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 PDF

Info

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
Application number
JP2023561291A
Other languages
English (en)
Inventor
ジンチャオ ニ、
ウェイ チェン、
ハイフォン チェン、
敬喜 朝倉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Laboratories America Inc
Original Assignee
NEC Laboratories America Inc
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 NEC Laboratories America Inc filed Critical NEC Laboratories America Inc
Publication of JP2024518693A publication Critical patent/JP2024518693A/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
    • 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。
図１は、本原理による、本原理が適用される例示的な処理システムを示すブロック／フロー図である。
図２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（personalized dual-channel combiner network：Ｐ－ＤＣＣＮ）を用いて治療イベントを予測するためのシステム／方法を示す図である。
図３は、本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の予測のための例示的な期間を示すブロック／フロー図である。
図４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／方法を示す図である。
図５Ａ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／方法を示す図である。
図５Ｂ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）計算コンポーネントを用いて治療イベントを予測するためのシステム／方法を示す図である。
図６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を用いて治療イベントを予測する方法を示す図である。
図７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／方法を示す高レベルブロック／フロー図である。
図８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／方法を示すブロック／フロー図である。
図９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方法を示すブロック／フロー図である。
図１０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、患者に治療を実施し、治療イベントを予測し、治療中の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を示すハイレベル図である。
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。
Figure 2024518693000002
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。
Figure 2024518693000003
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
Figure 2024518693000004
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。
Figure 2024518693000005
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
Figure 2024518693000006
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
Figure 2024518693000007
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、
Figure 2024518693000008
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
Figure 2024518693000009
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、
Figure 2024518693000010
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、
Figure 2024518693000011
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
Figure 2024518693000012
が計算される。
Figure 2024518693000013
ここで、
Figure 2024518693000014
は学習するモデルパラメータである。このステップの後、
Figure 2024518693000015
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）
Figure 2024518693000016
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、
Figure 2024518693000017
によるＭＬＰを用いてイベントの確率を計算する。ここで、
Figure 2024518693000018
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
Figure 2024518693000019
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)

  1. 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。
  2. ｙiを前記訓練サンプルにおけるｉ番目のサンプルのイベントの発生率の真の指標、
    Figure 2024518693000020
    を前記ｉ番目のサンプルの予測スコアとし、Ｎを前記訓練サンプルの総数とし、θが前記モデルパラメータを表し、λを前記訓練中の過学習を避けるために前記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としたとき、前記Ｐ－ＤＣＣＮは、
    Figure 2024518693000021
    の回帰損失関数を用いて最適化することで微調整される、請求項１に記載の方法。
  3. 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。
  4. 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。
  5. Figure 2024518693000022
    が
    Figure 2024518693000023
    の形式で全結合されたネットワークの複数の層を表し、
    Figure 2024518693000024
    を訓練すべきモデルパラメータとしたとき、前記静的チャネルは、静的特徴量ｘsにおける情報を
    Figure 2024518693000025
    による前記静的特徴量ｈsのコンパクトな表現に符号化するように構成された多層パーセプトロン（ＭＬＰ）を含む、請求項４に記載の方法。
  6. 前記経時的チャネルは、一連のベクトルｘ1，．．．，ｘTで表される前記経時的特徴量を処理し、
    Figure 2024518693000026
    に、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むとき、
    Figure 2024518693000027
    による一連のコンパクト表現ｈ1,...,ｈTを出力するための複数の長期短期メモリ（ＬＳＴＭ）層を含む、請求項４に記載の方法。
  7. 静的チャネル及び経時的チャネルから受信した静的表現ｈs及び経時的表現ｈdを連結することで医療イベントの発生確率を計算し、
    Figure 2024518693000028
    を前記医療イベントの前記発生確率を示すスコアとしたとき、
    Figure 2024518693000029
    による多層パーセプトロン（ＭＬＰ）を用いて前記確率を計算することをさらに含む、請求項１に記載の方法。
  8. 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。
  9. ｙiを前記訓練サンプルにおけるｉ番目のサンプルのイベントの発生率の真の指標、
    Figure 2024518693000030
    を前記ｉ番目のサンプルの予測スコアとし、Ｎを前記訓練サンプルの総数とし、θが前記モデルパラメータを表し、λを前記訓練中の過学習を避けるために前記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としたとき、前記Ｐ－ＤＣＣＮは、
    Figure 2024518693000031
    の回帰損失関数を用いて最適化することで微調整される、請求項８に記載のシステム。
  10. 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。
  11. 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。
  12. Figure 2024518693000032
    が
    Figure 2024518693000033
    の形式で全結合されたネットワークの複数の層を表し、
    Figure 2024518693000034
    を訓練すべきモデルパラメータとしたとき、前記静的チャネルは、静的特徴量ｘsにおける情報を
    Figure 2024518693000035
    による前記静的特徴量ｈsのコンパクトな表現に符号化するように構成された多層パーセプトロン（ＭＬＰ）を含む、請求項１１に記載のシステム。
  13. 前記経時的チャネルは、一連のベクトルｘ1，．．．，ｘTで表される前記経時的特徴量を処理し、
    Figure 2024518693000036
    に、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むとき、
    Figure 2024518693000037
    による一連のコンパクト表現ｈ1,...,ｈTを出力するための複数の長期短期メモリ（ＬＳＴＭ）層を含む、請求項１１に記載のシステム。
  14. 前記プロセッサは、静的チャネル及び経時的チャネルから受信した静的表現ｈs及び経時的表現ｈdを連結することで医療イベントの発生確率を計算し、
    Figure 2024518693000038
    を医療イベントの発生確率を示すスコアとしたとき、
    Figure 2024518693000039
    による多層パーセプトロン（ＭＬＰ）を用いて前記確率を計算するようにさらに構成された、請求項８に記載のシステム。
  15. 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。
  16. ｙiを前記訓練サンプルにおけるｉ番目のサンプルのイベントの発生率の真の指標、
    Figure 2024518693000040
    を前記ｉ番目のサンプルの予測スコアとし、Ｎを前記訓練サンプルの総数とし、θが前記モデルパラメータを表し、λを訓練中の過学習を避けるために前記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としたとき、前記Ｐ－ＤＣＣＮは、
    Figure 2024518693000041
    の回帰損失関数を用いて最適化することで微調整される、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。
  17. 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。
  18. Figure 2024518693000042
    が
    Figure 2024518693000043
    の形式で全結合されたネットワークの複数の層を表し、
    Figure 2024518693000044
    を訓練すべきモデルパラメータとしたとき、前記静的チャネルは、静的特徴量ｘsにおける情報を
    Figure 2024518693000045
    による前記静的特徴量ｈsのコンパクトな表現に符号化するように構成された多層パーセプトロン（ＭＬＰ）を含む、請求項１７に記載のコンピュータで読み取り可能な記録媒体。
  19. 前記経時的チャネルは、一連のベクトルｘ1，．．．，ｘTで表される前記経時的特徴量を処理し、
    Figure 2024518693000046
    に、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むとき、
    Figure 2024518693000047
    による一連のコンパクト表現ｈ1,...,ｈTを出力するための複数の長期短期メモリ（ＬＳＴＭ）層を含む、請求項１７に記載のコンピュータで読み取り可能な記録媒体。
  20. 静的チャネル及び経時的チャネルから受信した静的表現ｈs及び経時的表現ｈdを連結することで医療イベントの発生確率を計算し、
    Figure 2024518693000048
    を医療イベントの発生確率を示すスコアとしたとき、
    Figure 2024518693000049
    による多層パーセプトロン（ＭＬＰ）を用いて前記確率を計算する、請求項１９に記載のコンピュータで読み取り可能な記録媒体。
JP2023561291A 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 Pending JP2024518693A (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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