JP6540169B2 - 分析システム、リハビリテーション支援システム、方法およびプログラム - Google Patents
分析システム、リハビリテーション支援システム、方法およびプログラム Download PDFInfo
- Publication number
- JP6540169B2 JP6540169B2 JP2015076911A JP2015076911A JP6540169B2 JP 6540169 B2 JP6540169 B2 JP 6540169B2 JP 2015076911 A JP2015076911 A JP 2015076911A JP 2015076911 A JP2015076911 A JP 2015076911A JP 6540169 B2 JP6540169 B2 JP 6540169B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- patient
- target
- individual
- past
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Description
次に、本発明の実施形態を図面を参照して説明する。図1は、本発明の第1の実施形態にかかる分析システムの構成例を示すブロック図である。本実施形態の分析システムは、リハビリテーションを含む、能力または状態の段階的な変化を伴う個物の行為または現象に関するデータの分析を行うシステムである。リハビリテーション以外の該当行為または該当現象の例としては、例えば、スポーツ分野等における練習や、生物分野や自然科学分野等における生体や任意の個物(個体、液体、気体を問わず)の実験や観察等が挙げられる。以下、本実施形態で分析の対象にする、能力または状態の段階的な変化を伴う個物の行為または現象を、単に対象行為または対象現象という場合がある。
次に、本実施形態の第2の実施形態について、図面を参照して説明する。本実施形態は、上記の分析システムをリハビリテーション支援システムに適用したものである。
属性データ生成部12は、例えば、次のようにして、対象患者および各過去患者の属性データを作成してもよい。属性データ生成部12は、まず、対象患者基本情報、対象患者臨床履歴情報、過去患者基本情報と過去患者臨床履歴情報をメモリ1002から読み出す。ここで、過去患者数が合わせてN人あるとする(Nは1以上の整数)。また、過去患者のうちn番目の過去患者の属性データをX_nと表す(n=1,・・・,N)。属性データX_nは、複数個の要素からなるベクトルとして表される。
予測モデル学習部13は、例えば、次のようにして予測モデルを学習してもよい。すなわち、予測モデル学習部13は、まず各過去患者の属性データ、および、各過去患者の第p+1の回復水準期間中に必要とされたリハビリ実施日数をメモリ1002から読み出す。
予測部14は、例えば、例えば、次のようにして予測を行ってもよい。すなわち、予測部14は、まず学習済みの予測モデル(Wcの値が適用された式(2)等)の情報と、対象患者に対応した属性データを、メモリ1002から読み出す。なお、予測モデルの情報は、例えば、Wcの値であってもよい。また、ここでは、読み出された対象患者の属性データをX’とする。
類似患者抽出部15は、例えば、次のようにして対象患者に類似する過去患者を抽出する。すなわち、類似患者抽出部15は、各過去患者の第p+1の回復水準期間中に必要とされるリハビリ実施日数と属性データの組と、対象患者の第p+1の回復水準期間中に必要とされるリハビリ実施日数(すなわち予測結果)と属性データの組とで類似度を求め、最も類似した対象患者と最も似ている過去患者を抽出してもよい。
動作情報抽出部16は、抽出された過去患者が、第pの回復水準に初めて至った日から対象患者の次のリハビリ実施日に相当するときに実施したリハビリでの動作シーケンス情報を抽出する。動作情報抽出部16は、例えば、対象患者の第p水準における経過日数に1を足した日数(以下、該当日数という)を算出し、抽出された類似患者ncの、第pの回復水準に初めて至った日から上記の該当日数分を経過したとき、に実施したリハビリの動作シーケンス情報を抽出してもよい。なお、対象患者の第p水準における経過日数に代えて、対象患者の第pの回復水準におけるリハビリ実施回数(以下、第p水準における実施回数という)と最後の実施日からの経過日数とを用いてもよい。その場合、動作情報抽出部16は、抽出された類似患者ncの、第pの回復水準に初めて至った日からリハビリを第p水準における実施回数分行った後、対象患者の最後の実施日からの経過日数分を経過したとき、に実施したリハビリの動作シーケンス情報を抽出してもよい。
予測結果出力部17は、動作情報抽出部16によって抽出された動作シーケンス情報を、対象患者の次のリハビリ実施日における動作シーケンス情報の予測結果として表示する。表示先は、例えば、メモリ1002、出力装置1003またはネットワークインタフェース1005を介して接続された他の装置等である。
11 リハビリ回数予測部
12 属性データ生成部
13 予測モデル学習部
14 予測部
15 類似患者抽出部
16 動作情報抽出部
17 予測結果出力部
100 分析システム
101 次段階予測手段
102 類似個物抽出手段
103 予測観察情報出力手段
111 過去個物情報記憶手段
112 対象個物情報記憶手段
201 属性データ生成手段
202 予測モデル学習手段
203 予測手段
1001 CPU
1002 メモリ
1003 出力装置
1004 入力装置
1005 ネットワークインタフェース
Claims (12)
- 対象患者が行うリハビリテーションと同じ基準で判断される段階を少なくとも有するリハビリテーションを行った過去の複数患者の各々について、当該患者のリハビリテーションの実施回ごとのまたは所定の期間単位ごとの観察情報を含む観察履歴情報と、当該患者の回復状態に関連する情報であって少なくとも時系列要素を含む情報である経過情報と、当該患者の基本属性を示す基本属性情報とを記憶する過去患者情報記憶手段と、
対象患者の回復状態に関連する情報であって少なくとも時系列要素を含む情報である経過情報と、当該対象患者の基本属性を示す基本属性情報とを記憶する対象患者情報記憶手段と、
過去の複数患者の前記経過情報および前記基本属性情報に基づいた、任意患者の経過情報および基本属性情報から、前記任意患者が次の段階に進むまでにかかるリハビリ回数または期間単位数を出力する予測モデルと、対象患者の前記経過情報および前記基本属性情報とを用いて、対象患者が次の段階に進むまでにかかるリハビリ回数または期間単位数を予測する次段階予測手段と、
前記次段階予測手段による予測結果と、過去の複数患者の前記経過情報および前記基本属性情報と、対象患者の前記経過情報および前記基本属性情報とに基づいて、対象患者と最も類似する過去の患者を抽出する類似患者抽出手段と、
抽出された過去の患者の観察状態履歴情報を利用して、対象患者が次の段階に進むまでの間に含まれる任意の実施回または対象患者が次の段階に進むまでの間に含まれる任意の期間単位経過時において、対象患者から観察されると予測される観察情報である予測観察情報を出力する予測観察情報出力手段とを備えた
ことを特徴とするリハビリテーション支援システム。 - 経過情報は、患者が経たリハビリテーションの段階をリハビリテーションの実施回または前記所定の期間単位の情報と対応づけて示す情報を含む
請求項1に記載のリハビリテーション支援システム。 - 次段階予測手段は、
過去の複数患者の経過情報および基本属性情報を基に、予測モデルを学習する予測モデル学習手段と、
前記予測モデル学習手段が学習した予測モデルを用いて、対象患者が次の段階に進むまでにかかるリハビリ回数または期間単位数を予測する予測手段とを含む
請求項1または請求項2に記載のリハビリテーション支援システム。 - 次段階予測手段は、少なくとも経過情報および基本属性情報を含む、入力された任意の患者に関する所定形式の情報から、当該患者の属性データであって、所定の複数の要素からなるベクトルによって表される属性データを生成する属性データ生成手段を含み、
予測モデル学習手段は、前記属性データ生成手段によって生成される、過去の複数患者の各々の属性データと、当該患者が各段階で要したリハビリ回数または期間単位数の情報との対応情報を学習データにして、予測モデルを学習し、
予測手段は、前記属性データ生成手段によって生成される、対象患者の属性データを前記予測モデルに入力して得られる、対象患者が次の段階に進むまでにかかるリハビリ回数または期間単位数を予測結果とする
請求項3に記載のリハビリテーション支援システム。 - 過去患者情報記憶手段は、過去の複数患者の各々について、さらに当該患者に対して行われた診療に関する情報である臨床情報を記憶し、
対象患者情報記憶手段は、対象患者について、さらに当該対象患者に対して行われた診療に関する情報である臨床情報を記憶し、
次段階予測手段は、過去の複数患者の経過情報、基本属性情報および前記臨床情報と、対象患者の経過情報、基本属性情報および前記臨床情報とに基づいて、対象患者が次の段階に進むまでにかかるリハビリ回数または期間単位数を予測する
請求項1から請求項4のいずれか1項に記載のリハビリテーション支援システム。 - 対象患者情報記憶手段は、対象患者について、さらにこれまでのリハビリテーションの実施回ごとのまたは所定の期間単位ごとの観察情報を含む観察履歴情報を記憶し、
次段階予測手段は、少なくとも、過去の複数患者の経過情報、基本属性情報および観察履歴情報と、対象患者の経過情報、基本属性情報および観察履歴情報とに基づいて、対象患者が次の段階に進むまでにかかるリハビリ回数または期間単位数を予測する
請求項1から請求項5のいずれか1項に記載のリハビリテーション支援システム。 - 予測観察情報出力手段は、前記予測観察情報として、抽出された過去の患者の観察履歴情報に含まれる、対象患者の現在の段階と同じ段階において観察された観察情報であって指定された実施回または指定された期間単位経過時に相当するときに観察された観察情報を出力する
請求項1から請求項6のいずれか1項に記載のリハビリテーション支援システム。 - 対象患者が行うリハビリテーションと同じ基準で判断される段階を少なくとも有するリハビリテーションを行った過去の複数患者の各々について、当該患者のリハビリテーションの実施回ごとのまたは所定の期間単位ごとの観察情報を含む観察履歴情報と、当該患者の回復状態に関連する情報であって少なくとも時系列要素を含む情報である経過情報と、当該患者の基本属性を示す基本属性情報とを記憶する過去患者情報記憶手段と、対象患者の回復状態に関連する情報であって少なくとも時系列要素を含む情報である経過情報と、当該対象患者の基本属性を示す基本属性情報とを記憶する対象患者情報記憶手段とにアクセス可能な情報処理装置が、
過去の複数患者の前記経過情報および前記基本属性情報に基づいた、任意患者の経過情報および基本属性情報から、前記任意患者が次の段階に進むまでにかかるリハビリ回数または期間単位数を出力する予測モデルと、対象患者の前記経過情報および前記基本属性情報とを用いて、対象患者が次の段階に進むまでにかかるリハビリ回数または期間単位数を予測し、
前記予測結果と、過去の複数患者の前記経過情報および前記基本属性情報と、対象患者の前記経過情報および前記基本属性情報とに基づいて、対象患者と最も類似する過去の患者を抽出し、
抽出された過去の患者の観察状態履歴情報を利用して、対象患者が次の段階に進むまでの間に含まれる任意の実施回または対象患者が次の段階に進むまでの間に含まれる任意の期間単位経過時において、対象患者から観察されると予測される観察情報である予測観察情報を出力する
ことを特徴とするリハビリテーション支援方法。 - 対象患者が行うリハビリテーションと同じ基準で判断される段階を少なくとも有するリハビリテーションを行った過去の複数患者の各々について、当該患者のリハビリテーションの実施回ごとのまたは所定の期間単位ごとの観察情報を含む観察履歴情報と、当該患者の回復状態に関連する情報であって少なくとも時系列要素を含む情報である経過情報と、当該患者の基本属性を示す基本属性情報とを記憶する過去患者情報記憶手段と、対象患者の回復状態に関連する情報であって少なくとも時系列要素を含む情報である経過情報と、当該対象患者の基本属性を示す基本属性情報とを記憶する対象患者情報記憶手段とにアクセス可能なコンピュータに、
過去の複数患者の前記経過情報および前記基本属性情報に基づいた、任意患者の経過情報および基本属性情報から、前記任意患者が次の段階に進むまでにかかるリハビリ回数または期間単位数を出力する予測モデルと、対象患者の前記経過情報および前記基本属性情報とを用いて、対象患者が次の段階に進むまでにかかるリハビリ回数または期間単位数を予測する処理、
前記予測結果と、過去の複数患者の前記経過情報および前記基本属性情報と、対象患者の前記経過情報および前記基本属性情報とに基づいて、対象患者と最も類似する過去の患者を抽出する処理、および
抽出された過去の患者の観察状態履歴情報を利用して、対象患者が次の段階に進むまでの間に含まれる任意の実施回または対象患者が次の段階に進むまでの間に含まれる任意の期間単位経過時において、対象患者から観察されると予測される観察情報である予測観察情報を出力する処理
を実行させるためのリハビリテーション支援プログラム。 - 能力または状態の段階的な変化を伴う個物の行為または現象に関するデータの分析システムであって、
分析対象の個物である対象個物の前記行為または前記現象と同じ基準で判断される段階を少なくとも有する行為または現象を経験した過去の複数個物の各々について、当該個物の前記行為または前記現象において所定単位ごとの観察情報を含む観察履歴情報と、当該個物の変化する能力または状態に関連する情報であって少なくとも時系列要素を含む情報である経過情報と、当該個物の基本属性を示す基本属性情報とを記憶する過去個物情報記憶手段と、
対象個物の変化する能力または状態に関連する情報であって少なくとも時系列要素を含む情報である経過情報と、当該対象個物の基本属性を示す基本属性情報とを記憶する対象個物情報記憶手段と、
過去の複数個物の前記経過情報および前記基本属性情報に基づいた、任意個物の経過情報および基本属性情報から、前記任意個物が次の段階に進むまでにかかる所定単位の数を出力する予測モデルと、対象個物の前記経過情報および前記基本属性情報とを用いて、対象個物が次の段階に進むまでにかかる前記所定単位の数を予測する次段階予測手段と、
前記次段階予測手段による予測結果と、過去の複数個物の前記経過情報および前記基本属性情報と、対象個物の前記経過情報および前記基本属性情報とに基づいて、対象個物と最も類似する過去の個物を抽出する類似個物抽出手段と、
抽出された過去の個物の観察状態履歴情報を利用して、対象個物が次の段階に進むまでの間に含まれる任意の所定単位経過時において、対象個物から観察されると予測される観察情報である予測観察情報を出力する予測観察情報出力手段とを備えた
ことを特徴とする分析システム。 - 能力または状態の段階的な変化を伴う個物の行為または現象に関するデータの分析方法であって、
分析対象の個物である対象個物の前記行為または前記現象と同じ基準で判断される段階を少なくとも有する行為または現象を経験した過去の複数個物の各々について、当該個物の前記行為または前記現象において所定単位ごとの観察情報を含む観察履歴情報と、当該個物の変化する能力または状態に関連する情報であって少なくとも時系列要素を含む情報である経過情報と、当該個物の基本属性を示す基本属性情報とを記憶する過去個物情報記憶手段と、対個物の変化する能力または状態に関連する情報であって少なくとも時系列要素を含む情報である経過情報と、当該対象個物の基本属性を示す基本属性情報とを記憶する対象個物情報記憶手段とにアクセス可能な情報処理装置が、
過去の複数個物の前記経過情報および前記基本属性情報に基づいた、任意個物の経過情報および基本属性情報から、前記任意個物が次の段階に進むまでにかかる所定単位の数を出力する予測モデルと、対象個物の前記経過情報および前記基本属性情報とを用いて、対象個物が次の段階に進むまでにかかる前記所定単位の数を予測し、
前記予測結果と、過去の複数個物の前記経過情報および前記基本属性情報と、対象個物の前記経過情報および前記基本属性情報とに基づいて、対象個物と最も類似する過去の個物を抽出し、
抽出された過去の個物の観察状態履歴情報を利用して、対象個物が次の段階に進むまでの間に含まれる任意の所定単位経過時において、対象個物から観察されると予測される観察情報である予測観察情報を出力する
ことを特徴とする分析方法。 - 能力または状態の段階的な変化を伴う個物の行為または現象に関するデータの分析プログラムであって、
分析対象の個物である対象個物の前記行為または前記現象と同じ基準で判断される段階を少なくとも有する行為または現象を経験した過去の複数個物の各々について、当該個物の前記行為または前記現象において所定単位ごとの観察情報を含む観察履歴情報と、当該個物の変化する能力または状態に関連する情報であって少なくとも時系列要素を含む情報である経過情報と、当該個物の基本属性を示す基本属性情報とを記憶する過去個物情報記憶手段と、対象個物の変化する能力または状態に関連する情報であって少なくとも時系列要素を含む情報である経過情報と、当該対象個物の基本属性を示す基本属性情報とを記憶する対象個物情報記憶手段とにアクセス可能なコンピュータに、
過去の複数個物の前記経過情報および前記基本属性情報に基づいた、任意個物の経過情報および基本属性情報から、前記任意個物が次の段階に進むまでにかかる所定単位の数を出力する予測モデルと、対象個物の前記経過情報および前記基本属性情報とを用いて、対象個物が次の段階に進むまでにかかる前記所定単位の数を予測する処理、
前記予測結果と、過去の複数個物の前記経過情報および前記基本属性情報と、対象個物の前記経過情報および前記基本属性情報とに基づいて、対象個物と最も類似する過去の個物を抽出する処理、
抽出された過去の個物の観察状態履歴情報を利用して、対象個物が次の段階に進むまでの間に含まれる任意の所定単位経過時において、対象個物から観察されると予測される観察情報である予測観察情報を出力する処理を
実行させるための分析プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015076911A JP6540169B2 (ja) | 2015-04-03 | 2015-04-03 | 分析システム、リハビリテーション支援システム、方法およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015076911A JP6540169B2 (ja) | 2015-04-03 | 2015-04-03 | 分析システム、リハビリテーション支援システム、方法およびプログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019109158A Division JP6819725B2 (ja) | 2019-06-12 | 2019-06-12 | リハビリテーション支援システム、方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016197330A JP2016197330A (ja) | 2016-11-24 |
JP6540169B2 true JP6540169B2 (ja) | 2019-07-10 |
Family
ID=57357996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015076911A Active JP6540169B2 (ja) | 2015-04-03 | 2015-04-03 | 分析システム、リハビリテーション支援システム、方法およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6540169B2 (ja) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018092331A (ja) * | 2016-12-01 | 2018-06-14 | 国立大学法人 東京大学 | 妊娠期間予測装置、妊娠期間予測方法及び妊娠期間予測プログラム |
SG10201610983SA (en) * | 2016-12-30 | 2018-07-30 | Nec Asia Pacific Pte Ltd | Method and system for recommending resource allocation to a target subject |
JP6929124B2 (ja) * | 2017-05-12 | 2021-09-01 | 株式会社Micin | 予測システム、予測方法、および予測プログラム |
EP3649940A4 (en) * | 2017-07-04 | 2020-05-20 | Fujitsu Limited | INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING PROGRAM, AND INFORMATION PROCESSING METHOD |
WO2019082635A1 (ja) | 2017-10-27 | 2019-05-02 | パラマウントベッド株式会社 | 動画像記録システム |
US10528489B2 (en) | 2018-02-28 | 2020-01-07 | Micron Technology, Inc. | Multiple memory type memory module systems and methods |
JP6944424B2 (ja) * | 2018-08-31 | 2021-10-06 | 富士フイルム株式会社 | 診療支援装置 |
JP7139795B2 (ja) * | 2018-08-31 | 2022-09-21 | 日本電信電話株式会社 | 介入内容推定装置、方法およびプログラム |
JP7274204B2 (ja) * | 2019-04-05 | 2023-05-16 | 国立研究開発法人産業技術総合研究所 | 児童相談所などにおける情報処理方法及び装置 |
JP7326927B2 (ja) * | 2019-06-27 | 2023-08-16 | トヨタ自動車株式会社 | 学習装置、リハビリ支援システム、方法、プログラム、及び学習済みモデル |
JP7326926B2 (ja) * | 2019-06-27 | 2023-08-16 | トヨタ自動車株式会社 | 学習装置、リハビリ支援システム、方法、プログラム、及び学習済みモデル |
JP7470481B2 (ja) | 2019-07-13 | 2024-04-18 | 智子 高橋 | リハビリテーション支援装置 |
US20220328187A1 (en) * | 2019-08-09 | 2022-10-13 | Nec Corporation | Condition predicting apparatus, condition predicting method, computer program, and recording medium |
JP7349078B2 (ja) * | 2019-10-04 | 2023-09-22 | 日本電気株式会社 | リハビリ計画装置、リハビリ計画方法、及びプログラム |
US20220375568A1 (en) * | 2019-10-04 | 2022-11-24 | Nec Corporation | Rehabilitation planning apparatus, rehabilitation planning system, rehabilitation planning method, and computer readable medium |
JP7349077B2 (ja) * | 2019-10-04 | 2023-09-22 | 日本電気株式会社 | リハビリ業務支援装置、リハビリ業務支援方法、及びプログラム |
JP7431402B2 (ja) * | 2019-10-30 | 2024-02-15 | 日本電気株式会社 | 情報処理装置、支援方法及びプログラム |
JP7354955B2 (ja) * | 2020-07-28 | 2023-10-03 | トヨタ自動車株式会社 | 提示システム、提示方法およびプログラム |
JP2023109113A (ja) * | 2022-01-26 | 2023-08-07 | 日本電気株式会社 | リハビリメニュー決定支援装置、そのシステム、方法及びプログラム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001000420A (ja) * | 1999-06-16 | 2001-01-09 | Hitachi Plant Eng & Constr Co Ltd | 目標達成度評価装置及び目標達成度評価方法 |
JP2006202235A (ja) * | 2005-01-24 | 2006-08-03 | Nara Institute Of Science & Technology | 経時的現象発生解析装置及び経時的現象発生解析方法 |
JP4781710B2 (ja) * | 2005-05-12 | 2011-09-28 | シスメックス株式会社 | 治療効果予測システム及びそのプログラム |
US20140081659A1 (en) * | 2012-09-17 | 2014-03-20 | Depuy Orthopaedics, Inc. | Systems and methods for surgical and interventional planning, support, post-operative follow-up, and functional recovery tracking |
-
2015
- 2015-04-03 JP JP2015076911A patent/JP6540169B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2016197330A (ja) | 2016-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6540169B2 (ja) | 分析システム、リハビリテーション支援システム、方法およびプログラム | |
Bohr et al. | The rise of artificial intelligence in healthcare applications | |
Boukhennoufa et al. | Wearable sensors and machine learning in post-stroke rehabilitation assessment: A systematic review | |
US11144825B2 (en) | Interpretable deep learning framework for mining and predictive modeling of health care data | |
JP6909078B2 (ja) | 疾病発症予測装置、疾病発症予測方法およびプログラム | |
KR101970947B1 (ko) | 빅데이터를 활용한 건강정보 예측 장치 및 방법 | |
Ferber et al. | Gait biomechanics in the era of data science | |
JP7031953B2 (ja) | 膝手術の患者の管理 | |
Li et al. | Identifying informative risk factors and predicting bone disease progression via deep belief networks | |
Zhong | Internet of things sensors assisted physical activity recognition and health monitoring of college students | |
Luo et al. | A preliminary dual-energy X-ray absorptiometry-based finite element model for assessing osteoporotic hip fracture risk | |
JP7057589B2 (ja) | 医療情報処理システム、歩行状態定量化方法およびプログラム | |
Ko et al. | Predicting sarcopenia of female elderly from physical activity performance measurement using machine learning classifiers | |
Grant et al. | Applications of artificial intelligence in emergency medicine. | |
Jones et al. | Reduction, classification and ranking of motion analysis data: an application to osteoarthritic and normal knee function data | |
Nguyen et al. | Reinforcement learning coupled with finite element modeling for facial motion learning | |
Ichikawa et al. | Impact of predicting health-guidance candidates using massive health check-up data: a data-driven analysis | |
Bertolini et al. | Modeling Disease Progression in Mild Cognitive Impairment and Alzheimer's Disease with Digital Twins | |
Prager et al. | Predictive ability of 2-day measurement of active range of motion on 3-mo upper-extremity motor function in people with poststroke hemiparesis | |
JP6819725B2 (ja) | リハビリテーション支援システム、方法およびプログラム | |
JP7384705B2 (ja) | 分析装置、分析方法、および分析プログラム | |
Mack et al. | TAVR risk assessment: does the eyeball test have 20/20 vision, or can we do better? | |
WO2021028961A1 (ja) | 状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体 | |
CN113782132B (zh) | 标签信息的动态更新方法、装置及介质 | |
JP7367767B2 (ja) | 情報処理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180305 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190225 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190305 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190426 |
|
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: 20190514 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190527 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6540169 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |