JP7346419B2 - エンティティ間のコンテキスト的類似性の学習および適用 - Google Patents

Description

［０００１］本明細書に記載される様々な実施形態は、一般的にはエンティティデータ分析を対象とする。より具体的には、限定はされないが、本明細書で開示される様々な方法および装置は、エンティティコンテキスト的類似性を学習および適用するための技術に関する。

［０００２］患者の短期的および／または長期的な悪化のリスクスコアを提供するために、様々な臨床意思決定支援（「ＣＤＳ」）アルゴリズムが開発されてきた。これらは、リスクの高い患者の特定の向上に役立ち、インターベンションのコースを適切に計画する時間を臨床医に与える。この治療意思決定ステップは、臨床ガイドラインによって決定される場合がある。しかし、ガイドラインはパーソナライズされておらず、考えられる全ての状況を考慮することはできない。逆に、多くの場合、決定は臨床医に任され、臨床医は過去の経験に頼らなければならない。

［０００３］本開示は、エンティティコンテキスト的類似性を学習および適用するための技術を対象とする。例えば、様々な実施形態において、本明細書に記載の技術は、特定の患者エンティティを治療している臨床医（例えば、医師、看護師）や介護者等が、（特に、特定の医療コンテキストにおいて）類似する他の患者を識別するために使用され得る。他のコンテキスト的に類似する患者を特定することにより、臨床医は、どの治療が効果的または非効果的であったか、どの治療が特定の転帰をもたらす傾向があったか等を知ることができる。治療されている患者（本明細書では「クエリ患者」とも呼ばれる）に関する様々な情報（様々な医学的コンテキストにおいてクエリ患者と類似する他の患者（例えば、コホート）を含む）へのアクセスを臨床医に提供する様々なポイントオブケア療法決定支援ツール（例えば、プロセッサによって実行されるソフトウェア）が本明細書に記載されている。

［０００４］様々な実施形態において、コンテキスト的に類似する患者の特定を容易にするために、人工知能（例えば、ディープラーニング、機械学習、カーネル分類、マルチカーネル学習等）および／または統計的技術等の技術が使用され得る。例えば、一部の実施形態では、複数の「テンプレート類似性関数」（またはテンプレート類似性関数の「プール」）が生成され得る。テンプレート類似性関数のプールの各テンプレート類似性関数は、クエリ患者に関連付けられた特徴ベクトルの何らかのサブセットを、１人以上の他の患者（本明細書では「候補患者」と呼ばれる）に関連付けられた特徴ベクトルの対応するサブセットと比較し得る。患者等のエンティティは経時的に変化する状態を有し得る。したがって、クエリ患者特徴ベクトル等のエンティティ特徴ベクトルは、特定の瞬間または時間窓の間のエンティティの状態の「スナップショット」と見なすことができる。例えば、時間が経過して患者がより多くの検査、治療、測定等を受けると、患者の特徴ベクトルは同様に時間とともに変化する可能性がある。

［０００５］一部の実施形態では、各テンプレート類似性関数は、２人の患者が、それぞれの患者に関連付けられた特徴ベクトルの所与の特徴サブセットに関してどれほど類似しているかを決定するように設計または「調整」され得る。その結果、各テンプレート類似性関数の形状は、比較される特徴サブセットに関連付けられた母集団統計（例えば、分布）によって導かれ得る。これらの母集団統計は、例えば、レトロスペクティブ患者データベースから導出されてもよい。一部の実施形態では、１つまたは複数のテンプレート類似性関数が、異常値（例えば、特定の特徴の分布の「裾」に向かって落ちる外れ値）を共有する患者間の類似性を強調または増幅するように調整され得る。全体として、テンプレート類似性関数のプールは、２人の患者の間の類似性の多様化されたビューを提供し得る。

［０００６］一部の実施形態では、テンプレート類似性関数のプールからの出力は、本明細書で「複合類似性関数」と呼ばれるものへの入力として提供されてもよい（例えば、適用される）。一部の実施形態では、複合類似性関数は、テンプレート類似性関数のプールの出力に基づいて、クエリ患者および候補患者の、本明細書で「複合類似性スコア」と呼ばれるものを計算し得る。様々な実施形態において、複合類似性関数は、機械学習モデル、ディープラーニングモデル、統計的モデル等の形式を取ることができる。一部の実施形態では、複合類似性関数は、テンプレート類似性関数のプールの出力の凸結合を計算し得る。

［０００７］一部の実施形態では、複合類似性関数は、複数のテンプレート類似性関数のそれぞれの出力の加重結合の形式を取り得る。異なるコンテキストでは、テンプレート類似性関数出力に異なる重みのセットが適用され得る。例えば、第１の重みのセットは血行力学的不安定性コンテキストで適用され、第２の重みのセットは急性腎障害コンテキストで適用され得る（以下同様）。特定の医療コンテキストで適用される重みは、そのコンテキストにとって比較的重要な個々のテンプレート類似性関数の出力を増幅するように調整され得る。その医療コンテキストで重要度の低い他の出力はより弱い重みを付され得る。

［０００８］重みは様々な方法で学習され得る。一部の実施形態では、重みは、１つまたは複数の複数のカーネル学習技術（例えば、カーネル平滑化アルゴリズム）を使用して学習され得る。これらの重みの学習、すなわち、複合類似性関数のコンテキスト固有バージョンの訓練は、特定の医療コンテキストのためにラベル付けされたトレーニングデータに基づき得る。例えば、血行力学的不安定性コンテキストのための重みを学習するには、血行力学的不安定性の何らかの指標でラベル付けされたトレーニングデータが適用され得る。急性腎障害コンテキストの重みを学習するには、急性腎障害の何らかの指標でラベル付けされたトレーニングデータが適用され得る。以下同様である。

［０００９］様々な医療コンテキストのための重みが学習された後、様々なコンテキストにおいて類似する候補患者を特定するために、テンプレート類似性関数のプールおよび複合類似性関数がクエリ患者および１人以上の候補患者の特徴ベクトルに適用され得る。例えば、血行力学的不安定性コンテキストにおいてクエリ患者に最も類似する複数の候補患者のランク付けされたリストが決定され、提供されてもよい。一部の実施形態では、このランク付けされたリストを使用して、例えば、コンテキスト的に類似する患者の「コホート」が特定され得る。そして、臨床医は、類似する患者のコホートに適用された治療およびその結果としての転帰を評価して、クエリ患者のための治療をよりインテリジェントに選択することができる。追加でまたは代替として、一部の実施形態では、テンプレート類似性関数のプールおよび複合類似性関数を使用して、例えば、関心対象のコンテキストに関連付けられた重みを選択することによって、特定のコンテキストにおけるクエリ患者の臨床的状態が予測され得る。

［００１０］本明細書で記載される例はヘルスケアに関するものであるが、これは限定を意図するものではない。本明細書で記載される技術は、ヘルスケア以外の様々な分野に適用することができる。例えば、本明細書に記載の技術は、薬物および／またはアルコール乱用のリハビリテーションを必要とする個人に対してコンテキスト的に類似するエンティティを特定するために使用され、結果として、例えば、コンテキスト的に類似する個人の転帰を把握して、リハビリテーション計画を選択するために活用することができる。本明細書に記載の技術は他の分野でも使用され、例えば、旅行（例えば、最も楽しまれると思われる旅程を選択するために、類似する好みの他者を特定する）や、スポーツ（例えば、チーム選択のためにアスリートを比較する）等の分野で使用され得る。

［００１１］さらに、本明細書に記載の技術は様々な技術的利点をもたらす。例えば、本明細書に記載されるようにテンプレート類似性関数を調整することにより、欠損データへの代入アプローチを回避することができる。なぜなら、テンプレート類似性関数は、値が存在する場合にのみ複合類似性関数の出力に寄与し得るからである。データ代入の必要性を排除することは不正確さを低減し、かつ／または、プロセッササイクルやメモリ等のコンピューティングリソースの節約を実現し得る。さらに、複合類似度関数を使用することにより、特に、異なるコンテキストのために学習された異なる重みとともに用いることにより、パフォーマンスを向上させないテンプレート類似性を無視することを可能にするスパース正則化（ｓｐａｒｓｉｆｙｉｎｇ ｒｅｇｕｌａｒｉｚｅｒ）（例えば、Ｌ１－ｎｏｒｍ）を効果的に適用することができる。ヘルスケアの分野では、コンテキスト的に類似するコホートを正確に特定すること、特に、そのようなコホートの治療および／または転帰を評価可能であることにより、よりインテリジェントかつ／または効率的な臨床意思決定が促進され得る。

［００１２］一般的に、一側面において、方法は、クエリエンティティのための第１の値をインターフェース上に表示するステップであって、前記第１の値は第１のコンテキストに関連する、ステップと、複数の訓練された類似性関数から、前記第１のコンテキストに関連付けられた第１の訓練された類似性関数を選択するステップと、選択された前記第１の訓練された類似性関数を、前記クエリエンティティに関連付けられた特徴セット、および複数の候補エンティティにそれぞれ関連付けられた複数の特徴セットに適用するステップと、前記第１の訓練された類似性関数の適用に基づいて、前記複数の候補エンティティから１つまたは複数の類似する候補エンティティのセットを選択するステップと、前記１つまたは複数の類似する候補エンティティの第１のセットに関連付けられた情報を前記インターフェース上に表示するステップとを含み得る。

［００１３］様々な実施形態において、方法は、第２のコンテキストに関連する前記クエリエンティティのための第２の値を前記インターフェース上に表示するステップと、前記複数の訓練された類似性関数から、前記第２のコンテキストに関連付けられた第２の訓練された類似性関数を選択するステップと、選択された前記第２の訓練された類似性関数を、前記クエリエンティティに関連付けられた前記特徴セット、および前記複数の候補エンティティのそれぞれの前記特徴セットに適用するステップと、前記第２の訓練された類似性関数の適用に基づいて、前記複数の候補エンティティから１つまたは複数の類似する候補エンティティの第２のセットを選択するステップと、前記１つまたは複数の類似する候補エンティティの第２のセットに関連付けられた情報を前記インターフェース上に表示するステップとをさらに含み得る。

［００１４］様々な実施形態において、前記１つまたは複数の類似する候補エンティティの第１のセットに関連付けられた情報を表示するステップは、前記１つまたは複数の類似する候補エンティティの第１のセットの少なくとも１つの属性のそれぞれの値に従って、前記１つまたは複数の類似する候補エンティティの第１のセットを複数のグループにグループ分けするステップと、前記複数のグループのそれぞれについて、前記第１のコンテキストに関連する第１の値を取得するステップと、各グループに関する情報を、前記第１のコンテキストに関連するそれぞれの前記第１の値に関連付けて前記インターフェースに表示するステップとを含み得る。

［００１５］様々な実施形態において、前記第１のコンテキストに関連する前記第１の値は、臨床意思決定支援アルゴリズムによって取得されるスコアである。様々な実施形態において、前記少なくとも１つの属性は施された治療である。様々な実施形態において、前記少なくとも１つの属性は患者転帰である。様々な実施形態において、前記第１のコンテキストに関連するそれぞれの前記第１の値に関連付けられた、各グループに関する前記情報は、患者転帰統計情報を含み得る。

［００１６］上記の概念と以下でより詳細に説明されるさらなる概念のあらゆる組み合わせが（概念が相互に矛盾しない限り）本明細書に開示される発明的主題の一部として考えられることを理解されたい。特に、本開示の末尾でクレームされる主題のあらゆる組み合わせが、本明細書に開示される発明的主題の一部であると考えられる。また、参照により援用される任意の開示にも現れ得る、本明細書で明示的に使用される用語は、本明細書で開示される特定の概念に最も則する意味を与えられるべきであることを理解されたい。

［００１７］図中、類似する参照符号は一般的に、異なる図面を通して同じ部分または部品を指す。また、図面は必ずしも縮尺通りではなく、一般的に、本明細書で説明される実施形態の様々な原理を示すことに重点が置かれている。

［００１８］図１は、様々な実施形態に係る、本開示の選択された側面が実施され得る環境を概略的に示す。 ［００１９］図２は、様々な実施形態に係るテンプレート類似性関数を生成するための技術を示す。 ［００２０］図３、図４、および図５は、本明細書に記載される技術を使用して決定された情報を提示し得る例示的なグラフィカルユーザインターフェースを示す。 ［００２１］図６および図７は、本開示の選択された側面を実施するための例示的な方法を示す。 ［００２２］図８は、例示的なコンピューティングシステムアーキテクチャを概略的に示す。

［００２３］患者の短期的および／または長期的な悪化のリスクスコアを提供するために、様々な臨床意思決定支援（「ＣＤＳ」）アルゴリズムが開発されてきた。これらは、リスクの高い患者の特定の向上に役立ち、インターベンションのコースを適切に計画する時間を臨床医に与える。この治療意思決定ステップは、臨床ガイドラインによって決定される場合がある。しかし、ガイドラインはパーソナライズされておらず、考えられる全ての状況を考慮することはできない。逆に、多くの場合、決定は臨床医に任され、臨床医は過去の経験に頼らなければならない。一般に、様々な領域において、様々な目的で、患者等のエンティティ間のコンテキスト的類似性を決定可能であることは有益であろう。

［００２４］上記を考慮して、本開示の様々な実施形態および実施形態は、エンティティコンテキスト的類似性を学習および適用することを対象とする。図１を参照すると、本開示の選択された側面が実施され得る環境が概略的に示されている。１つまたは複数のクライアントデバイス１０２、エンティティ類似性システム１０４、レトロスペクティブ（後向き）患者データベース１０６、およびトレーニングデータベース１０８が、インターネット等の１つまたは複数のネットワーク１１０を介するネットワーク通信内に示されている。様々な実施形態において、コンポーネント１０２～１０８のうちの１つまたは複数が省略されてもよく、他のコンポーネントと組み合わされてもよく、また、他のコンポーネントが追加されてもよい。

［００２５］１つまたは複数のクライアントデバイス１０２は、例えば、デスクトップコンピューティングデバイス、ラップトップコンピューティングデバイス、タブレットコンピューティングデバイス、携帯電話コンピューティングデバイス、ユーザの車両のコンピューティングデバイス（例えば、車載通信システム、車載エンターテイメントシステム、車載ナビゲーションシステム）、スタンドアロンインタラクティブスピーカー、スマートテレビ等のスマート機器、および／またはコンピューティングデバイスを含むユーザのウェアラブル機器（例えば、コンピューティングデバイスを備えるユーザの腕時計、コンピューティングデバイスを備えるユーザの眼鏡、仮想または拡張現実コンピューティングデバイス）のうちの１つまたは複数を含むことができる。追加および／または代替のクライアントコンピューティングデバイスが設けられてもよい。

［００２６］様々な実施形態において、１つまたは複数のクライアントデバイス１０２は多様なアプリケーション、例えばウェブブラウザ、電子メールクライアント、メッセージングクライアント、ソーシャルメディアクライアント等を動作させ得る。本開示にとって最も重要な事項として、クライアントデバイス１０２（本明細書で単数形で言及される）は、臨床医決定アプリケーション１１２を動作させ得る。臨床医決定アプリケーション１１２は、例えば臨床医、または特定の患者の状態に関心のある別の個人（例えば、介護者、研究者等）によって、本開示の様々な態様を使用して決定された情報を評価するために操作可能なソフトウェアであり得る。図３～図５は、様々な実施形態に係る、臨床医決定アプリケーション１１２によって生成および／または提示され得る例示的なグラフィカルユーザインターフェース（「ＧＵＩ」）を示す。

［００２７］エンティティ類似性システム１０４は、コンテキスト的に類似するエンティティ（この例および本明細書で説明される他の例では医療患者であり得る）を識別するために使用可能なデータを収集、生成、および／または計算するために集合的に動作し得る１つまたは複数のコンピューティングデバイスを含み得る。一部の実施形態では、エンティティ類似性システム１０４は１つまたは複数のモジュールまたはエンジンを含み、これらのいずれも、ハードウェアおよび／またはソフトウェアの任意の組み合わせを使用して実施され得る。図１では、例えば、エンティティ類似性システム１０４は、類似性トレーニングエンジン１１４および類似性検出エンジン１１６を含む。他の実施形態では、エンジン１１４および１１６は単一のエンジンまたはモジュールに結合されてもよい。一部の実施形態では、以下でより詳細に説明するように、エンティティ類似性システム１０４は、複数の類似性テンプレート関数１１８および／または１つまたは複数の機械学習モデル１２０を使用して、患者等のエンティティ間のコンテキスト的類似性を計算することができる。

［００２８］レトロスペクティブ患者データベース１０６は、年齢、体重、診断、バイタルサイン、実施された検査、検査結果、処方された／適用された治療、投薬等の患者に関する情報を含み得る。一部の実施形態では、レトロスペクティブ患者データベース１０６は、例えば複数の患者に関連付けられた電子カルテ（「ＥＭＲ」）を保存するために使用される病院情報システム（「ＨＩＳ」）の形態を取り得る。後により詳細に説明するように、レトロスペクティブ患者データベース１０６内の患者記録、および場合によっては、それらの記録から生成／抽出された特徴ベクトルを使用して、本明細書に記載される技術の実行のための候補患者が表され得る。図１では単一のデータベースとして示されているが、レトロスペクティブ患者データベース１０６（および本明細書に記載の他のデータベースまたはインデックス）は、実際には任意の数のデータベースを使用して実施され、これらのデータベースは１つまたは複数のコンピューティングシステム、例えば、いわゆる「クラウド」コンピューティングシステムまたはアーキテクチャを提供するために協力するコンピューティングシステムのグループによって操作され得る。

［００２９］トレーニングデータベース１０８は、例えば、１つまたは複数の機械学習モデル１２０を訓練するために使用される１つまたは複数のコンテキストトレーニングデータセット１２２_１～Ｎを格納し得る。一部の実施形態では、トレーニングデータベース１０８およびレトロスペクティブ患者データベース１０６は単一の論理的および／または物理的データベースに結合されてもよい。一部の実施形態では、複数のコンテキストトレーニングデータセット１２２_１－Ｎがトレーニングデータベース１０８に保存されてもよい。後により詳細に説明するように、一部の実施形態では、各コンテキストトレーニングデータセット１２２は、特定のコンテキストラベルを付された個々のトレーニング例を含み得る。これらのラベルは、例えば、異なるコンテキストにおいて使用可能な機械学習モデル１２０の異なるインスタンスのトレーニングを容易にし得る。一例として、第１のコンテキストトレーニングデータセット１２２_１の個々のトレーニング例は、血行力学的不安定性の指標を示すようにラベル付けされ得る。第２のコンテキストトレーニングデータセット１２２_２の個々のトレーニング例は、急性腎障害の指標を示すようにラベル付けされ得る。同様に第３、第４と続き得る。一部の実施形態では、ラベルは、例えば特定の病状の有無を示すために、バイナリであり得る。加えて、または代替として、ラベルは非バイナリであってもよく、代わりに特定の特徴値の（例えば、ある連続的な範囲内の）指標を示してもよい。

［００３０］エンティティ類似性システム１０４は、例えば、類似性トレーニングエンジン１１４および／または類似性検出エンジン１１６によって、本開示の様々な態様を実行するように構成され得る。例えば、一部の実施形態では、エンティティ類似性システム１０４は、複数のテンプレート類似性関数１１８を提供／取得するように構成され得る。各テンプレート類似性関数１１８は、クエリエンティティ特徴ベクトル（例えば、クエリ患者特徴ベクトル）の特徴サブセットを、候補エンティティ特徴ベクトル（例えば、候補患者特徴ベクトル）の対応する特徴サブセットと比較し得る。

［００３１］一部の実施形態では、エンティティ類似性システム１０４はまた、複数のテンプレート類似性関数１１８の出力を入力として受け取り、それらの値に基づいて複合類似性スコアを計算する１つまたは複数の上記機械学習モデル１２０を含み得る。一部の実施形態では、各機械学習モデル１２０は、複合類似性関数の形態を取ることができ、一部の実施形態では、複数のテンプレート類似性関数１１８のそれぞれの出力の重み付けされた組み合わせであり得る。

［００３２］様々な実施形態において、類似性トレーニングエンジン１１４は、例えばトレーニングデータベース１０８から、第１の複数のラベル付けされたエンティティベクトルを第１のコンテキストトレーニングデータとして取得するように構成され得る。例えば、機械学習モデル１２０が、血行力学的不安定性コンテキストにおける患者間の類似性を計算するように訓練される場合、類似性トレーニングエンジン１１４は、血行力学的安定性（またはその欠如）を示すようにラベル付けされたトレーニング例を含むコンテキストトレーニングデータセット１２２を取得し得る。以下でより詳細に説明するように、類似性トレーニングエンジン１１４は、血行力学的不安定性コンテキストにおける患者間の類似性を計算するにあたり機械学習モデル１２０を調整するために、これらのトレーニング例を使用して機械学習モデル１２０を訓練し得る。様々な実施形態において、複数の機械学習モデル１２０が訓練されてもよく、例えば、所望のコンテキストごとに１つのモデルが訓練されてもよい。例えば、１つの機械学習モデル１２０は、血行力学的不安定性コンテキストにおける患者間の類似性を計算するために訓練され得る。別のモデルは、急性腎障害コンテキストにおける患者間の類似性を計算するために訓練され得る。以下同様である。

［００３３］類似性検出エンジン１１６は、エンティティから抽出された複数の特徴を含み得るクエリエンティティ特徴ベクトルを、例えば複数の類似性テンプレート関数１１８と１つまたは複数の訓練された機械学習モデル１２０とを使用して、１つまたは複数の候補エンティティ特徴ベクトルに適用するように構成され得る。医療的なコンテキストにおいて、例えば、類似性検出エンジン１１６は、例えばバイタルサイン、年齢、体重、治療等のクエリ患者の特徴（リアルタイムでおよび／またはレトロスペクティブ患者データベース１０６から取得され得る）を、複数の類似性テンプレート関数１１８と機械学習モデル１２０とを使用して、レトロスペクティブ患者データベース１０６から取得された候補患者の対応する特徴比較するように構成され得る。類似性検出エンジン１１６は出力として、単純にクエリエンティティと候補エンティティの間のコンテキスト的類似性スコアを提供してもよいし、または、クエリエンティティに対する類似性に基づいてランク付けされた複数の候補エンティティのリストを提供してもよい。

［００３４］類似性検出エンジン１１６の出力は、臨床医がクエリ患者について、情報に基づいた決定を行うことを可能にする情報および／またはツールを臨床医または他の担当者に提供するために臨床医決定アプリケーション１１２によって使用され得る。非限定的な例として、臨床医は、どのような治療が適用されたか、およびそれらの治療の（例えば、統計的）結果を見ることができるよう、コンテキスト的に類似する患者のコホートを閲覧可能であり得る。この情報に基づいて、臨床医は措置の方針を決定し得る。追加でまたは代替として、治療が（例えば、ロボットによって）自動的に実行される一部の実施形態では、適用される治療は、類似性検出エンジン１１６によって提供される情報に少なくとも部分的に基づいて自動的に選択されてもよい。別の例として、臨床医決定アプリケーション１１２は、本明細書に記載の技術を使用して、特定のコンテキストにおけるクエリ患者の臨床状態を予測し得る。

テンプレート類似性関数
［００３５］次に、テンプレート類似性関数１１８を生成するための１つの技術について説明する。この説明は限定を意味するものではなく、他の技術および／またはテンプレート類似性関数が使用され得ることを理解されたい。本明細書では「テンプレート類似性関数」との表現が使用されているが、これは限定を意味するものではない。これらの関数は「カーネル」とも呼ばれ得る。この議論の目的のために、クエリ患者（例えば、臨床医が治療等に関する決定を行おうとしている患者）はｐ_Ｑとして表され、ｐ_ｑと比較される各候補患者はｐ_ｃと表され得る。

［００３６］一部の実施形態では、ｍ個のテンプレート類似性関数Ｓ_１（ｐ_ｑ，ｐ_ｃ）、・・・、Ｓ_ｍ（ｐ_ｑ，ｐ_ｃ）のプールが生成され得る。これらは、以下で説明する後続のコンテキスト的類似性学習フェーズのための基礎としての役割を果たす。各テンプレート類似性関数Ｓ_ｉ（ｐ_ｑ，ｐ_ｃ）は、入力として、２つの特徴ベクトル（クエリ患者ｐ_ｑから１つ、候補患者ｐ_ｃから１つ）を使用し、ｐ_ｑとｐ_ｃの間の類似度を定量化する出力（例えば、スコア）を戻す。各テンプレート類似性関数は、患者の特徴ベクトルの異なるサブセットを考慮することにより、異なる態様で類似性を判断する。例えば、各テンプレート類似性関数は、異なる特徴のために調整され、例えば、心拍数または血圧に基づく類似性関数が考えられる。特徴間のインタラクションに対応するために、小さな特徴グループが考慮されてもよい。結果として得られるテンプレート類似性関数Ｓ_１（ｐ_ｑ，ｐ_ｃ）、・・・、Ｓ_ｍ（ｐ_ｑ，ｐ_ｃ）のプールは類似性の多様化されたビューを提供し得る。この多様化されたビューは、コンテキスト固有の機械学習モデル１２０（以下でより詳細に説明される）を使用して、臨床コンテキストに基づき単一のスコアに融合され得る。

［００３７］図２は、特定の患者の特徴、すなわち心拍数に対して単一のテンプレート類似性関数を適用する態様の例を示す。他の患者ベクトル特徴間の他の種類の類似性を評価する他のテンプレート類似性関数も同様に動作し得る。様々な実施形態において、患者の心拍数について母集団分布が決定され得る。これは、例えば、トレーニングデータベース１０８内のトレーニングデータ１２０のセットから心拍数のヒストグラムを計算することによって達成することができる。

［００３８］この例では、クエリ患者ｐ_ｑの心拍数（「ＨＲ」）は７０であり、候補患者ｐ_ｃの心拍数は１２０である。クエリ患者および候補患者から伸びる矢印は、患者の心拍数の分布を示す、ベルカーブに似た（これは必須ではない）ヒストグラムに導く。このようなヒストグラムは確率分布Ｐ_ＨＲ（ｘ）を提供し得る。一部の実施形態では、以下のような方程式を使用して、未正規化テンプレート類似性関数が計算され得る。

一部の実施形態では、関数ｆは単調減少関数、例えばｆ（ｘ）＝（１‐ｘ）であってもよい。この例では、Ｐ_ＨＲ（ｘ_ｑ≦ＨＲ≦ｘ_ｃ）は、心拍数がｐ_ｑ～ｐ_ｃの間である患者の累積確率であり得る。関数ｆは単調減少であるため、累積確率が増加（または減少）すると、ｐ_ｑおよびｐ_ｃそれぞれの心拍数の間の類似性は減少（または増加）する。累積確率は、図２のベルカーブ下の面積Ａによって表される。

［００３６］一部の実施形態では、以下のような方程式を使用して、テンプレート類似性関数が正規化され得る。

式（２）において、分母の項は、レトロスペクティブ患者データベース１０６内の他の全ての患者に対するｐ_ｑおよびｐ_ｃそれぞれの予想平均未正規化テンプレート類似性関数出力を表す。Ｅは期待値（平均値）を表す。この正規化は、テンプレート類似性関数の出力を共通の範囲に正規化する役割を果たし得る。

［００３７］このアプローチでは、類似性を定量化するために、特徴の母集団分布またはコホート母集団分布を使用する。この手順の効果は、ｐ_ｑおよびｐ_ｃの２つの心拍数値の間の類似性を、両者がどれだけ近いかだけでなく、どれだけ異常であるかによっても決定されることである。類似性スコアは、２つの値の間の確率分布下の面積（図２のＡ）に反比例するため、分布の裾の近くに位置する異常値は高いスコアを受け取ることになる。これには、臨床医が懸念する可能性のある異常値を強調するという利点がある。直感的には、２人の患者（より一般的には、２つのエンティティ）を考えたとき、両者の類似性は、両者の間に存在する予想患者（またはより一般的には、エンティティ）数に反比例する。

［００３８］この心拍数の例は、患者間で単一の特徴（心拍数）が比較される場合に適用されるが、これは限定的なものではない。これらのステップは、患者（またはより一般的には、エンティティ）ベクトルの複数の特徴を考慮したテンプレート類似性指標に一般化され得る。特に、多次元確率分布が使用されてもよい。

［００３９］一般的に言えば、テンプレート類似性ベクトル、つまり「カーネル」は様々なやり方で生成され得る。例えば、状態ベクトルｘおよびｚを有する２つのエンティティの対応する特徴値をｘ_ｊおよびｚ_ｊとする。そして、範囲［ｍｉｎ（ｘ_ｊ，ｚ_ｊ），ｍａｘ（ｘ_ｊ，ｚ_ｊ）］内の値を有する予想エンティティ数は、その区間内のＸ_ｊについての母集団分布Ｐ（Ｘ_ｊ）の下の面積によって与えられる。一部の実施形態では、特徴Ｘ_ｊに対して以下のカーネルが使用されてもよい。

様々な実施形態において、カーネルは、バイナリ特徴または順序的離散（ｏｒｄｉｎａｌ ｄｉｓｃｒｅｔｅ）特徴に適用され得る。例えば、Ｘ_ｊは、患者が症状を示すか否か、または、まれな病状もしくは併存症を示すか否かを特徴づけるベルヌーイ確率変数であり得る。この場合、方程式（Ａ）は次のように単純化される。

したがって、患者ｘとｚの間の類似性は、両方の患者が当該病態を有している又は有していない場合は、病態の有病率または不在に反比例し、病態の状態が異なる場合は類似性がない可能性がある。上記カーネルは、確率変数の値に関して順序的関係を想定する。しかし、ｃ個のカテゴリに関する名義変数をｃ個のベルヌーイ確率変数に変換するＯｎｅ－ｈｏｔエンコーディングにより、これを名義カテゴリ変数に拡張することが可能である。

機械学習モデルトレーニング
［００４０］次に、１つまたは複数の機械学習モデル１２０を訓練することにより、ｍ個のテンプレート類似性関数１１８の集約された出力に基づき複合類似性スコアを生成するための技術の例について説明する。一部の実施形態では、機械学習モデル１２０は、ｍ個のテンプレート類似性関数出力の凸結合であり得る複合類似性関数Ｓ_Ｃ（ｐ_ｑ，ｐ_ｃ）であり得る。例えば、一部の実施形態では、複合類似性関数は以下のようにモデル化されてもよい。

したがって、この例のＳ_Ｃは、ｍ個の個々のテンプレート類似性関数出力の加重平均であり、重みはａ_１、ａ_２、・・・、ａ_ｍによって表されている。

［００３９］機械学習モデル１２０を訓練する（これは、例えば、重みａ_１、ａ_２、・・・、ａ_ｍを学習することを意味し得る）ために、様々な実施形態において、ｎ個のトレーニング例のペア（ｐ^（１），ｙ^（１）），・・・，（ｐ^（ｎ），ｙ^（ｎ））が、例えばトレーニングデータベース１０８から提供され得る。ｐ^（ｉ）は、所与の患者の複数の入力特徴（バイタル、ラボ、人口統計等）のベクトルであり、ｙ^（ｉ）は、その患者の臨床的コンテキスト状態を示すラベルであり得る。臨床的コンテキストは、反映する臨床状態に依存して、バイナリラベルまたは実数値であり得る。例えば、ｙ^（ｉ）は、患者（ｉ）が２つの疾患状態のうちのどちらに属するかを示すバイナリラベルであり得る。

［００４１］一部の実施形態では、重みａ_１、ａ_２、・・・、ａ_ｍは、ラベル付けされたトレーニングセット（ｐ^（１），ｙ^（１）），・・・，（ｐ^（ｎ），ｙ^（ｎ））に対して実行されるマルチカーネル学習アルゴリズム（例えば、カーネル平滑化アルゴリズム）を使用して訓練されてもよい。例えば、一部の実施形態では、患者ごとに近似ラベル

を計算するために、以下の近似関数が使用され得る。

直感的には、式（６）は、ｉ番目の患者の複数の隣人の「真の」ラベル（ｙ）を加重平均することによってｉ番目のための患者のラベル

を近似しようと試み、ここで、隣人は複合類似性Ｓ_Ｃによって定められる。したがって、Ｓ_Ｃの出力が、２人の隣接する患者が類似していることを示す場合、一方の隣人の「真の」ラベル（ｙ）は他方の隣人の近似されたラベル

により大きな影響を及ぼす。

［００４２］近似ラベルの計算後、近似ラベルと「真の」ラベルの差を使用して、重みａ_１、ａ_２、・・・、ａ_ｍが決定され得る。例えば、真のラベルｙとその近似値

の間の相違を測定するために、損失関数

が使用され得る。例えば、ラベルがバイナリの場合、バイナリ交差エントロピーが使用されてもよい。ラベルが連続値の場合、二乗誤差が損失として使用されてもよい。いずれの場合でも、全てのトレーニング例にわたる総損失を最小にするために、次のような式が使用され得る。

この目的は、暗示的に、Ｓ_Ｃを介して重みａ_１、ａ_２、・・・、ａ_ｍの関数であることに留意されたい。次に、このコンテキストにおける最適な重みを学習するために、例えば勾配降下法（例えば、確率的（ｓｔｏｃｈａｓｔｉｃ）、バッチ等）を使用して最小化が進み得る。

［００４３］一部の実施形態では、式（６）は、類似する対象に関連付けられた「真の」ラベル（ｙ）に基づいて特定の対象の臨床的コンテキスト（すなわち、ラベル）を予測するためにも使用され得る。例えば、未知の臨床的ステータスを有する、ある対象について決定されたラベルの近似

は、例えば上記の式（３）～（５）のうちの１つまたは複数を使用して決定された複数の対象に関連付けられた対応する複数の真のラベルｙによって影響され得る。

使用例
［００４４］図３～図５は、図１の臨床医決定アプリケーション１１２によってディスプレイ画面上に表示され得る例示的なグラフィカルユーザインターフェース（「ＧＵＩ」）を示す。図３を参照すると、ダッシュボードＧＵＩ３００は、例えば、臨床医がクエリ患者の記録を引き上げるときに、臨床医によって見られてもよい。この例では、ダッシュボードＧＵＩ３００のタイトルバー内に示されるように、クエリ患者の名前は「Ｊｏｈｎ Ｄｏｅ」である。ダッシュボードＧＵＩ３００は、臨床医がクエリ患者の現在の臨床的状態の概要を取得することを可能にする。多数の異なるパネル（図３には４つのパネル（３３０_１－４）が描かれている）は、それぞれ、クエリ患者の状態のコンテキスト固有側面、例えば、特定の解剖学的システムの概要や、特定の疾患の状態等を伝達し得る。例えば、第１のパネル３３０_１は心臓血管の健康状態の概要を与え得る。第２のパネル３３０_２は、クエリ患者の心腎症候群（「ＣＲＳ」）の概要を与える。第３のパネル３３０_３は、クエリ患者の腎臓系の概要を与える。第４のパネル３３０_４は、クエリ患者の呼吸器系の概要を与える。これらのパネル３３０_１－４は単なる例であり、他の臨床的コンテキストの概要を提供する、より多くのまたは少ないパネルが提供され得る。

［００４５］さらに、クエリ患者の様々な臨床医意思決定支援（「ＣＤＳ」）統計の概要を提供する第５のパネル３３０_５が示されている。図３では、このパネルは、クエリ患者の血行力学的不安定性指数（「ＨＩＩ」）の概要、並びにクエリ患者の急性腎障害（「ＡＫＩ」）の状態および急性呼吸窮迫症候群（「ＡＲＤＳ」）の概要を含む。図３では、クエリ患者のＨＩＩが高いので（７８）、クエリ患者のＨＩＩに関する追加情報３３２が示されている。

［００４６］臨床医は、例えばマウスを使用して、またはタッチスクリーンに触れることによっていずれかのパネル３３０を選択することで、対応する臨床的コンテキストに関するより詳細な情報を取得することができる。例えば、クエリ患者の高いＨＩＩに鑑み、臨床医は、追加情報を得るためにＨＩＩに関連する第５のパネル３３０_５の部分を選択する可能性が高い。これにより、図４に示されるＧＵＩ４００等の別のＧＵＩが表示され得る。

［００４７］図４において、ＧＵＩ４００は、クエリ患者の血行力学的不安定性指数のより詳細な概要を含み、このより詳細な概要には、７８というＨＩＩスコアに寄与した様々なデータ（例えば、年齢、ＣＶＰ、心拍数等）が含まれている。ＧＵＩ４００はまた、クエリ患者のＨＩＩを経時的に示すチャート４３８を含み得る。さらに、ＧＵＩ４００は、臨床医が類似する患者を閲覧するために選択することができるボタン４４０または他の選択可能な要素を含み得る。選択が行われると、複数のテンプレート類似性関数（図１の１１８）にわたる、クエリ患者に関連付けられた特徴ベクトルの適用がトリガーされて、それぞれの出力が計算され得る。上述したように、これらの出力は、コンテキスト固有機械学習モデル１２０にわたる入力として適用され、コンテキスト固有機械学習モデルは、上記したように、現在のコンテキストについて学習された重みを複数のテンプレート類似性関数の出力に適用することで複合コンテキスト類似性スコアを計算する複合類似性関数（例えば、式（３））であり得る。特に、トレーニングデータベース１０８からのコンテキストトレーニングデータセット１２２を上記の様々な方程式とともに使用することによって学習された重みが、複数のテンプレート類似性関数のそれぞれの出力に適用され得る。一部の実施形態では、本技術は、例えばレトロスペクティブ患者データベース１０６からの情報を使用して、複数の候補患者特徴ベクトルを候補患者の特徴ベクトルと比較するために適用され、そして、クエリ患者との類似性によってランク付けされた候補患者のリストが返され得る。一部の実施形態では、ｘ人の最も類似する患者のみが返されてもよく、ここでｘは、例えば、何らかの類似性閾値を満たす候補患者の数または割合に基づいて手動で選択または決定される正の整数である。

［００４８］図５は、ボタン４４０の選択に応答して表示され得るＧＵＩ５００の例を示す。図５では、クエリ患者のＨＩＩスコア７８が、そのスコアを複数の治療オプショングループに接続する線とともに示されている。図５では、これらのオプションは治療なし、輸液療法、輸血療法、変力作用剤による治療、および昇圧剤による治療を含む。しかし、これらは限定を意味するものではない。治療オプショングループごとに、その治療オプションが適用された多数の類似患者が、平均転帰（この例では平均ＨＩＩ治療後）とともに示されている。

［００４９］例えば、コンテキスト的に類似する２０人の患者に対して治療が適用されず、結果として、平均ＨＩＩスコアが８５に増加した。コンテキスト的に類似する１５人の患者に輸液療法が適用された結果、平均ＨＩＩスコアが７４とわずかに減少した。コンテキスト的に類似する３０人の患者に輸血療法が適用された結果、平均ＨＩＩスコアが７３とわずかに減少した。コンテキスト的に類似する３０人の患者に変力作用剤による治療が適用された結果、平均ＨＩＩスコアが６９とわずかに減少した。コンテキスト的に類似する患者の大半（１００人）に昇圧剤による治療が適用されており、結果として、平均ＨＩＩスコアが４５と大きく減少した。したがって、臨床医は、昇圧剤が、コンテキスト的に類似する患者に適用された治療オプションとして、群を抜いて最も効果的であったことを容易に理解することができる。様々な実施形態において、各治療オプショングループ内のコンテキスト的に類似する患者、および当該患者らが受けた治療に関するさらなる情報（例えば、より洗練された統計）を表示するために、各治療オプショングループ自体が選択可能であってもよい。

［００５０］図示されていないが、様々な実施形態において、本明細書に記載の技術は、図５に描かれる情報以外の他の情報を臨床医に提供するように実施され得る。例えば、一部の実施形態では、任意の数の最もコンテキスト的に類似する患者が例えばリストとして臨床医に提示されてもよい。一部のそのような実施形態では、臨床医はコンテキスト的に類似する特定の患者を選択可能であり、選択することにより、コンテキスト的に類似する患者についてさらに知ること、例えば、病歴、具体的な測定結果（例えばバイタルサイン、検査結果）、適用／処方された治療、家族歴等を知ることが可能であり得る。

［００４０］図６は、様々な実施形態に係る、本開示の選択された側面を実施するための例示的な方法６００を示す。便宜上、動作を実行するシステムを参照しながらフローチャートの動作を説明する。このシステムは、エンティティ類似性システム１０４を含む様々なコンピュータシステムの様々なコンポーネントを含み得る。さらに、方法６００の動作は特定の順番で示されているが、これは限定を意味するものではない。１つまたは複数の動作が並べ替え、省略、または追加され得る。また、臓器不全の割合、滞在期間、死亡率等、他の中期または長期の転帰が表示されてもよい。

［００４１］ブロック６０２において、システムは、複数のテンプレート類似性関数（例えば、図１の１１８）を提供し得る。複数のテンプレート関数は様々な態様で提供され得る。一部の実施形態では、複数のテンプレート関数は、例えば、１人または複数の臨床医によって手動で作成されてもよい。上記したように、各テンプレート類似性関数は、クエリ患者に関連付けられたクエリエンティティ特徴ベクトルの特徴サブセットを、候補患者に関連付けられた候補エンティティ特徴ベクトルの対応する特徴サブセットと比較するように設計され得る。ブロック６０４において、システムは機械学習モデル、例えば、複数のテンプレート類似性関数のそれぞれの出力の加重結合を含む複合類似性関数を提供し得る。上記の式（３）は、複合類似性関数の非限定的な一例である。

［００４２］ブロック６０６において、システムは、例えばトレーニングデータベース１０８から、第１の複数のラベル付けされたエンティティベクトルを第１のコンテキストトレーニングデータ（例えば、図１の１２０_１）として提供および／または取得し得る。一部の実施形態では、この第１のコンテキストトレーニングデータは、特定のコンテキストにおいて類似するエンティティ（例えば、患者）を見つけるために適用される複合類似性関数のための重みを訓練するために特定的に選択され得る。例えば、ＩＩ型糖尿病と診断された患者に類似する患者を見つけることを目的とする場合、第１のコンテキストトレーニングデータは、ＩＩ型糖尿病の有無を示すラベルが付された患者特徴ベクトルの形式のトレーニング例を含み得る。

［００４３］ブロック６０８において、システムは、例えば類似性トレーニングエンジン１１４によって、上記の式（６）のような近似関数を適用することで、第１のコンテキストトレーニングデータのそれぞれのラベル付きエンティティベクトルについて、当該ラベル付きエンティティベクトルデータのための第１のコンテキストラベル

を近似し得る。一部の実施形態では、第１のコンテキストラベルは、複合類似性関数の出力、および、第１のコンテキストトレーニングデータのその他のラベル付きエンティティベクトルのそれぞれの「真の」第１のコンテキストラベル（ｙ）に基づいて近似され得る。上記のように、これは直感的に、２人の患者の類似性が高いほど、一方の患者の真のラベル（ｙ）が他方の患者の近似ラベル

に大きく寄与する（その逆も同様）。

［００４４］ブロック６１０において、システムは、複合類似性関数（例えば、上記の式（３））に基づいて、第１のコンテキスト固有複合類似性関数を訓練し得る。これは例えば、第１のコンテキストトレーニングデータに近似関数（例えば、上記の式（６））を適用した出力に基づき、第１の損失関数（例えば、

を使用して、複数のテンプレート類似性関数（例えば、図１の１１８）のための複数の第１のコンテキスト重みａ_１、ａ_２、・・・、ａ_ｍを学習することを含み得る。様々な実施形態において、第１の重みは、第１のコンテキスト固有複合類似性関数の一部として後に使用するために保存されてもよい。

［００５１］上記のように、様々な実施形態において、複数の異なるエンティティコンテキストのために、複数の異なるコンテキスト固有複合類似性関数（またはより一般的には、機械学習モデル１２０）が学習されてもよい。例えば、第１のコンテキスト固有複合類似性関数は血行力学的不安定性のために、第２の関数は急性腎障害のために、第３の関数はある種類の癌のために、第４の関数は別の種類の癌のために、第５の関数はＩ型糖尿病のために、第６の関数はＩＩ型糖尿病のために（以下同様）学習され得る。したがって、ブロック６１２において、システムは、ブロック６０６と同様に、第２の複数のラベル付きエンティティベクトルを第２のコンテキストトレーニングデータとして提供することができる。

［００５２］ブロック６１４において、システムは近似関数（例えば、上記の式（６））を適用することで、第２のコンテキストトレーニングデータのそれぞれのラベル付きエンティティベクトルについて、複合類似性関数の出力と、第２のコンテキストトレーニングデータのその他のラベル付きエンティティベクトルのそれぞれの第２のコンテキストラベルとに基づき、各ラベル付きエンティティベクトルデータのための第２のコンテキストラベルを近似することができる。この動作はブロック６０８と同様であり得る。ブロック６１６において、システムは、ブロック６１０と同様に、複合類似性関数に基づいて第２のコンテキスト固有複合類似性関数を訓練し得る。一部の実施形態では、ブロック６０６～６１０は、必要に応じた数の複数の異なるコンテキストのために繰り返されてもよく、その結果、コンテキスト的に類似するエンティティを見つけるために、および／または特定のコンテキストにおけるクエリエンティティの状態を予測するために後に選択的に適用され得る複数のコンテキスト固有複合類似性関数からなる「ライブラリ」が得られる。

［００５３］図７は、コンテキスト的に類似するエンティティを識別するために、本開示の選択された側面を実施する、すなわち、複数のテンプレート類似性関数、および図６に示されるような動作を使用して学習が行われた１つまたは複数のコンテキスト固有機械学習モデル（例えば、複合類似性関数）を適用する方法７００の例を示す。便宜上、動作を実行するシステムを参照しながらフローチャートの動作を説明する。このシステムは、エンティティ類似性システム１０４および／または臨床医決定アプリケーション１１２を含む様々なコンピュータシステムの様々なコンポーネントを含み得る。さらに、方法７００の動作は特定の順番で示されているが、これは限定を意味するものではない。１つまたは複数の動作が並べ替え、省略、または追加され得る。

［００５４］ブロック７０２において、システムは、インターフェース上にクエリエンティティの第１の値を表示することができる。様々な実施形態において、第１の値は第１のコンテキストに関連し、第１のクエリエンティティは関心対象のエンティティ、例えば、臨床医によって検査されているクエリ患者であってもよい。第１のコンテキストに関連する第１の値の例は図３～図４に示されており、コンテキストは血行力学的不安定性で、値はＨＩＩスコアとしての７８である。ブロック７０４において、システムは、複数の訓練された類似性関数から、第１のコンテキストに関連付けられた第１の訓練された類似性関数を選択することができる。複数の訓練された類似性関数は、例えば、図６の動作を使用して学習された複数のコンテキスト固有複合類似性関数を含み得る。一例として、臨床医が図４のボタン４４０を選択すると、血行力学的不安定性のために訓練されたコンテキスト固有複合類似性関数の選択がトリガーされ得る。特に、選択されたコンテキスト固有複合類似性関数は、上記の式（６）～（７）等の式を使用して学習された血行力学的不安定性に固有の重みを含み得る。

［００５５］ブロック７０６において、システムは、選択された第１の訓練された類似性関数を、クエリエンティティに関連付けられた特徴セット、および複数の候補エンティティに関連付けられたそれぞれの特徴セットに適用し得る。例えば、クエリ患者特徴ベクトルは人口統計（例えば、年齢、体重、性別等）、併存症、バイタルサイン（例えば、心拍数、収縮期血圧等）、および／または検査結果（例えば、ナトリウム、乳酸、マグネシウム等）等の特徴を含み得る。候補患者特徴ベクトルはレトロスペクティブ患者データベース１０６から選択されてもよく、同様の特徴を含み得る。一部の実施形態では、患者特徴ベクトル（クエリまたは候補）は、潜在変数モデルから抽出された特徴、例えば、ディープニューラルネットワークの隠れ層から抽出された特徴を含み得る。様々な実施形態において、クエリ患者特徴ベクトルおよび候補患者特徴ベクトルは、テンプレート類似性関数１１８のプールへの入力として適用されてもよい。これらの関数のそれぞれの出力は機械学習モデル１２０への入力として適用され、機械学習モデルは、上記のように、選択されたコンテキストのために訓練された類似性関数（例えば、式（３）の複合類似性関数）であり得る。

［００５６］ブロック７０８において、システムは、ブロック７０６での第１の訓練された類似性関数の適用に基づいて、複数の候補エンティティから１つまたは複数の類似する候補エンティティのセットを選択し得る。例えば、一部の実施形態では、システムは、クエリ患者に対するコンテキスト的類似性によってランク付けされた候補患者のリストを返し得る。ブロック７１０において、システムは、例えば臨床医決定アプリケーション１１２によって、１つまたは複数の類似する候補エンティティからなる第１のセットに関連付けられた情報をインターフェース上に表示し得る。

［００５７］ブロック７１０で表示される情報は様々な形式を取り得る。一部の実施形態では、例えば、返されるコンテキスト的に類似した候補患者ごとに別個のパネルが含まれ得る。各パネルは、それぞれの候補患者に関する様々なコンテキスト固有の情報を表示し得る。一部の実施形態では、候補患者に関するより詳細な情報を表示するために、対応するパネルが臨床医によって選択されてもよい。追加でまたは代替として、この情報は、転帰や、適用された治療等の属性によってグループ分けされたコンテキスト的に類似する患者の複数のグループの中で、コンテキスト的に類似する患者に関する様々な統計情報（例えば、治療や転帰等に関する統計情報）を含み得る。このような統計情報の例は図５に示されている。

［００５８］図８は、コンピュータシステム８１０の例のブロック図である。コンピュータシステム８１０は、典型的には、バスサブシステム８１２を介して多数の周辺デバイスと通信する少なくとも１つのプロセッサ８１４を含む。これらの周辺デバイスは、例えばメモリサブシステム８２５およびファイルストレージサブシステム８２６を含むストレージサブシステム８２４と、ユーザインターフェース出力デバイス８２０と、ユーザインターフェース入力デバイス８２２と、ネットワークインターフェースサブシステム８１６とを含み得る。入力デバイスおよび出力デバイスは、ユーザがコンピュータシステム８１０とインタラクションすることを可能にする。ネットワークインターフェースサブシステム８１６は、外部ネットワークへのインターフェースを提供し、他のコンピュータシステムの対応するインターフェースデバイスに結合される。

［００５９］ユーザインターフェース入力デバイス８２２は、キーボード、ポインティングデバイス（例えば、マウス、トラックボール、タッチパッド、またはグラフィックタブレット）、スキャナ、ディスプレイに組み込まれたタッチスクリーン、オーディオ入力デバイス（例えば、音声認識システム、マイク）、および／または他の種類の入力デバイスを含み得る。一般的に、「入力デバイス」という用語の使用は、コンピュータシステム８１０または通信ネットワークに情報を入力するためのあらゆる可能な種類のデバイスおよび方法を含むことが意図される。

［００６０］ユーザインターフェース出力デバイス８２０は、ディスプレイサブシステム、プリンタ、ファックス機、またはオーディオ出力デバイス等の非視覚的ディスプレイを含み得る。ディスプレイサブシステムは、陰極線管（ＣＲＴ）、液晶ディスプレイ（ＬＣＤ）等のフラットパネルデバイス、投影デバイス、または視認可能な画像を作成するための他の何らかのメカニズムを含み得る。ディスプレイサブシステムは、例えばオーディオ出力デバイス等を介して、非視覚的ディスプレイを提供してもよい。一般的に、「出力デバイス」という用語の使用は、コンピュータシステム８１０からの情報を、対象者または別のマシンもしくはコンピュータシステムに出力するためのあらゆる可能な種類のデバイスおよび方法を含むことが意図される。

［００６１］ストレージサブシステム８２４は、本明細書に記載のモジュール／エンジンの一部または全ての機能を提供するプログラミングおよびデータ構造を保存する。例えば、ストレージサブシステム８２４は、方法６００および／または７００の選択された側面を実行するため、および／または様々な図面に示される１つまたは複数のコンポーネントを実施するためのロジックを含み得る。ストレージサブシステム８２４内で使用されるメモリ８２５は、プログラム実行中に命令およびデータを格納するためのメインランダムアクセスメモリ（ＲＡＭ）８３０と、固定命令が格納されるリードオンリーメモリ（ＲＯＭ）８３２とを含む多数のメモリを含み得る。ファイルストレージサブシステム８２６は、プログラムおよびデータファイルのための永続的（ｐｅｒｓｉｓｔｅｎｔ）ストレージを提供し、ハードディスクドライブ、ＣＤ－ＲＯＭドライブ、光学ドライブ、またはリムーバブルメディアカートリッジを含み得る。特定の実施の機能を実施するモジュールが、ストレージサブシステム８２４内のファイルストレージサブシステム８２６によって、またはプロセッサ８１４によってアクセス可能な他のマシン内に格納され得る。

［００６２］バスサブシステム８１２は、コンピュータシステム８１０の様々なコンポーネントおよびサブシステムが意図したとおりに互いに通信することを可能にするメカニズムを提供する。バスサブシステム８１２は単一のバスとして概略的に示されているが、バスサブシステムの代替的実施は複数のバスを使用してもよい。

［００６３］コンピュータシステム８１０は、ワークステーション、サーバ、コンピューティングクラスター、ブレードサーバ、サーバファーム、スマートフォン、スマートウォッチ、スマートグラス、セットトップボックス、タブレットコンピュータ、ラップトップ、または他の任意のデータ処理システムもしくはコンピューティングデバイスを含む様々なタイプのものであり得る。コンピュータおよびネットワークの絶えず変化する性質のため、図８に示されるコンピュータシステム８１０の記載は、一部の実施を例示するための具体例としてのみ意図される。図８に示されるコンピュータシステムよりも多いまたは少ないコンポーネントを有するコンピュータシステム８１０の他の多くの構成が可能である。

［００６４］本明細書ではいくつかの独創的実施形態を記載および図示してきたが、当業者は、機能を実行するための、および／または、結果および／または本明細書に記載される１つまたは複数の利点を得るための様々な他の手段および／または構造を容易に思いつくであろう。そのようなバリエーションおよび／または変形は、本明細書に記載の独創的実施形態の範囲内に含まれると見なされる。より一般的には、当業者は、本明細書に記載されている全てのパラメータ、寸法、材料、および構成が例示であり、実際のパラメータ、寸法、材料、および／または構成は、本発明の教示が利用される具体的用途に依存することを容易に理解するであろう。当業者は、本明細書に記載の具体的な独創的実施形態に対する多くの均等物を認識する、または、慣例的な実験より多くを使用することなく確認することができるであろう。したがって、上記実施形態は例として提示されたに過ぎず、添付の特許請求の範囲およびその均等物の範囲内で、具体的に記載および請求された以外の態様で独創的実施形態を実施できることを理解されたい。本開示の独創的実施形態は、本明細書に記載の個々の特徴、システム、物品、材料、キット、および／または方法を対象とする。また、２つ以上のそのような特徴、システム、物品、材料、キット、および／または方法の任意の組み合わせが、そのような特徴、システム、物品、材料、キット、および／または方法が互いに矛盾しない場合、本開示の発明の範囲内に含まれる。

［００６５］本明細書で定義および使用される全ての定義は、辞書の定義、参照により組み込まれる文書内の定義、および／または定義された用語の通常の意味に優先するものと理解されたい。

［００６６］本明細書および特許請求の範囲において使用される単数形は、特に明記しない限り、「少なくとも１つ」を意味すると理解されるべきである。

［００６７］本明細書および特許請求の範囲において使用される「および／または」という表現は、結合された要素の「いずれかまたは両方」を意味すると理解されるべきであり、すなわち、それらの要素はある場合には結合して存在し、他の場合には分離して存在する。「および／または」によって列挙された複数の要素も同様に解釈されるべきであり、すなわち、結合された要素の「１つまたは複数」を意味する。「および／または」の節によって具体的に特定された要素以外の要素が、具体的に特定された要素に関連するか否かに関わらず、任意選択的に存在し得る。したがって、非限定的な例として、「備える」等の非限定的な言語と合わせて使用される場合、「Ａおよび／またはＢ」への言及は、一実施形態ではＡのみ（任意選択的にＢ以外の要素を含む）を指し、別の実施形態ではＢのみ（任意選択的にＡ以外の要素を含む）を指し、さらに別の実施形態ではＡおよびＢの両方（任意選択的に他の要素を含む）を指し得る。

［００６８］本明細書および特許請求の範囲で使用される場合、「または」は、上記で定義された「および／または」と同じ意味を有すると理解されるべきである。例えば、列挙される項目を区切る場合、「または」または「および／または」は包括的であると解釈されるべきであり、すなわち、複数の要素または列挙される要素のうちの少なくとも１つを含むが、２つ以上も含まれ、また、任意選択的に列挙されていない追加の項目が含まれる。「１つのみ」または「ただ１つ」、またはクレームで使用されている場合の「からなる」等、明確に反する旨を示す用語に限り、複数の要素または列挙される要素のうちのただ１つを含むことを指す。一般的に、本明細書で使用される「または」という用語は、「どちらか」、「～のうちの１つ」、「～のうちの１つのみ」、または「ただ１つ」等の排他性を示す用語が先行する場合に限り、排他的な選択肢（すなわち、「両方ではなくどちらか一方」）を示すと解釈されるべきである。「から本質的になる」は、クレームで使用される場合、特許法の分野で使用される通常の意味を有するものとする。

［００６９］本明細書および特許請求の範囲で使用される場合、列挙される１つまたは複数の要素に関する「少なくとも１つ」という表現は、列挙される要素内の任意の１つまたは複数の要素から選択される少なくとも１つの要素を意味し、必ずしも、列挙される要素内に具体的に記されている全ての要素を少なくとも１つ含む必要はなく、また、列挙される要素内の複数の要素のいかなる組み合わせも除外しないことを理解されたい。この定義はまた、「少なくとも１つ」という表現が言及する要素のリスト内に具体的に特定される要素以外の要素の任意選択的存在を許容し、具体的に特定される要素に関連するか否かは問わない。したがって、非限定的な例として、「ＡおよびＢのうちの少なくとも１つ」（または同等に、「ＡまたはＢのうちの少なくとも１つ」、もしくは同等に「Ａおよび／またはＢのうちの少なくとも１つ」）は、一実施形態では少なくとも１つの（任意選択的に２つ以上含む）Ａを指し、Ｂは存在せず（任意選択的にＢ以外の要素が含まれる）、別の実施形態では少なくとも１つの（任意選択的に２つ以上含む）Ｂを指し、Ａは存在せず（任意選択的にＡ以外の要素が含まれる）、さらに別の実施形態では少なくとも１つの（任意選択的に２つ以上含む）Ａ、および少なくとも１つの（任意選択的に２つ以上含む）Ｂを指す（任意選択的に他の要素が含まれる）。

［００７０］また、特に明記しない限り、２つ以上のステップまたは動作を含む、請求されるいかなる方法においても、方法のステップまたは動作の順序は必ずしも、方法のステップまたは動作が列挙されている順序に限定されないことを理解されたい。

［００７１］特許請求の範囲および上記の明細書において、「備える」、「含む」、「保持する」、「有する」、「保有する」、「包含する」、「持つ」、および「構成する」等の全ての移行句が非限定的であるとして、すなわち、当該要素を含むが当該要素に限定されないことを意味すると理解されるべきである。米国特許庁特許審査手続便覧のセクション２１１１．０３に記載されているように、「からなる」および「から本質的になる」という移行句のみが、それぞれ限定的または準限定的な移行句である。特許協力条約（「ＰＣＴ」）の規則６．２（ｂ）に従ってクレーム内で使用される特定の表現および参照符号は範囲を制限しないことを理解されたい。

Claims (15)

1. １つまたは複数の類似するエンティティをユーザに提示するためのコンピュータ実施方法であって、前記コンピュータ実施方法は、１つまたは複数のプロセッサによって実施され、
   クエリエンティティの第１の値をインターフェース上に表示するステップであって、前記第１の値は第１のコンテキストに関連する、表示するステップと、
   機械学習アルゴリズムによって訓練された複数の異なる類似性関数である複数の訓練された類似性関数から、第１の訓練された類似性関数を選択するステップであって、前記第１のコンテキストに関連付けられている前記第１の訓練された類似性関数が選択される、選択するステップと、
   選択された前記第１の訓練された類似性関数を、前記クエリエンティティに関連付けられた特徴セット、および複数の候補エンティティにそれぞれ関連付けられた複数の特徴セットに適用するステップと、
   適用された前記第１の訓練された類似性関数に基づいて、前記複数の候補エンティティから１つまたは複数の類似する候補エンティティの第１のセットを選択するステップと、
   前記１つまたは複数の類似する候補エンティティの第１のセットに関連付けられた臨床情報を前記インターフェース上に表示するステップとを含む、コンピュータ実施方法。
2. 第２のコンテキストに関連する前記クエリエンティティの第２の値を前記インターフェース上に表示するステップと、
   前記複数の訓練された類似性関数から、第２の訓練された類似性関数を選択するステップであって、前記第２のコンテキストに関連付けられている前記第２の訓練された類似性関数が選択される、選択するステップと、
   選択された前記第２の訓練された類似性関数を、前記クエリエンティティに関連付けられた前記特徴セット、および前記複数の候補エンティティのそれぞれの前記特徴セットに適用するステップと、
   適用された前記第２の訓練された類似性関数に基づいて、前記複数の候補エンティティから１つまたは複数の類似する候補エンティティの第２のセットを選択するステップと、
   前記１つまたは複数の類似する候補エンティティの第２のセットに関連付けられた臨床情報を前記インターフェース上に表示するステップとをさらに含む、請求項１に記載のコンピュータ実施方法。
3. 前記１つまたは複数の候補エンティティの第１のセットに関連付けられた臨床情報を表示するステップは、
   前記１つまたは複数の候補エンティティの第１のセットの少なくとも１つの属性のそれぞれの値に従って、前記１つまたは複数の候補エンティティの第１のセットを複数のグループにグループ分けするステップと、
   前記複数のグループのそれぞれについて、前記第１のコンテキストに関連する第１の値を取得するステップと、
   各グループに関する臨床情報を、前記第１のコンテキストに関連するそれぞれの前記第１の値に関連付けて前記インターフェースに表示するステップとを含む、請求項１に記載のコンピュータ実施方法。
4. 前記第１のコンテキストに関連する前記第１の値は、臨床意思決定支援アルゴリズムによって取得されるスコアである、請求項３に記載のコンピュータ実施方法。
5. 前記少なくとも１つの属性は施された治療である、請求項４に記載のコンピュータ実施方法。
6. 前記少なくとも１つの属性は患者転帰である、請求項４に記載のコンピュータ実施方法。
7. 前記第１のコンテキストに関連するそれぞれの前記第１の値に関連付けられた、各グループに関する前記臨床情報は、患者転帰統計情報を含む、請求項３に記載のコンピュータ実施方法。
8. １つまたは複数のプロセッサと、前記１つまたは複数のプロセッサに動作可能に結合されたメモリとを備えるシステムであって、前記メモリは命令を保存し、前記１つまたは複数のプロセッサによって前記命令が実行されると、前記１つまたは複数のプロセッサは、
   クエリエンティティの第１の値をインターフェース上に表示することであって、前記第１の値は第１のコンテキストに関連する、表示することと、
   機械学習アルゴリズムによって訓練された複数の異なる類似性関数である複数の訓練された類似性関数から、第１の訓練された類似性関数を選択することであって、前記第１のコンテキストに関連付けられている前記第１の訓練された類似性関数が選択される、選択することと、
   選択された前記第１の訓練された類似性関数を、前記クエリエンティティに関連付けられた特徴セット、および複数の候補エンティティにそれぞれ関連付けられた複数の特徴セットに適用することと、
   適用された前記第１の訓練された類似性関数に基づいて、前記複数の候補エンティティから１つまたは複数の類似する候補エンティティの第１のセットを選択することと、
   前記１つまたは複数の類似する候補エンティティの第１のセットに関連付けられた臨床情報を前記インターフェース上に表示することとを実行する、システム。
9. 第２のコンテキストに関連する前記クエリエンティティの第２の値を前記インターフェース上に表示することと、
   前記複数の訓練された類似性関数から、第２の訓練された類似性関数を選択することであって、前記第２のコンテキストに関連付けられている前記第２の訓練された類似性関数が選択される、選択することと、
   選択された前記第２の訓練された類似性関数を、前記クエリエンティティに関連付けられた前記特徴セット、および前記複数の候補エンティティのそれぞれの前記特徴セットに適用することと、
   適用された前記第２の訓練された類似性関数に基づいて、前記複数の候補エンティティから１つまたは複数の類似する候補エンティティの第２のセットを選択することと、
   前記１つまたは複数の類似する候補エンティティの第２のセットに関連付けられた臨床情報を前記インターフェース上に表示することとを実行するための命令をさらに含む、請求項８に記載のシステム。
10. 前記１つまたは複数の候補エンティティの第１のセットに関連付けられた臨床情報を表示することは、
    前記１つまたは複数の候補エンティティの第１のセットの少なくとも１つの属性のそれぞれの値に従って、前記１つまたは複数の候補エンティティの第１のセットを複数のグループにグループ分けすることと、
    前記複数のグループのそれぞれについて、前記第１のコンテキストに関連する第１の値を取得することと、
    各グループに関する臨床情報を、前記第１のコンテキストに関連するそれぞれの前記第１の値に関連付けて前記インターフェース上に表示することとを含む、請求項８に記載のシステム。
11. 前記第１のコンテキストに関連する前記第１の値は、臨床意思決定支援アルゴリズムによって取得されるスコアである、請求項１０に記載のシステム。
12. 前記少なくとも１つの属性は施された治療である、請求項１１に記載のシステム。
13. 前記少なくとも１つの属性は患者転帰である、請求項１１に記載のシステム。
14. 前記第１のコンテキストに関連するそれぞれの前記第１の値に関連付けられた、各グループに関する前記臨床情報は、患者転帰統計情報を含む、請求項１０に記載のシステム。
15. コンピュータプログラムがコンピュータ上で実行されるときに、請求項１から７のいずれか一項に記載のコンピュータ実施方法を実施するコンピュータプログラムコード手段を含む、コンピュータプログラム。

Images