JP2019016235A - 疾病発症予測装置、疾病発症予測方法およびプログラム - Google Patents

Abstract

【課題】特定の疾病の発症を事前に精度良く予測することができる疾病発症予測装置、疾病発症予測方法およびプログラムを提供する。【解決手段】アラートシステム１が、サンプル抽出部１３と、予測モデル構築部１４とを備える。サンプル抽出部１３は、発症情報が、疾病を発症したことを表す場合、予測モデル構築用の生体データのうち、疾病を発症した発症時点の基準期間前から発症時点までの生体データから、陽性サンプルとなる生体データを抽出し、発症時点の基準期間前より以前の生体データから、陰性サンプルとなる生体データを抽出する。予測モデル構築部１４は、陽性サンプルを、基準期間内に疾病を発症するトレーニングデータとして使用し、陰性サンプルを、基準期間内に疾病を発症しないトレーニングデータとして使用することによって、予測モデルを構築する。【選択図】図２

Description

本発明は、疾病発症予測装置、疾病発症予測方法およびプログラムに関する。

従来の医療機器デバイスでは、患者の生体データが一定値を下回るなどの単純な判断によってアラートを発する。近年、患者の生体データをリアルタイムに解析し、疾病を予測する技術が研究されている。例えば特許文献１には、患者の生体データを示す２つのパラメータの関係を求め、それを統計値と比較して疾病の予兆を解析する疾病予測装置が開示されている。また、特許文献２には、人の生体データをモデル化し、そのモデルから得られる推定値と実際の測定値との差を解析することによって、人の健康状態をモニタリングする方法が開示されている。

特開２０１６−０４０６９３号公報 特表２００９−５１７１８８号公報

疾病を発症する場合には、生体データに数時間前から兆候が現れていることが多い。そのような兆候を捉えることができれば、患者に対する疾病の発症を精度良く予測し、それを医療現場の医師、看護師等に伝えることにより、疾病の発生を未然に防ぐことが可能となる。

しかしながら、特許文献１に開示された技術では、あくまで統計値との比較によって患者に変化が起きたことがわかるだけであり、特定の疾病の発症前に現れる兆候を精度良く捉えることはできない。また、特許文献２に開示された方法では、実際の測定値が健康な状態かそうでないかを特定するだけであり、特定の疾病の発症を予測するには至らない。

本発明は、上記実情に鑑みてなされたものであり、特定の疾病の発症を事前に精度良く予測することができる疾病発症予測装置、疾病発症予測方法およびプログラムを提供することを目的とする。

上記目的を達成するため、本発明の第１の観点に係る疾病発症予測装置は、
予測対象の生体データと予測モデル構築用の生体データとを取得する生体データ取得手段と、
前記予測モデル構築用の生体データに対応する患者が疾病を発症したか否かを表す発症情報を取得する発症情報取得手段と、
前記発症情報が前記疾病を発症したことを表す場合、前記予測モデル構築用の生体データのうち、前記疾病を発症した発症時点の基準期間前から前記発症時点までの生体データから、陽性サンプルとなる生体データを抽出し、前記発症時点の前記基準期間前より以前の生体データから、陰性サンプルとなる生体データを抽出するサンプル抽出手段と、
前記陽性サンプルを、前記基準期間内に前記疾病を発症するトレーニングデータとして使用し、前記陰性サンプルを、前記基準期間内に前記疾病を発症しないトレーニングデータとして使用することによって、予測モデルを構築する予測モデル構築手段と、
前記予測対象の生体データと前記予測モデルとに基づいて、前記予測対象の生体データに対応する患者が、前記疾病を前記基準期間内に発症するか否かを予測する発症予測手段と、を備え、
前記サンプル抽出手段は、抽出した前記陽性サンプルとなる生体データに所定の演算を行った結果を前記陽性サンプルとし、前記陰性サンプルとなる生体データに所定の演算を行った結果を前記陰性サンプルとする。

前記サンプル抽出手段は、前記発症情報が、前記患者が前記疾病を発症したことを表す場合、前記予測モデル構築用の生体データのうち、前記発症時点の基準期間と所定期間の合計期間前から前記発症時点までの生体データであって、前記所定期間に対応する生体データを、前記所定期間の一部が重複するように複数抽出して前記陽性サンプルとする、
ようにしてもよい。

前記予測モデル構築用の生体データに対応する患者に対して行った行為の内容を表すアクション情報を取得するアクション情報取得手段を備え、
前記サンプル抽出手段は、前記アクション情報に基づいて、前記予測モデル構築用の生体データから優先的に抽出して、前記陽性サンプルまたは前記陰性サンプルとする、
ようにしてもよい。

前記サンプル抽出手段は、前記アクション情報が、前記疾病の発症を回避するための行為であったことを表す場合には、前記予測モデル構築用の生体データに対応する患者が前記疾病を発症したものと仮定して、前記発症情報が前記疾病を発症したことを表す場合と同様に、前記陽性サンプルとなる生体データを抽出する、
ようにしてもよい。

前記アクション情報取得手段は、前記発症予測手段が前記疾病を発症すると予測した前記予測対象の生体データに対応する患者に対して行った行為の内容を表す予測対象アクション情報をさらに取得し、
前記生体データ取得手段は、前記行為が行われた患者の前記予測対象の生体データに対応するデータを、前記予測モデル構築用の生体データとして新たに取得し、
前記サンプル抽出手段は、前記予測対象アクション情報が、前記疾病の発症を回避するための行為でなかったことを表す場合には、前記新たに取得した予測モデル構築用の生体データを、他の生体データよりも優先して抽出して前記陰性サンプルとする、
ようにしてもよい。

前記予測モデル構築手段は、前記アクション情報が、前記疾病の発症を回避するための行為でなかったことを表し、前記発症情報が前記疾病を発症したことを表す場合に、前記予測対象の生体データに基づいて、前記疾病の発症を回避するための行為を行うべきであることを表す要注意情報を出力すべき条件を設定し、
前記予測対象アクション情報が、前記疾病の発症を回避するための行為でなかったことを表す場合、前記予測モデル構築手段が設定した前記条件に基づいて、前記要注意情報を出力する要注意情報出力手段をさらに備える、
ようにしてもよい。

前記発症予測手段が前記疾病を発症すると予測した場合、前記予測対象の生体データに基づいて、前記疾病を発症すると予測した原因となる成分をあらかじめ定められた方法により分類し、アラート情報として出力するアラート情報出力手段をさらに備える、
ようにしてもよい。

上記目的を達成するため、本発明の第２の観点に係る疾病発症予測方法は、
予測対象の生体データと予測モデル構築用の生体データとを取得する生体データ取得ステップと、
前記予測モデル構築用の生体データに対応する患者が疾病を発症したか否かを表す発症情報を取得する発症情報取得ステップと、
前記発症情報が、前記疾病を発症したことを表す場合、前記予測モデル構築用の生体データのうち、前記疾病を発症した発症時点の基準期間前から前記発症時点までの生体データから、陽性サンプルとなる生体データを抽出し、前記発症時点の前記基準期間前より以前の生体データから、陰性サンプルとなる生体データを抽出するサンプル抽出ステップと、
前記陽性サンプルを、前記基準期間内に前記疾病を発症するトレーニングデータとして使用し、前記陰性サンプルを、前記基準期間内に前記疾病を発症しないトレーニングデータとして使用することによって、予測モデルを構築する予測モデル構築ステップと、
前記予測対象の生体データと前記予測モデルとに基づいて、前記予測対象の生体データに対応する患者が、前記疾病を前記基準期間内に発症するか否かを予測する発症予測ステップと、を備え、
前記サンプル抽出ステップでは、抽出した前記陽性サンプルとなる生体データに所定の演算を行った結果を前記陽性サンプルとし、前記陰性サンプルとなる生体データに所定の演算を行った結果を前記陰性サンプルとする。

上記目的を達成するため、本発明の第３の観点に係るプログラムは、
コンピュータに、
予測対象の生体データと予測モデル構築用の生体データとを取得する生体データ取得ステップと、
前記予測モデル構築用の生体データに対応する患者が疾病を発症したか否かを表す発症情報を取得する発症情報取得ステップと、
前記発症情報が、前記疾病を発症したことを表す場合、前記予測モデル構築用の生体データのうち、前記疾病を発症した発症時点の基準期間前から前記発症時点までの生体データから、陽性サンプルとなる生体データを抽出し、前記発症時点の前記基準期間前より以前の生体データから、陰性サンプルとなる生体データを抽出するサンプル抽出ステップと、
前記陽性サンプルを、前記基準期間内に前記疾病を発症するトレーニングデータとして使用し、前記陰性サンプルを、前記基準期間内に前記疾病を発症しないトレーニングデータとして使用することによって、予測モデルを構築する予測モデル構築ステップと、
前記予測対象の生体データと前記予測モデルとに基づいて、前記予測対象の生体データに対応する患者が、前記疾病を前記基準期間内に発症するか否かを予測する発症予測ステップと、を実行させ、
前記サンプル抽出ステップでは、抽出した前記陽性サンプルとなる生体データに所定の演算を行った結果を前記陽性サンプルとし、前記陰性サンプルとなる生体データに所定の演算を行った結果を前記陰性サンプルとする。

本発明によれば、特定の疾病の発症を事前に精度良く予測することができる疾病発症予測装置、疾病発症予測方法およびプログラムを提供することができる。

本発明の実施の形態に係るアラートシステムの概略を示す図である。 本発明の実施の形態に係るアラートシステムの機能ブロック図である。 本発明の実施の形態に係るアラートシステムのサンプル抽出方法を示す図である。 本発明の実施の形態に係るアラートシステムの抽出したサンプルの一例を表す図である。 本発明の実施の形態に係るアラートシステムのハードウェア構成図である。 本発明の実施の形態に係るアラートシステムの予測モデル構築処理のフローチャートである。 本発明の実施の形態に係るアラートシステムのアラート原因分類条件設定処理において抽出した主成分の一例を表す図である。 本発明の実施の形態に係るアラートシステムのアラート原因分類条件設定処理において付与した主成分得点の一例を表す図である。 本発明の実施の形態に係るアラートシステムのアラート原因分類条件設定処理において分類が付与されたサンプルの一例を表す図である。 本発明の実施の形態に係るアラートシステムの予測モデル再構築処理のフローチャートである。 本発明の実施の形態に係るアラートシステムの予測モデル再構築処理における設定値の一例を表す図である。 本発明の実施の形態に係るアラートシステムのアラート処理のフローチャートである。 本発明の実施の形態に係る携帯端末に表示されたアラート情報の出力画面の一例を表す図である。 本発明の実施の形態に係る携帯端末に表示されたアクション選択画面の一例を表す図である。 本発明の実施の形態に係るアラートシステムの効果を説明するための、（ａ）一例を表す図、（ｂ）別の一例を表す図である。

（実施の形態１）
以下、本発明の疾病発症予測装置を、患者の疾病予測を通知するアラートシステムに適用した実施の形態について、図面を参照して説明する。

本実施の形態のアラートシステム１は、本発明の疾病発症予測装置であって、患者の疾病が基準期間以内に発症することを予測して、担当の医師に通知するシステムである。アラートシステム１には、あらかじめ特定の疾病が１つまたは複数設定される。そして、アラートシステム１は、当該設定されたそれぞれの疾病が、対象の患者に発症するかどうかを予測し、発症すると予測した場合にその旨を医師に通知する。アラートシステム１の管理者は、疾病の特性を考慮して、疾病ごとに、例えば敗血症は３時間、循環器疾患は５時間、などといったように、あらかじめ基準期間をアラートシステム１に設定しておく。

アラートシステム１は、後述する医療機器２が測定した患者の生体データを、病院ネットワーク５を介してリアルタイムに受信し、受信した生体データを解析して、患者が疾病を発症するかどうかを予測する。また、アラートシステム１は、患者が疾病を発症すると予測すると、その予測に至った生体データを分析してアラート情報を生成し、生成したアラート情報を、病院ネットワーク５を介して後述する携帯端末４に送信する。また、アラートシステム１は、後述する携帯端末４より医師が行った操作情報を取得して、後述する予測モデルの更新内容に反映する。

アラートシステム１は、図１に示すように、病院ネットワーク５を介して、医療機器２、病院情報システム３および携帯端末４と通信可能に接続されている。

医療機器２は、患者の生体データを測定する機器であり、典型的には、集中治療室において患者のバイタルサインを測定する機器である。他に、医療機器２は、人工呼吸器、輸液ポンプ等、患者のあらゆる生体データを測定する機器であっても良い。患者の生体データとは、患者の健康状態に関する情報を主に数値化した情報であって、血圧、脈拍数、呼吸速度、体温等のいわゆるバイタルサインと言われるデータの他、血小板数、ビリルビン、平均動脈圧、尿量等のデータを含むものである。医療機器２は、生体データを一定期間（例えば１秒間）ごとに計測して、病院ネットワーク５を介してアラートシステム１および病院情報システム３に送信する。

病院情報システム３は、病院内に構築された情報システムであり、電子カルテシステム、検査情報システム、薬剤システム、患者情報システム等のサブシステムを含む。病院情報システム３は、患者の基本情報、投与された薬剤、電子カルテ等を記憶している。また、病院情報システム３は、患者のリアルタイムの生体データを医療機器２から病院ネットワーク５を介して受信し、計測時刻とともに、内部の記憶装置に格納する。病院情報システム３は、アラートシステム１からの送信要求に応じて、患者の基本情報、投与された薬剤、電子カルテ等の情報および格納された過去の生体データを、病院ネットワーク５を介してアラートシステム１に送信する。

また、病院の医療スタッフは、図示しないさまざまな機器を介して病院情報システム３にアクセスし、格納された情報を参照することができる。さらに、病院情報システム３は、後述する携帯端末４より医師が行った操作情報を受信する。これにより、医療スタッフは、医師の操作情報を視認できる。

携帯端末４は、スマートフォン、業務用携帯端末、タブレット、ＰＤＡ（Personal Digital Assistant）、携帯電話等の医師が携帯するための端末である。携帯端末４は、アラートシステム１から受信したアラート情報を画面に表示して、医師にアラート情報を視認させる。

また、携帯端末４は、医師による操作を受けて、病院ネットワーク５を介してアラートシステム１および病院情報システム３に操作情報を送信する。これにより、医療スタッフは、病院情報システム３を介して、医師の操作情報を取得する。また、アラートシステム１は、医師の操作情報を取得して、後述する予測モデルの更新内容に反映する。

次に、アラートシステム１の機能について、図２を参照して説明する。アラートシステム１は、後述する予測モデル構築処理、予測モデル再構築処理、アラート処理を行うための機能部として、生体データ取得部１１と、発症情報取得部１２と、サンプル抽出部１３と、予測モデル構築部１４と、発症予測部１５と、アラート情報出力部１６と、アクション情報取得部１７とを備える。これらの機能は後述する制御部のＣＰＵ（Central Processing Unit）がプログラムを読み出して処理を実行することにより実現される。なお、アラートシステム１について、以下では運用前と運用中について分けて説明している箇所がある。ここでの運用とは、アラートシステム１を予測対象の患者に実際に使用することを指す。したがって、運用前とは、実際に使用する前の準備段階であることを意味する。

生体データ取得部１１は、運用前または運用中の機械学習のために、多数の患者から過去に取得した生体データを、病院情報システム３に病院ネットワーク５を介して要求し、その応答として、生体データを受信する。また、生体データ取得部１１は、運用中の発症予測のために、病院ネットワーク５を介して、医療機器２からリアルタイムに送信される予測対象の患者の生体データを受信する。

発症情報取得部１２は、運用前および運用中の機械学習のために、生体データ取得部１１が病院情報システム３から取得した過去の生体データに基づいて、患者が疾病を発症したかどうかを示す発症情報を取得する。具体的には、発症情報取得部１２は、患者が特定の疾病を発症したかどうかを生体データから判定する基準をあらかじめ記憶しておき、これを参照して特定の疾病を発症したかどうかを判定する。なお、生体データから判定するのではなく、医療スタッフ（主に医師）が診察によって判定した発症情報を病院情報システム３に機器を介して入力し、アラートシステム１に病院ネットワーク５を介して送信しても良い。このように、発症情報取得部１２は、病院情報システム３から病院ネットワーク５を介して受信することによって、発症情報を取得しても良い。発症情報には、発症した患者のＩＤ、発症した疾病の名称、発症日時等の情報が含まれる。

サンプル抽出部１３は、生体データ取得部１１が病院情報システム３から取得した過去の生体データから、運用前および運用中の機械学習のためのサンプルとなる生体データを抽出する。アラートシステム１は、抽出したサンプルを、疾病の発症の予測に使用する予測モデルの構築および更新のための機械学習のトレーニングデータとして使用する。機械学習において、アラートシステム１が、基準期間以内に疾病を発症することを学習するサンプルを陽性サンプル、基準期間以内には疾病を発症しないことを学習するサンプルを陰性サンプルとする。サンプル抽出部１３は、過去の生体データから陽性サンプルと陰性サンプルとに分けてそれぞれ抽出する。なお、この基準期間をアラート対象期間と言い、以下では、１８０分間とする。

具体的には、サンプル抽出部１３は、発症情報取得部１２が取得した発症情報に基づいて、生体データ取得部１１が取得した過去の生体データが、疾病を発症した患者の生体データであるか疾病を発症していない患者の生体データであるかを認識する。そして、基本的には、サンプル抽出部１３は、疾病を発症した患者から陽性サンプルとなる生体データを抽出し、疾病を発症していない患者から陰性サンプルとなる生体データを抽出する。ただし、疾病を発症した患者の生体データであっても、発症からアラート対象期間以上前の生体データは、発症の兆候を表していないことが多いため、陰性サンプルとして抽出することとする。サンプル抽出部１３は、生体データ取得部１１が取得した一定期間ごとの生体データを、所定期間（例えば３０分間）分集めたものをサンプルとして抽出する。

サンプル抽出部１３は、抽出したサンプルとなる生体データを所定期間（例えば３０分間）分、あらかじめ規定された関数に適用して、演算する。この関数は、例えば、標準偏差、平均、最大、最小等を１種類の生体データから演算する関数であっても良いし、複数種類の生体データから演算する関数であっても良い。このように、それぞれの関数による演算結果を、その３０分間の患者の状態を特徴付けるものとして、特徴量と言い、上述した３０分間の所定期間を特徴量窓期間と言う。

サンプル抽出部１３が、疾病を発症した患者の生体データからサンプルを抽出する方法について、図３を参照して詳細に説明する。これを発症した時点からサンプリング間隔ずつ遡って繰り返し抽出する。具体的には、アラートシステム１は、疾病を発症した患者の生体データからは、疾病を発症した時刻を起点として特徴量窓期間分を集めたサンプル候補（図３の矢印１０１）から、患者の疾病を予測する前述のアラート対象期間前を起点として特徴量窓期間分を集めたサンプル候補（図３の矢印１０７）までの中から、陽性サンプルとなる生体データを抽出する。また、疾病の発症時点からアラート対象期間と対象外期間だけ遡った時刻を起点として特徴量窓期間分を集めたサンプル候補（図３の矢印１０８）と、それより過去を起点として特徴量窓期間分を集めたサンプル候補（図３の矢印１０９、１１０、１１１）の中から、陰性サンプルを抽出する。

なお、このような抽出方法では、陽性サンプルの対象となり得る生体データが、疾病を発症した患者の限られた期間の生体データであることから、一般に、陽性サンプルの方が陰性サンプルに比較して取得できる数が少ない。これらをそのままの比率で機械学習のトレーニングデータとすると、陰性サンプルの方が多いことから、アラートシステム１の予測が疾病を発症しないという予測に偏るおそれがある。そこで、アラートシステム１は、図３に示す範囲のすべてのサンプル候補を陽性サンプルの候補として抽出し、一方、それと同数のサンプルとなるように、対象となりうるサンプル候補の中から、ランダムに陰性サンプルを抽出することが望ましい。ただし、陽性サンプルの数が多い場合には、対象となりうる陽性サンプルの候補の中からランダムに陽性サンプルを抽出しても良い。さらに、疾病を発症した患者から取得した陰性サンプルとなる生体データが、特に陽性サンプルとの比較において、発症前のアラート対象期間内に起こった変化を特徴づける有効なサンプルとなる。そのため、疾病を発症した患者の生体データを、疾病を発症していない患者の生体データよりも優先して抽出するようにしても良い。

サンプル抽出部１３は、このようにして取得した陽性サンプルとなる生体データに前述の関数に適用して演算し、特徴量を算出することによって、陽性サンプルとする。また、陰性サンプルとなる生体データに前述の関数に適用して演算し、特徴量を算出することによって、陰性サンプルとする。

サンプル抽出部１３が特徴量に変換したデータの例を図４に示す。血圧の平均、脈拍数の標準偏差等がそれぞれ特徴量である。この例では、同一の患者から、複数の陽性サンプル（第１レコードから第３レコード）と陰性サンプル（第４レコードから第６レコード）を取得している。

図２に戻り、予測モデル構築部１４は、アラートシステム１が患者の疾病の発症を予測するために使用する予測モデルを構築する。具体的には、予測モデル構築部１４は、サンプル抽出部１３が抽出した陽性サンプルと陰性サンプルに基づいて、サポートベクターマシン、決定木モデル、ロジスティック回帰モデル等の予測モデルから選択する。予測モデルの選択のための評価指標、評価方法等は、予測モデル構築用パラメータとしてあらかじめ設定されている。予測モデル構築部１４は、予測モデル構築用パラメータに基づいて、予測モデルを選択し、予測モデルに与えるモデルパラメータを決定する。そして、選択した予測モデルのルール、数式、係数等の予測モデルに与えるモデルパラメータに基づいて、それぞれのサンプルに対して予測スコアを算出する。このようにして、予測モデル構築部１４は、予測モデルを構築する。また、予測モデル構築部１４は、疾病ごとに異なる予測モデルを構築しても良い。なお、サポートベクターマシン、決定木モデル、ロジスティック回帰モデル等の予測モデルは周知であるため、ここでは詳細についての説明を割愛する。

さらに、予測モデル構築部１４は、アラート出力用の閾値を決定する。アラート出力用の閾値は、後述する発症予測部１５が、予測モデルを適用して算出した予測スコア（アラート対象期間内に疾病が発症する確率に相当する）がアラートを出力すべきスコアか否かを判定するための閾値である。予測モデル構築部１４は、運用前では、あらかじめ設定されたパラメータを参照してアラート出力用の閾値を決定しても良いし、予測スコアの中央値を閾値としても良い。または、業務上の要件から、例えばアラート通知が１時間に１回未満となるように、閾値を設定してもよい。また、予測モデル構築部１４は、運用中では、病院情報システム３から、病院ネットワーク５を介してアラートの出力結果を取得して、アラートを通知したにもかかわらず発症しなかったケース（偽陽性サンプルと呼ぶ）、アラートを通知しなかったにもかかわらず発症したケース（偽陰性サンプルと呼ぶ）等のサンプルに基づいて、予測モデルを再構築し、当該予測モデル再構築時の予測スコアに応じてアラート出力用の閾値を更新する。または、予測モデル構築部１４は、アラート出力用の閾値のみ更新してもよい。

さらに、予測モデル構築部１４は、アラート原因分類条件を設定する。アラート原因分類条件とは、アラートを発する原因となる主成分に基づいて、特徴量の分類をアラート情報に含めるために、後述するアラート情報出力部１６が使用する条件である。具体的には、予測モデル構築部１４は、陽性サンプルの各特徴量を入力として主成分分析を適用して主成分を抽出し、抽出した主成分ごとの得点を陽性サンプルごとに決定する。そして、予測モデル構築部１４は、決定した得点に基づいて、クラスタリングを行い、分類を付与する条件をアラート原因分類条件として設定する。主成分とは、「呼吸変動」、「血圧」等、疾病の発症に関連する成分である。分類とは、「値が下降傾向」、「値の変動が大きい」等、陽性サンプルを特徴付ける種別である。また、クラスタリングとは、分類対象の集合を部分集合に分割する基本的なデータ解析手法であり、本明細書ではその詳細は割愛する。なお、アラート原因分類条件は、必ずしも主成分分析によるものでなくとも良い。例えば、特徴量の数と性質によっては、陽性サンプルと陰性サンプルの特徴量の平均と予測対象の患者の特徴量を可視化して要因を特定してもよい。

発症予測部１５は、予測モデル構築部１４が構築した予測モデルにしたがって、医療機器２から病院ネットワーク５を介して送信された生体データを解析し、アラート対象期間内に対象の患者が疾病を発症する確率を表す予測スコアを算出する。

アラート情報出力部１６は、発症予測部１５が算出した予測スコアが、アラート出力用の閾値以上である場合、予測モデル構築部１４が設定したアラート原因分類条件に基づいて、アラート情報を作成し、病院ネットワーク５を介して携帯端末４に送信する。アラート情報には、疾病の発症を予測した原因となる主成分と、付与した分類を表す情報が含まれる（図１３参照）。また、アラート情報には、疾病の発症を予測した原因となる主成分に関連する特徴量またはその特徴量に対応する生体データが含まれても良い。

アクション情報取得部１７は、医師が携帯端末４に表示されたアラート情報を見て、携帯端末４を操作した内容（以下、アクション情報と呼ぶ）を、病院ネットワーク５を介して受信する。アクション情報とは、「投薬」、「監視継続」、「問題なし」等の選択肢から選択された医療行為の種別である。なお、これらのアクション情報は、携帯端末４から病院ネットワーク５を介して、病院情報システム３にも送信される。医師が患者の近くにいない場合は、看護師等の医療スタッフが、病院情報システム３にアクセスすることによって、医師が選択したアクション情報を取得して、患者に対する医療行為をどのように行うかを把握する。上記の選択肢の内容は概ね、以下の通りである。「投薬」は、患者に対する医療行為を行うことを意味する。「監視継続」は、継続して患者の状況を監視することを意味する。「問題なし」は、監視を継続する必要がないことを意味する。なお、これらの選択肢はあくまで例示であり、発明の目的および機能を満たす限り、どのような内容でも良い。また、アクション情報には、患者を特定する患者ＩＤとアラートを発した日時が含まれる。そして、アクション情報取得部１７は、携帯端末４から取得したアクション情報を記憶しておき、運用中の機械学習を行うときは、記憶したアクション情報から学習に使用するアクション情報を取得する。

要注意条件設定部１８は、アクション情報取得部１７が取得したアクション情報が「問題なし」であった患者から発症情報取得部１２が取得した発症情報を分析して、「問題なし」のアクションに対して注意を促す要注意情報を出力するための要注意条件を設定する。具体的には、要注意条件設定部１８は、「問題なし」のアクションの対象であった患者のうち、その後疾病を発症した患者の生体データと発症しなかった患者の生体データとを比較して、決定木等の機械学習により、要注意条件を設定する。この場合において、機械学習に替えて、ルールベースによる条件を設定してもよい。

さらに、要注意条件設定部１８は、要注意情報用の閾値を決定する。要注意情報用の閾値は、後述する要注意情報出力部１９が、要注意条件を適用して算出した要注意スコアが要注意情報を出力すべきスコアか否かを判定するための閾値である。要注意条件設定部１８は、あらかじめ設定されたパラメータを参照して要注意情報用の閾値を決定しても良いし、要注意スコアの中央値を閾値としても良い。

要注意情報出力部１９は、アクション情報取得部１７が「問題なし」のアクション情報を取得し、要注意条件設定部１８が設定した要注意条件に基づいて要注意スコアを算出する。そして、要注意情報出力部１９は、算出した要注意スコアが要注意情報用の閾値以上である場合には、病院ネットワーク５を介して、携帯端末４に要注意情報を出力する。出力する要注意情報には、合致した要注意条件の情報を含める。

次に、アラートシステム１のハードウェア構成について、図５を参照して説明する。アラートシステム１は、制御部２０と、記憶部３０と、通信部４０とを備える。

制御部２０は、ＣＰＵ２１とＲＡＭ（Random Access Memory）２２とＲＯＭ（Read Only Memory）２３とを備える。

ＣＰＵ２１は、記憶部３０に記憶されているプログラムをＲＡＭ２２に読み出して実行することにより、上述した各機能部を実現する。

ＲＡＭ２２は、揮発性メモリを備え、ＣＰＵ２１の作業領域として用いられる。

ＲＯＭ２３は、フラッシュメモリ、有機メモリ等の不揮発性メモリを備え、ＣＰＵ２１が実行するこのアラートシステム１の基本動作のための制御プログラム、ＢＩＯＳ（Basic Input Output System）等を記憶する。

記憶部３０は、ハードディスクドライブ、フラッシュメモリ等を備え、各種情報およびプログラムが格納される。記憶部３０には、サンプル抽出部１３が抽出したサンプル、予測モデル構築部１４が構築した予測モデル、アラート出力用の閾値、アラート原因分類条件等の各種情報が格納される。また、記憶部３０には、予測対象の疾病の情報、特定の疾病が発症したかどうかを生体データから判定する基準等も格納される。

通信部４０は、病院ネットワーク５と通信可能に接続され、病院ネットワーク５との各種情報の送受信を行う。

次に、アラートシステム１の実行する各種処理について、図面を参照して具体的に説明する。アラートシステム１は、運用を開始する前に予測モデルを構築しておく必要があるため、予測モデル構築処理を実行する。なお、予測モデル構築処理は、運用前の機械学習に該当する処理である。

アラートシステム１が、システム管理者の使用する図示しない端末からのリモートコマンドの実行指示等によって、予測モデル構築処理を開始すると、図６に示すように、生体データ取得部１１は、生体データを取得する（ステップＳ１１）。この生体データは、病院情報システム３に蓄積された運用前の患者の生体データである。このステップＳ１１は、患者の生体データを取得する生体データ取得ステップであり、このステップにおいて、生体データ取得部１１は、生体データ取得手段として機能する。

次に、発症情報取得部１２は、ステップＳ１１で生体データを取得した患者の発症情報を取得する（ステップＳ１２）。具体的には、発症情報取得部１２は、記憶部３０に格納された判定基準に基づいて、生体データからそれぞれの患者が予測対象の疾病を発症したか否かを判定する。また、前述のように、発症情報取得部１２は、医師が各患者の疾病の発症を判断したものを取得しても良い。このステップＳ１２は、患者が疾病を発症したか否かを表す発症情報を取得する発症情報取得ステップであり、このステップにおいて、発症情報取得部１２は、発症情報取得手段として機能する。

次に、サンプル抽出部１３は、ステップＳ１１で取得した生体データから、サンプルを抽出する（ステップＳ１３）。サンプル抽出部１３は、図３を参照して説明した手法によって、陽性サンプルと陰性サンプルをそれぞれ抽出する。例えば、陽性サンプルと陰性サンプルをそれぞれ５０個ずつ抽出する。そして、サンプル抽出部１３は、図４に示すように生体データを特徴量に変換した陽性サンプルと陰性サンプルを、記憶部３０に格納する。このステップＳ１３は、サンプルを抽出するサンプル抽出ステップであり、このステップにおいて、サンプル抽出部１３は、サンプル抽出手段として機能する。

次に、予測モデル構築部１４は、サンプル抽出部１３が抽出した陽性サンプルと陰性サンプルに基づいて、予測モデルを構築する（ステップＳ１４）。予測モデル構築部１４は、前述の通り、記憶部３０に格納されているモデル選択のためのパラメータに基づいて、予測モデルを選択する。そして、予測モデル構築部１４は、選択した予測モデルのルール、数式、係数等の予測モデルに与えるモデルパラメータに基づいて、ステップＳ１３で抽出した各サンプルに対して予測スコアを算出する。予測モデル構築部１４は、選択した予測モデルのルール、数式、係数等の予測モデルに与えるモデルパラメータと、予測スコアつきのサンプルとを記憶部３０に格納する。このステップＳ１４は、予測モデルを構築する予測モデル構築ステップであり、このステップにおいて、予測モデル構築部１４は、予測モデル構築手段として機能する。

次に、予測モデル構築部１４は、アラート出力用の閾値を決定する（ステップＳ１５）。予測モデル構築部１４は、例えば、ステップＳ１４で算出した予測スコアの中央値が０．５である場合、アラート出力用の閾値を予測スコアの中央値である０．５に決定する。そして、予測モデル構築部１４は、決定したアラート出力用の閾値を、記憶部３０に格納する。

続いて、予測モデル構築部１４は、アラート原因分類条件を設定する（ステップＳ１６）。ここで、アラート原因分類条件を設定する具体的な手順を、図面を参照して説明する。予測モデル構築部１４は、取得した陽性サンプルに主成分分析を適用して、主成分を抽出する。そして、疾病を発症する予測に寄与する寄与率が高い主成分から抽出して、あらかじめ設定された累積寄与率に達するまで、主成分を抽出する。

例えば、累積寄与率が８０％に設定されているものとして、図４に示した陽性サンプル（第１レコードから第３レコード）から主成分を抽出した場合の例を、図７に示す。この例では、主成分１の寄与率が５０％、主成分２の寄与率２０％、主成分３の寄与率が１０％であり、３つの主成分の累積寄与率（すなわち、寄与率の合計）が８０％であることから、この３つの主成分が抽出されている。また、それぞれの主成分は、特徴量ごとの重みを持っていて、各特徴量がどの主成分にどの程度関連しているかが明らかになっている。例えば、図７の例では、主成分１は、血圧の平均が０．８、標準偏差が０．２という重みを持っている。

次に、予測モデル構築部１４は、それぞれの陽性サンプルの特徴量に対して主成分分析を行う。そして、予測モデル構築部１４は、主成分を抽出して、図８に示すように、陽性サンプルの主成分ごとの得点を付与する。そして、予測モデル構築部１４は、それぞれの主成分ごとの得点に基づいて、クラスタリングを行い、図９に示すような陽性サンプルごとに分類を付与する条件をアラート原因分類条件として設定する。付与する分類数はあらかじめパラメータとして設定しても良い。そして、予測モデル構築部１４は、設定したアラート原因分類条件を、記憶部３０に格納する。

以上のようにして、アラートシステム１は、予測モデルを構築するとともに、アラート出力用の閾値を決定して、アラート原因分類条件を設定する予測モデル構築処理を実行する。

次に、運用中に、機械学習によって予測モデルを再構築するとともに、アラート出力用の閾値およびアラート原因分類条件を更新する予測モデル再構築処理について、図１０を参照して説明する。アラートシステム１は、予測モデル再構築処理を定期的に、例えば１日１回の夜間バッチ処理にて実行する。なお、予測モデル再構築処理は、運用中の機械学習に該当する処理である。

アラートシステム１が、バッチ処理の自動起動などによって予測モデル再構築処理を開始すると、生体データ取得部１１は、病院情報システム３から、病院ネットワーク５を介して生体データを取得する（ステップＳ２１）。この生体データは、運用中に医療機器２が患者から取得し、病院情報システム３に蓄積された生体データである。

次に、発症情報取得部１２は、ステップＳ２１で生体データを取得した患者の発症情報を取得する（ステップＳ２２）。具体的には、発症情報取得部１２は、記憶部３０に格納された判定基準に基づいて、生体データからそれぞれの患者が予測対象の疾病を発症したか否かを判定する。また、発症情報取得部１２は、医師が各患者の疾病の発症を判断したものを取得しても良い。

次に、アクション情報取得部１７は、記憶部３０に格納された運用中の患者に対するアクション情報を取得する（ステップＳ２３）。アクション情報は、上述のように、「投薬」、「監視継続」、「問題なし」のいずれかから選択された情報、患者ＩＤおよびアラートを発した日時である。このステップＳ２３において、アクション情報取得部１７は、発症予測手段が疾病を発症すると予測した予測対象患者に対して行った行為の内容を表すアクション情報を取得するアクション情報取得手段として機能する。

次に、サンプル抽出部１３は、ステップＳ２１で取得した生体データから、サンプルを抽出する（ステップＳ２４）。サンプル抽出部１３は、図３を参照して説明した手法によって、例えば、陽性サンプルと陰性サンプルをそれぞれ２５個ずつ抽出する。そして、サンプル抽出部１３は、上述の予測モデル構築処理のステップＳ１１において抽出した５０個ずつの陽性サンプルと陰性サンプルのうち、陽性サンプルと陰性サンプルそれぞれ２５個ずつを、このステップＳ２４において抽出したサンプルに更新する。そして、サンプル抽出部１３は、図４に示すように生体データから特徴量を算出した陽性サンプルと陰性サンプルを、記憶部３０に格納する。ただし、サンプル抽出部１３は、予測モデル構築処理と異なり、アクション情報取得部１７が取得したアクション情報に基づいて、優先的にサンプルを抽出する。なお、上述した例では、サンプル抽出部１３は、予測モデル構築処理のステップＳ１１において抽出したサンプルのうち、５０％をこのステップ２４で更新していることになるが、この更新する割合をあらかじめパラメータとして記憶部３０に格納しておいてもよい。また、サンプルを更新するのではなく、新たにサンプルを追加してもよい。

この優先的なサンプル抽出の方法について、図１１を参照して具体的に説明する。偽陰性サンプルとは、アラート対象期間内に疾病を発症しないと予測した患者が、実際にアラート対象期間内に疾病を発症した場合のサンプルである。この場合、サンプル抽出部１３は、アラートを発した時点からアラート対象期間後までのその患者の生体データを陽性サンプルとして抽出し、優先度を１とする。ここで、優先度は、数値が大きいサンプルを優先して抽出することを意味し、優先度２のサンプルは、優先度１のサンプルより多くなるように、例えば２倍程度のサンプル数となるように抽出する。なお、図１１に設定されていない場合のサンプルは、優先度を０とする。

偽陽性サンプルとは、アラート対象期間内に疾病を発症すると予測した患者が、実際にアラート対象期間内に疾病を発症しなかった場合のサンプルである。この場合、アラートシステム１はアラートを出力したことになる。その後の医師の選択したアクションによって、抽出するサンプルの扱いと優先度が変わる。まず、「投薬」が選択された場合、サンプルを陽性サンプルとして扱い、優先度を２とする。これは、「投薬」というアクションによって疾病の発症を回避できたと考えられるため、実際には発症したものとして扱うことを意味する。また、「監視継続」が選択された場合、陰性サンプルとして扱い、優先度を１とする。「問題なし」が選択された場合は、陰性サンプルとして扱い、優先度を２とする。このようにして設定された優先度にしたがって、サンプル抽出部１３は、サンプルを抽出する。なお、上述の優先度の代わりに、サンプルとして抽出する割合を設定できるようにしても良い。ただし、陽性サンプルと陰性サンプルのサンプル数のバランスを保つ必要がある点については、前述の通りである。したがって、実際には、サンプル抽出部１３は、このバランスを保つことができる範囲内において、優先度または割合の設定の通りにサンプルを抽出する。

図１０に戻って、予測モデル構築部１４は、取得した情報に基づいて、予測モデルを構築し、記憶部３０に格納された予測モデルを再構築する（ステップＳ２５）。予測モデルの構築手法は、予測モデル構築処理のステップＳ１４と同様である。予測モデル構築部１４は、構築された予測モデルに置き換えることによって、予測モデルを再構築する。なお、予測モデル構築部１４は、構築された予測モデルと記憶部３０に格納された予測モデルを比較して、差分を更新することによって、予測モデルを最新化しても良い。

次に、予測モデル構築部１４は、アラート出力用の閾値を更新する（ステップＳ２６）。具体的には、予測モデル構築部１４は、偽陽性サンプルが多い場合、アラートの出力条件を厳しくして、アラートの出力回数を下げる必要があると考えられるため、アラート出力用の閾値を大きくする。逆に、偽陰性サンプルが多い場合、予測モデル構築部１４は、アラート出力用の閾値を小さくする。

次に、予測モデル構築部１４は、アラート原因分類条件を更新する（ステップＳ２７）。基本的な処理手順は、図６に示した予測モデル構築処理のステップＳ１６と同様である。予測モデル構築部１４は、運用中の患者から取得した生体データ、アクション情報等に基づいて、アラート原因分類条件を設定し、設定されたアラート原因分類条件に置き換えることによって、アラート原因分類条件を更新する。なお、予測モデル構築部１４は、設定されたアラート原因分類条件と記憶部３０に格納されたアラート原因分類条件を比較して、差分を更新することによって、アラート原因分類条件を最新化しても良い。

次に、要注意条件設定部１８は、要注意条件を設定または更新する（ステップＳ２８）。要注意条件設定部１８は、ステップＳ２１で生体データ取得部１１が取得した生体データであって、ステップＳ２３でアクション情報取得部１７が取得したアクション情報が「問題なし」であった生体データを抽出する。そして、要注意条件設定部１８は、抽出した生体データに基づいて特徴量を算出する。そして、要注意条件設定部１８は、基準期間内に疾病を発症した患者の特徴量と発症しなかった患者の特徴量とに、決定木等の機械学習により、要注意条件を設定する。この場合において、機械学習に替えて、ルールベースによる条件を設定してもよい。具体的には、要注意条件設定部１８は、例えば、血圧の平均が１４０ｍｍＨｇ以上という条件（ルール）に対して、要注意スコアを０．９と規定するための要注意条件を設定する。そして、要注意条件設定部１８は、設定した要注意条件を記憶部３０に格納する。また、すでに要注意条件が記憶部３０に格納されている場合、要注意条件設定部１８は、設定された要注意条件に置き換えることによって、要注意条件を更新する。なお、要注意条件設定部１８は、設定された要注意条件と記憶部３０に格納された要注意条件を比較して、差分を更新することによって、要注意条件を最新化しても良い。

次に、要注意条件設定部１８は、要注意情報用の閾値を決定する（ステップＳ２９）。要注意条件設定部１８は、要注意情報用の閾値をあらかじめ設定されたパラメータから決定する。また、要注意条件設定部１８は、ステップＳ２８で算出した患者の特徴量に対して要注意スコアを算出し、その中央値を閾値としても良い。そして、要注意条件設定部１８は、決定した要注意情報用の閾値を記憶部３０に格納する。

以上のようにして、アラートシステム１は、予測モデルを再構築するとともに、アラート出力用の閾値およびアラート原因分類条件を更新して、要注意条件を設定または更新して、要注意情報用の閾値を決定する予測モデル再構築処理を実行する。これらの処理によって、アラートシステム１は、運用中に疾病の発症を予測する精度を上げることができる。

次に、アラートシステム１が患者の疾病を予測して、アラートを出力するアラート処理について、図１２を参照して説明する。アラートシステム１は、このアラート処理を、対象の患者と対象の疾病を特定して、定期的に、例えば５分おきに実行する。この実行間隔は、上述のサンプリング間隔と同程度であることが好ましい。

アラートシステム１がアラート処理を開始すると、生体データ取得部１１は、医療機器２から送信される生体データを受信することによって、リアルタイムに生体データを取得する（ステップＳ３０１）。生体データ取得部１１は、受信した生体データを記憶部３０に格納し、少なくとも３０分間（特徴量窓時間）以上保持しておく。そして、生体データ取得部１１は、保持しておいた生体データと受信した生体データとで合わせて３０分間分の生体データに基づいて、患者ごとの特徴量を算出する。

次に、発症予測部１５は、患者ごとにステップＳ３０１で生体データ取得部１１が算出した特徴量に、予測モデル（予測モデル構築処理のステップＳ１４で構築し、または予測モデル再構築処理のステップＳ２５で再構築した予測モデル）を適用して、アラート対象期間内に疾病が発症する確率を表す予測スコアを算出する（ステップＳ３０２）。以下、ステップＳ３１０までは、患者ごとに実行する処理である。

次に、発症予測部１５は、ステップＳ３０２で発症予測部１５が算出した予測スコアが、アラート出力用の閾値（予測モデル構築処理のステップＳ１５で決定し、または予測モデル再構築処理のステップＳ２６で更新したアラート出力用の閾値）以上であるか否かを判定する（ステップＳ３０３）。このステップＳ３０３は、予測対象患者が疾病を基準期間内に発症するか否かを予測する発症予測ステップであり、このステップにおいて、発症予測部１５は、発症予測手段として機能する。

発症予測部１５が、予測スコアが閾値以上であると判定すると（ステップＳ３０３：Ｙｅｓ）、アラート情報出力部１６は、アラート情報を生成する（ステップＳ３０４）。具体的には、アラート情報出力部１６は、アラート原因分類条件（予測モデル構築処理のステップＳ１６で構築し、または予測モデル再構築処理のステップＳ２７で更新したアラート原因分類条件）に基づいて、生体データの主成分得点を算出し、分類を付与する。そして、アラート情報出力部１６は、算出した主成分得点と付与した分類を含むアラート情報を作成する。また、アラート情報には、算出した主成分に関連する特徴量または生体データを含めても良い。

一方、発症予測部１５が、予測スコアが閾値以上でないと判定すると（ステップＳ３０３：Ｎｏ）、アラートシステム１の制御部２０は、すべての予測対象者の処理を行ったか否かを判定する（ステップＳ３１１）。制御部２０が、すべての予測対象者の処理を行ったと判定すると（ステップＳ３１１：Ｙｅｓ）、制御部２０は、アラート処理を終了する。一方、制御部２０が、すべての予測対象の患者の処理を行っていないと判定すると（ステップＳ３１１：Ｎｏ）、発症予測部１５は、次の予測対象の患者の予測スコアを算出するステップＳ３０２の処理に戻る。なお、本例では患者一人ずつのデータを順次処理する例を示したが、制御部２０は、複数のプロセスを分散して実行することによって、複数の患者のデータを並行して処理してもよい。

続いて、アラート情報出力部１６は、生成したアラート情報を、病院ネットワーク５を介して、携帯端末４に送信する（ステップＳ３０５）。携帯端末４は、通知音を発するなど、医師にアラート情報の受信を通知するとともに、受信したアラート情報を画面に表示する。携帯端末４が表示する画面は、例えば、図１３に示すように、対象の疾病、予測スコア、主成分得点、付与された分類等が、視覚的に表示されたものである。携帯端末４は、受信したアラート情報に基づいて、このような画面を生成する。また、アラート情報出力部が画面に表示するアラート情報を生成して送信することによって、携帯端末４は、受信したアラート情報を表示しても良い。すなわち、アラート情報に含まれる対象の疾病、予測スコア、主成分得点、付与された分類等の情報を、視覚的に表示する情報に変換する処理は、アラートシステム１が行っても良いし、携帯端末４が行っても良い。また、一部の変換処理をアラートシステム１が行い、他の変換処理を携帯端末４が行っても良い。また、携帯端末４は、主成分に関連する特徴量または生体データ等を画面に表示しても良い。なお、これらのステップＳ３０４およびステップＳ３０５において、アラート情報出力部１６は、発症予測手段が疾病を発症すると予測した予測対象患者の生体データまたは生体データの特徴を表す特徴量に主成分分析を適用することによって、分類を付与したアラート情報を出力するアラート情報出力手段として機能する。

また、携帯端末４は、図１４に示すように、「投薬」、「監視継続」、「問題なし」等のアクションの選択肢を表示する。医師は、携帯端末４に表示された情報から患者の状況を把握し、取るべきアクションを決める。そして、医師は、携帯端末４を操作して、表示された選択肢のいずれかを選択する。携帯端末４は、選択されたアクションを表すアクション情報を、病院ネットワーク５を介して、アラートシステム１および病院情報システム３に送信する。

アクション情報取得部１７は、携帯端末４が送信したリアルタイムのアクション情報を、病院ネットワーク５を介して受信することによって、アクション情報を取得する（ステップＳ３０６）。このアクション情報は、予測対象のアクション情報であり、以下では、予測対象アクション情報と言う。アクション情報取得部１７は、機械学習において参照するために、取得した予測対象アクション情報を、対象の患者ＩＤとアラートを発した日時に紐付けて、記憶部３０に格納する。

次に、要注意情報出力部１９は、アクション情報取得部１７が取得した予測対象アクション情報が「問題なし」であるか否かを判定する（ステップＳ３０７）。要注意情報出力部１９は、アクション情報が「問題なし」であると判定すると（ステップＳ３０７：Ｙｅｓ）、要注意スコアを算出する（ステップＳ３０８）。具体的には、要注意情報出力部１９は、予測モデル再構築処理のステップＳ２８で設定または更新した要注意条件にしたがって、ステップＳ３０１において生体データ取得部１１が算出した患者の特徴量を分析し、要注意スコアを算出する。例えば、血圧の平均が１４０ｍｍＨｇ以上という条件（ルール）に対して、要注意スコアを０．９と規定する、という要注意条件がある場合、要注意情報出力部１９は、血圧の平均が１４３ｍｍＨｇである患者の要注意スコアを、この条件に合致するため、０．９と算出する。

一方、要注意情報出力部１９が、予測対象アクション情報が「問題なし」でないと判定すると（ステップＳ３０７：Ｎｏ）、アラートシステム１の制御部２０は、すべての予測対象者の処理を行ったか否かを判定するステップＳ３１１の処理に進む。

次に、要注意情報出力部１９は、要注意スコアが、予測モデル再構築処理のステップＳ２９で決定した要注意情報用の閾値以上であるか否かを判定する（ステップＳ３０９）。例えば、閾値が０．５、算出した要注意スコアが０．９である場合、要注意情報出力部１９は、要注意スコアが閾値以上であると判定する。要注意情報出力部１９は、要注意スコアが閾値以上であると判定すると（ステップＳ３０９：Ｙｅｓ）、要注意情報を生成し、病院ネットワーク５を介して携帯端末４に送信する（ステップＳ３１０）。そして、生体データ取得部１１が生体データを取得するステップＳ３０１の処理に戻る。一方、要注意情報出力部１９が、要注意スコアが閾値以上でないと判定すると（ステップＳ３０９：Ｎｏ）、アラートシステム１の制御部２０は、すべての予測対象者の処理を行ったか否かを判定するステップＳ３１１の処理に進む。ステップＳ３１０において、要注意情報出力部１９は、要注意情報を出力する要注意情報出力手段として機能する。

要注意情報には、合致したルール、要注意スコア等の情報が含まれる。そして、携帯端末４は、受信した要注意情報を表示する。また、アラート情報と同様に、要注意情報を画面表示用の情報に変換する処理は、アラートシステム１が行っても良いし、携帯端末４が行っても良い。また、一部の変換処理をアラートシステム１が行い、他の変換処理を携帯端末４が行っても良い。

このようにして、アラートシステム１は、対象の患者が特定の疾病を発症するかどうかを、予測モデルを適用して予測する。そして、疾病を発症すると予測した場合、病院ネットワーク５を介して携帯端末４にアラート情報を送信する。また、アラートシステム１は、携帯端末４に入力されたアクション情報を取得して、アクションが「問題なし」であった場合、要注意情報を送信するルールに合致するかを判定する。そして、ルールに合致すると判定した場合、アラートシステム１は、病院ネットワーク５を介して、携帯端末４に要注意情報を送信する。

本実施の形態のアラートシステム１によれば、疾病の発症を数時間前から予測し、医師に伝えることができる。実際、疾病によっては、発症の予兆が数時間前から現れていることが多い。例えば、図１５（ａ）に示す患者Ａのように、発症の数時間前の血圧が下降傾向であった場合、アラートシステム１のサンプル抽出部１３は、アラート対象期間を数時間以上に設定することによって、図１５（ａ）に示す特徴量窓期間の血圧を陽性サンプルとなる生体データとして抽出する。そして、アラートシステム１は、この範囲の血圧の傾きを特徴量として算出し、その特徴量を陽性サンプルとして学習して、血圧の傾きに基づく予測モデルを構築する。これによって、患者Ａと同様の兆候を現す患者に対して、疾病の発症を予測することができる。同様に、図１５（ｂ）に示す患者Ｂのように、発症の数時間前の血圧の変動が大きい場合、特徴量窓期間の範囲の血圧の分散または標準偏差を特徴量として算出して学習することで、血圧の分散または標準偏差に基づく予測モデルを構築する。これによって、患者Ｂと同様の兆候を現す患者に対して、疾病の発症を予測することができる。

本実施の形態のアラートシステム１は、疾病を発症した患者の生体データのうち、疾病を発症した時点から、疾病を発症した時点の基準期間前までの生体データの中から陽性サンプルとなる生体データを取得し、発症の基準期間前以前の生体データの中から陰性サンプルとなる生体データを抽出して学習に使用する。これによって、アラートシステム１は、同一の患者から、疾病を発症した時点から基準期間前までの生体データが現す特徴と、基準期間前以前の生体データが現す特徴とを対比して学習することができ、発症の起こる予兆を捉えることができる。

また、アラートシステム１は、予測モデル構築用の生体データのうち、発症時点のアラート対象期間と対象外期間の合計期間前から発症時点までの生体データであって、特徴量窓期間に対応する生体データを、特徴量窓期間の一部が重複するように複数抽出して陽性サンプルとする。これによって、疾病の発症の予兆を漏れの無い形でとらえることができるため、疾病の発症を正確に予測することができる。なお、陽性サンプルとなる生体データと陰性サンプルとなる生体データとを重複して取得することを避けるために、上述した対象外期間は、特徴量窓期間と同一期間とするのが好ましい。

本実施の形態のアラートシステム１は、医師が選択したアクション情報をサンプル抽出部１３によるサンプルの抽出方法に反映する。これによって、アラートシステム１は、患者に対する対応の内容を、機械学習の精度の向上に役立てることができる。特に、アラートシステム１は、抽出したサンプルが、疾病を発症すると予測された患者がアラート対象期間内に疾病を発症しなかった偽陽性サンプルであっても、医師がアラートを受けて「投薬」のアクションを選択した場合は、陰性サンプルではなく陽性サンプルとして扱う。これによって、実際には疾病を発症しなかった患者であっても、その患者に対する医療行為がなければ疾病が発症したと考えられる場合には、その患者の生体データから疾病を発症する予兆を取得することができる。

また、アラートシステム１は、抽出したサンプルが、疾病を発症すると予測された患者がアラート対象期間内に疾病を発症しなかった偽陽性サンプルであって、医師がアラートを受けて「問題なし」または「監視継続」のアクションを選択した場合は、陰性サンプルとして優先して抽出する。これによって、アラートシステム１は、誤った判断をした生体データについて、修正すべき判断として優先して学習することができる。

本実施の形態のアラートシステム１は、疾病を発症する予測した原因となる成分を、アラート原因分類条件を適用して分類し、アラート情報として、病院ネットワーク５を介して携帯端末４に送信する。これによって、医師は、対象の患者に対する対応を検討するための指針となる情報を得ることができる。

本実施の形態のアラートシステム１は、アラート情報を発した患者へのアクションが「問題なし」である場合に、要注意情報を生成して、病院ネットワーク５を介して携帯端末４に送信する。これによって、医師は判断の誤りに気付く機会が与えられる。

本実施の形態の生体データには、患者への投薬の情報、処置、環境情報等を含んでも良い。これによって、発症の予測、アラート情報の生成、要注意情報の生成などをより正確に判断することができる。例えば、投薬情報をアラート情報の分類に適用することによって、アラート情報を見た医師は、どのような投薬を行えば良いかを知ることができる。

本実施の形態では、サンプルとして陽性サンプルと陰性サンプルのみがある例を例示したが、本発明の範囲はこれに限られず、例えば、陽性サンプルでも陰性サンプルでも無いサンプルを適用しても良い。例えば、陽性とも陰性とも判断しないサンプル、すなわち、そのサンプルでは陽性か陰性かが特定できないということを学習するためのサンプルを適用しても良い。これによって、疾病発症予測装置は、陽性とも陰性とも判断つかない特徴量について学習することができるため、あいまいさを加味した予測モデルを構築することができる。

本実施の形態では、アラートシステム１は、予測スコアを算出し、それを閾値と比較することによって、予測対象の患者に疾病を発症するか否かを予測する。しかし、本発明の範囲はこれに限られず、予測対象の患者に疾病を発症するか否かを予測する限りにおいて、予測スコアを算出するのではなく、例えば、予測対象の患者が発症する予測を１、発症しない予測を０といったように、予測対象の患者に疾病を発症するか否かを直接算出しても良い。

本実施の形態では、アラートシステム１、医療機器２、病院情報システム３および携帯端末４の相互の通信は、病院ネットワーク５を介して行われている。しかし、本発明の範囲はこれに限られず、それぞれが専用線等で相互に直接通信を行っても良い。また、アラートシステム１が、医療機器２または病院情報システム３に内蔵されるか、または一体となっていても良い。

本実施の形態は、アラートシステム１の病院内での運用を例示している。しかし、本発明の範囲はこれに限られず、例えば、ウェアラブルセンサを使用して、必要な生体データを取得することができれば、在宅などの病院外で運用しても良い。

アラートシステム１は、専用の装置によらず、通常のコンピュータを用いて実現可能である。例えば、コンピュータに上述のいずれかを実行するためのプログラムを格納した記録媒体から該プログラムをコンピュータにインストールすることにより、上述の処理を実行するアラートシステム１を構成してもよい。また、複数のコンピュータが協同して動作することによって、１つのアラートシステム１を構成しても良い。

また、コンピュータにプログラムを供給するための手法は、任意である。例えば、通信回線、通信ネットワーク、通信システム等を介して供給しても良い。

また、上述の機能の一部をＯＳ（Operation System）が提供する場合には、ＯＳが提供する機能以外の部分をプログラムで提供すれば良い。

１…アラートシステム、２…医療機器、３…病院情報システム、４…携帯端末、５…病院ネットワーク、１１…生体データ取得部、１２…発症情報取得部、１３…サンプル抽出部、１４…予測モデル構築部、１５…発症予測部、１６…アラート情報出力部、１７…アクション情報取得部、１８…要注意条件設定部、１９…要注意情報出力部、２０…制御部、２１…ＣＰＵ、２２…ＲＡＭ、２３…ＲＯＭ、３０…記憶部、４０…通信部、１０１，１０２，１０３，１０４，１０５，１０６，１０７…陽性サンプルの対象期間を表す矢印、１０８，１０９，１１０，１１１…陰性サンプルの対象期間を表す矢印

Claims (9)

1. 予測対象の生体データと予測モデル構築用の生体データとを取得する生体データ取得手段と、
   前記予測モデル構築用の生体データに対応する患者が疾病を発症したか否かを表す発症情報を取得する発症情報取得手段と、
   前記発症情報が前記疾病を発症したことを表す場合、前記予測モデル構築用の生体データのうち、前記疾病を発症した発症時点の基準期間前から前記発症時点までの生体データから、陽性サンプルとなる生体データを抽出し、前記発症時点の前記基準期間前より以前の生体データから、陰性サンプルとなる生体データを抽出するサンプル抽出手段と、
   前記陽性サンプルを、前記基準期間内に前記疾病を発症するトレーニングデータとして使用し、前記陰性サンプルを、前記基準期間内に前記疾病を発症しないトレーニングデータとして使用することによって、予測モデルを構築する予測モデル構築手段と、
   前記予測対象の生体データと前記予測モデルとに基づいて、前記予測対象の生体データに対応する患者が、前記疾病を前記基準期間内に発症するか否かを予測する発症予測手段と、を備え、
   前記サンプル抽出手段は、抽出した前記陽性サンプルとなる生体データに所定の演算を行った結果を前記陽性サンプルとし、前記陰性サンプルとなる生体データに所定の演算を行った結果を前記陰性サンプルとする、
   疾病発症予測装置。
2. 前記サンプル抽出手段は、前記発症情報が、前記患者が前記疾病を発症したことを表す場合、前記予測モデル構築用の生体データのうち、前記発症時点の基準期間と所定期間の合計期間前から前記発症時点までの生体データであって、前記所定期間に対応する生体データを、前記所定期間の一部が重複するように複数抽出して前記陽性サンプルとする、
   ことを特徴とする請求項１に記載の疾病発症予測装置。
3. 前記予測モデル構築用の生体データに対応する患者に対して行った行為の内容を表すアクション情報を取得するアクション情報取得手段を備え、
   前記サンプル抽出手段は、前記アクション情報に基づいて、前記予測モデル構築用の生体データから優先的に抽出して、前記陽性サンプルまたは前記陰性サンプルとする、
   ことを特徴とする請求項１または２に記載の疾病発症予測装置。
4. 前記サンプル抽出手段は、前記アクション情報が、前記疾病の発症を回避するための行為であったことを表す場合には、前記予測モデル構築用の生体データに対応する患者が前記疾病を発症したものと仮定して、前記発症情報が前記疾病を発症したことを表す場合と同様に、前記陽性サンプルとなる生体データを抽出する、
   ことを特徴とする請求項３に記載の疾病発症予測装置。
5. 前記アクション情報取得手段は、前記発症予測手段が前記疾病を発症すると予測した前記予測対象の生体データに対応する患者に対して行った行為の内容を表す予測対象アクション情報をさらに取得し、
   前記生体データ取得手段は、前記行為が行われた患者の前記予測対象の生体データに対応するデータを、前記予測モデル構築用の生体データとして新たに取得し、
   前記サンプル抽出手段は、前記予測対象アクション情報が、前記疾病の発症を回避するための行為でなかったことを表す場合には、前記新たに取得した予測モデル構築用の生体データを、他の生体データよりも優先して抽出して前記陰性サンプルとする、
   ことを特徴とする請求項３または４に記載の疾病発症予測装置。
6. 前記予測モデル構築手段は、前記アクション情報が、前記疾病の発症を回避するための行為でなかったことを表し、前記発症情報が前記疾病を発症したことを表す場合に、前記予測対象の生体データに基づいて、前記疾病の発症を回避するための行為を行うべきであることを表す要注意情報を出力すべき条件を設定し、
   前記予測対象アクション情報が、前記疾病の発症を回避するための行為でなかったことを表す場合、前記予測モデル構築手段が設定した前記条件に基づいて、前記要注意情報を出力する要注意情報出力手段をさらに備える、
   ことを特徴とする請求項５に記載の疾病発症予測装置。
7. 前記発症予測手段が前記疾病を発症すると予測した場合、前記予測対象の生体データに基づいて、前記疾病を発症すると予測した原因となる成分をあらかじめ定められた方法により分類し、アラート情報として出力するアラート情報出力手段をさらに備える、
   ことを特徴とする請求項１から６のいずれか１項に記載の疾病発症予測装置。
8. 予測対象の生体データと予測モデル構築用の生体データとを取得する生体データ取得ステップと、
   前記予測モデル構築用の生体データに対応する患者が疾病を発症したか否かを表す発症情報を取得する発症情報取得ステップと、
   前記発症情報が、前記疾病を発症したことを表す場合、前記予測モデル構築用の生体データのうち、前記疾病を発症した発症時点の基準期間前から前記発症時点までの生体データから、陽性サンプルとなる生体データを抽出し、前記発症時点の前記基準期間前より以前の生体データから、陰性サンプルとなる生体データを抽出するサンプル抽出ステップと、
   前記陽性サンプルを、前記基準期間内に前記疾病を発症するトレーニングデータとして使用し、前記陰性サンプルを、前記基準期間内に前記疾病を発症しないトレーニングデータとして使用することによって、予測モデルを構築する予測モデル構築ステップと、
   前記予測対象の生体データと前記予測モデルとに基づいて、前記予測対象の生体データに対応する患者が、前記疾病を前記基準期間内に発症するか否かを予測する発症予測ステップと、を備え、
   前記サンプル抽出ステップでは、抽出した前記陽性サンプルとなる生体データに所定の演算を行った結果を前記陽性サンプルとし、前記陰性サンプルとなる生体データに所定の演算を行った結果を前記陰性サンプルとする、
   疾病発症予測方法。
9. コンピュータに、
   予測対象の生体データと予測モデル構築用の生体データとを取得する生体データ取得ステップと、
   前記予測モデル構築用の生体データに対応する患者が疾病を発症したか否かを表す発症情報を取得する発症情報取得ステップと、
   前記発症情報が、前記疾病を発症したことを表す場合、前記予測モデル構築用の生体データのうち、前記疾病を発症した発症時点の基準期間前から前記発症時点までの生体データから、陽性サンプルとなる生体データを抽出し、前記発症時点の前記基準期間前より以前の生体データから、陰性サンプルとなる生体データを抽出するサンプル抽出ステップと、
   前記陽性サンプルを、前記基準期間内に前記疾病を発症するトレーニングデータとして使用し、前記陰性サンプルを、前記基準期間内に前記疾病を発症しないトレーニングデータとして使用することによって、予測モデルを構築する予測モデル構築ステップと、
   前記予測対象の生体データと前記予測モデルとに基づいて、前記予測対象の生体データに対応する患者が、前記疾病を前記基準期間内に発症するか否かを予測する発症予測ステップと、を実行させるためのプログラムであって、
   前記サンプル抽出ステップでは、抽出した前記陽性サンプルとなる生体データに所定の演算を行った結果を前記陽性サンプルとし、前記陰性サンプルとなる生体データに所定の演算を行った結果を前記陰性サンプルとする、
   プログラム。

Images