JPWO2020100258A1 - Patient situation prediction device, prediction model generation device, patient situation prediction program and patient situation prediction method - Google Patents
Patient situation prediction device, prediction model generation device, patient situation prediction program and patient situation prediction method Download PDFInfo
- Publication number
- JPWO2020100258A1 JPWO2020100258A1 JP2020556531A JP2020556531A JPWO2020100258A1 JP WO2020100258 A1 JPWO2020100258 A1 JP WO2020100258A1 JP 2020556531 A JP2020556531 A JP 2020556531A JP 2020556531 A JP2020556531 A JP 2020556531A JP WO2020100258 A1 JPWO2020100258 A1 JP WO2020100258A1
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- cpap device
- data
- residual
- patient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 18
- 206010041349 Somnolence Diseases 0.000 claims abstract description 160
- 230000000694 effects Effects 0.000 claims abstract description 75
- 208000032140 Sleepiness Diseases 0.000 claims abstract description 66
- 230000037321 sleepiness Effects 0.000 claims abstract description 66
- 230000000241 respiratory effect Effects 0.000 claims abstract description 31
- 201000002859 sleep apnea Diseases 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000011513 continuous positive airway pressure therapy Methods 0.000 claims description 3
- 208000011580 syndromic disease Diseases 0.000 claims 2
- 230000001133 acceleration Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 208000008784 apnea Diseases 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 208000001797 obstructive sleep apnea Diseases 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010021079 Hypopnoea Diseases 0.000 description 1
- 206010038669 Respiratory arrest Diseases 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 208000021070 secondary pulmonary alveolar proteinosis Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002636 symptomatic treatment Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pulmonology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Anesthesiology (AREA)
- Emergency Medicine (AREA)
- Physiology (AREA)
- Hematology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
睡眠時無呼吸症候群に罹患している複数の患者に関する、ＣＰＡＰ治療に用いる呼吸機器から得られるＣＰＡＰ機器データと、当該複数の患者が身に着けて使用する活動量計によって経時的に測定される活動量計データとを学習用データとして用い、ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する残遺眠気予測モデル生成部１３と、予測対象の患者に関するＣＰＡＰ機器データを予測用データとして用い、当該予測用データを残遺眠気予測モデルに適用することにより、予測対象とする患者について残遺眠気の有無を予測する残遺眠気予測部１４とを備え、予測対象の患者がＣＰＡＰ治療に使用している呼吸機器に関するＣＰＡＰ機器データがあれば、それを予測用データとして残遺眠気予測用モデルに適用することにより、ＣＰＡＰ治療を行っている患者の残遺眠気を客観的に把握することができるようにする。 Measured over time by CPAP device data obtained from respiratory devices used for CPAP treatment for multiple patients suffering from sleep apnea syndrome and activity meters worn and used by the multiple patients. Using the activity meter data as learning data, the residual sleepiness prediction model generation unit 13 that generates a residual sleepiness prediction model for predicting the presence or absence of residual sleepiness based on CPAP device data, and the prediction target By using CPAP device data related to the patient as prediction data and applying the prediction data to the residual sleep prediction model, the residual sleep prediction unit 14 that predicts the presence or absence of residual sleep for the patient to be predicted In preparation, if there is CPAP device data on the respiratory device that the predicted patient is using for CPAP treatment, by applying it to the model for predicting residual sleepiness as predictive data, the patient undergoing CPAP treatment To be able to objectively grasp residual sleep apnea.
Description
本発明は、患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法に関し、特に、ＣＰＡＰ治療を行っている患者の状況を予測する技術に関するものである。 The present invention relates to a patient situation prediction device, a prediction model generation device, a patient situation prediction program, and a patient situation prediction method, and more particularly to a technique for predicting the situation of a patient undergoing CPAP treatment.
睡眠時無呼吸症候群（Sleep Apnea Syndrome：ＳＡＳ）は、睡眠時に呼吸停止または低呼吸になる疾患である。医学的には、１０秒以上の気流停止（気道における空気の流れが止まった状態）を無呼吸とし、無呼吸が一晩（７時間の睡眠中）に３０回以上、若しくは１時間あたり５回以上ある場合に睡眠時無呼吸とされる。ＳＡＳの病態の多くは、気道が塞がるまたは狭くなることによって起こる閉塞型睡眠時無呼吸症候群である。ＳＡＳに罹ると、日中に過度の眠気を生じ、それが原因で集中力や活力に欠けるなどの状態になり、日常の生活に様々な障害を引き起こすリスクを高めることが知られている。 Sleep Apnea Syndrome (SAS) is a disorder that causes respiratory arrest or hypopnea during sleep. Medically, apnea is defined as an airflow stop of 10 seconds or more (a state in which the air flow in the airway is stopped), and apnea occurs 30 times or more overnight (during 7 hours of sleep), or 5 times per hour. If there is more than that, it is considered sleep apnea. Most of the pathologies of SAS are obstructive sleep apnea syndromes caused by obstruction or narrowing of the airways. It is known that when suffering from SAS, excessive drowsiness occurs during the daytime, which causes a state of lack of concentration and vitality, which increases the risk of causing various disorders in daily life.
ＳＡＳの治療は、生活習慣の改善や手術の他、呼吸機器を装着して行うＣＰＡＰ（Continuous Positive Airway Pressure：持続陽圧呼吸療法）がある（例えば、特許文献１，２参照）。ＣＰＡＰとは、機械で圧力をかけた空気を鼻から気道に送り込み、気道を広げて睡眠中の無呼吸を防止する治療法である。ＣＰＡＰに用いる呼吸機器は、機器本体と、本体から空気を送るチューブと、鼻に当てるマスクとからなり、患者は睡眠中にマスクを装着する。ＳＡＳの重症患者において、ＣＰＡＰ治療を行った患者の方が明らかに長生きできたなど、ＳＡＳに対するＣＰＡＰの効果が多くの研究によって証明されている。現在では、閉塞型睡眠時無呼吸症候群の標準的治療法として広く用いられている。 Treatment of SAS includes CPAP (Continuous Positive Airway Pressure), which is performed by wearing a respiratory device in addition to lifestyle improvement and surgery (see, for example, Patent Documents 1 and 2). CPAP is a treatment that sends mechanically pressurized air through the nose into the airways to widen the airways and prevent apnea during sleep. The respiratory device used for CPAP consists of a device body, a tube that sends air from the body, and a mask that is applied to the nose, and the patient wears the mask during sleep. Numerous studies have demonstrated the effect of CPAP on SAS, with patients with severe SAS having apparently longer lives on CPAP treatment. It is now widely used as the standard treatment for obstructive sleep apnea syndrome.
ＣＰＡＰ治療は対症療法であるため、呼吸機器の適切な使用により無呼吸は改善するが、呼吸機器を使い続けなければ無呼吸が再び生じてしまう。ところが、ＣＰＡＰ治療を行っているにもかかわらず、一部の患者において眠気が残遺することが分かっている。残遺眠気を呈するケースでは、眠気に伴う社会生活障害が持続するだけでなく、ＣＰＡＰ治療の継続に対するモチベーションが失われるため、治療からの離脱を引き起こす恐れもある。このため、ＣＰＡＰ治療中における残遺眠気への対策が極めて重要な課題となっている。 Since CPAP treatment is a symptomatic treatment, proper use of respiratory equipment improves apnea, but apnea reoccurs if respiratory equipment is not used continuously. However, it has been found that drowsiness remains in some patients despite CPAP treatment. In cases of residual drowsiness, not only does the social life disorder associated with drowsiness persist, but also the motivation for continuing CPAP treatment is lost, which may lead to withdrawal from treatment. For this reason, measures against residual drowsiness during CPAP treatment have become an extremely important issue.
しかしながら、眠気があるかどうかは患者本人の主観によるところが大きいため、治療を担当している医師が的確なタイミングで患者の残遺眠気の有無を客観的に把握することは難しい。そのため、残遺眠気によりＣＰＡＰ治療の継続に対するモチベーションを失いかけている患者に対して適切なアドバイスや処置を行うことができず、治療からの離脱を防ぐことができないケースが後を絶たない。特許文献１，２は、ＣＰＡＰ治療装置の改良について開示するが、残遺眠気への対策については何ら言及していない。 However, it is difficult for the doctor in charge of treatment to objectively grasp the presence or absence of residual drowsiness of the patient at an appropriate timing because whether or not the patient is drowsy depends largely on the subjectivity of the patient himself / herself. Therefore, it is not possible to give appropriate advice and treatment to patients who are losing motivation to continue CPAP treatment due to residual drowsiness, and there are many cases in which withdrawal from treatment cannot be prevented. Patent Documents 1 and 2 disclose the improvement of the CPAP treatment device, but do not mention any measures against residual drowsiness.
本発明は、このような問題を解決するために成されたものであり、ＣＰＡＰ治療を行っている患者の残遺眠気を客観的に把握できるようにすることを第１の目的とする。また、本発明は、患者の残遺眠気に起因するＣＰＡＰ治療からの脱落の可能性を客観的に把握できるようにすることを第２の目的としている。 The present invention has been made to solve such a problem, and the first object of the present invention is to be able to objectively grasp the residual drowsiness of a patient undergoing CPAP treatment. A second object of the present invention is to make it possible to objectively grasp the possibility of withdrawal from CPAP treatment due to the residual drowsiness of a patient.
上記した課題を解決するために、本発明では、睡眠時無呼吸症候群に罹患している複数の患者に関する、持続陽圧呼吸療法による治療に用いる呼吸機器から得られるＣＰＡＰ機器データと、当該複数の患者が身に着けて使用する活動量計によって経時的に測定される活動量計データとを学習用データとして用い、ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する。そして、予測対象の患者に関するＣＰＡＰ機器データを予測用データとして用い、当該予測用データを残遺眠気予測モデルに適用することにより、予測対象とする患者について残遺眠気の有無を予測するようにしている。 In order to solve the above-mentioned problems, in the present invention, CPAP device data obtained from a respiratory device used for treatment by continuous positive airway pressure therapy for a plurality of patients suffering from sleep apnea syndrome, and the plurality of CPAP device data. Residual sleepiness for predicting the presence or absence of residual sleepiness based on CPAP device data using the activity meter data measured over time by the activity meter worn and used by the patient as learning data. Generate a predictive model. Then, by using the CPAP device data regarding the patient to be predicted as the prediction data and applying the prediction data to the residual sleepiness prediction model, the presence or absence of residual sleepiness is predicted for the patient to be predicted. There is.
また、本発明の他の態様では、上記の学習用データを用いて、ＣＰＡＰ機器データをもとに治療離脱の可能性を予測するための離脱予測モデルを生成する。そして、予測対象の患者に関するＣＰＡＰ機器データを予測用データとして用い、当該予測用データを離脱予測モデルに適用することにより、予測対象とする患者について治療離脱の可能性を予測するようにしている。 In another aspect of the present invention, the above learning data is used to generate a withdrawal prediction model for predicting the possibility of treatment withdrawal based on CPAP device data. Then, the CPAP device data regarding the patient to be predicted is used as the prediction data, and the prediction data is applied to the withdrawal prediction model to predict the possibility of treatment withdrawal for the patient to be predicted.
上記のように構成した本発明によれば、予測対象の患者がＣＰＡＰ治療に使用している呼吸機器に関するＣＰＡＰ機器データがあれば、それを予測用データとして残遺眠気予測用モデルに適用することにより、残遺眠気の有無を予測することができる。また、ＣＰＡＰ機器データを予測用データとして離脱予測用モデルに適用することにより、治療離脱の可能性を予測することができる。これにより、本発明によれば、ＣＰＡＰ治療を行っている患者の残遺眠気を客観的に把握することができる。また、本発明の他の態様によれば、患者の残遺眠気に起因するＣＰＡＰ治療からの脱落の可能性を客観的に把握することができる。 According to the present invention configured as described above, if there is CPAP device data regarding the respiratory device used for CPAP treatment by the patient to be predicted, it is applied to the model for predicting residual drowsiness as prediction data. Therefore, the presence or absence of residual drowsiness can be predicted. Further, by applying the CPAP device data as prediction data to the withdrawal prediction model, the possibility of treatment withdrawal can be predicted. Thereby, according to the present invention, it is possible to objectively grasp the residual drowsiness of a patient undergoing CPAP treatment. In addition, according to another aspect of the present invention, it is possible to objectively grasp the possibility of withdrawal from CPAP treatment due to the residual drowsiness of the patient.
（第１の実施形態）
以下、本発明の第１の実施形態を図面に基づいて説明する。図１は、第１の実施形態による患者状況予測装置の機能構成例を示すブロック図である。本実施形態の患者状況予測装置は、例えば医療機関に設置されるパーソナルコンピュータまたはサーバ装置により構成され、機械学習によって予測モデルを生成する学習器１００としての機能と、当該機械学習によって生成された予測モデルを用いて患者状況（本実施形態では、残遺眠気の有無）を予測する予測器２００としての機能を有する。(First Embodiment)
Hereinafter, the first embodiment of the present invention will be described with reference to the drawings. FIG. 1 is a block diagram showing a functional configuration example of the patient situation prediction device according to the first embodiment. The patient situation prediction device of the present embodiment is composed of, for example, a personal computer or a server device installed in a medical institution, and has a function as a
第１の実施形態による患者状況予測装置は、その機能構成として、活動量計データ取得部１１、ＣＰＡＰ機器データ取得部１２、残遺眠気予測モデル生成部１３および残遺眠気予測部１４を備えている。また、第１の実施形態による患者状況予測装置は、記憶媒体として、残遺眠気予測モデル記憶部１０を備えている。
The patient situation prediction device according to the first embodiment includes an activity meter
上記各機能ブロック１１〜１４は、ハードウェア、ＤＳＰ（Digital Signal Processor）、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記各機能ブロック１１〜１４は、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記録媒体に記憶された患者状況予測用プログラムが動作することによって実現される。
Each of the above
活動量計データ取得部１１は、患者が身に着けて使用する活動量計によって経時的に測定される活動量計データを取得する。患者とは、睡眠時無呼吸症候群（ＳＡＳ）に罹患していて、ＣＰＡＰ治療を行っている者をいう。患者が身に着けて使用する活動量計は、例えば腕時計型のウェアラブル端末であり、加速度センサを備えている。経時的に測定される活動量計データは、例えば加速度センサにより所定の時間間隔ごとに検出される値を示す加速度データと、検出日時を示す日時データとを含む。この加速度データおよび日時データを分析することにより、患者が動いているか否か、どのような動きをしているかを日時ごとに推定することが可能である。
The activity meter
なお、ここでは活動量計の例として腕時計型のウェアラブル端末を挙げたが、これに限定されるものではない。加速度センサを備えていて、患者が常時身に着けていられるものであればよい。例えば、足首に装着して使用するタイプのウェアラブル端末であってもよいし、スマートフォンであってもよい。活動量計は、睡眠時間、心拍数、酸素濃度、歩数、距離、消費カロリー、運動強度などの他の活動量を測定できるものであってもよいし、加速度のみを測定可能な加速度計であってもよい。 Here, a wristwatch-type wearable terminal is mentioned as an example of an activity meter, but the present invention is not limited to this. Anything that has an accelerometer and can be worn by the patient at all times is sufficient. For example, it may be a wearable terminal of a type that is worn on an ankle and used, or it may be a smartphone. The activity meter may be capable of measuring other activity amounts such as sleep time, heart rate, oxygen concentration, steps, distance, calories burned, exercise intensity, etc., or is an accelerometer capable of measuring only acceleration. You may.
活動量計データは、機械学習の学習用データとして用いる。したがって、活動量計データ取得部１１は、複数の患者に関する活動量計データを取得する。その取得の方法は任意である。例えば、活動量計データ取得部１１は、複数の患者に関する活動量計データが記憶された装置（例えば、活動量計データおよび後述するＣＰＡＰ機器データを収集して保存している外部サーバ）から、通信ネットワークを介して活動量計データを取得する。あるいは、複数の患者に関する活動量計データが記憶された記憶媒体から活動量計データを取得するようにしてもよい。
The activity meter data is used as learning data for machine learning. Therefore, the activity meter
あるいは、活動量計データ取得部１１を備えた装置自身がデータ収集機能を持ち、複数の患者が使用している活動量計から通信ネットワークを介して活動量計データを逐次取得するようにしてもよい。この場合、患者状況予測装置は、活動量計データ取得部１１により逐次取得される活動量計データを保存していき、保存した活動量計データを学習用データとして用いる。
Alternatively, the device itself provided with the activity meter
ＣＰＡＰ機器データ取得部１２は、ＳＡＳに罹患している患者に関する、ＣＰＡＰ治療に用いる呼吸機器から得られるＣＰＡＰ機器データを取得する。図２は、ＣＰＡＰ機器データの内容例を示す図である。図２に示すように、ＣＰＡＰ機器データは、使用者情報、機器使用状況情報、臨床指標情報および機器設定情報を含む。
The CPAP device
機器使用状況情報としては、図２に示すような各種の情報を取得する。なお、ここに示した情報は一例であり、これに限定されるものではない。また、図２に示した情報の全てを取得することは必須ではなく、この中の一部のみを取得するようにしてもよい。 As the device usage status information, various types of information as shown in FIG. 2 are acquired. The information shown here is an example, and is not limited to this. Further, it is not essential to acquire all of the information shown in FIG. 2, and only a part of the information may be acquired.
例えば、機器使用状況情報は、呼吸機器の本体からチューブを介してマスクに送り込む空気に対してかける圧力の大きさ（水柱センチメートル：ｃｍＨ２０）を示す情報を含む。圧力の大きさは、常に一定の圧力を保つ場合と、無呼吸のときに合わせて自動的に圧力が増す場合との２つのパターンがある。図２の例は、後者のパターンを前提として、最大値圧力、９５％圧力、中央値圧力の各情報を取得することとしている。 For example, the device usage information includes information indicating the magnitude of pressure (centimeter of water column: cmH20) applied to the air sent from the main body of the respiratory device to the mask via the tube. There are two patterns of pressure magnitude, one is when the pressure is always kept constant and the other is when the pressure is automatically increased according to the apnea. In the example of FIG. 2, assuming the latter pattern, each information of the maximum pressure, the 95% pressure, and the median pressure is acquired.
また、機器使用状況情報は、口からリークする空気の量（リットル毎分：Ｌ／ｍｉｎ）を示す情報を含む。ＣＰＡＰ治療をする場合、マスクを鼻に装着し、鼻から圧力を加えるが、口が開いているとリークが生じてしまい、治療の効果が得られない。本来は鼻呼吸をする必要があるが、ＳＡＳの患者は普段から口呼吸をしている場合が多いので、鼻呼吸をすること自体が困難な場合が少なくない。図２の例では、最大リーク、９５％リーク、中央値リークの各情報を取得することとしている。 In addition, the device usage status information includes information indicating the amount of air leaking from the mouth (liters per minute: L / min). When CPAP treatment is performed, a mask is worn on the nose and pressure is applied through the nose, but if the mouth is open, a leak will occur and the treatment will not be effective. Originally, it is necessary to breathe through the nose, but since patients with SAS often breathe through the mouth, it is often difficult to breathe through the nose. In the example of FIG. 2, each information of the maximum leak, the 95% leak, and the median leak is acquired.
臨床指標情報としては、図２に示すような各種の指標値を取得する。なお、ここに示した指標値は一例であり、これに限定されるものではない。また、図２に示した指標値の全てを取得することは必須ではなく、この中の一部のみを取得するようにしてもよい。 As clinical index information, various index values as shown in FIG. 2 are acquired. The index values shown here are examples, and are not limited to these. Further, it is not essential to acquire all of the index values shown in FIG. 2, and only a part of them may be acquired.
また、機器設定情報は、図２に示すような各種の設定情報を取得する。なお、ここに示した設定情報は一例であり、これに限定されるものではない。また、図２に示した設定情報の全てを取得することは必須ではなく、この中の一部のみを取得するようにしてもよい。 Further, as the device setting information, various setting information as shown in FIG. 2 is acquired. The setting information shown here is an example, and is not limited to this. Further, it is not essential to acquire all of the setting information shown in FIG. 2, and only a part of the setting information may be acquired.
図２に例示したＣＰＡＰ機器データは、学習用データまたは予測用データとして用いる。学習用データとして用いるＣＰＡＰ機器データは、活動量計データ取得部１１により取得される活動量計データに対応する患者と同じ患者が使用している呼吸機器から得られるデータである。すなわち、活動量計データ取得部１１およびＣＰＡＰ機器データ取得部１２は、ＳＡＳに罹患している複数の患者に関する活動量計データおよびＣＰＡＰ機器データを取得する。
The CPAP device data illustrated in FIG. 2 is used as learning data or prediction data. The CPAP device data used as the learning data is data obtained from the respiratory device used by the same patient as the patient corresponding to the activity meter data acquired by the activity meter
学習用データとして用いる複数の患者に関するＣＰＡＰ機器データの取得の方法も任意である。例えば、ＣＰＡＰ機器データ取得部１２は、複数の患者に関するＣＰＡＰ機器データが記憶された装置（例えば、活動量計データおよび後述するＣＰＡＰ機器データを収集して保存している外部サーバ）から、通信ネットワークを介してＣＰＡＰ機器データを取得する。あるいは、複数の患者に関するＣＰＡＰ機器データが記憶された記憶媒体からＣＰＡＰ機器データを取得するようにしてもよい。
The method of acquiring CPAP device data for a plurality of patients used as learning data is also arbitrary. For example, the CPAP device
あるいは、ＣＰＡＰ機器データ取得部１２を備えた装置自身がデータ収集機能を持ち、複数の患者が使用しているＣＰＡＰの呼吸機器から通信ネットワークを介してＣＰＡＰ機器データを逐次取得するようにしてもよい。この場合、患者状況予測装置は、ＣＰＡＰ機器データ取得部１２により逐次取得されるＣＰＡＰ機器データを保存していき、保存したＣＰＡＰ機器データを学習用データとして用いる。
Alternatively, the device itself provided with the CPAP device
残遺眠気予測モデル生成部１３は、活動量計データ取得部１１により取得される複数の患者に関する活動量計データと、ＣＰＡＰ機器データ取得部１２により取得される複数の患者に関するＣＰＡＰ機器データとを学習用データとして用い、ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する。この残遺眠気予測モデルを生成するために行う機械学習として、例えば決定木学習法の１つであるランダムフォレスト法を用いる。すなわち、学習用データを分割し、Ｇｉｎｉ係数等の一定の基準のもと分類能力を測定し、その分類能力が最も高い分割を採用するという手順を再帰的に繰り返すことで、最終的に木構造で表された予測モデルを生成する。
The residual drowsiness prediction
図３は、残遺眠気予測モデル生成部１３の具体的な機能構成例を示すブロック図である。図３に示すように、残遺眠気予測モデル生成部１３は、残遺眠気推定部１３Ａおよび残遺眠気学習部１３Ｂによって、複数の患者に関する活動量計データとＣＰＡＰ機器データとを用いた教師あり学習を行うことにより、ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する。
FIG. 3 is a block diagram showing a specific functional configuration example of the residual drowsiness prediction
残遺眠気推定部１３Ａは、複数の患者に関する活動量計データからそれぞれ、日中の休止時間の状態を判定し、当該判定した休止時間の状態から残遺眠気の有無を推定する。上述したように、活動量計データは所定の時間間隔ごとに検出される加速度データと日時データとを含んでいる。残遺眠気推定部１３Ａは、この加速度データおよび日時データに基づいて、加速度データの値が閾値未満となっている時間を休止時間と判定し、日中における休止時間の長さが閾値以上の患者について「残遺眠気あり」と推定する。
The residual
ここで、日中とは、通常であれば起きて活動している時間帯をいう。あるいは、残遺眠気が生じる可能性の高い午後の特定の時間帯としてもよい。あるいは、患者のＳＡＳの症状に合わせて患者ごとに日中の時間帯を設定するようにしてもよい。また、日中における休止時間の長さは、加速度データの値が閾値未満となっている状態が連続している時間の長さをいう。なお、残遺眠気が生じていて患者が休止状態にある場合であっても、全身が全く微動もせず停止し続けるとは限らない。よって、加速度データの値が所定時間以下だけ閾値以上となる場合は、休止状態が連続しているとみなして休止時間の長さを判定するようにしてよい。 Here, the daytime means a time zone in which a person normally wakes up and is active. Alternatively, it may be a specific time zone in the afternoon when residual drowsiness is likely to occur. Alternatively, the daytime time zone may be set for each patient according to the symptoms of SAS of the patient. Further, the length of the rest time during the day means the length of time during which the state in which the value of the acceleration data is less than the threshold value is continuous. Even when the patient is in a dormant state due to residual drowsiness, the whole body does not always continue to stop without any slight movement. Therefore, when the value of the acceleration data is equal to or greater than the threshold value for a predetermined time or less, it may be considered that the paused state is continuous and the length of the paused time may be determined.
また、休止時間の長さに関する閾値は、公知のエプワース眠気尺度（ＥＳＳ）による日中の眠気の評価値を考慮して決定する。ＥＳＳは、問診票により日中の眠気を主観的に把握するための尺度であり、２４点満点中の１１点以上の場合に日中の眠気ありと評価される。このＥＳＳは、ＣＰＡＰ治療中の患者については、呼吸機器を用いた治療実施後にもかかわらず眠気がある状態（＝残遺眠気あり）として評価することが可能である。そこで、ＥＳＳが１１点以上となるような日中の休止時間の長さを、残遺眠気の有無を判定するための閾値として設定する。 In addition, the threshold value for the length of rest time is determined in consideration of the evaluation value of daytime sleepiness by the known Epworth Sleepiness Scale (ESS). ESS is a scale for subjectively grasping daytime sleepiness by a questionnaire, and a score of 11 or more out of 24 points is evaluated as having daytime sleepiness. This ESS can be evaluated as a state of drowsiness (= residual drowsiness) even after treatment using a respiratory device for a patient undergoing CPAP treatment. Therefore, the length of the daytime rest period at which the ESS is 11 points or more is set as a threshold value for determining the presence or absence of residual drowsiness.
残遺眠気学習部１３Ｂは、複数の患者に関するＣＰＡＰ機器データのそれぞれを説明変数とし、残遺眠気推定部１３Ａにより複数の患者について推定された残遺眠気の有無をそれぞれ目的変数とするデータセットを教師データとしてランダムフォレスト法による機械学習を行うことにより、残遺眠気予測モデルを生成する。このように、本実施形態では、残遺眠気の有無という正解データをあらかじめ用意しておく態様ではなく、複数の患者について測定された活動量計データから正解データを生成して、これを教師データとして用いていることを特徴の１つとしている。
The residual
基本的に、残遺眠気の有無は患者の主観によるところが大きいため、これを患者に対する問診等により客観的に把握することは難しい。これに対し、本実施形態では、患者の活動量計データという客観的なデータを用いて残遺眠気の有無を患者ごとに推定しているので、患者に対する問診等を行うことなく正解データを得ることができる。そして、この正解データを目標変数に設定して機械学習を行うことにより、残遺眠気の有無を予測するための予測モデルを生成することができる。 Basically, the presence or absence of residual drowsiness largely depends on the subjectivity of the patient, and it is difficult to objectively grasp this by interviewing the patient. On the other hand, in the present embodiment, since the presence or absence of residual drowsiness is estimated for each patient using objective data called the activity meter data of the patient, the correct answer data can be obtained without asking the patient. be able to. Then, by setting this correct answer data as a target variable and performing machine learning, it is possible to generate a prediction model for predicting the presence or absence of residual drowsiness.
図２に示したように、説明変数として用いるＣＰＡＰ機器データは、各種の情報を含んでいる。これらの情報の何れかが残遺眠気の発症につながる要因として大きく寄与していると考えられる。例えば、圧力が適切に設定されていない（機器設定情報）、リーク量が大きいまたは呼吸機器の使用頻度が少ない（機器使用状況情報）などのように、呼吸機器が適切に使用されていない場合に、治療効果が十分に発揮されず日中の残遺眠気が改善されないことが予想される。治療効果が十分に発揮されているかどうかは、臨床指標情報をもとに捉えることが可能である。 As shown in FIG. 2, the CPAP device data used as an explanatory variable contains various kinds of information. It is considered that any of these information contributes greatly as a factor leading to the onset of residual drowsiness. For example, when the respiratory device is not used properly, such as when the pressure is not set properly (device setting information), the amount of leakage is large, or the respiratory device is used infrequently (device usage information). It is expected that the therapeutic effect will not be fully exerted and the residual drowsiness during the day will not be improved. Whether or not the therapeutic effect is fully exerted can be grasped based on clinical index information.
残遺眠気学習部１３Ｂは、以上のような各情報を含むＣＰＡＰ機器データを説明変数に設定し、また上述したように患者の活動量計データから得た残遺眠気の有無という正解データを目標変数に設定して機械学習を行うことにより、残遺眠気の有無を予測するための予測モデルを生成することができる。残遺眠気学習部１３Ｂにより生成された残遺眠気予測モデルは、残遺眠気予測モデル記憶部１０に記憶される。
The residual
残遺眠気予測部１４は、ＣＰＡＰ機器データ取得部１２により取得される予測対象の患者に関するＰＡＰ機器データを予測用データとして用い、残遺眠気予測モデル生成部１３により生成された残遺眠気予測モデル（残遺眠気予測モデル記憶部１０に記憶されたもの）に予測用データを適用することにより、予測対象とする患者について残遺眠気の有無を予測する。
The residual
上述したように、ＣＰＡＰ機器データ取得部１２は、学習用データとしてＣＰＡＰ機器データを取得することに加え、予測用データとしてＣＰＡＰ機器データを取得する。予測用データとしてＣＰＡＰ機器データを取得する場合は、予測対象の患者に関するＣＰＡＰ機器データを取得すればよい。予測対象の患者とは、ＳＰＡＰ治療を受けている患者で、残遺眠気の有無が未知の患者である。
As described above, the CPAP device
予測用データとして用いる予測対象の患者に関するＣＰＡＰ機器データの取得の方法も任意である。例えば、ＣＰＡＰ機器データ取得部１２は、予測対象の患者に関するＣＰＡＰ機器データが記憶された装置（例えば、ＣＰＡＰ機器データを収集して保存している外部サーバ）から、通信ネットワークを介してＣＰＡＰ機器データを取得する。あるいは、予測対象の患者に関するＣＰＡＰ機器データが記憶された記憶媒体からＣＰＡＰ機器データを取得するようにしてもよい。
The method of acquiring CPAP device data regarding the patient to be predicted to be used as the prediction data is also arbitrary. For example, the CPAP device
あるいは、ＣＰＡＰ機器データ取得部１２を備えた装置自身がデータ収集機能を持ち、予測対象の患者が使用しているＣＰＡＰの呼吸機器から通信ネットワークを介してＣＰＡＰ機器データを逐次取得するようにしてもよい。この場合、患者状況予測装置は、ＣＰＡＰ機器データ取得部１２により逐次取得されるＣＰＡＰ機器データを保存し、保存したＣＰＡＰ機器データを予測用データとして用いる。
Alternatively, the device itself equipped with the CPAP device
残遺眠気予測部１４による残遺眠気の予測は、患者ごとに、複数日分のＣＰＡＰ機器データが収集できた時点以降、定期的に（例えば毎日）繰り返し行うのが好ましい。患者がＣＰＡＰ治療から離脱してしまう前に残遺眠気の有無を予測し、医師が必要に応じて適切な処置やアドバイス等を行うことができるようにするためである。
It is preferable that the residual
例えば、残遺眠気予測部１４は、患者がＣＰＡＰ治療を開始した日から所定日数が経過した日を予測開始日ＤSとして、当該予測開始日ＤS以降毎日、ＣＰＡＰ機器データ取得部１２により取得されるＣＰＡＰ機器データを残遺眠気予測モデルに適用することにより、残遺眠気の有無を予測する。この場合、（ＤS＋１）日めについては（ＤS＋１）日分のＣＰＡＰ機器データを用い、（ＤS＋２）日めについては（ＤS＋２）日分のＣＰＡＰ機器データを用いるといったように、予測に使用するＣＰＡＰ機器データを日ごとに１日分ずつ増やしていく。Acquiring example, remnant
以上詳しく説明したように、第１の実施形態では、ＳＡＳに罹患している複数の患者に関する活動量計データとＣＰＡＰ機器データとを学習用データとして用い、ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する。そして、予測対象の患者に関するＣＰＡＰ機器データを予測用データとして用い、当該予測用データを残遺眠気予測モデルに適用することにより、予測対象とする患者について残遺眠気の有無を予測するようにしている。 As described in detail above, in the first embodiment, activity meter data and CPAP device data for a plurality of patients suffering from SAS are used as learning data, and residual drowsiness is based on the CPAP device data. Generate a residual drowsiness prediction model to predict the presence or absence of. Then, by using the CPAP device data regarding the patient to be predicted as the prediction data and applying the prediction data to the residual sleepiness prediction model, the presence or absence of residual sleepiness is predicted for the patient to be predicted. There is.
このように構成した第１の実施形態によれば、予測対象の患者がＣＰＡＰ治療に使用している呼吸機器に関するＣＰＡＰ機器データがあれば、それを予測用データとして残遺眠気予測用モデルに適用することにより、残遺眠気の有無を予測することができる。これにより、ＣＰＡＰ治療を行っている患者の残遺眠気を客観的に把握することができる。そして、この残遺眠気の予測を定常的に行うことにより、残遺眠気を発症している可能性のある患者を早期に発見して医師が適切なアドバイスや処置を行うことができ、患者のＣＰＡＰ治療からの離脱を抑制することができるようになる。 According to the first embodiment configured in this way, if there is CPAP device data regarding the respiratory device used by the predicted patient for CPAP treatment, it is applied to the model for predicting residual drowsiness as predictive data. By doing so, it is possible to predict the presence or absence of residual drowsiness. This makes it possible to objectively grasp the residual drowsiness of a patient undergoing CPAP treatment. By constantly predicting this residual drowsiness, it is possible to detect a patient who may have residual drowsiness at an early stage and give appropriate advice and treatment to the patient. It becomes possible to suppress withdrawal from CPAP treatment.
なお、以上説明した第１の実施形態において、残遺眠気学習部１３Ｂは、ＣＰＡＰ機器データに含まれる複数の情報の中から、残遺眠気の有無の予測に対する寄与度の大きい重要な説明変数となる１以上の情報を特定し、当該特定した情報を残遺眠気の要因として特定するようにしてもよい。
In the first embodiment described above, the residual
ランダムフォレスト法は、特徴量の学習を行うことができることを１つの特徴として有している。残遺眠気学習部１３Ｂは、このランダムフォレスト法による機械学習の特徴を利用して、どの説明変数が残遺眠気の有無の予測に大きく寄与しているか、つまり残遺眠気の発症に関して重要な要因と考えられる説明変数を特定することが可能である。さらに、残遺眠気学習部１３Ｂは、このようにして特定した重要な説明変数が他の説明変数よりも残遺眠気の予測に大きく寄与するような重み付けを設定した残遺眠気予測モデルを生成することが可能である。
One of the features of the random forest method is that the features can be learned. The residual
（第２の実施形態）
次に、本発明の第２の実施形態を図面に基づいて説明する。図４は、第２の実施形態による患者状況予測装置の機能構成例を示すブロック図である。なお、この図４において、図１に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。(Second Embodiment)
Next, a second embodiment of the present invention will be described with reference to the drawings. FIG. 4 is a block diagram showing a functional configuration example of the patient situation prediction device according to the second embodiment. Note that, in FIG. 4, those having the same reference numerals as those shown in FIG. 1 have the same functions, and therefore, duplicate description will be omitted here.
図４に示すように、第２の実施形態による患者状況予測装置は、残遺眠気予測モデル記憶部１０、残遺眠気予測モデル生成部１３および残遺眠気予測部１４に代えて、離脱予測モデル記憶部４０、離脱予測モデル生成部４３および離脱予測部４４を備えている。第２の実施形態では、これらの機能構成により、患者のＣＰＡＰ治療からの離脱の可能性を予測する。
As shown in FIG. 4, the patient situation prediction device according to the second embodiment replaces the residual sleepiness prediction
離脱予測モデル生成部４３は、活動量計データ取得部１１により取得される複数の患者に関する活動量計データと、ＣＰＡＰ機器データ取得部１２により取得される複数の患者に関するＣＰＡＰ機器データとを学習用データとして用い、ＣＰＡＰ機器データをもとに治療離脱の可能性を予測するための離脱予測モデルを生成する。そして、生成した離脱予測モデルを離脱予測モデル記憶部４０に記憶させる。
The withdrawal prediction
図５は、離脱予測モデル生成部４３の具体的な機能構成例を示すブロック図である。なお、この図５において、図３に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。図５に示すように、第２の実施形態による離脱予測モデル生成部４３は、残遺眠気推定部１３Ａ、離脱推定部４３Ａおよび離脱学習部４３Ｂを備えている。
FIG. 5 is a block diagram showing a specific functional configuration example of the withdrawal prediction
離脱推定部４３Ａは、ＣＰＡＰ機器データ取得部１２により取得される複数の患者に関するＣＰＡＰ機器データからそれぞれ、治療離脱の有無を推定する。離脱推定部４３Ａが使用するＣＰＡＰ機器データは、呼吸機器を使用した日付、つまりＣＰＡＰ治療を行った日付を示すデータである。離脱推定部４３Ａは、ＣＰＡＰ治療の開始日から所定の日数（例えば６０日）を経過した後に呼吸機器が使用されていない場合に、その患者はＣＰＡＰ治療から離脱したと推定する。なお、どのような場合に治療離脱とみなすかの定義はこれに限らず、任意に設定することが可能である。
The
離脱学習部４３Ｂは、ＣＰＡＰ機器データ取得部１２により取得される複数の患者に関するＣＰＡＰ機器データのそれぞれと、残遺眠気推定部１３Ａにより複数の患者について推定された残遺眠気の有無のそれぞれとを説明変数とし、離脱推定部４３Ａにより複数の患者について推定された治療離脱の有無をそれぞれ目的変数とするデータセットを教師データとしてランダムフォレスト法の機械学習を行うことにより、離脱予測モデルを生成する。
The
このように、本実施形態では、治療離脱の有無という正解データをあらかじめ用意しておく態様ではなく、複数の患者について取得されたＣＰＡＰ機器データから正解データを生成して、これを教師データとして用いていることを特徴の１つとしている。また、説明変数の１つとして用いる残遺眠気の有無についても、これをあらかじめ用意しておく態様ではなく、第１の実施形態で説明したように複数の患者について測定された活動量計データから生成していることも特徴の１つとしている。 As described above, in the present embodiment, the correct answer data of the presence or absence of treatment withdrawal is not prepared in advance, but the correct answer data is generated from the CPAP device data acquired for a plurality of patients and used as the teacher data. It is one of the features that it is. Further, regarding the presence or absence of residual drowsiness used as one of the explanatory variables, it is not a mode in which this is prepared in advance, but from the activity meter data measured for a plurality of patients as described in the first embodiment. One of the features is that it is generated.
残遺眠気推定部１３Ａにより推定される残遺眠気の有無は、治療離脱につながる要因の１つとして関係していると考えられる。また、呼吸機器の使用頻度が低い場合も、治療に対する態度が真摯ではないため、治療離脱につながる要因の１つとして寄与していると考えられる。離脱学習部４３Ｂは、呼吸機器の使用実績を表すＣＰＡＰ機器データや、残遺眠気推定部１３Ａにより推定された残遺眠気の有無を説明変数に設定し、また上述したように患者のＣＰＡＰ機器データから推定した治療離脱の有無という正解データを目標変数に設定して機械学習を行うことにより、治療離脱の有無を予測するための予測モデルを生成することができる。
The presence or absence of residual drowsiness estimated by the residual
離脱予測部４４は、ＣＰＡＰ機器データ取得部１２により取得される予測対象の患者に関するＣＰＡＰ機器データを予測用データとして用い、離脱予測モデル生成部４３により生成された離脱予測モデル（離脱予測モデル記憶部４０に記憶されたもの）に予測用データを適用することにより、予測対象とする患者について治療離脱の可能性を予測する。離脱予測部４４による治療離脱の予測は、第１の実施形態で説明した残遺眠気の予測と同様、患者ごとに、複数日分のＣＰＡＰ機器データが収集できた時点以降、定期的に（例えば毎日）繰り返し行うのが好ましい。
The
以上詳しく説明したように、第２の実施形態では、ＳＡＳに罹患している複数の患者に関する活動量計データとＣＰＡＰ機器データとを学習用データとして用いて、ＣＰＡＰ機器データをもとに治療離脱の可能性を予測するための離脱予測モデルを生成する。そして、予測対象の患者に関するＣＰＡＰ機器データを予測用データとして用い、当該予測用データを離脱予測モデルに適用することにより、予測対象とする患者について治療離脱の可能性を予測するようにしている。 As described in detail above, in the second embodiment, the activity meter data and the CPAP device data for a plurality of patients suffering from SAS are used as learning data, and the treatment is withdrawn based on the CPAP device data. Generate a withdrawal prediction model to predict the possibility of. Then, the CPAP device data regarding the patient to be predicted is used as the prediction data, and the prediction data is applied to the withdrawal prediction model to predict the possibility of treatment withdrawal for the patient to be predicted.
このように構成した第２の実施形態によれば、予測対象の患者がＣＰＡＰ治療に使用している呼吸機器に関するＣＰＡＰ機器データがあれば、それを予測用データとして離脱予測用モデルに適用することにより、治療離脱の可能性を予測することができる。これにより、患者の残遺眠気に起因するＣＰＡＰ治療からの脱落の可能性を客観的に把握することができる。そして、この治療離脱の予測を定常的に行うことにより、治療離脱の可能性がある患者を早期に発見して医師が適切なアドバイスや処置を行うことができ、患者のＣＰＡＰ治療からの離脱を抑制することができるようになる。 According to the second embodiment configured in this way, if there is CPAP device data regarding the respiratory device used by the predicted patient for CPAP treatment, it is applied to the withdrawal prediction model as prediction data. Therefore, the possibility of withdrawal from treatment can be predicted. This makes it possible to objectively grasp the possibility of withdrawal from CPAP treatment due to the patient's residual drowsiness. Then, by regularly predicting this treatment withdrawal, a patient who may withdraw from treatment can be detected at an early stage and the doctor can give appropriate advice and treatment, and the patient can withdraw from CPAP treatment. It will be possible to suppress it.
なお、以上説明した第２の実施形態において、図５に示した離脱予測モデル生成部４３の構成に対して更に残遺眠気学習部１３Ｂを設け、残遺眠気の有無を予測する残遺眠気予測モデルを生成するとともに、治療離脱の有無を予測する離脱予測モデルを生成するようにしてもよい。そして、残遺眠気予測部１４と離脱予測部４４とを備えることにより、残遺眠気の有無の予測と治療離脱の有無の予測とを合わせて行うようにしてもよい。
In the second embodiment described above, the residual
上記第１および第２の実施形態では、学習器１００と予測器２００との両方の機能を有する患者状況予測装置の構成を示したが、本発明はこれに限定されない。例えば、第１の実施形態に関して、図６（ａ）のように学習器の機能のみを備えた装置と、図６（ｂ）のように予測器の機能のみを備えた装置とを別に構成してもよい。この構成の場合、図６（ａ）に示す学習器が備えるＣＰＡＰ機器データ取得部１２Ａは、複数の患者に関するＣＰＡＰ機器データを取得する。一方、図６（ｂ）に示す予測器が備えるＣＰＡＰ機器データ取得部１２Ｂは、予測対象の患者に関するＣＰＡＰ機器データを取得する。
In the first and second embodiments, the configuration of the patient situation prediction device having both the functions of the
図６のように学習器の機能と予測器の機能とを分けて患者状況予測装置を構成した場合、予測器については医療機関に設置して医師が使用できるようにするのが好ましい。一方、学習器については必ずしも医療機関に設置する必要はなく、別の場所に設置してもよい。また、残遺眠気予測モデル記憶部１０についても医療機関に設置する必要はなく、少なくとも予測器が利用できる環境に設置されていればよい。例えば、インターネット上のデータサーバに残遺眠気予測モデル記憶部１０を備えるようにしてもよい。
When the patient situation prediction device is configured by separating the function of the learning device and the function of the predictor as shown in FIG. 6, it is preferable to install the predictor in a medical institution so that the doctor can use it. On the other hand, the learning device does not necessarily have to be installed in a medical institution, and may be installed in another place. Further, the residual drowsiness prediction
同様に、第２の実施形態に関して、図７（ａ）のように学習器の機能のみを備えた装置と、図７（ｂ）のように予測器の機能のみを備えた装置とを別に構成してもよい。 Similarly, with respect to the second embodiment, the device having only the function of the learner as shown in FIG. 7A and the device having only the function of the predictor as shown in FIG. 7B are separately configured. You may.
また、上記第１および第２の実施形態では、活動量計データとして加速度データを用いる例について説明したが、本発明はこれに限定されない。例えば、ジャイロセンサにより検出される角速度データまたは角加速度データを用いてもよい。その他、患者の身体が動いているかどうかを検出可能なセンサを用いて検出されるデータであれば、これを活動量計データとして用いることも可能である。 Further, in the first and second embodiments, an example in which acceleration data is used as activity meter data has been described, but the present invention is not limited thereto. For example, the angular velocity data or the angular acceleration data detected by the gyro sensor may be used. In addition, any data detected using a sensor capable of detecting whether or not the patient's body is moving can be used as activity meter data.
また、上記第１および第２の実施形態では、機械学習の方法としてランダムフォレスト法を用いる例について説明したが、本発明はこれに限定されない。例えば、決定木、回帰木、勾配ブースティング木などの他の木モデルを用いた機械学習を行うようにしてもよい。あるいは、回帰モデル、ニューラルネットワークモデル、ベイズモデル、クラスタリングモデルなどの機械学習を行うようにしてもよい。 Further, in the first and second embodiments described above, an example in which the random forest method is used as the machine learning method has been described, but the present invention is not limited thereto. For example, machine learning may be performed using other tree models such as decision trees, regression trees, and gradient boosting trees. Alternatively, machine learning such as a regression model, a neural network model, a Bayesian model, or a clustering model may be performed.
その他、上記第１および第２の実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその要旨、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。 In addition, the first and second embodiments are merely examples of embodiment of the present invention, and the technical scope of the present invention should not be interpreted in a limited manner by these. It is something that does not become. That is, the present invention can be implemented in various forms without departing from its gist or its main features.
１０ 残遺眠気予測モデル記憶部
１１ 活動量計データ取得部
１２ ＣＰＡＰ機器データ取得部
１３ 残遺眠気予測モデル生成部
１３Ａ 残遺眠気推定部
１３Ｂ 残遺眠気学習部
１４ 残遺眠気予測部
４０ 離脱予測モデル記憶部
４３ 離脱予測モデル生成部
４４ 離脱予測部
４３Ａ 離脱推定部
４３Ｂ 離脱学習部10 Residual sleepiness prediction
Claims (15)
上記患者が身に着けて使用する活動量計によって経時的に測定される活動量計データを取得する活動量計データ取得部と、
上記ＣＰＡＰ機器データ取得部により取得される複数の患者に関する上記ＣＰＡＰ機器データおよび上記活動量計データ取得部により取得される上記複数の患者に関する上記活動量計データを学習用データとして用い、上記ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する残遺眠気予測モデル生成部と、
上記ＣＰＡＰ機器データ取得部により取得される予測対象の患者に関する上記ＣＰＡＰ機器データを予測用データとして用い、上記残遺眠気予測モデル生成部により生成された上記残遺眠気予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記残遺眠気の有無を予測する残遺眠気予測部とを備えたことを特徴とする患者状況予測装置。A CPAP device data acquisition unit that acquires CPAP device data obtained from respiratory devices used for treatment with continuous positive airway pressure for patients suffering from sleep apnea syndrome, and a CPAP device data acquisition unit.
The activity meter data acquisition unit that acquires the activity meter data measured over time by the activity meter worn and used by the patient, and the activity meter data acquisition unit.
The CPAP device data regarding a plurality of patients acquired by the CPAP device data acquisition unit and the activity meter data regarding the plurality of patients acquired by the activity meter data acquisition unit are used as learning data, and the CPAP device. A residual sleepiness prediction model generator that generates a residual sleepiness prediction model for predicting the presence or absence of residual sleepiness based on the data,
The CPAP device data regarding the patient to be predicted acquired by the CPAP device data acquisition unit is used as prediction data, and the prediction data is added to the residual sleepiness prediction model generated by the residual sleepiness prediction model generation unit. A patient situation prediction device comprising a residual drowsiness prediction unit that predicts the presence or absence of the residual drowsiness of the patient to be predicted by application.
上記複数の患者に関する上記活動量計データからそれぞれ、日中の休止時間の状態を判定し、当該判定した休止時間の状態から上記残遺眠気の有無を推定する残遺眠気推定部と、
上記複数の患者に関する上記ＣＰＡＰ機器データのそれぞれを説明変数とし、上記残遺眠気推定部により上記複数の患者について推定された上記残遺眠気の有無をそれぞれ目的変数とするデータセットを教師データとして機械学習を行うことにより、上記残遺眠気予測モデルを生成する残遺眠気学習部とを備えたことを特徴とする請求項１に記載の患者状況予測装置。The above-mentioned residual drowsiness prediction model generation unit
A residual sleepiness estimation unit that determines the state of the daytime rest time from the activity meter data of the plurality of patients and estimates the presence or absence of the residual sleepiness from the determined rest time state, respectively.
A machine using each of the CPAP device data for the plurality of patients as an explanatory variable and a data set for which the presence or absence of the residual sleepiness estimated for the plurality of patients by the residual sleepiness estimation unit is the objective variable as teacher data. The patient situation prediction device according to claim 1, further comprising a residual sleepiness learning unit that generates the residual sleepiness prediction model by performing learning.
上記ＣＰＡＰ機器データ取得部により取得される予測対象の患者に関する上記ＣＰＡＰ機器データを予測用データとして用い、上記離脱予測モデル生成部により生成された上記離脱予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記治療離脱の可能性を予測する離脱予測部とを、
上記残遺眠気予測モデル生成部および上記残遺眠気予測部に代えてまたは加えて備えたことを特徴とする請求項１に記載の患者状況予測装置。The CPAP device data regarding a plurality of patients acquired by the CPAP device data acquisition unit and the activity meter data regarding the plurality of patients acquired by the activity meter data acquisition unit are used as learning data, and the CPAP device. Withdrawal prediction model generator that generates withdrawal prediction model for predicting the possibility of treatment withdrawal based on data,
By using the CPAP device data regarding the patient to be predicted acquired by the CPAP device data acquisition unit as prediction data and applying the prediction data to the withdrawal prediction model generated by the withdrawal prediction model generation unit. , The withdrawal prediction unit that predicts the possibility of withdrawal from treatment for the patient to be predicted.
The patient situation prediction device according to claim 1, further comprising or in place of or in addition to the residual drowsiness prediction model generation unit and the residual drowsiness prediction unit.
上記複数の患者に関する上記活動量計データからそれぞれ、日中の休止時間の状態を判定し、当該判定した休止時間の状態から上記残遺眠気の有無を推定する残遺眠気推定部と、
上記複数の患者に関する上記ＣＰＡＰ機器データからそれぞれ、上記治療離脱の有無を推定する離脱推定部と、
上記複数の患者に関する上記ＣＰＡＰ機器データのそれぞれおよび上記残遺眠気推定部により上記複数の患者について推定された上記残遺眠気の有無のそれぞれを説明変数とし、上記離脱推定部により上記複数の患者について推定された上記治療離脱の有無をそれぞれ目的変数とするデータセットを教師データとして機械学習を行うことにより、上記離脱予測モデルを生成する離脱学習部とを備えたことを特徴とする請求項４に記載の患者状況予測装置。The above-mentioned withdrawal prediction model generation unit
A residual sleepiness estimation unit that determines the state of the daytime rest time from the activity meter data of the plurality of patients and estimates the presence or absence of the residual sleepiness from the determined rest time state, respectively.
A withdrawal estimation unit that estimates the presence or absence of treatment withdrawal from the CPAP device data for the plurality of patients, respectively,
Each of the CPAP device data regarding the plurality of patients and the presence or absence of the residual sleepiness estimated for the plurality of patients by the residual sleepiness estimation unit are used as explanatory variables, and the plurality of patients are described by the withdrawal estimation unit. The fourth aspect of the present invention is characterized in that it includes a withdrawal learning unit that generates the withdrawal prediction model by performing machine learning using the data sets in which the estimated presence or absence of the treatment withdrawal is the objective variable as teacher data. The described patient situation predictor.
上記患者が身に着けて使用する活動量計によって経時的に測定される活動量計データを取得する活動量計データ取得部と、
上記ＣＰＡＰ機器データ取得部により取得される複数の患者に関する上記ＣＰＡＰ機器データおよび上記活動量計データ取得部により取得される上記複数の患者に関する上記活動量計データを学習用データとして用い、上記ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する残遺眠気予測モデル生成部とを備えたことを特徴とする予測モデル生成装置。A CPAP device data acquisition unit that acquires CPAP device data obtained from respiratory devices used for treatment with continuous positive airway pressure for patients suffering from sleep apnea syndrome, and a CPAP device data acquisition unit.
The activity meter data acquisition unit that acquires the activity meter data measured over time by the activity meter worn and used by the patient, and the activity meter data acquisition unit.
The CPAP device data regarding a plurality of patients acquired by the CPAP device data acquisition unit and the activity meter data regarding the plurality of patients acquired by the activity meter data acquisition unit are used as learning data, and the CPAP device. A prediction model generation device including a residual sleepiness prediction model generation unit that generates a residual sleepiness prediction model for predicting the presence or absence of residual sleepiness based on data.
上記残遺眠気予測モデル生成部に代えてまたは加えて備えたことを特徴とする請求項６に記載の予測モデル生成装置。The CPAP device data regarding a plurality of patients acquired by the CPAP device data acquisition unit and the activity meter data regarding the plurality of patients acquired by the activity meter data acquisition unit are used as learning data, and the CPAP device. A withdrawal prediction model generator that generates a withdrawal prediction model for predicting the possibility of treatment withdrawal based on data.
The prediction model generation device according to claim 6, further comprising or in addition to the residual drowsiness prediction model generation unit.
上記ＣＰＡＰ機器データ取得部により取得される予測対象の患者に関する上記ＣＰＡＰ機器データを予測用データとして用い、請求項６に記載の予測モデル生成装置により生成された上記残遺眠気予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記残遺眠気の有無を予測する残遺眠気予測部とを備えたことを特徴とする患者状況予測装置。A CPAP device data acquisition unit that acquires CPAP device data obtained from respiratory devices used for treatment with continuous positive airway pressure for patients suffering from sleep apnea syndrome, and a CPAP device data acquisition unit.
The CPAP device data regarding the patient to be predicted acquired by the CPAP device data acquisition unit is used as the prediction data, and the residual drowsiness prediction model generated by the prediction model generator according to claim 6 is used for the prediction. A patient situation prediction device including a residual drowsiness prediction unit that predicts the presence or absence of the residual drowsiness of the patient to be predicted by applying the data.
上記ＣＰＡＰ機器データ取得部により取得される予測対象の患者に関する上記ＣＰＡＰ機器データを予測用データとして用い、請求項７に記載の予測モデル生成装置により生成された上記離脱予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記治療離脱の可能性を予測する離脱予測部とを備えたことを特徴とする患者状況予測装置。A CPAP device data acquisition unit that acquires CPAP device data obtained from respiratory devices used for treatment with continuous positive airway pressure for patients suffering from sleep apnea syndrome, and a CPAP device data acquisition unit.
The CPAP device data regarding the patient to be predicted acquired by the CPAP device data acquisition unit is used as the prediction data, and the prediction data is added to the withdrawal prediction model generated by the prediction model generator according to claim 7. A patient situation prediction device including a withdrawal prediction unit that predicts the possibility of withdrawal from treatment for a patient to be predicted by applying the data.
上記患者が身に着けて使用する活動量計によって経時的に測定される活動量計データを取得する活動量計データ取得手段、および
上記ＣＰＡＰ機器データ取得手段により取得される複数の患者に関する上記ＣＰＡＰ機器データおよび上記活動量計データ取得手段により取得される上記複数の患者に関する上記活動量計データを学習用データとして用い、上記ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する残遺眠気予測モデル生成手段
としてコンピュータを機能させるための患者状況予測用プログラム。CPAP device data acquisition means for acquiring CPAP device data obtained from respiratory devices used for treatment with continuous positive airway pressure for patients suffering from sleep apnea syndrome,
The activity meter data acquisition means for acquiring activity meter data measured over time by the activity meter worn and used by the patient, and the CPAP for a plurality of patients acquired by the CPAP device data acquisition means. The device data and the activity meter data for the plurality of patients acquired by the activity meter data acquisition means are used as learning data, and the remainder for predicting the presence or absence of residual drowsiness based on the CPAP device data. Generating a model for predicting drowsiness A program for predicting patient status to make a computer function as a means for generating a predictive drowsiness model.
上記残遺眠気予測モデル生成手段に代えてまたは加えて備えたことを特徴とする請求項１０に記載の患者状況予測用プログラム。The CPAP device data regarding a plurality of patients acquired by the CPAP device data acquisition means and the activity meter data regarding the plurality of patients acquired by the activity meter data acquisition means are used as learning data, and the CPAP device. A means of generating a withdrawal prediction model that generates a withdrawal prediction model for predicting the possibility of treatment withdrawal based on data.
The program for predicting a patient situation according to claim 10, wherein the program is provided in place of or in addition to the means for generating a residual drowsiness prediction model.
上記ＣＰＡＰ機器データ取得手段により取得される予測対象の患者に関する上記ＣＰＡＰ機器データを予測用データとして用い、請求項１０に記載の残遺眠気予測モデル生成手段により生成された上記残遺眠気予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記残遺眠気の有無を予測する残遺眠気予測手段
としてコンピュータを機能させるための患者状況予測用プログラム。A CPAP device data acquisition means for acquiring CPAP device data obtained from a respiratory device used for treatment by continuous positive airway pressure therapy for a patient suffering from sleep aspiration syndrome, and a CPAP device data acquisition means acquired by the above-mentioned CPAP device data acquisition means. By using the CPAP device data regarding the patient to be predicted as the prediction data and applying the prediction data to the residual sleep prediction model generated by the residual sleep prediction model generation means according to claim 10. A patient situation prediction program for operating a computer as a residual drowsiness prediction means for predicting the presence or absence of the residual drowsiness of the patient to be predicted.
上記ＣＰＡＰ機器データ取得手段により取得される予測対象の患者に関する上記ＣＰＡＰ機器データを予測用データとして用い、請求項１１に記載の離脱予測モデル生成手段により生成された上記離脱予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記治療離脱の可能性を予測する離脱予測手段
としてコンピュータを機能させるための患者状況予測用プログラム。A CPAP device data acquisition means for acquiring CPAP device data obtained from a respiratory device used for treatment by continuous positive airway pressure therapy for a patient suffering from sleep aspiration syndrome, and a CPAP device data acquisition means acquired by the above-mentioned CPAP device data acquisition means. By using the CPAP device data regarding the patient to be predicted as the prediction data and applying the prediction data to the withdrawal prediction model generated by the withdrawal prediction model generation means according to claim 11, the prediction target can be obtained. A patient situation prediction program for operating a computer as a withdrawal prediction means for predicting the possibility of withdrawal from treatment.
上記コンピュータの残遺眠気予測部が、上記ＣＰＡＰ機器データ取得部により取得される上記ＣＰＡＰ機器データを予測用データとして用い、請求項６に記載の予測モデル生成装置により生成された上記残遺眠気予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記残遺眠気の有無を予測する工程とを有することを特徴とする患者状況予測方法。The process by which the CPAP device data acquisition unit of the computer acquires CPAP device data obtained from the respiratory device used for treatment with continuous positive airway pressure for the predicted patient suffering from sleep apnea syndrome.
The residual sleepiness prediction unit of the computer uses the CPAP device data acquired by the CPAP device data acquisition unit as prediction data, and the residual sleepiness prediction unit generated by the prediction model generator according to claim 6. A method for predicting a patient situation, which comprises a step of predicting the presence or absence of the residual drowsiness of the patient to be predicted by applying the prediction data to the model.
上記コンピュータの離脱予測部が、上記ＣＰＡＰ機器データ取得部により取得される上記ＣＰＡＰ機器データを予測用データとして用い、請求項７に記載の予測モデル生成装置により生成された上記離脱予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記治療離脱の可能性を予測する工程とを有することを特徴とする患者状況予測方法。The process by which the CPAP device data acquisition unit of the computer acquires CPAP device data obtained from the respiratory device used for treatment with continuous positive airway pressure for the predicted patient suffering from sleep apnea syndrome.
The withdrawal prediction unit of the computer uses the CPAP device data acquired by the CPAP device data acquisition unit as prediction data, and predicts the withdrawal prediction model generated by the prediction model generator according to claim 7. A patient situation prediction method comprising a step of predicting the possibility of withdrawal from treatment for a patient to be predicted by applying the data for the patient.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2018/042310 WO2020100258A1 (en) | 2018-11-15 | 2018-11-15 | Patient condition prediction device, prediction model generating device, patient condition prediction program, and patient condition prediction method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6884453B2 JP6884453B2 (en) | 2021-06-09 |
| JPWO2020100258A1 true JPWO2020100258A1 (en) | 2021-09-02 |
Family
ID=70731064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020556531A Active JP6884453B2 (en) | 2018-11-15 | 2018-11-15 | Patient situation prediction device, prediction model generation device, patient situation prediction program and patient situation prediction method |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6884453B2 (en) |
| WO (1) | WO2020100258A1 (en) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4224484A4 (en) * | 2020-10-16 | 2023-11-29 | Life Quest Inc. | Server device, treatment support system, treatment support method, and program |
| WO2023132565A1 (en) * | 2022-01-05 | 2023-07-13 | 엘지전자 주식회사 | Health prediction system comprising personalized health prediction learning model, and control method for same |
| WO2023234317A1 (en) * | 2022-05-31 | 2023-12-07 | 田辺三菱製薬株式会社 | Information processing system, information processing method, program, and recording medium |
| CN115171850B (en) * | 2022-09-07 | 2022-12-09 | 深圳市心流科技有限公司 | Sleep scheme generation method and device, terminal equipment and storage medium |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005506601A (en) * | 2001-03-07 | 2005-03-03 | ウォルター リード アーミー インスティテュート オブ リサーチ | System and method for predicting human cognitive ability using data from actigraphs |
| JP2006271897A (en) * | 2005-03-30 | 2006-10-12 | Toshiba Corp | Apparatus and method for predicting sleepiness |
| JP2016182241A (en) * | 2015-03-26 | 2016-10-20 | パイオニア株式会社 | Drowsiness calculation device |
| JP2017501465A (en) * | 2013-11-01 | 2017-01-12 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | Patient feedback for use of therapeutic devices |
| JP6301573B1 (en) * | 2017-08-14 | 2018-03-28 | サスメド株式会社 | Treatment support apparatus and treatment support program |
| JP6427286B1 (en) * | 2018-04-05 | 2018-11-21 | チェスト株式会社 | Data analysis prediction device and data analysis prediction program |
-
2018
- 2018-11-15 JP JP2020556531A patent/JP6884453B2/en active Active
- 2018-11-15 WO PCT/JP2018/042310 patent/WO2020100258A1/en active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005506601A (en) * | 2001-03-07 | 2005-03-03 | ウォルター リード アーミー インスティテュート オブ リサーチ | System and method for predicting human cognitive ability using data from actigraphs |
| JP2006271897A (en) * | 2005-03-30 | 2006-10-12 | Toshiba Corp | Apparatus and method for predicting sleepiness |
| JP2017501465A (en) * | 2013-11-01 | 2017-01-12 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | Patient feedback for use of therapeutic devices |
| JP2016182241A (en) * | 2015-03-26 | 2016-10-20 | パイオニア株式会社 | Drowsiness calculation device |
| JP6301573B1 (en) * | 2017-08-14 | 2018-03-28 | サスメド株式会社 | Treatment support apparatus and treatment support program |
| JP6427286B1 (en) * | 2018-04-05 | 2018-11-21 | チェスト株式会社 | Data analysis prediction device and data analysis prediction program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6884453B2 (en) | 2021-06-09 |
| WO2020100258A1 (en) | 2020-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7356488B2 (en) | Fatigue monitoring and management system | |
| JP6884453B2 (en) | Patient situation prediction device, prediction model generation device, patient situation prediction program and patient situation prediction method | |
| CN107708548B (en) | System and method for quantification and prediction of smoking behavior | |
| US20220020488A1 (en) | System and method for varying data volume transmitted to external source | |
| JP6799536B2 (en) | Wearable pain monitor with accelerometer | |
| Plarre et al. | Continuous inference of psychological stress from sensory measurements collected in the natural environment | |
| US20140180036A1 (en) | Device and method for predicting and preventing obstructive sleep apnea (osa) episodes | |
| KR20180110100A (en) | Apparatus and method for evaluating heart failure | |
| JP6873910B2 (en) | System for providing automatic titration for oral appliance therapy | |
| Dhruba et al. | Development of an IoT-based sleep apnea monitoring system for healthcare applications | |
| JP2017038924A (en) | Interactive remote patient monitoring and condition management intervention system | |
| Madrid-Navarro et al. | Validation of a device for the ambulatory monitoring of sleep patterns: a pilot study on Parkinson's disease | |
| JP2022527000A (en) | A system that includes sensing units and data processing equipment related to sleep disorders that may occur to the subject | |
| US20170181691A1 (en) | Cardio-Kinetic Cross-Spectral Density for Assessment of Sleep Physiology | |
| Otero et al. | Algorithms for the analysis of polysomnographic recordings with customizable criteria | |
| CN109640819B (en) | Apparatus, system and method for detecting asthma attack or asthma in a subject | |
| CN108471988B (en) | Apparatus and method for monitoring disease progression in a subject | |
| Boateng | StressAware: App for continuously measuring and monitoring stress levels in real time on the amulet wearable device | |
| US20230301586A1 (en) | System and method for characterizing, detecting and monitoring sleep disturbances and insomnia symptoms | |
| EP4298989A1 (en) | System and method for determining a measure of a severity of sleep disordered breathing | |
| Guagnano et al. | Exploring the Feasibility of Sleep Quality Evaluation with a Reduced Parameter Set | |
| KR20230035609A (en) | Systems and methods for detecting and predicting recurrence of major depressive disorder | |
| JP2023507912A (en) | Discreet monitoring of symptoms in patients with allergic asthma | |
| CN116134548A (en) | Predicting perfect sleep onset in an individual | |
| Walczak et al. | Estimation of Apnea-Hypopnea Index in Sleep Breathing Disorders with the Use of Artificial Neural Networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A529 | Written submission of copy of amendment under article 34 pct |
Free format text: JAPANESE INTERMEDIATE CODE: A5211 Effective date: 20210218 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210218 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210218 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20210316 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210323 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210331 |
|
| 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: 20210413 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210430 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6884453 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |