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 PDF

Info

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
Application number
JP2021530324A
Other languages
English (en)
Other versions
JP2022514206A (ja
Inventor
リー、ヨンナム
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.)
Vuno Inc
Original Assignee
Vuno Inc
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 Vuno Inc filed Critical Vuno Inc
Publication of JP2022514206A publication Critical patent/JP2022514206A/ja
Application granted granted Critical
Publication of JP7165266B2 publication Critical patent/JP7165266B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

本発明は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およびそれを用いたコンピューティング装置に関する。具体的には、本発明による方法によれば、コンピューティング装置が被検体の統合データを得るが、この統合データは被検体の患者データまたはそれを加工したデータとして数値化されたデータであり、その後、この統合データを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危険度を評価した結果として上記分類の結果を生成し、生成された分類結果を外部エンティティ（ｅｎｔｉｔｙ）に提供する。
医療臨床において、心停止、敗血症のような被検体、即ち、患者の致死的症状は、その発生後、生存退院率が非常に低い危険な現象である。例えば、心停止の場合、生存退院率が２０～３０％に過ぎない。このような心停止は、その発生前に身体データ、特に生体信号（ｂｉｏｓｉｇｎａｌ ｏｒ ｖｉｔａｌ ｓｉｇｎｓ）に変化があるので、ある程度早期予測が可能であるが、従来の予測方式では正確度が低いという問題がある。これは予測が主に担当看護師や医者のような医療専門家の経験や知識に依存するためであり、個人の力量によって被検体或いは患者の危険度の評価が非常に異なる傾向がある。またかかる評価自体のための医療資源、例えば、応急医学科の人力も足りない実情である。
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。
従来、韓国ではこれを解決するために、“Ｋｏｒｅａｎ Ｔｒｉａｇｅ ａｎｄ Ａｃｕｉｔｙ Ｓｃａｌｅ”という方法が用いられたが、そこには３つの問題があった。即ち、実際正確度が低く、主観的な判断が必要であるので、医療チームの間でもその結果に差があるだけではなく、意思決定自体も迅速ではないという問題がある。
したがって、この開示書では、救急救命室におけるより正確かつ迅速な患者分類を可能にする方案として、高危険患者を優先して診療するようにする危険度基盤の被検体分類方法を提案する。
先行文献としては韓国特許文献ＫＲ１０－１８４１２２２Ｂが挙げられる。
韓国特許第１０－１８４１２２２号（ＫＲ１０－１８４１２２２Ｂ）
本発明は、救急救命室のような医療現場またはそのような医療現場に到着する前に被検体に致命的な症状などが現れる危険度に基づいて診療などの適切な医療処置の優先順位を設定したり適合な移送病院などを選択したりすることを目的とする。
具体的には、本発明は、客観的なデータを用いることにより患者を迅速に分類することを目的とする。
上述した本発明の目的を達成し、後述する本発明の特徴的な効果を実現するための本発明の特徴的な構成は以下の通りである。
本発明の一態様によると、被検体の危険度を評価してこの危険度によって被検体を分類する方法が提供され、この方法は、（ａ）コンピューティング装置が、被検体の統合データを得るかまたはコンピューティング装置に連動する他の装置をして得るように支援する段階であって、統合データは被検体の患者データまたはそれを加工したデータであり、数値化されたデータを含む段階；（ｂ）コンピューティング装置が、統合データを被検体の危険度評価のための機械学習モデル（ｍａｄｉｉｎｅ ｌｅａｒｎｉｎｇ ｍｏｄｅｌ）に適用することにより危険度を評価した結果として前記分類の結果を生成するかまたは他の装置をして生成するように支援する段階；および（ｃ）コンピューティング装置が、生成された分類結果を外部エンティティ（ｅｎｔｉｔｙ）に提供するかまたは他の装置をして提供するように支援する段階を含む。
好ましくは、この方法はさらに（ｄ）分類結果を評価した情報に基づいて、コンピューティング装置が、機械学習モデルを更新するかまたは他の装置をして更新するように支援したりする段階を含む。
本発明の他の態様によれば、本発明による方法を行うように具現された指示語（ｉｎｓｔｒｕｃｔｉｏｎｓ）を含むコンピュータプログラムが提供される。
本発明のさらに他の態様によると、被検体の危険度を評価して危険度によって被検体を分類するコンピューティング装置が提供され、このコンピューティング装置は、被検体の統合データを得る通信部；および（ｉ）統合データを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危険度を評価した結果として前記分類の結果を生成するプロセス；および（ｉｉ）生成された分類結果を外部エンティティ（ｅｎｔｉｔｙ）に提供するプロセスを行うかまたは通信部を介して連動する他の装置をして行うように支援するプロセッサーを含み、前記統合データは被検体の患者データまたはそれを加工したデータであり、数値化されたデータを含む。
好ましくは、コンピューティング装置のプロセッサーは、分類結果を評価した情報に基づいて機械学習モデルを更新するプロセスをさらに行うかまたは他の装置をしてさらに行うように支援する。
この開示書の例示的な実施例によれば、従来の医療専門家らが彼らの経験や知識に依存して患者の危険を判定して分類する方式に比べてより迅速に致命的症状のような所定の症状が現れる可能性によって患者を分類できるという効果がある。即ち、医療現場で患者の危険度を判断して診療の優先順位を設定したり患者の危険度に適する病室または病院を推薦したりすることができる。
これにより医療チームの時間を節約して、より多い患者の安全を確保することができる。
また例示的な実施例によれば、従来の医療現場で記録された患者データをそのまま使用できるので、新しいシステム構築がなくても医療現場でのワークフロー（ｗｏｒｋｆｌｏｗ）を革新することができる。
この開示書による実施例の説明に利用されるために添付された以下の図面は、この開示書による実施例の一部に過ぎず、本発明が属する技術分野における通常の知識を有する者（以下、”通常の技術者”という）であれば、発明的作業がなくても、この図面に基づいて他の図面を得ることができる。
本発明の一実施例に使用される機械学習モデルの例示であって、循環神経網（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ＲＮＮ）を説明するための主要概念を示す図である。 本発明の一実施例によって被検体の危険度を評価して危険度によって被検体を分類する方法（以下、”危険度基盤の被検体分類方法”という）を行うコンピューティング装置の例示的な構成を概略的に示した概念図である。 本発明の一実施例による危険度基盤の被検体分類方法を行うコンピューティング装置のハードウェアおよびソフトウェアのアーキテクチャーを例示的に示した概念図である。 本発明の一実施例で行われる患者データの統合を例示するための第１例示図である。 本発明の一実施例で行われる患者データの統合を例示するための第２例示図である。 本発明の一実施例において敵対的生成ネットワーク（ＧＡＮ；ｇｅｎｅｒａｔｉｖｅ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋｓ）を用いて類似する所定の症状発生データを生成する方式を例示するために概念的に示した図である。 本発明の一実施例による危険度基盤の被検体分類方法の各段階を例示するフローチャートである。
後述する本発明についての詳しい説明は、本発明の目的、技術的解法および長所を明らかにするために本発明が実施できる特定の実施例を例示する添付図面を参照する。これらの実施例は、通常の技術者が本発明を十分に実施できるように詳しく説明する。添付図面を参照して説明することにおいて、図面符号に関係なく同じ構成要素は同じ参照番号を付してこれについての重複説明は省略する。
実施例についての特定の構造的または機能的な説明は単に例示のために開示されたものであり、様々な形態に変更して実施することができる。よって、実施例は特定の開示形態に限られず、この明細書の範囲は技術的思想に含まれる全ての変換、均等物または代替物を含む。
第１または第２などの用語は様々な構成要素を説明するために使用されるが、これらは１つの構成要素を他の構成要素と区別する目的でのみ使用される。例えば、第１構成要素は第２構成要素と命名してもよく、同様に第２構成要素を第１構成要素と命名してもよい。
ある構成要素が他の構成要素に“連結されて”いるとは、その他の構成要素に直接連結されていたりまたは接続されていることもできるが、中間に他の構成要素が存在することもできることに理解すべきである。
単数の表現は文脈上明白に違う意味でない限り、複数の表現を含む。また本明細書において、“含む”または“有する”などの用語は、記載された特徴、数字、段階、動作、構成要素、部分品またはこれらを組み合わせたものが存在することを指定するためのものであり、一つまたはそれ以上の他の特徴や数字、段階、動作、構成要素、部分品またはこれらを組み合わせたものなどの存在または付加可能性を予め排除するものではないことに理解すべきである。
別に定義されない限り、技術的或いは科学的な用語を含んで、この明細書で使用される全ての用語は、該当技術分野における通常の知識を有すう者によって一般的に理解されるものと同じ意味を有する。一般的に使用される辞書に定義されている用語は、関連技術の文脈上意味と一致するものと解釈されなければならず、この明細書において明白に定義しない限り、理想的であるか、過渡に形式的な意味を有するものと解釈されてはいけない。
また、この開示書の詳しい説明および請求範囲において、‘学習’或いは‘ラーニング’は手順によるコンピューティング（ｃｏｍｐｕｔｉｎｇ）を介して機械学習（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）を行うことを意味するが、人間の教育活動のような精神的作用を称するように意図されていないことが通常の技術者には理解されよう。
また、この開示書の詳しい説明および請求範囲において、‘患者データ’という用語およびその変形は、身体データ、即ち、ユーザの身体を評価したテキストや使用者の身体から測定される様々な種類のデータ、例えば、生体信号（ｂｉｏｓｉｇｎａｌ）および体成分データのうちのいずれかを含むだけではなく、患者扱いに関連する様々な非身体データ、例えば、所在医療機関の種類、位置、他の隣接医療機関の所在或いは患者との距離などを含む概念であると理解しなければならず、かかる患者データは、例えば、使用者の身体との接触により測定されるが、それに限定されないことが通常の技術者に理解されよう。例えば、提供される患者データには、体重、体脂肪率、骨格筋量、体脂肪量、体水分量、除脂肪量（ＦＦＭ；ｆａｔ－ｆｒｅｅ ｍａｓｓ）、ＦＦＭＩ（除脂肪量／身長２）、ＳＭＭＩ（骨格筋量／身長２）、ＢＦＭＩ（体脂肪量／身長２）、ＢＭＩ（体重／身長２）、ＡＳＭ（足および腕の筋肉量）、ＰＢＦ（体脂肪量／体重）および血圧などがある。
また、この開示書の詳しい説明および請求範囲において、‘生体信号（ｂｉｏｓｉｇｎａｌ）’は、対象者の体温、心電図、呼吸、脈拍、血圧、酸素飽和度、皮膚伝導度などの測定値を称する通常の意味のみに限定して解釈してはいけず、脳波信号、その他の測定により得られる生物学的試料のうちの特定物質の量、濃度なども含むものと理解すべきである。
ここで‘生物学的試料’は被検体の血液、血清、小便、リンパ液、脳脊髄液、唾液、精液、膣分泌液などの被検体から得られる様々な種類の物質であると理解すべきである。
また、この開示書の詳しい説明および請求範囲において、‘致命的症状（ｆａｔａｌ ｓｙｍｐｔｏｍｓ）’という単語およびその変形は、本発明が適用される対象の一例である心停止（ｃａｒｄｉａｃ ａｒｒｅｓｔ）に限定されず、敗血症のように時系列的変化によって被検体の命に大きな危険をもたらす様々な臨床的現象を含む概念である。また、‘所定の症状（Ｓｐｅｃｉｆｉｃ ｓｙｍｐｔｏｍｓ）’という単語およびその変形は、致命的症状を含めて臨床で有意味に確認できる様々な症状を称する用語である。
さらに本発明は、この明細書に記載した実施例の全ての可能な組み合わせを網羅する。本発明の多様な実施例は互いに異なるが、相互排他的である必要はない。例えば、ここに記載されている特定の形状、構造および特徴は、一実施例に関して本発明の思想および範囲を外れずに他の実施例として具現されてもよい。また、それぞれの開示された実施例内の個別の構成要素の位置または配置は、本発明の思想および範囲を外れずに変更され得る。よって、後述する詳細な説明は限定的な意味で取られるのではなく、本発明の範囲は適切に説明されるのであれば、その請求範囲が主張するものと均等な全ての範囲と共に添付した請求範囲によってのみ限られる。図面において、類似した参照符号は様々な側面にわたって同一または類似する機能を表す。
この明細書において、異なるように表示されるか明白に文脈に矛盾しない限り、単数に称された項目は、その文脈で異なるように要求されない限り、複数のものを併せる。また、本実施例を説明するにあたって、関連する公知の構成または機能に対する具体的な説明が本実施例の要旨を曖昧にするものと判断される場合には、その詳細な説明を省略する。
以下、添付図面を参照しながら、通常の技術者が本発明を容易に実施できる好ましい実施例について詳しく説明する。
図１は本発明の一実施例に使用される機械学習モデルの例示であって、循環神経網（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ＲＮＮ）を説明するための主要概念を示す図である。
図１を参照すると、本発明で使用される機械学習（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）モデルのうち、深層神経網モデルは人工神経網を多層に重ねた形態であると簡略に説明できる。即ち、これは、深い構造のネットワークという意味で深層神経網或いはディープニューラルネットワーク（ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）とも表現され、多層のネットワークからなる構造で多量の分析対象データを学習することによりそれぞれの分析対象データの特徴、分析対象データの間の関係を自動に学習し、これにより目的関数、即ち、所定の症状の予測結果の誤差（ｅｒｒｏｒ）を最小化する方式で学習を行う機械学習モデルである。
本発明で活用される深層神経網モデルの一例である循環神経網（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ＲＮＮ）は、図１に示すように、順に入力される時系列的なデータを分析するときに利用される。この深層神経網は、時間順によるデータの特徴を探し、以前時点の特徴のうち、現在時点を分析するときに参照すべき主要特徴を選別して反映する構造である。例えば、図１を参照すると、この深層神経網がｔ＋１時点に入力されたデータを分析する場合、ｔ－１時点、ｔ時点に分析した主要特徴を反映した学習により該当データを分析することができる。このように本発明は、循環神経網の構造を用いてデータの時間による変化を抽出して所定の症状を予測することにより患者の危険度評価に活用できるという長所がある。
要するに、時系列的順序、時間の流れ或いは時間軸に沿って展開される循環神経網は、無限個の層を有する深層神経網であると理解できるので、図１を参照すると、ｘｔはｔ時点での入力ベクトルを指し、ｓｔはｔ時点での隠れ状態（ｈｉｄｄｅｎ ｓｔａｔｅ）（即ち、神経網の記憶）を指す。
また図１に概念的に示した循環神経網は、ｓｔ＝ｆ（Ｕｘｔ＋Ｗｓｔ－１）とｙ＝ｇ（Ｖｓｔ）の式に従う。これらを一般化した神経網は、ｓｔ＝ｆ（ｘｔ，ｓｔ－１，Ｕｉ，…）とｙ＝ｇ（ｓｔ、Ｕｊ，…）、Ｕ＝Ｕ１、Ｗ＝Ｕ２、Ｖ＝Ｕ３の式に従い、ｉは３以上である。
参考として、図１にｙはｏと表示されている。ここで、ｆは活性化関数（ａｃｔｉｖａｔｉｏｎ ｆｕｎｃｔｉｏｎ）（例えば、ｔａｎｈ（）およびＲｅＬＵ関数）を示し、Ｕ、Ｖ、Ｗは神経網のパラメータを示す。ここで、Ｕ、Ｖ、Ｗは順伝播型神経網（ｆｅｅｄｆｏｒｗａｒｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）とは異なり、循環神経網では全時点の段階にわたって等しく共有されるパラメータである。ｇは出力層（ｏｕｔｐｕｔ ｌａｙｅｒ）のための活性化関数（典型的にはｓｏｆｔｍａｘ関数がある）であり、ｙはｔ時点での上記神経網の出力ベクトルを示す。このような循環神経網を利用するこの開示書による実施例については以下に詳しく説明する。
次に、図２は本発明の一実施例による危険度基盤の被検体分類方法を行うコンピューティング装置の例示的な構成を概略的に示す概念図である。
図２を参照すると、本発明の一実施例によるコンピューティング装置２００は、通信部２１０およびプロセッサー２２０を含み、通信部２１０を介して外部コンピューティング装置（図示せず）と直間接的に通信することができる。
具体的には、コンピューティング装置２００は、典型的なコンピュータハードウェア（例えば、コンピュータ、プロセッサー、メモリ、ストレージ）、入力装置および出力装置、その他の既存のコンピューティング装置の構成要素を含む装置；ルータ、スイッチなどの電子通信装置；ネットワークアタッチドストレージ（ＮＡＳ；ｎｅｔｗｏｒｋ－ａｔｔａｃｈｅｄ ｓｔｏｒａｇｅ）およびストレージエリアネットワーク（ＳＡＮ；ｓｔｏｒａｇｅ ａｒｅａ ｎｅｔｗｏｒｋ）のような電子情報ストレージシステム）とコンピュータソフトウェア（即ち、コンピューティング装置をして特定の方式に機能させる命令語）の組み合わせを用いて所望のシステム性能を達成するものである。ストレージはハードディスク、ＵＳＢ（ｕｎｉｖｅｒｓａｌ ｓｅｒｉａｌ ｂｕｓ）メモリのような記憶装置だけではなく、クラウドサーバーのようなネットワーク連結基盤の貯蔵装置の形態を含む。
このようなコンピューティング装置の通信部２１０は、連動する他のコンピューティング装置との間で要請と応答を送受信する。一例として、かかる要請と応答は同一のＴＣＰ（ｔｒａｎｓｍｉｓｓｉｏｎ ｃｏｎｔｒｏｌ ｐｒｏｔｏｃｏｌ）セッションによって行われるが、それに限られない。例えば、ＵＤＰ（ｕｓｅｒ ｄａｔａｇｒａｍ ｐｒｏｔｏｃｏｌ）データグラム（ｄａｔａｇｒａｍ）として送受信されることもできる。
具体的には、通信部２１０は、通信インターフェースを含む通信モジュールの形態で具現される。例えば、通信インターフェースは、ＷＬＡＮ（ｗｉｒｅｌｅｓｓ ＬＡＮ）、ＷｉＦｉ（ｗｉｒｅｌｅｓｓ ｆｉｄｅｌｉｔｙ） Ｄｉｒｅｃｔ、ＤＬＮＡ（登録商標）（ｄｉｇｉｔａｌ ｌｉｖｉｎｇ ｎｅｔｗｏｒｋ ａｌｌｉａｎｃｅ）、Ｗｉｂｒｏ（ｗｉｒｅｌｅｓｓ ｂｒｏａｄｂａｎｄ）、Ｗｉｍａｘ（ｗｏｒｌｄ ｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙ ｆｏｒ ｍｉｃｒｏｗａｖｅ ａｃｃｅｓｓ）、ＨＳＤＰＡ（ｈｉｇｈ ｓｐｅｅｄ ｄｏｗｎｌｉｎｋ ｐａｃｋｅｔ ａｃｃｅｓｓ）などの無線インターネットインターフェースとブルートゥース（登録商標）（ＢｌｕｅｔｏｏｔｈＴＭ）、ＲＦＩＤ（ｒａｄｉｏ ｆｒｅｑｕｅｎｃｙ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）、赤外線通信（ｉｎｆｒａｒｅｄ ｄａｔａ ａｓｓｏｃｉａｔｉｏｎ；ＩｒＤＡ）、ＵＷＢ（ｕｌｔｒａ－ｗｉｄｅｂａｎｄ）、ＺｉｇＢｅｅ、ＮＦＣ（ｎｅａｒ ｆｉｅｌｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ）などの近距離通信インターフェースを含む。さらに通信インターフェースは外部と通信可能な全てのインターフェース（例えば、有線インターフェース）を指す。
例えば、通信部２１０は、このように適する通信インターフェースを介して外部装置から使用者の生体信号、血液検査データのような身体データおよび非身体データを含む患者データなどを得ることができる。さらに広い意味では、通信部２１０は命令語または指示などを伝達するためのキーボード、マウス、その他の外部入力装置、印刷装置、ディスプレイ、その他の外部出力装置を含むか、またはこれらに連動することができる。
またコンピューティング装置のプロセッサー２２０は、ＭＰＵ（ｍｉｃｒｏ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、ＣＰＵ（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、ＧＰＵ（ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、ＮＰＵ（ｎｅｕｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）またはＴＰＵ（ｔｅｎｓｏｒｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、キャッシュメモリ（ｃａｃｈｅｍｅｍｏｒｙ）、データバス（ｄａｔａｂｕｓ）などのハードウェア構成を含む。さらに運営体制、特定の目的を行うアプリケーションのソフトウェア構成を含むこともできる。
図３は本発明の一実施例による危険度基盤の被検体分類方法を行うコンピューティング装置のハードウェアおよびソフトウェアアーキテクチャーを例示する概念図である。
図３を参照して、本発明による方法および装置の構成を説明すると、コンピューティング装置２００は、一つの構成要素としてデータ獲得モジュール３１０を含む。このデータ獲得モジュール３１０がコンピューティング装置２００に含まれた通信部２１０または通信部２１０およびプロセッサー２２０の連動により具現されることは通常の技術者が理解できるであろう。
データ獲得モジュール３１０は、被検体の患者データ、例えば、生体信号、血液検査データのような身体データおよび被検体或いは患者扱いに関連する様々なデータ、例えば、所在する医療機関の種類、位置、他の隣接医療機関の所在或いは患者との距離などを含む非身体データを得ることができる。例えば、これらのデータは被検体の電子義務記録（ｅｌｅｃｔｒｏｎｉｃ ｍｅｄｉｃａｌ ｒｅｃｏｒｄ；ＥＭＲ）から得られるものであるが、それに限られない。
次に上記患者データは患者情報統合モジュール３２０に伝達されるが、データ統合モジュール３２０では患者データに含まれた数値データとテキストで表現可能なデータを統合して数値化された統合データを生成する。ここで、テキストで表現可能なデータとは、テキスト自体または音声データを含む。勿論、診療記録（ｃｌｉｎｉｃａｌ ｎｏｔｅ）および処方箋もテキストで表現可能なデータに含まれる。例えば、生体信号は数値で表現され、主訴症状（ｃｈｉｅｆ ｃｏｍｐｌａｉｎｔ）はテキストで表現可能なデータであるなど、初期の患者データは様々な形態で表現されているが、それらを機械学習に容易に利用するためには、同じ形態を有するように変形することが好ましい。以下、かかるデータ統合について具体的に説明する。
図４は本発明の一実施例で行われる患者データの統合を例示するための第１例示図であり、図５は患者データの統合を例示するための第２例示図である。
図４を参照すると、テキストデータを数値データに変換する一例が示されている。テキストデータの一例である地域応急センターの情報は、まずカテゴリ化データ４１０で表現でき、このカテゴリ化データ４１０は再度数値形態４２０で表現できる。例えば、テキストデータをカテゴリ化データ４１０に、カテゴリ化データ４１０を数値４２０の形態に加工する一つの方案として、ワード埋め込み（ｗｏｒｄｅｍｂｅｄｄｉｎｇ）技術、例えば、ｗｏｒｄ２ｖｅｃ技術を利用できる。
図４にはテキストデータの他の一例である圏域応急センターの情報がカテゴリ化データ４３０で表現されたものと、そのカテゴリ化データ４３０が再度数値形態４４０に加工される例示も示されている。勿論、テキストデータは１個の単語だけではなく、複数個の単語を含むので、この場合、テキストデータに含まれたそれぞれの単語に対してカテゴリ化および数値形態の加工が行われる。
しかし、テキストが数値で表現されたデータは、元来数値形態である数値データに比べて訓練にもっと多い影響を及ぼすので、データが機械学習に均一に反映されない問題が発生し得る。これは、例えば、図５に示すように、地域応急センターはカテゴリ化５１０を経て４ｘ１行列のデータ５２０で表現される反面、心拍数（ｈｅａｒｔ ｒａｔｅ）５３０は１ｘ１で表現できるためである。
本発明者はこれを解決するために、数値データも、テキストがカテゴリ化により数値で表現されたような形態に変換されるようにした。即ち、図５を参照すると、心拍数は０．００～０．２５のクラス、０．２５～０．５０のクラス、０．５０～０．７５のクラスおよび０．７５～１．００のクラスのようにカテゴリ表現することができるので、このとき、心拍数０．７をカテゴリ化すると、（０，０，１，０）Ｔのように表現される（５４０）。このカテゴリ化データは再度数値形態５５０に変換することができ、かかる変換の一案としては、上述したようなワード埋め込みなどがある。参考として、図５に示す心拍数は、０乃至１．０の値を有するようにスケーリング（或いは正規化、ｎｏｒｍａｌｉｚａｔｉｏｎ）された値であるが、これは機械学習、特に、人工神経網の入出力値に適合化されたものであるので、このように数値データが０乃至１．０の値を有するようにスケーリングされることができる。
このようにカテゴリ化を経て数値化された数値データは、テキストが数値で表現されたデータと同じ形態を有し得るので、いわゆる、統合（ｉｎｔｅｇｒａｔｉｏｎ）と呼ぶことができる。
即ち、数値形態である統合データは、被検体の患者データまたはそれを加工したデータであって、数値化されたデータであり、被検体の危険度評価のための機械学習基盤の予測モジュール３４０に伝達される。機械学習基盤の予測モジュール３４０は、被検体の危険度を評価した結果として分類の結果を生成する機能を果し、具体的な過程については後述する。
一方、機械学習基盤の予測モジュール３４０の訓練のための訓練モジュール３３０では、提供された統合データをそのまま利用するが、この場合、ほとんどの統合データは（正常であるので）該当患者が救急救命室を退院できる状態である反面、危険度が高い患者の統合データはその数が少ないという問題、いわゆる、データの不均衡（ｄａｔａ ｉｍｂａｌａｎｃｅ）の問題があるので、機械学習モデルでは正常なデータを主として訓練が行われる状況になる。
これを解決するために、この開示書では、訓練モジュール３３０が、高危険度の患者、例えば、心停止のような所定の症状発生に該当する患者の統合データを十分に考慮できる方式を取る。具体的には、訓練モジュール３３０では、入力された統合データのサンプル比率（Ｓａｍｐｌｅ ｒａｔｉｏ）を調節して、初期には所定の症状発生データのみを学習するか、或いは所定の症状発生データを主として学習した後、所定の症状発生データと正常なデータを同一または類似する比率で同時に学習することができる。
しかし、医療現実上、実際得られる正常なデータに比べて所定の症状発生データの数が顕著に少ないので、所定の症状発生データの代用として実際と類似する類似所定の症状発生データを生成してそれを同時学習に用いることができる。実際と類似するデータを得る手段には、敵対的生成ネットワーク（ＧＡＮ；ｇｅｎｅｒａｔｉｖｅ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋｓ）、変分自己符号化器（ｖａｒｉａｔｉｏｎａｌ ａｕｔｏｅｎｃｏｄｅｒ）などを含み、通常の技術者に広く知られた様々な手段がある。例えば、敵対的生成ネットワークの具体的な構成は、Ｇｏｏｄｆｅｌｌｏｗ，Ｉａｎ Ｊ．；Ｐｏｕｇｅｔ－Ａｂａｄｉｅ，Ｊｅａｎ；Ｍｉｒｚａ，Ｍｅｈｄｉ；Ｘｕ、Ｂｉｎｇ；Ｗａｒｄｅ－Ｆａｒｌｅｙ、Ｄａｖｉｄ；Ｏｚａｉｒ，Ｓｈｅｑｉｌ；Ｃｏｕｒｖｉｌｌｅ，Ａａｒｏｎ；Ｂｅｎｇｉｏ，Ｙｏｓｈｕａ（２０１４）。“Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ”に開示されている。
図６は本発明の一実施例において敵対的生成ネットワーク（ＧＡＮ；ｇｅｎｅｒａｔｉｖｅ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋｓ）を用いて類似所定の症状発生データを生成する方式を例示するために概念的に示した図である。
図６を参照すると、この実施例において、訓練モジュール３３０に含まれる敵対的生成ネットワーク（ＧＡＮ）は、生成器（ｇｅｎｅｒａｔｏｒ）３３２および判別機（ｄｉｓｃｒｉｍｉｎａｔｏｒ）３３４を含む。生成器は所定のラベル（ｌａｂｅｌ）の入力を受けて、それに基づいて実際と類似する類似所定の症状発生データを生成することにより、判別機をごまかしてその類似所定の症状発生データを実際の所定の症状発生データと判別することを目標とする反面、判別機は実際の所定の症状発生データと生成された類似所定の症状発生データを互いに区分することを目標とする。このＧＡＮによる学習が進行される過程において、生成器と判別機はそれぞれの目標を達成するために神経網加重値を更新するので、十分な学習後には生成器が実際と類似する類似所定の症状発生データを生成し、判別機による判別率が理論的に０．５に収斂することが明らかになっている。
結果的には、ＧＡＮによって十分に学習された生成器は、実際の所定の症状発生データに近いデータ（即ち、類似所定の症状発生データ）を生成するので、データの不均衡の問題を解決して、所定の症状発生データと正常なデータを同時に学習するための所望のサンプル比率を得ることができる。生成器は実際に類似する類似所定の症状発生データを正常なデータに相当する程度に十分に生成できるためである。もちろん、上記の説明がこの開示書の実施例をＧＡＮを用いたものに限定しようとすることではないことを通常の技術者は理解できるであろう。
次に、更新モジュール３５０は、被検体の所定の症状予測に用いられる機械学習基盤の予測モジュール３４０（或いはより厳しくは、機械学習モジュールで採用された機械学習モデル）を予め学習するか、または本発明の方法による分類結果を（医療チームなどが）評価した情報に基づいて機械学習モデルを更新する機能をする。
以下、図７を参照しながら、本発明による危険度基盤の被検体分類方法について具体的に説明する。図７は本発明の一実施例による危険度基盤の被検体分類方法を例示するフローチャートである。
図７を参照すると、本発明による危険度基盤の被検体分類方法は、まずコンピューティング装置２００の通信部２１０によって具現（或いは実行）されるデータ獲得モジュール３１０が、被検体の統合データを得るかまたはコンピューティング装置に連動する他の装置をして得るように支援する段階Ｓ１２０、Ｓ１４０を含む。統合データは被検体の患者データＳ１２０またはそれを加工したデータであり、数値化されたデータＳ１４０である。
段階Ｓ１２０の一実施例では、コンピューティング装置２００のプロセッサー２２０により具現されるデータ統合モジュール３２０が、患者データのうち、数値化されていないデータをカテゴリ化してカテゴリ化データを生成し、カテゴリ化データを数値形態に加工することにより数値化されていないデータを数値化することができる。上記図４を参照して説明したように、数値化されていないデータがカテゴリ化されて生成されたカテゴリ化データの例示は図４に示した参照符号４１０および４３０の通りであり、そのカテゴリ化データが数値形態に加工された結果の例示は図４に示した参照符号４２０および４４０の通りである。
好ましくは、この実施例の段階Ｓ１２０において、データ統合モジュール３２０が、数値化されていないデータの数値化した結果に対応するように、患者データのうち、数値化されているデータに対してカテゴリ化および数値形態の加工を行うことができる。上記図５を参照して説明したように、数値化されていないデータ（例えば、地域応急センター）の数値化した結果の例示は図５に示した参照符号５２０の通りであり、患者データのうち、数値化されているデータ（例えば、心拍数）に対してカテゴリ化を行った結果およびその結果に再度数値形態の加工を行った結果はそれぞれ図５に示した参照符号５４０および５５０の通りである。
次に、図７を参照すると、危険度基盤の被検体分類方法は、コンピューティング装置２００のプロセッサー２２０により具現される機械学習基盤の予測モジュール３４０が、段階Ｓ１２０、Ｓ１４０での統合データを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危険度を評価したＳ２００結果として上記分類の結果を生成するかまたは他の装置をして生成するように支援するＳ３００段階Ｓ２００、Ｓ３００をさらに含む。
ここで、被検体の危険度は少なくとも４つのクラスに分類できるが、その４つのクラスは、例えば、退院可能な患者、要入院患者、集中治療室要治療患者および死亡に近接した患者である。
具体的には、危険度の評価Ｓ２００は、危険度が高い、例えば、心停止のような所定の症状発生の予測により行われ、そのために、機械学習モデルが統合データの現在時点ｔから所定の時間間隔ｎ後の時点であるｔ＋ｎ時点まで所定の症状発生を予測した結果が用いられる。
具体的な一例として、機械学習モデルには循環神経網（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）モデルのような深層神経網モデルが含まれ、これはプロセッサー２２０により行われる。上述したように、ｓｔ＝ｆ（Ｕｘｔ＋Ｗｓｔ－１）とｙ＝ｇ（Ｖｓｔ）の式に従う循環神経網（これをより一般化した深層神経網はｓｔ＝ｆ（ｘｔ，ｓｔ－１，Ｕｉ，…）とｙ＝ｇ（ｓｔ，Ｕｊ，…）、Ｕ＝Ｕ１、Ｗ＝Ｕ２、Ｖ＝Ｕ３の式に従い、ｉは３以上である）において、ｘｔはｔ時点での入力ベクトルである統合データまたは統合データから加工された値を指すが、統合データから加工された値とは、例えば、統合データの（以前時点から該当時点への）変化量または変化量の変化量である。
さらに、ｓｔはｔ時点での循環神経網モデルの記憶に相応する隠れ状態（ｈｉｄｄｅｎ ｓｔａｔｅ）を指し、ｓｔ－１はｔ－１時点での隠れ状態を指し、Ｕ、ＶおよびＷは循環神経網モデルの全時点にわたって等しく共有される神経網パラメータを指し、ｆは隠れ状態を算出するように選択された所定の第１活性化関数を指し、ｙはｔ時点での循環神経網モデルによる潜在的特徴（ｌａｔｅｎｔ ｆｅａｔｕｒｅ）である出力層を指し、ｇは出力層を算出するように選択された所定の第２活性化関数を指す。
具体的には、本発明による機械学習モデルのうち、前半部（図示せず）はｔ時点での統合データを参照して統合データ間の関係を反映する機能を果たすので、例えば、循環神経網モデルでのＵｘｔに対応することができる。また、本発明による機械学習モデルのうち、後半部（図示せず）はｔ－１時点までの統合データを参照して時間による統合データの変化を反映する機能を果たすので、例えば、循環神経網モデルでのＷｓｔ－１に対応することができる。
ここで、所定の第１活性化関数ｆは通常用いられるｔａｎｈ（）またはＲｅＬＵ関数があることができる。また、所定の第２活性化関数ｇは通常用いられるｓｏｆｔｍａｘ関数である。それぞれの用途によって、計算の複雑度によって、第１活性化関数および第２活性化関数の選択が変化することが知られている。
また上記例示では、さらに機械学習モデルに出力層（ｙ）から所定の症状の発生確率を算出するための少なくとも１つの完全連結層（ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｌａｙｅｒ）が含まれる。
但し、危険度を評価するための機械学習モデルは、このような循環神経網類の深層神経網に限定されないので、通常の技術者は危険度評価に適する様々な神経網アーキテクチャーを活用することができる。
また機械学習モデルは、上記機械学習基盤の予測モジュール３４０について説明したように、所定の症状の発生データおよび正常なデータを用いて訓練される。
この場合、好ましくは、機械学習モデルは、まず（ｉ）所定の症状発生データを学習する段階を行った後、（ｉｉ）所定の症状発生データと正常なデータを同時に学習する段階を経て訓練されたものである。さらに、上述したように、（ｉｉ）同時学習段階において、実際と類似する類似所定の症状発生データを生成して用いることによりデータの不均衡の問題も解決することができる。
このように本発明による危険度基盤の被検体分類方法を行う前に、機械学習モデルが予め訓練される段階Ｓ０５０を経る必要があり、このための訓練モジュール３３０がプロセッサー２２０により実行される。
深層神経網（例えば、循環神経網）モデルの学習のために、訓練モジュール３３０は多数の統合データを学習データとして用いる逆伝播（ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ）により深層神経網モデルを学習することができ、このような学習によって深層神経網のパラメータ、加重値、偏向値などが決定される。上述したように、この開示書で用いられる機械学習モデルは循環神経網などの深層神経網に限定されないので、長・短期記憶（ｌｏｎｇ－ｓｈｏｒｔ ｔｅｒｍ ｍｅｍｏｒｙ；ＬＳＴＭ）、ＧＲＵ、ＭｅｍＮなどの本発明の技術分野に広く知られた様々な変形を用いることができる。
さらに図７を参照すると、本発明による危険度基盤の被検体分類方法は、その結果の有用な利用を図るために、コンピューティング装置２００により具現される所定のモジュール（図示せず）が、生成された分類結果を外部エンティティに提供する段階（図示せず）をさらに含む。
ここで、外部エンティティとは、本発明による方法を行うコンピューティング装置２００の使用者、管理者、被検体を担当する担当医療専門家などを含み、その他にも分類結果を必要とする主体であれば、どの主体でも含まれる。外部エンティティが人間であるときは、コンピューティング装置２００は所定の出力装置、例えば、ディスプレイに表示された使用者インターフェースを介して分類結果を外部エンティティに提供することができる。
以上の図２乃至図７に示した構成要素は、説明の便宜上、１つのコンピューティング装置で実現されることが例示されたが、本発明の方法を行うコンピューティング装置２００は、複数の装置が互いに連動されて構成されることもできる。したがって、上述した本発明による方法の各段階は、１つのコンピューティング装置が直接行うか、または１つのコンピューティング装置が該１つのコンピューティング装置に連動する他のコンピューティング装置をして行うように支援することにより行われることができる。
このように本発明による危険度基盤の被検体分類方法は、予め学習された機械学習モデルに基づいて被検体の危険度を評価して被検体を分類できるので、その分類結果をユーザなどが評価した情報などを再び機械学習モデルに対する更新の資料として活用すれば、機械学習モデルがより正確に分類することができるという長所があるので、かかる長所を得るために、本発明による危険度基盤の被検体分類方法では、プロセッサー２２０が、分類結果を評価した情報に基づいて機械学習モデルを更新するか、または他の装置をして更新するように支援する段階Ｓ４００をさらに含む。このとき、以前の学習時には考慮しなかった統合データが訓練用データとしてさらに考慮されて以前の学習時のミスを直すことができるので、機械学習モデルの正確度が向上し、データが蓄積されるほど機械学習モデルの性能が持続して向上されるという長所がある。
ここで、上記分類結果を評価した情報は、医療専門家などの外部エンティティから提供される。例えば、退院可能な患者、要入院患者、集中治療室要治療患者および死亡に近接した患者を間違って区分することを防止するために、外部エンティティが間違って区分された分類結果について評価した情報によりミスを直すことができる。
このように本発明によると、上述した全ての実施例にわたって、医療資源が限定された環境でも救急救命室で測定或いは使用する程度のデータのみでも迅速な患者分類による効率的な対処および診療が可能であるので、高危険患者の生命に迅速に対応することができ、医療チームの患者分類の苦労を減らすことができる。
該当技術分野の通常の技術者は、この開示書の様々な実施例に関する説明に基づいて、本発明の方法および／またはプロセス、そしてその段階がハードウェア、ソフトウェアまたは特定の用例に適するハードウェアおよびソフトウェアの任意の組み合わせにより実現可能であることを明確に理解できる。ハードウェアは汎用のコンピュータおよび／または専用のコンピューティング装置または特定のコンピューティング装置または特定のコンピューティング装置の特別な姿または構成要素を含む。プロセスは内部および／または外部メモリを有する、１つ以上のプロセッサー、例えば、マイクロプロセッサー、コントローラ、例えば、マイクロコントローラ、埋め込みマイクロコントローラ、マイクロコンピュータ、ＡＬＵ（ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）、デジタル信号プロセッサー（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、例えば、プログラマブルデジタル信号プロセッサーまたはその他のプログラマブル装置により実現される。さらに或いは代案として、複数のプロセスは注文型集積回路（ａｐｐｌｉｃａｔｉｏｎ ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ；ＡＳＩＣ）、プログラマブルゲートアレイ（ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、例えば、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、ＰＬＵ（ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｕｎｉｔ）或いはプログラマブルアレイ論理（Ｐｒｏｇｒａｍｍａｂｌｅ Ａｒｒａｙ Ｌｏｇｉｃ；ＰＡＬ）またはその他の命令語（ｉｎｓｔｒｕｃｔｉｏｎ）を実行して応答できる任意の装置、電子信号を処理するために構成される任意の他の装置またはこれらの装置の組み合わせにより実施される。処理装置は運営体制（ＯＳ）および運営体制上で行われる１つ以上のソフトウェアアプリケーションを行うことができる。また、処理装置はソフトウェアの実行に応答して、データを接近、貯蔵、操作、処理および生成することもできる。理解の便宜のために、１つの処理装置が使用されたことを説明した場合もあるが、該当技術分野における通常の知識を有する者は、処理装置が複数の処理要素（ｐｒｏｃｅｓｓｉｎｇ ｅｌｅｍｅｎｔ）および／または複数の類型の処理要素を含むことを理解できる。例えば、処理装置は複数のプロセッサーまたは１つのプロセッサーおよび１つのコントローラを含む。また、並列プロセッサー（ｐａｒａｌｌｅｌ ｐｒｏｃｅｓｓｏｒ）のような他の処理構成（ｐｒｏｃｅｓｓｉｎｇ ｃｏｎｆｉｇｕｒａｔｉｏｎ）も可能である。
ソフトウェアは、コンピュータプログラム、コード、命令語（ｉｎｓｔｒｕｃｔｉｏｎ）およびこれらのうちのいずれかの組み合わせを含み、所望の通りに動作するように処理装置を構成するか、或いは独立してまたは結合的に（ｃｏｌｌｅｃｔｉｖｅｌｙ）処理装置を命令することができる。ソフトウェアおよび／またはデータは、処理装置によって解釈されるか、または処理装置に命令語またはデータを提供するために、ある類型の機械、構成要素（ｃｏｍｐｏｎｅｎｔ）、物理的装置、仮想装置（ｖｉｒｔｕａｌ ｅｑｕｉｐｍｅｎｔ）、コンピュータ貯蔵媒体または装置、または伝送される信号波（Ｓｉｇｎａｌ ｗａｖｅ）に永久的に、或いは一時的に具体化（ｅｍｂｏｄｙ）されることができる。ソフトウェアはネットワークにより連結されたコンピュータシステム上に分散されて、分散された方法で貯蔵または実行されることもできる。ソフトウェアおよびデータは１つ以上の機械読み取り可能な記録媒体に貯蔵される。
さらに、本発明の技術的解法の対象物または先行技術に寄与する部分は、多様なコンピュータ構成要素によって実行されることのできるプログラム命令語の形態で実現されて機械読み取り可能な記録媒体に記録されてよい。機械読み取り可能な記録媒体は、プログラム命令語、データファイル、データ構造などを単独または組み合わせて含んでよい。機械読み取り可能な記録媒体に記録されるプログラム命令語は、実施例のために特別に設計されて構成されたものであっても、コンピュータソフトウェア分野の通常の技術者に公知の使用可能なものであってもよい。機械読み取り可能な記録媒体の例には、ハードディスク、フロッピーディスク、および磁気テープのような磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤ、Ｂｌｕ－ｒａｙ（登録商標）のような光記録媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような光磁気媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌ ｍｅｄｉａ）、およびＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令語を記録して実行するように特別に構成されたハードウェア装置が含まれる。プログラム命令語の例には、上述した装置のうちのいずれか１つだけでなく、プロセッサ、プロセッサアーキテクチャ、または相異するハードウェアおよびソフトウェアの組み合わせによる異種結合、または他のいずれかのプログラム命令語を実行することのできる機械上で実行されるために記録およびコンパイルまたはインタプリタされることのできる、Ｃのような構造的プログラミング言語、Ｃ＋＋のようなオブジェクト志向プログラミング言語、または高級または低級プログラミング言語（アセンブリ語、ハードウェア技術言語、およびデータベースプログラミング言語および技術）を使用して生成されてよく、機械語コードやバイトコードはもちろん、インタプリタなどを使用してコンピュータによって実行されることのできる高級言語コードもこれに含まれる。
したがって、本発明に係る一形態では、上述した方法およびその組み合わせが１つ以上のコンピュータ装置によって実行されるときに、その方法および方法の組み合わせが各段階を実行させる実行可能なコードとして実施されてよい。他の一形態では、上記方法は、上記段階を実行するシステムによって実施されてよく、方法は、装置にわたって多様な状態に分散されても、全ての機能が１つの専用、独立型装置、または他のハードウェアに統合されてもよい。さらに他の一形態では、上述したプロセスと関連する段階を実行する手段は、上述した任意のハードウェア及び／又はソフトウェアを含んでよい。このような全ての順次結合および組み合わせは、本開示書の範囲内に属するように意図されたものである。
例えば、上述したハードウェア装置は、実施例の動作を実行するために１つ以上のソフトウェアモジュールとして作動するように構成されてよく、その逆も同じである。ハードウェア装置は、プログラム命令語を記録するためのＲＯＭ／ＲＡＭのようなメモリと結合し、メモリに記録された命令語を実行するように構成されるＭＰＵ、ＣＰＵ、ＧＰＵ、ＴＰＵのようなプロセッサを含んでよく、外部装置と信号をやり取りすることのできる通信部を含んでよい。さらにハードウェア装置は、開発者によって作成された命令語を伝達するためのキーボード、マウス、またはその他の外部入力装置を含んでよい。
以上のように、本発明について、具体的な構成要素などのような特定の事項と限定された実施形態および図面に基づいて説明したが、これは本発明のより全般的な理解を助けるために提供されたものに過ぎず、本発明がこのような実施形態に限定されてはならず、本発明が属する技術分野における通常の知識を有する者であれば、このような記載から多様な修正および変形が可能であろう。
したがって、本発明の思想は、上述の実施例に限定されて決まってはならず、この開示書に添付された特許請求の範囲だけでなく、この特許請求の範囲と均等かつ等価的な変形がある全てのものは本発明の思想の範疇に属するといえる。例えば、説明された技術が説明された方法とは異なる順に行われたり、及び／又は説明されたシステム、構造、装置、回路などの構成要素が説明された方法とは異なる形態に結合または組み合わせられたり、他の構成要素または均等物によって代替または置換されても適切な結果を得られる。
このように均等であるか等価的に変形されたものには、例えば、本発明に係る方法を実施したときと同じ結果を導き出すことのできる、論理的に同値（ｌｏｇｉｃａｌｌｙ ｅｑｕｉｖａｌｅｎｔ）の方法が含まれてよく、本発明の真意および範囲が上述した実施形態に制限されてはならず、法律に基づいて許容可能な最も広い意味として解釈されなければならない。

Claims (15)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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。
  9. 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。
  10. 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。
  11. 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。
  12. 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。
  13. 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。
  14. 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。
  15. 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。
JP2021530324A 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 Active JP7165266B2 (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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