基于树的数据探索和数据驱动方案

摘要

公开了一种向医师提供治疗建议以治疗患者的方法。该方法包括：从与患者数据存储库进行通信的处理器，基于来自适用于患者的患者数据存储库的所选患者人口统计信息的组合和适合于治疗患者的多个心室辅助设备(VAD)的操作参数，确定第一治疗建议，该第一治疗建议具有第一生存率并且包括使用第一VAD。然后，该方法通过在患者身上使用第一VAD获得第一信号。然后，该方法基于第一信号和第一治疗建议来确定第二治疗建议，该第二治疗建议具有第二生存率。然后，如果第二生存率高于第一生存率，则该方法向医师提供第二治疗建议。

说明书

相关申请的交叉引用

本申请根据35 U.S.C.§119要求2018年10月5日提交的美国临时专利申请序列号62/741,985的优先权权益，该申请的内容通过引用整体并入本文。

背景技术

急性和慢性心血管状况降低生活质量和预期寿命。已经开发了用于在这种状况下治疗心脏的多种治疗方式，范围从药物到机械设备和移植。诸如心脏泵系统和导管系统之类的心室辅助设备(VAD)通常用于治疗心脏，以提供血液动力学支持并促进康复。一些心脏泵系统经皮插入心脏，并且可以与天然心脏并行运行以补充心脏输出。这样的心脏泵系统包括由马萨诸塞州丹佛斯(Danvers,MA)的Abiomed公司生产的

当前，由VAD控制器向医师提供针对具有心血管状况的患者使用VAD的治疗计划的选择，并且该选择很大程度上基于使用该VAD治疗具有类似状况的患者的先前成功的统计。传统的数据分析能够基于单个因素(例如患者的性别或年龄)来分析与使用VAD相关联的生存率。随着患者易患的心肌状况类型的发展，未合理考虑影响患者状况的其他因素的治疗计划可能会通过使用次优VAD对患者进行治疗，从而使患者状况恶化。

发明内容

本文所述的方法和系统使用基于树的预测性模型来向医师提供针对患者进行优化的治疗建议。该方法开始于使用处理器基于从适用于患者的患者数据存储库中获得的所选患者人口统计信息的组合和适合于治疗患者的多个心室辅助设备(VAD)的操作参数来确定第一治疗建议，第一治疗建议具有第一生存率，并且包括使用第一VAD。然后，该方法进行到通过使用VAD治疗患者从第一VAD获得第一信号。从与第一VAD通信的控制器获得第一信号。然后，处理器基于第一信号和第一治疗建议来确定第二治疗建议，第二治疗建议具有第二生存率。然后，处理器确定第二生存率是否高于第一生存率，并且如果是，则向医师提供第二治疗建议。

在一些实施方式中，该方法进一步包括如果第二生存率不高于第一生存率，则通知医师继续使用第一VAD来治疗患者。因此，如果处理器确定第二生存率等于或小于第一生存率，则继续使用第一VAD对患者进行治疗。在某些实施方式中，每个VAD包括用于向控制器提供第一信号的至少一个传感器。传感器可以是被配置为将患者数据转换为电信号的任何输入换能器。在某些实施方式中，第一信号包括与患者的生命力有关的信息，诸如以下至少一项：例如，平均动脉压(MAP)、左心室压(LVP)、左心室舒张末期压(LVEDP)、肺动脉楔压(PAWP)、肺毛细血管楔压(PCWP)、肺动脉闭塞压(PAOP)。

在某些实施方式中，如果确定第二生存率高于第一生存率，则该方法进一步包括利用第二治疗建议来治疗患者。第二治疗建议可以包括使用以下至少一项来治疗患者：第一VAD、第二VAD和无VAD。在一些实施方式中，第二治疗建议可以建立在第一治疗建议的基础上，其中可以建议附加VAD与第一VAD一起使用。在某些实施方式中，VAD包括以下至少一项：

在一些实施方式中，第一治疗建议由处理器执行的预测模型来确定。在某些实施方式中，预测模型基于机器学习算法，该机器学习算法包括以下任一项：装袋和随机森林算法、逻辑回归算法、分类决策树算法、深度学习算法、朴素贝叶斯算法和支持向量机算法。在一些实施方式中，预测模型在其计算中使用适用于患者的患者人口统计信息。此类人口统计信息包括性别、年龄、地区、支持的持续时间、使用指示和插入部位。通过使用特定于患者的人口统计信息，提供给患者的最终治疗建议将更适合每个患者，从而改善治疗效果。

在某些实施方式中，处理器可以显示每个可用VAD的生存率；并找出生存率最高的VAD。另外，处理器可以使用分支树表示来显示用于确定生存率的所选患者人口统计信息的组合。此类特征组合树为医师提供了特征的可视化，这些特征对用于治疗患者的建议的VAD(和相关的生存率)有影响。关于本公开，生存率包括属于所选患者人口统计信息的组合的患者在用VAD治疗时的生存概率。

在一些实施方式中，患者数据存储库包括急性心肌梗塞心源性休克(AMICS)数据库或高危经皮冠状动脉介入治疗(高危PCI)数据库。

根据本公开的第二实施例，所述方法和系统从患者存储库获得数据，其中该数据根据患者人口统计信息存储在存储库中。该方法使用处理器从患者存储库获得数据。然后，处理器确定适合于治疗患者的至少一个心室辅助设备(VAD)。然后，处理器使用预测模型，针对适用于患者的所选患者人口统计信息的组合，基于来自患者数据存储库的数据，确定每个合适的VAD的生存率。然后，处理器向控制器提供与最高生存率相关联的建议的第一VAD。然后，医师使用建议的第一VAD来治疗患者。

在一些实施方式中，该方法进一步针对适用于患者的所选患者人口统计信息的所有组合，向医师提供每个合适的VAD的生存率。在某些实施方式中，处理器还针对适用于患者的患者人口统计信息的每个组合，向医师提供不使用VAD的生存率。在某些实施方式中，第一VAD可以包括以下至少一项：

在一些实施方式中，预测模型使用机器学习算法来确定生存率。机器学习算法可以包括以下任一项：装袋和随机森林算法、逻辑回归算法、分类决策树算法、深度学习算法、朴素贝叶斯算法和支持向量机算法。在某些实施方式中，所选患者人口统计信息的组合遵循树模型。树模型可以具有以下任一个的阶数(order)：二、三、四、五、和六。

在一些实施方式中，该方法可以进一步包括显示每个可用VAD的生存率，以及识别出生存率最高的VAD。在某些实施方式中，该方法可以进一步包括使用分支树表示来显示用于确定生存率的所选患者人口统计信息的组合。生存率可以包括属于所选患者人口统计信息的组合的患者在用VAD治疗时的生存概率。在一些实施方式中，患者数据存储库可以包括急性心肌梗塞心源性休克(AMICS)数据库或高危经皮冠状动脉介入治疗(高危PCI)数据库。

根据本公开的第三实施例，提供了一种用于向医师提供治疗建议以治疗患者的系统。该系统包括包含传感器的至少一个心室辅助设备(VAD)。该系统进一步包括与VAD通信的处理器，该处理器被配置为与急性心肌梗塞心源性休克(AMICS)存储库或高危经皮冠状动脉介入治疗(高危PCI)存储库进行通信。此外，该系统包括与VAD和处理器通信的控制器，该控制器被配置为执行根据前述实施例中的任一项所述的方法。

根据本公开的第四实施例，提供了一种用于向医师提供治疗建议以治疗患者的系统。该系统包括处理器和控制器，该控制器被配置为执行根据前述实施例中的任一项所述的方法。

根据本公开的第五实施例，提供了一种包括计算机可执行指令的计算机程序，该计算机可执行指令在由包括处理器和控制器的计算装置执行时使计算装置执行根据前述实施例中的任一项所述的方法。

根据本公开的第六实施例，提供了一种其上存储有计算机可读代码的非暂时性计算机可读存储介质，该计算机可读代码在由包括处理器和控制器的计算装置执行时使该计算装置执行根据前述实施例中的任一项所述的方法。

附图说明

在结合附图考虑以下详细描述时，前述和其他目的和优点将变得显而易见，在附图中，相同的附图标记始终指代相同的部件，并且其中：

图1示出了根据本公开的实施例的说明性系统；

图2示出了根据本公开的实施例的用于向医师提供治疗建议以治疗患者的方法的说明性流程图；

图3A-图3C示出了具有患者人口统计学因素的说明性树状图，该患者人口统计学因素对在患者身上使用VAD的生存率有贡献；

图4A示出了基于本公开的方法的树状图的阶数/深度的预测模型的精度；

图4B示出了具有优化的树深度的预测模型的输出；并且

图5示出了根据本公开的另一实施例的用于向医师提供第二治疗建议以治疗患者的方法的说明性流程图。

具体实施方式

为了提供对本文描述的方法和系统的整体理解，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专门针对与心室辅助设备的生存率结合使用而描述的，但是应当理解，下面概述的所有部件和其他特征可以以任何合适的方式彼此组合，并且可以被适配和应用于具有与之相关联的生存率的其他类型的医学疗法。

本文所述的系统和方法使用预测性建模来确定针对心源性休克患者的最佳治疗建议。治疗建议可以包括使用单个心室辅助设备(VAD)或彼此结合的多个VAD。预测性模型从过去执行的存档心室辅助例程中提取数据和统计信息。此类患者数据可以存储在患者数据存储库中，诸如例如，急性心肌梗塞心源性休克(AMICS)数据库或高危经皮冠状动脉介入治疗(高危PCI)数据库。该系统和方法使用机器学习算法来预测用VAD治疗患者时的生存率。为了进一步定制预测性模型，使用所选的基于树的特征组合将患者人口统计信息和VAD的操作参数也包括在模型中。在这里，医师能够组合任意数量的患者人口统计信息和/或设备特征，以获得具有现实生存率的治疗建议。

另外，也可以将来自在患者身上使用VAD的实时患者数据馈入预测模型中，以进一步优化治疗建议。此类实时患者数据可以包括但不限于平均动脉压(MAP)、左心室压(LVP)、左心室舒张末期压(LVEDP)、肺动脉楔压(PAWP)、肺毛细血管楔压(PCWP)、肺动脉闭塞压(PAOP)。VAD可以包括但不限于：

图1示出了用于向医师提供第一治疗建议110以治疗患者120的系统100的框图。第一治疗建议110包括对医师的指示，以针对患者120的状况使用最合适的VAD。VAD可以包括但不限于：

系统100还包括例如与患者数据存储库140通信的计算装置130，诸如膝上型计算机。为了简洁起见，在图1中仅示出了计算装置130的处理器135。然而，将理解，计算装置130还包括通常与计算装置相关联的其他部件，诸如例如，易失性存储器(例如，随机存取存储器RAM)、非易失性存储器(例如，只读存储器ROM)、显示器，以及使这些部件之间能够进行通信的连接总线，所有这些部件均包含在本公开中。

计算装置130包括能够使用预测模型对数据执行操作的处理器135。计算装置130与患者数据存储库140通信，该患者数据存储库140包括从各种医疗机构获得的患者数据。根据本公开的某些实施例，患者数据存储库140可以包括由CRM(诸如Salesforce.com公司)编译和维护的急性心肌梗塞心源性休克(AMICS)数据库或高危PCI数据库。患者数据存储库140存储例如来自急性心肌梗塞(AMI)患者、高危PCI患者和心源性休克患者的数据。患者数据包括患者人口统计信息，诸如例如性别、年龄和地区。患者数据还包括来自先前治疗的数据，诸如例如支持的持续时间、使用指示、插入部位、治疗设备和射血分数。表1示出了示例性AMICS数据。在某些情况下，患者数据存储库140还包括可用VAD及其关联的操作参数的数据库145。

处理单元130的处理器135还与控制器150通信，该控制器150控制用于治疗患者120的任何VAD的操作。每个VAD包括传感器，该传感器在使用VAD时从患者收集数据，并将该数据作为信号(诸如图1中的SIG1)传输到控制器150。此类数据可以包括但不限于平均动脉压(MAP)、左心室压(LVP)、左心室舒张末期压(LVEDP)、肺动脉楔压(PAWP)、肺毛细血管楔压(PCWP)、肺动脉闭塞压(PAOP)。第一治疗建议110的第一VAD连接至控制器150，并且将第一信号(SIG1)传输到控制器150。在一些实施例中，控制器150包括马萨诸塞州丹佛斯(Danvers,MA)的Abiomed公司的Automatic

表1示例性AMICS数据

根据本公开的某些实施例，在医师使用第一VAD来治疗患者120之后，控制器150可以另外向医师提供第二治疗建议的指示。在此，控制器150接收来自第一VAD的传输的第一信号SIG1。控制器150然后确定第二治疗建议，该第二治疗建议包括使用基于SIG1的比较模型的使用至少第二VAD、第一VAD的操作参数以及数据库145中所有合适的VAD的操作参数。还确定所有合适的VAD的生存率，并选择具有最高生存率的VAD作为第二VAD。控制器150还从AMICS数据库140确定第二VAD的第二生存率(SR2)。

然后，控制器150将第一生存率SR1与第二生存率SR2进行比较。如果第二生存率SR2高于第一生存率SR1，即SR2>SR1，则经由工作站170上的显示器向医师提供第二建议。第二建议可以包括指示医师使用第二VAD代替第一VAD来治疗患者120。第二建议还可以包括指示医师使用从数据库145中选择的VAD的组合。组合中使用的VAD可以包括除第一VAD之外的VAD，或者附加于第一VAD的至少一个第二VAD。此外，第二建议可以包括根本不使用VAD，即第二建议可以指示医师停止用任何VAD治疗患者。如果第二生存率SR2不高于第一生存率SR1，即SR2≤SR1，则控制器150向医师指示不应对第一治疗建议进行改变。

图2示出了根据本公开的实施例的向医师提供第一治疗建议以治疗心源性休克患者的方法200的流程图。方法200基于如先前关于图1所描述的系统100的特征。该方法开始于步骤210，其中计算单元130的处理器135访问患者数据存储库140。在一些实施例中，存储库140可以包括AMICS或高危PCI数据库，其包括VAD数据库145。然后，在步骤220中，处理器135确定适合于治疗患者的VAD。这样的适合性可以基于患者的临床适应症以及从患者数据存储库140获得的VAD的操作参数。因此，在步骤220中，处理器135从患者数据存储库140确定合适的VAD的候选清单，以用于治疗患者。

在该方法的步骤230中，处理器135使用预测模型来确定来自步骤220的候选清单中每个VAD的生存率。预测模型基于机器学习算法，该算法继而包括但不限于装袋和随机森林算法、逻辑回归算法、分类决策树算法、深度学习算法、朴素贝叶斯算法和支持向量机算法，为简洁起见，在本公开中省略了其细节。

例如，逻辑回归算法基于一方程式，该方程式使用从训练数据中学习的系数来表示预测性模型。可以将模型的表示作为一系列系数存储在计算单元130的存储器中，每个系数对应于指示特定特征(例如特定患者人口统计信息)的相对重要性的权重，并且可以用于计算概率，然后将该概率转换为患者的生存率。对于任何数量的特征(Feature_α、Feature_β、Feature_γ)和相关联的系数(α、β、γ)，概率可计算为(1+exp(-x))

在另一个示例中，决策树算法使用决策树作为预测性模型，从而从对项目的观察得出关于项目目标值的结论。树深度可以是决策树学习中的超参数。超参数是无法从模型中使用的数据估算的值。超参数通常用于帮助估算模型参数，并且可以针对给定的预测性建模问题进行调整。精度可以用作预测性模型的性能指标。通过调整超参数(诸如树深度)来确定决策树的最大精度，系统可以提供优化的机器学习模型，并且因此更好地提供预测(诸如生存率)。接收器操作特性(ROC)和曲线下面积(AUC)也可以用作比较预测算法的指标。

在该方法的步骤240中，处理器135将针对每个VAD获得的生存率进行比较，并确定具有最高生存率的VAD。在步骤250中，处理器135经由连接到处理器的显示器上的指示向医师提供第一治疗建议，以使用具有最高生存率的VAD来治疗患者。

使用如前所述的基于树的数据驱动方案，在图2的方法200中提供第一治疗建议来针对患者的需求定制第一治疗建议。通过针对患者的人口统计信息对治疗进行精细定制，可以为患者提供具有最佳生存率的最有效的治疗计划(例如，基于对数据存储库140中数据的历史分析)，从而确保对心源性休克患者进行有效的治疗。

图3A示出了根据本公开的实施例的患者人口统计信息/特征组合树。树300示出了可以如何组合各种类型的特征和治疗来确定具有最高预测生存率的治疗。根据存储在数据存储库140中的数据310的属性来确定特征。从表1可以看出，存储在存储库140中的数据可以具有各种属性，诸如性别、年龄、射血分数、所用导管的类型(例如斯旺-甘兹氏)和所用泵的类型(例如ECMO)。与患者的人口统计信息有关的数据的属性在组合树300中用作状态层特征，诸如特征322-325。状态层特征是与患者相关且不能改变的特征，即状态层特征不具有可调整的值。状态层特征的示例包括但不限于性别、年龄和射血分数。存储库140还存储与可用VAD的类型有关的数据。这种VAD的特征在组合树300中用作方案(protocol)层特征，诸如特征326-327。方案层特征是医师可选的VAD选项，其有助于VAD的受控操作。方案层特征具有可以由医师指定的那些相关联的值。方案层特征的示例包括但不限于转子速度和流速。

所选的状态层特征和所选的方案层特征从数据存储库140中提取患者数据310，使得所述提取的数据可以在预测模型中使用，以针对所选特征322-327的每种相应组合来确定预测的生存率328-329并将预测的生存率328-329提供给医师。在树300中的预测层中提供了预测的生存率328-329。在一些实施例中，预测模型可以识别出给出最高预测的生存率的特征322-327的组合。与最高预测的生存率相关的特征322-327的组合作为治疗建议提供给医师。可以在监测器上向医师提供治疗建议。可以在诸如图3A中的树310的特征组合树中向医师呈现组成治疗建议的特征的组合。

将会理解，心脏辅助技术随着时间的推移而发展。此外，医师增加对VAD的接触和使用可以改善其对患者状况的影响(例如，一旦医师对使用VAD进行了更好的训练，则将从患者数据中看到VAD的使用对特定状况患者的影响-例如，特定VAD的射血分数可能增加)。根据本公开的实施例，为了迎合此类因素，当从数据存储库140中提取患者数据310时，预测模型可以指定日期范围。在这样的情况下，预测模型有效地对数据加权，并且仅使用落入指定日期范围内的来自存储库140的患者数据310。尽管在上文中通过日期范围举例说明了这种数据加权，但是在对提取的数据310进行加权时可以考虑其他因素。

图3B示出了根据本公开的实施例的在预测性模型中使用的各种类型的患者人口统计数据的示例性特征组合树360。如前所述，患者人口统计数据存储在患者数据存储库140中，并且可以包括例如性别、年龄和地区。树360示出了患者的性别362和年龄363、364的组合。这些组合用于特定类型的VAD(例如

在图3C所示的特征组合树370中示出了本公开的基于树的数据驱动方法的另一示例。树370示出了三种类型的患者数据的组合：性别372、射血分数374和血液动力学监测的可行性376。血液动力学监测的可行性取决于所用VAD的类型。例如，已知斯旺-甘兹氏导管具有可用于促进这种血液动力学监测的压力传感器。针对图3C中的组合的所选患者人口统计信息为：男性，射血分数小于30％以及血液动力学监测。基于图3C所示的基于树的数据组合，使用患者数据存储库140中用于所选患者人口统计数据的数据以及预测模型(如上所述)，患者人口统计信息的该特定组合的生存率378-379如图3C所示。对于射血分数小于30％的男性患者，使用能够进行血液动力学监测的VAD的最高生存率为58.43％。因此，对医师的治疗建议是：对射血分数小于30％的男性患者使用能够进行血液动力学监测的VAD(例如斯旺-甘兹氏导管)。为了完整性，树370中的分支378指示了对射血分数小于30％的男性患者使用不能进行血液动力学监测的VAD时的生存率。用于确定图3C中的生存率的数据基于患者数据存储库140中的具有特征372、374和376的584+421＝1,005条记录。特征组合树360和370的图形表示也可以例如在监测器上与第一治疗建议和/或第二治疗建议一起显示给医师。

图4A示出了用于使用决策树算法对预测模型进行精度优化的数据图400。如前所述，决策树算法可以使用超参数作为树深度。通过调整超参数(诸如树深度)来确定决策树算法的最大精度，系统可以提供优化的机器学习模型，并且因此更好地提供预测(诸如生存率)。如图4A所示，当我们将超参数(树深度)改变为较大的值时，决策树算法能够捕获训练数据的所有噪声。如从图4A中的线图410可以看出的，这导致了高的训练得分。然而，在如此大的树深度下，该模型过度拟合数据，并且不够一般化。结果，如通过图4A中的线图420所看到的，交叉验证得分恶化。对于决策树算法，如果树太浅，例如如果树深度为2或3，则预测模型过于简单，并且无法进行任何正确的预测，如图4A所示，其中训练得分和交叉验证得分均低。因此，决策树算法的最佳树深度是使交叉验证得分和训练得分最大化的深度。如图4A所示，这发生在交叉验证曲线的峰值(点430)处，树深度为6。

在机器学习中，假阳性是错误地指示存在状况或属性的机器指示的结果。类似地，假阴性是错误地标识出不存在状况或属性的机器指示的结果。理想情况下，预测模型应预测与在对患者使用VAD时的实际生存率相匹配的VAD的生存率。然而，与大多数机器学习一样，现实生活中没有完美的模型，因此在评估机器学习模型时，需要在假阳性和假阴性之间进行权衡，反之亦然。图4B中示出了树深度为6的ROC曲线。ROC曲线450扫描从0到100％的假阳性率，并检查模型给出的真阳性率是多少。线图460是理想的，曲线AUC下的面积为100％，而线图470基于AUC为50％的随机模型。任何合理的预测模型都应停留在线图460和线图470之间。对于以上关于图4A所讨论的决策树算法，真阳性率由线图480示出，并且AUC为87.4％，表明当使用决策树算法时预测模型的良好预测能力。为了清楚起见，决策树算法是可以用作根据本公开的预测模型的许多机器学习算法之一。图3B和图3C中的特征组合树与预测模型分离，并且向医师提供如何在决策模型中组合所选特征和/或患者人口统计信息的图示。

图5示出了根据本公开的另一实施例的向医师提供第二治疗建议以治疗心源性休克患者的方法500的流程图。方法500基于如先前关于图1所描述的系统100的特征。方法500完成(works off)图2中的方法200的步骤250，其中向医师提供第一治疗建议，该第一治疗建议包括使用具有第一生存率(SR1)的第一VAD。方法500从步骤510开始，在步骤510中，由处理器135确定第一治疗建议。如先前关于图2所述，处理器135访问患者数据存储库140并确定适合于治疗患者的VAD。例如，这样的适合性可以基于患者的临床适应症以及从患者数据存储库140获得的VAD的操作参数。处理器135从患者数据存储库140中确定合适的VAD的第一候选清单以用于治疗患者，并使用预测模型来确定第一候选清单中的每个VAD的生存率。如前所述，预测模型基于机器学习算法，该算法继而包括但不限于装袋和随机森林算法、逻辑回归算法、分类树算法、深度学习算法、朴素贝叶斯算法和支持向量机算法。具有最高生存率的VAD用于第一治疗建议，该VAD称为具有第一生存率(SR1)的第一VAD。

经由连接到处理器135的显示单元将第一治疗建议告知医师，并且医师使用第一VAD治疗患者(步骤520)。特征组合树(例如树300和350)也可以被显示。每个VAD包括传感器，该传感器在使用VAD时从患者收集数据(步骤530)，并将该数据作为信号(SIG1)传输到控制器150和处理器135。在本公开的一些实施例中，在用第一VAD治疗患者的时段期间，以预定时间间隔进行称为患者生命力检查的患者数据或患者生命力的收集。如前所述，这样的数据可以包括但不限于平均动脉压(MAP)、左心室压(LVP)、左心室舒张末期压(LVEDP)、肺动脉楔压(PAWP)、肺毛细血管楔压(PCWP)和肺动脉闭塞压(PAOP)。

在步骤540中，处理器135基于SIG1中包含的患者数据从患者数据存储库140确定适合于治疗患者的VAD的第二候选清单。将理解，随着用第一VAD治疗患者，患者的生命力可能改变，并且因此SIG1中的患者数据可能与确定第一治疗建议时所用的患者的临床适应症不同。因此，第二候选清单中的VAD可以与第一候选清单中的VAD不同。如同第一候选清单中的VAD一样，处理器135使用预测模型来确定第二候选清单中的每个VAD的生存率。预测模型基于机器学习算法，该机器学习算法可以包括但不限于装袋和随机森林算法、逻辑回归算法、分类和回归树算法、深度学习算法、决策树算法、朴素贝叶斯算法、支持向量机算法和向量量化算法。

确定具有最高生存率的VAD，称为第二VAD(步骤540)，并且在步骤550中，处理器135将其生存率(SR2)与第一VAD的生存率(SR1)进行比较。如果SR2＞SR1，则在向医师的第二治疗建议中使用第二VAD(步骤560)。经由连接到处理器135的显示单元将第二治疗建议告知医师。如果SR2≤SR1，则不向医师提供第二治疗建议，而是指示医师(经由监测器)继续使用第一治疗建议，并如步骤520所述继续用第一VAD治疗患者，直到下一次患者生命力检查为止。在向医师提供第二治疗建议之后，方法500可以继续执行患者生命力检查以进一步完善治疗过程，如图5所示。

使用如前所述的基于树的数据驱动方案，在图5的方法500中提供第二治疗建议针对正在接受所述治疗的患者的进度来进一步定制第一治疗建议。这种进一步的定制确保向医师提供具有最高生存率的治疗建议以用于患者的进一步治疗。通过针对患者的进度对治疗进行精细调整，心源性休克患者的治疗将更加有效。

在某些实施例中，特征组合树也显示在附接到运行决策模型的处理器的监测器上。这些特征组合树类似于图3B和图3C中描绘的那些。这样的特征组合树为医师提供了特征的可视化，这些特征对用于治疗患者的建议的VAD有影响。

在某些实施例中，第二治疗建议可以包括使用单个第二VAD或彼此结合的多个第二VAD。例如，第一治疗建议可以包括使用球囊泵，而第二治疗建议可以包括与斯旺-甘兹氏导管结合使用ECMO泵。作为另一示例，第一治疗建议可以包括使用Impella

关于本公开，计算机可读介质可以包括计算机可读存储介质，该计算机可读存储介质可以是可以包含或存储指令的任何有形介质或构件，该指令由用于执行本文所述的任何方法的指令执行系统、装置或设备(诸如前面定义的计算机)使用或与之连接。

根据本公开的各种实施例，计算机程序可以在包括有形计算机可读介质的计算机程序产品中实现，该有形计算机可读介质承载有体现在其中的计算机程序代码，该计算机程序代码可以与处理器一起用于实现上述功能或方法。

应当将对“计算机可读存储介质”、“计算机程序产品”、“有形体现的计算机程序”等或“处理器”或“处理电路”等的引用理解为不仅包含具有不同架构(诸如，单处理器架构/多处理器架构和定序器/并行架构)的计算机，而且还包括专用电路(诸如现场可编程门阵列FPGA、专用电路ASIC、信号处理设备和其他设备)。对计算机程序、指令、代码等的引用应理解为表示用于可编程处理器固件的软件，诸如硬件设备的可编程内容，如用于处理器的指令，或用于固定功能设备、门阵列、可编程逻辑器件等的经配置设置或配置设置。

作为示例而非限制，这种“计算机可读存储介质”可以表示非暂时性计算机可读存储介质，其可以包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储或其他磁存储设备、闪存，或者可以用于以指令或数据结构的形式存储期望程序代码并且可以由计算机访问的任何其他介质。而且，任何连接都适当地称为“计算机可读介质”。例如，如果使用同轴缆线、光纤缆线、双绞线、数字用户线(DSL)或无线技术(诸如红外线、无线电和微波)从网站、服务器或其他远程源传输指令，则介质的定义中包括同轴缆线、光纤缆线、双绞线、DSL或无线技术(诸如红外、无线电和微波)。然而，应该理解，“计算机可读存储介质”和数据储存器介质不包括连接、载波、信号或其他瞬态介质，而是针对非瞬态有形存储介质。本文所使用的磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字通用盘(DVD)、软盘和蓝光盘，其中磁盘通常磁性地再现数据，而光盘用激光光学地再现数据。上述的组合也应包括在“计算机可读介质”的范围内。

可以由一个或多个处理器(诸如一个或多个数字信号处理器(DSP))、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)或其他等效集成或分立逻辑电路来执行指令。因此，本文使用的术语“处理器”可以指任何前述结构或适合于实现本文所述技术的任何其他结构。另外，在一些方面，可以在专用硬件和/或软件模块内提供本文所描述的功能。而且，这些技术可以在一个或多个电路或逻辑元件中完全实现。

如果需要，可以以不同的顺序和/或彼此同时地执行本文所讨论的不同步骤。此外，如果需要，上述步骤中的一个或多个步骤可以为可选的或可以组合。

前述内容仅是对本公开原理的说明，并且可以通过除了为了说明而非限制的目的提出的所描述的实施方式之外的其他方式来实践所述装置。应当理解，本文公开的方法虽然示出用于自动化的心室辅助系统中，但是可以应用于将要用于其他自动化的医疗系统中的系统。

在审阅本公开之后，本领域技术人员将想到变型和修改。可以以与本文描述的一个或多个其他特征的任何组合和子组合(包括多个从属组合和子组合)来实现所公开的特征。上面描述或示出的各种特征(包括其任何部件)可以被组合或集成在其他系统中。而且，某些特征可以被省略或不实现。

改变、替换和变更的示例可由本领域技术人员确定，并且可以在不脱离本文公开的信息的范围的情况下做出改变。本文引用的所有参考文献通过引用整体并入本文，并成为本申请的一部分。