JP7409384B2 - 情報処理方法 - Google Patents

情報処理方法 Download PDF

Info

Publication number
JP7409384B2
JP7409384B2 JP2021541400A JP2021541400A JP7409384B2 JP 7409384 B2 JP7409384 B2 JP 7409384B2 JP 2021541400 A JP2021541400 A JP 2021541400A JP 2021541400 A JP2021541400 A JP 2021541400A JP 7409384 B2 JP7409384 B2 JP 7409384B2
Authority
JP
Japan
Prior art keywords
fim
evaluation value
evaluation
information processing
items
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
JP2021541400A
Other languages
English (en)
Other versions
JPWO2021033281A1 (ja
Inventor
勇気 小阪
利憲 細井
雅洋 久保
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.)
NEC Corp
Original Assignee
NEC 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 NEC Corp filed Critical NEC Corp
Publication of JPWO2021033281A1 publication Critical patent/JPWO2021033281A1/ja
Application granted granted Critical
Publication of JP7409384B2 publication Critical patent/JP7409384B2/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
    • G16H50/30—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
    • 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

Landscapes

  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Description

本発明は、情報処理方法、情報処理装置、プログラムに関する。
怪我や病気、老齢などにより、日常生活における動作や認知の機能が低下してしまうことがある。そのような場合、日常生活動作や認知の機能回復のために、リハビリテーション施設においてリハビリテーションが行われる。そして、リハビリテーション施設では、リハビリテーションを行う患者の日常生活動作に関わる運動／認知機能の状態を把握する必要があり、そのような患者の状態を測る指標の一例として、ＦＩＭ（Functional Independence Measure：日常生活動作に関わる運動／認知機能を測るための指標）が用いられる。例えば、特許文献１に示すように、ＦＩＭは、１３種類の運動項目と５種類の認知項目といった全１８項目で構成されており、各項目を４段階あるいは７段階の介助が必要な度合いで評価することとしている。
そして、リハビリテーション施設では、患者のリハビリテーション計画を作成するためや、患者本人及び患者家族に対する今後の介助に関する情報を伝えるために、患者の回復を予測する必要がある。このため、例えば、過去の患者のリハビリテーションの成果を表す事例を参照して、新規の患者の現在の状況から後のＦＩＭの各項目の評価を予測することが考えられる。なお、患者である人体の状態を測る指標として上記ＦＩＭは一例であり、当該ＦＩＭとは異なる人体の状態を評価する他の指標に設定された項目の評価を予測することもありうる。
特開２０１７－０２７４７６号公報
しかしながら、上述したようにＦＩＭは１８項目あることから、すべての項目の評価を精度よく予測することは困難である。
このため、本発明の目的は、上述した課題である、ＦＩＭのすべての項目の評価を精度よく予測することは困難である、ことを解決することができる情報処理方法、情報処理装置、プログラムを提案することにある。
本発明の一形態である情報処理方法は、
ＦＩＭ（Functional Independence Measure）に設定された複数の項目のそれぞれにおける、対象者の所定時点の評価を表す第一評価値、及び、前記所定時点から所定時間経過後の対象者の評価を表す第二評価値、の入力を受け付け、
ＦＩＭの項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける前記第一評価値に対する前記第二評価値を算出するモデルを生成する、
という構成をとる。
また、本発明の一形態である情報処理方法は、
ＦＩＭ（Functional Independence Measure）に設定された項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける対象者の所定時点の評価を表す第一評価値に対する前記所定時点から所定時間経過後の対象者の評価を表す第二評価値を算出するよう生成されたモデルに対して、ＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値を入力し、当該新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する、
という構成をとる。
また、本発明の一形態である情報処理装置は、
ＦＩＭ（Functional Independence Measure）に設定された複数の項目のそれぞれにおける、対象者の所定時点の評価を表す第一評価値、及び、前記所定時点から所定時間経過後の対象者の評価を表す第二評価値、の入力を受け付ける入力部と、
ＦＩＭの項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける前記第一評価値に対する前記第二評価値を算出するモデルを生成する生成部と、
を備えた、
という構成をとる。
また、本発明の一形態である情報処理装置は、
ＦＩＭ（Functional Independence Measure）に設定された項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける対象者の所定時点の評価を表す第一評価値に対する前記所定時点から所定時間経過後の対象者の評価を表す第二評価値を算出するよう生成されたモデルに対して、ＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値を入力する入力部と、
前記新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する予測部と、
を備えた、
という構成をとる。
また、本発明の一形態であるプログラムは、
情報処理装置に、
ＦＩＭ（Functional Independence Measure）に設定された複数の項目のそれぞれにおける、対象者の所定時点の評価を表す第一評価値、及び、前記所定時点から所定時間経過後の対象者の評価を表す第二評価値、の入力を受け付ける入力部と、
ＦＩＭの項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける前記第一評価値に対する前記第二評価値を算出するモデルを生成する生成部と、
を実現させる、
という構成をとる。
また、本発明の一形態であるプログラムは、
情報処理装置に、
ＦＩＭ（Functional Independence Measure）に設定された項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける対象者の所定時点の評価を表す第一評価値に対する前記所定時点から所定時間経過後の対象者の評価を表す第二評価値を算出するよう生成されたモデルに対して、ＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値を入力する入力部と、
前記新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する予測部と、
を実現させる、
という構成をとる。
また、本発明の一形態である情報処理方法は、
人体の状態を評価する所定の指標に設定された複数の項目のそれぞれにおける、対象者の所定時点の評価を表す第一評価値、及び、前記所定時点から所定時間経過後の対象者の評価を表す第二評価値、の入力を受け付け、
前記所定の指標の項目間の関連性を表す情報に基づいて、前記所定の指標の複数の項目のそれぞれにおける前記第一評価値に対する前記第二評価値を算出するモデルを生成する、
という構成をとる。
また、本発明の一形態である情報処理方法は、
人体の状態を評価する所定の指標に設定された項目間の関連性を表す情報に基づいて、前記所定の指標の複数の項目のそれぞれにおける対象者の所定時点の評価を表す第一評価値に対する前記所定時点から所定時間経過後の対象者の評価を表す第二評価値を算出するよう生成されたモデルに対して、前記所定の指標の複数の項目のそれぞれにおける新たな前記第一評価値を入力し、当該新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する、
という構成をとる。
本発明は、以上のように構成されることにより、ＦＩＭのすべての項目の評価を精度よく予測することができる。
ＦＩＭを説明するための図である。 本発明における情報処理装置の構成を示すブロック図である。 本発明の実施形態１において、図２に開示した情報処理装置にてモデルを生成するときに利用する数式の一例を示す図である。 図３に開示した数式に含まれるデータの一例を示す図である。 図３に開示した数式に含まれるデータの一例を示す図である。 図３に開示した数式に含まれるデータの一例を示す図である。 図１に開示した情報処理装置の動作を示すフローチャートである。 本発明の実施形態２において、図２に開示した情報処理装置にてモデルを生成するときに利用する数式に含まれるデータの一例を示す図である。 本発明の実施形態３における情報処理装置のハードウェア構成を示すブロック図である。 本発明の実施形態３における情報処理装置の構成を示すブロック図である。 本発明の実施形態３における情報処理装置の他の構成を示すブロック図である。 本発明の実施形態３における情報処理装置の動作を示すフローチャートである。 本発明の実施形態３における情報処理装置の他の動作を示すフローチャートである。
＜実施形態１＞
本発明の第１の実施形態を、図１乃至図７を参照して説明する。図１乃至図６は、情報処理装置の構成を説明するための図であり、図７は、情報処理装置の処理動作を説明するための図である。
［構成］
本発明における情報処理装置１０は、怪我や病気、老齢などにより、日常生活における動作や認知の機能が低下してしまった患者（対象者）が、日常生活動作／認知の機能回復のためにリハビリテーション施設においてリハビリテーションを行う場合に、後の患者の状態を予測するために用いられる。なお、リハビリテーションを行う対象となる患者としては、脳梗塞や脳出血といった脳血管疾患の患者が挙げられるが、いかなる状態の患者を対象としてもよい。具体的に、情報処理装置１０は、患者の日常生活動作に関わる運動／認知機能を測るための指標であるＦＩＭ（Functional Independence Measure）を用いて、入院時（所定時点）のＦＩＭの各項目の評価値を含む患者の情報から、後の退院時（入院時から所定時間経過後）のＦＩＭの各項目の評価値を予測するために用いられる。このように患者の退院時のＦＩＭの各項目の評価値を予測することで、施設側としては、患者に対する効率的なリハビリテーション計画の作成を行うことができる。また、予測結果から、患者本人及び患者の家族に対する今後の介助に関する適切な情報を提供することができる。
なお、上述した入院時とは、必ずしも入院した日に限らず、入院日から数日経過後にＦＩＭの各項目の評価を行った時など、実質的に入院時とみなせる時であってもよい。また、上述した退院時とは、必ずしも退院する日に限らず、入院時から退院が予定される日や入院時から２週間や１カ月といった予め設定された期間が経過した時であってもよい。さらには、上述した入院時や退院時は一例であって、情報処理装置１０は、患者の入院中の任意の時点における状態から、さらに後の任意の時点におけるＦＩＭの各項目の評価値を予測してもよい。
ここで、患者の日常生活動作に関わる運動／認知の機能を測るための指標であるＦＩＭについて、図１を参照して説明する。図１に示すように、ＦＩＭは、患者の「運動機能」を評価する１３種類の運動項目と、患者の「認知機能」を評価する５種類の認知項目といった、全１８項目で構成されている。具体的に、ＦＩＭは、上記運動項目として、患者の「セルフケア」カテゴリの動作機能を評価する項目である「食事」、「整容」、「清拭」、「更衣（上半身）」、「更衣（下半身）」、「トイレ動作」、患者の「排泄」カテゴリの動作機能を評価する項目である「排尿コントロール」、「排便コントロール」、患者の「移乗」カテゴリの動作機能を評価する項目である「ベッド・椅子・車椅子」、「トイレ」、「浴槽・シャワー」、患者の「移動」カテゴリの動作機能を評価する項目である「歩行・車椅子」、「階段」、といった項目を含む。また、ＦＩＭは、上記認知項目として、患者の「コミュニケーション」カテゴリの機能を評価する項目である「理解（聴覚・視覚）」、「表出（音声・非音声）」、患者の「社会認識」カテゴリの機能を評価する項目である「社会的交流」、「問題解決」、「記憶」、といった項目を含む。
そして、ＦＩＭでは、上述した各項目について、患者が必要とする介助の度合いを４段階あるいは７段階で評価する。例えば、図１の右上欄に示すように、各項目について、「Ｌ１：完全介助」、「Ｌ２：介助あり」、「Ｌ３：部分介助」、「Ｌ４：自立」というように４段階の度合いで評価する場合がある。また、例えば、各項目について、「全介助」、「最大介助」、「中等度介助」、「最小介助」、「監視」、「修正自立」、「完全自立」というように７段階の度合いで評価する場合もある。このように７段階で評価する場合には、各評価度合いに対応して付与されている点数を用いて、項目ごと、カテゴリごと、機能ごとに集計して、患者を評価してもよい。
なお、上述したＦＩＭの各項目の評価は、通常は、患者を介助する専門家が評価者となって行われる。例えば、後に図６を参照して説明するが、「作業療法士（ＯＰ）」や「理学療法士（ＰＴ）」によって、「食事」、「整容」、「清拭」、「更衣（上半身）」、「更衣（下半身）」、「トイレ動作」、「ベッド・椅子・車椅子」、「浴槽・シャワー」、「階段」、といった項目が評価される。また、「看護師」によって、「排尿コントロール」、「排便コントロール」、「トイレ」、「歩行・車椅子」、といった項目が評価される。また、「言語聴覚療法士（ＳＴ）」によって、「理解（聴覚・視覚）」、「表出（音声・非音声）」、「社会的交流」、「問題解決」、「記憶」、といった項目が評価される。
上記ＦＩＭの各項目の評価値は、上述した評価者である専門家によってデータ管理装置２０に入力され、患者データとして記憶される。例えば、データ管理装置２０は、患者ごとの患者データを電子カルテとして記憶している。電子カルテには、患者データとして、例えば、「性別」、「年齢層」、「意識レベル（ＪＣＳ：Japan Coma Scale）」、「病名」、「麻痺状態」、「入院時のＦＩＭの各項目の評価値（第一評価値）」、「退院時のＦＩＭの各項目の評価値（第二評価値）」、といった情報が記憶されている。但し、患者データは、必ずしも上述した内容の情報を含むことに限定されず、上述した情報のうちの一部のみであってもよく、あるいは、他の情報が含まれていてもよい。なお、まだ入院中の患者の患者データには、「退院時のＦＩＭの各項目の評価値」は含まれていないこととなる。
そして、本発明では、上述したようなデータ管理装置２０に記憶されている患者データを用いて、情報処理装置１０が、入院当初あるいは入院したての患者の退院時のＦＩＭの各項目の評価値を予測する。このため、情報処理装置１０は、患者の退院時のＦＩＭの各項目の評価値を予測するためのモデルを生成する処理（モデル生成処理）と、かかるモデルを用いて患者の退院時のＦＩＭの各項目の評価値を予測する処理（予測処理）と、を行う機能を実現すべく、以下の構成を備えている。
まず、情報処理装置１０は、演算装置と記憶装置とを備えた１台又は複数台の情報処理装置にて構成される。そして、情報処理装置１０は、図２に示すように、演算装置がプログラムを実行することで構築された、入力部１１、学習部１２、出力部１３、を備える。また、情報処理装置１０は、記憶装置に形成された、データ記憶部１４、モデル記憶部１５、を備える。以下、各構成について詳述する。
上記入力部１１は、データ管理装置２０に対して患者データを要求し、かかる患者データの入力を受け付けて、データ記憶部１４に記憶する。なお、入力部１１は、モデル生成処理の際には、学習用データとして既に退院している患者の患者データを要求して取得する。例えば、入力部１１は、患者が退院したことを表すフラグが設定されている患者データや、退院時のＦＩＭの各項目の評価値が入力されている患者データ、を要求して、学習用データとして取得する。
また、入力部１１は、予測処理の際には、予測用データとしてまだ退院していない予測処理の対象となる患者の患者データを要求して取得する。例えば、入力部１１は、患者が退院したことを表すフラグが設定されていない患者データや、退院時のＦＩＭの各項目の評価値が入力されていない患者データ、を要求して、予測用データとして取得する。なお、予測処理の対象となる患者の予測用データとしての患者データは、後述するようにモデルを生成してから取得するが、いかなるタイミングで取得してもよい。
上記学習部１２（生成部）は、上述した学習用データとして取得した患者データを用いて機械学習を行い、患者の退院時のＦＩＭの各項目の評価値を予測するモデルを生成し、かかるモデルをモデル記憶部１５に記憶しておく。このとき、学習部１２は、患者データ内の「性別」、「年齢層」、「意識レベル」、「病名」、「麻痺状態」といった「基本情報」と、「入院時のＦＩＭの各項目の評価値（第一評価値）」といった「入院時情報」と、を入力値（X_n : n=1,...,N（N：患者数））とし、「退院時のＦＩＭの各項目の評価値（第二評価値）」を出力値（y_i : i=1,...,18（項目））とするような関数（f_i(X_n)）で表されるモデル関数を、機械学習により生成する。つまり、学習部１２は、ＦＩＭの項目毎に、入力値（X_n）に対する出力値（y_i）を算出するモデル関数を生成する。なお、この例では、y_i={1,2,3,4,5,6,7}とし、ＦＩＭの各項目の評価値が上述した７段階で評価していることとする。
学習部１２は、本実施形態では、リッジ回帰を用いてモデル関数f_iを生成する。具体的に、学習部１２は、図３の上段に示す評価関数（損失関数）を最小とするよう、モデル関数（f_i）を構成する各項のパラメータ（W）（係数）を算出することで、当該モデル関数（f_i）を生成する。
このとき、本実施形態では、図３の上段に示すように、パラメータ（W）を含む正則化項を２つ含む評価関数を用いる。具体的に、１つ目の正則化項は「λ１||w||2」であり、２つ目の正則化項は「λ２Ω（W）」である。このとき、λ1とλ2は、それぞれの正則化項が、損失関数に与える影響の度合いを調整するパラメータである。このパラメータは事前に与えられるものとする。λ１，λ２の大きさが大きいほど、損失関数に強く影響を与えることになる。
そして、本実施形態では、特に、最終項の正則化項を構成する「Ω（W）」は、図３の下段に示すように、「Si,j」で表される隣接行列を含む。この隣接行列Si,jは、ＦＩＭの項目間の関連性を表す情報であり、例えば、相互に関連する項目間には「１」、相互に関連しない項目間には「０」が設定されることとなる。
ここで、隣接行列Si,jの一例を、図４乃至図６に挙げて説明する。図４及び図５の例では、ＦＩＭの各項目の評価内容の類似性に基づいて隣接行列Si,jを設定している。具体的に、図４の例では、図１に示すＦＩＭにおける項目が属する「機能」（「運動」又は「認知」）が同一である場合に項目間が相互に関連付けられていることとし、「運動」機能に属する項目間、及び、「認知」機能に属する項目間に、「１」が設定されている。また、図５の例では、上述した「機能」がさらに分類された「カテゴリ」が同一である場合に項目間が相互に関連付けられていることとしている。具体的には、図１に示すように、「セルフケア」カテゴリ、「排泄」カテゴリ、「移乗」カテゴリ、「移動」カテゴリ、「コミュニケーション」カテゴリ、「社会認識」カテゴリ、といった同一のカテゴリに属する項目間に「１」が設定されている。また、図６の例では、ＦＩＭの各項目の「評価者」に基づいて隣接行列Si,jが設定されている。例えば、図６の最も外側の行と列には、各項目の評価者を記載しているが、かかる評価者（「作業療法士（ＯＰ）」、「理学療法士（ＰＴ）」、「看護師」、「言語聴覚療法士（ＳＴ）」が同一である項目間が相互に関連付けられていることとし、当該項目間には「１」が設定されている。
本実施形態では、上述したようにＦＩＭの項目間の関連性に応じた隣接行列を含む正則化項を設けることで、相互に関連付けられているＦＩＭの項目に対応する関数（f_i）に含まれるパラメータ同士が類似するよう、当該関数（f_i）を生成することができる。つまり、図３の下段に示す式において、相互に関連付けられているＦＩＭの項目に対応する関数のパラメータ同士の差分が２乗されることとなるが、評価関数の値を小さくするためにパラメータ同士が類似するよう最適化されることとなる。
なお、上述したように隣接行列を用いた正則化については、下記の文献に記載されており、既存技術であるため、その詳細な説明は省略する。
Nozomi Nori, Hisashi Kashima, Kazuto Yamashita, Hiroshi Ikai, and Yuichi Imanaka, "Simultaneous Modeling of Multiple Diseases for Mortality Prediction in Acute Hospital Care" in Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 855-864, 2015
上記出力部１３（予測部）は、上述したように生成したモデル関数（f_i）に、入力部１１にて予測データとして取得したまだ退院していない患者の患者データを入力する。つまり、出力部１３は、モデル関数に、入院したばかりの患者データ内の「性別」、「年齢層」、「意識レベル」、「病名」、「麻痺状態」といった「基本情報」と、「入院時のＦＩＭの各項目の評価値（第一評価値）」といった「入院時情報」と、を入力値（X_n'）としてモデル関数に入力し、かかるモデル関数（f_i (X_n')）による出力値（y_i'）を算出する。これにより、入院したばかりの患者の退院時のＦＩＭの各項目の評価値（例えば、７段階の値）を予測することができる。
［動作］
次に、上述した情報処理装置１０の動作を、図７のフローチャートを参照して説明する。はじめに、情報処理装置１０は、患者の退院時におけるＦＩＭの各項目の評価値を予測するためのモデルを生成するモデル生成処理を行う。このため、情報処理装置１０は、データ管理装置２０に対して過去の患者データを要求して、かかる患者データを学習用データとして取得する（ステップＳ１）。
そして、情報処理装置１０は、患者データ内の「性別」、「年齢層」、「意識レベル」、「病名」、「麻痺状態」といった「基本情報」と、「入院時のＦＩＭの各項目の評価値」といった「入院時情報」と、を入力値とし、「退院時のＦＩＭの各項目の評価値」を出力値とするような関数で表されるモデル関数を、機械学習により生成する（ステップＳ２）。このとき、情報処理装置１０は、リッジ回帰を用いてモデル関数を生成するが、特に、上述したように、ＦＩＭの項目間の関連性を表す情報である隣接行列を含む正則化項を追加した評価関数を用いて、モデル関数を構成する各項のパラメータを最適化する。これにより、相互に関連性のあるＦＩＭの項目に対応するモデル関数に含まれるパラメータ同士が類似するモデル関数を生成することができる。
続いて、情報処理装置１０は、生成したモデルを用いて、患者の退院時におけるＦＩＭの各項目の評価値を予測する予測処理を行う。このため、情報処理装置１０は、データ管理装置２０に対して新規に入院した患者、あるいは、入院しているものの退院していない患者データを要求して、かかる患者データを予測用データとして取得する（ステップＳ３）。このため、予測用データとして取得した患者データには、まだ退院していないため、退院時におけるＦＩＭの各項目の評価値は含まれていない。
そして、情報処理装置１０は、患者データ内の「性別」、「年齢層」、「意識レベル」、「病名」、「麻痺状態」といった「基本情報」と、「入院時のＦＩＭの各項目の評価値」といった「入院時情報」と、を入力値として、モデル関数に入力する（ステップＳ４）。すると、情報処理装置１０は、モデル関数にて算出された「退院時のＦＩＭの各項目の評価値」を予測値として出力する（ステップＳ５）。これにより、入院した患者の退院時におけるＦＩＭの各項目の評価値（例えば、７段階の値）を予測することができる。そして、出力した予測結果は、例えば、施設において患者に対する効率的なリハビリテーション計画を作成することに利用したり、患者本人及び患者の家族に対する今後の介助に関するアドバイスに利用することができる。
以上のように、本発明によると、リハビリテーションを行った過去の患者の情報から、ＦＩＭの項目間の関連性を考慮して、当該ＦＩＭの各項目の評価値を算出するモデルを生成している。このようにＦＩＭの項目間の関連性を利用することにより、数多くの項目を有する評価指標であっても、精度よく迅速に、退院時のＦＩＭの各項目の評価値を予測することができる。
なお、上記では、患者の入院時の患者データから、退院時のＦＩＭの各項目の評価値を予測する場合を例示しているが、入院中のいかなる時点の患者データを用いて、その後のいかなる時点のＦＩＭの各項目の評価値を予測してもよい。
また、上記では、ＦＩＭに設定されている項目の評価値を用いているが、人体の状態を評価するような他の指標に設定された項目の値を用いてもよい。例えば、身辺動作と移動動作の２つの観点から設定された全１０項目を自立度に従って評価する「バーセルインデックス（Barthel Index）」といった日常生活動作を評価する指標があるが、かかる指標の項目の値を利用して、上述したようにモデルを生成し、予測値を算出してもよい。
＜実施形態２＞
次に、本発明の第２の実施形態を、図８を参照して説明する。図８は、実施形態２における情報処理装置の構成を説明するための図である。
本発明における情報処理装置１０は、上述した実施形態１と同様に、入院時（所定時点）のＦＩＭの各項目の評価値を含む患者の情報から、後の退院時（入院時から所定時間経過後）のＦＩＭの各項目の評価値を予測するために用いられる。但し、本実施形態では、退院時のＦＩＭの各項目の評価値が、１段階以上、上昇するか否かを予測する、という点で実施形態１とは異なる。以下、主に実施形態１とは異なる構成について説明する。
まず、情報処理装置１０は、実施形態１と同様に、図２に示すように、演算装置がプログラムを実行することで構築された、入力部１１、学習部１２、出力部１３、を備える。また、情報処理装置１０は、記憶装置に形成された、データ記憶部１４、モデル記憶部１５、を備える。
そして、本実施形態における入力部１１は、データ管理装置２０に対して患者データを要求し、かかる患者データの入力を受け付けて、データ記憶部１４に記憶する。なお、入力部１１は、モデル生成処理の際には、学習用データとして既に退院している患者の患者データを要求して取得する。なお、本実施形態では、入院時と退院時のＦＩＭの各項目の評価値が、「Ｌ１：完全介助」、「Ｌ２：介助あり」、「Ｌ３：部分介助」、「Ｌ４：自立」というように４段階の度合いで評価されていることとする。また、入力部１１は、予測処理の際には、予測用データとして、まだ退院していない予測処理の対象となる患者の患者データを要求して取得する。
そして、本実施形態における学習部１２（生成部）は、上述した学習用データとして取得した患者データを用いて機械学習を行い、患者の退院時のＦＩＭの各項目の評価値が、１段階でも上昇するか否かを予測するモデルを生成し、かかるモデルをモデル記憶部１５に記憶しておく。このとき、学習部１２は、まず、患者データ内の「性別」、「年齢層」、「意識レベル」、「病名」、「麻痺状態」といった「基本情報」と、「入院時のＦＩＭの各項目の評価値（第一評価値）である初期値」といった「入院時情報」と、を入力値（X_n : n=1,...,N（N：患者数））として設定する。なお、上記「入院時のＦＩＭの各項目の評価値である初期値」は、本実施形態では「Ｌ１：完全介助」、「Ｌ２：介助あり」、「Ｌ３：部分介助」、「Ｌ４：自立」といった４段階の評価値であり、ＦＩＭの項目毎かつ初期値毎に、患者データが分類されて学習されることとなる。
また、学習部１２は、患者データ内の「入院時及び退院時のＦＩＭの各項目の評価値」から、ＦＩＭの各項目において、「入院時の評価値が退院時に1段階以上、上昇しているか否か」を表す値（第二評価値）」を出力値（y_ik : i=1,...,18（項目）、k=L1,L2,L3,L4（初期値））として設定する。このとき、出力値yは、y={0,1}といった２値であり、y=1は、退院時のi番目のＦＩＭの項目の初期値が、入院時に対して１段階以上上昇した場合であり、y=0は、退院時のi番目のＦＩＭの項目の初期値が、入院時に対して変化なし又は減少した場合である。つまり、学習部１２は、モデル生成の前処理として、「入院時及び退院時のＦＩＭの各項目の評価値」から、「入院時の評価値が退院時に1段階以上、上昇しているか否か」を表す値（y）を事前に算出して、出力値として設定する。なお、出力値は、上記とは逆に、ＦＩＭの各項目において、「入院時の評価値が退院時に1段階以上、下降しているか否か」を表す値として設定してもよい。つまり、出力値は、入院時の評価値が退院時に上昇あるいは下降といった一方向に変化したか否かを表す値として設定してもよい。
そして、学習部１２は、上述したように設定した入力値に対して、上述したように２値となる出力値を算出するような関数（f_ik(X_n)）で表されるモデル関数を、機械学習により生成する。このとき、学習部１２は、ＦＩＭの項目毎、かつ、入院時のＦＩＭの各項目の評価値である初期値毎に、出力値を算出するモデル関数を生成する。例えば、学習部１２は、ＦＩＭの項目「食事」については、当該項目「食事」の入院時の評価値である初期値が「Ｌ１」、「Ｌ２」、「Ｌ３」のそれぞれに対応するモデル関数を生成することとなる。つまり、１８項目それぞれについて３種類の初期値のそれぞれに対応するモデル関数が生成されることとなり、合計５４種類のモデル関数をまとめて生成することとなる。なお、入院時の初期値が「Ｌ４：自立」である場合には、後の評価値を予測する必要がないため、モデル関数は生成しないこととする。
本実施形態では、学習部１２は、ロジスティック回帰を用いてモデル関数（f_ik）を生成する。具体的に、学習部１２は、シグモイド関数の分類確率を利用して、入力値に対する２値の出力値を算出するようモデル関数を生成する。このとき、学習部１２は、実施形態１と同様に、評価関数（損失関数）を最小とするよう、モデル関数を構成する各項のパラメータ（W）（係数）を算出することで、当該モデル関数を生成する。なお、モデル関数を構成する各項のパラメータは、モデル関数に含まれる変数に入力される入力値（例えば、年齢、性別、意識レベル、ＦＩＭの各項目の値、など）が、出力値に与えうる影響の強さの度合いを表すこととなる。
そして、本実施形態では、実施形態１で説明したパラメータ（W）を含む２つの正則化項に、さらにもう１つの正則化項を追加した評価関数を用いる。具体的には、実施形態１で説明した２つの正則化項である「λ１||w||2」と「λ２Ω（W）」に、３つ目の正則化項である「λ３Ω'（W）」を追加する。なお、上記λ1，λ2及びλ3は、上述同様に、それぞれの正則化項が、損失関数に与える影響の度合いを調整するパラメータである。このパラメータは事前に与えられるものとする。λ1，λ2，λ3の大きさが大きいほど、損失関数に強く影響を与えることになる。
ここで、上述したように本実施形態で追加する３つ目の正則化項を構成する「Ω'（W）」は、実施形態１で説明した図３に示す２つ目の正則化項を構成するΩ（W）とほぼ同様の内容であるが、隣接行列「Si,j」が異なる。追加する正則化項の隣接行列S'i,jは、ＦＩＭの各項目における初期値間の関連性を表す情報であり、例えば、相互に関連する初期値間には「１」、相互に関連しない初期値間には「０」が設定された隣接行列である。
ここで、本実施形態における３つ目の正則化項を構成する「Ω'（W）」に含まれる隣接行列S'i,jの一例を、図８に挙げて説明する。図８の例では、ＦＩＭの各項目における初期値間が関連付けられているか否かに応じて隣接行列S'i,jを設定している。具体的に、図８の例では、図１に示す評価値が「Ｌ１：完全介助」と「Ｌ２：介助あり」とは相互に関連付けられていることとし、それらの初期値間には、「１」を設定している。例えば、項目「食事」において、初期値が「Ｌ１」と「Ｌ２」には「１」を設定し、初期値が「Ｌ３」の場合は「０」を設定しており、その他の項目についても同様である。なお、図８に挙げる隣接行列つまり初期値間の関連付けは一例であって、初期値間の関連性を表す他の情報を用いてもよい。
なお、上述した３つ目の正則化項を構成する「Ω'（W）」に含まれる隣接行列S'i,jは、図８にはその一部しか記載していないが、ＦＩＭの１８項目それぞれに３つの初期値を設定することから、54列×54列の大きさの行列となる。これに伴い、本実施形態の２つ目の正則化項を構成する「Ω（W）」に含まれる隣接行列Si,jは、図３に示す実施形態１の場合とは異なり、上記３つ目の正則化項に含まれる隣接行列S'i,jと同様に、54列×54列の大きさの行列となる。この場合、隣接行列Si,jは、図８と同様にＦＩＭの項目毎、かつ、初期値毎に各要素の値が設定されることとなるが、初期値に関係なく、ＦＩＭの項目の「機能」や「カテゴリ」同士の関連例のみを考慮して、ＦＩＭの項目の「機能」や「カテゴリ」同士が相互に関連する場合に「１」が設定され、それ以外は「０」が設定されることとなる。例えば、ＦＩＭの「運動」機能の行に対して、同じく「運動」機能の列には、各初期値の値に関係なくすべてに「１」が設定され、それ以外の列には「０」が設定される。また、ＦＩＭの「認知」機能の行に対して、同じく「認知」機能の列には、各初期値の値に関係なくすべてに「１」が設定され、それ以外の列には「０」が設定される。
このように、本実施形態では、ＦＩＭの各項目における初期値間の関連性に応じた隣接行列を含む正則化項を追加することで、相互に関連付けられているＦＩＭの各項目の初期値に対応するモデル関数（f_ik）に含まれるパラメータ同士が類似するよう、当該モデル関数を生成することができる。また、本実施形態では、実施形態１と同様に、ＦＩＭの項目間の関連性に応じた隣接行列を含む正則化項を設けているため、相互に関連付けられているＦＩＭの項目に対応するモデル関数に含まれるパラメータ同士が類似するよう、当該モデル関数を生成することができる。
そして、本実施形態における上記出力部１３（予測部）は、上述したように生成したモデル関数（f_ik）に、入力部１１にて予測データとして取得したまだ退院していない患者の患者データを入力する。つまり、出力部１３は、モデル関数に、入院したばかりの患者データ内の「性別」、「年齢層」、「意識レベル」、「病名」、「麻痺状態」といった「基本情報」と、「入院時のＦＩＭの各項目の評価値（第一評価値）である初期値」といった「入院時情報」と、を入力値（X_n'）としてモデル関数に入力し、かかるモデル関数（f_ik (X_n')）による出力値（y_ik'）を算出する。これにより、入院したばかりの患者の退院時におけるＦＩＭの各項目の評価値（例えば、４段階の値）が上昇するか否かといったことを予測することができる。
以上のように、本発明によると、リハビリテーションを行う過去の患者の情報から、ＦＩＭの項目間の関連性、及び、ＦＩＭの各項目における初期値間の関連性を考慮して、当該ＦＩＭの各項目の評価値が上昇するか否かを算出するモデルを生成している。このように、ＦＩＭの項目間の関連性、及び、ＦＩＭの各項目における初期値間の関連性に基づいて退院時のＦＩＭの各項目の評価値の変化を予測することができるため、数多くの項目を有する評価指標であっても、精度よく迅速に、退院時におけるＦＩＭの各項目の評価値の変化を予測することができる。
なお、上記では、患者の入院時の患者データから、退院時のＦＩＭの各項目の評価値の変化を予測する場合を例示しているが、入院時のいかなる時点の患者データを用いて、その後のいかなる時点のＦＩＭの各項目の評価値の変化を予測してもよい。
また、上記では、ＦＩＭに設定されている項目の評価値を用いているが、人体の状態を評価するような他の指標に設定された項目の値を用いてもよい。例えば、身辺動作と移動動作の２つの観点から設定された全１０項目を自立度に従って評価する「バーセルインデックス（Barthel Index）」といった日常生活動作を評価する指標があるが、かかる指標の項目の値を利用して、上述したようにモデルを生成し、予測値を算出してもよい。
＜実施形態３＞
次に、本発明の第３の実施形態を、図９乃至図１３を参照して説明する。図９乃至図１１は、実施形態３における情報処理装置の構成を示すブロック図であり、図１２乃至図１３は、情報処理装置の動作を示すフローチャートである。なお、本実施形態では、実施形態１，２で説明した情報処理装置及び情報処理方法の構成の概略を示している。
まず、図９を参照して、本実施形態における情報処理装置１００のハードウェア構成を説明する。情報処理装置１００は、一般的な情報処理装置にて構成されており、一例として、以下のようなハードウェア構成を装備している。
・ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１（演算装置）
・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０２（記憶装置）
・ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０３（記憶装置）
・ＲＡＭ３０３にロードされるプログラム群１０４
・プログラム群３０４を格納する記憶装置１０５
・情報処理装置外部の記憶媒体１１０の読み書きを行うドライブ装置１０６
・情報処理装置外部の通信ネットワーク１１１と接続する通信インタフェース１０７
・データの入出力を行う入出力インタフェース１０８
・各構成要素を接続するバス１０９
そして、情報処理装置１００は、プログラム群１０４をＣＰＵ１０１が取得して当該ＣＰＵ１０１が実行することで、図１０に示す入力部１２１と生成部１２２とを構築して装備することができる。なお、プログラム群１０４は、例えば、予め記憶装置１０５やＲＯＭ１０２に格納されており、必要に応じてＣＰＵ１０１がＲＡＭ１０３にロードして実行する。また、プログラム群１０４は、通信ネットワーク１１１を介してＣＰＵ１０１に供給されてもよいし、予め記憶媒体１１０に格納されており、ドライブ装置１０６が該プログラムを読み出してＣＰＵ１０１に供給してもよい。但し、上述した入力部１２１と生成部１２２とは、電子回路で構築されるものであってもよい。
なお、図９は、情報処理装置１００のハードウェア構成の一例を示しており、情報処理装置のハードウェア構成は上述した場合に限定されない。例えば、情報処理装置は、ドライブ装置１０６を有さないなど、上述した構成の一部から構成されてもよい。
そして、情報処理装置１００は、上述したようにプログラムによって構築された入力部１２１と生成部１２２との機能により、図１２のフローチャートに示す情報処理方法を実行する。
図１２に示すように、情報処理装置１００は、
ＦＩＭ（Functional Independence Measure）に設定された複数の項目のそれぞれにおける、対象者の所定時点の評価を表す第一評価値、及び、前記所定時点から所定時間経過後の対象者の評価を表す第二評価値、の入力を受け付け（ステップＳ１１）、
ＦＩＭの項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける前記第一評価値に対する前記第二評価値を算出するモデルを生成する（ステップＳ１２）。
また、情報処理装置１００は、プログラム群１０４をＣＰＵ１０１が取得して当該ＣＰＵ１０１が実行することで、図１１に示す入力部１２３と予測部１２４とを構築して装備することもできる。但し、上述した入力部１２３と予測部１２４とは、電子回路で構築されるものであってもよい。
そして、情報処理装置１００は、上述したようにプログラムによって構築された入力部１２３と予測部１２４との機能により、図１３のフローチャートに示す情報処理方法を実行する。
図１３に示すように、情報処理装置１００は、
ＦＩＭ（Functional Independence Measure）に設定された項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける対象者の所定時点の評価を表す第一評価値に対する前記所定時点から所定時間経過後の対象者の評価を表す第二評価値を算出するよう生成されたモデルに対して、ＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値を入力し（ステップＳ２１）、当該新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する（ステップＳ２２）。
なお、上述した情報処理装置１００は、例えば、対象者である患者がリハビリテーションを行う病院などの施設に設置されたサーバコンピュータや、当該施設が運用管理するいわゆるクラウド上のサーバコンピュータにて構成される。また、上述したように情報処理装置１００によって算出され出力される値は、施設において患者のリハビリテーションを援助するセラピストや看護師などの医療従事者が使用する情報処理端末（パーソナルコンピュータ、タブレット端末、スマートフォン、など）に表示され、当該医療従事者によって参照されることとなる。
本実施形態は、以上のように構成されることにより、ＦＩＭの項目間の関連性を考慮して、当該ＦＩＭの各項目の評価値を算出するモデルを生成している。このようにＦＩＭの項目間の関連性を利用することにより、数多くの項目を有する評価指標であっても、精度よく迅速に、ＦＩＭの各項目の評価値を予測することができる。なお、各実施形態は、ＦＩＭに設定されている項目に適用することに限定されず、患者の状態を計測するためのＦＩＭとは異なる指標に設定された項目や、その他の人体の状態を評価するようなあらゆる指標に設定された項目にも適用可能である。
＜付記＞
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明における情報処理方法、情報処理装置、プログラムの構成の概略を説明する。但し、本発明は、以下の構成に限定されない。
（付記１）
ＦＩＭ（Functional Independence Measure）に設定された複数の項目のそれぞれにおける、対象者の所定時点の評価を表す第一評価値、及び、前記所定時点から所定時間経過後の対象者の評価を表す第二評価値、の入力を受け付け、
ＦＩＭの項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける前記第一評価値に対する前記第二評価値を算出するモデルを生成する、
情報処理方法。
（付記２）
付記１に記載の情報処理方法であって、
ＦＩＭの項目間が相互に関連付けられているか否かを表す情報に基づいて、前記モデルを生成する、
情報処理方法。
（付記３）
付記２に記載の情報処理方法であって、
ＦＩＭの各項目における評価内容に応じて当該項目間を関連付けた情報に基づいて、前記モデルを生成する、
情報処理方法。
（付記３．１）
付記２に記載の情報処理方法であって、
ＦＩＭの各項目における評価内容に基づいて設定された当該項目間が関連付けられているか否かを表す情報に基づいて、前記モデルを生成する、
情報処理方法。
（付記４）
付記３又は３．１に記載の情報処理方法であって、
ＦＩＭの各項目において評価する動作又は認知の内容に応じて当該項目間を関連付けた情報に基づいて、前記モデルを生成する、
情報処理方法。
（付記４．１）
付記３又は３．１に記載の情報処理方法であって、
ＦＩＭの各項目において評価する動作又は認知の内容に基づいて設定された当該項目間が関連付けられているか否かを表す情報に基づいて、前記モデルを生成する、
情報処理方法。
（付記５）
付記２乃至４．１のいずれかに記載の情報処理方法であって、
相互に関連付けられているＦＩＭの項目に対応する前記モデルに含まれるパラメータが類似するよう当該モデルを生成する、
情報処理方法。
（付記６）
付記２乃至５のいずれかに記載の情報処理方法であって、
ＦＩＭの項目間の関連性を表す隣接行列を含む正則化項が追加された損失関数を用いて前記モデルを生成する、
情報処理方法。
（付記７）
付記１乃至６のいずれかに記載の情報処理方法であって、
ＦＩＭの複数の項目のそれぞれにおける、対象者の前記所定時点の評価度合いを表す値を前記第一評価値とし、前記所定時点から所定時間経過後の対象者の評価度合いを表す値を前記第二評価値として、入力を受け付ける、
情報処理方法。
（付記８）
付記１乃至６のいずれかに記載の情報処理方法であって、
ＦＩＭの複数の項目のそれぞれにおける、対象者の前記所定時点の評価度合いを表す値を前記第一評価値とし、前記所定時点から所定時間経過後の対象者の評価度合いが一方向に変化したか否かを表す値を前記第二評価値として、入力を受け付ける、
情報処理方法。
（付記９）
付記８に記載の情報処理方法であって、
ＦＩＭの項目毎かつ前記第一評価値毎に前記モデルを生成すると共に、
ＦＩＭの項目間の関連性を表す情報と、前記第一評価値間の関連性を表す情報と、に基づいて、ＦＩＭの複数の項目のそれぞれにおける前記第一評価値に対する前記第二評価値を算出するモデルを生成する、
情報処理方法。
（付記１０）
付記９に記載の情報処理方法であって、
前記第一評価値間が関連付けられているか否かを表す情報に基づいて、前記モデルを生成する、
情報処理方法。
（付記１１）
付記１０に記載の情報処理方法であって、
相互に関連付けられている前記第一評価値に対応する前記モデルに含まれるパラメータが類似するよう当該モデルを生成する、
情報処理方法。
（付記１２）
付記９乃至１１のいずれかに記載の情報処理方法であって、
前記第一評価値間の関連性を表す隣接行列を含む正則化項が追加された損失関数を用いて前記モデルを生成する、
情報処理方法。
（付記１３）
付記１乃至１２のいずれかに記載の情報処理方法であって、
前記モデルに対してＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値を入力し、当該新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する、
情報処理方法。
（付記１４）
ＦＩＭ（Functional Independence Measure）に設定された項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける対象者の所定時点の評価を表す第一評価値に対する前記所定時点から所定時間経過後の対象者の評価を表す第二評価値を算出するよう生成されたモデルに対して、ＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値を入力し、当該新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する、
情報処理方法。
（付記１５）
ＦＩＭ（Functional Independence Measure）に設定された複数の項目のそれぞれにおける、対象者の所定時点の評価を表す第一評価値、及び、前記所定時点から所定時間経過後の対象者の評価を表す第二評価値、の入力を受け付ける入力部と、
ＦＩＭの項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける前記第一評価値に対する前記第二評価値を算出するモデルを生成する生成部と、
を備えた情報処理装置。
（付記１６）
付記１５に記載の情報処理装置であって、
前記モデルに対するＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値の入力に応じて、前記モデルにて算出された値を出力する予測部、
をさらに備えた情報処理装置。
（付記１７）
ＦＩＭ（Functional Independence Measure）に設定された項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける対象者の所定時点の評価を表す第一評価値に対する前記所定時点から所定時間経過後の対象者の評価を表す第二評価値を算出するよう生成されたモデルに対して、ＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値を入力する入力部と、
前記新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する予測部と、
を備えた情報処理装置。
（付記１８）
情報処理装置に、
ＦＩＭ（Functional Independence Measure）に設定された複数の項目のそれぞれにおける、対象者の所定時点の評価を表す第一評価値、及び、前記所定時点から所定時間経過後の対象者の評価を表す第二評価値、の入力を受け付ける入力部と、
ＦＩＭの項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける前記第一評価値に対する前記第二評価値を算出するモデルを生成する生成部と、
を実現させるためのプログラム。
（付記１９）
付記１８に記載のプログラムであって、
前記情報処理装置に、
前記モデルに対するＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値の入力に応じて、前記モデルにて算出された値を出力する予測部、
をさらに実現させるためのプログラム。
（付記２０）
情報処理装置に、
ＦＩＭ（Functional Independence Measure）に設定された項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける対象者の所定時点の評価を表す第一評価値に対する前記所定時点から所定時間経過後の対象者の評価を表す第二評価値を算出するよう生成されたモデルに対して、ＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値を入力する入力部と、
前記新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する予測部と、
を実現させるためのプログラム。
（付記２１）
人体の状態を評価する所定の指標に設定された複数の項目のそれぞれにおける、対象者の所定時点の評価を表す第一評価値、及び、前記所定時点から所定時間経過後の対象者の評価を表す第二評価値、の入力を受け付け、
前記所定の指標の項目間の関連性を表す情報に基づいて、前記所定の指標の複数の項目のそれぞれにおける前記第一評価値に対する前記第二評価値を算出するモデルを生成する、
情報処理方法。
（付記２２）
付記２１に記載の情報処理方法であって、
前記モデルに対して前記所定の指標の複数の項目のそれぞれにおける新たな前記第一評価値を入力し、当該新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する、
情報処理方法。
（付記２３）
人体の状態を評価する所定の指標に設定された項目間の関連性を表す情報に基づいて、前記所定の指標の複数の項目のそれぞれにおける対象者の所定時点の評価を表す第一評価値に対する前記所定時点から所定時間経過後の対象者の評価を表す第二評価値を算出するよう生成されたモデルに対して、前記所定の指標の複数の項目のそれぞれにおける新たな前記第一評価値を入力し、当該新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する、
情報処理方法。
なお、上述したプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
以上、上記実施形態等を参照して本願発明を説明したが、本願発明は、上述した実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明の範囲内で当業者が理解しうる様々な変更をすることができる。
１０ 情報処理装置
１１ 入力部
１２ 学習部
１３ 出力部
１４ データ記憶部
１５ モデル記憶部
２０ データ管理装置
１００ 情報処理装置
１０１ ＣＰＵ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ プログラム群
１０５ 記憶装置
１０６ ドライブ装置
１０７ 通信インタフェース
１０８ 入出力インタフェース
１０９ バス
１１０ 記憶媒体
１１１ 通信ネットワーク
１２１ 入力部
１２２ 生成部
１２３ 入力部
１２４ 予測部

Claims (17)

  1. 学習用データとして、ＦＩＭ（Functional Independence Measure）に設定された複数の項目のそれぞれにおける、対象者の所定時点の評価を表す第一評価値、及び、前記所定時点から所定時間経過後の対象者の評価を表す第二評価値、の入力を受け付け、
    ＦＩＭの複数の項目のそれぞれに対応する各モデル関数に、当該モデル関数に対応するＦＩＭの項目の前記第一評価値を入力したときに、当該モデル関数に対応するＦＩＭの項目の前記第二評価値を出力する各前記モデル関数を、前記学習用データを用いて機械学習により生成する際に、前記第一評価値と前記第二評価値とを変数とし各前記モデル関数に含まれるパラメータとＦＩＭの項目間が相互に関連付けられているか否かを表す情報とを含む損失関数が最小となるように、各前記モデル関数に含まれる前記パラメータを算出して各前記モデル関数を生成する、
    情報処理方法。
  2. 請求項１に記載の情報処理方法であって、
    前記損失関数は、ＦＩＭの各項目における評価内容に応じて当該項目間を関連付けた情報を含む、
    情報処理方法。
  3. 請求項２に記載の情報処理方法であって、
    前記損失関数は、ＦＩＭの各項目において評価する動作又は認知の内容に応じて当該項目間を関連付けた情報を含む、
    情報処理方法。
  4. 請求項１乃至３のいずれかに記載の情報処理方法であって、
    前記損失関数は、ＦＩＭの項目間の関連性を表す隣接行列を含む正則化項を含む、
    情報処理方法。
  5. 請求項１乃至４のいずれかに記載の情報処理方法であって、
    ＦＩＭの複数の項目のそれぞれにおける、対象者の前記所定時点の評価度合いを表す値を前記第一評価値とし、前記所定時点から所定時間経過後の対象者の評価度合いを表す値を前記第二評価値として、前記学習用データの入力を受け付ける、
    情報処理方法。
  6. 請求項１乃至４のいずれかに記載の情報処理方法であって、
    ＦＩＭの複数の項目のそれぞれにおける、対象者の前記所定時点の評価度合いを表す値を前記第一評価値とし、前記所定時点から所定時間経過後の対象者の評価度合いが一方向に変化したか否かを表す値を前記第二評価値として、前記学習用データの入力を受け付ける、
    情報処理方法。
  7. 請求項６に記載の情報処理方法であって、
    ＦＩＭの項目毎かつ前記第一評価値毎に前記モデル関数を生成すると共に、
    前記損失関数は、ＦＩＭの項目間の関連性を表す情報と、前記第一評価値間の関連性を表す情報と、を含む、
    情報処理方法。
  8. 請求項７に記載の情報処理方法であって、
    前記損失関数は、前記第一評価値間が関連付けられているか否かを表す情報を含む、
    情報処理方法。
  9. 請求項７又は８に記載の情報処理方法であって、
    前記損失関数は、前記第一評価値間の関連性を表す隣接行列を含む正則化項を含む、
    情報処理方法。
  10. 請求項１乃至９のいずれかに記載の情報処理方法であって、
    各前記モデル関数に対してＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値を入力し、当該新たな第一評価値の入力に応じて各前記モデル関数にて算出された値を出力する、
    情報処理方法。
  11. ＦＩＭ（Functional Independence Measure）に設定された項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける対象者の所定時点の評価を表す第一評価値に対する前記所定時点から所定時間経過後の対象者の評価を表す第二評価値を算出するよう生成されたモデルに対して、ＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値を入力し、当該新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する、
    情報処理方法。
  12. 学習用データとして、ＦＩＭ（Functional Independence Measure）に設定された複数の項目のそれぞれにおける、対象者の所定時点の評価を表す第一評価値、及び、前記所定時点から所定時間経過後の対象者の評価を表す第二評価値、の入力を受け付ける入力部と、
    ＦＩＭの複数の項目のそれぞれに対応する各モデル関数に、当該モデル関数に対応するＦＩＭの項目の前記第一評価値を入力したときに、当該モデル関数に対応するＦＩＭの項目の前記第二評価値を出力する各前記モデル関数を、前記学習用データを用いて機械学習により生成する際に、前記第一評価値と前記第二評価値とを変数とし各前記モデル関数に含まれるパラメータとＦＩＭの項目間が相互に関連付けられているか否かを表す情報とを含む損失関数が最小となるように、各前記モデル関数に含まれる前記パラメータを算出して各前記モデル関数を生成する生成部と、
    を備えた情報処理装置。
  13. 請求項１２に記載の情報処理装置であって、
    各前記モデル関数に対するＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値の入力に応じて、各前記モデル関数にて算出された値を出力する予測部、
    をさらに備えた情報処理装置。
  14. ＦＩＭ（Functional Independence Measure）に設定された項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける対象者の所定時点の評価を表す第一評価値に対する前記所定時点から所定時間経過後の対象者の評価を表す第二評価値を算出するよう生成されたモデルに対して、ＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値を入力する入力部と、
    前記新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する予測部と、
    を備えた情報処理装置。
  15. 情報処理装置に、
    学習用データとして、ＦＩＭ（Functional Independence Measure）に設定された複数の項目のそれぞれにおける、対象者の所定時点の評価を表す第一評価値、及び、前記所定時点から所定時間経過後の対象者の評価を表す第二評価値、の入力を受け付ける入力部と、
    ＦＩＭの複数の項目のそれぞれに対応する各モデル関数に、当該モデル関数に対応するＦＩＭの項目の前記第一評価値を入力したときに、当該モデル関数に対応するＦＩＭの項目の前記第二評価値を出力する各前記モデル関数を、前記学習用データを用いて機械学習により生成する際に、前記第一評価値と前記第二評価値とを変数とし各前記モデル関数に含まれるパラメータとＦＩＭの項目間が相互に関連付けられているか否かを表す情報とを含む損失関数が最小となるように、各前記モデル関数に含まれる前記パラメータを算出して各前記モデル関数を生成する生成部と、
    を実現させるためのプログラム。
  16. 請求項１５に記載のプログラムであって、
    前記情報処理装置に、
    各前記モデル関数に対するＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値の入力に応じて、各前記モデル関数にて算出された値を出力する予測部、
    をさらに実現させるためのプログラム。
  17. 情報処理装置に、
    ＦＩＭ（Functional Independence Measure）に設定された項目間の関連性を表す情報に基づいて、ＦＩＭの複数の項目のそれぞれにおける対象者の所定時点の評価を表す第一評価値に対する前記所定時点から所定時間経過後の対象者の評価を表す第二評価値を算出するよう生成されたモデルに対して、ＦＩＭの複数の項目のそれぞれにおける新たな前記第一評価値を入力する入力部と、
    前記新たな第一評価値の入力に応じて前記モデルにて算出された値を出力する予測部と、
    を実現させるためのプログラム。
JP2021541400A 2019-08-21 2019-08-21 情報処理方法 Active JP7409384B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/032582 WO2021033281A1 (ja) 2019-08-21 2019-08-21 情報処理方法

Publications (2)

Publication Number Publication Date
JPWO2021033281A1 JPWO2021033281A1 (ja) 2021-02-25
JP7409384B2 true JP7409384B2 (ja) 2024-01-09

Family

ID=74660668

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021541400A Active JP7409384B2 (ja) 2019-08-21 2019-08-21 情報処理方法

Country Status (3)

Country Link
US (1) US20220285030A1 (ja)
JP (1) JP7409384B2 (ja)
WO (1) WO2021033281A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7418072B1 (ja) 2022-11-28 2024-01-19 芙蓉開発株式会社 ソフトウェア、データ処理装置及びデータ処理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014178800A (ja) 2013-03-14 2014-09-25 Gifu Univ 医療情報処理装置、及び、プログラム
JP2018055424A (ja) 2016-09-29 2018-04-05 株式会社日立製作所 推計モデル構築システム、推計モデル構築方法及びプログラム
JP2018163493A (ja) 2017-03-24 2018-10-18 聡子 水流 評価システム、及び評価プログラム
JP2019057282A (ja) 2017-09-20 2019-04-11 メディア株式会社 患者プロファイル情報システム、患者プロファイル情報システムの制御方法、プログラム、及び記録媒体
WO2019147257A1 (en) 2018-01-26 2019-08-01 Hitachi High-Tech Solutions Corporation Controlling devices to achieve medical outcomes

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021377A (zh) * 2016-05-11 2016-10-12 上海点荣金融信息服务有限责任公司 计算机实现的信息处理方法及装置
US10361926B2 (en) * 2017-03-03 2019-07-23 Nec Corporation Link prediction with spatial and temporal consistency in dynamic networks
WO2020004102A1 (ja) * 2018-06-25 2020-01-02 日本電信電話株式会社 機能回復訓練支援システムおよび方法
JP7255392B2 (ja) * 2019-06-27 2023-04-11 トヨタ自動車株式会社 リハビリ支援システム、推定装置、学習装置、方法、プログラム、及び学習済みモデル

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014178800A (ja) 2013-03-14 2014-09-25 Gifu Univ 医療情報処理装置、及び、プログラム
JP2018055424A (ja) 2016-09-29 2018-04-05 株式会社日立製作所 推計モデル構築システム、推計モデル構築方法及びプログラム
JP2018163493A (ja) 2017-03-24 2018-10-18 聡子 水流 評価システム、及び評価プログラム
JP2019057282A (ja) 2017-09-20 2019-04-11 メディア株式会社 患者プロファイル情報システム、患者プロファイル情報システムの制御方法、プログラム、及び記録媒体
WO2019147257A1 (en) 2018-01-26 2019-08-01 Hitachi High-Tech Solutions Corporation Controlling devices to achieve medical outcomes

Also Published As

Publication number Publication date
JPWO2021033281A1 (ja) 2021-02-25
WO2021033281A1 (ja) 2021-02-25
US20220285030A1 (en) 2022-09-08

Similar Documents

Publication Publication Date Title
Collins et al. Within-and across-trial dynamics of human EEG reveal cooperative interplay between reinforcement learning and working memory
JP2024059912A (ja) デジタル個別化医療のためのプラットフォームおよびシステム
US20200227175A1 (en) Document improvement prioritization using automated generated codes
Vincent et al. With an eye on uncertainty: Modelling pupillary responses to environmental volatility
Lutze Digital twins in eHealth–: prospects and challenges focussing on information management
JP7349078B2 (ja) リハビリ計画装置、リハビリ計画方法、及びプログラム
Sun et al. Artificial intelligence in psychiatry research, diagnosis, and therapy
Jalali et al. Parsimonious evolutionary-based model development for detecting artery disease
Gong et al. Optimising a simple fully convolutional network for accurate brain age prediction in the pac 2019 challenge
Higaki et al. Predicting outcome of Morris water maze test in vascular dementia mouse model with deep learning
Cittern et al. Intrinsic and extrinsic motivators of attachment under active inference
Chen et al. Learning individualized treatment rules for multiple-domain latent outcomes
Malik et al. Ten simple rules for engaging with artificial intelligence in biomedicine
JP7409384B2 (ja) 情報処理方法
Torrado et al. Digital phenotyping by wearable-driven artificial intelligence in older adults and people with Parkinson’s disease: Protocol of the mixed method, cyclic ActiveAgeing study
Wang et al. Dementia risk prediction in individuals with mild cognitive impairment: a comparison of Cox regression and machine learning models
WO2021065184A1 (ja) リハビリ計画装置、リハビリ計画システム、リハビリ計画方法、及びコンピュータ可読媒体
Utsumil et al. Personalized gaussian processes for forecasting of alzheimer’s disease assessment scale-cognition sub-scale (adas-cog13)
Qazi et al. Fuzzy logic-based hybrid knowledge systems for the detection and diagnosis of childhood autism
Yadav et al. Machine learning in expert systems for disease diagnostics in human healthcare
Chi et al. Personalized long-term prediction of cognitive function: Using sequential assessments to improve model performance
Economou et al. Exploiting expert systems in cardiology: a comparative study
Mohanty et al. A classification model based on an adaptive neuro-fuzzy inference system for disease prediction
Nair et al. A generalized reinforcement learning based deep neural network agent model for diverse cognitive constructs
US20230395259A1 (en) Information processing method

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220120

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230221

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230419

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230711

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231003

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20231010

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: 20231121

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231204

R151 Written notification of patent or utility model registration

Ref document number: 7409384

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151