JP2018140172A - Data collection device and data collection method - Google Patents
Data collection device and data collection method Download PDFInfo
- Publication number
- JP2018140172A JP2018140172A JP2018032317A JP2018032317A JP2018140172A JP 2018140172 A JP2018140172 A JP 2018140172A JP 2018032317 A JP2018032317 A JP 2018032317A JP 2018032317 A JP2018032317 A JP 2018032317A JP 2018140172 A JP2018140172 A JP 2018140172A
- Authority
- JP
- Japan
- Prior art keywords
- data
- birth
- prediction
- pregnant woman
- preterm birth
- 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
- 238000013480 data collection Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000035935 pregnancy Effects 0.000 claims abstract description 53
- 208000005107 Premature Birth Diseases 0.000 claims description 188
- 206010036590 Premature baby Diseases 0.000 claims description 67
- 238000009826 distribution Methods 0.000 claims description 25
- 229940079593 drug Drugs 0.000 claims description 14
- 239000003814 drug Substances 0.000 claims description 14
- 230000036772 blood pressure Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 208000036029 Uterine contractions during pregnancy Diseases 0.000 claims description 10
- 206010028813 Nausea Diseases 0.000 claims description 9
- 206010033557 Palpitations Diseases 0.000 claims description 9
- 208000035010 Term birth Diseases 0.000 claims description 9
- 230000036760 body temperature Effects 0.000 claims description 9
- 230000035606 childbirth Effects 0.000 claims description 9
- 230000001605 fetal effect Effects 0.000 claims description 9
- 235000012054 meals Nutrition 0.000 claims description 9
- 230000008693 nausea Effects 0.000 claims description 9
- 206010019233 Headaches Diseases 0.000 claims description 7
- 206010047700 Vomiting Diseases 0.000 claims description 7
- 235000019577 caloric intake Nutrition 0.000 claims description 7
- 230000008673 vomiting Effects 0.000 claims description 7
- 208000008930 Low Back Pain Diseases 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 206010000084 Abdominal pain lower Diseases 0.000 claims description 5
- 206010000087 Abdominal pain upper Diseases 0.000 claims description 5
- 230000037396 body weight Effects 0.000 claims description 5
- 230000004622 sleep time Effects 0.000 claims description 5
- 208000004371 toothache Diseases 0.000 claims description 5
- 230000032696 parturition Effects 0.000 claims description 3
- 206010036595 Premature delivery Diseases 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 63
- 238000005259 measurement Methods 0.000 description 43
- 238000012546 transfer Methods 0.000 description 32
- 230000008569 process Effects 0.000 description 25
- 238000000605 extraction Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 230000002354 daily effect Effects 0.000 description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 12
- 239000000284 extract Substances 0.000 description 12
- 201000010099 disease Diseases 0.000 description 11
- 238000012706 support-vector machine Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000007477 logistic regression Methods 0.000 description 8
- 208000002193 Pain Diseases 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000013058 risk prediction model Methods 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 235000006694 eating habits Nutrition 0.000 description 4
- 230000003340 mental effect Effects 0.000 description 4
- 230000000391 smoking effect Effects 0.000 description 4
- 230000035488 systolic blood pressure Effects 0.000 description 4
- 208000006399 Premature Obstetric Labor Diseases 0.000 description 3
- 206010041092 Small for dates baby Diseases 0.000 description 3
- 238000001790 Welch's t-test Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 230000035622 drinking Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 230000003860 sleep quality Effects 0.000 description 3
- 230000036266 weeks of gestation Effects 0.000 description 3
- 208000001362 Fetal Growth Retardation Diseases 0.000 description 2
- 238000000729 Fisher's exact test Methods 0.000 description 2
- 206010070531 Foetal growth restriction Diseases 0.000 description 2
- 206010070538 Gestational hypertension Diseases 0.000 description 2
- 206010036600 Premature labour Diseases 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 2
- 210000004381 amniotic fluid Anatomy 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000000546 chi-square test Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 208000030941 fetal growth restriction Diseases 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 208000004104 gestational diabetes Diseases 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 201000011461 pre-eclampsia Diseases 0.000 description 2
- 208000026440 premature labor Diseases 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 206010000234 Abortion spontaneous Diseases 0.000 description 1
- 206010003645 Atopy Diseases 0.000 description 1
- 208000008035 Back Pain Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000034423 Delivery Diseases 0.000 description 1
- 208000018478 Foetal disease Diseases 0.000 description 1
- 201000005624 HELLP Syndrome Diseases 0.000 description 1
- 206010023789 Large for dates baby Diseases 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 208000005652 acute fatty liver of pregnancy Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 208000002296 eclampsia Diseases 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002550 fecal effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 208000015994 miscarriage Diseases 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 230000009984 peri-natal effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 208000000995 spontaneous abortion Diseases 0.000 description 1
- 208000002254 stillbirth Diseases 0.000 description 1
- 231100000537 stillbirth Toxicity 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
本発明は、一般に医療診断技術に関し、より詳細には、非侵襲的に早産の発症予測又は異常検出を行うための早産発症有無予測のためのデータ収集装置及び方法に関する。 The present invention generally relates to medical diagnostic techniques, and more particularly to a data collection apparatus and method for predicting the onset of premature birth for noninvasively predicting the onset or detecting abnormalities of premature birth.
妊娠関連の疾患は、従来は予測が困難であった。つまり、妊婦関連疾患の発症は、遺伝的要因だけでなく環境要因が複雑に関与するとされているが、環境要因の把握が困難であったためである。そのため、未だに原因が特定されずに予防方法が確立されていない妊婦関連疾患が多い。 Pregnancy-related diseases have been difficult to predict. In other words, the onset of maternally related diseases is not only genetic factors but also environmental factors are involved in a complicated manner, but it is difficult to grasp environmental factors. For this reason, there are many pregnant-related diseases for which no cause has yet been identified and no preventive method has been established.
現時点の産科診療においては、受診時に取得される検査情報、病歴聴取及び/又は診察情報による発症予測が主体であり、在宅中などの連続した生活環境情報を取得することは困難であった。疾患発症に関する研究において、妊婦の生活環境情報を取得する方法として従来は調査票による調査を実施することが主な手法であった。しかしこの方法には、妊婦の記憶が不正確で回答に誤りがあること(想起バイアス)による精度の問題があり、また実施間隔が早くて半年に1回程度と、取得頻度の問題等があった。そのため、妊婦の生活の実態を捉えて疾患との因果関係を明らかにするには不十分な方法であった。今後、疾患の発症予測を精緻に行うためには、受診時以外の連続環境情報を取得し、それらと受診時情報を統合的に解析することが必要であるが、これらの情報についてはこれまで入手困難だったため、妊娠に関連した疾患の発症予測には利用されてこなかった。 In the present obstetric practice, the onset prediction is mainly based on examination information, medical history and / or examination information obtained at the time of consultation, and it is difficult to obtain continuous living environment information such as at home. In the research on the onset of disease, the main method for obtaining the living environment information of pregnant women has been to conduct surveys using questionnaires. However, this method has problems with accuracy due to inaccurate memory of pregnant women and incorrect answers (recall bias), and there is a problem with the frequency of acquisition, such as once every six months, because the implementation interval is early. It was. Therefore, it was an inadequate method for capturing the actual life of pregnant women and clarifying the causal relationship with the disease. In the future, in order to accurately predict the onset of disease, it will be necessary to acquire continuous environmental information other than at the time of consultation and to analyze the information at the time of consultation in an integrated manner. Because it was difficult to obtain, it was not used to predict the onset of pregnancy related diseases.
早産は、原因不明が約3分の1を占める周産期医療上の代表的な疾患で、遺伝的要因と環境因子による複雑な相互作用により発症する多因子疾患である。 Premature birth is a typical perinatal medical disease whose cause is unknown by about one third, and is a multifactorial disease that develops through a complex interaction of genetic and environmental factors.
妊婦の生活環境に基づいた、疫学的な早産発症研究としては、例えば、妊娠前BMI(Body Mass Index)を測定し、当該BMIの低さが早産のリスクを高めるという報告がある(先行技術文献1)。しかし、この研究では、単一のパラメータかつ、1時点の計測結果に基づいているため予測精度が調整オッズ比で2.91であり、臨床的には十分な精度とは言えない。また、妊婦の睡眠の質に着目し、妊娠初期(妊娠14週〜16週)と妊娠後期(30−32週)においてその睡眠の質が悪いと早産のリスクを高めるという報告がある(先行技術文献2)。しかし、この研究も調査票による調査であり、想起バイアスが含まれるうえ、予測精度が妊娠初期のオッズ比で1.25、妊娠後期のオッズ比で1.18であり、臨床上の発症予測には不十分である。 As an epidemiological study of premature birth based on the living environment of pregnant women, for example, there is a report that BMI (Body Mass Index) before pregnancy is measured, and that the low BMI increases the risk of preterm birth (prior art documents). 1). However, in this study, since the prediction accuracy is 2.91 in terms of the adjusted odds ratio because it is based on a single parameter and the measurement result at one time point, it cannot be said that the accuracy is clinically sufficient. In addition, focusing on the quality of sleep of pregnant women, there is a report that if the quality of sleep is poor in early pregnancy (14-16 weeks of pregnancy) and late pregnancy (30-32 weeks), the risk of preterm birth is increased (prior art) Reference 2). However, this study is also a questionnaire survey, which includes recall bias, and the prediction accuracy is 1.25 for the odds of early pregnancy and 1.18 for the odds of late pregnancy. Is insufficient.
また、先行技術文献1および先行技術文献2はともにオッズ比の比較をしているのみであり、早産の発症リスクについては議論できるが、その妊婦の最終的な早産の有無を予測できているわけではない。
上述した問題点を鑑み、本発明の課題は、早産の予測精度を向上させるためのデータ収集技術を提供することである。 In view of the above-described problems, an object of the present invention is to provide a data collection technique for improving the accuracy of prediction of premature birth.
上記課題を解決するため、本発明の一態様は、複数のデータソース装置から妊婦に関するデータを取得するデータ取得機能と、早産予測モデルに基づき、前記取得したデータから前記妊婦の早産予測を実行する早産予測機能と、前記早産予測の結果を通知する結果通知機能と、を有し、前記データ取得機能は、前記妊婦の妊娠前後の何れかの時期から出産前後の何れかの時期までのデータ取得期間において、前記データを複数の時点にて取得するデータ収集装置に関する。 In order to solve the above problems, according to one aspect of the present invention, based on a data acquisition function for acquiring data on a pregnant woman from a plurality of data source devices and a preterm birth prediction model, the preterm birth prediction of the pregnant woman is executed from the acquired data. A premature birth prediction function and a result notification function for notifying the result of the preterm birth prediction, wherein the data acquisition function acquires data from any time before and after pregnancy of the pregnant woman to any time before and after childbirth The present invention relates to a data collection device that acquires the data at a plurality of points in time.
本発明によると、早産の予測精度を向上させるためのデータ収集技術を提供することができる。 ADVANTAGE OF THE INVENTION According to this invention, the data collection technique for improving the prediction precision of premature birth can be provided.
以下、図面に基づいて本発明の実施の形態を説明する。 Hereinafter, embodiments of the present invention will be described with reference to the drawings.
後述される実施例では、早産予測のためのデータ収集装置が開示される。BMIや睡眠の質など単一の指標による従来の早産予測では予測精度が低いため、以下の実施例によるデータ収集装置は、妊婦の生活環境のデータのうち、複数のデータを組み合わせることで予測精度を向上させる。また、データ収集装置は、取得するデータを1つの時点の測定値ではなく、例えば、連続的または定期的など複数の時点にて取得し、取得したデータから想起バイアスを極力排除することによって客観的なデータを利用する。 In an embodiment described later, a data collection device for predicting preterm birth is disclosed. Since the prediction accuracy is low in the conventional preterm birth prediction based on a single index such as BMI and sleep quality, the data collection device according to the following embodiment predicts the accuracy by combining a plurality of data among the data on the living environment of the pregnant woman. To improve. In addition, the data collection device acquires the data to be acquired at a plurality of time points, for example, continuously or periodically, instead of the measurement value at one time point, and objectively eliminates the recall bias from the acquired data as much as possible. Use simple data.
具体的には、以下の実施例によるデータ収集システムによると、妊婦の生活環境をより客観的により高頻度で取得することで妊婦関連疾患発症の環境要因を明らかにするために、妊娠初期または妊娠前より、以下のような多様なデータが取得される。
1)血圧計、体重計、活動量計、体温計などの計測装置の日々のデータ
2)日々の睡眠、便通、吐き気、痛み、子宮収縮、動悸、胎動間隔、食事内容、服薬内容の体調データ
3)妊婦の居住地の気温、天候、湿度、気圧、潮汐などの日々の生活環境データ
4)食習慣、睡眠状況、喫煙等の生活習慣に関する定期的な調査票データ
5)妊婦健診等の定期的な診療記録データ
これらのようなデータを取得することで、多種類のデータを利用可能となり、単一の指標に基づく従来の早産予測より予測精度を向上させることができる。また、上記1)〜3)に関して妊娠期間中やその前後において、1日数回から1週間に数回など高頻度に、または期間中連続的にデータを取得し、さらに、上記1)、3)などによる客観的なデータ取得と、2)による日々の登録において妊婦が記憶するべき間隔を短くすることによる想起バイアスの排除又は低減を実現することができる。なお、上記のデータのうち、1)〜3)のデータ項目はライフログと定義される。
Specifically, according to the data collection system according to the following embodiment, in order to clarify the environmental factors of pregnancy-related diseases by acquiring the living environment of pregnant women more objectively and more frequently, The following various data are acquired from before.
1) Daily data of blood pressure meters, weight scales, activity meters, thermometers and other measuring devices 2) Physical condition data of daily sleep, bowel movement, nausea, pain, uterine contraction, palpitation, fetal movement interval, meal content, medication content 3 ) Daily living environment data such as temperature, weather, humidity, barometric pressure, tide, etc. of the pregnant woman's residence 4) Regular questionnaire data on lifestyle habits such as eating habits, sleeping conditions, smoking 5) Regular pregnancy checkups, etc. Medical record data By acquiring such data, it is possible to use many kinds of data, and the prediction accuracy can be improved compared to the conventional preterm birth prediction based on a single index. In addition, during 1) to 3) above, during and after the pregnancy period, data is acquired frequently, such as several times a day to several times a week, or continuously during the period. It is possible to eliminate or reduce the recall bias by shortening the interval that a pregnant woman should memorize in objective data acquisition by the above and daily registration in 2). Of the above data, the data items 1) to 3) are defined as life logs.
これにより、本発明では、早産予測モデルを作成するために、これらのライフログや調査票、診療記録を取得し、妊婦の環境情報を充実させることができる。つまり、本発明は、非侵襲的に早産の発症予測又は異常検出のために、妊婦の妊娠期間中や産後に日々のライフログとして、例えば、血圧計、体重体組成計、活動量計、体温計等で計測した客観データ、日々の睡眠の質、便通、吐き気、痛み、子宮収縮、動悸、胎動、食事、服薬などの妊婦の体調に関するデータを取得すると共に、妊婦の居住地の気温、天候、湿度、気圧、潮汐などの客観データなどのうち1つ以上のデータ項目に関するデータを取得し、これらを組み合わせて解析することによって、より高精度な早産予測を実現することができる。 Thereby, in this invention, in order to create a preterm birth prediction model, these life logs, survey forms, and medical records can be acquired, and environmental information of pregnant women can be enriched. That is, the present invention is a non-invasive method for predicting the onset of premature birth or detecting abnormalities, such as a blood pressure meter, a body composition monitor, an activity meter, and a thermometer as daily life logs during pregnancy and after delivery of pregnant women. Objective data measured by, etc., daily sleep quality, bowel movement, nausea, pain, uterine contraction, palpitations, fetal movement, diet, medication, etc. By acquiring data related to one or more data items from objective data such as humidity, atmospheric pressure, and tide, and analyzing them in combination, it is possible to realize more accurate preterm birth prediction.
まず、図1を参照して、本発明の一実施例によるデータ収集システムを説明する。図1は、本発明の一実施例によるシステム構成を示すブロック図である。 First, a data collection system according to an embodiment of the present invention will be described with reference to FIG. FIG. 1 is a block diagram showing a system configuration according to an embodiment of the present invention.
図1に示されるように、データ収集システム10は、計測装置20、測定値転送装置30、体調登録装置40、気象情報取得装置50、調査票登録装置60、診療記録登録装置70及びデータ収集装置100を有する。なお、図示されたシステム構成は一例にすぎず、一部の装置は省かれてもよいし、あるいは、他の装置が追加されてもよい。例えば、データ収集システム10は、計測装置20又は体調登録装置40のいずれか一方又は両方、診療記録登録装置70及びデータ収集装置100を有し、任意的に、測定値転送装置30、気象情報取得装置50及び/又は調査票登録装置60を有してもよい。
As shown in FIG. 1, the
計測装置20は、血圧計、体重計、活動量計、体温計などを含み、妊婦の血圧等の生理データを計測する。
The
測定値転送装置30は、計測装置20とデータ収集装置100との間でデータを転送する。なお、計測装置20自体が測定値転送装置30の機能を含み、データ収集装置100に計測値を直接送信するようにしてもよい。
The measurement
体調登録装置40は、妊婦が日々の体調情報を登録するための装置であり、例えば、スマートフォン及びアプリケーションに実装可能である。具体的には、妊婦は、自らの体調情報を体調登録装置40に入力する。ここで、体調情報は、例えば、睡眠、便通、吐き気、痛み、子宮収縮、動悸、胎動間隔、食事内容、服薬内容などのデータ項目を含むものであってもよいが、これらに限定されない。
The physical
気象情報取得装置50は、一般に公開されている気象情報のデータベース(図示せず)から、妊婦の居住地における気象情報を取得する。ここで、気象情報は、例えば、所定の期間毎(1時間単位、1日単位など)の天候、降水確率、気温、湿度、風速、風向、気圧、潮汐などのデータ項目を含むものであってもよいが、これらに限定されない。
The meteorological
調査票登録装置60は、妊婦からの定期的な調査票の情報を登録するための装置である。具体的には、入力担当者が、妊婦から取得した調査票の情報を調査票登録装置60に登録する。ここで、調査票の情報は、例えば、妊婦やその家族の家族構成、妊婦や家族の既往歴、妊娠出産歴、食生活、睡眠状況、服薬状況、喫煙飲酒状況、運動状況、勤務状況、精神的状況などのデータ項目を含むものであってもよいが、これらに限定されない。
The survey
診療記録登録装置70は、妊婦の出産時の診療記録を登録するための装置である。また、任意で妊婦の定期的な妊婦健診等の診療情報が更に診療記録登録装置70に登録されてもよい。
The medical
データ収集装置100は、以下で詳細に説明されるように、計測装置20、測定値転送装置30、体調登録装置40、気象情報取得装置50、調査票登録装置60及び診療記録登録装置70の1つ以上からネットワーク200を介し上述したデータ項目に関するデータを収集し、早産の発症予測モデルを生成し、予測を実施する。ネットワーク200については単一のネットワークではなく、複数から構成されていても良い。
As will be described in detail below, the
なお、上述した各装置は、典型的には、コンピュータ、スマートフォン、タブレット、サーバなどの通信機能を備えた情報処理装置により実現されてもよい。例えば、情報処理装置に搭載されたプロセッサが、メモリ装置に格納されたデータやプログラムを処理及び実行することによって、後述される各種機能及び処理を実行する。しかしながら、各装置は、何れか特定のハードウェア構成に限定されるものでなく、適切なハードウェア構成により実現されてもよい。 Each device described above may be typically realized by an information processing device having a communication function such as a computer, a smartphone, a tablet, or a server. For example, a processor mounted on the information processing apparatus executes various functions and processes to be described later by processing and executing data and programs stored in the memory device. However, each device is not limited to any specific hardware configuration, and may be realized by an appropriate hardware configuration.
次に、図2を参照して、本発明の一実施例による測定値転送装置を説明する。図2は、本発明の一実施例による測定値転送装置の機能構成を示すブロック図である。 Next, a measured value transfer apparatus according to an embodiment of the present invention will be described with reference to FIG. FIG. 2 is a block diagram showing a functional configuration of the measurement value transfer apparatus according to one embodiment of the present invention.
図2に示されるように、測定値転送装置30は、データ取得機能31、データ転送機能32、計測装置認証機能33及び利用者認証機能34を有する。
As shown in FIG. 2, the measurement
データ取得機能31は、1つ以上の計測装置20と通信し、計測装置20からデータ及び測定値を取得する。なお、測定値転送装置30と計測装置20とは、以下に限定することなく、Bluetooth(登録商標)、Wi−Fi、NFC、ZigBee、USB接続、モバイル通信(3G、LTE、4G、5Gなど)などの通信方式により実現されてもよい。例えば、計測装置20から取得されるデータ項目は、以下に限定されることなく、血圧計、体重計、活動量計、体温計などの妊婦に関する生理データであってもよい。
The
データ転送機能32は、取得したデータ及び測定値をネットワーク200を介しデータ収集装置100に転送する。当該データは、妊娠期間中やその前後において、1日数回から1週間に数回など高頻度に、または期間中連続的に取得され、データ収集装置100に転送されてもよい。
The
計測装置認証機能33は、通信先の計測装置20を認証する。
The measurement
利用者認証機能34は、妊婦などの測定値転送装置30の利用者を認証する。
The
次に、図3を参照して、本発明の一実施例による体調登録装置を説明する。図3は、本発明の一実施例による体調登録装置の機能構成を示すブロック図である。 Next, a physical condition registration device according to an embodiment of the present invention will be described with reference to FIG. FIG. 3 is a block diagram showing a functional configuration of the physical condition registration device according to one embodiment of the present invention.
図3に示されるように、体調登録装置40は、データ登録機能41、データ転送機能42及び利用者認証機能43を有する。
As shown in FIG. 3, the physical
データ登録機能41は、妊婦などの利用者からの入力内容をデータとして登録する。例えば、妊婦から入力されるデータ項目は、以下に限定されることなく、日々の睡眠、便通、吐き気、痛み、子宮収縮、動悸、胎動間隔、食事内容、服薬内容などの妊婦の体調データであってもよい。
The
データ転送機能42は、登録されたデータをデータ収集装置100に転送する。当該データは、妊娠期間中やその前後において、1日数回から1週間に数回など高頻度に、または期間中連続的に取得され、データ収集装置100に転送されてもよい。
The
利用者認証機能43は、妊婦などの体調登録装置の利用者を認証する。
The
次に、図4を参照して、本発明の一実施例による気象情報取得装置を説明する。図4は、本発明の一実施例による気象情報取得装置の機能構成を示すブロック図である。 Next, a weather information acquisition apparatus according to an embodiment of the present invention will be described with reference to FIG. FIG. 4 is a block diagram showing a functional configuration of a weather information acquisition apparatus according to an embodiment of the present invention.
図4に示されるように、気象情報取得装置50は、データ取得機能51及びデータ転送機能52を有する。
As shown in FIG. 4, the weather
データ取得機能51は、気象情報データベースから気象情報を取得する。気象情報データベースには、例えば、一般公開されているデータベースがある。例えば、気象情報は、以下に限定されることなく、妊婦の居住地の気温、天候、湿度、気圧、潮汐などの生活環境データであってもよい。
The
データ転送機能52は、取得したデータをデータ収集装置100に転送する。当該データは、妊娠期間中やその前後において、1日数回から1週間に数回など高頻度に、または期間中連続的に取得され、データ収集装置100に転送されてもよい。
The
次に、図5を参照して、本発明の一実施例による調査票登録装置を説明する。図5は、本発明の一実施例による調査票登録装置の機能構成を示すブロック図である。 Next, a survey form registration apparatus according to an embodiment of the present invention will be described with reference to FIG. FIG. 5 is a block diagram showing a functional configuration of the survey form registration apparatus according to an embodiment of the present invention.
図5に示されるように、調査票登録装置60は、データ登録機能61及びデータ転送機能62を有する。
As shown in FIG. 5, the survey
データ登録機能61は、調査票情報の入力担当者が入力するデータを登録する。例えば、妊婦に関する調査票情報は、以下に限定されることなく、妊婦やその家族の家族構成、妊婦や家族の既往歴、妊娠出産歴、食生活、睡眠状況、服薬状況、喫煙飲酒状況、運動状況、勤務状況、精神的状況などの妊婦やその家族の生活習慣に関するデータ項目であってもよい。
The
データ転送機能62は、登録したデータをデータ収集装置100に転送する。
The
次に、図6を参照して、本発明の一実施例による診療記録登録装置を説明する。図6は、本発明の一実施例による診療記録登録装置の機能構成を示すブロック図である。 Next, a medical record registration apparatus according to an embodiment of the present invention will be described with reference to FIG. FIG. 6 is a block diagram showing a functional configuration of a medical record registration apparatus according to an embodiment of the present invention.
図6に示されるように、診療記録登録装置70は、データ登録機能71及びデータ転送機能72を有する。
As shown in FIG. 6, the medical
データ登録機能71は、診療記録の入力担当者が入力するデータを登録する。例えば、診療記録は、以下に限定されることなく、医師などにより記録された妊婦健診などの診療記録であってもよい。
The
データ転送機能72は、登録したデータをデータ収集装置100に転送する。
The
次に、図7を参照して、本発明の一実施例によるデータ収集装置を説明する。図7は、本発明の一実施例によるデータ収集装置の機能構成を示すブロック図である。 Next, a data collection apparatus according to an embodiment of the present invention will be described with reference to FIG. FIG. 7 is a block diagram showing a functional configuration of the data collection device according to one embodiment of the present invention.
図7に示されるように、データ収集装置100は、データ取得機能110、データ保存機能120、早産予測モデル生成機能130、早産予測機能140及び結果通知機能150を有する。
As illustrated in FIG. 7, the
データ取得機能110は、複数のデータソース装置から妊婦に関するデータを取得する。また、データ取得機能110は、妊婦の妊娠前後の何れかの時期から出産前後の何れかの時期までのデータ取得期間において、妊婦に関するデータを複数の時点にて取得する。すなわち、データ取得機能110は、上述した計測装置20、測定値転送装置30、体調登録装置40、気象情報取得装置50、調査票登録装置60及び/又は診療記録登録装置70などのデータソース装置から、妊婦の妊娠前後の何れかの時期から出産前後の何れかの時期までのデータ取得期間において、妊婦に関する1つ以上のデータ項目のデータを、例えば、定期的など複数の時点にて取得する。
The
ここで、妊婦に関するデータは、例えば、妊娠時年齢、血圧、脈拍、体重、BMI、歩数、カロリー、体温、睡眠時間、就寝中に起きた回数、睡眠の質、便通の回数、便通の柔らかさ、子宮収縮、頭の痛み、歯の痛み、上腹部の痛み、下腹部の痛み、腰の痛み、吐き気、嘔吐、動悸、胎動間隔、食事内容、服薬内容、過去の早産歴、妊娠状況、気温、室温、湿度、気圧、天気概況、潮汐及び月齢の1つ以上のデータ項目を含むものであってもよい。 Here, data on pregnant women include, for example, pregnancy age, blood pressure, pulse rate, body weight, BMI, number of steps, calories, body temperature, sleep time, number of waking up during sleep, quality of sleep, number of bowel movements, softness of bowel movements Uterine contraction, head pain, tooth pain, upper abdominal pain, lower abdominal pain, lower back pain, nausea, vomiting, palpitations, fetal interval, meal content, medication content, past premature birth history, pregnancy status, temperature , Room temperature, humidity, barometric pressure, weather conditions, tides, and age.
データ保存機能120は、取得した妊婦に関するデータを保存する。
The
早産予測モデル生成機能130は、早産予測モデルを生成及び保持する。例えば、早産予測モデル生成機能130は、正期産により出産した妊婦と早産により出産した妊婦とを含む複数の妊婦から取得した妊婦に関するデータに基づき、早産予測モデルを生成及び更新してもよい。具体的には、早産予測モデルは、以下で詳細に説明されるようなモデル導出方法に従って生成されてもよい。
The preterm birth prediction
早産予測機能140は、早産予測モデルに基づき、取得した妊婦に関するデータから妊婦の早産予測を実行する。具体的には、早産予測機能140は、取得した妊婦に関するデータを早産予測モデルに投入し、早産予測モデルの出力結果に基づき当該妊婦の早産発症有無予測、出産日予測又は早産発症リスク算出を実行してもよい。すなわち、早産予測において、早産予測機能140は、当該妊婦に早産発症の可能性があるか予測し(早産発症有無予測)、当該妊婦の出産日を予測し(出産日予測)、あるいは、当該妊婦の早産発症リスクを算出してもよい(早産発症リスク算出)。なお、早産予測機能140は、妊婦の週数に応じて異なるデータ項目に基づき、当該妊婦の早産発症有無予測、出産日予測又は早産発症リスク算出を実行してもよい。
The preterm
結果通知機能150は、早産予測機能140によって実行された早産予測の結果を妊婦、医療関係者などに通知する。
The
なお、上述した装置は、それぞれが単独の装置であることもあれば、ある装置が他の装置の機能の一部又は全部を備えることもある。
(実施例1)
次に、図8〜10を参照して、本発明の一実施例によるデータ収集装置100におけるデータ収集処理を説明する。図8は、本発明の一実施例によるデータ収集処理を示すフローチャートである。
Note that each of the above-described devices may be a single device, or a certain device may have some or all of the functions of another device.
Example 1
Next, a data collection process in the
図8に示されるように、ステップS100において、データ収集装置100は、上述した計測装置20、測定値転送装置30、体調登録装置40、気象情報取得装置50、調査票登録装置60及び/又は診療記録登録装置70などのデータソース装置の全て又は一部からデータを取得し、取得したデータを保存する。具体的には、データ収集装置100は、妊婦の妊娠前後の何れかの時期から出産前後の何れかの時期までのデータ取得期間においてデータを定期的に取得する。
As shown in FIG. 8, in step S <b> 100, the
まず、妊婦は、妊娠前もしくは妊娠中の任意の時点から、出産もしくは産後の任意の時点までの間、計測装置20を使用する。計測装置20は、例えば、血圧計、体重計、活動量計、体温計などを含む。血圧計は、収縮期血圧、拡張期血圧、脈拍数、室温などを計測する。体重計は、体重、BMI、体脂肪率、骨格筋率などを計測する。活動量計は、歩数、消費カロリーなどを計測する。体温計は、体温などを計測する。計測装置20による測定は、血圧計については1日朝晩の2回、その他は1日朝1回を想定するが、その限りではなく、任意の間隔で計測することも可能である。測定値転送装置30は、各計測装置20から計測データを取得し、データ収集装置100に転送する。
First, the pregnant woman uses the measuring
また、妊婦は、体調登録装置40に自身の体調を登録する。体調登録装置40として、スマートフォンに体調登録用アプリやWebページを用いる場合を想定するが、その限りではない。体調情報として、就寝日時、起床日時、睡眠時間、就寝中に起きた回数、睡眠の質、便通の回数、便痛の軟らかさ、吐き気を感じた総時間、嘔吐の回数、空嘔吐の回数、頭の痛み、歯の痛み、腰の痛み、上腹部の痛み、下腹部の痛み、痛みを伴わない子宮収縮回数、痛みを伴う子宮収縮回数、動悸、胎動間隔、食事内容、服薬内容の1つ以上のデータ項目が登録されることが想定されるが、これらに限定されるものでない。体調情報の登録期間は、妊娠前もしくは妊娠中の任意の時点から、出産もしくは産後の任意の時点までの間を想定する。また、体調登録間隔は、主なデータ項目は1日1回を想定するが、食事内容や服薬内容など一部のデータ項目については、1日複数回の入力を想定する。また、これらのデータ項目は毎日ではなく、任意の間隔で計測することも可能である。
In addition, the pregnant woman registers her physical condition in the physical
また、気象情報取得装置50は、毎日の気象情報を収集する。例えば、気象庁のWebサイトから取得可能である。取得されるデータ項目は、日付、降水量、平均気温、最高気温、最低気温、全天日射量、平均雲量、降雪の深さ、最深積雪、最大瞬間風速、潮汐及び/又は月齢を想定し、さらには1時間ごとの、気温、降水量、風向き、風速、日照時間、湿度、気圧、天気概況を想定するが、これらに限定されるものでない。また、データの単位も1日や時間に限定されず、週単位、月単位、年単位も取り得る。
Moreover, the weather
また、調査票登録装置60は、妊婦が記入した定期的な調査票の情報を取得する。調査票の情報は、妊婦やその家族の家族構成、妊婦や家族の既往歴、妊娠出産歴、食生活、睡眠状況、服薬状況、喫煙飲酒状況、運動状況、勤務状況、精神的状況などのデータ項目を含むが、これらに限定されるものでない。取得の頻度については、調査票の頻度を想定する。
In addition, the survey
また、診療記録登録装置70は、妊婦が妊婦健診などで受診した際の検査値や所見などの記録を取得する。取得の頻度については、受診の頻度を想定する。
In addition, the medical
ステップs101において、データ収集装置100は、取得したデータに対して異常値を検出及び除去し、欠測値を補間する。例えば、日々の収縮期血圧が120mmHgである妊婦が、ある1日だけ60mmHgであった場合、データ収集装置100は、当該測定値を実際の値ではなく計測エラーとみなして、当該測定値を除去する。この除去基準の一例として、データ収集装置100は、その妊婦のこれまでの収縮期血圧の平均μと標準偏差σを計算し、ある計測値が平均μよりnσ以上解離していた場合に、当該計測値を除去する(nは任意の数値)、などの方法があるが、これに限定されるものでない。また、欠測値に関しては、前後の点を用いた線形補間やスプライン補間や、欠測値以外の計測点にフィッティングしたモデルを用いて補完する方法などがあるが、それらに限定されない。
In step s101, the
ステップs102において、データ収集装置100は、既に出産して出産状況が確定している妊婦のデータを用いて、早産群とそれ以外の群でデータ分布の違いが大きいデータ項目を特徴量として抽出する。データ分布の違いの大きさの定義には、例えば「データの平均値が同じとは言えない確率が大きい」ことや「データの分布が同じとは言えない確率が大きい」という指標が利用可能であるが、それらに限定されるものではない。これには、ステューデントのt検定、ウェルチのt検定、多変量回帰、多変量ロジスティック回帰、カイ二乗検定、フィッシャーの正確確率検定などを用いた方法や、Lasso回帰やRidge回帰やElastic Netなどにより有用なデータ項目を限定する方法や主成分分析の寄与率などからデータ項目を限定する方法などがあるが、それらに限定されるものでない。
In step s102, the
ステップs103、s105及びs107において、データ収集装置100は、抽出した特徴量を用いて早産予測モデルを作成する。具体的には、データ収集装置100は、ステップs103において、早産になるかどうかを予測する分類モデルとして早産予測モデルを生成する。また、データ収集装置100は、ステップs105において、各妊婦の出産日を予測する回帰モデルとして出産日予測モデルを生成する。また、データ収集装置100は、s107において、早産発症のリスクを算出する早産発症リスク算出モデルを生成する。回帰モデルには、線形回帰モデル、ロジスティック回帰モデル、SVMによる回帰モデル、多層ニューラルネットワークによる回帰モデルなどがあるが、それらに限定されるものでない。また、分類モデルにおいても、線形分類、ロジスティック回帰、ベイジアンネットワーク、SVM、k近傍法、ランダムフォレスト、多層ニューラルネットワークによる分類モデルなどがあるが、それらに限定されるものでない。早産発症リスク算出モデルについては、オッズ比、寄与危険度、相対危険度などがあるが、それらに限定されるものでない。また、ステップs103、s105、s107は、s102と切り離さずに一体で処理されてもよい。
In steps s103, s105, and s107, the
ステップs104、s106及びs108において、データ収集装置100は、生成された早産予測モデル、出産日予測モデル及び早産発症のリスク算出モデルに予測対象の妊婦のデータをそれぞれ投入し、早産予測を実行する。具体的には、データ収集装置100は、ステップs104において、早産予測モデルを利用して予測対象の妊婦のデータから将来の早産の有無を予測する。また、データ収集装置100は、ステップs106において、出産日予測モデルを利用して予測対象の妊婦のデータから出産日を予測する。また、データ収集装置100は、ステップs108において、早産発症リスク算出モデルを利用して予測対象の妊婦のデータから早産リスクを算出する。なお、早産有無予測は、最終的な早産有無の予測、この先n1週間(n1は任意の数値)で早産を発症しない予測、この先n2週間(n2は任意の数値)で早産を発症する予測、などを含むが、それらに限定されるものでない。
In steps s104, s106, and s108, the
ステップs109において、データ収集装置100は、早産予測結果、出産日予測結果及び/又は早産リスク計算結果を妊婦又は医療機関に通知し、当該データ収集処理を終了する。
(実施例2)
なお、上述した実施例1のうち、早産予測モデル、出産日予測モデル又は早産発症リスク算出モデルを生成及び/又は投入するのに利用するデータ項目は、妊娠時年齢、血圧、脈拍、体重、BMI、歩数、消費カロリー、体温、睡眠時間、就寝中に起きた回数、睡眠の質、便通の回数、便通の柔らかさ、子宮収縮、頭の痛み、歯の痛み、上腹部の痛み、下腹部の痛み、腰の痛み、吐き気、嘔吐、動悸、胎動間隔、食事内容、服薬内容、過去の早産歴、妊娠状況(多胎など)、気温、室温、湿度、気圧、天気概況、潮汐及び月齢の1つ以上に限定されてもよい。これにより、より少ないデータ数で効率的にモデルの作成及び利用が可能となる。
(実施例3)
図9は、本発明の一実施例による早産予測モデル生成処理を示すフローチャートである。上述した実施例2に関して、後述される早産予測モデル生成処理では、早産と正期産のデータ分布の違いの大きさを利用し、更に少ないデータ項目数によって、妊娠週数に応じて早産予測モデルに必要なデータ項目を変更して早産有無予測モデルが生成される。当該早産予測モデル生成処理は、上述された図8のステップs102,s103において実行可能であり、後述されるステップs102−1〜6がステップs102の特徴量の抽出処理に対応し、ステップs103−1〜11がステップs103の早産有無予測モデルの生成処理に対応する。実施例3では、早産予測モデル生成機能130は、取得したデータを早産群と非早産群に分け、各データ項目のうち二群でデータ分布の違いが大きい(すなわち、区別する、判別する、分離するなど)データ項目を抽出し、さらに各データ項目において相関の高いデータ項目同士のうち一つを選択することでデータ項目数を削減することによって、早産予測モデルの生成に利用する特徴量を抽出する。また、早産予測モデル生成機能130は、早産群と非早産群でデータ分布の違いが大きい特徴量から順次特徴量数を増やすことによって、予測精度の高い早産予測モデルを選定する。さらに、早産予測モデル生成機能130は、ある期間のデータから抽出した特徴量を用いて作成した早産予測モデルと、別の期間のデータから抽出した特徴量を用いて作成した早産予測モデル群から予測精度が高い早産予測モデルを選定する。なお、上記は早産予測モデルに利用する特徴量の抽出方法や早産予測モデルの選定方法の一例であって、早産予測生成モデル130はこれに制限されない。例えば、多層ニューラルネットワークまたはLasso回帰などによって特徴量の抽出を抽出し、早産予測モデルを作成する方法もある。
In step s109, the
(Example 2)
In addition, in Example 1 mentioned above, the data items used to generate and / or input the preterm birth prediction model, the birth date prediction model or the preterm birth risk calculation model are the age at pregnancy, blood pressure, pulse, body weight, BMI. , Steps, calories burned, body temperature, sleeping time, number of times you wake up during sleep, quality of sleep, number of bowel movements, softness of bowel movement, uterine contraction, head pain, tooth pain, upper abdominal pain, lower abdominal pain Pain, low back pain, nausea, vomiting, palpitation, fetal interval, meal content, medication content, past premature birth history, pregnancy status (multiple births, etc.), temperature, room temperature, humidity, barometric pressure, weather conditions, tide and age It may be limited to the above. This makes it possible to efficiently create and use a model with a smaller number of data.
(Example 3)
FIG. 9 is a flowchart showing premature birth prediction model generation processing according to an embodiment of the present invention. With regard to the above-described second embodiment, the preterm birth prediction model generation process described later uses the magnitude of the difference in data distribution between preterm birth and full term birth, and further reduces the number of data items, depending on the number of gestation weeks. The data items necessary for this are changed and a preterm birth prediction model is generated. The premature birth prediction model generation process can be executed in steps s102 and s103 of FIG. 8 described above. Steps s102-1 to s6 to be described later correspond to the feature amount extraction process of step s102, and step s103-1 ˜11 corresponds to the premature birth prediction model generation process in step s103. In the third embodiment, the preterm birth prediction
図9に示されるように、ステップs102−1において、データ収集装置100は、取得したデータ項目の一部のデータ項目を加工する。具体的には、データ収集装置100は、一部のデータ項目について、以下に限定することなく、数日前のデータとの差、数日間の平均及び分散、計測値の近似モデルを作成したその微分、二階微分などを導出する。
As illustrated in FIG. 9, in step s102-1, the
まず、特徴量の抽出処理について説明する。 First, feature amount extraction processing will be described.
ステップs102−2において、データ収集装置100は、元のデータとs102−1で作成したデータとを結合し、モデル作成のために、既に出産済みの妊婦のデータを抽出する。
In step s102-2, the
ステップs102−3において、データ収集装置100は、早産予測に有用なデータ項目が妊娠週数ごとに変化することを前提とし、各週数において有用なデータ項目(特徴量)を抽出する処理のループを開始する。例えば、16週から32週まで各週で特徴量を抽出する場合、妊娠日数を示すパラメータt1をt1=16×7(日)でループ内処理を実行し、次にt1=17×7として実行し、最終的にt1=32×7として実行する。
In step s102-3, the
ステップs102−4において、データ収集装置100は、ループ内処理の最初に、s102−2で抽出したデータから、期間が(t1−a)日から(t1+b)日となるデータを選択し、それらのデータに紐付く妊婦が早産になった群と、そうでなかった群にデータを分ける。aやbは任意の数値で、例えば1週間単位でモデルを作成する場合は、a=0、b=6である。また、a=28など大きくすることで、t1より28日前のデータからb日後の長期のデータを利用してその後のデータ項目の抽出が可能である。その後、データ収集装置100は、s102で説明するような方法を用いて、二群でデータ分布の違いが大きいデータ項目を抽出する。ここでは、例えばウェルチのt検定にてp値がc未満となるデータ項目を抽出する。ここでcは任意の数値で、例えばc=0.05である。しかしながら、本発明は、これに限定されず、早産群と正産群とを分離可能な何れか適切な判別モデル(例えば、統計モデル、学習モデルなど)が適用されてもよい。
In step s102-4, the
ステップs102−5において、データ収集装置100は、抽出されたデータ項目の中で、相関が高いものをまとめ込むことでデータ項目数を絞る。ここでは、各データ項目の相関係数を算出し、それがd以上のものを同じクラスタとして分類し、各クラスタで最もp値が低い項目を残してそれ以外を除外することで、データ項目数をクラスタ数に削減する。ここで、dは任意の数値であり、例えば、d=0.75である。クラスタの構成方法としては、同一クラスタ内の相互のデータ項目が全部d以上であるとする場合を想定するが、それに限定されるものでない。なお、s102−5を実行してからs102−4を実行する場合もあれば、s102−4とs102−5とを繰り返して実行する場合もある。
In step s102-5, the
ステップs102−6において、データ収集装置100は、上記で残ったデータ項目をp値が低い順に並べ替え、これらを時点t1のデータから作成した特徴量とする。
In step s102-6, the
次に、早産予測モデルの作成方法について説明する。上記で作成した特徴量の全てを使ったモデルが最適とは限らないため、特徴量の数を徐々に増やしてモデルを作成し、予測精度が高いモデルを選定することを考える。 Next, a method for creating a preterm birth prediction model will be described. Since the model using all of the feature quantities created above is not necessarily optimal, consider creating a model by gradually increasing the number of feature quantities and selecting a model with high prediction accuracy.
ステップs103−1において、データ収集装置100は、モデル作成の特徴量数を1から変化させてパラメータfに特徴量名のリストを格納し、後段のループ内処理を実行する。
In step s103-1, the
ステップs103−2において、データ収集装置100は、時点t1で算出した特徴量を用いて、時点(t1−g×7)から(t1+h×7)の時点のデータを使ってモデルを生成する。ここで、gとhは任意の数値であり、例えば、g=4、h=4であってもよい。これは、例えば、25週のデータを使って予測をする際に、24週で選定した特徴量(例:「体重、夜血圧」)を使って作成したモデルの方が、25週で選定した特徴量(例:「朝血圧、睡眠時間」)を使って作成したモデルよりも予測精度が高いという場合もあるためである。なお、s103−2では、時点t2をパラメータとし、(t1−g×7)から(t1+h×7)まで7日ずつずらすことで週ごとにループ内処理を実行する。
In step s103-2, the
ステップs103−3において、データ収集装置100は、モデル作成の準備として、学習用データと評価用データを作成する。具体的には、データ収集装置100は、期間(t2−a)から(t2+b)のデータを抽出し、まず早産群D1とそうでなかった群D2とに分ける。また、学習用データと評価用データに分ける比率をeとして、データ収集装置100は更に、D1をD1aとD1bとに分け、D2をD2aとD2bとに分け、学習用データをD1a+D2aとし、評価用データをD1b+D2bとする。ここで、eは任意の数値で、例えば、e=0.5であってもよい。また、D2として使用する妊婦の数を調節することが可能であり、例えばD2の妊婦の数をD1の妊婦の数の2倍まで、とすることも可能である。
In step s103-3, the
ステップs103−4において、データ収集装置100は、特徴量を特徴量名リストfに限定してモデルを学習する。例えば、この時点の予測モデルとしてサポートベクターマシン(SVM)を使用し、学習用データを用いて学習させる。予測モデルは最終的に多数できるため、区別のためにこの予測モデルをM(t1,f,t2)とする。
In step s103-4, the
ステップs103−5において、データ収集装置100は、評価用データを用いて、モデルが早産を予測できる精度を評価する。評価方法には、例えば、横軸に擬陽性率をとり、縦軸に感度をとるROC(Receiver Operating Characteristic)曲線を作成し、そのカーブ下の面積であるAUC(Area Under the Curve)を計算する。AUCが高いほど予測精度が良いとされる。データ収集装置100は、この評価結果AUCを予測モデルM(t1,f,t2)とともに記録する。なお、評価方法はこれに限定されるものでなく、図8のs107にてs102−1〜s103−11と同様の方法で算出されるような早産リスクの値を組み合わせることも可能である。また、上述の説明ではfを1つの特徴量名リストとしているが、複数の特徴量名リストの組合せで予測モデルを作成することも可能である。例えば、t1が24週(t1=24×7)のときに、23週のデータから抽出した特徴量名リストf1と24週のデータから抽出した特徴量名リストf2とを用い、それぞれ違う特徴量としてf1にある特徴量に23週のデータを学習させ、f2にある特徴量に24週のデータを学習させるような予測モデルM(t1,f1+f2,t2)を作成し評価することもできる。
In step s103-5, the
ステップs103−6、s103−7及びs103−8において、データ収集装置100は、t2、f、t1の分だけモデルを作成し、各ループを終了する。
In steps s103-6, s103-7, and s103-8, the
ステップs103−9において、データ収集装置100は、作成した多数のモデルの中から、各週数で最良のモデルを選択する。このため、データ収集装置100は、まずt2をパラメータとし、16×7(日),17×7などの値を取って、各週数でのループ内処理を実行する。
In step s103-9, the
ステップs103−10において、データ収集装置100は、時点t2における最適なモデルを選定するために、全t1及び全fにおいて作成済みのモデルM(t1,f,t2)を選択し、その中で最もAUCが高いモデルを、時点t2における最適なモデルとして選定する。なお、この選定方法はこれに限定されるものでなく、図8のs107にてs102−1〜s103−11と同様の方法で算出されるような早産リスクの値をAUCと組み合わせることも可能である。
In step s103-10, the
ステップs103−11において、データ収集装置100は、これをt2について全時点の処理を実行し、ループを終了する。
In step s103-11, the
以上により、各週数での最適な早産有無予測モデルを作成できる。例えば、32週のデータに対する早産予測モデルにおいては、特徴量として消費カロリー、室温、頭の痛み、朝晩の室温の差、便通の回数、朝の体温が利用される。28週の早産予測モデルにおいては、特徴量として消費カロリー、室温、便通の柔らかさ、便通の回数、頭の痛み、痛みを伴わない収縮回数、朝晩の室温差、就寝中に起きた回数、朝晩の収縮期血圧の差が利用される。24週の早産予測モデルにおいては、特徴量として嘔吐の回数、消費カロリー、体温、腰の痛みが利用される。20週の早産予測モデルでは、脈拍、消費カロリー、気温が利用される。16週の早産予測モデルでは、気温、分娩時年齢、拡張期血圧が利用される。 As described above, it is possible to create an optimal preterm birth prediction model for each number of weeks. For example, in the preterm birth prediction model for data for 32 weeks, calorie consumption, room temperature, head pain, room temperature difference between morning and evening, number of bowel movements, body temperature in the morning are used as characteristic quantities. In the 28-week premature birth prediction model, calorie consumption, room temperature, softness of bowel movement, number of bowel movements, head pain, number of contractions without pain, room temperature difference between morning and evening, number of times that occurred during bedtime, morning and evening The difference in systolic blood pressure is used. In the 24-week preterm birth prediction model, the number of vomiting, calorie consumption, body temperature, and lower back pain are used as characteristic quantities. In the 20-week preterm birth prediction model, pulse, calorie consumption, and temperature are used. In the 16-week preterm birth prediction model, temperature, age at delivery, and diastolic blood pressure are used.
なお、上述した実施例では、各週数に応じて異なるデータ項目に基づき早産有無予測モデルを生成する処理を説明したが、同様の処理によって出産日予測モデル及び早産発症リスク算出モデルが生成可能であることは明らかであろう。 In the above-described embodiment, the process of generating the preterm birth prediction model based on the data items that differ according to the number of weeks has been described. However, the birth date prediction model and the premature birth risk calculation model can be generated by the same process. It will be clear.
また、上述した実施例から理解されるように、早産予測モデル生成機能130は、特徴量からモデルを作成するにあたり、早産群と非早産群でデータ分布の違いが大きい特徴量から順次特徴量数を増やすことで予測精度が高いモデルを選定してもよい。また、早産予測モデル生成機能130は、ある期間におけるデータから早産を予測するモデルを作成するにあたり、当該期間のデータから抽出した特徴量を用いて作成した早産予測モデルと、別の期間のデータから抽出した特徴量を用いて作成した早産予測モデル群から予測精度が高いモデルを選定してもよい。これらにおいてモデルで使用した特徴量数を横軸にして、AUCの値を確認すると、図10〜12に示されるような実施結果が得られる。28週の結果を見ると、特徴量数が増加することでAUCが高値になり早産の予測精度が高まっていることがわかる。これにより、複数のデータを組み合わせることによって予測精度が向上することが確認できる。また、32週の結果を見ると、ステップs102−6で6個の特徴量が抽出されたにも関わらず、最も予測精度が高かったものはそのうち上位5個を使った場合であり、ステップs103−1におけるパラメータfのループの効果があることが理解できる。同様に24週の結果でも上位4個の特徴量を使った場合が最も予測精度が高い。また、32週の予測モデルは、32週のデータから抽出された特徴量群を用いてモデルを作成するより、28週のデータから抽出された特徴量群を用いてモデルを作成する方がより良い予測精度を実現できることがわかり、ステップs103−2におけるパラメータt2のループの効果があることがわかる。結果として、各週のデータに対する予測モデルが示すAUCは、16週のデータにおいて0.82、20週で0.77、24週で0.83、28週で0.81、32週で0.83であり、概ね0.8の予測精度であった。また、各週のデータに対する予測モデルが示す早産に対するオッズ比は、16週のデータからの予測で3.1、20週で8.6、24週で26.6、28週で7.3、32週で8.7であり、先行技術文献1の示すオッズ比2.91および、先行技術文献2の示すオッズ比1.25や1.18を大きく上回っており、本発明のデータ収集システムを用いることによって、早産発症の予測が改善していることがわかる。
(実施例4)
本発明によるデータ収集装置10の早産予測モデル生成機能130及び早産予測機能140は、対象疾患を早産以外にも設定可能である。例えば、妊娠高血圧症候群、妊娠糖尿病、SGA(Small-for-gestational age)、FGR(Fetal growth restriction)、死産、切迫流産、切迫早産、前期破水、pPROM(preterm premature rapture of the membranes)、羊水過多、羊水過少、子癇、急性妊娠脂肪肝、HELLP症候群、児のアトピー、児の精神関連疾患、児の心循環系疾患、児の代謝異常、その他妊婦や胎児に関する疾患のうち一つまたは複数を設定可能であり、これらの発症有無予測、発症日予測又は発症リスク算出を行うことができる。また、正期産となる予測にも可能である。
Further, as can be understood from the above-described embodiment, the premature birth prediction
(Example 4)
The preterm birth prediction
このように、本発明によれば、従来の調査票や診療記録に加え、妊娠期間中やその前後にわたり非侵襲的に日々のライフログの収集が可能であり、早産有無予測において、生活環境のデータ項目の多様化、データ取得期間と取得時点数の増加、データの客観性や想起バイアスの最小化が可能である。さらに、これら得られた各種データを組み合わせて解析することにより早産の発症予測が可能となり、事前の予防や迅速な対応につながる。また、日々のライフログからの予測や異常検出が可能となり、数週間に一度の間隔の妊婦健診を待つことなく必要に応じた受診を促すことで、症状の早期発見や重篤化の防止、迅速な対処につながる。
(実施例5)
図13は、本発明の一実施例による特徴量抽出・早産発症有無予測モデル生成処理を示すフローチャートである。上述した実施例3と比べ、後述される処理では、複数の週数のデータを用いることで、早産と正期産のデータ分布の違いの大きさだけでなく、データ分布の時系列的変化の違いの大きさを利用し、より性能の高い予測モデルを生成可能である。データ分布の時系列的変化の違いの大きさの定義には、例えば、早産と正期産においてそれぞれのあるデータ項目のデータ分布が妊娠週数に従って変化するなかで、その「変化のしかたが同じとは言えない確率が大きい」という指標が利用可能であるが、それに限定されるものではない。例えば正期産ではあるデータ項目が妊娠週数に従って低下するのに対し、早産では低下が見られない、などの場合である。これには、ステューデントのt検定、ウェルチのt検定、多変量回帰、多変量ロジスティック回帰、カイ二乗検定、フィッシャーの正確確率検定などを用いた方法や、Lasso回帰やRidge回帰やElastic Netなどにより有用なデータ項目を限定する方法や主成分分析の寄与率などからデータ項目を限定する方法などがあるが、それらに限定されるものでない。
As described above, according to the present invention, in addition to the conventional survey form and medical records, daily life logs can be collected non-invasively during and before the pregnancy period. It is possible to diversify data items, increase the data acquisition period and the number of acquisition points, minimize data objectivity and recall bias. Furthermore, by combining and analyzing these various data obtained, it is possible to predict the onset of premature birth, leading to advance prevention and quick response. In addition, prediction from daily life logs and detection of abnormalities are possible, and early detection of symptoms and prevention of seriousness are promoted by prompting consultations as needed without waiting for a pregnant woman medical checkup once every several weeks. , Leading to quick action.
(Example 5)
FIG. 13 is a flowchart showing the feature amount extraction / premature birth occurrence prediction model generation process according to an embodiment of the present invention. Compared to Example 3 described above, in the processing described later, by using data of a plurality of weeks, not only the magnitude of the difference in data distribution between premature delivery and full-term delivery but also the time-series change of the data distribution. A prediction model with higher performance can be generated by using the magnitude of the difference. The definition of the magnitude of the difference in time-series changes in the data distribution includes, for example, the fact that the data distribution of a certain data item in preterm birth and full-term birth changes according to the number of gestation weeks. However, this is not a limitation. For example, a certain data item for full-term birth declines according to the number of gestational weeks, whereas no decline is seen for preterm birth. This is useful by methods using Student's t-test, Welch's t-test, multivariate regression, multivariate logistic regression, chi-square test, Fisher's exact test, Lasso regression, Ridge regression, and Elastic Net. There are a method of limiting data items and a method of limiting data items based on the contribution ratio of principal component analysis, but the method is not limited to these.
当該特徴量抽出・早産発症有無予測モデル作成処理は、上述された図8のステップs102,s103において実行可能であり、後述されるステップs202−1〜7がステップs102の特徴量の抽出処理に対応し、ステップs203−1〜6がステップs103の早産発症有無予測モデルの生成処理に対応する。 The feature quantity extraction / premature birth occurrence prediction model creation process can be executed in steps s102 and s103 in FIG. 8 described above, and steps s202-1 to s7-7 described later correspond to the feature quantity extraction process in step s102. Steps s203-1 to s <b> 203-6 correspond to the generation process of the preterm birth onset prediction model in step s <b> 103.
実施例5では、早産予測モデル生成機能130は、取得したデータを早産群と正期産群に分け、各データ項目のうち二群でデータ分布が異なる(すなわち、区別する、判別する、分離するなど)データ項目を抽出するが、複数の週別データや静的データ(年齢、非妊時BMI、身長、既往歴、分娩歴など)を含めて交絡因子を抽出し、その影響を調整のうえ、抽出する。さらに各データ項目において相関の高いデータ項目同士のうち一つを選択することでデータ項目数を削減することによって、早産予測モデルの生成に利用する特徴量を抽出する。また、早産予測モデル生成機能130は、早産群と正期産群でデータ分布が異なる特徴量のうち上位の所定数の特徴量を抽出し、抽出された特徴量を用いて早産予測モデルを作成し、最も性能の良い特徴量による早産予測モデルを特定する。次に、早産予測モデル生成機能130は、当該特徴量を除いた残りの特徴量と特定された特徴量とを併せた2変数の予測モデルを作成し、これらのモデルを含めて最適なモデルを選択する。早産予測モデル生成機能130は、上述した一連の処理を再帰的に実行し、最終的に早産予測モデルを特定する。なお、上記は早産予測モデルに利用する特徴量の抽出方法や早産予測モデルの選定方法の一例であって、早産予測モデル生成機能130はこれに制限されない。例えば、多層ニューラルネットワークまたはLasso回帰などによって特徴量の抽出を抽出し、早産予測モデルを作成する方法もある。
In the fifth embodiment, the preterm birth prediction
図13に示されるように、ステップs202−1において、データ収集装置100は、取得したデータ項目の一部のデータ項目を加工する。具体的には、データ収集装置100は、一部のデータ項目について、以下に限定することなく、数日前のデータとの差、数日間の平均及び分散、計測値の近似モデルを作成したその微分、二階微分などを導出する。
As illustrated in FIG. 13, in step s202-1, the
まず、特徴量の抽出処理について説明する。 First, feature amount extraction processing will be described.
ステップs202−2において、データ収集装置100は、元のデータとs202−1で作成したデータとを結合し、モデル作成のために、既に出産済みの妊婦の妊娠時データと経時データを抽出する。妊娠時データとは、妊娠週数に依らない静的なデータ項目のデータであり、妊娠時年齢、非妊時BMI、身長、体重、経産歴、既往症、家族歴などを含む。経時データとは、妊娠期間中の特定の期間の計測値を集計したデータの羅列であり、例えば特定の期間として一週間を指定可能であり、ユーザID、16週の血圧、16週の脈拍、16週の体温、・・・、17週の血圧、17週の脈拍、17週の体温、・・・、などのように時間方向に各妊婦の集計値を記述したものである。なお、特定の期間には任意の期間を指定可能である。また、特定の期間での計測値の集計方法としては、平均値、中央値など任意の方法を指定可能である。
In step s202-2, the
ステップs202−3において、上記妊娠時データに対して、それらのデータに紐付く妊婦が早産になった群と、正期産になった群のデータを抽出する。その後、データ収集装置100は、s102で説明するような方法を用いて、二群間でデータ分布が異なるデータ項目を抽出し、交絡データ項目とする。ここでは、例えば多変量ロジスティック回帰にてp値がa(例えばa=0.01)未満となるデータ項目を抽出する。さらに、交絡データ項目に季節項を入れても良い。本発明は、これに限定されず、早産群と正期産群とを分離可能な何れか適切な判別モデル(例えば、統計モデル、学習モデルなど)が適用されてもよい。
In step s202-3, with respect to the data at the time of pregnancy, data of a group in which the pregnant women associated with the data are prematurely delivered and a group in which the premature delivery is established are extracted. Thereafter, the
ステップs202−4において、それらの交絡データ項目間の相関係数を計算し、相関がb(例えばb=0.75)以上のものを同じクラスタに分け、各クラスタでもっともp値が低い項目を残してそれ以外を除外することで交絡データ項目数をクラスタの数に削減する。クラスタの構成方法としては、同一クラスタ内の相互のデータ項目が全部b以上であるとする場合を想定するが、それに限定されるものでない。なお、s202−4を実行してからs202−3を実行する場合もあれば、s202−3とs202−4を繰り返して実行する場合もある。 In step s202-4, the correlation coefficient between the confounded data items is calculated, and those having a correlation of b (for example, b = 0.75) or more are divided into the same cluster, and the item having the lowest p value is left in each cluster. By excluding others, the number of confounding data items is reduced to the number of clusters. As a cluster configuration method, it is assumed that all data items in the same cluster are b or more, but the method is not limited to this. Note that s202-3 may be executed after executing s202-4, or s202-3 and s202-4 may be executed repeatedly.
次に、ステップs202−5において、データ収集装置100は、妊娠時データおよび経時データに対し、各データ項目1つずつに交絡データ項目を加えてロジスティック回帰によるp値とオッズ比を算出し、p値がc(例えばc=0.01)未満となるデータ項目を選択することで、交絡因子の影響を除いたうえで二群を有意に分けるデータ項目を特定する。
Next, in step s202-5, the
ステップs202−6において、それらのデータ項目間の相関係数を計算し、相関がd(例えばd=0.75)以上のものを同じクラスタに分け、各クラスタでもっともp値が低い項目を残してそれ以外を除外することでデータ項目数をクラスタの数に削減する。クラスタの構成方法については、s202−4の場合と同様である。 In step s202-6, a correlation coefficient between these data items is calculated, and those having a correlation of d (for example, d = 0.75) or more are divided into the same cluster, and the item having the lowest p-value is left in each cluster. The number of data items is reduced to the number of clusters by excluding other items. The cluster configuration method is the same as in s202-4.
次にステップs202−7において、データ収集装置100は、上記で残ったデータ項目をp値が低い順に並べ替え、これらを早産予測モデル作成のための特徴量とする。また、特徴量表として、データ項目名、オッズ比、p値、変回帰係数βなどの情報を保存する。
Next, in step s202-7, the
次に、早産予測モデルの作成方法について説明する。 Next, a method for creating a preterm birth prediction model will be described.
上記で作成した特徴量の全てを使ったモデルが最適とは限らないため、特徴量の数を徐々に増やしてモデルを作成し、予測精度が高いモデルを選定することを考える。 Since the model using all of the feature quantities created above is not necessarily optimal, consider creating a model by gradually increasing the number of feature quantities and selecting a model with high prediction accuracy.
ステップs203−1において、データ収集装置100は、妊娠の進み具合によってその後の早産発症のリスクが変化することを想定し、一定の時間単位ごとに早産発症の予測モデルを構築するものとする。一定の時間単位とは、例えば一週間を単位とすることが可能であるが、その限りではない。ここでは、妊娠16週から36週の各週(t週)においての予測モデルを構築するものとする。
In step s203-1, the
ステップs203−2において、データ収集装置100は、s202−2の妊娠時データおよび経時データにおいて、s202−7で特定した特徴量のうち、妊娠時データおよびt週以前の経時データを抽出する。
In step s203-2, the
ステップs203−3において、データ収集装置100は、モデル作成の準備として、学習用データと評価用データを作成する。具体的には、データ収集装置100は、まず早産群D1と正期産群D2とに分ける。また、学習用データと評価用データに分ける比率をeとして、データ収集装置100は更に、D1をD1aとD1bとに分け、D2をD2aとD2bとに分け、学習用データをD1a+D2aとし、評価用データをD1b+D2bとする。ここで、eは任意の数値で、例えば、e=0.5であってもよい。また、D2として使用する妊婦の数を調節することが可能であり、例えばD2の妊婦の数をD1の妊婦の数の2倍まで、とすることも可能である。
In step s203-3, the
ステップs203−4において、予測装置100は、予測性能を向上させるため、学習用データD1a, D2aにおいてD1aをオーバーサンプリングしてもよく、及び/又はD2aをアンダーサンプリングしてもよい。
In step s203-4, the
ステップs203−5において、データ収集装置100は、学習用データD1a, D2aを用いてforward stepwise selectionによって特徴量を選択し、t週時点での早産予測モデルMtを学習する。例えば、この時点の予測モデルとしてサポートベクターマシン(SVM)を使用し、学習用データを用いて学習させる。例えば、最初に100個の特徴量(妊娠時データおよび経時データ)について、予測装置100は、1つの特徴量だけを用いてt時点の早産予測暫定モデルMt (1)〜Mt (100)を作成する。そして、予測装置100は、評価データ用D1b, D2bを用いて、最も性能の良いMt (A)(特徴量Aを使用)を特定する。性能スコアとして、例えば、AUC(Area under the curve)、f-score、感度と特異度の調和平均などが利用されてもよい。次に、予測装置100は、学習用データD1a, D2aを用いて、当該特徴量を除いた残りの99個の特徴量から1つの特徴量を選択してAと併せた2変数の早産予測モデルMt (A,1)〜Mt (A,99)を作成し、評価用データD1b, D2bを用いて、Mt (A)を含めて最適なモデルMt(A,B)を選択する。予測装置100は、上述した一連の処理を再帰的に実行し、最終的に早産予測モデルMt (A,B,C,...)を特定する。
In step s203-5, the
なお、早産予測モデルMは、SVM、線形ロジスティック回帰、ニューラルネットワーク、ランダムフォレストなどに基づき生成されてもよい。また、最適な特徴量を選択する方法としてはforward step selectionに限定されず、backward stepwise selection又はbidirectional stepwise selectionが利用されてもよい。また、全データ項目を利用し、PCAやMDS、NMDSなどで次元削減した後、PC1, PC2, ..., PCNのN個の特徴量に対してforward/backward/bidirectional stepwise selectionを適用してもよい。 Note that the preterm birth prediction model M may be generated based on SVM, linear logistic regression, neural network, random forest, or the like. Further, the method for selecting the optimum feature quantity is not limited to forward step selection, and backward stepwise selection or bidirectional stepwise selection may be used. Also, after using all data items and reducing dimensions with PCA, MDS, NMDS, etc., apply forward / backward / bidirectional stepwise selection to N features of PC1, PC2, ..., PCN. Also good.
ステップs203−6において、データ収集装置100は、tについて全時点のモデルを作成し、ループを終了する。
(実施例6)
図14は、本発明の他の実施例による特徴量抽出・出産日予測モデル作成処理を示すフローチャートである。複数の週数のデータを用いることで、早産と正期産のデータ分布の違いだけでなく、データ分布の時系列的変化の違いを利用し、より性能の高い予測モデルを生成可能である。当該特徴量抽出・モデル作成処理は、上述された図8のステップs102,s105において実行可能であり、前述のステップs202−1〜7がステップs102の特徴量の抽出処理に対応し、後述のステップs205−1〜6がステップs105の出産日予測モデルの生成処理に対応する。なお、図14のステップs202−1〜7は図13のステップs202−1〜7と同じであり、ステップs205−1〜4,s205−6は図13のステップs203−1〜4,s203−6と同じであるため、その説明は省く。
In step s203-6, the
(Example 6)
FIG. 14 is a flowchart showing a feature quantity extraction / birth date prediction model creation process according to another embodiment of the present invention. By using the data of multiple weeks, it is possible to generate a prediction model with higher performance using not only the difference in data distribution between premature delivery and full-term delivery but also the difference in time-series changes in data distribution. The feature quantity extraction / model creation process can be executed in steps s102 and s105 of FIG. 8 described above, and the above-described steps s202-1 to s20-7 correspond to the feature quantity extraction process of step s102. Steps s205-1 to 6 correspond to the birth date prediction model generation process in step s105. 14 is the same as steps s202-1 to s72-1 to 7 in FIG. 13, and steps s205-1 to s205-6 are the same as steps s203-1 to s203-6 in FIG. The explanation is omitted because it is the same.
図14のステップs205−5において、データ収集装置100は、学習用データD1a, D2aを用いてforward stepwise selectionによって特徴量を選択し、t週時点での出産日予測モデルMtを学習する。例えば、この時点の予測モデルとしてサポートベクターマシン(SVM)を使用し、学習用データを用いて学習させる。例えば、最初に100個の特徴量(妊娠時データおよび経時データ)について、データ収集装置100は、1つの特徴量だけを用いてt時点の早産予測暫定モデルMt (1)〜Mt (100)を作成する。そして、データ収集装置100は、評価データ用D1b, D2bを用いて、最も性能の良いMt (A)(特徴量Aを使用)を特定する。性能スコアとして、例えば、MSE(平均平方誤差)又はR2(決定係数)が利用されてもよい。次に、データ収集装置100は、学習用データD1a, D2aを用いて、当該特徴量を除いた残りの99個の特徴量から1つの特徴量を選択してAと併せた2変数の早産予測モデルMt (A,1)〜Mt (A,99)を作成し、評価用データD1b, D2bを用いて、Mt (A)を含めて最適なモデルMt(A,B)を選択する。データ収集装置100は、上述した一連の処理を再帰的に実行し、最終的に早産予測モデルMt (A,B,C,...)を特定する。
In step s205-5 in FIG. 14, the
なお、早産予測モデルMは、SVM、線形回帰、ニューラルネットワークなどに基づき生成されてもよい。また、最適な特徴量を選択する方法としてはforward step selectionに限定されず、backward stepwise selection又はbidirectional stepwise selectionが利用されてもよい。また、全データ項目を利用し、PCAやMDS、NMDSなどで次元削減した後、PC1, PC2, ..., PCNのN個の特徴量に対してforward/backward/bidirectional stepwise selectionを適用してもよい。
(実施例7)
図15は、本発明の他の実施例による特徴量抽出・早産リスク予測モデル作成処理を示すフローチャートである。複数の週数のデータを用いることで、早産と正期産のデータ分布の違いだけでなく、データ分布の時系列的変化の違いを利用し、より性能の高い予測モデルを生成可能である。当該特徴量抽出・モデル作成処理は、上述された図8のステップs102,s107において実行可能であり、前述のステップs202−1〜7がステップs102の特徴量の抽出処理に対応し、後述のステップs207−1〜6がステップs107の早産リスク予測モデルの生成処理に対応する。なお、図15のステップs202−1〜7は図13のステップs102−1〜7と同じであり、ステップs207−1〜4,s207−6は図13のステップs203−1〜4,s203−6と同じであるため、その説明は省く。
Note that the preterm birth prediction model M may be generated based on SVM, linear regression, neural network, or the like. Further, the method for selecting the optimum feature quantity is not limited to forward step selection, and backward stepwise selection or bidirectional stepwise selection may be used. Also, after using all data items and reducing dimensions with PCA, MDS, NMDS, etc., apply forward / backward / bidirectional stepwise selection to N features of PC1, PC2, ..., PCN. Also good.
(Example 7)
FIG. 15 is a flowchart showing a feature quantity extraction / premature birth risk prediction model creation process according to another embodiment of the present invention. By using the data of multiple weeks, it is possible to generate a prediction model with higher performance using not only the difference in data distribution between premature delivery and full-term delivery but also the difference in time-series changes in data distribution. The feature quantity extraction / model creation process can be executed in steps s102 and s107 of FIG. 8 described above, and the above-described steps s202-1 to s20-7 correspond to the feature quantity extraction process of step s102, and will be described later. Steps s207-1 to 6 correspond to the process for generating a preterm birth risk prediction model in step s107. Steps s202-1 to s7-7 in FIG. 15 are the same as steps s102-1 to s7-7 in FIG. 13, and steps s207-1 to s207-6 are steps s203-1 to s203-6 in FIG. The explanation is omitted because it is the same.
図15のステップs207−5において、データ収集装置100は、s203−5と同様な方法で週数tにおける早産リスク予測モデルMtを作成するが、この際に用いるモデルには多変量ロジスティック回帰とする。
In step s207-5 of FIG. 15, the
図8のデータ収集装置100は、s108にて、妊娠週数t1週の未出産の妊婦において、早産リスク予測モデルMt1に特徴量のデータを当てはめ、早産となる確率pを計算することができる。 以上、本発明の実施例について詳述したが、本発明は上述した特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。
The
10 データ収集システム
20 計測装置
30 測定値転送装置
40 体調登録装置
50 気象情報取得装置
60 調査票登録装置
70 診療記録登録装置
100 データ収集装置
200 ネットワーク
DESCRIPTION OF
Claims (8)
早産予測モデルに基づき、前記取得したデータから前記妊婦の早産予測を実行する早産予測機能と、
前記早産予測の結果を通知する結果通知機能と、
を有し、
前記データ取得機能は、前記妊婦の妊娠前後の何れかの時期から出産前後の何れかの時期までのデータ取得期間において、前記データを複数の時点にて取得するデータ収集装置。 A data acquisition function for acquiring data about pregnant women from multiple data source devices;
Based on a preterm birth prediction model, a preterm birth prediction function for performing the preterm birth prediction of the pregnant woman from the acquired data;
A result notification function for notifying the result of the preterm birth prediction;
Have
The data acquisition function is a data collection device that acquires the data at a plurality of time points in a data acquisition period from any time before and after pregnancy of the pregnant woman to any time before and after childbirth.
早産予測モデルに基づき、前記取得したデータから前記妊婦の早産予測を実行するステップと、
前記早産予測の結果を通知するステップと、
を有し、
前記妊婦の早産予測を実行するステップは、前記妊婦の妊娠前後の何れかの時期から出産前後の何れかの時期までのデータ取得期間において、前記データを複数の時点にて取得することを含むデータ収集方法。 Obtaining data on pregnant women from a plurality of data source devices;
Performing a preterm birth prediction of the pregnant woman from the acquired data based on a preterm birth prediction model;
Notifying the result of the preterm birth prediction;
Have
The step of executing the preterm birth prediction of the pregnant woman includes obtaining the data at a plurality of time points in a data obtaining period from any time before and after pregnancy of the pregnant woman to any time before and after giving birth. Collection method.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017037338 | 2017-02-28 | ||
JP2017037338 | 2017-02-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018140172A true JP2018140172A (en) | 2018-09-13 |
Family
ID=63526183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018032317A Pending JP2018140172A (en) | 2017-02-28 | 2018-02-26 | Data collection device and data collection method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2018140172A (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210054240A (en) * | 2019-11-05 | 2021-05-13 | 사회복지법인 삼성생명공익재단 | Method for comprising time interval unit data set to predict disease and device thereof |
JP2021117767A (en) * | 2020-01-27 | 2021-08-10 | 株式会社Nttドコモ | Data collection analysis device and data collection analysis method |
CN115137322A (en) * | 2022-09-05 | 2022-10-04 | 深圳市景新浩科技有限公司 | Continuous monitoring system for dynamic blood pressure |
JP7444069B2 (en) | 2018-10-19 | 2024-03-06 | ソニーグループ株式会社 | Medical information processing system, medical information processing device, and medical information processing method |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010518058A (en) * | 2007-02-06 | 2010-05-27 | コロンビア ラボラトリーズ (バミューダ) リミテッド | Progesterone for the prevention of preterm birth |
JP2013502584A (en) * | 2009-08-20 | 2013-01-24 | ユニバーシティ オブ ユタ リサーチ ファウンデーション | Identification and quantification of biomarkers for risk assessment of preterm birth |
US20140221236A1 (en) * | 2013-02-01 | 2014-08-07 | Kristi S. Borowski | Metabolomic markers for preterm birth |
JP2016518589A (en) * | 2013-03-15 | 2016-06-23 | セラ プログノスティックス, インコーポレイテッド | Biomarkers and methods for predicting preterm birth |
WO2016205723A2 (en) * | 2015-06-19 | 2016-12-22 | Sera Prognostics, Inc. | Biomarker pairs for predicting preterm birth |
WO2017096405A1 (en) * | 2015-12-04 | 2017-06-08 | Nx Prenatal Inc. | Use of circulating microparticles to stratify risk of spontaneous preterm birth |
-
2018
- 2018-02-26 JP JP2018032317A patent/JP2018140172A/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010518058A (en) * | 2007-02-06 | 2010-05-27 | コロンビア ラボラトリーズ (バミューダ) リミテッド | Progesterone for the prevention of preterm birth |
JP2013502584A (en) * | 2009-08-20 | 2013-01-24 | ユニバーシティ オブ ユタ リサーチ ファウンデーション | Identification and quantification of biomarkers for risk assessment of preterm birth |
US20140221236A1 (en) * | 2013-02-01 | 2014-08-07 | Kristi S. Borowski | Metabolomic markers for preterm birth |
JP2016518589A (en) * | 2013-03-15 | 2016-06-23 | セラ プログノスティックス, インコーポレイテッド | Biomarkers and methods for predicting preterm birth |
WO2016205723A2 (en) * | 2015-06-19 | 2016-12-22 | Sera Prognostics, Inc. | Biomarker pairs for predicting preterm birth |
WO2017096405A1 (en) * | 2015-12-04 | 2017-06-08 | Nx Prenatal Inc. | Use of circulating microparticles to stratify risk of spontaneous preterm birth |
JP2019505815A (en) * | 2015-12-04 | 2019-02-28 | エヌエックス・プリネイタル・インコーポレイテッドNX Prenatal Inc. | Use of circulating microparticles to stratify natural preterm birth risk |
Non-Patent Citations (1)
Title |
---|
PAYAM DADVANDほか: "Climate Extremes and the Length of Gestation", ENVIRONMENTAL HEALTH PERSPECT [ONLINE], vol. 119, no. 10, JPN7021005012, 9 June 2011 (2011-06-09), pages 1449 - 1453, ISSN: 0004772803 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7444069B2 (en) | 2018-10-19 | 2024-03-06 | ソニーグループ株式会社 | Medical information processing system, medical information processing device, and medical information processing method |
KR20210054240A (en) * | 2019-11-05 | 2021-05-13 | 사회복지법인 삼성생명공익재단 | Method for comprising time interval unit data set to predict disease and device thereof |
KR102292041B1 (en) * | 2019-11-05 | 2021-08-24 | 사회복지법인 삼성생명공익재단 | Method for comprising time interval unit data set to predict disease and device thereof |
JP2021117767A (en) * | 2020-01-27 | 2021-08-10 | 株式会社Nttドコモ | Data collection analysis device and data collection analysis method |
JP7374784B2 (en) | 2020-01-27 | 2023-11-07 | 株式会社Nttドコモ | Data collection and analysis device and data collection and analysis method |
CN115137322A (en) * | 2022-09-05 | 2022-10-04 | 深圳市景新浩科技有限公司 | Continuous monitoring system for dynamic blood pressure |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11576622B2 (en) | Systems and methods for monitoring uterine activity and assessing pre-term birth risk | |
JP2018175850A (en) | Data collection device and data collection method | |
JP2018140172A (en) | Data collection device and data collection method | |
US20240038402A1 (en) | Maternal and infant health insights & cognitive intelligence (mihic) system and score to predict the risk of maternal, fetal, and infant morbidity and mortality | |
Walter et al. | Associations of trimester-specific gestational weight gain with maternal adiposity and systolic blood pressure at 3 and 7 years postpartum | |
Poslusna et al. | Misreporting of energy and micronutrient intake estimated by food records and 24 hour recalls, control and adjustment methods in practice | |
Bogaerts et al. | Postpartum weight trajectories in overweight and lean women | |
Helle et al. | First trimester plasma glucose values in women without diabetes are associated with risk for congenital heart disease in offspring | |
Escobar et al. | Prediction of obstetrical and fetal complications using automated electronic health record data | |
JP7097570B2 (en) | Data collection analysis device and data collection analysis method | |
JP2010142273A (en) | Biomarker management apparatus | |
Ertel et al. | Prepregnancy body mass index, gestational weight gain, and elevated depressive symptoms in a Hispanic cohort. | |
Hinkle et al. | Reliability of gestational weight gain reported postpartum: a comparison to the birth certificate | |
Watson et al. | The influence of objectively measured physical activity during pregnancy on maternal and birth outcomes in urban black South African women | |
Wie et al. | Is it appropriate for Korean women to adopt the 2009 Institute of Medicine recommendations for gestational weight gain? | |
Denolle et al. | Diagnosis of white coat hypertension in pregnant women with teletransmitted home blood pressure | |
Chae et al. | Analysis of weight control in Korean adolescents using the transtheoretical model | |
Ahn et al. | Predictors of women's postpartum health status in the first 3 months after childbirth | |
White et al. | Improving customized fetal biometry by longitudinal modelling | |
Khatun et al. | Quality of antenatal care and its dose–response relationship with birth weight in a maternal and child health training institute in Bangladesh | |
Heng et al. | Relationship between changing malaria burden and low birth weight in sub-Saharan Africa: A difference-in-differences study via a pair-of-pairs approach | |
Ashwal et al. | Effect of fetal gender on induction of labor failure rates | |
Blencowe | Counting the smallest: data to estimate global stillbirth, preterm birth and low birthweight rates | |
Slaughter et al. | A Bayesian latent variable mixture model for longitudinal fetal growth | |
JP7374784B2 (en) | Data collection and analysis device and data collection and analysis method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20180316 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20180316 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200806 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210519 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210525 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210720 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211124 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220120 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220517 |