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
(57)【要約】
呼吸困難を予測する方法およびこのような人工神経網を発展させる方法である。本発明のこの方法と人工神経網への入力は、人が質問に対して与えた回答である。人工神経網の出力は、予測された呼吸困難インデックスである。
Description
【０００１】
本発明は、呼吸困難を予測する人工神経網（“ＡＮＮ”）およびこのような（
“ＡＮＮ”）を発展させる方法に関する。
“ＡＮＮ”）を発展させる方法に関する。
【０００２】
個人が睡眠障害のような特定の属性を有するか否かを予測するための予測ルー
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。
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。
【０００３】
ＯＳＡは、潜在的に深刻な心血管および精神運動病的状態と、過剰な死亡率を
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。
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。
【０００４】 本発明は呼吸困難を予測するためのＡＮＮの提供と、ＡＮＮを発展させる方 法を提供する。
【０００５】 本発明の目的は、呼吸解析モデルにより発達した従来技術の予測ルールより も多くの特定性と、少ない二分出力の予測を結果として生じるＡＮＮの発達方法
を提供することである。
を提供することである。
【０００６】 さらに本発明の目的は、生物学的システムのような、複雑なプロセスの属性 間の非線形関係と難解な相互関係を考慮に入れることである。
【０００７】 本発明の別の目的は、使用においてＯＰＧよりも廉価で量力が少なく、時間 の消費が少ないＯＳＡを予測するスクリーン試験を提供することである。
【０００８】
本発明は、ＯＳＡの疑いがある患者のＡＨＩを予測できる一般的にここではＡ
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。
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。
【０００９】
図１は本発明の方法のステップを示している。本発明はまたフロッピーディス
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。
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。
【００１０】 さらに、本発明はここで説明するＡＮＮのようなＡＮＮを発展させる方法を 含んでいる。図２は本発明のこの特徴の方法のステップを示している。ＡＮＮは
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。
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。
【００１１】 本発明の１実施形態では、方法は質問と陳述に対する回答および応答の形で 情報を集めることによって開始する（ステップ10）。本発明では、情報は以下の
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。
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。
【００１２】 付録Ａでは、“sleep.prg ”と呼ばれるコンピュータプログラムのソースコ ードが示されており、コンピュータによってこのようなコンピュータのユーザが
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。
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。
【００１３】 付録Ｂは“sleepnet.for”と呼ばれるコンピュータプログラムのソースコー ドであり、これは本発明にしたがったＡＮＮの次のステップを実行する。sleepn
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。
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。
【００１４】 参照を容易にするため、Ｘ（１）乃至Ｘ（13）はここでは患者により与えら れた回答および応答（前述）に関連する数値を示すために使用されている。Ｘ（
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。
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。
【００１５】 本発明にしたがったＡＮＮの次のステップ14では、ＢＭＩ値が決定される。 ＢＭＩ値はＸ（２）の二乗によりＸ（13）を割算することにより決定される。Ａ
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。
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。
【００１６】 次のステップ18では、予測インジケータの第１のセットが決定され、そのコ ンポーネントはここでは“feat２”と呼ばれている。feat２はfeat２（１）乃至
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。
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。
【００１７】 本発明にしたがったＡＮＮの次のステップ22では、ＲＩＮＰ（１）乃至ＲＩ ＮＰ（12）は付録Ｂで示されているように、付録Ｂで“出力”とラベルを付され
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。
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。
【００１８】 本発明はまた前述のＡＮＮのようなＡＮＮを発展させる方法を含んでいる。 ＡＮＮを発展させる方法は以下の図２に示す例により説明されている。さらに、
前述のＡＮＮについて以下の例によってさらに説明する。
前述のＡＮＮについて以下の例によってさらに説明する。
【００１９】 ＡＮＮを発展させる方法の第１のステップ50では、所望の予測を行う必要の ある情報が決定される。ＡＮＮを発展させる方法の次のステップ52では、特定の
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。
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。
【００２０】 方法の次のステップ54では、患者は質問に対して回答を与え、陳述に応答し 、これらの回答および陳述はさらに解析するために集められる。本発明の例では
、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。
、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。
【００２１】 各患者に与えられた質問書は睡眠時無呼吸に影響またはその疑いを高くする と考えられる臨床変数の範囲についての回答および応答を模索した。１９の質問
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。
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。
【００２２】 ＯＰＧは睡眠センタでの研究に登録した全ての患者に行われた。連続的な脳 波図、眼電図、心電図、顎下の筋電図が記録された。空気流は口および鼻のサー
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）。
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）。
【００２３】 睡眠段階はRechtschaffen とKales の睡眠スコア基準を使用して３０秒区切 り（epoch ）でスコアを付けられる。各区切りは複数の無呼吸、呼吸低下、覚醒
、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。
、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。
【００２４】 方法の次のステップ56では、回答および応答は、回答および応答と、患者の 臨床研究結果との間の関係を決定するために回答および応答は統計的に解析され
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。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。
【００２５】 ＡＮＮの入力として使用される変数は患者の質問書と人体測定から得られた 項目リストから選択された。区分と回帰ツリーはＡＮＮの予測特性に影響を与え
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
。
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
。
【００２６】 方法の次のステップ58では、従来のステップで決定された関係は数学的に表 される。この研究で説明されたＡＮＮは３つの層、即ち１２のノードを有する入
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。
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。
【００２７】 次のステップ60では、数学的に表された関係は訓練セットにさらされ、その 期間に数学的関係には１組の入力および出力パターンが与えられる。この訓練相
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）。
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）。
【００２８】 この例では、１０倍の相互（cross ）確認方法が評価に使用された。１８９ 人の患者のデータセット全体はランダム数発生器により１０個のサブセットに分
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。
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。
【００２９】 数学的関係の選択されたセットで使用される同一の独立変数に基づいてＡＨ Ｉスコアのモデルを展開するために多数の線形回帰が使用された。インタラクシ
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。
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。
【００３０】 方法の次のステップ64では、数学的関係の選択されたセットにより実施され る予測モデルは導出セットに含まれない全体的に異なる患者のセット（確認コー
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。
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。
【００３１】 受信機オペレータ特性（ＲＯＣ）曲線が数学的関係の選択されたセットで発 生された。ＲＯＣ曲線は睡眠時無呼吸の限定に使用される種々のしきい値の誤っ
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。
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。
【００３２】 ＡＮＮの予測性能を決定するために、ＡＨＩの実際値と予測値との関係は線 形回帰により比較された。線形回帰の点位置の９５％の信頼限界は予測されたＡ
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。
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。
【００３３】 前述の方法の結果とＡＮＮの予測能力を以下説明し、その説明はさらに前述 の方法を示す。1995年11月と1996年の12月の間に、睡眠研究が睡眠センタで行わ
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。
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。
【００３４】 コーホートにおいて女性よりも男性の数が多いことを考慮しても、男性間で 睡眠時無呼吸は圧倒的であった（カイ二乗yateはｐ＝０．００２２に補正された
）。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。
）。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。
【００３５】 １９のうち９の独立変数は区分と回帰ツリーの最終構造で選択された。１９ のうち６の論理回帰の独立変数は統計的に重要であった係数を有していた。６つ
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。
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。
【００３６】 実行された１０人のＡＮＮの２乗平均エラーの平均は０．０８９（範囲０． １７４−０．０２３）であった。選択され前述したＡＮＮは２乗平均エラー０．
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）。
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）。
【００３７】 ＯＳＡの二分定義を使用するＡＮＮの性能は、ＲＯＣ曲線としての導出デー タセットにおいて図６で示されている。ＲＯＣ曲線の下の面積に等しいｃインデ
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。
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。
【００３８】 図８は、点位置の９５％の信頼限界を伴った確認データセットの患者のＡＨ Ｉの予測値と実際値の関係を示している。８０値（１．２５％ ９５％ＣＩ：０
−６．７％）のうちの１値のみが９５％の信頼限界外に存在する。
−６．７％）のうちの１値のみが９５％の信頼限界外に存在する。
【００３９】 当業者により認識されるように、本発明はＡＮＮ形態の方法であり、これは 複雑なプロセスの属性の中から非線形の関係と複雑な相互関係を考慮する。本発
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
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
【数１】
【数２】
【数３】 付録Ｂ sleepnet用のソースコード
【数４】
【数５】
【数６】
【数７】
【数８】
【数９】
【数１０】
【数１１】
【数１２】
【数１３】
【数１４】
【数１５】
【数１６】
【数１７】
【数１８】
【図１】 本発明にしたがったＡＮＮのステップの図。
【図２】 本発明にしたがったＡＮＮを発展させる方法のステップの図。
【図３】 ここで説明する確認データセットの人口統計の図。
【図４】 ここで説明する睡眠研究に参加した患者の比較図。
【図５】 本発明のＡＮＮを発展させるために使用される質問と陳述のリスト。
【図６】 本発明のＡＮＮを発展させ解析するために使用される受験者オペレータ特性曲
線のグラフ。
線のグラフ。
【図７】 本発明のＡＮＮを発展させ解析するために使用される受験者オペレータ特性曲
線の別のグラフ。
線の別のグラフ。
【図８】 点位置が９５％の確信限定を伴った確信データセットにおける患者の予測され
たＡＨＩと実際のＡＨＩとの間の関係図。
たＡＨＩと実際のＡＨＩとの間の関係図。
───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ， ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，Ｉ Ｔ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ，ＭＬ， ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＧＭ，Ｋ Ｅ，ＬＳ，ＭＷ，ＳＤ，ＳＬ，ＳＺ，ＵＧ，ＺＷ)，Ｅ Ａ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ ，ＴＭ)，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ，ＣＵ，ＣＺ， ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＥ，ＧＨ，Ｇ Ｍ，ＨＵ，ＩＤ，ＩＬ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ， ＬＶ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＮＯ，Ｎ Ｚ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ ，ＳＫ，ＳＬ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＵＡ，ＵＧ， ＵＳ，ＵＺ，ＶＮ，ＹＵ，ＺＷ (72)発明者 エル−ソルフ、アリ・エー アメリカ合衆国、ニューヨーク州 14209 バッファロー、デラウエア・アベニュ ー・ナンバー914，715 Ｆターム(参考） 4C038 SS09 ST00 SV00 SX20
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 |