JP2021026447A - 医用情報処理装置、医用情報処理方法および電子カルテシステム - Google Patents

医用情報処理装置、医用情報処理方法および電子カルテシステム Download PDF

Info

Publication number
JP2021026447A
JP2021026447A JP2019143034A JP2019143034A JP2021026447A JP 2021026447 A JP2021026447 A JP 2021026447A JP 2019143034 A JP2019143034 A JP 2019143034A JP 2019143034 A JP2019143034 A JP 2019143034A JP 2021026447 A JP2021026447 A JP 2021026447A
Authority
JP
Japan
Prior art keywords
period
risk
transition
information processing
disease
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2019143034A
Other languages
English (en)
Other versions
JP2021026447A5 (ja
JP7412104B2 (ja
Inventor
重治 大湯
Shigeharu Oyu
重治 大湯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
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 Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Priority to JP2019143034A priority Critical patent/JP7412104B2/ja
Priority to US16/937,812 priority patent/US11664127B2/en
Publication of JP2021026447A publication Critical patent/JP2021026447A/ja
Publication of JP2021026447A5 publication Critical patent/JP2021026447A5/ja
Application granted granted Critical
Publication of JP7412104B2 publication Critical patent/JP7412104B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/02Reservations, e.g. for tickets, services or events
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/20ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/14Digital output to display device ; Cooperation and interconnection of the display device with other functional units
    • GPHYSICS
    • G09EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09GARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2380/00Specific applications
    • G09G2380/08Biomedical applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

【課題】適切な検査時期を提示できる。【解決手段】本実施形態に係る医用情報処理装置は、予測部と、提示部とを含む。予測部は、被検体情報と疾患の発症リスクの予測モデルとに基づいて、被検体に関する前記疾患の発症リスクの推移を予測する。提示部は、前記発症リスクの推移に基づいて、次の検査または医療行為の実施に適した期間を求め、前記期間より早い第1非推奨期間を提示する。【選択図】図1

Description

本発明の実施形態は、医用情報処理装置、医用情報処理方法および電子カルテシステムに関する。
患者の検査結果と既往歴などのリスク情報とに基づいてモデルを構築し、疾患の生涯リスクを算出するリスク算出の手法がある。このモデルでは、様々なリスクファクターに基づいて、一定期間中または生涯における疾患の発生リスクを予測することができる。
また、骨密度測定装置などの医療用測定装置で得られる測定値とリスクファクターとに基づいて、患者の次回の検査時期を演算して提示する手法もある。しかし、いずれの手法においても、検査の妥当性およびリスクの大きさの時間変動を評価することができない。よって、どのくらいの期間で次回の検査をするのが望ましいかを時間変動を加味して判断することができない。
特開2012−139411号公報 特開2012−143275号公報 特開2012−088986号公報
本発明が解決しようとする課題は、適切な検査時期を提示できることである。
本実施形態に係る医用情報処理装置は、予測部と、提示部とを含む。予測部は、被検体情報と疾患の発症リスクの予測モデルとに基づいて、被検体に関する前記疾患の発症リスクの推移を予測する。提示部は、前記発症リスクの推移に基づいて、次の検査または医療行為の実施に適した期間を求め、前記期間より早い第1非推奨期間を提示する。
図1は、第1の実施形態に係る電子カルテシステムを示す概念図である。 図2は、第1の実施形態に係る電子カルテシステムの推奨期間提示処理を示すフローチャートである。 図3は、第1の実施形態に係る推奨期間の提示例を示す図である。 図4は、第2の実施形態に係る推奨期間の提示例を示す図である。 図5は、第3の実施形態に係る推奨期間の提示例を示す図である 図6は、第4の実施形態に係る推奨期間の提示例を示す図である。 図7は、第5の実施形態に係る推奨期間の提示例を示す図である。 図8は、発症リスクの提示例の変形例を示す図である。 図9は、第6の実施形態に係る検査予約処理の一例を示す図。 図10は、医用情報処理装置を含む医用システムを示すブロック図。
以下、図面を参照しながら本実施形態に係る医用情報処理装置、医用情報処理方法および電子カルテシステムについて説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作をおこなうものとして、重複する説明を適宜省略する。以下、一実施形態について図面を用いて説明する。
(第1の実施形態)
第1の実施形態に係る電子カルテシステムについて図1を参照して説明する。
第1の実施形態に係る電子カルテシステム1は、処理回路10、入出力インタフェース12、ディスプレイ14、メモリ16および通信インタフェース18を含む。
電子カルテシステム1は、電子カルテ(EMR: Electronic Medical Record)を管理するシステムである。電子カルテは、医師が患者毎に作成する診療記簿である。電子カルテに記録される情報には、被検体(例えば、患者)に関する被検体情報、および被検体を診療する際に発生する診療情報が含まれる。診療情報は、例えば被検体毎に管理される。被検体情報には、被検体の人種、性別、年齢層、病歴、被検体が患っている疾患名、併用している薬、および禁忌・アレルギー情報などが含まれる。診療情報には、被検体毎の体温、脈拍数、血圧、および呼吸数などのバイタルサインを表す値が含まれる。
入出力インタフェース12は、医師、看護師、および薬剤師などの医療従事者が診療の経過を確認および入力などするための装置である。入出力インタフェース12は、例えば、マウス、キーボード、および操作面へ触れることで指示が入力されるタッチパネルなどにより実現される。また、入出力インタフェース12の出力先は、例えば、ディスプレイ14、印刷機器である。印刷機器は、例えば、プリンタであり、印刷対象である画像データを所定用紙に印刷する。なお、入出力インタフェース12の出力先は、表示機器、および印刷機器等の物理的な出力部品を備えるものだけに限らず、例えば、入出力インタフェース12とは別体に設けられた外部の出力機器へ画像データを送信するための回路であってもよい。
ディスプレイ14は、例えば、CRTディスプレイ、液晶ディスプレイ、有機ELディスプレイ、LEDディスプレイ、プラズマディスプレイ、及び当技術分野で知られている他の任意のディスプレイが適宜利用可能である。ディスプレイ14は、処理回路10から表示用画像データを受け取り、例えば図3以降に示すような表示形式でデータを表示する。
メモリ16は、種々の情報を記憶するHDD(Hard Disk Drive)やSSD(Solid State Drive)、集積回路記憶装置等の記憶装置である。メモリ16は、HDDやSSD等以外にも、CD(Compact Disc)、DVD(Digital Versatile Disc)、フラッシュメモリ等の可搬性記憶媒体や、RAM(Random Access Memory)等の半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。また、メモリ16の記憶領域は、電子カルテシステム1内にあってもよいし、ネットワークで接続された外部記憶装置内にあってもよい。メモリ16は、例えば、後述するリスクデータ、検査結果データ、予測モデル及び予測モデルに関するデータを記憶してもよい。
通信インタフェース18は、病院内ネットワークを介して他装置と通信する。例えば、画像サーバから画像データを取得し、画像データがディスプレイ14に表示される。
処理回路10は、取得機能101と、予測機能103と、提示機能105とを含む。
取得機能101は、通信インタフェース18を介して、リスクデータおよび検査結果データを取得する。なお、リスクデータおよび検査結果データをまとめて被検体情報とも呼ぶ。
予測機能103は、被検体情報と疾患の発症リスクの予測モデルとに基づいて、被検体に関する疾患の発症リスクの推移を予測する。
提示機能105は、発症リスクの推移に基づいて、次の検査または医療行為の実施の推奨期間を提示する。また、提示機能105は、次の検査または医療行為の実施に適した期間を求め、当該期間より早い期間(第1非推奨期間ともいう)または時点を提示する。提示機能105は、次の検査または医療行為を実施するには遅すぎると想定される期間(第2非推奨期間ともいう)または時点を提示する。
次に、第1の実施形態に係る電子カルテシステム1の推奨期間提示処理について図2のフローチャートを参照して説明する。第1の実施形態では、電子カルテシステム1上で、カルテ閲覧者(医師などの医療従事者、以下単にユーザともいう)から推奨期間の提示指示があった場合に、推奨期間提示処理が実行され、推奨期間をユーザに提示する場合を想定する。なお、医療従事者に推奨期間を提示することに限らず、被検体に推奨期間を提示してもよい。
ステップS201では、取得機能101により処理回路10が、リスクデータを取得する。リスクデータは、特定の症例が発症する可能性を示すデータである。リスクデータとしては、例えば、症例を肺がんとした場合、肺がんの既往歴の有無、喫煙開始年齢、喫煙年数、一日当たりの喫煙本数、アスベスト環境の有無等が挙げられる。また、人種、性別、年齢をといったリスクファクターもリスクデータとして管理されてもよい。
リスクデータは、例えば、リスクデータを記憶する外部装置から通信インタフェース18を介して取得されてもよいし、リスクデータが電子カルテシステム1のメモリ16に記憶される場合、メモリ16から取得されてもよい。
なお、リスクデータは、被検体ごとのリスクファクターを入力および変更する入力部を介して、操作者により編集されてもよい。編集されたリスクデータは、被検体IDとともに例えばメモリ16に記憶されてもよいし、被検体IDと共に通信インタフェース18を介して取得されてもよい。
ステップS202では、取得機能101により処理回路10が、通信インタフェース18を介して外部から検査結果データを取得する。検査結果データがメモリ16に記憶されている場合は、取得機能101により処理回路10が、メモリ16から検査結果データを取得する。検査結果データは、超音波検査、CT(Computed Tomography)検査、MRI(Magnetic Resonance Imaging)検査など、医用画像診断装置を用いて実施された検査から得られる画像データに対し、疾患検出処理または判定処理を実施することで生成される。検査結果データは、具体的に、疾患検出処理または判定処理による検査陽性か検査悪性かのクラス分類を含む。検査結果データは、検査種別、被検体IDおよび検査日に関する情報を含み、メモリ16に記憶される。なお、クラス分類は、陽性か悪性かの2種類でもよいし、さらに複数種類に分類してもよい。また、例えば6クラスに分類し、クラス「0,1,2,3」を陰性、クラス「4,5」を悪性と判定してもよい。
検査データには、公知の画像解析処理を経た判定結果と相関のある複数の数値情報が含まれてもよい。画像解析処理の一例は動態解析モデルであり、Ktrans、Vp、Veなどと呼ばれる組織灌流に関する複数の量がマップとして算出され、対象組織のセグメンテーション領域、あるいはセグメンテーション領域の疾患候補領域内の平均値、標準偏差などの統計量が算出される。算出された統計量が、検査種別、被検体IDと検査日のデータとともに検査結果DBに記憶される。
なお、クラス分類は、疾患検出処理または判定処理によって算出されることに限らず、画像読影の専門家が良性または悪性の2クラス分類、あるいは0から5までの6クラス分類を行い、分類が行われた結果を検査結果データとしてメモリ16に記憶されてもよい。
また、血液検査など最初から数値情報として得られている検査データが、検査結果データとしてメモリ16に記憶されてもよい。または、数値情報を例えば2値化情報となるように閾値処理した値が、検査結果データとしてメモリ16に記憶されてもよい。
ステップS203では、予測機能103により処理回路10が、リスクデータと検査結果データとから、予測モデルを用いて検査時点でのリスク予測値および将来の各時点でのリスク予測値を算出するリスク予測処理を実行する。検査時点および将来の各時点でのリスク予測値は、言い換えれば、将来のある時点で組織検査が陽性となる可能性がどの程度あるかを示す発症リスクである。「発症」とは、該当検査または該当検査よりも確度が高いと考えられる検査(例えば、組織検査)での検査で疾患が観測され悪性と診断されることと定義する。なお、観測の可否にかかわらず悪性疾患が新規に出現することを示しているわけではない。
リスク予測処理は、例えば、電子カルテの閲覧用画面において表示される検査結果の項目において、ユーザが「リスク予測処理に関する項目」を選択したことをトリガとして、実行されればよい。
予測モデルは、ここでは検査時点と将来の各時点とにおける計数値である。予測モデルは、電子カルテシステム1と接続される外部装置に記憶されていてもよいし、メモリ16に記憶してもよい。予測モデルは、必ずしも独立したテーブルで記憶される必要はなく、プログラム形式で、コンピュータプログラムとして直接記述されていてもよい。
ここで、予測機能103によるリスク予測処理の一例について具体的に説明する。
リスク予測処理で算出されるリスク予測値は、検査時点での実際の疾患の有無の確率である。実際の疾患が陽性となる場合であっても、検査によって陰性と判定される場合と、陽性と判定される場合との両方があり得る。例えば実際の疾患が陽性となる確率は、検査結果によって陰性と判定されたものの、検査結果が誤りで実際は陽性である確率と、検査結果によって陽性と判定され、その検査結果が正しく実際も陽性である確率の合算となる。
検査時点でのリスク予測処理は、例えば表1の2×2の分割表の一例を用いて算出すればよい。
表1のa,b,cおよびd(説明の便宜上、「(0)」を省略する)は、過去の検査データから得られた被検体数である。表1の各行の項目である「検査陽性」と「検査陰性」とは、リスク予測処理を行う対象検査における検査結果である。各列の項目である「疾患あり」と「疾患なし」とは、組織検査など、対象検査よりも確度が高いと考えられる検査結果である。
a,b,cおよびdの各値は、実際の検査データに基づいて計数すれば、該当人数に対応するため、ゼロ以上の整数である。一方、リスクデータからGailモデルのような統計モデルを用いて推定すれば、a,b,cおよびdの各値は、整数に限らずゼロ以上の実数である。
発症リスクにおける検査時点でのリスク予測では、検査実施日に近い日付の診断データから作成した表1のような2×2分割表のa(0),b(0),c(0),d(0)を用いればよい。また、発症リスクにおける将来のリスク予測では、xの具体的な値として、例えばx=1,x=2,x=3,・・・,x24=24と設定し、1ヶ月後から24ヶ月後までの24の時点とする。
「(0)」は、検査実施日から診断日までの月数をxヶ月(xは正数)としたとき、x=0とみなせるデータを示す。ここで「診断」とは、実施した検査よりも確度が高いと考えられる検査での検査結果を示す。診断データは、例えば、組織検査の結果である。なお、組織検査は常に実施されるわけではないため、陰性の診断データは組織検査の結果の代わりに、対象としている検査を含む他の検査結果、または複数回の検査結果を診断データとみなしてもよい。
例えば、MRI画像から異常が全く見つけられないときは、当該MRI検査の時点で「疾患なし」と判定してもよい。または、2、3回のCT検査で大きな変化が見られないか改善方向の変化しか見られない場合は、「疾患なし」と判定してもよい。
表1の分割表に基づき、検査結果が陰性であった時は、実際には陽性である確率は1−NPVで算出される。ここで「NPV」は、陰性的中率(Negative Predictive Value)である。よって、検査陰性時のリスク予測値は、リスク予測値=予測陽性率(1−NPV)=c/r2から算出できる。
一方、検査結果データにより陽性であった時は、実際に陽性である確率はPPVで算出される。ここで「PPV」は、陽性的中率(Positive Predictive Value)である。よって、検査陽性時のリスク予測値は、リスク予測値=予測陽性率(PPV)=a/r1から算出される。
なお、本実施形態では、「1−NPV」と「PPV」との双方を予測陽性率と呼ぶ。また、以降の実施形態では、検査が陰性であった場合を想定して説明する。つまり、予測陽性率としては、「1−NPV」の式を用いる。なお、以降の実施形態でも、検査が陽性であった場合は、予測陽性率を「PPV」に置き換えて計算すればよい。
ステップS204では、予測機能103により処理回路10が、発症リスクとして、予測陽性率の期待値と予測陽性率の信頼区間とを算出する。信頼区間は予測陽性率に対する統計学的な信頼区間を示す。信頼区間の算出方法の一例として、cが正規分布であると仮定して算出する方法がある。
標本数をn=r2=c+d、成功率をp=c/r2と仮定すると、nが大きければ予測陽性率の分布は期待値がnp=c、分散がσ=p(1−p)/n=(c/r2)(1−c/r2)r2の正規分布で近似される。従って、予測陽性率の95%信頼区間は、p±1.96σと計算できる。
つまり、予測陽性率の期待値は式(1)で、予測陽性率の信頼区間の下限値は式(2)で、および予測陽性率の信頼区間の上限値は式(3)でそれぞれ表すことができる。
信頼区間の算出方法の別例として、二項分布を用いて算出する方法を示す。
予測陽性率の信頼区間の二項分布を用いた算出方法には、不完全ベータ関数とその逆関数の計算とが用いられる。不完全ベータ関数とその逆関数の計算とは、一般的な計算手法を用いればよいためここでの説明は省略する。
二項分布を用いた場合の予測陽性率の期待値は式(4)で、予測陽性率の信頼区間の下限値は式(5)で、および予測陽性率の信頼区間の上限値は式(6)でそれぞれ表すことができる。
TNは、表1におけるtrue negativeの数dであり、nFNは、表1におけるfalse negativeの数cである。また、F1−α(υ,υ)は、危険率αの上側F値、つまり、両側検定の95%信頼区間の場合α=0.05/2である。
なお、過去の検査データを多数収集しても、検査実施日からxヶ月経過後の検査データが揃うとは限らないため、a(x),b(x),c(x)およびd(x)について、関数c(x)=f(x,i,θ)のモデルを適用する。ここで、上付き矢印はベクトルを表す。iは、関数を表すパラメータである。パラメータiは、予測モデルデータから読み込むことで、予め算出された値を決定でき、経過月数xの計算に用いることができる。θはベクトルを表し、リスクファクターの値を示す。
f(x,i,θ)の単純な形式としては、線形関数f(x,i,θ)=(x,θ、1)i→T(Tは転置)であるが、Gailモデルと同様の統計モデルで構成するのが妥当である。
f(x,i,θ)は、xだけでなく他のリスクファクターにも依存する値である。上述のように算出したc(x)の式にxを代入することでcの値を算出でき、式(1)から式(6)のように、予測陽性率と信頼区間とが算出できる。
予測機能により処理回路10は、a(x),b(x),c(x)およびd(x)について、24個の時点で求められた後、次のそれぞれのxにおいて予測陽性率と信頼区間とを算出する。つまり、24時点の予測陽性率の期待値をPex(x)〜Pex(x24)でそれぞれ算出する。同様に、24時点の予測陽性率の信頼区間の上限値をPupper(x)〜Pupper(x24)、24時点の予測陽性率の信頼区間の下限値をPlower(x)〜Plower(x24)をそれぞれ算出する。
ステップS205では、予測機能103により処理回路10が、次回検査までの推奨期間および非推奨期間を決定する。推奨期間を決定する基準値は、リスク予測値の標準値と基準上限値である。具体的には、例えば、リスク予測値の基準上限値は「0.1」、標準値は「0.05」と設定すればよい。なお、基準上限値および標準値は、予め定められた値に限らず、画面上で変更可能とされてもよい。
例えば、次回検査の推奨期間は、予測陽性率の信頼区間上限値とリスク予測値の標準値とが一致する時点よりも前の期間を推奨期間とすればよい。一方、次回検査の非推奨期間は、予測陽性率の信頼区間上限値とリスク予測値の標準値とが一致する時点以降の期間を推奨期間とすればよい。
なお、本実施形態では次回検査に関する推奨期間および非推奨期間を例に説明するが、検査に限らず、手術、治療などといった医療行為でもよい。つまり、推奨期間は、次回の医療行為の推奨期間であってもよい。
ステップS206では、提示機能105により処理回路10が、リスク予測の推移と、次回の検査までの推奨期間とを少なくとも含むグラフを表示する。以上で推奨期間提示処理を終了する。
次に、第1の実施形態に係る推奨期間の表示例について図3を参照して説明する。
図3は、検査日から次回検査までの推奨期間および上限推奨期間を示すグラフである。上限推奨期間は、推奨期間を経過し、次回検査をこれ以上延期すると疾患が進行するリスクが増加する、推奨期間の最大限の期間である。図3のグラフの縦軸は、リスク予測値を示し、横軸は、検査日からの経過期間を示す。なお、グラフの縦軸および横軸の双方の値は、入れ替えて表示してもよい。つまり、縦軸を検査日からの経過期間とし、横軸をリスク予測値としてもよい。リスク基準の基準上限値301は、リスク予測値の「0.10」と設定し、リスク基準の標準値302は、リスク予測値の「0.05」とする。
太線で示されるグラフは、予測陽性率の期待値303を示す。期待値303よりも上方にある細線で示されるグラフは、予測陽性率の信頼区間の上限値304を示し、期待値303よりも下方にある細線で示されるグラフは、予測陽性率の信頼区間の下限値305を示す。期待値303、上限値304および下限値305をまとめて発症リスクのグラフとも呼ぶ。なお、少なくとも発症リスクの上限を考慮していればよいと考えられるため、少なくとも上限値304を表示していればよく、予測陽性率の期待値のグラフおよび信頼区間の下限値のグラフは表示されなくともよい。
次回検査の推奨期間の設定方法としては、例えば、次回検査の推奨期間306を予測陽性率の信頼区間の上限値304により決定する場合、推奨期間306として、検査日に該当する日から信頼区間の上限値304とリスク基準の標準値302との交点Pupper(x)の時点までの期間が設定される。ここで、xは、上限値304がリスク基準の標準値302と一致するときの月数である。上限推奨期間307として、検査日に該当する日から、信頼区間の上限値304とリスク基準の基準上限値301との交点Pupper(x)の時点までの期間が設定される。ここで、xは、上限値304がリスク基準の基準上限値301と一致するときの月数である。
一方、次回検査の推奨期間を予測陽性率の期待値303により決定する場合、推奨期間306として、検査日に該当する日から予測陽性率の期待値303とリスク基準の標準値302との交点Pupper(x)の時点までの期間が設定される。ここで、xは、期待値303がリスク基準の標準値302と一致するときの月数である。また、上限推奨期間xとしては、検査日に該当する日から予測陽性率の期待値303とリスク基準の基準上限値301との交点Pupper(x)の時点までの期間が設定される。ここで、xは、期待値303がリスク基準の基準上限値301と一致するときの月数である。
図3の例では、信頼区間の上限値304とリスク基準の標準値302との交点に基づく推奨期間306は、「2.5ヶ月」であり、信頼区間の上限値304とリスク基準の基準上限値301との交点である上限推奨期間307は、「6ヶ月」である。なお、検査日における予測陽性率の期待値303、信頼区間の上限値304、推奨期間306および上限推奨期間307をグラフの上部に数値で表示してもよい。
また、図3のグラフにおいて推奨期間306および上限推奨期間307が表示されることで、上限推奨期間307以降の期間は、推奨期間とは反対に検査するには遅すぎる非推奨期間であるとして提示していることにもなる。よって、ユーザは、推奨期間および非推奨期間の両方を認識できる。なお、提示機能105により処理回路10は、推奨期間および非推奨期間の一方を強調表示してもよい。
第1の実施形態では、2×2の分類表に基づいてリスク予測値を生成する例を示すが、2クラス以上で分類した場合、例えば6クラスに分類した場合でも同様に、予測陽性率と信頼区間とを算出することができる。具体的には、6×6の分類表に基づいて、2×2の分類表と同様に予測陽性率と信頼区間とを算出すればよい。
より一般化した例で説明する。検査結果をLクラス(Lは3以上の正数)に分類して表す場合、分割表はL行2列で構成される。L行は、検査結果をLクラスに分類した項目が配置され、2列は、疾患の有無で項目が配置される。
分割表のv行j列の要素をfvj(x,a vj,θ)で表す。従って、予測モデルのデータはa vjのみである。検査結果をLクラスで表す場合、予測モデルデータa vjの決定方法としては、関数fvj(x,a vj,θ)が、過去のk個の検査データ、診断データ、リスクデータから求められる確率分布に近似するように、a vjを調節する関数フィッティングを行えばよい。関数フィッティングは、公知の様々な手法で実装できる。例えば、回帰分析、線形最適化アルゴリズム、非線形最適化アルゴリズム、人工ニューラルネットワーク、ランダムツリー、サポートベクターマシンなど一般的に用いられる手法を適用して、関数フィッティングを行うことで予測モデルのデータが決定されればよい。
また、検査結果が2値化や多値化された分類ではなく複数の実数値である場合も、良性群および悪性群の分布をモデルで表現することにより、予測陽性率と信頼区間とを算出できる。例えば、陰性群の分布および陽性群の分布を正規分布モデルで表現する場合は、良性群の平均値、標準偏差、検査数、悪性群の平均値、標準偏差、検査数を予測モデルとリスクデータとから算出し、正規分布の密度関数の式を陰性群と陽性群とでそれぞれ算出する。算出した密度関数の式に検査結果データから得られた複数の実数値(ベクトル)を代入して、そのベクトル近傍の良性群と悪性群との分布の確率密度を積分し、その結果に悪性、良性それぞれの検査数を乗じる。この結果から、a(x),b(x),c(x),d(x)を求め、予測陽性率と信頼区間とを求めることができる。
具体的には、検査結果をM個(Mは正数)の実数値で表す場合、例として、陰性群と陽性群の検査結果の分布をM次元正規分布で表す場合について説明する。なお、正規分布に限らず、Gaussian mixture modelなど、より複雑な分布を用いる場合は、分布のパラメータが異なるが、同様の手順で予測陽性率と信頼区間とを求めることができる。
陰性群のM次元確率密度関数をf(v;x,a ,θ,f ,R)、陽性群のM次元確率密度関数をf(v;x,a ,θ,f ,R)と表す。
ここで、検査結果の分布は、正規分布を想定しているため、f は、陰性群の検査データの平均値を示し、Rは、陰性群の検査データの共分散行列を示す。また、f は、陽性群の検査データの平均値を示し、Rは、陽性群の検査データの共分散行列を示す。a およびa は、関数形を決めるためのパラメータである。もっとも単純な形として平均と共分散行列とは時間xに依存しない場合を想定するが、依存させてもよい。検査結果をLクラスで表す場合の、L行2列の分割表fvj(x,a vj,θ)に相当するのは、f(v;x,a ,θ,f ,R)およびf(v;x,a ,θ,f ,R)である。
従って、予測モデルとしては、f ,R,f ,R,a およびa に関するデータを用いればよい。
また、検査結果をM個の実数値で表す場合、予測モデルのデータf ,R,f ,R,a およびa の決定方法としては、関数f(v;x,a ,θ,f ,R)およびf(v;x,a ,θ,f ,R)を、過去のK個の検査データ、診断データ、リスクデータから求められる確率分布に近似するように、f ,R,f ,R,a およびaを調節する関数フィッティングを行えばよい。
以上に示した第1の実施形態によれば、癌のハイリスク患者のスクリーニングなどのため同じ検査を繰り返し実施する場合を想定し、患者のリスクファクターと検査結果から今回の検査(直近の検査)に基づいてリスク予測を行い、次回検査の推奨期間と上限推奨期間および非推奨期間を提示する。仮に上限推奨期間を超えて非推奨期間で検査をした場合、発症リスクがリスク基準の上限値を上回り、疾患が発生してから検査で発見される間隔が長くなってしまい、早期発見および早期治療のチャンスを逸する可能性が生じる。また、推奨期間の上限値とリスク予測値とが1つのグラフに表示されるため、発症リスクと検査間隔の関係とが容易に把握でき、次回の検査として適切な検査間隔または検査期間を提示することができ、結果として適切な推奨検査時期を提示できる。
(第2の実施形態)
第2の実施形態では、発症リスクの予測値を提示することに加えて、進行リスクの予測値を時系列で算出する。本実施形態に係る進行リスクとは、今回の検査で悪性と診断され、かつ治療成績に悪影響を及ぼすほど進行する、疾患の進行度に関するリスクである。例えば、腫瘍が悪性と診断され、腫瘍のサイズが20mm以上に成長した段階に至るリスクが用いられる。進行リスクの算出は、発症リスクと同様の手法で算出すればよい。
なお、進行リスクの場合は、通常の発症リスクに関する予測陽性率に代わり、どのような進行状態にあるかに基づく進行状態予測陽性率が算出される。また、進行リスクに関する予測モデルは、発症リスクと同様の形式で予め用意されているものとする。
予測機能103により処理回路10は、進行リスクに関する予測モデルに基づき、進行状態予測陽性率の期待値をQex(x)〜Qex(x24)でそれぞれ算出する。同様に、現時点と24時点との進行状態予測陽性率の信頼区間上限値をQupper(x)〜Qupper(x24)、現時点と24時点との進行状態予測陽性率の信頼区間下限値をQlower(x)〜Qlower(x24)でそれぞれ算出する。
なお、進行リスクに関する予測モデルデータは、例えば腫瘍のサイズが20mmを超えない時点の検査データと、腫瘍のサイズが20mmを超えた時点の検査データといった、20mmを基準として前後の検査データが存在すれば、より安定な予測モデルを生成できる。しかし、多数の医用データを収集してもこのような20mmの前後の検査データを収集できるとは限らないため、外挿および内挿を用いて20mmをまたぐ2つの検査データを生成してもよい。
次に、第2の実施形態に係る推奨期間の提示例について図4を参照して説明する。
図4は、図3と同様に、検査日から次回検査までの推奨期間および上限推奨期間を示すグラフである。
算出した進行リスクを示す進行状態予測陽性率の期待値401、信頼区間の上限値402および下限値403は、発症リスクを示す予測陽性率の期待値303、信頼区間の上限値304および下限値305と同様に時系列データとしてグラフに表示する。
図4の例において、推奨期間を予測陽性率および進行状態予測陽性率の信頼区間の上限値により決定する場合を想定する。進行リスクに基づく上限推奨期間404は、検査日に該当する日からリスク基準の標準値302と進行状態予測陽性率の信頼区間の上限値402との交点の時点までの期間であり、図4の例では「2.5ヶ月」である。一方、発症リスクに基づく上限推奨期間は、検査日に該当する日からリスク基準の標準値302と予測陽性率の信頼区間の上限値304との交点の時点までの期間であり、図4の例では「4.1ヶ月」である。
なお、推奨間隔を予測陽性率の期待値により決定する場合は、予測陽性率(又は進行状態予測陽性率)の期待値とリスク基準の標準値との交点により決定すればよい。
また、提示機能105により処理回路10は、診断結果として腫瘍が良性であるなどが得られたときは、進行リスクのグラフを消してもよい。
以上に示した第2の実施形態によれば、疾患の進行状態の予測モデルにより次回検査または次回医療行為の推奨期間を設定する。これにより、例えば、何かしらの腫瘍が発症している患者に、良性か悪性かは不明であるが、万が一、腫瘍が進行する可能性を想定すると、いつまでに再検査すればよいかを容易に判断及び提示することができる。つまり、発症リスクおよび進行リスクのうちのリスク予測値が早く基準値を上回る状態を考慮して推奨期間を設定できるため、結果として適切な推奨検査時期を提示できる。
(第3の実施形態)
第3の実施形態では、増悪などの判定基準により、例えば今回の検査から時間が経過しても腫瘍の増大が見られない場合、早急に検査をしても病変を観測できないと考えられる。よって、検査するにはまだ早い期間である非推奨期間を提示することで、無駄な検査を回避させることができる。
予測機能103により処理回路10が、今回の検査に該当する日から、今回の検査に基づくリスク予測値から所定値以上の値の増加となる発症リスク(期待値の推移または信頼区間の上限値の推移)に対応する時点を非推奨期間と設定する。
また別の方法として、予測機能103により処理回路10が、今回の検査に該当する日からの疾患の増悪の増加幅が閾値と一致する時点までの期間を非推奨期間と設定する。
次に、第3の実施形態に係る推奨期間および非推奨期間の提示例について図5を参照して説明する。
図5のグラフに、非推奨期間を決定する閾値として、増悪基準幅501を提示する。増悪基準幅501は、今回の検査に基づく予測陽性率の期待値303から所定値の増加量を示す。増悪基準幅501を超えて予測陽性率の期待値が増加していれば、疾患に増悪ありと判断できる。図5の例では、検査日に該当する日から増悪基準幅501と予測陽性率の期待値303との交点に対応する時点を提示し、検査日に該当する日から当該時点までの期間を非推奨期間502として提示する。
つまり、非推奨期間502よりも前の期間で検査をしても、増加量が増悪基準幅501よりも小さいため、再度検査しても疾患(腫瘍)の変化を検出できない可能性がある。よって、ユーザは、非推奨期間502では検査しないほうが望ましいという目安を簡単に把握できる。
また、上限推奨期間307は、第1の実施形態と同様の方法で算出すればよい。これにより、非推奨期間502と上限推奨期間307とで挟まれる期間が、推奨期間503となる。
なお、予測機能103により処理回路10は、検査日に該当する日からリスク基準の標準値302と期待値303との差分504が所定値となる時点までの期間を非推奨期間502として算出してもよい。
また、より慎重な判断として、ワーストケースを想定する場合は、リスク基準の標準値302と予測陽性率の信頼区間の上限値304との差分が所定値となる時点までの期間を非推奨期間502として算出してもよい。
以上に示した第3の実施形態によれば、検査するには未だ早い期間である非推奨期間を算出することで、不要な検査を回避できる。これは、今回の検査から間もない期間である下限推奨期間よりも前の期間では、リスク予測値から見て疾患が進行していないと想定されるので、下限推奨期間よりも前に検査をしても不要な検査となりえるからである。よって、このような不要な検査を回避できるので、患者及び病院の双方においてメリットがある。
(第4の実施形態)
X線CT撮影など被ばくを伴う検査の場合、短い間隔で検査を複数回行うと、被ばくによる別の疾患を発症するリスクである追加疾患リスクが増大する。よって、上述した実施形態における推奨期間の提示に加えて、追加疾患リスクを併せて提示するようにしてもよい。これにより、追加疾患リスクに基づく非推奨期間および追加疾患リスクを考慮した推奨期間を提示することができる。
被ばくによる時間経過に伴う追加の疾患リスクの予測モデルは、例えば、予測機能103により処理回路10が、統計的データに基づいて一般的に算出される方法により算出すればよい。また、処理回路が、外部から予め算出される追加の疾患リスクの予測モデルを取得してもよい。
第4の実施形態に係る推奨期間の提示例について図6を参照して説明する。
図6は、図3に示すグラフに時系列に沿った追加疾患リスクの推移グラフ601を表示したグラフである。
検査日に該当する日から追加疾患リスクの推移グラフ601とリスク基準の基準上限値301との交点の時点までの期間を非推奨期間602として提示する。なお、推移グラフ601とリスク基準の標準値302との交点の時点を用いて非推奨期間602を提示してもよい。これにより、非推奨期間602と上限推奨期間307とで挟まれる推奨期間603を提示でき、ユーザが容易に推奨期間603を把握できる。
なお、追加疾患リスクの推移グラフ601と予測陽性率の期待値303とを合算し、病変の疾患リスクの合計値を表示してもよい。または、日付ごとに追加疾患リスクの推移グラフ601と予測陽性率の期待値303との間でリスク予測値が大きい方が採用されたグラフを生成してもよい。具体的には、図6の例における合計値のグラフは、検査日から交点604までの期間は追加疾患リスクの推移グラフ601であり、交点604以降は予測陽性率の期待値303となる。
以上に示した第4の実施形態によれば、検査による被ばくなど、検査を実施することによって生じる追加疾患リスクに基づいて、次回検査の推奨期間および非推奨期間を提示することができ、結果として適切な推奨検査時期を提示できる。
(第5の実施形態)
第5の実施形態では、複数の疾患に関してそれぞれの予測モデルに基づいて発症リスクをそれぞれ算出し、まとめて表示させる。
第5の実施形態に係る推奨期間の提示例について図7を参照して説明する。
図7は、複数の疾患ついてのそれぞれの発症リスクの推移グラフ(予測陽性率の期待値および信頼区間)が表示される。推移グラフの例として、肺がんの予測陽性率の期待値701と、肺気腫の予測陽性率の期待値702とを表示させる。
ここで、提示機能105により処理回路10は、肺がんの予測モデルに基づく推奨期間と、肺気腫の予測モデルに基づく推奨期間との重複領域を、総合推奨期間として提示してもよい。総合推奨期間を提示することで、複数の疾患を想定した場合での次回検査の推奨期間を提示できる。
処理回路10は、総合推奨期間の下限は、複数の非推奨期間のうちの最も遅い期間を採用し、総合推奨期間の上限は、複数の上限推奨期間のうちの最も早い期間を採用すればよい。図7では、総合推奨期間703として、下限は、遅い方の期間である肺気腫の予測モデルに基づく下限推奨期間が採用され、上限は、早いほうの期間である肺がんの予測モデルに基づく上限推奨期間が採用される。
なお、複数の疾患に基づくそれぞれの予測モデルではなく、ガンの転移パターンごとの予測モデルを提示してもよい。例えば、肺がんからリンパ節に転移した場合、どのような推奨器官になるかを提示してもよい。推奨期間および重複領域などの算出方法は、複数の疾患に基づいて求める場合と同様である。
また、疾患ごとの予測モデルそれぞれについて、疾患を検査するための検査種類を紐付けて保存しておいてもよい。推奨期間を提示する場合、予測モデルに紐付けられた検査種類を表示してもよい。
また、1つの予測モデルにおいて、治療した場合にどのような発症リスクとなるかを枝分かれさせて表示させてもよい。つまり、将来のある時点で治療等を行った場合、発症リスクが変化すると考えられるからである。
将来のある時点で発症リスクのグラフを枝分かれさせて提示させる一例について図8に示す。
発症リスクのグラフを枝分かれさせる基準としては、分岐点となる将来の時点で行った検査により疾患の種類が確定したことを基準とする場合、分岐点となる将来の時点で病変の種類が変化したことを基準とする場合、または分岐点となる将来のある時点で治療を開始したことを基準とする場合などが挙げられる。
図8の例は、分岐点Aから治療を開始したと想定した場合である。提示機能105により処理回路10が、予測陽性率の期待値801および信頼区間の上限値802よび下限値803を、分岐点Aを起点として元のグラフから枝分かれさせて提示する。
以上に示した第5の実施形態によれば、複数の疾患に関してそれぞれの予測モデルに基づいて発症リスクをそれぞれ算出し、まとめて表示させることで、ユーザが所望する情報を一元的に提示することができる。
(第6の実施形態)
第6の実施形態では、推奨期間をマウスでクリックまたはタッチディスプレイであれば推奨期間が表示される領域をタッチすると、検査予約システムに接続し、検査予約画面を表示する。検査予約画面を参照して空き日および開き時間帯を検索し、かつ検査予約できるようにする。これにより、ワークフローを改善することができる。
第6の実施形態にかかる検査予約処理の一例について図9を参照して説明する。
図9は、推奨期間が表示された提示例を示す。ここで、マウスカーソル901を推奨期間上に置き、クリック(またはダブルクリック)すると、例えば、提示機能105により処理回路10が、検査予約システムに接続し、検査予約ウィンドウ902(予約画面とも言う)を取得して画面に表示させる。
検査予約ウィンドウ902は、例えば、各医用画像診断装置の検査タブが表示され、検査タブごとに検査スケジュールおよび予約一覧が表示される。具体的に図9の例では、CT検査タブ、MR検査タブが表示され、どの時間帯にどの検査室にどの患者の検査予約が入っているかを一見して把握できるタイムスケジュールが表示される。なお、検査予約ウィンドウ902は、発症リスクなどのグラフ表示の上に重ねて表示してもよいし、グラフと並列表示してもよい。また、別のディスプレイに表示させるようにしてもよい。
医師などの電子カルテシステムのユーザは、推奨期間において被検体の検査を予約する場合は、検査予約ウィンドウ902上の空き時間帯をクリックまたはドラッグする。処理回路10は、クリックまたはドラッグされた部分に対応する時間帯と電子カルテ上で推奨期間の予測処理を実行している被検体の患者情報とを検査予約システムに送信することで予約を受付、被検体の検査予約を完了することができる。
以上に示した第6の実施形態によれば、推奨期間をマウスでクリックまたはタッチディスプレイであれば推奨期間が表示される領域をタッチすると、検査予約システムに接続して、検査予約ウィンドウを表示できる。これによって、ユーザは推奨期間を見ながら簡単に検査予約を行うことができる。
(第7の実施形態)
第1の実施形態から第6の実施形態までは、電子カルテ上でリスク予測処理を実行する例を想定して説明したが、リスク予測処理を実行する医用情報処理装置を電子カルテとは別体とし、電子カルテの動作と医用情報処理装置によるリスク予測処理とを並行して実行させてもよい。または、医用情報処理装置単体で実行させてもよい。
第7の実施形態に係る医用情報処理装置を含む医用システムについて、図10のブロック図を参照して説明する。
医用システムは、電子カルテシステム70、医用情報処理装置72および画像サーバ74を含む。
電子カルテシステム70は、例えば、陽性および陰性の別、検査結果の数値などを表示する。
医用情報処理装置72は、第1の実施形態に示した処理回路と同様の構成である。
画像サーバ74は、PACS(Picture Archiving and Communication System)サーバであり、被検体の検査画像などを格納する。
医用情報処理装置72は、第1の実施形態から第6の実施形態に示すような推奨期間および非推奨期間に関する推奨期間提示処理を行い、電子カルテシステム70で表示できるように各種データを送信する。なお、推奨期間提示処理は、ユーザが電子カルテシステム70上から医用情報処理装置72に指示を送信することで実行されてもよいし、ユーザが医用情報処理装置72を操作して、医用情報処理装置72に推奨期間提示処理の実行指示を与えてもよい。
以上に示した第7の実施形態によれば、電子カルテシステムに推奨期間提示処理を実行する処理回路が組み込まれる場合に限らず、第1の実施形態から第6の実施形態までと同様に、推奨期間提示処理を実行することができる。また、医用情報処理装置と電子カルテシステムとを別体として、並列で動作させることができる。また、医用情報処理装置単独で推奨期間提示処理を実行してもよい。
なお、上述の第1の実施形態から第7の実施形態では、推奨期間をグラフ表示する例を示すが、グラフの代わりに推奨期間を数値表示してもよいし、グラフ表示と数値表示とを併用してもよい。また、推奨期間及び非推奨期間に関するデータを電子カルテシステム1,70および医用システムの外部の端末に送信するようにしてもよい。
以上に示した第1の実施形態から第7の実施形態によれば、適切な検査時期を提示できる。
加えて、実施形態に係る各機能は、前記処理を実行するプログラムをワークステーション等のコンピュータにインストールし、これらをメモリ上で展開することによっても実現することができる。このとき、コンピュータに前記手法を実行させることのできるプログラムは、磁気ディスク(ハードディスクなど)、光ディスク(CD−ROM、DVDなど)、半導体メモリなどの記憶媒体に格納して頒布することも可能である。
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
1,70 電子カルテシステム
10 処理回路
12 入出力インタフェース
14 ディスプレイ
16 メモリ
18 通信インタフェース
72 医用情報処理装置
74 画像サーバ
101 取得機能
103 予測機能
105 提示機能
301 基準上限値
302 標準値
303,401,701,702,801 期待値
304,402,802 上限値
305,403,803 下限値
306,503,603 推奨期間
307,404 上限推奨期間
501 増悪基準幅
502,602 非推奨期間
504 差分
601 推移グラフ
604 交点
703 総合推奨期間
901 マウスカーソル
902 検査予約ウィンドウ

Claims (14)

  1. 被検体情報と疾患の発症リスクの予測モデルとに基づいて、被検体に関する前記疾患の発症リスクの推移を予測する予測部と、
    前記発症リスクの推移に基づいて、次の検査または医療行為の実施に適した期間を求め、前記期間より早い第1非推奨期間を提示する提示部と、
    を具備する医用情報処理装置。
  2. 前記提示部は、前記推移に対応するリスク予測値とリスク基準に応じて定まる値との差分が閾値と一致する第1時点を提示し、直近の検査または医療行為から前記第1時点までの期間を前記第1非推奨期間として提示する、請求項1に記載の医用情報処理装置。
  3. 前記提示部は、直近の検査または医療行為からの前記疾患の増悪の増加幅が閾値と一致する第1時点を提示し、前記直近の検査または前記医療行為から前記第1時点までの期間を前記第1非推奨期間として提示する、請求項1に記載の医用情報処理装置。
  4. 前記提示部は、前記検査または前記医療行為を実施するには遅すぎると想定される第2非推奨期間をさらに提示する、請求項1から請求項3のいずれか1項に記載の医用情報処理装置。
  5. 前記提示部は、前記推移に対応するリスク予測値と、リスク基準に応じて定まる値とが一致する第2時点を提示し、前記第2時点以降の期間を前記第2非推奨期間として提示する、請求項4に記載の医用情報処理装置。
  6. 前記提示部は、前記第1非推奨期間と前記第2非推奨期間との間の期間を、推奨期間として提示する、請求項5に記載の医用情報処理装置。
  7. 前記予測部は、疾患の進行度に関する進行リスクの予測モデルに基づいて、前記被検体に関する前記進行リスクの推移を予測し、
    前記提示部は、前記進行リスクの推移を提示する、請求項1から請求項6のいずれか1項に記載の医用情報処理装置。
  8. 前記予測部は、前記検査または前記医療行為により疾患が発症するリスクを示す追加疾患リスクの予測モデルに基づいて、前記被検体に関する前記追加疾患リスクの推移を予測し、
    前記提示部は、前記追加疾患リスクの推移を提示する、請求項1から請求項6のいずれか1項に記載の医用情報処理装置。
  9. 前記予測部は、複数の発症リスクのそれぞれの予測モデルに基づいて、前記被検体に関する前記複数の発症リスクのそれぞれの推移を予測し、
    前記提示部は、前記複数の発症リスクのそれぞれの推移を提示する、請求項1から請求項8のいずれか1項に記載の医用情報処理装置。
  10. 前記提示部は、前記複数の発症リスクのそれぞれの推移に基づく各推奨期間が重複する領域を総合推奨期間として提示する、請求項9に記載の医用情報処理装置。
  11. 前記提示部は、前記推奨期間が選択された場合、前記推奨期間における検査または医療行為の予約一覧を示す予約画面を提示する、請求項6に記載の医用情報処理装置。
  12. 前記提示部は、第1軸が現時点からの経過期間、第2軸が前記発症リスクの推移を示すグラフにおいて、前記第1非推奨期間、前記第2非推奨期間および前記推奨期間の少なくとも1つを強調する、請求項6に記載の医用情報処理装置。
  13. 被検体情報と疾患の発症リスクの予測モデルとに基づいて、被検体に関する前記疾患の発症リスクの推移を予測し、
    前記発症リスクの推移に基づいて、次の検査または医療行為の実施に適した期間を求め、前記期間より早い第1非推奨期間を提示する、医用情報処理方法。
  14. 表示部と、
    ユーザからの指示を受け付ける受付部と、
    前記ユーザからの指示に基づき、被検体情報と疾患の発症リスクの予測モデルとに基づいて、被検体に関する前記疾患の発症リスクの推移を予測する予測部と、
    前記発症リスクの推移に基づいて、次の検査または医療行為の実施に適した期間を求め、前記期間より早い第1非推奨期間を前記表示部に提示する提示部と、
    を具備する電子カルテシステム。
JP2019143034A 2019-08-02 2019-08-02 医用情報処理装置、医用情報処理方法および電子カルテシステム Active JP7412104B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2019143034A JP7412104B2 (ja) 2019-08-02 2019-08-02 医用情報処理装置、医用情報処理方法および電子カルテシステム
US16/937,812 US11664127B2 (en) 2019-08-02 2020-07-24 Medical information processing apparatus, medical information processing method, and electronic medical record system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019143034A JP7412104B2 (ja) 2019-08-02 2019-08-02 医用情報処理装置、医用情報処理方法および電子カルテシステム

Publications (3)

Publication Number Publication Date
JP2021026447A true JP2021026447A (ja) 2021-02-22
JP2021026447A5 JP2021026447A5 (ja) 2022-07-07
JP7412104B2 JP7412104B2 (ja) 2024-01-12

Family

ID=74259719

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019143034A Active JP7412104B2 (ja) 2019-08-02 2019-08-02 医用情報処理装置、医用情報処理方法および電子カルテシステム

Country Status (2)

Country Link
US (1) US11664127B2 (ja)
JP (1) JP7412104B2 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022220166A1 (ja) * 2021-04-15 2022-10-20 富士フイルム株式会社 情報処理装置、情報処理システム、情報処理方法及び情報処理プログラム
WO2022220165A1 (ja) * 2021-04-15 2022-10-20 富士フイルム株式会社 情報処理装置、情報処理システム、情報処理方法及び情報処理プログラム
JP2022169193A (ja) * 2021-04-27 2022-11-09 株式会社アルム 予測システム、予測装置、および予測プログラム
WO2023021822A1 (ja) * 2021-08-19 2023-02-23 株式会社日立ハイテク 情報処理装置、臨床診断システムおよびプログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021056962A (ja) * 2019-10-02 2021-04-08 富士ゼロックス株式会社 ワークフロー支援装置、ワークフロー支援システム及びプログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005050212A (ja) * 2003-07-30 2005-02-24 Mitsui Sumitomo Insurance Co Ltd 疾患症状予測サーバ、疾患症状予測システム、疾患症状予測方法、及びプログラム
JP2011253464A (ja) * 2010-06-03 2011-12-15 Olympus Medical Systems Corp 医療業務支援装置
JP2012088986A (ja) * 2010-10-21 2012-05-10 Hitachi Medical Corp 検査計画作成装置
JP2012143275A (ja) * 2011-01-07 2012-08-02 Hitachi Medical Corp 検査計画作成支援装置
US20150112705A1 (en) * 2013-10-18 2015-04-23 Soar Biodynamics, Ltd. Dynamic analysis and dynamic screening

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050015002A1 (en) * 2003-07-18 2005-01-20 Dixon Gary S. Integrated protocol for diagnosis, treatment, and prevention of bone mass degradation
US7930188B2 (en) * 2003-12-30 2011-04-19 Cerner Innovation, Inc. Computerized system and method for generating an immunization schedule in a healthcare environment
US7523043B2 (en) * 2004-04-06 2009-04-21 Mk Consulting, Inc. System for minimizing the cost of post-treatment follow-up and diagnostic tests
JP2005301434A (ja) * 2004-04-07 2005-10-27 Fuji Photo Film Co Ltd 検査予約方法及びシステム並びにそれに用いるサーバ
US8024200B2 (en) * 2006-05-11 2011-09-20 Cerner Innovation, Inc. Graphical user interface for clinical order administration scheduling
JP5827801B2 (ja) 2010-12-29 2015-12-02 日立アロカメディカル株式会社 医療用測定装置
US11515023B2 (en) * 2019-06-21 2022-11-29 Express Scripts Strategic Development, Inc. Dynamic user interface generation for delivery scheduling optimization

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005050212A (ja) * 2003-07-30 2005-02-24 Mitsui Sumitomo Insurance Co Ltd 疾患症状予測サーバ、疾患症状予測システム、疾患症状予測方法、及びプログラム
JP2011253464A (ja) * 2010-06-03 2011-12-15 Olympus Medical Systems Corp 医療業務支援装置
JP2012088986A (ja) * 2010-10-21 2012-05-10 Hitachi Medical Corp 検査計画作成装置
JP2012143275A (ja) * 2011-01-07 2012-08-02 Hitachi Medical Corp 検査計画作成支援装置
US20150112705A1 (en) * 2013-10-18 2015-04-23 Soar Biodynamics, Ltd. Dynamic analysis and dynamic screening

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022220166A1 (ja) * 2021-04-15 2022-10-20 富士フイルム株式会社 情報処理装置、情報処理システム、情報処理方法及び情報処理プログラム
WO2022220165A1 (ja) * 2021-04-15 2022-10-20 富士フイルム株式会社 情報処理装置、情報処理システム、情報処理方法及び情報処理プログラム
JP2022169193A (ja) * 2021-04-27 2022-11-09 株式会社アルム 予測システム、予測装置、および予測プログラム
JP7295517B2 (ja) 2021-04-27 2023-06-21 株式会社アルム 予測システム、予測装置、および予測プログラム
WO2023021822A1 (ja) * 2021-08-19 2023-02-23 株式会社日立ハイテク 情報処理装置、臨床診断システムおよびプログラム

Also Published As

Publication number Publication date
US20210035688A1 (en) 2021-02-04
US11664127B2 (en) 2023-05-30
JP7412104B2 (ja) 2024-01-12

Similar Documents

Publication Publication Date Title
Yala et al. A deep learning mammography-based model for improved breast cancer risk prediction
JP7412104B2 (ja) 医用情報処理装置、医用情報処理方法および電子カルテシステム
US20190156947A1 (en) Automated information collection and evaluation of clinical data
US10949501B2 (en) System and method for compiling medical dossier
JP6574184B2 (ja) 患者所見の所見中心の縦断的なビューの自動生成
US7877272B2 (en) Computer instructions for guiding differential diagnosis through information maximization
JP6914839B2 (ja) 放射線レポートのためのレポート内容のコンテキスト生成
JP7193818B2 (ja) デジタル病理学のためのスライドの画像を処理し、スライドの処理された画像を自動的に優先順位付けするためのシステムおよび方法
US20210035680A1 (en) Systems and methods for automating clinical workflow decisions and generating a priority read indicator
RU2573218C2 (ru) Поддержка принятия клинических решений
US20080235049A1 (en) Method and System for Predictive Modeling of Patient Outcomes
JP2018533123A (ja) 統合された臨床ケアのための情報科学プラットフォーム
US20140310584A1 (en) Medical care information display control apparatus, medical care information display control method, and medical care information display control program
JP2015510623A (ja) イメージング検査プロトコル更新推奨部
JP2019537114A (ja) Pacsログ・ファイルを使って関連する過去の放射線医学検査を判別するためのシステムおよび方法
US20200294655A1 (en) System and method to automatically prepare an attention list for improving radiology workflow
JP7008017B2 (ja) 正確な放射線科推奨を生成するシステムおよび方法
RU2740219C2 (ru) Движок для контекстно-зависимых медицинских рекомендаций
JP7415787B2 (ja) 医用画像システム
JP2023517576A (ja) 放射線医のフィンガープリンティング
JP2023503175A (ja) 医学的検査を推奨するシステム及び方法
US20210225467A1 (en) Pathway information
KR20220166095A (ko) 환자 의료 정보를 실시간으로 전자의무기록과 연동하여 시각화하는 방법 및 장치
Wenderott et al. Effects of artificial intelligence implementation on efficiency in medical imaging—a systematic literature review and meta-analysis
WO2023230341A1 (en) Systems and methods to process electronic images for histological morphology trajectory prediction

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220629

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220629

RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7421

Effective date: 20230106

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230724

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230801

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230929

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231128

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231226

R150 Certificate of patent or registration of utility model

Ref document number: 7412104

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150