CN114586107A - 信息处理装置、信息处理方法以及程序 - Google Patents

信息处理装置、信息处理方法以及程序 Download PDF

Info

Publication number
CN114586107A
CN114586107A CN202080070754.8A CN202080070754A CN114586107A CN 114586107 A CN114586107 A CN 114586107A CN 202080070754 A CN202080070754 A CN 202080070754A CN 114586107 A CN114586107 A CN 114586107A
Authority
CN
China
Prior art keywords
measurement data
medical device
information
information processing
measured
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
CN202080070754.8A
Other languages
English (en)
Inventor
胜正范
执行真旗
胁田能宏
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.)
Sony Group Corp
Original Assignee
Sony Group 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 Sony Group Corp filed Critical Sony Group Corp
Publication of CN114586107A publication Critical patent/CN114586107A/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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G06N20/00—Machine learning
    • 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
    • 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
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本技术涉及能够有效地利用非医疗设备的数据的信息处理装置、信息处理方法和程序。提供一种信息处理装置，具备处理部，所述处理部使用判定模型，根据用途进行与计测对象的用户有关的判定，所述判定模型是通过使用了由医疗设备计测到的第一计测数据和由非医疗设备计测到的第二计测数据的机器学习而以适合于用途的方式学习到的。例如，本技术可以应用于处理来自医疗设备和非医疗设备的计测数据的系统。

Description

信息处理装置、信息处理方法以及程序
技术领域
本技术涉及信息处理装置、信息处理方法以及程序，特别是涉及能够有效地利用非医疗设备的数据的信息处理装置、信息处理方法以及程序。
背景技术
近年来，作为可穿戴终端等设备，搭载有检测用户的生命体征的生命传感器的设备正在普及。
另外，作为使用生命传感器的技术，例如已知有专利文献1所公开的技术。在专利文献1中，在对多个传感器同时检测到的生物体信息进行整合时进行加权，输出整合后的生物体信息。
现有技术文献
专利文献
专利文献1：日本特开2018-33771号公报
发明内容
发明所要解决的技术问题
然而，设想将由搭载有生命传感器的非医疗设备计测到的数据与由医疗设备计测到的数据一起应用于医疗。因此，要求有效地利用非医疗设备的数据。
本技术是鉴于这样的状况而完成的，能够有效地利用非医疗设备的数据。
用于解决技术问题的方案
本技术的一方面的信息处理装置具备处理部，所述处理部使用判定模型，根据用途进行与计测目标的用户有关的判定，所述判定模型是通过使用了由医疗设备计测的第一计测数据和由非医疗设备计测的第二计测数据的机器学习而以适合于用途的方式学习到的。
本技术的一方面的信息处理方法中，信息处理装置使用判定模型，根据用途来进行与计测对象的用户有关的判定，所述判定模型是通过使用了由医疗设备计测的第一计测数据和由非医疗设备计测的第二计测数据的机器学习而以适合于用途的方式学习到的。
在本技术的一方面的信息处理装置以及信息处理方法中，使用判定模型，根据用途来进行与计测对象的用户有关的判定，所述判定模型是通过使用了由医疗设备计测的第一计测数据和由非医疗设备计测的第二计测数据的机器学习而以适合于用途的方式学习到的。
本技术的一方面的信息处理装置具备处理部，所述处理部在根据用途生成用于进行与计测目标用户有关的判定的判定模型时，通过使用了由医疗设备计测的第一计测数据和由非医疗设备计测的第二计测数据的机器学习而以适合于用途的方式进行学习。
本技术的一方面的信息处理方法中，信息处理装置在根据用途生成用于进行与计测对象的用户有关的判定的判定模型时，通过使用了由医疗设备计测的第一计测数据和由非医疗设备计测的第二计测数据的机器学习而以适合于用途的方式进行学习。
本技术的一方面的程序是使计算机作为处理部发挥功能的程序，所述处理部在根据用途生成用于进行与计测对象的用户有关的判定的判定模型时，通过使用了由医疗设备计测的第一计测数据和由非医疗设备计测的第二计测数据的机器学习而以适合于用途的方式进行学习。
在本技术的一方面的信息处理装置、信息处理方法和程序中，在根据用途生成用于进行与计测目标用户有关的判定的判定模型时，通过使用了由医疗设备计测的第一计测数据和由非医疗设备计测的第二计测数据的机器学习而以适合于用途的方式进行学习。
本技术的一方面的信息处理装置可以是独立的装置，也可以是构成1个装置的内部块。
附图说明
图1是表示应用本技术的信息处理系统的一个实施方式的结构的例子的图。
图2是表示应用本技术的信息处理装置的一个实施方式的结构的例子的图。
图3是表示应用本技术的信息处理装置的一个实施方式的结构的例子的图。
图4是表示观察画面的例子的图。
图5是说明观察画面生成处理的流程的流程图。
图6是表示日常方针用判定模型的学习的例子的图。
图7是表示医疗介入用判定模型的学习的例子的图。
图8是表示医疗设备的授权时或取消时的判定模型的学习的例子的图。
图9是表示数据库的结构的例子的图。
图10是表示整合DB的例子的图。
图11是表示授权设备DB的例子的图。
图12是表示学习用DB的例子的图。
图13是表示整合DB的其他例子的图。
图14是表示服务器的结构的其他例子的图。
图15是说明学习时的处理流程的流程图。
图16是说明判定时的处理流程的流程图。
图17是表示判定结果画面的例子的图。
图18是说明判定结果画面生成处理的流程的流程图。
图19是表示患者用问诊支持工具的例子的图。
图20是表示患者用问诊支持工具的例子的图。
图21是表示医疗设备和非医疗设备的区别显示的第一例的图。
图22是表示医疗设备和非医疗设备的区别显示的第二例的图。
图23是表示计算机的构成例的图。
具体实施方式
以下，将参照附图对本技术的实施方式进行说明。此外，将按照以下顺序进行说明。
1.本技术的实施方式
2.变形例
3.计算机的结构
<1.本技术的实施方式>
(系统的结构)
图1示出了应用本技术的信息处理系统的一个实施方式的结构的例子。
在图1中，信息处理系统1包括医疗设备11-1至11-N(N：1以上的整数)、非医疗设备12-1至12-M(M：1以上的整数)、信息设备13以及服务器21。
在信息处理系统1中，医疗设备11-1至11-N、非医疗设备12-1至12-M以及信息设备13与服务器21经由网络31彼此连接。网络31包括因特网、内联网、移动电话网等通信网。
医疗设备11-1是便携式心电仪等的医疗设备。医疗设备11-1通过生命传感器等计测用户(患者)的心率、心电图波形等，并且经由网络31将该计测数据发送到服务器21。
医疗设备11-2至11-N是各种医疗设备，并且经由网络31将分别计测出的计测数据发送到服务器21。
非医疗设备12-1是手表状的可穿戴终端、智能手机等非医疗设备，搭载有检测用户(患者)的生命体征(血压、脉搏、呼吸速度、体温等)的生命传感器。非医疗设备12-1计测用户的心率、睡眠时间等，并将该计测数据经由网络31发送到服务器21。
非医疗设备12-2至12-M是各种非医疗设备，将分别计测出的计测数据经由网络31发送到服务器21。
在此，“医疗设备”是以用于人的疾病的诊断、治疗或预防等为目的的设备，在日本由“与医药品、医疗设备等的品质、有效性以及安全性的确保等相关的法律(简称：药机法)”规定。
在本说明书中，将不符合该医疗设备的定义的设备称为“非医疗设备”。另外，也将医疗设备和非医疗设备统称为“计测设备”。
但是，“医疗设备”和“非医疗设备”的定义并不限定于此。例如，根据药机法，还设想制定如下规定：作为“准医疗设备”，在用户单独使用时相当于非医疗设备，但在医生具有责任的情况下，将该非医疗设备作为相当于医疗设备的设备来处理等。
例如，在非医疗设备中也存在计测的精度差的设备，因此也存在不能作为医疗设备处理的设备，但在医生具有责任的情况下，能够将作为准医疗设备的非医疗设备作为医疗设备处理。在本说明书中，能够将这样的处于医生的管理下的准医疗设备包含在医疗设备中。
此外，在下面的说明中，在不需要特别区分医疗设备11-1至11-N的情况下，简称为医疗设备11。另外，在不需要特别区分的情况下，将非医疗设备12-1至12-M简称为非医疗设备12。
另外，将由医疗设备11计测出的计测数据记述为“医疗设备计测数据”，另一方面，将由非医疗设备12计测出的计测数据记述为“非医疗设备计测数据”。并且，将医疗设备计测数据和非医疗设备计测数据汇总记述为“计测数据”。
信息设备13是智能手机、平板终端、个人计算机、显示器装置等设备。信息设备13由用户(主要是医生)使用，进行与该医生等的操作对应的各种动作。
例如，信息设备13通过向服务器21发送请求，经由网络31接收从服务器21发送来的发送数据。信息设备13基于接收到的发送数据，提示各种信息。
服务器21经由网络31接收从医疗设备11发送来的医疗设备计测数据、以及从非医疗设备12发送来的非医疗设备计测数据。服务器21将接收到的计测数据存储在数据库中进行管理。
另外，服务器21基于存储在数据库中的计测数据来执行各种处理。例如，服务器21在从信息设备13接收到请求的情况下，基于计测数据，生成发送数据，并经由网络31发送到信息设备13。
此外，在上述的说明中，示出了在医疗设备11和非医疗设备12搭载生命传感器的情况，但例如除了血压传感器、血氧浓度传感器、呼吸传感器、水分传感器、温度传感器、心电图传感器等之外，还可以搭载包括运动传感器、图像传感器、惯性传感器、压力传感器、离床传感器等的生物体传感器，使用由该生物体传感器计测出的计测数据。
(信息设备的结构)
图2示出了图1中的信息设备13的结构的例子来作为应用本技术的信息处理装置的一个实施方式的结构的例子。
在图2中，信息设备13由处理部100、输入部101、通信部102以及显示部103构成。
处理部100是进行各部的动作的控制、各种运算处理的中心性处理装置(控制装置)，由CPU(Central Processing Unit：中央处理单元)等处理器构成。处理部100控制信息设备13的各部的动作。
输入部101是物理按钮、触摸面板等输入装置。输入部101将与医生等的操作对应的操作信号提供给处理部100。处理部100基于从输入部101供给的操作信号，进行各种处理。
通信部102是与无线LAN(Local Area Network：局域网)、蜂窝方式的通信(例如LTE-Advanced、5G等)等无线通信或者有线通信对应的通信装置(通信模块)。通信部102按照来自处理部100的控制，经由网络31与其他设备之间进行通信。
显示部103是液晶面板、OLED(Organic Light Emitting Diode：有机发光二极管)面板等显示装置。显示部103按照来自处理部100的控制，显示各种画面。
另外，在由输入部101和显示部103构成触摸面板的情况下，输入部101在医生等的手指接触(触摸)到显示部103的表面时，将与该接触位置(规定的点的位置)对应的操作信号供给到处理部100。
另外，处理部100包括通信控制部121、画面生成部122以及显示控制部123。
通信控制部121基于来自输入部101的操作信号，控制通信部102，经由网络31在与服务器21等其他设备之间交换数据。例如，通信控制部121接收从服务器21发送来的发送数据，并且将发送数据供给至画面生成部122。
画面生成部122基于从通信控制部121供给的发送数据，生成显示于显示部103的各种画面用的显示数据，并供给至显示控制部123。
显示控制部123基于从画面生成部122供给的显示数据在显示部103上显示各种画面。
此外，图2所示的信息设备13的结构是一个例子，例如，也可以设置包括角速度传感器、加速度传感器、地磁传感器等运动传感器、指纹传感器、静脉认证传感器等生物体传感器、或者接近传感器等的传感器部、由图像传感器、信号处理部构成的摄像机部、包括非易失性存储器等半导体存储器的辅助存储部等。
(服务器的结构)
图3示出了图1中的服务器21的结构的例子来作为应用本技术的信息处理装置的一个实施方式的结构的例子。
在图3中，服务器21由处理部200、数据库201以及通信部202构成。
处理部200是进行各部的动作的控制、各种运算处理的中心性处理装置(控制装置)，由CPU等处理器构成。处理部200控制服务器21的各部的动作。
数据库201构成为设置于服务器21的内部存储器或外部存储器。数据库201依照来自处理部200的控制而储存各种数据。
通信部202是与无线LAN等无线通信、或者以太网(注册商标)等有线通信对应的通信装置。通信部202依照来自处理部200的控制，经由网络31与其他设备之间进行通信。
另外，处理部200包括通信控制部221、DB管理部222以及发送数据生成部223。
通信控制部221控制通信部202，经由网络31与医疗设备11、非医疗设备12或信息设备13等其他设备之间交换数据。
例如，通信控制部221接收从医疗设备11发送的医疗设备计测数据和从非医疗设备12发送的非医疗设备计测数据，并将其供给至DB管理部222。另外，通信控制部221将从发送数据生成部223供给的发送数据发送到信息设备13。
DB管理部222管理数据库201。例如，DB管理部222将从通信控制部221供给的计测数据(医疗设备计测数据和非医疗设备计测数据)储存在数据库201中。此外，DB管理部222读取储存在数据库201中的计测数据，并且将计测数据供给至发送数据生成部223。
此外，在计测数据中，除了计测值以外，还能够包含与计测相关的时间信息(计测日期时间等)、计测对象的用户的识别信息(用户ID等)等信息。例如，作为数据库201，能够使用后述的整合DB251(图10)。
发送数据生成部223基于从DB管理部222供给的计测数据，生成用于向信息设备13发送的发送数据，并向通信控制部221供给。
(观察画面的显示例)
图4示出由医生等使用的平板终端等信息设备13的显示部103所显示的观察画面的例子。
在图4中，观察画面151由将该画面整体的区域分割为上下2个并且将上侧的区域分割为左右2个的3个区域构成。
左上区域151A显示与医疗设备11相关的信息。右上区域151B显示与非医疗设备12相关的信息。即，由用户(患者)使用的计测设备被分配给医疗设备11或非医疗设备12，与被分配的计测设备相关的信息(日志信息等)分别显示于左上区域151A或右上区域151B。
在左上区域151A中，作为医疗设备11，分配设备A和设备B，针对每个设备，显示基于指定区间中的医疗设备计测数据的图表(例如折线图)。
在该例子中，在指定区间(0：40～0：50)中，在设备A中不进行计测，成为非计测区间，因此与设备A相关的信息以灰色显示。
另一方面，在设备B中，在指定区间(0：40～0：50)中进行计测，因此作为与设备B相关的信息，显示以时间序列表示指定区间内的医疗设备计测数据的图表等。此时，由于显示设备B的图像(静止图像、图标)，因此医生等能够直观地识别出使用了设备B的医疗设备计测数据。
在右上区域151B中，设备C被分配给非医疗设备12，作为与设备C相关的信息，显示以时间序列表示指定区间(0：40～0：50)内的非医疗设备计测数据的图表等。此时，通过设备C的图像的显示，明示出使用了设备C的非医疗设备计测数据。
此外，这些与计测设备相关的信息(日志信息等)在显示观察画面151时自动地配置，但医生等也可以手动地配置与各计测设备的计测数据相关的信息。例如，医生也可以通过拖放操作，对所希望的区间配置与所希望的计测设备有关的信息，或者废弃与已配置的计测设备有关的信息。
下区域151C显示将与医疗设备11有关的信息和与非医疗设备12有关的信息整合后的整合结果。作为该整合结果，针对每个指定区间，根据非医疗设备12相对于计测设备整体的比例等，显示基于医疗设备计测数据或非医疗设备计测数据的图表。
在下区域151C中，在第一区间(0:00～0:10)中，决定使用作为医疗设备11的设备A，显示基于设备A的医疗设备计测数据的图表。由于在第一区间中显示设备A的图像(静态图像或图标)，因此医生等能够直观地识别使用了设备A的医疗设备计测数据。
在第二区间(0：10～0：20)中，决定使用作为医疗设备11的设备B，显示基于设备B的医疗设备计测数据的图表。在第二区间中，通过设备B的图像的显示，明示出使用了设备B的医疗设备计测数据。
在第三区间(0：20～0：30)中，由于在所有计测设备中没有进行计测，因此显示使用前后的区间(0：10～0：20，0：30～0：40)的计测数据进行了插值的图表。另外，在此，例示了显示插值后的数据的情况，但也可以设为将该区间设为非显示等其他显示方式。
在第四区间(0：30～0：40)中，决定使用作为非医疗设备12的设备C，显示基于设备C的非医疗设备计测数据的图表。在第四区间中，通过设备C的图像的显示，明示出使用了设备C的非医疗设备计测数据。
第五区间(0：40～0：50)通过图中的虚线所示的高亮显示，表示医生等想要选择的区间。例如，医生等能够手动地对第五区间配置与期望的计测设备的计测数据相关的信息。
自动配置按钮151D是用于供医生等指示整合结果的自动配置的按钮。在该自动配置时，能够指定允许非医疗设备12相对于全部计测设备的比例到何种程度。在该例子中，在由医生等对自动配置按钮151D进行了点击操作的情况下，在将非医疗设备12的比例允许到20％的基础上，再显示整合结果。
此外，在上述的说明中，通过与每个区间的图表一起显示计测设备的图像，明示出显示了与哪个计测设备有关的信息，但除了静止图像、图标等图像之外，例如也可以显示“医疗设备”、“非医疗设备”等字符串(文本)。另外，指定区间当然可以由医生等指定，但也可以在系统侧设定。
(观察画面的生成的流程)
接着，参照图5的流程图，说明观察画面生成处理的流程。
该观察画面生成处理由信息设备13的处理部100(画面生成部122等)执行，或者由服务器21的处理部200(发送数据生成部223等)执行。在此，设为处理部200执行来进行说明。
在步骤S101中，发送数据生成部223按时间序列对配置整合结果时的配置计测数据的区间进行分割。
在步骤S102中，发送数据生成部223参照储存在数据库201中的对象用户的计测数据，计算分割后的区间中的仅存在非医疗设备12的区间的比例。
在步骤S103中，发送数据生成部223判定计算出的比例是否为设定阈值以下。
当在步骤S103的判定处理中判定为计算出的比例为设定阈值以下的情况下，处理进入步骤S104。在步骤S104中，发送数据生成部223将从数据库201读出的非医疗设备计测数据配置于对象的区间。由此，在仅存在非医疗设备计测数据的区间配置非医疗设备计测数据。
另一方面，在步骤S103的判定处理中判定为计算出的比例超过设定阈值的情况下，处理进入步骤S105。在步骤S105中，发送数据生成部223以使缺失区间尽可能不连续的方式将从数据库201读出的非医疗设备计测数据配置于对象的区间。
当步骤S104或S105的处理结束时，处理进入步骤S106。
在步骤S106中，发送数据生成部223将从数据库201读出的医疗设备计测数据配置在对象的区间。
此时，在同一区间中存在多个医疗设备计测数据或非医疗设备计测数据的情况下，以在区间内占据的数据的比例(日志率)高或者离散小等为依据来决定使用哪一方的计测数据即可。
在步骤S107中，发送数据生成部223在存在缺失区间的情况下，使用前后区间的计测数据进行插值。
由此，生成在观察画面151(图4)的下区域151C中显示的整合结果。另外，在左上区域151A中显示的与医疗设备11有关的信息基于从数据库201读出的医疗设备计测数据而生成，在右上区域151B中显示的与非医疗设备12有关的信息基于从数据库201读出的非医疗设备计测数据而生成。
这样生成的整合结果、包含与医疗设备11和非医疗设备12有关的信息的发送数据经由网络31发送到信息设备13。然后，在信息设备13中，处理部100根据从服务器21接收到的发送数据，将观察画面151(图4)显示在显示部103上。
另外，在通过信息设备13的处理部100执行观察画面生成处理的情况下，服务器21将储存在数据库201中的医疗设备计测数据和非医疗设备计测数据作为发送数据，经由网络31发送到信息设备13即可。
以上，说明了观察画面生成处理的流程。在该观察画面生成处理中，作为计测数据，生成不仅使用医疗设备计测数据还使用非医疗设备计测数据的观察画面151，因此能够有效地利用非医疗设备计测数据。另外，医生在诊断时能够使信息设备13显示观察画面151来观察整合结果等。另外，医生也能够根据需要将与非医疗设备12有关的信息设为非显示。
(判定模型的学习)
此外，在搭载有生命传感器的可穿戴终端等不断普及的当前，逐渐出现将由生命传感器计测出的计测数据应用于医疗的趋势。
但是，由可穿戴终端等非医疗设备12计测出的非医疗设备计测数据不能过于相信，不能用于医生的某种判断。在日本，由药机法规定。
即，在风险判断时，将与非医疗设备计测数据相关的信息用于参考程度不会成为问题，但例如，由于计测值正常而判断为安全的情况有可能发生医疗过错等。
另一方面，在搭载有可穿戴终端等生命传感器的设备正在普及的过程中，仅捕捉不利的一面而一律禁止非医疗设备计测数据向医疗的利用会导致无法利用每天蓄积的数据，因此谋求有效地利用非医疗设备计测数据。
在本技术中，通过使用了医疗设备计测数据和非医疗设备计测数据的机器学习来生成以适合于用途的方式进行学习而成的判定模型，使用该判定模型来进行与用途相应的判定。
作为机器学习的方法，例如使用神经网络、深度学习(深层学习)。
神经网络是模仿人类的脑神经回路的模型，由输入层、中间层(隐藏层)、输出层这3种层构成。另外，深度学习是指使用了多层构造的神经网络的模型，能够在各层反复进行特征性的学习，学习大量数据中潜在的复杂的模式。
另外，在机器学习的问题设定中，具有监督学习、无监督学习、半监督学习、强化学习、逆强化学习、主动学习、转移学习等。
例如，在监督学习中，基于被赋予的带标签的学习数据(监督数据)来学习特征量。由此，能够导出未知的数据的标签。另外，在无监督学习中，大量地分析没有附带标签的学习数据来提取特征量，基于提取出的特征量进行聚类。由此，能够基于庞大的未知的数据进行倾向的分析、未来预测。
作为判定模型，具有与用途相应的日常方针用和医疗介入用的判定模型。日常方针用判定模型是用于进行针对用户的日常方针(没有医疗介入的方针)的判定的模型。医疗介入用判定模型是用于进行对用户进行医疗介入时的判定的模型。
图6表示日常方针用判定模型的学习的例子。
在图6中，示出了使用神经网络的机器学习的例子。该神经网络具有作为输入层的生理索引、中间层和输出层，各层成为多个节点通过边缘连结的构造。此外，图中的白圈(〇)表示节点，连结各白圈的直线表示边缘。
中间层能够具有多个层，将具有特别深的中间层的层称为深度学习。在此，各层可以具有被称为激活函数的函数，边缘可以具有权重。而且，各节点的值根据与该节点连接之前的层的节点的值、即之前的层的节点的值、连接边缘的权重的值、层所具有的激活函数来计算。
在日常方针用判定模型的学习时，通过与由医疗设备11计测出的医疗设备计测数据(心率等计测数据)一起输入由非医疗设备12计测出的非医疗设备计测数据(心率、睡眠时间等计测数据)，在中间层进行使用了该计测数据的学习，生成日常方针用判定模型。
此时，对于能够从多个计测设备计算相同的索引的计测设备，通过学习(计测数据的精度等)使权重最佳化。例如，在用户使用某制造公司制造的计测设备的机会少的情况下，变更该计测设备的权重，减小该权重即可。
这样，在进行日常方针的判定时，医生的判断中也可以包含由非医疗设备12计测出的非医疗设备计测数据，因此在日常方针用判定模型的学习时，将非医疗设备计测数据与医疗设备计测数据一起输入。
图7表示医疗介入用判定模型的学习的例子。
在图7中，与图6同样地示出使用了神经网络的机器学习的例子。在医疗介入用判定模型的学习时，通过输入由医疗设备11计测出的医疗设备计测数据(心率等计测数据)，在中间层进行使用了该计测数据的学习，生成医疗介入用判定模型。
即，在进行医疗介入的判定时，医生的判断中存在不能包含由非医疗设备12计测出的非医疗设备计测数据这样的制约，因此仅输入医疗设备计测数据。此时，非医疗设备12(的非医疗设备计测数据)的权重被变更为0。
这样，由于生成医疗介入用判定模型，因此在对某用户进行医疗介入的判定时，通过使用医疗介入用判定模型，与在日常方针用判定模型中使用该用户的计测数据中的除了非医疗设备计测数据以外的计测数据进行推定相比，能够得到高性能的判定结果。
在此，作为学习数据使用的计测数据在从计测设备收集时，不区分地收集医疗设备计测数据和非医疗设备计测数据，作为同一数据集而蓄积。并且，在学习时，区分医疗设备计测数据和非医疗设备计测数据来生成学习用DB，进行使用了所生成的学习用DB的学习处理。
由此，即使在某个时刻，某个非医疗设备被授权为医疗设备的情况下，也能够在成为医疗设备之后的学习时利用在是非医疗设备时收集到的计测数据。因此，能够不浪费地灵活运用已收集的计测数据。
图8表示医疗设备的授权时或取消时的判定模型的学习的例子。
在图8中，示出了作为非医疗设备的手表型的可穿戴终端接受医疗设备的授权而从非医疗设备12变为医疗设备11的情况下的医疗介入用判定模型的学习的例子。
在图中的左侧的框内的授权前，在手表型的可穿戴终端是非医疗设备12时，由于医生的判断中不包含非医疗设备计测数据，所以手表型的可穿戴终端的权重为0，仅输入由医疗设备11计测出的医疗设备计测数据(心率等计测数据)，生成医疗介入用判定模型。
另一方面，在图中的右侧的框内的授权后，在手表型的可穿戴终端成为医疗设备11时，由手表型的可穿戴终端计测出的医疗设备计测数据(心率、睡眠时间等计测数据)与由医疗设备11计测出的医疗设备计测数据(心率等计测数据)一起被输入，生成医疗介入用判定模型。
另外，在上述的说明中，说明了手表型的可穿戴终端被授权为医疗设备的情况，但相反地，在取消了作为医疗设备的手表型的可穿戴终端的授权的情况下，不作为医疗设备11而作为非医疗设备12来处理即可。即，此时，由手表型的可穿戴终端计测出的计测数据在学习时作为非医疗设备计测数据来处理。
(数据库的例子)
图9是表示数据库201的结构的例子的图。
在服务器21中，数据库201可以包括整合DB251、授权设备DB252和学习用DB253。
整合DB251储存从医疗设备11发送来的医疗设备计测数据和从非医疗设备12发送来的非医疗设备计测数据。
授权设备DB252储存关于被授权为医疗设备的医疗设备11的信息。
医疗设备判定器261在读出储存在整合DB251中的计测数据时，通过参照储存在授权设备DB252中的信息，读出医疗设备计测数据和非医疗设备计测数据、或者医疗设备计测数据，作为学习数据储存在学习用DB253中。
学习用DB253储存关于在学习时使用的学习数据的信息。例如，学习用DB253在日常方针用判定模型的学习时，储存医疗设备计测数据以及非医疗设备计测数据作为学习数据。另外，学习用DB253在医疗介入用判定模型的学习时，储存医疗设备计测数据作为学习数据。
图10示出了整合DB251的例子。
在图10所示的表格中，以规定的顺序储存有与计测数据相应的多个记录，按作为设备名、制造公司、设备版本、用户ID、计测日期时间以及最低血压的列名的每个列(column)，储存有与列名相应的信息。
在作为设备名、制造公司以及设备版本的列名的列(column)中储存计测设备信息。另外，在作为用户ID、计测日期时间以及最低血压的列名的列(column)中，储存有与由生命传感器检测出的生命体征相关的生命信息。即，计测数据包含计测设备信息和生命信息。另外，在该例子中，生命体征是由生命传感器检测出的最低血压，生命信息是包含用户ID、计测日期时间以及最低血压的信息。
在设备名的列中储存与计测设备的名称相关的信息。在制造公司的列中储存与制造计测设备的公司相关的信息。设备版本的列储存与计测设备的版本相关的信息。通过管理设备版本，还能够应对计测设备的购买后的版本升级。
在用户ID的列中，储存计测对象的用户的识别信息(用户ID等)。在计测日期时间的列中储存与计测相关的时间信息(计测日期时间等)。在最低血压的列中，作为由计测设备计测出的计测值，储存有与最低血压相关的信息。
具体而言，在图10所示的表格中，关于“1”的用户ID的用户，在2019年8月15日至8月17日这3日储存有3个记录量的计测数据，另外，关于“2”的用户ID的用户，在2019年9月1日至9月3日这3日储存有4个记录量的计测数据。这样，在图10所示的表格中，在同一日能够储存关于同一用户的多个日志信息。
此外，在图10所示的表格中，示出了利用同一表格来管理计测设备信息和生命信息的情况，但也可以利用计测条件ID等将计测设备信息和生命信息建立关联，并利用不同表格来进行管理。
另外，设备版本能够针对每个制造公司设为任意的字符串，但在该情况下，只要能够通过与授权设备DB252(图11)的组合来确定医疗设备11即可。但是，作为设备版本，例如也可以规定在医疗设备11中包含特定的字符串等的标准，以所有的制造公司遵循统一标准的方式管理版本信息。
图11示出了授权设备DB252的例子。
在图11所示的表格中，针对作为设备名、制造公司以及设备版本的列名的每个列(column)，储存与列名相应的信息。
授权设备DB252的表格的列名与图10的整合DB251的表格的一部分的列名对应，作为与授权的计测设备(医疗设备11)有关的信息，储存有3个记录量的信息。即，在该例子中，作为设备版本，示出了按每个制造公司使用任意的字符串的情况。
图12示出了学习用DB253的例子。
此外，在图12中，为了便于说明，示出了整合DB251(图10)和授权设备DB252(图11)。
通过医疗设备确定器261(图9)基于储存在授权设备DB252中的信息而读取储存在整合DB251中的计测数据来生成学习用DB253。
例如，在学习医疗介入用判定模型时，由于仅需要使用由医疗设备11计测出的医疗设备计测数据，因此通过从储存在整合DB251中的计测数据中提取登记在授权设备DB252中的医疗设备11的医疗设备计测数据来生成学习用DB253。
具体地，在授权设备DB252中，由制造公司AA制造的Device.A(设备版本2)和由制造公司BB制造的Device.C(设备版本A，B)被登记为医疗设备11。因此，提取储存在整合DB251中的计测数据中的包含Device.A(设备版本2)和Device.C(设备版本B)的医疗设备计测数据(过滤医疗设备11的3个记录)，生成学习用DB253。
即，在该例子中，在生成学习用DB253时，将通过计测设备的版本升级而认定为医疗设备的计测设备(Device.A)的旧的计测数据(设备版本1时的计测数据)和未认定为医疗设备的计测设备(Device.B)的计测数据除外。
另外，在日常方针用判定模型的学习时，能够使用医疗设备计测数据和非医疗设备计测数据，因此使用储存在整合DB251中的全部计测数据来生成学习用DB253即可。
图13示出了集成DB251的另一例子。
在图13所示的表格中，与图10所示的表格相比，追加了作为诊断Sw版本的列名的列(column)。
在诊断Sw版本中，作为软件信息而储存有与诊断用软件的版本相关的信息。
这样，通过管理诊断Sw版本，不仅能够管理上述的计测设备的硬件，还能够管理软件的版本信息。例如，尽管假定将诊断用软件单独用作医疗设备程序等，但是可以通过管理诊断Sw版本来生成与用途相应的学习用DB253。
(服务器的结构)
图14示出了图1的服务器21的结构的其他例子来作为与判定模型相关的处理所对应的服务器21的结构。
在图14中，对与图3所示的结构对应的部分标注相同的附图标记，其说明重复，因此适当省略。
处理部200包括通信控制部221、DB管理部222、发送数据生成部223、学习用DB生成部224、学习部225以及判定部226。另外，数据库201包括整合DB251、授权设备DB252和学习用DB253。
学习用DB生成部224基于储存在授权设备DB252中的信息，通过使用储存在整合DB251中的计测数据来生成与用途相应的学习用DB253。另外，医疗设备判定器261(图9)包含在学习用DB生成部224中。
学习部225通过使用了与用途相应的储存在学习用DB253中的计测数据的机器学习，以适合于用途的方式进行学习，生成医疗介入用判定模型或日常方针用判定模型。所生成的判定模型(已学习模型)被供给至判定部226。
判定部226将从学习部225供给的判定模型应用于储存在数据库201中的判定目标(计测目标)的用户的计测数据。此外，这里的判定对象的用户也可以说是基于计测设备的计测对象的用户。该判定模型的判定结果被供给至发送数据生成部223。
发送数据生成部223基于从判定部226供给的判定模型的判定结果和从DB管理部222供给的计测数据来生成要发送到信息设备13的发送数据，并且将发送数据供给至通信控制部221。
(学习时的流程)
接着，参照图15的流程图，对学习时的处理的流程进行说明。该学习时的处理由服务器21的处理部200执行。
在步骤S201的判定处理中，判定是否为医疗介入用判定模型的学习。
例如，医生通过操作显示在信息设备13等上的设定画面来设置用途、比例分配比等，从而指示按照该用途、比例分配比生成判定模型。具体而言，用途包括医疗介入用、日常方针用等。另外，比例分配比包括非医疗设备计测数据的权重等。
在步骤S201的判定处理中判定为医疗介入用判定模型的学习的情况下，处理进入步骤S202。
在步骤S202中，学习用DB生成部224使用医疗设备计测数据来生成学习用DB 253。具体地，通过从储存在整合DB251中的计测数据中提取登记在授权设备DB252中的医疗设备11的医疗设备计测数据来生成学习用DB253。
另一方面，在步骤S201的判定处理中判定为不是医疗介入用判定模型的学习、即是日常方针用判定模型的学习的情况下，处理进入步骤S203。
在步骤S203中，学习用DB生成部224使用医疗设备计测数据和非医疗设备计测数据，生成学习用DB253。具体而言，通过不限制地使用储存在整合DB251中的计测数据，生成学习用DB253。
当步骤S202或S203结束时，处理进入步骤S204。
在步骤S204中，学习部225使用所生成的学习用DB253来执行学习处理。
具体而言，在医疗介入用判定模型的学习时，生成储存有医疗设备计测数据的学习用DB253，因此在学习部225中，通过使用了储存于学习用DB253的医疗设备计测数据的机器学习，以适合于用途(医疗介入用)的方式进行学习。通过该学习，生成与医生的指示对应的医疗介入用判定模型。
另外，在日常方针用判定模型的学习时，生成储存有医疗设备11和非医疗设备12的计测数据的学习用DB253，因此，在学习部225中，通过使用了储存在学习用DB253中的医疗设备计测数据和非医疗设备计测数据的机器学习，以适合用途(日常方针用)的方式进行学习。通过该学习，生成与医生的指示对应的日常方针用判定模型。
以上，说明了学习时的处理的流程。在该学习时的处理中，在从计测设备收集计测数据时，不区分医疗设备计测数据和非医疗设备计测数据，在学习时，将计测数据区分为医疗设备计测数据和非医疗设备计测数据而生成学习用DB253。然后，使用该学习用DB253，生成与用途相应的判定模型。
由此，将来，即使药机法设置了例如“在XX的用途中，只要是判断的YY％，就可以使用非医疗设备(医疗设备)”这样的规定，在学习时，通过与该规定对应地指定非医疗设备计测数据的权重的上限值，也能够生成与新的规定对应的判定模型。
(判定时的流程)
接着，参照图16的流程图，对判定时的处理的流程进行说明。
该判定处理当然可以由服务器21的处理部200(的判定部206)执行，也可以由信息设备13的处理部100执行。在此，设为处理部200执行来进行说明。
在步骤S221中，判定部226获取储存在数据库201中的判定目标的用户的计测数据。例如，在由对显示于信息设备13等的规定的设定画面进行操作的医生指定了判定对象的用户(患者)的情况下，取得由该用户使用的计测设备计测出的计测数据。
在步骤S222中，判定部226对所取得的计测数据应用在上述的学习时的处理中生成的判定模型。
具体而言，在进行医疗介入的判定的情况下，通过将判定对象的用户的计测数据(医疗设备计测数据)应用于医疗介入用判定模型，得到判定结果。另外，在进行日常方针的判定的情况下，通过将判定对象的用户的计测数据(医疗设备计测数据和非医疗设备计测数据)应用于日常方针用判定模型，得到判定结果。
作为该判定模型的判定结果，例如包含判定对象的用户(患者)的疾病的推定结果、针对判定对象的用户的行动的推荐结果。
在步骤S223中，判定部226将判定模型的判定结果供给至发送数据生成部223。
以上，对判定时的处理的流程进行了说明。在该判定时的处理中，能够使用在学习时的处理中生成的、与医疗介入用、日常方针用等用途相应的判定模型来进行患者的判定。该判定模型的判定结果能够包含在判定结果画面中。
(判定结果画面的显示例)
图17示出由医生等使用的平板终端等信息设备13的显示部103所显示的判定结果画面的例子。
在图17中，判定结果画面171主要由判定结果区域171A、生理指标区域171B、贡献度区域171C以及再判定指示区域171D这4个区域构成。
判定结果区域171A显示判定模型的判定结果。在该例子中，作为判定模型的判定结果，显示有以时间序列表示判定对象的用户的疾病的推定结果(风险)的图表、表示针对该用户的行动的推荐结果的提示信息。另外，在图17中，示出了使用日常方针用判定模型的情况下的例子。
在该例子中，作为提示信息，显示有“存在阶段性跳动不合理地快的倾向。详见霍尔特心电图仪。”的信息。在此，能够包含有风险的时间段和贡献度大的生理指标。另外，能够进行针对相应的生理指标的医疗设备11的例示等。
生理指标区域171B显示成为判定模型的判定结果的判定依据的生理指标的计测值。在该例子中，例示了生理指标A至C，但作为生理指标，能够显示体温、脉搏数、行为识别(背景)、血压、呼吸数、心电图、血糖值、血液检查值、最高氧摄取量(VO2max)、乳酸阈值(LT)、压力指数(LF/HF)、脑性钠利尿肽(BNP)等。
生理指数A至C通过以时间序列表示指定区间内的计测数据的图表等来显示。在该图表中，在以时间序列表示计测数据时，能够按照每个区间通过颜色等，以能够区别的方式显示由医疗设备11计测出的医疗设备计测数据和由非医疗设备12计测出的非医疗设备计测数据。
贡献度区域171C显示医疗设备11的贡献度。在该例子中，通过圆形图表示计测设备的贡献度，医疗设备11的贡献度为90％左右。例如，通过将学习后的权重视为计测设备的贡献度，能够计算贡献度。
在该圆形图中，在说明栏中显示了斜线的区域表示“医疗设备”的贡献度(90％左右)、格子状的区域表示“非医疗设备”的贡献度(10％左右)，但也可以用具体的设备名等来显示。医生等能够选择是如“医疗设备”和“非医疗设备”那样显示抽象的名称，还是如“设备名”等那样显示具体的名称。
再判定指示区域171D是指示执行仅使用由医疗设备11计测出的医疗设备计测数据的再判定的区域。该指示区域由按钮、复选框等构成，在由医生等进行了规定的操作(点击操作等)的情况下，执行再判定。
另外，在再判定指示区域171D中，也可以与观察画面151(图4)的自动配置按钮151D同样地，能够指定非医疗设备12的允许比例，进行与所指定的允许比例相应的再判定。此时，将仅在非医疗设备12中计测的区间进行屏蔽即可。
(判定结果画面的生成的流程)
接着，参照图18的流程图，说明判定结果画面生成处理的流程。
该判定结果画面生成处理由信息设备13的处理部100(画面生成部122等)执行，或者由服务器21的处理部200(发送数据生成部223等)执行。在此，设为处理部200执行来进行说明。
在步骤S121中，发送数据生成部223获取从判定部226供给的判定模型的判定结果。
在步骤S122中，发送数据生成部223将所获取的判定结果配置在预定区域中。由此，在判定结果画面171(图17)中，在判定结果区域171A中配置判定模型的判定结果(疾病的推定结果、行为的推荐结果等)。
在步骤S123中，发送数据生成部223判定是否显示成为判定模型的判定结果的判定依据的生理指标。
在步骤S123的判定处理中判定为显示生理指标的情况下，处理进入步骤S124。在步骤S124中，发送数据生成部223将生理指数数据配置在预定区域中。作为该生理指数数据，可以使用储存在整合DB251中的计测数据。
由此，在判定结果画面171中，在生理指标区域171B配置体温、脉搏数等生理指标的计测值。
此外，在步骤S123的判定处理中判定为不显示生理指标的情况下，跳过步骤S124。
包含这样生成的判定结果、生理指标的发送数据经由网络31发送到信息设备13。然后，在信息设备13中，处理部100基于从服务器21接收到的发送数据，将判定结果画面171显示于显示部103。
另外，在由信息设备13的处理部100执行判定结果画面生成处理的情况下，服务器21将判定部226的判定模型的判定结果和储存在数据库201中的计测数据作为发送数据，经由网络31发送到信息设备13即可。
以上，说明了判定结果画面生成处理的流程。在该判定结果画面生成处理中，作为计测数据，生成包含不仅使用医疗设备计测数据还使用非医疗设备计测数据的判定结果、生理指标的判定结果画面171，因此能够有效地利用非医疗设备计测数据。另外，医生能够将与用途相应的判定结果画面171显示于信息设备13，观察判定结果、生理指标。
在此，作为日常方针用判定模型的利用例，基本上以在不成为医疗判断的范围内的利用为前提。此时，不限于医生等使用的平板终端等信息设备13，也可以向用户(患者)佩戴的可穿戴终端等非医疗设备12提示与判定结果相应的信息。
例如，在非医疗设备12中，作为日常方针用判定模型的判定结果，能够显示“在医院看XX较好”、“是否获取医院的预约”等受诊建议作为行动的推荐。
另外，在需要详细的日志信息的情况下，也可以通过用户随身携带的非医疗设备12来催促其计测。例如，作为日常方针用判定模型的判定结果，在检测到心律不齐那样的举动时，非医疗设备12能够显示“今天也获取心电图(ECG：Electrocardiogram)吧”等催促计测的消息作为行为的推荐。
此外，在用户一边观察日志信息一边想起XX疼痛时，在与医生联络而接受了详细诊断的情况下，也可以将其行为反映到日志信息中。
(患者用问诊支持工具的例子)
然而，本技术也可以在医生为了参考诊断而进行向患者询问病历、病情的问诊时，为了使患者想起自己的症状而利用。
图19表示学习时的处理的流程。
在图19中，日常数据提取器262A从储存在整合DB251中的计测数据中提取日常数据。日常数据是与用户(患者)的日常相关的数据，是以非医疗设备计测数据为主的数据。使用该日常数据，生成患者用学习DB253A。
患者用学习器263A生成通过使用了储存于患者用学习DB253A的日常数据的机器学习而学习到的判定模型(已学习模型)，并输出其参数271A。此时，患者用学习器263A只能访问日常数据。
另外，医疗设备数据提取器262B从储存在整合DB251中的计测数据中提取医疗设备计测数据。使用该医疗设备计测数据，生成医生用学习DB253B。
医生用学习机263B生成通过使用了储存在医生用学习DB253B中的医疗设备计测数据的机器学习而学习到的判定模型(已学习模型)，并输出其参数271B。
图20表示判定时的处理的流程。
在图20中，向患者用判定器264A输入学习时得到的参数271A。患者用判定器264A根据所输入的参数271A，进行使用了从日常数据用DB281读出的相应患者的日常数据的判定。此时，患者用判定器264A只能访问日常数据。此外，日常数据包含非医疗设备计测数据。
患者用判定器264A的判定结果显示于信息设备13-1的显示部103。由此，患者通过确认显示于信息设备13-1的判定结果等信息，能够在问诊时想起自己的症状。
另外，向医生用判定器264B输入学习时得到的参数271B。医生用判定器264B根据所输入的参数271B，进行使用了从日常数据用DB281读出的相应患者的日常数据和从医疗数据用DB282读出的相应患者的医疗数据的判定。另外，医疗数据包含医疗设备计测数据。
医生用判定器264B的判定结果显示于信息设备13-2的显示部103。由此，医生能够一边确认显示于信息设备13-2的判定结果等信息，一边进行针对相应患者的问诊、诊断。
这样，通过利用患者用问诊支持工具，在问诊时，患者能够确认患者用判定器264A的判定结果而想起自己的症状。另外，通过在学习时变更学习数据，或者在判定时切断患者对医疗数据的访问，能够提高问诊的便利性，并且避免不必要的信息泄漏。
并且，能够将患者用判定器264A的判定结果和医生用判定器264B的判定结果分开显示于患者用的信息设备13-1和医生用的信息设备13-2，因此能够提高确认判定结果时的便利性。
此外，图19和图20所示的结构能够主要作为服务器21的功能来提供。例如，日常数据提取器262A和医疗设备数据提取器262B包含在学习用DB生成部224中，患者用学习器263A和医生用学习器263B包含在学习部225中，患者用判定器264A和医生用判定器264B包含在判定部226中。
另外，例如，整合DB251、患者用学习DB253A和医生用学习DB253B、参数271A和参数271B、日常数据用DB281和医疗数据用DB282被储存在数据库201中。
另外，在图19和图20中，例示了另外设置日常数据用DB281和医疗数据用DB282的情况，但也可以使用整合DB251来代替日常数据用DB281和医疗数据用DB282。
<2.变形例>
(画面的其他显示例)
在上述的说明中，作为在平板终端等信息设备13中显示的画面，示出了图4的观察画面151和图17的判定结果画面171的显示例，但也可以在信息设备13以外的设备中显示画面，也可以使用其他显示方式。
例如，在可穿戴终端等非医疗设备12具有显示部的情况下，为了在该画面(画面尺寸小的画面)上区别显示与医疗设备11有关的信息和与非医疗设备12有关的信息，如下所述即可。
即，在非医疗设备12中，在画面的显示时，为了区别与医疗设备11有关的信息和与非医疗设备12有关的信息，能够调整这些信息的显示属性。具体而言，关于计测值，通过调整颜色、粗细、尺寸、倾斜、阴影、字体等属性，能够在医疗设备11和非医疗设备12中改变数值自身的表现。
另外，也可以在计测值等数值之前或其周边的区域显示静态图像、图标等，或者用框包围，或者划下划线等，通过数值自身的表现以外的表现，区分与医疗设备11有关的信息和与非医疗设备12有关的信息。
进而，也可以使用按时间序列变化的图表、表示与同代的比较的图等图形的表现。图21示出在非医疗设备12中使用了图形的表现的情况下的显示的例子。
另外，如图22所示，在非医疗设备12中，在用柱状图表现按时间序列变化的计测值的情况下，也可以对非医疗设备12的计测值不添加数值，而对医疗设备11的计测值添加数值等，来区分与医疗设备11相关的信息和与非医疗设备12相关的信息。
另外，在非医疗设备12中，在画面的迁移时，为了区分与医疗设备11有关的信息和与非医疗设备12有关的信息，例如，使用到显示信息为止的迁移的次数不同、储存信息的文件夹不同等来区分即可。
(系统的其他构成例)
在上述的说明中，在信息处理系统1中，以在信息设备13中显示观察画面151和判定结果画面171的情况为中心进行了说明，但这些画面也可以显示于医疗设备11或非医疗设备12，进而，医疗设备11或非医疗设备12也可以构成为信息设备13。
另外，在上述的说明中，在信息处理系统1中，以在服务器21中进行使用了判定模型的判定、画面的生成的处理的情况为中心进行了说明，但这些处理也可以在信息设备13等中进行。即，使用了判定模型的判定、画面的生成的处理可以由云侧的服务器21(的处理部200)执行，也可以由本地侧的信息设备13(的处理部100)等执行。
另外，在上述的说明中，说明了服务器21具有处理部200和数据库201，但处理部200和数据库201也可以设置于不同的其他服务器。此外，尽管数据库201被描述为包括整合DB251、授权设备DB252和学习用DB253，但是可以使用不同的服务器来管理各个数据库。
进而，在上述的说明中，示出了将判定模型的判定结果显示为各种画面的情况，但例如用声音朗读行动的推荐结果等，判定模型的判定结果不限于显示，也可以使用其他提示方法来提示。
另外，在本说明书中，学习器相当于学习模型，学习器使用学习数据进行学习而能够得到充分的精度的学习器相当于已学习模型(判定模型)，判定器相当于判定模型。另外，在上述的说明中，“用户”基本上是指“患者”。
<3.计算机的结构>
由上述的信息设备13或服务器21执行的一系列的处理(例如，观察画面生成处理、判定结果画面生成处理、学习时的处理、判定时的处理等)既能够通过硬件来执行，也能够通过软件来执行。在通过软件执行一系列的处理的情况下，构成该软件的程序被安装于各装置的计算机。
图23是示出通过程序执行上述一系列处理的计算机的硬件的构成例的框图。
在计算机中，CPU(Central Processing Unit)1001、ROM(Read Only Memory)1002和RAM(Random Access Memory)1003通过总线1004彼此连接。输入/输出接口1005连接到总线1004。输入部1006、输出部1007、存储部1008、通信部1009和驱动器1010连接到输入/输出接口1005。
输入部1006包括麦克风、键盘、鼠标等。输出部1007包括扬声器、显示器等。存储部1008包括硬盘、非易失性存储器等。通信部1009包括网络接口等。驱动器1010驱动磁盘、光盘、磁光盘或半导体存储器等可移动记录介质1011。
在以上那样构成的计算机中，CPU 1001经由输入/输出接口1005和总线1004将存储在ROM 1002或存储部1008中的程序加载到RAM 1003中并执行该程序，从而执行上述一系列处理。
由计算机(CPU1001)执行的程序例如可以通过记录在作为封装介质等的可移动记录介质1011中来提供。此外，可以经由局域网、因特网以及数字卫星广播这样的有线或无线传输介质来提供程序。
在计算机中，通过将可移动记录介质1011装配在驱动器1010中，可以经由输入/输出接口1005将程序安装在存储部1008中。此外，程序可以由通信部1009经由有线或无线传输介质接收，并且可以安装在存储部1008中。此外，程序可以预先安装在ROM1002或存储部1008中。
这里，在本说明书中，计算机根据程序执行的处理不一定按照流程图中描述的顺序按时间顺序执行。即，计算机根据程序执行的处理还包括并行或单独执行的处理(例如，并行处理或基于对象的处理)。另外，程序可以由1个计算机(处理器)进行处理，也可以由多个计算机进行分散处理。
此外，本技术的实施方式不限于上述实施方式，并且可以在不脱离本技术的主旨的范围内进行各种变更。
另外，上述的一系列的处理的各步骤除了由1个装置执行之外，还能够由多个装置分担执行。进而，在1个步骤中包含多个处理的情况下，该1个步骤中包含的多个处理除了由1个装置执行以外，还能够由多个装置分担执行。
此外，本技术可以取得以下那样的结构。
(1)
一种信息处理装置，其中，所述信息处理装置具备处理部，所述处理部使用判定模型，根据用途进行与计测对象的用户有关的判定，所述判定模型是通过使用了由医疗设备计测到的第一计测数据和由非医疗设备计测到的第二计测数据的机器学习而以适合于用途的方式学习到的。
(2)
根据上述(1)所述的信息处理装置，其中，所述判定模型根据用途来变更所述第二计测数据的权重。
(3)
根据上述(2)所述的信息处理装置，其中，所述判定模型在用于日常方针的判定的情况下，通过使用了所述第一计测数据和所述第二计测数据的机器学习来生成，所述判定模型在用于医疗介入的判定的情况下，通过使用了所述第一计测数据的机器学习而生成。
(4)
根据上述(1)至(3)中任一项所述的信息处理装置，其中，所述第一计测数据和所述第二计测数据是通过在学习时区别所收集的计测数据而得到的。
(5)
根据上述(1)至(4)中任一项所述的信息处理装置，其中，
使用了所述判定模型的判定结果包含所述用户的疾病的推定结果、或对所述用户的行为的推荐结果。
(6)
根据上述(1)至(5)中任一项所述的信息处理装置，其中，所述处理部输出使用了所述判定模型的判定结果。
(7)
根据上述(4)所述的信息处理装置，其中，所述计测数据包含与由生命传感器检测出的生命体征相关的生命信息以及与计测设备相关的计测设备信息。
(8)
根据上述(7)所述的信息处理装置，其中，所述计测设备信息包括与计测设备的名称、计测设备的制造公司以及版本有关的信息。
(9)
根据上述(7)或(8)所述的信息处理装置，其中，所述生命信息包括基于计测设备的计测值、与计测有关的时间信息、以及计测对象的用户的识别信息。
(10)
根据上述(6)所述的信息处理装置，其中，所述判定结果通过规定的显示方式显示为判定结果画面。
(11)
根据上述(10)所述的信息处理装置，其中，所述判定结果画面与所述判定结果一并地包括与成为所述判定结果的依据的生理指标有关的信息。
(12)
根据上述(10)或(11)所述的信息处理装置，其中，所述判定结果画面包括与所述医疗设备的贡献度有关的信息。
(13)
根据上述(1)所述的信息处理装置，其中，所述第一计测数据和所述第二计测数据通过规定的显示方式显示为观察画面。
(14)
根据上述(13)所述的信息处理装置，其中，所述观察画面包括与对每个时间区间配置了与所述第一计测数据或所述第二计测数据相应的信息的整合结果有关的信息。
(15)
一种信息处理方法，其中，信息处理装置使用判定模型，根据用途进行与计测对象的用户有关的判定，所述判定模型是通过使用了由医疗设备计测到的第一计测数据和由非医疗设备计测到的第二计测数据的机器学习而以适合于用途的方式学习到的。
(16)
一种信息处理装置，其中，所述信息处理装置具备处理部，所述处理部在根据用途生成用于进行与计测对象的用户有关的判定的判定模型时，通过使用了由医疗设备计测出的第一计测数据和由非医疗设备计测出的第二计测数据的机器学习而以适合于用途的方式进行学习。
(17)
根据上述(16)所述的信息处理装置，其中，所述处理部根据用途来变更所述第二计测数据的权重，生成所述判定模型。
(18)
根据上述(17)所述的信息处理装置，其中，所述处理部在生成用于日常方针的判定的所述判定模型的情况下，进行使用了所述第一计测数据和所述第二计测数据的机器学习，在生成用于医疗介入的判定的所述判定模型的情况下，进行使用了所述第一计测数据的机器学习。
(19)
根据上述(16)至(18)中任一项所述的信息处理装置，其中，所述处理部在学习时将收集到的计测数据区分为所述第一计测数据和所述第二计测数据。
(20)
一种信息处理方法，其中，信息处理装置在根据用途生成用于进行与计测对象的用户有关的判定的判定模型时，通过使用了由医疗设备计测出的第一计测数据和由非医疗设备计测出的第二计测数据的机器学习而以适合于用途的方式进行学习。
(21)
一种程序，其中，所述程序使计算机作为处理部发挥功能，所述处理部在生成用于根据用途进行与计测对象的用户有关的判定的判定模型时，通过使用了由医疗设备计测出的第一计测数据和由非医疗设备计测出的第二计测数据的机器学习而以适合于用途的方式进行学习。
附图标记说明
1…信息处理系统；11、11-1至11-N…医疗设备；12、12-1至12-M…非医疗设备；13…信息设备；21…服务器；31…网络；100…处理部；101…输入部；102…通信部；103…显示部；121…通信控制部；122…画面生成部；123…显示控制部；200…处理部；201…数据库；202…通信部；221…通信控制部；222…DB管理部；223…发送数据生成部；224…学习用DB生成部；225…学习部；226…判定部；251…整合DB；252…授权设备DB；253…学习用DB；253A…患者用学习DB；253B…医生用学习DB；261…医疗设备判定器；262A…日常数据提取器；262B…医疗设备数据提取器；263A…患者用学习器；263B…医生用学习器；264A…患者用判定器；264B…医生用判定器；281…相应患者的日常数据；282…相应患者的医疗数据；1001…CPU。

Claims (20)

1.一种信息处理装置，其特征在于，
所述信息处理装置具备处理部，所述处理部使用判定模型，根据用途进行与计测对象的用户有关的判定，所述判定模型是通过使用了由医疗设备计测到的第一计测数据和由非医疗设备计测到的第二计测数据的机器学习而以适合于用途的方式而学习到的。
2.根据权利要求1所述的信息处理装置，其特征在于，
所述判定模型根据用途来变更所述第二计测数据的权重。
3.根据权利要求2所述的信息处理装置，其特征在于，
所述判定模型在用于日常方针的判定的情况下，通过使用了所述第一计测数据和所述第二计测数据的机器学习来生成，
所述判定模型在用于医疗介入的判定的情况下，通过使用了所述第一计测数据的机器学习来生成。
4.根据权利要求1所述的信息处理装置，其特征在于，
所述第一计测数据和所述第二计测数据是通过在学习时区别所收集的计测数据而得到的。
5.根据权利要求1所述的信息处理装置，其特征在于，
使用了所述判定模型的判定结果包括所述用户的疾病的推定结果、或对所述用户的行为的推荐结果。
6.根据权利要求1所述的信息处理装置，其特征在于，
所述处理部输出使用了所述判定模型的判定结果。
7.根据权利要求4所述的信息处理装置，其特征在于，
所述计测数据包括由生命传感器检测出的与生命体征有关的生命信息以及与计测设备有关的计测设备信息。
8.根据权利要求7所述的信息处理装置，其特征在于，
所述计测设备信息包括与计测设备的名称、计测设备的制造公司以及版本有关的信息。
9.根据权利要求7所述的信息处理装置，其特征在于，
所述生命信息包括基于计测设备的计测值、与计测有关的时间信息、以及计测对象的用户的识别信息。
10.根据权利要求6所述的信息处理装置，其特征在于，
所述判定结果通过规定的显示方式显示为判定结果画面。
11.根据权利要求10所述的信息处理装置，其特征在于，
所述判定结果画面与所述判定结果一并包括与成为所述判定结果的依据的生理指标有关的信息。
12.根据权利要求11所述的信息处理装置，其特征在于，
所述判定结果画面包括与所述医疗设备的贡献度有关的信息。
13.根据权利要求1所述的信息处理装置，其特征在于，
所述第一计测数据和所述第二计测数据通过规定的显示方式显示为观察画面。
14.根据权利要求13所述的信息处理装置，其特征在于，
所述观察画面包括与对每个时间区间配置了与所述第一计测数据或所述第二计测数据相应的信息的整合结果有关的信息。
15.一种信息处理方法，其特征在于，
信息处理装置使用判定模型，根据用途进行与计测对象的用户有关的判定，所述判定模型是通过使用了由医疗设备计测到的第一计测数据和由非医疗设备计测到的第二计测数据的机器学习而以适合于用途的方式学习到的。
16.一种信息处理装置，其特征在于，
所述信息处理装置具备处理部，所述处理部在根据用途生成用于进行与计测对象的用户有关的判定的判定模型时，通过使用了由医疗设备计测出的第一计测数据和由非医疗设备计测出的第二计测数据的机器学习而以适合于用途的方式进行学习。
17.根据权利要求16所述的信息处理装置，其特征在于，
所述处理部根据用途来变更所述第二计测数据的权重，生成所述判定模型。
18.根据权利要求17所述的信息处理装置，其特征在于，
所述处理部在生成用于日常方针的判定的所述判定模型的情况下，进行使用了所述第一计测数据和所述第二计测数据的机器学习，
所述处理部在生成用于医疗介入的判定的所述判定模型的情况下，进行使用了所述第一计测数据的机器学习。
19.一种信息处理方法，其特征在于，
信息处理装置在根据用途生成用于进行与计测对象的用户有关的判定的判定模型时，通过使用了由医疗设备计测出的第一计测数据和由非医疗设备计测出的第二计测数据的机器学习而以适合于用途的方式进行学习。
20.一种程序，其特征在于，
所述程序使计算机作为处理部发挥功能，所述处理部在生成用于根据用途进行与计测对象的用户有关的判定的判定模型时，通过使用了由医疗设备计测出的第一计测数据和由非医疗设备计测出的第二计测数据的机器学习而以适合于用途的方式进行学习。
CN202080070754.8A 2019-10-15 2020-10-05 信息处理装置、信息处理方法以及程序 Pending CN114586107A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019-188702 2019-10-15
JP2019188702 2019-10-15
PCT/JP2020/037693 WO2021075289A1 (ja) 2019-10-15 2020-10-05 情報処理装置、情報処理方法、及びプログラム

Publications (1)

Publication Number Publication Date
CN114586107A true CN114586107A (zh) 2022-06-03

Family

ID=75538018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080070754.8A Pending CN114586107A (zh) 2019-10-15 2020-10-05 信息处理装置、信息处理方法以及程序

Country Status (4)

Country Link
US (1) US20220375607A1 (zh)
EP (1) EP4047609A4 (zh)
CN (1) CN114586107A (zh)
WO (1) WO2021075289A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023188061A1 (ja) * 2022-03-30 2023-10-05 日本電気株式会社 トレーニング支援装置、トレーニング支援方法、トレーニング支援プログラム、学習装置、学習方法、および学習プログラム

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010141922A1 (en) * 2009-06-04 2010-12-09 Abbott Diabetes Care Inc. Method and system for updating a medical device
US9148483B1 (en) * 2010-09-30 2015-09-29 Fitbit, Inc. Tracking user physical activity with multiple devices
WO2013163627A1 (en) * 2012-04-26 2013-10-31 J.T. Management, Inc. Health measurement systems
RU2722748C2 (ru) * 2015-01-10 2020-06-03 Дебора ДУЛЛЕН Устройство и способ измерения вегетативных функций для диагностики и подтверждения эффективности курса лечения пациента и его результатов
WO2017125798A1 (en) * 2016-01-18 2017-07-27 Gopalakrishnan Jagannathan Health monitoring device and system relating thereto
US11488714B2 (en) * 2016-03-23 2022-11-01 HealthPals, Inc. Machine learning for collaborative medical data metrics
US20170286622A1 (en) * 2016-03-29 2017-10-05 International Business Machines Corporation Patient Risk Assessment Based on Machine Learning of Health Risks of Patient Population
JP6558328B2 (ja) 2016-09-01 2019-08-14 オムロン株式会社 生体情報出力装置および生体情報出力装置を備える椅子
US20180113986A1 (en) * 2016-10-20 2018-04-26 Jiping Zhu Method and system for quantitative classification of health conditions via a mobile health monitor and application thereof
US20180137247A1 (en) * 2016-11-16 2018-05-17 healthio Inc. Preventive and predictive health platform
JP6945828B2 (ja) * 2016-12-20 2021-10-06 株式会社志成データム 健康管理システム、健康管理方法及び健康管理プログラム
WO2019070763A1 (en) * 2017-10-02 2019-04-11 New Sun Technologies, Inc. LEARNING TRAINING SYSTEM MEDIATION MACHINE BY A CAREGIVER
JP2019010437A (ja) * 2017-06-30 2019-01-24 ヤマハ株式会社 判定装置、及び判定方法
EP3660752A4 (en) * 2017-07-24 2021-04-14 Axion Research Inc. ASSISTANCE SYSTEM FOR ESTIMATING THE INTERNAL STATE OF A SYSTEM OF INTEREST
JP6716628B2 (ja) * 2018-05-01 2020-07-01 オリンパス株式会社 医療支援システム、情報端末装置、医療支援方法、情報端末装置作動方法、情報端末装置作動プログラム
JP6566409B1 (ja) * 2018-08-24 2019-08-28 株式会社鈴康 情報処理装置、プログラム及び情報処理方法
CN110090012A (zh) * 2019-03-15 2019-08-06 上海图灵医疗科技有限公司 一种基于机器学习的人体疾病检测方法及检测产品

Also Published As

Publication number Publication date
US20220375607A1 (en) 2022-11-24
EP4047609A1 (en) 2022-08-24
WO2021075289A1 (ja) 2021-04-22
EP4047609A4 (en) 2022-12-07

Similar Documents

Publication Publication Date Title
US20220020458A1 (en) Patient state representation architectures and uses thereof
Chong et al. Factors influencing the acceptance of healthcare information technologies: A meta-analysis
US11443836B2 (en) System and method for the recording of patient notes
KR20200024767A (ko) 스폿 체크 측정 시스템
US20130262155A1 (en) System and method for collection and distibution of medical information
KR102297367B1 (ko) 생체정보 수집 및 온라인 문진을 이용한 건강관리케어 서비스 제공 서버
CN105308601A (zh) 健康护理支持系统和方法
US20220233077A1 (en) Wearable health monitoring device
US20210225495A1 (en) Systems and methods for adapting a ui based platform on patient medical data
US20210407633A1 (en) System and method for tracking informal observations about a care recipient by caregivers
WO2012176104A1 (en) Discharge readiness index
US11756691B2 (en) Brain health comparison system
TW202205311A (zh) 用於處理近視的系統和其操作方法、以及非暫態電腦可讀取媒體
KR102494757B1 (ko) 환자 맞춤형 전자 문진 시스템, 문진용 단말 및 이를 이용한 문진 방법
US20240168776A1 (en) Dynamic interfaces based on machine learning and user state
CN114586107A (zh) 信息处理装置、信息处理方法以及程序
CN112927773B (zh) 生物体数据管理方法、系统以及计算机可读记录介质
Tanbeer et al. MiVitals–Mixed Reality Interface for Vitals Monitoring: A HoloLens based prototype for healthcare practices
KR20190118774A (ko) 건강 관리 지원 시스템
KR102054445B1 (ko) 뇌파신호를 센싱하는 정신치료장치 및 그 장치를 이용하여 뇌파신호를 표시및 저장하는 정신치료시스템 및 중간관리자를 통한 뇌파신호 관리시스템
Ferrara et al. Infrastructure for data management and user centered rehabilitation in Rehab@ Home project
WO2024171244A1 (ja) 作業管理装置、作業管理方法及び記憶媒体
Oprea PHD THESIS SUMMARY
EP3893091A1 (en) Controlling a data inspection by a user
CN116528746A (zh) 医疗图像处理系统、医疗图像处理方法和程序

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