JP7368767B2 - 増悪リスク予測システム - Google Patents
増悪リスク予測システム Download PDFInfo
- Publication number
- JP7368767B2 JP7368767B2 JP2022033620A JP2022033620A JP7368767B2 JP 7368767 B2 JP7368767 B2 JP 7368767B2 JP 2022033620 A JP2022033620 A JP 2022033620A JP 2022033620 A JP2022033620 A JP 2022033620A JP 7368767 B2 JP7368767 B2 JP 7368767B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- exacerbation
- unit
- patient
- amount
- 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
- 230000005713 exacerbation Effects 0.000 title claims description 153
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 53
- 229910052760 oxygen Inorganic materials 0.000 claims description 53
- 239000001301 oxygen Substances 0.000 claims description 53
- 230000007613 environmental effect Effects 0.000 claims description 36
- 239000000428 dust Substances 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 12
- 239000007789 gas Substances 0.000 claims description 12
- 206010036790 Productive cough Diseases 0.000 claims description 11
- 230000000241 respiratory effect Effects 0.000 claims description 11
- 208000024794 sputum Diseases 0.000 claims description 11
- 210000003802 sputum Anatomy 0.000 claims description 11
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 229940079593 drug Drugs 0.000 claims description 9
- 239000003814 drug Substances 0.000 claims description 9
- 230000036387 respiratory rate Effects 0.000 claims description 8
- 206010011224 Cough Diseases 0.000 claims description 7
- 208000000059 Dyspnea Diseases 0.000 claims description 7
- 206010013975 Dyspnoeas Diseases 0.000 claims description 7
- 239000004576 sand Substances 0.000 claims description 7
- 208000013220 shortness of breath Diseases 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 6
- 239000001569 carbon dioxide Substances 0.000 claims description 6
- 208000023504 respiratory system disease Diseases 0.000 claims description 6
- 241000894006 Bacteria Species 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 5
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 5
- 241000700605 Viruses Species 0.000 claims description 5
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 5
- 239000013566 allergen Substances 0.000 claims description 4
- 206010062717 Increased upper airway secretion Diseases 0.000 claims description 3
- 208000026435 phlegm Diseases 0.000 claims description 3
- 239000003507 refrigerant Substances 0.000 description 11
- AKEJUJNQAAGONA-UHFFFAOYSA-N sulfur trioxide Chemical compound O=S(=O)=O AKEJUJNQAAGONA-UHFFFAOYSA-N 0.000 description 10
- 238000000034 method Methods 0.000 description 9
- 230000029058 respiratory gaseous exchange Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000012855 volatile organic compound Substances 0.000 description 5
- 238000004378 air conditioning Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000172 allergic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Optics & Photonics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
増悪リスク予測システムに関する。
ＣＯＰＤ（慢性閉塞性肺疾患）等の呼吸器疾患を患う患者は、増悪を起こすと入院することとなり、医療費が増大する。増悪を抑えるためには、増悪リスクを予測し、増悪が生じないように予め対処する必要がある。特許文献１（特許第７０００４２３号公報）では、患者の生体情報に基づいて、増悪リスクを予測する技術が開示されている。
特許文献１では、睡眠時を含む安静時の生体情報に基づいて、増悪リスクを予測しており、労作時の生体情報は考慮されていないため、増悪リスクを十分に予測することができない、という課題がある。
第１観点の増悪リスク予測システムは、呼吸器疾患を患う患者の増悪リスクを予測する。増悪リスク予測システムは、取得部と、記憶部と、予測部と、を備える。取得部は、生体情報と、患者情報と、を含む第１情報を取得する。生体情報は、患者の労作時及び安静時の情報である。患者情報は、病状に関する患者の情報である。記憶部は、第１情報を記憶する。予測部は、第１情報に基づいて、増悪リスクを予測する。
第１観点の増悪リスク予測システムでは、取得部は、生体情報と、患者情報と、を含む第１情報を取得する。生体情報は、患者の労作時及び安静時の生体情報である。予測部は、第１情報に基づいて、増悪リスクを予測する。その結果、増悪リスク予測システムは、患者の労作時及び安静時の生体情報に基づいて、増悪リスクを予測することができる。
第２観点の増悪リスク予測システムは、第１観点の増悪リスク予測システムであって、第１情報は、環境情報、をさらに含む。環境情報は、患者が居る建物の屋内及び／又は屋外の情報である。
第２観点の増悪リスク予測システムは、このような構成により、環境情報も考慮して、増悪リスクを予測することができる。
第３観点の増悪リスク予測システムは、第１観点又は第２観点の増悪リスク予測システムであって、生体情報は、呼吸数、呼吸波形、呼気ガス成分量、血中酸素濃度、心拍数、身長、体重、の内の少なくとも１つである。
第４観点の増悪リスク予測システムは、第１観点から第３観点のいずれかの増悪リスク予測システムであって、患者情報は、病状の進行度、対標準１秒量、処方流量、既往歴、服薬の種類、咳の程度、痰の程度、痰の色、息切れの程度、睡眠の程度、及び体調、の内の少なくとも１つである。
第５観点の増悪リスク予測システムは、第２観点の増悪リスク予測システムであって、屋内の環境情報は、温度、湿度、二酸化炭素濃度、一酸化炭素濃度、オゾン濃度、ＳＯ３濃度、屋外との寒暖差、塵埃量、ＰＭ２．５の量、黄砂量、カビの量、ウイルスの量、ＶＯＣの量、花粉量、アレルギー物質量、菌の量、酸素濃度、気流、及び気圧、の内の少なくとも１つである。屋外の環境情報は、温度、湿度、天候、気圧、塵埃量、ＰＭ２．５の量、及び黄砂量、の内の少なくとも１つである。
第６観点の増悪リスク予測システムは、第１観点から第５観点のいずれかの増悪リスク予測システムであって、学習部、をさらに備える。学習部は、第１情報と、増悪に関する評価と、を関連付けて学習する。予測部は、第１情報を、学習部が作成した学習モデルに入力することにより、増悪リスクを予測する。
第６観点の増悪リスク予測システムは、このような構成により、学習モデルを用いて、増悪リスクを予測することができる。
第７観点の増悪リスク予測システムは、第１観点から第６観点のいずれかの増悪リスク予測システムであって、提示部、をさらに備える。提示部は、予測部により予測した増悪リスクに基づいて、患者に、増悪リスクに関する案内を提示する。
第７観点の増悪リスク予測システムは、このような構成により、増悪リスクが比較的高い場合に、患者に増悪リスクを知らせることができる。
第８観点の増悪リスク予測システムは、第２観点の増悪リスク予測システムであって、操作部、をさらに備える。操作部は、予測部により予測した増悪リスクに基づいて、増悪リスクが改善するように、建物に設置された空気調和機を操作する。
（１）全体構成
増悪リスク予測システム１は、呼吸器疾患を患う患者Ｐの増悪リスクを予測する。図１は、増悪リスク予測システム１の概略構成図である。図１に示すように、増悪リスク予測システム１は、予測装置１０と、酸素濃縮装置２０と、患者端末３０と、医師端末４０と、空気調和機５０と、を有する。予測装置１０と、酸素濃縮装置２０と、患者端末３０と、医師端末４０と、空気調和機５０とは、ネットワークＮＷを介して、通信可能に接続されている。ネットワークＮＷは、例えば、インターネットである。
増悪リスク予測システム１は、呼吸器疾患を患う患者Ｐの増悪リスクを予測する。図１は、増悪リスク予測システム１の概略構成図である。図１に示すように、増悪リスク予測システム１は、予測装置１０と、酸素濃縮装置２０と、患者端末３０と、医師端末４０と、空気調和機５０と、を有する。予測装置１０と、酸素濃縮装置２０と、患者端末３０と、医師端末４０と、空気調和機５０とは、ネットワークＮＷを介して、通信可能に接続されている。ネットワークＮＷは、例えば、インターネットである。
建物ＢＬの屋内の対象空間ＳＰには、据え置き型の酸素濃縮装置２０が設置されている。酸素濃縮装置２０は、カニューラＮＣを通じて、患者Ｐに酸素を供給する。患者Ｐは、カニューラＮＣを装着しながら、建物ＢＬの屋内を動き回り、又は建物ＢＬの屋内で安静にしている。また、患者Ｐは、後述する患者情報Ｄ２等の各種情報を、患者端末３０を介して予測装置１０に入力する。
建物ＢＬには、対象空間ＳＰの空気調和を行うための空気調和機５０が設置されている。特に、対象空間ＳＰには、室内機５１が設置されている。また、対象空間ＳＰには、温度センサ、湿度センサ等の屋内環境センサＳＲ１が設置されている。予測装置１０と、屋内環境センサＳＲ１とは、ネットワークＮＷを介して、通信可能に接続されている。
患者Ｐは定期的に（本実施形態では、月に１度）通院し、医師Ｄの診察を受ける。医師Ｄは、診察時の診断結果等を、医師端末４０を介して予測装置１０に入力する。
予測装置１０は、酸素濃縮装置２０、患者端末３０、医師端末４０、及び屋内環境センサＳＲ１から各種情報を取得し、患者Ｐの増悪リスクを予測する。予測装置１０は、予測した患者Ｐの増悪リスクに基づいて、酸素濃縮装置２０、及び空気調和機５０に、各種情報を送信する。
（２）詳細構成
（２－１）予測装置
予測装置１０は、クラウド上に設置されるコンピュータである。図２は、予測装置１０の機能ブロック図である。図２に示すように、予測装置１０は、主として、記憶部１１と、入力部１２と、表示部１３と、通信部１４と、制御部１９と、を有する。
（２－１）予測装置
予測装置１０は、クラウド上に設置されるコンピュータである。図２は、予測装置１０の機能ブロック図である。図２に示すように、予測装置１０は、主として、記憶部１１と、入力部１２と、表示部１３と、通信部１４と、制御部１９と、を有する。
（２－１－１）記憶部
記憶部１１は、ＲＡＭ、ＲＯＭ、及びＨＤＤ等の記憶装置である。記憶部１１は、制御部１９が実行するプログラムや、プログラムの実行に必要なデータ等を記憶する。本実施形態では、記憶部１１は、特に、後述する第１情報を記憶する。
記憶部１１は、ＲＡＭ、ＲＯＭ、及びＨＤＤ等の記憶装置である。記憶部１１は、制御部１９が実行するプログラムや、プログラムの実行に必要なデータ等を記憶する。本実施形態では、記憶部１１は、特に、後述する第１情報を記憶する。
（２－１－２）入力部
入力部１２は、キーボード、及びマウスである。予測装置１０に対する各種命令や、各種情報は、入力部１２を用いて入力することができる。
入力部１２は、キーボード、及びマウスである。予測装置１０に対する各種命令や、各種情報は、入力部１２を用いて入力することができる。
（２－１－３）表示部
表示部１３は、モニターである。表示部１３には、記憶部１１に記憶された各種情報等を表示することができる。
表示部１３は、モニターである。表示部１３には、記憶部１１に記憶された各種情報等を表示することができる。
（２－１－４）通信部
通信部１４は、ネットワークＮＷを介して、酸素濃縮装置２０等と通信を行うためのネットワークインターフェイス機器である。
通信部１４は、ネットワークＮＷを介して、酸素濃縮装置２０等と通信を行うためのネットワークインターフェイス機器である。
（２－１－５）制御部
制御部１９は、ＣＰＵやＧＰＵ等のプロセッサである。制御部１９は、記憶部１１に記憶されているプログラムを読み込んで実行し、予測装置１０の様々な機能を実現する。また、制御部１９は、プログラムに従って、演算結果を記憶部１１に書き込んだり、記憶部１１に記憶されている情報を読み出したりすることができる。
制御部１９は、ＣＰＵやＧＰＵ等のプロセッサである。制御部１９は、記憶部１１に記憶されているプログラムを読み込んで実行し、予測装置１０の様々な機能を実現する。また、制御部１９は、プログラムに従って、演算結果を記憶部１１に書き込んだり、記憶部１１に記憶されている情報を読み出したりすることができる。
図２に示すように、制御部１９は、機能ブロックとして、取得部１９１と、学習部１９２と、予測部１９３と、提示部１９４と、操作部１９５と、を有する。
（２－１－５－１）取得部
取得部１９１は、生体情報Ｄ１と、患者情報Ｄ２と、環境情報Ｄ３と、を含む第１情報を取得する。第１情報は、後述する学習モデルＭの説明変数となる情報である。本実施形態では、第１情報は、生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３から構成される。
取得部１９１は、生体情報Ｄ１と、患者情報Ｄ２と、環境情報Ｄ３と、を含む第１情報を取得する。第１情報は、後述する学習モデルＭの説明変数となる情報である。本実施形態では、第１情報は、生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３から構成される。
（ａ）生体情報
生体情報Ｄ１は、患者Ｐの労作時及び安静時の情報である。生体情報Ｄ１は、呼吸数、呼吸波形、呼気ガス成分量、血中酸素濃度、心拍数、身長、体重、の内の少なくとも１つである。呼吸数は、１分当たりの呼吸の回数である。呼吸波形は、所定時間内の吸気及び呼気の強さを、それぞれ正及び負の振幅として表した波形である。言い換えると、呼吸波形は、所定時間内の複数の時刻における振幅の値である。呼気ガス成分量は、呼気ガスに含まれる、酸素、二酸化炭素等の各成分の割合である。
生体情報Ｄ１は、患者Ｐの労作時及び安静時の情報である。生体情報Ｄ１は、呼吸数、呼吸波形、呼気ガス成分量、血中酸素濃度、心拍数、身長、体重、の内の少なくとも１つである。呼吸数は、１分当たりの呼吸の回数である。呼吸波形は、所定時間内の吸気及び呼気の強さを、それぞれ正及び負の振幅として表した波形である。言い換えると、呼吸波形は、所定時間内の複数の時刻における振幅の値である。呼気ガス成分量は、呼気ガスに含まれる、酸素、二酸化炭素等の各成分の割合である。
本実施形態では、生体情報Ｄ１として、呼吸数、呼吸波形、及び呼気ガス成分量を用いる。取得部１９１は、呼吸数、呼吸波形、及び呼気ガス成分量を、１分毎に、酸素濃縮装置２０から取得する。
なお、生体情報Ｄ１として、血中酸素濃度、及び心拍数を用いる場合、取得部１９１は、血中酸素濃度、及び心拍数を、例えば、１分毎に、患者Ｐが装着しているパルスオキシメータや、スマートウォッチから取得する。このとき、患者Ｐは、予め、パルスオキシメータや、スマートウォッチを装着しておく。また、生体情報Ｄ１として、身長、及び体重を用いる場合、取得部１９１は、例えば、月に１度、患者Ｐから患者端末３０を介して、身長、及び体重を取得する。
（ｂ）患者情報
患者情報Ｄ２は、病状に関する患者Ｐの情報である。患者情報Ｄ２は、病状の進行度、対標準１秒量、処方流量、既往歴、服薬の種類、咳の程度、痰の程度、痰の色、息切れの程度、睡眠の程度、及び体調、の内の少なくとも１つである。病状の進行度は、病状の段階を示す「Ｉ期」から「ＩＶ期」までの値である。対標準１秒量は、年齢、体格、性別による予測１秒量に対するパーセント値である。処方流量は、酸素濃縮装置２０から患者Ｐに供給される、医師Ｄから処方された、労作時と安静時の酸素流量である。既往歴は、「糖尿病」等の病名である。服薬の種類は、服薬している薬の名称である。咳の程度、痰の程度、息切れの程度、睡眠の程度、及び体調は、例えば、それぞれの程度を示す１０段階の数値によって表される。痰の色は、「黄緑」、「緑」等の色名によって表される。
患者情報Ｄ２は、病状に関する患者Ｐの情報である。患者情報Ｄ２は、病状の進行度、対標準１秒量、処方流量、既往歴、服薬の種類、咳の程度、痰の程度、痰の色、息切れの程度、睡眠の程度、及び体調、の内の少なくとも１つである。病状の進行度は、病状の段階を示す「Ｉ期」から「ＩＶ期」までの値である。対標準１秒量は、年齢、体格、性別による予測１秒量に対するパーセント値である。処方流量は、酸素濃縮装置２０から患者Ｐに供給される、医師Ｄから処方された、労作時と安静時の酸素流量である。既往歴は、「糖尿病」等の病名である。服薬の種類は、服薬している薬の名称である。咳の程度、痰の程度、息切れの程度、睡眠の程度、及び体調は、例えば、それぞれの程度を示す１０段階の数値によって表される。痰の色は、「黄緑」、「緑」等の色名によって表される。
本実施形態では、患者情報Ｄ２として、病状の進行度、対標準１秒量、咳の程度、痰の程度、痰の色、息切れの程度、睡眠の程度、及び体調を用いる。取得部１９１は、月に１度の診察時に、医師Ｄから医師端末４０を介して、病状の進行度、及び対標準１秒量を取得する。また、取得部１９１は、月に１度、患者Ｐから患者端末３０を介して、咳の程度、痰の程度、痰の色、息切れの程度、睡眠の程度、及び体調を取得する。
なお、患者情報Ｄ２として、処方流量、既往歴、及び服薬の種類を用いる場合、取得部１９１は、例えば、月に１度の診察時に、医師Ｄから医師端末４０を介して、処方流量、既往歴、及び服薬の種類を取得する。
（ｃ）環境情報
環境情報Ｄ３は、患者Ｐが居る建物ＢＬの屋内及び／又は屋外の情報である。建物ＢＬの屋内の環境情報Ｄ３（以下、屋内環境情報Ｄ３１と記載することがある。）は、温度、湿度、二酸化炭素濃度、一酸化炭素濃度、オゾン濃度、ＳＯ３（三酸化硫黄）濃度、屋外との寒暖差、塵埃量、ＰＭ２．５の量、黄砂量、カビの量、ウイルスの量、ＶＯＣ（Ｖｏｌａｔｉｌｅ Ｏｒｇａｎｉｃ Ｃｏｍｐｏｕｎｄｓ、揮発性有機化合物）の量、花粉量、アレルギー物質量、菌の量、酸素濃度、気流、及び気圧、の内の少なくとも１つである。建物ＢＬの屋外の環境情報Ｄ３（以下、屋外環境情報Ｄ３２と記載することがある。）は、温度、湿度、天候、気圧、塵埃量、ＰＭ２．５の量、及び黄砂量、の内の少なくとも１つである。
環境情報Ｄ３は、患者Ｐが居る建物ＢＬの屋内及び／又は屋外の情報である。建物ＢＬの屋内の環境情報Ｄ３（以下、屋内環境情報Ｄ３１と記載することがある。）は、温度、湿度、二酸化炭素濃度、一酸化炭素濃度、オゾン濃度、ＳＯ３（三酸化硫黄）濃度、屋外との寒暖差、塵埃量、ＰＭ２．５の量、黄砂量、カビの量、ウイルスの量、ＶＯＣ（Ｖｏｌａｔｉｌｅ Ｏｒｇａｎｉｃ Ｃｏｍｐｏｕｎｄｓ、揮発性有機化合物）の量、花粉量、アレルギー物質量、菌の量、酸素濃度、気流、及び気圧、の内の少なくとも１つである。建物ＢＬの屋外の環境情報Ｄ３（以下、屋外環境情報Ｄ３２と記載することがある。）は、温度、湿度、天候、気圧、塵埃量、ＰＭ２．５の量、及び黄砂量、の内の少なくとも１つである。
本実施形態では、屋内環境情報Ｄ３１として、温度、及び湿度を用いる。取得部１９１は、１分毎に、屋内環境センサＳＲ１（具体的には、温度センサ、及び湿度センサ）から、対象空間ＳＰの温度、及び湿度を取得する。また、本実施形態では、屋外環境情報Ｄ３２として、温度、及び湿度を用いる。取得部１９１は、１分毎に、気象庁等の外部サーバから、ネットワークＮＷを介して、屋外の温度、及び湿度を取得する。
なお、屋内環境情報Ｄ３１として、二酸化炭素濃度、一酸化炭素濃度、オゾン濃度、ＳＯ３濃度、屋外との寒暖差、塵埃量、ＰＭ２．５の量、黄砂量、カビの量、ウイルスの量、ＶＯＣの量、花粉量、アレルギー物質量、菌の量、酸素濃度、気流、及び気圧を用いる場合、取得部１９１は、例えば、１分毎に、それぞれの情報を計測可能な屋内環境センサＳＲ１から、これらの情報を取得する。また、屋外環境情報Ｄ３２として、天候、気圧、塵埃量、ＰＭ２．５の量、及び黄砂量を用いる場合、取得部１９１は、例えば、１分毎に、気象庁等の外部サーバから、ネットワークＮＷを介して、これらの情報を取得する。
（２－１－５－２）学習部
学習部１９２は、生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３（第１情報）と、増悪に関する評価と、を関連付けて学習する。
学習部１９２は、生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３（第１情報）と、増悪に関する評価と、を関連付けて学習する。
学習部１９２は、生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３を説明変数とし、増悪に関する評価を目的変数とする学習モデルＭ、を作成するための学習用データセットを作成する。本実施形態では、学習部１９２は、学習用データセットを、１分毎に１レコードずつ作成する（以下、学習用データセットのレコードを、学習レコードと記載することがある）。新しく作成する学習レコードの生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３は、直前に取得部１９１により取得した生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３とする。例えば、生体情報Ｄ１に含まれる「呼吸数」は、１分毎に取得するため、学習データの「呼吸数」の値は、学習レコード毎に異なり得る。また、例えば、患者情報Ｄ２に含まれる「病状の進行度」は、月に１度取得するため、学習用データセットの「病状の進行度」の値は、約１か月毎に変化し得る。
増悪に関する評価は、「増悪（＝１）」又は「増悪でない（＝０）」の二値の値をとる。学習部１９２は、学習レコードを作成する毎に、当該学習レコードの生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３に基づき、増悪に関する評価を設定する。学習部１９２は、例えば、患者情報Ｄ２に含まれる「病状の進行度」等のすべての情報が、予め記憶しているそれぞれの閾値を超えている場合に、増悪に関する評価を「増悪」に設定する。また、学習部１９２は、例えば、生体情報Ｄ１に含まれる「呼吸波形」と、予め記憶している増悪時の呼吸波形とを比較し、これらの差分が所定の値を超えている場合に、増悪に関する評価を「増悪」に設定する。
学習部１９２は、学習用データセットを用いて、学習モデルＭを作成する。本実施形態では、学習部１９２は、週に１度、学習モデルＭを作成する。学習部１９２は、初めて学習モデルＭを作成する場合、それまでに作成した学習用データセットを用いて、学習モデルＭを作成する。学習部１９２は、２回目以降に学習モデルＭを作成する場合、前回の学習モデルＭの作成時以降に作成された学習用データセットを用いて、学習モデルＭを作成する（この場合は、学習モデルＭの更新を意味する）。本実施形態では、学習モデルＭは、全結合型のニューラルネットワークである。しかし、学習モデルＭは、これに限定されず、ＳＶＭ、ランダムフォレスト、ＸＧＢｏｏｓｔ等の他の学習モデルを用いてもよい。学習モデルＭは、入力層に説明変数の個数のノードを有し、出力層に１つのノードを有する。学習モデルＭの中間層の活性化関数は、ランプ関数とし、学習モデルＭの出力層の活性化関数は、シグモイド関数とする。言い換えると、学習モデルＭは、生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３が入力されると、増悪に関する評価が「増悪」である確率を示す「０」から「１」までの実数値を出力する。
また、学習部１９２は、屋内環境情報Ｄ３１の中から、「増悪に関する評価」に最も寄与する説明変数（以下、寄与変数と記載することがある。）と、出力される「増悪に関する評価」の値が、所定の値（本実施形態では、「０．５」）よりも小さくなり得る寄与変数の目標値と、を決定する。学習部１９２は、例えば、フィルタ法、ラッパー法等を用いて、寄与変数と、寄与変数の目標値と、を決定する。学習モデルＭがランダムフォレスト等である場合、学習部１９２は、組み込み法を用いて、寄与変数と、寄与変数の目標値と、を決定してもよい。
（２－１－５－３）予測部
予測部１９３は、生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３（第１情報）に基づいて、増悪リスクを予測する。具体的には、予測部１９３は、取得部１９１により取得した、生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３を、学習部１９２が作成した学習モデルＭに入力することにより、増悪リスクを予測する。
予測部１９３は、生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３（第１情報）に基づいて、増悪リスクを予測する。具体的には、予測部１９３は、取得部１９１により取得した、生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３を、学習部１９２が作成した学習モデルＭに入力することにより、増悪リスクを予測する。
本実施形態では、増悪リスクは、「０」から「１０」までの整数値によって表現される。数値が大きい程、増悪リスクは高い。予測部１９３は、生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３を学習モデルＭに入力し、増悪に関する評価が「増悪」である確率を示す「０」から「１」までの実数値を出力する。予測部１９３は、出力した値の小数第２位以降を切り捨て、さらに１０倍した値を、増悪リスクとして予測する。
予測部１９３は、１分毎に、直前に取得部１９１により取得した生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３を学習モデルＭに入力することにより、増悪リスクを予測する。言い換えると、予測部１９３は、１分毎に作成される学習レコードの生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３を学習モデルＭに入力することにより、増悪リスクを予測する。
（２－１－５－４）提示部
提示部１９４は、予測部１９３により予測した増悪リスクに基づいて、患者Ｐに、増悪リスクに関する案内を提示する。増悪リスクに関する案内は、予測された増悪リスクの値に応じて、内容が変更される。増悪リスクが「５」の場合、増悪リスクに関する案内は、例えば、「（増悪リスク「５」）注意：安静にしましょう。」というテキストデータである。また、増悪リスクが「８」の場合、増悪リスクに関する案内は、例えば、「（増悪リスク「８」）警告：医療機関へご相談をお勧めします。」というテキストデータである。
提示部１９４は、予測部１９３により予測した増悪リスクに基づいて、患者Ｐに、増悪リスクに関する案内を提示する。増悪リスクに関する案内は、予測された増悪リスクの値に応じて、内容が変更される。増悪リスクが「５」の場合、増悪リスクに関する案内は、例えば、「（増悪リスク「５」）注意：安静にしましょう。」というテキストデータである。また、増悪リスクが「８」の場合、増悪リスクに関する案内は、例えば、「（増悪リスク「８」）警告：医療機関へご相談をお勧めします。」というテキストデータである。
本実施形態では、提示部１９４は、酸素濃縮装置２０を介して、患者Ｐに、増悪リスクに関する案内を提示する。本実施形態では、提示部１９４は、増悪リスクが「５」以上である場合に、酸素濃縮装置２０に、増悪リスクに関する案内を送信する。
（２－１－５－５）操作部
操作部１９５は、予測部１９３により予測した増悪リスクに基づいて、増悪リスクが改善するように、建物ＢＬに設置された空気調和機５０を操作する。本実施形態では、操作部１９５は、予測部１９３により予測した増悪リスクが、所定の値（本実施形態では、「５」）以上である場合に、学習部１９２によって決定された寄与変数と、寄与変数の目標値と、に基づいて、次に予測される増悪リスクが、所定の値よりも小さくなるように、空気調和機５０に制御情報を送信する。例えば、寄与変数が「温度」、寄与変数の目標値が「２５℃」である場合、操作部１９５は、対象空間ＳＰの温度が２５℃となるように、空気調和機５０に制御情報を送信する。
操作部１９５は、予測部１９３により予測した増悪リスクに基づいて、増悪リスクが改善するように、建物ＢＬに設置された空気調和機５０を操作する。本実施形態では、操作部１９５は、予測部１９３により予測した増悪リスクが、所定の値（本実施形態では、「５」）以上である場合に、学習部１９２によって決定された寄与変数と、寄与変数の目標値と、に基づいて、次に予測される増悪リスクが、所定の値よりも小さくなるように、空気調和機５０に制御情報を送信する。例えば、寄与変数が「温度」、寄与変数の目標値が「２５℃」である場合、操作部１９５は、対象空間ＳＰの温度が２５℃となるように、空気調和機５０に制御情報を送信する。
（２－２）酸素濃縮装置
図３は、酸素濃縮装置２０の機能ブロック図である。図３に示すように、酸素濃縮装置２０は、ケーシング２１と、ケーシング２１の内部に設置される酸素発生部２２、流量調整部２３、記憶部２７、通信部２８、及び制御部２９と、ケーシング２１の表面に設置される酸素排出部２４、入力部２５、及び表示部２６と、を有する。
図３は、酸素濃縮装置２０の機能ブロック図である。図３に示すように、酸素濃縮装置２０は、ケーシング２１と、ケーシング２１の内部に設置される酸素発生部２２、流量調整部２３、記憶部２７、通信部２８、及び制御部２９と、ケーシング２１の表面に設置される酸素排出部２４、入力部２５、及び表示部２６と、を有する。
酸素発生部２２は、酸素濃縮ガスを発生させる。酸素発生部２２と酸素排出部２４とは、流量調整部２３を介して、流路ＦＰによって接続されている。酸素排出部２４には、カニューラＮＣが取り付けられている。カニューラＮＣの患者Ｐ側の先端には、患者Ｐの鼻に装着される一対の装着部が設けられている。酸素発生部２２により発生した酸素は、流路ＦＰ、酸素排出部２４、及びカニューラＮＣを介して、患者Ｐに供給される。このとき、流量調整部２３は、患者Ｐに供給される酸素流量を調整する。
入力部２５は、医師Ｄから処方された酸素流量等を入力するための装置である。表示部２６は、現在の酸素流量等を表示するための画面である。記憶部２７は、ＲＡＭ、ＲＯＭ、及びＨＤＤ等の記憶装置である。通信部２８は、ネットワークＮＷを介して、予測装置１０等と通信を行うためのネットワークインターフェイス機器である。
流量調整部２３と酸素排出部２４との間の流路ＦＰには、呼吸数、呼吸波形、及び呼気ガス成分量を検知するためのセンサＳＲ２が設けられている。
制御部２９は、ＣＰＵやＧＰＵ等のプロセッサである。制御部２９は、記憶部２７に記憶されているプログラムを読み込んで実行し、酸素濃縮装置２０の様々な機能を実現する。また、制御部２９は、プログラムに従って、演算結果を記憶部２７に書き込んだり、記憶部２７に記憶されている情報を読み出したりすることができる。
例えば、制御部２９は、入力部２５から入力された酸素流量に基づいて、流量調整部２３を制御し、患者Ｐに供給する酸素流量を調整する。また、例えば、制御部２９は、１分毎に、センサＳＲ２によって、呼吸数、呼吸波形、及び呼気ガス成分量を検知し、これらの情報を予測装置１０に送信する。また、例えば、制御部２９は、予測装置１０から増悪リスクに関する案内を受信すると、表示部２６に当該増悪リスクに関する案内を表示する。このとき、制御部２９は、音声と共に増悪リスクに関する案内を表示するように、構成されてもよい。
（２－３）患者端末、及び医師端末
患者端末３０、及び医師端末４０は、一般的なパーソナルコンピュータである。患者端末３０、及び医師端末４０は、ＣＰＵや、ＲＡＭ、ＲＯＭ及びＨＤＤ等の記憶装置を有する。また、患者端末３０、及び医師端末４０は、ネットワークＮＷに接続するための通信部を有する。また、患者端末３０、及び医師端末４０は、情報の入力部として、キーボード、及びマウスを有する。また、患者端末３０、及び医師端末４０は、情報の表示部として、ディスプレイを有する。
患者端末３０、及び医師端末４０は、一般的なパーソナルコンピュータである。患者端末３０、及び医師端末４０は、ＣＰＵや、ＲＡＭ、ＲＯＭ及びＨＤＤ等の記憶装置を有する。また、患者端末３０、及び医師端末４０は、ネットワークＮＷに接続するための通信部を有する。また、患者端末３０、及び医師端末４０は、情報の入力部として、キーボード、及びマウスを有する。また、患者端末３０、及び医師端末４０は、情報の表示部として、ディスプレイを有する。
患者Ｐは、月に１度、患者端末３０を介して、予測装置１０に、生体情報Ｄ１等を入力する。また、医師Ｄは、月に１度の診察時に、医師端末４０を介して、予測装置１０に、患者情報Ｄ２等を入力する。
（２－４）空気調和機
空気調和機５０は、蒸気圧縮式の冷凍サイクルを構成し、対象空間ＳＰの空気調和を行う。空気調和機５０は、主として、室内機５１と、室外機と、コントローラと、を有する。室内機５１と、室外機とは、冷媒回路を構成している。また、室内機５１と、室外機とは、通信線によって通信可能に接続されている。
空気調和機５０は、蒸気圧縮式の冷凍サイクルを構成し、対象空間ＳＰの空気調和を行う。空気調和機５０は、主として、室内機５１と、室外機と、コントローラと、を有する。室内機５１と、室外機とは、冷媒回路を構成している。また、室内機５１と、室外機とは、通信線によって通信可能に接続されている。
図１に示すように、本実施形態では、室内機５１は、対象空間ＳＰの壁に設置される、壁掛型のユニットである。室内機５１は、主として、室内熱交換器と、室内ファンと、室内制御部と、屋内温度センサ等の各種センサと、を有する。室内熱交換器は、室内熱交換器を流れる冷媒と、対象空間ＳＰの空気と、の間で熱交換を行わせる。室内ファンは、室内熱交換器に、対象空間ＳＰの空気を供給するファンである。室内制御部は、室内機５１を構成する各部の動作を制御する。室内制御部は、制御演算装置及び記憶装置を有する。
室外機は、対象空間ＳＰの外に設置される。室外機は、主として、圧縮機と、流路切換弁と、室外熱交換器と、室外膨張弁と、室外ファンと、室外制御部と、屋外温度センサ等の各種センサと、を有する。圧縮機は、低圧の冷媒を吸入し、圧縮機構によって冷媒を圧縮し、圧縮した冷媒を吐出することにより、冷媒回路内の冷媒を循環させる。流路切換弁は、冷房運転及び暖房運転を含む各種運転モードの間で、冷媒の流路を切り換える機構である。室外熱交換器は、室外熱交換器を流れる冷媒と、対象空間ＳＰの外の空気との間で熱交換を行わせる。室外膨張弁は、冷媒回路を流れる冷媒の圧力や流量を調節するための機構である。室外ファンは、室外熱交換器に、対象空間ＳＰの外の空気を供給するファンである。室外制御部は、室外機を構成する各部の動作を制御する。室外制御部は、制御演算装置及び記憶装置を有する。
コントローラは、室内制御部と、室外制御部と、から構成される。コントローラは、室内制御部及び室外制御部のそれぞれの制御演算装置に、それぞれの記憶装置に記憶されたプログラムを実行させることにより、空気調和機５０全体の動作を制御する。本実施形態では、コントローラは、特に、予測装置１０から受信する制御情報に基づいて、対象空間ＳＰの空気調和を行う。
（３）処理
増悪リスク予測システム１の処理の一例を、図４のフローチャートを用いて説明する。
増悪リスク予測システム１の処理の一例を、図４のフローチャートを用いて説明する。
前提として、増悪リスク予測システム１は、過去に学数のノードいると仮定する。
ステップＳ１に示すように、予測装置１０は、学習レコードを作成する。学習レコードの生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３は、直前に取得部１９１により取得した生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３とする。
ステップＳ１を終えると、ステップＳ２に示すように、予測装置１０は、前回、学習モデルＭを作成してから、１週間経過したか否か、を判定する。前回、学習モデルＭを作成してから、１週間経過している場合、ステップＳ３に進む。前回、学習モデルＭを作成してから、１週間経過していない場合、ステップＳ４に進む。
ステップＳ２からステップＳ３に進むと、ステップＳ３に示すように、予測装置１０は、前回の学習モデルＭの作成時以降に作成された学習用データセットを用いて、学習モデルＭを作成する。
ステップＳ２からステップＳ４に進むと、又はステップＳ３を終えると、ステップＳ４に示すように、予測装置１０は、作成した学習レコードの生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３を学習モデルＭに入力することにより、増悪リスクを予測する。
ステップＳ４を終えると、ステップＳ５に示すように、予測装置１０は、予測された増悪リスクが「５」以上であるか否か、を判定する。予測された増悪リスクが「５」以上である場合、ステップＳ６に進む。予測された増悪リスクが「５」以上ではない場合、ステップＳ８に進む。
ステップＳ５からステップＳ６に進むと、予測装置１０は、酸素濃縮装置２０に、増悪リスクに関する案内を送信する。酸素濃縮装置２０は、予測装置１０から増悪リスクに関する案内を受信すると、ステップＳ６に示すように、表示部２６に当該増悪リスクに関する案内を表示する。
ステップＳ６を終えると、予測装置１０は、次に予測される増悪リスクが、「０．５」よりも小さくなるように、空気調和機５０に制御情報を送信する。空気調和機５０は、予測装置１０から制御情報を受信すると、ステップＳ７に示すように、当該制御情報に基づいて、対象空間ＳＰの空気調和を行う。
ステップＳ５からステップＳ８に進むと、又はステップＳ７を終えると、ステップＳ８に示すように、予測装置１０は、学習レコードを作成してから１分間待機する。
ステップＳ８を終えると、ステップＳ１に示すように、予測装置１０は、再び、学習レコードを作成する。
（４）特徴
（４－１）
ＣＯＰＤ等の呼吸器疾患を患う患者は、増悪を起こすと入院することとなり、医療費が増大する。増悪を抑えるためには、増悪リスクを予測し、増悪が生じないように予め対処する必要がある。従来の技術としては、患者の生体情報に基づいて、増悪リスクを予測する技術が開示されている。
（４－１）
ＣＯＰＤ等の呼吸器疾患を患う患者は、増悪を起こすと入院することとなり、医療費が増大する。増悪を抑えるためには、増悪リスクを予測し、増悪が生じないように予め対処する必要がある。従来の技術としては、患者の生体情報に基づいて、増悪リスクを予測する技術が開示されている。
従来の技術では、睡眠時を含む安静時の生体情報に基づいて、増悪リスクを予測しており、労作時の生体情報は考慮されていないため、増悪リスクを十分に予測することができない、という課題がある。
本実施形態の増悪リスク予測システム１は、呼吸器疾患を患う患者Ｐの増悪リスクを予測する。増悪リスク予測システム１は、取得部１９１と、記憶部１１と、予測部１９３と、を備える。取得部１９１は、生体情報Ｄ１と、患者情報Ｄ２と、を含む第１情報を取得する。生体情報Ｄ１は、患者Ｐの労作時及び安静時の情報である。患者情報Ｄ２は、病状に関する患者Ｐの情報である。記憶部１１は、第１情報を記憶する。予測部１９３は、第１情報に基づいて、増悪リスクを予測する。
増悪リスク予測システム１では、取得部１９１は、生体情報Ｄ１と、患者情報Ｄ２と、を含む第１情報を取得する。生体情報Ｄ１は、患者Ｐの労作時及び安静時の情報である。予測部１９３は、第１情報に基づいて、増悪リスクを予測する。その結果、増悪リスク予測システム１は、患者Ｐの労作時及び安静時の生体情報Ｄ１に基づいて、増悪リスクを予測することができる。
（４－２）
本実施形態の増悪リスク予測システム１では、第１情報は、環境情報Ｄ３、をさらに含む。環境情報Ｄ３は、患者Ｐが居る建物ＢＬの屋内及び／又は屋外の情報である。
本実施形態の増悪リスク予測システム１では、第１情報は、環境情報Ｄ３、をさらに含む。環境情報Ｄ３は、患者Ｐが居る建物ＢＬの屋内及び／又は屋外の情報である。
その結果、増悪リスク予測システム１は、環境情報Ｄ３も考慮して、増悪リスクを予測することができる。
（４－３）
本実施形態の増悪リスク予測システム１では、生体情報Ｄ１は、呼吸数、呼吸波形、呼気ガス成分量、血中酸素濃度、心拍数、身長、体重、の内の少なくとも１つである。
本実施形態の増悪リスク予測システム１では、生体情報Ｄ１は、呼吸数、呼吸波形、呼気ガス成分量、血中酸素濃度、心拍数、身長、体重、の内の少なくとも１つである。
（４－４）
本実施形態の増悪リスク予測システム１では、患者情報Ｄ２は、病状の進行度、対標準１秒量、処方流量、既往歴、服薬の種類、咳の程度、痰の程度、痰の色、息切れの程度、睡眠の程度、及び体調、の内の少なくとも１つである。
本実施形態の増悪リスク予測システム１では、患者情報Ｄ２は、病状の進行度、対標準１秒量、処方流量、既往歴、服薬の種類、咳の程度、痰の程度、痰の色、息切れの程度、睡眠の程度、及び体調、の内の少なくとも１つである。
（４－５）
本実施形態の増悪リスク予測システム１では、屋内の環境情報Ｄ３（屋内環境情報Ｄ３１）は、温度、湿度、二酸化炭素濃度、一酸化炭素濃度、オゾン濃度、ＳＯ３濃度、屋外との寒暖差、塵埃量、ＰＭ２．５の量、黄砂量、カビの量、ウイルスの量、ＶＯＣの量、花粉量、アレルギー物質量、菌の量、酸素濃度、気流、及び気圧、の内の少なくとも１つである。屋外の環境情報Ｄ３（屋外環境情報Ｄ３２）は、温度、湿度、天候、気圧、塵埃量、ＰＭ２．５の量、及び黄砂量、の内の少なくとも１つである。
本実施形態の増悪リスク予測システム１では、屋内の環境情報Ｄ３（屋内環境情報Ｄ３１）は、温度、湿度、二酸化炭素濃度、一酸化炭素濃度、オゾン濃度、ＳＯ３濃度、屋外との寒暖差、塵埃量、ＰＭ２．５の量、黄砂量、カビの量、ウイルスの量、ＶＯＣの量、花粉量、アレルギー物質量、菌の量、酸素濃度、気流、及び気圧、の内の少なくとも１つである。屋外の環境情報Ｄ３（屋外環境情報Ｄ３２）は、温度、湿度、天候、気圧、塵埃量、ＰＭ２．５の量、及び黄砂量、の内の少なくとも１つである。
（４－６）
本実施形態の増悪リスク予測システム１は、学習部１９２、をさらに備える。学習部１９２は、第１情報と、増悪に関する評価と、を関連付けて学習する。予測部１９３は、第１情報を、学習部１９２が作成した学習モデルＭに入力することにより、増悪リスクを予測する。
本実施形態の増悪リスク予測システム１は、学習部１９２、をさらに備える。学習部１９２は、第１情報と、増悪に関する評価と、を関連付けて学習する。予測部１９３は、第１情報を、学習部１９２が作成した学習モデルＭに入力することにより、増悪リスクを予測する。
その結果、増悪リスク予測システム１は、学習モデルＭを用いて、増悪リスクを予測することができる。
（４－７）
本実施形態の増悪リスク予測システム１は、提示部１９４、をさらに備える。提示部１９４は、予測部１９３により予測した増悪リスクに基づいて、患者Ｐに、増悪リスクに関する案内を提示する。
本実施形態の増悪リスク予測システム１は、提示部１９４、をさらに備える。提示部１９４は、予測部１９３により予測した増悪リスクに基づいて、患者Ｐに、増悪リスクに関する案内を提示する。
その結果、増悪リスク予測システム１は、増悪リスクが比較的高い場合に、患者Ｐに増悪リスクを知らせることができる。
（４－８）
本実施形態の増悪リスク予測システム１は、操作部１９５、をさらに備える。操作部１９５は、予測部１９３により予測した増悪リスクに基づいて、増悪リスクが改善するように、建物ＢＬに設置された空気調和機５０を操作する。
本実施形態の増悪リスク予測システム１は、操作部１９５、をさらに備える。操作部１９５は、予測部１９３により予測した増悪リスクに基づいて、増悪リスクが改善するように、建物ＢＬに設置された空気調和機５０を操作する。
（５）変形例
（５－１）変形例１Ａ
本実施形態では、酸素濃縮装置２０は、据え置き型の装置であった。しかし、酸素濃縮装置２０は、携帯型の装置であってもよい。
（５－１）変形例１Ａ
本実施形態では、酸素濃縮装置２０は、据え置き型の装置であった。しかし、酸素濃縮装置２０は、携帯型の装置であってもよい。
（５－２）変形例１Ｂ
本実施形態では、予測装置１０は、屋内環境情報Ｄ３１を、屋内環境センサＳＲ１から取得した。しかし、予測装置１０は、屋内環境情報Ｄ３１を、空気調和機５０の室内機５１に設置された各種センサから取得してもよい。
本実施形態では、予測装置１０は、屋内環境情報Ｄ３１を、屋内環境センサＳＲ１から取得した。しかし、予測装置１０は、屋内環境情報Ｄ３１を、空気調和機５０の室内機５１に設置された各種センサから取得してもよい。
（５－３）変形例１Ｃ
本実施形態では、予測装置１０は、屋外環境情報Ｄ３２を、気象庁等の外部サーバから取得した。しかし、予測装置１０は、屋外環境情報Ｄ３２を、建物ＢＬの屋外に設置した屋外環境センサや、空気調和機５０の室外機に設置された各種センサから取得してもよい。
本実施形態では、予測装置１０は、屋外環境情報Ｄ３２を、気象庁等の外部サーバから取得した。しかし、予測装置１０は、屋外環境情報Ｄ３２を、建物ＢＬの屋外に設置した屋外環境センサや、空気調和機５０の室外機に設置された各種センサから取得してもよい。
（５－４）変形例１Ｄ
本実施形態では、第１情報は、生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３から構成された。しかし、第１情報は、さらに患者Ｐの活動情報を含んでもよい。
本実施形態では、第１情報は、生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３から構成された。しかし、第１情報は、さらに患者Ｐの活動情報を含んでもよい。
活動情報は、例えば、労作状況や、活動量等である。労作状況は、例えば、「労作」又は「安静」の二値の値をとる。活動量は、例えば、運動や身体活動の強度の単位である「メッツ」で表される量である。取得部１９１は、労作状況や、活動量を、例えば、１分毎に、患者Ｐが装着しているパルスオキシメータや、スマートウォッチから取得する。
（５－５）変形例１Ｅ
本実施形態では、予測装置１０は、一人の患者Ｐに関する第１情報を取得して、学習モデルＭを作成した。しかし、予測装置１０は、複数の患者に関する第１情報を取得し、これらを積み上げた学習用データセットを作成して、学習モデルＭを作成してもよい。その結果、予測装置１０は、複数の患者の情報を考慮した学習モデルを作成することができる。
本実施形態では、予測装置１０は、一人の患者Ｐに関する第１情報を取得して、学習モデルＭを作成した。しかし、予測装置１０は、複数の患者に関する第１情報を取得し、これらを積み上げた学習用データセットを作成して、学習モデルＭを作成してもよい。その結果、予測装置１０は、複数の患者の情報を考慮した学習モデルを作成することができる。
（５－６）変形例１Ｆ
本実施形態では、予測装置１０は、新しく作成する学習レコードの生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３として、直前に取得部１９１により取得した生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３を用いた。しかし、予測装置１０は、学習レコードの生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３として、直前に取得した生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３だけではなく、過去に取得した複数回分の生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３を用いてもよい。例えば、予測装置１０は、（本実施形態のように）直前に取得した１つの「呼吸数」だけではなく、過去に取得した複数回分の「呼吸数」も、説明変数として学習レコードに含めてもよい。その結果、予測装置１０は、より精度良く、増悪リスクを予測することができる。
本実施形態では、予測装置１０は、新しく作成する学習レコードの生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３として、直前に取得部１９１により取得した生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３を用いた。しかし、予測装置１０は、学習レコードの生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３として、直前に取得した生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３だけではなく、過去に取得した複数回分の生体情報Ｄ１、患者情報Ｄ２、及び環境情報Ｄ３を用いてもよい。例えば、予測装置１０は、（本実施形態のように）直前に取得した１つの「呼吸数」だけではなく、過去に取得した複数回分の「呼吸数」も、説明変数として学習レコードに含めてもよい。その結果、予測装置１０は、より精度良く、増悪リスクを予測することができる。
（５－７）
以上、本開示の実施形態を説明したが、特許請求の範囲に記載された本開示の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
以上、本開示の実施形態を説明したが、特許請求の範囲に記載された本開示の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
１ 増悪リスク予測システム
１１ 記憶部
１９１ 取得部
１９２ 学習部
１９３ 予測部
１９４ 提示部
１９５ 操作部
ＢＬ 建物
Ｄ１ 生体情報
Ｄ２ 患者情報
Ｄ３ 環境情報
Ｐ 患者
１１ 記憶部
１９１ 取得部
１９２ 学習部
１９３ 予測部
１９４ 提示部
１９５ 操作部
ＢＬ 建物
Ｄ１ 生体情報
Ｄ２ 患者情報
Ｄ３ 環境情報
Ｐ 患者
Claims (7)
- 呼吸器疾患を患う患者（Ｐ）の増悪リスクを予測する、増悪リスク予測システム（１）であって、
カニューラを通じて前記患者に酸素を供給する、酸素濃縮装置（２０）と、
前記カニューラを装着した前記患者の労作時及び安静時の生体情報（Ｄ１）と、病状に関する前記患者の情報である患者情報（Ｄ２）と、を含む第１情報を取得する、取得部（１９１）と、
前記第１情報を記憶する、記憶部（１１）と、
前記第１情報に基づいて、前記増悪リスクを予測する、予測部（１９３）と、
前記第１情報と、増悪に関する評価と、を関連付けて学習する、学習部（１９２）と、
を備え、
前記生体情報は、呼吸数、呼吸波形、及び呼気ガス成分量の内の少なくとも１つであり、
前記取得部は、前記呼吸数、前記呼吸波形、及び前記呼気ガス成分量を、前記酸素濃縮装置から取得し、
前記予測部は、前記第１情報を、前記学習部が作成した学習モデル（Ｍ）に入力することにより、前記増悪リスクを予測する、
増悪リスク予測システム（１）。 - 前記第１情報は、前記患者が居る建物（ＢＬ）の屋内及び／又は屋外の環境情報（Ｄ３）、をさらに含む、
請求項１に記載の増悪リスク予測システム（１）。 - 前記生体情報は、血中酸素濃度、心拍数、身長、体重、の内の少なくとも１つである、
請求項１又は２に記載の増悪リスク予測システム（１）。 - 前記患者情報は、病状の進行度、対標準１秒量、処方流量、既往歴、服薬の種類、咳の程度、痰の程度、痰の色、息切れの程度、睡眠の程度、及び体調、の内の少なくとも１つである、
請求項１から３のいずれか１つに記載の増悪リスク予測システム（１）。 - 前記屋内の環境情報は、温度、湿度、二酸化炭素濃度、一酸化炭素濃度、オゾン濃度、ＳＯ３濃度、前記屋外との寒暖差、塵埃量、ＰＭ２．５の量、黄砂量、カビの量、ウイルスの量、ＶＯＣの量、花粉量、アレルギー物質量、菌の量、酸素濃度、気流、及び気圧、の内の少なくとも１つであり、
前記屋外の環境情報は、温度、湿度、天候、気圧、塵埃量、ＰＭ２．５の量、及び黄砂量、の内の少なくとも１つである、
請求項２に記載の増悪リスク予測システム（１）。 - 前記予測部により予測した前記増悪リスクに基づいて、前記患者に、前記増悪リスクに関する案内を提示する、提示部（１９４）、
をさらに備える、
請求項１から５のいずれか１つに記載の増悪リスク予測システム（１）。 - 前記予測部により予測した前記増悪リスクに基づいて、前記増悪リスクが改善するように、前記建物に設置された空気調和機を操作する、操作部（１９５）、
をさらに備える、
請求項２に記載の増悪リスク予測システム（１）。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022033620A JP7368767B2 (ja) | 2022-03-04 | 2022-03-04 | 増悪リスク予測システム |
| PCT/JP2023/007256 WO2023167169A1 (ja) | 2022-03-04 | 2023-02-28 | 増悪リスク予測システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022033620A JP7368767B2 (ja) | 2022-03-04 | 2022-03-04 | 増悪リスク予測システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023128930A JP2023128930A (ja) | 2023-09-14 |
| JP7368767B2 true JP7368767B2 (ja) | 2023-10-25 |
Family
ID=87883757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022033620A Active JP7368767B2 (ja) | 2022-03-04 | 2022-03-04 | 増悪リスク予測システム |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7368767B2 (ja) |
| WO (1) | WO2023167169A1 (ja) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005034341A (ja) | 2003-07-14 | 2005-02-10 | Teijin Ltd | 酸素濃縮装置、在宅酸素療法システム |
| JP2005034472A (ja) | 2003-07-17 | 2005-02-10 | Teijin Ltd | 急性増悪の発生予測方法 |
| JP2013514822A (ja) | 2009-12-19 | 2013-05-02 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Ｃｏｐｄ増悪予測システム及び方法 |
| JP2020155099A (ja) | 2019-03-15 | 2020-09-24 | ダイキン工業株式会社 | 環境制御システム |
| US20200345955A1 (en) | 2019-04-30 | 2020-11-05 | Norton (Waterford) Limited | Inhaler system |
-
2022
- 2022-03-04 JP JP2022033620A patent/JP7368767B2/ja active Active
-
2023
- 2023-02-28 WO PCT/JP2023/007256 patent/WO2023167169A1/ja unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005034341A (ja) | 2003-07-14 | 2005-02-10 | Teijin Ltd | 酸素濃縮装置、在宅酸素療法システム |
| JP2005034472A (ja) | 2003-07-17 | 2005-02-10 | Teijin Ltd | 急性増悪の発生予測方法 |
| JP2013514822A (ja) | 2009-12-19 | 2013-05-02 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Ｃｏｐｄ増悪予測システム及び方法 |
| JP2020155099A (ja) | 2019-03-15 | 2020-09-24 | ダイキン工業株式会社 | 環境制御システム |
| US20200345955A1 (en) | 2019-04-30 | 2020-11-05 | Norton (Waterford) Limited | Inhaler system |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023167169A1 (ja) | 2023-09-07 |
| JP2023128930A (ja) | 2023-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6484617B2 (ja) | 治療装置の使用のための患者フィードバック | |
| JP5858927B2 (ja) | リアルタイム肺メカニクスを評価するためのシステム | |
| RU2712749C2 (ru) | Системы и способы оптимизации искусственной вентиляции легких на основании модели | |
| CN104135925B (zh) | 用于预测呼吸功的方法及设备 | |
| US20180103898A1 (en) | Method and system for visualizing mechanical ventilation information | |
| RU2641516C2 (ru) | Система и способ оценки силы дыхания в реальном времени и контроллер замкнутого контура | |
| US20210386291A1 (en) | Wearable device with cloud-based monitoring software | |
| US20110146683A1 (en) | Sensor Model | |
| US11554230B2 (en) | Ventilator-initiated decision support and waveform capture during ventilation | |
| CN111067525A (zh) | 确定由空气污染物造成的风险水平 | |
| US20240131289A1 (en) | Model-driven system integration in medical ventilators | |
| JP7368767B2 (ja) | 増悪リスク予測システム | |
| EP1402815B1 (en) | Apparatus for determination of recruitable volume of a lung | |
| US20220168527A1 (en) | Method and apparatus to guide mechanical ventilation | |
| JP2024521116A (ja) | デバイスの使用量および患者の人口統計に基づくコンプライアンス予測のためのシステムおよび方法 | |
| Kumar et al. | Design of a Smart Cloud Controlled based Artificial Ventilator Device Controller using Patients Vital Information in a Cloud Data Logs | |
| Recio-Garcia et al. | Becalm: Intelligent Monitoring of Respiratory Patients | |
| JP2020013204A (ja) | 医療用サーバ、在宅医療装置、システム | |
| US20230245768A1 (en) | Family ventilator dashboard for medical ventilator | |
| KR102493802B1 (ko) | 호흡 훈련 장치 및 이를 이용한 호흡 훈련 제공, 방법 시스템 및 프로그램 | |
| US20240269408A1 (en) | Systems and methods for supplemental oxygen delivery | |
| US20240148994A1 (en) | Methods and systems for transferring access to patient data between organizations | |
| US20220152327A1 (en) | Prediction and avoidance of adverse oxygen desaturation events in patients receiving supplemental oxygen | |
| Gowda et al. | Venti-Smart: Crafting Smart Ventilators with IoT Technology | |
| Bonini | The Current and Future Role of Technology in Respiratory Care |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230301 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230425 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230620 |
|
| 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: 20230912 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230925 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7368767 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |