JP2024502760A - 予測的健康モニタと積極的な予防的メンテナンスを通じて眼科用医療機器のアップタイムを最大化するための方法及びシステム - Google Patents

予測的健康モニタと積極的な予防的メンテナンスを通じて眼科用医療機器のアップタイムを最大化するための方法及びシステム Download PDF

Info

Publication number
JP2024502760A
JP2024502760A JP2023538054A JP2023538054A JP2024502760A JP 2024502760 A JP2024502760 A JP 2024502760A JP 2023538054 A JP2023538054 A JP 2023538054A JP 2023538054 A JP2023538054 A JP 2023538054A JP 2024502760 A JP2024502760 A JP 2024502760A
Authority
JP
Japan
Prior art keywords
medical device
ophthalmic medical
component
measurements
omd
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
JP2023538054A
Other languages
English (en)
Inventor
アライ ナンシー
アルフレッド キャンピン ジョン
ジョージ グリーン ブライアン
アンドリュー ジールク マーク
Original Assignee
アルコン インコーポレイティド
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 アルコン インコーポレイティド filed Critical アルコン インコーポレイティド
Publication of JP2024502760A publication Critical patent/JP2024502760A/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
    • 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
    • G16H40/40—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 management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H40/67—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 remote 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24019—Computer assisted maintenance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2617—Eye, ophthalmic, surgery system

Abstract

本開示の特定の態様は、眼科用医療機器中のコンポーネントの将来の不具合の可能性を予測するため、及び眼科用医療機器に予防的メンテナンスを実行するための手法を提供する。例示的方法は一般に、眼科用医療機器から、その眼科用医療機器に関連付けられる１つ又は複数の動作パラメータの測定値を受け取ることを含む。１つ又は複数のモデルを使って、眼科用医療機器の将来の不具合が予測される。予測は、少なくとも一部に、受け取った１つ又は複数の動作パラメータの測定値に基づいて生成される。眼科用医療機器の予測された将来の不具合に基づいて、眼科用医療機器に予防的メンテナンスを実行するための１つ又は複数の措置がとられる。【選択図】図１Ａ

Description

序説
本開示の態様は、眼科用医療機器に関し、より詳しくは眼科用医療機器の不具合を、少なくとも一部に、これらの機器から得たデータに基づいて予測すること及び、眼科用医療機器に対し、これらの機器の将来の不具合の予測に応答して予防的メンテナンスを実行し、機器のアップタイムを最大化することに関する。
眼科用医療機器には一般に、患者の眼の解剖学的特性を測定し、又は特徴付けて、診断された眼科的問題を修正するための外科的処置を患者の眼に実行し、及び／又は患者の外科的処置後の結果を測定するために使用される機器、コンソール、及び／又はシステムが含まれる。これらの機器は、様々な光学的、電気的、及び機械的コンポーネントを含み、これらには時間と共に調整又は交換が必要になり得る。例えば、光源は経時的に劣化し得て（例えば、時間が経つと弱くなるか、又は同じ光強度を生じさせるためにより多くの電流が必要となり得て）、機器により捕捉される詳細データの量が減る、光を利用した治療（例えば、レーザによる網膜再付着処置）の完了までにより長時間を要するようになる、等によって、機器の効果にマイナスの影響を与え得る。他の例では、バッテリが提供できるパワーは時間の経過と共に低下する可能性があり、他の電源コンポーネントは時間の経過と共によりノイズの多い出力を生成する可能性があり、これらはどちらも、より頻繁なバッテリ交換が必要となったり、或いは電源が不安定となり機器の機械的コンポーネントが損傷したりすることにより、眼科用医療機器の動作に悪影響を与える可能性がある。また別の例では、機械的装置は一般に、時間と共に摩耗する。ブレードは通常、使用すると鈍くなり、真空ポンプは時間の経過と共に効果的な真空を生成できなくなり、ギアは摩耗し、モータのパワーは低下し、又は提供するパワーの安定性が低下する。さらに、眼科用医療機器の各種のコンポーネントの性能の劣化の仕方は、使用パターン、環境パラメータ等によって異なるかもしれない。
眼科用医療機器の光学的、電気的、又は機械的コンポーネントの性能は一般に時間と共に劣化するため、眼科用医療機器は典型的に、時々、これらのコンポーネントを交換して、機器を期待される性能レベルに戻すために使用停止状態となる。多くの場合、機器はコンポーネントが故障したか、それ以外に望ましくない結果が生じた場合にメンテナンスのために使用停止状態となり、故障したコンポーネントが解析されて、不具合の根本原因が特定され得る。しかしながら、その結果、医療従事者は予定外に眼科用医療機器を利用できなくなり得、なぜなら、医療従事者には機器がいつ使えなくなるかわからないか、又は予測できないかかもしれず、コンポーネントの不具合の根本原因が解明されるまで何度も同じ不具合が繰り返されることになり得るからである。
しかしながら、場合によっては、予防的メンテナンス又はその他の是正措置を講じることによって、眼科用医療機器の性能レベルを期待される性能レベルに戻すことができる。例えば、予防的メンテナンスにより、眼科用医療機器内のコンポーネントを（自動的又は手動で）再校正して、再校正されたコンポーネントの性能を期待の性能レベルに戻すことが可能となり得る。それに加えて、予防的メンテナンスを利用して、コンポーネントが故障するか、又はその眼科用医療機器内の他の関係するコンポーネントへの損傷を招く前に交換すべきコンポーネントを特定し得る。それでも、予防的メンテナンス及びその他の是正措置は時間がかかるプロセスであるかもしれず、一般的には、必要のないときに予防的メンテナンス又はその他の是正措置を実行することは効率的とはいえない。さらに、眼科用医療機器に関する予防的メンテナンスの分野において、このような機器をモニタするための既存の技術ではこれらの機器の問題がいつ生じるかをそのような問題が発生する前に正確に予測することはできないかもしれない。
したがって、不具合の可能性及び眼科用医療機器又はその１つ若しくは複数のコンポーネントがいつ不具合となりそうかを正確に予測し、このような予測に応答して予防的メンテナンス又は是正措置を実行するための技術が必要とされている。
特定の実施形態は、予測モデリングに基づいて眼科用医療機器に予防的メンテナンスを実行する方法を提供する。この方法は一般に、眼科用医療機器からその眼科用医療機器に関連付けられる１つ又は複数の動作パラメータの測定値を受信することを含む。１つ又は複数のモデルを使って、眼科用医療機器の将来の不具合が予測される。予測は、少なくとも一部に、受信した１つ又は複数の動作パラメータの測定値に基づいて生成される。眼科用医療機器又はそのコンポーネントに、眼科用医療機器の予想された将来の不具合に基づいて予防的メンテナンスを実行するための１つ又は複数の措置がとられ得る。
特定の実施形態は、眼科用医療機器の不具合イベントを予測するための予測モデルを訓練する方法を提供する。この方法は一般に、その眼科用医療機器に関連付けられる動作パラメータの測定値群から訓練データセットを生成することを含む。訓練データセットは一般に複数の記録を含む。複数の記録の各記録は、動作パラメータの測定値、その動作パラメータが測定された時間、及び動作パラメータが測定された時間とその眼科用医療機器に関して不具合イベントが生じた時間との差を特定する。１つ又は複数の機械学習モデルは、訓練データセットに基づいて眼科用医療機器に関する１つ又は複数の不具合予測を生成するように訓練される。訓練された１つ又は複数の機械学習モデルは、眼科用医療機器の不具合を予測し、その予測に基づいて是正又は予防的メンテナンス措置を実行する中で使用するための１つ又は複数のコンピューティングシステムにデプロイされる。
特定の実施形態は、眼科用医療機器に予測モデリングに基づいて予防的メンテナンスを実行する方法を提供する。この方法は一般に、眼科用医療機器に関連付けられる動作パラメータの測定値群から訓練データセットを生成することを含む。訓練データセットは複数の記録を含み得て、複数の記録の各記録は、動作パラメータの測定値、その動作パラメータが測定された時間、及び動作パラメータが測定された時間とその眼科用医療機器に関して不具合イベントが生じた時間との差を特定する。１つ又は複数の機械学習モデルは、訓練データセットに基づいて、その眼科用医療機器に関する１つ又は複数の将来予測を生成するように訓練される。眼科用医療機器に関連付けられる１つ又は複数の動作パラメータの測定値が受信される。眼科用医療機器の将来の不具合は、１つ又は複数の訓練された機械学習モデルを使って、少なくとも一部に、受信した１つ又は複数の動作パラメータの測定値に基づいて予測される。コンポーネントに対して予防的メンテナンスを実行するための１つ又は複数の措置が、眼科用医療機器の予測された将来の不具合に基づいてとられる。
本開示の態様は、本明細書に記載の方法を実行するための装置、そのための装置、プロセッサ、及びコンピュータ可読媒体を提供する。
上記及び関係する結果を実現するために、１つ又は複数の態様は以下で詳しく説明され、特許請求項において具体的に指摘される特徴を含む。以下の説明と添付の図面は、１つ又は複数の態様の特定の例示的な特徴を詳しく記している。しかしながら、これらの特徴は各種の態様の原理を利用し得る様々な方法のうちの幾つかを示しているに過ぎない。
添付の図面は、１つ又は複数の実施形態の特定の態様を示しており、したがって、本開示の範囲を限定するものとはみなされないものとする。
本明細書に記載の特定の態様による、１つ又は複数の機械学習モデルが、眼科用医療機器の不具合を予測する中で使用するため、及び／又は予測に基づいて予防的メンテナンス若しくはその他の是正措置を実行するために訓練され、デプロイされる例示的な環境を示す。 本明細書に記載の特定の態様による、１つ又は複数の機械学習モデルが、眼科用医療機器の不具合を予測する中で使用するため、及び／又は予測に基づいて予防的メンテナンス若しくはその他の是正措置を実行するために訓練され、デプロイされる例示的な環境を示す。 本明細書に記載の特定の態様による、予測モデリングに基づいて眼科用医療機器に予防的メンテナンスを実行するためにネットワーク接続されたコンピューティング環境の中のコンピューティングシステムにより実行され得る例示的な動作を示す。 本明細書に記載の特定の態様による、眼科用医療機器の１つ又は複数のコンポーネントが不具合となる可能性及び／又は１つ又は複数のコンポーネントが不具合となりそうな時期を予測するように１つ又は複数の機械学習モデルを訓練するために１つ又は複数のコンピューティングシステムにより実行され得る例示的な動作を示す。 本開示を実行できる環境での例示的なシステムを示す。
理解しやすくするために、複数の図面に共通する同じ要素を指示するために、可能なかぎり同じ参照番号が使用されている。１つの実施形態の要素及び特徴は、さらに詳しく明記せずに他の実施形態に有利に組み込まれ得ることが想定される。
前述のように、各種の眼科用医療機器（以下、「ＯＭＤ」という）は、眼科において患者の眼の状態又は病気を診断及び治療するために使用され得る。これらのＯＭＤは例えば、手術システム及びコンソールのほか、診断及び測定機器並びにシステムを含む。手術システム及びコンソールとしては、様々な眼科手術、例えば硝子体網膜手術、白内障手術、ＬＡＳＩＫ、及び／又は当業者の間で知られている他の何れかの眼科手術を実行するために使用されるシステム及びコンソールが含まれる。診断及び測定機器及びシステムとしては、患者の眼に関連付けられる状態若しくは病気を診断するか、又は眼の様々な解剖学的特性を測定するために使用される機器及びシステムが含まれる。診断及び測定機器の例は、屈折力診断装置、角膜曲率計、光干渉断層撮影（ＯＣＴ）機器、及び／又は当業者の間で知られている他の何れかの眼科診断及び測定機器並びにシステムである。これらのＯＭＤの各々は一般に各種のコンポーネントを含み、これらは時間が経つと摩耗し、又はそれ以外に劣化する。それゆえ、時間と共に、これらのＯＭＤの性能は、ＯＭＤを使用停止状態にして、摩耗又は故障したコンポーネントを交換する必要のある程度まで劣化し得る。
ＯＭＤを使用停止状態にすることは一般に、故障した、又はそれ以外に劣化したコンポーネントが交換されるまで、医療従事者がＯＭＤを使用できなくなることを意味する。さらに、故障又は劣化したコンポーネントを交換してから、そもそもそのコンポーネントがなぜ故障又は劣化したかの根本原因を特定するまでにはかなりの時間がかかるかもしれない。それゆえ、最終的にコンポーネントの故障又は劣化を生じされた状態がそのまま続き、交換後のコンポーネントも同様に故障又は劣化することになり得て、それが最終的に、交換されたコンポーネント自体も交換する必要が生じると、さらにダウンタイムが追加されることになり得る。
場合によっては、ＯＭＤのコンポーネントが使用中に（例えば、手術中に）不具合となるかもしれない。このような場合、コンポーネントの不具合の前に事前対応的に、ＯＭＤが使用中に不具合となる状況を予防するための措置を講じることが有利であり得る。例えば、ＯＭＤ中のコンポーネントがまだ動作できるが不具合になりつつあるときにＯＭＤを使用停止状態にするか、又は無効にしてもよい。
本開示の態様は、予測モデリングを使って、ＯＭＤのある電流で測定された動作パラメータ、ＯＭＤの１つ又は複数のコンポーネントが不具合となる可能性、及びこのようなコンポーネントが不具合になりそうな時期を予測するための技術を提供する。予測モデリングを用いれば、広範なＯＭＤ動作データ（例えば、それに加えてコンポーネントの不具合の可能性、タイミング、及び／又は原因を予測するために使用できるその他の情報）を使って、コンポーネントが不具合となる可能性、そのようなコンポーネントが不具合となりそうなタイミング、及び／又はそのような不具合の原因を正確に予測することができる。さらに、不具合の可能性、不具合が生じそうな時期、及び／又は予測される不具合の原因の予測結果は、ＯＭＤに対して各種の是正又は予防的メンテナンス措置を実行するためのトリガとして使用でき、それによってこれらのコンポーネントの動作寿命が延長され得る。予防的メンテナンス措置とは、本明細書中で使用されるかぎり、ＯＭＤの中の、そのＯＭＤのコンポーネントの不具合又は差し迫った不具合に関係する問題に対処するために実行され得る様々な措置を指す。このような措置としては例えば、ＯＭＤの動作で使用される各種の構成パラメータを調整すること、使用者又はメンテナンス要員に対し、不具合になりつつある、又は不具合となりそうなコンポーネントを識別する通知を発生させること、ＯＭＤの動作を調整して、不具合となりつつある、又は不具合となりそうなコンポーネントに関連付けられる機能を無効化すること、修理が行われるまでＯＭＤの動作を停止すること等が含まれる。これらの是正又は予防的メンテナンス措置を実行することによって、本開示の態様はＯＭＤのコンポーネントの動作寿命を延ばし、不具合となったコンポーネントを交換するためにＯＭＤを使用停止状態にすることにかかわるダウンタイムを短縮させ得る。
予測モデリングに基づいて眼科用医療機器に予防的メンテナンスを実行するための例示的コンピューティング環境
ＯＭＤ内の１つ又は複数のコンポーネントの将来の不具合の可能性、タイミング、及び／又は根本原因を予測する（本明細書では単に、不具合を予測する、又は将来の不具合を予測する、ともいう）機械学習モデルを訓練し、デプロイするために各種の技術が使用され得る。様々なデプロイが図１Ａ～１Ｂに示されている。例えば、図１Ａが示すデプロイでは、機械学習モデルは、不具合を予測し、及び／又は不具合の予測に応答して予防的メンテナンス措置が実行されるようにするために、モニタ中のＯＭＤに接続されたリモートサーバ上で訓練され、実行される。図１Ｂが示すデプロイでは、機械学習モデルは、ローカルでの不具合の予測及び／又は不具合の予測に応答した予防的メンテナンスの実行のためにリモートサーバ上で訓練され、ＯＭＤにデプロイされる。しかしながら、ＯＭＤ内のコンポーネントの将来の不具合を予測する機械学習モデルを訓練し、デプロイするための他の様々な技術も想定され得て、図１Ａ～１Ｂに示されているデプロイは非限定的な実例であると理解すべきである。
図１Ａは、ＯＭＤ １１０とサーバ１２０が、ＯＭＤ １１０内の１つ又は複数のコンポーネントの将来の故障を予測し、及び／又は予測に基づいてＯＭＤ １１０に予防的メンテナンス措置を実行する中で使用するための１つ又は複数のＭＬモデルを訓練するために、ネットワークを介して接続される例示的なコンピューティング環境１００Ａを示している。ＭＬモデルは、本明細書でさらに詳しく述べるように、少なくとも一部に、ＯＭＤにより提供される、そのＯＭＤの様々な電気的、光学的、及び／又は機械的コンポーネントに関する動作パラメータに基づいて予測を生成し得る。本明細書中で使用されるかぎり、動作パラメータとは一般に、ＯＭＤの対応する１つ又は複数のコンポーネントの動作状態を示すパラメータを含む。例えば、動作パラメータは電気コンポーネントのための入力又は出力電圧又は電流、照明コンポーネントにより生成される光の強度、機械的機器のための機械的動作情報（例えば、モータ出力シャフトにおける、又はモータにより動力が供給される機器の回転速度、モータ温度）等を含み得る。
ＯＭＤ １１０は一般に、眼科外科医が患者を診断し、及び／又はそのような患者に対して眼科手術を施行するために使用できる様々な機器を表す。ＯＭＤ １１０は一般に、時間が経つと摩耗又はそれ以外に劣化し得る１つ又は複数のコンポーネントを含む。例えば、図のように、ＯＭＤ １１０は機械的コンポーネント１１２、電気的コンポーネント１１４、光学的コンポーネント１１６、及び／又はその他の種類のコンポーネントを含む。これらのコンポーネントの各々は、各種のセンサ又はそのようなコンポーネントの様々な動作パラメータの測定を可能にするその他の測定機器を備え得る。一般に、幾つのＯＭＤでもコンピューティング環境１００Ａの中に含められて、異なる種類の動作パラメータ測定値群を生成し得て、これらは将来のＯＭＤの不具合を予測する１つ又は複数のＭＬモデルへの入力として使用できる。コンピューティング環境１００Ａ内の各ＯＭＤ １１０は、動作パラメータに関連付けられる測定値を生成し、その測定値をサーバ１２０及び／又は動作履歴レポジトリ１４０に提供し得る。
幾つかの態様において、ＯＭＤ １１０は追加的に、使用パターンデータを生成して、解析のためにサーバ１２０に転送し得る。本明細書で使用されるかぎり、使用パターンデータとは一般に、各種の時間ウィンドウ中の履歴使用パターンを画定する情報を指す。例えば、使用パターンデータは異なる時間単位で（例えば、１日で、１日のうちの特定の部分で、等）ＯＭＤが使用された回数に関する情報を含み得る。この使用パターンデータは、ＯＭＤ １１０のコンポーネントの摩耗がさらに増大し、それがそのコンポーネントの不具合の可能性が高まることにつながり、それに対応してこれらのコンポーネントに関連付けられる寿命又はメンテナンス間隔が短縮することになるような動作状態を示し得る。例えば、ＯＭＤの中のコンポーネントは、ＯＭＤが使用されるたびに発熱し得て、発せられた熱はコンポーネントの性能を劣化させることになり得、熱の蓄積はさらなる劣化の原因となり得る。れそゆえ、使用パターンデータもまた、不具合の可能性とタイミングを特定するための不具合予測システムへの入力として使用され得る。
幾つかの態様において、ＯＭＤ １１０は患者の眼の解剖学的測定値を生成するために使用される様々な診断及び測定機器を含み得る。一般に、解剖学的測定値は、患者の眼の１つ又は複数の解剖学的特性の測定値、例えば角膜横径、前房深度、軸長、又は角膜曲率である。これらの解剖学的測定値は一般に、平均測定値の２つの標準偏差内の値として定義できる期待値範囲内に入る。測定値のほぼ９５パーセントが期待範囲内に入ると予想されるため、特定の人数を超える患者の測定値が期待値範囲から外れることは統計的に考えにくい。一般に、以下にさらに詳しく述べるように、ＯＭＤにより提供される測定値のパターンが常に期待値範囲から外れる場合、これはそれに対応するＯＭＤの１つ又は複数のコンポーネントの現在又は将来の不具合を示し得る。
幾つかの態様において、前述の校正データ、使用パターンデータ、及び／又は解剖学的測定値データのほか、その他の情報を、ＯＭＤ １１０のコンポーネントに関する将来の不具合を予測するためのＭＬモデルへの入力として使用できる。校正データ、使用パターンデータ、及び／又は解剖学的測定値がＭＬモデルへの入力として使用される場合、ＭＬモデルにより処理される入力ベクトルは、ＯＭＤ １１０から得られる動作パラメータ測定値のほか、校正データ、使用パターンデータ、及び／又は解剖学的測定値データを含み得るが、これについては後でさらに詳しく述べる。幾つかの態様において、校正データ、使用パターンデータ、及び／又は解剖学的測定値データは、ＯＭＤのあるコンポーネントが、ＭＬモデルを使用してさらにモニタするか、又は解析するための関心対象であるか否かを特定するために使用できる。例えば、後でさらに説明するように、特定の態様において、校正データ、使用パターンデータ、及び／又は解剖学的測定値データは、ＭＬモデルがＯＭＤ １１０のコンポーネントの不具合の予測を作成するのをトリガし得る。
ＯＭＤ １１０を保守するために、ＯＭＤに対して校正作業が定期的に行われ得る。校正作業中に生成される校正データとしては、例えばＯＭＤ １１０を既知の基本状態にするために行われるＯＭＤ １１０への調整を定義する情報が含まれる。一般に、校正作業では、時間が経つほど、ＯＭＤ １１０のコンポーネントに対して、これらのコンポーネントの性能特性においてさらに進んだ劣化を補償するために、より大きい調整が必要となるかもしれない。校正作業は定期的に行われても、又はＯＭＤ １１０のコンポーネントの動作パラメータが所定の閾値又はセットポイントまで劣化したときに行われてもよい。校正作業が定期的に行われる場合、ＯＭＤ １１０を既知の基本状態に戻すために必要な調整量を利用して、ＯＭＤが不具合となりそうであるかどうかを特定でき、これについては後でさらに詳しく述べる。同様に、動作パラメータの測定値が例えば所定の閾値又はセットポイントまで劣化したことが検出されたときにそれに応答して校正作業が実行される場合、このような校正作業が行われる頻度を利用して、ＯＭＤが不具合となりそうであるかどうかを特定できる。例えば、動作パラメータがよりしばしば劣化することによって校正がより頻繁に行われている場合、又はＯＭＤのコンポーネントの劣化を補償するために校正により大きな調整が必要となる場合、これらはＯＭＤが不具合となりそうであることを示し得る。
サーバ１２０は一般に、１つのコンピューティングデバイス又はコンピューティングデバイスのクラスタを表し、そこで訓練データセットが生成され、それが、ＯＭＤの中の１つ又は複数のコンポーネントの将来の不具合を予測し、及び／又は予測に基づいてＯＭＤに予防的メンテナンス措置を実行するための１つ又は複数のＭＬモデルの訓練に使用され得る。サーバ１２０は、ＯＭＤ １１０と、履歴動作パラメータの記録と不具合イベント情報（例えば、不具合の原因、不具合に関連付けられるタイミング情報等）を保存する動作履歴レポジトリ１３０（以下、「レポジトリ１３０」という）に通信可能に連結される。特定の態様において、レポジトリ１３０は、ＯＭＤ １１０及び／又はサーバ１２０から情報を受け取って、この情報を対応する記録の中に構造化され、整理された方法で保存するデータベースサーバであり得るか、又はそれを含んでいてよい。
特定の態様において、レポジトリ１３０内の各記録は、動作パラメータがそこに関連付けられるＯＭＤ １１０のコンポーネントの識別情報、センサ又は、コンポーネントに関連付けられるその他の測定機器により測定される動作パラメータ、それらの動作パラメータが測定された時間、及びコンポーネントが実際に不具合となった時間等の情報を含み得る。
サーバ１２０は、ＯＭＤ １１０の中の対応するコンポーネントの履歴動作パラメータ及び動作パラメータの測定値のほか不具合に関連付けられるタイミングのこれらの記録を、ＯＭＤ内のコンポーネントの将来の不具合を予測するためのＭＬモデルの訓練用に使用する。より具体的には、図１Ａに示されるように、サーバ１２０は訓練データ生成装置１２２（以下、「ＴＤＧ １２２」という）、モデル訓練装置１２４、不具合予測装置１２６、及び不具合修正装置１２８を含む。ＴＤＧ １２２は、レポジトリ１３０からデータを読み出してデータセットを生成し、これはモデル訓練装置１２４によってＭＬモデルを訓練するために使用され、それが不具合予測装置１２６によってＯＭＤ内の１つ又は複数の将来の不具合を予測するために使用される。
モデル訓練装置１２４は、ＭＬモデルを訓練するために訓練データセットを使用するように構成された１つ又は複数の機械学習アルゴリズム（以下、「ＭＬアルゴリズム」という）を含むか、又は参照する。特定の実施形態において、訓練されたＭＬモデルは、ある入力群に対してＯＭＤのコンポーネントの将来の不具合を生成又は予測するために使用される、例えば重み及びパラメータを用いた関数を指す。ある入力群に対する様々な種類の出力を生成するために、様々なＭＬアルゴリズムが使用され得る。
ＭＬアルゴリズムには一般に、教師付き学習アルゴリズム、教師なし学習アルゴリズム、及び／又は半教師あり学習アルゴリズムが含まれ得る。教師なし学習とは、ラベル付き応答を与えずに入力データからなるデータセットから推論を引き出すために使用される種類の機械学習アルゴリズムである。教師あり学習は、例えば入力を出力に例示的な入力－出力ペアに基づいてマッピングする関数を学習する機械学習タスクである。教師あり学習アルゴリズムには一般に、回帰アルゴリズム、分類アルゴリズム、決定木、ニューラルネットワーク等が含まれる。データセットについて以下に説明する。
ＯＭＤ １１０の中のコンポーネントの動作パラメータ及び／又はコンポーネントの不具合に関連付けられるタイミング情報を含む、特定の入力群に基づいて訓練され、デプロイされると、ＭＬモデルはＯＭＤ １１０内のコンポーネントの不具合に関する予測を行うことができる。一般に、ＭＬモデルにより行われる予測は、コンポーネントがある期間中に不具合となる可能性及び／又はコンポーネントが不具合となりそうな時期を含み得る。特定の態様において、モデル訓練装置１２４は、ＯＭＤ １１０の中の異なるクラスのコンポーネントに関する不具合イベントを予測するように構成された複数のＭＬモデルを訓練する。例えば、第一のＭＬモデルは、ＯＭＤの機械的コンポーネントの将来の不具合をその機械的コンポーネントに関連付けられる動作パラメータ（例えば、入力パワーノイズレベル、回転速度、温度等）に基づいて予測するように構成され得て、第二のＭＬモデルはＯＭＤの電気コンポーネントの不具合を電気に関連付けられる動作パラメータ（例えば、入力パワーノイズレベル、出力電圧、出力パワーノイズレベル、温度等）に基づいて予測するように構成され得て、第三のＭＬモデルは、発光装置の不具合を発光コンポーネントに特定の動作パラメータ（例えば、入力パワーノイズ、入力パワーレベル、出力輝度等）に基づいて予測するように構成され得る、等々。ある例において、不具合の可能性とは、特定のコンポーネントが不具合となる、ＯＭＤが不具合となる等の不具合の一般的可能性、例えば２０％の見込み、３０％の見込み等とすることができる。他の例では、不具合の可能性とは特定の期間内の不具合の可能性、例えば特定のコンポーネント、ＯＭＤ全体等が今後２日で不具合となる２０％の見込み等とすることができる。
ＭＬモデルを訓練するために使用されるデータセット内の各サンプルは、ＭＬモデルがそれについて訓練されている機器の種類に特定の動作パラメータ及び／又は動作パラメータがＯＭＤ １１０で得られた時点からＯＭＤの関連するコンポーネントの不具合までの経過時間の長さに関係するタイミング情報を含む。場合により、データセット内の各サンプルは、校正データのほか、測定された動作パラメータに関連付けられる使用パターン情報をさらに含み得る。使用パターン情報は例えば、前回の動作パラメータ群が生成されたときから現在の測定動作パラメータ群が生成されたときまでの期間中にその機器が使用された回数を含み得る。使用パターン情報は、より激しい使用パターン、又はより集中的な使用パターンがＯＭＤ内のコンポーネントの劣化を加速させるか、又はその速度に影響を与える可能性があるとの仮定に基づいて将来の不具合をさらに予測するために使用され得る。
ＭＬモデルを訓練するために、モデル訓練装置１２４はＭＬモデルに各サンプルの入力データを通して、入力データに関係する予測を生成する。予測は、幾つかの態様において、特定の期間（例えば、ｎ）日間の確率分布であってよく、この場合、各日がＯＭＤ １１０のコンポーネントがその日に不具合となる確率に関連付けられる。一般に、ＯＭＤ１１０のコンホーネンは、いつかは不具合となるため、確率分布の総面積は１（すなわち、不具合の見込みが１００パーセント）に近付くが、しかしながら機器は予測可能な期間では予測可能な方法で不具合となる可能性があるため、確率分布は多数の低い値と、コンポーネントがその時間ウィンドウ内の特定の時期に不具合となる可能性がより高いことを示す１つ又は複数のスパイクを含み得る。一般に、予測されたタイミング情報（すなわち、データセット中の各サンプルについて予測されたＹΛ）とデータセット中の各サンプルの中に含まれる実際のタイミング情報（すなわち、データセットの各サンプルに含まれるＹ）の差が計算され、ＭＬモデルの訓練に使用され得る。例えば、予測されたタイミング情報はコンポーネントの不具合までの予測される日数に対応し得て、各サンプルに含まれる実際のタイミング情報は各サンプルに含まれる入力が記録されてからコンポーネントが不具合となったときまでに経過した実際の日数であり得る。上述のタイミング情報は例に過ぎない点に留意すべきであり、ＭＬモデルは、出力の他のパラメータ又は種類（出力の、時間を含まないパラメータ又は種類）を含むＹの実際の値から学習することによってＹΛを予測するように訓練され得る。
幾つかの態様において、モデル訓練装置１２４は、ＭＬモデルを実際のタイミング情報と予測されたタイミング情報との間の誤差（すなわち、Ｙ－ＹΛ）に基づいて訓練（又は改良）し得る。換言すれば、モデル訓練装置１２４は、予測されるタイミング情報と実際のタイミング情報との誤差（又は相違）を最小にするためにＭＬモデルの重みを調整する。モデル訓練装置１２４がさらに多くのサンプルをＭＬモデルに通し、重みの調整を続けるうちに、ＭＬモデルの正確さが増して、ＭＬモデルは極めて低い誤り率で非常に正確な予測を行い始める。その時点で、ＭＬモデルはＯＭＤ １１０の様々なコンポーネント（例えば、機械的コンポーネント１１２、電気的コンポーネント１１４、及び／又は光学的コンポーネント１１６）に関する不具合予測を行うようにデプロイ可能な状態となる。図１Ａの例において、訓練されたＭＬモデルは不具合予測装置１２６にデプロイされ得て、ＯＭＤ １１０のコンポーネントに関する不具合を捕捉された動作パラメータに基づいて予測する中で使用され、これについては後でさらに詳しく説明する。
幾つかの態様において、ＭＬモデルは時系列ベースのアルゴリズム及びデータセットを使って訓練され得る。例えば、ＭＬモデルは長・短期記憶（ＬＳＴＭ）ＭＬアルゴリズムを使って訓練され得て、これはデータ内のタイミングの関係（又は他の順序依存性）を学習することができる。一般に、これらのＬＳＴＭモデルは、過去の一連の観察（すなわち、ＯＭＤ １１０のあるコンポーネントの過去の動作パラメータ）を出力観察（すなわち、そのコンポーネントが不具合となる可能性及びそのコンポーネントが不具合となる時期の）にマッピングする関数を学習する。その他のＭＬアルゴリズム、例えば回帰ニューラルネットワーク又は異なる入力間のタイミング関係を学習できるその他のアルゴリズムもまた、又は代替的に、捕捉された動作パラメータに基づいてＯＭＤ １１０のコンポーネントの将来の不具合を予測するために使用され得る。
モデル訓練装置１２４は、ＯＭＤ １１０全般に関する不具合予測を生成する（例えば、ＯＭＤ １１０の中の何れかのコンポーネントに関する将来の不具合を予測する）ために１つのＭＬモデルを訓練し得る。このような場合、１つのＭＬモデルを訓練するために使用されるデータセットは、ＯＭＤ １１０中のモニタ対象の複数のコンポーネントについて合計された動作パラメータ測定値及び／又はＯＭＤ １１０の不具合に関するタイミング情報を含み得る。他の例では、モデル訓練装置１２４はＯＭＤ １１０の異なるコンポーネントに関する不具合予測を生成するために複数のＭＬモデルを訓練し得る。複数のＭＬモデルは、機械的コンポーネント１１２に関する不具合予測を生成するように訓練された第一のモデル、電気的コンポーネント１１４に関する不具合予測を生成するように訓練された第二のモデル、光学的コンポーネント１１６に関する不具合予測を生成するように訓練された第三のモデル等々を含み得る。これらのＭＬモデルの各々を訓練するために使用されるデータセットは、各々の特定の種類のコンポーネントに関する不具合予測を生成するために使用され得る入力データを含み得る。
一般に、モデル訓練装置１２４は、本明細書に記載のダイナミックデータセットを使ってＭＬモデルを再訓練できる。データセットがダイナミックと呼ばれ得るのは、これらがＯＭＤ １１０及び他のＯＭＤから収集される新たなデータポイントを常に受け取って、それを反映させ得るからである。再訓練は、（タイムスケジュールにしたがって）定期的に、例えばモデル訓練装置１２４がＭＬモデルを訓練及び再訓練するために使用する履歴データセットに閾値の数の新規エントリが追加されるたびに、又は手作業で行われ得る。これらのダイナミックデータセットを使ってＭＬモデルを再訓練することによって、モデル訓練装置１２４は、時間が経つとＯＭＤ又はそのコンポーネントに関する不具合予測をより正確に行うことができるようになるＭＬモデルを生成できる。ＯＭＤに関する不具合予測の正確さの向上によって、ひいては、ＯＭＤ １１０の１つ又は複数のコンポーネントに関する様々な予防的メンテナンス措置をよりタイムリに実行し、それに対応してシステムのアップタイムを増大させ得る。
不具合予測装置１２６は一般に、捕捉された動作パラメータ、ＯＭＤ １１０からのその他の情報、及び訓練されたＭＬモデルを使ってＯＭＤのコンポーネントが不具合となりそうか否かを特定する。不具合予測装置１２６は、ＯＭＤ １１０のためのコンポーネントの不具合に関する予測を行う中で使用するために、動作パラメータの測定値及びその他の情報をＯＭＤ １１０からリアルタイムで、又は定期的バッチレポートの中で受け取り得る。
一般に、不具合予測装置１２６は、少なくともコンポーネントに関するＯＭＤ １１０により生成される動作パラメータと各種のモデル、例えばそのコンポーネントに適用可能な先験的に定義されたモデル又は訓練されたＭＬモデルを使って、ＯＭＤ中のコンポーネントの（例えば、その動作パラメータ測定値に関連付けられるコンポーネントの、又はそれに関する不具合がそのコンポーネントに関連付けられる動作パラメータ測定値により示され得る上流若しくは下流のコンポーネントの）将来の不具合を予測することができる。ＯＭＤ中のコンポーネントの将来の不具合の予測には例えば、コンポーネントの不具合の可能性及び／又はコンポーネントが不具合となりそうな時期及びその他の予測が含まれ得る。一般に、先験的に定義されたモデルは、モデル訓練装置１２４によって訓練される必要がなく、コンポーネントが不具合となりつつあること（例えば、それと共にそのタイミング／可能性）をこれらのコンポーネントの既知の特性に基づいて特定するために使用され得る。訓練されたＭＬモデルは、ＯＭＤ １１０のコンポーネント（又は、実際には１つのコンポーネントに関する動作パラメータの測定値は上流又は下流のコンポーネントが実際に不具合となっていることを示し得るため、関連するコンポーネント）に関する不具合予測を生成するために、先験的に定義されたモデルと共に、又はその代わりに使用され得る。
前述のように、ＭＬモデルは、動作パラメータ測定値群を入力として取り、確率分布を出力として生成し得る。確率分布は、動作パラメータ測定値が生成された後の複数の期間の各々に関するコンポーネントの不具合の可能性を示し得る。例えば、ｎ日間の時間ウィンドウにわたり、確率分布は１日後、２日後等、ｎ日までの確立を示し得る。確率分布内のスパイクは一般に、そのコンポーネントが不具合となる可能性が最も高い時期を示す。
幾つかの態様において、ＭＬモデルは、コンポーネントの不具合の可能性及び／又はコンポーネントが不具合となる時期を予測する中で使用するために、動作パラメータ測定値群と共にその他の情報も入力として取り得る。例えば、ＭＬモデルは、校正データ、使用パターン情報、及び／又はＯＭＤ １１０により生成された解剖学的パラメータの測定値（又はそこから導き出された情報）を動作パラメータ測定値と共に使用して、ＯＭＤ １１０のコンポーネントが不具合となる将来の不具合及び／又はそのコンポーネントが不具合となりそうな時期を予測し得る。使用パターン情報は例えば、ある期間中にＯＭＤ １１０が何回使用されたか又は、ある期間にわたる使用に関するより詳細な情報（例えば、ある期間の中の異なる部分での使用）を含み得る。ある期間にわたり生成された解剖学的パラメータの測定値は例えば、測定値のうち、ある解剖学的パラメータの期待値範囲から外れたものの割合に関する情報を生成し得る。
幾つかの態様において、先験的に定義されたモデルは、ＯＭＤ １１０のコンポーネントが不具合となりつつあるか否かを、先験的にわかっている、そのコンポーネントに関する正常及び異常動作パラメータ測定値に基づいて特定するために使用され得る。例えば、先験的に定義されたモデルは、最小値及び最大値として動作パラメータ測定値の正常値を特定し得る。最大値は、コンポーネント（又は上流若しくは下流のコンポーネント）の不具合が発生したことがわかったときの動作パラメータの値に対応し得る。ＯＭＤ １１０のコンポーネントに関して受け取った動作パラメータ測定値がこの最大値を超えた場合、不具合予測装置１２６は、そのコンポーネントが不具合となったと特定することができ、不具合修正装置１２８に対し、そのコンポーネントのために１つ又は複数の措置をとるように命令できる。幾つかの態様において、当初、先験的に定義されたモデルが使用されてよく、ＭＬモデルは経時的に、捕捉された履歴データに基づいて訓練され得て、最終的に、訓練されたＭＬモデルを先験的に定義されたモデルの代わりに、又はそれと共に使用できる。
幾つかの態様において、各種の閾値設定方式を使って、不具合予測装置１２６がＯＭＤ １１０のコンポーネントの将来の不具合を予測するために、訓練されたＭＬモデルを使用すべきか否かを特定できる。これらの閾値設定方式を使用することにより、コンポーネントが差し迫った不具合の兆候を示しているか否かに関係なく、ＭＬモデルは、ＯＭＤ １１０の全てのコンポーネントに関する予測の代わりに、ＯＭＤ １１０のうちの関心対象のコンポーネントに関する予測を生成するために使用できる。それゆえ、ＭＬモデルを使って、さらにモニタするための関心対象のコンポーネントのみに関する予測を生成することにより、演算リソースを節約し得る。
例えば、受け取った動作パラメータ測定値と期待される動作パラメータ測定値との比較を利用して、ＯＭＤ １１０のあるコンポーネントに関する不具合予測を生成するためにＭＬモデルを使用すべきか否かを特定し得る。一般に、ＯＭＤ １１０の各コンポーネントは、動作パラメータの所定の正常範囲に関連付けられ得る。例えば、機械的機器は入力電流／電圧、回転速度、振動測定値、等の正常範囲に関連付けられ得る。電気的機器は、出力電流／電圧、出力ノイズ、熱等の正常範囲に関連付けられ得る。発光機器は、要求される入力パワー、出力輝度レベル等の正常範囲に関連付けられ得る。ＯＭＤ １１０が、あるコンポーネントに関して、そのようなコンポーネントの正常範囲内にある動作パラメータを報告した場合、不具合予測装置１２６は、コンポーネントが正常に動作していて、ＯＭＤのコンポーネントがすぐに不具合となるか、又は近い将来、よりよく注意する必要がある可能性が低いことから、ＯＭＤ １１０のコンポーネントの将来の不具合を予測するためにＭＬモデルを使用する必要がないと特定し得る。
幾つかの態様において、不具合予測装置１２６は、傾向分析又はその他の統計分析を使って、ＯＭＤ １１０のコンポーネントに関する不具合予測を生成するためにＭＬモデルを使用するか否かを特定し得る。前述のように、ＯＭＤ １１０の中の機械的、電気的、光学的、及び発光コンポーネントは、時間が経つとその性能が劣化する。場合により、これらのコンポーネントはある長さの時間にわたっては一貫した動作パラメータを生成し、その後、突然劣化するかもしれない。また別の場合には、これらのコンポーネントは動作パラメータの単調な変化パターンを示し、コンポーネントがその使用寿命に到達するか、又はそれ以外に不具合状態に近付くと、より大幅な変化が発生するかもしれない。機器の動作パラメータの先験的にわかっている劣化特性に基づいて、不具合予測装置１２６はある時間ウィンドウにわたってあるコンポーネントについて捕捉された動作パラメータを精査し、報告された動作パラメータにおける傾向を検出し得る。傾向が差し迫った不具合を示している（例えば、傾向が、その時間ウィンドウにわたる動作パラメータの大きな変化を示している）場合、不具合予測装置１２６は、ＯＭＤ １１０のコンポーネントをより詳しくモニタすべきであることを特定し得て、それゆえモデル訓練装置１２４により訓練されたＭＬモデルを使ってコンポーネントの不具合予測を生成し得る。
幾つかの態様において、不具合予測装置１２６はまた、又は代替的に、ＯＭＤ １１０に対して行われた校正手順に関する情報を使って、ＭＬモデルを使用してＯＭＤのコンポーネントを検査すべきであることを特定し得る。一般に、ＯＭＤ １１０は定期的に（例えば、毎日）校正手順を実行して、コンポーネントを既知の基本状態に調整し得る。ＯＭＤのコンポーネントの性能は時間が経つと劣化し得るため、校正手順では、ＯＭＤのコンポーネントを既知の基本状態に調整するために徐々にさらに大きく変化させることが必要となり得る。さらに、各種のコンポーネントの性能特性は既知のパターンを有し得るため、ＯＭＤのコンポーネントを既知の基本状態に調整するために使用される校正手順は、コンポーネントの性能特性パターンを映すパターンを有し得る。それゆえ、不具合予測装置１２６は、傾向分析又は既知の校正パラメータ範囲を使って、コンポーネントの不具合予測を生成するためにＭＬモデルを使用すべきか否かを特定し得る。
他の例では、不具合予測装置１２６は、ＯＭＤ １１０により生成された解剖学的測定値を使って、ＭＬモデルを使用してＯＭＤ １１０のコンポーネントを検査すべきであることを特定し得る。前述のように、解剖学的測定値は一般に、既知の数値分布内に当てはまる。しかしながら、ＯＭＤ １１０が既知の数値分布から外れる解剖学的測定値を常に生成する場合、そのＯＭＤ １１０が不具合となりつつあるか、又は近い将来、不具合となりそうである可能性がより高い。不具合予測装置１２６は例えば、それに関して生成された解剖学的測定値が既知の分布から外れる患者の数がＯＭＤにより評価される患者の閾値パーセンテージを超えた場合に、ＭＬモデルを使用してＯＭＤ １１０を検査すべきであると特定し得る。解剖学的測定値には例えば、解剖学的測定値の取得中に記録された患者の眼球運動を示すアイトラッキング情報、軸長（すなわち、角膜前と網膜との間の距離）、角膜の厚さ、前房深度（すなわち、角膜全部と水晶体全面との間の距離）、角膜横径（すなわち、眼の両側の角膜及び強膜境界間の距離）、水晶体の厚さ、水晶体の曲率、及び使用中にＯＭＤにより記録され得るその他の解剖学的測定値が含まれ得る。
不具合予測装置１２６がＯＭＤコンポーネントは不具合となりそうであると特定し、及び／又はコンポーネントが不具合となりそうな時期を識別した後、不具合予測装置１２６はその予測と、不具合となるコンポーネントを識別する情報を不具合修正装置１２８に提供して、さらに処理されるようにすることができる。一般に、不具合修正装置１２８は、ＯＭＤ １１０の１つ又は複数のコンポーネントに関して様々な予防的メンテナンス措置を実行するように構成される。予防的メンテナンス措置は、コンポーネントの識別情報、コンポーネントについて記録された現在の動作パラメータ測定値、及びメンテナンスを遠隔的にそのコンポーネントに対して実行できるか否かを特定するために使用され得るその他の情報に基づいて様々であり得る。
幾つかの態様において、不具合予測装置１２６は、ＯＭＤの使用者及び／又はＯＭＤの保守を行うサポート要員に向けて表示するために、ＯＭＤの予測された将来の不具合に関する情報を含む１つ又は複数の通知を生成することができる。これらの通知は例えば、コンポーネントが不具合となりそうであるとの予測に応答して不具合修正装置１２８がとる措置に関する情報、その措置がなぜとられるか（例えば、動作パラメータ測定値の数値に基づいて行われた予測に応答して）、及び／又はＯＭＤ中のコンポーネントの状態の理解を助け得るその他の情報、ＯＭＤ中のコンポーネントに関する問題、及びコンポーネントが不具合となりそうであるとの予測に応答してとるべき将来の措置を含み得る。
不具合予測装置１２６は、様々な動作環境及び様々な地理的領域内にあるＯＭＤに関する不具合予測を実行するために使用され得る。不具合予測装置１２６は、異なる動作環境及び地理的領域内の機器に関する不具合予測を生成できるため、モデル訓練装置１２４及び不具合予測装置１２６は、幅広い分野のデータを利用して、幅広い分野の配備されたＯＭＤの不具合を予測することができる。さらに、配備されたＯＭＤの分野から得られるデータポイントにより、大量のデータセットに基づいて各種の分析を行うことが可能となり得る。例えば、不具合予測装置１２６は、配備されたＯＭＤの分野を複数のグループ（例えば、地域グループ、環境グループ等）に分割して、これらのグループの中でより優勢又はより優勢でない不具合を識別し得る。１つのグループにおいてより優勢な不具合に関する情報は、不具合予測装置１２６によって、ＯＭＤの特定のコンポーネントにかかわる技術グループに提供され、これらの不具合の根本原因と、これらのコンポーネントに関する、特定の使用者グループにとっての不具合の優勢度合いを下げ得る新しいデザイン又は手順を識別し得る。
幾つかの態様において、不具合修正装置１２８は、ＯＭＤ １１０のコンポーネントの不具合又は予想される不具合を修正するために実行可能なプログラムによるソリューションのライブラリを含み得る。これらのプログラムによるソリューションは、例えば特定の種類のコンポーネント及び特定の動作パラメータ測定値群に関連付けられ得る。一般に、プログラムによるソリューションは、ＯＭＤ １１０に実行するように要求されると、ＯＭＤ １１０で異常な実行状態を修正する実行可能コードを含み得る。これらのプログラムによるソリューションとしては、例えば各種の動作のタイミングを制御するソフトウェアパッチ、ＯＭＤ １１０の校正を調整するために使用される校正目標の変更等が含まれ得る。プログラムによるソリューションとＯＭＤ １１０により報告されたコンポーネント及び動作パラメータ測定値との間のマッチングがみられた場合、不具合修正装置１２８はプログラムによるソリューションをＯＭＤ １１０に実行するように要求できる。
幾つかの態様において、不具合修正装置１２８は、不具合となりつつある、又はまもなく不具合になりそうであると識別されたコンポーネントが不具合又は予想される不具合を修正するために交換すべきであると特定し得る。不具合修正装置１２８は、コンポーネントを交換すべきであることを、そのコンポーネントがソフトウェアでは補償できない電気的又は機械的障害によって不具合となりつつあることを識別する情報に基づいて特定し得る。例えば、不具合修正装置１２８は、電気的コンポーネントについて、そのコンポーネントに期待される出力を生成するために必要な電力量が徐々に増大したときに、電力需要の増大（例えば、及びそれに対応する電気的コンポーネントにおける抵抗の増大）がソフトウェアでは修正できない差し迫った不具合を示し得るため、それを交換すべきであると特定し得る。他の例では、不具合修正装置１２８は、機械的コンポーネントについて、その機械的コンポーネントに関して報告された動作パラメータ測定値が性能の劣化（例えば、電動機器の回転速度の不安定化）を示すか、その機器にハートビートはある（例えば、ＯＭＤ １１０のコントローラと電気的に接続されている）が機械的には動作しないことを示しているときに、それを交換すべきであると特定し得る。このような場合、不具合修正装置１２８は、ＯＭＤ １１０に対し、不具合となった、又はまもなく不具合となると識別されたコンポーネントが交換されるまでＯＭＤを無効にする１つ又は複数の命令を実行させ得る。
幾つかの態様において、不具合修正装置１２８は、ＯＭＤ １１０上のコンポーネントに関する診断テスト又はその他の行為を実行して、そのコンポーネントが不具合となりつつある、又はまもまく不具合となるか否かをさらに特定できる。診断テストは、ＯＭＤに特定の動作を実行させて、追加の動作的パラメータ測定値をさらに解析されるように不具合修正装置１２８に提供する命令を含み得る。追加的測定値がそのコンポーネントは不具合となりつつある、又は不具合となりそうであることを示した場合、不具合修正装置１２８は前述のように、予防的メンテナンス措置をコンポーネントに関して実行すべきであることを特定できる。
図１Ｂは他の例示的なコンピューティング環境１００Ｂを示しており、その中ではＯＭＤ中のコンポーネントの将来の不具合を予測するための、そのＯＭＤへの予防的メンテナンスを実行する中で使用される機械学習モデルの訓練と使用が実行され得る。図のように、コンピューティング環境１００Ｂは、測定機器１１０、サーバ１２０、及び動作履歴レポジトリ１３０を含む。図１Ｂに示される例では、ＴＤＧ １２２及びモデル訓練装置１２４はサーバ１２０上で動作し、不具合予測装置１２６及び不具合修正装置１２８は、機械的コンポーネント１１２、電気的コンポーネント１１４、及び／又は光学的コンポーネント１１６に関連付けられる機器コンポーネント計装により生成されるデータを使ってＯＭＤ １１０上で動作する。機器コンポーネント計装は一般に、様々なセンサ及び、ＯＭＤ上のコンポーネントの各種の動作パラメータをモニタし、測定できる他の計測機器を含む。これらの動作パラメータ測定値は、前述のように、単独でも、他のデータ、例えば様々な患者に関する校正データ、使用履歴、又は解剖学的パラメータ測定値と共に、ＯＭＤ上のコンポーネントが不具合となりそうであることを予測し、その予測に基づいてＯＭＤに対して実行してコンポーネントが不具合となるのを防止するための予防的メンテナンス措置を識別するために使用され得る。
予測モデリングに基づいて眼科用医療機器に予防的メンテナンスを実行する例示的方法
図２は、ＯＭＤ中のコンポーネントの将来の不具合を予測するためのコンピューティングシステムにより実行され得る、そのＯＭＤに予防的メンテナンスを実行する中で使用される例示的動作２００を示す。動作２００は、図１Ａ～１Ｂに示されるＯＭＤ １１０又はサーバ１２０のうちの１つ又は複数により実行され得る。
図のように、動作２００はブロック２１０から始まり得て、そこでシステムはＯＭＤからそのＯＭＤのコンポーネントに関連付けられる１つ又は複数の動作パラメータの測定値を受け取る。測定値は、ある期間中の異なる時点での動作パラメータ測定値を含み得る。場合により、測定値は定期的に（例えば、ＯＭＤ又は、そこで測定値が受け取られるサーバ上で動作するハートビートモニタにしたがって）受け取り得る。例えば、測定値は毎日、ＯＭＤが使用された後に毎回、又はＯＭＤからの測定値を受け取るために設定された他の何れかの周期にしたがって受け取られ得る。
ブロック２２０で、システムは、１つ又は複数のモデルを使って、ＯＭＤのコンポーネントの将来の不具合の可能性及び／又はコンポーネントが不具合となりそうな時期を、少なくとも一部に、受け取った１つ又は複数の動作パラメータの測定値に基づいて予測する。モデルは、コンポーネントが不具合となりつつあるか否かを、正常及び異常動作に対応する動作パラメータ測定値の既知の数値に基づいて識別する先験的に定義されるモデルか、又はＯＭＤの将来の不具合を予測できる訓練を受けたＭＬモデルを含み得る。コンポーネントが不具合となりつつあるか否かを、先験的モデルを使って識別することは、ＯＭＤのコンポーネントが不具合となる可能性及び／又はコンポーネントが不具合となりそうな時期を、少なくとも一部に、受け取った１つ又は複数の動作パラメータの測定値に基づいて予測することを含み得る点に留意されたい。場合により、ＯＭＤのコンポーネントに関する将来の不具合を予測することにかかわる演算リソースの利用を削減するために、システムはＯＭＤのコンポーネントの将来の不具合を、そのＯＭＤからの他のデータがそのコンポーネントは予測モデリング及び予防的メンテナンスの実行が正当とされる程度まで劣化したことを示していると特定したことに応答して予測できる。
例えば、予測モデリングが正当であると特定するために、システムはコンポーネントの動作パラメータ測定値をそのコンポーネントの既知の仕様に照らして検査することができる。既知の仕様には、例えばそのコンポーネントに関する動作パラメータの測定値の期待範囲に関する情報が含まれ得る。測定値が期待範囲から（例えば、閾値量だけ）外れる場合、システムは、予測モデリング及び予測モデリングに基づく予防的メンテナンスの実行が正当であると特定できる。他の例では、システムは、測定された光学パラメータ及び履歴測定値の傾向分析又は統計分析を使って、そのコンポーネントが、差し迫った不具合を示す性能劣化の兆候を示しているか否かを特定できる。
場合により、システムは、測定された光学パラメータ又はこれらの光学パラメータの履歴測定値以外のデータを精査して、予測モデリングと予防的メンテナンスが正当であることを特定できる。例えば、校正テストの結果を精査して、ＯＭＤを校正するために使用される校正調整の量がだんだん増えているか否かを特定し得る。より大幅な校正調整の使用はＯＭＤのコンポーネントが劣化していることを示し得るため、校正調整が増大して閾値量を超えることは、コンポーネントが不具合となりつつあるか、又は不具合となりそうであり、それゆえ予測モデリング及び予防的メンテナンスの実行が正当であることを示し得る。他の例では、システムは患者解剖学的測定値を精査して、ＯＭＤがある解剖学的パラメータに関する数値の正常な分布に関して異常な測定データを常に生成しているか否かを特定することができる。ＯＭＤが異常な測定データを常に生成している場合、システムは、ＯＭＤの動作が異常であると特定でき、予測モデリングと予防的メンテナンスの実行が正当であると特定し得る。
ブロック２３０で、システムはコンポーネントに対して、予測された不具合の可能性及び／又はコンポーネントが不具合となりそうな時期に基づいて予防的メンテナンスを実行するために１つ又は複数の措置をとる。この１つ又は複数の措置としては、ＯＭＤ上でのＯＭＤに関して生じ得る不具合モードに対処するためのコードを実行すること、ＯＭＤに追加の診断テストを行って、さらなる一連の措置を特定すること、又は不具合となっているコンポーネントが交換されるまでＯＭＤを無効にすることが含まれ得る。
図３は、ＯＭＤの中のコンポーネントの将来の不具合を予測するように機械学習モデルを訓練するためにシステムにより実行され得る、ＯＭＤに予防的メンテナンスを実行する中で使用され得る例示的な動作３００を示す。動作３００は、例えば図１Ａ～１Ｂに示されるサーバ１２０により実行され得る。
図のように、動作３００はブロック３１０から始まり、そこではシステムがあるＯＭＤに関連付けられる動作パラメータ測定値群から訓練データセットを生成する。データセットは、幾つかの態様において、そのＯＭＤの各種のコンポーネントに関する測定された動作パラメータ及び／又は、そのＯＭＤでその測定値が得られた時間やそのＯＭＤが不具合となった時間に関連付けられるタイミング情報を含み得る。訓練データセットを生成することによって、ＯＭＤの異なるコンポーネント又はコンポーネントクラスに関する異なる訓練データセットが生成されることになり得るが、それは、異なるコンポーネント又はコンポーネントクラスが将来の不具合の可能性を示す異なるパラメータを有し得るからである。
ブロック３２０で、システムは１つ又は複数の機械学習モデルを訓練データセットに基づいて訓練する。１つ又は複数の機械学習モデルは、ＯＭＤに関する不具合予測を生成するように訓練され得る。例えば、第一のＭＬモデルは、ＯＭＤの機械的コンポーネントに関する不具合予測を生成するように訓練され得る。第二のＭＬモデルは、ＯＭＤの電気的コンポーネントに関する不具合予測を生成するように訓練され得る。第三のＭＬモデルは、ＯＭＤの発光コンポーネントに関する不具合予測を生成するように訓練され得る。さらに別のＭＬモデルは、ＯＭＤ内の他のクラス又は種類のコンポーネントに関する不具合予測を生成するように訓練され得る。他の例において、ＭＬモデルはＯＭＤ中の特定の各コンポーネントに関する不具合予測を生成するように訓練され得る。
ブロック３３０で、システムは訓練された１つ又は複数のＭＬモデルを１つ又は複数のコンピューティングシステムにデプロイする。幾つかの態様において、訓練されたＭＬモデルは、ＭＬモデルを訓練するために使用されたものと同じシステム（又はシステムのクラスタ）上で動作する不具合予測装置にデプロイされ得る。代替的に、訓練されるＭＬモデルは、ＯＭＤにローカルのコンピューティングシステムにデプロイされ得て、それによって中央システムに接続されていないかもしれない、又は中央システムとの接続性が間欠的であるかもしれないＯＭＤについて不具合予測及び予防的メンテナンスを行うことが可能となり得る。
予測モデリングに基づいて眼科用医療機器に予防的メンテナンスを行うための例示的システム
図４は、外科的眼科術、例えば白内障手術の施行を支援するための機械学習モデルを使用する例示的システム４００を示す。例えば、システム４００は、図１に示される測定機器１１０、サーバ１２０、及び／又はユーザコンソール１３０のうちの１つ又は複数に対応し得る。
図のように、システム４００は、中央処理ユニット（ＣＰＵ）４０２、各種のＩ／Ｏ装置４１４（例えば、キーボード、ディスプレイ、マウスデバイス、ペン入力等）をシステム４００に接続できるようにし得る１つ又は複数のＩ／Ｏ装置インタフェース４０４、それを通じてシステム４００がネットワーク４９０（これは、ローカルネットワーク、イントラネット、インタネット、又は相互に通信可能に接続される他のコンピューティングデバイスグルーブであり得る）に接続されるネットワークインタフェース４０６、メモリ４０８、ストレージ４１０、及びインタコネクト４１２を含む。
ＣＰＵ ４０２は、メモリ４０８に記憶されたプログラミング命令を読み出し、実行し得る。同様に、ＣＰＵ ４０２は、メモリ４０８内にあるアプリケーションデータを読み出し、記憶し得る。インタコネクト４１２は、プログラミング命令及びアプリケーションデータをＣＰＵ ４０２、Ｉ／Ｏ装置インタフェース４０４、ネットワークインタフェース４０６、メモリ４０８、及びストレージ４１０間で送信する。
ＣＰＵ ４０２は、１つのＣＰＵ、複数のＣＰＵ、複数の処理コアを有する１つのＣＰＵ等として含まれる。
メモリ４０８は、ランダムアクセスメモリ等の揮発性メモリ及び／又は不揮発性ランダムアクセスメモリ、若しくは相変化ランダムアクセスメモリ等の不揮発性メモリを表す。図のように、メモリ４０８は機器コンポーネント計装ソフトウェア４２０、ＴＤＧ ４３０、モデル訓練装置４４０、不具合予測装置４５０、不具合修正装置４６０、及び動作履歴レポジトリ４７０を含む。機器コンポーネント計装ソフトウェア４２０は一般に、センサ及びＯＭＤ中の他の測定機器とインタフェースして、ＯＭＤの、機械的コンポーネント、電気的コンポーネント、及び／又は光学的コンポーネントを含むがこれらに限定されないコンポーネントに関する様々な動作パラメータの測定値を取得する。機器コンポーネント計装ソフトウェア４２０により取得される動作パラメータ測定値は一般に、ＯＭＤのコンポーネントが不具合となりつつある、又は不具合となりそうであるかを予測して、それに当てはまれば、このような不具合がいつ発生しそうかを予測し得る各種のパラメータを含む。
ＴＤＧ ４３０は一般に、機器コンポーネント計装ソフトウェア４２０から得た情報を使って訓練データセットを生成し、これはモデル訓練装置４４０により、ＯＭＤ中のコンポーネントの将来の不具合を予測するための、そのＯＭＤに予防的メンテナンスを実行する中で使用される１つ又は複数のＭＬモデルを訓練するために使用される。訓練データセットを生成するために、ＴＤＧ ４３０は、ＯＭＤのコンポーネントに関する様々な動作パラメータ測定値をそのコンポーネントの不具合に関するタイミング情報に関連付ける記録を生成できる。訓練データセット内の記録は、ストレージ４１０内の動作履歴レポジトリ４７０の中で持続されて、記憶され、将来、ＯＭＤ中のコンポーネントの将来の不具合を予測するための、そのＯＭＤに予防的メンテナンスを実行する中で使用されるＭＬモデルを訓練するためのアップデートされたデータセットを生成する際に使用される。
モデル訓練装置４４０は一般に、不具合予測装置４５０によって使用される、ＯＭＤ内のコンポーネントの将来の不具合を予測するための、そのＯＭＤに予防的メンテナンスを実行する中で使用される１つ又は複数のＭＬモデルを訓練する。前述のように、モデル訓練装置４４０は、ＴＤＧ ４３０によって生成された訓練データセットを使ってＭＬモデルを訓練し得て、訓練されたＭＬモデルを不具合予測装置４５０（又はリモートシステム）にデプロイして使用されるようにし得る。
不具合予測装置４５０は一般に、機器コンポーネント計装ソフトウェア４２０を介して取得した動作パラメータ測定値を使って、ＯＭＤ中のコンポーネントが不具合となりつつあるか、又は近い将来不具合となりそうであるか否かを特定する。コンポーネントが不具合となりつつあるか、又は不具合となりそうである場合（例えば、動作パラメータ測定値、校正データ、又は解剖学的測定値が期待範囲から外れていることに基づく）、不具合予測装置４５０は訓練されたＭＬモデルを使って、そのＯＭＤがいつ不具合となりそうかを特定することができる。予測に基づいて、不具合修正装置４６０は、コンポーネントにまた別の診断テストを実行し、予防的メンテナンスコード又は修正命令を実行するようにＯＭＤに要求し、及び／又は不具合となりつつある、若しくは不具合となりそうなコンポーネントが交換されるまでＯＭＤを無効にするために使用できる。
その他の考察
上記の説明は、当業者が本明細書に記載の各種の実施形態を実施できるようにするために提供されている。これらの実施形態への様々な変更は当業者にとって容易に明らかとなり、本明細書で定義される一般的原理は他の実施形態にも当てはまり得る。例えば、前述の要素の機能と配置には、本開示の範囲から逸脱せずに変更を加えてもよい。各種の例では、様々な手順又はコンポーネントを適切に削除、置換、又は追加してよい。また、幾つかの例に関して述べた特徴は、他の幾つかの例においては組み合わせてよい。例えば、本明細書に記載の他の幾つの態様を使用しても、装置を実装したり、又は方法を実践したりし得る。それに加えて、本開示の範囲は、本明細書に記載の本開示の様々な態様に追加される、又はそれ以外の他の構造、機能性、又は構造と機能性を使って実装される装置又は方法もカバーすることが意図される。本明細書において開示される本開示の何れの態様も、特許請求項の１つ又は複数の要素により実施され得ると理解すべきである。
本明細書中で使用されるかぎり、品目リスト「の少なくとも１つ」という語句は、そこに属する１つの要素を含め、これらの品目のあらゆる組合せを指す。例えば、「ａ、ｂ、又はｃの少なくとも１つ」とは、ａ、ｂ、ｃ、ａ－ｂ、ａ－ｃ、ｂ－ｃ、及びａ－ｂ－ｃのほか、複数の同じ要素のあらゆる組合せ（例えば、ａ－ａ、ａ－ａ－ａ、ａ－ａ－ｂ、ａ－ａ－ｃ、ａ－ｂ－ｂ、ａ－ｃ－ｃ、ｂ－ｂ、ｂ－ｂ－ｂ、ｂ－ｂ－ｃ、ｃ－ｃ、及びｃ－ｃ－ｃ、又はａ、ｂ、及びｃの他のあらゆる配列）もカバーすることが意図される。
本明細書中で使用されるかぎり、「特定する」という用語は多岐にわたる行為を包含する。例えば、「特定する」は、計算、演算、処理、導出、調査、ルックアップ（例えば、テーブル、データベース、又は他のデータ構造をルックアップする）、確認等を行うことを含み得る。また、「特定する」とは、受け取る（例えば、情報を受け取る）、アクセスする（例えば、メモリ内のデータにアクセスする）等を含み得る。また、「特定する」とは、解決、選択、選び出し、確定等を行うことを含み得る。
本明細書で開示される方法は、その方法を実現するための１つ又は複数のステップ又は行為を含む。方法ステップ及び／又は行為は、特許請求の範囲から逸脱することなく相互に入れ替えてもよい。換言すれば、ステップ又は行為の特定の順序が明示されていないかぎり、特定のステップ及び／又は行為の順序及び／又は使用は、特許請求の範囲から逸脱することなく変更してよい。さらに、前述の方法の様々な動作は、対応する機能を実行できる何れの適当な手段により実行されてもよい。この手段には、様々なハードウェア及び／又はソフトウェアコンポーネント及び／又はモジュールが含まれ得て、これには回路、特定用途集積回路（ＡＳＩＣ）、又はプロセッサが含まれるが、これらに限定されない。一般に、図中に動作が示されている場合、これらの動作は、同様の番号が付された、それに対応するカウンタパートのミーンズ・プラス・ファンクションコンポーネントを有し得る。
本開示に関して記載されている各種の例示的な論理ブロック、モジュール、及び回路は、汎用プロセッサ、デジタル信号プロセッサ（ＤＳＰ）、特定用途集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、又は他のプログラマブルロジックデバイス（ＰＬＤ）、ディスクリートゲート若しくはトランジスタロジック、ディスクリートハードウェアコンポーネント、又は本明細書に記載の機能を実行するように設計されたこれらのあらゆる組合せにより実装又は実行され得る。汎用プロセッサはマイクロプロセッサであり得るが、代替案として、プロセッサは何れの市販のプロセッサ、コントローラ、マイクロコントローラ、又はステートマシンでもあり得る。プロセッサはまた、コンピューティングデバイスの組合せ、例えばＤＳＰとマイクロプロセッサ、複数のマイクロプロセッサ、１つ又は複数のマイクロプロセッサとＤＳＰコア、又は他のあらゆるこのような組合せとしても実装され得る。
処理システムは、バスアーキテクチャで実装され得る。バスは、処理システムの特定の用途及び全体的な設計上の制約に応じて、何れの数の相互接続バス及びブリッジも含み得る。バスは、プロセッサ、機械可読媒体、及び入力／出力装置等を含む各種の回路を一体に連結し得る。ユーザインタフェース（例えば、キーパッド、ディスプレイ、マウス、ジョイスティック等）もまた、バスに接続され得る。バスはまた、他の様々な回路も一体に連結し得て、これらはタイミングソース、周辺機器、電圧調整器、電源管理回路等、当業界でよく知られているものであるため、これ以上列挙しない。プロセッサは、１つ又は複数の汎用及び／又は特定目的プロセッサで実装され得る。例には、マイクロプロセッサ、マイクロコントローラ、ＤＳＰプロセッサ、及びソフトウェアを実行できる他の回路構成が含まれる。当業者であれば、具体的な用途及び全体的システムに加えられる全体的な設計上の制約に応じて、処理システムのための上述の機能をどのように実装するのが最善であるかがわかるであろう。
ソフトウェアで実装される場合、機能は１つ又は複数の命令又はコードとしてコンピュータ可読媒体上に記憶されるか、又は送信され得る。ソフトウェアとは、命令、データ、又はそのあらゆる組合せを意味するように広く解釈されるものとし、それがソフトウェア、ファームウェア、ミドルウェア、マイクロード、ハードウェア記述言語、又はそれ以外、どのように呼ばれるかを問わない。コンピュータ可読媒体には、コンピュータ記憶媒体と、例えば１つの場所から他の場所にコンピュータプログラムを転送しやすくするためのあらゆる媒体である通信媒体の両方が含まれる。プロセッサは、バス及び、コンピュータ可読記憶媒体上に記憶されたソフトウェアモジュールの実行を含めた処理全体の管理を担い得る。コンピュータ可読記憶媒体はプロセッサに連結され得て、それによってプロセッサが記憶媒体から情報を読み出し、情報をそこに書き込むことができる。代替案において、記憶媒体はプロセッサに統合され得る。例えば、コンピュータ可読媒体は、送信ライン、データにより変調される搬送波、及び／又は、無線ノードとは別の、命令が記憶されたコンピュータ可読記憶媒体を含み得て、プロセッサはこれらの全てにバスインタフェースを通じてアクセスし得る。代替的に、又は追加的に、コンピュータ可読媒体又はその何れかの部分がプロセッサに統合されてよく、これは例えばキャッシュ及び／又は汎用レジスタファイルの場合であり得る。機械可読記憶媒体の例としては、例えばＲＡＭ（ランダムアクセスメモリ）、フラッシュメモリ、ＲＯＭ（リードオンリーメモリ）、ＰＲＯＭ（プログラマブル リードオンリーメモリ）、ＥＰＲＯＭ（消去可能プログラマブル リードオンリーメモリ）、ＥＥＰＲＯＭ（電気的消去可能プログラマブル リードオンリーメモリ）、レジスタ、磁気ディスク、光ディスク、ハードドライブ、若しくは他のあらゆる適当な記憶媒体、又はそれらのあらゆる組合せが含まれ得る。機械可読媒体は、コンピュータプログラム製品において具現化され得る。
ソフトウェアモジュールは、１つの命令又は多くの命令を含み得て、幾つかの異なるコードセグメント上に、異なるプログラム間で、及び複数の記憶媒体間で分散され得る。コンピュータ可読媒体は、複数のソフトウェアモジュールを含み得る。ソフトウェアモジュールは、プロセッサ等の装置により実行されると、処理システムに様々な機能を実行させる命令を含む。ソフトウェアモジュールは、送信モジュールと受信モジュールを含み得る。各ソフトウェアモジュールは、１つの記憶装置内にあっても、又は複数の記憶装置に分散されてもよい。例えば、ソフトウェアモジュールは、トリガイベントが発生したときに、ハードドライブからＲＡＭにロードされ得る。ソフトウェアモジュールの実行中、プロセッサは命令の一部をキャッシュにロードすることにより、アクセス速度を速め得る。すると、１つ又は複数のキャッシュラインは、プロセッサにより実行されるように、汎用レジスタファイルにロードされ得る。ソフトウェアモジュールの機能性について述べる際、このような機能性は、そのソフトウェアモジュールからの命令を実行する際にプロセッサによって実行されると理解されたい。
以下の特許請求項は、本明細書において示される実施形態に限定されることは意図されず、特許請求項の文言と矛盾しない全範囲が付与されるものとする。特許請求項の中で、ある要素への単数形での言及は、特にそのように明記されていないかぎり、「唯一」を意味するのではなく、「１つ又は複数」を意味する。特に別段のことわりがないかぎり、「幾つか」とは１つ又は複数を意味する。特許請求項の要素は、その要素が「～のための手段（ｍｅａｎｓ ｆｏｒ）」という語句を使って明記されていないかぎり、又は方法に関する請求項の場合は、その要素が「～のためのステップ（ｓｔｅｐ ｆｏｒ）」という語句を使って明記されていないかぎり、米国特許法第１１２条（ｆ）の規定に基づいて解釈されないものとする。本開示の中に記載される様々な態様の要素の、当業者にとって既知の、又は後に知ることになる構造的及び機能的均等物は全て、言及により明確に本願に含められ、特許請求項により包含されるものとする。さらに、本明細書において開示されている事柄の何れも、このような開示が特許請求項の中に明記されているか否かを問わず、公衆に提供されることは意図されていない。
以下の特許請求項は、本明細書において示される実施形態に限定されることは意図されず、特許請求項の文言と矛盾しない全範囲が付与されるものとする。特許請求項の中で、ある要素への単数形での言及は、特にそのように明記されていないかぎり、「唯一」を意味するのではなく、「１つ又は複数」を意味する。特に別段のことわりがないかぎり、「幾つか」とは１つ又は複数を意味する。特許請求項の要素は、その要素が「～のための手段（ｍｅａｎｓ ｆｏｒ）」という語句を使って明記されていないかぎり、又は方法に関する請求項の場合は、その要素が「～のためのステップ（ｓｔｅｐ ｆｏｒ）」という語句を使って明記されていないかぎり、米国特許法第１１２条（ｆ）の規定に基づいて解釈されないものとする。本開示の中に記載される様々な態様の要素の、当業者にとって既知の、又は後に知ることになる構造的及び機能的均等物は全て、言及により明確に本願に含められ、特許請求項により包含されるものとする。さらに、本明細書において開示されている事柄の何れも、このような開示が特許請求項の中に明記されているか否かを問わず、公衆に提供されることは意図されていない。
また、本開示は以下の発明を含む。
第１の態様は、
眼科用医療機器に予測モデリングに基づいて予防的メンテナンスを実行する方法において、
眼科用医療機器から、前記眼科用医療機器に関連付けられる１つ又は複数の動作パラメータの測定値を受け取ることと、
１つ又は複数のモデルを使って、前記眼科用医療機器の将来の不具合を、少なくとも一部に、前記１つ又は複数の動作パラメータの前記受け取った測定値に基づいて予測することと、
前記眼科用医療機器の前記予測された将来の不具合に基づいて、前記眼科用医療機器に予防的メンテナンスを実行するための１つ又は複数の措置をとることと、
を含む方法である。
第２の態様は、
前記１つ又は複数のモデルは、前記１つ又は複数の動作パラメータの前記眼科用医療機器の正常な動作に対応する数値と、前記１つ又は複数の動作パラメータの前記眼科用医療機器の不具合に対応する数値を定義するモデルを含む、第１の態様における方法である。
第３の態様は、
前記１つ又は複数のモデルは、前記眼科用医療機器の将来の不具合を、少なくとも一部に、前記１つ又は複数の動作パラメータの前記受け取った測定値に基づいて予測するように訓練された１つ又は複数の機械学習モデルを含む、第１の態様における方法である。
第４の態様は、
前記予測された将来の不具合は、
前記眼科用医療機器の将来の不具合の可能性、又は前記眼科用医療機器が不具合となりそうな時期
の少なくとも１つを含む、第１の態様における方法である。
第５の態様は、
前記１つ又は複数の動作パラメータは前記眼科用医療機器のコンポーネントに関連付けられ、前記眼科用医療機器の前記将来の不具合を予測することは、前記コンポーネント又は前記眼科用医療機器の中の１つ若しくは複数の他のコンポーネントの将来の不具合を予測することを含む、第１の態様における方法である。
第６の態様は、
前記眼科用医療機器又はそのコンポーネントに関する校正データを受け取ることをさらに含み、前記眼科用医療機器の前記将来の不具合を予測することは、前記校正データにおいてある期間にわたって見られる傾向にさらに基づく、第１の態様における方法である。
第７の態様は、
前記眼科用医療機器に関する使用パターンデータを受け取ることをさらに含み、前記眼科用医療機器の前記将来の不具合を予測することは、前記使用パターンデータにさらに基づく、第１の態様における方法である。
第８の態様は、
前記使用パターンデータは、複数の時間ウィンドウにわたるシステムの利用に関する情報を含む、第７の態様における方法である。
第９の態様は、
複数の患者に関する前記眼科用医療機器により生成される患者解剖学的測定値を受け取ることと、
前記眼科用医療機器又はそのコンポーネントの性能が劣化したことを前記受け取った患者解剖学的測定値に基づいて特定することと、
をさらに含み、前記眼科用医療機器の前記将来の不具合を予測することは、前記眼科用医療機器又は前記コンポーネントの性能が劣化したとの前記特定にさらに基づく、第１の態様における方法である。
第１０の態様は、
前記患者解剖学的測定値は、前記患者解剖学的測定値が収集されている間に記録された患者の眼球運動を含むアイトラッキング情報を含み、前記眼科用医療機器又は前記コンポーネントの性能が劣化したことを特定することは、前記複数の患者について前記記録された患者の運動が閾値量を超えたことを特定することを含む、
第９の態様における方法である。
第１１の態様は、
前記眼科用医療機器又は前記コンポーネントの性能が劣化したことを特定することは、
前記受け取った患者解剖学的測定値の各々について、前記測定値が前記測定値により表されるデータポイントに関する閾値範囲から外れるか否かを特定することと、
前記受け取った患者解剖学的測定値のうちの少なくとも閾値数が典型値範囲から外れることを特定すること
を含む、第９の態様における方法である。
第１２の態様は、
前記眼科用医療機器のコンポーネントに関する測定された動作パラメータと前記コンポーネントの正常な動作を示すものとして定義される前記測定された動作パラメータの数値範囲との比較に基づいて、前記コンポーネントの性能が劣化したことを特定することをさらに含み、前記眼科用医療機器の前記将来の不具合を予測することは、前記コンポーネントの性能が劣化したとの前記特定にさらに基づく、
第１の態様における方法である。
第１３の態様は、
前記１つ又は複数の措置は、
前記眼科用医療機器で実行されると、前記眼科用医療機器の不具合又は予想される不具合を修復するプログラムによるソリューションを識別することと、
前記識別されたプログラムによるソリューションを、実行されるように前記眼科用医療機器に要求すること
を含む、第１の態様における方法である。
第１４の態様は、
前記１つ又は複数の措置は、
前記眼科用医療機器の不具合又は予想される不具合を修復するために交換すべき前記眼科用医療機器の１つ又は複数のコンポーネントを識別することと、
前記識別された交換すべきコンポーネントが交換されるまで、前記眼科用医療機器を無効にすることと、
を含む、第１の態様における方法である。
第１５の態様は、
前記１つ又は複数の動作パラメータは前記眼科用医療機器のあるコンポーネントに関連付けられ、前記１つ又は複数の措置は、
前記眼科用医療機器の前記コンポーネントを使って実行すべき１つ又は複数の措置を識別することと、
前記識別された１つ又は複数の措置を実行する１つ又は複数の命令を前記眼科用医療機器に送信することと、
前記１つ又は複数の命令を送信したことに応答して、前記眼科用医療機器から動作パラメータの追加の測定値を受け取ることと、
前記受け取った追加の測定値に基づいて、前記コンポーネントに前記予測された将来の不具合に基づいて予防的メンテナンスを実行するために行うべき１つ又は複数の追加的行為を特定することと、
を含む、第１の態様における方法である。
第１６の態様は、
前記１つ又は複数の動作パラメータは前記眼科用医療機器のコンポーネントに関連付けられ、
前記眼科用医療機器の前記コンポーネントに関連付けられる前記１つ又は複数の動作パラメータの前記測定値と前記眼科用医療機器の前記予測された将来の不具合を、他の複数の眼科用医療機器からの測定値及び予測と集計することによって集計データセットを生成することと、
前記集計データセットに基づいて、眼科用医療機器の複数のグループにわたる傾向を表す１つ又は複数の分析結果を生成すること
をさらに含む、第１の態様における方法である。
第１７の態様は、
前記眼科用医療機器の使用者に対して表示するための、不具合になりそうな前記眼科用医療機器の１つ又は複数のコンポーネントを識別する情報、前記予測される将来の不具合、及び予防的メンテナンスを実行するために実行される前記１つ又は複数の措置に関する情報を含む通知を出力することをさらに含む、
第１の態様における方法である。
第１８の態様は、
眼科用医療機器の不具合イベントを予測するように予測モデルを訓練する方法において、
前記眼科用医療機器に関連付けられる動作パラメータの測定値群から訓練データセットを生成することであって、前記訓練データセットは複数の記録を含み、前記複数の記録の各記録は、
動作パラメータの測定値、
前記動作パラメータが測定された時間、及び
前記動作パラメータが測定された時間と不具合イベントが前記眼科用医療機器に関して発生した時間との差、
を識別する、生成することと、
１つ又は複数の機械学習モデルを、前記眼科用医療機器に関する１つ又は複数の不具合予測を生成するように前記訓練データセットに基づいて訓練することと、
前記訓練された１つ又は複数の機械学習モデルを１つ又は複数のコンピューティングシステムにデプロイすることと、
を含む方法である。
第１９の態様は、
前記動作パラメータの測定値は、前記眼科用医療機器の中の電気的コンポーネントに関する電力測定値を含む、第１８の態様における方法である。
第２０の態様は、
前記動作パラメータの測定値は、時間ウィンドウにわたる使用情報を含む、第１８の態様における方法である。
第２１の態様は、
前記１つ又は複数の機械学習モデルを訓練することは、前記１つ又は複数の動作パラメータの測定値に関して、予測であって、前記眼科用医療機器が、前記予測が行われたときからの期間及び前記眼科用医療機器に不具合イベントが発生するまでの残り時間内に前記眼科用医療機器が不具合となりそうか否かの予測を識別する出力を生成する多出力機械学習モデルを訓練することを含む、第１８の態様における方法である。
第２２の態様は、
前記１つ又は複数の機械学習モデルを訓練することは、予測であって、前記眼科用医療機器が、前記予測が行われたときからの期間内に不具合となりそうか否かの予測を生成する第一の機械学習モデルと、前記眼科用医療機器に不具合イベントが発生するまでの残り時間を予測する第二の機械学習モデルを訓練することを含む、第１８の態様における方法である。
第２３の態様は、
前記訓練された１つ又は複数の機械学習モデルを１つ又は複数のコンピューティングシステムにデプロイすることは、前記訓練された１つ又は複数の機械学習モデルを前記眼科用医療機器に内蔵されたコンピュータにデプロイすることを含む、第１８の態様における方法である。
第２４の態様は、
前記訓練された１つ又は複数の機械学習モデルを１つ又は複数のコンピューティングシステムにデプロイすることは、前記訓練された１つ又は複数の機械学習モデルを、前記１つ又は複数の眼科用医療機器が通信可能に連結されるリモートサーバにデプロイすることを含む、第１８の態様における方法である。
第２５の態様は、
眼科手術機器に予防的モデルに基づいて予防的メンテナンスを実行する方法において、
眼科用医療機器に関連付けられる動作パラメータの測定値群から訓練データセットを生成することであって、前記訓練データセットは複数の記録を含み、前記複数の記録の各記録は、
動作パラメータの測定値、
前記動作パラメータが測定された時間、及び
前記動作パラメータが測定された前記時間と前記眼科用医療機器に関して不具合イベントが発生した時間との差
を識別する、生成することと、
１つ又は複数の機械学習モデルを、前記訓練データセットに基づいて前記眼科用医療機器に関する１つ又は複数の不具合予測を生成するように訓練することと、
前記眼科用医療機器から、前記眼科用医療機器に関連付けられる１つ又は複数の動作パラメータの測定値を受け取ることと、
前記１つ又は複数の訓練された機械学習モデルを使って、前記眼科用医療機器の将来の不具合を、少なくとも一部に、前記１つ又は複数の動作パラメータの前記受け取った測定値に基づいて予測することと、
前記眼科用医療機器の前記予測された将来の不具合に基づいて、前記眼科用医療機器に予防的メンテナンスを実行するために１つ又は複数の措置をとること、
を含む方法である。

Claims (25)

  1. 眼科用医療機器に予測モデリングに基づいて予防的メンテナンスを実行する方法において、
    眼科用医療機器から、前記眼科用医療機器に関連付けられる１つ又は複数の動作パラメータの測定値を受け取ることと、
    １つ又は複数のモデルを使って、前記眼科用医療機器の将来の不具合を、少なくとも一部に、前記１つ又は複数の動作パラメータの前記受け取った測定値に基づいて予測することと、
    前記眼科用医療機器の前記予測された将来の不具合に基づいて、前記眼科用医療機器に予防的メンテナンスを実行するための１つ又は複数の措置をとることと、
    を含む方法。
  2. 前記１つ又は複数のモデルは、前記１つ又は複数の動作パラメータの前記眼科用医療機器の正常な動作に対応する数値と、前記１つ又は複数の動作パラメータの前記眼科用医療機器の不具合に対応する数値を定義するモデルを含む、請求項１に記載の方法。
  3. 前記１つ又は複数のモデルは、前記眼科用医療機器の将来の不具合を、少なくとも一部に、前記１つ又は複数の動作パラメータの前記受け取った測定値に基づいて予測するように訓練された１つ又は複数の機械学習モデルを含む、請求項１に記載の方法。
  4. 前記予測された将来の不具合は、
    前記眼科用医療機器の将来の不具合の可能性、又は前記眼科用医療機器が不具合となりそうな時期
    の少なくとも１つを含む、請求項１に記載の方法。
  5. 前記１つ又は複数の動作パラメータは前記眼科用医療機器のコンポーネントに関連付けられ、前記眼科用医療機器の前記将来の不具合を予測することは、前記コンポーネント又は前記眼科用医療機器の中の１つ若しくは複数の他のコンポーネントの将来の不具合を予測することを含む、請求項１に記載の方法。
  6. 前記眼科用医療機器又はそのコンポーネントに関する校正データを受け取ることをさらに含み、前記眼科用医療機器の前記将来の不具合を予測することは、前記校正データにおいてある期間にわたって見られる傾向にさらに基づく、請求項１に記載の方法。
  7. 前記眼科用医療機器に関する使用パターンデータを受け取ることをさらに含み、前記眼科用医療機器の前記将来の不具合を予測することは、前記使用パターンデータにさらに基づく、請求項１に記載の方法。
  8. 前記使用パターンデータは、複数の時間ウィンドウにわたるシステムの利用に関する情報を含む、請求項７に記載の方法。
  9. 複数の患者に関する前記眼科用医療機器により生成される患者解剖学的測定値を受け取ることと、
    前記眼科用医療機器又はそのコンポーネントの性能が劣化したことを前記受け取った患者解剖学的測定値に基づいて特定することと、
    をさらに含み、前記眼科用医療機器の前記将来の不具合を予測することは、前記眼科用医療機器又は前記コンポーネントの性能が劣化したとの前記特定にさらに基づく、請求項１に記載の方法。
  10. 前記患者解剖学的測定値は、前記患者解剖学的測定値が収集されている間に記録された患者の眼球運動を含むアイトラッキング情報を含み、前記眼科用医療機器又は前記コンポーネントの性能が劣化したことを特定することは、前記複数の患者について前記記録された患者の運動が閾値量を超えたことを特定することを含む、
    請求項９に記載の方法。
  11. 前記眼科用医療機器又は前記コンポーネントの性能が劣化したことを特定することは、
    前記受け取った患者解剖学的測定値の各々について、前記測定値が前記測定値により表されるデータポイントに関する閾値範囲から外れるか否かを特定することと、
    前記受け取った患者解剖学的測定値のうちの少なくとも閾値数が典型値範囲から外れることを特定すること
    を含む、請求項９に記載の方法。
  12. 前記眼科用医療機器のコンポーネントに関する測定された動作パラメータと前記コンポーネントの正常な動作を示すものとして定義される前記測定された動作パラメータの数値範囲との比較に基づいて、前記コンポーネントの性能が劣化したことを特定することをさらに含み、前記眼科用医療機器の前記将来の不具合を予測することは、前記コンポーネントの性能が劣化したとの前記特定にさらに基づく、
    請求項１に記載の方法。
  13. 前記１つ又は複数の措置は、
    前記眼科用医療機器で実行されると、前記眼科用医療機器の不具合又は予想される不具合を修復するプログラムによるソリューションを識別することと、
    前記識別されたプログラムによるソリューションを、実行されるように前記眼科用医療機器に要求すること
    を含む、請求項１に記載の方法。
  14. 前記１つ又は複数の措置は、
    前記眼科用医療機器の不具合又は予想される不具合を修復するために交換すべき前記眼科用医療機器の１つ又は複数のコンポーネントを識別することと、
    前記識別された交換すべきコンポーネントが交換されるまで、前記眼科用医療機器を無効にすることと、
    を含む、請求項１に記載の方法。
  15. 前記１つ又は複数の動作パラメータは前記眼科用医療機器のあるコンポーネントに関連付けられ、前記１つ又は複数の措置は、
    前記眼科用医療機器の前記コンポーネントを使って実行すべき１つ又は複数の措置を識別することと、
    前記識別された１つ又は複数の措置を実行する１つ又は複数の命令を前記眼科用医療機器に送信することと、
    前記１つ又は複数の命令を送信したことに応答して、前記眼科用医療機器から動作パラメータの追加の測定値を受け取ることと、
    前記受け取った追加の測定値に基づいて、前記コンポーネントに前記予測された将来の不具合に基づいて予防的メンテナンスを実行するために行うべき１つ又は複数の追加的行為を特定することと、
    を含む、請求項１に記載の方法。
  16. 前記１つ又は複数の動作パラメータは前記眼科用医療機器のコンポーネントに関連付けられ、
    前記眼科用医療機器の前記コンポーネントに関連付けられる前記１つ又は複数の動作パラメータの前記測定値と前記眼科用医療機器の前記予測された将来の不具合を、他の複数の眼科用医療機器からの測定値及び予測と集計することによって集計データセットを生成することと、
    前記集計データセットに基づいて、眼科用医療機器の複数のグループにわたる傾向を表す１つ又は複数の分析結果を生成すること
    をさらに含む、請求項１に記載の方法。
  17. 前記眼科用医療機器の使用者に対して表示するための、不具合になりそうな前記眼科用医療機器の１つ又は複数のコンポーネントを識別する情報、前記予測される将来の不具合、及び予防的メンテナンスを実行するために実行される前記１つ又は複数の措置に関する情報を含む通知を出力することをさらに含む、
    請求項１に記載の方法。
  18. 眼科用医療機器の不具合イベントを予測するように予測モデルを訓練する方法において、
    前記眼科用医療機器に関連付けられる動作パラメータの測定値群から訓練データセットを生成することであって、前記訓練データセットは複数の記録を含み、前記複数の記録の各記録は、
    動作パラメータの測定値、
    前記動作パラメータが測定された時間、及び
    前記動作パラメータが測定された時間と不具合イベントが前記眼科用医療機器に関して発生した時間との差、
    を識別する、生成することと、
    １つ又は複数の機械学習モデルを、前記眼科用医療機器に関する１つ又は複数の不具合予測を生成するように前記訓練データセットに基づいて訓練することと、
    前記訓練された１つ又は複数の機械学習モデルを１つ又は複数のコンピューティングシステムにデプロイすることと、
    を含む方法。
  19. 前記動作パラメータの測定値は、前記眼科用医療機器の中の電気的コンポーネントに関する電力測定値を含む、請求項１８に記載の方法。
  20. 前記動作パラメータの測定値は、時間ウィンドウにわたる使用情報を含む、請求項１８に記載の方法。
  21. 前記１つ又は複数の機械学習モデルを訓練することは、前記１つ又は複数の動作パラメータの測定値に関して、予測であって、前記眼科用医療機器が、前記予測が行われたときからの期間及び前記眼科用医療機器に不具合イベントが発生するまでの残り時間内に前記眼科用医療機器が不具合となりそうか否かの予測を識別する出力を生成する多出力機械学習モデルを訓練することを含む、請求項１８に記載の方法。
  22. 前記１つ又は複数の機械学習モデルを訓練することは、予測であって、前記眼科用医療機器が、前記予測が行われたときからの期間内に不具合となりそうか否かの予測を生成する第一の機械学習モデルと、前記眼科用医療機器に不具合イベントが発生するまでの残り時間を予測する第二の機械学習モデルを訓練することを含む、請求項１８に記載の方法。
  23. 前記訓練された１つ又は複数の機械学習モデルを１つ又は複数のコンピューティングシステムにデプロイすることは、前記訓練された１つ又は複数の機械学習モデルを前記眼科用医療機器に内蔵されたコンピュータにデプロイすることを含む、請求項１８に記載の方法。
  24. 前記訓練された１つ又は複数の機械学習モデルを１つ又は複数のコンピューティングシステムにデプロイすることは、前記訓練された１つ又は複数の機械学習モデルを、前記１つ又は複数の眼科用医療機器が通信可能に連結されるリモートサーバにデプロイすることを含む、請求項１８に記載の方法。
  25. 眼科手術機器に予防的モデルに基づいて予防的メンテナンスを実行する方法において、
    眼科用医療機器に関連付けられる動作パラメータの測定値群から訓練データセットを生成することであって、前記訓練データセットは複数の記録を含み、前記複数の記録の各記録は、
    動作パラメータの測定値、
    前記動作パラメータが測定された時間、及び
    前記動作パラメータが測定された前記時間と前記眼科用医療機器に関して不具合イベントが発生した時間との差
    を識別する、生成することと、
    １つ又は複数の機械学習モデルを、前記訓練データセットに基づいて前記眼科用医療機器に関する１つ又は複数の不具合予測を生成するように訓練することと、
    前記眼科用医療機器から、前記眼科用医療機器に関連付けられる１つ又は複数の動作パラメータの測定値を受け取ることと、
    前記１つ又は複数の訓練された機械学習モデルを使って、前記眼科用医療機器の将来の不具合を、少なくとも一部に、前記１つ又は複数の動作パラメータの前記受け取った測定値に基づいて予測することと、
    前記眼科用医療機器の前記予測された将来の不具合に基づいて、前記眼科用医療機器に予防的メンテナンスを実行するために１つ又は複数の措置をとること、
    を含む方法。
JP2023538054A 2020-12-23 2021-10-21 予測的健康モニタと積極的な予防的メンテナンスを通じて眼科用医療機器のアップタイムを最大化するための方法及びシステム Pending JP2024502760A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063130333P 2020-12-23 2020-12-23
US63/130,333 2020-12-23
PCT/IB2021/059738 WO2022136955A1 (en) 2020-12-23 2021-10-21 Methods and systems for maximizing ophthalmic medical device uptime via predictive health monitoring and proactive preventative maintenance

Publications (1)

Publication Number Publication Date
JP2024502760A true JP2024502760A (ja) 2024-01-23

Family

ID=78536436

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023538054A Pending JP2024502760A (ja) 2020-12-23 2021-10-21 予測的健康モニタと積極的な予防的メンテナンスを通じて眼科用医療機器のアップタイムを最大化するための方法及びシステム

Country Status (7)

Country Link
US (1) US20220199241A1 (ja)
EP (1) EP4268033A1 (ja)
JP (1) JP2024502760A (ja)
CN (1) CN116745715A (ja)
AU (1) AU2021406132A1 (ja)
CA (1) CA3202312A1 (ja)
WO (1) WO2022136955A1 (ja)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7451002B2 (en) * 2006-01-06 2008-11-11 Ge Medical Systems Global Technology Company, Llc Automated generation of transfer functions based upon machine data
US8005947B2 (en) * 2008-09-22 2011-08-23 Abbott Medical Optics Inc. Systems and methods for providing remote diagnostics and support for surgical systems
WO2014110190A2 (en) * 2013-01-09 2014-07-17 Sloan Kettering Institute For Cancer Research Ocular prosthesis with display device
CN107615395B (zh) * 2015-03-26 2021-02-05 外科安全技术公司 用于事件和差错预测的手术室黑盒设备、系统、方法和计算机可读介质
AU2018317866A1 (en) * 2017-08-18 2020-01-23 Bayer Healthcare Llc System, method, and computer program product for predictive maintenance
US11734704B2 (en) * 2018-02-17 2023-08-22 Ei Electronics Llc Devices, systems and methods for the collection of meter data in a common, globally accessible, group of servers, to provide simpler configuration, collection, viewing, and analysis of the meter data
EP3557589A1 (de) * 2018-04-19 2019-10-23 Siemens Aktiengesellschaft Verfahren und system zur vorhersage von systemausfällen bei einem medizinischen system
US20200013501A1 (en) * 2018-07-09 2020-01-09 General Electric Company Predictive medical equipment maintenance management

Also Published As

Publication number Publication date
CA3202312A1 (en) 2022-06-30
US20220199241A1 (en) 2022-06-23
AU2021406132A1 (en) 2023-07-27
EP4268033A1 (en) 2023-11-01
CN116745715A (zh) 2023-09-12
WO2022136955A1 (en) 2022-06-30

Similar Documents

Publication Publication Date Title
CN109947088B (zh) 基于模型全生命周期管理的设备故障预警系统
US8005947B2 (en) Systems and methods for providing remote diagnostics and support for surgical systems
ES2578019T3 (es) Sistema y procedimiento de gestión del estado de una turbina eólica
WO2019236386A1 (en) Computing node failure and health prediction for cloud-based data center
US20190101876A1 (en) Machine diagnostics based on overall system energy state
US20210241923A1 (en) Sensor-based machine learning in a health prediction environment
CN111242323A (zh) 用于修理机器次优操作的主动自动系统和方法
ES2742298T3 (es) Proceso para optimizar el mantenimiento de sistemas técnicos
US20090024356A1 (en) Determination of root cause(s) of symptoms using stochastic gradient descent
CN113196311A (zh) 用于识别和预测机器的异常感测行为模式的系统和方法
CN112020681A (zh) 通过本地诊断验证的硬件更换预测
CN112534370A (zh) 用于预测工业机器故障的系统和方法
JP2013196698A (ja) システム監視
Mandala et al. An optimized back propagation neural network for automated evaluation of health condition using sensor data
JP2024502760A (ja) 予測的健康モニタと積極的な予防的メンテナンスを通じて眼科用医療機器のアップタイムを最大化するための方法及びシステム
US20210182739A1 (en) Ensemble learning model to identify conditions of electronic devices
US20220331092A1 (en) Methods and systems for determining intraocular lens (iol) parameters for cataract surgery
Mummolo et al. A fuzzy approach for medical equipment replacement planning
CN109739210B (zh) 设备部件健康状态的评估方法及装置
EP3926641A1 (en) Time-controlled alarm handling for a medical dialysis device
Salfner et al. Prediction-based software availability enhancement
CN116680112B (zh) 内存状态检测方法、装置、通信设备及存储介质
EP4339964A1 (en) A monitoring agent for medical devices
US20230008268A1 (en) Extrapolated usage data
CN114651310A (zh) 用于对医学应用的断开连接进行分类和管理的系统和方法

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230626