JP7787586B2 - デジタル表現型を用いた気分エピソード発生の予測装置及び方法 - Google Patents

デジタル表現型を用いた気分エピソード発生の予測装置及び方法

Info

Publication number
JP7787586B2
JP7787586B2 JP2023150733A JP2023150733A JP7787586B2 JP 7787586 B2 JP7787586 B2 JP 7787586B2 JP 2023150733 A JP2023150733 A JP 2023150733A JP 2023150733 A JP2023150733 A JP 2023150733A JP 7787586 B2 JP7787586 B2 JP 7787586B2
Authority
JP
Japan
Prior art keywords
information
prediction
mood
episode
target user
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
JP2023150733A
Other languages
English (en)
Other versions
JP2024125984A (ja
Inventor
イ、ホンジョン
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.)
Korea University Research and Business Foundation
Original Assignee
Korea University Research and Business Foundation
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 Korea University Research and Business Foundation filed Critical Korea University Research and Business Foundation
Publication of JP2024125984A publication Critical patent/JP2024125984A/ja
Application granted granted Critical
Publication of JP7787586B2 publication Critical patent/JP7787586B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • 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
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

特許法第３０条第２項適用 令和４年９月２３日にウェブサイトに掲載された「ＣＡＭＢＲＩＤＧＥ ＵＮＩＶＥＲＳＩＴＹ ＰＲＥＳＳ」にて発表
本願は、デジタル表現型を用いた気分エピソード発生の予測装置及び方法に関する。例えば、本願は、鬱病、躁鬱病などの気分障害を持った使用者のリアルタイムのデジタル表現型を用いて迫った気分エピソードの再発を予測する技法に関する。
主要憂鬱障害（Ｍａｊｏｒ Ｄｅｐｒｅｓｓｉｖｅ Ｄｉｓｏｒｄｅｒ、ＭＤＤ）、１型両極性障害（Ｂｉｐｏｌａｒ Ｉ Ｄｉｓｏｒｄｅｒ）、２型両極性障害（Ｂｉｐｏｌａｒ ＩＩ Ｄｉｓｏｒｄｅｒ）などを含む気分障害は、再発率が高く、患者の気分、睡眠、活力などが持続的に不安定な状態に置かれることがある。
よって、気分障害に対する症状の先制的管理、予防と成功的な治療のためには、気分エピソードの再発を管理することが重要であり、より良い予後のためには、既存の薬物及び精神療法治療と共に患者の日常状態を評価、分析及び管理するという新しいアプローチ方法が必要である。
さらに、精神疾患と睡眠障害の間の連関性が知られた以来、概日リズムの不均衡は気分障害と密接な関連があるという事実が広く知られている。不眠症または過睡眠が憂鬱エピソードの主要症状である一方、睡眠必要性の減少は、躁病エピソードで特徴的に表れる。
このように睡眠－覚醒問題は、気分障害が比較的安定的な状態である期間の間にも明らかに発生し得て、臨床環境で睡眠－覚醒障害の悪化は、一般的に気分エピソードの再発を伴うか先行すると知られている。従って、気分障害の場合、エピソード再発と寛解期間の間に睡眠を注意深くモニタリングしなければならない。
一方、最近、速い速度で発展しているデジタル技術と人工知能基盤の分析技術は、既存医学の多様な限界を克服しながら医療分野を変化させており、既存の精神科診療が自己報告に大きく依存し、不可避に不安な患者と近い観察者の主観的判断と回想偏向を統合しなければならなかったという限界があったことと異なり、ウェアラブル機器とスマートフォンの登場により、患者の日常生活パターンで精神状態を類推することができるようになり、さらには、臨床医が気分エピソードの迫った再発危険のある患者をより良く識別するように補助できるようになった。
従って、精神医学分野は、疾病の発病及び再発の時間的経過に対する正確な表現型及びコンピュータモデリングを通じて大きな利点が得られることが期待される。
韓国登録特許公報第１０－２３０３１７２号
本願は、前述した従来技術の問題点を解決するためのもので、使用者端末、ウェアラブルデバイスなどを通じて収集されるログデータに対する分析を通じて使用者の気分エピソード発生に対する予測情報を導出することができるデジタル表現型を用いた気分エピソード発生の予測装置及び方法を提供することを目的とする。
但し、本願の実施例が達成しようとする技術的課題は、上記のような技術的課題に限定されず、また他の技術的課題が存在し得る。
上記の技術的課題を達成するための技術的手段として、本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測方法は、対象使用者の使用者端末及び前記対象使用者の身体に付着するか着用したウェアラブルデバイスのうち少なくとも一つから前記対象使用者の概日リズムと連携したログデータを獲得する段階と、前記ログデータから予め設定された主要特徴情報を抽出する段階と、前記主要特徴情報を予め学習された人工知能基盤の予測モデルに入力して前記対象使用者の気分エピソード発生に対する予測情報を導出する段階とを含むことができる。
また、前記予測情報を導出する段階は、予め設定された分析期間以内に前記対象使用者の主要憂鬱エピソード、躁病エピソード及び軽躁病エピソードのうち少なくとも一つに対する発生可能性に対する情報を前記予測情報として算出することができる。
また、本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測方法は、前記対象使用者の気分障害類型に対する疾患情報を含む使用者情報を獲得する段階を含むことができる。
また、前記予測情報を導出する段階は、予め学習された複数の前記予測モデルのうち前記疾患情報に対応するように決められる対象予測モデルを用いて前記予測情報を導出することができる。
また、前記気分障害類型は、主要憂鬱障害、１型両極性障害及び２型両極性障害を含むことができる。
また、前記対象予測モデルに入力される前記主要特徴情報の類型及び前記主要特徴情報のそれぞれの加重値は、前記疾患情報を考慮して決められることができる。
また、前記主要特徴情報は、前記対象使用者に対する脈拍情報、光量情報、睡眠情報及び歩行情報を含む複数のカテゴリーのそれぞれに対応する特徴情報を含むことができる。
一方、本願の一実施例によるデジタル表現型を用いた気分エピソード再発を予測するための人工知能基盤の予測モデルの学習方法は、複数の使用者のそれぞれの使用者端末及び前記複数の使用者のそれぞれの身体に付着するか着用したウェアラブルデバイスのうち少なくとも一つから収集された前記複数の使用者のそれぞれの概日リズムと連携したログデータを収集する段階と、前記複数の使用者のそれぞれの気分エピソード発生と連携した応答データを準備する段階と、前記ログデータ及び前記応答データに基づいて前記ログデータから抽出される複数の特徴情報のうち前記気分エピソード発生と連携した主要特徴情報を選別する段階と、前記主要特徴情報を用いて、対象使用者の前記ログデータが入力されると前記対象使用者の気分エピソード発生に対する予測情報を出力する人工知能基盤の予測モデルを構築する段階とを含むことができる。
また、前記ログデータ及び前記応答データは、前記複数の使用者のそれぞれの気分障害類型によって複数のグループに分類されることができる。
また、前記予測モデルを構築する段階は、前記分類された前記ログデータ及び前記応答データを用いて前記気分障害類型のそれぞれに対応する複数の予測モデルを学習させることができる。
一方、本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測装置は、対象使用者の使用者端末及び前記対象使用者の身体に付着するか着用したウェアラブルデバイスのうち少なくとも一つから前記対象使用者の概日リズムと連携したログデータを獲得するログ収集部と、前記ログデータから予め設定された主要特徴情報を抽出するフィーチャー抽出部と、前記主要特徴情報を予め学習された人工知能基盤の予測モデルに入力して前記対象使用者の気分エピソード発生に対する予測情報を導出する分析遂行部とを含むことができる。
また、前記分析遂行部は、予め設定された分析期間以内に前記対象使用者の主要憂鬱エピソード、躁病エピソード及び軽躁病エピソードのうち少なくとも一つに対する発生可能性に対する情報を前記予測情報として算出することができる。
また、前記ログ収集部は、前記対象使用者の気分障害類型に対する疾患情報を含む使用者情報を獲得することができる。
また、前記分析遂行部は、予め学習された複数の前記予測モデルのうち前記疾患情報に対応するように決められる対象予測モデルを用いて前記予測情報を導出することができる。
一方、本願の一実施例によるデジタル表現型を用いた気分エピソード再発を予測するための人工知能基盤の予測モデルの学習装置は、複数の使用者のそれぞれの使用者端末及び前記複数の使用者のそれぞれの身体に付着するか着用したウェアラブルデバイスのうち少なくとも一つから収集された前記複数の使用者のそれぞれの概日リズムと連携したログデータを収集し、前記複数の使用者のそれぞれの気分エピソード発生と連携した応答データを準備するデータ収集部と、前記ログデータ及び前記応答データに基づいて前記ログデータから抽出される複数の特徴情報のうち前記気分エピソード発生と連携した主要特徴情報を選別するフィーチャー分析部と、前記主要特徴情報を用いて、対象使用者の前記ログデータが入力されると前記対象使用者の気分エピソード発生に対する予測情報を出力する人工知能基盤の予測モデルを構築するモデル学習部とを含むことができる。
また、前記モデル学習部は、前記分類された前記ログデータ及び前記応答データを用いて前記気分障害類型のそれぞれに対応する複数の予測モデルを学習させることができる。
上述した課題解決手段は単に例示的なもので、本願を制限しようとする意図で解釈されてはならない。上述した例示的な実施例の他にも、図面及び発明の詳細な説明に追加的な実施例が存在することができる。
前述した本願の課題解決手段によると、使用者端末、ウェアラブルデバイスなどを通じて収集されるログデータに対する分析を通じて使用者の気分エピソード発生に対する予測情報を導出することができるデジタル表現型を用いた気分エピソード発生の予測装置及び方法を提供することができる。
但し、本願で得られる効果は、上記のような効果に限定されず、また他の効果が存在することができる。
本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測装置を含むデジタルヘルスケアシステムの概略的な構成図である。 使用者に対して収集されるログデータから導出される特徴情報の範疇を説明するための図面である。 使用者に対して収集されるログデータから導出される特徴情報の範疇を説明するための図面である。 使用者に対して収集されるログデータから導出される特徴情報の細部類型を説明するための図面である。 主要憂鬱エピソード、躁病エピソード及び軽躁病エピソードそれぞれの発生可能性を予測するための複数の予測モデルのそれぞれに対応する主要特徴情報と主要特徴情報のそれぞれが予測モデルの出力に及ぶ影響度を視覚化して示したグラフである。 主要憂鬱エピソード、躁病エピソード及び軽躁病エピソードそれぞれの発生可能性を予測するための複数の予測モデルのそれぞれに対応する主要特徴情報と主要特徴情報のそれぞれが予測モデルの出力に及ぶ影響度を視覚化して示したグラフである。 主要憂鬱エピソード、躁病エピソード及び軽躁病エピソードそれぞれの発生可能性を予測するための複数の予測モデルのそれぞれに対応する主要特徴情報と主要特徴情報のそれぞれが予測モデルの出力に及ぶ影響度を視覚化して示したグラフである。 本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測装置の人工知能基盤の予測モデルのそれぞれの疾患類型による予測性能を示した図表である。 本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測装置の概略的な構成図である。 本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測方法に対する動作フローチャートである。 本願の一実施例によるデジタル表現型を用いた気分エピソード再発を予測するための人工知能基盤の予測モデルの学習方法に対する動作フローチャートである。
以下では、添付の図面を参照して本願が属する技術分野で通常の知識を有する者が容易に実施することができるように、本願の実施例を詳しく説明する。しかし、本願は、様々な異なる形態で具現されることができ、ここで説明する実施例に限定されない。そして、図面で本願を明確に説明するために、説明と関係ない部分は省略し、明細書全体を通じて類似した部分については類似した図面符号をつけた。
本願明細書全体において、ある部分が他の部分と「連結」されているとすると、これは「直接的に連結」されている場合だけでなく、その中間に他の素子を挟んで「電気的に連結」または「間接的に連結」されている場合も含む。
本願明細書全体において、ある部材が他の部材「上に」、「上部に」、「上端に」、「下に」、「下部に」、「下端に」位置しているとすると、これは、ある部材が他の部材に接している場合だけでなく、二つの部材間にまた他の部材が存在する場合も含む。
本願明細書全体において、ある部分がある構成要素を「含む」とすると、これは、特に反対の記載がない限り、他の構成要素を除外するのではなく、他の構成要素をさらに含むことができることを意味する。
本願は、デジタル表現型を用いた気分エピソード発生の予測装置及び方法に関する。例えば、本願は、鬱病、躁鬱病などの気分障害を持った使用者のリアルタイムのデジタル表現型を用いて迫った気分エピソードの再発を予測する技法に関する。
図１は、本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測装置を含むデジタルヘルスケアシステムの概略的な構成図である。
図１を参照すると、本願の一実施例によるデジタルヘルスケアシステム１０は、本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測装置１００（以下、「予測装置１００」という）、ウェアラブルデバイス２１０、使用者端末２２０及び医療陣端末３００を含むことができる。
予測装置１００、ウェアラブルデバイス２１０、使用者端末２２０及び医療陣端末３００の相互間は、ネットワーク２０を介して通信することができる。ネットワーク２０は、端末及びサーバのようなそれぞれのノード相互間に情報交換が可能な連結構造を意味するもので、かかるネットワーク２０の一例としては、３ＧＰＰ（３ｒｄ Ｇｅｎｅｒａｔｉｏｎ Ｐａｒｔｎｅｒｓｈｉｐ Ｐｒｏｊｅｃｔ）ネットワーク、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）ネットワーク、５Ｇネットワーク、ＷＩＭＡＸ（Ｗｏｒｌｄ Ｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙ ｆｏｒ Ｍｉｃｒｏｗａｖｅ Ａｃｃｅｓｓ）ネットワーク、インターネット（Ｉｎｔｅｒｎｅｔ）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、Ｗｉｒｅｌｅｓｓ ＬＡＮ（Ｗｉｒｅｌｅｓｓ Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ｗｉｆｉネットワーク、ブルートゥース（Ｂｌｕｅｔｏｏｔｈ）ネットワーク、衛星放送ネットワーク、アナログ放送ネットワーク、ＤＭＢ（Ｄｉｇｉｔａｌ Ｍｕｌｔｉｍｅｄｉａ Ｂｒｏａｄｃａｓｔｉｎｇ）ネットワークなどが含まれるが、これに限定されない。また、本願の一実施例による予測装置１００は、ウェアラブルデバイス２１０及び使用者端末２２０のうち少なくとも一つに搭載（設置）される形態で実現されることができる。
ウェアラブルデバイス２１０は、例えば、使用者の手首部に着用した状態で使用者の生体情報などを収集するためのスマートウォッチ（Ｓｍａｒｔ Ｗａｔｃｈ）、スマートバンド（Ｓｍａｒｔ Ｂａｎｄ）などであることができるが、これに限定されるものではない。他の例として、ウェアラブルデバイス２１０は、頭着用型（Ｈｅａｄ－ｗｏｒｎ）デバイス、ストラップ（Ｓｔｒａｐ）型デバイス、衣類型デバイス、足着用型（Ｓｈｏｅ－ｗｏｎ／Ｆｏｏｔ ｐｏｄｓ）デバイスなどの多様な位置に着用されて、使用者１の特徴情報を獲得可能な機器を幅広く意味することができる。また、例示的に、ウェアラブルデバイス２１０は、Ｆｉｔｂｉｔ、Ｊａｗｂｏｎｅ Ｕｐ、Ｎｉｋｅ＋ ＦｕｅｌＢａｎｄ、Ａｐｐｌｅ Ｗａｔｃｈ、Ｓａｍｓｕｎｇ Ｇｅａｒなどであることができる。また、ウェアラブルデバイス２１０と使用者端末２２０は、一つの使用者１に対する同一のアカウント情報に基づいて相互連動されたものであることができる。また、本願の具現例によっては、ウェアラブルデバイス２１０は、広い範囲で使用者端末２２０に含まれると理解されることができる。
また、本願の実施例に関する説明において、医療陣端末３００は、所定の使用者の気分エピソード発生に対する予測情報を予測装置１００から獲得して使用者の状態を把握し、特定類型の気分エピソード（例えば、主要憂鬱エピソード（Ｍａｊｏｒ Ｄｅｐｒｅｓｓｉｖｅ Ｅｐｉｓｏｄｅ、ＭＤＥ）、躁病エピソード（Ｍａｎｉｃ Ｅｐｉｓｏｄｅ、ＭＥ）、軽躁病エピソード（Ｈｙｐｏｍａｎｉｃ Ｅｐｉｓｏｄｅ、ＨＭＥ）など）の発生が予測されると、使用者端末２２０及び／またはウェアラブルデバイス２１０に使用者１が取るべき適切な措置事項を含むガイド情報を生成及び転送するように具備される使用者１の主治医、担当医療陣、保護者などが保有したデバイスを指称するものであることができる。
使用者端末２２０及び／または医療陣端末３００は、例えば、スマートフォン（Ｓｍａｒｔｐｈｏｎｅ）、スマートパッド（ＳｍａｒｔＰａｄ）、タブレットＰＣなどとＰＣＳ（Ｐｅｒｓｏｎａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）、ＧＳＭ（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ＰＤＣ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ｃｅｌｌｕｌａｒ）、ＰＨＳ（Ｐｅｒｓｏｎａｌ Ｈａｎｄｙｐｈｏｎｅ Ｓｙｓｔｅｍ）、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、ＩＭＴ（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｏｂｉｌｅ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ）－２０００、ＣＤＭＡ（Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）－２０００、Ｗ－ＣＤＭＡ（Ｗ－Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）、Ｗｉｂｒｏ（Ｗｉｒｅｌｅｓｓ Ｂｒｏａｄｂａｎｄ Ｉｎｔｅｒｎｅｔ）端末機のような全種類の無線通信装置であることができる。
一方、本願の実施例に関する説明において、予測装置１００は、デジタル表現型を用いた気分エピソード再発を予測するための人工知能基盤の予測モデルの学習（訓練）を行う「学習装置１００」と他に指称されることができる。換言すると、本願の実施例に関する説明において、図面符号１００は、デジタル表現型を用いた気分エピソード発生の予測装置１００及びデジタル表現型を用いた気分エピソード再発を予測するための人工知能基盤の予測モデルの学習装置１００に対して混用されることができる。
以下では、予測装置１００の具体的な機能及び動作について詳しく説明する。
予測装置１００は、対象使用者１の使用者端末２２０及び対象使用者１の身体に付着するか着用したウェアラブルデバイス２１０のうち少なくとも一つから対象使用者１の概日リズムと連携したログデータを獲得することができる。本願の一実施例によると、ログデータは、対象使用者１の使用者端末２２０及び／またはウェアラブルデバイス２１０から獲得可能な使用者の身体活動関連情報、位置情報、特定のアプリケーションの使用記録（ログ）、画面（スクリーン）のオン－オフ情報、タイムスタンプ情報、生体信号情報、センサモジュールの測定データなどを含むことができるが、これに限定されるものではない。
また、予測装置１００は、収集されたログデータから予め設定された主要特徴情報を抽出することができる。これと関連して、本願で開示する予測装置１００は、使用者の気分エピソード発生に対する予測情報を導出するために、収集されたログデータから導出される所定の特徴情報を後述する人工知能基盤の予測モデルを通じて分析されるフィーチャー（Ｆｅａｔｕｒｅ）として活用することができ、このような特徴情報は、人工知能基盤の予測モデルを用いて予測しようとする具体的な気分エピソードの類型、対象使用者１の気分障害類型などを考慮して事前に決められることができる。
より具体的に、本願で開示する予測装置１００は、対象使用者１の疾患情報を含む使用者情報に基づいて対象使用者１が主要憂鬱障害（Ｍａｊｏｒ Ｄｅｐｒｅｓｓｉｖｅ Ｄｉｓｏｒｄｅｒ、ＭＤＤ）に該当する場合、人工知能基盤の分析モデルを用いて主要憂鬱エピソード（ＭＤＥ）の発生可能性に対する情報を含む予測情報を算出するように動作することができる。他の例として、予測装置１００は、対象使用者１が１型両極性障害（Ｂｉｐｏｌａｒ Ｉ Ｄｉｓｏｒｄｅｒ）に該当する場合、人工知能基盤の分析モデルを用いて主要憂鬱エピソード（ＭＤＥ）、躁病エピソード（ＭＥ）及び軽躁病エピソード（ＨＭＥ）のそれぞれの発生可能性に対する情報を含む予測情報を算出するように動作することができる。また他の例として、予測装置１００は、対象使用者１が２型両極性障害（Ｂｉｐｏｌａｒ ＩＩ Ｄｉｓｏｒｄｅｒ）に該当する場合、主要憂鬱エピソード（ＭＤＥ）及び軽躁病エピソード（ＨＭＥ）のそれぞれの発生可能性に対する情報を含む予測情報を算出するように動作することができる。
これと関連して、本願の一実施例によると、予測装置１００は、主要憂鬱エピソード（ＭＤＥ）の発生可能性に対する情報を予測情報として出力するための第１予測モデル、躁病エピソード（ＭＥ）の発生可能性に対する情報を予測情報として出力するための第２予測モデル、軽躁病エピソード（ＨＭＥ）の発生可能性に対する情報を予測情報として出力するための第３予測モデルなどを含む複数の人工知能基盤の予測モデルを個別学習（構築）して保有し、対象使用者１の疾患情報に基づいて当該対象使用者１に対応して予測が必要な気分エピソード（Ｍｏｏｄ Ｅｐｉｓｏｄｅ）の類型を決め、決められた気分エピソードの類型によって複数の予測モデルのうち適切な予測モデルを活用して使用者カスタマイズ型の気分エピソード発生（再発）の予測を行うように動作することができる。
より具体的に、本願の一実施例によると、予測装置１００は、対象使用者１の疾患情報が主要憂鬱障害（Ｍａｊｏｒ Ｄｅｐｒｅｓｓｉｖｅ Ｄｉｓｏｒｄｅｒ、ＭＤＤ）に該当する場合、前述した第１予測モデルを用いた分析を通じて主要憂鬱エピソード（ＭＤＥ）の発生可能性に対する情報を予測情報として導出し、対象使用者１の疾患情報が１型両極性障害（Ｂｉｐｏｌａｒ Ｉ Ｄｉｓｏｒｄｅｒ）に該当する場合、第１予測モデル、第２予測モデル及び第３予測モデルを用いた分析を通じて主要憂鬱エピソード（ＭＤＥ）、躁病エピソード（ＭＥ）及び軽躁病エピソード（ＨＭＥ）のそれぞれの発生可能性に対する情報を予測情報として導出し、対象使用者１の疾患情報が２型両極性障害（Ｂｉｐｏｌａｒ ＩＩ Ｄｉｓｏｒｄｅｒ）に該当する場合、第１予測モデル及び第３予測モデルを用いた分析を通じて主要憂鬱エピソード（ＭＤＥ）及び軽躁病エピソード（ＨＭＥ）のそれぞれの発生可能性に対する情報を予測情報として導出することができる。
一方、前述した複数の人工知能基盤の予測モデルがログデータから導出された特徴情報のうち予測情報の導出のために主に考慮する主要特徴情報は、それぞれの予測モデルの類型によって異なって決められることができ、このような予測モデルの類型による主要特徴情報は、図４ａ～図４ｃを参照して詳しく後述する。
まとめると、予測装置１００は、対象使用者１の気分障害類型に対する疾患情報を含む使用者情報を獲得することができ、予め学習された複数の予測モデルのうち対象使用者１の疾患情報に対応するように決められる人工知能モデルである対象予測モデルを用いて予測情報を対象使用者１カスタマイズ型で導出することができる。
以下では、図２ａ～図３を参照してログデータから導出される特徴情報の類型を細部的に説明する。
図２ａ及び図２ｂは、使用者に対して収集されるログデータから導出される特徴情報の範疇を説明するための図面である。
図２ａ及び図２ｂを参照すると、対象使用者１に対して収集されたログデータから導出される特徴情報は、光量情報（「Ｌｉｇｈｔ ｅｘｐｏｓｕｒｅ」）、歩行情報（「Ｓｔｅｐ」）、睡眠情報（「Ｓｌｅｅｐ」）、脈拍情報（「Ｈｅａｒｔ ｒａｔｅ、ＨＲ」）などのカテゴリー（Ｃａｔｅｇｏｒｙ）に分類して収集されることができる。
また、本願の一実施例によると、予測装置１００は、光量情報及び歩行情報を予め分割された複数の時間帯別に区分して収集することができる。より具体的に、複数の時間帯は、一日を昼間（ｄａｙｔｉｍｅ）及び夜間（ｂｅｄｔｉｍｅ）に二分割したものであるか、日の出時間または日の入り時間を基準として８時間ずつ三分割したものであることができるが、これに限定されるものではない。また、二分割の場合、複数の時間帯は、昼間及び夜間が１２時間ずつ同等に分割されることができるが、これに限定されるものではなく、特徴情報が収集される地域、季節、日付、気候などに対応して不均等に分割（例えば、日の出時間の８時間前から日の出時間までを夜間時間帯に、残りの時間帯（１６時間）を昼間時間帯に分割するなど）されることができる。
前述したカテゴリー別に収集される特徴情報を具体的に説明すると、光量情報（Ｌｉｇｈｔ ｅｘｐｏｓｕｒｅ）カテゴリーは、当該日の日の出時点から正午時点までの期間内における累積光の露出量情報を含むことができる。これと関連して、光に露出するものは、全ての生物の概日リズムを同期化するのに主要なトリガーとして作用し、これにより、午前時間帯の光量露出程度は、対象使用者１の気分エピソード発生にも主要な影響を及ぼすようになる。
次に、歩行情報（Ｓｔｅｐ）カテゴリーは、朝（ｍｏｒｎｉｎｇ）、午後（ａｆｔｅｒｎｏｏｎ）、夕方（ｅｖｅｎｉｎｇ）、夜間（就寝時間、ｂｅｄｔｉｍｅ）などの時間帯別の累積歩行数情報を含むことができる。これと関連して、概日リズムを元気な状態で維持するためには、朝、昼などの活動時間帯に充分に歩き、就寝時間には相対的に少なく活動することが必要であることができる。
次に、睡眠情報（Ｓｌｅｅｐ）カテゴリーは、睡眠長さ（Ｓｌｅｅｐ ｌｅｎｇｔｈ）、睡眠の質（Ｓｌｅｅｐ ｅｆｆｉｃｉｅｎｃｙ）、睡眠開始偏差（Ｄｅｖｉａｔｉｏｎ ｏｆ ｓｌｅｅｐ ｏｎｓｅｔ）及び睡眠終了偏差（Ｄｅｖｉａｔｉｏｎ ｏｆ ｓｌｅｅｐ ｏｆｆｓｅｔ）に対する細部カテゴリーを含むことができる。具体的に、睡眠長さは、当該日に睡眠が開始された時点から睡眠が終了した時点までの時間を意味することができる。本願の一実施例によると、対象使用者１の睡眠が開始された時点または睡眠が終了した時点は、対象使用者１が使用者端末２２０及びウェアラブルデバイス２１０のうち少なくとも一つに直接印加する使用者入力（例えば、睡眠前に睡眠を始めるという内容の使用者入力を印加するか、起床後に睡眠を終了し起床したという内容の使用者入力を印加するなど）を通じて決められるか、使用者端末２２０及びウェアラブルデバイス２１０のうち少なくとも一つから獲得された対象使用者１の歩行情報、光量情報などの残りの特徴情報などを考慮して推論されることができる。
ここで、睡眠長さ（Ｓｌｅｅｐ ｌｅｎｇｔｈ）は、全体睡眠時間として前述した睡眠長さに対応する特徴情報であり、より具体的に、本願の具現例によっては対象使用者１が不安な睡眠状態であったと評価された時間（ｒｅｓｔｌｅｓｓ ｓｌｅｅｐ ｌｅｎｇｔｈ）などに細分化して算出されることもできる。また、例示として、睡眠の質（Ｓｌｅｅｐ ｅｆｆｉｃｉｅｎｃｙ）は、対象使用者１の睡眠状態または輾転程度を睡眠途中に評価可能な機能を具備したウェアラブルデバイス２１０から対象使用者１がウェアラブルデバイス２１０を着用した状態で睡眠を取る場合に収集される情報であることができる。
また、睡眠開始偏差（Ｄｅｖｉａｔｉｏｎ ｏｆ ｓｌｅｅｐ ｏｎｓｅｔ）は、対象使用者１の睡眠開始時間が規則的であるかを表す特徴情報であり、基準時点（例えば、日の出の８時間前）と対象使用者１の睡眠開始時間の間の偏差であることができる。また、睡眠終了偏差（Ｄｅｖｉａｔｉｏｎ ｏｆ ｓｌｅｅｐ ｏｆｆｓｅｔ）は、対象使用者１の睡眠終了時間が規則的であるかを表す特徴情報であり、基準時点（例えば、日の出時点）と対象使用者１の睡眠終了時間の間の偏差であることができる。
次に、概日リズム（Ｃｉｒｃａｄｉａｎ ｒｈｙｔｈｍ）カテゴリーは、対象使用者１の単位時間当り脈拍数に基づいて導出される脈拍フィッティングカーブにおける振幅（ＣＲ ａｍｐｌｉｔｕｄｅ）、頂点位相（ＣＲ ａｃｒｏｐｈａｓｅ）、振動中央（ＣＲ ｍｅｓｏｒ）、決定係数（ＣＲ ｇｏｏｄｎｅｓｓ ｏｆ ｆｉｔ）及び安定期心拍数（Ｒｅｓｔｉｎｇ ｈｅａｒｔｒａｔｅ）に対する細部カテゴリーを含むことができる。
これと関連して、概日リズム（Ｃｉｒｃａｄｉａｎ ｒｈｙｔｈｍ）カテゴリーの特徴情報は、使用者の脈拍（ＨＲ）と関連した主要なリズム情報を含み、使用者の脈拍は、睡眠中に減り活動中に増加する傾向を示すことができる。よって、夜間時間帯に睡眠を取り、昼間時間帯に多い活動を示す対象使用者１の脈拍フィッティングカーブでは、Ｓ字のような理想的なコサイン曲線を示すことができる。
具体的に、脈拍フィッティングカーブにおける振幅（ＣＲ ａｍｐｌｉｔｕｄｅ）は、コサイン曲線形状の脈拍フィッティングカーブにおける振幅を意味し、振幅が大きいほど脈拍リズムが明確なものであることができ、これと関連して、振幅が相対的に大きければ、対象使用者１が活動中（ｉｎ ａｃｔｉｖｉｔｙ）であり、振幅が相対的に小さければ、対象使用者１が睡眠中であることができる。
また、頂点位相（ＣＲ ａｃｒｏｐｈａｓｅ）は、生体リズム（例えば、脈拍フィッティングカーブなど）が時間軸上で押されるか引かれる現象を定量化した脈拍リズムの整列不良程度を意味し、これと関連して生体リズムが押されるか引かれる現象と躁病及び鬱病などの気分障害の発生の間に連関性があることが明かされている。
また、決定係数（ＣＲ ｇｏｏｄｎｅｓｓ ｏｆ ｆｉｔ）は、脈拍フィッティングカーブが本来のサンプルデータを如何に充実に表現するかを表すもので、０～１の間の値を有することができ、１に近いほどより確実にコサインカーブフィッティングがよく出来たことを意味する。反対に、０に近いほどコサインカーブフィッティングがきちんと出来なかったことを意味することができる。すなわち、脈拍フィッティングカーブがコサイン曲線の形状にフィッティングがきちんと出来るほどＲ－Ｓｑｕａｒｅｄ（Ｒ２）値が大きくなることができる。
また、安定期心拍数（Ｒｅｓｔｉｎｇ ｈｅａｒｔｒａｔｅ）は、対象使用者１が活動のない時間帯（ｔｉｍｅｓｌｏｔ）内における平均心拍数を意味することができる。特に、安定期心拍数は、対象使用者１がストレスを受けるか不安な状態に置かれた場合に上昇し得て、対象使用者１の気分エピソードの発生可能性と連関した特徴情報として活用されることができる。
図３は、使用者に対して収集されるログデータから導出される特徴情報の細部類型を説明するための図面である。
図３を参照すると、予測装置１００は、ログデータを予め設定された収集期間の間に累積し、累積したログデータに対して所定の統計分析方式を適用することで特徴情報を導出し、収集期間の長さを可変的に適用するか、統計値の算出方式を多様な類型で適用することで、図２ａ及び図２ｂを通じて前述したカテゴリーに符合する多数の特徴情報（例えば、図３の図表に示した１４０個のフィーチャー）をそれぞれ導出することができる。
例示的に図３を参照すると、ログデータの収集（累積）期間は、３日（３ｄ）、６日（６ｄ）、１２日（１２ｄ）などの期間に区分されることができ、累積したログデータに対する統計値の算出方式は、平均（ｍｅａｎ、「ｍ」）、標準偏差（ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ、「ｓｄ」）、勾配（変化量、ｇｒａｄｉｅｎｔ、「ｇ」）などを含むことができる。
以下では、図４ａ～図４ｃを参照して、複数の特徴情報のうち気分障害類型、予測しようとする気分エピソードの類型などを考慮して、個別構築される複数の人工知能基盤の予測モデルのそれぞれに対応して決められる特徴情報である主要特徴情報の類型を予測モデル毎に説明し、人工知能基盤の予測モデルを構築（訓練）するプロセスを説明する。
予測装置１００は、複数の使用者のそれぞれの使用者端末２２０及び複数の使用者のそれぞれの身体に付着するか着用したウェアラブルデバイス２１０のうち少なくとも一つから収集された複数の使用者のそれぞれの概日リズムと連携したログデータを収集することができる。例えば、人工知能基盤の予測モデルを学習させるための学習データであるログデータを収集するように選定される複数の使用者は、主要憂鬱障害、１型両極性障害及び２型両極性障害のそれぞれの疾患類型による気分障害に該当する使用者として選定されることができる。
また、予測装置１００は、選定された複数の使用者のそれぞれの気分エピソード発生と連携した応答データを準備することができる。例えば、予測装置１００は、複数の使用者のそれぞれの使用者端末２２０に所定の検査週期毎に気分エピソード発生と連携した内容の既設定されたアンケート項目を提供し、既設定されたアンケート項目に対応してそれぞれの使用者端末２２０に印加された入力を応答データとして獲得することができる。
より具体的に、予測装置１００は、複数の使用者のそれぞれの使用者端末２２０に既設置された専用アプリケーション（ｅＭｏｏｄＣｈａｒｔ）で生態学的な瞬間評価（ｅｃｏｌｏｇｉｃａｌ ｍｏｍｅｎｔａｒｙ ａｓｓｅｓｓｍｅｎｔ）を行うことを要請する信号を転送することができ、このような評価のためのアンケート項目は、非常に低下（－３）、中間低下（－２）、若干低下（－１）、正常（０）、若干上昇（１）、中間上昇（２）、非常に上昇（３）などの基準で区分されることができ、かかるアンケート項目を用いて使用者端末２２０は、各使用者の気分状態と活力状態（ｅｎｅｒｇｙ ｌｅｖｅｌ）に対する応答データを予測装置１００に提供することができる。
また、予測装置１００は、収集されたログデータ及び応答データに基づいてログデータから抽出可能な複数の特徴情報のうち特定類型の気分エピソードの発生と連携した主要特徴情報を選別することができる。例えば、予測装置１００は、主要憂鬱障害、１型両極性障害または２型両極性障害に該当する使用者に対して収集されたログデータと当該使用者が提供した応答データに基づいて主要憂鬱エピソード（ＭＤＥ）の発生と連携した主要特徴情報を選別することができる。他の例として、予測装置１００は、１型両極性障害に該当する使用者に対して収集されたログデータと当該使用者が提供した応答データに基づいて躁病エピソード（ＭＥ）の発生と連携した主要特徴情報を選別することができる。また他の例として、予測装置１００は、１型両極性障害または２型両極性障害に該当する使用者に対して収集されたログデータと当該使用者が提供した応答データに基づいて軽躁病エピソード（ＨＭＥ）の発生と連携した主要特徴情報を選別することができる。
これと関連して、図４ａ～図４ｃは、主要憂鬱エピソード、躁病エピソード及び軽躁病エピソードのそれぞれの発生可能性を予測するための複数の予測モデルのそれぞれに対応する主要特徴情報と主要特徴情報のそれぞれが予測モデルの出力に及ぶ影響度を視覚化して示したグラフである。
具体的に、図４ａは、全体１４０個の特徴情報のうち主要憂鬱エピソード（ＭＤＥ）の発生可能性に対する情報を予測情報として出力するための第１予測モデルの出力に最も主要な影響を及ぼした上位３０個の特徴情報を第１予測モデルと連携した主要特徴情報として示したものであり、図４ｂは、全体１４０個の特徴情報のうち躁病エピソード（ＭＥ）の発生可能性に対する情報を予測情報として出力するための第２予測モデルの出力に最も主要な影響を及ぼした上位３０個の特徴情報を第２予測モデルと連携した主要特徴情報として示したものであり、図４ｃは、全体１４０個の特徴情報のうち軽躁病エピソード（ＨＭＥ）の発生可能性に対する情報を予測情報として出力するための第３予測モデルの出力に最も主要な影響を及ぼした上位３０個の特徴情報を第３予測モデルと連携した主要特徴情報として示したものである。
参考として、各予測モデルの出力値に主要な影響を及ぼした主要特徴情報を全体特徴情報の中から決め、決められたそれぞれの主要特徴情報の影響度を視覚化するために、予測装置１００は、ＳＨＡＰ（ＳＨａｐｌｅｌｙ Ａｄｄｉｔｉｖｅ ｅｘＰｌａｎａｔｉｏｎｓ）基盤の分析を行うことができる。
また、図４ａ～図４ｃにおいて、それぞれの点（ｄｏｔ）は一日単位のサンプルに対応し、赤色は相対的に高いフィーチャー値を表し、青色は相対的に低いフィーチャー値を表す。また、正のＳＨＡＰ値（横軸のＳＨＡＰ ｖａｌｕｅ）は、当該エピソードの発生確率がより高いことを表し、具体的に、正のＳＨＡＰ値を示す赤色点は、高い特性値が当該類型の予測モデルでエピソードの発生可能性を増加させる傾向が導出されたことを表す。
また、予測装置１００は、それぞれのエピソード類型または疾患類型によって決められた主要特徴情報を用いて、対象使用者１のログデータが入力されると対象使用者１の気分エピソード発生に対する予測情報を出力する人工知能基盤の予測モデルを構築することができる。
また、機械学習を通じて具現される予測モデルと関連して、本願の一実施例によると、予測モデルは、指導学習基盤のランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）アルゴリズムに基づいて学習されることができるが、これに限定されるものではなく、本願では、従来に既に公知されたか今後開発される多様な機械学習アルゴリズムモデルが適用されることができる。
まとめると、対象予測モデルに入力される主要特徴情報の類型及び主要特徴情報のそれぞれの加重値は、対象使用者１の疾患情報を考慮して決められることができる。
図５は、本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測装置の人工知能基盤の予測モデルのそれぞれの疾患類型による予測性能を示した図表である。
図５を参照すると、本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測技法と連携した一実験例によると、予め設定された分析期間（例えば、３日等）以内の全ての類型の気分エピソードに対する平均的な予測正確度は、全体参加者、主要憂鬱障害（ＭＤＤ）に該当する参加者グループ、１型両極性障害（ＢＤ Ｉ）に該当する参加者グループ及び２型両極性障害（ＢＤ ＩＩ）に該当する参加者グループのそれぞれに対して９１．９％、９３．８％、９３．７％、９２．４％とそれぞれ表れたことを確認することができる。さらに、全ての参加者に対して、主要憂鬱エピソード（ＭＤＥ）、躁病エピソード（ＭＥ）及び軽躁病エピソード（ＨＭＥ）のそれぞれに対する予測正確度は、９０．１％、９２．６％、９３．０％と高く表れたことを確認することができる。
図６は、本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測装置の概略的な構成図である。
図６を参照すると、予測装置１００は、データ収集部１１０、フィーチャー分析部１２０、モデル学習部１３０、ログ収集部１４０、フィーチャー抽出部１５０、分析遂行部１６０及び視覚化部１７０を含むことができる。
データ収集部１１０は、複数の使用者のそれぞれの使用者端末２２０及び複数の使用者のそれぞれの身体に付着するか着用したウェアラブルデバイス２１０のうち少なくとも一つから収集された複数の使用者のそれぞれの概日リズムと連携したログデータを収集することができる。
また、データ収集部１１０は、複数の使用者のそれぞれの気分エピソード発生と連携した応答データを準備することができる。
フィーチャー分析部１２０は、収集されたログデータ及び応答データに基づいてログデータから抽出される複数の特徴情報のうち気分エピソード発生と連携した主要特徴情報を選別することができる。
モデル学習部１３０は、選別された主要特徴情報を用いて、対象使用者１のログデータが入力されると対象使用者１の気分エピソード発生に対する予測情報を出力する人工知能基盤の予測モデルを構築することができる。
より具体的に、ログデータ及び応答データは、複数の使用者のそれぞれの気分障害類型によって複数のグループに分類されることができ、モデル学習部１３０は、分類されたログデータ及び応答データを用いて気分障害類型のそれぞれに対応する複数の予測モデルを学習させることができる。
ログ収集部１４０は、対象使用者１の使用者端末２２０及び対象使用者１の身体に付着するか着用したウェアラブルデバイス２１０のうち少なくとも一つから対象使用者１の概日リズムと連携したログデータを獲得することができる。また、ログ収集部１４０は、対象使用者１の気分障害類型に対する疾患情報を含む使用者情報を獲得することができる。
フィーチャー抽出部１５０は、ログデータから予め設定された主要特徴情報を抽出することができる。具体的にフィーチャー抽出部１５０は、対象使用者１の疾患情報に対応するように予め設定された主要特徴情報をログデータから導出することができる。
分析遂行部１６０は、抽出された主要特徴情報を予め学習された人工知能基盤の予測モデルに入力して対象使用者１の気分エピソード発生に対する予測情報を導出することができる。具体的に、分析遂行部１６０は、予め設定された分析期間以内に対象使用者１の主要憂鬱エピソード（ＭＤＥ）、躁病エピソード（ＭＥ）及び軽躁病エピソード（ＨＭＥ）のうち少なくとも一つに対する発生可能性に対する情報を予測情報として算出することができる。
本願の一実施例によると、分析遂行部１６０は、予め学習された複数の予測モデルのうち対象使用者１の疾患情報に対応するように決められる対象予測モデルを用いて予測情報を導出することができる。
視覚化部１７０は、それぞれの主要特徴情報が算出された予測情報に対して及んだ影響度を評価し、評価された影響度を視覚化して表示することができる。例示的に、視覚化部１７０は、ＳＨＡＰ（ＳＨａｐｌｅｌｙ Ａｄｄｉｔｉｖｅ ｅｘＰｌａｎａｔｉｏｎｓ）基盤の分析を通じて主要特徴情報のそれぞれの影響度を評価することができる。
以下では、上記で詳しく説明された内容に基づいて、本願の動作流れを簡単に説明する。
図７は、本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測方法に対する動作フローチャートである。
図７に示したデジタル表現型を用いた気分エピソード発生の予測方法は、上述した予測装置１００によって行われることができる。よって、以下で省略された内容であるとしても、予測装置１００について説明された内容は、デジタル表現型を用いた気分エピソード発生の予測方法に対する説明にも同一に適用されることができる。
図７を参照すると、段階Ｓ１１において、ログ収集部１４０は、対象使用者１の使用者端末２２０及び対象使用者１の身体に付着するか着用したウェアラブルデバイス２１０のうち少なくとも一つから対象使用者１の概日リズムと連携したログデータを獲得することができる。
また、段階Ｓ１１において、ログ収集部１４０は、対象使用者１の気分障害類型に対する疾患情報を含む使用者情報を獲得することができる。
次に、段階Ｓ１２において、フィーチャー抽出部１５０は、ログデータから予め設定された主要特徴情報を抽出することができる。
本願の一実施例によると、段階Ｓ１２において、フィーチャー抽出部１５０は、対象使用者１の疾患情報に対応するように予め設定された主要特徴情報をログデータから導出することができる。
次に、段階Ｓ１３において、分析遂行部１６０は、抽出された主要特徴情報を予め学習された人工知能基盤の予測モデルに入力して対象使用者１の気分エピソード発生に対する予測情報を導出することができる。
具体的に、段階Ｓ１３において、分析遂行部１６０は、予め設定された分析期間以内に対象使用者１の主要憂鬱エピソード（ＭＤＥ）、躁病エピソード（ＭＥ）及び軽躁病エピソード（ＨＭＥ）のうち少なくとも一つに対する発生可能性に対する情報を予測情報として算出することができる。
本願の一実施例によると、段階Ｓ１３において、分析遂行部１６０は、予め学習された複数の予測モデルのうち対象使用者１の疾患情報に対応するように決められる対象予測モデルを用いて予測情報を導出することができる。
次に、段階Ｓ１４において、視覚化部１７０は、それぞれの主要特徴情報が算出された予測情報に対して及んだ影響度を評価し、評価された影響度を視覚化して表示することができる。例示的に、段階Ｓ１４において、視覚化部１７０は、ＳＨＡＰ（ＳＨａｐｌｅｌｙ Ａｄｄｉｔｉｖｅ ｅｘＰｌａｎａｔｉｏｎｓ）基盤の分析を通じて主要特徴情報のそれぞれの影響度を評価することができる。
上述した説明において、段階Ｓ１１～Ｓ１４は、本願の具現例によって、追加的な段階にさらに分割されるか、さらに少ない段階で組み合わせられることができる。また、一部段階は、必要に応じて省略されてもよく、段階間の手順が変更されてもよい。
図８は、本願の一実施例によるデジタル表現型を用いた気分エピソード再発を予測するための人工知能基盤の予測モデルの学習方法に対する動作フローチャートである。
図８に示したデジタル表現型を用いた気分エピソード再発を予測するための人工知能基盤の予測モデルの学習方法は、上述した予測装置１００によって行われることができる。よって、以下で省略された内容であるとしても、予測装置１００について説明された内容は、図８に対する説明にも同一に適用されることができる。
図８を参照すると、段階Ｓ２１において、データ収集部１１０は、複数の使用者のそれぞれの使用者端末２２０及び複数の使用者のそれぞれの身体に付着するか着用したウェアラブルデバイス２１０のうち少なくとも一つから収集された複数の使用者のそれぞれの概日リズムと連携したログデータを収集することができる。
次に、段階Ｓ２２において、データ収集部１１０は、複数の使用者のそれぞれの気分エピソード発生と連携した応答データを準備することができる。
次に、段階Ｓ２３において、フィーチャー分析部１２０は、段階Ｓ２１を通じて収集されたログデータ及び段階Ｓ２２を通じて獲得された応答データに基づいてログデータから抽出される複数の特徴情報のうち気分エピソード発生と連携した主要特徴情報を選別することができる。
次に、段階Ｓ２４において、モデル学習部１３０は、選別された主要特徴情報を用いて、対象使用者１のログデータが入力されると対象使用者１の気分エピソード発生に対する予測情報を出力する人工知能基盤の予測モデルを構築することができる。
より具体的に、ログデータ及び応答データは、複数の使用者のそれぞれの気分障害類型によって複数のグループに分類されることができ、段階Ｓ２４において、モデル学習部１３０は、分類されたログデータ及び応答データを用いて気分障害類型のそれぞれに対応する複数の予測モデルを学習させることができる。
上述した説明において、段階Ｓ２１～Ｓ２４は、本願の具現例により、追加的な段階にさらに分割されるか、さらに少ない段階で組み合わせられることができる。また、一部段階は、必要に応じて省略されてもよく、段階間の手順が変更されてもよい。
本願の一実施例によるデジタル表現型を用いた気分エピソード発生の予測方法またはデジタル表現型を用いた気分エピソード再発を予測するための人工知能基盤の予測モデルの学習方法は、多様なコンピュータ手段を通じて行われることができるプログラム命令形態で具現されてコンピュータ読取可能媒体に記録されることができる。前記コンピュータ読取可能媒体は、プログラム命令、データファイル、データ構造などを単独でまたは組み合わせて含むことができる。前記媒体に記録されるプログラム命令は、本発明のために特に設計されて構成されたものであるか、コンピュータソフトウェア当業者に公知されて使用可能なものであってもよい。コンピュータ読取可能記録媒体の例としては、ハードディスク、フロッピーディスク及び磁気テープのような磁気媒体（ｍａｇｎｅｔｉｃ ｍｅｄｉａ）、ＣＤ－ＲＯＭ、ＤＶＤのような光記録媒体（ｏｐｔｉｃａｌ ｍｅｄｉａ）、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような磁気－光媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌ ｍｅｄｉａ）、及びロム（ＲＯＭ）、ラム（ＲＡＭ）、フラッシュメモリーなどのようなプログラム命令を格納し行うように特に構成されたハードウェア装置が含まれる。プログラム命令の例としては、コンパイラーにより作られるもののような機械語コードだけでなく、インタプリターなどを使用してコンピュータによって実行されることができる高級言語コードを含む。前記のハードウェア装置は、本発明の動作を行うために一つ以上のソフトウェアモジュールとして作動するように構成されることができ、その反対も同一である。
また、前述したデジタル表現型を用いた気分エピソード発生の予測方法またはデジタル表現型を用いた気分エピソード再発を予測するための人工知能基盤の予測モデルの学習方法は、記録媒体に格納されるコンピュータにより実行されるコンピュータプログラムまたはアプリケーションの形態でも具現されることができる。
前述した本願の説明は例示のためのものであり、本願が属する技術分野の通常の知識を有する者は、本願の技術的思想や必須的な特徴を変更せずに他の具体的な形態に容易に変形可能なことが理解できるであろう。従って、以上で記述した実施例は、全ての面で例示的なものであり、限定的ではないと理解すべきである。例えば、単一型で説明されている各構成要素は分散して実施されてもよく、同様に分散したもので説明されている構成要素も結合された形態で実施されてもよい。
本願の範囲は、上記詳細な説明よりは後述する特許請求の範囲によって表され、特許請求の範囲の意味及び範囲、そしてその均等概念から導出される全ての変更または変形された形態が本願の範囲に含まれると解釈されるべきである。
１０：デジタルヘルスケアシステム
１００：デジタル表現型を用いた気分エピソード発生の予測装置
１１０：データ収集部
１２０：フィーチャー分析部
１３０：モデル学習部
１４０：ログ収集部
１５０：フィーチャー抽出部
１６０：分析遂行部
１７０：視覚化部
２１０：ウェアラブルデバイス
２２０：使用者端末
３００：医療陣端末
２０：ネットワーク

Claims (15)

  1. 気分エピソード発生の予測方法において、
    対象使用者の使用者端末及び前記対象使用者の身体に付着するか着用したウェアラブルデバイスのうち少なくとも一つから前記対象使用者の概日リズムと連携したログデータを獲得する段階と、
    前記対象使用者の気分障害類型に対応する疾患情報を含む使用者情報を獲得する段階と、
    前記ログデータから予め設定された主要特徴情報を抽出する段階と、
    前記主要特徴情報を予め学習された人工知能基盤の複数の予測モデルのうち前記疾患情報に対応する対象予測モデルに入力して前記対象使用者の気分エピソード発生に対する予測情報を導出する段階と、
    をコンピュータが実行することを特徴とする、予測方法。
  2. 前記予測情報を導出する段階は、
    予め設定された分析期間以内に前記対象使用者の主要憂鬱エピソード、躁病エピソード及び軽躁病エピソードのうち少なくとも一つに対する発生可能性に対する情報を前記予測情報として算出するものである、請求項１に記載の予測方法。
  3. 前記主要特徴情報は特定類型の気分エピソード発生と連携しており、
    前記予測情報を導出する段階は、
    前記対象使用者の前記特定類型の気分エピソード発生に対する予測情報を導出するものである、請求項１に記載の予測方法。
  4. 前記気分障害類型は、主要憂鬱障害、１型両極性障害及び２型両極性障害を含むものである、請求項１に記載の予測方法。
  5. 前記対象予測モデルに入力される前記主要特徴情報の類型及び前記主要特徴情報のそれぞれの加重値は、前記疾患情報を考慮して決められるものである、請求項１に記載の予測方法。
  6. 前記主要特徴情報は、
    前記対象使用者に対応する脈拍情報、光量情報、睡眠情報及び歩行情報を含む複数のカテゴリーのそれぞれに対応する特徴情報を含むものである、請求項１に記載の予測方法。
  7. 気分エピソード再発を予測するための人工知能基盤の予測モデルの学習方法において、
    複数の使用者のそれぞれの使用者端末及び前記複数の使用者のそれぞれの身体に付着するか着用したウェアラブルデバイスのうち少なくとも一つから収集された前記複数の使用者のそれぞれの概日リズムと連携したログデータを収集する段階と、
    前記複数の使用者のそれぞれの気分障害類型に対応する疾患情報を含む使用者情報を獲得する段階と、
    前記複数の使用者のそれぞれの気分エピソード発生と連携した応答データを準備する段階と、
    前記ログデータ及び前記応答データに基づいて前記ログデータから抽出される複数の特徴情報のうち前記気分エピソード発生と連携した主要特徴情報を選別する段階と、
    前記主要特徴情報を用いて、対象使用者の前記ログデータが人工知能基盤の複数の予測モデルのうち前記疾患情報に対応する対象予測モデルに入力されると前記対象使用者の気分エピソード発生に対する予測情報を出力する前記人工知能基盤の予測モデルを構築する段階と、
    をコンピュータが実行することを特徴とする、学習方法。
  8. 前記ログデータ及び前記応答データは、前記複数の使用者のそれぞれの気分障害類型によって複数のグループに分類され、
    前記予測モデルを構築する段階は、
    前記分類された前記ログデータ及び前記応答データを用いて前記気分障害類型のそれぞれに対応する複数の予測モデルを学習させるものである、請求項７に記載の学習方法。
  9. 前記気分障害類型は、主要憂鬱障害、１型両極性障害及び２型両極性障害を含むものである、請求項８に記載の学習方法。
  10. 前記予測情報は、予め設定された分析期間以内の前記対象使用者の主要憂鬱エピソード、躁病エピソード及び軽躁病エピソードのうち少なくとも一つに対する発生可能性に対する情報を含むものである、請求項７に記載の学習方法。
  11. 気分エピソード発生の予測装置において、
    対象使用者の使用者端末及び前記対象使用者の身体に付着するか着用したウェアラブルデバイスのうち少なくとも一つから前記対象使用者の概日リズムと連携したログデータを獲得し、前記対象使用者の気分障害類型に対応する疾患情報を含む使用者情報を獲得するログ収集部と、
    前記ログデータから予め設定された主要特徴情報を抽出するフィーチャー抽出部と、
    前記主要特徴情報を予め学習された人工知能基盤の複数の予測モデルのうち前記疾患情報に対応する対象予測モデルに入力して前記対象使用者の気分エピソード発生に対する予測情報を導出する分析遂行部と、
    を含む、予測装置。
  12. 前記分析遂行部は、
    予め設定された分析期間以内に前記対象使用者の主要憂鬱エピソード、躁病エピソード及び軽躁病エピソードのうち少なくとも一つに対する発生可能性に対する情報を前記予測情報として算出するものである、請求項１１に記載の予測装置。
  13. 前記主要特徴情報は特定類型の気分エピソード発生と連携しており、
    前記分析遂行部は、
    前記対象使用者の前記特定類型の気分エピソード発生に対する予測情報を導出するものである、請求項１１に記載の予測装置。
  14. 気分エピソード再発を予測するための人工知能基盤の予測モデルの学習装置において、
    複数の使用者のそれぞれの使用者端末及び前記複数の使用者のそれぞれの身体に付着するか着用したウェアラブルデバイスのうち少なくとも一つから収集された前記複数の使用者のそれぞれの概日リズムと連携したログデータを収集し、前記複数の使用者のそれぞれの気分エピソード発生と連携した応答データを準備し、前記複数の使用者のそれぞれの気分障害類型に対応する疾患情報を含む使用者情報を獲得するデータ収集部と、
    前記ログデータ及び前記応答データに基づいて前記ログデータから抽出される複数の特徴情報のうち前記気分エピソード発生と連携した主要特徴情報を選別するフィーチャー分析部と、
    前記主要特徴情報を用いて、対象使用者の前記ログデータが人工知能基盤の複数の予測モデルのうち前記疾患情報に対応する対象予測モデルに入力されると前記対象使用者の気分エピソード発生に対する予測情報を出力する前記人工知能基盤の予測モデルを構築するモデル学習部と、
    を含む、学習装置。
  15. 前記ログデータ及び前記応答データは、前記複数の使用者のそれぞれの気分障害類型によって複数のグループに分類され、
    前記モデル学習部は、
    前記分類された前記ログデータ及び前記応答データを用いて前記気分障害類型のそれぞれに対応する複数の予測モデルを学習させるものである、請求項１４に記載の学習装置。
JP2023150733A 2023-03-06 2023-09-19 デジタル表現型を用いた気分エピソード発生の予測装置及び方法 Active JP7787586B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2023-0028938 2023-03-06
KR1020230028938A KR20240135922A (ko) 2023-03-06 2023-03-06 디지털 표현형을 이용한 기분 삽화 발생 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
JP2024125984A JP2024125984A (ja) 2024-09-19
JP7787586B2 true JP7787586B2 (ja) 2025-12-17

Family

ID=92635823

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023150733A Active JP7787586B2 (ja) 2023-03-06 2023-09-19 デジタル表現型を用いた気分エピソード発生の予測装置及び方法

Country Status (3)

Country Link
US (1) US20240304333A1 (ja)
JP (1) JP7787586B2 (ja)
KR (1) KR20240135922A (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220139563A1 (en) 2020-11-05 2022-05-05 Hucircadian Co., Ltd. Apparatus and method for managing circadian rhythm based on feedback function

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2821651A1 (en) * 2010-12-20 2012-06-28 Cambridge Enterprise Limited Biomarkers
WO2019140435A1 (en) * 2018-01-15 2019-07-18 Stc. Unm System and methods for differentiating mental disorders and predicting medication-class response in patients using resting state functional mri scans
US20230148923A1 (en) * 2021-11-17 2023-05-18 Cerebral Therapeutics, Inc. Development and implementation of psychological state model

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220139563A1 (en) 2020-11-05 2022-05-05 Hucircadian Co., Ltd. Apparatus and method for managing circadian rhythm based on feedback function

Also Published As

Publication number Publication date
US20240304333A1 (en) 2024-09-12
KR20240135922A (ko) 2024-09-13
JP2024125984A (ja) 2024-09-19

Similar Documents

Publication Publication Date Title
Korkalainen et al. Deep learning enables sleep staging from photoplethysmogram for patients with suspected sleep apnea
Proix et al. Forecasting seizure risk in adults with focal epilepsy: a development and validation study
US20230082019A1 (en) Systems and methods for monitoring brain health status
US12079773B2 (en) Method to increase efficiency, coverage, and quality of direct primary care
US10740438B2 (en) Method and system for characterizing and/or treating poor sleep behavior
Yu et al. Personalized health monitoring system of elderly wellness at the community level in Hong Kong
CN116195002A (zh) 基于睡眠反应监测的睡眠障碍预测系统和方法
Samson Taking the sleep lab to the field: Biometric techniques for quantifying sleep and circadian rhythms in humans
Xiong et al. Forecasting seizure likelihood from cycles of self-reported events and heart rate: a prospective pilot study
Javelot et al. Telemonitoring with respect to mood disorders and information and communication technologies: overview and presentation of the PSYCHE project
CN109285606A (zh) 一种基于大数据智能算法的健康管理方法和系统
CN106256316A (zh) 用于评估生理老化水平的方法和设备
Izu et al. Wearables and their potential to transform health management: a step towards sustainable development goal 3
US20220139563A1 (en) Apparatus and method for managing circadian rhythm based on feedback function
Wang et al. Research on Dynamic Assessment of Glucose‐Lipid Metabolism and Personalized Drug Response Prediction Based on Wearable Multimodal Sensing
US20200203020A1 (en) Digital twin of a person
US20210358628A1 (en) Digital companion for healthcare
Tazarv et al. Active reinforcement learning for personalized stress monitoring in everyday settings
Portella et al. Data source analysis in mood disorder research
JP7787586B2 (ja) デジタル表現型を用いた気分エピソード発生の予測装置及び方法
CN119314680B (zh) 基于动态血压监测的心血管事件发生概率预测方法及系统
Poli et al. Cross-Domain Classification of Physical Activity Intensity: An EDA-Based Approach Validated by Wrist-Measured Acceleration and Physiological Data
Summers et al. Enhanced artificial intelligence (AI)-driven prediction of vaso-occlusive crises in sickle cell disease: Precision through advanced machine-learning frameworks and digital remote monitoring
Robillard et al. Measuring sleep–wake patterns with physical activity and energy expenditure monitors
KR102478102B1 (ko) 불면증 치료방법

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230919

A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20231011

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20241105

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20250120

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20250507

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20250807

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: 20251118

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20251128

R150 Certificate of patent or registration of utility model

Ref document number: 7787586

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150