JP2016519807A - 自己進化型予測モデル - Google Patents

Abstract

臨床パラメーターを予測するためのシステムおよび方法が提供される。受信された予測子の組がある場合、十分な精度を有する複数のモデルのうちのモデルを選択する。選択されたモデルと予測子の組から臨床パラメーターの値を予測して、予測値を提供する。臨床パラメーターの値を測定し、予測子の組と測定された値に従って、モデルを更新する。

Description

本開示は、臨床アウトカムを予測するためのシステムおよび方法に関し、特に、自己進化型予測モデルのためのシステムおよび方法を対象とする。

予測モデリングとは、モデルを作成または選択してアウトカムの確率を予測しようとするプロセスである。多くの場合にこのモデルは、設定量の入力データがある場合、アウトカムの確率を推測しようとすべく、検出理論に基づいて選択される。モデルでは、特定の組に属する一組のデータの確率を決定しようとする際に、１つ以上の分類子を用いることができる。

非一時的なコンピューター読み取り可能な媒体が、臨床パラメーターを予測するための方法を行うためにプロセッサーによって実行可能な、機械実行可能な命令を格納する。この方法は、入力された予測子の組がある場合、複数のモデルのうち十分な精度を有するモデルを選択することを含む。選択されたモデルと予測子の組から臨床パラメーターの値を予測して、予測値を提供する。臨床パラメーターの値を測定し、予測子の組と測定された値とに従って、モデルを更新する。

本発明の別の態様によれば、臨床パラメーターを予測するためのシステムが提供される。このシステムは、プロセッサーと、プロセッサーによって実行可能な、機械実行可能な命令を格納する、非一時的なコンピューター読み取り可能な媒体とを含む。機械実行可能な命令は、複数の予測モデルと、患者を表す予測子の組に従って複数の予測モデルから第１のモデルを選択し、患者を表す予測子の組の中には含まれていない予測子を各々が利用しているモデルの組を選択するモデル選択部と、を含み、第１のモデルと予測子の組から臨床パラメーターの値を予測して、予測値を提供する。感度分析コンポーネントは、患者を表す予測子の組と予測子の組の中には含まれていない予測子がある場合、選択されたモデルの組の各々について想定精度を決定し、もしもモデルの組のいずれかの想定精度が閾値よりも大きく第１のモデルの精度を超えた場合には、付随するディスプレイを介してユーザーに通知するように構成されている。

本発明のさらに別の態様によれば、非一時的なコンピューター読み取り可能な媒体は、臨床パラメーターを予測するための方法を行うためにプロセッサーによって実行可能な、機械実行可能な命令を格納する。この方法は、受信された予測子の組がある場合、複数のモデルのうち最も精度が高いモデルを選択し、患者を表す予測子の組の中には含まれていない予測子を各々が利用しているモデルの組を選択することを含む。選択されたモデルと予測子の組から臨床パラメーターの値を予測して、予測値を提供する。患者を表す予測子の組と予測子の組の中には含まれていない予測子がある場合、モデルの組の各々について想定精度を決定する。もしも想定精度の増加が閾値を超えた場合には、ユーザーは通知される。臨床パラメーターの値を測定し、予測子の組と測定された値に従って、モデルを更新する。

図１は、本発明の一態様による臨床アウトカムを予測するためのシステム例を示す。 図２は、本発明の一態様による患者アウトカムを予測するための自己進化型システムの一例を示す。 図３は、本発明の一態様による患者アウトカムを予測するための方法を示す。 図４は、本明細書に記載するシステムおよび方法を実装するのに用いることが可能なコンピューターシステムを示す。

本開示は、臨床アウトカムを予測するためのシステムおよび方法に関し、特に、自己進化型予測モデルのためのシステムおよび方法を対象とする。

医療モデリングは、予測である有用なアウトカムを与えることができるが、その予測結果はモデルに与えられるデータによって制限される。たとえば、十分に設計され、かつ十分に訓練されたモデルであっても、医療分野では時間が経過するとパフォーマンスが衰える可能性があることが確認されている。これは、新たな発見によって、モデルの作成時になされた仮定の価値が失われ、既存の訓練データが使い物にならなくなるからである。さらに、臨床アウトカムを予測するのにモデルを使用すること自体が、そのモデルの使用に基づいた結果に影響をおよぼす可能性があるから、その独自の予測を説明するためには、モデルを保持しておく必要がある。たとえば、４日間のモデル滞在を伴う処理に対し、患者の滞在期間が３日になるだろうとモデルが予測したら、３日目に患者を退院させるための準備は、その予想自体を少なくとも一部使うために滞在期間を短くする（たとえば、アウトカムが改善される）ように、最初の２日より前か、最初の２日の間に行うことができる。その最初の２日間というのは、その予想がなかったら、異なって予定されているかもしれない。最後に、このモデルは、当該モデルに与えられるデータ以上にはならず、モデリングに対する「ファイア・アンド・フォーゲット」アプローチが最適な状態より劣ってしまう。そこで、本開示は、新たな医療進歩のみならずその独自の予測を前にしても、新たなデータを利用できるようになったときはモデルを再訓練し、このモデルが妥当なまま保たれるようにする、自己進化型モデルを提供する。さらに、このモデルを電子カルテシステムに統合して、提供される予測が常に最新のデータに基づくものとなるようにすることも可能である。

図１は、本発明の一態様による、臨床アウトカムを予測するためのシステム１０の一例を示す。図示の例では、システム１０は、非一時的なコンピューター読み取り可能な媒体１２に格納され、かつ付属のプロセッサー１４によって実行される、機械実行可能な命令として実装される。しかしながら、このような形ではなく、システム１０が専用のハードウェアまたはプログラム可能なロジックとして実装されてもよいし、非一時的なコンピューター読み取り可能な媒体１２が、作動的に接続された複数の非一時的なコンピューター読み取り可能な媒体を含んでもよいことは、理解できよう。

システム１０は、患者レコードのデータベース１６にアクセスできる。各患者レコードは、たとえば、基本属性データ、病歴、薬剤およびアレルギー、免疫の状態、臨床検査結果、Ｘ線画像、バイタルサインなどを含み得る。データベース１６は、システム１０の他の構成要素と媒体を共有するものとして図示されているが、データバスまたはネットワーク接続を介してプロセッサー１４と作動的に接続された１つ以上の他の非一時的なコンピューター読み取り可能な媒体にデータベースが格納されてもよいことは、理解できよう。特定の臨床予測モデルについて、データベース１６は、まだ臨床アウトカムがわかっていない患者を表す患者レコードと、臨床アウトカムが特定されている患者を表す患者レコードの両方を格納してもよい。それぞれの患者に関連した予測子を変更可能なように、さまざまな患者レコードの内容が変わることになるのは、理解できよう。たとえば、特定の臨床シナリオで一人の患者に特定の検査または処置が実施されていてもよいが、別の患者に関しては実施されなくてもよい。したがって、検査または処置の結果を表すデータが、特定の臨床シナリオに関連する患者レコード全体で選択的に利用可能であってもよい。

特定の組の予測子に従って臨床アウトカムを予測するために、患者レコードのデータベース１６からのデータを使用して、複数の予測モデル２０〜２２を訓練することができる。本出願の目的で、「モデル」とは、付随する予測子の組と、付随する分類アルゴリズムまたは回帰アルゴリズムと、分類アルゴリズムまたは回帰アルゴリズムと矛盾しないパラメーターの組と、予測対象となるパラメーターと、を有するような分類モデルまたは回帰モデルのことを指すものであってもよい。たとえば、ニューラルネットワークモデルでは、パラメーターは、多数の隠れ層と、各層における多数のノードと、各層の重み行列と、を含み得る。回帰モデルでは、パラメーターは、各予測子に対する係数と、切片値と、を含み得る。予測モデル２０〜２２も、サポートベクターマシーンを利用するモデル、統計的分類子を利用するモデル、ロジスティック回帰を利用するモデル、アンサンブル法を利用するモデル、決定木を利用するモデル、他の教師あり学習アルゴリズム（それぞれのアルゴリズムが、あらゆるモデルで変化し得る、自己に付随するパラメーターを有する）を利用するモデルを含んでもよいことは、理解できよう。

モデル選択部２４は、入力ソース２８からの一組の予測子２６と、予測対象となる臨床アウトカムパラメーターとを受信可能である。入力ソース２８は、一組の予測子２６を、直接にあるいはデータベース１６から既存の患者レコードを選択することなどによって提供できることは、理解できよう。複数の予測モデル２０〜２２を各々、訓練の時点で、利用可能な患者レコードのサブセットを用いて検証し、予測子の値の１つ以上の付随する組に対してそのモデルによって予測される一組の臨床アウトカムパラメーター各々について、そのモデルに関する精度を決定する。本発明の態様によれば、モデル選択部２４は、一組の予測子２６に含まれる利用可能な予測子がある場合、複数のモデルから、所望の臨床アウトカムパラメーターについて十分な（たとえば、最高の）精度を有するモデルを選択する。すなわち、モデル選択部は、どのモデルの精度が最も高そうであるかを確かめるために、一組の予測子２６に対して複数のモデル２０〜２２の各々を評価するようにプログラム可能である。

選択されたモデルは、臨床アウトカムパラメーターを予測するのに利用され、このパラメーターは、付属のディスプレイ３０においてユーザーに提示される。また、予測されたパラメーターは、後にモデルの評価および更新の際に使えるようデータベース１６に格納することも可能である。たとえば、臨床アウトカムが一度分かれば、臨床アウトカムパラメーターの実際の値を決定し、予測された臨床アウトカムパラメーターと比較して、予測用に選択して利用されたモデルの精度を評価することができる。予測された臨床アウトカムパラメーターと実際の臨床アウトカムパラメーターを複数蓄積することで、モデルの精度を定期的に更新することが可能である。精度とは、本明細書で使用する場合には、正しい予測のパーセンテージ、Ｆスコア、予測子によって説明される変動のパーセンテージ、あるいは、モデルの精度および／または正確さを示す他の任意の適当な尺度を指し得ることは、理解できよう。

別の例として、予測されたアウトカムパラメーターと実際のアウトカムパラメーターを利用して、異なるタイプのモデルの各々を更新することが可能である。たとえば、予測アウトカムと実アウトカムとの蓄積されたペアを利用して、複数のモデル２０〜２２の各々を更新することが可能である。具体的には、蓄積されたデータを、訓練データ、検証データ、テストデータのいずれかまたはすべてとして利用して、複数の予測モデル２０〜２２の各々をより良いものとすることができる。従って、モデルの予測が臨床ケアに対しておよぼす影響を更新プロセスでとらえ、それぞれのモデルの精度をさらに高めることが可能である。この更新は、定期的になされてもよいし、モデルの精度として（たとえば予測アウトカムと実測アウトカムとの間のコンコーダンス指標によって測定されるものとして）なされてもよいことは、理解できよう。モデルの精度が閾値未満まで低下した場合には、当該主題の専門家が更新のプロセスを指導して、そのモデルの予測子を追加、変更または削除することができる。

図２は、本発明の一態様による患者アウトカムまたは他のヘルスケア関連を予測するのに用いることが可能な自己進化型システム５０の一例を示す。患者の予測アウトカムは、たとえば、患者の滞在期間、合併症のリスク、罹病率、患者の満足度、患者の診断、患者の予後、ヘルスケアコスト、再入院率、患者のリソース利用、あるいは、医療提供者、患者、または医療機関と関連し得るような他の任意の患者アウトカム情報を含み得る。システム５０は、予測子変数のそれぞれの組に基づいて患者アウトカムを予測するための複数のモデル５１〜６２を含む。システム５０は、特定の患者についての利用可能な予測子に従ってモデルを選択し、その患者についての１つ以上の予測アウトカムを与えることが可能である。

それぞれのモデル５１〜６２は、付随する予測子の組と、付随する分類アルゴリズムまたは回帰アルゴリズムと、分類アルゴリズムまたは回帰アルゴリズムと矛盾しないパラメーターの組と、予測対象となるパラメーターと、を有するような分類モデルであってもよいし回帰モデルであってもよい。図示の例では、モデルは、複数の人工ニューラルネットワークモデル（ＡＮＮ）５１〜５３、複数の回帰モデル（ＲＥＧ）５４〜５６、複数のサポートベクターマシーン（ＳＶＭ）モデル５７〜５９、複数のランダムフォレストモデル（ＲＦ）６０〜６２を含む。それぞれのモデル５１〜６２は、既存の患者データの訓練セットで訓練して付随するモデルパラメーターの組を導き、患者データのテストセットを用いて検証して、それぞれのモデルの付随する精度（コンコーダンス指標など）を決定することが可能である。たとえば、ニューラルネットワークモデルおよびサポートベクターマシーンモデルでは、パラメーターは、多数の隠れ層と、各層における多数のノードと、各層の重み行列と、を含み得る。回帰モデルでは、パラメーターは、各予測子に対する係数と、オフセット値と、を含み得る。ランダムフォレストモデルでは、パラメーターは、閾値、あるいは、モデルを含むさまざまな決定木の訓練の間に決定される他の識別子を含み得る。一例において、異なる組のパラメーターがある場合、モデルは各々、当該モデルの精度を表す複数の精度値を有してもよい。

図２の例において、システム５０は、プロセッサー６３とメモリー６４とを含み、たとえばサーバーや他のコンピューターに実装可能である。メモリー６４は、コンピューター読み取り可能な命令とデータとを格納できる。プロセッサー６３は、本明細書に記載の機能および方法を実施するためなど、コンピューター読み取り可能な命令を実行するために、メモリー６４にアクセスすることができる。図２の例では、メモリー６４は、データ抽出部６６を含むコンピューター読み取り可能な命令を含む。データ抽出部６６は、１つ以上のデータソース６８から患者データを抽出するようプログラムされる。データソース６８は、たとえば、電子カルテ（ＥＨＲ）データベースを含んでもよいし、患者、患者の滞在、患者の健康状態、医療機関および／またはその職員に対する患者の意見などに関連した情報を含み得る、他のどのような患者データソースを含んでもよい。１つ以上のデータソースは、メモリーに格納されてもよいし、ローカルエリアネットワーク（ＬＡＮ）またはワイドエリアネットワーク（ＷＡＮ）などのデータ接続を介して利用可能なものであってもよいことは、理解できよう。

データソース６８の患者データは、複数の異なるカテゴリーについての情報を表すものであってもよい。たとえば、予測モデルを作成するのに利用される患者データのカテゴリーは、患者人数データ、全患者対象（ＡＰＲ）重篤度情報、ＡＰＲ診断群（ＤＲＧ）情報、問題リストコード、最終請求コード、最終処置コード、処方薬、検査結果、患者の満足度を含んでもよい。また、モデルを作成するのに利用される患者データは、International Classification of Diseases（ＩＣＤ）コード（たとえば、ＩＣＤ−９および／またはＩＣＤ−１０コード）、Systematized Nomenclature of Medicine（ＳＮＯＭＥＤ）コード（たとえば、SNOMED Clinical Terms（ＣＴ）コード）、Current Procedural Terminology（ＣＰＴ）コード、Healthcare Common Procedure Coding System（ＨＣＰＣＳ）コード（たとえば、HCPCS-level IおよびHCPCS-level II）、durable medical equipment（ＤＭＥ）コード、解剖学的相関、などを含んでもよい。これらのコードおよび他のコードは、ロケーションまたは介護者の所属に応じて変わることもあり、よって、特定の患者の体験についてのアクティブな問題リストのデータ要素を表すのに利用できる。このように、データ抽出部６６は、患者データのカテゴリーのうち１つ以上のいずれかに関連するデータを、データソース６８から抽出することができる。

図示のシステム５０では、抽出されたデータは、カテゴリーフィルター７２に供給される。カテゴリーフィルター７２は、特定の処置または機能障害の分析用のみならず、予測のための所望のアウトカムの分析用に、特定の患者をひとつの患者クラスに振り分けるようにプログラムされ、よって、利用可能なモデルの組（たとえば、モデル５１〜６２を含む組など）のうちの１つに患者を関連付ける。カテゴリーフィルター７２は、レベル数が比較的少ないバイナリーまたは多元カテゴリー変数に従って、患者を振り分けることができる。これによって、状況が変化している患者に異なる予測子を用いることができるようになり、ターゲットの予測モデルをより良くすることができる。さらに、電子カルテシステムで利用可能であろう大量のデータがある場合、１つ以上のカテゴリーフィルターを用いて特定のアウトカムを予測するモデルを分けることで、訓練データに対するモデルの過剰適合を起こすことなく、より多くのデータを利用できるようになる。このカテゴリー分けをもとに、フィルター７２は、利用可能なモデルの複数の組（たとえば、モデル５１〜５９を含む組など）のうちの１つ以上に患者を関連付ける。たとえば、心臓病と診断された患者らは、彼らだけの特定のアウトカム（たとえば、病院にいる時間の長さなど）に対するモデルの組を持つであろうし、ＩＩ型糖尿病の患者らは、アウトカムに対する別のモデルの組を持つであろう、という具合である。実際には、カテゴリーフィルタリングコンポーネント７２は、患者のモデルを大ざっぱに選択し、考慮の対象となっているモデル５１〜６２の組が、抽出されたデータに基づいて決定されるような患者の事情に適するように保証する。

一例において、モデルの複数の組が、患者の滞在についての異なる段階を表してもよい。たとえば、患者アウトカムを処置の６時間後と予測することに付随する第１のモデルの組、患者アウトカムを処置の１日後と予測することに付随する第２のモデルの組、患者アウトカムを処置の２日後と予測することに付随する第３のモデルの組、といった具合であってもよかろう。各モデルに対する予測モデリングの影響を明らかにするために、あとに続くモデルの組（たとえば、第２のモデルの組など）で、前のモデルの組（たとえば、第１のモデルの組など）から得られた予測アウトカムを予測子として利用してもよい。

フィルター７２によって患者との関連付けがなされたモデルの組に基づいて、モデル選択コンポーネント７４は、モデルに関連する予測子の組と各モデルの付随する精度とに従って、モデル５１〜６２の組から適当なモデルを選択するよう構成されている。利用できるモデル予測子が全モデル予測子よりも少ない患者に対しては、欠落した予測子を、連鎖方程式を用いた多重代入などの適当な代入法によって与えた状態で、モデルを用いるようにすればよい。１つ以上の予測子が代入されると、モデルの付随する精度が変化し得ることは、理解できよう。一度モデルが選択されたら、選択されたモデルによって予測される１つ以上のアウトカムを計算し、メモリー６４に格納することができる。また、この１つ以上の予測アウトカムも、付随するディスプレイ７６によってオペレーターに向けて出力できる。予測アウトカムは、特定の患者について、新たな予測子が利用可能になったときや、１つ以上の予測子に対する新しいデータが利用可能になったときには、繰り返し作成可能であることは、理解できよう。

抽出されたデータと選択されたモデルは、以後の分析用に、感度分析コンポーネント７８にも供給される。図示の実装例では、感度分析コンポーネント７８は、抽出されたデータ中には含まれていない任意の予測子が予測の精度におよぼす影響を決定するよう構成される。たとえば、モデル５１〜６２の組からの選択されたモデルおよび他のモデルを精査することで、仮に１つ以上の追加の予測子が存在した場合に、想定される予測の精度を大幅に高められるかどうかを決定することができる。大幅な増加については、たとえば、閾値パーセンテージを超えるモデルの精度の増加として定義できる。精度に大きな影響があると判明した、欠落している予測子はいずれもディスプレイ７６でオペレーターに通知可能であり、オペレーターは、（たとえば、診断プロシージャをオーダーすること、患者から追加の基本属性情報を得ることなどの方法によって）データを得て、存在する新たな予測子を用いてプロセスを再起動するという選択肢を有する。

また、感度分析コンポーネント７８は、１つ以上の利用可能な予測子の値についてのアウトカムの感度を決定できる。具体的には、感度分析コンポーネント７８は、特定の予測子に変化がある場合、患者アウトカムの変化の大きさを決定し、この患者アウトカムをドライブする上で特に意味のある予測子をオペレーターに警告することができる。たとえば、予測子の値におけるあらかじめ定められた変化について閾値量よりも影響の大きいすべての予測子の一覧を、ディスプレイ７６でオペレーターに提示できる。このリストから、オペレーターは、患者または患者の介護者に対し、患者のポジティブなアウトカムの尤度を改善するための提案をすることが可能である。一例において、予測子がアウトカムに対しておよぼす影響をグラフィカルに表示して、この情報を患者に示すことを単純化してもよい。大きなモデルでの感度分析を容易にするには、予測子を「変更可能」と「変更不可」にカテゴリー分けして、変更可能とみなされた予測子だけを精査用にオペレーターに提示することが可能である。たとえば、仮に患者の家族歴における予測子の変更が予測されるアウトカムに大きな影響を持つとしても、そのような変更は実行不可能であるから、感度分析コンポーネント７８はこれを無視することができる。

また、システム５０は、データソース６８からの患者アウトカムについての新たな情報を用いて複数のモデル５１〜６２の各々を周期的に更新するようにプログラムされた更新コンポーネント８０も含む。たとえば、特定のモデルについて更新が望ましいと決定されたときは、このモデルの前回の更新後に、当該モデルによって予測可能な患者アウトカムを用いて更新された複数の患者レコードを収集して、訓練データ、検証データ、テストデータとして利用することが可能である。

一例として、モデルは、周期的に検証し、もしも予測されたアウトカムが患者の予測アウトカムから逸脱している場合には、更新することができる。たとえば、予測アウトカムからの逸脱を異常検知プロセスによって精査することができ、予測からの逸脱が想定された分布と一致しないときはいつでも更新を行うことができる。別の例では、予測臨床アウトカムと実測臨床アウトカムとの間でコンコーダンス指標を周期的に測定し、閾値と比較する。コンコーダンス指標が閾値未満まで落ちたときはいつでもモデルを更新すればよい。

特定のモデルの更新を、すべての新しいデータ、すべての古いデータ、あるいは古いデータと新しいデータの組み合わせについて再訓練してもよいことは、理解できよう。同様に、新しいデータ、すべての古いデータ、あるいは古いデータと新しいデータの組み合わせを用いて、モデルの交差検証とテストを行うことができるが、本発明の一態様によれば、通常は任意のテストデータを新しいデータから完全にまたは主として抜き取り、モデルの使用による影響を各モデルについて計算された精度で確実にとらえられるようにしていることは、理解できよう。ひとたび各モデルが更新されたら、それぞれのモデルについて決定された新たな精度を、将来のモデルの選択用にモデル選択コンポーネント７４に供給することが可能である。

さらに、モデルが実測アウトカムから逸脱していると決定されたときは、このモデルアウトカムを（たとえば、自動化された方法によって、あるいは、当該主題の専門家によって）精査して、モデルの予測子に対する変更が必要であるか否かを決定できる。たとえば、実測アウトカムからのモデルの逸脱が経時的に比較的一定の値を持つと判明したときは、回帰の切片値を変更する、またはモデルの結果からのオフセットを追加するなどして当該モデルを較正し、このモデルを測定された結果に合わせるようにしてもよい。あるいは、逸脱が上記よりもランダムであるのなら、（たとえば、エキスパートシステムによって、あるいは、当該主題の専門家によって）モデルを再評価し、このモデルの予測子を追加、変更または削除してもよい。この再評価によって、現在の予測子では適切に表現できないことがある環境や医療の変化および医療の進歩を捉えることができる。しかしながら、特定のモデルの組（たとえば、５１）の中でのモデルの多様性については、こうした変化に対していくらかの自動保護が可能であることは、理解できよう。

上述した先の構造的および機能的な特徴に鑑みると、本発明のさまざまな態様による方法は、図３を参照してより一層良く理解できよう。説明を簡単にするために、図３の方法を逐次的に実行するものとして図示し説明するが、いくつかの態様は、本発明によれば、本明細書に図示して説明したものとは異なる順番で起こり得る、および／または他の態様と同時に起こり得るため、本発明は図示の順番に限定されるものではないことは、理解できるであろうし、自明であろう。さらに、図示の特徴のすべてが本発明の一態様による方法を実装するのに必要とされるわけではないこともある。図３の例示的な方法は、非一時的なコンピューター読み取り可能な媒体に格納可能な機械読み取り可能な命令として実装可能であり、たとえばコンピュータープログラム製品または他の形態の記憶装置であってもよい。また、図３の方法に対応するコンピューター読み取り可能な命令は、メモリーからもアクセス可能であり、処理リソース（たとえば、１つ以上のプロセッサーコアなど）によって実行可能である。

図３は、本発明の一態様による患者アウトカムを予測するための方法１００を示す。この方法は、専用のハードウェア、非一時的なコンピューター読み取り可能な媒体に格納されて付随するプロセッサーによって実行される機械実行可能な命令、あるいは、これらの組み合わせとして実装できることは、理解できよう。１０２では、たとえば集中管理患者データベースから、適当なユーザーインタフェースあるいは他の適当な手段を介した入力として、患者を表す予測子の組を受信する。一例において、これらの予測子は、患者を表す医療データベースレコードから抽出され、臨床パラメーターの値の測定に先立って当該臨床パラメーターの値を予測するためにモデルが用いられている、ということを示す予測子を含む。患者の治療時にモデルの使用を表す予測子を含むことで、予測される臨床パラメーターが治療過程に対しておよぼすあらゆる影響を、モデルによって少なくとも部分的に説明することができる。

１０４では、利用可能な複数のモデルから、モデルを選択する。各モデルは、その精度を表す１つ以上の付随する値を持つことができる。これは、特定のモデルについての精度が、そのモデルに対して利用可能な予測子に応じて変動し得るためである。これらのモデルが、適当な教師あり学習アルゴリズムまたは半教師あり学習アルゴリズムを利用できることは、理解できよう。一実施形態では、これらのモデルは、少なくとも１つの人工ニューラルネットワークと、少なくとも１つの回帰モデルとを含む。１０６では、選択されたモデルと予測子の組から臨床パラメーターの値を予測して、予測値を提供する。

１０８では、追加の予測子を加えると精度を大幅に高めることができるか否かを決定する。たとえば、患者を表す予測子の組の中には含まれていない予測子を各々が利用している複数のモデルから、モデルの組を選択することができる。患者を表す予測子の組と、この予測子の組の中には含まれていない予測子がある場合、モデルの組の各々に対して、想定精度を決定することができる。もしも想定精度の増加が閾値を超えた場合には、この精度の増加は大きいと決定されることになる。閾値は、たとえば、困難さ、医療上のリスクおよび／または予測子の値を得るコストなどとともに予測子全体で異なっていてもよいことは、理解できよう。もしも精度を大幅に高めることができる場合は（Ｙ）、この方法が１１２に進むより前に１１０でユーザーは通知を受け取ることができる。そうでなければ（Ｎ）、この方法は１１２に進むことができる。

１１２では、１つ以上の予測子を変更することで、予測アウトカムを大きく変更できるか否かを決定する。いくつかの例では、このさまざまな予測子としては、患者の生活スタイル、患者の生活状況、さまざまな生物測定パラメーター（たとえば、体重、血圧、ＩＣＤコード、ＤＲＧコードなど）、ならびに、少なくとも部分的に患者およびその世話人の制御下にあるような複数の他の変数、のいずれかを表す第１の群のパラメーターがあげられる。もうひとつの群の予測子、たとえば患者の病歴または遺伝子的な特質は、どのような重要な度合いにでも変更を実現できない、すなわち変更不可能である。これらの制御可能な、すなわち「変更できる」予測子それぞれに対する臨床パラメーターの予測値の感度は、（たとえば、標準的なパーセンテージ、あるいは、合理的な生活スタイルの変化を表すあらかじめ定められた量などによって）選択されたパラメーターの特定の変化についての予測アウトカムの変化の大きさとして決定できる。予測アウトカムの変化が閾値を超える予測子はいずれも、患者アウトカムを改善するのに関連があるとみなすことができる。予測臨床アウトカムに有意な変更が可能である（Ｙ）と決定されると、変更された予測子を用いているユーザーについての臨床アウトカムが１１６で予測される。その後、この方法が１１８に進むより前に１１６で関連の臨床パラメーターがユーザーに警告され、変更された予測子を表す予測アウトカムが表示される。そうでなければ（Ｎ）、この方法は単に１１８に進む。

１１８では、臨床パラメーターの値を測定する。通常、患者の治療と手当が完了すると、臨床パラメーターによって表される測定基準が測定されて記録される。１２０では、予測子の組と測定された値とに従ってモデルを更新する。一実施形態では、この予測子の組と測定された値が、モデルの訓練に用いられるデータの訓練セットに取り込まれる。別の例では、この予測子と臨床パラメーターの予測値と測定された値を、データのテストセットの一部として利用して、モデルに付随する精度を更新してより良くすることができる。患者の新たなアウトカムに応答してモデルを一貫して更新することで、患者母集団の構成の変化、関連技術の進歩や治療や手当における他の変更内容にかかわらず、モデルを正確に保つことができる。

図４は、コンピューターシステム上で動くコンピューターで実行可能な命令に基づくなどによって、本明細書に記載のシステムおよび方法を実行するのに使用可能なコンピューターシステム２００を示す。ユーザーは、必要に応じて術前に、コンピューターシステム２００を使用して、予定された外科的処置をシミュレートすることが許されてもよい。コンピューターシステム２００は、１つ以上のネットワーク接続された汎用コンピューターシステム、組込型のコンピューターシステム、ルーター、スイッチ、サーバー装置、クライアント装置、さまざまな中間装置／ノードおよび／またはスタンドアロンのコンピューターシステムに実装可能である。

コンピューターシステム２００は、プロセッサー２０２と、システムメモリー２０４と、を含む。デュアルマイクロプロセッサーなどのマルチプロセッサーアーキテクチャを、プロセッサー２０２として使用してもよい。プロセッサー２０２およびシステムメモリー２０４は、多岐にわたるバスアーキテクチャーのうちのいずれかを用いる、メモリーバスまたはメモリーコントローラー、周辺機器用バス、ローカルバスをはじめとするいくつかのタイプのバス構造のうちのいずれかを用いて、連結可能である。システムメモリー２０４は、リードオンリーメモリー（ＲＯＭ）２０６と、ランダムアクセスメモリー（ＲＡＭ）２０８とを含む。リセットまたはパワーアップなど、一般にコンピューターシステム２００内の要素間で情報を転送しやすくする基本ルーチンを含むＲＯＭ２０６内に、基本入出力システム（ＢＩＯＳ）を常駐させることが可能である。

コンピューターシステム２００は、ハードディスクドライブ、（たとえば、リムーバブルディスクとの間で読み書きするための）磁気ディスクドライブ、（たとえば、ＣＤ−ＲＯＭまたはＤＶＤディスクを読み取る目的、あるいは、他の光学メディアとの間で読み書きするための）光学ディスクドライブをはじめとする１つ以上のタイプの長期データストレージ２１０を含んでもよい。長期データストレージ２１０は、ドライブインターフェース２１２を介してプロセッサー２０２と接続可能である。長期データストレージ２１０のコンポーネントは、コンピューターシステム２００用のデータ、データ構造、コンピューターで実行可能な命令を格納する不揮発性のストレージとなる。多数のプログラムモジュールを、ドライブおよびＲＡＭ２０８の１つ以上に格納してもよい。このＲＡＭは、オペレーティングシステム、１つ以上のアプリケーションプログラム、他のプログラムモジュール、プログラムデータを含む。

ユーザーは、キーボードまたはポインティングデバイス（たとえば、マウス）などの１つ以上の入力デバイス２２２を介して、コマンドおよび情報をコンピューターシステム２００に入力してもよい。これらの入力デバイスおよび他の入力デバイスは、デバイスインターフェース２２４を介してプロセッサー２０２に接続されることが多い。たとえば、入力デバイスは、１つ以上のパラレルポート、シリアルポート、またはユニバーサルシリアルバス（ＵＳＢ）によって、システムバスに接続可能である。ビジュアルディスプレイデバイスまたはプリンターなどの１つまたは複数の出力デバイス２２６も、デバイスインターフェース２２４を介してプロセッサー２０２に接続可能である。

コンピューターシステム２００は、リモートコンピューター２３０などの１台以上のリモートコンピューターとの論理接続（たとえば、ローカルエリアネットワーク（ＬＡＮ）またはワイドエリアネットワーク（ＷＡＮ）など）を使用して、ネットワーク環境で動作してもよい。特定のリモートコンピューター２３０は、ワークステーション、コンピューターシステム、ルーター、ピアデバイスまたは他の一般的なネットワークノードであってもよく、一般に、コンピューターシステム２００に関して説明した多くの要素またはすべての要素を含む。コンピューターシステム２００は、無線または有線のネットワークインターフェースカードまたはモデムなどのネットワークインターフェース２３２を介して、リモートコンピューター２３０と通信可能である。ネットワーク環境では、コンピューターシステム２００との関連で示されるアプリケーションプログラムおよびプログラムデータ、あるいはそれらの一部を、リモートコンピューター２３０に付随するメモリーに格納してもよい。

以上説明してきたものは例である。もちろん、構成要素または方法の考えられるあらゆる組み合わせを説明するのは不可能であるが、さらに別の多くの組み合わせや入れ替えが可能であることは、当業者であれば認識するであろう。従って、本開示は、添付の特許請求の範囲を含めて本出願の範囲に入るそのような変更、修正、改変すべてを包含することを意図している。本明細書で使用する場合、「含む（includes）」という表現は、含むことを意味するがこれに限定されるものではなく、「含んで（including）」という表現は、含んでいることを意味するがこれに限定されるものではない。「基づいて」という表現は、少なくとも部分的に基づくことを意味する。また、開示内容または特許請求の範囲で「ａ」、「ａｎ」、「第１の」または「もうひとつの」要素あるいはその等価物に言及する場合、これは、２つまたは３つ以上のそのような要素を必要とすることもなければ除外することもなく、１つまたは２つ以上のそのような要素を含むものと解釈されるべきである。

＝＝関連出願へのクロスリファレンス＝＝
本出願は、２０１３年３月１５日に発明の名称「SELF-EVOLVING PREDICTIVE MODEL」で代理人整理番号ＣＣＦ−０２１２５７ ＵＳ ＰＲＯの下に出願された米国仮特許出願第６１／７９２，４２７号の優先権の利益を主張する。当該出願の内容全体を、あらゆる目的で、本明細書に援用する。

Claims (17)

1. 臨床パラメーターを予測するための方法を行うためにプロセッサーによって実行可能な、機械実行可能な命令を格納する、非一時的なコンピューター読み取り可能な媒体であって、前記方法は、
   受信された予測子の組がある場合、複数のモデルのうち最も精度が高いモデルを選択し、
   前記選択されたモデルと前記予測子の組から臨床パラメーターの値を予測して予測値を提供し、
   前記臨床パラメーターの値を測定し、
   前記予測子の組と測定された値とに従って、前記モデルを更新すること
   を含む、媒体。
2. 前記方法は、前記選択されたモデルについての前記予測子の組のサブセット各々に対する前記臨床パラメーターの予測値の感度を、選択されたパラメーターにおける特定の変化についての前記予測されるアウトカムの変化の大きさとして決定し、
   前記予測値の変化の大きさが閾値を超える各予測子を表示すること
   をさらに含む、請求項１に記載の非一時的なコンピューター読み取り可能な媒体。
3. 前記選択されたモデルについての前記予測子の組は、前記患者によって変更できないものとして示された少なくとも第１の群の予測子と、前記患者によって変更できるものとして示された第２の群の予測子と、を含み、前記予測子の組の前記サブセットは、前記第２の群の予測子から選択される、請求項２に記載の非一時的なコンピューター読み取り可能な媒体。
4. 前記方法は、
   前記複数のモデルから、前記患者を表す前記予測子の組の中には含まれていない予測子を各々が利用しているモデルの組を選択し、
   前記患者を表す前記予測子の組と前記予測子の組の中には含まれてない前記予測子がある場合、前記モデルの組の各々について想定精度を決定し、
   もしも前記想定精度の増加が閾値を超えた場合には、ユーザーに通知する
   ことをさらに含む、請求項１に記載の非一時的なコンピューター読み取り可能な媒体。
5. 前記閾値は、前記予測子の組の中には含まれていない前記予測子に従って選択される、請求項４に記載の非一時的なコンピューター読み取り可能な媒体。
6. 前記予測子の組と前記測定された値に従って、前記モデルを更新することは、前記予測子の組の各々と、前記臨床パラメーターの前記予測値と、前記測定された値とをテストセットのデータの一部として利用して、前記モデルに付随する前記精度を更新することを含む、請求項１に記載の非一時的なコンピューター読み取り可能な媒体。
7. 前記予測子の組と前記測定された値に従って、前記モデルを更新することは、前記予測子の組と前記測定された値とを含む訓練セットのデータを用いて、前記モデルを再訓練することを含む、請求項１に記載の非一時的なコンピューター読み取り可能な媒体。
8. 前記患者を表す前記予測子の組は、前記臨床パラメーターの前記値の測定に先立って前記モデルが前記臨床パラメーターの値の予測に使用されているということを示す予測子を含む、請求項１に記載の非一時的なコンピューター読み取り可能な媒体。
9. 前記複数のモデルは、人工ニューラルネットワークを利用した少なくとも１つのモデルと少なくとも１つのランダムフォレストモデルとを含む、請求項１に記載の非一時的なコンピューター読み取り可能な媒体。
10. プロセッサーと、
    前記プロセッサーによって実行可能な、機械実行可能な命令を格納する、非一時的なコンピューター読み取り可能な媒体と、
    を含む、臨床パラメーターを予測するためのシステムであって、
    前記機械実行可能な命令は、
    複数の予測モデルと、
    患者を表す予測子の組に従って複数の予測モデルから第１のモデルを選択し、前記患者を表す予測子の組の中には含まれていない予測子を各々が利用しているモデルの組を選択するように構成されたモデル選択部と、
    前記患者を表す前記予測子の組と前記予測子の組の中には含まれていない前記予測子がある場合、前記選択されたモデルの組の各々について想定精度を決定し、もしも前記モデルの組のいずれかの前記想定精度が閾値よりも大きく前記第１のモデルの精度を超えた場合には、付随するディスプレイを介してユーザーに通知するように構成された感度分析コンポーネントと、
    を含む、システム。
11. 前記予測子の組と前記臨床パラメーターの測定された値に従って、前記第１のモデルを更新するように構成された更新コンポーネントをさらに含む、請求項１０に記載のシステム。
12. 前記更新コンポーネントは、前記予測子の組と前記測定された値を含む訓練セットのデータを用いて、前記第１のモデルを再訓練するように構成される、請求項１１に記載のシステム。
13. 前記更新コンポーネントは、前記予測子の組の各々と、前記第１のモデルから決定される前記臨床パラメーターの予測値と、前記測定された値とをテストセットのデータとして利用して、前記モデルに付随する前記精度を更新するように構成される、請求項１１に記載のシステム。
14. 前記予測子の組は、前記患者によって変更できないものとして示された少なくとも第１の群の予測子と、前記患者によって変更できるものとして示された第２の群の予測子と、を含み、前記感度分析コンポーネントはさらに、前記第２の群の予測子のサブセット各々に対する前記臨床パラメーターの予測値の感度を、選択されたパラメーターにおける特定の変化についての前記予測値の変化の大きさとして決定するように構成される、請求項１０に記載のシステム。
15. 前記モデル選択部は、適切な代入アルゴリズムを用いて前記予測子の組の中には含まれていない前記予測子の値を代入し、前記モデルの組の精度が最も高いモデルからの臨床パラメーターの予測値、前記予測子の組、および前記代入された値を計算するように構成される、請求項１０に記載のシステム。
16. 前記複数のモデルは、人工ニューラルネットワークを利用した少なくとも１つのモデルと少なくとも１つのサポートベクターマシーンとを含む、請求項１０に記載のシステム。
17. 前記予測子の組は、医療検査と臨床処置のうちの１つの結果を表す少なくとも１つの予測子を含む、請求項１０に記載のシステム。

Images