JP2011007686A - 臨床検査結果の分析装置及び分析方法 - Google Patents
臨床検査結果の分析装置及び分析方法 Download PDFInfo
- Publication number
- JP2011007686A JP2011007686A JP2009152661A JP2009152661A JP2011007686A JP 2011007686 A JP2011007686 A JP 2011007686A JP 2009152661 A JP2009152661 A JP 2009152661A JP 2009152661 A JP2009152661 A JP 2009152661A JP 2011007686 A JP2011007686 A JP 2011007686A
- Authority
- JP
- Japan
- Prior art keywords
- information
- cluster
- specimen
- analysis
- test
- 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
Landscapes
- Automatic Analysis And Handling Materials Therefor (AREA)
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
【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。
[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。
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。
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。
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。
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。
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。
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。
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。
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
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009152661A JP2011007686A (ja) | 2009-06-26 | 2009-06-26 | 臨床検査結果の分析装置及び分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009152661A JP2011007686A (ja) | 2009-06-26 | 2009-06-26 | 臨床検査結果の分析装置及び分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2011007686A true JP2011007686A (ja) | 2011-01-13 |
Family
ID=43564522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009152661A Pending JP2011007686A (ja) | 2009-06-26 | 2009-06-26 | 臨床検査結果の分析装置及び分析方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2011007686A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015010939A (ja) * | 2013-06-28 | 2015-01-19 | シスメックス株式会社 | 検体分析装置、検体分析システム、異常検知装置、及び検体分析装置の異常検知方法 |
JP2016042836A (ja) * | 2014-08-25 | 2016-04-04 | 富士フイルム株式会社 | 検査通知出力装置、検査通知出力方法、検査通知出力プログラム、及び遺伝子染色体検査システム |
WO2022070455A1 (ja) * | 2020-09-30 | 2022-04-07 | 株式会社日立ハイテク | データ処理装置および自動分析装置 |
-
2009
- 2009-06-26 JP JP2009152661A patent/JP2011007686A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015010939A (ja) * | 2013-06-28 | 2015-01-19 | シスメックス株式会社 | 検体分析装置、検体分析システム、異常検知装置、及び検体分析装置の異常検知方法 |
JP2016042836A (ja) * | 2014-08-25 | 2016-04-04 | 富士フイルム株式会社 | 検査通知出力装置、検査通知出力方法、検査通知出力プログラム、及び遺伝子染色体検査システム |
WO2022070455A1 (ja) * | 2020-09-30 | 2022-04-07 | 株式会社日立ハイテク | データ処理装置および自動分析装置 |
JP7420960B2 (ja) | 2020-09-30 | 2024-01-23 | 株式会社日立ハイテク | データ処理装置および自動分析装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101106201B1 (ko) | 임상검사분석장치, 임상검사분석방법 및 그 방법을 컴퓨터에 실행시키는 프로그램을 저장하는 컴퓨터 판독 가능한 기록매체 | |
Geffre et al. | Reference values: a review | |
JP7286863B2 (ja) | 医療データの自動化された検証 | |
Moosmann et al. | Age‐and sex‐specific pediatric reference intervals for neutrophil‐to‐lymphocyte ratio, lymphocyte‐to‐monocyte ratio, and platelet‐to‐lymphocyte ratio | |
JP3987675B2 (ja) | 臨床検査システム | |
CN111834017A (zh) | 一种精神药物治疗效果预测方法,系统和装置 | |
CN114242245A (zh) | 一种基于电子病历记录数据预测糖尿病肾病发生风险的机器学习方法、系统和装置 | |
CN115691722A (zh) | 医疗数据检测的质控方法、装置、设备、介质及程序产品 | |
Ramoji et al. | Leukocyte activation profile assessed by Raman spectroscopy helps diagnosing infection and sepsis | |
CN115099331A (zh) | 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统 | |
Al-Hakeim et al. | Development of a novel neuro-immune and opioid-associated fingerprint with a cross-validated ability to identify and authenticate unknown patients with major depression: far beyond differentiation, discrimination, and classification | |
KR20150099726A (ko) | 네트워크 엔트로피에 기초하는 생체의 상태 천이의 예조의 검출을 지원하는 검출 장치, 검출 방법 및 검출 프로그램 | |
Chromiński et al. | Comparison of outlier detection methods in biomedical data | |
JP2011007686A (ja) | 臨床検査結果の分析装置及び分析方法 | |
JPWO2017115775A1 (ja) | 分析装置、分析方法、および、分析システム | |
CN112986454A (zh) | 急性心肌梗死的血清标志物、试剂盒和用途 | |
CN114944208B (zh) | 质量控制方法、装置、电子设备及存储介质 | |
Eerkens et al. | Cultural transmission and the analysis of stylistic and functional variation | |
Yumang et al. | Application of electronic nose for diagnosing azotemia from urinalysis using principal component analysis | |
Schwarzerova et al. | An innovative perspective on metabolomics data analysis in biomedical research using concept drift detection | |
JP3982192B2 (ja) | 臨床検査システム | |
Tasaki et al. | Interpretable deep learning approach for extracting cognitive features from hand-drawn images of intersecting pentagons in older adults | |
Luong et al. | Learning deep representations from clinical data for chronic kidney disease | |
US20230253109A1 (en) | Cancer screening device and cancer screening method | |
CN112037911B (zh) | 基于机器学习的精神评估的筛查系统及其训练方法 |