JP2011007686A - 臨床検査結果の分析装置及び分析方法 - Google Patents

Abstract

【課題】臨床検査結果の分析装置における自動化が不十分であり、人への負担が大きくは軽減されていない。
【解決手段】検体の臨床検査結果の分析装置に、各検体の検査項目毎に補正値を算出する機能部と、複数の前記補正値を対象として補正値の出現パターンの傾向を解析する機能部と、解析結果とデータテーブルとを照合し、再検査が必要とされる原因を特定する機能部とを搭載する。
【選択図】図８

Description

本発明は、臨床検査結果に基づいて再検査の必要性や異常値の原因を分析する装置及び方法に関する。

臨床検査では、被験者から提供される検査試料に対して所定の項目の分析が行われ、その分析結果の妥当性の検証が行われている。例えば検査の結果、異常値が測定された場合、その値が本当の結果なのか、測定の不具合（例えば装置の機器異常、測定の人為的ミス）なのかを、人が判断している。検査結果が真にばらつく要因には、投薬の影響、遺伝子型の影響、罹患している疾患の影響、年齢の影響、性別の影響など複数挙げられる。また、疾患の影響に加え、投薬の影響により特定複数の値がずれる可能性がある。このため、異常値か否かの判断は、複数の検査項目に関する検査結果に基づいて人が総合的に判断を下している。

近年、自動分析装置の発展に伴い、単位時間当たりの検査数は増加している。また、自動分析装置の中には、自動的に検査結果の妥当性を検証できる機能を搭載するものも現れている。例えば検査項目毎に測定値の閾値を設定して異常の有無を判定する異常値チェック機能（特許文献１）、前回の検査値と今回の検査値とを比較して異常の有無を判定する前回値チェック機能（特許文献２）、測定項目間の相関解析により作成されたルールに基づいて異常の有無を判定する項目相関チェック機能（特許文献３）等がある。また、大量の検査データを処理するためにデータマイニングの手法を採用する判定方法も考案されている（特許文献５）。ただし、異常値の原因の解明については、依然として、機器のログや診療情報等に基づいて人が判断を下している。

いずれも、異常値の原因の解明は、異常値の判定処理とは別の解析作業として人が行っている。

特開平０５−１５１２８２号公報 特開平０７−２７１８７３号公報 特開平１１−２９６６０５号公報 特開２００２−２２７４８号公報 特開２００３−１１４２３１号公報

[1] H. Li, C. Ung, C. Yap, Y. Xue, Z. Li, Z. Cao, Y. Chen, Chem. Res. Toxicol., 18(6), 1071 (2005).

上述したように、現在では、医師や技師等の判断を補助するための幾つかの技術が存在する。ところが、従来技術の場合、異常の検出に用いる閾値の設定は、医師や技師等の経験則に依存する。一方で、検査装置の性能向上に伴うデータ量の増加は、人の処理能力を超えてきている。

この問題の解決のため、検査結果の異常を自動的に判定する技術も提案されている。しかし、それらの技術は、判定対象が一つの問題に特化されていたり、複合的な問題への対応には原因の究明に依然として人手を必要とする。このため、現状では、医師や技師等の負担の軽減があり進んでいない。また、検査結果の値は、投薬、遺伝子型、疾患の影響等により大きくずれる。このため、異常値が周期的に出現する傾向や異常値が少しずつ大きくなるような何らかの傾向が異常値に現れているとしても、それらは、検査結果の値そのもののばらつきに埋もれ易い。結果的に異常値の傾向が見落とされ、異常値の原因が分かり難くなる可能性がある。

この課題を解決するため、本発明では、検体の臨床検査結果の分析装置及び分析手法として、各検体の検査項目毎に補正値を検出する機能部と、複数の補正値を対象として補正値の出現パターンの傾向を解析する機能部と、解析結果とデータテーブルとを照合し、再検査が必要とされる原因を特定する機能部とを有するものを提供する。

本発明により、異常値に含まれている異常値の出現原因を自動的に特定することが可能になり、人の技量に依存しない異常原因の分析結果を得ることができる。

本発明の実施の形態に係る検査システムの全体構成例を示す図である。 本発明の実施の形態に係る検査情報システムの機能構成例を示す図である。 出力データ例を示す図である。 クラスタリング解析処理及び属性情報の関連性解析処理を説明する図である。 クラスタリング解析処理及び属性情報の関連性解析処理の実行動作例を示す図である。 異常原因の予測動作例を示す図である。 異常原因と現象とを対応付けたデータテーブルの一例を示す図である。 補正値に出現する傾向の一例を説明する図である。

以下、図面に基づいて本発明の実施の形態を説明する。なお、以下における説明や図面は、専ら発明の説明を目的とするものであり、記述していない既知の技術との組み合わせや置換も可能である。

（１）分析装置の形態例
特許請求の範囲における「分析装置」の実現には、臨床検査結果（例えば検査装置の情報とその属性情報）を取得できることが条件となる。このため、臨床検査結果を取得できさえすれば、必ずしも分析装置の全ての機能が特定の装置内に格納されている必要はなく、複数の装置間に分散的に設けられていても良い。また、複数の装置についても１つの施設内に設けられる場合だけでなく、複数の施設に分散的に配置されていても良い。なお、複数の装置又は施設は、１つの国又は地域内に存在する場合だけでなく、複数の国や地域に分散的に配置されていても良い。

本発明の実施の形態に係る分析装置は、例えば図１に示すシステム構成において使用される。図１に示すシステムは、検査施設１０８を中心として表している。ここで、検査施設１０８には、例えば病院や検査機関が考えられる。

前述したように、分析装置における実施形態の１つは、検査施設１０８内で完結する場合である。図１の場合、分析装置の実現形態には幾つかの候補が考えられる。候補の１つは、分析装置としての機能を、検査装置１０３〜１０５に示すような個々の検査装置の制御プログラム内に組み込む形態である。別の候補の１つは、分析装置としての機能を、制御ＬＡＮ１０７経由で検査装置１０３〜１０５を制御し又は管理する検査情報システム１０２内に組み込む形態である。他の候補の１つは、分析装置としての機能を、院内ＬＡＮ１０６経由で施設内の各種の情報を管理する院内システム１０１に組み込む形態である。

この他、分析装置を、検査施設１０８の外部に配置する形態も考えられる。図１の場合、外部ネットワーク１０９経由で検査施設１０８と接続された外部サーバ１１０に、分析装置としての機能を組み込むこともできる。なお、外部ネットワーク１０９には、例えばインターネット、専用線を使用する。

（２）分析装置の機能構成
図２に、本発明の実施の形態に係る分析装置の機能構成を示す。図２に示すように、分析装置は、システムバス７０４と、演算処理を通じて各種の機能を実現するＣＰＵ７０５と、演算処理の作業領域に使用されるＲＡＭ７０６と、データの入出力に使用されるＩ／Ｏ７０３と、処理に利用するデータベース群を格納する記憶領域７０７と、各種の処理や解析を実行するためのプログラム群が格納されている記憶領域７０８とを主要な構成とする。

因みに、Ｉ／Ｏ７０３には、システム入力７０１として「検査結果入力」、「診療情報入力」、「検査装置情報入力」等が入力され、システム出力７０２として「再検査判定出力」、「予想原因出力」等が出力される。記憶領域７０７には、データベースとして例示した「検査結果」、「クラスター情報」、「属性関係情報」、「補正検査結果」、「補正値時系列判定論理」、「検査依頼情報」、「診療情報」、「検査装置情報（例えば状態情報）」、「遺伝子型情報」、「疾病情報」、「服薬情報」等が格納されている。記憶領域７０８には、解析プログラムとして「クラスタリング解析機能」、「属性情報解析機能」、「補正値計算機能」、「再検判定機能」、「エラー原因推測機能」等が格納される。

図３に、システム出力７０２の１つである再検査判定出力の出力例を示す。図３の場合、再検査判定出力は、患者基本情報６０１、再検査判定情報６０２、検査結果リスト６０３で構成される。因みに、患者基本情報６０１には、出力情報の内容の概要を示すタイトル情報であり、患者個人を特定する情報が記載される。再検査判定情報６０２には、再判定の必要性を判定した検査項目の情報と原因（理由）が記載される。検査結果リスト６０３には、基本患者情報６０１で特定された個人に関する検査結果の一覧が表示される。図３の場合は、複数回の過去の検査履歴も表示されている。

（３）処理動作例
続いて、分析装置が実行する処理動作の一例を説明する。分析装置の処理動作は２段階に分けられる。１つ目の処理動作は、最初にシステム内に蓄積された過去の正しい検査値結果の母集団からクラスター構造を発見し、クラスター構造と属性情報との関係を学習する動作である。２つ目の処理動作は、学習された情報を利用して、新規検査結果に対する再検査の要否を判定する動作である。

（３−１）学習動作
ここでは、図４と図５を利用して、学習動作の過程を説明する。図４はクラスターマップ２０４の作成イメージを示し、図５は処理動作の実行手順例を示している。

図４に示すように、クラスターマップ２０４の作成には、所定母集団のデータ２０１が用いられる。なお、所定母集団のデータ２０１は、検査装置１０３〜１０５から得られた検査結果の集合と、その検査対象である個々の検体の属性情報の集合とで構成される。

因みにデータ２０１は、例えば各検査項目の測定結果と、疾患情報(診療情報)と、測定装置と、遺伝子型の情報とで構成される。一方、属性情報は、情報の種別が固定されていない。このため、検査装置１０３〜１０５で用いられている情報に依存する。例えば診療情報（健常又は疾患の情報、服薬情報、過去の検査履歴情報等）、被験者個人のプロファイル情報(年齢、性別、遺伝子型、等)、測定装置の情報（識別情報、エラー発生履歴情報等）等が属性情報に含まれる。なお、データ２０１と各検体に関する属性情報の取得は、図５のステップ３０１とステップ３０４の処理が対応する。

データ２０１が得られると、分析装置はデータ２０１に対するクラスタリング処理を実行し、クラスターマップ２０４を作成する。この動作は、図５のステップ３０２の処理に対応する。クラスタリング処理には、教師なし学習手法である一般的なクラスタリング手法を採用することができる。例えばk-meansや自己組織化マップ（SOM：Self-Organizing Map）等を利用する。図４には、k-meansクラスタリングの結果であるクラスターマップ２０４と、入力データ２０２からクラスター２０３が形成された様子を示している。なお、クラスター２０３が形成されると、分析装置は、各クラスター２０３内の分散や平均値等の中心指標として利用できる値を算出し、算出された値を保持する。

この後、分析装置は、各検査結果がそれぞれどのクラスターに分類されたかを判別すると共に、それぞれのクラスターと先に取得しておいた属性情報との関連性を解析する。この処理動作はステップ３０５に対応する。図４では、クラスター２０３と属性情報２０５との関連付けを矢印で示している。

なお、クラスター２０３と属性情報２０５を関連付ける場合、分析装置は、属性情報を与える文字データを数値データに変換して利用する。クラスターと属性情報との関連性の解析には、例えば特徴量抽出手法や判別分析を行う際に得られる各特徴量の重み付けを利用する。

因みに、特徴量抽出手法を用いる場合、一旦作成したk-meansのクラスター結果のクラスターを判別できるように、例えばodds ratio, information gain, entropy等を利用して、特徴量としての属性情報に順位を付けることができる。その際、例えば特定のクラスターとその他のクラスターとの間で特徴量の順位付けを行うと、クラスター毎に重要な特徴量が明確になる。

また、判別分析を利用して特徴量の重みを計算する場合、Support vector machineの線形カーネルを利用した場合の重みベクトルからの特徴量の重み付け、Support vector のfeature elimination methodを利用した特徴量の重み付け（非特許文献１）、Random forestのGini係数を利用した重み付け等、様々な手法がある。

なお、十分な情報がある場合には、関連性の解析に、相関ルール（association rule）を用いても構わない。また、k-meansクラスタリングや自己組織化マップ（SOM：Self-Organizing Map）等は、入力ベクトルの重み付けが不得手である。従って、クラスタリングを行う際の入力ベクトルは、特定の検査結果のみを利用し、そのクラスター結果に対して、前述した特徴量抽出手法又は判別手法を利用して、クラスターと相関がある特徴量を抽出しても良い。いずれにしても、クラスターの同定後、図５のステップ３０４において得られる属性情報からクラスターを判別できるようにしておく。

また、クラスターの決定後に検査値に出現する異常値の判定には、検査値と各クラスターの中心からの距離を計算したときに、本来属しているべきクラスターの中心と検査値とが最近接になっていない場合を異常値とする、又は、最近接となっていても分散の２倍以上の値で離れている場合に異常値とする等、様々な判定法を適用することができる。これらの方法に従って、事前にクラスター毎の異常値判定の基準を計算しておき、後の新規データ判定の際に利用する。

（３−２）再検査の要否判定動作
ここでは、図６を使用して、新規検査結果に対する再検査の要否判定とその原因の予想（原因候補の判定）に関連する動作の一例を説明する。なお、後述するように、再検定判定になった原因の予想（原因候補の判定）は、クラスター分類後の補正値を用いて行う。

まず、分析装置は、検査装置により臨床検査を実行する（ステップ４０１）。従って、検査装置内に分析装置の機能が含まれる場合、このステップ４０１の処理動作は、検査装置と分析装置との間で一体不可分の処理となる。逆に検査装置内に分析装置の機能が含まれない場合、後述するように、取得された検査結果は検査装置から分析装置の機能を含む装置に転送される。そして、分析装置により、蓄積されたデータを利用した以下の処理動作が実行される。

さて、検査が実行されると、次に検査結果が取得される（ステップ４０２）。検査結果は、図４のデータ２０１に相当する属性項目を保持するデータとする。なお、取得できないデータの項目があった場合でも、この実施の形態の場合には、後の工程ではその項目がブランクであるものとして判定を行う。実際は、「ブランク」の項目に、平均値や最頻度値等を代入し、判定処理を実行する。

ステップ４０２の処理が終了すると、分析装置は、新規に得られた検査結果についてクラスターの判定処理を実行する（ステップ４０３）。すなわち、新規に検査結果が得られると、臨床検査の他の検査項目の結果とそれらの属性情報とに基づいて、新規の検査結果が属するクラスターを判定する。ここでのクラスターの判定は、学習過程においてクラスターを作成した手法に依存する。例えば属性情報のみでクラスターを判定している場合には、ステップ４０３においても入力を属性情報とし、検査値が属するクラスターを出力とする。

クラスターの判定が終了すると、分析装置は、次にクラスターの分類が適切か否かを判定する（ステップ４０５）。ここでの判定は、新規検査結果が属すると決定されたクラスターの異常値判定基準に準ずる。分析装置は、例えば本来属するべきクラスターの閾値内の値か否かを判定し、閾値を越えた値をとった場合には再検査を行う。また、分析装置は、例えば各クラスターの中心と新規検査結果との距離を比較したときに本来属するべきクラスターの中心との距離が最近接となっていないときには再検査を行う。

クラスターの分類判定が正しくないと判定された場合（ステップ４０５で否定結果が得られた場合）、分析装置は、属性情報から特定されたクラスターの情報に基づいて新規検査結果に対する補正値を求める（ステップ４０６）。例えば新規検査結果の値がＸ、対応するクラスターの平均値がｍ、分散がσの場合、分析装置は、（Ｘ−ｍ）／σで算出される値を補正値とする。

補正値が算出されると、分析装置は、時間軸上で前後する検体の補正値同士を比較し、その傾向を時系列で分析する（ステップ４０７）。具体的な分析例については後述する。ここでの補正値の比較は、特定の項目についての比較の他、複数の項目についての比較も含まれる。なお、ここでの分析対象は補正値であって、検査結果はオリジナルのままであることに注意する。分析結果は、利用者に通知される（ステップ４０８）。

なお、クラスターの分類判定が誤っていると判定されていた場合（ステップ４０５で肯定結果が得られた場合）、分析装置は、再検査の必要性を更に判定する（ステップ４０９）。ここで、再検査の必要性が認められなければ、分析装置は、そのまま再検査判定の処理を終了する。

一方、ステップ４０９の判定において再検査の必要性が認められた場合、分析装置は、再検査が必要であるとの判定結果を、前述したステップ４０８の処理に渡す。この例が、図３に示したような出力例に対応する。クラスターの分類は正しいが、時間軸上で前後する検査結果の関係が異常値を示すような場合である。

（３−３）原因の推定動作
最後に、ステップ４０７で実行される原因の推定（原因の特定）動作の具体例を説明する。図７に、補正値から見出される傾向（現象カラム８０１）とその原因カラム８０２との対応関係を示すデータテーブルの一例を示す。図８に、検体と検査項目との間に認められる補正値の出現パターンの一例を示す。なお、図８の横軸方向には各検査結果に対応する検体別の補正値が並んでおり、縦軸方向には各検体に対応する検査結果毎の補正値が並んでいる。図８では、クラスターの分類が誤りと判定されたセルをグレーの網掛けにて表している。なお、各セルの値は０を正常値とし、属性情報から分類されるクラスター情報を利用した補正後の値を書き出している。また、図８のうち表記が「−」のセルは、検査が行われなかったことを示している。図８では、補正値に傾向が認められる部分を太線で囲んで示している。

１つ目の傾向９０１は、特定の２つの項目について異常値が複数の検体について散発的に出現する場合である。この場合、分析装置は、属性情報に付随する何らからの原因が生じていると推定する。２つ目の傾向９０２は、一部項目に関する非ゼロの補正値が特定の検体だけに出現している場合である。この場合、分析装置は、採血時の人為的なミスや疾患の記載漏れ等、検体特有の異常が原因であると推定する。

３つ目の傾向９０３は、特定の検査項目について周期的な異常が出現する場合である。この場合、分析装置は、検査装置に発生している異常が原因であると推定する。４つ目の傾向９０４は、特定の検査項目について非ゼロの補正値が継続的かつ上昇しながら出現する場合である。この場合、分析装置は、試薬異常か機器異常が原因であると推定する。

また、このステップ４０７も十分なデータ量を揃えることにより、判定論理を相関ルール（association rule）等の手法を用いて自動抽出することも可能である。更に直接の詳細原因は判明できずとも、単純にどの項目に原因がありそうかということと、その原因に継続性があるかということとを検出し、その検出結果を原因として出力することも可能である。

（４）まとめ
以上説明したように、本発明の実施の形態に係る分析装置は、(1) 所定の母集団から得られる検体の検査結果をクラスター化する処理と、(2) 検体毎のクラスター情報と属性情報との関連性を解析し、得られた関連性の情報を保持する処理と、(3) 新規検体の検査結果を、属性情報を用いてどのクラスターに属するか解析する処理と、(4) 分類先のクラスターの閾値に基づいて、新規検体の検査結果の値がクラスター内の異常値であるか否か（分類が誤っているか否か）を判定する処理とを用いることで、人の経験則に基づく閾値の設定を不要とすることができる。すなわち、従来まで必要であった、疾患の有無、投薬の影響、年齢の影響等を考慮した経験則に基づく閾値の設定を無くすことができる。結果的に、判定結果に人の技量の違いが現れないようにでき、妥当な値を設定できる。なお、属性情報として、臨床検査に付随する診療情報（疾患、服薬情報、遺伝子型等）や臨床検査に用いる検査装置の状態情報を使用することにより、判定精度と原因推定範囲を広げることができる。

また、異常を検知した場合、分析装置は、クラスタリング後の補正値について出現する複数の検体間又は複数の検査項目間の傾向（周期性、分散値、検査値項目間の相関、時系列変化等）を分析し、異常の原因を予測して利用者に提示する機能を搭載する。この機能の搭載により、人による速やかな問題解決を手助けすることができる。また、補正値に現れる傾向に着目することにより、人の技量に依存しない判定基準を作成することが可能になる。しかも、判定に使用する補正値は、各クラスターの統計情報（平均値や分散等）に基づいて算出するため、疾患の有無の影響、投薬の影響等に起因する検査値のばらつきにより埋もれがちであった異常値の傾向を明確に分析することができる。

また、実施の形態で説明した方法の場合、属性情報を容易に増やすことができる。このため、予め用いる診療情報を固定する必要はない。

１０１：院内システム
１０２：検査情報システム
１０３：検査装置
１０４：検査装置
１０５：検査装置
１０６：院内ＬＡＮ
１０７：制御ＬＡＮ
１０８：検査施設
１０９：外部ネットワーク
１１０：外部サーバ
２０１：所定母集団のデータ
２０２：入力検査結果データ
２０３：検査結果のクラスター
２０４：クラスターマップ
２０５：属性情報
３０１：既知検査結果の取得
３０２：クラスタリング処理
３０３：クラスター内での分散、平均値等を保持
３０４：各検体属性情報取得
３０５：関連性解析処理
６０１：患者基本情報
６０２：再検査判定情報
６０３：検査結果リスト
７０１：システム入力
７０２：システム出力
７０３：システムＩ／Ｏ
７０４：システムバス
７０５：ＣＰＵ
７０６：ＲＡＭ
７０７：記憶領域（データベース群）
７０８：記憶領域（解析プログラム群）
８０１：現象カラム
８０２：要因カラム
９０１：傾向１
９０２：傾向２
９０３：傾向３
９０４：傾向４

Claims (12)

1. 検体の臨床検査結果の分析装置において、
   各検体の検査項目毎に補正値を算出する機能部と、
   複数の前記補正値を対象として補正値の出現パターンの傾向を解析する機能部と、
   解析結果とデータテーブルとを照合し、再検査が必要とされる原因を特定する機能部と
   を有する分析装置。
2. 複数の検体の臨床検査結果に基づいて予め作成されたいずれかのクラスターに対して、各検体の検査項目を分類する機能部を有し、
   前記補正値は、前記各検体の各検査項目の値と分類されたクラスターの統計情報とに基づいて算出される
   ことを特徴とする請求項１に記載の分析装置。
3. 前記出現パターンは、複数の検体間に現れる補正値の傾向である
   ことを特徴とする請求項１又は２に記載の分析装置。
4. 前記出現パターンは、特定の検体の複数の項目について現れる補正値の傾向である
   ことを特徴とする請求項１〜３のいずれか１項に記載の分析装置。
5. 前記クラスターには各検体の属性情報が関連付けられており、
   前記属性情報は、臨床検査に付随する診療情報(疾患、患者プロファイル、服薬情報、遺伝子型情報等)である
   ことを特徴とする請求項１〜４のいずれか１項に記載の分析装置。
6. 前記クラスターには各検体の属性情報が関連付けられており、
   前記属性情報は、臨床検査に用いる検査装置の状態情報である
   ことを特徴とする請求項１〜４のいずれか１項に記載の分析装置。
7. 検体の臨床検査結果の分析方法において、
   計算機が、
   各検体の検査項目毎に補正値を算出する処理と、
   複数の前記補正値を対象として補正値の出現パターンの傾向を解析する処理と、
   解析結果とデータテーブルとを照合し、再検査が必要とされる原因を特定する処理と
   を有する分析方法。
8. 複数の検体の臨床検査結果に基づいて予め作成されたいずれかのクラスターに対して、各検体の検査項目を分類する機能部を有し、
   前記補正値は、前記各検体の各検査項目の値と分類されたクラスターの統計情報とに基づいて算出される
   ことを特徴とする請求項７に記載の分析方法。
9. 前記出現パターンは、複数の検体間に現れる補正値の傾向である
   ことを特徴とする請求項７又は８に記載の分析方法。
10. 前記出現パターンは、特定の検体の複数の項目について現れる補正値の傾向である
    ことを特徴とする請求項７〜９のいずれか１項に記載の分析方法。
11. 前記クラスターには各検体の属性情報が関連付けられており、
    前記属性情報は、臨床検査に付随する診療情報(疾患、患者プロファイル、服薬情報、遺伝子型情報等)である
    ことを特徴とする請求項７〜１０のいずれか１項に記載の分析方法。
12. 前記クラスターには各検体の属性情報が関連付けられており、
    前記属性情報は、臨床検査に用いる検査装置の状態情報である
    ことを特徴とする請求項７〜１０のいずれか１項に記載の分析方法。

Images