JP2022543348A - モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 - Google Patents

モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 Download PDF

Info

Publication number
JP2022543348A
JP2022543348A JP2022501048A JP2022501048A JP2022543348A JP 2022543348 A JP2022543348 A JP 2022543348A JP 2022501048 A JP2022501048 A JP 2022501048A JP 2022501048 A JP2022501048 A JP 2022501048A JP 2022543348 A JP2022543348 A JP 2022543348A
Authority
JP
Japan
Prior art keywords
subject
data
computer
implemented method
cognitive decline
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2022501048A
Other languages
English (en)
Inventor
チュアン チェン，リチャード，ジア
フォッシーニ，ルカ
ジャンコヴィック，フィリップ，アレクサンダー
ジュング，ヒュン，ジューン
コーティス，ランプロス
マリコビッチ，ヴェラ
マリンセック，ニコル，リー
マリア ピュー，メリッサ，アンナ
シェン，ジー
シニョリーニ，アレッシオ
ソン，ハン，ヒー
サンガ，マーク，オーランド
トリスター，アンドリュー，ダニエル
ツェン，ベル
ヤーリ，ロイ
Original Assignee
イーライ リリー アンド カンパニー
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 イーライ リリー アンド カンパニー filed Critical イーライ リリー アンド カンパニー
Publication of JP2022543348A publication Critical patent/JP2022543348A/ja
Priority to JP2023083791A priority Critical patent/JP2023106521A/ja
Priority to JP2023083790A priority patent/JP2023106520A/ja
Priority to JP2023083788A priority patent/JP2023106518A/ja
Priority to JP2023083787A priority patent/JP2023106517A/ja
Priority to JP2023083789A priority patent/JP2023106519A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1127—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using markers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Psychiatry (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Cardiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Neurosurgery (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Educational Technology (AREA)
  • Vascular Medicine (AREA)
  • Social Psychology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Nitrogen And Oxygen Or Sulfur-Condensed Heterocyclic Ring Systems (AREA)

Abstract

本開示の実施形態は、少なくとも１つのモバイルデバイスから受動的に取得されたデータを使用して、被験者の認知機能低下を検出するためのシステムおよび方法に関する。例示的な実施形態では、コンピュータ実装方法は、少なくとも１つのモバイルデバイスから受動的に取得されたデータを受信することを含む。この方法は、受動的に取得されたデータからデジタルバイオマーカーデータを生成することをさらに含む。この方法は、デジタルバイオマーカーデータを分析して、被験者が認知機能低下の兆候を示しているかどうかを判定することをさらに含む。【選択図】図５

Description

本開示は、１つ以上のモバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法に関する。より具体的には、本開示は、１つ以上のモバイルデバイスによって収集された、受動的に取得されたセンサ測定値を使用して認知機能低下を検出するためのシステムおよび方法に関する。
世界中の何百万人もの人々が、認知症またはアルツハイマー病などの認知障害を抱えて生活している。認知障害を抱えて生活している人々が蔓延しているにもかかわらず、初期の症状は微妙であり、通常の加齢に起因することが多いため、認知機能低下の早期診断は臨床上の課題である。そのため、認知機能低下を可能な限り早く検出するための改善されたシステムおよび方法が必要である。
本開示の実施形態は、１つ以上のモバイルデバイスから受動的に収集されたセンサ測定値を使用して認知機能低下を検出することに関する。例示的な実施形態は、以下の実施例を含むが、これらに限定されない。
一態様によれば、本開示は、被験者の認知機能低下を検出するための、コンピュータが実行する方法（a computer-implemented method、以下、「コンピュータ実装方法」ともいう）を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、受動的に取得されたデータは、（ｉ）モバイルデバイスによって受信された着信メッセージの数および（ｉｉ）モバイルデバイスによって送信された発信メッセージの数のうちの少なくとも１つに関するデータを含む、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む。
別の態様によれば、本開示は、被験者の認知機能低下を検出するためのコンピュータ実装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、受動的に取得されたデータが、（ｉ）観察期間中の各日の最初に観察された被験者の動きの時刻（ＴｏＤ）、（ｉｉ）観察期間中の各日の最初に観察された被験者のペースのＴｏＤ、（ｉｉｉ）観察期間中の各日の最後に観察された被験者の動きのＴｏＤ、および（ｉｖ）観察期間中の各日の最後に観察された被験者のペースのＴｏＤ、のうちの少なくとも１つを含む、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、判定の結果に関して、被験者および別のユースのうちの少なくとも１人に対してユーザ通知を生成することと、を含む。
別の態様によれば、本開示は、被験者の認知機能低下を検出するためのコンピュータ実装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、受動的に取得されたデータが、被験者の観察された歩幅に関するデータを含む、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む。
別の態様によれば、本開示は、被験者の認知機能低下を検出するためのコンピュータ実装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、受動的に取得されたデータが、観察期間中の運動動作の数に関するデータを含む、受信することと、受動的に取得されたデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む。
別の態様によれば、本開示は、被験者の認知機能低下を検出するためのコンピュータ実装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、受動的に取得されたデータが、被験者が少なくとも１つのモバイルデバイス上の時間を判断するためにモバイル時計アプリケーションを閲覧した回数に関するデータを含み、被験者がモバイル時計アプリケーションを閲覧した各時間が、閲覧持続時間に関連付けられる、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、受動的に取得されたデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む。
別の態様によれば、本開示は、被験者の認知機能低下を検出するためのコンピュータ実装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、受動的に取得されたデータが、通信デバイスによって送信される発信メッセージを構成しながらユーザがタイプする方法を特徴付けるデータを含む、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む。
さらに別の態様によれば、本開示は、被験者の認知機能低下を検出するためのコンピュータ実装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された１つ以上のユーザ活動の受動的に取得された時系列データを受信することと、周波数分析を使用して、受動的に取得された時系列データを処理して、時系列データを周波数パワースペクトルに変換することと、第１の周波数閾値と第２の周波数閾値との間の周波数パワースペクトル内のスペクトルエネルギー量を計算することと、計算されたスペクトルエネルギー量に基づいてデジタルバイオマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む。
本開示の上述および他の特徴および利点、ならびにそれらを達成する方式は、本発明の実施形態の以下の説明を添付の図面と併せて参照することによってより明らかになり、またより良好に理解されよう。
本開示の少なくとも１つの実施形態による、１つ以上のモバイルデバイスを使用して認知機能低下を検出するための例示的なシステムの概略図である。 本開示の少なくとも１つの実施形態による、１つ以上のモバイルデバイスから受動的に取得されたデータを使用して認知機能低下を検出するための例示的なコンポーネントのブロック図である。 本開示の少なくとも１つの実施形態による、１つ以上のモバイルデバイスから受動的に取得されたデータを使用して認知機能低下を判定するための方法の流れ図である。 本開示の少なくとも１つの実施形態による、１つ以上のモバイルデバイスから受動的に取得されたデータを記録、処理、かつ／または表示するためのデータ構造を示す図である。 本開示の少なくとも１つの実施形態による、認知機能低下を検出するために使用することができる２０個の例示的な重要バイオマーカーを示す図である。 本開示の少なくとも１つの実施形態による、１つ以上のモバイルデバイスから受動的に取得されたデータを分析して認知機能低下を判定するための方法の流れ図である。 本開示の少なくとも１つの実施形態による、１つ以上のモバイルデバイスから受動的に取得されたデータを分析して認知機能低下を判定するための方法の別の流れ図である。 本開示の少なくとも１つの実施形態による、図７に示す方法の動作を示す例示的な時系列データおよび周波数スペクトルデータを示す図である。 本開示の少なくとも１つの実施形態による、１つ以上のモバイルデバイスから受動的に取得されたデータを分析して認知機能低下を判定するための方法の別の流れ図である。 本開示の少なくとも１つの実施形態による、１つ以上のモバイルデバイスから受動的に取得されたデータを使用して認知機能低下を検出するためのシステムおよび／または方法を実装するための例示的なコンピュータシステムのブロック図である。
複数の図全体を通して、対応する参照符号は、対応する部品を示す。本明細書に記載される例示は、本発明の例示的な実施形態を例示し、そのような例示は、いかようにも本発明の範囲を限定するものと解釈されるべきではない。
認知障害の一般的なスクリーニングツールは、認知機能低下の初期段階を一貫して検出しない。より良好な結果を達成するより感度の高いテストには、高度に専門化され訓練された評価担当者および長いテスト持続時間が必要であるが、評価者のバイアス、文化的バイアス、教育的バイアス、および実践効果によっても制限される。また、現在の医療環境の限られた可用性および／または容量は、広範囲にわたるスクリーニングを達成することを困難にしている。
これらの制限を緩和するために、コンピュータ化された努力がなされてきた。例えば、Ｃａｍｂｒｉｄｇｅ Ｎｅｕｒｏｐｓｙｃｈｏｌｏｇｉｃａｌ Ｔｅｓｔ Ａｕｔｏｍａｔｅｄ Ｂａｔｔｅｒｙ（ＣＡＮＴＡＢ）などのコンピュータベースの認知評価テストは、タッチスクリーンコンピュータを使用して被験者に実施される一連の神経心理学的テストで構成されている。ただし、このような神経心理学的テストでは、被験者の認知機能の様々な領域を評価する一連のタスクで構成されるテストを完了するために、被験者が意図的に時間および注意を向ける必要がある。その結果、被験者は一般に、認知機能低下の早期診断を妨げる認知機能低下を病んでいる可能性があると自分がすでに疑っていない限り、そのようなテストを探すこと、または完了することを行わない。さらに、そのようなテストでは一般に、医療システムに対して直接的と間接的の両方で追加コストを負って、必要なタスクを完了するために、被験者がかなりの時間および注意を払う必要がある。
本明細書に開示される実施形態は、コンピュータ技術に根ざしたこれらの問題に対する解決策を提供する。具体的には、本明細書に開示される実施形態は、被験者が日常生活中に携帯かつ／または使用するモバイルデバイスを使用して、被験者が日常の活動を行うときに被験者に関する様々なパラメータデータを受動的に収集する。次に、この受動的に収集されたパラメータデータを分析して、被験者が認知機能低下を経験している可能性があるかどうかを判定する。モバイルデバイス（例えば、スマートフォンおよび／またはスマートウォッチ）は遍在しており、１日を通して多くの人が携帯するため、この解決策は、従来の実施形態に勝る利点を提供する。例えば、被験者が認知機能低下を経験していることを最初に識別する必要性は、減少かつ／または排除される可能性がある。パラメータデータは、ユーザが通常の活動を行っている間に受動的に収集されるため、ユーザの日常生活および日課への侵入が減少する。併せて、データパラメータの受動的な収集、およびモバイルデバイスの相対的な遍在性は、アルツハイマー病などのより深刻な状態を示す可能性のある認知機能低下の非常に早期の検出を可能にする。さらに、専門の評価者またはコンピュータ化されたスクリーニングツールを積極的に利用する必要性が減少する。
図１は、本開示の少なくとも１つの実施形態による、１つ以上のモバイルデバイス１０２を使用して認知機能低下を検出するための例示的なシステム１００の概略図である。この図は単なる例であり、特許請求の範囲の範囲を過度に制限するものではない。当業者は、多くの変形、代替、および修正を認識するであろう。
システム１００は、１つ以上のモバイルデバイス１０２および被験者１０４を含む。モバイルデバイス１０２は、モバイルデバイス１０２に組み込まれた１つ以上のセンサを使用して被験者１０４に関するデータを受動的に感知するために、被験者１０４が取り付け、装着、携帯、かつ／または使用することができる任意のタイプの電子デバイスであり得る。例示的なモバイルデバイス１０２には、スマートフォン、スマートウォッチ、スマートタブレット、スマートリング、スマートスーツ、歩数計、心拍数モニタ、睡眠センサなどが含まれるが、これらに限定されない。
モバイルデバイス１０２によって受動的に感知データは、任意の数の様々な生理学的パラメータ、行動パラメータ、および／または環境パラメータ（本明細書では、集合的に「感知データ」と称される）に対応し得る。以下でより詳細に説明するように、感知データおよび／または他のデータ（図２を参照）は、認知機能低下を検出するために使用される。いくつかの実施形態では、モバイルデバイス１０２は、被験者１０４による追加のステップまたは入力を必要とせずに、被験者１０４によるモバイルデバイス１０２の通常の使用中に、電気的、機械的、および／または化学的手段を使用して感知データを受動的に収集する。言い換えれば、被験者１０４は、モバイルデバイス１０２との自分の日常的な相互作用のいかなる態様も変更する必要はない。いくつかの実施形態では、モバイルデバイス１０２は、要求（例えば、エネルギーを示す調査）に応じて収集データの一部を集める。単一のモバイルデバイス１０２または複数のモバイルデバイス１０２が、収集データを収集し得る。
いくつかの実施形態では、モバイルデバイス１０２は、感知データを分析し、感知データに基づいて被験者１０４の認知機能低下を検出するように構成されたコンポーネント（例えば、図２に示されるコンポーネント２００）を含む。追加的に、または代替的に、モバイルデバイス１０２は、ネットワーク１０８を介して、感知データをサーバ１０６に送信し、サーバ１０６は、収集データに基づいて被験者１０４の認知機能低下を検出するように構成されたコンポーネント（例えば、図２に示されるコンポーネント２００）を含む。
ネットワーク１０８は、例えば、バスネットワーク、ショートメッセージングサービス（ＳＭＳ）、ローカルエリアネットワーク（ＬＡＮ）、ワイヤレスＬＡＮ（ＷＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、インターネット、Ｐ２Ｐネットワーク、カスタム設計された通信またはメッセージングプロトコルなど、任意の数の異なるタイプの通信ネットワークであり得るか、またはそれらを含み得る。ネットワーク１０８は、複数のネットワークの組み合わせを含み得る。
図２は、本開示の少なくとも１つの実施形態による、１つ以上のモバイルデバイス１０２を使用して認知機能低下を検出するための例示的なコンポーネント２００のブロック図である。この図は単なる例であり、特許請求の範囲の範囲を過度に制限するものではない。当業者は、多くの変形、代替、および修正を認識するであろう。コンポーネント２００は、１つ以上のセンサ２０２、収集コンポーネント２０４、増強コンポーネント２０６、訓練コンポーネント２０８、分析コンポーネント２１０、リポジトリアプリケーションプログラミングインターフェース（ＡＰＩ）２１２、および／またはリポジトリ２１４を含み得る。
上記のように、１つ以上のモバイルデバイス１０２は、被験者１０４に関するデータを受動的に感知するために使用される１つ以上のセンサを含み得る。例えば、センサ２０２は、（例えば、加速度計を使用した）患者の身体活動レベルおよび／または活動タイプ、人体に関係する代謝レベルおよび／または他のパラメータ、例えば、（例えば、フォトプレチスモグラムを使用した）心拍数、（例えば、温度計を使用した）体温、（例えば、血圧計を使用した）血圧、血液特性（例えば、グルコースレベル）、食事、（例えば、グローバルポジショニングシステム（ＧＰＳ）を使用した）相対的な地理的位置などを示す１つ以上の信号などの生理学的パラメータを感知するように構成され得る。別の例として、センサ２０２はまた、被験者１０４を取り囲む外部環境に関する環境パラメータ（例えば、温度、空気の質、湿度、一酸化炭素レベル、酸素レベル、気圧、光強度、音など）を感知することが可能であり得る。さらに別の例として、センサ２０２はまた、被験者のタイピング、モバイルデバイスのうちの１つ以上の上で実行されているモバイルアプリケーションの使用、モバイルデバイスによって送受信されるメッセージ（例えば、ＳＭＳテキスト、電子メール、インスタントチャットメッセージ、電話通話、ビデオ通話など）、Ｓｉｒｉなどの仮想アシスタントの使用などを要約するかまたは特徴付けるデータなど、被験者に関する行動パラメータを感知かつ／または記録することが可能であり得る。生理学的パラメータ、環境パラメータ、および行動パラメータは、本明細書では、集合的に感知データ２１６と称され得る。
いくつかの実施形態では、収集コンポーネント２０４は、図３（ブロック３０２）に示されるように、センサ２０２から感知データ２１６を収集、受信、記憶、補足、かつ／または処理するように構成される。図３は、本開示の少なくとも１つの実施形態による、１つ以上のモバイルデバイスから受動的に取得されたデータを使用して認知機能低下を判定するための方法３００の流れ図である。この図は単なる例であり、特許請求の範囲の範囲を過度に制限するものではない。当業者は、多くの変形、代替、および修正を認識するであろう。いくつかの実施形態では、収集コンポーネント２０４は、センサ２０２から感知データ２１６を受信し、かつ／またはセンサを使用して感知データ２１６を収集する（ブロック３０２）。
図示されるように（ブロック３０２）、収集コンポーネント２０４は、追加的または代替的に、任意の補足データ（本明細書では、集合的に収集データ２１８と称される、図２を参照）とともに感知データ２１６を記憶し得る。収集データ２１８は、（図２の）リポジトリ２１４に記憶され得る。感知データ２１６への補足データの例として、収集コンポーネント２０４は、感知データ２１６のメタデータを収集し得る。より具体的な例として、収集コンポーネント２０４は、感知データ２１６にタイムスタンプを付けて、感知データ２１６の開始、感知データ２１６の持続時間、感知データ２１６の発生、および／または感知データ２１６の終了を判定し得る。追加的に、または代替的に、収集コンポーネント２０４は、精神運動コンポーネントデータ（例えば、タッピング速度、タッピング規則性、タイピング速度、文の複雑さ、ドラッグパス効率、読み取り速度など）、および／または精神運動コンポーネントに関するメタデータ、および／またはモバイルデバイス１０２との被験者１０４の他の相互作用（例えば、ワードプロセッシング、検索など）を収集し得る。上記のように、感知データ２１６、精神運動コンポーネントデータ、および／またはメタデータは、収集コンポーネント２０４によって、収集データ２１８としてリポジトリ２１４に記憶され得る。以下でより詳細に説明するように、収集データ２１８は、認知機能低下に関連する１つ以上のデジタルバイオマーカーを生成し、デジタルバイオマーカーを分析して被験者１０４（図１）の認知機能低下を検出するために使用される。
いくつかの実施形態では、収集コンポーネント２０４は、センサ２０２がいつ、および／またはどのくらいの頻度で感知データ２１６を感知するかを判定し得、センサ２０２から感知データ２１６を受信し、かつ／または感知データ２１６を補足して、収集データ２１８を生成する。いくつかの実施形態では、収集コンポーネント２０４は、被験者１０４からの指示なしにこれらのタスクを実行する。一例として、収集コンポーネント２０４は、異なるタイプの感知データ２１６を、１日ごとに（例えば、調査）、１時間ごとに、１分ごとに（例えば、総身体活動）、１秒ごとに、１０分の１秒ごとに、１００分の１秒ごとに（例えば、生の加速度計チャネル）などに１回サンプリングするようにセンサ２０２に指示する。別の例として、収集コンポーネント２０４は、第１のタイプの感知データ２１６（例えば、睡眠品質データ）を一定の頻度でサンプリングし、第２のタイプの感知データ２１６を、この感知データのコンテキストに適合した頻度でサンプリングするようにセンサ２０２に指示する。特定の例として、収集コンポーネント２０４は、ステップおよび／または心拍数の頻度に基づいて、ステップおよび／または心拍数を示すバイオマーカーに関連する感知データ２１６のサンプリング頻度を適合させるようにセンサ２０２に指示し得る。すなわち、ステップおよび／または心拍数が増加するにつれて、収集コンポーネント２０４は、ステップおよび／または心拍数に関連する感知データ２１６をより高い頻度でサンプリングするようにセンサ２０２に指示し得、逆もまた同様である。
図３を参照すると、収集コンポーネント２０４は、何らかのセンサデータ２１６が欠落しているかどうかを照会し得る（ブロック３０４）。例えば、被験者１０４がモバイルデバイス１０２を特定の期間使用または着用していないためにデータ収集がない期間について、収集コンポーネント２０４は、欠落しているデータを埋め得る（ブロック３０６）。例えば、イベントがトリガされたとき（例えば、アプリが開かれたとき、またはメッセージが受信されたとき）、収集コンポーネント２０４は、値なしの分を、その分においてトリガリングイベントがないことを表したゼロで埋め得る。別の例として、収集コンポーネント２０４は、心拍数の短い持続時間のギャップ（例えば、１分、５分、１０分、１５分など）を線形補間し得る。さらに別の例として、収集コンポーネント２０４は、残りのすべての欠落データを、代入されないものとして保持し得る。欠落データ（例えば、行動のギャップ）は、人が認知機能低下を経験しているために引き起こされる可能性がある。このように、データのギャップは、人が認知機能低下を経験しているかどうかを知らせるために使用され得る。いくつかの実施形態では、収集コンポーネント２０４は、収集データ２１８を、平均値、カウント、間隔、インパルス、および調査という、５つの異なるチャネルタイプにグループ化し、１）すべての分と、２）様々なイベントの時刻と、３）各日の集計と、４）活動の継続的な「島」の持続時間と、の集合からなる、４つの一般的なタイプの特徴を計算する。
追加的に、または代替的に、収集コンポーネント２０４は、感知データ２１６および／または収集データ２１８のさらなる処理（ブロック３０２）を実行し得る。例えば、収集コンポーネント２０４は、収集データ２１８をビヘイビアグラム４００にマッピングし得、その例が図４に示されている。ビヘイビアグラム４００は、収集データ２１８の記録、処理、および／または表示を容易にするデータ構造を含み得る。このデータ構造は、１分の分解能、１秒の分解能、１秒未満の分解能、または他の時間分解能の値を有する、時間調整された処理済みデータチャネルを含む場合がある。収集データ２１８をビヘイビアグラム４００表現にマッピングするために、収集コンポーネント２０４は、チャネル間の時間調整の実行、異なる時間スケールでのソースのリサンプリング、チャネル認識集約、および欠落値の処理を含み得る。特定の例として、収集コンポーネント２０４は、タイムゾーンを認識する方法で入力ソースのタイムスタンプを整列させ、イベントベースのソースからそれらが発生する秒に値を再割り当てし得る。収集コンポーネント２０４は、値を合計（ステップ、階段、不在着信、およびメッセージの場合）あるいは平均化（ペース、歩幅、心拍数、および調査応答の場合）して、分レベルの分解能サンプリングを生成し得る。収集コンポーネント２０４は、（例えば、ワークアウトセッション、呼吸セッション、立ち時間、運動、電話通話、電話のロック解除、およびアプリの使用の）間隔を表す入力ソースを、その間隔がカバーする分の分数を符号化することによって分に変換し得る。１分未満（または１秒未満）の精度を必要とする収集データ２１８（例えば、微細運動機能）の場合、収集コンポーネント２０４は、統計値を分レベルの分解能に集約する前に、より高い時間分解能で統計値を計算し得る。例えば、収集コンポーネント２０４は、重力の影響を低減するためにローパスフィルタまたはセンサフュージョン技術を適用した後、１００分の１秒ごとに取られたＸ、Ｙ、およびＺ加速度のＬ２（ユークリッド）ノルムを平均化することによって、１００Ｈｚにおける加速度計測定値を分レベル値に集約し得る。
ビヘイビアグラム４００は、異なるチャネル間の関連付けのパターンを分析することによって、被験者１０４の認知機能低下の検出を容易にし得る。例えば、ビヘイビアグラム４００は、他のコンテキスト内の１つのチャネルにおける欠落データおよび外れ値を検査することを可能にする。別の例として、データ表現フォーマットとして、ビヘイビアグラム４００は、異なる入力データソース間の相互作用を容易にキャプチャすることを可能にし、実験室または診療所において実施されるデュアルタスク実験を概念的に複製する手段を提供し得る。より具体的には、認知機能低下がある被験者１０４は、被験者１０４が単一のタスク（例えば、歩くことのみ）を実行することを試みるときよりも、その人が２つのタスク（例えば、歩くことと、会話をすること）を同時に行うことを試みるとき、より大きい障害を示す場合がある。ビヘイビアグラム４００を用いると、電話通話および平均歩行ペースを表すデータチャネルをマージすることによって、分レベルの分解能で「話しながら歩く」を表すチャネルを追加し、電話での会話中の平均ペースをキャプチャすることが容易になる場合がある。
いくつかの実施形態では、収集コンポーネント２０４は、プログラマ、臨床医、または他の者が、収集データ２１８、センサ２０２、および／または感知データ２１６と相互作用するために、（図２の）フロントエンドユーザインターフェース（ＵＩ）コンポーネント２２０を含む。収集コンポーネント２０４は、リポジトリＡＰＩ２１２とは別個のコンポーネントとして示されているが、収集コンポーネント２０４は、リポジトリＡＰＩ２１２に組み込まれ得る。
いくつかの実施形態では、センサ２０２と収集コンポーネント２０４の両方は、デバイス１０２などの１つ以上のモバイルデバイス上に実装され得る。コンポーネント２０２および２０４は、そのようなモバイルデバイスに組み込まれるかまたはそれらと通信可能に結合されたハードウェア、ならびに上記の機能を実装するように構成されたソフトウェアおよび／またはファームウェア（例えば、モバイルアプリケーション）の両方を備え得る。いくつかの実施形態では、収集コンポーネント２０４は、サーバ１０６などの１つ以上のサーバに組み込まれるかもしくはそれらと通信可能に結合されたハードウェア、ソフトウェア、および／またはファームウェア上に実装され得る。いくつかの実施形態では、収集コンポーネント２０４は、１つ以上のモバイルデバイス（例えば、デバイス１０２）と１つ以上のサーバ（例えば、サーバ１０６）の両方に分散され得、これらは、一緒に動作して、上記の機能を実装する。
方法３００は、（図２の）認知機能低下検出アルゴリズム２２２が訓練されているかどうかを照会することをさらに含み得る（ブロック３０８）。認知機能低下検出アルゴリズム２２２が訓練されていない場合、方法３００は、収集データを分析して被験者１０４の認知機能低下を検出することによって続行し得る（ブロック３１０）。収集データを分析して認知機能低下を検出するための例示的な実施形態が、図５～９に提供される。
しかしながら、検出アルゴリズム２２２が訓練されている場合、方法３００は、検出アルゴリズム２２２を訓練するために、収集データ２１８を増強すべきかどうかを照会し得る（ブロック３１２）。収集データ２１８を増強すべきである場合、方法３００は、収集データを増強することに進み得る（ブロック３１４）。
いくつかの実施形態では、増強コンポーネント２０６は、収集コンポーネント２０４から収集データ２１８を受信して、収集データ２１８を増強する。検出アルゴリズム２２２を訓練するために収集データ２１８を増強するために、増強コンポーネント２０６は、収集データ２１８の重複しないサブセット上の特徴を使用し得る。重複しないサブセットは、例えば、被験者１０４ごとに、合計ｎ（例えば、３～５０）個の隔週の２週間期間であり得る：被験者１０４ｉごとにＢＷｉ，１．．．ＢＷｉ，ｎ。また、増強コンポーネント２０６は、各隔週ＢＷｉ，ｊに、被験者１０４ｉに割り当てられた同じラベル（例えば、健康な対照または症候性）を割り当て得る。この場合、収集データ２１８は、（以下に説明される）機械学習技術を使用して検出アルゴリズム２２２を訓練するために使用されているため、被験者１０４が健康な対照被験者１０４である（例えば、認知機能低下を経験していない）かどうか、あるいは被験者１０４が認知機能低下を経験しているかどうかが分かり得る（そうである場合、ラベルは、任意選択的に、被験者１０４がどのタイプの認知障害を経験しているか、かつ／または被験者１０４がどの程度の認知障害を経験しているかをさらに指定し得る）。したがって、被験者１０４に関連付けられた各隔週ＢＷｉ，ｊには、被験者１０４の対応する認知機能低下または対照ラベルが割り当てられ得る。この方法は、時系列分類におけるウィンドウスライシングと称され得る。増強コンポーネント２０６は、ＢＷｉ，ｊを平均化して、被験者１０４ｉの最終スコアにし得る。増強コンポーネント２０６は、リポジトリＡＰＩ２１２とは別個のコンポーネントとして示されているが、増強コンポーネント２０６は、リポジトリＡＰＩ２１２に組み込まれ得る。
実施形態では、２週間ウィンドウは、データサイズの実質的なブーストを提供すると同時に、被験者１０４の毎日および毎週のパターンを依然として捕捉するので、有益であり得る。いくつかの実施形態では、２週間ウィンドウは、精神運動タスクにおいて計算された特徴が２週間ごとに判定された場合にも有益であり得る。いくつかの実施形態では、より長い時間ウィンドウ（例えば、３週間、４週間、または１ヶ月間の長さのウィンドウ）も使用され得る。
収集データ２１８が増強されると、この方法は、認知機能低下を検出するように検出アルゴリズム２２２を訓練することを含み得る（ブロック３１６）。代替的に、収集データ２１８を増強する必要がない場合、方法３００は、検出アルゴリズム２２２を訓練することに進み得る（ブロック３１６）。
いくつかの実施形態では、（図２の）訓練コンポーネント２０８を使用して、検出アルゴリズム２２２を訓練し得る。例えば、検出アルゴリズムは、畳み込みニューラルネットワーク（ＣＮＮ）を使用して実装され得る。収集データ２１８について、訓練コンポーネント２０８は、ｎリピート（例えば、５０～５００）ホールドアウト手順（ここで、ｎはデータのサブセットの数）を使用して、各隔週を健康な対照または症候性の被験者１０４に属するものとして分類する際のサンプル外の一般化性能を評価し得る。ｎ回の反復の各々において、訓練コンポーネント２０８は、診断（症候性対健康な対照）によって層別化され、かつ被験者１０４によってグループ化された（モデルが特定の被験者１０４のパターンを記憶するのを防止するために、同じ被験者１０４からの隔週はすべて、同じセット内になる）７０／３０シャッフル分割を使用して、データセットを訓練セットおよびテストセットに分割し得る。実施形態では、訓練コンポーネント２０８は、グループ化された３フォールド交差検証を使用して、訓練セットに対してハイパーパラメータ調整を実行する。実施形態では、訓練コンポーネント２０８は、Ｈｙｐｅｒｏｐｔを使用して、次のパラメータを選択し得る：推定量の数、学習率、最大ツリー深度、およびガンマ。Ｈｙｐｅｒｏｐｔは、Ｊａｍｅｓ Ｂｅｒｇｓｔｒａ、Ｄａｎ Ｙａｍｉｎｓ、およびＤａｖｉｄ Ｄ Ｃｏｘによって、“Ｈｙｐｅｒｏｐｔ：Ａ ｐｙｔｈｏｎ ｌｉｂｒａｒｙ ｆｏｒ ｏｐｔｉｍｉｚｉｎｇ ｔｈｅ ｈｙｐｅｒｐａｒａｍｅｔｅｒｓ ｏｆ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ”、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １２ｔｈ Ｐｙｔｈｏｎ ｉｎ Ｓｃｉｅｎｃｅ Ｃｏｎｆｅｒｅｎｃｅ、Ｃｉｔｅｓｅｅｒ、１３－２０に記載されており、この内容は、あらゆる目的のために本明細書に組み込まれる。ｍ個の組み合わせ（例えば、１０～５０）までの、パラメータの各組み合わせについて、訓練コンポーネント２０８は、検出アルゴリズム２２２の性能を評価し得る。実施形態では、訓練コンポーネント２０８は、外側分割における完全な訓練セット上で、３つのフォールドにわたって最高の平均ＲＯＣ曲線下面積（ＡＵＲＯＣ）をもたらしたモデルハイパーパラメータを訓練することを選択し得る。実施形態では、訓練コンポーネント２０８は、外側分割におけるホールドアウトテストセットに関する隔週モデル性能メトリックを計算し得る。次に、被験者レベル１０４で判定を行うために、訓練コンポーネント２０８は、ソフト投票を介して被験者１０４の隔週スコアを集約して、テストセット内で各被験者１０４をランク付けし得る。訓練コンポーネント２０８は、これらのスコアに関する検出アルゴリズム２２２の性能メトリックを計算し得る。最後に、訓練コンポーネント２０８は、この手順をｘ回の反復だけ繰り返して、平均性能メトリックおよびそれらの関連する誤差を推定し得る。
検出アルゴリズム２２２が訓練された後、方法３００は、被験者１０４が認知機能低下を経験しているかどうかを検出するために、複数日の観察期間にわたって記録された収集データ２１８を分析することに進み得る（ブロック３１０）。そうするために、（サーバ１０６の一部として、１つ以上のモバイルデバイス１０２の一部として、またはこれら２つのタイプのシステムの組み合わせとして実装され得る）分析コンポーネント２１０は、観察期間にわたって記録された収集データ２１８を処理してデジタルバイオマーカーデータを生成するバイオマーカーコンポーネント２２４を含み得る。本明細書で使用されるとき、デジタルバイオマーカーは、収集データ２１８の少なくとも一部を入力として受け取り、健康な被験者と、認知障害または認知機能低下の兆候を示している可能性のある被験者との間で区別するために検出アルゴリズム（例えば、検出アルゴリズム２２２）によって使用され得る値を出力する数学的または統計的関数を指し得る。デジタルバイオマーカーは、被験者の認知機能低下を検出するために、独立して、または他のデジタルバイオマーカーと組み合わせて使用され得る。収集データ２１８から生成され得る例示的なデジタルバイオマーカーデータは、被験者１０４の身体活動に関連するバイオマーカー、被験者１０４の社会的相互作用に関連するバイオマーカー、被験者１０４のワードプロセッシングに関連するバイオマーカー、および／または被験者１０４のアプリケーション使用に関連するバイオマーカーを含むが、これらに限定されない。
方法３００は、異なる実施形態に従って、そのステップのいくつかまたはすべてを追加、削除、かつ／または修正することによって修正され得る。方法３００は、検出アルゴリズム２２２を訓練することと、検出アルゴリズム２２２を使用することの両方に好適であるとして説明されているが、これら２つのタスクは、いくつかの実施形態では別々の方法によって実行され得る。例えば、（例えば、大規模な研究によって作成された）訓練セットを使用して検出アルゴリズム２２２を訓練するための第１の方法および／またはプロセスがあり得る。検出アルゴリズム２２２が訓練されると、第２の方法および／またはプロセスを採用して、検出アルゴリズム２２２を使用して新しいデータセットを処理し、データセットが、１人以上の被験者が認知機能低下を経験していることを示すかどうかの指標を出力し得る。訓練フェーズと分類フェーズが別々の方法に分割される場合、検出アルゴリズムが訓練されているかどうかを照会するためのステップ（例えば、上記のステップ３０８）がない場合がある。
いくつかのデジタルバイオマーカーは、他のデジタルバイオマーカーよりも、被験者１０４の認知機能低下を検出する際により重要または有用である可能性がある。このようなバイオマーカーは、本明細書では重要バイオマーカー２２６と称される。収集データ２１８から生成する重要バイオマーカー２２６を判定するために、分析コンポーネント２１０は、ゲーム理論コンポーネント２２８を含み得る。いくつかの実施形態では、ゲーム理論コンポーネント２２８は、ゲーム理論を局所的な説明と組み合わせて機械学習モデル（すなわち、検出アルゴリズム２２２）を説明するＳＨａｐｌｅｙ Ａｄｄｉｔｉｖｅ ｅｘＰｌａｎａｔｉｏｎｓ（ＳＨＡＰ）を使用し得る。実施形態では、ＳＨＡＰ値は、年齢が一致するコホートについて収集データ２１８上で訓練されたペアワイズ目的関数（およびそれ以外の場合はデフォルトパラメータ）を有するＸＧＢＲｅｇｒｅｓｓｏｒモデルについて報告される。
前述の方法およびシステムを使用して、Ｅｌｉ Ｌｉｌｌｙ ａｎｄ ＣｏｍｐａｎｙおよびＡｐｐｌｅ Ｉｎｃ．のためにＥｖｉｄａｔｉｏｎ Ｈｅａｌｔｈ，Ｉｎｃ．によって行われたマルチサイト１２週間試験から捕捉されたデータの分析から、２０個の重要バイオマーカー５００のセットが識別された。この研究は、スマートデバイスを使用して、軽度認知障害（ＭＣＩ）および初期アルツハイマー病（ＡＤ）認知症の個人を健康な対照と区別することの実現可能性を評価することを目的とした。
この１２週間試験中に、１５４人の参加者が同意を提供し、米国中の１２個のセンターから適格性についてスクリーニングされた。主な選択基準は、（１）年齢６０～７５歳、（２）英語を読み、書き、かつ話すことが可能であり、（３）ｉＰｈｏｎｅを所有かつ使用していることおよび自宅ＷｉＦｉネットワークを使用していることを含む、デジタルデバイスに精通していること、であった。
ＭＣＩの参加者は、米国国立老化研究所／アルツハイマー協会（ＮＩＡ－ＡＡ）のＡＤによるＭＣＩのコア臨床基準を満たさなければならず、軽度ＡＤ認知症の参加者は、ＡＤによる認知症のＮＩＡ－ＡＡコア臨床基準を満たさなければならなかった。症候性の参加者については、研究パートナーが、研究手順のコンプライアンスを監視することに同意した。
登録時に、各参加者には、１２週間の調査期間中にすべてのセンサおよびアプリ使用イベントを収集するアプリとともに、（彼らの主要な電話として使用される）ｉＰｈｏｎｅ ７ ｐｌｕｓ、Ａｐｐｌｅ Ｗａｔｃｈ Ｓｅｒｉｅｓ ２、スマートキーボードを備えた１０．５インチｉＰａｄ ｐｒｏ、およびＢｅｄｄｉｔ睡眠監視デバイスが提供された。全部で、８４人の健康な対照、および３５人の症候性の参加者が選択基準を満たした。参加者は、研究の過程で中枢神経系に影響を与える可能性のある認知症に対する治療法または他の薬物療法を変更しないように求められたが、これは参加の要件ではなかった。
１２週間のデータ収集の過程で、参加者は、ｉＰｈｏｎｅおよびＡｐｐｌｅ Ｗａｔｃｈを通常どおり使用し、充電されたままに保つように指示された。これらのデバイス内のセンサからのデータおよび、電話のロック／ロック解除、通話、メッセージ、アプリ履歴を含むデバイス使用状況は、研究用モバイルアプリケーションによって受動的に収集され、研究用サーバに毎晩送信された。着信データの中央レビューにより、デバイスからデータが受信されなかった場合のアウトリーチが可能になった。デバイスデータにギャップがある参加者には、デバイスの使用および問題のトラブルシューティングを思い起こさせるために、電子メールまたは電話を介して連絡した。
参加者はまた、毎日２つの１質問の調査（１つは気分に関するもの、もう１つはエネルギーに関するもの）に回答し、ならびにデジタル評価アプリ上で２週間ごとに簡単な活動を実行するように求められた。このアプリは、参加者が１つの形状を別の形状にドラッグするドラッグタスク、参加者が円を可能な限り速くタップし、次に可能な限り規則的にタップするタッピングタスク、参加者が簡単なまたは難しい文章を読む読書タスク、および参加者が絵の説明をタイプするタイプ叙述タスクを含む、いくつかの低負荷の精神運動タスクで構成された。これらの活動は、それらが将来受動的に監視される可能性があるために選択された。研究手順は、デジタル評価アプリ上でタスクを完了している間、参加者のビデオおよびオーディオを記録および送信することを含んだ。
図１および２に関連して上記で説明したプラットフォームと同様の研究プラットフォームを使用して、ｉＰｈｏｎｅ、Ａｐｐｌｅ Ｗａｔｃｈ、およびＢｅｄｄｉｔデバイスから、ならびに１２週間の研究期間にわたってｉＰａｄ上で行われた活動テストから収集されたデータを集約かつ分析した。プラットフォームによって取り込まれたデータには、タイムスタンプが付けられ、整合性がチェックされ、データ分析を容易にするために標準スキーマに正規化され、最適化された形式を使用して分散および複製されたデータストアに保存された。
いくつかの入力ソースは、一定の頻度でサンプリングされた（例えば、睡眠品質データ）が、他の入力ソースは、関連するイベントが発生したとき（例えば、特定のアプリが開かれたとき）にのみサンプリングされた。いくつかの入力ソースは、コンテキストに適合した頻度でサンプリングされた（例えば、歩数計および心拍数の測定のサンプリングレートは、高活動期間およびワークアウト期間中に増加した）。均等にサンプリングされたデータソースの中で、サンプリング時間は、１日以上（例えば、調査）から１分以上（例えば、総身体活動）～１秒未満（例えば、１００Ｈｚでサンプリングされた生の加速度計チャネル）の間隔の範囲であった。
すべてのイベントストリームおよび時系列の生データソースは、図４を参照しながら説明されたビヘイビアグラム４００と同様に、共通の表現にマッピングされた。欠落データは、前述のように、ゼロで埋めるか、線形補間を使用して埋めるか、欠落した非代入データとして保持することによって処理された。
この研究からの生データを使用して、健康な対照とＭＣＩまたはＡＤを示す被験者との間で区別する際の有効性をテストするためのデジタルバイオマーカーのセットを作成した。合計で、９９６個のデジタルバイオマーカーが、生データの処理から生成された。これらの生成されたデジタルバイオマーカーを使用して、健康な対照とＭＣＩまたはＡＤを病んでいる患者との間で区別するように畳み込みニューラルネットワーク（ＣＮＮ）を訓練した。この訓練は、少なくとも部分的に、例えば、上記の増強コンポーネント２０６および／または訓練コンポーネント２０８に関して説明した前述の技術を使用して実装された。ＣＮＮを訓練するために使用された９９６個のデジタルバイオマーカーのうち、２０個の最も重要なデジタルバイオマーカーが、図５にバイオマーカー５００として提示されている。これらの２０個のデジタルバイオマーカーは、健康な対照とＭＣＩまたはＡＤを示す被験者との間で区別する際に、ＣＮＮに最大の影響を与えることがわかった。被験者１０４の認知機能低下を検出するために使用することができるこれらの上位２０個の重要バイオマーカー５００のＳＨＡＰ値が図５に示されている。
具体的には、上位２０個の重要バイオマーカー５００は、休止なしのタイピング速度（すなわち、休止を除く、タイピングタスクにおける平均タイピング速度）、観察期間中にモバイルデバイス１０４によって感知された最初のアクティブペースの時刻の中央値、エネルギー調査回答のない日（すなわち、被験者に毎日送出される調査に対する回答がない観察期間中の日数の割合）、エネルギー調査回答の時刻の中央値（すなわち、毎日の調査が完了した時刻の中央値）、着信メッセージの総数（すなわち、観察期間中のすべての日にわたる着信メッセージの合計）、モバイルデバイス１０２によって感知された最後の加速の時刻の四分位範囲（すなわち、観察期間中の最後の時間の間にモバイルデバイス１０２が動かされる時刻の広がり）、観察期間中にモバイルデバイス１０２によって感知された最初のステップの時刻、運動動作の総数（すなわち、観察期間中に運動に費やされた期間）、モバイルデバイス１０２（例えば、モバイルウォッチ）によって感知される歩幅のスキュー（skew）、モバイルデバイス１０２によって感知された最初の加速の時刻の四分位範囲（すなわち、観察期間中の最初の時間の間にモバイルデバイス１０２が動かされる時刻の広がり）、時計アプリケーションセッション持続時間の９５パーセンタイル、時計アプリケーションセッション持続時間の四分位範囲、スマートアシスタントアプリケーション（Ｓｉｒｉなど）の提案カウント（すなわち、特定の期間中にスマートアシスタントアプリケーションがアクセスされた総回数）、日々の発信メッセージのカウントの四分位範囲（すなわち、観察期間中の１日当たりに送信される発信メッセージの数の四分位範囲）、心拍数の日々の５パーセンタイルの５パーセンタイル、モバイルデバイス１０２によって感知された最後の加速の時刻の中央値、観察期間中のすべての日にわたって時計アプリケーションに費やされた総時間、１日当たりに時計アプリケーションに費やされた日々の総時間の四分位範囲、日々の着信メッセージのカウントの中央値（すなわち、１日当たりに受信された着信メッセージの数の中央値）、タイピングタスクにおける文当たりの平均単語数（すなわち、タイピングタスクにおける文当たりの平均単語数）を含む。
図６は、いくつかの実施形態による、受動的に取得されたデータから生成されたデジタルバイオマーカーを使用して被験者の認知機能低下を検出するための例示的なコンピュータ実装プロセス６００を示す。プロセス６００は、例えば、収集コンポーネント２０４および／または分析コンポーネント２１０によって、独立してまたは共同で実装され得る。プロセス６００は、ステップ６０２において開始し、これは、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータ（例えば、感知データ２１６および／または収集データ２１８）を受信することを含む。受動的に取得されたデータは、前述のタイプの生データのいずれかなど、少なくとも１つのモバイルデバイス上のセンサによって記録された生データを含み得る。
ステップ６０４において、受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成する。デジタルバイオマーカーデータは、受動的に取得されたデータのいずれかから計算または導出された、あるいは受動的に取得されたデータのいずれかを要約するかまたは特徴付ける、処理またはフォーマットされたデータを含み得る。
例えば、重要バイオマーカーの１つの例示的なカテゴリは、（ｉ）モバイルデバイスによって受信された着信メッセージの数、および（ｉｉ）モバイルデバイスによって送信された発信メッセージの数のうちの少なくとも１つに関して受動的に取得されたデータから生成されたデジタルバイオマーカーである。このカテゴリ内のデジタルバイオマーカーは、観察期間中の着信メッセージの総数、および／または観察期間中の１日当たりに受信された着信メッセージの数の中央値を含む。総メッセージおよび／または１日当たりのメッセージのより低い数は、より低い社会的または社会関与に関連付けられ得、これは認知機能低下を示している可能性がある。このカテゴリ内の別のデジタルバイオマーカーは、観察期間中にユーザのモバイルデバイスによって１日当たりに送信された発信メッセージの数の統計的変動性の測度である。使用され得る統計的変動性の例示的な測度は、範囲、四分位範囲、標準偏差、および／または分散を含む。より高い統計的変動性は、認知機能低下を示している可能性がある。
重要バイオマーカーの別の例示的なカテゴリは、（ｉ）観察期間中の各日の最初に観察された被験者の動きの時刻（ＴｏＤ）、（ｉｉ）観察期間中の各日の最初に観察された被験者のペースのＴｏＤ、（ｉｉｉ）観察期間中の各日の最後に観察された被験者の動きのＴｏＤ、および（ｉｖ）観察期間中の各日の最後に観察された被験者のペースのＴｏＤ、のうちの少なくとも１つに関して受動的に取得されたデータから生成されたデジタルバイオマーカーである。このカテゴリ内のデジタルバイオマーカーは、観察期間中の最初に観察された被験者のペースの中央値ＴｏＤ、および／または観察期間中の最後に観察された被験者の動きの中央値ＴｏＤを含む。最初に観察された被験者のペースおよび／または最後に観察された被験者の動きの、後の中央値のＴｏＤは、認知機能低下を示している可能性がある。このカテゴリ内の別のデジタルバイオマーカーは、観察期間中の最後に観察された被験者の動きのＴｏＤの統計的変動性の測度、および／または観察期間中の最初に観察された被験者の動きのＴｏＤの統計的変動性の測度である。使用され得る統計的変動性の例示的な測度は、範囲、四分位範囲、標準偏差、および／または分散を含む。より高い統計的変動性は、認知機能低下を示している可能性がある。
重要バイオマーカーの別の例示的なカテゴリは、観察期間中に観察された被験者の歩幅に関して受動的に取得されたデータから生成されたデジタルバイオマーカーである。このカテゴリ内のデジタルバイオマーカーは、観察された歩幅の統計的スキュー（statistical skew）を含む。被験者の観察された歩幅の高い統計的スキューは、認知機能低下を示している可能性がある。
重要バイオマーカーの別の例示的なカテゴリは、観察期間中に被験者によって行われた運動動作の数に関して受動的に取得されたデータから生成されたデジタルバイオマーカーである。運動動作の低い数は、認知機能低下を示している可能性がある。
重要バイオマーカーの別の例示的なカテゴリは、被験者がモバイルデバイス上の時間を閲覧するためにモバイル時計アプリケーションを閲覧した回数に関して受動的に取得されたデータから生成されたデジタルバイオマーカーである。被験者がモバイル時計アプリケーションを閲覧した時間を、閲覧持続時間に関連付けられ得る。このカテゴリ内のデジタルバイオマーカーは、観察期間中にそのそれぞれの被験者について記録されたすべての閲覧持続時間の目標パーセンテージ以上である閲覧持続時間を計算することを含む。いくつかの実施形態では、目標パーセンテージは、９０％～１００％である。いくつかの実施形態では、目標パーセンテージは、９３％～９７％である。いくつかの実施形態では、目標パーセンテージは、９５％である。計算された閲覧持続時間が長い場合は、認知機能低下を示している可能性がある。このカテゴリ内のデジタルバイオマーカーの別の例は、観察期間中に被験者がモバイル時計アプリケーションを閲覧した各時間に関連付けられた閲覧持続時間の統計的変動性の測度である。より高い統計的変動性は、認知機能低下を示している可能性がある。このカテゴリ内のデジタルバイオマーカーの別の例は、観察期間にわたる総閲覧持続時間であり、総閲覧持続時間がより長い場合は、認知機能低下を示している可能性がある。このカテゴリ内のデジタルバイオマーカーのさらに別の例は、観察期間中の各日にわたる日々の総閲覧持続時間の統計的変動性の測度であり、各日々の総閲覧持続時間は、特定の日の間のすべての閲覧持続時間の合計に等しい。この場合も、より高い統計的変動性は、認知機能低下を示している可能性がある。前と同じように、使用され得る統計的変動性の例示的な測度は、範囲、四分位範囲、標準偏差、および／または分散を含む。
重要バイオマーカーの別の例示的なカテゴリは、ユーザがモバイルデバイスにデータを入力している間に、またはモバイルデバイスと相互作用している間にタイプする方法を特徴付ける、受動的に取得されたデータから生成されたデジタルバイオマーカーである。例えば、データは、通信デバイスによって送信される発信メッセージを構成している間にユーザがタイプする方法を特徴付け得る。このカテゴリ内のデジタルバイオマーカーは、休止を除くタイピング速度、および／または文当たりの平均単語数を含む。タイピング速度がより遅い、かつ／または文当たりの平均単語数がより少ない場合は、認知機能低下を示している可能性がある。
ステップ６０６において、デジタルバイオマーカーデータを分析して、被験者が認知障害であるかどうかを判定し得る。本明細書に記載されるように、この分析は、健康な被験者と、ＭＣＩおよび／またはＡＤを示す被験者との間で区別するように訓練されたＣＮＮを使用して実装され得る。
ステップ６０８において、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対して、通知が送信され得る。この通知は、分析の結果に基づく通知または要約を含む場合がある。例えば、通知は、分析の要約、認知機能低下の確率、認知機能低下が検出されたかどうかの二元的表示、脳または神経精神医学的スコア、治療またはさらなる診断を求める通知などを含み得る。
図７は、いくつかの実施形態による、被験者の認知機能低下を検出するための別の例示的なプロセス７００を示す。プロセス７００はまた、例えば、収集コンポーネント２０４および／または分析コンポーネント２１０によって、独立してまたは共同で実装され得る。プロセス７００は、ステップ７０２において開始し、これは、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された１つ以上のユーザ活動の受動的に取得された時系列データを受信することを含む。タイムスタンプを有し、かつ前述のモバイルデバイスのいずれかによって記録された任意のデータが使用され得る。このような時系列データの例は、電話通話、発信メッセージ、着信メッセージ、モバイルデバイスのロック解除、モバイルアプリケーションとの相互作用、心拍数、立ち動作、ステップ、移動、モバイルデバイスのロック解除されている間の移動、モバイルデバイスがロックされている間の移動などを含むが、これらに限定されない。
純粋に説明のために、図８のグラフ８０２は、被験者のモバイルデバイスがロックまたはロック解除された時間を示す時系列データの１つの例示的なセットを示している。グラフ８０２の横軸は、秒、分、および／または時間などの好適な単位で時間の経過を示している。グラフ８０２の縦軸は、被験者の電話がロックされていたかロック解除されていたかを示しており、例えば、高（バイナリ１）は、デバイスがロック解除されていることを示し得、低（バイナリ０）は、デバイスがロックされていることを示し得る。時系列データは、好ましくは、複数日の期間（例えば、１週間、２週間、および／または１ヶ月間）にわたって連続的に、または実質的に連続的に記録されたデータにまたがる。
ステップ７０４において、周波数分析を使用して、取得された時系列データを処理して、時系列データを周波数パワースペクトルに変換する。時系列データを周波数パワースペクトルに変換する任意の既知の周波数分析、例えば、フーリエ変換、高速フーリエ変換（ＦＦＴ）、離散フーリエ変換（ＤＦＴ）、ウェーブレット変換、および／またはＬｏｍｂ－Ｓｃａｒｇｌｅピリオドグラムが使用され得るが、それらに含められない。
ステップ７０４の例示的な出力が、図８のグラフ８０４に示されている。グラフ８０４は、グラフ８０２に示される時系列データの周波数パワースペクトルを示す。グラフ８０４の横軸は、ヘルツなどの好適な単位で、周波数を示している。グラフ８０４の縦軸は、その周波数における時系列データ内の周波数成分の大きさを示している。ほとんどの被験者の活動は、規則的な２４時間の日々のサイクルで規則的に変動すると予想されるため、ほとんどの被験者のグラフ８０４は、通常、２４時間の期間に対応する周波数Ｆ０、すなわち、１／（２４時間）、または１．１５７＊１０－５Ｈｚにおいてまたはその周辺で最も高い周波数成分を有する。
ステップ７０６において、プロセス７００は、第１の周波数閾値（Ｆｍｉｎ）と第２の周波数閾値（Ｆｍａｘ）との間の周波数パワースペクトル内の周波数成分量を計算し得る。周波数閾値ＦｍｉｎおよびＦｍａｘは、不等式Ｆｍｉｎ＜Ｆ０＜Ｆｍａｘを満たす。具体的には、図８のグラフ８０６に示されるように、Ｆｍｉｎは、Ｆ０－Δｆ１に等しくなり得、一方、Ｆｍａｘは、Ｆ０＋Δｆ２に等しくなり得る。いくつかの実施形態では、Δｆ１は、Δｆ２に等しくなり得るが、他の実施形態では、それらは等しくない場合がある。
ＦｍｉｎおよびＦｍａｘは、２４時間の期間に対応する、Ｆ０付近の比較的狭い範囲の周波数を定義する。例えば、Ｆｍｉｎは、２４時間よりも半時間長い期間、すなわち、１／（２４時間３０分）、または１．１３４＊１０－５Ｈｚに対応する周波数以上に設定され得る。または、Ｆｍｉｎは、２４時間よりも１時間長い期間、すなわち、１／（２５時間）、または１．１１１＊１０－５Ｈｚに対応する周波数以上に設定され得る。同様に、Ｆｍａｘは、２４時間よりも半時間短い期間、すなわち、１／（２３時間３０分）、または１．１８２＊１０－５Ｈｚに対応する周波数以下に設定され得る。または、Ｆｍａｘは、２４時間よりも１時間短い期間、すなわち、１／（２３時間）、または１．２０８＊１０－５Ｈｚに対応する周波数以下に設定され得る。
ＦｍｉｎとＦｍａｘとの間のスペクトルエネルギー量は、ＦｍｉｎとＦｍａｘとの間の周波数スペクトル曲線下面積に基づいて計算され得る。いくつかの実施形態では、スペクトルエネルギー量はまた、前述の面積の二乗に基づいて計算され得る。
ステップ７０８において、プロセス７００は、計算されたスペクトルエネルギー量に基づいてデジタルバイオマーカーデータを生成する。いくつかの実施形態では、このステップは、計算されたスペクトルエネルギー量をデジタルバイオマーカーとして単に使用することを含み得る。他の実施形態では、プロセス７００は、ステップ７０８において、（ｉ）ＦｍｉｎとＦｍａｘとの間の周波数スペクトル曲線下面積、および（ｉｉ）Ｆｍｉｎ未満でありかつＦｍａｘよりも大きい他のすべての周波数における周波数スペクトル曲線下面積の比率を計算し得る。次いで、この比率は、デジタルバイオマーカーとして使用され得る。
ステップ７１０において、プロセス７００は、デジタルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを判定する。健康な被験者は、彼らの活動においてより比較的高い規則性と２４時間のリズムへの順守とを示すため、ＦｍｉｎとＦｍａｘとの間の比較的高い量のスペクトルエネルギー、および／または前の段落において説明した比率を計算したときの比較的高い結果は、被験者が認知機能低下の兆候を示していないことを示す可能性がある。逆に、認知機能低下の兆候を示す被験者は、彼らの活動においてより大きい不規則性を示す可能性があり、彼らのモバイルデバイスから記録された時系列データは、規則的な２４時間のリズムに従わない可能性がある。結果として、ＦｍｉｎとＦｍａｘとの間の比較的少量のスペクトルエネルギー、および／または前の段落において説明した比率を計算したときの比較的小さい結果は、被験者が認知機能低下の兆候を示していることを示す可能性がある。
ステップ７１２において、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対して、通知が送信され得る。前と同様に、この通知は、分析の結果に基づく通知または要約を含む場合がある。例えば、通知は、分析の要約、認知機能低下の確率、認知機能低下が検出されたかどうかの二元的表示、脳または神経精神医学的スコア、治療またはさらなる診断を求める通知などを含み得る。
分析コンポーネント２１０は、前述のデジタルバイオマーカーのいずれか１つ以上を使用して、被験者１０４が認知機能低下を経験しているかどうかを検出し得る。いくつかの実施形態では、分析コンポーネント２１０は、上記デジタルバイオマーカーに基づいて、被験者１０４が経験している認知障害のタイプを分類し得る。前述の複数のデジタルバイオマーカーの一部またはすべてを組み合わせると、認知機能低下を検出するための検出アルゴリズムの精度および正確さが向上する可能性がある。
例えば、前述のデジタルバイオマーカーの一部またはすべてを一緒に使用して、（図２の）検出アルゴリズム２２２を訓練し得る。検出アルゴリズムは、ノードの１つ以上の層を有する畳み込みニューラルネットワーク（ＣＮＮ）の形態を採り得、各層は、１つ以上のノードを有する。訓練フェーズ中に、ＣＮＮは、訓練被験者の母集団に対する前述のデジタルバイオマーカー、ならびにデジタルバイオマーカーがそれについて生成された各被験者が、健康な対照であったか、ＭＣＩおよび／またはＡＤの兆候を示す被験者であったかを示すグラウンドトゥルースラベルの両方を含む訓練データを使用して訓練され得る。機械学習アルゴリズムを適用して、デジタルバイオマーカーと第１のノード層内のノードとの間の接続の一部またはすべて、およびまた、ノード間の接続の一部またはすべてに対する重みのセットを判定し得る。重みは、被験者が健康であるか、または認知機能低下を経験しているかがわからない被験者用に生成されたデジタルバイオマーカーに適用されるとき、ＣＮＮを使用して被験者の状態を判定し得るように判定され得る。別の言い方をすれば、ＣＮＮの重みは、分析コンポーネント２１０が、健康である被験者１０４について収集データ２１８から生成されたデジタルバイオマーカーに重みを適用するときに、分析コンポーネントがある程度の自信（例えば、パーセンテージの可能性）をもって被験者１０４が健康であると判定するように、検出アルゴリズム２２２の訓練中に判定され得る。逆に、分析コンポーネント２１０が、認知機能低下を経験している被験者１０４について収集データ２１８から生成されたデジタルバイオマーカーに重みを適用するときに、分析コンポーネント２１０は、ある程度の自信（例えば、パーセンテージの可能性）をもって、被験者１０４が認知機能低下を経験していると判定する。ＣＮＮを採用するそのような検出アルゴリズム２２２は、前述のデジタルバイオマーカーのいずれかまたはすべてを使用して認知機能低下を検出するように訓練かつ／または使用され得る。
いくつかの実施形態では、検出アルゴリズム２２２は、認知機能低下の異なる分類を有する被験者１０４についての収集データ２１８上で訓練されている可能性がある。これらの実施形態では、分析コンポーネント２１０は、被験者１０４について認知機能低下の特定の分類を判定し得る。例えば、検出アルゴリズム２２２は、軽度認知障害および初期アルツハイマー病を有する被験者１０４についての収集データ２１８上で訓練されている可能性がある。したがって、分析コンポーネント２１０は、検出アルゴリズム２２２の訓練中に判定された重みを適用することによって、被験者１０４が健康であるか、または認知機能低下を経験しているかを判定するだけでなく、被験者１０４が認知機能低下を経験しているかどうか、認知障害のどの分類を被験者１０４が経験しているか、すなわち、軽度認知障害および初期アルツハイマー病をも判定し得る（ブロック６０６）。
いくつかの実施形態では、検出アルゴリズム２２２は、生の収集データ２１８から計算されたデジタルバイオマーカーを使用して、被験者１０４が認知機能低下を経験しているかどうかを判定する決定木を含み得る。決定木は、生の収集データ２１８からデジタルバイオマーカーを計算するための、かつ／または処理されたデジタルバイオマーカーを閾値もしくは予想される範囲と比較するための１つ以上の処理ステップを含み得る。そのようなステップ、閾値、および／または範囲は、本明細書に記載の機械学習技術を使用して導出され得る。
図９は、本開示の少なくとも１つの実施形態による、モバイルデバイスから受動的に取得されたデータを分析して認知機能低下を判定するための方法９００の別の流れ図である。この図は単なる例であり、特許請求の範囲の範囲を過度に制限するものではない。当業者は、多くの変形、代替、および修正を認識するであろう。
ステップ９０２において、前述のデジタルバイオマーカーの１つ以上（またはすべて）に対応するベースラインデータが受信され得る。バイオマーカーのベースラインデータ２３０は、検出アルゴリズム２２２の訓練中に判定され得、被験者１０４が健康であるとき、および／または被験者が認知機能低下を経験しているとき、異なるベースラインに対応し得る。より具体的には、各バイオマーカーについて、被験者１０４がいつ健康であり、被験者がいつ認知機能低下を経験しているのかを示す、そのバイオマーカーのベースラインデータ２３０が判定され得る。このベースラインデータは、評価されている被験者１０４と同じまたは類似の母集団からの被験者から、評価されている被験者１０４と同じまたは類似の人口統計学的および／または医学的特徴を有する被験者から生成され得る。いくつかの実施形態では、このベースラインデータは、評価されている被験者１０４から取得された過去の測定値から生成され得る。言い換えれば、受信されたベースラインデータは、場合によっては、評価されている各個々の被験者１０４に対して一意であり得る、縦方向のベースラインデータセットであり得る。次に、ベースラインデータ２３０を、収集データ２１８から生成されたデジタルバイオマーカーと比較して（ブロック９０４）、被験者１０４が認知機能低下を経験しているかどうか（ブロック９０６）および／または認知機能低下の分類（ブロック９０８）を判定し得る。例えば、バイオマーカーの収集データ２１８が、ベースラインデータ２３０の特定のパーセンテージ（例えば、０～２０％）内にある場合、ベースラインデータ２３０が、認知機能低下を経験している被験者１０４および／または認知機能低下の特定の分類を経験している被験者１０４に関連付けられている場合、収集データ２１８に関連付けられた被験者１０４は、それぞれ、認知機能低下を経験している、かつ／または認知機能低下の特定の分類を経験していると判定され得る。別の例として、バイオマーカーの収集データ２１８が、ベースラインデータ２３０の特定のパーセンテージ（例えば、０～２０％）の外側にある場合、ベースラインデータ２３０が、認知機能低下を経験している被験者１０４に関連付けられている場合、収集データ２１８に関連付けられた被験者１０４は健康であると判定され得る。さらに別の例として、バイオマーカーの収集データ２１８が、ベースラインデータ２３０の特定のパーセンテージ（例えば、０～２０％）内にある場合、ベースラインデータ２３０が、健康である被験者１０４に関連付けられている場合、収集データ２１８に関連付けられた被験者１０４は健康であると判定され得る。別の例として、バイオマーカーの収集データ２１８が、ベースラインデータ２３０の特定のパーセンテージ（例えば、０～２０％）の外側にある場合、ベースラインデータ２３０が、健康である被験者１０４に関連付けられている場合、収集データ２１８に関連付けられた被験者１０４は、認知機能低下を経験していると判定され得る。さらに別の例として、特定の被験者１０４のためのバイオマーカーの収集データ１１８が、時間とともにより高いまたはより低い認知機能に向かう傾向を示す場合、被験者１０４は認知機能低下を経験しているまたは経験していないと判定され得る。認知機能低下の判定（ブロック７１２）および／または認知機能低下の分類（ブロック７１４）は、さらなる評価および／または治療を手配するために、被験者１０４（図１）に、または家族および／もしくは医療提供者などの別の許可された当事者に伝達され得る。
図１０は、本開示の少なくとも１つの実施形態による、モバイルデバイスを使用して認知機能低下を検出するためのシステムおよび／または方法を実装するためのコンピュータシステム１０００の例示的なコンポーネントのブロック図である。例えば、コンポーネント２００の機能、ならびに／あるいは方法３００、６００、７００、および／または９００のプロセス（例えば、ステップ）の一部またはすべては、コンピューティングシステム１０００によって実行される。この図は単なる例であり、特許請求の範囲の範囲を過度に制限するものではない。当業者は、多くの変形、代替、および修正を認識するであろう。
コンピューティングシステム１０００は、プロセッサ１００４、ディスプレイ１００６、カーソル制御コンポーネント１００８、入力デバイス１０１０、メインメモリ１０１２、読み取り専用メモリ（ＲＯＭ）１０１４、記憶ユニット１０１６、および／またはネットワークインターフェース１０８８の間で情報を通信するためのバス１００２または他の通信メカニズムを含む。いくつかの例では、バス１００２は、プロセッサ１００４、ディスプレイ１００６、カーソル制御コンポーネント１００８、入力デバイス１０１０、メインメモリ１０１２、読み取り専用メモリ（ＲＯＭ）１０１４、記憶ユニット１０１６、および／またはネットワークインターフェース１０１８に結合されている。また、特定の例では、ネットワークインターフェース１０１８は、ネットワーク１０２０（例えば、ネットワーク１０８）に結合されている。
いくつかの例では、プロセッサ１００４は、１つ以上の汎用マイクロプロセッサを含む。いくつかの例では、メインメモリ１０１２（例えば、ランダムアクセスメモリ（ＲＡＭ）、キャッシュ、および／または他の動的記憶デバイス）は、プロセッサ１００４によって実行される情報および命令を記憶するように構成される。特定の例では、メインメモリ１０１２は、プロセッサ１００４によって実行される命令の実行中に一時変数または他の中間情報を記憶するように構成される。例えば、命令は、プロセッサ１００４にとってアクセス可能な記憶ユニット８１６に記憶されるときに、コンピューティングシステム１０００を、命令内で指定された操作（例えば、方法３００、方法６００、方法７００、および／または方法９００）を実行するようにカスタマイズされた専用マシンになるようにする。いくつかの例では、ＲＯＭ１０１４は、プロセッサ１００４のための静的情報および命令を記憶するように構成される。特定の例では、記憶ユニット１０１６（例えば、磁気ディスク、光ディスク、またはフラッシュドライブ）は、情報および命令を記憶するように構成される。
いくつかの実施形態では、ディスプレイ１００６（例えば、陰極線管（ＣＲＴ）、ＬＣＤディスプレイ、またはタッチスクリーン）は、コンピューティングシステム１０００のユーザに情報を表示するように構成される。いくつかの例では、入力デバイス１０１０（例えば、英数字、および他のキー）は、情報およびコマンドをプロセッサ１００４に通信するように構成される。例えば、カーソル制御１００８（例えば、マウス、トラックボール、またはカーソル方向キー）は、（例えば、ディスプレイ１００６上のカーソルの動きを制御するための）追加の情報およびコマンドをプロセッサ１００４に通信するように構成される。
本発明は例示的な設計を有するものとして記載されてきたが、本発明は、本開示の趣旨および範囲内でさらに修正することができる。したがって、本出願は、本発明の一般的原理を用いた本発明の任意の変形、使用、または適応を網羅することが意図される。さらに、本出願は、本発明が関係し、添付の特許請求の範囲の制限内にある、当該技術分野で既知のまたは慣習的な実施の範囲内に入るものとして、本開示からのそのような逸脱を網羅することを意図する。
以下の態様を含むがこれらに限定されない様々な態様が、この開示に記載されている。
１．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、受動的に取得されたデータが、（ｉ）モバイルデバイスによって受信された着信メッセージの数および（ｉｉ）モバイルデバイスによって送信された発信メッセージの数のうちの少なくとも１つに関するデータを含む、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
２．各メッセージが、ＳＭＳテキストメッセージ、電子メール、チャットメッセージ、音声通話、およびビデオ電話会議通話、のうちの少なくとも１つである、態様１に記載のコンピュータ実装方法。
３．受動的に取得されたデータを処理することが、観察期間の各日にわたって受信されたすべての着信メッセージを合計して、着信メッセージの総数を生成することを含み、デジタルバイオマーカーデータが、着信メッセージの総数を含む、態様１または２に記載のコンピュータ実装方法。
４．受動的に取得されたデータを処理することが、観察期間中の各日にわたってモバイルデバイスによって送信された発信メッセージの数の変動性の統計的測度（a statistical measure）を計算することを含み、デジタルバイオマーカーデータが、発信メッセージの数の変動性の計算された統計的測度を含む、態様１～３のいずれか１つに記載のコンピュータ実装方法。
５．計算された統計的測度が、四分位範囲（an inter-quartile range）である、態様４に記載のコンピュータ実装方法。
６．受動的に取得されたデータを処理することが、観察期間中に１日当たりに受信された着信メッセージの中央値を計算することを含み、デジタルバイオマーカーデータが、着信メッセージの計算された中央値を含む、態様１～５のいずれか１つに記載のコンピュータ実装方法。
７．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、受動的に取得されたデータが、（ｉ）観察期間中の各日の最初に観察された被験者の動きの時刻（ＴｏＤ）、（ｉｉ）観察期間中の各日の最初に観察された被験者のペースのＴｏＤ、（ｉｉｉ）観察期間中の各日の最後に観察された被験者の動きのＴｏＤ、および（ｉｖ）観察期間中の各日の最後に観察された被験者のペースのＴｏＤ、のうちの少なくとも１つを含む、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、判定の結果に関して、被験者および別のユースのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
８．受動的に取得されたデータを処理することが、観察期間中に最初に観察された被験者のペースの中央値ＴｏＤを計算することを含み、デジタルバイオマーカーデータが、最初に観察された被験者のペースの計算された中央値ＴｏＤを含む、態様７に記載のコンピュータ実装方法。
９．受動的に取得されたデータを処理することが、観察期間中に最後に観察された被験者の動きのＴｏＤの統計的変動性の測度を計算することを含み、デジタルバイオマーカーデータが、最後に観察された被験者の動きのＴｏＤの統計的変動性の計算された測度を含む、態様７または８に記載のコンピュータ実装方法。
１０．統計的変動性の測度が、四分位範囲である、態様９に記載のコンピュータ実装方法。
１１．受動的に取得されたデータを処理することが、観察期間中に最初に観察された被験者の動きのＴｏＤの統計的変動性の測度を計算することを含み、デジタルバイオマーカーデータが、最初に観察された被験者の動きのＴｏＤの統計的変動性の計算された測度を含む、態様７～１０のいずれか１つに記載のコンピュータ実装方法。
１２．統計的変動性の測度が、四分位範囲である、態様１１に記載のコンピュータ実装方法。
１３．受動的に取得されたデータを処理することが、観察期間中に最後に観察された被験者の動きの中央値ＴｏＤを計算することを含み、デジタルバイオマーカーデータが、最後に観察された被験者の動きの計算された中央値ＴｏＤを含む、態様７～１１のいずれか１つに記載のコンピュータ実装方法。
１４．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、受動的に取得されたデータが、被験者の観察された歩幅に関するデータを含む、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
１５．受動的に取得されたデータを処理することが、観察期間中に被験者の観察された歩幅の統計的スキューを計算することを含み、デジタルバイオマーカーデータが、計算された統計的スキューを含む、態様１４に記載のコンピュータ実装方法。
１６．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、受動的に取得されたデータが、観察期間中の運動動作の数に関するデータを含む、受信することと、受動的に取得されたデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
１７．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、受動的に取得されたデータが、被験者が少なくとも１つのモバイルデバイス上の時間を判断するためにモバイル時計アプリケーションを閲覧した回数に関するデータを含み、被験者がモバイル時計アプリケーションを閲覧した各時間が、閲覧持続時間に関連付けられる、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、受動的に取得されたデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
１８．受動的に取得されたデータを処理することが、観察期間中に被験者がモバイル時計アプリケーションを閲覧した各時間に関連付けられた閲覧持続時間の目標パーセンテージ以上である閲覧持続時間を計算することを含み、デジタルバイオマーカーデータが、計算された閲覧持続時間を含む、態様１７に記載のコンピュータ実装方法。
１９．目標パーセンテージが、９０％～１００％である、態様１８に記載のコンピュータ実装方法。
２０．目標パーセンテージが、９３％～９７％である、態様１８または１９に記載のコンピュータ実装方法。
２１．目標パーセンテージが、９５％である、態様１８～２０のいずれか１つに記載のコンピュータ実装方法。
２２．受動的に取得されたデータを処理することが、観察期間中に被験者がモバイル時計アプリケーションを閲覧した各時間に関連付けられた閲覧持続時間の統計的変動性の測度を計算することを含み、デジタルバイオマーカーデータが、閲覧持続時間の統計的変動性の計算された測度を含む、態様１７～２１のいずれか１つに記載のコンピュータ実装方法。
２３．統計的変動性の測度が、四分位範囲である、態様２２に記載のコンピュータ実装方法。
２４．受動的に取得されたデータを処理することが、観察期間中に被験者がモバイル時計アプリケーションを閲覧したすべての時間に関連付けられたすべての閲覧持続時間を合計して、総閲覧持続時間を生成することを含み、デジタルバイオマーカーデータが、総閲覧持続時間を含む、態様１７～２３のいずれか１つに記載のコンピュータ実装方法。
２５．受動的に取得されたデータを処理することが、観察期間中の各それぞれの日について、それぞれの日の間に被験者がモバイル時計アプリケーションを閲覧したすべての時間に関連付けられたすべての閲覧持続時間の合計に等しい日々の総閲覧持続時間を計算し、計算された日々の総閲覧持続時間の統計的変動性の測度を計算することを含み、デジタルバイオマーカーデータが、計算された日々の総閲覧持続時間の統計的変動性の計算された測度を含む、態様１７～２４のいずれか１つに記載のコンピュータ実装方法。
２６．統計的変動性の測度が、四分位範囲である、態様２５に記載のコンピュータ実装方法。
２７．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、受動的に取得されたデータが、通信デバイスによって送信される発信メッセージを構成しながらユーザがタイプする方法を特徴付けるデータを含む、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
２８．受動的に取得されたデータを処理することが、休止を除くタイピング速度を計算することを含み、デジタルバイオマーカーデータが、計算されたタイピング速度を含む、態様２７に記載のコンピュータ実装方法。
２９．受動的に取得されたデータを処理することが、文当たりの平均単語数を計算することを含み、デジタルバイオマーカーデータが、計算された平均単語数を含む、態様２７または２８に記載のコンピュータ実装方法。
３０．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された１つ以上のユーザ活動の受動的に取得された時系列データを受信することと、周波数分析を使用して、受動的に取得された時系列データを処理して、時系列データを周波数パワースペクトルに変換することと、第１の周波数閾値と第２の周波数閾値との間の周波数パワースペクトル内のスペクトルエネルギー量を計算することと、計算されたスペクトルエネルギー量に基づいてデジタルバイオマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
３１．第１の周波数閾値が、１／（２４時間）未満であり、第２の周波数閾値が、１／（２４時間）よりも大きい、態様３０に記載のコンピュータ実装方法。
３２．第１の周波数が、１／（２５時間）以上であり、第２の周波数閾値が、１／（２３時間）以下である、態様３０または３１に記載のコンピュータ実装方法。
３３．第１の周波数が、１／（２４時間３０分）以上であり、第２の周波数閾値が、１／（２３時間３０分）以下である、態様３０～３２のいずれか１つに記載のコンピュータ実装方法。
３４．デジタルバイオマーカーデータが、（ｉ）第１の周波数閾値と第２の周波数閾値との間の周波数パワースペクトル内のスペクトルエネルギーの計算された量、および（ｉｉ）周波数パワースペクトル内の他のすべての周波数におけるスペクトルエネルギー量の比率を含む、態様３０～３３のいずれか１つに記載のコンピュータ実装方法。
３５．１つ以上のユーザ活動が、電話通話、発信メッセージ、着信メッセージ、モバイルデバイスのロック解除、モバイルアプリケーションとの相互作用、心拍数、立ち動作、ステップ、移動、モバイルデバイスのロック解除されている間の移動、およびモバイルデバイスがロックされている間の移動のうちの少なくとも１つを含む、態様３０～３４のいずれか１つに記載のコンピュータ実装方法。
３６．被験者の少なくとも１つのモバイルデバイスが、スマートウォッチおよびスマートフォンのうちの少なくとも１つを含む、態様１～３５のいずれか１つに記載のコンピュータ実装方法。
３７．認知機能低下が、少なくとも部分的にアルツハイマー病によって引き起こされる、態様１～３６のいずれか１つに記載のコンピュータ実装方法。
３８．被験者が認知機能低下を経験しているかどうかを判定するために、デジタルバイオマーカーデータの分析が、畳み込みニューラルネットワークを使用して実装される、態様１～３７のいずれか１つに記載のコンピュータ実装方法。
３９．被験者が認知機能低下を経験しているかどうかを判定するために、デジタルバイオマーカーデータの分析が、１つ以上の決定木を使用して実装される、態様１～３８のいずれか１つに記載のコンピュータ実装方法。
４０．受動的に取得されたデータが、少なくとも第１のカテゴリのデータおよび第２のカテゴリのデータを含み、第１のカテゴリのデータが、第１のデータ収集頻度で記録され、第２のカテゴリのデータが、第１のデータ収集頻度とは異なる第２のデータ収集頻度で記録される、態様１～３９のいずれか１つに記載のコンピュータ実装方法。
４１．認知機能低下を検出するための処理デバイスであって、１つ以上のプロセッサと、実行されるときに、１つ以上のプロセッサに態様１～４０のいずれか１つに記載の方法を実行させる命令を含むメモリと、を備える、処理デバイス。
４２．１つ以上のプロセッサによって実行されるときに、１つ以上のプロセッサに態様１～４０のいずれか１つに記載の方法を実行させるように構成されている、コンピュータ実行可能命令を記憶する、非一時的なコンピュータ可読記憶媒体。

Claims (42)

  1. 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
    複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、前記受動的に取得されたデータが、（ｉ）前記モバイルデバイスによって受信された着信メッセージの数および（ｉｉ）前記モバイルデバイスによって送信された発信メッセージの数のうちの少なくとも１つに関するデータを含む、受信することと、
    前記受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、
    前記デジタルバイオマーカーデータを分析して、前記被験者が認知機能低下を経験しているかどうかを判定することと、
    前記分析の前記結果に関して、前記被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
  2. 各メッセージが、ＳＭＳテキストメッセージ、電子メール、チャットメッセージ、音声通話、およびビデオ電話会議通話、のうちの少なくとも１つである、請求項１に記載のコンピュータ実装方法。
  3. 前記受動的に取得されたデータを処理することが、前記観察期間の各日にわたって受信されたすべての着信メッセージを合計して、着信メッセージの総数を生成することを含み、前記デジタルバイオマーカーデータが、前記着信メッセージの総数を含む、請求項１または２に記載のコンピュータ実装方法。
  4. 前記受動的に取得されたデータを処理することが、前記観察期間中の各日にわたって前記モバイルデバイスによって送信された前記発信メッセージの数の変動性の統計的測度を計算することを含み、前記デジタルバイオマーカーデータが、前記発信メッセージの数の変動性の前記計算された統計的測度を含む、請求項１～３のいずれか一項に記載のコンピュータ実装方法。
  5. 前記計算された統計的測度が、四分位範囲である、請求項４に記載のコンピュータ実装方法。
  6. 前記受動的に取得されたデータを処理することが、前記観察期間中に１日当たりに受信された着信メッセージの中央値を計算することを含み、前記デジタルバイオマーカーデータが、前記着信メッセージの計算された中央値を含む、請求項１～５のいずれか一項に記載のコンピュータ実装方法。
  7. 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
    複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、前記受動的に取得されたデータが、（ｉ）前記観察期間中の各日の最初に観察された被験者の動きの時刻（ＴｏＤ）、（ｉｉ）前記観察期間中の各日の最初に観察された被験者のペースのＴｏＤ、（ｉｉｉ）前記観察期間中の各日の最後に観察された被験者の動きのＴｏＤ、および（ｉｖ）前記観察期間中の各日の最後に観察された被験者のペースのＴｏＤ、のうちの少なくとも１つを含む、受信することと、
    前記受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、
    前記デジタルバイオマーカーデータを分析して、前記被験者が認知機能低下を経験しているかどうかを判定することと、
    前記判定の前記結果に関して、被験者および別のユースのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
  8. 前記受動的に取得されたデータを処理することが、前記観察期間中に最初に観察された被験者のペースの中央値ＴｏＤを計算することを含み、前記デジタルバイオマーカーデータが、最初に観察された被験者のペースの前記計算された中央値ＴｏＤを含む、請求項７に記載のコンピュータ実装方法。
  9. 前記受動的に取得されたデータを処理することが、前記観察期間中に最後に観察された被験者の動きの前記ＴｏＤの統計的変動性の測度を計算することを含み、前記デジタルバイオマーカーデータが、最後に観察された被験者の動きの前記ＴｏＤの統計的変動性の前記計算された測度を含む、請求項７または８に記載のコンピュータ実装方法。
  10. 前記統計的変動性の測度が、四分位範囲である、請求項９に記載のコンピュータ実装方法。
  11. 前記受動的に取得されたデータを処理することが、前記観察期間中に最初に観察された被験者の動きの前記ＴｏＤの統計的変動性の測度を計算することを含み、前記デジタルバイオマーカーデータが、最初に観察された被験者の動きの前記ＴｏＤの統計的変動性の前記計算された測度を含む、請求項７～１０のいずれか一項に記載のコンピュータ実装方法。
  12. 前記統計的変動性の測度が、四分位範囲である、請求項１１に記載のコンピュータ実装方法。
  13. 前記受動的に取得されたデータを処理することが、前記観察期間中に最後に観察された被験者の動きの中央値ＴｏＤを計算することを含み、前記デジタルバイオマーカーデータが、最後に観察された被験者の動きの前記計算された中央値ＴｏＤを含む、請求項７～１１のいずれか一項に記載のコンピュータ実装方法。
  14. 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
    複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、前記受動的に取得されたデータが、前記被験者の観察された歩幅に関するデータを含む、受信することと、
    前記受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、
    前記デジタルバイオマーカーデータを分析して、前記被験者が認知機能低下を経験しているかどうかを判定することと、
    前記分析の前記結果に関して、前記被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
  15. 前記受動的に取得されたデータを処理することが、前記観察期間中に前記被験者の前記観察された歩幅の統計的スキューを計算することを含み、前記デジタルバイオマーカーデータが、前記計算された統計的スキューを含む、請求項１４に記載のコンピュータ実装方法。
  16. 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
    複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、前記受動的に取得されたデータが、前記観察期間中の運動動作の数に関するデータを含む、受信することと、
    前記受動的に取得されたデータを分析して、前記被験者が認知機能低下を経験しているかどうかを判定することと、
    前記分析の前記結果に関して、前記被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
  17. 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
    複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、前記受動的に取得されたデータが、前記被験者が前記少なくとも１つのモバイルデバイス上の時間を判断するためにモバイル時計アプリケーションを閲覧した回数に関するデータを含み、前記被験者が前記モバイル時計アプリケーションを閲覧した各時間が、閲覧持続時間に関連付けられる、受信することと、
    前記受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、
    前記受動的に取得されたデータを分析して、前記被験者が認知機能低下を経験しているかどうかを判定することと、
    前記分析の前記結果に関して、前記被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
  18. 前記受動的に取得されたデータを処理することが、前記観察期間中に前記被験者が前記モバイル時計アプリケーションを閲覧した各時間に関連付けられた前記閲覧持続時間の目標パーセンテージ以上である閲覧持続時間を計算することを含み、前記デジタルバイオマーカーデータが、前記計算された閲覧持続時間を含む、請求項１７に記載のコンピュータ実装方法。
  19. 前記目標パーセンテージが、９０％～１００％である、請求項１８に記載のコンピュータ実装方法。
  20. 前記目標パーセンテージが、９３％～９７％である、請求項１８または１９に記載のコンピュータ実装方法。
  21. 前記目標パーセンテージが、９５％である、請求項１８～２０のいずれか一項に記載のコンピュータ実装方法。
  22. 前記受動的に取得されたデータを処理することが、前記観察期間中に前記被験者が前記モバイル時計アプリケーションを閲覧した各時間に関連付けられた前記閲覧持続時間の統計的変動性の測度を計算することを含み、前記デジタルバイオマーカーデータが、前記閲覧持続時間の統計的変動性の前記計算された測度を含む、請求項１７～２１のいずれか一項に記載のコンピュータ実装方法。
  23. 前記統計的変動性の測度が、四分位範囲である、請求項２２に記載のコンピュータ実装方法。
  24. 前記受動的に取得されたデータを処理することが、前記観察期間中に前記被験者が前記モバイル時計アプリケーションを閲覧したすべての前記時間に関連付けられたすべての閲覧持続時間を合計して、総閲覧持続時間を生成することを含み、前記デジタルバイオマーカーデータが、前記総閲覧持続時間を含む、請求項１７～２３のいずれか一項に記載のコンピュータ実装方法。
  25. 前記受動的に取得されたデータを処理することが、前記観察期間中の各それぞれの日について、前記それぞれの日の間に前記被験者が前記モバイル時計アプリケーションを閲覧したすべての前記時間に関連付けられたすべての閲覧持続時間の前記合計に等しい日々の総閲覧持続時間を計算し、前記計算された日々の総閲覧持続時間の統計的変動性の測度を計算することを含み、前記デジタルバイオマーカーデータが、前記計算された日々の総閲覧持続時間の統計的変動性の前記計算された測度を含む、請求項１７～２４のいずれか一項に記載のコンピュータ実装方法。
  26. 前記統計的変動性の測度が、四分位範囲である、請求項２５に記載のコンピュータ実装方法。
  27. 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
    複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得されたデータを受信することであって、前記受動的に取得されたデータが、通信デバイスによって送信される発信メッセージを構成しながら前記ユーザがタイプする方法を特徴付けるデータを含む、受信することと、
    前記受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、
    前記デジタルバイオマーカーデータを分析して、前記被験者が認知機能低下を経験しているかどうかを判定することと、
    前記分析の前記結果に関して、前記被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
  28. 前記受動的に取得されたデータを処理することが、休止を除くタイピング速度を計算することを含み、前記デジタルバイオマーカーデータが、前記計算されたタイピング速度を含む、請求項２７に記載のコンピュータ実装方法。
  29. 前記受動的に取得されたデータを処理することが、文当たりの平均単語数を計算することを含み、前記デジタルバイオマーカーデータが、前記計算された平均単語数を含む、請求項２７または２８に記載のコンピュータ実装方法。
  30. 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
    複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記録された１つ以上のユーザ活動の受動的に取得された時系列データを受信することと、
    周波数分析を使用して、前記受動的に取得された時系列データを処理して、前記時系列データを周波数パワースペクトルに変換することと、
    第１の周波数閾値と第２の周波数閾値との間の前記周波数パワースペクトル内のスペクトルエネルギー量を計算することと、
    前記計算されたスペクトルエネルギー量に基づいてデジタルバイオマーカーデータを生成することと、
    前記デジタルバイオマーカーデータを分析して、前記被験者が認知機能低下を経験しているかどうかを判定することと、
    前記分析の前記結果に関して、前記被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
  31. 前記第１の周波数閾値が、１／（２４時間）未満であり、前記第２の周波数閾値が、１／（２４時間）よりも大きい、請求項３０に記載のコンピュータ実装方法。
  32. 前記第１の周波数が、１／（２５時間）以上であり、前記第２の周波数閾値が、１／（２３時間）以下である、請求項３０または３１に記載のコンピュータ実装方法。
  33. 前記第１の周波数が、１／（２４時間３０分）以上であり、前記第２の周波数閾値が、１／（２３時間３０分）以下である、請求項３０～３２のいずれか一項に記載のコンピュータ実装方法。
  34. 前記デジタルバイオマーカーデータが、（ｉ）前記第１の周波数閾値と前記第２の周波数閾値との間の前記周波数パワースペクトル内のスペクトルエネルギーの前記計算された量、および（ｉｉ）前記周波数パワースペクトル内の他のすべての周波数における前記スペクトルエネルギー量の比率を含む、請求項３０～３３のいずれか一項に記載のコンピュータ実装方法。
  35. 前記１つ以上のユーザ活動が、電話通話、発信メッセージ、着信メッセージ、モバイルデバイスのロック解除、モバイルアプリケーションとの相互作用、心拍数、立ち動作、ステップ、移動、モバイルデバイスのロック解除されている間の移動、およびモバイルデバイスがロックされている間の移動のうちの少なくとも１つを含む、請求項３０～３４のいずれか一項に記載のコンピュータ実装方法。
  36. 前記被験者の前記少なくとも１つのモバイルデバイスが、スマートウォッチおよびスマートフォンのうちの少なくとも１つを含む、請求項１～３５のいずれか一項に記載のコンピュータ実装方法。
  37. 前記認知機能低下が、少なくとも部分的にアルツハイマー病によって引き起こされる、請求項１～３６のいずれか一項に記載のコンピュータ実装方法。
  38. 前記被験者が認知機能低下を経験しているかどうかを判定するために、前記デジタルバイオマーカーデータの前記分析が、畳み込みニューラルネットワークを使用して実装される、請求項１～３７のいずれか一項に記載のコンピュータ実装方法。
  39. 前記被験者が認知機能低下を経験しているかどうかを判定するために、前記デジタルバイオマーカーデータの前記分析が、１つ以上の決定木を使用して実装される、請求項１～３８のいずれか一項に記載のコンピュータ実装方法。
  40. 前記受動的に取得されたデータが、少なくとも第１のカテゴリのデータおよび第２のカテゴリのデータを含み、前記第１のカテゴリのデータが、第１のデータ収集頻度で記録され、前記第２のカテゴリのデータが、前記第１のデータ収集頻度とは異なる第２のデータ収集頻度で記録される、請求項１～３９のいずれか一項に記載のコンピュータ実装方法。
  41. 認知機能低下を検出するための処理デバイスであって、
    １つ以上のプロセッサと、
    実行されるときに、前記１つ以上のプロセッサに請求項１～４０のいずれか一項に記載の方法を実行させる命令を含むメモリと、を備える、処理デバイス。
  42. １つ以上のプロセッサによって実行されるときに、前記１つ以上のプロセッサに請求項１～４０のいずれか一項に記載の方法を実行させるように構成されている、コンピュータ実行可能命令を記憶する、非一時的なコンピュータ可読記憶媒体。
JP2022501048A 2019-07-10 2020-07-09 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 Pending JP2022543348A (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2023083791A JP2023106521A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083790A JP2023106520A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083788A JP2023106518A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083787A JP2023106517A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083789A JP2023106519A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
GR20190100293 2019-07-10
GR20190100293 2019-07-10
US201962875623P 2019-07-18 2019-07-18
US62/875,623 2019-07-18
PCT/US2020/041333 WO2021007394A1 (en) 2019-07-10 2020-07-09 Systems and methods for detecting cognitive decline with mobile devices

Related Child Applications (5)

Application Number Title Priority Date Filing Date
JP2023083789A Division JP2023106519A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083790A Division JP2023106520A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083788A Division JP2023106518A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083787A Division JP2023106517A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083791A Division JP2023106521A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法

Publications (1)

Publication Number Publication Date
JP2022543348A true JP2022543348A (ja) 2022-10-12

Family

ID=72039653

Family Applications (6)

Application Number Title Priority Date Filing Date
JP2022501048A Pending JP2022543348A (ja) 2019-07-10 2020-07-09 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083787A Withdrawn JP2023106517A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083791A Pending JP2023106521A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083789A Pending JP2023106519A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083788A Pending JP2023106518A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083790A Pending JP2023106520A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法

Family Applications After (5)

Application Number Title Priority Date Filing Date
JP2023083787A Withdrawn JP2023106517A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083791A Pending JP2023106521A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083789A Pending JP2023106519A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083788A Pending JP2023106518A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
JP2023083790A Pending JP2023106520A (ja) 2019-07-10 2023-05-22 モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法

Country Status (7)

Country Link
US (1) US20220273227A1 (ja)
EP (6) EP4233717A3 (ja)
JP (6) JP2022543348A (ja)
CN (1) CN114096195A (ja)
AU (6) AU2020310165B2 (ja)
CA (1) CA3146160A1 (ja)
WO (1) WO2021007394A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7450483B2 (ja) 2020-07-21 2024-03-15 株式会社Ｎｔｔドコモ 出力装置
JP7450484B2 (ja) 2020-07-21 2024-03-15 株式会社Ｎｔｔドコモ 出力装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3222403A1 (en) * 2021-06-17 2022-12-22 Altoida, Inc. Method and system for obtaining measurement of cognitive performance

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170258383A1 (en) * 2013-10-22 2017-09-14 Mindstrong, LLC Method and System For Assessment of Cognitive Function Based on Electronic Device Usage

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003057029A2 (en) * 2002-01-04 2003-07-17 Aspect Medical Systems, Inc. System and method of assessment of neurological conditions using eeg bispectrum
CA2750158A1 (en) * 2009-01-06 2010-07-15 Proteus Biomedical, Inc. Ingestion-related biofeedback and personalized medical therapy method and system
EP2442714A1 (en) * 2009-06-15 2012-04-25 Brain Computer Interface LLC A brain-computer interface test battery for the physiological assessment of nervous system health
DK2643782T3 (da) * 2010-11-24 2020-11-09 Digital Artefacts Llc Systemer og fremgangsmåder til bedømmelse af kognitiv funktion
US9208661B2 (en) * 2012-01-06 2015-12-08 Panasonic Corporation Of North America Context dependent application/event activation for people with various cognitive ability levels
US10650920B2 (en) * 2012-08-16 2020-05-12 Ginger.io, Inc. Method and system for improving care determination
CA2979390A1 (en) * 2015-03-12 2016-09-15 Akili Interactive Labs, Inc. Processor implemented systems and methods for measuring cognitive abilities
GB2538698B (en) * 2015-04-02 2019-05-15 Cambridge Cognition Ltd Systems and methods for assessing cognitive function
JP2019523027A (ja) * 2016-05-09 2019-08-22 ニューロビジョン イメージング，インコーポレーテッド 記憶及び機能の衰えの記録及び分析のための装置及び方法
US20170354846A1 (en) * 2016-06-13 2017-12-14 Action Faction, Ltd. Training and Rehabilitation Involving Physical Activity and Cognitive Exercises
EP3257437A1 (en) * 2016-06-13 2017-12-20 Friedrich-Alexander-Universität Erlangen-Nürnberg Method and system for analyzing human gait
EP3512424A1 (en) * 2016-09-14 2019-07-24 H. Hoffnabb-La Roche Ag Digital biomarkers for cognition and movement diseases or disorders
JP6771162B2 (ja) * 2016-10-07 2020-10-21 パナソニックＩｐマネジメント株式会社 認知機能評価装置、認知機能評価方法及びプログラム
US11272873B2 (en) * 2016-10-07 2022-03-15 Panasonic Intellectual Property Management Co., Ltd. Cognitive function evaluation device, cognitive function evaluation system, cognitive function evaluation method, and recording medium
US20180338715A1 (en) * 2017-05-24 2018-11-29 Newton Howard Technology and methods for detecting cognitive decline
JP6854747B2 (ja) * 2017-12-20 2021-04-07 株式会社日立製作所 計算機システム、認知機能の評価方法、及びプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170258383A1 (en) * 2013-10-22 2017-09-14 Mindstrong, LLC Method and System For Assessment of Cognitive Function Based on Electronic Device Usage

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7450483B2 (ja) 2020-07-21 2024-03-15 株式会社Ｎｔｔドコモ 出力装置
JP7450484B2 (ja) 2020-07-21 2024-03-15 株式会社Ｎｔｔドコモ 出力装置

Also Published As

Publication number Publication date
EP4233695A1 (en) 2023-08-30
EP4233717A2 (en) 2023-08-30
US20220273227A1 (en) 2022-09-01
JP2023106520A (ja) 2023-08-01
CN114096195A (zh) 2022-02-25
JP2023106519A (ja) 2023-08-01
AU2023222953A1 (en) 2023-09-21
CA3146160A1 (en) 2021-01-14
WO2021007394A1 (en) 2021-01-14
AU2020310165A1 (en) 2022-02-03
JP2023106518A (ja) 2023-08-01
EP4233715A2 (en) 2023-08-30
EP4233717A3 (en) 2023-10-25
AU2020310165B2 (en) 2023-10-19
EP4233716A3 (en) 2023-10-18
AU2023222958A1 (en) 2023-09-21
AU2023222957A1 (en) 2023-09-21
AU2023222959A1 (en) 2023-09-21
JP2023106521A (ja) 2023-08-01
JP2023106517A (ja) 2023-08-01
EP4233715A3 (en) 2023-10-11
EP4233714A3 (en) 2023-09-27
EP3996582A1 (en) 2022-05-18
AU2023222960A1 (en) 2023-09-21
EP4233716A2 (en) 2023-08-30
EP4233714A2 (en) 2023-08-30

Similar Documents

Publication Publication Date Title
US20200234823A1 (en) Health monitoring using social rhythms stability
US11844626B2 (en) Fitness systems and methods
Arends et al. Multimodal nocturnal seizure detection in a residential care setting: a long-term prospective trial
WangJulie et al. Wearable sensor/device (Fitbit One) and SMS text-messaging prompts to increase physical activity in overweight and obese adults: a randomized controlled trial
Low et al. Estimation of symptom severity during chemotherapy from passively sensed data: exploratory study
Hovsepian et al. cStress: towards a gold standard for continuous stress assessment in the mobile environment
JP2023106519A (ja) モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法
WO2020087014A1 (en) Devices and methods for remotely managing chronic medical conditions
US20190228179A1 (en) Context-based access to health information
US11948682B2 (en) Methods and systems for securely communicating over networks, in real time, and utilizing biometric data
Xiong et al. Forecasting seizure likelihood from cycles of self-reported events and heart rate: a prospective pilot study
Konsolakis et al. A novel framework for the holistic monitoring and analysis of human behaviour
Connelly et al. Feasibility of using “SMARTER” methodology for monitoring precipitating conditions of pediatric migraine episodes
Lam et al. Smartmood: Toward pervasive mood tracking and analysis for manic episode detection
Triana et al. Mobile monitoring of mood (momo-mood) pilot: A longitudinal, multi-sensor digital phenotyping study of patients with major depressive disorder and healthy controls
US10079074B1 (en) System for monitoring disease progression
WO2023244660A1 (en) Determination of patient behavioral health state based on patient heart and brain waveforms metric analysis
Klaas Monitoring outpatients in palliative care through wearable devices
Bas On the Challenges of Longitudinal, Multi-Modal, Ubiquitous Sensing Studies
JP2023530035A (ja) 携帯型モニタリング装置からのパラメータの時系列を介したユーザの疼痛に対する評価
Kreimer Neurotech-Parkinson's Disease: Smartphones to Quantify Parkinson's Disease Severity in Real-World Settings
Doherty et al. Utilising contextual memory retrieval cues and the ubiquity of the cell phone to review lifelogged physiological activities
CN115867983A (zh) 用于检测或预测重度抑郁症再发的系统和方法

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220107

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220114

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220107

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230216

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230221

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230522

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230815

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231115

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20231219