JP2000501869A - ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 - Google Patents
ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法Info
- Publication number
- JP2000501869A JP2000501869A JP9528729A JP52872997A JP2000501869A JP 2000501869 A JP2000501869 A JP 2000501869A JP 9528729 A JP9528729 A JP 9528729A JP 52872997 A JP52872997 A JP 52872997A JP 2000501869 A JP2000501869 A JP 2000501869A
- Authority
- JP
- Japan
- Prior art keywords
- variables
- variable
- decision support
- support system
- output
- 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.)
- Granted
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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- G16H50/20—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Description
Claims (1)
- 【特許請求の範囲】 1.(a)第一の組のn個の候補変数および最初は空である第二の組の選択され た重要な変数を与えるステップと、 (b)候補変数を一度に一つずつ取り、選択された重要な変数の現在の組に結 合された変数に基づいて意思決定支援システムをトレーニングすることによって 各変数を評価するステップと、 (c)候補変数のうち、意思決定支援システムの最も高い性能を与える変数で ある最もよい変数を選択し、最もよい候補変数が選択された重要な変数の性能と 比較して性能を改善する場合、それを選択された重要な変数の組に追加し、それ を候補の組から除去し、ステップ(b)での評価を継続し、最もよい候補変数が 性能を改善しない場合、プロセスを終了するステップとを含む変数選択のための 方法。 2.ステップ(a)に対して、候補変数が患者から得られ、かつ病歴データおよ び/または生化学データを含む請求の範囲第1項に記載の方法。 3.請求の範囲第1項に記載の方法に従って一組の重要な選択 された変数を選択するステップと、 診断用のテストを生成するために重要な選択された変数の選択された最後の組 を使用して、意思決定支援システムをトレーニングするステップとを含む診断の 方法。 4.診断の方法が、医学的状態または障害が存在する可能性を評価し、特定の状 態が将来現れるか、または生じる可能性を評価し、1クールの治療法を選択する か、または治療の有効性を決定する請求の範囲第3項に記載の方法。 5.状態が妊娠関連状態または子宮内膜症である請求の範囲第4項に記載の方法 。 6.診断の方法が、医学的状態の存在、不在または重さを評価するか、または1 クールの治療法となる可能性のある結果を決定する請求の範囲第3項に記載の方 法。 7.請求の範囲第1項に記載の方法に従って一組の重要な選択された変数を選択 するステップと、 生化学テストのみよりも有効なテストを生成するために重要な選択された変数 および生化学テストデータの選択された最後の組を使用して、意思決定支援シス テムをトレーニングするステップとを含む診断生化学テストの有効性を改善する 方法。 8.(a)請求の範囲第1項に記載の方法に従って一組の重要な選択された変数 を選択するステップと、 (b)一組の生化学テストデータを識別し、生化学テストデータの組の各要素 に結合された重要な選択された変数の選択された最後の組を使用して、意思決定 支援システムをトレーニングし、得られたシステムの性能を評価するステップと 、 (c)生化学テストデータの組の各要素に関してすべての要素がトレーニング 中に使用されるまでトレーニングおよび評価を繰り返すステップと、 (d)最も性能のよいシステムをもたらす生化学データの組の要素を選択する ステップとを含む障害または状態の診断を助ける生化学テストを識別する方法。 9.(a)第一の組のn個の候補変数および最初は空である第二の組の選択され た重要な変数を与えるステップと (b)すべての候補変数を任意に、または順序立って順位付けするステップと 、 (c)最も大きいm個の順位付けされた変数を一度に一つずつとり(mは1か らnまで)、選択された重要な変数の現在の組と結合された変数に基づいて意思 決定支援システムをトレー ニングすることによって各変数を評価するステップと、 (d)m個の変数のうち、意思決定支援システムの最も高い性能を与える変数 である最もよい変数を選択し、最もよい変数が選択された重要な変数の性能と比 較して性能を改善する場合、それを選択された重要な変数の組に追加し、それを 候補組から除去し、ステップ(c)での処理を継続し、変数が選択された重要な 変数の性能と比較して性能を改善しない場合、ステップ(e)での評価を継続す るステップと、 (e)候補組上のすべての変数が評価されているかどうかを決定し、それらが 評価されている場合、プロセスが終了し、選択された重要な変数の組が完成した 組になり、それ以外の場合、引き続き次に最も大きいm個の順位付けされた変数 を一度に一つずつとり、重要な選択された変数の現在の組と結合された変数に基 づいて意思決定支援システムをトレーニングし、ステップ(d)を実施すること によって各変数を評価するステップとを含む変数選択のための方法。 10.候補変数が生化学テストデータを含む請求の範囲第9項に記載の方法。 11.順位付けが、感度分析または他の意思決定支援システム ベースの分析を含む分析に基づく請求の範囲第9項に記載の方法。 12.順位付けが、統計分析を含むプロセスに基づく請求の範囲第9項に記載の 方法。 13.順位付けが、カイ二乗、回帰分析または判別分析を含むプロセスに基づく 請求の範囲第9項に記載の方法。 14.順位付けが、エキスパート、ルールベースのシステム、感度分析またはそ の組合せによる評価を使用するプロセスによって決定される請求の範囲第9項に 記載の方法。 15.感度分析が、 (i)観測データセット中の各変数ごとに平均観測値を決定するステップと、 (ii)トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 (iii)選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 (iv)通常の出力と修正された出力との差を二乗し、それを合計として累積 するステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指 定されるステップと、 (v)例中の各変数ごとにステップ(iii)およびステップ(iv)を繰り 返すステップと、 (vi)データセット中の各例ごとにステップ(ii)〜(v)を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第10項に記載の 方法。 16.意思決定支援システムがニューラルネットワークのコンセンサスを含む請 求の範囲第1項に記載の方法。 17.意思決定支援システムがニューラルネットワークのコンセンサスを含む請 求の範囲第9項に記載の方法。 18.n個の候補変数の組および選択された重要な変数の組がそれそれコンピュ ータ中に記憶されるコンピュータ支援方法である請求の範囲第1項に記載の方法 。 19.n個の候補変数の組および選択された重要な変数の組がそれぞれコンピュ ータ中に記憶されるコンピュータ支援方法である請求の範囲第9項に記載の方法 。 20.状態用の意思決定支援システムベースのテストをつくり出すために選択さ れた重要な変数の完成した組に基づく最後の意思決定支援システムをトレーニン グするステップをさらに含む請求の範囲第9項に記載の方法。 21.状態用の意思決定支援システムベースのテストをつくり出すために選択さ れた重要な変数の完成した組に基づく最後の意思決定支援システムをトレーニン グするステップをさらに含む請求の範囲第3項に記載の方法。 22.状態が婦人科学状態である請求の範囲第3項に記載の方法。 23.状態が、不妊症、妊娠関連事象、および子癇前症の中から選択される請求 の範囲第22項に記載の方法。 24.(a)その医学的状態が既知であるテスト患者のグループから観測結果を 収集するステップと、 (b)観測結果を、観測値を有する一組の候補変数に分類し、観測値を観測デ ータセットとしてコンピュータ中に記憶するステップと、 (c)コンピュータシステム中にプログラムされた第一の意思決定支援システ ムを使用して、選択された重要な変数のサブ セットが実質上医学的状態を示す候補変数を含むように観測データセットを分類 することによって候補変数の組から選択された重要な変数のサブセットを選択す るステップと、 (d)選択された重要な変数のサブセットに対応する観測データを使用して、 第二の意思決定支援システムベースのシステムが状態、疾病または障害用の意思 決定支援ベースの診断テストを構成するように第二の意思決定支援システムをト レーニングするステップとを含むコンピュータシステムにおいて患者の医学的状 態、疾病または障害を診断するのを助ける意思決定支援システムベースのテスト を開発する方法。 25.第一の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第24項に記載の方法。 26.第二の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第24項に記載の方法。 27.選択された重要な変数のサブセットを選択するステップが、 (i)第一の組のn個の候補変数および最初は空である第二の組の選択された 重要な変数を与えるステップと、 (ii)候補変数を一度に一つずつ取り、選択された重要な 変数の現在の組に結合された変数に基づいて意思決定支援システムをトレーニン グすることによって各変数を評価するステップと、 (iii)候補変数のうち、意思決定支援システムの最も高い性能を与える変 数である最もよい変数を選択し、最もよい候補変数が選択された重要な変数の性 能と比較して性能を改善する場合、それを選択された重要な変数の組に追加し、 それを候補の組から除去し、ステップ(ii)での評価を継続し、最もよい候補 変数が性能を改善しない場合、プロセスを終了するステップとを含む請求の範囲 第24項に記載の方法。 28.選択された重要な変数のサブセットを選択するステップが、 (i)第一の組のn個の候補変数および最初空である第二の組の選択された重 要な変数を与えるステップと、 (ii)すべての候補変数を順序不同か、または順序立って順位付けするステ ップと、 (iii)最も大きいm個の順位付けされた変数を一度に一つずつとり(mは 1からnまで)、選択された重要な変数の現在の組と結合された変数に基づいて 意思決定支援システムをト レーニングすることによって各変数を評価するステップと、 (iv)m個の変数のうち、意思決定支援システムの最も高い性能を与える変 数である最もよい変数を選択し、最もよい変数が選択された重要な変数の性能と 比較して性能を改善する場合、それを選択された重要な変数の組に追加し、それ を候補の組から除去し、ステップ(iii)での処理を継続し、変数が選択され た重要な変数の性能と比較して性能を改善しない場合、ステップ(v)での評価 を継続するステップと、 (v)候補の組上のすべての変数が評価されているかどうかを決定し、それら が評価されている場合、プロセスが終了し、選択された重要な変数の組が完成し た組になり、それ以外の場合、引き続き次に最も大きいm個の順位付けされた変 数を一度に一つずつとり、重要な選択された変数の現在の組と結合された変数に 基づいて意思決定支援システムをトレーニングし、ステップ(iv)を実施する ことによって各変数を評価するステップとを含む請求の範囲第24項に記載の方 法。 29.候補変数が生化学テストデータを含む請求の範囲第28項に記載の方法。 30.順位付けが、感度分析または他の意思決定支援システム ベースの分析を含む分析に基づく請求の範囲第28項に記載の方法。 31.順位付けが、統計分析を含むプロセスに基づく請求の範囲第28項に記載 の方法。 32.順位付けが、カイ二乗、回帰分析または判別分析を含むプロセスに基づく 請求の範囲第28項に記載の方法。 33.順位付けが、エキスパート、ルールベースのシステム、感度分析またはそ の組合せによる評価を使用するプロセスによって決定される請求の範囲第28項 に記載の方法。 34.感度分析が、 (i)観測データセット中の各変数ごとに平均観測値を決定するステップと、 (ii)トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 (iii)選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 (iv)通常の出力と修正された出力との差を二乗し、それを合計として累積 する(各変数ごとの合計は各変数ごとに選択された変数合計に指定される)ステ ップと、 (v)例中の各変数ごとにステップ(iii)およびステップ(iv)を繰り 返すステップと、 (vi)データセット中の各例ごとにステップ(ii)〜(v)を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第28項に記載の 方法。 35.感度分析が、 (i)観測データセット中の各変数ごとに平均観測値を決定するステップと、 (ii)トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 (iii)選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 (iv)通常の出力と修正された出力との差を二乗し、それを合計として累積 するステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指 定されるステップと、 (v)例中の各変数ごとにステップ(iii)およびステップ(iv)を繰り 返すステップと、 (vi)データセット中の各例ごとにステップ(ii)〜(v)を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第34項に記載の 方法。 36.(vi)意思決定支援システム出力の決定に対するそれらの相対的寄与に 従って変数を順位付けするステップをさらに含む請求の範囲第35項に記載の方 法。 37.第二の意思決定支援システムをトレーニングするステップが、医学的状態 を示す性能推定値を与えるためにトレーニング後に第二の意思決定支援システム を介して観測データの前に使用されていない組を実行する確認ステップを含み、 観測データの前に使用されていない組がその人の医学的状態が既知である患者か ら収集される請求の範囲第24項に記載の方法。 38.第二の意思決定支援システムをトレーニングするステッ プが、観測データセットを、少なくとも一つのテストデータ区分と複数のトレー ニングデータ区分とを含む複数の区分に分割するステップを含み、第二の意思決 定支援システムが複数のトレーニングデータ区分を使用して実行され、テストデ ータ区分が、トレーニングデータ区分が実行された後で第二の意思決定支援シス テム用の最後の性能推定値を与えるために使用される請求の範囲第24項に記載 の方法。 39.第二の意思決定支援システムが、それぞれ開始重みの唯一の組を有し、か つ性能レーティング値を有する複数のニューラルネットワークを含む請求の範囲 第38項に記載の方法。 40.最後の性能推定値が複数のニューラルネットワークの性能レーティング値 を平均化することによって生成される請求の範囲第39項に記載の方法。 41.観測値が患者病歴データ結果および/または生化学テスト結果から得られ る請求の範囲第24項に記載の方法。 42.状態が妊娠関連状態または子宮内膜症である請求の範囲第24項に記載の 方法。 43.(e)患者から追加の観測結果を収集し、それらを一組の候補変数に分類 し、次いでこれらを第一の組の候補変数に追 加するステップと、 (f)ステップ(c)およびステップ(d)を繰り返すステップとをさらに含 む請求の範囲第24項に記載の方法。 44.候補変数が生化学テストデータを含む請求の範囲第3項に記載の方法。 45.テスト患者のグループから観測結果を収集した後、および第二の意思決定 支援ベースのシステムをトレーニングする前に、 その人の状態が既知であるか、または推測されるテスト患者の少なくとも一部 から生化学テストのテスト結果を収集し、それらを一組の候補変数に分類し、次 いでこれらを第一の組の候補変数に追加するステップと、次いで ステップ(c)および(d)を繰り返すステップとをさらに含む請求の範囲第 24項に記載の方法。 46.テストが、疾病、障害、または他の医学的状態の存在、不在または重さま たは1クルーの治療法を評価するか、または選択された治療から得られた結果を 決定するのを助ける請求の範囲第45項に記載の方法。 47.テストが、疾病、障害、または他の医学的状態の存在、 不在または重さまたは1クルーの治療法を評価するか、または選択された治療か ら得られた結果を決定するのを助ける請求の範囲第45項に記載の方法。 48.意思決定支援システムがニューラルネットワークを含み、かつ最後の組が ニューラルネットワークのコンセンサスを構成する請求の範囲第45項に記載の 方法。 49.関連する変数の第一のサブセットが、意思決定支援ベースのシステムまた はそのコンセンサス上で実施される感度分析を使用して識別される請求の範囲第 45項に記載の方法。 50.第一の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第45項に記載の方法。 51.第二の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第45項に記載の方法。 52.選択された重要な変数のサブセットを選択するステップが、 (i)第一の組のn個の候補変数および最初は空である第二の組の選択された 重要な変数を与えるステップと、 (ii)候補変数を一度に一つずつ取り、選択された重要な変数の現在の組に 結合された変数に基づいて意思決定支援シス テムをトレーニングすることによって各変数を評価するステップと、 (iii)候補変数のうち、意思決定支援システムの最も高い性能を与える変 数である最もよい変数を選択し、最もよい候補変数が選択された重要な変数の性 能と比較して性能を改善する場合、それを選択された重要な変数の組に追加し、 それを候補組から除去し、ステップ(ii)での評価を継続し、最もよい候補変 数が性能を改善しない場合、プロセスを終了するステップとを含む請求の範囲第 45項に記載の方法。 53.選択された重要な変数のサブセットを選択するステップが、 (i)第一の組のn個の候補変数および最初空である第二の組の選択された重 要な変数を与えるステップと、 (ii)すべての候補変数を任意に、または順序立てて順位付けするステップ と、 (iii)最も大きいm個の順位付けされた変数を一度に一つずつとり(mは 1からnまで)、選択された重要な変数の現在の組と結合された変数に基づいて 意思決定支援システムをトレーニングすることによって各変数を評価するステッ プと、 (iv)m個の変数のうち、意思決定支援システムの最も高い性能を与える変 数である最もよい変数を選択し、最もよい変数が選択された重要な変数の性能と 比較して性能を改善する場合、それを選択された重要な変数の組に追加し、それ を候補の組から除去し、ステップ(iii)での評価を継続し、変数が選択され た重要な変数の性能と比較して性能を改善しない場合、ステップ(v)での評価 を継続するステップと、 (v)候補組上のすべての変数が評価されているかどうかを決定し、それらが 評価されている場合、プロセスが終了し、選択された重要な変数の組が完成した 組になり、それ以外の場合、引き続き次に最も大きいm個の順位付けされた変数 を一度に一つずつとり、重要な選択された変数の現在の組と結合された変数に基 づいて意思決定支援システムをトレーニングし、ステップ(iv)を実施するこ とによって各変数を評価するステップとを含む請求の範囲第45項に記載の方法 。 54.候補変数が生化学テストデータを含む請求の範囲第53項に記載の方法。 55.順位付けが、感度分析または他の意思決定支援システムベースの分析を含 む分析に基づく請求の範囲第53項に記載の 方法。 56.順位付けが、統計分析を含むプロセスに基づく請求の範囲第53項に記載 の方法。 57.順位付けが、カイ二乗、回帰分析または判別分析を含むプロセスに基づく 請求の範囲第53項に記載の方法。 58.順位付けが、エキスパート、ルールベースのシステム、感度分析またはそ の組合せによる評価を使用するプロセスによって決定される請求の範囲第54項 に記載の方法。 59.感度分析が、 (i)観測データセット中の各変数ごとに平均観測値を決定するステップと、 (ii)トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 (iii)選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 (iv)通常の出力と修正された出力との差を二乗し、それ を合計として累積するステップであって各変数ごとの合計は各変数ごとに選択さ れた変数合計に指定されるステップと、 (v)例中の各変数ごとにステップ(iii)およびステップ(iv)を繰り 返すステップと、 (vi)データセット中の各例ごとにステップ(ii)〜(v)を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第54項に記載の 方法。 60.感度分析が、 (i)観測データセット中の各変数ごとに平均観測値を決定するステップと、 (ii)トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 (iii)選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 (iv)通常の出力と修正された出力との差を二乗し、それ を合計として累積するステップであって各変数ごとの合計は各変数ごとに選択さ れた変数合計に指定されるステップと、 (v)例中の各変数ごとにステップ(iii)およびステップ(iv)を繰り 返すステップと、 (vi)データセット中の各例ごとにステップ(ii)〜(v)を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第59項に記載の 方法。 61.(vi)意思決定支援システム出力の決定に対するそれらの相対的寄与に 従って変数を順位付けするステップをさらに含む請求の範囲第60項に記載の方 法。 62.第二の意思決定支援システムをトレーニングするステップが、医学的状態 を示す性能推定値を与えるためにトレーニング後に第二の意思決定支援システム を介して観測データの前に使用されていない組を実行する確認ステップを含み、 観測データの前に使用されていない組がその人の医学的状態が既知である患者か ら収集される請求の範囲第45項に記載の方法。 63.第二の意思決定支援システムをトレーニングするステップが、観測データ セットを、少なくとも一つのテストデータ区 分と複数のトレーニングデータ区分とを含む複数の区分に分割するステップを含 み、第二の意思決定支援システムが複数のトレーニングデータ区分を使用して実 行され、テストデータ区分が、トレーニングデータ区分が実行された後で第二の 意思決定支援システム用の最後の性能推定値を与えるために使用される請求の範 囲第45項に記載の方法。 64.第二の意思決定支援システムが、それぞれ開始重みの唯一の組を有し、か つ性能レーティング値を有する複数のニューラルネットワークを含む請求の範囲 第63項に記載の方法。 65.最後の性能推知値か複数のニューラルネットワークの性能レーティング値 を平均化することによって生成される請求の範囲第64項に記載の方法。 66.観測値が患者病歴データ結果および/または生化学テスト結果から得られ る請求の範囲第45項に記載の方法。 67.状態が妊娠関連状態または子宮内膜症である請求の範囲第45項に記載の 方法。 68.(e)患者から追加の観測結果を収集し、それらを一組の候補変数に分類 し、次いでこれらを第一の組の候補変数に追加するステップと、 (f)ステップ(c)およびステップ(d)を繰り返すステップとをさらに含 む請求の範囲第45項に記載の方法。 69.テストが、疾病、障害、または他の医学的状態の存在、不在または重さま たは1クルーの治療法を評価するか、または選択された治療から得られた結果を 決定するのを助ける請求の範囲第24項に記載の方法。 70.テストが、疾病、障害、または他の医学的状態の存在、不在または重さま たは1クルーの治療法を評価するか、または選択された治療から得られた結果を 決定するのを助ける請求の範囲第24項に記載の方法。 71.選択された重要な変数の最後のサブセットで終わる1つ又は複数の生化学 テストデータ変数を識別し、それにより識別された1つ又は複数の生化学テスト データ変数が疾病、障害または状態のインジケータとして役立つステップをさら に含む請求の範囲第45項に記載の方法。 72.テストが、疾病、障害、または他の医学的状態の存在、不在または重さま たは1クルーの治療法を評価するか、または選択された治療から得られた結果を 決定するのを助ける請求の範囲第71項に記載の方法。 73.テストが、疾病、障害、または他の医学的状態の存在、不在または重さま たは1クルーの治療法を評価するか、または選択された治療から得られた結果を 決定するのを助ける請求の範囲第71項に記載の方法。 74.意思決定支援システムがニューラルネットワークを含み、かつ最後の組が ニューラルネットワークのコンセンサスを構成する請求の範囲第71項に記載の 方法。 75.関連する変数の第一のサブセットが、意思決定支援ベースのシステムまた はそのコンセンサス上で実施される感度分析を使用して識別される請求の範囲第 71項に記載の方法。 76.第一の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第71項に記載の方法。 77.第二の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第71項に記載の方法。 78.選択された重要な変数のサブセットを選択するステップが、 (i)第一の組のn個の候補変数および最初空である第二の組の選択された重 要な変数を与えるステップと、 (ii)候補変数を一度に一つずつ取り、選択された重要な 変数の現在の組に結合された変数に基づいて意思決定支援システムをトレーニン グすることによって各変数を評価するステップと、 (iii)候補変数のうち、意思決定支援システムの最も高い性能を与える変 数である最もよい変数を選択し、最もよい候補変数が選択された重要な変数の性 能と比較して性能を改善する場合、それを選択された重要な変数の組に追加し、 それを候補の組から除去し、ステップ(ii)での評価を継続し、最もよい候補 変数が性能を改善しない場合、プロセスを終了するステップとを含む請求の範囲 第71項に記載の方法。 79.選択された重要な変数のサブセットを選択するステップが、 (i)第一の組のn個の候補変数および最初は空である第二の組の選択された 重要な変数を与えるステップと、 (ii)すべての候補変数を任意に、または順序立てて順位付けするステップ と、 (iii)最も大きいm個の順位付けされた変数を一度に一つずつとり(mは 1からnまで)、選択された重要な変数の現在の組と結合された変数に基づいて 意思決定支援システムをト レーニングすることによって各変数を評価するステップと、 (iv)m個の変数のうち、意思決定支援システムの最も高い性能を与える変 数である最もよい変数を選択し、最もよい変数が選択された重要な変数の性能と 比較して性能を改善する場合、それを選択された重要な変数の組に追加し、それ を候補の組から除去し、ステップ(iii)での評価を継続し、変数が選択され た重要な変数の性能と比較して性能を改善しない場合、ステップ(v)での評価 を継続するステップと、 (v)候補の組のすべての変数が評価されているかどうかを決定し、それらが 評価されている場合、プロセスが終了し、選択された重要な変数の組が完成した 組になり、それ以外の場合、引き続き次に最も大きいm個の順位付けされた変数 を一度に一つずつとり、重要な選択された変数の現在の組と結合された変数に基 づいて意思決定支援システムをトレーニングし、ステップ(iv)を実施するこ とによって各変数を評価するステップとを含む請求の範囲第71項に記載の方法 。 80.候補変数が生化学テストデータを含む請求の範囲第79項に記載の方法。 81.順位付けが、感度分析または他の意思決定支援システム ベースの分析を含む分析に基づく請求の範囲第79項に記載の方法。 82.順位付けが、統計分析を含むプロセスに基づく請求の範囲第79項に記載 の方法。 83.順位付けが、カイ二乗、回帰分析または判別分析を含むプロセスに基づく 請求の範囲第79項に記載の方法。 84.順位付けが、エキスパート、ルールベースのシステム、感度分析またはそ の組合せによる評価を使用するプロセスによって決定される請求の範囲第79項 に記載の方法。 85.感度分析が、 (i)観測データセット中の各変数ごとに平均観測値を決定するステップと、 (ii)トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 (iii)選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 (iv)通常の出力と修正された出力との差を二乗し、それを合計として累積 するステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指 定されるステップと、 (v)例中の各変数ごとにステップ(iii)およびステップ(iv)を繰り 返すステップと、 (vi)データセット中の各例ごとにステップ(ii)〜(v)を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第80項に記載の 方法。 86.感度分析が、 (i)観測データセット中の各変数ごとに平均観測値を決定するステップと、 (ii)トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 (iii)選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 (iv)通常の出力と修正された出力との差を二乗し、それを合計として累積 するステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指 定されるステップと、 (v)例中の各変数ごとにステップ(iii)およびステップ(iv)を繰り 返すステップ、 (vi)データセット中の各例ごとにステップ(ii)〜(v)を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第85項に記載の 方法。 87.(vi)意思決定支援システム出力の決定に対するそれらの相対的寄与に 従って変数を順位付けするステップをさらに含む請求の範囲第86項に記載の方 法。 88.第二意思決定支援システムをトレーニングするステップが、以前に未使用 の観測データのセットを、トレーニング後に第二意思決定支援システムを介して 実行して、医学的状態の指標についての性能推定を提供する妥当性検査ステップ を含み、以前に未使用の観測データのセットが、その医学的状態が知られている 患者から収集される、請求の範囲第71項に記載の方法。 89.第二意思決定支援システムをトレーニングするステップが、観測データセ ットを、少なくとも一つのテスト用データ区分および複数のトレーニング用デー タ区分を含む複数の区分に分割するステップを含み、第二意思決定支援システム が複数のトレーニング用データ区分を使用して実行され、テスト用データ区分が 、トレーニング用データ区分が実行された後で第二意思決定支援システムについ ての最終的な性能推定値を提供するために使用される、請求の範囲第71項に記 載の方法。 90.第二意思決定支援システムが、固有の開始重みのセットおよび性能レーテ ィング値をそれぞれ有する複数のニューラルネットワークを含む、請求の範囲第 89項に記載の方法。 91.最終的な性能推定値が、複数のニューラルネットワークについての性能レ ーティング値を平均することによって生成される、請求の範囲第90項に記載の 方法。 92.患者病歴データの結果および/または生化学テスト結果から観測値が得ら れる、請求の範囲第71項に記載の方法。 93.状態が、妊娠に関係する状態または子宮内膜症である、請求の範囲第71 項に記載の方法。 94.(e)追加の観測結果を患者から収集し、それらを、そ の後で第一セットの候補変数に追加する候補変数のセットに分類するステップと 、 (f)ステップ(c)および(d)を繰り返すステップとをさらに含む、請求 の範囲第71項に記載の方法。 95.一つまたは複数の識別した生化学テストデータ変数についての診断生化学 テストを開発するステップをさらに含む、請求の範囲第71項に記載の方法。 96.請求の範囲第71項の方法を実行するステップと、 選択された重要な変数である生化学データ変数を識別するステップと、 そこから変数が得られる生化学データまたは疾病マーカを検出するテストを開 発するステップとを含む、新しい生化学テストを開発する、または新しい疾病マ ーカを識別する方法。 97.コンピュータシステムにおいて、 (a)医学的状態が知られている一群の被験患者から観測結果を収集するステ ップと、 (b)観測値を有する候補変数のセットに観測結果を分類し、観測値を観測デ ータセットとしてコンピュータ中に記憶するス テップと、 (c)コンピュータシステム中にプログラムされた第一意思決定支援システム を使用して観測データセットを分類することにより、選択された重要な変数のサ ブセットを候補変数のセットから選択するステップと、 (d)選択された重要な変数のサブセットに対応する観測データを使用して、 第二意思決定支援システムをトレーニングするステップと、 (e)分析下の診断テストの結果を収集する、あるいは同じグループの被験患 者から治療後または治療中に観測結果を収集するステップと、 (f)観測値を有する候補変数の第二セットに観測結果を分類し、それらをス テップ(b)からの観測結果と組合せ、観測値を観測データセットとしてコンピ ュータ中に記憶するステップとするステップと、 (g)コンピュータシステム中にプログラムされた第一意思決定支援システム を使用して観測データセットを分類することにより、選択された重要な変数の第 二サブセットを選択するステップと、 (h)ステップ(g)からの選択された重要な変数のサブセットに対応する観 測データを使用して、第三意思決定支援システムをトレーニングするステップと 、 (i)第二および第三システムの性能を比較し、それにより、医学的状態の有 無または重さの診断を補助する、あるいは治療単位の有効性または疾病、障害、 もしくは状態の治療における特定の治療方法の有効性を評価するための診断テス トの有効性の評価を識別するステップと を含む、医学的状態の有無または重さの診断を補助する、あるいは治療単位また は患者の特定の治療の有効性を評価するために、診断テストの有効性を分析する 方法。 98.診断の補助における診断テストの有効性を評価する、請求の範囲第97項 に記載の方法。 99.疾病、障害、またはその他の医学的状態の有無、重さ、または治療単位を 評価する、あるいは選択された治療方法から得られた結果の判定を補助する、請 求の範囲第97項に記載の方法。 100.意思決定支援システムがニューラルネットワークを含み、最後のセット がニューラルネットワークのコンセンサスを 構成する、請求の範囲第97項に記載の方法。 101.関連変数の第一サブセットが、意思決定支援ベースシステムまたはその コンセンサス上で実施される感度分析を使用して識別される、請求の範囲第97 項に記載の方法。 102.第一意思決定支援システムが少なくとも一つのニューラルネットワーク を含む、請求の範囲第97項に記載の方法。 103.第二意思決定支援システムが少なくとも一つのニューラルネットワーク を含む、請求の範囲第97項に記載の方法。 104.第三意思決定支援システムが少なくとも一つのニューラルネットワーク を含む、請求の範囲第97項に記載の方法。 105.選択された重要な変数のサブセットを選択するステップが、 (i)n個の候補変数の第一セット、および最初は空である選択された重要な 変数の第二セットを提供するステップと、 (ii)一度に一つの候補変数をとり、それぞれを、選択された重要な変数の 現在のセットと組み合わされた変数について意思決定支援システムをトレーニン グすることによって評価するステップと、 (iii)意思決定支援システムの最高の性能を与える最良 の候補変数を選択し、最良の候補変数が、選択された重要な変数の性能と比較し て性能を向上させる場合には、選択された重要な変数のセットにこれを追加し、 候補セットからこれを除去し、ステップ(ii)の評価を継続し、最良の候補変 数が性能を向上させない場合には、プロセスを完了するステップと を含む、請求の範囲第97項に記載の方法。 106.選択された重要な変数のサブセットを選択するステップが、 (i)n個の候補変数の第一セット、および最初は空である選択された重要な 変数の第二セットを提供するステップと、 (ii)全ての候補変数を、任意にまたは順序付けて順位付けするステップと 、 (iii)mを1からnとして上からm番目までに順位付けされた候補変数を 一度に一つとり、それぞれを、選択された重要な変数の現在のセットと組み合わ された変数について意思決定支援システムをトレーニングすることによって評価 するステップと、 (iv)意思決定支援システムの最高の性能を与える最良のm個の候補変数を 選択し、最良の候補変数が、選択された重要 な変数の性能と比較して性能を向上させる場合には、選択された重要な変数のセ ットにこれを追加し、候補セットからこれを除去し、ステップ(iii)の評価 を継続し、変数が、選択された重要な変数の性能と比較して性能を向上させない 場合には、ステップ(v)で評価を継続するステップと、 (v)候補セット上の全ての変数が評価されたかどうかを判定し、それらが評 価されている場合には、プロセスを完了し、選択された重要な変数のセットが完 了セットとなり、そうでない場合には、次の上からm番目までに順位付けされた 変数を一度に一つとり、それぞれを、選択された重要な変数の現在のセットと組 み合わされた変数について意思決定支援システムをトレーニングすることによっ て評価し、ステップ(iv)を実施することにより継続するステップと を含む、請求の範囲第97項に記載の方法。 107.順位付けが、感度分析またはその他の意思決定支援システムベースの分 析を含む分析に基づいている、請求の範囲第106項に記載の方法。 108.順位付けが、統計分析を含むプロセスに基づいている、請求の範囲第1 06項に記載の方法。 109.順位付けが、カイ二乗、回帰分析、または判別分析を含むプロセスに基 づいている、請求の範囲第106項に記載の方法。 110.順位付けが、エキスパート、ルールベースのシステム、感度分析または その組合せによる評価を使用するプロセスによって決定される、請求の範囲第1 07項に記載の方法。 111.感度分析が、 (i)観測データセット中の各変数について平均観測値を決定するステップと 、 (ii)トレーニング例を選択し、意思決定支援システムを介してこの例を実 行して、通常の出力として指定され、記憶される出力値を生成するステップと、 (iii)選択されたトレーニング例中の第一変数を選択し、観測値を第一変 数の平均観測値で置換し、修正した例を意思決定支援システム中で順方向モード で実行し、その出力を修正された出力として記録するステップと、 (iv)通常の出力と修正した出力の差を二乗し、これを合計として累積する ステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指定さ れるステップと、 (v)例中の各変数についてステップ(iii)および(iv)を繰り返すス テップと、 (vi)データセット中の各例についてステップ(ii)〜(v)を繰り返す ステップであって選択された変数の各合計は、意思決定支援システム出力の決定 に対する各変数の相対的寄与を表すステップと を含む、請求の範囲第107項に記載の方法。 112.感度分析が、 (i)観測データセット中の各変数について平均観測値を決定するステップと 、 (ii)トレーニング例を選択し、意思決定支援システムを介してこの例を実 行して、通常の出力として指定され、記憶される出力値を生成するステップと、 (iii)選択したトレーニング例中の第一変数を選択し、観測値を第一変数 の平均観測値で置換し、修正した例を意思決定支援システム中で順方向モードで 実行し、その出力を修正された出力として記録するステップと、 (iv)通常の出力と修正した出力の差を二乗し、これを合計として累積する ステップであって各変数ごとの合計は各変数 ごとに選択された変数合計に指定されるステップと、 (v)例中の各変数についてステップ(iii)および(iv)を繰り返すス テップと、 (vi)データセット中の各例についてステップ(ii)〜(v)を繰り返す ステップであって選択された変数の各合計は、意思決定支援システム出力の決定 に対する各変数の相対的寄与を表すステップと を含む、請求の範囲第111項に記載の方法。 113.(vi)それらの意思決定支援システム出力の決定に対する相対的寄与 に従って変数を順位付けするステップ をさらに含む、請求の範囲第112項に記載の方法。 114.第二および/または第三意思決定支援システムをトレーニングするステ ップが、以前に未使用の観測データのセットを、トレーニング後に第二意思決定 支援システムを介して実行して、医学的状態の指標についての性能推定値を提供 する妥当性検査ステップを含み、以前に未使用の観測データのセットが、その医 学的状態が知られている患者から収集される、請求の範囲第97項に記載の方法 。 115.第二および/または第三意思決定支援システムをトレ ーニングするステップが、観測データセットを、少なくとも一つのテスト用デー タ区分および複数のトレーニング用データ区分を含む複数の区分に分割するステ ップを含み、第二意思決定支援システムが複数のトレーニング用データ区分を使 用して実行され、テスト用データ区分が、トレーニング用データ区分が実行され た後で第二意思決定支援システムについての最終的な性能推定値を提供するため に使用される、請求の範囲第97項に記載の方法。 116.各意思決定支援システムが、固有の開始重みのセットおよび性能レーテ ィング値をそれぞれ有する複数のニューラルネットワークを含む、請求の範囲第 115項に記載の方法。 117.最終的な性能推定が、複数のニューラルネットワークについての性能レ ーティング値を平均することによって生成される、請求の範囲第116項に記載 の方法。 118.患者病歴データの結果および/または生化学テスト結果から観測値が得 られる、請求の範囲第97項に記載の方法。 119.状態が、妊娠に関係する状態または子宮内膜症である、請求の範囲第9 7項に記載の方法。 120.追加の観測結果を患者から収集し、それらを、その後 ステップ(b)で第一セットの候補変数に追加する候補変数のセットに分類する ステップと、 (j)ステップ(c)〜(i)を繰り返すステップとをさらに含む、請求の範 囲第97項に記載の方法。 121.コンピュータシステムにおいて、 (a)医学的状態が知られている、または推測される一群の被験患者から生化 学テストのテスト結果を収集するステップと、 (b)観測値を有する候補変数のセットに観測結果を分類し、観測値を観測デ ータセットとしてコンピュータ中に記憶するステップと、 (c)コンピュータシステム中にプログラムされた第一意思決定支援システム を使用して観測データセットを分類することにより、選択された重要な変数のサ ブセットを、候補変数を含む変数のセットから選択するステップであってこれに より選択された重要な変数のサブセットは医学的状態を実質上示す候補変数を含 むステップと、 (d)生化学データに対応する選択された重要な変数のセット中で、それらの 一つまたは複数の変数を識別するステップと、 (e)識別した一つまたは複数の変数に対応するデータを評 価する生化学テストを設計または選択するステップと を含む、患者の医学的状態の有無または重さの診断を補助するために、状態特異 的生化学テストを開発する方法。 122.意思決定支援システムがニューラルネットワークまたはそのコンセンサ スを含む、請求の範囲第121項に記載の方法。 123.テストが、疾病、障害、または他の医学的状態の有無、重さ、または1 クルーの治療法を評価する、あるいは選択した治療方法から生じる転帰の判定を 補助する、請求の範囲第121項に記載の方法。 124.テストが、疾病、障害、または他の医学的状態の有無、重さ、または1 クルーの治療法を評価する、あるいは選択した治療方法から生じる結果の判定を 補助する、請求の範囲第121項に記載の方法。 125.意思決定支援システムがニューラルネットワークを含み、最後のセット がニューラルネットワークのコンセンサスを構成する、請求の範囲第121項に 記載の方法。 126.関連変数の第一サブセットが、意思決定支援ベースシステムまたはその コンセンサス上で実施される感度分析を使用 して識別される、請求の範囲第121項に記載の方法。 127.第一意思決定支援システムが少なくとも一つのニューラルネットワーク を含む、請求の範囲第121項に記載の方法。 128.第二意思決定支援システムが少なくとも一つのニューラルネットワーク を含む、請求の範囲第121項に記載の方法。 129.選択された重要な変数のサブセットを選択するステップが、 (i)n個の候補変数の第一セット、および最初は空である選択された重要な 変数の第二セットを提供するステップと、 (ii)一度に一つの候補変数をとり、それぞれを、選択された重要な変数の 現在のセットと組み合わされた変数について意思決定支援システムをトレーニン グすることによって評価するステップと、 (iii)意思決定支援システムの最高の性能を与える最良の候補変数を選択 し、最良の候補変数が、選択された重要な変数の性能と比較して性能を向上させ る場合には、選択された重要な変数のセットにこれを追加し、候補セットからこ れを除去し、ステップ(ii)の評価を継続し、最良の候補変数が性能を向上さ せない場合には、プロセスを完了するステップと を含む、請求の範囲第121項に記載の方法。 130.選択された重要な変数のサブセットを選択するステップが、 (i)n個の候補変数の第一セット、および最初は空である選択された重要な 変数の第二セットを提供するステップと、 (ii)全ての候補変数を、任意にまたは順序付けて順位付けするステップと 、 (iii)mを1からnとして上からm番目までに順位付けされた候補変数を 一度に一つとり、それぞれを、選択された重要な変数の現在のセットと組み合わ された変数について意思決定支援システムをトレーニングすることによって評価 するステップと、 (iv)意思決定支援システムの最高の性能を与える最良のm個の候補変数を 選択し、最良の候補変数が、選択された重要な変数の性能と比較して性能を向上 させる場合には、選択された重要な変数のセットにこれを追加し、候補セットか らこれを除去し、ステップ(iii)の評価を継続し、変数が、選択された重要 な変数の性能と比較して性能を向上させない場合には、ステップ(v)で評価を 継続するステップと、 (v)候補セット上の全ての変数が評価されたかどうかを判定し、それらが評 価されている場合には、プロセスを完了し、選択された重要な変数のセットが完 了セットとなり、そうでない場合には、次の上からm番目までに順位付けされた 変数を一度に一つとり、それぞれを、選択された重要な変数の現在のセットと組 み合わされた変数について意思決定支援システムをトレーニングすることによっ て評価し、ステップ(iv)を実施することにより継続するステップと を含む、請求の範囲第121項に記載の方法。 131.候補変数が生化学テストデータを含む、請求の範囲第130項に記載の 方法。 132.順位付けが、感度分析またはその他の意思決定支援システムベースの分 析を含む分析に基づいている、請求の範囲第130項に記載の方法。 133.順位付けが、統計分析を含むプロセスに基づいている、請求の範囲第1 30項に記載の方法。 134.順位付けが、カイ二乗、回帰分析、または判別分析を含むプロセスに基 づいている、請求の範囲第130項に記載の方法。 135.順位付けが、エキスパート、ルールベースのシステム、感度分析または その組合せによる評価を使用するプロセスによって決定される、請求の範囲第1 31項に記載の方法。 136.感度分析が、 (i)観測データセット中の各変数について平均観測値を決定するステップと 、 (ii)トレーニング例を選択し、意思決定支援システムを介してこの例を実 行して、通常の出力として指定され、記憶される出力値を生成するステップと、 (iii)選択したトレーニング例中の第一変数を選択し、観測値を第一変数 の平均観測値で置換し、修正した例を意思決定支援システム中で順方向モードで 実行し、その出力を修正された出力として記録するステップと、 (iv)通常の出力と修正した出力の差を二乗し、これを合計として累積する ステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指定さ れるステップと、 (v)例中の各変数についてステップ(iii)および(iv)を繰り返すス テップと、 (vi)データセット中の各例についてステップ(ii)〜 (v)を繰り返すステップであって選択された変数の各合計は、意思決定支援シ ステム出力の決定に対する各変数の相対的寄与を表すステップと を含む、請求の範囲第131項に記載の方法。 137.感度分析が、 (i)観測データセット中の各変数について平均観測値を決定するステップと 、 (ii)トレーニング例を選択し、意思決定支援システムを介してこの例を実 行して、通常の出力として指定され、記憶される出力値を生成するステップと、 (iii)選択したトレーニング例中の第一変数を選択し、観測値を第一変数 の平均観測値で置換し、修正した例を意思決定支援システム中で順方向モードで 実行し、その出力を修正された出力として記録するステップと、 (iv)通常の出力と修正した出力の差を二乗し、これを合計として累積する ステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指定さ れるステップと、 (v)例中の各変数についてステップ(iii)および(iv)を繰り返すス テップと、 (vi)データセット中の各例についてステップ(ii)〜(v)を繰り返す ステップであって選択された変数の各合計は、意思決定支援システム出力の決定 に対する各変数の相対的寄与を表すステップと を含む、請求の範囲第136項に記載の方法。 138.(vi)それらの意思決定支援システム出力の決定に対する相対的寄与 に従って変数を順位付けするステップ をさらに含む、請求の範囲第137項に記載の方法。 139.第二意思決定支援システムをトレーニングするステップが、以前に未使 用の観測データのセットを、トレーニング後に第二意思決定支援システムを介し て実行して、医学的状態の指標についての性能推定値を提供する妥当性検査ステ ップを含み、以前に未使用の観測データのセットが、その医学的状態が知られて いる患者から収集される、請求の範囲第121項に記載の方法。 140.第二意思決定支援システムをトレーニングするステップが、観測データ セットを、少なくとも一つのテスト用データ区分および複数のトレーニング用デ ータ区分を含む複数の区分に分割するステップを含み、第二意思決定支援システ ムが複数 のトレーニング用データ区分を使用して実行され、テスト用データ区分が、トレ ーニング用データ区分が実行された後で第二意思決定支援システムについての最 終的な性能推定値を提供するために使用される、請求の範囲第121項に記載の 方法。 141.第二意思決定支援システムが、固有の開始重みのセットおよび性能レー ティング値をそれぞれ有する複数のニューラルネットワークを含む、請求の範囲 第140項に記載の方法。 142.最終的な性能推定値が、複数のニューラルネットワークについての性能 レーティング値を平均することによって生成される、請求の範囲第141項に記 載の方法。 143.患者病歴データの結果および/または生化学テスト結果から観測値が得 られる、請求の範囲第121項に記載の方法。 144.状態が、妊娠に関係する状態または子宮内膜症である、請求の範囲第1 21項に記載の方法。 145.(e)追加の観測結果を患者から収集し、それらを、その後で第一セッ トの候補変数に追加する候補変数のセットに分類するステップと、 (f)ステップ(c)および(d)を繰り返すステップとをさらに含む、請求 の範囲第121項に記載の方法。 146.子宮内膜症を診断するようにトレーニングされた意思決定支援システム を使用して、以下の変数、 01.10.Endoの過去の病歴 02.6.出産回数 03.14.月経困難症 04.1.年齢(preproc) 05.13.骨盤痛 06.11.骨盤手術歴 07.4.喫煙(箱/日) 08.12.薬物治療歴 09.5.妊娠回数 10.7.流産回数 11.9.異常PAPスミア/形成異常症 12.3.妊娠高血圧症 13.8.生殖器いぼ 14.2.糖尿病 のうち少なくとも三つを含むサブセットを評価するステップを含む、子宮内膜症 を診断する方法。 147.これらの変数の選択したサブセットが、以下の(a) から(m)に示す三つの変数の組合せのセット a)出産回数、子宮内膜症歴、骨盤手術歴 b)糖尿病、妊娠高血圧症、喫煙 c)妊娠高血圧症、異常papスミア/形成異常症、子宮内膜症歴 d)年齢、喫煙、子宮内膜症歴 e)喫煙、子宮内膜症歴、月経困難症 f)年齢、糖尿病、子宮内膜症歴 g)妊娠高血圧症、出産回数、子宮内膜症歴 h)喫煙、出産回数、子宮内膜症歴 i)妊娠高血圧症、子宮内膜症歴、骨盤手術歴 j)妊娠回数、子宮内膜症歴、骨盤手術歴 k)出産回数、異常PAPスミア/形成異常症、子宮内膜症歴 l)出産回数、異常PAPスミア/形成異常症、月経困難症 m)子宮内膜症歴、骨盤手術歴、月経困難症、及び n)妊娠回数、子宮内膜症歴、月経困難症 を一つまたは複数含む、請求の範囲第146項に記載の方法。 148.意思決定支援システムがニューラルネットワークであ り、 (c)コンピュータシステム中にプログラムされた第一意思決定支援システム を使用して観測データセットを分類することにより、選択された重要な変数のサ ブセットを、候補変数のセットから選択するステップであってこれにより選択さ れた重要な変数のサブセットは医学的状態を実質上示す候補変数を含むステップ と、 (d)選択した重要な変数のサブセットに対応する観測データを使用して第二 意思決定支援システムをトレーニングするステップであってこれにより第二意思 決定支援システムベースのシステムは、状態、疾病、または障害のための意思決 定支援ベースの診断テストを構成するステップと を含む、請求の範囲第147項に記載の方法。 149.障害が子宮内膜症であり、候補変数が、 (i)過去の子宮内膜症歴、出産回数、月経困難症、年齢、骨盤痛、骨盤手術 歴、一日あたりの喫煙量、薬物治療歴、妊娠回数、流産回数、異常PAP/形成 異常症、妊娠高血圧症、生殖器いぼ、および糖尿病、または (ii)年齢、経産回数、妊娠、流産回数、一日あたりの喫 煙量、過去の子宮内膜症歴、月経困難症、骨盤痛、異常PAP、骨盤手術歴、薬 物治療歴、妊娠高血圧症、生殖器いぼ、および糖尿病 から選択した少なくとも四つの変数を含む、請求の範囲第24項に記載の方法。 150.意思決定支援システムがニューラルネットワークまたはニューラルネッ トワークのコンセンサスを含む、請求の範囲第149項に記載の方法。 151.少なくとも五つの変数が選択される、請求の範囲第149項に記載の方 法。 152.コンピュータシステムにおいて、患者の子宮内膜症の有無または重さの 診断を補助する方法であって、 (a)(i)過去の子宮内膜症歴、出産回数、月経困難症、年齢、骨盤痛、骨 盤手術歴、一日あたりの喫煙量、薬物治療歴、妊娠回数、流産回数、異常PAP /形成異常症、妊娠高血圧症、生殖器いぼ、および糖尿病、または (ii)年齢、経産回数、妊娠回数、流産回数、一日あたりの喫煙量、過去の 子宮内膜症歴、月経困難症、骨盤痛、異常PAP、骨盤手術歴、薬物治療歴、妊 娠高血圧症、生殖器いぼ、 および糖尿病 から選択された少なくとも四つのファクタを含む特定の臨床データファクタの有 無を反映する観測値を収集し、観測した臨床データファクタをコンピュータシス テムの記憶手段に記憶するステップと、 (b)観測値を、メモリ手段から特定のファクタのサンプルについてトレーニ ングした第一意思決定支援システムに適用するステップと、その後、 (c)子宮内膜症の診断のための意思決定プロセスを改善するための定量的で 客観的な補助手段である出力値を、第一意思決定支援システムから抽出するステ ップとを含む方法。 153.意思決定支援システムがニューラルネットワークを含む、請求の範囲第 152項に記載の方法。 154.少なくとも五つのファクタが選択される、請求の範囲第152項に記載 の方法。 155.b1)観測値を、前記メモリ手段からトレーニングごとに異なる開始重 みを有する特定のファクタのサンプルについてそれぞれトレーニングした複数の 第一意思決定支援システム に適用するステップと、 c1)前記第一ニューラルネットワークのそれぞれについての出力値対を、第 一意思決定支援システムから抽出するステップと d)前記出力値対の前記第一対の一次結合を形成し、前記出力値対の前記第二 対の一次結合を形成し、前記の定量的で客観的な補助手段である信頼性インデッ クス対を得るステップとをさらに含む、請求の範囲第152項に記載の方法。 156.第一意思決定支援システムが、入力層、隠れた層、および出力層を含む 三層ネットワークを含むニューラルネットワークであり、入力層が14個の入力 ノードと、第一および第二の隠れた層のノードと、隠れた層の各ノードに対する 隠れた層のバイアスと、出力層中の第一および第二出力層ノードと、各出力層ノ ードに対する出力層バイアスとを有する、請求の範囲第155項に記載の方法。 157.第一の意思決定支援システムがニューラルネットワークであり、複数の 第一のトレーニングされたニューラルネットワークの各々が、入力層、隠れた層 および出力層を含んでいる三層ネットワークを含んでいる請求の範囲第155項 に記載の 方法。 158.第一の意思決定支援システムがニューラルネットワークであり、各々が 入力層、隠れた層および出力層を含んでいる三層ネットワークを含んでおり、入 力層が十四の入力ノード、第一および第二の隠れた層のノードおよび各隠れた層 のノードに対する隠れた層のバイアスおよび出力層における第一および第二の出 力層ノードおよび各出力層ノードに対する出力層バイアスを有しており、 0.バイアス 1.年齢 2.糖尿病 3.妊娠高血圧症 4.喫煙(箱/日) 5.妊娠回数 6.出産回数 7.流産回数 8.生殖器いぼ 9.異常PAP/形成異常症 10.子宮内膜症歴 11.骨盤手術歴 12.薬物治療歴 13.骨盤痛 14.月経困難症 という識別の順序で重みが八つの第一のニューラルネットワークの各々について 、 第一のニューラルネットワークA 第一の隠れた層のノードにおける要素を処理するには: 0.15 -1.19 -0.76 3.01 1.81 1.87 3.56 -0.48 1.33 -1.96 -4.45 1.36 -1.61 -1.97 -0.91 第二の隠れた層のノードにおける要素を処理するには: 0.77 2.25 -2.30 -1.48 -0.85 0.27 -1.70 -0.47 0.84 -6.19 0.50 -0.95 0.40 2.38 1.86 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: -0.12 -0.44 0.66 第二の出力層のノードにおける要素を処理するには: 0.12 0.44 -0.65 第一のニューラルネットワークB 第一の隠れた層のノードにおける要素を処理するには: -0.16 -3.30 0.85 1.00 0.99 -0.81 1.57 -1.40 0.46 1.16 -0.80 -0.01 -1.19 -1.10 -2.29 第二の隠れた層のノードにおける要素を処理するには: -1.62 0.79 0.45 2.14 3.82 3.93 3.96 2.27 -0.54 1.51 -4.76 2.83 0.74 -0.43 -0.17 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: 0.70 -0.69 -0.65 第二の出力層のノードにおける要素を処理するには: -0.70 0.69 0.65 第一のニューラルネットワークC 第一の隠れた層のノードにおける要素を処理するには: 0.94 1.43 0.29 1.17 2.11 -1.16 1.033 -0.68 -0.88 0.31 -1.74 1.62 -1.49 -1.05 -0.41 第二の隠れた層のノードにおける要素を処理するには: 0.77 3.31 -1.48 -0.83 0.60 -2.09 -1.39 -0.40 -0.19 -0.89 1.36 0.59 -1.11 0.26 1.04 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: 0.10 -0.09 0.87 第二の出力層のノードにおける要素を処理するには: -0.10 0.90 -0.87 第一のニューラルネットワークD 第一の隠れた層のノードにおける要素を処理するには: 1.08 1.27 -0.89 -1.00 -1.74 -0.40 -1.38 1.26 1.06 0.66 0.71 -0.57 0.67 1.89 -0.90 第二の隠れた層のノードにおける要素を処理するには: -0.03 -0.58 -0.46 -0.94 0.73 0.10 0.55 -0.79 -0.098 -1.36 1.01 0.00 -0.38 -0.49 1.57 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: -1.43 1.39 1.28 第二の出力層のノードにおける要素を処理するには: 1.30 -1.28 -1.17 第一のニューラルネットワークE 第一の隠れた層のノードにおける要素を処理するには: 0.14 -2.12 8.36 1.02 1.79 0.31 2.87 0.84 -1.24 -1.75 -2.98 1.72 -1.22 -2.47 -1.14 第二の隠れた層のノードにおける要素を処理するには: -3.93 -1.07 1.16 1.39 1.01 -1.08 2.33 0.76 -0.51 -0.31 -1.92 0.59 0.06 -0.76 -1.44 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: 0.46 -0.52 -0.80 第二の出力層のノードにおける要素を処理するには: -0.46 0.51 0.82 第一のニューラルネットワークF 第一の隠れた層のノードにおける要素を処理するには: -1.19 -2.93 1.19 6.85 1.08 0.66 1.65 -0.28 -1.63 -1.15 -0.79 0.43 -0.13 -3.10 -2.27 第二の隠れた層のノードにおける要素を処理するには: 0.82 0.19 0.72 0.83 0.59 0.07 1.06 0.51 1.04 1.47 -1.97 0.97 -0.91 -0.15 0.09 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: 0.68 -0.67 -0.58 第二の出力層のノードにおける要素を処理するには: -0.68 0.67 0.58 第一のニューラルネットワークG 第一の隠れた層のノードにおける要素を処理するには: -1.18 -2.55 0.48 -1.40 1.11 -0.28 2.33 0.33 -1.92 0.99 -1.41 0.68 -0.28 -1.65 -0.79 第二の隠れた層のノードにおける要素を処理するには: 1.07 1.11 0.52 1.41 0.55 -0.48 -0.23 0.44 -1.23 0.77 -2.96 1.39 -0.28 -0.64 -2.38 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: 0.69 -0.70 -0.50 第二の出力層のノードにおける要素を処理するには: -0.69 0.70 0.50 第一のニューラルネットワークH 第一の隠れた層のノードにおける要素を処理するには: 15.74 -0.76 -0.91 -1.13 -0.75 -0.66 -0.83 1.03 0.75 -0.48 -0.47 2.01 -0.02 0.25 1.11 第二の隠れた層のノードにおける要素を処理するには: -2.48 -2.49 0.99 1.97 2.41 1.51 1.01 -0.26 -0.76 2.00 -5.03 1.77 -0.77 -2.29 -2.01 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: 0.02 0.41 -0.84 第二の出力層のノードにおける要素を処理するには: -0.75 0.34 0.85 のようになっている請求の範囲第155項に記載の方法。 159.第一のニューラルネットワークの各々に対する正規化された観察値が識 別の順序で -0.00 1.00 0.01 0.08 0.01 0.09 0.16 0.37 1.09 1.39 0.55 0.94 0.54 0.93 0.01 0.10 0.03 0.17 0.23 0.42 0.65 0.48 0.39 0.49 0.19 0.39 0.72 0.45 の平均および標準を有している請求の範囲第158項に記載の方法。 160.患者における子宮内膜症の有無または重さの診断を補助する、コンピュ ータシステムにおける方法において、 (a)指定されたファクタの有無を反映する観察値を収集し、観察ファクタを コンピュータシステムの記憶手段に記憶するステップであって、指定されたファ クタが過去の病歴、出産回数、月経困難症、年齢、骨盤痛、骨盤手術歴、一日の 喫煙量、薬物治療歴、妊娠回数、流産回数、異常PAP/形成異常症、妊娠高血 圧症、生殖器いぼ、および糖尿病を含んでいるステップと、 (b)子宮内膜症に関する生化学テストについて患者から結果を取得し、メモ リ手段に記憶するステップと、 (c)メモリ手段からの観察値および関連する生化学テスト結果を、指定され たファクタおよびテスト結果のサンプルについてトレーニングされた第二のニュ ーラルネットワークに適用するステップと、 (d)第二のトレーニングされたニューラルネットワークから、子宮内膜症の 診断の暫定的な指標である出力値対を抽出するステップと を備えている方法。 161.(c1)メモリ手段からの観察値および関連する生化学テスト結果を複 数の第二のニューラルネットワークに適用するステップであって、第一のニュー ラルネットワークの各々が指定されたファクタのサンプルについてトレーニング されており、各トレーニングの開始重みがランダムに初期化されるステップと、 (d1)第一のトレーニングされたニューラルネットワークの各々から、第一 のニューラルネットワークの各々に対する出力値対を抽出するステップと、 (e)出力値対の第一のものの線形の組合せを形成し、出力値対の第二のもの の線形の組合せを形成して、子宮内膜症の診断に関する最終的な指標である信頼 度インデックス対を得るステップと をさらに含んでいる請求の範囲第160項に記載の方法。 162.第一のトレーニングされたニューラルネットワークが入力層、隠れた層 および出力層を含んでいる三層ネットワークを含んでおり、入力層が十四の入力 ノード、第一および第二の隠れた層のノード、各隠れた層のノードに対する隠れ た層のバイアス、出力層の第一および第二の出力層ノード、および各出力層ノー ドに対する出力層バイアスを有している請求の範囲第160項に記載の方法。 163.複数の第二のトレーニングされたニューラルネットワークの各々が入力 層、隠れた層および出力層を含んでいる三層ネットワークを含んでおり、入力層 が十四の入力ノード、第一および第二の隠れた層のノードおよび各隠れた層のノ ードに対する隠れた層のバイアスおよび出力層における第一および第二の出力層 ノードおよび各出力層ノードに対する出力層バイアスを有しており、 重みが 0.バイアス 1.年齢 2.糖尿病 3.妊娠高血圧症 4.喫煙(箱/日) 5.妊娠回数 6.出産回数 7.流産回数 8.生殖器いぼ 9.異常PAP/形成異常症 10.子宮内膜症歴 11.骨盤手術歴 12.薬物治療歴 13.骨盤痛 14.月経困難症 15.生化学テスト結果 という識別の順序である 請求の範囲第161項に記載の方法。 164.患者における子宮内膜症の有無または重さの診断を補助する、コンピュ ータシステムにおけるニューラルネットワークシステムおいて、 複数の第一のトレーニングされたニューラルネットワークであって、各々が入 力層、隠れた層および出力層を含んでいる三層ネットワークを含んでおり、入力 層が十四の入力ノード、第一および第二の隠れた層のノード、各隠れた層のノー ドに対する隠れた層のバイアス、出力層の第一および第二の出力層ノード、およ び各出力層ノードに対する出力層バイアスを有しており、各々が子宮内膜症の診 断の暫定的な指標を生成する複数の第一のトレーニングされたニューラルネット ワークと、 臨床データファクタの観察された値の入力手段と、 過去の病歴、出産回数、月経困難症、年齢、骨盤痛、骨盤手術歴、一日の喫煙 量、薬物治療歴、妊娠回数、流産回数、異常PAP/形成異常症、妊娠高血圧症 、生殖器いぼ、および糖尿病を含んでいる臨床データファクタの観察された値に 対するコンピュータシステムの記憶手段と、 子宮内膜症の診断に関する意思決定プロセスを強化する定量的で客観的な補助 手段であるコンセンサスを出力層ノードから 構築する手段と を備えているニューラルネットワークシステム。 165.メモリ手段からの観察値を複数の第一のニューラルネットワークに対し て正規化する入力正規化装置であって、第一のニューラルネットワークの各々が 指定されたファクタのサンプルについてトレーニングされており、各トレーニン グの開始重みがランダムに初期化される入力正規化装置をさらに含んでいる 請求の範囲第164項に記載のニューラルネットワークシステム。 166.コンセンサス構築装置が子宮内膜症の診断に関するコンセンサスおよび 最終的な指標である信頼度インデックス対を得るための出力値対の第一のもの、 および出力値対の第二のものの線形組合せ装置を含んでいる請求の範囲第164 項に記載のニューラルネットワークシステム。 167.識別の順序が、 0.バイアス 1.年齢 2.糖尿病 3.妊娠高血圧症 4.喫煙(箱/日) 5.妊娠回数 6.出産回数 7.流産回数 8.生殖器いぼ 9.異常PAP/形成異常症 10.子宮内膜症歴 11.骨盤手術歴 12.薬物治療歴 13.骨盤痛 14.月経困難症 という順序で、重みが八つの第一のニューラルネットワークの各々について 第一のニューラルネットワークA 第一の隠れた層のノードにおける要素を処理するには: 0.15 -1.19 -0.76 3.01 1.81 1.87 3.56 -0.48 1.33 -1.96 -4.45 1.36 -1.61 -1.97 -0.91 第二の隠れた層のノードにおける要素を処理するには: 0.77 2.25 -2.30 -1.48 -0.85 0.27 -1.70 -0.47 0.84 -6.19 0.50 -0.95 0.40 2.38 1.86 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: -0.12 -0.44 0.66 第二の出力層のノードにおける要素を処理するには: 0.12 0.44 -0.65 第一のニューラルネットワークB 第一の隠れた層のノードにおける要素を処理するには: -0.16 -3.29 0.85 1.00 0.99 -0.81 1.57 -1.40 0.46 1.16 -0.80 -0.01 -1.19 -1.10 -2.29 第二の隠れた層のノードにおける要素を処理するには: -1.62 0.79 0.45 2.14 3.82 3.93 3.96 2.27 -0.54 1.51 -4.76 2.83 0.74 -0.43 -0.17 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: 0.70 -0.69 -0.65 第二の出力層のノードにおける要素を処理するには: -0.70 0.69 0.65 第一のニューラルネットワークC 第一の隠れた層のノードにおける要素を処理するには: 0.94 1.43 0.29 1.17 2.11 -1.16 1.03 -0.68 -0.88 0.31 -1.74 1.62 -1.49 -1.05 -0.41 第二の隠れた層のノードにおける要素を処理するには: 0.77 3.31 -1.48 -0.83 0.60 -2.09 -1.39 -0.40 -0.19 -0.89 1.36 0.59 -1.11 0.26 1.04 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: 0.10 -0.90 0.87 第二の出力層のノードにおける要素を処理するには: -0.10 0.90 -0.87 第一のニューラルネットワークD 第一の隠れた層のノードにおける要素を処理するには: 1.08 1.27 -0.89 -1.00 -1.74 -0.40 -1.38 1.26 1.06 0.66 0.71 -0.57 0.67 1.89 -0.90 第二の隠れた層のノードにおける要素を処理するには: -0.03 -0.58 -0.46 -0.94 0.73 0.10 0.55 -0.79 -0.10 -1.36 1.01 0.00 -0.38 -0.49 1.57 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: -1.43 1.39 1.28 第二の出力層のノードにおける要素を処理するには: 1.30 -1.28 -1.17 第一のニューラルネットワークE 第一の隠れた層のノードにおける要素を処理するには: 0.14 -2.12 8.36 1.02 1.79 0.31 2.87 0.84 -1.24 -1.75 -2.98 1.72 -1.22 -2.47 -1.14 第二の隠れた層のノードにおける要素を処理するには: -3.93 -1.07 1.16 1.39 1.01 -1.08 2.33 0.76 -0.51 -0.31 -1.92 0.59 0.06 -0.76 -1.44 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: 0.46 -0.52 -0.80 第二の出力層のノードにおける要素を処理するには: -0.46 0.51 0.82 第一のニューラルネットワークF 第一の隠れた層のノードにおける要素を処理するには: -1.19 -2.93 1.19 6.85 1.08 0.66 1.65 -0.28 -1.63 -1.15 -0.79 0.43 -0.13 -3.10 -2.27 第二の隠れた層のノードにおける要素を処理するには: 0.82 0.19 0.72 0.83 0.59 0.07 1.06 0.51 1.04 1.47 -1.97 0.97 -0.91 -0.15 0.09 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: 0.68 -0.67 -0.58 第二の出力層のノードにおける要素を処理するには: -0.68 0.67 0.58 第一のニューラルネットワークG 第一の隠れた層のノードにおける要素を処理するには: -1.18 -2.55 0.48 -1.40 1.11 -0.28 2.33 0.33 -1.92 0.99 -1.41 0.68 -0.28 -1.65 -0.79 第二の隠れた層のノードにおける要素を処理するには: 1.08 1.11 0.52 1.41 0.55 -0.48 -0.23 0.44 -1.23 0.77 -2.96 1.39 -0.28 -0.64 -2.38 出力層の重み(0バイアス、第一の隠れた層の重み、第二の 隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: 0.69 -0.70 -0.50 第二の出力層のノードにおける要素を処理するには: -0.69 0.70 0.50 第一のニューラルネットワークH 第一の隠れた層のノードにおける要素を処理するには: 15.74 -0.76 -0.91 -1.13 -0.75 -0.66 -0.83 1.03 0.75 -0.48 -0.47 2.01 -0.02 0.25 1.11 第二の隠れた層のノードにおける要素を処理するには: -2.48 -2.49 0.99 1.97 2.41 1.51 1.01 -0.26 -0.76 2.00 -5.03 1.77 -0.77 -2.29 -2.01 出力層の重み(0バイアス、第一の隠れた層の重み、第二の隠れた層の重み) 第一の出力層のノードにおける要素を処理するには: 0.017 0.41 -0.84 第二の出力層のノードにおける要素を処理するには: -0.75 0.34 0.85 のようになっている請求の範囲第164項に記載のニューラルネットワークシス テム。 168.第一のニューラルネットワークの各々に対する正規化された観察値が識 別の順序で -0.00 1.00 0.01 0.08 0.01 0.09 0.16 0.37 1.09 1.39 0.55 0.94 0.54 0.93 0.01 0.10 0.03 0.17 0.23 0.42 0.65 0.48 0.39 0.49 0.19 0.39 0.72 0.45 の平均および標準偏差を有している請求の範囲第167項に記載のシステム。 169.生化学的結果の記憶手段をさらに含んでおり、複数のネットワークが生 化学テスト結果を含むようにトレーニングされている請求の範囲第164項に記 載のシステム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US59927596A | 1996-02-09 | 1996-02-09 | |
US1144996P | 1996-02-09 | 1996-02-09 | |
US60/011,449 | 1996-02-09 | ||
US08/599,275 | 1996-02-09 | ||
PCT/US1997/002104 WO1997029447A2 (en) | 1996-02-09 | 1997-02-07 | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2003141050A Division JP3782792B2 (ja) | 1996-02-09 | 2003-05-19 | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2000501869A true JP2000501869A (ja) | 2000-02-15 |
JP3480940B2 JP3480940B2 (ja) | 2003-12-22 |
Family
ID=26682401
Family Applications (6)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP52872997A Expired - Fee Related JP3480940B2 (ja) | 1996-02-09 | 1997-02-07 | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
JP2003141050A Expired - Lifetime JP3782792B2 (ja) | 1996-02-09 | 2003-05-19 | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
JP2005134396A Expired - Fee Related JP4139822B2 (ja) | 1996-02-09 | 2005-05-02 | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
JP2005357564A Expired - Fee Related JP4168187B2 (ja) | 1996-02-09 | 2005-12-12 | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
JP2007235531A Pending JP2008065836A (ja) | 1996-02-09 | 2007-09-11 | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
JP2008000723A Pending JP2008136874A (ja) | 1996-02-09 | 2008-01-07 | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
Family Applications After (5)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2003141050A Expired - Lifetime JP3782792B2 (ja) | 1996-02-09 | 2003-05-19 | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
JP2005134396A Expired - Fee Related JP4139822B2 (ja) | 1996-02-09 | 2005-05-02 | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
JP2005357564A Expired - Fee Related JP4168187B2 (ja) | 1996-02-09 | 2005-12-12 | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
JP2007235531A Pending JP2008065836A (ja) | 1996-02-09 | 2007-09-11 | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
JP2008000723A Pending JP2008136874A (ja) | 1996-02-09 | 2008-01-07 | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP0879449A2 (ja) |
JP (6) | JP3480940B2 (ja) |
AU (1) | AU2316297A (ja) |
CA (1) | CA2244913A1 (ja) |
WO (1) | WO1997029447A2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007521854A (ja) * | 2003-12-02 | 2007-08-09 | シュレイガ ロッテム | 母体−胎児状態の診断、スクリーニング、予防、及び治療のための人工知能及び装置 |
US7529394B2 (en) | 2003-06-27 | 2009-05-05 | Siemens Medical Solutions Usa, Inc. | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6678669B2 (en) | 1996-02-09 | 2004-01-13 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
US6622036B1 (en) * | 2000-02-09 | 2003-09-16 | Cns Response | Method for classifying and treating physiologic brain imbalances using quantitative EEG |
US6601034B1 (en) | 1998-03-05 | 2003-07-29 | American Management Systems, Inc. | Decision management system which is cross-function, cross-industry and cross-platform |
US6609120B1 (en) | 1998-03-05 | 2003-08-19 | American Management Systems, Inc. | Decision management system which automatically searches for strategy components in a strategy |
US8364578B1 (en) | 1998-03-05 | 2013-01-29 | Cgi Technologies And Solutions Inc. | Simultaneous customer/account strategy execution in a decision management system |
US6546545B1 (en) | 1998-03-05 | 2003-04-08 | American Management Systems, Inc. | Versioning in a rules based decision management system |
CA2326579C (en) * | 1998-04-03 | 2011-01-18 | Triangle Pharmaceuticals, Inc. | Systems, methods and computer program products for guiding the selection of therapeutic treatment regimens |
AU4971499A (en) * | 1998-07-30 | 2000-02-21 | Arcturus Engineering, Inc. | Medical diagnostic and treatment information system and method |
US6708155B1 (en) | 1999-07-07 | 2004-03-16 | American Management Systems, Inc. | Decision management system with automated strategy optimization |
JP4726177B2 (ja) * | 2000-06-08 | 2011-07-20 | ビルコ・ビーブイビーエイ | ニューラルネットワークを使用して治療薬耐性を予測し、そして薬剤耐性の遺伝的基礎を定めるための方法およびシステム |
AU6378501A (en) * | 2000-06-09 | 2001-12-17 | Medimage Aps | A fail-sure computer aided method for anticoagulant treatment |
WO2002021423A2 (en) * | 2000-09-06 | 2002-03-14 | Cellomics, Inc. | Method and system for obtaining knowledge based recommendations |
US6920439B1 (en) * | 2000-10-10 | 2005-07-19 | Hrl Laboratories, Llc | Method and apparatus for incorporating decision making into classifiers |
US6988088B1 (en) * | 2000-10-17 | 2006-01-17 | Recare, Inc. | Systems and methods for adaptive medical decision support |
US7315784B2 (en) * | 2001-02-15 | 2008-01-01 | Siemens Aktiengesellschaft | Network for evaluating data obtained in a biochip measurement device |
US20020155587A1 (en) | 2001-04-20 | 2002-10-24 | Sequenom, Inc. | System and method for testing a biological sample |
US7840421B2 (en) | 2002-07-31 | 2010-11-23 | Otto Carl Gerntholtz | Infectious disease surveillance system |
US20040103001A1 (en) * | 2002-11-26 | 2004-05-27 | Mazar Scott Thomas | System and method for automatic diagnosis of patient health |
US20090083768A1 (en) * | 2007-09-20 | 2009-03-26 | Hatalkar Atul N | Context platform framework for aggregation, analysis and use of contextual information |
MX2013001557A (es) * | 2010-08-13 | 2013-06-28 | Respiratory Motion Inc | Dispositivos y metodos para el control de la variacion respiratoria mediante la medicion de volumenes, movimiento y variabilidad respiratoria. |
NZ730197A (en) * | 2014-09-11 | 2022-07-01 | Berg Llc | Bayesian causal relationship network models for healthcare diagnosis and treatment based on patient data |
JP6481335B2 (ja) * | 2014-11-06 | 2019-03-13 | 日本電気株式会社 | 情報処理システム、情報処理装置、情報処理方法および情報処理プログラム |
JP6280997B1 (ja) * | 2016-10-31 | 2018-02-14 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法 |
JP2019101902A (ja) * | 2017-12-06 | 2019-06-24 | 株式会社グルーヴノーツ | データ処理装置、データ処理方法及びデータ処理プログラム |
JP2021519479A (ja) * | 2018-03-19 | 2021-08-10 | アンブリー ジェネティクス コーポレーションAmbry Genetics Corporation | 遺伝子検査とゲノム検査を識別するための人工知能と機械学習プラットフォーム |
KR102043376B1 (ko) * | 2018-08-16 | 2019-11-11 | 한국과학기술연구원 | 심층 신경망 알고리즘을 이용하는 실시간 스트레스 분석 방법 |
EP3844722A4 (en) | 2018-08-29 | 2022-06-01 | Movidius Ltd. | COMPUTER VISION SYSTEM |
KR102166441B1 (ko) * | 2018-10-02 | 2020-10-16 | 재단법인대구경북과학기술원 | 병변 검출 장치 및 제어 방법 |
WO2020158717A1 (ja) | 2019-01-31 | 2020-08-06 | 富士フイルム株式会社 | 学習済みモデル、学習方法、及びプログラム、並びに医用情報取得装置、方法、及びプログラム |
JPWO2020189235A1 (ja) * | 2019-03-20 | 2020-09-24 | ||
CN110164549A (zh) * | 2019-05-20 | 2019-08-23 | 南通奕霖智慧医学科技有限公司 | 一种基于神经网络分类器的儿科分诊方法及系统 |
KR102187344B1 (ko) * | 2019-09-03 | 2020-12-04 | 메디사피엔스 주식회사 | 결정 트리를 이용한 반려동물 진단 방법 및 장치 |
US20220383111A1 (en) * | 2019-09-27 | 2022-12-01 | D5Ai Llc | Selective training of deep learning modules |
WO2022190891A1 (ja) * | 2021-03-11 | 2022-09-15 | ソニーグループ株式会社 | 情報処理システム及び情報処理方法 |
KR20230027810A (ko) * | 2021-08-20 | 2023-02-28 | 가톨릭대학교 산학협력단 | 예후 예측 장치, 방법 및 기록매체 |
US20230169168A1 (en) * | 2021-11-29 | 2023-06-01 | Microsoft Technology Licensing, Llc. | Detect anomalous container deployment at a container orchestration service |
CN115116594B (zh) * | 2022-06-06 | 2024-05-31 | 中国科学院自动化研究所 | 医疗装置有效性的检测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3231810B2 (ja) * | 1990-08-28 | 2001-11-26 | アーチ・デベロップメント・コーポレーション | ニューラル・ネットワークを用いた鑑別診断支援方法 |
JP3081043B2 (ja) * | 1991-12-27 | 2000-08-28 | シスメックス株式会社 | 脳梗塞の診断方法 |
JPH05277119A (ja) * | 1992-03-31 | 1993-10-26 | Nuclear Fuel Ind Ltd | 癌診断装置 |
CA2161655A1 (en) * | 1993-04-30 | 1994-11-10 | James David Keeler | Method and apparatus for determining the sensitivity of inputs to a neural network on output parameters |
JP3226400B2 (ja) * | 1993-12-06 | 2001-11-05 | 富士通株式会社 | 診断装置 |
-
1997
- 1997-02-07 CA CA002244913A patent/CA2244913A1/en not_active Abandoned
- 1997-02-07 WO PCT/US1997/002104 patent/WO1997029447A2/en not_active Application Discontinuation
- 1997-02-07 JP JP52872997A patent/JP3480940B2/ja not_active Expired - Fee Related
- 1997-02-07 EP EP97915835A patent/EP0879449A2/en not_active Withdrawn
- 1997-02-07 AU AU23162/97A patent/AU2316297A/en not_active Abandoned
-
2003
- 2003-05-19 JP JP2003141050A patent/JP3782792B2/ja not_active Expired - Lifetime
-
2005
- 2005-05-02 JP JP2005134396A patent/JP4139822B2/ja not_active Expired - Fee Related
- 2005-12-12 JP JP2005357564A patent/JP4168187B2/ja not_active Expired - Fee Related
-
2007
- 2007-09-11 JP JP2007235531A patent/JP2008065836A/ja active Pending
-
2008
- 2008-01-07 JP JP2008000723A patent/JP2008136874A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7529394B2 (en) | 2003-06-27 | 2009-05-05 | Siemens Medical Solutions Usa, Inc. | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system |
JP2007521854A (ja) * | 2003-12-02 | 2007-08-09 | シュレイガ ロッテム | 母体−胎児状態の診断、スクリーニング、予防、及び治療のための人工知能及び装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2008065836A (ja) | 2008-03-21 |
AU2316297A (en) | 1997-08-28 |
CA2244913A1 (en) | 1997-08-14 |
JP3480940B2 (ja) | 2003-12-22 |
JP4168187B2 (ja) | 2008-10-22 |
JP3782792B2 (ja) | 2006-06-07 |
JP2008136874A (ja) | 2008-06-19 |
JP4139822B2 (ja) | 2008-08-27 |
WO1997029447A3 (en) | 1998-05-07 |
JP2005319301A (ja) | 2005-11-17 |
EP0879449A2 (en) | 1998-11-25 |
JP2006172461A (ja) | 2006-06-29 |
WO1997029447A2 (en) | 1997-08-14 |
JP2004041713A (ja) | 2004-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2000501869A (ja) | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 | |
US6556977B1 (en) | Methods for selecting, developing and improving diagnostic tests for pregnancy-related conditions | |
US11488718B2 (en) | Computer aided medical method and medical system for medical prediction | |
Islam et al. | Machine learning to predict pregnancy outcomes: a systematic review, synthesizing framework and future research agenda | |
Zhang et al. | Ensemble learning based postpartum hemorrhage diagnosis for 5g remote healthcare | |
Gomes Filho et al. | Heterogeneous methodology to support the early diagnosis of gestational diabetes | |
Samet et al. | Use of machine learning techniques to predict diabetes at an early stage | |
Samet et al. | Predicting and staging chronic kidney disease using optimized random forest algorithm | |
Dong et al. | A hybrid approach to identifying key factors in environmental health studies | |
Qi et al. | Predictive models for predicting the risk of maternal postpartum depression: A systematic review and evaluation | |
Zou et al. | An intelligent adverse delivery outcomes prediction model based on the fusion of multiple obstetric clinical data | |
Kour et al. | An Advance Approach for Diabetes Detection by Implementing Machine Learning Algorithms | |
Chi | Medical decision support systems based on machine learning methods | |
Adebanji et al. | Predictive analysis on the factors associated with birth Outcomes: A machine learning perspective | |
Olatunji et al. | Ensemble-based machine learning models for the preemptive diagnosis of cervical cancer using clinical data | |
Kleczyk et al. | Applying Machine Learning Algorithms to Predict Endometriosis Onset | |
Koshy et al. | A Review on AI methods for the Prediction of Infertility in Women | |
Yang | A Statistical Analysis of Medical Data for Breast Cancer and Chronic Kidney Disease | |
Balai | Using ICU Admission as a Predictor for Maternal Mortality: Identifying Essential Features for Accurate Classification | |
Long et al. | Neural network multi-label learning based on enhancing pairwise labels discrimination for obstetric auxiliary diagnosis | |
Gao et al. | Systematic review and network meta-analysis of machine learning algorithms in sepsis prediction | |
Moore | Yet Another Local Learner (YALL): a localized machine learning algorithm with applications to precision medicine | |
Wagachchi | Machine learning-based system to predicting the diagnosis of coronary artery disease | |
PINHEIRO et al. | Heterogeneous Methodology to Support the Early Diagnosis of Gestational Diabetes | |
Ong | An Integrated Machine Learning Approach to Optimize the Estimation of Preterm Birth |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081010 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081010 Year of fee payment: 5 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081010 Year of fee payment: 5 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091010 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091010 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101010 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111010 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121010 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131010 Year of fee payment: 10 |
|
LAPS | Cancellation because of no payment of annual fees |