JP5280735B2 - Ｐｅｇ施行患者の予後の予測装置、及びｐｅｇ施行患者の予後の予測プログラム - Google Patents
Ｐｅｇ施行患者の予後の予測装置、及びｐｅｇ施行患者の予後の予測プログラム Download PDFInfo
- Publication number
- JP5280735B2 JP5280735B2 JP2008121326A JP2008121326A JP5280735B2 JP 5280735 B2 JP5280735 B2 JP 5280735B2 JP 2008121326 A JP2008121326 A JP 2008121326A JP 2008121326 A JP2008121326 A JP 2008121326A JP 5280735 B2 JP5280735 B2 JP 5280735B2
- Authority
- JP
- Japan
- Prior art keywords
- peg
- prognosis
- factor
- prediction
- input
- 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.)
- Active
Links
- 238000004393 prognosis Methods 0.000 title claims description 55
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 17
- 230000009747 swallowing Effects 0.000 claims description 16
- 206010035664 Pneumonia Diseases 0.000 claims description 13
- 201000010099 disease Diseases 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 230000004083 survival effect Effects 0.000 claims description 8
- 206010012289 Dementia Diseases 0.000 claims description 7
- 102000007562 Serum Albumin Human genes 0.000 claims description 5
- 108010071390 Serum Albumin Proteins 0.000 claims description 5
- 208000026106 cerebrovascular disease Diseases 0.000 claims description 5
- 230000003211 malignant effect Effects 0.000 claims description 5
- 208000015122 neurodegenerative disease Diseases 0.000 claims description 5
- 102000001554 Hemoglobins Human genes 0.000 claims description 4
- 108010054147 Hemoglobins Proteins 0.000 claims description 4
- 210000002966 serum Anatomy 0.000 claims description 4
- 102000004169 proteins and genes Human genes 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000000034 method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000000059 patterning Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 102000004506 Blood Proteins Human genes 0.000 description 1
- 108010017384 Blood Proteins Proteins 0.000 description 1
- 210000003815 abdominal wall Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- 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
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Preparation Storing Or Oral Administration Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、経皮的内視鏡下胃瘻造設術を施行する患者の予後を予測する予測装置、及び予測プログラムに関する。
ＰＥＧ（経皮的内視鏡下胃瘻造設術：Ｐｅｒｃｕｔａｎｅｏｕｓ Ｅｎｄｏｓｃｏｐｉｃ Ｇａｓｔｒｏｓｔｏｍｙ）は、例えば嚥下機能に障害を有し、経口的に栄養摂取が困難な患者に対して施される手技であり、この手技の目的は、胃と腹壁を通じ直接胃へ栄養投与を行うことで、当該患者の嚥下性肺炎の予防や栄養状態の改善を図ることにある。
ＰＥＧは、施行が技術的に容易であり、術後の管理も簡便であることから、患者に対してよく用いられる手技である。一方で、嚥下機能に障害をきたす原因となった疾患、例えば脳血管障害、悪性疾患、嚥下性肺炎、認知症、または変性疾患、によっては、ＰＥＧを施行することにより死亡するリスクや、ＰＥＧを患者に施行したとしても上記疾患との合併症を引き起こすリスクがあり、当該患者の長期生存が得られない場合もある。このため、ＰＥＧは、施行後３ヶ月以上の生存が見込まれる患者に対して施行されるべきであるとの意見が提唱されている。
上記の意見の基、ＰＥＧを施行した患者の予後に対する各種予測因子が与える影響について、検討がなされている。例えば、非特許文献１には、血清アルブミンの高い患者に対してＰＥＧを施行した場合、当該患者の予後が良いことが報告されている。また、非特許文献２、３には、進行性痴呆や認知症などの疾患を合併症として有する患者に対してＰＥＧを施行した場合、当該患者は、合併症を有していない患者に比べて、予後が悪いことが報告されている。現状では、このような報告を踏まえ、医師は、患者に対するＰＥＧの施行の是非を判断している。
Friedenberg F, Jensen G, Gujral N, Braitman LE, Levine GM. Serum albumin is predictive of 30-day survival after percutaneous endoscopic gastrostomy. Jpen. 1997 Mar-Apr;21(2):72-4. Sanders DS, Carter MJ, D'Silva J, James G, Bolton RP, Bardhan KD. Survival analysis in percutaneous endoscopic gastrostomy feeding: a worse outcome in patients with dementia. The American journal of gastroenterology. 2000 Jun;95(6):1472-5. Rimon E , Kagansky N , Levy S .Percutaneous endoscopic gastrostomy; evidence of different prognosis in various patient subgroups. Age Ageing. 2005 Jul;34(4):353-7.
Friedenberg F, Jensen G, Gujral N, Braitman LE, Levine GM. Serum albumin is predictive of 30-day survival after percutaneous endoscopic gastrostomy. Jpen. 1997 Mar-Apr;21(2):72-4. Sanders DS, Carter MJ, D'Silva J, James G, Bolton RP, Bardhan KD. Survival analysis in percutaneous endoscopic gastrostomy feeding: a worse outcome in patients with dementia. The American journal of gastroenterology. 2000 Jun;95(6):1472-5. Rimon E , Kagansky N , Levy S .Percutaneous endoscopic gastrostomy; evidence of different prognosis in various patient subgroups. Age Ageing. 2005 Jul;34(4):353-7.
しかしながら、上記のような報告だけでは、医師がＰＥＧの施行の是非を判断するには不十分であると言わざるを得ない。なぜなら、上記特許文献に報告されている事項は、ＰＥＧを施行した患者の予後に対する、ある一つの予測因子（非特許文献１では血清アルブミンの値であり、非特許文献１、２ではある疾患の有無である）が与える影響についてのものだからである。ＰＥＧを施行した患者の予後を予測する場合、該患者の状態を表す様々な予測因子に基づき多面的に解析する必要があることは言うまでもない。
これまでに、ＰＥＧを施行した患者の予後を複数の予測因子に基づいて予測する予測方法についての研究が試みられてきた。しかし、従前の研究は、複数の予測因子を線形判別分析に適用した解析手法であり、生体内の大部分の現象の非線形性が証明されている昨今では、上記従前の研究に従う予測結果であっても、医師がＰＥＧの施行の是非を判断するに足るとは言えない。
本発明は、上述した事情に鑑みてなされたものであり、その目的は、医師が患者に対するＰＥＧ（経皮的内視鏡下胃瘻造設術）の施行の是非を判断するに足る充分な予測結果を得ることができるＰＥＧ施行患者の予後の予測装置、及びＰＥＧ施行患者の予後の予測プログラムを提供することにある。
前述した目的を達成するために、本発明に係るＰＥＧ施行患者の予後の予測装置は、下記（１）〜（３）を特徴としている。
（１） 既にＰＥＧ（経皮的内視鏡下胃瘻造設術）を施行した第１の患者に関する予測入力因子および予測出力因子を記憶する予測因子データベースと、
前記第１の患者に関する前記予測入力因子および前記予測出力因子をＡＮＮ（人工ニューラルネットワーク）に適用して予後予測式を算出するためのプログラムを記憶する解析プログラム記憶部と、
前記解析プログラム記憶部に記憶された前記プログラムを参照して、前記予測因子データベースに記憶された、前記第１の患者に関する前記予測入力因子および前記予測出力因子をＡＮＮに適用して前記予後予測式を算出する処理部と、
前記処理部により算出された前記予後予測式を記憶する予後予測式記憶部と、
を備え、
前記処理部は、前記予後予測式記憶部に記憶された前記予後予測式を参照して、第２の患者に対するＰＥＧの施行の是非を判断するための、該第２の患者に関する診断入力因子を前記予後予測式に入力し、前記診断入力因子に応じた診断出力因子を算出して出力し、
前記予測出力因子および前記診断出力因子の少なくとも一つの項目は、ＰＥＧが施行された後の嚥下性肺炎の発症の有無であり、
前記予測入力因子および前記診断入力因子の少なくとも一つの項目は、胃瘻造設前の嚥下性肺炎の有無である、こと。
（２） 上記（１）の構成のＰＥＧ施行患者の予後の予測装置であって、
前記予測出力因子および前記診断出力因子は、ＰＥＧが施行された後の生存日数を項目に含む、こと。
（３） 上記（２）の構成のＰＥＧ施行患者の予後の予測装置であって、
前記予測入力因子および前記診断入力因子は、少なくとも、年齢、性別、脳血管障害の有無、悪性疾患の有無、認知症の有無、変性疾患の有無、血清総蛋白量、血清アルブミン量、ヘモグロビン量を項目に含む、こと。
また、前述した目的を達成するために、本発明に係るＰＥＧ施行患者の予後の予測プログラムは、下記（４）を特徴としている。
（４） コンピュータに、上記（１）から（３）のいずれかの構成のＰＥＧ施行患者の予後の予測装置の各機能を実現させるためのもの。
（１） 既にＰＥＧ（経皮的内視鏡下胃瘻造設術）を施行した第１の患者に関する予測入力因子および予測出力因子を記憶する予測因子データベースと、
前記第１の患者に関する前記予測入力因子および前記予測出力因子をＡＮＮ（人工ニューラルネットワーク）に適用して予後予測式を算出するためのプログラムを記憶する解析プログラム記憶部と、
前記解析プログラム記憶部に記憶された前記プログラムを参照して、前記予測因子データベースに記憶された、前記第１の患者に関する前記予測入力因子および前記予測出力因子をＡＮＮに適用して前記予後予測式を算出する処理部と、
前記処理部により算出された前記予後予測式を記憶する予後予測式記憶部と、
を備え、
前記処理部は、前記予後予測式記憶部に記憶された前記予後予測式を参照して、第２の患者に対するＰＥＧの施行の是非を判断するための、該第２の患者に関する診断入力因子を前記予後予測式に入力し、前記診断入力因子に応じた診断出力因子を算出して出力し、
前記予測出力因子および前記診断出力因子の少なくとも一つの項目は、ＰＥＧが施行された後の嚥下性肺炎の発症の有無であり、
前記予測入力因子および前記診断入力因子の少なくとも一つの項目は、胃瘻造設前の嚥下性肺炎の有無である、こと。
（２） 上記（１）の構成のＰＥＧ施行患者の予後の予測装置であって、
前記予測出力因子および前記診断出力因子は、ＰＥＧが施行された後の生存日数を項目に含む、こと。
（３） 上記（２）の構成のＰＥＧ施行患者の予後の予測装置であって、
前記予測入力因子および前記診断入力因子は、少なくとも、年齢、性別、脳血管障害の有無、悪性疾患の有無、認知症の有無、変性疾患の有無、血清総蛋白量、血清アルブミン量、ヘモグロビン量を項目に含む、こと。
また、前述した目的を達成するために、本発明に係るＰＥＧ施行患者の予後の予測プログラムは、下記（４）を特徴としている。
（４） コンピュータに、上記（１）から（３）のいずれかの構成のＰＥＧ施行患者の予後の予測装置の各機能を実現させるためのもの。
上記（１）または（２）の構成のＰＥＧ施行患者の予後の予測装置によれば、患者に対するＰＥＧの施行の是非を判断するに足る充分な予測結果を医師に通知することができる。
上記（３）の構成のＰＥＧ施行患者の予後の予測装置によれば、医師がＰＥＧの施行の是非を判断する上で重要視する因子を精度良く算出することができる。
上記（４）の構成のＰＥＧ施行患者の予後の予測プログラムによれば、患者に対するＰＥＧの施行の是非を判断するに足る充分な予測結果を医師に通知することができる。
上記（３）の構成のＰＥＧ施行患者の予後の予測装置によれば、医師がＰＥＧの施行の是非を判断する上で重要視する因子を精度良く算出することができる。
上記（４）の構成のＰＥＧ施行患者の予後の予測プログラムによれば、患者に対するＰＥＧの施行の是非を判断するに足る充分な予測結果を医師に通知することができる。
本発明のＰＥＧ施行患者の予後の予測装置、及びＰＥＧ施行患者の予後の予測プログラムによれば、ＰＥＧを施行した患者の予後を複数の予測因子に基づいて予測することを実現することによって、ＰＥＧを施行した後の患者の嚥下性肺炎の発症の可能性やＰＥＧを施行した後の患者の生存日数を高精度に予測することができる。この結果、患者に対するＰＥＧの施行の是非を判断するに足る充分な予測結果を医師に通知することができる。
以下、本発明の実施の形態のＰＥＧ後患者の予後の予測装置（以下、単に予測装置と称する。）について、図面を参照して詳細に説明する。
図１に、本発明の実施の形態の予測装置のハードウェア構成図を示す。本発明の実施の形態の予測装置は、入力部１１、予測因子データベース１２、解析プログラム記憶部１３、予後予測式記憶部１４、表示部１５、処理部１６を含んで構成される。本発明の実施の形態の予測装置は、例えば汎用ＰＣによって構成される場合、入力部１１はキーボード、マウス、テンキーなどの各種入力インタフェースによって実現され、予測因子データベース１２は、ハードディスクドライブ（ＨＤＤ）によって実現され、解析プログラム記憶部１３及び予後予測式記憶部はＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）によって実現され、表示部１５はＣＲＴディスプレイ、液晶ディスプレイなどの各種出力デバイスによって実現され、処理部１６は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）によって実現される。入力部１１、予測因子データベース１２、解析プログラム記憶部１３、予後予測式記憶部１４、表示部１５、処理部１６を実現するデバイスは、上述したものに限るものではなく、以下に説明する、各部の機能を実行可能なデバイスを適宜利用することができる。
まず、解析プログラム記憶部１３に記憶される解析プログラムについて、そのアルゴリズムの概略を説明する。ＰＥＧ後患者の予後を予測するアルゴリズムには、人工ニューラルネットワーク（ＡＮＮ：Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）を適用する。ＡＮＮは、人間の脳による神経学的処理をシミュレートする計算技術に基づいた学習システムであり、従属変数と独立変数の両方が存在するシステムをモデル化する上で有用なものである。ＡＮＮは、入力値と出力値との間に存在する関係をパターン化して学習し、さらに、入力値と出力値との間に存在する新たな関係を認識すればその関係をパターン化して学習することによって、入力値と出力値との間に存在する関係をより精度良くパターン化する。ＡＮＮは、既に値が判明している入力値と出力値とから当該入力値と出力値との間に存在する関係をパターン化するフェーズと（後述する「パターン化フェーズ」に相当する。）、新たな入力値が入力された場合に、パターン化した関係を参照して、新たに入力された入力値に応じた出力値を回答するフェーズと（後述する診断フェーズに相当する。）、によって大きく分けられる。
本発明の実施の形態の予測装置において、上述の「入力値」と「出力値」とは、例えば、表１に示す次のパラメータを指す。なお、「入力値」に対応するパラメータのことを「入力因子」、「出力値」に対応するパラメータのことを「出力因子」と称する。また、上述の「既に値が判明している入力値と出力値」を総して「予測因子」と称し、さらに、「予測因子」のうち、「既に値が判明している入力値」を「予測入力因子」、「既に値が判明している出力値」を「予測出力因子」、と称する。また、上述の「新たに入力された入力値と、その入力値に応じた出力値」を総して「診断因子」と称し、さらに、「診断因子」のうち、「新たに入力された入力値」を「診断入力値」、「その入力値に応じた出力値」を「診断出力因子」、と称する。
本発明の実施の形態の予測装置において、予測因子データベース１２には、表１に示す予測因子が記憶されている。すなわち、既にＰＥＧが施行された患者毎の、該患者にＰＥＧが施行される前の予測入力因子及び該患者にＰＥＧが施行された後の予測出力因子が、データベース化されて記憶されている。予測因子データベース１２に予測因子を記憶させる際には、処理部１６は、入力部１１によって装置利用者によって入力操作された数値を患者に対応させて記憶させる。
処理部１６は、まず、解析プログラム記憶部１３に展開された、人工ニューラルネットワークアルゴリズムを適用したプログラムに基づいて、予測因子データベース１２に記憶された複数人の患者の予測因子をパターン化する。以下、本発明の実施の形態の予測装置による、具体的なパターン化の一例について、図２の本発明の実施の形態の予測装置による処理を表すフローチャートを参照して説明する。
階層型人工ニューラルネットワーク（ＡＮＮ）は入力層、中間層および出力層から構成され、各層には神経細胞に相当するユニットが存在し、情報は入力層から中間層を経て出力層へと伝達されていく。入力層と中間層において各ユニットは、予測因子データベース１２から予測因子が入力層に入力されると（ステップ２１）、入力層からの予測因子を数１の（１）式によって統合し、（２）式のシグモイド関数を動作関数として中間層へと出力する（ステップ２２）。
ここでｗｉ，ｊは次層のユニットｊと前層のユニットｉ間の重み、ｘｉは前層からの出力である。ｆ（ｙｊ）は次の層への出力値として伝達される。α はシグモイド関数の勾配である。ANNはｗｉ，ｊ値の最適化を意味する「学習」と呼ばれるプロセスを経て、因子と特性間の非線形な定量関係を近似できるようになる。
例えば、表２に示す行列ｗｉ，ｊを用いて情報が伝播する。ただし、下に示したｗｉ，ｊの行列は学習で得られた一例である。
ただし、Ｏｕｔｃｏｍｅ ｙ１はＰＥＧが施行された後の生存日数を示し、このときの中間層であるｈｉｄｄｅｎ ｌａｙｅｒの数は６である。１ｓｔ−ｌａｙｅｒに相当する入力層のｘ１−ｘ１０は表３の通りであり、ｉ＝１−１０、ｈｕ１−ｈｕ６は中間層の各ユニットに相当し、ｊ＝１−６である。
例えば、表２に示す行列ｗｉ，ｊを用いて情報が伝播する。ただし、下に示したｗｉ，ｊの行列は学習で得られた一例である。
続いて（１）、（２）式から得られた結果を元に、数２に示す行列Ｗｐ、ｑを用いて情報を伝播し、出力ｙ１を予測する。表４に示す２ｎｄ−ｌａｙｅｒにおける計算は数２の計算式に基づいて行なう。中間層と出力層において各ユニットは、中間層からの入力因子を数２の（３）式によって統合し、（４）式のシグモイド関数（後述する予後予測式に相当する。）を動作関数として出力層へと出力する（ステップ２３）。ただし、以下の表は学習過程の一例である。
上述では、予測入力因子として、年齢、性別、脳血管障害の有無、悪性疾患の有無、胃瘻造設前の嚥下性肺炎の有無、認知症の有無、変性疾患の有無、血清総蛋白量、血清アルブミン量、 ヘモグロビン量、を用い、予測出力因子として、ＰＥＧが施行された後の生存日数を用い、予測因子データベース１２に記憶された複数人の患者の該予測入力因子と予測出力因子の関係をパターン化した。上記過程を経て、中間層から出力層へと出力されたシグモイド関数を、以後、予後予測式と称する。処理部１６は、解析プログラム記憶部１３に展開されたプログラムを実行して、予後予測式を算出すると、該予後予測式を予後予測式記憶部１４に記憶する（ステップ２４）。予測因子データベース１２に記憶された予測因子を読み出し（ステップ２１）、予後予測式を算出し（ステップ２２、２３）、算出した予後予測式を予後予測式記憶部１４に記憶する（ステップ２４）これらの一連の処理を、パターン化フェーズと称することがある。
なお、予測出力因子として、他の因子、例えばＰＥＧが施行された後の嚥下性肺炎の発症の有無、を用いる場合にも、表５、６に示す数値を用いて得られた計算式を用いて、パターン化することができる。ただし、ＰＥＧ後の嚥下性肺炎の発症の有無については中間層のユニット数は５である。
ＡＮＮの構造は任意に設定することができるが、入力層、中間層、出力層がいずれも１層からなる３層型ＡＮＮが一般的である。中間層のユニット数を増やすことによって、より複雑な関数の近似が可能となる。しかし安易に増やすと過学習が起こり、ＡＮＮは不自然な予測をするようになる。これを避けるためには必要最小限のユニット数を設定する必要がある。中間層のユニット数を決定する普遍的な方法は開発されていないが、ＡＮＮの予測性を評価するテストデータを別に準備することによって予測精度をチェックし、予測誤差が最小となるＡＮＮ構造を選ぶ方法が広く用いられている。本発明の実施の形態の予測装置では、Ｌｅａｖｅ−ｏｎｅ−ｏｕｔ法を利用している。これは学習用データから１組のデータを評価用に残してＡＮＮを学習させ、以後評価用データを順次変化させて同じ操作を行い、評価用データの予測誤差の総和が最小になるＡＮＮ構造を選択するというものである。
続いて、パターン化フェーズ後の処理について説明する。パターン化フェーズにおいて算出された予後予測式によって、入力因子と出力因子の関係はパターン化されている。このため、医師がある患者に対するＰＥＧの施行の是非を判断する場合には、パターン化フェーズにおいて予後予測式を算出する上で参照した予測入力因子と同一項目の診断入力因子を入力部１１を操作して入力する。そして、処理部１６は、予後予測式記憶部１４に記憶された予後予測式に、入力部１１によって入力した診断入力因子を代入して診断出力因子を算出し、その算出した診断出力因子を表示部１５によって出力する。ＰＥＧの施行の是非を判断する患者の診断入力因子を入力し、予後予測式を基に診断出力因子を算出し、算出した診断出力因子を出力する一連の処理を診断フェーズと称することがある。
医師は、診断フェーズにおいて、表示部１５に出力された診断出力因子、例えば、ＰＥＧを施行した場合の生存日数や嚥下性肺炎の発症の可能性を基に、上記患者に対してＰＥＧを施行すべきか否かを判断することになる。
以上、本発明の実施の形態の予測装置によれば、ＰＥＧを施行した患者の予後を複数の予測因子に基づいて予測することを実現することによって、ＰＥＧを施行した後の患者の生存日数や、嚥下機能に障害をきたす原因となった疾患との合併症の可能性を高精度に予測することができる。この結果、患者に対するＰＥＧの施行の是非を判断するに足る充分な予測結果を医師に通知することができる。
なお、本発明の実施の形態では、ＰＥＧが施行された後の生存日数、またはＰＥＧが施行された後の嚥下性肺炎の発症の有無、を診断出力因子として出力する場合について説明した。これは、この２つの診断出力因子が、医師がＰＥＧの施行の是非を判断する上で重要視する因子であるためである。この２つの診断出力因子を精度良く算出するためには、予測入力因子として、年齢、性別、脳血管障害の有無、悪性疾患の有無、胃瘻造設前の嚥下性肺炎の有無、認知症の有無、変性疾患の有無、血清総蛋白量、血清アルブミン量、ヘモグロビン量、を用いることが好ましい。
１１ 入力部
１２ 予測因子データベース
１３ 解析プログラム記憶部
１４ 予後予測式記憶部
１５ 表示部
１６ 処理部
１２ 予測因子データベース
１３ 解析プログラム記憶部
１４ 予後予測式記憶部
１５ 表示部
１６ 処理部
Claims (4)
- 既にＰＥＧ（経皮的内視鏡下胃瘻造設術）を施行した第１の患者に関する予測入力因子および予測出力因子を記憶する予測因子データベースと、
前記第１の患者に関する前記予測入力因子および前記予測出力因子をＡＮＮ（人工ニューラルネットワーク）に適用して予後予測式を算出するためのプログラムを記憶する解析プログラム記憶部と、
前記解析プログラム記憶部に記憶された前記プログラムを参照して、前記予測因子データベースに記憶された、前記第１の患者に関する前記予測入力因子および前記予測出力因子をＡＮＮに適用して前記予後予測式を算出する処理部と、
前記処理部により算出された前記予後予測式を記憶する予後予測式記憶部と、
を備え、
前記処理部は、前記予後予測式記憶部に記憶された前記予後予測式を参照して、第２の患者に対するＰＥＧの施行の是非を判断するための、該第２の患者に関する診断入力因子を前記予後予測式に入力し、前記診断入力因子に応じた診断出力因子を算出して出力し、
前記予測出力因子および前記診断出力因子の少なくとも一つの項目は、ＰＥＧが施行された後の嚥下性肺炎の発症の有無であり、
前記予測入力因子および前記診断入力因子の少なくとも一つの項目は、胃瘻造設前の嚥下性肺炎の有無である、
ＰＥＧ施行患者の予後の予測装置。 - 請求項１記載のＰＥＧ施行患者の予後の予測装置であって、
前記予測出力因子および前記診断出力因子は、ＰＥＧが施行された後の生存日数を項目に含む、
ＰＥＧ施行患者の予後の予測装置。 - 請求項２記載のＰＥＧ施行患者の予後の予測装置であって、
前記予測入力因子および前記診断入力因子は、少なくとも、年齢、性別、脳血管障害の有無、悪性疾患の有無、認知症の有無、変性疾患の有無、血清総蛋白量、血清アルブミン量、ヘモグロビン量を項目に含む、
ＰＥＧ施行患者の予後の予測装置。 - コンピュータに、請求項１から３のいずれか１項に記載のＰＥＧ施行患者の予後の予測装置の各機能を実現させるためのＰＥＧ施行患者の予後の予測プログラム。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008121326A JP5280735B2 (ja) | 2008-05-07 | 2008-05-07 | Ｐｅｇ施行患者の予後の予測装置、及びｐｅｇ施行患者の予後の予測プログラム |
| PCT/JP2009/055476 WO2009136520A1 (ja) | 2008-05-07 | 2009-03-19 | Ｐｅｇ施行患者の予後の予測装置、ｐｅｇ施行患者の予後の予測方法、及びコンピュータ記録媒体 |
| CA2697888A CA2697888A1 (en) | 2008-05-07 | 2009-03-19 | Device for predicting prognosis of patients who undergo peg operation, method for predicting prognosis of patients who undergo peg operation and computer readable medium |
| US12/677,932 US20100228099A1 (en) | 2008-05-07 | 2009-03-19 | Device for predicting prognosis of patients who undergo peg operation, method for predicting prognosis of patients who undergo peg operation and computer readable medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008121326A JP5280735B2 (ja) | 2008-05-07 | 2008-05-07 | Ｐｅｇ施行患者の予後の予測装置、及びｐｅｇ施行患者の予後の予測プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2009268680A JP2009268680A (ja) | 2009-11-19 |
| JP5280735B2 true JP5280735B2 (ja) | 2013-09-04 |
Family
ID=41264577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2008121326A Active JP5280735B2 (ja) | 2008-05-07 | 2008-05-07 | Ｐｅｇ施行患者の予後の予測装置、及びｐｅｇ施行患者の予後の予測プログラム |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20100228099A1 (ja) |
| JP (1) | JP5280735B2 (ja) |
| CA (1) | CA2697888A1 (ja) |
| WO (1) | WO2009136520A1 (ja) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5484309B2 (ja) * | 2010-12-20 | 2014-05-07 | 紀文 日比 | Ｃａｐを施行した潰瘍性大腸炎患者の予後予測方法 |
| CN106202986A (zh) * | 2016-09-28 | 2016-12-07 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的扁桃体炎预测方法和预测系统 |
| CN106339607A (zh) * | 2016-09-28 | 2017-01-18 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的风湿预测方法和预测系统 |
| CN106339606A (zh) * | 2016-09-28 | 2017-01-18 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的酒精肝预测方法和预测系统 |
| CN106339605A (zh) * | 2016-09-28 | 2017-01-18 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的结肠炎预测方法和预测系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2152548T3 (es) * | 1995-07-25 | 2001-02-01 | Horus Therapeutics Inc | Metodos asistidos por ordenador para diagnosticar enfermedades. |
| US5860917A (en) * | 1997-01-15 | 1999-01-19 | Chiron Corporation | Method and apparatus for predicting therapeutic outcomes |
| US6581038B1 (en) * | 1999-03-15 | 2003-06-17 | Nexcura, Inc. | Automated profiler system for providing medical information to patients |
| US20030101076A1 (en) * | 2001-10-02 | 2003-05-29 | Zaleski John R. | System for supporting clinical decision making through the modeling of acquired patient medical information |
| JP2003122845A (ja) * | 2001-10-09 | 2003-04-25 | Shinkichi Himeno | 医療情報の検索システム及びそのシステムを実行するためのプログラム |
| US20050119534A1 (en) * | 2003-10-23 | 2005-06-02 | Pfizer, Inc. | Method for predicting the onset or change of a medical condition |
| US10460080B2 (en) * | 2005-09-08 | 2019-10-29 | Gearbox, Llc | Accessing predictive data |
-
2008
- 2008-05-07 JP JP2008121326A patent/JP5280735B2/ja active Active
-
2009
- 2009-03-19 US US12/677,932 patent/US20100228099A1/en not_active Abandoned
- 2009-03-19 WO PCT/JP2009/055476 patent/WO2009136520A1/ja active Application Filing
- 2009-03-19 CA CA2697888A patent/CA2697888A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| CA2697888A1 (en) | 2009-11-12 |
| WO2009136520A1 (ja) | 2009-11-12 |
| JP2009268680A (ja) | 2009-11-19 |
| US20100228099A1 (en) | 2010-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cowley et al. | Methodological standards for the development and evaluation of clinical prediction rules: a review of the literature | |
| US11144825B2 (en) | Interpretable deep learning framework for mining and predictive modeling of health care data | |
| Austin et al. | The number of subjects per variable required in linear regression analyses | |
| Austin et al. | The number of primary events per variable affects estimation of the subdistribution hazard competing risks model | |
| Leslie et al. | Comparison between various fracture risk assessment tools | |
| Hui et al. | Clinician prediction of survival versus the Palliative Prognostic Score: which approach is more accurate? | |
| Luke et al. | A prediction model for live birth and multiple births within the first three cycles of assisted reproductive technology | |
| JP7170145B2 (ja) | 情報処理装置、プログラム、学習済みモデル、診断支援装置、学習装置及び予測モデルの生成方法 | |
| Zheng et al. | Semiparametric estimation of time‐dependent ROC curves for longitudinal marker data | |
| Saunders et al. | Measurement precision in a series of visual fields acquired by the standard and fast versions of the Swedish interactive thresholding algorithm: analysis of large-scale data from clinics | |
| Qian et al. | Neurofibrillary tangle stage and the rate of progression of Alzheimer symptoms: modeling using an autopsy cohort and application to clinical trial design | |
| Halligan et al. | Why did European Radiology reject my radiomic biomarker paper? How to correctly evaluate imaging biomarkers in a clinical setting | |
| JP5280735B2 (ja) | Ｐｅｇ施行患者の予後の予測装置、及びｐｅｇ施行患者の予後の予測プログラム | |
| Cobb et al. | Seeing the forest beyond the trees: Predicting survival in burn patients with machine learning | |
| JP7107375B2 (ja) | 状態遷移予測装置、予測モデル学習装置、方法およびプログラム | |
| JP7212630B2 (ja) | 進行性の病気の患者のための治療の開始及び種類を決定するための意思決定システム及び方法 | |
| Sasani et al. | Gait speed and survival of older surgical patient with cancer: prediction after machine learning | |
| Chou et al. | Expert-augmented automated machine learning optimizes hemodynamic predictors of spinal cord injury outcome | |
| WO2022171302A1 (en) | Individualized medical intervention planning | |
| Wojtusiak et al. | C-Lace: Computational model to predict 30-day post-hospitalization mortality | |
| CN116052882A (zh) | 基于机器学习的嗜铬细胞瘤术后高血压并发症预测系统 | |
| Eraslan et al. | Cancer information overload may be a crucial determinant of adjuvant aromatase inhibitor adherence. | |
| KR20150070892A (ko) | 상부위장관출혈의 위험도 측정지표로 Rockall Risk Score를 이용한 국제표준기반 임상의사결정지원장치. | |
| Castaldello et al. | A model-based support for diagnosing von Willebrand disease | |
| US20230105348A1 (en) | System for adaptive hospital discharge |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110412 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20121120 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130423 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130523 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5280735 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |