JP6262200B2 - 信号ベースモニタリングからリスクベースモニタリングへ患者ケアを移行させるシステム及び方法 - Google Patents

Description

背景技術
本発明は、リスクベースの患者モニタリングシステム及び患者モニタリング方法に関する。さらに詳しくは本発明は、種々異なるソースからの患者データを結合して、患者の現在及び将来のリスクを評価する方法に関する。

診療医学は、新しいセンサ及び治療の導入によって、ますます複雑になっている。その結果として、患者のリスクが低減される一方で臨床医は、利用可能な多数のオプションから最適な治療を処方する目的で、評価が必要とされ十分理解しなければならない膨大な患者データに直面することになる。このような膨大な情報がいっそう問題を孕むことになる１つの環境は、集中治療室（ＩＣＵ）である。集中治療室では、所属の医師の経験ならびに利用可能な生理学的情報を吸収する医師の能力が、臨床転帰に強い影響を及ぼす。トレーニングを受けた集中治療医を２４時間体制で持続的に確保していない病院は、人員確保の完全なセンターの死亡率が６．０％であるのに対し、１４．４％の死亡率となっていることが明らかになった。ケアレベルを、すべてのＩＣＵについてトレーニングを受けた平均的な医師のレベルまで引き上げれば、年間１６０，０００人の命を救うことができ、＄４３億を節約できると見積もられている。２０１２年現在、集中治療医は不足しており、予測によればこの不足は悪化していくだけであり、２０２０年には３５％のレベルに達すると見込まれる。

重症患者ケアにおける経験の価値は、ＩＣＵにおける臨床データは最も能力の高い医師が吸収できる速度よりも遙かに高い速度で提供される、という事実から説明することができ、調査の結果、判明したのは、情報過多という条件のもとでは、誤りの発生確率が６倍高くなり、深刻な時間不足が伴うと１１倍高くなる、ということである。しかもＩＣＵにおける治療の決定は、じかには測定できないが他の生理学的情報から推定される臨床的徴候に大きく依存する。したがって臨床医の専門知識ならびにバックグラウンドは、分刻みの意思決定プロセスにおいていっそう重要な役割を果たす。当然ながらその結果、隠れたパラメータの推定において大きなばらつきが生じる。一例を挙げると、重症患者ケアでは、心拍出量の代用となる多数のパラメータが、連続的にモニタリングされるけれども、調査の結果判明したのは、臨床医による主観的な評価と、熱希釈法による客観的な測定との間に相関が乏しい、ということである。経験を積んだ集中治療医は、リスクマネージメントを効果的に実施して、このような固有の不確実性を自身の意思決定プロセスに組み込んでおり、つまり最も可能性の高い患者の状態に基づき治療を処方するだけでなく、それ以外のむしろ逆の状態である患者のリスクをも考量する。このような見方からすれば、経験を積んだ集中治療医は、多数の異質の信号を患者観測からリスク評価に転用した場合に、集中治療において過剰なデータに直面する。

したがって、ＩＣＵにおいて明らかにニーズとして望まれているのは、信号ベースの患者モニタリングからリスクベースの患者モニタリングへのパラダイムシフトを達成し、それによってＩＣＵにおける膨大なデータに直面した医師を補助して克服できるようにする決定支援システムである。

発明の概要
本発明によれば、重症患者ケアのためのリスクベースの患者モニタリングシステムが開示される。このシステムは、患者に対する現在のリスク及び将来のリスクを評価するために、何らかのベッドサイドモニタからのデータ、電子医療記録ないしは電子カルテ、ならびにその他の患者固有の情報を結合する。さらにこのシステムを、患者の特定のリスクが予め定められた閾値を通過したときに、標準化された医療計画に従いユーザに特定のアクションを促す決定支援システムとして、実現することもできる。ここで述べる技術のさらに別の実現形態は、通院患者モニタリングシステムである。このシステムによれば、患者ならびに家族の評価が、薬剤投与計画及び医師の評価に関する情報とともに結合されて、患者のリスクプロフィルが生成され、患者の臨床トラジェクトリが連続的に追跡され、通院又は付加的な検査をいつ予定すべきであるのかに関して、医師に対し決定支援が提供される。

１つの実施形態によれば、リスクベースモニタリングアプリケーションがシステムプロセッサにおいて実行され、このシステムプロセッサは、データ受信モジュール、生理機能観測モジュール、臨床トラジェクトリインタプリタモジュール、ならびにビジュアライゼーション及びユーザインタラクションモジュールを含む。１つの実施形態によればデータ受信モジュールを、ベッドサイドモニタ、電子カルテ、治療機器からのデータを受信するように構成することができ、さらに患者の臨床上のリスクに関する事前情報に基づく評価形成に関連すると思われる他の何らかの情報、ならびにこれらのあらゆる組み合わせを受け取るように構成することができる。

生理機能観測モジュールは複数の測定を利用して、患者の治療及びコンディションに関連する生理機能の構成要素を表す内部状態変数（ＩＳＶ）の確率密度関数（ＰＤＦ）を推定する。臨床トラジェクトリモジュールは、起こり得る複数の患者の状態によって構成することができ、内部状態変数の推定された確率密度関数が与えられると、それらの患者状態のいずれがどの程度の確率で発生する可能性があるのかを判定することができる。

種々の実施形態において、臨床トラジェクトリインタプリタモジュールは、患者を分類可能な患者のコンディションを決定し、さらに内部状態変数の推定された確率密度が与えられると、現時点で患者を分類可能な想定し得る患者状態も決定することができる。このようにして、想定可能な患者状態各々が０〜１の確率値に割り当てられる。患者状態とそれらの確率の組み合わせは、患者に対する臨床上のリスクとして定義される。

ビジュアライゼーション及びユーザインタラクションモジュールは、ｉ）データ受信モジュールから、連続的又は断続的に取得された生理機能測定値及び患者固有の識別子、例えばコンディション、人口統計、目視検査の時系列を受け取り、ｉｉ）生理機能観測モジュールから、推定された内部状態変数の確率密度関数の時系列を、ならびに臨床トラジェクトリインタプリタモジュールから、患者が特定の状態にある確率及び個々のリスクのハザードレベルの時系列を受け取る。そしてビジュアライゼーション及びユーザインタラクションモジュールはそれらのデータを、変数と時間の依存性を表すグラフにおいてビジュアライズする。それらのグラフはデータを画面上にじかにプロットすることによってビジュアライズするか、又は確率密度関数の場合であれば、特定の時点及び特定の値における尤度をカラーパターンで符号化して、それらのデータをプロットすることによってビジュアライズする。ビジュアライゼーション及びユーザインタラクションモジュールは患者に対する現在のリスクを、それぞれ異なるサイズとカラーのボックスによってそれらを表現することによって、ビジュアライズすることができる。この場合、ボックスのサイズは特定の時点における患者状態の確率に対応し、ボックスのカラーはそれらのハザードレベルに対応する。これらに加え、ビジュアライゼーション及びユーザインタラクションモジュールによってユーザは、患者状態確率に基づきアラームをセットして、それらのアラームを他のユーザと共有し、患者リスクに関連するメモを作成して、それらのメモを他のユーザと共有し、さらに患者の病歴における他の要件を閲覧することができる。

本発明の１つの観点によれば、患者のリスクベースモニタリングのための、コンピュータにより実装される媒体及び方法は、以下を含んでいる。即ち、
Ａ）患者の治療とコンディションの一方に生理機能的に関連するパラメータをそれぞれ表す複数の内部状態変数に対応づけられたデータを、コンピュータによって取得するステップ；
Ｂ）取得した前記複数の内部状態変数に対応づけられたデータを、コンピュータによりアクセス可能な記憶装置に格納するステップ；
Ｃ）前記複数の内部状態変数に対して推定された確率密度関数を、コンピュータによって生成するステップ；
Ｄ）前記内部状態変数の生成された前記確率密度関数から、複数の想定患者状態のうちいずれの想定患者状態に、現時点で患者を分類可能であるのかを、コンピュータによって識別し、識別された想定患者状態各々に対応づけられた確率値を、コンピュータによって生成するステップ。

１つの実施形態によれば、前記識別された想定患者状態に対応づけられる確率値は０〜１である。別の実施形態によれば本発明による方法は、Ｅ）前記確率値及び該確率値に対応づけられた識別された個々の想定患者状態を、画面に表示するステップ、をさらに含んでいる。この場合、前記識別された想定患者状態と、該想定患者状態に対応づけられた個々の確率値との組み合わせを、患者に対する臨床リスクとして定義する。

本発明の別の観点によれば、患者をモニタリングするためのリスクベースモニタリングシステムには、以下の構成が設けられている。即ち、プロセッサと、該プロセッサに接続された記憶装置と、患者に関連する複数の情報源と共働するよう接続されたデータ受信モジュールと、該データ受信モジュールと通信を行う生理機能観測モジュールと、該生理機能観測モジュールと通信を行う臨床トラジェクトリインタプリタモジュールとが設けられている。前記データ受信モジュールは、患者の治療とコンディションの一方に生理機能的に関連するパラメータをそれぞれ表す複数の内部状態変数に対応づけられたデータを取得する。前記生理機能観測モジュールは、前記内部状態変数の確率密度関数を生成し、前記臨床トラジェクトリインタプリタモジュールは、複数の想定患者状態のうちいずれの想定患者状態に、現時点で患者を分類可能であるのかを識別し、識別された想定患者状態各々に対応づけられた確率値を生成する。

１つの実施形態によれば、本発明はさらに以下のように構成されている。即ち、前記臨床トラジェクトリインタプリタモジュール、前記データ受信モジュール、及び前記記憶装置と通信を行うユーザインタラクションモジュールが設けられており、該ユーザインタラクションモジュールは、前記確率値及び該確率値に対応づけられた識別された個々の想定患者状態を表示し、前記識別された想定患者状態と、対応づけられた個々の確率値との組み合わせを、患者に対する臨床リスクとして定義する。

本発明のさらに別の観点によれば、システムはヘモグロビンのような特定の測定値を、未知の待ち時間量で利用可能であり、つまりこれらの測定値は、現在時点及びデータ通信リンクを介して到来した時点に対し相対的な過去の時点で有効なものである。生理機能観測モジュールはバックプロパゲーションを用いて、シーケンスから外れたこの種の測定値を扱うことができる。バックプロパゲーションによれば、ＩＳＶの現在の推定が、測定値の有効な時点に戻して投影されるので、潜在的な測定値からの情報を適切に組み込むことができる。したがって本発明の別の観点によれば、患者のリスクベースモニタリングのための、コンピュータにより実装される方法は、以下のステップを含んでいる。即ち、
Ａ）患者の治療とコンディションの一方に生理機能的に関連するパラメータをそれぞれ表す複数の内部状態変数に対応づけられたデータを、コンピュータにより取得する、ただし、前記複数の内部状態変数に対応づけられたデータのすべてではなく一部を、同じ周期で取得するステップ；
Ｂ）取得した前記複数の内部状態変数に対応づけられたデータを、コンピュータによりアクセス可能な記憶装置に格納するステップ；
Ｃ）前記複数の内部状態変数に対して推定された確率密度関数を、コンピュータによって生成するステップ；、
Ｄ）前記内部状態変数に対して生成された前記確率密度関数から、第１の複数の想定患者状態Ｐ（Ｓ₁），Ｐ（Ｓ₂），Ｐ（Ｓ₃），．．．，Ｐ（Ｓ_n）のうちいずれの想定患者状態に、先行時点で患者を分類可能であったのかを、コンピュータによって識別し、識別された先行想定患者状態各々に対応づけられた確率値を、コンピュータによって生成するステップ。

１つの実施形態によれば、推定された確率密度関数を生成する前記ステップは、Ｃ１）現在の時間ステップｔ_kにおいて、前記第１の複数の内部状態変数に対して推定された確率密度関数を生成するステップと、Ｃ２）定義された遷移確率カーネルを用いて、前記時間ステップｔ_kおける確率推定から別の時間ステップｔ_k-Nまで逆方向に進展させることにより、該別の時間ステップｔ_k-Nにおける前記複数の内部状態変数に対する確率密度関数を生成するステップとを含む。ただし、Ｎは１よりも大きい整数である。

最初に理解しておくべき点は、本出願の開示における１つ又は複数の実施形態に関する例示的な手法を以下で説明するけれども、ここで開示するシステム及び／又は方法は、目下既知であろうがなかろうが、現存しようがしまいが、数多くのどのような技術を利用しても実施できる、ということである。また、本出願の開示は、例示した実現手段、図面、ならびに以下で図示及び説明する例示的なデザインや手法を含め、これから説明する技術に限定されるものではなく、添付の特許請求の範囲内でそれに対応する最大の範囲を伴って、変更することができる。

本発明によるリスクベース医療モニタリング環境を示す概略図 本発明によるリスクベース生理機能観測モジュールの基本構成を示す概略図 本発明による生理機能モニタリングモジュールによって生成された、選択されたＩＳＶに関する確率密度関数の例示的なグラフを示す概略図 本発明による生理機能観測モジュールによって生成された、選択されたＩＳＶに関する確率密度関数の例示的なグラフを示す概略図 本発明による生理機能観測モジュールによって生成された、選択されたＩＳＶに関する確率密度関数の例示的なグラフを示す概略図 本発明による生理機能観測プロセスの非限定的な例を示す概略図 本発明による生理機能観測プロセスの非限定的な例を示す概略図 本発明による情報を組み込むためにバックプロパゲーションが用いられるタイムラインを示す概略図 平均動脈圧（ＡＢＰｍ）に係わる本発明によるプロセスの一例を示す概略図 本発明によるリサンプリングの例を示す概略図 本発明に従って種々の患者の状態の確率を計算するために、複数のＩＳＶの合成された確率密度関数を使用し状態確率推定を実施する、臨床トラジェクトリインタプリタモジュールを示す概略図 本発明による臨床トラジェクトリインタプリタモジュールにより採用された患者状態の定義の非限定的な例について示す概略図 ある特定の時点で起こり得る４つの患者状態各々に患者が分類される確率を割り当てるために、臨床トラジェクトリインタプリタモジュールが患者状態の定義をどのようにして採用できるのかについて、非限定的な例を示す概略図 本発明による種々の患者状態の確率を推定するための択一的なアプローチについて示す概略図 本発明による臨床トラジェクトリインタプリタモジュールにより、ハザードレベルが割り当てられた患者状態の定義に関する非限定的な例について示す概略図 本発明に従い病因と称する３つのグラフに編入された患者状態及びそれらの個々の確率を示す概略図 本発明による患者状態と生理的変数の所定のセットに関する病因ツリーの一例を示す概略図 本発明による種々の測定の効用を計算するための方法を示す概略図 本発明に従い、サードパーティのアルゴリズムから生成された外部の計算を組み込む１つの実現可能な手法について示す概略図 本発明による外部計算組み込み命令の一例について示す概略図 本発明による外部計算組み込み命令の付加的な例について示す概略図 本発明によるビジュアライゼーション及びユーザインタラクションモジュールの機能に関する一例について示す概略図 本発明に従いある特定の病院単位で各患者ごとのリスクプロフィルを単一の画面で伝達可能なサマリービューの一例を示す概略図 本発明に従い患者の進行中のリスクを表すビューを実現可能な手法の一例を示す概略図 本発明に従い、患者リスクの履歴を閲覧するにあたり、患者ビューの最上部に設けられたスライダをどのように利用できるのか、について示す概略図 本発明に従い、合成された患者状態をクリックし、構成要素である患者状態を閲覧することによって、ユーザが病因ツリーをどのように操作できるのか、について示す図 本発明に従い、現在の時点よりも先に進むようにスライダをスライディングさせることによって、患者に対し予測されるリスクを、同じフレームワーク内でユーザがどのようにして閲覧可能であるのか、について示す概略図 本発明に従い、ある特定のリスクについて、ユーザがどのようにして選択してアラームをセットできるのか、について示す概略図 本発明による患者リスクトラジェクトリ、即ち特定の患者リスクに対応づけられた患者状態確率の進展をビジュアライズするさらに別の可能性について示す概略図 本発明に従い、種々の内部状態変数の確率密度関数をシステムがどのようにしてダイレクトにビジュアライズできるのか、について示す概略図 本発明に従い、ユーザインタフェースによって実現可能なタグ付け機能の一例を示す概略図 本発明によるユーザインタフェースのニュース配信画面について示す概略図 本発明によるユーザインタフェースのコンディションサマリー画面について示す概略図 インターネットを通じてアクセス可能な、または本発明によるシステム内に格納可能な参考資料を含み表示させるユーザインタフェースの能力について示す概略図 本発明に従い、ＨＬＨＳステージ１の一時的緩和状態にある患者の生理機能モデルを捕捉するために採用可能な、汎用のダイナミックベイジアンネットワーク（Dynamic Bayesian Network DBN）を示す概略図 本発明に従い、ＨＬＨＳステージ１における生理機能のダイナミクスをモデリングするために利用可能な、複数の式を示す概略図 本発明に従い、モデリングにおけるダイナミック変数と導出変数との関係を抽出するために使用可能な式を例示した概略図 本発明に従い、導出変数を利用可能なセンサデータと相関させるために用いることのできる、観測モデルの可能性について示す概略図 本発明に従い、ＨＬＨＳステージ１の母集団において、臨床トラジェクトリインタプリタモジュールによって利用することのできる属性、患者状態ならびに病因ツリーの可能性について示す概略図 本発明に従い、特定の治療を適用すべきか否かの判断にあたり、臨床医を支援するためにリスクベースモニタリングシステムを採用することのできる環境について、１つの可能性を示す概略図 本発明に従い、輸血の決定を通知するために利用可能である、輸血に関連する一組の患者状態について、非限定的な例を示す概略図 本発明に従い、標準化された医療計画に適用されるリスクベースモニタリングシステムの別の適用事例について示す概略図 本発明に従い、特定のタイプの標準化された臨床計画と結合されたリスクベースモニタリングシステムについて、１つの適用事例を示す概略図 本発明に従い、一酸化窒素治療という状況において、システムにより採用可能なリスク層別化の一例を示す概略図 本発明に従い、ＡＤＨＤ患者の臨床トラジェクトリを記述することのできる患者状態の１つの可能性について示す概略図 利用可能な患者評価モダリティをＭ１，Ｍ２，Ｍ３として列挙した図 本発明に従い、ダイナミックベイジアンネットワークにより抽出された、ある状態から別の状態への患者の進展に関するダイナミックなモデルを示す概略図 本発明に従い、薬剤又は投薬量を変化させたときに、患者状態が単月においてどのように推移する可能性があるのかについての２つの予測に関して、択一的な実施形態を示す概略図 本発明に従い患者の臨床トラジェクトリ及びリスクを表示する、ビジュアライゼーションの実施形態ならびにシナリオの１つの可能性について示す概略図 第９週における患者及び患者トラジェクトリの評価について示されており、この時点においてリスクベースの患者モニタリングシステムが、本発明に従い、過去９週各々の患者の状態に関する確率分布関数を決定する様子を示す概略図 本発明に従い、教師と親のヴァンダービルト診断に基づくフォローアップ評価について示す図 本発明に従い、著しい改善を生じさせる可能性の高い、利用可能なすべての測定について、即ち職場訪問、親および教師の評価に基づき、結果として得られた評価について示す図 患者が九分通り安定して改善されることが確かなものとなり、２つの評価の間で安定して改善がみられた時点での、本発明によるさらに別のフォローアップについて示す図 測定値が存在していない場合の、患者及び患者トラジェクトリに対する本発明によるフォローアップ評価が示されており、最近の観測が欠けているため、不確実性が高まった状態における様子を示す図 本発明に従い、完全な患者評価（すべての測定モダリティ）が行われたときの、上記の不確実性の状態を示す図 既述のシステム出力からの、さらに別のビジュアライゼーションの可能性について示すものであり、本発明に従い、治療計画の変更例えば薬剤の変更が行われたときの、患者状態の推移の可能性について示す図

詳細な説明
ここで開示するのは、臨床スタッフに対し個々の患者に関するリスクベースの患者モニタリングを提供する技術である。ここで説明する技術は、重症患者ケアのためのモニタリングシステムとして実現することができる。このシステムは、患者に対する現在のリスク及び将来のリスクを評価するために、種々のベッドサイドモニタからのデータ、電子医療記録ないしは電子カルテ、ならびにその他の患者固有の情報を結合する。さらにこの技術を、決定支援システムとして実現することもでき、このシステムは、患者の特定のリスクが予め定められた閾値を通過したときに、標準化された医療計画に従いユーザに特定のアクションを促す。既述の技術のさらに別の実施形態は、通院患者モニタリングシステムである。このシステムによれば、患者ならびに家族の評価が、薬剤投与計画及び医師の評価に関する情報とともに結合されて、患者のリスクプロフィルが生成され、患者の臨床トラジェクトリが連続的に追跡され、通院又は付加的な検査をいつ予定すべきであるのかに関して、医師に対し決定支援が提供される。

システムモジュール及びインタラクション
次に図面を参照すると、図１には、リスクベースの医療モニタリング環境１０１０が示されている。これによれば、医療提供者例えば医師、看護師或いは他の医療提供者に、本発明の様々な実施形態によるリスクベースモニタリングが提供される。この場合、患者１０１を１つ又は複数の生理機能センサ或いはベッドサイドモニタ１０２とつなぐことができ、これによって患者の種々の生理的パラメータをモニタリングすることができる。これらの生理機能センサには例えば、以下に限定されるものではないが、血中酸素濃度計、血圧測定機器、脈拍測定機器、グルコース測定機器、１つ又は複数の分析測定機器、心電図記録機器などを含めることができる。これらに加え、患者に対しルーチンの試験や検査を実施することができ、電子カルテ（electronic medical record EMR）１０３にデータを格納することができる。電子カルテ１０３には、以下に限定されるものではないが、ヘモグロビン、動脈及び静脈の酸素含有量、乳酸、体重、年齢、性別、ＩＣＤ−９コード、毛細血管再充満時間、臨床医の主観的観察、患者自身の評価、処方された薬剤、薬剤投与計画、遺伝的特質等の情報を格納することができる。さらに患者１０１を、患者に治療を施すように構成された１つまたは複数の治療機器１０４とつなぐこともできる。種々の実施形態において治療機器１０４には、体外膜型酸素供給器、人工呼吸器、薬剤注入ポンプなどを含めることができる。

本発明の開示によれば、既存の方法を介して改善されたリスクベースモニタリングを患者１０１に施すことができる。患者固有のリスクベースモニタリングシステム（ここでは一般的にシステム１００と称する）を、患者関連情報を受け取るように構成することができる。患者関連情報として挙げられるのは、ベッドサイドモニタ１０２からのリアルタイム情報、電子カルテ１０３からのＥＭＲ患者情報、セッティング、注入レート、薬剤タイプといった治療機器１０４からの情報などである。さらにその他の患者関連情報として挙げられるのは、患者の病歴、以前の治療計画、以前の臨床検査結果及び今回の臨床検査結果、アレルギー情報、種々の条件に対する疾病素質であり、さらには患者の起こり得るコンディションや状態ならびにそれらに付随する可能性についての事前情報に基づく評価、などである。簡単にするため、ここに列挙した様々な種類の情報全般を、以下では「患者固有情報」と称する。これに加えてシステムを、受信した情報を利用して臨床上のリスクを判定するように構成することができ、ついでその判定を医療提供者に呈示することができる。なお、医療提供者には、以下に限定されるものではないが、医師、看護師或いは他のタイプの臨床スタッフが含まれる。

種々の実施形態においてこのシステムは、プロセッサ１１１、プロセッサ１１１と接続された記憶装置１１２、システムがネットワークを介して他のデバイスと通信できるように構成されたネットワークインタフェース１１３、のうちの１つ又は複数が含まれている。しかもシステムには、リスクベースモニタリングアプリケーション１０２０を含めることもできる。このアプリケーションには、コンピュータにより実行可能な命令を含めることができ、この命令がプロセッサ１１１により実行されるとシステムは、患者例えば患者１０１に対するリスクベースのモニタリングを実行できるようになる。

リスクベースモニタリングアプリケーション１０２０には例えば、データ受信モジュール１２１、生理機能観測モジュール１２２、臨床トラジェクトリインタプリタモジュール１２３、ビジュアライゼーション及びユーザインタラクションモジュール１２４が含まれる。１つの実施形態によればデータ受信モジュール１２１を、ベッドサイドモニタ１０２、電子カルテ１０３、治療機器１０４からのデータを受信するように構成することができ、さらに患者の臨床上のリスクに関する事前情報に基づく評価形成に関連すると思われる他の何らかの情報、ならびにこれらのあらゆる組み合わせを受け取るように構成することができる。

生理機能観測モジュール１２２は、複数の測定を利用し、予め定義された生理機能モデルに従って、患者の治療及びコンディションに関連する生理機能の構成要素を表す内部状態変数（ＩＳＶ）の確率密度関数（ＰＤＦ）を推定する。ＩＳＶを、ノイズとともにダイレクトに観測可能なものとしてもよいし（非限定的な例を挙げると、心拍数はダイレクトに観測可能なＩＳＶ）、又は見えないものないしは隠されたものとしてもよいし（非限定的な例を挙げると、大動脈血酸素飽和度として定義された酸素供給量ＤＯ₂は、じかには測定できず、ゆえに見えない）、或いは断続的に測定されるものとしてもよい（非限定的な例を挙げると、全血球計算検査により測定されるヘモグロビンの濃度は、断続的に観測可能なＩＳＶ）。

１つの実施形態によれば、すべての変数を誤差なく決定論的に推定可能である、とするのではなく、本発明の生理機能観測モジュール１２２によれば、確率密度関数が出力として供給される。生理機能観測モジュール１２２に関するさらに詳細な点については、あとで説明する。

臨床トラジェクトリモジュール１２３は例えば、想定可能な複数の患者の状態によって構成することができ、内部状態変数の推定された確率密度関数が与えられれば、それらの患者状態のいずれがどの程度の確率で発生する可能性があるのかを判定することができる。患者状態は、診療によって認識可能な臨床トラジェクトリの特定のポイントにおける生理機能の定性的な記述として定義され、臨床的な決定を下すための含蓄を有するものとすることができる。特定の患者状態の例として、ただし以下に限定されるものではないが、洞性頻脈を伴う低血圧状態、心筋抑制を伴う低酸素状態、代償性の循環性ショック、心停止、出血等を挙げておく。さらにこれらの患者状態を、特定の医療上のコンディションに固有のものとすることができ、また、患者状態各々の範囲を、種々の生理機能変数及びデータの閾値によって定義することができる。種々の実施形態において、臨床トラジェクトリインタプリタモジュール１２３は、参考資料、医療提供者が用意した情報ならびに他の情報源から収集された何らかの情報を利用して、患者のコンディションを判定することができ、それらのコンディションに患者を分類することができる。例えばネットワークインタフェース１１３を介してリスクベースモニタリングアプリケーション１０２０にアクセス可能なデータベース又は他の記憶装置１３０に、参考資料を格納しておくことができる。それらの参考資料には、参考書、医学文献、エキスパートの調査、医師が用意した情報、ならびに患者に対し医療を提供するための参考として利用可能な他のあらゆる資料からまとめられた資料を含めることができる。いくつかの実施形態によれば、臨床トラジェクトリインタプリタモジュール１２３は最初に、モニタリング対象患者と類似した患者母集団を同定することができる。このようにすれば、臨床トラジェクトリインタプリタモジュール１２３は、起こり得る患者状態の判定を助けるために、同定した患者母集団に基づき関連する履歴データを利用することができる。

臨床トラジェクトリインタプリタモジュール１２３は、生理機能観測モジュール１２２によって供給される推定された患者状態確率密度関数があれば、起こり得る患者状態も判定することができ、患者をそれらの患者状態に容易に分類することができる。このようにして、起こり得る患者状態各々が０〜１の確率値に割り当てられる。患者状態とそれらの確率の組み合わせは、患者に対する臨床上のリスクとして定義される。臨床トラジェクトリインタプリタモジュール１２３に関するさらに詳細な点については、あとで説明する。

ビジュアライゼーション及びユーザインタラクションモジュール１２４は、データ受信モジュール１２１、生理機能観測モジュール１２２、及び臨床トラジェクトリインタプリタモジュール１２３の出力を受け取るように構成されており、それらを臨床スタッフに呈示する。ビジュアライゼーション及びユーザインタラクションモジュール１２４は、目下の患者のリスク、時間の経過に伴うそれらの進展、時間に依存する内部状態変数の確率密度関数、ならびに副産物として２つのモジュール１２２及び１２３により計算された、医療行為に有益なその他の特徴を見せることができる。このことに加え、ビジュアライゼーション及びユーザインタラクションモジュール１２４によってユーザは、患者状態確率に基づきアラームをセットして、それらのアラームを他のユーザと共有し、患者リスクに関連するメモを作成して、それらのメモを他のユーザと共有し、さらに患者の病歴における他の要件を閲覧することができる。ビジュアライゼーション及びユーザインタラクションモジュール１２４に関するさらに詳細な点については、あとで説明する。

生理機能観測
図２には、生理機能観測モジュール１２２の基本概略図が示されている。このモジュールは、患者生理機能の２つのモデル即ちダイナミックモデル２１２と観測モデル２２１とを使用する。ダイナミックモデル２１２は、ある時点ｔ_kにおける内部状態変数と別の接近した時点ｔ_k+1における内部状態変数との間に生じる関係を捕捉し、それによって患者生理機能を１つのシステムとしてモデリングすることができ、そのシステムの目下の状態は、このシステムにおいて起こり得る今後の進展に関する情報を有している。患者の生理機能が、自己調節によって生体恒常状態に維持される傾向にあれば、生体恒常安定性を表す内部状態変数例えば酸素運搬量及び酸素消費量に、この種のメモリを導入する明確な合理性が存在する。

観測モデル２２１は、測定された生理機能変数と他の内部変数との関係を捕捉することができる。この種のモデルの例を以下に挙げる：
ａ）一回拍出量における心収縮期動脈圧と心拡張期動脈圧との差（脈圧とも称する）の依存性
ｂ）心拍数と一回拍出量と心拍出量との関係
ｃ）ヘモグロビン濃度と心拍出量と酸素運搬量との関係
ｄ）ヴァンダービルト評価スケール（Vanderbilt Assessment Scale）と注意欠陥・多動性障害患者の臨床状態との関係
ｅ）測定可能したがって観測可能なパラメータと内部状態変数とのその他の何らかの関係。

生理機能観測モジュール１２２は、再帰フィルタとして機能し、その際、先行の測定値に基づく情報が用いられて、内部状態変数の予測と、起こり得る今後の測定値の尤度が生成され、それらが最後に取得された測定値と比較される。特に生理機能観測モジュール１２２は、予測ステップ又は予測モード２１０においてダイナミックモデル２１２を使用し、アップデートステップ又はアップデートモード２２０において観測モデル２２１を使用する。予測モード２１０中、生理機能観測モジュール１２２は、現在の時間ステップｔ_kにおけるＩＳＶ２１３の推定されたＰＤＦを作成して、それらをダイナミックモデル２１２へ供給し、ダイナミックモデル２１２は、次の時間ステップＴ_k+1に関するＩＳＶの予測２１１を生成する。これは次式を用いることにより達成される。

ただし、ISVs(t_k) = {ISV₁(t_k),ISV₂(t_k),ISV₃(t_k),...lSV_n(t_k)}およびM(t_k)は、時点ｔ_kまでのすべての測定値の集合である。確率P(ISVs(t_k+ l)|ISVs(t_k))によって、ダイナミックモデル２１２を表す遷移確率カーネルが定義され、これによれば推定されたＰＤＦが時間の経過とともにどのように進展するのかが規定される。確率P(ISVs(t_k)|M(t_k))は推論エンジン２２２によって供給され、これは先行の時間ステップにおいて測定値が取得されている場合の、ＩＳＶの事後確率である。生理機能観測モジュール１２２のアップデートモード２１０中、予測されたＩＳＶ２１１が、データ受信モジュール１２１から受け取った測定値と、観測モデル２２１を用いて比較され、その結果、ＩＳＶがアップデートされて、新たに利用可能な情報を反映させる。モジュール１２２の推論エンジン２２２は、予測されたＰＤＦを事前確率として用いることによってこのアップデートを達成し、これは測定値の統計を用いてアップデートされて、現在のＩＳＶのＰＤＦ推定値を反映する事後確率を達成する。推論エンジン２２２は、ベイズの定理である次式を用いてアップデートステップ２２０を達成する。

ただしP(m₁(t_k+1), m₂(t_k+1),... m_n(t_k+1)|ISVs(t_k+1))は、観測モデル２２１によって供給される条件付き尤度カーネルであり、これによれば現時点で予測されているＩＳＶに対し、現時点で受け取った測定値がどの程度の尤度であるかが求められる。

初期の時点例えばｔ＝０において、ＩＳＶのＰＤＦに対する現在の推定値が利用できなければ、生理機能観測モジュール１２２は初期推定値２５０を利用することができ、これはＩＳＶに対し起こり得る値について経験に基づく推測から、或いは事前に収集した患者データの統計的分析から、導出することができる。

図３には、本発明に従い生理機能観測を可能にするモデルの非限定的な例が示されている。酸素運搬量ＤＯ₂の管理は、ダイレクトに観測可能ではないけれども、患者ケアの重要な部分である。したがってＤＯ₂の精密な推定によって、改善された医療を行わせることができる。図示の例の場合、この推定はヘモグロビン濃度（Ｈｇ）、心拍数（ＨＲ）、心拡張期及び心収縮期の動脈圧、ならびにＳｐＯ₂によって達成される。ダイナミックモデル２１２が前提とするのは、確率論的外乱に対し安定化を行うフィードバックプロセスによって酸素運搬が駆動されることである。同様にヘモグロビン濃度は、１５ｍｇ／ｄＬの公称値付近で制御される。

観測モデル２２１は、動脈酸素飽和度ＳｐＯ₂と、ヘモグロビン濃度及び動脈酸素濃度ＣａＯ₂、心収縮期ＡＢＰ_sと心拡張期ＡＢＰ_dとの差の依存性、一回拍出量における動脈圧（脈圧とも称する）、心拍数ＨＲと一回拍出量ＳＶと心拍出量との関係を考慮する。これら２つのモデルは、ダイナミックベイジアンネットワーク（ＤＢＮ）としてまとめられ、生理機能観測モジュール１２２はこのＤＢＮを利用して、酸素運搬量を継続的に追跡する。ダイナミックベイジアンネットワークは、統計的依存性をグラフによって表すシステマティックな手法であり、そのグラフの頂点は変数を表し（観測可能及び観測不可能）、その辺は因果関係を表す。ＤＯ₂推定のための一例を成すＤＢＮの詳しい説明は、アメリカ合衆国仮出願番号No. 61/699,492、２０１２年９月１１日出願、発明の名称 "SYSTEMS AND METHODS FOR EVALUATING CLINICAL TRAJECTORIES AND TREATMENT STRATEGIES FOR OUTPATIENT CARE", 代理人整理番号No. 44429-00107 PROV、ならびにアメリカ合衆国仮出願番号No. 61/684,241、２０１２年８月１７日出願、発明の名称 "SYSTEM AND METHODS FOR PROVIDING RISK ASSESSMENT IN ASSISTING CLINICIANS WITH EFFICIENT AND EFFECTIVE BLOOD MANAGEMENT"、代理人整理番号No. 44429-00106 PROVに示されており、本出願はこれらに対し優先権を主張するものであり、ここで参照をもってそれらの開示が本出願に組み込まれるものとする。

図４には、ＤＯ₂を追跡する上述の生理機能観測の非限定的な例が示されているが、この図ではいっそう長いタイムインターバルにわたる追跡即ち４回のステップにわたる追跡について示されている。この観測において、主となる隠れＩＳＶは、酸素運搬量変数（ＤＯ₂）である。図４の破線の円内には、２つのタイプの測定値即ちヘモグロビン（Ｈｇ）と酸素（ＳｐＯ₂）が描かれている。ＳｐＯ₂は連続的又は周期的な測定値であって、生理機能観測モジュール１２２はこれらの測定値を、例えば患者１０１に接続され情報を継続的に報告するベッドサイドモニタ１０２及び治療機器１０４といったセンサから受け取る。ヘモグロビン（Ｈｇ）は、患者の臨床検査から抽出される断続的又は非周期的な測定の一例であり、散発的であり変則的なベースに基づき、時には潜在的に、現在のシステム時間に対し相対的に、観測側が利用できる。生理機能観測モジュール１２２は、これら両方のタイプの測定値を扱うことができる。なぜならばモジュール１２２は、隠れＩＳＶ例えばＤＯ₂の追跡とともに、たとえ測定値が存在しなくても、すべてのタイプの測定値について観測値の推定を継続的に続けるからである。図４には、ＳｐＯ₂及びＨｇのケースに関するこれらの推定が描かれている。この図からわかるように、ＳｐＯ₂測定値は各時間ステップごとに規則的に利用可能である一方、Ｈｇは２つの時間ステップにおいてのみ利用可能である。

上述のように、システムはヘモグロビンのような特定の測定値を、未知の待ち時間量で利用可能であり、つまりこれらの測定値は、現在時点つまりはデータ通信リンクを介して到来した時点に対し相対的な過去の時点で有効なものである。生理機能観測モジュール１２２はバックプロパゲーションを用いて、シーケンスから外れたこの種の測定値を扱うことができる。バックプロパゲーションによれば、ＩＳＶの現在の推定が測定値の有効な時点に戻して投影されるので、潜在的な測定値からの情報を適切に組み込むことができる。

図５には、このようなタイムラインが描かれている。図５に示されているように、ヘモグロビンは現在のシステム時点Ｔ_kで到来するが、これは時点Ｔ_k-2において有効なものであり、その時点のＩＳＶ（ＤＯ₂）に対応づけられる。バックプロパゲーションは、現在のＩＳＶの確率推定P(ISVs(t_k)|M(t_k))を、現在時点に対し相対的に潜在的な測定値m(t_k-n)によって更新する方法である。バックプロパゲーションは、既述の予測方法と同様の手法で実現される。この場合、遷移確率カーネルP(ISVs(t_k-n)|ISVs(t_k))が存在し、これにより、現在の確率が時間的に逆方向にどのように進展するのかが規定される。潜在的な測定値を除外した測定値の現在の集合があった場合、時点ｔ_k-nにおけるＩＳＶの確率を計算するために、以下のようにしてこれを利用することができる。

これらの確率が計算されると、ベイズのルールを用いることで、潜在的な測定情報が標準的なアップデータに組み込まれる。

その後、前述の予測ステップを用いて、アップデートされた確率が現在時点ｔ_kにバックプロパゲートされる。情報を組み込むために、バックプロパゲーションを利用することができる。

生理機能観測モジュール１２２の他の機能として、スムーシングが挙げられる。システム１００を利用する医療提供者は、いくらか過去の時点における患者状態に関心がある場合がある。スムーシングによって生理機能観測モジュール１２２は、過去の時点における患者のＩＳＶのいっそう正確な推定を提供することができる。この場合、その時点以来システムが受け取った新たな測定値すべてが組み込まれ、その結果、その時点における患者状態全体の元のフィルタリングされた推定値よりも良好な推定が提供され、その際にP(ISVs(t_k-n)|M(t_k))が計算される。これは、バックプロパゲーションの第１のステップを用いることで達成される。このステップによれば、時点ｔ_kまでのすべての測定値が組み込まれた、この時点における確率の推定が、定義された遷移確率カーネルを利用して、着目時点ｔ_k-nまで逆方向に展開される。図５にはこのことも描かれており、これによればユーザは時点Ｔ_k-nにおける患者状態に関心があり、この時点に遡って推定がスムーシングされる。

生理機能観測モジュール１２２は、生理機能モデル及び統計モデルに基づきシステム１００が利用可能な測定値各々の推定を保持するので、モジュール１２２は、測定値に含まれる現在の情報とは関連のない測定値のアーチファクトをフィルタリングすることができる。このことは、先行の測定値があるならば、新たに取得された測定値を、起こり得る測定値の予測された尤度と比較することによって実施される。新たな測定値がかなりの確率で起こり得ないことがモデルによって考察されたならば、それらの測定値は推定には組み込まれない。測定値とそれらの予測尤度とを比較するプロセスによって、アーチファクトが効果的にフィルタリングされ、ノイズが低減される。

図６には、平均動脈圧（ＡＢＰｍ）に係わるこの種のプロセスの一例が示されている。ＡＢＰｍは静脈カテーテルを用いて収集されるので、カテーテルが採血或いはラインフラッシュなどのような医療手順に用いられる場合には、測定された信号がアーチファクトによって劣化することが多い。図６には、生理機能観測モジュールにより処理される前の生のＡＢＰＭ測定値が、識別された測定値のアーチファクトともに示されており、さらに生理機能観測モジュール１２２により処理された後のフィルタリングされた測定値が示されている。この図からわかるように、測定値のアーチファクトが取り除かれ、正しい信号が残されている。

種々の実施形態によれば、生理機能観測モジュール１２２は、推定又は推論のために複数のアルゴリズムを利用することができる。使用される生理機能モデルに応じて、生理機能観測モジュール１２２は、的確な推論スキームを使用することができ、例えばジャンクションツリーアルゴリズム、又は粒子フィルタなどモンテカルロサンプリングを用いた近似推論スキーム、カルマンフィルタなどのようなガウス近似アルゴリズム、或いはそれらのあらゆるバリエーションを利用することができる。

既述のように、生理機能観測モジュール１２２によって使用される生理機能モデルは、ダイナミックベイジアンネットワークとして知られている確率的フレームワークを用いて、実装することができる。ダイナミックベイジアンネットワークは、システムの各ＩＳＶ間の因果関係及び確率的関係を、グラフとして捉えようというものであり、これらの因果関係及び確率的関係は、ただ１つの時間インスタンスにおけるものと、時間の経過につれて生じるものとである。この種のモデル表現はフレキシビリティがあるので、生理機能観測モジュール１２２は、異なる複数の推論アルゴリズムを利用することができる。アルゴリズムの選択は、使用される生理機能モデルの特性、適用事例により要求される推論の正確さ、ならびにシステムで利用可能な計算リソースに依存する。ここで用いられる正確さとは、正確な推論スキームが用いられるのか、近似的な推定スキームが用いられるのか、ということを指す。生理機能観測モデルの複雑さが制限されているならば、正確な推論アルゴリズムを使用するのが適している。他のケースにおいて、もっと複雑な生理機能観測モデルであると、閉形式の推論の解は存在せず、或いはそれが存在する場合、利用可能なリソースにおいて計算上、処理することができない。このケースでは、近似的な推論スキームを使用することができる。

正確な推論を使用できる最も簡単なケースは、生理機能モデルにおけるＩＳＶがすべて連続的な変数であり、かつモデル内の各ＩＳＶ間の関係が線形のガウス関係に限られている場合である。このケースでは、推論を実施するために、標準的なカルマンフィルタアルゴリズムを使用することができる。この種のアルゴリズムによれば、ＩＳＶに関する確率密度関数は多変量ガウス分布であり、平均及び共分散行列によって表される。

モデルにおけるＩＳＶすべてが離散的な変数であり、グラフの構造がチェーン又はツリーに制限されているのであれば、生理機能観測モジュール１２２は推論のために、フォワード−バックワードアルゴリズム或いは確率伝播アルゴリズムを、それぞれ用いることができる。ジャンクションツリーアルゴリズムは、基礎を成すグラフ構造にかかわらず用いることができるこれら２つのアルゴリズムの一般化であり、したがって生理機能観測モジュール１２２は、推論のためにこのアルゴリズムを用いることもできる。ジャンクションツリーアルゴリズムには付加的な計算コストが付随し、これは適用事例にとっては許容できない場合もある。離散的な変数の場合、確率分布関数が平板状に表される可能性がある。ここで述べておくと、モデルが線形のガウス関係を有する連続的な変数のみから成るケースであれば、推論のためにこのアルゴリズムを用いることもできるが、このケースではこのアルゴリズムは、カルマンフィルタと等価であるため、アルゴリズムの一例としてカルマンフィルタが用いられる。

生理機能モデルが、変数間で非線形の関係を有する連続的なＩＳＶと離散的なＩＳＶの両方から成る場合、正確な推論の解は不可能である。このケースでは生理機能モジュール１２２は、サンプリングテクニックに基づく近似推論スキームを使用することができる。この種のアルゴリズムの最も簡単なバージョンは、シーケンシャル・インポータンス・サンプリングを用いる粒子フィルタアルゴリズムである。いっそう効率的なサンプリングのために、マルコフ連鎖モンテカルロ（ＭＣＭＣ）サンプリング法を用いることもできる。複雑で非線形の生理機能関係の場合、この種の近似推論スキームによって最も高いフレキシビリティが提供される。当業者であれば自明であるように、生理機能観測モジュールによって採用されるモデル及び推論は、上述のモデリング及び推論テクニックのどのような組み合わせであってもよいし、或いは他の等価のモデリング及び推論テクニックも含めてよい。

粒子フィルタリング法を利用するならば、縮退を回避するためにリサンプリングスキームが必要とされる。生理機能観測モジュールは、適応型リサンプリングスキームを使用することができる。以下で詳しく述べるように、ＩＳＶの状態空間の領域を、様々な患者状態ならびに患者に対する種々のハザードレベルに対応づけることができる。数値が高くなるにつれて、その患者のコンディションが患者の健康にとっていっそう危険になる。患者の特定のコンディションの確率の正確な推定を確実に行えるようにするためには、領域内において十分な個数のサンプリングされた粒子が必要となる可能性がある。最も重要となる可能性があるのは、高いハザードレベルを有する領域の確率の正確な推定を維持することであり、したがって適応型のリサンプリングのアプローチによって、状態空間における高いハザード領域において十分な粒子が確実にサンプリングされるようになる。図７には、このリサンプリングの一例が示されている。状態１及び状態２は、最も高いハザードレベルを有する。左側のプロットには、標準的なリサンプリングによって生成されたサンプルが描かれている。なお、状態１及び状態２は最も可能性が高いことから、当然ながらこれらの状態においていっそう多くの粒子が存在することに留意されたい。右側のプロットには、適応型リサンプリングのインパクトが描かれている。この場合、最もリスクの高い領域において、サンプル数が著しく増加している点に注目されたい。

臨床トラジェクトリインタプリタ
次に図８を参照すると、臨床トラジェクトリインタプリタ１２３は、生理機能観測モジュール１２２からＩＳＶの同時確率密度関数を受け取り、種々の患者状態の確率を計算するために、状態確率推定８０１を実行する。ＩＳＶの確率密度関数は、閉形式で定義することができ、図２Ｂ〜Ｄに示されているように、例えば多次元ガウス曲線２６０として定義することができ、或いは粒子２７０のヒストグラム２８０によって近似することができる。両方のケースにおいてＩＳＶの確率密度関数を、P(ISV1(t), ISV2(t) ,.., ISVn(t))として表すことができ、ここでｔはこれらに関連する時間である。内部状態変数が与えられているならば、患者状態を条件付き確率密度関数によって定義することができる：
P(S| ISV1, SV2 ,..., ISVn) ただしS ∈ S₁, S₂ ,..., S_n はすべての可能な患者状態Ｓ_iを表す。ついで、ある特定の状態Ｓ_iにおける患者の確率の決定を、次式によって行うことができる。

P(ISV1(t), ISV2(t) ,.., ISVn(t))が、多次元ガウス曲線２６０のような閉形式の関数によって定義されているケースであれば、そのまま積分を実行することができる。P(ISV1(t), ISV2(t) ,.., ISVn(t))が、粒子２７０のヒストグラム２８０によって近似され、ISV₁, ISV₂, ... , lSV_nにわたる空間が、図９に示されているような領域に分割されることによって、P(S| ISV₁, ISV₂ ,..., ISV_n)が定義されるケースでは、各領域ごとに粒子２７０の割合を計算することによって、確率P(S_i(t))を計算することができる。

患者状態確率が推定されると、臨床トラジェクトリインタプリタモジュール１２３は、各患者状態ごとに異なるハザードレベル８０２を割り当てることができ、或いは各状態をそれぞれ異なる病因８０３に編入することができる。臨床トラジェクトリインタプリタモジュール１２３は、生理機能観測モジュール１２２と共働して、測定値有効性決定８０４を実行することができ、これによって例えば観血的血圧又は観血的酸素濃度監視など、それぞれ異なる観血的測定値の有効性を決定する。１つの実施形態によれば、臨床トラジェクトリインタプリタモジュール１２３は、患者がおかれている厳密な状態ではなく、患者がある特定の状態にある確率を求める。

図９には、臨床トラジェクトリインタプリタモジュール１２３により採用することのできる患者状態の定義の非限定的な例について描かれている。特にここで前提とするのは、内部状態変数ISV₁, ISV₂ ,..., ISV_nにわたる領域の分割によって、関数P(S| ISV₁, ISV₂ ,..., ISV_n)を定義できる、ということである。特別な例によれば、患者の生理機能は以下の２つの変数によって定義されるものとする：肺血管抵抗（ＰＶＲ）及び心拍出量。これら２つのＩＳＶによって捉えることのできる特定のリスク及び個々の病因は、増加した肺血管抵抗が循環系に及ぼす作用に基づくものである。特に、高いＰＶＲによって、右心不全ひいては心拍出量の低減が引き起こされる可能性がある。したがって２つの変数に閾値を割り当てることによって、ＰＶＲ正常とＰＶＲ高の属性を定義するためにＰＶＲを用いることができ、ＣＯ正常とＣＯ低の属性を定義するためにＣＯを用いることができる。これらの属性を組み合わせることによって、４つの別個の状態を定義することができる：状態１：ＣＯ低、ＰＶＲ正常；状態２：ＣＯ低、ＰＶＲ高；状態３：ＣＯ正常、ＰＶＲ高；状態４：ＣＯ正常、ＰＶＲ正常。

図１０には、ある特定の時点で起こり得る４つの患者状態各々に患者が分類される可能性の確率を割り当てるために、臨床トラジェクトリインタプリタモジュール１２３が患者状態の定義をどのようにして採用できるのかについて、非限定的な例が示されている。この実施例では、臨床トラジェクトリインタプリタモジュール１２３は、Ｐ（心拍出量（Tk）、肺血管抵抗（Tk））の同時確率密度関数を受け取り、特定の状態各々に対する領域にわたってこれを積分し、P(S1 (Tk)), P(S2(Tk)), P(S3(Tk)), P(S4(Tk))を生成する。このようにして、臨床トラジェクトリインタプリタモジュール１２３は、生理機能観測モジュール１２２により情報が与えられると、特定の患者状態が進行する確率を割り当てる。なお、生理機能観測モジュール１２２の出力が閉形式の関数２６０ではなく、粒子２７０のヒストグラム２８０であるならば、臨床インタプリタは積分を実行せず、各領域内の粒子２７０の個々の割合の計算だけを行う。

図１１には、種々の患者状態に対する確率を推定するための択一的なアプローチが描かれている。この択一的なアプローチによれば、確率P(S1), P(S2), P(S3) and P(S4)を計算するために、臨床トラジェクトリインタプリタモジュール１２３は、２つの連続する時間窓Ｔ_k及びＴ_k+1に関するＩＳＶの同時確率関数を用い、時間窓の移動平均を計算する。なお、この実施例では、時間窓のサイズは２つの時間インスタンスに関して２倍であり、つまり窓を任意の適切なサイズにすることができる。このようにして時間窓の移動平均を行った結果として、臨床インタプリタモジュール１２３は、ＩＳＶにおけるトラジェクトリのダイナミック分析を実行する。つまりこれによれば、ＩＳＶにより記述された生理機能トラジェクトリが、特定の時間フレームにおける特定の領域内に存在する確率の計量が行われる。換言すれば、このような確率計算によって、選択された時間インスタンスにおいてではなく、それは正反対に、選択された時間フレーム内で、ある特定の患者状態が進行する確率の推定が行われる。

臨床トラジェクトリインタプリタモジュール１２３は、特定の状態各々にハザードレベルも割り当てる。図１２には、臨床トラジェクトリインタプリタモジュール１２３によりハザードレベルが割り当てられた患者状態の定義に関する非限定的な例について描かれている。ハザードレベルは、臨床医の検査、参考文献、或いは他の臨床ソースから情報を得ることができる。特別な実施例の場合、臨床トラジェクトリインタプリタモジュール１２３によって、４つの異なるハザードレベルが分類される：１−最小のリスク、２―軽度のリスク、３―中程度のリスク、４−重度のリスク。ある患者状態の確率とそのハザードレベルとの組み合わせを、これ以降、「患者リスク」と称することにする。

図１３には、患者状態及びそれらの個々の確率を、病因と称する３つのグラフにどのようにして編入できるのかが示されている。詳細には、心拍出量ＩＳＶに割り当てられた属性「正常」及び「低」が、グラフのベースノードである。これらの頂点各々は、肺血管抵抗の属性に割り当てられた２つの子要素を有している。この組織構造によれば、患者状態はツリーにおけるリーフ（及び頂点）となる。この特別なツリーを、病因ツリーと呼ぶことにする。ビジュアライゼーション及びユーザインタラクションモジュール１２４が、この病因ツリーを用いることができ、以下で説明するように、これによって種々の患者リスクの階層化されたビューが生成される。

図１４には、病因ツリーが、患者状態と生理機能変数とから成る所定の集合に対し、ただ１つでなくてもよいことが示されている。特に図１４には、図１３の実施例の代案となる病因ツリーが示されている。この択一的な病因ツリーのルートは、心拍出量ではなく肺血管抵抗に割り当てられた属性からスタートする。この場合に好ましいのは、様々なファクタならびに使用状況に応じて、ツリー生成のためにそれぞれ異なるルールを用いてもよい、ということである。例えば、種々の臨床状況或いはユーザの好みに応じた別の実現手法に備えて、ある１つの病因ツリーが選ばれる可能性がある。しかも、リスクが変化したとき、ならびに臨床状況が進展したときに、ツリーをダイナミックに変化させることができる。

種々の測定の有効性
入院治療中、患者を害する又は患者の回復を遅らせる可能性のある測定が存在する。この種の危険な測定の例は、観血的血圧及び血中酸素飽和度など、カテーテルに由来するすべての測定であり、これらは感染リスクを著しく増大させることが判明した。したがって、治療プロセス中、害を及ぼす可能性のある測定各々の有効性の評価を、臨床医に提供するのが有益となる可能性がある。図１５には、種々の測定の有効性を計算するための方法が示されている。

図１５を参照すると、リスクベースシステム１００及び臨床トラジェクトリインタプリタモジュール１２３は、ある特定の測定の有効性を図示の手順に従って計算することができる。詳しくは、ステップ９００１において、測定ｍ_iを選択することができる。測定値ｍ_i及び現在時点（ｔ_current）が与えられると、ステップ９００２において臨床トラジェクトリインタプリタモジュール１２３は、生理機能観測モジュール１２２に対し命令を発行し、生理機能観測モジュールの出力（内部状態変数の確率密度関数）を、現在時点から遡って任意の所定の時点（ｔ_current-T）から現在時点ｔ_currentまで、アルゴリズム出力から測定値ｍ_iを除いて、シミュレートすることができる。生理機能観測モジュールのシミュレートされた出力が発生し、患者状態の確率のセット即ちP_sim(S₁(t_current)), P_sim(S2(t_current)) ,..., P_sim(S_n(t_current))が到来すると、次に臨床トラジェクトリインタプリタモジュール１２３は、ステップ９００３において、状態確率の推定をシミュレートすることができる。その後、ステップ９００４において、利用可能なすべての測定値から求められた状態確率即ちP(S₁(t_current)), P(S₂(t_current)) ,... , P(S_n(t_current))を使用して、臨床トラジェクトリインタプリタモジュール１２３は、次式により測定値ｍ_iの有効性を計算することができる。

これは、利用可能なすべての測定値が存在するときの患者状態分布と、測定値ｍ_iがタイムインターバルＴにわたり除かれたときの患者状態分布との間の、カルバック・ライブラー・ダイバージェンスでもある。

別の選択肢としてステップ９００５において、臨床トラジェクトリインタプリタモジュール１２３は、患者状態Ｓ_iに割り当てられたハザードレベルｒ_iを用いることによって、次式に従いｍ_iに対する有効性を計算することができる。

同じようにして、臨床トラジェクトリインタプリタモジュール１２３は、ある１つの特定の測定についてだけでなく、測定のどのようなグループについても、有効性の計算を計算することができる。有効性の計算には、ある特定の測定に対応づけられた潜在的な有害性を捕捉する成分を含めることもできる。例えば、上述の観血的なカテーテル測定は、それに対し割り当てられた有害性のレベルが高くなる。このようにして計算によって、測定に割り当てられた有害性が、測定を供給する情報の価値と引き替えの対象とされる。このように変更された有効性の計算の一例は、次式の通りである。

ただしＨ（ｍ_i）は、利用可能な測定各々の害を表す関数を規定するものである。

リスクベースモニタリングシステム１００は、患者ベースのモニタリングシステムと同じ計算媒体に実装された、或いは外部機器の一部分として実装された、サードパーティのアルゴリズムから生成される外部の計算を組み込むこともできる。図１６には、サードパーティのアルゴリズムから生成された外部の計算を組み込む１つの実現可能な手法が示されている。詳しくは、外部の計算９１１０からの出力が、臨床トラジェクトリインタプリタモジュール１２３に供給され、このモジュールは組み込み命令９１２０を実行する。その結果、状態確率推定８０１は、新たな状態P(newS₁), P(newS₂), P(newS₃) ,..., P(newS_n+m)を生成し、それによってｎ個の状態である本来の個数から増加された個数の状態ｎ＋ｍを生じさせることができる。同様に、組み込み命令９１２０を、ハザードレベル割り当て８０２及び病因編成８０３へ供給することができる。

図１７には、組み込み命令の一例が示されている。この実施例では、特定のバイナリ属性A = a₁又は A = a₂に関する情報と、供給された情報が組み込み命令において条件付き確率P(EC|A)によってどのように捕捉されるかの詳細とが、外部計算ＥＣによって供給されるものとする。また、４つの本来の状態Ｓ₁，Ｓ₂，Ｓ₃，Ｓ₄が存在する場合も、組み込み命令によって、状態Ｓ₃及びＳ₄を２つの付加的な属性A = a₁及びA = a₂によってどのようにアップデートし、４つの新たな状態newS₃, newS₄, newS₅及びnewS₆にどのようにして変えることができるのか、を指定することができる。このアップデートを実行するため、組み込み命令は以前の確率P(A|S₃)及びP(A|S₄)を用いることもできる。これら以前の確率は、状態Ｓ₃又はＳ₄を有する患者のうちどの程度の割合が同時にA=a₁又はA=a₂も揺するのかを分析することにより、遡及的調査に基づき導出することができる。

以前の確率を導出する他の手法は、臨床医の見解を募ることである。

組み込み命令を使用することによって、新たな状態の状態確率推定８０１を、次式から出することができる。

ただしｉは｛３，４｝にあり、ｊは｛１，２｝にあり、Ｐ（Ｓ_j）は、生理機能観測モジュール１２２の出力から導出された本来の患者状態確率である。

図１８には、外部計算組み込み命令の付加的な例が示されている。ここでもリスクベースのモニタリングシステム１００は、外部計算９１１０が患者ベースのモニタリングシステムと同じ計算媒体で生成されるのか、或いは外部機器の一部として生成されるのか、の双方のケースにおいて、図１８に示されているようにして組み込みを実行する。この場合に前提とするのは、外部計算９１１０によって、生理機能観測モジュール１２２（又は強化された生理機能観測モジュール９３００）により推定された、ある特定の内部状態変数に関するダイレクトな情報が供給される、ということである。したがって、外部計算を組み込むために、生理機能観測モジュール１２２は、外部計算９１１０を付加的な測定値として扱うことができ、それをダイレクトに観測モデル２２１に組み込むことができる。

ビジュアライゼーション及びユーザインタラクション[DB2]
図１９には、ビジュアライゼーション及びユーザインタラクションモジュール１２４の機能の一例が示されている。詳細には、モジュール１２４は、利用可能なすべての患者情報とデータを受け取ることができ、これにはデータ受信モジュール１２１からのデータ、生理機能観測モジュール１２２により生成される同時確率密度関数、臨床トラジェクトリインタプリタモジュール１２３により推定された病因ツリー、リスクならびに観血的測定の有効性が含まれる。この情報を利用することで、ビジュアライゼーション及びユーザインタラクションモジュール１２４は、以下を生成することができる：
１）患者のリスク、診断等を記述した患者のユニットビュー１５０１；
２）検査結果、処方された薬剤、診断等を含む患者の電子カルテのビュー１５０２；
３）患者の進行中のリスクを示すビュー１５０３；
４）患者のリスクのトラジェクトリ、即ちある特定の時間フレーム内で特定の患者状態の確率がどのように進展したのかを示すビュー１５０４；
５）特定の患者リスク推定における患者の測定の有効性を示すビュー１５０５；
６）ＩＳＶに対するＰＤＦの時間的展開を表す、患者の推定されたＩＳＶに対するＰＤＦのプロット１５０６；
７）患者の病因ツリー内をナビゲート可能にする、即ちツリーの種々のレベルをビジュアライズ可能にするビュー１５０７；
８）患者の予測リスクを示すビュー１５０８；
９）臨床医が患者リスクに基づくアラームを閲覧及びセットできるようにするビュー１５０９；
１０）患者の生理機能モニタリングデータ及びその時間的展開を示すビュー１５１０；
１１）上述のいずれかの組み合わせ。
これらに加え、ビジュアライゼーション及びユーザインタラクションモジュール１２４は、患者タグビュー１５１１、患者コンディションサマリー１５１２、参考及びトレーニング資料１５１３、注記及びタグセッティング１５１４を生成することもできる。

図２０には、ある特定の病院単位で各患者ごとのリスクプロフィルを、単一の画面で伝達可能なサマリービュー２０００の一例が示されている。リスクプロフィルによって、特定のハザードレベルにある患者の累積確率が何であるのかが表される。これは、特定のハザードレベルにあるすべての状態の現在の確率を合計することによって計算される。例えば、合計された確率、ハザードレベルが４つのバーの高さで表され、バー各々はある特定のハザードレベルに対応する。この特有の実施例の場合にはハザードレベルを、グリーン（斜めのハッチング）−最小のリスク、イエロー（垂直のハッチング）−軽度のリスク、オレンジ（水平方向のハッチング）−中程度のリスク、レッド（ドットによるハッチング）−重度のリスク、とすることができる。

図２１には、患者の進行中のリスクを表すビュー２１００に関する１つの実現可能な手法が示されている。角の丸いボックス各々は、１つの特定のリスクに対応する。色の対応は、グリーン（斜めのハッチング）のハザードレベル−最小リスク、イエロー（垂直のハッチング）−軽度のリスク、オレンジ（垂直方向のハッチング）−中程度のリスク、レッド（ドットによるハッチング）−重度のリスク、であり、ボックスの高さは、特定の患者状態の確率に対応する。リスクは、それらのハザードレベルに基づき列でまとめられている。この画面ならびに個々のリスクは、新たなデータが利用可能になると、リアルタイムにアップデートされる。

さらに図２１を参照すると、進行中の患者リスクのビジュアライゼーションに加えて、システム１００は、これらのリスク判定における種々の観血的測定の有効性に関する情報も、提供することができる。特に、図示された例によれば、観血的動脈圧（ＡＢＰ）及び観血的中心静脈圧（ＣＶＰ）の測定の有効性が提供される。有効性はバー２１１０及び２１２０の塗りつぶしによって表すことができ、最大の有効性を６本の塗りつぶされたバーに対応させることができる。塗りつぶしが行われる６本のバーを、カラーグラデーションを付けて表示させることができ、１−ダークグリーン、２−ライトグリーン、３−イエロー、４―レッド、５−パープル、６−ホワイト又は塗りつぶしなし、とすることができる。この特有の実施形態の場合、ＡＢＰに関して塗りつぶしが行われるバー２１１０は、６色すべてを有しているのに対し、ＣＶＰに関して塗りつぶしが行われるバー２１２０のうち２本のバーはそれぞれ、１−ダークグリーン、２―ライトグリーンであり、残りの塗りつぶしバー２１１０は、６−ホワイト又は塗りつぶしなし、となっている。

図２２にはビュー２２００が描かれており、患者ビューの最上部にあるスライダ２２１０又は他のグラフィック要素を、どのようにして患者リスクの履歴閲覧に利用できるのか、が示されている。特にこの実施例によれば、現在の時点より約４時間前の患者リスクを示すために、スライダ２２１０が動かされている。これによって臨床医は、患者リスクの連続的な展開を閲覧することができ、それらの患者リスクを適用された治療或いは他の外因と比較することができる。種々の実施形態において、所望の時間帯を指定するためユーザインタフェースにおいてスライダ２２１０を、ポインティングディバイス又はコマンドを用いて移動させることができ、或いはタッチパネルディスプレイといっしょに利用するならば、スライダ或いは他のグラフィック要素をタッチしドラッグすることによって、移動させることができる。

ここで図２１と図２２の両方を参照すると、ここで病因ツリーが用いられて、図２１による２つの状態即ち状態Ａ２１３０：低い心拍出量を伴う低酸素症と、状態Ｂ２１４０：低いＱｐ：Ｑｓを伴う低酸素症とが組み合わせられて、それらが単一の患者状態（低酸素症）２２２０により表される。この特有の実施例によれば、図２１よりも小さい図２２のボックスにテキストをフィットさせるために、このことが利用される。図２３に描かれているように、ユーザは、合成された患者状態２２２０をクリックして、構成要素である状態２１３０及び２１４０を表示させることによって、ビュー２３００における病因ツリーのナビゲートを行うことができる。

図２４には、現在の時点よりも先に進むようにスライダ２４１０を移動させることによって、患者に対し予測されるリスクを、同じフレームワーク内でユーザがどのようにして閲覧可能であるのかが、ビュー２４００に描かれている［DB3］。

図２５には、ビュー２５００内にインタラクティブダイアログボックス２５１０が描かれており、これを介してユーザは、ある特定のリスクに対するアラームをセットする条件を定義することができる。このためにユーザは、特定のリスクを選択し、そのリスクに割り当てられた患者状態確率に対する上方の閾値と下方の閾値を設定する。患者状態確率が、上方の閾値と閾値との間にあるかぎり、アラームは励起されない。患者状態が閾値を超えると、アラームが励起される。アラームが励起されると、システム１００は選択された一連の人々に通知し、或いは他の臨床システムへ通知を送信する。モジュール１２２〜１２４のいずれも、それらの個々の閾値データ範囲をそのつど記憶することができ、特定のパラメータに応じてトリガを発生させることができる。

図２６には、患者リスクトラジェクトリ即ち特定のリスクに対応づけられた患者状態確率の進展をビジュアライズするさらに別の可能性について、ビュー２６００に示されている。この場合、ユーザは、患者状態確率のいずれの時系列を表示させたいのかを選択することができ、システムはそれらの確率を時間軸上にプロットする。

図２７には、システム１００がビュー２７００において、種々の内部状態変数の確率密度関数をどのようにしてダイレクトに表すことができるのかが示されている。特にこの実施例では、酸素運搬量の推定されたＰＤＦが、時間の関数としてグラフ２７１０にプロットされており、この場合、色が濃くなるにつれて尤度が大きくなる。同様に、混合静脈血酸素飽和度（ＳｖＯ₂）の推定されたＰＤＦが、実際の測定値（濃い円）と比較されながら、グラフ２７２０にプロットされている。

ユーザ間の情報共有
図２８には、ビュー２８００内に、タグ付けを行う定義インタフェース２８１０の一例が示されている。このインタフェースによって臨床医は、臨床経過中の注目ポイント又は重要なポイントを表す特定の時間インスタンス又は特定の期間２８２０をマークすることができ、即ちタグ付けすることができる。ダイアログボックス２８３０を介して、タグを共有することができ、又は指定した受取人に送信することができ、或いはタグをメモ又はユーザインタフェースの他のいずれかの部分に含めることができる。ユーザはダイアログボックス２８４０を介して、固有のコメント又は観測をタグに付けることができ、さらにメニューリスト２８５０に基づきタグをカテゴリに分類することができ、例えばタグによって、薬剤調量の変化、介入、機器のモニタリング又は測定に関するメモ等を表すことができる。タグ及びそれらの個々の時系列のマーキングを色でコード化し、それらのカテゴリなど種々の属性を表すことができる。例えば、時系列上のグリーンのタグマークは、薬剤の変化を表すことができ、レッドのタグマークは介入を表すことができ、イエローのタグマークは、懸念の高まった周期を表すことができる。タグがセットされたときに、時間インスタンス又は期間、タグのカテゴリ、タグの注釈、ならびにシステムがタグをどのように扱うべきか、を定義するよう、ユーザに促すことができる。さらに、コンディションの病因を注釈形式に変換する自然言語処理を利用することによって、注釈を示唆することもできる。

図２９には、ビュー２９００内にニュースフィードビュー２９１０が描かれており、このビューには、外部ソースから取得したタグ、メモ、又は情報が含まれており、例えば電子カルテ（ＥＭＲ）から取得された採血時間などが含まれている。ニュースフィード２９１０によって臨床医は、他の臨床医によって記入されたイベント、注目期間、介入、メモ、タグ等を閲覧することができ、それらを記入することができる。その際に臨床医は、すべてのニュースフィードを閲覧してもよいし、或いはそれらをタグカテゴリ、ハザードレベル等に基づきソートしてもよい。さらに臨床医は、キーワード、介在形式、滞在時間、情報源等などによって、タグをサーチすることができる。ニュースフィード２０１０におけるエントリ２９２０〜２９２６によって、カテゴリ、タグのソース及び患者の概観のいずれかであっても、言葉で、或いはリスクプロフィルのような画像で、表示することができる。

図３０には、ビュー３０００内にコンディションサマリービュー３０１０が描かれており、このビューによって臨床医は、ある特定の患者状態の選択又はクリックによって、コンディションサマリーを要求することができる。この場合、コンディションサマリービュー３０１０は、患者状態の記述を臨床医に呈示することができ、そこにはこの状態のウィンドウ３０２０内の定義と、この患者状態の確率に関する結論にシステムがどのようにして到達したのかの情報の双方が含まれている。図示されているようにこのビュー３０１０によって、患者状態の尤度及びハザードレベル、ＩＳＶ閾値による患者状態の定義、状態を定義する各属性ごとの尤度を提供することができ、さらに、患者状態に寄与した証拠に関する自然言語による記述及び証拠ウィンドウ３０３０を提供することができ、これはＩＳＶのＰＤＦを定量的なテキストによる記述に変換することによって、或いはその証拠に関連する数値情報をそのまま見せることによって行われる。一例として図３０には、低心拍出量に起因する患者状態「ショック」に関するコンディションサマリービュー３０１０が描かれている。この場合、コンディションサマリービュー３０１０によって、「低心拍出量に起因するショック」状態の可能性と、カラー又はドットによるハッチングで示されたハザードレベルとが示されている。さらにショックの定義（混合静脈血酸素飽和度≦４５％）、及び低心拍出量（心拍出量＜３．２Ｌ／分／ｍ²）が、これら各々が満たされる確率（例えばショックについては４０％、ＣＯ低については３０％）とともに示されている。証拠ウィンドウ３０３０によって、「低心拍出量に起因するショック」の評価につながる情報が伝えられる。この実施例によればシステムによって、病因の確率に関する情報がテキスト形式に変換されており、特にこの場合、推定された確率が主として、１回拍出量の低減を表す公称値以下の脈圧（心収縮期血圧−心拡張期血圧）が存在することによって決められている。

図３１には、ビュー３１００内に、インターネットを通じてアクセス可能な、又はシステム１００内に格納可能な、或いはリモートでアクセス可能な参考資料を取り込み、表示するユーザインタフェースの能力が示されている。コンディションサマリービュー３０１０における「詳細」ボタン３１１０を選択することによって、詳細ビュー３１２０を表示させることができ、このビューには、コンディションサマリービュー３０１０に対応づけられた参考情報が示されている。参考情報として、原因、介入、一般的な合併症、解剖的構造、関連文献等を挙げることができる。さらにこの特徴を、臨床医を特定の患者集団の管理或いは治療戦略に習熟させるためのトレーニングツールとして用いることができる。

ＨＬＨＳステージ１の例
次に、本発明によるシステム１００ならびに技術を、ある特定の患者集団の臨床経過のモデリングにどのように適用できるのか、について説明する。この場合、集中治療、即ち左心低形成症候群患者のステージ１の一時的緩和後の術後回復、が行われるものとする。

左心低形成症候群は先天性心疾患であり、この疾患は発育不十分な左室及び左房によって現れる。その結果、このような症状に病んでいる患者は、別個の体循環及び肺循環の血流を有しておらず、その代わりに右室が全身と肺の両方へ血液をポンピングする役割を担っている。したがって集中治療中の血行動態の最適化のために、肺を流れる血流（肺血流Ｑ_p）及び全身を流れる血流（体血流Ｑ_s）の割合を管理する必要がある。最適な血行動態状態が得られるのは、Ｑ_p／Ｑ_sで表される肺血流と体血流との比が１のときに、組織への適切な酸素運搬量ＤＯ₂が達成される場合である。このような最適な状態に至るまでには、患者の生理機能は他のあまり有益でない状態を経ることが多く、それらの状態の適正な識別、ならびにそれらの状態各々に対する適切な治療戦略の適用によって、術後ケアの品質が決まる。

表１には、ステージ１の一時的緩和後にＨＬＨＳ生理機能のモデルにおいて用いられる状態変数、変数の説明、単位、変数の型が列挙されている。当業者に自明であるように、これらの変数には、ＨＬＨＳ生理機能における循環、血行動態ならびに酸素交換成分が含まれているけれども、本発明の前提を変更することなく、呼吸や代謝など付加的な生理機能成分によって、モデルを変更または拡張することができる。

図３２には、ＨＬＨＳステージ１の一時的緩和状態にある患者の生理機能モデルを捕捉するために採用可能な、汎用のダイナミックベイジアンネットワーク（Dynamic Bayesian Network DBN）が示されている。図３２に概略的に描かれているグラフィックモデルによって、モデルの各変数間の因果及び確率の関係が捕捉される。このＤＢＮによれば、状態変数は３つのグループにそれぞれ編入され、即ちダイナミック変数３２１０と、導出変数３２２０と、観測変数３２３０とに編入される。ダイナミック変数３２１０は、以下で説明するダイナミック確率モデルに基づき、時間の経過につれて変化する値をもつ変数である。導出変数３２３０は、何らかの関数関係を伴ってダイナミック変数に依存する量である。これらの変数は、要求があると、最新のダイナミック変数から計算されるか又は導出され、従って自ずとダイナミックなものとなる。観測変数３２３０は、システム及び患者と接続されたセンサのうちの１つによってダイレクトに測定された変数である。観測変数３２３０は、ノイズを受けながら観測された実際のダイナミック状態変数又は導出状態変数の実体を表す。

図３３には、ＨＬＨＳステージ１における生理機能のダイナミクスをモデリングするために利用できる複数の式が列挙されている。このモデルは、４つの主要な確率モデルタイプから成る。第１のモデルタイプは、確率的フィードバックコントロールモデルである（式１，２，７）。これらの変数は、体を維持する基準値を有しているが、何らかのランダムなプロセスにより妨害されて、この基準値から外れる。体がこの変数を維持しようとする強さは、フィードバック定数により決定される。第２のモデルタイプは、ドリフト拡散プロセスである（式３，４）。これらの変数は、ランダムなホワイトノイズ及びドリフトレートプロセスによって、時間の経過とともに動かされる。第３のモデルタイプは、単純なランダムウォークプロセスである（式５，６，８）。最後のダイナミックモデルタイプはメモリレスプロセスモデルであり、この場合には変数は、先行期間における変数とは関係性をもたいないが、変数の妥当な支持点にわたって拡がる何らかの規定の分散に従い、即ちパラメータＡ及びＢとともに正の実数直線全体にわたるガンマ分布に従い、各時間インスタンスごとに変化する値を有する、単にランダムな変数である（式９，１０，１１）。式９，１０，１１を除いては、ダイナミックモデル各々の動作ノイズは、独立したホワイトガウスノイズである。

図３４には、モデリングにおけるダイナミック変数と導出変数との関係を抽出するために使用可能な式が示されている。これらの関数関係のいくつかは、一般的な人間の生理機能について実際にあてはまるものであるが、多くはＨＬＨＳ母集団に特有の並列循環の生理機能の結果である。式１２〜１５は、じかに測定された変数についての関係を表している。式１６〜１８は、ＨＬＨＳ患者の外科手術後のケアの管理に際して最も重要な変数の関数関係を表し、特に心拍出量（ＣＯ）と肺体血流比（Ｑｐ：Ｑｓ）の関数関係を表す。これらの変数は、複雑な手順なしでそのまま測定するのは不可能である。

これらの関数関係及びダイナミック状態の定義を前提として、図３５には、導出変数を利用可能なセンサデータと相関させるために使用できる観測モデルの１つの可能性が描かれている。各観測モデルは、条件付きガウス関係である。このモデルにおいてセンサから受け取った測定値は、何らかの分散を伴う付加的な独立したガウスホワイトノイズによって損なわれた隠れ状態変数のダイレクトな観測を表す。図面には、隠れ状態変数として観測された量が、変数名の上に波線を付して記述されている。この実施形態によれば、それぞれ異なるセンサを、同一の隠れ状態変数にマッピングすることができ、ただしそれらは場合によっては異なるノイズレベルを有する可能性がある。例えば、パルスオキシメータ測定によって供給されるＳｐＯ₂は、潜在的である隠れ生理機能状態、ＳａＯ₂を表し、ないしは動脈血酸素飽和度を非観血的に表す。動脈血流中にじかに挿入される静脈カテーテルも、この量を測定するが、これは観血的な手法である。カテーテル測定は、パルスオキシメータよりも正確な測定となるはずである。このモデルでは、これはいっそう小さい測定分散Ｒによって扱われる。

ＨＬＨＳ生理機能観測において、ＤＢＮを介した推論が粒子フィルタを用いて行われる。既に述べたように粒子フィルタは、内部状態変数のモンテカルロサンプリングを利用する近似的な推論スキームの一例であり、これにより各状態変数の確率密度関数が、粒子数に基づく経験分布を用いて近似される。このフィルタは、シーケンシャル・インポータンス・サンプリング（Sequential Importance Sampling SIS）として知られているプロセスを利用して、最新の近似確率分布からの粒子を連続的にリサンプリングする。このフィルタにおいて、各粒子にウェイトが割り当てられる。新たな観測値もしくは測定値が到来すると、各粒子のウェイトは、観測にあたり個々の粒子の尤度に基づき更新される。ついで粒子は、それらの相対的な更新されたウェイトに基づきリサンプリングされ、この場合、最も高いウェイトをもつ粒子は、それよりも低いウェイトをもつ粒子よりもリサンプリングされる可能性が高い。

図３６には、ＨＬＨＳステージ１の母集団において、臨床トラジェクトリインタプリタモジュール１２３によって利用することのできる属性、患者状態ならびに病因のツリーの可能性が描かれている。体血流と肺血流の和として定義される総心拍出量の変数は、総心拍出量の「低」と「正常」を定義するために用いられ、Ｑｐ：Ｑｓ比は、Ｑｐ：Ｑｓ比の「低」、「平衡」、「高」を導出するために用いられ、ヘモグロビン濃度Ｈｇｂの値は、ヘモグロビンの「低」と「正常」を導出するために用いられ、静脈血混合酸素飽和度ＳｖＯ₂の値は、血行動態の「ショックあり」と「ショックなし」の属性を導出するために用いられる。これにより、以下で定義する８つの可能な状態が生じる：
１）属性「ショックあり」と総心拍出量「低」の双方が存在するとき、総心拍出量「低」に起因するショック；
２）属性「ショックあり」、総心拍出量「正常」、ヘモグロビン「低」を伴う状態のとき、ヘモグロビン「低」に起因するショック；
３）属性「ショックあり」、総心拍出量「正常」、ヘモグロビン「正常」、循環「平衡」のとき、未知の原因によるショック；
４）属性「ショックあり」、総拍出量「正常」、ヘモグロビン「正常」、Ｑｐ：Ｑｓ「低」のとき、Ｑｐ：Ｑｓ「低」に起因するショック；
５）属性「ショックあり」、総拍出量「正常」、ヘモグロビン「正常」、Ｑｐ：Ｑｓ「高」のとき、Ｑｐ：Ｑｓ「高」に起因するショック；
６）属性「ショックなし」、循環「正常」の状態のとき、循環「正常」；
７）属性「ショックなし」、Ｑｐ：Ｑｓ「低」により規定された状態のとき、Ｑｐ：Ｑｓ「低」；
８）属性「ショックなし」、Ｑｐ：Ｑｓ「高」により規定された状態のとき、Ｑｐ：Ｑｓ「高」。
図３５には、属性と患者状態との関係を表す病因ツリーの実現可能な手法も示されている。内部状態変数の粒子近似を利用して、各状態内における粒子の相対的な割合を計算することによって、８つの状態の確率を計算することができる。

適用事例 想定治療の帰結の評価と関連させたリスクベースモニタリングシステム
リスクベースモニタリングシステムの他の適用事例は、特定の治療を適用するか否か、一例として輸血を適用するか否か、の判定にあたり、臨床医を支援することである。血液ならびに血液製剤の輸注は、一般に病院内の処置である。それにもかかわらず輸血の指標及び方針は、各病院間で十分に確立されていないし、首尾一貫して適用されていない。多くの研究の結果、様々な病院、開業医、ならびに処置において、輸血の実践に多様性のあることが判明した。このような多様性は、単一の処置（例えば冠動脈バイパス移植術）に適用するときにでさえ存在する。

さらに輸血は、罹患率及び死亡率に関する独立したリスク要因である、と認識されることが多くなってきた。輸血に関連する特定の事象及び転帰には、敗血症、器官虚血、呼吸支援時間の増加、入院期間の増加、ならびに短期及び長期の罹患が含まれる。この関係は輸血量に比例し、徴候として示唆されるのは、高いヘマトクリット値が有害となる可能性があることである。当然のことながら研究者が慣例的に推奨するのは、情報に基づきリスクと便益とのトレードオフを達成する輸血方針である。

確固とした効果的な輸血方針を設定するのは、難しい課題であることが判明した。医療関係者の間で合意がとれているのは、ヘモグロビン閾値に基づく指針などのような単純な方針は適切な指標とはならない、ということである。これは、血行動態生理機能の代償特性によるものであり、患者は低いヘモグロビンを許容する可変の受容力を有している。ゆえに、効果的な輸血の判断を下すためには、代償予備力、血管内容積、血行動態安定性、処置タイプ、ならびに他の患者データなどのファクタを統合する必要がある。したがって、血液管理方針のために欠くことのできない要求があり、これは関連する一連の臨床上の変数全体を利用するものであり、これによって輸血のリスク便益比が決定される。これは、まさにリスクベースモニタリングシステムを適用することによって実現される。

図３７には、特定の治療を適用すべきか否かの判断にあたり、臨床医を支援するためにリスクベースモニタリングシステムを採用することのできる環境の１つの可能性が示されている。本発明によれば、患者１０１が複数の測定装置３９１０によって、断続的及び連続的にモニタリングされる。連続的な測定として挙げられるのは、混合静脈血酸素飽和度（ＳｖＯ２）３９１１、心収縮期血圧、心拡張期血圧及び平均血圧（ＡＢＰ ｓ｜ｄ｜ｍ）３９１３、心拍数３９１６であり、これらはベッドサイドモニタによりモニタリングされる。断続的な測定として挙げられるのは、血液ｐＨ ３９１５、ヘモグロビン濃度（Ｈｇｂ）３９１２、ならびに血中乳酸濃度３９１４であり、これらは周期的な血液検査によりモニタリングされる。これらの測定３９１０は、治療評価により拡張されたリスクベースモニタリングシステム３９４０へ供給される。このシステムは、既述の生理機能観測モジュール１２２及び臨床トラジェクトリインタプリタモジュール１２３に加えて、他の複数のモジュールによって構成されている。想定治療合併症判定モジュール３９４２は、臨床トラジェクトリインタプリタモジュール１２３からの情報を、患者人口統計３９３１及び処置タイプ３９３２に関する情報とともに受け取る。モジュール３９４２はこの情報を用いて、転帰データベース３９４３に対し問い合わせを行い、以下のａ）〜ｄ）であれば種々の合併症の可能性がある、という情報がモジュール３９４２に戻される：ａ）患者が特定の確率で特定の患者状態にある；ｂ）患者が特定の人口統計（年齢、性別等）に属している；ｃ）患者が特定のタイプの処置を受けている；ｄ）上記ａ）、ｂ）、ｃ）の何らかの組み合わせ。他方、遡及調査３９９１、無作為臨床試験３９９２、特定の機関について事前に収集された患者データに基づき求められた機関固有転帰３９９３、ならびにこれらの要件の何らかの組み合わせから導出された転帰調査３９９０を用いて、転帰データベース３９４３を構築することができる。

想定治療合併症判定モジュール３９４２によって想定可能な合併症が判定されたならば、モジュール３９４２はこの情報を、拡張ビジュアライゼーション及びユーザインタラクションモジュール３９４１へフィードバックする。拡張ビジュアライゼーション及びユーザインタラクションモジュール３９４１は、生理機能観測モジュール１２２と臨床トラジェクトリインタプリタモジュール１２３とにより実施された患者固有のリスクベースモニタリングを、想定可能な合併症の評価と結合する。これによってシステムは優れた見地を提供し、この見地に基づき臨床医３９２０は、輸血などの治療のリスク及び便益をいっそう良好に認識できるようになり、この治療３９６０を施すべきか否かを、いっそう効率的かつ効果的に判断することができる。

図３８には、輸血の決定を通知するために利用可能である、輸血に関連する一組の患者状態について、非限定的な例が示されている。これらの状態には、ヘモグロビンのダイナミクス（減少／安定／増加）と、血中酸素運搬能力が減少したときの血行動態代償作用とが含まれている。代償作用のない患者の場合、血流自己調節メカニズムは、血中酸素運搬能力の衰えを克服することができず、その徴候は嫌気性代謝の開始である。これら７つの状態は、３つの内部状態変数即ち、酸素運搬量とヘモグロビンとヘモグロビン生成／損失レートとによって求めることができる。具体的には、ヘモグロビンが１３ｍｇ／ｄＬよりも高ければ、Ｈｇｂ関連の病状は存在しない、とされる（４００１）。Ｈｇｂが１３ｍｇ／ｄＬよりも低ければ、残りの６つの状態が存在することになり、これらは５つの異なる属性によって規定される。酸素運搬量ＩＳＶからシステムは、患者が代償作用状態にあるか否かを判定することができ、例えばここで前提とすることができるのは、換気を受けている不随の患者について、４００ｍｌ／ｍｉｎ／ｍ²よりも高いＤＯ２であれば、代償作用状態を表し、この値よりも低ければ、代償作用状態にない患者を表すことである。他の３つの属性はＨｇｂレートＩＳＶから求められ、安定４０１３及び４０１４（レートはほぼゼロ）、増加４０１１及び４０１２（レートは正）、及び減少４０１５及び４０１６（レートは負）である。

標準化された臨床計画を用いたリスクベースモニタリングシステムの利用
リスクベースモニタリングシステムのさらに別の用途は、標準化された医療計画を用いた事例である。図３９には、この用途に関する１つの可能な実施形態が示されている。具体的には、臨床トラジェクトリインタプリタモジュール１２３からのデータが、治療問い合わせモジュール４１４２へ供給される。治療問い合わせモジュール４１４２は、決定された患者リスクに基づき、治療計画データベース４１４３に対し問い合わせを行う。治療計画データベース４１４３は、患者リスクと資料とのマッピングを指定する。データベース４１４３が何らかの治療計画をフィードバックすると、拡張ビジュアライゼーション及びユーザインタラクションモジュール４１４１によって、臨床医に計画が呈示される。臨床医３９２０は、患者１０１について臨床決定４１９０を下すことができる。ついでユーザの決定、その決定が下された状況（算出された患者リスク、推定されたＩＳＶ、ならびに判断時点において得られた他の患者データ）が、判定データベース４１４４に記録される。その後、判定データベース４１４４は、患者転帰と比較することができ、治療計画の向上に利用することができる。

図４０には、特定のタイプの標準化された臨床計画と結合されたリスクベースモニタリングシステムについて、１つの適用事例が示されている。この特定の実施例では、患者に対し酸化窒素による治療を行うか否かの医療決定が考察されている。酸化窒素は肺血管拡張剤であり、高い肺血管抵抗及びその結果として心拍出量を下げるおそれのある肺高血圧症を治療するために用いられる。この実施例では医療計画は、臨床トラジェクトリインタプリタモジュール１２３により算出されたリスクを用い、それらをローリスクとハイリスクの２つのカテゴリに層別化する（４２３０）。リスクが低ければ（４２０１）、推奨される決定は治療ではなく（４２０２）、それぞれ患者がハイリスクとして分類されたならば、推奨される決定は治療である（４２０３）。医療提供者は、推奨に従うか（４２５０）、又は推奨を無視するのか（４２６０）、の決定を下すことができる。ハイリスクの患者に対し、医療提供者が治療推奨の無視を選択したならば、医療提供者はそれを正当化する必要がある（４２２０）。同様に、ローリスクの患者に対し、医療提供者が治療を選択したならば、医療提供者はやはりそれを正当化する必要がある（４２１０）。患者転帰と結び付けられた正当化４２１０及び４２２０を、リスク層別化４２３０とリスクベースモニタリングシステム１００をさらに精密にするために利用することができる。

図４１には、酸化窒素治療という状況において、システムにより採用可能なリスク層別化の例が示されている。具体的には、患者は４つの異なる状態をとる可能性があるものとする：状態１：ＣＯ低、ＰＶＲ正常；状態２：ＣＯ低、ＰＶＲ高；状態３：ＣＯ正常、ＰＶＲ高；状態４：ＣＯ正常、ＰＶＲ正常。ローリスクにある患者を、P(State 1) < 10% かつ P(State 1) + P(State 2) < 30%として定義することができる。同様に、ハイリスクにある患者を、P(State 1) > 10% かつ P(State 1) + P(State 2) > 30%として定義することができる。

慢性状態における通院患者ケアにおける臨床リスク評価システムの利用
本発明のさらに別の実施形態によれば、臨床トラジェクトリによって通院患者のケアを追跡することができる。慢性状態の通院患者ケアであることから、断続的な通院に基づく散発的な患者評価、患者の自己評価、ならびに介護者による観察が伴うことになる。その結果、患者の臨床経過ならびに既述の治療戦略の効率の決定に不確実性がもたらされる。効果的な患者ケアを実現するためには臨床医は、このような不確実性について理解する必要があり、それらを少なくしなければならない。臨床医はその裁量において、２つの主要な決定を有している。即ち、１）臨床トラジェクトリに対する臨床医の理解向上のため、通院のスケジューリング、検査の指示、自己評価（或いは介護者の評価）の依頼、および／または、２）症状改善と起こり得る副作用とのいっそう良好なトレードオフを達成するため、薬剤又は薬剤調量の変更の処方。この決定プロセスを通知するため、利用可能な患者情報を処理する必要があり、その際に臨床トラジェクトリ及びその推定の不確実性、ならびに異なる治療戦略が臨床トラジェクトリの今後の進展に及ぼす予想作用が伝達される。

通院患者の臨床トラジェクトリ追跡のためのリスクベースモニタリングシステムの非限定的な実施例として、ここでは小児患者の注意欠陥・多動性障害（ＡＤＨＤ）の通院患者ケアに、このシステムを適用したケースを考察することにする。図４２には、ＡＤＨＤ患者の臨床トラジェクトリを記述することのできる患者状態の１つの可能性が示されている。これらの患者状態は、臨床全般印象改善度尺度（Clinical global impression-improvement scale）により用いられるものと同じである。即ち、１）極めて著しく悪化；２）著しく悪化；３）悪化；４）不変；５）僅かに改善；６）著しく改善；７）極めて著しく改善。患者状態分布（ＰＳＤ）は、利用可能なすべての情報及び観察が得られたときに、患者がこれら７つ状態のいずれにあるのかの確率の集合である。

患者状態の評価のため、臨床医はじかに調査するための職場訪問のスケジューリングを行うことができ、或いは家族又は教師にヴァンダービルト診断テスト（Vanderbilt diagnostic test）を要請することができる（このテストは、応答者、教師又は親に応じて変更される）。図４３には、Ｍ１，Ｍ２，Ｍ３として、利用可能な患者評価モダリティが列挙されている。これらのモデルを、テストの質問と答えを患者の状態にマッピングするために用いることができる。臨床評価とテストに基づく評価の双方ともに、患者が現在、７つの状態のいずれに属しているのかの正確な判定を妨げる不確実性が付随する。

図４４に示されているように、ダイナミックモデル或いは、ある状態から別の状態への患者の進展を、ダイナミックベイジアンネットワーク（ＤＢＮ）によって抽出することができる。図４４によれば、弧形矢印の方向は統計的依存関係を表しており、つまり「患者状態＠ｔ１」４６０１から「Ｍ１」へのコネクションは、確率密度関数（ＰＤＦ）：Ｐ（Ｍ１｜患者状態＠ｔ１）を表している。同様に、図示されているＤＢＭは、「患者状態＠ｔ２」４６０２（ある特定の時点ｔ２における患者状態）は、「患者状態＠ｔ１」４６０１（前に戻した時点ｔ１における患者状態）に左右される、ということを表している。本発明の着想によれば、このモデルは、考えられる測定値のいくつか或いはすべてが得られなかったとしても、患者状態を推定することができ、つまり図示されているように、Ｍ１が欠けている時点ｔ２においても、すべての測定値が欠けている時点ｔ３（「患者状態＠ｔ３」４６０３）においても、患者状態の推定が可能である。

図４５には、薬剤又は投薬量を変化させたときに、患者状態が単月においてどのように推移する可能性があるのかについての２つの予測に関して、択一的な実施形態が示されている。この予測は、以下の手法により導出される統計的モデルに基づき実施される：
ステップ１：いずれかの治療時点で状態Ａを通過し、治療の変更（薬剤１ 調量１→薬剤２ 調量２）を受けた患者のグループを、遡及データから分離；
ステップ２：患者各々について、この特定のイベントが発生した時点をｔ0にセット；
３）ステップ３：患者各々について、時点ｔ0＋１ヶ月（１Ｍ）（或いは何らかの望ましい時間ステップ単位）の患者状態が何であるかを識別；
４）状態Ａ→状態ｉへ遷移する患者の割合を算出、ただしｉは想定可能なすべての７つの患者状態を表す；
５）特定の治療変更のもとで遷移確率として割合をセット。

図４６には、患者の臨床トラジェクトリ及びリスクを表示する、ビジュアライゼーションの実施形態ならびにシナリオの１つの可能性について示されている。このユーザインタフェースは、患者が「不変」状態にあること、これは３つの別個の測定即ち、職場訪問、教師に基づくヴァンダービルト診断、ならびに親に基づくヴァンダービルト診断により確立されたこと、を表している。画面上の実線は、治療第１週に患者に薬剤が処方されたこと（薬剤１）、を表している。

図４７には、第９週における患者及び患者トラジェクトリの評価が示されている。この時点において臨床リスク評価システムは、過去６週各々の患者の状態に関する確率密度関数を決定する。この時点において利用可能な測定値は、教師及び親のヴァンダービルト診断である。図示の実施例の場合、患者状態悪化の確率が高いことから、臨床医は薬剤調量の変更を指示し、これは赤い破線で表されている。これに加えユーザインタフェースには、患者の頭痛という報告による副作用も示されている。

図４８には、教師と親のヴァンダービルト診断に基づくフォローアップ評価について示されている。この実施例によれば、医師は白抜き線で示された薬剤変更を決定する。

図４９には、著しい改善を生じさせる可能性の高い、利用可能なすべての測定即ち、職場訪問ならびに親および教師の評価に基づき、結果として得られた評価について示されている。

図５０には、患者が九分通り安定して改善されることが確かなものとなり、２つの評価の間で安定して改善がみられた時点での、さらに別のフォローアップについて示されている。なお、ここでは、適用された推論に基づき、患者トラジェクトリに対するＰＤＦが連続的に推定されている。ただし精度（ＰＤＦの密度）は、測定値が存在している場合にいっそう高い。

図５１には、測定値が存在していない場合の患者及び患者トラジェクトリのフォローアップ評価が示されている。この場合、最近の観測が欠けているため、不確実性が高まっている。

図５２には、完全な患者評価（すべての測定モダリティ）が行われたときの、上記の不確実性の状態が示されている。推定エンジンによって、この不確実性が時間に関してバックプロパゲートされて、いっそう精度の高い患者トラジェクトリ推定が生成され、これによって患者が安定状態にあることを演繹する際に医師が支援される。

図５３には、既述のシステム出力からの、さらに別のビジュアライゼーションの可能性について示されている。この図には、治療計画を変更したときに起こり得る、例えば薬剤を変更したときに起こり得る、患者状態の遷移が示されている。さらにこれによれば、どのような副作用が起こり得るかを予期することもできる。すべての副作用について、３つの発現ステージ即ち、軽度、中程度、重度があり、これらは図中、それぞれ副作用の横に描かれた３つのボックスによって表されている。それぞれ特定の副作用に対する特定の発現の確率に対応して色付けされており、濃い色ほど高い確率を表している。

以上、本発明による様々な実施例ならびに実施形態について詳しく説明してきた。ただし自明のとおり、本発明のこれらの実施例ならびに実施形態は、例示目的で挙げたものにすぎず、当業者であれば、別紙の特許請求の範囲で規定した本発明の開示範囲から逸脱することなく、ここで開示した実施形態に対し様々な改良や変更を加えることができる。

Claims (27)

1. １人の患者のリスクベースモニタリングのための、コンピュータにより実装される方法において、
   Ａ）前記患者の治療とコンディションとの一方に生理機能的に関連するパラメータをそれぞれ表す複数の内部状態変数の測定値を、コンピュータによって取得するステップであって、前記測定値は受信測定値である、ステップと、
   Ｂ）前記複数の内部状態変数の測定値を、コンピュータによりアクセス可能な記憶装置に格納するステップと、
   Ｃ）前記複数の内部状態変数に対して推定された確率密度関数を、コンピュータによって生成するステップであって、当該生成するステップＣ）は、
   Ｃ１）時間ステップｔ _k において第１の複数の内部状態変数に対して予測された確率密度関数を生成するステップと、
   Ｃ２）時間ステップｔ _k において前記ステップＣ１）で生成された前記予測された確率密度関数と、前記複数の内部状態変数の各々に対応づけられた前記測定値とから、別の時間ステップｔ _k+1 における前記複数の内部状態変数に対して推定された確率密度関数を生成するステップと
   によって行われる、ステップと、
   Ｄ）前記複数の内部状態変数に対して生成された推定された確率密度関数から、第１の複数の想定患者状態のうちいずれの想定患者状態に、現時点で前記患者を分類可能であるのかを、コンピュータによって識別し、ここで、当該識別は、各領域が１つの特定の想定患者状態に対応するように、前記複数の内部状態変数に対して推定された確率密度関数が及ぶ変域を複数の異なる領域に分割し、各領域にわたって、前記複数の内部状態変数に対して推定された確率密度関数を積分して、前記患者が、前記各領域に対応する前記想定患者状態下に分類され得る確率を生成することによって行われ、前記識別された想定患者状態各々に対応づけられる確率値を、コンピュータによって生成するステップと
   を含むことを特徴とする、方法。
2. 前記識別された想定患者状態に対応づけられる確率値は０〜１である、
   請求項１に記載の方法。
3. Ｅ）前記確率値及び該確率値に対応づけられた識別された個々の想定患者状態を、ユーザインタフェースを介して表示するステップ
   をさらに含み、
   該ステップにおいて、前記識別された想定患者状態と、該想定患者状態に対応づけられた個々の確率値との組み合わせを、前記患者に対する臨床リスクとして定義する、
   請求項１に記載の方法。
4. Ｅ）前記識別された想定患者状態の各々に対応づけられたハザードレベル値を割り当てるステップと、
   Ｆ）前記確率値と、前記識別された想定患者状態の各々に対応づけられた前記ハザードレベル値とを、前記患者に対するリスクの尺度として表すステップと
   をさらに含む、
   請求項１に記載の方法。
5. 時間ステップｔ_kにおいて前記ステップＣ１）で生成された前記予測された確率密度関数と、前記内部状態変数の各々に対応づけられた前記測定値とから、別の時間ステップｔ_k+1における前記複数の内部状態変数に対して推定された確率密度関数を生成するステップは、
   生理機能観測モジュールにおいて、前記複数の内部状態変数の前記予測された確率密度関数を、事前確率として用いるステップと、
   前記複数の内部状態変数に対応付けられた前記受信測定値を反映させるために、前記予測された確率密度関数をアップデートすることによって条件付き尤度カーネルを生成するステップと、
   前記条件付き尤度カーネルとベイズ定理とを用いて、コンピュータによって、前記複数の内部状態変数に対して推定された確率密度関数を生成するステップと
   を含む、請求項１に記載の方法。
6. 前記複数の内部状態変数の各々の前記受信測定値の各々は、同じ時間ステップに対応づけられている、
   請求項５に記載の方法。
7. 前記複数の内部状態変数の各々の前記受信測定値のすべてではなく一部が、同じ時間ステップに対応づけられている
   請求項５に記載の方法。
8. 前記ステップＣ）は、
   Ｃ１）測定値を先行して受信しているならば、１つの前記内部状態変数に対応づけられた新たな受信測定値を、想定可能な測定値について事前に定められた予測尤度と比較するステップと、
   Ｃ２）前記新たな受信測定値が、対応づけられた１つの前記内部状態変数に対し想定可能な測定値について事前に定められた予測尤度内になければ、前記新たな受信測定値を、対応づけられた前記内部状態変数に対して推定された確率密度関数に組み込まないステップと
   をさらに含む、
   請求項１に記載の方法。
9. 前記ステップＤ）は、
   Ｄ１）外部の計算データを、前記患者の治療とコンディションとの一方に生理機能的に関連するパラメータを表す新たな属性に対応づけられた確率値の形式でソースから受信するステップと、
   Ｄ２）前記内部状態変数に対して生成された前記推定された確率密度関数と、前記新たな属性に対応づけられた前記確率値とから、第２の複数の想定患者状態Ｐ（ｎｅｗＳ₁），Ｐ（ｎｅｗＳ₂），Ｐ（ｎｅｗＳ₃），．．．，Ｐ（ｎｅｗＳ_n+m）のうちいずれの想定患者状態に、現時点で前記患者を分類可能であるのかを、コンピュータによって識別し、識別された想定患者状態各々に対応づけられた確率値を、コンピュータによって生成するステップと
   をさらに含む、
   請求項１に記載の方法。
10. 前記複数の内部状態変数のうち特定の１つの内部状態変数に対応づけられた外部の計算データを、ソースから受信するステップをさらに含み、
    別の時間ステップｔ _k+1 における前記複数の内部状態変数に対して推定された確率密度関数を生成するステップは、時間ステップｔ_kにおいて前記ステップＣ１）で生成された前記確率密度関数と、前記内部状態変数の各々に対応づけられた受信測定値と、前記複数の内部状態変数のうち特定の１つの内部状態変数に対応づけられた外部の計算データとから、別の時間ステップｔ_k+1における前記複数の内部状態変数に対して推定された確率密度関数を生成するステップを含む、
    請求項１に記載の方法。
11. １人の患者をモニタリングするためのリスクベースモニタリングシステムにおいて、
    プロセッサと、
    該プロセッサに接続された記憶装置と、
    前記患者に関連する複数の情報源と共働するように接続されたデータ受信モジュールと、
    該データ受信モジュールと通信を行う生理機能観測モジュールと、
    該生理機能観測モジュールと通信を行う臨床トラジェクトリインタプリタモジュールと
    が設けられており、
    前記データ受信モジュールは、前記患者の治療とコンディションとの一方に生理機能的に関連するパラメータをそれぞれ表す複数の内部状態変数に対応づけられた測定値を取得し、前記測定値は、受信測定値であり、
    前記生理機能観測モジュールは、前記内部状態変数の確率密度関数を、
    Ｃ１）時間ステップｔ _k において第１の複数の内部状態変数に対して予測された確率密度関数を生成するステップと、
    Ｃ２）時間ステップｔ _k において前記ステップＣ１）で生成された前記予測された確率密度関数と、前記内部状態変数の各々に対応づけられた前記測定値とから、別の時間ステップｔ _k+1 における前記複数の内部状態変数に対して推定された確率密度関数を生成するステップと
    によって、生成し、
    前記臨床トラジェクトリインタプリタモジュールは、第１の複数の想定患者状態のうちいずれの想定患者状態に、現時点で患者を分類可能であるのかを識別し、ここで、当該識別は、各領域が１つの特定の想定患者状態に対応するように、前記複数の内部状態変数に対して生成された推定された確率密度関数が及ぶ変域を複数の異なる領域に分割し、各領域にわたって、前記複数の内部状態変数に対して生成された推定された確率密度関数を積分して、前記患者が、前記各領域に対応する前記想定患者状態下に分類され得る確率を生成し、前記識別された想定患者状態各々に対応づけられる確率値を、コンピュータによって生成することによって行われており、識別された想定患者状態各々に対応づけられた確率値を生成する
    ことを特徴とする、
    リスクベースモニタリングシステム。
12. 前記臨床トラジェクトリインタプリタモジュール及び前記記憶装置と通信を行うユーザインタラクションモジュールが設けられており、該ユーザインタラクションモジュールは、前記確率値及び該確率値に対応づけられた識別された個々の想定患者状態を表示し、前記識別された想定患者状態と、対応づけられた個々の確率値との組み合わせを、患者に対する臨床リスクとして定義する、
    請求項１１に記載のシステム。
13. 前記生理機能観測モジュールは、前記記憶装置に格納されたダイナミックモデル及び観測モデルを含む、
    請求項１１に記載のシステム。
14. 前記生理機能観測モジュールは、前記記憶装置に格納された前記ダイナミックモデル及び前記観測モデルと共働するように構成されたインタフェースエンジンをさらに含む、
    請求項１３に記載のシステム。
15. 前記生理機能観測モジュールは動作予測モードを有しており、
    該動作予測モードでは、時間ステップｔ_kにおいて前記複数の内部状態変数に対して推定された前記確率密度関数が、前記ダイナミックモデルへ供給されて、別の時間ステップｔ_k+1における前記複数の内部状態変数に対して予測された確率密度関数を生成する、
    請求項１３に記載のシステム。
16. 前記内部状態変数各々の受信測定値のすべてではなく一部が、同じ時間ステップに対応づけられている、
    請求項１４に記載のシステム。
17. 前記生理機能観測モジュールは、測定値を先行して受信しているならば、１つの内部状態変数の新たな受信測定値を、想定可能な測定値の事前に定められた予測尤度と比較し、前記新たな受信測定値が、対応づけられた前記内部状態変数に対し想定可能な測定値について事前に定められた予測尤度内になければ、前記新たな受信測定値を、対応づけられた前記内部状態変数に対して推定された確率密度関数に組み込まない、
    請求項１１に記載のシステム。
18. 前記臨床トラジェクトリインタプリタモジュールは、外部の計算データを、前記患者の治療とコンディションとの一方に生理機能的に関連するパラメータを表す新たな属性に対応づけられた確率値として、受信し、前記内部状態変数に対して生成された前記推定された確率密度関数と、前記新たな属性に対応づけられた前記確率値とから、第２の複数の想定患者状態Ｐ（ｎｅｗＳ₁），Ｐ（ｎｅｗＳ₂），Ｐ（ｎｅｗＳ₃），．．．，Ｐ（ｎｅｗＳ_n+m）のうちいずれの想定患者状態に、現時点で前記患者を分類可能であるのか、を識別し、識別された想定患者状態各々に対応づけられた確率値を生成する、
    請求項１１に記載のシステム。
19. 前記生理機能観測モジュールは、時間ステップｔ_kにおいて前記第１の複数の内部状態変数に対して予測された確率密度関数を生成し、
    時間ステップｔ_kにおいてＣ１）で生成された前記確率密度関数と、前記内部状態変数各々に対応づけられた受信測定値と、前記複数の内部状態変数のうち特定の１つの内部状態変数に対応づけられた外部の計算データとから、別の時間ステップｔ_k+1における前記複数の内部状態変数に対して推定された確率密度関数を生成する、
    請求項１１に記載のシステム。
20. コンピュータプログラムにおいて、
    Ａ）１人の患者の治療とコンディションとの一方に生理機能的に関連するパラメータをそれぞれ表す複数の前記内部状態変数に対応づけられた測定値を取得するコンピュータプログラムコードであって、前記測定値は受信測定値である、コンピュータプログラムコードと、
    Ｂ）取得した前記複数の内部状態変数に対応づけられた測定値を格納するコンピュータプログラムコードと、
    Ｃ）前記複数の内部状態変数に対して推定された確率密度関数を生成するコンピュータプログラムコードであって、前記生成は、
    Ｃ１）時間ステップｔ _k において第１の複数の内部状態変数に対して予測された確率密度関数を生成するステップと、
    Ｃ２）時間ステップｔ _k において前記ステップＣ１）で生成された前記予測された確率密度関数と、前記内部状態変数の各々に対応づけられた前記測定値とから、別の時間ステップｔ _k+1 における前記複数の内部状態変数に対して推定された確率密度関数を生成するステップと
    によって行われる、コンピュータプログラムコードと、
    Ｄ）前記内部状態変数に対して生成された前記確率密度関数から、複数の想定患者状態のうちいずれの想定患者状態に、現時点で患者を分類可能であるのかを識別し、ここで、当該識別は、各領域が１つの特定の想定患者状態に対応するように、前記複数の内部状態変数に対して生成された推定された確率密度関数が及ぶ変域を複数の異なる領域に分割し、各領域にわたって、前記複数の内部状態変数に対して生成された推定された確率密度関数を積分して、前記患者が、前記各領域に対応する前記想定患者状態下に分類され得る確率を生成し、前記識別された想定患者状態各々に対応づけられた確率値を生成するコンピュータプログラムコードと
    を含むことを特徴とする、
    コンピュータプログラム。
21. 前記識別された想定患者状態に対応づけられる確率値は０〜１である、
    請求項２０に記載のコンピュータプログラム。
22. Ｅ）前記確率値及び該確率値に対応づけられた識別された個々の想定患者状態を表示するコンピュータプログラムコードをさらに含み、
    該コンピュータプログラムコードにおいて、前記識別された想定患者状態と、該想定患者状態に対応づけられた個々の確率値との組み合わせが、患者に対する臨床リスクとして定義される、
    請求項２０に記載のコンピュータプログラム。
23. Ｅ）前記識別された想定患者状態各々に対応づけられたハザードレベル値を割り当てるコンピュータプログラムコードと、
    Ｆ）前記確率値と、前記識別された想定患者状態各々に対応づけられた前記ハザードレベル値を、患者に対するリスクの尺度として表すコンピュータプログラムコードと
    をさらに含む、
    請求項２０に記載のコンピュータプログラム。
24. 前記Ｃ２）時間ステップｔ_kにおいて前記Ｃ１）で生成された予測された確率密度関数と、前記内部状態変数の各々の受信測定値とからから、別の時間ステップｔ_k+1における前記複数の内部状態変数に対して推定された確率密度関数を生成するステップは、
    生理機能観測モジュールにおいて、前記内部状態変数の前記予測された確率密度関数を、事前確率として用いるステップと、
    前記複数の内部状態変数に対応付けられた前記受信測定値を反映させるために、前記予測された確率密度関数をアップデートすることによって条件付き尤度カーネルを生成するステップと、
    前記条件付き尤度カーネルとベイズ定理とを用いて、コンピュータによって、前記複数の内部状態変数に対して推定された確率密度関数を生成するステップと
    を含む、
    請求項２０に記載のコンピュータプログラム。
25. 前記内部状態変数各々の受信測定値のすべてではなく一部が、同じ時間ステップに対応づけられている、
    請求項２０に記載のコンピュータプログラム。
26. １人の患者のリスクベースモニタリングのための、コンピュータにより実装される方法において、
    Ａ）前記患者の治療とコンディションとの一方に生理機能的に関連するパラメータをそれぞれ表す複数の内部状態変数に対応づけられた測定値を、コンピュータにより取得する、ただし、前記複数の内部状態変数に対応づけられた測定値のすべてではなく一部を、同じ周期で取得するステップであって、前記測定値は受信測定値である、ステップと、
    Ｂ）前記複数の内部状態変数に対応づけられた前記受信測定値を、コンピュータによりアクセス可能な記憶装置に格納するステップと、
    Ｃ）前記複数の内部状態変数に対して推定された確率密度関数を、コンピュータによって生成するステップであって、前記生成するステップは、
    Ｃ１）現在の時間ステップｔ _k において、第１の複数の内部状態変数に対して予測された確率密度関数を生成するステップと、
    Ｃ２）定義された遷移確率カーネルを用いて、前記時間ステップｔ _k おける確率推定から別の時間ステップｔ _k-N まで逆方向に進展させることにより、該別の時間ステップｔ _k-N における前記複数の内部状態変数に対して推定された確率密度関数を生成するステップであって、Ｎは１よりも大きい整数である、ステップと、
    によって行われる、ステップと、
    Ｄ）前記内部状態変数に対して生成された推定された前記確率密度関数から、第１の複数の想定患者状態のうちいずれの想定患者状態に、先行時点で患者を分類可能であったのかを、コンピュータによって識別し、ここで、当該識別は、各領域が１つの特定の想定患者状態に対応するように、前記複数の内部状態変数に対して推定された確率密度関数が及ぶ変域を複数の異なる領域に分割し、各領域にわたって、前記複数の内部状態変数に対して推定された確率密度関数を積分して、前記患者が、前記各領域に対応する前記想定患者状態下に分類され得る確率を生成し、前記識別された先行の想定患者状態各々に対応づけられた確率値を、コンピュータによって生成するステップと
    を含むことを特徴とする、
    患者のリスクベースモニタリングのための、コンピュータにより実装される方法。
27. 前記患者の治療とコンディションとの一方に生理機能的に関連するパラメータをそれぞれ表す第２の複数の内部状態変数は、該第２の複数の内部状態変数に対応づけられた受信測定値を有しておらず、前記ステップＣ２）は、
    Ｃ２）時間ステップｔ_kにおいて前記ステップＣ１）で生成された確率密度関数と、時間ステップｔ_kにおいて別の内部状態変数に対応づけられた確率密度関数とから、別の時間ステップｔ_k+1における前記第２の複数の内部状態変数に対する確率密度関数を生成するステップと
    を含む、
    請求項１に記載の方法。

Images