JP7057589B2 - 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 - Google Patents

Description

本発明は、リハビリ施設等で運用される医療情報処理システムに関する。

昨今、医療機関内で情報処理システムが多く使用されている。また、医療機関専用の情報処理システムの開発も活発である。

医療機関では多くの患者に対して手術や検査、リハビリなどの多岐に亘る業務を行っている。医療機関専用の情報処理システムは、従前の医療関係者の業務をサポートして、作業効率を高めている。

医療機関専用の情報処理システムには、従前の紙のカルテを電子カルテとして情報化するシステムや、最初からカルテ情報を電子データとして受け付けるシステムなどがある。各患者の電子カルテ情報群は、情報処理システムのサーバ（ストレージ）に保存され、権限がある医療機関者によって呼び出され、必要に応じて従前の紙カルテのように使用される。電子カルテの収集／提示のみを扱う情報処理システムは、概ね電子カルテシステムと呼ばれている。

医療機関で用いられている医療情報処理システムは、電子カルテシステム以外にも多岐に亘り、例えば特許文献１に一つのシステムが記載されている。

特許文献１には、歩行のリハビリに関して目標達成度を算出する目標達成度評価装置が記載されている。この目標達成度評価装置は、映像から患者の歩行時の動に関する情報を抽出し、過去に撮影された患者の歩行時の動作に関する情報と対比し、回復過程にある患者の歩行時の動作の目標を導出し、更にその目標と今回の患者の歩行時の動作とを対比して該患者の現時点の回復状況を数値化している。

また、特許文献２には、下方より撮影した映像から足の接地タイミングと離地タイミングを抽出して歩行（下肢の運動）を解析する足動解析システムが開示されている。この足動解析システムは、感圧式のパットを用いることなしに映像から歩行を解析して歩行異常を検知可能に構成されている。

上記２文献は、映像解析によって患者の歩行に関する情報を得ている。他方で、特許文献３には、アスリートの視覚能力強化のために、視覚化（思い浮かべること）を定量化及び／又は訓練するための、視覚情報を与える表示装置と、眼球運動をデータ化する眼球運動モニタリング装置とアスリートの安定性をデータ化する一対の感圧板が組み合わさったシステムが開示されている。

特開２００１－０００４２０号公報 特開２００３－２５０７８０号公報 特表２０１２－５３２６９５号公報

患者が行うリハビリテーション（リハビリ）は属人性が高い治療である。この治療（リハビリ）は、同じ内容のリハビリを実施しても、患者個々人によってリハビリ効果に大きな差異がある。また、リハビリを助ける療法士やトレーナー等（以降、療法士等）の介入の下で患者が行うリハビリの場合、同じ内容のリハビリメニューであっても療法士等の個々人の差によっても患者のリハビリ効果が変化することがある。

上記例示した理由の他にも、患者の属性（年齢や性別など）によっても患者のリハビリ効果が大きく変化することもある。

リハビリによる回復度合いを客観的に定量化することが治療効果を検証するためには重要であるが、上記のように様々な理由から非常に困難である。

現状、医療現場では回復効果を定量化する指標としてＦＩＭ（Function Independence Measure:機能的自立度評価表）が用いられることがある。このＦＩＭは、療法士等の主観による判断で患者の状態を数値化する項目を含んでおり、属人性があり曖昧とも云える。また歩行に関するチェック項目（１項目のみ、７段階評価）が少ないため、様々な患者の回復度合いを定量的に正確に測りきれない。

また、特許文献１や特許文献２で開示されたシステムのように患者の歩行の良し悪しを評価するために、関節角度等を導出して評価するシステムもある。しかし、全ての患者が健常者と同じ状態まで回復することはない。例えば歩行障害を抱える患者に対して、特許文献１や特許文献２で開示されたシステムでは適正に回復効果を定量化できない。同様に、代償運動、共同運動、連合反応を伴う患者に対して、特許文献１や特許文献２で開示されたシステムでは適正に回復効果を定量化できない。

すなわち、リハビリを要する数多くの様々な患者に対する重要な着眼点を十分に持ち合わせていない。救急病院、リハビリ病院、介護施設などでより良く患者個々人にリハビリ環境を提供するには、治療効果の検証や確認を可能とすることが重要となる。

なお、特許文献３に記載されたシステムでは、患者の回復効果は計れない。

本発明は、上記課題を解決することを目的として、患者の歩行から、患者の歩行に関する回復状況をより客観的な定量化を計る医療情報処理システムを提供する。

本発明の一実施形態に係る医療情報処理システムは、映像から得られた患者の歩行時の動作に関する第１の情報と、前記患者の前記映像の撮影時の歩行時での視線の動きに関する第２の情報とを受け付けるリハビリ患者情報入力手段と、複数の患者の歩行時の動作と該歩行時の視線の動きとを参照して、患者の各時点の歩行時の動作と該歩行時の視線の動きとの関係性を学習した関係性モデルを生成するモデル生成手段と、前記リハビリ患者情報入力手段で入力された、前記第１の情報と、前記第２の情報とを、前記モデル生成手段で生成した関係性モデルに基づいて、該患者の現時点の回復状況を定量化するリハビリ効果定量化手段と、を具備することを特徴とする。

本発明の一実施形態に係る医療情報処理システムによる歩行状態定量化方法は、予め、モデル生成手段によって、複数の患者の歩行時の動作と該歩行時の視線の動きとを参照して、患者の各時点の歩行時の動作と視線の動きとの関係性を学習した関係性モデルを生成し、映像から得られた患者の歩行時の動作に関する第１の情報と、前記患者の前記映像の撮影時の歩行時での視線の動きに関する第２の情報とをリハビリ患者情報入力手段により受け付け、入力された、前記第１の情報と、前記第２の情報とを、リハビリ効果定量化手段によって、生成した関係性モデルに基づいて、該患者の現時点の回復状況を定量化することを特徴とする。

本発明の一実施形態に係るプログラムは、情報処理システムを、映像から得られた患者の歩行時の動作に関する第１の情報と、前記患者の前記映像の撮影時の歩行時での視線の動きに関する第２の情報とを受け付けるリハビリ患者情報入力手段と、複数の患者の歩行時の動作と該歩行時の視線の動きとを参照して、患者の各時点の歩行時の動作と該歩行時の視線の動きとの関係性を学習した関係性モデルを生成するモデル生成手段と、前記リハビリ患者情報入力手段で入力された、前記第１の情報と、前記第２の情報とを、前記モデル生成手段で生成した関係性モデルに基づいて、該患者の現時点の回復状況を定量化するリハビリ効果定量化手段、として動作させることを特徴とする。

本発明によれば、患者の歩行から、患者の歩行に関する回復状況をより客観的な定量化を計る医療情報処理システムを提供できる。

本発明に係る第１の実施形態の医療情報処理システム１を示すブロック図である。 本発明に係る第１の実施形態の医療情報処理システム１の基本フローを示すフローチャートである。 本発明に係る第１の実施形態の医療情報処理システム１の概略的な機械学習フローを示すフローチャートである。 本発明に係る第１の実施形態の医療情報処理システム１の歩行状態定量化処理動作を示すフローチャートである。 本発明に係る第２の実施形態の医療情報処理システム２を示すブロック図である。 本発明に係る第２の実施形態の医療情報処理システム２の概略的な機械学習フローを示すフローチャートである。 本発明に係る第２の実施形態の医療情報処理システム２の歩行状態定量化処理動作を示すフローチャートである。 本発明に係る医療情報処理システムの構成例を示すブロック図である。

本発明の実施形態を、図面を参照して説明する。

［第１の実施形態］
図１は、本発明の第１の実施形態に係る医療情報処理システム１を示すブロック図である。

医療情報処理システム１は、少なくとも、入出力部１０、リハビリ効果定量化部２０、及びモデル生成部３０を含み構成される。また医療情報処理システム１には、各構成要素が必要に応じて利用可能に構成された各種データベースと学習された１つないし複数の学習モデルを記憶する学習モデル群記憶部が構築されていることとする。なお各種データベースは、内部データベースとせずとも、外部データベースを用いることとしてもよい。同様に、学習モデル群記憶部は、内部メモリーや内部ストレージとせずとも、外部ストレージ等を用いることとしてもよい。医療情報処理システム１は、プロセッサー及びメモリーを内在して、各構成要素を以下のように動作させる。

入出力部１０は、入出力インタフェースであり、リハビリ患者情報入力手段として動作する。入出力部１０は、映像から生成された患者の歩行時の動作に関する情報（第１の情報）と、患者の映像撮影時の視線の動きに関する情報（第２の情報）を受け付ける。また、入出力部１０は、患者が目指す歩行状態の目標を目標情報として受け付けることとしてもよい。患者が目指す歩行状態の目標は、一般的には、患者と医師、療法士等が相談して、定めることが想定される。例えば、目標として、「１人で歩ける（回復後に代償運動を許容する）」、「雑踏でも歩ける」、「野外を安全に歩ける」、「自宅内を介助なしに歩ける」、「装具なしで歩ける」、「スムーズに早く歩ける」、「階段を登れる」などの項目を設けることができる。また、「移動速度を優先した歩き方」や、「痛み無しを優先した歩き方」、「見た目を優先した歩き方」などのように、回復の方向性を定める目標としてもよい。

本実施形態では、患者の歩行時の動作に関する情報と視線の動きに関する情報は、本システム外で生成されることとする。例えば、患者の歩行時の動作に関して映像から抽出する技術は、特に限定しないものの、例えば、モーションキャプチャシステムを用いたり、深度センサとＲＧＢ映像データから人体の骨格モデルを取得する技術を用いたり、ＲＧＢ映像データかのみから人体姿勢を取得する技術を用いることができる。なお、患者の映像はどのようなカメラで撮影しても良いものの、画像解析に合わせて通常の映像だけでなく、複眼カメラや距離センサ、計測点を定めるマーカーを合わせて用いることとしてもよい。患者の距離画像を受け付けたり、マーカーの位置を検知したりすることで、患者のより詳細な動きを抽出可能になる。

入出力部１０は、抽出された患者の歩行時の動作を識別できれば、患者の歩行時の動作に関する情報としてどのようなフォーマットで受け付けてもよい。患者の歩行時の動作に関する情報には、歩行時の身体の動きの特徴が含まれていればよく、例えば「歩行速度」、「バランス能力」、「フットクリアランス」などの患者のパフォーマンスを含めればよいと考えられる。また、患者の歩行時の動作に関する情報として、頭頸部、体幹、骨盤、上肢、下肢の運動、「胸腰部の上下動」、「体幹の姿勢」などを含めればよいと考えられる。また、下肢（関節）の動線に関する情報を患者の歩行時の動作に関する情報に加えることとしてもよい。

リハビリ効果定量化部２０は、入出力部１０で受け付けられた、患者の歩行時の動作に関する情報と、患者の映像撮影時の視線の動きに関する情報とを、後述するモデル生成部３０で生成した関係性モデルに基づいて、患者の現時点の回復状況を定量化する。

この患者の現時点の回復状況を定量化する際に、リハビリ効果定量化部２０は、目標情報を参照して、患者の歩行状態の目標に応じて定量化変数を変更して、患者の目標に対する回復状況を定量化するように構成することが望ましい。

定量化は、例えば以下の式（１）に基づいて実施することができる。以下の式は、例えば代償運動を伴う患者を含めて、全員の共通の算出式として使用可能である。
y(x_i,i=1,2,…) = f(Σ{w_i*x_i})・・・（１）
ここで、各変数は、y(x): スコア, w_i : 重みパラメータ, y_i (x) : 特徴, f : 任意の単調増加関数である。

このようにリハビリ効果定量化部２０は、複数の患者の視線と動きの特徴の機械学習結果から評価対象患者の回復度合いを定量化する。この特徴の値から回復度合いを推定するためのパラメータは、関係性モデルから得る。

モデル生成部３０は、少なくとも複数の患者の歩行時の動作とその歩行時の視線の動きとを参照して、患者の各時点の歩行時の動作と視線の動きの関係性を学習した関係性モデルを生成する。このモデル生成部３０は、モデル生成手段として動作する。学習アルゴリズムは、任意の統計的機械学習手法を用いればよく、例えば、線形回帰、サポートベクトルマシン、ニューラルネットワーク等の回帰用の手法や識別用の手法を用いることで関係性モデルを生成できる。

機械学習の関係性を求める項目とする患者の歩行時の特徴は、上記した歩行時の身体の動作の特徴と、歩行時の視線の動きの特徴とが使用できる。また、患者の属性（年齢、性別、職業など）、患者の目標、病症、回復度合、各代償運動、各異常共同運動、各連合反応の有無、強度なども学習項目の項目に加えて機械学習することとしてよい。また、モデル生成部３０は、歩行時の視線の動きと他の特徴とを参照して、複数種類の関係性を学習して関係性モデル群を生成することとしてもよい。例えば、モデル生成部３０は、複数の患者の回復過程の代償運動の種別及び強度と該歩行時の視線の動きとを参照して、患者の各時点の歩行時の視線の動きと回復過程の代償運動との関係性を学習した関係性モデル群を生成することとしてもよい。

なお、歩行時の視線の動きの特徴としては、以下の特徴が知られている。
歩行動作時の視線の良し悪し：
良い視線：周辺環境を認識するように視線を動かしながら、歩行する
悪い視線：注視点が固定されている（眼球がほぼ動かず）
悪い視線：自分の足元だけを注視している
悪い視線：任意の移動対象に目の焦点を合わせられない

悪い視線になってしまう一つの理由は、患者が歩行時に体が倒れないように安定させようと意識することによって体の姿勢が不自然に固定されやすくなることが挙げられる。結果的に、このような患者は、歩行時に注視点も固定させてしまいがちな傾向を生じる人がいる。他の歩行動作時の視線の良し悪しについても、様々な要因と因子が関連して、歩行時に様々な視線に関する特徴が浮き出てくる。

また、歩行時の代償運動としては、「伸び上がり」、「脚のブン回し」、「骨盤の引き上げ」、「中臀筋筋力低下状態歩行（トレンデレンブルグ歩行やデュシェンヌ歩行）」を区分けして機械学習モデルに反映させる代償運動の種別とできる。このことで、例えば、モデル生成部２０は、関係性モデルの生成する際に、伸び上がり、脚のブン回し、骨盤の引き上げ、中臀筋筋力低下状態歩行の少なくとも一つの代償運動について、歩行時の視線の動きとの関係性を機械学習結果に含めることが可能になる。各関節の異常屈曲共同運動パターン、異常伸展共同運動パターン、各筋の連合反応についても上記代償運動の例と同様とする。

この患者の歩行時の視線に関する特徴と歩行等の関係性を機械学習によってモデル化して、回復度合い推定用パラメータを得られるようにする。

このように、医療情報処理システム１を構成することで、患者の歩行から、患者の歩行に関する回復状況をより客観的な定量化を計ることが可能になる。

［第１の実施形態の動作説明］
次に、本実施形態に係る医療情報処理システム１の動作を説明する。

図２は、本実施形態の医療情報処理システム１の基本フローを示すフローチャートである。図３は、医療情報処理システム１の機械学習フローを示すフローチャート例である。また、図４は、医療情報処理システム１の歩行状態定量化処理動作を示すフローチャート例である。

まず、基本フローは、図２に示したように次のようになる。
医療情報処理システム１は、予め、モデル生成部３０によって、多くの患者の歩行時の視線と歩行の特徴に関する関係性モデルを機械学習する（Ｆ１０１）。

医療情報処理システム１は、リハビリ効果定量化部２０によって、入力された患者の歩行時の身体の動作と視線の動きについて、生成されている関係性モデルから求められたパラメータを参照して、患者の現時点の回復状況を定量化する（Ｆ１０２）。

次に、図３は、医療情報処理システム１の機械学習フローを示すフローチャート例である。

まず、医療情報処理システム１のとなる情報処理システムのプロセッサーは、学習対象となる多数の患者のデータ（歩行時の動作に関する情報と、視線の動きに関する情報、等）を収集する（Ｓ１０１）。

次に、プロセッサーは、データベースに蓄積されたデータ群から学習対象とする項目（特徴、パラメータ）のデータを抽出する（Ｓ１０２）。

次に、プロセッサーは、視線に関する各種特徴を含む特徴（パラメータ）群の関係を学習する（Ｓ１０３）。なお、伸び上がり、脚のブン回し、骨盤の引き上げ、中臀筋筋力低下状態歩行などの代償運動について、歩行時の視線の動きとの関係性を学習することが望ましい。このことで、回復状況を定量化する患者が代償運動の発現、改善、悪化に対してより正確な定量化が可能になる。また、健常者の歩行及び視線の特徴を回復度合い正解情報として機械学習に加えてもよい。各関節の異常屈曲共同運動パターン、異常伸展共同運動パターン、各筋の連合反応についても上記代償運動の例と同様とする。

最後に、プロセッサーは、学習結果である１つないし複数の関係性モデルを学習モデル群記憶部に蓄積する（Ｓ１０４）。

この機械学習は、データベースにデータが蓄積された際に定期的に実施して、最新の学習結果にアップデートすることが望ましい。

図４は、医療情報処理システム１の歩行状態定量化処理動作を示すフローチャート例である。

まず、医療情報処理システム１となる情報処理システムのプロセッサーは、リハビリ患者の対象患者の歩行及び視線に関する情報と患者属性情報を取得する（Ｓ２０１）。患者属性情報は、例えば、電子カルテデータベースから取得すればよい。なお、この患者属性情報には、当該患者が発現している代償運動もしくは発現する可能性がある代償運動が登録されていることとする。

次に、プロセッサーは、学習済みの関係性モデルから回復度合い推定用パラメータを抽出する（Ｓ２０２）。なお、この回復度合い推定用パラメータを得る処理は、定量化処理の前処理として実施することとしてもよい。

次に、プロセッサーは、回復度合い推定用パラメータを用いて、歩行に関しての患者の回復度合いを推定（定量化）する（Ｓ２０３）。この際、患者の歩行状態の目標情報を受けていれば、当該目標に応じて定量化変数を変更して、該患者の現時点の回復状況を定量化すればよい。また、当該患者に関連する代償運動に関しての機械学習結果を利用して、伸び上がり、脚のブン回し、骨盤の引き上げ、中臀筋筋力低下状態歩行の少なくとも関連する一つの代償運動に関しての回復状況を定量化することとしてもよい。各関節の異常屈曲共同運動パターン、異常伸展共同運動パターン、各筋の連合反応についても上記代償運動の例と同様とする。

最後に、プロセッサーは、推定（定量化）した患者の回復度合いを患者や療法士等に通知する（Ｓ２０４）。

なお、任意にスコアの算出理由を通知することとしてもよい（Ｓ２０５）。例えば、代償運動、異常共同運動、連合反応の初期症状が発現している患者には、スコアの低下要因を代償運動名等を示して伝達すことで、代償運動、異常共同運動、連合反応の悪化を予防するリハビリが行えるようになる。

このように情報処理システムを動作させることで、医療情報処理システム１は、患者の歩行から、患者の歩行に関する回復状況をより客観的な定量化を計ることができる。

次に本発明の第２の実施形態を説明する。なお、第２の実施形態については、第１の実施形態と同様な部分については説明を簡略化もしくは省略する。

［第２の実施形態］
図５は、本発明の第２の実施形態に係る医療情報処理システム２を示すブロック図である。

医療情報処理システム２は、医療情報処理システム１と同様に、入出力部１０、リハビリ効果定量化部２０、及びモデル生成部３０を含み構成される。

医療情報処理システム２の入出力部１０には、身体動き特徴抽出モジュール、代償運動強度推定モジュール、及び視線特徴抽出モジュールが搭載される。

身体動き特徴抽出モジュールは、患者の歩行時の映像（定量化用評価映像）から患者の歩行時の動作に関する情報（第１の情報）を生成する。

代償運動強度推定モジュールは、患者の歩行時の動作に関する情報若しくは患者の歩行時の映像から、代償運動、異常共同運動、連合反応の有無及び強度を示す代償運動、異常共同運動、連合反応の動きに関する情報（第３の情報）を生成する。

視線特徴抽出モジュールは、患者の視線を特定するための映像やセンサ、デバイスの出力データから患者の視線の動きに関する情報（第２の情報）を抽出する。この抽出によって、患者の歩行時の視線の動きである、例えば「視線が固定的か否か」、「足元だけをみているか否か」、「一点だけをみているか否か」、「目の焦点は特定物に合っているか否か」等の特徴を得る。

また、入出力部１０には、視線特徴タイミング調整モジュール１１が搭載される。視線特徴タイミング調整モジュール１１は、視線特徴抽出モジュールによって抽出された患者の視線の動きに関する情報（第２の情報）と、患者の歩行時の動作に関する情報（第１の情報）との時間軸の紐付けを行う。また、視線特徴タイミング調整モジュール１１は、代償運動強度推定モジュールによって抽出される患者の代償運動の運動に関する情報（第３の情報）も、患者の歩行時の動作に関する情報との時間軸の紐付けを行うこととしてもよい。この処理を行って患者の歩行時の身体の動作と視線の動きとの特徴を精確に関連付けることで、リハビリ効果定量化部３０による患者の現時点の回復状況の定量化がより精確に算定される。

リハビリ効果定量化部２０は、入出力部１０で抽出された、患者の動作に関する情報と、代償運動、異常共同運動、連合反応の運動に関する情報と、患者の視線の動きに関する情報とを、モデル生成部３０で生成した関係性モデルに基づいて、患者の現時点の回復状況を定量化する。この際、目標情報を利用して患者の歩行状態の目標に応じて定量化変数を変更してもよい。また、リハビリ効果定量化部２０は、代償運動に関して、機械学習済みの、伸び上がり、脚のブン回し、骨盤の引き上げ、中臀筋筋力低下状態歩行の少なくとも一つの代償運動に関しての患者の現時点の回復状況を定量化するように構成してもよい。異常共同運動、連合反応についても代償運動と同様に一つの症例ごとに患者の現時点の回復状況を定量化するように構成してもよい。

モデル生成部３０は、少なくとも複数の患者の歩行時の動作とその歩行時の視線の動きと代償運動の運動に関する情報とを参照して、患者の各時点の歩行時の動作と視線の動きの関係性を学習した関係性モデルを生成する。また、本実施形態では、モデル生成部３０は、関係性モデルの生成する際に、伸び上がり、脚のブン回し、骨盤の引き上げ、中臀筋筋力低下状態歩行のそれぞれの代償運動について、歩行時の視線の動きとの関係性をそれぞれ学習するように構成する。モデル生成部３０は、異常共同運動、連合反応についても上記代償運動と同様に関係性モデルを生成する。

このように、医療情報処理システム２を構成することで、患者の歩行を写した映像等から、患者の歩行に関する回復状況をより客観的な定量化を計ることが可能になる。

［第２の実施形態の動作説明］
次に、本実施形態に係る医療情報処理システム２の動作を説明する。なお、基本フローは、第１の実施形態に示したフローと同様である。

図６は、医療情報処理システム２の機械学習フローを示すフローチャート例である。医療情報処理システム２となる情報処理システムのプロセッサーは、図６に示すように機械学習フローを実行する。

まず、プロセッサーは、学習対象となる多数の患者のデータ（歩行時の動作に関する情報と、視線の動きに関する情報、代償運動、異常共同運動、連合反応の運動きに関する情報、等）を収集する（Ｓ３０１）。

次に、プロセッサーは、データベースに蓄積されたデータ群から学習対象とする項目（特徴、パラメータ）のデータを抽出する（Ｓ３０２）。

次に、プロセッサーは、視線に関する各種特徴を含む特徴（パラメータ）群の関係を代償運動、異常共同運動、連合反応毎に学習する（Ｓ３０３）。この際、代償運動、異常共同運動、連合反応の種別と共に、複数の患者の回復過程の代償運動、異常共同運動、連合反応の強度と該歩行時の視線の動きとを参照して、患者の各時点の歩行時の視線の動きと回復過程の代償運動、異常共同運動、連合反応との関係性を学習した関係性モデルを学習することとしてもよい。なお、伸び上がり、脚のブン回し、骨盤の引き上げ、中臀筋筋力低下状態歩行などの代償運動について、歩行時の視線の動きとの関係性をそれぞれ別々に学習することと各代償運動を全て含めて学習することを行うことが望ましい。異常共同運動、連合反応についても上記と同様とする。このことで、回復状況を定量化する患者が代償運動、異常共同運動、連合反応の発現、改善、悪化に対してより正確な定量化が可能になる。更に、患者の特定種類の代償運動等に特化して回復状況を定量化することでより精確な定量化が可能になる。また、健常者の歩行及び視線の特徴を回復度合い正解情報として機械学習に加えてもよい。

最後に、プロセッサーは、学習結果である１つないし複数の関係性モデルを学習モデル群記憶部に蓄積する（Ｓ１０４）。

この機械学習は、データベースにデータが蓄積された際に定期的に実施して、最新の学習結果にアップデートすることが望ましい。

図７は、医療情報処理システム２の歩行状態定量化処理動作を示すフローチャート例である。

まず、プロセッサーは、リハビリ患者の対象患者の歩行及び視線に関する情報と代償運動、異常共同運動、連合反応の有無と患者属性情報を取得する（Ｓ４０１）。患者属性情報は、例えば、電子カルテデータベースから取得すればよい。なお、代償運動、異常共同運動、連合反応は、患者属性情報に登録されている情報があればその情報を参照して、当該患者が発現している代償運動、異常共同運動、連合反応もしくは発現する可能性がある代償運動、異常共同運動、連合反応を取得してもよい。

次に、プロセッサーは、患者が発現している代償運動、異常共同運動、連合反応もしくは発現する可能性がある代償運動、異常共同運動、連合反応に関して学習された関係性モデルを選択して、その関係性モデルから回復度合い推定用パラメータを抽出する（Ｓ４０２）。

次に、プロセッサーは、回復度合い推定用パラメータを用いて、歩行に関しての患者の代償運動、異常共同運動、連合反応に対する状況を推定（定量化）する（Ｓ４０３）。この際、患者の歩行状態の目標情報を受けていれば、当該目標に応じて定量化変数を変更して、該患者の現時点の回復状況を定量化すればよい。

最後に、プロセッサーは、推定（定量化）した患者の代償運動、異常共同運動、連合反応に対する状況と共に各種状態を患者や療法士等に通知する（Ｓ４０４）。

このことで、例えば当該患者に関連する代償運動に関して特化した機械学習結果を利用して、伸び上がり、脚のブン回し、骨盤の引き上げ、中臀筋筋力低下状態歩行のように、患者に影響している代償運動に関しての回復状況を精確に定量化できる。異常共同運動、連合反応についても上記と同様である。

なお、任意にスコアの算出理由を通知することとしてもよい（Ｓ４０５）。例えば、代償運動、異常共同運動、連合反応の症状が改善している患者には、スコアの上昇要因を代償運動、異常共同運動、連合反応の名称とその改善ポイントを示して伝達することで、代償運動、異常共同運動、連合反応をより改善させるリハビリが行えるようになる。

このように情報処理システムを動作させることで、医療情報処理システム２は、患者の歩行を写した映像等から、患者の歩行に関する回復状況として個別の代償運動、異常共同運動、連合反応のより客観的な定量化を計ることができる。

以上説明したように、本発明を適用した医療情報処理システムは、患者の歩行から、患者の歩行に関する回復状況をより客観的な定量化を計る医療情報処理システムを提供できる。

尚、本システムの各部は、図８に例示するようなコンピュータシステム（サーバシステム）のハードウェアとソフトウェア、仮想化技術の組み合わせを適宜用いて実現すればよい。このコンピュータシステムは、所望形態に合わせた、１ないし複数のプロセッサーとメモリーを含む。また、このコンピュータシステムの形態では、各部は、上記メモリーに行動支援システム用のプログラムが展開され、このプログラムに基づいて１ないし複数のプロセッサー等のハードウェアを実行命令群やコード群で動作させることによって、実現すればよい。この際、必要に応じて、このプログラムは、オペーレティングシステムや、マイクロプログラム、ドライバなどのソフトウェアが提供する機能と協働して、各部を実現することとしてもよい。

メモリーに展開されるプログラムデータは、プロセッサーを１ないし複数の上述した各部として動作させる実行命令群やコード群、テーブルファイル、コンテンツデータなどを適宜含む。

また、このコンピュータシステムは、必ずしも一つの装置として構築される必要はなく、複数のサーバ／コンピュータ／仮想マシンなどが組み合わさって、所謂、シンクライアントや、分散コンピューティング、クラウドコンピューティングで構築されてもよい。

また、コンピュータシステムの一部／全ての各部をハードウェアやファームウェア（例えば、一ないし複数のLSI：Large-Scale Integration、FPGA：Field Programmable Gate Array、電子素子の組み合わせ）で置換することとしてもよい。同様に、各部の一部のみをハードウェアやファームウェアで置換することとしてもよい。

また、このプログラムは、記録媒体に非一時的に記録されて頒布されても良い。当該記録媒体に記録されたプログラムは、有線、無線、又は記録媒体そのものを介してメモリーに読込まれ、プロセッサー等を動作させる。

尚、本明細書では、記録媒体には、類似するタームの記憶媒体やメモリー装置、ストレージ装置なども含むこととする。この記録媒体を例示すれば、オプティカルディスクや磁気ディスク、半導体メモリー装置、ハードディスク装置、テープメディアなどが挙げられる。また、記録媒体は、不揮発性であることが望ましい。また、記録媒体は、揮発性モジュール（例えばRAM：Random Access Memory）と不揮発性モジュール（例えばROM：Read Only Memory）の組み合わせを用いることとしてもよい。

上記形態を別の表現で説明すれば、医療情報処理システムとして動作させる情報処理システムを、メモリーに展開された歩行状態定量化プログラムに基づき、入出力部、リハビリ効果定量化部、モデル生成部として動作させることで、その結果、本発明に係る医療情報処理システムを実現できる。

同様に、上記形態を更に別の表現で説明すれば、記録媒体は、メモリーに展開されて情報処理システムのプロセッサーで動作する行動支援プログラムを含み、情報処理リソースに学習工程、入力工程、リハビリ効果定量化工程を適時実行させることで、本発明に係る医療情報処理システムを構築できる。

なお、実施形態を例示して本発明を説明した。しかし、本発明の具体的な構成は前述の実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の変更があってもこの発明に含まれる。例えば、上述した実施形態のブロック構成の分離併合、手順の入れ替えなどの変更は本発明の趣旨および説明される機能を満たせば自由であり、上記説明が本発明を限定するものではない。

１、２ 医療情報処理システム
１０ 入出力部
１１ 視線特徴タイミング調整モジュール
２０ リハビリ効果定量化部
３０ モデル生成部

Claims (10)

1. 映像から得られた患者の歩行時の動作に関する第１の情報と、前記患者の前記映像の撮影時の歩行時での視線の動きに関する第２の情報とを受け付けるリハビリ患者情報入力手段と、
   複数の患者の歩行時の動作と該歩行時の視線の動きとを参照して、患者の各時点の歩行時の動作と該歩行時の視線の動きとの関係性を学習した関係性モデルを生成するモデル生成手段と、
   前記リハビリ患者情報入力手段で入力された、前記第１の情報と、前記第２の情報とを、前記モデル生成手段で生成した関係性モデルに基づいて、該患者の現時点の回復状況を定量化するリハビリ効果定量化手段と、
   を具備することを特徴とする医療情報処理システム。
2. 前記リハビリ患者情報入力手段は、前記映像を受け付けて該映像から患者の歩行時の動作を参照して前記第１の情報を生成すると共に、当該患者の歩行時の動作に合わせて前記第２の情報を紐付けることを特徴とする請求項１記載の医療情報処理システム。
3. 前記リハビリ患者情報入力手段は、前記映像を受け付けて該映像から前記第２の情報を眼球の動きから抽出することを特徴とする請求項１又は２に記載の医療情報処理システム。
4. 前記リハビリ患者情報入力手段は、前記映像を受け付けて該映像から患者の代償運動、異常共同運動、連合反応の種別及び強度を代償運動、異常共同運動、連合反応の運動に関する第３の情報として抽出すると共に、当該患者の代償運動、異常共同運動、連合反応の運動に合わせて前記第２の情報を紐付けることを特徴とする請求項１から３の何れか一項に記載の医療情報処理システム。
5. 前記モデル生成手段は、複数の患者の回復過程の代償運動、異常共同運動、連合反応の種別及び強度と歩行時の身体の動作と該歩行時の視線の動きとを少なくとも参照して、患者の各時点の歩行時の視線の動きと回復過程の代償運動、異常共同運動、連合反応とが含まれる患者の動作の関係性を学習した関係性モデルを生成し、
   前記リハビリ効果定量化手段は、前記リハビリ患者情報入力手段で入力された、前記第１の情報と、前記第２の情報と、前記第３の情報と、前記関係性モデルとに基づいて、該患者の現時点の代償運動、異常共同運動、連合反応に対する状況を定量化する
   ことを特徴とする請求項４に記載の医療情報処理システム。
6. 該医療情報処理システムは、代償運動の種別として、伸び上がり、脚のブン回し、骨盤の引き上げ、中臀筋筋力低下状態歩行を区分けして取り扱い、
   前記モデル生成手段は、関係性モデルの生成する際に、伸び上がり、脚のブン回し、骨盤の引き上げ、中臀筋筋力低下状態歩行の少なくとも一つの代償運動について、歩行時の視線の動きとの関係性を機械学習し、
   前記リハビリ効果定量化手段は、前記リハビリ患者情報入力手段で入力された、前記第１の情報と、前記第２の情報と、前記第３の情報と、前記関係性モデルとに基づいて、該患者の現時点の機械学習済みの伸び上がり、脚のブン回し、骨盤の引き上げ、中臀筋筋力低下状態歩行の少なくとも一つの代償運動に関しての回復状況を定量化する
   ことを特徴とする請求項４又は５に記載の医療情報処理システム。
7. 前記リハビリ患者情報入力手段は、患者が目指す歩行状態の目標である目標情報を受け付け、
   前記リハビリ効果定量化手段は、患者の現時点の回復状況を定量化する際に、該当患者の目標情報に応じて定量化変数を変更して、該患者の現時点の回復状況を定量化する
   ことを特徴とする請求項１から６の何れか一項に記載の医療情報処理システム。
8. 前記リハビリ効果定量化手段は、患者の現時点の回復状況を定量化する際に、該患者の現時点の回復状況を以下の式（１）に基づいて定量化することを特徴とする請求項１から７の何れか一項に記載の医療情報処理システム。
   y(x_i,i=1,2,…) = f(Σ{w_i*x_i})・・・（１）
   ここで、各変数は、y(x): スコア, w_i : 重みパラメータ, y_i (x) : 特徴, f : 任意の単調増加関数である。
9. 予め、モデル生成手段によって、複数の患者の歩行時の動作と該歩行時の視線の動きとを参照して、患者の各時点の歩行時の動作と視線の動きとの関係性を学習した関係性モデルを生成し、
   映像から得られた患者の歩行時の動作に関する第１の情報と、前記患者の前記映像の撮影時の歩行時での視線の動きに関する第２の情報とをリハビリ患者情報入力手段により受け付け、
   入力された、前記第１の情報と、前記第２の情報とを、リハビリ効果定量化手段によって、生成した関係性モデルに基づいて、該患者の現時点の回復状況を定量化する
   ことを特徴とする歩行状態定量化方法。
10. 情報処理システムのプロセッサを、
    映像から得られた患者の歩行時の動作に関する第１の情報と、前記患者の前記映像の撮影時の歩行時での視線の動きに関する第２の情報とを受け付けるリハビリ患者情報入力手段と、
    複数の患者の歩行時の動作と該歩行時の視線の動きとを参照して、患者の各時点の歩行時の動作と該歩行時の視線の動きとの関係性を学習した関係性モデルを生成するモデル生成手段と、
    前記リハビリ患者情報入力手段で入力された、前記第１の情報と、前記第２の情報とを、前記モデル生成手段で生成した関係性モデルに基づいて、該患者の現時点の回復状況を定量化するリハビリ効果定量化手段、
    として動作させることを特徴とするプログラム。

Images