JP2022543082A - エネルギー使用量の監視によって患者の健康を分析するためのシステムおよび方法 - Google Patents

Abstract

患者の健康のモニタリングのためのシステムおよび方法。エネルギー監視モジュールが、住居環境内の電気デバイスへの給電を行う電気パネルと通信する。このエネルギー監視モジュールは、電気デバイスによって消費されるエネルギーを監視するように動作可能である。データエネルギー分析エンジンは、上記エネルギー監視モジュールからのエネルギーデータ収集を一定期間にわたって行う。健康データ相関エンジンは、患者の健康状態を収集されたエネルギーデータに基づいて決定する。【選択図】図１

Description

優先権の主張
本出願は、２０１９年７月３１日に出願された米国仮特許出願第６２／８８１，０２４号の優先権と恩恵を主張する。本明細書中、同文献全体が本明細書に参照により組み込まれる。

技術分野
本開示は、主に健康監視システムに関し、より詳細には、患者の健康の監視のための住居環境からのエネルギー使用量データの収集に関する。

多くの人々は、入院が不要な慢性疾患を有している。しかし、このような状態は、健康ケア専門家への訪問間において悪化する場合がある。例えば、呼吸疾患（例えば、喘息または慢性閉塞性肺疾患（ＣＯＰＤ））の場合、一定期間にわたってより重篤になることが往々にしてある。喘息に起因して、喘鳴、胸の締め付け、息切れおよび咳などが生じ得る。喘息の原因は、吸気物質に対する過敏性であり得、その結果、気管支の収縮および締め付けに繋がる。患者の健康の監視を連続的に行うことができれば、このような状態の回避または治療をタイムリーに行うことが可能になる。特定の患者に対してホームヘルスケアプロバイダが割り当てられれば、チェックを毎日行うことができる。しかし、そのような人件費は、極めて高額になることが多い。さらに、多くの場合、そのような出費は不要である。一連のヘルスケアモニタを、患者が自宅において携行してもよい。しかし、このような監視デバイスは嵩高であり、患者は、このようなデバイスの正確な操作について責任を負う必要が多い。

このように、病院またはケア施設以外の設定において患者の健康を継続的に監視する勘弁な方法が無いため、予防のための技術または治療をタイムリーに適用することができていない。さらに、患者が状態悪化の発現に気づかない場合があり、その結果、健康ケア専門家への相談をし損ねる。健康状態が顕著に悪化して患者が治療を受けようとする頃までには、治療のコストおよび時間もより多く必要になっていることが多い。

自宅環境における健康状態の連続的監視をさらなる健康関連センサ無しに行うシステムが、必要とされている。健康に相関のある自宅からのエネルギーデータを利用するシステムも、必要とされている。ベースラインのエネルギー使用量データと、エネルギー使用量データおよび患者の健康状態の相関とを学習するシステムも、必要とされている。

本開示は、住居環境内の電気デバイスからのエネルギー使用量データを分析する健康監視システムに関する。本システムは、エネルギーデータを収集するエネルギー監視デバイスを用いる。このエネルギーデータの分析により、上記住居環境内の異なるデバイスについてエネルギー関連シグネチャを決定する。このような情報の分析により、個々の患者の自宅におけるデバイス（例えば、器具、照明、ケア用デバイス）の使用を追跡して「通常の」使用量を特徴付けし、この使用量を当該患者の健康状態と相関付け得る。本システムにより、健康リスクの発現を示し得るあらゆる「異常な」使用量の検出が可能になる。本システムにおいては、自宅環境において患者に取り付ける必要のある特殊なモニタは全く不要である。

１つの開示例は、住環境における患者の健康のモニタリングのためのシステムである。エネルギー監視モジュールは、住居環境内の複数の電気デバイスへの給電を行う電気パネルと通信する。このエネルギー監視モジュールは、上記複数の電気デバイスが消費するエネルギーを監視するように、動作可能である。データエネルギー分析エンジンは、上記エネルギー監視モジュールからのエネルギーデータ収集を一定期間にわたって行う。健康データ相関エンジンは、患者の健康状態を収集されたエネルギーデータに基づいて決定する。

上記例示的システムのさらなる実行において、上記健康状態は、上記患者の睡眠の質または持続時間の変化を含む。別の実行において、上記健康状態は、上記患者の食事または食欲の変化を含む。別の実行において、上記健康状態は、上記患者の肉体的活動または機敏性の変化を含む。別の実行において、上記複数のデバイスは、上記患者の治療のための治療デバイスを含む。別の実装形態は、この健康状態が呼吸状態である実装形態である。別の実行において、上記エネルギーデータは、電気使用量に基づいたパターンである。別の実行において、上記エネルギーデータは、上記複数のデバイスそれぞれが電源オンにされた時間を含む。別の実行において、上記エネルギーデータは、上記複数のデバイスそれぞれについての特定のデバイスシグネチャの決定を含む。別の実行において、上記特定のデバイスシグネチャは、機械学習から決定される。別の実行において、上記特定のデバイスシグネチャは、デバイスシグネチャのルールセットから決定される。別の実行において、上記健康状態と上記特定のデバイスシグネチャとの間の相関は、機械学習から決定される。別の実行において、上記エネルギーデータは、一定期間にわたる上記複数のデバイスの上記電気使用量の合計を含む。

別の例は、住環境における患者の健康のモニタリングのための方法である。上記住居環境における少なくとも１つのデバイスのエネルギー使用データは、収集される。エネルギー使用パターンが、上記エネルギー使用データから決定される。このエネルギー使用パターンは、上記患者の健康状態と相関付けられる。

上記例示的方法のさらなる実行において、上記健康状態は、上記患者の睡眠の質または持続時間の変化を含む。別の実行において、上記健康状態は、上記患者の食事または食欲の変化を含む。別の実行において、上記健康状態は、上記患者の肉体的活動または機敏性の変化を含む。別の実行において、上記デバイスは、上記患者の治療のための治療デバイスである。別の実装形態は、この健康状態が呼吸状態である実装形態である。別の実行において、上記エネルギー使用パターンは、電気使用量に基づいたパターンである。別の実行において、上記エネルギー使用パターンは、上記複数のデバイスそれぞれが電源オンにされた回数を含む。別の実行において、上記エネルギーデータは、上記複数のデバイスそれぞれについての特定のデバイスシグネチャの決定を含む。別の実行において、上記方法は、上記特定のデバイスシグネチャを機械学習から決定することを含む。別の実行において、上記方法は、上記特定のデバイスシグネチャをデバイスシグネチャのルールセットから決定することを含む。別の実行において、上記方法は、上記健康状態と特定のデバイスシグネチャとの間の相関を機械学習から決定することを含む。別の実行において、上記エネルギー使用パターンは、上記デバイスの一定期間にわたる上記電気使用量の合計を含む。

上記の要旨は、本開示の各実施形態または各態様を示すことを意図していない。すなわち、上記の要旨は、本明細書中に記載の新規の態様および特徴のうちいくつかの例を示すものに過ぎない。上記の特徴および利点ならび本開示の他の特徴および利点は、本発明の実行のための代表的な実施形態および態様の以下の詳細な説明を添付の図面および添付の特許請求の範囲と共に読めば、容易に明らかになる。

例示的実施形態に関する以降の説明を添付図面と併せて参照することにより、本開示に対する理解が深まるであろう。

患者の健康の決定のためにエネルギー使用データを提供する自宅エネルギー監視システムのブロック図である。 図１中の監視システムによって収集されたエネルギーデータを分析する健康分析システムのブロック図である。 図１中の自宅監視システムからの例示的な週単位のエネルギー出力を示すグラフである。この出力は、図２中の健康分析システムによって用いられ得る。 図１中の自宅監視システムからの例示的な日単位のエネルギー出力を示すグラフである。この出力は、図２中の健康分析システムによって用いられ得る。 （図１中の監視システムによって収集されたデータに基づいて）異なるデバイスの使用時間を示す例示的インターフェースである。 異なるデバイスからのエネルギー使用の認識の学習のためのパターン収集の一例である。 パターンを用いてエネルギーデータに基づいてデバイスを特定するための学習ルーチンの一例である。 学習ルーチンのフロー図である。この学習ルーチンは、エネルギー使用量パターンを電子デバイスに関連して学習し、ライブセンサデータの分析のために当該使用のモデルを生成する。 図６中の学習ルーチンの訓練のための訓練データの表である。 図７Ａ中の表からの訓練データを用いた学習ルーチンのための訓練プロセスのフロー図である。 デバイスのエネルギーパターンの決定のためのニューラルネットの例示的図である。 学習ルーチンのフロー図である。この学習ルーチンは、エネルギー使用量パターンを個々の患者の健康状態に関連して学習し、ライブセンサデータの分析のために当該使用のモデルを生成する。 図２中のシステムからの健康監視データを利用するヘルスケアシステムのブロック図である。

本開示には、種々の変形および代替形態がある。図面に例示したいくつかの代表的な実施形態について、本明細書において以下に詳述する。ただし本発明は、開示された特定の形態に限定されることを意図してはいないものと理解すべきであり、本開示はむしろ、添付の請求項によって定義された本発明の精神および範囲内にあるすべての変形、均等物、および代替物を網羅するものである。

本発明は、数多くの異なる形態で具現化することできる。代表的な実施形態を図面に示しており、本明細書において以下に詳述する。本開示は、本開示の原理の一例または例示であり、本開示の広範な態様を、例示された実施形態に限定することを意図するものではない。そのため、例えば「要約」、「発明の概要」、「発明を実施するための形態」の各節で開示されていても、請求項に明記されていない要素や制限は、単独でも集合的にも、暗示、推論、または他の方法によって請求項に組み込むべきでない。本明細書中では、特に断りがない限り、単数形は複数形を含み、その逆もある。「～を含む」という語は、「～を含むがそれ（ら）に限定されない」を意味する。さらに、本明細書においては、「概ね」、「略」、「実質的に」、「約」といった近似を表す語を、例えば、「ちょうど」、「付近」、「前後」、「～の３～５％以内」、「許容可能な製造公差の範囲内」、またはそれらの任意の論理的な組み合わせを意味する目的で使用することできる。

本開示は、患者の自宅環境からのエネルギー使用量データの分析に基づいた健康監視システムに関連する。この健康監視システムにおいて、エネルギー使用量データの収集のために自宅の主電源へ連結されたエネルギー監視デバイスが用いられる。このエネルギー監視デバイスは、スマートエネルギーメータまたは別の種類の電量監視デバイスであり得、自宅設定において局所的または中央に据え付けられる。エネルギーモニタは、住居環境の電量履歴の追跡、処理、保存および通信のために用いられる。自宅内における特定のデバイスの電量シグネチャの決定のために、データが分析される。このような情報の分析により、このようなデバイス（例えば、器具、照明および治療デバイス（例えば、呼吸ケア用デバイス））の個々の患者の使用が追跡され得る。個々の患者による使用量を用いて、患者の健康状態と相関付けられた「通常の」使用量が特徴付けられる。エネルギーデータの継続的収集を用いて、患者の健康リスクの発現を示し得るあらゆる「異常な」使用量が検出され得る。

図１は、住居環境（例えば、患者１１０の自宅１００）を示す。住居環境は、戸建て、アパート、または患者１１０と関連付けられた他の建物であり得る。自宅１００は、外部電源へ接続される（例えば、電気接合部パネル１２０を通じて自宅１００へ接続された電力線を提供する電気事業会社）。電気接合部パネルは、自宅１００へ給電する主電源ケーブル１２２を含む。接合部１２０により、主電源からの電力が配線網１２４を通じて自宅１００内の異なる部屋へ供給される。接合部１２０には、エネルギー使用量データを収集するエネルギーセンサモジュール１３０が取り付けられる。

本例において、エネルギーセンサモジュール１３０は、Ｓｅｎｓｅ ｍｏｎｉｔｏｒ（登録商標）（製造元：Ｓｅｎｓｅ Ｌａｂｓ Ｉｎｃ．、ケンブリッジＭＡ）。エネルギーセンサモジュール１３０は、エネルギーデータを収集し、このデータを外部デバイス１５０（例えば、スマートフォンまたはコンピュータ）へ送信する。センサモジュール１３０は、２つのセンサ１３２および１３４を含む。これら２つのセンサ１３２および１３４は、変流器であり得、自宅１００への給電を行う主電源ケーブル１２２の周囲にクランプされる。センサモジュール１３０は、エネルギーデータの無線伝送のためのアンテナ１３６も含む。本例において、センサモジュール１３０は、集中方式の中心として設定され、自宅１００内の各電気デバイスからの電力を監視する。

本例において、センサモジュール１３０は、外部クライアントデバイス１６０（例えば、スマートフォンまたはタブレット）への無線リンクを含み得る。無線リンクは、当該技術分野で公知の任意の適切な無線接続技術を組み込み得る（例を非限定的に挙げると、Ｗｉ－Ｆｉ（ＩＥＥＥ ８０２．１１）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、他の無線周波数、Ｉｎｆｒａ－Ｒｅｄ（ＩＲ）、ＧＳＭ（登録商標）、ＣＤＭＡ、ＧＰＲＳ、３Ｇ、４Ｇ、Ｗ－ＣＤＭＡ、ＥＤＧＥまたはＤＣＤＭＡ２００および類似の技術）。一連の非集中的センサ（例えば、自宅内の各電気デバイス上のセンサ（デバイスに一体化されたものまたはモジュール型ユニット））が外部デバイスと共に用いられ得、その場合、外部デバイスは、センサモジュール１３０からのデータを含むデータ全てを収集し得、収集したデータを集約し得ることが理解されるべきである。加えて、異なるエネルギーセンサから、エネルギー使用についてのさらなるデータがセンサモジュール１３０へ提供され得る。例えば、自宅１００内の特定の器具は、エネルギーデータの通信についてのプロトコル（例えば、「モノのインターネット」（ＩＯＴ））を使用し得る。他のデバイス（例えば、ＮＥＳＴデバイスまたは自宅１００内のデジタルアシスタント）は、特定のデバイスについての別個のエネルギーデータを収集し得、このデータをセンサモジュール１３０または外部デバイスへ送信し得る。

接合部パネル１２０は、異なる器具およびデバイス１４０、１４２、１４４、１４６、１４８、１５０、１５２および１５４への給電を行う。デバイス１４０、１４２、１４４、１４６、１４８、１５０、１５２および１５４は、個々のデバイスを表してもよいし、あるいは自宅１００内のデバイスのグループを代表してもよい。デバイスおよび器具は、ホームケア治療デバイスを含み得る（例えば、ＣＰＡＰデバイスまたはデバイス１４０によって示される呼吸治療デバイス）。これらの器具は、娯楽デバイス１４２、水ヒーター１４４、ガレージドアオープナー１４６、照明およびコンセント１４８、調理および保存デバイス１５０、暖房換気空調（ＨＶＡＣ）ユニット１５２、ならびに洗濯機および乾燥機１５４も含み得る。

エネルギーセンサモジュール１３０は、主電源線１２２から電気接合部１２０内へ給電される電力を監視する。エネルギーセンサモジュール１３０は、電流および電圧の変化からの数百万の読取値を毎秒毎に収集する。この高分解能データに基づいて、作動時における電流および電圧の固有の変化から電力を引き出しているのはデバイス１４０～１５４のうちどれなのかが、高度機械学習アルゴリズムにより特定され得る。例えば、従来の電球の有し得るシグネチャとして、フィラメントが加熱された後に安定化する際に大量の電力が引き出される点がある。電流および電圧は、相互に同相であるため、このシグネチャは、抵抗負荷として特徴付けられ得る。これと対照的に、マイクロ波のシグネチャは、マイクロ波のチャージアップ時における初期サージと、マグネトロンの活性化時における第２のサージとを含み得る。

本例において、収集されたエネルギーデータと、その結果得られた特定のデバイスエネルギーシグネチャとが、患者１１０によって操作され得る外部コンピューティングデバイス１６０によって生成されたユーザインターフェース上に表示され得る。遠隔外部デバイス１６０は、スマートフォンまたはタブレットなどのポータブルコンピューティングデバイスであり得、アプリケーションを実行して、モニタ１３０からのデータを収集しかつ分析する。遠隔外部デバイス１６０上におけるエネルギー監視の適用により、各デバイスの稼働回数および他の情報（例えば、エネルギー使用）が表示され得る。

図２は、健康監視システム２００のブロック図である。健康監視システム２００は、エネルギーセンサモジュール１３０によって収集されかつ外部コンピューティングデバイス１６０によって分析されたエネルギーデータを患者１１０の健康監視のために採用し得る。あるいは、システム２００は、無線リンクを介してエネルギーセンサモジュール１３０からデータを直接収集し得、上記したエネルギー分析機能を行い得る。

健康監視システム２００は、住居要素（例えば、照明、入口／出口、暖房／冷房、器具（例えば、冷蔵庫、洗濯機、食器洗浄機））ならびに他のサポート的家庭用物品（例えば、薬物送達デバイスおよび耐久医療機器）の使用、タイミングおよび電力使用順序を決定する。このようなデバイスの使用、時間および順序は、デバイス使用の日単位または週単位のパターンおよび患者１１０の活動パターンと相関付けられ得る。活動型の目標指向の電量使用に加えて、バックグラウンド型の常にオン状態の電流を測定して、住居の特性／プロファイルの推測を支援することができる（例えば、住宅種類、社会／経済的地位、およびインターネット接続などの機能の存在）。他の例を挙げると、住居環境の特性分析がある。例えば、セントラルヒーティングおよび空調を備えた住宅の特性は、セントラルヒーティングおよび空調を備えていない住宅の特性と異なる。アレルギーの季節においては、空調を使用している患者よりも、空調を使用していない患者に対しての影響が大きい場合がある。そのため、多様な文脈様態が、リスク推定において重要な入力となり得るか、または、特定の介入の成形または目標決定における支援となり得る。例えば、住宅の種類は、室内における空気汚染への露出に影響を持つため、このような種類は、喘息発現および罹患率に影響を及ぼし得る。

システム２００は、エネルギーデータをエネルギーセンサモジュール１３０から収集し、このエネルギーデータをエネルギーデータ分類モジュール２１０を介して分類する。分類されたエネルギーデータは、エネルギーデータベース２１２中に保存される。システム２００は、一連の使用インデックスパターンの確認および確立を行い、現在の疾患重症度、急性度および活動ならびに患者１１０の管理に関連してこれらのパターンの特徴付けおよび関連付けを患者分析エンジン２２０を介して行う。分析エンジン２２０は、エネルギーデータベース２１２および患者健康データベース２１４へ連結される。患者健康データベース２１４は、現在の健康状態を保存し、患者１１０の他の人口統計学的情報が、他の手段（例えば、調査、臨床検査、バイオマーカーおよび生理学的測定、薬局記録および他の情報）によって決定され得る。このような情報は、システム１００からのアクセスが可能な多様な個々のデータベース内に収集および保存され得る。分析エンジン２２０は、患者の健康とエネルギー使用データとの間の関係を、エネルギー使用パターンと患者１１０の健康状態との間の相関を考慮に入れて決定する。

健康状態監視の一例として、患者の慢性（呼吸）疾患の状態の測定があり得る。このような疾患に関連する健康状態の変化を示す情報の利用により、患者に対する呼吸疾患の負担および管理についての予想情報が提供され得る。データベース２１４は、呼吸疾患を有する患者についての情報を含み得る。図２中の分析エンジン２２０は、建物の異なるフロア上の電気デバイスの使用に基づいた呼吸の監視を提供し得る。このような電気デバイスの使用は、弱化状態（第２のフロア上のデバイスの使用回数の低減）または（活動または動きの拡大によって示される）強化状態を示し得る。分析エンジン２２０は、治療デバイス（例えば、ＣＰＡＰデバイス、酸素供給器または通風装置）の使用も監視し得る。分析エンジン２２０は、建物内の動きの頻度および速度または特定の機器（例えば、トレッドミル）の使用に基づいた肉体的活動の増減も推測し得る。患者の状態は、他の疾患または疾患可能性（例えば、転倒リスクまたは痴呆症）とも相関付けられ得る。

分析エンジン２２０は、エネルギー使用量を患者の健康状態と相関付けるための異なるアプローチを用い得る。１つのこのようなアプローチにおいて、一定期間にわたる電量使用（例えば、週単位または日単位の使用履歴）が分析される。よって、図１中のエネルギー監視モジュール１３０からの電気データ出力の分析は、定期的に（例えば、週単位または日単位で）行われ得る。図３Ａは、１週間にわたってエネルギーモニタモジュールによって収集された家庭の電気使用データの例示的グラフである。図３Ｂは、１日にわたってエネルギーモニタモジュールによって収集された家庭の電気使用データの例示的グラフである。一定期間にわたって収集されたデータは、複数の方法で数学的に分析され得、これにより、パラメータ（例えば、合計ワット数、ピーク数、１日あたりのピーク数、ピークのタイミング、振幅）と、健康状態（例えば、個々の患者の疾患状態および障害）との関係を決定する。例えば、合計ワット数が有意に低下した場合、患者がベッドから出ていない緊急事態を示し得る。ピークのタイミングおよびピーク数は、挙動パターン（例えば、調理または他の日単位の慣習）を示し得る。このようなデータは、エネルギーデータ分類モジュール２１０によって分析され、結果は、分析エンジン２２０のためにデータベース２１２内に保存される。

第２のアプローチにおいては、図１に示す自宅１００内の他の多数のデバイスに含まれる器具（例えば、食器洗浄機、洗濯機／乾燥機、電子レンジ、テレビジョンセットおよびコーヒーメーカー）の使用の個々の活動およびタイミング／順序が監視される。このようなデバイスが使用されるタイミングが、図４に示すように記録および表示され得る。図４は、異なる器具と、当該器具がオンにされた時間の長さとを示す例示的グラフィカルインターフェース４００である。例示的インターフェース４００において、総電力４１０が、一定期間にわたって表示される。一連のアイコン４１２、４１４、４１６、４１８および４２０は、異なるデバイスと、当該デバイスがオンにされた時間とを示す。インターフェース４００の生成に用いられるデータが、エネルギー分析エンジン２１０によって決定され得、デバイスのタイミングの監視と、上記データおよび個々の患者１１０の健康の相関付けとのために分析エンジン２２０によって用いられ得る。この方法において、これらの器具と、自宅１００の特定の部屋または領域とを相関付けることによっても、１つ以上の期間にわたる患者１１０の室内の動きの一般的かつ特定のトポグラフィが生成され得る。上記したように、呼吸疾患の場合、これは、活動増大に繋がる患者の改善または（使用および動きの低減によって示される）疾患重症度の悪化を示し得る。

他のエネルギー使用量分析方法が、健康状態との相関付けのために分析エンジン２２０によって用いられ得る。例えば、１つ以上のデバイスにわたる日中のエネルギー負荷合計または疾患プロファイルに適合する特定の集合。加えて、１つ以上のデバイスにわたる負荷のタイミングまたは疾患状態にとって重要な特に情報価値のあるデバイス集団。別の要素として、１日における活動頻度または多様なデバイスのタイミング（およびタイミング窓の考慮）があり得る。（例えば停電によって示されるように）電力が突然ゼロに降下した場合、分析エンジン２２０がトリガされて、（患者が一定の電気接続を必要とする任意の種類の薬物投与または治療を受けている場合に）当該患者の代わりに支援がリクエストされ得る。

分析エンジン２２０は、さらなるデータ入力について、使用の確率または患者のパターンの確率も決定し得る。例えば、患者の症状再燃または疾患状態の変化が発生したことが判明した場合、分析エンジン２２０は、当該患者のエネルギー使用様態がこれからどのように変化するか予測し得る。例えば、患者の疾患の症状再燃が発生した場合、当該患者が活動的になったり洗濯を行う可能性は低くなる。よって、特定のパターン（例えば、浴室の使用）の長期化または頻度の増加が予測され得る。患者に特有のこの疾患データを用いれば、分析エンジン２２０がエネルギー使用パターンの変化を検出し、介護者が既に知っている問題を介護者に通知するフィードバックループが回避され得る。

さらに、パターンにおいて逸脱があることが判明した場合、分析エンジン２２０は、疾患状態が変化した確率と、その結果に起因して患者に対して発生する影響の様態および詳細と、患者の継続的エネルギー使用とを決定し得る。例えば、患者の医療デバイスの使用について頻度が増加または長期化したことが分かった場合、そのような変化は症状再燃の発生の前兆を示し得るため、分析エンジン２２０は、検出をより容易に行うように準備を整える。分析エンジン２２０は、疾患状態の確率＝Ｘであることを説明し得る。この確率は、日中に発生する電量使用プロファイルにおける出現イベントに基づいて更新される。このような予測は、当該患者と人口統計学的に類似する他の患者からのさらなるデータによって向上され得る。分析エンジン２２０は、協働データサービスからの情報も統合し得る（例えば、音声インターフェース、デジタルホームアシスタント、スマートプラグおよび接続された器具、カレンダー、コンピュータネットワーク、および患者１１０と関連付けられ得るかまたは自宅１００内に設けられ得る携帯電話）。このようなデータは、サードパーティデータベース２１６を通じてアクセスされ得る。

第３のアプローチは、日単位の生活のルーチンに基づく。これらの生活のルーチンは、（日単位の生活の重要な機能ルーチン（特に、疾患または健康状態との関係が確立しているかまたは有効と思われるもの）と関連付けられた）複合電量および対象の使用シグネチャを通じて決定される。例えば、睡眠の質およびタイミングは、照明がオンおよびオフにされた時間と、水ヒーターが起動された時期と、キッチン器具が使用された時期とから決定され得る。このデータにより、分析エンジン２２０が覚醒および睡眠、昼間の睡眠のタイミング、睡眠時間の長さ、睡眠妨害レベル、ならびに患者の睡眠の質および持続時間の他のパラメータを直接的または間接的に検出または決定することが可能になる。デバイスエネルギーシグネチャによって決定され得る別のルーチンとして、患者の食事ルーチンがあり得る。本システムは、食事ルーチンの存在と不在との間の関係を決定し得る。この関係は、食欲、精神状態または機能能力の示唆または代理情報となり得る。例えば、朝食ルーチンにおいて図１中の調理器具１５０（例えば、コーヒーグラインダ、コーヒーメーカー／やかん、マイクロ波、トースター）の起動が検出された場合、疾患状態との対応関係が評価される。

日単位の生活の他の活動（ＡＤＬ）が決定され得る。例えば、マクロモビリティイベントが決定され得る（例えば、ガレージドア起動を介した自宅の出入りまたは住宅用警報器の起動または起動解除）。ミクロモビリティ活動が、要素（例えば、意図される電気／器具活動を伴う部屋の数、および患者のベースインデックスと比較したときの変化度／規則性）に基づいて決定され得る。別の活動が、例えば温水ヒーターの起動および浴室照明の起動を通じて入浴が決定され得る。他の活動が決定され得る（例えば、器具負荷を介して直接的にまたは温水ヒーターからの負荷を介して間接的に行われる食器洗浄機および洗濯機乾燥機の監視）。

このデータは、特定の患者が援助無く生活する際の健康状態のインジケータとして用いられ得る。データは、患者が困難を感じている特定のタスクのインジケータとして用いられ得るため、援助ケアの注力が可能になる。データは、失禁または閉塞を示し得る。データは、一般的清浄性を示し得る。一般的清浄性は、感染または食品関連の病気などの他の問題に繋がり得る。データは、痴呆症の兆候を示し得る（例えば、衣類の洗濯回数が多すぎる、または食器洗浄機を繰り返し作動させる、または予期せぬ時間に自宅を出る）。データは、緊急事態のインジケータとして用いられ得る。例えば、デバイスのエネルギー使用量が通常よりも有意に低い場合、当該患者が意織不明であるかまたはもがいている可能性がある。データにより、（例えば、ガレージドアまたは住宅用警報器からのデータを介して）患者が住居環境内にいないことが決定され得、よって、分析エンジン２２０が日単位のパターンにおける逸脱を割り引くことが可能になる。

本システムにより、家庭用医療機器の監視および図１中のデバイス１４０などのデバイスを用いた治療の監視も可能になる。例えば、このような呼吸治療のためのデバイスは、ポータブル酸素濃縮器、非侵襲的通風装置、ＣＰＡＰマシンおよびネブライザを含み得る。図１中のエネルギーモニタモジュール１３０が据え付けられると、異なる治療のためのデバイスの使用についてのデータの遠隔収集および受動的収集が可能になる。例えば、デバイス（例えば、ポータブル酸素濃縮器、非侵襲的通風装置、ＣＰＡＰマシンおよびネブライザ）のエネルギーシグネチャが、呼吸ケアおよび治療のために監視され得る。

呼吸ケアおよび治療のためのこのような例において、治療医療機器（例えば、ネブライザまたは酸素濃縮器）の電圧／負荷シグネチャが監視される。デバイス（例えば、ネブライザ）が電源オンにされ、エアロゾル化された薬物投与の送達に用いられる場合、このイベントのタイミングおよびこのイベントの持続時間がエネルギーモニタモジュール１３０からキャプチャおよび保存される。これにより、実際の使用を規定の治療方式に照らして測定することにより、治療の遵守の評価が可能になる。さらに、使用の持続時間の計算により、薬物投与量の一定の推定値が推定され得る。緊急事態において薬物投与を噴霧する場合（例えば、アルブテロール）および他のデバイス（例えば、酸素または非侵襲的通気）の場合、頻度の測定および１日における使用時期から、リスクおよび障害の推定が得られる。

分析エンジン２２０は、バッテリー充電に起因する電圧シグネチャも調査し得、ポータブル実施形態（例えば、ネブライザおよびポータブル濃縮器）ならびに耐久型の機器（例えば、車いす）を有する重要な医療デバイスの定期的再充電を監視する。このような電圧シグネチャは、このようなデバイスの使用を示す。

システム２００は、電気データを収集し、異なるデバイス上におけるエネルギー使用の個人ベースラインまたは全体的使用量を出力する。これらのベースラインの利用により、現在のデータを比較して、疾患状態、治療パターンまたは生活の質の変化を示唆する上記した個人ベースラインからの並び替え（単数または複数）を監視し得る。障害またはリスクの出現についてのこれらの信号は、肉体的活動および機敏性、睡眠の質または持続時間、食事および食欲、および他の生理学的に有意な要素の変化を示す信号を含み得る。上記の活動によって確立される通常のルーチンまたはこのようなルーチンのタイミングからの逸脱は、日単位の生活において監視される。

このような変化は、健康問題の出現または（呼吸困難の増大または症状再燃の危険性に起因する）日単位の生活の参加能力の低減を示唆し得る。他の家庭内インジケータ（例えば、ガレージドアの開閉）は、機敏性パターンの変化または社会的分離の増大を示唆し得る。システムからのデータは、ヘルスケアプロバイダによって治療の変更または変化の予期および予測的ケアの推奨のために用いられ得る。さらに、システムからのデータは、認可を受けたユーザおよび他のシステムに対して、逸脱、重症度／妨害の確実性の存在および性質について警告を発するために用いられ得る。

図５Ａは、異なるデバイスからのエネルギー使用からのパターン認識の学習プロセスのパターンの例である。図５Ａは、異なるデバイスのエネルギー使用からのエネルギーパターン５１０、５１２および５１４の収集を示す。これらのエネルギーパターンは、個々のデバイスからのエネルギーデータから入手され得る。パターン５１０、５１２および５１４は、異なる種類のデバイスＡ、ＢおよびＣ（５１６）によって特定され得る。本例において、個々のパターン５１０、５１２および５１４は、単一の線からの逸脱としてエネルギーモニタによって収集され得る。１つのデバイスは、デバイスのパターンを収集するときにオンにされ得、その後、このデバイスはオフにされる。パターン収集および特定のプロセスの一例として、双方向インターフェースがある。この双方向インターフェースにおいて、図１中のエネルギーセンサモジュール１３０などのモニタが、新規パターンの検出のたびに遠隔外部デバイス１６０を通じてユーザへクエリを発行する。アプリケーションは、既知のパターンのデータベースにアクセスして、デバイスの特定を提案し得る。アプリケーションは、特定のデバイスの識別情報を入力してこのパターンと関連付けることをユーザに依存し得る。全体的エネルギー消費トレース５１８は、特定のデバイスが使用される時期の特定のために、エネルギーパターン５１０、５１２および５１４と共に用いられ得る。このプロセスは、２次パターン認識のために用いられ得る。

図５Ｂは、全体的エネルギー使用からのデバイスの差異特定のために上記したプロセスにおいて学習されたパターンの使用の使用例である。エネルギー使用のベースラインパターン５２０が設けられる。ベースラインパターン５２０は、異なるデバイスからの全体的エネルギー使用を示す。ベースラインパターン５２０は、類似の期間わたる現在の使用量パターン５２２と比較される。ベースラインパターン５２０と、現在の使用量パターン５２２との比較は、差異特定５２４のために用いられ得る。本例において、ベースラインパターン５２０および５２２間の差異により、１つのデバイス（デバイスＡ）が現在の使用期間において使用されなかったことの決定が可能になる。

エネルギー使用量パターン（例えば、パターン５１０、５１２および５１４）は、機械学習によって決定され得る。このプロセスにより、患者が（据え付け開始時にデバイスを順次オンおよびオフにすることにより）自身のエネルギーデータを生成するあらゆる必要性が制限され得る。モニタ（例えば、図１中のエネルギー感知モジュール１３０）から得られたリアルタイムデータにより、機械学習プロセスを継続的に精緻化させることもでき得る。よって、機械学習プロセスによって生成されたモデルは、経時的に向上する。合成データ生成（例えば、無限の数の住居環境のシミュレーションのための異なる期間のためのデバイス信号のランダムな追加および実際の履歴データに類似するランダムノイズの追加）と、新規デバイス検出とにより、ディープラーニングモデルでしか可能にならない連続的向上が可能になる。機械学習によって生成されたモデルの代替例として、特定のデバイスのエネルギーパターンの特定のための固定されたルールセットがあり得る。

図６は、ルーチンのフロー図である。このルーチンは、例えば図１に示す電子デバイスに関連してエネルギー使用量パターンを学習し、学習されたモデルの適用により、エネルギーモニタからのライブエネルギーデータを分析する。学習ルーチンは、公的に利用可能なデータ６１０に依存する。このようなデータは、公的に利用可能な世帯エネルギー消費データセットを含み得る（例えば、基準エネルギー非集計データセット（ＲＥＤＤ）およびＧＲＥＥＮＤ電気エネルギーデータセット）。さらなるデータが、複数の患者からのエネルギー感知モジュール（例えば、図１中のエネルギー感知モジュール１３０）によって監視されるデバイスの母集団からのプロプラエタリソース６１２（例えば、収集およびライブフィードバック）から入手され得る。正規化および合成データ生成モジュール６１４は、公的データ６１０およびプロプラエタリデータ６１２を受信する。モジュール６１４は、または図データの正規化（例えば、器具ラベルの統一）を行い、生成において用いられる所望の頻度までアップサンプルまたはダウンサンプルする。次に、モジュール６１４は、合成データの生成を行い得る。この合成データの生成は、ランダムに選択された期間にわたってランダムに選択されたデバイスから合成世帯を生成し、全ての合成デバイス負荷およびいくつかの代表的ノイズレベルの付加によって世帯レベルの負荷時系列を生成することにより、行われる。生訓練データ６１６は、モジュール６１４から生成される。訓練およびチューニングモジュール６１８に対し、生訓練データ６１６が設けられる。訓練およびチューニングモジュール６１８は、エネルギー非集計６２０のために１組の訓練された機械学習モデルを生成する。

モデルが十分に高精度である場合、これらのモデルは、図２中の分析エンジン２２０によって用いられ得る。１組のライブセンサデータ６３０が、モニタ（例えば、図１中のエネルギー感知モジュール１３０）から連続的に収集される。ライブセンサデータは、訓練されたモデル（６３２）へ入力される。これらの訓練されたモデル（６３２）は、エネルギー分析エンジン２１０によって用いられる。エネルギー分析エンジン２１０は、これらの訓練されたモデルを用いて、受信されたセンサデータに基づいて異なるデバイスの使用を予測または分類する。各例示の公知のデバイスは、エネルギー使用６４０、６４２、６４４および６４６の予測を受信されたセンサデータに基づいて出力する別個の予測モジュールを有する。次に、エネルギー使用量の出力予測は、センサデータと関連付けられた特定の住居環境内におけるデバイスについて、使用量として出力される。さらなる未特定のセンサデータが、ノイズ（６４８）として分類され得る。このノイズデータを収集することにより、新規のデバイス検出モデル６５０が生成され得る。このようなモデルは、ノイズデータが十分に大きくかつ反復的である場合に生成され得る。このモデルは、訓練およびチューニングモジュール６１８によって生成される。新規のデバイスモデルは、プロプラエタリデータ６１２へ追加されて、既知のモデルのデバイスが更新され得る。

図７Ａは、図６中のルーチンのための訓練データの表である。図７Ａから分かるように、訓練データは、家宅ＩＤ、および現地日付および各エネルギー変化と関連付けられた時間を含む。入力データは、各時間における総電力使用である。出力データは、上記セット中の各デバイスの使用および対応する時間ならびにランダムノイズデータである。上記したように、訓練データを用いて、モデルを生成することと、異なるデバイスをデバイスのエネルギーパターンによって特定するための訓練およびチューニングモジュール６１８のための適切な重み付けを教示することとが行われる。

図７Ｂは、図７Ａ中の表からの訓練データを用いた学習ルーチンのための訓練プロセスのフロー図である。このプロセスは、図６中のモデル６２０の精緻化のために訓練およびチューニングモジュール６１８によって用いられる。１組の生訓練データ７１０（例えば、図７Ａ中に示す表中のデータ）が収集される。この訓練データは、１組の窓化されたサンプル７１２の生成のために用いられ、これにより、各サンプルは、世帯レベル負荷の複数の時間ステップを入力としてかつデバイスレベル負荷の現在の時間ステップまたは複数の時間ステップを出力として含む。例えば、所望の時間窓が５分間であり、および各時間ステップが３０秒であり、目標が冷蔵庫使用における現在の時間ステップを予測することである場合、入力は、世帯レベル負荷の１０個の時間ステップを含み、出力は、冷蔵庫負荷の現在の時間ステップのみを含む。特定の訓練窓のサイズは、ハイパーパラメータであり、性能最適化のためにチューニングされ得、デバイスシグネチャの持続時間に関連することが多い。例えば、やかんに最適な窓は２分間であり得、洗濯乾燥機に最適な窓は３０分間であり得る。窓化されたサンプル７１２の利用により、異なる住居環境に関連する一連の区画７１４が生成される。これらは、サンプルから排除される合成住居環境を含み得る。これらの区画により、多数の異なる種類の住居環境およびデバイス組み合わせにわたる予測のためのモデルが得られるため、住居環境の一部を「サンプルから除外」して、性能の測定および最良のモデル構造の選択が可能になる。窓化されたサンプル７１２は、異なる区画内に出現する同一の住居環境を含まない異なる住居環境のランダムなサンプルに基づいて、ｋ個の別個の住居環境（区画）グループに区画される。

ハイパーパラメータサンプラー７１６が、窓化されたサンプル７１２の窓および候補モデルアーキテクチャ７１８の供給パラメータ双方の決定のために用いられる。候補モデルアーキテクチャ７１８は、ニューラルネットワーク内に入力され、初期重みの割り当てのために用いられる。ニューラルネットワークの訓練プロセスにおいても、モデルアーキテクチャ７１８への区画７１６の入力を用いて、プロセスを繰り返し訓練およびバリデートする（７２０）。本例において、プロセスは、区画７１４全てではなく区画７１４のうちの１つを訓練する。プロセスにおいて、アウトオブサンプル区画についての性能をバリデートする。これを、区画７１４の各区画について繰り返す。初期アーキテクチャからの結果を、訓練データからの出力と照合してチェックして、予測精度を決定する。予測精度が十分に高い場合、モデルおよび対応する重みが生成のために送られる。予測精度の高さが不十分である場合、重みは調節され、プロセスは、調節されたモデルアーキテクチャと共に繰り返される。

図７Ｃは、１種のデバイス（例えば、食器洗浄機）のエネルギーパターンの出力のための例示的ニューラルネットプロセス７５０の簡単な図である。ニューラルネット７５２が、図７Ｂに記載のプロセスを用いて訓練される。集合体エネルギー信号７６０が、（対応する重み値をそれぞれ有する）一連の初期ノード７７０へ入力される。初期ノード７７０は、異なる重み値と共にノード７７２の隠れ層へ接続される。ノード７７２の記隠れ層の出力は、出力ノード７７４の層へ出力される。出力ノード７７４の出力は、単一のデバイス７８０（例えば、本例においては食器洗浄機）のエネルギー使用パターンを示す出力をフィルタリングする。ニューラルネット７５２のノードに対する重みは、サンプルの各バッチ後に更新されて、選択された計量法（例えば、平均平方誤差）を最小限にさせる。

図６中のルーチンにより異なるデバイスについてのエネルギー使用量データが生成された後、ルーチンが分析エンジン２２０によって実行されて、患者の健康状態の監視をエネルギー使用量データおよび他の入力に基づいて行う。例えば、監視対象となる治療デバイス（吸入器、ＣＰＡＰ、酸素供給器、通風装置）を有する患者の場合、予測される器具負荷に基づいた健康インジケータを健康データへリンクさせる訓練データセットが生成され得る。このデータは、日単位、週単位または月単位で集積され得る。個々のデバイストレンドまたはデバイストレンドの組み合わせにおける外れ値または異常値のインジケータが提供され得る。エンジンは、期間毎の変化を決定し得る（例えば、前週または以前の期間からの比較可能な週との間の差または比）。特定のデバイスへの給電タイミングも、健康状態の予測となり得る。

図８は、学習ルーチンのフロー図である。この学習ルーチンは、エネルギー使用量パターンを個々の患者の健康状態に関連して学習し、学習したモデルを適用してライブセンサデータを分析する。モニタ（例えば、図１中のエネルギー感知モジュール１３０および他の患者からのビッグデータ）から得られたリアルタイムデータにより、機械学習プロセスを継続的に精緻化させることもできる。よって、エネルギー使用量と、機械学習プロセスによって生成された健康状態とを相関付けるモデルが、経時的に向上する。機械学習によって生成されたモデルに対する代替例として、特定のデバイスのエネルギーパターンに基づいて健康状態を特定するための固定ルールセットがあり得る。

１組の訓練データ８１０が、訓練およびチューニングモジュール８１２へ入力される。この１組の訓練データは、デバイスのエネルギー使用量パターンおよび患者の健康状態の相関を含む。訓練およびチューニングモデル８１２は、健康変数８１４について訓練された機械学習モジュールを生成しかつ精緻化する。訓練されたモジュール８１４は、精度のために精緻化され、十分に高精度になった場合、健康８１６の予測のために生成モデルへ移動される。この訓練プロセスは、図７Ｂを参照して上記したものと同様である。

例示的なフィーチャエンジニアリングモジュール８２０は、予測されたデバイス負荷の時系列から新規入力フィーチャを生成する。これらの新規入力フィーチャは、特定の患者に対する占有者の健康特性のいくつかの入力に基づいた決定に最も関連する。例えば、現在の昼光照明の使用が前の週の同じ日よりも低い場合、緊急事態の医師訪問に繋がる深刻な健康問題の予測となり得、日中においてＴＶ使用量が月ごとに増加している場合、活動および呼吸機能が（緩慢ではあるが）長期的に低下していることを予測し得る。全体的エネルギー使用８３０の１組のライブセンサデータは、図１中のエネルギー感知モジュール１３０などのモニタから連続的に収集される。このライブセンサデータは、図６中のプロセスによって決定された訓練されたモデル８３２へ入力される（例えば、分析エンジン２２０によって使用される予測６４０、６４２、６４４および６４６）。分析エンジン２２０は、受信されたセンサデータに基づいて異なるデバイスの使用を予測するための訓練されたモデルを用いる。各例示的な既知のデバイスは、受信されたセンサデータに基づいてエネルギー使用８３４の予測を出力する別個の予測モジュールを有する。次に、エネルギー使用量の出力予測が、センサデータと関連付けられた特定の住居環境内のデバイスの使用量として出力され、フィーチャエンジニアリングモジュール８２０へ提供される。タイムスタンプ８３６を用いた予測されるデバイスレベル負荷に関連するデータも、フィーチャエンジニアリングモジュール８２０へ提供される。このデータは、図６中のプロセスによって分析された後、エネルギーセンサモジュール（例えば、図１中のエネルギーセンサモジュール１３０）から入手される。他の監視対象としての健康入力データ８３８も、フィーチャエンジニアリングモジュール８２０へ提供される。例えば、関連データが、デバイス（例えば、ＣＰＡＰデバイス、吸入器およびポータブル酸素濃縮器）から入手され得る。フィーチャエネルギーモジュール８２０からの出力データは、訓練された健康モデル８１６またはルールに基づいたシステム８４０へ入力されて、患者の健康状態を出力する。その結果得られた健康状態は、患者、ケアプロバイダまたは健康ケア専門家へ通信され得る（８５０）。

図６および図８の流れ図は、図１のエネルギーデータを収集および分析するための機械可読命令例を表している。本例において、機械可読命令は、以下によって実行されるアルゴリズムを含む：（ａ）プロセッサ；（ｂ）コントローラ；および／または（ｃ）１つ以上の他の適切な処理デバイス（単数または複数）。アルゴリズムは、有形媒体（例えば、フラッシュメモリ、ＣＤ－ＲＯＭ、フロッピー（登録商標）ディスク、ハードドライブ、デジタルビデオ（バーサタイル）ディスク（ＤＶＤ）または他のメモリデバイス）上に保存されたソフトウェア中に埋設され得る。しかし、当業者であれば、アルゴリズム全体および／またはその一部を、プロセッサ以外のデバイスによって実行しかつ／またはファームウェアまたは専用ハードウェア中に周知の様態で埋設してもよい（例えば、これは、特定用途向け集積回路［ＡＳＩＣ］、プログラマブル論理デバイス［ＰＬＤ］、フィールドプログラマブル論理デバイス［ＦＰＬＤ］、フィールドプログラマブルゲートアレイ［ＦＰＧＡ］、個別論理によって実行され得る）ことを理解する。例えば、インターフェースのコンポーネントのうちいずれかまたは全てを、ソフトウェア、ハードウェアおよび／またはファームウェアによって実行することができる。また、フローチャートによって示される機械可読命令のうちいくつかまたは全てを手動で実行してもよい。さらに、例示的なアルゴリズムについて図６および図８中に示すフローチャートを参照して述べているが、当業者であれば、例示的な機械可読命令を実行するための他の多数の方法も用いられ得ることを容易に理解する。例えば、ブロックを実行する順序を変更しかつおよび／または記載のブロックのうちいくつかを変更、除去または組み合わせてもよい。

図９は、図１に示す自宅１００のエネルギー監視を用いた患者からデータを入手するための例示的ヘルスケアシステム９００のブロック図である。ヘルスケアシステム９００は、データサーバ９１２、電子医療記録（ＥＭＲ）サーバ９１４、健康または在宅医療プロバイダ（ＨＣＰ）サーバ９１６、患者コンピューティングデバイス１６０、および図２の分析システム２００を含む。患者コンピューティングデバイス１６０は、本例において患者１１０および自宅１００に設置してあるエネルギーモニタ１３０と共に同一場所に設置される。システム９００において、これらのエンティティは全て、広域ネットワーク９３０（例えば、インターネット）へ接続されかつ広域ネットワーク９３０を介して相互通信するように構成される。広域ネットワーク９３０への接続は、有線型であってもよいし、無線型であってもよい。ＥＭＲサーバ９１４、ＨＣＰサーバ９１６、およびデータサーバ９１２は全て、別の場所における別個のコンピューティングデバイス上において実行され得、あるいは、これらのエンティティのうち２つ以上の任意の部分的組合せが、同一コンピューティングデバイス上において共に実行され得る。

患者コンピューティングデバイス１６０が、広域ネットワーク９３０を経て、患者１１０とシステム９００の遠隔所在エンティティとの間を仲介するように構成されている。上記したように、エネルギーモニタ１３０は、患者コンピューティングデバイス１６０の機能の一部または全てを包含し得、システム９００内のサーバのうちいずれかと直接通信し得る。図９の例示的な具現例において、この仲介は、患者コンピューティングデバイス１６０上において実行するソフトウェアアプリケーションプログラム９４０により、達成される。患者プログラム９４０は、「患者アプリ」と称される専用アプリケーションであってもよいし、あるいは、健康プロバイダまたは在宅医療プロバイダによって提供されるウェブサイトと対話するウェブブラウザであってもよい。システム９００は、各患者と関連付けられた他のエネルギーモニター（図示せず）を含み得、これらのエネルギーモニター（図示せず）は、それぞれの関連付けられたコンピューティングデバイスおよび（恐らくは他の患者と共に共有される）関連付けられたＨＣＰサーバを有する各患者のくわと関連付けられる。システム９００内の患者は全員、データサーバ９１２によって管理され得る。

上記したように、エネルギーモニタ１３０からのデータは、システム２００を介して患者の健康と相関付けられ得る。システム２００からの健康データは、システム７００のその他のサーバ（例えば、データサーバ９１２）へ供給され得る。図２中の分析モジュール２２０により、上記した例示的技術のうちいずれかに基づいた患者の健康の分析が提供され得る。分析モジュール２２０からのその結果得られた健康分析は、サーバ９１２、９１４および９１６のうちいずれかによってアクセスされるデータベース９５０によってアクセスされ得る。

本例において、エネルギー監視デバイス１３０は、自宅１００からのエネルギーデータを無線プロトコルを介して患者コンピューティングデバイス１６０へ送信するように構成され、患者コンピューティングデバイスは、このデータを患者プログラム９４０の一部として受信する。それから患者コンピューティングデバイス１６０は、プルオアプッシュ（ｐｕｌｌ ｏｒ ｐｕｓｈ）モデルに従って、エネルギーデータをデータサーバ９１２および／またはシステム２００へ送信する。データサーバ９１２またはシステム２００は、「プル」モデルに従って生理学的データをコンピューティングデバイス１６０から受信し得、これにより、コンピューティングデバイス１６０は、データサーバ９１２またはシステム２００からのクエリに応答してエネルギーデータを送信する。あるいは、データサーバ９１２は、「プッシュ」モデルに従ってエネルギーデータを受信し得、これにより、コンピューティングデバイス１６０は、生理学的データをデータサーバ９１２またはシステム２００へ送信する。上記したように、システム２００は、データサーバ９１２にとって利用可能なこのようなエネルギーデータを、患者の健康状態データの生成に関連した分析のために作製し得る。さらに、データサーバ９１２は、データベース（例えば、データベース９５０）へアクセスして、収集データされた分析データを保存し得る。

患者コンピューティングデバイス１６０から受信されたデータは、システム９００で患者１１０と一意に関連付けられるように、データサーバ９１２によって保存およびインデックス付けされる。この点に関し、図９では説明の都合上、１つの自宅１００だけが示されているが、システム９００は異なる患者らと関連付けられた異なる自宅の複数のエネルギー監視モジュールを含み得る。データサーバ９１２は、各患者または自宅について概要データを計算するように、構成され得る。データサーバ９１２は、患者コンピューティングデバイス１６０からデータを受信するようにも構成され得る（例えば、患者１１０が入力したデータ、患者についての挙動データ、または他の関連データ）。

ＥＭＲサーバ９１４は、電子医療記録（ＥＭＲ）を含む（すなわち、患者１１０について特異的な電子医療記録（ＥＭＲ）と、患者１１０と類似の疾患を有する患者からなるより大きな母集団に対して包括的な電子医療記録（ＥＭＲ）との両方）。ＥＭＲは、電子健康記録（ＥＨＲ）とも呼ばれ、典型的には、患者の医療履歴（例えば、前回の状態、治療、合併症および現在の状態）を含む。ＥＭＲサーバ９１４は、例えば患者１１０が前回治療を受けた病院に配置され得る。ＥＭＲサーバ９１４は、恐らくはデータサーバ９１２からのクエリ受信に応答してＥＭＲデータをデータサーバ９１２へ送信するように構成される。

本例において、ＨＣＰサーバ９１６は、患者の呼吸治療について責任を負う健康／在宅医療プロバイダ（これは、個々のヘルスケア専門家または組織であり得る）と関連付けられる。ＨＣＰは、ＤＭＥまたはＨＭＥ（国内／家庭用医療機材プロバイダ）とも呼ばれ得る。ＨＣＰサーバ９１６は、プロセス９５２を利用し、データサーバ９１２からのクエリ受信に応答して、患者１１０に関連するデータをデータサーバ９１２へ送信することができる。

いくつかの実装例において、データサーバ９１２は、ＨＣＰサーバ９１６と通信して、ＨＣＰの代行者（例えば、看護婦）への通知またはアクション推奨をトリガするかまたは多様な報告のサポートを行うように、構成される。実行されたアクションの詳細は、従事データの一部としてデータサーバ９１２によって保存される。

ＨＣＰサーバプロセス９５２は、３０日などのコンプライアンス期間にわたって必要な治療または活動を指定するコンプライアンス規則に従って患者１１０を監視する能力を含み得る。概要データの後処理において、コンプライアンス規則の順守度を決定することにより、最近の数字が順守セッションであるかが決定され得る。このような後処理の結果を「コンプライアンスデータ」と呼ぶ。このような順守データは、吸入器および他の機構を含み得る治療をヘルスケアプロバイダが個別調整する際に、用いられ得る。他の関係者（例えば、支払人）は、患者に対して償還が存在し得るかを決定するために、順守データを用い得る。ＨＣＰサーバプロセス９５２は、他のヘルスケア機能を有し得る（例えば、多数の患者からのデータ収集に基づいた治療の全般的利用または有効度の決定）。プロセス９５２は、収集されたデータを通じて医療デバイスの有効性を決定することができ得る。例えば、患者がコンプライアントであるが改善していない場合、その治療が当該患者にとっては無効な治療ではないが製品が全体的に無効である可能性がある。さらに、特定の製品に対するコンプライアンスが低い場合、その製品に欠陥があり得るかまたはその製品の使用に問題があり得る（例えば、人間工学またはユーザインターフェース）ため、ヘルスケアエンティティに対して異なる医療デバイスの選択が奨励され得る。上記したように、データを地理的にリンクされたデータと相関付けることにより、特定の場所における集団発生または近隣の患者に基づいた患者の問題の確立の増加が決定され得る。例えば、高温または花粉数増加がきっかけとなって、特定の地域内の多数の類似の患者の特定の健康状態が発生し得る。

理解されるように、データサーバ９１２、ＥＭＲサーバ９１４、およびＨＣＰサーバ９１６中のデータは、患者１１０に関連する機密データであることが多い。典型的には、機密データを別の当事者へ送る許可を患者１１０から提供する必要があることが多い。このような許可は、サーバ９１２、９１４、および９１６間のデータ転送に必要であり得る（ただし、このようなサーバが異なるエンティティによって操作されている場合）。

本出願で使用される「部品」、「モジュール」、「システム」などの用語は、ハードウェア（例えば、回路）、ハードウェアとソフトウェアの組み合わせ、ソフトウェア、または１つ以上の具体的な機能を有する動作機械に関するエンティティのいずれかであるコンピュータ関連エンティティを概して指す。例えば、部品は、プロセッサ（例えば、デジタル信号プロセッサ）上で実行される処理、プロセッサ、オブジェクト、実行可能ファイル、実行スレッド、プログラム、および／またはコンピュータであり得るが、これらに限定されない。例として、コントローラと、コントローラ上で動作するアプリケーションの両方が部品であり得る。１つ以上の部品が、プロセスおよび／または実行スレッド内に存在し得、ある部品が、１台のコンピュータ上でローカライズされたり、２台以上のコンピュータ間で分散されたりし得る。さらに、「デバイス」は、特別に設計されたハードウェア、具体的な機能の実行を可能にするソフトウェアの実行によって特殊化された被汎用化ハードウェア、コンピュータ可読媒体に記憶されたソフトウェア、またはこれらの組み合わせの形態をとることができる。

本明細書中に用いられる用語は、特定の実施形態を説明することのみを目的とし、本発明を限定的なものではない。本明細書で使用している単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、文脈から明らかな場合を除き、複数形も含むことが意図されている。さらに、発明を実施するための形態および特許請求の範囲において、「含む」、「有する」、またはそれらの活用形が使用されており、これらの用語は、「備える」という用語と同様に包括的であることが意図されている。

他に明記しない限り、本明細書中の全ての用語（技術用語および科学用語を含めて）は、当業者が一般的に理解するような意味と同じ意味を持つ。さらには、広く使用されている辞書で定義されているような用語は、当該技術分野の文脈における意味と一致するように解釈されるべきであり、本明細書で明示的に定義されている場合を除き、理想化された意味や過剰に形式的な意味で解釈されることはない。

以上、本発明の様々な実施形態について説明してきたが、それらは例示目的でのみ提示されており、限定ではないものと理解すべきである。本発明について、１つ以上の実装形態に関して例示および説明してきたが、本明細書および添付の図面を読み、理解する上で、等価の変更および修正が生じるか、他の当業者に公知であろう。加えて、本発明の特定の特徴は、いくつかの実装形態のうちの１つのみに関して開示されたかもしれないが、かかる特徴は、任意の所与または特定の用途に対して所望かつ有利となるように、他の実装形態の１つ以上の他の特徴と組み合わせられ得る。したがって、本発明の幅と範囲は、上記実施形態のいずれによっても制限されるべきでない。むしろ、本発明の範囲は、以下の請求項およびその均等物に従って定義されるべきである。

Claims (26)

1. 患者の健康のモニタリングのためのシステムであって、
   住居環境内の複数の電気デバイスへの給電を行う電気パネルと通信するエネルギー監視モジュールであって、前記エネルギー監視モジュールは、前記複数の電気デバイスが消費するエネルギーを監視するように動作可能である、エネルギー監視モジュールと、
   前記エネルギー監視モジュールからのエネルギーデータ収集を一定期間にわたって行うデータエネルギー分析エンジンと、
   患者の健康状態を収集されたエネルギーデータに基づいて決定する健康データ相関エンジンと、を含む、システム。
2. 前記健康状態は、前記患者の睡眠の質または持続時間の変化を含む、請求項１に記載のシステム。
3. 前記健康状態は、前記患者の食事または食欲の変化を含む、請求項１～２のいずれか一項に記載のシステム。
4. 前記健康状態は、前記患者の肉体的活動または機敏性の変化を含む、請求項１～３のいずれか一項に記載のシステム。
5. 前記複数のデバイスは、前記患者の治療のための治療デバイスを含む、請求項１～４のいずれか一項に記載のシステム。
6. 前記健康状態は、呼吸状態である、請求項１～５のいずれか一項に記載のシステム。
7. 前記エネルギーデータは、電気使用量に基づいたパターンである、請求項１～６のいずれか一項に記載のシステム。
8. 前記エネルギーデータは、前記複数のデバイスそれぞれが電源オンにされた時間を含む、請求項１～７のいずれか一項に記載のシステム。
9. 前記エネルギーデータは、前記複数のデバイスそれぞれについての特定のデバイスシグネチャの決定を含む、請求項８に記載のシステム。
10. 前記特定のデバイスシグネチャは、機械学習から決定される、請求項９に記載のシステム。
11. 前記特定のデバイスシグネチャは、デバイスシグネチャのルールセットから決定される、請求項９に記載のシステム。
12. 前記健康状態と前記特定のデバイスシグネチャとの間の相関は、機械学習から決定される、請求項９に記載のシステム。
13. 前記エネルギーデータは、一定期間にわたる前記複数のデバイスの電気使用量の合計を含む、請求項１～１２のいずれか一項に記載のシステム。
14. 住居環境における患者の健康のモニタリングのための方法であって、
    前記住居環境における少なくとも１つのデバイスのエネルギー使用データを収集することと、
    前記エネルギー使用データからエネルギー使用パターンを決定することと、
    前記エネルギー使用パターンを前記患者の健康状態と相関付けることと、を含む、方法。
15. 前記健康状態は、前記患者の睡眠の質または持続時間の変化を含む、請求項１４に記載の方法。
16. 前記健康状態は、前記患者の食事または食欲の変化を含む、請求項１４～１５のいずれか一項に記載の方法。
17. 前記健康状態は、前記患者の肉体的活動または機敏性の変化を含む、請求項１４～１６のいずれか一項に記載の方法。
18. 前記デバイスは、前記患者の治療のための治療デバイスである、請求項１４～１７のいずれか一項に記載の方法。
19. 前記健康状態は、呼吸状態である、請求項１４～１８のいずれか一項に記載の方法。
20. 前記エネルギー使用パターンは、電気使用量に基づいたパターンである、請求項１４～１９のいずれか一項に記載の方法。
21. 前記エネルギー使用パターンは、複数の前記デバイスそれぞれが電源オンにされた回数を含む、請求項１４～２０のいずれか一項に記載の方法。
22. 前記エネルギーデータは、複数の前記デバイスそれぞれについての特定のデバイスシグネチャの決定を含む、請求項２１に記載の方法。
23. 前記特定のデバイスシグネチャを機械学習から決定することをさらに含む、請求項２２に記載の方法。
24. 前記特定のデバイスシグネチャをデバイスシグネチャのルールセットから決定することをさらに含む、請求項２２に記載の方法。
25. 前記健康状態と特定のデバイスシグネチャとの間の相関を機械学習から決定することをさらに含む、請求項２２に記載の方法。
26. 前記エネルギー使用パターンは、前記デバイスの一定期間にわたる電気使用量の合計を含む、請求項１４～２５のいずれか一項に記載の方法。
    

Images