CN112614581A - 诊断辅助系统、诊断辅助装置以及诊断辅助方法 - Google Patents

诊断辅助系统、诊断辅助装置以及诊断辅助方法 Download PDF

Info

Publication number
CN112614581A
CN112614581A CN202011000224.4A CN202011000224A CN112614581A CN 112614581 A CN112614581 A CN 112614581A CN 202011000224 A CN202011000224 A CN 202011000224A CN 112614581 A CN112614581 A CN 112614581A
Authority
CN
China
Prior art keywords
change
variation
patient
information
intervention
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.)
Pending
Application number
CN202011000224.4A
Other languages
English (en)
Inventor
山崎优大
朴龙勋
霜村侑香
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Publication of CN112614581A publication Critical patent/CN112614581A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

实施方式涉及诊断辅助系统、诊断辅助装置以及诊断辅助方法。使得容易地掌握有关患者的医用信息。实施方式的诊断辅助系统具备存储部、提取部、计算部和显示控制部。存储部存储医用信息，该医用信息包括与患者的状态有关的患者信息以及与对上述患者的介入有关的介入信息。提取部提取上述医用信息的变化点。计算部计算表示上述变化点前后的上述患者信息的变化的第一变化量和表示上述变化点前后的上述介入信息的变化的第二变化量。显示控制部以对应于上述第一变化量及上述第二变化量的至少一方而设定的显示形态，进行基于上述第一变化量及上述第二变化量的显示。

Description

诊断辅助系统、诊断辅助装置以及诊断辅助方法
相关申请的参考
本申请享受2019年10月3日申请的日本专利申请号为2019－182726的优先权的利益，该日本专利申请的全部内容在本申请中被援引。
技术领域
实施方式涉及诊断辅助系统、诊断辅助装置以及诊断辅助方法。
背景技术
医师根据患者过去的检查信息、治疗信息、其他与患者有关的各种各样的医用信息，进行各种各样的意思决定。但是，根据患者的不同，也有时记录有大量医用信息，将其全部掌握并不容易。
发明内容
本发明要解决的课题在于，使得容易地掌握关于患者的医用信息。
实施方式的诊断辅助系统具备存储部、提取部、计算部和显示控制部。存储部存储医用信息，该医用信息包括与患者的状态有关的患者信息以及与对上述患者的介入有关的介入信息。提取部提取上述医用信息的变化点。计算部计算表示上述变化点前后的上述患者信息的变化的第一变化量和表示上述变化点前后的上述介入信息的变化的第二变化量。显示控制部以对应于上述第一变化量及上述第二变化量的至少一方而设定的显示形态，进行基于上述第一变化量及上述第二变化量的显示。
根据实施方式的诊断辅助系统，能够容易地掌握关于患者的医用信息。
附图说明
图1是表示第一实施方式的诊断辅助系统的结构的一例的框图。
图2是表示第一实施方式的诊断辅助装置的处理的概要的图。
图3是表示第一实施方式的医用信息的一例的图。
图4是表示第一实施方式的变化点的提取处理的一例的图。
图5是表示第一实施方式的变化点的提取处理的一例的图。
图6是表示第一实施方式的第一期间及第二期间的提取处理的一例的图。
图7是表示第一实施方式的第一期间及第二期间的提取处理的一例的图。
图8是表示第一实施方式的第一变化量的计算处理的一例的图。
图9是表示第一实施方式的第二变化量的计算处理的一例的图。
图10A是表示第一实施方式的显示形态的设定处理的一例的图。
图10B是表示第一实施方式的显示形态的设定处理的一例的图。
图11A是表示第一实施方式的显示例的图。
图11B是表示第一实施方式的显示例的图。
图11C是表示第一实施方式的显示例的图。
图11D是表示第一实施方式的显示例的图。
图12是用于说明第一实施方式的诊断辅助系统的处理的一系列流程的流程图。
图13是表示第二实施方式的显示例的图。
具体实施方式
以下，参照附图，详细地说明诊断辅助系统、诊断辅助装置以及诊断辅助方法的实施方式。另外，本申请的诊断辅助系统、诊断辅助装置以及诊断辅助方法不限于以下所示的实施方式。
首先，对第一实施方式进行说明。在第一实施方式中，对包含诊断辅助装置10及数据库20的诊断辅助系统1进行说明。
图1是表示第一实施方式的诊断辅助系统1的结构的一例的框图。如图1所示，第一实施方式的诊断辅助系统1具备诊断辅助装置10以及数据库20。此外，如图1所示，诊断辅助装置10以及数据库20经由网络NW相互连接。
数据库20是存储关于患者的医用信息的存储装置。另外，数据库20是存储部(存储器)的一例。
举个例子，数据库20是作为在医院等导入的电子病例系统的一部分而设置的电子病例保管装置。另外举个例子，数据库20是从电子病例系统、PACS(Picture Archiving andCommunication System：影像存档与传输系统)、放射线部门系统、体检系统等各种医疗信息系统取得各种医用信息、将所取得的医用信息作为平台进行管理的综合管理装置。另外，图1中示出了1个数据库20，但数据库20也可以是将在物理上分离的多个存储装置组合而构成的。此外，这些多个存储装置也可以设置于互不相同的设施中。
这里，关于患者的医用信息包含例如与患者的状态有关的患者信息、与对患者的介入有关的介入信息。例如，数据库20将各种医用信息与取得该医用信息的日期时间的信息以及患者ID建立关联而存储。
例如，患者信息包含通过检查而收集的检查信息。具体而言，作为检查信息的例子，可以例举对患者计测的生命数据(例如，脉搏数、心跳数、呼吸数、血压、体温、经皮的动脈血氧饱和度(SpO2)等)、从患者收集的检体(血液等)的检查数据、从患者收集的医用图像数据、医用图像数据的计测数据(血管径、血流量等)等。除此以外，患者信息还包含患者的食量、排尿量、患者诉说的症状(疼痛、瘙痒等)等与患者的状态有关的各种信息。
此外，介入信息包含例如与对患者进行的治疗有关的治疗信息。具体而言，作为治疗信息的例子，可以例举对患者进行的投药的信息(投药的药剂的种类及量等)、手术及放射线治疗、按摩等治疗措施的信息。除此以外，介入信息还包含与对患者的介入有关的各种信息。举个例子，数据库20将随着患者的恢复而将石膏变更为绷带的事件作为介入信息，与变更后的日期时间的信息以及患者ID建立关联而存储。另外举个例子，数据库20将在患者诉说了疼痛的部位粘贴了湿布的事件作为介入信息，与变更后的日期时间的信息以及患者ID建立关联而存储。
另外，医用信息不限于在医院记录的信息，也可以是在诊疗所、看护设施、诊查设施等医疗设施中记录的信息。或者，医用信息也可以是在患者的住宅等医疗设施外记录的信息。例如，医用信息也可以是在任意场所由患者所佩戴的可穿戴器件记录的信息。
诊断辅助装置是通过基于从数据库20取得的医用信息进行各种显示来辅助用户的诊断的装置。例如，诊断辅助装置10如图1所示，具有输入接口101、显示器102、存储电路103和处理电路104。
输入接口101受理来自用户的各种输入操作，将所受理的输入操作转换为电信号后向处理电路104输出。例如，通过鼠标或键盘、轨迹球、开关、按钮、操纵杆、通过向操作面触碰而进行输入操作的触摸板、将显示画面和触摸板一体化的触摸屏、利用光学传感器的非接触输入电路、音声输入电路等来实现输入接口101。另外，输入接口101也可以由能够与诊断辅助装置10主体进行无线通信的平板终端等构成。此外，输入接口101不仅限于鼠标或键盘等具备物理操作部件的结构。例如，从与诊断辅助装置10分体地设置的外部的输入设备接受与输入操作对应的电信号、并将该电信号向处理电路104输出的电信号的处理电路也包含在输入接口101的例子中。
显示器102显示各种信息。例如，显示器102显示用于经由输入接口101从用户受理各种指示、各种设定等的GUI(Graphical User Interface：用户图形界面)。此外，显示器102进行基于后述的第一变化量及第二变化量的显示。例如，显示器102是液晶显示器、CRT(Cathode Ray Tube：阴极射线管)显示器。显示器102可以是台式，也可以由能够与诊断辅助装置10主体进行无线通信的平板终端等构成。
存储电路103例如通过RAM(Random Access Memory：随机存储器)、闪存存储器等半导体存储器元件、硬盘、光盘等实现。例如，存储电路103存储用于使诊断辅助装置10中包含的电路实现其功能的程序。另外，存储电路103也可以通过经由网络NW而与诊断辅助装置10连接的服务器群(云)来实现。
处理电路104通过执行提取功能104a、计算功能104b、显示控制功能104c以及控制功能104d来控制诊断辅助装置10整体的动作。这里，提取功能104a是提取部的一例。此外，计算功能104b是计算部的一例。此外，显示控制功能104c是显示控制部的一例。
例如，处理电路104通过将与提取功能104a对应的程序从存储电路103中读出并执行，从而经由网络NW从数据库20取得医用信息，提取所取得的医用信息的变化点。此外，例如，处理电路104通过将与计算功能104b对应的程序从存储电路103读出并执行，从而计算表示变化点前后的患者信息的变化的第一变化量和表示变化点前后的介入信息的变化的第二变化量。此外，例如，处理电路104通过将与显示控制功能104c对应的程序从存储电路103读出并执行，从而在显示器102上进行基于第一变化量及第二变化量的显示。此外，例如，处理电路104通过将与控制功能104d对应的程序从存储电路103读出并执行，从而基于经由输入接口101从用户受理的操作，对诊断辅助装置10整体的动作进行控制。另外，后面详述处理电路104的各功能的处理。
在图1所示的诊断辅助装置10中，各处理功能以能够由计算机执行的程序的形态存储到存储电路103。处理电路104是通过从存储电路103将程序读出并执行从而实现与各程序对应的功能的处理器。换言之，读出了各程序的状态下的处理电路104具有与所读出的程序对应的功能。
另外，在图1中，说明了由单一的处理电路104实现提取功能104a、计算功能104b、显示控制功能104c以及控制功能104d，但也可以将多个独立的处理器组合而构成处理电路104，由各处理器执行程序而实现功能。此外，处理电路104具有的各处理功能也可以适当分散或统一到单一或多个处理电路中来实现。
另外，只要能够经由网络NW进行连接，则诊断辅助装置10及数据库20所设置的场所是任意的。例如，诊断辅助装置10也可以设置在与数据库20不同的医院。即，网络NW可以由在院内封闭的局域网构成，也可以是经由因特网的网络。
在上述说明中使用的用语“处理器”例如是指CPU(Central Processing Unit：中央处理单元)、GPU(Graphics Processing Unit：图形处理单元)、或者面向特定用途的集成电路(Application Specific Integrated Circuit：ASIC)、可编程逻辑器件(例如，简单可编程逻辑器件(Simple Programmable Logic Device：SPLD)、复杂可编程逻辑器件(Complex Programmable Logic Device：CPLD)以及现场可编程门阵列(FieldProgrammable Gate Array：FPGA))等电路。处理器通过将存储电路103中保存的程序读出并执行来实现功能。
另外，图1中，说明了单一的存储电路103存储与各处理功能对应的程序的情况。但是，实施方式不限于此。例如，也可以将多个存储电路103分散配置，处理电路104从单独的存储电路103读出对应的程序。此外，也可以代替在存储电路103中保存程序而在处理器的电路内直接植入程序。该情况下，处理器通过将在电路内植入的程序读出并执行来实现功能。
此外，处理电路104也可以利用经由网络NW连接的外部装置的处理器来实现功能。例如，处理电路104从存储电路103将与各功能对应的程序读出并执行，并且将与诊断辅助装置10经由网络NW连接的服务器群(云)作为计算资源而利用，从而实现图1所示的各功能。
以上，对包括诊断辅助装置10以及数据库20的诊断辅助系统1进行了说明。基于该结构，诊断辅助系统1中的诊断辅助装置10通过处理电路104的处理，使关于患者的医用信息的掌握变得容易。另外，以下，作为一例而说明用于用户掌握患者P1的医用信息的处理。
首先，利用图2，说明诊断辅助装置10的处理的概要。例如，诊断辅助装置10首先从数据库20取得关于患者P1的医用信息。例如，诊断辅助装置10基于患者P1的患者ID，取得包含关于患者P1的患者信息以及介入信息的医用信息。另外，图2是表示第一实施方式的诊断辅助装置10的处理的概要的图。
接着，诊断辅助装置10提取医用信息的变化点。接着，诊断辅助装置10计算表示变化点前后的患者信息的变化的第一变化量和表示变化点前后的介入信息的变化的第二变化量。接着，诊断辅助装置10与第一变化量以及第二变化量的至少一方相对应地设定显示形态。并且，诊断辅助装置10以所设定的显示形态进行基于第一变化量及第二变化量的显示。
接着，更详细地说明诊断辅助装置10的处理。首先，利用图3，说明从数据库20取得的医用信息。图3是表示第一实施方式的医用信息的一例的图。例如，提取功能104a经由网络NW，取得图3所示的介入信息及患者信息。例如，提取功能104a将从用户受理了表示进行关于患者P1的诊断的指示的情况作为触发，从数据库20取得图3所示的介入信息及患者信息。
图3所示的介入信息是从“2019.5.17”至“2019.5.24”的各日的利尿剂及强心剂的投药记录。换言之，图3所示的介入信息是与利尿剂及强心剂的投药有关的时间序列信息。
具体而言，图3在“2019.5.17”中表示利尿剂及强心剂没有被投药。此外，图3在“2019.5.18”中表示利尿剂被投药“10”，强心剂没有被投药。此外，图3在“2019.5.19”中表示利尿剂被投药“10”、强心剂被投药“20”。此外，图3在“2019.5.20”中表示利尿剂及强心剂没有被投药。此外，图3在“2019.5.21”中表示利尿剂被投药“10”、强心剂没有被投药。此外，图3在“2019.5.22”、“2019.5.23”以及“2019.5.24”中表示利尿剂及强心剂没有被投药。
此外，图3所示的患者信息是从“2019.5.17”至“2019.5.24”的各日的NT－proBNP、以及每单位时间的呼吸数的记录。换言之，图3所示的患者信息是有关NT－proBNP及呼吸数的时间序列信息。
具体而言，图3在“2019.5.17”中表示NT－proBNP是“192”、呼吸数是“8”。此外，图3在“2019.5.18”中表示NT－proBNP是“185”、呼吸数是“12”。此外，图3在“2019.5.19”中表示NT－proBNP是“200”、呼吸数是“14”。此外，图3在“2019.5.20”中表示NT－proBNP是“180”、呼吸数是“13”。此外，图3在“2019.5.21”中表示NT－proBNP是“92”、呼吸数是“23”。此外，图3在“2019.5.22”中表示NT－proBNP是“100”、呼吸数是“21”。此外，图3在“2019.5.23”中表示NT－proBNP是“89”、呼吸数是“20”。此外，图3在“2019.5.24”中表示NT－proBNP是“102”、呼吸数是“19”。
接着，提取功能104a提取医用信息的变化点。例如，提取功能104a对于图3所示的时间序列信息设定多个时刻，在各时刻的前后比较医用信息的特征，将变化的程度大的时刻作为变化点来提取。
举个例子，提取功能104a如图4所示，设定“2019.5.17～2019.5.19”这3日即期间xt和“2019.5.20～2019.5.22”这3日即期间xt+1。另外，图4是表示第一实施方式的变化点的提取处理的一例的图。
接着，提取功能104a如图5所示，通过将表示期间xt的医用信息的特征矢量与表示期间xt+1的医用信息的特征矢量进行比较，来评价变化的程度。例如，提取功能104a能够利用表示期间xt的医用信息的特征矢量和表示期间xt+1的医用信息的特征矢量进行减法，将计算出的矢量的大小(范数(norm))作为变化的程度来评价。另外，图5是表示第一实施方式的变化点的提取处理的一例的图。为了便于说明，在图5中表示二维的矢量，但各特征矢量为具有与利尿剂、强心剂、NT－proBNP以及呼吸数对应し的维数的四维矢量。
进而，提取功能104a如图4所示在“2019.5.18～2019.5.20”这3日即期间xu与“2019.5.21～2019.5.23”这3日即期间xu+1之间评价变化的程度。同样地，提取功能104a在“2019.5.19～2019.5.21”这3日与“2019.5.22～2019.5.24”这3日之间评价变化的程度。即，提取功能104a一边使对象的时刻移位，一边对各时刻评价变化的程度。并且，提取功能104a提取变化的程度大的时刻作为变化点。例如，提取功能104a提取变化的程度比阈值大的时刻作为变化点。
另外，在图4中，说明了当评价变化的程度时设定3日的期间(期间xt，期间xt+1，期间xu，期间xu+1等)的情况，但设定的期间的长度并不特别限定。此外，提取功能104a也可以一边使设定的期间的长度变化一边评价变化的程度。
例如，提取功能104a在“2019.5.17～2019.5.19”这3日即期间xt与“2019.5.20～2019.5.22”这3日即期间xt+1之间评价变化的程度。此外，提取功能104a在“2019.5.18～2019.5.19”这2日与“2019.5.20～2019.5.21”这2日之间评价变化的程度。此外，提取功能104a在“2019.5.19”这1日与“2019.5.20”这1日之间评价变化的程度。并且，提取功能104a基于这三个评价，判定是否将“2019.5.19”与“2019.5.20”之间的时刻作为变化点来提取。例如，提取功能104a针对这三个评价计算平均值，根据平均值是否超过阈值，判定是否将“2019.5.19”与“2019.5.20”之间的时刻作为变化点来提取。此外，提取功能104a对于“2019.5.17～2019.5.24”中的其他各时刻也同样地判定是否作为变化点来提取。这样，通过一边使设定的期间的长度变化一边评价变化的程度，提取功能104a能够将瞬时变化及平滑变化这双方作为变化点来提取。
或者，提取功能104a也可以利用子空间法进行变化点的提取。例如，提取功能104a首先从期间xt取得多个特征矢量。具体而言，提取功能104a从期间xt取得基于“2019.5.17～2019.5.19”这3日的特征矢量、基于“2019.5.17～2019.5.18”这2日的特征矢量、基于“2019.5.18～2019.5.19”这2日的特征矢量、基于“2019.5.17”这1日的特征矢量、基于“2019.5.18”这1日的特征矢量、基于“2019.5.19”这1日的特征矢量这样的多个特征矢量。此外，提取功能104a基于这些多个特征矢量计算子空间。
同样地，提取功能104a从期间xt+1取得多个特征矢量，基于取得的多个特征矢量计算子空间。并且，提取功能104a比较基于期间xt的子空间和基于期间xt+1的子空间，判定是否将“2019.5.19”与“2019.5.20”之间的时刻作为变化点来提取。此外，提取功能104a对于“2019.5.17～2019.5.24”中的其他各时刻也同样地判定是否作为变化点来提取。
或者，提取功能104a也可以利用密度比进行变化点的提取。例如，提取功能104a比较期间xt的医用信息的分布和期间xt+1的医用信息的分布。举个例子，提取功能104a在期间xt的医用信息的分布与期间xt+1的医用信息的分布之间，比较关于分布的偏移或形状的统计值。另外，关于分布的偏移的统计值是例如各分布的平均值。此外，关于分布的形状的统计值是例如各分布的方差值。并且，提取功能104a根据分布彼此的比较结果，判定是否将“2019.5.19”与“2019.5.20”之间的时刻作为变化点来提取。此外，提取功能104a对于“2019.5.17～2019.5.24”中的其他各时刻也同样地判定是否作为变化点来提取。
另外，提取功能104a也可以通过机械学习的方法进行变化点的提取。例如，提取功能104a利用具有提取医用信息的变化点的功能的已学习模型M1进行变化点的提取。另外，已学习模型M1例如由提取功能104a事先生成，并存储在存储电路103中。
例如，提取功能104a首先收集在已学习模型M1的生成中使用的学习数据。例如，提取功能104a取得医用信息与变化点的对作为学习数据。另外，用作学习数据的医用信息可以是关于患者P1的医用信息，也可以是关于其他患者的医用信息。
此外，关于用作学习数据的变化点，例如能够由医师等用户进行设定。或者，提取功能104a还能够自动设定用作学习数据的变化点。例如，提取功能104a能够将在参照医用信息时用户关注的时刻设定为变化点。举个例子，提取功能104a能够将长时间显示的医用信息所对应的时刻、被用户指定显示详细情况的医用信息所对应的时刻设定为变化点。
接着，提取功能104a执行基于所收集的学习数据的机械学习，生成已学习模型M1。这里，已学习模型M1例如能够由神经网络(Neural Network)构成。所谓神经网络，是具有层状排列的邻接层间耦合而成的构造且信息从输入层侧向输出层侧传递的网络。例如，提取功能104a通过利用上述的学习数据对于多层的神经网络执行深层学习(deep learning)，生成已学习模型M1。另外，多层的神经网络例如包括输入层、多个中间层(隐藏层)和输出层。
举个例子，提取功能104a将有关某患者的医用信息作为输入侧数据向神经网络输入。该情况下，在神经网络中，从输入层侧朝向输出层侧单向上仅在邻接层间一边耦合一边传递信息，从输出层输出所输入的医用信息的变化点的推定结果。另外，关于从输入层侧朝向输出层侧单向上信息传递的神经网络也称作卷积神经网络(CNN：Convlutional NeuralNetwork)。另外，以CNN为例进行了说明，但提取功能104a也可以使用与CNN不同种类的神经网络。例如，提取功能104a也可以通过全耦合神经网络、循环型神经网络(RNN：RecurrentNeural Network)等神经网络构成已学习模型M1。
提取功能104a调整神经网络的参数，使得在输入了输入侧数据时神经网络能够输出优选的结果，从而生成已学习模型M1。例如，提取功能104a一边调整神经网络的参数一边重复处理，直到从神经网络输出的变化点的推定结果与作为输出侧的学习数据而输入的变化点之差低于阈值。由此，提取功能104a生成被赋予了受理医用信息的输入从而提取所输入的医用信息的变化点的功能的已学习模型M1。此外，提取功能104a使所生成的已学习模型M1存储到存储电路103中。
并且，提取功能104a对已学习模型M1输入关于患者P1的医用信息。例如，提取功能104a将从用户受理了表示进行关于患者P1的诊断的指示的情况作为触发，从数据库20取得医用信息并且从存储电路103读出已学习模型M1，对已学习模型M1输入医用信息。此外，已学习模型M1输出所输入的医用信息的变化点。即，提取功能104a能够利用已学习模型M1，提取关于患者P1的医用信息的变化点。
另外，说明了已学习模型M1的输入侧数据是医用信息的情况，但实施方式并不限定于此。例如，提取功能104a也可以代替医用信息而将根据医用信息计算出的子空间或密度比作为输入侧数据，来生成已学习模型M1。该情况下，提取功能104a从关于患者P1的医用信息中计算子空间或密度比，对已学习模型M1输入所计算的子空间或密度比，由此能够提取关于患者P1的医用信息的变化点。
此外，说明了已学习模型M1由神经网络构成的情况，但提取功能104a也可以通过神经网络以外的机械学习手法来生成已学习模型M1。此外，说明了提取功能104a生成已学习模型M1的情况，但已学习模型M1也可以在与诊断辅助装置10不同的其他装置中生成。
接着，提取功能104a提取变化点之前的第一期间和变化点之后的第二期间。例如，提取功能104a将变化点前后的预置的长度的期间作为第一期间及第二期间来提取。以下，以预置了“3日”作为期间的长度的情况为例进行说明。例如，如图6所示，在作为变化点而提取了作为“2019.5.19”与“2019.5.20”之间的时刻的变化点V1的情况下，提取功能104a将变化点V1之前的3日即期间R11作为第一期间来提取，将变化点V1之后的3日即期间R12作为第二期间来提取。另外，图6是表示第一实施方式的第一期间及第二期间的提取处理的一例的图。
或者，提取功能104a也可以将所提取的多个变化点之间的期间作为第一期间及第二期间来提取。例如，作为变化点，在提取了作为“2019.5.19”与“2019.5.20”之间的时刻的变化点V1、作为“2019.5.16”与“2019.5.17”之间的时刻的变化点V2以及作为“2019.5.23”与“2019.5.24”之间的时刻的变化点V3的情况下，提取功能104a对于变化点V1，如图7所示那样提取期间R21及期间R22。即，提取功能104a提取变化点V1与变化点V2之间的期间R21作为变化点V1之前的第一期间。此外，提取功能104a提取变化点V1与变化点V3之间的期间R22作为变化点V1之后的第二期间。另外，图7是表示第一实施方式的第一期间及第二期间的提取处理的一例的图。提取功能104a也可以针对期间的长度设置上限值，在变化点之间的期间较长的情况下根据该上限值提取第一期间及第二期间。
接着，计算功能104b计算表示变化点前后的患者信息的变化的第一变化量和表示变化点前后的介入信息的变化的第二变化量。例如，计算功能104b根据第一期间的患者信息和第二期间的患者信息计算第一变化量，根据第一期间的介入信息和第二期间的介入信息计算第二变化量。另外，以下作为一例，对通过提取功能104a提取了图6中示出的期间R11及期间R12作为变化点V1前后的期间的情况进行说明。
首先，关于第一变化量的计算，利用图8进行说明。图8是表示第一实施方式的第一变化量的计算处理的一例的图。如图8所示，计算功能104b分别计算期间R11的病情和期间R12的病情，将病情之差作为第一变化量来计算。
具体而言，计算功能104b根据期间R11的患者信息，计算期间R11的病情。即，计算功能104b根据“2019.5.17～2019.5.19”的患者P1的NT－proBNP以及呼吸数，计算期间R11的病情。另外，计算功能104b也可以计算表示病情的数值作为期间R11的病情，也可以进行向表示病情的多个等级(rank)的分配。另外，这些表示病情的数值、等级的设定方法并不特别限定，例如，可以由用户设定，也可以按每个医院进行设定，也可以根据一般使用的方针等进行设定。
例如，计算功能104b按照将NT－proBNP及呼吸数各自的值与病情建立了对应而成的规定的表，计算期间R11的病情。此外，例如，计算功能104b按照将NT－proBNP及呼吸数的组合与病情建立了对应而成的规定的表，计算期间R11的病情。
此外，例如，计算功能104b也可以按照规定的数式计算期间R11的病情。举个例子，计算功能104b将期间R11的关于NT－proBNP及呼吸数的方差值作为期间R11的病情进行计算。
或者，计算功能104b也可以通过机械学习的方法来计算期间R11的病情。例如，计算功能104b利用具有受理患者信息的输入并输出病情的功能的已学习模型M2，计算期间R11的病情。另外，已学习模型M2例如由计算功能104b事先生成，并存储在存储电路103中。
例如，计算功能104b首先收集在已学习模型M2的生成中使用的学习数据。例如，计算功能104b作为学习数据而取得患者信息与病情的对。另外，用作学习数据的患者信息可以是关于患者P1的患者信息，也可以是关于其他患者的患者信息。此外，用作学习数据的病情例如能够由医师等用户进行设定。例如，用户能够根据在成对的患者信息被取得的时刻进行的问诊等的结果，来设定病情。
接着，计算功能104b执行基于收集到的学习数据的机械学习，生成已学习模型M2。这里，已学习模型M2例如能够由神经网络构成。例如，计算功能104b通过利用上述的学习数据对多层的神经网络执行深层学习，生成已学习模型M2。此外，计算功能104b使生成的已学习模型M2存储在存储电路103中。
并且，计算功能104b对于从存储电路103读出的已学习模型M2，输入关于患者P1的患者信息。此外，已学习模型M2根据所输入的患者信息，输出期间R11的病情。即，计算功能104b能够利用已学习模型M2，计算期间R11的病情。
另外，说明了已学习模型M2由神经网络构成的情况，但计算功能104b也可以通过神经网络以外的机械学习方法，生成已学习模型M2。此外，说明了计算功能104b生成已学习模型M2的情况，但已学习模型M2也可以在与诊断辅助装置10不同的其他装置中生成。
如上述那样，计算功能104b根据期间R11的患者信息，计算期间R11的病情。同样地，计算功能104b根据期间R12的患者信息，计算期间R12的病情。并且，计算功能104b根据期间R11的病情和期间R12的病情计算第一变化量。例如，在作为病情而计算了数值的情况下，计算功能104b计算期间R11的病情与期间R12的病情之间的数值的差作为第一变化量。此外，例如，在作为病情而计算了等级的情况下，计算功能104b计算期间R11的病情与期间R12的病情之间的等级数的差作为第一变化量。
另外，计算功能104b也可以对第一变化量进行标准化。例如，计算功能104b可以将在任意的数值范围中计算出的第一变化量、或作为等级而计算出的第一变化量标准化为“0～1”的数值。或者，计算功能104b也可以将第一变化量标准化，以使第一变化量与后述的第二变化量之和成为“1”。此外，以下，将标准化后的第一变化量也记载为病情变化度。
接着，关于第二变化量的计算，利用图9进行说明。图9是表示第一实施方式的第二变化量的计算处理的一例的图。如图9所示，计算功能104b将期间R11的介入信息和期间R12的介入信息分别矢量化，进行矢量间的比较，从而计算第二变化量。
例如，计算功能104b能够利用各期间的代表值(例如，最大值、变化点附近的值等)将期间R11及期间R12的介入信息矢量化。具体而言，能够用成为(利尿剂，强心剂)＝(10，20)的矢量来表现期间R11的介入信息。此外，能够用成为(利尿剂，强心剂)＝(10，0)的矢量来表现期间R12的介入信息。并且，计算功能104b通过比较这两个矢量而计算第二变化量。例如，计算功能104b如图9所示，通过在这两个矢量之间进行减法而计算第二变化量。
另外，计算功能104b也可以利用各期间的其他统计值(例如平均值等)将期间R11及期间R12的介入信息矢量化。此外，在作为介入信息而使用手术等的实施的有无的情况下，计算功能104b例如能够通过将“有”作为“1”、将“无”作为“0”来进行数值化，由此与图9所示的情况相同地计算第二变化量。此外，图9中为了便于说明，关于二维的矢量进行了说明，但矢量的维数并无特别限定。
此外，计算功能104b也可以对第二变化量进行标准化。例如，计算功能104b也可以将在任意的数值范围中计算出的第二变化量标准化为“0～1”的数值。或者，计算功能104b也可以将第二变化量标准化，以使第一变化量与第二变化量之和成为“1”。此外，以下，将标准化后的第二变化量也记载为介入变化度。
接着，显示控制功能104c与第一变化量及第二变化量的至少一方相对应地设定显示形态。例如，显示控制功能104c对应于第一变化量与第二变化量的比例来设定显示形态。以下，关于显示形态的设定处理，利用图10A及图10B进行说明。图10A及图10B是表示第一实施方式的显示形态的设定处理的一例的图。
首先，计算功能104b如图10A所示，将第一变化量及第二变化量标准化，以使第一变化量与第二变化量之和成为“1”。另外，图10A表示标准化后的第一变化量即病情变化度是“0.6”、标准化后的第二变化量即介入变化度是“0.4”的情况。
接着，显示控制功能104c设定以与第一变化量与第二变化量的比例相对应的比例将2色混合后的混合色。具体而言，显示控制功能104c如图10B所示，对应于病情变化度“0.6”和介入变化度“0.4”的比例，以使“红∶蓝＝6∶4”的方式设定将红色与蓝色混合后的混合色。即，显示控制功能104c在相对于介入的变化而言病情的变化较大的情况下以更接近于红色的方式设定混合色，在相对于病情的变化而言介入的变化较大的情况下以更接近于蓝色的方式设定混合色，在病情和介入双方以相同程度变化的情况下以成为中间色(紫色)的方式设定混合色。
并且，显示控制功能104c利用所设定的混合色，进行基于第一变化量及第二变化量的显示。例如，显示控制功能104c进行基于患者信息及介入信息的至少一方的时间序列显示，并且利用所设定的混合色图示变化点。
例如，显示控制功能104c如图11A所示，将NT－proBNP及呼吸数分别在图表中进行时间序列显示，并且将变化点用柱状线图示。这里，图11A中表示变化点的柱状线以对应于第一变化量与第二变化量的比例而设定的混合色来显示。更具体而言，图11A表示在相对于介入的变化而言病情的变化较大的情况下利用被设定为更接近于红色的混合色图示变化点的情况。另外，图11A是表示第一实施方式的显示例的图。
参照图11A的显示的用户一眼就能掌握在“2019.5.20”与“2019.5.21”之间存在变化点、并且相对于介入的变化而言病情的变化较大的情况。即，用户能够容易地掌握由于在“2019.5.20”与“2019.5.21”之间进行的介入而患者P1的病情较大地变化这一情况。换言之，用户关于在“2019.5.20”与“2019.5.21”之间进行的介入，能够容易地掌握对患者P1的病情的影响较大这一情况。
此外，例如，显示控制功能104c如图11B所示，将NT－proBNP及呼吸数分别在图表中进行时间序列显示，并且将变化点用柱状线图示。这里，在图11B中表示变化点的柱状线以对应于第一变化量与第二变化量的比例而设定的混合色来显示。更具体而言，图11B表示在相对于介入的变化而言病情的变化较小的情况下利用被设定为更接近于蓝色的混合色图示变化点的情况。另外，图11B是表示第一实施方式的显示例的图。
参照图11B的显示的用户一眼就能够掌握在“2019.5.20”与“2019.5.21”之间存在变化点、并且相对于介入的变化而言病情的变化较小这一情况。即，用户能够容易地掌握通过在“2019.5.20”与“2019.5.21”之间进行的介入、患者P1的病情比较没有变化这一情况。换言之，用户关于在“2019.5.20”与“2019.5.21”之间进行的介入，能够容易地掌握对患者P1的病情的影响较小这一情况。
此外，例如，显示控制功能104c如图11C所示，将NT－proBNP及呼吸数分别在图表中进行时间序列显示，并且将变化点用柱状线图示。这里，图11C中表示变化点的柱状线以对应于第一变化量与第二变化量的比例而设定的混合色来显示。更具体而言，图11C表示在病情与介入双方以相同程度变化的情况下、利用被设定为成为中间色(紫色)的混合色图示变化点的情况。另外，图11C是表示第一实施方式的显示例的图。
参照图11C的显示的用户一眼就能够掌握在“2019.5.20”与“2019.5.21”之间存在变化点、并且相对于介入的变化而病情的变化为同等程度的情况。即，用户能够容易地掌握通过在“2019.5.20”与“2019.5.21”之间进行的介入而患者P1的病情相对于介入的大小以通常期待的程度发生变化这一情况。
另外，在图11A、图11B以及图11C中，作为时间序列显示的例子，示出了将NT－proBNP以及呼吸数在图表中显示的情况。但是，实施方式不限于此。例如，显示控制功能104c也可以将NT－proBNP以及呼吸数以外的患者信息在图表中显示，也可以将介入信息在图表中显示。
此外，显示控制功能104c也可以如图11D所示，利用表进行时间序列显示。该情况下，显示控制功能104c能够通过在表上显示柱状线来图示变化点。另外，图11D表示在病情与介入双方以相同程度变化的情况下利用被设定为成为中间色(紫色)的混合色来图示变化点的情况。此外，图11D是表示第一实施方式的显示例的图。
此外，显示控制功能104c也可以除了图11A、图11B、图11C以及图11D所示的柱状线以外还显示追加的信息。例如，显示控制功能104c也可以在柱状线附近附加文本的注释，使第一变化量或第二变化量、NT－proBNP以及呼吸数以外的患者信息、介入信息等进行显示。举个例子，显示控制功能104c也可以一边每当用户对柱状线进行点击操作时使显示内容变化，一边使第一变化量或第二变化量、患者信息、介入信息等依次显示。此外，举个例子，显示控制功能104c也可以每当用户对柱状线进行点击操作时追加显示更详细的信息。
接着，利用图12说明诊断辅助系统1的处理的顺序的一例。图12是用于说明第一实施方式的诊断辅助系统1的处理的一系列流程的流程图。步骤S101、步骤S102以及步骤S103是与提取功能104a对应的步骤。此外，步骤S104是与计算功能104b对应的步骤。此外，步骤S105及步骤S106是与显示控制功能104c对应的步骤。
首先，处理电路104从数据库20取得包含与患者P1的状态有关的患者信息以及与对患者P1的介入有关的介入信息在内的医用信息(步骤S101)。接着，处理电路104提取医用信息的变化点(步骤S102)。接着，处理电路104提取变化点之前的第一期间和变化点之后的第二期间(步骤S103)。
接着，处理电路104根据第一期间的患者信息和第二期间的患者信息计算第一变化量，根据第一期间的介入信息和第二期间的介入信息计算第二变化量(步骤S104)。接着，处理电路104对应于第一变化量及第二变化量的至少一方而设定显示形态(步骤S105)。并且，处理电路104以所设定的显示形态进行基于第一变化量及第二变化量的显示(步骤S106)，并结束处理。
如上述那样，根据第一实施方式，数据库20存储包含与患者P1的状态有关的患者信息以及与对患者P1的介入有关的介入信息在内的医用信息。此外，提取功能104a提取医用信息的变化点。此外，计算功能104b计算表示变化点前后的患者信息的变化的第一变化量和表示变化点前后的介入信息的变化的第二变化量。此外，显示控制功能104c以与第一变化量及第二变化量的至少一方相对应地设定的显示形态，进行基于第一变化量及第二变化量的显示。因而，第一实施方式的诊断辅助系统1能够使关于患者P1的医用信息的掌握变得容易。
例如，参照图11A～图11D的显示的用户能够根据柱状线的位置掌握医用信息的变化点，并且能够根据柱状线的颜色掌握各变化点的第一变化量及第二变化量。即，根据第一实施方式的诊断辅助系统1，用户即使在变化点被大量提取的情况下也能够容易地掌握医用信息的概要。进而，用户通过先掌握概要，能够使与目的相应的详细医用信息有效率地展开，并依次掌握。
另外，作用用于用户掌握医用信息的其他方法，可以考虑用户自行访问数据库20来参照医用信息。但是，由于也存在数据库20中存储有大量医用信息的情况，所以用户一边将医用信息进行取舍选择一边进行参照，该作业成为用户的负担。
此外，作为用于用户掌握医用信息的其他方法，可以考虑参照概括。概括是根据过去制作的病例而制作的文件，例如，在转院时或出院时制作。即，概括是对转院或出院之前的期间的关于患者的医用信息进行总结而得的。但是，根据患者的不同，也有在概括中记载大量信息的情况，用户不容易将所记载的医用信息全部掌握。此外，例如，在想要掌握医用信息的细微变化的情况下，也有在概括中记载的信息不充分的情况。
此外，作为用于用户掌握医用信息的其他方法，可以考虑自动提取数据库20存储的医用信息中的一部分并提示给用户。例如，可以考虑通过自动提取医用信息的变化点，仅提取关于变化点的医用信息，从而降低向用户提示的医用信息的量。但是，根据患者的不同，有变化点被大量确定的情况。该情况下大量的医用信息被提取，掌握医用信息的用户的负担也增大。
相对于此，诊断辅助系统1根据提取的变化点计算第一变化量及第二变化量，以对应于第一变化量及第二变化量的至少一方而设定的显示形态，进行基于第一变化量及第二变化量的显示。即，诊断辅助系统1不仅与变化点对应地提取医用信息，还将其抽象化而显示。由此，用户能够直观且容易地掌握医用信息的变化。
至此对第一实施方式进行了说明，但除了上述的实施方式以外，也可以通过各种不同的方式来实施。
例如，在图11A～图11D中，说明了对应于第一变化量和第二变化量的比例来设定显示形态的情况，但实施方式不限于此。例如，显示控制功能104c也可以除了第一变化量和第二变化量的比例以外，还对应于第一变化量及第二变化量各自的大小来设定显示形态。
例如，计算功能104b对第一变化量和第二变化量分别进行标准化，使得成为“0～1”的数值范围。即，计算功能104b在“0～1”的数值范围中计算病情变化度，在“0～1”的数值范围中计算介入变化度。接着，显示控制功能104c对应于病情变化度与介入变化度的比例和病情变化度及介入变化度各自的大小，来设定显示形态。
举个例子，显示控制功能104c设定混合色，该混合色以与病情变化度与介入变化度的比例相应的比例将2色混合而成，并且对应于病情变化度与介入变化度之和的大小来设定色度。例如，显示控制功能104c设定混合色，使得病情变化度与介入变化度之和越大则色度越高。
并且，显示控制功能104c与图11A～图11D所示的情况同样地，进行基于患者信息及介入信息的至少一方的时间序列显示，并且以附加了所设定的混合色的柱状线图示变化点。该情况下，用户能够根据柱状线的位置掌握医用信息的变化点，并且能够根据柱状线的颜色掌握第一变化量与第二变化量的比例、以及各自的大小。例如，在与图10B同样地使用了红色及蓝色的情况下，在柱状线是明亮的红色的情况下，用户能够掌握相对于介入的变化而言病情的变化较大并且该病情的变化是大幅的变化这一情况。此外，例如，在柱状线是较暗的红色的情况下，用户能够掌握相对于介入的变化而言病情的变化较大、但是该病情的变化是较小的变化这一情况。
举个其他例子，显示控制功能104c设定以与病情变化度与介入变化度的比例对应的比例将2色混合的混合色，并且对应于病情变化度与介入变化度之和的大小来设定柱状线的形态。例如，显示控制功能104c设定柱状线的粗细，使得病情变化度与介入变化度之和越大则柱状线越粗。此外，例如，显示控制功能104c将柱状线设为虚线，并且设定间隔，使得病情变化度与介入变化度之和越大则点与点的间隔越窄。此外，例如，显示控制功能104c设定柱状线的透明度，使得病情变化度与介入变化度之和越大则透明度越低。
并且，显示控制功能104c与图11A～图11D所示的情况同样地，进行基于患者信息及介入信息的至少一方的时间序列显示，并且以所设定的混合色及形态的柱状线图示变化点。该情况下，用户能够根据柱状线的位置掌握医用信息的变化点，并且根据柱状线的颜色掌握第一变化量与第二变化量的比例，进而，根据柱状线的形态掌握第一变化量及第二变化量各自的大小。
此外，在图11A～图11D中，说明了利用柱状线图示变化点，但实施方式不限于此。例如，显示控制功能104c也可以利用柱状线以外的其他图形图示变化点，也可以通过文本图示变化点。举个例子，显示控制功能104c可以利用带有与第一变化量和第二变化量的比例对应的混合色的箭头或三角形等图形来图示变化点。举个其他例子，显示控制功能104c可以利用将与第一变化量和第二变化量的比例对应的混合色作为字符色的文本来图示变化点。
此外，至此，说明了设定以与第一变化量和第二变化量的比例对应的比例混合了2色的混合色的情况，但实施方式不限于此。即，作为显示形态而进行颜色的设定只是一例，显示控制功能104c也可以设定颜色以外的其他显示形态。例如，显示控制功能104c也可以将显示第一变化量及第二变化量的顺序作为显示形态进行设定，以所设定的顺序显示第一变化量及第二变化量。
例如，计算功能104b将第一变化量和第二变化量分别标准化，使得成为“0～1”的数值范围。即，计算功能104b在“0～1”的数值范围内计算病情变化度，在“0～1”的数值范围内计算介入变化度。接着，显示控制功能104c对应于病情变化度及介入变化度，设定显示病情变化度及介入变化度的顺序。
举个例子，显示控制功能104c如图13所示，设定对病情变化度及介入变化度进行显示的顺序，以使介入变化度越大且病情变化度越小则优先级越高。即，显示控制功能104c决定顺序，以使介入变化度为降序且病情变化度为升序。另外，图13是表示第二实施方式的显示例的图。
具体而言，在图13所示的情况下，变化点“2019.5.20 23.34.24”前后的表示患者信息的变化的病情变化度“0.9”以及表示介入信息的变化的介入变化度“0.1”的优先级是“1”。此外，变化点“2019.5.19 08.54.23”前后的表示患者信息的变化的病情变化度“0.8”以及表示介入信息的变化的介入变化度“0.2”的优先级是“2”。此外，变化点“2019.5.2312.12.11”前后的表示患者信息的变化的病情变化度“0.2”以及表示介入信息的变化的介入变化度“0.2”的优先级是“3”。此外，变化点“2019.5.20 11.12.11”前后的表示患者信息的变化的病情变化度“0.1”以及表示介入信息的变化的介入变化度“0.6”的优先级是“4”。此外，变化点“2019.5.21 14.43.21”前后的表示患者信息的变化的病情变化度“0.1”以及表示介入信息的变化的介入变化度“0.7”的优先级是“5”。此外，变化点“2019.5.1711.32.43”前后的表示患者信息的变化的病情变化度“0.2”以及表示介入信息的变化的介入变化度“0.9”的优先级是“6”。
图13所示的情况下，显示控制功能104c能够以相对于介入的变化而言病情的变化越小则优先级越高的方式进行显示。由此，用户能够容易地发现例如没有效果的治疗或效果小的治疗。另外，显示控制功能104c也可以如图13所示，还显示变化点前后的患者信息、介入信息。
另外，也可以是，显示控制功能104c设定对病情变化度及介入变化度进行显示的顺序，使得介入变化度越小且病情变化度越大，则优先级越高。该情况下，显示控制功能104c能够以相对于介入的变化而言病情的变化越大则优先级越高的方式进行显示。由此，用户能够容易发现例如有效果的治疗。
或者，也可以是，显示控制功能104c设定对病情变化度及介入变化度进行显示的顺序，使得病情变化度越大则优先级越高。即，显示控制功能104c也可以仅根据第一变化量，设定对病情变化度及介入变化度进行显示的顺序。或者，也可以是，显示控制功能104c设定对病情变化度及介入变化度进行显示的顺序，使得介入变化度越大则优先级越高。即，显示控制功能104c也可以仅根据第二变化量，设定对病情变化度及介入变化度进行显示的顺序。
此外，在上述的实施方式中，说明了以下情况：提取变化点前的第一期间和变化点后的第二期间，根据第一期间的患者信息和第二期间的患者信息计算第一变化量，根据第一期间的介入信息和第二期间的介入信息计算第二变化量。但是，实施方式不限于此，也可以省略提取功能104a进行的第一期间及第二期间的提取。该情况下，计算功能104b能够根据变化点前的患者信息和变化点后的患者信息计算第一变化量。此外，计算功能104b能够根据变化点前的介入信息和变化点后的介入信息计算第二变化量。
此外，也可以是，在关于患者P1计算出第一变化量及第二变化量之后，提取功能104a提取第一变化量及第二变化量类似的其他患者P2。例如，提取功能104a提取时间轴上的变化点的分布以及对各变化点计算出的第一变化量及第二变化量的值与患者P1类似的患者P2，从数据库20取得关于患者P2的医用信息。
这里，例如在患者P1处于入院中且患者P2已出院的情况下，提取功能104a提取关于患者P2的医用信息中的、到出院之前的整个期间的医用信息。此外，显示控制功能104c使显示器102显示关于患者P2的医用信息。由此，用户能够参照与患者P2的状态有关的患者信息来预测患者P1今后的病情变化，或者参照与对患者P2的介入有关的介入信息来制定对患者P1的介入的计划。
此外，在上述的实施方式中，说明了数据库20存储包含患者信息与介入信息的医用信息的情况。但是，实施方式不限于此。例如，关于医用信息，也可以是由诊断辅助装置10的存储电路103存储的情况。
上述的实施方式的各装置的各构成要素是功能概念性的，不需要一定在物理上如图示那样来构成。即，各装置的分散·综合的具体形态不限于图示的内容，能够将其全部或一部分对应于各种负荷及使用状况等而以任意单位在功能上或物理上分散·综合地构成。进而，在各装置中进行的各处理功能的全部或任意一部分可以通过CPU及由该CPU解析执行的程序来实现，或者，可以作为基于布线逻辑的硬件而实现。
此外，上述的实施方式中说明的诊断辅助方法能够通过由个人计算机及工作站等计算机执行预先准备的程序来实现。该程序能够经由因特网等网络被分发。此外，该程序还能够记录在硬盘、软盘(FD)、CD－ROM、MO、DVD等计算机可读取的非暂时性记录介质中而由计算机从记录介质读出从而被执行。
根据以上说明的至少1个实施方式，能够容易地掌握关于患者的医用信息。
对本发明的几个实施方式进行了说明，但这些实施方式是作为例子而提示的，并不意欲限定发明的范围。这些实施方式能够以其他各种各样的形态实施，在不脱离发明的主旨的范围内，能够进行各种省略、替换、变更。这些实施方式及其变形包含在发明的范围及主旨中，同样也包含在权利要求所记载的发明及其等同范围中。

Claims (10)

1.一种诊断辅助系统，其中，
具备：
存储部，存储医用信息，该医用信息包含与患者的状态有关的患者信息以及与对上述患者的介入有关的介入信息；
提取部，提取上述医用信息的变化点；
计算部，计算表示上述变化点前后的上述患者信息的变化的第一变化量和表示上述变化点前后的上述介入信息的变化的第二变化量；以及
显示控制部，以对应于上述第一变化量及上述第二变化量的至少一方而设定的显示形态，进行基于上述第一变化量及上述第二变化量的显示。
2.如权利要求1所述的诊断辅助系统，其中，
上述提取部提取上述变化点之前的第一期间和上述变化点之后的第二期间；
上述计算部根据上述第一期间的上述患者信息和上述第二期间的上述患者信息计算上述第一变化量，根据上述第一期间的上述介入信息和上述第二期间的上述介入信息计算上述第二变化量。
3.如权利要求2所述的诊断辅助系统，其中，
上述计算部根据表示上述第一期间的上述介入信息的矢量和表示上述第二期间的上述介入信息的矢量，计算上述第二变化量。
4.如权利要求2所述的诊断辅助系统，其中，
上述计算部根据基于上述第一期间的上述患者信息的上述患者的病情和基于上述第二期间的上述患者信息的上述患者的病情，计算上述第一变化量。
5.如权利要求1所述的诊断辅助系统，其中，
上述显示控制部对应于上述第一变化量与上述第二变化量的比例而设定上述显示形态。
6.如权利要求5所述的诊断辅助系统，其中，
上述显示控制部利用以与上述第一变化量和上述第二变化量的比例相对应的比例将2色混合后的混合色，进行基于上述第一变化量及上述第二变化量的显示。
7.如权利要求6所述的诊断辅助系统，其中，
上述显示控制部进行基于上述患者信息及上述介入信息的至少一方的时间序列显示，并且利用上述混合色对上述变化点进行图示。
8.如权利要求1所述的诊断辅助系统，其中，
上述显示控制部以对应于上述第一变化量及上述第二变化量的至少一方而设定的顺序，显示上述第一变化量及上述第二变化量。
9.一种诊断辅助装置，其中，
具备：
提取部，提取医用信息的变化点，上述医用信息包含与患者的状态有关的患者信息以及与对上述患者的介入有关的介入信息；
计算部，计算表示上述变化点前后的上述患者信息的变化的第一变化量和表示上述变化点前后的上述介入信息的变化的第二变化量；以及
显示控制部，以对应于上述第一变化量及上述第二变化量的至少一方而设定的显示形态，进行基于上述第一变化量及上述第二变化量的显示。
10.一种诊断辅助方法，其中，
包括：
提取医用信息的变化点，上述医用信息包含与患者的状态有关的患者信息以及与对上述患者的介入有关的介入信息；
计算表示上述变化点前后的上述患者信息的变化的第一变化量和表示上述变化点前后的上述介入信息的变化的第二变化量；以及
以对应于上述第一变化量及上述第二变化量的至少一方而设定的显示形态，进行基于上述第一变化量及上述第二变化量的显示。
CN202011000224.4A 2019-10-03 2020-09-22 诊断辅助系统、诊断辅助装置以及诊断辅助方法 Pending CN112614581A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-182726 2019-10-03
JP2019182726A JP7383440B2 (ja) 2019-10-03 2019-10-03 診断支援システム、診断支援装置及びプログラム

Publications (1)

Publication Number Publication Date
CN112614581A true CN112614581A (zh) 2021-04-06

Family

ID=75224888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011000224.4A Pending CN112614581A (zh) 2019-10-03 2020-09-22 诊断辅助系统、诊断辅助装置以及诊断辅助方法

Country Status (3)

Country Link
US (1) US11923089B2 (zh)
JP (1) JP7383440B2 (zh)
CN (1) CN112614581A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014006862A1 (ja) * 2012-07-05 2014-01-09 パナソニック株式会社 生活習慣病改善支援システム、生活習慣病改善支援方法、生活習慣病改善支援用コンピュータプログラム、及び、生活習慣病改善支援用コンピュータプログラムを格納したコンピュータ読み取り可能な記録媒体
CN105051780A (zh) * 2013-03-29 2015-11-11 富士胶片株式会社 检查数据显示控制装置、方法以及程序
US20170017764A1 (en) * 2014-03-31 2017-01-19 Fujifilm Corporation Data output device and method, and non-transitory computer readable medium
CN107408284A (zh) * 2015-04-07 2017-11-28 富士胶片株式会社 诊疗辅助装置和其工作方法及工作程序、以及诊疗辅助系统
CN107408283A (zh) * 2015-03-25 2017-11-28 富士胶片株式会社 诊疗辅助装置、诊疗辅助装置的工作方法以及诊疗辅助系统
JP2018000232A (ja) * 2016-06-27 2018-01-11 日本電信電話株式会社 変化点検知装置、変化点検知方法および変化点検知プログラム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0619984A (ja) * 1992-07-03 1994-01-28 Nippon Iryo Joho Center:Kk 医療データ管理システム
US7074190B2 (en) 2002-10-09 2006-07-11 Industrial Technology Research Institute Non-invasive apparatus system for monitoring drug hepatoxicity and uses thereof
JP2007148890A (ja) * 2005-11-29 2007-06-14 Hitachi Ltd 機器診断装置
JP2008178635A (ja) * 2007-01-26 2008-08-07 Konica Minolta Medical & Graphic Inc 咳漱解析装置
CN116570245A (zh) * 2014-05-26 2023-08-11 瑞思迈传感器技术有限公司 监测慢性疾病的方法和设备
WO2016103322A1 (ja) * 2014-12-22 2016-06-30 株式会社日立製作所 分析システム
JP6527727B2 (ja) 2015-03-17 2019-06-05 テルモ株式会社 医療業務支援システムおよびその警告方法
WO2018051343A1 (en) * 2016-09-13 2018-03-22 The Medical Research, Infrastructure and Health Services Fund of the Tel Aviv Medical Center Dynamic treatment regime (dtr) implementations
JP7412069B2 (ja) * 2017-10-18 2024-01-12 キヤノンメディカルシステムズ株式会社 病院情報システム、及び画像データ生成プログラム
JP6869167B2 (ja) 2017-11-30 2021-05-12 パラマウントベッド株式会社 異常報知装置、プログラム及び異常報知方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014006862A1 (ja) * 2012-07-05 2014-01-09 パナソニック株式会社 生活習慣病改善支援システム、生活習慣病改善支援方法、生活習慣病改善支援用コンピュータプログラム、及び、生活習慣病改善支援用コンピュータプログラムを格納したコンピュータ読み取り可能な記録媒体
CN105051780A (zh) * 2013-03-29 2015-11-11 富士胶片株式会社 检查数据显示控制装置、方法以及程序
US20150371419A1 (en) * 2013-03-29 2015-12-24 Fujifilm Corporation Inspection data display control apparatus, method, and recording medium
US20170017764A1 (en) * 2014-03-31 2017-01-19 Fujifilm Corporation Data output device and method, and non-transitory computer readable medium
CN107408283A (zh) * 2015-03-25 2017-11-28 富士胶片株式会社 诊疗辅助装置、诊疗辅助装置的工作方法以及诊疗辅助系统
CN107408284A (zh) * 2015-04-07 2017-11-28 富士胶片株式会社 诊疗辅助装置和其工作方法及工作程序、以及诊疗辅助系统
JP2018000232A (ja) * 2016-06-27 2018-01-11 日本電信電話株式会社 変化点検知装置、変化点検知方法および変化点検知プログラム

Also Published As

Publication number Publication date
US20210104324A1 (en) 2021-04-08
US11923089B2 (en) 2024-03-05
JP2021060648A (ja) 2021-04-15
JP7383440B2 (ja) 2023-11-20

Similar Documents

Publication Publication Date Title
US10777321B2 (en) System and method for facilitating delivery of patient-care
US20190148015A1 (en) Medical information processing device and program
US20220108801A1 (en) Diagnosis and treatment support system
Jibril et al. Development of a medical expert system for hypertensive patients diagnosis: A knowledge-based rules
CN112614581A (zh) 诊断辅助系统、诊断辅助装置以及诊断辅助方法
CN111863179B (zh) 医用信息处理装置、医用信息处理方法及程序
JP2020181289A (ja) 医用情報処理装置、オーダリングシステム及びプログラム
US20170255750A1 (en) System and method for recommending a discharge moment
Tan et al. Designing Chinese hospital emergency departments to leverage artificial intelligence—a systematic literature review on the challenges and opportunities
JP2022062827A (ja) 投与計画支援装置および投与計画支援システム
US10950350B2 (en) Skilled nursing facility patient triage system
JP7480601B2 (ja) 医療診断支援装置、医療診断支援装置の制御方法、およびプログラム
Xu et al. Physio6: A sensor-based monitoring system for 6-minute walking test in the era of COVID-19
US20240112792A1 (en) Medical care subject information management system and medical care subject information management program
US20230240623A1 (en) Medical information display apparatus, medical information display method, and non-volatile computer-readable storage medium storing therein medical information display program
Abbasi et al. SEHAT: Smart E-Health App for Telediagnosis and first opinion
CN110249391A (zh) 用于基于患者再入院风险来促进对患者接口计算机系统进行配置修改的系统和方法
Sundaramurthy IoT on Healthcare Using Clinical Decision Support System
Yadav et al. Telemedicine using Machine Learning: A Boon
CN107665739A (zh) 用于患者病程监测与预测的计算机控制方法
WO2021172495A1 (ja) 医用情報処理装置、医用情報処理方法及びプログラム
Jibril et al. Development Development Development Development of aof aof aof a Medical Expert System for Hypertensive Medical Expert System for Hypertensive Medical Expert System for Hypertensive Medical Expert System for Hypertensive Medical Expert System for Hypertensive Medical Expert System for Hypertensive Medical Expert System for Hypertensive Medical Expert System for Hypertensive Medical Expert System for Hypertensive Medical Expert System for Hypertensive Medical Expert System for Hypertensive Medical Expert System for Hypertensive Medical Expert System for Hypertensive PatientsPatients Diagnosis: A Knowledge Diagnosis: A Knowledge Diagnosis: A Knowledge Diagnosis: A KnowledgeDiagnosis: A Knowledge Diagnosis: A Knowledge Diagnosis: A KnowledgeDiagnosis: A Knowledge Diagnosis: A Knowledge Diagnosis: A Knowledge-Based Rules Based RulesBased Rules Based
Rosy et al. ML-based intelligent management and prediction of heart disease
JP2023086040A (ja) 医用情報処理装置、及び医用情報処理方法
Sharma et al. The role of innovative telehealth system in revolutionizing healthcare

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination