JP7295517B2 - Forecasting Systems, Forecasting Apparatuses, and Forecasting Programs - Google Patents
Forecasting Systems, Forecasting Apparatuses, and Forecasting Programs Download PDFInfo
- Publication number
- JP7295517B2 JP7295517B2 JP2021075064A JP2021075064A JP7295517B2 JP 7295517 B2 JP7295517 B2 JP 7295517B2 JP 2021075064 A JP2021075064 A JP 2021075064A JP 2021075064 A JP2021075064 A JP 2021075064A JP 7295517 B2 JP7295517 B2 JP 7295517B2
- Authority
- JP
- Japan
- Prior art keywords
- subject
- information
- plan
- prediction
- 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
Description
本発明は、予測システム、予測装置、および予測プログラムに関する。 The present invention relates to a prediction system, a prediction device, and a prediction program.
次のような生体情報・業務管理システムが知られている。この生体情報・業務管理システムでは、患者の生体情報に基づいて患者ごとおよび疾患ごとに重症化予測を実行して緊急患者とオンコールリスク患者に区分し、緊急患者を空き時間のある看護師のスケジュールに割り当てる（例えば、特許文献１）。 The following biological information/work management system is known. This biometric information and work management system predicts the severity of each patient and each disease based on the patient's biometric information, classifies emergency patients and on-call risk patients, and schedules emergency patients for nurses who have free time. (for example, Patent Document 1).
患者の生体情報に基づいて患者ごとおよび疾患ごとに重症化を予測する場合には、予測した結果を患者の家族や医療従事者に事前に通知することができれば、通知を受けた人物は、通知された内容に基づいて、患者の体調の変化を注意深く見守ったり、重症化を防止するための措置を行ったりすることができる可能性がある。これは介護を必要とする要介護者の場合も同様のことがいえる。このため、患者や要介護者が将来発症する可能性がある疾患や将来発生する可能性があるイベントを予測して、予測結果を家族や医療・介護従事者へ通知するための仕組みが求められているが、従来の技術ではそのための技術については何ら検討されていなかった。 When predicting aggravation for each patient and for each disease based on the patient's biological information, if it is possible to notify the patient's family and medical professionals in advance of the predicted results, the person who receives the notification Based on the information provided, it may be possible to carefully monitor changes in the patient's physical condition and take measures to prevent aggravation. The same can be said for the care-requiring person who needs care. Therefore, there is a need for a mechanism to predict diseases and events that may occur in the future for patients and those requiring nursing care, and to notify the family and medical and nursing care workers of the prediction results. However, in the conventional technology, no consideration has been given to the technology therefor.
本発明による予測システムは、要介護者または患者である対象者の活動内容を示す活動情報、対象者のバイタル情報やセンシング情報の少なくとも１つを含むバイタル・センシング情報、対象者の介護計画や看護計画や療養計画や診療計画の少なくとも１つの情報を含む計画情報、および対象者の介護記録や看護記録や電子カルテや申し送りの少なくとも１つの情報を含む記録情報に基づいて対象者が発症する可能性がある疾患や対象者に発生する可能性がある対象者の転倒、重症化、死亡、発症、入院、または救急搬送を含むイベントを予測するように機械学習された学習モデルを利用して、対象者の活動情報、バイタル・センシング情報、計画情報、および記録情報を入力として、対象者が将来発症する可能性がある疾患や、対象者に将来発生する可能性がある対象者の転倒、重症化、死亡、発症、入院、または救急搬送を含むイベントを予測する予測手段と、予測手段による予測結果を対象者の家族および対象者の医療・介護従事者の少なくとも一方に通知する通知手段とを備えることを特徴とする。
本発明による予測装置は、要介護者または患者である対象者の活動内容を示す活動情報、対象者のバイタル情報やセンシング情報の少なくとも１つを含むバイタル・センシング情報、対象者の介護計画や看護計画や療養計画や診療計画の少なくとも１つの情報を含む計画情報、および対象者の介護記録や看護記録や電子カルテや申し送りの少なくとも１つの情報を含む記録情報に基づいて対象者が発症する可能性がある疾患や対象者に発生する可能性がある対象者の転倒、重症化、死亡、発症、入院、または救急搬送を含むイベントを予測するように機械学習された学習モデルを利用して、対象者の活動情報、バイタル・センシング情報、計画情報、および記録情報を入力として、対象者が将来発症する可能性がある疾患や、対象者に将来発生する可能性がある対象者の転倒、重症化、死亡、発症、入院、または救急搬送を含むイベントを予測する予測手段と、予測手段による予測結果を対象者の家族および対象者の医療・介護従事者の少なくとも一方に通知する通知手段とを備えることを特徴とする。
本発明による予測プログラムは、要介護者または患者である対象者の活動内容を示す活動情報、対象者のバイタル情報やセンシング情報の少なくとも１つを含むバイタル・センシング情報、対象者の介護計画や看護計画や療養計画や診療計画の少なくとも１つの情報を含む計画情報、および対象者の介護記録や看護記録や電子カルテや申し送りの少なくとも１つの情報を含む記録情報に基づいて対象者が発症する可能性がある疾患や対象者に発生する可能性がある対象者の転倒、重症化、死亡、発症、入院、または救急搬送を含むイベントを予測するように機械学習された学習モデルを利用して、対象者の活動情報、バイタル・センシング情報、計画情報、および記録情報を入力として、対象者が将来発症する可能性がある疾患や、対象者に将来発生する可能性がある対象者の転倒、重症化、死亡、発症、入院、または救急搬送を含むイベントを予測する予測手順と、予測手順による予測結果を対象者の家族および対象者の医療・介護従事者の少なくとも一方に通知する通知手順をコンピュータに実行させることを特徴とする。
The prediction system according to the present invention includes activity information indicating activity details of a subject who is a person requiring nursing care or a patient, vital sensing information including at least one of vital information and sensing information of the subject, care planning and nursing care of the subject. The likelihood that the subject will develop the disease based on plan information, including at least one information of plans, treatment plans, and medical treatment plans, and record information, including at least one of information on the subject's care records, nursing records, electronic medical records, and referrals Using machine-learned learning models to predict events that may occur in a subject, including falling, serious injury, death, illness, hospitalization, or ambulance in a subject By inputting patient's activity information, vital sensing information, plan information, and record information, we can identify diseases that the subject may develop in the future, falls, and aggravation of the subject that may occur in the future. , prediction means for predicting an event including death, onset, hospitalization, or ambulance transportation; and notification means for notifying at least one of the subject's family and the subject's medical and nursing care workers of the prediction result of the prediction means It is characterized by
The prediction device according to the present invention includes activity information indicating the activity content of a subject who is a person requiring nursing care or a patient, vital sensing information including at least one of vital information and sensing information of the subject, care planning and nursing care of the subject. The likelihood that the subject will develop the disease based on plan information, including at least one information of plans, treatment plans, and medical treatment plans, and record information, including at least one of information on the subject's care records, nursing records, electronic medical records, and referrals Using machine-learned learning models to predict events that may occur in a subject, including falling, serious injury, death, illness, hospitalization, or ambulance in a subject By inputting patient's activity information, vital sensing information, plan information, and record information, we can identify diseases that the subject may develop in the future, falls, and aggravation of the subject that may occur in the future. , prediction means for predicting an event including death, onset, hospitalization, or ambulance transportation; and notification means for notifying at least one of the subject's family and the subject's medical and nursing care workers of the prediction result of the prediction means It is characterized by
The prediction program according to the present invention includes activity information indicating activity details of a subject who is a person requiring nursing care or a patient, vital sensing information including at least one of vital information and sensing information of the subject, care planning and nursing care of the subject. The likelihood that the subject will develop the disease based on plan information, including at least one information of plans, treatment plans, and medical treatment plans, and record information, including at least one of information on the subject's care records, nursing records, electronic medical records, and referrals Using machine-learned learning models to predict events that may occur in a subject, including falling, serious injury, death, illness, hospitalization, or ambulance in a subject By inputting patient's activity information, vital sensing information, plan information, and record information, we can identify diseases that the subject may develop in the future, falls, and aggravation of the subject that may occur in the future. , a prediction procedure for predicting an event including death, onset, hospitalization, or ambulance, and a notification procedure for notifying at least one of the subject's family and the subject's medical and care workers of the prediction result of the prediction procedure. It is characterized by executing
本発明によれば、対象者が将来発症する可能性がある疾患や対象者に将来発生する可能性があるイベントを予測して、その予測結果を対象者、対象者の家族、および対象者の医療・介護従事者に通知することができる。 According to the present invention, a disease that a subject may develop in the future or an event that may occur in the subject in the future is predicted, and the prediction results are provided to the subject, the subject's family, and the subject. Medical and nursing care workers can be notified.
図１は、本実施の形態における予測システム１０の一実施の形態の構成を示すブロック図である。予測システム１０は、患者や要介護者などの対象者が所持する対象者用端末１００と、対象者の家族が所持する家族用端末２００と、介護士、ケアマネージャー、ヘルパー、看護師、または医師などの介護従事者や医療従事者が所持する医療・介護従事者用端末３００と、対象者用端末１００、家族用端末２００、および医療・介護従事者用端末３００と通信をして後述する種々の処理を実行するサーバー４００とがインターネットなどの通信回線を介して接続されている。
FIG. 1 is a block diagram showing the configuration of one embodiment of a
対象者用端末１００は、例えば、スマートフォン、タブレット端末、パソコンなどが用いられる。図２は、本実施の形態における対象者用端末１００として、スマートフォンを用いた場合の一実施の形態の構成を示すブロック図である。対象者用端末１００は、タッチパネル１０１と、通信モジュール１０２と、制御装置１０３とを備えている。
As the
タッチパネル１０１は、液晶パネル等の表示装置とタッチパッドのような位置入力装置を組み合わせた電子部品であり、画面上の表示を押すことで機器を操作することができる入力装置である。例えば、対象者用端末１００の操作者は、液晶パネル上に表示されたボタンやアイコンやメニュー等の表示項目を指やタッチペンを用いてタッチまたはスライドさせることにより、対象者用端末１００を操作することができる。タッチパネル１０１は、操作者によるタッチやスライドといった操作を検出して、その検出信号を制御装置１０３へ出力する。
The
通信モジュール１０２は、無線または有線により、ＬＡＮや携帯電話通信網を介してインターネットに接続するためのモジュールや、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの近距離無線通信用のためのモジュールを含む。 The communication module 102 includes a module for wireless or wired connection to the Internet via a LAN or mobile phone communication network, and a module for short-range wireless communication such as Bluetooth (registered trademark).
制御装置１０３は、ＣＰＵ、メモリ、およびその他の周辺回路によって構成され、対象者用端末１００の全体を制御する。なお、制御装置１０３を構成するメモリは、例えばＳＤＲＡＭ等の揮発性のメモリやフラッシュメモリ等の不揮発性のメモリを含む。揮発性のメモリは、ＣＰＵがプログラム実行時にプログラムを展開するためのワークメモリや、データを一時的に記録するためのバッファメモリとして使用される。また、不揮発性のメモリには、対象者用端末１００を動作させるためのファームウェアや種々のアプリケーションを動作させるためのソフトウェアのプログラムデータが記録される。なお、本実施の形態では、制御装置１０３を構成するメモリには後述するＰＨＲ(パーソナルヘルスレコード)アプリケーション（以下「ＰＨＲアプリ」と呼ぶ）のプログラムデータが記録されている。
The
家族用端末２００は、例えば、スマートフォン、タブレット端末、パソコンなどが用いられる。図３は、本実施の形態における家族用端末２００として、スマートフォンを用いた場合の一実施の形態の構成を示すブロック図である。家族用端末２００は、タッチパネル２０１と、通信モジュール２０２と、制御装置２０３とを備えている。
A smartphone, a tablet terminal, a personal computer, or the like is used as the
タッチパネル２０１は、液晶パネル等の表示装置とタッチパッドのような位置入力装置を組み合わせた電子部品であり、画面上の表示を押すことで機器を操作することができる入力装置である。例えば、家族用端末２００の操作者は、液晶パネル上に表示されたボタンやアイコンやメニュー等の表示項目を指やタッチペンを用いてタッチまたはスライドさせることにより、家族用端末２００を操作することができる。タッチパネル２０１は、操作者によるタッチやスライドといった操作を検出して、その検出信号を制御装置２０３へ出力する。
The
通信モジュール２０２は、無線または有線により、ＬＡＮや携帯電話通信網を介してインターネットに接続するためのモジュールを含む。 The communication module 202 includes a module for wireless or wired connection to the Internet via a LAN or mobile phone communication network.
制御装置２０３は、ＣＰＵ、メモリ、およびその他の周辺回路によって構成され、家族用端末２００の全体を制御する。なお、制御装置２０３を構成するメモリは、例えばＳＤＲＡＭ等の揮発性のメモリやフラッシュメモリ等の不揮発性のメモリを含む。揮発性のメモリは、ＣＰＵがプログラム実行時にプログラムを展開するためのワークメモリや、データを一時的に記録するためのバッファメモリとして使用される。また、不揮発性のメモリには、家族用端末２００を動作させるためのファームウェアや種々のアプリケーションを動作させるためのソフトウェアのプログラムデータが記録される。なお、本実施の形態では、制御装置２０３を構成するメモリには後述するＰＨＲアプリのプログラムデータが記録されている。
The
医療・介護従事者用端末３００は、例えば、スマートフォン、携帯電話機、タブレット端末、パソコンなどが用いられる。図４は、本実施の形態における医療・介護従事者用端末３００として、スマートフォンを用いた場合の一実施の形態の構成を示すブロック図である。医療・介護従事者用端末３００は、タッチパネル３０１と、通信モジュール３０２と、制御装置３０３とを備えている。
As the medical/
タッチパネル３０１は、液晶パネル等の表示装置とタッチパッドのような位置入力装置を組み合わせた電子部品であり、画面上の表示を押すことで機器を操作することができる入力装置である。例えば、医療・介護従事者用端末３００の操作者は、液晶パネル上に表示されたボタンやアイコンやメニュー等の表示項目を指やタッチペンを用いてタッチまたはスライドさせることにより、医療・介護従事者用端末３００を操作することができる。タッチパネル３０１は、操作者によるタッチやスライドといった操作を検出して、その検出信号を制御装置３０３へ出力する。
The
通信モジュール３０２は、無線または有線により、ＬＡＮや携帯電話通信網を介してインターネットに接続するためのモジュールを含む。 The communication module 302 includes a module for wireless or wired connection to the Internet via a LAN or mobile phone communication network.
制御装置３０３は、ＣＰＵ、メモリ、およびその他の周辺回路によって構成され、医療・介護従事者用端末３００の全体を制御する。なお、制御装置３０３を構成するメモリは、例えばＳＤＲＡＭ等の揮発性のメモリやフラッシュメモリ等の不揮発性のメモリを含む。揮発性のメモリは、ＣＰＵがプログラム実行時にプログラムを展開するためのワークメモリや、データを一時的に記録するためのバッファメモリとして使用される。また、不揮発性のメモリには、医療・介護従事者用端末３００を動作させるためのファームウェアや種々のアプリケーションを動作させるためのソフトウェアのプログラムデータが記録される。なお、本実施の形態では、制御装置３０３を構成するメモリに後述する介護・看護・電子カルテ用アプリケーション（以下「介護・看護・電子カルテアプリ」と呼ぶ）のプログラムデータが記録されている。
The
サーバー４００は、インターネットに接続された装置であって、図５は、本実施の形態におけるサーバー４００の一実施の形態の構成を示すブロック図である。サーバー４００は、接続インターフェース４０１と、制御装置４０２と、記憶媒体４０３とを備えている。
接続インターフェース４０１は、サーバー４００をインターネット等の通信回線に接続するためのインターフェースであり、例えば、インターネットに有線で接続するための有線ＬＡＮモジュールや、インターネットに無線で接続するための無線ＬＡＮモジュールなどを含んでいる。
The
制御装置４０２は、ＣＰＵ、メモリ、およびその他の周辺回路によって構成され、サーバー４００の全体を制御する。なお、制御装置４０２を構成するメモリは、例えばＳＤＲＡＭ等の揮発性のメモリである。このメモリは、ＣＰＵがプログラム実行時にプログラムを展開するためのワークメモリや、データを一時的に記録するためのバッファメモリとして使用される。例えば、接続インターフェース４０１を介して読み込まれたデータは、バッファメモリに一時的に記録される。
The control device 402 is composed of a CPU, memory, and other peripheral circuits, and controls the
記憶媒体４０３は、サーバー４００が蓄える種々のデータや、制御装置４０２が実行するためのプログラムのデータ等を記録するための記憶媒体であり、例えばＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等が用いられる。なお、記憶媒体４０３に記録されるプログラムのデータは、ＣＤ－ＲＯＭやＤＶＤ－ＲＯＭなどの記録媒体に記録されて提供されたり、ネットワークを介して提供されて、操作者が取得したプログラムのデータを記憶媒体４０３にインストールすることによって、制御装置４０２がプログラムを実行できるようになる。本実施の形態では、記憶媒体４０３に、サーバー４００を本発明における予測装置として動作させるためのプログラムがインストールされているものとする。
The
本実施の形態における予測システム１０は、対象者の健康情報やバイタルデータに基づいて対象者の現在のリスクや疾患の発症予測を行い、予測結果をアラート情報として対象者の家族や医療・介護従事者へ通報することを目的として利用される。本実施の形態では、対象者は、患者や要介護者などを想定する。また、医療・介護従事者は、例えば看護師や医師などの医療従事者と、介護士やケアマネージャーやヘルパーなどの介護従事者を含む。
The
例えば、疾患として脳卒中を考えると、脳卒中の危険因子としては、喫煙、高血圧、ストレス、多量飲酒、および脂質異常症等の様々な因果関係が研究されてきた。このように疾患と危険因子は多種多様であり、生活習慣の改善が主な予防アプローチである。これらは、年に１度または数度の健康診断や、通院や訪問診療などの診療の際に得られたデータに基づき研究されてきており、リアルタイムのデータによる将来発症予測の取り組みは限定的であった。また、介護現場においては、医療機器やセンサー技術の導入は、聴診器、血圧測定器、超音波装置、呼吸器、体温計、心電図、またはパルスオキシメーター程度で、診断と薬物治療とトリアージが中心であり、昨今、転倒を検知するためのセンサーや、心拍数や呼吸数をモニタリングするためのセンサーなどがようやく登場してきた状況である。 For example, considering stroke as a disease, various causal relationships such as smoking, hypertension, stress, heavy drinking, and dyslipidemia have been studied as risk factors for stroke. With such a wide variety of diseases and risk factors, lifestyle modification is the main preventive approach. These studies have been conducted based on data obtained during health checkups once or several times a year, as well as during outpatient clinics and home visits, and efforts to predict future onset using real-time data are limited. there were. In nursing care settings, the introduction of medical equipment and sensor technology is limited to stethoscopes, blood pressure measuring devices, ultrasound devices, respirators, thermometers, electrocardiograms, and pulse oximeters, and the focus is on diagnosis, drug treatment, and triage. Recently, sensors for detecting falls and sensors for monitoring heart rate and breathing rate have finally appeared.
一方で、対象者の健康情報やバイタルデータなどのリアルタイムデータから、具体的な現在のリスク及び、疾患毎の重症化予測を長期または短期でできれば、家族や医療・介護従事者がその時点でとるべき行動を判断したり、医療体制、介護体制、または看護体制の長期的なケアプランや看護計画や診療計画などの見直しをしたり、医療体制、介護体制、または看護体制の最適化をしたり、対象者のリスク悪化時のモニタリング強化等の取り組みを支援することができる。 On the other hand, if it is possible to predict the specific current risk and severity of each disease in the long or short term based on real-time data such as health information and vital data of the subject, family members and medical / nursing care workers can take it at that time. reviewing long-term care plans, nursing plans, and treatment plans for the medical system, nursing care system, or nursing system, and optimizing the medical system, nursing care system, or nursing system , it is possible to support efforts such as strengthening monitoring when the risk of the subject worsens.
そこで、本実施の形態における予測システム１０は、対象者の基礎情報、健康情報、活動情報、バイタル・センシング情報、計画情報、記録情報、イベント情報に基づいて、対象者のリアルタイムのリスクや疾患の発症を予測し、予測結果を、家族や医療・介護従事者へ通知するための仕組みを提供する。以下、本実施の形態における予測システム１０について説明する。なお、基礎情報、健康情報、活動情報、バイタル・センシング情報、計画情報、記録情報、およびイベント情報の詳細については後述する。
Therefore, the
対象者の家族は、家族用端末２００を操作して対象者の基礎情報と健康情報を入力する。本実施の形態では、家族は家族用端末２００上で上述したＰＨＲアプリを起動させてタッチパネル２０１に表示される入力画面上で対象者の基礎情報と健康情報を入力する。対象者の基礎情報としては、例えば、対象者の名前、生年月日、性別、体重、身長、住所、電話番号、家族情報、および住居情報等の情報が入力される。また、対象者の健康情報としては、対象者の体調、喫煙歴、飲酒歴、かかりつけ医情報、既往歴、服薬歴、入院歴、ＡＤＬ、家族の既往歴等の情報が入力される。なお、上記の対象者の基礎情報と健康情報の内容は一例であって、本発明の目的を達成することができる情報であればこれに限定されるものではない。
The target person's family operates the
また、対象者の家族は、対象者が活動を行った場合には、家族用端末２００を操作して対象者の活動内容を表す活動情報を入力する。本実施の形態では、家族は家族用端末２００上で上述したＰＨＲアプリを起動させてタッチパネル２０１に表示される入力画面上で対象者の活動情報を入力する。対象者の活動情報としては、例えば、運動、食事、精神状態、食欲、排泄、社会活動、睡眠、症状等に関する情報が入力される。なお、上記の対象者の活動情報の内容は一例であって、本発明の目的を達成することができる情報であればこれに限定されるものではない。
In addition, when the target person performs an activity, the target person's family operates the
家族用端末２００では、制御装置２０３は、家族によって対象者の基礎情報と健康情報、または活動情報の入力が完了すると、入力された情報をサーバー４００へ送信する。
In the
サーバー４００では、制御装置４０２は、家族用端末２００から基礎情報と健康情報、または活動情報を受信すると、受信した情報を記憶媒体４０３に記録する。本実施の形態では、記憶媒体４０３には複数の対象者に関する情報を記録することができ、基礎情報と健康情報と活動情報を含んだ対象者情報は対象者ごとに記録されるものとする。
In
対象者用端末１００では、制御装置１０３は、対象者のバイタルデータやセンシングデータを含んだバイタル・センシング情報をサーバー４００へ送信する。対象者用端末１００では、あらかじめ上述したＰＨＲアプリが起動されており、該ＰＨＲアプリが対象者のバイタル・センシング情報をサーバー４００へ送信する機能を備えているものとする。本実施の形態では、制御装置１０３は、あらかじめ設定された送信タイミングに基づいて、対象者のバイタル・センシング情報をサーバー４００へ送信する。送信タイミングとしては、例えば、あらかじめ設定された所定時間ごとに送信してもよいし、制御装置１０３が対象者のバイタルデータやセンシングデータを取得したタイミングで送信してもよい。
In the
バイタル・センシング情報としては、例えば、対象者の動きに関する情報、排泄に関する情報、及びバイタル情報を含む。なお、対象者の動きに関する情報としては、例えば、起床、睡眠、座位、仰臥位、食事の動きがあったことが検出されたことを示す情報である。また、対象者のバイタル情報は、例えば、血圧、心拍数、呼吸数、脈拍、心電図、ＳｐＯ２等のデータが含まれる。 Vital sensing information includes, for example, information about the subject's movement, information about excretion, and vital information. The information about the motion of the subject is, for example, information indicating that the motion of waking up, sleeping, sitting, supine, and eating has been detected. The subject's vital information includes, for example, blood pressure, heart rate, respiration rate, pulse rate, electrocardiogram, SpO2 data, and the like.
なお、バイタル・センシング情報は、公知のウェアラブル端末や医療機器やセンシング機器などにより検出されたデータが対象者用端末１００に入力されることにより、制御装置１０３が取得できるようにすればよい。あるいは、対象者がＰＨＲアプリの入力画面上で手入力するようにしてもよい。
The vital sensing information may be acquired by the
サーバー４００では、制御装置４０２は、対象者用端末１００からバイタル・センシング情報を受信すると、受信した情報を記憶媒体４０３に記録する。本実施の形態では、上述した対象者情報に関連付けてバイタル・センシング情報を記録することにより、対象者ごとにバイタル・センシング情報を記録するものとする。
In the
医療・介護従事者は、医療・介護従事者用端末３００を操作して対象者の計画情報を入力する。本実施の形態では、医療・介護従事者は、医療・介護従事者用端末３００上で上述した介護・看護・電子カルテアプリを起動させてタッチパネル３０１に表示される入力画面上で対象者の計画情報を入力する。対象者の計画情報としては、例えば、対象者が要介護者である場合には、介護従事者によって対象者の介護計画やケアプランが入力され、対象者が患者である場合には、医療従事者によって対象者の看護計画や療養計画や診療計画などが入力される。なお、上記の対象者の計画情報の内容は一例であって、本発明の目的を達成することができる情報であればこれに限定されるものではない。
The medical/nursing staff operates the medical/
医療・介護従事者用端末３００では、制御装置３０３は、医療・介護従事者による対象者の計画情報の入力が完了すると、入力された計画情報をサーバー４００へ送信する。
In the medical/
サーバー４００では、制御装置４０２は、医療・介護従事者用端末３００から計画情報を受信すると、受信した情報を記憶媒体４０３に記録する。本実施の形態では、上述した対象者情報に関連付けて計画情報を記録することにより、対象者ごとに計画情報を記録するものとする。
In the
医療・介護従事者はまた、医療・介護従事者用端末３００を操作して対象者の記録情報を入力する。本実施の形態では、医療・介護従事者は、医療・介護従事者用端末３００上で上述した介護・看護・電子カルテアプリを起動させてタッチパネル３０１に表示される入力画面上で対象者の記録情報を入力する。対象者の記録情報としては、例えば、対象者が要介護者である場合には、介護従事者によって対象者の介護記録や申し送りの情報などが入力され、対象者が患者である場合には、医療従事者によって対象者の看護記録や電子カルテや申し送りの情報などが入力される。なお、上記の対象者の記録情報の内容は一例であって、本発明の目的を達成することができる情報であればこれに限定されるものではない。
The medical/nursing staff also operates the medical/
医療・介護従事者用端末３００では、制御装置３０３は、医療・介護従事者による対象者の記録情報の入力が完了すると、入力された記録情報をサーバー４００へ送信する。
In the medical/
サーバー４００では、制御装置４０２は、医療・介護従事者用端末３００から記録情報を受信すると、受信した情報を記憶媒体４０３に記録する。本実施の形態では、上述した対象者情報に関連付けて記録情報を記録することにより、対象者ごとに記録情報を記録するものとする。
In the
サーバー４００では、制御装置４０２は、上述した対象者の基礎情報と健康情報を記憶媒体４０３に記録すると、対象者のモニタリングを開始する。そして、制御装置４０２は、上述した対象者の活動情報、バイタル・センシング情報、計画情報、および記録情報が入力されると、それらの情報を加味して対象者が将来発症する可能性がある疾患や対象者に将来発生する可能性があるイベントを予測し、予測結果をアラート情報として家族と医療・介護従事者に通知する。以下、制御装置４０２によって実行される処理の詳細について説明する。
In the
本実施の形態では、制御装置４０２は、あらかじめ用意されている学習モデルを利用して、対象者が将来発症する可能性がある疾患や対象者に将来発生する可能性があるイベントを予測する。ここで、本実施の形態で用いる学習モデルについて説明する。 In this embodiment, the control device 402 uses a learning model prepared in advance to predict a disease that a subject may develop in the future or an event that may occur in the subject in the future. Here, the learning model used in this embodiment will be described.
本実施の形態における学習モデルは、対象者の活動情報、バイタル・センシング情報、計画情報、および記録情報に基づいて対象者が発症する疾患や対象者に発生するイベントを予測するように機械学習されたものを用いる。本実施の形態では、学習モデルは、１つまたは複数の将来発生し得るイベントを予測するために用いられる。そして、イベントは、例えば、転倒、重症化、死亡、発症、入院、または救急搬送などを想定する。学習モデルは、これらのイベントに関するイベント情報と、対象者毎のバイタル・センシング情報、計画情報、および記録情報を含むリアルタイム情報とを教師データとして、教師あり機械学習を行うことにより生成される。そして、機械学習により生成された学習モデル情報は、発症した疾患や発生したイベントの種類ごとに学習モデルとして記憶される。なお、本実施の形態では、学習モデルのデータは、サーバー４００の記憶媒体４０３に記録されてもよいし、外部の学習モデルデータ記録用のサーバーに記録されてもよい。
The learning model in the present embodiment is machine-learned to predict a disease that the subject will develop or an event that will occur in the subject based on the subject's activity information, vital sensing information, plan information, and record information. Use something else. In this embodiment, a learning model is used to predict one or more possible future events. Events are, for example, falls, aggravation, death, onset, hospitalization, or ambulance transportation. A learning model is generated by performing supervised machine learning using event information about these events and real-time information including vital sensing information, planning information, and recording information for each subject as teacher data. Learning model information generated by machine learning is stored as a learning model for each type of disease or event that has occurred. In this embodiment, the learning model data may be recorded in the
学習モデルを生成するための機械学習は、集積データから学習し、最新の訓練済みの学習モデルを作成する。訓練済み学習モデルは月に一度などイベント情報がまとまると定期的に更新される。学習モデルを更新するための更新処理については後述する。また、機械学習アルゴリズムは、しきい値や重み付けを調整してもよい。 Machine learning to generate learning models learns from aggregated data to create up-to-date trained learning models. The trained learning model is updated periodically, such as once a month, when event information is collected. Update processing for updating the learning model will be described later. Machine learning algorithms may also adjust thresholds and weightings.
学習モデルを利用した予測処理では、過去から現在にかけての対象者の基礎情報と健康情報とを対象者の基本情報とし、該基本情報に含まれる対象者の年齢、性別、体重、身長、既往歴、服薬情報、喫煙歴、飲酒歴、および家族の既往歴等に基づくリスク情報を特定する。そして、対象者の基本情報に介護記録、看護記録、診療記録、センサー情報、および申し送り情報などのリアルタイム情報が付加されると、該リアルタイム情報に基づいてリスクの増減情報を特定して、個別の疾患の同年齢・同性に比べての対象者の発症予測を算出する。また、対象者の介護記録、看護記録、または診療記録に基づいて、対象者の食事量、排泄量、血圧、脈拍、呼吸数、ＳｐＯ２、または心電図等の測定バイタルや睡眠量や活動量や精神状態を解析する。さらに、対象者に、直近、何かしらイベント、すなわち転倒、重症化、死亡、発症、入院、または救急搬送等が起きている、或いは起きつつあるリスクが発生していることも算出する。 In the prediction process using the learning model, the basic information and health information of the subject from the past to the present are used as the basic information of the subject, and the age, sex, weight, height, and medical history of the subject included in the basic information. , medication information, smoking history, drinking history, and family history. Then, when real-time information such as nursing care records, nursing records, medical records, sensor information, and referral information is added to the basic information of the subject, risk increase/decrease information is specified based on the real-time information, and individual Calculate the prediction of the subject's onset of the disease compared to the same age and sex. In addition, based on the subject's nursing care record, nursing record, or medical record, the subject's meal amount, excretion amount, blood pressure, pulse, respiratory rate, SpO2, or measurement vitals such as an electrocardiogram, sleep amount, activity amount, and mental Analyze the state. Furthermore, it is calculated that the subject has recently experienced or is about to experience an event such as a fall, aggravation, death, onset, hospitalization, or emergency transportation.
これにより、例えば、例えば急激な血圧の上昇に基づいて降圧剤の飲み忘れや脳梗塞の発症が予測される。また、自傷、徘徊、独り言、失語、失行、失忍、記憶障害、または見当識障害等の精神情報の悪化やＡＤＬの低下に基づいてお薬の副作用や転倒リスクや認知症の悪化等が予測される。さらには、申し送り情報を対象として自然言語解析が行われて、解析の結果に基づく意味解析により、疾患の発症やイベントの発生が予測される。例えば、申し送り情報の「フラフラしている」は意味解析によって「転倒リスク」が予測され、申し送り情報の「イライラしている」は意味解析によって「精神情報の悪化」が予測され、申し送り情報の「手元がおぼつかない」は意味解析によって「失行」が予測される。 Thus, for example, forgetting to take an antihypertensive drug or the onset of cerebral infarction can be predicted based on a rapid increase in blood pressure. In addition, side effects of drugs, fall risk, deterioration of dementia, etc. based on deterioration of mental information such as self-harm, wandering, talking to yourself, aphasia, apraxia, incontinence, memory impairment, or disorientation, or deterioration of ADL. is expected. Furthermore, natural language analysis is performed on the transfer information, and the onset of diseases and the occurrence of events are predicted by semantic analysis based on the analysis results. For example, semantic analysis predicts the risk of falling from the hand-off information "I'm dizzy", and semantic analysis predicts the hand-off information "I'm frustrated" with "deterioration of mental information". Semantic analysis predicts ``apraxia'' in ``unshakable at hand''.
制御装置４０２は、学習モデルを用いた予測結果に基づいて、対象者に疾患の発症が予測されたり、イベントの発生が予測されたりした場合には、家族と医療・介護従事者に対して、予測結果に基づくリアルタイムアラートを送信する。すなわち、制御装置４０２は、リアルタイムアラートの内容を示すリアルタイムアラート情報を家族用端末２００と医療・介護従事者用端末３００へ送信する。ここで送信されるリアルタイムアラートの内容は、例えば、「只今、転倒リスクが上昇しています。介助サポートをお願いします。」や「血圧の急激な上昇を検知しました。降圧剤の飲み忘れはありませんか？」のようになる。
Based on the prediction result using the learning model, the control device 402 predicts the onset of a disease in the subject or the occurrence of an event, to the family and medical / care workers, Send real-time alerts based on forecast results. That is, the control device 402 transmits real-time alert information indicating the content of the real-time alert to the
家族用端末２００では、制御装置２０３は、サーバー４００からリアルタイムアラート情報を受信すると、受信した内容をタッチパネル２０１に表示する。また、医療・介護従事者用端末３００では、制御装置３０３は、サーバー４００からリアルタイムアラート情報を受信すると、受信した内容をタッチパネル３０１に表示する。これによって、家族や医療・介護従事者は、対象者に関する通知をリアルタイムで把握することができるため、通知された内容に応じて対象者の様子や行動に注意したり、事前に対応したりすることができる。
In the
次に、本実施の形態における学習モデルの更新処理について説明する。本実施の形態では、対象者用端末１００、家族用端末２００、または医療・介護従事者用端末３００から対象者に発生したイベントの内容を示すイベント情報の入力を受け付け、該イベント情報に基づいて学習モデルが更新される。なお、学習モデルの更新処理は、サーバー４００で実行されてもよいし、学習モデルが外部のサーバーに記録されている場合には、該外部のサーバーによって実行されててもよいが、ここではサーバー４００において制御装置４０２が実行するものとして説明する。
Next, update processing of the learning model according to the present embodiment will be described. In the present embodiment, input of event information indicating the content of an event that occurred in the subject is received from the
対象者用端末１００では、制御装置１０３は、対象者に学習モデルの更新に利用されるイベントが発生したことを検出した場合には、その検出したイベントの内容を示すイベント情報をサーバー４００へ送信する。本実施の形態では、学習モデルの更新に利用されるイベントとして、例えば、対象者の転倒、重症化、死亡、発症、入院、救急搬送などを想定する。なお、ここに記したイベントの内容は一例であって、本発明の目的を達成することができるものであればこれに限定されない。
In the
これらのイベントは、対象者用端末１００が備えるセンサーや対象者による手入力により検出するようにすればよい。また、これらのイベントは、公知のウェアラブル端末や医療機器やセンシング機器などにより検出されたデータが対象者用端末１００に入力されることにより、制御装置１０３が検出するようにしてもよい。
These events may be detected by a sensor included in the
学習モデルの更新に利用されるイベントの情報は、対象者にイベントが発生したことを確認した家族、医療従事者、または介護従事者が入力することもできる。家族がイベント情報を入力する場合には、家族は、家族用端末２００を操作して対象者のイベント情報を入力する。本実施の形態では、家族は家族用端末２００上で上述したＰＨＲアプリを起動させてタッチパネル２０１に表示される入力画面上で対象者のイベント情報を入力する。制御装置２０３は、家族によるイベント情報の入力が完了すると、入力された情報をサーバー４００へ送信する。
The event information used to update the learning model can also be entered by a family member, medical worker, or caregiver who confirms that the event has occurred in the subject. When the family inputs the event information, the family operates the
また、医療従事者や介護従事者がイベント情報を入力する場合には、医療・介護従事者は、医療・介護従事者用端末３００を操作して対象者のイベント情報を入力する。本実施の形態では、医療・介護従事者は、医療・介護従事者用端末３００上で上述した介護・看護・電子カルテアプリを起動させてタッチパネル３０１に表示される入力画面上で対象者のイベント情報を入力する。制御装置３０３は、医療・介護従事者によるイベント情報の入力が完了すると、入力された情報をサーバー４００へ送信する。
When a medical worker or a caregiver inputs event information, the medical/caregiver operates the medical/
サーバー４００では、制御装置４０２は、対象者用端末１００、家族用端末２００、または医療・介護従事者用端末３００からイベント情報を受信すると、受信した情報を用いて学習モデルを更新する。本実施の形態では、制御装置４０２は、対象者用端末１００、家族用端末２００、または医療・介護従事者用端末３００から受信したイベント情報を記憶媒体４０３に記録しておき、あらかじめ設定された更新処理の開始条件を満たしたときに学習モデルを更新する。なお、学習モデルを更新するためのアルゴリズムはあらかじめ設定されているものとする。また、学習モデル更新の処理開始条件としては、例えば、あらかじめ設定された時刻になったとき、またはイベント情報の件数があらかじめ設定された件数分たまったときなどとすればよい。
In the
例えば、図６は、血圧測定数値に基づいて生成した学習モデルから、１８０日以内に発生する死亡というイベントを予測した例を示している。符号６ａに示すグラフは更新前の学習モデルに基づく予想例を示しており、感度は低くなっている。これに対して、その他の健康情報やリアルタイム情報を付加して更新した学習モデルを利用した場合には、符号６ｂに示すグラフのように感度が良くなっている。このように学習モデルの精度を上げるためには、健康情報及びリアルタイム情報がより多く入力されることが重要となるが、学習モデルの更新のために必要な情報は疾患によって異なる。例えば、認知症を予測する場合には、年齢、性別、喫煙、および既往歴などの情報の感度が高くなり、頭部外傷や難聴の場合には、運動不足、食事不足、および精神状態などの情報の感度が高くなり、脳卒中の場合には、性別、年齢、喫煙歴、および既往歴などの情報の感度が高くなり、脂質異常症や糖尿病の場合には、飲酒歴、血圧、心電図などの感度が高くなる。
For example, FIG. 6 shows an example of predicting an event of death occurring within 180 days from a learning model generated based on blood pressure measurement values. A graph indicated by
制御装置４０２は、学習モデルを更新した後に、更新後の学習モデルに基づいて、上述した予測処理と同様に、対象者が将来発症する可能性がある疾患や対象者に将来発生する可能性があるイベントを予測し、その予測結果に基づいて、医療従事者や介護従事者へ、対象者に対する今後の計画の見直しを促すための計画改訂アラートを通知する。例えば、対象者が要介護者である場合には、対象者のケアプランの見直しを促すための計画改訂アラートが通知され、対象者が患者である場合には、対象者の看護計画や療養計画や診療計画の見直しを促すための計画改訂アラートが通知される。すなわち、制御装置４０２は、計画改訂アラートの内容を示す計画改訂アラート情報を医療・介護従事者用端末３００へ送信する。ここで送信される計画改訂アラートの内容は、例えば、「１８０日以内の心筋梗塞の発症リスクが同世代・同性の〇％高まっているため、生体情報モニターによる血圧モニタリングを推奨します。」や「転倒リスクが高まっているため、起床時にサポートできるようにベッドにセンサーの設置を推奨します。」のようになる。 After updating the learning model, the control device 402 detects a disease that the subject may develop in the future and a possibility that the subject will develop a disease in the future based on the updated learning model, in the same manner as in the prediction process described above. A certain event is predicted, and based on the result of the prediction, a plan revision alert is sent to medical and care workers to prompt them to review future plans for the subject. For example, if the subject is a person requiring nursing care, a plan revision alert is sent to prompt a review of the subject's care plan, and if the subject is a patient, the subject's nursing plan or treatment plan A plan revision alert is sent to prompt a review of the medical care plan. That is, the control device 402 transmits plan revision alert information indicating the contents of the plan revision alert to the terminal 300 for medical/nursing care workers. The contents of the plan revision alert sent here include, for example, ``Because the risk of developing myocardial infarction within 180 days has increased by XX% of the same generation and sex, we recommend blood pressure monitoring using a biological information monitor.'' Something like, "Due to the increased risk of falling, we recommend installing sensors in your bed to support you when you wake up."
医療・介護従事者用端末３００では、制御装置３０３は、サーバー４００から計画改訂アラート情報を受信すると、受信した内容をタッチパネル３０１に表示する。これによって、医療・介護従事者は、通知された内容に基づいて、対象者のケアプラン、看護計画、療養計画、または診療計画の見直しを行うことができる。
In the terminal 300 for medical/nursing care workers, when receiving the plan revision alert information from the
図７は、本実施の形態における対象者用端末１００で実行される処理の流れを示すフローチャートである。図７に示す処理は、ＰＨＲアプリが実行されると起動するプログラムとして、制御装置１０３によって実行される。なお、ＰＨＲアプリの実行は、操作者によって指示されてもよく、端末の電源がオンされると自動的に指示されるようにしてもよい。
FIG. 7 is a flow chart showing the flow of processing executed by the
ステップＳ１０において、制御装置１０３は、対象者のバイタルデータやセンシングデータを含んだバイタル・センシング情報の送信タイミングになったかどうかを判断する。ステップＳ１０で否定判断した場合には、後述するステップＳ３０へ進む。これに対して、ステップＳ１０で肯定判断した場合には、ステップＳ２０へ進む。
In step S10, the
ステップＳ２０では、制御装置１０３は、バイタル・センシング情報をサーバー４００へ送信する。その後、ステップＳ３０へ進む。
In step S<b>20 , the
ステップＳ３０では、制御装置１０３は、対象者に学習モデルの更新に利用されるイベントが発生したことを検出したか否かを判断する。ステップＳ３０で否定判断した場合には、後述するステップＳ５０へ進む。これに対して、ステップＳ３０で肯定判断した場合には、ステップＳ４０へ進む。
In step S30, the
ステップＳ４０では、制御装置１０３は、検出したイベントの内容を示すイベント情報をサーバー４００へ送信する。その後、ステップＳ５０へ進む。
In step S<b>40 , the
ステップＳ５０では、制御装置１０３は、ＰＨＲアプリの終了が指示されたか否かを判断する。なお、ＰＨＲアプリの終了は、操作者によって指示されてもよく、端末の電源がオフされると自動的に指示されるようにしてもよい。ステップＳ５０で否定判断した場合には、ステップＳ１０へ戻る。これに対して、ステップＳ５０で肯定判断した場合には、処理を終了する。
In step S50, the
図８は、本実施の形態における家族用端末２００で実行される処理の流れを示すフローチャートである。図８に示す処理は、ＰＨＲアプリが実行されると起動するプログラムとして、制御装置２０３によって実行される。なお、ＰＨＲアプリの実行は、操作者によって指示されてもよく、端末の電源がオンされると自動的に指示されるようにしてもよい。
FIG. 8 is a flow chart showing the flow of processing executed by
ステップＳ１１０において、制御装置２０３は、家族によって対象者の基礎情報と健康情報、または活動情報の入力が行われたか否かを判断する。ステップＳ１１０で否定判断した場合には、後述するステップＳ１３０へ進む。これに対して、ステップＳ１１０で肯定判断した場合には、ステップＳ１２０へ進む。
In step S110, the
ステップＳ１２０では、制御装置２０３は、家族によって入力された情報をサーバー４００へ送信する。その後、ステップＳ１３０へ進む。
In step S<b>120 ,
ステップＳ１３０では、制御装置２０３は、サーバー４００から上述したリアルタイムアラート情報を受信したか否かを判断する。ステップＳ１３０で否定判断した場合には、後述するステップＳ１５０へ進む。これに対して、ステップＳ１３０で肯定判断した場合には、ステップＳ１４０へ進む。
In step S<b>130 ,
ステップＳ１４０では、制御装置２０３は、受信したリアルタイムアラート情報の内容をタッチパネル２０１に表示する。その後、ステップＳ１５０へ進む。
In step S<b>140 , the
ステップＳ１５０では、制御装置２０３は、家族によって上述したイベント情報が入力されたか否かを判断する。ステップＳ１５０で否定判断した場合には、後述するステップＳ１７０へ進む。これに対して、ステップＳ１５０で肯定判断した場合には、ステップＳ１６０へ進む。
In step S150, the
ステップＳ１６０では、家族によって入力されたイベント情報をサーバー４００へ送信する。その後、ステップＳ１７０へ進む。
In step S160, the event information entered by the family is transmitted to
ステップＳ１７０では、制御装置２０３は、ＰＨＲアプリの終了が指示されたか否かを判断する。なお、ＰＨＲアプリの終了は、操作者によって指示されてもよく、端末の電源がオフされると自動的に指示されるようにしてもよい。ステップＳ１７０で否定判断した場合には、ステップＳ１１０へ戻る。これに対して、ステップＳ１７０で肯定判断した場合には、処理を終了する。
In step S170, the
図９は、本実施の形態における医療・介護従事者用端末３００で実行される処理の流れを示すフローチャートである。図９に示す処理は、介護・看護・電子カルテアプリが実行されると起動するプログラムとして、制御装置３０３によって実行される。なお、介護・看護・電子カルテアプリの実行は、操作者によって指示されてもよく、端末の電源がオンされると自動的に指示されるようにしてもよい。
FIG. 9 is a flow chart showing the flow of processing executed by
ステップＳ２１０において、制御装置３０３は、医療・介護従事者によって上述した計画情報または記録情報の入力が行われたか否かを判断する。ステップＳ２１０で否定判断した場合には、後述するステップＳ２３０へ進む。これに対して、ステップＳ２１０で肯定判断した場合には、ステップＳ２２０へ進む。
In step S210, the
ステップＳ２２０では、制御装置３０３は、医療・介護従事者によって入力された情報をサーバー４００へ送信する。その後、ステップＳ２３０へ進む。
In step S<b>220 , the
ステップＳ２３０では、制御装置３０３は、サーバー４００から上述したリアルタイムアラート情報を受信したか否かを判断する。ステップＳ２３０で否定判断した場合には、後述するステップＳ２５０へ進む。これに対して、ステップＳ２３０で肯定判断した場合には、ステップＳ２４０へ進む。
In step S<b>230 ,
ステップＳ２４０では、制御装置３０３は、受信したリアルタイムアラート情報の内容をタッチパネル３０１に表示する。その後、ステップＳ２５０へ進む。
In step S<b>240 ,
ステップＳ２５０では、制御装置３０３は、医療・介護従事者によって上述したイベント情報が入力されたか否かを判断する。ステップＳ２５０で否定判断した場合には、後述するステップＳ２７０へ進む。これに対して、ステップＳ２５０で肯定判断した場合には、ステップＳ２６０へ進む。
In step S250, the
ステップＳ２６０では、医療・介護従事者によって入力されたイベント情報をサーバー４００へ送信する。その後、ステップＳ２７０へ進む。
In step S260, the event information input by the medical/nursing care worker is transmitted to
ステップＳ２７０では、制御装置３０３は、サーバー４００から上述した計画改訂アラートアラート情報を受信したか否かを判断する。ステップＳ２７０で否定判断した場合には、後述するステップＳ２９０へ進む。これに対して、ステップＳ２７０で肯定判断した場合には、ステップＳ２８０へ進む。
In step S<b>270 ,
ステップＳ２８０では、制御装置３０３は、受信した計画改訂アラート情報の内容をタッチパネル３０１に表示する。その後、ステップＳ２９０へ進む。
In step S<b>280 ,
ステップＳ２９０では、制御装置３０３は、介護・看護・電子カルテアプリの終了が指示されたか否かを判断する。なお、介護・看護・電子カルテアプリの終了は、操作者によって指示されてもよく、端末の電源がオフされると自動的に指示されるようにしてもよい。ステップＳ２９０で否定判断した場合には、ステップＳ２１０へ戻る。これに対して、ステップＳ２９０で肯定判断した場合には、処理を終了する。
In step S290, the
図１０は、本実施の形態におけるサーバー４００で実行される予測処理の流れを示すフローチャートである。図１０に示す処理は、上述した対象者のモニタリングを開始するタイミングで起動するプログラムとして、制御装置４０２によって実行される。なお、図１０に示す処理では、上述した対象者の基礎情報、健康情報、活動情報、バイタル・センシング情報、計画情報、記録情報、およびイベント情報は、あらかじめ記憶媒体４０３に記録されているものとする。
FIG. 10 is a flow chart showing the flow of prediction processing executed by
ステップＳ３１０において、制御装置４０２は、上述した予測処理を実行することによって、あらかじめ用意されている学習モデルを利用して、対象者が将来発症する可能性がある疾患や対象者に将来発生する可能性があるイベントを予測する。その後、ステップＳ３２０へ進む。 In step S<b>310 , the control device 402 executes the prediction process described above, and utilizes a learning model prepared in advance to detect a disease that the subject may develop in the future or a disease that may occur in the subject in the future. predict likely events. After that, the process proceeds to step S320.
ステップＳ３２０では、制御装置４０２は、学習モデルを用いた予測処理の結果、対象者に疾患の発症が予測されたり、イベントの発生が予測されたりしたか否かを判断する。ステップＳ３２０で否定判断した場合には、処理を終了する。これに対して、ステップＳ３２０で肯定判断した場合には、ステップＳ３３０へ進む。 In step S320, the control device 402 determines whether or not the subject is predicted to develop a disease or an event is predicted as a result of the prediction process using the learning model. If the determination in step S320 is negative, the process ends. On the other hand, if the determination in step S320 is affirmative, the process proceeds to step S330.
ステップＳ３３０では、制御装置４０２は、上述したように、リアルタイムアラートの内容を示すリアルタイムアラート情報を家族用端末２００と医療・介護従事者用端末３００へ送信する。その後、処理を終了する。
In step S330, the control device 402 transmits real-time alert information indicating the content of the real-time alert to the
図１１は、本実施の形態におけるサーバー４００で実行される学習モデル更新処理の流れを示すフローチャートである。図１１に示す処理は、上述したように学習モデルの更新条件を満たしたときに起動するプログラムとして、制御装置４０２によって実行される。なお、図１１に示す処理では、上述した対象者の基礎情報、健康情報、活動情報、バイタル・センシング情報、計画情報、記録情報、およびイベント情報は、あらかじめサーバー４００の記憶媒体４０３に記録されているものとする。
FIG. 11 is a flowchart showing the flow of learning model update processing executed by
ステップＳ４１０において、制御装置４０２は、上述したように、対象者用端末１００、家族用端末２００、または医療・介護従事者用端末３００から受信して記憶媒体４０３に記録されているイベント情報を用いて学習モデルを更新する。その後、ステップＳ４２０へ進む。
In step S410, the control device 402 uses the event information received from the
ステップＳ４２０では、制御装置４０２は、更新後の学習モデルに基づいて、上述した予測処理と同様に、対象者が将来発症する可能性がある疾患や対象者に将来発生する可能性があるイベントを予測するための処理を実行する。その後、ステップＳ４３０へ進む。 In step S420, based on the updated learning model, the control device 402 predicts a disease that the subject may develop in the future or an event that may occur in the subject in the future, as in the prediction process described above. Execute the process to predict. After that, the process proceeds to step S430.
ステップＳ４３０では、制御装置４０２は、更新後の学習モデルを用いた予測処理の結果、対象者に疾患の発症が予測されたり、イベントの発生が予測されたりしたか否かを判断する。ステップＳ４３０で否定判断した場合には、処理を終了する。これに対して、ステップＳ４３０で肯定判断した場合には、ステップＳ４４０へ進む。 In step S430, the control device 402 determines whether or not the subject is predicted to develop a disease or an event is predicted as a result of the prediction process using the updated learning model. If the determination in step S430 is negative, the process ends. On the other hand, when an affirmative determination is made in step S430, the process proceeds to step S440.
ステップＳ４４０では、制御装置４０２は、上述したように、対象者に対する今後の計画の見直しを促すための計画改訂アラートの内容を示す計画改訂アラート情報を医療・介護従事者用端末３００へ送信する。その後、処理を終了する。 In step S440, as described above, the control device 402 transmits plan revision alert information indicating the content of the plan revision alert for prompting the subject to review the future plan to the terminal 300 for medical/nursing care workers. After that, the process ends.
以上説明した実施の形態によれば、以下のような作用効果を得ることができる。
（１）制御装置４０２は、要介護者または患者である対象者が発症する可能性がある疾患や対象者に発生する可能性があるイベントを予測するように機械学習された学習モデルを利用して、対象者が将来発症する可能性がある疾患や対象者に将来発生する可能性があるイベントを予測し、予測結果を対象者の家族と対象者の医療・介護従事者に通知するようにした。これによって、対象者が将来発症する可能性がある疾患や対象者に将来発生する可能性があるイベントを予測して、その予測結果を対象者の家族と対象者の医療・介護従事者に通知することができる。
According to the embodiment described above, the following effects can be obtained.
(1) The control device 402 uses a machine-learned learning model to predict a disease that a subject who is a care recipient or a patient may develop or an event that may occur to the subject. predict diseases that the subject may develop in the future and events that may occur in the subject in the future, and notify the subject's family and the subject's medical and care workers of the prediction results. bottom. This will predict diseases that the subject may develop in the future and events that may occur in the subject in the future, and notify the subject's family and the subject's medical and nursing care workers of the prediction results. can do.
（２）制御装置４０２は、対象者に発生したイベントに関する情報に基づいて、学習モデルを更新するようにした。これによって、学習モデルの精度を向上させることができる。 (2) The control device 402 updates the learning model based on the information regarding the event that occurred in the subject. This can improve the accuracy of the learning model.
（３）制御装置４０２は、更新後の学習モデルを利用して、対象者の医療・介護従事者に、対象者のケアプラン、対象者の看護計画、対象者の療養計画、または対象者の診療計画の見直しを促すための計画改訂アラートを通知するようにした。これによって、医療・介護従事者は、通知された計画改訂アラートの内容に基づいて、対象者のケアプラン、看護計画、療養計画、または診療計画の見直しを行うことができる。 (3) The control device 402 uses the updated learning model to inform the medical/nursing care worker of the subject, the subject's care plan, the subject's nursing plan, the subject's treatment plan, or the subject's A plan revision alert is sent to prompt review of the medical care plan. This allows the medical/nursing care worker to review the subject's care plan, nursing care plan, medical treatment plan, or treatment plan based on the content of the notified plan revision alert.
（４）イベントは、対象者の転倒、重症化、死亡、発症、入院、または救急搬送を含むようにした。これによって、対象者の転倒、重症化、死亡、発症、入院、または救急搬送といった、医療や介護にとって重要な要素をイベントとして考慮することができる。 (4) Events included subject's fall, aggravation, death, onset, hospitalization, or ambulance transport. This makes it possible to consider, as events, important factors for medical and nursing care, such as subject's fall, aggravation, death, onset, hospitalization, or ambulance transportation.
（５）学習モデルは、対象者の活動内容を示す活動情報、対象者のバイタル情報やセンシング情報の少なくとも１つを含むバイタル・センシング情報、対象者の介護計画や看護計画や療養計画や診療計画の少なくとも１つの情報を含む計画情報、および対象者の介護記録や看護記録や電子カルテや申し送りの少なくとも１つの情報を含む記録情報に基づいて対象者が発症する疾患や対象者に発生するイベントを予測するように機械学習されたものを用いるようにした。これによって、医療や介護にとって重要と考えられる対象者の活動情報、バイタル・センシング情報、計画情報、および記録情報に基づいて、対象者が発症する疾患や対象者に発生するイベントを予測することができる。 (5) The learning model includes activity information indicating the activity content of the subject, vital sensing information including at least one of vital information and sensing information of the subject, nursing care plan, nursing care plan, medical treatment plan, and treatment plan for the subject. Plan information including at least one information of, and recorded information including at least one information of care records, nursing records, electronic medical records and referrals of the subject I tried to use what was machine-learned to predict. This makes it possible to predict diseases that a subject will develop and events that will occur in the subject based on the subject's activity information, vital sensing information, planning information, and recorded information, which are considered important for medical care and nursing care. can.
―変形例―
なお、上述した実施の形態の予測システムは、以下のように変形することもできる。
（１）上述した実施の形態では、対象者のバイタルデータやセンシングデータは、対象者用端末１００からサーバー４００へ送信される例について説明した。しかしながら、対象者のバイタルデータやセンシングデータを検出するために用いるウェアラブル端末や医療機器などの装置が通信機能を備えている場合には、該対象者のバイタルデータやセンシングデータを検出するために用いる装置から直接サーバー４００へバイタルデータやセンシングデータを送信するようにしてもよい。
-Modified example-
Note that the prediction system of the embodiment described above can also be modified as follows.
(1) In the above-described embodiment, an example in which the subject's vital data and sensing data is transmitted from the subject's terminal 100 to the
（２）上述した実施の形態では、対象者用端末１００の制御装置１０３は、対象者に学習モデルの更新に利用されるイベントが発生したことを検出した場合には、その検出したイベントの内容を示すイベント情報をサーバー４００へ送信する例について説明した。しかしながら、対象者のイベント発生を検出するために用いるウェアラブル端末や医療機器やセンシング機器などの装置が通信機能を備えている場合には、該対象者のイベント発生を検出するために用いる装置から直接サーバー４００へイベント情報を送信するようにしてもよい。
(2) In the above-described embodiment, when the
（３）上述した実施の形態では、制御装置４０２は、リアルタイムアラートの内容を示すリアルタイムアラート情報を家族用端末２００と医療・介護従事者用端末３００へ送信する例について説明した。しかしながら、制御装置４０２は、リアルタイムアラート情報を家族用端末２００と医療・介護従事者用端末３００のいずれか一方に送信するようにしてもよい。このとき、リアルタイムアラート情報を家族用端末２００と医療・介護従事者用端末３００のどちらに送信するかはあらかじめ設定できるようにしてもよい。あるいは、リアルタイムアラート情報を対象者用端末１００、家族用端末２００、および医療・介護従事者用端末３００の少なくとも一つに送信するようにしてもよい。
(3) In the embodiment described above, an example was explained in which the control device 402 transmits the real-time alert information indicating the content of the real-time alert to the
なお、本発明の特徴的な機能を損なわない限り、本発明は、上述した実施の形態における構成に何ら限定されない。また、上述の実施の形態と複数の変形例を組み合わせた構成としてもよい。 It should be noted that the present invention is not limited to the configurations in the above-described embodiments as long as the characteristic functions of the present invention are not impaired. Also, the configuration may be a combination of the above-described embodiment and a plurality of modifications.
１０ 予測システム
１００ 対象者用端末
１０１ タッチパネル
１０２ 通信モジュール
１０３ 制御装置
２００ 家族用端末
２０１ タッチパネル
２０２ 通信モジュール
２０３ 制御装置
３００ 医療・介護従事者用端末
３０１ タッチパネル
３０２ 通信モジュール
３０３ 制御装置
４００ サーバー
４０１ 接続インターフェース
４０２ 制御装置
４０３ 記憶媒体
10
Claims (9)
前記予測手段による予測結果を前記対象者の家族および前記対象者の医療・介護従事者の少なくとも一方に通知する通知手段とを備えることを特徴とする予測システム。 Activity information indicating activity details of a subject who is a person requiring nursing care or a patient, vital sensing information including at least one of vital information and sensing information of the subject, nursing care plan, nursing care plan, medical treatment plan, and A disease that the subject may develop based on plan information including at least one information of a medical care plan, and record information including at least one information of care records, nursing records, electronic charts, and referrals of the subject. or using a learning model that has been machine-learned to predict events that may occur to the subject, including falling, aggravation, death, onset, hospitalization, or emergency transport of the subject , Using the activity information, vital sensing information, plan information, and recorded information of the subject as input, the disease that the subject may develop in the future, and the disease that the subject may develop in the future a predictive means for predicting an event including a subject's fall, aggravation, death, onset, hospitalization, or ambulance;
and notification means for notifying at least one of the target person's family and the target person's medical/nursing staff of the result of prediction by the prediction means.
前記対象者に発生したイベントに関する情報に基づいて、前記学習モデルを更新する学習モデル更新手段をさらに備えることを特徴とする予測システム。 In the prediction system of claim 1,
A prediction system, further comprising learning model updating means for updating the learning model based on information about an event occurring in the subject.
前記予測手段は、前記学習モデル更新手段によって更新された学習モデルを利用して、前記対象者が将来発症する可能性がある疾患や前記対象者に将来発生する可能性があるイベントを予測し、
更新された学習モデルを利用した前記予測手段による予測結果に基づいて、前記対象者の医療・介護従事者に、前記対象者のケアプラン、前記対象者の看護計画、前記対象者の療養計画、または前記対象者の診療計画の見直しを促すための計画改訂アラートを通知する計画改訂アラート通知手段をさらに備えることを特徴とする予測システム。 In the prediction system of claim 2,
The prediction means uses the learning model updated by the learning model update means to predict a disease that the subject may develop in the future or an event that may occur in the subject in the future,
Based on the prediction result by the prediction means using the updated learning model, to the medical / nursing care worker of the subject, the subject's care plan, the subject's nursing plan, the subject's treatment plan, Alternatively, the prediction system further comprises plan revision alert notification means for notifying a plan revision alert for prompting the subject to review the medical treatment plan.
前記予測手段による予測結果を前記対象者の家族および前記対象者の医療・介護従事者の少なくとも一方に通知する通知手段とを備えることを特徴とする予測装置。 Activity information indicating activity details of a subject who is a person requiring nursing care or a patient, vital sensing information including at least one of vital information and sensing information of the subject, nursing care plan, nursing care plan, medical treatment plan, and A disease that the subject may develop based on plan information including at least one information of a medical care plan, and record information including at least one information of care records, nursing records, electronic charts, and referrals of the subject. or using a learning model that has been machine-learned to predict events that may occur to the subject, including falling, aggravation, death, onset, hospitalization, or emergency transport of the subject , Using the activity information, vital sensing information, plan information, and recorded information of the subject as input, the disease that the subject may develop in the future, and the disease that the subject may develop in the future a predictive means for predicting an event including a subject's fall, aggravation, death, onset, hospitalization, or ambulance;
A prediction device, further comprising: notification means for notifying at least one of the target person's family and the target person's medical/nursing staff of the result of prediction by the prediction means.
前記対象者に発生したイベントに関する情報に基づいて、前記学習モデルを更新する学習モデル更新手段をさらに備えることを特徴とする予測装置。 A prediction device according to claim 4,
A prediction apparatus, further comprising learning model update means for updating the learning model based on information about an event that has occurred in the subject.
前記予測手段は、前記学習モデル更新手段によって更新された学習モデルを利用して、前記対象者が将来発症する可能性がある疾患や前記対象者に将来発生する可能性があるイベントを予測し、
更新された学習モデルを利用した前記予測手段による予測結果に基づいて、前記対象者の医療・介護従事者に、前記対象者のケアプラン、前記対象者の看護計画、前記対象者の療養計画、または前記対象者の診療計画の見直しを促すための計画改訂アラートを通知する計画改訂アラート通知手段をさらに備えることを特徴とする予測装置。 A prediction device according to claim 5,
The prediction means uses the learning model updated by the learning model update means to predict a disease that the subject may develop in the future or an event that may occur in the subject in the future,
Based on the prediction result by the prediction means using the updated learning model, to the medical / nursing care worker of the subject, the subject's care plan, the subject's nursing plan, the subject's treatment plan, Alternatively, the prediction apparatus further comprises a plan revision alert notifying means for notifying a plan revision alert for prompting the subject to review the medical treatment plan.
前記予測手順による予測結果を前記対象者の家族および前記対象者の医療・介護従事者の少なくとも一方に通知する通知手順をコンピュータに実行させるための予測プログラム。 Activity information indicating activity details of a subject who is a person requiring nursing care or a patient, vital sensing information including at least one of vital information and sensing information of the subject, nursing care plan, nursing care plan, medical treatment plan, and A disease that the subject may develop based on plan information including at least one information of a medical care plan, and record information including at least one information of care records, nursing records, electronic charts, and referrals of the subject. or using a learning model that has been machine-learned to predict events that may occur to the subject, including falling, aggravation, death, onset, hospitalization, or emergency transport of the subject , Using the activity information, vital sensing information, plan information, and recorded information of the subject as input, the disease that the subject may develop in the future, and the disease that the subject may develop in the future A predictive procedure for predicting an event including a subject's fall, serious injury, death, illness, hospitalization, or ambulance;
A prediction program for causing a computer to execute a notification procedure for notifying at least one of the subject's family and the subject's medical/nursing care workers of the prediction results obtained by the prediction procedure.
前記対象者に発生したイベントに関する情報に基づいて、前記学習モデルを更新する学習モデル更新手順をさらに有することを特徴とする予測プログラム。 In the prediction program according to claim 7,
A prediction program, further comprising a learning model update procedure for updating the learning model based on information about an event that has occurred in the subject.
前記予測手順は、前記学習モデル更新手順で更新した学習モデルを利用して、前記対象者が将来発症する可能性がある疾患や前記対象者に将来発生する可能性があるイベントを予測し、
更新された学習モデルを利用した前記予測手順による予測結果に基づいて、前記対象者の医療・介護従事者に、前記対象者のケアプラン、前記対象者の看護計画、前記対象者の療養計画、または前記対象者の診療計画の見直しを促すための計画改訂アラートを通知する計画改訂アラート通知手順をさらに有することを特徴とする予測プログラム。 In the prediction program according to claim 8,
The prediction procedure uses the learning model updated in the learning model update procedure to predict a disease that the subject may develop in the future or an event that may occur in the subject in the future,
Based on the prediction results of the prediction procedure using the updated learning model, the medical and nursing care workers of the subject are provided with a care plan for the subject, a nursing plan for the subject, a treatment plan for the subject, Alternatively, the prediction program further has a plan revision alert notification procedure for notifying a plan revision alert for prompting the subject to review the medical care plan.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021075064A JP7295517B2 (en) | 2021-04-27 | 2021-04-27 | Forecasting Systems, Forecasting Apparatuses, and Forecasting Programs |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021075064A JP7295517B2 (en) | 2021-04-27 | 2021-04-27 | Forecasting Systems, Forecasting Apparatuses, and Forecasting Programs |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022169193A JP2022169193A (en) | 2022-11-09 |
| JP7295517B2 true JP7295517B2 (en) | 2023-06-21 |
Family
ID=83944270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021075064A Active JP7295517B2 (en) | 2021-04-27 | 2021-04-27 | Forecasting Systems, Forecasting Apparatuses, and Forecasting Programs |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7295517B2 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001236337A (en) | 2000-02-22 | 2001-08-31 | Fuji Electric Co Ltd | Predicting device using neural network |
| JP2008011865A (en) | 2004-10-27 | 2008-01-24 | Sharp Corp | Healthcare apparatus and program for driving the same to function |
| JP2010218444A (en) | 2009-03-18 | 2010-09-30 | Fujitsu Ltd | Nursing support apparatus and nursing support program |
| JP2021026447A (en) | 2019-08-02 | 2021-02-22 | キヤノンメディカルシステムズ株式会社 | Medical information processing device, medical information processing method and electronic medical chart system |
-
2021
- 2021-04-27 JP JP2021075064A patent/JP7295517B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001236337A (en) | 2000-02-22 | 2001-08-31 | Fuji Electric Co Ltd | Predicting device using neural network |
| JP2008011865A (en) | 2004-10-27 | 2008-01-24 | Sharp Corp | Healthcare apparatus and program for driving the same to function |
| JP2010218444A (en) | 2009-03-18 | 2010-09-30 | Fujitsu Ltd | Nursing support apparatus and nursing support program |
| JP2021026447A (en) | 2019-08-02 | 2021-02-22 | キヤノンメディカルシステムズ株式会社 | Medical information processing device, medical information processing method and electronic medical chart system |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022169193A (en) | 2022-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11038969B2 (en) | Platform independent realtime medical data display system | |
| CA2918332C (en) | Patient care surveillance system and method | |
| JP6466422B2 (en) | Medical support system and method | |
| US8847767B2 (en) | Health care server and method of operating the same | |
| US20140052464A1 (en) | Method and system for remote patient monitoring | |
| US9076315B2 (en) | Interactive remote disease monitoring and management system | |
| CN112005316A (en) | Apparatus and method for healthcare collaboration space | |
| US11195616B1 (en) | Systems and methods using ensemble machine learning techniques for future event detection | |
| US9183720B2 (en) | Interactive medical device monitoring and management system | |
| Jeddi et al. | Remote patient monitoring using artificial intelligence | |
| Sahu et al. | The internet of things in geriatric healthcare | |
| WO2015143085A1 (en) | Techniques for wellness monitoring and emergency alert messaging | |
| Efat et al. | IoT based smart health monitoring system for diabetes patients using neural network | |
| CN113825442A (en) | Crowd health platform | |
| US20210065856A1 (en) | Patient management based on sensed inputs | |
| WO2014088933A1 (en) | Interactive medical device monitoring and management system | |
| JP7295517B2 (en) | Forecasting Systems, Forecasting Apparatuses, and Forecasting Programs | |
| JP7322450B2 (en) | Medication support information providing device, method and program | |
| US20220230714A1 (en) | Dashboards for clinical workflow and patient handoff assistance | |
| Velikova et al. | Intelligent disease self-management with mobile technology | |
| Fayoumi et al. | Effective remote monitoring system for heart disease patients | |
| US20230053474A1 (en) | Medical care system for assisting multi-diseases decision-making and real-time information feedback with artificial intelligence technology | |
| US11699528B2 (en) | Falls risk management | |
| JP2002245168A (en) | Health management system | |
| JP2020004385A (en) | Telemedicine support system, medical institution computer, support institution computer, method implemented in medical institution computer, and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221221 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20221221 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230131 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230207 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230404 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230410 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230515 |
|
| 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: 20230530 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230531 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7295517 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |