JP2021043631A - 状態推定装置及び状態推定プログラム - Google Patents

状態推定装置及び状態推定プログラム Download PDF

Info

Publication number
JP2021043631A
JP2021043631A JP2019164443A JP2019164443A JP2021043631A JP 2021043631 A JP2021043631 A JP 2021043631A JP 2019164443 A JP2019164443 A JP 2019164443A JP 2019164443 A JP2019164443 A JP 2019164443A JP 2021043631 A JP2021043631 A JP 2021043631A
Authority
JP
Japan
Prior art keywords
inspection
test
information
time
state
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
JP2019164443A
Other languages
English (en)
Inventor
シン ジャンマジェイ
Shin Jammajei
シン ジャンマジェイ
政寛 佐藤
Masahiro Sato
政寛 佐藤
園田　隆志
Takashi Sonoda
隆志 園田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Business Innovation Corp
Original Assignee
Fuji Xerox Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuji Xerox Co Ltd filed Critical Fuji Xerox Co Ltd
Priority to JP2019164443A priority Critical patent/JP2021043631A/ja
Priority to CN202010146722.3A priority patent/CN112562848A/zh
Priority to US16/829,574 priority patent/US20210068765A1/en
Publication of JP2021043631A publication Critical patent/JP2021043631A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14539—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring pH
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Software Systems (AREA)
  • Pulmonology (AREA)
  • Emergency Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

【課題】本発明は、検査対象物に対して検査を行い、その検査結果に応じて行われる別の検査を行わずとも、検査対象物の状態を精度良く推定することができる状態推定装置及び状態推定プログラムを提供することを目的とする。【解決手段】状態推定装置１０は、検査対象物に対して第１の検査を行った結果得られた第１検査情報から、前記第１検査情報の結果に応じて検査を行うか否かが決定される第２の検査を行った場合の結果を示す第２検査情報を推定する必要性推定部２２、及び前記推定した前記第２検査情報と、前記第１検査情報とから、前記検査対象物の状態を推定する状態推定部２４の機能を有する。【選択図】図２

Description

本発明は、状態推定装置及び状態推定プログラムに関する。
特許文献１には、蓄積した過去の履歴データを利用して未来の事象を予測する予測装置が記載されている。この予測装置は、履歴データのみを列として並べたデータ行列と、評価用履歴データ及び欠落要素としての予測データを列として並べたデータ行列とから成るデータ行列、又は履歴データのみを行として並べたデータ行列と、評価用履歴データ及び欠落要素としての予測データを行として並べたデータ行列とから成るデータ行列を構成する予測処理用データ構成部を備える。また、この予測装置は、この予測処理用データ構成部で構成された履歴データのみを列又は行として並べたデータ行列を特異値分解し、特異値分解後の行列と評価用履歴データ及び予測データを列又は行として並べたデータ行列とを用いて、未知の予測データを表す欠落要素を推定することにより予測データを出力する予測処理部を備える。
特許文献２には、患者の生物学的及び／又は生理学的な測定値を特徴付ける患者値を受ける入力装置を有する医療装置を使用して、患者の急性の動的な疾患の管理において臨床医を支援する方法が記載されている。また、医療装置は、前記急性の動的な疾患のモデルを使用して前記患者データを処理する計算装置を更に有する。この方法は、前記医療装置に最初の患者値を供給するステップと、前記医療装置に供給される複数の前記最初の患者値を使用して前記モデルを患者のダイナミックに適合させるステップと、を含む。また、この方法は、改善されたモデルを得るために最近の患者値と複数の前記最初の患者値とを使用して前記患者のダイナミックに前記モデルを適合させ続けるステップであって、前記最近の患者値は、前記最初の患者値に続いて前記医療装置に供給されるステップと、前記改善されたモデルを使用して予測される患者値を決定するステップと、を含む。また、この方法は、前記予測される患者値の精度を示す信頼度の推定値を決定するステップと、健康転帰の予測ために前記最初の患者値を適合されたモデルに供給することで、前記最初の患者値に含まれる病原体の集合レベルと早発型の炎症促進性の応答とをパラメータとして有するモデル空間において健康転帰を識別する健康領域を決定するステップと、を含む。また、この方法は、前記急性の動的な疾患の管理において前記臨床医を支援するために、前記医療装置の出力装置に、前記予測される患者値、前記信頼度の推定値及び前記健康領域を含む病気管理情報を出力するステップを含む。
特許文献３には、時系列解析システムが記載されている。この時系列解析システムは、長周期と短周期を含む複数の周期成分を含む計測された時系列データを入力する入力装置を備える。また、この時系列解析システムは、時系列学習手段での学習結果である短期時系列学習結果と時系列学習手段での学習結果である前記時系列データに最も適合したモデルである長期時系列学習結果とを含む学習結果と、複数のある定められた時間幅で集約した前記長周期を有する時間幅毎の長期時系列データと前記短周期を有する短期時系列データを含む時系列データとを格納する記憶装置と、を備える。また、この時系列解析システムは、前記時系列データから時系列モデルを学習し、前記時系列モデルのパラメータを前記時系列の学習結果として出力する前記時系列学習手段と、前記計測された時系列データおよび前記記憶装置から読み出した前記長期時系列データから、新たに前記長期時系列データを計算し前記長期時系列データのモデルを設定し前記時系列学習手段へ渡し、前記時系列学習手段から長期時系列学習結果を受け取り、前記長期時系列学習結果と前記長期時系列データを前記記憶装置に記憶させる長期時系列設定手段と、を備える。短期時系列設定手段は、長期時系列除去部と短期時系列設定部とから構成され、長期時系列除去部は、前記計測された時系列データから前記長期時系列データを除去し、前記短期時系列データを計算する。短期時系列設定部は、前記短期時系列データを前記時系列学習手段に渡し、前記時系列学習手段から前記短期時系列学習結果を受け取り、前記短期時系列学習結果と前記短期時系列データを前記記憶装置に記憶させる。また、この時系列解析システムは、前記長期時系列データと前記長期時系列学習結果、前記短期時系列データと前記短期時系列学習結果を用いた確率統計処理により予測的確率的コンプレキシティを算出し、前記予測的確率的コンプレキシティに基づいて前記予測的確率的コンプレキシティが最小となる前記時間幅を有する前記学習結果を最適モデルとして選択し最適モデルを出力する最適モデル選択手段を備える。また、この時系列解析システムは、所定の時間幅の前記計測された時系列データを入力し、前記最適モデルを用いて所定の時間先の時系列データを予測結果として出力する時系列予測手段と、前記予測結果を出力する出力装置と、を備える。
特許第４１７７２２８号公報 特許第５３５７８７１号公報 特許第４４４９８０３号公報
検査対象物に対して検査を行い、その検査結果に応じて、また別の検査を行って対象物の状態を把握しようとすると、例えば、別の検査を行うには手間や時間がかかるため、検査対象物の状態を把握するのが遅くなってしまうことがあった。
そこで、本発明は、検査対象物に対して検査を行い、その検査結果に応じて行われる別の検査を行わずとも、検査対象物の状態を精度良く推定することができる状態推定装置及び状態推定プログラムを提供することを目的とする。
第１の態様に係る状態推定装置は、プロセッサを備え、前記プロセッサは、検査対象物に対して第１の検査を行った結果得られた第１検査情報から、前記第１検査情報の結果に応じて検査を行うか否かが決定される第２の検査を行った場合の結果を示す第２検査情報を推定し、前記推定した前記第２検査情報と、前記第１検査情報とから、前記検査対象物の状態を推定する。
第２の態様に係る状態推定装置は、第１の態様に係る状態推定装置において、前記プロセッサは、前記第２検査情報を推定する際に、検査時期についての前記第１検査情報及び前記第２検査情報から、前記検査時期における前記第１の検査及び前記第２の検査の各々の必要性を推定し、前記推定された前記第１の検査及び前記第２の検査の各々の必要性の推定結果を用いて、前記検査時期についての前記第１検査情報及び前記第２検査情報を補正し、前記検査対象物の状態を推定する際に、前記補正した前記第１検査情報及び前記第２検査情報から、前記検査対象物の状態を推定する。
第３の態様に係る状態推定装置は、第２の態様に係る状態推定装置において、前記プロセッサは、前記検査対象物の状態を推定する際に、前記第１検査情報及び前記第２検査情報から得られる、前記第１の検査の検査値、前記第１の検査の有無、及び前記第２の検査の有無とから、前記検査対象物の状態を推定する。
第４の態様に係る状態推定装置は、第１の態様に係る状態推定装置において、前記プロセッサは、前記第２検査情報を推定する際に、前記検査時期についての前記第１検査情報及び前記第２検査情報から、次の検査時期における前記第１の検査及び前記第２の検査の各々の必要性を推定し、前記検査対象物の状態を推定する際に、前記検査時期についての前記第１検査情報及び前記第２検査情報と、前記次の検査時期について推定された前記検査の必要性の推定結果とから、前記検査対象物の状態を推定する。
第５の態様に係る状態推定装置は、第４の態様に係る状態推定装置において、前記プロセッサは、前記検査対象物の状態を推定する際に、前記検査時期についての前記第１検査情報及び前記第２検査情報から得られる、前記第１の検査の検査値、前記第１の検査の有無、及び前記第２の検査の有無と、前記次の時刻について推定された前記検査の必要性の推定結果とから、前記検査時期における前記検査対象物の状態を推定する。
第６の態様に係る状態推定装置は、第２の態様〜第５の態様の何れか１つの態様に係る状態推定装置において、前記プロセッサは、前記検査の必要性を推定する際に、前記第１検査情報の時系列及び前記第２検査情報の時系列から、前記第１の検査及び前記第２の検査の各々による検査の必要性を推定する。
第７の態様に係る状態推定装置は、第２の態様〜第６の態様の何れか１つの態様に係る状態推定装置において、前記プロセッサは、前記検査対象物の状態を推定する際に、前記第１検査情報の時系列及び前記第２検査情報の時系列から、前記検査対象物の状態を推定する。
第８の態様に係る状態推定装置は、第１の態様〜第７の態様の何れか１つの態様に係る状態推定装置において、前記第１の検査が、心拍又は血圧の検査であり、前記第２の検査が、血液ｐＨ又は血中グルコース濃度の検査であり、前記検査対象物の状態が、被検査者の敗血症である。
第９の態様に係る状態推定プログラムは、コンピュータに、検査対象物に対して第１の検査を行った結果得られた第１検査情報から、前記第１検査情報の結果に応じて検査を行うか否かが決定される第２の検査を行った場合の結果を示す第２検査情報を推定し、前記推定した前記第２検査情報と、前記第１検査情報とから、前記検査対象物の状態を推定する処理を実行させる。
第１の態様に係る状態推定装置によれば、検査対象物に対して検査を行い、その検査結果に応じて行われる別の検査を行わずとも、検査対象物の状態を精度良く推定することができる。
第２の態様に係る状態推定装置によれば、第１検査情報及び第２検査情報を補正せずに検査対象物の状態を推定する場合に比べて、検査対象物の状態を精度良く推定することができる。
第３の態様に係る状態推定装置によれば、第１の検査の有無及び第２の検査の有無のみから検査対象物の状態を推定する場合に比べて、検査対象物の状態を精度良く推定することができる。
第４の態様に係る状態推定装置によれば、次の検査時期における前記第１の検査及び前記第２の検査の各々の必要性を推定した結果を用いずに検査対象物の状態を推定する場合に比べて、検査対象物の状態を精度良く推定することができる。
第５の態様に係る状態推定装置によれば、第１の検査の有無及び第２の検査の有無のみから検査対象物の状態を推定する場合に比べて、検査対象物の状態を精度良く推定することができる。
第６の態様に係る状態推定装置によれば、ある検査時期の前記第１検査情報及び前記第２検査情報のみから前記第１の検査及び前記第２の検査の各々による検査の必要性を推定する場合に比べて、前記第１の検査及び前記第２の検査の各々による検査の必要性を精度良く推定することができる。
第７の態様に係る状態推定装置によれば、ある検査時期の前記第１検査情報及び前記第２検査情報のみから検査対象物の状態を推定する場合に比べて、検査対象物の状態を精度良く推定することができる。
第８の態様に係る状態推定装置によれば、心拍又は血圧の検査と、血液ｐＨ又は血中グルコース濃度の検査とから被検査者の敗血症を推定することができる。
第９の態様に係る状態推定プログラムによれば、第１の検査の有無及び第２の検査の有無のみから検査対象物の状態を推定する場合に比べて、検査対象物の状態を精度良く推定することができる。
第１、第２実施形態に係る状態推定装置の概略構成を示すブロック図である。 第１、第２実施形態に係る状態推定装置の機能ブロック図である。 第１実施形態に係る状態推定装置で行われる具体的な処理の流れの一例を示すフローチャートである。 検査値情報の例を示す図である。 検査有無情報の例を示す図である。 検査の必要性を推定する方法を説明するための図である。 検査の必要性を推定する方法を説明するための図である。 補正した検査有無情報の例を示す図である。 被検査者の敗血症を推定する方法を説明するための図である。 第２実施形態に係る状態推定装置で行われる具体的な処理の流れの一例を示すフローチャートである。 検査の必要性を推定する方法を説明するための図である。 検査の必要性を推定する方法を説明するための図である。 被検査者の敗血症を推定する方法を説明するための図である。
［第１実施形態］
以下、図面を参照して本実施形態の一例を詳細に説明する。図１は、本実施形態に係る状態推定装置の概略構成を示すブロック図である。
本実施形態に係る状態推定装置１０は、プロセッサの一例としてのＣＰＵ１０Ａ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０Ｂ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０Ｃ、ＨＤＤ（ｈａｒｄ ｄｉｓｋ ｄｒｉｖｅ）１０Ｄ、操作部１０Ｅ、表示部１０Ｆ、及び通信回線Ｉ／Ｆ（インタフェース）部１０Ｇを備えている。ＣＰＵ１０Ａは、状態推定装置１０の全体の動作を司る。ＲＯＭ１０Ｂは、各種制御プログラムや各種パラメータ等が予め記憶される。ＲＡＭ１０Ｃは、ＣＰＵ１０Ａによる各種プログラムの実行時のワークエリア等として用いられる。ＨＤＤ１０Ｄは、各種のデータやアプリケーション・プログラム等が記憶される。操作部１０Ｅは、キーボードやマウス、タッチパネル、タッチペン等の各種操作入力装置を含み、各種の情報を入力するために用いられる。表示部１０Ｆは、液晶等のディスプレイが適用され、各種の情報を表示するために用いられる。通信回線Ｉ／Ｆ部１０Ｇは、ネットワーク等の通信回線に接続され、当該通信回線に接続された他の装置と各種データの送受信を行う。以上の状態推定装置１０の各部はシステムバス１０Ｈにより電気的に相互に接続されている。なお、本実施形態に係る状態推定装置１０では、ＨＤＤ１０Ｄを記憶部として適用しているが、これに限らず、フラッシュメモリ等の他の不揮発性の記憶部を適用してもよい。
以上の構成により、本実施形態に係る状態推定装置１０は、ＣＰＵ１０Ａにより、ＲＯＭ１０Ｂ、ＲＡＭ１０Ｃ、及びＨＤＤ１０Ｄに対するアクセス、操作部１０Ｅを介した各種データの取得、表示部１０Ｆに対する各種情報の表示を各々実行する。また、状態推定装置１０は、ＣＰＵ１０Ａにより、通信回線Ｉ／Ｆ部１０Ｇを介した通信データの送受信の制御を実行する。
本実施形態に係る状態推定装置１０では、ＲＯＭ１０ＢまたはＨＤＤ１０Ｄに予め記憶されたプログラムをＣＰＵ１０Ａが実行することにより、被検査者が敗血症であるか否かを推定する処理を行う。なお、被検査者が敗血症であるか否かが、検査対象物の状態の一例である。
続いて、上述のように構成された本実施形態に係る状態推定装置１０の機能的構成について説明する。図２は、本実施形態に係る状態推定装置１０の機能ブロック図である。なお、各機能部は、ＲＯＭ１０ＢまたはＨＤＤ１０Ｄに予め記憶されたプログラムをＣＰＵ１０Ａが実行することにより実現される。
状態推定装置１０は、学習データ記憶部１２、学習部１４、必要性推定モデル記憶部１６、状態推定モデル記憶部１８、情報取得部２０、必要性推定部２２、及び状態推定部２４の機能を有する。
学習データ記憶部１２は、実際の被検査者の検査データから得られた、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせと、心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせとのペアを含む複数の第１学習データを記憶している。また、学習データ記憶部１２は、実際の被検査者の検査データから得られた、心拍の検査値、血圧の検査値、血液ｐＨの検査値、及び血中グルコース濃度の検査値の組み合わせと、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせと、被検査者が敗血症であるか否かとのペアを含む複数の第２学習データを記憶している。
ここで、心拍及び血圧は、第１検査装置による検査項目の一例であり、定常的な検査の検査項目である。また、血液ｐＨ及び血中グルコース濃度は、第１検査情報に応じて検査を行うか否かが医者の判断により決定される第２検査装置による検査項目の一例であり、付加的な検査の検査項目である。
学習部１４は、複数の第１学習データに基づいて、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせを入力とし、心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせを推定する必要性推定モデルを学習し、必要性推定モデルの学習結果を、必要性推定モデル記憶部１６に格納する。必要性推定モデルとして、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）などの機械学習におけるモデルや、深層ニューラルネットワークなどの深層学習におけるモデルを用いることができる。
学習部１４は、複数の第２学習データに基づいて、心拍の検査値、血圧の検査値、血液ｐＨの検査値、及び血中グルコース濃度の検査値の組み合わせと、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせと、を入力とし、被検査者が敗血症であるか否かを推定する状態推定モデルを学習し、状態推定モデルの学習結果を、状態推定モデル記憶部１８に格納する。状態推定モデルとして、ＳＶＭなどの機械学習におけるモデルや、深層ニューラルネットワークなどの深層学習におけるモデルを用いることができる。
情報取得部２０は、過去の各検査時期において検査された被検査者の心拍の検査値、血圧の検査値、血液ｐＨの検査値、及び血中グルコース濃度の検査値の組み合わせである検査値情報を取得する。
情報取得部２０は、取得した検査値情報から、過去の各検査時期について、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせである検査有無情報を生成する。
必要性推定部２２は、過去の各検査時期について、情報取得部２０によって生成された当該検査時期の検査有無情報から、必要性推定モデルを用いて、心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせを推定する。
状態推定部２４は、過去の各検査時期について推定された心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせの推定結果を用いて、情報取得部２０によって生成された過去の各検査時期の検査有無情報を補正する。
状態推定部２４は、補正した過去の各検査時期の検査有無情報と、取得した過去の各検査時期の検査値情報とから、状態推定モデルを用いて、各検査時期について、被検査者が敗血症であるか否かを推定する。
続いて、上述のように構成された本実施形態に係る状態推定装置１０で行われる処理について説明する。図３は、本実施形態に係る状態推定装置１０で行われる具体的な処理の流れの一例を示すフローチャートである。なお、図３の処理は、学習部１４により必要性推定モデル及び状態推定モデルが学習された後に、例えば、過去の各検査時期における被検査者の検査値情報が入力された場合に開始する。
ステップＳ１００では、情報取得部２０は、過去の各検査時期において検査された被検査者の心拍の検査値、血圧の検査値、血液ｐＨの検査値、及び血中グルコース濃度の検査値の組み合わせである検査値情報を取得する。
例えば、図４に示すような、検査値情報Ｘを取得する。なお、図４は、時期０〜時期６における、被検査者の心拍の検査値、血圧の検査値、血液ｐＨの検査値、及び血中グルコース濃度の検査値の例を示す図である。「×」は、検査値が得られなかった、すなわち、検査が行われなかったことを示す。また、ｘｔは、時期ｔにおける被検査者の心拍の検査値、血圧の検査値、血液ｐＨの検査値、及び血中グルコース濃度の検査値の組み合わせを示す。
また、情報取得部２０は、取得した検査値情報から、過去の各検査時期について、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせである検査有無情報を生成する。
例えば、図５に示すような、検査有無情報Ｍを取得する。なお、図５は、時期０〜時期６における、被検査者の心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の例を示す図である。「○」は、検査が行われたことを示し、「×」は、検査が行われなかったことを示す。また、ｍｔは、時期ｔにおける被検査者の心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせを示す。
ステップＳ１０２では、必要性推定部２２は、過去の各時期ｔについて、情報取得部２０によって生成された当該時期ｔの検査有無情報ｍｔから、必要性推定モデルを用いて、心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせｍｔ‘を推定する（図６参照）。例えば、時期ｔ＝２について、検査有無情報ｍ２（＝［２、○、○、×、×］）から、必要性推定モデルを用いて、心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせｍ２‘（＝［２、○、○、×、○］）を推定する（図７参照）。
ステップＳ１０４では、状態推定部２４は、過去の各検査時期ｔについて推定された心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせｍｔ’の推定結果を用いて、情報取得部２０によって生成された過去の各検査時期ｔの検査有無情報ｍｔを補正し、補正後の検査有無情報Ｍ”を生成する（図８参照）。
例えば、時期１において血液ｐＨの検査が行われていなかった場合に、時期１において血液ｐＨの検査の必要性があると推定されれば、時期１において血液ｐＨの検査が行われていた、と検査有無情報ｍ１を補正し、検査有無情報ｍ１”とする。また、時期２において血中グルコース濃度の検査が行われていなかった場合に、時期２において血中グルコース濃度の検査の必要性があると推定されれば、時期２において血中グルコース濃度の検査が行われていた、と検査有無情報ｍ２を補正し、検査有無情報ｍ２”とする。なお、時期ｔにおいて血中グルコース濃度の検査が行われていた場合に、時期ｔにおいて血中グルコース濃度の検査の必要性がないと推定されても、検査有無情報ｍｔを補正しない。
ステップＳ１０６では、状態推定部２４は、補正した過去の各検査時期ｔの検査有無情報ｍｔ”と、取得した過去の各検査時期の検査値情報ｘｔとから、状態推定モデルを用いて、各検査時期ｔについて、被検査者が敗血症であるか否かを推定し、推定結果を、表示部１０Ｆに表示して、一連の処理を終了する。
例えば、図９に示すように、時期ｔ＝０において、検査値情報ｘ０及び補正後の検査有無情報ｍ０”から、状態推定モデルを用いて、時期ｔ＝０について、被検査者が敗血症であるか否かを推定する。また、時期ｔ＝１〜６についても、同様に、被検査者が敗血症であるか否かを推定する。上記図９において、「○」は、被検査者が敗血症であることを示し、「×」は、被検査者が敗血症でないことを示す。
敗血症は進行が速いため、血液ｐＨの検査及び血中グルコース濃度の検査のような付加的検査を行う前に発症することがある。本実施形態では、補正後の検査有無情報を用いて、上記図９に示すように、被検査者が敗血症であるか否かを精度良く推定できることにより、医者による検査結果では、時期ｔ＝４で、被検査者が敗血症である、と判断されたのに対し、状態推定装置１０による推定結果では、時期ｔ＝２で、被検査者が敗血症である、と推定される。このように、医者による実際の検査結果と比べて、早期に、被検査者が敗血症である、と推定することができる。
［第２実施形態］
次に、第２実施形態について説明する。なお、第２実施形態に係る状態推定装置は、第１実施形態と同様の構成となるため、同一符号を付して説明を省略する。
第２実施形態に係る状態推定装置１０の学習データ記憶部１２は、実際の被検査者の検査データから得られた、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせと、次の検査時期における、心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせとのペアを含む複数の第１学習データを記憶している。また、学習データ記憶部１２は、実際の被検査者の検査データから得られた、心拍の検査値、血圧の検査値、血液ｐＨの検査値、及び血中グルコース濃度の検査値の組み合わせと、当該検査時期における、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせと、次の検査時期における、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせと、当該検査時期における、被検査者が敗血症であるか否かとのペアを含む複数の第２学習データを記憶している。
学習部１４は、複数の第１学習データに基づいて、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせを入力とし、次の検査時期における、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせを推定する必要性推定モデルを学習し、必要性推定モデルの学習結果を、必要性推定モデル記憶部１６に格納する。必要性推定モデルとして、ＳＶＭなどの機械学習におけるモデルや、深層ニューラルネットワークなどの深層学習におけるモデルを用いることができる。
学習部１４は、複数の第２学習データに基づいて、心拍の検査値、血圧の検査値、血液ｐＨの検査値、及び血中グルコース濃度の検査値の組み合わせと、当該検査時期における、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせと、次の検査時期における、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせと、を入力とし、当該検査時期において、被検査者が敗血症であるか否かを推定する状態推定モデルを学習し、状態推定モデルの学習結果を、状態推定モデル記憶部１８に格納する。状態推定モデルとして、ＳＶＭなどの機械学習におけるモデルや、深層ニューラルネットワークなどの深層学習におけるモデルを用いることができる。
情報取得部２０は、過去の各検査時期において検査された被検査者の心拍の検査値、血圧の検査値、血液ｐＨの検査値、及び血中グルコース濃度の検査値の組み合わせである検査値情報を取得する。
情報取得部２０は、取得した検査値情報から、過去の各検査時期について、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせである検査有無情報を生成する。
必要性推定部２２は、過去の各検査時期について、情報取得部２０によって生成された当該検査時期の検査有無情報から、必要性推定モデルを用いて、次の検査時期における、心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせを推定する。
状態推定部２４は、取得した、過去の検査時期の検査有無情報及び検査値情報と、推定した次の検査時期における心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせとから、状態推定モデルを用いて、各検査時期について、被検査者が敗血症であるか否かを推定する。
続いて、上述のように構成された第２実施形態に係る状態推定装置１０で行われる処理について説明する。図１０は、第２実施形態に係る状態推定装置１０で行われる具体的な処理の流れの一例を示すフローチャートである。なお、図１０の処理は、学習部１４により必要性推定モデル及び状態推定モデルが学習された後に、例えば、直近までの各検査時期における被検査者の検査値情報が入力された場合に開始する。
ステップＳ２００では、情報取得部２０は、過去の検査時期としての直近までの各検査時期において検査された被検査者の心拍の検査値、血圧の検査値、血液ｐＨの検査値、及び血中グルコース濃度の検査値の組み合わせである検査値情報を取得する。例えば、上記図４に示すような、検査値情報Ｘを取得する。
また、情報取得部２０は、取得した検査値情報から、直近までの各検査時期について、心拍の検査有無、血圧の検査有無、血液ｐＨの検査有無、及び血中グルコース濃度の検査有無の組み合わせである検査有無情報を生成する。例えば、上記図５に示すような、検査有無情報Ｍを取得する。
ステップＳ２０２では、必要性推定部２２は、過去の各時期ｔについて、情報取得部２０によって生成された当該時期ｔの検査有無情報ｍｔから、必要性推定モデルを用いて、次の時期ｔ＋１における心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせｍｔ＋１‘を推定する（図１１参照）。例えば、時期ｔ＝２の検査有無情報ｍ２（＝［２、○、○、×、×］）から、必要性推定モデルを用いて、次の時期ｔ＝３について、心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせｍ３‘（＝［３、○、○、○、○］）を推定する（図１２参照）。
ステップＳ２０４では、状態推定部２４は、取得した過去の各検査時期ｔの検査有無情報ｍｔと、取得した過去の各検査時期の検査値情報ｘｔと、各検査時期ｔについて推定された心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせｍｔ‘の推定結果と、から、状態推定モデルを用いて、各検査時期ｔについて、被検査者が敗血症であるか否かを推定し、推定結果を、表示部１０Ｆに表示して、一連の処理を終了する。
例えば、図１３に示すように、時期ｔ＝０において、検査値情報ｘ０、検査有無情報ｍ０、各検査の必要性の有無の組み合わせｍ１‘から、状態推定モデルを用いて、時期ｔ＝０について、被検査者が敗血症であるか否かを推定する。また、時期ｔ＝１〜６についても、同様に、被検査者が敗血症であるか否かを推定する。上記図１３において、「○」は、被検査者が敗血症であることを示し、「×」は、被検査者が敗血症でないことを示す。
本実施形態では、次の検査時期における検査の必要性の有無の推定結果を用いて、上記図１３に示すように、被検査者が敗血症であるか否かを精度良く推定できることにより、医者による検査結果では、時期ｔ＝４で、被検査者が敗血症である、と判断されたのに対し、状態推定装置１０による推定結果では、時期ｔ＝２で、被検査者が敗血症である、と推定される。このように、医者による実際の検査結果と比べて、早期に、被検査者が敗血症である、と推定することができる。
なお、上記の実施形態では、検査有無情報から、必要性推定モデルを用いて、心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせを推定する場合を例に説明したが、これに限定されるものではない。例えば、検査有無情報から、必要性推定モデルを用いて、第２の検査としての血液ｐＨの検査及び血中グルコース濃度の検査についてのみ必要性を推定するようにしてもよい。
また、第１の検査として、心拍の検査及び血圧の検査を行い、第２の検査として、血液ｐＨの検査、及び血中グルコース濃度の検査を行う場合を例に説明したが、これに限定されるものではない。第１の検査として、心拍の検査及び血圧の検査以外の定常的な検査を行い、第２の検査として、当該定常的な検査の結果に応じて行うか否かが決定される、血液ｐＨの検査、及び血中グルコース濃度の検査以外の付加的検査を行うようにしてもよい。
また、上記の実施形態において、検査有無情報の時系列から、必要性推定モデルを用いて、心拍の検査の必要性の有無、血圧の検査の必要性の有無、血液ｐＨの検査の必要性の有無、及び血中グルコース濃度の検査の必要性の有無の組み合わせを推定するようにしてもよい。
また、上記の実施形態において、状態推定モデルが、検査有無情報の時系列及び検査値情報の時系列から、被検査者が敗血症であるか否かを推定するように構成してもよい。この場合、検査対象時期より前の検査有無情報及び検査値情報だけではなく、検査対象時期より後の検査有無情報及び検査値情報と、当該検査対象時期の被検査者が敗血症であるか否かとを含む第２学習データを用いて、状態推定モデルを学習してもよい。
また、上記の実施形態において、必要性推定モデルが、検査有無情報の時系列から、検査の必要性を推定するように構成してもよい。この場合、検査対象時期より前の検査有無情報だけではなく、検査対象時期より後の検査有無情報と、当該検査対象時期の検査の必要性の有無とを含む第１学習データを用いて、必要性推定モデルを学習してもよい。
また、上記の実施形態において、被験者の敗血症の推定を行う場合を例に説明したが、これに限定されるものではない。例えば、検査対象物を、医療以外の機器とし、検査対象物の状態として、故障状態を推定し、故障状態の推定結果から、点検の効果的な推薦時期を決定してもよい。
また、上記の実施形態において、ＣＰＵ１０Ａをプロセッサの一例として説明したが、プロセッサとは広義的なプロセッサを指し、汎用的なプロセッサ（例えばＣＰＵ： Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、等）や、専用のプロセッサ（例えばＧＰＵ： Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、ＡＳＩＣ： Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ、ＦＰＧＡ： Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ、プログラマブル論理デバイス、等）を含むものである。
また上記各実施形態におけるプロセッサの動作は、１つのプロセッサによって成すのみでなく、物理的に離れた位置に存在する複数のプロセッサが協働して成すものであってもよい。また、プロセッサの各動作の順序は上記各実施形態において記載した順序のみに限定されるものではなく、適宜変更してもよい。
また、上記の実施形態に係る状態推定装置１０で行われる処理は、ソフトウエアで行われる処理としてもよいし、ハードウエアで行われる処理としてもよいし、双方を組み合わせた処理としてもよい。また、状態推定装置１０で行われる処理は、プログラムとして記憶媒体に記憶して流通させるようにしてもよい。
また、本発明は、上記に限定されるものでなく、上記以外にも、その主旨を逸脱しない範囲内において種々変形して実施可能であることは勿論である。
１０ 状態推定装置
１０Ｅ 操作部
１０Ｆ 表示部
１２ 学習データ記憶部
１４ 学習部
１６ 必要性推定モデル記憶部
１８ 状態推定モデル記憶部
２０ 情報取得部
２２ 必要性推定部
２４ 状態推定部

Claims (9)

  1. プロセッサを備え、
    前記プロセッサは、
    検査対象物に対して第１の検査を行った結果得られた第１検査情報から、前記第１検査情報の結果に応じて検査を行うか否かが決定される第２の検査を行った場合の結果を示す第２検査情報を推定し、
    前記推定した前記第２検査情報と、前記第１検査情報とから、前記検査対象物の状態を推定する
    状態推定装置。
  2. 前記プロセッサは、
    前記第２検査情報を推定する際に、検査時期についての前記第１検査情報及び前記第２検査情報から、前記検査時期における前記第１の検査及び前記第２の検査の各々の必要性を推定し、
    前記推定された前記第１の検査及び前記第２の検査の各々の必要性の推定結果を用いて、前記検査時期についての前記第１検査情報及び前記第２検査情報を補正し、
    前記検査対象物の状態を推定する際に、前記補正した前記第１検査情報及び前記第２検査情報から、前記検査対象物の状態を推定する請求項１記載の状態推定装置。
  3. 前記プロセッサは、前記検査対象物の状態を推定する際に、
    前記第１検査情報及び前記第２検査情報から得られる、前記第１の検査の検査値、前記第１の検査の有無、及び前記第２の検査の有無とから、前記検査対象物の状態を推定する請求項２記載の状態推定装置。
  4. 前記プロセッサは、
    前記第２検査情報を推定する際に、検査時期についての前記第１検査情報及び前記第２検査情報から、次の検査時期における前記第１の検査及び前記第２の検査の各々の必要性を推定し、
    前記検査対象物の状態を推定する際に、
    前記検査時期についての前記第１検査情報及び前記第２検査情報と、前記次の検査時期について推定された前記検査の必要性の推定結果とから、前記検査対象物の状態を推定する請求項１記載の状態推定装置。
  5. 前記プロセッサは、前記検査対象物の状態を推定する際に、
    前記検査時期についての前記第１検査情報及び前記第２検査情報から得られる、前記第１の検査の検査値、前記第１の検査の有無、及び前記第２の検査の有無と、前記次の時刻について推定された前記検査の必要性の推定結果とから、前記検査時期における前記検査対象物の状態を推定する請求項４記載の状態推定装置。
  6. 前記プロセッサは、前記検査の必要性を推定する際に、
    前記第１検査情報の時系列及び前記第２検査情報の時系列から、前記第１の検査及び前記第２の検査の各々による検査の必要性を推定する請求項２〜請求項５の何れか１項記載の状態推定装置。
  7. 前記プロセッサは、前記検査対象物の状態を推定する際に、
    前記第１検査情報の時系列及び前記第２検査情報の時系列から、前記検査対象物の状態を推定する請求項２〜請求項６の何れか１項記載の状態推定装置。
  8. 前記第１の検査が、心拍又は血圧の検査であり、
    前記第２の検査が、血液ｐＨ又は血中グルコース濃度の検査であり、
    前記検査対象物の状態が、被検査者の敗血症である請求項１〜請求項７の何れか１項記載の状態推定装置。
  9. コンピュータに、
    検査対象物に対して第１の検査を行った結果得られた第１検査情報から、前記第１検査情報の結果に応じて検査を行うか否かが決定される第２の検査を行った場合の結果を示す第２検査情報を推定し、
    前記推定した前記第２検査情報と、前記第１検査情報とから、前記検査対象物の状態を推定する
    処理を実行させるための状態推定プログラム。

JP2019164443A 2019-09-10 2019-09-10 状態推定装置及び状態推定プログラム Pending JP2021043631A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019164443A JP2021043631A (ja) 2019-09-10 2019-09-10 状態推定装置及び状態推定プログラム
CN202010146722.3A CN112562848A (zh) 2019-09-10 2020-03-05 状态推定装置及记录媒体
US16/829,574 US20210068765A1 (en) 2019-09-10 2020-03-25 State estimation apparatus and non-transitory computer readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019164443A JP2021043631A (ja) 2019-09-10 2019-09-10 状態推定装置及び状態推定プログラム

Publications (1)

Publication Number Publication Date
JP2021043631A true JP2021043631A (ja) 2021-03-18

Family

ID=74850535

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019164443A Pending JP2021043631A (ja) 2019-09-10 2019-09-10 状態推定装置及び状態推定プログラム

Country Status (3)

Country Link
US (1) US20210068765A1 (ja)
JP (1) JP2021043631A (ja)
CN (1) CN112562848A (ja)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110105852A1 (en) * 2009-11-03 2011-05-05 Macdonald Morris Using data imputation to determine and rank of risks of health outcomes
US9189764B2 (en) * 2013-02-05 2015-11-17 International Business Machines Corporation Usage of quantitative information gain to support decisions in sequential clinical risk assessment examinations
JP2019534506A (ja) * 2016-09-28 2019-11-28 メディアル リサーチ リミテッド 医療データのマイニングのシステムおよび方法
US10244985B1 (en) * 2017-12-28 2019-04-02 Saleem Sayani Wearable diagnostic device
US11373761B2 (en) * 2018-05-18 2022-06-28 General Electric Company Device and methods for machine learning-driven diagnostic testing
EP3618080B1 (en) * 2018-08-16 2024-03-27 HTC Corporation Reinforcement learning for medical system

Also Published As

Publication number Publication date
CN112562848A (zh) 2021-03-26
US20210068765A1 (en) 2021-03-11

Similar Documents

Publication Publication Date Title
US11357410B2 (en) Measuring blood pressure
Petrou et al. Economic evaluation using decision analytical modelling: design, conduct, analysis, and reporting
US10791978B2 (en) Classifying individuals using finite mixture markov modelling and test trials with accounting for item position
US9192299B2 (en) Health check path evaluation indicator building system, method thereof, device therewith, and computer program product therein
RU2019125313A (ru) Компьютерно-реализуемый способ и портативный прибор для анализа данных контроля глюкозы, показывающих уровень глюкозы в физиологической жидкости
CN116110577B (zh) 一种基于大数据的健康监测分析方法及系统
US9652355B2 (en) Bottleneck detection device, method and recording medium storing program
JP2017038844A5 (ja)
EP3509019A1 (en) Software product development defect and issue prediction and diagnosis
US20220165417A1 (en) Population-level gaussian processes for clinical time series forecasting
US20220102010A1 (en) Systems and methods for modelling a human subject
CN111652881A (zh) 基于深度学习的冠脉重构和血流储备分数计算方法、装置、设备以及可读存储介质
CN110648764A (zh) 一种获取临床数据预测模型的方法、装置、可读介质及电子设备
JP2021043631A (ja) 状態推定装置及び状態推定プログラム
KR20180126311A (ko) 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법
JP2019003408A (ja) ハイパーパラメータの評価方法、計算機及びプログラム
JP4649429B2 (ja) 心拍測定システム及び方法
CN113990512A (zh) 异常数据检测方法及装置、电子设备和存储介质
JP2021077034A (ja) 動作分析装置、動作分析方法及び動作分析プログラム
JP7331620B2 (ja) 診断支援方法および診断支援システム
US11594308B2 (en) Method and system for adaptive scheduling of clinical assessments
JP2023516295A (ja) 機械学習を用いた自動センサトレース検証
CN113066580A (zh) 一种医疗评分确定方法、装置、电子设备及存储介质
Cook et al. Concepts and tests for trend in recurrent event processes
US7027970B2 (en) Tool for in vitro-in vivo correlation