JP2022527571A - 病状によって影響を受ける可能性がある被験者を識別するための方法およびシステム - Google Patents
病状によって影響を受ける可能性がある被験者を識別するための方法およびシステム Download PDFInfo
- Publication number
- JP2022527571A JP2022527571A JP2021559470A JP2021559470A JP2022527571A JP 2022527571 A JP2022527571 A JP 2022527571A JP 2021559470 A JP2021559470 A JP 2021559470A JP 2021559470 A JP2021559470 A JP 2021559470A JP 2022527571 A JP2022527571 A JP 2022527571A
- Authority
- JP
- Japan
- Prior art keywords
- subject
- subjects
- medical
- database
- condition
- 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
Links
- 238000000034 method Methods 0.000 title claims description 66
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 82
- 230000007170 pathology Effects 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 4
- 239000003814 drug Substances 0.000 claims description 33
- 229940079593 drug Drugs 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 29
- 239000000090 biomarker Substances 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 25
- 210000001525 retina Anatomy 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 20
- 230000002207 retinal effect Effects 0.000 claims description 17
- 208000024827 Alzheimer disease Diseases 0.000 claims description 14
- 238000002600 positron emission tomography Methods 0.000 claims description 14
- 210000004556 brain Anatomy 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 230000002792 vascular Effects 0.000 claims description 11
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 8
- 208000018737 Parkinson disease Diseases 0.000 claims description 8
- 239000008280 blood Substances 0.000 claims description 8
- 210000004369 blood Anatomy 0.000 claims description 8
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 8
- 239000008103 glucose Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 208000024172 Cardiovascular disease Diseases 0.000 claims description 7
- 238000003759 clinical diagnosis Methods 0.000 claims description 7
- 201000006417 multiple sclerosis Diseases 0.000 claims description 7
- 208000009829 Lewy Body Disease Diseases 0.000 claims description 5
- 201000002832 Lewy body dementia Diseases 0.000 claims description 5
- 201000004810 Vascular dementia Diseases 0.000 claims description 5
- 230000001149 cognitive effect Effects 0.000 claims description 5
- 206010012601 diabetes mellitus Diseases 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 5
- 102000013498 tau Proteins Human genes 0.000 claims description 5
- 108010026424 tau Proteins Proteins 0.000 claims description 5
- 206010003210 Arteriosclerosis Diseases 0.000 claims description 4
- 208000008589 Obesity Diseases 0.000 claims description 4
- 206010002026 amyotrophic lateral sclerosis Diseases 0.000 claims description 4
- 208000011775 arteriosclerosis disease Diseases 0.000 claims description 4
- 238000009534 blood test Methods 0.000 claims description 4
- 238000002610 neuroimaging Methods 0.000 claims description 4
- 235000020824 obesity Nutrition 0.000 claims description 4
- 238000002591 computed tomography Methods 0.000 claims description 3
- 238000001839 endoscopy Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims description 3
- 238000002583 angiography Methods 0.000 claims description 2
- 230000000740 bleeding effect Effects 0.000 claims description 2
- 230000008081 blood perfusion Effects 0.000 claims description 2
- 230000036772 blood pressure Effects 0.000 claims description 2
- 210000004204 blood vessel Anatomy 0.000 claims description 2
- 210000000416 exudates and transudate Anatomy 0.000 claims description 2
- 230000004424 eye movement Effects 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 102000009091 Amyloidogenic Proteins Human genes 0.000 claims 1
- 108010048112 Amyloidogenic Proteins Proteins 0.000 claims 1
- 235000012000 cholesterol Nutrition 0.000 claims 1
- 230000001427 coherent effect Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 238000003325 tomography Methods 0.000 claims 1
- 230000004256 retinal image Effects 0.000 abstract description 2
- 230000033001 locomotion Effects 0.000 description 34
- 230000009471 action Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 17
- 238000011160 research Methods 0.000 description 8
- 208000024891 symptom Diseases 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 102000003802 alpha-Synuclein Human genes 0.000 description 1
- 108090000185 alpha-Synuclein Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 201000010901 lateral sclerosis Diseases 0.000 description 1
- 208000005264 motor neuron disease Diseases 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000012014 optical coherence tomography Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G16H50/70—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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/14—Arrangements specially adapted for eye photography
- A61B3/145—Arrangements specially adapted for eye photography by video means
-
- 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
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- 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
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- 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
- A61B5/14546—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 analytes not otherwise provided for, e.g. ions, cytochromes
-
- 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
Abstract
病状によって影響を受ける可能性がある被験者が識別される。実験群は、彼らの医療プロファイルにおける病状に関連する特定の基準に対して陽性の兆候を有する被験者を含む。対照群は、特定の基準に対して陰性の兆候を有する被験者を含む。人工知能システムは、病状の分類子を構築するために、実験群および対照群の被験者の特定の基準および二次特性を使用してトレーニングされる。分類子は、被験者の母集団から被験者のターゲット群を抽出するために使用される。被験者のターゲット群の各被験者の医療プロファイルが、病状によって影響を受ける可能性があるものとしてマークされている。システムは、人工知能システムと、医療プロファイルを記憶するためのデータベースを含む。網膜画像などの医用画像を分析するために、深層学習または機械学習が使用され得る。
Description
相互参照
本出願は、2019年3月19日に出願された米国仮特許出願第62/820,587号からの優先権を主張し、その全体が参照により本明細書に組み込まれる。
本出願は、2019年3月19日に出願された米国仮特許出願第62/820,587号からの優先権を主張し、その全体が参照により本明細書に組み込まれる。
本開示は、医療情報の分野に関する。より具体的には、本開示は、病状によって影響を受ける可能性がある被験者を識別するための方法およびシステムに関する。
医療分野の医師および他の開業医は、患者の診断を確立するために、たとえば医療デバイスの使用によって提供される検査の結果または臨床検査の結果などの医療情報を収集および分析する。従来、医療情報は臨床医のオフィスにおいて紙に保存されており、コンピュータ化された医療は情報の盗難および機密性の高い個人情報の流布につながるという大きな懸念があった。
近年、医療情報はますますコンピュータに記憶され、ネットワークを介して通信されるようになっている。医療情報の正確性と可用性は向上したが、医療情報のコンピュータ分析の進歩はかなり限られている。患者の病歴に関する豊富なデータはまだ十分に活用されていない。
したがって、被験者の母集団について入手された医療情報を分析するための新しい技法が必要である。
本開示によれば、病状によって影響を受ける可能性がある被験者を識別するための方法が提供される。実験群は、被験者の母集団の医療プロファイルを含むデータベースにおいて定義される。実験群は、彼らの医療プロファイルにおける病状に関連する特定の基準に対して陽性の兆候を有する1人または複数の被験者を含む。対照群もデータベースにおいて定義される。対照群は、彼らの医療プロファイルにおける病状に関連する特定の基準に対して陰性の兆候を有する1人または複数の被験者を含む。人工知能システムは、病状の分類子を構築するために、実験群および対照群の被験者の1つまたは複数の二次特性に関連する特定の基準および情報を使用してトレーニングされる。分類子は、データベース内の被験者の母集団から、1人または複数の被験者を含むターゲット群を抽出するために使用される。データベースにおいて、被験者のターゲット群の各被験者の医療プロファイルが、病状によって影響を受ける可能性があるものとしてマークされている。
本開示によれば、病状によって影響を受ける被験者の可能性を評価するための方法も提供される。実験群は、被験者の母集団の医療プロファイルを含むデータベースにおいて定義される。実験群は、彼らの医療プロファイルにおける病状に関連する特定の基準に対して陽性の兆候を有する1人または複数の被験者を含む。対照群もデータベースにおいて定義される。対照群は、彼らの医療プロファイルにおける病状に関連する特定の基準に対して陰性の兆候を有する1人または複数の被験者を含む。人工知能システムは、病状の分類子を構築するために、実験群および対照群の被験者の1つまたは複数の二次特性に関連する特定の基準および情報を使用してトレーニングされる。分類子は、所与の被験者の病状によって影響を受ける可能性を評価するために使用される。病状によって影響を受ける可能性の評価は、所与の被験者の医療プロファイルにおけるデータベースに記憶される。
本開示によれば、病状によって影響を受ける可能性がある被験者を識別するためのシステムも提供される。本システムは、データベース、通信インターフェース、プロセッサ、および非一時的コンピュータ可読媒体を備える。データベースは、被験者の母集団の医療プロファイルを記憶するように適合されている。通信インターフェースは、第1の医療モダリティから、被験者の母集団のサブセットの病状に関連する特定の基準に対して陽性および陰性の兆候を受信し、1つまたは複数の第2の医療モダリティから、被験者の母集団の1つまたは複数の二次特性に関連する情報を受信するように適合されている。プロセッサは、データベースおよび通信インターフェースに動作可能に接続されている。非一時的コンピュータ可読媒体は、プロセッサによって実行されると、病状によって影響を受ける可能性がある被験者を識別するための方法を実行するための機械実行可能命令を記憶している。
本開示によれば、病状によって影響を受ける可能性がある被験者を識別するためのシステムも提供される。本システムは、データベース、通信インターフェース、人工知能システム、およびコントローラを備える。データベースは、被験者の母集団の医療プロファイルを記憶するように適合されている。通信インターフェースは、第1の医療モダリティから、被験者の母集団のサブセットの病状に関連する特定の基準に対して陽性および陰性の兆候を受信することと、1つまたは複数の第2の医療モダリティから、被験者の母集団の1つまたは複数の二次特性を受信することとを行うように適合されている。人工知能システムは、提供された基準および二次特性に関連する提供された情報に基づいて、病状の分類子を構築するように構成される。人工知能システムはまた、データベース内の被験者の母集団から、1人または複数の被験者を含むターゲット群を抽出するために、分類子を使用するように構成される。コントローラは、データベース、通信インターフェース、および人工知能システムに動作可能に接続されている。コントローラは、データベースにおいて、彼らの医療プロファイルにおいて特定の基準に対して陽性の兆候を有する1人または複数の被験者を含む実験群を定義することと、データベースにおいて、彼らの医療プロファイルにおいて特定の基準に対して陰性の兆候を有する1人または複数の被験者を含む対照群を定義することと、実験群および対照群の被験者の1つまたは複数の二次特性に関連する特定の基準および情報を人工知能システムに提供することと、人工知能システムからターゲット群の被験者の識別を受信することと、データベースにおいて、被験者のターゲット群の各被験者の医療プロファイルを、病状によって影響を受ける可能性があるものとしてマークすることとを行うように構成される。
前述の特徴および他の特徴は、添付の図面のみを参照して例として与えられた、その例示的な実施形態の以下の非限定的な説明を読むと、より明らかになるであろう。
本開示の実施形態は、添付の図面を参照してのみ例として説明される。
同様の数字は、様々な図面の同様の機能を表す。
本開示の様々な態様は、一般に、一般集団における被験者に関連する医療情報が十分に活用されていないことに関連する問題のうちの1つまたは複数に対処する。
一般的に、本開示は、多数の被験者の病状に関連する特定の基準の直接観察によって取得された情報を使用して分類子を構築するために人工知能(AI)システムをトレーニングする技術を紹介する。次いで、分類子は、同じ病状によって影響を受ける可能性がある被験者のターゲット群を識別するために、被験者の一般集団の医療プロファイルに適用される。特定の基準のこの直接観察によって、AIシステムを確実にトレーニングするための、いわゆる「グラウンドトゥルース」コンテンツ、または「ゴールドスタンダード」が提供される。
特定の基準に加えて、被験者の少なくとも1つの二次特性に関連する情報も、分類子を構築するためのAIシステムをトレーニングするために使用される。
特定の基準が所与の被験者において直接観察されたという陽性の兆候の例は、所与の被験者における特定のバイオマーカの直接検出を備え得る。次いで、分類子は、ターゲット群の被験者における特定のバイオマーカが存在する可能性に基づいて、ターゲット群の被験者を識別するように構築され得る。本技術の非限定的かつ例示的な例は、アルツハイマー病(AD)によって影響を受ける可能性がある被験者のターゲット群の識別に関する。ADは、被験者の脳内のアミロイドの存在を検出および定量化するための陽電子放出断層撮影(PET)スキャンを使用して、直接観察を介して所与の被験者において診断される場合があり、アミロイドは、ADに関連する特定のバイオマーカである。一実施形態では、アミロイドが所与の被験者の脳において検出された場合、特定の基準(アミロイドの存在)は陽性であると言われる。この実施形態では、アミロイドが所与の被験者の脳において検出されない場合、特定の基準は所与の被験者に対して陰性である。別の実施形態では、アミロイドの量は、PETスキャン結果に基づいて定量化され得、アミロイドの量があらかじめ定められたしきい値を超える場合、陽性の表示が提供され得、アミロイドの量があらかじめ定められたしきい値より少ない場合、表示は陰性である。陽性か陰性かにかかわらず、PETスキャンの結果は信頼できると見なされ、したがって所与の被験者の「グラウンドトゥルース」診断を形成する。
同じ非限定的で説明的な例を続けると、マルチスペクトル網膜スキャンは、人間の目には見えない特定の特徴がADを含む特定の健康問題の検出を可能にすることができるデータが豊富な画像である。被験者の網膜における特徴を分析することによって、被験者におけるADの兆候を提供する二次特性が明らかになる可能性があり、この分析は、被験者の脳内のアミロイドの存在の証拠を提供する。異常は、たとえば、網膜の画像のテクスチャ分析を使用することによって検出され得る。関連する画像技法は、2016年3月23日に公開されたSylvestreらの国際特許出願公開WO2016/041062A1号、および2018年4月26日に公開されたSylvestreらの国際特許出願公開WO2018/073784A1号に記載されており、その開示は参照によりその全体が本明細書に組み込まれる。
上記の例では、アミロイドが脳のPETスキャンによって検出されるという特定の基準に対して陽性の値を受け取った被験者は、一般集団のサブセットである実験群に配置される。アミロイドが脳のPETスキャンによって検出されないという特定の基準に対して陰性の値を受け取った他の被験者は、一般集団の別のサブセットである対照群に配置される。実験群および対照群の被験者の網膜の画像が取得され、これらの被験者の二次特性を定義するために処理される。これらの情報要素は、AIシステムをトレーニングするために使用される。すべての場合に絶対的に当てはまるわけではないが、アミロイドが陽性に検出された実験群のメンバーは、一般に網膜において特定のテクスチャを示す。逆に、アミロイドが検出されなかった対照群のメンバーは、一般に、網膜においてそのような特定のテクスチャを示さない。次いで、トレーニングされたAIシステムによって構築された分類子は、一般集団の他の被験者を、網膜のテクスチャに基づいて、アルツハイマー病によって影響を受ける可能性がある被験者のターゲット群の一部であるかどうかに分類することができる。Table1(表1)は、非常に少数の例示的な被験者の母集団の結果をまとめたものである。
Table1(表1)の例は、説明を簡単にするために簡略化されている。一般集団は、実験群、対照群、およびターゲット群と同様に、より多数の被験者を含み得る。さらに、Table1(表1)は単一の二次特性を示しているが、AIシステムをトレーニングし、および/またはターゲット群における被験者を識別するために、より多くの二次特性が使用され得る。
Table1(表1)は、特定の基準(PETスキャンにおいてアミロイドが陽性または陰性)と二次特性(脳内にアミロイドが存在するかどうかを示す特定のテクスチャ)との間に1対1の対応がある単純なケースを示している。しかしながら、他の例が企図され得る。二次特性「W」、「X」、「Y」および「Z」の陽性の値に一般的に一致する別の病状に関連する陽性の特定の基準の場合、この正の基準は、特定の被験者において、「W」、「X」、および「Y」を含む二次特性のサブセットの陽性の値に一致し得、別の特定の被験者においては、「W」、「Y」、「Z」を含む二次特性の別のサブセットの陽性の値に一致し得る。AIシステムのトレーニングは、実験群および対照群に属する被験者の数が増えるにつれて、また被験者の二次特性の数が増えるにつれて向上する。
PETスキャンはまた、被験者の脳内のタウタンパク質の存在を明らかにする可能性があることが観察されている。被験者の脳内のタウタンパク質の検出はまた、被験者がADを患っていることを示している可能性がある。Table1(表1)は、「アミロイド」という用語を「タウ」または「アミロイドおよび/またはタウ」に置き換えることによって再描画することができる。
一実施形態では、一般集団の被験者を、ADによって影響を受ける可能性がある(または影響を受ける可能性がない)ときにターゲット群に割り当てる(または、割り当てない)代わりに、分類子は、1人または複数の被験者あるいは一般集団のすべての被験者のアミロイド状態を評価し得る。評価されたアミロイド状態は、評価を受けた被験者の医療プロファイルにおいて、グローバルデータベース104において陽性または陰性として示され得る。PETスキャンから取得された定量化された値と同様に、一般集団の被験者ごとに評価されたアミロイド状態の数値を提供することもまた企図される。
網膜の画像のADおよびテクスチャ分析は上記の例において説明されているが、以下に示される他の例は、他の病状の特定の基準の陽性および陰性の情報を定義するためのグラウンドトゥルース情報の他のソースに関連する。さらに別の例は、一般集団における被験者の他の二次特性に関連する他の情報のソースに関連する。
次に図面を参照すると、図1は、一実施形態による、医療情報を入手および処理するように適合されたネットワーク100の一般的なアーキテクチャ図である。ネットワーク100は、グローバルデータベース104を備える患者管理プラットフォーム102を含む。ネットワーク100はまた、人工知能システム106、バイオマーカリポジトリ108、および複数の医療モダリティを含む。グローバルデータベース104は、患者管理プラットフォーム102によって知られている被験者の母集団の医療プロファイルを備える。AIシステム106は、機械学習システムまたは深層学習システムを備え得る。
一実施形態では、ネットワーク100は、マルチスペクトル網膜眼スキャンに存在する選択可能で特定の特徴を使用する。この目的のために、医療モダリティのうちの1つは、たとえば眼科クリニック内の、敷地内に配置された網膜眼スキャンシステム110を含む。網膜眼スキャンシステム110は、患者の眼の画像特徴および解剖学的特徴を提供する。網膜眼スキャンシステム110は、患者の網膜の画像を取得するために、眼科技術者によって支援される医療専門家によって使用される。他の医療モダリティは、たとえば、デジタル医療調査(DMS)結果のソース112、臨床研究情報リポジトリ114、電子医療記録(EMR)116、ならびにセンサおよびウェアラブルデバイスを含む他のデバイスから信号、測定値、および他の情報要素を送信するポータル118(たとえば、インテリジェントモバイル端末)などの、様々なタイプの補助データのソースのプールを含む。たとえば、限定されないが、DMS結果は、認知検査結果、一般的な健康調査情報などを含み得る。臨床研究情報は、患者に処方された特定の薬剤のリスト、特定の検査の結果などを含み得る。EMRは、性別、年齢、ライフスタイルの習慣、患者によって消費される薬物、遺伝情報などの患者情報を含み得る。ウェアラブルデバイスから取得される情報は、心臓モニタ、睡眠モニタ、患者の平衡問題を検出するために靴に取り付けられたセンサなどからの信号を含み得る。追加の補助データソースのネットワーク100への包含もまた企図される。
患者管理プラットフォーム102は、1つまたは複数の特定の病状の特定の基準に対して陽性または陰性の値の形で「グラウンドトゥルース」情報を提供する検査を受けた被験者のコホート120、122、および124を定義する。3つのコホート120、122、および124がすべて示されているが、実際のコホートの数はこれより少なくても多くてもよい。この文脈において、陽性の値は、特定の基準のバイナリ検出に基づいてもよく、特定の基準のあらかじめ定められたしきい値を超える測定値に基づいてもよい。所与の病状に対応する特定の基準に対して測定値が利用可能である場合、その病状の重症度のグラデーションを、被験者のコホートの被験者について決定することができる。
これらのコホートに関連する情報は、AIシステム106に送信される。AIシステム106は、一部の被験者に存在する場合、被験者がそれらのバイオマーカに関連する病状によって影響を受ける可能性を明らかにするバイオマーカを識別することを学習するために、コホート120、122、および124の被験者のこの情報および二次特性を使用してトレーニングされる。AIシステム106は、識別されたバイオマーカに関する情報をバイオマーカリポジトリ108に記憶する。
AIシステム106は、関連情報、たとえば、網膜スキャンなどのマルチスペクトル医用画像から二次特性を抽出し得る。一実施形態では、深層学習システムは、畳み込みニューラルネットワークまたは同等の技法を使用する。マルチスペクトル医用画像は、空間情報とスペクトル情報の組合せを含む高次元構造を有する。深層学習システムは、分類子を構築するためのトレーニングサンプルとして、通常は多数のマルチスペクトル医用画像を使用してトレーニングされる。AIシステム106は、最初に、マルチスペクトル医用画像から主要な特徴を抽出する。特定の状態と著しく相関する主要な特徴が識別される。分類子が勾配ブーストツリーとして構築される場合、多変量モデリングが行われ得る。
AIシステム106は、被験者の母集団内で、所与のバイオマーカの存在に基づいて、所与の病状によって影響を受ける可能性がある特定の被験者を識別するために、グローバルデータベース104に適用することができる分類子126を構築する。非限定的な実施形態では、AIシステム106は、分類子126を構築するためにマルチスペクトル医用画像から抽出された主要な特徴を使用し、これにより、所与のバイオマーカを検出することを学習することができる。分類子126は、新しい特徴が抽出され、AIシステム106に提供されるときにスケールアップし得る。その結果、医療レポート128は、特定の被験者についてAIシステム106によって発行される。医療レポート128は、特定の被験者における所与のバイオマーカの存在を確認し得、次いで、その被験者は、所与の病状によって影響を受ける可能性がある被験者のターゲット群のメンバーとしてグローバルデータベース104においてマークされる。
次に、ネットワーク100のアプリケーションの非限定的な例を提示する。患者管理プラットフォーム102へのデータのいくつかの入力は、臨床研究に参加している被験者(患者)に関連し得る。患者管理プラットフォーム102への他のデータ入力は、様々な病状、たとえば、様々なバイオマーカの検出の特定の基準の検出における進歩から利益を得る一般集団の被験者に関連し得る。
本実施例は、網膜眼スキャンシステム110から患者管理プラットフォーム102への被験者の網膜眼スキャンの転送を含む。患者管理プラットフォーム102は、被験者のアイデンティティの管理を処理する。この被験者、および彼らのデータへのアクセスを許可された他の被験者に関連するデータは、DMS結果のソース112から、臨床研究情報リポジトリ114から、EMR116から、およびポータル118から、たとえばインテリジェントなモバイル端末の助けを借りて、患者管理プラットフォーム102に転送され得る。
特定の健康状態が知られている被験者(たとえば、網膜に様々な症状を有する被験者)の制御されたコホート120、122、124は、AIシステム106によって実行されるアルゴリズムを使用して分類子126を構築およびトレーニングするために提供される。AIシステム106は、クエリを通じてグローバルデータベース104から特定の被験者に関する情報をフェッチし得、分類子126を構築するためのグラウンドトゥルース情報を作成するために、AIシステム106が特定の状態を共有する被験者を識別および分離することを可能にする。AIシステム106のトレーニングは、現在および新しい主題の新しいおよび修正されたデータがグローバルデータベース104に追加されるにつれて分類子126の性能が改善されるように、反復プロセスであり得る。
トレーニングされたAIシステム106が分類子126を構築すると、これらの被験者の網膜において、異なるバイオマーカの存在の最終的な兆候を検出するために、新しい被験者の網膜眼スキャンが入手され、分類子126によって処理され得る。特定のバイオマーカのためにシステム106をトレーニングするために情報が使用されなかった被験者は、その特定のバイオマーカの存在の証拠を検出するための本技術から利益を得ることができる。グローバルデータベース104が成長するにつれて、新しいバイオマーカをバイオマーカリポジトリ108に追加して、被験者の一般集団が利用できるようになることができるので、本技術はスケーラブルである。特定のバイオマーカの有無は、たとえば、アルツハイマー病、パーキンソン病、多発性硬化症、糖尿病、血管性認知症、レビー小体型認知症、筋萎縮性側索硬化症(ALS)、およびいくつかの特定の心血管疾患などの、眼に症状を示す様々な眼疾患または全身性疾患の診断において貴重な情報を提供する。所与の病状によって影響を受ける可能性があると識別された被験者は、所与の病状のターゲット群のメンバーとして識別される。これらの被験者の医療レポートは、患者管理プラットフォーム102のグローバルデータベース104に記憶するために送信され得、医療レポートは、特定のバイオマーカの最終的な存在についての情報を運ぶ。医療専門家は、患者管理プラットフォーム102にログインすることを通じて、これらの医療レポートにアクセスし得る。
ネットワーク100に含まれる情報は、グローバルデータベース104に記憶された母集団に新しい被験者が追加され、母集団の既存の被験者に関する新しい情報が追加されるにつれて、グローバルデータベース104に記憶された情報の量および精度が増大するという意味で進化的である。この成長を考慮して、成長が、分類子126を最初に構築するために使用されるタイプの追加情報を提供するとき、および/または、成長が、分類子126を構築するために情報が使用された被験者に関連する追加情報を提供するとき、分類子126は、AIシステム106の再トレーニングを介して更新および改善され得る。新しい特定の基準(たとえば、以前は検出されなかったバイオマーカ)が識別され得、新しい病状に対して新しいコホートが定義され得る。AIシステム106は、新しい病状のための新しい分類子130、132を構築するために、このさらなる情報を使用してトレーニングされ得る。新しい分類子130、132は、新しい病状のために構築されるので、それらは、母集団の中から、新しい病状によって影響を受ける可能性があり得る被験者の新しいターゲット群を識別することを考慮して、グローバルデータベース104の既存の母集団に適用することができる。図1は、3つの分類子126、130、および132を示しているが、分類子の実際の数は、より少ない場合も多い場合もある。
図2aおよび図2bは、一実施形態による、病状によって影響を受ける可能性がある被験者を識別するための方法の動作を示すシーケンス図である。図2aおよび図2bにおいて、シーケンス200は複数の動作を備え、そのうちのいくつかは可変順序で実行され得、動作のうちのいくつかはおそらく同時に実行され、動作のうちのいくつかは任意である。
図2aから開始して、グローバルデータベース104には、動作210における多数の被験者の医療プロファイルが格納されている。動作220において、検査結果は、被験者の母集団のサブセットを形成する複数の被験者の各々について、患者管理プラットフォーム102において受信される。検査結果は、ネットワーク100の医療モダリティのうちの1つから受信される。たとえば、検査結果は、PETスキャン、磁気共鳴画像(MRI)スキャン、コンピュータ断層撮影(CT)スキャン、血管造影スキャン、X線、超音波検査、光コヒーレンストモグラフィ検査、内視鏡検査、開業医による確認済みの臨床診断、血液検査、医療デバイスからの目視検査、または医療センサからの電気信号測定を提供する検査を介して取得され得る。医療プロファイルにおいて病状に関連する特定の基準に対して陽性の兆候を有する1人または複数の被験者を含む実験群は、動作230において、グローバルデータベース104に定義されている。動作230は、所与の被験者の検査結果が特定の基準に対して陽性の兆候を提供する場合、所与の被験者が実験群の一部として割り当てられるサブ動作235を備え得る。彼らの医療プロファイルにおける病状に関連する特定の基準に対して陰性の兆候を有する1人または複数の被験者を含む対照群は、動作240においてグローバルデータベース104に定義されている。所与の被験者の検査結果が特定の基準に対して陰性の兆候を提供する場合、動作240は、所与の被験者が対照群の一部として割り当てられるサブ動作245を備え得る。
引き続き図2bにおいて、AIシステム106は、病状の分類子を構築するために、特定の基準、ならびに実験群および対照群の被験者の1つまたは複数の二次特性を使用して動作250においてトレーニングされる。次いで、動作260において、分類子は、グローバルデータベース104における被験者の母集団から、1人または複数の被験者を含むターゲット群を抽出するために使用される。動作270において、データベース104における被験者のターゲット群の各被験者の医療プロファイルが、病状によって影響を受ける可能性があるものとしてマークされている。
一実施形態では、実験群の被験者は病状によって影響を受けることが知られているため、ターゲット群は実験群の被験者を除外するように作成され得る。同様に、対照群の被験者は病状がないことが知られているため、分類子は、対照群の被験者をターゲット群の一部として指定することは期待されない。実験群のメンバーの場合、これらのメンバーが「病状によって影響を受ける可能性がある」というマークは冗長であると解釈され、無視される場合がある。対照群のメンバーの場合、そのようなマークは不正確である場合があり、コーナーケースまたはAIシステム106の不十分なトレーニングに起因する可能性があり、その場合、それは単に無視され得る。
シーケンス200は、ネットワーク100において複数回実行され得る。非限定的な例では、シーケンス200の上記の説明において記載された病状はADであり得、特定の基準は、PETスキャンを介するアミロイドの陽性または陰性の検出に関連している可能性があり、少なくとも1つの二次特性は、様々な被験者の網膜のテクスチャ分析に関連している可能性がある。同じシーケンス200は、他の病状、たとえばパーキンソン病、多発性硬化症、糖尿病、または特定の心血管疾患を患っている可能性がある被験者を識別することを考慮して実行され得、これらはすべて、被験者の目において検出され得る症状を有する。糖尿病は、あらかじめ定められた基準、たとえば空腹時血漿グルコースレベルが7.0ミリモル/リットルを超えることを考慮して、血中グルコースレベルを評価することを通じて陽性と診断することができる。現在、パーキンソン病、多発性硬化症、レビー小体型認知症、血管性認知症、および筋萎縮性側索硬化症(ALS)などの状態を診断するための明確な検査は知られていない。多数の臨床的要因に関する発見に基づいた開業医による臨床診断は、パーキンソン病または多発性硬化症の陽性または陰性の兆候(グラウンドトゥルース)の形成として使用され得る。研究の現状は、被験者の血液中のα-シヌクレイン症状の検出が、パーキンソン病およびレビー小体型認知症を陽性と識別するために最終的に使用され得ることを示唆している。糖尿病、パーキンソン病、多発性硬化症、血管性認知症、レビー小体型認知症、および筋萎縮性側索硬化症(ALS)はすべて、網膜画像分析の使用を通じて検出され得るアーチファクトを引き起こし、AIシステム106をトレーニングするために使用される二次特性に関連する情報を提供することが知られている。
他の病状の特定の基準に対して陽性および陰性の情報を定義するためのグラウンドトゥルース情報の他のソースは、たとえば、血液検査の結果、開業医(医師)からの診断、MRIスキャン、血管造影スキャン、X線、超音波検査、光コヒーレンストモグラフィ検査、内視鏡検査、医療デバイスからの目視検査、および、たとえばウェアラブルセンサなどの医療用センサからの電気信号測定を含み得る。特定の病状に応じて、様々な医療モダリティは、様々なタイプの特定の基準に対して陽性および陰性の値を提供し、および/または様々なタイプの二次特性を提供し得る。シーケンス200は、AIシステム106に、対応する別個の分類子を構築させ、別個の病状の別個のターゲット群を識別させるために、別個の特定の基準ごとに少なくとも1回実行され得る。
先に述べたように、特定の二次特性は、生物学的組織、たとえば、被験者の網膜の画像化を介して識別され得る。図3は、一実施形態による、生体組織の画像を処理するための方法の動作を示すシーケンス図である。図3において、シーケンス300は複数の動作を備え、そのうちのいくつかは可変順序で実行され得、動作のうちのいくつかはおそらく同時に実行され、動作のうちのいくつかは任意である。動作310において、患者管理プラットフォーム102は、図1の医療モダリティのうちの1つから特定の被験者の生体組織の画像を受信し、グローバルデータベース104において、特定の被験者の医療プロファイルに特定の被験者の生体組織の画像を記憶する。非限定的な例では、生体組織は特定の被験者の網膜であり、画像は、網膜眼スキャンシステム110から患者管理プラットフォーム102において受信される。
特定の被験者の生体組織の画像のテクスチャ分析は、動作340において特定の被験者の二次特性のうちの1つまたは複数を定義するために、動作320において実行され得る。あるいは、または動作320において実行されるテクスチャ分析に加えて、動作340において特定の被験者の二次特性のうちの1つまたは複数を定義することを考慮して、動作330において生体組織の画像の様々な解剖学的特徴が分析され得る。動作340において識別され得るそのような解剖学的特徴の非限定的な例は、視神経乳頭形態、血管形態、動脈静脈比、血管直径、血管フラクタル寸法、血管のねじれ、ドルーゼン、滲出液、分岐係数、分岐角度、分岐非対称性、動静脈ニッキング、網膜構造の厚さ、中心窩無血管ゾーンの領域、血管毛細血管密度、血液灌流密度、視神経乳頭ディスクの直径、視神経乳頭ディスク領域、視神経乳頭カップの直径、視神経乳頭カップ領域、眼球運動、および出血のうちの1つまたは複数を含む。
一実施形態では、シーケンス300の動作のうちの1つまたは複数は、AIシステム106に備えられる深層学習システムによって実行され得る。
特定の被験者の医療プロファイルの一部である他の二次特性は、図1に示される医療モダリティのうちの1つによって、患者管理プラットフォーム102に、さらにAIシステム106に提供され得る。非限定的な例では、特定の被験者のそのような二次特性は、特定の被験者の遺伝子型に特定の遺伝子または遺伝子の群が存在するかまたは存在しないという表示、特定の被験者の年齢、特定の被験者の性別、特定の被験者の身長、特定の被験者の体重、特定の被験者に処方された薬物のリスト、特定の被験者の血圧レベル、特定の被験者のコレステロールレベル、特定の被験者の血糖値、構造的ニューロイメージングによって取得された画像、ライフスタイル要因、肥満度指数、行政請求データのセット、および認知機能評価、たとえば認知テストから特定の被験者について取得された評価の1つまたは複数を含み得る。グローバルデータベース104の母集団内の被験者の二次特性を定義するために、論理形式(真または偽、あるいは陽性または陰性)で表現され得る、または数値形式で表現され得るさらなるタイプの医療情報が使用され得ると考えられる。
上記のように、AIシステム106は、追加の分類子130、132を構築するためにさらなる情報でトレーニングされ得る。たとえば、図4は、一実施形態による、目的の薬物に対する良好な応答者を識別するための方法の動作を示すシーケンス図である。図4において、シーケンス400は複数の動作を備え、そのうちのいくつかは可変順序で実行され得、動作のうちのいくつかはおそらく同時に実行され、動作のうちのいくつかは任意である。シーケンス400は、病状の特定の基準に対して彼らの陽性の兆候に基づいて動作230(図2a)において定義される実験群のメンバーと、動作260(図2b)において識別され、動作270(図2b)において病状によって影響を受ける可能性があるものとしてマークされるターゲット群のメンバーとを含み得る。非限定的な例では、実験群の被験者はADによって影響を受けており、彼らの診断はPETスキャンを介して取得され、脳内にアミロイドが存在することが明らかになり、脳内のアミロイドの存在を示すテクスチャが、ターゲット群の被験者の網膜において検出された。これらの被験者の数人は、目的の薬物を処方されており、一部の被験者の状態の改善につながっているが、他の被験者ではそうではない。
目的の薬物を受け取り、目的の薬物に陽性に反応した被験者の実験群およびターゲット群の第1のサブセットが、動作410において識別される。逆に、目的の薬物を受け取り、目的の薬物に陰性に反応した被験者の実験群およびターゲット群の第2のサブセットが、動作420において識別される。AIシステム106は、動作430において、目的の薬物の薬物関連分類子を構築するために、第1および第2のサブセットにおける被験者の1つまたは複数の二次特性を使用して、さらにトレーニングされる。薬物関連分類子は、動作250(図2b)において構築された分類子126ではなく、分類子130または132のうちの1つであり得る。動作440において、薬物関連分類子は、グローバルデータベース104内の被験者の母集団の中から、1人または複数の被験者を含む薬物関連ターゲット群、任意で第1および第2のサブセットの被験者を除外する薬物関連ターゲット群を抽出するために使用される。あるいは、動作440において、薬物関連分類子は、これらのグループにおける被験者が、シーケンス200(図2aおよび2b)に適用可能な病状の治療のために目的の薬物を受け取ることから利益を得る可能性が高いという理由でのみ、実験群およびターゲット群の被験者に適用され得る。次いで、動作450において、被験者の薬物関連ターゲット群の各被験者は、グローバルデータベース104において、目的の薬物に陽性に反応するための潜在的な候補としてマークされる。
所与の病状によって影響を受ける人は、別の病状によって影響を受けることが多いことが観察されている。病状間の関係は医師によって経験的に観察され得るが、それでも予測するのは難しいかもしれない。AIシステム106をトレーニングするために使用され得るさらなる情報の別の例が図5に示されており、これは、一実施形態による、新しい病状によって影響を受ける可能性がある被験者群を識別するための方法の動作を示すシーケンス図である。図5において、シーケンス500は複数の動作を備え、そのうちのいくつかは可変順序で実行され得、動作のうちのいくつかはおそらく同時に実行され、動作のうちのいくつかは任意である。図4の場合のように、シーケンス500は、病状の特定の基準に対して彼らの陽性の兆候に基づいて動作230(図2a)において定義される実験群のメンバーと、動作260(図2b)において識別され、動作270(図2b)において病状によって影響を受ける可能性があるものとしてマークされるターゲット群のメンバーとを含み得る。
動作510において、被験者の実験群の第3のサブセットにおいて新しい病状が検出された。この新しい病状は、新しい特定の基準に関連付けられている。非限定的な例として、新しい病状は心血管疾患であり得、所与の被験者は心臓発作を患っており、新しい特定の基準は動脈硬化に関連し得る。AIシステム106は、第3のサブセットにおける被験者の1つまたは複数の二次特性、対照群における被験者の1つまたは複数の二次特性、および新しい分類子を構築するための新しい特定の基準を使用して、動作520においてさらにトレーニングされる。一実施形態では、新しい病状を有する被験者の実験群の第3のサブセットにおける多数の被験者が、AIシステム106をさらにトレーニングするために十分であると見なされる場合、新しい分類子が構築され得る。
動作520において構築された新しい分類子は、動作250(図2b)において構築された分類子126(図1)とは異なる。動脈硬化の例では、心血管疾患のリスクがある実験群の被験者を識別するために、新しい分類子が構築されている。新しい分類子は、グローバルデータベース104内の被験者の母集団の中から、1人または複数の被験者を含む新しいターゲット群を抽出するために、動作530において使用される。あるいは、動作530において、新しい分類子は、シーケンス200(図2aおよび図2b)に適用可能な病状と、新しい病状との両方によって影響を受ける可能性が高いこのグループ内の被験者を識別することができるため、実験群の被験者にのみ新しい分類子が適用され得る。動作540において、被験者の新しいターゲット群の各被験者は、新しい病状によって影響を受ける可能性があるものとして、グローバルデータベース104においてマークされる。
図2aおよび図2bに戻ると、シーケンス200が所与の病状に対して実行され、被験者のターゲット群に対する各被験者の医療プロファイルが、所与の病状によって影響を受ける可能性があるものとしてマークされると、他のイベントは、AIシステム106の再トレーニングおよび所与の病状の分類子の更新につながる可能性がある。図6および図7に関連して以下に記載されるように、AIシステム106は、患者管理プラットフォーム102およびAIシステム106において新しい情報が受け取られると、再トレーニングされ得る。一実施形態では、図6および/または図7に関連して説明された動作は、新しい情報が受け取られるたびに実行され得る。別の実施形態では、これらの動作は、一定の間隔で、または外部トリガに基づいて実行され得る。
図6は、一実施形態による、人工知能システムを再トレーニングするための第1の方法の動作を示すシーケンス図である。図6において、シーケンス600は複数の動作を備え、そのうちのいくつかは可変順序で実行され得、動作のうちのいくつかはおそらく同時に実行され、動作のうちのいくつかは任意である。シーケンス600は、シーケンス200(図2aおよび図2b)において対処された所与の病状に対する実験群および対照群のうちの1つに所与の被験者を追加することに関するものである。
動作610において、患者管理プラットフォーム102、より具体的には、グローバルデータベース104は、被験者の母集団の所与の被験者に対する特定の基準についての新しい陽性または陰性の兆候を受信する。兆候の値は、動作620において検証される。兆候が陽性の場合、所与の被験者は、動作630において実験群の被験者のリストに追加される。兆候が陰性の場合、所与の被験者は、動作640において対照群の被験者のリストに追加される。いずれの場合も、人工知能システムは、病状の分類子126を更新するために、特定の基準、ならびに実験群および対照群の被験者の1つまたは複数の二次特性を使用して動作650において再トレーニングされる。この時点で、実験群または対照群のいずれかが動作610から640によって修正されている点に留意されたい。したがって、AIシステム106の再トレーニングに影響を与える可能性がある新しい情報または修正された情報が少なくともいくつかあるはずである。
動作660において、更新された分類子は、グローバルデータベース104内の被験者の母集団から、1人または複数の被験者を含む更新されたターゲット群、任意で実験群および対照群の被験者を除外する更新されたターゲット群を抽出するために使用される。更新された被験者のターゲット群の各被験者の医療プロファイルは、グローバルデータベース104において、動作670において病状によって影響を受ける可能性があるものとしてマークされている。
一実施形態では、シーケンス600は、動作610から動作670において一度に実行され得る。別の実施形態では、シーケンス600は、動作630または640の後に一時的に一時停止され得、その結果、AIシステム106は、動作650において、定期的に、または動作610から640を繰り返すことによって、実験群または対照群のうちの1つに十分な数の被験者が追加された場合、再トレーニングされる。AIシステム106の再トレーニングにつながるシーケンス600の他の修正もまた企図される。たとえば、シーケンス600は、実験群および/または対照群の被験者の数があらかじめ定められた被験者の数より少ない場合に、AIシステム106がより頻繁に再トレーニングされるように調整され得る。
図7は、一実施形態による、人工知能システムを再トレーニングするための第2の方法の動作を示すシーケンス図である。図7において、シーケンス700は複数の動作を備え、そのうちのいくつかは可変順序で実行され得、動作のうちのいくつかはおそらく同時に実行され、動作のうちのいくつかは任意である。シーケンス600(図6)の場合のように、シーケンス700は、シーケンス200(図2aおよび2b)の実行に続く。シーケンス700は、シーケンス200(図2aおよび図2b)において対処された所与の病状に対する実験群および対照群における被験者の二次特性の変化に関するものである。
動作710において、患者管理プラットフォーム102、より具体的には、グローバルデータベース104は、実験群または対照群の被験者のうちの1人の二次特性のうちの1つについて検出された新しい値または修正された値について通知される。AIシステム106は、病状の分類子126を更新するために、実験群または対照群の被験者のうちの1人の二次特性のうちの1つの特定の基準、および新しい値または修正された値を使用して、動作720において再トレーニングされる。更新された分類子は、グローバルデータベース104内の被験者の母集団から、1人または複数の被験者を含む更新されたターゲット群を抽出するために、動作730において使用される。更新された被験者のターゲット群の各被験者の医療プロファイルは、グローバルデータベース104において、動作740において病状によって影響を受ける可能性があるものとしてマークされている。
図6の場合のように、シーケンス700は、動作710の後に必ずしも一度に実行されるとは限らない。AIシステム106は、様々な間隔で、または様々な条件に基づいて、動作720において再トレーニングされ得る。
シーケンス200、300、400、500、600、および700の動作の各々は、1つまたは複数のプロセッサによって処理されるように構成され得、1つまたは複数のプロセッサは、メモリデバイスに結合されている。たとえば、図8は、一実施形態による、病状によって影響を受ける可能性がある被験者を識別するためのシステム800の簡略化されたブロック図である。システム800は、患者管理プラットフォーム102およびそのグローバルデータベース104、AIシステム106、バイオマーカリポジトリ108、網膜眼スキャンシステム110、DMS結果のソース112、臨床研究情報リポジトリ114、EMR116およびポータル118を含む。システムはまた、追加の医療モダリティ802、804、および806、ならびに外部データベース808を備え得る。医療モダリティ802、804、および806は、たとえば、PETスキャン、血液検査結果、医療用センサからの電気信号測定などの様々なタイプの医療情報を提供し得る。患者管理プラットフォーム102は、AIシステム106、バイオマーカリポジトリ108、網膜眼スキャンシステム110、DMS結果のソース112、臨床研究情報リポジトリ114、EMR116、ポータル118、追加の医療モダリティ802、804、および806、ならびに通信インターフェース810を介した外部データベース808と通信する。
通信インターフェース810に加えて、患者管理プラットフォーム102は、プロセッサ812およびメモリデバイス814を含む。プロセッサ812は、患者管理プラットフォーム102およびシステム800全体のためのコントローラである。プロセッサ812は、メモリデバイス814、通信インターフェース810、および通信インターフェース810を通じてシステム800の他の構成要素に動作可能に接続されている。メモリデバイス814は、複数のメモリデバイスおよび/またはストレージユニットに分割され得ることが企図される。同様に、プロセッサ812は、複数の協調するプロセッサを含むことができると考えられる。通信インターフェース810は、システム800のこれらの構成要素との互換性のために必要に応じて、患者管理プラットフォーム102の外部のシステム800の構成要素と通信するように適合された複数の通信デバイス、別個のネットワークインターフェース技術を使用する別個の通信デバイス、および別個の通信プロトコルを含み得る。
図8に示される非限定的な実施形態では、グローバルデータベース104は、メモリデバイス814に統合されている。グローバルデータベース104は、実験群、対照群、およびターゲット群の被験者のリストを彼らの医療情報とともにそれぞれ記憶するためのパーティション816、818、および820を含む。メモリ814はまた、プロセッサ812によって実行されると、シーケンス200、300、400、500、600、および700の動作のうちの少なくともいくつかを実行するための機械実行可能命令を記憶した非一時的コンピュータ可読媒体822を含む。これらの動作の一部またはすべては、プロセッサ812によって実行され得る。あるいは、これらの動作のいくつかは、AIシステム106によるものを含むがこれに限定されない、システム800の他の構成要素によって実行され得る。
動作中、病状によって影響を受ける可能性がある被験者を識別するためのシステム800は、以下のように機能し得る。グローバルデータベース104は、被験者の母集団の医療プロファイルを記憶する。通信インターフェース810は、医療モダリティ802、804、または806のうちの1つまたは複数から、被験者の母集団のサブセットの病状に関連する特定の基準の陽性および陰性の兆候を受信する。通信インターフェース810は、網膜眼スキャンシステム110から、医療モダリティ802、804、または806のうちの1つまたは複数から、および/あるいはDMS結果のソース112、臨床研究情報リポジトリ114、EMR116、およびポータル118のうちの1つまたは複数から、被験者の母集団の1つまたは複数の二次特性を受信する。
1つまたは複数の第2の医療モダリティによって提供される1つまたは複数の二次特性の非限定的な例は、特定の被験者について、特定の被験者の生体組織の画像のテクスチャ分析の結果、特定の被験者の生体組織の画像の血管形態分析の結果、特定の被験者の遺伝子型に特定の遺伝子または遺伝子の群が存在するかまたは存在しないという表示、特定の被験者の年齢、特定の被験者の性別、特定の被験者の身長、特定の被験者の体重、特定の被験者に処方された薬物のリスト、特定の被験者の血圧レベル、特定の被験者のコレステロールレベル、構造的ニューロイメージングによって取得された画像、ライフスタイル要因、肥満度指数、行政請求データのセット、特定の被験者の血糖値、および認知機能評価、たとえば認知テストから特定の被験者について取得された評価において特定の遺伝子または遺伝子の群が存在するかまたは存在しないという表示を含む。
プロセッサ812は、グローバルデータベース104において、それらの医療プロファイルにおける特定の基準に対して陽性の兆候を有する1人または複数の被験者を含む実験群816を定義する。プロセッサ812はまた、グローバルデータベース104において、それらの医療プロファイルにおける特定の基準に対して陰性の兆候を有する1人または複数の被験者を含む対照群818を定義する。プロセッサ812は、通信インターフェース810を介して、実験群および対照群の被験者の特定の基準および1つまたは複数の二次特性をAIシステム106に提供する。
AIシステム106は、提供された基準および提供された特性のリストに基づいて、病状の分類子126(図1)を構築する。AIシステム106は、一般にバイオマーカを識別する提供された基準に関する情報を、バイオマーカリポジトリ108に記憶し得る。AIシステム106は、グローバルデータベース104内の被験者の母集団から、1人または複数の被験者を含むターゲット群を抽出するために分類子を使用する。このために、AIシステム106は、通信インターフェース810およびプロセッサ812を介して、グローバルデータベース104内の被験者に関する情報をフェッチし得る。プロセッサ812は、通信インターフェース810を介して、AIシステム106からターゲット群の被験者の識別を受信する。プロセッサ812は、残りのコンテンツをターゲット群820としてグローバルデータベース104に記憶する前に、ターゲット群から実験群816および対照群818の任意の被験者を削除し得る。プロセッサ812はまた、グローバルデータベース104において、被験者のターゲット群820の各被験者の医療プロファイルを、病状によって影響を受ける可能性があるものとしてマークする。
当業者は、病状によって影響を受ける可能性がある被験者を識別するための方法およびシステムの説明が例示にすぎず、決して限定することを意図するものではないことに気付くであろう。他の実施形態は、本開示の利益を有する当業者にそれ自体を容易に示唆するであろう。さらに、開示された方法およびシステムは、一般集団における被験者に関連する医療情報が十分に活用されていないことに関連する既存のニーズおよび問題に対する価値ある解決策を提供するようにカスタマイズされ得る。明確にするために、方法およびシステムの実装形態のルーチン機能のすべてが示され、説明されているわけではない。特に、特徴の組合せは、添付の特許請求の範囲にリストされた要素の組合せが本開示の不可欠な部分を形成するので、前述の説明に提示されたものに限定されない。もちろん、方法およびシステムのそのような実際の実装形態の開発において、アプリケーション、システム、ネットワークおよびビジネス関連の制約への準拠などの、開発者の特定の目標を達成するために、実装形態固有の多数の決定を行う必要がある場合があり、これらの特定の目標は、実装形態ごとに、および開発者ごとに異なることを理解されたい。さらに、開発努力は複雑で時間がかかるかもしれないが、それにもかかわらず、本開示の利益を有する医療情報分野の通常の技術者にとって工学の日常的な事業であることが理解されるであろう。
本開示によれば、本明細書に記載の構成要素、プロセス動作、および/またはデータ構造は、様々なタイプのオペレーティングシステム、コンピューティングプラットフォーム、ネットワークデバイス、コンピュータプログラム、および/または汎用マシンを使用して実装され得る。さらに、当業者は、ハードワイヤードデバイス、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)などの、あまり汎用的でない性質のデバイスも使用され得ることを認識するであろう。一連の動作を備える方法が、コンピュータ、メモリデバイスに動作可能に接続されたプロセッサ、または機械によって実装される場合、それらの動作は、機械、プロセッサ、またはコンピュータによって読み取り可能な一連の命令として記憶され得、非一時的で有形の媒体上に記憶され得る。
本明細書に記載のシステムおよびモジュールは、本明細書に記載の目的に適したソフトウェア、ファームウェア、ハードウェア、あるいはソフトウェア、ファームウェア、またはハードウェアの任意の組合せを備え得る。ソフトウェアおよび他のモジュールは、プロセッサによって実行され得、サーバ、ワークステーション、パーソナルコンピュータ、コンピュータ化されたタブレット、携帯情報端末(PDA)、および本明細書に記載の目的に適した他のデバイスのメモリデバイス上に存在し得る。ソフトウェアおよび他のモジュールは、ローカルメモリデバイス、ネットワーク、ブラウザまたは他のアプリケーション、または本明細書に記載の目的に適した他の手段を介してアクセス可能であり得る。本明細書に記載のデータ構造は、本明細書に記載の目的に適した、コンピュータファイル、変数、プログラミングアレイ、プログラミング構造、あるいは任意の電子情報記憶スキームまたは方法、あるいはそれらの任意の組合せを備え得る。
本開示は、例として提供される非限定的な例示的な実施形態によって、前述の明細書に記載されている。これらの例示的な実施形態は、自由に修正され得る。特許請求の範囲は、実施例に記載された実施形態によって限定されるべきではなく、全体としての説明と一致する最も広い解釈を与えられるべきである。
100 ネットワーク
102 患者管理プラットフォーム
104 グローバルデータベース
106 人工知能システム
108 バイオマーカリポジトリ
110 網膜眼スキャンシステム
112 デジタル医療調査(DMS)結果のソース
114 臨床研究情報リポジトリ
116 電子医療記録(EMR)
118 ポータル
120 コホート
122 コホート
124 コホート
126 分類子
128 医療レポート
130 分類子
132 分類子
200 シーケンス
300 シーケンス
400 シーケンス
500 シーケンス
600 シーケンス
700 シーケンス
800 システム
802 医療モダリティ
804 医療モダリティ
806 医療モダリティ
808 外部データベース
810 通信インターフェース
812 プロセッサ
814 メモリデバイス
816 実験群
818 対照群
820 ターゲット群
822 非一時的コンピュータ可読媒体
102 患者管理プラットフォーム
104 グローバルデータベース
106 人工知能システム
108 バイオマーカリポジトリ
110 網膜眼スキャンシステム
112 デジタル医療調査(DMS)結果のソース
114 臨床研究情報リポジトリ
116 電子医療記録(EMR)
118 ポータル
120 コホート
122 コホート
124 コホート
126 分類子
128 医療レポート
130 分類子
132 分類子
200 シーケンス
300 シーケンス
400 シーケンス
500 シーケンス
600 シーケンス
700 シーケンス
800 システム
802 医療モダリティ
804 医療モダリティ
806 医療モダリティ
808 外部データベース
810 通信インターフェース
812 プロセッサ
814 メモリデバイス
816 実験群
818 対照群
820 ターゲット群
822 非一時的コンピュータ可読媒体
Claims (35)
- 病状によって影響を受ける可能性がある被験者を識別するための方法であって、
被験者の母集団の医療プロファイルを含むデータベースにおいて、彼らの医療プロファイルにおける前記病状に関連する特定の基準に対して陽性の兆候を有する1人または複数の被験者を含む実験群を定義するステップと、
前記データベースにおいて、彼らの医療プロファイルにおける前記病状に関連する前記特定の基準に対して陰性の兆候を有する1人または複数の被験者を含む対照群を定義するステップと、
前記病状の分類子を構築するために、前記実験群および対照群の前記被験者の1つまたは複数の二次特性に関連する前記特定の基準および情報を使用して、人工知能システムをトレーニングするステップと、
前記データベース内の被験者の前記母集団から、1人または複数の被験者を含むターゲット群を抽出するために、前記分類子を使用するステップと、
前記データベースにおいて、被験者の前記ターゲット群の各被験者の医療プロファイルを、前記病状によって影響を受ける可能性があるものとしてマークするステップと
を備える、方法。 - 前記人工知能システムが、機械学習システムおよび深層学習システムから選択される、請求項1に記載の方法。
- 前記人工知能システムが、所与の被験者の医用画像から前記所与の被験者の前記1つまたは複数の二次特性を抽出するように適合される、請求項1または2のいずれか一項に記載の方法。
- 前記実験群の特定の被験者における前記特定の基準の前記陽性の兆候が、前記特定の被験者における特定のバイオマーカの存在に関連しており、
前記分類子が、前記ターゲット群の前記被験者における前記特定のバイオマーカが存在する可能性に基づいて、前記ターゲット群の前記被験者を識別するように構築される、請求項1から3のいずれか一項に記載の方法。 - 被験者の前記母集団のサブセットを形成する複数の被験者の各々について検査結果を受信するステップであって、各検査結果が、陽電子放出断層撮影スキャン、磁気共鳴画像スキャン、コンピュータ断層撮影スキャン、血管造影スキャン、X線、超音波検査、光コヒーレンストモグラフィ検査、内視鏡検査、開業医による確認済みの診断、血液検査、医療デバイスからの目視検査、および医療センサからの電気信号測定を提供する検査から選択された検査を使用して取得される、ステップと、
被験者ごとの前記検査結果を対応する医療プロファイルに記憶するステップであって、
所与の被験者の前記検査結果が前記特定の基準に対して陽性の兆候を提供する場合、前記所与の被験者が前記実験群の一部であり、
前記所与の被験者の前記検査結果が前記特定の基準に対して陰性の兆候を提供する場合、前記所与の被験者が前記対照群の一部である、ステップと、
をさらに備える、請求項1から4のいずれか一項に記載の方法。 - 前記特定の被験者の前記二次特性のうちの1つを定義するために、特定の被験者の生体組織の画像のテクスチャ分析を実行するステップをさらに備える、請求項1から5のいずれか一項に記載の方法。
- 特定の被験者の前記二次特性のうちの1つを定義するために、前記特定の被験者の生体組織の画像の解剖学的特徴を分析するステップをさらに備える、請求項1から6のいずれか一項に記載の方法。
- 前記解剖学的特徴が、視神経乳頭形態、血管形態、動脈静脈比、血管直径、血管フラクタル寸法、血管のねじれ、ドルーゼン、滲出液、分岐係数、分岐角度、分岐非対称性、動静脈ニッキング、網膜構造の厚さ、中心窩無血管ゾーンの領域、血管毛細血管密度、血液灌流密度、視神経乳頭ディスクの直径、視神経乳頭ディスク領域、視神経乳頭カップの直径、視神経乳頭カップ領域、眼球運動、および出血から選択される、請求項7に記載の方法。
- 前記特定の被験者の前記生体組織が前記特定の被験者の網膜である、請求項6から8のいずれか一項に記載の方法。
- 前記特定の被験者の前記網膜の前記画像がマルチスペクトル画像であり、前記特定の被験者の網膜の前記テクスチャ分析が前記マルチスペクトル画像に対して実行される、請求項9に記載の方法。
- 前記特定の被験者の前記生体組織の前記画像を前記特定の被験者の医療プロファイルに記憶するステップをさらに備える、請求項6から10のいずれか一項に記載の方法。
- 特定の被験者の前記医療プロファイルにおける前記二次特性のうちの1つが、前記特定の被験者の遺伝子型に特定の遺伝子または遺伝子の群が存在するかまたは存在しないという表示を備える、請求項1から11のいずれか一項に記載の方法。
- 特定の被験者の前記医療プロファイルにおける前記二次特性のリストが、前記特定の被験者の年齢、前記特定の被験者の性別、前記特定の被験者の身長、前記特定の被験者の体重、前記特定の被験者に処方された薬物のリスト、前記特定の被験者の血圧レベル、前記特定の被験者のコレステロールレベル、前記特定の被験者の血糖値、構造的ニューロイメージングによって取得された画像、ライフスタイル要因、肥満度指数、行政請求データのセット、認知テストから前記特定の被験者について取得された評価、およびそれらの組合せから選択された要素を備える、請求項1から12のいずれか一項に記載の方法。
- 目的の薬物を受け取り、目的の前記薬物に陽性に反応した被験者の前記実験群およびターゲット群の第1のサブセットを識別するステップと、
目的の前記薬物を受け取り、目的の前記薬物に陰性に反応した被験者の前記実験群およびターゲット群の第2のサブセットを識別するステップと、
目的の前記薬物の薬物関連分類子を構築するために、前記第1および第2のサブセットにおける前記被験者の前記1つまたは複数の二次特性を使用して、前記人工知能システムをさらにトレーニングするステップと、
前記データベース内の被験者の前記母集団から、1人または複数の被験者を含む薬物関連ターゲット群を抽出するために、前記薬物関連分類子を使用するステップと、
前記データベースにおいて、被験者の前記薬物関連ターゲット群の各被験者を、目的の前記薬物に陽性に反応するための潜在的な候補としてマークするステップと
をさらに備える、請求項1から13のいずれか一項に記載の方法。 - 被験者の前記実験群の第3のサブセットにおいて新しい病状を検出するステップであって、前記新しい病状が、新しい特定の基準に関連付けられる、ステップと、
前記第3のサブセットにおける前記被験者の前記1つまたは複数の二次特性、前記対照群における前記被験者の前記1つまたは複数の二次特性、および新しい分類子を構築するための前記新しい特定の基準を使用して、前記人工知能システムをさらにトレーニングするステップと、
前記データベース内の被験者の前記母集団から、1人または複数の被験者を含む新しいターゲット群を抽出するために、前記新しい分類子を使用するステップと、
前記データベースにおいて、前記新しい病状によって影響を受ける可能性があるものとして被験者の前記新しいターゲット群の各被験者をマークするステップと
をさらに備える、請求項1から14のいずれか一項に記載の方法。 - 前記新しい病状が心血管疾患であり、
前記新しい特定の基準が動脈硬化に関連しており、
前記新しい分類子が、心血管疾患のリスクがある前記実験群およびターゲット群の前記被験者を識別するために構築される、請求項15に記載の方法。 - 前記データベースにおいて、被験者の前記ターゲット群の各被験者の前記医療プロファイルを、前記病状によって影響を受ける可能性があるものとしてマークするステップの後に、前記データベースにおいて、被験者の前記母集団の所与の被験者に対する前記特定の基準についての新しい陽性または陰性の兆候を受信するステップと、
前記新しい兆候の受信に応答して、
前記新しい兆候が陽性の兆候である場合、前記所与の被験者を前記実験群の被験者のリストに追加するステップと、
前記新しい兆候が陰性の兆候である場合、前記所与の被験者を前記対照群の被験者の前記リストに追加するステップと、
前記病状の前記分類子を更新するために、前記実験群および対照群の前記被験者の前記特定の基準および前記1つまたは複数の二次特性を使用して、前記人工知能システムを再トレーニングするステップと、
前記データベース内の被験者の前記母集団から、1人または複数の被験者を含む更新されたターゲット群を抽出するために、前記更新された分類子を使用するステップと、
前記データベースにおいて、前記更新された被験者のターゲット群の各被験者の前記医療プロファイルを、前記病状によって影響を受ける可能性があるものとしてマークするステップと
をさらに備える、請求項1から16のいずれか一項に記載の方法。 - 前記データベースにおいて、被験者の前記ターゲット群の各被験者の前記医療プロファイルを、前記病状によって影響を受ける可能性があるものとしてマークするステップの後に、前記実験群または前記対照群の前記被験者のうちの1人の前記二次特性のうちの1つの新しい値または修正された値を検出するステップと、
前記二次特性のうちの1つについて、前記新しい値または修正された値の受け取りに応答して、
前記病状の前記分類子を更新するために、前記実験群または前記対照群の前記被験者のうちの1人の前記二次特性のうちの1つの、前記特定の基準および前記新しい値または修正された値を使用して前記人工知能システムを再トレーニングするステップと、
前記データベース内の被験者の前記母集団から、1人または複数の被験者を含む更新されたターゲット群を抽出するために、前記更新された分類子を使用するステップと、
前記データベースにおいて、前記更新された被験者のターゲット群の各被験者の前記医療プロファイルを、前記病状によって影響を受ける可能性があるものとしてマークするステップと
をさらに備える、請求項1から17のいずれか一項に記載の方法。 - 病状によって影響を受ける被験者の可能性を評価するための方法であって、
被験者の母集団の医療プロファイルを含むデータベースにおいて、彼らの医療プロファイルにおける前記病状に関連する特定の基準に対して陽性の兆候を有する1人または複数の被験者を含む実験群を定義するステップと、
前記データベースにおいて、彼らの医療プロファイルにおける前記病状に関連する前記特定の基準に対して陰性の兆候を有する1人または複数の被験者を含む対照群を定義するステップと、
前記病状の分類子を構築するために、前記実験群および対照群の前記被験者の1つまたは複数の二次特性に関連する前記特定の基準および情報を使用して、人工知能システムをトレーニングするステップと、
所与の被験者の前記病状によって影響を受ける可能性を評価するために前記分類子を使用するステップと、
前記病状によって影響を受ける可能性の前記評価を、前記所与の被験者の医療プロファイルにおける前記データベースに記憶するステップと
を備える、方法。 - 前記評価された可能性が、前記病状によって影響を受ける可能性がある前記所与の被験者の陽性または陰性の兆候を備える、請求項19に記載の方法。
- 前記評価された可能性が、前記病状によって影響を受けている前記所与の被験者の前記可能性の定量化を備える、請求項19に記載の方法。
- 前記データベース内の被験者の前記母集団から、1人または複数の被験者を含むターゲット群を抽出するために、前記分類子を使用するステップと、
前記データベースにおいて、被験者の前記ターゲット群の各被験者の医療プロファイルを、前記病状によって影響を受ける可能性があるものとしてマークするステップと
をさらに備える、請求項19から21のいずれか一項に記載の方法。 - 前記病状がアルツハイマー病であり、
前記特定の基準が、前記実験群の各被験者の脳内のアミロイドまたはタウタンパク質の検出であり、
前記1つまたは複数の二次特性が、前記実験群の各被験者の網膜の画像上の特定のテクスチャを含む、請求項1から22のいずれか一項に記載の方法。 - 前記病状がパーキンソン病であり、
前記特定の基準が、前記実験群の各被験者のパーキンソン病の臨床診断であり、
前記1つまたは複数の二次特性が、前記実験群の各被験者の網膜の画像の分析を通じて取得される、請求項1から22のいずれか一項に記載の方法。 - 前記病状が多発性硬化症であり、
前記特定の基準が、前記実験群の被験者ごとの多発性硬化症の臨床診断であり、
前記1つまたは複数の二次特性が、前記実験群の各被験者の網膜の画像の分析を通じて取得される、請求項1から22のいずれか一項に記載の方法。 - 前記病状が糖尿病であり、
前記特定の基準が、前記実験群の被験者ごとのあらかじめ定められた基準を超える空腹時血糖値であり、
前記1つまたは複数の二次特性が、前記実験群の各被験者の網膜の画像の分析を通じて取得される、請求項1から22のいずれか一項に記載の方法。 - 前記病状が血管性認知症であり、
前記特定の基準が、前記実験群の被験者ごとの血管性認知症の臨床診断であり、
前記1つまたは複数の二次特性が、前記実験群の各被験者の網膜の画像の分析を通じて取得される、請求項1から22のいずれか一項に記載の方法。 - 前記病状が筋萎縮性側索硬化症であり、
前記特定の基準が、前記実験群の被験者ごとの筋萎縮性側索硬化症の臨床診断であり、
前記1つまたは複数の二次特性が、前記実験群の各被験者の網膜の画像の分析を通じて取得される、請求項1から22のいずれか一項に記載の方法。 - 前記病状がレビー小体型認知症であり、
前記特定の基準が、前記実験群の被験者ごとのレビー小体型認知症の臨床診断であり、
前記1つまたは複数の二次特性が、前記実験群の各被験者の網膜の画像の分析を通じて取得される、請求項1から22のいずれか一項に記載の方法。 - 前記病状が心血管疾患であり、
前記特定の基準が、前記実験群の被験者ごとの動脈硬化の検出であり、
前記1つまたは複数の二次特性が、前記実験群の各被験者の網膜の画像の分析を通じて取得される、請求項1から22のいずれか一項に記載の方法。 - 病状によって影響を受ける可能性がある被験者を識別するためのシステムであって、
被験者の母集団の医療プロファイルを記憶するために適合されたデータベースと、
第1の医療モダリティから、被験者の前記母集団のサブセットの前記病状に関連する特定の基準の陽性および陰性の兆候を受信することと、
1つまたは複数の第2の医療モダリティから、被験者の前記母集団の1つまたは複数の二次特性に関連する情報を受信することと
を行うように適合された、通信インターフェースと、
前記データベースおよび前記通信インターフェースに動作可能に接続されたプロセッサと、
前記プロセッサによって実行されると、請求項1から30のいずれか一項に記載の前記方法を実行するための機械実行可能命令を記憶した非一時的コンピュータ可読媒体と
を備える、システム。 - 病状によって影響を受ける可能性がある被験者を識別するためのシステムであって、
被験者の母集団の医療プロファイルを記憶するために適合されたデータベースと、
第1の医療モダリティから、被験者の前記母集団のサブセットの前記病状に関連する特定の基準の陽性および陰性の兆候を受信することと、
1つまたは複数の第2の医療モダリティから、被験者の前記母集団の1つまたは複数の二次特性を受信することと
を行うように適合された、通信インターフェースと、
提供された基準および二次特性に関連する提供された情報に基づいて、前記病状の分類子を構築することと、
前記データベース内の被験者の前記母集団から、1人または複数の被験者を含むターゲット群を抽出するために、前記分類子を使用することと
を行うように構成される、人工知能システムと、
前記データベース、前記通信インターフェース、および前記人工知能システムに動作可能に接続されているコントローラであって、
前記データベースにおいて、彼らの医療プロファイルにおいて前記特定の基準に対して前記陽性の兆候を有する1人または複数の被験者を含む実験群を定義することと、
前記データベースにおいて、彼らの医療プロファイルにおいて前記特定の基準に対して前記陰性の兆候を有する1人または複数の被験者を含む対照群を定義することと、
前記実験群および対照群の前記被験者の前記1つまたは複数の二次特性に関連する前記特定の基準および前記情報を前記人工知能システムに提供することと、
前記人工知能システムから前記ターゲット群の前記被験者の識別を受信することと
前記データベースにおいて、被験者の前記ターゲット群の各被験者の前記医療プロファイルを、前記病状によって影響を受ける可能性があるものとしてマークすることと
を行うように構成されている、前記コントローラと、
を備える、システム。 - 前記第1の医療モダリティが、被験者の前記母集団の前記サブセットを形成する複数の被験者の各々について検査結果を提供し、各検査結果が、陽電子放出断層撮影スキャン、血液検査、および医療センサからの電気信号測定を提供する検査から選択された検査を使用して取得され、
前記1つまたは複数の第2の医療モダリティによって提供される前記1つまたは複数の二次特性が、特定の被験者について、前記特定の被験者の生体組織の画像のテクスチャ分析の結果から選択された要素、前記特定の被験者の前記生体組織の前記画像の血管形態分析の結果、前記特定の被験者の遺伝子型に特定の遺伝子または遺伝子の群が存在するかまたは存在しないという表示を含み、前記特定の被験者の年齢、前記特定の被験者の性別、前記特定の被験者の身長、前記特定の被験者の体重、前記特定の被験者に処方された薬物のリスト、前記特定の被験者の血圧レベル、前記特定の被験者のコレステロールレベル、前記特定の被験者の血糖値、構造的ニューロイメージングによって取得された画像、ライフスタイル要因、肥満度指数、行政請求データのセット、認知テストから前記特定の被験者について取得された評価、およびそれらの組合せを含む、請求項32に記載のシステム。 - 所与の被験者の二次特性に関連する前記情報が、前記所与の被験者の医用画像を備え、
前記人工知能システムが、前記所与の被験者の前記医用画像から前記所与の被験者の前記1つまたは複数の二次特性を抽出するように適合される、請求項32または33のいずれか一項に記載のシステム。 - 前記人工知能システムが、機械学習システムおよび深層学習システムから選択される、請求項32から34のいずれか一項に記載のシステム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201962820587P | 2019-03-19 | 2019-03-19 | |
| US62/820,587 | 2019-03-19 | ||
| PCT/IB2020/052394 WO2020188471A1 (en) | 2019-03-19 | 2020-03-16 | Method and system for identifying subjects who are potentially impacted by a medical condition |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022527571A true JP2022527571A (ja) | 2022-06-02 |
Family
ID=72520538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021559470A Pending JP2022527571A (ja) | 2019-03-19 | 2020-03-16 | 病状によって影響を受ける可能性がある被験者を識別するための方法およびシステム |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20220157470A1 (ja) |
| EP (1) | EP3942569A4 (ja) |
| JP (1) | JP2022527571A (ja) |
| CA (1) | CA3134081A1 (ja) |
| WO (1) | WO2020188471A1 (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111565624A (zh) | 2017-11-27 | 2020-08-21 | 雷蒂斯派克股份有限公司 | 用于阿尔茨海默氏病病理的高光谱图像指导的raman眼科成像仪 |
| WO2022115777A2 (en) * | 2020-11-30 | 2022-06-02 | University Of Florida Research Foundation | System and methods of predicting parkinson's disease based on retinal images using machine learning |
| US11676726B2 (en) * | 2021-06-22 | 2023-06-13 | David Haase | Apparatus and method for generating a treatment plan for salutogenesis |
| US11450412B1 (en) | 2021-07-30 | 2022-09-20 | Specialty Diagnostic (SDI) Laboratories, Inc. | System and method for smart pooling |
| WO2024023800A1 (en) * | 2022-07-28 | 2024-02-01 | Optina Diagnostics, Inc. | Heatmap based feature preselection for retinal image analysis |
| WO2024028697A1 (en) * | 2022-08-01 | 2024-02-08 | Alcon Inc. | Integrated analysis of multiple spectral information for ophthalmology applications |
| WO2024030326A1 (en) * | 2022-08-05 | 2024-02-08 | Vetology Innovations, LLC | Methods and systems with additive ai models |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6988995B2 (en) * | 2002-09-30 | 2006-01-24 | Carl Zeiss Meditec, Inc. | Method and system for detecting the effects of Alzheimer's disease in the human retina |
| AU2008236634A1 (en) * | 2007-04-05 | 2008-10-16 | Aureon Laboratories, Inc. | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
| US9008391B1 (en) * | 2013-10-22 | 2015-04-14 | Eyenuk, Inc. | Systems and methods for processing retinal images for screening of diseases or abnormalities |
| DK3103046T3 (da) * | 2014-02-06 | 2020-06-02 | Immunexpress Pty Ltd | Biomarkør-signaturfremgangsmåde og apparater og kits deraf |
| WO2016094330A2 (en) * | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
| GB201502447D0 (en) * | 2015-02-13 | 2015-04-01 | Univ Liverpool | Method and apparatus for sample analysis |
-
2020
- 2020-03-16 JP JP2021559470A patent/JP2022527571A/ja active Pending
- 2020-03-16 US US17/440,274 patent/US20220157470A1/en active Pending
- 2020-03-16 EP EP20773168.8A patent/EP3942569A4/en active Pending
- 2020-03-16 CA CA3134081A patent/CA3134081A1/en active Pending
- 2020-03-16 WO PCT/IB2020/052394 patent/WO2020188471A1/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| US20220157470A1 (en) | 2022-05-19 |
| EP3942569A4 (en) | 2022-12-07 |
| CA3134081A1 (en) | 2020-09-24 |
| EP3942569A1 (en) | 2022-01-26 |
| WO2020188471A1 (en) | 2020-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2022527571A (ja) | 病状によって影響を受ける可能性がある被験者を識別するための方法およびシステム | |
| EP3596697B1 (en) | Generalizable medical image analysis using segmentation and classification neural networks | |
| US10984905B2 (en) | Artificial intelligence for physiological quantification in medical imaging | |
| US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
| Escudero et al. | Machine learning-based method for personalized and cost-effective detection of Alzheimer's disease | |
| US20160259899A1 (en) | Clinical decision support system for diagnosing and monitoring of a disease of a patient | |
| JP2020525251A (ja) | 視力とその変化を試験および分析するためのシステムおよび方法 | |
| KR102140402B1 (ko) | 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치 | |
| US20140095204A1 (en) | Automated medical cohort determination | |
| JP2018524137A (ja) | 心理状態を評価するための方法およびシステム | |
| US11580432B2 (en) | System monitor and method of system monitoring to predict a future state of a system | |
| Scott et al. | Machine learning in clinical practice: prospects and pitfalls | |
| WO2018225578A1 (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
| US20220172841A1 (en) | Methods of identifying individuals at risk of developing a specific chronic disease | |
| WO2012116334A2 (en) | Methods and systems for assessing latent traits using probabilistic scoring | |
| EP3901963A1 (en) | Method and device for estimating early progression of dementia from human head images | |
| KR20210018214A (ko) | 단층 화상 예측 장치 및 단층 화상 예측 방법 | |
| Khazaal et al. | Predicting Coronary Artery Disease Utilizing Support Vector Machines: Optimizing Predictive Model | |
| GB2555381A (en) | Method for aiding a diagnosis, program and apparatus | |
| CN114078593A (zh) | 临床决策支持 | |
| US20210158899A1 (en) | Biomarker detection method, disease assessment method, biomarker detection device, and computer readable medium | |
| JP2018201870A (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
| Bozyel et al. | Artificial Intelligence-Based Clinical Decision Support Systems in Cardiovascular Diseases | |
| Habuza et al. | Deep learning for predicting cognitive gap as a reliable biomarker of dementia | |
| US20210005320A1 (en) | Method of inferring a need for medical test |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211124 Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20211224 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20211224 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230306 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240415 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240422 |