JP7384341B1 - 脳卒中患者の身体の痛みの改善を目的とするリハビリテーションの効果を予測するための方法、及び、システム - Google Patents
脳卒中患者の身体の痛みの改善を目的とするリハビリテーションの効果を予測するための方法、及び、システム Download PDFInfo
- Publication number
- JP7384341B1 JP7384341B1 JP2023112076A JP2023112076A JP7384341B1 JP 7384341 B1 JP7384341 B1 JP 7384341B1 JP 2023112076 A JP2023112076 A JP 2023112076A JP 2023112076 A JP2023112076 A JP 2023112076A JP 7384341 B1 JP7384341 B1 JP 7384341B1
- Authority
- JP
- Japan
- Prior art keywords
- value
- rehabilitation
- pain
- sim
- nrs
- 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
- 208000002193 Pain Diseases 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims description 32
- 208000006011 Stroke Diseases 0.000 title abstract description 25
- 208000004296 neuralgia Diseases 0.000 claims abstract description 15
- 208000021722 neuropathic pain Diseases 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 45
- 230000010365 information processing Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 17
- 238000003672 processing method Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 7
- 238000004393 prognosis Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 210000004556 brain Anatomy 0.000 description 8
- 230000006872 improvement Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 208000029028 brain injury Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002651 drug therapy Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 208000022084 motor paralysis Diseases 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000000554 physical therapy Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- VREFGVBLTWBCJP-UHFFFAOYSA-N alprazolam Chemical compound C12=CC(Cl)=CC=C2N2C(C)=NN=C2CN=C1C1=CC=CC=C1 VREFGVBLTWBCJP-UHFFFAOYSA-N 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000036441 nociceptive stimulation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 210000003735 pulvinar Anatomy 0.000 description 1
- 230000009155 sensory pathway Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
脳卒中に起因する身体の痛みの改善を目的とするリハビリテーションの効果を予測するために、
リハビリテーション実施済の対照患者C(control patient)群のリハビリテーション前の、
痛みの種類別の指数を示すNPI(Neuropathic Pain Inventory)値(NPIは0~10のいずれかの値とする)と、
痛みの種類を問わない全体的な痛みの指数を示すNRS(Numeric Rating Scale)値と、
リハビリテーション実施前の新規患者N(new patient)のNPI値との類似度とから、
新規患者Nのリハビリテーション後のNRS値の予測値を算出するためのソフトウェアによる情報処理方法であって、
少なくともデータベースと、入出力端末とに接続された情報処理装置に実装されたソフトウェアにおいて、
データベースに予め記憶された、対照患者Cのx種類の個別の痛みごとの、
リハビリテーション前のNPI値であるb(before)1~bxと
リハビリテーション前のNRS値であるPb(Pain before)と
リハビリテーション後のNRS値であるPa(Pain after)とから、
対照患者Cの総数をn人としたときの、i番目の対照患者C(i)の、
前記b1~bxの数列からなるx次元ベクトルをCVb(i)とし、
前記PbをCPb(i)とし、
前記PaをCPa(i)とし、
入出力端末から入力された新規患者Nの、
b1~bxの数列からなるx次元ベクトルをNVbとし、
リハビリテーション前のNRS値をNPbとし、
前記CVb(i)と前記NVbとの間のコサイン類似度をSim(i)とする処理を行った上で、
すべての対照患者Cの前記Sim(i)と前記NPbとから、新規患者Nのリハビリテーション後のNRS値であるNPa(all)を
NPa(all)=NPb×{(Σ(i=1 to n)[(Sim(i)/Σ(i=1 to n)Sim(i))×(CPa(i)/CPb(i))]}
の数式によって算出し、入出力端末から出力可能としたこと、を特徴とする。
脳卒中に起因する身体の痛みの改善を目的とするリハビリテーションの効果を予測するために、
リハビリテーション実施済の対照患者C(control patient)群のリハビリテーション前の、
痛みの種類別の指数を示すNPI(Neuropathic Pain Inventory)値(NPIは0~10のいずれかの値とする)と、
痛みの種類を問わない全体的な痛みの指数を示すNRS(Numeric Rating Scale)値と、
リハビリテーション実施前の新規患者N(new patient)のNPI値との類似度とから、
新規患者Nのリハビリテーション後のNRS値の予測値を算出するためのソフトウェアによる情報処理方法であって、
少なくともデータベースと、入出力端末とに接続された情報処理装置に実装されたソフトウェアにおいて、
データベースに予め記憶された、対照患者Cのx種類の個別の痛みごとの、
リハビリテーション前のNPI値であるb(before)1~bxと
リハビリテーション前のNRS値であるPb(Pain before)と
リハビリテーション後のNRS値であるPa(Pain after)とから、
対照患者Cの総数をn人としたときの、i番目の対照患者C(i)の、
前記b1~bxの数列からなるx次元ベクトルをCVb(i)とし、
前記PbをCPb(i)とし、
前記PaをCPa(i)とし、
入出力端末から入力された新規患者Nの、
b1~bxの数列からなるx次元ベクトルをNVbとし、
リハビリテーション前のNRS値をNPbとし、
前記CVb(i)と前記NVbとの間のコサイン類似度をSim(i)とする処理を行った上で、
さらに、
前記Sim(i)が上位である対照患者Cを絞り込む比率として入出力端末から入力された任意の値をxとして、
標準正規分布表のxに対応する値を基準Z値zとした場合において、
すべての対照患者Cの前記CVb(i)と前記NVbとの類似度Sim(i=1~n)の平均値であるSim(ave)と標準偏差とを計算する第1ステップと、
前記Sim(ave)と標準偏差とからzに該当する基準類似度SimZを算出して、SimZ以上のSim(i)を有する対照患者c(人数はm人)を抽出する第2ステップと、
対照患者c(i)(i=1~m)の前記Sim(i)と前記NPbとから、新規患者Nのリハビリテーション後のNRS値であるNPa(lim)を
NPa(lim)=NPb×{(Σ(i=1 to m)[(Sim(i)/Σ(i=1 to m)Sim(i))×(CPa(i)/CPb(i))]}
の数式によって算出する第3ステップと、
によりNPa(lim)を算出し、入出力端末から出力可能としたこと、を特徴とするソフトウェアによる情報処理方法である。
θ(i)=10*[1-cos-1(Sim(i))/ (π/2)]
の数式により算出したθ(i)の値を、前記NPa(lim)の信頼度として入出力端末から出力可能としたこと、を特徴とする。
脳卒中に起因する身体の痛みの改善を目的とするリハビリテーションの効果を予測するために、リハビリテーション実施済の対照患者C(control patient)群のリハビリテーション前の、痛みの種類別の指数を示すNPI(NeuropathiCPain Inventory)値(NPIは0~10のいずれかの値とする)と、痛みの種類を問わない全体的な痛みの指数を示すNRS(Numeric Rating Scale)値と、リハビリテーション実施前の新規患者N(new patient)のNPI値との類似度とから、新規患者Nのリハビリテーション後のNRS値の予測値を算出するためのシステムであって、
前記システムは、少なくともデータベースと、情報処理装置と、ソフトウェアと、入出力端末とからなり、
前記データベースは、少なくとも
総数n人の前記対照患者Cのそれぞれについての、
リハビリテーション前のNPI値であるCb(before)1~bxと、
リハビリテーション前のNRS値であるCPb(Pain before)と、
リハビリテーション後のNRS値であるCPa(Pain after)と
を記憶しており、
前記ソフトウェアは、前記情報処理装置において、
前記入出力端末からの、
新規患者N(new patient)の、
リハビリテーション前のNPI値であるNb(before)1~Nbxと、
リハビリテーション前のNRS値であるNPb(Pain before)
の入力を受けて、
i番目の対照患者C(i)の、
前記Cb1~Cbxの数列からなるx次元ベクトルをCVb(i)とし、
前記CPbをCPb(i)とし、
前記CPaをCPa(i)とし、
新規患者Nの、
前記Nb1~bxの数列からなるx次元ベクトルをNVbとして、
前記CVb(i)と前記NVbとの間のコサイン類似度Sim(i)を算出し、
すべての対照患者CのSim(i)と前記NPbとから、新規患者Nのリハビリテーション後のNRS値であるNPa(all)を
NPa(all)=NPb×{(Σ(i=1 to n)[(Sim(i)/Σ(i=1 to n)Sim(i))×(CPa(i)/CPb(i))]}
の数式によって算出して、前記入出力端末から出力可能としたこと、
を特徴とする。
脳卒中に起因する身体の痛みの改善を目的とするリハビリテーションの効果を予測するために、リハビリテーション実施済の対照患者C(control patient)群のリハビリテーション前の、痛みの種類別の指数を示すNPI(NeuropathiCPain Inventory)値(NPIは0~10のいずれかの値とする)と、痛みの種類を問わない全体的な痛みの指数を示すNRS(Numeric Rating Scale)値と、リハビリテーション実施前の新規患者N(new patient)のNPI値との類似度とから、新規患者Nのリハビリテーション後のNRS値の予測値を算出するためのシステムであって、
前記システムは、少なくともデータベースと、情報処理装置と、ソフトウェアと、入出力端末とからなり、
前記データベースは、少なくとも
総数n人の前記対照患者Cのそれぞれについての、
リハビリテーション前のNPI値であるCb(before)1~bxと、
リハビリテーション前のNRS値であるCPb(Pain before)と、
リハビリテーション後のNRS値であるCPa(Pain after)と
を記憶しており、
前記ソフトウェアは、前記情報処理装置において、
前記入出力端末からの、
新規患者N(new patient)の、
リハビリテーション前のNPI値であるNb(before)1~Nbxと、
リハビリテーション前のNRS値であるNPb(Pain before)
の入力を受けて、
i番目の対照患者C(i)の、
前記Cb1~Cbxの数列からなるx次元ベクトルをCVb(i)とし、
前記CPbをCPb(i)とし、
前記CPaをCPa(i)とし、
新規患者Nの、
前記Nb1~bxの数列からなるx次元ベクトルをNVbとして、
前記CVb(i)と前記NVbとの間のコサイン類似度Sim(i)を算出し、
さらに、
前記入出力端末からの前記Sim(i)が上位である対照患者Cを絞り込む比率としての任意の値であるxの入力を受けて、
標準正規分布表のxに対応する値を基準Z値zとし、
すべての対照患者Cの前記CVb(i)と前記NVbとの類似度Sim(i=1~n)の平均値であるSim(ave)と標準偏差とを計算し、
前記Sim(ave)と標準偏差とからzに該当する基準類似度SimZを算出して、SimZ以上のSim(i)を有する対照患者c(人数はm人)を抽出し、
対照患者c(i)(i=1~m)の前記Sim(i)と前記NPbとから、
NPa(lim)=NPb×{(Σ(i=1 to m)[(Sim(i)/Σ(i=1 to m)Sim(i))×(CPa(i)/CPb(i))]}
の数式によって、新規患者Nのリハビリテーション後のNRS値であるNPa(lim)を算出して、
前記入出力端末から出力可能としたこと、
を特徴とする。
請求項5に記載の新規患者Nのリハビリテーション後のNRS値の予測値を算出するためのシステムであって、前記ソフトウェアは、前記情報処理装置において、
前記SimZ以上のSim(i)を有する対照患者cのうち、Sim(i)が最も小さい対象患者のSim(i)について、
θ(i)=10*[1-cos-1(Sim(i))/ (π/2)]
の数式により算出したθ(i)の値を前記NVa(lim)の信頼度として、
前記入出力端末から出力可能としたこと、を特徴とする。
第一実施形態に係る本システム1は、図4に示すように、入出力端末Tから、特定の新規患者Nに対するリハビリテーション実施前のNPI値の数列からなる10次元ベクトルNVb、及び、同じくリハビリテーション実施前のNRS値NPbを、入出力端末Tから情報処理装置Pへと入力することにより、ソフトウェアSが、データベースDに記憶された対象患者群Cのデータ(CVb、CPa、CPb)を参照し、すべての対照患者Cのデータに基づいて計算した新規患者Nのリハビリテーション実施後のNRS値であるNPa(all) を算出して、入出力端末Tに出力可能としている。なお、以下では、対照患者Cの総数はn人としている。
により計算を行い、ベクトルサイズ(i)を算出する。ベクトルサイズ(i)は前記10次元ベクトルCVb(i)の大きさを示す。ここで「a」は、i番目の対照患者(i)へのアンケート調査で得たNPI値の順番を表す。以上で「11 参照患者データ読込」のフローは終了し、「12 新規患データ入力」のフローへと進む。
により計算を行い、計算結果をベクトルサイズ(n+1)とする。
により、データベース内のすべての対照患者C(n人)のCVbと新規患者NのNVbのベクトル同士の類似度を合算したSim合計を算出し、さらに、次のステップ136において、数式
によりNRS比(all)を算出する。この計算によって得たNRS比(all)が、すべての対照患者C(n人)のCVbと新規患者NのNVbとの類似度に基づくNRSの改善度合いを予測する係数となる。そして、最後のステップ137で、新規患者Nのリハビリテーション前のNRS値であるNPbにNRS比(all)を乗じることで、新規患者Nのリハビリテーション後のNRS値の予測値であるNPa(all)が得られる。
NPa(all)=NPb×{(Σ(i=1 to n)[(Sim(i)/Σ(i=1 to n)Sim(i))×(CPa(i)/CPb(i))]}
である。
図7から図8にかけては、請求項5及び請求項6に係る本システムの第二実施形態におけるデータ処理の工程を、より詳細なステップに細分して説明したフローチャートである。なお、図7に示した工程「20 システム起動・初期化」から工程「23 NPa(all)算出」までは、基本的に、図5に示した第一実施形態のフローチャートと同じであるため、詳細な説明は割愛する。
によってSim標準偏差を算出する。
により、抽出された基準類似度以上の類似度を有する対照患者Cの全員についてのSim上位要素(i)を合算してSim上位合計とし、ステップ257において、数式
により、NRS比(lim)を計算する。「NRS比上位」は、ステップ236にてすべての対照患者Cについてリハビリテーション前後のNRS値の比率(すなわち痛みの改善度合い)NRS(all)を算出したのと同じ計算を、抽出された基準類似度以上の類似度を有する対照患者Cについて行うものである。
NPa(lim)=NPb×{(Σ(i=1 to m)[(Sim(i)/Σ(i=1 to m)Sim(i))×(CPa(i)/CPb(i))]}
である。
により、新規患者Nのリハビリテーション後のNRS値の予測値であるNPa(lim)の信頼度の下限値を算出する。ここで「Sim上位最低」とは、ステップ255において算出した「Sim上位最低」、すなわち、SimZ以上のSim(i)の中で最も小さいSim(i)の値を、NPa(lim)の信頼度に変換した値である。この値は「0」から「10」までの値を取り得るが、数値が大きいほど信頼性が高くなる。
P 情報処理装置
S ソフトウェア
T 入出力端末
Claims (6)
- 脳卒中に起因する身体の痛みの改善を目的とするリハビリテーションの効果を予測するために、
リハビリテーション実施済の対照患者C(control patient)群のリハビリテーション前の、
痛みの種類別の指数を示すNPI(Neuropathic Pain Inventory)値(NPIは0~10のいずれかの値とする)と、
痛みの種類を問わない全体的な痛みの指数を示すNRS(Numeric Rating Scale)値と、
リハビリテーション実施前の新規患者N(new patient)のNPI値との類似度とから、
新規患者Nのリハビリテーション後のNRS値の予測値を算出するためのソフトウェアによる情報処理方法であって、
少なくともデータベースと、入出力端末とに接続された情報処理装置に実装されたソフトウェアにおいて、
データベースに予め記憶された、対照患者Cのx種類の個別の痛みごとの、
リハビリテーション前のNPI値であるb(before)1~bxと
リハビリテーション前のNRS値であるPb(Pain before)と
リハビリテーション後のNRS値であるPa(Pain after)とから、
対照患者Cの総数をn人としたときの、i番目の対照患者C(i)の、
前記b1~bxの数列からなるx次元ベクトルをCVb(i)とし、
前記PbをCPb(i)とし、
前記PaをCPa(i)とし、
入出力端末から入力された新規患者Nの、
b1~bxの数列からなるx次元ベクトルをNVbとし、
リハビリテーション前のNRS値をNPbとし、
前記CVb(i)と前記NVbとの間のコサイン類似度をSim(i)とする処理を行った上で、
すべての対照患者Cの前記Sim(i)と前記NPbとから、新規患者Nのリハビリテーション後のNRS値であるNPa(all)を
NPa(all)=NPb×{(Σ(i=1 to n)[(Sim(i)/Σ(i=1 to n)Sim(i))×(CPa(i)/CPb(i))]}
の数式によって算出し、入出力端末から出力可能としたこと、
を特徴とするソフトウェアによる情報処理方法。 - 脳卒中に起因する身体の痛みの改善を目的とするリハビリテーションの効果を予測するために、
リハビリテーション実施済の対照患者C(control patient)群のリハビリテーション前の、
痛みの種類別の指数を示すNPI(Neuropathic Pain Inventory)値(NPIは0~10のいずれかの値とする)と、
痛みの種類を問わない全体的な痛みの指数を示すNRS(Numeric Rating Scale)値と、
リハビリテーション実施前の新規患者N(new patient)のNPI値との類似度とから、
新規患者Nのリハビリテーション後のNRS値の予測値を算出するためのソフトウェアによる情報処理方法であって、
少なくともデータベースと、入出力端末とに接続された情報処理装置に実装されたソフトウェアにおいて、
データベースに予め記憶された、対照患者Cのx種類の個別の痛みごとの、
リハビリテーション前のNPI値であるb(before)1~bxと
リハビリテーション前のNRS値であるPb(Pain before)と
リハビリテーション後のNRS値であるPa(Pain after)とから、
対照患者Cの総数をn人としたときの、i番目の対照患者C(i)の、
前記b1~bxの数列からなるx次元ベクトルをCVb(i)とし、
前記PbをCPb(i)とし、
前記PaをCPa(i)とし、
入出力端末から入力された新規患者Nの、
b1~bxの数列からなるx次元ベクトルをNVbとし、
リハビリテーション前のNRS値をNPbとし、
前記CVb(i)と前記NVbとの間のコサイン類似度をSim(i)とする処理を行った上で、
さらに、
前記Sim(i)が上位である対照患者Cを絞り込む比率として入出力端末から入力された任意の値をxとして、
標準正規分布表のxに対応する値を基準Z値zとした場合において、
すべての対照患者Cの前記CVb(i)と前記NVbとの類似度Sim(i=1~n)の平均値であるSim(ave)と標準偏差とを計算する第1ステップと、
前記Sim(ave)と標準偏差とからzに該当する基準類似度SimZを算出して、SimZ以上のSim(i)を有する対照患者c(人数はm人)を抽出する第2ステップと、
対照患者c(i)(i=1~m)の前記Sim(i)と前記NPbとから、新規患者Nのリハビリテーション後のNRS値であるNPa(lim)を
NPa(lim)=NPb×{(Σ(i=1 to m)[(Sim(i)/Σ(i=1 to m)Sim(i))×(CPa(i)/CPb(i))]}
の数式によって算出する第3ステップと、
によりNPa(lim)を算出し、入出力端末から出力可能としたこと、
を特徴とするソフトウェアによる情報処理方法。 - 前記第2ステップにおいて抽出したSimZ以上のSim(i)を有する対照患者cのうち、Sim(i)が最も小さな対照患者のSim(i)について、
θ(i)=10*[1-cos-1(Sim(i))/ (π/2)]
の数式により算出したθ(i)の値を、前記NPa(lim)の信頼度として入出力端末から出力可能としたこと、
を特徴とする請求項2に記載のソフトウェアによる情報処理方法。 - 脳卒中に起因する身体の痛みの改善を目的とするリハビリテーションの効果を予測するために、
リハビリテーション実施済の対照患者C(control patient)群のリハビリテーション前の、
痛みの種類別の指数を示すNPI(Neuropathic Pain Inventory)値(NPIは0~10のいずれかの値とする)と、痛みの種類を問わない全体的な痛みの指数を示すNRS(Numeric Rating Scale)値と、
リハビリテーション実施前の新規患者N(new patient)のNPI値との類似度とから、
新規患者Nのリハビリテーション後のNRS値の予測値を算出するためのシステムであって、
前記システムは、少なくともデータベースと、情報処理装置と、ソフトウェアと、入出力端末とからなり、
前記データベースは、少なくとも
総数n人の前記対照患者Cのそれぞれについての、
リハビリテーション前のNPI値であるCb(before)1~bxと、
リハビリテーション前のNRS値であるCPb(Pain before)と、
リハビリテーション後のNRS値であるCPa(Pain after)と
を記憶しており、
前記ソフトウェアは、前記情報処理装置において、
前記入出力端末からの、
新規患者N(new patient)の、
リハビリテーション前のNPI値であるNb(before)1~Nbxと、
リハビリテーション前のNRS値であるNPb(Pain before)
の入力を受けて、
i番目の対照患者C(i)の、
前記Cb1~Cbxの数列からなるx次元ベクトルをCVb(i)とし、
前記CPbをCPb(i)とし、
前記CPaをCPa(i)とし、
新規患者Nの、
前記Nb1~bxの数列からなるx次元ベクトルをNVbとして、
前記CVb(i)と前記NVbとの間のコサイン類似度Sim(i)を算出し、
すべての対照患者CのSim(i)と前記NPbとから、新規患者Nのリハビリテーション後のNRS値であるNPa(all)を
NPa(all)=NPb×{(Σ(i=1 to n)[(Sim(i)/Σ(i=1 to n)Sim(i))×(CPa(i)/CPb(i))]}
の数式によって算出して、前記入出力端末から出力可能としたこと、
を特徴とするシステム。 - 脳卒中に起因する身体の痛みの改善を目的とするリハビリテーションの効果を予測するために、
リハビリテーション実施済の対照患者C(control patient)群のリハビリテーション前の、
痛みの種類別の指数を示すNPI(Neuropathic Pain Inventory)値(NPIは0~10のいずれかの値とする)と、痛みの種類を問わない全体的な痛みの指数を示すNRS(Numeric Rating Scale)値と、
リハビリテーション実施前の新規患者N(new patient)のNPI値との類似度とから、
新規患者Nのリハビリテーション後のNRS値の予測値を算出するためのシステムであって、
前記システムは、少なくともデータベースと、情報処理装置と、ソフトウェアと、入出力端末とからなり、
前記データベースは、少なくとも
総数n人の前記対照患者Cのそれぞれについての、
リハビリテーション前のNPI値であるCb(before)1~bxと、
リハビリテーション前のNRS値であるCPb(Pain before)と、
リハビリテーション後のNRS値であるCPa(Pain after)と
を記憶しており、
前記ソフトウェアは、前記情報処理装置において、
前記入出力端末からの、
新規患者N(new patient)の、
リハビリテーション前のNPI値であるNb(before)1~Nbxと、
リハビリテーション前のNRS値であるNPb(Pain before)
の入力を受けて、
i番目の対照患者C(i)の、
前記Cb1~Cbxの数列からなるx次元ベクトルをCVb(i)とし、
前記CPbをCPb(i)とし、
前記CPaをCPa(i)とし、
新規患者Nの、
前記Nb1~bxの数列からなるx次元ベクトルをNVbとして、
前記CVb(i)と前記NVbとの間のコサイン類似度Sim(i)を算出し、
さらに、
前記入出力端末からの前記Sim(i)が上位である対照患者Cを絞り込む比率としての任意の値であるxの入力を受けて、
標準正規分布表のxに対応する値を基準Z値zとし、
すべての対照患者Cの前記CVb(i)と前記NVbとの類似度Sim(i=1~n)の平均値であるSim(ave)と標準偏差とを計算し、
前記Sim(ave)と標準偏差とからzに該当する基準類似度SimZを算出して、SimZ以上のSim(i)を有する対照患者c(人数はm人)を抽出し、
対照患者c(i)(i=1~m)の前記Sim(i)と前記NPbとから、
NPa(lim)=NPb×{(Σ(i=1 to m)[(Sim(i)/Σ(i=1 to m)Sim(i))×(CPa(i)/CPb(i))]}
の数式によって、新規患者Nのリハビリテーション後のNRS値であるNPa(lim)を算出して、
前記入出力端末から出力可能としたこと、
を特徴とするシステム。 - 前記ソフトウェアは、前記情報処理装置において、
前記SimZ以上のSim(i)を有する対照患者cのうち、Sim(i)が最も小さい対象患者のSim(i)について、
θ(i)=10*[1-cos-1(Sim(i))/ (π/2)]
の数式により算出したθ(i)の値を前記NVa(lim)の信頼度として、
前記入出力端末から出力可能としたこと、
を特徴とする、
請求項5に記載の新規患者Nのリハビリテーション後のNRS値の予測値を算出するためのシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023112076A JP7384341B1 (ja) | 2023-07-07 | 2023-07-07 | 脳卒中患者の身体の痛みの改善を目的とするリハビリテーションの効果を予測するための方法、及び、システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023112076A JP7384341B1 (ja) | 2023-07-07 | 2023-07-07 | 脳卒中患者の身体の痛みの改善を目的とするリハビリテーションの効果を予測するための方法、及び、システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP7384341B1 true JP7384341B1 (ja) | 2023-11-21 |
Family
ID=88833365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023112076A Active JP7384341B1 (ja) | 2023-07-07 | 2023-07-07 | 脳卒中患者の身体の痛みの改善を目的とするリハビリテーションの効果を予測するための方法、及び、システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7384341B1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007020835A (ja) | 2005-07-15 | 2007-02-01 | National Institute Of Advanced Industrial & Technology | リハビリ装置 |
JP2015047193A (ja) | 2013-08-30 | 2015-03-16 | 大学共同利用機関法人情報・システム研究機構 | リハビリテーション支援装置及びリハビリテーション支援方法 |
JP2018531961A (ja) | 2015-10-26 | 2018-11-01 | イーアイピー ファーマ, エルエルシー | 脳卒中からの回復のための方法および組成物 |
-
2023
- 2023-07-07 JP JP2023112076A patent/JP7384341B1/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007020835A (ja) | 2005-07-15 | 2007-02-01 | National Institute Of Advanced Industrial & Technology | リハビリ装置 |
JP2015047193A (ja) | 2013-08-30 | 2015-03-16 | 大学共同利用機関法人情報・システム研究機構 | リハビリテーション支援装置及びリハビリテーション支援方法 |
JP2018531961A (ja) | 2015-10-26 | 2018-11-01 | イーアイピー ファーマ, エルエルシー | 脳卒中からの回復のための方法および組成物 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6820037B2 (en) | Virtual neuro-psychological testing protocol | |
WO2021052156A1 (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
US9589104B2 (en) | Self-improving method of using online communities to predict health-related outcomes | |
US20100017225A1 (en) | Diagnostician customized medical diagnostic apparatus using a digital library | |
Dutta et al. | Deep learning-based multi-head self-attention model for human epilepsy identification from EEG signal for biomedical traits | |
CN114187988A (zh) | 数据处理的方法及装置、系统、存储介质 | |
Crabb et al. | Age, technology usage, and cognitive characteristics in relation to perceived disorientation and reported website ease of use | |
Shan et al. | Spatial–temporal graph convolutional network for Alzheimer classification based on brain functional connectivity imaging of electroencephalogram | |
CN114652311A (zh) | 一种基于阶梯式护理干预的精细化护理方法及系统 | |
Iriarte et al. | Evaluating user experience with physiological monitoring: A systematic literature review | |
JP7384341B1 (ja) | 脳卒中患者の身体の痛みの改善を目的とするリハビリテーションの効果を予測するための方法、及び、システム | |
CN117133404B (zh) | 一种针对胸廓出口综合征的智能化康复护理装置 | |
Wan et al. | EEGformer: A transformer–based brain activity classification method using EEG signal | |
Walker et al. | Beyond percent correct: Measuring change in individual picture naming ability | |
CN116564477B (zh) | 一种认知功能障碍康复训练系统 | |
IL294872A (en) | A method for obtaining customized parameters for transcranial stimulation, a transcranial stimulation system, a method for applying transcranial stimulation | |
Gaspar-Figueiredo et al. | Measuring User Experience of Adaptive User Interfaces using EEG: A Replication Study | |
Yperman et al. | Motor evoked potentials for multiple sclerosis, a multiyear follow-up dataset | |
Rahman et al. | GEAR analytics: A clinician dashboard for a mobile game assisted rehabilitation system | |
Ashburn et al. | Physiotherapy for people with Parkinson's disease in the UK: an exploration of practice | |
Franchignoni et al. | Rasch validation of the Mini-BESTest in people with Parkinson disease | |
Rudolph | Free University of Berlin: Berlin Psychotherapy Study. | |
US20160180275A1 (en) | Method and system for determining a site performance index | |
Wang et al. | Prediction model of cervical spine disease established by genetic programming | |
Civit-Masot et al. | Multidataset incremental training for optic disc segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230712 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230713 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230830 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230913 |
|
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: 20231020 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231026 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7384341 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |