JP2003529832A - バイオ監視検出および警告の方法並びにシステム - Google Patents

バイオ監視検出および警告の方法並びにシステム

Info

Publication number
JP2003529832A
JP2003529832A JP2001571264A JP2001571264A JP2003529832A JP 2003529832 A JP2003529832 A JP 2003529832A JP 2001571264 A JP2001571264 A JP 2001571264A JP 2001571264 A JP2001571264 A JP 2001571264A JP 2003529832 A JP2003529832 A JP 2003529832A
Authority
JP
Japan
Prior art keywords
data
detection
alerting
biosurveillance
detector
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.)
Withdrawn
Application number
JP2001571264A
Other languages
English (en)
Inventor
ロンバルド，ジョセフ，エス．
ピネダ，フェルナンド，ジェイ．
バーコム，ホワード，エス．
ニューホール，ブルース，ケイ．
コータニ，ラシッド，エイ．
ウォジック，リチャード，エイ．
ロッシェン，ウェイン，エイ．
Original Assignee
ザ ジョンズ ホプキンズ ユニバーシティ
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ザ ジョンズ ホプキンズ ユニバーシティ filed Critical ザ ジョンズ ホプキンズ ユニバーシティ
Publication of JP2003529832A publication Critical patent/JP2003529832A/ja
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Alarm Systems (AREA)
  • Emergency Alarm Devices (AREA)
  • Burglar Alarm Systems (AREA)

Abstract

(57)【要約】 例えば、店頭販売売上データ、欠席データなどを含む関連データのセットから、バックグラウンド概算アルゴリズムを用いてバックグラウンドを除去し、残差データを出力する。バイオテロ攻撃のような仮想異常現象の効果を、関連データセットにおいてモデル化し、複製データを生成する。複製データは、病気の症状やその他の知見を含む、疫学者の入力や種々のシナリオ型に基づくものであってもよい。ここで、検出器を用いて残差データと複製データとが整合される。検出器のタイプは、例えば適応整合フィルター検出器、変化検出器、ベイズの推論ネットワークを含む。仮想異常現象に似た実際の異常現象が検出されると警告を発動する。個々の郵便番号によりデータを表示するのに、地理的情報システム（ＧＩＳ）を用いてもよい。

Description

【発明の詳細な説明】
[関連出願の相互参照] 本出願は、２０００年３月２３日に出願された、米国仮出願60/191,563、およ
び２０００年３月２３日に出願された米国仮出願60/191,576の優先権を主張する
ものである。
【０００１】 [発明の背景] 近年の歴史から、危害を引き起こす目的を持つ、またはそれを原因とするメデ
ィアの注目を狙う、ほとんどどのような個人、グループによってでも、大量破壊
兵器が構築され、配備され得ることが明らかとなった。テロリストは化学および
生物兵器を保有しており、使用できる状態にある。これらの兵器は、戦時下での
使用が禁止されているとは言え、第３世界各国で増殖されている。これらの兵器
の開発および配備のための情報はインターネットで広い範囲で手に入れることが
できる。作用物には製造材料を簡単に手に入れることができるものもある。ある
生物兵器は、住人に秘密裏に散布されると、結果的に起こる病気が潜伏期の間に
気付かれないかもしれないという、潜行的な脅威がある。さらに、炭疽病のよう
な関連作用物は、症状があらわれたときにはすでに処置のしようがなく、死亡す
る可能性が高くなることは避けられない。天然痘やペストのような伝染性の作用
物はさらに大きな脅威となる。このような作用物は感染者の早期確認を行い、犠
牲者を治療し、潜在的に壊滅させる伝染病を封じ込めなければならない。
【０００２】 したがって、生物兵器の使用は、非常に深刻な危機と、成り行きを管理する問
題とを提示する。種々の州や地域の緊急時管理計画では、消防員、レスキュー隊
、強制力の低い最初の応答者を利用し、緊急の援助をしたり、事件現場を制御し
たり、犯行の証拠を集めたりする。秘密裏に生物兵器が散布された場合には、医
療団体は最初に珍しい病気の患者を見るかもしれない。これらの病気は、天然痘
、ペスト、野兎病、炭疽病などを含み、死亡率が高い。病気の発生を防ぐための
手段をはじめるためには、公的健康機関が管轄の機関や医療供給者から、適時の
報告を受けなければならない。伝染の流行を処置し、生命を守るには、早期警告
が鍵となる。しかし、バイオテロイベントの初めの指標となるのは人や動物の病
気の発生かもしれない。健康管理団体の専門家はバイオテロに起因するだろう病
気の早期兆候に気付かないかもしれない。このような病気の発生は、単に通常の
「インフルエンザ様」の初期症状であるため、この病気の早期診断は難しい事が
多い。例えば、図１に、被爆時の初期症状を含むいくつかの最も恐ろしい生物兵
器の特徴を挙げている。
【０００３】 効果的な早期警告システムに関する障害を克服するために、改良技術が必要と
なる。大量破壊の生物兵器の監視を改良する上で、情報技術や発達した遠距離通
信が重要な役割を果たす。社会の健康管理要求とインターフェースする複数のソ
ースを統合した情報によれば、テロ活動によるアウトブレイクの発生の早期警告
を発することができる。図２Ａおよび図２Ｂには、早期警告の仮想バイオテロ攻
撃の生存性への潜在的な影響を示している。図２Ｂに示されるように、早期警告
のタイミングが少しだけしか早まっていないと思われる場合でも、ものすごい数
の命を救うことができる。
【０００４】 しかし、早期警告バイオ監視システムを構築する上での上記試みには重大な制
限がある。従来のバイオ監視は、緊急処置室、病院、その他の健康管理施設から
集めた分類別データに注目している。従来のシステムは検出アルゴリズムは、一
つのデータストリームに適用されたアルゴリズムが閾値を越えるかを基にしてい
た。このような方法は、利用可能な情報を最適に使用できず、かなりの数の感染
個体が健康管理施設にあらわれるまで、バイオテロ攻撃を検出することができな
い。
【０００５】 さらに、従来のバイオ監視は大きな労働力を要する。早期警告システムを実行
可能なものとするには、いくつかの過程を設定する必要がある。初めに、人間の
健康、動物の健康、および農業にインターフェースする複数の機関からデータが
集められ、中心統合施設に転送される。ほとんどのシステムでは、受け取った全
てのデータを見直し、バイオテロ事件の指標を抽出する人間の分析者が必要であ
った。指標が見つかると、分析者は知識を集めて議論する必要がある。議論が十
分に成熟したら、分析者はその事件に応答する必要のある特定の機関に警告を発
する。バイオ監視のこの形式は、継続的な支援を要し、警告を遅らせ、支援する
側、データを分析する側の双方にかなりのコストがかかる。
【０００６】 したがって、早期警告バイオ監視検出および警告のシステムが必要である。こ
のようなシステムは、人間の介入を最小限にして継続的な操作が可能であり、現
代の情報技術および高度な遠距離通信を利用している。
【０００７】 [発明の概要] 本発明は、特に、従来技術の上述した問題を解決するものである。
【０００８】 本発明の目的は、住人に起こったバイオテロ攻撃のような健康現象の早期検出
を行い、適時の反応を可能として生命を守ることにある。
【０００９】 他の目的は、複数の関連データセットを観察し、どのデータセットでも１つだ
けからは検出できない住人に起こった健康現象からシグナルを検出することであ
る。
【００１０】 本発明の更なる目的は、住人の健康に関する関連データの観察を自動化するこ
とにある。
【００１１】 本発明はしたがって、住人に起こったバイオテロ攻撃のような健康現象を自動
的に検出し、人間の介入を最小限にして継続的な操作を可能とする方法やシステ
ムである。本発明の実施の形態は、バックグラウンド推定アルゴリズムを用いて
関連データセットからバックグラウンドノイズを除去し、残差データを生成する
バイオ監視検出および警告の方法を含む。この方法は、関連データセットにおい
て、仮想異常現象の効果をモデル化し、複製データを生成するものを含む。上記
残差データは、検出器を用いて上記複製データと整合させ、上記仮想異常現象と
似た実際の異常現象を検出する。上記仮想異常現象と似た実際の異常現象が検出
された場合に、警告を発動する。
【００１２】 本発明の付加的な利点や特徴は、以下の詳細から明らかになるだろう。添付の
請求項で特に示される媒介手段や方法を実現してもよい。
【００１３】 [発明の詳細な記載] 本発明は、以下の提示に基づく。 (１) 化学及び生物兵器の使用により非常に深刻な危機及び成り行き管理の問題
が引き起こされる。 (２) 監視からの早期警告またはアクション可能な情報が、バイオテロリストの
伝染の管理および生命を守るための鍵となる。 (３) 医療団体の専門家がバイオテロに起因する病気の早期兆候を認識できない
かもしれない。 (４) 近代の情報技術を監視システム内で早期警報を出すためのデータ収集およ
び分析に使用することができる。
【００１４】 本発明は、したがって、バイオテロの攻撃のような、住人に起こる健康現象を
検出するための自動化システムであり、人間の介入を最小限にして継続的に作動
するように設計されている。図３は発明の一形態にかかる通常の情報の流れを説
明したブロック図である。
【００１５】 バイオ戦争の兵器は、人間に対してのみならず植物や動物にも感染する可能性
がある。もし、バイオ戦争の兵器のセンサーが散布位置もしくはその付近にあれ
ば、ごく初期の検出が可能となる。しかし、もしこのようなセンサーがなければ
、散布の次の兆候は病気の初期症状における人間及び動物により示される行動で
ある可能性がある。一つの行動としては家に留まって日常の活動を休むことかも
しれないし、他の行動としては店頭販売の薬により自分で薬剤治療するかもしれ
ない。病気の進行と共に、病人は、症状を社会の最近の風邪やインフルエンザウ
ィルスと混同したかかりつけの医師を訪問する可能性がある。医師は開業してい
る地域外の他のケースを認識していない可能性があるため、病気は数日間気付か
れないということもあり得る。
【００１６】 生物兵器は通常エアロゾルとして供給される。このような場合、作用物は病気
を起こすには不十分な濃度になるまで急速に散乱する。その代わり、これらは飲
料水媒介、もしくは食品媒介の作用物として供給される。供給の方法にかかわら
ず、初めの攻撃は空間において（例えば国というサイズに関して）、および時間
において局所的な現象となる。感染した住人は空間的に局所内に留まると思われ
る。
【００１７】 バイオテロリストの攻撃による病気の発症は、したがって、局所的に病人が急
増することに典型的に特徴づけられる。このような急増に関する一時的なシグナ
ルは、このように短い期間のものであり、必然的に非特異的なものである。さら
に、一時的現象の大きさは感染者の数が不明なため定まっていない。これは、非
常にシンプルで、比較的非特異的なモデルが早期検出に十分適していることを示
唆している。
【００１８】 本発明の実施は、したがって、例えば店頭販売のインフルエンザの薬の購入な
どの、バイオ戦争の作用物により引き起こされる病気の発生の間に示される、人
間の特異的な行動を、死亡率の低下に必要な早期警告を発するのに利用する。本
発明は、バイオテロリストの攻撃のようなイベントにより影響されると思われる
情報を含む、関連データのセットの選択及びそれへのアクセスに関する。本発明
は、従来の緊急救命室および老人ホームの報告に加え、学校の欠席や仕事の欠勤
、店頭販売の薬の売上、電子的に登録されたＨＭＯの請求などの従来にないデー
タソースをも利用する。これらの指標は、行動の型にグループ化され、重み付け
られ、相互に関連付けられて、郵便番号レベルにまで分離された状態での住人の
健康状態の観測を行う。
【００１９】 本発明の一例として、以下のデータの組が用いられた。 （１） 高校欠席者データ：テスト地区における、1997年秋から2000年春を通し
ての、公立高校の１日の欠席者および総在籍者数。 （２） 店頭販売の（ＯＴＣ）薬品売上：テスト地区に供給する２つのドラッグ
ストアチェーンの、1998年からの、インフルエンザの症状を緩和する商品のうち
のトップ３０の売上記録。 （３） 緊急処置室（ＥＲ）入院データ：テスト地区の病院の、1998年からの、
上気道疾患に関わる470コードの入院の記録。 （４） 保険請求書記録：州の機関の、1999年秋からの、インフルエンザ様疾患
（ＩＬＩ）およびインフルエンザに関係するＩＣＤ９コード請求の記録。 （５） 老人ホーム疾患記録：テスト地区の老人ホームの、１９９９年１２月か
らの、従業員および住人の上気道疾患記録。 （６） インフルエンザの臨床検査結果：1998年からの、州保健所のインフルエ
ンザ検査の結果記録。
【００２０】 図４および図５にデータのサンプルを示している。高校欠席者データは、学校
ごとに分けられ、図４に滝状にプロットされている。欠席者ゼロのレベルは学校
の休暇や週末を表しており、夏休みの間隙に明白である。関係を調査するときに
、これらのデータは感染の潜在的発生の住人への影響を示す従属変数として扱わ
れる。欠席者総数に加えて、各学校の週の総在籍者数が与えられる。これらの合
計により、各学校の欠席者数を率として表すことができ、異なったサイズの学校
での欠席の比較を可能とする。
【００２１】 ＯＴＣ売上データは、インフルエンザ症状を緩和する特定の商品グループの売
上総数を示す。図５Ａおよび図５Ｂは、テスト地区の２つの薬品店チェーンの地
区売上総数を示す。データは週単位でプロットされているが、日単位のデータで
も構わない。図５Ａの合計は図５Ｂの合計よりも高いが、これは1998年から2000
年の間テスト地区にはチェーンＢがわずか４店しかなかったためである。どちら
のプロットにおいても、1999年2月半ばおよび2000年１月初めのインフルエンザ
発生は明白である。
【００２２】 発明の実施の次のステップでは、関連データセットからバックグラウンド概算
アルゴリズムを用いてバックグラウンドノイズを除去して残余データを生成する
。バックグラウンドの体系的特徴を除くことで、一定のランダムノイズモデルに
より表される残差の時系列が生成される。このとき、残差から直接的に算出され
る共分散マトリックスにより残差ノイズ統計を特徴付けるために、ガウス型確率
過程は非体系的な揺らぎを表すものとする。
【００２３】 本発明の目的は、バイオテロイベントの発生をできるだけ早く、特にこのよう
なイベントの最前線で検出することである。上述したように、このようなイベン
トの発生は、住人の間に一時的にインフルエンザ様の症状があらわれることによ
り特徴づけられるものと合理的に想定される。さらに、初期の一時的現象は、地
理的に一部の空間位置に制約されると想定される。イベントの発生が時間的にロ
ーカル（一時的）であり、空間的にローカル（近隣空間に制約される）なので、
比較的小さな異常現象は、種々のデータソースの毎日の動きを特徴づける大規模
で高度に体系化された揺らぎから分離することができる。
【００２４】 高度に複雑であり、体系的ノイズに埋もれた、空間的、時間的に一時的な現象
を検出するための極めて感度のよいアーキテクチャーが実際によく知られている
。例えば、網膜がこのような検出器の重要な部類である。網膜は光変換機および
フィルターとして機能する細胞の膜からなる。網膜の出力は、単純に、それにと
らえられる視覚画像の輝度の関数ではない。代わりに網膜は、空間的、時間的な
帯域通過フィルターとして働く。輝度の、ゆっくりとした大域的な変化はノイズ
除去される。網膜は、視野における小さな空間規模で起こる一時的な変化にだけ
高い感度を有する。
【００２５】 したがって、発明の形態では、網膜と類似したアルゴリズムを実行し、局地的
なバイオテロイベントの一時的現象の発生に高感度な検出器とする。発明の実施
は、網膜様のアルゴリズムを、複数の空間規模（例えば、地区および州規模）に
適用してもよい。網膜様のアルゴリズムをデータソースの異なる分類（例えば、
学校の欠席者記録やＯＴＣ売上のデータ）に適用してもよい。
【００２６】 上記の網膜様アルゴリズムは、センターサラウンド(center-surround)アルゴ
リズムにより表される。このようなアルゴリズムの一番単純な実施では、各々の
データストリームから、近隣の同じ分類のデータストリームの空間的平均値に比
例する量を差し引くことでろ過される。平均値に含まれるデータストリームは、
与えられたデータソースの近隣におけるデータソースから引用される。よって、
各データソースは「センター(center)」を定義し、その近隣が対応する「サラウ
ンド(surround)」を定義する。例えば、図６に示す地図を参照し、ある学校のデ
ータストリームから、その近隣の学校から計算された平均データストリームを差
し引くことで、その学校の残差を計算できる。図７は一つの高校での、予想され
る欠席率と観測された欠席率との比較を示す。
【００２７】 薬品データの場合、バックグランド除去技術の代替として、州全体でのＯＴＣ
売上の平均を計算し、平均を参照値として使う。この処置は、ちょうど個々の高
校の学校欠席率が、近隣の学校の平均欠席率から明確に予測できたように（総在
籍者数に対する修正後に）、個々の店の売上が州全体の平均から明確に予測され
る、という経験的観測によって正当性が確かめられた。
【００２８】 単純な平均値の代わりに荷重平均値を用いることで、より精巧な網膜モデルが
得られる。学校欠席者データの場合、この方法は特に効果的である。経験的に、
関心のある時間枠に先立った６から１２か月分の過去のデータからバックグラウ
ンド欠席率を算出するのが一番よい。より一般的には、例えばＡＲＭＡやＴＤＮ
Ｎモデルなどのバックグラウンド予測のためのより精巧なモデルを考えることが
できる。これらのより精巧な方法は、時間および／または空間において示された
、体系的社会経済的効果を説明する。
【００２９】 センターサラウンド技術は、複数のタイムスケールに同時に適用することがで
きる。特に、データの分離により、近隣、地区、郡、州、国レベルに適用可能で
ある。
【００３０】 センターサラウンド法は、空間分布したセンサーとしての、いくつかの近隣の
学校のセットの１日の欠席率を用いて例示できる。Ｎを関心のある地域（すなわ
ち、この場合テスト地区）における、１日の欠席数を報告する学校の数とする。
ｔ日における、学校ｉ、ｉ＝１，…，Ｊでの欠席率は、欠席者数を学校の総在籍
者数で割った数、ｆi(t)で表される。学校ｉにおける欠席率の我々の算出は、そ
こで
【００３１】
【数１】
【００３２】 となる。
【００３３】 ｃjは過去のデータ枠に適合させる適応係数である。（なお、正確な表記はモ
デル化された学校を示す下付文字を加える。すなわち、学校ｉの欠席率を算出す
るために使用された係数は、より正確にはｃi1，…，ｃiJと記される。簡潔に記
載するため、ｃiおよびベクトルｃにおける付加的な下付文字、行列Ｆは省いた
）。選ばれた、いくつかの日ｔ＝１，…，Ｔにおける、残差の合計Ｅiを最小化
することで、各学校ｉにこれらの係数の組をそれぞれ算出した。
【００３４】
【数２】
【００３５】 学校ｉおよび時間枠を与えられ、これらの係数を発見することは標準的多重線
形回帰問題の特別な場合である。この特別な場合では、独立変数は自身の学校の
欠席率であり、従属変数はもう一方の、もしくは「サラウンド」学校の欠席率で
あり、常数項はゼロである。ｆを学校ｉの欠席率ｆi(t)、ｔ＝１，…Ｔ，のベク
トルとし、Ｆを(J-1)-by-T行列とし、その(ｊ，ｔ)因子が、選ばれた学校ｉを抜
かした、ｔ日における学校ｊの欠席率を表す。ｃ＝（ｃ1，…，ｃJ-1）をサラウ
ンド学校の係数のベクトルとする。そのとき、各々のｃkについて差別化し、結
果の式をゼロに設定する標準的な方法により、係数は、 Ｃ＝（ｆ＊ＦT）＊（Ｆ＊ＦT）-1 （３） により与えられる。なお、選ばれた各時間枠において、各学校についてこれらの
係数を算出しなければならない。この処理には、線形代数が簡単で良く知られて
いる。
【００３６】 再び図７に着目すると、これは1998-99学年度での典型的な高校の観測された
欠席率の、近隣の学校のそれを用いて予測された率に対する比較を示している。
予想されたように、実際の率の体系的特徴のいくつかが予測に反映された；年度
初日の欠席の低さ、および学校の休暇前の出席の低下は、概算欠席数において適
切に一致させた。学校に特異的な欠席理由、または地域的な感染症の発生は予測
に一致させなかった。
【００３７】 上述したバックグラウンド除去技術の代わりに、カルマンフィルターを使用で
きる。カルマンフィルターは状態変数の数を列挙する必要がある。本発明では、
状態変数は住人の基本健康状態を表す。例えば、様々な自然の病気を患った人の
数や、テロリストイベントにより引き起こされる初期の病気を患った人の潜在的
な数である。次に、カルマンフィルターは、曜日や、年の季節、休暇や値引きセ
ールイベントの日にち、天気などの既知の入力変数を組み入れる。モデルが、状
態変数および入力変数から、計測されたデータストリームでのイベントの予測効
果を説明する。本発明ではモデルは実際の確率論的なものである。カルマンフィ
ルターは予測と現在の測定値の間の差異を最小化する状態を最適に算出する。カ
ルマンフィルターの有効性は、指示データストリームに影響する効果の正確なモ
デルを導き出す能力に依存する。
【００３８】 発明の実施における次のステップは、複製データを作成するために、関連デー
タセットにおいて、バイオテロリスト攻撃のような、仮想異常事態の影響をモデ
ル化する。複製データは、本発明の方法により観察された関連データセットへの
健康イベントの影響を刺激するデータとして定義される。複製データは、例えば
、疫学者の入力、および病気症状の情報、病原体散布モデル、散布量算出やその
他の情報などを含む種々のシナリオ型に基づく。モデルは、例えばインフルエン
ザ流行などの過去のデータを利用してもよい。
【００３９】 このステップを実行する方法としては、適応整合フィルターを使用するものが
ある。適応整合フィルターは、レーダーコミュニティ(radar community)におい
てガウスノイズがある場合の最適な検出器として開発され、種々のノイズ環境に
おいて広く使用されてきた。この技術は、シグナルを数学的複製としてモデル化
するのに十分なほど、シグナルの時間変動が知られている問題に適する。整合フ
ィルターは、予想された複製シグナルに整合するシグナルを見つけ、複製のよう
になっていないシグナルまたはノイズを排除するように設計される。通常の手順
では、入力データストリームの逐次セグメントの効果的に正規化された内積を、
複製と共にとり、逐次積を得る。そして、検知決定をするために、閾値がこれら
の逐次積に適用される。
【００４０】 適応整合フィルター法は、主に２つの理由によりバイオ監視検出器に有用であ
る。まず、感染症発生のオンセット時の公衆健康データソースのランピングおよ
びピーキングは時間変動するシグナルを表し、この時間変動は発生行動のモデル
を用いて定量されてもよい。このようなモデルは、既知の感染の特徴、関与する
住人の概算、およびインフルエンザの季節の間での観察された住人行動から決定
される、観察された住人の行動が公衆健康データへどのように表れるか、に基づ
かなければならない。レーダーやソナーと異なり、データはわずか数秒でなく日
数のタイムスケールで変わる。
【００４１】 適応整合フィルターの２つ目の利点は、異なるデータソースの非対称のノイズ
の特徴を扱えることである。最適な検出器は、シグナルモデルと同様にノイズバ
ックグランドを考慮しなければならない。これは、著しいノイズ揺らぎを持って
おり、必要なシグナルに似ているかもしれないデータストリームを隠し、誤った
警告を引き起こす可能性がある。しかし、ノイズの少ないデータチャンネルは、
検出器の感度を上げるために強調される。複数のソースからのデータを結合する
上で、適応整合フィルターはそれぞれのデータソースについてシグナルとノイズ
の間の最適妥協点を作る。適応整合フィルターはそれぞれのチャンネルでのノイ
ズを、データ残差から算出した共分散行列で判断する。適合バックグラウンド値
を差し引くことでデータから残差を得る。バックグラウンドを判断する方法は処
理されたデータのタイプによる。
【００４２】 整合フィルターの実行に際し、フィルターを日付のＮ日に広げてＸiがｉ日で
の残差データのベクトルとする。典型的には、Ｘiの初めのＪ要素が、その日の
学校１，…，Ｊの欠席率に由来する残差で、次のＫ要素が店１，…，ＫでのＯＴ
Ｃ売上に由来する残差、などである。ＣiはＸiの概算共分散行列とし、ｒはデー
タ上でのモデル化されたアウトブレイクの影響の複製ベクトルとする。ここで、
正規化された複製はＭi＝ｒT／ｒＣiｒ）1/2であり、適応整合フィルター統計値
は、
【００４３】
【数３】
【００４４】 である。
【００４５】 複製の正規化は、ｙが標準偏差σ＝１となることを確保するために行われ、こ
の統計値の算出値は複数の標準偏差での閾値と簡単に比べてもよい。
【００４６】 以下は、異なるデータストリームに関する整合フィルターを用いた特別な例で
ある。整合フィルター検出器は、この方法の予備的評価の有望なテストの対象で
あった。このテストには、混雑した公共エリアにおける有害物質の空気媒介での
散布により引き起こされる感染症の発生を、使用可能なデータソース上でのシミ
ュレートした影響の入力データが必要である。
【００４７】 データシュミレーションのための仮想脅威として、野兎病感染症が選ばれた。
この野兎病菌バクテリアにより引き起こされる病気は野生動物、鳥類、昆虫類に
世界中で見られる。人間は、最も多くはその生物を保有する動物との接触により
、またはかまれることにより野兎病にかかるが、より少ない肺型のこの病気は吸
入により感染する可能性がある。野兎病は旧ソビエト連邦により兵器にされたた
め、ここで仮想の空気感染脅威として選んだ。３−５日の潜伏期間の後、犠牲者
は急性的に発病し、５から１５％の死亡率であった。抗生物質の処置をすれば、
この率は１％まで落ちる。したがって、公共医療従事者への警告を早められる検
出器により救命が可能となる。
【００４８】 上述したテスト地区のショッピングモールは仮想バイオテロ事件の場所として
選ばれた。さらされた住人の規模とありそうな年齢分布の概算をするため、人口
統計のデータをモール管理者から得た。これらの概算は、インフルエンザ発生中
に見られる、推測される感染率、広まっている上気道疾患の知識と結び付けられ
、データソース上の肺野兎病の発生の影響をモデル化した。
【００４９】 例では４つの異なるデータソース：薬品チェーンＡでのＯＴＣ売上、保険請求
、老人ホームでの住人従業員双方の病気、ＥＲ入院、を用いた。いずれの場合も
使用可能な範囲に対して地区での１日の総数を使用した。
【００５０】 適応整合フィルター理論をうまく適用するために、データストリームは定常ノ
イズを明らかにする必要がある。しかし、例で用いた生のデータチャンネルは、
週末や休暇、吹雪、値引きセールのようなイベントに反応し、有意に非定常的な
活動を示している。これらの非定常イベントはこれらの空間的行動を利用するこ
とでうまく取り除くことができる。かなりの数の空間的サンプルが得られた場合
、前記したセンターサラウンド技術は非定常的イベントを除くのに用いることが
できる。現在のデータがひとつの地区または州のみから得られた場合は、空間的
正規化のより単純な方法が用いられる。このような場合、地域データストリーム
から縮尺され、差し引いた、州規模のデータから概算してバックグラウンド値を
概算し、定常残差を得る。共分散行列は残差ベクトルの外積を自身で平均化する
ことで算出される。
【００５１】
【数４】
【００５２】 ここで、平均化は新しいデータに先行した任意の時間間隔で繰り返す。これらの
行列は約１０週の平均であり、より短い平均では整合フィルター出力のノイズが
大きくなる。
【００５３】 人工シグナルは、各データストリームに仮想のバイオテロイベントのモデルの
影響を加えることでつくられる。このシグナルの大きさは、加えるＯＴＣ売上、
保険請求の数などを反映し、このイベントによる想定感染者数と比例していた。
モデル感染率は、モール地域で有毒物質にさらされた人の１６％（〜１１４０感
染）から０．３％の範囲であった。インフルエンザシーズンの影響で、このシグ
ナルが確実に覆い隠されると考えられるので、このイベントには冬の中ごろの週
を選んだ。
【００５４】 適応整合フィルター統計値ｙは、変更されていないデータ残差と、および感染
症発生をシュミュレートするため残差が人工シグナルが加えられた残差との双方
について算出された。図８Ａおよび図８Ｂは、感染率１６％のときの、それぞれ
３および４日のフィルターの長さである整合フィルター出力の例を示している。
どちらの図でも、印「＊」および「ｏ」はそれぞれ、散布された作用物質の潜伏
３日目にシグナルを加えた整合フィルター出力、および加えていない整合フィル
ター出力を示しており、別に言えば、観測の２日前に発生したとみなされる。正
規化されたユニットの差は、問題の日での６の標準偏差であり、シグナルを加え
ない出力は７２日間で４の標準偏差を超えることはなかった；したがって、整合
フィルター出力は信頼できる早期警告であることがわかる。４日目までに、図８
Ｂに示すように、シグナルの影響はより目立っており、深刻なインフルエンザシ
ーズンや他のノイズの大きい環境に中にあっても出力にシグナルの影響が認めら
れる。
【００５５】 上記の例では、複製がデータに挿入されたシュミュレートシグナルに完全に一
致している。実際の異常事態（例えば、実際のバイオテロ攻撃）を正確にモデル
化できそうにない。完全なモデルの変動を鑑みてこの技術の信頼性を調べるため
、１０００のランダム試験によるモンテカルロシュミュレーションを実施した。
各試験では、その平均値が複製に適合するポアソン分布からランダムシグナルが
引き出された。よって、概して、シグナルと複製の間にはある程度の不整合があ
った。シミュレーション結果は受信者動作特性（ＲＯＣ）カーブにより要約され
ている。これらカーブは、閾値の変動に従った、検出可能性と誤警告の率とをプ
ロットしている。図９Ａから図９Ｃは、シュミュレーションのこのセットから算
出されるＲＯＣカーブを含み、それぞれ潜伏から３、４、および７日目の検出器
の作動を示している。このデータでは、個々のカーブは表示される異なった感染
率を示し、よって異なったシグナル−ノイズ比を示している。より大きな率およ
び強いシグナルでは、検出器は、誤警告の可能性（ＰＦＡ'Ｓ）と比較して、検
出の高い可能性（ＰD'ｓ）を生じる。例えば、感染率４％の場合、４日目に、わ
ずか５％のＰＦＡに対し９５％ＰDに達した。７日目には、はるかに低い感染率
の発生が検出される。
【００５６】 地域規模でのセンターサラウンド欠席データに関する２つ目の特別な例が以下
に記載されている。
【００５７】 ２つ目の例は、上に述べた欠席データを用いた。データストリームは高校の１
日の欠席率である。各学校では、他の９つの学校によるセンターサラウンド予測
をバックグラウンドデータ評価として用いた。
【００５８】 シグナルを発生させるイベントは、先と同様に、ショッピングモール地域にお
ける仮想有害エアロゾル散布とした。散布場所から学校までの距離にしたがった
、各学校での相対的影響をシミュレートするためにシグナルが構築された。モー
ルの人口統計データにより多くの生徒がさらされていたであろうことを示し、ま
た欠席率が使えるようクリスマス休暇の後である、１９９９年１２月の土曜日を
散布の日とした。加えられたシグナルでは、一週間野兎病感染による欠席が増加
して、様々な潜伏期間を示し、それからこの病気が人間には伝染しないため欠席
率が下がった。
【００５９】 各々の日で、学校ｊの感染した生徒数がＮ(j)として計算される。Ｎ(ｊ)は、
その日に感染した高校の生徒数の総数、掛ける、条件付確率：Ｐ[Ｓ(ｊ)＃Ｍ]＝
「学校ｊの在籍者に与えられた当該モールにいた確率」、で示される。Ｎ値のベ
クトルは、人口統計データおよび想定される感染率から計算された。Ｐ[Ｓ(ｊ)
＃Ｍ]値は、条件付確率のベイズの定理を用いて計算された。 Ｐ[Ｓ(ｊ)＃Ｍ]＝学校ｊの在籍者に与えられた当該モールにいる確率 Ｐ[Ｍ＆Ｓ(ｊ)]＝生徒が当該モールにいて、学校に出席する同時確率 Ｐ[Ｓ(ｊ)]＝地区の公立高校の生徒が学校ｊに出席する確率 とした。このとき、要求される確率は、
【００６０】
【数５】
【００６１】 そして、等式（６）の右辺の２つの確率はベクトルＰ[Ｓ(ｊ)＃Ｍ]およびＰ[Ｓ(
ｊ)]の知識から分かる。
【００６２】 しかし、Ｐ[Ｓ(ｊ)]は単純に地域の学校在籍者数を在籍者総数で割ったもので
ある。ベクトルＰ[Ｍ＃Ｓ(ｊ)]の成分は学校ｊのモールからの距離から概算され
、等式（６）に用いて各学校での感染した生徒数の算出を行うのに用いられた。
すべての学校でのこれらの感染総数のベクトルは、整合フィルター処理の複製と
して使用された。これらの総数は仮想イベントのために選ばれた日の欠席率にも
加えられ、ノイズにシグナルが加えられた。
【００６３】 等式（４）の整合フィルターの実施では、問題の各々の日における１０個すべ
ての学校のシグナルプラスノイズデータからバックグラウンドを差し引く処理で
得た残差の行列Ｘiが必要となる。（したがって、行列Ｘiは１０のデータストリ
ームを表す）。この場合バックグラウンドは、上述したように、近隣の学校から
のセンターサラウンド欠席数の概算のセットとした。共分散行列Ｃは、扱われた
日に先立った学校年全部の外積（Ｘi＊Ｘi T）の平均により求められ、更新され
る。この長さの時間での欠席データの完全なセットを利用することで、一定の適
応整合フィルターの動作が得られる。
【００６４】 シミュレーションでは感染率１６％を想定した。整合フィルターは夏休みを除
いた４５０日間にかけて使用された。図１０は適応整合フィルター出力を示して
いる。整合フィルター統計の６の標準偏差の星印の値はモデル潜伏日数に続く３
日目に起こり、重ねて早期警告を示唆し、誤警告の率は著しく低かった。５日目
には、バックグラウンド値に戻る前に、統計は１２標準偏差の値に達した。
【００６５】 上記の例は、適応整合フィルターの効果を示している。空間の正規化技術と合
わせて、適応整合フィルターは、高ＰＤ値と、非常に低い誤警告の率で、インフ
ルエンザが活発な季節であっても、実際のノイズデータの中からシュミュレーシ
ョンの地域的テロ攻撃の早期検出を行うことができる。
【００６６】 以下は、緊急処置室（ＥＲ）データ一つのものに対して複数のデータソースを
持つ検出器の実例を含む本発明の３つ目の例である。この例では、高校欠席、Ｏ
ＴＣ売上、保険請求、老人ホームの病気記録、および緊急処理室訪問のデータソ
ースがすべて含まれていた。要求されるデータセットと想定感染率１６％の値を
用いて、上述した２０００年２月のモールの感染イベントシュミュレーションが
繰り返された。
【００６７】 センターサラウンド法は一般化され、データが地理的に分離されたこれらのデ
ータセットに適用された。薬店チェーンＢのＯＴＣ売上は購入店により分離され
、保険請求およびＥＲ入院記録は患者の郵便願号によって分類された。チェーン
店ＢのＯＴＣ売上では、４つの地区の店がセンターサラウンドの近隣の店として
扱われ、各店のバックグラウンド概算は、他の３つの適合線形結合としてまとめ
られる。テスト地区の郵便番号は町全体から近所まで、ばらばらの人口からなる
ので、この手順は郵便番号地区に直接的なものではない。よって、保険請求は、
地区郵便番号地図および郵便番号による請求のヒストグラムにより、患者の郵便
番号によって８つの地理的な地区のかたまりに分けられる。これら８地区はセン
ターサラウンド近隣地区として扱った。同様の手順が、よりまばらなＥＲ入院デ
ータを６つの地区にグループ化するのに用いられた。これらすべてのデータグル
ープの合計は３１個の別個のデータストリームからなる。
【００６８】 発生の影響をシュミュレートするため、サラウンドグループの各セットにベイ
ズの確率ベクトルを概算した。まず、各グループに属する単純な確率を決定した
。欠席データの場合は、関連の学校の在籍者データを用いて個々の学校の確率を
計算した。他の場合は、各グループの関連する人口が用いられた。次に、各グル
ープの特定の構成員の、当該モールでそのイベントにさらされる条件付確率も要
求された。運転時間は実際の距離よりもより実質的な影響を与えると思われるの
で、高校および薬店では、その場所までの運転時間の逆数が用いられた。郵便番
号には、人口中心地が大まかに与えられ、これらの中心地からその場所への運転
時間の逆数が用いられた。
【００６９】 これらの確率が、３１個すべてのデータストリームでの有害物質散布の影響を
表すシグナルを７日分適切に概算する。このシグナルは適応整合フィルター複製
として用いられ、バイオテロイベントをシュミュレートするためにデータにも加
えられた。各センターサラウンドグループ内に、シグナルが加えられたデータか
らバックグラウンド概算値を差し引くことで、各データストリームに残差が与え
られた。残差のフルセットにより、等式（６）の整合フィルター実行のベクトル
Ｘiができた。ノイズのみの場合は、これらの残差はシグナルを加えずに計算さ
れる。
【００７０】 前記のように、共分散行列は外積（Ｘi＊Ｘi T）を平均化することでできるが
、データソースのすべてが長期間欠けていると平均化時間が制限される。８４日
の平均化の長さでは、かなり安定な整合フィルター出力が行われた。
【００７１】 図１１Ａおよび１１Ｂのプロットは比較の結果を要約している。図１１Ａは、
５つのデータタイプすべてとＥＲデータのみとを用いた、平均化された整合フィ
ルター出力カーブを示す。カーブは１０００回試験のセットの平均である。各試
験には感染率１６％が想定されたが、データストリームの間でのシグナルの分布
はポアソン分布の図とともに毎回異なっていた。プロットされた印は、散布の３
日後、すなわち野兎病の一番早い潜伏期間が終わった直後の、２０００年２月７
日からの３連続の日のそれぞれの出力レベルを表している。重要な観測としては
、この日の５つのソース出力レベルが、ＥＲデータを用いたフィルターの出力だ
けのものより２日先立っていることである。言い換えれば、この例は、もしデー
タソースのすべてを用いれば、警告時間より２日分の潜在的な救命のためのアド
バンテージが生じることを示している。
【００７２】 図１１Ｂは、同様の１０００回試験から得た、２つの場合のＲＯＣカーブを示
している。ＲＯＣ分析の観点から、付加的なソースを用いればかなり有利になる
。水平軸は誤警告の可能性を示しており、矢印は週に１回、月に１回、年に１回
の誤警告を表す。月１回の誤警告のレベルで、５つのソースの場合のＰDは約９
５％だが、ＥＲデータのみが用いられると１０％以下に落ちる。
【００７３】 最後の比較として、８％から０．３％までの範囲のより低い感染率での各々１
０００回試験のセットが繰り返された。これらの実行の目的はどのぐらい小さな
アウトブレイク、すなわちどのぐらい弱いシグナル、が検出できるかを決めるこ
とである。図１２は、病気の一番早い潜伏後の日数の関数として、ＰD≧0.95で
ＰＦＡ≦0.05を満たす犠牲者の数をプロットして得た。犠牲者数は、確率要求を
満たす各感染率についてＲＯＣカーブから得た。同様の２つのデータセットを用
いた検出器の要約を示す：実線カーブは３１のデータストリームすべてによるデ
ータソースのフルセットを示しており、破線のカーブはＥＲデータのみを示して
いる。この比較により、病気の一番早い潜伏の後の重要な日に、警告を発するの
に必要となる犠牲者の数は、５つすべてのデータソースを用いた時には、ＥＲデ
ータだけを用いた時のそれの半分である。
【００７４】 要約すれば、上記の例は固定されたデータ環境での一つの検出器を例示するも
のである。データストリームは、緊急処置室の訪問、店頭販売の薬品売上、学校
欠席、保険請求、および老人ホームでの病気の実際の記録から用いられた。例は
、本発明の技術が、誰かの感染によって感染症発生が明らかになる前に、小さな
、密接に同調した異なるいくつかのデータソースの上昇を処理することで、感染
症発生の早期発見を可能とすることを示す。整合フィルター検出器は必要な早期
警告を可能とするのに考え出された。この検出器は、公共な地域で有害生物物質
を仮想散布させた場合に起こる広域的な感染のデータの影響を見るシュミュレー
ションによりテストされた。種々のデータストリームの影響を概算し、複製デー
タを作成するために、現在の人口統計データおよび疫学者の専門知識が用いられ
た。シュミュレーションのシナリオでは、検出器の結果は、緊急処置室に基づく
従来の警告の２から３日前に、公共健康団体が告知をするのに十分なほど明確に
示された。
【００７５】 本発明の検出器の他の形態は、ネイマン−ピアソン検出器、変化検出器（chan
ge detector）およびベイズの推論ネットワーク(Bayesian Inference Networks)
の使用を含む。一般的なネイマン−ピアソン検出器は、受信機―オペレーターの
特徴を改善するのに用いられていた。これは、例えば神経回路を元にした非ガウ
スの統計フィルターの密度概算などの非線形フィルターの使用を含む。
【００７６】 本発明で使用される変化検出器は、データがランダム分布で引き出される理論
に基づいている。そして、いくつかの時点で分布が変わる。変更時点の検出はロ
グ尤度比のサンプルの種々の組み合わせによって行われる。変化検出器および適
応整合フィルターの使用には類似点がある。しかし、変化検出器は変更時間とそ
の検出の間の時間の遅れを最小化するために設計されたものであり、適応整合フ
ィルターはシグナル−ノイズ比を最大化するために設計されたものであるという
主要な違いがある。変化検出器は、一般的に一連のログ尤度比サンプルに適用さ
れる積分器の形態をとる。積分はバックグラウンドのノイズ揺らぎを減らすのに
有効であり、検出器はすべてのノイズ揺らぎに始動しない。変化検出器の実行理
論は整合フィルターの出力に積分を適用するものである。積分器の期間は、短期
間のイベントを見逃さないように注意深く選ばなければならない。それでも、わ
ずか少しのサンプル（例えば数日）のデータの積分により著しい積分獲得が得ら
れる。
【００７７】 最後に、ベイズの推論ネットワークが検出器として採用可能である。ベイズの
ネットワークは、離散型および連続型変数の両者を取り込む複雑分布関数を表す
有能で一般的な方法を示している。
【００７８】 さらにもう一つの本発明の形態として、変化する人口統計、消費者行動、およ
びその他の入力データの特徴の関数として、検出器の有効性を保つことのできる
自動化専門システムを含む。この維持関数は、生成、実行、水準シナリオセット
の分析を含む自動化因子のテスト／評価能力により与えられてもよく、検出器を
修正する能力により与えられてもよい。
【００７９】 さらに本発明の他の形態は、疑われるアウトブレイクの場所や規模、人口の最
も危険な部分、原因物質のタイプ等の推論を検出器から引き出す方法を含んでい
てもよい。このような特徴はさらに本発明の警告の能力を高める。
【００８０】 [オンラインバイオ監視システムの特別な例] 以下に、上述したバックグラウンド除去および検出のアルゴリズムを組み込ん
だ本発明のインターネットを拠点とする実施例を詳細に説明する。本実施例（こ
こでは「オンラインバイオ監視システム」と言われる）は、グラフィックウェブ
を拠点としたシステムであり、使用者が多くの組み合わせにおける多くのデータ
ソースを一つの地図にプロットすることを可能とする。これは、使用者にデータ
を操るツールを提供し、警告を元にしたシステムであり、情報を元にしたシステ
ムでもある。これは、現在のデータの詳細を知る必要のある人と同様、警告や潜
在的な病気のホットスポットを知る必要のある人を助けるという特徴がある。
【００８１】 以下に詳細に説明されるオンラインバイオ監視システムは、グラフィックのウ
ェブを拠点とするシステムの一実施形態の例であり、使用者に地理情報システム
(Geographic Information System:GIS)によるバイオ監視データの画像を見せら
れる。データは上述した技術に従って加工され、メリーランド、バージニア、お
よびワシントンＤＣの一部を含む首都地域にわたってプロットされる。本システ
ムの実使用として、使用者に一般的健康情報を提供するだけでなく、バイオ攻撃
を疫学者や地方防疫官へ警告することも含まれる。個人のオンライン使用者が見
ることを許可されたデータは、使用者のアクセスレベルの関数である。例えば、
地区の公共防疫官はその地区のデータにだけアクセスできるが、州の公共防疫官
は州全域のデータにアクセス権を持っている。
【００８２】 本システムは完全に使用者に制御される。ESRI Arc View(登録商標)GISは地図
を精製するシステムの構成要素であり、Microsolt Access(登録商標)はシステム
のデータベースである。システムはArc View(登録商標),Access(登録商標)、お
よび使用者とはウェブブラウザを介して接続し、そのディスプレイに静止画像を
利用している。本システムは、Arc View(登録商標)およびAccess(登録商標)を使
用して構築されているが、これらのアプリケーションに限定されるものではない
事を特筆する。これらのアプリケーションの基本的特徴を提供するものであれば
どのようなソフトウェアでも使用できる。
【００８３】 データサイズの制限、および情報をインターネット上にのせるという特性から
、システムデザイナーはオンライン画像が便利で、かつ画素ごとに使用者に与え
る情報をできるだけ多くし、しかし多くしすぎないようにするべきである。これ
を達成するいくつかの方法がある。最初の方法は、データソースのいくつかを、
特別な名前のソースから、より一般的な用語に一般化するものである。２つ目の
方法は、データ自身に対して正規化されたデータを表示し、そこで実際の数字の
代わりにレベルを表示するというものである。後者の方法は、特定の数字をウェ
ブサイトにのせるで、使用者がそこから意図した以上の情報をくみ取る可能性が
あるというプライバシーの問題が解決されるだけでなく、より価値のあるデータ
の提示ことができる。正規化の技術は、移動平均と標準偏差を用いて行われる。
各分類において移動標準偏差も蓄積される。現在の値から平均を差し引いた後、
その結果を標準偏差で割ることで、平均から離れた標準偏差の数字を決定する。
このようにデータをそれ自身に対して正規化することで、当初の値の代わりにデ
ータのレベルを表示することができる。この技術はすべてのデータを通して、共
通の警告閾値を提供する。ただ一つのカラー表とひとつの説明とで、全てのデー
タのタイプが同じ尺度で表示でき、これが複数のデータソースの比較を円滑にす
ることにもなる。
【００８４】 このシステムの操作とメンテナンスを含む他の問題がある。ボリュームの大き
なデータや画像を扱う時に、システムを維持する毎日のタスクはできる限り自動
化しなければならない。行う一つの方法として、例えばArc View(登録商標)タス
クのためのアベニュースクリプト（Avenue scripts）、およびウェブページデザ
インのためのJava（登録商標）スクリプトを使用する。アベニュースクリプトは
地図をセットアップするために作られ、データを各々の日／データタイプの正確
な値に更新し、その地図を正確なファイル名で適切なフォルダにエクスポートす
る。よって、一つのスクリプトを実行することで、ウェブ上の全ての画像が更新
され得る。クライアント側Java（登録商標）スクリプトを用いたウェブサイトの
デザインは、しかし、いくつかの要素に分かれている。これらの要素は、一緒に
作動して使用者用ツールの完全なパッケージをつくる。
【００８５】 例として、オンラインバイオ監視システムの一実施形態のデザインを以下に詳
細に説明する。ウェブサイトを訪れる時、使用者はまず図１３に示される画像を
見る。左上の角は画像の日付を使用者が見たいものに変えるのに用いられるカレ
ンダーである。左下の角はどのデータタイプを見るのかを選ぶ時に使うナビゲー
ションバーである。右下の角は初めに情報のスプラッシュスクリーン(splash sc
reen)で始まる地図エリアであり、最終的には全ての地図とチャートを見るため
のエリアである。そして最後に、右上の角は特定のプロジェクトのロゴおよび／
またはタイトルを表示するタイトルバーである。このフレームスタイルデザイン
は、使用者が常に、カレンダー、ナビゲーションバー、タイトルバー、および興
味のある画像に、同時にアクセスできるようにするために使用されている。
【００８６】 カレンダーは使用者がすぐに使用者が見たいデータの日付を選べるようにして
いる。これはカレンダーの日付をクリックするか、または「前の日／次の日」（
"Prev Day/Next Day"）ボタンを使うことで行われる。カレンダーは、選ばれた
新しい日付を反映して、その時地図エリアに開かれているどのような地図であっ
ても変更する。もし、カレンダーが与えられた範囲外の日付に移動すると、自動
的に地図エリアにエラーページを表示し、使用者に使用できない日付を選んでい
ることを知らせる。
【００８７】 カレンダーはJava（登録商標）スクリプトや、地図エリアのためのロケーショ
ンＵＲＬの最後にパラメーラーを加える種々の一時的技術を用いることで地図ペ
ージを変更する。「ロケーションＵＲＬ」は特定の時間に特定のＵＲＬフレーム
を指し示すＵＲＬである。カレンダーは、Java（登録商標）スクリプトを用いて
地図エリアのロケーションＵＲＬを決定し、ＵＲＬを構文解析することで、それ
が現在どのようなタイプのページを指し示しているかを解読する。例えば、http
s://secwww.jhuapl.edu/ncabiosurv/restrict/2001-01-01/maps.html?FLU＃regi
on。カレンダーは、現在の地図が２００１年１月１日の店頭販売のインフルエン
ザ治療薬の売上の地域を拠点とする地図を指し示していることを読み込む。日付
は変えるが、表示されているものと同じタイプのページのままにしておくには、
カレンダーは単純にＵＲＬの2001-01-01の部分を正しい日付に変えればよい。
【００８８】 タイトルバーの分離フレームを用いることで、全てのページが新しいページが
表示されるたびに画像とテキストをリロードする必要がなくなる。これにより、
次に、表示スピードが速くなる。また、このサイトの他の全てのページを修正す
ることなく、タイトルバーを変えられる。
【００８９】 ナビゲーションバーは、図１４に示すように、いくつかのセクションに分かれ
ている。１つのセクションは地域地図(Region Maps)セクションである。これに
より、使用者は地域状態(Region Status)および地域凡例(Region Legend)地図を
表示できる。クリックすると、地図エリアは自動的に選択した地図を表示するよ
うになる。これは本実施の形態ではJava（登録商標）スクリプトを用いて行われ
ている。"onClick()"関数を用いることで、ラジオボタンは地図エリアＵＲＬを
構文解析するJava（登録商標）スクリプト関数を呼び出し、地図の正しいタイプ
を指し示すようにＵＲＬストリングの最後を変える。
【００９０】 ナビゲーションバーの次のセクションは詳細地図およびチャートセクションで
ある。ここでは、本システムの各データタイプの地域または郵便番号に基づく地
図から選ぶ。本実施形態では、データタイプは店頭販売の下痢用薬剤の売上、店
頭販売のインフルエンザ薬の売上、緊急処置質データ、および症候群に関するデ
ータを含む。緊急処置室および症候群のデータはこのときより詳細な画面のため
のサブカテゴリーに分けられる。再度ラジオボタンがクリックされると、Java（
登録商標）スクリプトが使用されて自動的に地図エリアに選択された地図を表示
される。
【００９１】 検出出力(Detector Outputs)がもう一つのナビゲーターバーのセクションであ
る。これにより使用者が関心のある地域、関心のある病気を選択し、地図エリア
に検知出力を表示する。「チェックオール」および「クリアオール」のボタンは
使用者が各チェックボックスを簡単に選択または非選択にできるようにするもの
である。使用者が適切なチェックボックスを選択した後、「検知出力を行う」ボ
タンを押すと、Java（登録商標）スクリプトがその時に活性化され、選択された
地域および病気の各組み合わせを表示するように地図が変更される。
【００９２】 画像は、各地域および病気が特定の番号コードと一致するようにコード化され
る。例えば、01＃01＃mf.jpgは特定地域での野兎病に関する検知出力を示すのに
用いられる画像である。これにより、Java（登録商標）スクリプトが各チェック
ボックスの番号と関連づけられ、単純に選択されたチェックボックスの値を結び
付けて、表示される必要がある画像のファイル名を得る。
【００９３】 スライドショウ(slide show)制御もナビゲーションバーに表示される。この特
徴は、使用者がデータタイプを選択し、２つのデータ間の全ての画像を表示する
ことを可能としている。スライドショウ制御は、他の全てのナビゲーション要素
のように、形式入力およびJava（登録商標）スクリプトを用いて操作する。これ
は、これらの形式要素からの入力を用いて、使用する地図エリアのための新しい
ＵＲＬを作成する。このＵＲＬはパラメータをslideshow.htmlページに移行する
ものであり、slideshow.htmlページはパラメータをデコードし、選択されたデー
タタイプのスライドショウを生成する。
【００９４】 ナビゲーションバーのさらにもう一つのセクションは、そのサイトが最後に修
正されたのはいつかを使用者に知らせ、使用者が疑問を持った場合に情報にコン
タクトできるようになっている。最終修正日を含む、システムを通して可変に用
いられるデータを書き出すために、生成されたデータはJava（登録商標）スクリ
プトを用いて書かれており、ナビゲーションバーのこのセクションもJava（登録
商標）スクリプトを用いている。
【００９５】 地図表示エリアは、地図、チャート、およびグラフがすべて表示されている。
このエリアは図１５Ａ−図１５Ｃに示されている。これは多くの異なった図を示
すことがあるが、このエリアは実際には４つのhtmlページのみから制御されてい
る。
【００９６】 Maps.htmlは地域状態地図（図１５Ａ）、詳細な郵便番号を基本とする地図（
図１５Ｂ）、および詳細な地域を基本とする地図（図１５Ｃ）を生成する入力を
行う。地図エリアに与えられるＵＲＬは、どのタイプの地図を表示するかという
情報を含む。例えば、 https://secwww.jhuapl.edu/ncabiosurv/restrict/2001-01-01/maps.html?FLU＃
region. このＵＲＬから、使用者は、maps.htmlが呼び出され、それが可変の"FLU＃regio
n"へ渡されることが分かる。これは、maps.htmlが地域を基本とする店頭販売の
インフルエンザ薬の売上地図を表示するものであることを示す。本システムは地
図を、同様にＵＲＬからデコードされる地図の日付に関しても、正しくラベルし
なければならない。全ての地図は、色の暗号化について同じレベルのシステムを
用いているので、凡例を記載するにはただ一つの凡例画像だけが必要である。
【００９７】 全ての異なったデータタイプおよび日付を扱うひとつのhtmlページを作ろうと
すると大きなhtmlページ(〜64Kb)を作ることになるが、４０以上の異なる分離し
たhtmlページを毎日維持する必要がなくなる。本発明のこの特徴は、非常に便利
なうえ、発展過程にわたってシステムを迅速に変更できる。
【００９８】 郵便番号を基本とする地図の特別な効果としては、使用者が地図上に示される
郵便番号を決められることである。画像地図には画像上に見えないサークルが加
えられる。使用者のマウスポインターが各サークルを通り越したとき、それらが
示す郵便番号がページの下部分のステータスバーに表示される。この画像地図情
報は、Arc View（登録商標）の郵便番号地図からの情報を得るアベニュースクリ
プトにより生成される。
【００９９】 本発明に係る警告の発動方法は、検出器の閾値が越えたことをシステム使用者
に知らせるあらゆる標準的方法が含まれる。これは、閾値を越えた時の警告、ま
たは検出器の出力画像の表示を単純に発する物を含む。ページ、電子メール、フ
ァックス、もしくは電話メッセージにて、非常事態が起こった管轄の病気管理の
従事者に自動的に知らせてもよい。
【０１００】 図１６に検出器出力画像の例を示している。オンラインバイオ監視システムで
は、Detectors.htmlは検出器出力画像を扱うhtmlページである。検出器出力画像
は十分異なるので、maps.htmlとは異なるhtmlページであることを保証する。し
かし、Detector.htmlは、そのＵＲＬからパラメータを読み込み、正しい画像を
表示するためにこれらのパラメータを用いるという点で、maps.htmlと非常に似
たふるまいをする。https://secwww.jhuapl.edu/ncabiosurv/restrict/2001-01-
01/detectors.html?09＃01&。このＵＲＬは、detector.htmlが呼び出され、パラ
メータ"09＃01&"に渡される事を示している。"&"は複数のパラメーターを分離す
るためのもので、ＵＲＬにおける最後の"&"は無視される。"09"は、htmlページ
に、特定の地域の画像を表示する必要があることを知らせる。"01"は、htmlペー
ジに、野兎病の画像を表示する必要があることを知らせる。Htmlページは、この
とき２つをひとまとめにし、地図エリアが現在示している日の"09＃01＃mf.jpg"
画像を表示する。複数のパラメータを受け取った場合、これらは"&"により分離
され、各画像は"<BR>"タグにより分離されて、ページに画像が積み重ねられて表
示される。
【０１０１】 スライドショウページは前の２つのページとはやや異なる。スライドショウペ
ージの例は図１７に示される。slideshow.htmlページはデータフォルダの中に置
かれるのではなく、システムのメインフォルダに置かれる。スライドショウがデ
ータをパラメータとして受け取るので、一つのslideshow.htmlページのみが必要
であって、各データフォルダに一つ必要ではない。
【０１０２】 slideshow.htmlページは、前のhtmlページと同様にパラメータを取り込む。ht
tps://secwww.jhuapl.edu/ncabiosurv/restrict/slideshow.html?FLU＃zip&2001
-01-20。"FLU＃zip"はhtmlページにどのデータタイプを表示するかを知らせる。
"2001-01-01"はページにスライドショウをいつ始めるかを知らせ、"2001-01-20"
はページにスライドショウをいつ終わらせるかを知らせる。それは、パラメータ
を受け取った後、ページは最初の画像を表示し始め、背景の残りの画像をダウン
ロードし始める。また、それは、範囲内の各データのハイパーリンクを画面に書
き込む。しかし、これらのハイパーリンクは使用者がクリックするためのもので
なく、使用者がマウスを通過させるためのものである。各ハイパーリンクは"onM
ouseOver"関数が備えられている。使用者がマウスにリンク上を通過させると、"
onMouseOver"関数を呼び出し、次に使用者がページ上に見られる画像を変更する
他のJava（登録商標）スクリプト関数を呼ぶ。それは、使用者のマウスが通過し
た日に画像を変更する。これは使用者がマウスを日付範囲が上下するように動か
し、範囲全体にわたってデータソースがどのように変化したかを迅速に簡単に見
ることを可能にしている。使用者が特定の日付を見たい場合は、ただその日の上
にマウスを置けば、その日の画像が画面に固定される。ハイパーリンクがクリッ
クされると、全て自動的に特定の画像が地図エリアに表示される。このとき、使
用者はバックボタンをクリックしてスライドショウを戻ることができる。
【０１０３】 地図地域エリアで用いられる最後のhtmlページは、region＃legend.html page
である。これは、システムにおいてどの地域が用いられているかを使用者に示す
固定ページである。システムは全ての情報を郵便番号レベルで配置しているので
、「地域」という文言は地区の代わりに使われている。郵便番号は地区にきちん
と配置されているわけではないので、システムは中心点(Arc View（登録商標）
に与えられる)を考慮しており、各郵便番号がどの地区に属しているかを決定す
るのにその中心点を用いる。これから、システムは各地区での各郵便番号を「地
域」の輪郭を描くのに用いられる。地域は地区に似ているが、郵便番号の外側の
形に沿ったものであって、地区ではない。
【０１０４】 図１８に示すデータフローの図は、システムを通してデータの経路を示してい
る。それはAccess（登録商標）データベースに生データを入力することで始めら
れる。生データは、初め表のセットに置かれ、それから異なる表のセットに移す
マクロやクエリー(query)の集まりを通して修正される。Arc View（登録商標）
はこのときこれらの新しい表を割り出すＳＱＬ集を使う。その表のコピーをArcV
iew（登録商標）に置く。アベニュースクリプトは、このとき各データタイプお
よびデータの地図を、表の値に基づいて生成する。各地図を生成した後、アベニ
ュースクリプトが呼び出され、地図のＪＰＥＧ画像をウェブサイトディレクトリ
構造の正しい位置に運ぶ。全ての画像が作成されると、ウェブサイト情報を安全
なセブサーバーに移動させるのにＦＴＰが使われる。使用者は、安全なウェブサ
イトから、地域および郵便番号を基準とする地図、検出器出力帯状記録紙、およ
び地図スライドショウを含む、地図や画像を表示する種々の方法を使う。
【０１０５】 新しいデータがデータベースに入力されると、次のようなステップでウェブサ
イトが更新される： １） ArcView（登録商標）biowebsite.aprを開く； ２） ArcView（登録商標）＃Inaugural.mdbに向かう； ３） "dates＃and＃date"表を開き、更新する； ４） "region＃status＃table"表を開き、更新する； ５） "counts＃by＃zip＃code"表を開き、更新する； ６） "counts＃by＃region"表を開き、更新する； ７） 必要に応じて新しい日のフォルダを作成し(e:/sharedinfo/inaugural/res
trict/2001-01-01/)、"default＃day"フォルダをコピーする； ８） 修正し、"Export All RegionStatus"スクリプトを実行する； ９） "Export Zips and Regions"スクリプトを実行する（これは〜１時間要す
る） １０） カレンダーおよびナビゲーションhtmlファイルの最終更新日変数を修正
する； １１） ウィンドウズ（登録商標）エクスプローラーを用いて、制限フォルダを
右クリックし、7-Zipセクションで、「アーカイブに加える…」を選ぶ； １２） 「ＯＫ」をクリックし、restrict.tarというタールファイルを作成する
； １３） アプリコン（aplcomm）にテルネット(telnet)する； １４） ディレクトリを/usr/local/share/opt/www/ncabiosurv/htdocsに変更す
る； １５） タールファイルのバックアップを消去する； １６） 現在のrestrict.tarをrestrict.<date>.tar for a backupへ移す； １７） "rm-R restrict"コマンドを用い、現在の制限ディレクトリを消去する
； １８） 新しくできたrestrict.tarファイルを現在のディレクトリへＦＴＰする
； １９） "tar-xvf restrict.tar"コマンドを用い、ファイルをアンタール(untar
)する； まとめると、本発明は住人の健康現象を検知する自動化システムであって、継
続的に人の介入を最小限として操作するためのものである。これは、現代の情報
技術および高度な遠距離通信を駆使して、監視したデータにおける異常を迅速に
検出し、この異常を複数の病気発生の仮定と比較して、システム使用者に警告を
発する。さらに、多くのデータソースを同時に監視することで、本発明が健康現
象を、より少ない数のデータソースを監視する他の方法やシステムと比べてはる
かに進んだ検出が可能となる。本発明は、病気の発生の重大性の他、その場所、
病気の性質、誰が危険なのかを付加的に使用者に推論させることができる。
【０１０６】 上記詳細は多くの特徴を含んでいるが、これらは、発明の範囲の限定と解釈さ
れるべきものではなく、単にその実施の具体例と解釈されるべきである。これら
は、その範囲内で技術により熟練され、他の多くの変更を行うことが想定される
。それゆえ、本発明の範囲は、添付の請求項およびそれと法的に同等なものによ
り定められるものであり、上記の具体的な実施形態により定められるものではな
い。
【図面の簡単な説明】
【図１】 いくつかの生物兵器の特徴を挙げた表である。
【図２】 仮想バイオテロ攻撃の生存性における改良された技術的監視の潜在的影響を示
すグラフである。
【図３】 本発明の一実施の形態に係る、通常の情報の流れを示したブロック図である。
【図４】 本発明の一例で用いられた高校欠席データを示す滝状グラフである。
【図５】 本発明の一例に係るテスト地区における２つの薬チェーン店の地区売上合計を
示す図面である。
【図６】 本発明の一例に係るテスト地区における高校の相対的位置を示す地図である。
【図７】 本発明の一例に係る一つの高校での予測される欠席数、および観察された欠席
数を示すグラフである。
【図８】 図８Ａおよび図８Ｂは、本発明の一例に係る、それぞれフィルターの長さが３
日および４日の、感染率１６％での適応整合フィルター出力の例を表す図面であ
る。
【図９】 図９Ａないし図９Ｃは、本発明の一例に係る、それぞれ潜伏から３日目、４日
目、７日目の検出器の動作を示す、受信者動作特性（ＲＯＣ）カーブのプロット
をした図面である。
【図１０】 本発明の一例に係る、適応整合フィルター出力を示すグラフである。
【図１１Ａ】 本発明の一例に係る、５つのデータタイプおよびＥＲデータのみを用いて算出
した平均の適応整合フィルター出力を示すグラフである。
【図１１Ｂ】 図１１Ａにて描かれた１０００回の試験と同様の、２つの場合を算出したＲＯ
Ｃカーブを示すグラフである。
【図１２】 異なるデータソースを用いた本発明の２つの例に係る、病気の一番早い潜伏後
の日数の関数として、ＰD≧0.95でＰＦＡ≦0.05を満たす犠牲者の数を示すグラ
フである。
【図１３】 本発明の一例に係るオンラインバイオ監視システムの最初のページを示す画面
の図面である。
【図１４】 本発明の一例に係るオンラインバイオ監視システムのナビゲーションバーの種
々の選択を示す画面の図面である。
【図１５】 本発明の一例に係るオンラインバイオ監視システムにおいて表示される種々の
地図を示す画面の図面である。
【図１６】 本発明の一例に係るオンラインバイオ監視システムの検出出力を示す画面の図
面である。
【図１７】 本発明の一例に係るオンラインバイオ監視システムのスライドショウを示す画
面の図面である。
【図１８】 本発明の一例に係るオンラインバイオ監視システムを介したデータの経路を示
すデータフロー図である。
───────────────────────────────────────────────────── 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，ＴＲ)，ＯＡ(ＢＦ ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ， ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，Ｇ Ｍ，ＫＥ，ＬＳ，ＭＷ，ＭＺ，ＳＤ，ＳＬ，ＳＺ，ＴＺ ，ＵＧ，ＺＷ)，ＥＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ， ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＥ，ＡＧ，ＡＬ，ＡＭ， ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，Ｂ Ｚ，ＣＡ，ＣＨ，ＣＮ，ＣＯ，ＣＲ，ＣＵ，ＣＺ，ＤＥ ，ＤＫ，ＤＭ，ＤＺ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＤ， ＧＥ，ＧＨ，ＧＭ，ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＮ，Ｉ Ｓ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＡ，ＭＤ，ＭＧ， ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＭＺ，ＮＯ，ＮＺ，ＰＬ，Ｐ Ｔ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＴＺ，ＵＡ，ＵＧ，ＵＳ， ＵＺ，ＶＮ，ＹＵ，ＺＡ，ＺＷ (72)発明者 バーコム，ホワード，エス． アメリカ合衆国，メリーランド州 21209， ボルティモア，デンバーグ ロード 7213 (72)発明者 ニューホール，ブルース，ケイ． アメリカ合衆国，メリーランド州 21046， コロンビア，ブロードクロス ウェイ 7504 (72)発明者 コータニ，ラシッド，エイ． アメリカ合衆国，メリーランド州 21117， オーウィングズ ミルズ，アルゲイト ロ ード 122 (72)発明者 ウォジック，リチャード，エイ． アメリカ合衆国，メリーランド州 21045， コロンビア，シンバッド プレース 6136 (72)発明者 ロッシェン，ウェイン，エイ． アメリカ合衆国，メリーランド州 21113， オーデントン ＃303，キントー サーク ル 2008 Ｆターム(参考） 5C086 AA60 BA07 DA08 DA29 EA31

Claims (25)

    【特許請求の範囲】
  1. 【請求項１】 バックグラウンド除去アルゴリズムを用いて、関連データセットからバックグ
    ラウンドノイズを除去し、残差データを生成するステップと、 上記関連データセットにて仮想異常現象の影響をモデル化し、複製データを生
    成するステップと、 検出器を用いて、上記残差データを上記複製データとを整合させて、上記仮想
    異常現象と似た実際の異常現象を検出するステップと、 上記仮想異常現象と似た実際の異常現象が検出された場合に、警告を発動する
    ステップと、を含むバイオ監視検出および警告の方法。
  2. 【請求項２】 上記バックグラウンド除去アルゴリズムがセンターサラウンドアルゴリズムで
    ある請求項１に記載のバイオ監視検出および警告の方法。
  3. 【請求項３】 上記バックグラウンド除去アルゴリズムがカルマンフィルターを含む請求項１
    に記載のバイオ監視検出および警告の方法。
  4. 【請求項４】 上記検出器が適合整合フィルター検出器である請求項１に記載のバイオ監視検
    出および警告の方法。
  5. 【請求項５】 上記検出器がネイマン−ピアソン検出器である請求項１に記載のバイオ監視検
    出および警告の方法。
  6. 【請求項６】 上記検出器が変化検出器である請求項１に記載のバイオ監視検出および警告の
    方法。
  7. 【請求項７】 上記検出器がベイズの推論ネットワークを含む請求項１に記載のバイオ監視検
    出および警告の方法。
  8. 【請求項８】 上記関連データセットが、病気の発生の間に観察される、特定の人間行動情報
    を含む請求項１に記載のバイオ監視検出および警告の方法。
  9. 【請求項９】 上記関連データセットが、店頭販売の薬剤売上データを含む請求項１に記載の
    バイオ監視検出および警告の方法。
  10. 【請求項１０】 上記関連データセットが、欠席データを含む請求項１に記載のバイオ監視検出
    および警告の方法。
  11. 【請求項１１】 上記関連データセットが、緊急処置室への入院データを含む請求項１に記載の
    バイオ監視検出および警告の方法。
  12. 【請求項１２】 上記関連データセットが、保険請求書データを含む請求項１に記載のバイオ監
    視検出および警告の方法。
  13. 【請求項１３】 上記関連データセットが、動物の健康データを含む請求項１に記載のバイオ監
    視検出および警告の方法。
  14. 【請求項１４】 上記関連データセットが、店頭販売の薬剤の売上データ、欠席データ、緊急処
    置室入院データ、保険請求書データ、および動物の健康データのうちの、１つま
    たは１つ以上を含む請求項１に記載のバイオ監視検出および警告の方法。
  15. 【請求項１５】 上記関連データセットが、少なくとも２つの異なるデータソースからのデータ
    を含む請求項１に記載のバイオ監視検出および警告の方法。
  16. 【請求項１６】 上記関連データセットが、少なくとも５つの異なるデータソースからのデータ
    を含む請求項１に記載のバイオ監視検出および警告の方法。
  17. 【請求項１７】 上記残差データを上記複製データと整合させるステップが１以上の検出器を用
    いている請求項１に記載のバイオ監視検出および警告の方法。
  18. 【請求項１８】 上記関連データセットにて仮想異常現象の影響をモデル化して複製データを生
    成する上記ステップが、インフルエンザ発生の実際のデータを利用している請求
    項１に記載のバイオ監視検出および警告の方法。
  19. 【請求項１９】 請求項１に記載のバイオ監視検出および警告の方法において、さらに地理的情
    報システムを用いてデータを表示するステップを含むバイオ監視検出および警告
    の方法。
  20. 【請求項２０】 請求項１９に記載のバイオ監視検出および警告の方法において、さらに上記デ
    ータをそれ自身に対して正規化するステップを含むバイオ監視検出および警告の
    方法。
  21. 【請求項２１】 請求項１９に記載のバイオ監視検出および警告の方法において、さらにシステ
    ム使用者により、関心のある地域、および関心のある病気に関する情報を入力す
    るステップを含むバイオ監視検出および警告の方法。
  22. 【請求項２２】 住人を、個々の郵便番号ごとに地理的に分類した上で、健康状態を監視する請
    求項１９に記載のバイオ監視検出および警告の方法。
  23. 【請求項２３】 表示されるデータが、使用者に与えられたアクセスレベルの関数である請求項
    １９に記載のバイオ監視検出および警告の方法。
  24. 【請求項２４】 請求項１９に記載のバイオ監視検出および警告の方法において、さらに警告が
    発動された場合に、管轄の病気管理の従事者に電気的にメッセージを送るステッ
    プを含むバイオ監視検出および警告の方法。
  25. 【請求項２５】 関連データセットからバックグラウンドノイズを除去し、残差データを生成す
    る手段と、 上記関連データセットにて仮想異常現象の影響をモデル化し、複製データを生
    成する手段と、 上記残差データを上記複製データとを整合させて、上記仮想異常現象と似た実
    際の異常現象を検出する手段と、 システム使用者に、上記実際の異常現象を警告をする手段と、を含むバイオ監
    視検出および警告のシステム。
JP2001571264A 2000-03-23 2001-03-23 バイオ監視検出および警告の方法並びにシステム Withdrawn JP2003529832A (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US19157600P 2000-03-23 2000-03-23
US19156300P 2000-03-23 2000-03-23
US60/191,563 2000-03-23
US60/191,576 2000-03-23
PCT/US2001/009244 WO2001073616A2 (en) 2000-03-23 2001-03-23 Method and system for bio-surveillance detection and alerting

Publications (1)

Publication Number Publication Date
JP2003529832A true JP2003529832A (ja) 2003-10-07

Family

ID=26887172

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2001571264A Withdrawn JP2003529832A (ja) 2000-03-23 2001-03-23 バイオ監視検出および警告の方法並びにシステム

Country Status (6)

Country Link
US (1) US7249006B2 (ja)
EP (1) EP1311992A2 (ja)
JP (1) JP2003529832A (ja)
AU (1) AU2001276815A1 (ja)
CA (1) CA2403797A1 (ja)
WO (1) WO2001073616A2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020123354A (ja) * 2020-01-28 2020-08-13 Ａｄｖａｎｃｅｄ Ｍｅｄｉｃａｌ ＩｎｆｏＴｅｃ株式会社 医療システム

Families Citing this family (73)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7194395B2 (en) * 2000-02-23 2007-03-20 The United States Of America As Represented By The Secretary Of The Army System and method for hazardous incident decision support and training
US6856992B2 (en) * 2001-05-15 2005-02-15 Metatomix, Inc. Methods and apparatus for real-time business visibility using persistent schema-less data storage
US6925457B2 (en) * 2001-07-27 2005-08-02 Metatomix, Inc. Methods and apparatus for querying a relational data store using schema-less queries
US20030208499A1 (en) * 2002-05-03 2003-11-06 David Bigwood Methods and apparatus for visualizing relationships among triples of resource description framework (RDF) data sets
US7058637B2 (en) * 2001-05-15 2006-06-06 Metatomix, Inc. Methods and apparatus for enterprise application integration
US7822621B1 (en) 2001-05-16 2010-10-26 Perot Systems Corporation Method of and system for populating knowledge bases using rule based systems and object-oriented software
US7831442B1 (en) 2001-05-16 2010-11-09 Perot Systems Corporation System and method for minimizing edits for medical insurance claims processing
CA2464374A1 (en) 2001-11-02 2003-05-15 R. Bharat Rao Patient data mining for cardiology screening
US7313531B2 (en) * 2001-11-29 2007-12-25 Perot Systems Corporation Method and system for quantitatively assessing project risk and effectiveness
US7457731B2 (en) * 2001-12-14 2008-11-25 Siemens Medical Solutions Usa, Inc. Early detection of disease outbreak using electronic patient data to reduce public health threat from bio-terrorism
US7096125B2 (en) * 2001-12-17 2006-08-22 Honeywell International Inc. Architectures of sensor networks for biological and chemical agent detection and identification
US7024370B2 (en) * 2002-03-26 2006-04-04 P) Cis, Inc. Methods and apparatus for early detection of health-related events in a population
DE10222203B4 (de) * 2002-05-18 2004-03-25 Robert Bosch Gmbh Bildüberwachungssystem
NZ538348A (en) * 2002-08-19 2006-09-29 Stout Solutions Llc Bio-surveillance by threshhold analysis of symptom data captured by emergency services dispatchers
AU2003275489A1 (en) * 2002-10-08 2004-05-04 Food Security Systems, L.L.C. System and method for identifying a food event, tracking the food product, and assessing risks and costs associated with intervention
US7069233B2 (en) * 2002-12-31 2006-06-27 Bracken Foster & Associates, Llc System and method for identification and notification of elevated over-the-counter medication sales with response coordination
US7951409B2 (en) 2003-01-15 2011-05-31 Newmarket Impressions, Llc Method and apparatus for marking an egg with an advertisement, a freshness date and a traceability code
US9412141B2 (en) * 2003-02-04 2016-08-09 Lexisnexis Risk Solutions Fl Inc Systems and methods for identifying entities using geographical and social mapping
US7399276B1 (en) * 2003-05-08 2008-07-15 Health Hero Network, Inc. Remote health monitoring system
WO2004114180A1 (ja) 2003-06-18 2004-12-29 Matsushita Electric Industrial Co., Ltd. 生体情報活用システム、生体情報活用方法、プログラムおよび記録媒体
EP1690210A2 (en) * 2003-07-07 2006-08-16 Metatomix, Inc. Surveillance, monitoring and real-time events platform
US20050060189A1 (en) * 2003-09-15 2005-03-17 Xiaohui Zhang Methods and system for bio-intelligence from over-the-counter pharmaceutical sales
US7665063B1 (en) * 2004-05-26 2010-02-16 Pegasystems, Inc. Integration of declarative rule-based processing with procedural programming
WO2006044689A2 (en) * 2004-10-15 2006-04-27 Food Security Systems, Inc. Food product contamination event management system and method
US7770224B2 (en) * 2004-10-18 2010-08-03 Lockheed Martin Corporation CBRN attack detection system and method I
US8335704B2 (en) 2005-01-28 2012-12-18 Pegasystems Inc. Methods and apparatus for work management and routing
US7627545B2 (en) * 2005-02-02 2009-12-01 At&T Intellectual Property Ii, Lp. Geocoding method using multidimensional vector spaces
WO2006107879A2 (en) * 2005-04-01 2006-10-12 Leader Technologies, Inc. Command and control architecture
US20060265253A1 (en) * 2005-05-18 2006-11-23 Rao R B Patient data mining improvements
US10354760B1 (en) * 2005-10-18 2019-07-16 At&T Intellectual Property Ii, L.P. Tool for visual exploration of medical data
US8706514B1 (en) * 2005-10-18 2014-04-22 At&T Intellectual Property Ii, L.P. Case management system and method for mediating anomaly notifications in health data to health alerts
US20090132232A1 (en) * 2006-03-30 2009-05-21 Pegasystems Inc. Methods and apparatus for implementing multilingual software applications
US8924335B1 (en) 2006-03-30 2014-12-30 Pegasystems Inc. Rule-based user interface conformance methods
US20090319295A1 (en) * 2006-07-25 2009-12-24 Kass-Hout Taha A Global disease surveillance platform, and corresponding system and method
US20080177614A1 (en) * 2007-01-24 2008-07-24 Lianjun An Method and system for estimating dynamics of workforce absenteeism using information on pandemic spread and mitigation actions
US8250525B2 (en) 2007-03-02 2012-08-21 Pegasystems Inc. Proactive performance management for multi-user enterprise software systems
US20080253611A1 (en) * 2007-04-11 2008-10-16 Levi Kennedy Analyst cueing in guided data extraction
JP4926891B2 (ja) * 2007-08-30 2012-05-09 株式会社日立製作所 地理情報システム及び地理情報管理方法
US8515160B1 (en) 2007-10-04 2013-08-20 Hrl Laboratories, Llc Bio-inspired actionable intelligence method and system
US8090592B1 (en) * 2007-10-31 2012-01-03 At&T Intellectual Property I, L.P. Method and apparatus for multi-domain anomaly pattern definition and detection
US7672813B2 (en) * 2007-12-03 2010-03-02 Smiths Detection Inc. Mixed statistical and numerical model for sensor array detection and classification
US9746985B1 (en) 2008-02-25 2017-08-29 Georgetown University System and method for detecting, collecting, analyzing, and communicating event-related information
US8775960B1 (en) 2008-03-10 2014-07-08 United Services Automobile Association (Usaa) Systems and methods for geographic mapping and review
CA2722417A1 (en) * 2008-04-25 2009-10-29 Btsafety Llc System and method of providing product quality and safety
US20090319297A1 (en) * 2008-06-18 2009-12-24 Upmc Workplace Absenteeism Risk Model
US10481878B2 (en) * 2008-10-09 2019-11-19 Objectstore, Inc. User interface apparatus and methods
US20140167917A2 (en) * 2008-12-08 2014-06-19 Infonaut, Inc. Disease Mapping and Infection Control System and Method
US8843435B1 (en) 2009-03-12 2014-09-23 Pegasystems Inc. Techniques for dynamic data processing
US8468492B1 (en) 2009-03-30 2013-06-18 Pegasystems, Inc. System and method for creation and modification of software applications
GB0908184D0 (en) * 2009-05-13 2009-06-24 Univ Exeter Bayesian-based online burst detection in water distribution systems
US20110040660A1 (en) * 2009-08-10 2011-02-17 Allison Damon R Monitoring And Management Of Lost Product
AU2010308329B2 (en) 2009-10-19 2016-10-13 Labrador Diagnostics Llc Integrated health data capture and analysis system
US10943676B2 (en) 2010-06-08 2021-03-09 Cerner Innovation, Inc. Healthcare information technology system for predicting or preventing readmissions
US8880487B1 (en) 2011-02-18 2014-11-04 Pegasystems Inc. Systems and methods for distributed rules processing
US20130024205A1 (en) * 2011-07-18 2013-01-24 International Business Machines Corporation Dynamically updating electronic medical records and leveraging a person's path in a facility to mitgate risks
US9129039B2 (en) * 2011-10-18 2015-09-08 Ut-Battelle, Llc Scenario driven data modelling: a method for integrating diverse sources of data and data streams
US9195936B1 (en) 2011-12-30 2015-11-24 Pegasystems Inc. System and method for updating or modifying an application without manual coding
US20140095417A1 (en) * 2012-10-01 2014-04-03 Frederick S.M. Herz Sdi (sdi for epi-demics)
US10366791B1 (en) * 2014-03-31 2019-07-30 EMC IP Holding Company LLC Method and system for global epidemic disease outbreak prediction
US10469396B2 (en) 2014-10-10 2019-11-05 Pegasystems, Inc. Event processing with enhanced throughput
US10185807B2 (en) * 2014-11-18 2019-01-22 Mastercard International Incorporated System and method for conducting real time active surveillance of disease outbreak
EP3278580B1 (en) * 2015-03-30 2020-02-26 Telecom Italia S.p.A. Method and system for a real-time counting of a number of persons in a crowd by means of aggregated data of a telecommunication network
EP3278579B1 (en) * 2015-03-30 2020-02-26 Telecom Italia S.p.A. Method and system for estimating a posteriori a number of persons in one or more crowds by means of aggregated data of a telecommunication network
US10418133B2 (en) 2015-12-07 2019-09-17 Mastercard International Incorporated System and method for monitoring containment of an epidemic
US10698599B2 (en) 2016-06-03 2020-06-30 Pegasystems, Inc. Connecting graphical shapes using gestures
US10698647B2 (en) 2016-07-11 2020-06-30 Pegasystems Inc. Selective sharing for collaborative application usage
US11048488B2 (en) 2018-08-14 2021-06-29 Pegasystems, Inc. Software code optimizer and method
US11567945B1 (en) 2020-08-27 2023-01-31 Pegasystems Inc. Customized digital content generation systems and methods
US20220122700A1 (en) * 2020-10-20 2022-04-21 LiveBeyond Predictive Electronic Healthcare Record Systems and Methods for the Developing World
CN112734977B (zh) * 2020-12-25 2022-07-05 安徽省安泰科技股份有限公司 一种基于物联网的设备风险预警系统及算法
US11948694B2 (en) 2021-05-12 2024-04-02 Merative Us L.P. Controlling compartmental flows in epidemiological modeling based on mobility data
US20220384056A1 (en) * 2021-05-27 2022-12-01 International Business Machines Corporation Hypothetical Scenario Evaluation in Infectious Disease Dynamics Based on Similar Regions
CN117174332A (zh) * 2023-05-25 2023-12-05 江苏瀚云医疗信息技术有限公司 一种基于多源数据的传染病监测预警系统及预警方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5911132A (en) 1995-04-26 1999-06-08 Lucent Technologies Inc. Method using central epidemiological database

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020123354A (ja) * 2020-01-28 2020-08-13 Ａｄｖａｎｃｅｄ Ｍｅｄｉｃａｌ ＩｎｆｏＴｅｃ株式会社 医療システム

Also Published As

Publication number Publication date
AU2001276815A1 (en) 2001-10-08
US20030009239A1 (en) 2003-01-09
EP1311992A2 (en) 2003-05-21
US7249006B2 (en) 2007-07-24
WO2001073616A3 (en) 2003-03-20
WO2001073616A2 (en) 2001-10-04
CA2403797A1 (en) 2001-10-04

Similar Documents

Publication Publication Date Title
JP2003529832A (ja) バイオ監視検出および警告の方法並びにシステム
Lombardo et al. Disease surveillance: a public health informatics approach
Myers et al. Forecasting disease risk for increased epidemic preparedness in public health
US10055502B2 (en) System and method for detecting, collecting, analyzing, and communicating event related information
Lewis et al. Disease outbreak detection system using syndromic data in the greater Washington DC area
US8881040B2 (en) System and method for detecting, collecting, analyzing, and communicating event-related information
US10394776B2 (en) Warning system for infectious diseases and method therefor
AU2003298552B2 (en) Bio-surveillance system
US7266484B2 (en) Techniques for early detection of localized exposure to an agent active on a biological population
Bergado et al. Predicting wildfire burns from big geodata using deep learning
Dawson et al. Detecting disease outbreaks using a combined Bayesian network and particle filter approach
Nordin et al. Simulated anthrax attacks and syndromic surveillance
Sohn et al. The impact of neighborhood permeability on residential burglary risk: A case study in Seattle, USA
McLafferty et al. Placing volunteered geographic health information: Socio-spatial bias in 311 bed bug report data for New York City
Moosazadeh et al. A machine learning-driven spatio-temporal vulnerability appraisal based on socio-economic data for COVID-19 impact prevention in the US counties
Hewitt et al. Dangerous times? A routine activities examination of the temporal patterns of sexual offenses over time
Semenza Vector-borne disease emergence and spread in the European Union
Kelhe et al. A Smart Early Warning System for Disease Outbreak with a Case Study of COVID-19 in India
Martin et al. Geographic information systems applied to the international surveillance and control of transboundary animal diseases, a focus on highly pathogenic avian influenza
Lotze et al. A wavelet-based anomaly detector for early detection of disease outbreaks
Haque et al. Cascading Effects of Mass Gatherings on COVID-19 Infections from a Multihazard Perspective: A Case Study of New York City
Cakici Disease surveillance systems
Aziz et al. A machine learning–based generalized approach for predicting unauthorized immigration flow considering dynamic border security nexus
Shukla et al. Healthcare Disaster Prediction with IoT, Data Analytics, and Machine Learning
Campbell et al. EPI-SPIRE: A Bio-Surveillance Prototype

Legal Events

Date Code Title Description
A300 Application deemed to be withdrawn because no request for examination was validly filed

Free format text: JAPANESE INTERMEDIATE CODE: A300

Effective date: 20080603