JP2024017703A - 情報処理装置 - Google Patents
情報処理装置 Download PDFInfo
- Publication number
- JP2024017703A JP2024017703A JP2022120523A JP2022120523A JP2024017703A JP 2024017703 A JP2024017703 A JP 2024017703A JP 2022120523 A JP2022120523 A JP 2022120523A JP 2022120523 A JP2022120523 A JP 2022120523A JP 2024017703 A JP2024017703 A JP 2024017703A
- Authority
- JP
- Japan
- Prior art keywords
- model
- treatment method
- treatment
- information processing
- processing device
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000002620 method output Methods 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims description 63
- 238000010276 construction Methods 0.000 claims description 13
- 230000000415 inactivating effect Effects 0.000 claims description 2
- 230000001225 therapeutic effect Effects 0.000 abstract description 15
- 239000000470 constituent Substances 0.000 abstract description 3
- 239000006185 dispersion Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000011272 standard treatment Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000002560 therapeutic procedure Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 2
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 108091005995 glycated hemoglobin Proteins 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】出力される治療方法による治療効果の信頼性を向上させられる情報処理装置を提供する。
【解決手段】患者の状態に応じて治療方法を出力する治療方法出力モデルを用いる情報処理装置であって、前記治療方法を用いるときの治療効果と用いないときの治療効果とを比較する、前記治療方法出力モデルを構成要素として含む治療効果予測モデルを構築する治療効果予測モデル構築部と、前記治療方法を用いるときと用いないときとの傾向スコアに基づいて前記治療効果予測モデルの重み係数を不活性化させることによって予測モデル群を生成し、前記予測モデル群から出力される治療効果の分散が所定の範囲になるように、前記治療効果予測モデルの構成要素である前記治療方法出力モデルを調整するモデル調整部を備えることを特徴とする。
【選択図】図4
【解決手段】患者の状態に応じて治療方法を出力する治療方法出力モデルを用いる情報処理装置であって、前記治療方法を用いるときの治療効果と用いないときの治療効果とを比較する、前記治療方法出力モデルを構成要素として含む治療効果予測モデルを構築する治療効果予測モデル構築部と、前記治療方法を用いるときと用いないときとの傾向スコアに基づいて前記治療効果予測モデルの重み係数を不活性化させることによって予測モデル群を生成し、前記予測モデル群から出力される治療効果の分散が所定の範囲になるように、前記治療効果予測モデルの構成要素である前記治療方法出力モデルを調整するモデル調整部を備えることを特徴とする。
【選択図】図4
Description
本発明は、患者の状態に応じて治療方法を出力するモデルを用いる情報処理装置に関し、特にモデルを更新する技術に係わる。
既知のデータを機械学習することにより構築され、患者の状態に応じて治療方法を出力するモデルを用いる情報処理装置であるデジタルセラピー(以下、DTx)が開発されつつある。DTxは上市後にリアルタイムにデータを収集できるため、収集されたデータに基づくモデルの更新が可能である。
特許文献1には、複数のモデルの中から予測子に応じて選択される最も精度が高いモデルと予測子との組から臨床パラメータの予測値を求め、求められた予測値と臨床パラメータの測定値とに従ってモデルを更新し、精度をより良くすることが開示される。
しかしながら特許文献1では、モデルの信頼性を向上させることに対する配慮がなされていない。すなわち、更新されたモデルによって治療効果の高い治療方法が出力されたとしても、予測子のわずかな変化によって治療効果がばらつく場合がある。
そこで本発明は、出力される治療方法による治療効果の信頼性を向上させられる情報処理装置を提供することを目的とする。
上記目的を達成するために本発明は、患者の状態に応じて治療方法を出力する治療方法出力モデルを用いる情報処理装置であって、前記治療方法を用いるときの治療効果と用いないときの治療効果とを比較する、前記治療方法出力モデルを構成要素として含む治療効果予測モデルを構築する治療効果予測モデル構築部と、前記治療方法を用いるときと用いないときとの傾向スコアに基づいて前記治療効果予測モデルの重み係数を不活性化させることによって予測モデル群を生成し、前記予測モデル群から出力される治療効果の分散が所定の範囲になるように、前記治療効果予測モデルの構成要素である前記治療方法出力モデルを調整するモデル調整部を備えることを特徴とする。
本発明によれば、出力される治療方法による治療効果の信頼性を向上させられる情報処理装置を提供することができる。
以下、添付図面に従って本発明に係る情報処理装置の実施例について説明する。なお、以下の説明及び添付図面において、同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略することにする。
図1は情報処理装置101のハードウェア構成を示す図である。情報処理装置101は、演算部102、メモリ103、記憶部104、ネットワークアダプタ105がシステムバス106によって信号送受可能に接続されて構成される。また情報処理装置101は、ネットワーク109を介して電子カルテ110やデジタルセラピー111と信号送受可能に接続される。さら情報処理装置101には、表示装置107と入力装置108が接続される。ここで、「信号送受可能に」とは、電気的、光学的に有線、無線を問わずに、相互にあるいは一方から他方へ信号送受可能な状態を示す。
演算部102は、各構成要素の動作を制御する装置であり、具体的にはCPU(Central Processing Unit)やMPU(Micro Processor Unit)等である。演算部102は、記憶部104に格納されるプログラムやプログラム実行に必要なデータをメモリ103にロードして実行し、に対して様々な処理を施す。メモリ103は、演算部102が実行するプログラムや演算処理の途中経過を記憶するものである。記憶部104は、演算部102が実行するプログラムやプログラム実行に必要なデータを格納する装置であり、具体的にはHDD(Hard Disk Drive)やSSD(Solid State Drive)等である。ネットワークアダプタ105は、情報処理装置101をLAN、電話回線、インターネット等のネットワーク109に接続するためのものである。演算部102が扱う各種データはLAN(Local Area Network)等のネットワーク109を介して情報処理装置101の外部と送受信されても良い。
表示装置107は、情報処理装置101の処理結果等を表示する装置であり、具体的には液晶ディスプレイ等である。入力装置108は、操作者が情報処理装置101に対して操作指示を行う操作デバイスであり、具体的にはキーボードやマウス、タッチパネル等である。マウスはトラックパッドやトラックボール等の他のポインティングデバイスであっても良い。
電子カルテ110は、患者に係る医療データ、例えば患者の状態やある治療方法に対する治療効果に関するデータを保管する。デジタルセラピー111は、患者の状態やプロファイルに応じて治療方法を出力するモデルである治療方法出力モデルを有する。
図2を用いて、治療方法出力モデルであるDTx介入モデルの一例について説明する。DTx介入モデルは、患者プロファイルx(i,j)や患者状態c(i,j)に応じて治療方法sd(i)を出力するモデルであり、既知のデータを機械学習することにより構築されるニューラルネットワークである。なおiは患者を特定するインデックス、jは患者状態や患者プロファイルの種類を表すインデックスであり、患者状態は摂取カロリーや運動量、患者プロファイルは性別や年齢などである。またDTx介入モデルから出力される治療方法は、例えば薬の種類である。
図3を用いて、実施例1の機能ブロックについて説明する。なおこれらの機能ブロックは、専用のハードウェアで構成されても良いし、演算部102で動作するソフトウェアで構成されても良い。以降の説明では実施例1の機能ブロックがソフトウェアで構成された場合について説明する。実施例1では、治療効果予測モデル構築部301とDTx介入モデル調整部302が備えられる。以下、各部について説明する。
治療効果予測モデル構築部301は、DTx介入モデルから出力される治療方法を用いるときの治療効果と用いないときの治療効果とを比較する治療効果予測モデルを構築する。
DTx介入モデル調整部302は、DTx介入モデルから出力される治療方法を用いるときの治療効果の分散を減少させるようにDTx介入モデルを調整する。
図4を用いて、実施例1で実行される処理の流れの一例についてステップ毎に説明する。
(S401)
治療効果予測モデル構築部301は、治療効果予測モデルを構築する。
治療効果予測モデル構築部301は、治療効果予測モデルを構築する。
図5を用いて、S401で実行される処理の流れの一例についてステップ毎に説明する。
(S501)
治療効果予測モデル構築部301は、DTx介入モデルを取得する。例えばデジタルセラピー111からDTx介入モデルが送信される。
治療効果予測モデル構築部301は、DTx介入モデルを取得する。例えばデジタルセラピー111からDTx介入モデルが送信される。
(S502)
治療効果予測モデル構築部301は、S501で取得されたDTx介入モデルと、DTxネットワーク、標準治療ネットワーク、共有ネットワークの3ネットワークとを接続することにより、図6に例示される治療効果予測モデルを構築する。DTxネットワークはDTx介入モデルから出力される治療方法を用いるときの治療効果の予測値を出力する。標準治療ネットワークはDTx介入モデルから出力される治療方法を用いないときの治療効果の予測値を出力する。共有ネットワークは、患者プロファイルx(i,j)と患者状態c(i,j)に応じて、DTxネットワークと標準治療ネットワークに共有されるパラメータを出力する。
治療効果予測モデル構築部301は、S501で取得されたDTx介入モデルと、DTxネットワーク、標準治療ネットワーク、共有ネットワークの3ネットワークとを接続することにより、図6に例示される治療効果予測モデルを構築する。DTxネットワークはDTx介入モデルから出力される治療方法を用いるときの治療効果の予測値を出力する。標準治療ネットワークはDTx介入モデルから出力される治療方法を用いないときの治療効果の予測値を出力する。共有ネットワークは、患者プロファイルx(i,j)と患者状態c(i,j)に応じて、DTxネットワークと標準治療ネットワークに共有されるパラメータを出力する。
(S503)
治療効果予測モデル構築部301は、収集されたデータの患者プロファイルx(i,j)や患者状態c(i,j)を治療効果予測モデルに入力し、治療効果の予測値を出力させる。治療効果の予測値は、DTx介入モデルから出力される治療方法を用いる場合と用いない場合とのそれぞれについて出力される。ここで、DTx介入モデルから出力される治療方法を用いる患者群の年齢が若いなど、DTx介入モデルから出力される治療方法を用いるときと用いないときとの患者背景の不均一性に対して、両者に対する傾向スコアに基づいて、治療効果予測モデルの重み係数を不活性化させ、患者背景の不均一性を補正しつつ、治療効果予測モデルを構築する。傾向スコアp(i)は例えば次式を用いて算出される。
治療効果予測モデル構築部301は、収集されたデータの患者プロファイルx(i,j)や患者状態c(i,j)を治療効果予測モデルに入力し、治療効果の予測値を出力させる。治療効果の予測値は、DTx介入モデルから出力される治療方法を用いる場合と用いない場合とのそれぞれについて出力される。ここで、DTx介入モデルから出力される治療方法を用いる患者群の年齢が若いなど、DTx介入モデルから出力される治療方法を用いるときと用いないときとの患者背景の不均一性に対して、両者に対する傾向スコアに基づいて、治療効果予測モデルの重み係数を不活性化させ、患者背景の不均一性を補正しつつ、治療効果予測モデルを構築する。傾向スコアp(i)は例えば次式を用いて算出される。
ここで、a1、a2、…、b1、b2、…は、収集データから算出される係数である。
また傾向スコアp(i)に基づいて不活性化される重み係数は次式で示される。
ここで、r(l)ssは共有ネットワークのl層の重み係数、r(l)i,dはDTxネットワークのl層の重み係数、r(l)i,sは標準治療ネットワークのl層の重み係数、γはオフセットハイパーパラメータであり、通常は1に設定される。
また図6に例示される治療効果予測モデルは、次式で示される。
ここで、s~(x)は共有ネットワーク、sd~(x)はDTx介入モデル、Yd~はDTxネットワーク、Ys~は標準治療ネットワーク、f(・)は活性化関数である。
(S504)
治療効果予測モデル構築部301は、収集データに含まれる治療効果に対する予測値の誤差に関する損失関数に基づいて、治療効果予測モデルの係数を調整する。すなわち損失関数の出力がより小さくなるように、係数が調整される。損失関数には例えば二乗誤差関数が用いられ、係数の調整には例えば確率的勾配法等が使われる。
治療効果予測モデル構築部301は、収集データに含まれる治療効果に対する予測値の誤差に関する損失関数に基づいて、治療効果予測モデルの係数を調整する。すなわち損失関数の出力がより小さくなるように、係数が調整される。損失関数には例えば二乗誤差関数が用いられ、係数の調整には例えば確率的勾配法等が使われる。
(S505)
治療効果予測モデル構築部301は、終了条件が満たされたか否かを判定する。終了条件が満たされていれば処理の流れは終了となり、満たされてなければS503へ処理が戻される。終了条件は、例えば予め定められた繰返し回数や、損失関数の出力に対する閾値、損失関数の出力の変化量に対する閾値である。
治療効果予測モデル構築部301は、終了条件が満たされたか否かを判定する。終了条件が満たされていれば処理の流れは終了となり、満たされてなければS503へ処理が戻される。終了条件は、例えば予め定められた繰返し回数や、損失関数の出力に対する閾値、損失関数の出力の変化量に対する閾値である。
図5に例示される処理の流れにより、新たに収集されたデータに応じて係数が調整された治療効果予測モデルが構築される。図4の説明に戻る。
(S402)
DTx介入モデル調整部302は、DTx介入モデルから出力される治療方法を用いるときの治療効果の分散を減少させるようにDTx介入モデルを調整する。
DTx介入モデル調整部302は、DTx介入モデルから出力される治療方法を用いるときの治療効果の分散を減少させるようにDTx介入モデルを調整する。
図7を用いて、S402で実行される処理の流れの一例についてステップ毎に説明する。
(S701)
DTx介入モデル調整部302は、S401で構築された治療効果予測モデルから標準治療ネットワークを削除し、DTx介入モデルの調整に用いられる治療効果予測モデルを構築する。図8には、DTx介入モデルの調整に用いられる治療効果予測モデルが例示される。
DTx介入モデル調整部302は、S401で構築された治療効果予測モデルから標準治療ネットワークを削除し、DTx介入モデルの調整に用いられる治療効果予測モデルを構築する。図8には、DTx介入モデルの調整に用いられる治療効果予測モデルが例示される。
(S702)
DTx介入モデル調整部302は、治療効果予測モデル構築部301で算出した、DTx介入モデルから出力される治療方法を用いるときと用いないときとに対する傾向スコアに基づいて、DTx介入モデルの調整に用いられる治療効果予測モデルの重み係数を不活性化させ、予測モデル群を生成する。なお傾向スコアは数1を用いて算出され、不活性化される重み係数は数2に示される。
DTx介入モデル調整部302は、治療効果予測モデル構築部301で算出した、DTx介入モデルから出力される治療方法を用いるときと用いないときとに対する傾向スコアに基づいて、DTx介入モデルの調整に用いられる治療効果予測モデルの重み係数を不活性化させ、予測モデル群を生成する。なお傾向スコアは数1を用いて算出され、不活性化される重み係数は数2に示される。
(S703)
DTx介入モデル調整部302は、新たに収集されたデータの患者プロファイルx(i,j)や患者状態c(i,j)を、S702で生成された予測モデル群のそれぞれに入力し、治療効果の予測値を出力させる。
DTx介入モデル調整部302は、新たに収集されたデータの患者プロファイルx(i,j)や患者状態c(i,j)を、S702で生成された予測モデル群のそれぞれに入力し、治療効果の予測値を出力させる。
(S704)
DTx介入モデル調整部302は、S703で出力された予測値の分散に関する損失関数に基づいて、DTx介入モデルの係数を調整する。すなわち予測値の分散がより小さくなるように、DTx介入モデルの係数が調整される。損失関数には例えば二乗誤差関数が用いられ、係数の調整には例えば確率的勾配法等が使われる。
DTx介入モデル調整部302は、S703で出力された予測値の分散に関する損失関数に基づいて、DTx介入モデルの係数を調整する。すなわち予測値の分散がより小さくなるように、DTx介入モデルの係数が調整される。損失関数には例えば二乗誤差関数が用いられ、係数の調整には例えば確率的勾配法等が使われる。
(S705)
DTx介入モデル調整部302は、終了条件が満たされたか否かを判定する。終了条件が満たされていれば処理の流れは終了となり、満たされてなければS703へ処理が戻される。終了条件は、例えば予め定められた繰返し回数や、損失関数の出力に対する閾値、損失関数の出力の変化量に対する閾値である。
DTx介入モデル調整部302は、終了条件が満たされたか否かを判定する。終了条件が満たされていれば処理の流れは終了となり、満たされてなければS703へ処理が戻される。終了条件は、例えば予め定められた繰返し回数や、損失関数の出力に対する閾値、損失関数の出力の変化量に対する閾値である。
図7に例示される処理の流れにより、新たに収集されたデータに応じて係数が調整された治療効果予測モデルが構築される。図4の説明に戻る。
(S403)
DTx介入モデル調整部302によって調整されたDTx介入モデルによってモデルが更新される。
DTx介入モデル調整部302によって調整されたDTx介入モデルによってモデルが更新される。
以上、説明した処理の流れにより、DTx介入モデルから出力される治療方法による治療効果の信頼性を向上させることができる。なお更新後のモデルによって得られる治療効果は表示装置107に表示されても良い。
図9を用いて、表示装置107に表示される結果表示画面の一例について説明する。図9に例示される結果表示画面は、モデル更新開始ボタン901と結果表示部902を有する。
モデル更新開始ボタン901は、新たなデータが収集され、DTx介入モデルを更新するときに押下される。
結果表示部902には、更新後のDTx介入モデルによって得られる治療効果が表示される。治療効果は、例えば、縦軸が頻度、横軸が効果量のグラフ形式で表示される。また更新前のDTx介入モデルや標準治療によって得られる治療効果が共に表示されても良い。更新前後のDTx介入モデルや標準治療によって得られる治療効果が共に表示されることに、モデル更新の効果が明確になる。
なお図9に例示されるグラフの横軸は、糖化ヘモグロビンの割合を示すHbA1cであり、DTx介入モデルから出力される治療方法は標準治療よりもHbA1cを低減できたことが示される。また更新後のDTx介入モデルによって得られる治療効果は更新前よりも分布が狭まっており、治療効果のばらつきが低減し、信頼性を向上できていることが示される。
以上、本発明の実施例について説明した。本発明は上記実施例に限定されるものではなく、発明の要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施例に開示されている複数の構成要素を適宜組み合わせても良い。さらに、上記実施例に示される全構成要素からいくつかの構成要素を削除しても良い。
101:情報処理装置、102:演算部、103:メモリ、104:記憶部、105:ネットワークアダプタ、106:システムバス、107:表示装置、108:入力装置、109:ネットワーク、110:電子カルテ、111:デジタルセラピー、301:治療効果予測モデル構築部、302:DTx介入モデル調整部、901:モデル更新開始ボタン、902:結果表示部
Claims (5)
- 患者の状態に応じて治療方法を出力する治療方法出力モデルを用いる情報処理装置であって、
前記治療方法を用いるときの治療効果と用いないときの治療効果とを比較する、前記治療方法出力モデルを構成要素として含む治療効果予測モデルを構築する治療効果予測モデル構築部と、
前記治療方法を用いるときと用いないときとの傾向スコアに基づいて前記治療効果予測モデルの重み係数を不活性化させることによって予測モデル群を生成し、前記予測モデル群から出力される治療効果の分散が所定の範囲になるように、前記治療効果予測モデルの構成要素である前記治療方法出力モデルを調整するモデル調整部を備えることを特徴とする情報処理装置。 - 請求項1に記載の情報処理装置であって、
前記モデル調整部は、調整後の治療方法出力モデルから出力される治療方法を用いるときの治療効果の分散を表示させることを特徴とする情報処理装置。 - 請求項2に記載の情報処理装置であって、
前記モデル調整部は、前記治療効果予測モデルから出力される治療効果の分散をさらに表示させることを特徴とする情報処理装置。 - 請求項1に記載の情報処理装置であって、
前記モデル調整部は、新たなデータが収集されると前記治療方法出力モデルを調整することを特徴とする情報処理装置。 - 請求項1に記載の情報処理装置であって、
前記治療効果予測モデル構築部は、前記治療方法を用いるときと用いないときとの傾向スコアに基づいて、前記治療効果予測モデルの重み係数を不活性化させることを特徴とする情報処理装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022120523A JP2024017703A (ja) | 2022-07-28 | 2022-07-28 | 情報処理装置 |
PCT/JP2023/016810 WO2024024200A1 (ja) | 2022-07-28 | 2023-04-28 | 情報処理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022120523A JP2024017703A (ja) | 2022-07-28 | 2022-07-28 | 情報処理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024017703A true JP2024017703A (ja) | 2024-02-08 |
Family
ID=89705946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022120523A Pending JP2024017703A (ja) | 2022-07-28 | 2022-07-28 | 情報処理装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2024017703A (ja) |
WO (1) | WO2024024200A1 (ja) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2007124523A (ru) * | 2004-12-30 | 2009-02-10 | ПРОВЕНТИС, Инк., (US) | Способы, системы и компьютерные программные продукты для разработки и использования прогнозных моделей для прогнозирования большинства медицинских случаев, оценки стратегий вмешательства и для одновременной оценки нерегулярности биологических маркеров |
US20140279754A1 (en) * | 2013-03-15 | 2014-09-18 | The Cleveland Clinic Foundation | Self-evolving predictive model |
JP7355115B2 (ja) * | 2019-04-23 | 2023-10-03 | 日本電気株式会社 | 操作結果を予測する方法、電子機器、及びコンピュータプログラム製品 |
WO2021067733A1 (en) * | 2019-10-02 | 2021-04-08 | Endpoint Health Inc. | Directing medical diagnosis and intervention recommendations |
-
2022
- 2022-07-28 JP JP2022120523A patent/JP2024017703A/ja active Pending
-
2023
- 2023-04-28 WO PCT/JP2023/016810 patent/WO2024024200A1/ja unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024024200A1 (ja) | 2024-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180294060A1 (en) | Technological devices and systems and methods to use the same to obtain biological information | |
JP6075973B2 (ja) | 健康状態判定装置およびその作動方法 | |
US9715657B2 (en) | Information processing apparatus, generating method, medical diagnosis support apparatus, and medical diagnosis support method | |
JP6021346B2 (ja) | 診断支援装置及びその制御方法 | |
US20180122517A1 (en) | Methods and apparatus related to electronic display of a human avatar with display properties particularized to health risks of a patient | |
WO2012176104A1 (en) | Discharge readiness index | |
US20170147773A1 (en) | System and method for facilitating health monitoring based on a personalized prediction model | |
US20170103190A1 (en) | System and method for evaluating risks of clinical trial conducting sites | |
SA518391541B1 (ar) | أجهزة، طرق، ووسط كمبيوتر لتوفير تغذية عكسية حيوية في الزمن الفعلي لتصور ثلاثي الأبعاد | |
CN114902235A (zh) | 用于基于用户选择的因素来训练机器学习模型的系统和方法 | |
US11587672B1 (en) | Tiered time-in-range guiding interfaces for diabetes management | |
US20210248482A1 (en) | Maintaining a knowledge database based on user interactions with a user interface | |
CN113228196B (zh) | 用于优化用于计算睡眠得分的睡眠相关参数的系统和方法 | |
JP7185449B2 (ja) | 生体情報処理装置、生体情報処理方法、プログラム及び記憶媒体 | |
JP7096035B2 (ja) | 生体情報処理装置、生体情報処理方法、プログラム及び記憶媒体 | |
WO2024024200A1 (ja) | 情報処理装置 | |
US11510572B2 (en) | Method and apparatus for detecting clinical deterioration in patients on a telehealth service | |
CN109310325B (zh) | 心脏监测系统和方法 | |
CN115551579A (zh) | 用于评估通风患者状况的系统和方法 | |
JP2023502075A (ja) | 予測データと対応する受信データの差異を評価する統合状態推定予測 | |
CN115699196A (zh) | 基于肺部建模生成患者特定通气设置的系统和方法 | |
TWI839851B (zh) | 用於圖形使用者介面元素的演算法顯現的系統和方法 | |
US20220199226A1 (en) | Cognitive training platform | |
CN112447288B (zh) | 基于不完全的或错误的数据执行医疗任务 | |
JP7393882B2 (ja) | 医用情報処理装置及び医用情報処理システム |