JPWO2004095021A1 - 疾患予後モデルの作成方法、このモデルを用いた疾患予後予測方法、このモデルによる予後予測装置、ならびにそのプログラム・記憶媒体 - Google Patents
疾患予後モデルの作成方法、このモデルを用いた疾患予後予測方法、このモデルによる予後予測装置、ならびにそのプログラム・記憶媒体 Download PDFInfo
- Publication number
- JPWO2004095021A1 JPWO2004095021A1 JP2005505806A JP2005505806A JPWO2004095021A1 JP WO2004095021 A1 JPWO2004095021 A1 JP WO2004095021A1 JP 2005505806 A JP2005505806 A JP 2005505806A JP 2005505806 A JP2005505806 A JP 2005505806A JP WO2004095021 A1 JPWO2004095021 A1 JP WO2004095021A1
- Authority
- JP
- Japan
- Prior art keywords
- disease
- prognosis
- value
- clinical chemistry
- test
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Abstract
本発明は、コンピュータを用いて所定の疾患の臨床化学検査値から当該疾患に対する予後を予測するモデルを作成するに際し、コンピュータに当該疾患の複数の臨床化学検査実測値と予後の実測値とを入力し、これらをデータマイニングのプログラムによって処理して、前記疾患の予後に影響がある臨床化学検査項目を複数決定し、さらに、これら複数の項目の前記予後に対する優先度を決定し、この優先度に基づいて複数の臨床化学検査項目および臨床化学検査値範囲と前記予後予測値との相関を規定した判断ルーチンを確立して、この判断ルーチンを前記モデルとした疾患予後予測モデルである。
Description
本発明は疾患の予後を予測するモデル、及びこれを利用した予測方法に関するものである。
わが国には、約２００万人のＨＣＶキャリアー、約１００万人のＨＢＶキャリアーが存在する。これらキャリアーの一部は、慢性肝炎や肝硬変に長期間かけて進行し、肝癌を併発してこれらキャリアーは死亡する・
肝臓疾患や肝臓癌の診断の第１は画像診断であるが、薬価が高く特殊な機器と技術が必要である。臨床化学検査による血液検査もこれら疾患の診断に適用されるが、画像診断の補助に過ぎない。
肝臓疾患や肝臓癌の血液検査所見の一つとして、ＰＩＶＫＡの測定がある。肝疾患に伴って血液中にＰＩＶＫＡが出現することが見出され、従来肝細胞癌の良いマーカーとされていたα−ヘェトプロテインが陰性の肝細胞癌患者においてもＰＩＶＫＡ−ＩＩが高頻度に出現することにより、ＰＩＶＫＡが肝臓癌の腫瘍マーカーとして確立されている。
ＨＣＶ，ＨＢＶや進行型の肝臓癌は慢性型疾患であり、その治療の主体は予後の延長である。従来これら肝疾患患者の予後や余命を予測することは、画像診断結果から担当医が自身の経験に基づいていた。したがって、正確な予後（余命を含む。）の予測が困難であった。
そこで、この発明は、臨床化学検査値から疾患の予後を正確に予測するモデルを構築すること、そしてこのモデルに基づいて疾患の予後を正確に予測する方法を提供することを目的とするものである。
肝臓疾患や肝臓癌の診断の第１は画像診断であるが、薬価が高く特殊な機器と技術が必要である。臨床化学検査による血液検査もこれら疾患の診断に適用されるが、画像診断の補助に過ぎない。
肝臓疾患や肝臓癌の血液検査所見の一つとして、ＰＩＶＫＡの測定がある。肝疾患に伴って血液中にＰＩＶＫＡが出現することが見出され、従来肝細胞癌の良いマーカーとされていたα−ヘェトプロテインが陰性の肝細胞癌患者においてもＰＩＶＫＡ−ＩＩが高頻度に出現することにより、ＰＩＶＫＡが肝臓癌の腫瘍マーカーとして確立されている。
ＨＣＶ，ＨＢＶや進行型の肝臓癌は慢性型疾患であり、その治療の主体は予後の延長である。従来これら肝疾患患者の予後や余命を予測することは、画像診断結果から担当医が自身の経験に基づいていた。したがって、正確な予後（余命を含む。）の予測が困難であった。
そこで、この発明は、臨床化学検査値から疾患の予後を正確に予測するモデルを構築すること、そしてこのモデルに基づいて疾患の予後を正確に予測する方法を提供することを目的とするものである。
本発明者は血液検査所見と疾患の予後、例えば余命の実測値とをデータマイニングなどのデータ処理手法を用いて分析することによって既述のモデルを構築した。データマイニングとは、過去のデータを分析し、その中から有効な規則性を発見して、重要な意思決定支援を促進する先進的情報解析システムで、金融ビジネス流通分野において確立され、広く導入されている手法である。従来の統計的手法では限られたサンプル数を用いて仮説を検証する方法であることから、網羅性、迅速性において難点があるも、データマイニングでは膨大なデータから網羅的に高速探索し、精密な解析が可能である。
臨床化学検査所見と予後（例えば余命）の実測値とを比較検討し、疾患の予後に与える臨床化学検査項目の優劣を求め、より優位の臨床化学検査項目を上流側においた判断分岐ルーチンを構成して、この判断分岐ルーチンに臨床化学検査項目の測定値を適用することにより、予後の予測（予後の確からしさ）を得ることができる。
本発明はこのような知見によってなされたものであり、コンピュータを用いて所定の疾患の臨床化学検査値から当該疾患に対する予後を予測するモデルを作成する方法であって、コンピュータに当該疾患の複数の臨床化学検査実測値と予後の実測値とを入力し、これらをデータマイニングのプログラムによって処理して、前記疾患の予後に影響がある臨床化学検査項目を一つ又は複数決定し、さらに、当該項目が複数の場合にはこれら項目の前記予後に対する優先度を決定し、この優先度に基づいて、複数の臨床化学検査項目およびこの検査項目の臨床化学検査値範囲と、前記予後予測値との相関を規定した判断ルーチンを確立して、この判断ルーチンを前記モデルとした疾患予後予測モデルの作成方法であることを特徴とするものである。
本発明の好適な形態においては、前記判断ルーチンは、複数の機会事象ノードを前記臨床化学検査項目および臨床化学検査測定値範囲とし、この機会事象ノードに対応した複数の予後予測値を終端ノードとしたデシジョンツリーである。さらに、既述の判断ルーチンに基づいて、疾患名と前記複数の臨床化学検査化学測定値から当該疾患の予後を予測することができる。
他の発明は、コンピュータを用いて臨床検査化学データから当該疾患に対する予後を予測する方法において、コンピュータには請求項１又は２記載の判断ルーチンが記憶され、予後予測対象の疾患名、当該疾患に対する臨床化学検査測定値をコンピュータに入力し、この入力値を前記判断ルーチンに基づいて前記疾患の予後予測値を求めるように構成された疾患予後予測方法である。さらに、他の発明は、コンピュータを備えた、臨床化学検査値から当該疾患に対する予後を予測する装置において、前記コンピュータは、既述の判断ルーチンを記憶するメモリと、予後予想対象の疾患名および当該疾患に対する臨床化学検査測定値を入力する入力手段と、この入力値を前記判断ルーチンに適用して前記疾患の予後予測値を求める予後予測値取得手段と、この予後予測値を表示手段に表示させるための表示処理手段と、を備える疾患予後予測装置である。
さらに、他の発明は、前記各手段をコンピュータに実行させるための、当該コンピュータに読み取り可能なプログラムであり、また、このプログラムが記憶された記憶媒体である。
本発明が適用される対象の一つに、肝臓疾患があり、前記最優先の臨床化学検査項目がＰＩＶＫＡに係わるものである。前記判断ルーチンは、複数の機会事象ノードを前記臨床化学検査項目および臨床化学検査測定値範囲とし、この機会事象ノードに対応した複数の予後予測値を終端ノードとしたデシジョンツリーである。前記デシジョンツリーの機会事象ノードには、患者情報が含まれている。さらに、本発明は、既述のデシジョンツリーを構成するデータ群であることを特徴とする。このデータは記憶媒体としてのＣＤ、ＤＶＤ、ＨＤなどに記録可能である。
さらに、本発明は、疾患を指標する臨床検査項目の、複数の患者に係わる検査結果と、各患者の当該疾患に係わる実際の予後との関係に基づいて統計処理されたモデルによって、ある患者の当該疾患の現在の前記臨床検査項目に係わる検査値から、当該患者の前記疾患に係わる予後を予測する方法である。この検査項目の一例がＰＩＶＫＡに係わるものである。前記判断ルーチンの過程で、前記臨床検査項目の優先度が、その都度決定されるようにした。前記疾患が肝臓疾患に係わるものであり、最上位の事象ノードをＰＩＶＫＡの臨床検査値に係わる臨界値に設定した。余命年数毎の前記モデルに基づいてＰＩＶＫＡを最優先ノードとした余命予測を行うに際し、余命年数毎にＰＩＶＫＡの基準値が設定されていることとした。
本発明によれば、肝臓疾患における予後を予測する上で、最優先の臨床化学検査項目（第１選択の診断マーカー）がＰＩＶＫＡであることが分かった。したがって、本発明は、患者データ（年齢、体重、性別、ＭＲＩ等の画像データ、臨床化学測定値、血液検査所見等）を疾患予後に与える影響度に応じてソートさせる手法によって、患者の実データから疾患予後を予測する方法を提供するものである。
臨床化学検査所見と予後（例えば余命）の実測値とを比較検討し、疾患の予後に与える臨床化学検査項目の優劣を求め、より優位の臨床化学検査項目を上流側においた判断分岐ルーチンを構成して、この判断分岐ルーチンに臨床化学検査項目の測定値を適用することにより、予後の予測（予後の確からしさ）を得ることができる。
本発明はこのような知見によってなされたものであり、コンピュータを用いて所定の疾患の臨床化学検査値から当該疾患に対する予後を予測するモデルを作成する方法であって、コンピュータに当該疾患の複数の臨床化学検査実測値と予後の実測値とを入力し、これらをデータマイニングのプログラムによって処理して、前記疾患の予後に影響がある臨床化学検査項目を一つ又は複数決定し、さらに、当該項目が複数の場合にはこれら項目の前記予後に対する優先度を決定し、この優先度に基づいて、複数の臨床化学検査項目およびこの検査項目の臨床化学検査値範囲と、前記予後予測値との相関を規定した判断ルーチンを確立して、この判断ルーチンを前記モデルとした疾患予後予測モデルの作成方法であることを特徴とするものである。
本発明の好適な形態においては、前記判断ルーチンは、複数の機会事象ノードを前記臨床化学検査項目および臨床化学検査測定値範囲とし、この機会事象ノードに対応した複数の予後予測値を終端ノードとしたデシジョンツリーである。さらに、既述の判断ルーチンに基づいて、疾患名と前記複数の臨床化学検査化学測定値から当該疾患の予後を予測することができる。
他の発明は、コンピュータを用いて臨床検査化学データから当該疾患に対する予後を予測する方法において、コンピュータには請求項１又は２記載の判断ルーチンが記憶され、予後予測対象の疾患名、当該疾患に対する臨床化学検査測定値をコンピュータに入力し、この入力値を前記判断ルーチンに基づいて前記疾患の予後予測値を求めるように構成された疾患予後予測方法である。さらに、他の発明は、コンピュータを備えた、臨床化学検査値から当該疾患に対する予後を予測する装置において、前記コンピュータは、既述の判断ルーチンを記憶するメモリと、予後予想対象の疾患名および当該疾患に対する臨床化学検査測定値を入力する入力手段と、この入力値を前記判断ルーチンに適用して前記疾患の予後予測値を求める予後予測値取得手段と、この予後予測値を表示手段に表示させるための表示処理手段と、を備える疾患予後予測装置である。
さらに、他の発明は、前記各手段をコンピュータに実行させるための、当該コンピュータに読み取り可能なプログラムであり、また、このプログラムが記憶された記憶媒体である。
本発明が適用される対象の一つに、肝臓疾患があり、前記最優先の臨床化学検査項目がＰＩＶＫＡに係わるものである。前記判断ルーチンは、複数の機会事象ノードを前記臨床化学検査項目および臨床化学検査測定値範囲とし、この機会事象ノードに対応した複数の予後予測値を終端ノードとしたデシジョンツリーである。前記デシジョンツリーの機会事象ノードには、患者情報が含まれている。さらに、本発明は、既述のデシジョンツリーを構成するデータ群であることを特徴とする。このデータは記憶媒体としてのＣＤ、ＤＶＤ、ＨＤなどに記録可能である。
さらに、本発明は、疾患を指標する臨床検査項目の、複数の患者に係わる検査結果と、各患者の当該疾患に係わる実際の予後との関係に基づいて統計処理されたモデルによって、ある患者の当該疾患の現在の前記臨床検査項目に係わる検査値から、当該患者の前記疾患に係わる予後を予測する方法である。この検査項目の一例がＰＩＶＫＡに係わるものである。前記判断ルーチンの過程で、前記臨床検査項目の優先度が、その都度決定されるようにした。前記疾患が肝臓疾患に係わるものであり、最上位の事象ノードをＰＩＶＫＡの臨床検査値に係わる臨界値に設定した。余命年数毎の前記モデルに基づいてＰＩＶＫＡを最優先ノードとした余命予測を行うに際し、余命年数毎にＰＩＶＫＡの基準値が設定されていることとした。
本発明によれば、肝臓疾患における予後を予測する上で、最優先の臨床化学検査項目（第１選択の診断マーカー）がＰＩＶＫＡであることが分かった。したがって、本発明は、患者データ（年齢、体重、性別、ＭＲＩ等の画像データ、臨床化学測定値、血液検査所見等）を疾患予後に与える影響度に応じてソートさせる手法によって、患者の実データから疾患予後を予測する方法を提供するものである。
図１は、本発明方法を実施するためのハードウエアブロック図である。図２は、本発明によって得られたデシジョンツリーを示した系統図である。図３は、本発明に係わる機能ブロック図である。
１９９０年から２００２年の期間、肝疾患患者が原因で死亡した４５６名（男性３２５名、女性１３１名、平均６４歳：２５−９２歳）を対象とした。うち死亡時診断は肝癌３４６名、肝硬変慢性肝不全５９名、急性肝不全１４名、その他３７名であった。
患者情報と血液検査所見（Ａｌｂ，ＡＬＴ，ＬＤＨ，ＣＨＯ，ＰＩＶＫＡなどその他複数の項目一項目あたり約２５０００件）の情報を日本ＩＢＭ社製データ・マイニングツールである「ＤＢ２ Ｉｎｔｅｌｌｉｇｅｎｔ Ｍｉｎｅｒ」（商品名）を用いて分析して、検査時点から１年生存できるか否かの１年余命判定モデルとしての決定木（デシジョンツリー）を作成した。
デシジョンツリーはノードとリンクから構成され、各ノードには分類する属性、ノードとその下位ノードを結ぶリンクには属性値がそれぞれ対応付けられている。下位ノードには、最上位ノードからのリンク属性値により分類されたクラスを表現する。
属性とは臨床化学検査項目・患者個人データ項目の特定とこの項目の数値範囲の特定（＝，＞，≧，＜，≦，≠，≒等の条件符号によって定義される。）から、例えば構成される。
優先度に基づいて上位ノードと下位ノードを決定し、リンクには範囲が定義され、終端ノードには予後の予測の確からしさが定義される。なお、今回の知見によれば、最上位ノードが肝臓癌・肝炎の場合にはＰＩＶＫＡに係わるものであることがわかった。したがって、肝臓癌の予後（余命）を予測する場合には、ＰＩＶＫＡの血液検査所見が第１選択マーカーとなる。
その他の項目は次のとおり。検査日、死亡日、検査年齢、死亡年齢、検査予後、検査から何日目に死亡したか、性別、ウイルス型、病名、ＴＰ：総蛋白、ＡＬＢ：アルブミン、ＧＬＢ：グロブリン、Ａ／Ｇ：アルブミンとグロブリンの比、ＴＴＴ：チモール、ＺＴＴ：クンケル、Ｔ−ＢＩＬ：トータルビリルビン、Ｄ−ＢＩＬ：ビリルビン分画、ＧＯＴ、ＧＰＴ、ＬＤＨ：ラクテイトデヒドロゲナーゼ、ＡＬＰ：アルカリホスファターゼ、γＧＴＰ：ガンマーＧＴＰ、ＬＡＰ：ロイシンアミノペピチダーゼ、ＣＨ−Ｅ：コリンエステラーゼ、ＢＵＮ：尿中尿素窒素、ＣＲＥＡ：クレアチニン、ＵＲＩＣＡ、ＮＡ：ナトリウム、ＣＬ：クロール、Ｋ：カリウム、ＣＡ：カルシウム、Ｔ−ＣＨＯ：トータルコレステロール、ＡＦＰ：α−フェトプロテイン、ＰＩＶＫＡ−ＩＩ。
図１は、本発明に係わる予後予測モデル生成方法・装置を実現するためのハードウエアブロック図であって、これらはマイクロコンピュータから構成される。マイクロコンピュータは、入力手段（キーボード等）１、出力手段（液晶モニタ等）２、コンピュータ本体（メモリ、ＣＰＵ、Ｉ／Ｏ等）３からなり、メモリにはデータマイニング用プログラムが記憶されている。
今、入力手段から、既述の情報をマイクロコンピュータ本体に入力して分析した結果、検査時点で（ＰＩＶＫＡ＞８２５５ｍＡＵ／ｍｌ）の条件を満たすと９３．９％，（１０３４＜ＰＩＶＫＡ＜８２５５），（ＡＦＰ＞１２１５ｎｇ／ｍｌ）の２条件では９１．７％の確率で１年以内に死亡するのに対し、（ＰＩＶＫＡ＜１０３４），（ＣＨＯ＞１０２ｍｇ／ｄｌ），（ＡＦＰ＜５３１．５）の３つの条件を満たすと８５．５％の確率で１年以上生存するモデルが作成された。
このモデルは図２に示されるデシジョンツリーから構成される。図２において、円形で示される各ブロック（２０）は機会事象ノードであり、四角で示される各ブロックは終端ノード（２２）である。これらノードはそれぞれ複数あり（２０Ａ、２０Ｂ・・・・，２２Ａ、２２Ｂ・・・・・）、一つの機会事象ノードから他の機会事象ノード或いは終端ノードに分岐している。
機会事象ノードの円の大きさはＮ（患者数）に対応しており、円の中の斜線部で示される領域（例：機会事象ノード２０Ａの１００）は余命１年以下のＮの割合、斜線が付されていない領域（例：機会事象ノード２０Ａの１０２）は余命１年以上のＮの割合をそれぞれ示している。
一つの機会事情ノードから他の事象ノード或いは終端ノードに分岐するルートのうち、左側のルートは、機会事象ノードの比較値に対する肯定を示し、右側のルートは否定を示す。例えば、機会事象ノード２０ＡのＰＩＶＫＡ＜５８６．５ｍｇＡＵ／ｍｌが肯定されると、機会事象ノード２０Ｂに移行し、これが否定されると機会事象ノード２０Ｇに移行する。
前記終端ノードは一年生存及び一年以内死亡の割合を示すものであるから、一年以内生存確率を指標する。なお、機会事象ノードの２重円内において、内側の斜線あり／斜線なしの割合はこの機会事象ノードにおける１年生存可否人数の割合に相当し、外側円の斜線あり／なしの割合は直ぐ上流の機会事象における１年生存可否人数の割合に相当し、これら割合を乗じた数が当該事象の判断後の１年生存／１年以内死亡の割合となる。
実際の臨床データ及び患者データ（年齢等）と予後（一年後死亡／あるいは生存）とをデータマイニングの手法によって分析すると、図２のような判断木が得られた。この図２から明らかなように、肝臓疾患・肝臓癌の予後予測モデルにおいて、最も優先度が高い第１選択マーカーがＰＩＶＫＡの測定値であることが分かる。
次に予後予測方法・装置について説明する。これは図１と同様なハードウエアによって実現される。マイクロコンピュータ本体のメモリに、既述のデシジョンツリーに対応するプログラムが記憶されている。
図３は、マイクロコンピュータ本体の動作を説明した機能ブロック図であり、予後予想対象の疾患名（Ｃ型肝炎）および当該疾患に対する臨床化学検査測定値（既述の項目）を入力する入力手段と、この入力値を前記判断ルーチン（デシジョンツリー）に適用して前記疾患の予後予測値を求める予後予測値取得手段と、この予後予測値を表示手段に表示させるための表示処理手段（液晶モニタ）から構成されている。
デシジョンツリーを用いた予後予測方法について説明する。患者氏名・患者ＩＤ・患者性別・患者年齢等患者情報と各種臨床化学検査値をマイクロコンピュータの前記入力手段を用いて入力する。マイクロコンピュータ本体のＣＰＵは、この入力データをメモリの一部であるワークＲＡＭに一時記憶するとともに、この記憶データに図２に示すデシジョンツリーのプログラムを適用する。
今、ある患者の測定データを用いてＣ型肝炎の予後を実際に予測する場合について説明する。コンピュータの入力手段から患者データと臨床検査所見をコンピュータ本体に入力する。コンピュータ本体のＣＰＵはメモリにあるデシジョンツリーに相当するプログラムしたがって、余命予測処理を行う。
事象ノード２０ＡにおいてＰＩＶＫＡ＜５８６．５（単位省略。以下同じ。）が肯定されると事象ノード２０Ｂに移行して、ＣＨ−Ｅ＜０．２２５が肯定されると事象ノード２０Ｊに移行する。事象ノード２０Ｊにおいて検査年齢＜６７．５であると事象ノード２０Ｃに移行してＣＬ＜１５１．５が判定される。これが肯定されると終端ノード２２Ａに移行し、これが否定されると終端ノード２２Ｂに移行する。終端ノード２２Ａでは、一年後生存（余命１年以上）がほぼ７割で、終端ノードではこれがほぼ１割となる。患者の血液検査所見からデシジョンツリーの判定ルートが検索され、該当する終端ノードに至って１年後の生存確率が決定され、これが予後の予測値となる。
デシジョンツリーには、Ｃ型肝炎２年余命の判定のデシジョンツリー、Ｃ型肝炎５年余命の判定デシジョンツリーなど複数の判定ルーチンが作成可能である。これをＢ型肝炎やその他の疾患に拡大させることができる。ある患者について全ての判定ルーチンを実行することによって、疾患毎で余命年数毎の予後予測値（生存確率）が本願発明に係わる予後予測方法・装置によって算出可能である。
ここで説明されたデータマイニングを用いた手法によって、肝癌腫瘍マーカーの絶対値と肝予備能が肝疾患患者の生存期間に寄与することが確認された。Ｄｅｃｉｓｉｏｎ ｔｒｅｅ以外に回転対象基底関数（ＲＢＦ：ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ）やニューラルネットワークを用いての解析では、随時の検査値を用いて、あと何年生存できるかの予後予測モデルの作成も可能である。
前記モデル基づいて、肝癌患者に絞り、かつ半年生存、１年生存、２年生存という順に予後の予測値を求めると、いずれもＰＩＶＫＡが最も重要な因子として抽出され、それぞれ２０２８ｍＡＵ／ｍｌ、１０３５ｍＡＵ／ｍｌ、５０２ｍＡＵ／ｍｌという基準値が求められた。従って、ＰＩＶＫＡが２０００ｍＡＵ／ｍｌなら半年、１０００ｍＡＵ／ｍｌなら１年、５００ｍＡＵ／ｍｌなら２年という生命予後の予測が可能であることが確認された。なお、この基準値はこれに限定されず、適宜変更される。この基準値から凡そ言えることは、生存年数の長さとＰＩＶＫＡの基準値とは逆比例の関係にあるということである。
データマイニングを用いた解析により疾患の自然経過、予後の推定が可能であり、本モデルは、移植医療の適応など肝疾患、肝癌患者の治療法の選択に大きく寄与する。
なお、図２のモデルではＰＩＶＫＡ以外の臨床検査項目も事象ノードに採用したが、ＰＩＶＫＡ単独でも、肝臓癌の余命の予測が、実際の結果とほぼ一致していることが確認された。
患者情報と血液検査所見（Ａｌｂ，ＡＬＴ，ＬＤＨ，ＣＨＯ，ＰＩＶＫＡなどその他複数の項目一項目あたり約２５０００件）の情報を日本ＩＢＭ社製データ・マイニングツールである「ＤＢ２ Ｉｎｔｅｌｌｉｇｅｎｔ Ｍｉｎｅｒ」（商品名）を用いて分析して、検査時点から１年生存できるか否かの１年余命判定モデルとしての決定木（デシジョンツリー）を作成した。
デシジョンツリーはノードとリンクから構成され、各ノードには分類する属性、ノードとその下位ノードを結ぶリンクには属性値がそれぞれ対応付けられている。下位ノードには、最上位ノードからのリンク属性値により分類されたクラスを表現する。
属性とは臨床化学検査項目・患者個人データ項目の特定とこの項目の数値範囲の特定（＝，＞，≧，＜，≦，≠，≒等の条件符号によって定義される。）から、例えば構成される。
優先度に基づいて上位ノードと下位ノードを決定し、リンクには範囲が定義され、終端ノードには予後の予測の確からしさが定義される。なお、今回の知見によれば、最上位ノードが肝臓癌・肝炎の場合にはＰＩＶＫＡに係わるものであることがわかった。したがって、肝臓癌の予後（余命）を予測する場合には、ＰＩＶＫＡの血液検査所見が第１選択マーカーとなる。
その他の項目は次のとおり。検査日、死亡日、検査年齢、死亡年齢、検査予後、検査から何日目に死亡したか、性別、ウイルス型、病名、ＴＰ：総蛋白、ＡＬＢ：アルブミン、ＧＬＢ：グロブリン、Ａ／Ｇ：アルブミンとグロブリンの比、ＴＴＴ：チモール、ＺＴＴ：クンケル、Ｔ−ＢＩＬ：トータルビリルビン、Ｄ−ＢＩＬ：ビリルビン分画、ＧＯＴ、ＧＰＴ、ＬＤＨ：ラクテイトデヒドロゲナーゼ、ＡＬＰ：アルカリホスファターゼ、γＧＴＰ：ガンマーＧＴＰ、ＬＡＰ：ロイシンアミノペピチダーゼ、ＣＨ−Ｅ：コリンエステラーゼ、ＢＵＮ：尿中尿素窒素、ＣＲＥＡ：クレアチニン、ＵＲＩＣＡ、ＮＡ：ナトリウム、ＣＬ：クロール、Ｋ：カリウム、ＣＡ：カルシウム、Ｔ−ＣＨＯ：トータルコレステロール、ＡＦＰ：α−フェトプロテイン、ＰＩＶＫＡ−ＩＩ。
図１は、本発明に係わる予後予測モデル生成方法・装置を実現するためのハードウエアブロック図であって、これらはマイクロコンピュータから構成される。マイクロコンピュータは、入力手段（キーボード等）１、出力手段（液晶モニタ等）２、コンピュータ本体（メモリ、ＣＰＵ、Ｉ／Ｏ等）３からなり、メモリにはデータマイニング用プログラムが記憶されている。
今、入力手段から、既述の情報をマイクロコンピュータ本体に入力して分析した結果、検査時点で（ＰＩＶＫＡ＞８２５５ｍＡＵ／ｍｌ）の条件を満たすと９３．９％，（１０３４＜ＰＩＶＫＡ＜８２５５），（ＡＦＰ＞１２１５ｎｇ／ｍｌ）の２条件では９１．７％の確率で１年以内に死亡するのに対し、（ＰＩＶＫＡ＜１０３４），（ＣＨＯ＞１０２ｍｇ／ｄｌ），（ＡＦＰ＜５３１．５）の３つの条件を満たすと８５．５％の確率で１年以上生存するモデルが作成された。
このモデルは図２に示されるデシジョンツリーから構成される。図２において、円形で示される各ブロック（２０）は機会事象ノードであり、四角で示される各ブロックは終端ノード（２２）である。これらノードはそれぞれ複数あり（２０Ａ、２０Ｂ・・・・，２２Ａ、２２Ｂ・・・・・）、一つの機会事象ノードから他の機会事象ノード或いは終端ノードに分岐している。
機会事象ノードの円の大きさはＮ（患者数）に対応しており、円の中の斜線部で示される領域（例：機会事象ノード２０Ａの１００）は余命１年以下のＮの割合、斜線が付されていない領域（例：機会事象ノード２０Ａの１０２）は余命１年以上のＮの割合をそれぞれ示している。
一つの機会事情ノードから他の事象ノード或いは終端ノードに分岐するルートのうち、左側のルートは、機会事象ノードの比較値に対する肯定を示し、右側のルートは否定を示す。例えば、機会事象ノード２０ＡのＰＩＶＫＡ＜５８６．５ｍｇＡＵ／ｍｌが肯定されると、機会事象ノード２０Ｂに移行し、これが否定されると機会事象ノード２０Ｇに移行する。
前記終端ノードは一年生存及び一年以内死亡の割合を示すものであるから、一年以内生存確率を指標する。なお、機会事象ノードの２重円内において、内側の斜線あり／斜線なしの割合はこの機会事象ノードにおける１年生存可否人数の割合に相当し、外側円の斜線あり／なしの割合は直ぐ上流の機会事象における１年生存可否人数の割合に相当し、これら割合を乗じた数が当該事象の判断後の１年生存／１年以内死亡の割合となる。
実際の臨床データ及び患者データ（年齢等）と予後（一年後死亡／あるいは生存）とをデータマイニングの手法によって分析すると、図２のような判断木が得られた。この図２から明らかなように、肝臓疾患・肝臓癌の予後予測モデルにおいて、最も優先度が高い第１選択マーカーがＰＩＶＫＡの測定値であることが分かる。
次に予後予測方法・装置について説明する。これは図１と同様なハードウエアによって実現される。マイクロコンピュータ本体のメモリに、既述のデシジョンツリーに対応するプログラムが記憶されている。
図３は、マイクロコンピュータ本体の動作を説明した機能ブロック図であり、予後予想対象の疾患名（Ｃ型肝炎）および当該疾患に対する臨床化学検査測定値（既述の項目）を入力する入力手段と、この入力値を前記判断ルーチン（デシジョンツリー）に適用して前記疾患の予後予測値を求める予後予測値取得手段と、この予後予測値を表示手段に表示させるための表示処理手段（液晶モニタ）から構成されている。
デシジョンツリーを用いた予後予測方法について説明する。患者氏名・患者ＩＤ・患者性別・患者年齢等患者情報と各種臨床化学検査値をマイクロコンピュータの前記入力手段を用いて入力する。マイクロコンピュータ本体のＣＰＵは、この入力データをメモリの一部であるワークＲＡＭに一時記憶するとともに、この記憶データに図２に示すデシジョンツリーのプログラムを適用する。
今、ある患者の測定データを用いてＣ型肝炎の予後を実際に予測する場合について説明する。コンピュータの入力手段から患者データと臨床検査所見をコンピュータ本体に入力する。コンピュータ本体のＣＰＵはメモリにあるデシジョンツリーに相当するプログラムしたがって、余命予測処理を行う。
事象ノード２０ＡにおいてＰＩＶＫＡ＜５８６．５（単位省略。以下同じ。）が肯定されると事象ノード２０Ｂに移行して、ＣＨ−Ｅ＜０．２２５が肯定されると事象ノード２０Ｊに移行する。事象ノード２０Ｊにおいて検査年齢＜６７．５であると事象ノード２０Ｃに移行してＣＬ＜１５１．５が判定される。これが肯定されると終端ノード２２Ａに移行し、これが否定されると終端ノード２２Ｂに移行する。終端ノード２２Ａでは、一年後生存（余命１年以上）がほぼ７割で、終端ノードではこれがほぼ１割となる。患者の血液検査所見からデシジョンツリーの判定ルートが検索され、該当する終端ノードに至って１年後の生存確率が決定され、これが予後の予測値となる。
デシジョンツリーには、Ｃ型肝炎２年余命の判定のデシジョンツリー、Ｃ型肝炎５年余命の判定デシジョンツリーなど複数の判定ルーチンが作成可能である。これをＢ型肝炎やその他の疾患に拡大させることができる。ある患者について全ての判定ルーチンを実行することによって、疾患毎で余命年数毎の予後予測値（生存確率）が本願発明に係わる予後予測方法・装置によって算出可能である。
ここで説明されたデータマイニングを用いた手法によって、肝癌腫瘍マーカーの絶対値と肝予備能が肝疾患患者の生存期間に寄与することが確認された。Ｄｅｃｉｓｉｏｎ ｔｒｅｅ以外に回転対象基底関数（ＲＢＦ：ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ）やニューラルネットワークを用いての解析では、随時の検査値を用いて、あと何年生存できるかの予後予測モデルの作成も可能である。
前記モデル基づいて、肝癌患者に絞り、かつ半年生存、１年生存、２年生存という順に予後の予測値を求めると、いずれもＰＩＶＫＡが最も重要な因子として抽出され、それぞれ２０２８ｍＡＵ／ｍｌ、１０３５ｍＡＵ／ｍｌ、５０２ｍＡＵ／ｍｌという基準値が求められた。従って、ＰＩＶＫＡが２０００ｍＡＵ／ｍｌなら半年、１０００ｍＡＵ／ｍｌなら１年、５００ｍＡＵ／ｍｌなら２年という生命予後の予測が可能であることが確認された。なお、この基準値はこれに限定されず、適宜変更される。この基準値から凡そ言えることは、生存年数の長さとＰＩＶＫＡの基準値とは逆比例の関係にあるということである。
データマイニングを用いた解析により疾患の自然経過、予後の推定が可能であり、本モデルは、移植医療の適応など肝疾患、肝癌患者の治療法の選択に大きく寄与する。
なお、図２のモデルではＰＩＶＫＡ以外の臨床検査項目も事象ノードに採用したが、ＰＩＶＫＡ単独でも、肝臓癌の余命の予測が、実際の結果とほぼ一致していることが確認された。
Claims (16)
- コンピュータを用いて所定の疾患の臨床化学検査値から当該疾患に対する予後を予測するモデルを作成する方法であって、コンピュータに当該疾患の複数の臨床化学検査実測値と予後の実測値とを入力し、これらをデータマイニングのプログラムによって処理して、前記疾患の予後に影響がある臨床化学検査項目を一つ又は複数決定し、さらに、当該項目が複数の場合にはこれら項目の前記予後に対する優先度を決定し、この優先度に基づいて、複数の臨床化学検査項目およびこの検査項目の臨床化学検査値範囲と、前記予後予測値との相関を規定した判断ルーチンを確立して、この判断ルーチンを前記モデルとした疾患予後予測モデルの作成方法。
- 前記判断ルーチンは、複数の機会事象ノードを前記臨床化学検査項目および臨床化学検査測定値範囲とし、この機会事象ノードに対応した複数の予後予測値を終端ノードとしたデシジョンツリーである請求項１記載の疾患予後予測モデルの作成方法。
- 請求項１又は２記載の前記判断ルーチンに基づいて、疾患名と前記複数の臨床化学検査化学測定値から当該疾患の予後を予測する方法。
- コンピュータを用いて臨床検査化学データから当該疾患に対する予後を予測する方法において、コンピュータには請求項１又は２記載の判断ルーチンが記憶され、予後予測対象の疾患名、当該疾患に対する臨床化学検査測定値をコンピュータに入力し、この入力値を前記判断ルーチンに基づいて前記疾患の予後予測値を求めるように構成された疾患予後予測方法。
- コンピュータを備えた、臨床化学検査値から当該疾患に対する予後を予測する装置において、前記コンピュータは、請求項１又は２記載の判断ルーチンを記憶するメモリと、予後予想対象の疾患名および当該疾患に対する臨床化学検査測定値を入力する入力手段と、この入力値を前記判断ルーチンに適用して前記疾患の予後予測値を求める予後予測値取得手段と、この予後予測値を表示手段に表示させるための表示処理手段と、を備える疾患予後予測装置。
- 請求項５記載の各手段をコンピュータに実行させるための、当該コンピュータに読み取り可能なプログラム。
- 請求項６記載のプログラムが記憶された記憶媒体。
- 前記疾患が肝臓疾患であり、前記最優先の臨床化学検査項目がＰＩＶＫＡに係わるものである請求項２記載の方法。
- 前記判断ルーチンは、複数の機会事象ノードを前記臨床化学検査項目および臨床化学検査測定値範囲とし、この機会事象ノードに対応した複数の予後予測値を終端ノードとしたデシジョンツリーである請求項３又は４記載の方法。
- 前記デシジョンツリーの機会事象ノードには、患者情報が含まれている請求項９記載の方法。
- 請求項２記載のデシジョンツリーを構成するデータ群。
- 疾患を指標する臨床検査項目の、複数の患者に係わる検査結果と、各患者の当該疾患に係わる実際の予後との関係に基づいて統計処理されたモデルによって、ある患者の当該疾患の現在の前記臨床検査項目に係わる検査値から、当該患者の前記疾患に係わる予後を予測する方法。
- 前記臨床検査項目がＰＩＶＫＡに係わるものである請求項１２記載の方法。
- 前記判断ルーチンの過程で、前記臨床検査項目の優先度が、その都度決定されるようにした請求項１又は４記載の方法。
- 前記疾患が肝臓疾患に係わるものであり、最上位の事象ノードをＰＩＶＫＡの臨床検査値に係わる臨界値に設定した請求項１又は４記載の方法。
- 余命年数毎の前記モデルに基づいてＰＩＶＫＡを最優先ノードとした余命予測を行うに際し、余命年数毎にＰＩＶＫＡの基準値が設定されている請求項１３記載の方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003118496 | 2003-04-23 | ||
| JP2003118496 | 2003-04-23 | ||
| PCT/JP2004/005915 WO2004095021A1 (ja) | 2003-04-23 | 2004-04-23 | 疾患予後モデルの作成方法、このモデルを用いた疾患予後予測方法、このモデルによる予後予測装置、ならびにそのプログラム・記憶媒体 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPWO2004095021A1 true JPWO2004095021A1 (ja) | 2006-07-13 |
Family
ID=33308073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2005505806A Pending JPWO2004095021A1 (ja) | 2003-04-23 | 2004-04-23 | 疾患予後モデルの作成方法、このモデルを用いた疾患予後予測方法、このモデルによる予後予測装置、ならびにそのプログラム・記憶媒体 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20070208514A1 (ja) |
| EP (1) | EP1617214A4 (ja) |
| JP (1) | JPWO2004095021A1 (ja) |
| KR (1) | KR100731693B1 (ja) |
| CN (1) | CN1777806B (ja) |
| WO (1) | WO2004095021A1 (ja) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060154276A1 (en) * | 2004-05-13 | 2006-07-13 | Prometheus Laboratories Inc. | Methods of diagnosing inflammatory bowel disease |
| US7873479B2 (en) | 2005-12-01 | 2011-01-18 | Prometheus Laboratories Inc. | Methods of diagnosing inflammatory bowel disease |
| JP2010231308A (ja) * | 2009-03-26 | 2010-10-14 | Olympus Corp | 生活習慣病予防装置および生活習慣病予防プログラム |
| NZ595471A (en) | 2009-04-14 | 2014-01-31 | Nestec Sa | Inflammatory bowel disease prognostics |
| CA2841808A1 (en) * | 2011-07-13 | 2013-01-17 | The Multiple Myeloma Research Foundation, Inc. | Methods for data collection and distribution |
| AU2012325798B2 (en) | 2011-10-21 | 2015-11-26 | Société des Produits Nestlé S.A. | Methods for improving inflammatory bowel disease diagnosis |
| KR101855179B1 (ko) * | 2011-12-21 | 2018-05-09 | 삼성전자 주식회사 | 질환 진단을 위한 최적의 진단 요소 셋 결정 장치 및 방법 |
| JP2013148996A (ja) * | 2012-01-18 | 2013-08-01 | Osaka Univ | 重症度判定装置、及び、重症度判定方法 |
| CN103116713B (zh) * | 2013-02-25 | 2015-09-16 | 浙江大学 | 基于随机森林的化合物和蛋白质相互作用预测方法 |
| KR101515303B1 (ko) | 2013-10-15 | 2015-04-24 | 제너럴 일렉트릭 캄파니 | 환자 개인정보 히스토리 제공 방법, 서버 및 기록매체 |
| WO2016040732A1 (en) * | 2014-09-11 | 2016-03-17 | The Regents Of The University Of Michigan | Machine learning for hepatitis c |
| CN104462857B (zh) * | 2014-12-30 | 2018-09-07 | 天津迈沃医药技术股份有限公司 | 基于矩阵的疾病程度区分及检验项目的自我分析平台 |
| CN106022005B (zh) * | 2016-05-21 | 2019-02-05 | 安徽省农业科学院畜牧兽医研究所 | 一种连续性状和阈性状基因组育种值联合估计的贝叶斯方法 |
| CN106650284B (zh) * | 2016-12-30 | 2019-03-15 | 深圳先进技术研究院 | 一种疾病康复评价系统 |
| KR102172374B1 (ko) * | 2017-03-16 | 2020-10-30 | 사회복지법인 삼성생명공익재단 | 인공신경망을 이용한 활액막 육종의 예후 예측 방법, 장치 및 프로그램 |
| CN110163195A (zh) * | 2018-02-14 | 2019-08-23 | 中国医药大学附设医院 | 肝癌分群预测模型、其预测系统以及肝癌分群判断方法 |
| KR102327062B1 (ko) * | 2018-03-20 | 2021-11-17 | 딜로이트컨설팅유한회사 | 임상시험 결과 예측 장치 및 방법 |
| CN111383766A (zh) * | 2018-12-28 | 2020-07-07 | 中山大学肿瘤防治中心 | 计算机数据处理方法、装置、介质及电子设备 |
| JP6842628B1 (ja) * | 2019-11-12 | 2021-03-17 | 泉 永井 | 生存率推定システム、生存率推定方法、および、生存率推定プログラム |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0720127A (ja) * | 1993-05-07 | 1995-01-24 | Eisai Co Ltd | 各種ｐｉｖｋａの測定方法および測定試薬 |
| WO1996012187A1 (en) * | 1994-10-13 | 1996-04-25 | Horus Therapeutics, Inc. | Computer assisted methods for diagnosing diseases |
| US6171242B1 (en) * | 1995-11-01 | 2001-01-09 | Seiko Epson Corporation | Device for measuring physiological state |
| KR19980025157A (ko) * | 1996-09-30 | 1998-07-06 | 스튜어트 알 슈더 | 질병 관리 방법 및 시스템 |
| WO1998043182A1 (en) * | 1997-03-24 | 1998-10-01 | Queen's University At Kingston | Coincidence detection method, products and apparatus |
| JP3933393B2 (ja) * | 1997-11-12 | 2007-06-20 | コリンズ・アンド・エイクマン・プロダクツ・カンパニー | 振動減衰性ラミネート |
| CA2347906A1 (en) * | 1998-08-04 | 2000-02-17 | Diadexus, Inc. | A novel method of diagnosing, monitoring, staging, imaging and treating breast cancer |
| JP2000067139A (ja) * | 1998-08-25 | 2000-03-03 | Hitachi Ltd | 電子カルテシステム |
| DE69939874D1 (de) * | 1998-09-02 | 2008-12-18 | Diadexus Inc | Verfahren zur diagnose, bewertung sowie bilddarstellung verschiedener krebserkrankungen |
| CA2430142A1 (en) * | 2000-12-07 | 2002-06-13 | Phase It Intelligent Solutions Ag | Expert system for classification and prediction of genetic diseases |
| JP3579032B2 (ja) * | 2001-02-22 | 2004-10-20 | 三洋化成工業株式会社 | 血液中の腫瘍マーカー定量方法 |
| AU2002312565A1 (en) * | 2001-06-19 | 2003-01-02 | University Of Southern California | Therapeutic decisions systems and method using stochastic techniques |
-
2004
- 2004-04-23 EP EP04729294A patent/EP1617214A4/en not_active Ceased
- 2004-04-23 JP JP2005505806A patent/JPWO2004095021A1/ja active Pending
- 2004-04-23 KR KR1020057020055A patent/KR100731693B1/ko active IP Right Grant
- 2004-04-23 US US10/553,426 patent/US20070208514A1/en not_active Abandoned
- 2004-04-23 WO PCT/JP2004/005915 patent/WO2004095021A1/ja active Application Filing
- 2004-04-23 CN CN2004800107183A patent/CN1777806B/zh not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| EP1617214A1 (en) | 2006-01-18 |
| WO2004095021A1 (ja) | 2004-11-04 |
| CN1777806B (zh) | 2010-09-01 |
| EP1617214A4 (en) | 2008-01-23 |
| US20070208514A1 (en) | 2007-09-06 |
| KR20060009861A (ko) | 2006-02-01 |
| KR100731693B1 (ko) | 2007-06-25 |
| CN1777806A (zh) | 2006-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPWO2004095021A1 (ja) | 疾患予後モデルの作成方法、このモデルを用いた疾患予後予測方法、このモデルによる予後予測装置、ならびにそのプログラム・記憶媒体 | |
| Venkatesh et al. | Machine learning and statistical models to predict postpartum hemorrhage | |
| Oster et al. | Emergency department visits for ambulatory care sensitive conditions: insights into preventable hospitalizations | |
| Lacroix et al. | Severity of illness and organ dysfunction scoring in children | |
| Rutter et al. | Microsimulation model calibration using incremental mixture approximate Bayesian computation | |
| Aziz et al. | Short-and long-term mortality prediction after an acute ST-elevation myocardial infarction (STEMI) in Asians: A machine learning approach | |
| EP3471107A1 (en) | Medical device and computer-implemented method of predicting risk, occurrence or progression of adverse health conditions in test subjects in subpopulations arbitrarily selected from a total population | |
| Yadav et al. | Improving the accuracy of cardiovascular component of the sequential organ failure assessment score | |
| Huang et al. | Mortality prediction for patients with acute respiratory distress syndrome based on machine learning: a population-based study | |
| Shi et al. | Development and validation of a prognostic nomogram for acute‐on‐chronic hepatitis B liver failure | |
| Mittas et al. | A risk-stratification machine learning framework for the prediction of coronary artery disease severity: insights from the GESS trial | |
| Hu | Medical data mining based on decision tree algorithm | |
| Ferraro et al. | Is serum human epididymis protein 4 ready for prime time? | |
| US11676722B1 (en) | Method of early detection, risk stratification, and outcomes prediction of a medical disease or condition with machine learning and routinely taken patient data | |
| Miller et al. | Machine learning to predict abnormal myocardial perfusion from pre-test features | |
| Zhuang et al. | Deep phenotyping and prediction of long-term cardiovascular disease: optimized by machine learning | |
| Farswan et al. | Does ethnicity matter in multiple myeloma risk prediction in the era of genomics and novel agents? Evidence from real-world data | |
| De Grandi et al. | Highly Elevated Plasma γ‐Glutamyltransferase Elevations: A Trait Caused by γ‐Glutamyltransferase 1 Transmembrane Mutations | |
| Deng et al. | Characterizing risk of in-hospital mortality following subarachnoid hemorrhage using machine learning: a retrospective study | |
| Al-Louzi et al. | Lesion size and shape in central vein sign assessment for multiple sclerosis diagnosis: an in vivo and postmortem MRI study | |
| Todd et al. | Improving mortality models in the ICU with high-frequency data | |
| Shen et al. | Cohort research in “Omics” and preventive medicine | |
| Chaddad et al. | Deep survival analysis with clinical variables for covid-19 | |
| Gao et al. | Heart failure probability and early outcomes of critically ill patients with COVID-19: a prospective, multicenter study | |
| Garg et al. | Performance of emergency heart failure mortality risk grade in the emergency department |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20060829 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061003 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061010 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080730 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080917 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090521 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20091014 |