JP7383440B2 - 診断支援システム、診断支援装置及びプログラム - Google Patents

診断支援システム、診断支援装置及びプログラム Download PDF

Info

Publication number
JP7383440B2
JP7383440B2 JP2019182726A JP2019182726A JP7383440B2 JP 7383440 B2 JP7383440 B2 JP 7383440B2 JP 2019182726 A JP2019182726 A JP 2019182726A JP 2019182726 A JP2019182726 A JP 2019182726A JP 7383440 B2 JP7383440 B2 JP 7383440B2
Authority
JP
Japan
Prior art keywords
change
amount
patient
intervention
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2019182726A
Other languages
English (en)
Other versions
JP2021060648A (ja
Inventor
優大 山▲崎▼
龍勲 朴
侑香 霜村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Priority to JP2019182726A priority Critical patent/JP7383440B2/ja
Priority to CN202011000224.4A priority patent/CN112614581A/zh
Priority to US17/062,920 priority patent/US11923089B2/en
Publication of JP2021060648A publication Critical patent/JP2021060648A/ja
Application granted granted Critical
Publication of JP7383440B2 publication Critical patent/JP7383440B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Description

本発明の実施形態は、診断支援システム、診断支援装置及びプログラムに関する。
医師は、患者の過去の検査情報や治療情報、その他患者に関する様々な医用情報をもとに、様々な意思決定を行なう。しかしながら、患者によっては大量の医用情報が記録されている場合もあり、その全てを把握することは容易でない。
特開２００４－１５４５６４号公報 特開２０１４－１９４７１２号公報 特開２０１９－９７８２８号公報
本発明が解決しようとする課題は、患者に関する医用情報の把握を容易にすることである。
実施形態の診断支援システムは、記憶部と、抽出部と、算出部と、表示制御部とを備える。記憶部は、患者の状態に関する患者情報と、前記患者への介入に関する介入情報とを含む医用情報を記憶する。抽出部は、前記医用情報における変化点を抽出する。算出部は、前記変化点の前後での前記患者情報の変化を示す第１変化量と、前記変化点の前後での前記介入情報の変化を示す第２変化量とを算出する。表示制御部は、前記第１変化量及び前記第２変化量の少なくとも一方に応じて設定した表示態様で、前記第１変化量及び前記第２変化量に基づく表示を行なう。
図１は、第１の実施形態に係る診断支援システムの構成の一例を示すブロック図である。 図２は、第１の実施形態に係る診断支援装置による処理の概要を示す図である。 図３は、第１の実施形態に係る医用情報の一例を示す図である。 図４は、第１の実施形態に係る変化点の抽出処理の一例を示す図である。 図５は、第１の実施形態に係る変化点の抽出処理の一例を示す図である。 図６は、第１の実施形態に係る第１期間及び第２期間の抽出処理の一例を示す図である。 図７は、第１の実施形態に係る第１期間及び第２期間の抽出処理の一例を示す図である。 図８は、第１の実施形態に係る第１変化量の算出処理の一例を示す図である。 図９は、第１の実施形態に係る第２変化量の算出処理の一例を示す図である。 図１０Ａは、第１の実施形態に係る表示態様の設定処理の一例を示す図である。 図１０Ｂは、第１の実施形態に係る表示態様の設定処理の一例を示す図である。 図１１Ａは、第１の実施形態に係る表示例を示す図である。 図１１Ｂは、第１の実施形態に係る表示例を示す図である。 図１１Ｃは、第１の実施形態に係る表示例を示す図である。 図１１Ｄは、第１の実施形態に係る表示例を示す図である。 図１２は、第１の実施形態に係る診断支援システムの処理の一連の流れを説明するためのフローチャートである。 図１３は、第２の実施形態に係る表示例を示す図である。
以下、添付図面を参照して、診断支援システム、診断支援装置及びプログラムの実施形態について詳細に説明する。なお、本願に係る診断支援システム、診断支援装置及びプログラムは、以下に示す実施形態によって限定されるものではない。
（第１の実施形態）
まず、第１の実施形態について説明する。第１の実施形態では、診断支援装置１０及びデータベース２０を含んだ診断支援システム１について説明する。
図１は、第１の実施形態に係る診断支援システム１の構成の一例を示すブロック図である。図１に示すように、第１の実施形態に係る診断支援システム１は、診断支援装置１０及びデータベース２０を備える。また、図１に示すように、診断支援装置１０及びデータベース２０は、ネットワークＮＷを介して相互に接続される。
データベース２０は、患者に関する医用情報を記憶する記憶装置である。なお、データベース２０は、記憶部の一例である。
一例を挙げると、データベース２０は、病院等で導入されている電子カルテシステムの一部として設置された電子カルテ保管装置である。また、一例を挙げると、データベース２０は、電子カルテシステムやＰＡＣＳ（Picture Archiving and Communication System）、放射線部門システム、検体検査システムといった種々の医療情報システムから種々の医用情報を取得し、取得した医用情報をプラットフォームとして管理する統合管理装置である。なお、図１においてはデータベース２０を１つ示すが、データベース２０は、物理的に分離した複数の記憶装置を組み合わせて構成されても構わない。また、これら複数の記憶装置は、互いに異なる施設に設置されるものであっても構わない。
ここで、患者に関する医用情報には、例えば、患者の状態に関する患者情報や、患者への介入に関する介入情報が含まれる。例えば、データベース２０は、各種の医用情報を、その医用情報が取得された日時の情報及び患者ＩＤに関連付けて記憶する。
例えば、患者情報には、検査によって収集された検査情報が含まれる。具体的には、検査情報の例としては、患者について計測されたバイタルデータ（例えば、脈拍数や心拍数、呼吸数、血圧、体温、経皮的動脈血酸素飽和度（ＳｐＯ２）等）、患者から収集された検体（血液等）の検査データ、患者から収集された医用画像データ、医用画像データの計測データ（血管径、血流量等）等が挙げられる。その他、患者情報には、患者の食事量や排尿量、患者が訴えた症状（痛みやかゆみ等）といった、患者の状態に関する種々の情報が含まれる。
また、介入情報には、例えば、患者に対して行なわれた治療に関する治療情報が含まれる。具体的には、治療情報の例としては、患者に対して行なわれた投薬の情報（投薬された薬剤の種類や量など）、手術や放射線治療、マッサージといった治療的処置の情報が挙げられる。その他、介入情報には、患者への介入に関する種々の情報が含まれる。一例を挙げると、データベース２０は、患者の回復に伴ってギプスが包帯に変更されたイベントを、介入情報として、変更された日時の情報及び患者ＩＤに関連付けて記憶する。また、一例を挙げると、データベース２０は、患者が痛みを訴えた部位に湿布を貼付したイベントを、介入情報として、変更された日時の情報及び患者ＩＤに関連付けて記憶する。
なお、医用情報は、病院に限らず、診療所や介護施設、検診施設等の医療施設において記録された情報であってもよい。或いは、医用情報は、患者の自宅等、医療施設外で記録された情報であってもよい。例えば、医用情報は、患者に装着されたウェアラブルデバイスにより任意の場所で記録された情報であってもよい。
診断支援装置１０は、データベース２０から取得した医用情報に基づく各種の表示を行なうことで、ユーザによる診断を支援する装置である。例えば、診断支援装置１０は、図１に示すように、入力インターフェース１０１と、ディスプレイ１０２と、記憶回路１０３と、処理回路１０４とを有する。
入力インターフェース１０１は、ユーザからの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路１０４に出力する。例えば、入力インターフェース１０１は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、音声入力回路等により実現される。なお、入力インターフェース１０１は、診断支援装置１０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。また、入力インターフェース１０１は、マウスやキーボード等の物理的な操作部品を備えるものだけに限られない。例えば、診断支援装置１０とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路１０４へ出力する電気信号の処理回路も入力インターフェース１０１の例に含まれる。
ディスプレイ１０２は、各種の情報を表示する。例えば、ディスプレイ１０２は、入力インターフェース１０１を介してユーザから各種指示や各種設定等を受け付けるためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）を表示する。また、ディスプレイ１０２は、後述する第１変化量及び第２変化量に基づく表示を行なう。例えば、ディスプレイ１０２は、液晶ディスプレイやＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイである。ディスプレイ１０２は、デスクトップ型でもよいし、診断支援装置１０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。
記憶回路１０３は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。例えば、記憶回路１０３は、診断支援装置１０に含まれる回路がその機能を実現するためのプログラムを記憶する。なお、記憶回路１０３は、診断支援装置１０とネットワークＮＷを介して接続されたサーバ群（クラウド）により実現されることとしてもよい。
処理回路１０４は、抽出機能１０４ａ、算出機能１０４ｂ、表示制御機能１０４ｃ及び制御機能１０４ｄを実行することで、診断支援装置１０全体の動作を制御する。ここで、抽出機能１０４ａは、抽出部の一例である。また、算出機能１０４ｂは、算出部の一例である。また、表示制御機能１０４ｃは、表示制御部の一例である。
例えば、処理回路１０４は、抽出機能１０４ａに対応するプログラムを記憶回路１０３から読み出して実行することにより、ネットワークＮＷを介してデータベース２０から医用情報を取得し、取得した医用情報における変化点を抽出する。また、例えば、処理回路１０４は、算出機能１０４ｂに対応するプログラムを記憶回路１０３から読み出して実行することにより、変化点の前後での患者情報の変化を示す第１変化量と、変化点の前後での介入情報の変化を示す第２変化量とを算出する。また、例えば、処理回路１０４は、表示制御機能１０４ｃに対応するプログラムを記憶回路１０３から読み出して実行することにより、ディスプレイ１０２において第１変化量及び第２変化量に基づく表示を行なう。また、例えば、処理回路１０４は、制御機能１０４ｄに対応するプログラムを記憶回路１０３から読み出して実行することにより、入力インターフェース１０１を介してユーザから受け付けた操作に基づいて、診断支援装置１０全体の動作を制御する。なお、処理回路１０４の各機能による処理については後に詳述する。
図１に示す診断支援装置１０においては、各処理機能がコンピュータによって実行可能なプログラムの形態で記憶回路１０３へ記憶されている。処理回路１０４は、記憶回路１０３からプログラムを読み出して実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路１０４は、読み出したプログラムに対応する機能を有することとなる。
なお、図１においては単一の処理回路１０４にて、抽出機能１０４ａ、算出機能１０４ｂ、表示制御機能１０４ｃ及び制御機能１０４ｄが実現するものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路１０４を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。また、処理回路１０４が有する各処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。
なお、ネットワークＮＷを介して接続可能であれば、診断支援装置１０及びデータベース２０が設置される場所は任意である。例えば、診断支援装置１０は、データベース２０と異なる病院に設置されてもよい。即ち、ネットワークＮＷは、院内で閉じたローカルネットワークにより構成されてもよいし、インターネットを介したネットワークでもよい。
上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、あるいは、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＳＰＬＤ）、複合プログラマブル論理デバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ：ＦＰＧＡ））等の回路を意味する。プロセッサは記憶回路１０３に保存されたプログラムを読み出し実行することで機能を実現する。
なお、図１においては、単一の記憶回路１０３が各処理機能に対応するプログラムを記憶するものとして説明した。しかしながら、実施形態はこれに限定されるものではない。例えば、複数の記憶回路１０３を分散して配置し、処理回路１０４は、個別の記憶回路１０３から対応するプログラムを読み出す構成としても構わない。また、記憶回路１０３にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは、回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。
また、処理回路１０４は、ネットワークＮＷを介して接続された外部装置のプロセッサを利用して、機能を実現することとしてもよい。例えば、処理回路１０４は、記憶回路１０３から各機能に対応するプログラムを読み出して実行するとともに、診断支援装置１０とネットワークＮＷを介して接続されたサーバ群（クラウド）を計算資源として利用することにより、図１に示す各機能を実現する。
以上、診断支援装置１０及びデータベース２０を含んだ診断支援システム１について説明した。かかる構成のもと、診断支援システム１における診断支援装置１０は、処理回路１０４による処理により、患者に関する医用情報の把握を容易にする。なお、以下では、ユーザが患者Ｐ１の医用情報を把握するための処理を一例として説明する。
まず、図２を用いて、診断支援装置１０による処理の概要を説明する。例えば、診断支援装置１０は、まず、データベース２０から、患者Ｐ１に関する医用情報を取得する。例えば、診断支援装置１０は、患者Ｐ１の患者ＩＤに基づいて、患者Ｐ１に関する患者情報及び介入情報を含んだ医用情報を取得する。なお、図２は、第１の実施形態に係る診断支援装置１０による処理の概要を示す図である。
次に、診断支援装置１０は、医用情報における変化点を抽出する。次に、診断支援装置１０は、変化点前後での患者情報の変化を示す第１変化量と、変化点前後での介入情報の変化を示す第２変化量とを算出する。次に、診断支援装置１０は、第１変化量及び第２変化量の少なくとも一方に応じて表示態様を設定する。そして、診断支援装置１０は、設定した表示態様で、第１変化量及び第２変化量に基づく表示を行なう。
次に、診断支援装置１０による処理についてより詳細に説明する。まず、図３を用いて、データベース２０から取得する医用情報について説明する。図３は、第１の実施形態に係る医用情報の一例を示す図である。例えば、抽出機能１０４ａは、ネットワークＮＷを介して、図３に示す介入情報及び患者情報を取得する。例えば、抽出機能１０４ａは、患者Ｐ１に関する診断を行なう旨の指示をユーザから受け付けたことをトリガとして、データベース２０から、図３に示す介入情報及び患者情報を取得する。
図３に示す介入情報は、「２０１９．５．１７」から「２０１９．５．２４」までの各日における利尿剤及び強心剤の投薬の記録である。換言すると、図３に示す介入情報は、利尿剤及び強心剤の投薬に関する時系列情報である。
具体的には、図３は、「２０１９．５．１７」には、利尿剤及び強心剤が投薬されなかったことを示す。また、図３は、「２０１９．５．１８」には、利尿剤が「１０」投薬され、強心剤は投薬されなかったことを示す。また、図３は、「２０１９．５．１９」には、利尿剤が「１０」投薬され、強心剤が「２０」投薬されたことを示す。また、図３は、「２０１９．５．２０」には、利尿剤及び強心剤が投薬されなかったことを示す。また、図３は、「２０１９．５．２１」には、利尿剤が「１０」投薬され、強心剤は投薬されなかったことを示す。また、図３は、「２０１９．５．２２」、「２０１９．５．２３」及び「２０１９．５．２４」には、利尿剤及び強心剤が投薬されなかったことを示す。
また、図３に示す患者情報は、「２０１９．５．１７」から「２０１９．５．２４」までの各日におけるＮＴ－ｐｒｏＢＮＰ、及び、単位時間当たりの呼吸数の記録である。換言すると、図３に示す患者情報は、ＮＴ－ｐｒｏＢＮＰ及び呼吸数に関する時系列情報である。
具体的には、図３は、「２０１９．５．１７」には、ＮＴ－ｐｒｏＢＮＰが「１９２」で、呼吸数が「８」だったことを示す。また、図３は、「２０１９．５．１８」には、ＮＴ－ｐｒｏＢＮＰが「１８５」で、呼吸数が「１２」だったことを示す。また、図３は、「２０１９．５．１９」には、ＮＴ－ｐｒｏＢＮＰが「２００」で、呼吸数が「１４」だったことを示す。また、図３は、「２０１９．５．２０」には、ＮＴ－ｐｒｏＢＮＰが「１８０」で、呼吸数が「１３」だったことを示す。また、図３は、「２０１９．５．２１」には、ＮＴ－ｐｒｏＢＮＰが「９２」で、呼吸数が「２３」だったことを示す。また、図３は、「２０１９．５．２２」には、ＮＴ－ｐｒｏＢＮＰが「１００」で、呼吸数が「２１」だったことを示す。また、図３は、「２０１９．５．２３」には、ＮＴ－ｐｒｏＢＮＰが「８９」で、呼吸数が「２０」だったことを示す。また、図３は、「２０１９．５．２４」には、ＮＴ－ｐｒｏＢＮＰが「１０２」で、呼吸数が「１９」だったことを示す。
次に、抽出機能１０４ａは、医用情報における変化点を抽出する。例えば、抽出機能１０４ａは、図３に示した時系列情報について複数の時点を設定し、各時点の前後で医用情報の特徴を比較し、変化の程度が大きい時点を変化点として抽出する。
一例を挙げると、抽出機能１０４ａは、図４に示すように、「２０１９．５．１７～２０１９．５．１９」の３日間である期間ｘｔと、「２０１９．５．２０～２０１９．５．２２」の３日間である期間ｘｔ＋１とを設定する。なお、図４は、第１の実施形態に係る変化点の抽出処理の一例を示す図である。
次に、抽出機能１０４ａは、図５に示すように、期間ｘｔの医用情報を示す特徴ベクトルと、期間ｘｔ＋１の医用情報を示す特徴ベクトルとを比較することで、変化の程度を評価する。例えば、抽出機能１０４ａは、期間ｘｔの医用情報を示す特徴ベクトルと期間ｘｔ＋１の医用情報を示す特徴ベクトルとで引き算をし、算出したベクトルの大きさ（ノルム）を、変化の程度として評価することができる。なお、図５は、第１の実施形態に係る変化点の抽出処理の一例を示す図である。説明の便宜のため、図５においては２次元のベクトルを示すが、各特徴ベクトルは、利尿剤、強心剤、ＮＴ－ｐｒｏＢＮＰ及び呼吸数に対応した次元を有する４次元ベクトルとなる。
更に、抽出機能１０４ａは、図４に示すように、「２０１９．５．１８～２０１９．５．２０」の３日間である期間ｘｕと、「２０１９．５．２１～２０１９．５．２３」の３日間である期間ｘｕ＋１との間で変化の程度を評価する。同様に、抽出機能１０４ａは、「２０１９．５．１９～２０１９．５．２１」の３日間と、「２０１９．５．２２～２０１９．５．２４」の３日間との間で変化の程度を評価する。即ち、抽出機能１０４ａは、対象の時点をずらしながら、各時点について変化の程度を評価する。そして、抽出機能１０４ａは、変化の程度が大きい時点を変化点として抽出する。例えば、抽出機能１０４ａは、変化の程度が閾値よりも大きい時点を変化点として抽出する。
なお、図４においては、変化の程度を評価する際に３日間の期間（期間ｘｔ、期間ｘｔ＋１、期間ｘｕ、期間ｘｕ＋１等）を設定する場合について説明したが、設定する期間の長さについては特に限定されるものではない。また、抽出機能１０４ａは、設定する期間の長さを変化させながら変化の程度を評価してもよい。
例えば、抽出機能１０４ａは、「２０１９．５．１７～２０１９．５．１９」の３日間である期間ｘｔと、「２０１９．５．２０～２０１９．５．２２」の３日間である期間ｘｔ＋１との間で変化の程度を評価する。また、抽出機能１０４ａは、「２０１９．５．１８～２０１９．５．１９」の２日間と、「２０１９．５．２０～２０１９．５．２１」の２日間との間で変化の程度を評価する。また、抽出機能１０４ａは、「２０１９．５．１９」の１日間と、「２０１９．５．２０」の１日間との間で変化の程度を評価する。そして、抽出機能１０４ａは、これら３つの評価に基づいて、「２０１９．５．１９」と「２０１９．５．２０」との間の時点を変化点として抽出するか否かを判定する。例えば、抽出機能１０４ａは、これら３つの評価について平均値を算出し、平均値が閾値を超えるか否かに応じて、「２０１９．５．１９」と「２０１９．５．２０」との間の時点を変化点として抽出するか否かを判定する。また、抽出機能１０４ａは、「２０１９．５．１７～２０１９．５．２４」における他の各時点について同様に、変化点として抽出するか否かを判定する。このように、設定する期間の長さを変化させながら変化の程度を評価することで、抽出機能１０４ａは、瞬間的な変化及び滑らかな変化の双方を変化点として抽出することができる。
或いは、抽出機能１０４ａは、部分空間法を用いて変化点の抽出を行なってもよい。例えば、抽出機能１０４ａは、まず、期間ｘｔから複数の特徴ベクトルを取得する。具体的には、抽出機能１０４ａは、期間ｘｔから、「２０１９．５．１７～２０１９．５．１９」の３日間に基づく特徴ベクトル、「２０１９．５．１７～２０１９．５．１８」の２日間に基づく特徴ベクトル、「２０１９．５．１８～２０１９．５．１９」の２日間に基づく特徴ベクトル、「２０１９．５．１７」の１日間に基づく特徴ベクトル、「２０１９．５．１８」の１日間に基づく特徴ベクトル、「２０１９．５．１９」の１日間に基づく特徴ベクトルといった複数の特徴ベクトルを取得する。また、抽出機能１０４ａは、これら複数の特徴ベクトルに基づいて部分空間を算出する。
同様に、抽出機能１０４ａは、期間ｘｔ＋１から複数の特徴ベクトルを取得し、取得した複数の特徴ベクトルに基づいて部分空間を算出する。そして、抽出機能１０４ａは、期間ｘｔに基づく部分空間と期間ｘｔ＋１に基づく部分空間とを比較して、「２０１９．５．１９」と「２０１９．５．２０」との間の時点を変化点として抽出するか否かを判定する。また、抽出機能１０４ａは、「２０１９．５．１７～２０１９．５．２４」における他の各時点についても同様に、変化点として抽出するか否かを判定する。
或いは、抽出機能１０４ａは、密度比を用いて変化点の抽出を行なってもよい。例えば、抽出機能１０４ａは、期間ｘｔにおける医用情報の分布と期間ｘｔ＋１における医用情報の分布とを比較する。一例を挙げると、抽出機能１０４ａは、期間ｘｔにおける医用情報の分布と期間ｘｔ＋１における医用情報の分布との間で、分布のずれや形状に関する統計値を比較する。なお、分布のずれに関する統計値は、例えば、各分布の平均値である。また、分布の形状に関する統計値は、例えば、各分布の分散値である。そして、抽出機能１０４ａは、分布同士の比較結果に基づいて、「２０１９．５．１９」と「２０１９．５．２０」との間の時点を変化点として抽出するか否かを判定する。また、抽出機能１０４ａは、「２０１９．５．１７～２０１９．５．２４」における他の各時点についても同様に、変化点として抽出するか否かを判定する。
なお、抽出機能１０４ａは、機械学習の手法により、変化点の抽出を行なっても構わない。例えば、抽出機能１０４ａは、医用情報における変化点を抽出するように機能付けられた学習済みモデルＭ１を用いて、変化点の抽出を行なう。なお、学習済みモデルＭ１は、例えば、抽出機能１０４ａによって事前に生成され、記憶回路１０３において記憶される。
例えば、抽出機能１０４ａは、まず、学習済みモデルＭ１の生成に用いる学習データを収集する。例えば、抽出機能１０４ａは、学習データとして、医用情報と変化点との対を取得する。なお、学習データとして用いる医用情報は、患者Ｐ１に関する医用情報であってもよいし、他の患者に関する医用情報であってもよい。
また、学習データとして用いる変化点については、例えば、医師等のユーザが設定することができる。或いは、抽出機能１０４ａは、学習データとして用いる変化点を自動で設定することもできる。例えば、抽出機能１０４ａは、医用情報を参照した際にユーザが着目した時点を、変化点として設定することができる。一例を挙げると、抽出機能１０４ａは、長時間表示されていた医用情報に対応する時点や、詳細を表示するようユーザにより指定された医用情報に対応する時点を、変化点として設定することができる。
次に、抽出機能１０４ａは、収集した学習データに基づく機械学習を実行し、学習済みモデルＭ１を生成する。ここで、学習済みモデルＭ１は、例えば、ニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）により構成することができる。ニューラルネットワークとは、層状に並べた隣接層間が結合した構造を有し、情報が入力層側から出力層側に伝播するネットワークである。例えば、抽出機能１０４ａは、上述した学習データを用いて多層のニューラルネットワークについて深層学習（ディープラーニング）を実行することで、学習済みモデルＭ１を生成する。なお、多層のニューラルネットワークは、例えば、入力層と、複数の中間層（隠れ層）と、出力層とにより構成される。
一例を挙げると、抽出機能１０４ａは、ある患者に関する医用情報を、入力側データとしてニューラルネットワークに入力する。この場合、ニューラルネットワークにおいては、入力層側から出力層側に向かって一方向に隣接層間でのみ結合しながら情報が伝播し、出力層からは、入力された医用情報における変化点の推定結果が出力される。なお、入力層側から出力層側に向かって一方向に情報が伝播するニューラルネットワークについては、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）とも呼ばれる。なお、ＣＮＮを例として説明したが、抽出機能１０４ａは、ＣＮＮと異なる種類のニューラルネットワークを使用しても構わない。例えば、抽出機能１０４ａは、全結合ニューラルネットワークや、回帰型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等のニューラルネットワークにより、学習済みモデルＭ１を構成することとしても構わない。
抽出機能１０４ａは、入力側データを入力した際にニューラルネットワークが好ましい結果を出力することができるよう、ニューラルネットワークのパラメータを調整することで、学習済みモデルＭ１を生成する。例えば、抽出機能１０４ａは、ニューラルネットワークから出力される変化点の推定結果と、出力側の学習データとして入力した変化点との差が閾値を下回るまで、ニューラルネットワークのパラメータを調整しながら処理を繰り返す。これにより、抽出機能１０４ａは、医用情報の入力を受け付けて、入力された医用情報における変化点を抽出するように機能付けられた学習済みモデルＭ１を生成する。また、抽出機能１０４ａは、生成した学習済みモデルＭ１を記憶回路１０３に記憶させる。
そして、抽出機能１０４ａは、学習済みモデルＭ１に対して患者Ｐ１に関する医用情報を入力する。例えば、抽出機能１０４ａは、患者Ｐ１に関する診断を行なう旨の指示をユーザから受け付けたことをトリガとして、データベース２０から医用情報を取得するとともに記憶回路１０３から学習済みモデルＭ１を読み出し、学習済みモデルＭ１に対して医用情報を入力する。また、学習済みモデルＭ１は、入力された医用情報における変化点を出力する。即ち、抽出機能１０４ａは、学習済みモデルＭ１を用いて、患者Ｐ１に関する医用情報における変化点を抽出することができる。
なお、学習済みモデルＭ１の入力側データが医用情報であるものとして説明したが、実施形態はこれに限定されるものではない。例えば、抽出機能１０４ａは、医用情報に代えて、医用情報に基づいて算出された部分空間又は密度比を入力側データとして、学習済みモデルＭ１を生成することとしても構合わない。この場合、抽出機能１０４ａは、患者Ｐ１に関する医用情報から部分空間又は密度比を算出し、算出した部分空間又は密度比を学習済みモデルＭ１に対して入力することにより、患者Ｐ１に関する医用情報における変化点を抽出することができる。
また、学習済みモデルＭ１がニューラルネットワークにより構成されるものとして説明したが、抽出機能１０４ａは、ニューラルネットワーク以外の機械学習手法により、学習済みモデルＭ１を生成してもよい。また、抽出機能１０４ａが学習済みモデルＭ１を生成するものとして説明したが、学習済みモデルＭ１は、診断支援装置１０と異なる他の装置において生成されるものであっても構わない。
次に、抽出機能１０４ａは、変化点の前の第１期間と、変化点の前の第２期間とを抽出する。例えば、抽出機能１０４ａは、変化点の前後のプリセットされた長さの期間を、第１期間及び第２期間として抽出する。以下、期間の長さとして「３日間」がプリセットされた場合を例として説明する。例えば、図６に示すように、変化点として「２０１９．５．１９」と「２０１９．５．２０」との間の時点である変化点Ｖ１が抽出された場合、抽出機能１０４ａは、変化点Ｖ１の前の３日間である期間Ｒ１１を第１期間として抽出し、変化点Ｖ１の後の３日間である期間Ｒ１２を第２期間として抽出する。なお、図６は、第１の実施形態に係る第１期間及び第２期間の抽出処理の一例を示す図である。
或いは、抽出機能１０４ａは、抽出した複数の変化点の間の期間を、第１期間及び第２期間として抽出してもよい。例えば、変化点として、「２０１９．５．１９」と「２０１９．５．２０」との間の時点である変化点Ｖ１、「２０１９．５．１６」と「２０１９．５．１７」との間の時点である変化点Ｖ２及び「２０１９．５．２３」と「２０１９．５．２４」との間の時点である変化点Ｖ３が抽出された場合、抽出機能１０４ａは、変化点Ｖ１に対して、図７に示すように期間Ｒ２１及び期間Ｒ２２を抽出する。即ち、抽出機能１０４ａは、変化点Ｖ１と変化点Ｖ２との間の期間Ｒ２１を、変化点Ｖ１の前の第１期間として抽出する。また、抽出機能１０４ａは、変化点Ｖ１と変化点Ｖ３との間の期間Ｒ２２を、変化点Ｖ１の後の第２期間として抽出する。なお、図７は、第１の実施形態に係る第１期間及び第２期間の抽出処理の一例を示す図である。抽出機能１０４ａは、期間の長さについて上限値を設け、変化点の間の期間が長い場合には当該上限値に基づいて第１期間及び第２期間を抽出することとしても構わない。
次に、算出機能１０４ｂは、変化点の前後での患者情報の変化を示す第１変化量と、変化点の前後での介入情報の変化を示す第２変化量とを算出する。例えば、算出機能１０４ｂは、第１期間の患者情報と第２期間の患者情報とに基づいて第１変化量を算出し、第１期間の介入情報と第２期間の介入情報とに基づいて第２変化量を算出する。なお、以下では一例として、抽出機能１０４ａにより、変化点Ｖ１の前後の期間として図６に示した期間Ｒ１１及び期間Ｒ１２が抽出された場合について説明する。
まず、第１変化量の算出について、図８を用いて説明する。図８は、第１の実施形態に係る第１変化量の算出処理の一例を示す図である。図８に示すように、算出機能１０４ｂは、期間Ｒ１１の容体と期間Ｒ１２の容体とをそれぞれ算出し、容体の差を第１変化量として算出する。
具体的には、算出機能１０４ｂは、期間Ｒ１１の患者情報に基づいて、期間Ｒ１１の容体を算出する。即ち、算出機能１０４ｂは、「２０１９．５．１７～２０１９．５．１９」における患者Ｐ１のＮＴ－ｐｒｏＢＮＰ及び呼吸数に基づいて、期間Ｒ１１の容体を算出する。なお、算出機能１０４ｂは、期間Ｒ１１の容体として、容体を示す数値を算出してもよいし、容体を示す複数のランクへの振り分けを行なってもよい。なお、これら容体を示す数値やランクの設定方法については特に限定されるものではなく、例えば、ユーザが設定したものであってもよいし、病院ごとに設定されるものであってもよいし、一般に使用されるガイドライン等に沿って設定されるものであってもよい。
例えば、算出機能１０４ｂは、ＮＴ－ｐｒｏＢＮＰ及び呼吸数それぞれの値と容体とを対応付けた所定のテーブルに従って、期間Ｒ１１の容体を算出する。また、例えば、算出機能１０４ｂは、ＮＴ－ｐｒｏＢＮＰ及び呼吸数の組み合わせと容体とを対応付けた所定のテーブルに従って、期間Ｒ１１の容体を算出する。
また、例えば、算出機能１０４ｂは、所定の数式に従って期間Ｒ１１の容体を算出することとしてもよい。一例を挙げると、算出機能１０４ｂは、期間Ｒ１１におけるＮＴ－ｐｒｏＢＮＰ及び呼吸数についての分散値を、期間Ｒ１１の容体として算出する。
或いは、算出機能１０４ｂは、機械学習の手法によって期間Ｒ１１の容体を算出することとしてもよい。例えば、算出機能１０４ｂは、患者情報の入力を受け付けて容体を出力するように機能付けられた学習済みモデルＭ２を用いて、期間Ｒ１１の容体を算出する。なお、学習済みモデルＭ２は、例えば、算出機能１０４ｂによって事前に生成され、記憶回路１０３において記憶される。
例えば、算出機能１０４ｂは、まず、学習済みモデルＭ２の生成に用いる学習データを収集する。例えば、算出機能１０４ｂは、学習データとして、患者情報と容体との対を取得する。なお、学習データとして用いる患者情報は、患者Ｐ１に関する患者情報であってもよいし、他の患者に関する患者情報であってもよい。また、学習データとして用いる容体は、例えば、医師等のユーザが設定することができる。例えば、ユーザは、対となる患者情報が取得された時点において行なった問診等の結果に基づいて、容体を設定することができる。
次に、算出機能１０４ｂは、収集した学習データに基づく機械学習を実行し、学習済みモデルＭ２を生成する。ここで、学習済みモデルＭ２は、例えば、ニューラルネットワークにより構成することができる。例えば、算出機能１０４ｂは、上述した学習データを用いて多層のニューラルネットワークについてディープラーニングを実行することで、学習済みモデルＭ２を生成する。また、算出機能１０４ｂは、生成した学習済みモデルＭ２を記憶回路１０３に記憶させる。
そして、算出機能１０４ｂは、記憶回路１０３から読み出した学習済みモデルＭ２に対して、患者Ｐ１に関する患者情報を入力する。また、学習済みモデルＭ２は、入力された患者情報に基づいて、期間Ｒ１１の容体を出力する。即ち、算出機能１０４ｂは、学習済みモデルＭ２を用いて、期間Ｒ１１の容体を算出することができる。
なお、学習済みモデルＭ２がニューラルネットワークにより構成されるものとして説明したが、算出機能１０４ｂは、ニューラルネットワーク以外の機械学習手法により、学習済みモデルＭ２を生成してもよい。また、算出機能１０４ｂが学習済みモデルＭ２を生成するものとして説明したが、学習済みモデルＭ２は、診断支援装置１０と異なる他の装置において生成されるものであっても構わない。
上述したように、算出機能１０４ｂは、期間Ｒ１１の患者情報に基づいて、期間Ｒ１１の容体を算出する。同様に、算出機能１０４ｂは、期間Ｒ１２の患者情報に基づいて、期間Ｒ１２の容体を算出する。そして、算出機能１０４ｂは、期間Ｒ１１の容体と期間Ｒ１２の容体とに基づいて第１変化量を算出する。例えば、容体として数値を算出していた場合、算出機能１０４ｂは、期間Ｒ１１の容体と期間Ｒ１２の容体との間での数値の差を、第１変化量として算出する。また、例えば、容体としてランクを算出していた場合、算出機能１０４ｂは、期間Ｒ１１の容体と期間Ｒ１２の容体との間でのランク数の差を、第１変化量として算出する。
なお、算出機能１０４ｂは、第１変化量について規格化を行なってもよい。例えば、算出機能１０４ｂは、任意の数値範囲で算出した第１変化量、又はランクとして算出した第１変化量を、「０～１」の数値となるように規格化してもよい。或いは、算出機能１０４ｂは、第１変化量と、後述する第２変化量との和が「１」となるように、第１変化量を規格化してもよい。また、以下では、規格化された第１変化量を、容体変化度とも記載する。
次に、第２変化量の算出について、図９を用いて説明する。図９は、第１の実施形態に係る第２変化量の算出処理の一例を示す図である。図９に示すように、算出機能１０４ｂは、期間Ｒ１１の介入情報と期間Ｒ１２の介入情報とをそれぞれベクトル化し、ベクトル間の比較を行なうことで、第２変化量を算出する。
例えば、算出機能１０４ｂは、期間Ｒ１１及び期間Ｒ１２の介入情報を、各期間における代表値（例えば、最大値や変化点近傍の値など）を用いて、ベクトル化することができる。具体的には、期間Ｒ１１の介入情報は、（利尿剤，強心剤）＝（１０，２０）となるベクトルで表現することができる。また、期間Ｒ１２の介入情報は、（利尿剤，強心剤）＝（１０，０）となるベクトルで表現することができる。そして、算出機能１０４ｂは、これら２つのベクトルを比較することで、第２変化量を算出する。例えば、算出機能１０４ｂは、図９に示すように、これら２つのベクトルの間で引き算を行なうことにより、第２変化量を算出する。
なお、算出機能１０４ｂは、期間Ｒ１１及び期間Ｒ１２の介入情報を、各期間における他の統計値（例えば平均値など）を用いてベクトル化することとしても構わない。また、介入情報として手術等の実施の有無を用いる場合、算出機能１０４ｂは、例えば、「有」を「１」とし、「無」を「０」として数値化することにより、図９に示す場合と同様に第２変化量を算出することができる。また、図９においては説明の便宜のため、２次元のベクトルについて説明を行なったが、ベクトルの次元数については特に限定されるものではない。
また、算出機能１０４ｂは、第２変化量について規格化を行なってもよい。例えば、算出機能１０４ｂは、任意の数値範囲で算出した第２変化量を、「０～１」の数値となるように規格化してもよい。或いは、算出機能１０４ｂは、第１変化量と第２変化量との和が「１」となるように、第２変化量を規格化してもよい。また、以下では、規格化された第２変化量を、介入変化度とも記載する。
次に、表示制御機能１０４ｃは、第１変化量及び第２変化量の少なくとも一方に応じて表示態様を設定する。例えば、表示制御機能１０４ｃは、第１変化量と第２変化量との割合に応じて表示態様を設定する。以下、表示態様の設定処理について、図１０Ａ及び図１０Ｂを用いて説明する。図１０Ａ及び図１０Ｂは、第１の実施形態に係る表示態様の設定処理の一例を示す図である。
まず、算出機能１０４ｂは、図１０Ａに示すように、第１変化量と第２変化量との和が「１」となるように、第１変化量及び第２変化量を規格化する。なお、図１０Ａは、規格化された第１変化量である容体変化度が「０．６」であり、規格化された第２変化量である介入変化度が「０．４」である場合を示す。
次に、表示制御機能１０４ｃは、第１変化量と第２変化量との割合に応じた割合で２色を混合した混合色を設定する。具体的には、表示制御機能１０４ｃは、図１０Ｂに示すように、容体変化度「０．６」と介入変化度「０．４」との割合に応じて、「赤：青＝６：４」となるように赤色と青色とを混合した混合色を設定する。即ち、表示制御機能１０４ｃは、介入の変化に対して容体の変化が大きい場合には赤色に近くなるように混合色を設定し、容体の変化に対して介入の変化が大きい場合には青色に近くなるように混合色を設定し、容体と介入との両方が同程度に変化した場合には中間色（紫色）となるように混合色を設定する。
そして、表示制御機能１０４ｃは、設定した混合色を用いて、第１変化量及び第２変化量に基づく表示を行なう。例えば、表示制御機能１０４ｃは、患者情報及び介入情報の少なくとも一方に基づく時系列表示を行なうとともに、設定した混合色を用いて変化点を図示する。
例えば、表示制御機能１０４ｃは、図１１Ａに示すように、ＮＴ－ｐｒｏＢＮＰ及び呼吸数のそれぞれをグラフで時系列表示するとともに、変化点を棒線で図示する。ここで、図１１Ａにおいて変化点を示す棒線は、第１変化量と第２変化量との割合に応じて設定された混合色で表示される。より具体的には、図１１Ａは、介入の変化に対して容体の変化が大きい場合において、赤色に近くなるように設定された混合色を用いて変化点を図示する場合を示す。なお、図１１Ａは、第１の実施形態に係る表示例を示す図である。
図１１Ａの表示を参照したユーザは、「２０１９．５．２０」と「２０１９．５．２１」との間に変化点があり、且つ、介入の変化に対して容体の変化が大きかったことを一見して把握することができる。即ち、ユーザは、「２０１９．５．２０」と「２０１９．５．２１」との間に行われた介入により、患者Ｐ１の容体が比較的大きく変化したことを容易に把握することができる。換言すると、ユーザは、「２０１９．５．２０」と「２０１９．５．２１」との間に行われた介入について、患者Ｐ１の容体に対する影響が大きかったことを容易に把握することができる。
また、例えば、表示制御機能１０４ｃは、図１１Ｂに示すように、ＮＴ－ｐｒｏＢＮＰ及び呼吸数のそれぞれをグラフで時系列表示するとともに、変化点を棒線で図示する。ここで、図１１Ｂにおいて変化点を示す棒線は、第１変化量と第２変化量との割合に応じて設定された混合色で表示される。より具体的には、図１１Ｂは、介入の変化に対して容体の変化が小さい場合において、青色に近くなるように設定された混合色を用いて変化点を図示する場合を示す。なお、図１１Ｂは、第１の実施形態に係る表示例を示す図である。
図１１Ｂの表示を参照したユーザは、「２０１９．５．２０」と「２０１９．５．２１」との間に変化点があり、且つ、介入の変化に対して容体の変化が小さかったことを一見して把握することができる。即ち、ユーザは、「２０１９．５．２０」と「２０１９．５．２１」との間に行われた介入により、患者Ｐ１の容体が比較的変化しなかったことを容易に把握することができる。換言すると、ユーザは、「２０１９．５．２０」と「２０１９．５．２１」との間に行われた介入について、患者Ｐ１の容体に対する影響が小さかったことを容易に把握することができる。
また、例えば、表示制御機能１０４ｃは、図１１Ｃに示すように、ＮＴ－ｐｒｏＢＮＰ及び呼吸数のそれぞれをグラフで時系列表示するとともに、変化点を棒線で図示する。ここで、図１１Ｃにおいて変化点を示す棒線は、第１変化量と第２変化量との割合に応じて設定された混合色で表示される。より具体的には、図１１Ｃは、容体と介入との両方が同程度に変化した場合において、中間色（紫色）となるように設定された混合色を用いて変化点を図示する場合を示す。なお、図１１Ｃは、第１の実施形態に係る表示例を示す図である。
図１１Ｃの表示を参照したユーザは、「２０１９．５．２０」と「２０１９．５．２１」との間に変化点があり、且つ、介入の変化に対する容体の変化が並程度であったことを一見して把握することができる。即ち、ユーザは、「２０１９．５．２０」と「２０１９．５．２１」との間に行われた介入により、介入の大きさに対して一般に期待される程度に患者Ｐ１の容体が変化したことを容易に把握することができる。
なお、図１１Ａ、図１１Ｂ及び図１１Ｃにおいては、時系列表示の例として、ＮＴ－ｐｒｏＢＮＰ及び呼吸数をグラフで表示する場合を示した。しかしながら、実施形態はこれに限定されるものではない。例えば、表示制御機能１０４ｃは、ＮＴ－ｐｒｏＢＮＰ及び呼吸数以外の患者情報をグラフで表示してもよいし、介入情報をグラフで表示してもよい。
また、表示制御機能１０４ｃは、図１１Ｄに示すように、テーブルを用いて時系列表示を行なってもよい。この場合、表示制御機能１０４ｃは、テーブル上に棒線を表示することで、変化点を図示することができる。なお、図１１Ｄは、容体と介入との両方が同程度に変化した場合において、中間色（紫色）となるように設定された混合色を用いて変化点を図示する場合を示す。また、図１１Ｄは、第１の実施形態に係る表示例を示す図である。
また、表示制御機能１０４ｃは、図１１Ａ、図１１Ｂ、図１１Ｃ及び図１１Ｄに示した棒線の他に、追加の情報を表示してもよい。例えば、表示制御機能１０４ｃは、棒線の近傍にテキストの注釈を付して、第１変化量や第２変化量、ＮＴ－ｐｒｏＢＮＰ及び呼吸数以外の患者情報、介入情報等を表示させてもよい。一例を挙げると、表示制御機能１０４ｃは、ユーザが棒線に対するクリック操作を行なうごとに表示内容を変化させながら、第１変化量や第２変化量、患者情報、介入情報等を順次表示させてもよい。また、一例を挙げると、表示制御機能１０４ｃは、ユーザが棒線に対するクリック操作を行なうごとに、より詳細な情報を追加的に表示させてもよい。
次に、診断支援システム１による処理の手順の一例を、図１２を用いて説明する。図１２は、第１の実施形態に係る診断支援システム１の処理の一連の流れを説明するためのフローチャートである。ステップＳ１０１、ステップＳ１０２及びステップＳ１０３は、抽出機能１０４ａに対応するステップである。また、ステップＳ１０４は、算出機能１０４ｂに対応するステップである。また、ステップＳ１０５及びステップＳ１０６は、表示制御機能１０４ｃに対応するステップである。
まず、処理回路１０４は、データベース２０から、患者Ｐ１の状態に関する患者情報と、患者Ｐ１への介入に関する介入情報とを含む医用情報を取得する（ステップＳ１０１）。次に、処理回路１０４は、医用情報における変化点を抽出する（ステップＳ１０２）。次に、処理回路１０４は、変化点の前の第１期間と、変化点の後の第２期間とを抽出する（ステップＳ１０３）。
次に、処理回路１０４は、第１期間の患者情報と第２期間の患者情報とに基づいて第１変化量を算出し、第１期間の介入情報と第２期間の介入情報とに基づいて第２変化量を算出する（ステップＳ１０４）。次に、処理回路１０４は、第１変化量及び第２変化量の少なくとも一方に応じて表示態様を設定する（ステップＳ１０５）。そして、処理回路１０４は、設定した表示態様で第１変化量及び第２変化量に基づく表示を行ない（ステップＳ１０６）、処理を終了する。
上述したように、第１の実施形態によれば、データベース２０は、患者Ｐ１の状態に関する患者情報と、患者Ｐ１への介入に関する介入情報とを含む医用情報を記憶する。また、抽出機能１０４ａは、医用情報における変化点を抽出する。また、算出機能１０４ｂは、変化点の前後での患者情報の変化を示す第１変化量と、変化点の前後での介入情報の変化を示す第２変化量とを算出する。また、表示制御機能１０４ｃは、第１変化量及び第２変化量の少なくとも一方に応じて設定した表示態様で、第１変化量及び第２変化量に基づく表示を行なう。従って、第１の実施形態に係る診断支援システム１は、患者Ｐ１に関する医用情報の把握を容易にすることができる。
例えば、図１１Ａ～Ｄの表示を参照したユーザは、棒線の位置によって医用情報における変化点を把握するともに、棒線の色によって、各変化点における第１変化量及び第２変化量を把握することができる。即ち、第１の実施形態に係る診断支援システム１によれば、ユーザは、変化点が大量に抽出される場合であっても、医用情報の概要を容易に把握することができる。更に、ユーザは、先に概要を把握しておくことで、目的に応じた詳細な医用情報を効率的に展開させ、順次把握していくことができる。
なお、ユーザが医用情報を把握するための他の手法としては、ユーザが自らデータベース２０にアクセスし、医用情報を参照することが考えられる。しかしながら、データベース２０には大量の医用情報が記憶されている場合もあるため、ユーザは医用情報を取捨選択しながら参照することとなり、この作業はユーザにとっての負担となる。
また、ユーザが医用情報を把握するための他の手法として、サマリを参照することが考えられる。サマリは、過去に作成されたカルテを基に作成されるファイルであり、例えば、転院時や退院時において作成される。即ち、サマリは、転院や退院までの間の患者に関する医用情報をまとめたものである。しかしながら、患者によってはサマリに大量の情報が記載されることもあり、記載された医用情報の全てをユーザが把握することは容易でない。また、例えば、医用情報の細かい変化を把握したい場合には、サマリに記載された情報では不十分な場合もある。
また、ユーザが医用情報を把握するための他の手法として、データベース２０が記憶する医用情報のうちの一部を自動で抽出し、ユーザに提示することが考えられる。例えば、医用情報の変化点を自動で抽出し、変化点に関する医用情報のみを抽出することで、ユーザに提示する医用情報の量を低減することが考えられる。しかしながら、患者によっては、変化点が大量に特定される場合がある。この場合には大量の医用情報が抽出され、医用情報を把握するユーザの負担も増大することとなる。
これに対し、診断支援システム１は、抽出した変化点に基づいて第１変化量及び第２変化量を算出し、第１変化量及び第２変化量の少なくとも一方に応じて設定した表示態様で、第１変化量及び第２変化量に基づく表示を行なう。即ち、診断支援システム１は、変化点に応じて医用情報を抽出するのみならず、これを抽象化して表示する。これにより、ユーザは、医用情報における変化を直感的且つ容易に把握することができる。
（第２の実施形態）
さて、これまで第１の実施形態について説明したが、上述した実施形態以外にも、種々の異なる形態にて実施されてよいものである。
例えば、図１１Ａ～Ｄにおいては、第１変化量と第２変化量との割合に応じて表示態様を設定する場合について説明したが、実施形態はこれに限定されるものではない。例えば、表示制御機能１０４ｃは、第１変化量と第２変化量との割合に加え、第１変化量及び第２変化量それぞれの大きさに応じて、表示態様を設定してもよい。
例えば、算出機能１０４ｂは、第１変化量と第２変化量のそれぞれを「０～１」の数値範囲となるように規格化する。即ち、算出機能１０４ｂは、容体変化度を「０～１」の数値範囲で算出し、介入変化度を「０～１」の数値範囲で算出する。次に、表示制御機能１０４ｃは、容体変化度と介入変化度との割合と、容体変化度及び介入変化度それぞれの大きさとに応じて、表示態様を設定する。
一例を挙げると、表示制御機能１０４ｃは、容体変化度と介入変化度との割合に応じた割合で２色を混合するとともに、容体変化度と介入変化度との和の大きさに応じて彩度を設定した混合色を設定する。例えば、表示制御機能１０４ｃは、容体変化度と介入変化度との和が大きいほど彩度が高くなるように、混合色を設定する。
そして、表示制御機能１０４ｃは、図１１Ａ～Ｄに示した場合と同様、患者情報及び介入情報の少なくとも一方に基づく時系列表示を行なうとともに、設定した混合色を付した棒線で変化点を図示する。この場合、ユーザは、棒線の位置によって医用情報における変化点を把握するともに、棒線の色によって、第１変化量と第２変化量との割合、及び、それぞれの大きさを把握することができる。例えば、図１０Ｂと同様に赤色及び青色を使用した場合において棒線が明るい赤色だった場合、ユーザは、介入の変化に対して容体の変化が大きく、且つ、その容体の変化が大幅な変化であったことを把握することができる。また、例えば、棒線が暗い赤色だった場合、ユーザは、介入の変化に対して容体の変化が大きかったものの、その容体の変化は小さな変化であったことを把握することができる。
別の例を挙げると、表示制御機能１０４ｃは、容体変化度と介入変化度との割合に応じた割合で２色を混合した混合色を設定するとともに、容体変化度と介入変化度との和の大きさに応じて棒線の形態を設定する。例えば、表示制御機能１０４ｃは、容体変化度と介入変化度との和が大きいほど棒線が太くなるように、棒線の太さを設定する。また、例えば、表示制御機能１０４ｃは、棒線を点線とし、容体変化度と介入変化度との和が大きいほど点と点との間隔が狭くなるように、間隔を設定する。また、例えば、表示制御機能１０４ｃは、容体変化度と介入変化度との和が大きいほど透明度が低くなるように、棒線の透明度を設定する。
そして、表示制御機能１０４ｃは、図１１Ａ～Ｄに示した場合と同様、患者情報及び介入情報の少なくとも一方に基づく時系列表示を行なうとともに、設定した混合色及び形態の棒線で、変化点を図示する。この場合、ユーザは、棒線の位置によって医用情報における変化点を把握するともに、棒線の色によって第１変化量と第２変化量との割合を把握し、更に、棒線の形態によって第１変化量及び第２変化量それぞれの大きさを把握することができる。
また、図１１Ａ～Ｄにおいては、棒線を用いて変化点を図示するものとして説明したが、実施形態はこれに限定されるものではない。例えば、表示制御機能１０４ｃは、棒線以外の他の図形を用いて変化点を図示してもよいし、テキストにより変化点を図示してもよい。一例を挙げると、表示制御機能１０４ｃは、第１変化量と第２変化量との割合に応じた混合色を付した矢印や三角形等の図形を用いて、変化点を図示してもよい。別の例を挙げると、表示制御機能１０４ｃは、第１変化量と第２変化量との割合に応じた混合色を文字色としたテキストを用いて、変化点を図示してもよい。
また、これまで、第１変化量と第２変化量との割合に応じた割合で２色を混合した混合色を設定するものとして説明したが、実施形態はこれに限定されるものではない。即ち、表示態様として色の設定を行なうのはあくまで一例であり、表示制御機能１０４ｃは、色以外の他の表示態様を設定することとしても構わない。例えば、表示制御機能１０４ｃは、第１変化量及び第２変化量を表示する順序を表示態様として設定し、設定した順序で第１変化量及び第２変化量を表示することとしても構わない。
例えば、算出機能１０４ｂは、第１変化量と第２変化量のそれぞれを「０～１」の数値範囲となるように規格化する。即ち、算出機能１０４ｂは、容体変化度を「０～１」の数値範囲で算出し、介入変化度を「０～１」の数値範囲で算出する。次に、表示制御機能１０４ｃは、容体変化度及び介入変化度に応じて、容体変化度及び介入変化度を表示する順序を設定する。
一例を挙げると、表示制御機能１０４ｃは、図１３に示すように、介入変化度が大きく且つ容体変化度が小さいほど優先度が高くなるように、容体変化度及び介入変化度を表示する順序を設定する。即ち、表示制御機能１０４ｃは、介入変化度を降順とするとともに容体変化度を昇順とするように、順序を決定する。なお、図１３は、第２の実施形態に係る表示例を示す図である。
具体的には、図１３に示す場合、変化点「２０１９．５．２０ ２３．３４．２４」の前後での患者情報の変化を示す容体変化度「０．９」及び介入情報の変化を示す介入変化度「０．１」の優先度が「１」である。また、変化点「２０１９．５．１９ ０８．５４．２３」の前後での患者情報の変化を示す容体変化度「０．８」及び介入情報の変化を示す介入変化度「０．２」の優先度が「２」である。また、変化点「２０１９．５．２３ １２．１２．１１」の前後での患者情報の変化を示す容体変化度「０．２」及び介入情報の変化を示す介入変化度「０．２」の優先度が「３」である。また、変化点「２０１９．５．２０ １１．１２．１１」の前後での患者情報の変化を示す容体変化度「０．１」及び介入情報の変化を示す介入変化度「０．６」の優先度が「４」である。また、変化点「２０１９．５．２１ １４．４３．２１」の前後での患者情報の変化を示す容体変化度「０．１」及び介入情報の変化を示す介入変化度「０．７」の優先度が「５」である。また、変化点「２０１９．５．１７ １１．３２．４３」の前後での患者情報の変化を示す容体変化度「０．２」及び介入情報の変化を示す介入変化度「０．９」の優先度が「６」である。
図１３に示す場合、表示制御機能１０４ｃは、介入の変化に対して容体の変化が小さいほど優先度が高くなるように表示を行なうことができる。これにより、ユーザは、例えば効果のなかった治療や効果の小さい治療を容易に発見することができる。なお、表示制御機能１０４ｃは、図１３に示すように、変化点の前後における患者情報や介入情報を更に表示することとしても構わない。
なお、表示制御機能１０４ｃは、介入変化度が小さく且つ容体変化度が大きいほど優先度が高くなるように、容体変化度及び介入変化度を表示する順序を設定することとしても構わない。この場合、表示制御機能１０４ｃは、介入の変化に対して容体の変化が大きいほど優先度が高くなるように表示を行なうことができる。これにより、ユーザは、例えば効果的な治療を容易に発見することができる。
或いは、表示制御機能１０４ｃは、容体変化度が大きいほど優先度が高くなるように、容体変化度及び介入変化度を表示する順序を設定することとしても構わない。即ち、表示制御機能１０４ｃは、第１変化量のみに基づいて、容体変化度及び介入変化度を表示する順序を設定してもよい。或いは、表示制御機能１０４ｃは、介入変化度が大きいほど優先度が高くなるように、容体変化度及び介入変化度を表示する順序を設定することとしても構わない。即ち、表示制御機能１０４ｃは、第２変化量のみに基づいて、容体変化度及び介入変化度を表示する順序を設定してもよい。
また、上述した実施形態では、変化点の前の第１期間と変化点の後の第２期間とを抽出し、第１期間の患者情報と第２期間の患者情報とに基づいて第１変化量を算出し、第１期間の介入情報と第２期間の介入情報とに基づいて第２変化量を算出する場合について説明した。しかしながら、実施形態はこれに限定されるものではなく、抽出機能１０４ａによる第１期間及び第２期間の抽出については省略することとしても構わない。この場合、算出機能１０４ｂは、変化点の前の患者情報と変化点の後の患者情報とに基づいて第１変化量を算出することができる。また、算出機能１０４ｂは、変化点の前の介入情報と変化点の後の介入情報とに基づいて第２変化量を算出することができる。
また、患者Ｐ１に関して第１変化量及び第２変化量を算出した後、抽出機能１０４ａは、第１変化量及び第２変化量が類似する他の患者Ｐ２を抽出してもよい。例えば、抽出機能１０４ａは、時間軸上の変化点の分布、及び、各変化点について算出された第１変化量及び第２変化量の値が患者Ｐ１に類似する患者Ｐ２を抽出し、患者Ｐ２に関する医用情報をデータベース２０から取得する。
ここで、例えば患者Ｐ１が入院中であって患者Ｐ２が退院済みである場合、抽出機能１０４ａは、患者Ｐ２に関する医用情報のうち、退院に至るまでの全期間の医用情報を取得する。また、表示制御機能１０４ｃは、患者Ｐ２に関する医用情報をディスプレイ１０２に表示させる。これにより、ユーザは、患者Ｐ２の状態に関する患者情報を参照して患者Ｐ１の今後の容体変化を予測したり、患者Ｐ２への介入に関する介入情報を参照して患者Ｐ１への介入の計画を立てたりすることができる。
また、上述した実施形態では、患者情報と介入情報とを含む医用情報をデータベース２０が記憶するものとして説明した。しかしながら、実施形態はこれに限定されるものではない。例えば、医用情報については、診断支援装置１０の記憶回路１０３が記憶する場合であってもよい。
上述した実施形態に係る各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。即ち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。更に、各装置にて行われる各処理機能は、その全部又は任意の一部が、ＣＰＵ及び当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現されうる。
また、上述した実施形態で説明した診断支援方法は、予め用意されたプログラムをパーソナルコンピュータやワークステーション等のコンピュータで実行することによって実現することができる。このプログラムは、インターネット等のネットワークを介して配布することができる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な非一過性の記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することもできる。
以上説明した少なくとも１つの実施形態によれば、患者に関する医用情報の把握を容易にすることができる。
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
１ 診断支援システム
１０ 診断支援装置
１０１ 入力インターフェース
１０２ ディスプレイ
１０３ 記憶回路
１０４ 処理回路
１０４ａ 抽出機能
１０４ｂ 算出機能
１０４ｃ 表示制御機能
１０４ｄ 制御機能
２０ データベース

Claims (8)

  1. 患者の状態に関する患者情報と、前記患者への介入に関する介入情報とを含む医用情報を記憶する記憶部と、
    前記医用情報における変化点を抽出する抽出部と、
    前記変化点の前後での前記患者情報の変化を示す第１変化量と、前記変化点の前後での前記介入情報の変化を示す第２変化量とを算出し、前記第１変化量を所定の数値範囲で規格化し、前記第２変化量を前記所定の数値範囲で規格化する算出部と、
    規格化後の前記第１変化量と前記第２変化量との割合に応じて設定した表示態様で、前記第１変化量及び前記第２変化量に基づく表示を行なう表示制御部と
    を備える、診断支援システム。
  2. 前記抽出部は、前記変化点の前の第１期間と、前記変化点の後の第２期間とを抽出し、
    前記算出部は、前記第１期間の前記患者情報と前記第２期間の前記患者情報とに基づいて前記第１変化量を算出し、前記第１期間の前記介入情報と前記第２期間の前記介入情報とに基づいて前記第２変化量を算出する、請求項１に記載の診断支援システム。
  3. 前記算出部は、前記第１期間の前記介入情報を示すベクトルと、前記第２期間の前記介入情報を示すベクトルとに基づいて、前記第２変化量を算出する、請求項２に記載の診断支援システム。
  4. 前記算出部は、前記第１期間の前記患者情報に基づく前記患者の容体と、前記第２期間の前記患者情報に基づく前記患者の容体とに基づいて、前記第１変化量を算出する、請求項２又は３に記載の診断支援システム。
  5. 前記表示制御部は、前記第１変化量と前記第２変化量との割合に応じた割合で２色を混合した混合色を用いて、前記第１変化量及び前記第２変化量に基づく表示を行なう、請求項１～４のいずれか一項に記載の診断支援システム。
  6. 前記表示制御部は、前記患者情報に及び前記介入情報の少なくとも一方に基づく時系列表示を行なうとともに、前記混合色を用いて前記変化点を図示する、請求項５に記載の診断支援システム。
  7. 患者の状態に関する患者情報と前記患者への介入に関する介入情報とを含む医用情報における変化点を抽出する抽出部と、
    前記変化点の前後での前記患者情報の変化を示す第１変化量と、前記変化点の前後での前記介入情報の変化を示す第２変化量とを算出し、前記第１変化量を所定の数値範囲で規格化し、前記第２変化量を前記所定の数値範囲で規格化する算出部と、
    規格化後の前記第１変化量と前記第２変化量との割合に応じて設定した表示態様で、前記第１変化量及び前記第２変化量に基づく表示を行なう表示制御部と
    を備える、診断支援装置。
  8. 患者の状態に関する患者情報と前記患者への介入に関する介入情報とを含む医用情報における変化点を抽出し、
    前記変化点の前後での前記患者情報の変化を示す第１変化量と、前記変化点の前後での前記介入情報の変化を示す第２変化量とを算出し、前記第１変化量を所定の数値範囲で規格化し、前記第２変化量を前記所定の数値範囲で規格化し、
    規格化後の前記第１変化量と前記第２変化量との割合に応じて設定した表示態様で、前記第１変化量及び前記第２変化量に基づく表示を行なう
    各処理をコンピュータに実行させる、プログラム。
JP2019182726A 2019-10-03 2019-10-03 診断支援システム、診断支援装置及びプログラム Active JP7383440B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019182726A JP7383440B2 (ja) 2019-10-03 2019-10-03 診断支援システム、診断支援装置及びプログラム
CN202011000224.4A CN112614581A (zh) 2019-10-03 2020-09-22 诊断辅助系统、诊断辅助装置以及诊断辅助方法
US17/062,920 US11923089B2 (en) 2019-10-03 2020-10-05 Diagnosis supporting system, diagnosis supporting apparatus, and diagnosis supporting method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019182726A JP7383440B2 (ja) 2019-10-03 2019-10-03 診断支援システム、診断支援装置及びプログラム

Publications (2)

Publication Number Publication Date
JP2021060648A JP2021060648A (ja) 2021-04-15
JP7383440B2 true JP7383440B2 (ja) 2023-11-20

Family

ID=75224888

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019182726A Active JP7383440B2 (ja) 2019-10-03 2019-10-03 診断支援システム、診断支援装置及びプログラム

Country Status (3)

Country Link
US (1) US11923089B2 (ja)
JP (1) JP7383440B2 (ja)
CN (1) CN112614581A (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008178635A (ja) 2007-01-26 2008-08-07 Konica Minolta Medical & Graphic Inc 咳漱解析装置
WO2014006862A1 (ja) 2012-07-05 2014-01-09 パナソニック株式会社 生活習慣病改善支援システム、生活習慣病改善支援方法、生活習慣病改善支援用コンピュータプログラム、及び、生活習慣病改善支援用コンピュータプログラムを格納したコンピュータ読み取り可能な記録媒体
JP2014194712A (ja) 2013-03-29 2014-10-09 Fujifilm Corp 検査データ表示制御装置および方法並びにプログラム
JP2015197737A (ja) 2014-03-31 2015-11-09 富士フイルム株式会社 データ出力装置、方法及びプログラム
WO2016103322A1 (ja) 2014-12-22 2016-06-30 株式会社日立製作所 分析システム
JP2018000232A (ja) 2016-06-27 2018-01-11 日本電信電話株式会社 変化点検知装置、変化点検知方法および変化点検知プログラム
JP2019075012A (ja) 2017-10-18 2019-05-16 キヤノンメディカルシステムズ株式会社 病院情報システム、及び画像データ生成プログラム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0619984A (ja) * 1992-07-03 1994-01-28 Nippon Iryo Joho Center:Kk 医療データ管理システム
US7074190B2 (en) 2002-10-09 2006-07-11 Industrial Technology Research Institute Non-invasive apparatus system for monitoring drug hepatoxicity and uses thereof
JP2007148890A (ja) * 2005-11-29 2007-06-14 Hitachi Ltd 機器診断装置
TWI667995B (zh) * 2014-05-26 2019-08-11 愛爾蘭商瑞思邁感測技術有限公司 監督慢性疾病之方法及設備
JP6527727B2 (ja) 2015-03-17 2019-06-05 テルモ株式会社 医療業務支援システムおよびその警告方法
JP2016184221A (ja) * 2015-03-25 2016-10-20 富士フイルム株式会社 診療支援装置とその作動方法および作動プログラム、並びに診療支援システム
JP6360967B2 (ja) * 2015-04-07 2018-07-18 富士フイルム株式会社 診療支援装置とその作動方法および作動プログラム、並びに診療支援システム
WO2018051343A1 (en) * 2016-09-13 2018-03-22 The Medical Research, Infrastructure and Health Services Fund of the Tel Aviv Medical Center Dynamic treatment regime (dtr) implementations
JP6869167B2 (ja) 2017-11-30 2021-05-12 パラマウントベッド株式会社 異常報知装置、プログラム及び異常報知方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008178635A (ja) 2007-01-26 2008-08-07 Konica Minolta Medical & Graphic Inc 咳漱解析装置
WO2014006862A1 (ja) 2012-07-05 2014-01-09 パナソニック株式会社 生活習慣病改善支援システム、生活習慣病改善支援方法、生活習慣病改善支援用コンピュータプログラム、及び、生活習慣病改善支援用コンピュータプログラムを格納したコンピュータ読み取り可能な記録媒体
JP2014194712A (ja) 2013-03-29 2014-10-09 Fujifilm Corp 検査データ表示制御装置および方法並びにプログラム
JP2015197737A (ja) 2014-03-31 2015-11-09 富士フイルム株式会社 データ出力装置、方法及びプログラム
WO2016103322A1 (ja) 2014-12-22 2016-06-30 株式会社日立製作所 分析システム
JP2018000232A (ja) 2016-06-27 2018-01-11 日本電信電話株式会社 変化点検知装置、変化点検知方法および変化点検知プログラム
JP2019075012A (ja) 2017-10-18 2019-05-16 キヤノンメディカルシステムズ株式会社 病院情報システム、及び画像データ生成プログラム

Also Published As

Publication number Publication date
US11923089B2 (en) 2024-03-05
JP2021060648A (ja) 2021-04-15
CN112614581A (zh) 2021-04-06
US20210104324A1 (en) 2021-04-08

Similar Documents

Publication Publication Date Title
US10777321B2 (en) System and method for facilitating delivery of patient-care
US10806407B2 (en) Medical information processing system
US20190189282A1 (en) Medical information processing apparatus and medical information processing method
JP6771986B2 (ja) 医用情報処理装置
JP2020187687A (ja) 医用情報処理装置
US11728034B2 (en) Medical examination assistance apparatus
JP2022059448A (ja) 診療支援システム
JP7383440B2 (ja) 診断支援システム、診断支援装置及びプログラム
JP2012507770A (ja) 同時のガイドライン実行のための方法及びシステム
CN111863179B (zh) 医用信息处理装置、医用信息处理方法及程序
Ngui et al. OS 26-04 targeting care gaps in patients with hypertension: a quality improvement project utilizing EMR hypertension dashboards and a chronic disease coordinator
JP2021117682A (ja) 医用情報処理装置、医用情報処理方法、および医用情報処理プログラム
Daniel et al. Blood pressure documentation in the emergency department
Yumang et al. Android Based Blood Pressure Monitoring System Using Wrist Sphygmomanometer
Kamboj et al. Predicting Blood Pressure After Nitroglycerin Infusion Dose Titration in Critical Care Units: A Multicenter Retrospective Study
US20230240623A1 (en) Medical information display apparatus, medical information display method, and non-volatile computer-readable storage medium storing therein medical information display program
US20230186539A1 (en) Medical information processing apparatus and medical information processing method
JP7254501B2 (ja) 医用情報処理装置及び医用情報処理方法
JP7442334B2 (ja) 医療支援情報処理装置
US11819314B2 (en) Medical apparatus and test assisting method
WO2024106526A1 (ja) 学習用データ生成方法、学習モデル生成方法、出力プログラム、学習用モデルデータ生成装置、学習用データ生成プログラム、出力装置及び出力方法
JP7458762B2 (ja) 医療情報処理装置及びプログラム
Sundaramurthy IoT on healthcare using clinical decision support system
Mathur et al. The Translational Application of AI in Healthcare
US10825557B2 (en) Medical information processing apparatus

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220715

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230712

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230725

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230925

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: 20231010

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231108

R150 Certificate of patent or registration of utility model

Ref document number: 7383440

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150