TW201402059A - 健康狀態判定方法及健康狀態判定系統 - Google Patents
健康狀態判定方法及健康狀態判定系統 Download PDFInfo
- Publication number
- TW201402059A TW201402059A TW102119339A TW102119339A TW201402059A TW 201402059 A TW201402059 A TW 201402059A TW 102119339 A TW102119339 A TW 102119339A TW 102119339 A TW102119339 A TW 102119339A TW 201402059 A TW201402059 A TW 201402059A
- Authority
- TW
- Taiwan
- Prior art keywords
- range
- data
- determination
- normal
- abnormal
- Prior art date
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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 pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/4842—Monitoring progression or stage of a disease
-
- 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
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pulmonology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一種健康狀態判定方法包含下列步驟:取得檢查資料中之一包含一個或多個邊限值與一寬度之邊限範圍,該檢查資料對應至其中一正常範圍與一異常範圍被設定的一檢查項目;辨識複數個判定候用模式,其各包含用以對於該檢查項目而設定該正常範圍與該異常範圍之一樣型;依據對應至關於該檢查項目之一疾病的模式建構資料而計算對應至該等複數個判定候用模式之各者的一精確度;以及依據該計算的精確度,自該等複數個判定候用模式,而判定輸出有關該檢查項目之判定資料是否正常的一判定模式。
Description
此處討論之實施例是關於健康狀態判定方法以及健康狀態判定裝置。
保健指導被提供以避免與生活方式有關之疾病。一健康指導者依據檢查資料(例如,主體以及經歷之體檢結果)而判定一主體將來可能具有與生活方式有關之疾病的可能性,並且適當地提供保健指導給該主體。檢查資料(例如,體檢結果)包含主體身體上之複數個項目的數值。對於各項目之用以判定正常/異常之一邊限值被設定。其是難以判定關於檢查項目之主體的檢查資料是否正常。健康狀態之惡化依據檢測到一主體的資料,其過去具有一正常值,是接近至或超出一邊限值之上而被判定。在藉由一健康指導者被進行之一健康狀態的判定上有一限制,並且同時用於健康指導之人力資源也有所不足。
例如,將來疾病之易感染性,藉由考慮到主體之
遺傳資料、屬性(例如,年齡)、或病歷資料而依據一主體之檢查資料被估測。一主體的疾病易感染性之事後機率分佈,藉由聚集一族群之分佈以及使用經由每個聚集節點之計算被得到的疾病易感染性之分佈而被估測。
於一健康指導支援系統中,依據在一有關的檢查項目(查核項目)以及疾病侵襲之間的一計算關係,對於每個已判定之疾病,將被治療之檢查項目被告知,以便避免疾病之侵襲。依據分別的資料以及實際疾病感染資訊之數值之統計計算,關於疾病感染的一檢查項目,被發現在複數個檢查項目資料中。
相關技術被揭示於日本待決專利申請公佈序號第2004-305674號案或日本待決專利申請公佈序號第2009-110279號案中。
例如,當有關一主體之健康指導內容是在其中檢查資料之一數值稍微地超出一邊限值的一情況以及其中檢查資料之一數值大大地超出該邊限值的一情況之間彼此相同時,健康指導的有效性可能被降低。
依據實施例之一論點,一健康狀態判定方法,包含下列步驟:取得檢查資料中之一包含一個或多個邊限值與一寬度之邊限範圍,該檢查資料對應至其中一正常範圍與一異常範圍被設定的一檢查項目;辨識複數個判定候用模式,其各包含用以對於該檢查項目而設定該正常範圍與
該異常範圍之一樣型;依據對應至關於該檢查項目之一疾病的模式構造資料而計算對應至該等複數個判定候用模式之各者的一精確度;以及依據該計算的精確度,自該等複數個判定候用模式,而判定輸出有關該檢查項目之判定資料是否正常的一判定模式。
本發明之目的以及優點將藉由元件以及其組合,尤其是於申請專利範圍中被指出者,而被實現並且被達到。
應了解,先前之一般說明以及下面的詳細說明兩者只是範例以及說明,並且不是作為本發明申請專利範圍之限定。
10‧‧‧健康狀態判定裝置
11‧‧‧模式建構資料產生單元
12‧‧‧判定模式建構單元
13‧‧‧判定單元
14‧‧‧顯示單元
15‧‧‧模式建構資料儲存單元
16‧‧‧判定資料儲存單元
17‧‧‧判定結果資料儲存單元
18‧‧‧判定模式
19‧‧‧雲端伺服器
200‧‧‧電腦
202‧‧‧微處理單元(MPU)
204‧‧‧唯讀記憶體(ROM)
206‧‧‧隨機存取記憶體(RAM)
208‧‧‧硬碟裝置
210‧‧‧輸入裝置
212‧‧‧顯示裝置
214‧‧‧介面裝置
216‧‧‧儲存媒體驅動裝置
218‧‧‧可輸送儲存媒體
220‧‧‧匯流排線
S100、S110-S118、S300-S324、S402-S406‧‧‧模式建構處理步驟
S130-S134、S140-S150、S160-S166‧‧‧範圍設定處理步驟
S200、S210-S213‧‧‧健康判定處理步驟
圖1圖解說明健康狀態判定處理程序的範例;圖2圖解說明體檢之檢查資料的範例;圖3圖解說明檢查資料之邊限值的範例;圖4圖解說明模式建構處理程序的範例;圖5圖解說明範圍設定處理程序的範例;圖6圖解說明邊限範圍之設定的範例;圖7圖解說明設定一邊限範圍的範例;圖8圖解說明健康判定處理程序的範例;圖9圖解說明判定結果的範例;圖10圖解說明判定結果的範例;圖11圖解說明範圍設定處理程序的範例;圖12圖解說明設定一邊限範圍的範例;
圖13圖解說明判定結果的範例;圖14圖解說明範圍設定處理程序的範例;圖15A以及15B圖解說明設定一邊限範圍的範例;圖16圖解說明設定一邊限範圍的範例;圖17圖解說明健康狀態判定裝置的範例;圖18圖解說明電腦範例;圖19圖解說明模式建構處理程序的範例;圖20圖解說明判定結果的範例;圖21圖解說明判定結果的範例;圖22圖解說明模式建構處理程序的範例;圖23圖解說明一正常範圍範例以及一異常範圍範例;並且圖24圖解說明一正常範圍範例以及一異常範圍範例。
檢查資料之一數值(其是有關一主體之體檢的某一檢查項目)是否正常或異常被判定。使用一建構模式之模式建構處理以及健康判定處理被採用。該模式建構處理或該健康判定處理被進行。一裝置可以是一般用途之電腦或一專用電路。專用電路之一部份可與一般用途之電腦被組合。一裝置包含至少一判定模式建構單元(其建構用於健康判定的一判定模式)以及一判定單元(其藉由使用一判定模
式,依據一體檢之檢查資料而進行一主體之健康判定)。該判定模式建構單元執行模式建構處理並且該判定單元執行健康判定處理。
模式建構處理包含邊限設定處理。對於每個檢查項目之檢查資料可被分割成為三個範圍,其是一正常範圍、一邊限範圍以及一異常範圍。一正常範圍以及一異常範圍在一邊限值處被分段,其依據醫學知識在國際機構或協會被界定。對於體檢的每個檢查項目,其中檢查資料被考慮為正常的一範圍被設定作為一正常範圍,以及其中檢查資料被考慮為異常之一範圍被設定作為一異常範圍。例如,當有關一檢查項目之檢查資料是接近至一邊限值時,即使該檢查資料是在一異常範圍中,有關該檢查項目之一疾病可能不發病。此範圍經由模式建構處理被設定作為一“邊限範圍”。一邊限範圍可包含一邊限值,其依據醫學知識被界定並且是呈現在一正常範圍(於其中檢查資料被考慮為正常)以及一異常範圍(於其中該檢查資料被考慮為異常)之間。一邊限值可被置放在一邊限範圍的一中心上並且可能不被置放在中心上。當一邊限範圍被設定時,依據有關屬於邊限範圍的資料之正常/異常的一判定,複數個判定候用模式被產生。一判定候用模式是經由確認而選自複數個判定候用模式並且該選擇的判定候用模式被設定作為一建構判定模式。藉由使用針對一主體之複數個過去的體檢之檢查資料以及該主體之疾病感染的資料(其整體地被稱為“學習資料”或“模式建構資料”),一判定候用模式可依據
哪一判定候用模式可具有最高精確度而引動對疾病感染之預測的準則被選擇。例如,依據對於屬於一邊限範圍的一數值,可考慮該數值對於一檢查項目是屬於一正常範圍或屬於一異常範圍,而有二個模式可被得到作為一判定候用模式。一判定候用模式可包含複數個邊限範圍,例如,其是彼此不同。一判定候用模式可包含複數個檢查項目。例如,一判定候用模式包含二個檢查項目,其各具有一個單一邊限範圍,以及依據考慮屬於邊限範圍之一數值是否屬於一正常範圍或一異常範圍,四個模式可被得到。
於健康判定處理中,藉由使用一判定模式(其經由模式建構處理被構成),有關一體檢之一檢查項目是否正常或異常的一主體之檢查資料(同樣也被稱為判定資料)被判定。例如,當一主體將遭受有關於一檢查項目之一疾病所影響是具有低的可能性時,該主體之檢查資料可被考慮是正常的。例如,當一主體將遭受有關於一檢查項目之疾病所影響是具有高的可能性時,檢查資料可被判定是異常的。
因此,有關一檢查項目之一特定性質被考慮的一判定模式被構成。經由利用一判定模式之健康狀態的判定,有關一特定疾病之侵襲的可能性是否高或低的一主體之一健康狀態,例如,可藉由高精確度被判定。
於採用上述健康狀態判定之一健康狀態判定裝置中,一體檢主體之健康狀態可藉由高精確度被判定。該健康狀態判定裝置可藉由使用一雲端伺服器被實現。用以
建構一判定模式之檢查資料可廣泛地被收集,並且依據已經歷體檢之一主體的檢查資料之一健康狀態可藉由高精確度被判定。依據該健康狀態判定裝置,在成本以及人力資源觀點上之優點可被得到。
一種用以設定一邊限範圍之方法可包含下面的方法。
(B1)具有一預定尺度之一邊限,例如,一邊限範圍大約被設定在一邊限值附近。
(B2)藉由考慮到模式建構資料(例如,於(B1)中被設定之邊限範圍的學習資料)之分佈,該邊限範圍被窄化。
(B3)於疾病感染的考慮之下,該邊限範圍被設定。
一邊限尺度可於(B1)中依據醫學知識被設定或一邊限可具有一邊限值之一預定比率的一尺度。一邊限值之預定比率,例如,可以是10%、20%或30%。一邊限範圍之中心可符合於一邊限值或一邊限範圍之中心可能不符合於一邊限值。例如,當邊限範圍之尺度是一邊限值尺度的20%時,該邊限範圍可自作為該中心之邊限值分別地在其之上以及在其之下被延展10%。例如,當一邊限範圍之尺度是一邊限值尺度之20%時,該邊限範圍可朝向具有比該邊限值較大的一數值之一範圍而被延展該邊限值尺度的15%,並且可朝向具有比該邊限值較小的一數值之一範圍而被延展邊限值尺度的5%。
於(B2)中,一邊限範圍可以被窄化,例如,藉由
於該邊限範圍中移除模式建構資料不自該邊限範圍被分佈之一範圍。
於(B3)中,藉由使用一檢查歷史中的一情況,(例如,其中一預定檢查項目大約被分佈在一邊限值附近上之一檢查結果的一數值之一情況)以及該檢查結果數值被考慮為異常,一邊限值可被設定。
“檢查資料之數值是異常”,可表示其可能是統計上地或醫學上地宣稱該檢查資料是有關於關聯一檢查項目之疾病的感染。“檢查資料之數值是異常”,可表示其可能是統計上地或醫學上地宣稱該檢查資料是有關於關聯一檢查項目之疾病易感染性。
於(B3)中,不是在受到有關一檢查項目的疾病所影響之病人的檢查資料之間的一分離物本體部分之最小或最大數值、或不是在不受到有關一檢查項目的疾病所影響之病人的檢查資料之間的一分離物本體部分之最大或最小數值,可被設定作為一邊限值。
圖1圖解說明健康狀態判定處理程序的範例。
於圖1所展示之健康狀態判定處理中,用於健康判定之模式建構於操作S100中被進行。
“健康判定”可表示,依據已經歷體檢的主體之檢查項目的檢查資料數值,而判定一主體是否受有關一檢查項目的一疾病所影響或疾病易感染性是否為高的。疾病範例可包含生活方式之有關疾病,例如,糖尿病、新陳代謝症候群、異常葡萄糖容限度、高血壓以及高脂血症。檢查
項目之範例可包含年齡、身體質量指數(BMI)、腹部圍長、血糖位準、丙麥胺酸轉轉移脢(Γ-GTP)、血壓、膽固醇、胰島素抗阻指數、血糖、中性脂肪、肝功能(AST、IU/L)、肝功能(ALT、IU/L)、脂締素、糖化白蛋白、游離脂肪酸以及胰島素。
一“模式”可具有一功能以輸出或輸入一健康檢查主體的檢查項目之檢查資料是“正常”或“異常”。一模式可被稱為一預測模式或一判定模式。一模式可以是用於實現演算法的一數學模式或一計算模式,對於該模式,例如,監督式學習是可應用的,例如,神經網路以及支援向量機器。
於”模式建構”中,模式之組態或參數可藉由使用複數的個人檢查資料對於模式之功能被設定。進一步地,一模式可表示監督式學習之執行。
於操作S100之模式建構中,一邊限值(其是在國際機構或協會上被界定)依據實際檢查資料被核查並且該邊限值適當地被改變,以便增加在檢查資料以及疾病感染或高疾病易感染性之間的相關性。檢查資料可被使用作為用於模式之監督式學習的資料。例如,當一模式(不論其輸出或輸入檢查資料是”正常”或”異常”)包含一組態或一參數時,該組態或該參數可藉由使用實際檢查資料被判定以便提高模式之輸出的精確度。
圖2圖解說明體檢之檢查資料的範例。圖2中展示的檢查資料可被使用於模式建構中。
於圖2中,一主體可利用一ID被辨識。檢查項目可包含身體質量指數(BMI)、腹部圍長、血糖位準、Γ-GTP、血壓心臟舒張(或心臟舒張血壓,於圖2中僅被展示如“血壓(低)”)、以及血壓心臟收縮(心臟收縮血壓,於圖2中僅被展示如“血壓(高)”)。
圖3圖解說明檢查資料之邊限值的範例。於圖3中,一主體之檢查資料的一邊限值,其被使用於健康判定,可被展示。檢查項目包含檢查資料被判定為正常或異常之一項目(當該檢查資料屬於某一範圍時)以及在一邊限值被分段之正常與異常的一項目。當檢查資料屬於某一範圍時,該檢查資料被判定為正常或異常的項目可包含身體質量指數(BMI)、心臟舒張血壓或心臟收縮血壓。正常以及異常在一邊限值被分段之項目可包含腹部圍長、血糖位準或Γ-GTP。
例如,有關身體質量指數(BMI),當數值是在18.4以及25.0之間時,檢查資料被考慮為正常,並且當數值是較小於18.4或較大於25.0時,檢查資料被考慮為異常。
例如,有關一腹部圍長,當數值是較小於85時,檢查資料之數值被考慮為正常,並且當數值較大於85時,檢查資料之數值被考慮為異常。
於圖1中,當一模式在操作S100中被構成時,於一操作S200中,用以判定體檢之主體是否健康的健康判定藉由使用該建構模式而被進行。
“是健康”可代表無被疾病影響之狀態或具有低
疾病感染之狀態。
操作S200中之健康判定可表示一體檢主體的某一檢查項目之輸入的檢查資料是否“正常”或“異常”被輸出。
一主體之體檢的輸入檢查資料之輸出是“正常”或“異常”的判定模式被構成。健康判斷藉由使用該建構的判定模式被進行。因此,健康判斷可簡單地被進行。
一判定模式之組態、參數或其類似者經由監督式學習被判定,因而一準則(其是不同於在協會或其類似者中被界定的準則)可被設定。例如,有關偏向體檢之病人性別比率中的族群、年齡族群、或生活方式之一特殊準則可被設定。
一判定模式可在計算器上被實作並且判定可自動地以及有效地被進行。
圖3中展示的邊限值,例如,可在國際機構或協會依據醫學知識被界定,以便廣泛地被查閱。資料藉由使用巨量的取樣被判定以便增加一般的多功能性,因而更新可被延遲並且該資料可能是不適用於一特定族群。
當在檢查項目的檢查資料以及一特定疾病的侵襲之間的一關係被考慮時,一檢查項目之檢查資料的一邊限值(例如,其在國際機構或協會被界定),可能是不適用的。
例如,即使於某一年的體檢中,一檢查項目之檢查資料稍微地超出一邊限值而將被判定為異常,該資料在
下一年中可能不被判定為異常。例如,存在於一邊限值附近之一灰色區域可能降低健康判定之精確度。
模式建構藉由使用實際檢查資料被進行,因而一灰色區域藉由實際檢查資料被複審並且一邊限值適當地被修改。具有調適於現狀之一邊限值的一判定模式可被得到。
圖4至10中展示之模式建構處理,例如,可對應至圖1中展示的操作S100,並且健康判定處理,例如,可對應至圖1中展示之操作S200。(B1)“具有一預定尺度之一邊限,例如,一邊限範圍大約被設定在一邊限值附近”可被採用,例如,以供設定一邊限範圍。
一預定尺度可以是任意的,並且,例如,可以是一邊限值之尺度的20%。一邊限範圍可以一方式被設定至一邊限值中心,並且一邊限範圍可以是大約不對稱地被設定在該邊限值附近。圖4圖解說明模式建構處理程序的範例。
於操作S110中,模式建構資料被讀取。例如,模式建構資料可以是圖2中展示之資料。自模式建構觀點而言,該模式建構資料被使用作為用於監督式學習之資料並且可被稱為學習資料。
於操作S112中,在有關一檢查項目之檢查資料範圍中,對於一正常範圍、一邊限範圍、一異常範圍以及其類似者(其被指定以供用於每個檢查項目)之範圍設定被進行。一範圍(其包含一邊限值並且具有一預定數值寬度)可被設定作為一邊限範圍,於其中用以識別一正常範圍(於其中
一數值被考慮為正常)以及一異常範圍(於其中一數值被考慮為異常)之一個或多個邊限值被預定。
於一“異常範圍”中,該範圍中之檢查資料可能被考慮為異常。於一“正常範圍”中,檢查資料之一數值可能被考慮為不異常。一“邊限範圍”可被設定為接近至一邊限值(其於國際機構、協會或其類似者中被界定)。當有關一檢查項目之檢查資料是在一異常範圍中但是接近至一邊限值時,例如,一“邊限範圍”可以是在其中有關該檢查項目之一疾病可能不發生的範圍。當有關一檢查項目之檢查資料是在一正常範圍中但是接近至一邊限值時,例如,一“邊限範圍”可以是在其中有關該檢查項目之一疾病可能發生的範圍。
圖5圖解說明範圍設定處理程序的範例。於操作S130中,依據醫學知識被界定的一邊限值被得到以供用於體檢的每個檢查項目。一邊限值將一檢查項目的檢查資料之數值分段成一正常範圍以及一異常範圍。一邊限值可以是一數值,其在國際機構、協會或其類似者被界定。
於操作S132中,具有一邊限值之尺度的一預定比率中之尺度的一範圍被設定作為大約在該邊限值附近的一邊限範圍。一邊限值之一尺度的一預定比率可以是20%。
圖6圖解說明一邊限範圍之設定範例。於圖6中,有關一腹部圍長之一邊限範圍可被設定。例如,一腹部圍長之邊限值可以是85,如圖3中之展示。一邊限值之尺度的20%是17。於有關一腹部圍長可採用的檢查資料之一範圍
中,具有17之一尺度的一邊限範圍可被設定大約在85的一邊限值附近。圖6中展示之一被設定的邊限範圍涵蓋作為邊限範圍1之自76.5至93.5的腹部圍長之檢查資料數值。
圖7圖解說明一邊限範圍的設定範例。於圖7中,有關一身體質量指數(BMI)之一邊限範圍可被設定。例如,如圖3中之展示,一身體質量指數(BMI)之一邊限值的一下限可以是18.4,並且一上限可以是25.0。二個邊限值被呈現,因而有關一身體質量指數(BMI)的二個邊限範圍可被設定。一邊限範圍1是對於18.4的下限邊限值並且可涵蓋自16.6至20.2之檢查數值。一邊限範圍2是對於25.0之上限邊限值並且可涵蓋自22.5至27.5之檢查數值。
於圖5展示之操作S134中,除了一邊限範圍外之一範圍被分割成為將依據醫學知識被設定的一正常範圍以及一異常範圍。例如,於圖6中,其中一腹部圍長是較小於76.5之一範圍被設定為一正常範圍,並且其中一腹部圍長是較大於93.5之一範圍被設定為一異常範圍。不論一邊限範圍是否被設定,屬於這些範圍之檢查資料分別地可以是正常或異常。於圖7中,其中一身體質量指數(BMI)之檢查資料的一範圍是較小於16.6或其中一身體質量指數(BMI)之檢查資料是較大於27.5的一範圍可被設定為一異常範圍。在20.2以及22.5之間的一範圍可被設定為一正常範圍。
檢查資料之一數值可採用的整個範圍被分割成為將被設定的一正常範圍、一邊限範圍以及一異常範圍。
於圖4展示之操作S114中,複數個判定候用模式
(其判定屬於一邊限範圍之檢查資料是否被考慮為正常或異常)被產生。例如,有關一檢查項目而在一正常範圍以及一異常範圍設定上的複數個樣型,可依據被包含在該邊限範圍中的一數值是否被考慮為正常或異常而被產生。
例如,於圖6中,自76.5至93.5之腹部圍長的檢查資料被涵蓋作為邊限範圍1。其中屬於邊限範圍1而被考慮為正常的一數值之一模式以及其中被考慮為異常的數值之一模式被產生。例如,三個判定候用模式(其中檢查資料之一數值是正常或異常被設定的區域)如下所示地被產生。
模式1:正常=自邊限值之正常範圍端上的範圍,異常=自邊限值之異常範圍端上的範圍
模式2:正常=正常範圍+邊限範圍1,異常=異常範圍
模式3:正常=正常範圍,異常=異常範圍+邊限範圍1
於圖7中,三個判定候用模式(其中一身體質量指數(BMI)之檢查資料被設定為正常或異常之區域)如下所示地被產生。
模式1:正常=自邊限值之正常範圍端上的範圍,異常=自邊限值之異常範圍端上的範圍
模式2:正常=正常範圍,異常=異常範圍1+邊限範圍1+邊限範圍2+異常範圍2
模式3:正常=正常範圍+邊限範圍2,異常=異常範圍1+異常範圍2+邊限範圍1
有關一身體質量指數(BMI)的三個判定候用模式可被產生。其中屬於邊限範圍1與邊限範圍2之檢查資料分別地被考慮在一正常範圍或一異常範圍中之四個模式以及無一邊限範圍之一模式的組合之五個模式可被考慮。
輸出有關分別的輸入檢查資料(其是有關複數個檢查項目)之正常或異常的模式可被考慮。例如,輸出有關腹部圍長以及身體質量指數(BMI)之分別輸入的檢查資料之正常或異常的模式可被考慮。有關的模式(判定模式),判定候用模式之總共的23=8個樣型可被考慮。判定候用模式之23=8樣型是取決於有關一腹部圍長之檢查資料的一邊限範圍以及有關一身體質量指數(BMI)之檢查資料的二個邊限範圍是否分別地被考慮為正常或異常。
於操作S116中,於操作S114中被構成之一判定候用模式的確認被進行。例如,有關分別的判定候用模式之藉由使用模式建構資料(學習資料)被計算的精確度可彼此被比較。一判定候用模式之判定的精確度可依據預定的資訊被核查。該判定候用模式具有有關一正常範圍以及一異常範圍之設定的複數個樣型並且依據有關一檢查項目的檢查資料之一輸入而輸出模式建構資料是否為正常或異常。例如,預定的資訊可以是有關一具有檢查資料之一主體是否受到有關至一檢查項目之一特定疾病所影響之資訊或對該特定疾病之易感染性是否被增加的資訊。
“精確度”可表示在有關一體檢之分別的檢查項目之檢查資料是否為正常或異常、以及有關該檢查項目之
疾病是否產生或不產生之間的相關性之一幅度。
有關分別的判定候用模式之評估可被進行,以便得到最佳精確度。
於操作S118中,一判定模式被判定。例如,當該精確度在分別的判定候用模式之間被比較時,具有最高精確度的一判定候用模式被選擇作為一判定模式。其輸出判定資料是否為正常或異常的一判定模式可以是依據判定之精確度而選自該等複數個判定候用模式。該選擇的判定資料是一檢查資料,其有關具有一檢查項目之檢查資料之一主體是否受到一特定疾病所影響的資訊不被得到。
例如,於其中有關一腹部圍長的模式1之精確度是最高的情況中,當數值是較小於邊限值85時則檢查資料被判定為正常,並且當數值是較大於85時則檢查資料被判定為異常。
於有關一身體質量指數(BMI)之模式3的精確度是最高的情況中,當數值是較小於20.2或較大於27.5時則檢查資料之一數值被判定為異常,並且當數值不較小於20.2或較大於27.5時則檢查資料之一數值被判定為正常。
一體檢之主體的健康判定藉由使用一判定的判定模式被進行。例如,判定資料(例如,一檢查項目之檢查資料)被輸進入一判定模式,以便判定該判定資料是否為正常或異常。
圖8圖解說明健康判定處理程序的範例。於操作S210中,判定資料被取得。“判定資料”可以表示有關經歷
健康判定之一人員的一體檢之檢查資料。例如,一檢查項目之檢查資料可經由一體檢被得到。
於操作S212中,於操作S210中被取得的判定資料被輸進入一判定模式中,以便判定該判定資料是否為正常或異常。
於操作S214中,一判定結果被輸出。圖9圖解說明判定結果的範例。圖9圖解說明有關一腹部圍長的一判定結果。ID被告知至分別的主體並且該等主體分別地利用ID被識別。圖9圖解說明分別地具有ID001至ID005之5個人的腹部圍長檢查資料之數值是否為正常或異常的判定結果。例如,具有ID001之一主體的一腹部圍長檢查資料之一數值是84。如圖6中之展示,腹部圍長之一邊限值是85。雖然84(其是具有ID001之主體的腹部圍長檢查資料之數值)屬於接近至一邊限值的一邊限範圍,其被判定為正常,因為該數值是較小於邊限值85。一判定結果可被輸出,以便代表該檢查資料是在一邊限範圍中。
圖10圖解說明判定結果的範例。圖10圖解說明有關一身體質量指數(BMI)之一判定結果。當數值是較小於20.2或較大於27.5時則檢查資料被判定為異常,並且當數值不是較小於20.2或較大於27.5時則檢查資料之數值被判定為正常。
模式建構處理依據實際檢查資料被進行,因而一灰色區域藉由使用實際檢查資料被檢查,並且一邊限值適當地被修改。具有適用於現況之一邊限值之一判定模式可
被得到。一邊限範圍之寬度具有一邊限值尺度之一預定比率,因而一邊限範圍可容易地被設定。
模式建構處理(圖1之操作S100)以及健康判定處理(圖1之操作S200)之範例被說明。(B2)可被使用作為用以設定一邊限範圍之方法。例如,一邊限範圍可以一方式被窄化,其考慮到被設定為具有大約在一邊限值附近之一預定尺度的一邊限之一邊限範圍中的模式建構資料之分佈。
圖11圖解說明範圍設定處理程序的範例。於操作S140中,一暫時性邊限範圍被設定。例如,一邊限範圍可如圖1至18中所展示地被設定。
當一邊限範圍被設定時,模式建構資料,例如,學習資料之數值可不被分佈在邊限範圍之部分中。“數值不被分佈”可表示,當模式建構資料(例如,學習資料)的數值之配置利用一連續的分佈函數被大致估計時則一分佈函數之一數值是等於或較小於一預定數值。“數值不被分佈”可表示於一邊限範圍中之一範圍是不在模式建構資料之最大數值以及最小數值之間。
圖12圖解說明一邊限範圍的設定範例。當有關一腹部圍長之一邊限範圍如圖1至18中之展示而被設定時,模式建構資料之分佈可能不存在於76.5以及78.5之間。
有關一腹部圍長之一邊限範圍可如圖12中所展示地被設定並且有關另一檢查項目之一邊限範圍可被設定。
於圖11所展示之操作S142中,邊限範圍中的模式
建構資料之分佈的最小數值被判定是否較大於該邊限範圍之一下限。當該判定結果為“是”時,例如,當邊限範圍中之模式建構資料的分佈之最小數值是較大於邊限範圍之下限時,則處理前進至操作S144。當判定結果為“否”時,例如,當邊限範圍中之模式建構資料的分佈之最小數值是不較大於邊限範圍之下限時,則處理前進至操作S146。
於操作S144中,資料的分佈之最小數值被設定作為邊限範圍之下限。處理前進至操作S146。
於圖12中,邊限範圍之下限是76.5並且邊限範圍中之模式建構資料的分佈之最小數值是78.5,因而S142中之判定結果為“是”。經由S144之處理,是為資料分佈的最小數值之78.5被設定作為邊限範圍之下限。
於操作S146中,邊限範圍中之模式建構資料的分佈之最大數值被判定是否較小於邊限範圍之一上限。當判定結果為“是”時,例如,當邊限範圍中之模式建構資料的分佈之最大數值是較小於該邊限範圍之上限時,則處理前進至操作S148。當該判定結果為“否”時,例如,當邊限範圍中之模式建構資料的分佈最大數值是不較小於該邊限範圍之上限時,則處理前進至操作S150。
於操作S148中,資料的分佈之最大數值被設定為邊限範圍之上限。處理前進至操作S150。
於操作S150中,除了該邊限範圍之外的一範圍,依據醫學知識被分割成為一正常範圍以及一異常範圍因此被設定。一體檢之主體的健康判定可藉由使用一判定的模
式被進行。
操作S142和S144之順序以及操作S146和S148之順序可被交換。
圖13圖解說明判定結果的範例。圖13圖解說明一腹部圍長之模式建構資料、依據該模式建構資料被判定的一邊限範圍、以及一判定結果。於圖13中,模式建構資料之最小數值可以是82,其是具有ID005之一主體的檢查資料,並且最大數值可以是92,其是具有ID003之主體的檢查資料,於圖6中,於邊限範圍1中,大約被設定在一邊限值附近以具有邊限值的尺度之20%的一範圍,例如,將被設定為自76.5至93.5。自82至92之腹部圍長的檢查資料之一範圍被設定作為一邊限範圍。例如,模式1之精確度最好可以是在腹部圍長之間。例如,當其是較小於85時則腹部圍長之檢查資料可被判定為正常,並且當其是較大於85時則檢查資料可被判定為異常。於一判定結果之一欄中,正常和異常在一邊限85被分段並且代表在邊限範圍中自82至92之範圍中的檢查資料之資訊被添加。
體檢資料之一特定性質被反映至一邊限範圍之設定,因而高度精確之健康判定可被進行。
圖14至16中展示之模式建構處理,例如,可對應至圖1中展示之操作S100,並且健康判定處理可對應至圖1中展示的操作S200。(B3)之方法是可應用作為用以設定一邊限範圍之方法。例如,一邊限範圍可藉由考慮到疾病感染而被設定。圖14圖解說明範圍設定處理程序的範例。
當檢查資料之一數值屬於一邊限範圍時,檢查資料是異常之一情況以及檢查資料是正常之一情況被混合,並且因此健康判定是不容易。用以判定一邊限範圍之一模式分別地由用以判定正常/異常之模式被構成,因而精確度可被改進。當一邊限範圍適當地被設定在一範圍(於其中檢查資料是異常之一情況以及檢查資料是正常之一情況被混合)中時,精確度可被改進。
圖15A以及15B圖解說明一邊限範圍的設定範例。一邊限範圍藉由考慮到疾病之感染而被設定。一檢查項目可以是一腹部圍長。
圖15A可圖解說明依據去年之檢查資料(模式建構資料)被設定的一邊限範圍。例如,在異常檢查資料之間的最小數值(最低數值),在其已經被一疾病所影響或其自檢查時間至當前時間之疾病易感染性已增加之主體的腹部圍長數值之間之最小數值(最低數值)可以是74.5。例如,在正常檢查資料數值之間的最大數值(最高數值),在其不受一疾病之影響或其自檢查時間至當前時間之疾病易感染性不被增加之主體的腹部圍長之間的最大數值(最高數值)可以是91.5。
圖15B可圖解說明依據二年前之檢查資料(模式建構資料)被設定的一邊限範圍。在腹部圍長的異常檢查資料數值之間的最小數值(最低數值)可以是77.5,並且在腹部圍長的正常檢查資料之間的最大數值(最高數值)可以是92.5。
在每年中,在檢查資料(模式建構資料)之腹部圍長的異常數值之間的最小數值(最低數值)以及在檢查資料之腹部圍長的正常數值之間的最大數值(最高數值)具有變化。於一檢查資料(例如,模式建構資料)中之異常檢查資料的分佈之末端數值以及正常檢查資料之分佈的末端數值可於每年中被得到,以便設定多年分佈之末端數值的一平均值作為一邊限範圍。
圖15A以及15B圖解說明最小數值(其不是在依據去年或二年前之腹部圍長檢查資料的異常檢查資料數值之間的一離開本體的分離部分)以及最大數值(其不是在正常檢查資料數值之間的一離開本體的分離部分)。例如,n年以前(n是較大於2的整數)之檢查資料可被使用。
於圖15A以及15B中,較小於一邊限值之一數值被判定為正常並且較大於該邊限值之一數值被判定為異常。有關一檢查項目,於其中較大於一邊限值之一數值被判定為正常並且較小於該邊限值的一數值被判定為異常,在異常檢查資料數值之間的最大數值以及在正常檢查資料數值之間的最小數值被使用。
於圖14展示之操作S160中,過去幾年的每年之異常以及正常檢查資料數值之分佈的末端之一數值依據過去幾年的檢查資料(例如,模式建構資料)而被得到。一“分佈末端之一數值”可以是一數值,其不是在有關一檢查項目的異常以及正常檢查資料之間的一離開本體的分離部分。例如,有關一平均數值以及一標準偏差被告知之統計,一離
開本體的分離部分藉由離開本體的分離部分=平均數值±(3×標準偏差)而被得到。
當一檢查項目是一腹部圍長時,最小數值(最低數值)(其不是在一腹部圍長的異常數值之間的一離開本體的分離部分)以及最大數值(最高數值)(其不是在一腹部圍長的正常數值之間的一離開本體的分離部分)可被得到。
於操作S162中,正常或異常檢查資料的分佈之一末端點的一平均值被得到。
例如,去年異常檢查資料的數值之最小數值可以是Min(1)以及二年以前之異常檢查資料的數值之最小數值可以是Min(2),並且n年以前之異常檢查資料的數值之最小數值可以是Min(n)。在這時間,最小數值之平均值可利用下面的公式被得到。
去年之正常檢查資料的最大數值可以是Max(1),二年以前之正常檢查資料的數值之最大數值可以是Max(2),以及n年以前之正常檢查資料的數值之最大數值可以是Max(n)。在這時間,最大數值之平均值可利用下面的公式被得到。
於圖15A以及15B中,最小數值如下所示被得到。
Min=(在去年異常檢查資料的數值之間的最低數值+在二年以前的異常檢查資料數值之間的最小數值)/2
=(74.5+77.5)/2=76
Max=(在去年正常檢查資料的數值之間的最高數值+在二年以前之正常檢查資料的數值之間的最大數值)/2
=(91.5+92.5)/2=92
於操作S164中,其中一下限以及一上限分別地是於操作S162中被得到的Min以及Max之一邊限範圍被設定。
於操作S166中,除了邊限範圍外之一範圍,依據醫學知識被分割成為一正常範圍以及一異常範圍,因此被設定。
圖16圖解說明一邊限範圍的設定範例。於圖16中,一腹部圍長之邊限範圍可被設定。在2010年之檢查資料中,在異常檢查資料數值之間的最小數值可以是70並且在正常檢查資料數值之間的最大數值可以是84。在2009之腹部圍長的檢查資料中,在異常檢查資料數值之間的最小數值可以是72並且在正常檢查資料數值之間的最大數值可以是100。多年檢查資料之最小數值的一平均數值以及最大數值的一平均數值分別地是Min=(70+72)/2=71以及Max=(84+100)/2=92。於圖16中,邊限範圍之一下限被設定為71並且一上限被設定為92。
圖17圖解說明健康狀態判定裝置的範例。一健康狀態判定裝置10可關連於被儲存在模式建構資料儲存單元
15中之模式建構資料、被儲存在判定結果資料儲存單元17中之判定結果資料、以及被儲存在判定資料儲存單元16中之判定資料。
例如,模式建構資料可以是一體檢之主體的檢查項目之檢查資料。
一模式建構資料產生單元11藉由使用過去的體檢以及其類似者之檢查資料而產生模式建構資料。例如,一體檢之主體的檢查項目之檢查資料對於該體檢之一主體的各個識別符(ID)被安排。針對每個檢查項目之一主體的檢查資料可被備妥以供用於模式建構資料。
一主體之具有特定屬性的檢查資料,可自一體檢之主體的檢查資料被抽取,以便被設定作為模式建構資料。“屬性”包含年齡、性別、職業、住所、食物偏愛、生活樣型、以及其類似者。食物偏愛可指示,例如,是否喜歡甜食。生活樣型可指示是否抽菸、睡眠時間長度、起床時間、睡覺時間、通勤時間以及方式、嗜好、以及其類似者。例如,嗜好可指示是否運動。
判定模式建構單元12藉由使用被產生於模式建構資料產生單元11中之模式建構資料而建構一判定模式18。“建構一判定模式”可以表示進行“模式建構”。於“模式建構”中,用以實現模式將擁有的一功能之一模式的組態或一參數,可藉由使用複數個人員之檢查資料而被設定。當一模式是用以實現監督式學習可應用的演算法之一數學模式或一計算模式時,“模式建構”可以表示監督式學習。
例如,於判定模式建構單元12中,圖14中展示之模式建構處理可被進行。
判定單元13藉由使用於判定模式建構單元12中被構成之判定模式18,而判定一檢查項目上之一主體的檢查資料之一數值(其自判定資料儲存單元16被輸入),是否為正常或異常。
例如,於判定單元13中,圖8中展示的健康判定處理可被進行。判定單元13中之判定結果被發送至判定結果資料儲存單元17以及顯示單元14。判定結果可被顯示至一主體。
所有的或部份的模式建構資料產生單元11、判定模式建構單元12以及判定單元13可被提供作為一雲端伺服器19。當所有的模式建構資料產生單元11、判定模式建構單元12以及判定單元13都被提供作為雲端伺服器19時,模式建構資料儲存單元15以及判定資料儲存單元16可被包含在被耦合至雲端伺服器19的一終端機中。判定結果資料儲存單元17及/或顯示單元14同樣地也可被包含在終端機中。當模式建構資料產生單元11以及判定模式建構單元12被提供作為雲端伺服器19時,判定資料儲存單元16被包含在被耦合至雲端伺服器19之終端機中。
僅判定單元13可被包含在雲端伺服器19中,並且模式建構資料產生單元11以及判定模式建構單元12可被包含於耦合至雲端伺服器19之一終端機中。
圖17中展示之判定模式建構單元12包含一邊限
範圍設定單元、一範圍設定單元、一模式確認單元以及一模式判定單元。
邊限範圍設定單元可被設定一範圍,其包含一邊限值以及在有關一檢查項目之檢查資料的一範圍中具有作為一邊限範圍之一預定寬度,其中該檢查項目包含分割成其中一數值被考慮為正常的一正常範圍以及其中一數值被考慮為異常之一異常範圍的一個或多個邊限值。
依據被包含於一邊限範圍中之一數值是否被考慮為正常或異常,在有關一檢查項目之一正常範圍以及一異常範圍的設定上,範圍設定單元可產生複數個樣型。
當在一正常範圍以及一異常範圍之設定上具有複數個樣型之複數個判定候用模式的一檢查項目之檢查資料被輸入時,依據指示具有檢查資料之一主體是否受有關該檢查項目之一疾病所影響的資訊,模式確認單元計算用以輸出模式建構資料之一數值是否為正常或異常的一判定候用模式之判定的精確度,以便證實該判定候用模式。
當判定資料(其是一檢查項目之檢查資料以及是在具有該檢查資料之一主體是否受一疾病所影響上之資訊不被得到之檢查資料)被輸入時,依據該判定之精確度,模式判定單元則判定一判定模式以供自複數個判定候用模式而輸出該判定資料之數值是否為正常或異常。圖17中展示之判定單元13輸入一檢查項目之檢查資料的判定資料至一判定模式並且判定該判定資料是否為正常或異常。判定單元13包含一輸出單元,其輸出一判定結果至判定結果資料
儲存單元17及/或顯示單元14。
圖17中展示之判定結果資料儲存單元17或顯示單元14輸出一判定結果,其是自判定單元13被輸出至一使用者。
圖17中展示的裝置之功能區塊可藉由具有硬體組態之一電腦被組構。
圖18圖解說明電腦的範例。圖18中展示之電腦可被利用圖17展示之健康狀態判定裝置10所使用。
電腦200包含一微處理單元(MPU)202、一唯讀記憶體(ROM)204、一隨機存取記憶體(RAM)206、一硬碟裝置208、一輸入裝置210、一顯示裝置212、一介面裝置214以及一儲存媒體驅動裝置216。這些元件可經由匯流排線220彼此耦合,並且資料可在MPU 202控制之下相互地被發送/被接收。
MPU 202可以是一算術處理裝置,其控制電腦200並且可以是電腦200之一控制處理單元。
ROM 204可以是一讀出專用半導體記憶體,其儲存一預定的基本控制程式。MPU 202在電腦200啟動時讀出並且執行該基本的控制程式,以便控制電腦200之元件的操作。
RAM 206可以是一半導體記憶體,其當被要求時是可寫入以及可讀取,並且當MPU 202執行該控制程式時適當地被使用作為一操作儲存區域。
該硬碟裝置208可以是一儲存裝置,其儲存利用
MPU 202被執行之一控制程式或資料。MPU 202可讀出以及執行被儲存在硬碟裝置208中之控制程式,以便執行控制處理。
輸入裝置210可以是,例如,一滑鼠裝置或一鍵盤裝置。當輸入裝置210利用圖6展示之系統的使用者被操作時,輸入裝置210取得關聯一操作內容之資訊並且將所取得的輸入資訊發送至該MPU 202。
顯示裝置212可以是,例如,一液晶顯示器,並且回應於自MPU 202被發送之顯示資料而顯示一文字或一影像。
介面裝置214進行有關耦合至電腦200之設備的資訊之發送/接收管理。
儲存媒體驅動裝置216可以是一裝置,其讀出被儲存在可輸送儲存媒體218中之一控制程式以及資料。MPU 202可經由儲存媒體驅動裝置216而讀出以及執行被儲存在可輸送儲存媒體218中之控制程式,因而執行控制處理。該可輸送儲存媒體218可包含,例如,一快閃記憶體(其包含通用串列匯流排(USB)標準之一連接器)、一小型碟式唯讀記憶體(CD-ROM)、一數位多功能碟片唯讀記憶體(DVD-ROM)以及其類似者。
當圖17展示之健康狀態判定裝置10藉由使用電腦200被組構時,用以使MPU 202進行,例如,模式建構資料產生單元11、判定模式建構單元12或判定單元13之處理程序的一控制程式被產生。該產生的控制程式可初步地被
儲存在硬碟裝置208或可輸送儲存媒體218中。MPU 202依據一預定指令而讀出以及執行控制程式。包含在圖17展示之健康狀態判定裝置10中之一功能利用MPU 202被提供。電腦200作用如圖17展示之健康狀態判定裝置10。
於一邊限範圍之設定中,(B4)以階梯形式設定複數個邊限範圍之一方法可被包含。一邊限範圍以階梯形式被改變,因而精確度可被改進。包含一邊限值以及具有該邊限值之一尺度的一預定比率之一寬度,例如,該邊限值尺度的20%之一範圍,被設定作為一邊限範圍。一判定候用模式使用被設定的一邊限範圍而被構成。一判定候用模式之預期的精確度被得到。藉由窄化一邊限範圍,另一判定候用模式被構成並且其精確度被得到。例如,一邊限範圍之寬度被設定為一邊限值之尺度的18%。一邊限範圍之一範圍可逐漸地被窄化,具有各個邊限範圍之一判定候用模式的精確度可被得到,並且具有最佳精確度之一邊限範圍的一判定候用模式可被採用作為一判定模式。
圖19圖解說明模式建構處理程序的範例。於操作S300中,模式建構資料(學習資料)被讀取。操作S300之處理實質上可相同或相似於圖4展示之操作S110。
於操作S310中,用以對於一體檢之各檢查項目而設定一正常範圍、一邊限範圍或一異常範圍之範圍設定處理被執行。
當操作S310於第一時間被執行時,例如,包含一邊限值以及具有邊限值之一尺度的20%之一範圍可被設定
作為一邊限範圍。例如,方法(B1)可被使用。方法(B2)以及(B3)可被使用。於操作S310中,除了邊限範圍外之一範圍,依據醫學知識被分割成為一正常範圍以及一異常範圍。
邊限範圍之寬度的一啟始值可利用一操作員任意地被設定。一啟始數值可以是一邊限值之20%,可以是較寬,例如,40%,或可以較窄,例如,10%。
當操作S310在第二時間上以及在其之後被執行時,對應至於操作S320中被界定之邊限範圍的寬度之一邊限範圍被設定,並且除了該邊限範圍外之一範圍依據醫學知識被分割成為一正常範圍以及一異常範圍。
於操作S312中,複數個判定候用模式依據屬於該邊限範圍之檢查資料被考慮是否為正常或異常而被產生。操作S312之處理實質上可以是相同或相似於圖4展示之操作S114的處理。處理程序前進至操作S314。
於操作S314中,於操作S312中被產生之複數個判定候用模式各者的精確度被取得。
於操作S316中,提供在操作S314中被取得的準確性之間的最高精確度之一判定候用模式被選擇作為被設定之有關一邊限範圍的一判定候用模式。處理程序前進至操作S318。
於操作S318中,邊限範圍被判定是否較大於0。當該判定為“是”時,例如,當邊限範圍是較大於0時,處理程序前進至操作S320。當該判定為“否”時,例如,當該邊限範圍是0或較小時,處理程序前進至一操作S322。
於操作S320中,一邊限範圍被窄化。一操作員可任意地設定一窄化單位,例如,可設定一數值如1%、2%或0.5%。處理程序前進至操作S310。
於操作S322中,具有在有關複數個邊限範圍之寬度而被構成的複數個判定候用模式之間的最高精確度之一判定候用模式被判定。在具有有關正常範圍以及一異常範圍之設定的複數個樣型之複數個判定候用模式之間,當檢查項目之檢查資料被輸入時,依據有關具有檢查資料的一主體是否受有關該檢查項目之一疾病所影響或疾病易感染性是否被增加之資訊,用以輸出模式建構資料是否為正常或異常的一判定候用模式之判定精確度可被計算,並且因此一判定候用模式可被核查。
於操作S324中,具有最高精確度的一判定候用模式被選擇作為一判定模式。依據於操作S322中被計算的判定精確度,自複數個判定候用模式中,用以輸出判定資料是否為正常或異常之一判定模式可被判定。該判定資料是一檢查項目之檢查資料並且是在具有該檢查資料之一主體上是否受一指定疾病所影響或疾病易感染性是否被增加而不被得到的資訊之檢查資料。有關各模式之評估可被進行,以便得到最佳精確度。
圖20圖解說明判定結果的範例。圖20圖解說明一判定結果,當一邊限範圍藉由減少一上限(-3)以及增加一下限(+3)被窄化時,該判定結果自被設定為具有一邊限值之一尺度的20%之一區域的一啟始邊限範圍之該上限和該下限
而被得到。
圖21圖解說明判定結果的範例。一判定結果圖解地被說明,當一邊限範圍藉由減少一上限(-6)和增加一下限(+6)被窄化時,該判定結果自被設定為具有一邊限值之一尺度的20%之一區域之一啟始邊限範圍之上限和該下限而被得到。圖20中展示之判定結果是不同於來自圖21中展示之判定結果。一判定結果依據其中一邊限範圍被設定之一範圍而改變。
藉由以階梯形式減少一預定啟始數值而被得到的複數個數值之寬度被設定為邊限範圍之尺度,因此判定一模式。因此,非常精確之健康狀態判定可被實現。
上面說明之一邊限範圍的設定可藉由圖17或18中展示之裝置被執行。
於其中一邊限範圍不被設定且其可被檢查資料所採取以供用於每個檢查項目之一範圍,可依據醫學知識而被分割成為二個範圍,其依據一邊限值而包含一正常範圍和一異常範圍。
圖22圖解說明模式建構處理程序的範例。於操作S402中,對於每個項目而依據醫學知識被界定之一正常範圍和一異常範圍被讀入。
圖23圖解說明一正常範圍範例和一異常範圍範例。圖23可圖解說明有關一腹部圍長之一正常範圍和一異常範圍。例如,具有較小於85之一數值並且於其中“正常”被展示之一範圍可以是一正常範圍。具有較大於85之數值
並且於其中“異常”被展示的一範圍可以是一異常範圍。
圖24圖解說明一正常範圍範例和一異常範圍範例。圖24可圖解說明有關一身體質量指數(BMI)之一正常範圍和一異常範圍。具有較小於18.4之數值且於其中“異常1”被展示之一範圍以及具有較大於25之數值且於其中“異常2”被展示之一範圍可以是異常範圍。在18.4和25之間且於其中“正常”被展示之一範圍可以是一正常範圍。
於操作S404中,依據一項目以及資料,分別的資料是否屬於一正常範圍或一異常範圍被判定。
於操作S406中,一模式之組態、參數以及其類似者被判定並且一模式被判定。
其中檢查資料稍微地超出一邊限值之一情況以及其中檢查資料大大地超出該邊限值之一情況實質上可具有檢查資料是否為正常或異常之相同判定。因此,健康指導判定或有效性之精確度可能被降低。
此處列舉的所有範例和條件語言是欲用於教導目的以協助讀者了解本發明及藉由發明人所提供之概念以推動本技術,並且是可被理解不是對此些特定地被說明之範例及情況的限制,於說明文中之此些範例的機構也不是有關本發明之優勢和劣等的一展示。雖然本發明實施例已詳細地被說明,應了解,本發明可有各種改變、替代、以及修改而不脫離本發明之精神以及範疇。
S100‧‧‧模式建構處理
S200‧‧‧健康判定處理
Claims (19)
- 一種健康狀態判定方法,其包括下列步驟:取得檢查資料中之一包含一個或多個邊限值與一寬度之邊限範圍,該檢查資料對應至其中一正常範圍與一異常範圍被設定的一檢查項目;辨識複數個判定候用模式,其各包含用以對於該檢查項目而設定該正常範圍與該異常範圍之一樣型;依據對應至關於該檢查項目之一疾病的模式建構資料,藉由一資訊處理設備之電路,而計算對應至該等複數個判定候用模式之各者的一精確度;以及依據該計算的精確度,自該等複數個判定候用模式,而判定輸出有關該檢查項目之判定資料是否正常的一判定模式。
- 如請求項1之健康狀態判定方法,進一步包括:利用該判定模式而判定該判定資料之一數值是否正常。
- 如請求項1之健康狀態判定方法,進一步包括:自該模式建構資料,排除其中一數值不自該邊限範圍被分佈之一範圍。
- 如請求項1之健康狀態判定方法,進一步包括:對於預定週期以及對於正常與異常之差異而設定該模式建構資料之數值分佈的末端數值之一平均值,以作為該邊限範圍的一末端之一數值。
- 如請求項1之健康狀態判定方法,進一步包括:以一階梯式形式藉由降低一預定啟始數值,而設定該等複數個判定候用模式之複數個數值的一寬度,作為該邊限範圍之一尺度。
- 如請求項1之健康狀態判定方法,其中該邊限範圍之寬度對應至該邊限值之一預定百分比。
- 如請求項6之健康狀態判定方法,其中該預定百分比是自10%至40%。
- 如請求項1之健康狀態判定方法,其中該檢查項目包含下列項目之至少一者:年齡、身體質量指數、腹部圍長、血糖位準、丙麥胺酸轉移脢(gamma glutamyl transpeptidase)、血壓、膽固醇、胰島素抗阻指數、血糖、中性脂肪、利用IU/L中之麩草醋酸轉胺脢(aspartate aminotransferase)被指示的肝功能、利用IU/L中之丙氨酸轉胺脢(alanine aminotransferase)被指示的肝功能、脂締素(adiponectin)、糖化白蛋白(glycoalbumin)、游離脂肪酸、以及胰島素。
- 如請求項2之健康狀態判定方法,進一步包括:當一主體是受包含糖尿病、新陳代謝症候群、異常葡萄糖容限度、高血壓、以及高脂血症之至少一者的一疾病所影響時,則判定有關該檢查項目的檢查資料將是異常。
- 一種健康狀態判定系統,其包括: 一電路,其被組構以進行下列動作:取得檢查資料中之一包含一個或多個邊限值與一寬度之邊限範圍,該檢查資料對應至其中一正常範圍與一異常範圍被設定的一檢查項目;辨識複數個判定候用模式,其各包含用以對於該檢查項目而設定該正常範圍與該異常範圍之一樣型;依據對應至關於該檢查項目之一疾病的模式建構資料而計算對應至該等複數個判定候用模式之各者的一精確度;以及依據該計算的精確度,自該等複數個判定候用模式,而判定輸出有關該檢查項目之判定資料是否正常的一判定模式。
- 如請求項10之健康狀態判定系統,其中該電路進一步被組構以利用該判定模式而判定該判定資料之一數值是否正常。
- 如請求項10之健康狀態判定裝置,其中該電路進一步被組構以自該模式建構資料,排除其中一數值不自該邊限範圍被分佈之一範圍。
- 如請求項10之健康狀態判定裝置,其中該電路進一步被組構以對於預定週期以及對於正常與異常之差異而設定該模式建構資料之數值分佈的末端數值之一平均值,以作為該邊限範圍的一末端之一數值。
- 如請求項10之健康狀態判定裝置,其中 該電路進一步被組構而以一階梯式形式藉由降低一預定啟始數值,而設定該等複數個判定候用模式之複數個數值的一寬度,作為該邊限範圍之一尺度。
- 如請求項10之健康狀態判定裝置,其中該邊限範圍之寬度對應至該邊限值之一預定百分比。
- 如請求項15之健康狀態判定裝置,其中該邊限值之預定百分比是自10%至40%。
- 如請求項10之健康狀態判定裝置,其中該檢查項目包含下列項目之至少一者:年齡、身體質量指數、腹部圍長、血糖位準、丙麥胺酸轉移脢(gamma glutamyl transpeptidase)、血壓、膽固醇、胰島素抗阻指數、血糖、中性脂肪、利用IU/L中之麩草醋酸轉胺脢(aspartate aminotransferase)被指示的肝功能、利用IU/L中之丙氨酸轉胺脢(alanine aminotransferase)被指示的肝功能、脂締素(adiponectin)、糖化白蛋白(glycoalbumin)、游離脂肪酸、或胰島素或其等之任何組合。
- 如請求項11之健康狀態判定裝置,其中該電路進一步被組構而當一主要症狀是受包含糖尿病、新陳代謝症候群、異常葡萄糖容限度、高血壓、以及高脂血症之至少一者的一疾病所影響時,則判定有關該檢查項目的檢查資料將是異常。
- 一種包含電腦程式指令之電腦可讀取媒體,當該等電腦 程式指令利用一資訊處理系統被執行時,導致資訊處理設備進行下列步驟:取得檢查資料中之一包含一個或多個邊限值與一寬度之邊限範圍,該檢查資料對應至其中一正常範圍與一異常範圍被設定的一檢查項目;辨識複數個判定候用模式,其各包含用以對於該檢查項目而設定該正常範圍與該異常範圍之一樣型;依據對應至關於該檢查項目之一疾病的模式建構資料而計算對應至該等複數個判定候用模式之各者的一精確度;以及依據該計算的精確度,自該等複數個判定候用模式,而判定輸出有關該檢查項目之判定資料是否正常的一判定模式。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012126997A JP6075973B2 (ja) | 2012-06-04 | 2012-06-04 | 健康状態判定装置およびその作動方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201402059A true TW201402059A (zh) | 2014-01-16 |
Family
ID=49671087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW102119339A TW201402059A (zh) | 2012-06-04 | 2013-05-31 | 健康狀態判定方法及健康狀態判定系統 |
Country Status (4)
Country | Link |
---|---|
US (2) | US20130324861A1 (zh) |
JP (1) | JP6075973B2 (zh) |
KR (1) | KR20130136391A (zh) |
TW (1) | TW201402059A (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10650920B2 (en) | 2012-08-16 | 2020-05-12 | Ginger.io, Inc. | Method and system for improving care determination |
US10740438B2 (en) | 2012-08-16 | 2020-08-11 | Ginger.io, Inc. | Method and system for characterizing and/or treating poor sleep behavior |
US10276260B2 (en) | 2012-08-16 | 2019-04-30 | Ginger.io, Inc. | Method for providing therapy to an individual |
US10068670B2 (en) | 2012-08-16 | 2018-09-04 | Ginger.io, Inc. | Method for modeling behavior and depression state |
US10741285B2 (en) | 2012-08-16 | 2020-08-11 | Ginger.io, Inc. | Method and system for providing automated conversations |
EP2884888A4 (en) | 2012-08-16 | 2016-04-20 | Ginger Io Inc | METHOD FOR MODELING BEHAVIORAL AND HEALTH CHANGES |
BR112017006219A8 (pt) | 2014-09-29 | 2023-02-14 | Zogenix International Ltd | Sistema de controle para controle de distribuição de medicamentos |
JP2017037489A (ja) * | 2015-08-10 | 2017-02-16 | 株式会社リコー | 情報処理システム、情報処理装置及び情報処理方法 |
SG11201804811WA (en) | 2015-12-22 | 2018-07-30 | Zogenix International Ltd | Fenfluramine compositions and methods of preparing the same |
AU2016379345B2 (en) | 2015-12-22 | 2020-09-17 | Zogenix International Limited | Metabolism resistant fenfluramine analogs and methods of using the same |
JP6676395B2 (ja) | 2016-02-05 | 2020-04-08 | オムロンヘルスケア株式会社 | 生体情報評価装置、生体情報評価装置の作動方法、生体情報評価プログラム |
CN116051535A (zh) * | 2016-03-03 | 2023-05-02 | 斯特拉克斯私人有限公司 | 用于识别和量化异常的方法与设备 |
JP2019526544A (ja) | 2016-08-24 | 2019-09-19 | ゾゲニクス インターナショナル リミテッド | 5−ht2bアゴニストの形成を阻害するための製剤およびその使用方法 |
CN107644680B (zh) * | 2017-08-09 | 2021-05-14 | Oppo广东移动通信有限公司 | 健康状态检测方法、装置和终端设备 |
US10682317B2 (en) | 2017-09-26 | 2020-06-16 | Zogenix International Limited | Ketogenic diet compatible fenfluramine formulation |
EP3790537A1 (en) | 2018-05-11 | 2021-03-17 | Zogenix International Limited | Compositions and methods for treating seizure-induced sudden death |
WO2020235064A1 (ja) * | 2019-05-22 | 2020-11-26 | 長瀬産業株式会社 | 集団健診における個人認証及び健診データ管理システム、健診機器、及びプログラム |
JP7347977B2 (ja) * | 2019-07-08 | 2023-09-20 | 合同会社H.U.グループ中央研究所 | 情報処理装置、情報処理方法及びプログラム |
US11796465B2 (en) | 2020-02-06 | 2023-10-24 | Samsung Electronics Co., Ltd. | Method and system for predicting blood compound concentration of a target |
US11612574B2 (en) | 2020-07-17 | 2023-03-28 | Zogenix International Limited | Method of treating patients infected with severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) |
US11710576B2 (en) | 2021-05-24 | 2023-07-25 | OrangeDot, Inc. | Method and system for computer-aided escalation in a digital health platform |
CN114343595B (zh) * | 2022-02-24 | 2023-09-22 | 天津大学 | 一种社区智慧养老服务系统 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5800347A (en) * | 1995-11-03 | 1998-09-01 | The General Hospital Corporation | ROC method for early detection of disease |
JP2002073816A (ja) * | 2000-08-24 | 2002-03-12 | Seikokai Kenko Kanri Center:Kk | 健康情報管理システム及び方法 |
US20110295621A1 (en) * | 2001-11-02 | 2011-12-01 | Siemens Medical Solutions Usa, Inc. | Healthcare Information Technology System for Predicting and Preventing Adverse Events |
EP1578275A2 (en) * | 2002-12-20 | 2005-09-28 | Koninklijke Philips Electronics N.V. | Method for determining normal measurements for a patient |
US20050069863A1 (en) * | 2003-09-29 | 2005-03-31 | Jorge Moraleda | Systems and methods for analyzing gene expression data for clinical diagnostics |
JP4517633B2 (ja) * | 2003-11-25 | 2010-08-04 | ソニー株式会社 | 対象物検出装置及び方法 |
US20050209785A1 (en) * | 2004-02-27 | 2005-09-22 | Wells Martin D | Systems and methods for disease diagnosis |
AU2005307823B2 (en) * | 2004-11-16 | 2012-03-08 | Health Dialog Services Corporation | Systems and methods for predicting healthcare related risk events and financial risk |
US20070099239A1 (en) * | 2005-06-24 | 2007-05-03 | Raymond Tabibiazar | Methods and compositions for diagnosis and monitoring of atherosclerotic cardiovascular disease |
JP2007193714A (ja) * | 2006-01-23 | 2007-08-02 | Mitsubishi Electric Corp | 健康指導カウンセラー業務支援システム |
US20120296675A1 (en) * | 2006-02-13 | 2012-11-22 | Silverman David G | Method and System for Assessing, Quantifying, Coding & Communicating a Patient's Health and Perioperative Risk |
US20070255113A1 (en) * | 2006-05-01 | 2007-11-01 | Grimes F R | Methods and apparatus for identifying disease status using biomarkers |
US7908231B2 (en) * | 2007-06-12 | 2011-03-15 | Miller James R | Selecting a conclusion using an ordered sequence of discriminators |
WO2009103156A1 (en) * | 2008-02-20 | 2009-08-27 | Mcmaster University | Expert system for determining patient treatment response |
US8554580B2 (en) * | 2008-10-10 | 2013-10-08 | General Electric Company | Automated management of medical data using expert knowledge and applied complexity science for risk assessment and diagnoses |
NZ572036A (en) * | 2008-10-15 | 2010-03-26 | Nikola Kirilov Kasabov | Data analysis and predictive systems and related methodologies |
CN102334122B (zh) * | 2009-02-26 | 2018-04-27 | 昂热大学 | 肝纤维化或肝硬化的改进诊断 |
US8762068B2 (en) * | 2009-07-24 | 2014-06-24 | Lawrence Livermore National Security, Llc | Methods for threshold determination in multiplexed assays |
JP2012018450A (ja) * | 2010-07-06 | 2012-01-26 | Keio Gijuku | ニューラルネットワークシステム、ニューラルネットワークシステムの構築方法およびニューラルネットワークシステムの制御プログラム |
-
2012
- 2012-06-04 JP JP2012126997A patent/JP6075973B2/ja active Active
-
2013
- 2013-05-29 US US13/904,136 patent/US20130324861A1/en not_active Abandoned
- 2013-05-31 KR KR1020130062538A patent/KR20130136391A/ko not_active Application Discontinuation
- 2013-05-31 TW TW102119339A patent/TW201402059A/zh unknown
-
2016
- 2016-05-12 US US15/152,625 patent/US20160249863A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
KR20130136391A (ko) | 2013-12-12 |
JP6075973B2 (ja) | 2017-02-08 |
US20160249863A1 (en) | 2016-09-01 |
JP2013248329A (ja) | 2013-12-12 |
US20130324861A1 (en) | 2013-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201402059A (zh) | 健康狀態判定方法及健康狀態判定系統 | |
JP6402185B2 (ja) | トリアージ決定に基づく臨床決定支援システム | |
US10912508B2 (en) | Method and system for assessing mental state | |
US20170128023A1 (en) | Apparatus and Method for Processing a Set of Data Values | |
JP6004084B2 (ja) | モデル更新方法、装置、およびプログラム | |
US10638980B2 (en) | System and method for predicting heart failure decompensation | |
JP2019509101A (ja) | 小児対象に関する血行力学的不安定性リスクスコアを決定するシステム及び方法 | |
Weenk et al. | A smart all-in-one device to measure vital signs in admitted patients | |
US20170147773A1 (en) | System and method for facilitating health monitoring based on a personalized prediction model | |
Crispi et al. | Exercise capacity in young adults born small for gestational age | |
CN112447289A (zh) | 败血症监测系统 | |
Lindahl et al. | Effects of context-aware patient guidance on blood pressure self-measurement adherence levels | |
Spanakis et al. | Congestive heart failure risk assessment monitoring through internet of things and mobile personal health systems | |
CN112183572A (zh) | 一种生成预测肺炎严重程度的预测模型的方法及装置 | |
Ricke et al. | Incidence and recognition of elevated triage blood pressure in the pediatric emergency department | |
CN114300048A (zh) | 一种肥胖基因检测评估系统及数据处理方法 | |
JP2014215727A (ja) | 人間ドック総合保健指導支援システム | |
Jacob et al. | Longitudinal prediction of outcome in idiopathic pulmonary fibrosis using automated CT analysis | |
WO2022231000A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
WO2022231001A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
US20230268077A1 (en) | Medical information processing device, medical information processing method, and storage medium | |
JP2011257816A (ja) | 受診者状態推定装置及びプログラム | |
JP2012014582A (ja) | 遷移先レベル予測方法、装置、及び、プログラム | |
US20220277839A1 (en) | Model to dynamically predict patient's discharge readiness in general ward | |
JP2008302135A (ja) | 医療検査データの処理方法及び処理プログラム、医療検査データ処理システム |