JP2023553504A - 個体慢性疾患進行リスク可視化評価方法及びシステム - Google Patents

個体慢性疾患進行リスク可視化評価方法及びシステム Download PDF

Info

Publication number
JP2023553504A
JP2023553504A JP2023538042A JP2023538042A JP2023553504A JP 2023553504 A JP2023553504 A JP 2023553504A JP 2023538042 A JP2023538042 A JP 2023538042A JP 2023538042 A JP2023538042 A JP 2023538042A JP 2023553504 A JP2023553504 A JP 2023553504A
Authority
JP
Japan
Prior art keywords
risk
chronic disease
individual
patient
disease progression
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.)
Granted
Application number
JP2023538042A
Other languages
English (en)
Other versions
JP7430295B2 (ja
Inventor
▲勁▼松 李
一帆 ▲蒋▼
天舒 周
雨 田
▲瑩▼ ▲張▼
Original Assignee
之江実験室
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 之江実験室 filed Critical 之江実験室
Publication of JP2023553504A publication Critical patent/JP2023553504A/ja
Application granted granted Critical
Publication of JP7430295B2 publication Critical patent/JP7430295B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/30—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

【課題】本発明は、個体慢性疾患進行リスク可視化評価方法及びシステムを提供する。【解決手段】本発明は、研究文献からリスク関係知識を取得し、同一研究目的の異なる研究結果をマージすることにより、様々な複雑な関係を含む慢性疾患リスクエビデンスベースド語義知識ライブラリを系統的に構築し、慢性疾患リスクエビデンスベースド語義知識ライブラリを基に、患者個体データ及び集団暴露率データも考慮し、患者個体慢性疾患進行リスクを算出し、患者個体慢性疾患進行リスク経路図を描画し、患者個体差異を考慮して個性化評価結果を与えつつ、評価結果がエビデンスベースドサポートを有することも確保する。本発明は、可視化且つインタラクティブな患者個体慢性疾患進行リスク分析方法を提供し、情報表現をより明確、直感的且つ活発にし、患者に自身の慢性疾患の進行リスク、介入治療措置の予期効果を十分に理解させ、臨床意思決定に十分に関与させ、医者患者の共同意思決定を実現し、患者のコンプライアンス及び治療効果を向上させる。【選択図】図１

Description

本発明は、医療情報技術分野に属し、特に個体慢性疾患進行リスク可視化評価方法及びシステムに関する。
慢性疾患は、慢性の非伝染性疾患の略称であり、発症に隠匿性があり、疾患過程が長く且つ病状が治癒しなく、確実な病因証拠に乏しい疾患の総称であり、主に糖尿病、高血圧、心血管疾患及び慢性腎症などを含む。慢性疾患の大きな特徴は、合併症、併発症が多く、且つ発症率が高く、少なくとも半分以上の慢性疾患の患者が合併症又は合併発症症を有することである。複雑な併発症は、患者の生活品質に影響し、患者の医療コストを増加させ、酷い場合に死亡率を直接増大させる。多くの併発症は、ライフスタイルの変更や、投薬などの介入治療方法により予防することができるが、患者に対して有効な健康教育を施行して患者に有効な自己管理を行わせる必要がある。
慢性疾患の患者が病院で診療を受けたとき、医者は、患者の問診状況及び臨床データに基づいて患者を診断し、患者の慢性疾患が進行し得る併発症、合併症のリスクを評価し、介入治療案を与える。介入治療案は、薬治療、ライフスタイル介入、患者の自己管理措置等を含む。患者の慢性疾患リスク評価について、医者は、常に臨床ガイド又は従来の臨床意思決定支援システムを使用する。患者に対する介入治療案は、主に口頭又はオーダテキストにより伝達される。存在する不足は、以下の通りである。
１.従来の臨床ガイド又は臨床意思決定支援システムは、一般的に各研究文献の追跡証拠に由来する。研究文献は、一般的に単一の疾患に対して関連危険因子又は介入治療の研究を行い且つ追跡証拠を形成する。例えば、喫煙という危険因子が高血圧を発症するリスクを増加させる影響を研究し、又は、走行という介入治療措置が高血圧リスクを低減する影響を研究する。従来の臨床ガイド又は臨床意思決定支援システムは、ある疾患に対してスクリーニングし、関連する研究文献結論を集め、テキスト形式で表示する。しかし、慢性疾患の患者に個人差が存在し、且つ様々慢性疾患及びその併発症、合併症は、種類が多く、関係が複雑である。従来の方法では、主に単一の疾患についてそれぞれリスク評価を行ったが、慢性疾患及びその様々な併発症、合併症の複雑な進行関係について系統的且つ全面的に評価していない。
２.従来では、幾つかの機械学習、データマイニングアルゴリズムを採用して患者の個体データを分析し且つ慢性疾患及びその併発症、合併症のリスクを予測する方法が存在するが、これらの方法も、数十種類の疾患の複雑な関係を正確に考慮することが困難であり、且つエビデンスベースド追跡サポートに乏しく、臨床の実際のシーンへの本格応用も困難である。
３.慢性疾患の特殊性は、多くの介入治療措置が院外、日常生活において行われる必要があり、例えば、ライフスタイル介入、運動介入、飲食介入等があり、これは、患者が自己管理の意思及び能力を備える必要がある。医者は、評価結果及び介入治療措置を口頭又はオーダテキストにより患者に伝達し、明確性が足りず、直感ではないため、患者に自身の慢性疾患の進行リスクを全面的且つ深く理解させることができず、医者から与えられた介入治療措置に対する予期効果を把握できず、それによりコンプライアンスが低下し、治療効果が良くない。
本発明の目的は、従来技術の不足について、患者に対する個別化された慢性疾患進化リスク評価を医者及び患者へ表示して医者と患者との共同意思決定を助ける個体慢性疾患進行リスク可視化評価方法及びシステムを提供する。
本発明の目的は、以下の解決手段によって実現される。
本発明の一態様は、個体慢性疾患進行リスク可視化評価方法を提供する。当該方法は、
慢性疾患リスクエビデンスベースド語義知識ライブラリを構築するステップ(１)と、
慢性疾患リスクエビデンスベースド語義知識ライブラリにおける全てのエンティティについて、エンティティに対応する集団暴露率を関連付け、集団暴露率データベースを構築するステップ(２)と、
患者個体データ標準モデルを構築し、複数のデータソースから患者個体健康データを取得し、取得された患者個体健康データに対してマッチングを実行して抽出、変換を行って前記患者個体データ標準モデルにロードするステップ(３)と、
患者個体慢性疾患進行リスク経路図を算出して描画するステップ(４)と、
患者個体慢性疾患進行リスクに対してインタラクティブ分析を行うステップ(５)とを含み、
前記ステップ(１)は、慢性疾患及びその併発症、合併症の疾患エンティティと、疾患に関する危険因子エンティティとを構築し、疾患エンティティごとに、関連研究文献を検索し、リスク関係語義知識を抽出し、同一研究目的の異なる研究文献の相対リスク比をマージし、マージ後の相対リスク比でエンティティ間の関係を表し、慢性疾患リスクエビデンスベースド語義知識ライブラリを構築することを含み、
前記ステップ(４)は、前記慢性疾患リスクエビデンスベースド語義知識ライブラリ、前記集団暴露率データベース及び前記患者個体データ標準モデルに基づいて、個体慢性疾患進行リスクを表す重み付き有向グラフであって、頂点が患者に発生した危険因子及び発生し得る疾患を示し、且つ前記慢性疾患リスクエビデンスベースド語義知識ライブラリにおけるエンティティに対応し、辺重みが２つのエンティティの間の相対リスク比を示し、辺方向がエンティティ同士が影響する方向を示す重み付き有向グラフを構築することと、各頂点の合計相対リスク比をリスク行列に格納することと、患者個体の重み付き有向グラフ及びリスク行列に基づいて患者個体慢性疾患進行リスク経路図を描画することと、を含み、
前記ステップ(５)は、患者個体データが変化した場合に、患者個体データ標準モデルを更新し、新たな患者個体慢性疾患進行リスク経路図を描画し、進行リスク経路における疾患リスク変化を可視化表示することを含む。
更に、ステップ(１)では、慢性疾患及びその併発症、合併症の関連研究文献を知識ライブラリの知識源とし、医療健康標準用語集をデータ語義識別子とし、慢性疾患及びその併発症、合併症のリスク関係語義知識を構築する。
更に、ステップ(１)において、前記慢性疾患リスクエビデンスベースド語義知識ライブラリのデータ構造は、ＯＷＬ言語フォーマット仕様に合致するＲＤＦトライグラムとして設計され、各トライグラムは、由来を表すエンティティＡと結果を表すエンティティＢとの２つのエンティティ、及び、エンティティ間の関係Ｃを含み、エンティティタイプは、人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患及び症状を含み、前記エンティティＢのタイプは、疾患であり、前記エンティティＡは、前記エンティティＢの危険因子であり、前記エンティティ間の関係Ｃは、リスクの増大とリスクの低減とを含み、相対リスク比で表される。
更に、ステップ(１)において、前記同一研究目的の異なる研究文献の相対リスク比をマージすることは、ステップ(１．１)と、ステップ(１．２)とを含み、
前記ステップ(１．１)では、Ｑ検定法を用いて異なる研究文献の異質性を識別し、自由度がＫ－１（ただし、Ｋは研究文献の総数）であるカイ二乗分布に従う検定量
Figure 2023553504000002
を取得し、カイ二乗検定によってカイ二乗値
Figure 2023553504000003
を取得し、
Figure 2023553504000004
且つ
Figure 2023553504000005
が信頼度である場合に、各研究文献の間に異質性が存在すると示し、そうでない場合に、各研究文献の間に異質性がないと示し、
前記ステップ(１．２)では、各研究文献の間に異質性がない場合に、固定効果モデルＭａｎｔｅｌ－Ｈａｓｅｎｚｅｌ法を用いてマージ後の相対リスク比を算出し、そうでない場合に、ランダム効果モデルＤ－Ｌ法を用いてマージ後の相対リスク比を算出する。
更に、前記検定量
Figure 2023553504000006
は、
Figure 2023553504000007
 にて求められ、
Figure 2023553504000008
は、第ｉ個の研究文献の重みであり、
Figure 2023553504000009
は、第ｉ個の研究文献に含まれるサンプルの相対リスク比の分散であり、
Figure 2023553504000010
 を満たし、
Figure 2023553504000011
は、第ｉ個の研究文献の相対リスク比であり、
Figure 2023553504000012
は、各研究文献の相対リスク比の平均値であり、
各研究文献の間に異質性がない場合に、固定効果モデルＭａｎｔｅｌ－Ｈａｓｅｎｚｅｌ法を用いてマージ後の相対リスク比
Figure 2023553504000013
を
Figure 2023553504000014
 により求め、
Figure 2023553504000015
は、指数関数であり、
Figure 2023553504000016
は、対数関数であり、
各研究文献の間に異質性が存在する場合に、ランダム効果モデルＤ－Ｌ法を用いて重み
Figure 2023553504000017
を
Figure 2023553504000018
 により補正し、
Figure 2023553504000019
 を満たし、
Figure 2023553504000020
は、第ｉ個の研究文献が補正された後の重み値である。
更に、ステップ(３)において、前記患者個体データ標準モデルは、個人基本情報、及び人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患、症状を含む。
更に、ステップ(３)において、前記患者個体健康データは、医療機構の臨床電子カルテ、個人健康プロファイル、スマートハードウェア、ウェアラブル機器から収集された健康データ、健康アンケートデータ、慢性疾患管理機構、養老機構の管理データに由来する。
更に、ステップ(４)において、患者個体に発生した全ての危険因子に基づいて、各発生し得る疾患の合計相対リスク比を推定し、推定された各頂点の合計相対リスク比をリスク行列に格納し、推定方法は、
ｌｏｇｉｓｔｉｃ回帰モデルで合計相対リスク比を推定する方法(４．１)と、Ｒｏｔｈｍａｎ－Ｋｅｌｌｅｒモデルで合計相対リスク比を推定する方法(４．２)と、ハイブリッドモデルで合計相対リスク比を推定する方法(４．３)と、を含み、
前記方法(４．１)では、重み付き有向グラフに頂点ｉを終点とする辺がｎ本あり、辺の重みをそれぞれ
Figure 2023553504000021
とすると、頂点ｉの合計相対リスク比
Figure 2023553504000022
は、
Figure 2023553504000023
 にて求められ、ａは、頂点ｉに対応する疾患の集団発症率で推定され、
Figure 2023553504000024
 にて求められ、
Figure 2023553504000025
は、第ｊ本の辺の回帰係数であり、
Figure 2023553504000026
 にて求められ、Ｐは、対応する疾患の集団発症率であり、前記集団暴露率データベースに由来し、
前記方法(４．２)では、重み付き有向グラフに頂点ｉを終点とする辺がｎ本あり、辺の重みをそれぞれ
Figure 2023553504000027
とすると、
基準発症割合
Figure 2023553504000028
を
Figure 2023553504000029
 により求め、
Figure 2023553504000030
は、第ｊ本の辺に対応する危険因子の集団暴露率であり、前記集団暴露率データベースに由来し、
各危険因子の危険スコア
Figure 2023553504000031
を
Figure 2023553504000032
 により求め、
セットＥ及びセットＦを設定し、各危険因子の危険スコア
Figure 2023553504000033
について、
Figure 2023553504000034
≧１の場合に、
Figure 2023553504000035
をセットＥに入れ、
Figure 2023553504000036
＜１の場合に、
Figure 2023553504000037
をセットＦに入れ、
頂点ｉの合計相対リスク比
Figure 2023553504000038
は、
Figure 2023553504000039
 にて求められ、
ｍは、セットＥの要素数であり、
Figure 2023553504000040
は、セットＥの第ｉ個の要素値であり、ｋは、セットＦの要素数であり、
Figure 2023553504000041
は、セットＥの第ｊ個の要素値であり、
前記方法(４．３)では、ｌｏｇｉｓｔｉｃ回帰モデルとＲｏｔｈｍａｎ－Ｋｅｌｌｅｒモデルとの推定結果を加重平均した値を最終の合計相対リスク比とする。
更に、ステップ(４)において、前記患者個体慢性疾患進行リスク経路図を算出して描画することは、キャンバスの位置及びサイズを定義し、座標軸の縮尺を特定し、図表タイプを選択し、ノード形状及びノード色を定義することと、人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患及び症状を含むノードタイプを異なるノード形状で区分することと、異なる疾患タイプを異なるノード色で区分することと、疾患のノードサイズを、線形関係を呈するように、リスク行列に格納された頂点の合計相対リスク比で算出することと、ノード間のリンクの太さを、線形関係を呈するように、重み付き有向グラフにおける辺の重みで算出し、リスクの増大とリスクの低減とを異なるリンク色で区分することと、入次数が０であるノードを一方側に位置合わせし、下位階層のノードを順に配列し、慢性疾患進行リスク経路階層を形成することと、を含む。
本発明の別の態様は、個体慢性疾患進行リスク可視化評価システムを提供する。当該システムは、
（１）患者個体データ取得及び変換モジュールと、（２）患者個体慢性疾患進行リスク可視化評価モジュールと、（３）患者個体慢性疾患進行リスクインタラクティブ分析モジュールとを備え、
前記患者個体データ取得及び変換モジュールは、患者の身分識別子に基づいて、複数のデータソースから患者個体健康データを取得し、取得された患者個体健康データに対してマッチングを実行して抽出、変換を行って患者個体データ標準モデルにロードし、
前記患者個体慢性疾患進行リスク可視化評価モジュールは、慢性疾患リスクエビデンスベースド語義知識ライブラリ構築手段と、集団暴露率データベース構築手段と、患者個体慢性疾患進行リスク経路図算出及び描画手段とを備え、
前記慢性疾患リスクエビデンスベースド語義知識ライブラリ構築手段は、慢性疾患及びその併発症、合併症の疾患エンティティと、疾患に関する危険因子エンティティとを構築し、疾患エンティティごとに、関連研究文献を検索し、リスク関係語義知識を抽出し、同一研究目的の異なる研究文献の相対リスク比をマージし、マージ後の相対リスク比でエンティティ間の関係を表し、慢性疾患リスクエビデンスベースド語義知識ライブラリを構築し、
前記集団暴露率データベース構築手段は、慢性疾患リスクエビデンスベースド語義知識ライブラリにおける全てのエンティティについて、エンティティに対応する集団暴露率を関連付け、集団暴露率データベースを構築し、
前記患者個体慢性疾患進行リスク経路図算出及び描画手段は、慢性疾患リスクエビデンスベースド語義知識ライブラリ、集団暴露率データベース及び患者個体データ標準モデルに基づいて、個体慢性疾患進行リスクを表す重み付き有向グラフであって、頂点が患者に発生した危険因子及び発生し得る疾患を示し、且つ慢性疾患リスクエビデンスベースド語義知識ライブラリにおけるエンティティに対応し、辺重みが２つのエンティティの間の相対リスク比を示し、辺方向がエンティティ同士が影響する方向を示す重み付き有向グラフを構築し、患者個体に発生した全ての危険因子に基づいて、各発生し得る疾患の合計相対リスク比を推定し、推定された各頂点の合計相対リスク比をリスク行列に格納し、患者個体の重み付き有向グラフ及びリスク行列に基づいて患者個体慢性疾患進行リスク経路図を描画し、
前記患者個体慢性疾患進行リスクインタラクティブ分析モジュールは、患者個体データが変化した場合に、患者個体データ標準モデルを更新し、新たな患者個体慢性疾患進行リスク経路図を描画し、進行リスク経路における疾患リスク変化を可視化表示し、動的且つインタラクティブな患者個体慢性疾患進行リスク分析を医者及び患者へ提供する。
本発明は、以下の有利な作用効果を有する。
１．従来の臨床ガイド又は臨床意思決定支援システムが複数種の慢性疾患及びその併発症、合併症システムに関して複雑関係を全面的に評価していない問題について、本発明では、大量の研究文献からリスク関係知識を取得し、同一研究目的の異なる研究結果をマージすることにより、様々な複雑関係を含む慢性疾患リスクエビデンスベースド語義知識ライブラリを系統的に構築する。
２．従来の患者個体慢性疾患リスク予測方法に存在する、数十種類の疾患複雑関係をカバーできず、臨床実際応用にエビデンスベースドサポートが欠いている問題について、本発明では、慢性疾患リスクエビデンスベースド語義知識ライブラリに基づいて、患者個体データ及び集団暴露率データも考慮し、患者個体慢性疾患進行リスクを算出し、患者個体慢性疾患進行リスク経路図を描画し、患者個体差異を考慮して個性化評価結果を与えつつ、評価結果がエビデンスベースドサポートを有することも確保する。
３．従来の医患診療中の意思決定及びコミュニケーションに存在する、患者の理解が不完全且つ深くなく、コンプライアンスが低いという問題について、本発明では、患者個体慢性疾患進行リスク経路図描画方法に基づいて、可視化且つインタラクティブな患者個体慢性疾患進行リスク分析方法を提供し、情報表現をより明確、直感的且つ活発にし、患者に自身の慢性疾患の進行リスク、介入治療措置の予期効果を十分に理解させ、臨床意思決定に十分に関与させ、医者患者の共同意思決定を実現し、患者コンプライアンス及び治療効果の向上に寄与する。
本発明の実施例に関わる個体慢性疾患進行リスク可視化評価方法のフローチャートである。 本発明の実施例に関わる慢性疾患リスクエビデンスベースド語義知識ライブラリ構築のフローチャートである。 本発明の実施例に関わる患者個体慢性疾患進行リスク経路図の例示である。 本発明の実施例に関わる個体慢性疾患進行リスク可視化評価システムの構成図である。
本発明の上記目的、特徴及びメリットがより明白且つ分かりやすくなるように、以下では、図面を参照しながら本発明の具体的な実施形態について詳細に説明する。
本発明が十分に理解されるように以下の説明において詳細が多く記述されているが、本発明は、更に、ここで記述された形態と異なる形態で実施され得る。当業者は、本発明の要旨に反しない場合に、類似する拡張を行うことができる。したがって、本発明は、以下に開示された具体的な実施例に限定されない。
本発明の実施例は、個体慢性疾患進行リスク可視化評価方法を提供し、図１に示すように、以下のステップを含む。
（１）慢性疾患リスクエビデンスベースド語義知識ライブラリを構築する。
医学根拠に基づく疾患リスク関係が慢性疾患進行リスクを評価する基礎であるため、先に慢性疾患リスクエビデンスベースド語義知識ライブラリを構築する必要がある。慢性疾患及びその併発症、合併症に関する研究文献を知識ライブラリの知識源とし、医療健康標準用語集をデータ語義識別子とし、慢性疾患及びその併発症、合併症のリスク関係語義知識を構築する。
医療健康標準用語集は、ＳＮＯＭＥＤ ＣＴ、ＩＣＤ－１０、ＵＭＬＳ等を用いて構築されてもよい。
慢性疾患リスクエビデンスベースド語義知識ライブラリのデータ構造は、ＯＷＬ（Ｗｅｂ Ｏｎｔｏｌｏｇｙ Ｌａｎｇｕａｇｅ）言語フォーマット仕様に合致するＲＤＦ（Ｒｅｓｏｕｒｃｅ Ｄｅｓｃｒｉｐｔｉｏｎ Ｆｒａｍｅｗｏｒｋ）トライグラムとして設計される。このように、慢性疾患リスク知識は、コンピュータ推論に適する語義構造になる。各トライグラムは、２つのエンティティ、即ち、由来を表すエンティティＡと結果を表すエンティティＢと、及び２つのエンティティ間の関係Ｃを含む。エンティティタイプは、人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患及び症状等を含む。非薬物介入治療手段は、行為、運動、飲食等を含む。
本発明で構築される慢性疾患リスクエビデンスベースド語義知識ライブラリは、主に疾患リスク関係を表すために用いられる。トライグラムにおけるエンティティＢのタイプは、疾患であり、医療健康標準用語集を唯一の語義識別子として採用する。エンティティＡは、エンティティＢの危険因子であり、エンティティＡは、上記全てのエンティティタイプを含む。つまり、疾患の危険因子は、人口統計学情報、検査検定、薬物、非薬物介入治療手段、症状等のエンティティタイプも、他の疾患も含む。エンティティ間の関係Ｃは、主にリスクの増大とリスクの低減とを含み、相対リスク比（ｒｉｓｋ ｒａｔｉｏ、ＲＲ）で表される。相対リスク比とは、暴露群の発症率と対照群の発症率との比である。ＲＲ＝１である場合に、エンティティＡがエンティティＢに関連しないと意味され、ＲＲ＞１ある場合に、エンティティＡとエンティティＢとの間の関係がリスクの増大であると意味され、ＲＲ＜１である場合に、エンティティＡとエンティティＢとの間の関係がリスクの低下であると意味される。
図２に示すように、臨床ガイド及び専門家意見に基づいて知識ライブラリのエンティティを構築する。当該エンティティは、慢性疾患及びその併発症、合併症の疾患エンティティ、及び、これらの疾患に関する人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患、症状のような危険因子エンティティを含む。疾患エンティティごとに、公開発表された関連研究文献を検索し（キーワード検索を利用可能）、慢性疾患臨床文献ライブラリを構築する。自然言語処理技術を使用して研究文献におけるリスク関係語義知識を取得し、且つ研究文献から抽出された各危険因子を構築された危険因子エンティティに語義マッピングすることにより、各疾患のリスク関係のトライグラムを構築する。慢性疾患リスクエビデンスベースド語義知識ライブラリは、ｎｅｏ４ｊを用いて格納される。
異なる研究文献において、２つの同様のエンティティの間の相対リスク比が異なる可能性があるため、各研究文献のリスク関係語義知識を抽出した後、Ｍｅｔａ分析の思想を参考にし、同一研究目的の異なる研究結果を分析して統合することにより、最終的な最も信頼できる相対リスク比を取得する。
１、まず、Ｑ検定法を用いて異なる研究文献の異質性を識別し、検定量
Figure 2023553504000042
を取得し、計算式は、下記のようになる。
Figure 2023553504000043
 ただし、Ｋは、研究文献の総数であり、
Figure 2023553504000044
は、第ｉ個の研究文献の重みであり、
Figure 2023553504000045
は、第ｉ個の研究文献の効果量、即ち、相対リスク比であり、
Figure 2023553504000046
は、各研究文献の相対リスク比の平均値である。
Figure 2023553504000047
 を満たし、
Figure 2023553504000048
は、第ｉ個の研究文献に含まれるサンプルの相対リスク比の分散である。
検定量
Figure 2023553504000049
は、自由度がＫ－１のカイ二乗分布に従う。カイ二乗検定によってカイ二乗値
Figure 2023553504000050
を取得する。
Figure 2023553504000051
の場合に、各研究文献の間に異質性が存在すると示し、そうでない場合に各研究文献の間に異質性がないと示す。ただし、
Figure 2023553504000052
は、信頼度であり、０．０５と設定可能である。
２、次に、複数の研究文献の相対リスク比の結果をマージする。
各研究文献の間に異質性がない場合に、固定効果モデルＭａｎｔｅｌ－Ｈａｓｅｎｚｅｌ法を用いてマージ後の相対リスク比
Figure 2023553504000053
を
Figure 2023553504000054
 により求め、
Figure 2023553504000055
は、指数関数であり、
Figure 2023553504000056
は、対数関数である。
各研究文献の間に異質性が存在する場合に、ランダム効果モデルＤ－Ｌ法を用いて重み
Figure 2023553504000057
を
Figure 2023553504000058
 により補正し、
Figure 2023553504000059
 を満たし、
Figure 2023553504000060
は、第ｉ個の研究文献が補正された後の重み値である。
（２）集団暴露率データベースを構築する
慢性疾患リスクエビデンスベースド語義知識ライブラリにおける全てのエンティティについて、エンティティに対応する集団暴露率を関連付ける。集団暴露率とは、集団におけるエンティティの暴露人数と総人数との比である。例えば、あるエンティティが「喫煙」である場合に、当該エンティティの集団暴露率は、集団中の喫煙人数を総人数で割ったものである。疾患エンティティにとって、集団暴露率は、集団発症率（集団罹患率）である。集団暴露率データベースのデータソースは、公開された統計データ、ある集団データベースを自ら統計するデータであってもよく、集団は、全国の人々、地元の人々、ある病院の人々などであってもよく、本発明において具体的に限定されない。例えば、本システムがある病院に用いられる場合に、データソースは、病院全体の患者の統計データであってもよい。本システムがある領域に用いられる場合に、データソースは、領域全体の患者の統計データであってもよい。
（３）患者個体データ標準モデルを構築する。
患者個体健康データは、複数の医療機構の臨床電子カルテ、個人健康プロファイル、スマートハードウェア、ウェアラブル機器から収集された健康データ、健康アンケートデータ、慢性疾患管理機構、養老機構等管理データ等に由来する。患者個体データ標準モデルは、個人基本情報、及び人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患、症状等の情報を含む。複数のデータソースにおける患者個体健康データに対してマッチングを施行し、抽出、変換を行って患者個体データ標準モデルにロードする。患者個体データ標準モデルで採用される用語は、慢性疾患リスクエビデンスベースド語義知識ライブラリ中の医療健康標準用語集と一致する。
（４）患者個体慢性疾患進行リスク経路図の算出及び描画
患者個体について、慢性疾患リスクエビデンスベースド語義知識ライブラリ、集団暴露率データベース及び患者個体データ標準モデルに基づいて、個体慢性疾患進行リスクを表す重み付き有向グラフＧ(Ｖ,Ｅ)を構築する。有向グラフＧの頂点セットＶにおける頂点は、患者に発生した危険因子及び発生し得る疾患を示し、慢性疾患リスクエビデンスベースド語義知識ライブラリにおけるエンティティに対応し、有向グラフＧの辺セットＥにおける辺重みは、２つのエンティティの間の相対リスク比を示し、辺の方向は、エンティティ同士が影響する方向を示す。また、慢性疾患リスクエビデンスベースド語義知識ライブラリに格納されたのは、単一の危険因子と疾患とのリスク関係であり、患者個体に発生した全ての危険因子に基づいて、各発生し得る疾患の合計相対リスク比を推定し、推定された各頂点の合計相対リスク比をリスク行列Ｍに格納してもよい。
合計相対リスク比は、ｌｏｇｉｓｔｉｃ回帰モデル、Ｒｏｔｈｍａｎ－Ｋｅｌｌｅｒモデル及びハイブリッドモデルの３種の方法で推定されてもよい。
１、ｌｏｇｉｓｔｉｃ回帰モデルで合計相対リスク比を推定する。
有向グラフＧに頂点ｉを終点とする辺がｎ本あり、辺の重みをそれぞれ
Figure 2023553504000061
とする。頂点ｉの合計相対リスク比
Figure 2023553504000062
は、
Figure 2023553504000063
 にて求められ、
Figure 2023553504000064
は、第ｊ本の辺の回帰係数であり、
Figure 2023553504000065
 にて求められ、ａは、当該頂点に対応する疾患の集団発症率で推定され、
Figure 2023553504000066
 にて求められ、Ｐは、対応する疾患の集団暴露率即ち集団発症率であり、上記集団暴露率データベースに由来する。
２、Ｒｏｔｈｍａｎ－Ｋｅｌｌｅｒモデルで合計相対リスク比を推定する。
有向グラフＧに頂点ｉを終点とする辺がｎ本あり、辺の重みをそれぞれ
Figure 2023553504000067
とすると、
まず、基準発症割合
Figure 2023553504000068
を
Figure 2023553504000069
 により求め、
Figure 2023553504000070
は、第ｊ本の辺に対応する危険因子の集団における暴露率であり、上記集団暴露率データベースに由来し、
次に、各危険因子の危険スコア
Figure 2023553504000071
を
Figure 2023553504000072
 により求め、
最後に、頂点ｉの合計相対リスク比
Figure 2023553504000073
を以下のように算出する。
セットＥ及びセットＦを設定し、各危険因子の危険スコア
Figure 2023553504000074
について、
Figure 2023553504000075
≧１の場合に、
Figure 2023553504000076
をセットＥに入れ、
Figure 2023553504000077
＜１の場合に、
Figure 2023553504000078
をセットＦに入れ、
Figure 2023553504000079
は、
Figure 2023553504000080
 にて求められ、ｍは、セットＥの要素数であり、
Figure 2023553504000081
は、セットＥの第ｉ個の要素値であり、ｋは、セットＦの要素数であり、
Figure 2023553504000082
は、セットＥの第ｊ個の要素値である。
３、ハイブリッドモデルで合計相対リスク比を推定する
ハイブリッドモデルは、ｌｏｇｉｓｔｉｃ回帰モデルとＲｏｔｈｍａｎ－Ｋｅｌｌｅｒモデル結果とを組み合わせたモデルである。上記２種のモデルの結果を加重平均して最終の合計相対リスク比を取得する。重みは、人為的に経験に応じて選択され得る。本発明では、具体的に限定されない。
患者個体の重み付き有向グラフＧ及びリスク行列Ｍについて、描画プラグインｅｃｈａｒｔｓを用いて可視化描画する。キャンバスの位置及びサイズを定義し、座標軸の縮尺を特定し、図表タイプを選択し、ノード形状及びノード色を定義する。ノードのタイプは、人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患、症状等を含み、異なるノード形状で区分される。異なる疾患タイプ、例えば、心血管系疾患、泌尿系疾患、内分泌系疾患、他の疾患等について、異なるノード色で区分する。疾患のノードサイズは、リスク行列Ｍに格納された頂点の合計相対リスク比で算出され、線形関係を呈する。合計相対リスク比が大きいほど、ノードは、大きくなる。ノード間のリンクの太さは、重み付き有向グラフＧにおける辺の重みで算出され、線形関係を呈し、２つのノードの間の相対リスクの大きさを反映する。ノード間のリンクは、異なる色でリスクの増大とリスクの低減とを区分する。入次数が０のノードを左に位置合わせし、下位階層のノードを順に配列し、慢性疾患進行リスク経路階層を形成する。図３は、患者個体慢性疾患進行リスク経路図の１つの例示である。
（５）患者個体慢性疾患進行リスクのインタラクティブ分析
上記患者個体慢性疾患進行リスク経路図の算出及び描画は、主に患者初期のデータを基に算出及び描画を行う。個体に対して介入治療手段を実行した後又は個体データが変化した後の進化経路上の各疾患リスクの変化を患者により直感的且つ明確に把握させるために、個体慢性疾患進行リスクインタラクティブ分析方法を患者へ提供し、動的且つインタラクティブな可視化の分析を実現する。ｔ時点において、ある患者個体データ標準モデルをセットＡとする。調節不可能なデータは、セットＢであり、人口統計学等の基礎情報、調節可能なデータは、セットＣであり、検査検定中の物理検査結果、例えば、体重を含み、薬物、非薬物介入治療手段、疾患、症状等のデータを更に含む。Ａ＝Ｂ＋Ｃ。その時点に、上記患者個体慢性疾患進行リスク経路図算出及び描画方法に従って対応する経路図Ｄを描画する。時点
Figure 2023553504000083
において、患者が調節可能な幾つかのデータを動的に調節し、調節可能なデータセットＣが
Figure 2023553504000084
になった場合に、その時点の患者個体データ標準モデルは、
Figure 2023553504000085
となる。その時点に、上記患者個体慢性疾患進行リスク経路図算出及び描画方法に従って対応する経路図 を描画する。患者は、幾つかのパラメータを調節したため、時点
Figure 2023553504000086
のｔ時点に対する変化を可視化でき、介入治療手段を実行した後又は個体データが変化した後の進化経路上の各疾患リスクの変化を直観的、明確且つ正確に把握することができる。異なる慢性疾患介入治療手段の、慢性疾患及びその併発症、合併症に対するリスクを対比することにより、当該患者にとって最も有効な管理案を選択してもよい。医者が患者に対して有効な解釈説明を行うことができ、患者がより良く理解することができ、医者患者の共同意思決定を実現し、患者のコンプライアンスを向上させる。
本発明の実施例は、個体慢性疾患進行リスク可視化評価システムを更に提供し、図４に示すように、当該システムは、患者個体データ取得及び変換モジュールと、患者個体慢性疾患進行リスク可視化評価モジュールと、患者個体慢性疾患進行リスクインタラクティブ分析モジュールとを備える。
患者個体データ取得及び変換モジュールは、患者の身分識別子に基づいて、複数のデータソースから患者個体健康データを取得し、取得された患者個体健康データに対してマッチングを実行して抽出、変換を行って患者個体データ標準モデルにロードする。当該モジュールの実現は、上記ステップ（３）を参照可能である。
患者個体慢性疾患進行リスク可視化評価モジュールは、慢性疾患リスクエビデンスベースド語義知識ライブラリ構築手段と、集団暴露率データベース構築手段と、患者個体慢性疾患進行リスク経路図算出及び描画手段とを備える。
慢性疾患リスクエビデンスベースド語義知識ライブラリ構築手段は、慢性疾患及びその併発症、合併症の疾患エンティティと、疾患に関する危険因子エンティティとを構築し、疾患エンティティごとに、関連研究文献を検索し、リスク関係語義知識を抽出し、同一研究目的の異なる研究文献の相対リスク比をマージし、マージ後の相対リスク比でエンティティ間の関係を表し、慢性疾患リスクエビデンスベースド語義知識ライブラリを構築する。当該手段の実現は、上記ステップ（１）を参照可能である。
集団暴露率データベース構築手段は、慢性疾患リスクエビデンスベースド語義知識ライブラリにおける全てのエンティティについて、エンティティに対応する集団暴露率を関連付け、集団暴露率データベースを構築する。当該手段の実現は、上記ステップ（２）を参照可能である。
患者個体慢性疾患進行リスク経路図算出及び描画手段は、慢性疾患リスクエビデンスベースド語義知識ライブラリ、集団暴露率データベース及び患者個体データ標準モデルに基づいて、個体慢性疾患進行リスクを表す重み付き有向グラフであって、頂点が患者に発生した危険因子及び発生し得る疾患を示し、慢性疾患リスクエビデンスベースド語義知識ライブラリにおけるエンティティに対応し、辺重みが２つのエンティティの間の相対リスク比を示し、辺方向がエンティティ同士が影響する方向を示す重み付き有向グラフを構築し、各頂点の合計相対リスク比をリスク行列に格納し、患者個体の重み付き有向グラフ及びリスク行列に基づいて患者個体慢性疾患進行リスク経路図を描画する。当該手段の実現は、上記ステップ（４）を参照可能である。
患者個体慢性疾患進行リスクインタラクティブ分析モジュールは、患者個体データが変化した場合に、患者個体データ標準モデルを更新し、新たな患者個体慢性疾患進行リスク経路図を描画し、進行リスク経路における疾患リスク変化を可視化表示し、動的且つインタラクティブな患者個体慢性疾患進行リスク分析を医者及び患者へ提供する。当該モジュールの実現は、上記ステップ（５）を参照可能である。
上述したのは、本発明の好適な実施形態に過ぎない。本発明が好ましい実施例で上述されたが、これらの実施例は、本発明を限定するものではない。当業者であれば、本発明の技術的解決手段の範囲から逸脱することなく、上記開示された方法及び技術内容を利用して本発明の技術的解決手段に対して多くの可能な変動及び修飾を行い、又は同等変化の等価実施例に修正することができる。したがって、本発明の技術的解決手段の内容から逸脱せず、本発明の技術的思想に基づいて以上の実施例に対して行われたいかなる簡単な修正、同等変化及び修飾は、いずれも依然として本発明の技術的解決手段の保護範囲内に含まれる。

Claims (9)

  1. 個体慢性疾患進行リスク可視化評価方法であって、
    慢性疾患リスクエビデンスベースド語義知識ライブラリを構築するステップ(１)と、
    慢性疾患リスクエビデンスベースド語義知識ライブラリにおける全てのエンティティについて、エンティティに対応する集団暴露率を関連付け、集団暴露率データベースを構築するステップ(２)と、
    患者個体データ標準モデルを構築し、複数のデータソースから患者個体健康データを取得し、取得された患者個体健康データに対してマッチングを実行して抽出、変換を行って前記患者個体データ標準モデルにロードするステップ(３)と、
    患者個体慢性疾患進行リスク経路図を算出して描画するステップ(４)と、
    患者個体慢性疾患進行リスクに対してインタラクティブ分析を行うステップ(５)とを含み、
    前記ステップ(１)は、慢性疾患及びその併発症、合併症の疾患エンティティと、疾患に関する危険因子エンティティとを構築し、疾患エンティティごとに、関連研究文献を検索し、リスク関係語義知識を抽出し、同一研究目的の異なる研究文献の相対リスク比をマージし、マージ後の相対リスク比でエンティティ間の関係を表し、慢性疾患リスクエビデンスベースド語義知識ライブラリを構築することを含み、
    前記ステップ(４)は、前記慢性疾患リスクエビデンスベースド語義知識ライブラリ、前記集団暴露率データベース及び前記患者個体データ標準モデルに基づいて、個体慢性疾患進行リスクを表す重み付き有向グラフであって、頂点が患者に発生した危険因子及び発生し得る疾患を示し、且つ前記慢性疾患リスクエビデンスベースド語義知識ライブラリにおけるエンティティに対応し、辺重みが２つのエンティティの間の相対リスク比を示し、辺方向がエンティティ同士が影響する方向を示す重み付き有向グラフを構築することと、患者個体に発生した全ての危険因子に基づいて、各発生し得る疾患の合計相対リスク比を推定し、推定された各頂点の合計相対リスク比をリスク行列に格納することと、患者個体の重み付き有向グラフ及びリスク行列に基づいて患者個体慢性疾患進行リスク経路図を描画することと、を含み、
    前記合計相対リスク比の推定方法は、
    ｌｏｇｉｓｔｉｃ回帰モデルで合計相対リスク比を推定する方法(４．１)と、Ｒｏｔｈｍａｎ－Ｋｅｌｌｅｒモデルで合計相対リスク比を推定する方法(４．２)と、ハイブリッドモデルで合計相対リスク比を推定する方法(４．３)と、を含み、
    前記方法(４．１)では、重み付き有向グラフに頂点ｉを終点とする辺がｎ本あり、辺の重みをそれぞれ
    Figure 2023553504000087
    とすると、頂点ｉの合計相対リスク比
    Figure 2023553504000088
    は、
    Figure 2023553504000089
     にて求められ、ａは、頂点ｉに対応する疾患の集団発症率で推定され、
    Figure 2023553504000090
     にて求められ、
    Figure 2023553504000091
    は、第ｊ本の辺の回帰係数であり、
    Figure 2023553504000092
     にて求められ、Ｐは、対応する疾患の集団発症率であり、前記集団暴露率データベースに由来し、
    前記方法(４．２)では、重み付き有向グラフに頂点ｉを終点とする辺がｎ本あり、辺の重みをそれぞれ
    Figure 2023553504000093
    とすると、
    基準発症割合
    Figure 2023553504000094
    を
    Figure 2023553504000095
     により求め、
    Figure 2023553504000096
    は、第ｊ本の辺に対応する危険因子の集団暴露率であり、前記集団暴露率データベースに由来し、
    各危険因子の危険スコア
    Figure 2023553504000097
    を
    Figure 2023553504000098
     により求め、
    セットＥ及びセットＦを設定し、各危険因子の危険スコア
    Figure 2023553504000099
    について、
    Figure 2023553504000100
    ≧１の場合に、
    Figure 2023553504000101
    をセットＥに入れ、
    Figure 2023553504000102
    ＜１の場合に、
    Figure 2023553504000103
    をセットＦに入れ、
    頂点ｉの合計相対リスク比
    Figure 2023553504000104
    は、
    Figure 2023553504000105
     にて求められ、
    ｍは、セットＥの要素数であり、
    Figure 2023553504000106
    は、セットＥの第ｉ個の要素値であり、ｋは、セットＦの要素数であり、
    Figure 2023553504000107
    は、セットＥの第ｊ個の要素値であり、
    前記方法(４．３)では、ｌｏｇｉｓｔｉｃ回帰モデルとＲｏｔｈｍａｎ－Ｋｅｌｌｅｒモデルとの推定結果を加重平均した値を最終の合計相対リスク比とし、
    前記ステップ(５)は、患者個体データが変化した場合に、患者個体データ標準モデルを更新し、新たな患者個体慢性疾患進行リスク経路図を描画し、進行リスク経路における疾患リスク変化を可視化表示することを含むことを特徴とする個体慢性疾患進行リスク可視化評価方法。
  2. 前記ステップ(１)では、慢性疾患及びその併発症、合併症の関連研究文献を慢性疾患リスクエビデンスベースド語義知識ライブラリの知識源とし、医療健康標準用語集をデータ語義識別子とし、慢性疾患及びその併発症、合併症のリスク関係語義知識を構築することを特徴とする請求項１に記載の個体慢性疾患進行リスク可視化評価方法。
  3. 前記ステップ(１)において、前記慢性疾患リスクエビデンスベースド語義知識ライブラリのデータ構造は、ＯＷＬ言語フォーマット仕様に合致するＲＤＦトライグラムとして設計され、各トライグラムは、由来を表すエンティティＡと結果を表すエンティティＢとの２つのエンティティ、及び、エンティティ間の関係Ｃを含み、エンティティタイプは、人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患及び症状を含み、前記エンティティＢのタイプは、疾患であり、前記エンティティＡは、前記エンティティＢの危険因子であり、前記エンティティ間の関係Ｃは、リスクの増大とリスクの低減とを含み、相対リスク比で表されることを特徴とする請求項１に記載の個体慢性疾患進行リスク可視化評価方法。
  4. 前記ステップ(１)において、前記同一研究目的の異なる研究文献の相対リスク比をマージすることは、ステップ(１．１)と、ステップ(１．２)とを含み、
    前記ステップ(１．１)では、Ｑ検定法を用いて異なる研究文献の異質性を識別し、自由度がＫ－１（ただし、Ｋは研究文献の総数）であるカイ二乗分布に従う検定量
    Figure 2023553504000108
    を取得し、カイ二乗検定によってカイ二乗値
    Figure 2023553504000109
    を取得し、
    Figure 2023553504000110
    且つ
    Figure 2023553504000111
    が信頼度である場合に、各研究文献の間に異質性が存在すると示し、そうでない場合に、各研究文献の間に異質性がないと示し、
    前記ステップ(１．２)では、各研究文献の間に異質性がない場合に、固定効果モデルＭａｎｔｅｌ－Ｈａｓｅｎｚｅｌ法を用いてマージ後の相対リスク比を算出し、そうでない場合に、ランダム効果モデルＤ－Ｌ法を用いてマージ後の相対リスク比を算出することを特徴とする請求項１に記載の個体慢性疾患進行リスク可視化評価方法。
  5. 前記検定量
    Figure 2023553504000112
    は、
    Figure 2023553504000113
     にて求められ、
    Figure 2023553504000114
    は、第ｉ個の研究文献の重みであり、
    Figure 2023553504000115
    は、第ｉ個の研究文献に含まれるサンプルの相対リスク比の分散であり、
    Figure 2023553504000116
     を満たし、
    Figure 2023553504000117
    は、第ｉ個の研究文献の相対リスク比であり、
    Figure 2023553504000118
    は、各研究文献の相対リスク比の平均値であり、
    各研究文献の間に異質性がない場合に、固定効果モデルＭａｎｔｅｌ－Ｈａｓｅｎｚｅｌ法を用いてマージ後の相対リスク比
    Figure 2023553504000119
    を
    Figure 2023553504000120
     により求め、
    Figure 2023553504000121
    は、指数関数であり、
    Figure 2023553504000122
    は、対数関数であり、
    各研究文献の間に異質性が存在する場合に、ランダム効果モデルＤ－Ｌ法を用いて重み
    Figure 2023553504000123
    を
    Figure 2023553504000124
     により補正し、
    Figure 2023553504000125
     を満たし、
    Figure 2023553504000126
    は、第ｉ個の研究文献が補正された後の重み値であることを特徴とする請求項４に記載の個体慢性疾患進行リスク可視化評価方法。
  6. 前記ステップ(３)において、前記患者個体データ標準モデルは、個人基本情報、及び人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患、症状を含むことを特徴とする請求項１に記載の個体慢性疾患進行リスク可視化評価方法。
  7. 前記ステップ(３)において、前記患者個体健康データは、医療機構の臨床電子カルテ、個人健康プロファイル、スマートハードウェア、ウェアラブル機器から収集された健康データ、健康アンケートデータ、慢性疾患管理機構、養老機構の管理データに由来することを特徴とする請求項１に記載の個体慢性疾患進行リスク可視化評価方法。
  8. 前記ステップ(４)において、前記患者個体慢性疾患進行リスク経路図を算出して描画することは、キャンバスの位置及びサイズを定義し、座標軸の縮尺を特定し、図表タイプを選択し、ノード形状及びノード色を定義することと、人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患及び症状を含むノードタイプを異なるノード形状で区分することと、異なる疾患タイプを異なるノード色で区分することと、疾患のノードサイズを、線形関係を呈するように、リスク行列に格納された頂点の合計相対リスク比で算出することと、ノード間のリンクの太さを、線形関係を呈するように、重み付き有向グラフにおける辺の重みで算出し、リスクの増大とリスクの低減とを異なるリンク色で区分することと、入次数が０であるノードを一方側に位置合わせし、下位階層のノードを順に配列し、慢性疾患進行リスク経路階層を形成することと、を含むことを特徴とする請求項１に記載の個体慢性疾患進行リスク可視化評価方法。
  9. 個体慢性疾患進行リスク可視化評価システムであって、
    患者個体データ取得及び変換モジュールと、患者個体慢性疾患進行リスク可視化評価モジュールと、患者個体慢性疾患進行リスクインタラクティブ分析モジュールとを備え、
    前記患者個体データ取得及び変換モジュールは、患者の身分識別子に基づいて、複数のデータソースから患者個体健康データを取得し、取得された患者個体健康データに対してマッチングを実行して抽出、変換を行って患者個体データ標準モデルにロードし、
    前記患者個体慢性疾患進行リスク可視化評価モジュールは、慢性疾患リスクエビデンスベースド語義知識ライブラリ構築手段と、集団暴露率データベース構築手段と、患者個体慢性疾患進行リスク経路図算出及び描画手段とを備え、
    前記慢性疾患リスクエビデンスベースド語義知識ライブラリ構築手段は、慢性疾患及びその併発症、合併症の疾患エンティティと、疾患に関する危険因子エンティティとを構築し、疾患エンティティごとに、関連研究文献を検索し、リスク関係語義知識を抽出し、同一研究目的の異なる研究文献の相対リスク比をマージし、マージ後の相対リスク比でエンティティ間の関係を表し、慢性疾患リスクエビデンスベースド語義知識ライブラリを構築し、
    前記集団暴露率データベース構築手段は、慢性疾患リスクエビデンスベースド語義知識ライブラリにおける全てのエンティティについて、エンティティに対応する集団暴露率を関連付け、集団暴露率データベースを構築し、
    前記患者個体慢性疾患進行リスク経路図算出及び描画手段は、慢性疾患リスクエビデンスベースド語義知識ライブラリ、集団暴露率データベース及び患者個体データ標準モデルに基づいて、個体慢性疾患進行リスクを表す重み付き有向グラフであって、頂点が患者に発生した危険因子及び発生し得る疾患を示し、且つ慢性疾患リスクエビデンスベースド語義知識ライブラリにおけるエンティティに対応し、辺重みが２つのエンティティの間の相対リスク比を示し、辺方向がエンティティ同士が影響する方向を示す重み付き有向グラフを構築し、患者個体に発生した全ての危険因子に基づいて、各発生し得る疾患の合計相対リスク比を推定し、推定された各頂点の合計相対リスク比をリスク行列に格納し、患者個体の重み付き有向グラフ及びリスク行列に基づいて患者個体慢性疾患進行リスク経路図を描画し、
    合計相対リスク比の推定方法は、
    ｌｏｇｉｓｔｉｃ回帰モデルで合計相対リスク比を推定する方法（ａ）と、Ｒｏｔｈｍａｎ－Ｋｅｌｌｅｒモデルで合計相対リスク比を推定する方法（ｂ）と、ハイブリッドモデルで合計相対リスク比を推定する方法（ｃ）と、を含み、
    前記方法（ａ）では、重み付き有向グラフに頂点ｉを終点とする辺がｎ本あり、辺の重みをそれぞれ
    Figure 2023553504000127
    とすると、頂点ｉの合計相対リスク比
    Figure 2023553504000128
    は、
    Figure 2023553504000129
     にて求められ、ａは、頂点ｉに対応する疾患の集団発症率で推定され、
    Figure 2023553504000130
     にて求められ、
    Figure 2023553504000131
    は、第ｊ本の辺の回帰係数であり、
    Figure 2023553504000132
     にて求められ、Ｐは、対応する疾患の集団発症率であり、前記集団暴露率データベースに由来し、
    前記方法（ｂ）では、重み付き有向グラフに頂点ｉを終点とする辺がｎ本あり、辺の重みをそれぞれ
    Figure 2023553504000133
    とすると、
    基準発症割合
    Figure 2023553504000134
    を
    Figure 2023553504000135
     により求め、
    Figure 2023553504000136
    は、第ｊ本の辺に対応する危険因子の集団暴露率であり、前記集団暴露率データベースに由来し、
    各危険因子の危険スコア
    Figure 2023553504000137
    を
    Figure 2023553504000138
     により求め、
    セットＥ及びセットＦを設定し、各危険因子の危険スコア
    Figure 2023553504000139
    について、
    Figure 2023553504000140
    ≧１の場合に、
    Figure 2023553504000141
    をセットＥに入れ、
    Figure 2023553504000142
    ＜１の場合に、
    Figure 2023553504000143
    をセットＦに入れ、
    頂点ｉの合計相対リスク比
    Figure 2023553504000144
    は、
    Figure 2023553504000145
     にて求められ、
    ｍは、セットＥの要素数であり、
    Figure 2023553504000146
    は、セットＥの第ｉ個の要素値であり、ｋは、セットＦの要素数であり、
    Figure 2023553504000147
    は、セットＥの第ｊ個の要素値であり、
    前記方法（ｃ）では、ｌｏｇｉｓｔｉｃ回帰モデルとＲｏｔｈｍａｎ－Ｋｅｌｌｅｒモデルとの推定結果を加重平均した値を最終の合計相対リスク比とし、
    前記患者個体慢性疾患進行リスクインタラクティブ分析モジュールは、患者個体データが変化した場合に、患者個体データ標準モデルを更新し、新たな患者個体慢性疾患進行リスク経路図を描画し、進行リスク経路における疾患リスク変化を可視化表示することを特徴とする個体慢性疾患進行リスク可視化評価システム。
JP2023538042A 2021-12-14 2022-09-05 個体慢性疾患進行リスク可視化評価方法及びシステム Active JP7430295B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202111523880.7 2021-12-14
CN202111523880.7A CN113921141B (zh) 2021-12-14 2021-12-14 一种个体慢病演进风险可视化评估方法及系统
PCT/CN2022/116969 WO2023109199A1 (zh) 2021-12-14 2022-09-05 一种个体慢病演进风险可视化评估方法及系统

Publications (2)

Publication Number Publication Date
JP2023553504A true JP2023553504A (ja) 2023-12-21
JP7430295B2 JP7430295B2 (ja) 2024-02-09

Family

ID=79249112

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023538042A Active JP7430295B2 (ja) 2021-12-14 2022-09-05 個体慢性疾患進行リスク可視化評価方法及びシステム

Country Status (3)

Country Link
JP (1) JP7430295B2 (ja)
CN (1) CN113921141B (ja)
WO (1) WO2023109199A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113921141B (zh) * 2021-12-14 2022-04-08 之江实验室 一种个体慢病演进风险可视化评估方法及系统
CN115036034B (zh) * 2022-08-11 2022-11-08 之江实验室 一种基于患者表征图的相似患者识别方法及系统
CN117198527B (zh) * 2023-08-24 2024-02-23 北京大学人民医院 一种亲缘造血干细胞移植术后的风险评估系统及方法
CN116959715B (zh) * 2023-09-18 2024-01-09 之江实验室 一种基于时序演进过程解释的疾病预后预测系统
CN117936114A (zh) * 2024-03-13 2024-04-26 湖北福鑫科创信息技术有限公司 基于大语言模型的电子病历智能化分析与优化系统
CN117912708B (zh) * 2024-03-14 2024-05-17 苏州市相城区疾病预防控制中心 公共卫生中慢性非传染性疾病防控方法、系统及存储介质

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004530971A (ja) 2001-02-21 2004-10-07 デルファイ ヘルス システムズ，インコーポレイテッド 慢性疾患のアウトカム、教育、および連絡のためのシステム
WO2013084076A2 (en) * 2011-12-09 2013-06-13 Vis Research Institute - Tecnologias E Servicos Para Pesquisa Clinica S/A System and method for evaluating and marketing clinical research centers
CN103559397A (zh) * 2013-10-31 2014-02-05 合肥学院 一种应用于高血压慢性病的智慧服务系统及方法
CN108511070A (zh) * 2018-04-18 2018-09-07 郑州大学第附属医院 一种糖尿病患者评估及管理系统
CN108877943A (zh) * 2018-06-21 2018-11-23 天津医科大学 基于循证医学证据的ii型糖尿病风险评估模型
US20210257067A1 (en) 2018-08-31 2021-08-19 Nippon Telegraph And Telephone Corporation State transition prediction device, and device, method, and program for learning predictive model
CN110277167A (zh) * 2019-05-31 2019-09-24 南京邮电大学 基于知识图谱的慢性非传染性疾病风险预测系统
CN110718302A (zh) * 2019-10-22 2020-01-21 江苏健康无忧网络科技有限公司 一种基于大数据的糖尿病管理路径的系统
CN111370127B (zh) * 2020-01-14 2022-06-10 之江实验室 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统
US20210272696A1 (en) * 2020-03-02 2021-09-02 University Of Cincinnati System, method computer program product and apparatus for dynamic predictive monitoring in the critical health assessment and outcomes study (chaos)
CN111507827A (zh) * 2020-04-20 2020-08-07 上海商涌网络科技有限公司 一种健康风险评估的方法、终端及计算机存储介质
CN112336358A (zh) * 2020-04-30 2021-02-09 中山大学孙逸仙纪念医院 一种预测致密型乳腺的乳腺病灶恶性风险模型及其构建方法
US20210375472A1 (en) * 2020-06-01 2021-12-02 University Of Washington Methods and systems for decision support
CN112133445A (zh) * 2020-10-21 2020-12-25 万达信息股份有限公司 一种心血管疾病管理服务方法和系统
CN112102937B (zh) * 2020-11-13 2021-02-12 之江实验室 一种慢性病辅助决策的患者数据可视化方法及系统
CN112820415B (zh) * 2021-02-08 2023-03-28 郑州大学 一种基于gis的慢性病时空演化特征分析及环境健康风险监测系统及方法
CN113626624B (zh) * 2021-10-12 2021-12-21 腾讯科技（深圳）有限公司 一种资源识别方法和相关装置
CN113643821B (zh) * 2021-10-13 2022-02-11 浙江大学 一种多中心知识图谱联合决策支持方法与系统
CN113921141B (zh) * 2021-12-14 2022-04-08 之江实验室 一种个体慢病演进风险可视化评估方法及系统

Also Published As

Publication number Publication date
WO2023109199A1 (zh) 2023-06-22
JP7430295B2 (ja) 2024-02-09
CN113921141A (zh) 2022-01-11
CN113921141B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
JP7430295B2 (ja) 個体慢性疾患進行リスク可視化評価方法及びシステム
Coorey et al. The health digital twin to tackle cardiovascular disease—a review of an emerging interdisciplinary field
US11600390B2 (en) Machine learning clinical decision support system for risk categorization
Salmon et al. A structured literature review of simulation modelling applied to Emergency Departments: Current patterns and emerging trends
Jonnagaddala et al. Coronary artery disease risk assessment from unstructured electronic health records using text mining
Feblowitz et al. Summarization of clinical information: a conceptual model
Fennelly et al. Use of standardized terminologies in clinical practice: A scoping review
US20110202486A1 (en) Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions
WO2015068812A1 (ja) 医療データ分析システム、及び医療データを分析する方法
JP2021525411A (ja) 先を見越した健康監視及び管理のための個別化されたデバイス推奨
Pearson et al. Precision health analytics with predictive analytics and implementation research: JACC state-of-the-art review
Hunter-Zinck et al. Predicting emergency department orders with multilabel machine learning techniques and simulating effects on length of stay
WO2015071968A1 (ja) 分析システム
Shaw et al. Timing of onset, burden, and postdischarge mortality of persistent critical illness in Scotland, 2005–2014: a retrospective, population-based, observational study
US11875884B2 (en) Expression of clinical logic with positive and negative explainability
Sun et al. Applying machine learning algorithms to electronic health records to predict pneumonia after respiratory tract infection
Shen et al. Association between the elderly frequent attender to the emergency department and 30-day mortality: A retrospective study over 10 years
Wang et al. Improving triaging from primary care into secondary care using heterogeneous data-driven hybrid machine learning
Martin et al. Determinants of direct discharge home from critical care units: A population-based cohort analysis
Narula Are we up to speed? From big data to rich insights in CV imaging for a hyperconnected world
Wongtangman et al. Development and validation of a machine learning ASA-score to identify candidates for comprehensive preoperative screening and risk stratification
RU2752792C1 (ru) Система для поддержки принятия врачебных решений
Nguyen et al. Man vs. Machine: comparing physician vs. Electronic health record–based model predictions for 30-day hospital readmissions
de Haan et al. Patient-specific workup of adrenal incidentalomas
Slaven et al. Characteristics, clinical findings and outcomes of acute aortic dissection: A comparison between an Australian emergency department and the International Registry of Acute Aortic Dissection

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230621

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20230705

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231204

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231207

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240105

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240130

R150 Certificate of patent or registration of utility model

Ref document number: 7430295

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150