JP2022500767A - 一般的及び個人的な患者のリスク予測 - Google Patents

一般的及び個人的な患者のリスク予測 Download PDF

Info

Publication number
JP2022500767A
JP2022500767A JP2021514346A JP2021514346A JP2022500767A JP 2022500767 A JP2022500767 A JP 2022500767A JP 2021514346 A JP2021514346 A JP 2021514346A JP 2021514346 A JP2021514346 A JP 2021514346A JP 2022500767 A JP2022500767 A JP 2022500767A
Authority
JP
Japan
Prior art keywords
patient
vital sign
general
independent vital
risk score
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
JP2021514346A
Other languages
English (en)
Inventor
デイヴィッド ポール ノーレン
アシフ ラーマン
ブライアン コンロイ
ミンナン シュウ
ニヒル ガラガリ
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2022500767A publication Critical patent/JP2022500767A/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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • G16H40/00—ICT 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
    • G16H40/60—ICT 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 operation of medical equipment or devices
    • 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
    • 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
    • G16H40/00—ICT 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
    • G16H40/60—ICT 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 operation of medical equipment or devices
    • G16H40/67—ICT 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 operation of medical equipment or devices for remote operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Signal Processing (AREA)
  • Computational Mathematics (AREA)
  • Physiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Operations Research (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)

Abstract

本開示の様々な実施形態は、患者リスク予測方法を実行するための一般統計分類器４０および個人統計分類器５０を対象とする。動作時において、一般統計分類器４０は、単一バイタルサインについて単一の一般独立バイタルサインリスクスコアをレンダリングでき、及び／又は複数のバイタルサインについて複数の一般独立バイタルサインリスクスコアをレンダリングできる。個人統計分類器５０は、単一の個人独立バイタルサインリスクスコアを単一の患者特徴の前記単一の一般バイタルサインリスクスコアへの統合からレンダリングでき、及び／又は、複数の個人独立バイタルサインリスクスコアを、複数の患者特徴の前記単一の一般独立バイタルサインリスクスコアへの個々の統合から、単一の患者特徴の前記複数の一般独立バイタルサインリスクスコアへの個々の統合から、及び／又は複数の患者特徴の前記複数の一般独立バイタルサインリスクスコアへの個々の統合からレンダリングできる。

Description

[0001] 本開示で説明される様々な実施形態は、安定／非悪化患者状態または不安定／悪化患者状態を予測するための統計分類器を組み込んだシステム、装置、コントローラ、および方法に関する。
[0002] 過去１０年の間に、個々のケア提供者および医療機関は、低緊急度病棟で生じる未治療の患者の不安定／悪化が問題として高まっていることを認識した。これらの患者は、典型的には看護師と患者との人員配置比率の低さ、およびケア提供者の間の経験不足など、様々な理由で気付かれることがない。このような問題に対処するために、早期警告スコア（ＥＷＳ）ガイドが開発されており、このガイドは、さもなければ気付かれないバイタルサインの微妙な変化を追跡することができる。ＥＷＳガイド（例えば、修正ＥＷＳガイドおよび国内ＥＷＳガイド）は実際にある程度の有効性を示しており、いくつかの国（例、英国）では看護（ケア）の標準となっている。
[0003] 残念ながら、ＥＷＳガイドの採用は、高い誤り率の警報および全体的に低い感度のために制限されてきた。これらの限界は患者間の不均質性をもたらす結果であり、現在の研究では、リスク評価はより効果的であるために特定の患者群（例えば、呼吸器疾患、心血管疾患、敗血症など）に合わせるべきであることが示唆されている。
[0004] 前述に従い、本開示で説明される様々な実施形態の目的は、１つまたは複数のバイタルサインから一般独立バイタルサインリスクスコアを計算すること、および／または該一般独立バイタルサインリスクスコアおよび１つまたは複数の患者特徴に基づいて一般独立バイタルリスクスコアを計算することである。
[0005] 本開示を説明し、特許請求する目的のために、下記の通りとする。
[0006] (１)「バイタルサイン」、「患者特徴」、「人工知能」、「統計分類器」、および「リスクスコア」を含むがこれらに限定されない本開示の技術分野の用語は、本開示の技術分野で知られ、認識され、本開示に例示的に記載されるように広く解釈されるべきである。
[0007] (２)より具体的には、「バイタルサイン」という用語は、身体の生命維持機能の状態を示すか、または患者の健康状態を評価するために医療現場で採用されているかのいずれかで本開示の前後の技術において理解されるような徴候を広く包含する。既知のバイタルサイン（生命徴候）の例としては、心拍数、収縮期血圧、呼吸数、血中酸素飽和度（ＳＰＯ２）、体温、および患者の健康状態を評価する検査室の／科学的／実験値／測定値／定量化が挙げられるが、これらに限定されない。
[0008] (３)より具体的には、「患者特徴」という用語は、患者の病歴および現在の臨床評価の重要な側面を広く包含する。患者特徴の例には、疾患または状態（病状）の臨床診断、臨床検査の結果、および薬物処方が含まれるが、これらに限定されない。
[0009] (４)より具体的には、用語「統計分類器」は、本開示の技術分野で知られているか、または以下で考察されるような、新しい観察が一群のカテゴリ（部類）の中のどのカテゴリに属するかを予測するために本開示に従って訓練される機械学習モデルを広く包含する。統計分類器の例としては、ナイーブベイズ分類器、ロジスティック回帰分類器、ランダムフォレスト分類器、及び勾配ブースティング分類器が挙げられるが、これらに限定されない。
[0010] (５)より具体的には、「リスクスコア」という用語は、広義には新しい観察が一群のカテゴリの中の或るカテゴリに属するリスクのレベルを表す、統計分類器によって決定（レンダリング）されるスコア（点数）を包含する。
[0011] (６)「バイタルサインリスクスコア」という用語は、特定のバイタルサインの新たな観察が安定／非悪化患者状態又は不安定／悪化患者状態に属するリスクのレベルを表す統計分類器によって与えられるリスクスコアを広義に包含する。
[0012] (７)用語「独立バイタルサインリスクスコア」は、他のバイタルサインの観察とは独立に統計分類器によって与えられる特定のバイタルサインのリスクスコアを広く包含する。
[0013] 本開示の一実施形態は、一般的な統計分類器および個人的な統計分類器を含む人工知能エンジンを記憶したメモリを採用する患者リスク予測コントローラである。上記一般統計分類器は１つ以上のバイタルサインについて訓練されて、一般独立バイタルサインスコアを付与する一方、上記個人統計分類器は個人独立バイタルサインスコアを出力するために、１つ以上の患者特徴について訓練される。
[0014] 前記患者リスク予測コントローラは、１つまたは複数のプロセッサをさらに使用する。単数（単一）のバイタルサインに対する動作において、上記プロセッサは、訓練された一般統計分類器を単数バイタルサインに適用して、単数一般独立バイタルサインリスクスコアを出力する。その後、単数の患者特徴に対し、該プロセッサは、訓練された個人統計分類器を単数一般独立バイタルサインリスクスコアおよび単数患者特徴に適用して、単数患者特徴の単数一般独立バイタルサインリスクスコアへの統合から単数の個人独立バイタルサインリスクスコアを導出する。複数の患者特徴に対し、該プロセッサは、単数一般独立バイタルサインリスクスコアおよび複数患者特徴に訓練された個人統計分類器を適用して、該複数患者特徴の各患者特徴の単数一般独立バイタルサインリスクスコアへの個々の統合から、複数の個人独立バイタルサインリスクスコアを導き出す。
[0015] 代替的に、複数のバイタルサインのための動作時において、当該プロセッサは複数の一般独立バイタルサインリスクスコアを出力するために、複数のバイタルサインに訓練された一般統計分類器を適用する。その後、単数の患者特徴に対し、該プロセッサは訓練された個人統計分類器を複数の一般独立バイタルサインリスクスコアおよび単数患者特徴に適用して、複数の個人独立バイタルサインリスクスコアを、複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへの該単数患者特徴の個々の統合から導き出す。複数の患者特徴について、該プロセッサは、訓練された個人統計分類器を、複数の一般独立バイタルサインリスクスコアおよび複数の患者特徴に適用して、複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへの複数の患者特徴の各患者特徴の個々の統合から、複数の個人独立バイタルサインリスクスコアを導き出す。
[0016] 本開示の第２の実施形態は、一般統計分類器および個人統計分類器を含む人工知能エンジンの１つまたは複数のプロセッサによる実行のための命令で符号化（コード化）された非一時的マシン読取可能な記憶媒体である。ここでも、一般統計分類器はバイタルサインの１つ以上についてトレーニングを行い、一般独立バイタルサインスコアを出力し、個人統計分類器は個人独立バイタルサインスコアを出力するために、１つ以上の患者特徴についてトレーニングを行う。
[0017] 単数バイタルサインについて、当該符号化された媒体は、訓練された一般統計分類器を単数バイタルサインに適用して単数一般独立バイタルサインリスクスコアを出力するための命令を含む。その後、単数の患者特徴について、該コード化された媒体は、単数の患者特徴の単一一般独立バイタルサインリスクスコアへの統合から単数の個人独立バイタルサインリスクスコアを導出するために、単数の一般独立バイタルサインリスクスコア及び単数の患者特徴に対して、訓練された個人統計分類器を適用するための命令をさらに含む。複数の患者の特徴について、該符号化媒体は、さらに、訓練された個人統計分類器を、単数の一般独立バイタルサインリスクスコア及び複数の患者特徴に適用して、単数の一般独立バイタルサインリスクスコアへの複数の患者特徴の各患者特徴の統合から、複数の個人独立バイタルサインリスクスコアを導出するための命令を含む。
[0018] 他の例として、複数のバイタルサインに対し、該符号化媒体は、複数の一般独立バイタルサインリスクスコアを出力するために、複数のバイタルサインに訓練された一般統計分類器を適用するための命令を含む。その後、該コード化媒体は、さらに、単数の患者特徴に対し、訓練された個人統計分類器を、複数の一般独立バイタルサインリスクスコア及び単数の患者特徴に適用して、該単数の患者特徴の複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへの個々の統合から複数の個人独立バイタルサインリスクスコアを導出するための命令を含む。複数の患者特徴について、該コード化媒体は、さらに、訓練された個人統計分類器を複数の一般独立バイタルサインリスクスコア及び複数の患者特徴に適用して、複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへの上記複数の患者特徴の各患者特徴の個々の統合から複数の個人独立バイタルサインリスクスコアを導き出すための命令を含む。
[0019] 本開示の第３の実施形態は、一般統計分類器および個人統計分類器を含む人工知能エンジンによって実行可能な患者リスク予測方法である。ここでも、上記一般統計分類器はバイタルサインの１つ以上についてトレーニングを行い、一般独立バイタルサインのスコアを出力する一方、上記個人統計分類器は個人独立バイタルサインのスコアを出力するために、１つ以上の患者特徴についてトレーニングを行う。
[0020] 単数のバイタルサインについて、該患者リスク予測法は、単数の一般独立バイタルサインリスクスコアを得るために、訓練された一般統計分類器を該単数のバイタルサインに適用することを含む。その後、単数患者特徴について、該患者リスク予測方法は、さらに、該単数患者特徴の単数一般独立バイタルサインリスクスコアへの統合から単数の個人独立バイタルサインリスクスコアを導き出すための、単数一般独立バイタルサインリスクスコアおよび単数患者特徴に対する訓練された個人統計分類器の適用を含む。複数の患者特徴について、該患者リスク予測方法は、さらに、単一の一般独立バイタルサインリスクスコアおよび複数の患者特徴に対する訓練された個人統計分類器の適用を含み、複数の患者特徴の各患者特徴の単一の一般独立バイタルサインリスクスコアへの個々の統合から複数の個人独立バイタルサインリスクスコアを導き出す。
[0021] 他の例として、複数のバイタルサインについて、該該患者リスク予測法は、複数のバイタルサインに訓練された一般統計分類器を適用して、複数の一般独立バイタルサインリスクスコアを得ることを含む。その後、単数の患者の特徴について、該患者リスク予測法は、訓練された個人統計分類器を複数の一般独立バイタルサインリスクスコア及び単数の患者特徴に適用して、単数の患者特徴の複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへの個々の統合から複数の個人独立バイタルサインリスクスコアを導き出すことを含む。複数の患者特徴について、該患者リスク予測法は、訓練された個人統計分類器を複数の一般独立バイタルサインリスクスコアおよび複数の患者特徴に適用することを含み、複数の個人独立バイタルサインリスクスコアを、複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへの上記複数の患者特徴の各患者特徴の個々の統合から導出する。
[0022] また、本開示を説明し、請求項に記載する目的で、以下の通りとする。
[0023] (１)「コントローラ」という用語は、本開示の技術分野で理解され、以下で考察されるように、本開示で後述されるような本開示の様々な原理の適用を制御するための主回路基板または集積回路のすべての構造的構成を広く包含する。コントローラの構造的構成は、プロセッサ、非一時的マシン読取可能な記憶媒体、オペレーティングシステム、アプリケーションモジュール、周辺装置コントローラ、スロット、およびポートを含むことができるが、これらに限定されない 。
[0024] (２)用語「データ」および「信号」は、本開示の技術分野で理解され、本開示に例示的に記載されるように、本開示で後述される本開示の様々な原理の適用を支援する情報および／または命令を送信するための検出可能な物理量またはインパルス（例えば、電圧、電流、磁場強度、インピーダンス、カラー）のすべての形態での具現化され得る。本開示によって包含されるデータ／信号通信は、任意のタイプの有線または無線通信リンクを介するデータ／信号送信／受信、およびコンピュータ使用可能／コンピュータ可読記憶媒体にアップロードされたデータの読み取りを含むが、これらに限定されない、本開示の技術分野で知られている任意の通信方法を含むことができる。
[0025] 本開示の前述の実施形態および他の実施形態、ならびに本開示の様々な特徴および利点は、添付の図面と併せて読まれる本開示の様々な実施形態の以下の詳細な説明からさらに明らかになるであろう。詳細な説明および図面は本開示を限定するのではなく単に例示するものであり、本開示の発明の範囲は、添付の特許請求の範囲およびその均等物によって定義される。
[0026] 様々な例示的な実施形態をより良く理解するために、添付の図面を参照する。
[0027] 図１は、本開示の原理による人工知能エンジンの例示的な実施形態を示す。 [0028] 図２は、本開示の原理による患者リスク予測方法の例示的な実施形態を示す。 [0029] 図３Ａは、本開示の原理による一般統計分類器の例示的な実施形態を示す。 [0030] 図３Ｂは、本開示の原理によるヒストグラムの例示的な実施形態を示す。 [0031] 図３Ｃは、本開示の原理による確率テーブルの例示的な実施形態を示す。 [0032] 図４は、本開示の原理による一般患者リスクスコア付け方法の例示的な実施形態を示す。 [0033] 図５は、本開示の原理による個人統計分類器の例示的な実施形態を示す。 [0034] 図６Ａは、本開示の原理による患者特徴重み付け方法の例示的な実施形態を示す。 [0035] 図６Ｂは、本開示の原理による個人患者リスクスコア付け方法の例示的な実施形態を示す。 [0036] 図７は、本開示の原理による患者リスク予測コントローラの例示的な実施形態を示す。 [0037] 図８は、本開示の原理による患者リスク予測システムの例示的な実施形態を示す。 [0038] 図９Ａは、本開示の原理による患者リスク予測装置の例示的な実施形態を示す。 [0038] 図９Ｂは、本開示の原理による患者リスク予測装置の例示的な実施形態を示す。
[0039] 本開示の理解を容易にするために、図１および図２の以下の説明は、それぞれ、本開示の人工知能エンジンおよび患者リスク予測方法の様々な実施形態を教示する。図１および図２の説明から、本開示の当業者は、本開示の人工知能エンジンおよび患者リスク予測方法の多数のおよび様々な追加の実施形態を作製および使用するために本開示をどのように適用するかを理解するであろう。
[0040] 図１を参照すると、本開示の人工知能エンジン３０は、一般統計分類器４０および個人統計分類器５０を使用して、Ｘ個のバイタルサイン（Ｘ≧０）から一般患者リスクスコア（ＧＲＳ）４４を計算し、及び／又は上記バイタルサインおよびＹ個の個人患者特徴２３（Ｙ≧０）に基づいて個人患者リスクスコア（ＰＲＳ）５４を計算する。
[0041] 本開示の目的のために、バイタルサイン１２は、身体の生命維持機能の状態を示す徴候を広く包含する。バイタルサイン１２の例としては、心拍数、収縮期血圧、呼吸数、血中酸素飽和度（ＳＰＯ２）および体温が挙げられるが、これらに限定されるものではない。
[0042] 本開示の目的のために、患者特徴２３は、患者の病歴および現在の臨床評価の重要な側面を広く包含する。患者特徴の例２３は、限定されるものではないが、疾患または病状の臨床診断、検査室検査の結果および投薬処方を含む。実際に、単一の患者特性２３は、該患者の病歴及び現在の臨床評価の単一の重要な側面（例えば、疾患の単一の臨床診断、単一の検査室検査の結果または単一の投薬処方）から構成されることもあれば、該患者の病歴及び現在の臨床評価の複数の重要な側面（例えば、疾患の複数の臨床診断、複数の検査室検査の結果もしくは複数の投薬処方、又は臨床診断、検査室結果及び投薬処方の任意の組合せ）の集積から構成されることもある。
[0043] さらに図１を参照すると、実際の場合、一般統計分類器４０は、本明細書に例示的に記載されるように本開示の原理に従って構成され訓練される、本開示の前後の当技術分野で知られている任意のタイプの統計分類器である。一般統計分類器４０の様々な実施形態の例としては、ナイーブベイズ分類器、ロジスティック回帰分類器、ランダムフォレスト分類器及び勾配ブースティング分類器が含まれるが、これらに限定されない。
[0044] 第１組の実施形態において、一般統計分類器４０は、単一（単数）のバイタルサイン１２（例えば、心拍数）についての一般独立バイタルサインリスクスコア（ＧＶＲＳ）４３を計算するために本開示の原理に従って構成され、単一のバイタルサイン１２の一般患者集団に対し本開示の原理に従ってトレーニングされ、それによって、一般独立バイタルサインリスクスコア４３は単一のバイタルサイン１２を安定／非悪化患者状態（すなわち、患者の健康に対して無害であると実際に考えられる患者状態）または不安定／悪化患者状態（すなわち、患者の健康に対して潜在的に危険／有害であると実際に考えられる患者状態）として分類する確率を定量化する。上記安定／非悪化患者状態に関連する訓練は、健康上の緊急事態（例えば、心臓発作または脳卒中）および／または手術（例えば、心臓移植または冠動脈バイパス）から回復中のまたは回復した患者に向けられ得る一方、上記不安定／悪化患者状態に関連する訓練は、死亡した患者、より高い緊急度に移行された患者および／または迅速対応チームの呼び出しを必要とした患者に向けられ得る。
[0045] 該第１組の実施形態において、一般統計分類器４０は、更に、一般安定／非悪化患者状態または一般不安定／悪化患者状態を定量化する一般患者リスクスコア４４の有益なレポートに適した任意のやり方で、当該単一般独立バイタルサインリスクスコア４３から一般患者リスクスコア４４を導出するように本開示の原理に従って構成することができる。例えば、一般患者リスクスコア４４は、単数一般独立バイタルサインリスクスコア４３に等しいか、または該単数一般独立バイタルサインリスクスコア４３の正規化であり得る。
[0046] 第２組の実施形態において、一般統計分類器４０は、本開示の原理に従って、複数のバイタルサイン１２（例えば、心拍数、収縮期血圧、呼吸数、血中酸素飽和度（ＳＰＯ２）、および体温）のうちの各バイタルサイン１２について一般独立バイタルサインリスクスコア４３を別々に計算するように構成され、複数のバイタルサイン１２の一般患者集団に対して本開示の原理に従って訓練され、それによって、各一般独立バイタルサインリスクスコア４３は対応するバイタルサイン１２を安定／非悪化患者状態（すなわち、実際には患者の健康に無害であると見なされる患者状態）または不安定／悪化患者状態（すなわち、実際に患者の健康に潜在的に危険／有害であると見なされる患者状態）として分類する確率を独立に定量化する。ここでも、安定／非悪化患者状態に関連する訓練は健康上の緊急事態（例えば、心臓発作または脳卒中）および／または手術（例えば、心臓移植または冠動脈バイパス）から回復中のまたは回復した患者に向けられ、不安定／悪化患者状態に関連する訓練は、死亡患者、より高い緊急度に移行された患者および／または迅速な対応チームの呼び出しを必要とする患者に向けられ得る。
[0047] 第２組の実施形態の場合、一般統計分類器４０は、更に、本開示の原理に従って、一般安定／非悪化患者状態または一般不安定／悪化患者状態を定量化する一般患者リスクスコア４４の有益なレポートに適した任意のやり方で、複数の一般独立バイタルサインリスクスコア４３から一般患者リスクスコア４４を導出するように構成され得る。例えば、一般患者リスクスコア４４は、複数の一般独立バイタルサインリスクスコア４３の合計の形態の複数の一般独立バイタルサインリスクスコア４３の集合、または複数の一般独立バイタルサインリスクスコア４３の合計の正規化であり得る。
[0048] 引き続き図１を参照すると、実際に、個人統計分類器５０は、本明細書に例示的に記載される本開示の原理に従って構成される、本開示の前後の当技術分野で知られている任意のタイプの統計分類器である。個人統計分類器５０の様々な実施形態の例には、線形回帰分類器、ロジスティック回帰ベースの分類器、多項式回帰ベースの分類器、段階的回帰ベースの分類器、リッジ回帰ベースの分類器、ラッソ回帰ベースの分類器、およびエラスティックネット回帰ベースの分類器が含まれるが、これらに限定されない。
[0049] 第１組の実施形態において、個人統計分類器5０は、本開示の原理に従って、単一の患者特徴２３（例えば、臨床診断、検査室検査結果、または薬物処方）の単一の一般独立バイタルサインリスクスコア４３（例えば、一般心拍数リスクスコア）への統合から、単一の個人独立バイタルサインリスクスコア（図１には示さず、図２に示されるＰＶＲＳ ５３）を導出するように構成され、回帰の形式を用いて単一の患者特徴２３に対して訓練される。例えば、当該個人独立バイタルサインリスクスコアは、単数患者特徴２３の重み関数と単数一般独立バイタルサインリスクスコア４３との積、または単数患者特徴２３の重み関数と単数一般独立バイタルサインリスクスコア４３との積の正規化の形での単数患者特徴２３の単数一般独立バイタルサインリスクスコア４３への統合であり得る。
[0050] 本開示の目的のために、単数患者特徴２３の重み関数は、単数バイタルサイン１２を安定／非悪化患者状態または不安定／悪化患者状態として分類する確率として単数一般独立バイタルサインリスクスコア４３をさらに個人的に洗練する該単数患者特徴２３の定量化を広く包含する。実際には、該重み関数は単純なもの（例えば、特定の臨床診断、特定の検査結果、または特定の薬物処方の有無を示す２進数）または複雑なもの（例えば、臨床診断の様々なカテゴリ、多数の検査範囲の検査結果、および薬物処方の様々な用量の多変量表現）であり得る。例えば、単数患者特徴２３の重み関数は、簡単なまたは複雑な係数と単数患者特徴２３との積であってもよい。
[0051] 第１組の実施形態では、個人統計分類器５０は、更に、本開示の原理に従って個人の安定／非悪化患者状態または個人の不安定／悪化患者状態を定量化する個人患者リスクスコア５４の有益な報告に適した任意のやり方で、単数の個人独立バイタルサインリスクスコアから個人患者リスクスコア５４を導出するよう構成される。例えば、上記個人患者リスクスコア５４は、当該単一の個人独立バイタルサインリスクスコアまたは該単一個人独立バイタルサインリスクスコアの正規化に等しいものであり得る。
[0052] 第２組の実施形態において、個人統計分類器５０は、本開示の原理に従って、複数の患者特徴２３（例えば、臨床診断、検査室検査、および投薬処方）の単一の一般独立バイタルサインリスクスコア４３（例えば、一般的な心拍数リスクスコア）への独立した統合から複数の個人独立バイタルサインリスクスコア（図１には図示せず、図２に示すＰＶＲＳ ５３）を導出するように構成され、回帰の形式を使用して複数の患者特徴２３に対して訓練される。例えば、単一の個人独立バイタルサインリスクスコアは、複数の患者特徴２３の各々の重み関数と単数一般独立バイタルサインリスクスコア４３との別個の積、または複数の患者特徴２３の各々の重み関数と単数一般独立バイタルサインリスクスコア４３との別個の積の正規化の形態の、単数一般独立バイタルサインリスクスコア４３への複数の患者特徴２３の各々の独立統合であり得る。
[0053] 本開示の目的のために、各患者特徴２３の重み関数は、単一のバイタルサイン１２を安定／非悪化患者状態または不安定／悪化患者状態として分類する確率として単一の一般独立バイタルサインリスクスコア４３をさらに個人的に洗練する各患者特徴２３の定量化を広く包含する。ここでも、実際には、該重み関数は単純なもの（例えば、特定の臨床診断、特定の検査結果、または特定の薬物処方の有無を示す２進数）または複雑なもの（例えば、臨床診断の様々なカテゴリ、検査結果の多数の検査範囲、および薬物処方の様々な用量の多変量表現）であり得る。例えば、複数の患者特徴２３の各々の重み関数は、単純なまたは複雑な係数と対応する患者特徴２３との積であってもよい。
[0054] 第２組の実施形態では、個人統計分類器５０は、更に、本開示の原理に従って個人の安定／非悪化患者状態または個人の不安定／悪化患者状態を定量化する個人患者リスクスコア５４の有益な報告に適した任意のやり方で、複数の個人独立バイタルサインリスクスコアから個人患者リスクスコア５４を導出するように構成される。例えば、個人患者リスクスコア５４は、複数の個人独立バイタルサインリスクスコアの総和／積、または複数の個人独立バイタルサインリスクスコアの総和／積の正規化の形態の、複数の個人独立バイタルサインリスクスコアの集合であり得る。
[0055] 第３組の実施形態において、個人統計分類器５０は、本開示の原理に従って構成され、単一の患者特徴２３（例えば、診断、検査室試験、または投薬）の複数の一般独立バイタルサインリスクスコア４３（例えば、一般的な心拍数リスクスコアおよび一般的な血圧リスクスコア）への独立した統合から、複数の個人独立バイタルサインリスクスコア（図１には示さず、図２に示されるＰＶＲＳ ５３）を導出する。例えば、上記複数の個人独立バイタルサインリスクスコアの各々は、単一患者特徴２３の重み関数と各一般独立バイタルサインリスクスコア４３との別個の積、または単一患者特徴２３の重み関数と各一般独立バイタルサインリスクスコア４３と別個の積の正規化の形態の、複数の一般独立バイタルサインリスクスコア４３の１つへの単一患者特徴２３の統合であり得る。
[0056] 本開示の目的上、単数患者特性２３の重み関数は、各々の一般独立バイタルサインリスクスコア４３を、各バイタルサイン１２を安定／非悪化患者状態または不安定／悪化患者状態として分類する確率としてさらに個人的に精緻化する、単数患者特性２３の定量化を幅広く包含する。ここでも、実際に、上記重み関数は単純なもの（例えば、特定の診断、特定の検査結果、または特定の薬剤の有無を示す２進数）または複雑なもの（例えば、診断の様々なカテゴリ、検査結果の多数の検査範囲、および特定タイプの薬剤の数の多変量表現）であり得る。例えば、単数患者特徴２３の重み関数は、単純なまたは複雑な係数と単数患者特徴２３との積であってもよい。
[0057] 第３組の実施形態において、個人統計分類器５０は、更に、本開示の原理に従って、個人の安定／非悪化患者状態または個人の不安定／悪化患者状態を定量化する個人患者リスクスコア５４の有益な報告に適した任意のやり方で、複数の個人独立バイタルサインリスクスコアから個人患者リスクスコア５４を導出するように構成される。例えば、個人患者リスクスコア５４は、複数の個人独立バイタルサインリスクスコアの総和／積、または複数の個人独立バイタルサインリスクスコアの総和／積の正規化の形態の、複数の個人独立バイタルサインリスクスコアの集合であり得る。
[0058] 第４組の実施形態において、個人統計分類器５０は、本開示の原理に従って構成され、複数の患者特徴２３（例えば、診断、検査室検査、および投薬）の複数の一般独立バイタルサインリスクスコア４３（例えば、一般的な心拍数リスクスコアおよび一般的な血圧リスクスコア）への独立した統合から、複数の個人独立バイタルサインリスクスコア（図１には示さず、図２に示されるＰＶＲＳ ５３）を導出する。例えば、個人独立バイタルサインリスクスコアは、各患者特徴２３の重み関数と各一般独立バイタルサインリスクスコア４３との別個の積、または各患者特徴２３の重み関数と各一般独立バイタルサインリスクスコア４３との別個の対数積の形成の、各患者特徴２３の各一般独立バイタルサインリスクスコア４３への独立した統合であり得る。
[0059] 本開示の目的のために、各患者特徴２３の重み関数は、各バイタルサイン１２を安定／非悪化患者状態または不安定／悪化患者状態として分類する確率として、各一般独立バイタルサインリスクスコア４３をさらに個人的に洗練する各患者特徴２３の定量化を広く包含する。ここでも、実際に、上記重み関数は単純なもの（例えば、特定の臨床診断、特定の検査室結果、または特定の薬物処方の有無を示す２進数）または複雑なもの（例えば、臨床診断の様々なカテゴリ、検査結果の多数の検査範囲、および薬物処方の様々な用量の多変量表現）であり得る。例えば、複数の患者特徴２３の各々の重み関数は、単純なまたは複雑な係数と対応する患者特徴２３との積であってもよい。
[0060] 第４組の実施形態において、個人統計分類器５０は、本開示の原理に従って更に、個人の安定／非悪化患者状態または個人の不安定／悪化患者状態を定量化する個人患者リスクスコア５４の有益な報告に適した任意のやり方で、個人の独立バイタルサインリスクスコアから個人患者リスクスコア５４を導出するように構成される。例えば、個人患者リスクスコア５４は、複数の個人独立バイタルサインリスクスコアの総和／積、または複数の個人独立バイタルサインリスクスコアの総和／積の正規化の形態の、複数の個人独立バイタルサインリスクスコアの集合であり得る。
[0061] 図１および図２を参照すると、動作時において、人工知能（ＡＩ）エンジン３０は、本開示の患者リスク予測方法を表すフローチャート７０を実行する。
[0062] フローチャート７０の段階Ｓ７２の間において、人工知能エンジン３０は、バイタルサイン源（ソース）１０から単一のバイタルサイン１２を、または１つ以上のバイタルサインソース１０から複数のバイタルサイン１２を受け取る。実際には、バイタルサインソース１０は、患者１１のバイタルサインを感知、検出、または他の方法で監視することができる任意のタイプのソースとすることができる。バイタルサインソース１０の例には、心拍数センサ、心電図、血圧センサ、呼吸数センサ、パルス酸素濃度計および体温計が含まれるが、これらに限定されない。実際には、バイタルサイン（複数可）１２は、患者１１の状態を確認するのに適した任意の時点で（例えば、リアルタイムまたは検査後に）、本開示の前後において当技術分野で知られている技法により伝達され得る。
[0063] 単数のバイタルサイン１２を受信すると、一般統計分類器４０は該単数バイタルサイン１２の一般バイタルサインリスクスコア付け４１を実行して、本開示で前述したように単数一般独立バイタルサインリスクスコア４３をレンダリング（出力）する。続いて、一般統計分類器４０は、一般患者リスクスコア付け４２を実行して、本開示で前述したように一般患者リスクスコア４４を計算する。例えば、スコア付け４１中において、一般統計分類器４０は単数の一般独立バイタルサインリスクスコア４３を出力するために、単数バイタルサイン１２のナイーブベイズ分類、ロジスティック回帰分類、ランダムフォレスト分類又は勾配ブースティング分類を実行できる。続いて、スコア付け４２の間において、一般統計分類器４０は、一般患者リスクスコア４４を単一の一般独立バイタルサインリスクスコア４３として計算できる。
[0064] 複数のバイタルサイン１２を受信すると、一般統計分類器４０は、複数のバイタルサイン１２の一般バイタルサインリスクスコア付け４１を実行して、本開示で前述したように複数の一般独立バイタルサインリスクスコア４３を出力する。続いて、一般統計分類器４０は、一般患者リスクスコア付け４２を実行して、本開示で前述したように一般患者リスクスコア４４を計算する。例えば、スコア付け４１の間において、一般統計分類器４０は、複数のバイタルサイン１２の各々のナイーブベイズ分類、ロジスティック回帰分類、ランダムフォレスト分類、または勾配ブースティング分類を個別に実施して、複数の一般独立バイタルサインリスクスコア４３を出力することができる。続いて、スコア付け４２の間において、一般統計分類器４０は、一般的な患者リスクスコア４４を計算するために、複数の一般独立バイタルサインリスクスコア４３の合計／積を実行することができる。
[0065] さらに図１および図２を参照すると、フローチャート７０の段階Ｓ７４の間において、人工知能エンジン３０は、患者特徴源（ソース）２０から単一の患者特徴２３を、または１つまたは複数の患者特徴ソース２０から複数の患者特徴２３を受け取る。実際には、患者特徴ソース２０は、患者特徴１２を人工知能エンジン３０にダウンロード／アップロードするか、さもなければ転送することができる任意のタイプのソースとすることができる。患者特徴ソース２０の例は、ヘルスケア施設またはヘルスケア提供者オフィスに配置されたワークステーション２１、および遠隔医療データレポートサイト内に設置されたデータベース２２を含むが、これらに限定されない。実際には、患者特徴２３は、患者１１の状態を確認するのに適した任意の時点で（例えば、リアルタイムまたは検査後に）、本開示の前後において当技術分野で知られる技術によって伝達され得る。
[0066] 単数の患者特徴２３を受信した際に、個人統計分類器５０は、単数の患者特徴２３および一般的独立バイタルサインリスクスコア４３または複数の一般独立バイタルサインリスクスコア４３のうちのいずれか適用可能なものの個人バイタルサインリスクスコア付け５１を実行して、本開示で先に記載されているように単数の個人独立バイタルサインリスクスコア５３または複数の個人独立バイタルサインリスクスコア５３をそれぞれ出力する。続いて、個人統計分類器５０は、個人患者リスクスコア付け５２を実行して、本開示で前述したように個人患者リスクスコア５４を計算する。例えば、スコア付け５１中において、個人統計分類器５０は、単一の患者特徴２３の重み付け関数を実施し、該単一の患者特徴２３の重み付け関数と、単一の一般独立バイタルサインリスクスコア４３または複数の一般独立バイタルサインリスクスコア４３のうちのいずれか適用可能なものとの積を計算して、単一の個人独立バイタルサインリスクスコア５３または複数の個人独立バイタルサインリスクスコア５３を出力する。その後、スコア付け５２の間において、個人統計分類器５０は、上記単一の個人独立バイタルサインリスクスコア５３を個人の患者リスクスコア５４と等しいものとするか、または複数の個人独立バイタルサインリスクスコア５３を合計するかの、いずれか該当するものを行うことができる。
[0067] 複数の患者特徴２３を受信した際に、個人統計分類器５０は、複数の患者特徴２３および一般独立バイタルサインリスクスコア４３または複数の一般独立バイタルサインリスクスコア４３のいずれか適用可能な方の個人バイタルサインリスクスコア付け５１を実行して、本開示で以前に記載されたように、複数の個人独立バイタルサインリスクスコア５３を出力する。続いて、個人統計分類器５０は、個人患者リスクスコア付け５２を実行して、本開示で前述したように個人患者リスクスコア５４を計算する。例えば、スコア付け５１の間において、個人統計分類器５０は、複数の患者特徴２３の各々の重み関数を生成し、複数の患者特徴２３の各々の重み関数と、単数の一般独立バイタルサインリスクスコア４３または複数の一般独立バイタルサインリスクスコア４３のいずれか該当する方の個別の積を計算して、複数の個人独立バイタルサインリスクスコア５３を出力することができる。続いて、スコア付け５２の間において、個人統計分類器５０は、個人患者リスクスコア５４を計算するために、複数の個人独立バイタルサインリスクスコア５３の合計を実施することができる。
[0068] さらに図１および図２を参照すると、フローチャート７０の段階Ｓ７６の間において、人工知能エンジン３０は、一般患者リスクスコア４４（該当する場合）および個人患者リスクスコア５４を、本開示の技術分野で知られているようにレポート装置６０に伝達する。レポート装置６０の例は、限定されるものではないが、視覚的報告のためのモニタ６１、グラフ的報告のためのプロッタ６２、又はテキスト的な報告のための電子メール６３を含む。一実施形態において、人工知能エンジン３０は、不安定／悪化閾値（破線）に対する一般患者リスクスコア４４のチャート化、および／または不安定／悪化閾値（破線）に対する個人患者リスクスコア４４のチャート化を含む、図２に示すような患者リスク報告７７を実行する。第２の実施形態において、人工知能エンジン３０は、図２に示すように、一般独立バイタルサインリスクスコアのうちの１つまたは複数に対する一般患者リスクスコア４４のチャート化、および／または個人独立バイタルサインリスクスコアのうちの１つまたは複数に対する個人患者リスクスコア４４のチャート化を含む患者リスク報告７８を実行する。
[0069] 本開示のさらなる理解を容易にするために、図３Ａ〜図６Ｂの以下の説明は、それぞれ、図１の一般統計分類器および図１の個人統計分類器の様々な実施形態を教示する。図３Ａ〜図６Ｂの説明から、本開示の当業者は、本開示の一般統計分類器および個人統計分類器の多数のおよび様々な追加の実施形態を作製し、使用するために、本開示をどのように適用するかを理解するであろう。
[0070] 分かりやすくするために、図３Ａ〜図６Ｂの以下の記述は、心拍数、収縮期血圧、呼吸数、血液酸素飽和度（ＳＰＯ２）および体温を含むバイタルサインとの関連において、さらに、単一の心臓臨床診断、単一の心臓検査室検査の結果および単一の処方された心臓治療薬を含む患者の特徴との関連におけるものである。それにもかかわらず、本開示の当業者は、異なるリストのバイタルサイン（例えば、一層多い又は一層少ないバイタルサイン）の前後関係において、およびさらに異なるリストの患者特徴（例えば、追加のまたは異なる患者特徴）の前後関係において、本開示の一般統計分類器および個人統計分類器の多数のおよび様々な追加の実施形態を作製し、使用するために、本開示をどのように適用するかを理解するであろう。
[0071] 図３Ａを参照すると、一般統計分類器４０（図１）の一実施形態は、５つの統計分類器（ＳＣ）１４１ａ〜１４１ｅの並列ネットワークとリスクスコア加算器１４２とを採用する一般統計分類器１４０である。
[0072] 動作時において、統計分類器１４１ａは、心拍数（ＨＲ）信号１１２ａを入力し、それによって一般心拍数リスクスコア（ＧＨＲＲＳ）１４３ａをレンダリング（出力）するように構成され、訓練される。
[0073] 統計分類器１４１ｂは、血圧（ＢＰ）信号１１２ｂを入力するように構成及び訓練され、それによって、一般血圧リスクスコア（ＧＢＰＲＳ）１４３ｂを出力する。
[0074] 統計分類器１４１ｃは、呼吸数（ＲＲ）信号１１２ｃを入力するように構成され、訓練され、それによって一般呼吸数リスクスコア（ＧＲＲＳ）１４３ｃを出力する。
[0075] 統計分類器１４１ｄは、血液酸素飽和度（ＳＰＯ２）信号１１２ｄを入力し、それによって一般血液酸素飽和度リスクスコア（ＧＳＰＲＳ）１４３ｄを出力するように構成され、訓練される。
[0076] 統計分類器１４１ｅは、体温（ＴＥＭＰ）信号１１２ｅを入力し、それによって一般体温リスクスコア（ＧＴＰＲＳ）１４３ｅを出力するように構成され、訓練される。
[0077] 実際には、統計分類器１４１ａ〜１４１ｅは、複数のバイタルサイン１１２ａ〜１１２ｅのそれぞれについて複数の一般独立バイタルサインリスクスコア１４３ａ〜１４３ｅをレンダリングするために本開示の原理に従って構成され、訓練される、本開示の前後の当技術分野で知られる統計分類器を実装することができる。統計分類器１４１ａ−１４１ｅの様々な実施形態の例としては、ナイーブベイズ分類器の並列ネットワーク、ロジスティック回帰分類器の並列ネットワーク、ランダムフォレスト分類器の並列ネットワーク、及び勾配ブースティング分類器の並列ネットワークが挙げられるが、これらに限定されない。
[0078] 明確にするために、統計分類器１４１ａ〜１４１ｅの並列ネットワークの以下の説明は、ナイーブベイズ分類器の並列ネットワークとして行われる。それにもかかわらず、該ナイーブベイズ分類器の並列ネットワークの説明から、本開示の当業者は、本開示の前後の技術において知られるロジスティック／シグモイド関数を介して本開示に従ってトレーニングされるロジスティック回帰分類器の並列ネットワーク、本開示の前後の技術において知られる決定ツリーを介し本開示に従ってトレーニングされるランダムフォレスト分類器の並列ネットワーク、および本開示の前後の技術において知られる予測モデルに関し本開示に従ってトレーニングされる勾配ブースティング分類器の並列ネットワークを含むが、これらに限定されない、統計分類器１４１ａ〜１４１ｅの並列ネットワークの多数のおよび様々な追加の実施形態を作製し、使用するために、本開示をどのように適用するかを理解するであろう。
[0079] 図３Ｂに示すような一般統計分類器１４０の一実施形態において、各統計分類器１４１ａ〜１４１ｅは、密度軸１４５ａ、バイタルサイン軸１４５ｂ、およびリスク曲線軸１４５ｃを有する連続値のトレーニングヒストグラム１４５を生成する。混合モデル（例えば、ガウスモデル、対数正規混合、指数混合、アルファ混合およびベータ混合）を使用して、安定／非悪化クラスＣ0、割り当てられたバイタルサインの安定／非悪化トレーニング値の分布１４６、およびトレーニングヒストグラム１４５内にプロットされた割り当てられたバイタルサインの不安定／悪化トレーニング値の不安定／悪化クラスＣ1分布１４７を適合させる。バイタルサインリスク曲線１４８は、以下の対数オッズ比方程式［１］、以下の正規化確率方程式［３］、以下の正規化確率方程式［２］に従って計算される。
Figure 2022500767
[0080] 方程式［１］〜［３］に対して、Ｐ（Ｘi│Ｃ0）は安定／非悪化クラスＣ0に対して割り当てられたバイタルサインを観測する確率であり、Ｐ（Ｘi │Ｃ1）は不安定／悪化クラスＣ1に対して割り当てられたバイタルサインを観測する確率であり、Ｐ（Ｘi）は割り当てられたバイタルサインを観測する確率である。
[0081] 図３Ｃに示されるような一般統計分類器１４０の第２の実施形態において、各統計分類器１４１は、バイタルサインの属性値（例えば、早期警報スコアガイドによって確立される心拍数の属性値）の列２４１、バイタルサインの各属性値の安定／非悪化状態Ｃ0の発生数の列２４２、バイタルサインの各属性値の不安定／悪化状態Ｃ1の発生数の列２４３、前述の式［１］〜［３］のうちの１つによるバイタルサインの属性値の安定／非悪化状態Ｃ0の確率の列２４４、および前述の式［１］〜［３］のうちの１つによるバイタルサインの属性値の不安定／悪化状態Ｃ1 の確率の列２４５を含む離散値のトレーニング確率テーブル２４０を生成する。
[0082] 実際には、リスクスコア加算器１４２は、本開示の原理に従って構成され、一般患者リスクスコア１４４を複数の一般独立バイタルサインリスクスコア１４３ａ〜１４３ｅの合計として計算する、本開示の前後の当技術分野で知られる任意のタイプの加算器である。
[0083] 図３Ａおよび図４を参照すると、動作時において、一般統計分類器１４０は、図２の一般患者リスクスコア付け計算段階Ｓ７２を表すフローチャート１７０を実施する。
[0084] フローチャート１７０の段階Ｓ１７２の間において、統計分類器１４１ａ〜１４１ｅは、バイタルサイン１１２ａ〜１１２ｅについて、一般独立バイタルサインリスクスコア１４３ａ〜１４３ｅをそれぞれ独立にレンダリングする。
[0085] 対数オッズ比の実施形態１７３ａの場合、統計分類器１４１ａ〜１４１ｅは、以下の式［４］〜［８］に従って、バイタルサイン１１２ａ〜１１２ｅに関し複数の一般独立バイタルサインリスクスコア１４３ａ〜１４３ｅをそれぞれ独立にレンダリングする。
Figure 2022500767
[0086] 正規化された確率の実施形態１７３ｂの場合、統計分類器１４１ａ〜１４１ｅは、安定／非悪化クラスＣ0または不安定／悪化クラスＣ1のいずれかについて、以下の式［９］〜［１３］に従って、バイタルサイン１１２ａ〜１１２ｅに関し、それぞれ、一般独立バイタルサインリスクスコア１４３ａ〜１４３ｅを独立にレンダリングする。
Figure 2022500767
[0087] フローチャート１７０の段階Ｓ１７４の間において、リスクスコア加算器１４２は、一般的な患者リスクスコア１４４を一般独立バイタルサインリスクスコア１４３ａ〜１４３ｅの合計として計算する。
[0088] 対数オッズ比の実施形態１７５ａの場合、リスクスコア加算器１４２は、一般患者リスクスコア１４４を、以下の式［１４ａ］または以下の式［１４ｂ］に従って、複数の一般独立バイタルサインリスクスコア１４３ａ〜１４３ｅの合計として計算する。
Figure 2022500767
[0089] 式［１４ｂ］に関して、log（Ｐ（Ｃ1）／Ｐ（Ｃ0））は、ＧＲＳを不安定／悪化するクラスＣ1の全体的有病率よってバイアスするための項を表す。
[0090] 正規化された確率の実施形態１７５ｂの場合、リスクスコア加算器１４２は、一般患者リスクスコア１４４を、安定／非悪化クラスＣ0または不安定／悪化クラスＣ1のいずれかについて、以下の式［１５］に従い一般独立バイタルサインリスクスコア１４３ａ〜１４３ｅの対数和として計算する。
Figure 2022500767
[0091] 式［１５ｂ］に関して、log（Ｐ（Ｃ1）／Ｐ（Ｃ0））は、ここでも、不安定／悪化するクラスＣ1の全体的有病率によってＧＲＳをバイアスするための項を表す。
[0092] 図５を参照すると、個人統計分類器（図１）の一実施形態は、５つの重み関数乗算器（ＷＰＭ）１５１ａ〜１５１ｄの並列ネットワーク、リスクスコア加算器１５２、および重み関数生成器１５５を採用する個人統計分類器１５０である。
[0093] 実際に、重み関数乗算器１５１ａは、一般的な心拍数リスクスコア（ＧＨＲＲＳ）１４３ａおよび複数の重み関数１５６を入力して、各重み関数１５６について個人的な心拍数リスクスコア（ＰＨＲＲＳ）１５３ａを計算するように構成され、訓練される。
[0094] 重み関数乗算器１５１ｂは、一般的な血圧リスクスコア（ＧＢＰＲＳ）１４３ｂおよび複数の重み関数１５６を入力するように構成され、訓練され、それによって、各重み関数１５６について個人的な血圧リスクスコア（ＰＢＰＲＳ）１５３ｂをレンダリングする。
[0095] 重み関数乗算器１５１ｃは、一般呼吸数リスクスコア（ＧＲＲＳ）１４３ｃおよび複数の重み関数１５６を入力するように構成及び訓練され、それによって各重み関数１５６に対する個人呼吸数リスクスコア（ＰＲＲＲＳ）１５３ｃが得られる。
[0096] 重み関数乗算器１５１ｄは、一般的な血液酸素飽和リスクスコア（ＧＳＰＲＳ）１４３ｄおよび複数の重み関数１５６を入力するように構成および訓練され、それによって、各重み関数１５６について個人的な血液酸素飽和リスクスコア（ＰＳＰＲＳ）１５３ｄをレンダリングする。
[0097] 重み関数乗算器１５１ｅは、一般体温リスクスコア（ＧＴＰＲＳ）１４３ｅおよび複数の重み関数１５６を入力するように構成され、訓練され、それによって、各重み関数１５６について個人体温リスクスコア（ＰＴＰＲＳ）１５３ｅをレンダリングする。
[0098] 実際には、各重み関数乗算器１５１は、本開示の原理に従って構成され、個人独立バイタルサインリスクスコア１５３ａ〜１５３ｅを対応する一般独立バイタルサインリスクスコア１４３ａ〜１４３ｅと複数の重み関数１５６のそれぞれとの積として計算する、本開示の前後の当技術分野で知られる任意のタイプの乗算器である。
[0099] 実際には、リスクスコア加算器１５２は、個人的な患者リスクスコア１５４を個人的なバイタルサインリスクスコア１５３ａ〜１５３ｅの対数和として計算するために本開示の原理に従って構成される、本開示の前後の当技術分野で知られる任意のタイプの加算器である。
[00100] 実際には、重み行列生成器１５５は、本開示の原理に従って構成され、心臓臨床診断の情報を提供する診断患者特徴１２３ａ、心臓検査室検査の結果の情報を提供する検査室結果患者特徴１２３ｂ、および処方された心臓投薬の情報を提供する投薬患者特徴１２３ｃの重み関数を生成する、本開示の前後の当技術分野で知られる任意のタイプの算術論理ユニットである。
[00101] 実際には、重み行列生成器１５５は、患者特徴を符号化し、該符号化された患者特徴を、個人統計分類器１５０（図３Ａ）の訓練中に正則化によるロジスティック回帰によって事前に決定された重み付け係数に適用する。一実施形態では、ロジスティック回帰アルゴリズム（例えば、最尤推定）を利用して、患者特徴に関連するトレーニングデータから重み付け係数を推定する。例えば、重み付け係数は、安定／非悪化クラスＣ0に対して「０」に非常に近い値と、不安定／悪化クラスＣ1に対して「１」に非常に近い値とを予測するようにモデル化され、それによって、モデルによって予測される確率における誤差をトレーニングデータによって示される確率に対して最小化する重み付け係数の値を探索する（例えば、トレーニングデータおよび患者特徴が安定／非悪化患者状態に対応する場合、誤差を「０」の確率を最小化し、トレーニングデータおよび患者特徴が不安定／悪化患者状態に対応する場合、「１」の確率を最小化する）。
[00102] さらに、実際には、特定の患者特徴１２３についての重み付け係数がバイタルサイン１４１ａ〜１４１ｅ（図３Ａ）のすべてについて決定されてもよく、または一群の重み付け係数を特定の患者特徴１２３についてバイタルサイン毎に決定してもよい。
[00103] 一実施形態では、重み行列生成器１５５は、各患者特徴１２３について、カテゴリ変数または連続変数の二進符号化またはワンホット符号化を実施する。例えば、診断患者特徴１２３ａに関し、二進符号化は診断された心疾患のカテゴリ変数が存在しない場合には「０」となり得、診断された心疾患のカテゴリ変数が存在する場合には「１」となり得る。さらに、例えば、検査室結果の患者特徴１２３ｂの場合、心臓検査室検査の結果の複数の連続変数に対してワンホット符号化を用いる。さらに、例えば、服薬患者特徴１２３ｃに対し、二進符号化は、処方された心臓投薬の非使用カテゴリ変数に対しては「０」、処方された心臓投薬の使用カテゴリ変数に対しては「１」となり得る。
[00104] 図５、図６Ａおよび図６Ｂを参照すると、動作時において、個人統計分類器は、図２の個人患者リスクスコア付け計算段階Ｓ７４を表すフローチャート２７０およびフローチャート３７０を実施する。
[00105] 図６Ａを参照すると、フローチャート２７０の段階Ｓ２７２の間において、重み行列生成器１５５は患者特徴１２３ａ〜１２３ｃから重み関数Ｖij ＊ｆ（ｙj）を生成し、ここで、ｆ（ｙj）は符号化された患者特徴１２３であり、Ｖij は、該符号化された患者特徴１２３に関連する事前に訓練された重み付け係数である。
[00106] 全体的重み付け実施形態２７３ａにおいて、重み行列生成器１５５は、すべてのバイタルサインについての診断患者特徴１２３ａからの重み付け係数ＶiDiagnosis ＊ｆ（ｙDiagnosis）、すべてのバイタルサインについての検査室結果患者特徴１２３ｂからの重み付け係数ＶiLab Results ＊ｆ（ｙLab Results）、およびすべてのバイタルサインについての投薬患者特徴１２３ｃからの重み付け係数ＶiMeds ＊ｆ（ｙMeds）を生成する。
[00107] バイタルサインの実施形態２７３ｂでは心拍数１１２ａ（図３）について、重み行列生成器１５５は、診断患者特徴１２３ａから重み付け係数ＶHR, Diagnosis ＊ｆ（ｙDiagnosis:HR）、検査室結果患者特徴１２３ｂから重み付け係数ＶHR, Lab Results ＊ｆ（ｙLab Results:HR）、および投薬患者特徴１２３ｃから重み付け係数ＶHR, Meds ＊ｆ（ｙMeds:HR）を生成する。
[00108] 血圧１１２ｂ（図３）について、重み行列生成器１５５は、診断患者特徴１２３ａから重み付け係数ＶBP, Diagnosis ＊ｆ（ｙDiagnosis:BP）、検査室結果患者特徴１２３ｂから重み付け係数ＶBP, Lab Results ＊ｆ（ｙLab Results:BP）、および投薬患者特徴１２３ｃから重み付け係数ＶBP, Meds ＊ｆ（ｙMeds:BP）を生成する。
[00109] 呼吸数１１２ｃ（図３）に対して、重み行列生成器１５５は、診断患者特徴１２３ａから重み付け係数ＶRR, Diagnosis ＊ｆ（ｙDiagnosis:RR）、検査室結果患者特徴１２３ｂから重み付け係数ＶRR, Lab Results ＊ｆ（ｙLab Results:RR）、および、投薬患者特徴１２３ｃから重み付け係数ＶRR, Meds ＊ｆ（ｙMeds:RR）を生成する。
[00110] 血中酸素飽和度１１２ｄ（図３）について、重み行列生成器１５５は、診断患者特徴１２３ａから重み付け係数ＶSPO2, Diagnosis ＊ｆ（ｙDiagnosis:SPO2）、検査室結果患者特徴１２３ｂから重み付け係数ＶSPO2, Lab Results ＊ｆ（ｙLab Results:SPO2）、および投薬患者特徴１２３ｃから重み付け係数ＶSPO2, Meds ＊ｆ（ｙMeds:SPO2）を生成する。
[00111] 体温１１２ｅ（図３）について、重み行列生成器１５５は、診断患者特性１２３ａから重み係数ＶTEMP, Diagnosis ＊ｆ（ｙDiagnosis:TEMP）、検査室結果患者特性１２３ｂからの重み係数ＶTEMP, Lab Results ＊ｆ（ｙLab Results:TEMP）、および投薬患者特性１２３ｃから重み付け係数ＶTEMP, Meds ＊ｆ（ｙMeds:TEMP）を生成する。
[00112] フローチャート２７０の段階Ｓ２７４の間において、重み行列生成器１５５は、重み関数Ｖij ＊ｆ（ｙj）を各重み関数乗算器１４３ａ〜１４３ｅに伝達する。この伝達は、図示されたようなバイタルサイン１１２ａ〜１１２ｅの列及び患者特徴１２３ａ〜１２３ｃの行によって、又はその逆によって配列された重み関数Ｖij ＊ｆ（ｙj）の行列に従う。
[00113] 図６Ｂを参照すると、フローチャート３７０の段階Ｓ３７２の間において、重み関数乗算器１５１ａ〜１５１ｅは、複数の一般独立バイタルサインリスクスコア１４３ａ〜１４３ｅのそれぞれについて、複数の個人独立バイタルサインリスクスコア１５３ａ〜１５３ｅを独立に計算する。
[00114] 対数オッズ比の実施形態３７５ａの場合、重み関数乗算器１５１ａ〜１５１ｅは、以下の式［１６］〜［２０］に従って、一般独立バイタルサインリスクスコア１４３ａ〜１４３ｅについて、個人独立バイタルサインリスクスコア１５３ａ〜１５３ｅをそれぞれ独立して計算する。
Figure 2022500767
[00115] 正規化された確率の実施形態（図３Ｃ）の場合、重み関数乗算器１５１ａ〜１５１ｅは、安定／非悪化クラスＣ0または不安定／悪化クラスＣ1のいずれかについて、以下の式［２１］〜［２５］に従って、一般独立バイタルサインリスクスコア１４３ａ〜１４３ｅについて、それぞれ、複数の個人独立バイタルサインリスクスコア１５３ａ〜１５３ｅを独立に計算する。
Figure 2022500767
[00116] フローチャート３７０の段階Ｓ３７４の間において、リスクスコア加算器１５２は、個人患者リスクスコア１５４を複数の個人独立バイタルサインリスクスコア１５３ａ〜１５３ｅの和として計算する。
[00117] 対数オッズ比の実施形態３７５ａの場合、リスクスコア加算器１５２は、以下の式［２６］に従って、個人患者リスクスコア１５４を、複数の個人独立バイタルサインリスクスコア１５３ａ〜１５３ｅの和として計算する。
Figure 2022500767
[00118] 正規化された確率の実施形態３７５ｂについて、リスクスコア加算器１５２は、安定／非悪化クラスＣ0または不安定／悪化クラスＣ1のいずれかについて、以下の式［２７］に従って、個人の患者リスクスコア１５４を個人独立バイタルサインリスクスコア１５３ａ〜１５３ｅの対数和として計算する。
Figure 2022500767
[00119] 本開示の理解をさらに容易にするために、図７の以下の説明は本開示の患者リスク予測コントローラの様々な実施形態を教示し、図８の以下の説明は本開示の患者リスク予測システムの様々な実施形態を教示し、図９Ａおよび図９Ｂの以下の説明は、本開示の患者リスク予測装置の様々な実施形態を教示する。図７〜図９Ｂの説明から、本開示の当業者は本開示を、本開示の患者リスク予測コントローラ、患者リスク予測システム、および患者リスク予測装置の多数の様々な追加の実施形態を作製し、使用するために本発明をどのように適用するかを理解するであろう。
[00120] 実際には、本開示の患者リスク予測コントローラは、本明細書で前述したように、本開示の患者リスク予測方法を実施するためのハードウェア／回路／ソフトウェア／ファームウェアとして具現化される。さらに、実際には、患者リスク予測コントローラは、カスタマイズされ、サーバ、ワークステーション等にインストールされてもよく、または汎用コンピュータ上にプログラムされてもよい。
[00121] 図７に示す一実施形態において、患者リスク予測コントローラ８０は、１つまたは複数のシステムバス８６を介して相互接続されたプロセッサ８１、メモリ８２、ユーザインターフェース８３、ネットワークインターフェース８４および記憶装置８５を含む。実際には、コントローラ８０の構成要素８１〜８５の実際の編成は図示されたものよりも複雑である。
[00122] プロセッサ８１は、メモリ又は記憶装置に記憶された命令を実行するか、又はデータを処理する任意のハードウェア装置であり得る。したがって、プロセッサ８１は、マイクロプロセッサ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、または他の同様のデバイスを含む。
[00123] メモリ８２は、例えば、Ｌ１、Ｌ２若しくはＬ３キャッシュ又はシステムメモリのような様々なメモリを含み得る。そのようなものとして、メモリ８２は、スタティックランダムアクセスメモリ（ＳＲＡＭ）、ダイナミックＲＡＭ（ＤＲＡＭ）、フラッシュメモリ、読み出し専用メモリ（ＲＯＭ）、または他の同様のメモリデバイスを含む。
[00124] ユーザインターフェース８３は、管理者のようなユーザとの通信を可能にするための１つ以上の装置を含み得る。例えば、ユーザインターフェース８３は、ユーザコマンドを受信するためのディスプレイ、マウス、およびキーボードを含む。ある実施形態では、ユーザインターフェース８３は、ネットワークインターフェース８４を介して遠隔端末に提示され得るコマンドラインインターフェースまたはグラフィックユーザインターフェースを含み得る。
[00125] ネットワークインターフェース８４は、他のハードウェア装置との通信を可能にするための一つ以上の装置を含み得る。例えば、ネットワークインターフェース８４は、イーサネットプロトコルに従って通信するように構成されたネットワークインターフェースカード（ＮＩＣ）を含んでもよい。さらに、ネットワークインターフェース８４は、ＴＣＰ／ＩＰプロトコルに従って伝送するためのＴＣＰ／ＩＰスタックを実装し得る。該ネットワークインターフェースのための様々な代替又は追加のハードウェア又は構成は明らかであろう。
[00126] 記憶装置８５は、読取り専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、磁気ディスク記憶媒体、光記憶媒体、フラッシュメモリデバイス、または同様の記憶媒体のような１つ以上のマシン読取可能な記憶媒体を含む。様々な実施形態において、記憶装置８５はプロセッサ８１による実行のための命令、またはプロセッサ８１が処理するデータを記憶する。例えば、記憶装置８５は、ハードウェアの様々な基本動作を制御するための基本オペレーティングシステム（図示せず）を記憶する。
[00127] 本開示に対しより特定的には、記憶装置８５は、一般統計分類器４０（図１）、個人統計分類器６０（図１）、および通信マネージャ８８（例えば、ディスプレイプロセッサ、プロッタマネージャ、および／または電子メールマネージャ）の形態の制御モジュール８７を記憶する。
[00128] 図８を参照すると、実際には、患者リスク予測コントローラ８０は、複数のクライアント（例えば、図示のようなクライアント９１およびクライアント９２）によってアクセス可能なアプリケーションサーバ９０内にインストール／プログラムし、及び／又はモニタ９４、キーボード９５およびコンピュータ９６を使用するワークステーション９３内にインストール／プログラムする。
[00129] 動作時において、患者リスク予測コントローラ８０は、トレーニングフェーズ中に、医用画像データソースから、平面的または容積的な医用画像データを入力する。上記医用画像データソースは、任意の数およびタイプの医用画像マシン（例えば、ＭＲＩマシン、ＣＴマシン、Ｘ線マシン、および超音波マシン）を含み、更にデータベース管理／ファイルサーバ（例えば、ＭＲＩデータベース管理サーバ、ＣＴサーバ、Ｘ線データベース管理サーバ、および超音波データベース管理サーバ）をさらに含む。実際には、アプリケーションサーバ９０またはワークステーション９３は、どちらが適用可能であっても、前記医用画像データソースに直接またはネットワーク接続され、それによって患者リスク予測コントローラ８０のための医用画像データを入力する。代わりに、前記医用画像データソースおよびアプリケーションサーバ９０またはワークステーション９３は、どちらが適用可能であっても、それらを直接統合でき、それによって患者リスク予測コントローラ８０は医用画像データに直接アクセスできる。
[00130] 図９Ａおよび図９Ｂを参照すると、本開示の患者リスク予測デバイス１００（例えば、除細動器）は、ディスプレイ／ディスプレイインターフェース１０３、治療インターフェース１０４、およびポートインターフェース１０５へのユーザアクセスを提供するハウジング１０２に取り付けられたハンドル１０１を使用している。ハウジング１２は、さらに、さらなる機能（例えば、同期されたショック付与）を実施する他のコントローラ（図示せず）に加えて、患者リスク予測コントローラ８０をさらに収納する。
[00131] 実際には、ディスプレイ／ディスプレイインターフェース１０３は、該ディスプレイインターフェース１０３（例えば、キー）を介してユーザによってカスタマイズされた患者監視データと、本開示で前述したように患者リスク予測コントローラ８０によって生成された患者リスクスコアとを表示する。治療インターフェース１０４（例えば、ノブおよびボタン）は、ユーザが患者に様々な治療（例えば、ショック）を付与することを可能にする。ポートインターフェース１０５は、バイタルサインを受信するためのバイタルサインソース１０と、患者特徴を受信するための患者特徴ソース２０とのユーザによる接続を可能にする。
[00132] 図１〜図９を参照すれば、当業者は安定／非悪化患者状態または不安定／悪化患者状態の信頼できる患者リスク予測を行うために個々のケア提供者および医療機関によって採用可能なシステム、装置及び方法を含むが、これらに限定されない、本開示の多くの利点を理解するであろう。
[00133] さらに、記憶装置に記憶されるように記載された様々な情報は、追加的にまたは代替的にメモリに記憶されてもよいことは明らかであろう。この点において、メモリは「記憶装置」を構成すると考えることもでき、記憶装置は「メモリ」と考えられる。さらに、本明細書で使用されるように、用語「非一時的」は一時的信号を除外するが、揮発性メモリおよび不揮発性メモリの両方を含むすべての形態の記憶装置を含むと理解される。
[00134] 装置は説明された各構成要素のうちの１つを含むものとして示されているが、様々な構成要素は様々な実施形態において重複できる。例えば、プロセッサは本開示で説明された方法を独立して実行するように構成された、または、複数のプロセッサが協働して本開示で説明された機能を達成するように、本開示で説明された方法のステップまたはサブルーチンを実行するように構成された複数のマイクロプロセッサを含みうる。さらに、装置がクラウドコンピューティングシステムで実現される場合、様々なハードウェア構成要素は、別々の物理システムに属してもよい。例えば、プロセッサは第１のサーバ内に第１のプロセッサを含み、第２のサーバ内に第２のプロセッサを含む。
[00135] 以上の説明から、本発明の様々な例示的な実施形態をハードウェアまたはファームウェアで実施できることが明らかであろう。さらに、様々な例示的な実施形態は、本明細書で詳細に説明される動作を実行するために少なくとも１つのプロセッサによって読み取られ、実行され得る、マシン読取可能な記憶媒体上に格納された命令として実装され得る。マシン読取可能な記憶媒体は、パーソナルまたはラップトップコンピュータ、サーバ、または他のコンピューティングデバイスのような、マシンによって可読な形で情報を記憶する任意のメカニズムを含む。したがって、マシン読み取り可能な記憶媒体は、読み取り専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、磁気ディスク記憶媒体、光記憶媒体、フラッシュメモリデバイス、および同様の記憶媒体を含み得る。
[00136] 本明細書の任意のブロック図は、本発明の原理を実施する例示的な回路の概念図を表すことを当業者は理解されたい。同様に、任意のフローチャート、フロー図、状態遷移図、擬似コードなどは、コンピュータまたはプロセッサが明示的に示されているか否かにかかわらず、コンピュータまたはプロセッサによって実行される、マシン読み取り可能な媒体で実質的に表現され得る様々なプロセスを表すことが理解されるであろう。
[00137] 様々な例示的な実施形態を、その特定の例示的な態様を特に参照して詳細に説明してきたが、本開示は他の実施形態が可能であり、その詳細は様々な明らかな点で修正が可能であることを理解されたい。当業者には容易に明らかなように、本開示の精神および範囲内にとどまりながら、変形および修正を行える。したがって、前述の開示、説明、および図面は例示のみを目的としたものであり、特許請求の範囲によってのみ定義される本開示を決して限定するものではない。

Claims (20)

  1. 少なくとも１つのバイタルサインについて訓練され、少なくとも１つの一般独立バイタルサインリスクスコアを出力する一般統計分類器、及び、少なくとも１つの患者特徴について訓練され、少なくとも１つの個人独立バイタルサインリスクスコアを出力する個人統計分類器を含む人工知能エンジンを、記憶するメモリと、
    前記メモリと通信する少なくとも１つのプロセッサと、
    を有する、患者リスク予測コントローラであって、
    前記少なくとも１つのプロセッサが、
    前記一般統計分類器を単一のバイタルサインに適用して、単一の一般独立バイタルサインリスクスコアを出力し、
    前記個人統計分類器を単一の一般独立バイタルサインリスクスコア及び単一の患者特徴に適用して、前記単一の一般独立バイタルサインリスクスコアへの前記単一の患者特徴の統合から単一の個人独立バイタルサインリスクスコアを導出する動作、及び、前記個人統計分類器を前記単一の一般独立バイタルサインリスクスコア及び複数の患者特徴に適用して、前記単一の一般独立バイタルサインリスクスコアへの前記複数の患者特徴の各患者特徴の個々の統合から複数の個人独立バイタルサインリスクスコアを導出する動作のうちの少なくとも１つの動作を実行することと、
    前記一般統計分類器を複数のバイタルサインに適用して、複数の一般独立バイタルサインリスクスコアを出力し、
    前記個人統計分類器を前記複数の一般独立バイタルサインリスクスコア及び前記単一の患者特徴に適用して、前記複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへの前記単一の患者特徴の個々の統合から複数の個人独立バイタルサインリスクスコアを導出する動作、及び、前記個人統計分類器を前記複数の一般独立バイタルサインリスクスコア及び前記複数の患者特徴に適用して、前記複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへの前記複数の患者特徴の各患者特徴の個々の統合から前記複数の個人独立バイタルサインリスクスコアを導出する動作のうちの少なくとも１つの動作を実行することと
    のうちの少なくとも１つを実行する、
    患者リスク予測コントローラ。
  2. 前記一般統計分類器は前記少なくとも１つの一般独立バイタルサインリスクスコアのうちの１つ又は各々を対数オッズ比若しくは対数正規化確率として定量化し、前記個人統計分類器が前記少なくとも１つの個人独立バイタルサインリスクスコアのうちの１つ又は各々を対数オッズ比若しくは対数正規化確率として定量化する、請求項１に記載の患者リスク予測コントローラ。
  3. 前記個人統計分類器による前記単一の一般独立バイタルサインリスクスコアへの前記単一の患者特徴の統合は、前記個人統計分類器が前記単一の患者特徴の重み関数を前記単一の一般独立バイタルサインリスクスコアに適用することを含み、
    前記個人統計分類器による前記単一の一般独立バイタルサインリスクスコアへの前記複数の患者特徴の各患者特徴の個々の統合は、前記個人統計分類器が各患者特徴の重み関数を前記単一の一般的独立バイタルサインリスクスコアに適用することを含み、
    前記個人統計分類器による前記複数の独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへの前記単一の患者特徴の個々の統合は、前記個人統計分類器が前記単一の患者特徴の前記重み関数を前記複数の一般独立バイタルサインリスクスコアの各々に個々に適用することを含み、
    前記個人統計分類器による前記複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへの前記複数の患者特徴の各患者特徴の個々の統合は、前記個人統計分類器が各患者特徴の重み関数を前記複数の一般独立バイタルサインリスクスコアの各々に個々に適用することを含む、
    請求項１に記載の患者リスク予測コントローラ。
  4. 前記一般統計分類器は一般患者リスクスコアを前記単一の一般独立バイタルサインリスクスコア又は前記複数の一般独立バイタルサインリスクスコアのうちの一方から計算し、
    前記少なくとも１つのプロセッサが、更に、前記一般統計分類器による前記一般患者リスクスコアの計算を制御する、
    請求項１に記載の患者リスク予測コントローラ。
  5. 前記一般統計分類器が、前記一般患者リスクスコアを、前記単一の一般独立バイタルサインリスクスコアと等価として又は前記複数の一般独立バイタルサインリスクスコアの和としてのうちの一方として計算する、
    請求項４に記載の患者リスク予測コントローラ。
  6. 前記個人統計分類器は個人患者リスクスコアを前記単一の個人独立バイタルサインリスクスコア又は前記複数の個人独立バイタルサインリスクスコアのうちの一方から計算し、
    前記少なくとも１つのプロセッサが、更に、前記個人統計分類器による前記個人患者リスクスコアの計算を制御する、
    請求項１に記載の患者リスク予測コントローラ。
  7. 前記個人統計分類器が、前記個人患者リスクスコアを、前記単一の個人独立バイタルサインリスクスコアと等価として又は前記複数の個人独立バイタルサインリスクスコアの和としてのうちの一方として計算する、
    請求項６に記載の患者リスク予測コントローラ。
  8. 前記一般統計分類器が一般患者リスクスコアを前記単一の一般独立バイタルサインリスクスコア又は前記複数の一般独立バイタルサインリスクスコアのうちの一方から導出する動作、及び
    前記個人統計分類器が個人患者リスクスコアを前記単一の個人独立バイタルサインリスクスコア又は前記複数の個人独立バイタルサインリスクスコアのうちの一方から導出する動作、
    の少なくとも一方の動作が実行され、
    前記人工知能エンジンは通信マネージャを更に含み、
    前記少なくとも１つのプロセッサが、更に、前記通信マネージャによる前記一般患者リスクスコア及び前記個人患者リスクスコアの少なくとも一方の、少なくとも１つのレポート装置への伝送を制御する、
    請求項１に記載の患者リスク予測コントローラ。
  9. 一般統計分類器及び個人統計分類器を含む人工知能エンジンの少なくとも１つのプロセッサにより実行するための命令によってエンコードされた非一時的マシン読取可能な記憶媒体であって、
    前記一般統計分類器は少なくとも１つのバイタルサインについて訓練されて、少なくとも１つの一般独立バイタルサインリスクスコアを出力し、
    前記個人統計分類器は少なくとも１つの患者特徴について訓練されて、少なくとも１つの個人独立バイタルサインリスクスコアを出力し、
    当該非一時的マシン読取可能な記憶媒体が、
    前記一般統計分類器を単一のバイタルサインに適用して、単一の一般独立バイタルサインリスクスコアを出力し、
    前記個人統計分類器を単一の一般独立バイタルサインリスクスコア及び単一の患者特徴に適用して、前記単一の一般独立バイタルサインリスクスコアへの前記単一の患者特徴の統合から単一の個人独立バイタルサインリスクスコアを導出する動作、及び、前記個人統計分類器を前記単一の一般独立バイタルサインリスクスコア及び複数の患者特徴に適用して、前記単一の一般独立バイタルサインリスクスコアへの前記複数の患者特徴の各患者特徴の個々の統合から複数の個人独立バイタルサインリスクスコアを導出する動作のうちの少なくとも１つの動作を実行することと、
    前記一般統計分類器を複数のバイタルサインに適用して、複数の一般独立バイタルサインリスクスコアを出力し、
    前記個人統計分類器を前記複数の一般独立バイタルサインリスクスコア及び前記単一の患者特徴に適用して、前記複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへの前記単一の患者特徴の個々の統合から複数の個人独立バイタルサインリスクスコアを導出する動作、及び、前記個人統計分類器を前記複数の一般独立バイタルサインリスクスコア及び前記複数の患者特徴に適用して、前記複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへの前記複数の患者特徴の各患者特徴の個々の統合から前記複数の個人独立バイタルサインリスクスコアを導出する動作のうちの少なくとも１つの動作を実行することと
    のうちの少なくとも１つを実行するための命令を有する、
    非一時的マシン読取可能な記憶媒体。
  10. 前記少なくとも１つの一般独立バイタルサインリスクスコアのうちの１つ又は各々は対数オッズ比若しくは対数正規化確率として定量化され、
    前記少なくとも１つの個人独立バイタルサインリスクスコアのうちの１つ又は各々が対数オッズ比若しくは対数正規化確率として定量化される、
    請求項９に記載の非一時的マシン読取可能な記憶媒体。
  11. 前記単一の患者特徴を前記単一の一般独立バイタルサインリスクスコアへと統合する命令は、前記単一の患者特徴の重み関数を前記単一の一般独立バイタルサインリスクスコアに適用する命令を含み、
    前記複数の患者特徴の各患者特徴を前記単一の一般独立バイタルサインリスクスコアへと個々に統合する命令は、各患者特徴の重み関数を前記単一の一般独立バイタルサインリスクスコアに個々に適用する命令を含み、
    前記単一の患者特徴を前記複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへと個々に統合する命令は、前記単一の患者特徴の重み関数を前記複数の一般独立バイタルサインリスクスコアの各々に個々に適用する命令を含み、
    前記複数の患者特徴の各患者特徴を前記複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアに個々に統合する命令が、各患者特徴の重み関数を前記複数の一般独立バイタルサインリスクスコアの各々に個々に適用する命令を含む、
    請求項９に記載の非一時的マシン読取可能な記憶媒体。
  12. 当該非一時的マシン読取可能な記憶媒体が、前記一般統計分類器により、前記単一の一般独立バイタルサインリスクスコア又は前記複数の一般独立バイタルサインリスクスコアの一方から一般患者リスクスコアを計算する命令を更に含む、請求項９に記載の非一時的マシン読取可能な記憶媒体。
  13. 前記一般患者リスクスコアが、前記単一の一般独立バイタルサインリスクスコアと等価であること及び前記複数の一般独立バイタルサインリスクスコアの集合であることのうちの一方である、請求項１２に記載の非一時的マシン読取可能な記憶媒体。
  14. 当該非一時的マシン読取可能な記憶媒体が、前記個人統計分類器により、前記単一の個人独立バイタルサインリスクスコア及び前記複数の個人独立バイタルサインリスクスコアの一方から個人患者リスクスコアを計算する命令を更に含む、請求項９に記載の非一時的マシン読取可能な記憶媒体。
  15. 前記個人患者リスクスコアが、前記単一の個人独立バイタルサインリスクスコアと等価であること及び前記複数の個人独立バイタルサインリスクスコアの集合であることのうちの一方である、請求項１４に記載の非一時的マシン読取可能な記憶媒体。
  16. 一般統計分類器及び個人統計分類器を含む人工知能エンジンにより実行可能な患者リスク予測方法であって、
    前記一般統計分類器は少なくとも１つのバイタルサインについて訓練されて、少なくとも１つの一般独立バイタルサインリスクスコアを出力し、
    前記個人統計分類器は少なくとも１つの患者特徴について訓練されて、少なくとも１つの個人独立バイタルサインリスクスコアを出力し、
    当該患者リスク予測方法が、
    前記一般統計分類器を単一のバイタルサインに適用して、単一の一般独立バイタルサインリスクスコアを出力し、
    前記個人統計分類器を該単一の一般独立バイタルサインリスクスコア及び単一の患者特徴に適用して、単一の患者特徴を前記単一の一般独立バイタルサインリスクスコアへ統合して、単一の個人独立バイタルサインリスクスコアを導出するステップ、及び、前記個人統計分類器を前記単一の一般独立バイタルサインリスクスコア及び前記複数の患者特徴に適用して、複数の患者特徴の各患者特徴を前記単一の一般独立バイタルサインリスクスコアへ個々に統合して、複数の個人独立バイタルサインリスクスコアを導出するステップのうちの少なくとも１つを実行するステップと、
    前記一般統計分類器を複数のバイタルサインに適用して、複数の一般独立バイタルサインリスクスコアを出力し、
    前記個人統計分類器を前記複数の一般独立バイタルサインリスクスコア及び前記単一の患者特徴に適用して、前記単一の患者特徴を前記複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへ個々に統合して、複数の個人独立バイタルサインリスクスコアを導出するステップ、及び、前記個人統計分類器を前記複数の一般独立バイタルサインリスクスコア及び前記複数の患者特徴に適用して、前記複数の患者特徴の各患者特徴を前記複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアへ個々に統合して、前記複数の個人独立バイタルサインリスクスコアを導出するステップ
    のうちの少なくとも１つを実行するステップと
    のうちの少なくとも１つを有する、患者リスク予測方法。
  17. 前記少なくとも１つの一般独立バイタルサインリスクスコアのうちの１つ又は各々は対数オッズ比若しくは対数正規化確率として定量化され、
    前記少なくとも１つの個人独立バイタルサインリスクスコアのうちの１つ又は各々が対数オッズ比若しくは対数正規化確率として定量化される、
    請求項１６に記載の患者リスク予測方法。
  18. 前記個人統計分類器により前記単数患者特徴を前記単数一般独立バイタルサインリスクスコアに統合するステップは、前記個人統計分類器により前記単数患者特徴の重み関数を前記単一の一般独立バイタルサインリスクスコアに適用するステップを含み、
    前記個人統計分類器により前記複数の患者特徴の各患者特徴を前記単一の一般独立バイタルサインリスクスコアに個々に統合するステップは、前記個人統計分類器により各患者特徴の重み関数を前記単一の一般独立バイタルサインリスクスコアに個々に適用するステップを含み、
    前記個人統計分類器により前記単一の患者特徴を前記複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアに個々に統合するステップは、前記単一の患者特徴の重み関数を前記複数の一般独立バイタルサインリスクスコアの各々に個々に適用するステップを含み、
    前記個人統計分類器による前記複数の患者特徴の各患者特徴を前記複数の一般独立バイタルサインリスクスコアの各一般独立バイタルサインリスクスコアに個々に統合するステップが、各患者特徴の重み関数を前記複数の一般独立バイタルサインリスクスコアの各々に個々に適用するステップを含む、
    請求項１６に記載の患者リスク予測方法。
  19. 前記一般統計分類器により、一般患者リスクスコアを前記単一の一般独立バイタルサインリスクスコアと等価として計算するステップ、及び
    前記一般統計分類器により、前記一般患者リスクスコアを前記複数の一般独立バイタルサインのリスクスコアの集合として計算するステップ、
    のうちの少なくとも１つを更に有する、請求項１６に記載の患者リスク予測方法。
  20. 前記個人統計分類器により、個人患者リスクスコアを前記単一の個人独立バイタルサインリスクスコアと等価として計算するステップ、及び
    前記個人統計分類器により、前記個人患者リスクスコアを前記複数の個人独立バイタルサインリスクスコアの集合として計算するステップ、
    のうちの少なくとも１つを更に有する、請求項１６に記載の患者リスク予測方法。
JP2021514346A 2018-09-18 2019-09-16 一般的及び個人的な患者のリスク予測 Pending JP2022500767A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862732623P 2018-09-18 2018-09-18
US62/732,623 2018-09-18
PCT/EP2019/074600 WO2020058145A1 (en) 2018-09-18 2019-09-16 General and personal patient risk prediction

Publications (1)

Publication Number Publication Date
JP2022500767A true JP2022500767A (ja) 2022-01-04

Family

ID=67988991

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021514346A Pending JP2022500767A (ja) 2018-09-18 2019-09-16 一般的及び個人的な患者のリスク予測

Country Status (5)

Country Link
US (1) US20210350933A1 (ja)
EP (1) EP3853868A1 (ja)
JP (1) JP2022500767A (ja)
CN (1) CN112703562A (ja)
WO (1) WO2020058145A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210366619A1 (en) * 2020-05-20 2021-11-25 Koninklijke Philips N.V. Recovery profile clustering to determine treatment protocol and predict resourcing needs
CN114334145B (zh) * 2021-12-06 2023-06-30 中国医学科学院北京协和医院 一种不典型危重患者的动态识别方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7223234B2 (en) * 2004-07-10 2007-05-29 Monitrix, Inc. Apparatus for determining association variables
SG183435A1 (en) * 2010-03-15 2012-09-27 Singapore Health Serv Pte Ltd Method of predicting the survivability of a patient
US9775533B2 (en) * 2013-03-08 2017-10-03 Singapore Health Services Pte Ltd System and method of determining a risk score for triage
CN106132286B (zh) * 2014-03-07 2020-04-21 心脏起搏器股份公司 多级心力衰竭事件检测
US20160143596A1 (en) * 2014-04-16 2016-05-26 Xerox Corporation Assessing patient risk of an acute hypotensive episode with vital measurements
JP6986262B2 (ja) * 2014-11-14 2021-12-22 ゾール メディカル コーポレイションZOLL Medical Corporation 医療前兆イベント予測のシステムおよび当該システムを操作するための方法
EP3280319A1 (en) * 2015-04-08 2018-02-14 Koninklijke Philips N.V. Cardiovascular deterioration warning score
CA2932204A1 (en) * 2015-06-25 2016-12-25 Alaya Care Inc. Method for predicting adverse events for home healthcare of remotely monitored patients
US20170177823A1 (en) * 2015-12-18 2017-06-22 Cerner Innovation, Inc. Prediction of readmission risk
CA3014761C (en) * 2016-02-17 2022-07-19 The Cleveland Clinic Foundation Systems and methods for remote monitoring of non-critically ill hospitalized patients
CA3073289A1 (en) * 2017-08-22 2019-02-28 Kinetyx Sciences Inc. Method and system for activity classification
US20190080056A1 (en) * 2017-09-14 2019-03-14 Qualcomm Incorporated Systems and methods for remote patient monitoring and event detection

Also Published As

Publication number Publication date
US20210350933A1 (en) 2021-11-11
WO2020058145A1 (en) 2020-03-26
EP3853868A1 (en) 2021-07-28
CN112703562A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
Kallus et al. Interval estimation of individual-level causal effects under unobserved confounding
US20210142915A1 (en) Clinical predictive analytics system
Fogarty et al. Discrete optimization for interpretable study populations and randomization inference in an observational study of severe sepsis mortality
Liu et al. Early prediction of diabetes complications from electronic health records: A multi-task survival analysis approach
Schetinin et al. Bayesian averaging over decision tree models: an application for estimating uncertainty in trauma severity scoring
JPWO2018221689A1 (ja) 医療情報処理システム
US11676704B2 (en) Systems and methods for processing electronic images for health monitoring and forecasting
JP2023546866A (ja) 臨床判断サポートを提供するためのシステムおよび方法
JP2022500767A (ja) 一般的及び個人的な患者のリスク予測
Jain et al. Awareness of racial and ethnic bias and potential solutions to address bias with use of health care algorithms
CN112635053A (zh) 基于大数据的居民健康预警方法、装置、设备和系统
CN110134939A (zh) 基于本体和规则的裁决
Ho et al. A call for an ethics and governance action plan to harness the power of artificial intelligence and digitalization in nephrology
Kwon et al. RMExplorer: A visual analytics approach to explore the performance and the fairness of disease risk models on population subgroups
Festor et al. Enabling risk-aware Reinforcement Learning for medical interventions through uncertainty decomposition
US8751416B2 (en) Method and apparatus for deriving probabilistic models from deterministic ones
Chalmers et al. Network Analysis
US20230402179A1 (en) Autonomous medical screening and recognition robots, systems and method of identifying a disease, condition, or injury
KR20240019263A (ko) 머신 러닝 지원 영상 분할을 위한 주석 달린 훈련 데이터를 생성하기 위한 계층적 작업흐름
US20170147768A1 (en) System and method for detecting and monitoring acute myocardial infarction risk
CN113990502A (zh) 一种基于异构图神经网络的icu心衰预测系统
De Silva et al. Computer-aided medical diagnosis using bayesian classifier-decision support system for medical diagnosis
WO2021076652A1 (en) Method for enhancing patient compliance with a medical therapy plan and mobile device therefor
Mitra et al. Analysis of interval-censored competing risks data under missing causes
CN110910980A (zh) 一种脓毒血症的预警装置、设备及存储介质