JP2019139693A - 排泄予測方法 - Google Patents
排泄予測方法 Download PDFInfo
- Publication number
- JP2019139693A JP2019139693A JP2018024967A JP2018024967A JP2019139693A JP 2019139693 A JP2019139693 A JP 2019139693A JP 2018024967 A JP2018024967 A JP 2018024967A JP 2018024967 A JP2018024967 A JP 2018024967A JP 2019139693 A JP2019139693 A JP 2019139693A
- Authority
- JP
- Japan
- Prior art keywords
- excretion
- time
- data
- care
- care record
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】介護者の経験に頼ったり、被介護者にセンサを装着したりすることなく、介護記録のみから被介護者の排泄(排尿及び排便)を高い確率で予測することができ、介護者の負担を軽減すると共に、被介護者の生活の質を向上させることができる実用性、信頼性に優れた排泄予測方法を提供する。【解決手段】被介護者の過去の介護記録を機械学習によって解析し、被介護者の排泄が発生するパターンを学習して、その学習結果から被介護者の排泄時間の予測を行う。【選択図】図1
Description
本発明は、介護や医療の現場において、日常の介護記録を利用して、被介護者の排泄(排尿及び排便)予測を行う排泄予測方法に関する。
近年、高齢化の影響により被介護者が増加し、介護者の人手不足や、負担増加といった問題が発生している。また、その結果、被介護者の生活の質が低下したり、負担が増加したりするという問題も発生している。例えば、麻痺や加齢に伴う筋収縮力の低下による筋弛緩から、弛緩性膀胱となった被介護者は、失禁してしまうことが多く、介護や医療の現場では、汚れた衣類や寝具等の交換作業が頻繁に発生し、特に夜間における作業は介護者にとって大きな負担となっている。また、被介護者がトイレのために夜間に離床する行為は、転倒等による怪我の発生原因となっており、特に注意が必要な被介護者には、離床時に介護者が付き添うことが多く、介護者の負担をさらに増大させている。これに対し、被介護者に紙おむつを着用させれば、介護者の作業負担を軽減することができるが、被介護者の自立性が低下し、その後の生活に支障をきたすおそれがある。
これらの問題を解決するものとして、例えば、特許文献1には、摂取した水分量及び摂取時刻から膀胱に含まれる尿量を推定し、事前に登録した個人の最大膀胱容量等から警告すべき容量値となる時間を推定する判断装置、判断方法、及び判断プログラムが開示されている。特許文献2には、睡眠時の生体信号(心拍信号、呼吸信号)の時系列データから判定対象者の睡眠段階を判定し、排泄が近い状態であるか否かを予知する排泄予知装置及び排泄予知方法が開示されている。特許文献3には、接触型の加振機と振動検出センサを用いて膀胱の尿蓄積量を判断する尿蓄積量検出装置、及び尿蓄積量を監視あるいは排尿を予告する方法が開示されている。
これらの問題を解決するものとして、例えば、特許文献1には、摂取した水分量及び摂取時刻から膀胱に含まれる尿量を推定し、事前に登録した個人の最大膀胱容量等から警告すべき容量値となる時間を推定する判断装置、判断方法、及び判断プログラムが開示されている。特許文献2には、睡眠時の生体信号(心拍信号、呼吸信号)の時系列データから判定対象者の睡眠段階を判定し、排泄が近い状態であるか否かを予知する排泄予知装置及び排泄予知方法が開示されている。特許文献3には、接触型の加振機と振動検出センサを用いて膀胱の尿蓄積量を判断する尿蓄積量検出装置、及び尿蓄積量を監視あるいは排尿を予告する方法が開示されている。
しかしながら、特許文献1〜3は、いずれもセンサを用いて尿量の推定(測定)や睡眠状態の予測を行い、排尿(排泄)を予告(通知)するものであるため、コストがかかり、システムが大掛かりになって普及し難いという問題がある。また、接触型のセンサを用いると、被介護者に負担を強いることになるだけでなく、被介護者が、違和感からセンサを取り外してしまうおそれもあり、その場合は、排泄を予測することができなくなるという問題がある。
本発明は、かかる事情に鑑みてなされたもので、介護者の経験に頼ったり、被介護者にセンサを装着したりすることなく、介護記録のみから被介護者の排泄(排尿及び排便)を高い確率で予測することができ、介護者の負担を軽減すると共に、被介護者の生活の質を向上させることができる実用性、信頼性に優れた排泄予測方法を提供することを目的とする。
本発明は、かかる事情に鑑みてなされたもので、介護者の経験に頼ったり、被介護者にセンサを装着したりすることなく、介護記録のみから被介護者の排泄(排尿及び排便)を高い確率で予測することができ、介護者の負担を軽減すると共に、被介護者の生活の質を向上させることができる実用性、信頼性に優れた排泄予測方法を提供することを目的とする。
前記目的に沿う本発明に係る排泄予測方法は、被介護者の過去の介護記録を機械学習によって解析し、前記被介護者の排泄が発生するパターンを学習して、その学習結果から前記被介護者の排泄時間を予測する。
本発明に係る排泄予測方法において、前記介護記録には、排尿データ、排便データ、水分摂取データ、及び食事データが含まれることが好ましい。
本発明に係る排泄予測方法において、前記介護記録には、さらに、体温データ、及び入浴データが含まれることが好ましい。
本発明に係る排泄予測方法において、前記排尿データ又は前記排便データが記録された排泄時間Teに対し、介護記録入力遅れ時間α及び介護記録考慮時間βを設定し、時間Te−α−β〜時間Te−αの間に記録された前記介護記録を用いて算出される排泄時間基準特徴量から前記排泄時間を予測することが好ましい。
本発明に係る排泄予測方法において、前記排泄時間基準特徴量に加え、前記排泄時間Teに対し、γ時間前の非排泄時間Tne=Te−γを設定し、時間Tne−α−β〜時間Tne−αの間に記録された前記介護記録を用いて算出される非排泄時間基準特徴量から前記排泄時間を予測することが好ましい。
本発明に係る排泄予測方法において、前記介護記録は、電子化された介護記録システムに記録されたものであり、予測された前記排泄時間は、前記介護記録システムの表示部に表示されることが好ましい。
本発明に係る排泄予測方法において、前記機械学習のアルゴリズムとしてランダムフォレストを用いることが好ましい。
本発明に係る排泄予測方法は、被介護者の過去の介護記録を機械学習によって解析し、被介護者の排泄が発生するパターンを学習して、その学習結果から被介護者の排泄時間を予測するので、介護記録のみから被介護者の排泄を高い確率で予測することができ、介護者の経験に頼ったり、被介護者にセンサを装着したりする必要がなく、大掛かりな設備も不要で、失禁の後始末に関わる介護者の負担を大幅に軽減できると共に、被介護者の生活の質を向上させることができる。また、従来から日常業務として付けられている介護記録を利用して排泄時間の予測を行うので、新たに介護者の作業負担が増加することもなく、省力性に優れる。
排泄予測に用いる介護記録に、排尿データ、排便データ、水分摂取データ、及び食事データが含まれる場合、高い精度で排泄時間の予測を行うことができる。
排泄予測に用いる介護記録に、体温データ、及び入浴データも含めた場合、より多くのパラメータから排泄時間の予測を行うことができ、排泄予測の精度を高めることができる。
排尿データ又は排便データが記録された排泄時間Teに対し、介護記録入力遅れ時間α及び介護記録考慮時間βを設定し、時間Te−α−β〜時間Te−αの間に記録された介護記録を用いて算出される排泄時間基準特徴量から排泄時間の予測を行う場合、被介護者の排泄が発生するパターンを効率的に学習することができ、排泄予測の効率性、信頼性に優れる。
排泄時間基準特徴量に加え、排泄時間Teに対し、γ時間前の非排泄時間Tne=Te−γを設定し、時間Tne−α−β〜時間Tne−αの間に記録された介護記録を用いて算出される非排泄時間基準特徴量から排泄時間の予測を行う場合、被介護者の排泄が発生するパターンを詳細に学習することができ、排泄予測の確度を高めることができる。
介護記録が、電子化された介護記録システムに記録されたものである場合、所定のプログラムを実行することにより、介護記録システムに記録された介護記録から必要なデータを自動的に抽出して、機械学習を行うことができるので、介護者は特別な作業を行う必要がない。また、予測された排泄時間が、介護記録システムの表示部に表示される場合、介護者は、介護記録システムへのデータ入力時や、介護記録の確認時に予測された排泄時間を知ることができ、見落としが発生し難く、被介護者の排泄に備えることが可能で、機能性、実用性に優れる。
機械学習のアルゴリズムとしてランダムフォレストを用いた場合、過学習を防ぐことができ、特徴量の次元数が大きくても高速に学習を行うことが可能で、安定性、信頼性に優れる。
続いて、本発明を具体化した実施の形態について説明し、本発明の理解に供する。
従来、介護や医療の現場では、被介護者の行動等を記録して、被介護者の体調や、介護サービスの提供状況等に関する情報を共有し、管理することを目的として、介護記録が付けられている。そして、近年では、手書きによる記入ミスや読みづらさを軽減し、介護者の業務の効率化を図るために、電子化された介護記録システムが浸透している。そこで、本発明の一実施の形態に係る排泄予測方法は、この電子化された介護記録システムに記録された被介護者の過去の介護記録(ログデータ)を機械学習によって解析し、被介護者の排泄(排尿及び排便)が発生するパターンを学習して、その学習結果から被介護者の排泄時間の予測(以下、「排泄予測」とも言う)を行うものである。
電子化された介護記録システムには、様々な介護記録が含まれるが、本実施の形態では、特に、排泄予測に関係すると考えられる排尿データ、排便データ、水分摂取データ、食事データ、体温データ、及び入浴データ(以下、まとめてデータという)を用いて排泄(排尿又は排便)予測を行う場合について説明する。
従来、介護や医療の現場では、被介護者の行動等を記録して、被介護者の体調や、介護サービスの提供状況等に関する情報を共有し、管理することを目的として、介護記録が付けられている。そして、近年では、手書きによる記入ミスや読みづらさを軽減し、介護者の業務の効率化を図るために、電子化された介護記録システムが浸透している。そこで、本発明の一実施の形態に係る排泄予測方法は、この電子化された介護記録システムに記録された被介護者の過去の介護記録(ログデータ)を機械学習によって解析し、被介護者の排泄(排尿及び排便)が発生するパターンを学習して、その学習結果から被介護者の排泄時間の予測(以下、「排泄予測」とも言う)を行うものである。
電子化された介護記録システムには、様々な介護記録が含まれるが、本実施の形態では、特に、排泄予測に関係すると考えられる排尿データ、排便データ、水分摂取データ、食事データ、体温データ、及び入浴データ(以下、まとめてデータという)を用いて排泄(排尿又は排便)予測を行う場合について説明する。
まず、排泄時間の予測では、基本的に排泄が発生した時間を基準として、その直前の所定時間内における複数のデータから解析を行うが、介護記録は介護者が人為的に記録するものであり、データの保存(入力)間隔も一定ではない。特に、排泄時間については、排泄時に直ちに介護記録が入力されるとは限らず、真の排泄時間と排泄データが記録された時間とは必ずしも一致しない。つまり、真の排泄時間Te’に対し、介護記録上の(排尿データ又は排便データが記録された)排泄時間Teは、図1(A)に示すように、時間遅れα’を伴って記録されており、Te=Te’+α’の関係となっている。しかし、時間遅れα’はデータから推測することができず、その長さは記録の度に異なり、一定ではない。そこで、α時間の入力遅れがあった(αは実際のα’より長い可能性も短い可能性もある)ものと仮定し、図1(C)に示すように、介護記録入力遅れ時間αと、介護記録考慮時間βを設定する。これにより、介護記録の排泄時間Teを基準に、時間Te−α−β〜時間Te−αの間に記録された介護記録のデータを抽出することができる。そして、抽出したデータを機械学習によって解析し、排泄時間基準特徴量を算出することにより、被介護者の排泄が発生するパターンを学習することができ、排泄時間の予測を行うことができる。
なお、排泄時間の予測では、非排泄時間も考慮する(排泄が発生しないパターンも合わせて学習する)ことにより、排泄時間の予測精度を向上させることができる。しかし、非排泄時間のデータは介護記録には記録されていない。そこで、図1(B)に示すように、排泄時間Teのγ時間前には排泄が発生していないものと仮定し、非排泄時間Tne=Te−γを設定する。そして、排泄時間Teの場合と同様に、図1(C)に示すように、非排泄時間Tneを基準に、時間Tne−α−β〜時間Tne−αの間に記録された介護記録のデータを抽出することができる。このようにして抽出したデータを機械学習によって解析することにより、非排泄時間基準特徴量を算出することができる。よって、排泄時間基準特徴量に加え、非排泄時間基準特徴量も合わせて排泄時間の予測を行うことにより、排泄時間の予測精度が高まる。なお、機械学習のアルゴリズムとしてランダムフォレストが好適に用いられるが、サポートベクターマシン(SVM)、線形判別分析、k近傍法、ナイーブベイズ分類法、決定木、ニューラルネットワーク、バギング法、ブースティング法等を用いることができる。
次に、排泄時間基準特徴量、及び非排泄時間基準特徴量を算出するための対象となるデータについて説明する。排尿データとしては排尿回数、排便データとしては排便回数、水分摂取データとしては水分摂取回数と水分摂取量、食事データとしては食事回数、体温データとしては検温時体温、入浴データとしては入浴回数が、それぞれ対象となる。なお、排尿予測では排尿回数のデータを用い、排便予測では排便回数のデータを用いる。
以下、介護記録のデータの具体例を参照しながら、説明する(ここでは、排尿時間を対象として排泄時間Te、及び非排泄時間Tneを設定する場合について説明するが、排便時間についても同様である)。なお、表1、表2は、それぞれ排泄時間基準特徴量、及び非排泄時間基準特徴量を算出するための対象となるデータのみを示しており、実際の介護記録には、さらに詳細なデータやその他のデータが含まれている。表1、表2において、1列目は説明用の通し番号、2列目は介護記録に記録された各種データ、3列目はデータの種類をそれぞれ表している。ここでは、介護記録入力遅れ時間α=0時間、介護記録考慮時間β=2時間と設定している。なお、介護記録入力遅れ時間αは、例えば0〜2時間の範囲が好適であり、介護記録考慮時間βは、1〜3時間の範囲が好適であるが、これらに限定されるものではなく、適宜、選択することができる。
以下、介護記録のデータの具体例を参照しながら、説明する(ここでは、排尿時間を対象として排泄時間Te、及び非排泄時間Tneを設定する場合について説明するが、排便時間についても同様である)。なお、表1、表2は、それぞれ排泄時間基準特徴量、及び非排泄時間基準特徴量を算出するための対象となるデータのみを示しており、実際の介護記録には、さらに詳細なデータやその他のデータが含まれている。表1、表2において、1列目は説明用の通し番号、2列目は介護記録に記録された各種データ、3列目はデータの種類をそれぞれ表している。ここでは、介護記録入力遅れ時間α=0時間、介護記録考慮時間β=2時間と設定している。なお、介護記録入力遅れ時間αは、例えば0〜2時間の範囲が好適であり、介護記録考慮時間βは、1〜3時間の範囲が好適であるが、これらに限定されるものではなく、適宜、選択することができる。
表1では、通し番号6eが排泄時間Teのデータであり、通し番号2β〜5βの各データが排泄時間基準特徴量の算出に用いられる。2β〜5βのデータは、各時間において、100mLの水分を摂取したこと、昼食を食べたこと、体温が36.6℃であったこと、100mLの水分(牛乳)を摂取したことを表している。
また、表2では、通し番号4の排泄時間Teのデータに対し、通し番号3neで、γ=1時間前の非排泄時間Tne=Te−γを設定している。このとき、介護記録考慮時間β=2時間なので、通し番号2βの水分摂取(100mL)のデータのみが非排泄時間基準特徴量の算出に用いられ、通し番号1の食事データは非排泄時間基準特徴量の算出には用いられない。なお、非排泄時間Tneを設定するためのパラメータγは適宜、選択することができる。
また、表2では、通し番号4の排泄時間Teのデータに対し、通し番号3neで、γ=1時間前の非排泄時間Tne=Te−γを設定している。このとき、介護記録考慮時間β=2時間なので、通し番号2βの水分摂取(100mL)のデータのみが非排泄時間基準特徴量の算出に用いられ、通し番号1の食事データは非排泄時間基準特徴量の算出には用いられない。なお、非排泄時間Tneを設定するためのパラメータγは適宜、選択することができる。
以上のように、過去の介護記録に対して、排泄時間Te又は非排泄時間Tneの設定を行い、それらを基準として、所定の介護記録考慮時間βの間に記録された各種データを抽出し、機械学習することにより、排泄時間基準特徴量又は非排泄時間基準特徴量が算出され、排泄予測が行われる。なお、介護記録考慮時間βの間に対象となるデータが存在していない場合は、排泄時間基準特徴量又は非排泄時間基準特徴量の算出は行われない。
排泄予測の結果は、例えば、β時間後の排泄(排尿又は排便)の発生確率を百分率で表示することができる。この結果を電子化された介護記録システムの表示部に表示すれば、介護者は、介護記録システムへのデータ入力時や、介護記録の確認時に予測された排泄時間を知ることができ、見落としが発生し難く、被介護者の排泄に備えることができる。
排泄予測の結果は、例えば、β時間後の排泄(排尿又は排便)の発生確率を百分率で表示することができる。この結果を電子化された介護記録システムの表示部に表示すれば、介護者は、介護記録システムへのデータ入力時や、介護記録の確認時に予測された排泄時間を知ることができ、見落としが発生し難く、被介護者の排泄に備えることができる。
次に、本発明の作用効果を確認するために行った実施例について説明する。
(実施例1)
表3に示すように、4人の被験者A〜Dの介護記録から、それぞれの期間における排尿データ(排尿回数)、排便データ(排便回数)、体温データ(検温時体温)、食事データ(食事回数)、水分摂取データ(水分摂取回数、及び水分摂取量)、入浴データ(入浴回数)を抽出した。そして、非排泄時間Tneを設定するためのパラメータγ=1時間に固定し、介護記録入力遅れ時間α=0、0.5、1、1.5、2時間の5種類に対し、介護記録考慮時間β=1、2、3時間の3種類を組合せ、それぞれにつき機械学習のアルゴリズムとしてランダムフォレスト(RFs)を用いて、排泄時間基準特徴量、及び非排泄時間基準特徴量を算出し、排泄(排尿及び排便)予測を行った。なお、ランダムフォレストの木(決定木)の数は50とし、排尿予測の場合は、排尿回数のデータを用い、排便予測の場合は、排便回数のデータを用いた。ここでは、各被験者の介護記録のデータから、同一被験者に対する排泄予測(特定人物の排泄予測)を行った。
(実施例1)
表3に示すように、4人の被験者A〜Dの介護記録から、それぞれの期間における排尿データ(排尿回数)、排便データ(排便回数)、体温データ(検温時体温)、食事データ(食事回数)、水分摂取データ(水分摂取回数、及び水分摂取量)、入浴データ(入浴回数)を抽出した。そして、非排泄時間Tneを設定するためのパラメータγ=1時間に固定し、介護記録入力遅れ時間α=0、0.5、1、1.5、2時間の5種類に対し、介護記録考慮時間β=1、2、3時間の3種類を組合せ、それぞれにつき機械学習のアルゴリズムとしてランダムフォレスト(RFs)を用いて、排泄時間基準特徴量、及び非排泄時間基準特徴量を算出し、排泄(排尿及び排便)予測を行った。なお、ランダムフォレストの木(決定木)の数は50とし、排尿予測の場合は、排尿回数のデータを用い、排便予測の場合は、排便回数のデータを用いた。ここでは、各被験者の介護記録のデータから、同一被験者に対する排泄予測(特定人物の排泄予測)を行った。
排泄(排尿及び排便)予測の正確性(認識精度)を確認するために、上記の各条件において、被験者毎に認識率を求め、それを平均した平均認識率を表4、表5に示す(RFs50)。ここで、表4は排尿予測における認識率であり、表5は排便予測における認識率である。また、比較のために、ランダムフォレストの代わりに、サポートベクターマシン(SVM)を用いて機械学習を行い、排泄予測を行った場合について、同様に求めた平均認識率を合わせて示している。なお、サポートベクターマシンでは、カーネル関数として、Radial basis function(RBF)、線形(Linear)、シグモイド(Sigmoid)、及びχ2(Chi2)の4種類を用いた。また、PCA(1)は主成分分析を適用して第1主成分のみを用いた場合、PCA(2)は主成分分析を適用して第2主成分までを用いた場合の結果を示している。
表4より、排尿予測では、介護記録入力遅れ時間α=1時間、介護記録考慮時間β=1時間の場合に、ランダムフォレストを適用することで最高認識率77.1%が得られることがわかった。なお、ランダムフォレストの適用時、介護記録入力遅れ時間α=1時間に対し、介護記録考慮時間βが長くなるほど、認識率が低下することがわかった。このとき、介護記録考慮時間βと認識率との相関係数は−0.981であり、両者に強い相関関係があることが確認された。
また、表5より、排便予測では、介護記録入力遅れ時間α=0時間、介護記録考慮時間β=1時間の場合に、ランダムフォレストを適用することで最高認識率86.3%が得られることがわかった。なお、ランダムフォレストの適用時、介護記録入力遅れ時間α=0時間に対し、介護記録考慮時間βが長くなるほど、認識率が低下することがわかった。このとき、介護記録考慮時間βと認識率との相関係数は−0.991であり、両者に強い相関関係があることが確認された。
また、表5より、排便予測では、介護記録入力遅れ時間α=0時間、介護記録考慮時間β=1時間の場合に、ランダムフォレストを適用することで最高認識率86.3%が得られることがわかった。なお、ランダムフォレストの適用時、介護記録入力遅れ時間α=0時間に対し、介護記録考慮時間βが長くなるほど、認識率が低下することがわかった。このとき、介護記録考慮時間βと認識率との相関係数は−0.991であり、両者に強い相関関係があることが確認された。
(実施例2)
実施例1では、各被験者の介護記録のデータから、同一被験者に対する排泄予測を行ったが、実施例2では、被験者4名分の介護記録のデータから、各被験者に対する排泄予測(不特定人物の排泄予測)を行った。その他の条件は実施例1と同様である。各条件において、被験者4名分の平均認識率を求めた結果を表6、表7に示す。表6は排尿予測における認識率であり、表7は排便予測における認識率である。なお、ここでは、実施例1において最も認識精度が高かったランダムフォレストを適用した場合の結果のみを示している。
実施例1では、各被験者の介護記録のデータから、同一被験者に対する排泄予測を行ったが、実施例2では、被験者4名分の介護記録のデータから、各被験者に対する排泄予測(不特定人物の排泄予測)を行った。その他の条件は実施例1と同様である。各条件において、被験者4名分の平均認識率を求めた結果を表6、表7に示す。表6は排尿予測における認識率であり、表7は排便予測における認識率である。なお、ここでは、実施例1において最も認識精度が高かったランダムフォレストを適用した場合の結果のみを示している。
表6より、不特定人物に対する排尿予測では、介護記録入力遅れ時間α=2時間、介護記録考慮時間β=3時間の場合に、ランダムフォレストを適用することで最高認識率74.4%が得られることがわかった。
また、表7より、不特定人物に対する排便予測では、介護記録入力遅れ時間α=0時間、介護記録考慮時間β=1時間の場合に、ランダムフォレストを適用することで最高認識率85.4%が得られることがわかった。
また、表7より、不特定人物に対する排便予測では、介護記録入力遅れ時間α=0時間、介護記録考慮時間β=1時間の場合に、ランダムフォレストを適用することで最高認識率85.4%が得られることがわかった。
以上の結果から、不特定人物に対する排泄予測の認識率は、特定人物に対する排泄予測の認識率よりもやや劣るが、介護記録入力遅れ時間α、及び介護記録考慮時間βを適切に設定することにより、70%以上の認識率を達成できることが確認された。
よって、過去の介護記録のデータを利用して被介護者の排泄予測を行う本発明の排泄予測方法は、介護や医療の現場において有効性を有するものと思われる。
よって、過去の介護記録のデータを利用して被介護者の排泄予測を行う本発明の排泄予測方法は、介護や医療の現場において有効性を有するものと思われる。
以上、本発明を、実施の形態を参照して説明してきたが、本発明は何ら上記した実施の形態に記載した構成に限定されるものではなく、特許請求の範囲に記載されている事項の範囲内で考えられるその他の実施の形態や変形例も含むものである。
Claims (7)
- 被介護者の過去の介護記録を機械学習によって解析し、前記被介護者の排泄が発生するパターンを学習して、その学習結果から前記被介護者の排泄時間を予測することを特徴とする排泄予測方法。
- 請求項1記載の排泄予測方法において、前記介護記録には、排尿データ、排便データ、水分摂取データ、及び食事データが含まれることを特徴とする排泄予測方法。
- 請求項2記載の排泄予測方法において、前記介護記録には、さらに、体温データ、及び入浴データが含まれることを特徴とする排泄予測方法。
- 請求項2又は3記載の排泄予測方法において、前記排尿データ又は前記排便データが記録された排泄時間Teに対し、介護記録入力遅れ時間α及び介護記録考慮時間βを設定し、時間Te−α−β〜時間Te−αの間に記録された前記介護記録を用いて算出される排泄時間基準特徴量から前記排泄時間を予測することを特徴とする排泄予測方法。
- 請求項4記載の排泄予測方法において、前記排泄時間基準特徴量に加え、前記排泄時間Teに対し、γ時間前の非排泄時間Tne=Te−γを設定し、時間Tne−α−β〜時間Tne−αの間に記録された前記介護記録を用いて算出される非排泄時間基準特徴量から前記排泄時間を予測することを特徴とする排泄予測方法。
- 請求項1〜5のいずれか1項記載の排泄予測方法において、前記介護記録は、電子化された介護記録システムに記録されたものであり、予測された前記排泄時間は、前記介護記録システムの表示部に表示されることを特徴とする排泄予測方法。
- 請求項1〜6のいずれか1項記載の排泄予測方法において、前記機械学習のアルゴリズムとしてランダムフォレストを用いることを特徴とする排泄予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018024967A JP2019139693A (ja) | 2018-02-15 | 2018-02-15 | 排泄予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018024967A JP2019139693A (ja) | 2018-02-15 | 2018-02-15 | 排泄予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019139693A true JP2019139693A (ja) | 2019-08-22 |
Family
ID=67694153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018024967A Pending JP2019139693A (ja) | 2018-02-15 | 2018-02-15 | 排泄予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2019139693A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021060564A1 (ja) * | 2019-09-29 | 2021-04-01 | 難波和秀 | ブロックチェーンプラットフォームシステム |
JP7501017B2 (ja) | 2020-03-17 | 2024-06-18 | 株式会社リコー | 排せつ管理システム、排せつ管理方法およびプログラム |
-
2018
- 2018-02-15 JP JP2018024967A patent/JP2019139693A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021060564A1 (ja) * | 2019-09-29 | 2021-04-01 | 難波和秀 | ブロックチェーンプラットフォームシステム |
JP7501017B2 (ja) | 2020-03-17 | 2024-06-18 | 株式会社リコー | 排せつ管理システム、排せつ管理方法およびプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170231577A1 (en) | Computer system and method for identifying a posture adopted by a subject | |
JP6010558B2 (ja) | 患者の悪化の検出 | |
US20200265950A1 (en) | Biological information processing system, biological information processing method, and computer program recording medium | |
EP2155061B1 (en) | Method of automatically monitoring the movement activity of a fetus | |
Viriyavit et al. | Bed position classification by a neural network and bayesian network using noninvasive sensors for fall prevention | |
CN104010609A (zh) | 用于监测吸收剂产品的使用情况的方法和计算机程序 | |
CN106104539B (zh) | 使用警报再生的针对警报咨询的警报设置的优化 | |
JP6127739B2 (ja) | 睡眠状態判定装置 | |
CN105593860B (zh) | 用于确定复合评分分布的装置和患者健康状态确定器 | |
JP6425393B2 (ja) | 予測システム、予測方法、および予測プログラム | |
JP2019139693A (ja) | 排泄予測方法 | |
Totah et al. | Low-back electromyography (EMG) data-driven load classification for dynamic lifting tasks | |
WO2023112384A1 (ja) | 計算機システム及び情動推定方法 | |
Molin et al. | Prediction of obstructive sleep apnea using Fast Fourier Transform of overnight breath recordings | |
CN108735281A (zh) | 动态智能体重管理系统与方法 | |
Hung et al. | Bed posture classification based on artificial neural network using fuzzy c-means and latent semantic analysis | |
CN102428468A (zh) | 自动产生用于不连续的血糖测量的用户专属测量记录例程的方法以及数据处理装置和血糖测量装置 | |
Saitoh et al. | Excretion prediction using nursing record system log data | |
Chattopadhyay et al. | Sleep apnea diagnosis by DWT-based kurtosis, radar and histogram analysis of electrocardiogram | |
CN110236557B (zh) | 现象预测系统、传感器信号处理系统、现象预测方法、非瞬时性记录介质及计算机记录介质 | |
Zhu et al. | Sleep apnea monitoring for smart healthcare | |
Sao et al. | Long Short-Term Memory for Bed Position Classification | |
JP2018094225A (ja) | 生体状態判定システム | |
Weitz et al. | Discrimination of sleep and wake periods from a hip-worn raw acceleration sensor using recurrent neural networks | |
US20240307004A1 (en) | System and method for monitoring health parameters with matched data |