CN1895160A - 机体模拟系统及记录介质 - Google Patents
机体模拟系统及记录介质 Download PDFInfo
- Publication number
- CN1895160A CN1895160A CNA200610081761XA CN200610081761A CN1895160A CN 1895160 A CN1895160 A CN 1895160A CN A200610081761X A CNA200610081761X A CN A200610081761XA CN 200610081761 A CN200610081761 A CN 200610081761A CN 1895160 A CN1895160 A CN 1895160A
- Authority
- CN
- China
- Prior art keywords
- parameter collection
- inner parameter
- mentioned
- output
- body model
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
- G09B23/28—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine
- G09B23/30—Anatomical models
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Epidemiology (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供用来求得与各个患者相对应的机体模型的参数的技术手段。其构成包括:内部参数集生成部,生成构成机体模型的内部参数集;机体模型运算部,根据内部参数集对模仿机体器官的机体响应的机体模型的输出进行运算;以及模板数据库,具有多个机体模型的参照用输出值和与该参照用输出值具有对应关系的内部参数集的组合;上述内部参数集生成部具有数据库参照手段,从上述模板数据库中选择与实际的机体响应近似的参照用输出,选择与所选择的参照用输出值相对应的内部参数集。
Description
技术领域
本发明主要涉及机体模拟系统,特别涉及模拟糖尿病的病态的系统。
背景技术
历来一直尝试利用数理模型描述机体。作为这种模型可以举出的有,比如,Bergman的极小模型。Bergman的极小模型公开在American Journal of Physiology,1979年、第236卷、第6期、p.E-667-77及Bergman等,Journal of Clinical Investigation,1981年,第68卷,第6期,p.1456-67中。
此极小模型是以血糖值、血浆胰岛素浓度及末梢组织的胰岛素作用点的胰岛素作用量即远端(remote)胰岛素作为变量。此处,在将时刻t的血糖值以G(t)表示,血浆胰岛素浓度以I(t)表示,远端(remote)胰岛素以X(t)表示时,则G(t)、I(t)、X(t)可以以其各自对时间的微分为式左的下述的微分方程表示:
dG(t)/dt=-p1(G(t)-Gb)-X(t)G(t)
dX(t)/dt=-p2X(t)+p3(I(t)-Ib)
dI(t)/dt=-n(I(t)-Ib)+γ(G(t)-h)(其中G(t)>h)
=-n(I(t)-Ib)+γ(G(t)-h)(其中G(t)≤h)
其中,式中的各参数为:
p1:非胰岛素依赖性葡萄糖代谢速度
Gb:血糖基底值
p2:胰岛素的作用点的胰岛素摄取能力
p3:对于胰岛素依赖性葡萄糖代谢的胰岛素消耗率
Ib:胰岛素浓度基底值
n:每单位时间的胰岛素消耗量
γ:对葡萄糖刺激的胰岛素分泌灵敏度
h:胰岛素分泌开始的血糖值阈值
这些值是因人而异的。
在将这种机体模型应用于各个患者,模拟患者的机体,将其应用于患者的诊断等时,必须相应于各个患者对构成机体模型的上述参数进行适当的设定。
就是说,为利用机体模型再现患者的实际的机体,上述参数的正确性很重要,必须尽可能地正确地求出应该是因各个患者而异的参数。
发明内容
因此,本发明的目的在于提供用来求得与各个患者相对应的机体模型的参数的技术手段。
第1发明是使用机体模型的机体模拟系统,包括:内部参数集生成部,生成构成机体模型的内部参数集;机体模型运算部,基于内部参数集对模仿机体器官的机体响应的机体模型的输出进行运算;以及模板数据库,具有多个机体模型的参照用输出值和与该参照用输出值具有对应关系的内部参数集的组合;上述内部参数集生成部具有数据库参照手段,从上述模板数据库中选择与实际的机体响应近似的参照用输出,选择与所选择的参照用输出值相对应的内部参数集。
第2发明是使用机体模型的机体模拟系统,包括:内部参数集生成部,生成构成机体模型的内部参数集;机体模型运算部,基于内部参数集对模仿机体器官的机体响应的机体模型的输出进行运算;以及模板数据库,具有多个机体模型的参照用输出值和与该参照用输出值具有对应关系的内部参数集搜索范围的组合;上述内部参数集生成部具有数据库参照手段、自动生成手段以及选择手段,所述数据库参照手段从上述模板数据库中选择与实际的机体响应近似的参照用输出,选择与所选择的参照用输出值相对应的内部参数集的搜索范围;所述自动生成手段在上述搜索范围内,自动生成多个不同的内部参数集;所述选择手段判定应用自动生成的内部参数集算出的机体模型的输出和实际的机体响应的近似性,从所生成的多个内部参数集之中选择合适的内部参数集。
第3发明是使用机体模型的机体模拟系统,包括:内部参数集生成部,生成构成机体模型的内部参数集;机体模型运算部基于内部参数集对模仿机体器官的机体响应的机体模型的输出进行运算;以及模板数据库,具有多个机体模型的参照用输出值和与该参照用输出值具有对应关系的内部参数集选择范围的组合;上述内部参数集生成部具有数据库参照手段、自动生成手段、第1次选择手段以及第2次选择手段;所述数据库参照手段从上述模板数据库中选择与实际的机体响应近似的参照用输出,选择与所选择的参照用输出值相对应的内部参数集的选择范围;所述自动生成手段在上述搜索范围内,自动生成多个不同的内部参数集;第1次选择手段判定应用自动生成的内部参数集算出的机体模型的输出和实际的机体响应的近似性而从所生成的多个内部参数集之中选择合适的内部参数集;第2次选择手段从由上述第1次选择手段得到的内部参数集之中选择上述选择范围内的参数集。
另外,涉及记录计算机程序的记录介质的发明是记录通过在计算机中执行而用作上述机体模拟系统的计算机程序的记录介质。
附图说明
图1为表示本发明的系统的硬件构成的框线图。
图2为表示机体模型的整体构成的框线图。
图3为机体模型中胰脏模型的框线图。
图4为机体模型中肝脏模型的框线图。
图5为机体模型中胰岛素动态模型的框线图。
图6为机体模型中末梢组织模型的框线图。
图7为表示实施方式1的内部参数生成部的处理顺序的流程图。
图8为OGTT时序数据,(a)为血糖值;(b)为血中胰岛素浓度。
图9为模板数据库DB1的构成图。
图10为模板数据,(a)为血糖值;(b)为胰岛素浓度。
图11为表示对于模板T1的OGTT时序数据的误差总和的示意图,(a)为血糖值;(b)为胰岛素浓度。
图12为机体功能profile。
图13为遗传算法的流程图。
图14为表示实施方式2的内部参数生成部的处理顺序的流程图。
图15为表示实施方式3的内部参数生成部的处理顺序的流程图。
图16为表示实施方式4的内部参数生成部的处理顺序的流程图。
图17为模板数据库DB2的构成图。
图18为表示实施方式5的内部参数生成部的处理顺序的流程图。
图19为模板数据库DB3的构成图。
图20为表示实施方式6的内部参数生成部的处理顺序的流程图。
附图标记说明
1胰脏模块
2肝脏模块
3胰岛素动态模块
4末梢组织模块
具体实施方式
下面根据附图对本发明的实施方式进行说明。
图1为表示本发明的一种实施方式的机体模拟系统(下面也单称其为“系统”)的硬件构成的框线图。本实施方式的系统100是由主体110、显示器120和输入装置130为主构成的计算机100a所构成的。主体110主要由CPU110a、ROM110b、RAM110c、硬盘110d、读出装置110e、输入输出接口110f及图像输出接口110h构成,并且CPU110a、ROM110b、RAM110c、硬盘110d、读出装置110e、输入输出接口110f及图像输出接口110h由总线110i可进行数据通信地连接。
CPU110a可以执行存储于ROM110b中的计算机程序及装载到RAM110c中的计算机程序。于是,通过由该CPU110a执行如后所述的应用程序140a,可实现如后所述的各功能模块,计算机100a就可以作为模拟系统100发挥功能。
ROM110b,由掩模ROM、PROM、EPROM、EEPROM等构成,记录在CPU110a中执行的计算机程序及为此而使用的数据等。
RAM110c由SRAM或DRAM等构成。RAM110c用于读出记录在ROM110b及硬盘110d中的计算机程序。另外,在执行这些计算机程序时,用作CPU110a的操作区。
硬盘110d中安装有操作系统及应用程序等、以及用来使CPU110a执行的各种计算机程序及执行该计算机程序所使用的数据。后述的应用程序140a也安装在此硬盘110d中。
读出装置110e由软盘驱动器、CD-ROM驱动器或DVD-ROM驱动器等构成,可读出记录在移动型记录介质140中的计算机程序或数据。另外,在移动型记录介质140中存放用来使计算机作为本实施方式中的模拟系统工作的应用程序140a,计算机100a可以从该移动型记录介质140读出应用程序140a并安装到硬盘110d中。
另外,上述的应用程序140a,不仅可以由移动型记录介质140提供,而且也可以由可以利用电气通信线路(不论有线、无线)与计算机100a可通信地连接的外部机器通过上述电气通信线路提供。比如,上述应用程序140a也可以存放在Internet上的服务器的硬盘中,在计算机100a访问该服务器时下载该计算机程序并将其安装在硬盘110d。
另外,在硬盘110d中可安装,比如,可提供美国微软公司制造销售的Windows(注册商标)等的图形用户界面环境的操作系统。在以下的说明中假设本实施方式的应用程序140a是在该操作系统上工作。
输入输出接口110f,比如,由USB、IEEE1394、RS-232C等串行接口、SCSI、IDE、IEEE1284等并行接口以及D/A转换器、A/D转换器构成的接口等构成。在输入输出接口110f上连接有由键盘及鼠标组成的输入装置130,用户通过使用该输入装置130可以将数据输入到计算机100a。
图像输出接口110h与由LCD或CRT等构成的显示器120相连接,可以将与CPU110a提供的图像数据相应的影像信号输出到显示器120。显示器120,按照输入的影像信号显示图像(画面)。
图2表示使用机体数理模型(下面有时单称其为“机体模型”)的机体模拟系统(下面有时单称其为“系统”)的框线图。
如图2所示,机体模型(机体模型运算部)由胰脏模块(胰脏模块运算部)1、肝脏模块(肝脏模块运算部)2、胰岛素动态模块(胰岛素动态模块运算部)3及末梢组织模块(末梢组织模块运算部)4构成,各模块分别具有从机体模型外部或从其他模块提供的输入和对其他模块的输出。
就是说,胰脏模块1进行模仿胰脏的功能的运算,将血糖值6作为输入,将胰岛素分泌速度7作为对其它模块的输出。
肝脏模块2进行模仿肝脏的功能的运算,将来自消化道的葡萄糖吸收5、血糖值6及胰岛素分泌速度7作为输入,将净葡萄糖释放8及通过肝脏后的胰岛素9作为输出。
胰岛素动态模块3进行模仿胰岛素动态的运算,将通过肝脏后的胰岛素9作为输入,将末梢组织中的胰岛素浓度10作为输出。
末梢组织模块4进行模仿末梢组织的运算,将净葡萄糖释放8及末梢组织中的胰岛素浓度10作为输入,将血糖值6作为输出。
上述葡萄糖吸收5是从外部提供的数据,此功能,比如,可由用户使用输入装置130输入检查数据等而实现。另外,各个功能模块1~4,通过由CPU110a执行应用程序140a而实现。
另外,作为各模块的输出,除了用来提供给其他模块的输出以外,也存在如胰岛素动态模块3的血中胰岛素浓度I1(参见图5)那样的,虽然在模块3中算出,但不能直接提供给其他模块,这样的值在把机体模型作为整体来看的场合,也是从机体模型得到的值,包括在机体模型的输出中。
随后,对上述示例的各模块的详情进行说明。另外,FBG及Ws分别表示空腹时血糖值(FBG=BG(0))及设定体重,并且DVg及DVi分别表示对葡萄糖的分布容量体积及对胰岛素的分布容量体积。
胰脏模块1的输入输出关系可以使用以下的微分方程(1)表述。另外,也可以使用与微分方程(1)等价的示于图3的框线图表现。
微分方程(1):
dY/dt=-α{Y(t)-β(BG(t)-h)}(其中、BG(t)>h)
=-αY(t)(其中、BG(t)≤h)
dX/dt=-M·X(t)+Y(t)
SR(t)=M·X(t)
变量:
BG(t):血糖值
X(t):可从胰脏分泌的胰岛素总量
Y(t):针对葡萄糖刺激新供给的胰岛素供给速度
SR(t):自胰脏的胰岛素分泌速度
参数:
h:可以刺激胰岛素供给的葡萄糖浓度的阈值
α:对于葡萄糖刺激的跟踪性
β:对于葡萄糖刺激的感受性
M:单位浓度的分泌速度
其中,作为图2中的向胰脏模块1的输入,血糖值6与BG(t)相对应,并且作为输出,胰岛素分泌速度7与SR(t)相对应。
在图3的框线图中,6表示血糖值BG,7表示自胰脏的胰岛素分泌速度SR(t),12表示可以刺激胰岛素供给的葡萄糖浓度阈值h,13表示对于葡萄糖刺激的感受性β,14表示对于葡萄糖刺激的跟踪性α,15表示积分要素,16表示针对葡萄糖刺激的新供给的胰岛素供给速度Y(t),17表示积分要素,18表示可从胰脏分泌的胰岛素总量X(t),而19表示单位浓度的分泌速度M。
肝脏模块2的输入输出的关系,可以使用以下的微分方程(2)表述。另外,也可以用与微分方程(2)等价的示于图4的框线图表现。
dI4(t)/dt=α2{-A3I4(t)+(1-A7)·SR(t)}
Goff(FBG)=f1(其中FBG<f3)
=f1+f2·(FBG-f3)(其中FBG≥f3)
Func1(FBG)=f4-f5·(FBG-f6)
Func2(FBG)=f7/FBG
b1(I4(t))=f8{1+f9·I4(t)}
HGU(t)=r·Func1(FBG)·b1(I4(t))·RG(t)+(1-r)·Kh·BG(t)·I4(t)(其中HGU(t)≥0)
HGP(t)=I4off·Func2(FBG)·b2+Goff(FBG)-I4(t)·Func2(FBG)·b2
(其中HGP(t)≥0)
SGO(t)=RG(t)+HGP(t)-HGU(t)
SRpost(t)=A7SR(t)
变量:
BG(t):血糖值
SR(t):自胰脏的胰岛素的分泌速度
SRpost(t):通过肝脏后的胰岛素
RG(t):自消化道的葡萄糖的吸收
HGP(t):肝糖释放
HGU(t):肝糖摄取
SGO(t):自肝脏的净葡萄糖
I4(t):肝胰岛素浓度
参数:
Kh:单位胰岛素、单位葡萄糖下的肝脏糖摄取速度
A7:肝脏中的胰岛素摄取率
Goff:对于基础代谢的葡萄糖释放速度
b2:关于肝糖释放抑制率的调整项
r:非胰岛素依赖性肝糖摄取分配率
α2:对于肝胰岛素的传输效率
I4off:抑制肝糖释放的胰岛素浓度的阈值
函数:
Goff(FBG):对于基础代谢的葡萄糖的释放速度
Func1(FBG):对于来自消化道的葡萄糖刺激的肝糖摄取率
Func2(FBG):对于胰岛素刺激的肝糖释放抑制率
f1~f9:在表现上述3要素时使用的常数
b1(I4(t)):关于肝糖摄取率的调整项
其中,作为图2的肝脏模块的输入,来自消化道的葡萄糖吸收5与RG(t)相对应,血糖值6与BG(t)相对应,胰岛素分泌速度7与SR(t)相对应,并且作为输出,净葡萄糖释放8与SGO(t)相对应,而通过肝脏后的胰岛素9与SRpost(t)相对应。
在图4的框线图中,5表示来自消化道的葡萄糖吸收RG(t),6表示血糖值BG(t),7表示自胰脏的胰岛素分泌速度SR(t),8表示自肝脏的净葡萄糖SG0(t),9表示通过肝脏后的胰岛素SRpost(t),24表示肝脏的胰岛素通过率(1-A7),25表示对于肝胰岛素的传输效率α2,26表示通过肝脏后的胰岛素分配速度A3,27表示积分要素,28表示肝胰岛素浓度I4(t),29表示胰岛素依赖性肝糖摄取分配率(1-r),30表示单位胰岛素、单位葡萄糖下的肝脏糖摄取速度Kh,31表示非胰岛素依赖性肝糖摄取分配率r,32表示对来自消化道的葡萄糖刺激的肝糖摄取率Func1(FBG),33表示关于肝糖摄取率的调整项b1(I4(t)),34表示肝糖摄取HGU(t),35表示抑制肝糖释放的胰岛素浓度的阈值I4off,36表示对于胰岛素刺激的肝糖释放抑制率Func2(FBG),37表示表示关于肝糖释放抑制率的调整项b2,38表示对于基础代谢的葡萄糖释放速度,39表示肝糖释放HGP(t),而40表示肝脏中的胰岛素摄取率A7。
胰岛素动态分泌的输入输出的关系可以使用以下的微分方程(3)表述。另外,也可以使用与微分方程(3)等价的示于图5的框线图表现。
微分方程(3):
dI1(t)/dt=-A3I1(t)+A5I2(t)+A4I3(t)+SRpost(t)
dI2(t)/dt=A6I1(t)-A5I2(t)
dI3(t)/dt=A2I1(t)-A1I3(t)
变量:
SRpost(t):通过肝脏后的胰岛素
I1(t):血中胰岛素浓度
I2(t):非胰岛素依赖组织中的胰岛素浓度
I3(t):末梢组织中的胰岛素浓度
参数:
A1:末梢组织中的胰岛素的消失速度
A2:对末梢组织的胰岛素的分配率
A3:通过肝脏后的胰岛素分配速度
A4:通过末梢组织后的胰岛素流出速度
A5:非胰岛素依赖组织中的胰岛素消失速度
A6:对非胰岛素依赖组织的胰岛素分配率
其中,作为图2中的胰岛素动态模块的输入,通过肝脏后的胰岛素9与SRpost(t)相对应,并且作为输出,末梢组织中的胰岛素浓度10与I3(t)相对应。
在图5的框线图中,9表示通过肝脏后的胰岛素SRpost(t),10表示末梢组织中的胰岛素浓度I3(t),50表示积分要素,51表示通过肝脏后的胰岛素分配速度A3,52表示血中胰岛素浓度I1(t),53表示对末梢组织的胰岛素分配率A2,54表示积分要素,55表示末梢组织中的胰岛素消失速度A1,56表示通过末梢组织后的胰岛素流出速度A4,57表示对非胰岛素依赖组织的胰岛素分配率A6,58表示积分要素,59表示非胰岛素依赖组织中的胰岛素浓度I2(t),而60表示非胰岛素依赖组织中的胰岛素消失速度A5。
末梢组织模块4的输入输出的关系可以使用以下的微分方程(4)表述。另外,也可以使用与微分方程(4)等价的示于图6的框线图表现。
微分方程(4):
dBG’/dt=SGO(t)-u*Goff(FGB)-Kb·BG’(t)-Kp·I3(t)·BG’(t)
变量:
BG’(t):血糖值
(其中BG[mg/d1]、BG’[mg/kg])
SGO(t):自肝脏的净葡萄糖
I3(t):末梢组织中的胰岛素浓度
参数:
Kb:末梢组织中的非胰岛素依赖葡萄糖消耗速度
Kp:单位胰岛素、单位葡萄糖下的末梢组织中的胰岛素依赖的葡萄糖消耗速度
u:在对于基础代谢的葡萄糖释放速度之中对于基础代谢的非胰岛素依赖消耗占据的比例
函数:
Goff(FBG):对于基础代谢的葡萄糖释放速度
f1~f3:表示Goff时使用的常数
其中,作为对末梢组织模块的输入,末梢组织中的胰岛素浓度10与I3(t)相对应,自肝脏的净葡萄糖释放8与SGO(t)相对应,并且作为输出,血糖值6与BG(t)相对应。
在图6的框线图中,6表示血糖值BG(t),8表示自肝脏的净葡萄糖SG0(t),10表示末梢组织中的胰岛素浓度I3(t),70表示对于基础代谢的非胰岛素依赖的葡萄糖消耗速度u*Goff(FBG),71表示积分要素,72表示末梢组织中的非胰岛素依赖的葡萄糖消耗速度Kb,73表示单位胰岛素、单位的葡萄糖下的末梢组织中的胰岛素依赖的葡萄糖消耗速度Kp,而74表示单位变换常数Ws/DVg。
各模块,根据以上的微分方程,可以输出各个输出项目的时序变化。此外,如图2所示,构成本系统的模块间的输入、输出,由于是互相连接的,某一模块的输出为提供给另一模块的输入,所以相应于模块的输出在时间上的变化,其他各模块的输出发生改变。所以,比如,通过在此机体模型中提供自消化道的葡萄糖吸收RG作为输入,可以根据算式计算、模拟血糖值BG(t)、血中胰岛素浓度I1(t)的时序变化。
这样逐次算出的血糖值、胰岛素浓度可以显示在显示器120上。因此,如上所述,用户可以很容易确认模拟机体器官的结果。另外,也可以采用本系统作为糖尿病诊疗支持系统这样的医疗系统中的模拟机体功能的子系统。在此场合,将算出的血糖值、胰岛素浓度的时序变化交付给医疗系统的其他构成要素,从而,比如,生成糖尿病诊疗支持信息等,根据由本系统算出的血糖值、胰岛素浓度也可以得到可靠性高的医疗信息。
另外,在本系统的微分方程的计算中,比如,可以使用E-Cell(庆应义塾大学公开软件)及MatLab(Mathworks公司产品),也可以使用其他的计算系统。
利用图2~图6所示的上述机体模型,在模拟各个患者的机体器官时,必须相应于各个患者确定上述的参数和变量的初始值(另外,下面除非特别区别,变量的初始值也包含在生成对象的参数中)。
因此,本系统具有求出作为机体模型的内部参数的组的内部参数集(以下有时单称其为“参数集”)的参数集生成功能(参数集生成部),通过将由该功能生成的参数集提供给上述机体模型,机体模型运算部进行机体器官的功能的模拟。
[参数集生成部:实施方式1]
[OGTT时序输入:步骤S1-1]
图7为表示实施方式1的参数集生成部求出机体模型的参数集的处理顺序。如同图所示,为了求出参数,首先,进行OGTT(口服葡萄糖耐量测试)时序数据的输入处理(步骤S1-1)。
OGTT时序数据是对希望用机体模型模拟的患者进行实际检查的OGTT(口服规定量葡萄糖液,测定血糖值及血中胰岛素浓度的随时间变化)的结果,本系统接受输入作为实际的机体响应(实际的检查值)。此处,输入OGTT葡萄糖数据(血糖值变动数据)和OGTT胰岛素(血中胰岛素浓度变动数据)两个数据作为OGTT时序数据。
图8表示作为输入的OGTT时序数据的血糖值变动数据(图8(a))及血中胰岛素浓度变动数据(图8(b))。
图8(a)的血糖值变动数据是与图2~图6所示的机体模型的输出项目之一的血糖值BG(t)的随时间变化相对应的实测数据。
另外,图8(b)的血中胰岛素浓度变动数据是与图2~图6所示的机体模型的输出项目之一的血中胰岛素浓度I1(t)的随时间变化相对应的实测数据。
另外,对OGTT时序数据的本系统的输入,既可以使用键盘和鼠标等输入装置130进行,也可以从预先登载有OGTT时序数据的数据库等外部存储装置进行。
[模板匹配:步骤S1-2]
下面,本系统(CPU100a)进行输入的OGTT时序数据和模板数据库DB1的模板的匹配。
模板数据库DB1,如图9所示,是预先存放使成为模板的机体模型的参照用输出值T1、T2...和使该参照用输出值发生的参数集PS#01、PS#02...对应关联的多组数据的数据库。为了生成参照用输出值和参数集的组,对于任意的参照用输出值,分配适当的参数集,或反之也可以利用机体模拟系统求出选择任意参数集的场合的机体模型的输出。
图10表示为模板(参照用输出值)T1的示例。图10(a)是作为模板的血糖值变动数据,是与图2~图6所示的机体模型的输出项目之一的血糖值BG(t)的时间变化相对应的参照用时序数据。图10(b)是作为模板的血中胰岛素浓度变动数据,是与作为图2~图6所示的机体模型的输出项目之一的血中胰岛素浓度I1(t)的时间上的变化相对应的参照用时序数据。
系统(CPU100a)对上述模板数据库DB1的各参照用时序数据和OGTT时序数据的相似度进行运算。相似度可通过求出误差总和而得到。误差总和可利用下式得出。
误差总和=α∑|BG(0)-BGt(0)|+β∑|PI(0)-PIt(0)|
+α∑|BG(1)-BGt(1)|+β∑|PI(1)-PIt(1)|
+α∑|BG(2)-BGt(2)|+β∑|PI(2)-PIt(2)|
+...
=α{∑|BG(t)-BGt(t)|}+β{∑|PI(t)-PIt(t)|}其中,
BG:输入数据的血糖值[mg/dl]
PI:输入数据的血中胰岛素浓度[μU/ml]
BGt:模板的血糖值[mg/dl]
PIt:模板的血中胰岛素浓度[μU/ml]
t:时间[分]
另外,α及β是在标准化中使用的系数,
α=1/Average{∑BG(t)}
β=1/Average{∑PI(t)}
式中的Average指的是存放于模板数据库DB1中的全部模板的平均值。
图11表示对于模板T1的OGTT时序数据的误差总和(未标准化),具体言之,图11(a)表示图8(a)的血糖值和图10(a)的血糖值的误差,图11(b)表示图8(b)的胰岛素和图10(b)的胰岛素的误差。
观察图8的输入数据(以10分为间隔从0分起至180分的数据)和图10的模板T1可知:
∑|BG(t)-BGt(t)|=29
∑|PI(t)-PIt(t)|=20
其中,以α=0.00035、β=0.00105时,
误差总和=(0.00035×29)+(0.00105×20)
=0.03115
如此,CPU100a,对模板数据库DB1中的各模板求出误差总和,确定误差总和(类似度)最小的模板,即最近似OGTT时序数据的模板(步骤S1-2)。
[阈值判定:步骤S1-3]
接着,在步骤S1-3中,CPUA100a,通过判定在步骤S1-2中确定的模板的误差总和(类似度)是否小于等于阈值,判定所确定的模板对于输入到OGTT时序数据是否充分类似。比如,在阈值(判定基准值)定为0.1的场合,在步骤S1-2中提取上述模板T1(误差总和=0.03115)的场合,判定模板T1与OGTT时序数据类似。
[参数集获得:步骤S1-4]
然后,在步骤S1-4中,CPU100a,从模板数据库DB1中获得与在步骤S1-2中确定并在步骤S1-3中判定为类似的模板相对应的参数集。就是说,得到与模板T1相对应的参数集PS#01(参见图9)。
另外,在本系统中,使用模板数据库DB1,通过步骤S1-2、步骤S1-4,选择参数集的功能构成本系统的数据库参照手段。
下述表1表示在这样得到的参数集PS#01中包含的参数值的具体数值例。
【表1】与模板T1对应的参数集PS#01
参数 | 值 | 单位 | |
胰脏 | h | 92.43 | [mg/dl] |
α | 0.228 | [l/min] | |
β | 0.357 | [(μU/ml)·(dl/mg)·(l/min)] | |
M | 1 | [l/min] | |
X(0) | 336.4 | [μU/ml] | |
Y(0) | 4.4 | [(μU/ml)·(l/min)] | |
胰岛素动态 | A1 | 0.025 | [l/min] |
A2 | 0.042 | [l/min] | |
A3 | 0.435 | [l/min] | |
A4 | 0.02 | [l/min] | |
A5 | 0.394 | [l/min] | |
A6 | 0.142 | [l/min] | |
末梢组织 | Kb | 0.009 | [l/min] |
Kp | 5.28E-05 | [(ml/μU)·(l/min)] | |
u | 0.6 | ||
肝脏 | A7 | 0.47 | |
Kh | 0.0000462 | [(ml/μU)·(dl/mg)·(l/min)] | |
b2 | 1.1 | ||
r | 0.98 | ||
α2 | 0.228 | ||
I4off | 5 | [μU/ml] |
上述参数集PS#01,在提供给机体模型时,由于可以生成与输入到OGTT时序数据近似的输出,可以适当地模拟患者的机体器官。
[机体功能profile输出:本周S1-5]
于是,本系统(CPU100a),根据包含在所得到的参数集PS#01中的各个参数值,生成图12所示的机体功能profile,输出到显示器120。另外,图12(a)是根据胰脏模块的参数生成的胰脏profile,图12(b)是根据肝脏模块的参数生成的肝脏profile,而图12(c)是根据末梢组织模块的参数生成的糖代谢profile。
[机体模型参数集推测处理:步骤S1-6]
在步骤S1-3中,在判定模板的误差总和(类似度)大于阈值(不近似)的场合,不使用模板数据库DB1,通过以下的参数集推测处理生成参数集。
图13为表示利用遗传算法(以下也简称其为“GA”)的参数集推测处理的示图。
利用GA的参数值的生成,如图13所示,是通过由CPU100a执行参数集的初始集群生成处理(步骤S1-6-1)、适应度评价处理(步骤S1-6-2)、选择·交叉·突变处理(步骤S1-6-4)及结束判定处理(步骤S1-6-3、S1-6-5)而进行的。
下面对图13的算法进行详细叙述。
[初始集群生成:步骤S1-6-1]
本系统具有针对在下述表2中表示的机体模型的各个参数的搜索范围的信息。表2的搜索范围是对各参数,自人取得的值的范围,以下将表2的搜索范围称为基本搜索范围。
本系统,具有通过对各参数在表2的最小值和最大值的范围内产生随机数而自动随机生成参数集PS的功能。以下有时将这样得到的参数集PS称为“个体”。
【表2】既定参数搜索范围
参数 | 最小值 | 最大值 | 单位 | |
胰脏 | h | 21.06 | 526.5 | [mg/dl] |
α | 0.00304 | 0.684 | [l/min] | |
β | 0.0751168 | 338.0256 | [(μU/ml)·(dl/mg)·(l/min)] | |
M | 0.02 | 1 | [l/min] | |
X(0) | 67.28 | 15138 | [μU/ml] | |
Y(0) | 0.88 | 198 | [(μU/ml)·(l/min)] | |
胰岛素动态 | A1 | 0.005 | 0.075 | [l/min] |
A2 | 0.0084 | 0.126 | [l/min] | |
A3 | 0.087 | 1.305 | [l/min] | |
A4 | 0.004 | 0.06 | [l/min] | |
A5 | 0.0788 | 1.182 | [l/min] | |
A6 | 0.0284 | 0.426 | [l/min] | |
末梢组织 | Kb | 0.0018 | 0.027 | [l/min] |
Kp | 6.66667E-07 | 0.001 | [(ml/μU)·(l/min)] | |
u | 0.12 | 1.8 | ||
肝脏 | A7 | 0.094 | 1.41 | |
Kh | 0.00000924 | 0.0001386 | [(ml/μU)·(dl/mg)·(l/min)] | |
b1 | 0.18 | 2.7 | ||
b2 | 0.22 | 3.3 | ||
r | 0.196 | 1 | ||
α2 | 0.00304228 | 0.684 | ||
I4off | 1 | 15 | [μU/ml] |
可以通过在表2的搜索范围内对每个参数重复进行产生随机数的处理生成由多个(比如,10个)参数集PS组成的初始集群。
[适应度评价处理:步骤S1-6-2]
本系统对生成的个体进行适应度评价,从(初始)集群中的个体PS中选择提取一部分个体PS。
在适应度评价中,将在图7的步骤S1-1中输入的实测的OGTT时序数据(参见图8(a)、(b))用作参照。成为参照的实测的数据(机体响应)是本系统想要作为机体模型的输出而再现的数据,如果适用所生成的参数集的机体模型也可以得到与参照同样的响应,就可以说该个体对实测值的适应性高。
于是,生成的参数集的适应度评价,通过判定适用所生成的参数集的机体模型的输出(血糖值数据、血中胰岛素浓度数据)和参照(OGTT葡萄糖数据、OGTT胰岛素数据)的类似度(适应度)进行。
[选择:步骤S1-6-4-1]
随后,本系统,基于规定的选择基准,比如,适应度的高度,从(初始)集群中选择一部分(比如,4个个体)作为“亲代”。另外,作为选择基准并不限定于“适应度高者”,也可以是包含一部分期待在后代的“子代”中适应度会提高的适应度低的“亲代”的基准。
[交叉:步骤S1-6-4-2]
对于利用上述选择作为“亲代”选择的个体群,本系统以以下的顺序生成成为“子代”的新的2个个体。
首先,(1)从所选择的个体群任意选择2个个体。随后,(2)求出个体之间的交叉次数(成为交换对象的参数的数目)。在交叉概率为XR(0~1的范围)时,交叉次数由下式确定。
交叉次数=[XR×1个个体具有的参数数]
其中,[]是高斯算符。(例)[3.14]=3
随后,(3)求出交叉点。交叉点可通过“交叉次数”次随机地产生从1到参数数(表1的场合“22”)为止的整数值而求出。
最后,(4)进行新个体的生成。具体言之,对于由(1)选择的2个个体,交换由(3)确定的交叉点的参数,生成新的2个个体。
通过重复上述(1)~(4)的处理,生成通过“选择”减少的个体数(在上述的示例中为6个个体)的新个体(子)而生成新的集群。
[突变:步骤S1-6-4-3]
此外,本系统,对于新集群的全部个体,利用突变概率MR(0~1的范围)以下述的顺序使各个体的各参数改变。
比如,突变处理,对于某一个体的某一参数,在0~1的范围中,产生随机数并在R≤MR时,在表2所示的搜索范围内产生随机数,与原来的参数的值进行置换。同样的处理对全部个体的全部参数进行。
[结束条件判定处理:步骤S1-6-3、S1-6-5]
如图12所示,步骤S12~S14的处理重复进行,在步骤S1-6-2中进行适应度评价处理的结果,在现在的集群之中在规定的基准以上存在适应度高的个体的场合,结束GA的处理,将在集群之中最高适应度的个体(参数集)作为推测结果(步骤S1-6-3)。
另外,在重复步骤S1-6-2~S1-6-4(适应度评价~突变)的处理的次数超过某一次数的场合,结束GA的处理,将在集群之中最高适应度的个体(参数集)作为推测结果(步骤S1-6-5)。作为结束条件的重复次数,比如,可以定为300次。
在将利用以上的机体模型参数集推测处理求出的次数提供给机体模型时,由于可以生成与输入的OGTT时序数据近似的输出,可以合适地模拟患者的机体器官。另外,本系统,根据通过推测处理而求出的参数集中所包含的参数值,生成机体功能profile,输出到显示器120(步骤S1-5)。
根据实施方式1,由于在模板数据库DB1的模板中存在与OGTT时序数据近似的数据时,可以参照该数据库DB1简单地得到参数集,所以与只通过机体模型推测处理生成参数集的场合相比,处理可以高速化。
另外,在模板数据库DB1具有足够多的模板的场合,也可以省略用于机体模型参数集推测处理(S1-6)的功能。
[参数集生成部:实施方式2]
图14表示实施方式2的参数生成部求出机体模型的参数集的处理顺序。图14的步骤S2-1、步骤S 2-2、步骤S2-3、步骤S2-4分别为与图7的步骤S1-1、步骤S1-2、步骤S1-3、步骤S1-4同样的处理。
在实施方式2中,模板匹配的结果,在步骤S2-4中,不能将从模板数据库DB1获得的参数集直接使用,CPU100a,根据该参数集,确定局部的参数搜索范围(步骤S2-5)。
在步骤S2-5中确定的局部搜索范围,在包含在步骤S2-4获得的参数集的各参数值的同时,与在上述表2中表示的基本搜索范围相比范围窄。具体言之,局部搜索范围,在步骤S2-4中获得的参数集的参数值为中心值时,具有规定的搜索幅度mm1~mm22。就是说,对各参数值,如表3所示,分别设定搜索幅度mm1~mm22。比如,对于在步骤S2-4中获得的参数集的参数值“h”,“h-mm1”成为参数“h”的局部搜索范围的最小值,而“h+mm1”成为参数“h”的局部搜索范围的最大值。
【表3】参数搜索幅度
参数 | 搜索幅度 | |
胰脏 | h | mm1 |
α | mm2 | |
β | 3 | |
M | 4 | |
X(0) | 5 | |
Y(0) | 6 | |
胰岛素动态 | A1 | 7 |
A2 | 8 | |
A3 | 9 | |
A4 | 10 | |
A5 | 11 | |
A6 | 12 | |
末梢组织 | Kb | 13 |
Kp | 14 | |
u | 15 | |
肝脏 | A7 | 16 |
Kh | 17 | |
b1 | 18 | |
b2 | 19 | |
r | 20 | |
α2 | 21 | |
I4off | 22 |
另一方面,在步骤S2-3中,CPU100a,在判定模板的误差总和(类似度)大于阈值(不类似)的场合,作为搜索范围,采用表2所示的既定值参数搜索范围(基本参数搜索范围)。
于是,在步骤S2-7中,在步骤S2-5中确定的局部搜索范围或在步骤S2-6中确定的局部搜索范围进行机体模型参数集推测处理。就是说,在局部搜索范围或基本搜索范围中,利用进行个体生成·交叉·突变的遗传算法进行参数集的生成。另外,遗传算法的处理顺序,与图7的步骤S1-6的处理顺序一样。
这样,实施方式2的步骤S2-5的功能,构成搜索参数集的参数集搜索手段。
另外,根据在步骤S2-7中生成的参数集,生成机体功能profile,输出到显示器120(步骤S2-8)。
这样,实施方式2的参数集生成部,由于不是将从模板数据库DB1获得的参数集直接使用,而是根据所得到的参数集确定搜索范围,在该搜索范围中搜索生成与输入的OGTT时序数据更为近似的输出的参数集,所以可以得到更合适的参数集。
而且,在实施方式2中,由于基于从模板数据库DB1获得的参数集,设定比基本搜索范围小的局部搜索范围,所以与在基本搜索范围中利用机体模型参数集推测处理生成参数集的场合相比,可以使处理高速化。
另外,在实施方式2中,在模板数据库DB1具有足够多的模板的场合,在基本搜索范围中的机体模型参数集推测处理功能也可以省略。
[参数集生成部:实施方式3]
图15表示实施方式2的参数生成部求出机体模型的参数集的处理顺序。图15的步骤S3-1、步骤S3-2、步骤S3-3、步骤S3-4分别为与图7的步骤S1-1(图14的步骤S2-1)、步骤S1-2(图14的步骤S2-2)、步骤S1-3(图14的步骤S2-3)、步骤S1-4(图14的步骤S2-4)同样的处理。
另外,图15的步骤S3-5是与图14的步骤S2-5同样的处理。不过,在图14的步骤S2-5中,根据从模板数据库DB1获得的参数集确定“搜索范围”,而在实施方式3的步骤S3-5中,利用与步骤S2-5同样的处理确定“选择范围”。
另外,此步骤S3-5的功能构成本系统的选择范围确定手段。
另外,在实施方式3的步骤S3-6中,与上述“选择范围”无关,在既定值参数搜索范围(基本搜索范围)中,进行机体模型参数集推测处理。就是说,在基本搜索范围中,通过执行个体生成·交叉·突变的遗传算法进行参数集的自动生成。另外,遗传算法的处理顺序,与图7的步骤S1-6的处理顺序一样。
在遗传算法的执行中自动生成的参数集,通过利用遗传算法的适应度评价的第1次选择缩小,选择与输入到OGTT时序数据近似的参数集。另外,在步骤S3-6中的功能构成本系统的第1次选择手段。
另外,在此,遗传算法执行多次,生成多个参数集。在生成的多个参数集提供给机体模型时,任何一个都可以生成与输入的OGTT时序数据近似的输出,可以得到多个可以生成同样的输出的参数集。比如,在多个参数集中,有时包含的参数集具有人不能得到的参数值的组合。
于是,在实施方式3中,进行对利用步骤S3-6的机体模型参数集推测处理求出的多个参数集在上述“选择范围”中缩小的第2次选择处理(步骤S3-7)。由于“选择范围”是可能存在适当的参数值的范围,通过在多个参数集之中选择进入此“选择范围”的参数集,可以选出适当的参数集。另外,步骤S3-7的功能构成本系统的第2次选择手段。
另外,在实施方式3中,在步骤S3-3中,在判定模板的误差总和(类似度)大于阈值(不类似)的场合,利用将既定值参数搜索范围(基本搜索范围)作为搜索范围的机体模型参数集推测处理生成单一的参数集。
于是,根据在步骤S3-7中选择的参数集或在步骤S3-8中生成的参数集,生成机体功能profile,输出到显示器120(步骤S3-9)。
另外,在实施方式3中,在模板数据库DB1具有足够多的模板的场合,步骤3-8的处理功能也可以省略。
[参数集生成部:实施方式4]
图16表示实施方式4的参数生成部求出机体模型的参数集的处理顺序。图16的步骤S4-1、步骤S4-2、步骤S4-3分别为与图7的步骤S1-1、步骤S1-2、步骤S1-3同样的处理。
另外,图16的步骤S4-4是与图7的步骤S1-4大致同样的处理,但在步骤S4-4中,不是参照模板数据库DB1,而是参照图17所示的模板数据库DB2。图17所示的模板数据库DB2,是对一个模板(参照用输出)对应分配有多个参数集候选。比如,对于模板T1分配有5个参数集候选PS#01-A、PS#02-A、PS#03-A、PS#04-A、PS#05-A。这5个参数集候选各自的参数值不同,但作为参数提供给机体模型时,该机体模型可以产生与模板T1近似的输出。
在实施方式4中,在选择模板T1作为与OGTT时序数据最近似的模板的场合,在步骤S4-4中,参照模板数据库DB2,获得与模板T1相对应的5个参数集候选PS#01-A~PS#05-A。
这些候选PS#01-A~PS#05-A,在提供给机体模型时,任何一个都可以产生与OGTT时序数据(模板T1)比较近似的输出,但输出互相略有不同。
于是,在步骤S4-5中,CPU100a,以赋予各参数集候选PS#01-A~PS#05-A的机体模型的输出和OGTT时序数据作为对象,进行与模板匹配同样的类似度运算(误差总和运算)。误差总和最小的参数集候选可以产生与OGTT时序数据最近似的输出。
另外,在模板数据库DB2中,与一个模板对应的参数集候选数并不限定于5个,多少个都可以。
另外,在实施方式4中,在步骤S4-3中,在判定模板的误差总和(类似度)大于阈值(不类似)的场合,利用将既定值参数搜索范围(基本搜索范围)作为搜索范围的机体模型参数集推测处理生成参数集。
于是,基于在步骤S4-5中或在步骤4-6中得到的参数集生成机体功能profile,输出到显示器120(步骤S4-7)。
另外,在实施方式4中,在模板数据库DB1具有足够多的模板的场合,步骤3-7的处理功能也可以省略。
[参数集生成部:实施方式5]
图18表示实施方式5的参数生成部求出机体模型的参数集的处理顺序。图18的步骤S5-1、步骤S5-2、步骤S5-3分别为与图7的步骤S1-1、步骤S1-2、步骤S1-3同样的处理。
另外,图18的步骤S5-4与图7的步骤S1-4及图14的步骤S2-4为大致同样的处理,但在步骤S5-4中不是参照模板数据库DB1,而是参照图19的模板数据库DB3。图19所示的模板数据库DB3,是对一个模板(参照用输出)对应分配有参数的搜索范围。比如,作为与模板T1相对应的搜索范围设定下述表4所示的范围。
【表4】
参数 | 最小值 | 最大值 | 单位 | |
胰脏 | h | 105.3 | 175.5 | [mg/dl] |
α | 0.0152 | 0.228 | [l/min] | |
β | 0.0751168 | 112.6752 | [(μU/ml)·(dl/mg)·(l/min)] | |
M | 0.1 | 1 | [l/min] | |
X(0) | 336.4 | 50464 | [μU/ml] | |
Y(0) | 4.4 | 66 | [(μU/ml)·(l/min)] | |
胰岛素动态 | A1 | 0.025 | 0.025 | [l/min] |
A2 | 0.042 | 0.042 | [l/min] | |
A3 | 0.435 | 0.435 | [l/min] | |
A4 | 0.02 | 0.02 | [l/min] | |
A5 | 0.394 | 0.394 | [l/min] | |
A6 | 0.142 | 0.142 | [l/min] | |
末梢组织 | Kb | 0.009 | 0.009 | [l/min] |
Kp | 3.33333E-06 | 0.00033333 | [(ml/μU)·(l/min)] | |
u | 0.6 | 0.6 | ||
肝脏 | A7 | 0.47 | 0.47 | |
Kh | 0.0000462 | 0.0000462 | [(ml/μU)·(dl/mg)·(l/min)] | |
b1 | 0.9 | 0.9 | ||
b2 | 1.1 | 1.1 | ||
r | 0.98 | 0.98 | ||
α2 | 0.0152 | 0.228 | ||
I4off | 5 | 5 | [μU/ml] |
在模板数据库DB3中与模板相对应的搜索范围比表2所示的既定的参数搜索范围(基本搜索范围)的范围窄,在该搜索范围中的任意参数集提供给机体模型时,可以产生与模板近似的输出。就是说,表4的搜索范围与前述的局部搜索范围一样。
在此实施方式5中,与实施方式2一样,根据模板可以确定比基本搜索范围窄的搜索范围,但由于在模板数据库DB3中存放局部搜索范围,可以从模板匹配立即得到局部搜索范围,可以进行高速处理。
另外,在步骤S5-3中,在判定模板的误差总和(类似度)大于阈值(不类似)的场合,采用既定值参数搜索范围(基本搜索范围)作为搜索范围(步骤S5-5),在步骤S5-6中,在步骤S5-4中确定的局部搜索范围或在步骤S5-5中确定的基本搜索范围中进行机体模型参数集推测处理。就是说,在局部搜索范围或基本搜索范围中,利用个体生成·交叉·突变的遗传算法进行参数集的生成。另外,遗传算法的处理顺序,与图7的步骤S1-6的处理顺序一样。
如上所述,步骤S5-6的功能在本系统中构成选择参数集的选择手段。
另外,根据在步骤S5-6中生成的参数集,生成机体功能profile,输出到显示器120(步骤S5-7)。
[参数集生成部:实施方式6]
图20表示实施方式6的参数生成部求出机体模型的参数集的处理顺序。图20的步骤S6-1、步骤S6-2、步骤S6-3分别为与图7的步骤S1-1、步骤S1-2、步骤S1-3同样的处理。
另外,图20的步骤S6-4是与图18的步骤S5-4同样的处理。不过,在图18的步骤S5-4中,是从模板数据库DB3获得参数集“搜索范围”,但在实施方式6的步骤S6-4中是通过与步骤S5-4同样的处理确定参数集的“选择范围”。
另外,在步骤S6-5中,与实施方式3的步骤S3-6一样,与上述“选择范围”无关,在既定值参数搜索范围(基本搜索范围)中,进行机体模型参数集推测处理。就是说,在基本搜索范围中,通过执行个体生成·交叉·突变的遗传算法进行参数集的自动生成。另外,遗传算法的处理顺序,与图7的步骤S1-6的处理顺序一样。
在遗传算法的执行中自动生成的参数集,通过利用遗传算法中的适应度评价的第1次选择缩小,选择与输入到OGTT时序数据近似的参数集。
另外,此处,遗传算法执行多次,生成多个参数集。
这样,步骤S6-5的功能构成本系统的第1次选择手段。
于是,在实施方式6中,与实施方式3的步骤S 3-7一样,进行对利用机体模型参数集推测处理求出的多个参数集在上述“选择范围”中缩小的第2次选择处理(步骤S6-6)。由于“选择范围”是可能存在适当的参数值的范围,通过在多个参数集之中选择进入此“选择范围”的参数集,可以选出适当的参数集。
另外,在实施方式6中也是在步骤S6-3中,在判定模板的误差总和(类似度)大于阈值(不类似)的场合,利用将既定值参数搜索范围(基本搜索范围)作为搜索范围的机体模型参数集推测处理,生成单一的参数集(步骤S6-7)。
于是,根据在步骤S6-6中选择的参数集或在步骤S6-7中生成的参数集,生成机体功能profile,输出到显示器120(步骤S6-8)。
另外,在实施方式6中,在模板数据库DB1具有足够多的模板的场合,步骤6-7的处理功能也可以省略。
另外,本发明并不限定于此上述实施方式,在不脱离本发明的主旨的范围内可以有种种变型。
比如,模拟的对象,并不限定于糖尿病的病态,也可以涉及其他的病态。另外,机体模型的构成及其参数也并不限定于上述内容,可以适当改变。
另外,探索手段(选择手段)并不限定于由遗传算法构成,只要是随机自动生成参数集,利用适当的基准,选择合适的参数集的手段,也可以是其他的算法。
Claims (7)
1.机体模拟系统,其特征在于具有:
内部参数集生成部,生成构成机体模型的内部参数集;
机体模型运算部,根据内部参数集对模仿机体器官的机体响应的机体模型的输出进行运算;和
模板数据库,具有多个机体模型的参照用输出值和与该参照用输出值具有对应关系的内部参数集的组合;
上述内部参数集生成部具有数据库参照手段,从上述模板数据库中选择与实际的机体响应近似的参照用输出,选择与所选择的参照用输出值相对应的内部参数集。
2.如权利要求1所述的机体模拟系统,其特征在于:
上述内部参数集生成部还包括参数集探索手段,基于由上述数据库参照手段选择的内部参数集,搜索生成与实际机体响应更近似的输出的内部参数集。
3.如权利要求2所述的机体模拟系统,其特征在于:
上述内部参数集生成部还包括搜索范围确定手段,基于由上述数据库参照手段选择的内部参数集,确定内部参数集的搜索范围;
上述参数集探索手段的构成为可在由上述搜索范围确定手段确定的搜索范围内探索上述参数集。
4.如权利要求2所述的机体模拟系统,其特征在于:
上述内部参数集生成部还包括选择范围确定手段,基于由上述数据库参照手段选择的内部参数集,确定内部参数集的选择范围;
上述参数集探索手段具有:
自动生成手段,自动生成多个不同的内部参数集的手段;
第1次选择手段,判定应用自动生成的内部参数集算出的机体模型的输出和实际的机体响应的近似性,在生成的多个内部参数集中选择适当的内部参数集,得到多个内部参数集;
第2次选择手段,在由上述第1次选择手段得到的内部参数集之中选择上述选择范围内的参数集。
5.机体模拟系统,其特征在于具有:
内部参数集生成部,生成构成机体模型的内部参数集;
机体模型运算部,根据内部参数集对模仿机体器官的机体响应的机体模型的输出进行运算;和
模板数据库,具有多个机体模型的参照用输出值和与该参照用输出值具有对应关系的内部参数集搜索范围的组合;
上述内部参数集生成部具有数据库参照手段、自动生成手段以及选择手段,
数据库参照手段从上述模板数据库中选择与实际的机体响应近似的参照用输出,选择与所选择的参照用输出值相对应的内部参数集的搜索范围;
自动生成手段在上述搜索范围内,自动生成多个不同的内部参数集;
选择手段判定应用自动生成的内部参数集算出的机体模型的输出和实际的机体响应的近似性,从所生成的多个内部参数集之中选择合适的内部参数集。
6.使用机体模型的机体模拟系统,其特征在于具有:
内部参数集生成部,生成构成机体模型的内部参数集;
机体模型运算部根据内部参数集对模仿机体器官的机体响应的机体模型的输出进行运算;和
模板数据库,具有多个机体模型的参照用输出值和与该参照用输出值具有对应关系的内部参数集选择范围的组合;
上述内部参数集生成部具有数据库参照手段、自动生成手段、第1次选择手段以及第2次选择手段;
数据库参照手段从上述模板数据库中选择与实际的机体响应近似的参照用输出,选择与所选择的参照用输出值相对应的内部参数集的选择范围;
自动生成手段在上述搜索范围内,自动生成多个不同的内部参数集;
第1次选择手段判定应用自动生成的内部参数集算出的机体模型的输出和实际的机体响应的近似性而从所生成的多个内部参数集之中选择合适的内部参数集;
第2次选择手段从利用上述第1次选择手段得到的内部参数集之中选择上述选择范围内的参数集。
7.一种记录使计算机作为机体模拟系统发挥功能的计算机程序的记录介质,上述机体模拟系统包括:
内部参数集生成部,生成构成机体模型的内部参数集;
机体模型运算部,根据内部参数集对模仿机体器官的机体响应的机体模型的输出进行运算;和
模板数据库,具有多个机体模型的参照用输出值和与该参照用输出值具有对应关系的内部参数集的组合;
上述内部参数集生成部具有数据库参照手段,从上述模板数据库中选择与实际的机体响应近似的参照用输出,选择与所选择的参照用输出值相对应的内部参数集。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005138563A JP4756906B2 (ja) | 2005-05-11 | 2005-05-11 | 生体シミュレーションシステム及びコンピュータプログラム |
JP2005138563 | 2005-05-11 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1895160A true CN1895160A (zh) | 2007-01-17 |
Family
ID=36694406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA200610081761XA Pending CN1895160A (zh) | 2005-05-11 | 2006-05-11 | 机体模拟系统及记录介质 |
Country Status (4)
Country | Link |
---|---|
US (2) | US20060277016A1 (zh) |
EP (1) | EP1722345A1 (zh) |
JP (1) | JP4756906B2 (zh) |
CN (1) | CN1895160A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110296777A (zh) * | 2018-03-22 | 2019-10-01 | 香港纺织及成衣研发中心 | 智能仿生人体部位模型检测装置及制造方法 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2884408B1 (fr) * | 2005-04-13 | 2007-05-25 | Tornier Sas | Dispositif chirurgical d'implantation d'une prothese partielle ou totale de genou |
FR2884407B1 (fr) * | 2005-04-13 | 2007-05-25 | Tornier Sas | Dispositif chirurgical d'implantation d'une prothese partielle ou totale du genou |
JP4861687B2 (ja) * | 2005-11-21 | 2012-01-25 | シスメックス株式会社 | 医療用シミュレーションシステム及びそのコンピュータプログラム |
JP2009520278A (ja) | 2005-12-16 | 2009-05-21 | ネクストバイオ | 科学情報知識管理のためのシステムおよび方法 |
US8364665B2 (en) * | 2005-12-16 | 2013-01-29 | Nextbio | Directional expression-based scientific information knowledge management |
US9141913B2 (en) * | 2005-12-16 | 2015-09-22 | Nextbio | Categorization and filtering of scientific data |
US9183349B2 (en) | 2005-12-16 | 2015-11-10 | Nextbio | Sequence-centric scientific information management |
US20090089029A1 (en) * | 2007-09-28 | 2009-04-02 | Rockwell Automation Technologies, Inc. | Enhanced execution speed to improve simulation performance |
US20090089234A1 (en) * | 2007-09-28 | 2009-04-02 | Rockwell Automation Technologies, Inc. | Automated code generation for simulators |
US7809534B2 (en) * | 2007-09-28 | 2010-10-05 | Rockwell Automation Technologies, Inc. | Enhanced simulation models for automation |
US8548777B2 (en) * | 2007-09-28 | 2013-10-01 | Rockwell Automation Technologies, Inc. | Automated recommendations from simulation |
US8069021B2 (en) * | 2007-09-28 | 2011-11-29 | Rockwell Automation Technologies, Inc. | Distributed simulation and synchronization |
US7801710B2 (en) * | 2007-09-28 | 2010-09-21 | Rockwell Automation Technologies, Inc. | Simulation controls for model variability and randomness |
US20090089031A1 (en) * | 2007-09-28 | 2009-04-02 | Rockwell Automation Technologies, Inc. | Integrated simulation of controllers and devices |
US8538739B2 (en) * | 2007-10-31 | 2013-09-17 | International Business Machines Corporation | Adjusting model output events in a simulation |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08289877A (ja) * | 1995-04-24 | 1996-11-05 | Toshiba Corp | 組織の興奮伝播過程のシミュレーション方法及びこの方法を使用した組織内電磁気現象診断装置 |
FI112545B (fi) * | 1997-05-30 | 2003-12-15 | Nokia Corp | Menetelmä ja järjestelmä potilaan veren glykosyloidun hemoglobiinikomponentin tason ennustamiseksi |
JPH11120215A (ja) * | 1997-10-14 | 1999-04-30 | Mitsubishi Electric Corp | 最適解探索支援装置 |
JPH11296598A (ja) * | 1998-04-07 | 1999-10-29 | Seizaburo Arita | 血糖値の予測システム及び予測方法並びにこの方法を記録した記録媒体 |
JP2001291042A (ja) * | 2000-04-07 | 2001-10-19 | Hiroyuki Kurata | 生命システムシミュレータ及び生命システムシミュレーション方法並びに記録媒体 |
US7353152B2 (en) * | 2001-05-02 | 2008-04-01 | Entelos, Inc. | Method and apparatus for computer modeling diabetes |
US20030033126A1 (en) * | 2001-05-10 | 2003-02-13 | Lincoln Patrick Denis | Modeling biological systems |
GB0121565D0 (en) * | 2001-09-06 | 2001-10-24 | Univ Robert Gordon | Modelling metabolic systems |
JP2003106298A (ja) * | 2001-09-28 | 2003-04-09 | Hitachi Ltd | ターボ形流体機械の設計方法及び設計システム |
JP2003228600A (ja) * | 2002-01-31 | 2003-08-15 | Osaka Industrial Promotion Organization | 音響機器の設計方法、音響機器の設計装置、コンピュータプログラム、及び記録媒体 |
JP4289869B2 (ja) * | 2002-11-06 | 2009-07-01 | シスメックス株式会社 | 糖尿病診断支援システム |
DE10256315A1 (de) * | 2002-12-03 | 2004-06-17 | Bayer Ag | Computersystem und Verfahren zur Berechnung eines pharmakokinetischen Verhaltens einer chemischen Substanz in Insekten |
JP2004357552A (ja) * | 2003-06-03 | 2004-12-24 | Hitachi Ltd | 作用物質による効果推定方法及びスクリーニング方法 |
JP4547173B2 (ja) * | 2004-03-17 | 2010-09-22 | シスメックス株式会社 | 糖尿病診療支援システム |
-
2005
- 2005-05-11 JP JP2005138563A patent/JP4756906B2/ja not_active Expired - Fee Related
-
2006
- 2006-05-11 CN CNA200610081761XA patent/CN1895160A/zh active Pending
- 2006-05-11 US US11/431,962 patent/US20060277016A1/en not_active Abandoned
- 2006-05-11 EP EP06009780A patent/EP1722345A1/en not_active Withdrawn
-
2008
- 2008-03-06 US US12/043,752 patent/US20080288228A1/en not_active Abandoned
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110296777A (zh) * | 2018-03-22 | 2019-10-01 | 香港纺织及成衣研发中心 | 智能仿生人体部位模型检测装置及制造方法 |
US11860051B2 (en) | 2018-03-22 | 2024-01-02 | The Hong Kong Research Institute Of Textiles And Apparel Limited | Intelligent bionic human body part model detection device and method for manufacturing same |
Also Published As
Publication number | Publication date |
---|---|
JP4756906B2 (ja) | 2011-08-24 |
JP2006314453A (ja) | 2006-11-24 |
US20060277016A1 (en) | 2006-12-07 |
US20080288228A1 (en) | 2008-11-20 |
EP1722345A1 (en) | 2006-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1895160A (zh) | 机体模拟系统及记录介质 | |
CN1862551A (zh) | 治疗效果预测系统、治疗效果预测方法及其计算机程序产品 | |
CN101077307A (zh) | 生物器官功能模拟系统 | |
CN1127322C (zh) | 脉波分析装置和使用该装置的诊断装置 | |
CN1082208C (zh) | 从语言中性源程序产生语言专用接口定义的系统和方法 | |
CN1853560A (zh) | 运动解析显示装置及运动解析方法 | |
CN1289660C (zh) | 一种制备未分化细胞的方法 | |
CN1809812A (zh) | 用于源代码检测源代码中弱点的方法和装置 | |
CN1977531A (zh) | 程序生成装置、程序测试装置、程序执行装置及信息处理系统 | |
CN1558348A (zh) | 将基于模式的分级数据结构转换成平面数据结构的方法以及系统 | |
CN1934570A (zh) | 文本挖掘装置和其方法以及程序 | |
CN1723848A (zh) | 使用加速度传感器测量体育运动量的设备和方法 | |
CN1755709A (zh) | 图像匹配装置、匹配图像方法及计算机程序产品 | |
CN1707431A (zh) | 信号处理装置及其方法 | |
CN1624705A (zh) | 放松系统、放松方法以及放松程序 | |
CN1940793A (zh) | 烧透点集成智能控制系统 | |
CN1758221A (zh) | 程序处理装置 | |
CN1835714A (zh) | 痴呆检查装置、痴呆检查服务器及客户机、痴呆检查系统 | |
CN1147116A (zh) | 模式识别方法和系统以及模式数据处理系统 | |
CN1758222A (zh) | 程序处理装置 | |
CN1860990A (zh) | 机体模拟系统及记录介质 | |
CN1266645C (zh) | 知识的自动生成方法、知识的自动生成系统、自动设计方法及其自动设计系统 | |
CN1215472A (zh) | 识别具有不良健康后果风险的患者的方法和系统 | |
CN1672162A (zh) | 分子时刻表生成装置和体内生物钟推算装置 | |
CN1101139A (zh) | 图符编码计算机输入法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20070117 |