JP2017527399A - 疾患検出のための装置及び方法 - Google Patents

Abstract

本開示の一側面は、疾患検出のためのシステムを提供する。システムは、インターフェース回路、メモリ回路、及び疾患検出回路を備える。インターフェース回路は、疾患検出のために異なる時間にサンプリングされた患者に関連するデータ事象を受信するように構成される。メモリ回路は、疾患を検出するためのモデルの構成を記憶するように構成される。モデルは、疾患の有無を診断された患者の時系列データ事象に基づく機械学習技術を用いて生成される。疾患検出回路は、疾患の発生を検出するためにモデルをデータ事象に適用するように構成される。

Description

関連出願の参照
本特許出願は、２０１４年９月９日に提出された米国仮特許出願第６２／０４７，９８８号「敗血症検出アルゴリズム」の利益を主張するものであり、参照によりその全体が本明細書に援用される。

敗血症検出、市中肺炎（ＣＡＰ：ｃｏｍｍｕｎｉｔｙ ａｃｑｕｉｒｅｄ ｐｎｅｕｍｏｎｉａ）検出、クロストリジウム・ディフィシル（ＣＤＦ：ｃｌｏｓｔｒｉｄｉｕｍ ｄｉｆｆｉｃｉｌｅ）感染検出、羊水内感染（ＩＡＩ：ｉｎｔｒａ・ａｍｎｉｏｔｉｃ ｉｎｆｅｃｔｉｏｎ）検出等では、早期疾患検出が重要とされる。例えば、敗血症は、感染に起因する全身性反応を示す。米国では、毎年０．８〜２百万人の患者が敗血症になり、敗血症患者の病院死亡率は１８％から６０％に及ぶ。死亡率が減少したにもかかわらず、敗血症の症例数の増加により敗血症関連の死亡者数は過去２０年間で３倍に増加した。治療の遅延は死亡率に関連する。

本開示の一側面は、疾患検出のためのシステムを提供する。システムは、インターフェース回路、メモリ回路、及び疾患検出回路を備える。インターフェース回路は、疾患検出のために異なる時間にサンプリングされた患者に関連するデータ事象を受信するように構成される。メモリ回路は、疾患を検出するためのモデルの構成を記憶するように構成される。モデルは、疾患の有無を診断された患者からの時系列データ事象に基づく機械学習技術を用いて生成される。疾患検出回路は、疾患の発生を検出するためにモデルをデータ事象に適用するように構成される。

本開示の一側面において、メモリ回路は、敗血症、市中肺炎（ＣＡＰ）、クロストリジウム・ディフィシル（ＣＤＦ）感染、及び羊水内感染（ＩＡＩ）の少なくとも１つを検出するためのモデルの構成を記憶するように構成される。

一実施形態では、疾患検出回路は、疾患の有無を診断された患者の時系列データ事象を取得し、取得された時系列データ事象に基づいてモデルを構築するように構成される。一例では、疾患検出回路は、疾患を有すると診断された患者の、疾患が診断された時刻の前の第１の時間期間、及び疾患が診断された時刻の後の第２の時間期間の時系列データ事象を選択する。さらに、疾患検出回路は、時系列データ事象から特徴を抽出し、抽出された特徴を使用してモデルを構築するように構成される。

一例では、疾患検出回路は、ランダムフォレスト（ｒａｎｄｏｍ ｆｏｒｅｓｔ）法を用いてモデルを構築するように構成される。さらに、疾患検出回路は、時系列データ事象を訓練集合及び検証集合に分割し、訓練集合に基づいてモデルを構築し、検証集合に基づいてモデルを検証するように構成される。

一例では、疾患検出回路は、患者に関連するデータ事象が疾患検出に十分であるか否かを判定し、データ事象が不十分な場合には、より多くのデータ事象を待つために、データ事象をメモリ回路に記憶するように構成される。

本開示の一側面は、疾患検出のための方法を提供する。この方法は、疾患を検出するためのモデルの構成を記憶することを備える。このモデルは、疾患の有無を診断された患者からの時系列データ事象に基づく機械学習技術を用いて構築される。さらに、この方法は、疾患検出のために異なる時間にサンプリングされた患者に関連するデータ事象を受信すし、モデルをデータ事象に適用して、患者の疾患の発生を検出すること、を有する。

実施例として提案される本開示の様々な実施形態は、以下の図を参照して詳細に説明され、同一の参照番号は同一の要素を示す。

本開示の一実施形態による疾患検出プラットフォーム１００の概要を示す図である。 本開示の一実施形態による疾患検出システム２２０のブロック図を示す図である。 本開示の一実施形態による疾病検出のためのモデルを構築するためのプロセス例３００を概説するフローチャートを示す図である。 本開示の一実施形態による疾患検出のためのプロセス例４００を概説するフローチャートを示す図である。

以下に開示される方法及びシステムは、一般に記載され得るし、同様に、特定の実施例及び／又は特定の実施形態に関して記載され得る。詳細な実施例及び／又は実施形態を示す場合、記載されている基本的な原理のいずれも単一の実施形態に限定されるものではなく、特に明記しない限り、当業者に理解されるように、本明細書に記載された他の方法及びシステムのいずれかを使用するために拡大され得ることに留意されたい。

図１は、本開示の一実施形態による疾患検出プラットフォーム１００の一例を示す概略図である。疾患検出プラットフォーム１００は、疾患検出システム１２０、病院、診療所、ラボ等の複数の医療サービス提供者１０２〜１０５、及び、疾患検出システム１２０と複数の医療サービス提供者１０２〜１０５との間の通信を可能にするネットワークインフラストラクチャ１０１（例えば、インターネット、イーサネット（登録商標）、無線ネットワーク等）を含む。一実施形態では、疾患検出システム１２０は、時系列データ事象に基づいて生成される機械学習モデルに基づいて、リアルタイムでの疾患検出を実行するように構成される。

疾患検出プラットフォーム１００は、様々な疾患検出サービスに使用することができる。一実施形態では、疾患検出プラットフォーム１００は、敗血症検出に使用される。敗血症は、感染に起因する全身性反応を示す。米国では、毎年０．８〜２百万の患者が敗血症になり、敗血症患者の病院死亡率は１８％から６０％に及ぶ。死亡率が減少したにもかかわらず、敗血症の症例数の増加により敗血症関連の死亡者数は過去２０年間で３倍に増加した。治療の遅延は死亡率に関連する。したがって、敗血症のタイムリーな予測が重要となる。

本実施形態では、疾患検出システム１２０は、医療サービス提供者１０２〜１０５からリアルタイムの患者情報を受信し、機械学習技術に基づいて構築されたモデルに基づいてリアルタイムで敗血症を予測する。リアルタイムの患者情報には、医療サービス提供者１０２〜１０５によって時間の経過とともに収集された患者に関する臨床検査、バイタル（ｖｉｔａｌ）等が含まれる。本開示の一態様によれば、機械学習技術は、人間が分析することが困難な多数の変数間の隠れた相関を抽出することができる。一例では、機械学習モデルに基づく予測は、１分未満のような短時間で、初期段階での敗血症を予測することができ、早期の敗血症治療を診断された患者に提供することができる。

他の実施形態では、疾患検出プラットフォーム１００は、市中肺炎（ＣＡＰ）検出に使用される。ＣＡＰは、病原性生物の吸入に起因する肺感染症である。ＣＡＰは、特に高齢者及び免疫抑制患者において、高い死亡率を有する。これらの患者グループにとって、ＣＡＰは重大なリスクをもたらす。３つの病原体がＣＡＰ全体の８５％を占める。これらの病原体は、肺炎連鎖球菌、ヘモフィルス・インフルエンザ（ｈａｅｍｏｐｈｉｌｕｓ ｉｎｆｌｕｅｎｚａｅ）、及びモラクセラ・カタラーリスである（ｍｏｒａｘｅｌｌａ ｃａｔａｒｒｈａｌｉｓ）。手作業での集中的なプロセスに依存する診断技術は、患者が肺炎を発症したかどうかを判断するのに比較的長い時間を要することがある。

本実施形態では、疾患検出システム１２０は、医療サービス提供者１０２〜１０５から、時間の経過とともに収集された患者に関する臨床検査やバイタル等のリアルタイム情報を受信し、機械学習技術に基づいて構築されたモデルに基づいてＣＡＰを予測する。一例では、機械学習ベースのＣＡＰ予測は、１分未満のような短い時間で、初期段階でのＣＡＰを予測することができ、早期の治療を診断された患者に提供することができる。

他の実施形態では、疾患検出プラットフォーム１００は、クロストリジウム・ディフィシル（ＣＤＦ：ｃｌｏｓｔｒｉｄｉｕｍ ｄｉｆｆｉｃｉｌｅ）感染の検出に使用される。ＣＤＦは、病院で罹患する感染の一般的な原因であるグラム陽性菌である。ＣＤＦは、手術後に長期間入院している患者の一般的な感染症である。治療を受けなければ、これらの患者はＣＤＦ感染による重大な結果を直ちに被る可能性がある。

本実施形態では、疾患検出システム１２０は、医療サービス提供者１０２〜１０５から、時間の経過とともに収集された患者に関する臨床検査やバイタル等のリアルタイム情報を受信し、機械学習技術に基づいて構築されたモデルに基づいてＣＤＦを予測する。一例では、機械学習ベースのＣＤＦ予測は、１分未満のような短い時間で、初期段階でのＣＤＦを予測することができ、早期の治療を診断された患者に提供することができる。

他の実施形態では、疾患検出プラットフォーム１００は、羊水内感染（ＩＡＩ）検出に使用される。ＩＡＩは、羊膜及び羊水の感染である。ＩＡＩは、新生児敗血症のリスクを大幅に増加させる。ＩＡＩは、熱性罹患（１０〜４０％）及び新生児敗血症／肺炎（２０〜４０％）の主要因である。個々のバイタル／検査の値と比較して閾値を使用する診断方法は、誤検出率が比較的高く、検出のために長い遅延を有することがある。

本実施形態では、疾患検出システム１２０は、医療サービス提供者１０２〜１０５から、時間の経過とともに収集された患者に関する臨床検査やバイタル等のリアルタイム情報を受信し、機械学習技術に基づいて構築されたモデルに基づいてＩＡＩを予測する。機械学習に基づく技術は、バイタル／検査の値への依存を緩和し、検出時間を短縮し、精度を向上させ、病院にコスト節約の利益をもたらす。

図１の例示では、疾患検出システム１２０は、疾患検出回路１５０と、処理回路１２５と、通信インターフェース１３０と、メモリ１４０とを含む。図１に示すように、これらの要素は共に結合されている。

一実施形態では、処理回路１２５は、システム１００の他の構成要素に制御信号を提供して、受信データセットの処理、機械学習モデルの構築、疾患の検出等のような所望の機能を実行するように他の構成要素に指示するように構成される。

通信インターフェース１３０は、疾患検出システム１２０がリアルタイムで複数の医療サービス提供者１０２〜１０５と通信することを可能にするように構成された適切な構成要素及び／又は回路を含む。

メモリ１４０は、様々な記憶ニーズのためのメモリ空間を提供する１つ又は複数の記憶媒体を含むことができる。一例では、メモリ１４０は、疾患検出回路１５０によって実行されるコード命令を記憶し、疾患検出回路１５０によって処理されるデータを記憶する。例えば、メモリ１４０は、１人又は複数の患者の時系列データ事象を記憶するためのメモリ空間１４５を含む。他の例では、メモリ１４０は、機械学習技術に基づいて構築されたモデルの構成を記憶するためのメモリ空間（図示せず）を含む。

記憶媒体は、ハードディスクドライブ、光ディスク、ソリッドステートドライブ、リードオンリメモリ（ＲＯＭ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、及びフラッシュメモリ等を含むが、それらに限定されるものではない。

本開示の一側面によれば、ユーザ／医療インターフェース１７０は、ディスプレイパネル上で疾患検出を視覚化するように構成される。一例では、各患者は、時間軸でＸ軸に沿って移動するドットによって表され、各事象は、疾患判定に基づく色によって特徴付けられる。例えば、緑色は非敗血症に使用され、黄色はおそらく敗血症に使用され、赤はたいてい敗血症に使用される。時間内に患者に対する敗血症事象が多く持続する場合、ユーザ/医療インターフェース１７０は、警報信号を提供する。

疾患検出回路１５０は、患者の疾患の発生を検出するために、患者の時系列データ事象に疾患を検出するためのモデルを適用するように構成される。一例では、モデルは、疾患の有無を診断された患者からの時系列データ事象に関する機械学習技術を用いて構築される。

本開示の一側面によれば、疾患検出回路１５０は、機械学習技術を使用してモデルを構築するように構成された機械学習モデル生成器１６０を含む。一例では、機械学習モデル生成器１６０は、ランダムフォレスト法を使用してモデルを構築する。例えば、機械学習モデル生成器１６０は、疾患の有無を事前に診断された患者からの時系列データ事象を適切に処理して、データの訓練データ集合を生成する。機械学習モデル生成器１６０は、訓練データ集合に基づいて、複数の決定木を構築する。一実施形態では、単一の決定木を訓練するため訓練集合のランダムなサブ集合が使用される。例えば、訓練集合は、ランダムなサブ集合を形成するブートストラップ（ｂｏｏｔｓｔｒａｐ）サンプルを生成するために置換によって均一にサンプリングされる。例えば、決定木の残りの未使用データは、例えば、「ブートストラップから外れた」エラー推定値を生成するのに後で使用するため、保存することができる。

さらに、本例では、一旦ブートストラップサンプルが生成されると、決定木のすべてのノードにおいて、特徴（例えば、変数）のランダムなサブ集合が選択され、最適な（軸平行）分割（ｓｐｌｉｔ）が、特徴（変数）のサブ集合上でスキャン（ｓｃａｎ）される。最適な分割がノードで見つかると、エラーが計算され、記録される。次に、次のノードで、特徴が再サンプリングされ、次のノードのための最適な分割が決定される。木が完成した後、ブートストラップサンプルにない未使用のデータを使用して、決定木に対して「ブートストラップから外れた」エラーを生成することができる。本例では、ランダムフォレスト全体のブートストラップから外れたエラーの平均が、ランダムフォレストの一般化エラーの指標であることが数学的に示される。

複数の決定木がランダムフォレストを形成し、ランダムフォレストが疾患検出のモデルとして使用される。ランダムフォレストを使用する一例では、各決定木は患者のデータを検査し、それ自体の分類又は回帰を決定する。次に、決定は、ランダムフォレスト全体にわたって平均化され、単一の分類又は回帰をもたらす。

ランダムフォレスト法には多くの利点がある。一例では、決定木は、決定木を生成するためにデータに過剰適合（ｏｖｅｒ−ｆｉｔ）することがある。ランダムフォレスト法は、複数の決定木からの決定を平均し、したがって、データの過剰適合に対する固有のとなる利益を提供する。

本開示の一側面によれば、決定木は、直列及び／又は並列に生成することができる。一例では、疾患検出回路１２０は、独立して動作することができる複数の処理ユニットを含む。本例では、複数の処理ユニットは、複数の決定木を生成するために並列に動作することができる。一例では、複数の処理ユニットは、例えば、集積回路（ＩＣ）チップに組み込まれることに留意されたい。他の例では、複数の処理ユニットは、例えば、複数のコンピュータに分散され、適切に共に結合されて並列に動作する。

さらに、本開示の一側面によれば、機械学習モデルの性能を適切に調整することができる。敗血症を検出する例では、機械学習モデルを生成するための訓練集合内の非敗血性患者の数が増加すると、誤警報率が低下する。

図１の例ではバス１２１が示されているが、他の例では、様々な構成要素を共に結合するために他の適切なアーキテクチャを使用することができる。一例では、疾患検出回路１５０は、１つ又は複数の特定用途向け集積回路（ＡＳＩＣ）に埋め込まれた別個の制御及び／又はデータバスによって相互接続された専用処理電子回路を使用して実現することができる。他の例では、疾患検出回路１５０は、処理回路１２５と統合される。

図２は、本開示の一実施形態による疾患検出システム２２０のブロック図を示す。一例では、疾患検出システム２２０は、疾患検出システム１２０の代わりに疾患検出プラットフォーム１００で使用される。

疾患検出システム２２０は、データ取り込みコンポーネント２５２、正規化コンポーネント２５４、特徴抽出コンポーネント２５６、データ選択コンポーネント２５８、モデル生成コンポーネント２６０、検出コンポーネント２６２、真理モジュール２６４、及びデータベース２４０等を含む。図２に示すように、これらの構成要素は、共に結合される。

一実施形態では、モデル生成コンポーネント２６０、検出コンポーネント２６２等の１つ又は複数のコンポーネントは、特定用途向け集積回路（ＡＳＩＣ）等の回路を使用して実装される。他の実施形態では、コンポーネントは、ソフトウェア命令を実行する中央処理装置（ＣＰＵ）等の処理回路を使用して実装される。

データベース２４０は、情報を適切なフォーマットで適切に記憶するように構成される。図２の例では、データベース２４０は、患者に対する時系列データ事象２４２、モデルに対する構成２４４及び予測結果２４６を記憶する。

データ取り込みコンポーネント２５２は、入力データを適切に処理し構成するように構成される。入力データは、任意の適切なフォーマットを有することができることに留意されたい。一実施形態では、入力データユニットは、患者識別情報、タイムスタンプ、バイタル又は検査カテゴリ、及びバイタル又は検査カテゴリに関連する値を含む。一例では、患者が集中治療室（ＩＣＵ）に移される前に、各データユニットは、患者識別情報、データが取得されたときのタイムスタンプ、及びバイタル及び検査カテゴリの両方、例えば、年齢、血液状態、検査結果、 呼吸数（ＲＲ）、心拍数（ＨＲ）、収縮期血圧（ＳＢＰ）、体温等、を含み、患者がＩＣＵに移された後、各データユニットは、患者識別情報、タイムスタンプ、及び検査カテゴリを含む。

一実施形態では、データ取り込みコンポーネント２５２が患者のデータユニットを受信すると、データ取り込みコンポーネント２５２は、データユニットから、患者を識別する患者識別情報、患者からデータが取得されたときのタイムスタンプ、及びバイタル又は検査カテゴリの値を抽出する。データユニットが患者の最初のデータユニットである場合、データ取り込みコンポーネント２５２は、抽出された情報を用いてデータベース２４０に記録を作成する。患者のデータベース２４０に記録が存在する場合、データ取り込みコンポーネント２５２は、抽出された情報で記録を更新する。

さらに、一実施形態では、データ取り込みコンポーネント２５２は、記録情報が疾患検出に不十分であるか否かを判定するように構成される。一例では、データ取り込みコンポーネント２５２は、記録の完全性尺度を計算する。完全性尺度が所定の閾値、例えば３０％等より低い場合、データ取り込みコンポーネント２５２は、記録情報が疾患検出に不十分であると判定する。

一実施形態では、データ取り込みコンポーネント２５２は、患者の重複記録を識別し、重複記録を削除するように構成される。

正規化コンポーネント２５４は、さらなる処理を支援するために入力データを再フォーマットするように構成される。一例では、病院は標準化されたデータフォーマットを使用しないことがあり、正規化コンポーネント２５４は入力データを同じフォーマットに再フォーマットする。正規化コンポーネント２５４は、データ棄却、データ削減、単位換算、
ファイル変換等の任意の適切な動作を実行して、入力データを再フォーマットすることができる。

一例では、正規化コンポーネント２５４は、疾患検出に使用するために完全ではないとみなされるデータを棄却するデータ棄却を実行することができる。完全ではないデータを使用すると、プラットフォームのパフォーマンスと信頼性に悪影響を与える可能性があり、したがって、適切な操作を保証するためデータ棄却が必要となる。正規化コンポーネント２５４は、不要なデータ又は未使用のデータを除去し、記憶するためにデータを圧縮するデータ削減を実行することができる。正規化コンポーネント２５４は、単位を統一する単位換算を実行することができる。正規化コンポーネント２５４は、データを１つのデジタルフォーマットからデータベース２４０で使用するために選択されたデジタルフォーマットに変換するファイル変換を実行することができる。さらに、正規化コンポーネント２５４は、統計的正規化又はレンジマッピングを実行することができる。

特徴抽出コンポーネント２５６は、受信したデータから重要な情報を抽出するように構成される。本開示の一側面によれば、データは、無関係な情報、重複情報、有用でないノイズ、又は単に利用可能な時間制約において処理するにはあまりにも多い情報、を含むかもしれない。特徴抽出コンポーネント２５６は、重要な情報を抽出し、正確なモデルを訓練するのに必要な関係を保持しながら全体のデータサイズを縮小することができる。したがって、モデルの訓練はより少ないメモリ空間と時間で済む。

一例では、特徴抽出コンポーネント２５６は、特徴を抽出するためにスペクトルマニホールド（ｓｐｅｃｔｒａｌ ｍａｎｉｆｏｌｄ）学習を使用する。スペクトルマニホールド学習技術は、高次元データから低次元構造を抽出するためにスペクトル分解を用いる。スペクトルマニホールドモデルは、原則的にデータから重要な成分を抽出することによって、データの視覚的表現の利点を提供する。例えば、構造又は距離の関係は、スペクトルマニホールドモデルを使用してほとんど保存される。データは、人間が視認できる空間であって、データの鮮明な関係を示すために使用することができる空間にマッピングされてもよい。

他の例では、特徴抽出コンポーネント２５６は、主成分分析（ＰＣＡ：ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ）を使用する。例えば、より高い分散を有する特徴が機械学習に基づく予測にとってより重要であるという考えに基づいて、ＰＣＡは、高次元空間から低次元空間への線形マッピングを導出するために使用される。一例では、データの共分散行列の固有値解析を使用して線形マッピングを導出する。ＰＣＡは、データの重複した相関をなくす上で非常に有効である。

本例では、ＰＣＡを使用して、例えば、最初の２つ又は３つの主成分方向をマッピングすることによってデータを視覚化することもできる。

一例では、データ選択コンポーネント２５８は、訓練及びテスト目的のための適切なデータ事象を選択するように構成される。敗血症の検出のためのモデルを構築する例では、患者の敗血症を宣告する時間が重要である。この例では、敗血症であると宣告された患者について、医師によって敗血症が宣告される前の６時間及び宣告後４８時間までを含む期間が、敗血症事象を決定するために使用される。敗血症と診断された患者のこの期間内の各データ点は、敗血症事象である。非敗血症であると宣言された患者からの他のデータポイントは、非敗血症事象である。

さらに、一例では、敗血症事象及び非敗血症事象は、訓練集合及び試験集合に分離するためにランダムにサンプリングされる。したがって、両方の集合は、同一患者からの事象を有してもよい。

モデル生成コンポーネント２６０は、訓練集合に基づいて機械学習モデルを生成するように構成される。一例では、モデル生成コンポーネント２６０は、ランダムフォレスト法を使用して機械学習モデルを生成するように構成される。一例では、ランダムフォレスト法によれば、複数の決定木が訓練集合に基づいて訓練される。各決定木は、訓練集合のサブ集合に基づいて生成される。例えば、単一の決定木を訓練する場合、訓練集合のランダムなサブ集合が使用される。一例では、訓練集合は、置換を用いて一様にサンプリングされ、ランダムサブ集合を形成するブートストラップサンプルを生成する。決定木の残りの未使用データは、後で「ブートストラップから外れた」エラー推定を生成するのに使用するため保存することができる。

さらに、本例では、一旦ブートストラップサンプルが生成されると、決定木の各ノードにおいて、特徴（例えば変数）のランダムなサブ集合（例えば変数）が選択され、その最適な（軸平行）分割がその特徴（変数）のサブ集合についてスキャンされる。最適な分割がノードで見つかると、エラーが計算され、記録される。次に、次のノードで、特徴が再サンプリングされ、次のノードのための最適な分割が決定される。木が完成した後、ブートストラップサンプルにない未使用のデータを使用して、その決定木に対して「ブートストラップから外れた」エラーを生成することができる。本例では、ランダムフォレスト全体のブートストラップから外れたエラーの平均が、ランダムフォレストの一般化エラーの指標であることが数学的に示される。

複数の決定木がランダムフォレストを形成し、ランダムフォレストが疾患検出のモデルとして使用される。ランダムフォレストを使用する例では、各決定木は患者のデータを検査し、それ自体の分類又は回帰を決定する。次に、ランダムフォレスト全体にわたって平均をとって、単一の分類又は回帰をもたらす。

一例では、モデル生成コンポーネント２６０は、独立して動作することができる複数の処理コア等の複数の処理ユニットを含む。本例では、複数の決定木を生成するために複数の処理コアが並列に動作することができる。

さらに、ランダムフォレスト法がモデル生成コンポーネント２６０で使用される場合、ランダムフォレストを使用して、他の適切な動作を実行することができる。一例では、データ内のデータポイントの各ペアについて、ランダムフォレスト法は近接カウンタを割り当てる。２つの点が終点ノードで終わる各決定木について、それらの近接カウンタは１増加する。より近接したデータは、他のデータと「近い」又は「類似する」と考えることができる。一例では、近接カウンタによって提供される情報を使用して、クラスタリング、外れ値検出、欠落データ補完等の動作を実行することができる。

例えば、欠落値は、近接カウンタでより高い値を有する近くのデータに基づき補完できる。一例では、反復プロセスを使用して、欠落値を反復的に補完し、決定木が終了条件を満たすまで決定木を再成長させることができる。

モデル生成コンポーネント２６０は、ロジスティック（ｌｏｇｉｓｔｉｃ）回帰法、混合モデルアンサンブル（ｍｉｘ ｍｏｄｅｌ ｅｎｓｅｍｂｌｅ ｍｅｔｈｏｄ）法、サポートベクトルマシン（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）法、Ｋ最近傍（ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒｓ）法等の他の適切な方法を使用できることに留意されたい。

さらに、また、一例では、モデル生成コンポーネント２６０は、生成されたモデルを検証する。例えば、モデル生成コンポーネント２６０は、Ｋ倍交差検証（Ｋ−ｆｏｌｄ ｃｒｏｓｓ−ｖａｌｉｄａｔｉｏｎ）を使用する。一例では、１０倍交差検証では、データのランダムな１／１０がモデルの訓練プロセス中に省略される。訓練プロセスの完了後、データの１／１０がモデルの精度を決定するためのテスト集合として提供でき、このプロセスを１０回繰り返すことができる。省略されたデータの部分は、１／Ｋである必要はないが、データの可用性を反映することができることに留意されたい。この手法を使用すると、実際のデータに対してモデルがどのように実行されるかについての良い見積が決定できる。

さらに、一例では、モデル生成コンポーネント２６０は、モデルの変数に対する感度解析を行うように構成される。例えば、モデルの精度が訓練データの与えられた変数の摂動に非常に敏感である場合、モデルはその変数に対する感度が比較的高く、その変数はモデルを使用する予測に対して比較的重要である可能性が高い。

検出コンポーネント２６２は、疾患を検出するために患者の入力されたデータに、生成されたモデルを適用するように構成される。一例では、検出結果は、例えば、医療提供者へのユーザ／医療インターフェース１７０を介して視覚化される。例えば、検出結果が、患者の敗血症の可能性が高いことを警告するとき、医療提供者は、検出を確認するために検査結果を出すことができる。一例では、検査結果は、疾患検出システム２２０に送り返すことができる。

真理モジュール２６４は、検査結果を受け取り、確認情報に基づいてデータを更新するように構成される。一例では、更新されたモデルを使用してモデルを再構築することができる。

図３は、本開示の一実施形態による疾患検出のためのモデルを構築するためのプロセス３００の概要を示すフローチャートである。一例ではプロセスは、疾患検出システム１２０、疾患検出システム２２０等の疾患検出システムによって実行される。処理はＳ３０１から開始され、Ｓ３１０に進む。

Ｓ３１０では、データが疾患検出システムに取り込まれる。一例では、入力データは、病院、診療所、研究所等の様々なソースから来ることができ、異なるフォーマットを有することができる。疾患検出システムは、入力データを適切に処理し整理する。一例では、疾患検出システムは、入力データから、患者を識別する患者識別情報、患者からデータが取得されたときを識別するタイムスタンプ、及び生体又は検査カテゴリの値を抽出する。データユニットが患者の第１データユニットである場合、疾患検出システムは、抽出された情報でデータベースに記録を作成する。データベースに患者の記録が存在する場合、疾患検出システムは抽出された情報で記録を更新する。

さらに、一例では、疾患検出システムは、記録情報が疾患検出に不十分であるか否かを判定する。一例では、疾患検出システムは、記録の完全性測度を計算する。完全性測度が所定の閾値、例えば３０％等よりも低い場合、疾患検出システムは、記録情報が疾患検出に不十分であると判定する。

Ｓ３２０では、データは疾患検出システムにおいて正規化される。一例では、疾患検出システムは、さらなる処理を支援するため入力データを再フォーマットする。一例では、病院は標準化されたデータフォーマットを使用しないことがあり、疾患検出システムは入力データを同一フォーマットに再フォーマットする。

さらに、本例では、疾患検出システムは、疾患検出に使用するのに十分に完了していないと思われるデータを棄却するデータ棄却を行うことができる。疾患検出システムは、単位を統一する単位換算を実行することができる。疾患検出システムは、１つのデジタルフォーマットのデータをデータベースで使用するために選択されたデジタルフォーマットに変換するファイル変換を実行することができる。さらに、疾患検出システムは、統計的な正規化又はレンジマッピングを実行することができる。

Ｓ３３０では、特徴がデータベースから抽出される。一例では、疾患検出システムは、重要な情報（特徴）を抽出し、正確なモデルを訓練するのに必要な関係を維持しながら全体のデータサイズを縮小する。したがって、モデル訓練は、より少ないメモリ空間と時間で済む。

一例では、疾患検出システムは、スペクトルマニホールドモデルを使用する。他の例では、疾患検出システムは主成分分析（ＰＣＡ）を使用する。

Ｓ３４０において、訓練及び検査のためのデータ集合が選択される。一例では、疾患検出システムは、訓練及び検査目的に適したデータ集合を選択する。敗血症の検出のためのモデルを構築する例では、患者の敗血症を宣告する時間が重要である。本例では、敗血症であると宣告された患者については、医師によって敗血症が宣告される前の６時間及び宣告後４８時間までを含む期間が、敗血症事象を定義するために使用される。敗血症と診断された患者期間内の各データ点は、敗血症事象である。敗血症であると宣言されていない患者からの他のデータポイントは、非敗血症事象である。

さらに、一例では、敗血症事象及び非敗血症事象は、訓練集合および検査集合に分離するためにランダムにサンプリングされる、したがって、両方の集合は、同一患者からの事象を有することができる。

Ｓ３５０では、訓練集合に基づいて機械学習モデルが生成される。一例では、疾患検出システムは、ランダムフォレスト法を用いて機械学習モデルを生成する。ランダムフォレスト法は、訓練データ集合に基づいて複数の決定木を構築する。

一実施形態では、訓練集合のランダムなサブ集合を使用して、単一の決定木を訓練する。例えば、訓練集合は、ランダムにサブ集合を形成するブートストラップサンプルを生成するために置換によって一様にサンプリングされる。決定木の残りの未使用データは、後で使用するために保存することができる。例えば、「ブートストラップから外れた」エラー推定値を生成することができる。

さらに、本例では、いったんブートストラップサンプルが生成されると、決定木の各ノードにおいて、特徴（例えば変数）のランダムなサブ集合が選択され、その最適な（軸平行）分割がその特徴（変数）のサブ集合についてスキャンされる。最適な分割がノードで見つかると、エラーが計算され、記録される。次に、次のノードで、特徴が再サンプリングされ、次のノードのための最適な分割が決定される。決定木が完了した後、ブートストラップサンプルにない未使用のデータを使用して、その決定木の「ブートストラップから外れた」エラーを生成することができる。本例では、ランダムフォレスト全体のブートストラップから外れたエラーの平均が、ランダムフォレストの一般化エラーの指標であることが数学的に示される。

複数の決定木がランダムフォレストを形成し、ランダムフォレストが疾患検出のモデルとして使用される。ランダムフォレストを使用する例では、各決定木は患者のデータを検査し、それ自体のカテゴリ又は回帰を決定する。次に、ランダムフォレスト全体にわたって平均をとって、単一のカテゴリ又は回帰をもたらす。

一例では、疾患検出システムは、独立して動作することができる複数の処理コア等の複数の処理ユニットを含む。本例では、複数の処理コアが並列に動作して複数の決定木を生成することができる。

Ｓ３６０では、モデルが検証される。一例では、疾患検出システムは、Ｋ倍交差検証を使用する。例えば、１０倍の交差検証では、モデルの訓練プロセス中にデータのランダム１／１０が省略される。訓練プロセスの完了後、データの１／１０がモデルの精度を決定するためのテスト集合となり、このプロセスを１０回繰り返すことができる。省略されたデータの部分は、１／Ｋである必要はないが、データの可用性を反映することができることに留意されたい。この手法を使用すると、実際のデータに対してモデルがどのように実行されるかについての良い見積が決定できる。

さらに、一例では、疾患検出システムは、モデルに対する変数の感度分析を行うように構成される。例えば、モデルの精度が訓練データの与えられた変数の摂動に非常に敏感である場合、そのモデルはその変数に対する感度が比較的高く、その変数はモデルを使用する予測に対して比較的重要である可能性が高い。

Ｓ３７０では、モデル及び構成がデータベースに格納される。記憶されたモデル及び構成は、疾患検出のために使用される。その後、処理はＳ３９９に進み、終了する。

図４は、本開示の一実施形態による疾患検出のためのプロセス４００の概要を示すフローチャートである。一例では、プロセスは、疾患検出システム１２０、疾患検出システム２２０等の疾患検出システムによって実行される。処理はＳ４０１から開始し、Ｓ４１０に進む。

Ｓ４１０では、患者データがリアルタイムで受信される。一例では、患者のバイタルデータが測定されるか、又は検査結果が利用可能になるたびに、患者のバイタルデータ及び検査結果が、ネットワークを介して疾患検出システムに送信される。

Ｓ４２０では、データがクリーニングされる。一例では、患者データが再フォーマットされる。別の例では、患者データ内の単位が変換される。別の例では、患者データ内の無効な値が識別され、除去される。以前に受信した患者のデータを含む記録にデータを編成することができる。

Ｓ４３０では、疾患検出システムは、患者データが疾患検出に十分であるか否かを判定する。一例では、疾患検出システムは、記録の完全性尺度を決定し、完全性尺度に基づいて患者データが十分であるか否かであるか否かを決定する。患者データが疾患検出に十分である場合、プロセスはＳ４４０に進む。そうでなければ、患者のより多くのデータを受信するため、プロセスはＳ４１０に戻る。

Ｓ４４０では、疾患検出システムは、所定の機械学習モデルを検索する。一例では、機械学習モデルの構成がメモリに記憶される。疾患検出システムは、機械学習モデルを検索するためメモリを読み取る。

Ｓ４５０では、疾患検出システムは、患者を分類するために、患者データに機械学習モデルを適用する。一例では、機械学習モデルは、複数の決定木を含むランダムなフォレストモデルである。複数の決定木は、患者のそれぞれの分類を生成するために使用される。次に、一例では、患者の統一された分類がなされるようにそれぞれの分類が適切に平均化される。

Ｓ４６０では、分類が疾患の発生の可能性を示す場合、プロセスはＳ４７０に進む。そうでなければ、プロセスはＳ４９９に進み終了する。

Ｓ４７０では、疾患検出システムは警報報告を生成する。一例では、疾病検出システムは、医療サービス提供者に警告するためにディスプレイパネル上に視覚的警報を提供する。医療サービス提供者は、疾患の治療に適切な措置を講じることができる。そして、プロセスはＳ４９９に進み終了する。

ハードウェアで実装される場合、ハードウェアは、１つ以上のディスクリート部品、集積回路、特定用途向け集積回路（ＡＳＩＣ）等を含んでもよい。

本開示の一側面は、実施例として提案された特定の実施形態と関連して記載されているが、実施例に対する代替、変更及び変形がなされてもよい。したがって、本明細書に記載の実施形態は、例示的なものであり、限定的なものではない。以下に述べる特許請求の範囲から逸脱することなく、され得る変更が存在する。

Claims (16)

1. 疾患検出のために時系列でサンプリングされた患者に関連するデータ事象を受信するように構成されたインターフェース回路と、
   前記疾患の有無を診断された患者からの時系列データ事象に基づいて機械学習された疾患を検出するためのモデルの構成を記憶するように構成されたメモリ回路と、
   前記疾患の発生を検出するために前記モデルを前記データ事象に適用するように構成された疾患検出回路と、
   を備える疾患検出のためのシステム。
2. 前記メモリ回路は、敗血症、市中肺炎（ＣＡＰ）、クロストリジウム・ディフィシル（ＣＤＦ）感染、及び羊水内感染（ＩＡＩ）の少なくとも１つを検出するための前記モデルの構成を記憶するように構成される、請求項１に記載のシステム。
3. 前記疾患検出回路は、前記疾患の有無を診断された前記患者の前記時系列データ事象を取り込み、前記取り込まれた時系列データ事象に基づいて前記モデルを構築するように構成される、請求項１に記載のシステム。
4. 前記疾患検出回路は、前記疾患を有すると診断された患者の、前記疾患が診断された時刻の前の第１の時間期間、及び前記疾患が診断された時刻の後の第２の時間期間の前記時系列データ事象を選択するように構成される 、請求項３に記載のシステム。
5. 前記疾患検出回路は、前記時系列データ事象から特徴を抽出し、前記抽出された特徴を使用して前記モデルを構築するように構成される、請求項３に記載のシステム。
6. 前記疾患検出回路は、ランダムフォレスト法を用いて前記モデルを構築するように構成される、請求項３に記載のシステム。
7. 前記疾患検出回路は、前記時系列データ事象を訓練集合及び検証集合に分割し、前記訓練集合に基づいて前記モデルを構築し、前記検証集合に基づいて前記モデルを検証するように構成される、請求項３に記載のシステム。
8. 前記患者に関連する前記データ事象が疾患検出に十分であるか否かを判定し、前記データ事象が不十分である場合に、より多くのデータ事象を待つために前記データ事象を前記メモリ回路に記憶するように構成される、請求項１に記載のシステム。
9. 疾患の有無を診断された患者の時系列データ事象に基づいて機械学習された疾患を検出するためのモデルの構成を記憶し、
   疾患検出のために異なる時間にサンプリングされた患者に関連するデータ事象を受信し、
   前記患者の前記疾患の発生を検出するために前記モデルを前記データ事象に適用する、
   を有する疾患検出のための方法。
10. 前記疾患を検出するための前記モデルの構成を記憶することは、
    敗血症、市中肺炎（ＣＡＰ）、クロストリジウム・ディフィシル（ＣＤＦ）感染、及び羊水内感染（ＩＡＩ）の少なくとも１つを検出するための前記モデルの構成を記憶すること、
    をさらに有する、請求項９に記載の方法。
11. 前記疾患の有無を診断された前記患者の前記時系列データ事象を取り込み、
    前記取り込まれた時系列データ事象に基づいて前記モデルを構築すること、
    をさらに有する、請求項９に記載の方法。
12. 前記疾患を有すると診断された患者の、前記疾患が診断された時刻の前の第１の時間期間、及び前記疾患が診断された時刻の後の第２の時間期間の前記時系列データ事象を選択すること、
    をさらに有する、請求項１１に記載の方法。
13. 前記時系列データ事象から特徴を抽出し、
    前記抽出された特徴を使用して前記モデルを構築すること、
    をさらに有する、請求項１１に記載の方法。
14. ランダムフォレスト法を用いて前記モデルを構築すること、
    をさらに有する、請求項１１に記載の方法。
15. 前記時系列データ事象を訓練集合及び検証集合に分割し、
    前記訓練集合に基づいて前記モデルを構築し、
    前記検証集合に基づいて前記モデルを検証すること、
    をさらに有する、請求項１１に記載の方法。
16. 前記患者に関連する前記データ事象が疾患検出に十分であるか否かを判定し、
    前記データ事象が不十分である場合に、より多くのデータ事象を待つために前記データ事象を前記メモリ回路に記憶すること、
    をさらに有する、請求項９に記載の方法。

Images