JP7430295B2 - 個体慢性疾患進行リスク可視化評価方法及びシステム - Google Patents
個体慢性疾患進行リスク可視化評価方法及びシステム Download PDFInfo
- Publication number
- JP7430295B2 JP7430295B2 JP2023538042A JP2023538042A JP7430295B2 JP 7430295 B2 JP7430295 B2 JP 7430295B2 JP 2023538042 A JP2023538042 A JP 2023538042A JP 2023538042 A JP2023538042 A JP 2023538042A JP 7430295 B2 JP7430295 B2 JP 7430295B2
- Authority
- JP
- Japan
- Prior art keywords
- risk
- chronic disease
- individual
- patient
- disease progression
- 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
- 208000017667 Chronic Disease Diseases 0.000 title claims description 164
- 230000005750 disease progression Effects 0.000 title claims description 84
- 238000012800 visualization Methods 0.000 title claims description 18
- 238000011156 evaluation Methods 0.000 title claims description 16
- 201000010099 disease Diseases 0.000 claims description 80
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 80
- 238000011160 research Methods 0.000 claims description 69
- 238000000034 method Methods 0.000 claims description 56
- 238000010586 diagram Methods 0.000 claims description 30
- 230000036541 health Effects 0.000 claims description 30
- 229940079593 drug Drugs 0.000 claims description 27
- 239000003814 drug Substances 0.000 claims description 27
- 230000005477 standard model Effects 0.000 claims description 25
- 238000011282 treatment Methods 0.000 claims description 25
- 230000037361 pathway Effects 0.000 claims description 22
- 230000002452 interceptive effect Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 9
- 238000009533 lab test Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 4
- 238000000546 chi-square test Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013180 random effects model Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000012773 Laboratory assay Methods 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 description 6
- 206010020772 Hypertension Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 235000021196 dietary intervention Nutrition 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 208000030172 endocrine system disease Diseases 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010197 meta-analysis Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 208000014001 urinary system disease Diseases 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
- G16H50/30—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
慢性疾患リスクエビデンスベースド語義知識ライブラリを構築するステップ(1)と、
慢性疾患リスクエビデンスベースド語義知識ライブラリにおける全てのエンティティについて、エンティティに対応する集団暴露率を関連付け、集団暴露率データベースを構築するステップ(2)と、
患者個体データ標準モデルを構築し、複数のデータソースから患者個体健康データを取得し、取得された患者個体健康データに対してマッチングを実行して抽出、変換を行って前記患者個体データ標準モデルにロードするステップ(3)と、
患者個体慢性疾患進行リスク経路図を算出して描画するステップ(4)と、
患者個体慢性疾患進行リスクに対してインタラクティブ分析を行うステップ(5)とを含み、
前記ステップ(1)は、慢性疾患及びその併発症、合併症の疾患エンティティと、疾患に関する危険因子エンティティとを構築し、疾患エンティティごとに、関連研究文献を検索し、リスク関係語義知識を抽出し、同一研究目的の異なる研究文献の相対リスク比をマージし、マージ後の相対リスク比でエンティティ間の関係を表し、慢性疾患リスクエビデンスベースド語義知識ライブラリを構築することを含み、
前記ステップ(4)は、前記慢性疾患リスクエビデンスベースド語義知識ライブラリ、前記集団暴露率データベース及び前記患者個体データ標準モデルに基づいて、個体慢性疾患進行リスクを表す重み付き有向グラフであって、頂点が患者に発生した危険因子及び発生し得る疾患を示し、且つ前記慢性疾患リスクエビデンスベースド語義知識ライブラリにおけるエンティティに対応し、辺重みが2つのエンティティの間の相対リスク比を示し、辺方向がエンティティ同士が影響する方向を示す重み付き有向グラフを構築することと、各頂点の合計相対リスク比をリスク行列に格納することと、患者個体の重み付き有向グラフ及びリスク行列に基づいて患者個体慢性疾患進行リスク経路図を描画することと、を含み、
前記ステップ(5)は、患者個体データが変化した場合に、患者個体データ標準モデルを更新し、新たな患者個体慢性疾患進行リスク経路図を描画し、進行リスク経路における疾患リスク変化を可視化表示することを含む。
前記ステップ(1.1)では、Q検定法を用いて異なる研究文献の異質性を識別し、自由度がK-1(ただし、Kは研究文献の総数)であるカイ二乗分布に従う検定量
を取得し、カイ二乗検定によってカイ二乗値
を取得し、
且つ
が信頼度である場合に、各研究文献の間に異質性が存在すると示し、そうでない場合に、各研究文献の間に異質性がないと示し、
前記ステップ(1.2)では、各研究文献の間に異質性がない場合に、固定効果モデルMantel-Hasenzel法を用いてマージ後の相対リスク比を算出し、そうでない場合に、ランダム効果モデルD-L法を用いてマージ後の相対リスク比を算出する。
は、
は、第i個の研究文献の重みであり、
は、第i個の研究文献に含まれるサンプルの相対リスク比の分散であり、
は、第i個の研究文献の相対リスク比であり、
は、各研究文献の相対リスク比の平均値であり、
各研究文献の間に異質性がない場合に、固定効果モデルMantel-Hasenzel法を用いてマージ後の相対リスク比
を
は、指数関数であり、
は、対数関数であり、
各研究文献の間に異質性が存在する場合に、ランダム効果モデルD-L法を用いて重み
を
は、第i個の研究文献が補正された後の重み値である。
logistic回帰モデルで合計相対リスク比を推定する方法(4.1)と、Rothman-Kellerモデルで合計相対リスク比を推定する方法(4.2)と、ハイブリッドモデルで合計相対リスク比を推定する方法(4.3)と、を含み、
前記方法(4.1)では、重み付き有向グラフに頂点iを終点とする辺がn本あり、辺の重みをそれぞれ
とすると、頂点iの合計相対リスク比
は、
は、第j本の辺の回帰係数であり、
前記方法(4.2)では、重み付き有向グラフに頂点iを終点とする辺がn本あり、辺の重みをそれぞれ
とすると、
基準発症割合
を
は、第j本の辺に対応する危険因子の集団暴露率であり、前記集団暴露率データベースに由来し、
各危険因子の危険スコア
を
セットE及びセットFを設定し、各危険因子の危険スコア
について、
≧1の場合に、
をセットEに入れ、
<1の場合に、
をセットFに入れ、
頂点iの合計相対リスク比
は、
mは、セットEの要素数であり、
は、セットEの第i個の要素値であり、kは、セットFの要素数であり、
は、セットEの第j個の要素値であり、
前記方法(4.3)では、logistic回帰モデルとRothman-Kellerモデルとの推定結果を加重平均した値を最終の合計相対リスク比とする。
(1)患者個体データ取得及び変換モジュールと、(2)患者個体慢性疾患進行リスク可視化評価モジュールと、(3)患者個体慢性疾患進行リスクインタラクティブ分析モジュールとを備え、
前記患者個体データ取得及び変換モジュールは、患者の身分識別子に基づいて、複数のデータソースから患者個体健康データを取得し、取得された患者個体健康データに対してマッチングを実行して抽出、変換を行って患者個体データ標準モデルにロードし、
前記患者個体慢性疾患進行リスク可視化評価モジュールは、慢性疾患リスクエビデンスベースド語義知識ライブラリ構築手段と、集団暴露率データベース構築手段と、患者個体慢性疾患進行リスク経路図算出及び描画手段とを備え、
前記慢性疾患リスクエビデンスベースド語義知識ライブラリ構築手段は、慢性疾患及びその併発症、合併症の疾患エンティティと、疾患に関する危険因子エンティティとを構築し、疾患エンティティごとに、関連研究文献を検索し、リスク関係語義知識を抽出し、同一研究目的の異なる研究文献の相対リスク比をマージし、マージ後の相対リスク比でエンティティ間の関係を表し、慢性疾患リスクエビデンスベースド語義知識ライブラリを構築し、
前記集団暴露率データベース構築手段は、慢性疾患リスクエビデンスベースド語義知識ライブラリにおける全てのエンティティについて、エンティティに対応する集団暴露率を関連付け、集団暴露率データベースを構築し、
前記患者個体慢性疾患進行リスク経路図算出及び描画手段は、慢性疾患リスクエビデンスベースド語義知識ライブラリ、集団暴露率データベース及び患者個体データ標準モデルに基づいて、個体慢性疾患進行リスクを表す重み付き有向グラフであって、頂点が患者に発生した危険因子及び発生し得る疾患を示し、且つ慢性疾患リスクエビデンスベースド語義知識ライブラリにおけるエンティティに対応し、辺重みが2つのエンティティの間の相対リスク比を示し、辺方向がエンティティ同士が影響する方向を示す重み付き有向グラフを構築し、患者個体に発生した全ての危険因子に基づいて、各発生し得る疾患の合計相対リスク比を推定し、推定された各頂点の合計相対リスク比をリスク行列に格納し、患者個体の重み付き有向グラフ及びリスク行列に基づいて患者個体慢性疾患進行リスク経路図を描画し、
前記患者個体慢性疾患進行リスクインタラクティブ分析モジュールは、患者個体データが変化した場合に、患者個体データ標準モデルを更新し、新たな患者個体慢性疾患進行リスク経路図を描画し、進行リスク経路における疾患リスク変化を可視化表示し、動的且つインタラクティブな患者個体慢性疾患進行リスク分析を医者及び患者へ提供する。
2.従来の患者個体慢性疾患リスク予測方法に存在する、数十種類の疾患複雑関係をカバーできず、臨床実際応用にエビデンスベースドサポートが欠いている問題について、本発明では、慢性疾患リスクエビデンスベースド語義知識ライブラリに基づいて、患者個体データ及び集団暴露率データも考慮し、患者個体慢性疾患進行リスクを算出し、患者個体慢性疾患進行リスク経路図を描画し、患者個体差異を考慮して個性化評価結果を与えつつ、評価結果がエビデンスベースドサポートを有することも確保する。
3.従来の医患診療中の意思決定及びコミュニケーションに存在する、患者の理解が不完全且つ深くなく、コンプライアンスが低いという問題について、本発明では、患者個体慢性疾患進行リスク経路図描画方法に基づいて、可視化且つインタラクティブな患者個体慢性疾患進行リスク分析方法を提供し、情報表現をより明確、直感的且つ活発にし、患者に自身の慢性疾患の進行リスク、介入治療措置の予期効果を十分に理解させ、臨床意思決定に十分に関与させ、医者患者の共同意思決定を実現し、患者コンプライアンス及び治療効果の向上に寄与する。
(1)慢性疾患リスクエビデンスベースド語義知識ライブラリを構築する。
医学根拠に基づく疾患リスク関係が慢性疾患進行リスクを評価する基礎であるため、先に慢性疾患リスクエビデンスベースド語義知識ライブラリを構築する必要がある。慢性疾患及びその併発症、合併症に関する研究文献を知識ライブラリの知識源とし、医療健康標準用語集をデータ語義識別子とし、慢性疾患及びその併発症、合併症のリスク関係語義知識を構築する。
を取得し、計算式は、下記のようになる。
は、第i個の研究文献の重みであり、
は、第i個の研究文献の効果量、即ち、相対リスク比であり、
は、各研究文献の相対リスク比の平均値である。
は、第i個の研究文献に含まれるサンプルの相対リスク比の分散である。
検定量
は、自由度がK-1のカイ二乗分布に従う。カイ二乗検定によってカイ二乗値
を取得する。
の場合に、各研究文献の間に異質性が存在すると示し、そうでない場合に各研究文献の間に異質性がないと示す。ただし、
は、信頼度であり、0.05と設定可能である。
各研究文献の間に異質性がない場合に、固定効果モデルMantel-Hasenzel法を用いてマージ後の相対リスク比
を
は、指数関数であり、
は、対数関数である。
各研究文献の間に異質性が存在する場合に、ランダム効果モデルD-L法を用いて重み
を
は、第i個の研究文献が補正された後の重み値である。
慢性疾患リスクエビデンスベースド語義知識ライブラリにおける全てのエンティティについて、エンティティに対応する集団暴露率を関連付ける。集団暴露率とは、集団におけるエンティティの暴露人数と総人数との比である。例えば、あるエンティティが「喫煙」である場合に、当該エンティティの集団暴露率は、集団中の喫煙人数を総人数で割ったものである。疾患エンティティにとって、集団暴露率は、集団発症率(集団罹患率)である。集団暴露率データベースのデータソースは、公開された統計データ、ある集団データベースを自ら統計するデータであってもよく、集団は、全国の人々、地元の人々、ある病院の人々などであってもよく、本発明において具体的に限定されない。例えば、本システムがある病院に用いられる場合に、データソースは、病院全体の患者の統計データであってもよい。本システムがある領域に用いられる場合に、データソースは、領域全体の患者の統計データであってもよい。
患者個体健康データは、複数の医療機構の臨床電子カルテ、個人健康プロファイル、スマートハードウェア、ウェアラブル機器から収集された健康データ、健康アンケートデータ、慢性疾患管理機構、養老機構等管理データ等に由来する。患者個体データ標準モデルは、個人基本情報、及び人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患、症状等の情報を含む。複数のデータソースにおける患者個体健康データに対してマッチングを施行し、抽出、変換を行って患者個体データ標準モデルにロードする。患者個体データ標準モデルで採用される用語は、慢性疾患リスクエビデンスベースド語義知識ライブラリ中の医療健康標準用語集と一致する。
患者個体について、慢性疾患リスクエビデンスベースド語義知識ライブラリ、集団暴露率データベース及び患者個体データ標準モデルに基づいて、個体慢性疾患進行リスクを表す重み付き有向グラフG(V,E)を構築する。有向グラフGの頂点セットVにおける頂点は、患者に発生した危険因子及び発生し得る疾患を示し、慢性疾患リスクエビデンスベースド語義知識ライブラリにおけるエンティティに対応し、有向グラフGの辺セットEにおける辺重みは、2つのエンティティの間の相対リスク比を示し、辺の方向は、エンティティ同士が影響する方向を示す。また、慢性疾患リスクエビデンスベースド語義知識ライブラリに格納されたのは、単一の危険因子と疾患とのリスク関係であり、患者個体に発生した全ての危険因子に基づいて、各発生し得る疾患の合計相対リスク比を推定し、推定された各頂点の合計相対リスク比をリスク行列Mに格納してもよい。
有向グラフGに頂点iを終点とする辺がn本あり、辺の重みをそれぞれ
とする。頂点iの合計相対リスク比
は、
は、第j本の辺の回帰係数であり、
有向グラフGに頂点iを終点とする辺がn本あり、辺の重みをそれぞれ
とすると、
まず、基準発症割合
を
は、第j本の辺に対応する危険因子の集団における暴露率であり、上記集団暴露率データベースに由来し、
次に、各危険因子の危険スコア
を
最後に、頂点iの合計相対リスク比
を以下のように算出する。
セットE及びセットFを設定し、各危険因子の危険スコア
について、
≧1の場合に、
をセットEに入れ、
<1の場合に、
をセットFに入れ、
は、
は、セットEの第i個の要素値であり、kは、セットFの要素数であり、
は、セットEの第j個の要素値である。
ハイブリッドモデルは、logistic回帰モデルとRothman-Kellerモデル結果とを組み合わせたモデルである。上記2種のモデルの結果を加重平均して最終の合計相対リスク比を取得する。重みは、人為的に経験に応じて選択され得る。本発明では、具体的に限定されない。
上記患者個体慢性疾患進行リスク経路図の算出及び描画は、主に患者初期のデータを基に算出及び描画を行う。個体に対して介入治療手段を実行した後又は個体データが変化した後の進化経路上の各疾患リスクの変化を患者により直感的且つ明確に把握させるために、個体慢性疾患進行リスクインタラクティブ分析方法を患者へ提供し、動的且つインタラクティブな可視化の分析を実現する。t時点において、ある患者個体データ標準モデルをセットAとする。調節不可能なデータは、セットBであり、人口統計学等の基礎情報、調節可能なデータは、セットCであり、検査検定中の物理検査結果、例えば、体重を含み、薬物、非薬物介入治療手段、疾患、症状等のデータを更に含む。A=B+C。その時点に、上記患者個体慢性疾患進行リスク経路図算出及び描画方法に従って対応する経路図Dを描画する。時点
において、患者が調節可能な幾つかのデータを動的に調節し、調節可能なデータセットCが
になった場合に、その時点の患者個体データ標準モデルは、
となる。その時点に、上記患者個体慢性疾患進行リスク経路図算出及び描画方法に従って対応する経路図 を描画する。患者は、幾つかのパラメータを調節したため、時点
のt時点に対する変化を可視化でき、介入治療手段を実行した後又は個体データが変化した後の進化経路上の各疾患リスクの変化を直観的、明確且つ正確に把握することができる。異なる慢性疾患介入治療手段の、慢性疾患及びその併発症、合併症に対するリスクを対比することにより、当該患者にとって最も有効な管理案を選択してもよい。医者が患者に対して有効な解釈説明を行うことができ、患者がより良く理解することができ、医者患者の共同意思決定を実現し、患者のコンプライアンスを向上させる。
慢性疾患リスクエビデンスベースド語義知識ライブラリ構築手段は、慢性疾患及びその併発症、合併症の疾患エンティティと、疾患に関する危険因子エンティティとを構築し、疾患エンティティごとに、関連研究文献を検索し、リスク関係語義知識を抽出し、同一研究目的の異なる研究文献の相対リスク比をマージし、マージ後の相対リスク比でエンティティ間の関係を表し、慢性疾患リスクエビデンスベースド語義知識ライブラリを構築する。当該手段の実現は、上記ステップ(1)を参照可能である。
Claims (9)
- 慢性疾患リスクエビデンスベースド語義知識ライブラリ構築手段と集団暴露率データベース構築手段と患者個体慢性疾患進行リスク経路図算出及び描画手段とを含む患者個体慢性疾患進行リスク可視化評価モジュール、患者個体データ取得及び変換モジュール、並びに、患者個体慢性疾患進行リスクインタラクティブ分析モジュールを備える個体慢性疾患進行リスク可視化評価システムが実行する個体慢性疾患進行リスク可視化評価方法であって、
前記慢性疾患リスクエビデンスベースド語義知識ライブラリ構築手段が慢性疾患リスクエビデンスベースド語義知識ライブラリを構築するステップ(1)と、
前記集団暴露率データベース構築手段が、慢性疾患リスクエビデンスベースド語義知識ライブラリにおける全てのエンティティについて、エンティティに対応する集団暴露率を関連付け、集団暴露率データベースを構築するステップ(2)と、
前記患者個体データ取得及び変換モジュールが、患者個体データ標準モデルを構築し、複数のデータソースから患者個体健康データを取得し、取得された患者個体健康データに対してマッチングを実行して抽出、変換を行って前記患者個体データ標準モデルにロードするステップ(3)と、
前記患者個体慢性疾患進行リスク経路図算出及び描画手段が患者個体慢性疾患進行リスク経路図を算出して描画するステップ(4)と、
前記患者個体慢性疾患進行リスクインタラクティブ分析モジュールが患者個体慢性疾患進行リスクに対してインタラクティブ分析を行うステップ(5)とを含み、
前記ステップ(1)は、慢性疾患及びその併発症、合併症の疾患エンティティと、疾患に関する危険因子エンティティとを構築し、疾患エンティティごとに、関連研究文献を検索し、リスク関係語義知識を抽出し、同一研究目的の異なる研究文献の相対リスク比をマージし、マージ後の相対リスク比でエンティティ間の関係を表し、慢性疾患リスクエビデンスベースド語義知識ライブラリを構築することを含み、
前記ステップ(4)は、前記慢性疾患リスクエビデンスベースド語義知識ライブラリ、前記集団暴露率データベース及び前記患者個体データ標準モデルに基づいて、個体慢性疾患進行リスクを表す重み付き有向グラフであって、頂点が患者に発生した危険因子及び発生し得る疾患を示し、且つ前記慢性疾患リスクエビデンスベースド語義知識ライブラリにおけるエンティティに対応し、辺重みが2つのエンティティの間の相対リスク比を示し、辺方向がエンティティ同士が影響する方向を示す重み付き有向グラフを構築することと、患者個体に発生した全ての危険因子に基づいて、各発生し得る疾患の合計相対リスク比を推定し、推定された各頂点の合計相対リスク比をリスク行列に格納することと、患者個体の重み付き有向グラフ及びリスク行列に基づいて患者個体慢性疾患進行リスク経路図を描画することと、を含み、
前記合計相対リスク比の推定方法は、
logistic回帰モデルで合計相対リスク比を推定する方法(4.1)と、Rothman-Kellerモデルで合計相対リスク比を推定する方法(4.2)と、ハイブリッドモデルで合計相対リスク比を推定する方法(4.3)と、を含み、
前記方法(4.1)では、重み付き有向グラフに頂点iを終点とする辺がn本あり、辺の重みをそれぞれ
とすると、頂点iの合計相対リスク比
は、
は、第j本の辺の回帰係数であり、
前記方法(4.2)では、重み付き有向グラフに頂点iを終点とする辺がn本あり、辺の重みをそれぞれ
とすると、
基準発症割合
を
は、第j本の辺に対応する危険因子の集団暴露率であり、前記集団暴露率データベースに由来し、
各危険因子の危険スコア
を
セットE及びセットFを設定し、各危険因子の危険スコア
について、
≧1の場合に、
をセットEに入れ、
<1の場合に、
をセットFに入れ、
頂点iの合計相対リスク比
は、
mは、セットEの要素数であり、
は、セットEの第i個の要素値であり、kは、セットFの要素数であり、
は、セットEの第j個の要素値であり、
前記方法(4.3)では、logistic回帰モデルとRothman-Kellerモデルとの推定結果を加重平均した値を最終の合計相対リスク比とし、
前記ステップ(5)は、患者個体データが変化した場合に、患者個体データ標準モデルを更新し、新たな患者個体慢性疾患進行リスク経路図を描画し、進行リスク経路における疾患リスク変化を可視化表示することを含むことを特徴とする個体慢性疾患進行リスク可視化評価方法。 - 前記ステップ(1)では、慢性疾患及びその併発症、合併症の関連研究文献を慢性疾患リスクエビデンスベースド語義知識ライブラリの知識源とし、医療健康標準用語集をデータ語義識別子とし、慢性疾患及びその併発症、合併症のリスク関係語義知識を構築することを特徴とする請求項1に記載の個体慢性疾患進行リスク可視化評価方法。
- 前記ステップ(1)において、前記慢性疾患リスクエビデンスベースド語義知識ライブラリのデータ構造は、OWL言語フォーマット仕様に合致するRDFトライグラムとして設計され、各トライグラムは、由来を表すエンティティAと結果を表すエンティティBとの2つのエンティティ、及び、エンティティ間の関係Cを含み、エンティティタイプは、人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患及び症状を含み、前記エンティティBのタイプは、疾患であり、前記エンティティAは、前記エンティティBの危険因子であり、前記エンティティ間の関係Cは、リスクの増大とリスクの低減とを含み、相対リスク比で表されることを特徴とする請求項1に記載の個体慢性疾患進行リスク可視化評価方法。
- 前記ステップ(1)において、前記同一研究目的の異なる研究文献の相対リスク比をマージすることは、ステップ(1.1)と、ステップ(1.2)とを含み、
前記ステップ(1.1)では、Q検定法を用いて異なる研究文献の異質性を識別し、自由度がK-1(ただし、Kは研究文献の総数)であるカイ二乗分布に従う検定量
を取得し、カイ二乗検定によってカイ二乗値
を取得し、
且つ
が信頼度である場合に、各研究文献の間に異質性が存在すると示し、そうでない場合に、各研究文献の間に異質性がないと示し、
前記ステップ(1.2)では、各研究文献の間に異質性がない場合に、固定効果モデルMantel-Hasenzel法を用いてマージ後の相対リスク比を算出し、そうでない場合に、ランダム効果モデルD-L法を用いてマージ後の相対リスク比を算出することを特徴とする請求項1に記載の個体慢性疾患進行リスク可視化評価方法。 - 前記検定量
は、
は、第i個の研究文献の重みであり、
は、第i個の研究文献に含まれるサンプルの相対リスク比の分散であり、
は、第i個の研究文献の相対リスク比であり、
は、各研究文献の相対リスク比の平均値であり、
各研究文献の間に異質性がない場合に、固定効果モデルMantel-Hasenzel法を用いてマージ後の相対リスク比
を
は、指数関数であり、
は、対数関数であり、
各研究文献の間に異質性が存在する場合に、ランダム効果モデルD-L法を用いて重み
を
は、第i個の研究文献が補正された後の重み値であることを特徴とする請求項4に記載の個体慢性疾患進行リスク可視化評価方法。 - 前記ステップ(3)において、前記患者個体データ標準モデルは、個人基本情報、及び人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患、症状を含むことを特徴とする請求項1に記載の個体慢性疾患進行リスク可視化評価方法。
- 前記ステップ(3)において、前記患者個体健康データは、医療機構の臨床電子カルテ、個人健康プロファイル、スマートハードウェア、ウェアラブル機器から収集された健康データ、健康アンケートデータ、慢性疾患管理機構、養老機構の管理データに由来することを特徴とする請求項1に記載の個体慢性疾患進行リスク可視化評価方法。
- 前記ステップ(4)において、前記患者個体慢性疾患進行リスク経路図を算出して描画することは、キャンバスの位置及びサイズを定義し、座標軸の縮尺を特定し、図表タイプを選択し、ノード形状及びノード色を定義することと、人口統計学情報、検査検定、薬物、非薬物介入治療手段、疾患及び症状を含むノードタイプを異なるノード形状で区分することと、異なる疾患タイプを異なるノード色で区分することと、疾患のノードサイズを、線形関係を呈するように、リスク行列に格納された頂点の合計相対リスク比で算出することと、ノード間のリンクの太さを、線形関係を呈するように、重み付き有向グラフにおける辺の重みで算出し、リスクの増大とリスクの低減とを異なるリンク色で区分することと、入次数が0であるノードを一方側に位置合わせし、下位階層のノードを順に配列し、慢性疾患進行リスク経路階層を形成することと、を含むことを特徴とする請求項1に記載の個体慢性疾患進行リスク可視化評価方法。
- 個体慢性疾患進行リスク可視化評価システムであって、
患者個体データ取得及び変換モジュールと、患者個体慢性疾患進行リスク可視化評価モジュールと、患者個体慢性疾患進行リスクインタラクティブ分析モジュールとを備え、
前記患者個体データ取得及び変換モジュールは、患者の身分識別子に基づいて、複数のデータソースから患者個体健康データを取得し、取得された患者個体健康データに対してマッチングを実行して抽出、変換を行って患者個体データ標準モデルにロードし、
前記患者個体慢性疾患進行リスク可視化評価モジュールは、慢性疾患リスクエビデンスベースド語義知識ライブラリ構築手段と、集団暴露率データベース構築手段と、患者個体慢性疾患進行リスク経路図算出及び描画手段とを備え、
前記慢性疾患リスクエビデンスベースド語義知識ライブラリ構築手段は、慢性疾患及びその併発症、合併症の疾患エンティティと、疾患に関する危険因子エンティティとを構築し、疾患エンティティごとに、関連研究文献を検索し、リスク関係語義知識を抽出し、同一研究目的の異なる研究文献の相対リスク比をマージし、マージ後の相対リスク比でエンティティ間の関係を表し、慢性疾患リスクエビデンスベースド語義知識ライブラリを構築し、
前記集団暴露率データベース構築手段は、慢性疾患リスクエビデンスベースド語義知識ライブラリにおける全てのエンティティについて、エンティティに対応する集団暴露率を関連付け、集団暴露率データベースを構築し、
前記患者個体慢性疾患進行リスク経路図算出及び描画手段は、慢性疾患リスクエビデンスベースド語義知識ライブラリ、集団暴露率データベース及び患者個体データ標準モデルに基づいて、個体慢性疾患進行リスクを表す重み付き有向グラフであって、頂点が患者に発生した危険因子及び発生し得る疾患を示し、且つ慢性疾患リスクエビデンスベースド語義知識ライブラリにおけるエンティティに対応し、辺重みが2つのエンティティの間の相対リスク比を示し、辺方向がエンティティ同士が影響する方向を示す重み付き有向グラフを構築し、患者個体に発生した全ての危険因子に基づいて、各発生し得る疾患の合計相対リスク比を推定し、推定された各頂点の合計相対リスク比をリスク行列に格納し、患者個体の重み付き有向グラフ及びリスク行列に基づいて患者個体慢性疾患進行リスク経路図を描画し、
合計相対リスク比の推定方法は、
logistic回帰モデルで合計相対リスク比を推定する方法(a)と、Rothman-Kellerモデルで合計相対リスク比を推定する方法(b)と、ハイブリッドモデルで合計相対リスク比を推定する方法(c)と、を含み、
前記方法(a)では、重み付き有向グラフに頂点iを終点とする辺がn本あり、辺の重みをそれぞれ
とすると、頂点iの合計相対リスク比
は、
は、第j本の辺の回帰係数であり、
前記方法(b)では、重み付き有向グラフに頂点iを終点とする辺がn本あり、辺の重みをそれぞれ
とすると、
基準発症割合
を
は、第j本の辺に対応する危険因子の集団暴露率であり、前記集団暴露率データベースに由来し、
各危険因子の危険スコア
を
セットE及びセットFを設定し、各危険因子の危険スコア
について、
≧1の場合に、
をセットEに入れ、
<1の場合に、
をセットFに入れ、
頂点iの合計相対リスク比
は、
mは、セットEの要素数であり、
は、セットEの第i個の要素値であり、kは、セットFの要素数であり、
は、セットEの第j個の要素値であり、
前記方法(c)では、logistic回帰モデルとRothman-Kellerモデルとの推定結果を加重平均した値を最終の合計相対リスク比とし、
前記患者個体慢性疾患進行リスクインタラクティブ分析モジュールは、患者個体データが変化した場合に、患者個体データ標準モデルを更新し、新たな患者個体慢性疾患進行リスク経路図を描画し、進行リスク経路における疾患リスク変化を可視化表示することを特徴とする個体慢性疾患進行リスク可視化評価システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111523880.7A CN113921141B (zh) | 2021-12-14 | 2021-12-14 | 一种个体慢病演进风险可视化评估方法及系统 |
CN202111523880.7 | 2021-12-14 | ||
PCT/CN2022/116969 WO2023109199A1 (zh) | 2021-12-14 | 2022-09-05 | 一种个体慢病演进风险可视化评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023553504A JP2023553504A (ja) | 2023-12-21 |
JP7430295B2 true JP7430295B2 (ja) | 2024-02-09 |
Family
ID=79249112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023538042A Active JP7430295B2 (ja) | 2021-12-14 | 2022-09-05 | 個体慢性疾患進行リスク可視化評価方法及びシステム |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7430295B2 (ja) |
CN (1) | CN113921141B (ja) |
WO (1) | WO2023109199A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113921141B (zh) * | 2021-12-14 | 2022-04-08 | 之江实验室 | 一种个体慢病演进风险可视化评估方法及系统 |
CN115036034B (zh) * | 2022-08-11 | 2022-11-08 | 之江实验室 | 一种基于患者表征图的相似患者识别方法及系统 |
CN117198527B (zh) * | 2023-08-24 | 2024-02-23 | 北京大学人民医院 | 一种亲缘造血干细胞移植术后的风险评估系统及方法 |
CN116959715B (zh) * | 2023-09-18 | 2024-01-09 | 之江实验室 | 一种基于时序演进过程解释的疾病预后预测系统 |
CN117316297A (zh) * | 2023-10-24 | 2023-12-29 | 广东美格基因科技有限公司 | 辅助绘图系统、方法、计算机设备及计算机可读存储介质 |
CN117854676B (zh) * | 2024-01-17 | 2024-08-27 | 泰昊乐生物科技有限公司 | 一种健康管理计划定制方法及系统 |
CN117936114B (zh) * | 2024-03-13 | 2024-06-25 | 湖北福鑫科创信息技术有限公司 | 基于大语言模型的电子病历智能化分析与优化系统 |
CN117912708B (zh) * | 2024-03-14 | 2024-05-17 | 苏州市相城区疾病预防控制中心 | 公共卫生中慢性非传染性疾病防控方法、系统及存储介质 |
CN118136270B (zh) * | 2024-05-10 | 2024-06-25 | 恺恩泰(南京)科技有限公司 | 一种基于数据分析慢病健康监测与预警系统与方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004530971A (ja) | 2001-02-21 | 2004-10-07 | デルファイ ヘルス システムズ,インコーポレイテッド | 慢性疾患のアウトカム、教育、および連絡のためのシステム |
WO2020045245A1 (ja) | 2018-08-31 | 2020-03-05 | 日本電信電話株式会社 | 状態遷移予測装置、予測モデル学習装置、方法およびプログラム |
CN112102937A (zh) | 2020-11-13 | 2020-12-18 | 之江实验室 | 一种慢性病辅助决策的患者数据可视化方法及系统 |
CN112820415A (zh) | 2021-02-08 | 2021-05-18 | 郑州大学 | 一种基于gis的慢性病时空演化特征分析及环境健康风险监测系统及方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130151278A1 (en) * | 2011-12-09 | 2013-06-13 | Fabio Alburquerque Thiers | System and method for clinical research center analytics |
CN103559397A (zh) * | 2013-10-31 | 2014-02-05 | 合肥学院 | 一种应用于高血压慢性病的智慧服务系统及方法 |
CN108511070A (zh) * | 2018-04-18 | 2018-09-07 | 郑州大学第附属医院 | 一种糖尿病患者评估及管理系统 |
CN108877943A (zh) * | 2018-06-21 | 2018-11-23 | 天津医科大学 | 基于循证医学证据的ii型糖尿病风险评估模型 |
CN110277167A (zh) * | 2019-05-31 | 2019-09-24 | 南京邮电大学 | 基于知识图谱的慢性非传染性疾病风险预测系统 |
CN110718302A (zh) * | 2019-10-22 | 2020-01-21 | 江苏健康无忧网络科技有限公司 | 一种基于大数据的糖尿病管理路径的系统 |
CN111370127B (zh) * | 2020-01-14 | 2022-06-10 | 之江实验室 | 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统 |
US20210272696A1 (en) * | 2020-03-02 | 2021-09-02 | University Of Cincinnati | System, method computer program product and apparatus for dynamic predictive monitoring in the critical health assessment and outcomes study (chaos) |
CN111507827A (zh) * | 2020-04-20 | 2020-08-07 | 上海商涌网络科技有限公司 | 一种健康风险评估的方法、终端及计算机存储介质 |
CN112336358A (zh) * | 2020-04-30 | 2021-02-09 | 中山大学孙逸仙纪念医院 | 一种预测致密型乳腺的乳腺病灶恶性风险模型及其构建方法 |
US20210375472A1 (en) * | 2020-06-01 | 2021-12-02 | University Of Washington | Methods and systems for decision support |
CN112133445A (zh) * | 2020-10-21 | 2020-12-25 | 万达信息股份有限公司 | 一种心血管疾病管理服务方法和系统 |
CN113626624B (zh) * | 2021-10-12 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 一种资源识别方法和相关装置 |
CN113643821B (zh) * | 2021-10-13 | 2022-02-11 | 浙江大学 | 一种多中心知识图谱联合决策支持方法与系统 |
CN113921141B (zh) * | 2021-12-14 | 2022-04-08 | 之江实验室 | 一种个体慢病演进风险可视化评估方法及系统 |
-
2021
- 2021-12-14 CN CN202111523880.7A patent/CN113921141B/zh active Active
-
2022
- 2022-09-05 JP JP2023538042A patent/JP7430295B2/ja active Active
- 2022-09-05 WO PCT/CN2022/116969 patent/WO2023109199A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004530971A (ja) | 2001-02-21 | 2004-10-07 | デルファイ ヘルス システムズ,インコーポレイテッド | 慢性疾患のアウトカム、教育、および連絡のためのシステム |
WO2020045245A1 (ja) | 2018-08-31 | 2020-03-05 | 日本電信電話株式会社 | 状態遷移予測装置、予測モデル学習装置、方法およびプログラム |
CN112102937A (zh) | 2020-11-13 | 2020-12-18 | 之江实验室 | 一种慢性病辅助决策的患者数据可视化方法及系统 |
CN112820415A (zh) | 2021-02-08 | 2021-05-18 | 郑州大学 | 一种基于gis的慢性病时空演化特征分析及环境健康风险监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023109199A1 (zh) | 2023-06-22 |
JP2023553504A (ja) | 2023-12-21 |
CN113921141B (zh) | 2022-04-08 |
CN113921141A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7430295B2 (ja) | 個体慢性疾患進行リスク可視化評価方法及びシステム | |
Coorey et al. | The health digital twin to tackle cardiovascular disease—a review of an emerging interdisciplinary field | |
Nazari et al. | A fuzzy inference-fuzzy analytic hierarchy process-based clinical decision support system for diagnosis of heart diseases | |
US20200265956A1 (en) | Machine learning clinical decision support system for risk categorization | |
Salmon et al. | A structured literature review of simulation modelling applied to Emergency Departments: Current patterns and emerging trends | |
Jonnagaddala et al. | Coronary artery disease risk assessment from unstructured electronic health records using text mining | |
US20110202486A1 (en) | Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions | |
WO2015068812A1 (ja) | 医療データ分析システム、及び医療データを分析する方法 | |
JP2021525411A (ja) | 先を見越した健康監視及び管理のための個別化されたデバイス推奨 | |
US20170061102A1 (en) | Methods and systems for identifying or selecting high value patients | |
Hunter-Zinck et al. | Predicting emergency department orders with multilabel machine learning techniques and simulating effects on length of stay | |
Shenas et al. | Identifying high-cost patients using data mining techniques and a small set of non-trivial attributes | |
WO2015071968A1 (ja) | 分析システム | |
Shaw et al. | Timing of onset, burden, and postdischarge mortality of persistent critical illness in Scotland, 2005–2014: a retrospective, population-based, observational study | |
Wang et al. | Improving triaging from primary care into secondary care using heterogeneous data-driven hybrid machine learning | |
US11875884B2 (en) | Expression of clinical logic with positive and negative explainability | |
Wongtangman et al. | Development and validation of a machine learning ASA-score to identify candidates for comprehensive preoperative screening and risk stratification | |
CN114566284A (zh) | 疾病预后风险预测模型训练方法、装置及电子设备 | |
RU2752792C1 (ru) | Система для поддержки принятия врачебных решений | |
Nguyen et al. | Man vs. Machine: comparing physician vs. Electronic health record–based model predictions for 30-day hospital readmissions | |
de Haan et al. | Patient-specific workup of adrenal incidentalomas | |
Slaven et al. | Characteristics, clinical findings and outcomes of acute aortic dissection: A comparison between an Australian emergency department and the International Registry of Acute Aortic Dissection | |
Quaglini et al. | Cardiovascular risk calculators: understanding differences and realising economic implications | |
Velichkovska et al. | A Survey of Bias in Healthcare: Pitfalls of Using Biased Datasets and Applications | |
Alhorishi et al. | Using machine learning to predict early preparation of pharmacy prescriptions at psmmc-a comparison of four machine learning algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230621 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230705 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231204 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231207 |
|
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: 20240105 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240130 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7430295 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |