JP7165266B2 - 被検体の危険度を評価して危険度に基づいて被検体を分類する方法及びそれを用いた装置 - Google Patents
被検体の危険度を評価して危険度に基づいて被検体を分類する方法及びそれを用いた装置 Download PDFInfo
- Publication number
- JP7165266B2 JP7165266B2 JP2021530324A JP2021530324A JP7165266B2 JP 7165266 B2 JP7165266 B2 JP 7165266B2 JP 2021530324 A JP2021530324 A JP 2021530324A JP 2021530324 A JP2021530324 A JP 2021530324A JP 7165266 B2 JP7165266 B2 JP 7165266B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- subject
- machine learning
- vector
- risk
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H50/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
したがって、患者の危険度を正確に評価する一方、限られた医療資源をもって増加する応急医療需要を効率的に管理する必要がある。例えば、救急救命室の到着後に再移送された重症患者の死亡率は4倍程度高い。再移送の理由としては、救急救命室病室の制限が40%程度であり、医療チーム不足が32%程度の比率を占める。
Claims (15)
- 機械学習モデルに基づいて動作するコンピューティング装置によって使用される方法において、
被検体の統合データを得る段階であって、前記統合データは前記被検体の非数値患者データおよび前記被検体の数値患者データから変換される段階;
前記統合データを前記被検体の危険度評価のための前記機械学習モデル(machine learning model)に適用することにより被検体の危険度と関連する分類結果を生成する段階;および
生成された前記分類結果を提供するための情報を外部エンティティ(entity)に提供する段階を含み、
前記非数値患者データに対する前記統合データが、大きさN(>1)の第1のベクトルで表現され、当該第1のベクトルの各要素が、前記非数値患者データに関連するN個の第1カテゴリーのそれぞれ1つに対応し、前記非数値患者データが属する前記第1のカテゴリーに対応する前記第1のベクトルの要素が正の値に設定され、前記第1のベクトルの他の要素がゼロに設定されており、
前記数値患者データに対する前記統合データが、サイズM(>1)の第2のベクトルで表現され、当該第2のベクトルの各要素が、前記数値患者データに関連するM個の第2のカテゴリーのそれぞれ1つに対応し、前記数値患者データが属する前記第2のカテゴリーに対応する前記第2のベクトルのある要素が正の値に設定され、前記第2のベクトルの他の要素がゼロに設定されており、
前記サイズMは、前記サイズNと同じに設定されていることを特徴とする方法。 - さらに前記分類結果に関連するフィードバック情報に基づいて、前記機械学習モデルを更新する段階を含む請求項1に記載の方法。
- 前記被検体の危険度は少なくとも4つのクラスに分類されることを特徴とする請求項1に記載の方法。
- 前記被検体の危険度評価のための機械学習モデルは、偽の症状発生データおよび正常な症状データを用いて訓練されるものである請求項1に記載の方法。
- 前記機械学習モデルは、
(i)前記偽の症状発生データを学習する段階;および
(ii)前記(i)段階の終了後、前記偽の症状発生データと前記正常な症状データを同時学習する段階を行うことにより訓練されたものであることを特徴とする請求項4に記載の方法。 - コンピューティング装置に請求項1の方法を行うように具現された指示語(instructions)を含むことを特徴とする、媒体に記録されたコンピュータプログラム。
- 前記方法は、前記分類結果に関連するフィードバック情報に基づいて、前記機械学習モデルを更新する段階を含むことを特徴とする請求項6に記載のコンピュータプログラム。
- 前記被検体の危険度は少なくとも4つのクラスに分類されることを特徴とする請求項6に記載のコンピュータプログラム。
- 前記被検体の危険度評価のための機械学習モデルは、偽の症状発生データおよび正常なデータを用いて訓練されるものであることを特徴とする請求項6に記載のコンピュータプログラム。
- 前記機械学習モデルは、
(i)前記偽の症状発生データを学習する段階;および
(ii)前記(i)段階の終了後、前記偽の症状発生データと前記正常な症状データを同時学習する段階を行うことにより訓練されたものであることを特徴とする請求項9に記載のコンピュータプログラム。 - 機械学習モデルに基づいて動作するコンピューティング装置において、
通信部;および
前記通信部を制御するプロセッサであって、
被検体の統合データを得て、当該統合データは前記被検体の非数値患者データおよび前記被検体の数値患者データから変換されるプロセスと、
前記統合データを前記被検体の危険度評価のための機械学習モデル(machine learning model)に適用することにより、前記被検体の危険度に関する分類結果を生成するプロセスと、
生成された前記分類結果を提供するための情報を外部エンティティ(entity)に提供するプロセスとを行う前記プロセッサを含み、
前記非数値患者データに対する前記統合データが、大きさN(>1)の第1のベクトルで表現され、当該第1のベクトルの各要素が、前記非数値患者データに関連するN個の第1カテゴリーのそれぞれ1つに対応し、前記非数値患者データが属する前記第1のカテゴリーに対応する前記第1のベクトルのある要素が正の値に設定され、前記第1のベクトルの他の要素がゼロに設定されており、
前記数値患者データに対する前記統合データが、サイズM(>1)の第2のベクトルで表現され、当該第2のベクトルの各要素が、前記数値患者データに関連するM個の第2のカテゴリーのそれぞれ1つに対応し、前記数値患者データが属する前記第2のカテゴリーに対応する前記第2のベクトルのある要素が正の値に設定され、前記第2のベクトルの他の要素がゼロに設定されており、
前記サイズMは、前記サイズNと同じに設定されていることを特徴とする装置。 - さらに前記分類結果に関連するフィードバック情報に基づいて、前記機械学習モデルを更新する段階を含む請求項11に記載の装置。
- 前記被検体の危険度は少なくとも4つのクラスに分類されることを特徴とする請求項11に記載の装置。
- 前記被検体の危険度評価のための機械学習モデルは、偽の症状発生データおよび正常なデータを用いて訓練されるものである請求項11に記載の装置。
- 前記機械学習モデルは、
(i)前記偽の症状発生データを学習する段階;および
(ii)前記(i)段階の終了後、前記偽の症状発生データと前記正常な症状データを同時学習する段階を行うことにより訓練されたものであることを特徴とする請求項14に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2018-0154848 | 2018-12-05 | ||
KR1020180154848A KR102049829B1 (ko) | 2018-12-05 | 2018-12-05 | 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치 |
PCT/KR2019/017048 WO2020116942A1 (ko) | 2018-12-05 | 2019-12-04 | 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022514206A JP2022514206A (ja) | 2022-02-10 |
JP7165266B2 true JP7165266B2 (ja) | 2022-11-02 |
Family
ID=68730438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021530324A Active JP7165266B2 (ja) | 2018-12-05 | 2019-12-04 | 被検体の危険度を評価して危険度に基づいて被検体を分類する方法及びそれを用いた装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220012634A1 (ja) |
JP (1) | JP7165266B2 (ja) |
KR (1) | KR102049829B1 (ja) |
WO (1) | WO2020116942A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI818203B (zh) * | 2020-10-23 | 2023-10-11 | 國立臺灣大學醫學院附設醫院 | 基於病患病情的分類模型建立方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006506693A (ja) | 2002-03-22 | 2006-02-23 | シンクシャープ、インク. | 集団および複数負傷者のトリアージ方法およびシステム |
JP2013524865A (ja) | 2010-03-15 | 2013-06-20 | シンガポール ヘルス サービシーズ ピーティーイー リミテッド | 患者の生存性を予測する方法 |
US20160012192A1 (en) | 2013-03-04 | 2016-01-14 | Board Of Regents Of The University Of Texas System | System and method for determining triage categories |
WO2017191227A1 (en) | 2016-05-04 | 2017-11-09 | Koninklijke Philips N.V. | Estimation and use of clinician assessment of patient acuity |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110202486A1 (en) * | 2009-07-21 | 2011-08-18 | Glenn Fung | Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions |
KR102558021B1 (ko) * | 2016-06-10 | 2023-07-24 | 한국전자통신연구원 | 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법 |
KR101843066B1 (ko) * | 2017-08-23 | 2018-05-15 | 주식회사 뷰노 | 기계 학습에 있어서 데이터 확대를 이용하여 데이터의 분류를 수행하는 방법 및 이를 이용한 장치 |
KR101841222B1 (ko) | 2017-08-11 | 2018-03-22 | 주식회사 뷰노 | 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치 |
-
2018
- 2018-12-05 KR KR1020180154848A patent/KR102049829B1/ko active IP Right Grant
-
2019
- 2019-12-04 US US17/295,880 patent/US20220012634A1/en active Pending
- 2019-12-04 JP JP2021530324A patent/JP7165266B2/ja active Active
- 2019-12-04 WO PCT/KR2019/017048 patent/WO2020116942A1/ko active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006506693A (ja) | 2002-03-22 | 2006-02-23 | シンクシャープ、インク. | 集団および複数負傷者のトリアージ方法およびシステム |
JP2013524865A (ja) | 2010-03-15 | 2013-06-20 | シンガポール ヘルス サービシーズ ピーティーイー リミテッド | 患者の生存性を予測する方法 |
US20160012192A1 (en) | 2013-03-04 | 2016-01-14 | Board Of Regents Of The University Of Texas System | System and method for determining triage categories |
WO2017191227A1 (en) | 2016-05-04 | 2017-11-09 | Koninklijke Philips N.V. | Estimation and use of clinician assessment of patient acuity |
Also Published As
Publication number | Publication date |
---|---|
US20220012634A1 (en) | 2022-01-13 |
KR102049829B1 (ko) | 2019-11-28 |
WO2020116942A1 (ko) | 2020-06-11 |
JP2022514206A (ja) | 2022-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gutierrez | Artificial intelligence in the intensive care unit | |
Kim et al. | A deep learning model for real-time mortality prediction in critically ill children | |
JP7307926B2 (ja) | 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置 | |
Krittanawong et al. | Future direction for using artificial intelligence to predict and manage hypertension | |
Krittanawong et al. | Artificial intelligence in precision cardiovascular medicine | |
Leite et al. | A fuzzy model for processing and monitoring vital signs in ICU patients | |
Ahmad et al. | Comparative study of optimum medical diagnosis of human heart disease using machine learning technique with and without sequential feature selection | |
Chantamit-O-Pas et al. | Long short-term memory recurrent neural network for stroke prediction | |
KR20110090919A (ko) | 위험 평가 및 진단을 위해 적용된 복잡성 과학 및 전문 지식을 사용한 의료 데이터의 자동 관리 | |
KR101841222B1 (ko) | 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치 | |
US20100217094A1 (en) | Point-of-care enactive medical system and method | |
Takale et al. | Analysis of Clinical Decision Support System in Healthcare Industry Using Machine Learning Approach | |
Goyal et al. | IoT based cloud network for smart health care using optimization algorithm | |
CN111276242A (zh) | 一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法 | |
JP7165266B2 (ja) | 被検体の危険度を評価して危険度に基づいて被検体を分類する方法及びそれを用いた装置 | |
JP2024513618A (ja) | 感染症及び敗血症の個別化された予測のための方法及びシステム | |
Namasivayam et al. | Artificial intelligence and its application in cardiovascular disease management | |
Rahman et al. | Automated detection of cardiac arrhythmia based on a hybrid CNN-LSTM network | |
KR102049824B1 (ko) | 피검체의 소정 증상의 발생을 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치 | |
Basha et al. | Deep learning neural network (DLNN)-based classification and optimization algorithm for organ inflammation disease diagnosis | |
Bhatt et al. | Swine Flu Predication Using Machine Learning | |
Dey et al. | U-Healthcare Monitoring Systems: Volume 1: Design and Applications | |
Venkatesh et al. | An automatic diagnostic model for the detection and classification of cardiovascular diseases based on swarm intelligence technique | |
Pradhan et al. | Wearable device based on IoT in the healthcare system for disease detection and symptom recognition | |
Veena et al. | Clinical Outcome Future Prediction with Decision Tree and Naive Bayes Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210527 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210527 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220629 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220705 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220912 |
|
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: 20220921 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221021 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7165266 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |