JP7286863B2 - 医療データの自動化された検証 - Google Patents
医療データの自動化された検証 Download PDFInfo
- Publication number
- JP7286863B2 JP7286863B2 JP2022194640A JP2022194640A JP7286863B2 JP 7286863 B2 JP7286863 B2 JP 7286863B2 JP 2022194640 A JP2022194640 A JP 2022194640A JP 2022194640 A JP2022194640 A JP 2022194640A JP 7286863 B2 JP7286863 B2 JP 7286863B2
- Authority
- JP
- Japan
- Prior art keywords
- medical data
- machine learning
- action
- learning model
- medical
- 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
- 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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
[0026]次に、本開示の原理について、いくつかの実施形態を参照して説明する。これらの実施形態は、例示の目的でのみ説明され、当業者が本開示を理解し、実施するための助けとなるものであり、本開示の範囲に関するいかなる制限も示唆するものではないことを理解されたい。本明細書に記載の開示は、以下に記載されたもの以外の様々な方法で実施され得る。
例示的な環境
[0031]上述のように、検証手順は、様々な医療検査で生成される医療データの有効性を保証するために重要である。図1は、本開示の例示的な実施形態が実装され得る環境100を示す。環境100は、医療診断検査のための典型的なワークフローを含む。ワークフローは一般に、医療診断用の検査試料に対して医療検査を実行すること、医療検査で医療データを生成すること、および生成された医療データを検証することを含む。
対して医療検査を実行し、検査試料102に関連する医療データ112を生成するように構成される。医療検査には、生化学的検出検査または免疫検出検査などのインビトロ診断検査が含まれてもよい。医療検査システム110は、様々な化学的、生物学的、物理的、または他の医療検査手順による検査試料の分析のために設計された1つまたは複数の自動化された検査室用機器または分析装置を含んでもよい。いくつかの例では、機器または分析装置は、測定値を得るために試料と試薬との反応を誘発するように構成され得る。このような機器または分析装置の例は、化学的もしくは生物学的反応の結果を検出するため、かつ/または化学的もしくは生物学的反応の進行を監視するために、試料中に存在する分析物の定性的かつ/または定量的な検出に使用される、臨床化学分析器、凝固分析器、免疫化学分析器、血液分析器、尿分析器、および核酸分析器である。
様々な状況において「変性剤」または「試薬」とすることができる。いくつかの例では、検査される生物試料に、試薬が添加されない場合がある。
動作原理および例示的な検証システム
[0042]本開示の例示的な実施形態によれば、医療データの自動化された検証のための解決策が提案される。この解決策では、1つまたは複数の機械学習モデルは、履歴医療データ、および履歴医療データに対して実行された所定のアクションを示す関連するラベル付け情報から学習される。機械学習モデルは、医療データと検証結果との間の関連付けを表す。1つまたは複数の機械学習モデルを利用して、目標医療データを検証し、目標医療データに対して実行されるべき所定のアクションのうちの1つに関する情報を示す目標検証結果を出力することができる。解決策を通じて、医療データの高度に自動化された検証を実施するために、情報が履歴データから学習されることが可能であり、これにより、医療データの見直しにかかる手作業を大幅に削減し、医療データ検証の正確度および品質を向上させることができる。
ータが正しいと検証され、誤りがない場合、医療データに対する次のステップは、医療データをそのエンティティに公開すること(または簡単な手作業による見直しを要求し、その後にエンティティに公開すること)である。この場合、医療データに対して実行されるべき1つの可能なアクションは、直接または簡単な手作業による見直しの後に、医療データに関連する医療検査を要求するエンティティに医療データを公開することである。説明の便宜上、このアクションは、本明細書において第1のアクションと呼ばれることがある。
機械学習モデルの訓練
[0057]図3は、コンピューティングデバイス210において1つまたは複数の機械学習モデル212の訓練を実施するアーキテクチャのブロック図を示す。図示されるように、コンピューティングデバイス210は、訓練データ202を前処理するためのデータ準備モジュール310と、データ準備モジュール310によって準備された訓練データに基づいてモデル訓練プロセスを実施するためのモデル訓練モジュール320とを含む。図3では、例示のみを目的として、1つの訓練済みの機械学習モデル212が描写されている。場合によっては、複数の機械学習モデル212が訓練され得る。
用可能な陽性試料が大量にあるため、信頼性の高いものを選択して、後続の機械学習の正確度を確保することが望ましい。
、図4は、履歴医療データのセットの例示的なクラスタリングの結果を示す。この例では、例示のみを目的として、各履歴データ(たとえば、各履歴医療検査レポート)が2次元データを含むように示されていることに留意されたい。履歴医療データをクラスタリングした後、3つのクラスタ410、420、430が形成される。いくつかの外れ値の医療データ401-1から401-9は、3つのクラスタの重心から離れており、したがって外れ値の履歴医療データと見なされ得る。図4に示す例は、本開示の範囲に対するいかなる制限も示唆することなく、単に例示の目的で提供されていることが理解されよう。
ためにできるだけ多くの情報を収集することが可能になる。
機械学習モデルの適用
[0076]図5は、コンピューティングデバイス230における1つまたは複数の訓練済みの機械学習モデル212の適用を実装するアーキテクチャのブロック図を示す。図5では、例示のみを目的として、1つの訓練済みの機械学習モデル212が描写されている。図示されるように、コンピューティングデバイス230は、コンピューティングデバイス210によって訓練された機械学習モデル212を取得し、次いで、取得した機械学習モデル212に目標医療データ112を適用するためのモデル適用モジュール510を含む。目標医療データ112は、各機械学習モデル212への入力として提供される。次いで、機械学習モデル212は、目標医療データ112を処理し、それを所定のアクションのうちのアクションに関連付ける。次いで、機械学習モデル212のそれぞれは、アクションの指示および/またはその目標アクションを選択する際の機械学習モデル212の信頼レベルを含む検証結果を生成する。
characteristic)曲線および/または曲線下面積(AUC:area under the curve)が算出されてもよい。統計では、ROC曲線は、様々な決定閾値についての偽陽性率(FPR:false positive rate)に対する真陽性率(TPR:true positive rate)のプロットである。真陽性率は、感度または再現率とも呼ばれる。偽陽性率は、1-特異度である。ROC曲線は、感度および特異度の観点から分類器の識別能力を評価し、最適な決定閾値を特定することができる。識別能力のないモデルのROC曲線は、45度の対角線になる。曲線下面積(AUC)は、無作為に選択された陰性の観測値よりも無作為に選択された陽性の観測値の方が分類器のスコアが高い確率である。AUCは、単一の値で分類器の性能を要約することができる。
直して理解する際に支援および案内をすることができる。図5を再び参照すると、コンピューティングデバイス230は、このような基準医療データを提供するように構成された基準決定モジュール530を含む。
機械学習モデルの進化
[0090]訓練済みの機械学習モデル212が一定期間適用されるとき、および/または医療データ検証に対する要件が変わるとき、医療データ検証の性能をさらに向上させるために新しいモデルを訓練することが期待される。図7は、医療データを検証するための1つ
または複数のさらなる機械学習モデル212を決定するためのモデル進化モジュール730をさらに含むコンピューティングデバイス210のさらなる例を示す。
増加する場合、使用のために提供される機械学習モデル212は、それらの性能測定値に基づいて決定されてもよい。すなわち、更新された/新しい機械学習モデル212すべてが、現在使用されている以前の機械学習モデル212を置き換えるために直接提供されるわけではなく、検証性能を向上させるためには、高い性能測定値を伴うモデル212のみが使用に適している。
機械学習モデルの互換性
[0097]機械学習モデル212は、医療データを検証するために単独で適用され得る。いくつかの実施形態では、本開示で提案される機械学習モデルはまた、医療データ検証のための旧来のコンポーネント/機能と容易に互換可能であり得る。いくつかの旧来の検証手順では、上述のように、医療データを検証するためにルールベースのエンジンが適用される。場合によっては、LISは、医療データおよび検証結果のアーカイブ、記録、提示、および/またはさらなる処理にも関与することがある。本明細書で提案される機械学習モデルは、旧来の医療データ検証環境にも適合され得る。
は複数の所定のルールに基づく検証のために、ルールベースのエンジン810に入力されてもよい。ルールベースのエンジン810によって、医療データ802が、医療検査を要求するエンティティに公開され得ると検証された場合、この検証結果および医療データは、LIS820に提供され得る。ルールベースエンジン810によって、いくつかの医療データ802がさらに検証されるように判定された場合(すなわち、医療データ802を公開できない場合)、医療データ802は、さらなる処理のために、目標医療データ112として機械学習モデル212に提供される。
するために、ルールベースのエンジン810が使用され、したがって機械学習モデル212によって処理される医療データはより少なくなり、その結果、通常モデルの実行にはより多くのリソースが必要になるため全体的なリソース消費量を削減することができる。一般に、高い保守性を有するように一定のルールが手動で設定され、それにより医療データを公開するというアクションを示す検証結果がより高い信頼性を有すると考えられるという事実を考慮すると、ルールベースのエンジンのフィルタリングは、性能を犠牲にすることにはならない。いくつかの実施形態では、ルールベースのエンジン810の検証結果は、機械学習モデル212からの検証結果と共に医療検査レポート内に提示されてもよい。たとえば、再び図6を参照すると、医療検査レポート600は、検証結果部分630をさらに提示するように示されている。検証結果部分630は、ルールベースのエンジン810が医療データを「不合格」と判定し、それによりさらなる検証が必要であることを示す。
ピューティングデバイス230によって無効にされてもよく、医療データ検証は、この場合に限り、ルールベースのエンジン810によって実行される。いくつかの実施形態では、ルールベースのエンジン810は無効にされてもよく、したがって、すべての医療データ802が、機械学習モデル212を介して検証され得る。機械学習モデル212および/またはルールベースのエンジン810の有効化ならびに無効化は、ユーザ(検査技師/専門家など)からのフィードバックに基づいて決定されてもよい。
従ってもよい。一般に、LIS820は、医療データ内の検査項目のそれぞれの検査結果の受信をサポートすることができ、各検査結果は、医療データを含む医療検査レポート内の1つのデータ項目と見なされる。機械学習モデルによって決定された目標検証結果は、目標医療データと関連付けてLIS820に提供されてもよい。LIS820によってサポートされる仕様を満たすために、LIS820との通信は、目標検証結果が、医療検査レポートに含まれるダミーのカスタマイズされた検査項目(すなわち、新しいデータ項目)の検査結果として扱われ得るように、容易に拡張され得る。したがって、機械学習モデルからの特別な検証結果をサポートするために、LIS820との通信の仕様を変更する必要はない。LIS820は、このダミーの検査項目を解析して、機械学習モデル212から目標検証結果を取得することができる。
の通信は、非同期デカップリング処理を実装できるメッセージバススケジューリングなどの任意のメッセージスケジューリング方法に基づいてスケジュールされてもよい。メッセージバススケジューリングを通じてシステムの処理性能を拡張し、LIS820に複数のメッセージ受信機を追加することによって、処理能力を拡張することが簡便である。ルールベースのエンジン810、1つまたは複数の機械学習モデル212、およびLIS820を分散システムに実装するいくつかの実施形態では、各機械学習モデル212は、マイクロサービスを通じて機械学習モデルサービスとしてパッケージ化されてもよい。したがって、サービス登録、サービスディスカバリ、およびサービスバージョン管理は、モデルファクトリを介して実行され得る。
例示的なプロセス
[00105]図9は、本開示のいくつかの実施形態による、医療データを検証するための例
示的なプロセス900のフローチャートを示す。方法900は、図2のコンピューティングデバイス230によって実施され得る。考察のために、方法900について図2を参照して説明する。
生成された目標医療データを取得する。ブロック920において、コンピューティングデバイス230は、医療データを検証するための機械学習モデルを取得する。機械学習モデルは、医療データと検証結果との間の関連付けを表し、検証結果は、医療データに対して実行されるべき所定のアクションに関する情報を示す。ブロック930において、コンピューティングデバイス230は、目標医療データを機械学習モデルに適用することによって目標医療データの目標検証結果を決定する。目標検証結果は、目標医療データに対して実行されるべき所定のアクションから選択された目標アクションに関する情報を示す。
検証するためのさらなる機械学習モデルを取得するステップであって、さらなる機械学習モデルが、医療データと検証結果との間の、機械学習モデルによって表される関連付けとは異なる関連付けを表す、ステップと、目標医療データを機械学習モデルおよびさらなる機械学習モデルにそれぞれ適用してそれぞれの検証結果を取得するステップと、それぞれの検証結果に基づいて目標検証結果を決定するステップとを含む。
タとの間の類似性を決定するステップであって、候補医療データが、機械学習モデルを生成するために使用される履歴医療データおよび/または機械学習モデルに適用された履歴医療データから選択される、ステップと、類似性が所定の類似性閾値を超えたことに応答して、候補医療データを目標医療データのための基準医療データとして選択するステップと、目標医療データの閲覧者への提示のために目標医療データに関連する基準医療データを提供するステップとをさらに含む。
ータに対して目標アクションが実行されるべきであるとの決定、および目標医療データと同じである1つまたは複数の検査項目を候補医療データが有するとの決定のうちの少なくとも1つに基づいて、候補医療データを選択するステップを含む。
る医療検査を要求するエンティティに医療データを公開する第1のアクション、医療データをさらに検証する第2のアクション、医療データに関連する医療検査を再実行する第3のアクション、患者の履歴医療記録を確認する第4のアクション、医療検査における試薬の反応を確認する第5のアクション、医療検査で使用するために収集された検査試料を確認する第6のアクション、医療データを臨床診断と組み合わせて確認する第7のアクション、および患者の薬剤使用を確認する第8のアクションのうちの少なくとも1つを含む。
に対応するクラスに分類するための分類モデルを含む。
[00112]いくつかの実施形態では、目標アクションに関する情報は、以下の、目標アク
ションの指示、および機械学習モデルによって目標医療データに対する目標アクションを選択することの信頼レベルのうちの少なくとも1つを含む。
た医療データを含む。
[00114]いくつかの実施形態では、機械学習モデルは、複数の利用可能な機械学習モデ
ルのそれぞれの性能測定値に基づいて、複数の利用可能な機械学習モデルから選択される。
されるようにルールベースのエンジンによって決定される目標医療データを取得するステ
ップを含み、ルールベースのエンジンは、少なくとも1つの所定のルールに基づいて目標医療データを検証するように構成される。
検証結果を検査情報システム(LIS)に提供するステップをさらに含み、目標医療データは、医療検査レポートに提示された少なくとも1つのデータ項目と、さらなるデータ項目として医療検査レポートに提示された目標検証結果とを含む。
るように、プロセス1000によって提供または訓練される。
[00118]図10は、本開示のいくつかの実施形態による、医療データを検証するための
機械学習モデルを提供するための例示的なプロセス1000のフローチャートを示す。方法1000は、図2のコンピューティングデバイス210によって実施され得る。考察のために、方法1000について図2を参照して説明する。
タおよび関連するラベル付け情報を含む訓練データを取得する。ラベル付け情報は、履歴医療データに対して実行された所定のアクションを示す。ブロック1020では、コンピューティングデバイス210は、第1の機械学習モデルが医療データと医療データに対して実行されるべき所定のアクションに関する情報を示す検証結果との間の関連付けを表すように、訓練データに基づいて医療データを検証するための第1の機械学習モデルを生成する。
査を要求するエンティティに医療データを公開する第1のアクションを含み、訓練データを取得するステップは、第1のアクションを示すラベル付け情報に関連付けられているとマークされた利用可能な履歴医療データの第1のセットを取得するステップと、利用可能な履歴医療データの第1のセットから、第1のセット中の他の履歴医療データよりもラベル付け情報の信頼性が高い履歴医療データを選択するステップと、選択された履歴医療データおよび関連するラベル付け情報を訓練データとして決定するステップとを含む。
医療データの第2のセットから外れ値の履歴医療データを選択するステップと、外れ値の履歴医療データをユーザに提示するステップと、ユーザから所定のアクションのうちの1つを示すユーザ入力を受信したことに応答して、外れ値の履歴医療データを、示されたアクションを示すラベル付け情報に関連付けるようにマークするステップと、外れ値の履歴医療データおよび関連するラベル付け情報を訓練データとして決定するステップとを含む。
査を要求するエンティティに医療データを公開する第1のアクションを含み、訓練データを取得するステップは、利用可能な履歴医療データの第3のセットから、第1の医療データの量と第2の医療データの量との所定の比率に基づいて、第1の履歴医療データおよび第2の履歴医療データを選択するステップを含み、第1の履歴医療データは、第1のアクションを示すラベル付け情報に関連付けられ、第2の履歴医療データは、所定のアクションのうちの第1のアクションとは異なるアクションを示すラベル付け情報に関連付けられる。
リガに応答して、第1の機械学習モデルを更新すること、または訓練データに基づいて新
しい機械学習モデルを生成することによって、医療データを検証するための第2の機械学習モデルを決定するステップをさらに含み、新しい機械学習モデルは、第1の機械学習モデルとは異なるモデル構成を有する。
データに対してさらなるアクションが実行されるべきであるとの決定に応答して、さらなる履歴医療データおよびさらなるアクションを示す関連するさらなるラベル付け情報を訓練データに追加するステップと、第2の機械学習モデルが、医療データと、所定のアクションおよび医療データに対して実行されるべきさらなるアクションを示すさらなる検証結果との関連付けを表すように、新しい機械学習モデルを第2の機械学習モデルとして生成するステップとを含む。
機械学習モデルが提供され、方法は、第1の機械学習モデルの第1の性能測定値および第2の機械学習モデルの第2の性能測定値を決定するステップと、第2の性能測定値が第1の性能測定値を超えたことに応答して、使用されている第1の機械学習モデルを置き換えるための第2の機械学習モデルを提供するステップとをさらに含む。
少なくとも1つの検査結果を含み、第1の機械学習モデルを生成するステップは、複数の所定の検査項目のうちの、少なくとも1つの検査項目以外の検査項目の検査結果を記入することによって履歴医療データを処理するステップであって、記入される検査結果が、他の履歴医療データに含まれる他の検査項目の検査結果から決定される、ステップと、処理された履歴医療データに基づいて第1の機械学習モデルを生成するステップとを含む。
エンティティに医療データを公開する第1のアクション、医療データをさらに検証する第2のアクション、医療データに関連する医療検査を再実行する第3のアクション、患者の履歴医療記録を確認する第4のアクション、医療検査における試薬の反応を確認する第5のアクション、医療検査で使用するために収集された検査試料を確認する第6のアクション、医療データを臨床診断と組み合わせて確認する第7のアクション、および患者の薬剤使用を確認する第8のアクションのうちの少なくとも1つを含む。
例示的なデバイス
[00128]図11は、本開示の例示的な実施形態を実装するのに適した例示的なコンピュ
ーティングシステム/デバイス1100のブロック図を示す。システム/デバイス1100は、図2のコンピューティングデバイス210および/またはコンピューティングデバイス230として実装され得るか、またはそれらの中に実装され得る。システム/デバイス1100は、汎用コンピュータ、物理コンピューティングデバイス、もしくはポータブル電子デバイスでもよく、または通信ネットワークを通じてリンクされたリモート処理デバイスによってタスクが実行される分散型クラウドコンピューティング環境で実施されてもよい。システム/デバイス1100は、図9のプロセス900および/または図10のプロセス1000を実施するために使用され得る。
OM)1102に記憶されたプログラム、または記憶ユニット1108からランダムアクセスメモリ(RAM)1103にロードされたプログラムに従って様々なプロセスを実行できるプロセッサ1101を含む。RAM1103には、必要に応じて、プロセッサ1101が様々な処理を実行するときに必要なデータなども記憶される。プロセッサ1101、ROM1102、およびRAM1103は、バス1104を介して相互に接続される。入力/出力(I/O)インターフェース1105も、バス1104に接続される。
のとすることができ、非限定的な例として、以下のもの、すなわち汎用コンピュータ、専用コンピュータ、マイクロプロセッサ、デジタル信号プロセッサ(DSP)、グラフィック処理ユニット(GPU)、コプロセッサ、およびマルチコアプロセッサアーキテクチャに基づくプロセッサのうちの1つまたは複数を含んでもよい。システム/デバイス1100は、メインプロセッサを同期させるクロックに時間的にスレーブされる特定用途向け集積回路チップなどの複数のプロセッサを有してもよい。
スなどの入力ユニット1106、陰極線管(CRT)、液晶ディスプレイ(LCD)などのディスプレイおよび拡声器などを含む出力ユニット1107、ディスクおよび光ディスクなどの記憶ユニット1108、ならびにネットワークカード、モデム、ワイヤレストランシーバなどの通信ユニット1109を含む、I/Oインターフェース1105に接続される。通信ユニット1109は、システム/デバイス1100が、インターネット、様々な電気通信ネットワークなどの通信ネットワークを介して他のデバイスと情報/データを交換することを可能にする。
セスも、プロセッサ1101によって実行され得る。いくつかの実施形態では、プロセス900および/またはプロセス1000は、コンピュータ可読媒体、たとえば記憶ユニット1108に有形に含まれるコンピュータソフトウェアプログラムまたはコンピュータプログラム製品として実装され得る。いくつかの実施形態では、コンピュータプログラムは、ROM1102および/または通信ユニット1109を介して、システム/デバイス1100に部分的にまたは完全にロードおよび/または具体化され得る。コンピュータプログラムは、関連するプロセッサ1101によって実行されるコンピュータ実行可能命令を含む。コンピュータプログラムがRAM1103にロードされ、プロセッサ1101によって実行されると、上述のプロセス900および/またはプロセス1000のうちの1つまたは複数の動作が実施され得る。代替として、他の実施形態では、プロセッサ1101は、プロセス900および/またはプロセス1000を実行するように他の任意の適切な方式を用いて(たとえば、ファームウェアによって)構成され得る。
例示的な実施形態の列挙
[00133]本開示の実施形態は、本明細書に記載の任意の形態で具体化されてもよい。た
とえば、以下の列挙された例示的な実施形態は、本明細書で開示される本開示のいくつかの態様のいくつかの構造、特徴、および機能について説明する。
を提供する。方法は、医療検査で生成された目標医療データを取得するステップと、医療データを検証するための機械学習モデルを取得するステップであって、機械学習モデルが、医療データと検証結果との間の関連付けを表し、検証結果が、医療データに対して実行されるべき所定のアクションに関する情報を示すステップと、目標医療データを機械学習モデルに適用することによって目標医療データについての目標検証結果を決定するステップであって、目標検証結果が、目標医療データに対して実行されるべき所定のアクションから選択された目標アクションに関する情報を示すステップとを含む。
検証するためのさらなる機械学習モデルを取得するステップであって、さらなる機械学習モデルが、医療データと検証結果との間の、機械学習モデルによって表される関連付けとは異なる関連付けを表す、ステップと、目標医療データを機械学習モデルおよびさらなる機械学習モデルにそれぞれ適用してそれぞれの検証結果を取得するステップと、それぞれ
の検証結果に基づいて目標検証結果を決定するステップとを含む。
類似性を決定するステップであって、候補医療データが、機械学習モデルを生成するために使用される履歴医療データおよび/または機械学習モデルに適用された履歴医療データから選択される、ステップと、類似性が所定の類似性閾値を超えたことに応答して、候補医療データを目標医療データのための基準医療データとして選択するステップと、目標医療データの閲覧者への提示のために目標医療データに関連する基準医療データを提供するステップとをさらに含む。
ータに対して目標アクションが実行されるべきであるとの決定、および目標医療データと同じである1つまたは複数の検査項目を候補医療データが有するとの決定のうちの少なくとも1つに基づいて、候補医療データを選択するステップを含む。
る医療検査を要求するエンティティに医療データを公開する第1のアクション、医療データをさらに検証する第2のアクション、医療データに関連する医療検査を再実行する第3のアクション、患者の履歴医療記録を確認する第4のアクション、医療検査における試薬の反応を確認する第5のアクション、医療検査で使用するために収集された検査試料を確認する第6のアクション、医療データを臨床診断と組み合わせて確認する第7のアクション、および患者の薬剤使用を確認する第8のアクションのうちの少なくとも1つを含む。
に対応するクラスに分類するための分類モデルを含む。
[00140]いくつかの実施形態では、目標アクションに関する情報は、以下の、目標アク
ションの指示、および機械学習モデルによって目標医療データに対する目標アクションを選択することの信頼レベルのうちの少なくとも1つを含む。
た医療データを含む。
[00142]いくつかの実施形態では、機械学習モデルは、複数の利用可能な機械学習モデ
ルのそれぞれの性能測定値に基づいて、複数の利用可能な機械学習モデルから選択される。
されるようにルールベースのエンジンによって決定される目標医療データを取得するステップを含み、ルールベースのエンジンは、少なくとも1つの所定のルールに基づいて目標医療データを検証するように構成される。
検査情報システム(LIS)に提供するステップをさらに含み、目標医療データは、医療検査レポートに提示された少なくとも1つのデータ項目と、さらなるデータ項目として医療検査レポートに提示された目標検査結果とを含む。
て提供される。
[00146]第2の態様では、本開示の例示的な実施形態は、医療データを検証するための
機械学習モデルを提供する方法を提供する。方法は、履歴医療データおよび関連するラベル付け情報を含む訓練データを取得するステップであって、ラベル付け情報が、履歴医療
データに対して実行された所定のアクションを示す、ステップと、第1の機械学習モデルが医療データと医療データに対して実行されるべき所定のアクションに関する情報を示す検証結果との間の関連付けを表すように、訓練データに基づいて医療データを検証するための第1の機械学習モデルを生成するステップとを含む。
査を要求するエンティティに医療データを公開する第1のアクションを含み、訓練データを取得するステップは、第1のアクションを示すラベル付け情報に関連付けられているとマークされた利用可能な履歴医療データの第1のセットを取得するステップと、利用可能な履歴医療データの第1のセットから、第1のセット中の他の履歴医療データよりもラベル付け情報の信頼性が高い履歴医療データを選択するステップと、選択された履歴医療データおよび関連するラベル付け情報を訓練データとして決定するステップとを含む。
医療データの第2のセットから外れ値の履歴医療データを選択するステップと、外れ値の履歴医療データをユーザに提示するステップと、ユーザから所定のアクションのうちの1つを示すユーザ入力を受信したことに応答して、外れ値の履歴医療データを、示されたアクションを示すラベル付け情報に関連付けるようにマークするステップと、外れ値の履歴医療データおよび関連するラベル付け情報を訓練データとして決定するステップとを含む。
査を要求するエンティティに医療データを公開する第1のアクションを含み、訓練データを取得するステップは、利用可能な履歴医療データの第3のセットから、第1の医療データの量と第2の医療データの量との所定の比率に基づいて、第1の履歴医療データおよび第2の履歴医療データを選択するステップを含み、第1の履歴医療データは、第1のアクションを示すラベル付け情報に関連付けられ、第2の履歴医療データは、所定のアクションのうちの第1のアクションとは異なるアクションを示すラベル付け情報に関連付けられる。
て、第1の機械学習モデルを更新すること、または訓練データに基づいて新しい機械学習モデルを生成することによって、医療データを検証するための第2の機械学習モデルを決定するステップをさらに含み、新しい機械学習モデルは、第1の機械学習モデルとは異なるモデル構成を有する。
データに対してさらなるアクションが実行されるべきであるとの決定に応答して、さらなる履歴医療データおよびさらなるアクションを示す関連するさらなるラベル付け情報を訓練データに追加するステップと、第2の機械学習モデルが、医療データと、所定のアクションおよび医療データに対して実行されるべきさらなるアクションを示すさらなる検証結果との関連付けを表すように、新しい機械学習モデルを第2の機械学習モデルとして生成するステップとを含む。
機械学習モデルが提供され、方法は、第1の機械学習モデルの第1の性能測定値および第2の機械学習モデルの第2の性能測定値を決定するステップと、第2の性能測定値が第1の性能測定値を超えたことに応答して、使用されている第1の機械学習モデルを置き換えるための第2の機械学習モデルを提供するステップとをさらに含む。
少なくとも1つの検査結果を含み、第1の機械学習モデルを生成するステップは、複数の所定の検査項目のうちの、少なくとも1つの検査項目以外の検査項目の検査結果を記入することによって履歴医療データを処理するステップであって、記入される検査結果が、他の履歴医療データに含まれる他の検査項目の検査結果から決定される、ステップと、処理された履歴医療データに基づいて第1の機械学習モデルを生成するステップとを含む。
エンティティに医療データを公開する第1のアクション、医療データをさらに検証する第2のアクション、医療データに関連する医療検査を再実行する第3のアクション、患者の履歴医療記録を確認する第4のアクション、医療検査における試薬の反応を確認する第5のアクション、医療検査で使用するために収集された検査試料を確認する第6のアクション、医療データを臨床診断と組み合わせて確認する第7のアクション、および患者の薬剤使用を確認する第8のアクションのうちの少なくとも1つを含む。
子デバイスは、少なくとも1つのプロセッサと、電子デバイスの少なくとも1つのプロセッサによって実行されると、電子デバイスに、上述の第1の態様における方法のステップを実行させるコンピュータ可読命令を含む少なくとも1つのメモリとを備える。
子デバイスは、少なくとも1つのプロセッサと、電子デバイスの少なくとも1つのプロセッサによって実行されると、電子デバイスに、上述の第2の態様における方法のステップを実行させるコンピュータ可読命令を含む少なくとも1つのメモリとを備える。
行されると、装置に上記の第1の態様における方法のうちのいずれか1つのステップを実行させる命令を含むコンピュータプログラム製品を提供する。
行されると、装置に上記の第2の態様における方法のうちのいずれか1つのステップを実行させる命令を含むコンピュータプログラム製品を提供する。
の態様における方法を実行させるためのプログラム命令を含むコンピュータ可読媒体を提供する。コンピュータ可読媒体は、いくつかの実施形態では、非一時的コンピュータ可読媒体でもよい。
の態様における方法を実行させるためのプログラム命令を含むコンピュータ可読媒体を提供する。コンピュータ可読媒体は、いくつかの実施形態では、非一時的コンピュータ可読媒体でもよい。
、ソフトウェア、ロジック、またはそれらの任意の組合せで実装されてもよい。いくつかの態様はハードウェアで実装されてもよく、他の態様は、コントローラ、マイクロプロセッサ、または他のコンピューティングデバイスによって実行され得るファームウェアまたはソフトウェアで実装されてもよい。本開示の例示的な実施形態の様々な態様が、ブロック図、フローチャートとして、または他のいくつかの図形表現を使用して示され、説明されているが、本明細書に記載のブロック、装置、システム、技法、または方法は、非限定的な例として、ハードウェア、ソフトウェア、ファームウェア、専用回路もしくはロジック、汎用ハードウェアもしくはコントローラ、もしくは他のコンピューティングデバイス、またはそれらの何らかの組合せで実装されてもよいことを理解されたい。
くとも1つのコンピュータプログラム製品も提供する。コンピュータプログラム製品は、上記の方法/プロセスを実行するために、対象となる実プロセッサ上または仮想プロセッサ上のデバイスで実行される、プログラムモジュールに含まれるものなどのコンピュータ実行可能命令を含む。一般に、プログラムモジュールには、特定のタスクを実行する、または特定の抽象データ型を実装するルーチン、プログラム、ライブラリ、オブジェクト、クラス、コンポーネント、データ構造などが含まれる。プログラムモジュールの機能は、様々な実施形態において所望されるように、プログラムモジュール間で組み合わされるか、または分割されてもよい。プログラムモジュール用のコンピュータ実行可能命令は、ローカルデバイスまたは分散デバイス内で実行されてもよい。分散デバイスでは、プログラムモジュールはローカルとリモートの両方の記憶媒体に配置されてもよい。
記憶媒体でもよい。コンピュータ可読媒体には、電子、磁気、光学、電磁気、赤外線、もしくは半導体の、システム、装置、もしくはデバイス、または上記の任意の適切な組合せが含まれるが、これらに限定されない。コンピュータ可読記憶媒体のより具体的な例には、1つまたは複数のワイヤを有する電気接続、ポータブルコンピュータディスケット、ハードディスク、ランダムアクセスメモリ(RAM)、読み取り専用メモリ(ROM)、消去可能プログラマブル読み取り専用メモリ(EPROMまたはフラッシュメモリ)、光ファイバ、ポータブルコンパクトディスク読み取り専用メモリ(CD-ROM)、光学式記憶デバイス、磁気記憶デバイス、または上記の任意の適切な組合せが含まれる。
、1つまたは複数のプログラミング言語の任意の組合せで書かれてもよい。プログラムコードがプロセッサまたはコントローラによって実行されると、フローチャートおよび/またはブロック図で指定された機能/動作が実行されるように、プログラムコードは、汎用コンピュータ、専用コンピュータ、または他のプログラム可能なデータ処理装置のプロセッサまたはコントローラに提供されてもよい。プログラムコードは、完全にコンピュータ上で実行されるか、スタンドアロンソフトウェアパッケージとして部分的にコンピュータ上で実行されるか、部分的にコンピュータ上かつ部分的にリモートコンピュータ上で実行されるか、または完全にリモートコンピュータ上もしくはサーバ上で実行されてもよい。プログラムコードは、本明細書で一般に「モジュール」と呼ばれ得る特別にプログラムされたデバイスに配布されてもよい。モジュールのソフトウェアコンポーネント部分は、任意のコンピュータ言語で書かれてもよく、モノリシックコードベースの一部分であってもよく、またはオブジェクト指向コンピュータ言語で典型的であるような、より離散的なコード部分で開発されてもよい。加えて、モジュールは、複数のコンピュータプラットフォーム、サーバ、端末、モバイルデバイスなどにわたって分散されてもよい。さらに、説明された機能が別個のプロセッサおよび/またはコンピューティングハードウェアプラットフォームによって実行されるように、所与のモジュールが実装されてもよい。
動作が、示された特定の順序で、もしくは順次に実行されること、またはすべての図示された動作が実行されることを要求するものとして理解されるべきではない。一定の状況では、マルチタスクおよび並列処理が有利な場合がある。同様に、上記の説明にいくつかの特定の実装の詳細が含まれているが、これらは本開示の範囲に対する制限として解釈されるべきではなく、むしろ特定の実施形態に特有であり得る特徴の説明として解釈されるべ
きである。別個の実施形態の文脈で説明される一定の特徴は、単一の実施形態において組み合わせて実装されてもよい。逆に、単一の実施形態の文脈で説明される様々な特徴は、複数の実施形態において別々に、または任意の部分的組合せで実装されてもよい。
いるが、添付の特許請求の範囲で定義される本開示は、必ずしも上記の特定の特徴または行為に限定されないことを理解されたい。むしろ、上記の特定の特徴および行為は、特許請求の範囲を実施する例示的な形態として開示されている。
Claims (13)
- 医療データ検証のためのコンピュータ実装方法であって、
医療検査で生成された目標医療データを取得するステップと、
医療データを検証するための機械学習モデルを取得するステップであって、前記機械学習モデルが、前記医療データと検証結果との間の関連付けを表し、前記検証結果が、前記医療データに対して実行されるべき所定のアクションに関する情報を示し、前記所定のアクションが、前記医療データに関連する医療検査を要求するエンティティに対して前記医療データを公開するという第1のアクションを含む、ステップと、
前記目標医療データを前記機械学習モデルに適用することによって前記目標医療データについての目標検証結果を決定するステップであって、前記目標検証結果が、前記目標医療データに対して実行されるべき前記所定のアクションから選択された目標アクションに関する情報を示す、ステップと
を含む、方法。 - 前記機械学習モデルを取得するステップが、訓練データに基づいて、前記医療データを検証するための前記機械学習モデルを生成するステップを含み、
前記訓練データが、
前記第1のアクションを示すラベル付け情報に関連付けられているとマークされた利用可能な履歴医療データの第1のセットを取得するステップと、
利用可能な履歴医療データの前記第1のセットから、前記第1のセット中の他の履歴医療データよりも前記ラベル付け情報の信頼性が高い履歴医療データを選択するステップと、
前記選択された履歴医療データおよび前記関連するラベル付け情報を前記訓練データとして決定するステップと、
を含む処理によって取得される、請求項1に記載の方法。 - 前記目標検証結果を決定するステップが、
前記医療データを検証するためのさらなる機械学習モデルを取得するステップであって、前記さらなる機械学習モデルが、前記医療データと前記検証結果との間の、前記機械学習モデルによって表される前記関連付けとは異なる関連付けを表す、ステップと、
前記目標医療データを前記機械学習モデルおよび前記さらなる機械学習モデルにそれぞれ適用してそれぞれの検証結果を取得するステップと、
前記それぞれの検証結果に基づいて前記目標検証結果を決定するステップと
を含む、請求項1または2に記載の方法。 - 前記目標医療データと候補医療データとの間の類似性を決定するステップであって、前記候補医療データが、前記機械学習モデルを生成するために使用される履歴医療データおよび/または前記機械学習モデルに適用された履歴医療データから選択される、ステップと、
前記類似性が所定の類似性閾値を超えたことに応答して、前記候補医療データを前記目標医療データのための基準医療データとして選択するステップと、
前記目標医療データの閲覧者への提示のために前記目標医療データに関連する前記基準医療データを提供するステップと
をさらに含む、請求項1から3のいずれかに記載の方法。 - 前記類似性を決定するステップが、
前記候補医療データに対して前記目標アクションが実行されるべきであるとの決定、および
前記目標医療データと同じである1つまたは複数の検査項目を前記候補医療データが有するとの決定
のうちの少なくとも1つに基づいて、前記候補医療データを選択するステップを含む、
請求項4に記載の方法。 - 前記所定のアクションが、更に、
前記医療データをさらに検証するという第2のアクション、
前記医療データに関連する前記医療検査を再実行するという第3のアクション、
患者の履歴医療記録を確認するという第4のアクション、
前記医療検査における試薬の反応を確認するという第5のアクション、
前記医療検査で使用するために収集された検査試料を確認するという第6のアクション、
前記医療データを臨床診断と組み合わせて確認するという第7のアクション、および
患者の薬剤使用を確認するという第8のアクション
のうちの少なくとも1つを含む、
請求項1から5のいずれかに記載の方法。 - 前記機械学習モデルが、前記医療データを前記所定のアクションに対応するクラスに分類するための分類モデルを含む、請求項1から6のいずれかに記載の方法。
- 前記目標アクションに関する前記情報が、前記目標アクションの指示、および前記機械学習モデルによって前記目標医療データに対する前記目標アクションを選択することの信頼レベルのうちの少なくとも1つを含む、請求項1から7のいずれかに記載の方法。
- 前記目標医療データが、インビトロ(in-vitro)診断検査で生成された医療データを含む、請求項1から8のいずれかに記載の方法。
- 前記機械学習モデルが、複数の利用可能な機械学習モデルのそれぞれの性能測定値に基づいて、前記複数の利用可能な機械学習モデルから選択される、請求項1から9のいずれかに記載の方法。
- 前記目標医療データを取得するステップが、
さらに検証されるようにルールベースのエンジンによって決定される前記目標医療データを取得するステップであって、前記ルールベースのエンジンが少なくとも1つの所定のルールに基づいて前記目標医療データを検証するように構成される、ステップを含む、請求項1から10のいずれかに記載の方法。 - 前記目標医療データに関連する前記目標検証結果を検査情報システム(LIS:laboratory information system)に提供するステップをさらに含み、前記目標医療データが、医療検査レポートに提示された少なくとも1つのデータ項目と、さらなるデータ項目として前記医療検査レポートに提示された前記目標検証結果とを含む、請求項1から11のいずれかに記載の方法。
- コンピュータによって実行されると、前記コンピュータに、請求項1から12のいずれかに記載の方法を実行させる命令を記録したコンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
WOPCT/CN2019/102636 | 2019-08-26 | ||
CN2019102636 | 2019-08-26 | ||
JP2020140547A JP2021034056A (ja) | 2019-08-26 | 2020-08-24 | 医療データの自動化された検証 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020140547A Division JP2021034056A (ja) | 2019-08-26 | 2020-08-24 | 医療データの自動化された検証 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2023016928A JP2023016928A (ja) | 2023-02-02 |
JP2023016928A5 JP2023016928A5 (ja) | 2023-03-20 |
JP7286863B2 true JP7286863B2 (ja) | 2023-06-05 |
Family
ID=72240337
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020140547A Pending JP2021034056A (ja) | 2019-08-26 | 2020-08-24 | 医療データの自動化された検証 |
JP2022194641A Active JP7361187B2 (ja) | 2019-08-26 | 2022-12-06 | 医療データの自動化された検証 |
JP2022194640A Active JP7286863B2 (ja) | 2019-08-26 | 2022-12-06 | 医療データの自動化された検証 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020140547A Pending JP2021034056A (ja) | 2019-08-26 | 2020-08-24 | 医療データの自動化された検証 |
JP2022194641A Active JP7361187B2 (ja) | 2019-08-26 | 2022-12-06 | 医療データの自動化された検証 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP3786966A1 (ja) |
JP (3) | JP2021034056A (ja) |
CN (1) | CN112435753A (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022247143A1 (en) * | 2021-11-01 | 2022-12-01 | F. Hoffmann-La Roche Ag | Federated learning of medical validation model |
WO2023152879A1 (ja) * | 2022-02-10 | 2023-08-17 | 日本電信電話株式会社 | モデル設定装置、モデル設定システム、モデル設定方法、及びモデル設定プログラム |
WO2023152877A1 (ja) * | 2022-02-10 | 2023-08-17 | 日本電信電話株式会社 | 通信品質予測装置、通信品質予測システム、通信品質予測方法、及び通信品質予測プログラム |
WO2023214835A1 (ko) * | 2022-05-04 | 2023-11-09 | 주식회사 타이로스코프 | 면담 내용을 이용하여 검사 세트를 제공하는 처방 보조 방법 |
WO2024054890A1 (en) * | 2022-09-07 | 2024-03-14 | Siemens Healthcare Diagnostics Inc. | Systems and methods for determining test result accuracies in diagnostic laborabory systems |
CN116795725B (zh) * | 2023-08-23 | 2023-11-17 | 长沙砝码柯数据科技有限责任公司 | 一种临床电子数据采集系统的自动验库方法和系统 |
CN117275644B (zh) * | 2023-08-31 | 2024-04-16 | 广州零端科技有限公司 | 基于深度学习的检测结果互认方法、系统及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006344110A (ja) | 2005-06-10 | 2006-12-21 | Toshiba Corp | 医用情報表示装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5873824A (en) * | 1996-11-29 | 1999-02-23 | Arch Development Corporation | Apparatus and method for computerized analysis of interstitial infiltrates in chest images using artificial neural networks |
JP3987675B2 (ja) * | 2000-07-05 | 2007-10-10 | 株式会社日立製作所 | 臨床検査システム |
US7672987B2 (en) * | 2005-05-25 | 2010-03-02 | Siemens Corporate Research, Inc. | System and method for integration of medical information |
JP2007287018A (ja) * | 2006-04-19 | 2007-11-01 | Fujifilm Corp | 診断支援システム |
JP5744631B2 (ja) * | 2011-06-06 | 2015-07-08 | キヤノン株式会社 | 診療支援装置、診療支援方法 |
US11037070B2 (en) * | 2015-04-29 | 2021-06-15 | Siemens Healthcare Gmbh | Diagnostic test planning using machine learning techniques |
CN106126958B (zh) * | 2016-07-06 | 2018-10-19 | 温冬梅 | 医疗实验室临床生化检验自动审核系统 |
JP6901308B2 (ja) * | 2017-04-14 | 2021-07-14 | 株式会社日立製作所 | データ分析支援システム及びデータ分析支援方法 |
JP2019091324A (ja) * | 2017-11-16 | 2019-06-13 | コニカミノルタ株式会社 | 医療情報処理装置及びプログラム |
WO2019111327A1 (ja) | 2017-12-05 | 2019-06-13 | 株式会社DSi | 技工料金自動算出システム、技工料金自動算出方法及びプログラム |
ES2899735T3 (es) * | 2018-01-05 | 2022-03-14 | Alcon Inc | Sistemas y métodos para la selección de una lente intraocular |
CN109378065A (zh) * | 2018-10-30 | 2019-02-22 | 医渡云(北京)技术有限公司 | 医疗数据处理方法及装置、存储介质、电子设备 |
CN109448858A (zh) * | 2018-10-30 | 2019-03-08 | 中山大学肿瘤防治中心 | 结直肠癌医疗数据处理方法及装置、存储介质、电子设备 |
CN110085314A (zh) * | 2019-04-11 | 2019-08-02 | 上海翼依信息技术有限公司 | 医学检验数据的智能分析方法、系统以及设备 |
-
2020
- 2020-08-24 JP JP2020140547A patent/JP2021034056A/ja active Pending
- 2020-08-25 CN CN202010865057.3A patent/CN112435753A/zh active Pending
- 2020-08-25 EP EP20192594.8A patent/EP3786966A1/en active Pending
-
2022
- 2022-12-06 JP JP2022194641A patent/JP7361187B2/ja active Active
- 2022-12-06 JP JP2022194640A patent/JP7286863B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006344110A (ja) | 2005-06-10 | 2006-12-21 | Toshiba Corp | 医用情報表示装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112435753A (zh) | 2021-03-02 |
JP2021034056A (ja) | 2021-03-01 |
JP2023016928A (ja) | 2023-02-02 |
EP3786966A1 (en) | 2021-03-03 |
JP7361187B2 (ja) | 2023-10-13 |
JP2023016929A (ja) | 2023-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7286863B2 (ja) | 医療データの自動化された検証 | |
Boyd | Defining laboratory reference values and decision limits: populations, intervals, and interpretations | |
CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
CN113053535B (zh) | 一种医疗信息预测系统及医疗信息预测方法 | |
CN112786203A (zh) | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 | |
CN111406294A (zh) | 自动生成用于实验室仪器的规则 | |
WO2013043204A1 (en) | Systems and methods for collecting and transmitting assay results | |
US10973467B2 (en) | Method and system for automated diagnostics of none-infectious illnesses | |
WO2020148757A1 (en) | System and method for selecting required parameters for predicting or detecting a medical condition of a patient | |
ALOTAIBI et al. | EARLY PREDICTION OF GESTATIONAL DIABETES USING MACHINE LEARNING TECHNIQUES | |
US20240071626A1 (en) | Automated validation of medical data | |
JP2024501620A (ja) | 生物学的障害の動的免疫組織化学プロファイリングのためのシステム及び方法 | |
JP2018084581A (ja) | 自動分析装置の測定結果の補足 | |
WO2022247143A1 (en) | Federated learning of medical validation model | |
CN116052889B (zh) | 一种基于血液常规指标检测的sFLC预测系统 | |
Zhao et al. | KDClassifier: Urinary Proteomic Spectra Analysis Based on Machine Learning for Classification of Kidney Diseases | |
CN116504394B (zh) | 基于多特征融合的辅助医疗方法、装置及计算机存储介质 | |
CN113945724B (zh) | 一种阈下抑郁风险预测装置及其试剂盒和应用 | |
CN115151182B (zh) | 用于诊断分析的方法和系统 | |
JP2019061657A (ja) | 生体試料の測定値増強 | |
Brinati et al. | Artificial intelligence in laboratory medicine | |
US10971267B2 (en) | Systems and methods for aggregation of automatically generated laboratory test results | |
WO2023223093A1 (en) | Predicting albuminuria using machine learning | |
Kapucu et al. | COVID19PREDICTOR: WEB-BASED INTERFACE TO DEVELOP MACHINE LEARNING MODELS FOR DIAGNOSIS OF COVID-19 BASED ON CLINICAL DATA AND ROUTINE TESTS | |
WO2022067426A1 (en) | System and method for generating augmented complete blood count reports |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221206 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221206 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230310 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230310 |
|
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: 20230517 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230524 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7286863 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |