JP2022537702A - コンタクトレンズ適合性を予測するために機械学習を使用するシステム及び方法 - Google Patents

コンタクトレンズ適合性を予測するために機械学習を使用するシステム及び方法 Download PDF

Info

Publication number
JP2022537702A
JP2022537702A JP2021573854A JP2021573854A JP2022537702A JP 2022537702 A JP2022537702 A JP 2022537702A JP 2021573854 A JP2021573854 A JP 2021573854A JP 2021573854 A JP2021573854 A JP 2021573854A JP 2022537702 A JP2022537702 A JP 2022537702A
Authority
JP
Japan
Prior art keywords
ecp
suitability
patient
lens
index
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
Application number
JP2021573854A
Other languages
English (en)
Other versions
JP7571060B2 (ja
Inventor
サランガパニ ラメシュ
ベイカー ケビン
Original Assignee
アルコン インコーポレイティド
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 アルコン インコーポレイティド filed Critical アルコン インコーポレイティド
Publication of JP2022537702A publication Critical patent/JP2022537702A/ja
Application granted granted Critical
Publication of JP7571060B2 publication Critical patent/JP7571060B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61B3/02—Subjective types, i.e. testing apparatus requiring the active assistance of the patient
    • A61B3/028—Subjective types, i.e. testing apparatus requiring the active assistance of the patient for testing visual acuity; for determination of refraction, e.g. phoropters
    • A61B3/04—Trial frames; Sets of lenses for use therewith
    • G—PHYSICS
    • G02—OPTICS
    • G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
    • G02C7/00—Optical parts
    • G02C7/02—Lenses; Lens systems ; Methods of designing lenses
    • G02C7/04—Contact lenses for the eyes
    • G02C7/047—Contact lens fitting; Contact lenses for orthokeratology; Contact lenses for specially shaped corneae
    • 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
    • G—PHYSICS
    • G02—OPTICS
    • G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
    • G02C13/00—Assembling; Repairing; Cleaning
    • G02C13/003—Measuring during assembly or fitting of spectacles
    • G—PHYSICS
    • G02—OPTICS
    • G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
    • G02C7/00—Optical parts
    • G02C7/02—Lenses; Lens systems ; Methods of designing lenses
    • G02C7/04—Contact lenses for the eyes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Optics & Photonics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Eye Examination Apparatus (AREA)
  • Eyeglasses (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

多焦点コンタクトレンズと老眼視力矯正を求める患者との間の適合性を判定するためのシステム及び方法は、第１のアイケア専門家に関連する第１のデバイスから、消費者用のコンタクトレンズを選択するための要求を受信することであって、要求が消費者に関連する生体測定／検眼情報を含む、ことと、第１のＥＣＰに関連する実績メトリックを取得することと、機械学習モデルを使用して、且つ実績メトリックに基づいて、特定のコンタクトレンズと第１のＥＣＰの消費者との間の適合性を示すカスタマイズされた適合性インデックスを判定することと、第１のデバイス上に適合性インデックスを示すレポートを提示することと、を含む。追加のシステム、方法、及び非一時的機械可読媒体もまた、提供される。このアイデアは、自動化されたシステムによって、眼科医の仕事を置き換えるか、又は少なくとも補完するためのものである。

Description

本開示は、この開示の様々な実施形態による、異なるユーザに対するレンズ適合性を予測するために機械学習を使用することに関する。
コンタクトレンズを製造する際の技術は、大部分のコンタクトレンズが大部分のユーザに対して快適に適合し得るように、近年にわたって大幅に改善されてきた。しかしながら、多焦点コンタクトレンズなどの特定のコンタクトレンズのタイプは、依然としてユーザに適合させるのが難しい。従来、ユーザに対してコンタクトレンズ（多焦点コンタクトレンズなど）を適合させることは、永続的なプロセスである。アイケア専門家（ＥＣＰ）は、あるコンタクトレンズのタイプ（例えば、特定の処方、特定の度数、曲率などの特定の形状、特定の製造業者など）を、（例えば、推奨されるコンタクトレンズのタイプを２週間などのある一定期間使用する）トライアル用にユーザに推奨する場合がある。ユーザは、コンタクトレンズのタイプがユーザに良好に適合しているかどうか、及び／又はどのコンタクトレンズがより良好に適合しているかを判定するために、トライアル後のフォローアップ訪問を受けることができる。フィッティングが困難であり、且つＥＣＰがコンタクトレンズ（例えば、多焦点コンタクトレンズ）を使用して視力矯正（例えば、老眼視力矯正）を求めるユーザの結果を正確に予測できないため、ユーザは、ユーザに良好に適合するコンタクトレンズのタイプを判定する前に（又はユーザがどのコンタクトレンズのタイプも良好な候補ではないと判定する前に）、複数回ＥＣＰを訪問する必要があり得る。その結果、ユーザにコンタクトレンズを処方するコストが不必要に高くなり、場合によっては、ＥＣＰは、そのような革新的な視力矯正ソリューションの恩恵を受け得るユーザに、特定のコンタクトレンズのタイプを推奨及び／又は処方するのに気が進まなくなっている。したがって、当該技術分野において、多焦点コンタクトレンズユーザに対する結果をより良好に予測するための技術が必要とされている。
いくつかの実施形態によれば、システムは、１つ以上のハードウェアプロセッサを含む。１つ以上のハードウェアプロセッサは、第１のアイケア専門家（ＥＣＰ）に関連する第１のデバイスから、消費者用のコンタクトレンズを選択するための要求を受信し、要求が消費者に関連する生体測定情報を含み、第１のＥＣＰに関連する実績メトリックを取得し、機械学習モデルを使用して、且つ実績メトリックに基づいて、特定のコンタクトレンズと第１のＥＣＰの消費者との間の適合性を示すカスタマイズされた適合性インデックスを判定し、第１のデバイス上に適合性インデックスを示すレポートを提示する、ように構成されている。
いくつかの実施形態によれば、方法は、１つ以上のハードウェアプロセッサによって、第１のアイケア専門家（ＥＣＰ）に関連する第１のデバイスから、特定のレンズと患者との間の適合性を判定するための要求を受信することであって、要求が患者に関連する属性を含む、ことと、１つ以上のハードウェアプロセッサによって、第１のＥＣＰに関連する実績情報を、少なくとも第２のＥＣＰに関連する実績情報と比較することと、１つ以上のハードウェアプロセッサによって、その比較に基づいて、第１のＥＣＰに関連する実績メトリックを判定することと、１つ以上のハードウェアプロセッサによって、複数の適合性インデックスから、且つ患者に関連する属性に基づいて、特定のレンズと患者との間の適合性の程度を表す特定の適合性インデックスを選択することであって、適合性インデックスが第１のＥＣＰに関連する実績メトリックに少なくとも部分的に基づいて第１のＥＣＰ用にカスタマイズされる、ことと、１つ以上のハードウェアプロセッサによって、第１のデバイス上に特定の適合性インデックスを示すレポートを提示することと、を含む。
いくつかの実施形態によれば、非一時的機械可読媒体は、第１のアイケア専門家（ＥＣＰ）に関連する第１のデバイスから、消費者用のコンタクトレンズを選択するための要求を受信することであって、要求が消費者に関連する生体測定情報を含む、ことと、第１のＥＣＰに関連する実績メトリックを取得することと、機械学習モデルを使用して、且つ実績メトリックに基づいて、特定のコンタクトレンズと第１のＥＣＰの消費者との間の適合性を示すカスタマイズされた適合性インデックスを判定することと、第１のデバイス上に適合性インデックスを示すレポートを提示することと、を含む動作を、機械に実行させるように実行可能な複数の機械可読命令を含む。
本技術、本技術の特徴、及び本技術の利点をより完全に理解するために、添付の図面と併せて、以下の説明を参照する。
図１は、いくつかの実施形態による、レンズ適合性判定のためのシステムの図である。 図２は、いくつかの実施形態による、予測エンジンのブロック図である。 図３は、いくつかの実施形態による、レンズと患者との間の適合性を判定するプロセスを示している。 図４Ａは、いくつかの実施形態による、例示的な入力インターフェースを示している。 図４Ｂは、いくつかの実施形態による、例示的なレポートインターフェースを示している。 図４Ｃは、いくつかの実施形態による、例示的なフィードバックインターフェースを示している。 図４Ｄは、いくつかの実施形態による、例示的な実績インターフェースを示している。 図４Ｅは、いくつかの実施形態による、別の例示的な実績インターフェースを示している。 図５は、いくつかの実施形態による、アイケア専門家用の実績メトリックを判定するプロセスを示している。 図６Ａは、いくつかの実施形態による、処理システムの図である。 図６Ｂは、いくつかの実施形態による、処理システムの図である。 図７は、いくつかの実施形態による、多層ニューラルネットワークの図である。
図面において、同一符号を有する要素は、同一又は類似の機能を有する。
発明の態様、実施形態、実装形態、又はモジュールを示すこの説明及び添付の図面は、限定するものとして解釈されるべきではなく、特許請求の範囲が、保護された発明を定義する。この説明及び特許請求の範囲の精神及び範囲から逸脱することなく、様々な機械的、構成的、構造的、電気的、及び動作上の変更を行うことができる。場合によっては、本発明をあいまいにしないために、周知の回路、構造、又は技術は、図示又は詳細に説明されていない。２つ以上の図の類似の番号は、同一又は類似の要素を表す。
この説明では、本開示と一致するいくつかの実施形態を説明する特定の詳細が示されている。実施形態の完全な理解を提供するために、多数の特定の詳細が示されている。しかしながら、これらの具体的詳細の一部又は全部なしにいくつかの実施形態が実践され得ることは、当業者には明らかであろう。本明細書に開示された特定の実施形態は、限定的でなく、例示的であるように意図される。当業者であれば、本明細書に具体的に説明されないが、この開示の範囲及び精神の範囲内にある他の要素を実現することができる。加えて、不必要な繰り返しを避けるために、一実施形態に関連して図示されて説明された１つ以上の特徴は、特に別途説明しない限り、又は１つ以上の特徴によって実施形態が機能しなくなる場合を除いて、他の実施形態に組み込まれ得る。
以下に説明する技術は、ユーザに対する１つ以上のレンズタイプ（例えば、１つ以上のコンタクトレンズのタイプ）の適合性を予測する際に機械学習を使用するためのシステム及び方法を伴う。上述したように、（例えば、特定の処方に対して、特定のレンズ度数を有し、特定の製造業者に関連付けられ、曲率などの特定の幾何学的形状を有する）特定のレンズタイプは、異なるユーザに対して異なって適合する場合があり、特定のレンズタイプが患者にうまく適合するかどうかを判定することは、アイケア専門家（ＥＣＰ）にとっての課題である。レンズタイプは、患者が使用するための、コンタクトレンズ（例えば、多焦点コンタクトレンズなど）又は任意のレンズタイプであり得る。したがって、いくつかの実施形態では、レンズ適合性システムを提供して、ＥＣＰが異なるレンズタイプを患者に推奨及び／又は処方するのを支援することができる。いくつかの実施形態では、レンズ適合性システムは、ＥＣＰのデバイス上にユーザインターフェース（例えば、グラフィカルユーザインターフェース（ＧＵＩ）など）を提供することができる。ユーザインターフェースは、レンズタイプが患者と適合性があるかどうかを判定するために、１つ以上のＥＣＰから適合性要求を受信するように構成され得る。適合性要求には、年齢、目の乾燥度、コンピュータの使用の長さ及び頻度、ユーザの好み（例えば、患者が通常の眼鏡をどれだけ快適に使用しているかなど）、そのレンズタイプを使用するユーザの動機、ユーザの腕の長さ（これはユーザの読み取り距離を示す）、患者に赤目問題があるかどうか、現在の処方データ、瞳孔径などの目の測定値などの患者の属性が含まれ得る。レンズ適合性システムは、患者の属性を使用して、そのレンズタイプが患者と適合性があるかどうかを判定することができる。
いくつかの実施形態では、レンズ適合性システムは、機械学習モデルを使用して、レンズタイプと患者との間の適合性を判定することができる。例えば、機械学習モデルは、ユーザインターフェースを介して受信された患者の属性及び他のデータに基づいて、患者がレンズタイプの適切な候補である可能性を示す出力（例えば、適合性スコア）を提供するように構成することができる。機械学習モデルは、要求に関連するレンズタイプを用いて以前に処方された患者の履歴データを使用して訓練され得る。例えば、レンズ適合性システムは、様々なＥＣＰのデバイスから、（例えば、そのレンズを用いた所定のトライアル期間後に患者に提供される調査などを介して）患者の属性及びユーザに対する結果を含む、様々なＥＣＰからレンズタイプを処方されている患者の患者記録を検索することができる。検索された患者の記録は、次いで、機械学習モデル用の訓練データとして使用され得る。機械学習モデルは、ニューラルネットワーク、回帰モデル、又は他の任意のタイプの機械学習アルゴリズムなどの１つ以上の技術を使用して実装され得る。
ユーザインターフェースを介して患者の属性及び他のデータを受信した後、レンズ適合性システムは、入力値として、患者の属性及び他のデータを機械学習モデルに提供することができる。患者の属性に基づいて、機械学習モデルは、患者がレンズタイプの適切な候補である可能性を示す出力を生成することができる。いくつかの実施形態では、機械モデルは、出力として適合性スコアを生成することができる。適合性スコアは、スケールでの患者の属性に基づいて、レンズタイプが患者にとってどれほど適合性があるかを表すことができ、スケールの一端は大いなる適合性を表し、スケールの他端は大いなる非適合性を表す。
レンズ適合性システムの異なる実施形態では、機械学習モデルを異なるように構成して、患者の適合性の異なる様相を表す適合性スコアを生成することができる。例えば、いくつかの実施形態では、適合性スコアは、レンズを着用しているときの患者の予測される快適性レベルを表すことができる。別の実施形態では、適合性スコアは、患者の予測される視力品質を表すことができる。更に別の実施形態では、適合性スコアは、患者に適合すべきレンズの予測数、及び／又は患者が必要とするフォローアップ訪問の予測数を表すことができる。更に別の実施形態では、適合性スコアは、上述の要因の任意の組み合わせを表すことができる。
いくつかの実施形態では、レンズ適合性システムは、機械学習モデルによって生成された出力に基づいて、ＥＣＰデバイスのインターフェースに関する適合性レポートを提供することができる。例えば、適合性レポートは、患者がレンズタイプの適切な候補である可能性を示す、機械学習モデルによって生成された適合性スコアを示し得る。機械学習モデルは（要求を提出したＥＣＰを含み得る、又は含み得ない）複数のＥＣＰの患者データを使用して訓練されたため、要求を提出したＥＣＰは、ここで、そのレンズタイプが過去のＥＣＰの患者にどのように適合したかだけでなく、そのレンズタイプが他のＥＣＰの患者にどのように適合することになるかに基づいて、患者に対する適合性情報を取得することができる。異なるＥＣＰから患者の大きなサンプルサイズにアクセスできるレンズ適合性システムの能力は、患者の適合性の精度が改善されることを意味する。更に、（要求を提出した）ＥＣＰには、レンズ適合性システムによって生成された適合性レポートのみが提供され、且つ機械学習モデルの訓練に使用される患者記録は提供されないため、患者のプライバシーが保護され得る。
いくつかの実施形態では、適合性レポートは、機械学習モデルによって生成された適合性スコアを含み得る。しかしながら、ＥＣＰが、適合性スコアを患者にレンズタイプを処方するための実際の推奨に変換することは難しい場合がある。そのように、ＥＣＰの推奨及び／又は処方においてＥＣＰを支援するために、いくつかの実施形態のレンズ適合性システムは、適合性スコアに対する追加のデータ（例えば、意味）を導出することができる。例えば、レンズ適合性システムは、患者にレンズタイプを処方するための異なる推奨を表す複数の適合性インデックスを判定することができる。特定の、しかし非限定的な例では、レンズ適合性システムは、強く推奨される、推奨される、及び推奨されないことをそれぞれ表す、３つの異なる適合性インデックスを判定することができる。適合性インデックスは、適合性スコアの異なる非重複範囲に関連付けられ得る。例えば、適合性スコアが機械学習モデルによって１～１００のスケールで生成される場合、７１～１００の第１の範囲は、強く推奨されることを表す第１の適合性インデックスに対応し得、４１～７０の第２の範囲は、推奨されることを表す第２の適合性インデックスに対応し得、１～４０の第３の範囲は、推奨されないことを表す第３の適合性インデックスに対応し得る。いくつかの実施形態では、範囲は、以前の患者にレンズタイプを処方したことの特定の結果に基づいて判定されてもよい。一実施例では、レンズ適合性システムは、ＥＣＰによるフォローアップ訪問が全く必要なかったこの範囲内の適合性スコアを有するレンズタイプで処方された患者の所定のパーセンテージ（例えば、９０％）に基づいて、７１～１００の適合性スコアを含むように、第１の範囲を判定することができる。レンズ適合性システムは、ＥＣＰによるフォローアップ訪問が１回のみ必要だったこの範囲内の適合性スコアを有するレンズタイプで処方された患者の所定のパーセンテージ（例えば、９０％）に基づいて、４１～７０の適合性スコアを含むように第２の範囲を判定することができる。次いで、レンズ適合性システムは、適合性スコアがどの範囲に当てはまるかに基づいて、患者の適合性インデックスを判定することができる。
このように、いくつかの実施形態では、レンズ適合性システムは、適合性スコアの代わりに、又は適合性スコアに加えて、患者にレンズタイプを推奨及び／又は処方する際にＥＣＰを支援するように、インターフェース上に適合性インデックスを提示することができる。いくつかの実施形態では、レンズ適合性システムは、全てのＥＣＰ用の適合性インデックスに対して、同じ適合性スコア範囲を使用してもよい。しかしながら、ＥＣＰが異なれば、自身の患者にレンズを推奨又は処方する方法での好みも異なる場合がある。特定のシナリオでは、好みの違いは、ＥＣＰがサービスを提供する患者の人口統計、ＥＣＰが位置する地理的領域、又はＥＣＰ自身の個人的な好み（例えば、患者にレンズタイプを処方する際にＥＣＰがどれだけ積極的／保守的であるか）に起因し得る。機械学習モデルは、様々なＥＣＰの患者の履歴データを使用して訓練されていて、モデルは１つのＥＣＰを別のＥＣＰと区別しないため、機械学習モデルの出力（例えば、適合性スコア）は、全ての患者に一般的であり、１つのＥＣＰの患者に固有ではない場合がある。したがって、いくつかの実施形態では、レンズ適合性システムは、異なるＥＣＰの異なる適合性インデックスに対応する異なる範囲を判定することができる。例えば、レンズ適合性システムは、第１のＥＣＰの場合、第１の適合性インデックス（例えば、強く推奨される）が８１～１００の範囲に対応し、第２の適合性インデックス（例えば、推奨される）が５１～８０の範囲に対応し、第３の適合性インデックス（例えば、推奨される）が１～５０の範囲に対応する、と判定することができる。例えば、レンズ適合性システムは、第２のＥＣＰの場合、第１の適合性インデックス（例えば、強く推奨される）が６１～１００の範囲に対応し、第２の適合性インデックス（例えば、推奨される）が３１～６０の範囲に対応し、第３の適合性インデックス（例えば、推奨される）が１～３０の範囲に対応する、と判定することができる。
異なる範囲は、ＥＣＰの地理的領域、ＥＣＰの患者の人口統計、又は他のＥＣＰ（例えば、ＥＣＰのピア）の実績に対するＥＣＰの推奨／処方実績など、様々な要因に基づいて、異なるＥＣＰに対して判定することができる。したがって、いくつかの実施形態では、レンズ適合性システムは、ＥＣＰの推奨／処方実績に基づいて、他のＥＣＰの位置と比較して、要求を提出したＥＣＰの位置を判定することができる。例えば、レンズ適合性システムは、各ＥＣＰに対して、患者にレンズタイプを推奨／処方する比率（例えば、老眼視力矯正を求める患者に多焦点レンズを処方する比率）を判定することができる。レンズ適合性システムは、要求を提出したＥＣＰの比率を他のＥＣＰの比率に対して比較し、その比較に基づいて適合性インデックスに関連する範囲を調整することができる。特定の非限定的な例では、レンズ適合性システムが要求を提出したＥＣＰが他のＥＣＰと比較して平均比率よりも低い比率を有すると判定した場合、レンズ適合性システムは、第１の（及び／又は第２の）適合性インデックス（それぞれ、強く推奨される及び推奨されることを表す）に対応する範囲を拡大することができ、逆もまた同様である。
別の例では、レンズ適合性システムは、各ＥＣＰに対して、（例えば、そのレンズタイプが処方された人、一般的にそのＥＣＰからレンズが処方された人などの）患者に適合されたレンズの数、及び／又は患者のフォローアップ訪問の数（例えば、平均数）を判定することができる。レンズ適合性システムは、患者に適合されたレンズの数、及び／又は要求を提出したＥＣＰに関連するフォローアップ訪問の数を、患者に適合されたレンズの数、及び／又は他のＥＣＰに関連するフォローアップ訪問の数と比較することができ、その比較に基づいて、適合性インデックスに関連する範囲を調整することができる。特定の非限定的な例では、レンズ適合性システムが要求を提出したＥＣＰが他のＥＣＰと比較して患者に適合されたレンズの数が平均の数よりも少ない、及び／又はフォローアップ訪問の数が平均の数より少ないと判定した場合、レンズ適合性システムは、第１の（及び／又は第２の）適合性インデックス（それぞれ、強く推奨される及び推奨されることを表す）に対応する範囲を拡大することができ、逆もまた同様である。
いくつかの実施形態では、レンズ適合性システムは、異なるＥＣＰオフィスに関連する１つ以上の視力シミュレータを含むか、又はそれらと通信可能に結合され得る。視力シミュレータは、患者のレンズタイプを着用及び／又は使用するシミュレーションを提供することができる。例えば、視力シミュレータは、１つ以上の環境下（例えば、昼間の運転、夜間の運転、読書、コンピュータ、モバイルデバイスなどの電子デバイスの使用時など）でそのレンズタイプを使用する際に患者が有し得るシミュレートされた視力を患者に提供するウェアラブルデバイス（例えば、ヘッドギア、一対のゴーグルなど）を含み得る。いくつかの実施形態では、視力シミュレータは、シミュレーションに基づいて、患者からフィードバック（例えば、視力品質、快適性レベルなど）を取得するように構成され得る。例えば、視力シミュレータは、シミュレーションの様々な部分の間（例えば、異なる環境シミュレーションの間）にフィードバックを患者に促すように構成されてもよく、それによって、患者は、異なるシミュレートされた環境に対してフィードバックを提供することができる。いくつかの実施形態では、レンズ適合性システムは、他の属性に加えて、入力として患者からのフィードバックを受信し、視力シミュレーションへの患者のフィードバック並びに属性に基づいて、患者の出力（例えば、適合性スコア）を判定するように機械学習モデルを構成することができる。いくつかの実施形態では、視力シミュレータはまた、シミュレーション中に患者に関連する生体測定データ（例えば、目の動き、まばたきの頻度、目の充血、眉をひそめる、目を細めるなどの顔の表情、心拍数、涙など）を検出及び／又は追跡するための１つ以上のセンサ（例えば、カメラ、心拍数モニタ、湿度センサなど）を含み得、検出された生体測定データをレンズ適合性システムに提供するように構成することができる。したがって、レンズ適合性システムはまた、視力シミュレータから取得された生体測定データも入力値として受信し、生体測定データ及び患者の他の属性に基づいて出力を判定するように、機械学習モデルを構成することができる。
したがって、本開示の様々な実施形態によるレンズ選択システムは、ＥＣＰにカスタマイズ可能なインターフェースを提供して、患者の機密データ及び／又は個人データを漏らすことなく、異なるＥＣＰに関連する患者の経験を使用することによって、ＥＣＰが患者にレンズタイプを推奨及び／又は処方するのを支援することができる。
図１は、いくつかの実施形態による、レンズ適合性システムを実装し得る、レンズ適合性判定のためのシステム１００を示している。システム１００は、ネットワーク１１５を介して１つ以上の診断訓練データソース１１０と結合されたレンズ選択プラットフォーム１０２を含む。いくつかの実施例では、ネットワーク１１５は、１つ以上のスイッチングデバイス、ルータ、ローカルエリアネットワーク（例えば、イーサネット（登録商標））、広域ネットワーク（例えば、インターネット）などを含み得る。診断訓練データソース１１０のそれぞれは、ＥＣＰ施術者、眼科クリニック、医科大学、電子医療記録（ＥＭＲ）リポジトリなどによって、利用可能にされたデータベース、データリポジトリなどであってもよい。診断訓練データソース１１０のそれぞれは、１つ以上のレンズタイプ（例えば、多焦点レンズなど）を用いて処方された患者の患者記録の形態で訓練データをレンズ選択プラットフォーム１０５に提供することができる。各患者の記録には、年齢、目の乾燥度、コンピュータ使用の長さ及び頻度、ユーザの好み（例えば、患者が通常の眼鏡をどれだけ快適に使用しているかなど）、そのレンズタイプを使用するユーザの動機、ユーザの腕の長さ（これはユーザの読み取り距離を示す）、患者に赤目問題があるかどうか、現在の処方データ、瞳孔径などの目の測定値、患者が実際にレンズタイプ（多焦点コンタクトレンズなど）で処方されたかどうか、及び患者が実際にレンズタイプで処方された場合の、患者がレンズタイプで処方された後の処方の品質（例えば、快適度レベル、視力品質レベル、患者に適合されたレンズの数、フォローアップ訪問の数など）を示し得る患者の結果、などのレンズタイプに関連する視力矯正を求める対応する患者（例えば、老眼視力矯正を求める患者など）の属性が含まれ得る。レンズ選択プラットフォーム１０２は、訓練データを匿名化、暗号化、及び／又は他の方法で保護するように構成され得る１つ以上のデータベース１０４に訓練データを記憶することができる。
レンズ選択プラットフォーム１０２は、（以下でより詳細に説明するように）受信した訓練データを処理し、訓練データに対して生データ分析を実行し、機械学習アルゴリズム及び／又はモデルを訓練して、患者の属性に基づいてレンズタイプと患者との間の適合性を予測し、機械学習を反復的に改良してレンズタイプと患者との間の適合性を予測するために使用される様々なモデルを最適化し、ＥＣＰがレンズタイプを患者対して推奨及び／又は処方するのを支援することができる、予測エンジン１０６を含む。
レンズ選択プラットフォーム１０２は、ネットワーク１１５を介して、ＥＣＰデバイス１３０、１４０、及び１５０などの１つ以上のＥＣＰデバイスに更に結合される。ＥＣＰデバイスのそれぞれは、ＥＣＰに関連付けられ得る。例えば、ＥＣＰデバイス１３０は、ＥＣＰ１７０に関連付けられている。示されるように、ＥＣＰデバイス１３０は、ウェブブラウザ、デスクトップアプリケーション、又はレンズ選択プラットフォーム１０２によって提供されるモバイルアプリケーションであり得る、ユーザインターフェースアプリケーション１３２を含む。ユーザインターフェースアプリケーション１３２は、ＥＣＰデバイス１３０がレンズ選択プラットフォーム１０２と対話することを可能にする。ＥＣＰデバイス１３０はまた、ＥＣＰ１７０に関連する識別子、ＥＣＰデバイス１３０に関連するデバイス識別子、又はＥＣＰ１７０を他のＥＣＰから区別するための他の任意のタイプの識別子として実装され得るＥＣＰ識別子１３４を含んでもよい。
いくつかの実施形態では、ＥＣＰデバイス１３０は、視力シミュレータ１６０と通信可能に結合され得る。視力シミュレータ１６０は、ウェアラブルデバイス（例えば、ヘッドギア、一対のゴーグルなど）を含み得、１つ以上の環境下（昼間の運転、夜間の運転、読書、コンピュータ、モバイル機器などの電子デバイスの使用時など）でのＥＣＰ１７０の患者用のレンズタイプの着用及び／又は使用のシミュレーションを提供するように構成され得る。いくつかの実施形態では、視力シミュレータ１６０はまた、シミュレーション中の患者の生体測定データ（例えば目の動き、まばたきの頻度、目の充血、眉をひそめる、目を細めるなどの顔の表情、心拍数、涙など）を取得するための１つ以上のセンサ（例えば、カメラ、心拍数モニタ、湿度センサなど）を含み得る。図には示されていないが、ＥＣＰデバイス１４０及び１５０のそれぞれはまた、ＥＣＰデバイス１３０と同様のモジュール及び／又は構成要素を含み得る。更に、ＥＣＰデバイス１４０及び１５０のそれぞれはまた、視力シミュレータ１６０と同様の対応する視力シミュレータに結合され得る。
図２は、本開示のいくつかの実施形態による、予測エンジン１０６のブロック図を示している。予測エンジン１０６は、ＥＣＰデバイス１３０、１４０、及び１５０などの様々なＥＣＰデバイスに通信可能に結合されている。予測エンジン１０６は、予測マネージャ２０２、レポート生成モジュール２０４、実績評価モジュール２０６、及びモデル構成モジュール２０８を含む。モデル構成モジュール２０８は、データベース１０４に記憶された訓練データを使用して、レンズ適合性モデル２１２などの機械学習モデルを訓練して、患者の属性、視力シミュレーションからの患者フィードバック、及び視力シミュレーション中に取得された生体測定情報などの情報に基づいて患者用のレンズタイプの適合性を予測することができる。予測マネージャ２０２は、ＥＣＰデバイス１３０～１５０上に提示されるユーザインターフェース（例えば、ＧＵＩ）を提供することができる。いくつかの実施形態では、ＥＣＰ（例えば、ＥＣＰ１７０）は、ＥＣＰデバイス（例えば、ＥＣＰデバイス１３０）を使用して、ユーザインターフェースを介して適合性要求を提出することができる。例えば、ユーザインターフェースアプリケーション１３２が、ＥＣＰが適合性要求を提出したいという指示を受信すると、ユーザインターフェースアプリケーション１３２は、予測エンジン１０６に関連する入力インターフェースを提示することができる。入力インターフェースは、ＥＣＰが要求に関連する情報（例えば、レンズタイプ、患者の属性など）を提供することを可能にする複数の入力フィールドを含み得る。
いくつかの実施形態では、指示を受信すると、予測マネージャ２０２はまた、ＥＣＰデバイスに関連する視力シミュレータ（例えば、視力シミュレータ１６０）を構成して、レンズタイプに基づいて患者に対する視力シミュレーションを提供することができる。視力シミュレータ１６０は、シミュレーション中に患者のフィードバック及び／又は生体測定データを取得することができ、患者のフィードバック及び／又は生体測定データをＥＣＰデバイス１３０に提供することができる。
次いで、ユーザインターフェースアプリケーション１３２は、入力インターフェースを介して取得された情報、患者フィードバック、及び生体測定データなどの適合性要求に関連するデータを、ネットワーク１１５を介して予測エンジン１０６に送信することができる。適合性要求及びデータ（例えば、データ２４０）を受信すると、予測マネージャ２０２は、レンズ適合性モデル２１２を使用して、データ２４０に基づいて患者のレンズタイプの適合性を判定することができる。レンズ適合性モデル２１２は、データ２４０に基づいて出力（例えば、適合性スコア）を生成することができる。レンズ適合性モデル２１２からの出力を使用することにより、レポート生成モジュール２０４は、ユーザインターフェースアプリケーション１３２上のレポートインターフェース上に提示される適合性レポートを生成することができる。
ＥＣＰは、ユーザインターフェースアプリケーション１３２上に提示されたレポートに基づいて、患者にレンズタイプを推奨及び／又は処方することができる。ＥＣＰデバイス上で適合性レポートを提示した後、予測マネージャは、ユーザインターフェースアプリケーション１３２上にフィードバックインターフェースを提示してもよく、それによって、ＥＣＰは、レンズタイプを患者に処方した結果に関連する情報を提供することができる。例えば、ＥＣＰは、所定のトライアル期間にレンズタイプを使用した後、患者の快適性レベル、視力品質レベルなどのようなフィードバックインターフェース情報を提供することができる。ＥＣＰはまた、患者に適合されたレンズの数、及び／又はレンズタイプが処方された後の患者によるフォローアップ訪問の数などの情報を提供することができる。予測マネージャ２０２は、フィードバックインターフェースを介して、患者にレンズタイプを処方することに関連するフィードバック情報を受信することができる。予測マネージャ２０２は、フィードバック情報及び患者の属性を使用して、レンズ適合性モデル２１２を更新（例えば、訓練）することができる。
予測マネージャ２０２は、異なるＥＣＰの患者に対する適合性レポートを提供し、異なるＥＣＰデバイス（例えば、ＥＣＰデバイス１３０～１５０）を介して対応するフィードバックデータを受信することができる。いくつかの実施形態の予測マネージャ２０２は、実績評価モジュール２０６を使用して、各ＥＣＰの実績を評価することができる。例えば、実績は、患者にレンズタイプを処方する比率、患者に適合されるレンズの数、及び／又は患者にレンズタイプを処方した後のフォローアップ訪問の数に基づき得る。いくつかの実施形態では、予測マネージャ２０２は、ユーザインターフェースを介してＥＣＰに実績評価レポートを提示することができる。更に、レポート生成モジュール２０４は、他のＥＣＰの実績に対するＥＣＰの実績に基づいて、各ＥＣＰに対する適合性レポートの構成を調整することができる（例えば、適合性インデックスに対応する適合性スコアの範囲を変更する）。
図３は、本開示の一実施形態による、患者に対するレンズタイプの適合性を判定するためのプロセス３００を示している。いくつかの実施形態では、プロセス３００は、レンズ選択プラットフォーム１０２の予測エンジン１０６によって実行され得る。プロセス３００は、（ステップ３５０において）ＥＣＰデバイスから適合性要求を受信し、（ステップ３１０において）患者に関連する属性を取得することによって開始する。例えば、予測マネージャ２０２が、ＥＣＰデバイス１３０のユーザインターフェースアプリケーション１３２を介して、ＥＣＰ１７０が適合性要求を提出したいという指示を受信すると、予測マネージャ２０２は、インターフェースアプリケーション１３２上に表示すべき入力インターフェースを提供することができる。入力インターフェースは、ＥＣＰ１７０が適合性要求に関連する情報を提供することを可能にする複数の入力フィールドを含み得る。入力フィールドは、年齢、目の乾燥度、コンピュータの使用の長さ及び頻度、ユーザの好み（例えば、患者が通常の眼鏡をどれだけ快適に使用しているかなど）、そのレンズタイプ（例えば多焦点コンタクトレンズなど）を使用するユーザの動機、ユーザの腕の長さ（これはユーザの読み取り距離を示す）、患者に赤目問題があるかどうか、現在の処方データ、瞳孔径などの目の測定値などの患者属性の患者に対して、ＥＣＰ１７０が推奨及び／又は処方するかどうかを判定したいレンズタイプなどの情報に対応し得る。
図４Ａは、本開示の一実施形態による、例示的な入力インターフェース４００を示している。示されるように、入力インターフェース４００は、ＥＣＰ１７０の識別情報を示す入力フィールド４０２を含む。識別情報は、ＥＣＰ１７０に関連するＥＣＰ識別子、ＥＣＰデバイス１３０に関連するデバイス識別子、又はＥＣＰ１７０を他のＥＣＰから区別し得る任意の他のタイプの識別子によって表すことができる。この実施例では、「１４７１」の識別子が、入力フィールド４０２上に表示されている。識別子は、ＥＣＰデバイス１３０（例えば、ＥＣＰデバイス１３０上に記憶されたクッキー又はレジストリなど）から、ユーザインターフェースによって自動的に検索され得る。入力インターフェース４００はまた、患者の年齢を表すフィールド４０４を含む。入力インターフェース４００はまた、球面データ、円柱データ、及びレンズ度数データなどの、現在の処方データを表すフィールド４０６～４１０を含む。入力インターフェース４００はまた、毎日のデジタルデバイスの使用、毎日のコンピュータの使用、患者がそのレンズタイプ（例えば、多焦点コンタクトレンズなど）に初めてであるかどうか、及び好ましい読み取り距離などの、患者のライフスタイルデータを表すフィールド４１２～４１８を含む。入力インターフェース４００はまた、患者が充血及び明所視瞳孔直径を有するかどうかなどの、患者の生体測定情報を表すフィールド４２０及び４２２を含む。ＥＣＰ１７０は、フィールド４０２～４２２上に、患者の対応する情報を入力することができる。
いくつかの実施形態では、異なるＥＣＰが、患者にレンズタイプを推奨及び／又は処方する際に、患者の特定の属性を強調して患者の他の属性を強調しない場合があるため、ＥＣＰは、属性のセットから、患者のレンズタイプの適合性を判定するための属性のサブセットを選択することができる。予測エンジン１０６は、データベース１０４などのデータベースに各ＥＣＰの好みデータを記憶することができる。このように、予測エンジン１０６は、ＥＣＰの好みに従って、（例えば、ＥＣＰ識別子に基づいて）ＥＣＰ用の入力インターフェース４００を構成することができる。例えば、ＥＣＰが適合性要求を提出したいという指示を受信すると、ＥＣＰ（例えば、ＥＣＰ１７０）の識別情報に基づいて、予測エンジン１０６は、ＥＣＰによって選択された属性のサブセットに対応する入力フィールドのみを提示するように入力インターフェース４００を構成することができる。
いくつかの実施形態では、ＥＣＰデバイス（例えば、ＥＣＰデバイス１３０）は、ＥＣＰのオフィス内の１つ以上の生体測定機器と通信可能に結合することができる。生体測定機器が（ＥＣＰ１７０によって）患者の生体測定情報（例えば、瞳孔径など）を判定するために使用されると、生体測定機器は、ＥＣＰ１７０が生体測定情報を生体測定機器から入力インターフェース４００に手動で転送することを必要とすることなく、生体測定情報を入力インターフェース４００に自動的に提供する（例えば、入力インターフェース４００上の入力フィールドのいくつかを事前入力する）ことができる。ＥＣＰ１７０は、適合性要求ボタン４２４を選択することによって、入力インターフェース４００上に提供される情報を使用する適合性要求を提出することができる。適合性要求ボタン４２４の選択を受信すると、入力インターフェース４００は、入力フィールドから取得された情報を予測エンジン１０６に自動的に送信することができる。
いくつかの実施形態では、レンズ選択プラットフォーム１０２及び／又はＥＣＰデバイス（例えば、ＥＣＰデバイス１３０）は、ＥＣＰ１７０のＥＣＰオフィスに関連する視力シミュレータ（例えば、視力シミュレータ１６０）と通信可能に結合され得る。視力シミュレータ１６０は、患者に対するレンズタイプを着用及び／又は使用するシミュレーションを提供することができる。例えば、視力シミュレータ１６０は、１つ以上の環境下（例えば、昼間の運転、夜間の運転、読書、コンピュータ、モバイルデバイスなどの電子デバイスの使用時など）でそのレンズタイプを使用する際に患者が有し得るシミュレートされた視力を患者に提供するウェアラブルデバイス（例えば、ヘッドギア、一対のゴーグルなど）を含むことができる。いくつかの実施形態では、視力シミュレータ１６０は、シミュレーションに基づいて、患者からフィードバック（例えば、視力品質、快適性レベルなど）を取得するように構成されてもよい。例えば、視力シミュレータ１６０は、シミュレーションの様々な部分の間（例えば、異なる環境シミュレーションの間）にフィードバックを患者に促すように構成されてもよく、それによって、患者は、異なるシミュレートされた環境に対してフィードバックを提供することができる。いくつかの実施形態では、モデル構成モジュール２０８は、他の属性に加えて、入力として患者からのフィードバックを受信し、視力シミュレーションへの患者のフィードバック並びに属性に基づいて、患者の出力（例えば、適合性スコア）を判定するようにレンズ適合性モデル２１２を構成することができる。いくつかの実施形態では、視力シミュレータ１６０はまた、シミュレーション中に患者に関連する生体測定データ（例えば、目の動き、まばたきの頻度、目の充血、眉をひそめる、目を細めるなどの顔の表情、心拍数、涙など）を検出及び／又は追跡するための１つ以上のセンサ（例えば、カメラ、心拍数モニタ、湿度センサなど）を含み得、検出された生体測定データを予測エンジン１０６に提供するように構成することができる。したがって、モデル構成モジュール２０８はまた、視力シミュレータ１６０から取得された生体測定データを入力値として受信し、生体測定データ及び患者の他の属性に基づいて出力を判定するように、レンズ適合性モデル２１２を構成することができる。
次いで、プロセス３００は、（ステップ３２０において）ＥＣＰに関連する実績メトリックを取得する。例えば、実績評価モジュール２０６は、ＥＣＰの実績の他のＥＣＰの実績に対する比較に基づいて、ＥＣＰに関連する実績メトリックを生成することができる。図５は、ＥＣＰの実績メトリックを生成するためのプロセス５００を示している。いくつかの実施形態では、プロセス５００は、実績評価モジュール２０６、及び／又は予測エンジン１０６のモデル構成モデル２０８によって実行されてもよい。プロセス５００は、（ステップ５０５において）異なるＥＣＰの患者に関連する患者属性及び結果データを取得することによって開始する。例えば、実績評価モジュール２０６は、診断訓練データソース１１０から検索された、患者の属性及び結果を含む患者記録を取得することができる。いくつかの実施形態では、各患者の記録には、年齢、目の乾燥度、コンピュータ使用の長さ及び頻度、ユーザの好み（例えば、患者が通常の眼鏡をどれだけ快適に使用しているかなど）、ユーザの腕の長さ（これはユーザの読み取り距離を示す）、患者に赤目問題があるかどうか、現在の処方データ、瞳孔径などの目の測定値、患者が実際にレンズタイプ（多焦点コンタクトレンズなど）で処方されたかどうか、及び患者が実際にレンズタイプで処方された場合の、患者がレンズタイプで処方された後の処方の品質（例えば、快適度レベル、視力品質レベル、患者に適合されたレンズの数、フォローアップ訪問の数など）を示し得る患者の結果、などのレンズタイプに関連する視力矯正を求める対応する患者（例えば、老眼視力矯正を求める患者など）の属性が含まれ得る。
いくつかの実施形態では、予測エンジン１０６が（例えば、適合性スコア及び／又は適合性インデックスなどの形態で）推奨をＥＣＰに提供した後、予測エンジン１０６は、患者の進展及び／又は結果を追跡することができる。例えば、予測エンジン１０６は、ＥＣＰが実際に患者にレンズタイプを処方したかどうかを示す情報をＥＣＰから取得することができ、ＥＣＰがレンズタイプを患者に処方した場合、予測エンジン１０６は、患者に適合されたレンズの数、患者によるフォローアップ訪問の数、レンズタイプの患者に対する快適性レベル、レンズタイプを使用した後の患者の視力品質（例えば、全体的な視力品質、遠方視力品質、中間視力品質など）、患者が所定の期間（例えば、６ヶ月）後もそのレンズタイプを着用しているかどうかなどの結果データを取得することができる。予測エンジン１０６は、患者の属性及び結果データに基づいて１０４を更新することができる。
次いで、プロセスは、（ステップ５１０において）患者の属性及び結果データを使用して、機械学習モデルを訓練する。いくつかの実施形態では、予測エンジン１０６は、一般的な機械学習モデル（例えば、レンズ適合性モデル２１２）を使用して、患者とレンズタイプとの間の適合性を判定及び／又は予測することができる（例えば、同じ機械学習モデルを使用して全てのＥＣＰの予測を実行する）。したがって、モデル構成モジュール２０８は、取得された属性及び結果データに基づいて、一般的なモデル（例えば、レンズ適合性モデル２１２）を訓練することができる。しかしながら、本明細書で論じられるように、異なるＥＣＰは、患者にレンズタイプを推奨及び／又は処方する際に、患者の特定の属性を強調し、患者の他の属性を強調しない場合がある。いくつかの実施形態の予測エンジン１０６は、入力インターフェース４００をそのＥＣＰ用にカスタマイズして、選択された属性のサブセットのみに対応する情報を促して取得することができるように、ＥＣＰが属性のセットから患者用のレンズタイプの適合性を判定するための属性のサブセットを選択することを可能にすることができる。このように、いくつかの実施形態のモデル構成モジュール２０８は、ＥＣＰ用にカスタマイズされた（例えば、レンズ適合性モデル２１２がカスタマイズされたモデルである）機械学習モデルを構成することができ、それによって、ＥＣＰ１７０用にカスタマイズされたレンズ適合性モデル２１２は、患者とレンズタイプとの間の適合性を判定及び／又は予測するための入力データとして、ＥＣＰ１７０によって選択された属性のサブセットのみを採用するように構成される。
更に、予測エンジン１０６の異なる実施形態では、レンズ適合性モデル２１２を異なるように構成して、患者の適合性の異なる様相を表す適合性スコアを生成することができる。例えば、いくつかの実施形態では、適合性スコアは、レンズを着用しているときの患者の予測される快適さのレベルを表すことができる。別の実施形態では、適合性スコアは、患者の予測される視力品質を表すことができる。更に別の実施形態では、適合性スコアは、患者に適合されたレンズの予測数、及び／又は患者が必要とするフォローアップ訪問の予測数を表すことができる。更に別の実施形態では、適合性スコアは、上述の要因の任意の組み合わせを表すことができる。レンズ適合性モデル２１２を訓練するプロセスは、図７を参照することにより、以下で更に詳細に説明される。
次いで、プロセス５００は、（ステップ５１５において）異なるＥＣＰに関連する実績情報を判定する。例えば、実績評価モジュール２０６は、ＥＣＰの患者に関連する取得された属性及び結果データに基づいて、ＥＣＰに関連する実績情報を判定することができる。いくつかの実施形態では、実績評価モジュール２０６によって判定される実績情報は、そのレンズタイプを用いて処方された患者の比率又はパーセンテージを含み得る。例えば、実績評価モジュール２０６は、レンズタイプに関連する視力矯正を求めるＥＣＰに関連する患者の総数のうち、ＥＣＰによってレンズタイプを処方された患者の数を判定することができる。実績評価モジュール２０６はまた、それぞれが特定の推奨（例えば、特定の適合性インデックス）に対応する複数の比率又はパーセンテージを判定することができる。したがって、実績評価モジュール２０６は、各適合性インデックス（例えば、強く推奨されるに対応する適合性インデックス、推奨されるに対応する適合性インデックス、推奨されないに対応する適合性インデックスなど）に対して、レンズタイプを処方された（適合性インデックスが判定された）患者の比率又はパーセンテージを判定することができる。
実績情報にはまた、レンズタイプを処方された患者に対して、患者に適合されたレンズの数、フォローアップ訪問の数、快適性品質、視力品質などを含む結果データが含まれ得る。次いで、プロセスは、（ステップ５２０において）特定のＥＣＰの実績情報を他のＥＣＰの実績情報と比較し、（ステップ５２５において）比較に基づいて特定のＥＣＰの実績メトリックを生成する。例えば、実績評価モジュール２０６は、ＥＣＰ１７０の実績情報を他のＥＣＰの実績情報と比較し、ＥＣＰ１７０の実績メトリックを生成することができる。いくつかの実施形態では、実績評価モジュール２０６は、１つ以上の基準に基づいてＥＣＰをランキングすることができ、この実績メトリックは、他のＥＣＰに関するＥＣＰ１７０のランキングを含んでもよい。実績評価モジュール２０６は、異なる基準に対しても同様にＥＣＰをランキングすることができる。このように、実績評価モジュール２０６は、レンズタイプで処方された患者の比率に基づいて、ＥＣＰ用の第１のランキングを生成し得、患者の快適性レベルに基づいてＥＣＰ用の第２のランキングを生成し得、患者の視力品質に基づいてＥＣＰ用の第３のランキングを生成し得、患者に適合されたレンズの数及び／又はフォローアップ訪問の数に基づいてＥＣＰ用の第４のランキングなどを生成することができる。いくつかの実施形態では、実績情報はまた、ＥＣＰ（例えば、ＥＣＰ１７０）の実績が経時的にどのように変化する（例えば、改善する）かを示し得る。例えば、実績情報は、ＥＣＰ１７０の患者の快適性品質及び／又は視力品質が一定期間にわたって改善されたことを示し得る。実績情報はまた、患者に適合されたレンズの数、及び／又はＥＣＰ１７０の患者によって必要とされるフォローアップ訪問の数が、その期間にわたって減少したことを示し得る。
図３を再度参照すると、プロセスは、（ステップ３２５において）機械学習モデルを使用することによって、患者とレンズタイプとの間の適合性を判定する。例えば、予測マネージャ２０２は、（図５のステップ５１０において訓練されている）レンズ適合性モデル２１２を使用して、レンズタイプと患者との間の適合性を判定することができる。例えば、レンズ適合性モデル２１２は、ユーザインターフェース４００を介して受信された患者の属性に基づいて、患者がレンズタイプの良好な候補である可能性（例えば、適合性スコア）を示す出力を提供するように構成され得る。
次いで、プロセスは、（ステップ３３０において）ＥＣＰの判定された適合性を示すカスタマイズされたレポートを生成し、このレポートは、ＥＣＰの実績メトリックに基づいてカスタマイズされる。いくつかの実施形態では、予測エンジン１０６のレポート生成モジュール２０４は、レンズ適合性モデル２１２によって生成された出力に基づいて、ＥＣＰデバイス１３０上に表示されるインターフェース（例えば、レポートインターフェース）に関する適合性レポートを提供してもよい。図４Ｂは、レポート生成モジュール２０４によって生成されたレポートインターフェース４３０の例示的な実装形態を示している。この実施例では、レポートインターフェース４３０は、レンズ適合性モデル２１２によって判定された適合性スコア４３２（例えば、９０％）を含む。本明細書で論じられるように、適合性スコア４３２は、患者がレンズタイプの良好な候補である可能性を示している。レンズ適合性モデル２１２は、（ステップ５１０において）（要求を提出したＥＣＰ１７０を含み得る、又は含み得ない）複数のＥＣＰの患者データを使用して訓練されたため、要求を提出したＥＣＰ１７０は、ここで、レンズタイプが過去のＥＣＰ１７０の患者にどのように適合したかだけでなく、レンズタイプが他のＥＣＰの患者にどのように適合することになるかに基づいて、患者の適合性情報を取得することができる。異なるＥＣＰから患者の大きなサンプルサイズにアクセスできる予測エンジン１０６の能力は、患者の適合性の精度が改善されることを意味する。更に、（要求を提出した）ＥＣＰ１７０には、予測エンジン１０６によって生成された適合性レポートのみが提供され、且つレンズ適合性モデル２１２を訓練するために使用される患者記録は提供されない（ＥＣＰ１７０はデータベース１０４に記憶された患者記録にアクセスできない）ため、患者のプライバシーが保護され得る。
しかしながら、ＥＣＰ１７０が、適合性スコアを患者にレンズタイプを処方するための実際の推奨に変換することは難しい場合がある。そのように、ＥＣＰ１７０の推奨及び／又は処方においてＥＣＰ１７０を支援するために、いくつかの実施形態の予測マネージャ２０２は、適合性スコアに対して追加のデータ（例えば、意味）を導出することができる。例えば、予測マネージャ２０２は、患者にレンズタイプを処方するための異なる推奨を表す複数の適合性インデックスを判定することができる。特定の、しかし非限定的な例では、予測マネージャ２０２は、強く推奨される、推奨される、及び推奨されないことをそれぞれ表す、３つの異なる適合性インデックスを判定することができる。他の実施形態では、適合性スコアを分類するために、異なる適合性インデックスを使用することができる。適合性インデックスは、適合性スコアの異なる非重複範囲に関連付けられ得る。例えば、適合性スコアがレンズ適合性モデル２１２によって１～１００のスケールで生成される場合、７１～１００の第１の範囲は、強く推奨されることを表す第１の適合性インデックスに対応し得、４１～７０の第２の範囲は、推奨されることを表す第２の適合性インデックスに対応し得、１～４０の第３の範囲は、推奨されないことを表す第３の適合性インデックスに対応し得る。いくつかの実施形態では、範囲は、ＥＣＰの以前の患者にレンズタイプを処方することの特定の結果に基づいて判定されてもよい。一実施例では、予測マネージャ２０２は、追加のレンズフィッティング及び／又はＥＣＰによるフォローアップ訪問が全く必要なかったこの範囲内の適合性スコアを有するレンズタイプで処方された患者の所定のパーセンテージ（例えば、９０％又は他の任意の所定のパーセンテージ）に基づいて、７１～１００の適合性スコアを含むように第１の範囲を判定することができる。予測マネージャ２０２は、追加のレンズフィッティングが１回、及び／又はＥＣＰによるフォローアップ訪問が１回のみ必要だったこの範囲内の適合性スコアを有するレンズタイプで処方された患者の所定のパーセンテージ（例えば、９０％又は他の任意の所定のパーセンテージ）に基づいて、４１～７０の適合性スコアを含むように第２の範囲を判定することができる。次いで、予測エンジン２０２は、適合性スコアがどの範囲に当てはまるかに基づいて、患者の適合性インデックスを判定することができる。
このように、いくつかの実施形態では、レポート生成モジュール２０４は、適合性スコアの代わりに、又は適合性スコアに加えて、ＥＣＰが患者にレンズタイプを推奨及び／又は処方するのを支援するために、レポートインターフェース４３０を提示するように構成することができる。いくつかの実施形態では、予測エンジン１０６は、全てのＥＣＰ用の適合性インデックスに対して、同じ適合性スコア範囲を使用することができる。しかしながら、ＥＣＰが異なれば、自身の患者にレンズを推奨又は処方する方法での好みも異なる場合がある。特定のシナリオでは、好みの違いは、ＥＣＰがサービスを提供する患者の人口統計、ＥＣＰが位置する地理的領域、又はＥＣＰ自身の個人的な好み（例えば、患者にレンズタイプを処方する際にＥＣＰがどれだけ積極的／保守的であるか）に起因し得る。レンズ適合性モデル２１２は、様々なＥＣＰの患者の履歴データを使用して訓練され、モデル２１２は１つのＥＣＰを別のＥＣＰと区別しないため、レンズ適合性モデル２１２の出力（例えば、適合性スコア）は、全ての患者に一般的であり、１つのＥＣＰ（例えばＥＣＰ１７０）の患者に固有ではない場合がある。したがって、いくつかの実施形態では、予測エンジン１０６は、異なるＥＣＰの異なる適合性インデックスに対応する異なる範囲を判定することができる。例えば、予測マネージャ２０２は、ＥＣＰ１７０の場合、第１の適合性インデックス（例えば、強く推奨される）が８１～１００の範囲に対応し、第２の適合性インデックス（例えば、推奨される）が５１～８０の範囲に対応し、第３の適合性インデックス（例えば、推奨される）が１～５０の範囲に対応する、と判定することができる。例えば、レンズ適合性システムは、第２のＥＣＰの場合、第１の適合性インデックス（例えば、強く推奨される）が６１～１００の範囲に対応し、第２の適合性インデックス（例えば、推奨される）が３１～６０の範囲に対応し、第３の適合性インデックス（例えば、推奨される）が１～３０の範囲に対応する、と判定することができる。
異なる範囲は、ＥＣＰの地理的領域、ＥＣＰの患者の人口統計、又は他のＥＣＰ（例えば、ＥＣＰのピア）の実績に対するＥＣＰ（例えばＥＣＰ１７０）の推奨／処方実績など、様々な要因に基づいて、異なるＥＣＰに対して判定することができる。したがって、いくつかの実施形態では、予測マネージャ２０２は、ＥＣＰの推奨／処方実績に基づいて、他のＥＣＰの位置と比較して、要求を提出したＥＣＰ１７０の位置を判定することができる。例えば、予測マネージャ２０２は、（ＥＣＰ１７０を含む）異なるＥＣＰに関連する（ステップ３２０において判定された）実績メトリックを使用して、異なる適合性インデックスに対する異なる範囲を判定することができる。本明細書で検討されるように、ＥＣＰ１７０に関連する実績メトリックは、レンズタイプで処方された患者の比率又はパーセンテージ、レンズタイプを求めた患者に適合されたレンズの数、レンズタイプで処方された患者からのフォローアップ訪問の数、レンズタイプで処方された患者の快適性品質レベル、レンズタイプで処方された患者の視力品質レベル、及び本明細書に記載されるその他のものを含み得る。実績メトリックはまた、これらの実績メトリックに基づく他のＥＣＰに対するＥＣＰ１７０のランキングを含み得る。次いで、予測マネージャ２０２は、実績メトリック及び／又はＥＣＰ１７０のランキングに基づいて、異なる適合性インデックスの異なる範囲を判定することができる。特定の非限定的な例では、予測マネージャ２０２が、ＥＣＰ１７０が他のＥＣＰと比較して平均比率よりも低い比率（その実績基準に対してより低いランキング）を有すると判定した場合、予測マネージャ２０２は、第１の（及び／又は第２の）適合性インデックス（それぞれ、強く推奨される、及び推奨されることを表す）に対応する範囲を拡大することができ、逆もまた同様である。別の例では、予測マネージャ２０２が、ＥＣＰ１７０が（その実績基準に対してより低いランキングの）他のＥＣＰと比較して、患者に適合されるレンズの数がより少ない、及び／又はフォローアップ訪問の数がより少ないと判定した場合、レンズ適合性システムは、第１の（及び／又は第２の）適合性インデックス（それぞれ、強く推奨される、及び推奨されることを表す）に対応する範囲を拡大することができ、逆もまた同様である。
図４Ｂに示されるように、レポートインターフェース４３０は、ＥＣＰ１７０の患者に対して判定された適合性インデックスのグラフィック表現４３４を含む。この実施例では、グラフィック表現４３４は、３つのセクション４３６、４３８、及び４４０に分割されたゲージの形態で実装されている。セクション４３６～４４０のそれぞれは、予測エンジン１０６によって判定された別個の適合性インデックスに対応する。例えば、セクション４３６は、「推奨されない」推奨を表す第３の適合性インデックスに対応し、セクション４３８は、「推奨される」推奨を表す第２の適合性インデックスに対応し、セクション４４０は、「強く推奨される」推奨を表す第１の適合性インデックスに対応する。９０％の適合性スコアが第１の適合性インデックスに対応するスコア範囲（８１～１００）内にあるため、グラフィック表現４３４は、「強く推奨される」推奨に対応するゲージのセクション４４０を指すインジケータ４４２を含む。
適合性スコア及び適合性インデックスに加えて、いくつかの実施形態のレポート生成モジュール２０４は、ＥＣＰ１７０が患者に推奨及び／又は処方を提供するのを支援し得る他の分析情報を含むように、レポートインターフェース４３０を構成することができる。分析情報は、（ＥＣＰ１７０を含み得る、又は含み得ない）異なるＥＣＰの以前の患者に対して判定された適合性スコア及び／又は適合性インデックスに基づいて判定され得る。例えば、予測マネージャ２０２は、第１の適合性インデックスが割り当てられた患者の数、第２の適合性インデックスが割り当てられた患者の数、及び第３の適合性インデックスが割り当てられた患者の数を判定することができる。図４Ｂに示されるように、レポートインターフェース４３０は、３つの適合性インデックスにおける患者の分布を示す表現（例えば、グラフ４４４）を含むように、レポート生成モジュール２０４によって構成され得る。
適合性レポートがレポートインターフェース４３０を介してＥＣＰ１７０に提示された後、ＥＣＰ１７０は、適合性レポートに基づいて、患者にレンズタイプを推奨及び／又は処方するかどうかを判定することができる。いくつかの実施形態では、適合性レポートをＥＣＰ１７０に提供した後、予測マネージャ２０２は、患者に関する結果フィードバックを取得するために、ＥＣＰ１７０に対するフィードバックインターフェースを生成及び提供することができる。例えば、フィードバックインターフェースを介して、ＥＣＰ１７０は、ＥＣＰ１７０が患者にレンズタイプを推奨及び／又は処方したかどうかを予測エンジン１０６に示すことができる。更に、ＥＣＰ１７０が、ＥＣＰ１７０が患者にレンズタイプを推奨及び／又は処方したことを示す場合、ＥＣＰ１７０はまた、処方の結果を表すフィードバック情報を提供することができる。例えば、ＥＣＰ１７０は、レンズタイプの推奨及び／又は処方に続いて、患者に対して実際に適合されたレンズの数、及び／又は患者によって実際に行われたフォローアップ訪問の数を示し得る。ＥＣＰ１７０はまた、レンズタイプを使用する際の患者の快適性レベル及び視力品質を（例えば、評価及び／又は調査を介して）示すことができる。
図４Ｃは、本開示の一実施形態による、フィードバックインターフェース４５０の例示的な実装形態を示している。示されるように、フィードバックインターフェース４５０は、患者の識別情報を示す入力フィールド４５２を含む。適合性要求が入力インターフェース４００を介して予測エンジン１０６に提出されると、患者に対する識別情報が生成され得る。この実施例では、入力フィールド４５２には、患者識別子「１４９２」が含まれている。フィードバックインターフェース４５０はまた、患者に適合されたレンズの数、及び／又は患者によるフォローアップ訪問の数に対応するフィールド４５４を含む。フィードバックインターフェース４５０はまた、遠方視力品質４５６、近方視力品質４５８、中間視力品質４６０、及び全体視力品質４６２を含む、視力品質を表すフィールド４５６～４６２を含む。更に、フィードバックインターフェース４５０はまた、患者がそのレンズタイプを購入するつもりであるかどうかを表すフィールド４６４を含む。したがって、ＥＣＰ１７０は、患者にレンズタイプを推奨及び／又は処方する結果に関して、フィールド４５４～４６４に対応する情報を提供することができる。フィードバックインターフェース４５０を介してＥＣＰデバイス１３０からフィードバック情報を受信すると、予測エンジン１０６は、（入力インターフェース４００及び視力シミュレータ１６０を介して取得される）患者の属性、及び（フィードバックインターフェース４５０を介して取得される）フィードバック情報に基づいて、データベース１０６を更新することができる。例えば、予測エンジン１０６は、患者の属性及びフィードバック情報に基づいて新しい患者記録を生成することができ、新しい患者記録をデータベース１０４に追加することができる。いくつかの実施形態では、モデル構成モジュール２０８は、更新されたデータベース１０４を使用して、レンズ適合性モデル２１２を訓練（又は再訓練）することができ、それによって、レンズ適合性モデル２１２は、新しいケース（例えば、新しい患者記録）に基づいて、継続的に修正及び／又は更新することができる。いくつかの実施形態では、実績評価モジュール２０６はまた、更新されたデータベース１０４を使用して、ＥＣＰ１７０及び／又は他のＥＣＰに対する更新された実績メトリックを判定することができる。
更に、予測マネージャ２０２は、レンズタイプを処方された他の患者に関して、患者に関する実績情報をＥＣＰ１７０に提供することができる。図４Ｄは、レンズタイプで処方された他の患者に関して、ＥＣＰ１７０の患者の実績を表す実績インターフェース４７０を示している。例えば、実績インターフェース４７０は、患者の全体的な視力品質が他の患者間のどこに位置するかを表すヒストグラム４７２、患者の遠方視力品質が他の患者間のどこに位置するかを表すヒストグラム４７４、及び患者の中間視力品質が他の患者間のどこに位置するかを表すヒストグラム４７６を含む。これらの実績基準（又は他の実績基準）を表す他のグラフ又は表現もまた、実績インターフェース４７０に含まれ得る。
図４Ｅは、予測マネージャ２０２によって提供され得る他のＥＣＰに対して、ＥＣＰ１７０に関する実績情報を提示する別の実績インターフェース４８０の例示的な実装形態を示している。図示されるように、実績インターフェース４８０は、他のＥＣＰに対するレンズタイプで処方されている患者の比率に関してＥＣＰ１７０がどこに位置するかを表す実績ヒストグラム４８２を含む。実績インターフェース４８０はまた、一定期間にわたってＥＣＰ１７０によって処方されるレンズタイプの数の傾向を表すグラフ４８４を含む。
上述の説明は、コンタクトレンズ、より具体的には多焦点コンタクトレンズの例を使用して適合性を判定するプロセスを説明しているが、本明細書に記載されるＥＣＰのカスタマイズされた適合性を判定するプロセスは、他のコンタクトレンズのタイプなどの他のレンズの適合性を判定するために使用され得ることが想定されている。
図６Ａ及び図６Ｂは、いくつかの実施形態による処理システムの図である。図６Ａ及び４６Ｂには２つの実施形態が示されているが、当業者であればまた、他のシステムの実施形態も可能であることを容易に理解するであろう。いくつかの実施形態によれば、図６Ａ及び／又は６Ｂの処理システムは、レンズ選択プラットフォーム１０２、ＥＣＰデバイス１３０、１４０、及び１５０、診断訓練データソース１１０、視力シミュレータ１６０などのうちの１つ以上に含まれ得るコンピューティングシステムを代表している。
図６Ａは、システム６００の構成要素がバス６０５を使用して互いに電気通信しているコンピューティングシステム６００を示している。システム６００は、プロセッサ６１０と、読み出し専用メモリ（ＲＯＭ）６２０、ランダムアクセスメモリ（ＲＡＭ）６２５などの形態のメモリ（例えば、ＰＲＯＭ、ＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、及び／又は他のメモリチップ若しくはカートリッジ）を含む様々なシステム構成要素をプロセッサ６１０に結合するシステムバス６０５と、を含む。システム６００は更に、プロセッサ６１０に直接接続されるか、近接しているか、又はプロセッサ６１０の一部として統合されている、高速メモリのキャッシュ６１２を含み得る。システム６００は、プロセッサ６１０による高速アクセスのために、キャッシュ６１２を介してＲＯＭ６２０、ＲＡＭ６２５、及び／又は１つ以上の記憶デバイス６３０に記憶されたデータにアクセスすることができる。いくつかの実施例では、キャッシュ６１２は、メモリ６１５、ＲＯＭ６２０、ＲＡＭ６２５、及び／又はキャッシュ６１２に以前に記憶された１つ以上の記憶デバイス６３０からのデータにプロセッサ６１０がアクセスする際の遅延を回避する実績ブーストを提供してもよい。いくつかの実施例では、１つ以上の記憶デバイス６３０は、１つ以上のソフトウェアモジュール（例えば、ソフトウェアモジュール６３２、６３４、６３６など）を記憶する。ソフトウェアモジュール４６２、６３４、及び／又は６３６は、方法３００及び／又は５００のプロセスなどの様々なアクションを実行するために、プロセッサ６１０を制御し、及び／又は制御するように構成されてもよい。また、システム６００は１つのプロセッサ６１０のみを示しているが、プロセッサ６１０は、１つ以上の中央処理装置（ＣＰＵ）、マルチコアプロセッサ、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ（ＤＳＰ）、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）、グラフィックス処理ユニット（ＧＰＵ）、テンソル処理ユニット（ＴＰＵ）などを代表し得ることが理解されよう。いくつかの実施例では、システム４００は、スタンドアロンサブシステムとして、及び／又はコンピューティングデバイスに追加されたボードとして、若しくは仮想マシンとして実装されてもよい。
ユーザがシステム６００と対話するのを可能にするために、システム６００は、１つ以上の通信インターフェース６４０及び／又は１つ以上の入出力（Ｉ／Ｏ）デバイス６４５を含む。いくつかの実施例では、１つ以上の通信インターフェース６４０は、１つ以上のネットワーク及び／又は通信バス規格に従って通信を提供するために、１つ以上のネットワークインターフェース、ネットワークインターフェースカードなどを含み得る。いくつかの実施例では、１つ以上の通信インターフェース４４０は、ネットワーク１１５などのネットワークを介してシステム６００と通信するためのインターフェースを含み得る。いくつかの実施例では、１つ以上のＩ／Ｏデバイス６４５には、１つ以上のユーザインターフェースデバイス（例えば、キーボード、ポインティング／選択デバイス（例えば、マウス、タッチパッド、スクロールホイール、トラックボール、タッチスクリーンなど））、オーディオデバイス（例えば、マイクロフォン及び／又はスピーカ）、センサ、アクチュエータ、ディスプレイデバイスなどを含み得る。
１つ以上の記憶デバイス６３０のそれぞれは、ハードディスク、光学媒体、ソリッドステートドライブなどによって提供されるもののような、非一時的及び不揮発性記憶装置を含み得る。いくつかの実施例では、１つ以上の記憶デバイス６３０のそれぞれは、システム６００（例えば、ローカル記憶デバイス）と同じ場所に配置され、及び／又はシステム６００から離れて配置され得る（例えば、クラウド記憶デバイス）。
図６Ｂは、本明細書に記載される方法（例えば、方法３００及び／又は５１０）のいずれかを実行する際に使用され得るチップセットアーキテクチャに基づくコンピューティングシステム６５０を示している。システム６５０は、ソフトウェア、ファームウェア、及び／又は１つ以上のＣＰＵ、マルチコアプロセッサ、マイクロプロセッサ、マイクロコントローラ、ＤＳＰ、ＦＰＧＡ、ＡＳＩＣ、ＧＰＵ、ＴＰＵなどの他の計算を実行することができる、任意の数の物理的及び／又は論理的に別個のリソースを代表するプロセッサ６５５を含み得る。示されるように、プロセッサ６５５は、１つ以上のＣＰＵ、マルチコアプロセッサ、マイクロプロセッサ、マイクロコントローラ、ＤＳＰ、ＦＰＧＡ、ＡＳＩＣ、ＧＰＵ、ＴＰＵ、コプロセッサ、コーダ－デコーダ（ＣＯＤＥＣ）なども含む、１つ以上のチップセット６６０によって支援される。示されるように、１つ以上のチップセット６６０は、１つ以上のＩ／Ｏデバイス６６５、１つ以上の記憶デバイス６７０、メモリ６７５、ブリッジ６８０、及び／又は１つ以上の通信インターフェース６９０のうちの１つ以上と共に、プロセッサ６５５とインターフェースする。いくつかの実施例では、１つ以上のＩ／Ｏデバイス６６５、１つ以上の記憶デバイス６７０、メモリ、及び／又は１つ以上の通信インターフェース６９０は、図６Ａ及びシステム６００の同様に名付けられた対応物に対応し得る。
いくつかの実施例では、ブリッジ６８０は、１つ以上のキーボード、ポインティング／選択デバイス（例えば、マウス、タッチパッド、スクロールホイール、トラックボール、タッチスクリーンなど）、オーディオデバイス（例えば、マイク及び／又はスピーカ）、ディスプレイデバイスなどの、システム６５０に１つ以上のユーザインターフェース（ＵＩ）構成要素へのアクセスを提供するための追加のインターフェースを提供してもよい。いくつかの実施形態によれば、システム６００及び／又は６５０は、方法３００及び／又は５００のプロセスの実行の際にユーザ（例えば、外科医及び／又は他の医療関係者）を支援するのに適したグラフィックユーザインターフェース（ＧＵＩ）を提供してもよい。ＧＵＩ
図７は、いくつかの実施形態による、多層ニューラルネットワーク７００の図である。いくつかの実施形態では、ニューラルネットワーク７００は、予測エンジン１０６によって使用される機械学習モデル（レンズ適合性モデル２１２を含む）の少なくともいくつかを実装するために使用されるニューラルネットワークを表し得る。この実施例では、機械学習モデルを実装するためのニューラルネットワーク７００が本明細書に示されているが、１つ以上の機械学習モデルが、回帰モデルなどの他の機械学習技術を使用して実装されてもよい。ニューラルネットワーク７００は、入力層７２０を使用して入力データ７１０を処理する。いくつかの実施例では、入力データ７１０は、１つ以上のモデルに提供される入力データ、及び／又は１つ以上のモデルの訓練に使用される訓練プロセス（例えば、プロセス５００のステップ５１０）中に１つ以上のモデルに提供される訓練データに対応し得る。入力層７２０は、スケーリング、範囲制限などによって入力データ７１０を調整するために使用される複数のニューロンを含む。入力層７２０の各ニューロンは、隠れ層７３１の入力に供給される出力を生成する。隠れ層７３１には、入力層７２０からの出力を処理する複数のニューロンが含まれる。いくつかの実施例では、隠れ層７３１のニューロンのそれぞれが出力を生成し、次いでその出力が、隠れ層７３９で終わる１つ以上の追加の隠れ層を介して伝播される。隠れ層７３９は、以前の隠れ層からの出力を処理する複数のニューロンを含む。隠れ層７３９の出力は、出力層７４０に供給される。出力層７４０は、スケーリング、範囲制限などによって隠れ層７３９からの出力を調整するために使用される１つ以上のニューロンを含む。ニューラルネットワーク７００のアーキテクチャは代表的なものに過ぎず、１つの隠れ層のみを有するニューラルネットワーク、入力層及び／又は出力層なしのニューラルネットワーク、リカレント層を有するニューラルネットワークなどを含む、他のアーキテクチャが可能であることを理解すべきである。
いくつかの実施例では、入力層７２０、隠れ層７３１～７３９、及び／又は出力層７４０のそれぞれは、１つ以上のニューロンを含む。いくつかの実施例では、入力層７２０、隠れ層７３１～７３９、及び／又は出力層７４０のそれぞれは、同じ数又は異なる数のニューロンを含み得る。いくつかの実施例では、ニューロンのそれぞれは、以下の式１に示されるように、その入力ｘの組み合わせ（例えば、訓練可能な重み行列Ｗを使用した加重和）を取り、任意選択の訓練可能なバイアスｂを加え、活性化関数ｆを適用して、出力ａを生成する。いくつかの実施例では、活性化関数ｆは、線形活性化関数、上限及び／又は下限を有する活性化関数、対数シグモイド関数、双曲線タンジェント関数、整流線形単位関数などであり得る。いくつかの実施例では、ニューロンのそれぞれは、同じ又は異なる活性化関数を有し得る。
ａ＝ｆ（Ｗｘ＋ｂ） 式（１）
いくつかの実施例では、ニューラルネットワーク７００は、入力データとグラウンドトゥルース（例えば、予期された）出力データとの組み合わせを含む訓練データの組み合わせである、教師あり学習を使用して訓練されてもよい。入力データ７１０用の入力データを使用して生成されたニューラルネットワーク７００の出力と、グラウンドトゥルース出力データと比較したニューラルネットワーク７００によって生成された出力データ７５０との差。生成された出力データ７５０とグラウンドトゥルース出力データとの間の差は、次いで、ニューラルネットワーク７００にフィードバックされて、様々な訓練可能な重み及びバイアスを補正することができる。いくつかの実施例では、確率的勾配降下アルゴリズムなどを使用する逆伝播技術を使用して、その差をフィードバックすることができる。いくつかの実施例では、訓練データの組み合わせの多数のセットが、全体的な損失関数（例えば、各訓練の組み合わせの差に基づく平均二乗誤差）が許容レベルに収束するまで、ニューラルネットワーク７００に複数回提示され得る。
上述の実施形態による方法は、非一時的で有形の機械可読媒体に記憶される実行可能命令として実装され得る。実行可能命令は、１つ以上のプロセッサ（例えば、プロセッサ６１０及び／又はプロセッサ６５５）によって実行されると、１つ以上のプロセッサに、方法２００及び／又は２１０のプロセスのうちの１つ以上を実行させることができる。方法２００及び／又は２１０のプロセスを含み得る機械可読媒体のいくつかの一般的な形態は、例えば、フロッピー（登録商標）ディスク、フレキシブルディスク、ハードディスク、磁気テープ、任意の他の磁気媒体、ＣＤ－ＲＯＭ、任意の他の光学媒体、パンチカード、紙テープ、穴のパターンを有する任意の他の物理的媒体、ＲＡＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、任意の他のメモリチップ若しくはカートリッジ、及び／又はプロセッサ若しくはコンピュータが読み取るように適合されている任意の他の媒体である。
これらの開示による方法を実装するデバイスは、ハードウェア、ファームウェア、及び／又はソフトウェアを含むことができ、且つ様々なフォームファクタのいずれかを取ることができる。そのようなフォームファクタの典型的な例としては、ラップトップ、スマートフォン、スモールフォームファクタのパーソナルコンピュータ、携帯情報端末などが挙げられる。本明細書で記載されている機能性の一部はまた、周辺機器及び／又はアドインカードで具体化されてもよい。そのような機能性はまた、更なる例として、単一のデバイスにおいて実行される異なるチップ又は異なるプロセスの中から回路基板上に実装されてもよい。
例示的な実施形態が示され、説明されてきたが、前述の開示では広範囲の修正、変更、及び置換が想定されており、場合によっては、実施形態のいくつかの特徴は、他の特徴の対応する使用なしに利用されてもよい。当業者であれば、多くの変形、代替、及び修正を認識するであろう。したがって、本発明の範囲は、以下の特許請求の範囲によってのみ限定されるべきであり、特許請求の範囲は、本明細書に開示される実施形態の範囲と一致する方法で広く解釈されることが適切である。

Claims (20)

  1. システムであって、
    非一時的メモリと、
    前記非一時的メモリと結合され、且つ前記非一時的メモリから命令を読み取って前記システムに、
    第１のアイケア専門家（ＥＣＰ）に関連する第１のデバイスから、消費者用のコンタクトレンズを選択するための要求を受信することであって、前記要求が前記消費者に関連する生体測定情報を含む、ことと、
    前記第１のＥＣＰに関連する実績メトリックを取得することと、
    機械学習モデルを使用して、且つ前記実績メトリックに基づいて、特定のコンタクトレンズと前記第１のＥＣＰの前記消費者との間の適合性を示すカスタマイズされた適合性インデックスを判定することと、
    前記第１のデバイス上に前記適合性インデックスを示すレポートを提示することと、を含む動作を実行させるように構成された、１つ以上のハードウェアプロセッサと、を備える、システム。
  2. 前記実績メトリックが、コンタクトレンズと少なくとも第２のＥＣＰに関連する第２の消費者との間の適合性に対する、コンタクトレンズと前記第１のＥＣＰに関連する第１の消費者との間の相対的な適合性を表す、請求項１に記載のシステム。
  3. 前記適合性インデックスを前記判定することが、
    前記機械学習モデルを使用して、前記生体測定情報に基づいて適合性スコアを生成することと、
    複数の適合性インデックスから、前記適合性スコア及び前記第１のＥＣＰに関連する前記実績メトリックに基づいて、前記第１のＥＣＰ用の前記カスタマイズされた適合性インデックスを特定することと、を含む、請求項１に記載のシステム。
  4. 前記複数の適合性インデックスが、別個の適合性スコア範囲に対応し、前記適合性インデックスを前記判定することが、
    前記実績メトリックに基づいて前記別個の適合性スコア範囲を調整して、前記第１のＥＣＰ用のカスタマイズされた適合性スコア範囲を生成することであって、前記特定することが、前記複数の適合性インデックスに対応する前記カスタマイズされた適合性スコア範囲に更に基づく、ことを、更に含む、請求項３に記載のシステム。
  5. 前記適合性スコアが、最後に前記コンタクトレンズを使用する前記消費者の予測された視力品質を表す、請求項３に記載のシステム。
  6. 前記予測された視力品質が、予測された遠方視力品質、予測された近方視力品質、及び予測された中間視力品質を含む、請求項５に記載のシステム。
  7. 前記生体測定情報が、前記消費者の腕の長さを含む、請求項１に記載のシステム。
  8. 前記レポートが、前記コンタクトレンズを使用する消費者の視力品質の統計を含む、請求項１に記載のシステム。
  9. １つ以上のハードウェアプロセッサによって、第１のアイケア専門家（ＥＣＰ）に関連する第１のデバイスから、特定のレンズと患者との間の適合性を判定するための要求を受信することであって、前記要求が前記患者に関連する属性を含む、ことと、
    前記１つ以上のハードウェアプロセッサによって、前記第１のＥＣＰに関連する実績情報を、少なくとも第２のＥＣＰに関連する実績情報と比較することと、
    前記１つ以上のハードウェアプロセッサによって、前記比較に基づいて、前記第１のＥＣＰに関連する実績メトリックを判定することと、
    前記１つ以上のハードウェアプロセッサによって、複数の適合性インデックスから、且つ前記患者に関連する前記属性に基づいて、前記特定のレンズと前記患者との間の適合性の程度を表す特定の適合性インデックスを選択することであって、前記適合性インデックスが前記第１のＥＣＰに関連する前記実績メトリックに少なくとも部分的に基づいて前記第１のＥＣＰ用にカスタマイズされる、ことと、
    前記１つ以上のハードウェアプロセッサによって、前記第１のデバイス上に前記特定の適合性インデックスを示すレポートを提示することと、を含む、方法。
  10. 前記特定のレンズを使用する視力をシミュレートする視力シミュレーションを前記患者に提供することを更に含む、請求項９に記載の方法。
  11. 前記視力シミュレーションが前記患者に提供されている間に前記患者の生体測定データを取得することを更に含み、前記特定の適合性インデックスが、前記患者から取得された前記生体測定データに基づいて更に選択される、請求項１０に記載の方法。
  12. 前記第１のＥＣＰに関連する前記実績情報が、前記第１のＥＣＰが前記特定のレンズを処方した患者の視力品質データを含む、請求項９に記載の方法。
  13. 前記患者に関連する前記属性が、年齢、目の乾燥度、コンピュータ使用の頻度、前記ユーザの腕の長さ、前記患者の動機、前記患者に赤目問題があるかどうか、現在の処方データ、又は目の測定データ、のうちの少なくとも１つを含む、請求項９に記載の方法。
  14. 機械可読命令を記憶した非一時的機械可読媒体であって、前記機械可読命令が、機械に、
    第１のアイケア専門家（ＥＣＰ）に関連する第１のデバイスから、消費者用のコンタクトレンズを選択するための要求を受信することであって、前記要求が前記消費者に関連する生体測定情報を含む、ことと、
    前記第１のＥＣＰに関連する実績メトリックを取得することと、
    機械学習モデルを使用して、且つ前記実績メトリックに基づいて、特定のコンタクトレンズと前記第１のＥＣＰの前記消費者との間の適合性を示すカスタマイズされた適合性インデックスを判定することと、
    前記第１のデバイス上に前記適合性インデックスを示すレポートを提示することと、を含む動作を実行させる、非一時的機械可読媒体。
  15. 前記動作が、
    前記特定のコンタクトレンズを使用して患者の視力品質データを取得することと、
    前記生体測定情報及び前記視力品質データを使用して、前記機械学習モデルを更に訓練することと、を更に含む、請求項１４に記載の非一時的機械可読媒体。
  16. 前記動作が、
    少なくとも第２のＥＣＰに関連する第２のデバイスから、複数の消費者に関連する生体測定データ及び視力品質データを取得することと、
    前記取得された生体測定データ及び前記視力品質データを使用して前記機械学習モデルを訓練することと、を更に含む、請求項１４に記載の非一時的機械可読媒体。
  17. 前記実績メトリックが、コンタクトレンズと前記第１のＥＣＰに関連する第１の消費者との間の適合性と、コンタクトレンズと少なくとも第２のＥＣＰに関連する第２の消費者との間の適合性と、の間の比較を表す、請求項１４に記載の非一時的機械可読媒体。
  18. 前記適合性インデックスを前記判定することが、
    前記機械学習モデルを使用して、前記生体測定情報に基づいて適合性スコアを生成することと、
    複数の適合性インデックスから、前記適合性スコア及び前記第１のＥＣＰに関連する前記実績メトリックに基づいて、前記第１のＥＣＰ用の前記カスタマイズされた適合性インデックスを特定することと、を含む、請求項１４に記載の非一時的機械可読媒体。
  19. 前記複数の適合性インデックスが、別個の適合性スコア範囲に対応し、前記適合性インデックスを前記判定することが、
    前記実績メトリックに基づいて前記別個の適合性スコア範囲を調整して、前記第１のＥＣＰ用のカスタマイズされた適合性スコア範囲を生成することであって、前記特定することが、前記複数の適合性インデックスに対応する前記カスタマイズされた適合性スコア範囲に更に基づく、ことを、更に含む、請求項１８に記載の非一時的機械可読媒体。
  20. 前記適合性スコアが、前記コンタクトレンズを使用する前記消費者の予測される快適性レベルを表す、請求項１８に記載の非一時的機械可読媒体。
JP2021573854A 2019-06-27 2020-06-08 コンタクトレンズ適合性を予測するために機械学習を使用するシステム及び方法 Active JP7571060B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962867362P 2019-06-27 2019-06-27
US62/867,362 2019-06-27
PCT/IB2020/055389 WO2020261010A1 (en) 2019-06-27 2020-06-08 Systems and methods for using machine learning to predict contact lens compatibility

Publications (2)

Publication Number Publication Date
JP2022537702A true JP2022537702A (ja) 2022-08-29
JP7571060B2 JP7571060B2 (ja) 2024-10-22

Family

ID=71092580

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021573854A Active JP7571060B2 (ja) 2019-06-27 2020-06-08 コンタクトレンズ適合性を予測するために機械学習を使用するシステム及び方法

Country Status (5)

Country Link
US (2) US11944379B2 (ja)
EP (1) EP3990978A1 (ja)
JP (1) JP7571060B2 (ja)
CN (1) CN114007489A (ja)
WO (1) WO2020261010A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102648754B1 (ko) * 2022-09-21 2024-03-18 주식회사 인시스 각막 굴절 교정 렌즈 추천 장치, 각막 굴절 교정 렌즈 추천 방법 및 기록 매체에 저장된 프로그램

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021124288A1 (en) * 2019-12-19 2021-06-24 Alcon Inc. Personalized assistance system for user of vision correction device

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7023594B2 (en) * 2000-06-23 2006-04-04 E-Vision, Llc Electro-optic lens with integrated components
JP2001183255A (ja) 1999-12-27 2001-07-06 Topcon Corp レンズメータ
WO2003087755A1 (fr) 2002-04-12 2003-10-23 Menicon Co., Ltd. Systeme et procede d'assistance destine a des lentilles de contact
AU2005215056B2 (en) 2004-02-20 2011-06-09 Essilor International (Compagnie Generale D'optique) System and method for analyzing wavefront aberrations
WO2013094030A1 (ja) * 2011-12-20 2013-06-27 株式会社メニコン セルフ検眼装置、管理サーバ及びコンタクトレンズ選定システム
US9397769B2 (en) * 2014-11-28 2016-07-19 Qualcomm Incorporated Interference mitigation for positioning reference signals
US20160321691A1 (en) * 2015-04-29 2016-11-03 American Express Travel Related Services Company, Inc. System and method for refreshing targeted emails
US10018854B2 (en) * 2016-06-22 2018-07-10 Indizen Optical Technologies of America, LLC Custom ophthalmic lens design derived from multiple data sources
US10595332B2 (en) * 2016-09-30 2020-03-17 Qualcomm Incorporated Aligning slots allocated to extended cyclic prefix symbols with slots allocated to normal cyclic prefix symbols

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102648754B1 (ko) * 2022-09-21 2024-03-18 주식회사 인시스 각막 굴절 교정 렌즈 추천 장치, 각막 굴절 교정 렌즈 추천 방법 및 기록 매체에 저장된 프로그램

Also Published As

Publication number Publication date
WO2020261010A1 (en) 2020-12-30
US11944379B2 (en) 2024-04-02
US20240197167A1 (en) 2024-06-20
CN114007489A (zh) 2022-02-01
JP7571060B2 (ja) 2024-10-22
EP3990978A1 (en) 2022-05-04
US20200405145A1 (en) 2020-12-31

Similar Documents

Publication Publication Date Title
US10874355B2 (en) Methods and apparatus to determine developmental progress with artificial intelligence and user input
US20190088366A1 (en) Platform and system for digital personalized medicine
US20190043618A1 (en) Methods and apparatus for evaluating developmental conditions and providing control over coverage and reliability
US20190279767A1 (en) Systems and methods for creating an expert-trained data model
US20240197167A1 (en) Systems and methods for using machine learning to predict contact lens compatibility
US20140365240A1 (en) System and method for cross-platform sentiment and geographic-based transactional service selection
CN111565677A (zh) 用于眼内透镜选择的系统和方法
CN113196317A (zh) 通过人工智能对近视发展进行准确预测和治疗
JP2022531413A (ja) 機械学習ベースの視覚機器選択の装置
US11972336B2 (en) Machine learning platform and system for data analysis
US20200234829A1 (en) Systems and methods for facilitating response prediction for a condition
KR20160043777A (ko) 질환 발병 예측 방법 및 그 장치
US20200229870A1 (en) Systems and methods for intraocular lens selection using emmetropia zone prediction
US20240233029A1 (en) Measuring risk tolerance using virtual or augmented reality view of simulated outcome
Utianski et al. A longitudinal evaluation of speech rate in primary progressive apraxia of speech
US20230395204A1 (en) Survey and suggestion system
Artime Ríos et al. Genetic algorithm based on support vector machines for computer vision syndrome classification
CN114830162A (zh) 用于情境化设备推荐的装置、方法和计算机可读存储介质
US20210093446A1 (en) Systems and methods for providing a graphical user interface for intraocular lens implantation planning
CN112578575B (zh) 学习模型的生成方法、记录介质、眼镜镜片选择支持方法及系统
US20240120071A1 (en) Quantifying and visualizing changes over time to health and wellness
Bilal et al. CbI-M: Context-based Intervention Methodology for Rehabilitation of Persons with NCDs
TWM625528U (zh) 基於大數據之智慧式近視評估系統
KR20230155103A (ko) 녹내장 위험도 진단 장치 및 방법
KR20230142501A (ko) 성분들 및 제품들 추천을 위한 시스템들 및 방법들

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230529

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240402

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240625

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: 20240903

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20241002

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20241009

R150 Certificate of patent or registration of utility model

Ref document number: 7571060

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150