JP2019023790A - 死亡予測装置及び死亡予測プログラム - Google Patents
死亡予測装置及び死亡予測プログラム Download PDFInfo
- Publication number
- JP2019023790A JP2019023790A JP2017142577A JP2017142577A JP2019023790A JP 2019023790 A JP2019023790 A JP 2019023790A JP 2017142577 A JP2017142577 A JP 2017142577A JP 2017142577 A JP2017142577 A JP 2017142577A JP 2019023790 A JP2019023790 A JP 2019023790A
- Authority
- JP
- Japan
- Prior art keywords
- death
- time
- blood pressure
- prediction
- subject
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】被験者である患者に関する種々の情報に基づいて、被験者の死亡時刻を高精度で予測する死亡予測装置及び死亡予測プログラムを提供する。【解決手段】コンピュータ端末１０は、被験者である患者３０に関する複数種類の患者情報を、分オーダー以下の頻度で取得する取得手段と、取得手段によって取得された患者３０の患者情報を用いることによって、患者３０の死亡時刻を時間オーダー以下で予測する死亡予測手段と、をコンピュータに実行させるプログラムがインストールされており、上記の取得手段と死亡予測手段とを実現することができる。【選択図】図１
Description
本発明は、死亡予測装置及び死亡予測プログラムに関する。
近年、医療分野において、或る患者から計測された生体情報をその患者の治療や診断等に活用するだけではなく、他の患者の治療や診断等にも活用するための研究・開発が行われている。
この種の技術として、下記の特許文献１及び特許文献２を例示する。
この種の技術として、下記の特許文献１及び特許文献２を例示する。
特許文献１には、主に癌患者を対象として、過去の多数の患者に関する生体情報から、血液の解析結果とイベント（重症化、死亡など）の発生までの経過時間との関係を蓄積しておき、その回帰分析を用いて、被験者となる患者における同様のイベント発生の時期を予測する予測装置が開示されている。本発明におけるイベント発生の時期予測の精度（スケール）は、解析対象における特定の疾患の発症又は解析対象の死亡を予測する場合には、１２月間〜１０日間であることが好ましく、６月間〜１月間であることが好ましいとされている。
特許文献２には、患者の心拍数の標準偏差（心拍変動性）、収縮期血圧、既往歴などをパラメータとし、これらを人工知能ベースのアプローチによって解析することで患者の生存性を予測する予測方法が記載されている。この予測方法も、特許文献１に係る予測装置と同様に、過去の多数の患者から計測された生体情報を蓄積しておき、そのデータに基づいて被験者の生存性を予測するものである。ここで生存性とは、患者が死亡するか生存するかであり、死亡率と言い換えることができる。
特許文献１の開示内容に基づいて死亡時を予測しても、予測可能な精度（スケール）が不十分であるため実用的ではなく、医療現場における用途は限定的であった。
特許文献２は、予測される死亡率が高い患者に対して優先して治療介入すべき旨を、医療関係者に促すものであって、死亡時を予測するものではない。
特許文献２は、予測される死亡率が高い患者に対して優先して治療介入すべき旨を、医療関係者に促すものであって、死亡時を予測するものではない。
本発明は、上記の課題に鑑みなされたものであり、被験者である患者に関する種々の情報に基づいて、被験者の死亡時刻を高精度で予測する死亡予測装置及び死亡予測プログラムを提供するものである。
本発明によれば、被験者に関する複数種類の患者情報を、分オーダー以下の頻度で取得する取得手段と、前記取得手段によって取得された前記被験者の患者情報を用いることによって、前記被験者の死亡時刻を時間オーダー以下で予測する死亡予測手段と、を備える死亡予測装置が提供される。
本発明によれば、被験者に関する複数種類の患者情報を、分オーダー以下の頻度で取得する取得手段と、前記取得手段によって取得された前記被験者の患者情報を用いることによって、前記被験者の死亡時刻を時間オーダー以下で予測する死亡予測手段と、をコンピュータに実行させるための死亡予測プログラムが提供される。
上記発明によれば、従来技術に比べてより高い頻度（分オーダー以下）で取得した患者情報を用いた処理によって死亡時刻を予測するので、その予測についてより高い精度（時間オーダー以下）を実現することができる。
本発明によれば、被験者である患者に関する種々の情報に基づいて、被験者の死亡時刻を高精度で予測する死亡予測装置及び死亡予測プログラムが提供される。
以下、本発明の実施形態について、図面を用いて説明する。なお、すべての図面において、同様の構成要素には同一の符号を付し、適宜に説明を省略する。
＜本発明に係る死亡予測装置について＞
まず、本発明に係る死亡予測装置について図１及び図２を用いて説明する。
図１は、本発明を実現するためのシステム構成図である。図２は、コンピュータ端末１０の表示画面の一具体例を示す図である。
まず、本発明に係る死亡予測装置について図１及び図２を用いて説明する。
図１は、本発明を実現するためのシステム構成図である。図２は、コンピュータ端末１０の表示画面の一具体例を示す図である。
本発明に係る死亡予測装置は、例えば、専用のアプリケーションソフト（本発明に係る死亡予測プログラム）がインストールされたコンピュータ端末１０によって実現される。
コンピュータ端末１０は、当該アプリケーションソフトに係る処理を実行することによって後述する各機能を実現することができ、その実現に必要なハードウェア資源を含んでいる。ここでハードウェア資源とは、具体的には、コンピュータ端末１０に内蔵されているＣＰＵやメモリ、利用者の操作入力を受け付ける入力装置、及び利用者の操作や各機能の実現に必要な画面や音声等を出力する出力装置等を例示することができる。
コンピュータ端末１０は、当該アプリケーションソフトに係る処理を実行することによって後述する各機能を実現することができ、その実現に必要なハードウェア資源を含んでいる。ここでハードウェア資源とは、具体的には、コンピュータ端末１０に内蔵されているＣＰＵやメモリ、利用者の操作入力を受け付ける入力装置、及び利用者の操作や各機能の実現に必要な画面や音声等を出力する出力装置等を例示することができる。
コンピュータ端末１０は、少なくとも以下の機能を実現することができる。
第一の機能は、被験者に関する複数種類の患者情報を、分オーダー以下の頻度で取得するものである（以下、取得手段と称する）。
第二の機能は、取得手段によって取得された被験者の患者情報を用いることによって、被験者の死亡時刻を時間オーダー以下で予測するものである（以下、死亡予測手段と称する）。
ここで分オーダー以下とは、コンピュータ端末１０が患者情報を取得する時間間隔が１時間（６０分）を超えない範囲であることをいい、より好ましくは１０分を超えない範囲であることをいう。本実施形態では、コンピュータ端末１０による患者情報の取得に係る時間間隔は原則として１分間隔である。また、ここで時間オーダー以下とは、コンピュータ端末１０が患者情報を取得する時間間隔が１日（２４時間）を超えない範囲であることをいい、より好ましくは半日（１２時間）を超えない範囲であることをいう。
なお、コンピュータ端末１０は、死亡時刻の予測に用いる複数種類の患者情報の全てを分オーダー以下の頻度で取得する必要はなく、その一部については一度取得したものを繰り返し用いてもよい。
第一の機能は、被験者に関する複数種類の患者情報を、分オーダー以下の頻度で取得するものである（以下、取得手段と称する）。
第二の機能は、取得手段によって取得された被験者の患者情報を用いることによって、被験者の死亡時刻を時間オーダー以下で予測するものである（以下、死亡予測手段と称する）。
ここで分オーダー以下とは、コンピュータ端末１０が患者情報を取得する時間間隔が１時間（６０分）を超えない範囲であることをいい、より好ましくは１０分を超えない範囲であることをいう。本実施形態では、コンピュータ端末１０による患者情報の取得に係る時間間隔は原則として１分間隔である。また、ここで時間オーダー以下とは、コンピュータ端末１０が患者情報を取得する時間間隔が１日（２４時間）を超えない範囲であることをいい、より好ましくは半日（１２時間）を超えない範囲であることをいう。
なお、コンピュータ端末１０は、死亡時刻の予測に用いる複数種類の患者情報の全てを分オーダー以下の頻度で取得する必要はなく、その一部については一度取得したものを繰り返し用いてもよい。
コンピュータ端末１０が、被験者の死亡時刻を予測するために用いる患者情報には、患者の個人的属性に係る情報（例えば、患者の氏名、性別、年齢、疾患名、患者の識別番号等）及び患者の生体情報（例えば、体温、心拍数、呼吸数、酸素飽和度、血圧等）が含まれうる。なお、ここで血圧とは、収縮期血圧、拡張期血圧、平均血圧のいずれもが該当しうる。
コンピュータ端末１０による患者情報の取得先は、例えば、計測器２０及びデータベース４０である。
計測器２０は、被験者である患者３０の生体情報（バイタルサイン）を経時的に計測する装置である。図１において計測器２０は単独の装置であるかのように図示しているが、複数の装置の集合体であってもよい。
データベース４０は、複数の患者について経時的に取得された複数種類の患者情報を蓄積している。データベース４０は、本発明の導入を目的として設けられた専用のデータベースであってもよいし、本発明とは別に導入されているシステム（例えば、電子カルテシステム）のために設けられた一般的なデータベースであってもよい。
なお、図１において、コンピュータ端末１０は、計測器２０及びデータベース４０と直接的に接続されているように図示するが、不図示のコンピュータネットワークを介して計測器２０及びデータベース４０からデータを取得してもよい。また、コンピュータ端末１０は、計測器２０によって計測された生体情報を、データベース４０に一旦蓄積した後にデータベース４０から取得してもよい。
計測器２０は、被験者である患者３０の生体情報（バイタルサイン）を経時的に計測する装置である。図１において計測器２０は単独の装置であるかのように図示しているが、複数の装置の集合体であってもよい。
データベース４０は、複数の患者について経時的に取得された複数種類の患者情報を蓄積している。データベース４０は、本発明の導入を目的として設けられた専用のデータベースであってもよいし、本発明とは別に導入されているシステム（例えば、電子カルテシステム）のために設けられた一般的なデータベースであってもよい。
なお、図１において、コンピュータ端末１０は、計測器２０及びデータベース４０と直接的に接続されているように図示するが、不図示のコンピュータネットワークを介して計測器２０及びデータベース４０からデータを取得してもよい。また、コンピュータ端末１０は、計測器２０によって計測された生体情報を、データベース４０に一旦蓄積した後にデータベース４０から取得してもよい。
コンピュータ端末１０が取得した患者情報の少なくとも一部は、コンピュータ端末１０の表示画面に表示される。図２に、当該表示画面の一具体例を図示する。
図２に示すように、コンピュータ端末１０の表示画面は、主に４つの部分に大別することができる。図２において、これらの４つの部分を破線で囲って示す。なお、これらの破線は実際に表示されるものではない。
図２に示すように、コンピュータ端末１０の表示画面は、主に４つの部分に大別することができる。図２において、これらの４つの部分を破線で囲って示す。なお、これらの破線は実際に表示されるものではない。
最上段に位置する患者属性表示部ＤＲ１は、被験者（患者３０）の個人的属性に係る情報を表示する領域である。本実施形態においては、患者の識別番号、氏名、入室時年齢、性別、転入した診療科、入室分類番号又は手術分類番号、滞在日数、及び診断された疾患名が、患者属性表示部ＤＲ１に表示される。
なお、診断された疾患名は、複数表示することが可能に構成されているが、図２においては一種類のみが表示されている状態を図示している。
なお、診断された疾患名は、複数表示することが可能に構成されているが、図２においては一種類のみが表示されている状態を図示している。
中段右側に位置する指標推移表示部ＤＲ２は、修正型早期警告スコア及びショックインデックスの時間的変化を表示する領域である。本実施形態における指標推移表示部ＤＲ２の表示は、縦軸が修正型早期警告スコア又はショックインデックスであり、横軸が時間である。また、修正型早期警告スコア及びショックインデックスの推移は実線で示し、各々に＋１σを載せた値の推移は一点鎖線で示し、各々に−１σを載せた値の推移は二点鎖線で示す。ここでσは、修正型早期警告スコア又はショックインデックスの標準偏差である。
上記の修正型早期警告スコア及びショックインデックスが経時的に変化する様を観察することにより、患者の容態が現状より悪化するか改善するかは予測が可能である。さらに、各々に±１σを載せた値も参照して修正型早期警告スコア及びショックインデックスのバラツキを解析することにより、更に高い精度で患者の容態を予測することができる。
なお、指標推移表示部ＤＲ２における横軸には上限が設定される。例えば、図２においては２０分を上限とし、その範囲内で修正型早期警告スコア及びショックインデックスの時間的変化が表示される。指標推移表示部ＤＲ２に表示される時間帯は、後述の時間帯表示部ＤＲ４に表示される。
上記の修正型早期警告スコア及びショックインデックスが経時的に変化する様を観察することにより、患者の容態が現状より悪化するか改善するかは予測が可能である。さらに、各々に±１σを載せた値も参照して修正型早期警告スコア及びショックインデックスのバラツキを解析することにより、更に高い精度で患者の容態を予測することができる。
なお、指標推移表示部ＤＲ２における横軸には上限が設定される。例えば、図２においては２０分を上限とし、その範囲内で修正型早期警告スコア及びショックインデックスの時間的変化が表示される。指標推移表示部ＤＲ２に表示される時間帯は、後述の時間帯表示部ＤＲ４に表示される。
中段左側に位置するモデル表示部ＤＲ３は、静的スコアリングモデルを表示する領域である。ここで静的スコアリングモデルとは、患者情報又は患者情報に基づいて導出される複数の指標値（例えば、修正型早期警告スコア及びショックインデックス等）を、縦軸と横軸にそれぞれ対応付けて表示する二次元モデルである。
本実施形態における静的スコアリングモデルは、状態安定ゾーンＮＺ、要注意ゾーンＷＺ、及び末期ゾーンＴＺの３つの領域の区分されている。状態安定ゾーンＮＺが患者３０の容態が最も安定していることを示す領域であり、末期ゾーンＴＺが患者３０の容態が最も危険な状態であることを示す領域である。
なお、本実施形態では説明の便宜上、これらの３つの領域を識別可能に図示したが、コンピュータ端末１０は必ずしも各領域を識別可能に表示しなくてもよい。
本実施形態における静的スコアリングモデルは、状態安定ゾーンＮＺ、要注意ゾーンＷＺ、及び末期ゾーンＴＺの３つの領域の区分されている。状態安定ゾーンＮＺが患者３０の容態が最も安定していることを示す領域であり、末期ゾーンＴＺが患者３０の容態が最も危険な状態であることを示す領域である。
なお、本実施形態では説明の便宜上、これらの３つの領域を識別可能に図示したが、コンピュータ端末１０は必ずしも各領域を識別可能に表示しなくてもよい。
最下段に位置する時間帯表示部ＤＲ４は、その時点で指標推移表示部ＤＲ２に表示される時間帯が、全体時間のいずれの部分に該当するかを表示する領域である。より詳細には、全体時間のうち選択領域ＳＲ（時間帯表示部ＤＲ４中の網掛け部分）が指標推移表示部ＤＲ２に表示される時間帯に該当する。
上記のようなコンピュータ端末１０の表示画面を表示することにより、患者３０の全身状態（容態）の「見える化」を図ることができる。
以下、本発明が有する各特徴について、それぞれ詳細に説明する。
以下、本発明が有する各特徴について、それぞれ詳細に説明する。
＜死亡時刻の予測関数について＞
データベース４０に蓄積されている過去の入院患者のうち、集中治療室内で死亡確認を行った患者１９人を対象として選択し、これらの患者に関する患者情報に基づいて死亡時刻の予測関数を構築することを検討した。
図３は、集中治療室で亡くなった１９人の患者に関するショックインデックスの推移を表しており、ショックインデックスを縦軸とし、死亡するまでの時間（分）を横軸としている。なお、図３に表すデータ群は、収縮期血圧が８０ｍｍＨｇを下回ってから、心拍数が０（零）になるまでのデータ（計１２０３８ポイント）を集積してマッピングしたものである。
図３を見ると、ショックインデックスの値と死亡までの時間に相関は認められないため、単にショックインデックスのみを用いて死亡予測をするのは困難と思われる。
データベース４０に蓄積されている過去の入院患者のうち、集中治療室内で死亡確認を行った患者１９人を対象として選択し、これらの患者に関する患者情報に基づいて死亡時刻の予測関数を構築することを検討した。
図３は、集中治療室で亡くなった１９人の患者に関するショックインデックスの推移を表しており、ショックインデックスを縦軸とし、死亡するまでの時間（分）を横軸としている。なお、図３に表すデータ群は、収縮期血圧が８０ｍｍＨｇを下回ってから、心拍数が０（零）になるまでのデータ（計１２０３８ポイント）を集積してマッピングしたものである。
図３を見ると、ショックインデックスの値と死亡までの時間に相関は認められないため、単にショックインデックスのみを用いて死亡予測をするのは困難と思われる。
医療現場において、患者が死亡に向かうタイミングを医師が判断する場合、血圧、心拍数、呼吸数等を判断基準として用いており、且つ患者の年齢や性別も考慮に入れられる。このような実臨床に即した予測を可能にするために、患者の年齢、性別、血圧、心拍数、呼吸数に焦点を当てた予測関数を二つ導出した。
二つの予測関数は、重回帰分析により導出されたモデルである点において共通しており、その解析に用いられる元データが異なる点において相違する。
二つの予測関数は、重回帰分析により導出されたモデルである点において共通しており、その解析に用いられる元データが異なる点において相違する。
一つ目の予測関数は、集中治療室で亡くなった多数の患者のバイタルサインのうち収縮期血圧が８０ｍｍＨｇ以下となったデータを解析することによって導出されたものである。具体的には、以下の手順によって一つ目の予測関数を導出した。
選択した患者に関する患者情報において、収縮期血圧が８０ｍｍＨｇ以下の時間が１０分以上続き、その後も血圧の上昇が見られないタイミングをデータ抽出の開始時間とした。
心拍数が０となる時間を死亡時刻とし、死亡時刻を基準（０分）とした上で、それより前の各タイミングに実時間を遡るように時間を分単位で割り振った。従って、この解析対象となる各患者情報は、「死亡までｎ分（ｎは整数）」の時点における患者情報と換言できる。
上記のように抽出された患者情報のうち、収縮期血圧の数値が他の時点と比べて明らかに乱れているものについては、血液ガス分析等の影響を受けた血圧数値と思われるため解析対象から除外した。
残りの患者情報を用いて、死亡までの時間（T1）を連続変数の目的とする重回帰分析を行い、年齢（Age）、性別（Male, Female）、収縮期血圧（SBP）、心拍数（HR）及び呼吸数（RR）を変数とする以下の予測関数を導出した。なお、収縮期血圧、拡張期血圧、平均血圧は互いに相関関係にあるため、本実施形態においては収縮期血圧のみを変数としたが、これに代えて拡張期血圧や平均血圧を用いることも可能である。
選択した患者に関する患者情報において、収縮期血圧が８０ｍｍＨｇ以下の時間が１０分以上続き、その後も血圧の上昇が見られないタイミングをデータ抽出の開始時間とした。
心拍数が０となる時間を死亡時刻とし、死亡時刻を基準（０分）とした上で、それより前の各タイミングに実時間を遡るように時間を分単位で割り振った。従って、この解析対象となる各患者情報は、「死亡までｎ分（ｎは整数）」の時点における患者情報と換言できる。
上記のように抽出された患者情報のうち、収縮期血圧の数値が他の時点と比べて明らかに乱れているものについては、血液ガス分析等の影響を受けた血圧数値と思われるため解析対象から除外した。
残りの患者情報を用いて、死亡までの時間（T1）を連続変数の目的とする重回帰分析を行い、年齢（Age）、性別（Male, Female）、収縮期血圧（SBP）、心拍数（HR）及び呼吸数（RR）を変数とする以下の予測関数を導出した。なお、収縮期血圧、拡張期血圧、平均血圧は互いに相関関係にあるため、本実施形態においては収縮期血圧のみを変数としたが、これに代えて拡張期血圧や平均血圧を用いることも可能である。
上記のように、一つ目の予測関数は、過去に死亡している複数の患者について、収縮期血圧が所定値以下になってから死亡時刻までの期間における単位時間ごとの収縮期血圧、心拍数及び呼吸数を、各患者の年齢及び性別も考慮に入れて統計解析することにより得られる関数と換言できる。
そして、コンピュータ端末１０は、被験者である患者３０の収縮期血圧が所定値以下である時間が一定以上継続した時点において取得された収縮期血圧、心拍数及び呼吸数、更に患者３０の年齢と性別を、一つ目の予測関数に代入することによって、患者３０の死亡時刻を時間オーダー以下で予測することができる。
そして、コンピュータ端末１０は、被験者である患者３０の収縮期血圧が所定値以下である時間が一定以上継続した時点において取得された収縮期血圧、心拍数及び呼吸数、更に患者３０の年齢と性別を、一つ目の予測関数に代入することによって、患者３０の死亡時刻を時間オーダー以下で予測することができる。
次に、二つ目の予測関数は、集中治療室で亡くなった多数の患者のバイタルサインのうち死亡した時刻から１２０分前までのデータを解析することによって導出されたものである。具体的には、以下の手順によって二つ目の予測関数を導出した。
まず、上記と同様の１９人の患者を対象として選択した。
選択した患者に関する患者情報において、心拍数が０となる時間を死亡時刻とし、死亡時刻を基準（０分）とした上で、それより前の各タイミングに実時間を遡るように時間を分単位で割り振った。そして、死亡時刻から１２０分前までの患者情報を抽出した。
抽出した患者情報を用いて、死亡までの時間（T2）を連続変数の目的とする重回帰分析を行い、年齢（Age）、性別（Male, Female）、収縮期血圧（SBP）、心拍数（HR）及び呼吸数（RR）を変数とする以下の予測関数を導出した。なお、収縮期血圧が拡張期血圧や平均血圧に代替可能である点については、一つ目の予測関数と同様である。
まず、上記と同様の１９人の患者を対象として選択した。
選択した患者に関する患者情報において、心拍数が０となる時間を死亡時刻とし、死亡時刻を基準（０分）とした上で、それより前の各タイミングに実時間を遡るように時間を分単位で割り振った。そして、死亡時刻から１２０分前までの患者情報を抽出した。
抽出した患者情報を用いて、死亡までの時間（T2）を連続変数の目的とする重回帰分析を行い、年齢（Age）、性別（Male, Female）、収縮期血圧（SBP）、心拍数（HR）及び呼吸数（RR）を変数とする以下の予測関数を導出した。なお、収縮期血圧が拡張期血圧や平均血圧に代替可能である点については、一つ目の予測関数と同様である。
上記のように、二つ目の予測関数は、過去に死亡している複数の患者について、死亡時刻の所定時間前から死亡時刻までの期間における単位時間ごとの収縮期血圧、心拍数及び呼吸数を、各患者の年齢及び性別も考慮に入れて統計解析することにより得られる関数と換言できる。
そして、コンピュータ端末１０は、被験者である患者３０が死亡時刻の所定時間前になったものと推定される時点において取得された収縮期血圧、心拍数及び呼吸数、更に患者３０の年齢と性別を、二つ目の予測関数に代入することによって、患者３０の死亡時刻を時間オーダー以下で予測することができる。ここで所定時間とは、コンピュータ端末１０による死亡時刻の予測精度以下、即ち時間オーダー以下であることが望ましく、より好ましくは数時間程度である。
なお、死亡時刻の所定時間前を推定する方法については、後述する。
そして、コンピュータ端末１０は、被験者である患者３０が死亡時刻の所定時間前になったものと推定される時点において取得された収縮期血圧、心拍数及び呼吸数、更に患者３０の年齢と性別を、二つ目の予測関数に代入することによって、患者３０の死亡時刻を時間オーダー以下で予測することができる。ここで所定時間とは、コンピュータ端末１０による死亡時刻の予測精度以下、即ち時間オーダー以下であることが望ましく、より好ましくは数時間程度である。
なお、死亡時刻の所定時間前を推定する方法については、後述する。
上述した二つの予測関数を用いた死亡予測は、死亡間際の或る時点における収縮期血圧、心拍数及び呼吸数を用いて、更に患者の年齢及び性別を加味しているという点において共通している。言い換えれば、コンピュータ端末１０（死亡予測手段）は、取得した被験者の患者情報を用いることによって被験者の死亡前の或る時点を基準時として定め、定めた基準時において取得した被験者の患者情報を予測関数に与えることによって、被験者の死亡時刻を予測することができる。ここで「基準時として定める」とは、コンピュータ端末１０（取得手段）が患者情報を取得したタイミングのいずれかを基準時として決定する処理であり、その決定はコンピュータ処理によって自動的に行われる態様であってもよいし、ユーザの手動で決定される態様であってもよいし、コンピュータ処理とユーザの手動の組み合わせた態様（例えば、コンピュータ処理によって複数の選択候補をユーザに提示した上でユーザが任意に選択する態様）であってもよい。
このように、コンピュータ端末１０は、死亡間際の或る時点（基準時）における患者情報に即した予測関数を用いて、その基準時の到来を待ってから死亡時刻を予測するので、極めて高い精度（時間オーダー以下）で死亡時刻を予測することができる。
このように、コンピュータ端末１０は、死亡間際の或る時点（基準時）における患者情報に即した予測関数を用いて、その基準時の到来を待ってから死亡時刻を予測するので、極めて高い精度（時間オーダー以下）で死亡時刻を予測することができる。
＜修正型早期警告スコアを用いて死亡時刻の所定時間前を推定する方法＞
続いて、コンピュータ端末１０が二つ目の予測関数（Ｔ２を導出する予測関数）を用いることを前提として、死亡時刻の所定時間前を推定する方法の一具体例として、修正型早期警告スコアを用いる場合について説明する。
続いて、コンピュータ端末１０が二つ目の予測関数（Ｔ２を導出する予測関数）を用いることを前提として、死亡時刻の所定時間前を推定する方法の一具体例として、修正型早期警告スコアを用いる場合について説明する。
ここで修正型早期警告スコアの導出方法について説明する。以下の表は、修正型早期警告スコアの導出に用いられるものである。
コンピュータ端末１０は、単位時間ごとに取得した呼吸数（RR）、酸素飽和度（SpO2）、体温（BT）、収縮期血圧（ABPs）、及び心拍数（HR）を上表に照らし合わせることによって、各項目のスコアを求める。そして、求めたスコアの合算値が修正型早期警告スコアになる。従って、例えば、或る時点における患者３０の患者情報が、呼吸数１８回、酸素飽和度９５％、体温が３８．５度、収縮期血圧が１００ｍｍＨｇ、心拍数１００回であった場合、修正型早期警告スコアは５（＝０＋１＋１＋２＋１）になる。
上記のように導出されるため、修正型早期警告スコアは０（零）以上の整数として導出される。
上記のように導出されるため、修正型早期警告スコアは０（零）以上の整数として導出される。
図４は、集中治療室において治療介入が行われた３人の患者について導出された修正型早期警告スコアの経時的な変化を表す図である。図４に図示される各プロットは、その時点での修正型早期警告スコアの実測値を示している。また、図４に図示される実線は、その時点から２０分前までの修正型早期警告スコアの平均値を示している。なお、図４においては、治療介入が行われた時点を「１００分」とし、その治療介入時より５０分前を「５０分」、その治療介入時より１００分前を「０分」としている。
図４に示すように、修正型早期警告スコアの平均値は、治療介入時に向けて経時的に増加傾向になっている。このような修正型早期警告スコアの変化に係る傾向性に基づいて、コンピュータ処理によって自動的に患者が重症化したこと（死亡時刻が間際であること）を推定することが可能である。
より具体的には、コンピュータ端末１０は、心拍数、収縮期血圧、呼吸数、酸素飽和度及び体温に基づいて導出される修正型早期警告スコア（第１指標値）を、取得した被験者の患者情報を用いて単位時間ごとに導出する。そして、コンピュータ端末１０は、導出した修正型早期警告スコアのうち最高値と最低値の差分を、当該最高値に対応する時点と当該最低値に対応する時点の差分で除した傾き指数が閾値を超えた時点を、死亡時刻の所定時間前に到達したものと推定して、当該時点を上記の基準時として定めることができる。
より具体的には、コンピュータ端末１０は、心拍数、収縮期血圧、呼吸数、酸素飽和度及び体温に基づいて導出される修正型早期警告スコア（第１指標値）を、取得した被験者の患者情報を用いて単位時間ごとに導出する。そして、コンピュータ端末１０は、導出した修正型早期警告スコアのうち最高値と最低値の差分を、当該最高値に対応する時点と当該最低値に対応する時点の差分で除した傾き指数が閾値を超えた時点を、死亡時刻の所定時間前に到達したものと推定して、当該時点を上記の基準時として定めることができる。
なお、上述した修正型早期警告スコアの最高点と最低点の間の角度（傾き指数）に基づく推定方法は、一具体例である。この他にも、修正型早期警告スコアのプロットパターンの変化（揺らぎ）や修正型早期警告スコアに関する標準偏差からのバラツキ等を用いた推定方法（即ち、図２に図示する指標推移表示部ＤＲ２に対する解析に基づく推定方法）も、本発明の実施において有用である。
＜回帰分析を用いて死亡時刻の所定時間前を推定する方法＞
続いて、コンピュータ端末１０が二つ目の予測関数（Ｔ２を導出する予測関数）を用いることを前提として、死亡時刻の所定時間（例えば２時間）前を推定する方法の一具体例として、回帰分析を用いる場合について説明する。
この方法は、収縮期血圧と心拍数に着目し、ショックインデックスと収縮期血圧を用いるものである。通常、自律神経が保たれている間は、収縮期血圧と心拍数は連動する。しかしながら、末期状態の患者で亡くなる時期には、この自動調節能が破綻すると思われ、ショックインデックスと収縮期血圧の関係に大きな乱れが生じる。
続いて、コンピュータ端末１０が二つ目の予測関数（Ｔ２を導出する予測関数）を用いることを前提として、死亡時刻の所定時間（例えば２時間）前を推定する方法の一具体例として、回帰分析を用いる場合について説明する。
この方法は、収縮期血圧と心拍数に着目し、ショックインデックスと収縮期血圧を用いるものである。通常、自律神経が保たれている間は、収縮期血圧と心拍数は連動する。しかしながら、末期状態の患者で亡くなる時期には、この自動調節能が破綻すると思われ、ショックインデックスと収縮期血圧の関係に大きな乱れが生じる。
図５は、血圧低下（収縮期血圧が８０ｍｍＨｇを下回って）から、心拍数が０（零）になるまでの収縮期血圧とショックインデックスをプロットし、線形回帰分析と非線形回帰分析を行ったものである。
全てのデータを用いるとバラツキがあり、関係性は明白ではない（図５（ａ）参照）。そこで、データを２時間前から死亡まで（図５（ｂ）参照）と、血圧低下から２時間前まで（図５（ｃ）参照）に分類した。なお、非線形回帰分析には、指数関数指数関数的減衰（one exponential decay）が当てはまると仮定して解析に用いた。
死亡２時間前までのプロットで算出された非線形回帰分析から外れてくる点は、自律神経の失調により、収縮期血圧と心拍数の連動がストップしてしまっており、死期が近いものと考えられる。
全てのデータを用いるとバラツキがあり、関係性は明白ではない（図５（ａ）参照）。そこで、データを２時間前から死亡まで（図５（ｂ）参照）と、血圧低下から２時間前まで（図５（ｃ）参照）に分類した。なお、非線形回帰分析には、指数関数指数関数的減衰（one exponential decay）が当てはまると仮定して解析に用いた。
死亡２時間前までのプロットで算出された非線形回帰分析から外れてくる点は、自律神経の失調により、収縮期血圧と心拍数の連動がストップしてしまっており、死期が近いものと考えられる。
上記のような観点から、次のような非線形回帰分析を行い、死亡時刻の２時間前を推定する方法を構築した。
まず、上述した死亡時刻の予測関数を構築する際に解析対象とした、集中治療室内で死亡確認を行った患者１９人に関する患者情報のうち、収縮期血圧が８０ｍｍＨｇ以下に低下した以降の全データ１２０５０ポイントのデータを抽出した。
そして、抽出した１２０５０ポイントのデータのうち、アーチファクトなどの不適切データ（１２ポイント）を除外して、１２０３８ポイントを解析対象として選択した。これらのうち、血圧低下から死亡２時間前までのデータ群に該当するもの（Volatile data set）は９９１５ポイント存在し、死亡２時間前から死亡までのデータ群に該当するもの（Terminal data set）は２１１１ポイント存在する。
血圧低下から死亡２時間前までのデータ群及び死亡２時間前から死亡までのデータ群のそれぞれからランダムに、予測式を構築するためのセット（Development Set；以下、構築セットと称する）と、予測式の妥当性を評価するセット（Validation Set；以下、評価セットと称する）とに分けた。この結果、血圧低下から死亡２時間前までのデータ群に係る構築セットは７９８２ポイントとなり、当該データ群に係る評価セットは１９８３ポイントとなった。そして死亡２時間前から死亡までのデータ群に係る構築セットは１６８９ポイントとなり、当該データ群に係る評価セットは４２２ポイントとなった。
図６に、上記に示す回帰分析の対象となるデータ群の分類方法を可視化した図を示す。
そして、抽出した１２０５０ポイントのデータのうち、アーチファクトなどの不適切データ（１２ポイント）を除外して、１２０３８ポイントを解析対象として選択した。これらのうち、血圧低下から死亡２時間前までのデータ群に該当するもの（Volatile data set）は９９１５ポイント存在し、死亡２時間前から死亡までのデータ群に該当するもの（Terminal data set）は２１１１ポイント存在する。
血圧低下から死亡２時間前までのデータ群及び死亡２時間前から死亡までのデータ群のそれぞれからランダムに、予測式を構築するためのセット（Development Set；以下、構築セットと称する）と、予測式の妥当性を評価するセット（Validation Set；以下、評価セットと称する）とに分けた。この結果、血圧低下から死亡２時間前までのデータ群に係る構築セットは７９８２ポイントとなり、当該データ群に係る評価セットは１９８３ポイントとなった。そして死亡２時間前から死亡までのデータ群に係る構築セットは１６８９ポイントとなり、当該データ群に係る評価セットは４２２ポイントとなった。
図６に、上記に示す回帰分析の対象となるデータ群の分類方法を可視化した図を示す。
血圧低下から死亡２時間前までのデータ群に係る構築セットに含まれる７９８２ポイントのデータ群のうち、６２９３ポイントのデータ群を用いて非線形回帰分析を行い、以下の予測式を導出した。
なお、上式における決定係数（R-squared）は0.6996となった。ここで決定係数とは、独立変数である収縮期血圧（SBP）によって説明される応答変数であるショックインデックス（SI）の変化に比例する量を表す指標である。
図７は、上述したショックインデックスの予測式とショックインデックスの実測値との対比を表す図である。
図７（ａ）は、血圧低下から死亡２時間前までのデータ群に係る構築セットに含まれるデータのうち非線形回帰分析に用いた６２９３ポイントのデータを除く１６８９ポイントをプロットした上で、上記の予測式を表す曲線を挿入したものである。同図に示されているとおり、血圧低下から死亡２時間前までのショックインデックスの実測値は、予測式から大きく外れたプロットは少ない。
図７（ｂ）は、死亡２時間前から死亡までのデータ群に係る構築セットである１６８９ポイントをプロットした上で、上記の予測式を表す曲線を挿入したものである。同図に示されているとおり、死亡２時間前から死亡までのショックインデックスの実測値は、予測式から大きく外れたプロットが目立つようになる。
図７（ａ）は、血圧低下から死亡２時間前までのデータ群に係る構築セットに含まれるデータのうち非線形回帰分析に用いた６２９３ポイントのデータを除く１６８９ポイントをプロットした上で、上記の予測式を表す曲線を挿入したものである。同図に示されているとおり、血圧低下から死亡２時間前までのショックインデックスの実測値は、予測式から大きく外れたプロットは少ない。
図７（ｂ）は、死亡２時間前から死亡までのデータ群に係る構築セットである１６８９ポイントをプロットした上で、上記の予測式を表す曲線を挿入したものである。同図に示されているとおり、死亡２時間前から死亡までのショックインデックスの実測値は、予測式から大きく外れたプロットが目立つようになる。
上述したショックインデックスの予測式を用いて求められる予測のショックインデックスに、実測された収縮期血圧を乗算すると、予測の心拍数として扱うことができる。換言すれば、過去に死亡している複数の患者について、収縮期血圧が所定値以下になってから死亡時刻の２時間前（所定時間前）までの期間における単位時間ごとのショックインデックス及び収縮期血圧を非線形回帰分析することによって得られた収縮期血圧を変数とするショックインデックスの予測式に、収縮期血圧を乗じると心拍数の予測値を求める関数（第２関数）を導出することができる。
構築セットに該当するデータ群を用いて、上記の関数によって求められる予測の心拍数と、実測した患者３０の心拍数との差分を求めた。その結果を、血圧低下から死亡２時間前までのデータ群に係る構築セットに基づく差分と、死亡２時間前から死亡までのデータ群に係る構築セットに基づく差分と、を分けて以下の表に示す。
上表に示すように、血圧低下から死亡２時間前までのデータ群（Volatile data set）に係る構築セットに基づく差分については、概ね０（零）に近しい値（中央値：1.90、95％信頼区間：1.1 to 2.9）になりやすい傾向が見られた。
一方、死亡２時間前から死亡までのデータ群（Terminal data set）に係る構築セットに基づく差分については、０（零）から比較的に乖離する値（中央値：-9.8、95％信頼区間：-10.9 to -8.5）になりやすい傾向が見られた。
一方、死亡２時間前から死亡までのデータ群（Terminal data set）に係る構築セットに基づく差分については、０（零）から比較的に乖離する値（中央値：-9.8、95％信頼区間：-10.9 to -8.5）になりやすい傾向が見られた。
更に、血圧低下から死亡２時間前までのデータ群に係る構築セットに基づく差分と、死亡２時間前から死亡までのデータ群に係る構築セットに基づく差分と、を比較検討するため、ノンパラメトリック検定とＲＯＣ（Receiver Operating Characteristic）曲線を用いたログランク検定を行った。これらの検定において、双方の差分には有意差が認められた（p<0.0001）。
以下の表は、予測の心拍数と実測した心拍数との差分に基づいて求められる感度と特異度を示すものである。
なお、感度の欄と特異度の欄の右欄に記載されている数値は、信頼水準９５％における感度又は特異度の信頼区間である。また、各行において最右欄に記載されている数値は、感度と特異度の尤度比である。
なお、感度の欄と特異度の欄の右欄に記載されている数値は、信頼水準９５％における感度又は特異度の信頼区間である。また、各行において最右欄に記載されている数値は、感度と特異度の尤度比である。
上表において、閾値を-10.05（心拍数の差分＜-10.05）とした事例を見てみると、心拍数の差分＜-10.05の場合、死亡２時間前から死亡までのデータ群に係る構築セットに基づく差分の49.85％が含まれ、心拍数の差分＞-10.05の場合、血圧低下から死亡２時間前までのデータ群に係る構築セットに基づく差分の75.84%が含まれる。
さらに、上表において、閾値を-9.950（心拍数の差分＜-9.950）とした事例を見てみると、心拍数の差分＜-9.950の場合、死亡２時間前から死亡までのデータ群に係る構築セットに基づく差分の49.91％が含まれ、心拍数の差分＞-9.950の場合、血圧低下から死亡２時間前までのデータ群に係る構築セットに基づく差分の75.31%が含まれる。
この解析結果から判断して、本発明者は閾値を−１０未満に設定するのが妥当と判断した。
なお、この閾値は一具体例であり、推測するタイミング（死亡の何時間前を基準時にするか）によって変化しうるし、解析対象とする患者情報の範囲を変更することによって変化しうるため、本発明の実施における閾値はこれに限られない。
さらに、上表において、閾値を-9.950（心拍数の差分＜-9.950）とした事例を見てみると、心拍数の差分＜-9.950の場合、死亡２時間前から死亡までのデータ群に係る構築セットに基づく差分の49.91％が含まれ、心拍数の差分＞-9.950の場合、血圧低下から死亡２時間前までのデータ群に係る構築セットに基づく差分の75.31%が含まれる。
この解析結果から判断して、本発明者は閾値を−１０未満に設定するのが妥当と判断した。
なお、この閾値は一具体例であり、推測するタイミング（死亡の何時間前を基準時にするか）によって変化しうるし、解析対象とする患者情報の範囲を変更することによって変化しうるため、本発明の実施における閾値はこれに限られない。
閾値を−１０未満とした場合、図７（ａ）にプロットした血圧低下から死亡２時間前までのデータ群に係る構築セット（１６８９ポイント）のうち、該当するものは４０９ポイント存在し、その割合は２４．２％である。
また、この場合、図７（ｂ）にプロットした死亡２時間前から死亡までのデータ群に係る構築セット（１６８９ポイント）のうち、該当するものは８４２ポイント存在し、その割合は４９．９％である。
また、この場合、図７（ｂ）にプロットした死亡２時間前から死亡までのデータ群に係る構築セット（１６８９ポイント）のうち、該当するものは８４２ポイント存在し、その割合は４９．９％である。
続いて、構築セットを用いて設定した閾値の妥当性を評価するため、評価セットを用いて陽性的中率、陰性的中率を求める。
閾値を−１０未満とした場合、心拍数の差分＜−１０であるものについては、陽性所見として扱われる。ここで血圧低下から死亡２時間前までのデータ群に係る評価セット（１９８２ポイント）のうち４００ポイントが陽性所見に該当し、死亡２時間前から死亡までのデータ群に係る評価セット（４２１ポイント）のうち２２２ポイントが陽性所見に該当する。従って、これらのうち前者が偽陽性のデータであり、後者が真陽性のデータである。
また、閾値を−１０未満とした場合、心拍数の差分≧−１０であるものについては、陰性所見として扱われる。ここで血圧低下から死亡２時間前までのデータ群に係る評価セット（１９８２ポイント）のうち１５８２ポイントが陰性所見に該当し、死亡２時間前から死亡までのデータ群に係る評価セット（４２１ポイント）のうち１９９ポイントが陰性所見に該当する。従って、これらのうち前者が真陰性のデータであり、後者が偽陰性のデータである。
閾値を−１０未満とした場合、心拍数の差分＜−１０であるものについては、陽性所見として扱われる。ここで血圧低下から死亡２時間前までのデータ群に係る評価セット（１９８２ポイント）のうち４００ポイントが陽性所見に該当し、死亡２時間前から死亡までのデータ群に係る評価セット（４２１ポイント）のうち２２２ポイントが陽性所見に該当する。従って、これらのうち前者が偽陽性のデータであり、後者が真陽性のデータである。
また、閾値を−１０未満とした場合、心拍数の差分≧−１０であるものについては、陰性所見として扱われる。ここで血圧低下から死亡２時間前までのデータ群に係る評価セット（１９８２ポイント）のうち１５８２ポイントが陰性所見に該当し、死亡２時間前から死亡までのデータ群に係る評価セット（４２１ポイント）のうち１９９ポイントが陰性所見に該当する。従って、これらのうち前者が真陰性のデータであり、後者が偽陰性のデータである。
上記の整理に基づけば、陽性的中率＝２２２÷（４００＋２２２）＝３５．７％である。また、陰性的中率＝１５８２÷（１５８２＋１９９）＝８８．８％である。
そして、この場合において、予測の心拍数と実測した心拍数との差分に基づいて求められる感度は５２．７％になり、特異度は７９．８％になった。
この結果によれば、本実施形態で検討した非線形回帰分析に基づく死亡時刻の２時間前を推定する方法は、十分に高い判断精度であると考えられる。
そして、この場合において、予測の心拍数と実測した心拍数との差分に基づいて求められる感度は５２．７％になり、特異度は７９．８％になった。
この結果によれば、本実施形態で検討した非線形回帰分析に基づく死亡時刻の２時間前を推定する方法は、十分に高い判断精度であると考えられる。
上記の推定方法は、過去に死亡した複数の患者に関する患者情報を用いた非線形回帰分析に基づくものであるが、別の推定方法として被験者自身に関する患者情報を用いて線形回帰分析や非線形回帰分析を行い、そのデータの傾向から外れた時点を死亡間際である（死亡時刻の所定時間前である）ものと扱うことも考えられる。
図８〜図１３は、データベース４０に蓄積されている一部の患者に関する患者情報に基づいて、ショックインデックスと収縮期血圧との関係性を表した図である。
より詳細には、図８〜図１０は、血圧低下から死亡２時間前までの患者情報に基づくショックインデックスと収縮期血圧とをプロットし、且つ各プロットを線形回帰分析又は非線形回帰分析することよって双方の関係性を表す回帰式を表したものである。
また、図１１〜図１３は、死亡２時間前から死亡時刻までの患者情報に基づくショックインデックスと収縮期血圧とをプロットし、且つ図８〜図１０に表した回帰式と同一の回帰式を挿入したものである。
なお、横軸を収縮期血圧、縦軸をショックインデックスで表現している点は、いずれの図面においても共通である。そして、各図に表記している「Ｎｏ．Ｘ（Ｘは任意の整数）」は、各患者を識別する番号である。
図８〜図１３は、データベース４０に蓄積されている一部の患者に関する患者情報に基づいて、ショックインデックスと収縮期血圧との関係性を表した図である。
より詳細には、図８〜図１０は、血圧低下から死亡２時間前までの患者情報に基づくショックインデックスと収縮期血圧とをプロットし、且つ各プロットを線形回帰分析又は非線形回帰分析することよって双方の関係性を表す回帰式を表したものである。
また、図１１〜図１３は、死亡２時間前から死亡時刻までの患者情報に基づくショックインデックスと収縮期血圧とをプロットし、且つ図８〜図１０に表した回帰式と同一の回帰式を挿入したものである。
なお、横軸を収縮期血圧、縦軸をショックインデックスで表現している点は、いずれの図面においても共通である。そして、各図に表記している「Ｎｏ．Ｘ（Ｘは任意の整数）」は、各患者を識別する番号である。
これらの図面を比較すれば明らかであるように、血圧低下から死亡２時間前までの期間における回帰式（予測値）とプロット（実測値）のバラツキと、死亡２時間前から死亡までの期間における回帰式とプロットのバラツキと、を比べると、すべての患者について後者のバラツキが大きくなる。
また、すべての患者において回帰式が異なるものとなり、且つ各患者における回帰式とプロットのバラツキ度合いも異なる。即ち、収縮期血圧とショックインデックスのバランスは患者毎に多様性があり、被験者自身の回帰式を作成して予測の心拍数を求めることで、その予測精度を向上させることが可能と考えられる。
換言すれば、被験者の収縮期血圧が所定値以下になってから死亡する前までの或る時点において、当該時点より前に取得した被験者の患者情報に基づく単位時間ごとのショックインデックス及び収縮期血圧を線形回帰分析又は非線形回帰分析することによって得られた収縮期血圧を変数とするショックインデックスの予測式に、収縮期血圧を乗じて心拍数の予測値を求める関数（第２関数）を導出することができる。そして、当該関数は、他人の患者情報を用いた回帰分析に基づいて導出される画一的な予測式に比べて、高い精度で被験者の心拍数を予測することができ、且つ死亡時刻の所定時間前を推定するコンピュータ処理に適用することが可能である。
また、すべての患者において回帰式が異なるものとなり、且つ各患者における回帰式とプロットのバラツキ度合いも異なる。即ち、収縮期血圧とショックインデックスのバランスは患者毎に多様性があり、被験者自身の回帰式を作成して予測の心拍数を求めることで、その予測精度を向上させることが可能と考えられる。
換言すれば、被験者の収縮期血圧が所定値以下になってから死亡する前までの或る時点において、当該時点より前に取得した被験者の患者情報に基づく単位時間ごとのショックインデックス及び収縮期血圧を線形回帰分析又は非線形回帰分析することによって得られた収縮期血圧を変数とするショックインデックスの予測式に、収縮期血圧を乗じて心拍数の予測値を求める関数（第２関数）を導出することができる。そして、当該関数は、他人の患者情報を用いた回帰分析に基づいて導出される画一的な予測式に比べて、高い精度で被験者の心拍数を予測することができ、且つ死亡時刻の所定時間前を推定するコンピュータ処理に適用することが可能である。
以上、回帰分析を用いて死亡時刻の所定時間前を推定する種々の方法について述べた。これらの推定方法のうちいずれかを適用することにより、コンピュータ処理によって死亡時刻の２時間前であること（死亡時刻が間際であること）を推定することが可能である。そして、推定したタイミングを基準時として定め、その基準時における患者情報を用いて被験者の死亡時刻を高い精度で予測することができる。
換言すれば、コンピュータ端末１０は、取得した被験者の収縮期血圧を与えて予測の心拍数を単位時間ごとに導出する。そして、コンピュータ端末１０は、導出した予測の心拍数と、取得した被験者の心拍数と、の差分が閾値を下回った時点を、死亡時刻の２時間前に到達したものと推定して、当該時点を上記の基準時として定めることができる。
換言すれば、コンピュータ端末１０は、取得した被験者の収縮期血圧を与えて予測の心拍数を単位時間ごとに導出する。そして、コンピュータ端末１０は、導出した予測の心拍数と、取得した被験者の心拍数と、の差分が閾値を下回った時点を、死亡時刻の２時間前に到達したものと推定して、当該時点を上記の基準時として定めることができる。
＜静的スコアリングモデルを用いて死亡時刻の所定時間前を推定する方法＞
続いて、コンピュータ端末１０が二つ目の予測関数（Ｔ２を導出する予測関数）を用いることを前提として、死亡時刻の所定時間前を推定する方法の一具体例として、静的スコアリングモデルを用いる場合について説明する。
ここで静的スコアリングモデルは、図２のモデル表示部ＤＲ３に図示した二次元モデルのことである。コンピュータ端末１０は、静的スコアリングモデルを生成するための機能（以下、モデル生成手段と称す）と、静的スコアリングモデルに実測値をプロットするための機能（以下、スコアリング手段と称す）と、を備えている。
続いて、コンピュータ端末１０が二つ目の予測関数（Ｔ２を導出する予測関数）を用いることを前提として、死亡時刻の所定時間前を推定する方法の一具体例として、静的スコアリングモデルを用いる場合について説明する。
ここで静的スコアリングモデルは、図２のモデル表示部ＤＲ３に図示した二次元モデルのことである。コンピュータ端末１０は、静的スコアリングモデルを生成するための機能（以下、モデル生成手段と称す）と、静的スコアリングモデルに実測値をプロットするための機能（以下、スコアリング手段と称す）と、を備えている。
モデル生成手段は、複数の患者について経時的に取得された複数種類の患者情報を蓄積しているデータベース４０から、各患者が重症化した時点より前を少なくとも含む所定期間内に取得された患者情報を抽出して、抽出した患者情報から第１変数及び第２変数（例えば、修正型早期警告スコア及びショックインデックス）を導出し、導出した第１変数及び第２変数が縦軸及び横軸のそれぞれに対応している静的スコアリングモデルを生成することができる。
スコアリング手段は、被験者である患者３０に関する複数種類の患者情報を単位時間ごとに取得し、取得した患者情報から第１変数と第２変数を導出して静的スコアリングモデルに順次プロットしていく。
なお、本発明に係る静的スコアリングモデルは、モデル生成手段により生成された以降において領域の区分（状態安定ゾーンＮＺ、要注意ゾーンＷＺ、末期ゾーンＴＺ）が不変であることをもって「静的」と称する。従って、モデル生成手段が用いる諸条件によって静的スコアリングモデルに関する領域の区分については可変に変更可能であるし、コンピュータ端末１０の表示画面に表示される静的スコアリングモデルの表示態様についても動的に変化可能である。
スコアリング手段は、被験者である患者３０に関する複数種類の患者情報を単位時間ごとに取得し、取得した患者情報から第１変数と第２変数を導出して静的スコアリングモデルに順次プロットしていく。
なお、本発明に係る静的スコアリングモデルは、モデル生成手段により生成された以降において領域の区分（状態安定ゾーンＮＺ、要注意ゾーンＷＺ、末期ゾーンＴＺ）が不変であることをもって「静的」と称する。従って、モデル生成手段が用いる諸条件によって静的スコアリングモデルに関する領域の区分については可変に変更可能であるし、コンピュータ端末１０の表示画面に表示される静的スコアリングモデルの表示態様についても動的に変化可能である。
コンピュータ端末１０は、プロットが静的スコアリングモデルにおける二次元領域の一部である末期ゾーンＴＺ（特定領域）に行われた時点のうち少なくとも一部を、死亡時刻の所定時間前（例えば２時間前）に到達したものと推定して、当該時点を上記の基準時として定めてもよい。但し、末期ゾーンＴＺへのプロットが行われたとしても直ちに死亡時刻の所定時間前に到達したものと推定せずともよい。患者３０の容態が一時的に変化して末期ゾーンＴＺにプロットがなされたとしても、直ぐに持ち直すのであれば、重症化している可能性は低いと考えられるからである。従って、一定時間にわたって（一定数続けて）末期ゾーンＴＺにプロットした場合に、死亡時刻の所定時間前に到達したものと推定してもよい。
末期ゾーンＴＺの閾値設定を適切に行うためには、血圧低下から死亡２時間前までのデータ群に基づいて求められる変数（例えば、修正型早期警告スコア又はショックインデックス）と、死亡２時間前から死亡までのデータ群に基づく当該変数と、を用いて導出される感度と特異度を比較検討することによって、当該変数の閾値を求めることができる。
このような閾値の求め方は、既に述べた心拍数の差分の閾値の求め方を応用するものであるため、ここでの詳細な説明は省略する。
このような閾値の求め方は、既に述べた心拍数の差分の閾値の求め方を応用するものであるため、ここでの詳細な説明は省略する。
上記のような静的スコアリングモデルを用いた推定方法は、二つの変数に基づくものであるため、単一の変数（例えば、修正型早期警告スコアのみ）に基づく推定方法に比べて精度が向上し、その結果として死亡時刻の予測精度をも高めうる。
＜本発明の変形例について＞
ここまで実施形態に即して本発明を説明したが、本発明は上述の実施形態に限定されるものではなく、本発明の目的が達成される限りにおける種々の変形、改良等の態様も含む。
ここまで実施形態に即して本発明を説明したが、本発明は上述の実施形態に限定されるものではなく、本発明の目的が達成される限りにおける種々の変形、改良等の態様も含む。
上記の実施形態においてコンピュータ端末１０は表示画面を有するものとして説明したが、本発明に係る死亡予測装置又は死亡予測プログラムを実行するコンピュータは、必ずしも表示手段（ディスプレイ等）を備えなくてもよい。
上記の実施形態において、被験者の死亡前の或る時点を基準時として定め、当該基準時における患者情報の実測値に基づいて死亡時刻を予測する事例について述べたが、本発明の実施はこれに限られない。
例えば、集中治療室に運ばれた時点で既に被験者が死亡間際であるものと判断できる場合には、当該時点における患者情報の実測値に基づいて死亡時刻を予測してもよい。
例えば、集中治療室に運ばれた時点で既に被験者が死亡間際であるものと判断できる場合には、当該時点における患者情報の実測値に基づいて死亡時刻を予測してもよい。
本実施形態は以下の技術思想を包含する。
（１）被験者に関する複数種類の患者情報を、分オーダー以下の頻度で取得する取得手段と、前記取得手段によって取得された前記被験者の患者情報を用いることによって、前記被験者の死亡時刻を時間オーダー以下で予測する死亡予測手段と、を備える死亡予測装置。
（２）前記死亡予測手段は、前記取得手段が取得した前記被験者の患者情報を用いることによって前記被験者の死亡前の或る時点を基準時として定め、定めた前記基準時において前記取得手段が取得した前記被験者の患者情報を予測関数に与えることによって、前記被験者の死亡時刻を予測する（１）に記載の死亡予測装置。
（３）前記予測関数は、年齢、性別、収縮期血圧、心拍数及び呼吸数を変数とする関数である（２）に記載の死亡予測装置。
（４）前記予測関数は、過去に死亡している複数の患者について、収縮期血圧が所定値以下になってから死亡時刻までの期間又は死亡時刻の所定時間前から死亡時刻までの期間のいずれか一方における単位時間ごとの収縮期血圧、心拍数及び呼吸数を、各患者の年齢及び性別も考慮に入れて統計解析することにより得られる関数である（３）に記載の死亡予測装置。
（５）前記死亡予測手段は、心拍数、収縮期血圧、呼吸数、酸素飽和度及び体温に基づいて導出される第１指標値を、前記取得手段が取得した前記被験者の患者情報を用いて単位時間ごとに導出し、導出した前記第１指標値のうち最高値と最低値の差分を、当該最高値に対応する時点と当該最低値に対応する時点の差分で除した傾き指数が閾値を超えた時点を前記基準時として定める（２）から（４）のいずれか一つに記載の死亡予測装置。
（６）前記死亡予測手段は、収縮期血圧を変数とする第２関数に、前記取得手段が取得した前記被験者の収縮期血圧を与えて予測の心拍数を単位時間ごとに導出し、導出した前記予測の心拍数と、前記取得手段が取得した前記被験者の心拍数と、の差分が閾値を下回った時点を前記基準時として定める（２）から（４）のいずれか一つに記載の死亡予測装置。
（７）前記第２関数は、過去に死亡している複数の患者について、収縮期血圧が所定値以下になってから死亡時刻の所定時間前までの期間における単位時間ごとのショックインデックス及び収縮期血圧を非線形回帰分析することによって得られた収縮期血圧を変数とするショックインデックスの予測式に、収縮期血圧を乗じて心拍数の予測値を求める関数である（６）に記載の死亡予測装置。
（８）前記第２関数は、前記被験者の収縮期血圧が所定値以下になってから死亡する前までの或る時点において、当該時点より前に前記取得手段が取得した前記被験者の患者情報に基づく単位時間ごとのショックインデックス及び収縮期血圧を線形回帰分析又は非線形回帰分析することによって得られた収縮期血圧を変数とするショックインデックスの予測式に、収縮期血圧を乗じて心拍数の予測値を求める関数である（６）に記載の死亡予測装置。
（９）複数の患者について経時的に取得された複数種類の患者情報を蓄積しているデータベースから、各患者が重症化した時点より前を少なくとも含む所定期間内に取得された患者情報を抽出して、抽出した患者情報から第１変数及び第２変数を導出し、導出した前記第１変数及び前記第２変数が縦軸及び横軸のそれぞれに対応している二次元モデルである静的スコアリングモデルを生成するモデル生成手段と、被験者である患者に関する複数種類の患者情報を単位時間ごとに取得し、取得した患者情報から前記第１変数と前記第２変数を導出して前記静的スコアリングモデルに順次プロットしていくスコアリング手段と、を備え、前記死亡予測手段は、前記スコアリング手段によるプロットが前記静的スコアリングモデルにおける二次元領域の一部である特定領域に行われた時点のうち少なくとも一部を前記基準時として定める（２）から（４）のいずれか一つに記載の死亡予測装置。
（１０）被験者に関する複数種類の患者情報を、分オーダー以下の頻度で取得する取得手段と、前記取得手段によって取得された前記被験者の患者情報を用いることによって、前記被験者の死亡時刻を時間オーダー以下で予測する死亡予測手段と、をコンピュータに実行させるための死亡予測プログラム。
（１）被験者に関する複数種類の患者情報を、分オーダー以下の頻度で取得する取得手段と、前記取得手段によって取得された前記被験者の患者情報を用いることによって、前記被験者の死亡時刻を時間オーダー以下で予測する死亡予測手段と、を備える死亡予測装置。
（２）前記死亡予測手段は、前記取得手段が取得した前記被験者の患者情報を用いることによって前記被験者の死亡前の或る時点を基準時として定め、定めた前記基準時において前記取得手段が取得した前記被験者の患者情報を予測関数に与えることによって、前記被験者の死亡時刻を予測する（１）に記載の死亡予測装置。
（３）前記予測関数は、年齢、性別、収縮期血圧、心拍数及び呼吸数を変数とする関数である（２）に記載の死亡予測装置。
（４）前記予測関数は、過去に死亡している複数の患者について、収縮期血圧が所定値以下になってから死亡時刻までの期間又は死亡時刻の所定時間前から死亡時刻までの期間のいずれか一方における単位時間ごとの収縮期血圧、心拍数及び呼吸数を、各患者の年齢及び性別も考慮に入れて統計解析することにより得られる関数である（３）に記載の死亡予測装置。
（５）前記死亡予測手段は、心拍数、収縮期血圧、呼吸数、酸素飽和度及び体温に基づいて導出される第１指標値を、前記取得手段が取得した前記被験者の患者情報を用いて単位時間ごとに導出し、導出した前記第１指標値のうち最高値と最低値の差分を、当該最高値に対応する時点と当該最低値に対応する時点の差分で除した傾き指数が閾値を超えた時点を前記基準時として定める（２）から（４）のいずれか一つに記載の死亡予測装置。
（６）前記死亡予測手段は、収縮期血圧を変数とする第２関数に、前記取得手段が取得した前記被験者の収縮期血圧を与えて予測の心拍数を単位時間ごとに導出し、導出した前記予測の心拍数と、前記取得手段が取得した前記被験者の心拍数と、の差分が閾値を下回った時点を前記基準時として定める（２）から（４）のいずれか一つに記載の死亡予測装置。
（７）前記第２関数は、過去に死亡している複数の患者について、収縮期血圧が所定値以下になってから死亡時刻の所定時間前までの期間における単位時間ごとのショックインデックス及び収縮期血圧を非線形回帰分析することによって得られた収縮期血圧を変数とするショックインデックスの予測式に、収縮期血圧を乗じて心拍数の予測値を求める関数である（６）に記載の死亡予測装置。
（８）前記第２関数は、前記被験者の収縮期血圧が所定値以下になってから死亡する前までの或る時点において、当該時点より前に前記取得手段が取得した前記被験者の患者情報に基づく単位時間ごとのショックインデックス及び収縮期血圧を線形回帰分析又は非線形回帰分析することによって得られた収縮期血圧を変数とするショックインデックスの予測式に、収縮期血圧を乗じて心拍数の予測値を求める関数である（６）に記載の死亡予測装置。
（９）複数の患者について経時的に取得された複数種類の患者情報を蓄積しているデータベースから、各患者が重症化した時点より前を少なくとも含む所定期間内に取得された患者情報を抽出して、抽出した患者情報から第１変数及び第２変数を導出し、導出した前記第１変数及び前記第２変数が縦軸及び横軸のそれぞれに対応している二次元モデルである静的スコアリングモデルを生成するモデル生成手段と、被験者である患者に関する複数種類の患者情報を単位時間ごとに取得し、取得した患者情報から前記第１変数と前記第２変数を導出して前記静的スコアリングモデルに順次プロットしていくスコアリング手段と、を備え、前記死亡予測手段は、前記スコアリング手段によるプロットが前記静的スコアリングモデルにおける二次元領域の一部である特定領域に行われた時点のうち少なくとも一部を前記基準時として定める（２）から（４）のいずれか一つに記載の死亡予測装置。
（１０）被験者に関する複数種類の患者情報を、分オーダー以下の頻度で取得する取得手段と、前記取得手段によって取得された前記被験者の患者情報を用いることによって、前記被験者の死亡時刻を時間オーダー以下で予測する死亡予測手段と、をコンピュータに実行させるための死亡予測プログラム。
１０ コンピュータ端末
２０ 計測器
３０ 患者
４０ データベース
２０ 計測器
３０ 患者
４０ データベース
Claims (10)
- 被験者に関する複数種類の患者情報を、分オーダー以下の頻度で取得する取得手段と、
前記取得手段によって取得された前記被験者の患者情報を用いることによって、前記被験者の死亡時刻を時間オーダー以下で予測する死亡予測手段と、を備える死亡予測装置。 - 前記死亡予測手段は、
前記取得手段が取得した前記被験者の患者情報を用いることによって前記被験者の死亡前の或る時点を基準時として定め、
定めた前記基準時において前記取得手段が取得した前記被験者の患者情報を予測関数に与えることによって、前記被験者の死亡時刻を予測する請求項１に記載の死亡予測装置。 - 前記予測関数は、年齢、性別、収縮期血圧、心拍数及び呼吸数を変数とする関数である請求項２に記載の死亡予測装置。
- 前記予測関数は、過去に死亡している複数の患者について、収縮期血圧が所定値以下になってから死亡時刻までの期間又は死亡時刻の所定時間前から死亡時刻までの期間のいずれか一方における単位時間ごとの収縮期血圧、心拍数及び呼吸数を、各患者の年齢及び性別も考慮に入れて統計解析することにより得られる関数である請求項３に記載の死亡予測装置。
- 前記死亡予測手段は、
心拍数、収縮期血圧、呼吸数、酸素飽和度及び体温に基づいて導出される第１指標値を、前記取得手段が取得した前記被験者の患者情報を用いて単位時間ごとに導出し、
導出した前記第１指標値のうち最高値と最低値の差分を、当該最高値に対応する時点と当該最低値に対応する時点の差分で除した傾き指数が閾値を超えた時点を前記基準時として定める請求項２から４のいずれか一項に記載の死亡予測装置。 - 前記死亡予測手段は、
収縮期血圧を変数とする第２関数に、前記取得手段が取得した前記被験者の収縮期血圧を与えて予測の心拍数を単位時間ごとに導出し、
導出した前記予測の心拍数と、前記取得手段が取得した前記被験者の心拍数と、の差分が閾値を下回った時点を前記基準時として定める請求項２から４のいずれか一項に記載の死亡予測装置。 - 前記第２関数は、過去に死亡している複数の患者について、収縮期血圧が所定値以下になってから死亡時刻の所定時間前までの期間における単位時間ごとのショックインデックス及び収縮期血圧を非線形回帰分析することによって得られた収縮期血圧を変数とするショックインデックスの予測式に、収縮期血圧を乗じて心拍数の予測値を求める関数である請求項６に記載の死亡予測装置。
- 前記第２関数は、前記被験者の収縮期血圧が所定値以下になってから死亡する前までの或る時点において、当該時点より前に前記取得手段が取得した前記被験者の患者情報に基づく単位時間ごとのショックインデックス及び収縮期血圧を線形回帰分析又は非線形回帰分析することによって得られた収縮期血圧を変数とするショックインデックスの予測式に、収縮期血圧を乗じて心拍数の予測値を求める関数である請求項６に記載の死亡予測装置。
- 複数の患者について経時的に取得された複数種類の患者情報を蓄積しているデータベースから、各患者が重症化した時点より前を少なくとも含む所定期間内に取得された患者情報を抽出して、抽出した患者情報から第１変数及び第２変数を導出し、導出した前記第１変数及び前記第２変数が縦軸及び横軸のそれぞれに対応している二次元モデルである静的スコアリングモデルを生成するモデル生成手段と、
被験者である患者に関する複数種類の患者情報を単位時間ごとに取得し、取得した患者情報から前記第１変数と前記第２変数を導出して前記静的スコアリングモデルに順次プロットしていくスコアリング手段と、を備え、
前記死亡予測手段は、前記スコアリング手段によるプロットが前記静的スコアリングモデルにおける二次元領域の一部である特定領域に行われた時点のうち少なくとも一部を前記基準時として定める請求項２から４のいずれか一項に記載の死亡予測装置。 - 被験者に関する複数種類の患者情報を、分オーダー以下の頻度で取得する取得手段と、
前記取得手段によって取得された前記被験者の患者情報を用いることによって、前記被験者の死亡時刻を時間オーダー以下で予測する死亡予測手段と、をコンピュータに実行させるための死亡予測プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017142577A JP6918353B2 (ja) | 2017-07-24 | 2017-07-24 | 死亡予測装置及び死亡予測プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017142577A JP6918353B2 (ja) | 2017-07-24 | 2017-07-24 | 死亡予測装置及び死亡予測プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019023790A true JP2019023790A (ja) | 2019-02-14 |
| JP6918353B2 JP6918353B2 (ja) | 2021-08-11 |
Family
ID=65369050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017142577A Active JP6918353B2 (ja) | 2017-07-24 | 2017-07-24 | 死亡予測装置及び死亡予測プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6918353B2 (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109805898A (zh) * | 2019-03-22 | 2019-05-28 | 中国科学院重庆绿色智能技术研究院 | 基于注意力机制时序卷积网络算法的危重症死亡预测方法 |
| WO2020203015A1 (ja) * | 2019-04-02 | 2020-10-08 | 公立大学法人横浜市立大学 | 重症化推定システム |
| JP2020197846A (ja) * | 2019-05-31 | 2020-12-10 | 東京瓦斯株式会社 | 情報処理システムおよびプログラム |
| JP2021142129A (ja) * | 2020-03-12 | 2021-09-24 | 日本光電工業株式会社 | 容態情報生成装置、コンピュータプログラムおよび非一時的コンピュータ可読媒体 |
| JP2022526361A (ja) * | 2019-03-28 | 2022-05-24 | エフ・ホフマン－ラ・ロシュ・アクチェンゲゼルシャフト | がんの予後 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017033502A (ja) * | 2015-08-06 | 2017-02-09 | 博恵 貞包 | 看取りシステム |
-
2017
- 2017-07-24 JP JP2017142577A patent/JP6918353B2/ja active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017033502A (ja) * | 2015-08-06 | 2017-02-09 | 博恵 貞包 | 看取りシステム |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109805898A (zh) * | 2019-03-22 | 2019-05-28 | 中国科学院重庆绿色智能技术研究院 | 基于注意力机制时序卷积网络算法的危重症死亡预测方法 |
| CN109805898B (zh) * | 2019-03-22 | 2024-04-05 | 中国科学院重庆绿色智能技术研究院 | 基于注意力机制时序卷积网络算法的危重症死亡预测方法 |
| JP2022526361A (ja) * | 2019-03-28 | 2022-05-24 | エフ・ホフマン－ラ・ロシュ・アクチェンゲゼルシャフト | がんの予後 |
| WO2020203015A1 (ja) * | 2019-04-02 | 2020-10-08 | 公立大学法人横浜市立大学 | 重症化推定システム |
| JP2020197846A (ja) * | 2019-05-31 | 2020-12-10 | 東京瓦斯株式会社 | 情報処理システムおよびプログラム |
| JP7313613B2 (ja) | 2019-05-31 | 2023-07-25 | 東京瓦斯株式会社 | 情報処理システムおよびプログラム |
| JP2021142129A (ja) * | 2020-03-12 | 2021-09-24 | 日本光電工業株式会社 | 容態情報生成装置、コンピュータプログラムおよび非一時的コンピュータ可読媒体 |
| JP7405654B2 (ja) | 2020-03-12 | 2023-12-26 | 日本光電工業株式会社 | 容態情報生成装置、コンピュータプログラムおよび非一時的コンピュータ可読媒体 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6918353B2 (ja) | 2021-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2019023790A (ja) | 死亡予測装置及び死亡予測プログラム | |
| JP7229491B1 (ja) | 学習装置および推定システム | |
| EP3533389A1 (en) | Methods and systems for measuring a stress indicator, and for determining a level of stress in an individual | |
| JP6635507B2 (ja) | 精神状態判定方法及び精神状態判定プログラム | |
| JP6993690B2 (ja) | 重症化推定装置及び重症化推定プログラム | |
| WO2018096310A1 (en) | Patient status monitor and method of monitoring patient status | |
| JP2018506759A (ja) | バイタルサインサンプリング周波数が限定されるときのスコア信頼区間推定に関する方法 | |
| JP2020521571A (ja) | ユーザの感情状態を判定するためのデバイス、システム、及び方法 | |
| JP7466914B2 (ja) | 健康度ポジショニングマップおよび健康関数を作成する方法、システム、およびプログラム、ならびにそれらの使用方法 | |
| JP6778657B2 (ja) | モデル選択方法、モデル選択装置およびプログラム | |
| Montero-Nava et al. | Analysis of the fetal cardio-electrohysterographic coupling at the third trimester of gestation in healthy women by Bivariate Phase-Rectified Signal Averaging | |
| JP6318047B2 (ja) | 疾病予測装置、及びプログラム | |
| JP2020096679A (ja) | 不快感情推定装置および不快感情推定方法 | |
| JP2008220556A (ja) | 心拍測定システム及び方法 | |
| JP2015154845A (ja) | 健康管理支援装置およびその制御方法 | |
| JP6710474B2 (ja) | コルチゾール濃度推定装置、コルチゾール濃度推定方法、及びプログラム | |
| Abuhay et al. | Investigating application of change point analysis in monitoring health condition of acute coronary syndrome patients | |
| US20240170155A1 (en) | Stress estimation device, stress estimation method, and storage medium | |
| JP2019204212A (ja) | リスク管理装置、リスク管理方法及びリスク管理プログラム | |
| WO2023058200A1 (ja) | 疲労度算出装置、疲労度算出方法及び記憶媒体 | |
| Gheorghe-Fronea et al. | Statistical Model for Prediction of Future Trend in Hypertensive Disease in Adult Poplation of Romania. | |
| CN111902080B (zh) | 支援系统、支援方法、支援程序及记录有支援程序的记录介质 | |
| US20240071241A1 (en) | Test familiar determination device, test familiar determination method and storage medium | |
| RU2774274C2 (ru) | Устройство, система и способ определения эмоционального состояния пользователя | |
| WO2022254574A1 (ja) | 疲労推定装置、疲労推定方法及び記憶媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200407 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201111 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201208 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210201 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210706 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210714 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6918353 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |