JP2020507838A5

JP2020507838A5 -

Info

Publication number: JP2020507838A5
Application number: JP2019536887A
Authority: JP
Filing date: 2018-01-05
Publication date: 2021-02-12

Description

いくつかの実施形態によると、その検出可能な症状の発症に先立って、肺炎を発症する危険に対象をさらす損傷を有する対象において肺炎を処置するための薬剤の調製における抗生物質または抗ウイルス剤の使用が提供され、対象は、これらの方法のうちのいずれかによって判定されるように、肺炎を発症する危険性の上昇を有することが前もって判定されている。
本発明は、例えば、以下を提供する。
（項目１）
対象の肺炎転帰を予測するための方法であって、
１つまたはそれを上回るプロセッサによって、複数の第１の対象毎に、複数の臨床パラメータのうちの少なくとも１つの臨床パラメータの第１の値および対応する肺炎転帰を受信するステップと、
前記１つまたはそれを上回るプロセッサによって、前記複数の臨床パラメータの第１の値を前記複数の第１の対象の対応する肺炎転帰に関連付ける訓練データベースを生成するステップと、
前記１つまたはそれを上回るプロセッサによって、複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択するステップであって、モデルパラメータの各サブセットの数は、前記複数の臨床パラメータの数未満であり、モデルパラメータの各サブセットは、前記モデルパラメータのサブセットと前記対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表す、ステップと、
前記１つまたはそれを上回るプロセッサによって、モデルパラメータのサブセット毎に、分類アルゴリズムを実行し、前記モデルパラメータのサブセットに基づいて、肺炎転帰の予測を生成するステップと、
前記１つまたはそれを上回るプロセッサによって、モデルパラメータの各対応するサブセットに基づいて実行される分類アルゴリズム毎に、肺炎転帰を予測することにおける前記分類アルゴリズムおよび前記モデルパラメータの対応するサブセットの性能のレベルを示す、少なくとも１つの性能メトリックを計算するステップと、
前記１つまたはそれを上回るプロセッサによって、候補分類アルゴリズムおよびモデルパラメータの対応するサブセットの少なくとも１つの性能メトリックに基づいて、前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを選択するステップと、
前記１つまたはそれを上回るプロセッサによって、少なくとも１つの第２の対象に関して、前記複数の臨床パラメータのうちの少なくとも１つの臨床パラメータの第２の値を受信するステップと、
前記１つまたはそれを上回るプロセッサによって、前記モデルパラメータの対応するサブセットおよび前記少なくとも１つの臨床パラメータの第２の値を使用して、前記選択された候補分類アルゴリズムを実行し、前記少なくとも１つの第２の対象に特有の肺炎の予測転帰を計算するステップと、
前記１つまたはそれを上回るプロセッサによって、前記少なくとも１つの第２の対象に特有の肺炎の予測転帰を出力するステップと
を含む、方法。
（項目２）
対象における肺炎転帰を予測するためのモデルを生成するための方法であって、
１つまたはそれを上回るプロセッサによって、複数の第１の対象毎に、複数の臨床パラメータのうちの少なくとも１つの臨床パラメータの第１の値および対応する肺炎転帰を受信するステップと、
前記１つまたはそれを上回るプロセッサによって、前記複数の臨床パラメータの第１の値を前記複数の第１の対象の対応する肺炎転帰に関連付ける訓練データベースを生成するステップと、
前記１つまたはそれを上回るプロセッサによって、複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択するステップであって、モデルパラメータの各サブセットの数は、前記複数の臨床パラメータの数未満であり、モデルパラメータの各サブセットは、前記モデルパラメータのサブセットと前記対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表す、ステップと、
前記１つまたはそれを上回るプロセッサによって、モデルパラメータのサブセット毎に、分類アルゴリズムを実行し、前記モデルパラメータのサブセットに基づいて、肺炎転帰の予測を生成するステップと、
前記１つまたはそれを上回るプロセッサによって、モデルパラメータの各対応するサブセットに基づいて実行される分類アルゴリズム毎に、肺炎転帰を予測することにおける前記分類アルゴリズムおよび前記モデルパラメータの対応するサブセットの性能のレベルを示す、少なくとも１つの性能メトリックを計算するステップと、
前記１つまたはそれを上回るプロセッサによって、候補分類アルゴリズムおよびモデルパラメータの対応するサブセットの少なくとも１つの性能メトリックに基づいて、前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを選択するステップと、
前記１つまたはそれを上回るプロセッサによって、前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを出力するステップと
を含む、方法。
（項目３）
対象の肺炎転帰を予測するための方法であって、
第２の対象に関して、複数の臨床パラメータのうちの少なくとも１つの臨床パラメータの第２の値を受信するステップと、
前記第１の対象の少なくとも１つの臨床パラメータの第２の値を使用して、分類アルゴリズムを実行し、前記第１の対象に特有の肺炎転帰を予測するステップであって、前記分類アルゴリズムは、複数の変数選択アルゴリズムを使用し、前記複数の臨床パラメータからモデルパラメータのサブセットを選択することによって選択され、前記モデルパラメータのサブセットは、前記モデルパラメータのサブセットと対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表し、前記変数選択アルゴリズムは、複数の第１の対象の複数の臨床パラメータの第１の値および対応する肺炎転帰を使用して実行され、前記分類アルゴリズムは、肺炎転帰を予測する前記分類アルゴリズムの能力を示す性能メトリックにさらに基づいて選択される、ステップと、
前記第２の対象に特有の予測肺炎転帰を出力するステップと
を含む、方法。
（項目４）
前記対象は、爆風損傷、圧挫損傷、銃創、または四肢創傷等の肺炎を発症する危険に前記対象をさらす損傷を有する、前記項目のいずれかに記載の方法。
（項目５）
前記モデルパラメータの対応するサブセットを使用して、前記候補分類アルゴリズムによって生成される前記予測肺炎転帰は、（ｉ）前記第２の対象が肺炎を有するという指標または（ｉｉ）前記第２の対象が肺炎を発症する危険性があるという指標のうちの少なくとも１つを含み、
第１の対象毎に受信される前記肺炎転帰は、（ｉ）浸潤物、空洞現象、胸水、または合併のうちの少なくとも１つを示す胸部放射線検査、および（ｉｉ）定量化された呼吸培養からの病原体の単離から選択される、少なくとも１つを通して診断される、確認された肺感染症に基づく、
項目１または３のいずれかに記載の方法。
（項目６）
各第１の対象は、肺炎を発症する危険に前記対象をさらす損傷を有し、値が第１の対象毎に受信される、前記臨床パラメータは、性別、年齢、損傷の日付、損傷の場所、腹部損傷の存在、損傷の機構、創傷深度、創傷表面積、創傷清拭の回数、関連付けられる損傷、創傷閉鎖のタイプ、創傷閉鎖の成功、輸血の要件、輸血される血液製剤の総数、前記対象に投与される全血球の量、前記対象に投与される赤血球（ＲＢＣ）の量、前記対象に投与される濃厚赤血球（ｐＲＢＣ）の量、前記対象に投与される血小板の量、全濃厚ＲＢＣのレベル、外傷重症度スコア（ＩＳＳ）、腹部のＡＩＳ、頭部のＡＩＳ、胸部（胸郭）のＡＩＳ、急性生理学および慢性健康評価ＩＩ（ＡＰＡＣＨＥＩＩ）スコア、前記対象からのサンプル中の臨界定着（ＣＣ）の存在、外傷性脳損傷の存在、外傷性脳損傷の重症度、入院期間、集中治療室（ＩＣＵ）の滞在期間、人工呼吸器の装着日数、病院からの退院、院内感染症の発症、前記対象からのサンプル中のインターフェロンガンマ誘導タンパク質１０（ＩＰ−１０）のレベル、前記対象からのサンプル中のインターロイキン２受容体（ＩＬ−２Ｒ）のレベル、前記対象からのサンプル中のインターロイキン−１０（ＩＬ−１０）のレベル、前記対象からのサンプル中のインターロイキン−３（ＩＬ−３）のレベル、前記対象からのサンプル中のインターロイキン−６（ＩＬ−６）のレベル、前記対象からのサンプル中のインターロイキン−７（ＩＬ−７）のレベル、前記対象からのサンプル中のインターロイキン−８（ＩＬ−８）のレベル、前記対象からのサンプル中の単球走化性タンパク質１（ＭＣＰ−１）のレベル、前記対象からのサンプル中のガンマインターフェロンによって誘導されるモノカイン（ＭＩＧ）のレベル、および前記対象からのサンプル中のエオタキシンのレベルから選択される少なくとも１つを含む、前記項目のいずれかに記載の方法。
（項目７）
各第１の対象は、肺炎を発症する危険に前記対象をさらす損傷を有し、値が第１の対象毎に受信される、前記臨床パラメータは、バイオマーカ臨床パラメータ、血液製剤の投与臨床パラメータ、または外傷重症度スコア臨床パラメータから選択される少なくとも１つを含む、前記項目のいずれかに記載の方法。
（項目８）
前記臨床パラメータは、前記対象からのサンプル中の上皮成長因子（ＥＧＦ）のレベル、前記対象からのサンプル中のエオタキシン−１（ＣＣＬ１１）のレベル、前記対象からのサンプル中の塩基性線維芽細胞成長因子（ｂＦＧＦ）のレベル、前記対象からのサンプル中の顆粒球コロニー刺激因子（Ｇ−ＣＳＦ）のレベル、前記対象からのサンプル中の顆粒球マクロファージコロニー刺激因子（ＧＭ−ＣＳＦ）のレベル、前記対象からのサンプル中の肝細胞成長因子（ＨＧＦ）のレベル、前記対象からのサンプル中のインターフェロンアルファ（ＩＦＮ−α）のレベル、前記対象からのサンプル中のインターフェロンガンマ（ＩＦＮ−γ）のレベル、前記対象からのサンプル中のインターロイキン１０（ＩＬ−１０）のレベル、前記対象からのサンプル中のインターロイキン１２（ＩＬ−１２）のレベル、前記対象からのサンプル中のインターロイキン１３（ＩＬ−１３）のレベル、前記対象からのサンプル中のインターロイキン１５（ＩＬ−１５）のレベル、前記対象からのサンプル中のインターロイキン１７（ＩＬ−１７）のレベル、前記対象からのサンプル中のインターロイキン１アルファ（ＩＬ−１α）のレベル、前記対象からのサンプル中のインターロイキン１ベータ（ＩＬ−１β）のレベル、前記対象からのサンプル中のインターロイキン１受容体拮抗薬（ＩＬ−１ＲＡ）のレベル、前記対象からのサンプル中のインターロイキン２（ＩＬ−２）のレベル、前記対象からのサンプル中のインターロイキン２受容体（ＩＬ−２Ｒ）のレベル、前記対象からのサンプル中のインターロイキン３（ＩＬ−３）のレベル、前記対象からのサンプル中のインターロイキン４（ＩＬ−４）のレベル、前記対象からのサンプル中のインターロイキン５（ＩＬ−５）のレベル、前記対象からのサンプル中のインターロイキン６（ＩＬ−６）のレベル、前記対象からのサンプル中のインターロイキン７（ＩＬ−７）のレベル、前記対象からのサンプル中のインターロイキン８（ＩＬ−８）のレベル、前記対象からのサンプル中のインターフェロンガンマ誘導タンパク質１０（ＩＰ−１０）のレベル、前記対象からのサンプル中の単球走化性タンパク質１（ＭＣＰ−１）のレベル、前記対象からのサンプル中のガンマインターフェロンによって誘導されるモノカイン（ＭＩＧ）のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質１アルファ（ＭＩＰ−１α）のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質１ベータ（ＭＩＰ−１β）のレベル、前記対象からのサンプル中のケモカイン（Ｃ−Ｃモチーフ）リガンド５（ＣＣＬ５）のレベル、前記対象からのサンプル中の腫瘍壊死因子アルファ（ＴＮＦα）のレベル、前記対象からのサンプル中の血管内皮細胞成長因子（ＶＥＧＦ）のレベル、前記対象に投与される全血球の量、前記対象に投与される赤血球（ＲＢＣ）の量、前記対象に投与される濃厚赤血球（ｐＲＢＣ）の量、前記対象に投与される血小板の量、前記対象に投与される全ての血液製剤の総和、全濃厚ＲＢＣのレベル、外傷重症度スコア（ＩＳＳ）、腹部の簡易式外傷指数（ＡＩＳ）、胸部（胸郭）のＡＩＳ、四肢のＡＩＳ、顔面のＡＩＳ、頭部のＡＩＳ、または皮膚のＡＩＳのうちの少なくとも１つを含む、前記項目のいずれかに記載の方法。
（項目９）
値が第１の対象毎に受信される、前記臨床パラメータは、Ｌｕｍｉｎｅｘプロテオームデータ、ＲＮＡｓｅｑ、トランスクリプトームデータ、定量的ポリメラーゼ連鎖反応（ｑＰＣＲ）データ、および定量的細菌学データから選択される少なくとも１つを含む、前記項目のいずれかに記載の方法。
（項目１０）
値が第２の対象毎に受信される、前記臨床パラメータは、頭部のＡＩＳ、腹部のＡＩＳ、前記対象に投与される血小板の量、全濃厚ＲＢＣのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のインターフェロンガンマ誘導タンパク質１０（ＩＰ−１０）のレベル、前記対象からの血清サンプル中のインターロイキン−１０（ＩＬ−１０）のレベル、および前記対象からの血清サンプル中の単球走化性タンパク質１（ＭＣＰ−１）のレベルから選択される少なくとも１つを含む、項目１または３−９のいずれかに記載の方法。
（項目１１）
前記候補分類アルゴリズムに対応する前記モデルパラメータのサブセットは、頭部のＡＩＳ、腹部のＡＩＳ、前記対象に投与される血小板の量、全濃厚ＲＢＣのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のインターフェロンガンマ誘導タンパク質１０（ＩＰ−１０）のレベル、前記対象からの血清サンプル中のインターロイキン−１０（ＩＬ−１０）のレベル、および前記対象からの血清サンプル中の単球走化性タンパク質１（ＭＣＰ−１）のレベルから選択される少なくとも２つを含む、前記項目のいずれかに記載の方法。
（項目１２）
前記少なくとも１つの性能メトリックは、全アウトオブバッグ（ＯＯＢ）誤差推定値、陽性分類ＯＯＢ誤差推定値、陰性分類ＯＯＢ誤差推定値、正確度スコア、またはカッパスコアのうちの少なくとも１つを含む、前記項目のいずれかに記載の方法。
（項目１３）
前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを選択するステップは、各分類アルゴリズムを用いて決定曲線分析（ＤＣＡ）を実行するステップを含み、前記ＤＣＡは、前記分類アルゴリズムによって生成される肺炎転帰に基づいて処置を提供するという純便益を示し、前記処置を提供するという最大純便益を有する、前記分類アルゴリズムを選択する、前記項目のいずれかに記載の方法。
（項目１４）
前記ＤＣＡを使用し、前記少なくとも１つの第２の対象の予測肺炎転帰を規定危険閾値と比較して、前記処置の純便益を判定するステップをさらに含む、項目１３に記載の方法。
（項目１５）
前記候補分類アルゴリズムは、単純ベイズモデルである、前記項目のいずれかに記載の方法。
（項目１６）
第１の対象毎に、第１の値が、少なくとも２つの臨床パラメータに関して受信され、前記第１の値は、単一の時点に対応する、前記項目のいずれかに記載の方法。
（項目１７）
値が受信される臨床パラメータの数が、前記訓練パラメータの数未満である、少なくとも１つの第１の対象を識別するステップと、
インピュテーションアルゴリズムを実行し、値が受信されない前記少なくとも１つの第１の対象と関連付けられる臨床パラメータに対応する、前記訓練パラメータのうちの少なくとも１つの帰属値を生成するステップと
をさらに含む、前記項目のいずれかに記載の方法。
（項目１８）
前記複数の変数選択アルゴリズムは、ｉｎｔｅｒ．ｉａｍｂアルゴリズム、ｆａｓｔ．ｉａｍｂアルゴリズム、ｉａｍｂアルゴリズム、ｇｓアルゴリズム、ｍｍｐｃアルゴリズム、またはｓｉ．ｈｉｔｏｎ．ｐｃアルゴリズムのうちの少なくとも２つを含む、前記項目のいずれかに記載の方法。
（項目１９）
対象において肺炎転帰を予測するためのシステムであって、
１つまたはそれを上回るプロセッサと、メモリとを備える、処理回路であって、
前記メモリは、
複数の第１の対象毎に、複数の臨床パラメータのうちの少なくとも１つの臨床パラメータの第１の値および対応する肺炎転帰を記憶するように構成される、訓練データベースと、
機械学習エンジンであって、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択し、モデルパラメータの各サブセットの数は、前記複数の臨床パラメータの数未満であり、モデルパラメータの各サブセットは、前記モデルパラメータのサブセットと前記対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表し、モデルパラメータのサブセット毎に、分類アルゴリズムを実行し、前記モデルパラメータのサブセットに基づいて、肺炎転帰の予測を生成し、モデルパラメータの各対応するサブセットに基づいて実行される分類アルゴリズム毎に、肺炎転帰を予測することにおける前記分類アルゴリズムおよび前記モデルパラメータの対応するサブセットの性能のレベルを示す、少なくとも１つの性能メトリックを計算し、候補分類アルゴリズムおよびモデルパラメータの対応するサブセットの少なくとも１つの性能メトリックに基づいて、前記候補分類アルゴリズムおよび前記モデルパラメータの対応するサブセットを選択するように構成される、機械学習エンジンと、
予測エンジンであって、
少なくとも１つの第２の対象に関して、前記複数の臨床パラメータのうちの少なくとも１つの臨床パラメータの第２の値を受信し、前記モデルパラメータの対応するサブセットおよび前記少なくとも１つの臨床パラメータの第２の値を使用して、前記選択された候補分類アルゴリズムを実行し、前記少なくとも１つの第２の対象に特有の肺炎の予測転帰を計算するように構成される、予測エンジンと
を備える、処理回路と、
前記少なくとも１つの第２の対象に特有の肺炎の予測転帰を表示するように構成される、ディスプレイデバイスと
を備える、システム。
（項目２０）
対象において肺炎転帰を予測するためのモデルを生成するためのシステムであって、
１つまたはそれを上回るプロセッサと、メモリとを備える、処理回路であって、
前記メモリは、
複数の第１の対象毎に、複数の臨床パラメータのうちの少なくとも１つの臨床パラメータの第１の値および対応する肺炎転帰を記憶するように構成される、訓練データベースと、
機械学習エンジンであって、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択し、モデルパラメータの各サブセットの数は、前記複数の臨床パラメータの数未満であり、モデルパラメータの各サブセットは、前記モデルパラメータのサブセットと前記対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表し、モデルパラメータのサブセット毎に、分類アルゴリズムを実行し、前記モデルパラメータのサブセットに基づいて、肺炎転帰の予測を生成し、モデルパラメータの各対応するサブセットに基づいて実行される分類アルゴリズム毎に、肺炎転帰を予測することにおける前記分類アルゴリズムおよび前記モデルパラメータの対応するサブセットの性能のレベルを示す、少なくとも１つの性能メトリックを計算し、候補分類アルゴリズムおよびモデルパラメータの対応するサブセットの少なくとも１つの性能メトリックに基づいて、前記候補分類アルゴリズムおよび前記モデルパラメータの対応するサブセットを選択し、前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを出力するように構成される、機械学習エンジンと
を備える、処理回路
を備える、システム。
（項目２１）
対象において肺炎転帰を予測するためのシステムであって、
１つまたはそれを上回るプロセッサと、メモリとを備える、処理回路であって、前記メモリは、
予測エンジンであって、
第２の対象に関して、複数の臨床パラメータのうちの少なくとも１つの臨床パラメータの第２の値を受信し、前記第２の対象の少なくとも１つの臨床パラメータの第２の値を使用して、分類アルゴリズムを実行し、前記第２の対象に特有の肺炎転帰を予測し、前記分類アルゴリズムは、複数の変数選択アルゴリズムを使用し、前記複数の臨床パラメータからモデルパラメータのサブセットを選択することによって選択され、前記モデルパラメータのサブセットは、前記モデルパラメータのサブセットと対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表し、前記変数選択アルゴリズムは、複数の第１の対象の複数の臨床パラメータの第１の値および対応する肺炎転帰を使用して実行され、前記分類アルゴリズムは、肺炎転帰を予測する前記分類アルゴリズムの能力を示す性能メトリックにさらに基づいて選択されるように構成される、予測エンジンを備える、処理回路と、
前記第２の対象に特有の予測肺炎転帰を出力するように構成される、ディスプレイデバイスと
を備える、システム。
（項目２２）
肺炎を発症する危険に対象をさらす損傷を有する対象において、随意に、その検出可能な症状の発症に先立って、肺炎の危険プロファイルを判定する方法であって、前記危険プロファイルは、頭部のＡＩＳ、腹部のＡＩＳ、前記対象に投与される血小板の量、全ｐＲＢＣのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のＩＰ−１０のレベル、前記対象からの血清サンプル中のＩＬ−１０のレベル、および前記対象からの血清サンプル中のＭＣＰ−１のレベルから選択される１つまたはそれを上回る臨床パラメータに基づく、１つまたはそれを上回る成分を備え、
前記対象に関する前記１つまたはそれを上回る臨床パラメータを検出するステップと、
前記検出された臨床パラメータから前記対象の危険プロファイルの値を計算するステップと
を含む、方法。
（項目２３）
随意に、その検出可能な症状の発症に先立って、肺炎を発症する危険に対象をさらす損傷を有する対象が、肺炎を発症する危険性の増加を有することを判定する方法であって、
頭部のＡＩＳ、腹部のＡＩＳ、前記対象に投与される血小板の量、全ｐＲＢＣのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のＩＰ−１０のレベル、前記対象からの血清サンプル中のＩＬ−１０のレベル、および前記対象からの血清サンプル中のＭＣＰ−１のレベルから選択される、前記対象に関する１つまたはそれを上回る臨床パラメータを検出するステップと、
前記検出された臨床パラメータから前記対象の危険プロファイルの値を計算するステップと、
前記対象の危険プロファイルの値を参照危険プロファイル値と比較するステップであって、前記参照危険プロファイル値と比較した前記対象の危険プロファイルの値の増加は、前記対象が肺炎を発症する危険性の増加を有することを示す、ステップと
を含む、方法。
（項目２４）
その検出可能な症状の発症に先立って、肺炎に対する処置を前記対象に投与するステップを含む、肺炎を発症する危険に対象をさらす損傷を有する対象を、肺炎に関して処置する方法であって、前記対象は、頭部のＡＩＳ、腹部のＡＩＳ、前記対象に投与される血小板の量、全ｐＲＢＣのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のＩＰ−１０のレベル、前記対象からの血清サンプル中のＩＬ−１０のレベル、および前記対象からの血清サンプル中のＭＣＰ−１のレベルから選択される、１つまたはそれを上回る臨床パラメータから計算される危険プロファイル値によって判定されるような肺炎を発症する危険性の上昇を有することが前もって判定されている、方法。
（項目２５）
前記参照危険プロファイル値と比較した前記対象の危険プロファイル値の増加は、前記対象が肺炎を発症する危険性の増加を有することを示す、項目２２〜２４のいずれか１項に記載の方法。
（項目２６）
前記参照危険プロファイル値は、前記対象に関して前もって検出された臨床パラメータから計算される、項目２２〜２５のいずれか１項に記載の方法。
（項目２７）
前記参照危険プロファイル値は、前記対象が前記損傷を有するときに前記対象に関して前もって検出された臨床パラメータから計算される、項目２２〜２６のいずれか１項に記載の方法。
（項目２８）
前記参照危険プロファイル値は、損傷を有する参照対象の集団に関して検出される臨床パラメータから計算される、項目２２〜２５のいずれか１項に記載の方法。
（項目２９）
前記参照危険プロファイル値は、前記参照対象が肺炎の検出可能な症状を有していなかったときに損傷を有する参照対象の集団に関して検出される臨床パラメータから計算される、項目２２〜２５または２８のいずれか１項に記載の方法。
（項目３０）
前記方法は、前記対象における肺炎の検出可能な症状の発症に先立って行われる、項目２２〜２９のいずれか１項に記載の方法。
（項目３１）
１つまたはそれを上回る臨床パラメータは、血清サンプルおよび創傷流出物から選択される前記対象からのサンプル中で検出される、項目２２〜３０のいずれか１項に記載の方法。
（項目３２）
対象からの１つまたはそれを上回るサンプル中で、ＩＰ−１０、ＩＬ−１０、およびＭＣＰ−１から選択される１つまたはそれを上回るバイオマーカのレベルを測定するステップを含む、損傷を有する前記対象においてバイオマーカのレベルを検出する方法。
（項目３３）
前記方法は、ＩＰ−１０、ＩＬ−１０、およびＭＣＰ−１のレベルを測定するステップを含む、項目３２に記載の方法。
（項目３４）
肺炎を発症する危険に対象をさらす損傷を有する対象において危険因子を査定する方法であって、頭部のＡＩＳ、腹部のＡＩＳ、前記対象に投与される血小板の量、全ｐＲＢＣのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のＩＰ−１０のレベル、前記対象からの血清サンプル中のＩＬ−１０のレベル、および前記対象からの血清サンプル中のＭＣＰ−１のレベルから選択される、１つまたはそれを上回る危険因子を査定するステップを含む、方法。
（項目３５）
項目２２−３４のいずれか１項に記載の方法を実施するためのキット。
（項目３６）
その検出可能な症状の発症に先立って、肺炎を発症する危険に対象をさらす損傷を有する対象において肺炎を処置するための抗生物質または抗ウイルス剤であって、前記対象は、項目２４に記載の方法によって判定されるように、肺炎を発症する危険性の上昇を有することが前もって判定されている、抗生物質または抗ウイルス剤。
（項目３７）
その検出可能な症状の発症に先立って、肺炎を発症する危険に対象をさらす損傷を有する対象において肺炎を処置するための薬剤の調製における抗生物質または抗ウイルス剤の使用であって、前記対象は、項目２４に記載の方法によって判定されるように、肺炎を発症する危険性の上昇を有することが前もって判定されている、抗生物質または抗ウイルス剤の使用。

Claims

対象における肺炎転帰を予測するためのモデルを生成する方法であって、
複数の臨床パラメータの第１の値と、複数の第１の対象と関連付けられた肺炎転帰とを記憶する訓練データベースを生成することと、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択することと、
モデルパラメータの複数のサブセットの１つに対して複数の分類アルゴリズムの各々を実行し、肺炎転帰の予測を生成することと、
前記肺炎転帰の予測に従って、前記複数の分類アルゴリズムの各々と関連付けられた性能メトリックを計算することと、
前記性能メトリックに従って、候補分類アルゴリズムを選択することと、
肺炎転帰を予測するためのモデルを出力することであって、前記モデルは、モデルパラメータの関連付けられたサブセットを伴う前記候補分類アルゴリズムを備える、ことと
を含む、方法。
前記訓練データベース内に記憶されているデータを前処理することをさらに含み、
前記前処理することは、
前記複数の臨床パラメータの少なくとも１つの第１の値が欠落していることを判定することと、
欠落している前記複数の臨床パラメータの前記少なくとも１つのための参照値を推定することと、
前記複数の臨床パラメータの前記少なくとも１つの前記第１の値として前記参照値を前記訓練データベース内に記憶することと
を含む、請求項１に記載の方法。
前記複数の変数選択アルゴリズムは、機械学習アルゴリズム、教師付き機械学習アルゴリズム、Ｇｒｏｗ−Ｓｈｒｉｎｋアルゴリズム、ＩｎｃｒｅｍｅｎｔａｌＡｓｓｏｃｉａｔｉｏｎＭａｒｋｏｖＢｌａｎｋｅｔアルゴリズム、またはＳｅｍｉ−ＩｎｔｅｒｌｅａｖｅｄＨｉｔｏｎ−ＰＣアルゴリズムのうちの少なくとも１つを含む、請求項１または２に記載の方法。
前記分類アルゴリズムは、線形判別分析、分類および回帰ツリー、決定ツリー学習、ランダムフォレストモデル、最近傍、サポートベクターマシン、ロジスティック回帰、一般化線形モデル、ベイジアンモデル、またはニューラルネットワークのうちの少なくとも１つを含む、請求項１〜３のいずれか一項に記載の方法。
前記性能メトリックに従って候補分類アルゴリズムを選択することは、
各分類アルゴリズムを用いて決定曲線分析（ＤＣＡ）を実行することであって、前記ＤＣＡは、前記分類アルゴリズムによって生成される肺炎転帰に基づいて処置を提供するという純便益を示す、ことと、
前記処置を提供するという最大純便益を有する前記分類アルゴリズムを前記候補分類アルゴリズムとして選択することと
をさらに含む、請求項１〜４のいずれか一項に記載の方法。
前記複数の分類アルゴリズムの性能を相互検証することをさらに含む、請求項１〜５のいずれか一項に記載の方法。
前記複数の分類アルゴリズムの各々と関連付けられる前記性能メトリックは、全アウトオブバッグ（ＯＯＢ）誤差推定値、陽性分類ＯＯＢ誤差推定値、陰性分類ＯＯＢ誤差推定値、正確度スコア、またはカッパスコアのうちの少なくとも１つを含む、請求項１〜６のいずれか一項に記載の方法。
前記複数の臨床パラメータは、１つまたは複数のバイオマーカ臨床パラメータ、１つまたは複数の血液製剤の投与臨床パラメータ、１つまたは複数の外傷重症度スコア臨床パラメータ、またはこれらの組み合わせを含む、請求項１〜７のいずれか一項に記載の方法。
前記バイオマーカ臨床パラメータは、前記対象からのサンプル中の上皮成長因子（ＥＧＦ）のレベル、前記対象からのサンプル中のエオタキシン−１（ＣＣＬ１１）のレベル、前記対象からのサンプル中の塩基性線維芽細胞成長因子（ｂＦＧＦ）のレベル、前記対象からのサンプル中の顆粒球コロニー刺激因子（Ｇ−ＣＳＦ）のレベル、前記対象からのサンプル中の顆粒球マクロファージコロニー刺激因子（ＧＭ−ＣＳＦ）のレベル、前記対象からのサンプル中の肝細胞成長因子（ＨＧＦ）のレベル、前記対象からのサンプル中のインターフェロンアルファ（ＩＦＮ−α）のレベル、前記対象からのサンプル中のインターフェロンガンマ（ＩＦＮ−γ）のレベル、前記対象からのサンプル中のインターロイキン１０（ＩＬ−１０）のレベル、前記対象からのサンプル中のインターロイキン１２（ＩＬ−１２）のレベル、前記対象からのサンプル中のインターロイキン１３（ＩＬ−１３）のレベル、前記対象からのサンプル中のインターロイキン１５（ＩＬ−１５）のレベル、前記対象からのサンプル中のインターロイキン１７（ＩＬ−１７）のレベル、前記対象からのサンプル中のインターロイキン１アルファ（ＩＬ−１α）のレベル、前記対象からのサンプル中のインターロイキン１ベータ（ＩＬ−１β）のレベル、前記対象からのサンプル中のインターロイキン１受容体拮抗薬（ＩＬ−１ＲＡ）のレベル、前記対象からのサンプル中のインターロイキン２（ＩＬ−２）のレベル、前記対象からのサンプル中のインターロイキン２受容体（ＩＬ−２Ｒ）のレベル、前記対象からのサンプル中のインターロイキン３（ＩＬ−３）のレベル、前記対象からのサンプル中のインターロイキン４（ＩＬ−４）のレベル、前記対象からのサンプル中のインターロイキン５（ＩＬ−５）のレベル、前記対象からのサンプル中のインターロイキン６（ＩＬ−６）のレベル、前記対象からのサンプル中のインターロイキン７（ＩＬ−７）のレベル、前記対象からのサンプル中のインターロイキン８（ＩＬ−８）のレベル、前記対象からのサンプル中のインターフェロンガンマ誘導タンパク質１０（ＩＰ−１０）のレベル、前記対象からのサンプル中の単球走化性タンパク質１（ＭＣＰ−１）のレベル、前記対象からのサンプル中のガンマインターフェロンによって誘導されるモノカイン（ＭＩＧ）のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質１アルファ（ＭＩＰ−１α）のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質１ベータ（ＭＩＰ−１β）のレベル、前記対象からのサンプル中のケモカイン（Ｃ−Ｃモチーフ）リガンド５（ＣＣＬ５）のレベル、前記対象からのサンプル中の腫瘍壊死因子アルファ（ＴＮＦα）のレベル、または、前記対象からのサンプル中の血管内皮細胞成長因子（ＶＥＧＦ）のレベルのうちの１つまたは複数を含み、
前記血液製剤の投与臨床パラメータは、前記対象に投与される全血球の量、前記対象に投与される赤血球（ＲＢＣ）の量、前記対象に投与される濃厚赤血球（ｐＲＢＣ）の量、前記対象に投与される血小板の量、前記対象に投与される全ての血液製剤の総和、または、全濃厚ＲＢＣのレベルのうちの１つまたは複数を含み、
前記外傷重症度スコア臨床パラメータは、外傷重症度スコア（ＩＳＳ）、腹部の簡易式外傷指数（ＡＩＳ）、胸部（胸郭）のＡＩＳ、四肢のＡＩＳ、顔面のＡＩＳ、頭部のＡＩＳ、または皮膚のＡＩＳのうちの１つまたは複数を含む、請求項８に記載の方法。
対象の肺炎転帰を予測するための方法であって、
第２の対象から、複数の臨床パラメータの少なくとも１つの臨床パラメータの第２の値を受信することと、
前記少なくとも１つの臨床パラメータの第２の値を使用して、前記第２の対象の肺炎転帰を予測するために前訓練されたモデルを実行することであって、前記モデルは、
複数の臨床パラメータの第１の値と、複数の第１の対象と関連付けられた肺炎転帰とを記憶する訓練データベースを生成することと、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択することと、
モデルパラメータの複数のサブセットの１つに対して複数の分類アルゴリズムの各々を実行し、肺炎転帰の予測を生成することと、
前記肺炎転帰の予測に従って、前記複数の分類アルゴリズムの各々と関連付けられた性能メトリックを計算することと、
前記性能メトリックに従って、候補分類アルゴリズムを選択することと、
肺炎転帰を予測するためのモデルを出力することであって、前記モデルは、モデルパラメータの関連付けられたサブセットを伴う前記候補分類アルゴリズムを備える、ことと
を含む動作を実施することによって、前訓練されている、ことと、
前記第２の対象の前記予測された肺炎転帰を出力することと
を含む、方法。
前記モデルを前訓練するための動作は、前記訓練データベース内に記憶されているデータを前処理することをさらに含み、
前記前処理することは、
前記複数の臨床パラメータの少なくとも１つの第１の値が欠落していることを判定することと、
欠落している前記複数の臨床パラメータの前記少なくとも１つのための参照値を推定することと、
前記複数の臨床パラメータの前記少なくとも１つの前記第１の値として前記参照値を前記訓練データベース内に記憶することと
を含む、請求項１０に記載の方法。
前記複数の変数選択アルゴリズムは、機械学習アルゴリズム、教師付き機械学習アルゴリズム、Ｇｒｏｗ−Ｓｈｒｉｎｋアルゴリズム、ＩｎｃｒｅｍｅｎｔａｌＡｓｓｏｃｉａｔｉｏｎＭａｒｋｏｖＢｌａｎｋｅｔアルゴリズム、またはＳｅｍｉ−ＩｎｔｅｒｌｅａｖｅｄＨｉｔｏｎ−ＰＣアルゴリズム、あるいは後退限のうちの少なくとも１つを含む、請求項１０または１１に記載の方法。
前記分類アルゴリズムは、線形判別分析、分類および回帰ツリー、決定ツリー学習、ランダムフォレストモデル、最近傍、サポートベクターマシン、ロジスティック回帰、一般化線形モデル、ベイジアンモデル、またはニューラルネットワークのうちの少なくとも１つを含む、請求項１０〜１２のいずれか一項に記載の方法。
前記性能メトリックに従って候補分類アルゴリズムを選択することは、
各分類アルゴリズムを用いて決定曲線分析（ＤＣＡ）を実行することであって、前記ＤＣＡは、前記分類アルゴリズムによって生成される肺炎転帰に基づいて処置を提供するという純便益を示す、ことと、
前記処置を提供するという最大純便益を有する前記分類アルゴリズムを前記候補分類アルゴリズムとして選択することと
をさらに含む、請求項１０〜１３のいずれか一項に記載の方法。
前記複数の分類アルゴリズムの性能を相互検証することをさらに含む、請求項１０〜１４のいずれか一項に記載の方法。
前記複数の分類アルゴリズムの各々と関連付けられる前記性能メトリックは、全アウトオブバッグ（ＯＯＢ）誤差推定値、陽性分類ＯＯＢ誤差推定値、陰性分類ＯＯＢ誤差推定値、正確度スコア、またはカッパスコアのうちの少なくとも１つを含む、請求項１０〜１５のいずれか一項に記載の方法。
前記複数の臨床パラメータは、１つまたは複数のバイオマーカ臨床パラメータ、１つまたは複数の血液製剤の投与臨床パラメータ、１つまたは複数の外傷重症度スコア臨床パラメータ、またはこれらの組み合わせを含む、請求項１０〜１６のいずれか一項に記載の方法。
前記バイオマーカ臨床パラメータは、前記対象からのサンプル中の上皮成長因子（ＥＧＦ）のレベル、前記対象からのサンプル中のエオタキシン−１（ＣＣＬ１１）のレベル、前記対象からのサンプル中の塩基性線維芽細胞成長因子（ｂＦＧＦ）のレベル、前記対象からのサンプル中の顆粒球コロニー刺激因子（Ｇ−ＣＳＦ）のレベル、前記対象からのサンプル中の顆粒球マクロファージコロニー刺激因子（ＧＭ−ＣＳＦ）のレベル、前記対象からのサンプル中の肝細胞成長因子（ＨＧＦ）のレベル、前記対象からのサンプル中のインターフェロンアルファ（ＩＦＮ−α）のレベル、前記対象からのサンプル中のインターフェロンガンマ（ＩＦＮ−γ）のレベル、前記対象からのサンプル中のインターロイキン１０（ＩＬ−１０）のレベル、前記対象からのサンプル中のインターロイキン１２（ＩＬ−１２）のレベル、前記対象からのサンプル中のインターロイキン１３（ＩＬ−１３）のレベル、前記対象からのサンプル中のインターロイキン１５（ＩＬ−１５）のレベル、前記対象からのサンプル中のインターロイキン１７（ＩＬ−１７）のレベル、前記対象からのサンプル中のインターロイキン１アルファ（ＩＬ−１α）のレベル、前記対象からのサンプル中のインターロイキン１ベータ（ＩＬ−１β）のレベル、前記対象からのサンプル中のインターロイキン１受容体拮抗薬（ＩＬ−１ＲＡ）のレベル、前記対象からのサンプル中のインターロイキン２（ＩＬ−２）のレベル、前記対象からのサンプル中のインターロイキン２受容体（ＩＬ−２Ｒ）のレベル、前記対象からのサンプル中のインターロイキン３（ＩＬ−３）のレベル、前記対象からのサンプル中のインターロイキン４（ＩＬ−４）のレベル、前記対象からのサンプル中のインターロイキン５（ＩＬ−５）のレベル、前記対象からのサンプル中のインターロイキン６（ＩＬ−６）のレベル、前記対象からのサンプル中のインターロイキン７（ＩＬ−７）のレベル、前記対象からのサンプル中のインターロイキン８（ＩＬ−８）のレベル、前記対象からのサンプル中のインターフェロンガンマ誘導タンパク質１０（ＩＰ−１０）のレベル、前記対象からのサンプル中の単球走化性タンパク質１（ＭＣＰ−１）のレベル、前記対象からのサンプル中のガンマインターフェロンによって誘導されるモノカイン（ＭＩＧ）のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質１アルファ（ＭＩＰ−１α）のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質１ベータ（ＭＩＰ−１β）のレベル、前記対象からのサンプル中のケモカイン（Ｃ−Ｃモチーフ）リガンド５（ＣＣＬ５）のレベル、前記対象からのサンプル中の腫瘍壊死因子アルファ（ＴＮＦα）のレベル、または、前記対象からのサンプル中の血管内皮細胞成長因子（ＶＥＧＦ）のレベルのうちの１つまたは複数を含み、
前記血液製剤の投与臨床パラメータは、前記対象に投与される全血球の量、前記対象に投与される赤血球（ＲＢＣ）の量、前記対象に投与される濃厚赤血球（ｐＲＢＣ）の量、前記対象に投与される血小板の量、前記対象に投与される全ての血液製剤の総和、または、全濃厚ＲＢＣのレベルのうちの１つまたは複数を含み、
前記外傷重症度スコア臨床パラメータは、外傷重症度スコア（ＩＳＳ）、腹部の簡易式外傷指数（ＡＩＳ）、胸部（胸郭）のＡＩＳ、四肢のＡＩＳ、顔面のＡＩＳ、頭部のＡＩＳ、または皮膚のＡＩＳのうちの１つまたは複数を含む、請求項１７に記載の方法。
対象における肺炎転帰を予測するためのモデルを生成するためのシステムであって、
１つまたは複数のプロセッサと、
メモリと、
通信プラットフォームと、
複数の臨床パラメータの第１の値と、複数の第１の対象と関連付けられた肺炎転帰とを記憶するように構成される訓練データベースと、
機械学習エンジンと
を備え、
前記機械学習エンジンは、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択することと、
モデルパラメータの複数のサブセットの１つに対して複数の分類アルゴリズムの各々を実行し、肺炎転帰の予測を生成することと、
前記肺炎転帰の予測に従って、前記複数の分類アルゴリズムの各々と関連付けられた性能メトリックを計算することと、
前記性能メトリックに従って、候補分類アルゴリズムを選択することと、
肺炎転帰を予測するためのモデルを出力することであって、前記モデルは、モデルパラメータの関連付けられたサブセットを伴う前記候補分類アルゴリズムを備える、ことと
を行うように構成される、システム。
対象における肺炎転帰を予測するためのシステムであって、
１つまたは複数のプロセッサと、
メモリと、
通信プラットフォームと、
複数の臨床パラメータの第１の値と、複数の第１の対象と関連付けられた肺炎転帰とを記憶するように構成される訓練データベースと、
対象の肺炎転帰のためのモデルを前訓練するように構成される機械学習エンジンであって、前記モデルは、
前記複数の臨床パラメータの第１の値と、複数の第１の対象と関連付けられた肺炎転帰とを記憶する訓練データベースを生成することと、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択することと、
モデルパラメータの複数のサブセットの１つに対して複数の分類アルゴリズムの各々を実行し、肺炎転帰の予測を生成することと、
前記肺炎転帰の予測に従って、前記複数の分類アルゴリズムの各々と関連付けられた性能メトリックを計算することと、
前記性能メトリックに従って、候補分類アルゴリズムを選択することと、
肺炎転帰を予測するためのモデルを出力することであって、前記モデルは、モデルパラメータの関連付けられたサブセットを伴う前記候補分類アルゴリズムを備える、ことと
を含む動作を実施することによって、前訓練されている、機械学習エンジンと、
予測エンジンであって、前記予測エンジンは、
第２の対象から、複数の臨床パラメータの少なくとも１つの臨床パラメータの第２の値を受信することと、
前記少なくとも１つの臨床パラメータの第２の値を使用して、前記第２の対象の肺炎転帰を予測するために前記前訓練されたモデルを実行することと
を行うように構成される、予測エンジンと、
前記第２の対象の前記予測された肺炎転帰を出力するように構成されるディスプレイデバイスと
を備える、システム。
対象における肺炎転帰を予測するためのモデルを生成するための非一過性コンピュータ可読媒体であって、前記非一過性コンピュータ可読媒体は、その上に記憶された情報を有し、前記情報は、コンピュータによって読み取られると、
複数の臨床パラメータの第１の値と、複数の第１の対象と関連付けられた肺炎転帰とを記憶する訓練データベースを生成する動作と、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択する動作と、
モデルパラメータの複数のサブセットの１つに対して複数の分類アルゴリズムの各々を実行し、肺炎転帰の予測を生成する動作と、
前記肺炎転帰の予測に従って、前記複数の分類アルゴリズムの各々と関連付けられた性能メトリックを計算する動作と、
前記性能メトリックに従って、候補分類アルゴリズムを選択する動作と、
肺炎転帰を予測するためのモデルを出力する動作であって、前記モデルは、モデルパラメータの関連付けられたサブセットを伴う前記候補分類アルゴリズムを備える、動作と
を前記コンピュータに実施させる、非一過性コンピュータ可読媒体。