JP2013061785A - 生死予測装置とその方法、生死予測プログラム及び記録媒体 - Google Patents
生死予測装置とその方法、生死予測プログラム及び記録媒体 Download PDFInfo
- Publication number
- JP2013061785A JP2013061785A JP2011199648A JP2011199648A JP2013061785A JP 2013061785 A JP2013061785 A JP 2013061785A JP 2011199648 A JP2011199648 A JP 2011199648A JP 2011199648 A JP2011199648 A JP 2011199648A JP 2013061785 A JP2013061785 A JP 2013061785A
- Authority
- JP
- Japan
- Prior art keywords
- death
- life
- years
- data
- sample
- 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】10年以内生死予測装置において、性別、総コレステロール値t.cho(mg/dl)、糖尿病の有無、高感度CRP(hsCRP)(mg/dl)、及びホモシステイン(Homocysteine)(μmol/l)を含む入力項目のデータを入力し、複数の被験者についての上記入力項目及び10年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された10年以内の生死予測の評価式Zを用いて、上記入力された入力項目のデータに基づいて評価値Zを計算し、上記計算された評価値Zに対応する生存又は死亡の評価結果を出力する。
【選択図】図5
Description
(1)性別、
(2)総コレステロール値t.cho(mg/dl)、
(3)糖尿病の有無、
(4)高感度CRP(hsCRP)(mg/dl)、及び
(5)ホモシステイン(Homocysteine)(μmol/l)を含む入力項目のデータを入力する入力手段と、
複数の被験者についての上記入力項目及び10年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された10年以内の生死予測の評価式Zを用いて、上記入力された入力項目のデータに基づいて評価値Zを計算する計算手段と、
上記計算された評価値Zに対応する生存又は死亡の評価結果を出力する出力手段とを備えたことを特徴とする。
上記出力手段はさらに、上記高感度CRP(hsCRP)を上記計算された生死しきい値未満にすることで10年以上生存する確率が高くなることからなるコメントを出力することを特徴とする。
上記出力手段はさらに、上記ホモシステイン(Homocysteine)を上記計算された生死しきい値未満にすることで10年以上生存する確率が高くなることからなるコメントを出力することを特徴とする。
Z=−0.856709×Gender−0.011564×t.cho
+0.770368×Diabetes+0.29127×ln(hsCRP)
+0.116553×Homocysteine+2.927662
で表され、
(a)上記Genderは性別であって、男性のとき1であり、女性のとき2であり、
(b)上記Diabetesは「ヘモグロビンA1c(HbA1c)が6.5%以上もしくは糖尿病の治療を受けているか否か」である上記糖尿病の有無であり、ヘモグロビンA1c(HbA1c)が6.5%以上もしくは糖尿病の治療を受けているとき1であり、それ以外のとき0であることを特徴とする。
Z=ZA−ZB
(1)性別、
(2)総コレステロール値t.cho(mg/dl)、
(3)糖尿病の有無、
(4)高感度CRP(hsCRP)(mg/dl)、及び
(5)ホモシステイン(Homocysteine)(μmol/l)を含む入力項目のデータを入力するステップと、
上記コンピュータが、複数の被験者についての上記入力項目及び10年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された10年以内の生死予測の評価式Zを用いて、上記入力された入力項目のデータに基づいて評価値Zを計算するステップと、
上記コンピュータが、上記計算された評価値Zに対応する生存又は死亡の評価結果を出力するステップとを含むことを特徴とする。
上記出力ステップはさらに、上記コンピュータが、上記高感度CRP(hsCRP)を上記計算された生死しきい値未満にすることで10年以上生存する確率が高くなることからなるコメントを出力することを特徴とする。
上記出力するステップはさらに、上記ホモシステイン(Homocysteine)を上記計算された生死しきい値未満にすることで10年以上生存する確率が高くなることからなるコメントを出力することを特徴とする。
Z=−0.856709×Gender−0.011564×t.cho
+0.770368×Diabetes+0.29127×ln(hsCRP)
+0.116553×Homocysteine+2.927662
で表され、
(a)上記Genderは性別であって、男性のとき1であり、女性のとき2であり、
(b)上記Diabetesは「ヘモグロビンA1c(HbA1c)が6.5%以上もしくは糖尿病の治療を受けているか否か」である上記糖尿病の有無であり、ヘモグロビンA1c(HbA1c)が6.5%以上もしくは糖尿病の治療を受けているとき1であり、それ以外のとき0であることを特徴とする。
Z=ZA−ZB
(1)年齢Age、
(2)性別Gender、
(3)収縮期血圧sbp(mmHg)、
(4)総コレステロール値t.cho(mg/dl)、
(5)ヘモグロビンA1c(HbA1c)(%)、及び
(6)喫煙の有無を含む入力項目のデータを入力する入力手段と、
複数の被験者についての上記入力項目及び10年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された10年以内の生死予測の評価式Zを用いて、上記入力された入力項目のデータに基づいて評価値Zを計算する計算手段と、
上記計算された評価値Zに対応する生存又は死亡の評価結果を出力する出力手段とを備え、
上記評価式Zは、
Z=0.123978×Age−0.856709×Gender
+0.018992×sbp−0.011564×t.cho
+0.249791×HbA1c+0.748658×Smoke
−8.871682
で表され、
(a)上記Genderは性別であって、男性のとき1であり、女性のとき2であり、
(b)上記Smokeは喫煙者のとき1であり、非喫煙者のとき0であり、
上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を0とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
Z=ZA−ZB
(1)年齢Age、
(2)性別Gender、
(3)収縮期血圧sbp(mmHg)、
(4)総コレステロール値t.cho(mh/dl)、
(5)ヘモグロビンA1c(HbA1c)(%)、及び
(6)喫煙の有無を含む入力項目のデータを入力するステップと、
上記コンピュータが、複数の被験者についての上記入力項目及び10年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された10年以内の生死予測の評価式Zを用いて、上記入力された入力項目のデータに基づいて評価値Zを計算するステップと、
上記コンピュータが、上記計算された評価値Zに対応する生存又は死亡の評価結果を出力するステップとを含み、
上記評価式Zは、
Z=0.123978×Age−0.856709×Gender
+0.018992×sbp−0.011564×t.cho
+0.249791×HbA1c+0.748658×Smoke
−8.871682
で表され、
(a)上記Genderは性別であって、男性のとき1であり、女性のとき2であり、
(b)上記Smokeは喫煙者のとき1であり、非喫煙者のとき0であり、
上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を0とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
Z=ZA−ZB
Z=ZA−ZB (1)
[数2]
Zi=(1/2)(x−μi)TΣW −1(x−μi)−lnPi,i=A,B
[数3]
ΣW=PAΣA+PBΣB
Z=ZA−ZB (2)
Z=0.123978×Age−0.856709×Gender
+0.018992×sbp−0.011564×t.cho
+0.249791×HbA1c+0.748658×Smoke
−8.871682 (3)
(1)年齢Age、
(2)性別Gender、
(3)高血圧への進展関連因子、
(4)高コレステロール血症への進展/脂質異常症への進展関連因子、
(5)糖尿病への進展関連因子、
(6)喫煙の有無、
(7)フォンヴィレブランド因子(von Willebrand factor(vWF))、
(8)高感度CRP(hsCRP)、
(9)ホモシステイン(Homocysteine)
の9種類の候補因子の中から10年生死予測率の観点で最適な予測因子群を選択し、最適な予測因子群を用いて、第2の実施形態に係る10年以内生死予測装置10を構築した。
F=(40、50歳代の生存予測率+60歳代の生存予測率+70歳代以上の生存予測率+40、50歳代の死亡予測率+60歳代の死亡予測率+70歳代以上の死亡予測率)/6 (4)
[数7]
(y歳代の生存予測率)=(y歳代の生存予測正解症例数)/(y歳代の生存症例数)
[数8]
(y歳代の死亡予測率)=(y歳代の死亡予測正解症例数)/(y歳代の死亡症例数)
である。
(手順2)NTra個の訓練サンプルを(NTRa−1)個の疑似訓練サンプル(疑似訓練サンプル集合)と1個の疑似テストサンプルとに分割する。
(手順3)疑似訓練サンプル集合を用いて因子群Ωを用いた改良フィッシャー線形識別器(リーブワンアウト法を用いた10年以内生死予測装置10)を構築する。
(手順4)リーブワンアウト法を用いた10年以内生死予測装置10を用いて疑似テストサンプルの生死予測を行う。
(手順5)手順2〜5の処理を、すべての訓練サンプルが一度限り疑似テストサンプルに選択されるまで繰り返し、NTra個の10年以内生死予測結果を求める。この予測結果を基に全年代平均予測率FΩを推定する。
(手順6)手順1〜5を候補因子のすべての組合せ(d=1〜9)が選択されるまで繰り返す。ただし、同一種類の因子については同時に組合せとして選択されない。例えば、高血圧への進展関連因子に属する高血圧の有無Iと高血圧の有無IIは同時に選択されることはない。
(手順7)全年代平均予測率FΩが最大となる因子群Ωmaxを最適因子群とする。
Z=−0.856709×Gender−0.011564×t.cho
+0.770368×DiabetesII+0.29127×ln(hsCRP)
+0.116553×Homocysteine+2.927662 (5)
(1)性別Gender、
(2)総コレステロール値(t.cho)、
(3)糖尿病の有無II(DiabetesII)、及び
(4)ホモシステイン(Homocysteine)
とを被験者のデータ値とし、次式(6)を用いて高感度CRP(hsCRP)の生死しきい値hsCRPTHを計算することにより、当該生死しきい値hsCRPTH未満にすることで10年以上生存する確率が高くなると予測することができる。
Z=−0.856709×Gender−0.011564×t.cho
+0.770368×DiabetesII+0.29127×ln(hsCRPTH)
+0.116553×Homocysteine+2.927662=0
(6)
(1)性別Gender、
(2)総コレステロール値(t.cho)、
(3)糖尿病の有無II(DiabetesII)、及び
(4)高感度CRP(hsCRP)
とを被験者のデータ値とし、次式(7)を用いてホモシステイン(Homocysteine)の生死しきい値HomocysteineTHを計算することにより、当該生死しきい値HomocysteineTH未満にすることで10年以上生存する確率が高くなると予測することができる。
Z=−0.856709×Gender−0.011564×t.cho
+0.770368×DiabetesII+0.29127×ln(hsCRP)
+0.116553×HomocysteineTH+2.927662=0
(7)
(a)当該10年以内生死予測装置10の動作及び処理を演算及び制御するデジタル計算機からなるコンピュータのCPU(中央演算処理装置)20と、
(b)オペレーションプログラムなどの基本プログラム及びそれを実行するために必要なデータを格納するROM(読み出し専用メモリ)21と、
(c)CPU20のワーキングメモリとして動作し、当該10年以内生死予測処理で必要なパラメータやデータを一時的に格納するRAM(ランダムアクセスメモリ)22と、
(d)当該10年以内生死予測処理において用いる入力項目のデータなどの各種データを格納するためのハードディスクメモリ23と、
(e)例えばハードディスクメモリで構成され、CD−ROMドライブ装置45を用いて読み込んだ、図3〜図4の10年以内生死予測処理の処理プログラム(これらのプログラムはコンピュータにより実行可能なプログラムである。)を格納するプログラムメモリ24と、
(f)外部通信端末装置70とインターネット80を介して接続され、外部通信端末装置70とデータを送受信する通信インターフェース50と、
(g)所定のデータや指示コマンドを入力するためのキーボード41に接続され、キーボード41から入力されたデータや指示コマンドを受信して所定の信号変換などのインターフェース処理を行ってCPU20に伝送するキーボードインターフェース31と、
(h)液晶ディスプレイ43上で指示コマンドを入力するためのマウス42に接続され、マウス42から入力されたデータや指示コマンドを受信して所定の信号変換などのインターフェース処理を行ってCPU20に伝送するマウスインターフェース32と、
(i)CPU20によって処理されたデータや設定指示画面、生成された出力データなどを表示する液晶ディスプレイ43に接続され、表示すべき画像データを液晶ディスプレイ43用の画像信号に変換して液晶ディスプレイ43に出力して表示するディスプレイインターフェース33と、
(j)CPU20によって処理されたデータ及び所定の生成された出力データなどを印字するプリンタ44に接続され、印字すべき印字データの所定の信号変換などを行ってプリンタ44に出力して印字するプリンタインターフェース34と、
(k)図3〜図4の10年以内生死予測処理の処理プログラムが記憶されたCD−ROM45aから当該プログラムのプログラムデータを読み出すCD−ROMドライブ装置45に接続され、読み出された画像処理プログラムのプログラムデータを所定の信号変換などを行ってプログラムメモリ24に転送するドライブ装置インターフェース35aと、
(l)例えば入力項目のデータを記憶する、例えばハードディスクメモリなどの外部記憶装置60に接続され、読み出されたデータを所定の信号変換などを行ってCPU20又はハードディスクメモリ23に転送するドライブ装置インターフェース35bとを備え、
これらの回路20〜24、31〜34、35a、35b及び50はバス30を介して接続される。
(1)性別Gender(男性、女性)、
(2)総コレステロール値t.cho(mg/dl)、
(3)糖尿病の有無II「ヘモグロビンA1c(HbA1c)が6.5%以上もしくは糖尿病の治療を受けているか否か」、
(4)高感度CRP(hsCRP)(mg/dl)、及び
(5)ホモシステイン(Homocysteine)(μmol/l)。
20…CPU、
21…ROM、
22…RAM、
23…ハードディスクメモリ、
24…プログラムメモリ、
30…バス、
31…キーボードインターフェース、
32…マウスインターフェース、
33…ディスプレイインターフェース、
34…プリンタインターフェース、
35a,35b…ドライブ装置インターフェース、
41…キーボード、
42…マウス、
43…液晶ディスプレイ、
44…プリンタ、
45…CD−ROMドライブ装置、
45a…CD−ROM、
50…通信インターフェース、
60…外部記憶装置、
70…外部通信端末装置、
80…インターネット、
90…サンプル集合、
91,92…訓練サンプル集合、
93,94…テストサンプル集合。
Claims (16)
- 所定の入力項目のデータに基づいて被験者の10年以内の生死を予測する10年以内生死予測装置であって、
(1)性別、
(2)総コレステロール値t.cho(mg/dl)、
(3)糖尿病の有無、
(4)高感度CRP(hsCRP)(mg/dl)、及び
(5)ホモシステイン(Homocysteine)(μmol/l)を含む入力項目のデータを入力する入力手段と、
複数の被験者についての上記入力項目及び10年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された10年以内の生死予測の評価式Zを用いて、上記入力された入力項目のデータに基づいて評価値Zを計算する計算手段と、
上記計算された評価値Zに対応する生存又は死亡の評価結果を出力する出力手段とを備えたことを特徴とする10年以内生死予測装置。 - 上記計算手段はさらに、高感度CRP(hsCRP)以外の入力項目のデータを用いて、評価値Z=0となるときの高感度CRP(hsCRP)の生死しきい値を計算し、
上記出力手段はさらに、上記高感度CRP(hsCRP)を上記計算された生死しきい値未満にすることで10年以上生存する確率が高くなることからなるコメントを出力することを特徴とする請求項1記載の10年以内生死予測装置。 - 上記計算手段はさらに、ホモシステイン(Homocysteine)以外の入力項目のデータを用いて、評価値Z=0となるときのホモシステイン(Homocysteine)の生死しきい値を計算し、
上記出力手段はさらに、上記ホモシステイン(Homocysteine)を上記計算された生死しきい値未満にすることで10年以上生存する確率が高くなることからなるコメントを出力することを特徴とする請求項1記載の10年以内生死予測装置。 - 上記評価式Zは、
Z=−0.856709×Gender−0.011564×t.cho
+0.770368×Diabetes+0.29127×ln(hsCRP)
+0.116553×Homocysteine+2.927662
で表され、
(a)上記Genderは性別であって、男性のとき1であり、女性のとき2であり、
(b)上記Diabetesは「ヘモグロビンA1c(HbA1c)が6.5%以上もしくは糖尿病の治療を受けているか否か」である上記糖尿病の有無であり、ヘモグロビンA1c(HbA1c)が6.5%以上もしくは糖尿病の治療を受けているとき1であり、それ以外のとき0であることを特徴とする請求項1乃至3のうちのいずれか1つに記載の10年以内生死予測装置。 - 上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を0とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
Z=ZA−ZB
- コンピュータにより、所定の入力項目のデータに基づいて被験者の10年以内の生死を予測する10年以内生死予測方法であって、
(1)性別、
(2)総コレステロール値t.cho(mg/dl)、
(3)糖尿病の有無、
(4)高感度CRP(hsCRP)(mg/dl)、及び
(5)ホモシステイン(Homocysteine)(μmol/l)を含む入力項目のデータを入力するステップと、
上記コンピュータが、複数の被験者についての上記入力項目及び10年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された10年以内の生死予測の評価式Zを用いて、上記入力された入力項目のデータに基づいて評価値Zを計算するステップと、
上記コンピュータが、上記計算された評価値Zに対応する生存又は死亡の評価結果を出力するステップとを含むことを特徴とする10年以内生死予測方法。 - 上記計算するステップはさらに、上記コンピュータが、高感度CRP(hsCRP)以外の入力項目のデータを用いて、評価値Z=0となるときの高感度CRP(hsCRP)の生死しきい値を計算し、
上記出力ステップはさらに、上記コンピュータが、上記高感度CRP(hsCRP)を上記計算された生死しきい値未満にすることで10年以上生存する確率が高くなることからなるコメントを出力することを特徴とする請求項6記載の10年以内生死予測方法。 - 上記計算するステップはさらに、ホモシステイン(Homocysteine)以外の入力項目のデータを用いて、評価値Z=0となるときのホモシステイン(Homocysteine)の生死しきい値を計算し、
上記出力するステップはさらに、上記ホモシステイン(Homocysteine)を上記計算された生死しきい値未満にすることで10年以上生存する確率が高くなることからなるコメントを出力することを特徴とする請求項6記載の10年以内生死予測方法。 - 上記評価式Zは、
Z=−0.856709×Gender−0.011564×t.cho
+0.770368×Diabetes+0.29127×ln(hsCRP)
+0.116553×Homocysteine+2.927662
で表され、
(a)上記Genderは性別であって、男性のとき1であり、女性のとき2であり、
(b)上記Diabetesは「ヘモグロビンA1c(HbA1c)が6.5%以上もしくは糖尿病の治療を受けているか否か」である上記糖尿病の有無であり、ヘモグロビンA1c(HbA1c)が6.5%以上もしくは糖尿病の治療を受けているとき1であり、それ以外のとき0であることを特徴とする請求項6乃至8のうちのいずれか1つに記載の10年以内生死予測方法。 - 上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を0とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
Z=ZA−ZB
- 請求項6乃至10のうちのいずれか1つに記載の10年以内生死予測方法の各ステップを含むことを特徴とするコンピュータにより実行可能な生死予測プログラム。
- 請求項11記載のコンピュータにより実行可能な生死予測プログラムを記録したことを特徴とするコンピュータにより読取可能な記録媒体。
- 所定の入力項目のデータに基づいて被験者の10年以内の生死を予測する10年以内生死予測装置であって、
(1)年齢Age、
(2)性別Gender、
(3)収縮期血圧sbp(mmHg)、
(4)総コレステロール値t.cho(mg/dl)、
(5)ヘモグロビンA1c(HbA1c)(%)、及び
(6)喫煙の有無を含む入力項目のデータを入力する入力手段と、
複数の被験者についての上記入力項目及び10年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された10年以内の生死予測の評価式Zを用いて、上記入力された入力項目のデータに基づいて評価値Zを計算する計算手段と、
上記計算された評価値Zに対応する生存又は死亡の評価結果を出力する出力手段とを備え、
上記評価式Zは、
Z=0.123978×Age−0.856709×Gender
+0.018992×sbp−0.011564×t.cho
+0.249791×HbA1c+0.748658×Smoke
−8.871682
で表され、
(a)上記Genderは性別であって、男性のとき1であり、女性のとき2であり、
(b)上記Smokeは喫煙者のとき1であり、非喫煙者のとき0であり、
上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を0とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
Z=ZA−ZB
- コンピュータにより、所定の入力項目のデータに基づいて被験者の10年以内の生死を予測する10年以内生死予測方法であって、
(1)年齢Age、
(2)性別Gender、
(3)収縮期血圧sbp(mmHg)、
(4)総コレステロール値t.cho(mg/dl)、
(5)ヘモグロビンA1c(HbA1c)(%)、及び
(6)喫煙の有無を含む入力項目のデータを入力するステップと、
上記コンピュータが、複数の被験者についての上記入力項目及び10年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された10年以内の生死予測の評価式Zを用いて、上記入力された入力項目のデータに基づいて評価値Zを計算するステップと、
上記コンピュータが、上記計算された評価値Zに対応する生存又は死亡の評価結果を出力するステップとを含み、
上記評価式Zは、
Z=0.123978×Age−0.856709×Gender
+0.018992×sbp−0.011564×t.cho
+0.249791×HbA1c+0.748658×Smoke
−8.871682
で表され、
(a)上記Genderは性別であって、男性のとき1であり、女性のとき2であり、
(b)上記Smokeは喫煙者のとき1であり、非喫煙者のとき0であり、
上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を0とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
Z=ZA−ZB
- 請求項14記載の10年以内生死予測方法の各ステップを含むことを特徴とするコンピュータにより実行可能な生死予測プログラム。
- 請求項15記載のコンピュータにより実行可能な生死予測プログラムを記録したことを特徴とするコンピュータにより読取可能な記録媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011199648A JP5812333B2 (ja) | 2011-09-13 | 2011-09-13 | 生死予測装置とその方法、生死予測プログラム及び記録媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011199648A JP5812333B2 (ja) | 2011-09-13 | 2011-09-13 | 生死予測装置とその方法、生死予測プログラム及び記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013061785A true JP2013061785A (ja) | 2013-04-04 |
JP5812333B2 JP5812333B2 (ja) | 2015-11-11 |
Family
ID=48186413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011199648A Expired - Fee Related JP5812333B2 (ja) | 2011-09-13 | 2011-09-13 | 生死予測装置とその方法、生死予測プログラム及び記録媒体 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5812333B2 (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016038626A (ja) * | 2014-08-05 | 2016-03-22 | Kddi株式会社 | 予測モデル構築装置及び予測装置 |
JP2016095684A (ja) * | 2014-11-14 | 2016-05-26 | Kddi株式会社 | 予測モデル構築装置及びプログラム |
CN107194138A (zh) * | 2016-01-31 | 2017-09-22 | 青岛睿帮信息技术有限公司 | 一种基于体检数据建模的空腹血糖预测方法 |
JP2019145057A (ja) * | 2018-02-19 | 2019-08-29 | セルバス エーアイ インコーポレイテッド | 健康年齢の予測方法 |
JP2020197846A (ja) * | 2019-05-31 | 2020-12-10 | 東京瓦斯株式会社 | 情報処理システムおよびプログラム |
CN112348014A (zh) * | 2020-11-03 | 2021-02-09 | 招商局重庆公路工程检测中心有限公司 | 基于机器视觉的隧道掌子面围岩级别快速识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005052164A (ja) * | 2003-06-11 | 2005-03-03 | Takeda Chem Ind Ltd | 疾病リスクシミュレーションシステム |
JP2006163489A (ja) * | 2004-12-02 | 2006-06-22 | Ntt Data Corp | 発症確率算出装置、および、プログラム |
JP2006202235A (ja) * | 2005-01-24 | 2006-08-03 | Nara Institute Of Science & Technology | 経時的現象発生解析装置及び経時的現象発生解析方法 |
JP2008191716A (ja) * | 2007-01-31 | 2008-08-21 | Signpost Corp | 疾患リスクの提示方法およびそのプログラム |
-
2011
- 2011-09-13 JP JP2011199648A patent/JP5812333B2/ja not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005052164A (ja) * | 2003-06-11 | 2005-03-03 | Takeda Chem Ind Ltd | 疾病リスクシミュレーションシステム |
JP2006163489A (ja) * | 2004-12-02 | 2006-06-22 | Ntt Data Corp | 発症確率算出装置、および、プログラム |
JP2006202235A (ja) * | 2005-01-24 | 2006-08-03 | Nara Institute Of Science & Technology | 経時的現象発生解析装置及び経時的現象発生解析方法 |
JP2008191716A (ja) * | 2007-01-31 | 2008-08-21 | Signpost Corp | 疾患リスクの提示方法およびそのプログラム |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016038626A (ja) * | 2014-08-05 | 2016-03-22 | Kddi株式会社 | 予測モデル構築装置及び予測装置 |
JP2016095684A (ja) * | 2014-11-14 | 2016-05-26 | Kddi株式会社 | 予測モデル構築装置及びプログラム |
CN107194138A (zh) * | 2016-01-31 | 2017-09-22 | 青岛睿帮信息技术有限公司 | 一种基于体检数据建模的空腹血糖预测方法 |
JP2019145057A (ja) * | 2018-02-19 | 2019-08-29 | セルバス エーアイ インコーポレイテッド | 健康年齢の予測方法 |
JP2020197846A (ja) * | 2019-05-31 | 2020-12-10 | 東京瓦斯株式会社 | 情報処理システムおよびプログラム |
JP7313613B2 (ja) | 2019-05-31 | 2023-07-25 | 東京瓦斯株式会社 | 情報処理システムおよびプログラム |
CN112348014A (zh) * | 2020-11-03 | 2021-02-09 | 招商局重庆公路工程检测中心有限公司 | 基于机器视觉的隧道掌子面围岩级别快速识别方法 |
Also Published As
Publication number | Publication date |
---|---|
JP5812333B2 (ja) | 2015-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Andersson et al. | 70-year legacy of the Framingham Heart Study | |
Shah et al. | Association of fitness in young adulthood with survival and cardiovascular risk: the Coronary Artery Risk Development in Young Adults (CARDIA) study | |
US20210076960A1 (en) | Ecg based future atrial fibrillation predictor systems and methods | |
Patel et al. | Prevalence and predictors of nonobstructive coronary artery disease identified with coronary angiography in contemporary clinical practice | |
JP5812333B2 (ja) | 生死予測装置とその方法、生死予測プログラム及び記録媒体 | |
Kavousi et al. | Evaluation of newer risk markers for coronary heart disease risk classification: a cohort study | |
JP6734582B2 (ja) | リスク評価方法、リスク評価装置及びリスク評価プログラム | |
JP7174890B2 (ja) | リスク評価方法、リスク評価装置及びリスク評価プログラム | |
Reichlin et al. | One-hour rule-out and rule-in of acute myocardial infarction using high-sensitivity cardiac troponin T | |
Genders et al. | The external validity of prediction models for the diagnosis of obstructive coronary artery disease in patients with stable chest pain: insights from the PROMISE trial | |
Elias et al. | Deep learning electrocardiographic analysis for detection of left-sided valvular heart disease | |
Koller et al. | Development and validation of a coronary risk prediction model for older US and European persons in the Cardiovascular Health Study and the Rotterdam Study | |
Steyerberg et al. | Reclassification calculations for persons with incomplete follow-up | |
Jørgensen et al. | Electrocardiographic changes improve risk prediction in asymptomatic persons age 65 years or above without cardiovascular disease | |
Shaw et al. | Improved near-term coronary artery disease risk classification with gated stress myocardial perfusion SPECT | |
JP2019534506A (ja) | 医療データのマイニングのシステムおよび方法 | |
US11869668B2 (en) | Artificial intelligence based cardiac event predictor systems and methods | |
Demolder et al. | Association of mitral annular disjunction with cardiovascular outcomes among patients with marfan syndrome | |
Kelly et al. | Sudden cardiac death in the young: a consensus statement on recommended practices for cardiac examination by pathologists from the Society for Cardiovascular Pathology | |
Ozsu et al. | Combination and comparison of two models in prognosis of pulmonary embolism: results from TUrkey Pulmonary Embolism Group (TUPEG) study | |
Overmars et al. | Preventing unnecessary imaging in patients suspect of coronary artery disease through machine learning of electronic health records | |
Buckler et al. | Atherosclerosis risk classification with computed tomography angiography: A radiologic-pathologic validation study | |
KR20210053545A (ko) | 질환 예측을 위한 사용자 인터페이스 제공 방법 및 이를 이용한 질환 예측을 위한 사용자 인터페이스 제공용 장치 | |
Martens et al. | Association of newborn telomere length with blood pressure in childhood | |
Braillon et al. | Incremental value of the combined brain-cardiac CT protocol on prediction of atrial fibrillation after stroke |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140612 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20150123 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150210 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150312 |
|
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: 20150811 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150909 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5812333 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 |