CN115956205A - 自动分析装置、推荐动作通知系统及推荐动作通知方法 - Google Patents

Abstract

本发明提供了一种从异常预兆阶段开始向操作者推荐被认为适当的应对方法的系统。推荐动作通知系统包括含有第一自动分析装置的多个自动分析装置(51)、以及通过网络(53)连接的学习装置(52)，向操作者推荐对第一自动分析装置执行的动作，包括：处理部(63)，其接收来自第一自动分析装置的检体分析结果数据或维护结果数据，将包含检体分析结果数据或维护结果数据的关联装置数据输入到学习模型(72)，并且在由学习模型输出的推荐执行规定动作的概率值为规定阈值以上的情况下，向操作者推荐对第一自动分析装置执行规定动作；以及更新部(71)，其基于来自多个自动分析装置的学习用数据集更新学习模型。

Description

自动分析装置、推荐动作通知系统及推荐动作通知方法

技术领域

本发明涉及自动分析装置、向操作者通知对于自动分析装置的推荐动作的推荐动作通知系统、推荐动作通知方法。

背景技术

近年来，在自动分析装置中，通过警报向操作者通知装置检测到的异常，对于警报，具有提示预先设定的应对方法的功能的装置越来越多。但是，几乎都提示了多个应对方法，需要操作者收集装置数据确定原因的基础上，再从提示的多个应对方法中选择适当的应对方法。

在专利文献1中记载了，为了容易追究导致精度管理不良的原因，通过将与检体分析装置获取的测量数据有关的信息和与检体分析装置的动作有关的信息通过时间序列的图表等关联显示，生成操作者能够一目了然地掌握检体分析装置的状态的数据。

现有技术文献

专利文献

专利文献1：日本专利特开2019-174424号公报

发明内容

发明所要解决的技术问题

为了根据来自自动分析装置的通知异常的警报，决定应对方法，操作者需要为了确定原因需要怎样的装置数据这样的知识、以及用于根据收集到的装置数据推测原因，考虑运用状况，决定适合该装置的应对方法的足够的经验，对于经验不足的操作者有时很难选择合适的应对方法。

根据专利文献1记载的方法，通过将以往仅显示在画面或纸介质上的标准试料的精度管理等信息和与检体分析装置的动作相关的信息相关联地显示，如果是具有足够经验的操作者，则容易根据显示的内容直观地掌握精度管理不良的原因是否是由于装置侧引起的等。但是，对于经验不足的操作者来说，根据显示的信息自行推测原因并进行应对依然可能发生困难的情况。

例如，在自动分析装置中，监视检体的测量结果和维护结果，如果超过预先设定的阈值，则检测为异常，并通知给操作者。但是，测量结果超过阈值的原因可能有检体的异常、试剂的异常、或者装置的各机构的异常等各种各样的原因，因此仅确认检测到异常的数据，难以确定原因和决定应对方法。在以往的异常检测时向操作者通知的应对方法中，与所能考虑的原因相对应的应对方法全部被提示。

鉴于上述问题，本发明提供了一种从异常预兆阶段开始向操作者推荐被认为适当的应对方法的系统、方法。

解决技术问题的技术方案

本发明的一个实施方式的推荐动作通知系统包括含有第一自动分析装置的多个自动分析装置；以及通过网络连接到多个自动分析装置的学习装置，向操作者推荐对第一自动分析装置执行的动作，包括：

处理部，该处理部接收来自第一自动分析装置的检体分析结果数据或维护结果数据，将包含检体分析结果数据或维护结果数据的关联装置数据输入到学习模型，并且在由学习模型输出的推荐执行规定动作的概率值为规定阈值以上的情况下，向操作者推荐对第一自动分析装置执行规定动作；以及

更新部，该更新部基于来自多个自动分析装置的学习用数据集，更新学习模型。

发明效果

提供了一种从异常预兆阶段开始向操作者推荐被认为适当的应对方法的系统、方法。

其他问题和新特征根据本说明书的记载和附图变得明确。

附图说明

图1A是示出推荐动作通知系统的整体情况的图。

图1B是推荐动作通知系统的功能框图。

图2是自动分析装置的示意图。

图3是学习模型的更新流程图。

图4是动作评价输入画面的示例。

图5是关联装置数据的示例。

图6是基于神经网络的学习模型的示例。

图7是运用表的示例。

图8是使用学习模型输出推荐动作的流程图。

图9是推荐动作显示画面的示例。

图10是动作“光源灯更换”的学习模型示例。

图11是光度计检查数据即时间序列吸光度数据的示例。

图12是反应监视数据的示例。

图13是推荐动作显示画面的示例。

图14是动作“样本探针外壁清洗”的学习模型示例。

图15是疏于进行样本探针外壁清洗时的测量结果示例。

图16A是疏于进行样本探针外壁清洗时的反应监视数据示例(ALB反应过程)。

图16B是疏于进行样本探针外壁清洗时的反应监视数据示例(CRE反应过程)。

图17是推荐动作显示画面的示例。

具体实施方式

图1A是本实施例的推荐动作通知系统50的整体图。推荐动作通知系统50包括多个自动分析装置51a～z和通过网络53连接的学习装置52。自动分析装置51设置在临床检查室、临床检查中心等。连接到学习装置52的自动分析装置51的数量没有特别限制。学习装置52的硬件是包括HDD(硬盘驱动器)、SSD(固态驱动器)之类的存储装置的信息处理装置。在后述的图1B中，自动分析装置51或学习装置52执行的功能以功能框图的形式表示，通过将软件的程序代码读入主存储器，并由处理器执行读入的程序代码来实现该各个功能。在本实施例中，有时将信息处理装置通过程序实现的功能称为“部”。另外，在学习装置52处理的数据是大规模数据的情况下，数据本身不需要保存在学习装置52的存储装置中，而是可以例如保存在云上的对象存储中，并且保存用于访问对象数据的数据路径。学习装置52可以由一台服务器实现，也可以由分布式处理服务器实现，并且不限于硬件的物理结构。

图1B是示出推荐动作通知系统50的概要的功能框图。详细情况后述，在自动分析装置51中，数据集生成部61根据由装置的操作者从输入部11输入的动作的效果信息和存储在数据库62中的装置数据，生成包括动作的效果信息和与动作相关联的装置数据(“关联装置数据”)的学习用数据集。另外，如后所述，将以异常检测部60根据检体测量结果或维护结果检测到异常并通知操作者(例如在显示部10上显示)为触发而进行的动作作为生成学习用数据集的动作的对象。

由数据集生成部61生成的学习用数据集经由网络53被发送到学习装置52。学习装置52中，更新部71基于学习用数据集生成教师信号，并更新学习模型72。更新的学习模型72经由网络53被发布到自动分析装置51。另一方面，每当输出检体测量结果或维护结果时，自动分析装置51通过处理部63将存储在数据库62中的关联装置数据输入到学习模型72，并输出推荐动作。推荐动作通过在自动分析装置51的显示部10上显示来通知操作者。

图2中示出自动分析装置51的概要。自动分析装置51主要包括样本盘1、试剂盘2、反应盘3、反应槽4、采样机构5、移液机构6、搅拌机构7、测光机构8、清洗机构9、显示部10、输入部11、存储部12、控制部13。在样本盘1中，装有所采集的样本的多个试料容器16被固定并排列在圆形盘17的圆周上，圆形盘17通过由未图示出的电动机、旋转轴等构成的驱动机构以可定位的方式沿周向旋转。在试剂盘2中，装入有用于与样本混合并反应的试剂的多个试剂瓶18被固定并排列在圆形盘19的圆周上，其周围是进行了温度控制的保冷库20。此外，圆形盘19通过由未图示出的电动机、旋转轴等构成的驱动机构以可定位的方式沿周向旋转。在反应盘3上安装有多个反应容器保持器22，该反应容器保持器22保持用于放入样本和试剂的反应容器21，并通过驱动机构23以恒定循环重复周向旋转和停止，间歇地转运反应容器21。反应槽4是一个恒温槽，沿着反应容器21的移动轨迹设置，为了促进样本和试剂的化学反应，例如通过进行了温度控制的恒温水将反应容器21内的由样本和试剂混合而成的反应液控制在一定温度。反应容器21在反应槽4内移动。采样机构5构成为包括探针24、安装在支承轴25上的臂26、以及能够以支承轴25为旋转中心在样本盘1和反应盘3之间往返的驱动机构，按照预定的序列，将通过样本盘1的旋转而转运到固定位置的试料容器16内的样本提供给反应容器21。同样，移液机构6包括探针27、安装在支承轴28上的臂29、以及能够以支承轴28为旋转中心在试剂盘2和反应盘3之间往返的驱动机构，按照预定的序列，将通过试剂盘2的旋转而转运到固定位置的试剂瓶18内的试剂提供给反应容器21。另外，不同种类的样本和试剂分别放入各个试料容器16和试剂瓶18中，并向反应容器21提供所需量。搅拌机构7是用于搅拌并混合转移到该位置(搅拌位置)的反应容器21内的样本和试剂的搅拌机构。搅拌机构7是基于非接触搅拌方式的搅拌机构，包括：固定部31，该固定部31将压电元件(未图示出)固定到能够在搅拌位置从反应容器21的侧面照射声波的位置；压电元件驱动器14，该压电元件驱动器14驱动压电元件；以及搅拌机构控制器15。

控制部13向样本盘1、试剂盘2、反应盘3、反应槽4、采样机构5、移液机构6、搅拌机构7、测光机构8、清洗机构9发送控制信号，控制各自的动作，并且执行本实施例的推荐动作通知系统的功能，具体地说，执行图1B所示的异常检测部60、数据集生成部61、处理部63的功能。显示部10进行分析项目、分析结果等各种画面显示，输入部11进行分析项目等各种信息的输入。存储部12存储用于控制各机构的预先确定的序列(程序)、分析项目等各种信息。从图1B所示的数据库62或学习装置52发布的更新的学习模型72也存储在存储部12中。

图3是学习模型72的更新流程图。另外，由于学习模型72的输入输出根据学习的动作而不同，因此推荐动作通知系统50根据动作单独地生成学习模型。作为学习对象的动作是在系统中选择的，但是假设选择维护的执行、试剂更换、检体的稀释重新测量等装置异常时实施的操作者操作。

学习模型设为将推荐动作通知系统50预先收集的装置异常数据、与该装置异常数据对应的推荐动作和异常原因作为教师信号进行初始学习。

若自动分析装置51的异常检测部60从装置所实施的检体检查结果或维护结果检测到某些异常，则向操作者通知警报(S10)。操作者执行用于应对该异常的动作(S01)。自动分析装置的控制部13将操作者的动作记录作为装置的动作日志(S11)，在从动作日志判定操作者进行了学习对象的动作的情况下，自动分析装置的数据集生成部61在动作执行后在显示部10上显示输入操作者的动作的有效性评价的输入画面(S12)。由此，本流程图适用于异常检测部60检测装置中的某种异常的发生，操作者以此为触发执行动作的情况，针对定期的维护中的动作，不作为学习用数据集的收集对象。这是因为通过仅将有无动作的效果明确的情况作为学习用数据集进行收集，能使学习最优化。

图4中示出动作评价输入画面80的示例。在执行内容显示部81上显示由操作者执行的动作(在图中的[动作名]中显示操作者进行的具体的动作名)。操作者通过选择效果按钮82中的任一个来输入动作的有效性评价(S02)。此外，将通过操作者的动作判明的异常原因输入到异常原因选择部83(S02)。为了减少操作者的输入工夫以及抑制表现的偏差，通过选择方式进行输入。由操作者输入的动作评价和异常原因记录在自动分析装置51的存储部12中(S13)。

数据集生成部61针对每个动作生成学习用数据集，该学习用数据集包含操作者输入的评价、异常原因、关联装置数据(S14)。生成的学习用数据集被发送到学习装置52(S15)。

关联装置数据是为了学习模型的更新，以操作者的动作执行日期时间为基准，在预先设定的期间内收集的装置数据。图5中示出关联装置数据的示例。虽然称为装置数据，但并不限于装置的机构、硬件，而是广泛地包括与装置的操作有关的机构、硬件、试剂、检体的信息、分析结果数据等。根据操作者的动作的执行有效的异常(异常原因)，表示其预兆的装置数据不同，因此对每个动作设定关联装置数据。在图5中，将对每个动作设定的关联装置数据的种类按每个数据集组进行汇总并进行了例示。所谓数据集组是将动作根据其内容进行分组后得到的。“装置”、“试剂”、“检体”三个数据集组分别是装置、试剂、检体相关的动作的组，收集的关联装置数据的种类的共通性较高。

并且，学习用数据集优选为包含与动作相关的时间信息。作为时间信息包括动作的执行日期时间、异常检测部60检测到的动作的执行有效的异常(错误)的错误发生日期时间。

学习装置52的更新部71接收这样的学习用数据集(S21)，利用基于接收到的学习用数据集的教师信号更新学习模型72(S22)。更新的学习模型在规定的定时被发布到自动分析装置51。

可以将神经网络、回归树或贝叶斯识别器等任意的学习器用于学习模型72。图6中示出基于神经网络的学习模型的示例。学习模型90中，输入到输入层91的信息被传输到中间层92，进一步依次传输到输出层93，输出基于从输出层93输入到输入层91的信息的推理结果。输入层91、中间层92、输出层93分别具有用圆形标记的多个输入单元、中间单元、输出单元。另外，通常神经网络的中间层是多个层，在图中用中间层92来代表。输入到输入层91的各个输入单元的信息通过输入单元和中间单元之间的耦合系数加权，并输入到各个中间单元。通过将来自输入单元的值相加来计算中间层92的中间单元的值。此外，来自中间层92的各个中间单元的输出通过中间单元和输出单元之间的耦合系数加权，并输入到各个输出单元。通过将来自中间单元的值相加来计算输出层93的输出单元的值。由此，中间层92中的处理相当于对输入到输入层91的输入数据的值进行非线性转换，并将其作为输出层93的输出数据输出。

图6所示的学习模型90是关于动作“反应单元清洗”的学习模型，与输入输出数据例一起示出。将关联装置数据(或其加工数据，下文中不进行区分地标记为关联装置数据)输入到输入层91，并从输出层93输出与输入相对应的运算结果。作为输入到输入层91的关联装置数据，包括针对每个学习模型定义的分析结果和维护数据等时间序列测量结果94、对动作带来影响的试剂信息、检体信息等分析信息95。来自输出层93的输出数据是与动作“反应单元清洗”相关的推理结果，并且包括动作关联信息97、异常原因98。动作关联信息97中包括动作(这里是“反应单元清洗”)的可否推荐、到发生错误为止的平均剩余时间、到执行动作为止的平均剩余时间。到发生错误为止的平均剩余时间是指直到异常检测部60检测到与动作对应的异常(错误)为止所需的平均剩余时间，到执行动作为止的平均剩余时间是指直到由操作者执行动作为止所需的平均剩余时间。到发生错误为止的平均剩余时间是即使在不推荐动作的情况下，也知道在将来什么时期产生动作的必要性的标准。到执行动作为止的剩余时间是还将到各设施中的运用和操作者的经验值考虑在内，知道一般将来什么时期动作被执行的标准。

输出单元“反应单元清洗(动作)的推荐”和“异常原因(单元污染)”的输出值是概率值，根据输出的概率值是在预先规定阈值以上还是不足，判定是作为动作推荐，或者是否为异常原因。例如，意味着输出单元“反应单元清洗的推荐”越接近1就越推荐，越接近0就越不推荐。同样，输出单元“异常原因(单元污染)”越接近1就越可靠，越接近0就越可疑。另一方面，来自输出单元“到发生错误为止的平均剩余时间”，输出单元“到执行动作为止的平均剩余时间”的输出中，输出剩余时间的值本身。

在学习模型更新处理(S22)中，更新部71基于学习用数据集生成与学习模型90的输入输出数据对应的教师信号。教师信号的输入值是关联装置数据。另一方面，在该示例中，教师信号的输出值如下。如果动作的有效性评价为有效果，则“推荐清洗反应单元”的输出值为1，如果没有效果，则“推荐清洗反应单元”的输出值为0。另外，如果异常原因是“单元污染”，则“异常原因(单元污染)”的输出值为1，否则“异常原因(单元污染)”的输出值为0。另外，关于时间信息，也计算出从错误发生日期时间、动作执行日期时间的规定的基准时刻开始的经过时间，作为教师信号的输出值。规定的基准时刻例如可以是上次动作的执行日期时间。

更新部71将生成的教师信号的输入值(关联装置数据)输入到输入层91，并且调整单元之间的耦合系数的值，使得从输出层93输出的值成为教师信号的输出值。

为了提高学习模型72的精度，需要获得大量的学习用数据集，但是为了提高学习效果，希望使用来自运用近似的自动分析装置51的学习用数据集来构建学习模型。每个自动分析装置51在运用、检查内容上存在差异，与它们近似的自动分析装置一样，具有共同的异常发生趋势，可以说对异常的应对方法也更值得参考。例如，装置运行时间长的设施中的自动分析装置需要更快地更换灯，或者，与只分析血清的设施相比，也分析血浆的设施中的自动分析装置需要更勤地进行探针清洗等，根据装置运用的不同，异常的发生趋势有差异。

因此，通过将学习模型72设为进一步细分到运用状况相近的设施的每组的学习模型，能进一步提高学习模型的精度。图7是运用表100的示例。学习装置52收集关于每个设施的自动分析装置的运用状况的信息，并用运用表100进行管理。将典型的运用示例定义为组(这里示出组A)，基于组定义的运用状况和各设施的运用状况的近似性，判定是否作为组的对象。在运用状况信息栏101中登记对于组定义的运用状况信息和各个设施的运用状况信息。在近似性栏102中登记对于组定义的运用状况和各个设施的运用状况之间的相关值，在对象判定栏(组A)103中登记是否是基于相关值判定的组(组A)的对象。在这个示例中，设施A被判定为组A的对象设施，除此以外的设施被排除在对象之外。这样，通过收集运用形态的近似性高的自动分析装置的数据，使学习模型进行学习，从而能构筑可靠性更高的学习模型。另外，不是将运用情况的所有项目近似作为组的条件，可以是根据异常原因，将运用状况的一个或多个项目近似作为组的条件。

图8中示出了自动分析装置51使用学习模型72输出推荐动作的流程图。优选为，每当自动分析装置51输出检体分析结果、维护结果等(S31)时，使用学习模型实时执行诊断。由此，能尽早检测出装置异常，并通知操作者。处理部63选择用于执行诊断的学习模型(S32)。可以提取将自动分析装置51的输出结果设定为其关联装置数据的学习模型，有时会提取多个学习模型。对于提取出的学习模型，输入包含对应于该学习模型的输出结果的关联装置数据(S33)。获取从学习模型输出的推荐用户动作等推理结果(S34)，并进行画面显示(S35)。

图9示出在显示部10上显示的推荐动作的显示画面例。推荐动作显示画面110包括推荐动作显示部111、推荐实施时期显示部112、参考信息显示部113。如上所述，从学习模型输出的输出值即动作的推荐可否是根据从学习模型输出的概率值是在某个阈值以上还是小于该阈值来决定的，推荐动作不限于一个，有可能推荐多个动作。这样，在推荐多个动作的情况下，能根据概率值来判定推荐程度，因此将阈值和概率值的差分大的推荐动作作为优先度高的推荐动作进行画面显示。在该示例中，通过条114显示每个推荐动作的推荐程度，并且按优先度从高到低的顺序显示推荐动作的内容。这里，在先前的推荐动作显示画面110a上显示优先度更高的动作“反应单元清洗”，在后续的推荐动作显示画面110b上显示动作“反应单元更换”。

在推荐动作显示部111上，显示推荐的动作的名称及其推荐程度。条114的阴影部分越大，推荐程度越大。

推荐实施时期显示部112除了显示来自学习模型的输出值之外，还一并显示自动分析装置中的该动作的实施履历，如果有实施预定，则还显示它们的日期时间。日历中的阴影日期表示今天，用黑圆圈表示推荐动作“反应单元清洗”。并且，作为参考信息，根据学习模型输出的平均剩余时间推定一般的自动分析装置的错误发生日期时间、动作实施日期时间，作为参考信息进行显示。能基于一般的、平均的情况下的定时来判断实际上操作者是否实际执行被推荐的动作。

在参考信息显示部113上，能够显示对于判断是否需要预先确定的推荐动作而言重要性高的装置数据，例如在反应单元清洗的情况下显示反应单元空白测量数据的实施履历。由此，即使操作者不再次收集装置数据，也能确认推荐动作对照操作者的经验是否妥当。

使用图10～图12，说明动作“光源灯更换”的学习例。光源灯的更换一般是定期间隔或使用一定时间以上的情况下的两者中较早者，或者光度计检查值超过阈值时进行更换。即使设定了光度计检查值的更换阈值，也并非一定在超过阈值后灯就会关闭，因此推荐定期或使用一定时间以上的情况下的更换。但是，虽说推荐定期更换，但适当的期间也会根据各设施中的装置的启动时间而改变。例如1天使用5小时的设施和1天使用10小时的设施中，1天使用10小时的设施需要更频繁地更换。因此，在以下的说明中，用于学习的学习用数据集是从装置运用时间相近的设施的自动分析装置收集数据。

图10的学习模型示例是收集包括作为关联装置数据的与光源灯相关的时间序列测量数据、作为与动作相关的时间信息的由于光源灯的原因导致测量数据发生异常的定时、以及操作者的光源灯更换定时的学习用数据集，并推荐有效的光源灯更换定时。向学习模型120的输入层121输入作为关联装置数据的光源灯的时间序列光度计检查数据、时间序列的每个主波长、每个副波长的反应监视数据，从输出层122输出可否推荐更换光源灯、作为参考信息的直到装置运用近似的设施的自动分析装置的反应监视数据开始出现异常为止的平均剩余时间、以及直到执行光源灯更换为止的平均剩余时间。

图11中示出学习或推理中使用的光度计检查数据示例、即时间序列吸光度数据。光源灯随着更换成新品后的时间经过，有光量减少，吸光度逐渐增加的趋势。图12示出用于学习或推理的反应监视数据示例。若光源灯的寿命临近时，光量不稳定，反应过程上产生吸光度跳跃的尖峰噪声131，发生线性异常。尖峰噪声131随着时间的推移具有增加的趋势。学习模型120通过从时间序列数据掌握这样的特征量来推理可否推荐光源灯更换。

学习模型120的学习以及使用学习模型120的推理与动作“反应单元清洗”的情况相同，因此省略重复的说明。在图13中示出推荐动作显示画面140。推荐动作显示画面140包括推荐动作显示部141、推荐实施时期显示部142、参考信息显示部143。由于各显示部与图9所示的显示部相同，因此省略重复的说明。操作者能根据基于关联装置数据的时间序列数据的可否推荐光源灯、以及进行同样的运用的自动分析装置中的平均错误发生定时和操作者的更换定时，在有效的定时进行光源灯的更换。

使用图14～图17，说明动作“样本探针外壁清洗”的学习例。样本探针的外壁在测量完成后需每天清洗。如果疏于清洗，可能会降低样本分注精度。如果样本分注精度降低，则会对检体测量数据产生影响，仅从测量数据来看，不知道是原来值为异常值的检体，还是原因为样本分注精度降低。在此，在测量数据有异常，执行样本探针的外壁清洗的情况下，请用户输入是否有效果。也就是说，如果有效果的话，则能推定原因为样本分注精度降低。基于这样收集到的学习用数据集，根据测量数据生成推荐样本探针的外壁清洗的学习模型。这种情况下，样本探针的污染程度根据使用的检体种类(血清、血浆、全血)和运用时间(1天24小时运用等)而变化。因此，在以下的说明中，学习中使用的学习用数据集是从对样本探针污染程度造成影响的运用状况相近的设施的自动分析装置收集数据。

图14的学习模型示例中，收集包括作为关联装置数据的主波长、副波长的时间序列反应监视数据、作为与动作相关的时间信息的由于样本探针外壁的污染而导致反应监视数据发生异常的定时、操作者的样本探针的外壁清洗定时的学习用数据集，并推荐有效的样本探针的外壁清洗定时。学习模型150的输入层151被输入作为关联装置数据的时间序列的每个主波长、每个副波长的反应监视数据，从输出层152输出可否推荐样本探针外壁清洗、作为参考信息的装置运用近似的设施的自动分析装置中的反应监视数据中开始出现异常为止的平均剩余时间、以及执行样本探针外壁清洗为止的平均剩余时间。

图15中示出疏于进行样本探针外壁清洗时的测量结果，图16A、16B中示出疏于进行样本探针外壁清洗时的反应监视数据。图16A是ALB反应过程的监视数据，图16B是CRE反应过程的监视数据。由于样本分注精度降低，在多个项目中，相同检体的初次数据和重新测量数据会得到不同的测量结果。学习模型150通过从反应过程的时间序列数据掌握上述的特征量，推理可否推荐样本探针外壁清洗。

学习模型150的学习以及使用了学习模型150的推理与动作“反应单元清洗”的情况相同，因此省略重复的说明。在图17中示出推荐动作显示画面160。推荐动作显示画面160包括推荐动作显示部161、推荐实施时期显示部162。由于各显示部与图9所示的显示部相同，因此省略重复的说明。操作者能根据基于关联装置数据的时间序列数据的可否推荐样本探针外壁清洗、以及进行同样的运用的自动分析装置的平均错误发生定时和操作者的更换定时，在有效的定时进行样本探针外壁清洗。可以将参考信息显示部设置在推荐动作显示画面160上，显示如图16A所示的时间序列数据。

以上，基于实施例、变形例对本发明进行了说明，但并不限定于上述的实施例、变形例，能够在不变更发明的主旨的范围内进行各种变形。例如，已经说明了由多个自动分析装置和学习装置构成推荐动作通知系统的示例，但是也可以由单个自动分析装置构成。但是，通过在学习中使用来自多个自动分析装置的学习用数据集，能尽早收集多个自动分析装置的信息，促进学习效果。并且，通过收集来自自己以外的自动分析装置的学习数据，能得到上述那样的平均的自动分析装置中的推理结果，能用于判断是否实际执行推荐的动作。另外，尽管已经示出了在自动分析装置中进行使用学习模型的推理的示例，但是可以通过在学习装置或其他信息处理装置中设置处理部63来实施。

另外，推荐动作通知系统可以包括例如通过智能手机等移动终端通知操作者的结构。由此，在发生推荐动作的情况下，能在不限制操作者的位置的情况下接收该通知。此外，对于操作者的动作的有效输入，除了画面输入之外，还可以采用语音输入等减轻操作者的输入负荷的其他输入方法。

标号说明

1：样本盘，2：试剂盘，3：反应盘，4：反应槽，5：采样机构，6：移液机构，7：搅拌机构，8：测光机构，9：清洗机构，10：显示部，11：输入部，12：存储部，13：控制部，14：压电元件驱动器，15：搅拌机构控制器，16：试料容器，17、19：圆形盘、18：试剂瓶，20：保冷库，21：反应容器，22：反应容器保持器，23：驱动机构，24、27：探针，25、28：支承轴，26、29：臂，31：固定部，51：自动分析装置，52：学习装置，53：网络，60：异常检测部，61：数据集生成部，62：数据库，63：处理部，71：更新部，72：学习模型，80：动作评价输入画面，81：执行内容显示部，82：效果按钮，83：异常原因选择部，90、120、150：学习模型，91、121、151：输入层，92：中间层，93、122、152：输出层，94：时间序列测量结果，95：分析信息，97：动作关联信息，98：异常原因，100：运用表，101：运用状况信息栏，102：近似性栏，103：对象判定栏，110、140、160：推荐动作显示画面，111、141、161：推荐动作显示部，112、142、162：推荐实施时期显示部，113、143：参考信息显示部，114、144、163：条，131：尖峰噪声。

Claims (14)

1.一种推荐动作通知系统，包括含有第一自动分析装置的多个自动分析装置；以及通过网络连接到多个所述自动分析装置的学习装置，向操作者推荐对所述第一自动分析装置执行的动作，其特征在于，包括：

处理部，该处理部接收来自所述第一自动分析装置的检体分析结果数据或维护结果数据，将包含所述检体分析结果数据或所述维护结果数据的关联装置数据输入到学习模型，并且在由所述学习模型输出的推荐执行规定动作的概率值为规定阈值以上的情况下，向操作者推荐对所述第一自动分析装置执行所述规定动作；以及

更新部，该更新部基于来自多个所述自动分析装置的学习用数据集，更新所述学习模型。

2.如权利要求1所述的推荐动作通知系统，其特征在于，

所述第一自动分析装置包括所述处理部，所述学习装置包括所述更新部，

由所述更新部更新的所述学习模型被发布到所述第一自动分析装置。

3.如权利要求1所述的推荐动作通知系统，其特征在于，

所述学习模型包括：输入层，该输入层输入有根据所述规定动作设定的关联装置数据；以及输出层，该输出层接收对于所述输入层的所述关联装置数据的输入并输出与所述规定动作有关的推理结果，

作为所述推理结果，包括推荐执行所述规定动作的概率值和所述规定动作的执行有效的规定异常发生的概率值。

4.如权利要求3所述的推荐动作通知系统，其特征在于，

在接收到来自所述自动分析装置的异常发生检测，操作者执行所述规定动作时，

所述自动分析装置的数据集生成部在所述自动分析装置的显示部上显示动作评价输入画面，在以所述规定动作的执行日期时间为基准而预先设定的期间内收集根据所述规定动作设定的关联装置数据，生成包含所收集的所述关联装置数据、以及从所述动作评价输入画面输入的所述规定动作的有效性评价和异常原因的学习用数据集。

5.如权利要求4所述的推荐动作通知系统，其特征在于，

作为所述推理结果，包括直到在多个所述自动分析装置中发生所述规定异常为止的平均剩余时间、以及直到在多个所述自动分析装置中执行所述规定动作为止的平均剩余时间，

所述自动分析装置的数据集生成部使所述学习用数据集还包含在所述自动分析装置中从规定基准时刻到发生所述规定异常为止的经过时间以及在所述自动分析装置中从规定基准时刻到执行所述规定动作为止的经过时间。

6.如权利要求3所述的推荐动作通知系统，其特征在于，

所述处理部提取所述检体分析结果数据或所述维护结果数据被设定为输入到该输入层的关联装置数据的多个所述学习模型，

所述处理部将包括所述检体分析结果数据或所述维护结果数据的关联装置数据输入到所提取的多个所述学习模型中，在由该学习模型输出的推荐执行规定动作的概率值为规定阈值以上的学习模型有多个的情况下，向操作者推荐与所述概率值为规定阈值以上的多个学习模型相对应的多个规定动作。

7.如权利要求5所述的推荐动作通知系统，其特征在于，

所述处理部在所述第一自动分析装置的显示部上显示推荐动作显示画面，

所述推荐动作显示画面上显示：基于所述学习模型的关于推荐执行所述规定动作的概率值、直到在多个所述自动分析装置中发生所述规定异常为止的平均剩余时间、以及直到在多个所述自动分析装置中执行所述规定动作为止的平均剩余时间的推理结果，向操作者推荐执行的所述规定动作的名称、在多个所述自动分析装置中推定为发生所述规定异常的日期时间、以及在多个所述自动分析装置中推定执行所述规定动作的日期时间。

8.如权利要求1所述的推荐动作通知系统，其特征在于，

所述更新部在多个所述自动分析装置中，基于包含运用及检查内容的运用状况的近似性对多个所述自动分析装置进行分组，基于来自被分组为运用状况近似的自动分析装置的所述学习用数据集，进行所述学习模型的更新。

9.一种自动分析装置，进行检体分析或维护，其特征在于，包括：

存储部，该存储部存储有学习模型，该学习模型具有输入有根据操作者对自动分析装置执行的规定动作设定的关联装置数据的输入层、以及接收对于所述输入层的所述关联装置数据的输入并输出与所述规定动作有关的推理结果的输出层；

处理部，该处理部从所述存储部调用所述学习模型，将包含所述检体分析的结果数据或所述维护的结果数据的关联装置数据输入到所述学习模型，在所述学习模型输出的推荐执行所述规定动作的概率值为规定阈值以上的情况下，向操作者推荐执行所述规定动作；以及

显示部，该显示部显示由所述处理部推荐的所述规定动作的名称。

10.如权利要求9所述的自动分析装置，其特征在于，包括：

异常检测部，该异常检测部检测异常；以及

数据集生成部，该数据集生成部在接收到来自所述异常检测部的异常发生检测，操作者执行所述规定动作时，在所述显示部上显示动作评价输入画面，在以所述规定动作的执行日期时间为基准而预先设定的期间内收集根据所述规定动作而设定的关联装置数据，并生成包含收集到的所述关联装置数据、从所述动作评价输入画面输入的所述规定动作的有效性评价和异常原因的学习用数据集。

11.如权利要求10所述的自动分析装置，其特征在于，

所述学习用数据集被发送到学习装置，并用于更新所述学习模型。

12.一种推荐动作通知方法，通过推荐动作通知系统向操作者推荐对第一自动分析装置执行的动作，该推荐动作通知系统包括含有所述第一自动分析装置的多个自动分析装置、以及通过网络连接到多个所述自动分析装置的学习装置，其特征在于，

多个所述自动分析装置将学习用数据集发送到所述学习装置，

所述学习装置基于来自多个所述自动分析装置的所述学习用数据集更新学习模型，

所述学习装置将更新后的所述学习模型发布到所述第一自动分析装置，

所述第一自动分析装置进行检体分析或维护，

所述第一自动分析装置将包含所述检体分析的结果数据或所述维护的结果数据的关联装置数据输入到所述学习模型，在接收所述关联装置数据的输入而由所述学习模型输出的推荐执行规定动作的概率值在规定阈值以上的情况下，向操作者推荐执行所述规定动作。

13.如权利要求12所述的推荐动作通知方法，其特征在于，

当多个所述自动分析装置中的任何一个自动分析装置检测到发生异常时，

检测到发生所述异常的自动分析装置向操作者通知检测到所述异常，

检测到发生所述异常的自动分析装置在操作者接收到检测到所述异常的通知并执行所述规定动作时，在该自动分析装置的显示部上显示动作评价输入画面，

检测到发生所述异常的自动分析装置在以所述规定动作的执行日期时间为基准而预先设定的期间内收集根据所述规定动作而设定的关联装置数据，生成学习用数据集，该学习用数据集包含收集到的所述关联装置数据、从所述动作评价输入画面输入的所述规定动作的有效性评价和异常原因。

14.如权利要求12所述的推荐动作通知方法，其特征在于，

所述学习装置在多个所述自动分析装置中，基于包含运用及检查内容的运用状况的近似性，对多个所述自动分析装置进行分组，基于来自被分组为运用状况近似的自动分析装置的学习用数据集，进行所述学习模型的更新。

Images