CN117616282A - 提供与甲状腺疾病的诊断相关的参考信息的信息处理装置 - Google Patents

提供与甲状腺疾病的诊断相关的参考信息的信息处理装置 Download PDF

Info

Publication number
CN117616282A
CN117616282A CN202280029915.8A CN202280029915A CN117616282A CN 117616282 A CN117616282 A CN 117616282A CN 202280029915 A CN202280029915 A CN 202280029915A CN 117616282 A CN117616282 A CN 117616282A
Authority
CN
China
Prior art keywords
information
subject
learned model
disease
information processing
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
CN202280029915.8A
Other languages
English (en)
Inventor
吉村弘
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.)
F Hoffmann La Roche AG
Original Assignee
F Hoffmann La Roche AG
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 F Hoffmann La Roche AG filed Critical F Hoffmann La Roche AG
Publication of CN117616282A publication Critical patent/CN117616282A/zh
Pending legal-status Critical Current

Links

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
    • G16H50/30—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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/564—Immunoassay; Biospecific binding assay; Materials therefor for pre-existing immune complex or autoimmune disease, i.e. systemic lupus erythematosus, rheumatoid arthritis, multiple sclerosis, rheumatoid factors or complement components C1-C9
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
    • G01N33/6827—Total protein determination, e.g. albumin in urine
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/70—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving creatine or creatinine
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/74—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving hormones or other non-cytokine intercellular protein regulatory factors such as growth factors, including receptors to hormones and growth factors
    • G01N33/76—Human chorionic gonadotropin including luteinising hormone, follicle stimulating hormone, thyroid stimulating hormone or their receptors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/74—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving hormones or other non-cytokine intercellular protein regulatory factors such as growth factors, including receptors to hormones and growth factors
    • G01N33/78—Thyroid gland hormones, e.g. T3, T4, TBH, TBG or their receptors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/92—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving lipids, e.g. cholesterol, lipoproteins, or their receptors
    • 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
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/34—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving hydrolase
    • C12Q1/44—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving hydrolase involving esterase
    • C12Q1/46—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving hydrolase involving esterase involving cholinesterase
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/48—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving transferase
    • C12Q1/50—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving transferase involving creatine phosphokinase
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/575—Hormones
    • G01N2333/59—Follicle-stimulating hormone [FSH]; Chorionic gonadotropins, e.g. HCG; Luteinising hormone [LH]; Thyroid-stimulating hormone [TSH]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/90—Enzymes; Proenzymes
    • G01N2333/914—Hydrolases (3)
    • G01N2333/916—Hydrolases (3) acting on ester bonds (3.1), e.g. phosphatases (3.1.3), phospholipases C or phospholipases D (3.1.4)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/04—Endocrine or metabolic disorders
    • G01N2800/046—Thyroid disorders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/72—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood pigments, e.g. haemoglobin, bilirubin or other porphyrins; involving occult blood
    • G01N33/728—Bilirubin; including biliverdin

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Cell Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Microbiology (AREA)
  • General Physics & Mathematics (AREA)
  • Biotechnology (AREA)
  • Food Science & Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Endocrinology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Rehabilitation Therapy (AREA)
  • Rheumatology (AREA)
  • Reproductive Health (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

一种信息处理装置，其具有第一判别部，该第一判别部向第一已学习模型输入来自与对象者的血液检查相关的信息的、与总蛋白(TP)、胆碱酯酶(ChE)、总胆固醇(TC)、肌酸酐(CREA)、以及肌酸磷酸激酶(CPK)相关的信息，并输出与所述对象者的促甲状腺激素(TSH)是否在需要治疗的范围内相关的信息。

Description

提供与甲状腺疾病的诊断相关的参考信息的信息处理装置
技术领域
本发明涉及提供与甲状腺疾病的诊断相关的参考信息的信息处理装置、程序以及信息处理方法。
背景技术
近年来，确立了基于基因、医疗图像数据、或者血液检查等预测是否罹患有特定的疾病、是否有罹患的风险等的模型，并尝试将其作为医生的诊断的辅助信息有效运用。
例如，在专利文献1中公开有一种基于包含游离型前列腺特异抗原(fPSA)值以及总PSA(tPSA)值的血液标记的信息来评价前列腺癌的风险的装置。
现有技术文献
专利文献
专利文献1：日本特开2020-073885号公报
发明内容
发明要解决的问题
但是，作为日本的甲状腺中毒症的主要原因，可举出巴塞多氏病(GD)或无痛性甲状腺炎(PT)等。巴塞多氏病(GD)的诊断通过血清游离甲状腺素(T4)、游离三碘甲状腺原氨酸(T3)、血清促甲状腺激素(TSH)的抑制、促甲状腺抗体的存在和/或放射性碘的摄入的增加等检查结果来确定。另外，无痛性甲状腺炎(PT)有时通过放射性碘摄入比巴塞多氏病少这一点来鉴别。
这样的甲状腺中毒症的症状因人而异，由于甲状腺功能检查不在通常的健康诊断中进行，因此有时诊断延迟。例如，如果巴塞多氏病的治疗延迟，则心房颤动、充血性心脏衰竭、骨折的风险变高，另外，从避免重度的心脏并发症或肌肉骨骼系统并发症的观点来看，巴塞多氏病的早期治疗也是有益的。
本发明是鉴于上述问题而作出的，其目的在于提供一种信息处理装置、程序以及信息处理方法，其能够基于在通常的健康诊断中进行的血液学检查的结果或年龄、体重等生化参数来提供与甲状腺疾病的诊断相关的参考信息。
用于解决问题的方案
本发明的第一实施方式的信息处理装置具有第一判别部，第一判别部向第一已学习模型输入来自与对象者的血液检查相关的信息的、与总蛋白(TP)、胆碱酯酶(ChE)、总胆固醇(TC)、肌酸酐(CREA)、以及肌酸磷酸激酶(CPK)相关的信息，并输出与所述对象者的促甲状腺激素(TSH)是否在需要治疗的范围内相关的信息。
根据该结构，能够基于在通常的健康诊断中进行的血液学检查的结果，获得关于对象者的促甲状腺激素(TSH)的值是否在需要治疗的范围内的一次信息。另外，该一次信息能够用作关于对象者是否罹患甲状腺功能减退症或者其进展程度的参考信息。此外，在此，“促甲状腺激素(TSH)需要治疗的范围”例如是指促甲状腺激素(TSH)为10μIU/ml以上，但是需要治疗的范围不限定于此。
本发明的第二实施方式的信息处理装置具有第二判别部，第二判别部向第二已学习模型输入对象者的年龄、和来自与该对象者的血液检查相关的信息的、与总蛋白(TP)、肌酸酐(CREA)、中性粒细胞(Neu)、以及总胆红素(T-Bill)相关的信息，并输出与所述对象者的促甲状腺激素(TSH)是否在正常值的范围内相关的信息。
根据该结构，能够基于在通常的健康诊断中进行的血液学检查的结果和对象者的年龄，获得关于对象者的促甲状腺激素(TSH)是否在正常值的范围内的一次信息。此外，在此，“促甲状腺激素(TSH)在正常值的范围内”例如是指促甲状腺激素(TSH)为4.5μIU/ml以下，但是正常值的范围不限定于此。例如，促甲状腺激素(TSH)的正常值也能够设定为5.0μIU/ml以下。
本发明的第三实施方式的信息处理装置具有第三判别部，第三判别部向第三已学习模型输入对象者的年龄、和来自与该对象者的血液检查相关的信息的、与肌酸酐(CREA)、总胆固醇(TC)、碱性磷酸酶(ALP)、以及总蛋白(TP)相关的信息，并输出与所述对象者是否罹患巴塞多氏病相关的信息。
根据该结构，能够基于在通常的健康诊断中进行的血液学检查的结果和对象者的年龄，获取关于对象者是否罹患巴塞多氏病的一次信息。另外，该一次信息能够用作关于是否进行用于确定巴塞多氏病的进一步的检查的参考信息、或关于对象者的巴塞多氏病的进展状况的参考信息。
本发明的第四实施方式的信息处理装置具有第四判别部，第四判别部向第四已学习模型输入来自与对象者的血液检查相关的信息的、与甲状腺激素FT3、甲状腺激素FT4、FT3/FT4、碱性磷酸酶(ALP)、以及肌酸酐(CREA)相关的信息，并输出与所述对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息。
根据该结构，能够基于在甲状腺激素的检查结果中加入了在通常的健康诊断中进行的血液学检查的信息，获得关于对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别的一次信息。另外，该一次信息能够用作关于是否进行用于确定巴塞多氏病或无痛性甲状腺炎的进一步的检查的参考信息。
本发明的第五实施方式的信息处理装置具有第五判别部，第五判别部向第五已学习模型输入来自与对象者的血液检查相关的信息的、与碱性磷酸酶(ALP)、肌酸酐(CREA)、总蛋白(TP)、γ谷氨酰转肽酶(γGTP)、白细胞(WBC)相关的信息，并输出与所述对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息。
根据该结构，能够不依赖甲状腺激素的检查结果而基于在通常的健康诊断中进行的血液学检查的结果，获得关于对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别的一次信息。另外，该一次信息能够用作关于是否进行用于确定巴塞多氏病或无痛性甲状腺炎的进一步的检查的参考信息。
本发明的第六实施方式的信息处理装置具有第六判别部，第六判别部向第六已学习模型输入对象者的年龄、和来自与该对象者的血液检查相关的信息的、与总胆固醇(TC)、胆碱酯酶(ChE)、肌酸酐(CREA)、以及肌酸磷酸激酶(CPK)相关的信息，并输出与所述对象者是否罹患无痛性甲状腺炎相关的信息。
根据该结构，能够基于在通常的健康诊断中进行的血液学检查的结果，获得关于对象者是否罹患无痛性甲状腺炎的一次信息。另外，该一次信息能够用作关于是否进行用于确定无痛性甲状腺炎的进一步的检查的参考信息、或关于对象者的无痛性甲状腺炎的进展状况的参考信息。
本发明的第七实施方式的信息处理装置具有第七判别部，第七判别部向第七已学习模型输入来自与对象者的血液检查相关的信息的、与肌酸酐(CREA)、总胆固醇(TC)、胆碱酯酶(ChE)、肌酸磷酸激酶(CPK)、以及嗜碱细胞(Ba)相关的信息，并输出与所述对象者是否罹患甲状腺中毒症相关的信息。
根据该结构，能够基于在通常的健康诊断中进行的血液学检查的结果，获得关于对象者是否罹患甲状腺中毒症的一次信息。另外，该一次信息能够用作关于是否进行用于确定甲状腺中毒症的详情的进一步的检查的参考信息、或关于对象者的甲状腺中毒症的进展状况的参考信息。
另外，本发明还提供用于使信息处理装置执行各信息向上述第一实施方式至第七实施方式的已学习模型的输入和输出的程序、以及信息处理装置执行各信息向已学习模型的输入和输出的信息处理方法。
发明效果
根据本发明，能够提供如下的信息处理装置、程序以及信息处理方法：其能够基于在通常的健康诊断中进行的血液学检查的结果或年龄等生化参数来提供与甲状腺疾病的诊断相关的参考信息。
附图说明
图1表示框图，该框图表示本实施方式的诊断系统中所包含的信息处理装置100。
图2是例示学习部进行的机器学习处理的流程图的一个示例。
图3是例示判别部进行的处理的流程图的一个示例。
图4是由服务器和使用者终端构成的诊断系统的处理序列的一个示例。
具体实施方式
以下，对本发明的实施方式(以下，称为“本实施方式”。)进行详细说明，但是本发明不限定于此，在不脱离其主旨的范围内能够进行各种变形。
首先，对本实施方式的用语的定义进行记载。
“甲状腺功能减退症”是指在各组织中甲状腺激素作用比必要降低的状态。甲状腺功能减退症引起的症状中一般有乏力、疲劳感、浮肿、怕冷、体重增加、动作缓慢、记忆力降低、便秘等，在轻度的甲状腺功能减退症中大多缺乏症状或表现。如果甲状腺功能减退症增强，则引起嗜睡、意识障碍，也有时称为粘液水肿性昏迷。
“甲状腺中毒症”是指在各组织中甲状腺激素的作用过剩的状态。在甲状腺中毒症中，代谢活跃，怕热或出汗多。另外，由于能量被无用地消耗，因此食量虽增加，但是有时也会变瘦。除此之外，还作用于神经，出现手抖或烦躁、腹泻等在身体的各种地方的症状。在该甲状腺中毒症中包含以下的巴塞多氏病和无痛性甲状腺炎。
“巴塞多氏病”是指过剩地产生甲状腺激素的疾病。具体而言，是指由于甲状腺被TSH受体抗体刺激而过剩地产生甲状腺激素的疾病。
“无痛性甲状腺炎”是指由于某种原因而贮存于甲状腺的甲状腺激素漏到血中，因此甲状腺激素暂时增加的状态。具体而言，甲状腺激素由于甲状腺滤胞破裂而漏到血中。
在本实施方式中，各疾病一般能够解释为意指在按照与该疾病相关的医学会发表的指南诊断的疾病、医疗用医药品的说明书中在功能/效果栏中记载的疾病、或者被理解为在医药/医疗行业中通用的用语的疾病中的至少任一种。
“与是否是～相关的信息”或者“与鉴别相关的信息”例如可以是健康或正常这样的信息，也可以是以百分率或标准化的水平表示是健康或正常的概率的信息。另外，这些信息可以是罹患规定的疾病这样的信息，也可以是以百分率或标准化的水平表示罹患规定的疾病的可能性的信息。而且，这些信息也可以包含是正常或健康这样的信息和罹患疾病这样的信息这两者。另外，取而代之或除此以外，也可以包含与某疾病相关的生化参数比设为正常或健康的基准值高(例如，接近罹患)或者比其低(例如，正常或接近健康)等定性或定量的信息。而且，这些信息也可以包含推荐精密检查等进一步的检查的意思。
1.第一实施方式
1.1.硬件结构
在第一实施方式中，构建诊断系统1，其通过作为甲状腺疾病判定装置的信息处理装置100，基于与总蛋白(TP)，胆碱酯酶(ChE)、总胆固醇(TC)、肌酸酐(CREA)、以及肌酸磷酸激酶(CPK)相关的信息，判定对象者的促甲状腺激素(TSH)是否在需要治疗的范围内。
图1中表示框图，框图表示本实施方式的诊断系统中所包含的信息处理装置100。信息处理装置100典型而言包含一个或多个处理器110、控制有线或无线的通信的通信接口120、输入输出接口130、存储器140、储存器150以及用于将这些构成要素相互连接的一个或多个通信总线160，通过它们的协作，实现本公开所记载的处理、功能、或方法。
处理器110执行通过存储于存储器140的程序中所包含的代码或命令实现的处理、功能、或方法。并非限定地作为示例，处理器110包含一或多个中央处理装置(CPU)、GPU(Graphics Processing Unit，图形处理单元)。
通信接口120经由网络与其它信息处理装置进行各种数据的发送和接收。该通信可以由有线、无线中的任一方式执行，只要能够执行彼此的通信，则也可以使用任何通信协议。例如，通信接口120作为网络适配器等硬件、各种通信用软件、或它们的组合而被安装。
输入输出接口130包含输入对信息处理装置100的各种操作的输入装置、以及输出由信息处理装置100处理的处理结果的输出装置。例如，输入输出接口130包含键盘、鼠标以及触摸面板等信息输入装置、血液检查装置、以及显示器等图像输出装置。此外，信息处理装置100也可以通过连接外置的输入输出接口130来受理规定的输入。例如，信息处理装置100也可以外置有血液检查装置等。
存储器140暂时存储从储存器150加载的程序，对处理器110提供作业区域。在存储器140中也暂时存储在处理器110执行程序的期间生成的各种数据。并非限定地作为示例，存储器140可以是DRAM、SRAM、DDR RAM或其它随机存取固态存储装置等快速随机存取存储器等，也可以将它们组合。
储存器150存储程序、各种功能部以及各种数据。并非限定地作为示例，储存器150可以是磁盘存储装置、光盘存储装置、闪存器件、或其它非易失性固体存储装置等非易失性存储器等，也可以将它们组合。作为储存器150的其它示例，能够举出从CPU110远程设置的一个或多个存储装置。
在本发明的一个实施方式中，储存器150存储程序、功能部以及数据结构、或它们的子集。在图1所示的示例中，信息处理装置100构成为通过处理器110执行存储于储存器150的程序中所包含的命令从而作为判别部155、显示部156、以及学习部157发挥作用。
操作系统151例如包含用于处理各种基本系统服务并且使用硬件执行任务的过程。
网络通信部152例如用于经由通信接口120、以及互联网、其它广域网、局域网、城域网等一个或多个通信网络将信息处理装置100与其它计算机连接。
对象者数据153包含例如对象者的性别、年龄、血液检查的结果等个人信息。对象者数据153可以是储存器150存储的电子病历，也可以是远程的服务器存储的电子病历。
学习用数据154是用于生成已学习模型的数据集，该数据集也可以分割为教师数据和测试数据使用。学习用数据154例如包含与甲状腺疾病或促甲状腺激素相关的信息和与血液检查相关的信息。学习用数据154除了存储于储存器150之外，也可以存储于远程的服务器。
判别部155执行从通信接口120或输入输出接口130获取与对象者的血液学检查相关的信息的处理。例如，关于判别部155获取的各信息，可能的是医生、护士、其它医疗关系者、或者医疗机构经由通信接口120向信息处理装置100进行输入。另外，关于判别部155获取的各信息，判别部155也可以经由输入输出接口130从其它终端或服务器进行接收。判别部155能够将所获取的各信息存储于对象者数据153。
以下，将在第一实施方式中使用的判别部称为第一判别部155，将在后述的第二实施方式～第六实施方式中使用的判别部分别称为第二判别部155～第六判别部155。而且，在不需要区别它们的情况下，简称为判别部155。另外，同样，将在第一实施方式～第六实施方式中使用的已学习模型分别称为第一已学习模型～第二已学习模型，在不需要区别它们的情况下，简称为已学习模型。
在第一判别部155获取的与血液学检查相关的信息中例如包含对象者的总蛋白(TP)、胆碱酯酶(ChE)、总胆固醇(TC)、肌酸酐(CREA)、以及肌酸磷酸激酶(CPK)，也可以包含其它的信息。
第一判别部155执行向第一已学习模型输入如上所述获取的与对象者的血液学检查相关的信息并输出与对象者的促甲状腺激素(TSH)是否在需要治疗的范围内相关的信息的处理。第一已学习模型没有特别限制，但是例如也可以是通过基于上述学习用数据154的机器学习处理而生成的已学习模型。
显示部157执行如下处理：该处理执行在显示装置上对第一判别部155输出的上述信息进行显示控制的处理。例如，显示部157能够将与对象者的促甲状腺激素(TSH)是否在需要治疗的范围内相关的信息设为对象者的促甲状腺激素(TSH)为10μIU/ml以上的概率、或低于10μIU/ml的概率而在显示装置上进行显示控制。
学习部158通过基于学习用数据154的机器学习处理，执行生成已学习模型的处理。作为机器学习处理，可举出监督学习或半监督学习。
1.2.已学习模型
作为一个示例，使用Sony公司的Prediction One创建第一已学习模型。在该第一已学习模型的创建中，使用促甲状腺激素(TSH)的值超过10μIU/ml的受检者3343例和促甲状腺激素(TSH)的值为10μIU/ml以下的受检者23716例的学习用数据。
具体而言，从该学习用数据中准备18939例的教师数据和8120例的测试数据的数据集，使用教师数据进行第一已学习模型的创建。其结果，获得将总蛋白(TP)、胆碱酯酶(ChE)、总胆固醇(TC)、肌酸酐(CREA)、以及肌酸磷酸激酶(CPK)作为予测因子的第一已学习模型。
接着，根据上述测试数据求出第一已学习模型的ROC(Receiver OperatingCharacteristic，接受者操作特性)曲线和AUC(Area Under the Curve，曲线下面积)，以下表示评价第一已学习模型的结果。
AUC 0.737
此外，在各例的数据中也可以包含促甲状腺激素(TSH)的值、血液学检查结果、以及受检者的年龄和性别/体重。在血液学检查结果中包含红细胞数(RBC)、血红蛋白量(Hb)、红细胞压积值(Ht)、平均红细胞容积(MCV)、平均红细胞血红蛋白量(MCH)、平均红细胞血红蛋白浓度(MCHC)、血小板数(Plt)、白细胞数(WBC)、中性粒细胞(Neu)、淋巴细胞(Lym)、单核细胞(Mo)、嗜酸粒细胞(Eo)、嗜碱细胞(Ba)、总蛋白(TP)、总胆红素(T-Bil)、门冬氨酸转氨酶(AST)、丙氨酸氨基转移酶(ALT)、乳酸脱氢酶(LDH)、γ谷氨酰转肽酶(γGTP)、碱性磷酸酶(ALP)、胆碱酯酶(ChE)、肌酸磷酸激酶(CPK)、肌酸酐(CREA)、尿酸(UA)、Na、K、Cl、Ca、P、总胆固醇(TC)。而且，在各例的数据中也可以包含与血液学检查结果的各值的随时间的变化或体重的随时间的变化相关的信息。以下，在其它方式中也设为相同。
1.2.1.已学习模型(变形例1)
作为又一个示例，还创建了使用促甲状腺激素(TSH)的值超过15μIU/ml的受检者2427例和促甲状腺激素(TSH)的值低于15μIU/ml的受检者24632例的学习用数据的第一已学习模型。
具体而言，将该学习用数据分为7：3的比例，准备教师数据和测试数据的数据集，使用教师数据进行第一已学习模型的创建。其结果，获得与上述模型同样的将总蛋白(TP)、胆碱酯酶(ChE)、总胆固醇(TC)、肌酸酐(CREA)、以及肌酸磷酸激酶(CPK)作为予测因子的第一已学习模型。
接着，根据上述测试数据求出该第一已学习模型的ROC曲线和AUC。以下表示评价第一已学习模型的结果。
AUC 0.773
如以上所示那样，理解的是，就据此获得的第一已学习模型而言，特异性、确诊率、阴性命中率为90％以上，减少无用的检查，能够检测出促甲状腺激素(TSH)高、处在需要治疗的范围内的患者的大约半数。
1.3.动作处理
接着，对这样构成的第一实施方式的信息处理装置100的动作进行说明。
1.3.1.已学习模型的创建
图2是例示信息处理装置100的学习部158使用教师数据创建已学习模型的机器学习处理的流程图。
在步骤S201中，学习部158收集实际治疗数据作为学习用数据。此时，学习部158从信息处理装置100的对象者数据153、或存储于由网络连接的其它信息处理装置或者服务器的对象者数据收集实际治疗数据，并保存于学习用数据154。能够使得为教师数据和测试数据。
在步骤S202中，学习部158根据保存于学习用数据154的数据集创建教师数据，并使用该教师数据创建输出与促甲状腺激素(TSH)是否在需要治疗的范围内相关的信息的第一已学习模型。例如，学习部158使用教师数据，将与促甲状腺激素(TSH)的值相关的信息作为正确答案标签进行机器学习。
1.3.2.使用已学习模型的判别
图3是例示信息处理装置100的判别部155通过已学习模型输出与进行治疗的情况下的视力预后相关的信息的处理的流程图。
在步骤S301中，判别部155获取与对象者的血液学检查的结果相关的信息。此时，判别部155可以经由通信接口120从其它信息处理装置或测定装置获取与血液学检查的结果相关的信息，也可以经由输入输出接口130从键盘或触摸面板等信息输入装置获取血液学检查的结果。例如，判别部155也可以代替来自医生的输入操作，从存储于信息处理装置的储存器或信息处理装置可访问的服务器的电子病历信息获取与进行对象者的疾病名或者症状等的预定的治疗相关的信息。
在步骤S302中，判别部155向第一已学习模型输入与对象者的血液学检查的结果相关的信息，并通过第一已学习模型输出与促甲状腺激素(TSH)是否在需要治疗的范围内相关的信息。
在步骤S303中，显示部156在显示器等图像输出装置上对输出的信息进行显示控制。显示控制方法没有特别限制，但是例如也可以将促甲状腺激素(TSH)在需要治疗的范围内的可能性和不在需要治疗的范围内的可能性分别以百分率进行表示。
在以上说明的第一实施方式的信息处理装置100提供的诊断系统中，例如，成为能够基于在通常的健康诊断中进行的血液学检查的结果，获得关于对象者的促甲状腺激素(TSH)的值是否在需要治疗的范围内的一次信息。
2.第二实施方式
在第二实施方式中，构建诊断系统1，其通过作为甲状腺疾病判定装置的信息处理装置100，基于对象者的年龄、和来自与该对象者的血液检查相关的信息的、与总蛋白(TP)、肌酸酐(CREA)、中性粒细胞(Neu)、以及总胆红素(T-Bill)相关的信息，判定对象者的促甲状腺激素(TSH)是否在正常值的范围内。
第二实施方式的信息处理装置100的结构或动作处理等基本上与第一实施方式的诊断系统的信息处理装置的结构或动作处理等相同。在第二实施方式和第一实施方式中不同的点是向第二已学习模型输入的信息包含对象者的年龄、和作为与该对象者的血液检查相关的信息的、与总蛋白(TP)、肌酸酐(CREA)、中性粒细胞(Neu)、以及总胆红素(T-Bill)相关的信息这一点、以及第二已学习模型输出的信息是与对象者的促甲状腺激素(TSH)是否在正常值的范围内相关的信息这一点。
以下，在第二实施方式中，对与第一实施方式相同的功能结构或步骤标注相同的符号并且省略说明，并以第二实施方式和第一实施方式的不同点为中心进行说明。
2.1.硬件结构
在第二判别部155获取的与血液学检查相关的信息中例如包含对象者的总蛋白(TP)、肌酸酐(CREA)、中性粒细胞(Neu)、以及总胆红素(T-Bill)，也可以包含其它信息。另外，在第二判别部155获取的生化参数中包含对象者的年龄，也可以包含其它信息。
第二判别部155执行向第二已学习模型输入如上所述获取的对象者的年龄和与血液学检查相关的信息并输出与对象者的促甲状腺激素(TSH)是否在正常值的范围内相关的信息的处理。第二已学习模型没有特别限制，但是例如也可以是通过基于上述学习用数据154的机器学习处理而生成的已学习模型。
显示部157执行如下处理：该处理执行在显示装置上对第二判别部155输出的上述信息进行显示控制的处理。例如，显示部157能够将与对象者的促甲状腺激素(TSH)是否在正常值的范围内相关的信息设为对象者的促甲状腺激素(TSH)是在4.5μIU/ml以下的概率、或者是超过4.5μIU/ml的概率而在显示装置上进行显示控制。
学习部158执行通过基于学习用数据154的机器学习处理而生成已学习模型的处理。作为机器学习处理，可举出监督学习或半监督学习。
2.2.已学习模型
作为一个示例，使用Sony公司的Prediction One创建第二已学习模型。在该第二已学习模型的创建中，使用促甲状腺激素(TSH)的值超过4.5μIU/ml的受检者7850例和促甲状腺激素(TSH)的值为0.2～4.5μIU/ml以下的受检者19209例的学习用数据。
具体而言，将该学习用数据分为7：3的比例，准备教师数据和测试数据的数据集，使用教师数据进行第二已学习模型的创建。其结果，获得将总蛋白(TP)、年龄、肌酸酐(CREA)、中性粒细胞(Neu)、以及总胆红素(T-Bill)作为予测因子的第二已学习模型。
接着，根据上述测试数据求出第二已学习模型的ROC曲线和AUC。以下表示评价第二已学习模型的结果。
AUC 0.639
2.3.动作处理
接着，对这样构成的第二实施方式的信息处理装置100的动作进行说明。
在步骤S202中，学习部158根据保存于学习用数据154的数据集创建教师数据，并使用该教师数据创建输出与促甲状腺激素(TSH)是否在正常值的范围内相关的信息的第二已学习模型。例如，学习部158使用教师数据，将与促甲状腺激素(TSH)的值相关的信息作为正确答案标签进行机器学习。
在步骤S302中，判别部155向已学习模型输入与对象者的血液学检查的结果相关的信息，并通过已学习模型输出与促甲状腺激素(TSH)是否在正常值的范围内相关的信息。
在步骤S303中，显示部156在显示器等图像输出装置上对输出的信息进行显示控制。显示控制方法没有特别限制，但是例如也可以将促甲状腺激素(TSH)在正常值的范围内的可能性和不在正常值的范围内的可能性分别以百分率表示。
3.第三实施方式
在第三实施方式中，构建诊断系统1，其通过作为甲状腺疾病判定装置的信息处理装置100，基于对象者的年龄、和来自与该对象者的血液检查相关的信息的、与肌酸酐(CREA)、总胆固醇(TC)、碱性磷酸酶(ALP)、以及总蛋白(TP)相关的信息，判定对象者是否罹患巴塞多氏病。
第三实施方式的信息处理装置100的结构或动作处理等基本上与第一实施方式的诊断系统的信息处理装置的结构或动作处理等相同。在第三实施方式和第一实施方式中不同的点是向第三已学习模型输入的信息包含对象者的年龄、和作为与该对象者的血液检查相关的信息的、与肌酸酐(CREA)、总胆固醇(TC)、碱性磷酸酶(ALP)、以及总蛋白(TP)相关的信息这一点、以及第三已学习模型输出的信息是与对象者是否罹患巴塞多氏病相关的信息这一点。
以下，在第三实施方式中，对与第一实施方式相同的功能结构或作用以及效果标注相同的符号并且省略说明，并以第三实施方式和第一实施方式的不同点为中心进行说明。
3.1.硬件结构
在第三判别部155获取的与血液学检查相关的信息中例如包含对象者的肌酸酐(CREA)、总胆固醇(TC)、碱性磷酸酶(ALP)、以及总蛋白(TP)，也可以包含其它的信息。另外，在第三判别部155获取的生化参数中包含对象者的年龄，也可以包含其它信息。
第三判别部155执行向第三已学习模型输入如上所述获取的对象者的年龄和与血液学检查相关的信息并输出与对象者是否罹患巴塞多氏病相关的信息的处理。第三已学习模型没有特别限制，但是例如也可以是通过基于上述学习用数据154的机器学习处理而生成的已学习模型。
显示部157执行如下处理：该处理执行在显示装置上对第三判别部155输出的上述信息进行显示控制的处理。例如，显示部157能够将与对象者是否罹患巴塞多氏病相关的信息设为罹患巴塞多氏病的概率或未罹患巴塞多氏病的概率在显示装置上进行显示控制。
学习部158执行通过基于学习用数据154的机器学习处理而生成已学习模型的处理。作为机器学习处理，可举出监督学习或半监督学习。
3.2.已学习模型
作为一个示例，使用Sony公司的Prediction One创建第三已学习模型。在该第三已学习模型的创建中使用未治疗巴塞多氏病患者19335例和健康者4159例的学习用数据。
具体而言，将该学习用数据分为7：3的比例，准备教师数据和测试数据的数据集，使用教师数据进行第三已学习模型的创建。其结果，获得将对象者的肌酸酐(CREA)、总胆固醇(TC)、碱性磷酸酶(ALP)、年龄、以及总蛋白(TP)作为予测因子的第三已学习模型。
接着，根据上述测试数据求出第三已学习模型的ROC曲线和AUC。以下表示评价第三已学习模型的结果。
AUC 0.974
3.2.1.已学习模型(变形例1)
而且，对于对象者是否罹患巴塞多氏病的判定，为了确认基于性别的依赖性，将上述学习用数据按男女分，准备教师数据和测试数据的数据集，使用教师数据进行第三已学习模型(女性)和第三已学习模型(男性)的创建。
其结果，在第三已学习模型(女性)中，获得将肌酸酐(CREA)、总胆固醇(TC)、胆碱酯酶(ChE)、碱性磷酸酶(ALP)、以及肌酸磷酸激酶(CPK)作为予测因子的模型，在第三已学习模型(男性)中，获得将碱性磷酸酶(ALP)、肌酸酐(CREA)、总胆固醇(TC)、总蛋白(TP)、以及丙氨酸氨基转移酶(ALT)作为予测因子的模型。
对于据此获得的第三已学习模型(女性)和第三已学习模型(男性)，根据上述测试数据求出ROC曲线和AUC。
第三实施方式的第三已学习模型也可以分别置换为第三已学习模型(女性)或第三已学习模型(男性)而使用。
3.2.2.已学习模型(变形例2)
而且，对于对象者是否罹患巴塞多氏病的判定，为了确认对游离甲状腺素(FT4)水平的依赖性，根据上述学习用数据创建用于创建判定游离甲状腺素(FT4)水平为5ng/dl以上的重症甲状腺中毒症的第三已学习模型(重度GD)的测试数据以及用于创建判定游离甲状腺素(FT4)水平低于5ng/dl的轻症甲状腺中毒症的第三已学习模型(轻度GD)的测试数据。
用于创建第三已学习模型(重度GD)的测试数据设为包括包含游离甲状腺素(FT4)水平为5ng/dl以上的重症甲状腺中毒症患者6040例和健康者2911例的教师数据、以及随机选择的甲状腺中毒症患者2516例和健康者1248例的测试数据。
另外，用于创建第三已学习模型(轻度GD)的测试数据设为包括包含游离甲状腺素(FT4)水平低于5ng/dl的轻症甲状腺中毒症患者7505例和健康者2911例的教师数据、以及随机选择的甲状腺中毒症患者3275例和健康者1248例的测试数据。
其结果，在第三已学习模型(重度GD)中，获得将总胆固醇(TC)、肌酸酐(CREA)、总蛋白(TP)、胆碱酯酶(ChE)、以及单核细胞(Mo)作为予测因子的模型，在第三已学习模型(轻度GD)中，获得将肌酸酐(CREA)、总胆固醇(TC)、年龄、碱性磷酸酶(ALP)、以及总蛋白(TP)作为予测因子的模型。
对于据此获得的第三已学习模型(重度GD)和第三已学习模型(轻度GD)，根据上述测试数据求出ROC曲线和AUC。
第三实施方式的第三已学习模型也可以分别置换为第三已学习模型(重度GD)或第三已学习模型(轻度GD)而使用。
3.3.动作处理
接着，对这样构成的第三实施方式的信息处理装置100的动作进行说明。
在步骤S202中，学习部158根据保存于学习用数据154的数据集创建教师数据，并使用该教师数据创建输出与对象者是否罹患巴塞多氏病相关的信息的第三已学习模型。例如，学习部158使用教师数据，将与对象者是否罹患巴塞多氏病相关的信息作为正确答案标签进行机器学习。
在步骤S302中，判别部155向第三已学习模型输入与对象者的血液学检查的结果相关的信息，并通过第三已学习模型输出与对象者是否罹患巴塞多氏病相关的信息。
在步骤S303中，显示部156在显示器等的图像输出装置上对输出的信息进行显示控制。显示控制方法没有特别限制，但是例如也可以分别以百分率表示对象者罹患巴塞多氏病的可能性和未罹患巴塞多氏病的可能性。
4.第四实施方式
在第四实施方式中，构建诊断系统1，其通过作为甲状腺疾病判定装置的信息处理装置100，向第四已学习模型输入来自与对象者的血液检查相关的信息的、与甲状腺激素FT3、甲状腺激素FT4、FT3/FT4、碱性磷酸酶(ALP)、以及肌酸酐(CREA)相关的信息，并鉴别所述对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎。
第四实施方式的信息处理装置100的结构或动作处理等基本上与第一实施方式的诊断系统的信息处理装置的结构或动作处理等相同。在第四实施方式和第一实施方式中不同的点是向第四已学习模型输入的信息包含作为与对象者的血液检查相关的信息的、与甲状腺激素FT3、甲状腺激素FT4、FT3/FT4、碱性磷酸酶(ALP)、以及肌酸酐(CREA)相关的信息这一点、以及第四已学习模型输出的信息是与对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息这一点。
以下，在第四实施方式中，对与第一实施方式相同的功能结构或作用以及效果标注相同的符号并且省略说明，并以第四实施方式和第一实施方式的不同点为中心进行说明。
4.1.硬件结构
在第四判别部155获取的与血液学检查相关的信息中例如包含对象者的甲状腺激素FT3、甲状腺激素FT4、FT3/FT4、碱性磷酸酶(ALP)、以及肌酸酐(CREA)，也可以包含其它的信息。
第四判别部155执行向第四已学习模型输入如上所述获取的对象者的年龄和与血液学检查相关的信息并输出与对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息的处理。第四已学习模型没有特别限制但是例如也可以是通过基于上述学习用数据154的机器学习处理而生成的已学习模型。
显示部157执行如下的处理：该处理执行在显示装置上对第四判别部155输出的上述信息进行显示控制的处理。例如，显示部157能够将与对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息设为罹患巴塞多氏病的概率或未罹患巴塞多氏病的概率、或罹患无痛性甲状腺炎的概率或未罹患无痛性甲状腺炎的概率而在显示装置上进行显示控制。
学习部158执行通过基于学习用数据154的机器学习处理而生成已学习模型的处理。作为机器学习处理，可举出监督学习或半监督学习。
4.2.已学习模型
作为一个示例，使用Sony公司的Prediction One创建第四已学习模型。在该第四已学习模型的创建中使用未治疗巴塞多氏病患者19335例和未治疗无痛性甲状腺炎患者3267例的学习用数据。
具体而言，将该学习用数据分为7：3的比例，准备教师数据和测试数据的数据集，使用教师数据进行第四已学习模型的创建。其结果，获得将甲状腺激素FT3、甲状腺激素FT4、FT3/FT4、碱性磷酸酶(ALP)、以及肌酸酐(CREA)作为予测因子的第四已学习模型。
接着，根据上述测试数据求出第四已学习模型的ROC曲线和AUC。
4.3.动作处理
接着，对这样构成的第四实施方式的信息处理装置100的动作进行说明。
在步骤S202中，学习部158根据保存于学习用数据154的数据集创建教师数据，并使用该教师数据创建输出与对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息的第四已学习模型。例如，学习部158使用教师数据，将与对象者罹患的疾病(巴塞多氏病或无痛性甲状腺炎)相关的信息作为正确答案标签进行机器学习。
在步骤S302中，判别部155向第四已学习模型输入与对象者的血液学检查的结果相关的信息，并通过第四已学习模型输出与对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息。
在步骤S303中，显示部156在显示器等图像输出装置上对输出的信息进行显示控制。显示控制方法没有特别限制，但是例如也可以是分别以百分率表示对象者罹患巴塞多氏病的可能性和未罹患巴塞多氏病的可能性、或者对象者罹患无痛性甲状腺炎的可能性和未罹患无痛性甲状腺炎的可能性。
5.第五实施方式
在第五实施方式中，构建诊断系统1，其通过作为甲状腺疾病判定装置的信息处理装置100，向第五已学习模型输入来自与对象者的血液检查相关的信息的、与碱性磷酸酶(ALP)、肌酸酐(CREA)、总蛋白(TP)、γ谷氨酰转肽酶(γGTP)、白细胞(WBC)相关的信息，并鉴别所述对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎。
第五实施方式的信息处理装置100的结构或动作处理等基本上与第一实施方式的诊断系统的信息处理装置的结构或动作处理等相同。在第五实施方式和第一实施方式中不同的点是向第五已学习模型输入的信息包含作为与该对象者的血液检查相关的信息的、与碱性磷酸酶(ALP)、肌酸酐(CREA)、总蛋白(TP)、γ谷氨酰转肽酶(γGTP)、白细胞(WBC)相关的信息这一点、以及第五已学习模型输出的信息是与对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息这一点。
以下，在第五实施方式中，对与第一实施方式相同的功能结构或作用以及效果标注相同的符号并且省略说明，并以第五实施方式和第一实施方式的不同点为中心进行说明。
5.1.硬件结构
在第五判别部155获取的与血液学检查相关的信息中例如包含对象者的碱性磷酸酶(ALP)、肌酸酐(CREA)、总蛋白(TP)、γ谷氨酰转肽酶(γGTP)、白细胞(WBC)，也可以包含其它的信息。
第五判别部155执行向第五已学习模型输入如上所述获取的对象者的年龄和与血液学检查相关的信息并输出与对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息的处理。第五已学习模型没有特别限制，但是例如也可以是通过基于上述学习用数据154的机器学习处理而生成的已学习模型。
显示部157执行如下的处理：该处理执行在显示装置上对第五判别部155输出的上述信息进行显示控制的处理。例如，显示部157能够将与对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息设为罹患巴塞多氏病的概率或未罹患巴塞多氏病的概率、或罹患无痛性甲状腺炎的概率或未罹患无痛性甲状腺炎的概率在显示装置上进行显示控制。
学习部158执行通过基于学习用数据154的机器学习处理而生成已学习模型的处理。作为机器学习处理，可举出监督学习或半监督学习。
5.2.已学习模型
作为一个示例，使用Sony公司的Prediction One创建第五已学习模型。在该第五已学习模型的创建中使用未治疗巴塞多氏病患者19335例和未治疗无痛性甲状腺炎患者3267例的学习用数据。
具体而言，将该学习用数据分为7：3的比例，准备教师数据和测试数据的数据集，使用教师数据进行第五已学习模型的创建。其结果，获得将碱性磷酸酶(ALP)、肌酸酐(CREA)、总蛋白(TP)、γ谷氨酰转肽酶(γGTP)、白细胞(WBC)作为予测因子的第五已学习模型。
接着，根据上述测试数据求出第五已学习模型的ROC曲线和AUC。
5.3.动作处理
接着，对这样构成的第五实施方式的信息处理装置100的动作进行说明。
在步骤S202中，学习部158根据保存于学习用数据154的数据集创建教师数据，并使用该教师数据创建输出与对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息的第五已学习模型。例如，学习部158使用教师数据，将与对象者罹患的疾病(巴塞多氏病或无痛性甲状腺炎)相关的信息作为正确答案标签进行机器学习。
在步骤S302中，判别部155向第五已学习模型输入与对象者的血液学检查的结果相关的信息，并通过第五已学习模型输出与对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息。
在步骤S303中，显示部156在显示器等图像输出装置上对输出的信息进行显示控制。显示控制方法没有特别限制，但是例如也可以分别以百分率表示对象者罹患巴塞多氏病的可能性和未罹患巴塞多氏病的可能性、或者对象者罹患无痛性甲状腺炎的可能性和未罹患无痛性甲状腺炎的可能性。
6.第六实施方式
在第六实施方式中，构建诊断系统1，其通过作为甲状腺疾病判定装置的信息处理装置100，向第六已学习模型输入对象者的年龄、和来自与该对象者的血液检查相关的信息的、与总胆固醇(TC)、胆碱酯酶(ChE)、肌酸酐(CREA)、以及肌酸磷酸激酶(CPK)相关的信息，判定对象者是否罹患无痛性甲状腺炎。
第六实施方式的信息处理装置100的结构或动作处理等基本上与第一实施方式的诊断系统的信息处理装置的结构或动作处理等相同。在第六实施方式和第一实施方式中不同的点是向第六已学习模型输入的信息包含对象者的年龄、和作为与该对象者的血液检查相关的信息的、与总胆固醇(TC)、胆碱酯酶(ChE)、肌酸酐(CREA)、以及肌酸磷酸激酶(CPK)相关的信息这一点、以及第六已学习模型输出的信息是与对象者是否罹患无痛性甲状腺炎相关的信息这一点。
以下，在第六实施方式中，对与第一实施方式相同的功能结构或作用以及效果标注相同的符号并省略说明，并以第六实施方式和第一实施方式的不同点为中心进行说明。
6.1.硬件结构
在第六判别部155获取的与血液学检查相关的信息中例如包含对象者的总胆固醇(TC)、胆碱酯酶(ChE)、肌酸酐(CREA)、以及肌酸磷酸激酶(CPK)，也可以包含其它的信息。另外，在第六判别部155获取的生化参数中包含对象者的年龄，也可以包含其它的信息。
第六判别部155执行向第六已学习模型输入如上所述获取的对象者的年龄和与血液学检查相关的信息并输出与对象者是否罹患无痛性甲状腺炎相关的信息的处理。第六已学习模型没有特别限制，但是例如也可以是通过基于上述学习用数据154的机器学习处理而生成的已学习模型。
显示部157执行如下的处理：该处理执行在显示装置上对第六判别部155输出的上述信息进行显示控制的处理。例如，显示部157能够将与对象者是否罹患无痛性甲状腺炎相关的信息设为罹患无痛性甲状腺炎的概率或未罹患无痛性甲状腺炎的概率在显示装置上进行显示控制。
学习部158执行通过基于学习用数据154的机器学习处理而生成已学习模型的处理。作为机器学习处理，可举出监督学习或半监督学习。
6.2.已学习模型
作为一个示例，使用Sony公司的Prediction One创建第六已学习模型。在该第六已学习模型的创建中使用未治疗无痛性甲状腺炎患者3267例和健康者4159例的学习用数据。
具体而言，将该学习用数据分为7：3的比例，准备教师数据和测试数据的数据集，使用教师数据进行第六已学习模型的创建。其结果，获得将总胆固醇(TC)、胆碱酯酶(ChE)、肌酸酐(CREA)、年龄、以及肌酸磷酸激酶(CPK)作为予测因子的第六已学习模型。
接着，根据上述测试数据求出第六已学习模型的ROC曲线和AUC。
6.3.动作处理
接着，对这样构成的第六实施方式的信息处理装置100的动作进行说明。
在步骤S202中，学习部158根据保存于学习用数据154的数据集创建教师数据，并使用该教师数据创建输出与对象者是否罹患无痛性甲状腺炎相关的信息的第六已学习模型。例如，学习部158使用教师数据，将与对象者是否罹患无痛性甲状腺炎相关的信息作为正确答案标签进行机器学习。
在步骤S302中，判别部155向第六已学习模型输入与对象者的血液学检查的结果相关的信息，并通过第六已学习模型输出与对象者是否罹患无痛性甲状腺炎相关的信息。
在步骤S303中，显示部156在显示器等图像输出装置上对输出的信息进行显示控制。显示控制方法没有特别限制，但是例如也可以分别以百分率表示对象者罹患无痛性甲状腺炎的可能性和未罹患无痛性甲状腺炎的可能性。
7.第七实施方式
在第七实施方式中，构建诊断系统1，其通过作为甲状腺疾病判定装置的信息处理装置100，向第七已学习模型输入来自与对象者的血液检查相关的信息的、与肌酸酐(CREA)、总胆固醇(TC)、胆碱酯酶(ChE)、肌酸磷酸激酶(CPK)、以及嗜碱细胞(Ba)相关的信息，判定对象者是否罹患甲状腺中毒症。
第七实施方式的信息处理装置100的结构或动作处理等基本上与第一实施方式的诊断系统的信息处理装置的结构或动作处理等相同。在第七实施方式和第一实施方式中不同的点是向第七已学习模型输入的信息包含作为与对象者的血液检查相关的信息的、与肌酸酐(CREA)、总胆固醇(TC)、胆碱酯酶(ChE)、肌酸磷酸激酶(CPK)、以及嗜碱细胞(Ba)相关的信息这一点、以及第七已学习模型输出的信息是与对象者是否罹患甲状腺中毒症相关的信息这一点。
以下，在第七实施方式中，对与第一实施方式相同的功能结构或作用以及效果标注相同的符号并且省略说明，并以第七实施方式和第一实施方式的不同点为中心进行说明。
7.1.硬件结构
在第七判别部155获取的与血液学检查相关的信息中例如包含对象者的肌酸酐(CREA)、总胆固醇(TC)、胆碱酯酶(ChE)、肌酸磷酸激酶(CPK)、以及嗜碱细胞(Ba)，也可以包含其它的信息。
第七判别部155执行向第七已学习模型输入如上所述获取的对象者的年龄和与血液学检查相关的信息并输出与对象者是否罹患甲状腺中毒症相关的信息的处理。第七已学习模型没有特别限制，但是例如也可以是通过基于上述学习用数据154的机器学习处理而生成的已学习模型。
显示部157执行如下的处理：该处理执行在显示装置上对第七判别部155输出的上述信息进行显示控制的处理。例如，显示部157能够将与对象者是否罹患甲状腺中毒症相关的信息设为罹患甲状腺中毒症的概率或未罹患甲状腺中毒症的概率在显示装置上进行显示控制。
学习部158执行通过基于学习用数据154的机器学习处理而生成已学习模型的处理。作为机器学习处理，可举出监督学习或半监督学习。
7.2.已学习模型
作为一个示例，使用Sony公司的Prediction One创建第七已学习模型。在该第七已学习模型的创建中使用未治疗巴塞多氏病患者19335例、未治疗无痛性甲状腺炎患者3267例、以及健康者4159例的学习用数据。
具体而言，将该学习用数据分为7：3的比例，准备教师数据和测试数据的数据集，使用教师数据进行第七已学习模型的创建。其结果，获得将肌酸酐(CREA)、总胆固醇(TC)、胆碱酯酶(ChE)、肌酸磷酸激酶(CPK)、以及嗜碱细胞(Ba)作为予测因子的第七已学习模型。
接着，根据上述测试数据求出第七已学习模型的ROC曲线和AUC。以下表示评价第七已学习模型的结果。
AUC 0.951
7.3.动作处理
接着，对这样构成的第七实施方式的信息处理装置100的动作进行说明。
在步骤S202中，学习部158根据保存于学习用数据154的数据集创建教师数据，并使用该教师数据创建输出与对象者是否罹患甲状腺中毒症相关的信息的第七已学习模型。例如，学习部158使用教师数据，将与对象者是否罹患甲状腺中毒症相关的信息作为正确答案标签进行机器学习。
在步骤S302中，判别部155向第七已学习模型输入与对象者的血液学检查的结果相关的信息，并通过第七已学习模型输出与对象者是否罹患甲状腺中毒症相关的信息。另外，取而代之或除此以外，判别部155也可以通过第七已学习模型输出与促甲状腺激素(TSH)是否为正常值以下相关的信息。
在步骤S303中，显示部156在显示器等图像输出装置上对输出的信息进行显示控制。显示控制方法没有特别限制，但是例如也可以分别以百分率表示对象者罹患甲状腺中毒症的可能性和未罹患甲状腺中毒症的可能性。
8.第一实施例
基于第一实施方式～第七实施方式所记载的甲状腺疾病判定装置的诊断系统1可以独立使用，也可以任意组合使用。可举出例如第一实施方式和第二实施方式的组合、第三实施方式和第七实施方式的组合、第四实施方式和第七实施方式的组合。
以下，对这样的实施例的一部分进行记载。
8.1.第一实施例1
第一实施例1是将第一实施方式和第二实施方式组合的示例。实施例1的信息处理装置100具有第二判别部和第一判别部，第二判别部向第二已学习模型输入对象者的年龄、和来自与该对象者的血液检查相关的信息的、与总蛋白(TP)、肌酸酐(CREA)、中性粒细胞(Neu)、以及总胆红素(T-Bill)相关的信息，并输出与所述对象者的促甲状腺激素(TSH)是否在正常值的范围内相关的信息，第一判别部向第一已学习模型输入来自与所述对象者的血液检查相关的信息的、与总蛋白(TP)、胆碱酯酶(ChE)、总胆固醇(TC)、肌酸酐(CREA)、以及肌酸磷酸激酶(CPK)相关的信息，并输出与所述对象者的促甲状腺激素(TSH)是否在需要治疗的范围内相关的信息。
第一实施例1的信息处理装置100的结构或动作处理等基本上与第一实施方式和第二实施方式的诊断系统的信息处理装置的结构或动作处理等相同。
在第一实施例1中，通过将第一实施方式和第二实施方式组合使用，成为能够分阶段评价对象者的促甲状腺激素(TSH)是在需要治疗的范围内还是在正常值的范围内等。
8.2.第一实施例2
第一实施例2是将第三实施方式和第七实施方式组合的示例。实施例2的信息处理装置100具有第七判别部和第三判别部，第七判别部向第七已学习模型输入来自与对象者的血液检查相关的信息的、与肌酸酐(CREA)、总胆固醇(TC)、胆碱酯酶(ChE)、肌酸磷酸激酶(CPK)、以及嗜碱细胞(Ba)相关的信息，并输出与所述对象者是否罹患甲状腺中毒症相关的信息，第三判别部向第三已学习模型输入所述对象者的年龄、和来自与所述对象者的血液检查相关的信息的、与肌酸酐(CREA)、总胆固醇(TC)、碱性磷酸酶(ALP)、以及总蛋白(TP)相关的信息，并输出与所述对象者是否罹患巴塞多氏病相关的信息。
第一实施例2的信息处理装置100的结构或动作处理等基本上与第三实施方式和第七实施方式的诊断系统的信息处理装置的结构或动作处理等相同。
在第一实施例2中，通过将第三实施方式和第七实施方式组合使用，成为能够分阶段评价对象者是否罹患甲状腺中毒症、如果认为罹患了甲状腺中毒症则其为巴塞多氏病的可能性是否高等。
8.3.第一实施例3
第一实施例3是将第四实施方式和第七实施方式组合的示例。实施例3的信息处理装置100具有第七判别部和第四判别部，第七判别部向第七已学习模型输入来自与对象者的血液检查相关的信息的、与肌酸酐(CREA)、总胆固醇(TC)、胆碱酯酶(ChE)、肌酸磷酸激酶(CPK)、以及嗜碱细胞(Ba)相关的信息，并输出与所述对象者是否罹患甲状腺中毒症相关的信息，第四判别部向第四已学习模型输入来自与对象者的血液检查相关的信息的、与甲状腺激素FT3、甲状腺激素FT4、FT3/FT4、碱性磷酸酶(ALP)、以及肌酸酐(CREA)相关的信息，并输出与所述对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息。
第一实施例3的信息处理装置100的结构或动作处理等基本上与第四实施方式和第七实施方式的诊断系统的信息处理装置的结构或动作处理等相同。
在第一实施例3中，通过将第四实施方式和第七实施方式组合使用，成为能够分阶段评价对象者是否罹患甲状腺中毒症、如果认为罹患了甲状腺中毒症则其为无痛性甲状腺炎的可能性是否高等。
9.第二实施例
基于第一实施方式～第七实施方式所记载的甲状腺疾病判定装置的诊断系统1也可以由经由互联网等通信网络可通信地连接的、作为视力预后判定装置的服务器(信息处理装置100)和使用者终端200构成。
图4表示由作为甲状腺疾病判定装置的服务器(信息处理装置100)和使用者终端200构成的诊断系统的处理序列。服务器100经由互联网等通信网络与使用者终端200可通信地连接。服务器100的判别部155提供诊断系统1，该诊断系统1向已学习模型输入从使用者终端200接收的血液学检查的结果或年龄等生化参数，输出第一实施方式～第七实施方式所记载的各信息，并向使用者终端200发送输出的信息。
在此，服务器100为安装本发明的诊断系统的全部或一部分的信息处理装置的一个示例，能够具有上述的信息处理装置100所具有的硬件结构或功能部的结构。另外，使用者终端200也可以是具备能够进行信息的发送和接收并且显示信息的显示器的通常的计算机。
在步骤S401中，使用者终端200对服务器100发送与血液学检查的结果或年龄等生化参数相关的信息，服务器100的判别部155获取与血液学检查的结果或年龄等生化参数相关的信息。
在步骤S402中，服务器100的判别部155向已学习模型输入从使用者终端200接收的信息，并输出第一实施方式～第七实施方式所记载的各结果。另外，在步骤S403中，服务器100向使用者终端200发送输出的结果，在步骤S404中，使用者终端200在显示装置上对接收的结果进行显示控制。
由此，如果是能够访问服务器100的使用者终端200，则成为能够使用本发明的诊断系统，能够消除医疗水平的地区差别等。
另外，本发明还提供用于使信息处理装置执行各信息向从上述第一实施方式至第七实施方式的已学习模型的输入和输出的程序、以及信息处理装置执行各信息向已学习模型的输入和输出的信息处理方法。
符号的说明
1：诊断系统；100：信息处理装置；110：处理器；120：通信接口；130：输入输出接口；140：存储器；150：储存器；151：操作系统；152：网络通信部；153：对象者数据；154：学习用数据；155：判别部；156：显示部；157：学习部；160：通信总线；200：使用者终端。

Claims (7)

1.一种信息处理装置，其具有第一判别部，所述第一判别部向第一已学习模型输入来自与对象者的血液检查相关的信息的、与总蛋白(TP)、胆碱酯酶(ChE)、总胆固醇(TC)、肌酸酐(CREA)、以及肌酸磷酸激酶(CPK)相关的信息，并输出与所述对象者的促甲状腺激素(TSH)是否在需要治疗的范围内相关的信息。
2.一种信息处理装置，其具有第二判别部，所述第二判别部向第二已学习模型输入对象者的年龄、和来自与该对象者的血液检查相关的信息的、与总蛋白(TP)、肌酸酐(CREA)、中性粒细胞(Neu)、以及总胆红素(T-Bill)相关的信息，并输出与所述对象者的促甲状腺激素(TSH)是否在正常值的范围内相关的信息。
3.一种信息处理装置，其具有第三判别部，所述第三判别部向第三已学习模型输入对象者的年龄、和来自与该对象者的血液检查相关的信息的、与肌酸酐(CREA)、总胆固醇(TC)、碱性磷酸酶(ALP)、以及总蛋白(TP)相关的信息，并输出与所述对象者是否罹患巴塞多氏病相关的信息。
4.一种信息处理装置，其具有第四判别部，所述第四判别部向第四已学习模型输入来自与对象者的血液检查相关的信息的、与甲状腺激素FT3、甲状腺激素FT4、FT3/FT4、碱性磷酸酶(ALP)、以及肌酸酐(CREA)相关的信息，并输出与所述对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息。
5.一种信息处理装置，其具有第五判别部，所述第五判别部向第五已学习模型输入来自与对象者的血液检查相关的信息的、与碱性磷酸酶(ALP)、肌酸酐(CREA)、总蛋白(TP)、γ谷氨酰转肽酶(γGTP)、以及白细胞(WBC)相关的信息，并输出与所述对象者罹患的疾病是巴塞多氏病还是无痛性甲状腺炎的鉴别相关的信息。
6.一种信息处理装置，其具有第六判别部，所述第六判别部向第六已学习模型输入对象者的年龄、和来自与该对象者的血液检查相关的信息的、与总胆固醇(TC)、胆碱酯酶(ChE)、肌酸酐(CREA)、以及肌酸磷酸激酶(CPK)相关的信息，并输出与所述对象者是否罹患无痛性甲状腺炎相关的信息。
7.一种信息处理装置，其具有第七判别部，所述第七判别部向第七已学习模型输入来自与对象者的血液检查相关的信息的、与肌酸酐(CREA)、总胆固醇(TC)、胆碱酯酶(ChE)、肌酸磷酸激酶(CPK)、以及嗜碱细胞(Ba)相关的信息，并输出与所述对象者是否罹患甲状腺中毒症相关的信息。
CN202280029915.8A 2021-04-21 2022-04-21 提供与甲状腺疾病的诊断相关的参考信息的信息处理装置 Pending CN117616282A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021-072021 2021-04-21
JP2021072021 2021-04-21
PCT/JP2022/018395 WO2022225000A1 (ja) 2021-04-21 2022-04-21 甲状腺疾患の診断に関する参考情報を提供する情報処理装置

Publications (1)

Publication Number Publication Date
CN117616282A true CN117616282A (zh) 2024-02-27

Family

ID=83722305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280029915.8A Pending CN117616282A (zh) 2021-04-21 2022-04-21 提供与甲状腺疾病的诊断相关的参考信息的信息处理装置

Country Status (5)

Country Link
US (1) US20240221957A1 (zh)
EP (1) EP4328590A1 (zh)
JP (1) JPWO2022225000A1 (zh)
CN (1) CN117616282A (zh)
WO (1) WO2022225000A1 (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3153682A1 (en) * 2008-11-17 2010-05-20 Veracyte, Inc. Methods and compositions of molecular profiling for disease diagnostics
JP2011149862A (ja) * 2010-01-22 2011-08-04 Beckman Coulter Inc 自動分析装置および分析方法
ES2859975T3 (es) 2012-03-05 2021-10-04 Oy Arctic Partners Ab Sistemas informáticos, métodos y medio de almacenamiento legible por ordenador para predecir el riesgo de volumen de la glándula prostática

Also Published As

Publication number Publication date
JPWO2022225000A1 (zh) 2022-10-27
US20240221957A1 (en) 2024-07-04
WO2022225000A1 (ja) 2022-10-27
EP4328590A1 (en) 2024-02-28

Similar Documents

Publication Publication Date Title
Detmer et al. Associations of hemodynamics, morphology, and patient characteristics with aneurysm rupture stratified by aneurysm location
Barrett et al. Artificial intelligence supported patient self-care in chronic heart failure: a paradigm shift from reactive to predictive, preventive and personalised care
US11404166B2 (en) Systems and methods for mining of medical data
Anderson et al. A contemporary overview of percutaneous coronary interventions: the American College of Cardiology–National Cardiovascular Data Registry (ACC–NCDR)
WO2014135699A2 (en) Method of calculating a score of a medical suggestion as a support in medical decision making
US20210217528A1 (en) Method to personalize a biomarker signal and medical procedures using the same
Cho et al. Myocardial injury and fibrosis from acute carbon monoxide poisoning: a prospective observational study
Lascarrou et al. NSE as a predictor of death or poor neurological outcome after non-shockable cardiac arrest due to any cause: Ancillary study of HYPERION trial data
Ramzan et al. Comparison of CLIF-C ACLF score and MELD score in predicting ICU mortality in patients with acute-on-chronic liver failure
Zhang et al. Evaluation of anemia, malnutrition, mineral, and bone disorder for maintenance hemodialysis patients based on bioelectrical impedance vector analysis (BIVA)
US20210335457A1 (en) Mapping a patient to clinical trials for patient specific clinical decision support
CN117616282A (zh) 提供与甲状腺疾病的诊断相关的参考信息的信息处理装置
JP7126472B2 (ja) 生体情報に基づく健康状態推定方法および健康状態推定装置
Flowers et al. Investigative algorithms for disorders causing hypercalcaemia and hypocalcaemia: a narrative review
KR102555479B1 (ko) 국민건강보험 검진 데이터를 이용한 심혈관질환 발병 예측 방법 및 그 장치
Guan et al. Development and validation of a nomogram model for all-cause mortality risk in patients with chronic heart failure and atrial fibrillation
Palmas Pocket Evidence Based Medicine
Shigeno et al. Initial anticoagulation therapy with single direct oral anticoagulant in patients with intermediate-high risk acute pulmonary embolism: From the COMMAND VTE Registry-2
Arvidsson et al. Noninvasive Pressure-Volume Loops Predict Major Adverse Cardiac Events in Heart Failure With Reduced Ejection Fraction
May et al. Clinically feasible stratification of 3-year chronic disease risk in primary care: the Mental Health Integration Risk Score
Briller Echocardiographic screening in hypertensive pregnancy disorders: probing the window of opportunity
Monzo et al. Apixaban in patients with nonvalvular atrial fibrillation, heart failure and low body weight: A report from a global federated research dataset
Pan et al. Background: The prediction of aneurysm treatment outcomes can help to optimize the treatment strategies. Machine learning (ML) has shown positive results in many clinical areas. However, the development of such models requires expertise in ML, which is not an easy task for surgeons. Objectives: The recently emerged automated machine learning (AutoML) has shown
Jassam The clinical and analytical aspects of albumin adjusted calcium and an assessment of the validity of harmonisation between laboratories
Kaya et al. Adding eosinophil count to EMERALD rules predicts subarachnoid haemorrhage better in emergency department

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