JP2019032772A - データ生成プログラム、データ生成方法及びデータ生成装置 - Google Patents

データ生成プログラム、データ生成方法及びデータ生成装置 Download PDF

Info

Publication number
JP2019032772A
JP2019032772A JP2017154679A JP2017154679A JP2019032772A JP 2019032772 A JP2019032772 A JP 2019032772A JP 2017154679 A JP2017154679 A JP 2017154679A JP 2017154679 A JP2017154679 A JP 2017154679A JP 2019032772 A JP2019032772 A JP 2019032772A
Authority
JP
Japan
Prior art keywords
patient
test result
test
data
prediction data
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
Application number
JP2017154679A
Other languages
English (en)
Other versions
JP6844468B2 (ja
Inventor
健太郎 土井
Kentaro Doi
健太郎 土井
晃兵 重田
Kohei Shigeta
晃兵 重田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2017154679A priority Critical patent/JP6844468B2/ja
Priority to US16/054,558 priority patent/US20190051405A1/en
Publication of JP2019032772A publication Critical patent/JP2019032772A/ja
Application granted granted Critical
Publication of JP6844468B2 publication Critical patent/JP6844468B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

【課題】患者の状態を予測するための予測用データを生成する【解決手段】指定受付部は、検査項目の指定を受け付け（Ｓ１２）、データ取得部は、検査項目に対応する検査結果と検査日時を検査結果テーブルから取得し（Ｓ１４）、データ除外部は、期間マスタと、介入テーブルと、取得した検査結果それぞれの検査日時とを参照して、取得した検査結果の中から予測用データの生成に利用する検査結果を特定し（Ｓ２０〜Ｓ３４）、予測用データ生成部は、特定した検査結果に基づいて患者ごとの検査結果の変化率又は検査結果の変化量を算出して予測用データとする予測用データを生成する（Ｓ３６）。【選択図】図５

Description

本発明は、データ生成プログラム、データ生成方法及びデータ生成装置に関する。
病院において、患者は同一の検査を複数回受ける場合がある。検査の結果は、患者の識別情報や、検査種別、検査日時と関連付けて電子カルテＤＢ（database）に格納される。各患者の検査の間隔には、患者の都合や医師の方針等によってばらつきがある。
一方、患者が病院において病気の治療や手術などの医療行為（処置）を受けた場合には、患者の識別情報に関連付けて、処置の内容や処置の実施日時などが電子カルテＤＢに格納される。
特開２０１６−１２６７１８号公報
ある患者が検査を受けた場合、検査結果に基づいて患者の今後の状態を予測したい場合がある。この場合、前述した電子カルテＤＢに格納されているデータを利用して、患者の今後の状態を精度よく予測できることが好ましい。
１つの側面では、本発明は、患者の状態を予測するための予測用データを生成することが可能なデータ生成プログラム、データ生成方法及びデータ生成装置を提供することを目的とする。
一つの態様では、データ生成プログラムは、患者の状態の予測に用いる予測用データを生成するデータ生成プログラムであって、検査項目の指定を受け付け、患者の検査結果と検査日時を記憶する第１記憶部から、指定された前記検査項目に対応する検査結果と検査日時を取得し、患者に対して処置が行われたときに該処置に対応する検査項目の検査結果を前記予測用データの生成に利用しない期間を定義する定義部と、患者に対して実施した処置内容と処置日時を記憶する第２記憶部と、前記取得した検査結果それぞれの検査日時とを参照し、前記取得した検査結果の中から前記予測用データの生成に利用する検査結果を特定し、特定した検査結果に基づいて、患者ごとの検査結果の変化率および検査結果の変化量の少なくとも一方を、前記予測用データとして生成する、処理をコンピュータに実行させるためのデータ生成プログラムである。
患者の状態を予測するための予測用データを生成することができる。
一実施形態に係る医療システムの構成を概略的に示す図である。 図２（ａ）は、電子カルテサーバ及び予測サーバのハードウェア構成を示す図であり、図２（ｂ）は、医師端末及び管理者端末のハードウェア構成を示す図である。 予測サーバの機能ブロック図である。 図４（ａ）は、検査結果テーブルのデータ構造の一例を示す図であり、図４（ｂ）は、介入テーブルのデータ構造の一例を示す図であり、図４（ｃ）は、期間マスタのデータ構造の一例を示す図である。 予測サーバによる予測用データの生成処理の一例を示すフローチャートである。 図６（ａ）〜図６（ｃ）は、図５の処理を説明するための図である。 予測用データＤＢのデータ構造の一例を示す図である。 予測部による予測処理の一例を示すフローチャートである。 学習済みモデルについて説明するための図である。 期間マスタの変形例を示す図である。
以下、医療システムの一実施形態について、図１〜図９に基づいて詳細に説明する。
図１には、一実施形態にかかる医療システム１００の構成が概略的に示されている。医療システムは、図１に示すように、電子カルテサーバ１０と、予測サーバ１２と、医師端末７０と、管理者端末７２とを備える。電子カルテサーバ１０、データ生成装置としての予測サーバ１２、医師端末７０、および管理者端末７２は、インターネットやＬＡＮ（Local Area Network）などのネットワーク８０に接続されている。
電子カルテサーバ１０は、電子カルテＤＢを保持し、患者自身に関するデータ、患者に対して実施した検査に関するデータ、患者に対して実施した処置（治療や手術など）に関するデータ、患者の症状に関するデータなどを管理する。患者自身に関するデータには、患者の識別情報、氏名、性別、年齢、生年月日、身長、体重などが含まれる。検査に関するデータには、検査種別、検査日時、検査結果などが含まれる。処置に関するデータには、処置の内容、処置の実施日時などが含まれる。症状に関するデータには、症状の内容、症状が発症した日時、症状が治まった日時などが含まれる。これら電子カルテサーバ１０に格納されるデータは、医師端末７０等を介して医師等が適宜入力するデータである。
図２（ａ）には、電子カルテサーバ１０のハードウェア構成の一例が示されている。図２（ａ）に示すように、電子カルテサーバ１０は、ＣＰＵ（Central Processing Unit）９０、ＲＯＭ（Read Only Memory）９２、ＲＡＭ（Random Access Memory）９４、記憶部（ここではＨＤＤ（Hard Disk Drive））９６、ネットワークインタフェース９７、及び可搬型記憶媒体９１に記憶されているプログラムやデータを読み取り可能な可搬型記憶媒体用ドライブ９９等を備えている。ＨＤＤ９６には、電子カルテＤＢが格納されている。これら電子カルテサーバ１０の構成各部は、バス９８に接続されている。
予測サーバ１２は、電子カルテサーバ１０に蓄積されたデータを利用して、検査を受けた患者の今後の状態を予測するのに用いる予測用データを生成する。また、予測サーバ１２は、予測用データから後述する学習済みモデルを生成し、生成した学習済みモデルと、検査を受けた患者の検査結果と、に基づいて、検査を受けた患者の今後の状態を予測する。
予測サーバ１２は、電子カルテサーバ１０と同様、図２（ａ）に示すようなハードウェア構成を有する。予測サーバ１２では、ＲＯＭ９２あるいはＨＤＤ９６に格納されているプログラム（データ生成プログラムを含む）、或いは可搬型記憶媒体用ドライブ９９が可搬型記憶媒体９１から読み取ったプログラム（データ生成プログラムを含む）をＣＰＵ９０が実行することにより、図３に示す各部の機能が実現される。
図３には、予測サーバ１２の機能ブロック図が示されている。図３に示すように、予測サーバ１２は、ＣＰＵ９０がプログラムを実行することにより、指定受付部２０、取得部としてのデータ取得部２２、特定部としてのデータ除外部２４、生成部としての予測用データ生成部２６、予測部２８、として機能する。
指定受付部２０は、管理者端末７２や医師端末７０を介して管理者や医師が指定した検査種別や、患者の症状の情報を受け付け、データ取得部２２に対して受け渡す。なお、管理者や医師は、予測用データを生成したい場合に、どの症状が発症した患者のどの検査結果を用いて予測用データを生成したいかを、管理者端末７２や医師端末７０を介して指定する。例えば、管理者や医師は、「結核」を発症した患者の「菌体量」の検査結果を用いて予測用データ生成したい場合に、症状「結核」及び検査結果「菌体量」を指定する。
データ取得部２２は、指定受付部２０から受け取った情報に基づいて、予測用データを生成するために必要なデータを、第１記憶部としての検査結果テーブル３０から取得する。
ここで、検査結果テーブル３０は、図４（ａ）に示すようなデータ構造を有する。具体的には、検査結果テーブル３０は、図４（ａ）に示すように、「患者ＩＤ」、「検査項目」、「検査値」、「年月日」の各フィールドを有する。「患者ＩＤ」のフィールドには、患者の識別情報が格納される。「検査項目」のフィールドには、検査種別に関する情報が格納される。「検査値」のフィールドには、検査結果の値が格納される。「年月日」のフィールドには、検査日時の情報が格納される。検査結果テーブル３０には、電子カルテサーバ１０において管理されている全てのデータのうち、上記各フィールドに対応するデータのみが複製（レプリケーション）されている。
したがって、データ取得部２２は、指定された症状を発症した患者の識別情報（患者ＩＤ）を電子カルテサーバ１０において管理されているデータから特定し、特定した患者の指定された検査種別の検査結果と検査日時を検査結果テーブル３０から取得する。
データ除外部２４は、定義部としての期間マスタ３４を参照し、第２記憶部としての介入テーブル３２に格納されているデータに基づいて、検査結果テーブル３０から取得したデータの中から予測用データの生成に用いないデータを除外し、予測用データの生成に用いるデータのみを特定する。
ここで、介入テーブル３２は、患者に対して実行された処置（手術や投与など）に関する情報が格納されており、図４（ｂ）に示すようなデータ構造を有する。具体的には、介入テーブル３２は、図４（ｂ）に示すように、「患者ＩＤ」、「介入項目」、「投与薬物」、「年月日」の各フィールドを有する。「患者ＩＤ」のフィールドには、処置を受けた患者の識別情報が格納され、「介入項目」のフィールドには処置に関する項目名（「手術」や「投与」など）が格納される。「投与薬物」のフィールドには、投与された薬物の名称が格納される。「年月日」のフィールドには、処置日時の情報が格納される。介入テーブル３２には、電子カルテサーバ１０において管理されている全てのデータのうち、上記各フィールドに対応するデータのみが複製（レプリケーション）されている。
また、期間マスタ３４は、患者に対して処置が行われたときに該処置に対応する検査項目の検査結果を予測用データの生成に利用しない期間を定義するマスタであり、図４（ｃ）に示すようなデータ構造を有する。具体的には、期間マスタ３４は、図４（ｃ）に示すように、「期間」、「イベント種」、「判定対象」の各フィールドを有する。「期間」のフィールドには、予測用データの生成に利用しない期間の情報が格納され、「イベント種」のフィールドには、処置の内容（図４（ｂ）の介入項目と投与薬物を含む情報）が格納される。また、「判定対象」のフィールドには、いずれの検査項目を無効にするかが格納される。図４（ｂ）の例では、アジスロマイシンが投与された患者が投与後１週間の間に受けた菌体量の検査の検査結果は、予測用データの生成に用いないということが定義されている。このように定義されているのは、アジスロマイシンを投与した後１週間は、菌体量がアジスロマイシンの影響により低下するため、この間に得られた菌体量の検査結果を予測用データの生成に用いるのは適切でないからである。
予測用データ生成部２６は、データ除外部２４が特定した予測用データの生成に用いるデータを用いて、予測用データを生成する。予測用データ生成部２６は、生成した予測用データを予測用データＤＢ３６に格納する。なお、予測用データの詳細や、予測用データＤＢ３６のデータ構造の詳細については、後述する。
予測部２８は、医師端末７０から入力された患者（予測対象の患者）の患者ＩＤに基づいて、予測対象の患者がこれまでに受けた検査の検査結果を検査結果テーブル３０から取得する。また、予測部２８は、取得した検査結果に対応する予測用データを予測用データＤＢ３６から取得し、取得した予測用データを用いて学習済みモデルを生成する。そして、予測部２８は、生成した学習済みモデルと、取得した検査結果とに基づいて、予測対象の患者の今後の状態を予測する。
図１に戻り、医師端末７０は、医師が利用する端末であり、図２（ｂ）に示すようなハードウェア構成を有する。具体的には、医師端末７０は、ＣＰＵ１９０、ＲＯＭ１９２、ＲＡＭ１９４、記憶部（ここではＨＤＤ）１９６、ネットワークインタフェース１９７、表示部１９３、入力部１９５、及び可搬型記憶媒体１９１に記憶されたプログラムやデータを読み取り可能な可搬型記憶媒体用ドライブ１９９等を備えている。これら、医師端末７０の構成各部は、バス１９８に接続されている。表示部１９３は、液晶ディスプレイ等を含み、入力部１９５は、キーボードやマウス、タッチパネル等を含む。医師は、医師端末７０を介して、電子カルテサーバ１０において管理すべき各種データを入力したり、電子カルテサーバ１０によって管理されている各種データを確認する。また、医師は、医師端末７０を介して、予測サーバ１２に対し、予測用データの生成指示（症状や検査種別の指定）を出したり、患者の今後の状態を予測する指示を出したりする。
管理者端末７２は、医療システム１００の管理者が利用する端末であり、医師端末７０と同様、図２（ｂ）に示すようなハードウェア構成を有している。管理者は、管理者端末７２を介して、予測サーバ１２に対し、予測用データの生成指示（症状や検査種別の指定）を出す。また、管理者は、管理者端末７２を介して、期間マスタ３４を設定するための各種情報を入力する。
（予測サーバ１２による予測用データの生成処理について）
次に、予測サーバ１２による予測用データの生成処理について、図５のフローチャートに沿って、その他図面を適宜参照しつつ詳細に説明する。
なお、図５の処理は、例えば、管理者が管理者端末７２を介して予測用データの生成処理の開始要求を入力した段階で、開始される。また、図５の処理の開始時点では、図４（ｃ）の期間マスタ３４は、管理者によって予め生成されており、電子カルテサーバ１０において管理されているデータが検査結果テーブル３０及び介入テーブル３２に複製（レプリケーション）されているものとする。
図５の処理では、まず、ステップＳ１２において、指定受付部２０が、管理者端末７２から入力される検査項目と患者の症状の指定を受け付ける。指定受付部２０は、受け付けた検査項目と症状の情報をデータ取得部２２に受け渡す。
ステップＳ１４では、データ取得部２２が、指定された症状が発症した患者の、指定された検査項目の検査結果を検査結果テーブル３０から取得する。例えば、指定された症状が「結核」で、指定された検査項目が「菌体量」であれば、電子カルテサーバ１０において症状「結核」が発症した患者を特定し、特定した患者の「菌体量」の検査結果のすべてを検査結果テーブル３０から取得する。
次いで、ステップＳ１６では、データ除外部２４が、指定された症状が発症した患者の１人を選択する。ここでは、例えば、患者ＩＤ＝「Ａ」の患者が選択されたとする。以下においては、患者ＩＤ＝「Ａ」の患者を「患者Ａ」と呼ぶものとする。
次いで、ステップＳ１８では、データ除外部２４が、検査の実施回数のパラメータＮ，Ｍを、Ｎ＝１，Ｍ＝Ｎ＋１＝２とする。なお、検査の実施回数とは、１人の患者に対して実施された検査の古い方からの順番を意味し、最も古い検査が「１回目」、次に古い検査が「２回目」…となる。
次いで、ステップＳ２０では、データ除外部２４が、選択された患者の指定された検査項目の検査結果（Ｎ回目、Ｍ回目）を取得する。ここでは、データ除外部２４は、患者Ａの１回目の菌体量の検査結果と、２回目の菌体量の検査結果を取得する。
次いで、ステップＳ２２では、データ除外部２４が、取得した検査結果（Ｎ回目）が期間マスタ３４で定義されている期間における検査結果であるか否かを判断する。例えば、期間マスタ３４において図４（ｃ）に示すようにアジスロマイシンの投与から１週間は菌体量の検査結果を無効にする旨が定義されており、図６（ａ）に示すようにアジスロマイシンが２０１７年６月１０日に投与されていたとする。この場合において、図６（ｂ）に示すように、Ｎ回目（１回目）の菌体量の検査が２０１７年６月１１日にされていたとすると、上記無効の期間に含まれているため、ステップＳ２２の判断は肯定される。ステップＳ２２の判断が肯定された場合には、ステップＳ２４に移行し、データ除外部２４は、取得した検査結果（Ｎ回目及びＭ回目）を一旦破棄する。なお、患者が複数の処置を受けていた場合には、検査結果が、各処置に対応する期間マスタ３４で定義されている期間のいずれかに含まれていれば、ステップＳ２２の判断が肯定されることになる。
次いで、ステップＳ２６では、データ除外部２４が、Ｎ及びＭを１インクリメント（Ｎ＝Ｎ＋１、Ｍ＝Ｍ＋１＝Ｎ＋２）する。例えば図６（ｂ）の例のようにＮ＝１、Ｍ＝２のときにステップＳ２２の判断が肯定されると、ステップＳ２６では、データ除外部２４は、Ｎ＝２、Ｍ＝３とする。そして、ステップＳ２６の処理が行われた後は、ステップＳ２０に戻る。ステップＳ２０に戻ると、データ除外部２４は、新たなＮ回目、Ｍ回目の検査結果（ここで、２回目、３回目の検査結果）を取得し、上記と同様にステップＳ２２の判断を実行する。
一方、例えば、１回目の菌体量の検査が図６（ｃ）に示すように２０１７年６月９日に実施されていた場合には、無効の期間に含まれていないため、ステップＳ２２の判断が否定され、ステップＳ２８に移行する。
以下の説明では、図６（ｃ）のように、１回目の検査結果が破棄されず、１回目、２回目の検査結果が取得された状態で、ステップＳ２８に移行した場合について説明する。
ステップＳ２８に移行すると、データ除外部２４は、取得した検査結果（Ｍ回目）が期間マスタ３４で定義されている期間における検査結果であるか否かを判断する。図６（ｃ）の場合、Ｍ回目の検査結果は２回目の検査結果を意味する。この場合、２回目の検査が実施された２０１７年６月１４日は、期間マスタ３４の無効の期間に含まれているため、ステップＳ２８の判断は肯定され、ステップＳ３０に移行する。ステップＳ３０に移行すると、データ除外部２４は、取得した検査結果（Ｍ回目）を破棄する。すなわち、図６（ｃ）の例では、２回目の検査結果を破棄する。次いで、ステップＳ３２では、データ除外部２４が、Ｍを１インクリメント（Ｍ＝Ｍ＋１）する。図６（ｃ）の例では、Ｍ＝３となる。そして、次のステップＳ３４では、データ除外部２４が、検査結果（Ｍ回目）を取得する。この場合、ステップＳ３０において破棄された検査結果の次の検査結果（図６（ｃ）では３回目の検査結果）を取得することになる。その後は、ステップＳ２８に戻る。ステップＳ２８に戻ると、データ除外部２４は、Ｍ回目（＝３回目）の検査結果が期間マスタ３４の無効の期間であるかを判断するが、図６（ｃ）の例では、無効の期間を過ぎているため、ステップＳ２８の判断は否定されて、ステップＳ３６に移行する。
ステップＳ３６に移行すると、予測用データ生成部２６が、現時点で取得している２つの検査結果（図６（ｃ）では、Ｎ＝１回目とＭ＝３回目の検査結果）の変化率を算出する。すなわち、次式（１）より、変化率を求める。
変化率＝（Ｍ回目の検査結果−Ｎ回目の検査結果）／経過日数 …（１）
なお、経過日数は、Ｎ回目の検査とＭ回目の検査の間の日数を意味する。
予測用データ生成部２６は、求めた変化率を予測用データＤＢ３６に格納する。ここで、予測用データＤＢ３６は、図７に示すようなデータ構造を有する。具体的には、予測用データＤＢ３６は、各患者の症状や検査項目、変化率の遷移を示すデータを格納するデータベースであり、「患者ＩＤ」、「症状」、「検査項目」、「変化率１」、「変化率２」、…のフィールドを有する。なお、予測用データ生成部２６は、電子カルテサーバ１０において管理されているデータを参照して症状が発症した日時を特定し、症状が発症する直前の変化率の欄に変化率の数値とともに「（発症）」を格納するものとする。
次いで、ステップＳ３８では、データ除外部２４が、選択された患者の検査結果が終了したか否か、すなわちデータ除外部２４が選択された患者の全ての検査結果を取得し終えたか否かを判断する。このステップＳ３８の判断が否定された場合には、ステップＳ４０に移行する。ステップＳ４０に移行すると、データ除外部２４は、Ｎ＝Ｍ、Ｍ＝Ｍ＋１とする。図６（ｃ）の例では、Ｎ＝３、Ｍ＝４となる。その後は、ステップＳ２０に移行し、データ除外部２４は、３回目と４回目の検査結果を取得し、ステップＳ２２以降の処理を実行する。なお、ステップＳ４０を経た後に、ステップＳ２２に移行した場合、ステップＳ２２の判断は必ず否定される（直前に実行したステップＳ２８の判断が否定されているため）。したがって、ステップＳ４０を経た後においては、ステップＳ２２の判断を省略してもよい。
一方、ステップＳ３８の判断が肯定されると、ステップＳ４２に移行し、データ除外部２４は、指定された症状が発症した患者を全て選択したか否かを判断する。このステップＳ４２の判断が否定された場合には、ステップＳ１６に戻り、データ除外部２４は、次の患者を選択して、ステップＳ１８以降の処理を繰り返し実行する。一方、ステップＳ４２の判断が肯定された場合には、図５のフローチャートの全処理を終了する。
以上のように、予測サーバ１２は、図５の処理を実行することで、指定された症状が発症した各患者の指定された検査項目の検査結果の変化率の遷移データを、予測用データＤＢ３６に格納する。この場合、検査結果に影響のある処置が行われた場合には、その処置の影響が表れている間の検査結果を除外して、検査結果の変化率を求めることとしている。したがって、処置による影響を排除した、検査結果の変化率の変遷を示す適切なデータを予測用データＤＢ３６に格納することができる。
（予測部２８の処理について）
図８には、予測部２８の処理がフローチャートにて示されている。
図８に示すように、予測部２８は、ステップＳ５０において、予測対象の患者の情報が入力されるまで待機する。なお、医師が医師端末７０上で、予測対象の患者を指定すると、医師端末７０から予測部２８に対して指定された患者の情報が入力される。このように患者の情報が入力されると、予測部２８は、ステップＳ５２に移行する。
ステップＳ５２に移行すると、予測部２８は、予測用データＤＢ３６を参照して、予測対象の患者に対応する学習済みモデルを生成する。この場合、予測部２８は、予測対象の患者に対して実施された検査と同一の検査を受けている患者の予測用データを予測用データＤＢ３６から読み出し、読み出した予測用データを用いて学習済みモデルを生成する。学習済みモデルは、人工知能の分野の１つである「機械学習」において用いるモデルであり、予測用データＤＢ３６に格納されているデータから生成されるアルゴリズム（関数）と予測精度を高めるためにチューニングされたパラメータを含んでいる。例えば、ある患者と別の患者では、菌体量を計測するタイミングも、計測間隔も異なるが、症状が発症するまでの菌体量の変化率の変遷パターンに類似性がある場合がある。図９は、学習済みモデルについて説明するための図である。ただし、図９は、学習済みモデルそのものではない。具体的には、図９に示すように患者Ａの菌体量は短期間の間に変化し、患者Ｂの菌体量は長期間の間に変化しているが、両患者Ａ，Ｂの菌体量の変化率の変遷パターンは、一度上昇し、次に減少し、さらに急激に上昇するという特徴において、類似しているといえる。なお、ここでは、２名の患者を例に説明したが、多くの患者について同様の特徴がみられた場合、菌体量という指標において、この特徴が結核発症の可能性を示唆するという知見が、学習によって得られる。したがって、予測部２８は、複数の患者から収集したデータから特定の指標の変化率に共通する特徴を学習することで、患者の今後の状態を予測するための学習済みモデルを生成する。なお、予測部２８が予測用データＤＢ３６から読み出す予測用データは、予測用データＤＢ３６において連続するデータであることが、予測精度の観点から好ましい。
なお、学習済みモデルは、予測用データＤＢ３６に新たなデータが格納されたタイミングで生成し、所定の格納領域に格納しておいてもよい。この場合、ステップＳ５２では、予測部２８は、予測対象の患者に対応する学習済みモデルを格納領域から読み出すようにしてもよい。
次いで、ステップＳ５４では、予測部２８が、予測対象の患者の検査結果を検査結果テーブル３０から取得し、取得した検査結果と、生成した学習済みモデルと、に基づいて、予測対象の患者の今後の状態を予測する。例えば、予測対象の患者の菌体量の変化率を学習済みモデルに当てはめることで、今後、結核の症状が発症するかや、発症する場合にはいつ頃発症するかなどを予測することができる。
次いで、ステップＳ５６では、予測部２８は、予測結果を出力する。例えば、予測部２８は、医師端末７０に対して予測結果を送信する。これにより、医師端末７０を利用する医師は、予測対象の患者の今後の状態の予測結果を確認することができるので、患者に対して適切なアドバイスを送ったり、処置を実施したりすることが可能となる。
なお、上記説明では、予測部２８が２つの機能（学習済みモデルを作成する機能と、学習済みモデルを用いて予測を行う機能）を有する場合について説明したが、これに限られるものではない。例えば、各機能を別々の予測部（例えば第１予測部と第２予測部）が有していてもよい。なお、予測部２８は、予測サーバ１２とは別の装置が有していてもよい。また、予測部２８が有する２つの機能を別々の装置が有していてもよい。この場合、予測部２８が有する一方の機能を予測サーバ１２が有していてもよい。
以上、詳細に説明したように、本実施形態によると、指定受付部２０は、検査項目の指定を受け付け（Ｓ１２）、データ取得部２２は、検査項目に対応する検査結果と検査日時を検査結果テーブル３０から取得し（Ｓ１４）、データ除外部２４は、期間マスタ３４と、介入テーブル３２とを参照して、取得した検査結果の中から予測用データの生成に利用する検査結果を特定し（Ｓ２０〜Ｓ３４）、予測用データ生成部２６は、特定した検査結果に基づいて患者ごとの検査結果の変化率を算出して予測用データを生成する（Ｓ３６）。これにより、本実施形態では、検査結果とは別の医療データ（介入テーブル３２）のデータを加味することで、予測用データの生成に利用する検査結果として不適切な検査結果を排除することができる。これにより、患者の今後の状態を予測する際に用いる学習済みモデルを生成するのに適した予測用データを生成することが可能である。また、予測用データが、患者ごとの検査結果の変化率の変遷（推移）を示すデータであるため、患者ごとの検査間隔の不一致を吸収することができる。すなわち、医療現場においては、所定間隔（例えば初回、１週間後、２週間後、１か月後、…）でデータを取得し、これに基づいて検査結果の傾向を学習しようとしても、患者ごとに検査間隔が異なると、データを集めることができず、精度の高い学習を行うことができない。しかるに、本実施形態のように検査結果の変化率を予測用データとして求めることで、検査間隔が異なっていても、精度の高い学習を行うことが可能となる。なお、本実施形態では、予測用データとして検査結果の変化率を用いているため、期間マスタ３４に基づいて検査結果の一部を除外しても適切な予測用データを生成することができる。
なお、本実施形態では、予測用データ生成部２６は、検査結果の変化率を求め、該変化率の変遷を示すデータを予測用データとする場合について説明したが、これに限られるものではない。例えば、予測用データ生成部２６は、検査結果の変化量を求め、該変化量の変遷を示すデータを予測用データとしてもよい。このようにしても、予測部２８では、変化量の遷移データから学習済みモデルを生成し、生成した学習済みモデルに基づいて、予想対象の患者の今後の状態を精度よく予測することが可能である。
また、本実施形態では、ステップＳ１２において、指定受付部２０が、患者の症状の指定を受け付け、ステップＳ１４において、データ取得部２２が、指定された症状を発症した患者の、指定された検査項目に対応する検査結果と検査日時を検査結果テーブル３０から取得する。これにより、症状が発症した患者の検査結果に基づいて、学習用モデルを生成することで、予測対象の患者に症状が発症するのか、症状が発症する場合、発症時期はいつ頃かを予測することが可能である。
なお、上記実施形態では、指定された症状が発症している患者の検査結果を用いて、学習用モデルを生成する場合について説明したが、これに限られるものではない。例えば、検査結果がある数値に達した患者の検査結果を用いて、学習用モデルを生成してもよい。この場合、予測対象の患者の検査結果がある数値に達する時期がいつ頃かなどを予測することが可能となる。
（変形例）
なお、上記実施形態では、ある処置が行われた後、期間マスタ３４において定義されている期間の間は、処置に対応する検査結果を予測用データの生成において一切用いない場合について説明したが、これに限られるものではない。例えば、処置に対応する検査結果が所定の変化の傾向を示している場合に限り、期間マスタ３４において定義されている期間の間、処置に対応する検査結果を予測用データの生成において用いないようにしてもよい。
例えば、図１０に示すように、期間マスタにおいて「判定対象」のフィールドに「菌体量の減少」が格納されているとする。この場合、データ除外部２４は、アジスロマイシン投与後において菌体量が減少している場合に限り、投与後１週間の間に得られた検査結果を予測用データの生成に用いないようにする。したがって、データ除外部２４は、アジスロマイシン投与後において菌体量が減少していない場合（変化しないか、増加している場合）には、投与後１週間の間に得られた検査結果であっても、予測用データの生成に用いるようにする。このようにすることで、処置後であっても、処置の影響が検査結果に表れていないような検査結果については、予測用データの生成に用いるようにすることができる。
なお、上記実施形態では、予測用データＤＢ３６（図７）に、患者ＩＤ以外の患者の情報、例えば患者の性別や年齢などの情報を格納しておいてもよい。この場合、予測部２８は、学習済みモデルを生成する際に、予測対象の患者と類似する患者（例えば性別が同一で年齢が類似する患者）の予測用データのみを用いるようにしてもよい。
なお、上記実施形態では、電子カルテサーバ１０で管理されているデータが予測サーバ１２の検査結果テーブル３０及び介入テーブル３２にレプリケーションされる場合について説明したが、これに限られるものではない。すなわち、予測サーバ１２は、電子カルテサーバ１０で管理されている（電子カルテＤＢに格納されている）検査結果のデータや処置に関するデータを電子カルテＤＢから直接読み出すようにしてもよい。
なお、上記の処理機能は、コンピュータによって実現することができる。その場合、処理装置が有すべき機能の処理内容を記述したプログラムが提供される。そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体（ただし、搬送波は除く）に記録しておくことができる。
プログラムを流通させる場合には、例えば、そのプログラムが記録されたＤＶＤ（Digital Versatile Disc）、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）などの可搬型記録媒体の形態で販売される。また、プログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することもできる。
プログラムを実行するコンピュータは、例えば、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、自己の記憶装置に格納する。そして、コンピュータは、自己の記憶装置からプログラムを読み取り、プログラムに従った処理を実行する。なお、コンピュータは、可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することもできる。また、コンピュータは、サーバコンピュータからプログラムが転送されるごとに、逐次、受け取ったプログラムに従った処理を実行することもできる。
上述した実施形態は本発明の好適な実施の例である。但し、これに限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変形実施可能である。
なお、以上の実施形態及び変形例の説明に関して、更に以下の付記を開示する。
（付記１） 患者の状態の予測に用いる予測用データを生成するデータ生成プログラムであって、
検査項目の指定を受け付け、
患者の検査結果と検査日時を記憶する第１記憶部から、指定された前記検査項目に対応する検査結果と検査日時を取得し、
患者に対して処置が行われたときに該処置に対応する検査項目の検査結果を前記予測用データの生成に利用しない期間を定義する定義部と、患者に対して実施した処置内容と処置日時を記憶する第２記憶部と、前記取得した検査結果それぞれの検査日時とを参照し、前記取得した検査結果の中から前記予測用データの生成に利用する検査結果を特定し、
特定した検査結果に基づいて、患者ごとの検査結果の変化率および検査結果の変化量の少なくとも一方を、前記予測用データとして生成する、
処理をコンピュータに実行させるためのデータ生成プログラム。
（付記２） 前記特定する処理では、患者に対して処置が行われ、該処置に対応する検査項目の検査結果が予め定められている変化の傾向を示さなかった場合には、前記定義部で定められている前記予測用データの生成に利用しない期間内の検査結果を前記予測用データの生成に利用する検査結果として特定する、ことを特徴とする付記１に記載のデータ生成プログラム。
（付記３） 前記受け付ける処理では、患者の症状の指定を更に受け付け、
前記取得する処理では、指定された症状を発症した患者の、前記検査項目に対応する検査結果と検査日時を前記第１記憶部から取得する、ことを特徴とする付記１又は２に記載のデータ生成プログラム。
（付記４） 前記生成する処理では、前記患者ごとの特定した検査結果のうちの連続する検査結果について、前記変化率および前記変化量の少なくとも一方を算出することを特徴とする付記１〜３のいずれかに記載のデータ生成プログラム。
（付記５） 前記コンピュータに、
前記患者を含む複数の患者についての前記予測用データに基づき、前記予測用データの特徴を示すモデルを生成し、
前記モデルを用いて、指定された他の患者の今後の状態を予測し、
予測した結果を出力する、
処理を実行させる付記１〜４のいずれかに記載のデータ生成プログラム。
（付記６） 前記複数の患者は、前記他の患者が受診した検査を受けた患者であって、
前記モデルは、特定の検査で得られる特定の検査項目に関する前記変化率および前記変化量の少なくとも一方に関するモデルであることを特徴とする付記５に記載のデータ生成プログラム。
（付記７） 患者の状態の予測に用いる予測用データを生成するデータ生成方法であって、
検査項目の指定を受け付け、
患者の検査結果と検査日時を記憶する第１記憶部から、指定された前記検査項目に対応する検査結果と検査日時を取得し、
患者に対して処置が行われたときに該処置に対応する検査項目の検査結果を前記予測用データの生成に利用しない期間を定義する定義部と、患者に対して実施した処置内容と処置日時を記憶する第２記憶部と、前記取得した検査結果それぞれの検査日時とを参照し、前記取得した検査結果の中から前記予測用データの生成に利用する検査結果を特定し、
特定した検査結果に基づいて、患者ごとの検査結果の変化率および検査結果の変化量の少なくとも一方を、前記予測用データとして生成する、
処理をコンピュータが実行することを特徴とするデータ生成方法。
（付記８） 患者の状態の予測に用いる予測用データを生成するデータ生成装置であって、
検査項目の指定を受け付ける指定受付部と、
患者の検査結果と検査日時を記憶する第１記憶部から、指定された前記検査項目に対応する検査結果と検査日時を取得する取得部と、
患者に対して処置が行われたときに該処置に対応する検査項目の検査結果を前記予測用データの生成に利用しない期間を定義する定義部と、患者に対して実施した処置内容と処置日時を記憶する第２記憶部と、前記取得した検査結果それぞれの検査日時とを参照し、前記取得した検査結果の中から前記予測用データの生成に利用する検査結果を特定する特定部と、
特定した検査結果に基づいて、患者ごとの検査結果の変化率および検査結果の変化量の少なくとも一方を、前記予測用データとして生成する生成部と、
を備えるデータ生成装置。
（付記９） 前記特定部は、患者に対して処置が行われ、該処置に対応する検査項目の検査結果が予め定められている変化の傾向を示さなかった場合には、前記定義部で定められている前記予測用データの生成に利用しない期間内の検査結果を前記予測用データの生成に利用する検査結果として特定する、ことを特徴とする付記８に記載のデータ生成装置。
（付記１０） 前記指定受付部は、患者の症状の指定を更に受け付け、
前記取得部は、指定された症状を発症した患者の、前記検査項目に対応する検査結果と検査日時を前記第１記憶部から取得する、ことを特徴とする付記８又は９に記載のデータ生成装置。
（付記１１） 前記生成部は、前記患者ごとの特定した検査結果のうちの連続する検査結果について、前記変化率および前記変化量の少なくとも一方を算出することを特徴とする付記８〜１０のいずれかに記載のデータ生成装置。
（付記１２） 前記患者を含む複数の患者についての前記予測用データに基づき、前記予測用データの特徴を示すモデルを生成し、前記モデルを用いて、指定された他の患者の今後の状態を予測し、予測した結果を出力する処理部を更に備える付記８〜１１のいずれかに記載のデータ生成装置。
（付記１３） 前記複数の患者は、前記他の患者が受診した検査を受けた患者であって、
前記モデルは、特定の検査で得られる特定の検査項目に関する前記変化率および前記変化量の少なくとも一方に関するモデルであることを特徴とする付記１２に記載のデータ生成装置。
１２ 予測サーバ（データ生成装置）
２０ 指定受付部
２２ データ取得部（取得部）
２４ データ除外部（特定部）
２６ 予測用データ生成部（生成部）
３０ 検査結果テーブル（第１記憶部）
３２ 介入テーブル（第２記憶部）
３４ 期間マスタ（定義部）

Claims (8)

  1. 患者の状態の予測に用いる予測用データを生成するデータ生成プログラムであって、
    検査項目の指定を受け付け、
    患者の検査結果と検査日時を記憶する第１記憶部から、指定された前記検査項目に対応する検査結果と検査日時を取得し、
    患者に対して処置が行われたときに該処置に対応する検査項目の検査結果を前記予測用データの生成に利用しない期間を定義する定義部と、患者に対して実施した処置内容と処置日時を記憶する第２記憶部と、前記取得した検査結果それぞれの検査日時とを参照し、前記取得した検査結果の中から前記予測用データの生成に利用する検査結果を特定し、
    特定した検査結果に基づいて、患者ごとの検査結果の変化率および検査結果の変化量の少なくとも一方を、前記予測用データとして生成する、
    処理をコンピュータに実行させるためのデータ生成プログラム。
  2. 前記特定する処理では、患者に対して処置が行われ、該処置に対応する検査項目の検査結果が予め定められている変化の傾向を示さなかった場合には、前記定義部で定められている前記予測用データの生成に利用しない期間内の検査結果を前記予測用データの生成に利用する検査結果として特定する、ことを特徴とする請求項１に記載のデータ生成プログラム。
  3. 前記受け付ける処理では、患者の症状の指定を更に受け付け、
    前記取得する処理では、指定された症状を発症した患者の、前記検査項目に対応する検査結果と検査日時を前記第１記憶部から取得する、ことを特徴とする請求項１又は２に記載のデータ生成プログラム。
  4. 前記生成する処理では、前記患者ごとの特定した検査結果のうちの連続する検査結果について、前記変化率および前記変化量の少なくとも一方を算出することを特徴とする請求項１〜３のいずれか一項に記載のデータ生成プログラム。
  5. 前記コンピュータに、
    前記患者を含む複数の患者についての前記予測用データに基づき、前記予測用データの特徴を示すモデルを生成し、
    前記モデルを用いて、指定された他の患者の今後の状態を予測し、
    予測した結果を出力する、
    処理を実行させる請求項１〜４のいずれか一項に記載のデータ生成プログラム。
  6. 前記複数の患者は、前記他の患者が受診した検査を受けた患者であって、
    前記モデルは、特定の検査で得られる特定の検査項目に関する前記変化率および前記変化量の少なくとも一方に関するモデルであることを特徴とする請求項５に記載のデータ生成プログラム。
  7. 患者の状態の予測に用いる予測用データを生成するデータ生成方法であって、
    検査項目の指定を受け付け、
    患者の検査結果と検査日時を記憶する第１記憶部から、指定された前記検査項目に対応する検査結果と検査日時を取得し、
    患者に対して処置が行われたときに該処置に対応する検査項目の検査結果を前記予測用データの生成に利用しない期間を定義する定義部と、患者に対して実施した処置内容と処置日時を記憶する第２記憶部と、前記取得した検査結果それぞれの検査日時とを参照し、前記取得した検査結果の中から前記予測用データの生成に利用する検査結果を特定し、
    特定した検査結果に基づいて、患者ごとの検査結果の変化率および検査結果の変化量の少なくとも一方を、前記予測用データとして生成する、
    処理をコンピュータが実行することを特徴とするデータ生成方法。
  8. 患者の状態の予測に用いる予測用データを生成するデータ生成装置であって、
    検査項目の指定を受け付ける指定受付部と、
    患者の検査結果と検査日時を記憶する第１記憶部から、指定された前記検査項目に対応する検査結果と検査日時を取得する取得部と、
    患者に対して処置が行われたときに該処置に対応する検査項目の検査結果を前記予測用データの生成に利用しない期間を定義する定義部と、患者に対して実施した処置内容と処置日時を記憶する第２記憶部と、前記取得した検査結果それぞれの検査日時とを参照し、前記取得した検査結果の中から前記予測用データの生成に利用する検査結果を特定する特定部と、
    特定した検査結果に基づいて、患者ごとの検査結果の変化率および検査結果の変化量の少なくとも一方を、前記予測用データとして生成する生成部と、
    を備えるデータ生成装置。
JP2017154679A 2017-08-09 2017-08-09 データ生成プログラム、データ生成方法及びデータ生成装置 Active JP6844468B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2017154679A JP6844468B2 (ja) 2017-08-09 2017-08-09 データ生成プログラム、データ生成方法及びデータ生成装置
US16/054,558 US20190051405A1 (en) 2017-08-09 2018-08-03 Data generation apparatus, data generation method and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017154679A JP6844468B2 (ja) 2017-08-09 2017-08-09 データ生成プログラム、データ生成方法及びデータ生成装置

Publications (2)

Publication Number Publication Date
JP2019032772A true JP2019032772A (ja) 2019-02-28
JP6844468B2 JP6844468B2 (ja) 2021-03-17

Family

ID=65275610

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017154679A Active JP6844468B2 (ja) 2017-08-09 2017-08-09 データ生成プログラム、データ生成方法及びデータ生成装置

Country Status (2)

Country Link
US (1) US20190051405A1 (ja)
JP (1) JP6844468B2 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021152710A1 (ja) * 2020-01-28 2021-08-05 オリンパス株式会社 情報伝達装置および情報伝達方法
WO2022153430A1 (ja) * 2021-01-14 2022-07-21 日本電気株式会社 モデル生成装置、モデル生成方法、状態予測装置、状態予測方法、及び、記録媒体
KR20220165013A (ko) * 2021-06-07 2022-12-14 계명대학교 산학협력단 인공지능 기반 개인 질환 예측 장치 및 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022261007A1 (en) * 2021-06-08 2022-12-15 Chan Zuckerberg Biohub, Inc. Disease management system
DE112021007831T5 (de) * 2021-06-15 2024-04-04 Mitsubishi Electric Corporation Programm, Bezeichnungsunterstützungs-Vorrichtung und Bezeichnungsunterstützungs-Verfahren
CN115185936B (zh) * 2022-07-12 2023-02-03 曜立科技(北京)有限公司 一种基于大数据的医疗临床数据质量分析系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004121562A (ja) * 2002-10-02 2004-04-22 Suzuken Co Ltd 健康管理システム、活動状態測定装置及びデータ処理装置
JP2010165127A (ja) * 2009-01-14 2010-07-29 Canon Inc 情報処理装置および情報処理方法
JP2016122269A (ja) * 2014-12-24 2016-07-07 日本光電工業株式会社 生体情報予測装置、生体情報予測方法、及びプログラム

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003032827A1 (en) * 2001-08-03 2003-04-24 Robert Becker Method for reliable measurement in medical care and patient self monitoring
JP4826743B2 (ja) * 2006-01-17 2011-11-30 コニカミノルタエムジー株式会社 情報提示システム
US20080250341A1 (en) * 2006-04-06 2008-10-09 Ethicon Endo-Surgery, Inc. Gui With Trend Analysis for an Implantable Restriction Device and a Data Logger
CN101743552B (zh) * 2007-07-13 2016-08-10 皇家飞利浦电子股份有限公司 用于急性动态疾病的决策支持系统
WO2009103156A1 (en) * 2008-02-20 2009-08-27 Mcmaster University Expert system for determining patient treatment response
US20120271612A1 (en) * 2011-04-20 2012-10-25 Barsoum Wael K Predictive modeling
US20130345559A1 (en) * 2012-03-28 2013-12-26 Musc Foundation For Reseach Development Quantitative perfusion analysis for embolotherapy
US20130287859A1 (en) * 2012-04-26 2013-10-31 Lescarden Inc. Method for treating prupritus with cartilage extract
US20160034663A1 (en) * 2013-03-15 2016-02-04 Mirror Quest, Llc Method to increase efficiency, coverage, and quality of direct primary care
WO2015069827A2 (en) * 2013-11-06 2015-05-14 H. Lee Moffitt Cancer Center And Research Institute, Inc. Pathology case review, analysis and prediction
JP6271229B2 (ja) * 2013-11-28 2018-01-31 富士フイルム株式会社 診療情報処理装置および方法並びにプログラム
JP6367092B2 (ja) * 2014-11-18 2018-08-01 富士フイルム株式会社 情報収集装置、情報収集装置の作動方法および作動プログラム、並びに情報収集システム
US10579750B2 (en) * 2015-06-05 2020-03-03 Uptake Technologies, Inc. Dynamic execution of predictive models
US20160364545A1 (en) * 2015-06-15 2016-12-15 Dascena Expansion And Contraction Around Physiological Time-Series Trajectory For Current And Future Patient Condition Determination
EP4310502A3 (en) * 2016-03-31 2024-03-27 Abbott Laboratories Decision tree based systems and methods for estimating the risk of acute coronary syndrome
JP7021110B2 (ja) * 2016-05-09 2022-02-16 マジック リープ， インコーポレイテッド ユーザ健康分析のための拡張現実システムおよび方法
JP7046499B2 (ja) * 2017-04-18 2022-04-04 キヤノンメディカルシステムズ株式会社 医用情報処理装置及び医用情報処理方法
JP6671322B2 (ja) * 2017-07-19 2020-03-25 富士フイルム株式会社 医療情報提供装置および医療情報提供装置の作動方法並びに医療情報提供プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004121562A (ja) * 2002-10-02 2004-04-22 Suzuken Co Ltd 健康管理システム、活動状態測定装置及びデータ処理装置
JP2010165127A (ja) * 2009-01-14 2010-07-29 Canon Inc 情報処理装置および情報処理方法
JP2016122269A (ja) * 2014-12-24 2016-07-07 日本光電工業株式会社 生体情報予測装置、生体情報予測方法、及びプログラム

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021152710A1 (ja) * 2020-01-28 2021-08-05 オリンパス株式会社 情報伝達装置および情報伝達方法
WO2022153430A1 (ja) * 2021-01-14 2022-07-21 日本電気株式会社 モデル生成装置、モデル生成方法、状態予測装置、状態予測方法、及び、記録媒体
KR20220165013A (ko) * 2021-06-07 2022-12-14 계명대학교 산학협력단 인공지능 기반 개인 질환 예측 장치 및 방법
KR102567562B1 (ko) * 2021-06-07 2023-08-16 계명대학교 산학협력단 인공지능 기반 개인 질환 예측 장치 및 방법

Also Published As

Publication number Publication date
US20190051405A1 (en) 2019-02-14
JP6844468B2 (ja) 2021-03-17

Similar Documents

Publication Publication Date Title
JP6844468B2 (ja) データ生成プログラム、データ生成方法及びデータ生成装置
Walsh et al. Effects of a mindfulness meditation app on subjective well-being: active randomized controlled trial and experience sampling study
Torous et al. Characterizing the clinical relevance of digital phenotyping data quality with applications to a cohort with schizophrenia
Smith et al. When will Mendelian randomization become relevant for clinical practice and public health?
JP2018526697A (ja) 再帰型ニューラルネットワークを使用する健康イベントの分析
JP7107375B2 (ja) 状態遷移予測装置、予測モデル学習装置、方法およびプログラム
WO2016160509A1 (en) Methods and apparatus related to electronic display of a human avatar with display properties particularized to health risks of a patient
Li et al. Wiki-health: from quantified self to self-understanding
Standfield et al. An empirical comparison of Markov cohort modeling and discrete event simulation in a capacity-constrained health care setting
Liu et al. Combination of longitudinal biomarkers in predicting binary events
Sertkaya et al. Estimated cost of developing a therapeutic complex medical device in the US
CN114300079B (zh) 病例讨论报告的获取方法、电子设备及存储介质
Blaivas et al. Artificial intelligence versus expert: a comparison of rapid visual inferior vena cava collapsibility assessment between POCUS experts and a deep learning algorithm
Burden et al. Evaluation of adherence to a nutrition-screening programme over a 5-year period
Maw et al. Using Iterative RE-AIM to enhance hospitalist adoption of lung ultrasound in the management of patients with COVID-19: an implementation pilot study
Goodday et al. Better Understanding of the Metamorphosis of Pregnancy (BUMP): protocol for a digital feasibility study in women from preconception to postpartum
Hokken et al. Precision medicine in interventional cardiology
JP2019101654A (ja) 健康管理支援装置、方法およびプログラム
Heidenreich The growing case for routine collection of patient-reported outcomes
US11574730B2 (en) Data management system, data management method, and recording medium for data management program
CN112397195A (zh) 用于生成体格检查模型的方法、装置、电子设备和介质
Huang et al. Health diagnosis robot based on healthcare big data and fuzzy matching
Dreyfus et al. Autobiographical memory task in assessing dementia
JP2012198860A (ja) 情報処理装置、情報処理方法、及びプログラム
Harrison et al. Computerized adaptive testing for the Oxford Hip, Knee, Shoulder, and Elbow scores: accurate measurement from fewer, and more patient-focused, questions

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200514

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210114

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: 20210126

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210208

R150 Certificate of patent or registration of utility model

Ref document number: 6844468

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150