JP2023092388A - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents

情報処理装置、情報処理方法及び情報処理プログラム Download PDF

Info

Publication number
JP2023092388A
JP2023092388A JP2021207603A JP2021207603A JP2023092388A JP 2023092388 A JP2023092388 A JP 2023092388A JP 2021207603 A JP2021207603 A JP 2021207603A JP 2021207603 A JP2021207603 A JP 2021207603A JP 2023092388 A JP2023092388 A JP 2023092388A
Authority
JP
Japan
Prior art keywords
information
exercise
subject
biometric information
information processing
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
JP2021207603A
Other languages
English (en)
Inventor
泰久 金子
Yasuhisa Kaneko
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
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 Fujifilm Corp filed Critical Fujifilm Corp
Priority to JP2021207603A priority Critical patent/JP2023092388A/ja
Priority to US18/065,633 priority patent/US20230197239A1/en
Publication of JP2023092388A publication Critical patent/JP2023092388A/ja
Pending legal-status Critical Current

Links

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
    • G16H50/20—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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

【課題】身体機能の改善を支援できる情報処理装置、情報処理方法及び情報処理プログラムを得る。【解決手段】情報処理装置１０は、被検者に関して測定された生体情報と、現時点までの予め定められた期間内に行われた生体情報に影響を及ぼす運動によって被検者の身体に掛かった負荷量と、を取得し、生体情報と負荷量とに基づいて、現時点より後の予め定められた予測タイミングにおける生体情報である予測生体情報を予測し、予測タイミングにおいて測定され得る生体情報を、予測生体情報に一致させるために必要な運動に関する計画を作成する。【選択図】図３

Description

本開示は、情報処理装置、情報処理方法及び情報処理プログラムに関する。
従来、外傷、老化及び脳機能障害等による身体機能の低下を改善するために行うリハビリテーションを支援する技術が知られている。
例えば、特許文献１には、人物の身体状態の時系列変化を基に人物の身体機能の変化を分析し、身体機能の改善案を示すことが開示されている。また例えば、特許文献２には、ユーザの生体情報を含むセンサデータに基づいてユーザの状態を求め、将来的にユーザがリハビリテーションを実施するか否かを予測し、リハビリテーションの支援情報を提示することが開示されている。また例えば、特許文献３には、被検体の容態を示す生体指標値の遷移と、被検体が実施する治療手段の遷移と、を過去の事例と比較し、目標とする生体指標値に到達する時期を予測することが開示されている。
国際公開ＷＯ２０１９／１８７０９９号公報 国際公開ＷＯ２０２０／２３４９５７号公報 特開２０２０－１８７５５０号公報
身体機能の改善のために行うリハビリテーションでは、運動の種類及び強度等が異なる複数の運動訓練を組み合わせる場合があるが、各種の運動訓練の効果の度合は、被検者の身体機能の状態に応じて変動すると考えられる。例えば、走行能力のリハビリテーションにおいて、初期段階では強度の低い歩行訓練から開始し、身体機能が改善するにつれて強度の高いジョギング及びダッシュ訓練を行うことで、走行能力をより効果的に改善できる場合がある。また例えば、リハビリテーションの初期段階で強度の高い訓練を行ってしまうと、負荷がかかりすぎることにより身体機能が却って悪化してしまう場合がある。
したがって例えば、リハビリテーションの初期段階では歩行速度よりも歩数に注目して運動訓練を行うことが効果的な一方で、後期段階では歩数よりも歩行速度に注目して運動訓練を行うことが効果的になる場合がある。このように、被検者の身体機能の状態に応じて変動する各種の運動訓練の効果を考慮して、リハビリテーションにおける運動訓練の内容を計画することで、身体機能の改善を支援できる技術が望まれている。
本開示は、身体機能の改善を支援できる情報処理装置、情報処理システム、情報処理方法及び情報処理プログラムを提供する。
本開示の第１の態様は、情報処理装置であって、少なくとも１つのプロセッサを備え、プロセッサは、被検者に関して測定された生体情報と、現時点までの予め定められた期間内に行われた生体情報に影響を及ぼす運動によって被検者の身体に掛かった負荷量と、を取得し、生体情報と負荷量とに基づいて、現時点より後の予め定められた予測タイミングにおける生体情報である予測生体情報を予測し、予測タイミングにおいて測定され得る生体情報を、予測生体情報に一致させるために必要な運動に関する計画を作成する。
上記態様において、プロセッサは、予測タイミングにおいて測定され得る生体情報を、予測生体情報に一致させるために必要な被検者の身体に掛かる負荷量である必要負荷量を導出し、必要負荷量を満たす運動に関する計画を作成してもよい。
上記態様において、プロセッサは、入力を生体情報及び予測生体情報とし、出力を必要負荷量とするよう予め学習された学習済モデルを用いて、必要負荷量を導出してもよい。
上記態様において、プロセッサは、予測タイミングの指定を受け付けてもよい。
上記態様において、プロセッサは、生体情報に関する変動目標の指定を受け付け、取得した生体情報と負荷量に基づいて、生体情報が変動目標を達成するために必要な期間の満了時点を予測し、当該満了時点を予測タイミングとしてもよい。
上記態様において、プロセッサは、予測タイミングにおいて測定され得る生体情報を、予測生体情報に一致させるために必要な運動の実施日程を定めた計画を作成してもよい。
上記態様において、プロセッサは、被検者が運動を実施可能な日時及び実施不可能な日時の少なくとも一方の日時指定を受け付け、日時指定に即した計画を作成してもよい。
上記態様において、プロセッサは、それぞれ負荷が異なる複数種類の運動のうち、実施する運動の種類を定めた計画を作成してもよい。
上記態様において、プロセッサは、被検者の身体レベルを示す身体情報を取得し、身体情報に応じて予め定められた種類の運動を実施することを定めた計画を作成してもよい。
上記態様において、プロセッサは、被検者の運動に応じて測定される複数種類の運動量のそれぞれを示す複数の運動情報を取得し、運動情報の種類に対応して予め導出された重みを取得し、複数の運動情報と重みとに基づいて、負荷量を導出してもよい。
上記態様において、運動情報は、歩数、歩行速度及び筋電図、並びに、被検者の関節の屈曲角度及び屈曲速度のうち少なくとも１つを示すものであってもよい。
上記態様において、身体情報は、被検者の身体機能の改善を図る場合の改善レベルを示すものであってもよい。
本開示の第２の態様は、情報処理方法であって、被検者に関して測定された生体情報と、現時点までの予め定められた期間内に行われた生体情報に影響を及ぼす運動によって被検者の身体に掛かった負荷量と、を取得し、生体情報と負荷量とに基づいて、現時点より後の予め定められた予測タイミングにおける生体情報である予測生体情報を予測し、予測タイミングにおいて測定され得る生体情報を、予測生体情報に一致させるために必要な運動に関する計画を作成する処理を含む。
本開示の第３の態様は、情報処理プログラムであって、被検者に関して測定された生体情報と、現時点までの予め定められた期間内に行われた生体情報に影響を及ぼす運動によって被検者の身体に掛かった負荷量と、を取得し、生体情報と負荷量とに基づいて、現時点より後の予め定められた予測タイミングにおける生体情報である予測生体情報を予測し、予測タイミングにおいて測定され得る生体情報を、予測生体情報に一致させるために必要な運動に関する計画を作成する処理をコンピュータに実行させるためのものである。
上記態様によれば、本開示の情報処理装置、情報処理方法及び情報処理プログラムは、身体機能の改善を支援できる。
情報処理システムの概略構成図である。 情報処理装置のハードウェア構成の一例を示すブロック図である。 情報処理装置の機能的な構成の一例を示すブロック図である。 重みの導出方法を説明するための図である。 負荷量の導出方法を説明するための図である。 生体情報と総負荷量の相関関係の一例を示す相関図である。 生体情報の予測方法を説明するための図である。 ディスプレイに表示される画面の一例を示す図である。 重み導出処理の一例を示すフローチャートである。 負荷量導出処理の一例を示すフローチャートである。 予測処理の一例を示すフローチャートである。 計画処理の一例を示すフローチャートである。
以下、図面を参照して、本開示の技術を実施するための形態例を詳細に説明する。
図１を参照して、本実施形態に係る情報処理システム１の構成の一例について説明する。図１に示すように、情報処理システム１は、情報処理装置１０と、少なくとも１台の運動情報測定装置１２と、少なくとも１台の生体情報測定装置１４と、学習用情報ＤＢ（DataBase）１６と、を備える。情報処理装置１０と運動情報測定装置１２、情報処理装置１０と生体情報測定装置１４、及び情報処理装置１０と学習用情報ＤＢ１６は、それぞれ有線又は無線通信により互いに通信可能とされている。
運動情報測定装置１２は、被検者の運動に応じて測定される運動量を示す運動情報を測定する機能を有する。ここで、運動情報とは、経時的に測定される運動量を示し、例えば、歩数、歩行速度及び筋電図、並びに、被検者の関節の屈曲角度及び屈曲速度のうち少なくとも１つを示す情報であってもよい。これらの場合、運動情報測定装置１２としては、例えば、歩数計、筋電センサ、及び、加速度センサ等の運動を検知できるセンサを備えたスマートウォッチ等のウェアラブル端末を適用できる。また、これらの装置を複数台組み合わせて適用してもよい。
生体情報測定装置１４は、被検者の生体情報を測定する機能を有する。例えば、生体情報は、体温、心拍、心電、筋電、血圧、動脈血酸素飽和度（ＳｐＯ２）、血糖値及び脂質値等のうち少なくとも１つを示す情報であってもよい。これらの場合、生体情報測定装置１４としては、例えば、体温計、心拍計、血糖自己測定器、並びに、心拍及び動脈血酸素飽和度等の生体情報を測定するセンサを備えたスマートウォッチ等のウェアラブル端末を適用できる。
また例えば、生体情報は、医用画像撮影装置により撮影された医用画像、及び当該医用画像から解析可能な特徴量の少なくとも一方を示す情報であってもよい。医用画像撮影装置とは、例えば、Ｘ線画像撮影、ＣＴ（Computed Tomography：コンピュータ断層撮影）、ＭＲＩ（Magnetic Resonance Imaging：磁気共鳴画像撮影）、超音波画像診断、内視鏡画像撮影、眼底撮影及びＰＥＴ（Positron Emission Tomography：陽電子放出断層撮影）等を行う装置である。生体情報測定装置１４としてこれらの医用画像撮影装置を用いることで、生体情報としての医用画像を得ることができる。特徴量とは、例えば、病変等の異常陰影及び診断対象の構造物の体積、長径、短径及び画素値等を示す情報量である。
また例えば、生体情報は、血液学的検査、感染症検査、生化学検査、免疫検査、遺伝子検査、細菌検査及び尿検査のうち少なくとも１つの結果を示す情報であってもよい。血液学的検査とは、例えば、白血球数、赤血球数及びヘモグロビン濃度等を検査結果として得る検査である。生化学検査とは、例えば、酵素、蛋白、糖、脂質及び電解質等に関する各種指標を検査結果として得る検査である。感染症検査は、例えば、インフルエンザ感染症及び新型コロナウイルス感染症等の各種感染症の感染有無を検査結果として得る検査である。
免疫検査は、例えば、腫瘍マーカー、ホルモン及びアレルギー等に特有の物質の検出結果を検査結果として得る検査である。遺伝子検査とは、例えば、ＤＮＡ（Deoxyribonucleic Acid）を解析することによって、体質及び疾病等に関わる遺伝子情報を検査結果として得る検査である。細菌検査とは、例えば、体内及び体表面等に存在する細菌の種類及び量等を検査結果として得る検査である。尿検査は、例えば、尿糖、尿蛋白及び尿潜血等を検査結果として得る検査である。これらの各種検査結果を生体情報として用いる場合、生体情報測定装置１４は、例えば、血液及び尿等を被検体として分析を行う公知の分析装置を適用できる。
学習用情報ＤＢ１６は、学習用運動情報及び学習用生体情報が格納されたデータベースである。学習用情報ＤＢ１６は、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）及びフラッシュメモリ等の記憶媒体によって実現される。
学習用運動情報及び学習用生体情報は、それぞれ上記の運動情報及び生体情報と同種の情報であり、過去に実施されたリハビリテーションにおいて経時的に測定された実績データである。すなわち、学習用運動情報及び学習用生体情報は、リハビリテーションの開始時点（例えば治療直後）から終了時点（例えば回復完了時点）までの期間において経時的に測定された情報である。なお、学習用運動情報及び学習用生体情報は、今回の処理対象の被検者とは異なる他の被検者から測定された情報であってもよい。
ところで、身体機能の改善のために行うリハビリテーションでは、運動の種類及び強度等が異なる複数の運動訓練を組み合わせる場合があるが、各種の運動訓練の効果の度合は、被検者の身体機能の状態に応じて変動すると考えられる。例えば、走行能力のリハビリテーションにおいて、初期段階では強度の低い歩行訓練から開始し、身体機能が改善するにつれて強度の高いジョギング及びダッシュ訓練を行うことで、走行能力をより効果的に改善できる場合がある。また例えば、リハビリテーションの初期段階で強度の高い訓練を行ってしまうと、負荷がかかりすぎることにより身体機能が却って悪化してしまう場合がある。
したがって例えば、リハビリテーションの初期段階では歩行速度よりも歩数に注目して運動訓練を行うことが効果的な一方で、後期段階では歩数よりも歩行速度に注目して運動訓練を行うことが効果的になる場合がある。このように、被検者の身体機能の状態に応じて変動する各種の運動訓練の効果を考慮して、リハビリテーションにおける運動訓練の内容を計画することで、身体機能の改善を支援できる技術が望まれている。
そこで、本実施形態に係る情報処理装置１０は、被検者の身体機能の状態を考慮してリハビリテーションにおける運動訓練の内容を計画する。また、その過程において、被検者の身体機能の状態を考慮して、被検者の身体に掛かった負荷量を導出する。以下、情報処理装置１０の詳細な構成について説明する。
まず、図２を参照して、本実施形態に係る情報処理装置１０のハードウェア構成の一例を説明する。図２に示すように、情報処理装置１０は、ＣＰＵ（Central Processing Unit）２１、不揮発性の記憶部２２、及び一時記憶領域としてのメモリ２３を含む。また、情報処理装置１０は、液晶ディスプレイ等のディスプレイ２４、キーボード、マウス及びボタン等の入力部２５、並びに運動情報測定装置１２、生体情報測定装置１４及び外部のネットワーク（不図示）との有線又は無線通信を行うネットワークＩ／Ｆ（Interface）２６を含む。ＣＰＵ２１、記憶部２２、メモリ２３、ディスプレイ２４、入力部２５及びネットワークＩ／Ｆ２６は、システムバス及びコントロールバス等のバス２８を介して相互に各種情報の授受が可能に接続されている。情報処理装置１０としては、例えば、パーソナルコンピュータ、サーバコンピュータ、タブレット端末、スマートフォン及びウェアラブル端末等を適用できる。
記憶部２２は、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）及びフラッシュメモリ等の記憶媒体によって実現される。記憶部２２には、情報処理装置１０における情報処理プログラム２７が記憶される。ＣＰＵ２１は、記憶部２２から情報処理プログラム２７を読み出してからメモリ２３に展開し、展開した情報処理プログラム２７を実行する。ＣＰＵ２１が本開示のプロセッサの一例である。
次に、図３を参照して、本実施形態に係る情報処理装置１０の機能的な構成の一例について説明する。図４に示すように、情報処理装置１０は、取得部３０、導出部３２、予測部３４、計画部３６及び制御部３８を含む。ＣＰＵ２１が情報処理プログラム２７を実行することにより、取得部３０、導出部３２、予測部３４、計画部３６及び制御部３８として機能する。
以下の説明においては、変形性膝関節症の罹患者を被検者とし、膝軟骨欠損部に間葉系幹細胞を移植して軟骨を再生する治療（所謂、再生医療）の後のリハビリテーションを想定する。また、複数の運動情報として歩数、歩行速度及び膝の屈曲角度を示す３つの運動量を示す情報を用い、生体情報としてＭＲＩ画像から解析された膝軟骨の欠損体積を示す情報を用いる。
［重みの導出］
まず、図４を参照して、運動によって被検者の身体に掛かる負荷量を導出するための重みの導出方法について説明する。重みは、学習用運動情報の種類ごとに、学習用運動情報に基づいて導出される。図４において、歩数Ｘａ１、歩行速度Ｘａ２及び屈曲角度Ｘａ３をそれぞれ実線で示す。また、歩数Ｘａ１、歩行速度Ｘａ２及び屈曲角度Ｘａ３のそれぞれに関する重みＷ１、Ｗ２及びＷ３を一点鎖線で示す。また、歩数Ｘａ１に関する部分負荷量Ｙａ１を長破線で、歩行速度Ｘａ２に関する部分負荷量Ｙａ２を短破線で、屈曲角度Ｘａ３に関する部分負荷量Ｙａ３を点線で、それぞれ示す。また、負荷量Ｌａを太実線で示す。
取得部３０は、学習用情報ＤＢ１６から、経時的に測定された複数の学習用運動情報を取得する。具体的には、取得部３０は、今回リハビリテーションにおける運動訓練の内容を計画する対象の被検者と同様の疾患を有する被検者から過去に測定された、学習用運動情報を取得する。
なお、取得部３０は、今回運動訓練の内容を計画する対象の被検者と同様の疾患を有する複数の被検者から過去に測定された複数の学習用運動情報に基づいて生成される、代表的な学習用運動情報を取得することが好ましい。例えば、取得部３０は、学習用情報ＤＢ１６に記憶された複数の被検者の各々に関する学習用運動情報を取得し、その平均値及び中央値等の代表値を、以降の処理に用いる学習用運動情報として生成することが好ましい。
導出部３２は、取得部３０により取得された複数の学習用運動情報に基づいて、学習用運動情報の測定時点に応じて経時的に変動する重みＷｉ（ｔａ）を導出する。導出部３２による重みＷｉ（ｔａ）の具体的な導出方法について、下記算出式（１）～（４）を用いて説明する。
Ｙａｉ（ｔａ）＝Ｗｉ（ｔａ）×Ｘａｉ（ｔａ）×Ｃｉ …（１）
Ｌａ（ｔａ）＝ΣＹａｉ（ｔａ） …（２）
∫Ｌａ（ｔａ）ｄｔａ＝Ｋ …（３）
ｄＬａ（ｔａ）／ｄｔａ＝Ｍ …（４）
なお、ｉは２以上の整数であり、以下の説明ではｉは１～３とする。Ｋ及びＭは正の定数である。
（１）式に示すＹａｉ（ｔａ）は、測定時点ｔａにおける学習用運動情報Ｘａｉ（ｔａ）が示す運動量によって被検者の身体に掛かる部分負荷量を表す。Ｃｉは、歩数、歩行速度及び屈曲角度等の各種の学習用運動情報Ｘａｉをそれぞれ部分負荷量Ｙａｉに換算する（すなわち単位を揃える）ための換算係数であり、学習用運動情報の種類ごとに予め定められ、例えば記憶部２２に予め記憶されている。
Ｗｉ（ｔａ）は、学習用運動情報Ｘａｉ（ｔａ）の測定時点ｔａに応じて経時的に変動する重みである。上述したように、リハビリテーションでは、運動の種類及び強度等が異なる運動訓練の効果の度合は、被検者の身体機能の状態に応じて変動すると考えられる。例えば、リハビリテーションの初期段階における測定時点ｔａ１と、後期段階における測定時点ｔａ２とにおいて同じ運動訓練を行ったとしても、測定時点ｔａ１及びｔａ２のそれぞれにおいて被検者の身体に掛かる部分負荷量は異なる場合があると考えられる。換言すれば、Ｘａ１（ｔａ１）とＸａ１（ｔａ２）が一致していたとしても、Ｙａ１（ｔａ１）とＹａ１（ｔａ２）は必ずしも一致しない。そこで、（１）式において、重みＷｉ（ｔａ）を経時的に変動させることによって、被検者の身体機能の状態に応じて部分負荷量Ｙａｉ（ｔａ）も経時的に変動させることができる。
（２）式に示すＬａ（ｔａ）は、測定時点ｔａにおける部分負荷量Ｙａｉ（ｔａ）の総和であり、測定時点ｔａにおける各種の学習用運動情報Ｘａ１～Ｘａ３が示す運動量によって被検者の身体に掛かる総合的な負荷量を表す。ここで、Ｌａ（ｔａ）は、（３）式及び（４）式を満たすように設定される。（３）式は、Ｌａ（ｔａ）の時間積分が予め定められた定数Ｋを満たすことを意味する。（４）式は、Ｌａ（ｔａ）の時間微分が予め定められた定数Ｍを満たすこと、すなわちＬａ（ｔａ）が傾きＭの直線により表されることを意味する。（３）式及び（４）式を満たすことにより、リハビリテーションの開始時点から終了時点までの総負荷量を確保しつつ、リハビリテーションが進行するにつれ負荷量を増加させることができる。
導出部３２は、Ｌａ（ｔａ）が（３）式及び（４）式を満たすように、各種の部分負荷量Ｙａｉ（ｔａ）を定める。そして、導出部３２は、部分負荷量Ｙａｉ（ｔａ）、学習用運動情報Ｘａｉ（ｔａ）及びＣｉに基づき、（１）式を用いて重みＷｉ（ｔａ）を導出する。
なお、図４では各種の部分負荷量Ｙａｉ（ｔａ）を単調増加する直線として例示しているが、これに限らない。例えば、部分負荷量Ｙａｉ（ｔａ）は、その一部又は全部が経時的に減少するものであってもよいし、曲線であってもよい。
また、導出部３２は、重みの導出に機械学習を用いてもよい。例えば、入力を各種の学習用運動情報Ｘａｉ（ｔａ）とし、出力を各種の部分負荷量Ｙａｉ（ｔａ）とするよう予め学習された、ＣＮＮ（Convolutional Neural Network）等の学習済モデルによって、部分負荷量Ｙａｉ（ｔａ）を導出してもよい。また例えば、この学習済モデルにより導出された部分負荷量Ｙａｉ（ｔａ）を入力とし、出力を重みＷｉ（ｔａ）とする算出器を用いてもよい。
［負荷量の導出］
次に、図５を参照して、運動によって被検者の身体に掛かる負荷量の導出方法について説明する。負荷量は、運動情報と重みとに基づいて導出される。図５において、歩数Ｘｒ１、歩行速度Ｘｒ２及び屈曲角度Ｘｒ３をそれぞれ実線で示す。また、歩数Ｘｒ１、歩行速度Ｘｒ２及び屈曲角度Ｘｒ３のそれぞれに関する重みＷ１、Ｗ２及びＷ３を一点鎖線で示す。また、歩数Ｘｒ１に関する部分負荷量Ｙｒ１を長破線で、歩行速度Ｘｒ２に関する部分負荷量Ｙｒ２を短破線で、屈曲角度Ｘｒ３に関する部分負荷量Ｙｒ３を点線で、それぞれ示す。また、負荷量Ｌｒを細実線で、参考用の負荷量Ｌａ（図４参照）を太実線で、それぞれ示す。
取得部３０は、運動情報測定装置１２から、被検者の運動に応じて測定される複数種類の運動量のそれぞれを示す複数の運動情報Ｘｒｉ（ｔｒ）を取得する。例えば、取得部３０は、リハビリテーションの開始時点から現時点までの期間Ｐにおける、歩数Ｘｒ１、歩行速度Ｘｒ２及び屈曲角度Ｘｒ３を取得する。
また、取得部３０は、取得した運動情報の種類に対応して予め導出された重みＷｉ（ｔｒ）を取得する。具体的には、取得部３０は、取得した運動情報の測定時点ｔｒに対応する、学習用運動情報の測定時点ｔａにおいて導出された重みＷｉ（ｔａ）を、重みＷｉ（ｔｒ）として取得する。重みＷｉ（ｔａ）は、上述したように学習用運動情報Ｘａｉ（ｔａ）の測定時点ｔａに応じて経時的に変動するものである。したがって重みＷｉ（ｔｒ）も、運動情報の測定時点ｔｒに応じて経時的に変動するものである。
なお、取得部３０は、取得した運動情報の測定時点ｔｒに対応する重みＷｉ（ｔｒ）さえ取得すればよく、例えば、運動情報がまだ測定されていない現時点より後の期間に対応する重みＷｉ（ｔｒ）の取得は省略してもよい。
導出部３２は、取得部３０により取得された複数の運動情報Ｘｒｉ（ｔｒ）と重みＷｉ（ｔｒ）とに基づいて、被検者の身体に掛かる負荷量Ｌｒ（ｔｒ）を導出する。負荷量Ｌｒ（ｔｒ）は、下記算出式（５）～（６）により表される。
Ｙｒｉ（ｔｒ）＝Ｗｉ（ｔｒ）×Ｘｒｉ（ｔｒ）×Ｃｉ …（５）
Ｌｒ（ｔｒ）＝ΣＹｒｉ（ｔｒ） …（６）
なお、ｉは２以上の整数であり、以下の説明ではｉは１～３とする。
（５）式に示すＹｒｉ（ｔｒ）は、測定時点ｔｒにおける運動情報Ｘｒｉ（ｔ）が示す運動量によって被検者の身体に掛かる部分負荷量を表す。Ｃｉは、上述した（１）式と同様の換算係数である。導出部３２は、取得部３０により取得された複数の運動情報Ｘｒｉ（ｔ）及び重みＷｉ（ｔｒ）に基づいて、（５）式を用いてＹｒｉ（ｔｒ）を導出する。
（６）式に示すＬｒ（ｔｒ）は、測定時点ｔｒにおける部分負荷量Ｙｒｉ（ｔｒ）の総和であり、測定時点ｔｒにおける各種の運動情報Ｘｒｉ（ｔｒ）が示す運動量によって被検者の身体に掛かる総合的な負荷量を表す。導出部３２は、（５）式を用いて導出したＹｒｉ（ｔｒ）に基づいて、（６）式を用いてＬｒ（ｔｒ）を導出する。このように、負荷量Ｌｒ（ｔｒ）は、経時的に変動する重みＷｉ（ｔｒ）が加味されて導出されており、被検者の身体機能の状態を反映したものとなっている。
なお、実際には、各種の運動情報が個別に測定される等によって、各種の運動情報の測定時点ｔｒは必ずしも一致しない。したがって導出部３２は、予め定められた期間（例えば７日間）内に測定された各種の運動情報を、同じ測定時点ｔｒにおいて測定されたものとみなしてもよい。すなわち、導出部３２は、予め定められた期間（例えば７日間）内に測定された複数の運動情報Ｘｒｉ（ｔｒ）に基づいて、負荷量Ｌｒ（ｔｒ）を導出してもよい。
［予測タイミングにおける生体情報の予測］
次に、図６及び図７を参照して、予測タイミングにおける生体情報（以下、「予測生体情報」という）の予測方法について説明する。
取得部３０は、生体情報測定装置１４から、被検者に関して測定された生体情報を取得する。また、取得部３０は、現時点までの予め定められた期間内に行われた生体情報に影響を及ぼす運動によって被検者の身体に掛かった負荷量を取得する。例えば、取得部３０は、導出部３２によってリハビリテーションの開始時点から現時点までの期間Ｐにおける運動情報Ｘｒｉ（ｔｒ）と重みＷｉ（ｔｒ）とに基づいて導出された、負荷量Ｌｒ（ｔｒ）を取得する。
ところで、生体情報は、リハビリテーションの開始時点から終了時点までの総負荷量（すなわち負荷量Ｌｒ（ｔｒ）の時間積分∫Ｌｒ（ｔｒ）ｄｔｒ）に応じて良化又は悪化することが知られている。図６は、生体情報と総負荷量との相関関係の一例を示す相関図である。生体情報と総負荷量との相関関係は、生体情報の種類ごとに予め定められ、例えば記憶部２２に予め記憶されている。
生体情報の一例としての膝軟骨の欠損体積の場合、図６に示すように、総負荷量が過大又は過小の場合に欠損体積は増加（悪化）し、総負荷量が適正であれば欠損体積は減少（良化）することが知られている。間葉系幹細胞移植による軟骨再生では、軟骨欠損部に間葉系幹細胞を移植することによって、移植された間葉系幹細胞が分化して軟骨芽細胞を生成し、生成された軟骨芽細胞が軟骨細胞を生成し、生成された軟骨細胞が軟骨（具体的にはコラーゲンとプロテオグリカンのマトリックス）を生成する。これにより軟骨欠損部の修復が行われる。これらの各細胞の分化と増殖を促して軟骨欠損部の修復を促進するためには、リハビリテーションが必要で、特に、修復の状態に応じて適切に運動量をコントロールしたリハビリテーションを実施することが重要である。リハビリテーションが不足すると修復が十分に促進されず、リハビリテーションが過剰だと修復途中の各細胞を破壊して減少させることになりうる。
一方で、リハビリテーションにおける運動訓練の効果が生体情報に反映されるまでにはタイムラグが生じ得る。そこで、予測部３４は、取得部３０により取得された生体情報と負荷量とに基づいて、現時点より後の予め定められた予測タイミングにおける予測生体情報を予測する。図７は、リハビリテーションの開始時点から現時点までの期間Ｐにおける生体情報の実測値Ｚｒ（ｔｒ）及び負荷量Ｌｒ（ｔｒ）の導出値と、現時点より後の期間における生体情報の予測値Ｚｒｐ（ｔｒ）及び負荷量の予測値Ｌｒｐ（ｔｒ）と、を示す図である。
具体的には、予測部３４は、現時点までの生体情報及び総負荷量に類似する過去の事例を学習用情報ＤＢ１６を利用して探索し、当該過去の事例における学習用生体情報を流用することによって、予測生体情報を予測してもよい。また、予測部３４は、入力を生体情報及び負荷量とし、出力を予測生体情報とするよう予め学習された、ＣＮＮ等の学習済モデルによって、予測生体情報を予測してもよい。
予測タイミングとは、例えば現時点から予め定められた期間（例えば１ヶ月）経過後のタイミングであってもよいし、ユーザによって入力部２５を介して任意に設定されたタイミングであってもよい。すなわち予測部３４は、ユーザによる予測タイミングの指定を受け付けてもよい。
また例えば、予測部３４は、生体情報に関する変動目標の指定を受け付け、生体情報が変動目標を達成し得るタイミング（例えば最短なタイミング又は標準的なタイミング等）を予測タイミングとしてもよい。具体的には、予測部３４は、取得部３０により取得された生体情報と負荷量に基づいて、生体情報が変動目標を達成するために必要な期間の満了時点を予測し、当該満了時点を予測タイミングとしてもよい。例えば、予測部３４は、現時点までの生体情報及び負荷量に類似する過去の事例を学習用情報ＤＢ１６を利用して探索し、当該過去の事例において、学習用生体情報が変動目標を達成した時点を特定することによって、満了時点を予測してもよい。生体情報に関する変動目標とは、例えば、膝軟骨の欠損体積の２０％削減等、数値による指定であってもよい。
［運動訓練の計画］
次に、図７及び図８を参照して、リハビリテーションにおける運動訓練の計画方法について説明する。上述したように、リハビリテーションにおける運動訓練の効果が生体情報に反映されるまでにはタイムラグが生じ得る。したがって、予測タイミングにおいて測定され得る生体情報を予測生体情報に一致させるためには、タイムラグを考慮して運動訓練を実施することが求められる。
計画部３６は、予測タイミングにおいて測定され得る生体情報を、予測部３４により予測された予測生体情報に一致させるために必要な運動に関する計画を作成する。図８は、ディスプレイ２４に表示される、計画部３６により計画された運動訓練を含む画面Ｄ１の一例である。
具体的には、計画部３６は、予測タイミングにおいて測定され得る生体情報を、予測生体情報に一致させるために必要な被検者の身体に掛かる負荷量である必要負荷量を導出する。例えば、計画部３６は、取得部３０により取得された現時点までの生体情報Ｚｒ（ｔｒ）と負荷量Ｌｒ（ｔｒ）とに基づき、類似する過去の事例を学習用情報ＤＢ１６を利用して探索する。また、計画部３６は、当該過去の事例において、現時点での生体情報Ｚｒ（ｔｒ）に対応する学習用生体情報Ｚａ（ｔａ）が、予測生体情報Ｚｒｐ（ｔｒ）に対応する学習用生体情報Ｚａｐ（ｔａ）に変動するまでに要した総負荷量∫Ｌａ（ｔａ）ｄｔａを特定する。そして、計画部３６は、特定した総負荷量∫Ｌａ（ｔａ）ｄｔａと、導出部３２により導出された現時点までの総負荷量∫Ｌｒ（ｔｒ）ｄｔｒと、の差分を必要負荷量∫Ｌｒｐ（ｔｒ）ｄｔｒとして導出する。
また例えば、計画部３６は、入力を現時点での生体情報Ｚｒ及び予測生体情報Ｚｒｐとし、出力を必要負荷量とするよう予め学習されたＣＮＮ等の学習済モデルを用いて、必要負荷量を導出してもよい。
また、計画部３６は、導出した必要負荷量を満たす運動に関する計画を作成する。具体的には、図８に示すように、計画部３６は、それぞれ負荷が異なる複数種類の運動のうち、実施する運動の種類を定めた計画を作成する。例えば、リハビリテーションの初期段階と後期段階とでは、効果的な運動訓練の種類が異なる。そこで、計画部３６は、現時点での生体情報Ｚｒを、予測生体情報Ｚｒｐに変動させるために適した運動訓練の内容を定めた計画を作成する。運動訓練ごとの負荷は、例えば記憶部２２に予め記憶されている。
また、図８に示すように、計画部３６は、予測タイミングにおいて測定され得る生体情報を、予測生体情報Ｚｒｐに一致させるために必要な運動の実施日程を定めた計画を作成する。例えば、計画部３６は、被検者の都合及びリハビリテーションの実施機関の都合等を考慮して計画を作成してもよい。具体的には、計画部３６は、被検者が運動を実施可能な日時及び実施不可能な日時の少なくとも一方の日時指定を受け付け、受け付けた日時指定に即した計画を作成してもよい。
制御部３８は、計画部３６により作成されたリハビリテーションにおける運動訓練の計画を含む画面Ｄ１をディスプレイ２４に表示させる制御を行う。
次に、図９～図１２を参照して、本実施形態に係る情報処理装置１０の作用を説明する。情報処理装置１０において、ＣＰＵ２１が情報処理プログラム２７を実行することによって、図９～図１２に示す重み導出処理、負荷量導出処理、予測処理及び計画処理が実行される。各処理は、例えばユーザによって入力部２５を介して実行開始の指示があった場合に重み導出処理、負荷量導出処理、予測処理及び計画処理の順に連続して実行されてもよいし、指定された処理のみが個別に実行されてもよい。
まず、図９を参照して、重み導出処理について説明する。ステップＳ１０で、取得部３０は、学習用情報ＤＢ１６から複数の学習用運動情報を取得する。ステップＳ１２で、導出部３２は、ステップＳ１０で取得された複数の学習用運動情報に基づき、学習用運動情報ごとの重みを導出し、本重み導出処理を終了する。
次に、図１０を参照して、負荷量導出処理について説明する。ステップＳ２０で、取得部３０は、運動情報測定装置１２から複数の運動情報を取得する。ステップＳ２２で、取得部３０は、ステップＳ２０で取得した運動情報の種類に対応して予め導出された重み（すなわちステップＳ１２で導出された重み）を取得する。ステップＳ２４で、導出部３２は、ステップＳ２０で取得された複数の運動情報と、ステップＳ２２で取得された重みと、に基づいて被検者の身体に掛かる負荷量を導出し、本負荷量導出処理を終了する。
次に、図１１を参照して、予測タイミングにおける予測生体情報の予測処理について説明する。ステップＳ３０で、取得部３０は、生体情報測定装置１４から生体情報を取得する。また、取得部３０は、被検者の身体に掛かった負荷量（すなわちステップＳ２４で導出された負荷量）を取得する。ステップＳ３２で、予測部３４は、ステップＳ３０で取得された生体情報と負荷量とに基づいて、現時点より後の予め定められた予測タイミングにおける予測生体情報を予測し、本予測処理を終了する。
次に、図１２を参照して、リハビリテーションにおける運動訓練の計画処理について説明する。ステップＳ４０で、計画部３６は、予測タイミングにおいて測定され得る生体情報を、予測生体情報（すなわちステップＳ３２で予測された予測生体情報）に一致させるための必要負荷量を導出する。ステップＳ４２で、計画部３６は、ステップＳ４０で導出した必要負荷量を満たす運動訓練に関する計画を作成し、本計画処理を終了する。
以上説明したように、本開示の一態様に係る情報処理装置１０は、被検者の運動に応じて測定される複数種類の運動量のそれぞれを示す複数の運動情報を取得し、運動情報の種類ごとに、運動情報に基づいて予め導出された重みを取得し、複数の運動情報と重みとに基づいて、被検者の身体に掛かる負荷量を導出する。
すなわち、本実施形態に係る情報処理装置１０によれば、運動情報に基づいて導出された重みを用いることによって、被検者の身体機能の状態に応じた負荷量を導出できる。したがって、現時点までの運動訓練によって被検者の身体に掛かった負荷量、及びこれから実施する運動訓練によって被検者の身体に掛かる負荷量を、被検者の身体機能の状態が考慮された指標として導出できるので、身体機能の改善を支援できる。
また、本開示の別の一態様に係る情報処理装置１０は、被検者に関して測定された生体情報と、現時点までの予め定められた期間内に行われた生体情報に影響を及ぼす運動によって被検者の身体に掛かった負荷量と、を取得し、生体情報と負荷量とに基づいて、現時点より後の予め定められた予測タイミングにおける生体情報である予測生体情報を予測し、予測タイミングにおいて測定され得る生体情報を、予測生体情報に一致させるために必要な運動に関する計画を作成する。
すなわち、本実施形態に係る情報処理装置１０によれば、現時点までの生体情報と負荷量とに基づいて予測タイミングにおける予測生体情報を予測し、当該予測生体情報を目標に設定して運動訓練を計画できるので、身体機能の改善を支援できる。更に、被検者の身体機能の状態を考慮して導出された負荷量を用いることによって、被検者の身体機能の状態に応じて変動する各種の運動訓練の効果を考慮して計画を作成できるので、身体機能の改善をより支援できる。
なお、上記実施形態においては、リハビリテーションの開始時点から終了時点までの時間軸に応じて重みを異ならせることで、被検者の身体機能の状態に応じた負荷量を導出する形態について説明したが、これに限らない。より正確には、取得部３０が被検者の身体レベルを示す身体情報を取得し、導出部３２が身体情報に応じて重みを異ならせることで、身体レベル（被検者の身体機能）を反映した負荷量を導出することが好ましい。
この場合の前提として、学習用情報ＤＢ１６に記憶されている学習用運動情報及び学習用生体情報には、測定時点における測定元の被検者の身体レベルを示す身体情報が付与されていてもよい。導出部３２は、運動情報測定装置１２から取得された運動情報に付与された身体情報に対応する身体情報が付与された学習用運動情報に基づいて、重みを導出してもよい。すなわち、導出部３２は、今回の処理対象の被検者と同等の身体レベルを有する被検者から測定された学習用運動情報に基づいて、重みを導出してもよい。
身体レベルとは、例えば、被検者の身体機能の改善を図る場合の改善レベルを示すものであってもよい。改善レベルとは、例えば、最大歩行速度及び関節の可動域等の客観評価、並びに運動による痛みの度合等の主観評価により表される。
また、計画部３６は、被検者の身体レベルを示す身体情報に応じて予め定められた種類の運動を実施することを定めた計画を作成してもよい。例えば、計画部３６は、変形性膝関節症の罹患者における膝関節の可動域に応じて、実施する運動訓練の種類を異ならせてもよい。
また、上記実施形態において、導出部３２は、負荷量として、例えば膝関節及び股関節等の被検者の身体の部位に掛かる負荷量を導出してもよい。例えば、膝関節と股関節とでは、リハビリテーションに効果的な運動訓練が異なる。そこで例えば、導出部３２は、膝関節に掛かる負荷量と、股関節に掛かる負荷量と、をそれぞれ異なる種類の運動情報及び重みを用いて導出してもよい。
また、上記実施形態においては、変形性膝関節症の治療において身体機能の低下を改善するために行うリハビリテーションの支援について説明したが、本開示の技術は、これ以外の事例にも適用可能である。本開示の技術を、例えば、外傷、老化及び脳機能障害等による身体機能の低下を改善するために行うリハビリテーションの支援に適用してもよい。例えば、認知症のように理解、判断及び論理等の知的機能の低下を抑制するために、身体に係る運動訓練だけでなく、計算及びパズル等の知的機能の訓練も含むリハビリテーションに適用してもよい。この場合の負荷量は、例えば、計算の正解率、及びパズルが完成するまでの所要時間等を用いて導出してもよい。また例えば、健常者の身体機能を向上させるために行う筋力トレーニング等の支援に適用してもよい。すなわち、上記「身体レベル」とは、被検者の身体機能の改善を図る場合の改善レベルに限らず、被検者の筋力レベル等であってもよい。また、各事例に応じて、処理に用いる複数の運動情報及び生体情報の種類及びその組合せは適宜変更してもよい。
また、上記実施形態において、例えば、取得部３０、導出部３２、予測部３４、計画部３６及び制御部３８といった各種の処理を実行する処理部（processing unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（processor）を用いることができる。上記各種のプロセッサには、前述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：ＰＬＤ）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせや、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。
複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアント及びサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System on Chip：ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。
さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）を用いることができる。
また、上記実施形態では、情報処理プログラム２７が記憶部２２に予め記憶（インストール）されている態様を説明したが、これに限定されない。情報処理プログラム２７は、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）、及びＵＳＢ（Universal Serial Bus）メモリ等の記録媒体に記録された形態で提供されてもよいし、クラウド上の大規模データベースに格納された形態で提供されてもよい。また、情報処理プログラム２７は、ネットワークを介して外部装置からダウンロードされる形態としてもよい。さらに、本開示の技術は、情報処理プログラムに加えて、情報処理プログラムを非一時的に記憶する記憶媒体にもおよぶ。
本開示の技術は、上記実施形態例を適宜組み合わせることも可能である。以上に示した記載内容及び図示内容は、本開示の技術に係る部分についての詳細な説明であり、本開示の技術の一例に過ぎない。例えば、上記の構成、機能、作用及び効果に関する説明は、本開示の技術に係る部分の構成、機能、作用及び効果の一例に関する説明である。よって、本開示の技術の主旨を逸脱しない範囲内において、以上に示した記載内容及び図示内容に対して、不要な部分を削除したり、新たな要素を追加したり、置き換えたりしてもよいことはいうまでもない。
１ 情報処理システム
１０ 情報処理装置
１２ 運動情報測定装置
１４ 生体情報測定装置
１６ 学習用情報ＤＢ
２１ ＣＰＵ
２２ 記憶部
２３ メモリ
２４ ディスプレイ
２５ 入力部
２６ ネットワークＩ／Ｆ
２７ 情報処理プログラム
２８ バス
３０ 取得部
３２ 導出部
３４ 予測部
３６ 計画部
３８ 制御部
Ｄ１ 画面

Claims (14)

  1. 少なくとも１つのプロセッサを備え、
    前記プロセッサは、
    被検者に関して測定された生体情報と、現時点までの予め定められた期間内に行われた前記生体情報に影響を及ぼす運動によって前記被検者の身体に掛かった負荷量と、を取得し、
    前記生体情報と前記負荷量とに基づいて、現時点より後の予め定められた予測タイミングにおける前記生体情報である予測生体情報を予測し、
    前記予測タイミングにおいて測定され得る生体情報を、前記予測生体情報に一致させるために必要な運動に関する計画を作成する
    情報処理装置。
  2. 前記プロセッサは、
    前記予測タイミングにおいて測定され得る生体情報を、前記予測生体情報に一致させるために必要な前記被検者の身体に掛かる負荷量である必要負荷量を導出し、
    前記必要負荷量を満たす運動に関する計画を作成する
    請求項１に記載の情報処理装置。
  3. 前記プロセッサは、
    入力を前記生体情報及び前記予測生体情報とし、出力を前記必要負荷量とするよう予め学習された学習済モデルを用いて、前記必要負荷量を導出する
    請求項２に記載の情報処理装置。
  4. 前記プロセッサは、
    前記予測タイミングの指定を受け付ける
    請求項１から請求項３の何れか１項に記載の情報処理装置。
  5. 前記プロセッサは、
    前記生体情報に関する変動目標の指定を受け付け、
    取得した前記生体情報と前記負荷量に基づいて、前記生体情報が前記変動目標を達成するために必要な期間の満了時点を予測し、当該満了時点を前記予測タイミングとする
    請求項１から請求項３の何れか１項に記載の情報処理装置。
  6. 前記プロセッサは、
    前記予測タイミングにおいて測定され得る生体情報を、前記予測生体情報に一致させるために必要な運動の実施日程を定めた前記計画を作成する
    請求項１から請求項５の何れか１項に記載の情報処理装置。
  7. 前記プロセッサは、
    前記被検者が運動を実施可能な日時及び実施不可能な日時の少なくとも一方の日時指定を受け付け、
    前記日時指定に即した前記計画を作成する
    請求項６に記載の情報処理装置。
  8. 前記プロセッサは、
    それぞれ負荷が異なる複数種類の運動のうち、実施する運動の種類を定めた前記計画を作成する
    請求項１から請求項７の何れか１項に記載の情報処理装置。
  9. 前記プロセッサは、
    前記被検者の身体レベルを示す身体情報を取得し、
    前記身体情報に応じて予め定められた種類の運動を実施することを定めた前記計画を作成する
    請求項８に記載の情報処理装置。
  10. 前記プロセッサは、
    被検者の運動に応じて測定される複数種類の運動量のそれぞれを示す複数の運動情報を取得し、
    前記運動情報の種類に対応して予め導出された重みを取得し、
    前記複数の運動情報と前記重みとに基づいて、前記負荷量を導出する
    請求項１から請求項９の何れか１項に記載の情報処理装置。
  11. 前記運動情報は、歩数、歩行速度及び筋電図、並びに、前記被検者の関節の屈曲角度及び屈曲速度のうち少なくとも１つを示す
    請求項１０に記載の情報処理装置。
  12. 前記身体情報は、前記被検者の身体機能の改善を図る場合の改善レベルを示す
    請求項９に記載の情報処理装置。
  13. 被検者に関して測定された生体情報と、現時点までの予め定められた期間内に行われた前記生体情報に影響を及ぼす運動によって前記被検者の身体に掛かった負荷量と、を取得し、
    前記生体情報と前記負荷量とに基づいて、現時点より後の予め定められた予測タイミングにおける前記生体情報である予測生体情報を予測し、
    前記予測タイミングにおいて測定され得る生体情報を、前記予測生体情報に一致させるために必要な運動に関する計画を作成する
    処理を含む情報処理方法。
  14. 被検者に関して測定された生体情報と、現時点までの予め定められた期間内に行われた前記生体情報に影響を及ぼす運動によって前記被検者の身体に掛かった負荷量と、を取得し、
    前記生体情報と前記負荷量とに基づいて、現時点より後の予め定められた予測タイミングにおける前記生体情報である予測生体情報を予測し、
    前記予測タイミングにおいて測定され得る生体情報を、前記予測生体情報に一致させるために必要な運動に関する計画を作成する
    処理をコンピュータに実行させるための情報処理プログラム。
JP2021207603A 2021-12-21 2021-12-21 情報処理装置、情報処理方法及び情報処理プログラム Pending JP2023092388A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021207603A JP2023092388A (ja) 2021-12-21 2021-12-21 情報処理装置、情報処理方法及び情報処理プログラム
US18/065,633 US20230197239A1 (en) 2021-12-21 2022-12-14 Information processing device, information processing method and information processing program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021207603A JP2023092388A (ja) 2021-12-21 2021-12-21 情報処理装置、情報処理方法及び情報処理プログラム

Publications (1)

Publication Number Publication Date
JP2023092388A true JP2023092388A (ja) 2023-07-03

Family

ID=86768821

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021207603A Pending JP2023092388A (ja) 2021-12-21 2021-12-21 情報処理装置、情報処理方法及び情報処理プログラム

Country Status (2)

Country Link
US (1) US20230197239A1 (ja)
JP (1) JP2023092388A (ja)

Also Published As

Publication number Publication date
US20230197239A1 (en) 2023-06-22

Similar Documents

Publication Publication Date Title
Bland et al. Measuring agreement in method comparison studies
RU2537083C2 (ru) Неинвазивный контроль уровня содержания метаболитов в крови
Karpman et al. Gait speed as a measure of functional status in COPD patients
Miller et al. Assessment of a novel adult cervical deformity frailty index as a component of preoperative risk stratification
Shah et al. Prognostic usefulness of the six-minute walk in patients with advanced congestive heart failure secondary to ischemic or nonischemic cardiomyopathy
US20210153761A1 (en) Method, system and non-transitory computer-readable recording medium for estimating arrhythmia by using artificial neural network
US20210358126A1 (en) Trained model, learning method, learning program, medical information acquisition device, medical information acquisition method, and medical information acquisition program
JP6864947B2 (ja) 健康度ポジショニングマップおよび健康関数を作成する方法、システム、およびプログラム、ならびにそれらの使用方法
JP2018534697A (ja) 個人化された予測モデルに基づいて健康モニタリングを容易化するシステム及び方法
CN115299887A (zh) 一种动态代谢功能的检测量化方法和系统
CN116525109A (zh) 一种缺血性脑卒中患者康复预测模型建立方法
Wongvibulsin et al. Expanding personalized, data-driven dermatology: leveraging digital health technology and machine learning to improve patient outcomes
CN114023440A (zh) 可解释分层老年mods早期死亡风险评估模型、装置及其建立方法
Kalyakulina et al. eXplainable Artificial Intelligence (XAI) in aging clock models
Bienstock et al. Accelerometry data delineate phases of recovery and supplement patient-reported outcome measures following lumbar laminectomy
Ribeiro et al. Underlying mechanisms of oxygen uptake kinetics in chronic post-stroke individuals: A correlational, cross-sectional pilot study
JP2023092388A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
JP2023092389A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
KR20230118054A (ko) 의료 영상으로부터 바이오마커 발현을 예측하는 방법및 시스템
JP6401297B2 (ja) インスリン分泌能分析装置、当該装置を備えるインスリン分泌能分析システム及びインスリン分泌能分析方法
Zulj et al. Supporting diabetic patients with a remote patient monitoring systems
JP7304203B2 (ja) 医用情報処理装置及びプログラム
WO2022186360A1 (ja) 情報処理装置、情報処理システム、情報処理方法及び情報処理プログラム
US20220415507A1 (en) Method and system for training artificial intelligence model for estimation of glycolytic hemoglobin levels
US20230411003A1 (en) Disease diagnosis result determination device, disease diagnosis result determination method, and program