JP2002505892A - 呼吸障害を予測する人工神経網およびそれを発展させる方法 - Google Patents
呼吸障害を予測する人工神経網およびそれを発展させる方法Info
- Publication number
- JP2002505892A JP2002505892A JP2000534930A JP2000534930A JP2002505892A JP 2002505892 A JP2002505892 A JP 2002505892A JP 2000534930 A JP2000534930 A JP 2000534930A JP 2000534930 A JP2000534930 A JP 2000534930A JP 2002505892 A JP2002505892 A JP 2002505892A
- Authority
- JP
- Japan
- Prior art keywords
- information
- sleep
- patient
- determining
- ann
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Abstract
Description
“ANN”)を発展させる方法に関する。
ルを生成するために回帰モデルが使用されている。このような回帰モデルはしば
しば高確率の属性を示す身体的特徴および臨床的特性を使用する。しかしながら
、このような回帰モデルにより生成される予測ルールはしばしば特異性に欠け、
特に無呼吸/呼吸低下(AHI)インデックスに関して予め定められたカットオ
フ値に基づいて二分出力だけを与え、このインデックスは閉塞性睡眠時無呼吸(
“OSA”)インデックスである。さらに、このような予測ルールの欠陥を合成
するために、特定のモデルに関連する予め定められたカットオフ値はしばしば任
意に選択され、さらにモデルによって変化する。さらに、これらのモデルを導出
するために使用される統計的な方法は複雑なプロセスの非線形の属性を十分に考
慮することができない。
有する重要な公的健康問題として認識されている。近年OSAに関連する危険性
の認識増加により、専門家および睡眠研究所へ紹介された人の数は増加している
。夜通しの多極睡眠図(“OPG”)はOSAを診断するための標準的な基準試
験である。しかしながらOPGは効果で、労力がかかり、時間を消費するプロセ
スである。結果として、患者がOSAを有するか否かを医者が評価することを可
能にするため、実際的で厄介ではないスクリーン試験を必要とする。
を提供することである。
NNと呼ぶ方法を含んでいる。本発明のANNは患者のAHIを予測するため患
者から得られた人格データと臨床情報の組合わせを使用する。AHIは個人がO
SAを有する可能性を示す。
クのような記憶装置に関し、それにコンピュータの読取り可能なコードを記憶し
、コンピュータにANNの全てまたは実質部分を実行させる。
通常はデジタル形態で情報の多数のピースを受け、情報のピースを使用して計算
を行い、属性が存在する可能性があるか否かを示す結果を発生する数値プロセッ
サである。以下詳細に説明する本発明の1実施形態では、方法の一部として集め
られた情報ピースはある質問と陳述に対する患者の応答により与えられた回答で
あり、ANNにより生成された結果は予測されたAHIである。
質問に対して患者により与えられた回答を含んでおり、(a)(年は)お幾つで
すか?、(b)身長は(何メートル)、(c)体重は(何キログラム)?、(d
)首回りの大きさは(何センチメートル)?、(e)高血圧と言われたかまたは
扱われたことがありますか?(イエスであるならば“1”を入力、ノーであるな
らば“0”を入力)。(ステップ10)で患者から集められた情報はまた1組の陳
述に対して患者により与えられた応答を含んでいる。情報集めを容易にするため
に、患者は陳述のセット中の各陳述に対する5つの可能な応答のうち1つを与え
ることを許可される。さらに、各可能な応答は数に関連する(ステップ12)。数
が決定され、応答自体の代わりに本発明にしたがった方法の次のステップで使用
される。本発明の1実施形態では、陳述セット中の各陳述に対する可能な応答と
、各可能な応答に関連する数では、応答“0.5”は確実ではなく、不明または
当てはまらないことを意味し、応答“0”は強い否定またはありえないことを意
味し、応答“0.25”は否定または稀に生じるが、1週間に1度もないことを
意味し、応答“0.5”はやや肯定的または時折、即ち1週間に1乃至2回であ
ることを意味し、応答“0.75”は肯定的または頻繁、即ち1週間に3乃至4
回を意味し、最後に応答“1.0”は強く肯定的または常に或いはほぼ常に、即
ち1週間に5乃至7回であることを意味する。陳述のセットは以下の項目を含ん
でいる。(a)私は日中非常に眠く、起きているのが困難である、(b)夜、私
の睡眠はベッドパートナーの眠りを妨害する、(c)睡眠中いびきをかくと言わ
れる、(d)睡眠中呼吸が停止すると言われる、(e)夜中に突然息切れして起
きる、(f)起床時、疲れを感じてまた眠りたくなる、(g)足が静止していな
いと言われる、(h)性欲または関心が以前よりもなくなった。
前述の質問と陳述に対して応答するようにさせる。sleep.prg を動作されている
コンピュータは(ステップ10で)患者から回答および応答を集めるステップを促
進する。sleep.prg はクリッパで書かれた付録Aで示されているが、その他のコ
ンピュータ言語も前述の陳述の質問および応答に対する回答を集めるために使用
されることができる。付録Aで示されているように、sleep.prg は英語または計
量システムにおける測定を受け、エントリを異なる測定システムに変換してもよ
い。さらに、sleep.prg は数1乃至数5の形態の陳述のセット中の各セットに対
する応答を受けるが、前述したようにユーザにより入力された各応答を数0乃至
1に変換する。最後に、sleep.prg は回答および応答をストリングに置き、以下
説明するようにこのような情報は迅速に受取られ、次の方法のステップを実行す
る手段により処理される。
et.forはフォートランで書かれた付録Bで示されているが、その他のコンピュー
タ言語もANNにしたがってコンピュータにステップを実行させるために使用さ
れることができる。付録Bで示されているように、sleepnet.forはそれにより発
生される前述のフォーマットの回答および応答を受けるように書かれる。
1)は患者の年齢、X(2)は患者の背丈、X(3)は患者の首回りの長さ、X
(4)は患者の血圧、X(5)は患者が日中に眠いか否かに関する。X(6)は
患者がベッドパートナーを妨害するか否か、X(7)は患者がいびきをかくか否
か、X(8)は睡眠中に患者が呼吸を停止するか否か、X(9)は患者が突然息
切れして起きるか否かに関する。X(10)は患者が起床時に、疲れを感じるか否
か、X(11)は患者の足が静止していないか否か、X(12)は患者に性欲がある
か否か、X(13)は患者の体重に関する。
NNの次のステップ16では、RINP(1)乃至RINP(12)をここで参照す
る12の改定された入力値が付録Bで示されているように数値X(1)乃至X(
13)から決定される。RINP(1)は年齢、RINP(2)は計算されたBM
I、RINP(3)は首回りの長さ、RINP(4)は血圧、RINP(5)は
日中の眠けに関する。RINP(6)はベッドパートナーへの妨害、RINP(
7)はいびき、RINP(8)は睡眠中の呼吸の停止、RINP(9)は突然の
息切による目覚めに関する。RINP(10)は起床時の疲れ、RINP(11)は
足が静止していない、RINP(12)は性欲に関する。
feat2(21)として付録Bで示されている21の予測インジケータを含んでおり
、付録Bで示されているように改定された入力値RINP(1)乃至RINP(
12)から決定される。次のステップ20では、予測インジケータの第2のセットが
決定され、そのコンポーネントはここでは“feat3”と呼ばれている。feat3は
feat3(1)乃至feat3(21)として付録Bで示されている21の予測インジケ
ータを含んでおり、付録Bで示されているように改定された入力値RINP(1
)乃至RINP(12)から決定される。
た第1の予測数を発生するために予測インジケータの第1および第2のセットと
結合される。付録Bで示されているように、第1の予測数(“出力”)は10と
−10との間の数である。付録Bで示されている計算は単位時間当り10だけ異
なるAHIしきい値を与えるように調節されてもよく、本発明は10と−10の
間の第1の予測数(“出力”)に限定されない。方法の次のステップ24では、付
録Bで“a1”とラベルを付された第2の予測数は付録Bで示されているように
決定される。第2の予測数a1は、付録Bにしたがって一度操作されると、予測
されたAHIであり、最終ステップ26では医者等の健康の専門家に与えられる。
前述のANNについて以下の例によってさらに説明する。
属性を有する患者を決定するため臨床研究が行われる。このステップ52の例では
、1995年11月から1996年8月の期間に患者はバッファロジェネラルホスピタルの
睡眠センタに差向けられ、睡眠登録記録から回顧的に識別され、導出コーホート
(derivation cohort )が表された。大多数の患者は内科医(54%)と、内科医
の副専門医(36%)、または耳鼻咽喉科(7%)に任せられた。この例では睡眠
研究(OPG)はこの期間に293人の患者について行われた。患者は以前に睡
眠時無呼吸と扱われたことのある人を除外し、睡眠時無呼吸以外の特別の睡眠障
害を調べ、そうでなければ睡眠研究を完成できない。
、睡眠症候および運動機能に関連する質問書はOPGを受ける前の全ての患者に
より満たされた。人口統計的情報(年齢、性別)と人体測定(首回り、身長、体
重)が各患者で得られた。
は詳細な解析を受けた。質問は以下の選択肢による6つの項目のLikert応答を有
し、即ち、全くない(または強く否定)、稀(または否定)、時折(またはやや
肯定)、頻繁(やや肯定)、常に(強く肯定)、不確定(または当てはまらない
)。さらに、高血圧の存在とアルコール摂取量は患者自身の報告によって決定さ
れた。
ミスタ(Graphic Control ;Buffalo 、NY)で査定され、動脈性のオキシヘモグ
ロビンの飽和は、患者の指に付けられたプローブによりパルス酸素濃度計で測定
された(Biox IIAまたは3700、Ohmeda;Louisville、CO)。腹部壁と肋骨構造の
運動は誘導的な血量計(Respitrace Corporation;Ardsley 、NY)で記録された
。AHデータは16チャンネルのポリグラフで記憶され、コンピュータシステム
でデジタル化された(Aekitron Medical;Minneapolis 、MN)。
、オキシヘモグロビンの不飽和、心臓の速度とリズムの障害に対して解析された
。無呼吸は少なくとも10秒間で、鼻および口の空気流の減少が>80%として
限定された。呼吸低下は4%以上の酸素飽和または覚醒の減少に関連して口およ
び鼻の空気流が50%減少として限定された。覚醒は最近のASDA position pape
r (ASDA Report 、EEG arousals:scoring rules and examples、Sleep 1992;
15:173-5)にしたがって限定された。この記録は多極睡眠図の技術者によりマニ
ュアルでスコアを付けられ、睡眠医学に認定された医者により観察された。総睡
眠時間の単位時間当りの無呼吸および呼吸低下数が得られ、無呼吸−呼吸低下イ
ンデックス(AHI)として報告された。睡眠時無呼吸の陽性の睡眠研究はAH
I>10/時間として限定され、他のしきい値(>15または>20/時間)も
予測モデルの診断の正確性の限定を変更する効果を決定するものと考慮された。
る。本発明の例では、連続変数の記述的な統計は平均±1SD(標準偏差)とし
て表された。平均値の差は学生のt試験を使用して評価された。全ての試験は両
側検定であり、統計的な有意性は0.05よりも小さいp値に設定された。商用
のソフトウェアは、多数の線形回帰および回帰ツリー(S-Plus、Statsci 、Seat
tle 、WA)と、人工神経網(Neuroshell 2、Ward Systems、Frederick 、MD)と
、信頼インターバル解析(CIA 、British Medical Journal London、UK)用に使
用された。AHIの対数変換はANNと多数の線形回帰との両者に使用され、そ
れによって後遺症の標準的な分布を実現する。
る可能性がある変数を選択するために使用された。論理的回帰モデルは時には決
定ツリーよりも良好に動作するので、論理的回帰はまた予測変数を識別するよう
に動作された。独立した変数は−1と1の範囲にわたって1つの値にスケールさ
れた。Likertスケール値に対する応答はこの範囲にわたり0.5間隔で均等に隔
てられた。“当てはまらない”とマークされた不明値はクラス平均で代用された
。
力層と、線形関数を有する出力層と、隠れた層に基づいている。隠れた層は入力
層と出力層の間の直接接続と、異なる付勢関数を有する21のノードの2つのグ
ループからなる。付勢関数は入力層と隠れた層との間の連結特性を示す。ガウス
関数は1つのグループで使用され、双曲線関数(正接)は他のグループに使用さ
れた。隠れた層の2つのグループからの接続および出力は線形関数により出力層
に連結された。各リンクは学習プロセス中に更新された係数または加重を割当て
られた。加重は−0.6と+0.6との間でランダムに最初に割当てられた。
期間に、入力は数学的関係に与えられ、対応する結果が計算される。実際の結果
と所望の結果の差は後方へ増加する。数学的関係の接続加重に対する調節は数学
的関係により予測された出力と、測定属性、この例ではAHIとの間のエラーを
最小にするために行われる。訓練期間に、数学的関係は訓練プロセスに含まれな
いデータのサブセット(評価データセット)の予測エラーを決定するために規則
的な間隔で試験される。訓練が進むにつれて、評価データセットの予測エラーは
最初は減少するが、その後過剰な訓練が生じるとき増加する。最小のエラーを生
じる数学的関係がさらに解析するために選択される(ステップ62)。
割された。10個のうち9個のサブセットがプールされて訓練用に使用された。
第10番目のサブセットからのデータは訓練期間の評価セットとして使用された
。全体的なプロセスは訓練期間の評価セットとして使用されたサブセットを回転
することにより9回の付加的な回数だけ反復された。2乗平均エラーが全体的な
導出データセットにおける数学的関係の10個のセットのそれぞれに対して計算
された。2乗平均エラーは平均され、平均に最も近い2乗平均エラーを有する数
学的関係のセットが選択された。
ョン項は、非線性とインタラクション項が数学的関係の選択されたセットの予測
の正確性に貢献する範囲を決定するため含まれない。
ホート)で試験される。前述のANNを展開するために使用される確認コーホー
トは1996年9月から1996年12月までの睡眠研究を受けた全ての患者を含んでいる
。以前に睡眠時無呼吸に扱われたことがあり、睡眠時無呼吸以外の特別な睡眠障
害に当てはまる患者は研究から除外し、そうでなければ睡眠研究の完成に失敗す
る。
た正値(1−特異性)に対して書かれた真の正値(感度)のグラフィック表示を
表している。cインデックスは診断の正確性の評価に使用された。cインデック
スはROC曲線の面積に等しい。簡単にいうと、一人は睡眠時無呼吸であり他方
の人はそうではない等のあらゆる可能な対の患者は正確に睡眠時無呼吸を診断す
る確率を決定することにより計算された。ブートストラップ方法は置換によるラ
ンダムサンプリングによりデータベースから1000個のデータセットを生成す
ることでこの正確性測定を直接計算するために使用された。両モデルのcインデ
ックス間の比較は確信間隔に基づいて評価された。統計的な重要性は5%レベル
で受けられた。
HIの確信間隔の設定に使用された。ANNの予測正確度と多数の線形回帰の比
較は相関係数で行われた。AHIの実際の値は予測値と相関された。ANNの相
関係数は多数の線形回帰により得られた相関係数と比較された。
れた。12人がさらに解析するために除外され、12人の患者は既に睡眠時無呼
吸と診断されており、6人の患者は睡眠時無呼吸以外の睡眠障害の評価を受け、
2人の患者は睡眠研究を完了していない。導出コーホートは189人の患者から
なり、男性66%、女性34%である。図3で説明され示されているように確認
データセットと比較して、導出データセットの患者の年齢、性別比率、体の体積
、首回りに大きな差はなかった。
)。図3で示されているように、年齢は14歳から95歳の範囲であり、平均は
睡眠時無呼吸の人48.1±12.1、睡眠時無呼吸ではない人47.0±14
.8である(p=0.2)。58人(31%)は無呼吸ではなく(AHI 0−
10)、23人(12%は)弱い障害性睡眠時無呼吸であり(AHI 11−2
0)、28人(15%)は並の睡眠時無呼吸であり(AHI 21−40)、8
0人(42%)はひどい睡眠時無呼吸(AHI>40)であることが発見された
。睡眠時無呼吸の患者は無呼吸ではない患者よりも非常に肥満であり(p<0)
、大きい首回り(p<0.01)である(図4参照)。確認コーホートは80人
の患者、即ち男性54人(68%)、女性26人(32%)からなる。回答者の
81%は不明データがなかった。1、2、3または4つの無呼吸症候項目のない
回答者数はそれぞれ32人(13%)、12人(6%)、2人(0.7%)、1
人(0.3%)であった。
のうち3つは区分と回帰ツリーに存在しなかった。それ故、12の変数がANN
への入力として使用され、即ち、9の変数は区分と回帰ツリーからであり、3つ
の付加的な変数は論理回帰解析からである。区分および回帰ツリーと、論理回帰
解析により睡眠時無呼吸の重要な予測パワーを有すると想定される応答に対する
問題が図5にリストされている。体の体積インデックス、首回り、睡眠中の無呼
吸が起きたときのエピソードは両者の解析にのみ共通のパラメータであった。
092を有していた。AHIのANNの予測値と導出セットの実際値からの相関
係数は0.856であった。同一の予測子変数との多数の線形回帰の対応する相
関係数は0.509であった。この値はANNで得られた相関係数ほど重要では
なかった(p<0.01)。
ックスはOSAがそれぞれ>10、15>、20>/時間のAHIとして限定さ
れたとき、0.964±0.0151 SE、0.948±0.0149 SE
、0.944±0.0159 SEであった。同様に、OSAの二分限定を使用
するANNの性能がROC曲線として確認データセットにおいて図7で示されて
いる。cインデックスはOSAがそれぞれ>10、>15、>20のAHIとし
て限定されたとき、0.96±0.00191 SE、0.951±0.020
3 SE、0.935±0.0274 SEであった。これらのcインデックス
または導出データセットで得られた対応するcインデックスには統計的に大きな
差はなかった。
−6.7%)のうちの1値のみが95%の信頼限界外に存在する。
明はまた回帰解析モードにより発達された従来の予測ルールよりも多くの特異性
を有し、二分出力が少ない予測を行うANNを発展させる方法を提供する。それ
故、本発明は前述の意図する目的を実現することが明白である。本発明の実施形
態をここで詳細に説明したが、本発明は特許請求の範囲内に限定されこのような
実施形態により限定されない。 付録A sleep.prg 用のソースコード
線のグラフ。
線の別のグラフ。
たAHIと実際のAHIとの間の関係図。
Claims (3)
- 【請求項1】 質問に対する回答と陳述に対する応答情報ピースからなる情
報を患者から集め、 各回答および応答の数値を決定し、 情報ピースから第1のセットの予測インジケータを決定し、 情報ピースから第2のセットの予測インジケータを決定し、 情報ピースと第1のセットの予測インジケータと第2のセットの予測インジケ
ータから予測数を決定し、予測数は呼吸障害インデックスに対応し、 予測数を健康の専門家に提供するステップを有する呼吸障害の予測方法。 - 【請求項2】 コンピュータに請求項1の方法を実行させるためにコンピュ
ータの読取り可能なコードを記憶させる記憶装置。 - 【請求項3】 予測をするために必要な関連情報を決定し、 特定の属性を有する患者を決定し、属性に対応する結果を生成するために患者
について臨床研究を行い、 情報ピースを含む情報を患者から集め、 情報ピースと、臨床研究からの結果との関係を決定するために集められた情報
を統計的に解析し、 数学的に関係を表し、 数学的関係を訓練セットにさらし、数学的関係を調節して、所望の結果を生成
し、 調節された数学的関係を試験するステップを有する属性について予測を行うた
めの人工神経網を発展させる方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US7714898P | 1998-03-06 | 1998-03-06 | |
US7713298P | 1998-03-06 | 1998-03-06 | |
US60/077,132 | 1998-03-06 | ||
US60/077,148 | 1998-03-06 | ||
PCT/US1999/004808 WO1999045452A2 (en) | 1998-03-06 | 1999-03-05 | Artificial neural network for predicting respiratory disturbances and method for developing the same |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2002505892A true JP2002505892A (ja) | 2002-02-26 |
Family
ID=26758924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2000534930A Pending JP2002505892A (ja) | 1998-03-06 | 1999-03-05 | 呼吸障害を予測する人工神経網およびそれを発展させる方法 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP1068567A2 (ja) |
JP (1) | JP2002505892A (ja) |
AU (1) | AU2984499A (ja) |
CA (1) | CA2323059A1 (ja) |
WO (1) | WO1999045452A2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019182297A1 (ko) * | 2018-03-20 | 2019-09-26 | 딜로이트컨설팅유한회사 | 임상실험 결과 예측 장치 및 방법 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4895474B2 (ja) | 2001-07-19 | 2012-03-14 | レスメド・リミテッド | 患者の圧補助換気 |
US8660971B2 (en) * | 2008-10-15 | 2014-02-25 | Koninklijke Philips N.V. | System and method for detecting respiratory insufficiency in the breathing of a subject |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5839438A (en) * | 1996-09-10 | 1998-11-24 | Neuralmed, Inc. | Computer-based neural network system and method for medical diagnosis and interpretation |
-
1999
- 1999-03-05 WO PCT/US1999/004808 patent/WO1999045452A2/en not_active Application Discontinuation
- 1999-03-05 JP JP2000534930A patent/JP2002505892A/ja active Pending
- 1999-03-05 AU AU29844/99A patent/AU2984499A/en not_active Abandoned
- 1999-03-05 CA CA002323059A patent/CA2323059A1/en not_active Abandoned
- 1999-03-05 EP EP99911125A patent/EP1068567A2/en not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019182297A1 (ko) * | 2018-03-20 | 2019-09-26 | 딜로이트컨설팅유한회사 | 임상실험 결과 예측 장치 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
AU2984499A (en) | 1999-09-20 |
EP1068567A2 (en) | 2001-01-17 |
CA2323059A1 (en) | 1999-09-10 |
WO1999045452A2 (en) | 1999-09-10 |
WO1999045452A3 (en) | 1999-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Buettner et al. | Efficient machine learning based detection of heart disease | |
US6083173A (en) | Artificial neural network for predicting respiratory disturbances and method for developing the same | |
US6839581B1 (en) | Method for detecting Cheyne-Stokes respiration in patients with congestive heart failure | |
US7309314B2 (en) | Method for predicting apnea-hypopnea index from overnight pulse oximetry readings | |
Magalang et al. | Prediction of the apnea-hypopnea index from overnight pulse oximetry | |
Ohayon et al. | Validation of the Sleep-EVAL system against clinical assessments of sleep disorders and polysomnographic data | |
Papageorgiou et al. | A fuzzy cognitive map based tool for prediction of infectious diseases | |
Sharma et al. | Fast and accurate diagnosis of autism (FADA): a novel hierarchical fuzzy system based autism detection tool | |
KR102302071B1 (ko) | 우울증 발병 예측 방법 및 이를 이용한 우울증 발병 예측 디바이스 | |
Cabrero-Canosa et al. | An intelligent system for the detection and interpretation of sleep apneas | |
Ting et al. | Decision tree based diagnostic system for moderate to severe obstructive sleep apnea | |
Gutiérrez-Tobal et al. | Ensemble-learning regression to estimate sleep apnea severity using at-home oximetry in adults | |
KR102423483B1 (ko) | 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템 | |
Yeh et al. | Detection of obstructive sleep apnea using Belun Sleep Platform wearable with neural network-based algorithm and its combined use with STOP-Bang questionnaire | |
Volk et al. | Classification of tracheal stenosis with asymmetric misclassification errors from EMG signals using an adaptive cost-sensitive learning method | |
US20220280065A1 (en) | A method and apparatus for processing asthma patient cough sound for application of appropriate therapy | |
Papageorgiou | A Fuzzy Inference Map approach to cope with uncertainty in modeling medical knowledge and making decisions | |
JP2002505892A (ja) | 呼吸障害を予測する人工神経網およびそれを発展させる方法 | |
US20220019808A1 (en) | Computer program and method for training artificial neural network model based on time-series biosignal | |
Kennedy et al. | Do we need computer-based decision support for the diagnosis of acute chest pain: discussion paper. | |
Anido–Alonso et al. | Analysis of ensemble-combination strategies for improving inter-database generalization of deep-learning-based automatic sleep staging | |
WO2023238857A1 (ja) | 医療判定システム、医療判定方法、及びプログラム | |
CN116584962B (zh) | 一种基于胃肠电信号的睡眠障碍预测系统及其构建方法 | |
Maresh et al. | Role of automated detection of respiratory related heart rate changes in the diagnosis of sleep disordered breathing | |
Bouazizi et al. | Mathematical modelling of sleep fragmentation diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060302 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20090226 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090324 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20090624 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20090701 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20090724 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20090731 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20090824 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20090831 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20091117 |