JP2023116604A - 軽度認知障害判定システム - Google Patents
軽度認知障害判定システム Download PDFInfo
- Publication number
- JP2023116604A JP2023116604A JP2023093214A JP2023093214A JP2023116604A JP 2023116604 A JP2023116604 A JP 2023116604A JP 2023093214 A JP2023093214 A JP 2023093214A JP 2023093214 A JP2023093214 A JP 2023093214A JP 2023116604 A JP2023116604 A JP 2023116604A
- Authority
- JP
- Japan
- Prior art keywords
- subject
- cognitive impairment
- mild cognitive
- data
- prediction
- 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
- 208000010877 cognitive disease Diseases 0.000 title claims abstract description 408
- 208000027061 mild cognitive impairment Diseases 0.000 title claims abstract description 408
- 238000004364 calculation method Methods 0.000 claims abstract description 124
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims abstract description 23
- 239000008103 glucose Substances 0.000 claims abstract description 23
- 210000004556 brain Anatomy 0.000 claims abstract description 17
- 230000000694 effects Effects 0.000 claims description 107
- 238000000034 method Methods 0.000 claims description 56
- 230000007082 Aβ accumulation Effects 0.000 claims description 51
- 210000004884 grey matter Anatomy 0.000 claims description 46
- 230000000971 hippocampal effect Effects 0.000 claims description 44
- 230000001771 impaired effect Effects 0.000 claims description 38
- 230000002490 cerebral effect Effects 0.000 claims description 33
- 230000004153 glucose metabolism Effects 0.000 claims description 27
- 238000000611 regression analysis Methods 0.000 claims description 27
- 230000010365 information processing Effects 0.000 claims description 26
- 230000002265 prevention Effects 0.000 claims description 24
- 230000037323 metabolic rate Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 8
- 210000001320 hippocampus Anatomy 0.000 claims description 7
- 230000006996 mental state Effects 0.000 claims description 6
- 230000004622 sleep time Effects 0.000 claims description 5
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 206010020772 Hypertension Diseases 0.000 claims description 2
- 235000012000 cholesterol Nutrition 0.000 claims description 2
- 206010012601 diabetes mellitus Diseases 0.000 claims description 2
- 230000035622 drinking Effects 0.000 claims description 2
- 230000000391 smoking effect Effects 0.000 claims description 2
- 230000019771 cognition Effects 0.000 claims 1
- 230000004060 metabolic process Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 25
- 230000010354 integration Effects 0.000 description 25
- 238000004891 communication Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 206010012289 Dementia Diseases 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000012790 confirmation Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009281 ultraviolet germicidal irradiation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000010176 18-FDG-positron emission tomography Methods 0.000 description 1
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 description 1
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 201000011240 Frontotemporal dementia Diseases 0.000 description 1
- 208000009829 Lewy Body Disease Diseases 0.000 description 1
- 201000002832 Lewy body dementia Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
本開示に係る技術の一実施態様に含まれる軽度認知障害判定システムは、被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを判定するための第1判定モデルを記憶した判定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記第1判定モデルに基づき、前記被験者が軽度認知障害者に該当するかを判定可能な判定情報を算出するMCI判定情報算出部と、を有する。
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得された脳糖代謝率を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られた脳糖代謝率推定モデルを記憶した脳糖代謝率推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記脳糖代謝率推定モデルに基づき、前記被験者の脳糖代謝率を推算する脳糖代謝率推算部と、を有する。
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得された海馬体積を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られた海馬体積推定モデルを記憶した海馬体積推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記海馬体積推定モデルに基づき、前記被験者の海馬体積を推算する海馬体積推算部と、を有する。
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得された灰白質体積を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られた灰白質体積推定モデルを記憶した灰白質体積推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記灰白質体積推定モデルに基づき、前記被験者の灰白質体積を推算する灰白質体積推算部と、を有する。
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得されたアミロイドβ蓄積量を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られたアミロイドβ蓄積量推定モデルを記憶したアミロイドβ蓄積量推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記アミロイドβ蓄積量推定モデルに基づき、前記被験者のアミロイドβ蓄積量を推算するアミロイドβ蓄積量推算部と、を有する。
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得されたMMSE(Mini Mental State Examination)点数を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られたMMSE点数推定モデルを記憶したMMSE点数推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記MMSE点数推定モデルに基づき、前記被験者のMMSE点数を推算するMMSE点数推算部と、を有する。
健常者と軽度認知障害者を含む第三者の時系列の属性データと、上記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第1予測モデルを記憶した予測モデル記憶部と、
上記被験者の上記属性データと、上記被験者の上記活動データと、上記第1予測モデルに基づき、上記被験者が軽度認知障害者に該当するかを時系列の1以上の時点で予測するための予測情報を算出するMCI予測情報算出部と、を有する。
健常者と軽度認知障害者を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第1予測モデルを記憶した予測モデル記憶部と、
前記被験者の前記属性データと、前記被験者のセンサデータと、前記第1予測モデルに基づき、前記被験者が軽度認知障害者に該当するかを時系列の1以上の時点で予測するための予測情報を算出するMCI予測情報算出部と、
前記時系列の1以上の時点で前記被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な前記被験者のセンサデータから変換された前記被験者の活動を表す活動データを判定する目標算出部と、を有する。
健常者と軽度認知障害者を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第1予測モデルを記憶した予測モデル記憶部と、
前記被験者の前記属性データと、前記被験者の前記活動データと、前記第1予測モデルに基づき、前記被験者が軽度認知障害者に該当するかを時系列の1以上の時点で模擬判定するための模擬判定情報を算出するMCI模擬判定情報算出部と、を有する。
なお、上記目的は、本開示に係る技術の各実施態様に含まれるシステムを構成するコンピュータと、当該コンピュータにおいて実行されるコンピュータ・プログラム(ソフトウェア・プログラム)とにより実現されてもよい。
被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力する処理と、
健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを判定するための第1判定モデルと、前記被験者の前記属性データと、前記センサデータと、に基づき、前記被験者が軽度認知障害者に該当するかを判定可能な判定情報を算出する処理と、を実行させる。
被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力する処理と、
健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第1予測モデルと、前記被験者の前記属性データと、前記被験者の前記センサデータと、に基づき、前記被験者が軽度認知障害者に該当するかを時系列の1以上の時点で予測するための予測情報を算出する処理と、を情報処理装置に実行させる。
被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力する処理と、
健常者と軽度認知障害者を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第1予測モデルと、前記被験者の前記属性データと、前記センサデータと、に基づき、前記被験者が軽度認知障害者に該当するかを時系列の1以上の時点で予測するための予測情報を算出する処理と、
前記時系列の1以上の時点で前記被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な前記被験者のセンサデータから変換された前記被験者の活動を表す活動データを判定する処理と、を実行させる。
図1は、本開示の一実施形態に係る軽度認知障害判定システムのブロック図である。図2は、図1に示す軽度認知障害判定システムで実行される軽度認知障害判定方法のフロー図である。
図1に示すように、軽度認知障害判定システム1は、被験者に関するデータを入力するデータ入力部10と、MCI判定部20とを備える。
データ入力部10は、被験者の属性データを入力する属性データ入力部11と、被験者が装着したセンサ装置100から取得されたセンサデータを入力するセンサデータ入力部12とを有する。被験者の属性データは、被験者個人に備わっている性質や特徴を特定するデータである。被験者の属性データは、例えば、被験者の生活環境及び生活習慣に関するデータのうち、センサ装置により測定されないデータ、あるいは、センサ装置による測定が困難なデータであってもよい。被験者の属性データは、例えば、年齢、性別、教育歴、既往歴、喫煙状況、飲酒状況、高血圧、糖尿病、高コレステロールなどの個人に特有のデータを一つ以上含んでよい。データ入力部10には、例えば、被験者に対して予め実施した問診票、アンケート、診断等により取得されたデータが、被験者の属性データとして入力されてもよい。なお、データ入力部10は、上記に限定されず、本システムの利用者、管理者、被験者などが、属性データを入力可能なインタフェースを提供してもよい。センサデータは、センサ装置100が有するセンサ素子を用いて測定された測定データである。センサデータは、特定の期間の間に測定された測定データの平均値としてもよい。
MCI判定部20は、データ入力部10に入力されたデータに基づいて、現在の被験者にMCIの症状が発生しているか、すなわち現在の被験者が軽度認知障害者に該当するかを判定する。MCI判定部20は、活動データ変換部21と、データ統合部22と、データクレンジング部23と、判定モデル記憶部24と、要因情報算出部25と、判定情報算出部26と、出力部27とを有する。
要因情報算出部25は、例えば、MMSE点数推定モデルに、MMSE点数推定用に統合された被験者のデータセットを入力することによって、MMSE点数の推定値を算出してもよい。
要因情報算出部25は、例えば、脳糖代謝率推定モデルに、脳糖代謝率推定用に統合された被験者のデータセットを入力することによって脳糖代謝率の推定値を算出してもよい。
要因情報算出部25は、例えば、海馬体積推定モデルに、海馬体積推定用に統合された被験者のデータセットを入力することによって海馬体積の推定値を算出してもよい。
要因情報算出部25は、例えば、灰白質体積推定モデルに、灰白質体積用に統合された被験者のデータセットを入力することによって灰白質体積の推定値を算出してもよい。
要因情報算出部25は、例えば、アミロイドβ蓄積量推定モデルに、アミロイドβ蓄積量推定用に統合された被験者のデータセットを入力することによって、アミロイドβ蓄積量の推定値を算出してもよい。
上記のモデルを決定するために、まず、第三者のデータを用意する。係る第三者は、健常者、AD型軽度認知障害者、非AD型軽度認知障害者のうちのいずれかを1人以上含む。典型的には、係る第三者には、健常者、AD型軽度認知障害者、非AD型軽度認知障害者がそれぞれ一人以上含まれてもよい。
そして、第三者の属性データと、第三者が装着したセンサ装置から取得されたセンサデータを変換した活動データと、第三者から取得された要因情報(MMSE点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量)を得る。MMSE点数は、例えば、MMSE(精神状態短時間検査)により取得することができる。脳糖代謝率は、FDG-PET検査により、海馬体積及び灰白質体積はMRI検査により、アミロイドβ蓄積量は、アミロイド-PET検査により取得することができる。第三者の属性データは、例えば、第三者に対して予め実施した問診票、アンケート、事前診断等から取得されてもよい。
第三者のデータを、健常者とそれ以外、即ち軽度認知障害者(AD型軽度認知障害者と非ADー型軽度認知障害者を含む)とに分ける。
次に、健常者と軽度認知障害者のそれぞれのカテゴリーを目的変数とし、被験者の属性データ、被験者の要因情報を説明変数として、目的変数及び説明変数を行ベクトルとしたデータセットを作成する。
第三者のデータを、AD型軽度認知障害者と非AD型軽度認知障害者とに分ける。
そして、AD型軽度認知障害者と非AD型軽度認知障害者のそれぞれカテゴリーを目的変数とすること以外は、第1判定モデルの場合と同様にして第2モデルを決定する。
第三者の属性データと活動データを説明変数とした主要因分析を行って、主要な説明変数を選択する。選択する説明変数の数は、典型帝には、10個以上であってもよい。この選択に際にいくつかの変数に対しては規格化してもよい。
次に、第三者の要因情報を目的変数とし、目的変数及び選択した説明変数を行ベクトルとしたデータセットを作成する。ここで、目的とする要因情報として、例えば、MMSE点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量を適宜設定することで、MMSE点数推定モデル、脳糖代謝率推定モデル、海馬体積推定モデル、灰白質体積推定モデル、アミロイドβ蓄積量推定モデルのうち一以上を含む要因情報推定モデルを作成することができる。
軽度認知障害判定システム1が実行可能なMCI判定方法は、図2に示すように、センサデータ取得工程S10と、属性データ入力工程S11、センサデータ入力工程S12と、活動データ変換工程S21と、データ統合工程S22、データクレンジング工程S23、要因情報算出工程S25、判定情報算出工程S26、出力工程S27を有する。なお、これらの工程(ステップ)は、更に詳細な工程に細分化されてもよく、いくつかの工程が統合されてもよい。また、軽度認知障害判定システム1は、これらの工程のうち、結果に影響がない範囲で少なくとも一部の工程を実行する順序を変えてもよく、少なくとも一部の工程を並列に実行してもよい。
属性データ入力工程S11では、被験者の属性データが、属性データ入力部11に入力される。センサデータ入力工程S12では、センサ装置100から取得されたセンサデータが、センサデータ入力部12に入力される。属性データ入力部11に入力された属性データは、データ統合部22と判定情報算出部26に送られる。センサデータ入力部12に入力された属性データは、データ統合部22と判定情報算出部26に送られる。
軽度認知障害判定システム1000は、データ入力部1001と、判定モデル記憶部1002と、MCI判定情報算出部1003と、を有してよい。
図9は、本開示の一実施形態に係る軽度認知障害予測システムのブロック図である。図10は、図9の軽度認知障害予測システムで実行される軽度認知障害予測・予防方法のフロー図である。
図9に示すように、軽度認知障害予測システム2は、データ入力部10と、MCI予測部30と、被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な上記活動データを判定する目標算出部40とを有する。目標算出部40は、具体的には、被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な上記活動データの目標数値を算出してもよい。
データ入力部10は、被験者の属性データを入力する属性データ入力部11と、被験者が装着したセンサ装置100から取得されたセンサデータを入力するセンサデータ入力部12とを有する。データ入力部10及びセンサ装置100は、軽度認知障害判定システム1のデータ入力部10及びセンサ装置100と同じであるので、同一の記号を付して詳細な説明を省略する。
MCI予測部30は、データ入力部10に入力されたデータに基づいて、例えば、将来的に被験者にMCIが発生するか、すなわち時系列の1以上の時点において被験者が軽度認知障害者に該当するかを予測する。時系列の1以上の時点とは、例えば、ある特定の時点(例えば現在)から1年後、2年後、3年後のように、将来の時系列における1以上の時点であってもよい。MCI予測部30は、活動データ変換部31と、データ統合部32と、データクレンジング部33と、予測モデル記憶部34と、予測要因情報算出部35と、予測情報算出部36と、出力部37とを有する。活動データ変換部31、データ統合部32、データクレンジング部33、出力部37は、それぞれ軽度認知障害判定システム1の活動データ変換部21、データ統合部22、データクレンジング部23、出力部27と機能が同一であるため説明を省略する。
上記のモデルを決定するために、まず、第三者のデータを用意する。第三者は、健常者、AD型軽度認知障害者、非AD型軽度認知障害者のうちいずれかを1人以上含む。典型的には、係る第三者には、健常者、AD型軽度認知障害者、非AD型軽度認知障害者がそれぞれ1人以上含まれてもよい。そして、時系列の複数の時点で測定された第三者の属性データと、第三者が装着したセンサ装置から取得されたセンサデータを変換した活動データと、第三者から取得された要因情報(MMSE点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量)を得る。時系列の複数の時点とは、例えば、最初に脳糖代謝率などのデータを取得したときを1年目として、2年目、3年目などの時系列的に間隔を空けた複数の時点である。時系列的な間隔は、典型的には、2ヵ月以上2年以下の範囲内であってもよい。
第三者のデータを、健常者とそれ以外、即ち軽度認知障害者(アルツハイマー型軽度認知障害者と非アルツハイマー型軽度認知障害者を含む)とに分ける。
次に、健常者と軽度認知障害者のそれぞれのカテゴリーを目的変数とし、被験者の属性データ、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量、MMSE点数を説明変数として、目的変数及び説明変数を行ベクトルとしたデータセットに、データを取得したときの時間の単位(例えば、1年目、2年目、3年目など)を縦ベクトルとして追加したデータセットを作成する。
第三者を、AD型軽度認知障害者と非AD型軽度認知障害者とに分ける。
そして、AD型軽度認知障害者と非AD型軽度認知障害者のそれぞれカテゴリーを目的変数とすること以外は、第1予測モデルの場合と同様にして第2モデルを決定する。
第三者の属性データと活動データを説明変数とした主要因分析を行って、主要な説明変数を選択する。選択する説明変数の数は、典型的には、10個以上であってもよい。この選択に際にいくつかの変数に対しては規格化してもよい。
次に、要因情報を目的変数とし、目的変数及び選択した説明変数を行ベクトルとしたデータセットに、データを取得したときの時間の単位(例えば、1年目、2年目、3年目など)を縦ベクトルとして追加したデータセットを作成する。これにより、時系列の一以上の時点における目的変数及び説明変数を含むデータセットが作成される。ここで、目的とする要因情報として、例えば、MMSE点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量を適宜設定することで、予測MMSE点数推定モデル、予測脳糖代謝率推定モデル、予測海馬体積推定モデル、予測灰白質体積推定モデル、予測アミロイドβ蓄積量推定モデルのうち一以上を含む予測要因情報推定モデルを作成することができる。
軽度認知障害予測システム2で実行されるMCI予測方法は、図10に示すように、センサデータ取得工程S10と、属性データ入力工程S11、センサデータ入力工程S12と、活動データ変換工程S31と、データ統合工程S32、データクレンジング工程S33、予測要因情報算出工程S35、予測要因情報算出工程S36、出力工程S37を有する。なお、これらの工程(ステップ)は、更に詳細な工程に細分化されてもよく、いくつかの工程が統合されてもよい。また、軽度認知障害予測システム2は、これらの工程のうち、結果に影響がない範囲で少なくとも一部の工程を実行する順序を変えてもよく、少なくとも一部の工程を並列に実行してもよい。
属性データ入力工程S11では、被験者の属性データが、属性データ入力部11に入力される。センサデータ入力工程S12では、センサ装置100から取得されたセンサデータが、センサデータ入力部12に入力される。属性データ入力部11に入力された属性データは、データ統合部32と予測情報算出部36に送られる。センサデータ入力部12に入力された属性データは、データ統合部32と予測情報算出部36に送られる。
データセットは、データクレンジング部33に送られる。
予測要因情報は、出力部37に送られる。出力工程S37では、予測要因情報もしくは予測要因情報から予測された予測結果(時系列の1以上の時点での被験者が、健常者、AD型軽度認知障害者、非AD型軽度認知障害者のいずれであるか)が、出力部37により出力される。
目標算出部40は、被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な前記活動データを判定する。目標算出部40は、例えば、被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な前記活動データの目標数値を算出してもよい。具体的には、目標算出部40は、活動データ入力部41と、データ統合部42と、データクレンジング部43と、模擬判定要因情報算出部44と、模擬判定情報算出部45、模擬判定情報確認部46、出力部47とを有する。
軽度認知障害予測システム2で実行されるMCI予防方法は、図9に示すように、活動データ入力工程S41と、データ統合工程S42、データクレンジング工程S43、模擬判定要因情報算出工程S45、模擬判定情報確認S46、出力工程S47を有する。なお、これらの工程(ステップ)は、更に詳細な工程に細分化されてもよく、いくつかの工程が統合されてもよい。また、軽度認知障害予測システム2は、これらの工程のうち、結果に影響がない範囲で少なくとも一部の工程を実行する順序を変えてもよく、少なくとも一部の工程を並列に実行してもよい。
軽度認知障害予測システム1100は、データ入力部1101と、予測モデル記憶部1102と、MCI予測情報算出部1103と、を有する。
予測モデル記憶部1102は、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第1予測モデルを記憶する。第1予測モデルは、健常者と軽度認知障害者との少なくとも一方を含む第三者の時系列の属性データと、第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成されたモデルであってよい。第1予測モデルの作成方法としては、上記した方法を適宜採用可能である。
MCI予測情報算出部1103は、被験者の属性データと、被験者の活動データと、第1予測モデルとに基づき、被験者が軽度認知障害者に該当するかを時系列の1以上の時点で予測可能な予測情報を算出する。MCI予測情報算出部1103は、例えば、被験者の属性データと、その被験者に係る時系列の軽度認知障害の予測に影響する予測要因情報と、を第1予測モデルに適用することで、予測情報を算出してもよい。また、MCI予測情報算出部1103は、例えば、上記したように、被験者の属性データと、被験者の活動データとから予測要因情報を推定し、係る推定値と被験者の属性データとを第1予測モデルに適用することで、予測情報を算出してもよい。
軽度認知障害予防システム1200は、データ入力部1201と、予測モデル記憶部1202と、MCI予測情報算出部1203と、目標算出部1204とを有する。この場合、データ入力部1201、予測モデル記憶部1202、MCI予測情報算出部1203は、それぞれ、図11に例示するデータ入力部1101、予測モデル記憶部1102と、MCI予測情報算出部1103と同様に構成されてよい。
以下、本開示に係る技術を実現可能なハードウェア及びソフトウェア構成について説明する。
また、上記のプログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、上記のプログラムは、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイルであってもよい。差分ファイルは、差分プログラムと呼ばれてもよい。
ストレージ1303は、例えば、HDD(Hard Disk Drive)や、半導体記憶装置等により実現される記憶装置であってよい。なお、図23に例示する具体例の場合、ストレージ1303は情報処理装置1300に含まれているが、本実施形態はこれに限定されない。例えば、ストレージ1303は、情報処理装置1300は、例えば、現在では周知のストレージサーバ、クラウドストレージ等として、情報処理装置1300の外部において実現されてもよい。この場合、情報処理装置1300は、例えば、後述する通信インタフェース1304を介して、ストレージ1303に記憶されたデータにアクセスしてもよい。上記各実施形態において説明した各種データ、モデル等は、ストレージ1303に記憶されてもよい。
また、入出力インタフェース1305は、記憶媒体1306との間におけるデータの読み込み及び書き込みを実現するインタフェース機能を備えてもよい。この場合、入出力インタフェース1305は、例えば、記憶媒体1306に対するデータの読み込み及び書き込みを実現可能なドライブ装置に対するインタフェースとして機能してもよい。
記憶媒体1306は、コンピュータ読み込み可能な媒体であり、例えば、現在では一般的に利用可能な光学記憶媒体、半導体記憶媒体、磁気記憶媒体、光磁気記憶媒体などであってもよい。
より具体的には、情報処理装置1300が、係るコンピュータ・プログラムを実行することにより、上記説明した各工程が実行されることで、本開示に係る軽度認知障害予測システムに係る機能の少なくとも一部が実現されてもよい。この場合、本開示にかかる軽度認知障害予測システムは、例えば、汎用コンピュータにおいて実行されるコンピュータ・プログラムにより実現可能である。
本開示に係る軽度認知障害予測システムの少なくとも一部は、例えば、一般的に利用可能な仮想化基盤において実現された仮想システムとして実現されてもよい。
Claims (26)
- 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを判定するための第1判定モデルを記憶した判定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記第1判定モデルに基づき、前記被験者が軽度認知障害者に該当するかを判定可能な判定情報を算出するMCI判定情報算出部と、を有する、軽度認知障害判定システム。 - 前記第1判定モデルが、第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報とを説明変数とし、前記健常者と前記軽度認知障害者のそれぞれのカテゴリーを目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルである、請求項1に記載の軽度認知障害判定システム。
- 前記判定モデル記憶部はさらに、被験者の軽度認知障害の判定に影響する要因情報推定値を算出するための要因情報推定モデルを記憶し、
前記被験者の前記属性データと、前記センサデータと、前記要因情報推定モデルに基づいて、前記被験者の軽度認知障害の判定に影響する要因情報推定値を算出する要因情報算出部を有し、
前記MCI判定情報算出部は、前記被験者の前記属性データと、前記要因情報推定値と、前記第1判定モデルに基づき、前記被験者が軽度認知障害者に該当するかを判定するための判定情報を算出する、請求項1又は2に記載の軽度認知障害判定システム。 - 前記要因情報推定モデルは、前記第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータを説明変数とし、前記第三者から取得された軽度認知障害の判定に影響する要因情報を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルである、請求項3に記載の軽度認知障害判定システム。
- 前記判定モデル記憶部はさらに、軽度認知障害者が、アルツハイマー型軽度認知障害者、及び、非アルツハイマー型軽度認知障害者のいずれかに該当するかを判定するための第2判定モデルを記憶し、
前記被験者の前記属性データと、前記被験者の前記センサデータと、前記第2判定モデルに基づき、前記被験者がアルツハイマー型軽度認知障害者に該当するかを判定可能な判定情報を算出するAD型MCI判定情報算出部を有する、請求項1から請求項4のいずれか一項に記載の軽度認知障害判定システム。 - 前記第2判定モデルが、アルツハイマー型軽度認知障害者と非アルツハイマー型軽度認知障害者健常者とを含む第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報とを説明変数とし、前記アルツハイマー型軽度認知障害者と前記非アルツハイマー型軽度認知障害者のそれぞれのカテゴリーを目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルである、請求項5に記載の軽度認知障害判定システム。
- 前記軽度認知障害の判定に影響する要因情報が、MMSE(Mini Mental State Examination)点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量のうち一つ以上の情報である、請求項1から請求項6のいずれか一項に記載の軽度認知障害判定システム。
- 前記センサデータは、前記センサ装置が有する一つ以上のセンサ素子を用いて測定された、歩行数、会話時間、心拍数、睡眠時間のうち一つ以上の情報に変換可能な一つ以上のデータを含む、請求項1から請求項7のいずれか一項に記載の軽度認知障害判定システム。
- 前記センサデータは、前記センサ装置が有する一つ以上のセンサ素子を用いて特定の期間の間に測定された測定データの平均値である、請求項1から請求項8のいずれか一項に記載の軽度認知障害判定システム。
- 前記属性データは、年齢、性別、教育歴、既往歴、喫煙状況、飲酒状況、高血圧、糖尿病、高コレステロールのうち少なくとも一つ以上の情報を含む個人に特有のデータである、請求項1から請求項9のいずれか一項に記載の軽度認知障害判定システム。
- 請求項1から請求項10のいずれか一項に記載の軽度認知障害判定システムに対して、センサデータを提供可能なセンサ装置であって、
被験者の体の一部に装着可能な装着部と、
一つ以上のセンサ素子と、
前記センサ素子により測定したセンサデータを記憶可能なセンサデータ記憶部と、
前記センサデータを前記軽度認知障害判定システムに対して提供可能なデータ提供部と、を備えるセンサ装置。 - 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得された脳糖代謝率を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られた脳糖代謝率推定モデルを記憶した脳糖代謝率推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記脳糖代謝率推定モデルに基づき、前記被験者の脳糖代謝率を推算する脳糖代謝率推算部と、を有する、脳糖代謝率推定システム。 - 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得された海馬体積を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られた海馬体積推定モデルを記憶した海馬体積推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記海馬体積推定モデルに基づき、前記被験者の海馬体積を推算する海馬体積推算部と、を有する、海馬体積推定システム。 - 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得された灰白質体積を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られた灰白質体積推定モデルを記憶した灰白質体積推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記灰白質体積推定モデルに基づき、前記被験者の灰白質体積を推算する灰白質体積推算部と、を有する、灰白質体積推定システム。 - 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得されたアミロイドβ蓄積量を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られたアミロイドβ蓄積量推定モデルを記憶したアミロイドβ蓄積量推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記アミロイドβ蓄積量推定モデルに基づき、前記被験者のアミロイドβ蓄積量を推算するアミロイドβ蓄積量推算部と、を有する、アミロイドβ蓄積量推定システム。 - 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得されたMMSE(Mini Mental State Examination)点数を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られたMMSE点数推定モデルを記憶したMMSE点数推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記MMSE点数推定モデルに基づき、前記被験者のMMSE点数を推算するMMSE点数推算部と、を有する、MMSE点数推定システム。 - 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第1予測モデルを記憶した予測モデル記憶部と、
前記被験者の前記属性データと、前記被験者の前記センサデータと、前記第1予測モデルに基づき、前記被験者が軽度認知障害者に該当するかを時系列の1以上の時点で予測するための予測情報を算出するMCI予測情報算出部と、を有する、軽度認知障害予測システム。 - 前記第1予測モデルが、第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報とを説明変数とし、前記健常者と前記軽度認知障害者のそれぞれのカテゴリーを目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルである、請求項17に記載の軽度認知障害予測システム。
- 前記予測モデル記憶部はさらに、被験者の時系列の軽度認知障害の予測に影響する予測要因情報推定値を算出するための予測要因情報推定モデルを記憶し、
前記被験者の前記属性データと、前記センサデータと、前記予測要因情報推定モデルに基づいて、前記被験者の軽度認知障害の予測に影響する予測要因情報推定値を算出する予測要因情報算出部を有し、
前記MCI予測情報算出部は、前記予測要因情報推定値と、前記第1予測モデルに基づき、前記被験者が軽度認知障害者に該当するかを予測可能な予測要因情報を算出する、請求項17又は18に記載の軽度認知障害予測システム。 - 前記予測要因情報推定モデルは、前記第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルである、請求項19に記載の軽度認知障害予測システム。
- 前記軽度認知障害の予測に影響する予測要因情報が、MMSE(Mini Mental State Examination)点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量のうち一つ以上の情報である、請求項17から請求項20のいずれか一項に記載の軽度認知障害予測システム。
- 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
健常者と軽度認知障害者を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第1予測モデルを記憶した予測モデル記憶部と、
前記被験者の前記属性データと、前記被験者のセンサデータと、前記第1予測モデルに基づき、前記被験者が軽度認知障害者に該当するかを時系列の1以上の時点で予測するための予測情報を算出するMCI予測情報算出部と、
前記時系列の1以上の時点で前記被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な前記被験者のセンサデータから変換された前記被験者の活動を表す活動データを判定する目標算出部と、を有する、軽度認知障害予防システム。 - 被験者の属性データと、被験者の活動を表す活動データを入力するデータ入力部と、
健常者と軽度認知障害者を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第1予測モデルを記憶した予測モデル記憶部と、
前記被験者の前記属性データと、前記被験者の前記活動データと、前記第1予測モデルに基づき、前記被験者が軽度認知障害者に該当するかを時系列の1以上の時点で模擬判定するための模擬判定情報を算出するMCI模擬判定情報算出部と、を有する、軽度認知障害シミュレーションシステム。 - 情報処理装置に、
被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力する処理と、
健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを判定するための第1判定モデルと、前記被験者の前記属性データと、前記センサデータと、に基づき、前記被験者が軽度認知障害者に該当するかを判定可能な判定情報を算出する処理と、を実行させる、コンピュータ・プログラム。 - 情報処理装置に、
被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力する処理と、
健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第1予測モデルと、前記被験者の前記属性データと、前記被験者の前記センサデータと、に基づき、前記被験者が軽度認知障害者に該当するかを時系列の1以上の時点で予測するための予測情報を算出する処理と、を情報処理装置に実行させる、コンピュータ・プログラム。 - 情報処理装置に、
被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力する処理と、
健常者と軽度認知障害者を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第1予測モデルと、前記被験者の前記属性データと、前記センサデータと、に基づき、前記被験者が軽度認知障害者に該当するかを時系列の1以上の時点で予測するための予測情報を算出する処理と、
前記時系列の1以上の時点で前記被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な前記被験者のセンサデータから変換された前記被験者の活動を表す活動データを判定する処理と、を実行させる、コンピュータ・プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023093214A JP2023116604A (ja) | 2019-08-26 | 2023-06-06 | 軽度認知障害判定システム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019154184A JP7293050B2 (ja) | 2019-08-26 | 2019-08-26 | 軽度認知障害判定システム |
JP2023093214A JP2023116604A (ja) | 2019-08-26 | 2023-06-06 | 軽度認知障害判定システム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019154184A Division JP7293050B2 (ja) | 2019-08-26 | 2019-08-26 | 軽度認知障害判定システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023116604A true JP2023116604A (ja) | 2023-08-22 |
Family
ID=74674407
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019154184A Active JP7293050B2 (ja) | 2019-08-26 | 2019-08-26 | 軽度認知障害判定システム |
JP2023093214A Pending JP2023116604A (ja) | 2019-08-26 | 2023-06-06 | 軽度認知障害判定システム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019154184A Active JP7293050B2 (ja) | 2019-08-26 | 2019-08-26 | 軽度認知障害判定システム |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP7293050B2 (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023053387A (ja) * | 2022-02-04 | 2023-04-12 | 株式会社三洋物産 | 遊技機 |
JP2023053388A (ja) * | 2018-03-08 | 2023-04-12 | 株式会社三洋物産 | 遊技機 |
JP2023054222A (ja) * | 2019-03-28 | 2023-04-13 | 株式会社三洋物産 | 遊技機 |
JP2023054226A (ja) * | 2017-12-29 | 2023-04-13 | 株式会社三洋物産 | 遊技機 |
JP2023054227A (ja) * | 2018-02-15 | 2023-04-13 | 株式会社三洋物産 | 遊技機 |
JP2023054223A (ja) * | 2019-03-28 | 2023-04-13 | 株式会社三洋物産 | 遊技機 |
JP2023105101A (ja) * | 2018-12-26 | 2023-07-28 | 株式会社三洋物産 | 遊技機 |
JP2023105105A (ja) * | 2020-05-29 | 2023-07-28 | 株式会社三洋物産 | 遊技機 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102438195B1 (ko) * | 2021-11-18 | 2022-08-31 | 주식회사 뉴로젠 | 인지 장애에 대한 정보를 획득하는 방법 및 이를 수행하는 인지 장애 정보 획득 장치 |
CN116662835A (zh) * | 2022-02-18 | 2023-08-29 | 医疗研究开发有限公司 | 分层方法以及分层装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6958807B2 (ja) | 2017-08-16 | 2021-11-02 | 株式会社Splink | サーバシステム、サーバシステムによって実行される方法及びプログラム |
JP6263308B1 (ja) | 2017-11-09 | 2018-01-17 | パナソニックヘルスケアホールディングス株式会社 | 認知症診断装置、認知症診断方法、及び認知症診断プログラム |
-
2019
- 2019-08-26 JP JP2019154184A patent/JP7293050B2/ja active Active
-
2023
- 2023-06-06 JP JP2023093214A patent/JP2023116604A/ja active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023054226A (ja) * | 2017-12-29 | 2023-04-13 | 株式会社三洋物産 | 遊技機 |
JP2023054227A (ja) * | 2018-02-15 | 2023-04-13 | 株式会社三洋物産 | 遊技機 |
JP2023053388A (ja) * | 2018-03-08 | 2023-04-12 | 株式会社三洋物産 | 遊技機 |
JP2023105101A (ja) * | 2018-12-26 | 2023-07-28 | 株式会社三洋物産 | 遊技機 |
JP2023054222A (ja) * | 2019-03-28 | 2023-04-13 | 株式会社三洋物産 | 遊技機 |
JP2023054223A (ja) * | 2019-03-28 | 2023-04-13 | 株式会社三洋物産 | 遊技機 |
JP2023105105A (ja) * | 2020-05-29 | 2023-07-28 | 株式会社三洋物産 | 遊技機 |
JP2023053387A (ja) * | 2022-02-04 | 2023-04-12 | 株式会社三洋物産 | 遊技機 |
Also Published As
Publication number | Publication date |
---|---|
JP7293050B2 (ja) | 2023-06-19 |
JP2021029692A (ja) | 2021-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7293050B2 (ja) | 軽度認知障害判定システム | |
JP7367099B2 (ja) | せん妄患者の脳症の存在をスクリーニングするためのシステム | |
US20150148621A1 (en) | Methods and systems for creating a preventative care plan in mental illness treatment | |
Lin et al. | Advanced artificial intelligence in heart rate and blood pressure monitoring for stress management | |
KR102197112B1 (ko) | 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법 | |
KR102208759B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 | |
JP2018524137A (ja) | 心理状態を評価するための方法およびシステム | |
JP2018524750A (ja) | ストレス状態をモニターするための方法およびシステム | |
JP2023509224A (ja) | 機械学習に基づいて心理指標データ及び身体指標データを学習することにより、精神健康を予測し、精神健康ソリューションを提供する方法及びそれを用いた精神健康評価装置 | |
WO2020027213A1 (ja) | 認知症リスクの提示システムおよび方法 | |
Prabhakar et al. | Combining quick sequential organ failure assessment score with heart rate variability may improve predictive ability for mortality in septic patients at the emergency department | |
US20210257067A1 (en) | State transition prediction device, and device, method, and program for learning predictive model | |
US20210241909A1 (en) | Method and a system for evaluating treatment strategies on a virtual model of a patient | |
Lam et al. | The Use of Smartphone keystroke dynamics to passively monitor upper limb and cognitive function in multiple sclerosis: Longitudinal analysis | |
JP2023089729A (ja) | 計算機システム及び情動推定方法 | |
Bothe et al. | The B-Score is a novel metric for measuring the true performance of blood pressure estimation models | |
Raghu et al. | ECG-guided non-invasive estimation of pulmonary congestion in patients with heart failure | |
Hwang et al. | Implementation of interactive healthcare advisor model using chatbot and visualization | |
Utianski et al. | A longitudinal evaluation of speech rate in primary progressive apraxia of speech | |
Codina-Filbà et al. | Mobile eHealth platform for home monitoring of bipolar disorder | |
Curtiss et al. | Temporal and contemporaneous network structures of affect and physical activity in emotional disorders | |
KR102208760B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 영상 데이터 생성방법 | |
WO2022212324A1 (en) | Improved health management through causal relationship based feedback on behavior and health metrics captured by iot | |
JP7322818B2 (ja) | 推定システム及びシミュレーションシステム | |
Rey | Wearable data revolution: Digital biomarkers are transforming research, promising a revolution in healthcare |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230705 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230705 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231222 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240116 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240222 |