JP2021149423A - 患者状態の予測装置、予測方法、及び、予測プログラム - Google Patents

患者状態の予測装置、予測方法、及び、予測プログラム Download PDF

Info

Publication number
JP2021149423A
JP2021149423A JP2020047824A JP2020047824A JP2021149423A JP 2021149423 A JP2021149423 A JP 2021149423A JP 2020047824 A JP2020047824 A JP 2020047824A JP 2020047824 A JP2020047824 A JP 2020047824A JP 2021149423 A JP2021149423 A JP 2021149423A
Authority
JP
Japan
Prior art keywords
feature amount
information
unit
prediction
patient
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
JP2020047824A
Other languages
English (en)
Inventor
子盛 黎
Zisheng Li
子盛 黎
昌宏 荻野
Masahiro Ogino
昌宏 荻野
喜太郎 吉光
Kitaro Yoshimitsu
喜太郎 吉光
佳貴 内尾
Yoshitaka Uchio
佳貴 内尾
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.)
Hitachi Ltd
Original Assignee
Hitachi 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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2020047824A priority Critical patent/JP2021149423A/ja
Priority to US17/078,206 priority patent/US20210295999A1/en
Priority to CN202011364831.9A priority patent/CN113496779A/zh
Publication of JP2021149423A publication Critical patent/JP2021149423A/ja
Pending legal-status Critical Current

Links

Images

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
    • G16H50/30—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H50/70—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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Bioethics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

【課題】多数種類のデータの特徴量を反映できるような融合特徴量を生成して患者状態を高精度に予測する技術を提供する。【解決手段】予測装置１００は、患者の生体情報を入力し、その特徴量を抽出する特徴抽出部１１０と、特徴量抽出部１１０が抽出した生体情報の特徴量を入力し、特徴抽出部１１０に入力した生体情報とは異なる多数の生体情報を含む患者情報の統合特徴量の予測値を出力する特徴量変異部１３０と、統合特徴量の予測値を入力し、患者のリスク情報を出力する状態予測部１５０と、を備える。予測装置１００は、特徴量変異部１３０の学習データとして、多数の生体情報を含む患者情報についてそれぞれ抽出した特徴量を入力し、統合特徴量を生成する特徴量統合部１２０をさらに備える。【選択図】図１

Description

本発明は、患者の容態変化や異常を予測する技術に関する。
ＩＣＵ(集中治療室)では、患者の呼吸、循環、中枢、感染、腎機能、血液などに関するバイタルデータ（生体情報）をモニタリングして、患者のトリアージを行っているが、患者数の増加とＩＣＵを専門とする医師や看護師の人手不足に伴い、現場の負荷軽減が喫緊の課題である。
その課題を解消するため、近年、患者の生体情報や診療情報を用いて、患者の容態変化や重症化の予兆を予測し、医師の診断支援への応用する研究開発が行われている。特許文献１には、機械学習を用いた予測技術が開示されている。具体的には、多数の生体情報を用いて、ルールベースの線形モデルの学習パラメータを生成し、この学習パラメータを適用して実際の患者について患者リスクを予測する技術が記載されている。
米国特許出願公開第２０１８／００２５２９０号明細書
一般的な機械学習を用いた予測技術では、学習モデルを生成するための学習データの種類と、運用中に予測（推論）するための入力データの種類とを一致させる必要がある。また、より高い予測精度を得るために、患者状態の予測に大きく寄与すると考えられる、患者の診療記録や検査結果などの診療情報を豊富に活用して、学習と推論に用いることが望ましい。しかしながら、ＩＣＵを運用する様々な病院や施設では、記録される患者の生体情報や診療情報の種類や数が、施設によって異なる可能性が高い。そのため、予測モデルを学習する時に用いられる学習データは、多数の施設で共通で記録され、かつ予測システムに入力可能な患者生体情報と患者診療情報に限られることが一般的である。例えば、特許文献１には、生成された学習パラメータを推論に適用し、望ましい予測結果を得るために、学習用生体情報と、推論用生体情報が同じ種類数であることが前提とされている。さらに、患者の診療情報は用いられていない。
本発明は、施設によって得られる患者情報が異なっていても、そこで得られる患者情報を入力することによって、より多くの種類や数の患者情報を用いた時と同様に精度よく患者リスクを予測することができる予測方法及び予測装置を提供することを課題とする。
上記の課題を達成するため、本発明は、患者状態の予測において、多数の患者生体情報と患者診療情報を融合した特徴量或いは多種目の生体情報を統合した特徴量と、個別の患者生体情報との関係性を学習した学習モデルを生成し、患者リスクを予測する予測モデルに組み込む。この予測モデルは、学習モデルの学習データとは種類や数が一致しない患者情報を入力することで、患者リスクを予測し出力する。
具体的には、本発明の予測装置は、患者の生体情報を入力し、その特徴量を抽出する特徴抽出部と、特徴量抽出部が抽出した生体情報の特徴量を入力し、特徴抽出部に入力した生体情報とは異なる生体情報を含む患者情報の統合特徴量の予測値を出力する特徴量変異部と、統合特徴量の予測値を入力し、患者のリスク情報を出力する状態予測部と、を備える。統合特徴量は、多数の生体情報を含む患者情報についてそれぞれ抽出した特徴量を統合した特徴量であり、患者情報毎に生成されている。特徴量変異部は、作成された統合特徴量と、個々の生体情報の特徴量とを用いて、その関係性を学習したものである。
また本発明の予測方法は、多数の生体情報を含む患者情報を解析し、患者情報の特徴量を、患者情報の種類或いは生体情報の種目毎に抽出する解析ステップと、種類毎或いは種目毎に抽出した特徴量を統合して統合特徴量（融合特徴量）を生成する統合ステップと、種類毎或いは種目毎の特徴量と統合特徴量との関係性を学習するステップと、特定の生体情報の特徴量を入力として、学習ステップで得た関係性に基づき、統合特徴量の予測値を予測する特徴量変異ステップと、統合特徴量の予測値を用いて、特定の患者の状態を予測する予測ステップと、を含む。
本発明によれば、個別の施設で運用する時には、その予測モデルに入力される患者情報（生体情報と診療情報）の種類や数が学習データの種類や数と一致しなくても、多数種類の生体情報と診療情報に基づく推論と同様の推論を行うことができ、患者状態を高精度に予測することが可能となる。
本発明の予測装置の構成の一例を示すブロック図。 実施形態１に係る予測装置のハードウェア構成の一例を示すブロック図。 実施形態１に係る予測方法の処理の概要を示す図で、（Ａ）は学習時の処理、（Ｂ）は推論時の処理を示す図。 実施形態１の予測モデルの学習時の処理流れを示すフローチャート図。 実施形態１の生体情報解析部（特徴量抽出部）の構成を示す図で、（Ａ）〜（Ｃ）はそれぞれ異なる構成例を示す。 実施形態１の診療情報解析部（特徴量抽出部）の構成を示す図。 実施形態１の特徴量処理部における学習に関わる構成を示す図。 実施形態１の状態予測部の構成を示す図。 実施形態１の予測モデルの推論時の処理流れを示すフローチャート図。 実施形態１の特徴量処理部における推論に関わる構成を示す図。 （Ａ）〜（Ｃ）は、それぞれ、実施形態１に係る予測装置の予測結果の出力例を示す図。 実施形態２に係る予測方法の処理の概要を示す図で、（Ａ）は学習時の処理、（Ｂ）は推論時の処理を示す図。 実施形態２の予測モデルの学習時の処理流れを示すフローチャート図。 実施形態２の特徴量変異部における学習に関わる構成を示す図。 実施形態２に係る予測モデルの推論時の処理流れを示すフローチャート図。 実施形態２の特徴量変異部における推論に関わる構成を示す図。
以下、本発明の実施の形態を図面に基づいて詳細に説明する。なお、実施の形態を説明するための全図において、同一部分には原則として同一の符号を付し、その繰り返しの説明は省略する。
最初に各実施形態に共通する予測装置の全体構成を、図１を参照して説明する。
図１に示すように、予測装置１００は、患者の生体情報を入力し、その特徴量を抽出する特徴抽出部１１０と、特徴量抽出部１１０が抽出した生体情報の特徴量を入力し、特徴抽出部１１０に入力した生体情報とは異なる多数の生体情報を含む患者情報の統合特徴量の予測値を出力する特徴量変異部１３０と、統合特徴量の予測値を入力し、患者のリスク情報を出力する状態予測部１５０と、を備える。
予測装置１００を構成する特徴量抽出部１１０、特徴量変異部１３０及び状態予測部１５０は、一部または全部を学習モデルで構成することができる。学習モデルは、所定の入力に対し所定の出力が得られるように学習されている。
予測装置１００は、特徴量変異部１３０の学習データとして、多数の生体情報を含む患者情報についてそれぞれ抽出した特徴量を入力し、統合特徴量を生成する特徴量統合部１２０をさらに備えることができる。特徴量統合部１２０に入力する患者情報の特徴量も、特徴量抽出部１１０で抽出することができる。また、特徴量統合部１２０の後段に、統合特徴量から患者情報の特徴量を復元する特徴量復元部１４０を備えていてもよく、それにより特徴量復元部１４０が復元した特徴から学習モデルの学習効果を確認することができる。特徴量統合部１２０及び特徴量復元部１４０も、エンコーダーとデコーダーを含む学習モデルで構築することができる。
本実施形態の予測装置１００は、さらに、特徴量抽出部１１０へのデータ入力や各処理についての指令の入力のための入力装置１７０、予測部１５０の予測情報を出力するための出力装置１８０、処理途中のデータや処理結果などを格納するための記憶装置１９０などを備えていてもよい。また記憶装置１９０には、後述する予測装置１００の学習のための学習データなどを格納しておいてもよい。さらに予測装置１００は、通信手段等を介して医療機関内のデータベースに接続されていてもよい。
以下、各部の機能の概要を説明する。
特徴量抽出部１１０は、生体情報計測装置（不図示）から直接、或いは、入力装置１７０を介して或いは記憶装置１９０（データベースを含む）を介して、生体情報及び診療情報を取り込み、それらの特徴量を抽出する。生体情報は、血圧、心拍、酸素飽和度、呼吸数、体温など計測によって得られる時系列の計測情報である。診療情報は、性別、年齢、体重、習慣（喫煙、飲酒）など診療時に得られる情報である。ここでは、生体情報及び診療情報を総括して患者情報という。特徴量の抽出は、例えば、時系列データの平均値や最大値など統計的な数値の抽出（ルールベースの抽出）でもよいし、特徴抽出アルゴリズムや機械学習（ニューラルネットワーク：ＤＮＮを含む）を用いた抽出でもよい。特徴量は、例えば、高次元のベクトルの形で生成することができる。
特徴量抽出部１１０は、予測装置１００の学習段階においては、多数の患者情報について特徴量の抽出を行っておく。多数の患者情報としては、例えば患者の生体情報及び診療情報のように種類の異なる患者情報をそれぞれ多数用いてもよいし、同じ種類の患者情報（生体情報）を多種目用いてもよい。生体情報と診療情報とを入力する場合には、それぞれについて、特徴量を抽出する。また多種目の生体情報を入力する場合には、種目分の特徴量を抽出する。
特徴量統合部１２０は、多数の患者情報の特徴量を入力し、それらを統合して統合特徴量を作成する。統合特徴量は、入力された患者情報の種類や種目に応じて、多数の統合特徴量が得られる。個々の統合特徴量は、種類や数の多い特徴量を扱いやすい一つの或いは低次元の特徴量に変換したものであり、例えば、二以上の患者情報の特徴量が種類の異なる患者情報の特徴量の場合には（例えば生体情報と診療情報の各特徴量の場合には）、これらを結合した融合特徴量としてもよいし、多数の特徴量の場合には、多次元ベクトルからなる特徴量を圧縮した特徴量（圧縮特徴量）としてもよい。
特徴量変異部１３０は、学習段階において、特徴量統合部１２０が生成した多数の統合特徴量と個々の生体情報の特徴量とを関連付ける学習を行う。これにより、推論段階で、一つの生体情報の入力し、それと関連付けられた統合特徴量を出力する。これら特徴量変異部１３０の機能は、例えば、オートエンコーダー法による学習モデル（それぞれニューラルネットワークで構成されるエンコーダーとデコーダーのセット）により実現できる。
特徴量復元部１４０は、特徴量統合部１２０の後段に設けることができ、特徴量変異部の学習結果や復元された患者情報を出力する。この出力は、学習の効果確認や推論時の処理結果の確認のために表示させることが可能である。
状態予測部１５０は、特徴量処理部１３０の出力である統合特徴量を入力して、患者リスク情報を出力する。状態予測部１５０もニューラルネットワークＮＮ（ＤＮＮを含む）などの機械学習アルゴリズムにより構成され、特徴量変異部１３０の学習時に得られる多数の統合特徴量と患者リスク情報とを学習データとして学習させることにより予測部１５０を構成する予測モデルを得ることができる。
患者リスク情報は、例えば、生体情報の複数の計測種目を加重加算したスコアのような形で算出されたものや、それをさらにテキスト情報にしたものなどを含む。予測部１５０の予測結果は、出力装置１８０に表示される。
以上の構成の予測装置１００では、学習段階において、特徴量抽出部１１０が多数の患者情報を用いて、それぞれの特徴量を抽出し、特徴量統合部１２０がそれら特徴量を用いて統合特徴量を作成するとともに、特徴変異部１３０が、生体情報から抽出した生体情報特徴量と特徴量統合部１２０が作成した統合特徴量とを関連付けて、特定の生体情報に対応する統合特徴量（予測値）が出力できるように学習が行われる。状態予測部１５０は、統合特徴量を入力として患者リスクを出力するように学習が行われる。
推論段階では、予測対象の患者から得られた生体情報を入力すると、特徴量抽出部１１０が入力された生体情報の特徴量を抽出し、特徴量変異部１３０が抽出された特徴量から統合特徴量の予測値を出力する。状態予測部１５０は、特徴量変異部１３０の出力である予測値を入力し、患者のリスク情報を出力する。これにより患者リスクの予測を行うことができる。
本実施形態の予測装置によれば、施設ごとに利用可能な患者情報が異なっていても、そこで得られる生体情報のみを入力することで、患者の容態変化などを予測することができる。予測は、特定の生体情報のみならず患者状態を判断するのに重要な患者情報にも基づいて行われるので、高い精度の予測が行われる。
上述した予測装置の実施形態の構成を基本として、以下、予測装置の各部の詳細及び予測方法の実施形態を説明する。
＜実施形態１＞
本実施形態は、患者の生体情報と生体情報以外の患者診療情報とをそれぞれ解析して特徴量を抽出する解析ステップと、生体情報特徴量と診療情報特徴量を融合して融合特徴量を生成する融合ステップと、生体情報特徴量と診療情報特徴量との関係性を学習する学習ステップと、生体情報のみの入力から、特徴量関係性学習により、融合特徴量を予測する特徴量変異学習ステップと、特徴量変異学習より得られた予測融合特徴量を用いて患者状態を予測する予測ステップと、を含む予測方法を行う実施形態である。
以下、実施形態１の予測装置１００Ａの具体的な構成例について詳述する。図２に、予測装置１００Ａの全体構成の一例を示す。予測装置１００Ａは、大きく分けて、演算部１０とユーザーインターフェース（ＵＩ）部２０とからなり、演算部１０とＵＩ部２０とはバス５によって相互に接続されている。
演算部１０は、ＣＰＵ（プロセッサ）１、メモリ２、３を備えている。メモリとしては、例えば、ＲＯＭ（不揮発性メモリ：読出専用の記憶媒体）２やＲＡＭ（揮発性メモリ：データの読み書きが可能な記憶媒体）３を備える。さらに外部記憶装置４が接続されていてもよい。
ＵＩ部２０は、外部からのデータや指令を受け付けるための入力部と、予測装置１００Ａの結果やＧＵＩなどを出力するための出力部とを有する。入力部は、例えば、医療機関等の患者情報記録装置４０に接続された患者情報入力部６、ＵＳＢ等の記録媒体５０からの入力を受け付ける媒体入力部７、マウス、キーボード等の入力装置６０からの入力を受け付ける入力制御部８を備えている。出力部として、図示する例では、表示制御部２４を備えており、表示制御部９にはディスプレイ７０が接続されている。
メモリ（ＲＯＭ２およびＲＡＭ３）の少なくとも一方には、ＣＰＵ１の演算処理で予測装置１００Ａの動作を実現するために必要とされるプログラム、データ、予測モデルが予め格納されている。ＣＰＵ１が、メモリに予め格納されたプログラムを実行することによって、後で詳述する予測装置１００Ａの各種処理が実現される。なお、ＣＰＵ１が実行するプログラムは、例えば、光ディスクなどの記憶媒体５０に格納しておき、光ディスクドライブなどの媒体入力部７がそのプログラムを読み込んでＲＡＭ３に格納する様にしてもよい。また、記憶装置４に当該プログラムを格納しておき、記憶装置４からそのプログラムをＲＡＭ３にロードしてもよい。また、ＲＯＭ２にあらかじめ当該プログラムを記憶させておいてもよい。
患者情報入力部６は、患者情報記録装置４０に格納されている患者の生体情報と診療情報を取り込むためのインターフェースである。記憶装置４は、患者情報入力部６を介して入力された患者生体情報等を格納する磁気記憶装置である。記憶装置４は、例えば、フラッシュメモリなどの不揮発性半導体記憶媒体を備えてもよい。また、ネットワークなどを介して接続された外部記憶装置を利用してもよい。
入力装置６０は、ユーザの操作を受け付ける装置であり、例えば、キーボード、トラックボール、操作パネルなどを含む。入力制御部８は、ユーザによって入力された操作入力を受け付けるインターフェースである。入力制御部８が受けた操作入力は、ＣＰＵ１によって処理される。表示制御部９は、例えば、ＣＰＵ１の処理で得られた患者情報と予測結果をディスプレイ７０に表示させる制御を行う。ディスプレイ７０は、表示制御部９の制御下で患者情報と予測結果を表示する。
本実施形態の予測装置１００Ａは、ＣＰＵ１１に搭載された予測モデルを用いて、生体情報から患者の状態予測を行う。予測モデルによる予測機能を実現するために、まず、予測装置１００Ａを構成する機械学習モデルの学習が行われ、この学習済のモデル、すなわち予測モデルを用いた予測（推論）が行われる。
予測装置１００Ａを動作させる二つの機能、予測モデルを生成する学習機能及び予測モデルを用いた予測機能の概要を、それぞれ、図３（Ａ）、（Ｂ）のブロック図に示す。予測モデルを生成するための機能として、ＣＰＵ１には、図３（Ａ）に示すように、生体情報解析部（特徴量抽出部）１１、診療情報解析部１６、特徴量変異学習部１３、及び状態予測部１５が設けられる。特徴量変異学習部１３は、生体情報解析部１１および診療情報解析部１６でそれぞれ生成した特徴量を融合し、融合特徴量を生成する特徴量融合部１２を含む。これら各部は基本的に機械学習モデルで構成され、所定の学習を行うことで、図３（Ｂ）に示す生体情報解析部１１０、特徴量変異部１３０、および状態予測部１５０が生成される。そして、この生成された生体情報解析部（特徴量抽出部）１１０、特徴量変異部１３０、および状態予測部１５０が、所定の患者の状態予測を行う。
［学習モデルの学習］
最初に、図４に示す学習機能フローチャートを用いて、図３（Ａ）に示した学習機能ブロックの処理を説明する。
［ステップＳ４１］
生体情報解析部１１が患者のバイタルデータである生体情報２１を受け付け、機械学習もしくはルールベースの方法を用いて生体情報特徴量２３を抽出する。
生体情報は、血圧、心拍、酸素飽和度、呼吸数、体温など、時系列の計測信号であり、学習段階では、多数の患者について予め取得されている計測信号が用いられる。生体情報解析部１１は、公知の機械学習手法であるＬＳＴＭ（Long short-term memory）法を用いて、これらの計測信号から生体情報の時間的変化を表現できる特徴量を抽出する。
生体情報解析部１１の構成例を図５（Ａ）〜（Ｃ）に示す。図５（Ａ）に示す構成例１１Ａは、複数のＬＳＴＭ抽出器を組み込んだエンコーダーからなる学習モデルで、各ＬＳＴＭ抽出器で一定の時間間隔Ｔ以内に計測された生体情報を読み込み、生体情報の時間変化を学習し、時刻ｔ+Ｔに生体情報特徴量を出力する。図５（Ｂ）に示す構成例１１Ｂは、それぞれのＬＳＴＭ抽出器から時刻ごとに生体情報特徴量を出力する。図５（Ｃ）に示す構成例１１Ｃは、時系列の生体情報から、ルールベースの特徴量、例えば、時間間隔Ｔ内の平均値、標準偏差、中央値、最頻値、歪度、尖度などの統計学的特徴量を抽出する第１抽出器と、図５（Ｂ）に示す各ＬＳＴＭ抽出器で構成される第２抽出器とを組み合わせ、第１抽出器の出力である統計学的特徴量と第２抽出器で抽出される時系列特徴量と融合して出力する。なお、図５では、ＬＳＴＭ法の抽出器を用いる例を示したが、その簡略版である公知のＲＮＮ（Recurrent Neural Network）法やＧＲＵ（Gated Recurrent Unit）法を用いてもよい。
［ステップＳ４２］
診療情報解析部１６が患者の診療情報２２を受け付け、機械学習の方法を用いて診療情報特徴量２４を抽出する。診療情報は患者の年齢、性別、病歴、各種検査結果などを含み、生体情報と同様に、多数の患者について予め取得されたデータを読み込んで用いる。診療情報解析部１６の構成例を図６に示す。図示する例では、公知の機械学習手法であるＤＮＮ（deep neural network）法を用いている。
［ステップＳ４３］
特徴量変異学習部１３は、ステップＳ４１、Ｓ４２でそれぞれ抽出された生体情報特徴量２３と診療情報特徴量２４を受け取り、まず特徴量融合部１２がこれらを融合して融合特徴量２５を生成する。融合の仕方は、単に特徴量を表す多次元ベクトルを足し合わせてもよいし、次元を圧縮した後足し合わせたり、足し合わせた後に圧縮してもよい。さらに、特徴量変異学習部１１は、生体情報特徴量２３のみから融合特徴量２５を予測する学習を実行する。これは、ある種類の特徴量を別の種類の特徴量との関係性を学習する処理であり、ここでは特徴量変異学習と呼ぶ。
この特徴量変異機能を実現する特徴量変異学習部１３の構成例を図７に示す。ここでは特徴量変異学習を、公知である機械学習手法オートエンコーダー（autoencoder）法を用いて行う例を示す。オートエンコーダー法は、ニューラルネットワーク（neural network）を使用した次元圧縮のためのアルゴリズムであり、エンコダー（encoder）とデコーダー（decoder）により構成されるオートエンコーダーを用いる。入力データに対し、ニューラルネットワークを用いたエンコーダーはそのデータの次元を非線形的に圧縮し、圧縮特徴量を生成する。デコーダーはニューラルネットワークを用いて、その圧縮特徴量を元の入力データに復元する。
特徴量変異学習部１３は、このようなオートエンコーダーを３つ組み合わせて構成されている。一つ目のオートエンコーダー２００は、融合特徴量２５を生成するための学習モデルであり、エンコーダー２０１が、生体情報特徴量２３と患者情報特徴量２４を受け付けて連結し、次元圧縮を行い、融合特徴量２５を生成する。またデコーダー２０２は、融合特徴量２５を受け付け、生体情報特徴量２３と患者情報特徴量２４を復元するよう、復元生体情報特徴量２６と復元患者情報特徴量２７を生成する。デコーダー２０２による復元は、オートエンコーダー２００が適切に学習されているか、すなわち入力と出力との誤差が最小化したかを確認するために行われる。
２つ目のオードエンコーダー２１０は、圧縮生体情報特徴量２８を生成するための学習モデルであり、エンコーダー２１１が、生体情報特徴量２３を受け付け、次元圧縮を行い、デコーダー２１２が、圧縮生体情報特徴量２８を受け付け、生体情報特徴量２３を復元するよう、復元生体情報特徴量２９を生成する。デコーダー２１２による復元もオートエンコーダー２１０の学習効果の確認のために行われる。
３つ目のオードエンコーダー２２０は、圧縮生体情報特徴量２８を融合特徴量２５に変異させるための学習モデルである。エンコーダー２２１が、圧縮生体情報特徴量２８を受け付け、次元圧縮を行い、得られたさらに圧縮された特徴量をデコーダー２２２へ出力する。デコーダー２２２はその圧縮特徴量を、融合特徴量２５に復元できるよう、学習を行う。これにより、生体情報特徴量２３が、生体情報特徴量２３と患者情報特徴量２４を融合して生成された融合特徴量２５に変異するような学習を行うことができる。
学習過程において、オートエンコーダーにおけるニューラルネットワークのパラメータは、反復的な最適化処理により推定される。その最適化処理において、所定の学習誤差を最小化するよう行われる。学習は３つのオートエンコーダー２００、２１０、２２０をそれぞれで、入力と出力と誤差を最小化するように行ってもよいし、全体で行ってもよい。すなわち、復元生体情報特徴量２６と生体情報特徴量２３との誤差、復元治療情報特徴量２７と治療情報特徴量２４との誤差、復元生体情報特徴量２９と生体情報特徴量２３との誤差、融合特徴量２５と圧縮生体情報特徴量２８との誤差を、全体的に最小化するよう最適化を行うことができる。さらに、医学的な知見などに基づいて、患者状態予測に寄与度の高いと思われる特徴量を予め指定し、特定の重みをかけて誤差を最小化することもできる。
［ステップＳ４４］
状態予測部１５は、特徴量変異学習部１３が生成した融合特徴量２５を用いて患者状態を予測する学習モデルを生成する。学習過程において、公知の機械学習手法であるＤＮＮ（deep neural network）法を用いることができる。
ニューラルネットワーク（neural network）は、複数のパーセプトロンと呼ばれる人工ニューロンにより構成される機械学習モデルである。パーセプトロンは、複数の入力と、それらと対応する重み係数を持つ意思決定モデルであり、予測結果もしくは入力データから抽象化された情報を出力する。ＤＮＮは多層のニューラルネットワークより構成される。状態予測部１５は、図８に示すように、融合特徴量２５を入力データとして用いて、最適化処理において、各層のニューラルネットワークにおけるパーセプトロンの重み係数を推定して、患者状態を予測する。この予測値が、生体情報及び患者情報から導出される予測値と一致するように学習を行う。
患者状態の予測値は、例えば、所定の疾患について発症リスクや、重症度などを数値化した値であり、診療情報や生体情報から得られる数値を重み付けして加算し、０〜１００までのスカラー量として表現してもよいし、リスクの高さや重症度を複数の段階に分けて離散的な数値で表現してもよい。予測値は患者状態を表すテキストであってもよいし、数値とテキストを組み合わせてもよい。
以上のステップＳ４１〜Ｓ４４により、図３（Ａ）に示す学習機能の処理が完了する。次いで本実施形態の予測装置１００Ａは、図３（Ｂ）に示すように、学習済の学習モデルで構成される生体情報解析部１１０、特徴量変異部１３０、および予測部１５０を用いて、患者状態の予測を行う（推論）。
以下、図９に示す患者状態を予測するフローチャートを用いて、図３（Ｂ）に示した推論機能ブロックの処理を詳述する。
［ステップＳ９１］
生体情報解析部（特徴量抽出部）１１０は予測対象である患者の生体情報３１を受け付け、生体情報解析部１１で生成した学習パラメータを用いて、生体情報特徴量３３を抽出する。
［ステップＳ９２］
特徴量変異部１３０は、生体情報特徴量３３を受け付け、生体情報特徴量と患者情報特徴量を融合した融合特徴量を予測し、融合特徴量（予測値）３５を生成する。
特徴量変異部１３０の機能ブロック図を図１０に示す。図１０に示すように、特徴量変異部１３０は、図７に示す特徴量変異学習部１３の学習モデルのうち、推論の処理部として機能する学習済モデル（オートエンコーダー３１０、３２０）で構成される。オートエンコーダー３１０のエンコーダー３１１とデコーダー３１２のそれぞれは、エンコーダー２１１とデコーダー２１２のそれぞれと対応する推論の処理部である。オートエンコーダー３２０のエンコーダー３２１とデコーダー３２２のそれぞれは、エンコーダー２２１とデコーダー２２２のそれぞれと対応する推論の処理部である。
エンコーダー３１１とデコーダー３１２は、エンコーダー２１１とデコーダー２１２で学習したニューラルネットワークのパラメータを用いて、図３（Ｂ）の生体情報解析部１１０より抽出された予測対象患者の生体情報特徴量３３の入力に対し、圧縮生体情報特徴量３４と復元生体情報特徴量３６を生成する。
エンコーダー３２１とデコーダー３２２は、エンコーダー２２１とデコーダー２２２で学習したニューラルネットワークのパラメータを用いて、圧縮生体情報特徴量３４から、融合特徴量３５へ変異する処理を実行する。
［ステップＳ９３］
状態予測部１５０は、融合特徴量３５（予測値）を受け付け、学習済の学習モデルを用いて患者状態を予測し、出力する。患者状態は、学習ステップのＳ４４で述べたように、例えば発症リスクスコアなど数値化した予測値として出力される。
さらに、状態予測部１５０は、推定の過程で予測結果の不確実性（確信度）を推定してもよい。予測結果の不確実性の推定は、公知の手法であるモンテカルロドロップアウト法を用いて行うことができる。ドロップアウト法では、状態予測部１５０の学習モデルを構成するニューラルネットワークの重みをランダムに０にすることができ、ドロップアウト法を推論時に用いることで、予測結果は各重みの分布からサンプリングしていることになる。このようなドロップアウト法を用いた推論を何回も繰り返すことで、予測結果の分布を推定することができ、予測結果の不確実性（確信度）を推定することができる。これによって、ユーザは予測結果だけではなく、予測結果に関する予測モデルの確信度を参考しながら、患者状態についての意思決定を行うことができる。
［ステップＳ９４］
予測装置１００Ａは、表示制御部９により、状態予測部１５０の出力をディスプレイ７０に表示する。表示の形態は特に限定されないが、図１１に、予測結果の表示例を示す。図１１（Ａ）は、予測に用いる入力の患者の情報（生体情報、もしくは生体情報と診療情報の両方）を表示するブロック７１と、患者状態の予測結果を表示するブロック７２とを併置して表示する例である。この例では、状態予測部１５０で得られた予測スコアが所定の閾値を超えた場合、ブロック７１にアラート画面を表示する。ユーザがディスプレイ７０のタッチパネルもしくは表示制御部９を介して、アラートの内容を選択すると、図１１（Ａ）のブロック７２は、図１１（Ｂ）に示すように、症状名、リスクスコア、予測発症時刻など、アラートの具体的な内容を表示する画面に変更される。なお、予測ステップのＳ８４で、状態予測部１５０が、予測結果の確信度を推定した場合には、図１１（Ｃ）に示すように、予測結果に関する確信度を併せて表示してもよい。
以上説明したように、本実施形態の予測方法、及び予測装置によれば、多数種類の生体情報と診療情報の学習データを用いて生成した予測モデルに対し、学習データと異なる種類数の生体情報と診療情報を入力しても、多数種類のデータの特徴量を反映できるような融合特徴量を生成して患者状態を高精度に予測することが可能となる。
＜実施形態２＞
本実施形態１では、多数の患者について異なる種類の患者情報（生体情報と診療情報）の特徴量を融合して融合特徴量を生成し、生体情報の特徴量と融合特徴量とを関連性を学習しておき、入力された予測対象患者の生体情報の特徴量から融合特徴量を推定し、推定した融合特徴量から患者状態の予測値を求めるものであったが、本実施形態は、多数種目の生体情報から抽出した特徴量と、多数種目の生体情報の一部である少数種目の生体情報から抽出した特徴量との関連性を学習しておき、少数種目の生体情報を入力することで、多数種目の生体情報の特徴量を推定し、それから状態予測を行うものである。
すなわち、実施形態２の予測方法は、患者の多種目の生体情報と、多種目の生体情報の一部である少種目の生体情報とをそれぞれ解析して特徴量を抽出する解析ステップと、多種目の生体情報の特徴量と少種目の生体情報の特徴量との関係性を学習する学習ステップと、少種目の生体情報のみの入力から、学習した特徴量の関係性を用いて、多種目の生体情報の特徴量を推定する特徴量変異ステップと、特徴量変異ステップで得られた特徴量を用いて患者状態を予測する予測ステップと、を備える。時系列の計測データとして得られる生体情報には、体温、血圧、脈拍、心電図、血中酸素濃度、脳波など種々の種目があり、このうちできるだけ多くの種目の生体情報を含むものが多種目生体情報であり、施設によって取得可能な種目が限定される、少数の種目の生体情報が少種目生体情報である。以下、前者をＬ生体情報、後者をＳ生体情報と略記する。
本実施形態の予測装置１００Ｂの構成は、図１及び図２に示した実施形態１の構成と同様であり、特徴量抽出部、特徴量変異部、及び予測部を備え、これら各部には学習モデルが備えられている。但し、特徴量抽出部については、実施形態１の診療情報解析部に相当する機能部は省略され、また各部の処理が異なる。以下、図１２を参照して、本実施形態の予測方法及び装置を説明する。なお、実施形態２の説明において、実施形態１と同じ構成及び処理については、同じ符号を付して説明を省略する。
図１２（Ａ）、（Ｂ）は、本実施形態の予測装置１００ＢのＣＰＵ１が実行する二つの機能、予測モデルを生成する学習機能及び予測モデルを用いた予測機能を示すブロック図である。予測モデルを生成するための機能として、ＣＰＵ１には、図１２（Ａ）に示すように、第１及び第２の生体情報解析部（特徴量抽出部）１１Ｂ、１２Ｂ、特徴量変異学習部１３Ｂ、及び状態予測部１５Ｂが設けられる。これら各部は基本的に機械学習モデルで構成され、所定の学習を行うことで、図１２（Ｂ）に示す生体情報解析部（特徴量抽出部）１１０、特徴量変異部１３０、および状態予測部１５０が生成される。そして、この生成された生体情報解析部１１０、特徴量変異部１３０、および状態予測部１５０が、所定の患者の状態予測を行う。
まず、図１３に示すフローチャートを用いて、図１２（Ａ）に示した学習機能ブロックの処理を説明する。まず、ステップＳ４０１において、生体情報解析部１１Ｂが患者の多数種目のバイタルデータであるＬ生体情報４１を受け付け、Ｌ生体情報特徴量４３を抽出する。ステップＳ４０２において、生体情報解析部１２ＢがＬ生体情報４１の一部である少数種類の生体情報（以下、Ｓ生体情報という）４２を受け付け、Ｓ生体情報特徴量４４を抽出する。ステップＳ４０３において、特徴量変異学習部１３ＢがＬ生体情報特徴量４３とＳ生体情報特徴量Ｓ４４を受け付け、まず、Ｌ生体情報特徴量Ｌ４３の次元数を圧縮した、圧縮Ｌ生体情報特徴量４５を生成する。さらに、特徴量変異学習部１３Ｂは、Ｓ生体情報特徴量４４のみから、圧縮Ｌ生体情報特徴量４５を予測する、特徴量変異学習機能を実行する。ステップＳ４０４において、状態予測部１５Ｂが圧縮Ｌ生体情報特徴量４５を用いて患者状態を予測する学習モデルを生成する。
生体情報解析部１１Ｂ、１２Ｂの構成は、処理する情報量の多寡の違いだけであって、実施形態１の生体情報解析部１１の構成と同様であり、図５（Ａ）〜（Ｃ）に示したような、ＬＳＴＭ抽出器を用いた学習モデルを採用することができる。
特徴量変異学習部１３Ｂの構成は、実施形態１の特徴量変異学習部１３の構成と類似しており、図１４に示すように、３つのオートエンコーダー４００〜４２０より構成されている。
オートエンコーダー４００のエンコーダー４０１は、多種目のＬ生体情報特徴量４３を受け付け、次元圧縮を行い、圧縮Ｌ生体情報特徴量４５を生成する。デコーダー４０２は、圧縮Ｌ生体情報特徴量４５を受け付け、Ｌ生体情報特徴量４３を復元するよう、復元Ｌ生体情報特徴量４７を生成する。
オートエンコーダー４１０のエンコーダー４１１は、種目が少ないＳ生体情報特徴量４４を受け付け、次元圧縮を行い、圧縮Ｓ生体情報特徴量４６を生成する。デコーダー４１２は、圧縮Ｓ生体情報特徴量４６を受け付け、Ｓ生体情報特徴量４４を復元するよう、復元Ｓ生体情報特徴量４８を生成する。
デコーダー４０２及び４１２の復元は、これら学習モデルの学習効果を確認するために行われる。
オートエンコーダー４２０のエンコーダー４２１は、圧縮Ｓ生体情報特徴量４６を受け付け、次元圧縮を行い、さらに圧縮された特徴量をデコーダー４２１へ出力する。デコーダー４２２はその圧縮特徴量を、多数種目の圧縮Ｌ生体情報特徴量４５に復元できるよう、学習を行う。これにより、Ｓ生体情報特徴量４４が、Ｌ生体情報特徴量４３より圧縮されて生成した圧縮Ｌ生体情報特徴量４５に、変異するような学習を行うことができる。
学習過程の最適化処理において、復元Ｌ生体情報特徴量４７とＬ生体情報特徴量４３との誤差、復元Ｓ生体情報特徴量４８とＳ生体情報特徴量４４との誤差、圧縮Ｌ生体情報特徴量４５と圧縮Ｓ生体情報特徴量４６との誤差を、全体的に最小化するよう最適化を行うことができる。さらに、医学的な知見などに基づいて、患者状態予測に寄与度の高いと思われる特徴量を予め指定し、特定の重みをかけて誤差を最小化することもできる。
ステップＳ４０４の患者状態を予測する学習モデルは、実施形態１の状態予測部１５と同様に、公知の機械学習手法であるＤＮＮ法を用いることができ、最適化処理において、各層のニューラルネットワークにおけるパーセプトロンの重み係数を推定して、患者状態を予測するよう学習する。
以上のステップＳ４０１〜Ｓ４０４により、図１２（Ａ）に示す学習モデルの学習が完了する。
次に、上記ステップにより学習が行われた学習モデルを用いた、患者状態の予測機能について図１５のフローチャートを用いて説明する。まず、ステップＳ９０１において、生体情報解析部１１０Ｂは予測対象である患者のＳ生体情報５２を受け付け、Ｓ生体情報特徴量５４を抽出する。ステップＳ９０２において、特徴量変異部１３０Ｂは、Ｓ生体情報特徴量５４を受け付け、圧縮Ｌ生体情報特徴量５５を推定する。ステップＳ９０３において、状態予測部１５０Ｂは、推定された圧縮Ｌ生体情報特徴量５５を受け付け、学習済モデルを用いて患者状態を予測する。
推論機能を行う特徴量変異部１３０Ｂの構成例を図１６に示す。本実施形態の特徴量変異部１３０Ｂも、実施形態１の特徴量変異部１３０と同様に、変異学習部１３Ｂの学習モデルのうち、推論の処理部として機能する学習済モデル（オートエンコーダー５１０、５２０）で構成される。オートエンコーダー５１０のエンコーダー５１１とデコーダー５１２のそれぞれは、図１３のエンコーダー４１１とデコーダー４１２のそれぞれと対応する推論の処理部である。オートエンコーダー５２０のエンコーダー５２１とデコーダー５２２のそれぞれは、図１３のエンコーダー４２１とデコーダー４２２のそれぞれと対応する推論の処理部である。
オートエンコーダー５１０のエンコーダー５１１とデコーダー５１２は、エンコーダー４１１とデコーダー４１２で学習したニューラルネットワークのパラメータを用いて、図１２（Ｂ）の生体情報解析部１１０Ｂより抽出された予測対象患者のＳ生体情報特徴量５４の入力に対し、圧縮Ｓ生体情報特徴量５６と復元Ｓ生体情報特徴量５８を生成する。
エンコーダー５２１とデコーダー５２２は、エンコーダー４２１とデコーダー４２２で学習したニューラルネットワークのパラメータを用いて、圧縮Ｓ生体情報特徴量５６から、圧縮Ｌ生体情報特徴量５５へ変異する処理を実行する。
状態予測部１５０Ｂは、圧縮Ｌ生体情報特徴量５５を入力し、図１３のステップＳ４０４で学習した学習モデル（ＤＮＮ）を用いて患者状態を予測し、出力する。出力の仕方は実施形態１と同様であり、予測した状態と、予測に用いた生体情報を併せてディスプレイ７０に表示する。また本実施形態においても、状態予測部１５０Ｂによる推論時に、モンテカルロドロップアウト法を用いて確信度を推定することも可能であり、その場合、予測結果とともにその確信度を表示してもよい。
以上説明したように、本実施形態によれば、多数種目の生体情報の学習データを用いて生成した予測モデルに対し、学習データと異なる種目数の生体情報、もしくは、生体情報計測デバイスの異常や欠測により、生体情報の一部が欠けているようなデータを入力しても、生体情報の多数種目のデータの特徴量を反映できるような特徴量を生成して患者状態を高精度に予測することが可能となる。
なお、本発明は上記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施形態は本発明のより良い理解のために詳細に説明したのであり、必ずしも説明の全ての構成を備えるものに限定されものではない。上述した通り、本発明は、予測方法、及び予測装置に限定されるものでなく、ネットワークを介して患者情報記録装置と接続された予測装置、及びその予測方法として実現することができることは言うまでもない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることが可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
更に、上述した各構成、機能、処理部等は、それらの一部又は全部を実現するプログラムを作成する例を説明したが、それらの一部又は全部を例えば集積回路で設計する等によりハードウェアで実現しても良い。
１ ＣＰＵ
４ 記憶装置
９ 患者情報入力部
１０ 演算部
１１、１１Ｂ、１２Ｂ 生体情報解析部（特徴量抽出部）
１２、１２０ 特徴量統合部
１３、１３Ｂ 特徴量変異学習部
１５、１５Ｂ 状態予測部
１６ 診療情報解析部
２０ ユーザーインターフェイス部
６０ 入力装置
７０ ディスプレイ
１００、１００Ａ、１００Ｂ 予測装置
１１０、１００Ｂ 特徴量抽出部
１３０ 特徴量変異部
１３０Ｂ 生体情報解析部（特徴量抽出部）
１５０、１５０Ｂ 状態予測部

Claims (18)

  1. 患者の生体情報を入力し、その特徴量を抽出する特徴量抽出部と、
    前記特徴量抽出部が抽出した生体情報の特徴量を入力し、前記特徴量抽出部に入力した生体情報とは異なる生体情報を含む患者情報の統合特徴量の予測値を出力する特徴量変異部と、
    前記統合特徴量の予測値を入力し、前記患者のリスク情報を出力する状態予測部と、を備え、
    前記特徴量変異部は、前記生体情報の特徴量と前記統合特徴量との関係性を学習した学習モデルを含むことを特徴とする予測装置。
  2. 請求項１に記載の予測装置であって、
    前記統合特徴量を生成する特徴量統合部をさらに備えることを特徴とする予測装置。
  3. 請求項２に記載の予測装置であって、
    前記特徴量統合部が生成する前記統合特徴量は、多数の患者の生体情報及び診療情報それぞれについて得られた生体情報特徴量及び診療情報特徴量を融合した融合特徴量であることを特徴とする予測装置。
  4. 請求項２に記載の予測装置であって、
    前記特徴量統合部が生成する前記統合特徴量は、多数の患者の多種目の生体情報から得られた生体情報特徴量を圧縮した圧縮特徴量であることを特徴とする予測装置。
  5. 請求項２に記載の予測装置であって、
    前記統合特徴量を、患者情報毎の特徴量に復元する特徴量復元部をさらに備えることを特徴とする予測装置。
  6. 請求項５に記載の予測装置であって、
    前記特徴量統合部及び前記特徴量復元部は、患者情報毎の特徴量を入力し前記統合特徴量を出力するエンコーダと、前記統合特徴量を入力し前記患者情報毎の復元特徴量を出力するデコーダとを含み、入力された患者情報毎の特徴量と前記復元特徴量とが一致するように学習されることを特徴とする予測装置。
  7. 請求項５に記載の予測装置であって、
    前記特徴量抽出部が抽出した生体情報の特徴量を圧縮して圧縮特徴量を生成する圧縮部と、前記圧縮部で圧縮された圧縮特徴量を復元する復元部と、をさらに備え、
    前記特徴量変異部は、前記圧縮部に入力された前記生体情報の特徴量と前記復元部で復元された生体情報の特徴量とが一致し、且つ、前記特徴量統合部に入力された患者情報毎の特徴量と前記特徴量復元部によって復元された患者情報毎の特徴量とが一致するように学習されていることを特徴とする予測装置。
  8. 請求項１に記載の予測装置であって、
    前記特徴量変異部は、前記特徴量抽出部が抽出した生体情報の特徴量を圧縮して圧縮特徴量を生成する圧縮部を含み、前記圧縮部で生成した圧縮特徴量を入力し、前記統合特徴量を出力することを特徴とする予測装置。
  9. 請求項８に記載の予測装置であって、
    前記圧縮特徴量を復元する復元部をさらに備え、前記圧縮部及び前記復元部は、前記圧縮部に入力された生体情報の特徴量と、前記復元部によって復元された特徴量とが一致するように学習されることを特徴とする予測装置。
  10. 請求項１に記載の予測装置であって、
    前記特徴量抽出部は、時系列データの特徴量を抽出するニューラルネットワークを含むことを特徴とする予測装置。
  11. 請求項１に記載の予測装置であって、
    前記状態予測部は、前記統合特徴量から患者のリスク情報を出力するように学習したニューラルネットワークを含むことを特徴とする予測装置。
  12. 請求項１に記載の予測装置であって、
    前記状態予測部は、前記患者のリスク情報を、数値化したスコアとして出力することを特徴とする予測装置。
  13. 請求項１に記載の予測装置であって、
    前記状態予測部は、モンテカルロドロップアウト法により、予測結果の確信度を算出することを特徴とする予測装置。
  14. 請求項１に記載の予測装置であって、
    前記状態予測部の出力を表示する出力装置をさらに備えたことを特徴とする予測装置。
  15. 多数の生体情報を含む患者情報を解析し、前記患者情報の特徴量を、患者情報の種類或いは生体情報の種目毎に抽出する解析ステップと、
    前記種類毎或いは種目毎に抽出した特徴量を統合して統合特徴量を生成する統合ステップと、
    前記種類毎或いは種目毎の特徴量と前記統合特徴量との関係性を学習するステップと、
    特定の生体情報の特徴量を入力として、前記学習するステップで得た関係性に基づき、前記統合特徴量の予測値を予測する特徴量変異ステップと、
    前記融合特徴量の予測値を用いて前記特定の患者の状態を予測する予測ステップと、を含む予測方法。
  16. 請求項１５に記載の予測方法であって、
    前記生体情報を含む患者情報は、患者の生体情報と診療情報とを含み、前記統合ステップは、前記生体情報の特徴量および前記診療情報の特徴量を融合して融合特徴量を生成することを特徴とする予測方法。
  17. 請求項１５に記載の予測方法であって、
    前記生体情報を含む患者情報は、複数種目の生体情報を含み、前記統合ステップは、前記種目毎の特徴量を圧縮して圧縮特徴量を生成することを特徴とする予測方法。
  18. コンピュータに、
    多数の生体情報を含む患者情報を解析し、前記患者情報の特徴量を、患者情報の種類或いは生体情報の種目毎に抽出する解析ステップと、
    前記種類毎或いは種目毎に抽出した特徴量を統合して統合特徴量を生成する統合ステップと、
    前記種類毎或いは種目毎の特徴量と前記統合特徴量との関係性を学習するステップと、
    特定の生体情報を入力として、前記学習ステップで得た関係性に基づき、前記統合特徴量の予測値を予測する特徴量変異ステップと、
    前記融合特徴量の予測値を用いて前記特定の患者の状態を予測する予測ステップと、
    を実行させる予測プログラム。
JP2020047824A 2020-03-18 2020-03-18 患者状態の予測装置、予測方法、及び、予測プログラム Pending JP2021149423A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2020047824A JP2021149423A (ja) 2020-03-18 2020-03-18 患者状態の予測装置、予測方法、及び、予測プログラム
US17/078,206 US20210295999A1 (en) 2020-03-18 2020-10-23 Patient state prediction apparatus, patient state prediction method, and patient state prediction program
CN202011364831.9A CN113496779A (zh) 2020-03-18 2020-11-27 患者状态的预测装置、预测方法、以及预测程序

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020047824A JP2021149423A (ja) 2020-03-18 2020-03-18 患者状態の予測装置、予測方法、及び、予測プログラム

Publications (1)

Publication Number Publication Date
JP2021149423A true JP2021149423A (ja) 2021-09-27

Family

ID=77746788

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020047824A Pending JP2021149423A (ja) 2020-03-18 2020-03-18 患者状態の予測装置、予測方法、及び、予測プログラム

Country Status (3)

Country Link
US (1) US20210295999A1 (ja)
JP (1) JP2021149423A (ja)
CN (1) CN113496779A (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210398677A1 (en) * 2020-06-23 2021-12-23 Koninklijke Philips N.V. Predicting changes in medical conditions using machine learning models
CN114511767B (zh) * 2022-02-11 2023-12-01 电子科技大学 一种面向时序图数据的快速的状态预测方法
CN117253584B (zh) * 2023-02-14 2024-07-19 南雄市民望医疗有限公司 一种基于血液透析成分检测的透析时间预测系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2715825C (en) * 2008-02-20 2017-10-03 Mcmaster University Expert system for determining patient treatment response
US20170124269A1 (en) * 2013-08-12 2017-05-04 Cerner Innovation, Inc. Determining new knowledge for clinical decision support
JP6356616B2 (ja) * 2015-02-17 2018-07-11 日本電信電話株式会社 逐次姿勢識別装置および自律神経機能情報取得装置、方法ならびにプログラム
JP6586818B2 (ja) * 2015-08-21 2019-10-09 オムロンヘルスケア株式会社 診療支援装置、診療支援方法、診療支援プログラム、生体情報測定装置
EP3404666A3 (en) * 2017-04-28 2019-01-23 Siemens Healthcare GmbH Rapid assessment and outcome analysis for medical patients
EP3634204A4 (en) * 2017-07-28 2021-01-20 Google LLC SYSTEM AND METHOD FOR PREDICTING AND RECAPITULATING MEDICAL EVENTS FROM ELECTRONIC HEALTH RECORDS
JP7173482B2 (ja) * 2018-06-28 2022-11-16 広島県公立大学法人 ヘルスケアデータ分析システム、ヘルスケアデータ分析方法およびヘルスケアデータ分析プログラム
US10719323B2 (en) * 2018-09-27 2020-07-21 Intel Corporation Systems and methods for performing matrix compress and decompress instructions
CN109949936B (zh) * 2019-03-13 2023-05-30 成都数联易康科技有限公司 一种基于深度学习混合模型的再住院风险预测方法

Also Published As

Publication number Publication date
US20210295999A1 (en) 2021-09-23
CN113496779A (zh) 2021-10-12

Similar Documents

Publication Publication Date Title
Hussein et al. Efficient chronic disease diagnosis prediction and recommendation system
US20210295999A1 (en) Patient state prediction apparatus, patient state prediction method, and patient state prediction program
US7487134B2 (en) Medical risk stratifying method and system
Chowdhury et al. Heart disease prognosis using machine learning classification techniques
WO2012145616A2 (en) Predictive modeling
WO2020226751A1 (en) Interpretable neural network
CN107818824A (zh) 一种用于健康评估的健康模型构建方法及终端
CN111612278A (zh) 生命状态预测方法、装置、电子设备及存储介质
KR20190086345A (ko) 시계열 데이터 처리 장치, 이를 포함하는 건강 예측 시스템, 및 시계열 데이터 처리 장치의 동작 방법
Overweg et al. Interpretable outcome prediction with sparse Bayesian neural networks in intensive care
Popkes et al. Interpretable outcome prediction with sparse Bayesian neural networks in intensive care
Sahoo et al. Heart failure prediction using machine learning techniques
KR102415220B1 (ko) 시계열 데이터 처리 장치 및 이의 동작 방법
US20200357524A1 (en) Apparatus for patient data availability analysis
Twardy et al. Epidemiological data mining of cardiovascular Bayesian networks
JP2020042645A (ja) 時系列データ分析装置、時系列データ分析方法、および時系列データ分析プログラム
Habibi et al. Estimation of re-hospitalization risk of diabetic patients based on radial base function (RBF) neural network method combined with colonial competition optimization algorithm
de Almeida et al. Modeling early warning systems: construction and validation of a discrete event simulation model for heart failure
JP2021189585A (ja) 予測装置、予測方法、および予測プログラム
CN113990506B (zh) 一种健康状态评估方法、装置、存储介质及计算机系统
Subashini et al. Multimodal deep learning for chronic kidney disease prediction: leveraging feature selection algorithms and ensemble models
JP6422512B2 (ja) 計算機システム及びグラフィカルモデルの管理方法
US20220359082A1 (en) Health state prediction system including ensemble prediction model and operation method thereof
JP2016151959A (ja) 経年変化予測システム
Weiss Piecewise-constant parametric approximations for survival learning

Legal Events

Date Code Title Description
A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20211013

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230210

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231213

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231226

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240618

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20240821

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20240821