ランダム化決定木、非確定的決定木及び量子決定木の形態をとることができる。例示的な決定木を、以下に図７で示す。

図７は、ゴルフをプレーするか否かを決定する際の、上記のベイズの例と同じ構造に沿った決定木を示している。決定木において、第１のノード７１０は、決定木を下に進むための選択肢として、天気が晴れ７１２、曇り７１４、及び雨７１６である場合を調べる。天気が晴れである場合、木の枝は、気温を調べる第２のノード７２０に続く。この例では、ノード７２０の気温は、高７２２又は正常７２４であり得る。ノード７２０で気温が高７２２である場合、ゴルフ「いいえ」７２３の予測結果が発生する。ノード７２０で気温が正常７２４である場合、ゴルフ「はい」７２５の予測結果が発生する。

更に、第１のノード７１０から、曇り７１４、ゴルフ「はい」７１５の結果が発生する。

第１のノードの天気７１０から、雨７１６の結果として、（再び）第３のノード７３０が温度を調べる。第３のノード７３０で気温が正常７３２である場合、ゴルフをプレーする「はい」７３３となる。第３のノード７３０で気温が低７３４である場合、ゴルフをプレーしない「いいえ」７３５となる。

この決定木から、あるゴルファーは曇天７１５の場合、正常の気温の晴天７２５の場合及び正常の気温の雨天７３３の場合はゴルフをプレーするが、このゴルファーは晴天の高温７２３又は雨天の低温７３５の場合はプレーしない。

ランダムフォレスト分類器は、決定木のコミッティーであり、各決定木は、データの属性のサブセットを与えられ、そのサブセットに基づいて予測する。決定木の実際の予測値のモードが考慮され、最終的なランダムフォレストの回答が提供される。ランダムフォレスト分類器は一般に、スタンドアロンの決定木に存在する過剰適合を軽減することで、より堅牢かつ正確な分類器となっている。

図８は、衣服の色を分類するための例示的なランダムフォレスト分類器を示す。図８に示すように、ランダムフォレスト分類器は、５つの決定木、８１０_１、８１０_２、８１０_３、８１０_４、及び８１０_５（まとめて又は概略的に決定木８１０と呼ばれる）を含む。木の各々は、衣服の色を分類するように設計されている。個々の木は概ね図７の決定木のように動作するので、木及び行われる決定の各々の考察は提供されない。この図では、５つの木のうちの３つ（８１０_１、８１０_２、８１０_４）が衣服が青色であると判定し、１つが衣服が緑色（８１０_３）であると判定し、残りの木は衣服が赤色（８１０_５）であると判定する。ランダムフォレストは、５つの木のこれらの実際の予測値を受け取り、実際の予測値のモードを計算して、衣服が青色であるというランダムフォレストの回答を提供する。

ロジスティック回帰は、バイナリ分類タスクのもう１つのアルゴリズムである。ロジスティック回帰は、シグモイド関数とも呼ばれるロジスティック関数に基づいている。このＳ字曲線は、任意の実数値をとり、これを０～１でマッピングして、漸近的にこれらの限界に近づくことができる。ロジスティックモデルは、合格／不合格、勝ち／負け、生存／死亡、又は健康／病気など、特定のクラス又は事象が存在する確率をモデル化するために使用できる。これは、画像に猫、犬、ライオンなどが含まれているか否かの判定など、いくつかのクラスの事象をモデル化するように拡張され得る。画像において検出される各オブジェクトには、０～１の確率が割り当てられ、これらの確率の合計は、１となる。

ロジスティックモデルでは、「１」とラベル付けされた値の対数オッズ（オッズの対数）は、１つ以上の独立変数（「予測子」）の線形結合であり、独立変数は各々、バイナリ変数（インジケータ変数でコード化された２つのクラス）又は連続変数（任意の実数値）であり得る。「１」とラベル付けされた値の対応する確率は、０（確実に「０」の値）と１（確実に「１」の値）との間で変化する可能性があることから、このようにラベル付けされ、ロジスティック関数は、対数オッズを確率に変換する関数であることから、このように称される。対数オッズスケールの測定単位は、ロジスティック単位の別名であるロジットと呼ばれる。プロビットモデルなどの、ロジスティック関数の代わりにシグモイド関数が異なる類似のモデルも使用できる。ロジスティックモデルの特徴は、独立変数のうちの１つを増加させると、与えられた結果のオッズが一定の割合で乗法的にスケーリングされ、各独立変数がそれ自体のパラメータを有することである。バイナリ従属変数の場合、これはオッズ比を一般化する。

バイナリロジスティック回帰モデルでは、従属変数には２つのレベル（カテゴリ）がある。３つ以上の値を有する出力は、多項ロジスティック回帰によってモデル化され、複数のカテゴリが順序付けられている場合は、順序ロジスティック回帰（例えば、比例オッズ順序ロジスティックモデル）によってモデル化される。ロジスティック回帰モデル自体は、出力の確率を入力に関して単純にモデル化し、統計的分類を実行しない（分類器ではない）が、例えば、カットオフ値を選択し、確率がカットオフよりも大きい入力を１つのクラスとして、確率がカットオフ未満である入力を他のクラスとして分類することにより、分類器の作成に使用できる。これは、バイナリ分類器を作成する一般的な方法である。

図９は、例示的なロジスティック回帰を示す。この例示的なロジスティック回帰は、変数のセットに基づいた結果の予測を可能にする。例えば、個人の成績点平均に基づいて、学校に受け入れられる結果を予測することができる。成績点平均の過去の履歴及び合格との関係により、予測を行うことができる。図９のロジスティック回帰は、成績点平均変数９２０の分析が、０～１によって定義される結果９１０を予測することを可能にする。Ｓ字曲線の下端９３０では、成績点平均９２０は、受け入れられないという結果９１０を予測する。Ｓ字曲線の上端９４０では、成績点平均９２０は、受け入れられるという結果９１０を予測する。ロジスティック回帰を使用して、住宅価値、保険セクタの顧客生涯価値などを予測することができる。

サポート・ベクター・マシン（support vector machine、ＳＶＭ）を使用して、２つのクラス間のマージンを可能な限り離してデータを並べ替えることができる。これは、マージン最大化分離と呼ばれる。ＳＶＭは、その目的でデータセット全体を使用する線形回帰とは異なり、超平面をプロットしながらサポートベクターを考慮することが可能である。

図１０は、例示的なサポート・ベクター・マシンを示す。例示的なＳＶＭ１０００では、データは、正方形１０１０及び三角形１０２０として表される２つの異なるクラスに分類され得る。ＳＶＭ１０００は、ランダムな超平面１０３０を描画することによって動作する。この超平面１０３０は、超平面１０３０と各クラスからの最も近いデータポイント１０５０との間の距離（線１０４０で示される）を比較することによって監視される。超平面１０３０に最も近いデータポイント１０５０は、サポートベクターとして既知である。超平面１０３０は、これらのサポートベクター１０５０に基づいて描かれ、最適な超平面は、サポートベクター１０５０のそれぞれからの最大距離を有する。超平面１０３０とサポートベクター１０５０との間の距離は、マージンとして既知である。

ＳＶＭ１０００は、超平面１０３０とサポートベクター１０５０との間の距離が最大になるように超平面１０３０を使用することによって、データ分類に使用され得る。このようなＳＶＭ１０００を、例えば心臓疾患を予測するために使用してもよい。

ｋ近傍法（K Nearest Neighbors、ＫＮＮ）は、一般に基本的なデータ分散を想定しておらず、合理的に短い訓練フェーズを実行する一連のアルゴリズムを指す。一般に、ＫＮＮは、複数のクラスに分割された多数のデータポイントを使用して、新しいサンプルポイントの分類を予測する。運用上、ＫＮＮは、新しいサンプルで整数Ｎを指定する。新しいサンプルに最も近いシステムのモデル内のＮ個のエントリが選択される。これらのエントリの最も一般的な分類が決定され、その分類が新しいサンプルに割り当てられる。ＫＮＮは一般に、訓練セットが増加するにつれて記憶空間を増加させる必要がある。これは、推定時間が訓練ポイントの数に比例して増加することも意味する。

回帰アルゴリズムでは、出力は連続量であるため、目標変数が連続的な変数である場合に回帰アルゴリズムを使用することができる。線形回帰は、回帰アルゴリズムの一般的な例である。線形回帰は、一貫した変数を考慮して、真の品質（住宅コスト、コール回数、全ての取引など）を測定するために使用可能である。変数と結果との間のつながりが、最適な線を当てはめることによって求められる（このことから線形回帰）。この最適線は回帰線として知られ、直接条件Ｙ＝ａ×Ｘ＋ｂで表される。線形回帰は、次元数が少ないアプローチで最もよく使用される。

図１１は、例示的な線形回帰モデルを示す。このモデルでは、予測変数１１１０が測定変数１１２０に対してモデル化される。予測変数１１１０及び測定変数１１２０のインスタンスのクラスタは、データポイント１１３０としてプロットされている。次に、データポイント１１３０は、最適線１１４０に当てはめられる。次に、後続の予測で最適線１１４０を使用するが、測定変数１１２０が与えられている場合、その例では線１１４０を使用して予測変数１１１０を予測する。線形回帰を使用して、金融ポートフォリオ、給与予測、不動産及び交通機関の到着予定時刻をモデル化及び予測することができる。

クラスタリングアルゴリズムを、データセットのモデル化及び訓練に使用してもよい。クラスタリングでは、入力は、特徴の類似性に基づいて２つ以上のクラスタに割り当てられる。クラスタリングアルゴリズムは、通常、ガイダンスなしでデータからパターン及び有用な洞察を学習する。例えば、Ｋ平均クラスタリングなどの教師なし学習アルゴリズムを使用して、視聴者を興味、年齢、地理などに基づいて類似のグループにクラスタリングすることができる。

Ｋ平均クラスタリングは、一般に、単純な教師なし学習アプローチと見なされる。Ｋ平均クラスタリングでは、同様のデータポイントを一緒にクラスタリングし、クラスタの形でバインドすることができる。データポイントを一緒にバインドする方法の１つは、データポイント群の重心を計算することによって行われる。効果的なクラスタの決定では、Ｋ平均クラスタリングで、各ポイント間のクラスタの重心からの距離が評価される。データポイントと重心との間の距離に応じて、データは最も近いクラスタに割り当てられる。クラスタリングの目的は、一連のラベルなしデータの固有のグループ化を判定することである。Ｋ平均における「Ｋ」は、形成されたクラスタの数を表す。クラスタの数（基本的には、データの新しいインスタンスが分類され得るクラスの数）は、ユーザによって判定され得る。この判定は、例えば、フィードバックを使用し、訓練中にクラスタのサイズを見ることで行うことができる。

Ｋ平均は、主にデータセットが別個かつ良好に分離されたポイントを有する場合に使用され、そうでなければ、クラスタが分離されていない場合、モデリングは、クラスタを不正確にレンダリングすることがある。また、データセットに多数の外れ値が含まれている場合、又はデータセットが非線形である場合には、Ｋ平均を回避することができる。

図１２は、Ｋ平均クラスタリングを示す。Ｋ平均クラスタリングでは、データポイントがプロットされ、Ｋ値が割り当てられる。例えば、図１２のＫ＝２の場合、データポイントは、描写１２１０に示されるようにプロットされる。次に、ステップ１２２０で、ポイントが同様の中心に割り当てられる。クラスタの重心が、１２３０に示すように特定される。重心が特定されると、１２４０に示すように、データポイントと各クラスタの重心との間の距離が最小となるようにポイントがクラスタに再割り当てされる。次に、クラスタの新しい重心が、描写１２５０に示されるように判定され得る。データポイントがクラスタに再割り当てされて、クラスタの新しい重心が形成されると、反復又は一連の反復が発生して、クラスタのサイズを最小化し、最適な重心を判定することができる。次に、新しいデータポイントが測定されると、その新しいデータポイントが重心及びクラスタと比較され、そのクラスタで特定され得る。

アンサンブル学習アルゴリズムを使用してもよい。これらのアルゴリズムは、複数の学習アルゴリズムを使用して、構成要素である学習アルゴリズムのいずれかのみから得られるよりも優れた予測パフォーマンスを実現する。アンサンブル学習アルゴリズムは、仮説空間を検索するタスクを実行して、特定の問題について良好な予測を行う、好適な仮説を見つける。仮説空間に特定の問題に非常に適した仮説が含まれている場合でも、適切な仮説を見つけるのは非常に難しい場合がある。アンサンブルアルゴリズムは、複数の仮説を組み合わせてより良い仮説を形成する。アンサンブルという用語は通常、同じ基本学習器を使用して複数の仮説を生成する方法で用いられる。複数分類器システムのより広い概念は、同じ基本学習器によって誘導されない仮説のハイブリダイゼーション（hybridization of hypotheses）も網羅する。

アンサンブルの予測を評価するには、通常、単一のモデルの予測を評価するよりも多くの計算が必要になるため、アンサンブルは、多くの余分な計算を実行することにより、貧弱な学習アルゴリズムを補う方法と考えることができる。決定木などの高速アルゴリズムは、一般にはランダムフォレストなどのアンサンブル法で使用されているが、より低速のアルゴリズムでもアンサンブル法の恩恵を受けることができる。

アンサンブルは、訓練後に使用して予測を行うことができるため、それ自体が教師付き学習アルゴリズムである。したがって、訓練されたアンサンブルは、単一の仮説を表す。しかしながら、この仮説は、それが構築されたモデルの仮説空間内に含まれているとは限らない。したがって、アンサンブルは、それらが表すことができる関数において、より多くの柔軟性を有するように示され得る。この柔軟性により、理論的には、単一のモデルよりも訓練データを過剰適合させることができるが、実際には、一部のアンサンブル法（特にバギング）は、訓練データの過剰適合に関連する問題を低減する傾向がある。

経験的に、モデル間にかなりの多様性がある場合、アンサンブルアルゴリズムは、より良い結果をもたらす傾向がある。したがって、多くのアンサンブル法は、それらが組み合わせるモデル間の多様性を促進することを目指している。直感的ではないが、（エントロピ低減決定木などの）非常に慎重なアルゴリズムよりも強力なアンサンブルを生成するために、（ランダム決定木などの）よりランダムなアルゴリズムを使用することができる。しかしながら、様々な強力な学習アルゴリズムの使用は、多様性を促進するためにモデルを簡略化しようとする手法を使用することよりも効果的であることが示されている。

アンサンブルの構成要素分類器の数は、予測の精度に大きな影響を与える。アンサンブルのサイズとビッグデータストリームの量及び速度とを先験的に判定することは、これを、オンラインアンサンブル分類器にとって、更に重要にする。理論上のフレームワークは、理想的な数の構成要素分類器がアンサンブルに存在し、分類器がこの数より多いか又は少ないと精度が低下することを示唆している。理論上のフレームワークは、クラスラベルと同じ数の独立した構成要素分類器を使用すると、最も高い精度が得られることを示している。

アンサンブルのいくつかの一般的なタイプには、ベイズ最適分類器、ブートストラップ集約（バギング）、ブースティング、ベイズモデル平均化、ベイズモデルの組み合わせ、モデルのバケット及びスタッキングが含まれる。図１３は、バギングが並行して実行されており（１３１０）、ブースティングが順次に実行されている（１３２０）例示的なアンサンブル学習アルゴリズムを示している。

ニューラルネットワークは、ニューロンのネットワーク又は回路、あるいは現代的な意味では、人工ニューロン又はノードで構成されている人工ニューラルネットワークである。生物学的ニューロンの接続が、重みとしてモデリングされる。正の重みは興奮性の接続を反映し、負の値は抑制性の接続を意味する。入力は重みで修正され、線形結合を使用して合計される。活性化関数が、出力の振幅を制御することができる。例えば、出力の許容範囲は通常０～１であるが、－１～１の場合もある。

これらの人工ネットワークは、予測モデリング、適応制御及びアプリケーションに使用でき、データセットを介して訓練することができる。経験から生じる自己学習がネットワーク内で発生する可能性があり、複雑で一見無関係なセットの情報から結論を導き出すことができる。

完全を期すために、生物学的ニューラルネットワークは、化学的に接続されたニューロン又は機能的に関連付けられたニューロンのグループから構成されている。１つのニューロンが他の多くのニューロンに接続され得、ネットワーク内のニューロン及び接続の総数は、広範囲にわたり得る。シナプスと呼ばれる接続は、通常、軸索から樹状突起へと形成されるが、樹状突起間シナプス及び他の接続も可能である。電気的な信号伝達とは別に、神経伝達物質の拡散から生じる他の信号伝達形態がある。

人工知能、認知モデリング及びニューラルネットワークは、生物学的神経システムのデータ処理方法に着想を得た情報処理パラダイムである。人工知能及び認知モデリングは、生物学的ニューラルネットワークのいくつかの特性をシミュレートしようとする。人工知能分野では、人工ニューラルネットワークが音声認識、画像分析及び適応制御にうまく適用され、（コンピュータゲーム及びビデオゲームにおける）ソフトウェアエージェント又は自律ロボットが構築されている。

ニューラルネットワーク（neural network、ＮＮ）は、人工ニューラルネットワーク（artificial neural network、ＡＮＮ）又はシミュレートニューラルネットワーク（simulated neural network、ＳＮＮ）と呼ばれる人工ニューロンの場合、情報処理に計算への接続論的アプローチに基づいて数学的モデル又は計算モデルを使用する、天然のニューロン又は人工ニューロンの相互接続されたグループである。ほとんどの場合、ＡＮＮは、ネットワークを通って流れる外部情報又は内部情報に基づいてその構造を変更する適応型システムである。より実際的には、ニューラルネットワークは、非線形の統計データモデリングツール又は意思決定ツールである。これらを、入力と出力の間の複雑な関係をモデリングするため及びデータのパターンを見つけるために使用することができる。

人工ニューラルネットワークは、処理要素と要素パラメータとの間の接続によって判定される複雑でグローバルな挙動を示すことができる単純な処理要素（人工ニューロン）のネットワークを含む。

人工ニューラルネットワークの１つの古典的なタイプは、再帰型ホップフィールドネットワークである。人工ニューラルネットワークモデルの有用性は、それらを使用して、観測から関数を推定し、かつそれを使用することができるという事実にある。教師なしニューラルネットワークは、入力分布の顕著な特徴をキャプチャする入力の表現の学習、及び、最近では、観測データの分布関数を暗黙的に学習することができるディープラーニングアルゴリズムにも使用することができる。ニューラルネットワークでの学習は、データ又はタスクの複雑さのためにそのような関数の設計を手作業で行うのが現実的ではない用途において特に有用である。

ニューラルネットワークは、様々な分野において使用することができる。人工ニューラルネットワークが適用されるタスクは、以下の広いカテゴリにわたる傾向がある：関数近似、又は時系列予測及びモデリングを含む回帰分析、パターン及び配列認識、新規性の検出及び逐次的な意思決定を含む分類、フィルタリング、クラスタリング、ブラインド信号分離、及び圧縮を含むデータ処理。

ＡＮＮの適用領域には、非線形システムの識別及び制御（車両制御、プロセス制御）、ゲームのプレー及び意思決定（バックギャモン、チェス、レース）、パターン認識（レーダシステム、顔識別、オブジェクト認識）、シーケンス認識（ジェスチャ、スピーチ、手書きテキスト認識）、医療診断、金融アプリケーション、データマイニング（又はデータベースでの知識発見（knowledge discovery in database）、すなわち「ＫＤＤ」）、視覚化、並びに電子メールスパムフィルタリングが含まれる。例えば、オブジェクト認識のために訓練された写真から生じるユーザの興味のセマンティックプロファイルを作成することが可能である。

図１４は、例示的なニューラルネットワークを示す。ニューラルネットワークには、１４１０_１及び１４１０_２などの複数の入力で表される入力層が存在する。入力１４１０_１、１４１０_２は、ノード１４２０_１、１４２０_２、１４２０_３、１４２０_４を含むものとして示されている隠れ層に提供される。これらのノード１４２０_１、１４２０_２、１４２０_３、１４２０_４は組み合わされて、出力層において出力１４３０を生成する。ニューラルネットワークは、単純な処理要素であるノード１４２０_１、１４２０_２、１４２０_３、１４２０_４の隠れ層を介して単純な処理を実施し、これらのノードは、処理要素と要素パラメータとの間の接続によって判定される複雑でグローバルな挙動を呈することができる。

図１４のニューラルネットワークがハードウェアで実装されてもよい。図１５に描かれているとおり、ハードウェアベースのニューラルネットワークが示されている。

心不整脈及び特に心房細動は、特に老年人口では、一般的かつ危険な病状として根強く残っている。正常な洞律動を有する患者では、心房、心室、及び興奮伝導組織から構成される心臓は、電気的に興奮して、同期的な、パターン化した形で拍動する。心不整脈を有する患者では、心臓組織の異常領域は、正常な洞律動を有する患者のように通常の伝導組織に関連する同期的な拍動周期には従わない。これに対して、心組織の異常領域は隣接組織に異常伝導し、このため心臓周期が乱れて非同期的な心臓リズムになる。こうした異常伝導は、例えば、房室（ＡＶ）結節及びヒス束の伝導経路に沿った洞房（ＳＡ）結節の領域、又は心室及び心房の壁を形成する心筋組織など、心臓の様々な領域で生じることがこれまでに知られている。

心房性不整脈を含む心不整脈は、心房の周りで散乱して、しばしば自己伝播する電気インパルスの複数の非同期的ループを特徴とする、マルチウェーブレットリエントラント型となる場合がある。マルチウェーブレットリエントラント型に対して代替的に、又はそれに加えて、心不整脈はまた、心房の組織の孤立領域が、急速で反復的な様式で自律的に興奮する場合などの、局所的な起源を有する場合もある。心室頻拍（Ventricular tachycardia、Ｖ－ｔａｃｈ又はＶＴ）は、心室のうちの１つから発生する頻脈症又は高速な心律動である。これは、心室細動及び突然死につながり得るため、潜在的に致死性の不整脈である。

不整脈の一種である心房細動は、洞房結節によって生成される通常の電気インパルスが、心房及び肺静脈内で生じる無秩序な電気インパルスによって圧倒され、不規則なインパルスが心室に伝導する場合に発生する。その結果、不規則な心拍が生じ、数分～数週間、又は更には数年間持続する場合がある。心房細動（ＡＦ）は、多くの場合、脳卒中が原因である場合が多い死亡のリスクのわずかな増加を招く、慢性的な症状である。リスクは年齢と共に増加する。８０歳を超える人々の約８％が、ある程度のＡＦを有している。心房細動は、無症候性である場合が多く、それ自体は概ね致死性ではないが、動悸、脱力感、失神、胸痛及び鬱血性心不全をもたらす恐れがある。収縮が不十分な心房及び左心耳に血液が溜まって血栓を形成する可能性があるため、ＡＦ中に脳卒中のリスクが高まる。最初に使われるＡＦ治療は、心拍数を低下させるか、又は心律動を正常に戻す薬物治療である。更には、ＡＦを有する患者は、脳卒中のリスクから自身を守るために、抗凝血剤を与えられる場合が多い。そのような抗凝血剤の使用は、それ自体のリスクである内出血を伴う。一部の患者では、薬物治療が不十分であり、彼らのＡＦは薬剤不応性であり、すなわち標準的な薬理学的介入では治療不可能であると見なされる。同期電気的除細動もまた、ＡＦを正常な心律動に変換するために使用することができる。あるいは、ＡＦ患者は、カテーテルアブレーションによって治療される。

カテーテルアブレーションベースの治療には、心臓組織、特に心内膜及び心臓容積の電気的特性をマッピングすること、並びにエネルギーの印加によって心臓組織を選択的にアブレーションすることが含まれてもよい。心臓マッピング、例えば、心臓組織に沿った波動伝播の電位マップ（電圧マップ）、又は様々な組織位置点までの到達時間のマップ（局所興奮時間（local time activation、ＬＡＴ）マップ）を生成することを使用して、局所的心臓組織機能不全を検出することができ、心臓マッピングに基づくものなどのアブレーションは、心臓のある部分から別の部分への望ましくない電気信号の伝播を停止又は修正することができる。

アブレーション法は、非伝導性の損傷部を形成することによって望ましくない電気経路を破壊するものである。様々なエネルギー送達の様式が、損傷部を形成する目的でこれまでに開示されており、心臓組織壁に沿って伝導ブロックを作るためのマイクロ波、レーザ、及びより一般的には無線周波エネルギーの使用が挙げられる。マッピングに続いてアブレーションを行う２段階の処置においては、通常、１つ以上の電気センサ（又は電極）を収納したカテーテルを心臓の内部に前進させ、多数のポイントにおけるデータを取得することによって、心臓内の各ポイントにおける電気活動が感知及び測定される。次いでこれらのデータを利用して、アブレーションが実施される心内膜の標的領域が選択される。

心房細動及び心室頻拍などの困難な状態を医師が治療する際の心臓アブレーション及び他の心臓の電気生理学的処置は、ますます複雑化している。複雑な不整脈の治療は、関心のある心腔の解剖学的構造を再構築するために、現在、３次元（３Ｄ）マッピングシステムの使用に依存し得る。

例えば、心臓病専門医は、心臓内ＥＧＭ信号を解析して、非通常型心房粗動及び心室頻拍を含む様々な心臓疾患を治療するためのアブレーションポイントを判定するために、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒ，Ｉｎｃ．（Ｄｉａｍｏｎｄ Ｂａｒ，Ｃａｌｉｆｏｒｎｉａ）製のＣＡＲＴＯ（登録商標）３ ３Ｄマッピングシステムのコンプレックス細分化心房電位図（Complex Fractionated Atrial Electrograms、ＣＦＡＥ）モジュールなどのソフトウェアに依存する。

３Ｄマップは、これらの困難な不整脈の解剖学的及び機能的基質を表す、組織の電気生理学的特性に関する複数の情報を提供することができる。

病因の異なる心筋症（虚血性、拡張型心筋症（dilated cardiomyopathy、ＤＣＭ）、肥大型心筋症（hypertrophic cardiomyopathy、ＨＣＭ）、不整脈原右室異形成症（arrhythmogenic right ventricular dysplasia、ＡＲＶＤ）、左心室緻密化障害（left ventricular non-compaction、ＬＶＮＣ）等）は、識別可能な基質を有し、正常に機能している心筋細胞領域で囲まれている不健康な組織領域を特徴とする。

図１６Ａ～図１６Ｄは、病因の異なる心筋症の例を示す。第１の例として、図１６Ａ及び図１６Ｂは、信号伝導が減速される心内膜－心外膜低又は中間電圧領域１６０２を特徴とする虚血後心室頻拍（ＶＴ）を有する心臓１６００の例示的なレンダリングを示す。これは、高密度の瘢痕領域の内部又はその周囲のあらゆる遅延電位の測定が、ＶＴを持続させる可能性がある峡部を同定するのに役立ち得ることを示している。図１６Ａに示される虚血後ＶＴは、信号伝導が減速される心内膜－心外膜低又は中間電圧領域によって特徴付けられる。これは、高密度の瘢痕領域の内部又はその周囲のあらゆる遅延電位の測定が、ＶＴを持続させる可能性がある峡部を同定するのに役立ち得ることを示している。図１６Ａは、心臓１６００の様々なセクタにおける双極信号振幅（Ｂｉ）の分散を示す。図１６Ａは、０．５ｍＶ～１．５ｍＶのＢｉ範囲を示す。図１６Ｂは、心臓の様々なセクタにおけるショーテックスコンプレックスインターバル（Shortex Complex Interval、ＳＣＩ）の分散を示す。実施例として、ＳＣＩは１５．０ミリ秒～１７１．００ミリ秒の範囲であり、対象となるＳＣＩ範囲は８０ミリ秒～１７０ミリ秒である。

図１６Ｃ及び図１６Ｄは、左心室非圧縮性心筋症を発症している心臓１６１０の例示的なレンダリングを示す。より具体的には、図１６Ｃは心外膜電圧マップを示し、図１６Ｄは電位持続時間マップ（potential duration map、ＰＤＭ）を示す。図１６Ｃ及び図１６Ｄの１６１２内の３つの黒丸は、異常な遅延電位（例えば、２００ミリ秒を超える電位）としてマークされている。

異常組織は、一般に、低電圧のＥＧＭを特徴とする。しかしながら、心内膜－心外膜マッピングにおける初期の臨床経験によって、低電圧の領域は、こうした患者における唯一の不整脈発生機序として常に存在するとは限らないことが示されている。実際に、低電圧又は中電圧の領域は、洞律動の間にＥＧＭの細分化及び遅延活動を示す場合があり、これは、持続性のまとまりのある心室性不整脈の際に識別される臨界峡部（critical isthmus）に対応する（例えば、許容されない心室頻拍のみに当てはまる）。更に、多くの場合、ＥＧＭの細分化及び遅延活動は、正常又はほぼ正常な電圧振幅（＞１～１．５ｍＶ）を示す領域で観察される。後者の領域は、電圧振幅に従って評価することができるが、心内信号によれば正常とは見なされず、したがって真の不整脈原性基質を表している。３Ｄマッピングは、主要疾患の進展によって分布にばらつきがあり得る、右／左心室の心内膜及び／又は心外膜層上の不整脈原性基質の位置を特定することができる。

これらの心臓疾患に関係している基質が、心室腔（右及び左）の心内膜及び／又は心外膜層の細分化された遅延ＥＧＭの存在と関連付けられる。ＣＡＲＴＯ（登録商標）３などの３Ｄマッピングシステムは、異常ＥＧＭ検出に関して、心筋症の潜在的な不整脈源性基質の位置を特定することができる。

長年、医業において電極カテーテルがよく使用されてきた。電極カテーテルは、心臓における電気活動を刺激し、マッピングし、異常な電気活動の部位をアブレーションするのに使用される。使用時には、電極カテーテルは、主要な静脈又は動脈、例えば、大腿動脈に挿入された後、対象の心腔内へと導かれる。典型的なアブレーション処置は、その遠位端に少なくとも１つの電極を有するカテーテルを心腔内に挿入することを伴う。参照電極が、一般的には患者の皮膚にテープで貼り付けられるか、あるいは心臓内又は心臓付近に位置付けられている第２のカテーテルによって、提供される。ＲＦ（高周波）電流をアブレーションカテーテルの先端電極に通電すると、参照電極に向かって先端電極の周囲の媒質（すなわち、血液及び組織）を通って電流が流れる。電流分布は、組織よりも伝導率の高い血液と比べて、組織に接触している電極表面量によって決まる。その電気抵抗が原因で組織の加熱が発生する。組織が十分に加熱されると、心臓組織において細胞破壊が引き起こされ、結果として、心臓組織内に電気的に非伝導性である損傷が形成される。このプロセスの間に、加熱された組織から電極自体への伝導によって電極も加熱される。電極の温度が十分に高くなり、場合により６０℃を超えると、脱水された血液タンパク質の薄く透明な皮膜が、電極の表面上に形成され得る。温度が上昇し続けると、この脱水層が徐々に厚くなり得、電極表面上に血液が凝固する。脱水された生物学的材料は、心内膜組織よりも高い電気抵抗を有するため、電気エネルギーの組織内部への流れに対するインピーダンスもまた増大する。インピーダンスが十分に高くなる場合、インピーダンス上昇が起こり、カテーテルを身体から抜き取り、先端電極を洗浄しなければならない。

図１７は、本開示の主題の１つ以上の特徴が実装され得る例示的なシステム１７２０の図である。システム１７２０の全て若しくは一部が、訓練データセットの情報を収集するために使用されてもよく、かつ／又はシステム１７２０の全て若しくは一部が、訓練されたモデルを実装するために使用されてもよい。システム１７２０は、体内器官の組織部域を損傷するように構成されたカテーテル１７４０などの構成要素を含んでもよい。カテーテル１７４０はまた、生体データを取得するように更に構成されてもよい。カテーテル１７４０は、ポイントカテーテルであることが示されているが、１つ以上の要素（例えば、電極）を含む任意の形状のカテーテルを使用して、本明細書に開示される実施形態を実装することができることが理解されよう。システム１７２０は、テーブル１７２９上に横になっている患者１７２８の心臓１７２６などの身体部分に医師１７３０によってナビゲートされ得るシャフトを有するプローブ１７２１を含む。実施形態によれば、複数のプローブが提供されてもよいが、簡潔にするために、単一のプローブ１７２１が本明細書にて記載されている。しかしながら、プローブ１７２１が複数のプローブを表し得ることが理解されるであろう。図１７に示されるように、医師１７３０は、カテーテル１７４０の近位端の近くのマニピュレータ１７３２及び／又はシース１７２３からの偏向を使用して、シャフト１７２２の遠位端を操作しながら、シース１７２３を通してシャフト１７２２を挿入することができる。差し込み図１７２５に示されるように、カテーテル１７４０は、シャフト１７２２の遠位端に取り付けられてもよい。カテーテル１７４０は、折りたたまれた状態でシース１７２３を通して挿入されてもよく、次いで、心臓１７２６内で拡張されてもよい。本明細書に更に開示されるように、カテーテル１７４０は、少なくとも１つのアブレーション電極１７４７及びカテーテル針１７４８を含み得る。

例示的な実施形態によれば、カテーテル１７４０は、心臓１７２６の心腔の組織部域をアブレーションするように構成されてもよい。差し込み図１７４５は、心臓１７２６の心腔内部のカテーテル１７４０を拡大図で示している。図示のように、カテーテル１７４０は、カテーテルの本体に結合された少なくとも１つのアブレーション電極１７４７を含み得る。他の例示的な実施形態によれば、複数の要素は、カテーテル１７４０の形状を形成するスプラインを介して接続されてもよい。１つ以上の他の要素（図示せず）を設けることができ、それらは、アブレーションを行うか又は生体データを取得するように構成された任意の要素であってよく、電極、トランスデューサ、又は１つ以上の他の要素であり得る。

本明細書に開示される実施形態によれば、電極１７４７などのアブレーション電極は、心臓１７２６などの体内器官の組織部域にエネルギーを供給するように構成されてもよい。エネルギーは、熱エネルギーであってよく、組織領域の表面から始まって組織領域の厚さに延びる組織領域への損傷を引き起こす可能性がある。

本明細書に開示される例示的な実施形態によれば、生体データは、ＬＡＴ、電気活動、トポロジー、双極マッピング、主要周波数、インピーダンスなどのうちの１つ以上を含み得る。局所興奮時間は、正規化された初期開始点に基づいて計算された、局所興奮に対応する閾値活動の時点であり得る。電気活動は、１つ以上の閾値に基づいて測定され得る任意の適用可能な電気信号であってよく、信号対ノイズ比及び／又は他のフィルタに基づいて、検知及び／又は拡張され得る。トポロジーは、身体部分又は身体部分の一部の物理的構造に対応し得、身体部分の異なる部分に関する、又は異なる身体部分に関する物理的構造の変化に対応し得る。主要周波数は、身体部分の一部に行き渡る周波数又は周波数の範囲であり得、同じ身体部分の異なる部分において異なり得る。例えば、心臓の肺静脈の主要周波数は、同じ心臓の右心房の主要周波数と異なり得る。インピーダンスは、身体部分の所与の領域における抵抗測定値であり得る。

図１７に示されるように、プローブ１７２１及びカテーテル１７４０は、コンソール１７２４に接続されてもよい。コンソール１７２４は、カテーテルとの間で信号を送受信するため、並びにシステム１７２０の他の構成要素を制御するための、適切なフロントエンド及びインターフェース回路１７３８を備えた汎用コンピュータなどのプロセッサ１７４１を含み得る。いくつかの実施形態では、プロセッサ１７４１は、電気活動などの生体データを受信し、所与の組織領域が電気を伝導するかどうかを判定するように更に構成され得る。一実施形態によれば、プロセッサは、コンソール１７２４の外部にあってもよく、例えば、カテーテル内、外部デバイス内、モバイルデバイス内、クラウドベースのデバイス内に位置してもよく、又はスタンドアロン型プロセッサであってもよい。

上述のように、プロセッサ１７４１は、汎用コンピュータを含み得、このコンピュータは、本明細書で説明される機能を実行するようにソフトウェアでプログラムされ得る。ソフトウェアは、例えば、ネットワーク上で、汎用コンピュータに電子形態でダウンロードされてよく、又は代替的に若しくは追加的に、磁気メモリ、光学メモリ、若しくは電子メモリなどの、非一時的有形媒体上で提供及び／若しくは保存されてもよい。図１７に示す例示的な構成は、本明細書に開示される実施形態を実施するように修正され得る。本開示の実施形態は、他のシステム構成要素及び設定を使用して、同様に適用することができる。更に、システム１６２０は、電気活動を感知するための要素、有線又は無線コネクタ、処理及び表示デバイスなどの追加の構成要素を含み得る。

一実施形態によれば、プロセッサ（例えば、プロセッサ１７４１）に接続されたディスプレイは、別個の病院などの隔地に配置されてもよく、又は別個の医療提供者ネットワーク内に配置されてもよい。更に、システム１７２０は、心臓などの患者の器官の解剖学的及び電気的測定値を取得するように構成されており、心臓アブレーション処置を実施する外科用システムの一部であってもよい。かかる外科用システムの一例は、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒにより販売されているＣａｒｔｏ（登録商標）システムである。

システム１７２０はまた、任意選択により、超音波、コンピュータ断層撮影（computed tomography、ＣＴ）、磁気共鳴映像法（magnetic resonance imaging、ＭＲＩ）、又は当該技術分野において既知の他の医療撮像技術を使用して、患者の心臓の解剖学的測定値などの生体データを取得することができる。システム１７２０は、カテーテル、心電図（ＥＫＧ）、又は心臓の電気的特性を測定する他のセンサを使用して電気的測定値を取得することができる。次に、解剖学的及び電気的測定値を含む生体データは、図１７に示されるように、マッピングシステム１７２０のメモリ１７４２内に記憶されてもよい。生体データは、メモリ１７４２からプロセッサ１７４１に伝送され得る。代替的に、又は加えて、生体データは、ネットワーク１６６２を使用して、ローカル又はリモートであり得るサーバ１７６０に送信され得る。

ネットワーク１７６２は、イントラネット、ローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、直接接続若しくは一連の接続、携帯電話ネットワーク、又はマッピングシステム１７２０とサーバ１７６０との間の通信を円滑にすることができる任意の他のネットワーク若しくは媒体など、当該技術分野で一般に知られている任意のネットワーク又はシステムであってもよい。ネットワーク１６６２は、有線、無線、又はこれらの組み合わせであり得る。有線接続は、イーサネット、ユニバーサルシリアルバス（Universal Serial Bus、ＵＳＢ）、ＲＪ－１１、又は当該技術分野において一般的に知られている任意の他の有線接続を使用して実装することができる。無線接続は、Ｗｉ－Ｆｉ、ＷｉＭＡＸ、及びＢｌｕｅｔｏｏｔｈ、赤外線、セルラーネットワーク、衛星、又は当該技術分野において一般的に知られている任意のその他の無線接続方法を使用して実装することができる。追加的に、いくつかのネットワークは、ネットワーク１７６２内の通信を容易にするために、単独で、又は互いに通信して動作し得る。

いくつかの場合では、サーバ１７６２は、物理サーバとして実装され得る。他の場合では、サーバ１７６２は、仮想サーバ、パブリッククラウドコンピューティングプロバイダ（例えば、Amazon Web Services （ＡＷＳ）（登録商標））として実装されてもよい。

制御コンソール１７２４は、ケーブル１７３９によって体表面電極１７４３に接続されてもよく、体表面電極は、患者１７３０に貼り付けられた接着性皮膚パッチを含んでもよい。プロセッサは、電流追跡モジュールと連動して、患者の身体部分（例えば、心臓１７２６）内のカテーテル１７４０の位置座標を判定してもよい。位置座標は、体表面電極１７４３と電極１７４８又はカテーテル１７４０の他の電磁構成要素との間で測定されたインピーダンス又は電磁場に基づいたものであってよい。追加的に又は代替的に、位置特定パッドは、ベッド１７２９の表面上に配置されてもよく、また、ベッド１７２９から分離されてもよい。

プロセッサ１７４１は、典型的にはフィールドプログラマブルゲートアレイ（field programmable gate array、ＦＰＧＡ）として構成されたリアルタイムノイズ低減回路と、その後のアナログ－デジタル（analog-to-digital、Ａ／Ｄ）ＥＣＧ（electrocardiograph、心電計）又はＥＭＧ（electromyogram、筋電図）信号変換集積回路と、を含むことができる。プロセッサ１７４１は、Ａ／Ｄ ＥＣＧ又はＥＭＧ回路から別のプロセッサへと信号を通過させ得、及び／又は本明細書に開示される１つ以上の機能を行うようにプログラムされることができる。

制御コンソール１７２４はまた、制御コンソールが電極１７４７から信号を転送すること、及び／又は電極１７４７に信号を転送することを可能にする入力／出力（Ｉ／Ｏ）通信インターフェースを含んでもよい。

処置中、プロセッサ１７４１は、ディスプレイ１７２７上で身体部分レンダリング１７３５を医師１７３０に提示することを容易にしてもよく、また身体部分レンダリング１７３５を表すデータをメモリ１７４２に保存してもよい。メモリ１７４２は、ランダムアクセスメモリ又はハードディスクドライブなど、任意の好適な揮発性メモリ及び／又は不揮発性メモリを含み得る。いくつかの実施形態では、医療専門家１７３０は、タッチパッド、マウス、キーボード、ジェスチャ認識装置などの１つ以上の入力デバイスを使用して、身体部分レンダリング１７３５を操作することが可能であり得る。例えば、レンダリング１７３５が更新されるように、入力デバイスを使用してカテーテル１７４０の位置を変更させてもよい。代替的な実施形態では、ディスプレイ１７２７は、身体部分レンダリング１７３５を提示することに加えて、医療専門家１７３０からの入力を受け取るように構成することができるタッチスクリーンを含み得る。

本明細書は、アブレーション療法の必要性を判定する、すなわち、心不整脈に対する治療を効果的に推奨するシステム及び方法を提供する。本発明の一態様によれば、表面ＥＣＧを利用することができる。表面ＥＣＧは、消費者用ウェアラブルＥＣＧの形態をとってもよい。消費者用ウェアラブルＥＣＧは、腕時計、Ｔシャツ、及び他の衣類、並びに患者に付着されるデバイスを含み得る。

図１８は、本説明に適合された図４のシステムを示す。図４を参照して上述したように、図３の例示的なデバイスを組み込んだ人工知能システム１８００のグラフィック描写が示されている。システム１８００は、データ４１０と、マシン４２０と、モデル４３０と、複数の転帰４４０と、基盤となるハードウェア４５０と、を備える。システム１８００は、複数の転帰４４０を予測できるようにするモデル４３０を構築しながら、データ４１０を使用してマシン４２０を訓練することによって動作する。システム１８００が、ハードウェア４５０に対して動作してもよい。そのような構成では、データ４１０は、ハードウェア４５０に関連してもよく、例えば装置１０２に由来してもよい。例えば、データ４１０は、進行中のデータ又はハードウェア４５０に関連する出力データであり得る。マシン４２０は、ハードウェア４５０に関連付けられたコントローラ若しくはデータ収集として動作してもよく、又はこれに関連付けられていてもよい。モデル４３０は、ハードウェア４５０によって達成される転帰を予測するために、ハードウェア４５０の動作をモデル化すると共に、ハードウェア４５０から収集されたデータ４１０をモデル化するように構成され得る。ハードウェア４５０は、予測される転帰４４０を使用して、ハードウェア４５０からの所定の望ましい転帰４４０を提供するように構成され得る。

システム１８００において、データ４１０は情報１８１０を含んでもよい。この情報１８１０は、例えば、患者記録、以前の検査情報、薬剤プロトコル情報、人口統計、年齢及び性別データ、並びに統計を含んでもよい。情報１８１０はデータ４１０内に含まれてもよい。情報１８１０は、例えば、ウェアラブルＥＣＧを含む表面ＥＣＧ、及びＭＲＩ機器等の外部データ収集装置を使用して拡張されてもよい。更に、情報１８１０は、マッピング及びモデル化情報１８３０を含むように拡張されてもよい。このマッピング及びモデル化情報は、例えば、複数のデジタルモデル、マッピングデータ、及びＣＡＲＴＯ（登録商標）データを含んでもよい。マッピング及びモデル化情報の使用は、当業者によって理解されるように、データに更なる正確度及び精度を提供し得る。

説明のように、訓練４２０は、データ４１０に対して行われてもよく、モデル４３０は、本明細書で説明されるように開発されてもよい。モデルの転帰４４０は、大規模医療センターのデータベースの転帰に基づいてもよい。これにより、システム１８００は、転帰４４０を使用して、薬剤が有効であるか否かを確認するために待機する必要なく（かかる待機時間は長い時間をとる場合があるので）、最適な治療を推奨することが可能になる。

患者の心房細動の進行を監視し、データを記憶することができる。患者データのこの監視及び記憶は、ＡＦｉｂ状態の経時的な悪化の分析を可能にする。システムは、ＡＦｉｂに関して説明されているが、心房粗動、ＳＶＴ及び単純不整脈並びに心室頻拍を含む他の疾患状態に対しても動作することができる。治療のいくつかの方法が存在する場合、様々な状態に同様のシステムを適用することができる。

特定の患者に対して不整脈のための薬物治療及び手術を組み合わせるための最適な戦略を推定及び推奨するための装置及び方法が提供される。生存分析のための決定木に基づくアルゴリズムが生成される。木は、調査対象母集団を異なるカプラン－マイヤー曲線を有する別個の群に分割する。木を使用することによって、決定木のノードにおける特性に従って、特定の患者に対する最適な戦略の選択が実行され得る。

不整脈を治療するために様々な電気生理学者によって使用される、薬物治療及びアブレーション処置を含む２つの手法が存在する。多くの場合、心臓病専門医は、侵襲性処置の潜在的な有害事象を回避するために、不整脈に罹患している患者の抗不整脈薬（antiarrhythmic drug、ＡＡＤ）による治療を開始したいと考える。ＡＡＤは、限られた時間、有用であり得、その後、効果が減衰する場合があり、再発性不整脈を停止させるためにアブレーション処置が必要とされ得る。加えて、最近の研究（例えば、ＡＴＴＥＳＴ研究、Ｋｕｃｋ ＫＨ，Ｌｅｂｅｄｅｖ ＤＳ，Ｍｉｋｈａｙｌｏｖ ＥＮ，Ｒｏｍａｎｏｖ Ａ，Ｇｅｌｌｅｒ Ｌ，Ｋａｌｅｊｓ Ｏ， Ｎｅｕｍａｎｎ Ｔ，Ｄａｖｔｙａｎ Ｋ，Ｏｎ ＹＫ，Ｐｏｐｏｖ Ｓ，Ｂｏｎｇｉｏｒｎｉ ＭＧ，Ｓｃｈｌｕｔｅｒ Ｍ，Ｗｉｌｌｅｍｓ Ｓ，Ｏｕｙａｎｇ Ｆ．Ｃａｔｈｅｔｅｒ ａｂｌａｔｉｏｎ ｏｒ ｍｅｄｉｃａｌ ｔｈｅｒａｐｙ ｔｏ ｄｅｌａｙ ｐｒｏｇｒｅｓｓｉｏｎ ｏｆ ａｔｒｉａｌ ｆｉｂｒｉｌｌａｔｉｏｎ：ｔｈｅ ｒａｎｄｏｍｉｚｅｄ ｃｏｎｔｒｏｌｌｅｄ ａｔｒｉａｌ ｆｉｂｒｉｌｌａｔｉｏｎ ｐｒｏｇｒｅｓｓｉｏｎ ｔｒｉａｌ（ＡＴＴＥＳＴ）．Ｅｕｒｏｐａｃｅ． ２０２１ Ｍａｒ ８；２３（３）：３６２－３６９．を参照にされたい）は、平均して、アブレーション処置が、ＡＡＤの使用よりも効果的に、不整脈がより重度の段階（例えば、発作性ＡＦＩＢから持続性ＡＦＩＢ）に進行するのを抑制しているという証拠を提供している。

生存率及び手術の延期の両方からなる組み合わされた対価を最大化するために、薬物治療又は手術の経路が選択される場合、このデータは、所与の時間における所与の患者に対する質問を引き出す。様々なアプローチの有効性及び性能を示す様々な研究が存在するが、これらの研究は、様々な患者の動員を含み、どのタイプの患者に特定のアプローチが最も有益であり得るかに関する明確なガイドラインは存在しない。特定の不整脈の患者に対して個人に応じたアプローチを推奨する方法及びデバイスを提供する必要性が存在している。

生存分析は、十分に定義された時間原点から特定の事象の発生又は終点までの時間の形態でデータの分析を説明するために使用される語句である。本明細書の説明において、時間原点は、薬物治療の経路又は手術／アブレーション処置の開始の早い方に対応する。予想される事象、すなわち、成功した治療後の不整脈の再発が全ての個人では発生しないため、時間関連事象の分析は、一意である。そのような時間関連の転帰を説明及び分析するために、様々な統計的方法が開発されてきた。

カプランマイヤー曲線は、生存分析のために医学研究で広く使用されている。カプランマイヤー曲線は、経時的な事象発生率である、生存関数の推定値である。本明細書の説明において、カプランマイヤー曲線は、経時的な不整脈の治療失敗率、又は不整脈状態の１つの段階（例えば、発作性ＡＦＩＢ）から疾患のより重度の段階（例えば、持続性ＡＦＩＢ又は長期持続性ＡＦＩＢ）への患者の進行を説明するために使用され得る。

調査対象として動員された患者の様々な下位群についてカプランマイヤー曲線が算出及び描画され得る。ログランク検定などの統計的検定を使用して、カプランマイヤー曲線を比較することができる。

生存決定木は、「葉」を含み、それぞれの「葉」が母集団全体のいくつかの下位群に対応する。このような葉の各々は、経時的な治療結果を示すいくつかのカプランマイヤー（Kaplan- Meier、ＫＭ）曲線を有する。薬物治療のみを施す、「純粋な」戦略を表す１つの曲線が提供される。手術のみを行う「純粋な」戦略を表す１つの曲線が提供される。患者が最初のＸヶ月間、薬物治療を施され、次いで手術を行う、組み合わせ戦略をそれぞれ表す追加の曲線もまた提供される。

追加のパラメータが含まれてもよい。追加のパラメータは、患者の下位群を特徴付ける、上位決定ノードにおける決定ルールのセットを含む。

木は、説明したように、ＫＭ曲線間の差を最大化するように作成することができる。

図１９は例示的な決定木１９００を示す。図示されるように、木１９００は、複数の決定１９１０を提供し、葉１９２０は、決定１９１０から生じる。例えば、決定木の最上位レベルにおける第１の決定ノード１９１０_１は、年齢が６８歳未満であることに関する決定ノードに対する質問を提供する。患者の年齢に基づいて、患者の年齢が６８歳未満である場合には左ブランチが選択され、あるいは患者の年齢が６８歳以上である場合には右ブランチが選択される。当初は患者の年齢が６８歳未満であるかのように進行し、第２の決定ノード１９１０_２に進む。第２の決定ノード１９１０_２は、ＬＡ径が４５未満であるか否かを質問する。この場合も、第１の決定ノード１９１０_１と同様に、患者のＬＡに基づいて、患者のＬＡが４５未満である場合には左ブランチが選択され、あるいは患者のＬＡが４５以上である場合には右ブランチが選択される。４５未満のＬＡに基づいて当初は進行し、第３の決定ノード１９１０_３に進む。第３の決定ノード１９１０_３は、患者の性別を質問する。この場合も、第１の決定ノード１９１０_１及び第２の決定ノード１９１０_２と同様に、患者の性別に基づいて、患者の性別が女性である場合には左ブランチが選択され、あるいは患者の性別が男性である場合には右ブランチが選択される。患者の性別が女性である場合、左ブランチは、ＫＭグラフのセットを含む葉１９２０_１を提供する。患者の性別が男性である場合、右ブランチは、ＫＭグラフのセットを含む別の葉１９２０_２を提供する。

第２の決定ノード１９１０_２に戻ると、患者のＬＡが４５以上である場合、ＫＭグラフのセットを含む別の葉１９２０_３につながる右ブランチが選択される。

第１の決定ノード１９１０_１に戻ると、患者の年齢が６８歳以上である場合、第４の決定ノード１９１０_４につながる右ブランチが選択される。第４の決定ノード１９１０_４は、高血圧に関して質問する。この場合も、先に説明した決定ノード１９１０_１、１９１０_２、１９１０_３と同様に、患者の高血圧に基づいて、患者が高血圧を有する場合には左ブランチが選択され、患者が高血圧を有しない場合には右ブランチが選択される。患者が高血圧を有する場合、左ブランチは、ＫＭグラフのセットを含む葉１９２０_４を提供する。患者が高血圧でない場合、右ブランチは、ＫＭグラフのセットを含む別の葉１９２０_５を提供する。

理解されるように、例示的な決定木１９００は、３つのレベル及び４つの決定ノードを含む。データ及び医療／外科的決定との相関に基づいて、任意の数量のレベル及び決定ノードを利用することができる。更に、葉は、ノードの特性及びそのそれぞれの葉に到達するために行われた決定に基づく一連のＫＭ曲線を提供する。

従来、生存決定木は、人工知能を使用することなく、情報理論に従って構築され、各分割ルールは、トップから最後の葉までのグループ間の差を最大化するように生成される。ルールが木のトップにおいて生成されると、ルールは考慮されず、変更することができない。このトップダウンの生成は、グループ間の最適な分離が最後の葉において生成されない可能性がある状況においても行われる。このような木の一例は、Ｒ統計プログラミング言語の「ｒｐａｒｔ」パッケージにおける生存決定木の実装である。

生存曲線は、決定木における全ての葉にわたる異なるアプローチについてのＫＭ生存曲線間の最適な分離を最大化するか又は提供するように設計され得る。曲線を解き、分離を最適化するために、人工知能は、木の最後の葉に焦点を当てて、治療アプローチ間に最大の差がある下位群を効果的に識別する。この焦点を実行するための１つの選択肢は、最適な生存決定木を構築するように適合された進化アルゴリズムを使用することである。進化アルゴリズムは、解決策の生成による進化の生物学的プロセス、最良の（最適の）解決策の選択、乗換え、突然変異、及び遺伝的浮動を模倣する。進化アルゴリズムは、治療アプローチを比較する最適な生存木を見つけるための柔軟なフレームワークを提供する。１つの利点は、可能な解空間の大規模な探索を含む。更に、生存決定木を構築することは、多くの考慮事項、すなわち、どの特徴が木に含まれるか、どのレベルでそれらの特徴が含まれるか、カットオフ値が選択されるかなどを伴う。考慮事項が多く存在するため、可能な木の数は多くなり、全ての可能な解決策を評価することは一般的に困難である。進化アルゴリズムは、アルゴリズムの進化のプロセスにおいて莫大な数の解決策を考慮し得る。進化を模倣するプロセスを通して、最良の解決策が評価され、最適な解決策を見つけることができる。可能な解決策の構築における柔軟性もまた利点である。

異なる制約を有する問題を解決するために、進化アルゴリズムを適合させることができる。本シナリオでは、これらのアルゴリズムは、異なる制約を有する生存決定木を構築する。主な制約は、説明したように、ＫＭ曲線間の差の最大化である。

（限定するものではないが、）各最終カプランマイヤー曲線における対象の最小数、木全体のレベル数（高さ）、木全体の葉の数、及び木の第１の分割又は木における任意の他の分割への変数の固定を含む他の関連する制約も同様に考慮され得る。

木の生成に含まれ得るパラメータは、良好な不整脈へのアプローチの予測子である。これらのパラメータは、例えば、性別、左室駆出分画＜５０、処置直前の洞律動、不整脈の段階（例えば、発作性、持続性又は長期持続性）、アブレーションアプローチ（ＰＶＩ対ＰＶＩプラス）、不整脈が診断されてからの時間、ＰｓＡＦ ＡＦＩＢエピソードの平均長、構造性心疾患、ＡＦ以外の他の不整脈、過去の成功した電気的除細動、心房粗動又は頻脈、心室頻拍、以前のアブレーション処置、年齢、閉塞型睡眠無呼吸、ＬＡ径、高血圧症、及び心外膜液を含み得る。

上記の特定されたパラメータに加えて、表面ＥＣＧ又は心撮像から取り出されたパラメータを、決定木の生成のために含めることができる。これらのパラメータは、平均Ｒ－Ｒ間隔、Ｒ－Ｒ間隔の標準偏差、ＱＲＳ群のグループ化、Ｐ波形態などを含むことができる。ＭＲＩ、ＣＴスキャンにおいて画像化されたような瘢痕負荷（健常組織面積に対する瘢痕組織面積の％）は、左心房体積、左心房直径、心房壁厚などのパラメータを導出した。心臓－心房体積、心房の直径、心房壁の厚さ、心臓組織収縮性、心臓内の電気機械波動などの超音波イメージング。

ＫＭ曲線間の面積、最終時点での治療失敗率間の距離、ログランク検定のｐ値、及びリスク一致指数（Ｈａｒｒｅｌｌのｃ指数）を含む、２つ以上のＫＭ曲線間のいくつかの既知の差スコア（以下、「ＫＭ差スコア」）が存在する。

決定木には、（それぞれが全集団の下位群に対応する）いくつかの葉があり、各葉はいくつかのＫＭ曲線を有し、それぞれが「純粋な」治療戦略（薬物治療のみ又は手術のみ）又は併用治療（最初にある期間薬物治療、次いで手術）のいずれかに対応する。

曲線間の組み合わされた差を算出する例示的な方法において、治療戦略の固定されたセットが、決定木全体に対して使用され得る。例えば、４つの戦略が使用されてもよく、全ての葉は、４つのＫＭ曲線、すなわち、純粋な戦略（薬物治療のみ、アブレーションのみ）に対する２つ、並びに混合戦略に対する２つ、すなわち、１年の薬物治療及びその後のアブレーション、並びに２年の薬物治療及びその後のアブレーションを有する。そのような戦略の各々には、その戦略についての全てのＫＭ曲線にわたって（全ての葉にわたって）、上述のＫＭ差スコアのうちの１つを使用してスコアが割り当てられ得る。スコアのセット（戦略ごとに１つ）は、スコアの最大値、スコアの平均、及び／又は加重和が挙げられるが、これらに限定されない集約演算子のいくつかの組み合わせを使用して１つの最終スコアに組み合わされる。スコアの最大値は、ほとんどの戦略が様々な母集団下位群にわたるＫＭ曲線間で有意差を示さないが、少なくとも１つの戦略が有意差を示す状況を識別するのに有益であり得る。スコアの平均は、全ての戦略及び全ての下位群にわたる最大差についての最適化を可能にし得る。加重和は、第２の方法（平均）の一般化を提供することができ、この場合、ある戦略がより高い重みを与えられる（例えば、薬物治療が手術よりもある程度好まれる）。

ＫＭ曲線間の最良の分離が見出されるような治療戦略の最適なセットを見出すために、治療戦略のセット自体を手動で又は自動的に固定することができる。手動で固定される場合、ある調査の質問に回答するように設計されてもよい。自動的に判定される場合、全ての可能な戦略の探索空間全体にわたる進化アルゴリズムによって提供され得る。

一般化された方法が使用されてもよい。簡略化された方法は、一般化された方法のプライベートケースである。ここで、決定木の各葉は、（木全体に対して固定されていない）治療戦略の異なるセットを有し得る。進化アルゴリズムは、以下の計算に従って、最適な木並びに葉ごとの治療戦略のセットを見出す。「組み合わせ」は、決定木の葉当たりの１つの治療戦略の選択である。そのような戦略の各々は、１つのＫＭ曲線に関連付けられる。「組み合わせ」は、組み合わせのＫＭ曲線にわたって、上述したＫＭ差スコアのうちの１つを使用してスコアを得る。各「組み合わせ」は、「重み付けされた組み合わせ」を得るために係数が乗算される。この係数は、手術までの時間に関して組み合わせの戦略間にどれだけの重複があるかを表す。組み合わせの全ての葉の戦略が同じである、あるエッジケースが存在する。これは、実際には上述の方法である。組み合わせの少なくとも２つの戦略が全く重複しない別のエッジケースが存在する。これは、組み合わせが、１つの葉からの１つの「純粋な」戦略（薬物治療のみ）と、異なる葉からの反対の「純粋な」戦略（手術のみ）とを含む場合に生じる。他の場合はその間に該当し、組み合わせの戦略間の時間重複のパーセンテージが算出される。全ての「重み付けされた組み合わせ」は、例えば、最大、平均、重み付けされた方法について言及された方法のうちの１つを使用して組み合わされる。

所与の患者について、患者の関連する下位群は、患者のパラメータに従って木をトラバースすることによって見出される。次に、所与の葉について、効用曲線が定義される。横軸は、アブレーションまでの時間（患者が薬物治療を受けた月数）を表し、縦軸は、効用を表す。曲線は、時間ｔ後にアブレーションが与えられる各治療戦略（葉における）について、以下のように計算され、効用曲線は、（ｔ，ＲＡＵＣ）において点を有し、ＲＡＵＣは、葉におけるこの治療戦略に対応するＫＭ曲線の相対的な曲線下面積である。これらの点はシグモイド回帰関数に従って接続される。

図２０は、プロット２０００内の例示的な効用曲線２０５０を示す。曲線２０５０は、図１９に関して説明したように、所与の葉に基づいて計算された一連の点２０１０、２０２０、２０３０、２０４０、２０６０、２０７０を提供する。横軸２０４５は、アブレーションまでの時間を月単位で表す。縦軸２０５５は、ＫＭ曲線に基づく所与のインスタンスにおける効用を表す。各点２０１０、２０２０、２０３０、２０４０、２０６０、２０７０は、アブレーションが時間ｔの後に与えられる（葉における）各治療戦略について計算される。効用曲線の各点２０１０、２０２０、２０３０、２０４０、２０６０、２０７０は、（ｔ，ＲＡＵＣ）において点２０１０、２０２０、２０３０、２０４０、２０６０、２０７０を有し、ＲＡＵＣは、葉におけるこの治療戦略に対応するＫＭ曲線の相対的な曲線下面積である。点２０１０、２０２０、２０３０、２０４０、２０６０、２０７０は、シグモイド回帰関数に従って、作成された曲線２０５０に接続される。曲線２０５０は、手術までの時間と生存率の両方を考慮して最適な治療戦略を選択するために医師によって使用され得る。

特徴及び要素が特定の組み合わせにて上記で説明されたが、当業者であれば、特徴又は要素の各々を単独で使用することもでき、又は他の特徴及び要素と組み合わせて使用することもできることを理解するであろう。加えて、本明細書に記載される方法は、コンピュータ又はプロセッサで実行するために、コンピュータ可読媒体に組み込まれるコンピュータプログラム、ソフトウェア、又はファームウェアにおいて実装され得る。コンピュータ可読媒体の例としては、電子信号（有線又は無線接続を介して送信される）及びコンピュータ可読記憶媒体が挙げられる。コンピュータ可読記憶媒体の例には、読み取り専用メモリ（read only memory、ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、レジスタ、キャッシュメモリ、半導体メモリデバイス、磁気媒体、例えば、内蔵ハードディスク及び取り外し可能なディスク、磁気光学媒体、並びに光学媒体、例えば、ＣＤ－ＲＯＭディスク及びデジタル多用途ディスク（digital versatile disks、ＤＶＤ）が挙げられるが、これらに限定されない。ソフトウェアに関連するプロセッサを使用して、ＷＴＲＵ、ＵＥ、端末、基地局、ＲＮＣ、又は任意のホストコンピュータで使用するための無線周波数送受信機を実装することができる。

〔実施の態様〕
（１） 心不整脈患者のための治療経路を予測する方法であって、前記方法は、
それぞれの患者の医療情報、前記患者に対して実施される臨床処置のそれぞれのタイプ又は前記患者に投与される種々の薬剤、及び前記患者のそれぞれの生存率を含むデータセットを受信することと、
アブレーション療法に続いてある時間後に投与される薬剤の混合物のタイプ間の前記生存率の差のコスト関数を最大化することによって、生存木グラフを生成することと、
前記生存木グラフに基づいて、前記患者に施されるアブレーション処置のための時間を選択することと、を含む、方法。
（２） 前記データセットは、患者記録、以前の検査情報、薬剤プロトコル、人口統計、年齢、及び性別を含む、実施態様１に記載の方法。
（３） 前記データセットは、表面ＥＣＧを含む、実施態様１に記載の方法。
（４） 前記データセットは、少なくとも１つのＭＲＩを含む、実施態様１に記載の方法。
（５） 前記データセットは、モデル化情報を含む、実施態様１に記載の方法。

（６） 前記モデル化は、デジタルモデル、マッピング情報、及びＣＡＲＴＯ（登録商標）情報のうちの少なくとも１つを含む、実施態様５に記載の方法。
（７） 前記生存木の葉は、母集団全体のうちのいくつかの下位群に対応する、実施態様１に記載の方法。
（８） 各葉は、経時的な治療結果を記述するいくつかのカプランマイヤー（ＫＭ）曲線を有する、実施態様１に記載の方法。
（９） 少なくとも１つの曲線は、薬物治療のみを施す戦略を表す、実施態様１に記載の方法。
（１０） 少なくとも１つの曲線は、手術のみを施す戦略を表す、実施態様１に記載の方法。

（１１） １つ以上の曲線は各々、前記患者が最初の数ヶ月間薬物治療を施され、次いで手術を施される、組み合わせ戦略を表す、実施態様１に記載の方法。
（１２） コスト関数が利用され、前記コスト関数は、前記生存木における全ての葉にわたる生存曲線の全ての間の差を最大化する、実施態様１に記載の方法。
（１３） 前記生存木における全ての葉にわたる異なるアプローチについて、複数のＫＭ曲線の間の最適な分離を作成することを更に含む、実施態様１に記載の方法。
（１４） 全ての可能な戦略の探索空間にわたって進化アルゴリズムを利用することによって、前記木を自動的に作成することを更に含む、実施態様１に記載の方法。
（１５） 効用曲線を使用して、アブレーション治療のための最適時間を選択することを更に含む、実施態様１に記載の方法。

（１６） 心不整脈患者のための治療経路を予測するシステムであって、前記システムは、
それぞれの患者の医療情報、前記患者に対して実施される臨床処置のそれぞれのタイプ又は前記患者に投与される種々の薬剤、及び前記患者のそれぞれの生存率を含むデータセットを提供するための複数のセンサと、
アブレーション療法に続いてある時間後に投与される薬剤の混合物のタイプ間の前記生存率の差のコスト関数を最大化することによって、生存木グラフを生成し、前記生存木グラフに基づいて、前記患者に施されるアブレーション処置のための時間を選択するための、記憶デバイスに通信可能に結合されたプロセッサと、を備える、システム。
（１７） 前記データセットは、複数の表面ＥＣＧを含む、実施態様１６に記載のシステム。
（１８） 前記データセットは、少なくとも１つのＭＲＩを含む、実施態様１６に記載のシステム。
（１９） 前記データセットは、モデル化情報を含む、実施態様１６に記載のシステム。
（２０） 前記モデル化は、デジタルモデル、マッピング情報、及びＣＡＲＴＯ（登録商標）情報のうちの少なくとも１つを含む、実施態様１９に記載のシステム。

Claims (20)

1. 心不整脈患者のための治療経路を予測するシステムであって、前記システムは、
   それぞれの患者の医療情報、前記患者に対して実施される臨床処置のそれぞれのタイプ又は前記患者に投与される種々の薬剤、及び前記患者のそれぞれの生存率を含むデータセットを提供するための複数のセンサと、
   アブレーション療法に続いてある時間後に投与される薬剤の混合物のタイプ間の前記生存率の差のコスト関数を最大化することによって、生存木グラフを生成し、前記生存木グラフに基づいて、前記患者に施されるアブレーション処置のための時間を選択するための、記憶デバイスに通信可能に結合されたプロセッサと、を備える、システム。
2. 前記データセットは、複数の表面ＥＣＧを含む、請求項１に記載のシステム。
3. 前記データセットは、少なくとも１つのＭＲＩを含む、請求項１に記載のシステム。
4. 前記データセットは、モデル化情報を含む、請求項１に記載のシステム。
5. 前記モデル化は、デジタルモデル、マッピング情報、及びＣＡＲＴＯ（登録商標）情報のうちの少なくとも１つを含む、請求項４に記載のシステム。
6. プロセッサを備える、心不整脈患者のための治療経路を予測するシステムの作動方法であって、前記方法は、
   前記プロセッサが、それぞれの患者の医療情報、前記患者に対して実施される臨床処置のそれぞれのタイプ又は前記患者に投与される種々の薬剤、及び前記患者のそれぞれの生存率を含むデータセットを受信することと、
   前記プロセッサが、アブレーション療法に続いてある時間後に投与される薬剤の混合物のタイプ間の前記生存率の差のコスト関数を最大化することによって、生存木グラフを生成することと、
   前記プロセッサが、前記生存木グラフに基づいて、前記患者に施されるアブレーション処置のための時間を選択することと、を含む、方法。
7. 前記データセットは、患者記録、以前の検査情報、薬剤プロトコル、人口統計、年齢、及び性別を含む、請求項６に記載の方法。
8. 前記データセットは、表面ＥＣＧを含む、請求項６に記載の方法。
9. 前記データセットは、少なくとも１つのＭＲＩを含む、請求項６に記載の方法。
10. 前記データセットは、モデル化情報を含む、請求項６に記載の方法。
11. 前記モデル化は、デジタルモデル、マッピング情報、及びＣＡＲＴＯ（登録商標）情報のうちの少なくとも１つを含む、請求項１０に記載の方法。
12. 前記生存木の葉は、母集団全体のうちのいくつかの下位群に対応する、請求項６に記載の方法。
13. 前記生存木の各葉は、経時的な治療結果を記述するいくつかのカプランマイヤー（ＫＭ）曲線を有する、請求項６に記載の方法。
14. 少なくとも１つの前記曲線は、薬物治療のみを施す戦略を表す、請求項１３に記載の方法。
15. 少なくとも１つの前記曲線は、手術のみを施す戦略を表す、請求項１３に記載の方法。
16. １つ以上の前記曲線は各々、前記患者が最初の数ヶ月間薬物治療を施され、次いで手術を施される、組み合わせ戦略を表す、請求項１３に記載の方法。
17. コスト関数が利用され、前記コスト関数は、前記生存木における全ての葉にわたる生存曲線の全ての間の差を最大化する、請求項６に記載の方法。
18. 前記生存木における全ての葉にわたる異なるアプローチについて、複数のＫＭ曲線の間の最適な分離を作成することを更に含む、請求項６に記載の方法。
19. 全ての可能な戦略の探索空間にわたって進化アルゴリズムを利用することによって、前記木を自動的に作成することを更に含む、請求項６に記載の方法。
20. 効用曲線を使用して、アブレーション治療のための最適時間を選択することを更に含む、請求項６に記載の方法。