JP2013008159A - 医療データ解析方法、医療データ解析装置およびプログラム - Google Patents
医療データ解析方法、医療データ解析装置およびプログラム Download PDFInfo
- Publication number
- JP2013008159A JP2013008159A JP2011139811A JP2011139811A JP2013008159A JP 2013008159 A JP2013008159 A JP 2013008159A JP 2011139811 A JP2011139811 A JP 2011139811A JP 2011139811 A JP2011139811 A JP 2011139811A JP 2013008159 A JP2013008159 A JP 2013008159A
- Authority
- JP
- Japan
- Prior art keywords
- data
- patient
- analysis
- medical data
- medical
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【解決手段】一般的に行われる健康診断や検査において得られる臨床的データと、糞便、尿、唾液、鼻腔粘液、皮膚や膣液等や血液等の被検査物を基に基礎医学系の研究所等における検査および/または分析により生成される基礎医学的データと、を基に、データマイニングの手法によるデータ解析を行い、臨床的データと基礎医学的データとを有機的に対応付け、これらの関連性を容易に把握・分別可能な分別モデルを構築する。
【選択図】図3
Description
健康診断では、例えば、性別、年齢、身長、体重、肥満度(BMI:Body Mass Index)等の身体的データ、喫煙・飲酒の習慣、食事の嗜好や内容、睡眠状況、運動の質と量等の生活習慣データ、血圧、服薬状況、既往病歴、自覚症状、医療関係者による疾病状況の診断等の生理学的データ、血液検査や尿検査等により得られる検査結果データ等、様々なデータが得られる。
これらのデータは、診断する医師に提供され、健康診断受診者の健康状態の評価や、健康の維持や疾患の予防・早期発見等に役立てられる。
このような基礎医学系の研究所等では、例えば、血液のメタボローム解析(全成分解析)や、口腔粘液、糞便、尿、唾液、鼻腔粘液、皮膚や膣液等に含まれる共生微生物の存在状態の解析を基に、患者の特性の詳細を特定することが行われている。
従って、臨床的データと基礎医学的データとの関連性を抽出することや、臨床的データと基礎医学的データの両方を使用して医学的に有益な知見を得ようとする試みは、今までほとんど行われていなかった。
まず、本実施形態において扱うデータの種類について説明する。
本実施形態では、例えば健康診断や、市中の病院等の一般的な医療施設における検査等において、患者から得られる様々なデータを、総称して臨床的データと称する。
ここで一般的な医療施設とは、後述する基礎医学系の研究を行う研究所や大学等を含まない医療施設を意味している。
臨床的データは、例えば、医師の問診や患者に対するアンケート、身体的データの測定、採血や採尿後の血液検査及び尿検査等により得られるデータである。
臨床的データには、例えば、性別、年齢、身長、体重、肥満度等の身体的データ、喫煙・飲酒の習慣、食事の嗜好や内容、睡眠状況、運動の質と量等の生活習慣データ、血圧、服薬状況、既往病歴、自覚症状、医療関係者による疾病状況の検査や診断等の生理学的データ、血液検査や尿検査等により得られる検査・分析結果データ等が含まれる。
本実施形態では、例えば基礎医学系の研究を行う研究所や大学等において、患者から採取した血液に対するメタボローム解析(全成分の検査・分析)を実施して得られたデータや、患者の糞便、尿、唾液、鼻腔粘液、皮膚や膣液等から得た共生微生物の存在状態に関するデータを基礎医学的データと称する。
図1は、本実施形態の医療データ解析方法の事業モデルの一例を示す図である。
図1には、事業モデルの一例を示す。
図1に示すように、事業者1、患者2、病院3を含む。
あるいは、事業者1自体が患者から収集した被検査物を基に、基礎医学的データを生成してもよい。
なお、データマイニングとは、蓄積されたデータを解析し、目的とする特性に関して、その中に潜む項目間の相関関係や特徴などを探し出して特性の動向を予測する手法である。
事業者1の行うデータマイニングの手法による解析の具体的方法については後に詳述する。
事業者1は、解析結果を基に、患者2の個体別に生活改善方法や生体内共生微生物の制御方法等を含む、健康のための具体的なアドバイス情報を作成することができる。そして、解析結果とともに、アドバイス情報を患者2および病院3に提供することができる。
病院3は、例えば事業者1の要請に従い、患者2を診察し臨床的データを得る。病院3は1つである必要はなく、患者毎に異なる病院3を利用するようにしてもよい。
事業者1は、医療データ解析装置100を有し、上述した臨床的データおよび基礎医学的データを使用した解析処理を行う。
以下、医療データ解析装置100の構成例について説明する。
図2は、医療データ解析装置100の構成例を示す図である。
図2に示すように、医療データ解析装置100は、記憶部101、表示部102、制御部103、入力部104の各要素を有するコンピュータである。
表示部102は、例えば液晶ディスプレイやCRT(Cathode Ray Tube)等の表示装置である。
制御部103は、例えばCPU(Central Processing Unit)等の主演算装置であり、記憶部101に記憶された所定のプログラムを実行して所定の処理を行う。
入力部104は、例えばキーボードやマウス、スキャナ等のデータ入力装置である。また、入力部104は、データ入力端子であって、オンラインでのデータ入力を受け付ける。
医療データ解析装置100は上述した構成以外にも、例えば印刷等の出力を行う出力部を有していてもよい。
次に、事業者1の医療データ解析装置100により行われる、臨床的データと基礎医学的データとの両方を使用したデータマイニングの手法による解析の具体的方法について説明する。
図3は、医療データ解析装置100において行われる、データマイニングの手法を使用した解析方法の一例を示すフローチャートである。
複数の患者2および病院3から取得した臨床的データのデータ入力を行う。
臨床的データは、予め複数の患者2および病院3から取得されたものを使用する。なお、臨床的データを患者2から採取する方法については、本発明では限定しない。臨床的データは、患者2が病院3まで出向いて生成されるのが一般的である。
予め患者2から取得した被検査物を基に生成した基礎医学的データを入力する。
ここで、被検査物とは、患者2から採取された血液、糞便、尿、唾液、鼻孔粘液、皮膚、膣液等である。本実施形態では、特に、糞便を被検査物として、糞便内に存在する共生微生物である腸内常在菌を対象とした解析を行う場合について説明する。
なお、被検査物を患者2から採取する方法については、本発明では限定しない。被検査物は、患者2自身が採取してもよいし、病院3において採取されてもよい。
基礎医学的データの生成方法については後述する。
ステップST3:
ステップST1において入力した臨床的データおよび、ステップST2において入力した基礎医学的データを基に、データマイニングの手法による解析を好適に行うために、データ整理を行う。
まず、取得した臨床的データおよび基礎医学的データを、行(縦)方向に患者2(被験生体)を、列(横)方向にデータの各項目を配置し、2次元のデータ(表)を生成する。
また、図4(b)に、2次元のデータとしての基礎医学的データの例を示す。
図4(a)では、列方向に患者名が示され、行方向にHbA1c、収縮期血圧、LDL−C、HDL−C・・・等、患者2毎の臨床的データの項目が示されている。
図4(b)では、列方向に患者名が、行方向にB332、B494、B641、B657・・・等、患者毎の基礎医学的データの項目名(ここでは、腸内常在菌の種類と量的な構成を示す名称)が示されている。B332、B494等の項目名の詳細については、後述する。
具体的には、図4(a)に例示した臨床的データと図4(b)に例示した基礎医学的データとを基に、同一患者に関する臨床的データと基礎医学的データを対応付ける。
図4(c)に、図4(a)に示す臨床的データと図4(b)に示す基礎医学的データを基に作成した単一の表の例を示す。
図4(c)に示す表は、図4(a)に示す臨床的データと図4(b)に示す基礎医学的データの両方のデータを、患者名毎に示した単一の表である。列方向には患者名が示され、行方向にはHbA1c、収縮期血圧、LDL−C、HDL−C・・・等の臨床的データの項目名の後、B332、B494、B641、B657・・・等の基礎医学的データの項目名が示される。
同一患者に関する臨床的データと基礎医学的データが対応付けられるため、図4(a)の表には存在し図4(b)の表示は存在しない患者Cおよび、図4(b)の表には存在し図4(a)の表示は存在しない患者Eは図4(c)に示す単一の表からは削除されている。
このような処理により、患者毎の臨床的データと基礎医学的データとの対応関係が明瞭になる。
本ステップでは、解析の目的となる「特性」の入力を医療データ解析装置100の入力部104を介して受け付ける。
ここで、「特性」とは、例えば事業者1により予め決定される解析の目的に応じたデータの一項目を意味する。
「特性」は、例えば解析の目的となる疾病に対応する臨床的データの一項目から選択される。
例えば、上述した図4の例では、図4(a)に示すように、臨床的データは、HbA1c、収縮期血圧、LDL−C、HDL−C・・・と様々な項目を有している。
ここで、HbA1cは、糖尿病に関連の深い項目であり、収縮期血圧は、高血圧に関連の高い項目であり、LDL−C及びHDL−Cは、脂質異常症(高脂血症)に関連の高い項目である。
また、上述した例以外の疾病に関して解析を行うことを目的とする場合は、その疾病に関連が高い項目の臨床的データをステップ1において予め入力し、本ステップにおいてその項目を選択すればよい。
このように、事業者1は、解析の目的に合わせて、臨床的データの1項目を選択し、入力部104を介して選択した項目を入力する。そして、以降のステップでは、入力された選択された項目の値に応じて解析を行うことになる。
なお、事業者1は、例えば、解析の目的とする疾病に応じて、患者2および病院3から当該疾病に関連が高い項目の臨床的データを取得するようにしてもよいし、無作為に患者2および病院3から取得した臨床的データの中から、事業者1が任意に解析の目的とする「特性」を決定するようにしてもよい。
ステップST3において生成した2次元データを基に、ステップST4において選択した「特性」に関して、データマイニングの手法によるデータ解析を行う。
データマイニングとは、蓄積されたデータを解析し、目的とする特性に関して、その中に潜む項目間の相関関係や特徴などを探し出して特性の動向を予測する手法である。
決定木(Decision Tree)とは、木構造を利用して、入力パターンに対応する分別結果のアルゴリズムを表現したものである。
分別モデルとは、与えられた数値資料に含まれるデータの特徴をデータマイニングの演算方式によって、資料中の特定項目の動向に着目及び/または整理し、データを類似集団への帰属状況に基づき個別にまとめ分類して、資料全体の持つ構造特性を再現性よく分別すること、また、後続する別の数値資料を該モデルに適用することで、容易に類似の分別結果や予測確率が得られることを特徴とする演算数式群である。
分別モデルはデータマイニングの演算方式毎に構築可能である。また、同じ数値資料、同じ演算方式であっても目的とする特性が異なれば、異なる分別モデルが生成され、電子ファイル等に保存可能である、という特徴を有する。
解析に使用するデータマイニングの手法は、例えば、C&RT法、CHAID法、QUEST法、C5.0法、ベイズ法、ロジスティック回帰法、ニューラルネットワークアルゴリズム、SVM(Support Vector Machine)、等の手法のうち、解析の目的や性質に合わせて事業者1が任意に選択した手法を使用すればよい。
上記例示したデータマイニングの演算手法のうち、C&RT法、CHAID法、QUEST法、C5.0法を使用した場合には、決定木と分別モデルとが提供され、ベイズ法、ロジスティック回帰法、ニューラルネットワークアルゴリズム、SVMを使用した場合には、分別モデルのみが提供され決定木は提供されない。
(1)C&RT法
C&RT法は、目的変数に対してできるだけ等質なデータサブセットを作成すべく、対象を2つに分別することにより決定木を構築していくものである。
具体的には、データの不純度(Gini係数)を定義し、元のデータ(親ノードのデータ)を2つのサブセット(子ノードのデータ)に分割するとき、子ノードの不純度が親ノードの不純度に対してどの程度改善されたかを示す改善度を分別作業の評価基準として構築していく。
そして、改善度が最大となるような分別点(分別変数及びその値)を再帰的に探索する過程を、停止規則を満たすまで反復する。
C&RT法においては、改善度f(t)が最大となるように分別する。すなわち、不純度が最も大きく減少するように分別する。
このようにして、決定木を構築し、出力する。
なお、C&RT法による決定木の作出には、上述したようにGini係数を使用する他に、Twoing、最小2乗偏差(LSD)等を使用する方法もあり、目的とする特性や被検査物の性格によって使い分けるようにしてもよい。
(2)ロジスティック回帰法
部分母集団iにおける応答カテゴリjの確率πijは以下のようになる。
∂l/∂Bを、パラメータBに関する1の一次導関数の(J−1)p×1ベクトルとする。
さらに、[∂2l/∂B∂B]を、パラメータBに関する二次導関数1の(J−1)p×(J−1)p行列とする。
ξ>0はl(B(ν+1))−l(B(ν))≧0となるようなステップ基準スカラーであり、X*は独立ベクトルの(J−1)p×(J−1)行列となる。
l(B(ν+1))−l(B(ν))<0の場合は、段階二分法を使用し、νがステップの最大数とすると、ξの値のセットは{1/2ν:ν=0,...,ν−1}となる。
(1)|l(B(ν+1))−l(B(ν))|<εk
(2)maxi|Bi (ν+1)−Bi (ν)|<εp
(3)∂l/∂B(ν+1)中の上記要素の最大値がmin(εk,εp)未満
このような演算方法により、分別モデルが生成される。
次に、基礎医学的データの生成方法について説明する。
本実施形態では、基礎医学的データとして患者から採取した糞便に含まれる腸内常在菌等の分析値を使用する場合について説明する。
腸内常在菌の分析値を得る方法には、例えばターミナル−RFLP(Terminal Restriction Fragment Length Polymorphism Analysis:T−RFLP)法がある。
T−RFLP法は、被検査物から微生物由来の16S rDNA遺伝子を抽出し、その鋳型DNAをPCR(ポリメラーゼ連鎖反応:Polymerase Chain Reaction)により増幅し、制限酵素(DNAの特定の塩基配列部位を切断する性質を持つ酵素)による消化後にフラグメント検査・分析を行い、制限酵素の切断部位が異なることを利用してそのピーク位置や強度の違いを計測する方法である。
T−RFLP法において、各DNA断片は共生微生物由来のOTU(Operational Taxonomic Unit:操作上の分別単位)として分別・計測される。
ここで、「B332」や「B494」等の項目名は、使用した制限酵素と、その制限酵素を使用して得られたピーク位置とを示すものである。
すなわち、「B332」の場合、例えばBslIという制限酵素を用いて得られたピーク位置が「332」であるOTUを意味している。すなわち、制限酵素の頭文字と、その制限酵素を用いて得られたピーク位置とを結びつけて項目名としている。
本実施形態では、制限酵素としてBslIを使用した例を示したが、本発明はこれには限定されない。他の制限酵素、例えば、MspI、AluI、HaeIII等を使用してもよい。
このような事情により、本実施形態では、使用した制限酵素と、その制限酵素を使用して得られたピーク位置とを示すOTUを項目名として採用している。
以下では、データマイニングの手法によりデータ解析の具体例を示す。
一例として、図4(a)に示す各項目をそれぞれ特性とした場合のデータ解析結果を示す。
[1]HbA1cを特性とした場合
HbA1c(ヘモグロビンA1c)を特性として選択した場合について説明する。
HbA1cはブドウ糖と結びついたヘモグロビン(血色素)であり、糖尿病と大きな関連性を有する項目である。
図5は、C&RT法でHbA1cを特性として解析を行った結果得られた決定木の一例である。図5は、定期健康診断で生活習慣病が懸念された男女121名を対象にしたアンケート、問診、血液も含む各種検査からの取得された臨床的データおよび基礎医学的データを基にしたものである。
最も左側のノードであるノード0をルートノードといい、データ解析の対象となった全ての患者がこのノードに含まれる。
ノード0に含まれる全ての患者は、予めA〜Dの4つのカテゴリに分別されている。
このカテゴリ分けは、例えば解析の目的や性格に合わせて、事業者1によって例えば事業者1の入力部104を介した操作により予め行われている。
図5に示す例では、HbA1cの値の多寡に応じてカテゴリ分けがなされている。カテゴリ分けは、例えばHbA1cの値が所定のしきい値以下であるか、所定のしきい値より大であるか、に応じてなされればよい。
図6に示すように、カテゴリAは最もHbA1c濃度の低い患者が属するカテゴリであり、カテゴリDが最もHbA1c濃度の高い患者が属するカテゴリである。最もHbA1c濃度の高いカテゴリDに属する患者群は、糖尿病の重篤な患者である。
図5に示す例では、全患者数121人のうち、カテゴリAに該当する患者数は42人であり、割合は34.711%である。カテゴリBに該当する患者数は46人であり、割合は38.017%である。カテゴリCに該当する患者数は14人であり、割合は11.570%である。カテゴリDに該当する患者数は19人であり、割合は15.702%である。
この分別の条件が図5におけるノード0とノード1および2との間に記述されている。ノード0の右側に記述された「B494_tr」が分別に寄与するOTUを示し、ノード1の左側に記述された「<=21.923」およびノード2の左側に記述された「>21.023」が分別の際の境界値を示している。
すなわち、図5では、ノード0からノード1および2に分別する際に、「B494_tr」というOTUの値が境界値21.923以下であればノード1に、21.923より大であればノード2に分別している。
なお、「B494_tr」とは、Bを頭文字とする制限酵素BslIによるピーク位置が494であるOTUを意味しており、上述した基礎医学的データの項目の一つである。なお、「B494_tr」の「_tr」は上述したC&RT法による演算の際、各項目毎に基準化した値を使用したことを示している。
収縮期血圧を特性として選択した場合について説明する。
収縮期血圧は高血圧症と大きな関連性を有する特性である。
図7は、C&RT法で収縮期血圧を特性として解析を行った結果得られた決定木の一例である。図7は、定期健康診断で生活習慣病が懸念された男女121名を対象にしたアンケート、問診、血液も含む各種検査からの取得された臨床的データおよび基礎医学的データを基にしたものである。
図8に示すしきい値によりカテゴリ分けされたカテゴリJ〜Mにおいて、カテゴリMが最も収縮期血圧が高い患者の属するカテゴリである。
従って、図7に示す決定木からは、「B469」、「B124」、「B366」等のOTUが高血圧症の発生に大きな関連性を有することを容易に推測することができる。
[3]LDL−CおよびHDL−Cを特性とした場合
LDL−CおよびHDL−C(コレステロール値)を特性として選択した場合について説明する。
LDL−CおよびHDL−Cは脂質異常症(高脂血症)と大きな関連性を有する特性である。
図9は、C&RT法でLDL−CおよびHDL−Cを特性として解析を行った結果得られた決定木の一例である。図9は、定期健康診断で生活習慣病が懸念された男女121名を対象にしたアンケート、問診、血液も含む各種検査からの取得された臨床的データおよび基礎医学的データを基にしたものである。
図10に示すようなしきい値によりカテゴリ分けされたカテゴリP〜Sにおいて、カテゴリSは最も重篤な脂質異常症の患者の属するカテゴリ、カテゴリPは正常な患者の属するカテゴリである。カテゴリQおよびRは脂質異常症に関して要注意状態の患者の属するカテゴリである。
そして、ノード5にはカテゴリQの多くの患者が含まれ、ノード12にはカテゴリRの全員が含まれている。ノード4からノード5とノード12への分別に関わるOTUは「B990」である。すなわち、ノード12からノード13(全員が正常な患者の属するカテゴリPに含まれる)とノード14(要注意状態の患者の属するカテゴリQおよびRの患者が含まれる)への分別を考慮すると、「B990」の微妙な濃度差が脂質異常症の発症に大きく影響していることが推測できる。
また、臨床的データに含まれる複数の項目のうち、データ解析の目的に応じた項目を選択し、選択した項目(特性)と基礎医学的データの各項目の数値データを基にデータ解析を行うことができる。従って、同一のデータ(臨床的データおよび基礎医学的データ)から、目的とする項目を変更するだけで、目的に応じた決定木を構築することができる。
具体的には、例えば、新しい患者の基礎医学的データのみを取得した場合に、上述した実施形態において特性「HbA1c」について構築した決定木(図5参照)を参照するならば、構築した決定木において、分別に対応するOTUと分別境界値とが明らかになっているので、新しい患者のデータに対しては既に生成されている分別モデルを適用するだけで、新しい患者のそれぞれがどのノードに含まれるかを容易に推測することができ、これにより目的とする特性に対する新しい患者の疾病状況の予測分別等が可能となる。
すなわち、当業者は、本発明の技術的範囲またはその均等の範囲内において、上述した実施形態の構成要素に関し、様々な変更、コンビネーション、サブコンビネーション、並びに代替を行ってもよい。
数理的重要度は、例えば最近隣分析法等により算出する。
数理的重要度は、目的とする特性に対する類似性に基づいて各成分のデータパターンを識別し、その遠近距離を分類する非類似度の尺度として用いるものである。
具体的には、成分の重要度をFI(p)とし、パターンを比較した際の誤差率または誤差平方和をeとすると、生成された数値モデルにX(1),X(2),...,X(m)(1≦m≦P0)があれば、そのモデルOTU X(p)の重要度を、次の式で算出する。
そして、FI(p)=e(p)+1/mを算出し、最後に当該成分X(p)の重要度を得る。
ここで、Xは、要素Xpnを持つ2次元のP×N行列で、p=1,〜,Pは成分を、n=1,〜,Nは被験生体の計測事例を指す。また、Pは、目的とする特性の次元数であって、連続型では成分の数、カテゴリ型の特性では成分全体のカテゴリ数である。
Claims (10)
- 複数の患者に関する身体的データ、患者の生活習慣に関するデータ、患者の疾病状態に関するデータ、患者から得られる被検査物の検査結果に関するデータ、の内、少なくともいずれかのデータを含む臨床的データと、患者から得られる被検査物に対する基礎医学的な検査及び/または分析の結果に関するデータである基礎医学的データと、を基に、データ解析を行う医療データ解析装置の医療データ解析方法であって、
医療データ解析装置が、同一患者に関する前記臨床的データと前記基礎医学的データを対応付ける第1のステップと、
医療データ解析装置が、予め選択された前記臨床的データの一項目に対して、前記第1のステップにおいて対応付けられた基礎医学的データを基に、データマイニングの手法を用いたデータ解析を行う第2のステップと、
を有する医療データ解析方法。 - 前記第2のステップにおいて、前記データマイニングの手法により、前記基礎医学的データにおける類似集団を抽出し、当該基礎医学的データ全体の有する構造特性を分別するための分別モデルを生成する
請求項1に記載の医療データ解析方法。 - 前記第2のステップにおいて、前記データマイニングの手法として、少なくともC&RT法、CHAID法、QUEST法、C5.0法のいずれかを使用し、前記医療データ解析装置は、当該手法により決定木及び前記分別モデルを構築する
請求項2に記載の医療データ解析方法。 - 前記第2のステップにおいて、前記データマイニングの手法として、少なくともベイズ法、ロジスティック回帰法、ニューラルネットワークアルゴリズム、SVM(Support Vector Machine)のいずれかを使用し、前記医療データ解析装置は、当該手法により前記分別モデルを構築する
請求項2または3に記載の医療データ解析方法。 - 前記第2のステップにおいて、前記医療データ解析装置は、前記予め選択された前記臨床的データの一項目を目的変数として設定し、前記対応付けられた基礎医学的データの各項目を説明変数として、データマイニングの手法により前記分別モデルを構築する
請求項2から4のいずれか一項に記載の医療データ解析方法。 - 前記複数の患者に関する身体的データは、性別、年齢、身長、体重、肥満度の内、少なくともいずれかのデータを含み、
前記患者の生活習慣に関するデータは、喫煙習慣、晩酌習慣、食事の嗜好、食事の内容、睡眠状況、運動の質、運動の量の内、少なくともいずれかのデータを含み、
前記患者の疾病状態に関するデータは、血圧、服薬状況、既往病歴、自覚症状、医療関係者による診断結果の内、少なくともいずれかのデータを含み、
前記患者から得られる被検査物の検査結果に関するデータは、血液検査の結果および尿検査の結果の内、少なくともいずれかのデータを含む
請求項1から5のいずれか一項に記載の医療データ解析方法。 - 前記患者から得られる被検査物に対する基礎医学的な検査及び/または分析の結果に関するデータは、患者の糞便、尿、唾液、鼻腔粘液、皮膚や膣液の少なくともいずれかを検査及び/または分析して得られる共生微生物に関するデータである
請求項1から5のいずれか一項に記載の医療データ解析方法。 - 前記患者から得られる被検査物に対する基礎医学的な検査及び/または分析の結果に関するデータは、患者の血液のメタボローム解析による解析結果データである
請求項1から5のいずれか一項に記載の医療データ解析方法。 - 複数の患者に関する身体的データ、患者の生活習慣に関するデータ、患者の疾病状態に関するデータ、患者から得られる被検査物の検査結果に関するデータ、の内、少なくともいずれかのデータを含む臨床的データと、患者から得られる被検査物に対する基礎医学的な検査及び/または分析の結果に関するデータである基礎医学的データと、を基に、データ解析を行う医療データ解析装置であって、
前記臨床的データおよび前記基礎医学的データを記憶する記憶部と、
入力操作を受け付ける入力部と、
制御部と、
を有し、
前記制御部は、同一患者に関する前記臨床的データと前記基礎医学的データを対応付け、前記入力部を介した入力操作により予め選択された前記臨床的データの一項目に対して、前記対応付けられた基礎医学的データを基に、データマイニングの手法を用いたデータ解析を行う
医療データ解析装置。 - 複数の患者に関する身体的データ、患者の生活習慣に関するデータ、患者の疾病状態に関するデータ、患者から得られる被検査物の検査結果に関するデータ、の内、少なくともいずれかのデータを含む臨床的データと、患者から得られる被検査物に対する基礎医学的な検査及び/または分析の結果に関するデータである基礎医学的データと、を基に、データ解析を行う医療データ解析装置が有するコンピュータの実行するプログラムであって、
同一患者に関する前記臨床的データと前記基礎医学的データを対応付ける第1の手順と、
予め選択された前記臨床的データの一項目に対して、前記第1の手順において対応付けられた基礎医学的データを基に、データマイニングの手法を用いたデータ解析を行う第2の手順と、
を前記コンピュータに実行させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011139811A JP5645761B2 (ja) | 2011-06-23 | 2011-06-23 | 医療データ解析方法、医療データ解析装置およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011139811A JP5645761B2 (ja) | 2011-06-23 | 2011-06-23 | 医療データ解析方法、医療データ解析装置およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013008159A true JP2013008159A (ja) | 2013-01-10 |
JP5645761B2 JP5645761B2 (ja) | 2014-12-24 |
Family
ID=47675467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011139811A Expired - Fee Related JP5645761B2 (ja) | 2011-06-23 | 2011-06-23 | 医療データ解析方法、医療データ解析装置およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5645761B2 (ja) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016192204A (ja) * | 2015-03-30 | 2016-11-10 | 日本電気株式会社 | 関係データのためのデータモデル生成方法及びシステム |
JP6068715B1 (ja) * | 2016-07-06 | 2017-01-25 | 原 正彦 | 介入効果推測システム、介入効果推測方法、及び、介入効果推測システムに用いるプログラム |
US9946796B2 (en) | 2012-05-23 | 2018-04-17 | Iphenotype Llc | Phenotypic integrated social search database and method |
CN110517787A (zh) * | 2019-08-30 | 2019-11-29 | 山东健康医疗大数据有限公司 | 一种基于中文医疗主诉分析的临床数据组分类方法 |
KR102304402B1 (ko) * | 2021-03-26 | 2021-09-24 | 주식회사 에이치이엠파마 | 머신러닝 모델을 이용하여 비만 여부를 판별하는 방법 및 진단 장치 |
JP6999996B1 (ja) * | 2020-03-31 | 2022-02-10 | 株式会社Peco | 動物患者用診断提案システム、動物患者用診断提案端末、動物患者用診断提案プログラム |
CN114334167A (zh) * | 2021-12-31 | 2022-04-12 | 医渡云(北京)技术有限公司 | 医学数据挖掘方法及装置、存储介质、电子设备 |
JP2022540195A (ja) * | 2019-07-12 | 2022-09-14 | ディープ バイオ インク | 自動閾値化を用いたデータ処理方法及びシステム |
CN116453641A (zh) * | 2023-06-19 | 2023-07-18 | 潍坊医学院附属医院 | 一种中医辅助分析信息的数据处理方法及系统 |
JP7411619B2 (ja) | 2016-10-31 | 2024-01-11 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
JP7479604B2 (ja) | 2019-07-31 | 2024-05-09 | 都築電気株式会社 | 機械学習を用いた退院日予測方法及び装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003310557A (ja) * | 2002-04-19 | 2003-11-05 | Keio Gijuku | 診療支援装置、診療支援方法、及び診療支援プログラム |
-
2011
- 2011-06-23 JP JP2011139811A patent/JP5645761B2/ja not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003310557A (ja) * | 2002-04-19 | 2003-11-05 | Keio Gijuku | 診療支援装置、診療支援方法、及び診療支援プログラム |
Non-Patent Citations (6)
Title |
---|
CSNC201000298027; 服部 正平: '疾患と腸内細菌叢のメタゲノム解析' 日本臨牀 Vol.67 No.6, 20090601, pp.1214-1218 * |
CSNG200400206011; 稲田 政則: 'メタ学習による肝機能検査データからの因果モデルの構築' 情報処理学会研究報告2002-ICS-128 Vol.2002 No.45, 20020524, pp.73-78 * |
CSNG200400431002; 津本 周作: '医療におけるデータマイニングの現状' システム/制御/情報 Vol.46 No.4, 20020415, pp.184-189 * |
JPN6014014605; 服部 正平: '疾患と腸内細菌叢のメタゲノム解析' 日本臨牀 Vol.67 No.6, 20090601, pp.1214-1218 * |
JPN6014014607; 津本 周作: '医療におけるデータマイニングの現状' システム/制御/情報 Vol.46 No.4, 20020415, pp.184-189 * |
JPN6014014611; 稲田 政則: 'メタ学習による肝機能検査データからの因果モデルの構築' 情報処理学会研究報告2002-ICS-128 Vol.2002 No.45, 20020524, pp.73-78 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9946796B2 (en) | 2012-05-23 | 2018-04-17 | Iphenotype Llc | Phenotypic integrated social search database and method |
JP2016192204A (ja) * | 2015-03-30 | 2016-11-10 | 日本電気株式会社 | 関係データのためのデータモデル生成方法及びシステム |
JP6068715B1 (ja) * | 2016-07-06 | 2017-01-25 | 原 正彦 | 介入効果推測システム、介入効果推測方法、及び、介入効果推測システムに用いるプログラム |
WO2018008288A1 (ja) * | 2016-07-06 | 2018-01-11 | 臨床医学研究所株式会社 | 介入効果推測システム、介入効果推測方法、及び、介入効果推測システムに用いるプログラム |
JP2018005707A (ja) * | 2016-07-06 | 2018-01-11 | 原 正彦 | 介入効果推測システム、介入効果推測方法、及び、介入効果推測システムに用いるプログラム |
JP7411619B2 (ja) | 2016-10-31 | 2024-01-11 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
JP2022540195A (ja) * | 2019-07-12 | 2022-09-14 | ディープ バイオ インク | 自動閾値化を用いたデータ処理方法及びシステム |
JP7345811B2 (ja) | 2019-07-12 | 2023-09-19 | ディープ バイオ インク | 自動閾値化を用いたデータ処理方法及びシステム |
JP7479604B2 (ja) | 2019-07-31 | 2024-05-09 | 都築電気株式会社 | 機械学習を用いた退院日予測方法及び装置 |
CN110517787A (zh) * | 2019-08-30 | 2019-11-29 | 山东健康医疗大数据有限公司 | 一种基于中文医疗主诉分析的临床数据组分类方法 |
JP6999996B1 (ja) * | 2020-03-31 | 2022-02-10 | 株式会社Peco | 動物患者用診断提案システム、動物患者用診断提案端末、動物患者用診断提案プログラム |
KR102304402B1 (ko) * | 2021-03-26 | 2021-09-24 | 주식회사 에이치이엠파마 | 머신러닝 모델을 이용하여 비만 여부를 판별하는 방법 및 진단 장치 |
CN114334167A (zh) * | 2021-12-31 | 2022-04-12 | 医渡云(北京)技术有限公司 | 医学数据挖掘方法及装置、存储介质、电子设备 |
CN116453641A (zh) * | 2023-06-19 | 2023-07-18 | 潍坊医学院附属医院 | 一种中医辅助分析信息的数据处理方法及系统 |
CN116453641B (zh) * | 2023-06-19 | 2023-09-05 | 潍坊医学院附属医院 | 一种中医辅助分析信息的数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP5645761B2 (ja) | 2014-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5645761B2 (ja) | 医療データ解析方法、医療データ解析装置およびプログラム | |
JP6127160B2 (ja) | 個人化ヘルスケアシステム及び方法 | |
JP2017174405A (ja) | オープンデータ及び臨床医の入力を用いて患者の治療リスクを評価するシステム及び方法 | |
JP6533930B1 (ja) | 疾病評価指標算出方法、装置、システム、及び、プログラム、並びに、疾病評価指標を算出するためのモデル作成方法。 | |
Gharehchopogh et al. | Neural network application in diagnosis of patient: a case study | |
EP2628113A1 (en) | Healthcare information technology system for predicting development of cardiovascular conditions | |
Khajehei et al. | Data mining and medical research studies | |
US20220172841A1 (en) | Methods of identifying individuals at risk of developing a specific chronic disease | |
JP2009205464A (ja) | 医療情報処理装置、医療情報処理方法、及び医療情報処理プログラム | |
CN110603592B (zh) | 生物标志物检测方法、疾病判断方法、生物标志物检测装置和生物标志物检测程序 | |
Imamura et al. | A technique for identifying three diagnostic findings using association analysis | |
Samet et al. | Predicting and staging chronic kidney disease using optimized random forest algorithm | |
Josephson et al. | A systematic review of clinical decision rules for epilepsy | |
Navaz et al. | The use of data mining techniques to predict mortality and length of stay in an ICU | |
Campero-Jurado et al. | Problems in pregnancy, modeling fetal mortality through the Naïve Bayes classifier. | |
Yang et al. | A robust phenotype-driven likelihood ratio analysis approach assisting interpretable clinical diagnosis of rare diseases | |
GB2548627A (en) | A system and a method for assessing patient treatment risk using open data and clinician input | |
Gauthier et al. | Challenges to building a platform for a breast cancer risk score | |
Kanchana et al. | Prediction of autism spectrum disorder using random forest classifier in adults | |
Vives et al. | Develop a Model for Assessing the Most Efficient Diseases Diagnosis using Machine Learning | |
WO2020213732A1 (ja) | 過敏性腸症候群の検査方法 | |
US20230187041A1 (en) | Real-time method of bio big data automatic collection for personalized lifespan prediction | |
Gao et al. | Systematic review and network meta-analysis of machine learning algorithms in sepsis prediction | |
Wagachchi | Machine learning-based system to predicting the diagnosis of coronary artery disease | |
Niemann | Intelligent assistance for expert-driven subpopulation discovery in high-dimensional timestamped medical data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130829 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140307 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140408 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140530 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20140617 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140912 |
|
A911 | Transfer of reconsideration by examiner before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20141010 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20141028 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20141104 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5645761 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |