JP2019511057A - Ｓｉｒｓの予測のための臨床パラメータの使用 - Google Patents

Ｓｉｒｓの予測のための臨床パラメータの使用 Download PDF

Info

Publication number
JP2019511057A
JP2019511057A JP2018549924A JP2018549924A JP2019511057A JP 2019511057 A JP2019511057 A JP 2019511057A JP 2018549924 A JP2018549924 A JP 2018549924A JP 2018549924 A JP2018549924 A JP 2018549924A JP 2019511057 A JP2019511057 A JP 2019511057A
Authority
JP
Japan
Prior art keywords
chart
data set
total
val
features
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
Application number
JP2018549924A
Other languages
English (en)
Inventor
クラウダイン ホン エル．エス
クラウダイン ホン エル．エス
ウォーガン ジェラルド
ウォーガン ジェラルド
バッカ ルイージ
バッカ ルイージ
ティーダ— ブルース
ティーダ― ブルース
Original Assignee
ピーチ インテリヘルス，インコーポレイティド
ピーチ インテリヘルス，インコーポレイティド
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 ピーチ インテリヘルス，インコーポレイティド, ピーチ インテリヘルス，インコーポレイティド filed Critical ピーチ インテリヘルス，インコーポレイティド
Publication of JP2019511057A publication Critical patent/JP2019511057A/ja
Pending legal-status Critical Current

Links

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
    • 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)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Electrotherapy Devices (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

疾患予測のためのシステムは、患者母集団のデータを含むデータセットを受信するように構成された処理回路を含み、データは、患者母集団の複数の患者の各々について、複数の特徴の値と、疾患が診断されたかどうかを示す診断特徴の診断値とを含む。処理回路は、値の間の相関に基づいて、データセットから特徴の複数のサブセットを選択し、サブセットのうちの少なくとも１つの各々について、それぞれのサブセットおよび診断特徴を入力パラメータとして機械学習プロセスを実行し、実行はそれぞれの予測モデルを生成するように構成される。処理回路は、それぞれの予測モデルを出力するように構成される。【選択図】図１

Description

本発明は、全身性炎症反応症候群（ＳＩＲＳ）についての予測またはリスク階層化のための患者の確定診断においてＳＩＲＳ症状の数時間から数日前に観察可能な臨床パラメータの組成および使用に関する。臨床症状の出現前にＳＩＲＳの発症を予測する能力は、医師が治療を迅速に開始することを可能にし、それにより結果を改善する。これは、非感染性ＳＩＲＳを有する患者、または敗血症に進行するＳＩＲＳ患者に適用される。また、本発明は、疾患、例えばＳＩＲＳの発症を予測するのに関連するパラメータおよびその組み合わせを決定する方法に関する。
バイオマーカーは、疾患、感染または環境曝露などの現象を示す生体内の測定可能な物質である。例えば、血液中の癌関連蛋白質バイオマーカーの検出は、患者が既に癌を有することを意味する。しかし、本発明によれば、生理学的および／または臨床的処置（例えば、Ｐ０２または指先穿刺グルコース）などの臨床的特徴またはパラメータの組み合わせを使用して、患者がＳＩＲＳにどの程度進行する可能性があるかを予測する。これらの特徴は、患者のカルテの一部として記されているが、本発明以前にはＳＩＲＳとは関連付けられていない。
敗血症に対する人工知能および／またはバイオマーカーアプローチの適用に関連する以前に発表された研究は、主に進行性症候群の様々な段階で敗血症診断の感度および特異度を改善するように設計された。このように、広く受け入れられている臨床基準に基づいて、すでに敗血症の診断がなされている主に集中治療室内の患者に対して、関連する研究が実施された。一方で、本発明は、臨床症状の出現前のＳＩＲＳの発症を予測し、本発明が集中治療患者において８５〜９５％の感度、８０〜８５％の精度、０．７０〜０．８５の曲線下面積（ＡＵＣ： Ａｒｅａ ｕｎｄｅｒ ｔｈｅ ｃｕｒｖｅ）を達成した。当業者は、機械学習文献の標準であって、当業者には周知である前述の用語の意味を容易に理解するであろう。本発明は、血液サンプリングおよび特定のバイオマーカーの分析を必要とせずに、アルゴリズムを有利に使用して病院患者において通常収集される利用可能な臨床および検査データのタイプを分析してその予測を行う。
ＳＩＲＳ
ＳＩＲＳ、全身性炎症反応症候群（Ｓｙｓｔｅｍｉｃ Ｉｎｆｌａｍｍａｔｏｒｙ Ｒｅｓｐｏｎｓｅ Ｓｙｎｄｒｏｍｅ）は、全身の炎症状態である。身体の傷害に対する軽度の全身性炎症反応は、通常いくつかの有益な効果を有する場合がある。しかし、重度の感染に関連するように、顕著なまたは長期間の反応はしばしば有害であり、広範囲の臓器機能不全をもたらし得る。多くの感染因子がＳＩＲＳを誘発し得る。これらの生体は、毒素を生成するか、またはこの反応を引き起こす物質の放出を刺激する。一般的に認識されているイニシエータは、グラム陰性細菌によって放出されるリポ多糖類（ＬＰＳ、時にエンドトキシンと呼ばれる）である。得られた反応は、マクロファージ／単球、好中球、リンパ球、血小板、および内皮細胞の間の複雑な相互作用を伴い、ほぼすべての器官に影響を及ぼし得る。感染性ＳＩＲは、以下の病理学的状態の結果として生じ得る。病理学的状態には、細菌性敗血症、火傷および創傷感染症、カンジダ症、蜂巣炎、胆嚢炎、肺炎、糖尿病性足感染、感染性心内膜炎、インフルエンザ、腹腔内感染（例えば、憩室炎、虫垂炎）、髄膜炎、大腸炎、腎盂腎炎、敗血症性関節炎、毒性ショック症候群、尿路感染症が含まれる。
ＳＩＲＳは敗血症に至る可能性があるが、ＳＩＲＳは感染症にのみ関連するものではない。その病因は広範であり、非感染性状態、外科的処置、外傷、投薬、および治療を含む。非感染性ＳＩＲＳに関連する症状のいくつかの例としては、急性腸間膜虚血、副腎不全、自己免疫障害、熱傷、化学的吸引、肝硬変、脱水、薬物反応、電気的傷害、出血性ショック、血液悪性腫瘍、腸穿孔、投薬副作用、心筋梗塞、膵炎、発作、薬物乱用、外科処置、輸血反応、上部消化管出血、および血管炎である。
ＳＩＲＳは、以下の２つ以上の特徴が成人において同時に存在するものとして臨床的に定義されている。特徴には、体温が＞３８℃（１００．４°Ｆ）または＜３６℃（９６．８°Ｆ）、心拍数が毎分９０回＞、呼吸速度が毎分２０回＞、または３２ｍｍＨｇ未満の動脈二酸化炭素張力（ＰａＣ０２）、およびの異常な白血球数（＞１２，０００／μＬまたは＜４，０００／μＬまたは＞１０％未成熟（バンド）形）が含まれる。
ＳＩＲＳの病態生理
ＳＩＲＳの複雑な病態生理は、病因とは無関係であり、それが誘発するカスケードに関して軽微な違いがある。この病態生理は、以下のように簡単に概説される。炎症、化学的、外傷性、または感染性の刺激から生じる非特異的な傷害に対する身体の反応は、非常に重要な要素である。炎症それ自体は、体液性および細胞性反応、補体およびサイトカインカスケードを含むプロセスである。これらの複雑な相互作用とＳＩＲＳとの関係は、３段階プロセスとして定義されている。Ｂｏｎｅら（１９９２）を参照。（すべての参照する引用文献は、本明細書の最後に記載される。）
第１段階では、サイトカインが傷害部位に生成される。局所的なサイトカイン産生は炎症反応を誘発し、それにより網膜内皮（固定マクロファージ）系の創傷修復およびリクルートメントを促進する。このプロセスは、正常な生体防御ホメオスタシスにとって必須であり、その機能不全は生命を脅かす。皮膚や皮下軟部組織などの局所的な炎症には、ｒｕｂｏｒ（赤み）、ｔｕｍｏｒ（腫脹）、ｄｏｌｏｒ（痛み）、ｃａｌｏｒ（熱上昇）、ｆｕｎｃｔｉｏ ｌａｅｓａ（機能喪失）の古典的な記述がある。重要なことに、局所レベルでは、このサイトカインおよびケモカイン放出は、活性化された白血球をその領域に引き寄せることによって、局所組織破壊または細胞傷害を引き起こし得る。
第２段階では、少量の局所サイトカインが循環系に放出され、局所反応が増幅される。これは、成長因子の刺激およびマクロファージと血小板のリクルートメントにつながる。この急性期反応は、典型的には、炎症促進性メディエータの減少および内因性アンタゴニストの放出によってよく制御される。
第３段階では、炎症刺激が全身循環に広がり続ける場合、重大な全身反応が起こる。サイトカインの放出は、保護よりむしろ破壊につながる。その結果、多数の体液性カスケードの活性化、網状内皮系の一般化された活性化、それに続く循環系完全性の喪失がある。これは臓器機能不全を引き起こす。
ＳＩＲＳが感染性傷害によって媒介される場合、炎症性カスケードはしばしばエンドトキシンによって開始される。組織マクロファージ、単球、肥満細胞、血小板、および内皮細胞は、多数のサイトカインを産生することができる。サイトカイン組織壊死因子−α（ＴＮＦ−α）およびインターロイキン−１（ＩＬ−１）が最初に放出され、いくつかの下流のカスケードを開始する。
ＩＬ−１およびＴＮＦ−αの放出（またはエンドトキシンの存在）は、核因子ＮＦ−κＢ（ＮＦ−κＢ）インヒビターの切断を引き起こす。インヒビターが除去されると、ＮＦ−κＢは、他の前炎症性サイトカイン、主にＩＬ−６、ＩＬ−８およびインターフェロンガンマの産生を調節する遺伝子をコードするｍＲＮＡの発現を開始する。ＴＮＦ−αおよびＩＬ−１は、傷害から１時間以内に大量に放出され、局所および全身作用の両方を有することが示されている。ＴＮＦ−αおよびＩＬ−１は、発熱およびストレスホルモン（ノルエピネフリン、バソプレシン、レニン−アンギオテンシン−アルドステロン系の活性化）の放出に関与する。
他のサイトカイン、特にＩＬ−６は、Ｃ反応性蛋白質（ＣＲＰ）およびプロカルシトニンのような急性期反応物の放出を刺激する。注目すべきことに、感染は、ＴＦ−αのより大きな放出を誘発し、したがって外傷よりもＪＬ−６およびＩＬ−８のより大きな放出を誘発することが示されている。これは、高熱が外傷ではなく感染に関連していることが理由と示唆するものである。
前炎症性インターロイキンは、凝固カスケードおよび補体カスケードならびに一酸化窒素、血小板活性化因子、プロスタグランジンおよびロイコトリエンの放出を活性化するために、組織または２次メディエータを介して直接機能する。ＨＭＧＢ１（高移動度グループボックス１）は、細胞型の大部分の細胞質および核に存在する蛋白質である。これは強力な炎症促進性サイトカインとして作用し、遅延エンドトキシン致死および敗血症に関与する。ＳＩＲＳで見られるように、感染または傷害に反応して、ＨＭＧＢ１は先天性免疫細胞によって分泌され、および／または損傷細胞によって受動的に放出される。したがって、ＨＭＧＢ１の血清および組織レベルの上昇は、ＳＩＲＳを引き起こす多くの薬剤によって誘発される。
炎症と凝固との間に存在する相関は、ＳＩＲＳの進行にとって重要である。ＩＬ−１およびＴＮＦ−αは、内皮表面に直接影響を与え、組織因子の発現を引き起こす。組織因子は、トロンビンの産生を開始し、それによって凝固を促進し、炎症誘発性メディエータそれ自体である。フィブリン分解は、プラスミノーゲンアクチベーターインヒビター−１の産生を介してＩＬ−１およびＴＮＦ−αによって阻害される。前炎症性サイトカインはまた、自然に存在する抗炎症メディエータ、抗トロンビンおよび活性化蛋白質−Ｃ（ＡＰＣ）を破壊する。チェックしない場合、この凝固カスケードは、臓器機能不全を含む微小血管血栓症に起因する合併症を引き起こす。補体系は、凝固カスケードにおいても役割を果たす。感染に関連した凝固促進活性は、外傷によって生じる凝固活性よりも一般的に重篤である。
この炎症性カスケードの累積効果は、炎症および凝固で占める不均衡状態にある。急性炎症反応に対抗するために、身体は、ＣＡＲＳ（Ｃｏｕｎｔｅｒ−ｉｎｆｌａｍｍａｔｏｒｙ ｒｅｓｐｏｎｓｅ ｓｙｎｄｒｏｍｅ）を介してこのプロセスを逆行させるように備えている。ＩＬ−４およびＩＬ−１０は、ＴＮＦ−α、ＩＬ−１、ＩＬ−６およびＩＬ−８の産生を減少させる原因となるサイトカインである。急性期反応は、ＴＮＦ−αおよびＩＬ−１受容体に対するアンタゴニストも産生する。これらのアンタゴニストは、サイトカインに結合し、それによりそれを不活性化するか、または受容体を遮断する。ＳＩＲＳとＣＡＲＳのバランスは、傷害後の患者の転帰を判断するのに有用である。
炎症性反応の正常な生理学は、先天性免疫系のリガンド認識から生じる急性前炎症状態と、前炎症期を調節する働きをする抗炎症期とからなる。通常の状況下では、これらの調整された反応はホメオスタシスへの復帰に向けられる。重度または長期のＳＩＲＳは、敗血症性ショックを引き起こす可能性がある。菌血症は、通常は存在するが存在しない可能性がある。増加した一酸化窒素レベルは血管拡張の原因であり、低血圧は毛細血管漏出の拡散に起因する循環血管内容積の減少によるものでもある。血小板および凝固カスケードの活性化は、フィブリン−血小板凝集物の形成をもたらし、組織血流をさらに損なう可能性がある。血管作用性物質の放出、肺循環中の微小血栓の形成、または両方がともに肺血管抵抗を増加させるが、組織内への全身性の静脈拡張および体液の組織への浸透は相対的血液量低下をもたらす。
ＳＩＲＳの疫学
ＳＩＲＳの真の発生率は不明であるが、その定義の非特異的性質のために、おそらく文書化されたものよりはるかに高い。ＳＩＲＳの患者のすべてが入院を必要とするわけではなく、重度の病気に進行する疾患もある。ＳＩＲＳの基準は非特異的であり、インフルエンザから重度の膵炎に伴う心臓血管虚脱に至る病状を呈する患者に起こるため、ＳＩＲＳの重症度に基づいて任意の発生率を層別化することが有用である。
米国で実施された疫学研究の成果が発表されている。３次介護センターに入院した患者の前向き調査によれば、調査対象者に対する入院患者の６８％がＳＩＲＳ基準を満たしていた。Ｒａｎｇｅｌ−Ｆａｕｓｔｏら（１９９５）を参照。ＳＩＲＳの発症率は、ユニットの鋭敏度（ａｃｕｉｔｙ）のレベルが増加するにつれて増加した。以下のＳＩＲＳ患者の進行度が記録された。入院後２８日以内に、２６％が敗血症を発症し、１８％が重症敗血症を発症し、４％が敗血症性ショックを発症した。
ＳＩＲＳの病院調査では、全体で１０００入院日あたり５４２件の院内発生率が明らかになった。Ｐｉｔｔｅｔら（１９９５）を参照。これと比較して、集中治療室（ＩＣＵ）における発生率は、１０００入院日あたり８４０件であった。別の研究では、救急科にＳＩＲＳを提示した患者の６２％が感染を確認したが、３８％は確認しなかったことが示された。Ｃｏｍｓｔｅｄｔら（２００９）を参照。しかし、感染に伴う重度のＳＩＲＳの発症率は、人口１，０００人当たり３人であり、退院１００人当たり２．２６人であった。Ａｎｇｕｓ（２００１）を参照。したがって、ＳＩＲＳの実際の発生率ははるかに高いはずであり、定義を適用する厳格性に大きく依存する。
ＳＩＲＳ患者の予後
予後は、ＳＩＲＳの病因ならびに関連する併存疾患に依存する。急性入院患者のＳＩＲＳに関する研究では、非ＳＩＲＳ患者よりもＳＩＲＳ患者の２８日死亡率が６．９倍高いことが示された。ほとんどの死亡は、関連の悪性腫瘍を有するＳＩＲＳ患者で生じた。Ｃｏｍｓｔｅｄｔら（２００９）を参照。上記の三次ケア患者の研究における死亡率は、７％（ＳＩＲＳ）、１６％（敗血症）、２０％（重篤な敗血症）、および４６％（敗血症性ショック）であった。Ｒａｎｇｅｌ−Ｆａｕｓｔｏ（１９９５）を参照。ＳＩＲＳから敗血症までの時間間隔の中央値は、ＳＩＲＳ基準を満たす数に反比例して関連していた。罹患率（Ｍｏｒｂｉｄｉｔｙ）は、ＳＩＲＳの原因、臓器不全の合併症、および長期入院の可能性に関連していた。救急科で感染が疑われる患者の死亡率を評価する研究では、院内死亡率が次のように示された。非ＳＩＲＳの疑いのある感染症、２．１％、敗血症、１．３％、重症敗血症、９．２％、敗血症性ショック、２８％であった。Ｓｈａｐｉｒｏら（２００６）を参照。
経カテーテル大動脈弁留置術（ＴＡＶＩ： Ｔｒａｎｓｃａｔｈｅｔｅｒ Ａｏｒｔｉｃ Ｖａｌｖｅ Ｉｍｐｌａｎｔａｔｉｏｎ）を受けた患者におけるＳＩＲＳ基準の評価は、ＳＩＲＳが死亡率の強力な予測因子であるようであることを明らかにした。Ｓｉｎｎｉｎｇら（２０１２）を参照。ＳＩＲＳの発症は、白血球数、Ｃ−反応性蛋白質（ＣＲＰ）、およびプロカルシトニンのその後の増加を伴い、ＩＬ−６およびＩＬ−８の有意に上昇された放出によって特徴づけられた。ＳＩＲＳの発症は、３０日および１年の死亡率（それぞれ１８％対１．１％および５２．５％対９．９％）に関連し、単独では１年の死亡リスクを予測した。
支持療法の早期発見と管理は、敗血症、重症敗血症または敗血症性ショックに進行するＳＩＲＳ患者の管理において重要である。いくつかの研究では、流体および抗生物質が、疾患プロセスの初期に投与されると、低酸素血症および低血圧を予防できることが示されている。Ａｎｎａｎｅら（２００５）、Ｄｅｌｌｉｎｇｅｒら（２００８）、Ｈｏｌｌｅｎｂｅｒｇら（２００４）およびＤｅｌｌｉｎｇｅｒら（２０１３）を参照。実際、敗血症の管理に関する国際的なガイドラインは、敗血症症状の認識から６時間以内に蘇生措置の開始を推奨している。Ｄｅｌｌｉｎｇｅｒら（２０１３）を参照。
臨床症状の出現前にＳＩＲＳの発症を予測する能力は、医師が治療を迅速に開始し、それにより結果を改善することを可能にする。これは、非感染性ＳＩＲＳを有する患者、または敗血症に進行するＳＩＲＳ患者に適用される。
ＳＩＲＳは、敗血症、膵炎、火傷、外科手術などの様々な炎症状態に関連する。医師は、ＳＩＲＳに直面すると、典型的には有害な結果を防ぐことができる潜在的な病因および介入を特定しようと試みる。例えば、敗血症は、侵襲性カテーテルを装備した集中治療室（ＩＣＵ）患者において頻繁に遭遇する問題である。ＳＩＲＳは敗血症に先行し、敗血症の発症は重大な罹患率および死亡率と関連するため、ＩＣＵにおけるＳＩＲＳの存在は無視できない。これらの患者のＳＩＲＳは、しばしば、感染の重点と潜在的に経験的抗生物質の投与のための検索を促す。これらの患者を改善するには、抗生物質投与までの時間の最小化が１つの介入であることが一貫して示されているので、ＳＩＲＳは、選択した患者に抗菌剤の使用を検討するように医療従事者に警告する。
しかしながら、本発明を使用してＳＩＲＳの発症を６〜４８時間早く（例えば、６、１２、２４または４８時間早く）予測することにより、早期に抗生物質を投与することが可能になり、彼らが快方に向かう以前に、当初から発症しないだろうし、または最初の１つ又は２つ（またはそれ以上）が機能しない場合に１つ以上の抗生物質を試す時間があるという利点がある。菌血症の患者では、ＳＩＲＳはしばしば敗血症、重症敗血症および／または敗血症性ショックの発症を示す。これらの患者では、患者が既に感染した後にＳＩＲＳが診断されることを認識することが重要である。感染プロセスの初期段階の患者を検出することから、最終的にＳＩＲＳを発症する患者を特定する方法が望ましい。早期で正確なＳＩＲＳ予測の主な利点は、感染が現れ始める前に感染の危険がある患者を特定する能力である。早期の支持療法（例えば、液体および抗生物質）を投与することを提案する多くのデータがあるので、発症前のＳＩＲＳ予測は臨床管理および転帰に有意に影響を及ぼし得る。より正確には、発症前６〜４８（例えば、６、１２、２４または４８）時間の正確なＳＩＲＳ予測は、病院の資源をリクルートメントするのに十分な時間を提供し、患者にとって最良の環境を作り出す。
例えば、ＳＩＲＳのリスクが高いと判断された入院患者のフロアにいる患者は、看護師対患者の比率が高い高性能ユニットに移され、それによりそのような患者がリスクに見合った方法で監視されるように支援する。
侵襲性カテーテル（それ自体が菌血症のリスクを増加させる可能性がある）を付けた患者における陽性ＳＩＲＳ予測は、敗血症の兆候の詳細な監視、および潜在的には敗血症の焦点の探索を正当化する。これらの患者における液体および経験的抗生物質の投与の閾値は、高リスクと特定されていない患者よりも有意に低くなる。
そして、ＳＩＲＳのリスクが高いと特定された患者は、薬剤反応（非感染性ＳＩＲＳの原因）に関連する可能性がある薬剤を服用していないことを確認するために、薬剤履歴を注意深く見直すことにより利益を得る。このような患者の医薬品を慎重にレビューすることは、有害な薬物副作用を回避するための１つのメカニズムを提供する。
ＳＩＲＳの診断におけるバイオマーカー
敗血症および患者管理の診断におけるバイオマーカーの役割が評価されている。Ｂｅｒｎｓｔｅｉｎ（２００８）を参照。ＳＩＲＳは、外傷、熱傷、または感染症に対する発熱、血行動態および呼吸変化、代謝変化を特徴とする急性反応であり、これらのすべてが一貫して存在するわけではない。ＳＩＲＳ反応は、肝臓グリコーゲン貯蔵、脂肪分解の誘発、急性期蛋白質の合成のアップレギュレーションおよびアルブミンおよび重要な循環輸送蛋白質のダウンレギュレーションを伴う除脂肪蛋白質分解および肝臓蛋白質合成の再賦活化におけるホルモン駆動の変化を含む。このプロセスの理解は、敗血症および重度、中等度または早期のＳＩＲＳの特定のためのバイオマーカーの特定につながり、治療および回復を促進する可能性もある。ＳＩＲＳ反応が低下していると、再発性サイクルが生じ、心原性ショックと区別できない敗血症性ショックによる血行動態の崩壊および死を伴う。
ＳＩＲＳの疑いのある患者の感染の早期かつ正確な診断に焦点を当てることにより、抗生物質の過剰使用および関連する罹患率および死亡率を回避し、治療目標を特定することができる。白血球増加症および他の所見を示す患者における敗血症の診断アルゴリズムおよびバイオマーカーの性能が評価された。疑わしい患者は、通常、１２，０００／ｍｌを超えるＷＢＣ、プロカルシトニンレベル、敗血症の血清バイオマーカーなどのＳＩＲＳおよび他の基準によって特定される。４３５人の患者の研究では、プロカルシトニン単独が敗血症の優れたマーカーであった。Ｇｕｌｔｅｐｅら（２０１４）を参照。敗血症の患者では、プロカルシトニン（ｐ＝０．０００１）が著しく増加し、ＩＣＵステイが必要な患者では、心拍数および血圧の監視、および補助呼吸が増加した（ｐ＝０．０００１）。
電子カルテ（Ｅｌｅｃｔｒｏｎｉｃ ｈｅａｌｔｈ ｒｅｃｏｒｄｓ）における大規模なデータ統合の出現は、異種のデータセットから知識を構築し、かつ拡張として臨床決定を通知する方法を設計するための前例のない機会を提供する。しかし、臨床状態や決定プロセスの複雑さ、欠落したデータ、統計的関係に基づいてアドバイスするための分析ツールがないことにより、情報に基づく意思決定支援を効率的に抽出する現行の能力は限られている。日常的に測定されたバイタルサインおよびラボの研究に基づいて、高カルシウム血症のリスクが高い患者を特定する臨床決定支援システムの機械学習の基礎が開発されている。Ｇｕｌｔｅｐｅら（２０１４）を参照。
患者のバイタルサイン、白血球数（ＷＢＣ）を、敗血症の発生および死亡率と関連付けるために、少なくとも２つの全身性炎症反応症候群（ＳＩＲＳ）の基準を満たす成人患者７４１人の電子カルテを使用した。生成的分類および識別的分類（ナイーブベイズ、サポートベクターマシン、ガウス混合モデル、隠れマルコフモデル）を使用して、異種の患者データを統合し、乳酸塩濃度および死亡リスクの推定のための予測ツールを形成した。
バイタルサインおよびＷＢＣ測定値を２４時間の時間ビンで分析した場合、乳酸塩レベル予測の受信動作特性曲線（ＡＵＣ）下で０．９９の精度および１．００の識別可能性が得られた。敗血症患者の死亡率予測に対する精度０．７３および識別可能性０．７３ＡＵＣは、乳酸濃度の中央値、平均動脈圧、および呼吸数の絶対偏差の中央値の３つの特性で達成された。これらの知見は、患者のバイタルサインおよびＷＢＣによる乳酸レベルおよび死亡リスクの予測のための新しいスキームを導入する。これらの変数の両方の正確な予測は、臨床スタッフによる適切な対応を推進することができる。Ｇｕｌｔｅｐｅら（２０１４）を参照。
敗血症
敗血症は、医学において最も古い症候群の１つである。これは米国の非冠動脈ＩＣＵにおける主要な死因であり、関連の死亡率は８０％を超える。Ｓｈａｐｉｒｏら（２００６）、Ｓｉｎｎｉｎｇら（２０１２）、およびＮｉｅｒｈａｕｓら（２０１３）を参照。用語「敗血症」は、しばしば初期感染から始まる合併症の臨床的スペクトルを指す。未治療の場合、疾患カスケードは、ＳＩＲＳから敗血症、重症敗血症、敗血症性ショック、および最終的には死亡に至るまでの死亡率上昇の段階を経て進行する。Ｓｈａｐｉｒｏら（２００６）、Ｓｉｎｎｉｎｇら（２０１２）、Ｎｉｅｒｈａｕｓら（２０１３）、およびＬａｉら（２０１０）を参照。前向き調査では、敗血症を有するＩＣＵ患者で３６％の死亡率、重症敗血症患者で５２％、敗血症性ショック患者で８２％の死亡率であったことを示した。Ｊｅｋａｒｌら（２０１３）を参照。早期の目標指向療法は患者の転帰に実質的な利益をもたらすと示されているが、有効性は基礎的な敗血症病因の早期発見または疑いに左右される。
１９９２年には、国際コンセンサスパネルが、敗血症を感染に対する全身性炎症反応と定義し、複数の感染原因に応じて敗血症が起こる可能性があることを言及した。パネルは、「重症敗血症（ｓｅｖｅｒｅ ｓｅｐｓｉｓ）」という用語を提案して、敗血症が急性臓器機能不全により複雑化する例を説明し、急速輸液（ｆｌｕｉｄ ｒｅｓｕｓｃｉｔａｔｉｏｎ）に対して難治性の低血圧、または高カルシウム血症のいずれかにより複雑化する敗血症を「敗血症性ショック（ｓｅｐｔｉｃ ｓｈｏｃｋ）」と成文化した。２００３年には、第２コンセンサスパネルが、頻脈や白血球数の上昇などのＳＩＲＳの徴候は多くの感染性および非感染性の状態で起こり、したがって敗血症を他の状態と区別するのに有用ではない、というこれらの概念の大部分を支持した。したがって、「重症敗血症」および「敗血症」は、急性臓器機能不全により複雑化した感染の症候群を説明するために、時折交換可能に使用される。Ａｎｇｕｓら（２０１３）を参照。
これらの定義は、広範な使用を達成しており、敗血症プロトコルおよび研究におけるゴールドスタンダードとなっている。しかし、敗血症は明らかに人間の生命の複雑で動的な、そして相関的な歪みを含んでいる。世界的に広範囲の生命喪失を前提とすると、過去の単純な概念から乖離し、複雑で動的な、相関的な死のパターンとして、敗血症をその真の形態で関与させる新しいアプローチを開発する必要性が表明されている。Ｌａｗｒｅｎｃｅ Ａ． Ｌｙｎｎ（２０１４年）を参照。
敗血症の診断におけるバイオマーカー
ヒトおよびいくつかの動物種における敗血症の診断および治療監視を容易にするために、いくつかの分子マーカーが議論されている。最も広く使用されているものは、ＣＲＰ（Ｃ−反応性蛋白質）およびＰＣＴ（プロカルシトニン）であり得る。また、敗血症の潜在的バイオマーカーとして様々なインターロイキンが議論されている。しかしながら、それらは特異度の欠如のために現在は限られた用途しかない。例えば、Ｃａｒｒｉｇａｎら（２００４）は、敗血症性疾患のパターンが広範に調査されたヒトにおけるこれらのマーカーの感度および特異度を報告したが、現在のマーカーの感度および特異度（平均値でさえも）はそれぞれ３３％および６６％低いことがあり得ると報告した。公表されたデータはまた、高度の不均一性を有する。したがって、敗血症、特に早期診断の診断のための改善された診断特性を有する新しい診断マーカーが確実に必要とされている。全身性炎症、すなわち多発性外傷を有する患者において、そのような診断は、標準的な集中治療薬で測定される「正常な」生理学的値およびパラメータを妨害する他の病理学的プロセスのためにしばしば非常に困難である。全身性炎症を有する患者における敗血症の診断、例えば、多発性外傷の患者における合併症は、集中治療薬の必要性が高い特定の問題である。
敗血症およびその結果として生じる死亡のバイオマーカーは、血液サンプルをアッセイすることによって検出することができる。バイオマーカーの濃度の変化は、敗血症、敗血症のリスク、敗血症の進行、敗血症からの寛解、および死亡のリスクを示すために使用することができる。変化は、データセット、自然または合成または半合成コントロールサンプル、または異なる時点で収集された患者サンプルに関連して評価することができる。いくつかのバイオマーカーの濃度は、疾患の間に上昇し、一部は下降する。これらは、有益なバイオマーカーと呼ばれる。いくつかのバイオマーカーは、他のバイオマーカーと組み合わせて診断される。組み合わせて使用すると、個々のバイオマーカーに重みを付けることができる。バイオマーカーは、個々に、単離して、またはアッセイにおいて、並行アッセイで、または単一ポットアッセイで評価することができる。’９８２特許を参照。
敗血症の早期予測または診断は、疾患が初期段階を越えて急速に進行して、高い死亡率と関連する重篤な敗血症または敗血症性ショックなどの重大な段階に進行する前に臨床的介入を可能にする。敗血症を発症する集団を含み得る１つまたは複数の制御集団または参照集団から得られたプロファイルに対するバイオマーカー発現の個体のプロファイルを比較することを含む、分子診断アプローチを用いて、予測または診断が達成された。’５７３特許を参照。敗血症の発症に特徴的な個体のバイオマーカープロファイルにおける特徴の認識により、臨床医は、単一時点で個体から単離された体液からの敗血症の発症を診断することができる。一定期間にわたり患者を監視する必要性が回避され、重篤な発症前に臨床的介入が可能になる。さらに、バイオマーカー発現がそのプロファイルについてアッセイされるので、特定のバイオマーカーの特定は不要である。同様に、個体のバイオマーカープロファイルと適切な参照集団のバイオマーカープロファイルとの比較を用いて、個体におけるＳＩＲＳを診断することができる。
敗血症の診断のためのさらなるバイオマーカーには、誘導性酸化窒素（ＮＯ）シンターゼ（炎症におけるＮＯの過剰産生に関与する酵素）の検出、エンドトキシン中和の検出、および血液蛋白質のパターンが含まれる。敗血症状態を評価するための血液バイオマーカーのパネルは、敗血症になる患者の素因、臓器損傷の存在、または敗血症エピソードの悪化または回復からなる１つまたは複数の指標と組み合わせてｉＮＯＳ指標を利用する。’９６８公報を参照。ヒト被験体における中和を検出するために特別に開発された方法を使用して、敗血症のバイオマーカーとしてのエンドトキシン中和が実証されている。’５３０公報を参照。このシステムはまた、敗血症を治療するための治療薬の有効性を決定するための方法を提供した。’５３０公報を参照。世界的プロテオームの近代的アプローチの適用は、新生児敗血症の生物学的流体バイオマーカーの特定および検出に用いられている。’６５２公報を参照。バイオマーカーの発現レベルを用いる方法は、患者の状態の指標として、骨髄細胞−１（ＴＲＥＭ１）およびＴＲＥＭ様受容体転写物１（ＴＬＴ１）に発現するトリガー受容体が、単独で、またはさらなる敗血症マーカーと組み合わせて、被験者の敗血症の診断、予後および予測に使用される。’３７０特許を参照。バイオマーカーのレベルが敗血症の存在を示すとき、抗生物質による患者の処置および／または液体蘇生処置が指示される。’３７０特許を参照。
成人の敗血症性ショックのためにマルチバイオマーカーベースの転帰リスク層別モデルが開発されている。’８６９公報を参照。このアプローチは、特に成人患者の敗血症性ショックに関連する反応として、血液、血管、心臓および気道の機能不全に対する診断的および治療的反応の臨床的に関連性のある定量化可能なバイオマーカーを特定し、検証し、測定するための方法を用いる。このモデルは、成人患者における敗血症性ショックに関連する１つ以上のバイオマーカーを特定すること、敗血症性ショックの少なくとも１つの徴候を有する成人患者からサンプルを得ること、次いでサンプルから１つ以上のバイオマーカーの量を定量化することからなり、バイオマーカーは予測された結果と相関する。’８６９公報を参照。
バイオマーカーアプローチはまた、敗血症の重篤度を予測する代謝産物のレベルを定量化することによって、予後目的で使用されている。’９６９公報を参照。この方法は、敗血症重症度を予測する年齢、平均動脈圧、ヘマトクリット、患者体温、および１つ以上の代謝産物の濃度を測定することを含む。敗血症患者からの血液サンプルの分析は、代謝産物の濃度を確立し、その後、敗血症感染の重篤度は、測定値を加重ロジスティック回帰式で分析することによって決定することができる。’９６９公報を参照。
抗トリプシン（ＡＴＴ）またはその断片、およびトランスサイレチン（ＴＴＲ）またはその断片の血中濃度の決定に基づく方法は、罹患しているかまたは敗血症の疑いがある対象の死亡率および／または疾患転帰についての診断、予測又はリスク層別に関して記述されている。’６３１公報を参照。ＡＴＴまたはその断片の存在および／またはレベルは、ＡＴＴのレベルが一定のカットオフ値を下回る場合および／またはその断片のレベルが特定のカットオフ値を超える場合、死亡率のリスクの増加および／または不良な疾病の結果と相関する。同様に、ＴＴＲのレベルがあるカットオフ値を下回る場合、および／またはその断片のレベルがあるカットオフ値よりも下回る場合、死亡率のリスクの増加および／または不良な疾病の結果が存在する。’６３１公報を参照。
臨床データ分析
集中治療を受けている患者から電子的に収集されたデータの量は、過去１０年間で著しく増加している。それが診断および／または治療目的の知識になる前に、ベッドサイドのデータを抽出して情報になるように編成する必要があり、そして専門家はこの情報を解釈できる。集中治療室における人工知能アプリケーションは、そのような技術の重要な使用を表している。Ｈａｎｓｏｎら（２００１）を参照。データから情報を抽出し、人間の臨床専門家による分析を強化するためのコンピュータの使用は、人工知能にとってはほとんど実現されていない役割である。しかしながら、最近、様々な新規のコンピュータベースの解析技術が開発されている。最も初期の人工知能アプリケーションのいくつかは医学的指向であったが、ＡＩは医学において広く受け入れられていない。それにもかかわらず、患者の人口統計学的、臨床的および課金データは、電子形式でますます利用可能になり、したがって、インテリジェントソフトウェアによる分析を起こしやすい。したがって、集中治療環境は、利用可能なデータが豊富で、入院治療の効率を高めるための固有の機会があるため、ＡＩツールの実装に特に適している。近年、医師の知的助手として機能し、重要な傾向について電子データストリームを絶えず監視したり、ベッドサイドデバイスの設定を調整したりすることができる新しいＡＩツールが登場した。これらのツールを集中治療に統合することで、コストを削減し、患者の転帰を改善することが期待できる。Ｈａｎｓｏｎら（２００１）を参照。
様々な程度の成功を収めるとともに、医療機器に知性を加えることに多大な努力が注がれている。Ｂｅｇｌｅｙら（２０００）を参照。エキスパートシステムの作成には、現在数多くの技術が使用されている。例には、ルールベースのシステム、統計的確率システム、ベイジアン・ビリーフ・ネットワーク、ニューラルネットワーク、データマイニング、インテリジェントエージェント、マルチエージェントシステム、遺伝的アルゴリズム、ファジー論理が含まれる。具体的な使用例としては、妊娠および育児の健康に関する情報、疫学、放射線学、癌診断および心筋梗塞におけるパターン認識、疫学、毒物学および診断に関する研究における治療および転帰におけるパターンの発見、インターネットまたは他の知識リポジトリから関連情報を検索および取得、問題を解決するために進化と自然選択を模倣する手順が含まれる。
現代の医療システムでは、コスト／複雑性が急速に拡大し、無数の治療オプションが増加しており、しばしば効果的にフロントラインに到達しない情報ストリームが爆発的になると、これらの課題に対処する汎用（非疾患特異的）計算／人工知能（ＡＩ）フレームワークが開発されている。Ｂｅｎｎｅｔｔら（２０１３）を参照。このフレームワークは、２つの潜在的な機能、すなわち、様々な医療方針、支払い方法論を探索するためのシミュレーション環境、および臨床的人工知能の基礎を提供する。このアプローチは、時には相反する、時には相乗的な医療システム内の様々なコンポーネントの相互作用を捕捉しながら、マルコフ決定プロセスと動的決定ネットワークを組み合わせて、臨床データから学び、代替的な逐次決定経路のシミュレーションを通じて複雑な計画を作成する。計画および再計画を行動として実行し、新しい観察を得るオンラインエージェントとして、患者の健康状態及び機能に関する信念状態を維持することによって、それは部分的に観察可能な環境（観察またはデータがない場合）で動作することができる。
ＢｅｎｎｅｔｔとＨａｕｓｅｒは、治療の費用対効果（転帰とコストの両方を活用）の面で「臨床効用」を最適化し、現実的な臨床的意思決定を反映して、電子カルテからの実際の患者データを使用してフレームワークを評価した。計算手法の結果は、既存のＴＡＵ（ｔｒｅａｔ−ａｓ−ｕｓｕａｌ）アプローチと比較され、その結果はこのアプローチの実現可能性を実証している。ＡＩフレームワークは、現行のＴＡＵケースレート／医療サービスモデル費が優れていた。マルコフ決定プロセスを使用すると、例えば、転帰の単価変化（ＣＰＵＣ： Ｃｏｓｔ ｐｅｒ ｕｎｉｔ ｏｆ ｏｕｔｃｏｍｅ ｃｈａｎｇｅ）は、ＴＡＵ（ＣＰＵがより低い場合が最適と見なされる）について１８９ドル対４９７ドルであった。同時に、ＡＩアプローチは、患者の転帰において３０〜３５％増加を得ることができた。ＢｅｎｎｅｔｔとＨａｕｓｅｒによると、特定のＡＩモデルパラメータを変更することで、この利点をさらに高めることができ、約半分のコストで約５０％以上の改善（転帰の変化）が得られる。したがって、慎重な設計と問題の定式化により、ＡＩシミュレーションフレームワークは、複雑で不確定な環境でも最適な決定を近似することができる。
敗血症診断のための人工知能
敗血症の患者の現状の確率分布、起こりうる軌跡、抗生物質投与に関連する最適な行動、死亡率の予測および入院期間を推測するデータ志向型方法の開発および評価が行われている。Ｔｓｏｕｋａｌａｓら（２０１５）を参照。１４９２人の患者のＥＨＲデータセットにおける臨床実践、専門知識およびデータ表現に基づいて状態、行動、観察および報酬を最初に定義する、敗血症関連症例における臨床決定支援のためのデータ志向型確率論的フレームワークが構築された。ＰＯＭＤＰ（Ｐａｒｔｉａｌｌｙ Ｏｂｓｅｒｖａｂｌｅ Ｍａｒｋｏｖ Ｄｅｃｉｓｉｏｎ Ｐｒｏｃｅｓｓ）モデルを使用して個々の患者の軌跡に基づいて最適な方針を導出し、モデル導出方針の性能を別の試験セットで評価した。方針決定は、投与する抗生物質の組み合わせのタイプに焦点を合わせた。死亡率および入院期間を予測するために、多クラスおよび差別的分類子を使用した。データ由来の抗生物質投与方針は、４９％の症例において良好な患者転帰をもたらしたが、対して代替の方針に従った場合は３７％であった（Ｐ＝１．３ｅ−１３）。
モデルパラメータと欠損データの感度解析は、パラメータのばらつきやデータの不確実性に耐える非常に堅牢な意思決定支援ツールを提唱した。最適な方針に従った場合、３８７人の患者（２５．９％）がより良い状態への９０％の移行を有し、５０３人の患者（３３．７％）がより悪い状態（Ｒ＝４．０ｅ−０６）への９０％の移行を有し、同時に、方針がない場合、これらの数値はそれぞれ１９２（１２．９％）および７６４（５１．２％）の患者（Ｒ＝４．６ｅ−１１７）である。さらに、良好な状態または良好な／同じ状態に導かれる１つの軌跡内の遷移の割合は、方針がない場合（６０５対３４４人の患者、Ｐ＝８．６ｅ−２５）よりも、この方針に従う方が有意に高かった。死亡率は、一般的なケースでは０．７および０．８２の精度のＡＵＣで予測され、同様の性能（０．６９から０．８３の精度で０．６９から０．７３のＡＵＣ）が長期間の推測で得られた。したがって、データ志向型モデルは、上記のように有利な行動を示唆し、死亡率および入院期間を予測することができた。Ｔｓｏｕｋａｌａｓら（２０１５）を参照。
敗血症の監視および制御のために、コンピュータ実装の警告方法が開発されている。’４４９特許を参照。この方法は、コンピュータシステムを用いて、医療施設で治療中の患者のために維持された記録、電子カルテからの情報を抽出し、および患者のリアルタイム状態に関する情報をコンピュータシステムで取得することを含む。この方法はまた、電子カルテからの情報およびリアルタイム状態に関する情報を使用して、患者が敗血症に苦む可能性がある危険な確率であるか否かを決定し、電子カルテからの情報を用いて敗血症の治療が患者に既に提供されているかどうかを判定し、潜在的に危険なレベルの敗血症が存在し、敗血症の治療がまだ提供されていないと判断された場合には、ネットワークを介して介護者に電子的に警告する。’４４９特許を参照。
現代の医療行為の複雑さは、人工知能およびニューラルネットワークに基づく異なる意思決定支援の発展を促してきた。分散型連想記憶は、現在の神経科学から発達する認知の概念によく適合するニューラルネットワークモデルである。文脈依存の自己連想型記憶モデルが報告されている。Ｐｏｍｉら（２００６）を参照。ここでは、一連の疾患および症状が直交ベクトルの基底にマッピングされることが報告されている。マトリックスメモリは、徴候と症状とそれらの対応する疾患との間の関連を記憶する。実際のデータを用いたアプリケーションの実装では、新生児集中治療室において遅発性敗血症が疑われる新生児の公開データを用いて記憶を訓練した。試験セットとして一連の個人臨床観察を使用して、臨床検査および検査所見に基づいて、敗血症および非敗血症の新生児を区別するモデルの能力を評価した。
結果は、文脈によって調節された関連性を有するマトリックスメモリモデルが自動化された医学診断を行うことができることを示した。時間の経過に伴って新しい情報が順次利用可能になると、プロセスを減らしてシステムを進行させて診断の可能性の範囲を狭くする。各ステップにおいて、システムは、その瞬間までの異なる可能性の診断の確率マップを提供する。システムは、そのように患者の集団間の地理的−人口統計的差異を捕捉する過去のデータの代表的データベースを構築して、臨床経験を組み込むことができる。訓練されたモデルは、ＮＩＣＵの幼児の試験セット内の遅発性敗血症の診断に、感度１００％、特異度８０％、真陽性率９１％、真陰性率１００％、精度（患者全体の真陽性と真陰性の合計）９３．３％、コーエンのｋインデックス（ｋａｐｐａ ｉｎｄｅｘ）０．８４で成功した。
重度の敗血症を特定し、発症の時間を判定するために、電子敗血症監視システム（ＥＳＳＶ： Ｅｌｅｃｔｒｏｎｉｃ ｓｅｐｓｉｓ ｓｕｒｖｅｉｌｌａｎｃｅ ｓｙｓｔｅｍ）が開発された。ＥＳＳＶ感度および特異度は、１１日間の前向きパイロット研究および３０日間の後ろ向き試験の間に評価された。Ｂｒａｎｄｔら（２０１５）を参照。ＥＳＳＶ診断アラートは、専門家の判断を比較の基準として使用して、ケアチームの診断と管理記録と比較された。ＥＳＳＶは、重度の敗血症を検出する感度が１００％であったが、特異度は６２．０％のみであった。パイロット研究の間、１８の治験によって比較されて、ソフトウェアは４７７人の患者を特定した。３０日間の試験において、治験は重篤な敗血症患者１６４人を特定したのに対して、ＥＳＳＶは９９６人を検出した。ＥＳＳＶは、ケアチーム又は管理データよりも感度は高かったが特異度は低かった。重度の敗血症発症のＥＳＳＶ特定時間は、治験によるよりも０時間後の中央値であった（四分位範囲＝０．０５）。
敗血症性ショック診断の２つの臨床研究のデータには、ニューラルネットワークおよびルールベースのシステムに基づく遡及的なデータ志向分析が適用される。Ｂｒａｕｓｅら（２００１）を参照。このアプローチには、データマイニング、すなわちデータベースの構築、データのクリーニングおよび前処理、最後に患者データのために適切な分析の選択といったステップが含まれていた。教師付きニューラルネットワークに基づく２つのアーキテクチャが選択された。患者データは、成長するＲＢＦネットワークのブラックボックスアプローチ、または人間の理解可能な診断ルールによってその診断を説明するために使用できる第２のネットワークのいずれかに基づく診断によって、２つのクラス（生存および死亡）に分類された。早期警告システムのためのこれらの分類方法の利点および欠点が特定された。
臨床試験や実際のところでは、死亡リスクの層別化または重症度スコアリングシステムを使用して、敗血症の治療のための新しい治療法の評価精度を向上させ、その利用状況をモニターし、症状を改善することが推奨される。Ｂａｒｒｉｅｒｅら（１９９５）を参照。マネージドケアがヘルスケア提供に及ぼす影響がますます高まるにつれて、費用対効果の高いケアの配分について患者を層別化するテクニックに対する需要が増大するだろう。疾患スコアリングシステムの重症度は、癌および心臓病の管理における患者の層別化のために広く利用される。
敗血症における死亡リスク予測は、リスク因子の特定と臓器不全の単純なカウントから、生理学的および／または臨床的データからなる生スコアを予測される死亡リスクに数学的に変換するテクニックに進化した。開発されたシステムの大部分は、敗血症患者データベースではなく、大域的なＩＣＵ母集団に基づいている。いくつかのシステムは、そのようなデータベースから派生している。死亡率の予測は、エンドトキシンまたはサイトカイン（ＩＬ−１、ＩＬ−６、ＴＦ−α）の血漿濃度の評価からも実施されている。これらの物質のレベルの上昇は死亡率の増加と相関しているが、バイオアッセイの困難さと血流の散発的な出現は、これらの測定が実際に適用されることを妨げる。予測と実際の死亡率とを患者母集団のリスクの至る所で比較するリスク予測方法の較正は優れているが、個々の患者の予測における全体的な正確さは、臨床的判断が意思決定の主要な部分でなければならない。適切な患者情報のデータベースがサイズおよび複雑さが増すにつれて、臨床的意思決定には信頼できるスコアリングシステムの革新が必要となる。Ａｎｇｕｓら（２０１３）を参照。
時間の経過とともに状態が変化するシステムをモデル化する一時的確率論的手法であるダイナミックベイジアンネットワークを使用して、患者が救急部を訪れた直後に敗血症の存在を検出した。Ｎａｃｈｉｍｕｔｈｕら（２０１２）を参照。入院後３時間、６時間、１２時間および２４時間後に収集されたデータを用いて、救急部に入院した患者３，１００人のデータを用いてモデルを構築し、訓練し、試験した。曲線下面積はそれぞれ０．９１１、０．９１５、０．９３７、０．９４４であった。
新しい知識ベースの方法の敗血症性ショック患者データベースへの応用が提案されており、ラッパー法（ボトムアップツリー検索またはアリ特徴選択）を使用して特性の数を減少させるアプローチが開発されている。Ｆｉａｌｈｏら（２０１２）を参照。目標は、敗血性ショック患者の結果（生存または死亡）を可能な限り正確に推定することであった。公的に利用可能なＩＣＵデータベースに、ソフトコンピューティング方式に基づくラッパー特徴選択が適用された。ファジィモデルとニューラルモデルを導出し、木探索法とアリ特徴選択（Ａｎｔ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ）を用いて特徴を選択した。
既成の医療データおよび電子カルテ（ＥＭＲ）からの遅発性新生児敗血症の早期発見のために機械学習を用いて医学的意思決定を支援する試みがなされている。Ｍａｎｉら（２０１４）を参照。新生児集中治療室に入院した２９９人の乳児からのデータを使用して、遅発性敗血症を評価した。ＥＭＲで入手可能なすべての実験的、臨床および微生物学のデータに基づいて、ゴールドスタンダード診断ラベル（敗血症陰性、培養陽性敗血症、培養陰性／臨床敗血症）を割り当てた。血液培養試験のために瀉血から１２時間後までの利用可能なデータのみが、機械学習（ＭＬ）アルゴリズムを用いて予測モデルを構築するために使用された。医師の敗血症治療の感度、特異度、陽性予測値および陰性予測値を、ＭＬアルゴリズムによって生成されたモデルの予測と比較した。
培養負の敗血症が含まれていた場合、試験したすべての９つのＭＬアルゴリズムの感度および９つのＭＬアルゴリズムのうちの８つの特異度は、医師のそれを上回った。培養陰性敗血症が除外された場合、感度および特異度は、すべてのＭＬアルゴリズムについて医師のそれを上回った。上位３つの予測変数は、ヘマトクリットまたはパックされた細胞体積、絨毛膜羊膜炎および呼吸数であった。Ｒａｎｇｅｌ−Ｆａｕｓｔｏら（１９９５）およびＭａｎｉら（２０１４）を参照。
臨床データベースにおける前処理の重要性が認識されている。特に集中治療室では、データが不規則に記録され、多くの欠損値を含み、サンプリング時間が不均一である。システマティックな前処理手順が提案されている。Ｍａｒｑｕｅｓら（２０１１）を参照。これは、一般的な臨床データベースに一般化することができる。この手順を既知の敗血症性ショック患者データベースに適用し、分類結果を以前の研究と比較した。目標は、これらの敗血性ショック患者の結果（生存または死亡）を可能な限り正確に推定することであった。ニューラルモデリングを分類に使用し、結果は前処理が分類子精度を改善したことを示した。Ｍａｒｑｕｅｓら（２０１１）を参照。
本発明は、患者における確定診断のためにＳＩＲＳ症状が観察される数時間から数日前の全身性炎症反応症候群（ＳＩＲＳ）の予測またはリスク階層化のための臨床パラメータ（または特徴）の組成および使用に関し、ＳＩＲＳなどの疾病の発症を予測するためのパラメータ群および対応する予測モデルの開発に関する。臨床症状の出現前にＳＩＲＳの発症を予測する能力は、医師が治療を迅速に開始し、それにより結果を改善することを可能にする。これは、非感染性ＳＩＲＳを有する患者、または敗血症に進行するＳＩＲＳ患者に適用される。ＳＩＲＳなどの疾患を予測する能力は、敗血症および／または、ＳＩＲＳと同一または同様の症状、例えば、膵炎、外傷または火傷などを発症することになりかねない入院患者に対して、早急に予防的治療を提供するためにヘルスケアの専門家にとっては有用である。
さらに、このような予測能力は、臨床試験中の患者ケアを高めるために適用することもできる。臨床試験は、生物医学的または行動的介入（新規ワクチン、薬物、治療、装置または既知の介入を用いる新しい方法）に関する特定の質問に答えるように設計され、安全性および有効性のデータを生成するように設計された人体に関する将来の生物医学研究または行動研究である。患者は、様々な既存の状態を調べる臨床試験に登録されたときに、ＳＩＲＳまたはＳＩＲＳと同様の症状を発症する患者を含むことができる。例えば、医療機器会社は、股関節置換システムのような埋め込み型装置の試行を行っている可能性があり、製薬会社は、臓器移植者のための新しい免疫抑制剤の試行を行っている可能性がある。両方のシナリオにおいて、臨床試験プロトコルは、機能および回復測定に集中するであろう。治験責任医師が手術中に、または治験中の任意の時点でどの患者が感染したかを予測する方法にアクセスした場合、早期治療を提供し、有害事象および患者のドロップアウトを最小限に抑えることができる。それに応じて、同じ方法を使用して、患者登録の初期段階に患者をスクリーニングすることもできる。ＳＩＲＳを発症すると予測される潜在的な登録者は、最初に治療されるか、または除外され、それによって治験中の有害な結果または交絡結果を減少させる。
本発明は、一般的な患者の測定値、ラボ検査、投薬、指定されたルートで患者を出入りする流体および個体の形態においてヘルスケア設定で共通して利用可能である、臨床パラメータおよび測定値（または集合的に「特徴」）の組合せ抽出および反復の優先順位付けに基づいて、最終的にＳＩＲＳを発症させるかどうかを患者の存在および時間的変動と相関させることができる。この臨床パラメータの組み合わせのグループは、以前はＳＩＲＳに関連付けられていなかったし、その進行とリスクの階層化に関連していなかった。本発明は、一般に、ＳＩＲＳの予測（または予測モデリング）のための、これらの臨床パラメータおよび測定値、またはそれらの組み合わせの特定および優先順位付けに関する。以下のタイムラインに示すように、本発明は、既存の技術によって可能にされる予測時間（および／または診断時間）の十分前にＳＩＲＳの予測を可能にする。
本開示で利用されるシステムの実施形態を示す。
本発明は、ＳＩＲＳ陰性患者が６〜４８時間（例えば、６、１２、２４または４８時間）後にＳＩＲＳ陽性と診断される可能性（または尤度： ｌｉｋｅｌｉｈｏｏｄ）を正確に予測するのに使用できる、外見上無関係な生理的特徴および臨床手順の特定を記載する。
ＭＩＭＩＣＩＩデータベースには、ボストンにある１つの病院、Ｂｅｔｈ Ｉｓｒａｅｌ Ｄｅａｃｏｎｅｓｓ Ｍｅｄｉｃａｌ Ｃｅｎｔｅｒ（ＢＩＤＭＣ）からの４つの集中治療室（ＩＣＵ）に関する様々な病院データが含まれている。ＭＩＭＩＣ自体は、「Ｍｕｌｔｉｐａｒａｍｅｔｅｒ Ｉｎｔｅｌｌｉｇｅｎｔ Ｍｏｎｉｔｏｒｉｎｇ ｉｎ Ｉｎｔｅｎｓｉｖｅ Ｃａｒｅ」の略であり、この第２のバージョンは、オリジナルに対する改善である。集計された病院のデータにはタイムスタンプが付いており、生理学的な信号と測定値、バイタルサイン、および投薬量（量、時間、経路）、ラボの検査、測定、および結果、採食および換気レジメン、診断評価、受信したサービスを表す課金コードなどの量的データを表す臨床データの包括的なセットが含まれている。ＭＩＭＩＣＩＩには、２００１〜２００８の間に医療ＩＣＵ（ＭＩＣＵ）、外科ＩＣＵ（ＳＩＣＵ）、冠動脈ケアユニット（ＣＣＵ）および心臓手術回復ユニット（ＣＳＲＵ）ならびに新生児ＩＣＵ（ＮＩＣＵ）から収集された患者数３３，０００を超える情報が含まれる。運用上、ＭＩＭＩＣＩＩは、利便性と柔軟性のために、ＳＱＬ言語を使用して照会できるリレーショナルＰｏｓｔｇｒｅＳＱＬデータベースとして編成される。データベースは、個々の患者にしたがって編成され、それぞれが固有の整数識別番号によって示される。特定の患者は、複数回の入院と、各入院につき複数回のＩＣＵステイとを経験している可能性があり、そのすべてがデータベースにおいて構成される。ＨＩＰＡＡ（Ｈｅａｌｔｈ Ｉｎｓｕｒａｎｃｅ Ｐｏｒｔａｂｉｌｉｔｙ ａｎｄ Ａｃｃｏｕｎｔａｂｉｌｉｔｙ Ａｃｔ）を遵守するために、データベース内の個人は、保護された健康情報（ＰＨＩ： Ｐｒｏｔｅｃｔｅｄ Ｈｅａｌｔｈ Ｉｎｆｏｒｍａｔｉｏｎ）を削除することによって、非特定化された。さらに、各患者（例えば、誕生日、全ての入院、およびＩＣＵステイ）の時間経過全体を将来の仮想期間にタイムシフトさせて、患者の再識別の可能性をさらに低減させた。
データ準備
ＭＩＭＩＣＩＩデータベースは、本発明のための測定および他のデータ源として使用されたが、ここに開示される発明は、ＭＩＭＩＣＩＩデータベース、またはＢＩＤＭＣまたはＭＩＭＩＣＩＩデータベースからの特定の測定、表現、スケールまたはユニットには限定されない。例えば、本発明で使用する特徴を測定するために使用されるユニットは、測定が行われるラボまたは場所によって変化し得る。標準投薬量または投与経路は、病院または病院システムによって異なる場合があり、または特定の状態に処方される類似の投薬のクラスの特定メンバーさえも異なる場合がある。ＭＩＭＩＣＩＩデータベースに見られる特定の特徴の別の病院システムで使用されるものへのマッピングは、本発明を別の病院で使用するためにここに開示される発明に組み込まれる。例えば、ＭＩＭＩＣＩＩデータベースが患者の体重をポンドで測定し、別の病院が患者の体重をキログラムで測定する場合、当業者は、患者の体重をキログラムからポンドに変換することは簡単なことであると認識するであろう。同様に、ポンドの代わりにキログラムを受け入れるように本発明の予測式を調整することは容易である。このような特徴間のマッピングを同じ機能を実行する投薬間で行うこともできるが、標準投薬量および／または患者の同じパラメータ、バイタルサインまたは他の側面を測定する別のラボの測定値などで異なる可能性がある。
さらに、上の段落で説明したように特徴から特徴へをマッピングし、次に新たにマッピングされた特徴とともに本明細書に提示される例示的なモデルを使用して、既存の病院のデータセットを取得し、本明細書に記載の本発明の技術に従ってモデルを保持するためにここで教示される本発明の方法を使用することは簡単なことであると認識する。これらのモデルは、次に、本明細書に示す本発明の方法で予測的に使用することができる。同じ特徴の削除と特徴の選択方法を使用することもでき、ここで有用性が判明した特徴は、手作業による特徴の選択方法を導くことができる。これらの全ては、当業者には明らかであろう。
ＭＩＭＩＣＩＩデータベースは、以下のサイト［ｈｔｔｐｓ：／／ｐｈｙｓｉｏｎｅｔ．ｏｒｇ／ｍｉｍｉｃ２／］でオンライン入手可能であり、その全体が参照により本明細書に組み込まれる。当業者であれば分かるように、ＭＩＭＩＣＩＩデータベースは、以下のように直ちにかつ容易にアクセスすることができる。Ｗｅｂサイトｈｔｔｐｓ：／／ｐｈｙｓｉｏｎｅｔ．ｏｒｇ／ｍｉｍｉｃ２／ｍｉｍｉｃ２＿ａｃｃｅｓｓ．ｓｈｔｍｌの情報は、ＭＩＭＩＣＩＩ臨床データベースにアクセスする方法を説明する。まず、ＰｈｙｓｉｏＮｅｔＷｏｒｋｓアカウントをｈｔｔｐｓ：／／ｐｈｙｓｉｏｎｅｔ．ｏｒｇ／ｐｎｗ／ｌｏｇｉｎで作成する必要がある。次に、ｈｔｔｐｓ：／／ｐｈｙｓｉｏｎｅｔ．ｏｒｇ／ｗｏｒｋｓ／ＭＩＭＩＣＩＩＣｌｉｎｉｃａｌＤａｔａｂａｓｅ／ａｃｃｅｓｓ．ｓｈｔｍｌの指示に従い、これには、人間の被験者データを管理する研究ルールのために、人間の研究参加者を保護するための訓練プログラム（オンラインで遂行可能）を完了することが含まれる。最後に、被験者の訓練プログラムの認定と署名付きのデータ使用契約を含む、アプリケーションに記入してデータベースへのアクセスを申請する。これらは、ヒト被験者に関するこのような医学的データを扱う際に当業者によく知られている一般的なステップであり、当業者はそのようなステップをとることを期待するであろう。承認された出願人、例えば当業者は、電子メールでデータベースにアクセスするための指示を受ける。更新（ＭＩＭＩＣＩＩＩデータベースの最近のリリースを含む）されると、更新された特徴は、本明細書に記載されているようにＳＩＲＳの予測のために使用され、本発明の範囲内である。
ＭＩＭＩＣＩＩデータベースから、チャート測定値、ラボ（ｌａｂｏｒａｔｏｒｙ）測定値、薬物、体液、微生物学および患者の累積体液を表す表からのデータを得た。Ｓａｅｅｄら（２０１１）を参照。以下の表は、予測のために本発明に従って使用される患者データを抽出するために使用された。
（１） チャートイベントテーブルには、すべての患者のチャートデータが含まれる。患者ＩＤ、項目ＩＤ、タイムスタンプ、数値を記録した。
（２） ラボイベントテーブルには、すべての患者のラボデータが含まれる。患者ＩＤ、項目ＩＤ、タイムスタンプ、数値を記録した。
（３） ｉｏイベントテーブルには、すべての患者の入力および出力（流体転送）イベントが含まれる。患者ＩＤ、項目ＩＤ、タイムスタンプ、および数値（一般的には体液量）を記録した。
（４） マイクロイベントテーブルには、すべての患者の微生物学データが含まれる。患者ＩＤ、項目ＩＤ、タイムスタンプ、結果解釈を記録した。収集する結果解釈は、２つのカテゴリ「Ｒ」（抵抗）と「Ｓ」（センシティブ）に基づいており、それぞれ１と−１の値にマッピングされる。
（５） ｍｅｄイベントテーブルは、すべての患者の投薬データを含む。患者ＩＤ、項目ＩＤ、タイムスタンプ、投薬量を記録した。
（６） 合計残高（ｔｏｔａｌｂａｌ）イベントテーブルには、入力イベントと出力イベントの合計残高が含まれる。患者ＩＤ、項目ＩＤ、タイムスタンプ、および累積のｉｏボリュームを記録した。
当業者であれば分かるように、上記の表１〜表７の項目およびＭＩＭＩＣＩＩデータベースの項目は、当業者に周知の意味を有する既知の略語によって特定される特徴（ＭＩＭＩＣＩＩデータベースにおいて以下に示される）に対応することを理解するだろう。さらに、対応する項目、例えば、ＭＩＣＭＩＩＩデータベースにおける測定値および他のパラメータは、本発明による特徴である。
新生児ＩＣＵでいつも過ごした患者を除き、ＭＩＭＩＣＩＩデータベースに十分なデータを持つ全患者が開発に含まれていた。ＳＩＲＳの４つの条件のうち少なくとも２つを同時に満たした患者は、滞在中のある時点で同時にデータベースから特定された。（４つの条件は、３６℃未満の温度または３８℃を超える温度、毎分９０ビートを超える心拍数、毎分２０回の呼吸を超える呼吸数、および白血球（ＷＢＣ）カウントはマイクロリットルあたり４，０００未満、またはマイクロリットルあたり１２，０００を超える。）ＩＣＵ滞在中の各患者について、２条件の６つの可能性のある症例のすべてを用いて、ＳＩＲＳの発症を、タイムスタンプ付きチャート時間を用いて任意の時間で繰り返すことなく調べた。ＳＩＲＳの発症は、２つ以上のＳＩＲＳ条件が同時に発生することを必要とする点過程としてモデル化される。チャートイベントテーブルの項目ＩＤ２１１から心拍数を抽出した。呼吸数の測定は、チャートイベントテーブルの項目ＩＤ２１９，６１５、および６１８によって抽出された。温度は、チャートイベントテーブルの項目ｉｄ６７６、６７７、６７８、および６７９から抽出された。最後に、ラボイベントテーブルの項目ＩＤ５０３１６および５０４６８からＷＢＣ測定値を抽出した。複数の測定源が利用可能であった場合、その時点で最も直近に更新されたものが使用された。
患者にＳＩＲＳ状態が発生するたびに、ＳＩＲＳ発生のタイムスタンプされた日時と患者ＩＤが記録された。陽性の患者のタイムスタンプを使用して７つの表からの上記のようにＳＩＲＳの発症前の６、１２、２４、４８時間（「時点」）のデータを収集する。これには各患者に対して最も直近の時点の最新のデータを使用するが、最新のデータは、発症の１週間前または現在の入院前の任意の時点よりも遅いものではない。ＳＩＲＳ発症が見られなかったすべての患者（ＳＩＲＳ陰性患者）について、それらのＩＤを記録した。ＩＤを使用して、最後に記録された滞在のいくつかの時点の前に、６時間、１２時間、２４時間、４８時間のデータを収集した。陽性患者と陰性患者のＩＤは、互いに素な集合である。陽性、陰性、および総患者の数は、４８時間の時点ではそれぞれ９，０２９、５，２４９および１４，２７８であり、２４時間の時点では１１，０２４、５，２４９および１６，２７３であり、１２時間の時点では１３，０３３、５，２４９および１８，２８２であり、６時間の時点では１５，０７５、５，２４９および２０，３２４であった。これらの数値は、ＳＩＲＳの発症の６時間前に存在した患者よりもＳＩＲＳの発症の４８時間前にＩＣＵに存在した患者の方がより少ないため、異なる時点（かつより短い時間で増加する）で異なる。
データは平均値０および標準偏差１に正規化した。つまり、各特徴の平均値（各特徴または測定タイプのすべての発現にわたって取得されたもの）を差し引いて、標準偏差（同じ分布にわたって測定）で除算して、各データの正規化バージョンを作成した。バタチャリア（Ｂｈａｔｔａｃｈａｒｙｙａ）距離を用いて、４つの時点のそれぞれにおいて陽性（ＳＩＲＳの基準に合致した患者）と陰性（合致しなかった患者）の間で、データにおける各特徴的特性の分布を比較した。すなわち、ある特徴の測定値の関数としてのＳＩＲＳ陽性患者の集団を与えるヒストグラムを、ＳＩＲＳ陰性患者の同じヒストグラムと比較し、これらの２つのヒストグラム分布の間でバタチャリア距離を計算した。４つの時点でバタチャリア距離が０．０１未満であった特徴は、以降考慮しなかった。Ｂｈａｔｔａｃｈａｒｙｙａ（１９４３）を参照。このステップ後の特徴のリストと分析の次のステップで使用される特徴のリスト、および各特徴の平均と標準偏差が表１に示される。
データの機械学習
機械学習は、Ｐｙｔｈｏｎ言語バージョン２．７のｓｃｉｋｉｔ．ｌｅａｒｎパッケージを使用して、Ａｎａｃｏｎｄａ環境内のＷｉｎｄｏｗｓ（登録商標）オペレーティングシステムで実行された。さらに、Ｗｉｎｄｏｗｓ（登録商標）では統計ソフトウェアパッケージＲ３．１．２（６４ビット版）を使用して、データの準備と分析のタスクを実行した。このｓｃｉｋｉｔ．ｌｅａｒｎパッケージのバージョン０．１６．０は、密度の高いデータセットと希薄なデータセットの分類と回帰の目的で機械学習モデルを生成するように設計される。以下の分類子（ｃｌａｓｓｉｆｉｅｒ）、すなわち、近傍法（Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒｓ）、線形ＳＶＭ（サポートベクターマシン）、ラジアル基底関数サポートベクターマシン（ＲＢＦ ＳＶＭ）、決定木、ランダムフォレスト（ＲＦ）、エイダブースト（ＡｄａＢｏｏｓｔ）、ナイーブベイズ、ロジスティック回帰（ＬＲ）の分類子が使用された。モデルとパラメトリック最適化により、最良の分類子を選択することができる。いくつかのアプリケーションでは、テストされたすべての分類子の中で最高の精度のものが最良の分類子である可能性がある。他のアプリケーションでは、最良の陽性予測値（ＰＰＶ）、陰性予測値（ＮＰＶ）、特異度、選択性、以下で定義される曲線下面積（ＡＵＣ）、または他の性能属性の組み合わせである可能性がある。ここに示した例では、分類子の評価に精度が一般的に使用された。ロジスティック回帰が非常に良好に実行されたため、ここに示されている機械学習の結果は、特に断りのない限りそれを使用している。本発明の方法に前述のものが使用されたが、当業者であれば、他の多くの機械学習の概念およびアルゴリズムには、人工ニューラルネットワーク（ＡＮＮ）、ベイジアン統計、事例ベース推論、ガウス過程回帰、帰納的論理プログラミング、学習オートマタ、学習ベクトル量子化、情報ファジーネットワーク、条件付きランダムフィールド、遺伝的アルゴリズム（ＧＡ）、情報理論、サポートベクターマシン（ＳＶＭ）、ＡＯＤＥ（Ａｖｅｒａｇｅｄ Ｏｎｅ−Ｄｅｐｅｎｄｅｎｃｅ Ｅｓｔｉｍａｔｏｒ）、ＧＭＤＨ（Ｇｒｏｕｐ ｍｅｔｈｏｄ ｏｆ ｄａｔａ ｈａｎｄｌｉｎｇ）、インスタンスベースの学習、遅延学習、最大情報スパニングツリー（ＭＩＳＴ）などが含まれるが、これらに限定されない、が本発明の方法に等しく使用され適用され得ることを容易に理解するであろう。さらに、様々な形態のブースティングを方法の組み合わせを用いて適用することができる。
これらの学習方法の中には、実行するための追加パラメータが必要である。ＳＶＭとＬＲの複雑なパラメータについて、別々の実行では、０．０００１〜１０００の範囲の値を１０の累乗で使用した。ＲＢＦ ＳＶＭのガンマパラメータにも同じ値のセットが適用された。決定木メソッドは最大１０の深さで使用され、Ａｄａｂｏｏｓｔは５０と等しい最小推定数があり、ＲＦは最小５０の推定値があった。
典型的な機械学習計算セットでは、使用した分類子とは無関係に、元のデータセットを２つのデータセット、学習データセットとテストデータセットとにランダムに分割した。学習データセットは、データインスタンスのランダムな８０％（個々の患者が特定の時間［陽性］又は非［陰性］であるＳＩＲＳに感染している）を含み、テストデータセットは、残りの２０％のデータを含む。この訓練データとテストデータの分離は、教師付き機械学習アプリケーションでは一般的であるため、学習フェーズで開発されたモデルは、以前に公開されていないデータについてテストフェーズで評価することができる（例えば、テストデータはそのモデルが最初に患者に公開していないものと等しいが、訓練データへの公開後にそれらの患者についての予測を行い、それらの予測を、それらの患者を表すテストデータ自体と比較することによって評価することができる）。
これらの分類子のそれぞれについて、それらの予測モデルを決定するモデルパラメータが、訓練データセットに基づいて計算された。ここで報告されたロジスティック回帰結果では、各結果モデルのパラメータは、モデル内の各データ特徴に対して１つの係数と１つのバイアス値である。データ特徴は、測定の一種である（例えば、収縮期血圧測定）。以下の式に示すように、バイアス（ｂ）とともに、係数（ｗｊ）と正規化されたデータ特徴（patient_datai,j）の線形結合が予測を生成する。
次に、（前述のように）訓練データセットから得られたそれぞれのパラメータのセットを用いて各分類子モデルを使用し、テストデータセットで評価し、以下に定義するように、予測結果を精度、陽性予測値（ＰＰＶ）、感度、特異度、陰性予測値（ＮＰＶ）、および曲線下面積（ＡＵＣ）の形式で表した。
ロジスティック回帰は、その優れた精度、肯定的な予測値およびその頑健性について選択された。Ｙｕら（２０１１）を参照。結果を再現するために、訓練データセットとテストデータセットのいくつかのランダムな組み合わせを使用した。この戦略は、結果がテストデータセットの偶然の選択に起因する可能性を排除するために使用された。ここに示したロジスティック回帰モデルの結果は、０．００５に等しく設定した複雑なパラメータとペナルティＬ２を用いて実行したものである。
次の式を使用してロジスティック回帰モデルから予測が行われる。
ここで、


は、ベクトル


によって表される正規化された患者データを提示している特定の患者ｉが、モデル内の対応する時点でＳＩＲＳを発症する確率であり、正規化された患者


の特徴測定値（その内、num_featuresがｊによってインデックス付けされる）に対応するモデルバイアスパラメータｂとモデル係数Ｗｊとが与えられる。
ここに提示された研究では、５０％（１／２）を超える確率は、対応する将来の時点でＳＩＲＳを有する患者の予測をもたらし、５０％（１／２）以下の確率は、ＳＩＲＳを持たない予測である。当業者であれば分かるように、この確率のより洗練された処置を適用して、より精細な優先順位を条件の可能性および重症度に割り当てることは容易である。例えば、ＳＩＲＳを発症する予測確率の尺度として確率を直接用いることができる。この確率は、患者がＳＩＲＳを発症するか否かのバイナリ予測ではなく、「ＳＩＲＳを発症する確率が極めて高い」、「恐らくＳＩＲＳを発症する」、「ＳＩＲＳを発症する可能性がある」、「ＳＩＲＳを発症する可能性は低い」、「ＳＩＲＳを発症する可能性は極めて低い」などのカテゴリに対して確率が示される。これらの精細な優先順位は、病院が予測に取り組む際に特に有用である。
特徴の選択
機械学習アルゴリズムを使用して、患者母集団データセットに基づいて予測モデルを生成することができる。しかし、患者母集団データセットには膨大な量のデータが存在し、その大部分は予測モデルが訓練される特定の疾患の予測可能性にはほとんど必要がないか、またはほとんど寄与しない。さらに、異なる特定の患者が、データセットのすべての特徴の異なるそれぞれのサブセットに対して利用可能なデータしか有していない場合がよくあるため、患者母集団データセットのすべての特徴に基づく予測モデルが、特定の患者に対して使いものにならないか、または特定の患者に対して次善の予測を出力する可能性がある。本発明の例示的な実施形態は、それぞれの予測モデルを生成するために患者母集団データセットの特徴の全体の中の複数の特徴のサブセットを識別し、これらの予測モデルを使用して、例えばＳＩＲＳのような疾患を、特徴のそれぞれのサブセットのみのデータに基づいて予測する。
したがって、本発明の例示的な実施形態では、コンピュータシステムに患者母集団データセットが提供され、そこからシステムが複数のサブセットを選択し、各サブセットは機械学習アルゴリズムによって使用され、疾患の患者の発症を予測するための基礎となる新たな予測モデル、例えばＳＩＲＳを訓練することができる。したがって、各選択されたサブセットについて、それぞれの予測モデルが訓練され、訓練された予測モデルのそれぞれは、それぞれの予測モデルが訓練されたサブセットの特徴の特定のグループに関して個々の患者のデータに続けて適用される。
したがって、例示的実施形態によれば、予備選択ステップにおいて、特徴選択方法が適用されて、それぞれの予測モデルを訓練するための特徴の関連するサブセットを選択する。例示的な実施形態では、特徴選択方法を適用する前に（または、特徴選択方法の第１のステップとして別に見ると）、上述したようにバタチャリア距離に基づいてデータセットから特徴が最初に除去される。次に、バタチャリア距離に基づいて除去されなかった特徴から、システムは、機械学習アルゴリズムを適用する関連する特徴群を選択するように進み、次に、機械学習アルゴリズムは、１つまたは複数のグループのそれぞれの選択された関連する特徴のデータ値に基づいてそれぞれの予測モデルを生成する。
特徴選択方法は、所与の時点における各特徴と出力配列との間の相関を計算し（陰性の場合は−１［ＳＩＲＳを発症していない患者］、陽性の場合［対象時間にＳＩＲＳを発症した患者］）、所与の時点におけるすべての特徴のペア間の相関を計算することを含む。反復的に、その時点（６、１２、２４、または４８時間）の残りのすべての特徴の中で出力配列との相関が最も高い場合、特徴がその時点で一次特徴として選択された。次に、その時点で最も直近に選択された一次特徴（すなわち、現在の反復について選択された一次特徴）と６０％以上の相関を有する（患者にわたって撮影されたとき）残りの特徴の全ての特徴が、その一次特徴およびその時点に関連する二次特徴として選択された。例えば、例示的な実施形態では、各特徴について、患者母集団の複数の患者のそれぞれについて、それぞれの特徴の値が入力されたベクトルが生成され、係数は、選択された一次特徴ベクトルと残りの特徴ベクトル間の相関が決定される。ベクトルは、陰性または陽性と関連することをさらに示すことができる。
このようにして選択されたすべての二次特徴は、残りの特徴のセットから削除された（特徴が一次特徴または二次特徴として選択されると、後続の反復では一次特徴として選択できなくなった）。この選択された一次特徴とそれに関連する二次特徴は、ともに特徴群と見なさる。特徴群を選択するために使用された方法のため、特定の特徴群のメンバーは、出力との相関（患者が将来特定の時間にＳＩＲＳを開発したかどうか）があり、それら自身の間で相関がある。したがって、それらはＳＩＲＳの予測に有用であると期待されるが、特徴群内のメンバーは、それら自身の間の相関のために部分的に冗長である可能性がある。このプロセスは反復して繰り返され、最初に同じ時点で追加の一次特徴が選択され、次にそれはその時点の二次特徴と関連付けられる（追加の特徴群を一体として形成した）。
例示的な実施形態では、機械学習によって、例えば０．５０に非常に近いＡＵＣ（例えば、０．５０±０．０５）を有すると示されるように、選択されていない残りの特徴が必然的に予測力を有するかを判定するとすぐに、反復特徴選択方法を中止する。例えば、システムは、一次特徴およびその二次特徴を新しい特徴のサブセットとして選択する。その後、システムは、患者母集団データセットの残りのすべての特徴の組み合わせに機械学習を適用する。機械学習がそれらの残りの特徴に基づいて動作可能な予測モデルを生成する場合、システムは別の反復を続けて、単独で使用できる残りの特徴の１つ以上の更なるサブセットを見つける。一方、機械学習が残りの特徴に基づいて動作可能な予測モデルを生成しない場合、反復選択方法は終了する。反復選択方法が終了すると、システムは、機械学習アルゴリズムを、１つ以上のそれぞれに、例えば、個々の特徴サブセットのうちのすべてのそれぞれに適用する。ここで、個々の特徴サブセットは、個々の予測モデルを生成するように反復特徴選択方法によって選択される。
例示的な実施形態では、このプロセスは、複数の特定の制約値のそれぞれ、例えば時点ごとに別々に実行される。例えば、一例では、この方法は、６、１２、２４および４８時間の４つの発症時点のそれぞれについて実施した。
当業者であれば容易に理解されるように、上記機械学習データおよび特徴選択方法がＭＴＭＩＣＩＩデータベースを用いて実施されたが、本発明の同じ方法を他の病院の別のデータベースで利用して、ここではＭＩＣＭＩＩＩデータベースで例示されている、一次（ｐｒｉｍａｒｙ）、二次（ｓｅｃｏｎｄａｒｙ）および追加（ａｄｄｉｔｉｏｎａｌ）の特徴の特定を含む、本発明の結果を達成する。
特徴選択方法は、患者母集団データセット全体に適用された。関連する特徴がこのように選択されると、患者母集団データセットは、訓練ステップおよびテストステップを実行するための訓練データセットおよびテストデータセットに分割された。
例１： 機械学習の結果は、選択された特徴の予測値を表示する。
表４の特徴に関連するデータを用いた線形サポートベクターマシン法（複雑度パラメータＣ＝０．００１）による機械学習の性能結果を表２に示す。４つの別々の計算セットの結果をこの表２に示し、各セットはそれぞれの発症時間に対応する。それぞれの開始時間のそれぞれについて、表は、中央列の一次および二次特徴としてグループ化された特徴に基づいて生成された計算結果と、バタチャリア手順で除去されなかった「残りの特徴」に基づいて生成された計算結果を示す。結果は、前者の計算は予測的であり、後者の計算は予測的ではないことを示している。表３は、４８時間のデータセットに設定されたこの「残りの特徴」の詳細を示している。各計算では、異なるデータセット（陽性患者のＳＩＲＳの発症から６、１２、２４、または４８時間前に収集）を使用した。４つの計算セットのそれぞれについて、結果は、表４の特徴に関連するデータのみを使用すると、機械学習コミュニティおよび当業者には精通した統計的尺度、例えば、感度、特異度、陽性予測値（ＰＰＶ）、陰性予測値（ＮＰＶ）、および曲線下面積（ＡＵＣ）によって判断されるように、どの患者がＳＩＲＳを発症するかしないかに関して正確な予測が可能となり得る。さらに、真陽性率（ＴＰ）、真陰性率（ＴＮ）、偽陽性率（ＦＰ）、および偽陰性率（ＦＮ）が与えられる。バタチャリア手順（「残りの特徴」）によって除去されなかった、関連する時点データセットの一次または二次でない特徴に関連する特徴データのみを用いた並行実験は、本発明の有効性を実証する、どの患者がＳＩＲＳを発症するかしないかに関して選択された時間に正確な予測をすることができなかった。これは、残りの特徴が使用されたときに、５０％に非常に近い曲線下の領域によって示される。
表２（および本出願の他の場所でも使用される）の様々な用語の意味は、機械学習文献の標準であり、当業者には周知であるが、ここでは完全性のために例示的な形で参照される。真陽性率（ＴＰ）は、訓練セットであろうとテストセットであろうと、ＳＩＲＳを（一般には所与の時間ウィンドウにおいて）発症すると予測され、そしてその後（一般にはその所与の時間ウィンドウにおいて）ＳＩＲＳを発症する患者である。真陰性率（ＴＮ）は、その後ＳＩＲＳを発症しないと予測され、ＳＩＲＳを発症しない患者である。偽陽性（ＴＰ）は、ＳＩＲＳを発症すると予測されるが後にＳＩＲＳを発症しない患者であり、偽陰性（ＦＮ）は、ＳＩＲＳを発症しないと予測されるがその後ＳＩＲＳを発症する患者である。予測が行われる任意の患者セットの中で、精度統計値は、予測の総数を正しい予測の総数で除算したものである。したがって、精度は、（ＴＰ＋ＴＮ）／（ＴＰ＋ＦＰ＋ＴＮ＋ＦＮ）として表すことができる。ここで説明され、使用されている精度、および他の統計情報は、多くの場合、（１００を掛けてパーセント記号を追記することによって）百分率で表される。感度は、ＳＩＲＳをその後発症すると正確に予測される患者の割合であり、ＴＰ／（ＴＰ＋ＦＮ）として表すことができる。特異度は、ＳＩＲＳをその後発症しないと正確に予測される患者の割合であり、ＴＮ／（ＴＮ＋ＦＰ）として表すことができる。陽性予測値（ＰＰＶ）は、正しい陽性予測の割合であり、ＴＰ／（ＴＰ＋ＦＰ）として表すことができる。陰性予測値（ＮＰＶ）は、正しい陰性予測の割合であり、ＴＮ／（ＴＮ＋ＦＮ）として表すことができる。曲線下面積（ＡＵＣ）は、受信者動作特性（ＲＯＣ）曲線の下の領域であり、識別閾値が変化するにつれて、ｘ軸上の（１−特異度）に対する、ｙ軸上の感度のプロットである。最大値が１である非負量である。異なる機械学習方法は、識別閾値を変化させる独自のメカニズムを有する。ロジスティック回帰では、予測陰性と予測陽性の算出間の閾値確率（名目上は０．５）を、例えば０から１に漸進的に変化させることによって変更することで達成でき、次にＲＯＣ曲線を描く。
これらの証拠から、表４の特徴は、データセットの他の特徴にはない、患者が今後６〜４８時間でＳＩＲＳを発症するかしないかの機械学習予測において価値があることが示されている。すなわち、上述の特徴選択方法によって選択されたこれらの特徴は、機械学習アルゴリズムに適用されると機械学習アルゴリズムに良好な予測モデルを生成させ、予測モデルはそれらの選択された特徴に対する患者固有の値を確定し、ＳＩＲＳを発症する特定の患者のそれぞれの可能性を予測する。
５０％の曲線下面積を有する不十分な予測モデルの例を表３に示す（４８時間データ、残りの特徴のみ［４８時間データの一次特徴ではなく、４８時間データの二次特徴ではなく、バタチャリア手順で除去された特徴ではない］）。大部分の特徴は係数値がゼロであり、訓練データから学習することが困難なモデルを示す。これは、表３にリストされた残りの特徴セットが、ＳＩＲＳ発生を予測するのに十分な情報量ではなかったことを示している。
４８時間のデータセットから合計３２の特徴が選択された（２０つの一次特徴と１２つの二次特徴、一部の一次特徴は二次特徴と相関がなかった）。各一次特徴とそれに関連する二次特徴（存在する場合）は、２０もの初期の特徴群を提供する「特徴群」を構成した。追加した合計１６つの特徴がこの特徴セットに追加され、６、１２、２４時間データセットのパフォーマンスを最適化した。例えば、異なる発症時間について選択された特徴群を選択できる。これらの追加特徴は、「追加」特徴と呼ばれる２１番目の特徴群を構成した。例えば、例示的な実施形態では、システムは、複数の期間（ｔｉｍｅ ｆｒａｍｅｓ）のそれぞれ以内に疾患を発症する陽性および陰性に関連するデータに基づいて、上記の特徴選択方法を適用して、それぞれの期間内にある疾患の発症を予測するための関連の特徴のサブセットのそれぞれを識別する。これは、特徴サブセットが第１の期間内に発症を予測するのに関連するものとして特徴サブセットの識別をもたらすことができる。この特徴サブセットは、１つ以上の他の期間内の発症を予測するのに関連するものとして識別されなかった。それにもかかわらず、例示的な実施形態では、特徴サブセットが特定の期間内の発症予測について選択されなかったとしても、特徴サブセットが異なる期間内について選択された場合、それが選択されていなかった期間についてさえも予測モデルを訓練するために使用する。（その後、生成されたモデルが期間について満足のいく予測結果をもたらさないと判定された場合、それはその期間に関連するものとして破棄される。）
表４は、ＭＴＭＩＣＩＩデータベース内の識別子、それらが果たす役割（一次、二次、または追加の特徴として）、および簡単な説明を含む、特徴群別に編成された選択された特徴を示している。別のデータベースを使用して、上述の同じ手順を使用して、本発明の範囲内にある本発明の上記の方法を使用して、その別のデータベースから一次および二次特徴および追加の特徴を識別および選択することができる。同様に、このような別の測定は、本出願で使用される用語「特徴」の意味の範囲内である。さらに、上記で説明したように、所与の病院が異なる単位の特徴を測定するか、またはＭＩＭＩＣＩＩデータベースと比較される同一の特徴に対して異なるタイプの測定を使用する場合、それらのデータもまた本明細書で定義される「特徴」であり、本発明の範囲内にある、本発明の上記選択および予測方法において使用することができる。本明細書で使用される「ＭＴＭＩＣＩＩ特徴」は、ＭＩＭＩＣＩＩデータベースからの特徴（一次、二次、追加または残りのいずれか）であるが、「特徴」は、そのようなＭＩＭＩＣＩＩの特徴と、ここに説明されるように本発明に従って、他の病院データベースから識別および／選択することができる他の特徴とを含む。そのような他のデータベースからの特徴はまた、本発明の方法に従って、一次、二次、追加および残りと呼ばれる。
例２： 異なる患者の組合せは、同様の高い予測精度を有するモデルを生成する。
最初の２０つの特徴群内の特徴は（特に複数の特徴を有する特徴群内で）相互に関連付けられているため、本発明者らは、最初の１４つの特徴セットのそれぞれから２つの特徴、追加セットから２つの特徴を選択してさらに一連の実験を実行し、これらの予測能力がテストされた。この種の１０回の独立した実験は、モデルで使用されているのと同じ特徴を使用して実行されたが、データを異なる訓練データとテストデータにランダムに分割した。上記のような訓練セットの機械学習を使用してモデルを作成し、そのモデルをテストセット（モデルでは見られなかった患者を含む）でテストした。１０つのテストセットのそれぞれに関するスコアは、４つの時点のそれぞれについて、そのデータセットの特徴およびこれらの結果をもたらした訓練の結果得られた予測モデルとともに、表５に報告されている。結果は、それぞれのモデルがそれぞれ互いに異なっていても、すべてのモデルが非常に良好な予測能力を有することを示す。これは正確な予測に大いに有用である特徴と一致している。
以下の実施例に示すように、本発明の上記の方法を使用して特定された特徴の数に依存して、６０％以上、より好ましくは７０％以上、８０％以上の精度でＳＩＲＳが生じるかどうかを予測することができる。ＳＩＲＳを発症する可能性のある患者の予測は、適切な監視および介入によって改善された医療成果およびコスト削減につながる可能性がある。
例３： ５つの特徴を有するモデルは、予測能力の範囲を示す。
表４の最初の２０グループから選択された５つの特徴の特徴セットを用いて、４８時間データセットのロジスティック回帰を使用して、上記のように機械学習をＭＩＭＩＣＩＩデータベースに適用した。訓練データセットで開発された機械学習モデルは、表６に示すように、学習で使用された特定の特徴セットに応じて、テストデータセットに８０％以上から７０％未満まで適用されると、幅広い精度をもたらした。
例４： １つまたは２つの特徴を有するモデルもまた予測能力を示す。
表４の最初の２０グループから選択された１つおよび２つの特徴の特徴セットを使用して、４８時間データセットのロジスティック回帰を使用して、上記のように機械学習をＭＩＭＩＣＩＩデータベースに適用した。訓練データセット上で開発された機械学習モデルは、表７に示すように、テストデータセットに適用されたときに有用な精度をもたらした。
例５： 病院内の本発明の使用
本発明を使用して、所与の患者の所与の時間ウィンドウ内でのＳＩＲＳ発症の確率を決定することができる。ここに展開された方法は、例えば、ＭＩＭＩＣＩＩデータベースを含む、病院データベースで頻繁に利用可能な非常に大きな数から減少させた比較的少数の特徴（患者データ測定値）を使用して、患者が一定の期間内でＳＩＲＳを発症するかしないかの予測モデルを構築するための方法を示す。ここで開発され、示されたモデルは、病院の患者の予測を直接行うために使用することができる。モデル内の特徴に対応する特定の患者のデータの測定値を取得し、ここに示すように正規化し、モデルパラメータ（バイアスｂおよび係数ｗｊ）を使用し、ロジスティック回帰式を適用してモデルで示される時点（６、１２、２４、または４８時間）の患者のＳＩＲＳの確率を生成するだけでよい。確率が５０％（１／２）より大きい場合、ＳＩＲＳが予測される。そうでなければ、ＳＩＲＳではない。上記のように、多数の方法で確率を使用して、患者がＳＩＲＳを発症する可能性のより詳細な分類を割り当てることができる。
本発明の方法のＳＩＲＳの予期せぬ高い予測精度は、例えば、表２、５、６および７の上記の精度および予測結果における他の決定によって、本出願に示される。比較的少数の特徴測定値を用いた予期せぬ高い予測精度も本出願で示される。例えば、表６のセット１の特徴を用いて、本発明の方法は、４８時間モデルにおけるＳＩＲＳの発症に関する精度について８３．６７％の値をもたらした。大まかに言えば、これは、そのセット１の特徴がＭＩＭＩＣＩＩデータベースに基づいて上記モデルに適用されたとき、４８時間でのＳＩＲＳの発症の予測される確率（ｙｅｓまたｎｏ）は８３．６７％の精度をもたらした。換言すれば、セット１の特徴は、上記の方法に従って訓練データとして指定するデータの８０％に適用され、これらの特徴を用いて４８時間でＳＩＲＳ発症の確率を決定し、ＳＩＲＳが４８時間で発症したか否かにかかわらず、当業者が認識するように、これらの同一の特徴に関連する２０％のテストデータに対して８３．６７％の精度結果で判定した。
ここに提示された正確なモデルを直接使用するのではなく、利用可能な病院データ（例えば、同じまたは類似の病院または病院システムでの、数週間、数ヶ月、または数年前の過去のまたは回顧データ）を使用して、新しいモデルを生成するために本方法をここで使用することができ、本発明の方法を適用して、特徴セットおよびモデルを識別し、ここで説明したようにそれらを適用する。ここに示す方法は、データの準備、特徴の選択、機械学習の実行によるモデルの作成、それらのモデルの予測能力の評価に使用することができる。ここに示す方法を使用して、これらのモデルを適用して、新しい患者に現在の測定値を使用して新しい患者に関する予測を行うことができる。
例えば、診断のために病院に入る患者に関して、本発明は、ＭＩＭＩＣＩＩデータベースの特徴に関連して以下のように適用することができる。患者のデータは、時間の経過とともに、一次、二次および追加の様々な特徴について、病院における患者の通常の滞在中に得ることができる。得られた測定値が上記のモデルおよびそれらのパラメータセットのいずれかと一致する限り、本発明の方法および上記モデルを患者の特徴に適用して、患者が６、１２、２４または４８時間でＳＩＲＳを発症する確率を決定することができる。例えば、ｌａｂ５００１９（表７からのセット３）に対応する測定値を有する場合、その患者測定値を使用して、表からの係数およびバイアスを正規化して適用して、測定が行われたときから４８時間後のＳＩＲＳ発症の確率を生成して、予測を行うことができる。ｌａｂ５００１９に対応する測定値とｉｏ１０２（表７からのセット１）に対応する測定値とを有する場合、それらの２つの患者測定値を使用して、表から係数およびバイアスを正規化して適用して、測定が行われてから４８時間後のＳＩＲＳ発症の確率を生成して、予測を行うことができる。表７の結果から、この２つの特徴モデルは、特徴５００１９のみを使用する１つの特徴モデルよりも正確であると予想される（６６．８６％ではなく７１．４６％の精度）。モデルがこのようなＳＩＲＳの発症の可能性を予測する場合、病院は、症状が現れる前にＳＩＲＳまたは敗血症の患者を有利に治療し始めることができ、ＳＩＲＳまたは敗血症の症状がすでに発生した悲惨な状況を待っているよりも時間とコストを節約することができる。
あるいは、病院での滞在中に患者の特徴が確認されると、（ＭＩＭＩＣＩＩデータベースを使用して）上述のようなこれらの特徴に基づいて新しいモデルを作成し、患者の中でＳＩＲＳの発症の確率に関して予測精度をテストすることができる。すなわち、患者の測定値が、以前に訓練されていないモデルについての特徴の組み合わせに対応する場合、ここに記載するような方法を使用して、それらの特徴のみを有する履歴（過去の）データを使用してそのようなモデルを訓練することができる。ここに記載するように、履歴（過去）のテストセットデータでこれらのモデルをテストすることができる。ここに記載するように、テストセット内の患者に関するモデルの性能を定量化する精度と他のメトリックを評価することができる。最後に、ここに記載するように、新しい患者、または複数の新しい患者にモデルを適用することができる。この場合、ここに記載された他のものと同様に、患者の治療またはＳＩＲＳまたは敗血症の患者の治療は、患者がＳＩＲＳを６、１２、２４または４８時間後に発症する可能性が高いとモデルが予測する場合、ＳＩＲＳまたは敗血症の発症前にＳＩＲＳまたは敗血症の患者を有利に治療し始めることができる。あるいは、病院は、モデルの相対予測結果に基づいて、無症候性患者のＳＩＲＳまたは敗血症の治療を開始するかどうかの決定に基づくことができる（例えば、予測結果が６０％より大きい、または７０％より大きい、または８０％より大きい精度などを示す場合、そのような治療は、本発明のモデルが所定の時間にＳＩＲＳを発症する可能性が高いＳＩＲＳの無症候性患者について開始するであろう）。例えば、６０〜７０％の精度を有するモデルを使用して、ある病院は、モデルがＳＩＲＳを発症する確率が９０％以上であると予測した場合のみ、治療を開始することを選択でき、同じ病院は、精度が７０〜８０％のモデルを使用して、８０％以上の確率でＳＩＲＳを発症すると予測した場合に、治療を開始することを選択でき、同じ病院は、７０％を超える確率でＳＩＲＳを発症すると予測した場合に治療を開始することを選択できる。
一方、患者は、ＭＩＭＩＣＩＩデータベースとは異なる方法で特徴を測定する病院に入ることがある（または、いくつかの特徴は同じであり、あるいは１つまたは複数の特徴は、評価に使用される単位または異なる測定に関して異なり、異なる測定値は、患者の同じ側面を評価するためなどに使用され、または同じまたは異なる薬剤の異なる用量が患者の同じ側面を治療するためなどに使用される。）。第１に、ＭＩＭＩＣＩＩの特徴とは異なる特徴は、測定が達成するものの類似性を認識することによってＭＩＭＩＣＩＩの特徴にマッピングすることができる（例えば、血中尿素［グループ２］、グルコースレベル［グループ３］、コレステロール［グループ１６］、血液凝固性［グループ１８のチャート８１５］）。次に、上記モデルまたは新しいモデルを本発明に従って使用して、上記パラグラフに説明されたような有利な早期治療が適用された、将来の所与の時点におけるＳＩＲＳ発症の可能性を評価することができる。例えば、ここで正規化が行われた方法を用いて、新しい測定のための新しい正規化パラメータを単に開発することは、ここに提示されたモデルに新しい測定値を組み込むことを可能にする。あるいは、ＭＩＭＩＣＩＩの特徴（またはＭＩＭＩＣＩＩの特徴および他の特徴の混合物）以外の特徴を使用する特定の病院のための既存のデータベースが存在する場合、本発明の方法に従って新しいモデルを準備して、本明細書に記載の本発明の方法に従って患者におけるＳＩＲＳ発症の可能性を予測するために使用することができるそのデータベースから一次、二次、および追加の特徴を選択することができる。ここで説明したように、このアプリケーションで開示された方法を使用して、特徴を削除し選択し、データを正規化し、モデルを構築しテストする。その後、患者のデータは、これらの様々な一次、二次、および追加の特徴について、時間の経過とともに、病院における患者の通常の滞在中に得ることができる。病院のデータベースを使用して作成されたこれらの新しいモデルは、患者の特徴に適用して、将来において６、１２、２４または４８時間後にＳＩＲＳを発症する確率を決定することができる。患者の測定値を正規化してモデルに挿入すると、モデルはＳＩＲＳの発症確率に関する予測を行う。あるいは、病院での滞在中に患者の特徴が確認（測定）されると、（病院のデータベースを使用して）上記の方法に従ってそれらの特徴に基づいて新しいモデルを作成し、上述のように、同じまたは同様の病院または病院システムで履歴（過去）の患者を使用して患者におけるＳＩＲＳ発症の確率に関する予測精度をテストする。これらの新しいモデルでは、患者の新しい測定値を使用して、新しい患者におけるＳＩＲＳの発症の可能性を予測することができる。いずれの場合でも、将来において６、１２、２４または４８時間後にＳＩＲＳを有する可能性があるとモデルが予測すると、ＳＩＲＳの発症前にＳＩＲＳに対する患者の治療を有利に開始することができる。あるいは、病院は、モデルの相対予測結果に基づいて、無症候性患者のＳＩＲＳの治療を開始するかどうかの決定に基づいてもよい（例えば、本発明のモデルが所定の時間にＳＩＲＳを発症すると予測する予測結果が６０％より大きいか７０％より大きいか８０％より大きいか等を示す場合には、そのような治療は、無症候性患者にＳＩＲＳについて開始する）。例えば、６０〜７０％の精度を有するモデルを使用して、ある病院はＳＩＲＳを発症する確率が９０％以上を予測する場合にのみ治療を開始することを選択してもよいが、７０〜８０％の精度を有するモデルを使用して、同じ病院はＳＩＲＳを発症する可能性が８０％以上を予測する場合に治療を開始することを選択してもよく、そして８０％を超える精度を有するモデルを使用して、同じ病院はＳＩＲＳを発症する確率が７０％以上を予測する場合には治療を開始することを選択してもよい。
本発明の別の例示的な実施形態では、病院、医療センター、または医療システムが複数のモデルを同時に維持する。患者のための測定値は、複数のモデルに入力して、将来同じまたは異なる時間にＳＩＲＳの発症の複数の確率を得ることができる。これらの異なる予測可能性を組み合わせて、ＳＩＲＳを発症する可能性や確率を集計することができ、それに応じて行動計画を策定することができる。例えば、異なるモデルは、所与の期間内にＳＩＲＳの発症を予測するかどうかについて投票することができ、集計予測はこの投票スキームの結果に基づいて行うことができる。投票は、各モデルの予測能力の精度や他の量的基準（より高い比例投票をキャスティングするより正確なまたは高品質のモデルを有する）に基づいて、重み付けしない（各モデルは等しい投票を受ける）、または重み付けすることができる。
本発明のさらに別の例示的な実施形態では、複数のモデルを使用して、現在の患者について十分な数の測定値が得られた第１の予測値に基づくことができる。本発明の別の態様では、記載された実施形態のいずれかにおいて、モデルのパラメータは、時間の経過とともに利用可能な多数の履歴の患者からの追加データを用いて再計算（更新）することができる。例えば、毎年、毎月、毎週、または毎日、履歴（過去）の患者の更新されたデータベースを使用して、利用可能な過去のデータから訓練およびテストデータセットを作成し、訓練データに基づいてモデルを訓練し、ここで説明されているように、テストデータに関する定量的評価を提供するようにそれらをテストする。
本発明の例示的な実施形態は、任意の従来の処理回路および装置またはそれらの組み合わせ、例えば、パーソナルコンピュータ（ＰＣ）の中央処理装置（ＣＰＵ）または他のワークステーションプロセッサ、を使用して実装することができる１以上のプロセッサを対象とし、例えば、任意の従来のメモリデバイスを含むハードウェアコンピュータ可読媒体上に提供されたコードを実行して、本明細書に記載の方法のいずれかを単独でまたは組み合わせて実行することができる。例えば、例示的な実施形態では、回路は、患者母集団データベースと連動し、そこからデータを取得し、上述のように回路が予測モデルを生成するアルゴリズムを実行する。例示的な実施形態では、回路は、回路（または他の回路）によって処理可能なさらなる実行可能な形式のモデルを生成して、それぞれの患者のそれぞれのデータセットに基づいて疾患の発症を予測する（または疾患を診断する）。別の例示的な実施形態では、アルゴリズムは、回路内で、ハードワイヤ方式、例えば特定用途向け集積回路（ＡＳＩＣ）の形でプログラムされる。１以上のプロセッサは、サーバまたはユーザ端末、またはそれらの組み合わせで具体化することができる。ユーザ端末は、例えば、デスクトップ、ラップトップ、ハンドヘルドデバイス、パーソナルデジタルアシスタント（ＰＤＡ）、テレビセットトップインターネットアプライアンス、携帯電話、スマートフォンなどとして、またはそれらの１以上の組み合わせとして具体化することができる。メモリデバイスは、任意の従来の永続的および／または一時的なメモリ回路またはこれらの組み合わせを含むことができ、包括的ではないリストには、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、コンパクトディスク（ＣＤ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）、および磁気テープが含まれる。
本発明の例示的な実施形態は、例えば上記の１つ以上のハードウェアのコンピュータ可読媒体を対象とし、その上には、本明細書で説明される方法を実行するプロセッサによって実行可能な命令が格納される。
本発明の例示的な実施形態は、上記の回路によって実行される説明された方法を対象とする。
本発明の例示的な実施形態は、本明細書で説明される方法を実行するプロセッサによって実行可能な命令を送信する、例えばハードウェア構成要素または機械の、方法を対象とする。
図面の詳細な説明
図１は、本開示で利用されるシステムの実施形態を示す。例えば、図１に示すように、システム１００は、複数のユーザ端末１０２を含む。複数のユーザ端末１０２は、ラップトップ１０２ａおよび１０２ｅ、デスクトップ１０２ｂおよび１０２ｆ、ハンドヘルドデバイス１０２ｃおよび１０２ｇ（例えば、スマートフォン、タブレットなど）、および他のユーザ端末１０２ｄおよび１０２ａｎを含む。さらに、一実施形態では、他のユーザ端末１０２ｄおよび１０２ａｎは、テレビセットトップインターネットアプライアンス、携帯電話、ＰＤＡなど、または上記１つまたは複数の組み合わせのいずれかとしてもよい。システム１００はまた、通信ネットワーク１０４と、１つ以上のプロセッサ１０６とを含む。一実施形態では、ユーザ端末１０２は、通信ネットワーク１０４を介して１つ以上のプロセッサ１０６と相互作用する。一実施形態では、上述したように、プロセッサ１０６は、任意の従来の処理回路およびデバイスまたはその組み合わせ、例えば、パーソナルコンピュータ（ＰＣ）の中央処理装置（ＣＰＵ）または他のワークステーションプロセッサまたはサーバなどを使用して実装することができ、例えば、パーソナルコンピュータ（ＰＣ）の中央処理装置（ＣＰＵ）または他のワークステーションプロセッサ、を使用して実装することができる１以上のプロセッサを対象とし、例えば、任意の従来のメモリデバイスを含むハードウェアコンピュータ可読媒体上に提供されたコードを実行して、本明細書に記載の方法のいずれかを単独でまたは組み合わせて実行することができる。例えば、１以上のプロセッサ１０６上で動作する計算機学習モデルは、通信ネットワーク１０４を介して、選択されたユーザ端末１０２、１０２ａ、１０２ｂ、１０２ｃなどに予測されたＳＩＲＳ確率（または他の予測）を送信することができる。ユーザは、ユーザ端末１０２、１０２ａ、１０２ｂ、１０２ｃ等を介して通信ネットワーク１０４を介して１以上のプロセッサ１０６にそれらを送信することによって、患者データレコードに追加されるメモ、観測またはアクションを追加することを選択することができる。
上記説明は例示的なものであり、限定的なものではない。当業者であれば、上記説明から、本発明が様々な形態で実施されてもよく、様々な実施形態が単独でまたは組み合わせて実施されてもよいことが理解されるだろう。したがって、本発明の実施形態をその特定の例に関連して説明してきたが、明細書および以下の請求項を実施する上で、当業者には他の変更が明らかであるので、本発明の実施形態および／または方法の真の範囲は限定されるべきではない。
特許文献
１． 米国特許第７，６４５，５７３号（「’５７３特許」）。
２． 米国特許第８，０２９，９８２号（「’９８２特許」）。
３． 米国特許第８，５２７，４４９号（「’４４９特許」）。
４． 米国特許第８，６９７，３７０号（「’３７０特許」）。
５． 米国特許出願公開第２０１０／０１９０６５２（「’６５２公報」）。
６． 米国特許出願公開第２０１３／０００４９６８（「’９６８公報」）。
７． 米国特許出願公開第２０１４／０２４８６３１（「’６３１公報」）。
８． 米国特許出願公開第２０１５／００２４９６９（「’９６９公報」）。
９． 国際公開第２０１３１１９８６９号（「’８６９公報」）。
１０．国際公開第２０１４０２２５３０号（「’５３０公報」）。
非特許文献
1. Angus et al., Epidemiology of severe sepsis in the United States: Analysis
of incidence, outcome and associated costs of care, Crit Care Med. 29:1303-
1310 (2001).
2. Angus et al., Severe sepsis and septic shock, N Engl J Med 2013; 369:840-85
1 (2013).
3. Annane et al., Septic shock, Lancet 365: 63-78 (2005).
4. Balci et al., Procalcitonin levels as an early marker in patients with mult
iple trauma under intensive care, J Int Med Res. 37:1709-17 (2009).
5. Barriere et al., An overview of mortality risk prediction in sepsis, Crit C
are Med. 23:376-93 (1995).
6. Begley et al., Adding Intelligence to Medical Devices Medical Device & Diag
nostic Industry Magazine (March 1, 2000).
7. Bennett et al., Artificial intelligence framework for simulating clinical d
ecision-making: A Markov decision process approach, Artificial Intelligence
in Medicine, In Press (2013).
8. Bernstein, Transthyretin as a marker to predict outcome in critically ill p
atients, Clinical biochemistry 41:1126 -1130 (2008).
9. Bhattacharyya, On a measure of divergence between two statistical populatio
ns defined by their probability distributions, Bulletin of the Calcutta Mat
hematical Society, 35:99-109 (1943).
10. Bone et al., Definitions for sepsis and organ failure and guidelines for t
he use of innovative therapies in sepsis, Chest, 101:1644-1655 (1992).
11. Bracho-Riquelme et al., Leptin in sepsis: a well-suited biomarker in criti
cally ill patients?, Crit Care. 14(2):138 (2010).
12. Brandt et al., Identifying severe sepsis via electronic surveillance, Am J
Med Qual. 30:559-65 (2015).
13. Brause et al., Septic shock diagnosis by neural networks and rule based sy
stems, In: L.C. Jain (ed.), Computational Intelligence Techniques in Medica
l Diagnosis and Prognosis, Springer Verlag, New York, pp. 323-356 (2001).
14. Carrigan et al., Toward resolving the challenges of sepsis diagnosis, Clin
ical Chemistry 50:8, 1301-1314 (2004).
15. Comstedt et al., The Systemic inflammatory response syndrome (SIRS) in acu
tely hospitalised medical patients: a cohort study, Scand J Trauma Resusc E
merg Med. 17:67 (2009).
16. Dellinger et al., Surviving Sepsis Campaign: international guidelines for
management of severe sepsis and septic shock: 2008, Crit Care Med. 36: 296-
327 (2008).
17. Dellinger et al., Surviving Sepsis Campaign: international guidelines for
management of severe sepsis and septic shock: 2012, Crit Care Med. 41:580-6
37 (2013).
18. Fialho et al., Predicting outcomes of septic shock patients using feature
selection based on soft computing techniques, AMIA Annu Symp Proc. 653-662
(2012).
19. Giannoudis et al., Correlation between IL-6 levels and the systemic inflam
matory response score: can an IL-6 cutoff predict a SIRS state?, J Trauma.
65:646-52 (2008).
20. Gultepe et al., From vital signs to clinical outcomes for patients with se
psis: a machine learning basis for a clinical decision support system, J Am
Med Inform Assoc., 21:315-325 (2014).
21. Hanson et al., Artificial intelligence applications in the intensive care
unit, Crit Care Med 29:427-434 (2001).
22. Hoeboer et al., Old and new biomarkers for predicting high and low risk mi
crobial infection in critically ill patients with new onset fever: A case f
or procalcitonin, J Infect. 64:484-93 (2012).
23. Hohn et al., Procalcitonin-guided algorithm to reduce length of antibiotic
therapy in patients with severe sepsis and septic shock, BMC Infect Dis. 1
3:158 (2013).
24. Hollenberg et al., Practice parameters for hemodynamic support of sepsis i
n adult patients: 2004 update, Crit Care Med. 32:1928-48 (2004).
25. Jekarl et al., Procalcitonin as a diagnostic marker and IL-6 as a prognost
ic marker for sepsis, Diagn Microbiol Infect Dis. 75:342-7 (2013).
26. Lai et al., Diagnostic value of procalcitonin for bacterial infection in e
lderly patients in the emergency department, J Am Geriatr Soc. 58:518-22 (2
010).
27. Mani et al., Medical decision support using machine learning for early det
ection of late-onset neonatal sepsis, J Am Med Inform Assoc. 21: 326-336 (2
014).
28. Marques et al., Preprocessing of Clinical Databases to improve classificat
ion accuracy of patient diagnosis, Preprints of the 18th IFAC World Congres
s Milano (Italy) (August 28 - September 2, 2011).
29. Nachimuthu et al., Early Detection of Sepsis in the Emergency Department u
sing Dynamic Bayesian Networks, AMIA Annu Symp Proc. 653-662 (2012).
30. Nierhaus et al., Revisiting the white blood cell count: immature granulocy
tes count as a diagnostic marker to discriminate between SIRS and sepsis--a
prospective, observational study, BMC Immunol. 14:8 (2013).
31. Pittet et al., Systemic inflammatory response syndrome, sepsis, severe sep
sis and septic shock: incidence, morbidities and outcomes in surgical ICU p
atients, Int Care Med. 21:302-309 (1995).
32. Pomi et al., Context-sensitive autoassociative memories as expert systems
in medical diagnosis, BMC Medical Informatics and Decision Making, 6:39 (20
06).
33. Rangel-Fausto et al., The natural history of the systemic inflammatory res
ponse syndrome (SIRS) A prospective study, JAMA 273:117-123 (1995).
34. Saeed et al., Multiparameter Intelligent Monitoring in Intensive Care II:
A public-access intensive care unit database, Crit. Care Med., 39:952-960 (
2011).
35. Selberg et al., Discrimination of sepsis and systemic inflammatory respons
e syndrome by determination of circulating plasma concentration of procalci
tonin, protein complement 3a and interleukin-6, Crit Care Med. 28:2793-2798
(2000).
36. Shapiro et al., The association of sepsis syndrome and organ dysfunction w
ith mortality in emergency department patients with suspected infection, An
n Emerg Med. 48:583-590 (2006).
37. Sinning et al., Systemic inflammatory response syndrome predicts increased
mortality in patients after transcatheter aortic valve implantation, Eur H
eart J. 33:1459-68 (2012).
38. Tsoukalas et al., From data to optimal decision making: A data-driven, pro
babilistic machine learning approach to decision support for patients with
sepsis, JMIR Med Inform 3(1):e11 (2015).
39. Yu et al., Dual coordinate descent methods for logistic regression and max
imum entropy models, Machine Learning 85:41-75 (2011).
新生児ＩＣＵでいつも過ごした患者を除き、ＭＩＭＩＣＩＩデータベースに十分なデータを持つ全患者が発症に含まれていた。ＳＩＲＳの４つの条件のうち少なくとも２つを同時に満たした患者は、滞在中のある時点で同時にデータベースから特定された。（４つの条件は、３６℃未満の温度または３８℃を超える温度、毎分９０ビートを超える心拍数、毎分２０回の呼吸を超える呼吸数、および白血球（ＷＢＣ）カウントはマイクロリットルあたり４，０００未満、またはマイクロリットルあたり１２，０００を超える。）ＩＣＵ滞在中の各患者について、２条件の６つの可能性のある症例のすべてを用いて、ＳＩＲＳの発症を、タイムスタンプ付きチャート時間を用いて任意の時間で繰り返すことなく調べた。ＳＩＲＳの発症は、２つ以上のＳＩＲＳ条件が同時に発生することを必要とする点過程としてモデル化される。チャートイベントテーブルの項目ＩＤ２１１から心拍数を抽出した。呼吸数の測定は、チャートイベントテーブルの項目ＩＤ２１９，６１５、および６１８によって抽出された。温度は、チャートイベントテーブルの項目ｉｄ６７６、６７７、６７８、および６７９から抽出された。最後に、ラボイベントテーブルの項目ＩＤ５０３１６および５０４６８からＷＢＣ測定値を抽出した。複数の測定源が利用可能であった場合、その時点で最も直近に更新されたものが使用された。
データは平均値０および標準偏差１に正規化した。つまり、各特徴の平均値（各特徴または測定タイプのすべての発現にわたって取得されたもの）を差し引いて、標準偏差（同じ分布にわたって取得されたもの）で除算して、各データの正規化バージョンを作成した。バタチャリア（Ｂｈａｔｔａｃｈａｒｙｙａ）距離を用いて、４つの時点のそれぞれにおいて陽性（ＳＩＲＳの基準に合致した患者）と陰性（合致しなかった患者）の間で、データにおける各特徴的特性の分布を比較した。すなわち、ある特徴の測定値の関数としてのＳＩＲＳ陽性患者の集団を与えるヒストグラムを、ＳＩＲＳ陰性患者の同じヒストグラムと比較し、これらの２つのヒストグラム分布の間でバタチャリア距離を計算した。４つの時点でバタチャリア距離が０．０１未満であった特徴は、以降考慮しなかった。Ｂｈａｔｔａｃｈａｒｙｙａ（１９４３）を参照。このステップ後の特徴のリストと分析の次のステップで使用される特徴のリスト、および各特徴の平均と標準偏差が表１に示される。
特徴選択方法は、所与の時点における各特徴と出力配列との間の相関を計算し（陰性の場合は−１［ＳＩＲＳを発症していない患者］、陽性の場合［対象時間にＳＩＲＳを発症した患者］）、所与の時点におけるすべての特徴のペア間の相関を計算することを含む。反復的に、その時点（６、１２、２４、または４８時間）の残りのすべての特徴の中で出力配列との相関が最も高い場合、特徴がその時点で一次特徴として選択された。次に、その時点で最も直近に選択された一次特徴（すなわち、現在の反復について選択された一次特徴）と６０％以上の相関を有する（患者にわたって取得されたとき）残りの特徴の全ての特徴が、その一次特徴およびその時点に関連する二次特徴として選択された。例えば、例示的な実施形態では、各特徴について、患者母集団の複数の患者のそれぞれについて、それぞれの特徴の値が入力されたベクトルが生成され、係数は、選択された一次特徴ベクトルと残りの特徴ベクトル間の相関が決定される。ベクトルは、陰性または陽性と関連することをさらに示すことができる。
このようにして選択されたすべての二次特徴は、残りの特徴のセットから削除された（特徴が一次特徴または二次特徴として選択されると、後続の反復では一次特徴として選択できなくなった）。この選択された一次特徴とそれに関連する二次特徴は、ともに特徴群と見なさる。特徴群を選択するために使用された方法のため、特定の特徴群のメンバーは、出力との相関（患者が将来特定の時間にＳＩＲＳを発症したかどうか）があり、それら自身の間で相関がある。したがって、それらはＳＩＲＳの予測に有用であると期待されるが、特徴群内のメンバーは、それら自身の間の相関のために部分的に冗長である可能性がある。このプロセスは反復して繰り返され、最初に同じ時点で追加の一次特徴が選択され、次にそれはその時点の二次特徴と関連付けられる（追加の特徴群を一体として形成した）。
例２： 異なる患者の組合せは、同様の高い予測精度を有するモデルを生成する。
最初の２０つの特徴群内の特徴は（特に複数の特徴を有する特徴群内で）相互に関連付けられているため、本発明者らは、最初の１４つの特徴セットのそれぞれから２つの特徴（１つの特徴のみを有していた特徴セットからは１つの特徴のみ）を選択し、追加セットから２つの特徴を選択してさらに一連の実験を実行し、これらの予測能力がテストされた。この種の１０回の独立した実験は、モデルで使用されているのと同じ特徴を使用して実行されたが、データを異なる訓練データとテストデータにランダムに分割した。上記のような訓練セットの機械学習を使用してモデルを作成し、そのモデルをテストセット（モデルでは見られなかった患者を含む）でテストした。１０つのテストセットのそれぞれに関するスコアは、４つの時点のそれぞれについて、そのデータセットの特徴およびこれらの結果をもたらした訓練の結果得られた予測モデルとともに、表５に報告されている。結果は、それぞれのモデルがそれぞれ互いに異なっていても、すべてのモデルが非常に良好な予測能力を有することを示す。これは正確な予測に大いに有用である特徴と一致している。

Claims (192)

  1. インターフェースを含む処理回路であって、前記処理回路は、
    患者母集団のデータを含むデータセットであって、前記データは、前記前記患者母集団の複数の患者の各々について、複数の特徴の値と、疾患が診断されたかどうかを示す診断特徴の診断値とを含むデータセットを、前記インターフェースを介して受信し、
    値間の相関に基づいて、前記データセットから前記特徴の複数のサブセットを選択し、
    前記サブセットのうちの少なくとも１つの各々について、
    それぞれの前記サブセットおよび前記診断特徴を入力パラメータとして機械学習プロセスを実行し、前記実行によりそれぞれの予測モデルを生成し、
    それぞれの予測モデルを出力する、ように構成された処理回路を含む、
    疾患予測のためのシステム。
  2. 前記複数のサブセットの前記選択は、前記複数のサブセットの各々について、（ａ）前記複数の特徴のうちのそれぞれの第１特徴を、それぞれの前記第１特徴と前記診断特徴との相関に基づいて、一次特徴として選択するステップと、（ｂ）前記複数の特徴のうちの第２特徴のそれぞれのセットを、それぞれの前記第２特徴の各々とそれぞれの前記サブセットのそれぞれの前記第１特徴とのそれぞれの相関に基づいて、二次特徴として選択することを含む、請求項１に記載のシステム。
  3. 前記一次特徴の各々について、特徴がそれぞれの前記一次特徴との相関の閾値レベルを有することを条件として、前記特徴はそれぞれの前記一次特徴の二次特徴として選択される、請求項２に記載のシステム。
  4. 相関の前記閾値レベルは、６０％の相関である、請求項３に記載のシステム。
  5. 前記複数のサブセットの前記選択は反復的に実行され、前記複数のサブセットのそれぞれは、各反復において選択され、
    各反復について、それぞれの前記反復において選択されたサブセットはデータセットから除去され、その結果、それぞれのサブセットの特徴のいずれも、その後の反復のいずれにおいても一次特徴として選択可能ではなく、それぞれのサブセットの特徴のいずれも、その後の反復のいずれにおいても二次特徴として選択可能ではない、請求項２に記載のシステム。
  6. 反復的な前記選択は、各反復の後に、
    前記データセットの全ての残りの特徴の組合せに機械学習を適用し、
    前記適用に基づいて、前記データセットの残りの特徴の値である予測モデルのパラメータに基づいて、前記疾患が予測可能であるかどうかを決定し、
    前記決定の否定結果に応じて前記反復的な選択を終了することを含む、請求項５に記載のシステム。
  7. 前記処理回路は、前記データセットを訓練データセットおよびテストデータセットに分割するようにさらに構成され、
    前記機械学習プロセスは、前記訓練データセットの値のみに基づいて実行され、
    生成された前記予測モデルの各々について、前記処理回路は、前記生成された予測モデルを前記テストデータセットのデータに適用して、それぞれの前記予測モデルのそれぞれの予測精度の程度を決定するように構成される、請求５に記載のシステム。
  8. 前記出力は、前記決定された予測精度の程度が所定の閾値を満たす前記生成された予測モデルの出力のみである、請求項７に記載のシステム。
  9. 各反復において、前記データセット内に残っている前記特徴のうちのいずれかが前記診断特徴と最も強い相関を有するものが、それぞれの前記サブセットの前記一次特徴として選択される、請求項５に記載のシステム。
  10. 前記反復的な選択の実行の前に、プロセッサが、
    前記データセットの前記特徴の各々について、疾患が診断されたことを示す診断値を含む項目と、疾患が診断されていないことを示す診断値を含む項目との間の前記特徴の値の分布を決定し、
    その分布が閾値量よりも小さい項目を前記データセットからすべて削除し、削除後の前記データセットに残っている特徴のものに対してのみ前記反復的な選択を実行する、請求項９に記載のシステム。
  11. 前記データセットは、複数のデータセットを含み、前記データセットの各々は、それぞれの発症期間に対応し、前記データセットの各々の前記診断値は、それぞれの前記データセットに対応するそれぞれの期間内に前記疾患が診断されたかどうかを示し、
    前記予測モデルの出力は、前記発症期間の各々について１つ以上の予測モデルを含み、
    前記予測モデルの出力の各々は、実行されると、それぞれの前記予測モデルが対応する前記発症期間内に前記疾患の発症の確率を出力するように構成される、請求項５に記載のシステム。
  12. 前記反復的な選択は、前記発症期間のうちの１つに対するサブセットの選択をもたらし、前記発症期間のうちの別の１つに対しては選択されず、
    前記発症期間のうちの１つに対してであって、前記発症期間のうちの別の１つに対してではない、前記反復的な選択によって選択されたサブセットは、前記サブセットが選択されなかった前記発症期間に関連する出力予測モデルの前記機械学習プロセスに対してでさえ入力として適用される、請求項１１に記載のシステム。
  13. 前記疾患は全身性炎症反応症候群（ＳＩＲＳ）であり、前記発症期間は６、１２、２４、および４８時間である、請求項１１に記載のシステム。
  14. 前記疾患は全身性炎症反応症候群（ＳＩＲＳ）である、請求項５に記載のシステム。
  15. 前記予測モデルは、回帰モデルである、請求項１４に記載のシステム。
  16. モデルは、


    であり、


    は、特定の患者ｉが、ベクトルによって表される患者データ


    に対応する、ＳＩＲＳを発症する確率であり、
    ｂは、モデルバイアスパラメータであり、
    num_featuresは、ｊによってインデックスされた、前記モデルのそれぞれの前記サブセット内の特徴の数であり、
    ｗｊは、前記モデルが対応する前記サブセットのそれぞれの特徴ｊについてのモデル係数である、請求項１５に記載のシステム。
  17. 処理回路によって、データベースのデータセットをアクセスし、前記データセットは、患者母集団のデータを含み、前記データは、前記前記患者母集団の複数の患者の各々について、複数の特徴の値と、疾患が診断されたかどうかを示す診断特徴の診断値とを含み、
    前記処理回路によって、値間の相関に基づいて、前記データセットから前記特徴の複数のサブセットを選択し、
    前記サブセットのうちの少なくとも１つの各々について、
    前記処理回路によって、それぞれの前記サブセットおよび前記診断特徴を入力パラメータとして機械学習プロセスを実行し、前記実行によりそれぞれの予測モデルを生成し、
    前記処理回路によって、それぞれの前記予測モデルを出力すること、を含む、
    疾患予測のためのコンピュータ実装方法。
  18. 前記複数のサブセットの前記選択は、前記複数のサブセットの各々について、（ａ）前記複数の特徴のうちのそれぞれの第１特徴を、それぞれの前記第１特徴と前記診断特徴との相関に基づいて、一次特徴として選択するステップと、（ｂ）前記複数の特徴のうちの第２特徴のそれぞれのセットを、それぞれの前記第２特徴の各々とそれぞれの前記サブセットのそれぞれの前記第１特徴とのそれぞれの相関に基づいて、二次特徴として選択することを含む、請求項１７に記載の方法。
  19. 前記一次特徴の各々について、特徴がそれぞれの前記一次特徴との相関の閾値レベルを有することを条件として、前記特徴はそれぞれの前記一次特徴の二次特徴として選択される、請求項１８に記載の方法。
  20. 相関の前記閾値レベルは、６０％の相関である、請求項１９に記載の方法。
  21. 前記複数のサブセットの前記選択は反復的に実行され、前記複数のサブセットのそれぞれは、各反復において選択され、
    各反復について、それぞれの前記反復において選択されたサブセットはデータセットから除去され、その結果、それぞれのサブセットの特徴のいずれも、その後の反復のいずれにおいても一次特徴として選択可能ではなく、それぞれのサブセットの特徴のいずれも、その後の反復のいずれにおいても二次特徴として選択可能ではない、請求項１８に記載の方法。
  22. 反復的な前記選択は、各反復の後に、
    前記データセットの全ての残りの特徴の組合せに機械学習を適用し、
    前記適用に基づいて、前記データセットの残りの特徴の値である予測モデルのパラメータに基づいて、前記疾患が予測可能であるかどうかを決定し、
    前記決定の否定結果に応じて前記反復的な選択を終了することを含む、請求項２１に記載の方法。
  23. 前記データセットを訓練データセットおよびテストデータセットに分割し、前記機械学習プロセスが、前記訓練データセットの値のみに基づいて実行され、
    生成された前記予測モデルの各々について、前記生成された予測モデルを前記テストデータセットのデータに適用して、それぞれの前記予測モデルのそれぞれの予測精度の程度を決定する、請求項２１に記載の方法。
  24. 前記出力は、前記決定された予測精度の程度が所定の閾値を満たす前記生成された予測モデルの出力のみである、請求項２３に記載の方法。
  25. 各反復において、前記データセット内に残っている前記特徴のうちのいずれかが前記診断特徴と最も強い相関を有するものが、それぞれの前記サブセットの前記一次特徴として選択される、請求項２１に記載の方法。
  26. 前記反復的な選択の実行の前に、プロセッサが、
    前記データセットの前記特徴の各々について、疾患が診断されたことを示す診断値を含む項目と、疾患が診断されていないことを示す診断値を含む項目との間の前記特徴の値の分布を決定し、
    その分布が閾値量よりも小さい項目を前記データセットからすべて削除し、削除後の前記データセットに残っている特徴のものに対してのみ前記反復的な選択を実行すること、をさらに含む請求項２５に記載の方法。
  27. 前記データセットは、複数のデータセットを含み、前記データセットの各々は、それぞれの発症期間に対応し、前記データセットの各々の前記診断値は、それぞれの前記データセットに対応するそれぞれの期間内に前記疾患が診断されたかどうかを示し、
    前記予測モデルの出力は、前記発症期間の各々について１つ以上の予測モデルを含み、
    前記予測モデルの出力の各々は、実行されると、それぞれの前記予測モデルが対応する前記発症期間内に前記疾患の発症の確率を出力するように構成される、請求項２１に記載の方法。
  28. 前記反復的な選択は、前記発症期間のうちの１つに対するサブセットの選択をもたらし、前記発症期間のうちの別の１つに対しては選択されず、
    前記発症期間のうちの１つに対してであって、前記発症期間のうちの別の１つに対してではない、前記反復的な選択によって選択されたサブセットは、前記サブセットが選択されなかった前記発症期間に関連する出力予測モデルの前記機械学習プロセスに対してでさえ入力として適用される、請求項２７に記載の方法。
  29. 前記疾患は全身性炎症反応症候群（ＳＩＲＳ）であり、前記発症期間は６、１２、２４、および４８時間である、請求項２７に記載の方法。
  30. 前記疾患は全身性炎症反応症候群（ＳＩＲＳ）である、請求項２１に記載の方法。
  31. 前記予測モデルは、回帰モデルである、請求項３０に記載の方法。
  32. モデルは、


    であり、


    は、特定の患者ｉが、ベクトルによって表される患者データ


    に対応する、ＳＩＲＳを発症する確率であり、
    ｂは、モデルバイアスパラメータであり、
    num_featuresは、ｊによってインデックスされた、前記モデルのそれぞれの前記サブセット内の特徴の数であり、
    ｗｊは、前記モデルが対応する前記サブセットのそれぞれの特徴ｊについてのモデル係数である、請求項３１に記載の方法。
  33. プロセッサによって実行可能であり、前記プロセッサによって実行されると、前記プロセッサに疾患予測のための方法を実行させる命令が格納された非一時的なコンピュータ可読媒体であって、前記方法は、
    データベースのデータセットをアクセスし、前記データセットは、患者母集団のデータを含み、前記データは、前記前記患者母集団の複数の患者の各々について、複数の特徴の値と、疾患が診断されたかどうかを示す診断特徴の診断値とを含み、
    値間の相関に基づいて、前記データセットから前記特徴の複数のサブセットを選択し、
    前記サブセットのうちの少なくとも１つの各々について、
    それぞれの前記サブセットおよび前記診断特徴を入力パラメータとして機械学習プロセスを実行し、前記実行によりそれぞれの予測モデルを生成し、
    それぞれの前記予測モデルを出力すること、を含む、
    非一時的なコンピュータ可読媒体。
  34. 前記複数のサブセットの前記選択は、前記複数のサブセットの各々について、（ａ）前記複数の特徴のうちのそれぞれの第１特徴を、それぞれの前記第１特徴と前記診断特徴との相関に基づいて、一次特徴として選択するステップと、（ｂ）前記複数の特徴のうちの第２特徴のそれぞれのセットを、それぞれの前記第２特徴の各々とそれぞれの前記サブセットのそれぞれの前記第１特徴とのそれぞれの相関に基づいて、二次特徴として選択することを含む、請求項３３に記載の非一時的なコンピュータ可読媒体。
  35. 前記一次特徴の各々について、特徴がそれぞれの前記一次特徴との相関の閾値レベルを有することを条件として、前記特徴はそれぞれの前記一次特徴の二次特徴として選択される、請求項３４に記載の非一時的なコンピュータ可読媒体。
  36. 相関の前記閾値レベルは、６０％の相関である、請求項３５に記載の非一時的なコンピュータ可読媒体。
  37. 前記複数のサブセットの前記選択は反復的に実行され、前記複数のサブセットのそれぞれは、各反復において選択され、
    各反復について、それぞれの前記反復において選択されたサブセットはデータセットから除去され、その結果、それぞれのサブセットの特徴のいずれも、その後の反復のいずれにおいても一次特徴として選択可能ではなく、それぞれのサブセットの特徴のいずれも、その後の反復のいずれにおいても二次特徴として選択可能ではない、請求項３４に記載の非一時的なコンピュータ可読媒体。
  38. 反復的な前記選択は、各反復の後に、
    前記データセットの全ての残りの特徴の組合せに機械学習を適用し、
    前記適用に基づいて、前記データセットの残りの特徴の値である予測モデルのパラメータに基づいて、前記疾患が予測可能であるかどうかを決定し、
    前記決定の否定結果に応じて前記反復的な選択を終了することを含む、請求項３６に記載の非一時的なコンピュータ可読媒体。
  39. 前記方法は、前記データセットを訓練データセットおよびテストデータセットに分割し、前記機械学習プロセスが、前記訓練データセットの値のみに基づいて実行され、
    生成された前記予測モデルの各々について、前記生成された予測モデルを前記テストデータセットのデータに適用して、それぞれの前記予測モデルのそれぞれの予測精度の程度を決定すること、をさらに含む、請求項３６に記載の非一時的なコンピュータ可読媒体。
  40. 前記出力は、前記決定された予測精度の程度が所定の閾値を満たす前記生成された予測モデルの出力のみである、請求項３９に記載の非一時的なコンピュータ可読媒体。
  41. 各反復において、前記データセット内に残っている前記特徴のうちのいずれかが前記診断特徴と最も強い相関を有するものが、それぞれの前記サブセットの前記一次特徴として選択される、請求項３６に記載の非一時的なコンピュータ可読媒体。
  42. 前記方法は、前記プロセッサは、反復的な選択の実行の前に、
    前記データセットの前記特徴の各々について、疾患が診断されたことを示す診断値を含む項目と、疾患が診断されていないことを示す診断値を含む項目との間の前記特徴の値の分布を決定し、
    その分布が閾値量よりも小さい項目を前記データセットからすべて削除し、削除後の前記データセットに残っている特徴のものに対してのみ前記反復的な選択を実行すること、をさらに含む請求項４１に記載の非一時的なコンピュータ可読媒体。
  43. 前記データセットは、複数のデータセットを含み、前記データセットの各々は、それぞれの発症期間に対応し、前記データセットの各々の前記診断値は、それぞれの前記データセットに対応するそれぞれの期間内に前記疾患が診断されたかどうかを示し、
    前記予測モデルの出力は、前記発症期間の各々について１つ以上の予測モデルを含み、
    前記予測モデルの出力の各々は、実行されると、それぞれの前記予測モデルが対応する前記発症期間内に前記疾患の発症の確率を出力するように構成される、請求項３６に記載の非一時的なコンピュータ可読媒体。
  44. 反復的な選択は、前記発症期間のうちの１つに対するサブセットの選択をもたらし、前記発症期間のうちの別の１つに対しては選択されず、
    前記発症期間のうちの１つに対してであって、前記発症期間のうちの別の１つに対してではない、前記反復的な選択によって選択されたサブセットは、前記サブセットが選択されなかった前記発症期間に関連する出力予測モデルの前記機械学習プロセスに対してでさえ入力として適用される、請求項４３に記載の非一時的なコンピュータ可読媒体。
  45. 前記疾患は全身性炎症反応症候群（ＳＩＲＳ）であり、前記発症期間は６、１２、２４、および４８時間である、請求項４３に記載の非一時的なコンピュータ可読媒体。
  46. 前記疾患は全身性炎症反応症候群（ＳＩＲＳ）である、請求項３６に記載の非一時的なコンピュータ可読媒体。
  47. 前記予測モデルは、回帰モデルである、請求項４６に記載の非一時的なコンピュータ可読媒体。
  48. モデルは、


    であり、


    は、特定の患者ｉが、ベクトルによって表される患者データ


    に対応する、ＳＩＲＳを発症する確率であり、
    ｂは、モデルバイアスパラメータであり、
    num_featuresは、ｊによってインデックスされた、前記モデルのそれぞれの前記サブセット内の特徴の数であり、
    ｗｊは、前記モデルが対応する前記サブセットのそれぞれの特徴ｊについてのモデル係数である、請求項４７に記載の非一時的なコンピュータ可読媒体。
  49. 少なくとも１つのインターフェースを含む処理回路であって、前記処理回路は、
    前記少なくとも１つのインターフェースを介して特定の患者に関連するデータセットを受信し、
    受信した前記データセットに基づいて、複数の予測モデルのうち１つを選択し、
    受信した前記データセットからの値を用いて前記予測モデルのパラメータを投入することにより、選択した前記予測モデルを実行し、
    前記少なくとも１つのインターフェースを介して前記特定の患者が特定の期間内に疾患を発症する確率を出力する、ように構成された、
    疾患予測のためのシステム。
  50. 前記複数の予測モデルの異なる予測モデルは、異なる特徴のグループに対応し、前記選択は、前記データセットがそれぞれの値を含む、特徴のグループの特徴の各々についての前記予測モデルのもののみからである、請求項４９に記載のシステム。
  51. 前記疾患は全身性炎症反応症候群（ＳＩＲＳ）である、請求項４９に記載のシステム。
  52. モデルは、


    であり、


    は、特定の患者ｉが、ベクトルによって表される患者データ


    に対応する、ＳＩＲＳを発症する確率であり、
    ｂは、モデルバイアスパラメータであり、
    num_featuresは、ｊによってインデックスされた、前記モデル内の特徴の数であり、
    ｗｊは、前記モデルの前記特徴のそれぞれの特徴ｊについてのモデル係数である、
    請求項５１に記載のシステム。
  53. 選択されたモデルは、


    であり、


    は、特定の患者ｉが、ベクトルによって表される患者データ


    に対応する、前記疾患を発症する確率であり、
    ｂは、モデルバイアスパラメータであり、
    num_featuresは、ｊによってインデックスされた、前記モデル内の特徴の数であり、
    ｗｊは、前記モデルの前記特徴のそれぞれの特徴ｊについてのモデル係数である、
    請求項４９に記載のシステム。
  54. 処理回路によって、特定の患者に関連するデータセットを受信し、
    前記少なくとも１つのインターフェースを介して特定の患者に関連するデータセットを受信し、
    前記処理回路によって、受信した前記データセットに基づいて、複数の予測モデルのうち１つを選択し、
    前記処理回路によって、受信した前記データセットからの値を用いて前記予測モデルのパラメータを投入することにより、選択した前記予測モデルを実行し、
    前記処理回路によって、および出力デバイスを介して、前記特定の患者が特定の期間内に疾患を発症する確率を出力することを含む、
    疾患予測のためのコンピュータ実装方法。
  55. 前記複数の予測モデルの異なる予測モデルは、異なる特徴のグループに対応し、前記選択は、前記データセットがそれぞれの値を含む、特徴のグループの特徴の各々についての前記予測モデルのもののみからである、請求項５４に記載の方法。
  56. 前記疾患は全身性炎症反応症候群（ＳＩＲＳ）である、請求項５４に記載の方法。
  57. 選択されたモデルは、


    であり、


    は、特定の患者ｉが、ベクトルによって表される患者データ


    に対応する、ＳＩＲＳを発症する確率であり、
    ｂは、モデルバイアスパラメータであり、
    num_featuresは、ｊによってインデックスされた、前記モデル内の特徴の数であり、
    ｗｊは、前記モデルの前記特徴のそれぞれの特徴ｊについてのモデル係数である、
    請求項５６に記載の方法。
  58. 選択されたモデルは、


    であり、


    は、特定の患者ｉが、ベクトルによって表される患者データ


    に対応する、前記疾患を発症する確率であり、
    ｂは、モデルバイアスパラメータであり、
    num_featuresは、ｊによってインデックスされた、前記モデル内の特徴の数であり、
    ｗｊは、前記モデルの前記特徴のそれぞれの特徴ｊについてのモデル係数である、
    請求項５４に記載の方法。
  59. プロセッサによって実行可能であり、前記プロセッサによって実行されると、前記プロセッサに疾患予測のための方法を実行させる命令が格納された非一時的なコンピュータ可読媒体であって、前記方法は、
    特定の患者に関連するデータのセットを受信し、
    受信した前記データセットに基づいて、複数の予測モデルのうち１つを選択し、
    受信した前記データセットからの値を用いて前記予測モデルのパラメータを投入することにより、選択した前記予測モデルを実行し、
    出力デバイスを介して、前記特定の患者が特定の期間内に疾患を発症する確率を出力する、
    ことを含む、非一時的なコンピュータ可読媒体。
  60. 前記複数の予測モデルの異なる予測モデルは、異なる特徴のグループに対応し、前記選択は、前記データセットがそれぞれの値を含む、特徴のグループの特徴の各々についての前記予測モデルのもののみからである、
    請求項５９に記載の非一時的なコンピュータ可読媒体。
  61. 前記疾患は全身性炎症反応症候群（ＳＩＲＳ）である、請求項５９に記載の非一時的なコンピュータ可読媒体。
  62. 選択されたモデルは、


    であり、


    は、特定の患者ｉが、ベクトルによって表される患者データ


    に対応する、ＳＩＲＳを発症する確率であり、
    ｂは、モデルバイアスパラメータであり、
    num_featuresは、ｊによってインデックスされた、前記モデル内の特徴の数であり、
    ｗｊは、前記モデルの前記特徴のそれぞれの特徴ｊについてのモデル係数である、
    請求項６１に記載の非一時的なコンピュータ可読媒体。
  63. 選択されたモデルは、


    であり、


    は、特定の患者ｉが、ベクトルによって表される患者データ


    に対応する、前記疾患を発症する確率であり、
    ｂは、モデルバイアスパラメータであり、
    num_featuresは、ｊによってインデックスされた、前記モデル内の特徴の数であり、
    ｗｊは、前記モデルの前記特徴のそれぞれの特徴ｊについてのモデル係数である、
    請求項５９に記載の非一時的なコンピュータ可読媒体。
  64. 少なくとも１つのインターフェースを含む処理回路であって、前記処理回路は、
    前記少なくとも１つのインターフェースを介して特定の患者に関連するデータセットを受信し、
    予測モデルを選択し、
    受信した前記データセットからの値を用いて前記予測モデルのパラメータを投入することにより、選択した前記予測モデルを実行し、
    前記少なくとも１つのインターフェースを介して前記特定の患者が特定の期間内に疾患を発症する確率を出力する、ように構成された、前記処理回路を含む、
    全身性炎症反応症候群（ＳＩＲＳ）を予測するためのシステム。
  65. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、乳酸（０．５−２．０）および乳酸である、請求項６４に記載のシステム。
  66. 前記データセットによって投入される前記予測モデルのパラメータの全ては、血液尿素窒素（ＢＵＮ）およびＢＵＮ（６−２０）である、請求項６４に記載のシステム。
  67. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、血小板、グルコース（７０−１０５）、およびグルコースである、請求項６４に記載のシステム。
  68. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＰＯ／ガストリックイントータルおよびＰＯ摂取量である、請求項６４に記載のシステム。
  69. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＰＯ２および動脈ＰａＯ２である、請求項６４に記載のシステム。
  70. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、尿アウトトータル、２４時間トータルアウト、ＩＶインフュージョンイントータル、および尿アウトフォーリーである、請求項６４に記載のシステム。
  71. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＩＮＲ（２−４参照範囲）、マグネシウム（１．６−２．６）、マグネシウム、および遊離Ｃａである、請求項６４に記載のシステム。
  72. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、フィブリノゲン、ＧＣＳ総グラスゴー・コーマ・スケール、ＳＡＰＳ−Ｉ簡易急性生理スコア、総ＳＯＦＡ（経時的臓器不全）スコア、心拍数、ＴＣＰＣ吸気時換気、アルカリフォスフェイト、Ｄ−ダイマー（０−５００）、ゲンタマイシン／ランダム、フェノバルビタール、バンコマイシン／トラフ、ブレーデンスコア、便アウトバッグ、尿アウトボイド、ジラウジッド、および限外濾過液合計である、請求項６４に記載のシステム。
  73. ＩＶ栄養合計のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  74. 換気量（観察）肺気量変位のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  75. ＣＰＫ／ＭＢ血液検査のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  76. 脳ドレイン Ｌ 心室ドレインのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  77. ＰＥＥＰ（ｐｏｓｉｔｉｖｅ ｅｎｄ ｒｅｓｐｉｒａｔｏｒｙ ｐｒｅｓｓｕｒｅ）のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  78. ２４時間トータルインのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  79. ガストリックアウト総量のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  80. Ｄ５Ｗ２５０．０ｍｌ＋１００ｍｃｇ／ｋｇ／ｍｉｎニトログリセリン−ｋのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  81. 換気量（セット）のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  82. コレステロール（＜２００）のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  83. 指先穿刺グルコースのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  84. ０．９％生理食塩水１０００ｍｌのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  85. １時間ごとの総出力のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  86. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート１９８、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２、トータルバル２０、およびトータルバル２６である、請求項６４に記載のシステム。
  87. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート１９８、チャート２０００１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１８、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項６４に記載のシステム。
  88. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート２０００１、チャート２０００９、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ５５、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項６４に記載のシステム。
  89. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート２０００９、チャート２１１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２、およびトータルバル２６である、請求項６４に記載のシステム。
  90. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート２１１、チャート６７１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１８、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項６４に記載のシステム。
  91. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート６７１、チャート６８２、チャート７７３、チャート７７９、チャート７８１、チャート７８５、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ５５、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項６４に記載のシステム。
  92. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート６８２、チャート７７３、チャート７７９、チャート７８１、チャート７８５、チャート７９３、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２、トータルバル２０、およびトータルバル２６である、請求項６４に記載のシステム。
  93. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート７９３、チャート８０９、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１８、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項６４に記載のシステム。
  94. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８０９、チャート８１１、チャート８１８、チャート８２６、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ５５、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項６４に記載のシステム。
  95. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ５３、ｉｏ６９、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２、トータルバル２０、およびトータルバル２６である、請求項６４に記載のシステム。
  96. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート８１１、チャート８１８、チャート１５３２、ラボ５００３０、およびトータルバル２６である、請求項６４に記載のシステム。
  97. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、ラボ５００３０、ｉｏ５５、ｉｏ９７、トータルバル２、およびトータルバル１６である、請求項６４に記載のシステム。
  98. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート８１８、チャート１１６２、ラボ５００１９、ｉｏ１３３、およびトータルバル１６である、請求項６４に記載のシステム。
  99. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート６８２、チャート１５３１、ラボ５００１９、ｉｏ９７、およびトータルバル１６である、請求項６４に記載のシステム。
  100. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、ラボ５００１９、およびｉｏ１０２である、請求項６４に記載のシステム。
  101. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、ラボ５００１７、およびｉｏ９７である、請求項６４に記載のシステム。
  102. ラボ５００１９のみが、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  103. チャート６８２のみが、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、前記データセットによって投入される前記予測モデルのパラメータである、請求項６４に記載のシステム。
  104. 前記予測モデルの１つのパラメータのみが、前記データセットによって投入される、請求項６４に記載のシステム。
  105. 少なくとも１つのパラメータは、血糖値に関連する測定値である、請求項６４に記載のシステム。
  106. 少なくとも１つのパラメータは、血液中の酸素飽和度に関連する測定値である、請求項６４に記載のシステム。
  107. 処理回路によって、特定の患者に関連するデータセットを受信し、
    前記処理回路によって、予測モデルを選択し、
    前記処理回路によって、受信した前記データセットからの値を用いて前記予測モデルのパラメータを投入することにより、選択した前記予測モデルを実行し、
    前記処理回路によって、および出力デバイスを介して、前記特定の患者が特定の期間内に疾患を発症する確率を出力することを含む、
    全身性炎症反応症候群（ＳＩＲＳ）を予測するためのコンピュータ実装方法。
  108. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、乳酸（０．５−２．０）および乳酸である、請求項１０７に記載の方法。
  109. 前記データセットによって投入される前記予測モデルのパラメータの全ては、血液尿素窒素（ＢＵＮ）およびＢＵＮ（６−２０）である、請求項１０７に記載の方法。
  110. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、血小板、グルコース（７０−１０５）、およびグルコースである、請求項１０７に記載の方法。
  111. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＰＯ／ガストリックイントータルおよびＰＯ摂取量である、請求項１０７に記載の方法。
  112. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＰＯ２および動脈ＰａＯ２である、請求項１０７に記載の方法。
  113. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、尿アウトトータル、２４時間トータルアウト、ＩＶインフュージョンイントータル、および尿アウトフォーリーである、請求項１０７に記載の方法。
  114. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＩＮＲ（２−４参照範囲）、マグネシウム（１．６−２．６）、マグネシウム、および遊離Ｃａである、請求項１０７に記載の方法。
  115. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、フィブリノゲン、ＧＣＳ総グラスゴー・コーマ・スケール、ＳＡＰＳ−Ｉ簡易急性生理スコア、総ＳＯＦＡ（経時的臓器不全）スコア、心拍数、ＴＣＰＣ吸気時換気、アルカリフォスフェイト、Ｄ−ダイマー（０−５００）、ゲンタマイシン／ランダム、フェノバルビタール、バンコマイシン／トラフ、ブレーデンスコア、便アウトバッグ、尿アウトボイド、ジラウジッド、および限外濾過液合計である、請求項１０７に記載の方法。
  116. ＩＶ栄養合計のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  117. 換気量（観察）肺気量変位のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  118. ＣＰＫ／ＭＢ血液検査のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  119. 脳ドレイン Ｌ 心室ドレインのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  120. ＰＥＥＰ（ｐｏｓｉｔｉｖｅ ｅｎｄ ｒｅｓｐｉｒａｔｏｒｙ ｐｒｅｓｓｕｒｅ）のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  121. ２４時間トータルインのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  122. ガストリックアウト総量のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  123. Ｄ５Ｗ２５０．０ｍｌ＋１００ｍｃｇ／ｋｇ／ｍｉｎニトログリセリン−ｋのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  124. 換気量（セット）のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  125. コレステロール（＜２００）のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  126. 指先穿刺グルコースのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  127. ０．９％生理食塩水１０００ｍｌのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  128. １時間ごとの総出力のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  129. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート１９８、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２、トータルバル２０、およびトータルバル２６である、請求項１０７に記載の方法。
  130. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート１９８、チャート２０００１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１８、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項１０７に記載の方法。
  131. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート２０００１、チャート２０００９、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ５５、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項１０７に記載の方法。
  132. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート２０００９、チャート２１１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２、およびトータルバル２６である、請求項１０７に記載の方法。
  133. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート２１１、チャート６７１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１８、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項１０７に記載の方法。
  134. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート６７１、チャート６８２、チャート７７３、チャート７７９、チャート７８１、チャート７８５、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ５５、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項１０７に記載の方法。
  135. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート６８２、チャート７７３、チャート７７９、チャート７８１、チャート７８５、チャート７９３、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２、トータルバル２０、およびトータルバル２６である、請求項１０７に記載の方法。
  136. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート７９３、チャート８０９、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１８、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項１０７に記載の方法。
  137. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８０９、チャート８１１、チャート８１８、チャート８２６、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ５５、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項１０７に記載の方法。
  138. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ５３、ｉｏ６９、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２、トータルバル２０、およびトータルバル２６である、請求項１０７に記載の方法。
  139. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート８１１、チャート８１８、チャート１５３２、ラボ５００３０、およびトータルバル２６である、請求項１０７に記載の方法。
  140. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、ラボ５００３０、ｉｏ５５、ｉｏ９７、トータルバル２、およびトータルバル１６である、請求項１０７に記載の方法。
  141. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート８１８、チャート１１６２、ラボ５００１９、ｉｏ１３３、およびトータルバル１６である、請求項１０７に記載の方法。
  142. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート６８２、チャート１５３１、ラボ５００１９、ｉｏ９７、およびトータルバル１６である、請求項１０７に記載の方法。
  143. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、ラボ５００１９、およびｉｏ１０２である、請求項１０７に記載の方法。
  144. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、ラボ５００１７、およびｉｏ９７である、請求項１０７に記載の方法。
  145. ラボ５００１９のみが、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  146. チャート６８２のみが、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、前記データセットによって投入される前記予測モデルのパラメータである、請求項１０７に記載の方法。
  147. 前記予測モデルの１つのパラメータのみが、前記データセットによって投入される、請求項１０７に記載の方法。
  148. 少なくとも１つのパラメータは、血糖値に関連する測定値である、請求項１０７に記載の方法。
  149. 少なくとも１つのパラメータは、血液中の酸素飽和度に関連する測定値である、請求項１０７に記載の方法。
  150. プロセッサによって実行可能であり、前記プロセッサによって実行されると、前記プロセッサに全身性炎症反応症候群（ＳＩＲＳ）を予測するための方法を実行させる命令が格納された非一時的なコンピュータ可読媒体であって、前記方法は、
    特定の患者に関連するデータセットを受信し、
    予測モデルを選択し、
    受信した前記データセットからの値を用いて前記予測モデルのパラメータを投入することにより、選択した前記予測モデルを実行し、
    出力デバイスを介して、前記特定の患者が特定の期間内に疾患を発症する確率を出力することを含む、
    非一時的なコンピュータ可読媒体。
  151. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、乳酸（０．５−２．０）および乳酸である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  152. 前記データセットによって投入される前記予測モデルのパラメータの全ては、血液尿素窒素（ＢＵＮ）およびＢＵＮ（６−２０）である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  153. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、血小板、グルコース（７０−１０５）、およびグルコースである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  154. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＰＯ／ガストリックイントータルおよびＰＯ摂取量である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  155. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＰＯ２および動脈ＰａＯ２である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  156. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、尿アウトトータル、２４時間トータルアウト、ＩＶインフュージョンイントータル、および尿アウトフォーリーである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  157. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＩＮＲ（２−４参照範囲）、マグネシウム（１．６−２．６）、マグネシウム、および遊離Ｃａである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  158. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、フィブリノゲン、ＧＣＳ総グラスゴー・コーマ・スケール、ＳＡＰＳ−Ｉ簡易急性生理スコア、総ＳＯＦＡ（経時的臓器不全）スコア、心拍数、ＴＣＰＣ吸気時換気、アルカリフォスフェイト、Ｄ−ダイマー（０−５００）、ゲンタマイシン／ランダム、フェノバルビタール、バンコマイシン／トラフ、ブレーデンスコア、便アウトバッグ、尿アウトボイド、ジラウジッド、および限外濾過液合計である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  159. ＩＶ栄養合計のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  160. 換気量（観察）肺気量変位のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  161. ＣＰＫ／ＭＢ血液検査のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  162. 脳ドレイン Ｌ 心室ドレインのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  163. ＰＥＥＰ（ｐｏｓｉｔｉｖｅ ｅｎｄ ｒｅｓｐｉｒａｔｏｒｙ ｐｒｅｓｓｕｒｅ）のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  164. ２４時間トータルインのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  165. ガストリックアウト総量のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  166. Ｄ５Ｗ２５０．０ｍｌ＋１００ｍｃｇ／ｋｇ／ｍｉｎニトログリセリン−ｋのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  167. 換気量（セット）のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  168. コレステロール（＜２００）のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  169. 指先穿刺グルコースのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  170. ０．９％生理食塩水１０００ｍｌのみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  171. １時間ごとの総出力のみが、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  172. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート１９８、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２、トータルバル２０、およびトータルバル２６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  173. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート１９８、チャート２０００１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１８、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  174. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート２０００１、チャート２０００９、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ５５、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  175. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート２０００９、チャート２１１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２、およびトータルバル２６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  176. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート２１１、チャート６７１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１８、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  177. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート６７１、チャート６８２、チャート７７３、チャート７７９、チャート７８１、チャート７８５、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ５５、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  178. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート６８２、チャート７７３、チャート７７９、チャート７８１、チャート７８５、チャート７９３、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２、トータルバル２０、およびトータルバル２６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  179. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５２９、チャート１５３１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート７９３、チャート８０９、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１８、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  180. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８０９、チャート８１１、チャート８１８、チャート８２６、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ５５、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２０、およびトータルバル２６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  181. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート１１６２、チャート１５３１、チャート６８２、チャート７７９、チャート７８１、チャート７８５、チャート８１１、チャート８１８、チャート８２８、ｉｏ１０２、ｉｏ１３３、ｉｏ５３、ｉｏ６９、ｉｏ９７、ラボ５００１７、ラボ５００１９、トータルバル１、トータルバル１６、トータルバル１９、トータルバル２、トータルバル２０、およびトータルバル２６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  182. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート８１１、チャート８１８、チャート１５３２、ラボ５００３０、およびトータルバル２６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  183. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、ラボ５００３０、ｉｏ５５、ｉｏ９７、トータルバル２、およびトータルバル１６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  184. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート８１８、チャート１１６２、ラボ５００１９、ｉｏ１３３、およびトータルバル１６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  185. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、チャート６８２、チャート１５３１、ラボ５００１９、ｉｏ９７、およびトータルバル１６である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  186. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、ラボ５００１９、およびｉｏ１０２である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  187. 前記データセットによって投入される前記予測モデルの前記パラメータの全ては、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、ラボ５００１７、およびｉｏ９７である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  188. ラボ５００１９のみが、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  189. チャート６８２のみが、ＭＩＭＩＣＩＩデータベースにおいて定義されたように、前記データセットによって投入される前記予測モデルのパラメータである、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  190. 前記予測モデルの１つのパラメータのみが、前記データセットによって投入される、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  191. 少なくとも１つのパラメータは、血糖値に関連する測定値である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
  192. 少なくとも１つのパラメータは、血液中の酸素飽和度に関連する測定値である、請求項１５０に記載の非一時的なコンピュータ可読媒体。
JP2018549924A 2016-03-23 2017-03-23 Ｓｉｒｓの予測のための臨床パラメータの使用 Pending JP2019511057A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662312339P 2016-03-23 2016-03-23
US62/312,339 2016-03-23
PCT/US2017/023885 WO2017165693A1 (en) 2016-03-23 2017-03-23 Use of clinical parameters for the prediction of sirs

Publications (1)

Publication Number Publication Date
JP2019511057A true JP2019511057A (ja) 2019-04-18

Family

ID=59900920

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018549924A Pending JP2019511057A (ja) 2016-03-23 2017-03-23 Ｓｉｒｓの予測のための臨床パラメータの使用

Country Status (5)

Country Link
US (1) US20230187067A1 (ja)
EP (1) EP3433614A4 (ja)
JP (1) JP2019511057A (ja)
SG (1) SG11201807719SA (ja)
WO (1) WO2017165693A1 (ja)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11504071B2 (en) * 2018-04-10 2022-11-22 Hill-Rom Services, Inc. Patient risk assessment based on data from multiple sources in a healthcare facility
US20210249138A1 (en) * 2018-06-18 2021-08-12 Nec Corporation Disease risk prediction device, disease risk prediction method, and disease risk prediction program
CN109192319A (zh) * 2018-07-11 2019-01-11 辽宁石油化工大学 一种考虑动态网络结构的病毒传播过程的描述方法
WO2020037244A1 (en) * 2018-08-17 2020-02-20 Henry M. Jackson Foundation For The Advancement Of Military Medicine Use of machine learning models for prediction of clinical outcomes
WO2021035098A2 (en) * 2019-08-21 2021-02-25 The Regents Of The University Of California Systems and methods for machine learning-based identification of sepsis
US11796465B2 (en) 2020-02-06 2023-10-24 Samsung Electronics Co., Ltd. Method and system for predicting blood compound concentration of a target
TWI751683B (zh) * 2020-09-07 2022-01-01 奇美醫療財團法人奇美醫院 高齡流感病情預測系統、程式產品及其建立與使用方法
DE102022114248A1 (de) 2022-06-07 2023-12-07 TCC GmbH Verfahren sowie Vorhersagesystem zur Ermittlung der Eintrittswahrscheinlichkeit einer Sepsis eines Patienten

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6190872B1 (en) * 1994-05-06 2001-02-20 Gus J. Slotman Method for identifying and monitoring patients at risk for systemic inflammatory conditions and apparatus for use in this method
GB0426982D0 (en) * 2004-12-09 2005-01-12 Secr Defence Early detection of sepsis
KR20080006617A (ko) * 2005-04-15 2008-01-16 백톤 디킨슨 앤드 컴퍼니 패혈증의 진단
WO2007038758A2 (en) * 2005-09-28 2007-04-05 Becton, Dickinson And Company Detection of lysophosphatidylcholine for prognosis or diagnosis of a systemic inflammatory condition
DE102005050933A1 (de) * 2005-10-21 2007-04-26 Justus-Liebig-Universität Giessen Erfindung betreffend Expressionsprofile zur Vorhersage von septischen Zuständen
US20100041600A1 (en) * 2006-06-09 2010-02-18 Russel James A Interferon gamma polymorphisms as indicators of subject outcome in critically ill subjects
WO2009075796A1 (en) * 2007-12-05 2009-06-18 Massachusetts Institute Of Technology System and method for predicting septic shock
MX337333B (es) * 2008-03-26 2016-02-26 Theranos Inc Metodos y sistemas para evaluar resultados clinicos.
US8669113B2 (en) * 2008-04-03 2014-03-11 Becton, Dickinson And Company Advanced detection of sepsis
EP2284540A1 (en) * 2009-07-31 2011-02-16 BIOCRATES Life Sciences AG Method of diagnosing organ failure
WO2014117165A1 (en) * 2013-01-28 2014-07-31 Vanderbilt University Method for differentiating sepsis and systemic inflammatory response syndrome (sirs)
EP3010401A4 (en) * 2013-06-20 2017-03-15 University Of Virginia Patent Foundation Multidimensional time series entrainment system, method and computer readable medium
DK3103046T3 (da) * 2014-02-06 2020-06-02 Immunexpress Pty Ltd Biomarkør-signaturfremgangsmåde og apparater og kits deraf
GB201402293D0 (en) * 2014-02-11 2014-03-26 Secr Defence Biomarker signatures for the prediction of onset of sepsis
US20150269355A1 (en) * 2014-03-19 2015-09-24 Peach Intellihealth, Inc. Managing allocation of health-related expertise and resources
US20160364545A1 (en) * 2015-06-15 2016-12-15 Dascena Expansion And Contraction Around Physiological Time-Series Trajectory For Current And Future Patient Condition Determination
US20160364536A1 (en) * 2015-06-15 2016-12-15 Dascena Diagnostic support systems using machine learning techniques

Also Published As

Publication number Publication date
US20230187067A1 (en) 2023-06-15
WO2017165693A1 (en) 2017-09-28
WO2017165693A4 (en) 2017-12-14
SG11201807719SA (en) 2018-10-30
EP3433614A4 (en) 2019-12-11
EP3433614A1 (en) 2019-01-30

Similar Documents

Publication Publication Date Title
JP2019511057A (ja) Ｓｉｒｓの予測のための臨床パラメータの使用
JP6621520B2 (ja) マルチマーカーリスク層別化
Aktar et al. Machine learning approach to predicting COVID-19 disease severity based on clinical blood test data: statistical analysis and model development
Ghassemi et al. Predicting intervention onset in the ICU with switching state space models
US20210327540A1 (en) Use of machine learning models for prediction of clinical outcomes
García-Gallo et al. A machine learning-based model for 1-year mortality prediction in patients admitted to an Intensive Care Unit with a diagnosis of sepsis
US20230290452A1 (en) Electronic Health Record (EHR)-Based Classifier for Acute Respiratory Distress Syndrome (ARDS) Subtyping
Mortazavi et al. Prediction of adverse events in patients undergoing major cardiovascular procedures
US20230019900A1 (en) Prediction of venous thromboembolism utilizing machine learning models
US11676722B1 (en) Method of early detection, risk stratification, and outcomes prediction of a medical disease or condition with machine learning and routinely taken patient data
Liu et al. TOP-Net prediction model using bidirectional long short-term memory and medical-grade wearable multisensor system for tachycardia onset: algorithm development study
Martín-Rodríguez et al. Time for a prehospital-modified sequential organ failure assessment score: An ambulance–Based cohort study
Darwiche et al. Machine learning methods for septic shock prediction
Weekes et al. Intermediate-risk pulmonary embolism: echocardiography predictors of clinical deterioration
Eskandari et al. Detection of sepsis using biomarkers based on machine learning
Baik et al. Application and utility of boosting machine learning model based on laboratory test in the differential diagnosis of non-COVID-19 pneumonia and COVID-19
KR102310888B1 (ko) 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스
CN117198532A (zh) 一种基于机器学习的icu患者脓毒症风险预测方法及系统
Chatchumni et al. Performance of the Simple Clinical Score (SCS) and the Rapid Emergency Medicine Score (REMS) to predict severity level and mortality rate among patients with sepsis in the emergency department
Liu et al. A machine learning method for predicting the probability of MODS using only non-invasive parameters
CN113782197B (zh) 基于可解释性机器学习算法的新冠肺炎患者转归预测方法
Golovco et al. Acute kidney injury prediction with gradient boosting decision trees enriched with temporal features
Cesario et al. Early Identification of Patients at Risk of Sepsis in a Hospital Environment
Shade et al. COVID-HEART: development and validation of a multi-variable model for real-time prediction of cardiovascular complications in hospitalized patients with COVID-19
Çayırtepe et al. Risk Management In Intensive Care Units With Artificial Intelligence Technologies: Systematic Review of Prediction Models Using Electronic Health Records

Legal Events

Date Code Title Description
A524 Written submission of copy of amendment under article 19 pct

Free format text: JAPANESE INTERMEDIATE CODE: A525

Effective date: 20181031

Free format text: JAPANESE INTERMEDIATE CODE: A524

Effective date: 20181129

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200319

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200817

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210316

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20211012