JP2005063218A - 疾病対策支援方法および疾病対策支援システム - Google Patents
疾病対策支援方法および疾病対策支援システム Download PDFInfo
- Publication number
- JP2005063218A JP2005063218A JP2003293705A JP2003293705A JP2005063218A JP 2005063218 A JP2005063218 A JP 2005063218A JP 2003293705 A JP2003293705 A JP 2003293705A JP 2003293705 A JP2003293705 A JP 2003293705A JP 2005063218 A JP2005063218 A JP 2005063218A
- Authority
- JP
- Japan
- Prior art keywords
- disease
- symptom
- symptoms
- data
- countermeasure support
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
【課題】 過去の花粉飛散量など−の環境に関する時系列データおよび花粉症状などの症状の時系列データと、将来の環境に関する予測データとから、将来の症状を予測し、対策支援を可能とする疾病対策支援方法を提供することにある。また、通信ネットワークに接続され、かつ、前記の疾病対策支援方法を有するサーバおよび端末から構成される疾病対策支援システムを提供する。
【解決手段】 コンピュータプログラム1Aとして疾病対策支援方法を有し、かつ、個人に関する疾病症状時系列データ1Cと、環境に関する時系列データ1Bとを有し、症状に応じた対策情報を提供するサーバ1と、通信回線10を介してサーバ1から症状に応じた対策情報を受信する端末2とを備える。
【選択図】 図6
【解決手段】 コンピュータプログラム1Aとして疾病対策支援方法を有し、かつ、個人に関する疾病症状時系列データ1Cと、環境に関する時系列データ1Bとを有し、症状に応じた対策情報を提供するサーバ1と、通信回線10を介してサーバ1から症状に応じた対策情報を受信する端末2とを備える。
【選択図】 図6
Description
本発明は、環境に関する時系列データと、個人に関する疾病症状時系列データとから将来の疾病症状を予測し、症状に応じた対策情報を提供する疾病対策支援方法に関する。また、通信ネットワークに接続され、かつ、疾病対策支援方法をプログラムとして有するサーバおよび端末から構成される疾病対策支援システムに関する。
従来、医療機関における診療を補う目的で、例えば在宅健康管理システムがある。この在宅健康管理システムは、個人が日常生活の中で手軽に健康状態を診断したり、あるいは、疾病の兆候を検出して、疾病の予防をするためのものである。
このように、在宅にて環境状態に起因する疾病の予防や、健康状態の診断を行うものとして、日々の健康データに基づいた個人健康履歴のデータベースと、気象の変化とより、多変量解析を用いて、疾病発生予測をするものがある(例えば、特許文献1)。また、環境センサによる環境データと、健康センサによる健康データとを用いて、個人の疾病発生や症状変化を予測するものがある(例えば、特許文献2)。さらに、遺伝情報や健康情報などの個人情報を端末に保持し、環境情報および環境と健康の相関情報をサーバから受信することにより、個人の健康状態を診断するものがある(例えば、特許文献3)。
特開2001−067403(特願平11−239016号) 在宅健康管理システム
特開2002−311158(特願2001−121690) 医学気象予報配信システム、医学気象予報配信方法、医学気象予報配信プログラム
特開2003−067499(特願2001−251916) 健康診断方法および健康診断システム、健康診断システム用サーバおよび端末、ならびに健康診断システム用プログラム
しかし、前記の従来技術には、以下のような問題があった。すなわち、いずれも環境データと個人の健康データとの相関情報から、個人の健康状態を診断したり、予測したりする。しかし、その相関情報といったもの自体、どのように作成するかが問題となる。環境に起因する疾病、例えば花粉症に関しても、花粉の飛散量と花粉症状との相関に関してはまだ不明な点が多く、花粉の飛散量が花粉症状に直接結びつくわけではなく、また個人差も大きい。現在の花粉飛散量の多寡だけでなく、過去の飛散量の履歴に症状が大きく依存する例も多い。
さらに、花粉症を抑える薬は症状の程度に応じた複数種類のものがあり、どれを利用するかは患者の判断に任されている。あるいは、マスクをした方が良い、花粉の飛散量が多いところには行かないほうが良いなどの様々な判断を患者は自分で下す必要がある。このような環境要因に影響を受ける花粉症やアトピーなどのアレルギー疾患や、日焼けなどの症状に応じた対策や判断を支援するようなシステムが必要とされている。
本発明は、前記の課題を解決し、過去の花粉飛散量などの環境に関する時系列データおよび花粉症状などの症状の時系列データと、将来の環境に関する予測データとから、将来の症状を予測し、対策支援を可能とする疾病対策支援方法を提供することにある。また、通信ネットワークに接続され、かつ、前記の疾病対策支援方法を有するサーバおよび端末から構成される疾病対策支援システムを提供することにある。
前記課題を解決するために、請求項1の発明は、将来の疾病症状を、過去の疾病症状時系列データと、過去の環境に関する時系列データと、将来の環境予測データとの関数とみなし、前記データが得られるごとに、前記関数に含まれる係数を推定し、疾病症状の予測式を算出し、最新の前記データを前記疾病症状の予測式に入力し、前記疾病症状の予測式の値により将来の疾病症状を予測し、症状に応じた対策情報を提供することを特徴とする疾病対策支援方法である。
請求項2の発明は、請求項1に記載の疾病対策支援方法において、予測した疾病症状と実際の疾病症状との誤差を用いて、前記疾病症状の予測式の各係数を更新することを特徴とする。
請求項3の発明は、過去の疾病症状時系列データと、過去の環境に関する時系列データと、将来の環境予測データとからなるベクトルを構成し、前記ベクトルが得られるごとに、実際の疾病症状に応じて分類しカテゴリ付けしたものをデータベースとし、最新の前記ベクトルを前記データベースと比較することにより、この最新のベクトルを分類し、得られたカテゴリに対応する疾病症状により、疾病症状を予測し、症状に応じた対策情報を提供することを特徴とする疾病対策支援方法である。
請求項4の発明は、将来の疾病症状を、過去の疾病症状時系列データと、過去の環境に関する時系列データと、将来の環境予測データとの関数とみなし、予測する疾病症状の特性がそれぞれ異なり、かつ、指標付けされた前記関数を複数用意し、ユーザの疾病症状データおよび環境データを前記複数の関数に入力し、実際の疾病症状に最も適合する値を出力する関数を選択し、その関数に付けられた指標にユーザの症状特性を分類することを特徴とする疾病対策支援方法である。
請求項5の発明は、過去の疾病症状時系列データと、過去の環境に関する時系列データと、将来の環境予測データとからなるベクトルを構成し、複数の前記ベクトルを実際の疾病症状に応じて分類し、カテゴリ付けしたものをデータベースとし、予測する疾病症状の特性がそれぞれ異なり、かつ、指標付けされた前記データベースを複数用意し、ユーザの疾病症データおよび環境データからなるベクトルを、前記複数のデータベースにて分類し、指標付けされた複数のデータベースの中で正しい疾病症状予測を行ったデータベースを選択し、そのデータベースに付けられた指標にユーザの症状特性を分類することを特徴とする疾病対策支援方法である。
請求項6の発明は、請求項1〜5のいずれか1項に記載の疾病対策支援方法において、疾病症状と環境状態をセンサによって自動的に記録することを特徴とする。
請求項7の発明は、請求項1〜6のいずれか1項に記載の疾病対策支援方法において、疾病症状レベルをユーザが設定可能であることを特徴とする。
請求項8の発明は、請求項1〜7のいずれか1項に記載の疾病対策支援方法において、対象とする疾病は花粉症であることを特徴とする。
請求項9の発明は、請求項1から7のいずれかの疾病対策支援方法を用いた疾病対策支援システムであって、コンピュータプログラムとして、請求項1から7のいずれかの疾病対策支援方法を有し、かつ、個人に関する疾病症状時系列データと環境に関する時系列データとを有し、症状に応じた対策情報を提供するサーバと、通信ネットワークを介して前記サーバから症状に応じた対策情報を受信する端末とを備えることを特徴とする疾病対策支援システムである。
請求項10の発明は、請求項1から7のいずれかの疾病対策支援方法を用いた疾病対策支援システムであって、環境に関する時系列データを有するサーバと、個人に関する疾病症状時系列データを有し、通信ネットワークを介して前記サーバから環境に関する時系列データを受信し、かつ、コンピュータプログラムとして請求項1から7のいずれかの疾病対策支援方法を有し、症状に応じた対策情報を提供する端末とを備えることを特徴とする疾病対策支援システムである。
請求項11の発明は、請求項9または10に記載の疾病対策支援システムにおいて、対象とする疾病は花粉症であることを特徴とする。
請求項2の発明は、請求項1に記載の疾病対策支援方法において、予測した疾病症状と実際の疾病症状との誤差を用いて、前記疾病症状の予測式の各係数を更新することを特徴とする。
請求項3の発明は、過去の疾病症状時系列データと、過去の環境に関する時系列データと、将来の環境予測データとからなるベクトルを構成し、前記ベクトルが得られるごとに、実際の疾病症状に応じて分類しカテゴリ付けしたものをデータベースとし、最新の前記ベクトルを前記データベースと比較することにより、この最新のベクトルを分類し、得られたカテゴリに対応する疾病症状により、疾病症状を予測し、症状に応じた対策情報を提供することを特徴とする疾病対策支援方法である。
請求項4の発明は、将来の疾病症状を、過去の疾病症状時系列データと、過去の環境に関する時系列データと、将来の環境予測データとの関数とみなし、予測する疾病症状の特性がそれぞれ異なり、かつ、指標付けされた前記関数を複数用意し、ユーザの疾病症状データおよび環境データを前記複数の関数に入力し、実際の疾病症状に最も適合する値を出力する関数を選択し、その関数に付けられた指標にユーザの症状特性を分類することを特徴とする疾病対策支援方法である。
請求項5の発明は、過去の疾病症状時系列データと、過去の環境に関する時系列データと、将来の環境予測データとからなるベクトルを構成し、複数の前記ベクトルを実際の疾病症状に応じて分類し、カテゴリ付けしたものをデータベースとし、予測する疾病症状の特性がそれぞれ異なり、かつ、指標付けされた前記データベースを複数用意し、ユーザの疾病症データおよび環境データからなるベクトルを、前記複数のデータベースにて分類し、指標付けされた複数のデータベースの中で正しい疾病症状予測を行ったデータベースを選択し、そのデータベースに付けられた指標にユーザの症状特性を分類することを特徴とする疾病対策支援方法である。
請求項6の発明は、請求項1〜5のいずれか1項に記載の疾病対策支援方法において、疾病症状と環境状態をセンサによって自動的に記録することを特徴とする。
請求項7の発明は、請求項1〜6のいずれか1項に記載の疾病対策支援方法において、疾病症状レベルをユーザが設定可能であることを特徴とする。
請求項8の発明は、請求項1〜7のいずれか1項に記載の疾病対策支援方法において、対象とする疾病は花粉症であることを特徴とする。
請求項9の発明は、請求項1から7のいずれかの疾病対策支援方法を用いた疾病対策支援システムであって、コンピュータプログラムとして、請求項1から7のいずれかの疾病対策支援方法を有し、かつ、個人に関する疾病症状時系列データと環境に関する時系列データとを有し、症状に応じた対策情報を提供するサーバと、通信ネットワークを介して前記サーバから症状に応じた対策情報を受信する端末とを備えることを特徴とする疾病対策支援システムである。
請求項10の発明は、請求項1から7のいずれかの疾病対策支援方法を用いた疾病対策支援システムであって、環境に関する時系列データを有するサーバと、個人に関する疾病症状時系列データを有し、通信ネットワークを介して前記サーバから環境に関する時系列データを受信し、かつ、コンピュータプログラムとして請求項1から7のいずれかの疾病対策支援方法を有し、症状に応じた対策情報を提供する端末とを備えることを特徴とする疾病対策支援システムである。
請求項11の発明は、請求項9または10に記載の疾病対策支援システムにおいて、対象とする疾病は花粉症であることを特徴とする。
本発明によれば、本発明を利用する患者、例えば花粉症患者に信頼性が高く確実な疾病対策支援方法および疾病対策支援システムの提供を可能とする。これにより、利用するユーザは将来の症状の程度を予測することができ、服薬の種類や量、あるいは、旅行目的地に応じた症状対策をすることができる。具体的には、センサによって計測した過去の花粉飛散量といった、環境に関する時系列データおよび症状の時系列データと、将来の環境に関する時系列データとから、将来の症状の予測式を算出し、あるいは、データを分類することにより、症状を予測することを特徴とする。
また、本発明の疾病対策支援方法および疾病対策支援システムは、予測症状と実際の症状との誤差を用いて、症状の予測式の各係数を更新することを特徴とする。実際の症状は、センサで測定したもの、あるいは、自分が感じた症状の程度を手入力にてシステムに入力したものである。症状レベルには個人差があるため、ユーザが設定可能である。これにより、花粉などに対する感受性の経時変化にシステムを追従させ、常にユーザの特性に合った症状の予測性能を高めることができる。
また、本発明の疾病対策支援方法および疾病対策支援システムは、ユーザの症状をよく表す予測式あるいはデータベースを選択し、ユーザの症状特性を分類する。これにより、ユーザの症状特性をいくつかのパターンに分類し、典型的な症状対策情報を提供することができる。
また、本発明の疾病対策支援方法および疾病対策支援システムは、通信ネットワークによって接続されたサーバと端末とから構成され、コンピュータプログラムとして疾病対策支援方法を有し、かつ、個人に関する疾病症状時系列データと環境に関する時系列データとを有し、症状に応じた対策情報を提供する。これにより、ユーザは、携帯電話などにより容易に疾病対策支援サービスを利用できたり、あるいは端末内に疾病症状データを留めておくことにより、プライバシーを確保した疾病対策支援サービスを利用できるようになる。
本発明は、将来の症状を、過去の環境に関する時系列データおよび症状の時系列データと、将来の環境に関する予測データとの関数とみなし、データが得られるごとに、関数に含まれる各係数を推定し、将来の症状の予測式を算出し、最新のデータを予測式に入力し、その値により、症状の予測を可能とする。
また、本発明は、予測した症状と実際の症状との誤差により、症状の予測式を更新することができる。
また、本発明は、過去の症状時系列データと、過去の環境に関する時系列データと、将来の環境に関する予測データとからなるベクトルを構成し、ベクトルが得られるごとに分類し実際の疾病症状に応じてカテゴリ付けしたものをデータベースとし、データベースと比較することにより最新のベクトルを分類し、得られたカテゴリに対応する疾病症状により疾病症状を予測し、症状に応じた対策情報を提供するデータが得られるごとにベクトルを分類することにより、症状の予測を可能とする。
また、本発明は、ユーザの症状をよく表す予測式あるいはデータベースを選択し、ユーザの症状特性を分類する。また、本発明は、疾病症状をセンサによって自動的に記録することにより、症状の予測式を自動的に更新することを可能とする。また、本発明は、疾病症状レベルをユーザが設定することにより、ユーザの特性に合わせた症状予測を可能とする。
さらに、本発明は、コンピュータプログラムとして疾病対策支援方法を有し、かつ個人に関する疾病症状時系列データと環境に関する時系列データを有し、症状に応じた対策情報を提供するサーバと、通信ネットワークを介してサーバから症状に応じた対策情報を受信する端末とを備えることにより、ユーザの症状に応じた高精度なアドバイスを提供することが可能となり、また、ユーザの特性に応じて自動的に予測式を更新することが可能となる。
また、本発明は、環境に関する時系列データを有するサーバと、個人に関する疾病症状時系列データを有し、通信ネットワークを介してサーバから環境に関する時系列データを受信し、かつコンピュータプログラムとして疾病対策支援方法を有し、症状に応じた対策情報を提供する端末からなることにより、疾病歴などユーザのプライバシーを保護した高精度なアドバイスを提供することが可能となる。
本発明の疾病対策支援方法および疾病対策支援システムについて実施例を挙げ、図に基づいて説明する。図1は本疾病対策支援方法のフローチャートの例である。以下の説明では、各符号を次のとおりとする。
a[t]を、時刻tにおける症状の程度を数値化した症状データ、
b[t]を、時刻tにおける大気浮遊物濃度など数値化した環境データ、
a〜[t+1]を、時刻t+1における症状予測データ、
b〜[t+1]を、時刻t+1における環境予測データ、
Cを、実数からなる係数ベクトル、
とする。症状データa[t]については個人差があるため、ユーザが自分に最も適合するレベルパターンを選択できる。
a[t]を、時刻tにおける症状の程度を数値化した症状データ、
b[t]を、時刻tにおける大気浮遊物濃度など数値化した環境データ、
a〜[t+1]を、時刻t+1における症状予測データ、
b〜[t+1]を、時刻t+1における環境予測データ、
Cを、実数からなる係数ベクトル、
とする。症状データa[t]については個人差があるため、ユーザが自分に最も適合するレベルパターンを選択できる。
疾病対策支援方法は、前記の各データとベクトルとから、次のような処理を行う。つまり、症状データa[t]に関しては、時刻t-n+1まで遡ったn個のデータ、環境データb[t]に関しては、時刻t-m+1まで遡ったm個のデータ、および、時刻t+1における環境予測データb〜[t+1]1個からなるベクトルをXと表す(ステップS11)。
X=(a[t],a[t-1],…,a[t-n+1],b〜[t+1],b[t],b[t-1],…,b[t-m+1])T …式1
ここで、Tは転置を表す。症状の予測式を線形関数で構成する場合、
C=(c1,c2,…,cn+m+1)T …式2
を用いて、
a〜[t+1]=XTC …式3
と表すことができる。
X=(a[t],a[t-1],…,a[t-n+1],b〜[t+1],b[t],b[t-1],…,b[t-m+1])T …式1
ここで、Tは転置を表す。症状の予測式を線形関数で構成する場合、
C=(c1,c2,…,cn+m+1)T …式2
を用いて、
a〜[t+1]=XTC …式3
と表すことができる。
式3において、係数ベクトルCは次のように求める。ある期間のデータから行列Aとベクトルyとを、
A1=(a[t-1],a[t-2],…,a[t-n],b[t],b[t-1],…,b[t-m])T
A2=(a[t-2],a[t-3],…,a[t-n-1],b[t-1],b[t-2],…,b[t-m-1])T
・
・
Ak=(a[t-k],a[t-k-1],…,a[t-k-n+1],b[t-k+1],b[t-k],…,b[t-k-m+1])T
A=(A1,A2,…,Ak)T …式4
y=(a[t],a[t-1],…,a[t-k+1])T …式5
と定める(ステップS12、ステップS13)。これらのトレーニングデータAとyとを用いて、係数ベクトルCは、
C=(ATA)-1ATy …式6
のように計算することができる(ステップS14)。ここで、−1は逆行列を表す。
A1=(a[t-1],a[t-2],…,a[t-n],b[t],b[t-1],…,b[t-m])T
A2=(a[t-2],a[t-3],…,a[t-n-1],b[t-1],b[t-2],…,b[t-m-1])T
・
・
Ak=(a[t-k],a[t-k-1],…,a[t-k-n+1],b[t-k+1],b[t-k],…,b[t-k-m+1])T
A=(A1,A2,…,Ak)T …式4
y=(a[t],a[t-1],…,a[t-k+1])T …式5
と定める(ステップS12、ステップS13)。これらのトレーニングデータAとyとを用いて、係数ベクトルCは、
C=(ATA)-1ATy …式6
のように計算することができる(ステップS14)。ここで、−1は逆行列を表す。
新たに環境データおよび症状データが得られ、ベクトルXを構成すると(ステップS15)、得られた係数ベクトルCより式3を求め、症状を予測する(ステップS16)。次の時刻に、再びステップS11から繰り返す。
ところで、症状の予測式を非線形関数で構成する場合、時刻t+1における症状予測データを、
a〜[t+1]=f(X,W), W=(w1,w2,…,wj)T …式7
と定める。ここで、f(X,W)は、XとWの非線形関数、Wは係数ベクトルである。この係数ベクトルWを、ある期間のトレーニングデータXと、時刻tにおける症状の程度を数値化した症状データa[t]と、時刻t+1における症状予測データa〜[t]とを用いて更新する。
a〜[t+1]=f(X,W), W=(w1,w2,…,wj)T …式7
と定める。ここで、f(X,W)は、XとWの非線形関数、Wは係数ベクトルである。この係数ベクトルWを、ある期間のトレーニングデータXと、時刻tにおける症状の程度を数値化した症状データa[t]と、時刻t+1における症状予測データa〜[t]とを用いて更新する。
図2は、本疾病対策支援方法のフローチャートの例である。まず、環境データb[t]と症状データa[t]とよりベクトルXを構成する(ステップS21)。予測式による病状予測データa〜[t]と実際の病状データa[t]との差の自乗値をある期間総和した、
E=1/2Σ(a〜[t]-a[t])2 …式8
を用いて、係数ベクトルWを以下のように更新する(ステップS22、S23、S24)。
dE/dW=Σ(a〜[t]-a[t]), ∂f(X,W)/∂W, ΔW=-αdE/dW …式9
ここで、αは正の実数、ΔWはWの更新量である。
E=1/2Σ(a〜[t]-a[t])2 …式8
を用いて、係数ベクトルWを以下のように更新する(ステップS22、S23、S24)。
dE/dW=Σ(a〜[t]-a[t]), ∂f(X,W)/∂W, ΔW=-αdE/dW …式9
ここで、αは正の実数、ΔWはWの更新量である。
このように、予測値と実際の値との誤差(a〜[t]-a[t])を用いて、係数ベクトルW、すなわち関数fを更新できるので、関数fを毎時刻更新することにより、常に個人の特性に合わせた最新の予測式に更新できる。予測式の値が実際の値に等しい場合は誤差が0となり、予測式の更新は行われない。関数fとしては、ニューラルネット(例えば参考文献1)などが考えられ、その場合、係数ベクトルWはニューラルネットの結合荷重値および閾値である。新たに環境データおよび症状データが得られ、ベクトルXを構成すると(ステップS25)、得られた係数ベクトルWより式7を求め、症状を予測する(ステップS26)。次の時刻に再びステップS21から繰り返す。
参考文献1:パターン識別 R. O. Duda, P. E. Hart, and D. G. Stork John Wiley & Sons 2001
参考文献1:パターン識別 R. O. Duda, P. E. Hart, and D. G. Stork John Wiley & Sons 2001
さらに、ベクトルXの値そのものを分類することにより、症状を予測することも可能である。この場合、分類するカテゴリは、t+1での症状a[t+1]とする。図3は、本疾病対策支援方法のフローチャートの例である。まず、環境データb[t]と症状データa[t]とより、ベクトルXを構成する(ステップS31)。ベクトルXにカテゴリを対応付け、ある期間のデータを収集して、トレーニングデータとする(ステップS32、ステップS33)。
新たに環境データおよび症状データが得られ、ベクトルXを構成すると(ステップS34)、それをカテゴリが未知の新たなXとして属するカテゴリを識別し(ステップS35)、症状を予測する(ステップS36)。トレーニングデータは、ベクトルXを分類するためのデータベースとも言える。ステップS35での識別方法としては、判別分析法、サポートベクトルマシン法(例えば前記の参考文献1)などを適用することができる。次の時刻に、再びステップS31から繰り返す。
前記のいずれにおいても、初めてトレーニングを行う場合、ある期間は、トレーニングデータを取得するだけで、予測を行うことができない。しかし、この間は例えば、過去のデータより自分に最も適合する予測式あるいはトレーニングデータのテンプレートを選択し、予測式やトレーニングデータが得られるまで、一時的に利用することなどが考えられる。
ユーザの疾病特性を典型的ないくつかのタイプに分類することにより、疾病対策を行うことも有益である。たとえば、花粉症の場合、花粉の飛散シーズンになると、すぐに症状が悪化する人もいるし、徐々に症状が悪化する人もいる。前もって自分がどのようなタイプか分かっていれば、花粉飛散シーズン前に薬を利用するなどの対策を講じることも可能となる。このように分類する方法としては、症状の予測式を利用するものと、Xの値を分類するデータベースを利用するものとがある。
予測式を利用する場合について、図4の本疾病対策支援方法のフローチャートの例を用いて説明する。症状の予測式を利用する場合、症状のタイプにより複数の予測式を用意し、それぞれA、B、Cなどの指標を付けておく。たとえば、花粉症の場合、
指標Aは、花粉飛散シーズンになるとすぐに症状が現れるが、症状は弱いタイプ、
指標Bは、花粉飛散シーズンになってもすぐに症状は現れないが、少しすると症状が悪化するタイプ、
指標Cは、初めからひどい症状のタイプ、
などである。予測式は、線形でも非線形でも構わないが、典型的な症状の何人かのユーザのデータより作成したものが好ましい。
指標Aは、花粉飛散シーズンになるとすぐに症状が現れるが、症状は弱いタイプ、
指標Bは、花粉飛散シーズンになってもすぐに症状は現れないが、少しすると症状が悪化するタイプ、
指標Cは、初めからひどい症状のタイプ、
などである。予測式は、線形でも非線形でも構わないが、典型的な症状の何人かのユーザのデータより作成したものが好ましい。
以下、ユーザの症状特性の分類方法について述べる。まず、環境データb[t]と症状データa[t]とより、ベクトルXを構成する(ステップS41)。ベクトルXを指標付けした複数の予測式に入力し(ステップS42)、実際の症状に一番近い値を出力した予測式を選択する(ステップS43)。選択された予測式の指標にユーザを分類する(ステップS44)。
データベースを利用する場合について、図5の本疾病対策支援方法のフローチャートの例を用いて説明する。ベクトルXの値を分類するデータベースを利用する場合は、症状のタイプにより複数のデータベースを用意し、それぞれA、B、Cなどの指標を付けておく。データベースは、典型的な症状の何人かのユーザのデータより作成したものが好ましい。
以下、ユーザの症状特性の分類方法について述べる。まず、環境データb[t]と症状データa[t]とよりベクトルXを構成する(ステップS51)。ベクトルXを指標付けした複数のデータベースで分類し(ステップS52)、分類されたカテゴリが実際の症状と適合したデータベースを選択する(ステップS53)。選択されたデータベースの指標にユーザを分類する(ステップ54)。
前記のいずれの分類法において、使用するデータは1日だけのデータに限らず、まとまったある期間のデータがあれば、トータルで最も良く適合した予測式やデータベースを選択する。これによって、ユーザの症状特性タイプをより正確に推定することが可能となる。
また、前記いずれにおいても、実際の症状の値は、ユーザが感じた症状の程度を手入力にてシステムに投入したり、あるいは症状を計測できるセンサ、たとえば、花粉症であればくしゃみの回数を計測できるマイク、加速度センサ、振動センサなどをシステムに接続し、自動的に入力できる。症状については個人差があるため、ユーザは自分に適合した症状レベルパターンを選択できるようにする。環境データについては、ユーザの所在位置の近くに設置された環境センサや、ユーザが携帯できる環境センサから得られるものである。
前記の疾病対策支援方法を用いた疾病対策支援システムについて説明する。この疾病対策支援システムの例を図6に示す。図6の疾病対策支援システムは、サーバ1と、通信回線10を介してサーバ1に接続可能な端末2と、端末2に接続されているセンサ3とで構成されている。
この疾病対策支援システムでは、端末2は個人が所持する。センサ3は、症状や環境を計測する。センサ3として、たとえば、くしゃみの回数を測定するマイクロホンや加速度センサや振動センサ、あるいは、花粉飛散量を計測するセンサがある。センサ3による計測結果である個人の症状データや環境データは、端末2により、通信回線10を経由してサーバ1に送信される。
センサ3を用いずに、手入力にてユーザが症状の程度を入力することも、もちろん可能であるし、環境センサについても、端末に接続せずに、ユーザの所在位置の近くに設置されたサーバ1にデータ送信可能なものを利用することもできる。
サーバ1は、過去の環境データと環境予測データとからなる環境データ1Bと、個人の症状データ1Cとを保持し、疾病対策支援プログラム1Aによって症状の予測を行う。サーバ1は、その予測に基づいた症状対策情報を、通信回線10によって個人の所持する端末2に送信する。端末2は、データ通信と表示とのできる簡易なもの、たとえば、携帯電話のようなものでよい。
疾病対策支援システムのもう一つの例を図7に示す。図7の疾病対策支援システムは、サーバ21と、通信回線30を介してサーバ21に接続可能な端末22と、端末22に接続されているセンサ23とで構成されている。サーバ21は、過去の環境データおよび環境予測データからなる環境データ21Aのみ保持し、通信回線30によって、環境予測データを個人の端末22に送信する。
個人の所持する端末22には、症状を測定するセンサ23、たとえば、花粉症によるくしゃみの回数を測定するマイクロホンや加速度センサや振動センサが接続されている。センサ23を用いずに、手入力にてユーザが症状の程度を入力することも、もちろん可能である。端末22は、疾病対策支援プログラム22Aを内蔵し、受信した環境データ21Aと、個人の症状データ22Bとから症状の予測を行い、それに基づいた症状対策情報を個人に提供する。個人の症状データは、個人の所持する端末22以外からは流出しないので、個人のプライバシーは保護される。端末22は、データ通信と表示との他に、メモリと計算機能とを有する簡易なもの、例えばPDA(Personal Digital Assistance:携帯情報端末)のようなものがある。
以下では、本実施形態による計算例について説明する。
(計算例1)
今、花粉の飛散量を、
0:少
1:中
2:多
とし、症状を、
0:軽
1:中
2:重
とする。花粉の飛散量に関して、次のような時系列データが得られた。
0,0,1,0,0,1,1,1,2,1,2,2,1,2,1,1,1,0,1,0,1,1,2,2,2,1,1,1,0,1 …式10
ここで、データは1日ごと全30日のデータで、式10の左側ほど新しいデータである。
(計算例1)
今、花粉の飛散量を、
0:少
1:中
2:多
とし、症状を、
0:軽
1:中
2:重
とする。花粉の飛散量に関して、次のような時系列データが得られた。
0,0,1,0,0,1,1,1,2,1,2,2,1,2,1,1,1,0,1,0,1,1,2,2,2,1,1,1,0,1 …式10
ここで、データは1日ごと全30日のデータで、式10の左側ほど新しいデータである。
式10のデータに対応する症状に関して、次のような時系列データが得られた。
0,0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,1,1,1,1,2,2,1,1,0,0,0,0,0,0 …式11
0,0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,1,1,1,1,2,2,1,1,0,0,0,0,0,0 …式11
もちろん、飛散量や症状のレベルのパターンは一例に過ぎず、レベル数を変えてもよいし、飛散量と症状とのレベル数を同じにする必要もない。特に、症状のレベルについては個人差があるため、個人の症状に最も適合したレベルのパターンを選択できる。ここでは軽、中、重の3レベルであるが、これを軽、中、やや重、重、最悪といったような5レベルにすることも考えられる。このデータを用いて、症状の予測モデルを構築する。なお、飛散量は正しく予測できるものとする。式1において、例えば、n=3、m=2、すなわち
X=(a[t],a[t-1],a[t-2],b〜[t+1],b[t],b[t-1])T …式12
とし、式4において、例えばk=10、すなわち10日間のデータを用いて、
C=(c1,c2,…,c6)T …式13
を推定した。
X=(a[t],a[t-1],a[t-2],b〜[t+1],b[t],b[t-1])T …式12
とし、式4において、例えばk=10、すなわち10日間のデータを用いて、
C=(c1,c2,…,c6)T …式13
を推定した。
まず、左から18番目以降のデータを用いて、係数ベクトルCを推定した。その結果、
C=(-0.037, -0.023, 0.370, -0.454, 0.385, 0.725)T …式14
となった。この場合、18番目以降10日間の症状(式11)に関しては、
1,1,1,2,2,1,1,0,0,0 …式15
のところを、
1,1,1,2,2,1,1,0,1,0 …式16
と推定している。ここで、予測値は、式3の値を小数点以下四捨五入して、整数化している。得られた係数ベクトルCを用いて、翌日の症状(17番目のデータ)を予測すると
1 …式17
となり、実際の症状を予測できたことになる。翌日、kを1つ増やし、すなわちk=11として、同様に係数ベクトルCを更新し、症状を予測する。k=10のまま新しいデータを追加し、一番古いデータを棄却して、計算することもできる。これを毎日繰り返す。
C=(-0.037, -0.023, 0.370, -0.454, 0.385, 0.725)T …式14
となった。この場合、18番目以降10日間の症状(式11)に関しては、
1,1,1,2,2,1,1,0,0,0 …式15
のところを、
1,1,1,2,2,1,1,0,1,0 …式16
と推定している。ここで、予測値は、式3の値を小数点以下四捨五入して、整数化している。得られた係数ベクトルCを用いて、翌日の症状(17番目のデータ)を予測すると
1 …式17
となり、実際の症状を予測できたことになる。翌日、kを1つ増やし、すなわちk=11として、同様に係数ベクトルCを更新し、症状を予測する。k=10のまま新しいデータを追加し、一番古いデータを棄却して、計算することもできる。これを毎日繰り返す。
このようにして得られた1番目から17番目までの症状の予測は、
0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,0,1 …式18
となり、実際の症状
0,0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,1 …式19
と比較すると、ほぼ症状を予測できることが分かる。
0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,0,1 …式18
となり、実際の症状
0,0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,1 …式19
と比較すると、ほぼ症状を予測できることが分かる。
(計算例2)
同様に、ニューラルネットにて症状の予測モデルを構築した。ニューラルネットは3層とし、入力層はXの次元数6に対応した6素子で、その関数は、
y(x)=x
中間層は3素子で、その関数は、
y(x)=1/(1+e-(x-z))
ここで、zは閾値である。出力層は1素子で、その関数は、
y(x)=x
である。出力層の出力が症状の予測値となる。
同様に、ニューラルネットにて症状の予測モデルを構築した。ニューラルネットは3層とし、入力層はXの次元数6に対応した6素子で、その関数は、
y(x)=x
中間層は3素子で、その関数は、
y(x)=1/(1+e-(x-z))
ここで、zは閾値である。出力層は1素子で、その関数は、
y(x)=x
である。出力層の出力が症状の予測値となる。
まず、18番目以降10日間の症状に関して50000回学習を行い、式7、式9の係数ベクトルWに対応する結合荷重値および閾値を決定した。入力層のi番目の素子と中間層のj番目の素子との間の結合加重をw1 ijとし、中間層のi晩目の素子と出力層のj番目の素子との間の結合加重をw2 ijとし、中間層のi番目の素子の閾値をziとし、
W=(w1 11,w1 12,w1 13,w1 21,w1 22,w1 23,…,w1 63,w2 11,w2 21,w2 31,z1,z2,z3) …式20
とすると、得られた係数ベクトルWは、
W=(3.848, -0.817, -0.581, 7.343, 1.192, 6.138, -4.437, -0.161, -0.810, 2.167, -0.468, -6.107, 1.984, 0.306, 5.383, -6.569, -0.8126, 1.351, 1.120, -3.027, 1.277, 0.0020, 0.00029, 0.00041) …式21
となった。この期間のデータに関しては、実際の症状が、
1,1、1,2,2,1,1,0,0,0 …式22
であるところを、
1,1,1,2,2,1,1,0,0,0 …式23
とし、全て正しく学習している。このモデルで翌日の予測を行うと、
1 …式24
となり、実際の症状を予測できたことになる。
W=(w1 11,w1 12,w1 13,w1 21,w1 22,w1 23,…,w1 63,w2 11,w2 21,w2 31,z1,z2,z3) …式20
とすると、得られた係数ベクトルWは、
W=(3.848, -0.817, -0.581, 7.343, 1.192, 6.138, -4.437, -0.161, -0.810, 2.167, -0.468, -6.107, 1.984, 0.306, 5.383, -6.569, -0.8126, 1.351, 1.120, -3.027, 1.277, 0.0020, 0.00029, 0.00041) …式21
となった。この期間のデータに関しては、実際の症状が、
1,1、1,2,2,1,1,0,0,0 …式22
であるところを、
1,1,1,2,2,1,1,0,0,0 …式23
とし、全て正しく学習している。このモデルで翌日の予測を行うと、
1 …式24
となり、実際の症状を予測できたことになる。
新たなデータを学習データに追加して、25000回学習した。毎日このような学習を繰り返す。このようにして得られた1番目から17番目までの症状の予測は、
0,0,0,1,2,1,1,1,2,2,1,1,1,0,1,1,1 …式25
となり、実際の症状である
0,0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,1 …式26
と比較すると、ほぼ症状を予測できることが分かる。
0,0,0,1,2,1,1,1,2,2,1,1,1,0,1,1,1 …式25
となり、実際の症状である
0,0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,1 …式26
と比較すると、ほぼ症状を予測できることが分かる。
(計算例3)
次に、ベクトルXを分類することにより、症状を予測する。判別分析法にてベクトルXの値を分類した。まず、18番目以降10日間のデータを用いて、17番目のデータのカテゴリを識別し、症状を予測する。翌日、17番目以降11日間のデータを用いて、16番目のデータのカテゴリを識別し、同様に症状を予測する。このようにして得られた1番目から17番目までの症状の予測は、
0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,1,0 …式27
となる。実際の症状である、
0,0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,1 …式28
と比較すると、ほぼ症状を予測できることが分かる。
次に、ベクトルXを分類することにより、症状を予測する。判別分析法にてベクトルXの値を分類した。まず、18番目以降10日間のデータを用いて、17番目のデータのカテゴリを識別し、症状を予測する。翌日、17番目以降11日間のデータを用いて、16番目のデータのカテゴリを識別し、同様に症状を予測する。このようにして得られた1番目から17番目までの症状の予測は、
0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,1,0 …式27
となる。実際の症状である、
0,0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,1 …式28
と比較すると、ほぼ症状を予測できることが分かる。
(計算例4)
同様に、サポートベクトルマシン法にてベクトルXの値を分類した。判別分析法と同様、得られた1番目から17番目までの症状の予測は、
0,1,1,1,1,1,1,1,2,2,1,1,1,1,1,1,0 …式29
となり、実際の症状である、
0,0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,1 …式30
と比較すると、ほぼ症状を予測できることが分かる。
同様に、サポートベクトルマシン法にてベクトルXの値を分類した。判別分析法と同様、得られた1番目から17番目までの症状の予測は、
0,1,1,1,1,1,1,1,2,2,1,1,1,1,1,1,0 …式29
となり、実際の症状である、
0,0,0,1,1,1,1,1,2,2,2,1,1,1,1,1,1 …式30
と比較すると、ほぼ症状を予測できることが分かる。
このようにして予測した症状に基づいて、行動アドバイスを生成する。たとえば、症状1と予測したならば、効力が弱めの薬Aを、症状2と予測したならば、強力な薬Bを飲むようなアドバイスを生成する。あるいは、症状1と予測したならば、花粉の予測飛散量が多いC地域には行かないほうがよい、症状2と予測したならば、花粉の予測飛散量が少ないD地域ならば行っても大丈夫だ、などのアドバイスを生成する。
服薬やマスクなどによって症状が緩和する効果については、新たなパラメタとして、予測式や分類するベクトルに含ませたり、服薬したりマスクをした日の見かけの花粉飛散量を低減させるといった方法により、予測精度を高めることが可能である。たとえば、
1:服薬した、
0:服薬なし
といった、d[t]というパラメタを新たに作成したり、服薬した日は、
b[t]->b[t]-1
とするといったルールを構築することが考えられる。
1:服薬した、
0:服薬なし
といった、d[t]というパラメタを新たに作成したり、服薬した日は、
b[t]->b[t]-1
とするといったルールを構築することが考えられる。
ベクトルXを構成する症状時系列データの数nと、環境時系列データの数mとは、症状予測に影響を及ぼす症状と環境の履歴の度合いと考えることができる。たとえば、花粉症の場合、現時点までの花粉飛散量の総量が花粉症の程度に影響を及ぼすと考えられ、そのような場合は、環境時系列データの数mの値を大きくしたり、あるいは新たなパラメタとして、現時点までの花粉飛散量の総量をモデルに付加したりすることが考えられる。
(計算例5)
環境データと症状データとが式10、式11で与えられるユーザの症状特性タイプを、予測式あるいはデータベースを利用することにより分類する。A、B、Cという指標を付けた3つの予測式あるいはデータベースを用意する。これらの予測式あるいはデータベースは、典型的な症状パターンを示す複数のユーザのデータを基に、既に述べた方法により作成される。これら3つの予測式あるいはデータベースに、式10、式11を入力して予測された症状が、
A:0,0,0,1,1,1,1,1,2,1,2,1,1,1,1,0,1,1,1,1,2,2,1,1,0,0,0,0,0,0
(2箇所誤り) …式31
B:0,0,0,1,1,1,1,1,2,2,1,1,1,0,1,1,0,1,1,1,2,2,1,1,0,1,0,0,0,0
(4箇所誤り) …式32
C:0,1,0,1,1,1,2,2,2,2,2,1,1,1,1,1,1,1,2,2,2,2,1,0,0,0,0,0,0,0
(6箇所誤り) …式33
となったとする。この場合は、ユーザの症状特性タイプを、誤り箇所の最も少ない指標Aとすることができる。このように、ユーザの症状特性タイプが分かると、どのような治療薬を利用するかという判断の支援が可能となったり、長期的な症状の予測が可能となったり、あるいは、同じタイプのユーザの症状対策を参考にし自分も試してみる、などの利点が生じる。
環境データと症状データとが式10、式11で与えられるユーザの症状特性タイプを、予測式あるいはデータベースを利用することにより分類する。A、B、Cという指標を付けた3つの予測式あるいはデータベースを用意する。これらの予測式あるいはデータベースは、典型的な症状パターンを示す複数のユーザのデータを基に、既に述べた方法により作成される。これら3つの予測式あるいはデータベースに、式10、式11を入力して予測された症状が、
A:0,0,0,1,1,1,1,1,2,1,2,1,1,1,1,0,1,1,1,1,2,2,1,1,0,0,0,0,0,0
(2箇所誤り) …式31
B:0,0,0,1,1,1,1,1,2,2,1,1,1,0,1,1,0,1,1,1,2,2,1,1,0,1,0,0,0,0
(4箇所誤り) …式32
C:0,1,0,1,1,1,2,2,2,2,2,1,1,1,1,1,1,1,2,2,2,2,1,0,0,0,0,0,0,0
(6箇所誤り) …式33
となったとする。この場合は、ユーザの症状特性タイプを、誤り箇所の最も少ない指標Aとすることができる。このように、ユーザの症状特性タイプが分かると、どのような治療薬を利用するかという判断の支援が可能となったり、長期的な症状の予測が可能となったり、あるいは、同じタイプのユーザの症状対策を参考にし自分も試してみる、などの利点が生じる。
1、21 サーバ
1A、22A 疾病対策支援プログラム
1B、21A 環境データ
1C、22B 症状データ
2、22 端末
3、23 センサ
10、30 通信回線
1A、22A 疾病対策支援プログラム
1B、21A 環境データ
1C、22B 症状データ
2、22 端末
3、23 センサ
10、30 通信回線
Claims (11)
- 将来の疾病症状を、過去の疾病症状時系列データと、過去の環境に関する時系列データと、将来の環境予測データとの関数とみなし、
前記データが得られるごとに、前記関数に含まれる係数を推定し、疾病症状の予測式を算出し、
最新の前記データを前記疾病症状の予測式に入力し、
前記疾病症状の予測式の値により将来の疾病症状を予測し、症状に応じた対策情報を提供する、
ことを特徴とする疾病対策支援方法。 - 予測した疾病症状と実際の疾病症状との誤差を用いて、前記疾病症状の予測式の各係数を更新することを特徴とする請求項1に記載の疾病対策支援方法。
- 過去の疾病症状時系列データと、過去の環境に関する時系列データと、将来の環境予測データとからなるベクトルを構成し、
前記ベクトルが得られるごとに、実際の疾病症状に応じて分類しカテゴリ付けしたものをデータベースとし、
最新の前記ベクトルを前記データベースと比較することにより、この最新のベクトルを分類し、
得られたカテゴリに対応する疾病症状により、疾病症状を予測し、症状に応じた対策情報を提供する、
ことを特徴とする疾病対策支援方法。 - 将来の疾病症状を、過去の疾病症状時系列データと、過去の環境に関する時系列データと、将来の環境予測データとの関数とみなし、
予測する疾病症状の特性がそれぞれ異なり、かつ、指標付けされた前記関数を複数用意し、
ユーザの疾病症状データおよび環境データを前記複数の関数に入力し、
実際の疾病症状に最も適合する値を出力する関数を選択し、
その関数に付けられた指標にユーザの症状特性を分類する、
ことを特徴とする疾病対策支援方法。 - 過去の疾病症状時系列データと、過去の環境に関する時系列データと、将来の環境予測データとからなるベクトルを構成し、
複数の前記ベクトルを実際の疾病症状に応じて分類し、カテゴリ付けしたものをデータベースとし、
予測する疾病症状の特性がそれぞれ異なり、かつ、指標付けされた前記データベースを複数用意し、
ユーザの疾病症データおよび環境データからなるベクトルを、前記複数のデータベースにて分類し、
指標付けされた複数のデータベースの中で正しい疾病症状予測を行ったデータベースを選択し、そのデータベースに付けられた指標にユーザの症状特性を分類する、
ことを特徴とする疾病対策支援方法。 - 疾病症状と環境状態をセンサによって自動的に記録することを特徴とする請求項1〜5のいずれか1項に記載の疾病対策支援方法。
- 疾病症状レベルをユーザが設定可能であることを特徴とする請求項1〜6のいずれか1項に記載の疾病対策支援方法。
- 対象とする疾病は花粉症であることを特徴とする請求項1〜7のいずれか1項に記載の疾病対策支援方法。
- 請求項1から7のいずれかの疾病対策支援方法を用いた疾病対策支援システムであって、
コンピュータプログラム(1A)として、請求項1から7のいずれかの疾病対策支援方法を有し、かつ、個人に関する疾病症状時系列データ(1C)と環境に関する時系列データ(1B)とを有し、症状に応じた対策情報を提供するサーバ(1)と、
通信ネットワークを介して前記サーバ(1)から症状に応じた対策情報を受信する端末(2)と、
を備えることを特徴とする疾病対策支援システム。 - 請求項1から7のいずれかの疾病対策支援方法を用いた疾病対策支援システムであって、
環境に関する時系列データ(21A)を有するサーバ(21)と、
個人に関する疾病症状時系列データ(22B)を有し、通信ネットワーク(30)を介して前記サーバ(21)から環境に関する時系列データ(21A)を受信し、かつ、コンピュータプログラム(22A)として請求項1から7のいずれかの疾病対策支援方法を有し、症状に応じた対策情報を提供する端末(22)と、
を備えることを特徴とする疾病対策支援システム。 - 対象とする疾病は花粉症であることを特徴とする請求項9または10に記載の疾病対策支援システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003293705A JP2005063218A (ja) | 2003-08-15 | 2003-08-15 | 疾病対策支援方法および疾病対策支援システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003293705A JP2005063218A (ja) | 2003-08-15 | 2003-08-15 | 疾病対策支援方法および疾病対策支援システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2005063218A true JP2005063218A (ja) | 2005-03-10 |
Family
ID=34370528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2003293705A Pending JP2005063218A (ja) | 2003-08-15 | 2003-08-15 | 疾病対策支援方法および疾病対策支援システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2005063218A (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006318319A (ja) * | 2005-05-13 | 2006-11-24 | Sony Corp | 学習装置及び学習方法、並びにコンピュータ・プログラム |
JP2011033400A (ja) * | 2009-07-30 | 2011-02-17 | Weather Service Co Ltd | 環境情報提供装置、システム、方法およびプログラム |
JP2011054139A (ja) * | 2009-09-04 | 2011-03-17 | Weather Service Co Ltd | 環境情報提供装置、システム、方法およびプログラム |
JP2013238970A (ja) * | 2012-05-14 | 2013-11-28 | Secom Co Ltd | 健康管理システム |
WO2017187495A1 (ja) * | 2016-04-26 | 2017-11-02 | 株式会社オプティム | コンシェルジュシステム、方法及びプログラム |
JP6269885B1 (ja) * | 2017-05-24 | 2018-01-31 | 株式会社日本ナチュラルエイジングケア研究所 | 花粉症の処方探索システム及び方法、花粉症の処方探索プログラム |
WO2018216353A1 (ja) * | 2017-05-24 | 2018-11-29 | 株式会社日本ナチュラルエイジングケア研究所 | アレルギーの処方探索システム及び方法、アレルギーの処方探索プログラム |
KR102088296B1 (ko) * | 2019-07-25 | 2020-05-29 | 백정현 | 대기질 데이터에 기초한 질병 상관 관계 예측 방법 및 장치 |
JP2022179091A (ja) * | 2021-05-21 | 2022-12-02 | 株式会社N・フィールド | 看護情報処理システム |
KR102618067B1 (ko) * | 2023-06-20 | 2023-12-27 | 고려대학교 산학협력단 | 알레르기 질환의 증상 발생을 예측하는 방법 및 장치 |
-
2003
- 2003-08-15 JP JP2003293705A patent/JP2005063218A/ja active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006318319A (ja) * | 2005-05-13 | 2006-11-24 | Sony Corp | 学習装置及び学習方法、並びにコンピュータ・プログラム |
JP2011033400A (ja) * | 2009-07-30 | 2011-02-17 | Weather Service Co Ltd | 環境情報提供装置、システム、方法およびプログラム |
JP2011054139A (ja) * | 2009-09-04 | 2011-03-17 | Weather Service Co Ltd | 環境情報提供装置、システム、方法およびプログラム |
JP2013238970A (ja) * | 2012-05-14 | 2013-11-28 | Secom Co Ltd | 健康管理システム |
JPWO2017187495A1 (ja) * | 2016-04-26 | 2018-09-13 | 株式会社オプティム | コンシェルジュシステム、方法及びプログラム |
WO2017187495A1 (ja) * | 2016-04-26 | 2017-11-02 | 株式会社オプティム | コンシェルジュシステム、方法及びプログラム |
JP6269885B1 (ja) * | 2017-05-24 | 2018-01-31 | 株式会社日本ナチュラルエイジングケア研究所 | 花粉症の処方探索システム及び方法、花粉症の処方探索プログラム |
WO2018216353A1 (ja) * | 2017-05-24 | 2018-11-29 | 株式会社日本ナチュラルエイジングケア研究所 | アレルギーの処方探索システム及び方法、アレルギーの処方探索プログラム |
JP2018197972A (ja) * | 2017-05-24 | 2018-12-13 | 株式会社日本ナチュラルエイジングケア研究所 | 花粉症の処方探索システム及び方法、花粉症の処方探索プログラム |
KR102088296B1 (ko) * | 2019-07-25 | 2020-05-29 | 백정현 | 대기질 데이터에 기초한 질병 상관 관계 예측 방법 및 장치 |
JP2022179091A (ja) * | 2021-05-21 | 2022-12-02 | 株式会社N・フィールド | 看護情報処理システム |
JP7203896B2 (ja) | 2021-05-21 | 2023-01-13 | 株式会社N・フィールド | 看護情報処理システム |
KR102618067B1 (ko) * | 2023-06-20 | 2023-12-27 | 고려대학교 산학협력단 | 알레르기 질환의 증상 발생을 예측하는 방법 및 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Patel et al. | Can early warning scores identify deteriorating patients in pre-hospital settings? A systematic review | |
Mardani et al. | A novel extended approach under hesitant fuzzy sets to design a framework for assessing the key challenges of digital health interventions adoption during the COVID-19 outbreak | |
US10621491B2 (en) | Method for predicting adverse events for home healthcare of remotely monitored patients | |
US20210256615A1 (en) | Implementing Machine Learning For Life And Health Insurance Loss Mitigation And Claims Handling | |
US11900473B2 (en) | Method of personalizing, individualizing, and automating the management of healthcare fraud-waste-abuse to unique individual healthcare providers | |
Dowding et al. | Measuring the quality of judgement and decision‐making in nursing | |
Lekone et al. | Statistical inference in a stochastic epidemic SEIR model with control intervention: Ebola as a case study | |
Xu et al. | A Bayesian nonparametric approach for estimating individualized treatment-response curves | |
Xie et al. | Predicting days in hospital using health insurance claims | |
CN111640515A (zh) | 区域的疫情风险确定方法、装置、计算机设备和存储介质 | |
JP7025131B2 (ja) | コンピュータプログラム、端末、方法およびサーバ | |
Mandel et al. | Neural networks for clustered and longitudinal data using mixed effects models | |
Gilmour | Identification of hospital catchment areas using clustering: an example from the NHS | |
Dardanoni et al. | Incentive and selection effects of Medigap insurance on inpatient care | |
US20210174968A1 (en) | Visualization of Social Determinants of Health | |
US20180032674A1 (en) | Diagnostic system, diagnostic method, and storage medium | |
JP2005063218A (ja) | 疾病対策支援方法および疾病対策支援システム | |
Shine | Risk-adjusted mortality: problems and possibilities | |
Brekke et al. | Competition and physician behaviour: Does the competitive environment affect the propensity to issue sickness certificates? | |
Lin et al. | Prediction of appointment no-shows using electronic health records | |
US20210166819A1 (en) | Methods and systems of predicting ppe needs | |
Govorun et al. | Physiological age, health costs, and their interrelation | |
Jadav et al. | Barcode: A blockchain-based framework for remote covid detection for healthcare 5.0 | |
Peacock et al. | 59 Artificial Intelligence Occult Sepsis Detection in the Emergency Department: A Large, Multicenter Real-World Data Study | |
Steinhardt et al. | Targeting accuracy and impact of a community-identified waiver card scheme for primary care user fees in Afghanistan |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050720 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20071115 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071204 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20080408 |