JP2022551325A - 診断ツール - Google Patents
診断ツール Download PDFInfo
- Publication number
- JP2022551325A JP2022551325A JP2022521723A JP2022521723A JP2022551325A JP 2022551325 A JP2022551325 A JP 2022551325A JP 2022521723 A JP2022521723 A JP 2022521723A JP 2022521723 A JP2022521723 A JP 2022521723A JP 2022551325 A JP2022551325 A JP 2022551325A
- Authority
- JP
- Japan
- Prior art keywords
- values
- patient
- data
- physiological
- pathway
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 86
- 230000037361 pathway Effects 0.000 claims description 102
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 18
- 208000024891 symptom Diseases 0.000 description 12
- 230000036541 health Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 230000001747 exhibiting effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007620 mathematical function Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 238000009535 clinical urine test Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
【課題】本明細書には患者の医学的な病状を診断するための方法を開示する。【解決手段】この方法は、患者から複数の生理学的値を取得し、生理学的値に基づき複数の医学的な病状のうち少なくとも1つのリスク値を決定するように構成された第1のモデルを実行する。第1のモデルを実行することは、取得した生理学的値の最初の1つに基づき少なくとも1つの医学的な病状の第1のリスク値を取得し、取得した生理学的値の2つめに基づき第1のリスク値を重み付けし、患者の少なくとも1つの医学的な病状の総リスク値を決定する。【選択図】図1
Description
本開示は、1つまたは複数の医学的な病状を診断するためのシステムおよび方法に関するものであって、機械学習技術を用いて、そのような医学的な病状のリスクを識別し、適切な診断経路を決定するものである。
がんなどの特定の医学的な病状は、従来の方法で診断するのが極めて困難であることが判明している。このような診断を確定するために、臨床医に特定の診断を直接警告する、あるいは検査や調査などの特定の経路に彼らを導くような症状が1つではないこともある。代わりに、これらの病状は、数百もの異なる疾患の集合体であり、それぞれが独自の徴候、症状、および危険因子を有し、初期段階では漠然としており、それほど深刻ではない病状と重複することがある。したがって、症状が最初に出現した初期段階、例えば、一般診療医の予約で、病状または適切な診断経路を特定することは、特に困難である場合がある。
さらに、開業医が方針を決定したり、診断を下したりするのに役立つ情報は、多くの異なる情報源に備えられている場合がある。例えば、病状が多面的に現れることを考慮すると、臨床医がそのような決定を即座に行うために必要なすべての情報を得ることは、従来の方法では不可能であったかもしれない。
近年、さまざまな技術的問題に対処するために、クラウドベースの技術とアプリケーションソフトウェアの両方を実行することが増加している。さらに、計算能力の向上と、増大する適切な訓練データにアクセスすることにより、機械学習技術は、多くの技術的問題に対し改善された解決法を提供するためのアプリケーションを増やしている。特に、ニューラルネットワークの使用は、このような多くの技術的問題に対し簡潔で効果的な解決策を提供する方法として、ますます一般的になっている。
本願の実施形態は、上述した問題の一部または全部、および他の技術的問題に対処することができる。
本開示の実施形態および実施例は、上述の技術的問題および/または関連する問題の少なくとも一部に対処することを目的とする。本発明の実施形態は、独立項に記載されているとおりであり、任意の特徴は、従属項に記載されている。前記実施形態および実施例は、それらが示す特定の生理学的値の範囲に基づいて、複数の異なる医学的な病状を発症する患者のリスクを決定するより効率的な方法を提供することができ、また、病状を診断するために推奨される方針をより効率的に提供することができる。また、患者がリスクにさらされている病状をより効果的に識別し、特定の保健当局または臨床医の個々の要件に基づいて、推奨される治療経路の提供をより効果的に識別することができる。
一実施形態では、患者から複数の生理学的値を取得し、生理学的値に基づいて、複数の医学的な病状のうち少なくとも1つについてのリスク値を決定するように構成された第1のモデルを実行する方法を備え、第1のモデルを実行することは、取得した生理学的値の最初の値に基づいて、少なくとも1つの医学的な病状の最初のリスク値を取得し、取得した生理学的値の第2の値に基づいて第1のリスク値を重み付けし、患者の少なくとも1つの医学的な病状の総リスク値を決定する方法を備える、患者の医学的な病状を診断するための方法が提供される。
一実施形態では、患者から複数の患者因子を取得し、患者因子に基づいて、複数の医学的な病状のうち1つについてのリスク値を決定するように構成された第1のモデルを実行する方法を備え、第1のモデルを実行することは、取得した患者因子に基づいて、少なくとも1つの医学的な病状に対するベースラインリスク値を重み付けし、少なくとも1つの患者の医学的な病状に対するリスク値を決定することを備える、患者の医学的な病状を診断するための方法が提供される。
一実施形態では、患者から複数の生理学的値を取得し、生理学的値に基づいて、複数の医学的な病状のうち1つについてのリスク値を決定するように構成された第1のモデルを実行する方法を備え、第1のモデルを実行することは、生理学的値に重み付けを行い、重み付けを行った生理学的値に基づき、少なくとも1つの医学的な病状についてのリスク値を決定することを備える、患者の医学的な病状を診断するための方法が提供される。
各リスク値は、患者が、対応する医学的な病状を有する可能性を示してもよい。
第1のモデルを実行することは、複数の生理学的値のそれぞれによって、ベースラインリスク値を順次重み付けすることを備えてもよい。
第1のモデルを実行することは、生理学的値のそれぞれに関連するリスクを決定することを備えてもよく、さらに、関連するリスクのそれぞれを組み合わせて、少なくとも1つの医学的な病状に対するリスク値を提供してもよい。生理学的値を重み付けすることは、生理学的値のそれぞれに重み係数を適用してもよい。例えば、重み係数は、一定であってもよく、数学的関数を定義してもよい。少なくとも1つの医学的な病状に対するリスク値を決定することは、重み付けされた生理学的値を組み合わせてもよい。重み係数を適用することは、重み係数を取得すること、および/または、例えば、生理学的値に対応する生理学的パラメータと複数の医学的な病状との間の関連を示すデータに基づいて、重み係数を計算することを備えてもよく、例えば、データは、データストアから取得してもよい。
重み付けを適用することは、値の第2のセットを用いることで、計算されたリスク値を修正してもよい。例えば、値の第2のセットは、患者の人口統計データなどの、さらなる患者情報であってもよい。
マッピングデータは、例えば、プロセッサにより取得され、保存されるなどして、提供され、第1のモデルとして使用されてもよい。マッピングデータは、複数の医学的な病状のそれぞれについて、その医学的な病状のリスク値の計算に関連する生理学的パラメータのサブセットを示してもよい。マッピングデータは、生理学的パラメータのそれぞれについて医学的な病状のサブセットを代替的または追加的に提供してもよく、例えば、選択された医学的な病状のそれぞれに対するリスクの評価に関連するかどうか、生理学的パラメータのそれぞれについての指標を備えてもよい。第1のモデルは、マッピングデータに基づき、取得した生理学的値のそれぞれを、それらが関連するリスクを有する医学的な病状にマッピングしてもよい。したがって、与えられた生理学的値のセットに対して、医学的な病状の1つのサブセットのみが選択されてもよく、これらの病状におけるリスク値のみが計算、修正、および/または重み付けされてもよい。
データは、1つまたは複数の医学的な病状をもつリスクの割合と生理学的数値に対応する生理学的パラメータとの間の関数的関係の指標を備える第1のモデルにより取得されてもよく、例えば、複数の医学的な病状の1つ以上に対するリスク値は、生理学的パラメータの数学的関数として変化してもよい。例えば、パラメータと医学的な病状のリスク値との間には、比例、指数、または他の数学的関係があってもよい。重み付けデータは、この指標を備えてもよい。
選択されたしきい値と総リスク値のそれぞれとを比較し、総リスク値の1つまたは複数が対応するしきい値を超える場合、対応する医学的な病状を診断するために少なくとも1つの診断経路を選択することを更に備える方法であってもよい。
診断経路を選択することは、複数セットの経路パラメータ値に基づいて、複数の可能な診断経路のうち少なくとも1つを選択するように構成された第2のモデルを実行してもよく、各セットは診断経路の1つと関連してもよい。
第2のモデルを実行することは、経路パラメータ値の1つがしきい値を満たす場合、関連する経路を選択することを備えてもよい。
生理学的値のセットと、複数の医学的な病状のうち1つについての診断の有無をそれぞれ識別する指標セットとを備え、患者データセットを取得し、患者データセットに基づき第1のモデルを修正することをさらに備える方法であってもよい。
複数の診断経路のうちの1つについての診断経路データセットを取得し、経路データセットは、その診断経路について複数の経路パラメータ値を備え、経路データセットに基づき、第2のモデルを修正することをさらに備える方法であってもよい。
第2のモデルを修正することは、第2のモデルにおけるその診断経路に関連する経路パラメータのそれぞれを、取得し対応する経路パラメータ値によって重み付けしてもよい。
第1のモデルと第2のモデルの少なくとも1つは、ベイズモデルを備えてもよい。
一実施形態では、患者から複数の生理学的値を取得し、複数の関連する医学的な病状へ生理学的値をマッピングし、マッピングした生理学的値に基づき、医学的な病状のそれぞれに関連する総リスク値を決定し、総リスク値のそれぞれをしきい値と比較し、総リスク値がしきい値を超えた場合、医学的な病状を診断するための診断経路データを出力する、患者の医学的な病状を診断するための方法が提供される。
医学的な病状のそれぞれに関連する総リスク値を決定することは、各生理学的値について、それがマッピングされる医学的な病状のそれぞれに関連するリスクの指標を決定することを備えていてもよい。
複数の生理学的パラメータと複数の医学的な病状との間の所定の関連を示すリスクデータを取得することをさらに備えていてもよく、少なくとも1つの生理学的値を複数の医学的な病状へマッピングすること、および医学的な病状のそれぞれの総リスク値を決定することは、リスクデータに基づくものである方法であってもよい。
診断経路データを出力することは、複数の可能な診断経路のうち少なくとも1つを選択してもよい。
可能な診断経路のそれぞれについて、複数の経路パラメータ値を取得し、少なくとも1つの経路を選択することは、経路パラメータ値に基づくものであることをさらに備える方法であってもよい。
複数の可能な診断経路のうち少なくとも1つを選択することは、経路のパラメータ値のいずれかが対応するしきい値を満たす場合、経路を選択することであってもよい。
病状に対する総リスク値を決定することは、過去の患者データを反復することであってもよく、過去の患者データは、それぞれが患者に関連する複数のデータセットを備え、データセットのそれぞれは、生理学的値のセットと、指標のうちの1つについての診断の有無をそれぞれ識別する指標のセットとを備えるものであってもよい。
過去の患者データに基づき、少なくとも1つの指標について前記総リスク値を修正することをさらに備える方法であってもよい。
過去の患者データに基づき経路パラメータ値を修正することをさらに備える方法であってもよい。
生理学的値は、患者因子およびパラメータのいくつかの異なるクラスのうちの1つまたは複数に関連していてもよく、例えば、これらに限定されるものではないが、患者によって示された徴候および症状、調査または検査結果、人口統計データおよび危険因子(例えば、患者が喫煙しているかどうか、太りすぎかどうかなど)が備えられてもよい。
別の実施形態では、ニューラルネットワークとして、生理学的パラメータのセットと、複数の医学的な病状のうち少なくとも1つに対するリスク値との関係を提供するように構成された第1のモデルを実行し、生理学的パラメータに対応する取得した生理学的値から、少なくとも1つの医学的な病状における総リスクの指標を出力し、生理学的値のセットと、複数の医学的な病状のうち1つについての診断の有無をそれぞれ識別する指標のセットを備え、患者データセットを取得し、患者データセットに基づき第1のモデルを修正する、医学的な病状を診断するための人工ニューラルネットワークを訓練する方法が提供される。
複数の前記患者データセットを取得し、患者データセットのそれぞれに基づき第1のモデルを反復的に修正することをさらに備える方法であってもよい。
患者データセットは、複数の診断経路のうちの1つについての経路データセットをさらに備えてもよく、経路データセットは、その経路に対する複数の経路パラメータ値を備えてもよく、ニューラルネットワークとして、a)複数の経路パラメータのそれぞれと複数の診断経路のそれぞれとの間の関連を提供し、b)修正された第2のモデルと取得された生理学的値とに基づき、診断経路の1つを選択するように構成された第2のモデルを実行し、経路データセットに基づき第2のモデルを修正する方法であってもよい。
患者データセットのそれぞれに基づき第2のモデルを反復的に修正することをさらに備える方法であってもよい。
一実施形態では、記載された方法のいずれかを実行するようにプロセッサをプログラムするように構成されたプログラム命令を備えるコンピュータプログラム製品が提供される。
本開示の実施形態を添付の図面を参照して、以下に詳細に説明する。
図1は、医学的な病状を診断するための診断経路を選択するために用いられるプロセス100の概要を示す。このようなプロセスにより、臨床医は、患者から得られたデータと、臨床医が属する特定の医療サービスの関連する規則およびガイドラインとに基づいて、1つまたは複数の医学的な病状を有する患者のリスクに関する情報と、これらの病状を診断するための推奨される経路とを効率的に受け取ることができる。記載された各ステップは、例えば、広域ネットワーク(WAN)を介して、関連するデータを入力することができる複数の装置に接続されたサーバの制御装置によって実行することができる。
この例では、最初のステップとして、患者に関するデータが、例えばプロセッサにより取得される(101)。例えば、以下でより詳細に説明するように、データは、患者に関連する生理学的値などの患者因子を備えることができる。データは、患者を診察する臨床医によって、PC、スマートフォン、またはタブレットなどのコンピュータデバイスに入力され、外部サーバに送信されてもよい。次に、これらのデータは、収集された値に基づき、例えば患者が有する複数の病状におけるリスクの割合など、1つまたは複数のリスク値を決定する(102)ために用いられる。患者が1つまたは複数の病状のリスクにさらされていると判断された場合、例えば、患者が選択されたリスクしきい値よりも高いと計算されたリスクを有する場合、その病状を診断するために1つまたは複数の適切な診断経路が選択される(103)。次に、例えば患者がリスクにさらされている病状などの情報、および選択された診断経路は、例えば表示されるなど、臨床医の装置に提供される。これらのステップのそれぞれは、後続の図を参照して、以下において詳細に説明される。
図2は、1つまたは複数の特定の医学的な病状を有する患者のリスクとそのような病状を診断するために適切な診断経路の両方を決定するために、コンピュータデバイスの制御装置により実行されるプロセス200の一例を示す。本実施例では、まず、患者の生理学的値が取得される(201)。生理学的値は、患者因子およびパラメータのいくつかの異なるクラスのうちの1つまたは複数に関連していてもよく、これらに限定されるものではないが、患者によって示される徴候および症状、調査または検査結果、危険因子(例えば、患者が喫煙しているかどうか、太りすぎかどうかなど)、および/または人口統計データを備えてもよい。これらの値は、例えば、アプリケーションを使用して、臨床医がそのデバイスのユーザインタフェースでコンピュータデバイスに入力してもよい。例として、値は、臨床予約時に示される徴候または症状の有無、特定の物質の有無を示す特定の臨床試験(血液、尿検査など)の結果、または特定の物質の濃度を示す数値、体重、身長、BMIおよび年齢、例えば以前に診断された病状の診断などの患者の病歴の指標、およびその他の人口統計学的データに関する陽性または陰性の指標であってもよい。
この生理学的値データの一部または全部は、臨床医によって記録され、患者の診察時または予約時にデバイスに入力されてもよい。また、このデータは、以前に記録されていても、データストアに保存されていてもよい。臨床医のデバイスで入力された生理学的値は、このようなネットワークを介してリモートサーバへ送信されてもよく、ここに記載される計算はサーバで行われてもよい。生理学的値がデータストアに保存される場合、このようなストアは、サーバに対してローカルであってもよいし、サーバの制御装置がデータストアから生理学的値データを取得および/または抽出できるよう、WANなどのネットワークを介してアクセス可能であってもよい。次に、これらの値は、複数の医学的な病状のうち少なくとも1つに対するリスク値を決定するために用いられる。複数の医学的な病状は、所定の病状のセットを備え、リスク値は、セット内の病状ごとに取得される。一例として、複数の医学的な病状は、いくつかの異なるタイプのがんに対応する場合がある。
リスク値は、患者が医学的な病状を有する可能性を指す場合があると理解される。例えば、生理学的値の既定の組み合わせについて、ある医学的な病状のリスク値が6%と計算された場合、生理学的値のその特定の組み合わせを示す患者100人中6人がその病状を有すると予測されることになる。
これらのリスク値は、取得した値に対応するパラメータと複数の病状との間の既知のおよび/または予測された関連性に基づいて、第1のモデルにより計算することができる。例えば、第1のモデルは、決定木の論理で構成されてもよく、取得した生理学的値のそれぞれは、決定木の論理全体で相互参照され、各医学的な病状についてのリスク値を計算することができる。使用される決定木の論理は、例えば臨床医などのユーザが属する特定の医療提供者(例えば、臨床委託グループ(CCG))に特化したものであってもよい。特に、上記の例のようなパラメータと特定の医学的な病状を有する可能性との間の関連性を示すデータを取得することができる。このデータは、臨床ガイドラインのような保存されたデータの1つまたは複数のセットに基づく統計的相関を備えてもよい。例えば、ガイドラインのセットは、生理学的値のそれぞれについて、複数の医学的な病状の診断の可能性を示す、リスクの割合のセットを示すことができる。例えば、生理学的値が特定の症状の存在のみを示す場合、その値に関連する1つまたは複数の医学的な病状におけるリスクが増加する場合がある。あるいは、生理学的値が数値である場合、1つまたは複数の医学的な病状を有するリスクの割合とその数値が関連するパラメータとの間に、関数的な相関関係が存在する場合があり、例えば、1つの病状におけるリスク値が生理学的パラメータの数学関数として変化してもよい。例えば、パラメータと医学的な病状におけるリスク値との間には、比例、指数関数、またはその他の数学的関係があってもよい。一例として、生理学的値が血液検査で検出された物質の濃度などの数値生理学的パラメータに関連する場合、ガイドラインデータによって定義された特定の関数的関係に従って、濃度が上がれば、特定の病状を有する患者のリスクも上がる場合がある。
第1のモデルは、取得した生理学的値に基づき、このデータ(例えば、ガイドラインなどから)を用いて1つまたは複数の医学的な病状におけるリスク値を算出することができる。例えば、モデルは、取得した生理学的値のそれぞれについて、ガイドラインのデータを用いて、その各々の生理学的値に関連する1つまたは複数の医学的な病状におけるリスク値を決定してもよい。次に、第1のモデルは、取得した生理学的値の特定の組み合わせに対して、複数の医学的な病状のそれぞれに対する総リスク値が決定されるよう、これらのリスク値のそれぞれをさらに組み合わせることができる。
第1のモデルは、ガイドラインデータに基づき、生理学的値のそれぞれについてリスク値を組み合わせ、病状のそれぞれについての総リスク値を提供する。例えば、医学的な病状のそれぞれについて、一般集団におけるその病状の既知または推定有病率に対応するベースラインリスク値があってもよい。このデータはサーバに保存され、演算を行うため、制御装置によりアクセスされてもよい。例えば、ルックアップテーブルは、複数の医学的な病状のそれぞれに対するベースラインリスク値を示してもよい。第1のモデルは、それらの生理学的値に基づいて、上述した生理学的値の取得に応じて、ベースラインリスク値を修正することができる。例えば、取得した生理学的値のそれぞれによって、それぞれの病状における各ベースラインリスク値を重み付けすることができる。
複数の医学的な病状のそれぞれについて、ベースラインリスクを示すデータを取得し、取得した生理学的値に基づいて、順次修正してもよい。例えば、上述したガイドラインデータはベースラインリスクデータを備えてもよい。取得された生理学的値のそれぞれは、複数の重み係数をそれに関連付けることができ、各重み係数は医学的な病状の1つに対応してもよい。特定の生理学的値の取得に応じて、第1のモデルは、その生理学的値に関連する重み係数のそれぞれに基づき、各医学的な病状におけるベースラインリスクを修正することができる(例えば、リスクに重み係数を掛けることができる)。次に、このプロセスは、例えば上記の表1に示すように、取得した生理学的値のそれぞれについて順次繰り返すことができる。リスク値を順次修正していくことは、シンプルな線形な加算を単に備えることはできず、取得した生理学的値の全体的な組み合わせに基づいてリスク値を修正するために、第1のモデルはさらなる重み係数を取得し適用してもよいと理解される。ガイドラインデータは、上述したすべての重み係数を備えてもよいし、ガイドラインデータから取得した情報に基づき重み係数を決定してもよい。
場合によっては、第1のモデルにより、上述したリスク値の算出に用いるために、例えば、複数のセットのガイドラインデータなど、複数のデータソースからデータが取得され、組み合わせられる。例えば、ガイドラインデータのそれぞれのセットは、上述した生理学的パラメータと複数の医学的な病状との間の統計的相関を提供することができ、第1のモデルは、それぞれのデータソースからのデータ(例えば、各ガイドラインからのデータ)を組み合わせることにより、生理学的パラメータと医学的な病状との間の新しい相関を決定することができる。例えば、モデルは、各データソースにより与えられたデータに重み付けを行い、生理学的値と医学的な病状との間に関係性をもたせることができ、例えば、データソースに相対的な重要性があるため、臨床医および/またはより広範な医療サービスにより選択された事前選択された重みを用いてもよい。例えば、ガイドラインの異なるセットまたは異なるソースからのデータが、生理学的パラメータと医学的な病状の1つにおけるリスク値との間の異なる数値関係を与える場合、2つ以上のデータセットが組み合わされてもよい。例えば、相関関係を表す値や関数を平均化することができ、この平均値は、各データセットに適用された重み係数により重み付けすることができる。例えば、相関データを提供するデータセットが推奨されるソースからのものである場合、このデータはあまり推奨されていないソースからのものに比べて重く重み付けされてもよい。この重み付けデータはサーバに保存されてもよい。
それぞれの医学的な病状のリスク値を算出するために、第1のモデルにより用いられる、上述した重み係数は、ガイドラインデータの異なるセットから取得された重み係数の平均に基づき算出される。例えば、ガイドラインの2つ以上のセットが特定の医学的な病状および生理学的値における重み係数を与える場合、第1のモデルにリスク値を適用するための新しい重み係数を取得するために、2つの係数を平均してもよい。この平均化は、加重平均であってもよく、例えば、ガイドラインデータのソースに基づき、平均値が重み付けられてもよい。例えば、ガイドラインデータのより信頼されたまたは推奨されたソースは、あまり推奨されないものに比べてより重く重み付けされてもよい。
いくつかの例では、ガイドラインデータは、さらにマッピングデータを備える。このマッピングデータは、複数の医学的な病状のそれぞれに対して、その病状におけるリスク値の算出に関連する、それらの生理学的パラメータを示してもよい。いくつかの例においては、マッピングデータは、医学的な病状のそれぞれについてリスクの評価に関連するものかどうか、各生理学的パラメータにおける指標を代替的または追加的に備えてもよく、医学的な病状は選択される。したがって、第1のモデルは、このマッピングデータを使用して、取得した生理学的値のそれぞれを、それらが関連するリスクを有する医学的な病状にマッピングすることができる。このように、生理学的値の既定のセットにおいて、医学的な病状のサブセットのみを選択することができ、それらの病状におけるベースラインリスクのみを、例えば、上述した重み係数に基づき、修正することができる。
マッピングデータは、例えばサーバに、ルックアップテーブルとして保存することができる。したがって、制御装置は、取得した生理学的値に基づき、値をそれらが関連する特定の病状にマッピングすることができ、パラメータと病状との間の保存された統計的相関に基づきベースラインリスクを修正することができる。
他の例では、リスク値のフルセットはすべての生理学的値について決定することができ、例えば、すべての医学的な病状(例えば、セット内におけるすべての医学的な病状)に関連するリスク値は、各生理学的値に対して決定することができる。この演算は上述したガイドラインデータに基づくものである。このような例では、マッピングデータを取得または使用することはできず、例えば、生理学的値が1つの病状のリスクの決定に関連していない場合でも(例えば、その病状についての重み係数がゼロである)、その病状についてのリスク値は依然として算出される。
演算の処理順序は、事例により異なる。例えば、各生理的値は、まず、複数の病状にマッピングされ、各病状についてのリスク値は、その病状についてのベースラインリスクを修正することにより算出することができる。これは、取得した生理学的値のそれぞれについて繰り返すことができ、各リスク値は、取得された生理学的値のそれぞれについて順次修正され、取得した生理学的値の特定の組み合わせについて各病状における累積リスク値が決定される。
他の例では、リスク値は各医学的な病状について順番に決定することができる。例えば、少なくとも1つの生理学的値がマッピングされる第1の医学的な病状についての第1のリスク値は、生理学的値の組み合わせに基づき決定することができ、その後に第2の医学的な病状などが続く。
いくつかの例において、算出されたリスク値は、算出されたリスク値を修正するために、人口統計データなどの追加係数によりを重み付けすることができる(203)。このようなデータは、上述したように、サーバまたは外部装置のデータストアから取得することができる。一例として、この重み付けデータは、患者の地理的データを備えてもよく、これは、例えば、その地域の環境特性に基づくなど、1つの場所で1つのセットの症状を示す患者の病状の診断のリスクが、異なる場所で同じ症状を示す別の患者とは異なる場合がある。重み付けデータは、例えば、年齢、性別、および民族性データを備えてもよい。他の例では、このデータは、代わりに、ステップ201で上述したように取得された生理学的値の一部として提供されてもよい。この場合、これらの因子は、医学的な病状それぞれのリスク値を決定するために、単一のステップにおけるモデルにより、症状など他の生理学的値とシンプルに組み合わせられてもよい。
他の例では、複数の病状のそれぞれについてベースラインリスク値を修正するために、生理学的値の導入前に、重み付けデータが用いられる。
ルックアップテーブルは、患者ごとに生成され、その患者について取得したすべての生理学的値は、重み付け(例えば人口統計など)データとともにリストされる。次に、テーブル内の各項目は、複数の医学的な病状のそれぞれについて対応するリスク値と、病状のそれぞれの総リスク値を提供するためにそれぞれの病状について組み合わされた値の特定のセットと関連付けられてもよい。
次に、算出された各病状の総リスク値のそれぞれは、しきい値と比較される(204)。そのようなしきい値は、臨床医またはより広範な医療サービスの好みおよび/または要件に基づく所定の値であってもよい。しきい値を表すデータは、サーバに保存されてもよく、例えばフィルターのように、それぞれの医学的な病状に対して算出されたリスク値を適用するために、制御装置により取得されてもよい。算出されたリスク値がしきい値よりも大きい場合、その病状が選択され、プロセスの残りの部分について繰り越され、算出されたリスク値がしきい値よりも小さいすべての病状は除去または廃棄される(205)。
サービスにアクセスするユーザが属する医療提供者に応じて、異なるしきい値が選択され、適用されてもよい。例えば、臨床医などのユーザは、関連するユーザ識別子、例えば、グループ識別子、を備える特定の医療提供者に属していてもよい。このようにして、臨床医がサービスを利用する際、例えば、彼らのデバイスでアプリケーションにログオンし、上述したように値を入力することにより、サーバがデバイスから取得したデータが識別子を備えてもよい。このようにして、対応する医療提供者に対する関連したしきい値を選択し、患者における算出されたリスク値を適用することができる。
決定されたリスク値がしきい値よりも大きい1つまたは複数の病状について、特定の診断経路が決定される(206)。そのような経路は、例えば、ユーザが属する特定の医療提供者において、特定の病状についての好ましい診断経路を示す、上述したガイドラインやデータソースに基づくなど、保存されたデータに基づいて決定されてもよい。一例として、データストアは、各医学的な病状について、例えばルックアップテーブルの形式で、1つまたは複数の利用可能な経路のリストを備えることができる。上記のように選択された医学的な病状の1つに応じて、制御装置は、対応する診断経路を示すデータをテーブルから取得することができる。
決定されたリスク値がしきい値よりも大きい1つまたは複数の病状について、特定の診断経路が決定される(206)。そのような経路は、例えば、ユーザが属する特定の医療提供者において、特定の病状についての好ましい診断経路を示す、上述したガイドラインやデータソースに基づくなど、保存されたデータに基づいて決定されてもよい。一例として、データストアは、各医学的な病状について、例えばルックアップテーブルの形式で、1つまたは複数の利用可能な経路のリストを備えることができる。上記のように選択された医学的な病状の1つに応じて、制御装置は、対応する診断経路を示すデータをテーブルから取得することができる。
代替的または追加的に、経路は、取得された生理学的値および経路パラメータのセットに基づいて決定されてもよく、各経路は、経路パラメータのそれぞれについて関連するパラメータ値のセットを有する。これらの値は、例えばリモートサーバなどのデータストアまたはデバイスに保存されていてもよい。あるいは、これらの値は、保存されたデータおよび取得した生理学的値に基づき算出されてもよい。下の表2は、生理学的値の1つの特定の組み合わせに対する3つの異なる診断経路におけるこのデータの一例を示す。
しきい値は、これらのパラメータの1つまたは複数、例えば、完了までの最大時間、診断までの最大時間、治療までの最大時間、最大費用、最小感度および/または最小特異度に対して設定されてもよい。関連するしきい値のすべてを満たす各経路を選択することができる。あるいは、各経路パラメータ値と生理学的値との組み合わせに基づき、1つの経路が選択されてもよい。例えば、各経路パラメータに重み付けが適用されてもよく、各経路におけるパラメータ値は、重み付けに基づき組み合わせ、各経路における評価又はスコアを提供してもよく、最良の評価を有する経路を選択してもよい。あるいは、利用可能な経路のうち、パラメータの1つの値が最小または最大である経路の1つを選択してもよい。あるいは、上述した選択方法の組み合わせを使用して、病状を診断するために、1つまたは複数の経路が選択されてもよい。
診断経路の選択は、例えば、ユーザがサービスにログオンしたときにサーバによりユーザのデバイスから取得されたデータなど、上述の取得されたユーザ識別子データに基づいてもよい。例えば、ユーザ識別子は、ユーザが所属する医療提供者を示してもよい。サーバは、デバイスからユーザ識別子を取得し、それに応じて、医療提供者に関するデータを取得する(例えば、サーバのデータストアから)。例えば、その提供者で利用可能な診断経路を示すデータ、および/または上述した経路パラメータしきい値を示すデータを取得してもよい。そして、診断経路はこのデータに基づき選択されてもよい。
他の例では、ユーザ識別子データは、それ自体が、その提供者が利用可能な診断経路の指標を備えることができ、このデータがユーザのデバイスからサーバによって直接取得されるように、上述した経路パラメータしきい値を示すデータをさらに備えることができる。
1または複数の経路が選択されると、それらを識別する指標が臨床医などのユーザに出力される(107)。例えば、上述したステップがサーバで行われる場合、指標はネットワークを介して臨床医のコンピュータデバイスに提供されてもよく、そこで適切な処置をとることができる臨床医に表示することができる。臨床医のデバイスに送信するデータには次のものを備えてもよい。
・患者が医学的な病状に関連するしきい値よりも大きく算出されたリスクを有する医学的な病状を特定するデータ
・これらの病状を診断するために選択された経路を特定するデータと同様に病状と経路の双方についての詳細な情報
・患者が医学的な病状に関連するしきい値よりも大きく算出されたリスクを有する医学的な病状を特定するデータ
・これらの病状を診断するために選択された経路を特定するデータと同様に病状と経路の双方についての詳細な情報
図3は、アプリケーションを使用して、患者リスクおよび推奨する経路情報を臨床医に提供するプロセス300の別の例を示す。この方法では、臨床医は、PC、スマートフォンまたはタブレットコンピュータなどのデバイス上のアプリケーションに最初にログインする(301)。これが行われると、例えば、上述したような危険因子、症状、徴候、調査結果を備える生理学的値など、患者に関するデータを入力することができるフィールドを有するフォームなどのユーザインタフェースが臨床医に提示される(302)。そして、このデータは、第1のモデルにより取得され、患者が複数の病状、例えば異なる種類のがんなど、を有するリスクを決定するために使用され、これらのリスクのいずれかが、例えば上述したように、その病状に対するしきい値を満たすかどうかを検出する。例えば、この第1のモデルは、臨床医または患者が属する特定の医療サービス(例えば、臨床委託グループ)における決定木の論理を備えることができ、生理学的値データはリスク値を算出するために決定木の論理全体で相互参照する(303)される。この決定は、記載された方法のうち1つまたは他の方法により行ってもよい。この相互参照および算出は、リモートサーバまたはデバイスで行われてもよく、上述したように臨床医のデバイスから入力されたデータを取得する。推奨される経路は、例えば上述したようにしきい値が満たされる、および/または関連した医療サービスにより提供されたデータおよび/またはガイドラインに基づき、1つまたは複数の病状を診断するために決定されてもよい。患者がリスクにさらされている病状と推奨される経路が特定されると、彼らのデバイスのユーザインタフェースにおいて臨床医に示される(304)。例えば、この情報を示すデータは、サーバからデバイスに返送されてもよい。
図4は、機械学習を実行して医学的な病状のリスク値の決定を改善し、病状の診断のための経路選択を改善するプロセス400の例を示す。
この方法では、第1のモデルが実行され(401)、実質的に上述したような生理学的値および重み付けデータに基づき、患者に対し、複数の医学的な病状におけるリスク値を決定し、どの病状が選択されたしきい値を超えているかを決定する。しかし、上述した方法では、第1のモデルが提供する統計的相関は、臨床ガイドラインの1つまたは複数のセットに基づくものであるが、この方法では、生理学的値と医学的な病状との間の統計的相関は、代わりにまたは追加的に、現在説明されているプロセス400により収集される過去の患者データに基づいてもよい。特に、第1のモデルは、以下に説明するように、過去の患者データにより修正される。
関連する医学的な病状が第1のモデルにより識別されると、例えば、上述したような生理学的値および経路パラメータ値に基づき、診断経路を選択するために、第2のモデルが実行される(402)。しかし、第1のモデルと同様に、各経路に関連するパラメータ値は、所定の保存されたデータから導出される代わり、またはそれに加えて、プロセス400によって取得されたデータに基づき、更新され、または修正されてもよい。
経路が選択されると、患者の経過を追跡し、取得した経路パラメータの値および診断の転帰(陽性または陰性)を記録することができる。このようにして、患者データセットが取得され(403)、以下の指標を備える。
・その患者について取得された生理学的データ(例えば、患者因子)
・任意の重み付けデータ(例えば、人口統計データ)
・複数の医学的な病状のそれぞれについて算出されたリスク値
・選択された診断経路
・選択された経路について記録された経路パラメータ値
・診断経路の転帰(例えば、陽性または陰性の診断があったかどうか)
・その患者について取得された生理学的データ(例えば、患者因子)
・任意の重み付けデータ(例えば、人口統計データ)
・複数の医学的な病状のそれぞれについて算出されたリスク値
・選択された診断経路
・選択された経路について記録された経路パラメータ値
・診断経路の転帰(例えば、陽性または陰性の診断があったかどうか)
次に、このデータに基づき、第1のモデルを修正することができる(404)。例えば、さまざまな生理学的パラメータと医学的な病状のリスクとの間との関連は、その患者において取得された生理学的データ、および診断の転帰に基づき更新することができる。例えば、第1のモデルは、既定の生理学的値または生理学的値の組み合わせに関連する医学的な病状リスク値を修正するためにベイズの定理を実現するベイズモデルを備えるものであってもよい。さらに詳細に説明すると、ベイズ定理は次のように述べています。
この場合、P(A|B)は、特定の生理学的値または値の組み合わせの存在を前提として、患者が特定の医学的な病状の1つを有する確率に相当することができ、P(A)は、患者が独立して特定の医学的な病状を有する確率に相当することができ(例えば、医学的な病状のベースラインリスク)、P(B)は、特定の生理学的値または生理学的値の組み合わせを示す患者の一般的な可能性に相当することができ、P(B|A)は、特定の生理学的値または値の組み合わせを示す特定の医学的な病状を有する患者の確率に相当することができる。したがって、患者達の転帰データと、患者達が示した最初の生理学的値とを記録することによって、確率を更新することができ、その結果、特定の生理学的値または値の組み合わせ(例えば、P(A|B))が存在する患者が特定の1つの医学的な病状を有する可能性を更新することができる。このプロセスは、新しい患者のデータが記録されるたびにこの確率が更新されるように、反復的に実行することができる。
同様に、第2のモデルは、このデータに基づいて修正することができる(305)。例えば、特定の経路パラメータ値は、特定の患者に使用される経路について記録された対応する値に基づいて更新することができる。この場合、診断経路(上述した)のそれぞれに関連する経路パラメータ値は、患者がその経路を使用した際に、各診断経路について記録された値に基づいて修正してもよい。また、第2のモデルは、ベイズモデルを備えてもよい。
このプロセスは、プロセス400が実行された各患者において更新された第1および第2のモデルの両方とともに、反復的に実行することができる。
図5は、機械学習技術を用いて、臨床医に患者リスクと推奨する経路情報を提供する別のプロセス500を示す。この方法では、第1のステップ501として、患者の生理学的値を、上述したようにアプリケーションに入力し、リモートサーバまたはデバイスに提供することができる。代替的または追加的に、そのようなデータは、電子カルテなどのデータストアからサーバによって取得されてもよい。これらの値が取得されると、例えば、上述した方法を用いて、取得された値の特定の組み合わせに基づき、1つまたは複数の病状における初期のリスクが算出される。人口統計データは、臨床医により彼らのデバイスから入力されてもよく、そこから取得されてもよく、あるいは、このデータは事前に記録され、データストアから取得されてもよい。
次に、この初期のリスクは、第1のベイズモデルが適用されることにより修正される(503)。特に、リスク値を算出するために用いられた統計的相関が患者からの実際の生理学的値に基づき更新されるように、1つまたは複数のデータベースから過去の患者データが取得され、反復される。過去の患者データは、リスクが算出される病状の1つまたは複数を有する患者と有しない患者の両方の生理学的値を備える。このようなデータベースは、サーバに対しローカルなデータストアに格納され、そこから取得されてもよいし、ネットワーク、例えばWAN、を介して他のデータソースから取得されてもよい。複数の病状のそれぞれにおける初期のリスク値は、このデータを反復することにより更新することができる。例えば、各データポイントは、リスク値を算出するために用いられるパラメータを修正する第1のモデルにより順次使用されてもよく、その結果、反復された各データポイントについて、更新されたリスク値が算出される。セット内の全ての過去の患者データが反復されると、1つまたは複数の病状に対する最終累積リスク値を提供することができる。
検出のためのしきい値(504)は、関連する保健当局の要件に基づいて設定することができる。例えば、保健当局が特定の医学的な病状お有するリスクが3%を超えるすべての患者の診断を望む場合、しきい値は3%に設定される。
一例として、このしきい値の指標は、サーバに保存され、リスク値が算出されると、モデルによりアクセスされてもよい。検出しきい値は、例えば特定の保健当局の要件に基づき、修正されてもよい。例えば、しきい値を示す保存されたデータは、リモートデバイスから受信したデータに基づき修正されてもよい。
次に、修正されたリスク値は、しきい値と比較される(505)。そして、算出されたリスク値がしきい値よりも大きいそれらの病状、例えばがんの種類、が提示される。例えば、それらの病状を示すデータは、臨床医のデバイスへ送られ、表示される。次に、リスク値がいずれかの病状のしきい値を超えない生理学的値の組み合わせについて、さらなる分析から除外される(506)。
各病状において利用可能な診断経路は、保健当局からの情報に基づいて設定することができる(507)。例えば、既定の病状について複数の検査または紹介を利用できる場合がある。また、このデータはサーバに保存され、リスク値が算出されると、モデルによりアクセスされてもよい。また、例えば、リモートデバイスにより受信されたデータに基づき、このデータを修正することもできる。そして、生理学的値、利用可能な経路を示すデータ、および過去の患者データの組み合わせに基づき、第2のベイズモデルを適用することができる(508)。特に、過去の患者データは、上述したようにデータベースに保存されてもよく、上述した情報に加えて、各患者についてその患者が経験した診断経路の指標、ならびにその診断経路に関連する経路パラメータ値を備えてもよい。そのような経路データは、例えば、上記した表2に示されるような、経路の費用、完了までの時間、診断までの時間、治療までの時間、感度および特異性のうち1つまたは複数を備えても構わないが、これらに限定されない。第2のモデルは、このような経路パラメータに基づき、患者がリスクにさらされている1つまたは複数の病状の治療のために適切な1つまたは複数の経路を決定するように構成され、モデルは、例えば、過去の患者データポイントのそれぞれに基づき、各経路に関連するパラメータ値を順次修正することにより、過去の患者データに基づき反復的に更新される。
更新されたモデルは、過去の患者データに基づき各経路の費用、時間および精度のような更新されたパラメータのセットを示すために、診断プロセスを経る他の患者に遡及的に適用することができる(509)。
推奨された経路を決定するために、各経路パラメータにおけるしきい値を示すデータは、例えば、保健当局の要求に基づいて、設定されてもよい(510)。例えば、各パラメータしきい値(例えば、最小値および/または最大値)は、例えばダイヤルのように設定されてもよく、各パラメータの要求を満たす任意の経路を推奨された経路として選択してもよい。1つまたは複数の推奨された経路が選択されると、それらは、例えば患者がリスクにさらされている病状の指標とともに、臨床医に提示される(511)。例えば、推奨された経路を示すデータは、上述した演算が行われたサーバから臨床医のデバイスへ、例えばWANを介して、送信されてもよい。
上述した説明から、図面に示される実施形態は単なる例示であり、本明細書および特許請求の範囲に記載されるように、一般化、除去または置換されてもよい特徴を備えることが明らかである。概して図面を参照すると、概略機能ブロック図は、本明細書に記載されるシステムおよび装置の機能を示すために使用されることが明らかである。さらに、処理機能は、電子デバイスによりサポートされるデバイスにより提供されてもよい。しかし、機能は、このように分割される必要はなく、以下に説明され、特許請求の範囲に記載されるもの以外のハードウェアの特定の構造であると解釈されてはならないことは明らかである。図示される1つまたは複数のエレメントの機能は、さらに細分化、および/または開示された装置の全体に分散されてもよい。いくつかの実施形態において、図示される1つまたは複数のエレメントの機能は、単一の機能ユニットに統合されてもよい。
本開示の文脈において当業者により理解されるように、本明細書に記載される各実施例は、様々な異なる方法で実施することができる。本開示のいずれかの態様のいずれかの特徴は、本開示の他の態様のいずれかと組み合わせることができる。例えば、方法の態様を装置の態様と組み合わせることができ、装置の特定のエレメントの動きを参照して説明した特徴は、これらの特定の種類の装置を用いない方法において提供されてもよい。さらに、実施形態それぞれの各特徴は、他の特徴がそのオペレーションに不可欠であると明示的に述べられていない限り、組み合わせて記載される特徴から分離可能であることを意図している。これらの分離可能な特徴のそれぞれは、もちろん、それが記載されている実施形態の他の特徴のいずれかと、または本明細書に記載される他の実施形態のいずれかの他の特徴のいずれかまたは特徴の組み合わせと組み合わせることができる。さらに、本発明から逸脱することなく、上述されていない均等物および変形例を使用することもできる。
本明細書に記載される方法の特定の特徴は、ハードウェアで実施されてもよく、装置の1つまたは複数の機能は方法ステップで実行されてもよい。また、本開示に関連して、本明細書に記載された方法は、それらが記載されている順序で行う必要はなく、それらが図面に示されている順序で行う必要もないことは明らかである。したがって、製品または装置に関して記載された開示された態様も、方法として実行されることを意図しており、その逆もまた同様である。本明細書に記載する方法は、コンピュータプログラム、ハードウェア、またはそれらの任意の組み合わせで実行してもよい。
いくつかの例では、制御装置は、例えば、本明細書に記載される方法のいずれか1つに従って方法を実施するように構成される汎用プロセッサにより提供されてもよい。いくつかの例では、制御装置は、フィールドプログラマブルゲートアレイ、FPGA、特定用途向け集積回路、ASIC、デジタルシグナルプロセッサ、DSP、またはその他の適切なハードウェアなどのデジタルロジックを備えてもよい。いくつかの例では、1つまたは複数のメモリ要素は、本明細書に記載されるオペレーションを実行するために使用されるデータおよび/またはプログラム命令を保存することができる。本開示の実施形態は、本明細書および/または特許請求の範囲に記載された方法のうちいずれか1つまたは複数を実行するように、および/または本明細書および/または特許請求の範囲に記載されたデータ処理装置を提供するように、プロセッサをプログラムして実行するプログラム命令を備える、有形の非一時的記憶媒体を提供する。制御装置は、この制御機能の少なくとも一部を提供するアナログ制御回路を備えてもよい。実施形態は、本明細書に記載の方法のうちいずれか1つまたは複数を実行するように構成されたアナログ制御回路を提供する。
いくつかの例において、1つまたは複数のメモリ要素は、本明細書に記載されるオペレーションを実行するために使用されるデータおよび/またはプログラム命令を保存することができる。本開示の実施形態は、本明細書および/または特許請求の範囲に記載された方法のうちいずれか1つまたは複数を実行するように、および/または本明細書および/または特許請求の範囲に記載されたデータ処理装置を提供するように、プロセッサをプログラムして実行するプログラム命令を備える、有形の非一時的記憶媒体を提供する。
本開示の他の例および変形例は、本開示の文脈において当業者にとって明らかである。
Claims (15)
- 患者から、複数の生理学的値を取得し、
前記生理学的値に基づいて、複数の医学的な病状のうち少なくとも1つについてのリスク値を決定するように構成された第1のモデルを実行することを備え、
前記第1のモデルを実行することは、
前記取得した生理学的値の第1の値に基づいて、少なくとも1つの前記医学的な病状の第1のリスク値を取得し、
前記取得した生理学的値の第2の値に基づいて前記第1のリスク値を重み付けし、前記患者の少なくとも1つの前記医学的な病状の総リスク値を決定することを備える、
患者の医学的な病状を診断するための方法。 - 請求項1に記載の方法において、
前記第1のモデルを実行することは、前記複数の生理学的値のそれぞれによって、少なくとも1つの前記医学的な病状のリスク値を順番に重み付けすることを備える、
方法。 - 請求項1または2に記載の方法において、
前記総リスク値のそれぞれと選択されたしきい値とを比較し、前記総リスク値の1つまたは複数が対応する前記しきい値を超える場合、対応する前記医学的な病状を診断するために少なくとも1つの診断経路を選択することをさらに備える、
方法。 - 請求項3に記載の方法において、
前記診断経路を選択することは、複数セットの経路パラメータ値に基づいて、複数の可能な診断経路のうち少なくとも1つを選択するように構成された第2のモデルを実行することを備え、
各セットは前記診断経路の1つと関連し、
前記第2のモデルを実行することは、前記経路パラメータ値の1つがしきい値を満たす場合、関連する前記診断経路を任意に選択する、
方法。 - 請求項1から4のいずれか1項に記載の方法において、
生理学的値のセットと、前記複数の医学的な病状のうち1つについての診断の有無をそれぞれ識別する指標のセットと、を備えた患者データセットを取得し、
前記患者データセットに基づき前記第1のモデルを修正することをさらに備える、
方法。 - 請求項4または5に記載の方法において、
複数の診断経路のうちの1つについての診断経路データセットを取得し、
前記経路データセットに基づき前記第2のモデルを修正することをさらに備え、
前記経路データセットは、その診断経路について複数の経路パラメータ値を備え、
前記第2のモデルを修正することは、前記第2のモデルにおける前記診断経路に関連する前記経路パラメータのそれぞれを、取得した対応する前記経路パラメータ値によって任意に重み付けすることを備える、
方法。 - 患者から複数の生理学的値を取得し、
複数の関連する医学的な病状へ前記生理学的値をマッピングし、
マッピングした前記生理学的値に基づき、前記医学的な病状のそれぞれに関連する総リスク値を決定し、
前記総リスク値のそれぞれをしきい値と比較し、
前記総リスク値が前記しきい値を超えた場合、前記医学的な病状を診断するための診断経路データを出力する、
患者の医学的な病状を診断するための方法。 - 請求項7に記載の方法において、
前記医学的な病状のそれぞれに関連する前記総リスク値を決定することは、それぞれの前記生理学的値について、それがマッピングされる前記医学的な病状のそれぞれに関連するリスクの指標を決定することを備え、および/または、
複数の生理学的パラメータと前記複数の医学的な病状との間の所定の関連を示すリスクデータを取得することをさらに備え、
前記生理学的値を前記複数の医学的な病状へマッピングすること、および
前記医学的な病状のそれぞれの前記総リスク値を決定することは、前記リスクデータに基づくものであり、および/または、
診断経路データを出力することは、複数の可能な診断経路のうち少なくとも1つを選択することを備え、
前記可能な診断経路のそれぞれについて、複数の経路パラメータ値を取得することをさらに選択的に備え、
少なくとも1つの前記経路を選択することは、前記経路パラメータ値に基づくものであり、
複数の可能な診断経路のうち少なくとも1つを選択することは、経路の前記パラメータ値のいずれかが対応するしきい値を満たす場合、前記経路を選択することを選択的に備える、
方法。 - 請求項7または8に記載の方法において、
病状に対する前記総リスク値を決定することは、過去の患者データを反復することを備え、
前記過去の患者データは、それぞれが患者に関連する複数のデータセットを選択的に備え、
前記データセットのそれぞれは、生理学的値のセットと、前記病状のうちの1つについての診断の有無をそれぞれ識別する指標のセットとを備え、
前記過去の患者データに基づき、少なくとも1つの前記病状について前記総リスク値を修正することを選択的に備える、
方法。 - 請求項9に記載の方法において、
前記過去の患者データに基づき前記経路パラメータ値を修正することを備える、
方法。 - ニューラルネットワークとして、
生理学的パラメータのセットと、
複数の医学的な病状のうち少なくとも1つに対して、前記生理学的パラメータに対応する取得した生理学的値から、少なくとも1つの前記医学的な病状における総リスクの指標を出力するリスク値、との関係を提供するように構成された第1のモデルを実行し、
生理学的値のセットと、
前記複数の医学的な病状のうち1つについての診断の有無をそれぞれ識別する指標のセットと、
を備える患者データセットを取得し、
前記患者データセットに基づき前記第1のモデルを修正する、
ことを備える、
医学的な病状を診断するための人工ニューラルネットワークを訓練する方法。 - 請求項11に記載の方法において、
複数の前記患者データセットを取得し、前記患者データセットのそれぞれに基づき第1のモデルを反復的に修正することをさらに備える、
方法。 - 請求項11または12に記載の方法において、
前記患者データセットは、複数の診断経路のうちの1つについての経路データセットをさらに備え、前記経路データセットは、その経路に対する複数の経路パラメータ値を備え、
ニューラルネットワークとして、第2のモデルを実行し、
前記経路データセットに基づき前記第2のモデルを修正し、
前記第2のモデルは、
a) 前記複数の経路パラメータのそれぞれと前記複数の診断経路のそれぞれとの間の関連を提供し、
b) 前記修正された第2のモデルと前記取得された生理学的値とに基づき、前記診断経路の1つを選択する、
ように構成される、
方法。 - 請求項13に記載の方法において、
前記患者データセットのそれぞれに基づき第2のモデルを反復的に修正することをさらに備える、
方法。 - 請求項1から14のいずれか1項に記載の方法を実行するように、プロセッサをプログラムするよう構成されたプログラム命令を備えるコンピュータプログラム製品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19202792.8A EP3806107A1 (en) | 2019-10-11 | 2019-10-11 | Diagnostic tool |
EP19202792.8 | 2019-10-11 | ||
PCT/EP2020/052896 WO2021069105A1 (en) | 2019-10-11 | 2020-02-05 | Diagnostic tool |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022551325A true JP2022551325A (ja) | 2022-12-08 |
Family
ID=68280878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022521723A Pending JP2022551325A (ja) | 2019-10-11 | 2020-02-05 | 診断ツール |
Country Status (5)
Country | Link |
---|---|
US (2) | US20240055121A1 (ja) |
EP (1) | EP3806107A1 (ja) |
JP (1) | JP2022551325A (ja) |
KR (1) | KR20220082869A (ja) |
WO (1) | WO2021069105A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230140186A (ko) * | 2022-03-29 | 2023-10-06 | 가톨릭대학교 산학협력단 | 의료 정보 제공 장치, 방법 및 시스템 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7487134B2 (en) * | 2005-10-25 | 2009-02-03 | Caterpillar Inc. | Medical risk stratifying method and system |
US8744870B2 (en) * | 2010-12-10 | 2014-06-03 | Infosys Limited | Method and system for forecasting clinical pathways and resource requirements |
US20120310667A1 (en) * | 2011-06-03 | 2012-12-06 | Roy Altman | Dynamic clinical pathways |
WO2016094330A2 (en) * | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
CN104951894B (zh) * | 2015-06-25 | 2018-07-03 | 成都厚立信息技术有限公司 | 医院疾病管理智能分析和评估系统 |
US20170286621A1 (en) * | 2016-03-29 | 2017-10-05 | International Business Machines Corporation | Evaluating Risk of a Patient Based on a Patient Registry and Performing Mitigating Actions Based on Risk |
EP3529810A1 (en) * | 2016-10-19 | 2019-08-28 | Peach Intellihealth Pte Ltd. | System and method for predicting sequential organ failure assessment (sofa) scores using artificial intelligence and machine learning |
JP6893480B2 (ja) * | 2018-01-18 | 2021-06-23 | 株式会社日立製作所 | 分析装置および分析方法 |
-
2019
- 2019-10-11 EP EP19202792.8A patent/EP3806107A1/en active Pending
-
2020
- 2020-02-05 KR KR1020227015817A patent/KR20220082869A/ko unknown
- 2020-02-05 US US17/766,661 patent/US20240055121A1/en active Pending
- 2020-02-05 WO PCT/EP2020/052896 patent/WO2021069105A1/en active Application Filing
- 2020-02-05 JP JP2022521723A patent/JP2022551325A/ja active Pending
-
2022
- 2022-11-03 US US17/980,327 patent/US20230060794A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3806107A1 (en) | 2021-04-14 |
WO2021069105A1 (en) | 2021-04-15 |
US20230060794A1 (en) | 2023-03-02 |
US20240055121A1 (en) | 2024-02-15 |
KR20220082869A (ko) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cowley et al. | Methodological standards for the development and evaluation of clinical prediction rules: a review of the literature | |
US20200155106A1 (en) | Systems and methods for estimating healthy lumen diameter and stenosis quantificaton in coronary arteries | |
RU2533500C2 (ru) | Система и способ для объединения клинических признаков и признаков изображений для диагностики с применением компьютера | |
US7487134B2 (en) | Medical risk stratifying method and system | |
JP6006081B2 (ja) | 疾患診断のための最適の診断要素セット決定装置及び方法 | |
US11923094B2 (en) | Monitoring predictive models | |
JP2019526869A (ja) | Cadシステム推薦に関する確信レベル指標を提供するためのcadシステムパーソナライゼーションの方法及び手段 | |
CN111095232A (zh) | 发掘用于机器学习技术中的基因组 | |
US20200058408A1 (en) | Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management | |
KR20160043777A (ko) | 질환 발병 예측 방법 및 그 장치 | |
Gegundez-Fernandez et al. | Uvemaster: A mobile app-based decision support system for the differential diagnosis of uveitis | |
CN110838363A (zh) | 控制方法以及医学系统 | |
CN110993096B (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
US20230060794A1 (en) | Diagnostic Tool | |
Wang et al. | Evaluation of diagnostic accuracy in detecting ordered symptom statuses without a gold standard | |
CN116682565A (zh) | 一种数字化医疗信息在线监测方法、终端及介质 | |
CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
CN110911011B (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
US20210005320A1 (en) | Method of inferring a need for medical test | |
US20210217522A1 (en) | Machine learning model for surfacing supporting evidence | |
EP3686897A1 (en) | Method and data processing unit for selecting a risk assessment computer program | |
US20200075163A1 (en) | Diagnostic decision support for patient management | |
Samuelson | Inference based on diagnostic measures from studies of new imaging devices | |
JP7364248B2 (ja) | 保健指導システム、保健指導用端末、及び保健指導方法 | |
US20230085062A1 (en) | Generating a recommended periodic healthcare plan |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221207 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240131 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240202 |