JP2024518693A - 個人向けデュアルチャネル結合ネットワークを用いた医療イベント予測 - Google Patents
個人向けデュアルチャネル結合ネットワークを用いた医療イベント予測 Download PDFInfo
- Publication number
- JP2024518693A JP2024518693A JP2023561291A JP2023561291A JP2024518693A JP 2024518693 A JP2024518693 A JP 2024518693A JP 2023561291 A JP2023561291 A JP 2023561291A JP 2023561291 A JP2023561291 A JP 2023561291A JP 2024518693 A JP2024518693 A JP 2024518693A
- Authority
- JP
- Japan
- Prior art keywords
- dccn
- training
- patient
- static
- fine
- 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
- 230000008878 coupling Effects 0.000 title description 19
- 238000010168 coupling process Methods 0.000 title description 19
- 238000005859 coupling reaction Methods 0.000 title description 19
- 238000012549 training Methods 0.000 claims abstract description 92
- 238000011282 treatment Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000002360 preparation method Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 230000003068 static effect Effects 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 38
- 238000003860 storage Methods 0.000 claims description 31
- 230000002123 temporal effect Effects 0.000 claims description 31
- 238000007781 pre-processing Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims 3
- 230000004044 response Effects 0.000 abstract description 5
- 238000000502 dialysis Methods 0.000 description 57
- 238000005259 measurement Methods 0.000 description 34
- 230000009977 dual effect Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 17
- 230000001225 therapeutic effect Effects 0.000 description 17
- 230000015654 memory Effects 0.000 description 14
- 230000036772 blood pressure Effects 0.000 description 7
- 238000009534 blood test Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000012959 renal replacement therapy Methods 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002560 therapeutic procedure Methods 0.000 description 3
- 102000009027 Albumins Human genes 0.000 description 2
- 108010088751 Albumins Proteins 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 208000001953 Hypotension Diseases 0.000 description 2
- 208000007101 Muscle Cramp Diseases 0.000 description 2
- 208000007502 anemia Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 238000001631 haemodialysis Methods 0.000 description 2
- 230000000322 hemodialysis Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 208000012866 low blood pressure Diseases 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Urology & Nephrology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- External Artificial Organs (AREA)
Abstract
訓練されたニューラルネットワークを用いて患者の医療イベントの発生を予測するシステム及び方法である。過去の患者データは前処理されることで(902)、正規化された訓練サンプルが生成され(904)、正規化された訓練サンプルは、モデルの事前訓練及びモデルパラメータの更新(906)のために向け深層畳み込みニューラルネットワークに送信される。事前訓練されたモデルは、治療の準備期間中にローカルマシンによる個人向け化で用いるために、リモートサーバで保存される(908)。正規化された微調整セットが出力として生成され(906)、モデルパラメータが反復的に微調整される(912)。将来の医療イベントに関する個人向け予測スコアが生成され(914)、予測スコアに応じて医療装置の動作が制御される(916)。【選択図】図9
Description
この出願は、2021年4月5日に出願された米国仮特許出願第63/170,660号を基礎とする優先権を主張し、その開示の全てをここに取り込む。
本発明は、一般に、患者の医療イベントの発生を予測することに関し、より詳細には、訓練されたニューラルネットワークを用いて、治療前、治療中及び治療後に、患者の特定の医療イベントの発生を予測することに関する。
近年、病院や多くの医療機関におけるデジタルシステムの大幅な導入により、大量の患者の医療データが生み出されている。ビッグデータには大きな価値があり、医療における臨床判断をサポートする人工知能(AI)を利用できるようになる。現代医学における重要なテーマの1つとして、腎臓病の患者数が、世界中で社会、医療、社会経済的な問題を引き起こしている。血液透析または単なる透析は、腎臓が正常に機能していない患者の血液を浄化するプロセスであり、重要な腎代替療法(renal replacement therapies:RRT)の1つである。しかしながら、透析患者は心血管やその他の病気のリスクが高いため、血圧、貧血、ミネラル代謝等の徹底した管理が必要である。さもないと、患者は透析及び/またはその他の治療中に低血圧、脚のけいれん、さらには死に至る等の重大な事態に直面する可能性がある。
訓練されたニューラルネットワークを用いて患者の医療イベントの発生を予測するためのコンピュータで実施する方法であって、複数の患者に関して受信した過去の患者データを前処理することで、複数の正規化された訓練サンプルを生成する。正規化された訓練サンプルは、モデルの事前訓練とP-DCCNを用いたモデルパラメータの更新のために個人向け深層畳み込みニューラルネットワーク(P-DCCN)に送信され、事前訓練されたモデルは治療の準備期間中にローカルマシンによる個人向け化で用いるためにリモートサーバで保存され、正規化された微調整セットは、ローカルマシンからの患者の入力個人データを処理することでP-DCCNからの出力として生成される。P-DCCNのモデルパラメータは、生成された正規化された微調整セットを用いて複数の訓練反復を実行することで反復的に微調整される。患者の将来の医療イベントに関する個人向け予測スコアは、P-DCCNを用いて生成され、医療装置の動作は、将来の医療イベントに関する個人向け予測スコアに応じて制御される。
訓練されたニューラルネットワークを用いて患者の医療イベントの発生を予測するためのシステムであって、コンピュータで読み取り可能な記憶媒体に動作可能に接続されたプロセッサを用いて、複数の患者に関して受信した過去の患者データを前処理することで、複数の正規化された訓練サンプルを生成する。正規化された訓練サンプルは、モデルの事前訓練とP-DCCNを用いたモデルパラメータの更新のために個人向け深層畳み込みニューラルネットワーク(P-DCCN)に送信され、事前訓練されたモデルは治療の準備期間中にローカルマシンによる個人向け化で用いるためにリモートサーバで保存され、正規化された微調整セットは、ローカルマシンからの患者の入力個人データを処理することでP-DCCNからの出力として生成される。P-DCCNのモデルパラメータは、生成された正規化された微調整セットを用いて複数の訓練反復を実行することで反復的に微調整される。患者の将来の医療イベントに関する個人向け予測スコアは、P-DCCNを用いて生成され、医療装置の動作は、将来の医療イベントに関する個人向け予測スコアに応じて制御される。
訓練されたニューラルネットワークを用いて患者の医療イベントの発生を予測するためのコンピュータで読み取り可能なプログラムを含む、非一時的なコンピュータで読み取り可能な記録媒体であって、コンピュータで読み取り可能なプログラムがコンピュータで実行されると、コンピュータに、複数の患者に関して受信した過去の患者データを前処理させることで、複数の正規化された訓練サンプルを生成させる。正規化された訓練サンプルは、モデルの事前訓練とP-DCCNを用いたモデルパラメータの更新のために個人向け深層畳み込みニューラルネットワーク(P-DCCN)に送信され、事前訓練されたモデルは治療の準備期間中にローカルマシンによる個人向け化で用いるためにリモートサーバで保存され、正規化された微調整セットは、ローカルマシンからの患者の入力個人データを処理することでP-DCCNからの出力として生成される。P-DCCNのモデルパラメータは、生成された正規化された微調整セットを用いて複数の訓練反復を実行することで反復的に微調整される。患者の将来の医療イベントに関する個人向け予測スコアは、P-DCCNを用いて生成され、医療装置の動作は、将来の医療イベントに関する個人向け予測スコアに応じて制御される。
これら及び他の特徴量並びに利点は、以下の詳細な説明及び添付の図面を参照することで当業者には明らかになるであろう。
本開示では、後述するように、以下の図面を参照しながら好ましい実施形態について詳細に説明する。
本原理の様々な実施形態によれば、個人向けデュアルチャネル結合ネットワーク(P-DCCN)を用いて治療イベントを予測するためのシステム及び方法が提供される。
特に有用な実施形態において、訓練されたニューラルネットワークを用いて、治療(例えば、透析治療)前、治療中及び治療後に、患者の特定の医療イベントの発生を予測するためのシステム及び方法が提供される。
上述したように、血液透析または単なる透析は、腎臓が正常に機能していない患者の血液を浄化するプロセスであり、重要な腎代替療法(RRT)の1つである。しかしながら、透析患者は心血管やその他の病気等のリスクが高く、血圧、貧血、ミネラル代謝等の徹底した管理が必要である。さもないと、患者は透析及び/またはその他の治療中に低血圧、脚のけいれん、さらには死に至る等の重大な事態に直面する可能性がある。したがって、医療スタッフは、患者のリスク、潜在的な治療イベント、透析イベントに関連する様々な臨床要因に基づいて、様々な観点から透析をどのように進めるかを判断する。ビック医療データの利用可能性を考慮すると、本発明は、将来の透析におけるイベントの発生率について透析前の期間中に予後予測スコアを作成するためにデュアルチャネル結合ネットワーク(DCCN)を用いたAIシステムを活用する。これにより、医療スタッフの意思決定プロセスが強化され、有害な及び/または望ましくない医療事故のリスクが軽減される。
しかしながら、(1)データのプライバシーのため、通常、正確なモデルを訓練するために十分な大量の患者データを病院から入手することは困難である。(2)患者は非常に多様であるため、訓練セットにおける患者データから、通常、年齢、性別、遺伝的特徴、健康状態等が異なる全ての新規の患者に対して、単一の事前訓練済みモデルを正確に適合することは困難である。これら(1)及び(2)の重要な課題により、従来のAIシステムを患者の医療データの正確な分析にうまく適用できない。そのため、限られた訓練データセットにて訓練された従来の単一の事前訓練済みモデルは、新規の患者のデータの予測分析に一般化できない。
様々な実施形態によれば、本発明は、ニューラルネットワーク(例えば、深層ニューラルネットワーク(例えば、DNN(Deep Neural Network)、DCCN等)を訓練及び用いることで透析患者の管理データのポテンシャルを利用し、新しい事前訓練及び微調整手法を通じて、透析中のイベントの発生率に関する、自動的に高品質な、特に個人向けの予後予測スコアが提供される。少量の微調整データを用いて事前訓練されたモデルを患者毎に個人向け化することで、モデルは、上述した2つの課題を軽減してテストデータセットにうまく一般化することが可能であり、医療的な処置(透析等)を受ける患者に用いて、リスクを最小限に抑制しつつ、特定の患者に対する処置の利点を最大化できる。
本発明は、当該技術分野では知られていない、医療イベント(例えば、透析イベント)予測に対して体系的かつデータ駆動型の解決策を提供するP-DCCNシステム/方法である。本発明は、特徴量エンジニアリングの人的労力を必要としないニューラルネットワークベースのインテリジェント計算システムである。本P-DCCNシステム/方法は、治療中の透析イベントの共同表現学習及び予測のために、静的特徴量、低頻度の経時的特徴量及び比較的高頻度の経時的特徴量を統合するためのデュアルチャネルコンポーネントを含む。様々な実施形態において、本発明は、不十分な訓練データと患者データの分布の不一致という課題に対処して軽減する事前訓練及び微調整手法を用いて、個人向けでない従来のモデルよりもはるかに高い処理効率及び精度を実現する。この特性により、P-DCCNは従来のニューラルネットワークの訓練手法を備える他のモデルとは著しく異なる。
いくつかの実施形態において、P-DCCNシステムの事前訓練コンポーネントは、患者の全部の医療記録データの比較的少量の履歴記録を用いることが可能であり、将来の新規の患者の予測分析に用いるためにサーバまたはクラウドプラットフォームに保存される事前訓練済みモデルを生成する。P-DCCNシステムの微調整コンポーネントは、事前訓練されたモデルを、微調整のために新規の患者の記録が保存される、ローカル装置に送信する。このコンポーネントは、上述した事前訓練コンポーネントと同様に、比較的少量の新しい記録のみを用いる。このように少量の個人向け用のデータを用いることで、モデルは従来の非個人向けシステム及び方法と比べて、精度の大幅な向上及びプロセッサに要求される条件の低減を実現できる。
いくつかの実施形態において、DCCNシステムの透析記録データ処理コンポーネントは、各患者の病歴記録を、さらなる訓練及び/または処理のためにDCCN計算コンポーネントに入力する、異なる頻度の静的なプロファイル特徴量及び時系列特徴量に変換する。本発明の態様による、P-DCCN計算コンポーネントの深層ニューラルネットワーク設計によって、予測精度が向上し、特徴量エンジニアリングに必要な人的労力が大幅に削減される。いくつかの実施形態において、P-DCCN計算コンポーネントのデュアルチャネル設計は、本発明の態様による、共同のイベント予測のための、異なる頻度の静的特徴量と経時的特徴量の両方を統合する、多層知覚(multilayer perception:MLR)及び長期短期記憶(longshort-term memory:LSTM)再帰型ニューラルネットワークを含む。
本明細書に記載する実施形態は、全てハードウェアで実現してもよく、全てソフトウェアで実現してもよく、ハードウェアとソフトウェアの両方の要素を含んでいてもよい。好ましい実施形態において、本発明は、ファームウェア、常駐ソフトウェア、マイクロコード等を含むが、これらに限定されないソフトウェアでも実現可能である。
実施形態には、コンピュータ若しくは任意の命令実行システムによって使用される、または関連して使用されるプログラムコードを提供する、コンピュータで使用可能な、またはコンピュータで読み取り可能な媒体からアクセスできる、コンピュータプログラム製品を含んでもいてよい。コンピュータで使用可能な、またはコンピュータで読み取り可能な媒体には、命令実行システム、機器、若しくは装置によって使用される、または関連して使用されるプログラムを格納、伝達、伝搬または転移する任意の機器を含んでいてもよい。該媒体は、磁気媒体、光学媒体、電子媒体、電磁気媒体、赤外線媒体または半導体システム(または機器もしくは装置)、あるいは伝搬媒体であってもよい。該媒体には、半導体または固体メモリ、磁気テープ、取り外し可能なコンピュータディスケット、ランダムアクセスメモリ(RAM)、リードオンリーメモリ(ROM)、リジッド磁気ディスク及び光ディスク等のコンピュータで読み取り可能な媒体を含んでいてもよい。
各コンピュータプログラムは、汎用または特別な目的を持つプログラム可能なコンピュータで読み取ることができる、機械で読み取り可能なストレージメディアまたは装置(例えば、プログラムメモリまたは磁気ディスク)に格納される。該コンピュータプログラムは、ストレージメディアまたは装置から本明細書に記載された手順を実行するコンピュータで読み出される、該コンピュータの設定及び制御動作のためのものである。本発明のシステムには、本明細書に記載した機能を実行する、特定の及び事前に定義された方法をコンピュータに動作させるように構成されたコンピュータプログラムを含む、コンピュータで読み取り可能なストレージメディアも考慮される。
プログラムコードを格納及び/または実行するのに適したデータ処理システムは、システムバスを介してメモリ要素に直接または間接的に接続された少なくとも1つのプロセッサを備えていてもよい。このメモリ要素には、処理の実行中にバルクメモリ装置からコードが検索される回数を減らすために、プログラムコードの実際の実行中に用いられるローカルなメモリ、バルクメモリ装置及び少なくともいくつかのプログラムコードを一時的に記憶するキャッシュメモリを備えていてもよい。入出力またはI/O装置(限定されるものではないが、キーボード、ディスプレイ、ポインティング装置等を含む)は、直接またはI/Oコントローラを介してシステムに接続されてもよい。
ネットワークアダプタは、データ処理システムが、プライベートネットワークまたは公衆ネットワークを介して、他のデータ処理システムまたはリモートプリンタもしくはメモリ装置に接続されることを可能にするために、上記システムと接続されていてもよい。モデム、ケーブルモデム及びイーサネット(登録商標)カードは、現在利用可能なタイプのネットワークアダプタのほんの一例である。
本明細書で用いる「ハードウェアプロセッササブシステム」または「ハードウェアプロセッサ」という用語は、1つ以上の特定のタスクを実行するために協働するプロセッサ、メモリ、ソフトウェアまたはそれらの組み合わせを指すことができる。有用な実施形態において、ハードウェアプロセッササブシステムは、1つまたは複数のデータ処理要素(例えば、論理回路、処理回路、命令実行装置等)を含むことができる。1つまたは複数のデータ処理要素は、中央処理装置、グラフィックス処理装置及び/または個別のプロセッサまたは計算要素ベースのコントローラ(例えば、論理ゲート等)を含めることができる。ハードウェアプロセッササブシステムは、1つ以上のオンボードメモリ(例えば、キャッシュ、専用メモリアレイ、読み出し専用メモリ等)を含むことができる。任意の実施形態において、ハードウェアプロセッササブシステムは、オンボードまたはオフボードとすることができる、またはハードウェアプロセッササブシステム(例えば、ROM、RAM、基本入出力システム(BIOS)等)で用いるための専用の1つ以上のメモリを含むことができる。
任意の実施形態において、ハードウェアプロセッササブシステムは、1つ以上のソフトウェア要素を含み実行できる。1つ以上のソフトウェア要素は、特定の結果を達成するためにオペレーティングシステム及び/または1つ以上のアプリケーション及び/または特定のコードを含むことができる。
他の実施形態において、ハードウェアプロセッササブシステムは、指定された結果を達成するために1つまたは複数の電子処理機能を実行する専用回路を含むことができる。そのような回路は、1つまたは複数の特定用途向け集積回路(ASIC)、フィールドプログラマブルゲートアレイ(FPGA)及び/またはプログラマブルロジックアレイ(PLA)を含むことができる。
ハードウェアプロセッササブシステムのこれら及び他の変形例もまた、本発明の実施形態によって考えられる。
ここで、同じ数字が同一または同様の要素を表す図面、図1を詳細に参照すると、図1には、本原理の実施形態による、本原理が適用される例示的な処理システム100が示されている。処理システム100は、システムバス102を介して他のコンポーネントに動作可能に接続された少なくとも1つのプロセッサ(CPU)104を含む。システムバス102には、キャッシュ106、読み取り専用メモリ(ROM)108、ランダムアクセスメモリ(RAM)110、入出力(I/O)アダプタ120、サウンドアダプタ130、ネットワークアダプタ140、ユーザインタフェースアダプタ150及びディスプレイアダプタ160が動作可能に接続されている。
第1の記憶装置122及び第2の記憶装置124は、I/Oアダプタ120によってシステムバス102に動作可能に接続されている。記憶装置122及び124は、ディスク記憶装置(例えば、磁気または光ディスク記憶装置)、ソリッドステート記憶装置、磁気記憶装置等のいずれであってもよい。記憶装置122及び124は、同じ種類の記憶装置であってもよく、異なる種類の記憶装置であってもよい。
スピーカ132は、サウンドアダプタ130によってシステムバス102に動作可能に接続されている。トランシーバ142は、ネットワークアダプタ140によってシステムバス102に動作可能に接続されている。表示装置162は、ディスプレイアダプタ160によってシステムバス102に動作可能に接続されている。
第1のユーザ入力装置152、第2のユーザ入力装置154及び第3のユーザ入力装置156は、ユーザインタフェースアダプタ150によってシステムバス102に動作可能に接続されている。ユーザ入力装置152、154及び156は、キーボード、マウス、キーパッド、画像キャプチャ装置、モーション感知装置、マイクロフォン、あるいはこれらの装置のうちの少なくとも2つの装置の機能を組み込んだ装置等のいずれであってもよい。もちろん、本原理の主旨を維持しながら、他のタイプの入力装置を使用することもできる。ユーザ入力装置152、154及び156は、同じタイプのユーザ入力装置であってもよく、異なるタイプのユーザ入力装置であってもよい。ユーザ入力装置152、154及び156は、処理システム100に情報を入力し、処理システム100から情報を出力するために使用される。
もちろん、処理システム100は、当業者であれば容易に思いつくような他の要素(図示せず)を含んでもよく、特定の要素を省略することも可能である。例えば、当業者であれば容易に理解できるが、処理システム100には、その詳細な実装に応じて他の様々なタイプの入力装置及び/または出力装置を含むことができる。例えば、無線及び/または有線による様々な入力装置及び/または出力装置を使用できる。さらに、当業者であれば容易に理解できるが、様々な構成の追加プロセッサ、コントローラ、メモリ等を使用することも可能である。処理システム100の上記及び他の変形例は、本明細書で提供される本原理の教示によって当業者であれば容易に考えられるであろう。
さらに、図1、2、4、5A、5B、7、8及び10に関連して説明するシステム100、200、400、500、501、700、800及び1000は、本原理のそれぞれの実施形態を実施するためのシステムであることを理解されたい。処理システム100の一部または全部は、本原理の様々な実施形態による、システム200、400、500、501、700、800及び1000の要素のうちの1つまたは複数で実現されてもよい。
さらに、処理システム100は、例えば、図3、4、5A、5B、6、7及び9に記載の方法300、400、500、501、600、700及び900の少なくとも一部を含む、本明細書に記載の方法の少なくとも一部を実行できることを理解されたい。同様に、本原理の様々な実施形態による、図3、4、5A、5B、6、7及び9に記載の方法300、400、500、501、600、700及び900の少なくとも一部を実行するために、システム200、400、500、501、700、800及び1000の一部または全てを用いてもよい。
ここで図2を参照すると、図2には、本原理の一実施形態による、個人向けデュアルチャネル結合ネットワーク(P-DCCN)218を用いて治療イベントを予測するためのシステム/方法200を示すブロック図が例示的に示されている。一実施形態において、ニューラルネットワーク訓練コンポーネント206を用いてDCCN202を訓練することで、個人向けDCCN(P-DCCN)218を生成するために、デュアルチャネル結合ネットワーク(DCCN)202が用いられる。訓練コンポーネント206は、(例えば、事前訓練のための)前処理コンポーネント208、(例えば、静的及び経時的特徴量を処理するための)計算コンポーネント210、モデル保存コンポーネント212(例えば、記憶装置)及び微調整コンポーネント214を含む。それは、本発明の態様による、例えば、患者測定装置204を用いて取得された履歴及び/またはリアルタイムな患者測定装置及びローカルマシン216で収集及び保存されたその他の個人の患者データに基づいて、包括的に事前訓練されたモデルが特定の患者に適合される。
様々な実施形態において、微調整コンポーネント214を用いて微調整が完了した後、本発明の態様による、予測コンポーネント220は、訓練されたP-DCCNを用いて、特定の患者に関する将来のイベント(例えば、治療イベント、患者の健康被害イベント等)を予測する。本発明の態様による、システム200の各コンポーネントは、バス201によって接続されていてもよく、任意の適切な通信手段(例えば、無線接続、インターネットを介したリモート接続、有線イーサネット(登録商標)接続、他の有線接続等)を介して接続されていてもよいことを理解されたい。
ここで図3を参照すると、図3には、本発明の原理の一実施形態による、治療イベント、治療準備及び治療イベント300の予測のための例示的な期間を示すブロック/フロー図が例示的に示されている。
一般に、病気の患者は、病気の種類及び/またはその重症度に応じて、少なくとも週に1回の病気の治療(例えば、透析)を受ける定期的なルーチンを有することが多い。説明を容易にするために、患者の透析治療を例にして本発明を説明するが、本発明の様々な実施形態による本発明の原理は、治療前、治療中、治療後に関するあらゆる種類の病気/疾患の医療イベントを予測するために適用できることを理解されたい。
一般に、透析患者は週に3回の頻度の定期的な透析セッションを有し、各セッションは4~5時間かかる。透析患者の例示的な1週間のスケジュール301には、治療日302、非治療日として2日目304及び3日目306、2回目の治療日308、非治療日として5日目310及び6日目312及び3回目の治療日314が含まれる。上述したように、透析による治療前、治療中及び/または治療後には様々な有害な医療イベントが発生する可能性があるため、本発明は、本発明の実施形態によるP-DCCNを用いて、過去の記録データに基づいて各患者の近い将来の透析セッションにおけるイベントが起きる可能性を予測することで(例えば、透析治療セッション前のイベントを予測する)、透析の治療前、治療中及び/または治療後における健康への悪影響のリスクを最小限に抑制する。
透析患者の履歴記録データは、主に、患者の静的プロファイル(例えば、年齢、性別、透析開始時間等)、透析測定記録(週に3回の頻度(例えば、血圧、体重、静脈圧等)、血液検査の測定値(月に2回の頻度(例、アルブミン、グルコース、血小板数等)及び心胸郭比(cardiothoracic ratio:CTR)(月に1回の頻度)の4つのパートで構成される。このうち、最後の3つのパートは動的であり、時間の経過と共に変化するため、本発明の態様によれば、周期は異なるが時系列でモデル化される。
本発明は、デュアルチャネル結合ネットワーク(DCCN)と呼ばれるデュアルチャネルニューラルネットワークのビルディングブロックアーキテクチャに構築された人工知能システムである。これは、モデル訓練及び予後スコア予測のために上述したデータの異なるパートを統合するものであり、以下でさらに詳細に説明する。
本発明の実施形態によれば、治療日302、治療日308、治療日314において、透析イベント(例えば、透析治療セッション309中に起こり得る医療イベント)を、治療セッション309を実施する前の治療準備期間307で予測できる。治療セッションはブロック311で完了し、測定値及びその他の患者データは、本発明の実施形態による、将来の透析治療セッション(例えば、治療日314)で用いるためにP-DCNNのさらなる訓練で利用される。
ここで図4を参照すると、図4には、本原理の一実施形態による、個人向けデュアルチャネル結合ネットワーク(P-DCCN)を用いて治療イベントを予測するためのシステム/方法400のブロック図が例示的に示されている。
いくつかの実施形態において、本発明は、デュアルチャネル結合ネットワーク(DCCN)と呼ばれるデュアルチャネルニューラルネットワークのビルディングブロックアーキテクチャで構築された人工知能システムである。これは、モデル訓練及び予後スコア予測のためにデータの上述した異なるパートを統合する。様々な実施形態において、本発明は、以下でさらに詳細に説明する、本発明の態様による、事前訓練及び微調整フレームワークを利用することで、全ての個々の患者のデータに関する個人向けDCCN(P-DCCN)を生成できる。
いくつかの実施形態において、N人の患者に関する過去の患者記録402(例えば、P1 401、P2 403、…、PN 405)は、本発明の態様による、事前訓練されたP-DCCN406を生成するための事前訓練404の入力として受信される。事前訓練段階404において、P-DCCN406は、患者個々の病院記録のデータベース(例えば、電子医療記録(Electronic Health Record:EHR)データベース)から取得される、複数の異なる患者402の病歴データを用いて訓練される。患者履歴記録402は、例えば、患者プロファイル、透析測定値、血液検査測定値、CTR測定値等を含み、これらは、本発明の態様による、事前訓練されたP-DCNN406を訓練するための入力として用いられる。
いくつかの実施形態において、事前訓練されたP-DCCN406は、さらなる処理で用いるために、サーバまたはクラウドプラットフォーム(図示せず)で保存される。ブロック408において、事前訓練されたP-DCCN406は、複数のK人の新規の患者(例えば、PN+1 421、PN+2 423、…、PN+K 425)の1つまたは複数のデータを微調整するために、任意の適切なデータ転送手段(例えば、無線、有線、リモート接続等)によって、1つまたは複数のローカルマシン411、413、415に送信される。微調整段階408において、新規の患者に関する数週間分の記録等、一定量の医療記録データ(例えば、患者の全部の医療記録から見て比較的少量)が蓄積されると、特定の患者毎に個人向け化される事前訓練されたP-DCCN406を微調整するために、これらの記録が用いられる。
いくつかの実施形態において、生成され、訓練された個人向けP-DCNN(例えば、PN+1 431、PN+2 433、…、PN+K 435)は、それぞれが特定の患者の将来の予測分析に使用され、ブロック441、443及び445において、治療前、治療中及び/または治療後に医療イベントが発生する確率をそれぞれ予測する。このようなP-DCNNの個人向け化により、そのような個人向け化を考慮していない従来のモデルよりも精度が向上する。ブロック410において、ブロック441、443及び445で決定された予測スコアは、本発明の態様による、患者の治療前、治療中及び/または治療後に出力される。多くの治療(例えば、透析治療)は、長期間(例えば、数か月、数年、生涯等)にわたって必要とされる可能性があるため、P-DCCN406は、ブロック408において継続して微調整され、精度を向上させるために患者の治療期間を通して繰り返し個人向け化される。本発明は透析治療に関して上記で説明したが、本発明の様々な実施形態による、本発明のP-DCCNシステム及び方法は、他の医療記録データ、疾患及び/または治療行為に適用できることが理解されるべきであることに留意されたい。
ここで図5Aを参照すると、図5Aには、本発明の原理の一実施形態による、個人向けデュアルチャネル結合ネットワーク(P-DCCN)を用いて治療イベントを予測するためのシステム/方法500のハイレベル図が例示的に示されている。
本発明の実施形態によれば、過去の医療記録(例えば、過去の電子医療記録(EMR))は、P-DCNNデータ前処理コンポーネント504で用いるために、ブロック502においてニューラルネットワーク訓練セットとして入力される。透析患者の病歴記録は、任意の適切な形式(例えば、CVS、excel等)で保存される。各患者は、静的プロファイル(例えば、年齢、性別、透析開始時等)に関する医療情報を含むファイルを有していてもよく、ブロック506において静的入力Xとして入力してもよい。ファイルは、経時的プロファイル(例えば、透析測定値、血液検査測定値、イベント発生率、アルブミン、グルコース、血小板数等)に関する医療情報を含んでもよく、これは、本発明の態様による、ブロック508における経時的入力X1,X2,…,XTとして入力される。各行は、患者が病院を訪れた特定の日付を示している。いくつかの実施形態において、本発明の態様による、静的入力506及び経時的入力508は、静的チャネル512及び経時的チャネル514を用いたさらなる訓練及び/または処理のために、P-DCCN計算コンポーネント518に送信される。
いくつかの実施形態において、各列は、透析測定値におけるいくつかの指標メトリック(例えば、血圧、体重、静脈圧等)等の特定の特徴量を示している。異なるパートは異なる頻度を有するため、本発明の態様によれば、フォーム内の一部のエントリは、特徴量が特定の日に測定されないことを示す空白にしてもよい。ブロック510において、訓練ラベルyが生成され、ブロック516における訓練損失を含む入力としてP-DCCN計算コンポーネント518に送信される。これについては、図5Bを参照して以下でさらに詳細に説明する。
様々な実施形態において、本発明の態様による、P-DCCN前処理コンポーネント504は、ファイルからデータの異なるパートを抽出し、ノイズを有する情報を除去し、履歴データにおける対応する特徴量の平均値を用いることで、及び/または、隣接する先の時間ステップからの値を用いることで、欠測値を埋めることができる。
いくつかの実施形態において、前処理コンポーネント504は、時系列データをセグメント化するために幅がwの時間ウィンドウを設定できる。これについては、図6を参照して以下でさらに詳細に説明する。一実施形態において、各時間ウィンドウは、時間ステップT-wから時間ステップTまでのサンプルXを生成することが可能であり、それを時間ステップT+1におけるイベントラベルYに関連付けることができる。これにより、将来のイベントに比較的近い日付の特徴量にサンプルの焦点が当てられる。異なるパート毎に異なる頻度を有するため、時間ウィンドウ内の全ての透析測定値を含めることができるが、時間ウィンドウに最も近い日付の血液検査測定値を含めることができる。この後、時間ウィンドウを記録内の日付の開始から日付の終了までスライドさせて、複数のサンプルを生成してもよい。
一実施形態において、サンプルが生成された後、前処理コンポーネント504は、訓練サンプルの特徴量が平均値0及び分散1を有するように、ガウス正規化法を用いた全てのサンプルを正規化する。これにより、ブロック518における計算コンポーネントアルゴリズムの安定性の一助となる。サンプルをテストする場合、本発明の態様による、ブロック518で訓練データから得られた平均値及び分散を用いてサンプルを正規化し、正規化されたサンプルを、さらなるモデルの訓練、テスト及び/または保存のためにモデル保存コンポーネント520に送信する。様々な実施形態において、P-DCCN計算コンポーネント518は、2つのチャネル、すなわち、静的かつ比較的低頻度の経時的特徴量を処理するための静的チャネルと、比較的高頻度の経時的特徴量を処理するための経時的チャネルを含んでいてもよく、これについては本発明の態様による図5Bを参照して、以下でさらに詳細に説明する。
いくつかの実施形態において、P-DCCNモデル保存コンポーネント520は、P-DCCN計算コンポーネント518からの事前訓練されたP-DCCNモデルを入力として受信し、事前訓練されたモデルは、訓練セットとして提供される特定(例えば、閾値)量の患者データの入力履歴記録502を用いて訓練される。このプロセスは、訓練セット内のデータと適合するようにP-DCCNのパラメータが更新されるため、本発明の態様による、ローカルマシン524及びP-DCCN個人向け化コンポーネント522からのデータを用いて、ブロック526でさらなる微調整及び個人向け化するための十分な知識が抽出される。
様々な実施形態において、P-DCCNモデルは、ブロック518において、以下の回帰損失関数を備えるオプティマイザを用いて事前訓練される。
ここで、yiは訓練データにおけるi番目のサンプルのイベント発生率を示す真指標(true indicator)である。イベントがあれば1であり、イベントが無ければ0である。
はi番目のサンプルの予測スコアである。Nは訓練サンプルの総数である。θはモデルパラメータを表す。λは訓練プロセス中の過学習を避けるためにモデルパラメータの正則化を制御するハイパーパラメータである。
ここで、yiは訓練データにおけるi番目のサンプルのイベント発生率を示す真指標(true indicator)である。イベントがあれば1であり、イベントが無ければ0である。
はi番目のサンプルの予測スコアである。Nは訓練サンプルの総数である。θはモデルパラメータを表す。λは訓練プロセス中の過学習を避けるためにモデルパラメータの正則化を制御するハイパーパラメータである。
本発明の態様によれば、ブロック518で事前訓練が行われた後、ブロック520で事前訓練されたP-DCCN(全てのパラメータが更新及び固定された)をサーバまたはクラウドプラットフォームに送信して保存できるため、ローカルマシンで収集された新規の患者からの比較的少量の記録を用いて、ブロック526でさらなる微調整及び個人向け化のために1つまたは複数のローカルマシン524に容易に配信できる。
実際、新規の患者が数週間透析治療を受けている場合、ローカルマシン524は、その間、その患者に関する複数の異なる種類の記録(例えば、静的及び経時的測定)を収集する。ローカルマシン524で収集される記録量は、事前訓練データセットにおけるデータサイズよりもはるかに小さいが、これらの記録は特定の患者に固有のものであるため、包括的に事前訓練されたモデルを患者の状態に適合させるのに役に立つ。本発明の態様による、比較的少量の微調整データを介してブロック522のP-DCCN個人向け化コンポーネントを用いるこの個人向け化プロセスは、少数ショット学習の利点を活用する。
いくつかの実施形態において、モデル保存コンポーネント520で保存された、事前訓練されたP-DCCNは、微調整データセットが収集されてローカルに保存されたローカルマシン524に送信される。微調整データセットは、訓練サンプルを生成するための前処理コンポーネント504に関する上述した前処理と同様に、ブロック526における微調整中に再び前処理される。
いくつかの実施形態において、セクション3で説明した回帰損失関数
を備えるオプティマイザを用いて、ブロック526で事前訓練されたP-DCCNが微調整される。ここで、N’は微調整セットにおけるサンプルの総数を表し、事前訓練セットにおけるサンプル数であるNよりも少ない。yiは訓練データにおけるi番目のサンプルのイベント発生率の真指標である。イベントがあれば1であり、イベントが無ければ0である。
はi番目のサンプルの予測スコアである。Nは訓練サンプルの総数である。θはモデルパラメータを表す。λは訓練プロセス中の過学習を回避するためにモデルパラメータの正則化を制御するハイパーパラメータである。
を備えるオプティマイザを用いて、ブロック526で事前訓練されたP-DCCNが微調整される。ここで、N’は微調整セットにおけるサンプルの総数を表し、事前訓練セットにおけるサンプル数であるNよりも少ない。yiは訓練データにおけるi番目のサンプルのイベント発生率の真指標である。イベントがあれば1であり、イベントが無ければ0である。
はi番目のサンプルの予測スコアである。Nは訓練サンプルの総数である。θはモデルパラメータを表す。λは訓練プロセス中の過学習を回避するためにモデルパラメータの正則化を制御するハイパーパラメータである。
いくつかの実施形態において、ブロック526における微調整を実施すると、ブロック502において、ローカルマシン524から入力として受信した患者の病歴データ及び入力された履歴EMRデータの分析に基づいて、将来の時間ステップ
に関する特定のイベントの予測スコアを出力することで、特定の患者の将来のイベントを予測するための個人向けモデルP-DCCNが用いられる。ブロック528でこのようにして得られた予測は、少なくとも部分的に事前訓練されたモデルを直接使用するよりも大幅に正確である。何故なら、本発明の態様によるモデルは特定の患者のデータに適合されているため、特定の患者のデータと事前訓練セットのデータと間の分布の不一致が軽減されるためである。
に関する特定のイベントの予測スコアを出力することで、特定の患者の将来のイベントを予測するための個人向けモデルP-DCCNが用いられる。ブロック528でこのようにして得られた予測は、少なくとも部分的に事前訓練されたモデルを直接使用するよりも大幅に正確である。何故なら、本発明の態様によるモデルは特定の患者のデータに適合されているため、特定の患者のデータと事前訓練セットのデータと間の分布の不一致が軽減されるためである。
ここで図5Bを参照すると、図5Bには、本原理の一実施形態による、治療イベントを予測するための個人向けデュアルチャネル結合ネットワーク(P-DCCN)計算コンポーネント518のダイヤグラム501が例示的に示されている。
様々な実施形態において、本発明の態様による、P-DCCN計算コンポーネント518は、2つのチャネル、すなわち静的かつ比較的低頻度の経時的特徴量を処理するための静的チャネル512と、比較的高頻度の経時的特徴量を処理するための経時的チャネル514とを含んでいる。
いくつかの実施形態において、静的チャネル512は、静的特徴量(例えば、液温、毎時水分除去速度、目標水分除去量、乾燥重量、最後の透析治療後の体重、透析前の体重測定値、この時間期間の増加等)を静的入力x 506として受信する。静的特徴量及び比較的低頻度の経時的特徴量は、ベクトルxsで表すことが可能であり、静的チャネル512は、xsにおける情報を
で示されるコンパクトな表現hsに符号化するための多層パーセプトロン505(MLP)を含む。ここで、
は、本発明の態様による、訓練すべきモデルパラメータWs及びbsを備える
形式の全結合ネットワークの複数の層とすることができる。いくつかの実施形態において、出力hsは、静的特徴量(例えば、DNN特徴量507)のコンパクトな表現となり、本発明の態様による、予測のための経時的チャネルからの表現と統合できる。
で示されるコンパクトな表現hsに符号化するための多層パーセプトロン505(MLP)を含む。ここで、
は、本発明の態様による、訓練すべきモデルパラメータWs及びbsを備える
形式の全結合ネットワークの複数の層とすることができる。いくつかの実施形態において、出力hsは、静的特徴量(例えば、DNN特徴量507)のコンパクトな表現となり、本発明の態様による、予測のための経時的チャネルからの表現と統合できる。
様々な実施形態において、経時的チャネル514は、経時的特徴量入力508A、508B、508Cを処理するための複数の長期短期メモリ(Long Short Term Memory:LSTM)層515A、515B、515Cを含み、経時的特徴量入力508A、508B、508Cはベクトルx1,x2,...,xTのシーケンスでそれぞれ表される。LSTM層は、
によって、コンパクトな表現513,517,512,525 h0,h1,h2,...,hTのシーケンスをそれぞれ出力できる。ここで、
には、訓練可能なモデルパラメータを含むLSTMユニットの複数の層を含めることができる。また、時間方向の両方から情報を符号化するために、本発明の様々な実施形態による、LSTMユニットを双方向LSTMに拡張してもよい。
によって、コンパクトな表現513,517,512,525 h0,h1,h2,...,hTのシーケンスをそれぞれ出力できる。ここで、
には、訓練可能なモデルパラメータを含むLSTMユニットの複数の層を含めることができる。また、時間方向の両方から情報を符号化するために、本発明の様々な実施形態による、LSTMユニットを双方向LSTMに拡張してもよい。
いくつかの実施形態において、LSTM層515A、515B、515Cに加えて、コンパクトな表現513,517,512,525 h0,h1,h2,...,hTを、結合のためにアテンション層519、523、527にそれぞれ送信してもよい。アテンション層519、523、527は、ブロック519、523、527において、時間ステップ毎に以下の経時的重要度スコア、すなわちアテンション重み
が計算される。
ここで、
は学習するモデルパラメータである。このステップの後、
である。全てのコンパクトな経時的表現は、アテンション重み519、523、527を介して(例えば、ブロック529、531、533におけるアダマール積を用いて)
によって結合できる。ここで、hdは、本発明の態様による、全ての経時的特徴量535x1,...,xTのコンパクトな表現であり、経時的チャネルの出力である。
が計算される。
ここで、
は学習するモデルパラメータである。このステップの後、
である。全てのコンパクトな経時的表現は、アテンション重み519、523、527を介して(例えば、ブロック529、531、533におけるアダマール積を用いて)
によって結合できる。ここで、hdは、本発明の態様による、全ての経時的特徴量535x1,...,xTのコンパクトな表現であり、経時的チャネルの出力である。
様々な実施形態において、静的表現hs及び経時的表現hdが静的チャネル512及び経時的チャネル514から取得された後、予測層509は、それらを連結し、
によるMLPを用いてイベントの確率を計算する。ここで、
は医療イベントの発生確率を示すスコアである。本発明の態様によれば、予測確率スコアはブロック511で出力される。
によるMLPを用いてイベントの確率を計算する。ここで、
は医療イベントの発生確率を示すスコアである。本発明の態様によれば、予測確率スコアはブロック511で出力される。
引き続き図5Aを参照しつつ図6を参照すると、図6には、本原理の一実施形態による、個人向けデュアルチャネル結合ネットワーク(P-DCCN)前処理コンポーネント504を用いて治療イベントを予測する方法の図600が例示的に示されている。
本発明の実施形態によれば、図600は、透析治療の測定値及びデータに関する時間ウィンドウ604にわたるセグメント化プロセスを示している。過去の透析患者測定データはブロック602に入力することが可能であり、経時的な透析測定データはブロック606及び608にて透析治療中に時間と共に測定及び/または分析される。本発明の態様による、静的な血液検査データ610及び静的な患者履歴医療記録データ612は、静的なリアルタイム患者測定データ614及び/またはその他の透析測定データ616に加えて、将来の医療イベント618を予測するための入力として利用される。
いくつかの実施形態において、各時間ウィンドウ604は、タイムステップT-w620からタイムステップT622までのサンプルXを生成し、ブロック618において、タイムステップT+1 624におけるそれをイベントラベルYと関連付ける。本発明の態様によれば、この関連付けは、将来のイベントに最も近い日付の特徴量に焦点を当てたサンプルを生成することが可能であり、異なるパートは異なる頻度を有するため、時間ウィンドウ604における全ての透析測定値を含めることができる一方、将来のイベントに最も近い日付に対する時間ウィンドウの血液検査測定値610を含めることができる。時間ウィンドウは、複数のサンプルを生成するために、記録における日付の初めから日付の終わりまで(例えば、透析治療の期間、丸1日等)スライドしてもよい。
サンプルが生成された後、前処理コンポーネント504は、訓練サンプルの特徴量が平均値0及び分散1を有するように、ガウス正規化法を用いて全てのサンプルを正規化する。これにより、本発明の態様による、P-DCNN計算コンポーネント518の計算アルゴリズムの精度及び安定性が向上する。サンプルをテストする場合、サンプルは、訓練データから得られた平均値及び分散を用いることで正規化可能であり、正規化されたサンプルは、さらなるモデルの訓練及びテストのために、本発明の態様による、次のコンポーネント(例えば、モデル保存コンポーネント520)に送信される。実際、透析測定値の一部は、イベントが予測される日と同じ日を求めることができる。これらの測定値(例、液温、時間当たりの水分除去率、目標水分除去量、乾燥重量、最後の透析治療後の体重、透析重量測定までの時間、この期間の増加等)は、透析の開始直前に求めることができるため、本発明の態様による、さらなる処理のために静的特徴量614として含めることができる。
ここで図7を参照すると、図7には、本原理の一実施形態による、個人向けデュアルチャネル結合ネットワーク(P-DCCN)を用いて治療イベントを予測するためのシステム/方法700の高レベルのブロック/フロー図が例示的に示されている。
様々な実施形態によれば、ブロック702において、患者の過去の事前訓練データを事前訓練モジュール704に入力する。本発明の態様による、事前訓練データ702(例えば、複数の患者の履歴記録データ)は、P-DCCNデータ前処理コンポーネント706に入力可能であり、事前訓練セットとして正規化されたサンプルを出力できる。本発明の態様による、ブロック706からの正規化されたサンプルは、P-DCCNパラメータを更新するためにP-DCCN計算コンポーネント708に送信され、事前訓練されたP-DCCNが出力され、P-DCCN計算コンポーネント708からの事前訓練されたP-DCCNはローカルマシンからの将来の展開及び/または個人向け化のためのモデル保存コンポーネント710に送信される。
一実施形態において、個人向け化モジュール712を用いて特定の患者の比較的少量(例えば、患者の完全な病歴記録と比べて)の病歴医療データが、ローカルマシン712からP-DCCN前処理コンポーネント716に入力される。これにより、本発明の態様による、正規化されたサンプルを微調整セットとして出力し、P-DCCNデータ収集コンポーネント718に送信できる。モデル保存コンポーネント710からの事前訓練されたP-DCCNは、P-DCCN個人向け化モジュール712に送信され、本発明の態様による、ブロック720で出力される個人向け予測スコアを生成するためにP-DCCNデータ収集コンポーネント718によって利用される。いくつかの実施形態において、事前訓練されたP-DCCNのモデルパラメータの微調整は、微調整データセットを用いた複数の訓練反復によって実行することが可能であり、微調整されたP-DCCNは、本発明の態様による、1つまたは複数のローカルマシン714からのデータを用いてブロック720で個人向け予測スコア
を生成するために利用される。
を生成するために利用される。
ここで図8を参照すると、図8には、本原理の一実施形態による、個人向けデュアルチャネル結合ネットワーク(P-DCCN)を用いて治療イベントを予測するためのシステム/方法800のブロック/フロー図が例示的に示されている。
本発明の実施形態によれば、P-DCCNシステム802のシステムアーキテクチャが提供される。P-DCNN事前訓練モジュール804は、P-DCCN前処理コンポーネント806、P-DCNN計算コンポーネント814及びモデル保存コンポーネント822を含む。いくつかの実施形態において、本発明の態様による、P-DCNN事前訓練モジュール804は、ブロック808において履歴データの品質を改善するデータクリーニング及びデータ補完、ブロック810において記録データのセグメント化及び時系列サンプルの生成、並びに/またはブロック812において計算の安定性のためにデータサンプルのガウス正規化を実行するように構成される。
いくつかの実施形態において、P-DCNN計算コンポーネント814は、ブロック816における異なる頻度の静的特徴量及び経時的特徴量を同時に処理するためのデュアルチャネルニューラルネットワーク(DCNN)、ブロック818における性能の改善及び解釈のための統合中の異なる時間ステップの相対的な重要性を学習する経時的チャネルのアテンションメカニズム、及び/またはブロック820におけるイベント予測スコアを計算するために静的特徴量と経時的特徴量を統合するための結合層を含むことができる。いくつかの実施形態において、、本発明の態様による、P-DCCNモデル保存コンポーネント822は、ブロック824における前処理コンポーネント806及び計算コンポーネント814を実行するためのプラットフォームサポートのために、ブロック826におけるモデルの事前訓練、収集及び保存のために、及び/またはブロック828において入力として受信した事前訓練されたモデルを共有するためのローカルマシンとの効率的な通信のために構成される。
様々な実施形態によれば、P-DCCN個人向け化モジュール830は、P-DCCNローカルデータ収集コンポーネント832及びP-DCCN微調整コンポーネント840を含んでいる。本発明の態様による、ローカルデータ収集コンポーネント832は、ブロック834における治療(例えば、透析)セッションからの新しいデータのタイムリーな収集及び記録のためにプラットフォームサポート、モデル保存コンポーネント822から事前訓練されたモデルの受信、並びに微調整コンポーネント840の動作をローカルデータ収集コンポーネント832から収集されたデータに揃えることが含まれる、データ交換のためのモデル保存コンポーネント822と効率的に通信するように構成される。
いくつかの実施形態において、本発明の態様による、微調整コンポーネント840は、ブロック842において事前訓練されたモデル及び微調整データを収集し、ブロック844において少数ショット学習手法を用いて事前訓練されたモデルを微調整データに比較的迅速に適合させ、ブロック846において回帰目的関数及び/または勾配最適化アルゴリズムを用いてモデルを微調整し、ブロック846においてローカルマシンからの新しい入力データに基づいて個人向け予測スコアを生成するように構成される。
ここで図9を参照すると、図9には、本原理の一実施形態による、個人向けデュアルチャネル結合ネットワーク(P-DCCN)を用いて治療イベントを予測する方法のブロック/フロー図900が例示的に示されている。
様々な実施形態によれば、ブロック902において過去の患者データが入力され、ブロック904において過去の患者データを前処理することで事前訓練セットが生成される。正規化されたサンプルは、本発明の態様による、ブロック906においてP-DCCN計算コンポーネントに事前訓練セットとして出力され、ブロック908において事前訓練されたP-DCCNがモデル保存コンポーネントで保存される。ブロック910において、治療(例えば透析)前、治療中及び/または治療後の患者の測定値(例えば、血圧、心拍数等)が取得され、ブロック910からの測定値及びブロック912においてローカルマシンに保存されたその他のデータに基づいてP-DCNNの反復的な微調整及び個人向け化が実行される。ブロック914において、本発明の態様による、微調整されたP-DCCNを用いて特定の患者の将来の医療イベントに関する個人向け予測スコアが生成される。ブロック916において、本発明の態様による、ブロック914で生成された個人向け予測スコアに応じて、コントローラ(例えば、自動または手動)を用いて医療装置(例えば、透析装置)及び/または複数の測定装置(例えば、血圧モニタ、心拍数モニタ等)の動作が制御される。
ここで図10を参照すると、図10には、本原理の一実施形態による、個人向けデュアルチャネル結合ネットワーク(P-DCCN)を用いて患者の治療を実施し、治療イベントを予測し、治療中に患者からデータをモニタリング及び収集するためのシステム1000のハイレベル図が例示的に示されている。
本発明の様々な実施形態によれば、医療専門家による治療を受けるために、患者1001には、治療のための及び/または測定装置1002(例えば、透析装置、心電図(EKG)機械、血圧モニタ等)が接続される。本発明の態様によれば、治療前に、P-DCCNシステム1006を用いて治療及び/または測定装置1002を用いた治療中に起こり得る潜在的な医療イベントを予測できる。P-DCCNシステム1006によるリアルタイムで潜在的な医療イベントの反復予測のために、患者1001のリアルタイムな測定が治療前だけでなく治療中にも実施できるように、P-DCCNシステム106は、治療及び/または測定装置1002に統合(例えば、内蔵)してもよく、ポート(例えば、USB(登録商標)、イーサネット(登録商標)等)を介して治療及び/または測定装置に接続してもよい。医療専門家1003は、コントローラ(例えば、有線、遠隔等)を用いて、本発明の態様による、P-DCCNシステムによってリアルタイムに出力されるイベント予測に応じて、医療及び/または測定装置1002の動作を制御できる。
上記は、あらゆる観点において説明的かつ典型的であって限定的でないものと理解されるべきであり、本明細書で開示する本発明の範囲は、詳細な説明から決定されるべきではなく、特許法で認められた最大限の広さに基づいて解釈される特許請求の範囲から決定されるべきである。本明細書中に図示及び記載されている実施形態は、本発明の原理を説明するものにすぎず、本発明の範囲及び主旨から逸脱することなく当業者は様々な変更を実施することができることを理解されたい。当業者は、本発明の範囲及び精神から逸脱することなく、様々な他の特徴量の組み合わせを実施できる。以上、本発明の態様について、特許法で要求される細部及び詳細な事項と共に説明したが、特許証で保護されることを要求する特許請求の範囲は、添付の特許請求の範囲に示されている。
Claims (20)
- 訓練されたニューラルネットワークを用いて患者の医療イベントの発生を予測するためのコンピュータで実施する方法であって、
複数の患者に関して受信した過去の患者データを前処理することで、複数の正規化された訓練サンプルを生成し(904)、
前記正規化された訓練サンプルを個人向け深層畳み込みニューラルネットワーク(P-DCCN)に送信し、前記正規化された訓練サンプルを用いて、前記P-DCCNを用いたモデルの事前訓練及びモデルパラメータの更新を開始し(906)、
治療の準備期間中にローカルマシンによる個人向け化で用いるために、前記事前訓練されたモデルをリモートサーバで保存し(908)、
前記ローカルマシンからの前記患者の入力された個人データを処理することで、前記P-DCCNからの出力として正規化された微調整セットを生成し(906)、
生成された前記正規化された微調整セットを用いて複数の訓練反復を実行することで前記P-DCCNの前記モデルパラメータを反復的に微調整し(912)、
前記P-DCCNを用いて前記患者の将来の医療イベントに関する個人向け予測スコアを生成し(914)、
将来の医療イベントに関する前記個人向け予測スコアに応じて医療装置の動作を制御する(916)、方法。 - 複数の患者に関して受信した過去の患者データを前記前処理することは、記録データをセグメント化し、時系列サンプルを生成することをさらに有する、請求項1に記載の方法。
- 静的チャネルが静的かつ比較的低頻度の経時的特徴量を処理するために使用され、経時的チャネルが比較的高頻度の経時的特徴量を処理するために使用される、請求項1に記載の方法。
- 訓練されたニューラルネットワークを用いて患者の医療イベントの発生を予測するためのシステムであって、
コンピュータで読み取り可能な記憶媒体(122)に動作可能に接続されたプロセッサ(104)が、
複数の患者に関して受信した過去の患者データを前処理することで、複数の正規化された訓練サンプルを生成し(904)、
前記正規化された訓練サンプルを個人向け深層畳み込みニューラルネットワーク(P-DCCN)に送信し、前記正規化された訓練サンプルを用いて、前記P-DCCNを用いたモデルの事前訓練及びモデルパラメータの更新を開始し(906)、
治療の準備期間中にローカルマシンによる個人向け化で用いるために、前記事前訓練されたモデルをリモートサーバで保存し(908)、
前記ローカルマシンからの前記患者の入力された個人データを処理することで、前記P-DCCNからの出力として正規化された微調整セットを生成し(906)、
生成された前記正規化された微調整セットを用いて複数の訓練反復を実行することで前記P-DCCNの前記モデルパラメータを反復的に微調整し(912)、
前記P-DCCNを用いて前記患者の将来の医療イベントに関する個人向け予測スコアを生成し(914)、
将来の医療イベントに関する前記個人向け予測スコアに応じて医療装置の動作を制御する(916)ように構成された、システム。 - 複数の患者に関して受信した過去の患者データを前記前処理することは、記録データをセグメント化し、時系列サンプルを生成することをさらに含む、請求項8に記載のシステム。
- 静的チャネルが静的かつ比較的低頻度の経時的特徴量を処理するために使用され、経時的チャネルが比較的高頻度の経時的特徴量を処理するために使用される、請求項8に記載のシステム。
- 訓練されたニューラルネットワークを用いて患者の医療イベントの発生を予測するためのコンピュータで読み取り可能なプログラムを含む、非一時的なコンピュータで読み取り可能な記録媒体であって、
前記コンピュータで読み取り可能なプログラムが前記コンピュータで実行されると、前記コンピュータに、
複数の患者に関して受信した過去の患者データを前処理させることで、複数の正規化された訓練サンプルを生成させ(904)、
前記正規化された訓練サンプルを個人向け深層畳み込みニューラルネットワーク(P-DCCN)に送信させ、前記正規化された訓練サンプルを用いて、前記P-DCCNを用いたモデルの事前訓練及びモデルパラメータの更新を開始させ(906)、
治療の準備期間中にローカルマシンによる個人向け化で用いるために、事前訓練されたモデルをリモートサーバで保存させ(908)、
前記ローカルマシンからの前記患者の入力された個人データを処理することで、前記P-DCCNからの出力として正規化された微調整セットを生成させ(906)、
生成された前記正規化された微調整セットを用いて複数の訓練反復を実行させることで前記P-DCCNの前記モデルパラメータを反復的に微調整させ(912)、
前記P-DCCNを用いて前記患者の将来の医療イベントに関する個人向け予測スコアを生成させ(914)、
将来の医療イベントに関する前記個人向け予測スコアに応じて医療装置の動作を制御させる(916)、コンピュータで読み取り可能な記録媒体。 - 静的チャネルが静的かつ比較的低頻度の経時的特徴量を処理するために使用され、経時的チャネルが比較的高頻度の経時的特徴量を処理するために使用される、請求項15に記載のコンピュータで読み取り可能な記録媒体。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163170660P | 2021-04-05 | 2021-04-05 | |
US63/170,660 | 2021-04-05 | ||
US17/711,453 US20220319709A1 (en) | 2021-04-05 | 2022-04-01 | Medical event prediction using a personalized dual-channel combiner network |
US17/711,453 | 2022-04-01 | ||
PCT/US2022/023327 WO2022216618A1 (en) | 2021-04-05 | 2022-04-04 | Medical event prediction using a personalized dual-channel combiner network |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024518693A true JP2024518693A (ja) | 2024-05-02 |
Family
ID=83450043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023561291A Pending JP2024518693A (ja) | 2021-04-05 | 2022-04-04 | 個人向けデュアルチャネル結合ネットワークを用いた医療イベント予測 |
Country Status (4)
Country | Link |
---|---|
US (4) | US20220319709A1 (ja) |
JP (1) | JP2024518693A (ja) |
DE (1) | DE112022001973T5 (ja) |
WO (1) | WO2022216618A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024089928A1 (ja) * | 2022-10-28 | 2024-05-02 | 株式会社レナサイエンス | 透析による目標除水量の事前予測を支援する方法、支援装置、及び支援プログラム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140108035A1 (en) * | 2012-10-11 | 2014-04-17 | Kunter Seref Akbay | System and method to automatically assign resources in a network of healthcare enterprises |
US9730643B2 (en) * | 2013-10-17 | 2017-08-15 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
EP3255573A1 (en) * | 2016-06-10 | 2017-12-13 | Electronics and Telecommunications Research Institute | Clinical decision supporting ensemble system and clinical decison supporting method using the same |
EP3634204A4 (en) * | 2017-07-28 | 2021-01-20 | Google LLC | SYSTEM AND METHOD FOR PREDICTING AND RECAPITULATING MEDICAL EVENTS FROM ELECTRONIC HEALTH RECORDS |
US11756667B2 (en) * | 2018-05-30 | 2023-09-12 | Siemens Healthcare Gmbh | Decision support system for medical therapy planning |
-
2022
- 2022-04-01 US US17/711,453 patent/US20220319709A1/en active Pending
- 2022-04-04 JP JP2023561291A patent/JP2024518693A/ja active Pending
- 2022-04-04 DE DE112022001973.5T patent/DE112022001973T5/de active Pending
- 2022-04-04 WO PCT/US2022/023327 patent/WO2022216618A1/en active Application Filing
-
2023
- 2023-09-19 US US18/370,049 patent/US20240006069A1/en active Pending
- 2023-09-19 US US18/370,074 patent/US20240013920A1/en active Pending
- 2023-09-19 US US18/370,062 patent/US20240006070A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
DE112022001973T5 (de) | 2024-01-18 |
US20240006069A1 (en) | 2024-01-04 |
US20240013920A1 (en) | 2024-01-11 |
US20220319709A1 (en) | 2022-10-06 |
US20240006070A1 (en) | 2024-01-04 |
WO2022216618A1 (en) | 2022-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11538161B2 (en) | Systems and methods for determining blood vessel conditions | |
Krishnan et al. | Deep kalman filters | |
Ganesan et al. | Application of neural networks in diagnosing cancer disease using demographic data | |
US10881463B2 (en) | Optimizing patient treatment recommendations using reinforcement learning combined with recurrent neural network patient state simulation | |
CN107436993A (zh) | 建立icu患者病情评估模型的方法和服务器 | |
US20240013920A1 (en) | Medical event prediction using a personalized dual-channel combiner network | |
CN116453706B (zh) | 一种基于强化学习的血液透析方案制定方法及系统 | |
EP3905257A1 (en) | Risk prediction for covid-19 patient management | |
KR102298119B1 (ko) | 수면에 관련한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 | |
CN115831340B (zh) | 基于逆强化学习的icu呼吸机与镇静剂管理方法及介质 | |
JP2023538188A (ja) | 透析医療記録における不揃いな時系列に対するロバストな予測システム | |
CN113160986A (zh) | 用于预测全身炎症反应综合征发展的模型构建方法及系统 | |
IL298790B1 (en) | Prediction of premature birth | |
Pan et al. | A self-correcting deep learning approach to predict acute conditions in critical care | |
CN117275661B (zh) | 一种基于深度强化学习的肺癌患者用药预测方法及装置 | |
CN116525117B (zh) | 一种面向数据分布漂移检测与自适应的临床风险预测系统 | |
CN117672451A (zh) | 面向2型糖尿病患者的用药推荐方法 | |
US20220318626A1 (en) | Meta-training framework on dual-channel combiner network system for dialysis event prediction | |
Dogaru et al. | Big Data and Machine Learning Framework in Healthcare | |
CN116230222A (zh) | 对冠心病住院患者死亡概率预测的方法 | |
US20230253116A1 (en) | Estimating patient risk of cytokine storm using biomarkers | |
US20220019892A1 (en) | Dialysis event prediction | |
Krishnasree et al. | Diagnosis of heart disease using neural networks-Comparative study of Bayesian regularization with multiple regression model | |
Momo et al. | Length of stay prediction for hospital management using domain adaptation | |
Arefeen et al. | Glysim: Modeling and simulating glycemic response for behavioral lifestyle interventions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231023 |