JP6427286B1 - データ分析予測装置およびデータ分析予測プログラム - Google Patents

データ分析予測装置およびデータ分析予測プログラム Download PDF

Info

Publication number
JP6427286B1
JP6427286B1 JP2018073262A JP2018073262A JP6427286B1 JP 6427286 B1 JP6427286 B1 JP 6427286B1 JP 2018073262 A JP2018073262 A JP 2018073262A JP 2018073262 A JP2018073262 A JP 2018073262A JP 6427286 B1 JP6427286 B1 JP 6427286B1
Authority
JP
Japan
Prior art keywords
data
subject
learning
treatment apparatus
analysis
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
Application number
JP2018073262A
Other languages
English (en)
Other versions
JP2019185259A (ja
Inventor
久原　聡
聡 久原
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.)
CHEST M.I.,INCORPORATED
Original Assignee
CHEST M.I.,INCORPORATED
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 CHEST M.I.,INCORPORATED filed Critical CHEST M.I.,INCORPORATED
Priority to JP2018073262A priority Critical patent/JP6427286B1/ja
Application granted granted Critical
Publication of JP6427286B1 publication Critical patent/JP6427286B1/ja
Priority to US17/044,862 priority patent/US20210154422A1/en
Priority to PCT/JP2019/015031 priority patent/WO2019194294A1/ja
Publication of JP2019185259A publication Critical patent/JP2019185259A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
    • A61M16/021—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes operated by electrical means
    • A61M16/022—Control means therefor
    • A61M16/024—Control means therefor including calculation means, e.g. using a processor
    • A61M16/026—Control means therefor including calculation means, e.g. using a processor specially adapted for predicting, e.g. for determining an information representative of a flow limitation during a ventilation cycle by using a root square technique or a regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
    • A61M16/0057—Pumps therefor
    • A61M16/0066—Blowers or centrifugal pumps
    • A61M16/0069—Blowers or centrifugal pumps the speed thereof being controlled by respiratory parameters, e.g. by inhalation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
    • A61M16/021—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes operated by electrical means
    • A61M16/022—Control means therefor
    • A61M16/024—Control means therefor including calculation means, e.g. using a processor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/35—Communication
    • A61M2205/3546—Range
    • A61M2205/3553—Range remote, e.g. between patient's home and doctor's office
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/35—Communication
    • A61M2205/3576—Communication with non implanted data transmission devices, e.g. using external transmitter or receiver
    • A61M2205/3584—Communication with non implanted data transmission devices, e.g. using external transmitter or receiver using modem, internet or bluetooth
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers
    • A61M2205/52—General characteristics of the apparatus with microprocessors or computers with memories providing a history of measured variating parameters of apparatus or patient

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Veterinary Medicine (AREA)
  • Anesthesiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Hematology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pulmonology (AREA)
  • Emergency Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】被検者が将来的にＣＰＡＰ装置の脱落者になり得るかどうかを予測することができるデータ分析予測装置およびデータ分析予測プログラムを提供する。【解決手段】ＣＰＡＰ装置から送信されてきた被検者のデータを処理するデータ処理部４１と、複数のＣＰＡＰ装置から送信されてきた複数の被検者のデータがクラウドサーバ３に保存されており、当該クラウドサーバ３に保存されている被検者のデータに基づいて、ＣＰＡＰ装置による治療から脱落する脱落者のデータに基づいて学習し、学習した結果からニューラルネットワークを生成する学習部４２と、ニューラルネットワークを利用して、データ処理部４１により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的にＣＰＡＰ装置の脱落者になり得るかどうかを予測する分析予測部４３とを備える。【選択図】図２

Description

本発明は、呼吸療法装置で取得されたデータを分析するデータ分析予測装置およびデータ分析予測プログラムに関する。
近年、ＱＯＬ（クオリティ・オブ・ライフ）の高まりから、在宅での酸素療法や人工呼吸療法の普及が進んでいる。また、睡眠時無呼吸症候群（ＳＡＳ、Ｓｌｅｅｐ Ａｐｎｅａ Ｓｙｎｄｒｏｍｅ）の患者に対する呼吸療法は、一般にも広く知られるようになった。
ここで、睡眠時無呼吸症候群の治療には、顔にマスクを固定して、ファンで空気を強制的に気道に送り込むＣＰＡＰ（Ｃｏｎｔｉｎｕｏｕｓ Ｐｏｓｉｔｉｖｅ Ａｉｒｗａｙ Ｐｒｅｓｓｕｒｅ）装置が用いられている。ＣＰＡＰ装置は、人体から離れた位置にファンや制御部等を内蔵した本体装置を置き、本体装置と顔に固定するマスクとの間がホースで接続され、そのホースを経由して空気を送り込む構造になっている。
例えば、特許文献１には、患者の気道抵抗に対して治療圧を常時最適なレベルに維持するＣＰＡＰ装置が開示されている。
特開２００８−２６４１８１号公報
しかしながら、ＣＰＡＰ装置による治療を開始してから初期段階（例えば、半年程度）に３０％近い患者がＣＰＡＰ装置による治療から脱落してしまう。脱落の原因としては、器具を付けて寝ることへの抵抗感などに加え、適切な処方（治療装置の設定）が行われていないことなどが考えられる。よって、ＣＰＡＰ装置による治療から患者が脱落しないように、適切なフォローを行うことが重要である。
本発明は、上記の課題に鑑みてなされたものであって、被検者が将来的に治療装置の脱落者になり得るかどうかを予測することができるデータ分析予測装置およびデータ分析予測プログラムを提供することを目的とする。
上記の目的を達成するため、本発明に係るデータ分析予測装置は、治療装置から送信されてきた被検者のデータを処理するデータ処理部と、複数の前記治療装置から送信されてきた複数の被検者のデータがクラウドサーバに保存されており、当該クラウドサーバに保存されている被検者のデータに基づいて、前記治療装置による治療から脱落する脱落者のデータに基づいて学習し、学習した結果からニューラルネットワークを生成する学習部と、前記ニューラルネットワークを利用して、前記データ処理部により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的に前記治療装置の脱落者になり得るかどうかを予測する分析予測部と、を備える。
これにより、データ分析予測装置は、ＡＩ（ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）を活用して被検者が将来的に治療装置（ＣＰＡＰ装置など）による治療から脱落するかどうかを予測することができる。例えば、データ分析予測装置により予測した結果を専門家に提示することにより、専門家は、被検者に対して早期に適切なフォローを行うことができ、被検者が治療装置による治療から脱落することを未然に防止することができる。専門家とは、医師、検査技師、看護師等の医療従事者などである。
また、前記学習部は、複数の被検者のデータに基づいて、前記治療装置の使用を停止した期間が第１期間以上である、被検者のデータを特定し、特定した被検者のデータに基づいて学習した結果から前記治療装置の脱落者の傾向に関する前記ニューラルネットワークを生成する。
第１期間とは、例えば、１４日間である。治療装置の使用を停止してから第１期間以上経過する場合には、治療装置の治療から脱落していると考えられる。データ分析予測装置は、治療装置の治療から脱落した被検者のデータに基づいて、治療装置の脱落者のデータに基づいて学習し、学習した結果からニューラルネットワークを生成する。よって、データ分析予測装置は、生成したニューラルネットワークを利用することにより、被検者のデータが治療装置の治療から脱落した被検者と同じような傾向を示すかどうかにより、この被検者が将来的に治療装置の脱落者になり得るかどうかを予測することができる。例えば、専門家は、治療装置の治療から脱落しそうな被検者に対して早期に適切なフォローを行うことができ、被検者が治療装置による治療から脱落することを未然に防止することができる。
また、前記学習部は、前記特定した被検者のデータの中から第２期間のデータを抽出し、抽出した前記第２期間のデータに基づいて学習し、学習した結果から前記治療装置の脱落者の傾向に関する前記ニューラルネットワークを生成する。
第２期間とは、例えば、治療装置の使用を停止した最初の日から遡って６ヶ月間である。なお、第２期間は、６ヶ月間に限られず、１ヶ月間または３ヶ月間などでもよい。学習部は、治療装置の治療を停止するまでの６ヶ月間のデータに基づいて学習し、学習した結果からニューラルネットワークを生成する。よって、データ分析予測装置は、生成したニューラルネットワークを利用することにより、第２期間の被検者のデータが治療装置の治療から脱落した被検者と同じような傾向を示すかどうかにより、この被検者が将来的に治療装置の脱落者になり得るかどうかを予測することができる。例えば、専門家は、治療装置の治療から脱落しそうな被検者に対して早期に適切なフォローを行うことができ、被検者が治療装置による治療から脱落することを未然に防止することができる。
また、前記学習部は、前記特定した被検者が前記治療装置の初期の被検者であった場合、前記第２期間より短い期間のデータに基づいて学習し、学習した結果から前記治療装置の脱落者の傾向に関する前記ニューラルネットワークを生成する構成でもよい。
第２期間より短い期間とは、例えば、１０日間である。治療装置の初期の被検者、すなわち、治療装置による治療を始めたばかりの被検者は、早期に治療装置の治療から脱落する傾向にある。よって、学習部は、治療装置の初期の被検者であった場合、第２期間より短い期間のデータに基づいて学習し、学習した結果からニューラルネットワークを生成する。よって、データ分析予測装置は、生成したニューラルネットワークを利用することにより、治療装置による治療を始めたばかりの被検者のデータが治療装置の治療から脱落した初期の被検者と同じような傾向を示すかどうかにより、この被検者が将来的に治療装置の脱落者になり得るかどうかを予測することができる。例えば、専門家は、治療装置による治療を始めたばかりの被検者に対して早期に適切なフォローを行うことができ、初期の被検者が治療装置による治療から脱落することを未然に防止することができる。
また、前記学習部は、前記治療装置の使用が前記第１期間以上停止されていたが、その後、前記治療装置の使用が再開された場合には、再開された被検者のデータを前記特定した被検者のデータから除外する構成でもよい。
治療装置の使用を停止してから第１期間以上経過していても、治療装置の治療を再開する場合がある。例えば、長期に海外などへ出張していた場合、旅行していた場合、および入院していた場合などが考えられる。このような場合には、治療装置の治療を一時的に停止していただけであり、治療装置の治療から脱落していない。学習部は、治療装置の使用が再開された場合には、再開された被検者のデータを特定した被検者のデータから除外して、ニューラルネットワークを生成する。よって、データ分析予測装置は、治療装置の治療を再開した被検者のデータを除いて生成されたニューラルネットワークを利用することにより、被検者が将来的に治療装置による治療から脱落するかどうかを正確に予測することができる。
また、前記学習部は、前記特定した被検者のデータである被検者の属性情報、前記治療装置の使用日数に関する情報、使用時間に関する情報、無呼吸および低呼吸に関する情報、圧力に関する情報、リークに関する情報の中のいずれか一つの情報または複数の情報を学習し、学習した結果から前記治療装置の脱落者の傾向に関する前記ニューラルネットワークを生成する構成でもよい。
被検者の属性情報とは、例えば、性別、生年月日および年齢などである。治療装置の使用日数に関する情報とは、例えば、１ヶ月間の使用日数、１ヶ月間の使用可能日数、１ヶ月間で使用されなかった日数、および１ヶ月間の使用されなかった日数の割合などである。使用時間に関する情報とは、例えば、１ヶ月間における規定時間以上の使用日数、１ヶ月間における規定時間以上の使用日数の割合、１ヶ月間における合計使用時間、１ヶ月間における平均使用時間、および１ヶ月間における使用時間の中央値などである。無呼吸および低呼吸に関する情報とは、例えば、ＡＨＩ（Ａｐｎｅａ Ｈｙｐｏｐｎｅａ Ｉｎｄｅｘ、無呼吸低呼吸指数）、ＡＩ（Ａｐｎｅａ Ｉｎｄｅｘ、無呼吸指数）、およびＨＩ（Ｈｙｐｏｐｎｅａ Ｉｎｄｅｘ、低呼吸指数）などである。圧力に関する情報とは、例えば、治療装置の１ヶ月間の平均圧力および治療装置の１ヶ月間の最大圧力などである。リークに関する情報とは、例えば、治療装置の１ヶ月間の平均リーク量および治療装置の１ヶ月間の最大リーク量などである。学習部は、被検者の属性情報などから治療装置の脱落者のデータに基づいて学習し、学習した結果からニューラルネットワークを生成する。よって、データ分析予測装置は、生成されたニューラルネットワークを利用することにより、具体的な被検者のデータに基づいて、被検者が将来的に治療装置による治療から脱落するかどうかを予測することができる。
また、前記クラウドサーバには、前記分析予測部により前記治療装置の脱落者になり得ると予測された被検者のデータと、専門家の指示により当該被検者が使用する治療装置の設定値と、が対応付けて保存されており、前記学習部は、前記クラウドサーバに対応付けて保存されている前記被検者のデータと当該被検者が使用する治療装置の設定値とに基づいて、前記分析予測部により脱落者になり得ると予測されたが、治療装置の設定値を変更することにより、脱落しなかった被検者のデータと、治療装置の変更後の設定値とに基づいて学習し、学習した結果からニューラルネットワークを生成し、前記分析予測部は、前記ニューラルネットワークを利用して、前記データ処理部により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的に前記治療装置の脱落者になり得ると予測した場合、当該被検者が使用する治療装置の変更後の設定値を予測する構成でもよい。
治療装置の設定値とは、例えば、自動開始のオンまたはオフ、上限圧、下限圧、ランプ開始圧、およびランプ時間などである。ここで、治療装置の設定が適切でないために、治療装置による治療から脱落する場合がある。学習部は、脱落者になり得ると予測されたが脱落しなかった被検者のデータと、この被検者の治療装置の変更後の設定値とに基づいて学習し、学習した結果からニューラルネットワークを生成する。よって、データ分析予測装置は、生成されたニューラルネットワークを利用することにより、将来的に治療装置の脱落者になり得る被検者に対して、治療装置の設定値をどのように変更すればよいのか予測することができる。
また、前記分析予測部により被検者が使用する治療装置の変更後の設定値を予測した場合、その変更後の設定値に基づいて、対象となる治療装置の設定値を変更する変更部を備える構成でもよい。
データ分析予測装置は、将来的に治療装置の脱落者になり得る被検者の治療装置の設定値を適した設定値に変更することができ、治療装置による治療から脱落することを未然に防止することができる。
また、前記クラウドサーバには、前記分析予測部により治療装置の脱落者になり得ると予測された被検者のデータと、当該被検者が使用するマスクに関する情報と、が対応付けて保存されており、前記学習部は、前記クラウドサーバに対応付けて保存されている被検者のデータとマスクに関する情報とに基づいて、前記分析予測部により脱落者になり得ると予測されたが、マスクを交換することにより、脱落しなかった被検者のデータと、この交換されたマスクに関する情報とに基づいて学習し、学習した結果からニューラルネットワークを生成し、前記分析予測部は、前記ニューラルネットワークを利用して、前記データ処理部により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的に治療装置の脱落者になり得ると予測した場合、当該被検者に適したマスクに関する情報を予測する構成でもよい。
医師などの専門家は、被検者が将来的に治療装置による治療から脱落するかどうかの分析予測部による予測結果と、被検者のマスクに関する情報に基づいて、被検者に適合するマスクを選定することができ、治療装置による治療から脱落することを未然に防止することができる。
本発明に係るデータ分析予測プログラムは、治療装置から送信されてきた被検者のデータを処理するデータ処理工程と、複数の前記治療装置から送信されてきた複数の被検者のデータがクラウドサーバに保存されており、当該クラウドサーバに保存されている被検者のデータに基づいて、前記治療装置による治療から脱落する脱落者のデータに基づいて学習し、学習した結果からニューラルネットワークを生成する学習工程と、前記ニューラルネットワークを利用して、前記データ処理工程により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的に前記治療装置の脱落者になり得るかどうかを予測する分析予測工程と、をコンピュータに実行させるプログラムである。
これにより、データ分析予測プログラムは、ＡＩ（ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）を活用して被検者が将来的に治療装置による治療から脱落するかどうかを予測することができる。例えば、データ分析予測プログラムにより予測した結果を専門家に提示することにより、専門家は、被検者に対して早期に適切なフォローを行うことができ、被検者が治療装置による治療から脱落することを未然に防止することができる。
本発明によれば、被検者が将来的に治療装置の脱落者になり得るかどうかを予測することができる。
図１は、情報処理システムの構成を示す図である。 図２は、データ分析予測装置の構成を示す図である。 図３は、クラウドサーバに保存されている被検者のデータの一例を示す図である。 図４は、クラウドサーバに保存されている被検者のデータの一例を示す図である。 図５は、ＣＰＡＰ装置による治療から脱落すると疑われるデータであるが、正当理由により脱落するデータとは扱われないデータの一例を示す図である。 図６は、ＣＰＡＰ装置による治療から脱落されると疑われるデータの一例を示す図である。 図７は、被検者ごとに作成されるＣＰＡＰ装置の使用情報の一例を示す図である。 図８は、ＣＰＡＰ装置の脱落の兆候を監視する手順についての説明に供するフローチャートである。 図９は、ＣＰＡＰ装置からの脱落を防止する手順についての説明に供するフローチャートである。
本発明を実施するための形態（実施形態）につき、図面を参照しつつ詳細に説明する。以下の実施形態に記載した内容により本発明が限定されるものではない。また、以下に記載した構成要素には、当業者が容易に想定できるもの、実質的に同一のものが含まれる。さらに、以下に記載した構成要素は適宜組み合わせることが可能である。なお、以下では、治療装置の一例としてＣＰＡＰ装置について説明する。ＣＰＡＰ（Ｃｏｎｔｉｎｕｏｕｓ Ｐｏｓｉｔｉｖｅ Ａｉｒｗａｙ Ｐｒｅｓｓｕｒｅ）とは、持続陽圧呼吸療法のことである。
図１は、本実施形態に係る情報処理システム１の構成を示す図である。情報処理システム１は、ネットワークＮを介して、複数台のＣＰＡＰ装置２ａ，２ｂ、・・・と、クラウドサーバ３と、データ分析予測装置４とが接続されて構成されている。なお、以下では、複数台のＣＰＡＰ装置２ａ，２ｂ、・・・を「ＣＰＡＰ装置２」と称する。また、データ分析予測装置４は、ＣＰＡＰ装置２ａ，２ｂ、・・・ごとにデータを分析し、ＣＰＡＰ装置２ａ，２ｂ、・・・の各被検者が将来的に脱落者になり得るかどうかを個別的に予測する。
ＣＰＡＰとは、ＣＰＡＰ装置２により圧力をかけた空気を鼻などから気道に送り込み、気道を広げて睡眠中の無呼吸を防止する治療法である。ＣＰＡＰ装置２は、あらかじめ設定した圧力で空気を送るチューブと、鼻などに当てるマスクとから構成される。
また、圧力の大きさなどのＣＰＡＰ装置２の設定は、被検者の病状に応じて医師により行われる。また、ＣＰＡＰ治療を行った場合には、ＣＰＡＰ治療を行わなかった場合に比べて、ＣＰＡＰ治療を行った被検者の方が長生きできたなど、多くの研究によって、睡眠時無呼吸症候群に対するＣＰＡＰの効果が証明されている。現在では、睡眠時無呼吸症候群（ＳＡＳ、Ｓｌｅｅｐ Ａｐｎｅａ Ｓｙｎｄｒｏｍｅ）の患者に対する標準的な治療法として広く用いられている。
ＣＰＡＰ装置２は、あらかじめ定められたタイミングで、装置の使用日数に関する情報などの装置の使用状態を把握できる情報をネットワークＮを介して、クラウドサーバ３に送信する。
クラウドサーバ３は、ＣＰＡＰ装置２から送信されてきた情報を受信し、保存する。つまり、クラウドサーバ３には、複数のＣＰＡＰ装置２ａ，２ｂ，・・・から送信されてきた複数の被検者のデータが保存されている。
データ分析予測装置４は、クラウドサーバ３に保存されているＣＰＡＰ装置２から送信されてきた情報を分析し、被検者が将来的にＣＰＡＰ装置２の脱落者になり得るかどうかを予測する。以下に、データ分析予測装置４の具体的な構成と動作について説明する。
図２は、データ分析予測装置４の構成を示す図である。データ分析予測装置４は、通信部４０と、データ処理部４１と、学習部４２と、分析予測部４３とを備える。
通信部４０は、クラウドサーバ３およびＣＰＡＰ装置２と通信を行う。データ処理部４１は、通信部４０を介してＣＰＡＰ装置２から送信されてきた被検者のデータを処理する。本実施形態では、データ処理部４１は、通信部４０を介してクラウドサーバ３に保存されている被検者のデータを読み出し、読み出した被検者のデータを処理する構成であるとするが、この構成に限られず、通信部４０を介してＣＰＡＰ装置２から送信されてきた被検者のデータを直接受信して、処理する構成でもよい。
例えば、データ処理部４１は、被検者のデータに対して前処理を行う。前処理とは、被検者のデータから必要なデータを抽出する処理、または、分析予測部４３による処理に適した形式にデータを加工する処理などをいう。
学習部４２は、通信部４０を介してクラウドサーバ３と通信を行う。学習部４２は、クラウドサーバ３に保存されている被検者のデータに基づいて、ＣＰＡＰ装置２による治療から脱落する脱落者のデータに基づいて学習し、学習した結果からニューラルネットワークを生成する。なお、本実施形態における学習とは、教師あり学習でもよいし、教師なし学習でもよい。
ここで、ＣＰＡＰ装置２による治療から脱落する脱落者のデータについて説明する。なお、本実施形態では、被検者ごとに時系列でＣＰＡＰ装置２の使用時間が管理されているものとする。
図３は、クラウドサーバ３に保存されている被検者のデータの一例であって、ＣＰＡＰ装置２による治療を継続している被検者のデータの一例を示す。図３（ａ）中のＡは、一定時間（４時間）を示している。図３（ａ）は、１ヶ月間におけるＣＰＡＰ装置２の１日ごとの使用時間の一例を示す。図３（ｂ）は、ＣＰＡＰ装置２を使用している時間帯の詳細の一例を示す。
ＣＰＡＰ装置２が適切に使用されている場合には、比較的規則的な時間帯に一定時間以上使用されていることが分かる。なお、一定時間は、図３（ａ），（ｂ）に示す例では、４時間であるが、４時間に限定されない。
図４は、クラウドサーバ３に保存されている被検者のデータの一例であって、ＣＰＡＰ装置２が適切に利用されていない被検者のデータの一例を示す。図４（ａ）は、１ヶ月間におけるＣＰＡＰ装置２の１日の使用時間の一例を示す。図４（ａ）中のＡは、一定時間（４時間）を示している。図４（ｂ）は、ＣＰＡＰ装置２を使用している時間帯の詳細の一例を示す。
ＣＰＡＰ装置２が適切に使用されていない場合には、不規則な使用が目立ち、一定時間以上の使用が少ないことが分かる。
図５は、ＣＰＡＰ装置２による治療から脱落すると疑われるデータであるが、正当理由により脱落するデータとは扱われないデータの一例を示す図である。図５（ａ）は、１ヶ月間におけるＣＰＡＰ装置２の１日ごとの使用時間の一例を示す。図５（ｂ）は、ＣＰＡＰ装置２を使用している時間帯の詳細の一例を示す。
図５は、被検者にＣＰＡＰ装置２の使用の中止を行った場合、ＣＰＡＰ装置２が割り当てられていない場合、被検者が転院した場合、被検者が治癒した場合、被検者が死亡した場合、または、機器が故障した場合などのデータを示す。これらのデータは、正当な理由によりＣＰＡＰ装置２が利用されなくなったものであり、脱落したデータとして扱われない。つまり、図５中のＢで示した範囲よりも以前の使用状況が図３に示すように、適切であれば、正当な理由によるものと判断し、ＣＰＡＰ装置２による治療からの脱落とは判断されない。
図６は、ＣＰＡＰ装置２による治療から脱落すると疑われるデータの一例を示す図である。図６（ａ）は、１ヶ月間におけるＣＰＡＰ装置２の１日ごとの使用時間の一例を示す。図６（ｂ）は、ＣＰＡＰ装置２を使用している時間帯の詳細の一例を示す。
図６は、一定期間ＣＰＡＰ装置２の使用がない場合のデータである。なお、一定期間とは、図６に示す例では、連続１４日間であるが、連続１４日間に限定されない。
なお、海外旅行やＣＰＡＰ装置２の故障などの理由でＣＰＡＰ装置２の使用ができなかったが、その後、ＣＰＡＰ装置２の使用が再開された場合には、ＣＰＡＰ装置２による治療からの脱落とは判断されない。また、ＣＰＡＰ装置２の初期使用の場合には、データは、図６に示すようなパターンになることが多い。なお、初期使用とは、例えば、半年未満の使用をいうが、半年未満に限定されない。
学習部４２は、クラウドサーバ３に保存されている被検者のデータの中から、図４に示すような、ＣＰＡＰ装置２による治療から脱落すると疑われる被検者の一定期間のデータを抽出する。一定期間とは、後述する第２期間である。学習部４２は、抽出した第２期間のデータに基づいて学習し、学習した結果からＣＰＡＰ装置２の脱落者の傾向（ＣＰＡＰ装置２による治療から脱落が疑われるデータの特徴）に関するニューラルネットワークを生成する。
分析予測部４３は、学習部４２により生成されたニューラルネットワークを利用して、データ処理部４１により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的にＣＰＡＰ装置２の脱落者になり得るかどうかを予測する。
これにより、データ分析予測装置４は、ＡＩ（ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）を活用して被検者が将来的にＣＰＡＰ装置２による治療から脱落するかどうかを予測することができる。例えば、データ分析予測装置４により予測した結果を専門家に提示することにより、専門家は、被検者に対して早期に適切なフォローを行うことができ、被検者がＣＰＡＰ装置２による治療から脱落することを未然に防止することができる。専門家とは、医師、検査技師、看護師等の医療従事者などである。
また、学習部４２は、複数の被検者のデータに基づいて、ＣＰＡＰ装置２の使用を停止した期間が第１期間である、被検者のデータを特定し、特定した被検者のデータに基づいて学習した結果から、ＣＰＡＰ装置２の脱落者の傾向に関するニューラルネットワークを生成する構成でもよい。
第１期間とは、ＣＰＡＰ装置２の使用を停止した期間を定めるものであり、例えば、１４日間である。ＣＰＡＰ装置２の使用を停止してから第１期間を経過する場合には、ＣＰＡＰ装置２の治療から脱落していると考えられる。データ分析予測装置４は、ＣＰＡＰ装置２の治療から脱落した被検者のデータに基づいて学習し、学習した結果から、ＣＰＡＰ装置２の脱落者の傾向に関するニューラルネットワークを生成する。
よって、データ分析予測装置４は、生成したニューラルネットワークを利用することにより、被検者のデータがＣＰＡＰ装置２の治療から脱落した被検者と同じような傾向を示すかどうかにより、この被検者が将来的にＣＰＡＰ装置２の脱落者になり得るかどうかを予測することができる。
例えば、専門家は、データ分析予測装置４の予測結果に基づいて、ＣＰＡＰ装置２の治療から脱落しそうな被検者に対して早期に適切なフォローを行うことができ、被検者がＣＰＡＰ装置２による治療から脱落することを未然に防止することができる。
また、学習部４２は、特定した被検者のデータの中から第２期間のデータを抽出し、抽出した第２期間のデータに基づいて学習した結果から、ＣＰＡＰ装置２の脱落者の傾向に関するニューラルネットワークを生成する構成でもよい。
第２期間とは、被検者のデータの中からデータを抽出する期間を定めるものであり、例えば、ＣＰＡＰ装置２の使用を停止した最初の日から遡って６ヶ月間である。学習部４２は、ＣＰＡＰ装置２の治療を停止するまでの６ヶ月間のデータに基づいて学習した結果から、ＣＰＡＰ装置２の脱落者の傾向に関するニューラルネットワークを生成する。なお、第２期間は、６ヶ月間に限られず、１ヶ月間または３ヶ月間などでもよい。
よって、データ分析予測装置４は、生成したニューラルネットワークを利用することにより、第２期間の被検者のデータがＣＰＡＰ装置２の治療から脱落した被検者と同じような傾向を示すかどうかにより、この被検者が将来的にＣＰＡＰ装置２の脱落者になり得るかどうかを予測することができる。
例えば、専門家は、データ分析予測装置４の予測結果に基づいて、ＣＰＡＰ装置２の治療から脱落しそうな被検者に対して早期に適切なフォローを行うことができ、被検者がＣＰＡＰ装置２による治療から脱落することを未然に防止することができる。
また、学習部４２は、特定した被検者がＣＰＡＰ装置２の初期の被検者であった場合、第２期間より短い期間のデータに基づいて学習した結果から、ＣＰＡＰ装置２の脱落者の傾向に関するニューラルネットワークを生成する構成でもよい。
第２期間より短い期間とは、例えば、１０日間である。ＣＰＡＰ装置２の初期の被検者、すなわち、ＣＰＡＰ装置２による治療を始めたばかりの被検者は、早期にＣＰＡＰ装置２の治療から脱落する傾向にある。よって、学習部４２は、ＣＰＡＰ装置２の初期の被検者であった場合、第２期間より短い期間のデータに基づいて学習した結果から、ＣＰＡＰ装置２の脱落者の傾向に関するニューラルネットワークを生成する。
よって、データ分析予測装置４は、生成したニューラルネットワークを利用することにより、ＣＰＡＰ装置２による治療を始めたばかりの被検者のデータがＣＰＡＰ装置２の治療から脱落した初期の被検者と同じような傾向を示すかどうかにより、この被検者が将来的にＣＰＡＰ装置２の脱落者になり得るかどうかを予測することができる。
例えば、専門家は、データ分析予測装置４の予測結果に基づいて、ＣＰＡＰ装置２による治療を始めたばかりの被検者に対して早期に適切なフォローを行うことができ、初期の被検者がＣＰＡＰ装置２による治療から脱落することを未然に防止することができる。
また、学習部４２は、ＣＰＡＰ装置２の使用が第１期間以上停止されていたが、その後、ＣＰＡＰ装置２の使用が再開された場合には、再開された被検者のデータを特定した被検者のデータから除外する構成でもよい。
ＣＰＡＰ装置２の使用を停止してから第１期間以上経過していても、ＣＰＡＰ装置２の治療を再開する場合がある。例えば、長期に海外などへ出張していた場合、旅行していた場合、および入院していた場合などが考えられる。このような場合には、ＣＰＡＰ装置２の治療を一時的に停止していただけであり、ＣＰＡＰ装置２の治療から脱落していない。
学習部４２は、ＣＰＡＰ装置２の使用が再開された場合には、特定した被検者のデータから再開された被検者のデータを除外して、ニューラルネットワークを生成する。
よって、データ分析予測装置４は、ＣＰＡＰ装置２の治療を再開した被検者のデータを除いて生成されたニューラルネットワークを利用することにより、被検者が将来的にＣＰＡＰ装置２による治療から脱落するかどうかを正確に予測することができる。
また、データ処理部４１は、クラウドサーバ３に保存されている被検者のデータを集約し、被検者ごとの使用情報を生成する機能を有していてもよい。
図７は、各ＣＰＡＰ装置２から送信されてくるデータを集約し、被検者ごとに作成される使用情報Ｄの一例を示す図である。専門家は、使用情報Ｄまたは使用情報Ｄの印刷物を閲覧することにより、被検者によるＣＰＡＰ装置２の使用状況を把握することができる。
使用情報Ｄは、被検者の属性情報である患者属性情報Ｄ１と、ＣＰＡＰ装置２のセッティング情報である処方情報Ｄ２と、ＣＰＡＰ装置２の使用日数に関する情報である使用日数情報Ｄ３と、ＣＰＡＰ装置２の使用時間に関する情報である使用時間情報Ｄ４と、無呼吸および低呼吸に関する情報である無呼吸低呼吸情報Ｄ５と、ＣＰＡＰ装置２により使用されている圧力の情報である使用圧力情報Ｄ６と、ＣＰＡＰ装置２の漏れ（リーク）に関する情報であるリーク情報Ｄ７と、例えば、１ヶ月間におけるＣＰＡＰ装置２の１日ごとの使用時間を示すグラフＤ８と、ＣＰＡＰ装置２を使用している時間帯の詳細を示すグラフＤ９と、無呼吸低呼吸情報Ｄ５に基づくＯＡＩ、ＣＡＩ、ＨＩの時間的な変化を示すグラフＤ１０とから構成されている。なお、使用情報を構成する要素は、上述以外でもよい。
また、使用日数情報Ｄ３と、使用時間情報Ｄ４と、無呼吸低呼吸情報Ｄ５と、使用圧力情報Ｄ６と、リーク情報Ｄ７とは、被検者のＣＰＡＰ装置２の使用状況を把握するための情報である。また、図７に示す無呼吸低呼吸情報Ｄ５に含まれる項目は、一例であり、ＣＰＡＰ装置２の機能向上により、他の項目や割合が追加される。学習部４２は、追加された項目や割合も含めて学習を行い、学習した結果からＣＰＡＰ装置２の脱落者の傾向（ＣＰＡＰ装置２による治療から脱落が疑われるデータの特徴）に関するニューラルネットワークを生成する。
よって、専門家は、被検者が将来的にＣＰＡＰ装置２による治療から脱落するかどうかの分析予測部４３による予測結果と、データ処理部４１による被検者の使用情報に基づいて、被検者に対して、早期に適切なフォローを行うことができ、ＣＰＡＰ装置２による治療から脱落することを未然に防止することができる。
また、学習部４２は、特定した被検者のデータである被検者の属性情報、ＣＰＡＰ装置２の使用日数に関する一定期間の情報の傾向、使用時間に関する一定期間の情報の傾向、無呼吸および低呼吸に関する一定期間の情報の傾向、圧力に関する一定期間の情報の傾向、リークに関する一定期間の情報の傾向の中のいずれか一つまたは複数を学習し、学習した結果からＣＰＡＰ装置２の脱落者の傾向に関するニューラルネットワークを生成する構成でもよい。例えば、ＣＰＡＰ装置２の使用日数に関する一定期間の情報の傾向に基づけば、ＣＰＡＰ装置２の使用が改善しているのか、悪くなっているのかなどの傾向が分かる。
被検者の属性情報とは、患者属性情報Ｄ１に相当し、例えば、性別、生年月日および年齢などである。ＣＰＡＰ装置２の使用日数に関する一定期間の情報とは、使用日数情報Ｄ３に相当し、例えば、１ヶ月間の使用日数、１ヶ月間の使用可能日数、１ヶ月間で使用されなかった日数、および１ヶ月間の使用されなかった日数の割合などである。なお、期間は、１ヶ月間に限らず、３ヶ月間または６ヶ月間などでもよい。
使用時間に関する一定期間の情報とは、使用時間情報Ｄ４に相当し、例えば、１ヶ月間における規定時間以上の使用日数、１ヶ月間における使用時間インデックス、１ヶ月間における合計使用時間、１ヶ月間における平均使用時間、および１ヶ月間における使用時間の中央値などである。なお、期間は、１ヶ月間に限らず、３ヶ月間または６ヶ月間などでもよい。
無呼吸および低呼吸に関する一定期間の情報とは、無呼吸低呼吸情報Ｄ５に相当し、例えば、ＡＨＩ（Ａｐｎｅａ Ｈｙｐｏｐｎｅａ Ｉｎｄｅｘ、無呼吸低呼吸指数）、ＡＩ（Ａｐｎｅａ Ｉｎｄｅｘ、無呼吸指数）、およびＨＩ（Ｈｙｐｏｐｎｅａ Ｉｎｄｅｘ、低呼吸指数）などである。
圧力に関する一定期間の情報とは、使用圧力情報Ｄ６に相当し、例えば、ＣＰＡＰ装置２の１ヶ月間の平均圧力およびＣＰＡＰ装置２の１ヶ月間の最大圧力などである。なお、期間は、１ヶ月間に限らず、３ヶ月間または６ヶ月間などでもよい。
リークに関する一定期間の情報とは、リーク情報Ｄ７に相当し、例えば、ＣＰＡＰ装置２の１ヶ月間の平均リーク量およびＣＰＡＰ装置２の１ヶ月間の最大リーク量などである。なお、期間は、１ヶ月間に限らず、３ヶ月間または６ヶ月間などでもよい。
学習部４２は、被検者の属性情報などに基づいて学習し、学習した結果からＣＰＡＰ装置２の脱落者の傾向に関するニューラルネットワークを生成する。
よって、データ分析予測装置４は、生成されたニューラルネットワークを利用することにより、具体的な被検者のデータに基づいて、被検者が将来的にＣＰＡＰ装置２による治療から脱落するかどうかを予測することができる。
つぎに、データ分析予測装置４によるＣＰＡＰ装置２の脱落の兆候を監視する手順について、図８のフローチャートを用いて説明する。
ステップＳＴ１において、データ分析予測装置４は、ＣＰＡＰ装置２から脱落する被検者のデータを蓄積する。例えば、ＣＰＡＰ装置２による治療から脱落になり得ると疑われるデータ（例えば、図５，６に示すデータ）の被検者を特定し、特定した被検者の情報（例えば、図７に示す各種情報）を過去６ヶ月分蓄積する。なお、ＣＰＡＰ装置２の初期使用の被検者が脱落する場合があり、６ヶ月分のデータの蓄積がない場合がある。よって、６ヶ月よりも短い期間のデータを蓄積する構成でもよい。
ステップＳＴ２において、データ分析予測装置４は、ＣＰＡＰ装置２から脱落する被検者のデータに基づいて学習する。ステップＳＴ１の工程で蓄積されたデータから、各種情報の６ヶ月のトレンドを求め、ＣＰＡＰ装置２から脱落する被検者の傾向をパターン化する。なお、ステップＳＴ２の工程における分析とパターン化の項目としては、例えば、図７に示す患者属性情報Ｄ１、使用日数情報Ｄ３、使用時間情報Ｄ４、無呼吸低呼吸情報Ｄ５、使用圧力情報Ｄ６、リーク情報Ｄ７などである。
ステップＳＴ３において、データ分析予測装置４は、ＣＰＡＰ装置２から脱落しそうな被検者の兆候の監視と警告とを行う。データ分析予測装置４は、被検者のＣＰＡＰ装置２の使用情報（例えば、ＣＰＡＰ装置２の１日ごとの使用時間）から脱落する被検者の傾向（パターン）に当てはまっているかをチェックし、同一または類似の兆候（使用パターン）を示す場合、被検者がＣＰＡＰ装置２による治療から脱落する可能性があると判断し、この被検者の情報を専門家に提供する。なお、データ分析予測装置４は、被検者がＣＰＡＰ装置２の初期使用者の場合には、主に、使用開始からの初期使用の被検者のパターンに当てはまっているかどうかをチェックする。
よって、データ分析予測装置４は、ＣＰＡＰ装置２による治療から脱落しそうな被検者の兆候を監視し、また、被検者がＣＰＡＰ装置２の脱落者になり得るかどうかの予測結果に基づいて、専門家に警告を発することができる。
また、クラウドサーバ３には、分析予測部４３によりＣＰＡＰ装置２の脱落者になり得ると予測された被検者のデータと、専門家の指示により当該被検者が使用するＣＰＡＰ装置２の設定値と、が対応付けて保存されている。
学習部４２は、クラウドサーバ３に対応付けて保存されている被検者のデータと当該被検者が使用するＣＰＡＰ装置２の設定値とに基づいて、分析予測部４３により脱落者になり得ると予測されたが、ＣＰＡＰ装置２の設定値を変更することにより、脱落しなかった被検者のデータと、ＣＰＡＰ装置２の変更後の設定値とに基づいて学習し、学習した結果からニューラルネットワークを生成する。
分析予測部４３は、学習部４２により生成されたニューラルネットワークを利用して、データ処理部４１により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的にＣＰＡＰ装置２の脱落者になり得ると予測した場合、当該被検者が使用するＣＰＡＰ装置２の変更後の設定値を予測する。
ＣＰＡＰ装置２の設定値とは、例えば、自動開始のオンまたはオフ、上限圧、下限圧、ランプ開始圧、およびランプ時間などである。
学習部４２は、脱落者になり得ると予測されたが脱落しなかった被検者のデータと、この被検者が使用するＣＰＡＰ装置２の変更後の設定値とに基づいて学習し、学習した結果からニューラルネットワークを生成する。
よって、データ分析予測装置４は、生成されたニューラルネットワークを利用することにより、将来的にＣＰＡＰ装置２の脱落者になり得る被検者に対して、ＣＰＡＰ装置２の設定値をどのように変更すればよいのか予測することができる。ＣＰＡＰ装置２の設定が適切でないために、ＣＰＡＰ装置２による治療から脱落する場合があるが、データ分析予測装置４によりＣＰＡＰ装置２の設定値をどのように変更すればよいのか予測することができるので、ＣＰＡＰ装置２による治療からの脱落を効果的に防止することができる。
ここで、データ分析予測装置４によるＣＰＡＰ装置２からの脱落を防止する手順について、図９のフローチャートを用いて説明する。
ステップＳＴ１１において、データ分析予測装置４は、ＣＰＡＰ装置２による治療からの脱落の兆候を示していたが、ＣＰＡＰ装置２の設定を変更したことにより、適切な使用に変化した場合におけるＣＰＡＰ装置２の変更後の設定（処方）パターンを蓄積する。
ステップＳＴ１２において、データ分析予測装置４は、ＣＰＡＰ装置２の設定（処方）の成功事例について学習する。データ分析予測装置４は、ステップＳＴ１１の工程により蓄積されたデータから、ＣＰＡＰ装置２に対して適切な使用に変化した設定（処方）を求め、適切な使用に変化した設定（処方）をパターン化する。このパターンは、成功事例とする。
また、データ分析予測装置４は、ＣＰＡＰ装置２から送信されるデータ（セッティング情報である処方情報Ｄ２）に基づいて、ＣＰＡＰ装置２の設定がいつから変更されたのかを示す変更日付情報を保有する。例えば、データ分析予測装置４は、変更日付情報に基づいて、ＣＰＡＰ装置２の１日ごとの使用時間を示すグラフＤ８またはＣＰＡＰ装置２を使用している時間帯の詳細を示すグラフＤ９に変更した日が分かるように印または記号などを挿入する。データ分析予測装置４は、ＣＰＡＰ装置２の設定が変更される前の使用状態のデータと、ＣＰＡＰ装置２の設定が変更された後の使用状態のデータとに基づいて、ＣＰＡＰ装置２に対して適切な使用に変化した設定（処方）を求め、適切な使用に変化した設定（処方）をパターン化してもよい。
また、データ分析予測装置４は、専門家の設定（処方）パターンを蓄積する構成でもよい。例えば、データ分析予測装置４は、専門医療機関を設定し、そこで設定された設定を患者属性情報やＣＰＡＰ装置２ごとに蓄積する。この構成の場合、データ分析予測装置４は、ステップＳＴ１１の工程により蓄積されたデータと、専門家の設定（処方）パターンとに基づいて、ＣＰＡＰ装置２に対して適切な使用に変化した設定（処方）を求め、適切な使用に変化した設定（処方）をパターン化する。つまり、適切な使用に変化した設定（処方）パターンであって、専門家の設定（処方）パターンに該当するパターンのみが成功事例となる。
ステップＳＴ１３において、データ分析予測装置４は、ＣＰＡＰ装置２による治療から脱落しそうな被検者のＣＰＡＰ装置２の設定値をどのように変更すればよいのかを予測し、提示する。
具体的には、データ分析予測装置４は、ステップＳＴ３の工程により被検者がＣＰＡＰ装置２による治療から脱落する可能性があると判断した場合、ステップＳＴ１２の工程によりパターン化した設定（処方）の中から適合するものを抽出し、抽出した設定（処方）を提示する。
よって、データ分析予測装置４は、将来的にＣＰＡＰ装置２の脱落者になり得る被検者に対して、ＣＰＡＰ装置２の設定値をどのように変更すればよいのか提示することができる。
また、ＣＰＡＰ装置２による治療には、マスクを用いるが、ＣＰＡＰ装置２による治療を継続するには、マスクの選定も大事な要素になる。被検者ごとに鼻の形や大きさや鼻の下の長さなどが異なるため、被検者に適合する大きさのマスクを選ぶ必要がある。また、マスクには、鼻タイプ、鼻孔タイプ、フルフェイスタイプなどの複数のタイプがある。
本実施形態に係るデータ分析予測装置４は、被検者に適合するマスクのサイズやタイプを提示する機能を有する。
クラウドサーバ３には、分析予測部４３によりＣＰＡＰ装置２の脱落者になり得ると予測された被検者のデータと、当該被検者が使用するマスクに関する情報と、が対応付けて保存されている。マスクに関する情報とは、マスクのサイズやタイプである。
学習部４２は、クラウドサーバ３に対応付けて保存されている被検者のデータとマスクに関する情報とに基づいて、分析予測部４３により脱落者になり得ると予測されたが、マスクを交換することにより、脱落しなかった被検者のデータと、この交換されたマスクに関する情報とに基づいて学習し、学習した結果からニューラルネットワークを生成する。
分析予測部４３は、ニューラルネットワークを利用して、データ処理部４１により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的にＣＰＡＰ装置２の脱落者になり得ると予測した場合、当該被検者に適合するマスクに関する情報を予測する。
例えば、データ分析予測装置４は、マスクが変更される前の無呼吸低呼吸情報Ｄ５、使用圧力情報Ｄ６、およびリーク情報Ｄ７と、マスクが変更された後の無呼吸低呼吸情報Ｄ５、使用圧力情報Ｄ６、およびリーク情報Ｄ７とに基づいて、ＣＰＡＰ装置２が適切な使用に変化したときのマスクに関する情報を求め、適切な使用に変化したときのマスクに関する情報をパターン化しておく。
データ分析予測装置４は、被検者がＣＰＡＰ装置２による治療から脱落する可能性があると判断した場合、パターン化したマスクに関する情報の中から被検者に適合するものを抽出し、抽出したマスクに関する情報を提示する。
よって、専門家は、被検者が将来的にＣＰＡＰ装置２による治療から脱落するかどうかの分析予測部４３による予測結果と、被検者のマスクに関する情報に基づいて、被検者に適合するマスクを選定することができ、ＣＰＡＰ装置２による治療から脱落することを未然に防止することができる。
また、データ分析予測装置４は、分析予測部４３により被検者が使用するＣＰＡＰ装置２の変更後の設定値を予測した場合、その変更後の設定値に基づいて、対象となるＣＰＡＰ装置２の設定値を変更する変更部４４を備える構成でもよい。
例えば、変更部４４は、ＣＰＡＰ装置２から送信されてくるデータ（ＣＰＡＰ装置２の固有の番号（Ｓ／Ｎ）やＣＰＡＰ装置２のＭＡＣ（Ｍｅｄｉａ Ａｃｃｅｓｓ Ｃｏｎｔｒｏｌ）アドレスなど）により対象となるＣＰＡＰ装置２を特定し、通信部４０を介して特定したＣＰＡＰ装置２にアクセスし、ＣＰＡＰ装置２の設定値を変更する。なお、クラウドサーバ３によりＣＰＡＰ装置２の設定値を変更する構成でもよい。この構成の場合、変更部４４は、通信部４０を介してクラウドサーバ３にアクセスし、特定したＣＰＡＰ装置２の情報（ＭＡＣアドレスなど）と、変更する設定値を通知する。クラウドサーバ３は、変更部４４により特定されたＣＰＡＰ装置２にアクセスし、ＣＰＡＰ装置２の設定値を変更する。
このような構成によれば、データ分析予測装置４は、将来的にＣＰＡＰ装置２の脱落者になり得る被検者のＣＰＡＰ装置２の設定値を適した設定値に変更することができ、ＣＰＡＰ装置２による治療から脱落することを未然に防止することができる。
また、本実施形態では、主に、被検者が将来的にＣＰＡＰ装置２の脱落者になり得るかどうかを予測するためのデータ分析予測装置４の構成と動作について説明したが、これに限られず、各構成要素を備え、被検者が将来的にＣＰＡＰ装置２の脱落者になり得るかどうかを予測するためのデータ分析予測プログラムとして構成されてもよい。
さらに、データ分析予測プログラムをコンピュータで読み取り可能な記録媒体に記録して、この記録媒体に記録されたデータ分析予測プログラムをコンピュータに読み込ませ、実行することによって実現されてもよい。
具体的には、データ分析予測プログラムは、ＣＰＡＰ装置２から送信されてきた被検者のデータを処理するデータ処理工程と、複数のＣＰＡＰ装置２から送信されてきた複数の被検者のデータがクラウドサーバに保存されており、当該クラウドサーバに保存されている被検者のデータに基づいて、ＣＰＡＰ装置２による治療から脱落する脱落者のデータに基づいて学習し、学習した結果からニューラルネットワークを生成する学習工程と、学習工程により生成されたニューラルネットワークを利用して、データ処理工程により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的にＣＰＡＰ装置２の脱落者になり得るかどうかを予測する分析予測工程をコンピュータに実行させるプログラムである。
１ 情報処理システム
２ ＣＰＡＰ装置
３ クラウドサーバ
４ データ分析予測装置
４０ 通信部
４１ データ処理部
４２ 学習部
４３ 分析予測部
４４ 変更部

Claims (12)

  1. 治療装置から送信されてきた被検者のデータを処理するデータ処理部と、
    前記治療装置にネットワークを介して接続されたサーバに、複数の前記治療装置から送信されてきた複数の被検者のデータが保存されており、当該サーバに保存されている被検者のデータに基づいて、前記治療装置による治療から脱落する脱落者のデータに基づいて学習し、学習した結果からニューラルネットワークを生成する学習部と、
    前記ニューラルネットワークを利用して、前記データ処理部により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的に前記治療装置の脱落者になり得るかどうかを予測する分析予測部と、を備え、
    前記学習部は、複数の被検者のデータに基づいて、前記治療装置の使用を停止した期間が第１期間以上である、被検者のデータを特定し、
    前記学習部は、特定した被検者のデータの中から第２期間のデータを抽出し、抽出した前記第２期間のデータに基づいて学習し、学習した結果から前記治療装置の脱落者の傾向に関する前記ニューラルネットワークを生成する、記載のデータ分析予測装置。
  2. 前記学習部は、前記特定した被検者が前記治療装置の初期の被検者であった場合、前記第２期間より短い期間のデータに基づいて学習し、学習した結果から前記治療装置の脱落者の傾向に関する前記ニューラルネットワークを生成する請求項１に記載のデータ分析予測装置。
  3. 前記学習部は、前記治療装置の使用が前記第１期間以上停止されていたが、その後、前記治療装置の使用が再開された場合には、再開された被検者のデータを前記特定した被検者のデータから除外する請求項１または２に記載のデータ分析予測装置。
  4. 前記学習部は、前記特定した被検者のデータである被検者の属性情報、前記治療装置の使用日数に関する情報、使用時間に関する情報、無呼吸および低呼吸に関する情報、圧力に関する情報、リークに関する情報の中のいずれか一つの情報または複数の情報を学習し、学習した結果から前記治療装置の脱落者の傾向に関する前記ニューラルネットワークを生成する請求項１から３のいずれか一項に記載のデータ分析予測装置。
  5. 治療装置から送信されてきた被検者のデータを処理するデータ処理部と、
    前記治療装置にネットワークを介して接続されたサーバに、複数の前記治療装置から送信されてきた複数の被検者のデータが保存されており、当該サーバに保存されている被検者のデータに基づいて、前記治療装置による治療から脱落する脱落者のデータに基づいて学習し、学習した結果からニューラルネットワークを生成する学習部と、
    前記ニューラルネットワークを利用して、前記データ処理部により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的に前記治療装置の脱落者になり得るかどうかを予測する分析予測部と、を備え、
    前記学習部は、複数の被検者のデータに基づいて、前記治療装置の使用を停止した期間が第１期間以上である、被検者のデータを特定し、特定した被検者のデータに基づいて学習した結果から前記治療装置の脱落者の傾向に関する前記ニューラルネットワークを生成し、
    前記学習部は、前記特定した被検者のデータである被検者の属性情報、前記治療装置の使用日数に関する情報、使用時間に関する情報、無呼吸および低呼吸に関する情報、圧力に関する情報、リークに関する情報の中のいずれか一つの情報または複数の情報を学習し、学習した結果から前記治療装置の脱落者の傾向に関する前記ニューラルネットワークを生成する、データ分析予測装置。
  6. 前記サーバには、前記分析予測部により前記治療装置の脱落者になり得ると予測された被検者のデータと、専門家の指示により当該被検者が使用する治療装置の設定値と、が対応付けて保存されており、
    前記学習部は、前記サーバに対応付けて保存されている前記被検者のデータと当該被検者が使用する治療装置の設定値とに基づいて、前記分析予測部により脱落者になり得ると予測されたが、治療装置の設定値を変更することにより、脱落しなかった被検者のデータと、治療装置の変更後の設定値とに基づいて学習し、学習した結果からニューラルネットワークを生成し、
    前記分析予測部は、前記ニューラルネットワークを利用して、前記データ処理部により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的に前記治療装置の脱落者になり得ると予測した場合、当該被検者が使用する治療装置の変更後の設定値を予測する請求項１から５のいずれか一項に記載のデータ分析予測装置。
  7. 治療装置から送信されてきた被検者のデータを処理するデータ処理部と、
    前記治療装置にネットワークを介して接続されたサーバに、複数の前記治療装置から送信されてきた複数の被検者のデータが保存されており、当該サーバに保存されている被検者のデータに基づいて、前記治療装置による治療から脱落する脱落者のデータに基づいて学習し、学習した結果からニューラルネットワークを生成する学習部と、
    前記ニューラルネットワークを利用して、前記データ処理部により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的に前記治療装置の脱落者になり得るかどうかを予測する分析予測部と、を備え、
    前記サーバには、前記分析予測部により前記治療装置の脱落者になり得ると予測された被検者のデータと、専門家の指示により当該被検者が使用する治療装置の設定値と、が対応付けて保存されており、
    前記学習部は、前記サーバに対応付けて保存されている前記被検者のデータと当該被検者が使用する治療装置の設定値とに基づいて、前記分析予測部により脱落者になり得ると予測されたが、治療装置の設定値を変更することにより、脱落しなかった被検者のデータと、治療装置の変更後の設定値とに基づいて学習し、学習した結果からニューラルネットワークを生成し、
    前記分析予測部は、前記ニューラルネットワークを利用して、前記データ処理部により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的に前記治療装置の脱落者になり得ると予測した場合、当該被検者が使用する治療装置の変更後の設定値を予測する、データ分析予測装置。
  8. 前記学習部は、複数の被検者のデータに基づいて、前記治療装置の使用を停止した期間が第１期間以上である、被検者のデータを特定し、特定した被検者のデータに基づいて学習した結果から前記治療装置の脱落者の傾向に関する前記ニューラルネットワークを生成する請求項７に記載のデータ分析予測装置。
  9. 前記分析予測部により被検者が使用する治療装置の変更後の設定値を予測した場合、その変更後の設定値に基づいて、対象となる治療装置の設定値を変更する変更部を備える請求項６または７に記載のデータ分析予測装置。
  10. 前記サーバには、前記分析予測部により治療装置の脱落者になり得ると予測された被検者のデータと、当該被検者が使用するマスクに関する情報と、が対応付けて保存されており、
    前記学習部は、前記サーバに対応付けて保存されている被検者のデータとマスクに関する情報とに基づいて、前記分析予測部により脱落者になり得ると予測されたが、マスクを交換することにより、脱落しなかった被検者のデータと、この交換されたマスクに関する情報とに基づいて学習し、学習した結果からニューラルネットワークを生成し、
    前記分析予測部は、前記ニューラルネットワークを利用して、前記データ処理部により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的に治療装置の脱落者になり得ると予測した場合、当該被検者に適したマスクに関する情報を予測する請求項１から９のいずれか一項に記載のデータ分析予測装置。
  11. 治療装置から送信されてきた被検者のデータを処理するデータ処理部と、
    前記治療装置にネットワークを介して接続されたサーバに、複数の前記治療装置から送信されてきた複数の被検者のデータが保存されており、当該サーバに保存されている被検者のデータに基づいて、前記治療装置による治療から脱落する脱落者のデータに基づいて学習し、学習した結果からニューラルネットワークを生成する学習部と、
    前記ニューラルネットワークを利用して、前記データ処理部により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的に前記治療装置の脱落者になり得るかどうかを予測する分析予測部と、を備え、
    前記サーバには、前記分析予測部により治療装置の脱落者になり得ると予測された被検者のデータと、当該被検者が使用するマスクに関する情報と、が対応付けて保存されており、
    前記学習部は、前記サーバに対応付けて保存されている被検者のデータとマスクに関する情報とに基づいて、前記分析予測部により脱落者になり得ると予測されたが、マスクを交換することにより、脱落しなかった被検者のデータと、この交換されたマスクに関する情報とに基づいて学習し、学習した結果からニューラルネットワークを生成し、
    前記分析予測部は、前記ニューラルネットワークを利用して、前記データ処理部により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的に治療装置の脱落者になり得ると予測した場合、当該被検者に適したマスクに関する情報を予測する、データ分析予測装置。
  12. 治療装置から送信されてきた被検者のデータを処理するデータ処理工程と、
    前記治療装置にネットワークを介して接続されたサーバに、複数の前記治療装置から送信されてきた複数の被検者のデータが保存されており、当該サーバに保存されている複数の被検者のデータに基づいて、前記治療装置の使用を停止した期間が第１期間以上である、被検者のデータを特定し、特定した被検者のデータの中から第２期間のデータを抽出し、抽出した前記第２期間のデータに基づいて学習し、学習した結果から、前記治療装置の脱落者の傾向に関するニューラルネットワークを生成する学習工程と、
    前記ニューラルネットワークを利用して、前記データ処理工程により処理されたデータの分析を行い、分析結果に基づいて、被検者が将来的に前記治療装置の脱落者になり得るかどうかを予測する分析予測工程と、をコンピュータに実行させるデータ分析予測プログラム。
JP2018073262A 2018-04-05 2018-04-05 データ分析予測装置およびデータ分析予測プログラム Active JP6427286B1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2018073262A JP6427286B1 (ja) 2018-04-05 2018-04-05 データ分析予測装置およびデータ分析予測プログラム
US17/044,862 US20210154422A1 (en) 2018-04-05 2019-04-04 Cpap management system and management method of managing a plurality of cpap devices
PCT/JP2019/015031 WO2019194294A1 (ja) 2018-04-05 2019-04-04 Ｃｐａｐ管理システムおよび複数のｃｐａｐ装置を管理する管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018073262A JP6427286B1 (ja) 2018-04-05 2018-04-05 データ分析予測装置およびデータ分析予測プログラム

Publications (2)

Publication Number Publication Date
JP6427286B1 true JP6427286B1 (ja) 2018-11-21
JP2019185259A JP2019185259A (ja) 2019-10-24

Family

ID=64394776

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018073262A Active JP6427286B1 (ja) 2018-04-05 2018-04-05 データ分析予測装置およびデータ分析予測プログラム

Country Status (3)

Country Link
US (1) US20210154422A1 (ja)
JP (1) JP6427286B1 (ja)
WO (1) WO2019194294A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2020100258A1 (ja) * 2018-11-15 2021-09-02 サスメド株式会社 患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11508484B1 (en) * 2018-12-28 2022-11-22 ResMed Pty Ltd Prediction of respiratory therapy compliance
JP2021093108A (ja) * 2019-11-29 2021-06-17 チェスト株式会社 Ｃｐａｐ管理システム及び複数のｃｐａｐ装置を管理する管理方法
KR102588532B1 (ko) * 2020-06-22 2023-10-13 한국전자기술연구원 다중 근육 자극기 시스템 및 그 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009509638A (ja) * 2005-09-30 2009-03-12 ニューヨーク ユニバーシティー 患者の呼吸パターンの診断と治療のためのシステムおよび方法
JP2012064065A (ja) * 2010-09-17 2012-03-29 Hitachi Solutions Ltd 保健指導支援計画作成システム
JP2018015327A (ja) * 2016-07-28 2018-02-01 株式会社リコー 診断装置、診断方法、プログラム
JP6301573B1 (ja) * 2017-08-14 2018-03-28 サスメド株式会社 治療支援装置および治療支援用プログラム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080126130A1 (en) * 2006-07-17 2008-05-29 Walgreen Co. Compliance With A Medication Therapy Regimen
US10853900B2 (en) * 2009-02-09 2020-12-01 Fair Isaac Corporation Method and system for predicting adherence to a treatment
US8909593B2 (en) * 2009-07-10 2014-12-09 Medimpact Healthcare Systems, Inc. Modifying a patient adherence score
JP2015509808A (ja) * 2012-03-14 2015-04-02 コーニンクレッカ フィリップス エヌ ヴェ フェイシャルマスクのカスタムマスクデザインのためのサイジング情報を決定するデバイス及び方法
US10691776B1 (en) * 2012-08-17 2020-06-23 Express Scripts Strategic Development, Inc. Methods and systems for predicting adherence to Multiple Sclerosis treatment
CA2926815A1 (en) * 2013-10-08 2015-04-16 N2 Medical Solutions Llc Monitoring adherence to a treatment protocol
US11631484B1 (en) * 2013-10-21 2023-04-18 Aic Innovations Group, Inc. Method and apparatus for predicting, encouraging, and intervening to improve patient medication adherence
NZ630757A (en) * 2014-08-01 2016-03-31 Resmed Ltd Self-optimising respiratory therapy system
US20170116389A1 (en) * 2015-10-22 2017-04-27 Olga Matlin Patient medication adherence and intervention using trajectory patterns
US11429885B1 (en) * 2016-12-21 2022-08-30 Cerner Innovation Computer-decision support for predicting and managing non-adherence to treatment

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009509638A (ja) * 2005-09-30 2009-03-12 ニューヨーク ユニバーシティー 患者の呼吸パターンの診断と治療のためのシステムおよび方法
JP2012064065A (ja) * 2010-09-17 2012-03-29 Hitachi Solutions Ltd 保健指導支援計画作成システム
JP2018015327A (ja) * 2016-07-28 2018-02-01 株式会社リコー 診断装置、診断方法、プログラム
JP6301573B1 (ja) * 2017-08-14 2018-03-28 サスメド株式会社 治療支援装置および治療支援用プログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2020100258A1 (ja) * 2018-11-15 2021-09-02 サスメド株式会社 患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法

Also Published As

Publication number Publication date
WO2019194294A1 (ja) 2019-10-10
US20210154422A1 (en) 2021-05-27
JP2019185259A (ja) 2019-10-24

Similar Documents

Publication Publication Date Title
JP6427286B1 (ja) データ分析予測装置およびデータ分析予測プログラム
US11978356B2 (en) Care plan administration: patient feedback
CN111899878B (zh) 老年人健康检测系统、方法、计算机设备及可读存储介质
JP4327361B2 (ja) 双方向圧力維持装置
Woehrle et al. Effect of a patient engagement tool on positive airway pressure adherence: analysis of a German healthcare provider database
US7967749B2 (en) Monitoring system and method using rules
JP7368232B2 (ja) ルールエンジンを使用した患者管理の方法及びシステム
US20110112857A1 (en) Method and system for tracking and monitoring patient compliance with medical device usage prescription
KR20190105163A (ko) 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법
JP6884453B2 (ja) 患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法
JP2017523842A (ja) 患者管理システム
CN110996771A (zh) 用于监测睡眠质量的方法和系统
CN111613347A (zh) 一种用于预防或干预谵妄的护理决策辅助方法及系统
CN115298742A (zh) 基于平均用户交互数据远程监测应用程序用户心理状态的方法及系统
CN116134532A (zh) 用于通气患者的预测性撤机的系统和方法
Hirshkowitz et al. A telemedicine program for diagnosis and management of sleep-disordered breathing: the fast-track for sleep apnea tele-sleep program
US12073945B2 (en) Patient ventilator asynchrony detection
Soose et al. Cluster analysis of upper airway stimulation adherence patterns and implications on clinical care
JP2021144708A (ja) 治療推奨を提供するための医療システム
US20210027649A1 (en) Systems and methods for providing behavioral training for user engagement with medical devices
US20230347187A1 (en) Digital change management system for respirator filter cartridges
CN105765589A (zh) 睡眠面罩游戏化
Jimenez-Maturano et al. Obsolescence Assessment Approach: Case of Mechanical Ventilators Under the Covid-19 Environment
CN112509657A (zh) 一种慢性病的健康管理系统
CN107785065B (zh) 用于调整呼吸机运行参数的方法及系统

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180427

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20180427

RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7426

Effective date: 20180427

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20180427

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20180528

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180724

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180921

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: 20181009

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20181026

R150 Certificate of patent or registration of utility model

Ref document number: 6427286

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