具体实施方式

为了提供对本文描述的方法和系统的总体理解，将描述某些说明性实施例。尽管本文描述的实施例和特征是结合血泵设备具体描述的，但将理解以下概述的所有部件和其他特征可以以任何合适的方式彼此结合并且可以适用于和应用于其他类型的心脏和医学治疗。

在一些实施例中，在第一患者中操作血泵，并且将来自第一患者的可测量输入与包括来自除第一患者以外的患者的患者数据的数据库结合使用以估计第一患者的心脏参数。例如，数据库可以包括一系列患者的心脏功率输出，以及其他所测量的数据。数据库包括来自具有不同特性(例如，年龄、性别、体重、身高等)的一系列患者的数据。在一个示例中，数据库包括来自具有不同医学状况的一系列患者的数据。数据库可以定期更新以包括新数据。

图1示出了用于基于预定模型来估计患者的心脏参数的系统100的框图。系统100包括控制器102和血泵104。控制器包括具有预定模型118的存储器106、驱动器108和显示器110。血泵104包括转子114和传感器116。控制器102通过线112通信地耦接到血泵104，该线可以是电线和/或机械驱动轴。控制器102内的驱动器108控制血泵104，包括转子114的操作的速度。驱动器108通过信道107通信地耦接到存储器106，并且还通过信道109通信地耦接到显示器110。血泵104的传感器116可以通过线112耦接到控制器102，或者可以无线地耦接到控制器102。

血泵104在患者的血管系统中操作以通过在患者的心脏或血管系统中泵送血液来提供心血管支持。转子114的旋转速度控制血液通过血泵104的流速。传感器116位于血泵104上，使得当血泵104在患者的血管系统内就位时，传感器116可以测量患者的血流动力学参数。传感器116无线地或经由线112将所测量的血流动力学参数传输到控制器102。在一些实施方式中，传感器116是位于血泵104上的机载光学传感器或压力传感器。在一些实施方式中，传感器116测量主动脉压力。在一些实施方式中，传感器116测量其他血流动力学参数。

控制器102通过改变供应给血泵104的功率来控制转子114的速度。驱动器108还通过测量为了保持特定转子速度而供应给转子114的电流来测量转子114上的负载。驱动器108将所测量的泵参数存储在存储器106中。驱动器108从传感器116接收所测量的血流动力学参数并且也将这些参数存储在存储器106中。驱动器108还可以包括处理硬件或软件(未示出)以使得能够在控制器102中处理血流动力学参数和泵参数，诸如进行平均或用于计算其他心脏参数。控制器102基于血泵的性能和由传感器116测量的血流动力学参数来跟踪血泵参数(诸如泵速度、电流、流量和血管中的压力)。驱动器108将血流动力学参数、泵参数或其他所测量或计算的参数传输到显示器110。

存储器106包括将泵参数与一个或多个血流动力学参数相关的预定模型118。下面描述了这种模型的创建。存储器106和/或驱动器108使用所测量的泵参数和血流动力学参数以及所存储的预定模型118以基于所测量的泵参数来估计特定心脏参数。心脏参数可以是左心室容积、心脏输出、心脏功率输出、顺应性、原生流量、心搏量、舒张期或收缩期的容积、或其他相关心脏参数、或前述的任何组合。可以不需要附加导管或诊断设备来测量心脏参数，因为模型基于根据来自第一患者集的其他患者数据构建的模型来提供所估计的心脏参数。在一些实施方式中，存储器106包括多于一个的预定模型118，并且基于所测量的泵参数和血流动力学参数中的一者或多者来选择特定预定模型118。在一些实施方式中，通过来自健康护理专业人员的输入从多个所存储的模型中选择特定预定模型118。在一些实施方式中，存储器107存储数据库或链接到数据库，从该数据库中选择预定模型。

在一些实施方式中，驱动器108在显示器110上显示所估计的心脏参数。在一些实施方式中，控制器102使用所估计的心脏参数来确定关于血泵104的增加或减少的支持的推荐动作过程。例如，控制器102可以基于所测量的血流动力学参数和泵参数以及所估计的心脏参数在显示器110上显示血泵104的操作的推荐改变。具体地，控制器102可以基于患者的所估计的心脏参数与先前所估计的心脏参数的比较来确定推荐动作过程。在一些实施例中，控制器102可以基于所提议的动作过程对血泵104所提供的支持做出改变。在一些实施例中，控制器102经由显示器110向健康专业人员呈现选项，并且允许健康专业人员选择用以控制或改变血泵104操作的选项。

在一些实施方式中，可以从存储器106中提取存储在存储器106中的血流动力学参数和泵参数或其他数据以用于与来自其他患者的数据一起使用，从而用于创建将血泵参数与一个或多个心脏参数相关的算法。所提取的数据可以与其他健康数据(诸如性别、体重、疾病状态、心脏结果、诊断或其他特性)组合，并用于创建基于机器学习或神经网络的算法。在一些实施方式中，控制器102耦接到存储从中导出预定模型的数据的数据库，并且控制器102上载数据以更新数据库。

图2示出了示例性堆叠双向递归神经网络200的框图，其可以用于创建模型，诸如预定模型118，该模型可以用于图1的血泵系统100中以根据在患者中测量的泵参数解释和估计心脏参数。神经网络200用于拟合来自训练数据集的大量数据，该训练数据集包括来自第一患者集的所测量的参数。示例性神经网络可以在创建将血泵参数与心脏参数相关的模型中实施，如上面在图1中所述。示例性神经网络200是堆叠双向递归神经网络，尽管适用于创建本文描述的模型的其他神经网络模型也是可用的。神经网络200在隐藏状态下随时间推移进行通信，并且基于多个激活函数以迭代开发模型来开发模型，如下文将更详细地描述。然后，使用神经网络来创建的模型可以存储在控制器存储器中(例如在图1的存储器106中)，并且用于估计其中正在操作血泵的患者的心脏参数。在该示例性神经网络200中，处理单元220a-220j(对于长短期存储器，标记为“LSTM”)被组织在具有行222和224以及列226-234的网格中。处理单元220a-220j沿着行222和224以及列226-234在彼此之间通信。存在输入和输出之间堆叠的多个级或行222和224，并且存在多个列226-234。

最低行224是输入行，具有主动脉压力(AOP)和泵流量(流量)的输入236a-236e。最高行222是输出行，输出所估计的输出参数238，例如左心室容积(LVV)。输入行224和输出行226之间的行数指示模型深度或复杂度(sophistication)。例如，模型可以是双向堆叠的，如图2中的神经网络200所示。可替代地，模型可以具有在输入行224和输出行222之间堆叠的三级、四级、五级或更多级的单元。神经网络200的每个估计基于在不同采样时间的状态的数量，由示例性神经网络200中的列226-234的数量表示。对于神经网络200，在时间t，神经网络200接收AOP和流量的输入236e，并且使用针对多个先前状态(例如，被示为针对列226中的输入236a的t-74至针对列232中的输入236d的t-1的75个状态)的来自神经网络200的信息。神经网络200基于一组至少25个先前采样实例来计算所估计的心脏参数(输出238)。在一些实施方式中，神经网络基于一组至少50个或至少75个或更多先前采样实例来计算所估计的心脏参数(输出238)。在患者群体中的特定患者中测量的主动脉压力和流量数据的每个时间点处，神经网络可以使用从血泵中提取的压力和流量数据来计算心脏参数(诸如左心室压力)，并且将所估计的心脏参数与由导管确定的参数的真实测量值进行比较。在一些实施方式中，心脏参数是左心室容积、心脏输出、心脏功率输出、顺应性、原生流量、心搏量、舒张期或收缩期的容积、或其他相关心脏参数、或前述的任何组合。

具体地，在神经网络200的每个单元内，神经网络200生成所谓的隐藏状态并且在不同单元之间共享这些隐藏状态。通过利用堆叠神经网络系统，可以提取输入数据236a-236e之间的复杂关系以便产生输出参数238的准确估计。

神经网络200可以用于机器学习算法中，该机器学习算法基于来自具有各种特性(诸如性别、体重、疾病状态、心脏结果、诊断或其他特性)的大量患者的数据来构造关于血泵(诸如图1中的血泵104)的一个或多个可测量参数(诸如泵速度或流量)的所测量的心脏参数(例如，主动脉压力)的模型。患者数据被输入到机器学习算法中以基于该算法确定的各种输入数据之间的关系来开发模型。最终模型能够基于泵参数表示准确的左心室容积或心脏输出(或其他心脏功能)曲线而不使用导管，并且如上所述，可以是被装备以处理患者群体中的任何情况的所有生理状况的全局模型。在开发出预测由诊断设备(例如，填充流体的导管或其他内部传感器)测量的心脏参数的模型后，然后可以将该模型应用于除训练组之外的第二患者集中的患者以基于泵参数来估计心脏参数，而不使用附加导管或其他诊断设备。

图3示出了图2的堆叠双向神经网络的长短期存储器单元的框图。例如，图2的神经网络200的单元220a-220j可以是长短期存储器单元。可替代地，神经网络200的单元220a-220j可以是其他类型的单元。类似地，神经网络200本身可以是诸如图2的示例中所示的神经网络，或者另一类型的神经网络，诸如完全递归、艾尔曼(Elman)网络、霍普菲尔(Hopfield)网络、回声状态网络、分层等。在图2的示例中，神经网络单元是长短期存储器单元。图3示出了单个长短期存储器单元300。如图3所示，长短期存储器单元300具有由四个框表示的四个激活函数和它们的相关联的函数，分别包括第一函数“f_t”340、第二函数342、第三函数“i_t”344和第四函数“o_t”346。第一函数“f_t”340是产生选通变量的反曲(sigmoidal)函数，第二函数342是产生存储器单元的候选状态的双曲正切函数，第三函数“i_t”344是产生选通变量的反曲函数，并且第四函数“o_t”346是产生选通变量的反曲函数。虽然第一函数“f_t”340、第二函数342、第三函数“i_t”344和第四函数“o_t”346是示例，并且其他函数可以用于处理单元300中的信息，但下面定义了示例性第一函数“f_t”340、第二函数342、第三函数“i_t”344和第四函数“o_t”346：

f_t＝σ(W_f[h_t-1，x_t]+b_t)

i_t＝σ(W_i[h_t-1，x_t]+b_i)

o_t＝σ(W_o[h_t-1，x_t]+b_o)

单元300从先前单元接收单元状态348a(“c_t-1”)，并且通过以下来处理该单元状态348a：指示单元300不应再考虑哪些元素的第一函数(“f_t”)340、指示单元300应提取哪些信息的第二函数342、指示单元应更新哪些信息的第三函数“i_t””344，以及提供用于更新候选单元的输出的第四函数“o_t”346或汇总门(summary gate)。更新的单元状态348b被传递给神经网络中的相邻单元。在该示例中，单元状态由下式定义：

单元300从先前单元接收隐藏状态349a(“h_t-1”)，并处理该隐藏状态349a。隐藏状态349a用作以下的输入：指示单元300不应再考虑哪些元素的第一函数(“f_t”)340、指示单元300应提取哪些信息的第二函数342、指示单元应更新哪些信息的第三函数“i_t””344，以及提供用于更新候选单元的输出的第四函数“o_t”346或汇总门。更新的隐藏状态349b被传递给神经网络中的相邻单元。如图所示，更新的隐藏状态349b被传递给在同一行或同一列中与单元300相邻的单元。在该示例中，隐藏状态由下式定义：

激活函数或门可以对应于一系列函数，包括反曲函数、双曲正切函数、反曲函数、或这些函数或其他函数的任何组合。通过单元300的各种函数的对输入的处理使得包括许多此类单元的神经网络能够访问数据输入之间的复杂关系，以产生可以应用于其他数据以预测结果的算法。

图4示出了开发和使用用于基于血泵参数(例如图1中的血泵104)来估计患者的心脏参数的模型的方法400。方法400包括步骤402，其中在第一患者集内操作血泵。在一些实施方式中，可以以类似方式使用另一血管内医学设备(诸如气囊泵、离心泵诸如ECMO、脉动泵、滚柱泵或其他心室辅助设备)，而不是血泵。在步骤404处，针对第一患者集中的每个患者，测量血流动力学参数和泵参数。可以针对第一患者集中的每个患者测量多于一个的血流动力学参数和/或泵参数。在一些实施方式中，针对每个患者测量的血流动力学参数和泵参数是泵速度、电流、流量和血管中的压力中的一者或多者，并且测量基于血泵的性能。在一些实施方式中，主动脉压力被测量作为血流动力学参数。血流动力学参数由测量导管(诸如填充流体的导管、印加(inca)导管、米勒(millar)导管(用于动物))或另一诊断设备测量。

在一些实施方式中，测量泵速度、流速、泵压力中的一者或多者作为泵参数。泵参数由血泵控制器基于供应给泵的电流、泵上的负载或血泵操作的其他特性来测量。在步骤406处，针对第一患者集中的每个患者测量心脏参数。在一些实施方式中，心脏参数是左心室容积、心脏输出、心脏功率输出、顺应性、原生流量、心搏量、舒张期或收缩期的容积、或其他相关心脏参数、或前述的任何组合。针对第一患者集(其为模型训练组)中的每个患者，可以在一时间段内测量心脏参数、血流动力学参数和泵参数。

在步骤408处，基于血流动力学参数和泵参数之间的关系，使用血流动力学参数和泵参数来构建心脏参数的模型。收集并存储来自第一患者集中的每个患者的数据，并且然后使用机器学习算法来分析数据，以提取用于整个患者集或特定患者子组的曲线拟合。例如，可以提取适用于患者集中的一个或多个患者的模型，或者可以提取适用于集中具有特定特性的患者子集的模型。例如，在一些实施例中，可以针对诊断为患有心源性休克、心肌梗死的所有患者，或者基于患者人口统计资料(诸如性别、体重或风险因素)确定不同的模型。在另一示例中，模型适用于所有类型的患者，无论其诊断或各种人口统计资料如何。

模型可以使用机器学习或神经网络(诸如上面在图2和图3中描述的)或者任何其他可用的机器学习设置来构建。神经网络可以用于将大量所存储的数据拟合到模型。一旦被构建，模型可以被存储在血泵的控制器中(例如，在图1的存储器106中)或者可以托管在耦接到血泵控制器的服务器或处理器或者从血泵控制器接收所测量的参数的另一处理器中。

在步骤410处，在第二患者集中的患者中操作血泵以提供心脏支持。在步骤412处，通过以下操作将在步骤406中产生的模型应用于第二患者集中的患者：测量患者中的泵参数和血流动力学参数，以及基于模型和第二集中的患者中测量的泵参数和血流动力学参数来估计患者的心脏参数。以这种方式，可以基于该模型针对第二患者集中的患者确定所估计的心脏参数，而不使用附加导管或诊断工具。

在不管人口统计资料或诊断如何都适用于患者的模型的情况下，模型可以适用于第二组中的所有患者，该第二组不是模型训练组的一部分。在另一实施例中，健康护理提供者可以输入患者的各种人口统计资料，并且基于患者人口统计资料挑选适当的模型。然后将该模型应用于针对患者测量的血泵参数并且提取所估计的心脏参数。例如，在患者中测量的血泵速度和主动脉压力可以与该模型一起用于提取所估计的心脏参数，诸如左心室容积、心脏输出、心脏功率输出、顺应性、原生流量、心搏量、舒张期或收缩期的容积、或其他相关心脏参数、或前述的任何组合。

图5示出了使用根据第一患者集的数据构建的模型来估计第二患者集中的患者的心脏参数的方法500。在步骤502处，在第二患者集中的患者的血管系统内操作血泵。在步骤504处，在患者中测量血泵的至少一个可测量泵参数以获取泵参数测量值。在一些实施方式中，泵参数可以是泵速度、通过泵的流速、或泵内的压力，并且可以基于供应给泵的电流、泵上的负载或血泵操作的其他特性来测量。泵参数可以在血泵的控制器(例如，图1中的控制器102)或在血泵本身处测量。在步骤506处，在患者中测量至少一个血流动力学参数以获取血流动力学参数测量值。在一些实施方式中，血流动力学参数是主动脉压力。血流动力学参数可以通过放置在血泵上的传感器或放置在耦接到血泵的导管上的传感器来测量。

在步骤508处，访问至少一个可测量泵参数、至少一个血流动力学参数和心脏参数之间的关系的模型。模型可以由机器学习或神经网络算法(例如由图2和图3中描述的神经网络，或者由任何可用的机器学习过程)产生以根据所测量的血流动力学参数和泵参数估计心脏参数。模型可以被存储在血泵的控制器中(例如，在图1的存储器106中)或者可以托管在耦接到血泵控制器的服务器或处理器或者从血泵控制器接收所测量的参数的另一处理器中。在步骤510处，使用模型以基于患者中的泵参数测量值和血流动力学参数测量值来估计第二患者集中的患者的心脏参数。心脏参数可以是左心室容积、心脏输出、心脏功率输出、顺应性、原生流量、心搏量、舒张期或收缩期的容积、或其他相关心脏参数、或前述的任何组合。患者的心脏参数没有另外测量，使得不需要将附加导管或诊断设备插入患者的血管系统。所估计的心脏参数可以用于通知由健康护理专业人员做出的健康决定，并可以显示给健康护理专业人员，和/或用于向健康护理专业人员推荐由血泵提供的支持的改变。

图6示出了用于开发患者的心脏参数的估计的方法600。在步骤602处，在第一患者群体中测量从医学设备的操作导出的一个或多个参数和心脏参数。在步骤604处，基于第一患者群体中的从医学设备的操作导出的一个或多个参数和所测量的心脏参数来开发心脏参数的模型。模型可以通过使用机器学习或神经网络(诸如图2和图3中描述的那些)或通过任何其他可用的机器学习过程来开发。在步骤606处，将模型应用于第二患者群体中的患者以估计患者中的心脏参数。在患者中不需要另外确定心脏参数。

在步骤608处，例如在与医学设备(诸如血泵)相关联的显示器上显示患者的所估计的心脏参数。健康护理专业人员可以使用所显示的估计的心脏参数来做出与治疗和医学设备的使用相关的健康护理决定。

当医学设备(诸如血泵)在患者中时，模型可以用于向健康护理专业人员提供心脏参数的连续或几乎连续估计，从而使得健康护理专业人员能够对患者的护理做出实时决定。例如，在患者中使用血泵的情况下，所提供的估计的心脏参数可以由健康护理专业人员用于与心脏健康相关的决定，从而使患者脱离泵送设备支持或增加支持。心脏参数可以是左心室容积、心脏输出、心脏功率输出、顺应性、原生流量、心搏量、舒张期或收缩期的容积、或其他相关心脏参数、或前述的任何组合。可以从所估计的心脏参数中提取其他血流动力学参数或心脏参数并且也将其提供给健康护理专业人员。

在一些实施例中，血液泵送设备的控制器可以使用所估计的心脏参数来确定关于血液泵送设备的增加或减少的支持的推荐动作过程。具体地，控制器可以基于患者的所估计的心脏参数与先前所估计的心脏参数的比较来确定推荐动作过程。在一些实施例中，控制器可以基于所提议的动作过程对血液泵送设备所提供的支持做出改变。

图7-图9示出了参数随时间推移的示例性曲线图形，其比较模型预测的迹线和通过直接测量获得的“真实”迹线。如上文关于图4-图6所述，可以使用第一患者群体的血流动力学和泵或医学设备数据来开发心脏参数的模型以用于第二患者群体。心脏参数的模型使得能够估计患者的心脏参数，而不需要在患者的血管系统中使用附加诊断或感测导管，这是更安全和更有效的。因为开发良好的算法还可以考虑附加患者数据，诸如性别、体重、疾病状态和结果，所以所估计的心脏参数可以高度准确。另外，在算法的开发中考虑的附加数据可以用于建议治疗方案或对血泵或其他医学设备的使用或操作的改变，以便基于所测量的参数和所开发的模型的应用来改善患者的心脏健康。图7-图9示出了基于所测量的泵参数和血流动力学参数来预测心脏参数的示例模型与真实测量的心脏参数相比的准确性。

图7A-图7D示出了在泵功率水平(“P水平”)为4时操作的特定血泵的使用期间的各种参数随时间推移的示例性曲线图形。图7A包括曲线图形701，其示出在特定泵功率水平(P水平＝4)下所测量的左心室容积和所估计的左心室容积。曲线图形701包括：以秒为单位示出时间的x轴702、以毫升为单位示出容积的y轴704、所测量的左心室容积的测量(“真实”)迹线706，以及由示例模型基于如图7C和图7D所示的主动脉压力和泵流量来预测的左心室容积的估计(“预测”)迹线708。

图7B示出了曲线图形711，其示出泵的所测量的心搏量和所估计的心搏量。曲线图形711包括：以秒为单位示出时间的x轴712、示出心搏量的y轴714、所测量的心搏量的测量(“真实”)迹线716，以及由示例模型基于如图7C和图7D所示的主动脉压力和泵流量来预测的心搏量的估计(“预测”)迹线718。心搏量与心脏输出相关。

图7C示出了曲线图形721，其示出如用于预测图7A中的左心室压力和图7B中的心搏量的泵的所测量的主动脉压力随时间推移的迹线。曲线图形721包括以秒为单位示出时间的x轴722、以mmHg为单位示出主动脉压力的y轴724和所测量的主动脉压力(“AOP”)的迹线。

图7D示出了曲线图形731，其示出如用于预测图7A中的左心室压力和图7B中的心搏量的泵的泵流量随时间推移的迹线。曲线图形731包括以秒为单位示出时间的x轴732、以ml/s为单位示出流速的y轴734和所测量的流速的迹线。图7A-图7D中的四个曲线图形的x轴相同。

图7A-图7D示出了示例模型基于主动脉压力和以恒定泵功率水平操作的泵的流速的输入来准确地预测左心室容积和心脏输出的度量。

图8A-图8D示出了不同泵功率水平下的左心室容积和心搏量两者的示例性曲线图形。图8A包括曲线图形801，其示出在特定泵功率水平为2(P水平＝2)下所测量的左心室容积和所估计的左心室容积。曲线图形801包括：以秒为单位示出时间的x轴802、以毫升为单位示出容积的y轴804、所测量的左心室容积的测量(“真实”)迹线806，以及由示例模型针对在泵功率水平为2下操作的泵预测的左心室容积的估计(“预测”)迹线808。

图8B示出了曲线图形811，其示出P水平＝2下的泵的所测量的心搏量和所估计的心搏量。曲线图形811包括：以秒为单位示出时间的x轴812、示出心搏量的y轴814、所测量的心搏量的测量(“真实”)迹线816，以及由示例模型针对在泵功率水平为2下操作的泵预测的心搏量的估计(“预测”)迹线818。

图8C示出了曲线图形821，其示出在泵功率水平为3(P水平＝3)下所测量的左心室容积和所估计的左心室容积。曲线图形821包括：以秒为单位示出时间的x轴822、以毫升为单位示出容积的y轴824、所测量的左心室容积的测量(“真实”)迹线826，以及由示例模型针对在泵功率水平为3下操作的泵预测的左心室容积的估计(“预测”)迹线828。

图8D示出了曲线图形831，其示出在功率水平为3下的泵的所测量的心搏量和所估计的心搏量。曲线图形831包括：以秒为单位示出时间的x轴832、示出心搏量的y轴834、所测量的心搏量的测量(“真实”)迹线836，以及由示例模型针对在泵功率水平为3下操作的泵预测的心搏量的估计(“预测”)迹线838。图8A-图8D中的四个曲线图形的x轴是相同的，并且四个曲线图形都是基于主动脉压力和泵流量作为模型的输入。图8A-图8D示出了，即使对于在各种功率水平下操作的血泵，示例模型在预测心脏参数方面也是准确的。

图9A-图9D示出了针对不规则波形的左心室容积和心搏量两者的示例性曲线图形。图9A包括曲线图形901，其示出在心脏中出现不规则波形期间的所测量的左心室容积和所估计的左心室容积。曲线图形901示出了所测量的左心室容积和所估计的左心室容积。曲线图形901包括：以秒为单位示出时间的x轴902、以毫升为单位示出容积的y轴904、所测量的左心室容积的测量(“真实”)迹线906，以及由示例模型基于不规则波形预测的左心室容积的估计(“预测”)迹线908。

图9B示出了曲线图形911，示出了在心脏中出现不规则波形期间的泵的所测量的心搏量和所估计的心搏量。曲线图形911包括：以秒为单位示出时间的x轴912、示出心搏量的y轴914、所测量的心搏量的测量(“真实”)迹线916，以及由示例模型基于不规则波形预测的心搏量的估计(“预测”)迹线918。

图9C示出了第三曲线图形921，其示出在心脏中出现不规则波形期间的所测量的左心室容积和所估计的左心室容积。图9C示出了在泵功率水平8(P水平＝8)下的血泵的操作期间的左心室容积的预测迹线和真实迹线。曲线图形921包括：以秒为单位示出时间的x轴922、以毫升为单位示出容积的y轴924、所测量的左心室容积的测量(“真实”)迹线926，以及由示例模型基于不规则波形预测的左心室容积的估计(“预测”)迹线928。

图9D示出了第四曲线图形931，其示出在心脏中出现不规则波形期间并且在P水平8下的血泵的操作期间的所测量的心搏量和所估计的心搏量。曲线图形931包括：以秒为单位示出时间的x轴932、示出心搏量的y轴834、所测量的心搏量的测量(“真实”)迹线936，以及由示例模型基于不规则波形预测的心搏量的估计(“预测”)迹线938。图9A-图9D的四个曲线图形的x轴是相同的，并且图9A-图9D中的四个曲线图形都是基于主动脉压力和泵流量作为模型的输入。图9A-图9D示出了即使对于不规则波形，示例模型在预测心脏参数方面也是准确的。

通过基于第一患者群体创建将血泵参数与心脏参数相关联的模型，以及将该模型应用于第二患者群体，可以在第二患者群体中准确地估计心脏参数，而不使用附加测量导管或其他诊断设备。在不使用附加设备的情况下估计心脏参数对一些患者来说可能更有效并且也更安全，因为附加设备可以占用血管系统中的附加空间和/或干扰心脏支持设备(诸如血泵)的操作。机器学习算法可以用于基于来自具有各种特性的大量患者的数据，构造所测量的心脏参数与血泵或其他医学设备的一个或多个可测量参数的模型。通过在模型中考虑广泛范围的特性，可以开发有助于预测随后患者的心脏参数的准确模型。例如，可以在模型的开发中将诸如性别、体重、疾病状态、心脏结果和诊断的特性考虑在内。

各种系统可以被配置为执行如上所述的开发和应用模型的步骤。例如，模型可以在血泵的控制器中开发和/或实施。例如，如上所述导出的一个或多个模型可以存储在控制器的存储器中。控制器可以包括一个或多个处理器，其被配置为驱动和控制血泵以及经由显示器向健康护理专业人员提供信息和/或接收信息。一个或多个处理器可以访问存储在存储器中的模型，从血泵接收血泵参数测量值作为输入，以及使用血泵参数从模型提取所估计的心脏参数。然后，一个或多个处理器可以在显示器上显示所估计的心脏参数以及其他健康信息。

模型依据可测量泵参数(诸如泵速度、流量或压力)描述心脏参数，并且使得能够解释心脏中的泵功能的细节以理解心脏的心脏功能，而不需要附加诊断工具(诸如附加导管)。可以使用在血泵处测量的泵性能和压力信号来基于该模型估计心脏输出。这允许基于容易从提供心脏支持的血泵设备中提取的泵参数来理解和预测患者的左心室容积或其他心脏参数。

前述仅说明本公开的原理，并且还可以通过除了所描述的实施方式之外的其他实施方式来实践这些装置，所描述的实施方式是为了说明而不是限制的目的而呈现的。应理解，本文公开的方法虽然被示出用于自动心室辅助系统，但也可以应用于将用于其他自动医学系统的系统。

在回顾本公开之后，本领域技术人员将会想到变化和修改。所公开的特征可以与本文描述的一个或多个其他特征以任何组合和子组合(包括多个从属组合和子组合)实施。以上描述或说明的各种特征(包括其任何部件)可以组合或集成在其他系统中。此外，某些特征可以被省略或未实施。

改变、替换和更改的示例可由本领域技术人员确定，并且可以在不偏离本文公开的信息范围的情况下进行。本文引用的所有参考文献通过引用以其整体并入并作为本申请的一部分。