JP7400828B2 - 患者状態予測装置、患者状態予測方法、及びコンピュータプログラム - Google Patents
患者状態予測装置、患者状態予測方法、及びコンピュータプログラム Download PDFInfo
- Publication number
- JP7400828B2 JP7400828B2 JP2021553994A JP2021553994A JP7400828B2 JP 7400828 B2 JP7400828 B2 JP 7400828B2 JP 2021553994 A JP2021553994 A JP 2021553994A JP 2021553994 A JP2021553994 A JP 2021553994A JP 7400828 B2 JP7400828 B2 JP 7400828B2
- Authority
- JP
- Japan
- Prior art keywords
- patient
- condition
- prediction
- model
- patient condition
- 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
- 238000000034 method Methods 0.000 title claims description 42
- 238000004590 computer program Methods 0.000 title claims description 19
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
Description
本発明は、患者の状態を予測する患者状態予測装置、患者状態予測方法、及びコンピュータプログラムの技術分野に関する。
この種の装置として、患者（例えば、病院に入院している患者等）の状態に関する予測を行うものが知られている。例えば特許文献１では、複数のクラスタに分類された患者の状態から、所定の事象の発生を予測する予測モデルを生成する技術が開示されている。
また、予測モデルを利用する技術として、複数の予測モデルを利用するものが知られている。例えば特許文献２では、複数の予測モデルのうち、評価がより高い予測モデルを優先して選択する技術が開示されている。
その他の関連する技術として、特許文献３では、患者の疾病が基準期間以内に発症することを予測して通知する技術が開示されている。特許文献４では、選択されたモデルから病に関する情報を導出する技術が開示されている。
患者の状態を予測モデルで予測する場合、その患者に適した予測モデルを使用することが好ましい。言い換えれば、患者に適さない予測モデルを使用してしまうと、患者の状態を正確に予測できないおそれがある。
しかしながら、患者の特性は一人ひとり異なるため、すべての患者に適した予測モデルを予め用意することは難しい。また、複数種類の予測モデルを用意したとしても、その中から患者に適した予測モデルを選択することも決して容易ではない。即ち、上述した各特許文献には、患者の状態を正確に予測するという点において改善の余地がある。
本発明は、上記問題点に鑑みてなされたものであり、適切な予測モデルを用いて患者の状態の変化を予測することが可能な患者状態予測装置、患者状態予測方法及びコンピュータプログラムを提供することを課題とする。
本発明の患者状態予測装置の一の態様は、患者に関する情報である患者データを取得する取得手段と、前記患者の状態である患者状態の変化を予測する複数の予測モデルの中から、前記患者データに基づいて一の予測モデルを選択する選択手段と、前記一の予測モデルを用いて、将来の前記患者状態の変化を予測する予測手段とを備える。
本発明の患者状態予測方法の一の態様は、患者に関する情報である患者データを取得し、前記患者の状態である患者状態の変化を予測する複数の予測モデルの中から、前記患者データに基づいて一の予測モデルを選択し、前記一の予測モデルを用いて、将来の前記患者状態の変化を予測する。
本発明のコンピュータプログラムの一の態様は、患者に関する情報である患者データを取得し、前記患者の状態である患者状態の変化を予測する複数の予測モデルの中から、前記患者データに基づいて一の予測モデルを選択し、前記一の予測モデルを用いて、将来の前記患者状態の変化を予測するようにコンピュータを動作させる。
上述した患者状態予測装置、患者状態予測方法、及びコンピュータプログラムのそれぞれの一の態様によれば、適切な予測モデルを用いて、患者の状態の変化を正確に予測することが可能である。
以下、図面を参照しながら、患者状態予測装置、患者状態予測方法、及びコンピュータプログラムの実施形態について説明する。
＜第１実施形態＞
第１実施形態に係る患者状態予測装置について、図１から図５を参照して説明する。
第１実施形態に係る患者状態予測装置について、図１から図５を参照して説明する。
（装置構成）
まず、図１及び図２を参照しながら、第１実施形態に係る患者状態予測装置の構成について説明する。図１は、第１実施形態に係る患者状態予測装置の全体構成を示すブロック図である。図２は、第１実施形態に係る患者状態予測装置のハードウェア構成を示すブロック図である。
まず、図１及び図２を参照しながら、第１実施形態に係る患者状態予測装置の構成について説明する。図１は、第１実施形態に係る患者状態予測装置の全体構成を示すブロック図である。図２は、第１実施形態に係る患者状態予測装置のハードウェア構成を示すブロック図である。
図１において、第１実施形態に係る患者状態予測装置１は、患者の状態（即ち、「患者状態」）の変化を予測する装置である。なお、ここでの「患者状態」とは、患者の症状の良し悪しに関する様子を表す文言であり、例えば、入院患者の術後の回復状態（より具体的には、症状が軽くなっているか、或いは、日常生活動作が行えるようになっているか）等を定量的に示したものである。患者状態予測装置１は、主な構成要素として、患者データ取得部１１０と、予測モデル選択部１２０と、患者状態予測部１３０とを備えて構成されている。
患者データ取得部１１０は、患者に関する情報である患者データを取得することが可能に構成されている。「患者データ」とは、患者の属性や、病院で計測された患者に関する各種データ、患者状態から算出される指標等、今後の患者状態の変化に影響し得るデータである。患者データの具体的な例としては、一般的なバイタルサイン（血圧、脈拍、体温等）の他、ＦＩＭ（Ｆｕｎｃｔｉｏｎａｌ Ｉｎｄｅｐｅｎｄｅｎｃｅ Ｍｅａｓｕｒｅ：機能的自立度評価表）、ＢＩ（Ｂａｒｔｈｅｌ Ｉｎｄｅｘ：バーセルインデックス）、ＮＩＨＳＳ（Ｎａｔｉｏｎａｌ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｈｅａｌｔｈ Ｓｔｒｏｋｅ Ｓｃａｌｅ：脳卒中重症度の評価スケール）、ＭＭＴ（Ｍａｎｕａｌ Ｍｕｓｃｌｅ Ｔｅｓｔ：徒手筋力テスト）、ＪＣＳ（Ｊａｐａｎ Ｃｏｍａ Ｓｃａｌｅ：意識レベル）、及びＳｐＯ２（経皮的動脈血酸素飽和度）等の患者の状態から算出された各種指標、並びに患者の入院期間に関する情報が挙げられる。なお、患者データの具体的な取得方法（或いは、算出方法）については、既存の技術を適宜採用することができるため、ここでの詳細な説明は省略する。患者データ取得部１１０で取得された患者データは、予測モデル選択部１２０に出力される構成となっている。
予測モデル選択部１２０は、患者データ取得部１１０で取得された患者データに基づいて、患者状態を予測するための予測モデルを選択可能に構成されている。より具体的には、予測モデル選択部１２０は、予め複数種類の予測モデルを記憶しており、その中から、患者データに適した一の予測モデル（言い換えれば、その患者の患者状態をより正確に予測できる予測モデル）を選択する。予測モデルの具体的な選択方法については、後に詳述する。なお、「予測モデル」とは、将来の患者状態を予測するために用いられる演算モデルであり、例えば機械学習等によって生成される。なお、機械学習の手法は特に限定されず、使用される患者データ等に応じて適した手法を用いればよい。また。複数の予測モデルの各々は、同じ手法で生成されてもよいし、異なる手法で生成されてもよい。予測モデル選択部１２０による選択結果は、患者状態予測部１３０に出力される構成となっている。
患者状態予測部１３０は、予測モデル選択部１２０で選択された予測モデルを用いて、将来の患者状態を予測可能に構成されている。具体的には、患者状態予測部１３０は、患者データ（過去や現時点での患者状態を含んでいてもよい）を予測モデルに入力し、その出力として、将来の患者状態を取得する。患者状態のより具体的な予測方法については、後に詳述する。患者状態予測部１３０で予測された患者状態は、外部装置（例えば、ディスプレイ等）に出力される構成となっている。
図２に示すように、本実施形態に係る患者状態予測装置１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１２と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１３と、記憶装置１４とを備えている。患者状態予測装置１は更に、入力装置１５と、出力装置１６とを備えていてもよい。ＣＰＵ１１と、ＲＡＭ１２と、ＲＯＭ１３と、記憶装置１４と、入力装置１５と、出力装置１６とは、データバス１７を介して接続されている。
ＣＰＵ１１は、コンピュータプログラムを読み込む。例えば、ＣＰＵ１１は、ＲＡＭ１２、ＲＯＭ１３及び記憶装置１４のうちの少なくとも一つが記憶しているコンピュータプログラムを読み込んでもよい。例えば、ＣＰＵ１１は、コンピュータで読み取り可能な記録媒体が記憶しているコンピュータプログラムを、図示しない記録媒体読み取り装置を用いて読み込んでもよい。ＣＰＵ１１は、ネットワークインタフェースを介して、患者状態予測装置１の外部に配置される不図示の装置からコンピュータプログラムを取得してもよい（つまり、読み込んでもよい）。ＣＰＵ１１は、読み込んだコンピュータプログラムを実行することで、ＲＡＭ１２、記憶装置１４、入力装置１５及び出力装置１６を制御する。本実施形態では特に、ＣＰＵ１１が読み込んだコンピュータプログラムを実行すると、ＣＰＵ１１内には、患者状態を予測するための機能ブロックが実現される。上述した、患者データ取得部１１０、予測モデル選択部１２０、及び患者状態予測部１３０は、例えばこのＣＰＵ１１において実現されるものである。
ＲＡＭ１２は、ＣＰＵ１１が実行するコンピュータプログラムを一時的に記憶する。ＲＡＭ１２は、ＣＰＵ１１がコンピュータプログラムを実行している際にＣＰＵ１１が一時的に使用するデータを一時的に記憶する。ＲＡＭ１２は、例えば、Ｄ－ＲＡＭ（Ｄｙｎａｍｉｃ ＲＡＭ）であってもよい。
ＲＯＭ１３は、ＣＰＵ１１が実行するコンピュータプログラムを記憶する。ＲＯＭ１３は、その他に固定的なデータを記憶していてもよい。ＲＯＭ１３は、例えば、Ｐ－ＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）であってもよい。
記憶装置１４は、患者状態予測装置１が長期的に保存するデータを記憶する。記憶装置１４は、ＣＰＵ１１の一時記憶装置として動作してもよい。記憶装置１４は、例えば、ハードディスク装置、光磁気ディスク装置、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）及びディスクアレイ装置のうちの少なくとも一つを含んでいてもよい。
入力装置１５は、患者状態予測装置１のユーザからの入力指示を受け取る装置である。入力装置１５は、例えば、キーボード、マウス、タッチパネル、スマートフォン、及びタブレットのうちの少なくとも一つを含んでいてもよい。
出力装置１６は、患者状態予測装置１に関する情報を外部に対して出力する装置である。例えば、出力装置１６は、患者状態予測装置１に関する情報を表示可能な表示装置であってもよい。
（動作説明）
次に、図３を参照しながら、第１実施形態に係る患者状態予測装置１の動作の流れについて説明する。図３は、第１実施形態に係る患者状態予測装置の動作の流れを示すフローチャートである。
次に、図３を参照しながら、第１実施形態に係る患者状態予測装置１の動作の流れについて説明する。図３は、第１実施形態に係る患者状態予測装置の動作の流れを示すフローチャートである。
図３に示すように、第１実施形態に係る患者状態予測装置１の動作時には、まず患者データ取得部１１０が、患者データを取得する（ステップＳ１０１）。なお、ここで取得される患者データは、現時点のものだけではなく、過去に取得されたもの（言い換えれば、蓄積された過去の患者データ）であってもよい。
続いて、予測モデル選択部１２０が、患者データ取得部１１０で取得された患者データに基づいて、予測モデルを選択する（ステップＳ１０２）。予測モデル選択部１２０は、患者データが複数種類取得されている場合には、その中の１種類を用いて予測モデルを取得してもよいし、複数種類を用いて（組み合わせて）予測モデルを取得してもよい。
続いて、患者状態予測部１３０が、予測モデル選択部１２０で選択された予測モデルを用いて、患者状態を予測する（ステップＳ１０３）。ここで予測される患者状態は、将来の患者の状態を示すものであり、例えば数日後の患者の症状の良し悪しや合併症のリスクを判定可能なものであってもよい。
（予測モデルの選択）
次に、図４を参照しながら、予測モデルの具体的な選択方法（即ち、図３のステップＳ１０２の詳細）について説明する。図４は、患者データに基づく予測モデルの選択方法の一例を示す図である。
次に、図４を参照しながら、予測モデルの具体的な選択方法（即ち、図３のステップＳ１０２の詳細）について説明する。図４は、患者データに基づく予測モデルの選択方法の一例を示す図である。
図４に示すように、予測モデル選択部１２０は、患者データとして取得された「（過去又は現在の）患者状態」及び「入院期間」に基づいて予測モデルを選択してもよい。例えば、予測モデル選択部１２０は、患者状態の程度と、入院期間における時期（即ち、入院期間全体で見た場合にどれくらい期間が経過した状態なのか）との双方に基づいて、予測モデルを選択してもよい。ここでは、患者状態が「良い」、「普通」、「悪い」のいずれであるか、及び入院期間が「初期」、「中期」、「後期」のいずれであるかによって、モデル１～９のいずれかが選択される。例えば、患者の入院期間が「初期」であり、患者状態が「悪い」である場合、その患者に適した予測モデルとしてモデル１が選択される。患者の入院期間が「中期」であり、患者状態が「普通」である場合、その患者に適した予測モデルとしてモデル５が選択される。患者の入院期間が「後期」であり、患者状態が「良い」である場合、その患者に適した予測モデルとしてモデル９が選択される。
上記のように、予測モデルは、患者データ取得部１１０で取得された患者データに基づいて選択される。なお、図４に示す選択方法はあくまで一例であり、その他の手法を用いて予測モデルが選択されても構わない。例えば、患者状態又は入院期間のいずれか一方のみに基づいて予測モデルを選択してもよいし、患者状態及び入院期間に加えて一又は複数の他の要因に基づいて予測モデルを選択してもよい。
（患者状態の予測）
次に、図５を参照しながら、予測モデルを用いた患者状態の予測方法（即ち、図３のステップＳ１０３の詳細）について説明する。図５は、予測モデルを用いた患者状態の予測方法の一例を示すチャートである。
次に、図５を参照しながら、予測モデルを用いた患者状態の予測方法（即ち、図３のステップＳ１０３の詳細）について説明する。図５は、予測モデルを用いた患者状態の予測方法の一例を示すチャートである。
図７に示すように、予測モデルは、過去Ｍ日間の患者状態を用いて、Ｎ日後までの患者状態を予測するものであってもよい（なお「Ｍ」及び「Ｎ」は自然数とする）。この場合、患者状態予測部１３０は、予測モデル選択部１２０で選択された予測モデルに、過去Ｍ日間の患者状態を示すデータを入力する、すると、今日からＮ日後までの患者状態を示すデータが、予測結果として予測モデルから出力される。このような動作により、患者状態予測部１３０は、将来の患者状態を予測する。
なお、本実施形態では、上述した「Ｍ」及び「Ｎ」の値が適宜定められた複数の予測モデルが予め用意されており、予測モデル選択部１２０は、その中から患者データに基づいて一の予測モデルを選択してもよい。言い換えれば、予測モデル選択部１２０は、患者データに基づいて、適切な「Ｍ」及び「Ｎ」を決定するようなものであってもよい。このようにすれば、予測モデルの選択によって、より正確に将来の患者状態を予測することができる。例えば、入院期間が比較的長くなると患者の容体が安定する傾向にある場合、入院期間が長くなるほどＭを大きくする（即ち、Ｍの大きい予測モデルを選択する）ことで正確な予測が行える。また、患者の年齢が低くなると容体が安定する傾向がある場合、患者の年齢が低くなるほどＭを大きくする（即ち、Ｍの大きい予測モデルを選択する）ことで正確な予測が行える。更に、より長期間の患者状態を把握すべき状況においては、Ｎを大きくする（即ち、Ｎの大きい予測モデルを選択する）ことで適切な予測が行える。
（技術的効果）
次に、第１実施形態に係る患者状態予測装置１によって得られる技術的効果について説明する。
次に、第１実施形態に係る患者状態予測装置１によって得られる技術的効果について説明する。
図１から図５で説明したように、第１実施形態に係る患者状態予測装置１によれば、患者データに基づいて選択された予測モデルを用いて患者状態が予測される。このため、毎回１つの予測モデルのみを使用して患者状態を予測する場合と比較すると、より正確な患者状態を予測することが可能である。即ち、患者一人ひとりに適した予測モデルを使用して患者状態が予測できるため、予測結果がより正確なものとなる。
＜第２実施形態＞
次に、第２実施形態に係る患者状態予測装置について、図６及び図７を参照して説明する。なお、第２実施形態は、上述した第１実施形態と比較して一部の構成及び動作が異なるのみであり、その他の部分は概ね同様である。このため、以下ではすでに説明した第１実施形態と異なる部分について説明し、他の重複する部分については適宜説明を省略するものとする。
次に、第２実施形態に係る患者状態予測装置について、図６及び図７を参照して説明する。なお、第２実施形態は、上述した第１実施形態と比較して一部の構成及び動作が異なるのみであり、その他の部分は概ね同様である。このため、以下ではすでに説明した第１実施形態と異なる部分について説明し、他の重複する部分については適宜説明を省略するものとする。
（動作説明）
まず、図６を参照しながら、第２実施形態に係る患者状態予測装置１の動作の流れについて説明する。図６は、第２実施形態に係る患者状態予測装置の動作の流れを示すフローチャートである。なお、図６では、図３で示した処理と同様の処理に同一の符号を付している。
まず、図６を参照しながら、第２実施形態に係る患者状態予測装置１の動作の流れについて説明する。図６は、第２実施形態に係る患者状態予測装置の動作の流れを示すフローチャートである。なお、図６では、図３で示した処理と同様の処理に同一の符号を付している。
図６に示すように、第２実施形態に係る患者状態予測装置１の動作時には、第１実施形態と同様に、患者データ取得部１１０が、患者データを取得し（ステップＳ１０１）、予測モデル選択部１２０が、取得された患者データに基づいて予測モデルを選択し（ステップＳ１０２）、患者状態予測部１３０が、選択された予測モデルを用いて患者状態を予測する（ステップＳ１０３）。
その後、第２実施形態では、患者状態予測部１３０が、予測した患者状態に基づいて患者に合併症が発生するリスク（以下、適宜「合併症リスク」と称する）があるか否かを判定する（ステップＳ２０１）。合併症リスクの具体的な判定方法については、後に詳述する。
合併症リスクがあると判定された場合（ステップＳ２０１：ＹＥＳ）、患者状態予測部１３０は、患者に対する対処（ケア）に関する情報（典型的には、合併症リスクを小さくするための対処に関する情報）を出力する（ステップＳ２０２）。より具体的には、患者状態予測部１３０は、患者に発生し得る合併症を予測すると共に、その合併症の発生を抑制するのに有効な対処を特定し、特定した対処の内容を医療スタッフ等に通知する。なお、合併症リスクの高さに応じて、出力する情報が変更されてもよい。例えば、合併症リスクが比較的低い場合には、出力する対処の種類を減らされ、実践しやすい対処（例えば、口腔ケアや、ベッド角度アップ等）のみが出力される一方で、合併症リスクが比較的高い場合には、出力する対処の種類を増やし、実践しにくい対処（例えば、呼吸苦運連や腹圧訓練等）まで出力されるようにしてもよい。
合併症リスクがないと判定された場合（ステップＳ２０１：ＮＯ）、上述したステップＳ２０２の処理は省略される。即ち、合併症リスクを小さくするための対処に関する情報は出力されない。
（合併症リスクの判定）
次に、図７を参照しながら、合併症リスクの判定方法（即ち、図６のステップＳ２０１の詳細）について説明する。図７は、予測された患者状態から合併症リスクを判定する方法の一例を示すチャートである。
次に、図７を参照しながら、合併症リスクの判定方法（即ち、図６のステップＳ２０１の詳細）について説明する。図７は、予測された患者状態から合併症リスクを判定する方法の一例を示すチャートである。
図７に示すように、合併症リスクは、患者状態予測部１３０で予測される患者状態の良し悪しに基づいて判定してもよい。具体的には、患者状態がリスク判定閾値を超えて悪化側に振れた場合、患者状態予測部１３０は、合併症リスクありと判定すればよい（図中の破線参照）。逆に、患者状態がリスク判定閾値を超えない場合、患者状態予測部１３０は、合併症リスクなしと判定すればよい（図中の一点鎖線参照）。なお、ここでの「リスク判定閾値」は、合併症リスクの有無を判定するために予め設定される閾値であり、例えば過去の合併症に関するデータ等に基づいて算出される値である。リスク判定閾値を複数設定すれば、段階的に合併症リスクを予測することもできる（即ち、合併症リスクの高さを予測することもできる）。なお、リスク判定閾値を用いる手法はあくまで一例であり、閾値以外の判定方法で合併症リスクの有無を判定してもよい。
（技術的効果）
次に、第２実施形態に係る患者状態予測装置１によって得られる技術的効果について説明する。
次に、第２実施形態に係る患者状態予測装置１によって得られる技術的効果について説明する。
図６及び図７で説明したように、第２実施形態に係る患者状態予測装置１によれば、予測した患者情報に基づいて、合併症リスクが予測される。このため、合併症の発生（言い換えれば、患者の容体の悪化）を事前に予測することが可能となる。また、合併症の発生が予測された場合には、合併症リスクを小さくするための対処に関する情報が出力される。このため、合併症の発生を効率的に予防することが可能である。
合併症の発生は、医療施設における退院遅延の大きな原因にもなっている。よって、合併症の発生を予防することで、退院遅延の発生も回避することが可能となる。この結果、病床数不足等の問題に対しても有益な効果が得られる。
なお、合併症リスクを小さくするための対処は、すべての患者に対して出力されてもよいが、その場合、医療スタッフがすべての患者に対応することが要求され、業務負荷が著しく増大してしまうおそれがある。しかるに本実施形態では、合併症リスクの有無に応じて対処に関する情報が出力されるため、医療スタッフは、対処を行うべき患者に対して効率的に対処を行うことができる。よって、医療スタッフの業務負荷を軽減することができる。
＜付記＞
以上説明した実施形態に関して、更に以下の付記を開示する。
以上説明した実施形態に関して、更に以下の付記を開示する。
（付記１）
付記１に記載の患者状態予測装置は、患者に関する情報である患者データを取得する取得手段と、前記患者の状態である患者状態の変化を予測する複数の予測モデルの中から、前記患者データに基づいて一の予測モデルを選択する選択手段と、前記一の予測モデルを用いて、将来の前記患者状態の変化を予測する予測手段とを備えることを特徴とする患者状態予測装置である。
付記１に記載の患者状態予測装置は、患者に関する情報である患者データを取得する取得手段と、前記患者の状態である患者状態の変化を予測する複数の予測モデルの中から、前記患者データに基づいて一の予測モデルを選択する選択手段と、前記一の予測モデルを用いて、将来の前記患者状態の変化を予測する予測手段とを備えることを特徴とする患者状態予測装置である。
（付記２）
付記２に記載の患者状態予測装置は、前記予測手段は、予測した将来の前記患者状態の変化に基づいて、前記患者が合併症を発症する可能性を示す合併症リスクを予測することを特徴とする請求項１に記載の患者状態予測装置である。
付記２に記載の患者状態予測装置は、前記予測手段は、予測した将来の前記患者状態の変化に基づいて、前記患者が合併症を発症する可能性を示す合併症リスクを予測することを特徴とする請求項１に記載の患者状態予測装置である。
（付記３）
付記３に記載の患者状態予測装置は、前記予測手段は、予測した前記合併症リスクに基づいて、前記患者に対する対処に関する情報を出力することを特徴とする請求項２に記載の患者状態予測装置である。
付記３に記載の患者状態予測装置は、前記予測手段は、予測した前記合併症リスクに基づいて、前記患者に対する対処に関する情報を出力することを特徴とする請求項２に記載の患者状態予測装置である。
（付記４）
付記４に記載の患者状態予測装置は、前記複数の予測モデルの各々は、前記予測モデルごとに定められた過去の第１期間における前記患者状態を用いて、将来の前記患者状態の変化を予測するモデルであることを特徴とする付記１から３のいずれか一項に記載の患者状態予測装置である。
付記４に記載の患者状態予測装置は、前記複数の予測モデルの各々は、前記予測モデルごとに定められた過去の第１期間における前記患者状態を用いて、将来の前記患者状態の変化を予測するモデルであることを特徴とする付記１から３のいずれか一項に記載の患者状態予測装置である。
（付記５）
付記５に記載の患者状態予測装置は、前記選択手段は、前記患者の入院期間が長くなるほど、前記第１期間の長いモデルを選択することを特徴とする付記４に記載の患者状態予測装置である。
付記５に記載の患者状態予測装置は、前記選択手段は、前記患者の入院期間が長くなるほど、前記第１期間の長いモデルを選択することを特徴とする付記４に記載の患者状態予測装置である。
（付記６）
付記６に記載の患者状態予測装置は、前記選択手段は、前記患者の年齢が低くなるほど、前記第１期間の長いモデルを選択することを特徴とする付記４又は５に記載の患者状態予測装置である。
付記６に記載の患者状態予測装置は、前記選択手段は、前記患者の年齢が低くなるほど、前記第１期間の長いモデルを選択することを特徴とする付記４又は５に記載の患者状態予測装置である。
（付記７）
付記７に記載の患者状態予測装置は、前記複数の予測モデルの各々は、前記予測モデルごとに定められた将来の第２期間における前記患者状態の変化を予測するモデルであることを特徴とする付記１から６のいずれか一項に記載の患者状態予測装置である。
付記７に記載の患者状態予測装置は、前記複数の予測モデルの各々は、前記予測モデルごとに定められた将来の第２期間における前記患者状態の変化を予測するモデルであることを特徴とする付記１から６のいずれか一項に記載の患者状態予測装置である。
（付記８）
付記８に記載の患者状態予測装置は、前記選択手段は、前記患者の状態を把握すべき期間が長いほど、前記第２期間の長いモデルを選択することを特徴とする付記７に記載の患者状態予測装置である。
付記８に記載の患者状態予測装置は、前記選択手段は、前記患者の状態を把握すべき期間が長いほど、前記第２期間の長いモデルを選択することを特徴とする付記７に記載の患者状態予測装置である。
（付記９）
付記９に記載の患者状態予測装置は、前記患者データは、前記患者が行える動作の程度によって定まる指標を含むことを特徴とする付記１から８のいずれか一項に記載の患者状態予測装置である。
付記９に記載の患者状態予測装置は、前記患者データは、前記患者が行える動作の程度によって定まる指標を含むことを特徴とする付記１から８のいずれか一項に記載の患者状態予測装置である。
（付記１０）
付記１０に記載の患者状態予測装置は、前記患者データは、前記患者の入院期間に関する情報を含むことを特徴とする付記１から９のいずれか一項に記載の患者状態予測装置である。
付記１０に記載の患者状態予測装置は、前記患者データは、前記患者の入院期間に関する情報を含むことを特徴とする付記１から９のいずれか一項に記載の患者状態予測装置である。
（付記１１）
付記１１に記載の患者状態予測装置は、前記患者データは、前記患者のバイタルサインに関する情報を含むことを特徴とする付記１から１０のいずれか一項に記載の患者状態予測装置である。
付記１１に記載の患者状態予測装置は、前記患者データは、前記患者のバイタルサインに関する情報を含むことを特徴とする付記１から１０のいずれか一項に記載の患者状態予測装置である。
（付記１２）
付記１２に記載の患者状態予測方法は、患者に関する情報である患者データを取得し、前記患者の状態である患者状態の変化を予測する複数の予測モデルの中から、前記患者データに基づいて一の予測モデルを選択し、前記一の予測モデルを用いて、将来の前記患者状態の変化を予測することを特徴とする患者状態予測方法である。
付記１２に記載の患者状態予測方法は、患者に関する情報である患者データを取得し、前記患者の状態である患者状態の変化を予測する複数の予測モデルの中から、前記患者データに基づいて一の予測モデルを選択し、前記一の予測モデルを用いて、将来の前記患者状態の変化を予測することを特徴とする患者状態予測方法である。
（付記１３）
付記１３に記載のコンピュータプログラムは、患者に関する情報である患者データを取得し、前記患者の状態である患者状態の変化を予測する複数の予測モデルの中から、前記患者データに基づいて一の予測モデルを選択し、前記一の予測モデルを用いて、将来の前記患者状態の変化を予測するようにコンピュータを動作させることを特徴とするコンピュータプログラムである。
付記１３に記載のコンピュータプログラムは、患者に関する情報である患者データを取得し、前記患者の状態である患者状態の変化を予測する複数の予測モデルの中から、前記患者データに基づいて一の予測モデルを選択し、前記一の予測モデルを用いて、将来の前記患者状態の変化を予測するようにコンピュータを動作させることを特徴とするコンピュータプログラムである。
（付記１４）
付記１４に記載の記録媒体は、付記１３に記載のコンピュータプログラムが記録されていることを特徴とする記録媒体である。
付記１４に記載の記録媒体は、付記１３に記載のコンピュータプログラムが記録されていることを特徴とする記録媒体である。
本発明は、請求の範囲及び明細書全体から読み取ることのできる発明の要旨又は思想に反しない範囲で適宜変更可能であり、そのような変更を伴う患者状態予測装置、患者状態予測方法、及びコンピュータプログラムもまた本発明の技術思想に含まれる。
１ 患者状態予測装置
１１ ＣＰＵ
１２ ＲＡＭ
１３ ＲＯＭ
１４ 記憶装置
１５ 入力装置
１６ 出力装置
１７ データバス
１１０ 患者データ取得部
１２０ 予測モデル選択部
１３０ 患者状態予測部
１１ ＣＰＵ
１２ ＲＡＭ
１３ ＲＯＭ
１４ 記憶装置
１５ 入力装置
１６ 出力装置
１７ データバス
１１０ 患者データ取得部
１２０ 予測モデル選択部
１３０ 患者状態予測部
Claims (12)
- 患者の状態である患者状態の変化に影響し得るデータである患者データを取得する取得手段と、
モデルごとに定められた過去の第１期間における前記患者状態を用いて将来の前記患者状態の変化を予測する複数の予測モデルの中から、前記患者データに基づいて一の予測モデルを選択する選択手段と、
前記一の予測モデルを用いて、将来の前記患者状態の変化を予測する予測手段と
を備えることを特徴とする患者状態予測装置。 - 前記予測手段は、予測した将来の前記患者状態の変化に基づいて、前記患者が合併症を発症する可能性を示す合併症リスクを予測することを特徴とする請求項１に記載の患者状態予測装置。
- 前記予測手段は、予測した前記合併症リスクに基づいて、前記患者に対する対処に関する情報を出力することを特徴とする請求項２に記載の患者状態予測装置。
- 前記選択手段は、前記患者の入院期間が長くなるほど、前記第１期間の長いモデルを選択することを特徴とする請求項１に記載の患者状態予測装置。
- 前記選択手段は、前記患者の年齢が低くなるほど、前記第１期間の長いモデルを選択することを特徴とする請求項１又は４に記載の患者状態予測装置。
- 前記複数の予測モデルの各々は、前記予測モデルごとに定められた将来の第２期間における前記患者状態の変化を予測するモデルであることを特徴とする請求項１から５のいずれか一項に記載の患者状態予測装置。
- 前記選択手段は、前記患者の状態を把握すべき期間が長いほど、前記第２期間の長いモデルを選択することを特徴とする請求項６に記載の患者状態予測装置。
- 前記患者データは、前記患者が行える動作の程度によって定まる指標を含むことを特徴とする請求項１から７のいずれか一項に記載の患者状態予測装置。
- 前記患者データは、前記患者の入院期間に関する情報を含むことを特徴とする請求項１から８のいずれか一項に記載の患者状態予測装置。
- 前記患者データは、前記患者のバイタルサインに関する情報を含むことを特徴とする請求項１から９のいずれか一項に記載の患者状態予測装置。
- 少なくとも１つのコンピュータによって、
患者の状態である患者状態の変化に影響し得るデータである患者データを取得し、
モデルごとに定められた過去の第１期間における前記患者状態を用いて将来の前記患者状態の変化を予測する複数の予測モデルの中から、前記患者データに基づいて一の予測モデルを選択し、
前記一の予測モデルを用いて、将来の前記患者状態の変化を予測する
ことを特徴とする患者状態予測方法。 - 患者の状態である患者状態の変化に影響し得るデータである患者データを取得し、
モデルごとに定められた過去の第１期間における前記患者状態を用いて将来の前記患者状態の変化を予測する複数の予測モデルの中から、前記患者データに基づいて一の予測モデルを選択し、
前記一の予測モデルを用いて、将来の前記患者状態の変化を予測する
ようにコンピュータを動作させることを特徴とするコンピュータプログラム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2019/042830 WO2021084695A1 (ja) | 2019-10-31 | 2019-10-31 | 患者状態予測装置、患者状態予測方法、及びコンピュータプログラム |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JPWO2021084695A1 JPWO2021084695A1 (ja) | 2021-05-06 |
| JPWO2021084695A5 JPWO2021084695A5 (ja) | 2022-06-10 |
| JP7400828B2 true JP7400828B2 (ja) | 2023-12-19 |
Family
ID=75714999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021553994A Active JP7400828B2 (ja) | 2019-10-31 | 2019-10-31 | 患者状態予測装置、患者状態予測方法、及びコンピュータプログラム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230197285A1 (ja) |
| JP (1) | JP7400828B2 (ja) |
| WO (1) | WO2021084695A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7220822B1 (ja) | 2022-03-23 | 2023-02-10 | 大塚製薬株式会社 | プログラム、情報処理装置、及び情報処理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006155411A (ja) | 2004-11-30 | 2006-06-15 | Houken Corp | 治療予測モデル構築システム、治療予測モデル構築方法、治療予測モデル構築用プログラム、治療内容検証・提案システム、治療内容検証・提案方法、治療内容検証・提案用プログラム、健康管理データダウンロード方法、着脱可能な記憶メディア |
| JP2014512624A (ja) | 2011-04-20 | 2014-05-22 | ザ クリーブランド クリニック ファウンデーション | 予測モデリング |
| JP2018180993A (ja) | 2017-04-14 | 2018-11-15 | 株式会社日立製作所 | データ分析支援システム及びデータ分析支援方法 |
-
2019
- 2019-10-31 US US17/768,970 patent/US20230197285A1/en active Pending
- 2019-10-31 WO PCT/JP2019/042830 patent/WO2021084695A1/ja active Application Filing
- 2019-10-31 JP JP2021553994A patent/JP7400828B2/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006155411A (ja) | 2004-11-30 | 2006-06-15 | Houken Corp | 治療予測モデル構築システム、治療予測モデル構築方法、治療予測モデル構築用プログラム、治療内容検証・提案システム、治療内容検証・提案方法、治療内容検証・提案用プログラム、健康管理データダウンロード方法、着脱可能な記憶メディア |
| JP2014512624A (ja) | 2011-04-20 | 2014-05-22 | ザ クリーブランド クリニック ファウンデーション | 予測モデリング |
| JP2018180993A (ja) | 2017-04-14 | 2018-11-15 | 株式会社日立製作所 | データ分析支援システム及びデータ分析支援方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230197285A1 (en) | 2023-06-22 |
| WO2021084695A1 (ja) | 2021-05-06 |
| JPWO2021084695A1 (ja) | 2021-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210007807A1 (en) | Systems and methods for treatment planning based on plaque progression and regression curves | |
| CN107851464B (zh) | 用于针对个体患者进行疾病进展建模和疗法优化的方法和系统 | |
| Rikkert et al. | Slowing down of recovery as generic risk marker for acute severity transitions in chronic diseases | |
| Choo et al. | A prediction model using machine learning algorithm for assessing stone-free status after single session shock wave lithotripsy to treat ureteral stones | |
| EP2350902A1 (en) | Methods of assessing risk based on medical data and uses thereof | |
| JP6072021B2 (ja) | 評価システム及び評価方法 | |
| JP2005328924A (ja) | 血糖値予測装置、血糖値予測モデル作成装置、およびプログラム | |
| WO2016181490A1 (ja) | 分析システム及び分析方法 | |
| Clark et al. | Lack of functional information explains the poor performance of ‘clot load scores’ at predicting outcome in acute pulmonary embolism | |
| JP7400828B2 (ja) | 患者状態予測装置、患者状態予測方法、及びコンピュータプログラム | |
| Ruan et al. | Real-time risk prediction of colorectal surgery-related post-surgical complications using GRU-D model | |
| JP7229178B2 (ja) | 支援システム、支援方法、支援プログラム、および支援プログラムを記録した記録媒体 | |
| Vassileva et al. | Magnitude of negative impact of preoperative heart failure on mortality during aortic valve replacement in the medicare population | |
| JP7420145B2 (ja) | リスク予測装置、リスク予測方法、及びコンピュータプログラム | |
| KR101121226B1 (ko) | 비만 변증 판별 장치 및 비만 변증 판별 방법 | |
| JP6301853B2 (ja) | 経年変化予測システム | |
| WO2022202360A1 (ja) | 情報処理装置、情報処理方法およびプログラム | |
| Kumar et al. | Nonlinear Pulse Wave Dynamics in Prediction of Coronary Heart Disease and Myocardial Infarction | |
| JP7416216B2 (ja) | ストレス許容量算出装置、ストレス許容量算出方法、及びプログラム | |
| US20210043327A1 (en) | Computing device, portable device and computer-implemented method for predicting major adverse cardiovascular events | |
| US20230105348A1 (en) | System for adaptive hospital discharge | |
| US20240144056A1 (en) | Method and computing device of establishing prediction model for predicting probability of subject experiencing white coat effect | |
| AlJaroudi et al. | Cardiovascular disease in the literature: A selection of recent original research papers | |
| WO2021009088A1 (en) | Model to dynamically predict patient's discharge readiness in general ward | |
| Lee et al. | Clinical decision support using machine learning and natriuretic peptides for the diagnosis of acute heart failure |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220401 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220401 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230606 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230804 |
|
| 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: 20231107 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231120 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7400828 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |