JP6072021B2 - 評価システム及び評価方法 - Google Patents

評価システム及び評価方法 Download PDF

Info

Publication number
JP6072021B2
JP6072021B2 JP2014516469A JP2014516469A JP6072021B2 JP 6072021 B2 JP6072021 B2 JP 6072021B2 JP 2014516469 A JP2014516469 A JP 2014516469A JP 2014516469 A JP2014516469 A JP 2014516469A JP 6072021 B2 JP6072021 B2 JP 6072021B2
Authority
JP
Japan
Prior art keywords
risk
patient
readmission
death
data
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.)
Expired - Fee Related
Application number
JP2014516469A
Other languages
English (en)
Other versions
JP2014520335A (ja
Inventor
バダウィ，オマール
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2014520335A publication Critical patent/JP2014520335A/ja
Application granted granted Critical
Publication of JP6072021B2 publication Critical patent/JP6072021B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Description

本願は医療判断を行うことに関連する。医療判断は医療判断支援システムに関する特定の応用分野であり、この特定の例を参照しながら以下の説明が行われる。しかしながら、本願は他の分野にも適用可能であり上記の例に限定される必要はないことが理解されるべきである。
集中治療室(ICU)のような監視される治療環境に長期間滞在することは、治療の進行や金銭的負担に多くの逆効果を招く。ICUのベッドに患者を1日中維持する際の病院側の平均的なコストは、通常の病床のコストより約3倍高い。患者達が一定の質の治療を受けると仮定すると、滞在期間(length of stay：LOS)の短縮は、スループットを改善しかつ治療可能な患者数を増加させることになるので、病院側の報酬を増やす。病院やICU等のような多くの監視される治療環境では隔離された環境(又は引き裂かれた環境)にあるので、患者もまた短期間の滞在による恩恵を受ける。従って、集中的には監視されていない環境への解放は多くの恩恵をもたらす。
早期の退院又は退室又は解放(discharge)は多くの恩恵をもたらすが、リスクがないわけではない。集中的な治療を必要とする患者が、集中的には監視及び治療を要しない程度に安定する前に解放されると、予期しない再入院のような困難な事態に至るリスク、場合によっては死に至るリスクが、患者達にある。再入院した患者は、より悪化した死亡率を有する傾向にある。
急性疾患の患者が、集中的には監視されない環境へ解放される程度に十分安定していることの判断は、従来、担当の医者及び医療チームの他のメンバにより主観的に判断されている。この種の判断が非常に主観的であることに起因して、患者を退院させる時期の判断について大きなばらつきがある。退院の後に予期せぬ再入院又は死亡に至る多くの原因は、退院後になされる治療に関係しているようであるが、おそらくは、退院と再入院又は死亡との間の期間が接近して短いほど、その患者について退院の「準備」が整っていなかった可能性が高い。
死亡又は再入院の予兆を評価することや、これら複雑な事態又は合併症(complication)を予測する変数を特定すること等に関する多くの研究がなされている。ICUからの解放後に死亡又は再入院する際の事前に確認できる予兆は、ICU滞在期間(ICU LOS)、ICU解放時点でのグラスゴーコーマスケール(Glasgow Coma Scale)、平均動脈圧、及びICU入院の感染源(original source of the ICU admission)等を含む。
ICU患者について多くの予兆が確認されているが、信頼性の高い妥当な医療判断支援システムは未だ報告されていない。SWIFT(Stability and Workload Index for Transfer)スコアは、ICU解放後1週間の間の再入院又は死亡を確認することで妥当な判断を促すように意図されている。SWIFTスコアの2つの主要な特徴は、(1)その簡明さ(コンピュータによらずに計算できるように意図されている)、及び(2)例えば64のうちの15のような特定のスコアを指定して再入院や死亡について患者のリスクを特定できることである。このモデルは或る程度適切な区別(discrimination)をもたらすが、その結果は妥当性に関して再現性に乏しい。様々な研究が盛んになされているが、このスコアが限られた応用範囲しか有しないことについての可能性のある理由は、このモデルが、(例えば、1週間のように)ICU退院と発病との期間の長さを延長しつつ、(例えば、100人の再入院及び5人の死亡のように)出来事が生じた1つの病院から比較的少数の患者について発展してきたことにある。
更に、退院時の患者の安定性には関連しないが患者のICUへの再入院に影響を及ぼす重要な要因も存在するようであり、これは予測モデルによっては効果的に捕らえることができない。これらは、病院及び担当医師の現場でのやり方、患者及び家族の影響、異なる病院組織に属する医療スタッフ間の信頼関係又はラポール(rapport)等を含むかもしれない。
本発明の課題は、上記及びその他の問題点を克服する新規かつ改善された方法及びシステム等を提供することである。
実施の形態によるシステムは、
集中治療室、病院又は他の監視される臨床治療環境から集中的には監視されない環境へ解放される患者の準備が整っていることを評価する、１つ以上のプロセッサを有するシステムであって、前記１つ以上のプロセッサは、
患者についての患者データを受信する処理と、
死亡のリスクに関する第１の予測モデルを利用して、前記患者についての解放による死亡のリスクを算出する処理と、
再入院のリスクに関する第２の予測モデルを利用して、前記患者の再入院のリスクを算出する処理と、
前記死亡のリスク及び前記再入院のリスクから、解放のリスクを判断する処理と、
前記患者のうち選択された１人以上についての前記解放のリスクを医者に提示する処理と
を実行するようにプログラムされている、システムである。
集中治療質のITインフラストラクチャに関するブロック図。 臨床判断支援システムのブロック図。 複数の患者についての死亡のリスク及び再入院のリスクを含むレポートの一例を示す図。 複数の患者についての死亡のリスク及び再入院のリスクを示すユーザインタフェースの一例を示す図。 線形回帰モデルを生成する方法を示すブロック図。 集中治療室(ICU)から解放される患者の準備が整っていることを評価する方法を示すブロック図。
＜実施の形態の概要＞
一実施形態により提供されるシステムは、集中治療室(ICU)、病院又は他の監視される臨床治療環境から、集中的には監視されない環境へ解放される患者の準備が整っていることを評価する。本システムは1つ以上のプロセッサを有する。プロセッサは、患者についての患者データを受信するようにプログラムされている。患者についての解放による死亡のリスクが、死亡のリスクに関する第1の予測モデルを利用して算出される。更に、患者の再入院のリスクが、再入院のリスクに関する第2の予測モデルを利用して算出される。死亡のリスク及び前記再入院のリスクから、解放のリスクが判断され、1人以上の患者について1人以上の医者に提示される。
別の実施形態により提供される方法は、集中治療室(ICU)、病院又は他の監視される臨床治療環境から、集中的には監視されない病院組織へ解放される患者の準備が整っていることを評価する。患者についての患者データが受信される。患者についての解放による死亡のリスクが、死亡のリスクに関する第1の予測モデルを利用して算出される。患者の再入院のリスクが、再入院のリスクに関する第2の予測モデルを利用して算出される。死亡のリスク及び前記再入院のリスクから、解放のリスクが判断され、1人以上の患者について1人以上の医者に提示される。
利点の1つは、ICUからの退院後の死亡のリスク及び再入院のリスクを信頼性高く予測できることである。
別の利点は、ICUからの退院後の死亡のリスク及び再入院のリスクを客観的に予測できることである。
別の利点は、予測変数と転帰(outcome)(例えば、死亡及び再入院)との間の相違を考慮できることである。
本発明の更に別の利点は、以下の詳細な説明を参照及び理解することで当業者に明らかになるであろう。
＜実施の形態の詳細な説明＞
本発明は様々な要素、要素の集まり、様々なステップ及びステップの集まり等による形態をとってよい。図面は好適な実施形態を示す目的でしか示されておらず、本発明を限定するように解釈されてはならない。
図1及び図2を参照すると、集中治療室(ICU)の情報技術(IT)インフラストラクチャ10は、1つ以上の治療データ生成部12、選択的な患者情報システム14、治療判断支援システム(clinical decision support system：CDSS)16、1つ以上の治療データコンシューマ18等を含む。ITインフラストラクチャ10の構成要素は、インターネット、ローカルエリアネットワーク、ワイドエリアネットワーク、無線ネットワーク等のような通信ネットワークを介して適切に相互接続されている。
治療データ生成部12は、ICUで治療を受ける関連する患者についての患者データを生成する。患者データは、心拍数、体温、血液酸素飽和度、意識レベル、懸念事項、痛み、尿排出量等のような1つ以上の生理学的パラメータを示すデータを適切に含む。患者データは、継続的に生成されてもよいし、及び/又はタイマーによるイベント、ユーザ入力によるイベントなどのようなイベントが発生した際に生成されてもよい。更に、患者データは自動的に及び/又はマニュアルで生成されてもよい。前者の場合(自動的に生成する場合)、心電図(ECG)電極、血圧センサ、SpO2センサ等のような患者の生理学的パラメータを測定するセンサ22が使用されてもよい。後者の場合(マニュアル又は手作業の場合)、ユーザ入力装置24が使用されてもよい。一実施形態では、手作業で患者データを入力するため及び/又は生成された患者データを医師に表示するために、治療データ生成部12はユーザにユーザインタフェースを提供するディスプレイ装置26を含む。治療データ生成部の具体例は、例えば、患者モニタ、ナース(看護)ステーション、移動通信装置、患者情報システム等を含むが、これらに限定されない。
患者情報システム14は、治療データ生成部12及び/又はCDSS16等からのようなITインフラストラクチャ10による患者データを、ITインフラストラクチャ10の1つ以上のデータベース28に保存する。例えば、患者情報システム14は、CDSS16からの患者についての退院のリスク(例えば、死亡のリスク及び/又は再入院のリスク)を保存する(後述)。別の例として、患者情報システム14は、治療データ生成部12による患者データに属する患者呼吸速度を保存することが可能である。一実施形態において、患者情報システムはユーザ入力装置30からの患者データをデータベース28に保存し、及び/又は保存した患者データをディスプレイ装置32に表示できるようにする。ディスプレイ装置32は、ユーザ入力装置30からのデータの受信を促すように使用されてもよい。患者情報システムの具体例は、例えば電子医療記録システム、部門別システム等を含むがこれらに限定されない。
CDSS16は、例えば治療データ生成部12及び/又は患者情報システム14から等のようなITインフラストラクチャ10からの患者データを受信する。患者データはユーザ入力装置34から受信されてもよく、選択的に、患者データの入力のためのユーザインタフェースをユーザに提供するディスプレイ装置36と共に受信されてもよいことが、想定されている。患者データを利用して、CDSS16は、死亡のリスク(risk of death：ROD)及び再入院のリスク(risk of readmission：ROR)の双方に基づいて、ICUから患者を退院させるリスクを評価する。一実施形態において、ROD及び/又はRORは例えば48時間のような所定の期間内に死亡又は再入院することに対応する。有利なことに、ROD及びRORを分離することで、ROD及びRORについての予測変数及び転帰(outcome)の間の関係(相違)を考慮することが可能である。一実施形態において、患者のROD及び/又はRORはディスプレイ装置36に表示される。ROR及び/又はRODは、患者データが受信される場合に継続的に計算されてもよいし、及び/又はタイマーによるイベントやユーザ入力によるイベント等のイベントが発生した場合に算出されてもよい。例えば、医師は、或る患者についてのROD及び/又はRORの算出のトリガ(又は契機又はきっかけ)をマニュアルで与え、患者がICUから退院するのに相応しいか否かを判断することが可能である。
ある患者についてのRODは、予測変数に対する値を含む患者データを入力することで算出され、予測変数はその患者について或るRODモデルに対して受信され、RODモデルはその予測変数を用いて患者についてRODを予測する。一実施形態において、RODモデルはRODデータベース38内の複数のRODモデルの中から選択される。RODと同様に、ある患者についてのRORは、予測変数に対する値を含む患者データを入力することで算出され、予測変数はその患者について或るRORモデルに対して受信され、RORモデルはその予測変数を用いて患者についてRORを予測する。一実施形態において、RORモデルはRORデータベース40から選択される。当然に、RODモデル及びRORモデルにより使用される予測変数は同一である必要はない。更に、ROD及び/又はRORを計算するのに使用されるモデルは任意の様々な予測モデル方式を含み、例えば、ロジスティック回帰(logistic regression)、多項式ロジスティック回帰(multinomial logistic regression)、線形回帰及びサポートベクターマシン学習(support vector machine learning)を含み、これらは複数の係数、サポートベクトル又は予測変数に対応する同様な因子により適切に決定される。ICU退院の妥当性についてのロジスティック回帰モデルを生成する方法の1つは、図5を参照しながら以下において説明される。更に、モデルで生成されるリスクは適切な確率(又は確からしさ又は尤度又は蓋然性)である。しかしながらリスクが確率であることは必須でない。例えば、リスクは深刻度又は危険性が増えほど大きなスコア(1ないし10の間のスコア、或いは1ないし100の間のスコア)とすることが可能である。
CDSS16は、患者情報システム14及び/又は外部データベース(例えば、eICU(登録商標)プログラムデータベース)等のようなITインフラストラクチャ10からの転帰データ又は成果データ(outcome data)を受信する。転帰データはユーザ入力装置34から受信されもよく、選択的に転帰データを入力するためのユーザインタフェースをユーザに提供するディスプレイ装置36により受信されてもよいことが、想定されている。転帰データは、患者データの種又は基礎(species)となるものであり、患者がICUから退院した後に再入院した又は退院した後に死亡したこと、及び周辺の環境を示す。転帰データに基づいて、CDSS16はROD及びRORを計算するのに使用される予測モデルを更新する。予測モデルがロジスティック回帰モデルであった場合、そのモデルは、図5に関して後述される方法により更新されもよい。予測モデルは、転帰データが受信される際に継続的に更新されてもよいし或いはタイマーによるイベントやユーザ入力によるイベント等のようなイベントが生じた際に更新されもよいことが、想定されている。一実施形態において、予測モデルを更新する場合に、より新しい転帰データは、より古い転帰データよりも重く重み付けされる。
治療データコンシューマ部18は、ICUで治療されている患者に関し、治療データ生成部12、CDSS18、患者情報システム14等のようなITインフラストラクチャ10から受信した患者データを処理する。例えば、治療データコンシューマ部18はCDSS18からROR及び/又はRODを受信することが可能である。別の例として、治療データコンシューマ部18は、治療データ生成部12から呼吸速度及び心拍数(のデータ)を受信することが可能である。一実施形態において、治療データコンシューマ部18は、ユーザ入力装置42から患者データを受信してもよく、選択的に、患者データを入力するためのユーザインタフェースをユーザに提供するディスプレイ装置44により受信する。当然に、受信した患者データは、少なくとも1人の患者に関する少なくともROD及びRORを含む。治療データコンシューマ部の具体例は、例えば、患者モニタ、ナース(看護)ステーション、モバイル通信装置、患者情報システム、治療判断支援システム等であるがこれらに限定されない。
上記の処理(consumption)は、受信した患者データを処理して追加的な患者データを生成すること、及び/又は患者データをレポートにまとめること等を含むことが可能である。レポートは、PDF、DOCX、DOC等のようなフォーマットのコンピュータファイルである。一実施形態において、新たに生成された患者データ及び/又は新たに生成されたレポートは、患者情報システム14の中のようなITインフラストラクチャ10の中に保存される。更に、一実施形態において、新たに生成されたレポートは、例えば電子メールを利用して医者に電子的にメッセージとして通知され、及び/又は例えばレーザプリンタやインクジェットプリンタ等を利用して印刷されてもよい。上記の処理は、少なくとも1人の患者について受信した患者データを、表示装置44により医者に提示するユーザインタフェースに表示することを含んでもよい。一実施形態において、ユーザインタフェースは患者データが受信される際に継続的に更新される。これは、有利なことに、医者が患者のROD及び/又はRORをリアルタイムに監視できるようにする。
患者データを表示し及び/又はレポートを生成する場合に、レポート及び/又は表示は、少なくとも1人の患者について、少なくとも、患者名、ROD及びRORを適切に含む。受信した患者データが複数の患者の患者データを含んでいた場合、受信した患者データは、患者に対応する複数の行を有するテーブル構造に適切に形成(又はフォーマット)されている。一実施形態において、その複数の行はROD及び/又はRORの深刻度により並べ替えられる及び/又は並べ替えられることが可能である。例えば、医者はユーザ入力装置42を利用して、ROD及び/又はRORに基づいて患者データのテーブルを並べ替える(又は分類する又は仕分けする)ことが可能である。更に、一実施形態において、医者はROD及び/又はRORの詳細を選択的に見ることが可能である。例えば、医者は、ユーザ入力装置42を利用して患者のROD及び/又はRORを選択し、そのROD及び/又はRORを選択をもたらした変数及び関連する値を(選択的に寄与度に基づいてランク付け(又は等級付け)された状態で)眺めることが可能である。一実施形態では、更に、患者データは同様なROD及び/又はRORに基づいてグループ化されていてもよい。グループは、例えば、非常に低いリスク、低いリスク、中程度のリスク、高いリスク等のうちの1つ以上を含んでいてもよい。
ROD及び/又はRORは、ユーザインタフェース及び/又はレポートの中で、値そのもの(例えば、スコア、確率等)、アイコン(例えば、深刻度に応じた形状、色、背景等のうちの1つ以上)、及びそれらの組み合わせ等として表現されてもよい。例えば、ROD又はRORは、リスクが高い場合は赤色、リスクが中程度なら黄色、リスクが低い場合は緑色等のような深刻度に応じた背景色を有する円として表現されてもよい。一実施形態において、アイコンは、その背景に重なった値を含んでもよく、選択的に深刻度(重要度)に応じて背景に重なった値を含んでもよい。例えば、深刻度が中程度であった場合に、アイコンは重ねて表示された確率を含んでもよい。
図3を参照すると、レポートの例が示されている。レポートは複数の行を含み、行の各々は異なる患者の患者データを含んでいる。行の各々は、患者の名前、ROD、ROR、年齢、予想(prognosis)等を含む。ROD及びRORは、確率及び深刻度の文字インジケータ(すなわち、低、中及び高についてそれぞれ「L」、「M」及び「H」)として表現されている。図4を参照すると、患者データに関するユーザインタフェースの例が示されている。レポートと同様に、ユーザインタフェースは複数の行を含み、行の各々は異なる患者の患者データを含んでいる。行の各々は、アイコン及びアイコンに重ねて表示された確率として表現されたROD及びRORを含んでいる。留意すべきことに、アイコンの背景は深刻度に基づく色に設定されており、背景色が暗いほど深刻度が増える。
図1及び図2に戻る。ITインフラストラクチャ10の構成要素は上記の機能を実現するコンピュータ実行可能命令(コンピュータにより実行可能な命令)を実行するプロセッサ46を適切に含み、コンピュータ実行可能命令はプロセッサ46に関連するメモリ48に保存される。しかしながら、上記の機能の少なくともいくつかがプロセッサを使用することなくハードウェアで実行できることも想定されている。例えば、アナログ回路を利用することが可能である。更に、ITインフラストラクチャ10の構成要素は通信部50を含み、通信部50は、通信ネットワーク20を介して通信するためのインタフェースをプロセッサ46に提供する。更に、ITインフラストラクチャ10の構成要素は個別的に説明されたが、個々の構成要素が組み合わせられてよいことも想定されている。例えば、治療データコンシューマ部18及び治療データ生成部12は同一であってもよいし及び/又は部分的に重複していてもよい。別の例として、CDSS16は治療データコンシューマ部18及び/又は治療データ生成部12と共に統合又は一体化されてもよい。更に別の例として、CDSS16、データコンシューマ部18及び治療データ生成部12は、通信ネットワーク20から独立したスタンドアローン装置に組み込まれていてもよい。
図5を参照すると、ロジスティック回帰モデルを利用する方法100は、1つ以上のICUから解放される複数の患者についての転帰データを含む患者データを受信する(102)。患者データは複数の患者各々についてのレコード(又は記録)を適切に含み、レコードの各々は、ICUから患者を解放した後のROD及び/又はROR及び転帰を予測することに潜在的に(可能性として)関連する複数の変数を含む。患者データは、例えば、患者情報システム14、及び/又は外部データベース(例えば、eICUプログラムデータベース)等のようなITインフラストラクチャ10から受信できる。一実施形態において、受信される患者データは、1つのICUに特有であってもよいし、ある地域の複数のICUに特有であってもよいし、国中の複数のICUに特有であってもよい。更に、一実施形態では、受信される患者データは或る人口統計学属性又はデモグラフィック(demographic)に特有である。
複数の変数は、患者デモグラフィック、ICU入室診断、急性生理学的慢性健康評価IV(Acute Physiology and Chronic Health Evaluation IV：APACHE)スコアにより決定された病気の入院深刻度(admission severity)、集中的な治療の介入、ICU滞在時に生じるおそれのある合併症、直近の24時間以内の臨床検査室での値及び生理学的変数、APACHE入室診断等の内の1つ以上を含むことが可能である。一実施形態において、複数のAPACHE入室診断は統合されてもよい。例えば、診断は病態生理学に応じてグループ化され、新たに形成される診断グループに関連しない全ての希な診断を「その他」として一緒に分類してもよい。
一実施形態において、受信した患者データは、典型的でない患者のレコードを排除するために選別される(104)。例えば、以下の条件の1つ以上を満たす患者が、受信した患者データから選別される：1)ICU滞在期間が4時間未満である；2)年齢が16歳に満たない；3)ICU退院ステータスが「死亡」である；4)別のICUへの移動による退院、又は医療機関以外の場所への退院；及び5)「蘇生しない(do not resuscitate：DNR)」が示されている又は「快適な方法が」ICU退院の分類のみである。有利なことに、モデルは主流でない事例(fringe case)に合わせる必要がないのでモデルの妥当性又は有効性を改善できる。
患者データ及び変数は、多変数ロジスティック回帰又はその他の分析方法を利用して、変数及び主要な転帰(outcome)(例えば、死亡のリスク又は再入院のリスク)の間の関連性を決定するために使用される(106)。局所的に重み付けされた分散平滑化(locally weighted scatterplot smoothing)を利用して、連続変数が、主要な転帰と共に非線形関係について評価できる。更に、非線形関係は、スプライン項(spline term)を導入することにより又は連続変数を分類することにより線形関係に変換して処理されてもよい。スプライン項は既に存在する線形関係のインターバルを作成するために導入され、例えば、局所的に重み付けされた分散平滑化の可視的な検査により指定された部分(knot)で変化する。
一実施形態において、多変数ロジスティック回帰は、順方向及び逆方向への段階的な進行による多変数ロジスティック回帰(forward and backward stepwise multivariable logistic regression)又は分類及び回帰ツリーを含み、主要な再帰の予測変数を決定する。対数尤度比率検査により、ヌル対拡張モデル間の対数尤度(log likelihood between null versus extended models)の差分が、例えば0.05のような所定値より小さなp値をもたらす場合、変数は段階的な回帰に含まれてもよい。更に、共変量(covariate)同士の間の相互作用はワルド検定(Wald test)を用いて評価することが可能であり、例えば0.05のような所定値未満のp値の相互作用変数が段階的な回帰に含まれてもよい。
図6を参照すると、集中治療室(ICU)から解放される患者の準備(が整っていること)を評価する方法150が示されている。CDSS16のプロセッサ46が本方法を適切に実行する。方法150はICUにより治療を受けている患者についての患者データを受信するステップを含む(152)。患者データは、患者の生理学的パラメータを表すデータを適切に含んでいる。更に、患者データは、例えば患者情報システム14等のようなITインフラストラクチャ10から適切に受信される。一実施形態において、ROD予測モデルはRODデータベース38内の複数のROD予測モデルの中から選択され(154)、ROR予測モデルはRORデータベース40内の複数のROR予測モデルの中から選択される(156)。ICUの患者についてのRODがROD予測モデルに基づいて計算される(158)。一実施形態において、ROD予測モデルは選択されたROD予測モデルである。ICUの患者についてのRORもROR予測モデルに基づいて計算される(160)。一実施形態において、ROR予測モデルは選択されたROR予測モデルである。この計算に基づいて、複数の患者のうち選択された者について、退院した場合のリスクが決定される(162)。退院のリスクはユーザ入力装置42等のようなユーザ入力装置と共に選択されてもよい。選択された患者についての退院のリスクは、レポート又はユーザインタフェースにより医者に提示される(164)。例えば、ディスプレイ装置44に患者についてのRODが医者に提示される。一実施形態において、本方法は退院した患者が例えば48時間のような所定の期間内に死亡及び/又は再入院するか否かを示す再帰データを受信するステップを含む(166)。図5の方法100に関して選択的に、再帰データに基づいてRODモデル及び/又はRORモデルが更新される(168)。
本願で使用されているように、メモリは、一時的ではない有形の1つ以上のコンピュータ読み取り可能媒体(コンピュータにより読み取ることが可能な媒体)を含み、その媒体は、磁気ディスク又はその他の磁気記憶媒体；光ディスク又はその他の光記憶媒体；ランダムアクセスメモリ(RAM)、リードオンリメモリ(ROM)、又はその他の電子メモリ装置又はチップ又は動作可能に相互に接続された一群のチップ；インターネット/イントラネットサーバ(インターネット/イントラネット又はローカルエリアネットワークを介して、保存される命令がインターネット/イントラネットサーバから受信される)等を含む。更に、本願で使用されているように、プロセッサは、マイクロプロセッサ、マイクロコントローラ、グラフィック処理ユニット(GPU)、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)等のうちの1つ以上を含む。ユーザ入力装置は、マウス、キーボード、タッチスクリーンディスプレイ、1つ以上のボタン、1つ以上のスイッチ、1つ以上のトグル等のうちの1つ以上を含む。ディスプレイ装置は、LCDディスプレイ、LEDディスプレイ、プラズマディスプレイ、プロジェクションディスプレイ、タッチスクリーンディスプレイ等の内の1つ以上を含む。
以上、本発明は好ましい実施の形態を参照しながら説明されてきた。上記の詳細な説明を参照及び理解すれば、他の変形例及び他の代替例も認められるであろう。添付の特許請求の範囲及び均等物の範囲内にそのような変形例や代替例の全てを包含するように本発明は意図されている。

Claims (15)

  1. 集中治療室、病院又は他の監視される臨床治療環境から集中的には監視されない環境へ解放される患者の準備が整っていることを評価する、１つ以上のプロセッサを有するシステムであって、前記１つ以上のプロセッサは、
    患者についての患者データを受信し、メモリに保存する処理と、
    死亡のリスクに関する第１の予測モデル及び保存された患者データを利用して、前記患者についての解放による死亡のリスクを算出する処理と、
    再入院のリスクに関する第２の予測モデル及び保存された患者データを利用して、前記患者の再入院のリスクを算出する処理と、
    死亡のリスク及び再入院のリスクの組み合わせと解放のリスクとの間の予め決定されている対応関係を利用して、前記患者について算出された死亡のリスク及び再入院のリスクに対応する解放のリスクを判断する処理と、
    前記患者のうち選択された１人以上についての前記解放のリスクをディスプレイに表示して医者に提示する処理と
    を実行するようにプログラムされている、システム。
  2. 前記プロセッサは、
    解放の後に患者が死亡及び/又は再入院したか否かを示す転帰データを受信する処理と、
    前記転帰データを利用して前記第１の予測モデル及び/又は前記第２の予測モデルを更新する処理と
    を実行するように更にプログラムされている、請求項１に記載のシステム。
  3. 前記第１の予測モデル及び/又は前記第２の予測モデルが、ロジスティック回帰、多項式ロジスティック回帰、線形回帰及びサポートベクターマシンのうちの１つ以上を含む、請求項１又は２に記載のシステム。
  4. 前記提示する処理において、前記解放のリスクを、リスクの深刻度を表すように表示する、請求項１−３の何れか１項に記載のシステム。
  5. 低いリスク、中程度のリスク及び高いリスクのうちの１つ以上にアイコンが対応しており、前記提示する処理において、前記中程度のリスク又は高いリスクに対応するアイコンに応じて、前記死亡のリスク及び/又は前記再入院のリスクに関する確率を表示する、請求項４に記載のシステム。
  6. 前記第１の予測モデル及び/又は前記第２の予測モデルが、所定の期間内における死亡のリスク及び/又は再入院のリスクを予測する、請求項１−５の何れか１項に記載のシステム。
  7. 請求項１−６の何れか１項に記載のシステムと、
    前記患者の患者データを生成するデータ生成部であって、前記患者データは、前記第１の予測モデル及び/又は前記第２の予測モデルにより使用される生理学的パラメータを示すデータを含む、データ生成部と
    を有し、前記システムにより受信される前記患者データは前記データ生成部により生成された患者データを含む、ＩＴインフラストラクチャ。
  8. 集中治療室、病院又は他の監視される臨床治療環境から集中的には監視されない環境へ解放される患者の準備が整っていることを評価する方法であって、
    患者についての患者データを受信し、メモリに保存するステップと、
    死亡のリスクに関する第１の予測モデル及び保存された患者データを利用して、前記患者についての解放による死亡のリスクを算出するステップと、
    再入院のリスクに関する第２の予測モデル及び保存された患者データを利用して、前記患者の再入院のリスクを算出するステップと、
    死亡のリスク及び再入院のリスクの組み合わせと解放のリスクとの間の予め決定されている対応関係を利用して、前記患者について算出された死亡のリスク及び再入院のリスクに対応する解放のリスクを判断するステップと、
    前記患者のうち選択された者についての前記解放のリスクをディスプレイに表示して医者に提示するステップと
    を有する方法。
  9. 解放の後に患者が死亡及び/又は再入院したか否かを示す転帰データを受信するステップと、
    前記転帰データに基づいて前記第１の予測モデル及び/又は前記第２の予測モデルを更新するステップと
    を更に有する請求項８に記載の方法。
  10. 前記第１の予測モデル及び/又は前記第２の予測モデルが、ロジスティック回帰、多項式ロジスティック回帰、線形回帰及びサポートベクターマシンのうちの１つ以上を含む、請求項８又は９に記載の方法。
  11. 前記提示するステップにおいて、前記解放のリスクを、リスクの深刻度を表すように表示する、請求項８−１０の何れか１項に記載の方法。
  12. 低いリスク、中程度のリスク及び高いリスクのうちの１つ以上にアイコンが対応しており、前記提示するステップにおいて、前記中程度のリスク又は高いリスクに対応するアイコンに応じて、前記死亡のリスク及び/又は前記再入院のリスクに関する確率を表示する、請求項１１に記載の方法。
  13. 前記第１の予測モデル及び/又は前記第２の予測モデルが、所定の期間内における死亡のリスク及び/又は再入院のリスクを予測する、請求項８−１２の何れか１項に記載の方法。
  14. 請求項８−１３の何れか１項に記載の方法を実行するようにプログラムされた１つ以上のプロセッサ。
  15. 請求項８−１３の何れか１項に記載の方法を１つ以上のプロセッサに実行させるソフトウェア。
JP2014516469A 2011-06-24 2012-06-18 評価システム及び評価方法 Expired - Fee Related JP6072021B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201161500647P 2011-06-24 2011-06-24
US61/500,647 2011-06-24
PCT/IB2012/053047 WO2012176104A1 (en) 2011-06-24 2012-06-18 Discharge readiness index

Publications (2)

Publication Number Publication Date
JP2014520335A JP2014520335A (ja) 2014-08-21
JP6072021B2 true JP6072021B2 (ja) 2017-02-01

Family

ID=46545427

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014516469A Expired - Fee Related JP6072021B2 (ja) 2011-06-24 2012-06-18 評価システム及び評価方法

Country Status (4)

Country Link
US (1) US20140136225A1 (ja)
JP (1) JP6072021B2 (ja)
CN (1) CN103635908B (ja)
WO (1) WO2012176104A1 (ja)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2908609A1 (en) 2013-05-03 2014-11-06 Georgia State University Research Foundation, Inc. Systems and methods for supporting hospital discharge decision making
WO2015022649A2 (en) * 2013-08-14 2015-02-19 Koninklijke Philips N.V. Modeling of patient risk factors at discharge
US20160055412A1 (en) * 2014-08-20 2016-02-25 Accenture Global Services Limited Predictive Model Generator
GB201619902D0 (en) * 2016-11-24 2017-01-11 Univ Oxford Innovation Ltd Patient status monitor and method of monitoring patient status
EP3577654A1 (en) * 2017-02-03 2019-12-11 Koninklijke Philips N.V. System and method for facilitating configuration modifications for a patient interface computer system based on risk of readmission of a patient
JP7188390B2 (ja) * 2017-08-30 2022-12-13 日本電気株式会社 医療情報処理装置、医療情報処理方法およびプログラム
CN108072618A (zh) * 2017-12-19 2018-05-25 中国医学科学院阜外医院 一种心梗后死亡风险的预测系统
KR102257830B1 (ko) * 2018-12-18 2021-05-28 연세대학교 산학협력단 사망 위험도의 예측 방법 및 이를 이용한 디바이스
JP7403094B2 (ja) * 2019-12-18 2023-12-22 学校法人立命館 判定装置
US11763947B2 (en) 2020-10-14 2023-09-19 Etiometry Inc. System and method for providing clinical decision support
US20220115131A1 (en) * 2020-10-14 2022-04-14 Etiometry, Inc. System and method for providing clinical decision support
CN113902186B (zh) * 2021-09-30 2024-08-16 中南大学 一种基于电子病历的患者死亡风险预测方法、系统、终端及可读存储介质
US20230178223A1 (en) * 2021-12-08 2023-06-08 GE Precision Healthcare LLC Methods and systems for patient management
KR102600493B1 (ko) * 2023-03-21 2023-11-08 경북대학교 산학협력단 중환자실 환자의 재원 기간과 사망률 예측 장치 및 방법

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4957115A (en) * 1988-03-25 1990-09-18 New England Medical Center Hosp. Device for determining the probability of death of cardiac patients
US6266645B1 (en) * 1998-09-01 2001-07-24 Imetrikus, Inc. Risk adjustment tools for analyzing patient electronic discharge records
US7334222B2 (en) * 2002-09-11 2008-02-19 International Business Machines Corporation Methods and apparatus for dependency-based impact simulation and vulnerability analysis
JP4812299B2 (ja) * 2003-12-25 2011-11-09 株式会社東芝 バーチャルペイシェントシステム
US8082172B2 (en) * 2005-04-26 2011-12-20 The Advisory Board Company System and method for peer-profiling individual performance
NZ564868A (en) * 2005-06-08 2012-04-27 Carefusion 303 Inc System for dynamic determination of disease prognosis
US10163174B2 (en) * 2006-05-30 2018-12-25 The University Of North Carolina At Chapel Hill Methods, systems, and computer program products for evaluating a patient in a pediatric intensive care unit
US7880607B2 (en) * 2006-12-15 2011-02-01 Motorola, Inc. Intelligent risk management system for first responders
US8052611B2 (en) * 2007-03-14 2011-11-08 Cardiac Pacemakers, Inc. Method and apparatus for management of heart failure hospitalization
US20090177102A1 (en) * 2008-01-07 2009-07-09 The General Electric Company System, method and device for predicting sudden cardiac death risk
US8417541B1 (en) * 2009-08-27 2013-04-09 Cerner Innovation, Inc. Multi-stage model for predicting probabilities of mortality in adult critically ill patients
US8607153B2 (en) * 2009-12-30 2013-12-10 Cerner Innovation, Inc. Graphic for displaying multiple assessments of critical care performance

Also Published As

Publication number Publication date
CN103635908B (zh) 2018-01-30
WO2012176104A1 (en) 2012-12-27
US20140136225A1 (en) 2014-05-15
JP2014520335A (ja) 2014-08-21
CN103635908A (zh) 2014-03-12

Similar Documents

Publication Publication Date Title
JP6072021B2 (ja) 評価システム及び評価方法
US11961621B2 (en) Predicting intensive care transfers and other unforeseen events using machine learning
US20220330823A1 (en) Systems and devices for telemetry monitoring management
US11410777B2 (en) Patient risk evaluation
US10424409B2 (en) Guideline-based patient discharge planning
US9113778B2 (en) Predicting near-term deterioration of hospital patients
US20090093686A1 (en) Multi Automated Severity Scoring
US20190311809A1 (en) Patient status monitor and method of monitoring patient status
JP2007317196A (ja) 個別化した疾病管理を提供するためのシステム及び方法
CN104487975A (zh) 表现血液动力学不稳定性指数指标信息的方法
Rothman et al. Development and validation of a continuously age-adjusted measure of patient condition for hospitalized children using the electronic medical record
WO2020027213A1 (ja) 認知症リスクの提示システムおよび方法
Wang et al. An evaluation of clinical order patterns machine-learned from clinician cohorts stratified by patient mortality outcomes
JP2008541249A (ja) リスクステータスを計算し、表示することによって病気を回避するための予防モジュール
CN114613487A (zh) 妊娠决策支持系统和方法
Chen et al. Modelling risk of cardio-respiratory instability as a heterogeneous process
US20190108916A1 (en) Decision-support tools for pediatric obesity
Rochefort et al. Nurse staffing practices and postoperative atrial fibrillation among cardiac surgery patients: A multisite cohort study
US20170354382A1 (en) User interface for displaying predictive cardio information
JP6491659B2 (ja) 新生児の発育をモニタリングする方法およびシステム
JP7437019B2 (ja) 活動量モニタリングシステム及び活動量モニタリング方法
Gomov et al. Aiding infection analysis and diagnosis through temporally-contextualized matrix representations
Llamocca et al. Personalized Characterization of Emotional States in Patients with Bipolar Disorder. Mathematics 2021, 9, 1174
Knake et al. Artificial intelligence in pediatrics
Huma et al. Predictive Machine Learning Models for Early Diabetes Diagnosis: Enhancing Accuracy and Privacy with Federated Learning

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20150617

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20160426

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20160428

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160713

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: 20161129

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20161227

R150 Certificate of patent or registration of utility model

Ref document number: 6072021

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

LAPS Cancellation because of no payment of annual fees