JP2008186439A - 在宅健康管理システム - Google Patents
在宅健康管理システム Download PDFInfo
- Publication number
- JP2008186439A JP2008186439A JP2007050527A JP2007050527A JP2008186439A JP 2008186439 A JP2008186439 A JP 2008186439A JP 2007050527 A JP2007050527 A JP 2007050527A JP 2007050527 A JP2007050527 A JP 2007050527A JP 2008186439 A JP2008186439 A JP 2008186439A
- Authority
- JP
- Japan
- Prior art keywords
- fuzzy
- disease
- personal
- database
- management system
- 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
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】 ファジィ集合を用いて疾病の知識に関するあいまい概念を定量化し、距離型ファジィ推論法に基づいて、症状および所見から健康状態をチェック・助言し、更に、現在の健康状態、家族の遺伝的情報と生活習慣から将来の疾病リスクを予測できる在宅健康管理システムを提供する
【解決手段】 在宅健康管理システムは、疾病に関する症状および所見の程度を表現するあいまい概念をビジュアル的に入力できるヒューマンインタフェース2と、個人データベース3と、医学知識データベース6と,個人データ処理手段4と,ヒューマン推論エンジン5と、アドバイス情報処理手段8とを備える。個人の生体情報データベースの形成機能と、個人の生体情報のとき系列からあいまい概念を表すファジィメンバーシップ関数を生成する手段とを備える。
【選択図】図1
【解決手段】 在宅健康管理システムは、疾病に関する症状および所見の程度を表現するあいまい概念をビジュアル的に入力できるヒューマンインタフェース2と、個人データベース3と、医学知識データベース6と,個人データ処理手段4と,ヒューマン推論エンジン5と、アドバイス情報処理手段8とを備える。個人の生体情報データベースの形成機能と、個人の生体情報のとき系列からあいまい概念を表すファジィメンバーシップ関数を生成する手段とを備える。
【選択図】図1
Description
本発明は、在宅の利用者に対する健康状態をチェック・助言し、疾病予防を目的とする在宅健康管理システムに関するものである。
高齢者をはじめとして、人々が健康であるならば、高齢社会の未来は明るい。健康は、病気になった場合にどのような治療をするかというフィードバック的な観点が重要であるが同時に、常によりよい健康状態を保つために、普段の食生活習慣を改善するフィードフォワードの考え方も大切である。近年、生活環境の改善や生活習慣の変化に伴い、主要な疾病は高血圧症や糖尿病などの生活習慣病に移行している。生活習慣病とは、「食習慣、運動習慣、休養、喫煙、飲酒等の生活習慣が、その発症・進行に関与する疾患群」であると指摘されている。生活習慣病は長期に渡る生活習慣に大きく影響されるため、医療側のアプローチだけでは限界があり、日常生活のなかで一人ひとりが、自らの健康について主体的に取り込むことが重要になってくる。発症の要因となる生活習慣を見直していれば、生活習慣病になる確率を減らせることが検証されている。最近、個人の健診情報から生活習慣病の発症可能性を予測するシステム、ファジィ理論を用いた癌などの疾患診断システム、知的クラスタリングとルールベースを用いた消化器癌患者の予後診断の方法、などが開発されている。また、自己組織化マップを健康診断データに適用し、健康状態をわかりやすく表示させる健康評価法も提案された。これらの研究成果は、個人の健康増進行動の支援に重要な役割を果たしている。
自宅では、もし何時でも気軽に相談できる医師が身近に居れば、健康チェックや助言を得て、病気、特に生活習慣病の早期発見、早期治療ができ、手遅れにならず健康かつ長寿を全うして社会に貢献できる。
しかし、急速に進んでいる高齢・少子化社会では、常に身近に医師を置くことは不可能である。最近、疾病に関する解説書、生活習慣を簡単にチェックする方法が多く見られるが、これらは症状および所見と生活習慣の程度を表現する「軽い」や「ひどい」などのあいまい概念を細かく表現していない。もし健康チェック・健康助言を行う場合、あいまいな概念を正確に定量的に表現できれば、身体状態をより的確に把握でき、チェック精度を向上させることが可能となる。そのため、症状を説明する際の曖昧な概念を的確に表現でき、且つ誰でも容易に使用可能な健康助言システムが求められている。また、最も的確な結果を得るには、個人の身体的な特徴と現在の健康状態を考慮することが必要である。そうすれば生活習慣病を発症するリスクの予測が可能になる。現在健康と判断されている人が、将来生活習慣病になる可能性がゼロである保証にはならないので、予防や早期治療の観点から、リスクを予測し、警鐘を鳴らすことが大切である
本発明は、このような点に鑑みて創作されたものであり、ファジィ集合を用いて生活習慣病の知識に関するあいまい概念を定量化し、距離型ファジィ推論法に基づいて、症状および所見から健康状態をチェックし・助言し、更に、現在の健康状態、家族の遺伝的情報と生活習慣から将来の疾病リスクを予測できる在宅健康管理システムを提供することにある。
上述した課題を解決するために、本発明の在宅健康管理システムは、疾病に関する症状および所見の程度を表現するあいまい概念をビジュアル的に入力できるヒューマンインタフェースと、個人データベース、医学知識データベース、個人データ処理手段,ヒューマン推論エンジン、アドバイス情報処理手段を備えることを特徴としている。
また、ファジィ集合を用いて、疾病の知識に関するあいまい概念を定量化し、個人の生体情報データベースの形成機能を備え、個人の生体情報のとき系列からあいまい概念を表すファジィメンバーシップ関数を生成する手段を備えることを特徴としている。
更に、距離型ファジィ推論法に基づいて、症状および所見から健康状態をチェック・助言し、現在の健康状態,家族の遺伝的情報と生活習慣から将来の生活習慣病リスクを予測できる手段を備えることを特徴としている。
本発明の在宅健康管理システムによれば、在宅の使用者は何時でも健康チェックや助言を得ることができ、疾病の早期発見・早期治療ができ、手遅れにならず健康かつ長寿を全うして社会に貢献できる。
以下、在宅健康管理システムの例を示す図1に基づき、本発明の実施形態について説明する。
ヒューマンインタフェース2では、疾病の種類を選択し、疾病に関する症状および所見と生活習慣の状態を入力する。症状および所見と生活習慣の各項目(例えば「めまい」、「頭痛」、「ストレス」など)に対し、在宅使用者1はマウスを用いて、「無い」、「軽い」、「少しひどい」、「ひどい」、「かなりひどい」の所に「○」を入れる。そうすると、疾患の起こる可能性が数字表示される。
チェックサブシステム7は個人データベース3、医学知識データベースMKDB(Medical Knowledge Database)6、個人データ処理手段4、推論エンジン5から構成されている。予測サブシステム9は医学知識データベース6、推論エンジン5、アドバイス情報処理手段8から構成されている。チェックサブシステム7における個人データ処理手段4では,生体特性を考慮した処理手法に基づいて、個人データベース3とファジィメンバーシップ関数によって入力した個人特性データを定量化する。
医学知識データベース6は、44種類の疾病を含む。これらの病気についての病名、症状および所見、生活習慣、遺伝要素の数を表1に示す。但し高血圧症の11個の症状および所見、5個の生活習慣、2個の遺伝要因を表2示し、ここでは、高血圧以外の病気に関する説明を省略する。
ここでは疾病の症状および所見と生活習慣の程度を,ない(Z),軽い(S),ややひどい(SL),ひどい(L),かなりひどい(VL)の五つのファジィ集合を用いて表す.また疾病発症の可能性の程度も,無い(Z),すこしある(S),やや高い(SH),高い(H),極めて高い(VH)の五つのファジィ集合を用いて表す.医学知識データベースでは,各疾病に関する知識を,次のようなファジィルールを用いて表現する.
ただし,
n:ルール数
m:症状および所見または生活習慣または遺伝要因の数
xij:症状および所見または生活習慣または遺伝要因
Aij:xijの度合い Aij∈{Z,S,SL,L,VL}
y:生活習慣病
Bi:病気が起こる可能性 Bi∈{Z,S,SH,H,VH}
例えば,高血圧では,表2に示したとおり症状および所見による高血圧発症の可能性の推論を,次のようなファジィルールを用いて表現する.
ルール1:
もし,「血圧が高い,めまいがひどい,軽い頭痛を感じる,肩こりがややひどい,軽い耳鳴りがする,動悸または息切れがややひどい,急激に視力が下がる,体がだるい,時々手足がしびれる,顔のほてりはない,肥満ではない」のような症状ならば,高血圧の可能性が高い.
すなわち,
R1:If{x11=L, x12=L, x13=S, x14=SL,
x15=S, x16=SL, x17=L, x18=SL,
x19=S, x110=Z, x111=Z}
Then y=H
ルール2:
もし,「血圧がやや高い,軽いめまい,軽い頭痛がある,軽い肩こり,耳鳴りはない,動悸または息切れがやや強い,かなり急激に視力が下がる,体がだるい,手足のしびれはない,顔がほてるような感じがする,肥満ではない」のような症状ならば,高血圧の可能性がやや高い.
すなわち,
R2:If{x21=SL, x22=S, x23=S, x24=S,
x25=Z, x26=SL, x27=VL, x28=SL,
x29=Z, x210=L, x211=Z,}
Then y=SH
ルール3:
・・・・・・・・・・・・・・・・・
R3:・・・・・・・・・・・・・
・
・
・
医学知識データベースには,上述のような44種類の疾病に関するファジールールが620個ある.
ただし,
n:ルール数
m:症状および所見または生活習慣または遺伝要因の数
xij:症状および所見または生活習慣または遺伝要因
Aij:xijの度合い Aij∈{Z,S,SL,L,VL}
y:生活習慣病
Bi:病気が起こる可能性 Bi∈{Z,S,SH,H,VH}
例えば,高血圧では,表2に示したとおり症状および所見による高血圧発症の可能性の推論を,次のようなファジィルールを用いて表現する.
ルール1:
もし,「血圧が高い,めまいがひどい,軽い頭痛を感じる,肩こりがややひどい,軽い耳鳴りがする,動悸または息切れがややひどい,急激に視力が下がる,体がだるい,時々手足がしびれる,顔のほてりはない,肥満ではない」のような症状ならば,高血圧の可能性が高い.
すなわち,
R1:If{x11=L, x12=L, x13=S, x14=SL,
x15=S, x16=SL, x17=L, x18=SL,
x19=S, x110=Z, x111=Z}
Then y=H
ルール2:
もし,「血圧がやや高い,軽いめまい,軽い頭痛がある,軽い肩こり,耳鳴りはない,動悸または息切れがやや強い,かなり急激に視力が下がる,体がだるい,手足のしびれはない,顔がほてるような感じがする,肥満ではない」のような症状ならば,高血圧の可能性がやや高い.
すなわち,
R2:If{x21=SL, x22=S, x23=S, x24=S,
x25=Z, x26=SL, x27=VL, x28=SL,
x29=Z, x210=L, x211=Z,}
Then y=SH
ルール3:
・・・・・・・・・・・・・・・・・
R3:・・・・・・・・・・・・・
・
・
・
医学知識データベースには,上述のような44種類の疾病に関するファジールールが620個ある.
体質の個人差は、個人の遺伝情報や生活環境の影響を受けるので、疾患に対する抵抗力や病気の発症可能性は、人によって異なる。したがって、個人がより的確なチェック結果を得るには、個人の生体的な特徴を考慮する必要がある。そのため、健康チェックと助言システムには、個人の生体情報データベース(PCCDB:Personal Constitution Characteristic Database)の形成機能を備える。ここでは、体質を表す生体情報データを個人特性データと呼ぶ。個人特性データを静的と動的な二つのタイプに分類する。身長、年齢、遺伝因子などのように相対的に変化しないデータを静的個人特性データ、血圧や脈や体温などのように相対的に変動しやすいデータを動的個人特性データと呼ぶ。静的個人特性データの場合、健康検診により、データベースを生成し、原則として一年ずつ更新する。また、遺伝要因や合併症を示すデータが、医療機関で発見された場合、随時に更新できる。動的個人特性データの場合、その人の特性データを時系列として記録し、一定期間内のデータから算出した個人特性を合わせてPCCDBを形成する。個人特性の算出には、時系列からファジィ変数に変換する手法を利用している。
以下、血圧を例として、動的個人特性時系列データによりファジィメンバーシップ関数を生成する手法を述べる。まず、世界保健機構(WHO)の基準により、収縮期血圧SBP (Systolic Blood Pressure)の高さを表すファジィ集合を図2のように設定する。ただし、ファジィ集合は、NVL:「非常に低い」、NL:「かなり低い」、NSL:「低い」、NS:「やや低い」、Z:「正常」、PS:「やや高い」、PSL:「高い」、PL:「かなり高い」、PVL:「非常に高い」である(ここでは、NとPはそれぞれ「低い」と「高い」を表す)。横軸上の値はWHOに定められた収縮期血圧の標準値であり、収縮期血圧の正常値の範囲は[105、135]で、一般の健常者にほぼ適用できる。次に、構築されたある健常者の血圧時系列データベースを、式(2)と式(3)を用いて、血圧時系列データの変動範囲の上限sup SBPsと下限inf SBPsを計算する。
ただし、
SBPi:毎日の測定値SBPである。且つ∀i∈[1,p−1]に対して、SBPi≦SBPi+1
p:測定日数である
q=INT(0.1×p)
l=10
健常者の血圧時系列データベースから、収縮期血圧の高さを表すファジィ集合を図2のように設定する。その横軸上の座標は次のように計算される。
c4=inf SBPs
c7=sup SBPs
拡張期血圧DBP(Diastolic Blood Pressure)などのような動的個人特性時系列データは、同様の変換が必要な手法に適している。
ただし、
SBPi:毎日の測定値SBPである。且つ∀i∈[1,p−1]に対して、SBPi≦SBPi+1
p:測定日数である
q=INT(0.1×p)
l=10
健常者の血圧時系列データベースから、収縮期血圧の高さを表すファジィ集合を図2のように設定する。その横軸上の座標は次のように計算される。
c4=inf SBPs
c7=sup SBPs
拡張期血圧DBP(Diastolic Blood Pressure)などのような動的個人特性時系列データは、同様の変換が必要な手法に適している。
疾病の知識の曖昧な概念はファジィ集合で定量化しているので、推論エンジンを構成する際に、ファジィ推論法を使うことになる。また、古くなった医学知識の削除、最新医学の知識や病名の追加が必要なために、学習機能を持たせることが重要である。更に、一般的な症状を表す知識の前件部が沢山ある。したがって、マムダニ推論法をはじめ、適合度を推論根拠とする諸推論法を適用することが難しい。そこで、集合間の距離情報を推論根拠とする、距離型ファジィ推論法を適用する。距離型ファジィ推論法が分離規則を満たしているので、知識の更新と追加が簡単に速やかに実現でき、かつ多数の前件部を持つ知識に対応できる。
推論エンジン5では、距離型ファジィ推論法の三つのステップに基づいて、ヒューマンインタフェース2で入力された各要因の状態を事実として、それぞれ症状および所見による推論結果(現時点における疾病にかかるリスク)y0s,生活習慣による推論結果y0l,遺伝要因による推論結果y0hを求める。ここでは,前件部、後件部、及び事実に関して、シングルトン型ファジィ集合を用いてファジィ推論を行う。(10)式によりdl〜dnを計算する。
推論結果は(11)式で求める。
ただし、aijとajとbjはそれぞれ前件部、与えられた事実と後件部である。
推論結果は(11)式で求める。
ただし、aijとajとbjはそれぞれ前件部、与えられた事実と後件部である。
現時点において病気になっていない、或いは起こる可能性が低いが、時間が経つと良くない生活習慣の蓄積により、健康状態が悪くなって、疾患になる可能性が高くなる。逆に、現在の悪い生活習慣を改善することで、疾患になる可能性が低くなる。ここでは、今の生活習慣を続けると、将来、生活習慣病にかかるリスクが高くなる可能性をY1、今の生活習慣を改善すると、将来、疾患にかかるリスクを軽減する可能性Y2として、上述した現象は式(12)と式(13)に示すように定量的に表現することができる。
ただし、k1は生活習慣と遺伝要因が人間の健康状態に与える影響の大きさを調整するためのパラメータである。k1が大きければ大きいほど、その影響が大きくなる。k2は遺伝要因に比べ、生活習慣の方が健康状態に与える影響の大きさを表す。
ただし、k1は生活習慣と遺伝要因が人間の健康状態に与える影響の大きさを調整するためのパラメータである。k1が大きければ大きいほど、その影響が大きくなる。k2は遺伝要因に比べ、生活習慣の方が健康状態に与える影響の大きさを表す。
アドバイス情報処理手段8では,症状および所見により推論した現時点における生活習慣病にかかるリスクy0s,生活習慣による推論結果y0l,遺伝要因による推論結果y0hに基づき,式(12)と式(13)を用いてY1とY2を求める。
図3は本発明のシステムを利用して糖尿病に関する健康チェック・健康助言の結果を示す。図3(a)と参考図1(b)では、症状および所見と生活習慣に対し、「なし」の項目が同じである。「なし」以外の項目に関して、Fig。4(a)ではその程度が全て「かなりひどい」であり、図3(b)ではその程度が「軽い」から「かなりひどい」まで様々である。結果的には図3(a)は糖尿病の起こる可能性がやや高く、図3(b)は糖尿病の起こる可能性が少しある。図3の結果から、症状および所見と生活習慣の程度を、一つの言葉だけではなく、複数の言葉で表現することにより、身体状態をより的確に把握でき、チェック精度を高める可能があることが判った。
図4は本発明のシステムを利用して高血圧に関する健康チェック・健康助言の結果を示す。まず、研究室のA氏とB氏に対して、一ヶ月間の普段の血圧を記録し、A氏とB氏の血圧時系列データベースPCCDBをそれぞれ形成した。A氏とB氏の一ヶ月のPCCDBから、A氏の収縮期血圧の正常範囲は110〜130mmHgであり、B氏のSBPの正常範囲は90〜120mmHgであることが判った。また、A氏とB氏の一ヶ月のPCCDBに基づいて、式(2)〜(4)を用いて、A氏とB氏の収縮期血圧の高さを表すファジィメンバーシップ関数を設定した。の結果から、同じ人に対して、症状および所見と生活習慣の各項目の程度がまったく同じように入力されても、個人特性を考慮する場合としない場合では、高血圧の起こる可能性がやあ異なることが判った。また人が異なり、血圧のPCCDBも違う場合、症状および所見と生活習慣に関する各項目の程度が同じでも、高血圧の起こる可能性が少し違うことが判った。
1 在宅使用者
2 ヒューマンインタフェース
3 個人の生体情報データベース
4 個人データ処理手段
5 推論エンジン
6 医学的な知識データベース
7 チェックサブシステム
8 アドバイス情報処理手段
9 予測サブシステム
2 ヒューマンインタフェース
3 個人の生体情報データベース
4 個人データ処理手段
5 推論エンジン
6 医学的な知識データベース
7 チェックサブシステム
8 アドバイス情報処理手段
9 予測サブシステム
Claims (4)
- 疾病に関する症状および所見の程度を表現するあいまい概念をビジュアル的に入力できるヒューマンインタフェースと、個人データベース、医学知識データベース、個人データ処理手段,ヒューマン推論エンジン、アドバイス情報処理手段とを備えることを特徴とする在宅健康管理システム。
- ファジィ集合を用いて疾病の知識に関するあいまい概念を定量化し、個人の生体情報データベースの形成機能を備え、個人の生体情報の時系列からあいまい概念を表すファジィメンバーシップ関数を生成する手段を備えることを特徴とする請求項1記載の在宅健康管理システム。
- 距離型ファジィ推論法、個人データベース、医学知識データベースに基づいて、症状および所見から健康状態をチェックし、疾病を発症するリスクを推論するチェックサブシステムを備えることを特徴とする請求項1記載の在宅健康管理システム。
- 距離型ファジィ推論法に基づいて現在の健康状態,家族の遺伝的情報と生活習慣から将来の疾病リスクを予測する予測モデルを備えることを特徴とする請求項1記載の在宅健康管理システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007050527A JP2008186439A (ja) | 2007-01-30 | 2007-01-30 | 在宅健康管理システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007050527A JP2008186439A (ja) | 2007-01-30 | 2007-01-30 | 在宅健康管理システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2008186439A true JP2008186439A (ja) | 2008-08-14 |
Family
ID=39729402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007050527A Pending JP2008186439A (ja) | 2007-01-30 | 2007-01-30 | 在宅健康管理システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2008186439A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018071579A1 (en) * | 2016-10-12 | 2018-04-19 | Becton, Dickinson And Company | Integrated disease management system |
USD908134S1 (en) | 2017-08-15 | 2021-01-19 | Becton, Dickinson And Company | Display screen or portion thereof with graphical user interface for managing diabetes |
CN112530588A (zh) * | 2020-11-30 | 2021-03-19 | 重庆电子工程职业学院 | 基于ar技术的健康管理系统 |
JP2021535527A (ja) * | 2018-08-24 | 2021-12-16 | クリノミクス,インコーポレイテッド | 環境的要因の変化に応じた疾病発症リスク変動視覚化装置及び方法 |
-
2007
- 2007-01-30 JP JP2007050527A patent/JP2008186439A/ja active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018071579A1 (en) * | 2016-10-12 | 2018-04-19 | Becton, Dickinson And Company | Integrated disease management system |
US11367532B2 (en) | 2016-10-12 | 2022-06-21 | Embecta Corp. | Integrated disease management system |
USD908134S1 (en) | 2017-08-15 | 2021-01-19 | Becton, Dickinson And Company | Display screen or portion thereof with graphical user interface for managing diabetes |
USD933099S1 (en) | 2017-08-15 | 2021-10-12 | Becton, Dickinson And Company | Display screen or portion thereof with graphical user interface for managing diabetes |
USD965627S1 (en) | 2017-08-15 | 2022-10-04 | Embecta Corp. | Display screen or portion thereof with graphical user interface for managing diabetes |
JP2021535527A (ja) * | 2018-08-24 | 2021-12-16 | クリノミクス,インコーポレイテッド | 環境的要因の変化に応じた疾病発症リスク変動視覚化装置及び方法 |
CN112530588A (zh) * | 2020-11-30 | 2021-03-19 | 重庆电子工程职业学院 | 基于ar技术的健康管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Flannelly et al. | Independent, dependent, and other variables in healthcare and chaplaincy research | |
Sullivan | The new subjective medicine: taking the patient's point of view on health care and health | |
Yi et al. | The association of childhood socioeconomic conditions with healthy longevity at the oldest-old ages in China | |
Patro et al. | Ambient assisted living predictive model for cardiovascular disease prediction using supervised learning | |
Yu et al. | Personalized health monitoring system of elderly wellness at the community level in Hong Kong | |
Kwong et al. | A prediction model of blood pressure for telemedicine | |
Doppala et al. | A reliable machine intelligence model for accurate identification of cardiovascular diseases using ensemble techniques | |
Banerjee et al. | Validating a commercial device for continuous activity measurement in the older adult population for dementia management | |
Kaur et al. | Fuzzy logic and hybrid based approaches for the risk of heart disease detection: state-of-the-art review | |
Chou et al. | Extracting drug utilization knowledge using self-organizing map and rough set theory | |
Assaf et al. | 30-day hospital readmission prediction using MIMIC data | |
JP2008186439A (ja) | 在宅健康管理システム | |
Stephen et al. | Fuzzy AHP point factored inference system for detection of cardiovascular disease | |
Kaur et al. | Artificial Intelligence approaches for Predicting Hypertension Diseases: Open Challenges and Research Issues | |
Sonia et al. | An empirical evaluation of benchmark machine learning classifiers for risk prediction of cardiovascular disease in diabetic males | |
Jeewandara et al. | Data mining techniques in prevention and diagnosis of non communicable diseases | |
Chattopadhyay | MLMI: A machine learning model for estimating risk of myocardial infarction | |
Tashakkori et al. | The prediction of NICU admission and identifying influential factors in four different categories leveraging machine learning approaches | |
Ambilwade et al. | Prognosis of diabetes using fuzzy inference system and multilayer perceptron | |
Zheng et al. | Metabolic syndrome prediction model using Bayesian optimization and XGBoost based on traditional Chinese medicine features | |
Raghavendra et al. | DLMNN Based Heart Disease Prediction with PD-SS Optimization Algorithm | |
Maria et al. | Obesity Risk Prediction Using Machine Learning Approach | |
Muthuraman et al. | A framework for personalized decision support system for the healthcare application | |
Bainn | Hypertension Predictive Model with a Neural Network Approach: A Case Study of Kumasi Metropolis | |
Ognjanović et al. | Development of ICT Enhanced Person-Centred Care Services for Stroke Outpatient Rehabilitation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20090528 |