JP2022536785A - 発症率を監視する方法、装置、設備および記憶媒体 - Google Patents
発症率を監視する方法、装置、設備および記憶媒体 Download PDFInfo
- Publication number
- JP2022536785A JP2022536785A JP2021574345A JP2021574345A JP2022536785A JP 2022536785 A JP2022536785 A JP 2022536785A JP 2021574345 A JP2021574345 A JP 2021574345A JP 2021574345 A JP2021574345 A JP 2021574345A JP 2022536785 A JP2022536785 A JP 2022536785A
- Authority
- JP
- Japan
- Prior art keywords
- training
- data
- model
- prediction
- disease
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 99
- 201000010099 disease Diseases 0.000 claims abstract description 98
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 230000000306 recurrent effect Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 159
- 238000003066 decision tree Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000007637 random forest analysis Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 6
- 230000006806 disease prevention Effects 0.000 abstract description 2
- 238000002360 preparation method Methods 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 208000025729 dengue disease Diseases 0.000 description 14
- 208000001490 Dengue Diseases 0.000 description 13
- 206010012310 Dengue fever Diseases 0.000 description 13
- 238000012806 monitoring device Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 241000700605 Viruses Species 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000005180 public health Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 241000255925 Diptera Species 0.000 description 2
- 208000009714 Severe Dengue Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 201000005505 Measles Diseases 0.000 description 1
- 208000005647 Mumps Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000030194 mouth disease Diseases 0.000 description 1
- 208000010805 mumps infectious disease Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
サンプル無作為抽出法により、分類された各種別の既往歴データから少なくとも2つの訓練サンプルを抽出することと、
抽出された前記訓練サンプルから1つの訓練サンプルを初期サンプルとして選択し、前記初期サンプルに基づいてモデルの初期訓練を行い、前記予測モデルのプロトタイプモデルを取得することと、
前記ゲート付き回帰型ニューラルネットワークによって前記プロトタイプモデルに情報記憶ゲートを追加し、かつ前記アンサンブル学習アルゴリズムを用いて、各種別から抽出した前記訓練サンプルに基づいて、情報記憶ゲートが追加された前記プロトタイプモデルに対して2回目の深層アンサンブル学習訓練を実行することで、前記予測モデルを構築することと、を含む。
まず、ステップS110で取得した既往歴データから、によるBootstraping方法を用いて無作為に返却サンプリングを行ってM個のサンプルを抽出し、合計でn_tree回のサンプリングを実行して、n_tree個の訓練サンプルを生成し、1つの訓練セットを形成し、
n_tree個の訓練セットに対して、作成された訓練モデルに基づいてn_tree個の決定ツリーモデルを訓練し、
単一の決定ツリーモデルに対して、訓練サンプルの特徴の数をnとすると、情報利得/情報利得比/ジニ指数に基づいて、各分割時に最適な特徴を選択して分割し、
各ツリーモデルは、そのノードの全ての訓練サンプルが同じクラスに属するようになるまで上記のように分割されるが、その分割訓練プロセスにおいてモデルの刈り込み処理を必要とせず、
生成された複数の決定ツリーを、アンサンブル学習アルゴリズムによって統合処理し、疾病予測モデルを形成する。
前記アンサンブル学習アルゴリズムによって各前記訓練サンプルに対して特徴分割の訓練を行い、第1の訓練特徴を得ることと、
前記第1の訓練特徴を前記プロトタイプモデルに順次入力して深層の特徴訓練を行い、複数の分岐を有する決定ツリーモデルを得て、かつ前記決定ツリーモデルを前記予測モデルとして使用することと、をさらに含んでもよい。
そして、前記初期モデルに対して前記第1の訓練特徴を訓練して、複数の分岐を有する決定ツリーモデルを得て、前記決定ツリーモデルを前記疾病予測モデルとして使用する。
前記既往歴データに対応する医療生態情報を取得することをさらに含み、前記医療生態情報には、気象データ、医療水準データ、疾病監視データのうちの少なくとも1つが含まれ、
実際の応用では、当該ステップは、具体的には、前記時点以前の関連データを取得する前に実施してもよく、医療システムやウェブページから既往歴データを取得しながら実行してもよく、すなわち、当該ステップで取得した医療生態情報は、最初に取得した既往歴データに対応していることで、既往歴データを用いて予測モデルを訓練する際に、より多くの変化要因が導入され、予測モデルの精度が大幅に向上する。
前記アンサンブル学習アルゴリズムによって前記医療生態情報に対して特徴分解の訓練を行い、第2の訓練特徴を得ることと、
前記第2の訓練特徴を前記決定ツリーモデルに入力して、3回目の深層訓練学習を行い、完全な前記予測モデルを構築することと、をさらに含む。
前記既往歴データからある期間内のカルテデータを無作為に抽出して前記予測モデルに入力し、前記期間内のカルテデータに対応する発症数の予測値を得ることと、
前記予測値が、前記期間内のカルテデータに対応する実際の発症データを満たしているか否かを判断し、モデル検証結果を得ることと、
前記モデル検証結果に応じて、前記予測モデルを最適化するための、前記2回目の深層訓練と3回目の深層訓練学習を繰り返す4回目の深層訓練を実行するか否かを決定することと、をさらに含む。
前記予測値が前記一部のカルテデータに対応する期間内の実際の発症データであるか否かを判断し、
前記判断結果に応じて、前記疾病予測モデルを最適化するための深層訓練を実行するか否かを決定する。
前記既往歴データからN個のサンプルデータを抽出し、かつ前記予測モデルを訓練するための訓練サンプルを加算メカニズムにより更新および/再設定し、更新および/再設定された訓練サンプルに基づいて予測モデルを訓練することをさらに含み、ここで、Nは2以上である。
当該ステップでは、抽出された症例データには、ユーザー情報、発症原因、発症時の環境情報および当時の医療水準などのデータが含まれている。
当該ステップでは、共通するパターンおよび要因の抽出は、具体的には、既存の特徴抽出アルゴリズム、例えばキーワードの抽出アルゴリズムなどによって実現され得る。
実際の応用では、サンプル無作為抽出法により、抽出された症例データから代表的な症例データをいくつか抽出してモデルの訓練サンプルとして用い、
抽出された前記訓練サンプルから1つの訓練サンプルを初期サンプルとして選択し、前記初期サンプルに基づいてモデルの初期訓練を行い、前記予測モデルのプロトタイプモデルを取得し、
前記GRUニューラルネットワークによって前記プロトタイプモデルに情報記憶ゲートを追加し、かつ前記ランダムフォレストアルゴリズムを用いて、抽出された前記訓練サンプルに基づいて、情報記憶ゲートが追加された前記プロトタイプモデルに対して深層のアンサンブル学習訓練を実行することで、前記予測モデルを構築する。
疾病に関する既往歴データを取得し、予め分割された様々な年齢層に応じて前記既往歴データに対して分類区別処理を実行するための第1のデータ取得モジュール41と、
分類区別処理後の前記既往歴データに基づいて、予め設定されたゲート付き回帰型ニューラルネットワークとアンサンブル学習アルゴリズムにより、各年齢層における既往歴データに対してモデル訓練の自律学習動作を実行し、予測対象疾病の発症率の予測計算を実現するための予測モデルを生成するためのモデル訓練モジュール42と、
予測対象疾病の種類、予測対象時点、および、前記時点以前に監視された症例データを含む前記時点以前の関連データを取得し、かつ前記関連データを前記予測モデルに入力して、前記時点における予測対象疾病の発症率の予測結果を算出するための発症予測モジュール43と、を含む。
疾病に関する既往歴データを取得し、予め分割された様々な年齢層に応じて前記既往歴データに対して分類区別処理を実行するステップと、
分類区別処理後の前記既往歴データに基づいて、予め設定されたゲート付き回帰型ニューラルネットワークとアンサンブル学習アルゴリズムにより、各年齢層における既往歴データに対してモデル訓練の自律学習動作を実行し、予測対象疾病の発症率の予測と計算を実現するための予測モデルを生成するステップと、
予測対象疾病の種類、予測対象時点、および、前記時点以前に監視された症例データを含む前記時点以前の関連データを取得し、かつ前記関連データを前記予測モデルに入力して、前記時点における予測対象疾病の発症率の予測結果を算出するステップと、をコンピュータに実行させる。
Claims (20)
- 疾病に関する既往歴データを取得し、予め分割された様々な年齢層に応じて前記既往歴データに対して分類区別処理を実行するステップと、
分類区別処理後の前記既往歴データに基づいて、予め設定されたゲート付き回帰型ニューラルネットワークとアンサンブル学習アルゴリズムにより、各年齢層における既往歴データに対してモデル訓練の自律学習動作を実行し、予測対象疾病の発症率の予測と計算を実現するための予測モデルを生成するステップと、
予測対象疾病の種類、予測対象時点、および、前記時点以前に監視された症例データを含む前記時点以前の関連データを取得し、かつ前記関連データを前記予測モデルに入力して、前記時点における予測対象疾病の発症率の予測結果を算出するステップと、含む、既往歴の情報に基づく発症率の監視方法。 - サンプル無作為抽出法により、分類された各種別の既往歴データから少なくとも2つの訓練サンプルを抽出し、
抽出された前記訓練サンプルから1つの訓練サンプルを初期サンプルとして選択し、前記初期サンプルに基づいてモデルの初期訓練を行い、前記予測モデルのプロトタイプモデルを取得し、
前記ゲート付き回帰型ニューラルネットワークによって前記プロトタイプモデルに情報記憶ゲートを追加し、かつ前記アンサンブル学習アルゴリズムを用いて、各種別から抽出した前記訓練サンプルに基づいて、情報記憶ゲートが追加された前記プロトタイプモデルに対して2回目の深層アンサンブル学習訓練を実行することで、前記予測モデルを構築する、請求項1に記載の既往歴の情報に基づく発症率の監視方法。 - 上述した前記アンサンブル学習アルゴリズムを用いて、各種別から抽出した前記訓練サンプルに基づいて、情報記憶ゲートが追加された前記プロトタイプモデルに対して深層アンサンブル学習訓練を実行することで、前記予測モデルを構築するステップは、
前記アンサンブル学習アルゴリズムによって各前記訓練サンプルに対して特徴分割の訓練を行い、第1の訓練特徴を得ることと、
前記第1の訓練特徴を前記プロトタイプモデルに順次入力して深層の特徴訓練を行い、複数の分岐を有する決定ツリーモデルを得て、かつ前記決定ツリーモデルを前記予測モデルとして使用することと、を含む、請求項2に記載の既往歴の情報に基づく発症率の監視方法。 - 上述した前記時点以前の関連データを取得するステップの前に、
前記既往歴データに対応する医療生態情報を取得することをさらに含み、前記医療生態情報には、気象データ、医療水準データ、疾病監視データのうちの少なくとも1つが含まれ、
上述した前記第1の訓練特徴を前記プロトタイプモデルに順次入力して深層の特徴訓練を行い、複数の分岐を有する決定ツリーモデルを得るステップの後、
前記アンサンブル学習アルゴリズムによって前記医療生態情報に対して特徴分解の訓練を行い、第2の訓練特徴を得ることと、
前記第2の訓練特徴を前記決定ツリーモデルに入力して、3回目の深層訓練学習を行い、完全な前記予測モデルを構築することと、をさらに含む、請求項3に記載の既往歴の情報に基づく発症率の監視方法。 - 上述した分類区別処理後の前記既往歴データに基づいて、予め設定されたゲート付き回帰型ニューラルネットワークとアンサンブル学習アルゴリズムにより、各年齢層における既往歴データに対してモデル訓練の自律学習動作を実行し、予測モデルを生成するステップの後、
前記既往歴データからある期間内のカルテデータを無作為に抽出して前記予測モデルに入力し、前記期間内のカルテデータに対応する発症数の予測値を得ることと、
前記予測値が、前記期間内のカルテデータに対応する実際の発症データを満たしているか否かを判断し、モデル検証結果を得ることと、
前記モデル検証結果に応じて、前記予測モデルを最適化するための、前記2回目の深層訓練と3回目の深層訓練学習を繰り返す4回目の深層訓練を実行するか否かを決定することと、をさらに含む、請求項1~4のいずれか1項に記載の既往歴の情報に基づく発症率の監視方法。 - 上述した予測対象疾病の種類、予測対象時点、および前記時点以前の関連データを取得し、前記関連データを前記予測モデルに入力して、前記時点における予測対象疾病の発症率の予測結果を算出するステップの後、
前記モデル検証結果としては前記予測値が前記実際の発症データを満たさないと判断された場合、前記既往歴データからN個のサンプルデータを抽出し、かつ前記予測モデルを訓練するための訓練サンプルを加算メカニズムにより更新および/再設定し、更新および/再設定された訓練サンプルに基づいて予測モデルを訓練することをさらに含み、ここで、Nは2以上である、請求項5に記載の既往歴の情報に基づく発症率の監視方法。 - 前記アンサンブル学習アルゴリズムは、ランダムフォレスト学習アルゴリズムである、請求項6に記載の既往歴の情報に基づく発症率の監視方法。
- メモリと、プロセッサと、前記メモリに記憶され、かつ前記プロセッサ上で実行可能なコンピュータ可読命令とを備えており、前記プロセッサが前記コンピュータ可読命令を実行する時、
疾病に関する既往歴データを取得し、予め分割された様々な年齢層に応じて前記既往歴データに対して分類区別処理を実行するステップと、
分類区別処理後の前記既往歴データに基づいて、予め設定されたゲート付き回帰型ニューラルネットワークとアンサンブル学習アルゴリズムにより、各年齢層における既往歴データに対してモデル訓練の自律学習動作を実行し、予測対象疾病の発症率の予測と計算を実現するための予測モデルを生成するステップと、
予測対象疾病の種類、予測対象時点、および、前記時点以前に監視された症例データを含む前記時点以前の関連データを取得し、かつ前記関連データを前記予測モデルに入力して、前記時点における予測対象疾病の発症率の予測結果を算出するステップと、を実現する、既往歴の情報に基づく発症率の監視設備。 - 前記プロセッサが前記コンピュータプログラムを実行する時に、
サンプル無作為抽出法により、分類された各種別の既往歴データから少なくとも2つの訓練サンプルを抽出するステップと、
抽出された前記訓練サンプルから1つの訓練サンプルを初期サンプルとして選択し、前記初期サンプルに基づいてモデルの初期訓練を行い、前記予測モデルのプロトタイプモデルを取得するステップと、
前記ゲート付き回帰型ニューラルネットワークによって前記プロトタイプモデルに情報記憶ゲートを追加し、かつ前記アンサンブル学習アルゴリズムを用いて、各種別から抽出した前記訓練サンプルに基づいて、情報記憶ゲートが追加された前記プロトタイプモデルに対して2回目の深層アンサンブル学習訓練を実行することで、前記予測モデルを構築するステップと、をさらに実現する、請求項8に記載の既往歴の情報に基づく発症率の監視設備。 - 前記プロセッサが前記コンピュータプログラムを実行する時に、
前記アンサンブル学習アルゴリズムによって各前記訓練サンプルに対して特徴分割の訓練を行い、第1の訓練特徴を得るステップと、
前記第1の訓練特徴を前記プロトタイプモデルに順次入力して深層の特徴訓練を行い、複数の分岐を有する決定ツリーモデルを得て、かつ前記決定ツリーモデルを前記予測モデルとして使用するステップと、をさらに実現する、請求項9に記載の既往歴の情報に基づく発症率の監視設備。 - 前記プロセッサが前記コンピュータプログラムを実行する時に、
前記既往歴データに対応する医療生態情報を取得するステップをさらに含み、前記医療生態情報には、気象データ、医療水準データ、疾病監視データのうちの少なくとも1つが含まれ、
上述した前記第1の訓練特徴を前記プロトタイプモデルに順次入力して深層の特徴訓練を行い、複数の分岐を有する決定ツリーモデルを得るステップの後、
前記アンサンブル学習アルゴリズムによって前記医療生態情報に対して特徴分解の訓練を行い、第2の訓練特徴を得ることと、
前記第2の訓練特徴を前記決定ツリーモデルに入力して、3回目の深層訓練学習を行い、完全な前記予測モデルを構築することと、をさらに含む、請求項10に記載の既往歴の情報に基づく発症率の監視設備。 - 前記プロセッサが前記コンピュータプログラムを実行する時に、
前記既往歴データからある期間内のカルテデータを無作為に抽出して前記予測モデルに入力し、前記期間内のカルテデータに対応する発症数の予測値を得るステップと、
前記予測値が、前記期間内のカルテデータに対応する実際の発症データを満たしているか否かを判断し、モデル検証結果を得るステップと、
前記モデル検証結果に応じて、前記予測モデルを最適化するための、前記2回目の深層訓練と3回目の深層訓練学習を繰り返す4回目の深層訓練を実行するか否かを決定するステップと、をさらに実現する、請求項8~11のいずれか1項に記載の既往歴の情報に基づく発症率の監視設備。 - 前記プロセッサが前記コンピュータプログラムを実行する時に、
前記モデル検証結果としては前記予測値が前記実際の発症データを満たさないと判断された場合、前記既往歴データからN個のサンプルデータを抽出し、かつ前記予測モデルを訓練するための訓練サンプルを加算メカニズムにより更新および/再設定し、更新および/再設定された訓練サンプルに基づいて予測モデルを訓練するステップをさらに実現し、ここで、Nは2以上である、請求項12に記載の既往歴の情報に基づく発症率の監視設備。 - 前記プロセッサが前記コンピュータプログラムを実行する時に、
前記アンサンブル学習アルゴリズムは、ランダムフォレスト学習アルゴリズムである、請求項14に記載の既往歴の情報に基づく発症率の監視設備。 - コンピュータ命令が記憶されており、前記コンピュータ命令がコンピュータ上で実行されると、
疾病に関する既往歴データを取得し、予め分割された様々な年齢層に応じて前記既往歴データに対して分類区別処理を実行するステップと、
分類区別処理後の前記既往歴データに基づいて、予め設定されたゲート付き回帰型ニューラルネットワークとアンサンブル学習アルゴリズムにより、各年齢層における既往歴データに対してモデル訓練の自律学習動作を実行し、予測対象疾病の発症率の予測と計算を実現するための予測モデルを生成するステップと、
予測対象疾病の種類、予測対象時点、および、前記時点以前に監視された症例データを含む前記時点以前の関連データを取得し、かつ前記関連データを前記予測モデルに入力して、前記時点における予測対象疾病の発症率の予測結果を算出するステップと、をコンピュータに実行させる、コンピュータ可読記憶媒体。 - 前記コンピュータ命令がコンピュータ上で実行されると、
サンプル無作為抽出法により、分類された各種別の既往歴データから少なくとも2つの訓練サンプルを抽出するステップと、
抽出された前記訓練サンプルから1つの訓練サンプルを初期サンプルとして選択し、前記初期サンプルに基づいてモデルの初期訓練を行い、前記予測モデルのプロトタイプモデルを取得するステップと、
前記ゲート付き回帰型ニューラルネットワークによって前記プロトタイプモデルに情報記憶ゲートを追加し、かつ前記アンサンブル学習アルゴリズムを用いて、各種別から抽出した前記訓練サンプルに基づいて、情報記憶ゲートが追加された前記プロトタイプモデルに対して2回目の深層アンサンブル学習訓練を実行することで、前記予測モデルを構築するステップと、をコンピュータに実行させる、請求項15に記載のコンピュータ可読記憶媒体。 - 前記コンピュータ命令がコンピュータ上で実行されると、
前記アンサンブル学習アルゴリズムによって各前記訓練サンプルに対して特徴分割の訓練を行い、第1の訓練特徴を得るステップと、
前記第1の訓練特徴を前記プロトタイプモデルに順次入力して深層の特徴訓練を行い、複数の分岐を有する決定ツリーモデルを得て、かつ前記決定ツリーモデルを前記予測モデルとして使用するステップと、をコンピュータに実行させる、請求項16に記載のコンピュータ可読記憶媒体。 - 前記コンピュータ命令がコンピュータ上で実行されると、
前記既往歴データに対応する医療生態情報を取得するステップをコンピュータに実行させ、ここで、前記医療生態情報には、気象データ、医療水準データ、疾病監視データのうちの少なくとも1つが含まれ、
上述した前記第1の訓練特徴を前記プロトタイプモデルに順次入力して深層の特徴訓練を行い、複数の分岐を有する決定ツリーモデルを得るステップの後、
前記アンサンブル学習アルゴリズムによって前記医療生態情報に対して特徴分解の訓練を行い、第2の訓練特徴を得ることと、
前記第2の訓練特徴を前記決定ツリーモデルに入力して、3回目の深層訓練学習を行い、完全な前記予測モデルを構築することと、をさらに含む、請求項17に記載のコンピュータ可読記憶媒体。 - 前記コンピュータ命令がコンピュータ上で実行されると、
前記既往歴データからある期間内のカルテデータを無作為に抽出して前記予測モデルに入力し、前記期間内のカルテデータに対応する発症数の予測値を得るステップと、
前記予測値が、前記期間内のカルテデータに対応する実際の発症データを満たしているか否かを判断し、モデル検証結果を得るステップと、
前記モデル検証結果に応じて、前記予測モデルを最適化するための、前記2回目の深層訓練と3回目の深層訓練学習を繰り返す4回目の深層訓練を実行するか否かを決定するステップと、をコンピュータに実行させる、請求項15~18のいずれか1項に記載のコンピュータ可読記憶媒体。 - 疾病に関する既往歴データを取得し、予め分割された様々な年齢層に応じて前記既往歴データに対して分類区別処理を実行するための第1のデータ取得モジュールと、
分類区別処理後の前記既往歴データに基づいて、予め設定されたゲート付き回帰型ニューラルネットワークとアンサンブル学習アルゴリズムにより、各年齢層における既往歴データに対してモデル訓練の自律学習動作を実行し、予測対象疾病の発症率の予測計算を実現するための予測モデルを生成するためのモデル訓練モジュールと、
予測対象疾病の種類、予測対象時点、および前記時点以前に監視された症例データを含む、前記時点以前の関連データを取得し、前記関連データを前記予測モデルに入力して、前記時点における予測対象疾病の発症率の予測結果を算出するための発症予測モジュールと、を含む、既往歴の情報に基づく発症率の監視装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910706318.4A CN110610767B (zh) | 2019-08-01 | 2019-08-01 | 发病率监测方法、装置、设备及存储介质 |
CN201910706318.4 | 2019-08-01 | ||
PCT/CN2020/099450 WO2021017733A1 (zh) | 2019-08-01 | 2020-06-30 | 发病率监测方法、装置、设备存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022536785A true JP2022536785A (ja) | 2022-08-18 |
JP7295278B2 JP7295278B2 (ja) | 2023-06-20 |
Family
ID=68889766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021574345A Active JP7295278B2 (ja) | 2019-08-01 | 2020-06-30 | 発症率を監視する方法、装置、設備および記憶媒体 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220254513A1 (ja) |
JP (1) | JP7295278B2 (ja) |
CN (1) | CN110610767B (ja) |
WO (1) | WO2021017733A1 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610767B (zh) * | 2019-08-01 | 2023-06-02 | 平安科技(深圳)有限公司 | 发病率监测方法、装置、设备及存储介质 |
CN111274305B (zh) * | 2020-01-15 | 2023-03-31 | 深圳平安医疗健康科技服务有限公司 | 三维图片的生成方法、装置、计算机设备和存储介质 |
CN111309852B (zh) * | 2020-03-16 | 2021-09-03 | 青岛百洋智能科技股份有限公司 | 生成可视化决策树集模型的方法、系统、装置及存储介质 |
CN111554408B (zh) * | 2020-04-27 | 2024-04-19 | 中国科学院深圳先进技术研究院 | 城市内部登革热时空预测方法、系统及电子设备 |
JP2022018415A (ja) * | 2020-07-15 | 2022-01-27 | キヤノンメディカルシステムズ株式会社 | 医用データ処理装置及び方法 |
CN112712903A (zh) * | 2021-01-15 | 2021-04-27 | 杭州中科先进技术研究院有限公司 | 一种基于人机物三元空间协同感知的传染病监测方法 |
CN113057586B (zh) * | 2021-03-17 | 2024-03-12 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、设备及介质 |
CN113628703B (zh) * | 2021-07-20 | 2024-03-29 | 慕贝尔汽车部件(太仓)有限公司 | 职业健康档案管理方法、系统和网络测服务端 |
CN113658718B (zh) * | 2021-08-20 | 2024-02-27 | 清华大学 | 一种个体疫情防控方法及系统 |
CN117334331B (zh) * | 2023-10-25 | 2024-04-09 | 浙江丰能医药科技有限公司 | 基于人工智能的健康状况医学诊断系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288502A (zh) * | 2018-04-11 | 2018-07-17 | 平安科技(深圳)有限公司 | 疾病预测方法及装置、计算机装置及可读存储介质 |
JP2018526697A (ja) * | 2015-07-27 | 2018-09-13 | グーグル エルエルシー | 再帰型ニューラルネットワークを使用する健康イベントの分析 |
WO2018221689A1 (ja) * | 2017-06-01 | 2018-12-06 | 株式会社ニデック | 医療情報処理システム |
CN109063911A (zh) * | 2018-08-03 | 2018-12-21 | 天津相和电气科技有限公司 | 一种基于门控循环单元网络的负荷聚合体分组预测方法 |
JP2019016235A (ja) * | 2017-07-07 | 2019-01-31 | 株式会社エヌ・ティ・ティ・データ | 疾病発症予測装置、疾病発症予測方法およびプログラム |
JP2019074969A (ja) * | 2017-10-17 | 2019-05-16 | 新日鐵住金株式会社 | 品質予測装置及び品質予測方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10332637B2 (en) * | 2013-02-15 | 2019-06-25 | Battelle Memorial Institute | Use of web-based symptom checker data to predict incidence of a disease or disorder |
US20180211010A1 (en) * | 2017-01-23 | 2018-07-26 | Ucb Biopharma Sprl | Method and system for predicting refractory epilepsy status |
CN109545386B (zh) * | 2018-11-02 | 2021-07-20 | 深圳先进技术研究院 | 一种基于深度学习的流感时空预测方法及装置 |
CN109545385A (zh) * | 2018-11-30 | 2019-03-29 | 周立广 | 一种基于物联网的医疗大数据分析处理系统及其方法 |
CN109656918A (zh) * | 2019-01-04 | 2019-04-19 | 平安科技(深圳)有限公司 | 流行病发病指数的预测方法、装置、设备及可读存储介质 |
CN110610767B (zh) * | 2019-08-01 | 2023-06-02 | 平安科技(深圳)有限公司 | 发病率监测方法、装置、设备及存储介质 |
-
2019
- 2019-08-01 CN CN201910706318.4A patent/CN110610767B/zh active Active
-
2020
- 2020-06-30 WO PCT/CN2020/099450 patent/WO2021017733A1/zh active Application Filing
- 2020-06-30 US US17/617,293 patent/US20220254513A1/en active Pending
- 2020-06-30 JP JP2021574345A patent/JP7295278B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018526697A (ja) * | 2015-07-27 | 2018-09-13 | グーグル エルエルシー | 再帰型ニューラルネットワークを使用する健康イベントの分析 |
WO2018221689A1 (ja) * | 2017-06-01 | 2018-12-06 | 株式会社ニデック | 医療情報処理システム |
JP2019016235A (ja) * | 2017-07-07 | 2019-01-31 | 株式会社エヌ・ティ・ティ・データ | 疾病発症予測装置、疾病発症予測方法およびプログラム |
JP2019074969A (ja) * | 2017-10-17 | 2019-05-16 | 新日鐵住金株式会社 | 品質予測装置及び品質予測方法 |
CN108288502A (zh) * | 2018-04-11 | 2018-07-17 | 平安科技(深圳)有限公司 | 疾病预测方法及装置、计算机装置及可读存储介质 |
CN109063911A (zh) * | 2018-08-03 | 2018-12-21 | 天津相和电气科技有限公司 | 一种基于门控循环单元网络的负荷聚合体分组预测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021017733A1 (zh) | 2021-02-04 |
US20220254513A1 (en) | 2022-08-11 |
CN110610767B (zh) | 2023-06-02 |
CN110610767A (zh) | 2019-12-24 |
JP7295278B2 (ja) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7295278B2 (ja) | 発症率を監視する方法、装置、設備および記憶媒体 | |
Zeng et al. | Artificial intelligence–enabled public health surveillance—from local detection to global epidemic monitoring and control | |
Appice et al. | A multi-stage machine learning approach to predict dengue incidence: a case study in Mexico | |
Mahalle et al. | Data analytics: Covid-19 prediction using multimodal data | |
Nelli et al. | Achieving explanatory depth and spatial breadth in infectious disease modelling: integrating active and passive case surveillance | |
Deepika et al. | Relief-F and Budget Tree Random Forest Based Feature Selection for Student Academic Performance Prediction. | |
Frey et al. | Modeling ecological success of common pool resource systems using large datasets | |
Casalino et al. | Exploiting time in adaptive learning from educational data | |
Turgut et al. | A framework proposal for machine learning-driven agent-based models through a case study analysis | |
Bali et al. | Life Expectancy: Prediction & Analysis using ML | |
Constantinou et al. | Open problems in causal structure learning: A case study of COVID-19 in the UK | |
Papadimitriou et al. | Needs and priorities of road safety stakeholders for evidence-based policy making | |
Li et al. | Classifying crowdsourced mobile test reports with image features: An empirical study | |
Ronmi et al. | How can artificial intelligence and data science algorithms predict life expectancy-An empirical investigation spanning 193 countries | |
Mbunge et al. | Machine learning techniques for predicting malaria: Unpacking emerging challenges and opportunities for tackling malaria in sub-saharan Africa | |
Maulana et al. | Leveraging Artificial Intelligence to Predict Student Performance: A Comparative Machine Learning Approach | |
Kariyapperuma et al. | Classification of Covid19 vaccine-related tweets using deep learning | |
Balakumar et al. | Dengue outbreak and severity prediction: current methods and the future scope | |
Romney et al. | Curriculum for hands-on artificial intelligence cybersecurity | |
Edali et al. | Analysis of an individual‐based influenza epidemic model using random forest metamodels and adaptive sequential sampling | |
Nangia et al. | A machine learning approach to identify the students at the risk of dropping out of secondary education in India | |
Fantechi et al. | Learning from the past: a machine-learning approach for predicting the resilience of locked-in regions after a natural shock | |
Wang | Prediction Analysis of College Students’ Physical Activity Behavior by Improving Gray Wolf Algorithm and Support Vector Machine | |
Kumar et al. | Predictive analysis of novel coronavirus using machine learning model-a graph mining approach | |
Ingle et al. | Identification of Vector Borne Disease Spread Using Big Data Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211214 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211214 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230117 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230124 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20230316 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230410 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230606 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230608 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7295278 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |