TW202406511A - 程式製品、資訊處理裝置及資訊處理方法 - Google Patents
程式製品、資訊處理裝置及資訊處理方法 Download PDFInfo
- Publication number
- TW202406511A TW202406511A TW112116266A TW112116266A TW202406511A TW 202406511 A TW202406511 A TW 202406511A TW 112116266 A TW112116266 A TW 112116266A TW 112116266 A TW112116266 A TW 112116266A TW 202406511 A TW202406511 A TW 202406511A
- Authority
- TW
- Taiwan
- Prior art keywords
- information
- patient
- factor
- factors
- questions
- Prior art date
Links
- 230000010365 information processing Effects 0.000 title claims description 100
- 238000003672 processing method Methods 0.000 title claims description 4
- 208000002193 Pain Diseases 0.000 claims abstract description 79
- 208000000094 Chronic Pain Diseases 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000011282 treatment Methods 0.000 claims description 50
- 230000003920 cognitive function Effects 0.000 claims description 49
- 238000003745 diagnosis Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 32
- 230000007423 decrease Effects 0.000 claims description 27
- 238000003066 decision tree Methods 0.000 claims description 16
- 230000000875 corresponding effect Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 208000019901 Anxiety disease Diseases 0.000 claims description 4
- 230000036506 anxiety Effects 0.000 claims description 4
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 claims description 3
- 206010022437 insomnia Diseases 0.000 claims description 3
- 230000007659 motor function Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000006735 deficit Effects 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 239000000955 prescription drug Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 24
- 238000004891 communication Methods 0.000 description 14
- 238000012937 correction Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 208000010877 cognitive disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000000399 orthopedic effect Effects 0.000 description 3
- 208000028698 Cognitive impairment Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006999 cognitive decline Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 208000004296 neuralgia Diseases 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000001294 Nociceptive Pain Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 208000021722 neuropathic pain Diseases 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001107 psychogenic effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本發明係提供一種可提示關於慢性疼痛中之心理社會性要因之資訊的程式製品等。程式製品係具備程式,該程式係使電腦執行下列處理:取得患者對於關於慢性疼痛之提問的回答資訊和前述患者的患者資訊,且對於經過學習為當輸入了回答資訊和患者資訊時要輸出關於心理社會性要因之要因資訊的學習模型,輸入所取得的回答資訊和患者資訊以輸出關於心理社會性要因的要因資訊。
Description
本發明係關於一種程式製品、資訊處理裝置及資訊處理方法。
所謂慢性疼痛係指超過三個月又持續或復發之生物學上、心理上、以及社會性要因等多要因性的疼痛。慢性疼痛有各種分類,具有傷害性疼痛、神經性疼痛、周邊神經疼痛等。疼痛不僅會被器官性要因,亦會被心理社會性要因等各種要因所掩飾,而會有許多使病態複雜,且引起慢性化、難治化的情形。
另一方面,一種以輔助醫師之診斷為目的之診斷系統的開發已在進行中。
[先前技術文獻]
[專利文獻]
專利文獻1:日本專利特開2020-64435號公報
[非專利文獻]
非專利文獻1:厚生勞動行政推進調查事業費補助金(慢性的疼痛政策研究事業)「以慢性疼痛診療系統的均一化和疼痛中心診療資料庫之活用而謀求醫療提升的研究」研究班(監修)、慢性疼痛治療方針作成工作小組(編輯)、「慢性疼痛診療方針」、真興交易(股份有限公司)醫書出版部、2021年7月10日
[發明所欲解決的問題]
在慢性疼痛的診療中,重要的是要掌握疼痛的要因。然而,對於不專精於疼痛的醫師而言,並不易於掌握慢性疼痛中的心理社會性要因。
本揭示之目的係在於提供一種可提示關於慢性疼痛中之心理社會性要因之資訊的程式製品等。
[用以解決問題的手段]
本揭示之第一態樣的程式製品係具備程式,該程式係使電腦執行下列處理:取得患者對於關於慢性疼痛之提問的回答資訊和前述患者的患者資訊,且對於經過學習為當輸入了回答資訊和患者資訊時要輸出關於心理社會性要因之要因資訊的學習模型,輸入所取得的回答資訊和患者資訊以輸出關於心理社會性要因的要因資訊。
本揭示的第二態樣係如第一態樣的程式製品,係將包含與慢性疼痛中之心理社會性要因之關聯程度相符之心理社會性要因之等級的前述要因資訊予以輸出。
本揭示的第三態樣係如第一或第二態樣的程式製品,其中前述回答資訊係包含對於選自關於不安的提問、關於憂鬱的提問、關於自我效能感的提問、關於失眠的提問、關於疼痛生活障礙度的提問、關於運動功能的提問、關於疼痛的提問和關於自殺念頭的提問之至少二者的回答。
本揭示的第四態樣係如第一至第三態樣中任一態樣的程式製品,其中前述患者資訊係包含選自患者的年齡、患者的性別、患者的病史、患者之精神科的定期就診史、患者的處方藥歷、患者的體重變化、家族的疾病、家族之精神科的定期就診史、家族的陪伴狀況和勞務狀況的至少一者。
本揭示的第五態樣係如第一至第四態樣中之任一態樣的程式製品,係取得與慢性疼痛中之器官性要因之關聯程度相符之器官性要因的等級,且輸出根據所取得之器官性要因之等級、和前述心理社會性要因之等級的圖像。
本揭示的第六態樣係如第一至第五態樣中之任一態樣的程式製品,係對於經過學習為當輸入了回答資訊和患者資訊時要進而輸出關於器官性要因之要因資訊的前述學習模型,輸入所取得的回答資訊和患者資訊以輸出關於心理社會性要因和器官性要因的要因資訊。
本揭示的第七態樣係如第一至第六態樣中之任一態樣的程式製品,係接受對於所輸出之前述要因資訊的修正,且進行根據輸入於前述學習模型之回答資訊和患者資訊、及修正後之前述要因資訊的再學習,且更新前述學習模型。
本揭示的第八態樣係如第一至第七態樣中之任一態樣的程式製品,其中前述學習模型係包括包含神經網路的第一模型、和包含決定樹的第二模型,且根據前述第一模型和第二模型的輸出而取得前述要因資訊。
本揭示的第九態樣係如第一至第八態樣中之任一態樣的程式製品,係取得前述回答資訊和患者資訊中所含的複數個項目中之有助於由前述學習模型所進行之前述要因資訊之輸出的助益項目。
本揭示的第十態樣係如第一至第九態樣中之任一態樣的程式製品,係取得與前述要因資訊相符的診斷名稱候補,且將所取得之診斷名稱候補與前述要因資訊建立關聯性並予以輸出。
本揭示的第十一態樣係如第一至第十態樣中之任一態樣的程式製品,係取得與前述要因資訊相符的治療方法,且將所取得之治療方法與前述要因資訊建立關聯性並予以輸出。
本揭示的第十二態樣係如第一至第十一態樣中之任一態樣的程式製品,係更取得包含患者對於關於認知功能之提問之回答的認知功能資訊,且根據所取得的前述認知功能資訊,而判定前述要因資訊之輸出精確度降低的可能性。
本揭示的第十三態樣係如第十二態樣的程式製品,係根據前述認知功能資訊而判定前述患者之認知功能下降的可能性,且根據前述認知功能下降之可能性的判定結果,而判定前述要因資訊之輸出精確度降低的可能性。
本揭示之第十四態樣係如第十二或第十三態樣的程式製品,係將所判定之前述要因資訊之輸出精確度降低的可能性與前述要因資訊建立關聯性並予以輸出。
本揭示之第十五態樣的資訊處理裝置係具備控制部,該控制部係執行下列處理:取得患者對於關於慢性疼痛之提問的回答資訊和前述患者的患者資訊,且對於經過學習為當輸入了回答資訊和患者資訊時要輸出關於心理社會性要因之要因資訊的學習模型,輸入所取得的回答資訊和患者資訊以輸出關於心理社會性要因的要因資訊。
本揭示之第十六態樣的資訊處理方法係由電腦執行下列處理:取得患者對於關於慢性疼痛之提問的回答資訊和前述患者的患者資訊,且對於經過學習為當輸入了回答資訊和患者資訊時要輸出關於心理社會性要因之要因資訊的學習模型,輸入所取得的回答資訊和患者資訊以輸出關於心理社會性要因的要因資訊。
[發明功效]
依據本揭示,可提示關於慢性疼痛中之心理社會性要因的資訊。
茲參照本揭示之實施形態的圖式具體地說明本揭示。
(第一實施形態)
圖1係第一實施形態之資訊處理系統100的概要圖。資訊處理系統100係具備資訊處理裝置1和使用者終端2。資訊處理裝置1和使用者終端2係例如以可經由LAN(Local Area Network,區域網路)或網際網路(internet)等網路N進行通訊之方式連接。
資訊處理裝置1係可供進行各種資訊處理、資訊之傳送接收的裝置,例如為伺服器電腦(server computer)、個人電腦(personal computer)、或量子電腦等。資訊處理裝置1係可為設置在與使用者終端2相同之設施(醫院等)的本地伺服器(local server),亦可為經由網際網路等而通訊連接於使用者終端2的雲端伺服器(cloud server)。
使用者終端2係供醫師等醫療從事者所使用的資訊處理終端裝置,例如為個人電腦、智慧型手機(smartphone)、平板(tablet)終端等。資訊處理系統100中所含的使用者終端2係不限定於一個,亦可為複數個。
另外,資訊處理裝置1與使用者終端2不限定為個別的裝置,亦可為例如由資訊處理裝置1與使用者終端2共通的一台處理裝置。
資訊處理裝置1係使用後述的學習模型而產生與患者對於在使用者終端2所接收之關於慢性疼痛之提問之回答相符之關於心理社會性要因的要因資訊,且予以輸出至使用者終端2。醫療從事者係可使用使用者終端2而確認建議患者之慢性疼痛中之心理社會性要因的資訊。
所謂關於心理社會性要因的要因資訊係關於患者之慢性疼痛中之心理社會性要因之關聯性的資訊。茲舉一例,在本實施形態中,關於心理社會性要因的要因資訊係設為包含依據心理社會性要因的關聯程度而被分類為複數個階段之心理社會性要因的等級者。心理社會性要因的等級係例如被分類為等級0至4的5個階段,數值愈大則表示心理社會性要因之關聯程度愈高。心理社會性要因之關聯程度的高低,係對應於要由疼痛之專門醫師(例如專精於疼痛的整形外科醫師、麻醉科醫師、精神科醫師、心理診療內科醫師等)介入之必要性的高低。
另外,關於心理社會性要因的要因資訊係不限定於心理社會性要因的等級,亦可為心理社會性要因的有無,亦可為心理社會性要因的關聯率。
慢性疼痛的要因係包括包含上述之心理社會性要因之非器官性的要因、和器官性要因。所謂非器官性要因係積極性、憂鬱程度、對於健康或生活的不安、家族生活或學校、工作場所的壓力等,甚至顧及到年齡或環境、社會地位之壓力環境所導致之心因性的要因。另一方面,所謂器官性要因係因為在包含神經、肌肉的軟部組織或骨頭等運動器官之各組織中產生了病理性、解剖性的異常所引起的疾患、疾病而導致的要因。例如,對於不專精於疼痛的一般整形外科醫師、內科醫師或一次性醫療機構的醫師等而言,牽涉到心理社會性要因之慢性疼痛患者的診療,從診斷作為患者之疼痛的要因來說是否包含有心理社會性要因的初期階段開始就需要專業以外的知識,故不容易進行。除整形外科或疼痛診療(pain clinic)外,由精神科或心理診療內科之疼痛的專家們所組成之跨領域性的治療對於慢性疼痛雖具功效,但該種治療耗費時間與費用,而且可供實施治療的設施有限。
資訊處理系統100係對於使用者,尤其不專精於上述之疼痛的醫師提供建議慢性疼痛中之心理社會性要因之關聯性的資訊,從而可較佳地支援醫師之疼痛的診療。另外,資訊處理系統100的使用者不限定於不專精於疼痛的醫師,亦可為其他醫療從事者,亦可為疼痛的專家。
圖2係顯示資訊處理系統100之構成例的方塊圖。
資訊處理裝置1係具備控制部11、記憶部12及通訊部13。資訊處理裝置1係可為由複數台電腦構成且進行分散處理的構成,亦可為藉由設於一台伺服器內的複數個虛擬機器來實現,亦可使用雲端伺服器來實現。
控制部11係具備使用了一個或複數個CPU(Central Processing Unit,中央處理單元)、GPU(Graphics Processing Unit,圖形處理單元)等的處理器。控制部11係使用內建的ROM(Read Only Memory,唯讀記憶體)或RAM(Random Access Memory,隨機存取記憶體)等記憶體、時鐘、計數器等來控制各構成部以執行處理。
記憶部12係例如具備硬碟(harddisk)、快閃記憶體(flash memory)、SSD(Solid State Drive,固態驅動器)等非揮發性記憶體。記憶部12係可為連接於資訊處理裝置1的外部記憶裝置。記憶部12係記憶控制部11所參照的各種程式和資料。在記憶於記憶部12的程式中,係包含用以使電腦執行關於要因資訊之生成之處理的程式1P。
記憶於記憶部12的程式(程式製品)係可為以電腦可讀取之方式記錄於記錄媒體中的態樣。記憶部12係記憶藉由未圖示的讀取裝置從記錄媒體1A讀取的程式。記錄媒體1A係例如為磁碟、光碟、半導體記憶體等。此外,亦可從連接於通訊網路的外部伺服器下載程式,且使之記憶於記憶部12。程式1P係可為單一的電腦程式,亦可為藉由複數個電腦程式所構成者,此外,可在單一的電腦上執行,亦可在藉由通訊網路而彼此連接的複數個電腦上執行。
此外,記憶部12係記憶第一學習模型121和提問DB(Data Base:資料庫)122。第一學習模型121係已完成學習預定之訓練資料的機械學習模型。第一學習模型121係假想被利用作為構成人工智能軟體之一部分的程式模組。記憶部12係可記憶第二學習模型123及/或第三學習模型124。關於第二學習模型123和第三學習模型124將在其他實施形態詳述。
通訊部13係具備用以經由網路N而與外部裝置進行通訊的通訊模組。控制部11係經由通訊部13而在與使用者終端2之間傳送接收資料。
資訊處理裝置1的構成係不限定於上述之例,例如亦可具備用以接受使用者之操作的操作部、用以顯示各種資訊的顯示部等。
使用者終端2係具備控制部21、記憶部22、通訊部23、顯示部24及操作部25。
控制部21係具備使用了一個或複數個CPU、GPU等的處理器。控制部21係使用內建的ROM或RAM等的記憶體、時鐘、計數器等來控制各構成部以執行處理。
記憶部22係例如具備硬碟、快閃記憶體、SSD等非揮發性記憶體。記憶部22係記憶控制部21所參照的各種程式和資料。
通訊部23係用以進行關於通訊之處理的通訊模組。控制部21係經由通訊部23而在與資訊處理裝置1之間傳送接收資料。
顯示部24係例如具備液晶顯示器或有機EL(electroluminescence,電致發光)顯示器等顯示器裝置。顯示部24係依據來自控制部21的指示而顯示各種資訊。操作部25係接受使用者之操作的介面。操作部25係例如具備鍵盤(keyboard)、內建顯示器的觸控面板裝置(touch panel device)、揚聲器(speaker)和麥克風(microphone)等。操作部25係接受來自使用者的操作輸入,且將與操作內容相符的控制信號送出至控制部21。
圖3係顯示記憶於提問DB122之資訊之內容例的圖。提問DB122係儲存關於對於慢性疼痛患者之提問之資訊的資料庫。
本實施形態的資訊處理裝置1係取得顯示患者對於關於慢性疼痛之提問之回答的回答資訊和患者資訊,且將所取得的回答資訊和患者資訊提供給後述之第一學習模型121,藉此推定關於心理社會性要因的要因資訊。在關於慢性疼痛的提問中,係包含有用以判定慢性疼痛中之心理社會性要因之關聯性之可能性的提問。在提問DB122中,係儲存有關於用以取得上述回答資訊和患者資訊之提問的資訊。提問DB122係例如將提問項目、提問內容、和回答的選項等資訊建立對應關係並予以記憶。
在用以獲得回答資訊的提問中,係包含有用以具體指定慢性疼痛之要因的提問,且關於慢性疼痛之狀態的多面向的提問。具體而言,係包含有直接詢問疼痛之狀態的提問、和詢問未與疼痛直接相關之例如心理性狀態的提問。在圖3所示之例中,於用以獲得回答資訊的提問中,係包含有關於例如不安、憂鬱、自我效能感、失眠、疼痛生活障礙度、運動功能和疼痛等各提問項目的提問。在關於疼痛的提問中,係包含有關於例如疼痛的部位、疼痛的原因、疼痛的惡化因素、疼痛的緩和因素和疼痛的晝夜變化等的提問。另外,回答資訊係包含對於關於上述之所有提問項目之提問的回答,從而可更高精確度地推定後述的要因資訊,故較佳,惟亦可為包含對於從關於上述之提問項目之提問所選擇之至少二者的回答者。
在用以獲得回答資訊的提問中,亦可包含有關於自殺念頭的提問。患者之自殺念頭的有無被認為會對於心理社會性要因之等級的高低造成極大影響,故藉由加入關於自殺念頭的提問,而期待要因資訊之推定精確度的提升功效。
在用以獲得患者資訊的提問中,係包含有關於患者的提問,尤其關於患者之背景的提問。在圖3所示之例中,於用以獲得患者資訊的提問中,係包含有關於例如患者之屬性(例如年齡、性別等)、病史、精神科的定期就診史及處方藥歷、體重變化、家族的疾病及精神科的定期就診史、來院時之家族的陪伴狀況、以及勞務狀況(收入來源)等之各提問項目的提問。另外,患者資訊係包含對於關於上述之所有提問項目之提問的回答,從而可更高精確度地推定後述的要因資訊,故較佳,惟亦可為包含對於從關於上述之提問項目之提問所選擇之至少一者的回答者。
在提問內容中,係記憶有各提問項目的提問。在回答中,係記憶有被設定作為對於各提問之回答的選項(成為候補之回答的內容)。另外,圖3所示之提問內容等僅為例示,記憶於提問DB122中的資訊係不限定於上述之例。
圖4係顯示第一學習模型121之概要的說明圖。第一學習模型121係以患者對於關於慢性疼痛之提問之回答資訊和關於患者的患者資訊作為輸入,而將關於心理社會性要因之要因資訊予以輸出的機械學習模型。
資訊處理裝置1係進行學習預定之訓練資料的機械學習而事先產生第一學習模型121。再者,資訊處理裝置1係將從患者所接收之回答資訊和患者資訊輸入於第一學習模型121,且將關於心理社會性要因的要因資訊予以輸出。
被輸入於第一學習模型121的回答資訊和患者資訊,係例如透過於診療時接受患者對於預定之問卷的回答而取得。患者係對於問卷中所含的各提問內容,從預先設定的複數個選項之中選擇適合的項目,從而回答提問。對於各提問內容的選擇結果,係對應於回答資訊和患者資訊。回答資訊和患者資訊係不限定於其為選擇項目,亦可包含從患者接受文字輸入從而取得的文本資料。回答資訊和患者資訊係不限定於其為選擇項目,亦可包含從患者接受文字輸入從而取得的文本資料。回答資訊和患者資訊亦可藉由透過由醫師等醫療從事者輸入與患者對於問診之回答相符的選項來取得。患者資訊亦可從看護記錄或預先登錄的病歷資料等取得。
用以獲得回答資訊的提問和用以獲得患者資訊之提問的合計數較佳為例如未達50個、未達45個等設為未達預定數。透過將提問項目數設為未達預定數,從而可在較短時間內有效率地收集回答。
從第一學習模型121輸出的要因資訊係等級0至4之任一者所示之心理社會性要因之關聯程度的等級。
作為一例,本實施形態的第一學習模型121係藉由第一模型1211和第二模型1212構成。第一模型1211和第二模型1212係分別藉由不同的學習演算法建構而成的模型,其均以回答資訊和患者資訊作為輸入,以輸出關於心理社會性要因的要因資訊。資訊處理裝置1係考慮第一模型1211和第二模型1212各者中的要因資訊,來決定最終的要因資訊。
第一模型1211係例如由神經網路所建構。第一模型1211係具有:輸入層,係接受回答資訊和患者資訊;中間層(隱藏層),係抽出該回答資訊和患者資訊的特徵量;及輸出層,係輸出顯示等級的資訊。中間層係具有抽出所輸入之各個值之特徵量的複數個節點,且將使用各種參數所抽出的特徵量交付給輸出層。輸出層係例如藉由全結合層而構成,且根據從中間層所輸出的特徵量而輸出顯示等級的資訊。
成為對於第一模型1211之輸入的回答資訊和患者資訊係可分別例如作為文本資料而輸入於輸入層,亦可作為包含回答之問卷等的畫像資料而輸入於輸入層。當接收到任意文本(free text)的輸入作為回答資訊和患者資訊時,係可例如將施行有文本挖掘(text mining)所進行之預定之前處理的資料輸入至第一模型1211。
第一模型1211的輸出層係具有各自對應於所設定之等級的複數個節點。輸出層的各節點係將相對於各等級的準確度作為點數(score)予以輸出。資訊處理裝置1係可將點數最高的等級、或是點數為臨限值以上的等級設為輸出層的輸出值。另外,輸出層亦可具有輸出準確度最高之等級的一個輸出節點,以取代具有輸出各個等級之準確度的複數個輸出節點。
第二模型1212係例如藉由XGBoost(eXtreme Gradient Boosting,極度梯度提升)來建構。XGBoost係經將梯度提升、和隨機森林(Random Forest)組合而成之不抽樣(unsample)學習的方法。第二模型1212係構成為建構複數個決定樹(弱學習器),且進行使用至前一個為止之決定樹的資訊而建構新的決定樹的提升。具體而言,係以在前一個決定樹中無法預測的誤差(損失函數的梯度)作為目的變數而建構新的決定樹。在各決定樹中,輸入資料係從根往枝的途中依條件分類,當到達末端的葉節點時,被賦予至該末端之葉節點之值即被作為預測值而輸出。
第二模型1212的輸出係心理社會性要因之等級的分類結果。第二模型1212係當輸入了回答資訊和患者資訊時,輸出相對於所設定之各等級的準確度。第二模型1212係可將準確度為臨限值以上的等級作為輸出值。
第一模型1211和第二模型1212各者係可藉由準備在過去的診療中所取得之複數個患者的回答資訊和患者資訊、與顯示心理社會性要因之等級的標籤建立對應關係後的訓練資料,且使用該訓練資料使之機械學習未學習的模型來產生。成為正確解答之心理社會性要因的等級,係可使用藉由疼痛之專家等所判定的等級。成為正確解答之等級的判定較理想為由複數個疼痛的專家以跨領域性的方式來進行。
資訊處理裝置1係在進行第一模型1211的學習之際,將訓練資料中所含的複數個回答資訊和患者資訊輸入於學習前之神經網路模型的輸入層,且經由在中間層的演算處理,而取得從輸出層輸出的等級。再者,資訊處理裝置1係比較從輸出層輸出的等級、和訓練資料中所含的等級,且例如使用誤差逆傳遞法而將各種參數予以最佳化,以使從輸出層所輸出之等級接近正確解答值。該參數係例如為神經元間的權重(結合係數)等。資訊處理裝置1係例如藉由使與正確解答值的誤差符合預定基準而完成學習。藉由上述的處理,即可建構經過學習為可相對於回答資訊和患者資訊適當地輸出心理社會性要因之等級之分類資訊的第一模型1211。
此外,資訊處理裝置1係在進行第二模型1212的學習之際,使用訓練資料中所含的複數個回答資訊和患者資訊來建構第一決定樹。資訊處理裝置1係將輸入資料套用於第一決定樹,以求出輸入資料與葉節點中所含之預測值的第一殘差。接著,資訊處理裝置1係使用所獲得的第一殘差,藉由相同的程序而建構第二決定樹,以求出第一殘差與葉節點中所含之預測值的第二殘差。透過以將第一決定樹和第二決定樹予以合成來提高精確度之方式建構第二決定樹。資訊處理裝置1係藉由以下相同的程序而依序地建構決定樹。
資訊處理裝置1係例如使用梯度下降法來調整參數,且依序地學習、統合決定樹,以將第二模型1212中的損失函數予以最佳化。另外,為了防止所謂的過度擬合(overfitting)(過度學習),資訊處理裝置1係於將損失函數予以最佳化之際,以隨機選定的比例選定說明變數的數量來使用而非使用所有說明變數。資訊處理裝置1係例如藉由使損失函數符合預定基準而完成學習。藉由上述的處理,即可建構經過學習為可相對於回答資訊和患者資訊適當地輸出心理社會性要因之等級之分類資訊的第二模型1212。
資訊處理裝置1係根據從第一模型1211輸出之心理社會性要因的等級、和從第二模型1212輸出之心理社會性要因的等級,而最終地決定一個心理社會性要因的等級。作為一例,資訊處理裝置1係可根據從第一模型1211和第二模型1212輸出之各等級的平均值,而決定最終之心理社會性要因的等級。資訊處理裝置1亦可對於第一模型1211和第二模型1212的輸出進行預定的加權。資訊處理裝置1係對於來自等級之推定精確度之較高的模型的輸出進行多個加權。或者,資訊處理裝置1亦可依據第一模型1211和第二模型1212的優先順位,採用優先順位高之模型的輸出資料作為最終之心理社會性要因的等級。
資訊處理裝置1亦可根據心理社會性要因的等級,而輸出心理社會性要因之有無的分類結果。資訊處理裝置1係例如當來自第一學習模型121的輸出為等級0或等級1時可分類為無心理社會性要因,而當等級2以上時則可分類為有心理社會性要因。
另外,第一模型1211和第二模型1212各者係可構成為輸出顯示心理社會性要因之有無之2值的分類結果,亦可構成為輸出顯示心理社會性要因之關聯率的連續值。
在上述中,雖已說明了第一模型1211為神經網路,且第二模型1212為XGBoost之例,但第一模型1211和第二模型1212的構成不予以限定。第一模型1211和第二模型1212只要能夠對於回答資訊和患者資訊識別出心理社會性要因的等級即可。第一模型1211和第二模型1212係例如可使用CNN(Convolutional Neural Network,卷積類神經網路)、RNN(Recurrent Neural Network,遞迴神經網路)、SVM(Support Vector Machine,支持向量機器)、Transformer(轉換器)、邏輯迴歸、隨機森林等其他學習演算法。
第一學習模型121係不限定於將二個模型予以組合者,亦可構成為藉由一個模型來識別心理社會性要因的等級,亦可組合三個以上的模型來構成。
第一學習模型121係不限定於藉由資訊處理裝置1產生而學習者。資訊處理裝置1亦可從以可通訊之方式連接的外部伺服器接收已完成學習的第一學習模型121,且予以記憶於記憶部12。第一學習模型121亦可記憶於使用者終端2的記憶部22。
圖5係顯示第一實施形態之要因資訊之取得處理程序之一例的流程圖。以下之各流程圖中的處理,係可依據記憶於資訊處理裝置1之記憶部12中的程式1P藉由控制部11來執行,亦可藉由設於控制部11之專用的硬體電路(例如FPGA(Field-Programmable Gate Array,現場可程式閘陣列)或ASIC(Application Specific Integrated Circuits,特殊應用積體電路))來實現,亦可藉由該等的組合來實現。
資訊處理裝置1的控制部11係根據記憶於提問DB122中的資訊,將用以獲得回答資訊和患者資訊的提問傳送至使用者終端2(步驟S11)。控制部11係透過使用者終端2而取得回答資訊和患者資訊(步驟S12)。
在步驟S11和步驟S12中,控制部11係可例如將包含用以接收回答資訊和患者資訊之輸入的提問和回答選項之一覽的輸入畫面提供給使用者終端2,且利用該輸入畫面而取得回答資訊和患者資訊。使用者終端2係將從資訊處理裝置1接收到的輸入畫面顯示於顯示部24。患者係將對於預定之問卷中所含之複數個提問的回答,亦即回答資訊和患者資訊透過操作部25而輸入至輸入畫面。使用者終端2係將接收到的回答資訊和患者資訊傳送至資訊處理裝置1。使用者終端2亦可透過通訊連接於使用者終端2的輸入終端裝置而接受來自患者的回答資訊和患者資訊。
另外,控制部11係不限定於透過使用者終端2而取得回答資訊和患者資訊,亦可例如透過其他輸入終端裝置而直接接收由患者所輸入的回答資訊或患者資訊,亦可藉由對於電子病歷系統等進行存取而取得回答資訊或患者資訊。
控制部11係將所取得的回答資訊和患者資訊輸入於第一學習模型121,而取得從第一學習模型121輸出之心理社會性要因的等級(步驟S13)。詳而言之,控制部11係將回答資訊和患者資訊予以輸入於第一模型1211和第二模型1212各者,且取得從第一模型1211和第二模型1212各者輸出之心理社會性要因的等級。
控制部11係根據從第一模型1211和第二模型1212各者輸出之心理社會性要因的等級,依據預定規則而決定最終之心理社會性要因的等級(步驟S14)。
控制部11係具體指定被輸入於第一學習模型121之回答資訊和患者資訊中所含之複數個項目中之有助於由第一學習模型121所進行之心理社會性要因之等級之輸出的助益項目(步驟S15)。助益項目係除與所助益之提問建立對應關係的提問項目外,亦可為顯示對於提問之回答的資訊,亦可為與顯示回答之資訊建立對應關係的提問。
助益項目的具體指定方法雖無限定,但例如控制部11係使用SHAP(SHapley Additive exPlanation,機器學習模型解釋工具)、LIME(Local Interpretable Model-Agnostic Explanations,局部可解釋性模型)等,而算出對應於各項目之輸入資料的助益度。助益度愈大,顯示對於心理社會性要因之等級的分類所造成的影響愈大。控制部11係例如可具體指定所算出之助益度為預定值以上的項目作為助益項目(助益指標)。助益項目係可從助益度高者依序設為預定數之項目或助益度最大的項目。
控制部11係產生包含所取得之心理社會性要因之等級和助益項目的結果畫面(步驟S16)。控制部11係將所產生的結果畫面傳送至使用者終端2(步驟S17),且使之顯示於使用者終端2的顯示部24,而結束一連串的處理。
上述之流程圖中之各處理的處理主體係不予以限定。例如,圖5中之處理的一部分或全部係可在使用者終端2執行。此外,資訊處理裝置1係不限定於使包含要因資訊的結果畫面顯示於使用者終端2的顯示部24,亦可對於使用者終端2以外的裝置輸出包含要因資訊的結果畫面,且使之顯示結果畫面。
圖6係顯示第一實施形態之結果畫面之一例的示意圖。在顯示於顯示部24的結果畫面中,係包含有顯示要因資訊的要因資訊顯示部241、和顯示助益項目的助益項目顯示部242。再者,於圖6所示之例中,於結果畫面中,係例如顯示有用以識別患者的患者ID、和用以識別回答資訊和患者資訊的回答ID。
資訊處理裝置1係當取得了從第一學習模型121輸出之心理社會性要因的等級時,使所取得之心理社會性要因的等級顯示於要因資訊顯示部241。要因資訊顯示部241係例如可藉由文本、圖形、或標記等態樣來顯示心理社會性要因的等級。
此外,資訊處理裝置1係使所取得的助益項目顯示於助益項目顯示部242。當取得了複數個助益項目時,助益項目顯示部242係從助益度高者依序地排列而顯示助益項目。助益項目顯示部242亦可與助益項目建立對應關係而顯示助益項目的助益度。助益項目顯示部242亦可例如使用圖形或表等,而顯示助益項目或所有輸入項目之助益度的分布。
如圖6所示,在結果畫面中亦可更包含有顯示患者之心理社會性要因之等級之履歷的履歷顯示部243。資訊處理裝置1係例如以與患者ID建立對應關係之方式而將在過去取得之心理社會性要因之等級的推定結果依時間序列順序記憶於記憶部12中。資訊處理裝置1係在心理社會性要因之等級的推定之際根據所接收到的患者ID,從記憶部12讀取該患者ID之心理社會性要因之等級的時間序列資料,且使所讀取之心理社會性要因的等級依時間序列順序顯示於履歷顯示部243。
依據本實施形態,即可使用第一學習模型121而精確度良好地推定建議慢性疼痛中之心理社會性要因的資訊。第一學習模型121係可透過藉由複數個模型來學習從而提升要因資訊的推定精確度。即使不專精於疼痛的醫師,亦可使用從資訊處理裝置1提供的要因資訊而從診斷的階段識別心理社會性要因的關聯性,故可較佳地支援醫師的診療。
作為對於第一學習模型121的輸入要素,除顯示對於用以具體指定慢性疼痛之要因之提問之回答的回答資訊外,還可使用顯示對於關於患者之背景之提問之回答的患者資訊,來提升第一學習模型121的推定精確度。用以獲得回答資訊的提問,係可藉由將複數個提問項目予以組合進行設定,而多面向地解析患者的狀態。此外,可將藉由模型而有助於預測的助益項目予以可視化進行顯示,從而可有效率地掌握對於心理社會性要因之表現造成影響之患者的特徵。
(第二實施形態)
在第二實施形態中,除關於心理社會性要因的要因資訊外,還取得關於器官性要因的要因資訊。以下主要說明與第一實施形態的不同點,至於與第一實施形態共通的構成則省略其詳細的說明。
所謂關於器官性要因的要因資訊,係關於患者之慢性疼痛中之器官性要因之關聯性的資訊。作為一例,在本實施形態中,關於器官性要因的要因資訊係設為包含依據器官性要因之關聯程度而被分類為複數個階段之器官性要因的等級。作為一例,器官性要因的等級係被分類為等級0至4的5個階段,數值愈大則顯示與器官性要因的關聯程度愈高。
圖7係顯示第二實施形態之要因資訊之取得處理程序之一例的流程圖。
資訊處理裝置1的控制部11,係執行與圖5所示之步驟S11至步驟S15同樣的處理,且將回答資訊和患者資訊輸入於第一學習模型121,而取得從第一學習模型121輸出之心理社會性要因的等級,以具體指定助益項目。
控制部11係取得慢性疼痛中之器官性要因的等級(步驟S18)。控制部11亦可例如透過使用者終端2而接受由醫師之診斷等所進行之器官性要因之等級的輸入或選擇,藉此取得器官性要因的等級。另外,控制部11亦可例如透過電子病歷系統而取得器官性要因的等級。
控制部11係產生包含所取得之心理社會性要因的等級、器官性要因的等級和助益項目的結果畫面(步驟S19)。控制部11係將所產生的結果畫面傳送至使用者終端2(步驟S20),且使之顯示於使用者終端2的顯示部24,而結束一連串的處理。
圖8係顯示第二實施形態之結果畫面之一例的示意圖。在結果畫面中,係包含有顯示要因資訊的要因資訊顯示部241、和顯示助益項目的助益項目顯示部242。在第二實施形態的結果畫面中,要因資訊顯示部241係顯示心理社會性要因之等級和器官性要因的等級。
資訊處理裝置1係以將從第一學習模型121輸出之心理社會性要因的等級、與從使用者終端2接收之器官性要因的等級建立對應關係且使之顯示於要因資訊顯示部241。資訊處理裝置1係例如產生縱軸設為心理社會性要因之等級、橫軸設為器官性要因之等級的圖像(圖形)。在對應於圖像上之患者之各等級的位置上顯示圓形記號等物件(object),藉此顯示患者之心理社會性要因之等級和器官性要因之等級以供識別。另外,要因資訊顯示部241亦可藉由文本、標記等態樣而顯示心理社會性要因的等級和器官性要因的等級。
資訊處理裝置1亦可在顯示於要因資訊顯示部241的圖像上,顯示心理社會性要因和器官性要因之等級的時間序列資料。此時,較佳為例如依時間序列順序使顯示心理社會性要因和器官性要因之等級之物件的種類或顯示色不同等,以可供識別心理社會性要因和器官性要因之等級的時間序列變化之方式顯示。
依據本實施形態,除關於心理社會性要因的要因資訊外,還可提示關於器官性要因的要因資訊,故可綜合地掌握慢性疼痛中之疼痛的要因。要因資訊係例如透過以圖像形式顯示從而可易於視覺性地掌握。透過以將心理社會性要因和器官性要因建立對應關係之方式顯示,從而可更明確地辨識患者的狀態。
(第三實施形態)
在第三實施形態中,係使用第二學習模型123而推定關於心理社會性要因之要因資訊和關於器官性要因的要因資訊。以下主要說明與第一實施形態和第二實施形態的不同點,至於與該等實施例共通的構成則省略其詳細的說明。
第三實施形態的資訊處理裝置1係於記憶部12中記憶有第二學習模型123。圖9係顯示第三實施形態中之第二學習模型123之概要的說明圖。第二學習模型123係以回答資訊和患者資訊作為輸入,而輸出關於心理社會性要因之要因資訊、和關於器官性要因之要因資訊的機械學習模型。第二學習模型123除了關於心理社會性要因的要因資訊外還另輸出關於器官性要因之要因資訊以外,均與第一實施形態的第一學習模型121相同。
綜上所述,所謂關於器官性要因的要因資訊係關於慢性疼痛中之器官性要因之關聯性的資訊,例如包含器官性要因的等級、器官性要因的有無、器官性要因的關聯率等資訊。以下說明使用第二學習模型123而輸出心理社會性要因的等級和器官性要因的等級之例。
第三實施形態中的第二學習模型123係與第一實施形態同樣地,藉由第一模型1231和第二模型1232構成。第一模型1231和第二模型1232係分別以回答資訊和患者資訊作為輸入,而輸出心理社會性要因的等級和器官性要因的等級。第一模型1231和第二模型1232係除了輸出資訊之詳細內容不同的點以外,均為與第一實施形態相同的構成。
第一模型1231和第二模型1232亦可為具備與心理社會性要因之等級和器官性要因之等級各者對應之複數個輸出層的構成。第一模型1231和第二模型1232亦可為具備輸出心理社會性要因之等級的模型、及輸出器官性要因之等級的模型的構成。
第二學習模型123係不限定於個別地輸出心理社會性要因之等級、和器官性要因之等級者,亦可為輸出心理社會性要因之等級和器官性要因之等級的組合的構成。亦即,第二學習模型123係以回答資訊和患者資訊作為輸入,而輸出顯示心理社會性要因的等級和器官性要因的等級之組合(例如心理社會性要因的等級2而且器官性要因的等級2)的資訊。
資訊處理裝置1係考慮第一模型1231和第二模型1232各者中之心理社會性要因和器官性要因的等級,且決定最終之心理社會性要因和器官性要因的等級。
資訊處理裝置1係根據複數個患者之回答資訊和患者資訊、與顯示心理社會性要因之等級和器官性要因之等級之標籤已建立對應關係的訓練資料,而產生第二學習模型123。藉此,即可建構經過學習為可相對於回答資訊和患者資訊適當地輸出心理社會性要因之等級和器官性要因之等級之分類資訊的第二學習模型123。
圖10係顯示第三實施形態中之要因資訊之取得處理程序之一例的流程圖。
資訊處理裝置1的控制部11係執行與圖5所示之步驟S11至步驟S12相同的處理,且傳送提問(步驟S21),以取得回答資訊和患者資訊(步驟S22)。
控制部11係將所取得的回答資訊和患者資訊輸入於第二學習模型123,而取得從第二學習模型123輸出之心理社會性要因的等級和器官性要因的等級(步驟S23)。詳而言之,控制部11係將回答資訊和患者資訊輸入於第一模型1231和第二模型1232各者。再者,控制部11係取得從第一模型1231和第二模型1232各者輸出之心理社會性要因的等級和器官性要因的等級。
控制部11係根據從第一模型1231和第二模型1232各者輸出之心理社會性要因的等級和器官性要因的等級,且依據預定規則而決定最終之心理社會性要因的等級和器官性要因的等級(步驟S24)。
控制部11係具體指定被輸入於第二學習模型123之回答資訊和患者資訊中所含之複數個項目中之有助於由第二學習模型123所進行之心理社會性要因之等級和器官性要因之等級之輸出的助益項目(步驟S25)。
控制部11係執行與圖7所示之步驟S19至步驟S20相同的處理,且產生包含所取得之心理社會性要因之等級和器官性要因之等級的結果畫面(步驟S26),及將所產生的結果畫面傳送至使用者終端2(步驟S27)。控制部11係使結果畫面顯示於使用者終端2的顯示部24,且結束一連串的處理。作為顯示第三實施形態中之結果畫面之一例的示意圖來說,係可列舉例如作為顯示第二實施形態中之結果畫面之一例的示意圖而顯示的圖8。
依據本實施形態,係藉由第二學習模型123推定關於心理社會性要因的要因資訊外,還同時推定關於器官性要因的要因資訊。由於可使用第二學習模型123而容易且精確度良好地提供建議心理社會性要因和器官性要因的資訊,故可提升本資訊處理系統100的便利性,且可更佳地支援醫師所進行之慢性疼痛的診療。
(第四實施形態)
在第四實施形態中,係使用第三學習模型124來推定診斷名稱候補和治療資訊。以下主要說明與第一實施形態至第三實施形態的不同點,至於與該等實施例共通的構成則省略其詳細的說明。
圖11係顯示第四實施形態中之第三學習模型124之概要的說明圖。第三學習模型124係以關於回答資訊、患者資訊和心理社會性要因之要因資訊作為輸入,而輸出診斷名稱候補和治療資訊的機械學習模型。
所謂診斷名稱候補係用以建議對於慢性疼痛之診斷名稱的資訊,例如包含可能成為候補之一個或複數個診斷名稱。所謂治療資訊係用以建議對於慢性疼痛之治療方法的資訊,例如包含顯示可能成為候補之一個或複數個治療方法的資訊。
第三學習模型124係例如由神經網路而建構。第三學習模型124係具有:輸入層,係接受回答資訊、患者資訊和要因資訊的輸入;中間層,係抽出輸入資料的特徵量;及輸出層,係輸出顯示診斷名稱候補和治療資訊的資訊。
被輸入至第三學習模型124的回答資訊和患者資訊係與被輸入至第一學習模型121的回答資訊和患者資訊相同。關於被輸入至第三學習模型124之心理社會性要因的要因資訊,係關於從第一學習模型121所輸出之心理社會性要因的要因資訊。
在對於第三學習模型124的輸入要素中,係可更包含有關於器官性要因的要因資訊。此時,第三學習模型124亦可為以關於從第二學習模型123所輸出之心理社會性要因和器官性要因的要因資訊作為輸入者。或者,第三學習模型124亦可為將關於從第一學習模型121所輸出之心理社會性要因之要因資訊、和關於依據醫師之診斷等之器官性要因之要因資訊作為輸入者。
第三學習模型124的輸出層係輸出診斷名稱候補和治療資訊。第三學習模型124亦可為具備對應各輸出項目之複數個輸出層的構成。第三學習模型124亦可為具備以各輸出項目作為輸出之複數個模型的構成。
資訊處理裝置1係根據複數個回答資訊、患者資訊、和心理社會性要因、以及視需要關於器官性要因的要因資訊、與顯示診斷名稱候補和治療資訊之標籤已建立對應關係的訓練資料而產生第三學習模型124。藉此,即可建構經過學習為可相對於回答資訊、患者資訊、和心理社會性要因、以及視需要關於器官性要因的要因資訊,適當地輸出診斷名稱候補和治療資訊之識別結果的第三學習模型124。資訊處理裝置1係將所產生的第三學習模型124記憶於記憶部12。
另外,第三學習模型124係不限定於機械學習模型,亦可為藉由規則庫(rule base)的方法或特定的數式而導出診斷名稱候補和治療資訊者。
此外,本實施形態係不限定於取得診斷名稱候補和治療資訊之兩方者,亦可為取得診斷名稱候補和治療資訊的任一方者。第三學習模型124亦可為輸出診斷名稱候補和治療資訊之任一方的構成。
圖12係顯示第四實施形態之資訊處理裝置1所執行之處理程序之一例的流程圖。
資訊處理裝置1的控制部11係將在圖5之步驟S12中所取得之回答資訊和患者資訊、及在步驟S14中所取得之關於心理社會性要因的要因資訊(心理社會性要因的等級)予以輸入於第三學習模型124(步驟S31)。
控制部11係取得從第三學習模型124輸出之診斷名稱候補和治療資訊(步驟S32)。
控制部11係產生包含所取得之診斷名稱候補和治療資訊、及關於心理社會性要因之要因資訊的畫面(步驟S33)。控制部11係將所產生的畫面傳送至使用者終端2(步驟S34),且使之顯示於使用者終端2的顯示部24,而結束一連串的處理。
圖13係顯示第四實施形態中之包含診斷名稱候補和治療資訊之畫面之一例的示意圖。在圖13中,係顯示藉由在第二實施形態中所說明的結果畫面(參照圖8)而更顯示診斷名稱候補和治療資訊之例。在畫面中,係除要因資訊顯示部241和助益項目顯示部242外,還包含有顯示診斷名稱候補的診斷名稱顯示部244和顯示治療方法的治療方法顯示部245。在畫面中,係更包含有履歷顯示部243。
資訊處理裝置1係當取得了從第三學習模型124所輸出之診斷名稱候補和治療方法時,使顯示所取得之診斷名稱候補的文本顯示於診斷名稱顯示部244,並且使顯示所取得之治療方法的文本顯示於治療方法顯示部245。如圖13所示,透過畫面以將關於心理社會性要因和器官性要因的要因資訊、和與該要因資訊相符之診斷名稱候補和治療資訊建立對應關係之方式顯示。
另外,診斷名稱顯示部244和治療方法顯示部245係不限定於包含於結果畫面中者,亦可為由其他畫面所顯示的構成。
依據本實施形態,除提示心理社會性要因和視需要關於器官性要因的要因資訊外,還可提示建議與該要因資訊相符之診斷名稱候補和治療資訊的資訊,故可更佳地支援醫師所進行之疼痛的診療。
(第五實施形態)
在第五實施形態中,係說明再學習第一學習模型121的構成。以下主要說明與第一實施形態至第四實施形態的不同點,至於與該等實施例共通的構成則省略其詳細的說明。
第五實施形態的資訊處理裝置1係對於屬於關於使用第一學習模型121而輸出之心理社會性要因之要因資訊之心理社會性要因的等級,從醫師接收修正心理社會性要因之等級的修正資訊。資訊處理裝置1係根據所接收的修正資訊而再學習第一學習模型121。
圖14係顯示第五實施形態之資訊處理裝置1所執行之處理程序之一例的流程圖。
資訊處理裝置1的控制部11係透過使用者終端2而取得對於心理社會性要因之等級的修正資訊(步驟S41)。在步驟S41中,控制部11係例如利用在圖6中所例示的結果畫面,而接受修正作為第一學習模型121之推定結果所顯示之心理社會性要因之等級的修正輸入。再者,控制部11係當所顯示之心理社會性要因的等級為錯誤時,接受正確之心理社會性要因之等級的輸入。
控制部11係使用對於心理社會性要因之等級的修正資訊而進行第一學習模型121的再學習,且更新第一學習模型121(步驟S42)。具體而言,控制部11係進行以輸入於第一學習模型121的回答資訊和患者資訊、及對於心理社會性要因之等級的修正資訊作為訓練資料的再學習,且更新第一學習模型121。控制部11係將參數最佳化為使從第一學習模型121輸出之心理社會性要因之等級近似於修正後之心理社會性要因的等級,且再生成第一學習模型121。
另外,再學習的學習模型係不限定於第一學習模型121,亦可為第二學習模型123、第三學習模型124。資訊處理裝置1亦可取代關於心理社會性要因之要因資訊或除關於心理社會性要因的要因資訊外還接受對於關於器官性要因之要因資訊的修正資訊,且根據對於關於所接收之器官性要因之要因資訊的修正資訊,而再學習第二學習模型123。資訊處理裝置1亦可接受對於診斷名稱候補及/或治療方法的修正資訊,且根據對於所接受之診斷名稱候補及/或治療方法的修正資訊,而再學習第三學習模型124。
依據本實施形態,可透過本資訊處理系統100的運用而將第一學習模型121、第二學習模型123及/或第三學習模型124予以最佳化。
(第六實施形態)
在第六實施形態中,係提問項目的詳細內容有所不同。以下主要說明與第一實施形態至第五實施形態的不同點,至於與該等實施形態共通的構成則省略其詳細的說明。
圖15係顯示第六實施形態之記憶於提問DB122之資訊之內容例的圖。在圖15中,係僅顯示與第一實施形態之圖3不同的提問項目。在第六實施形態中,如圖15所示,作為提問來說,除在第一實施形態中所例示的項目外,還包含有用以獲得認知功能資訊的提問,亦即關於有關認知功能之各提問項目的提問(以下亦稱為「關於認知功能的提問」)。
在關於認知功能的提問中,係包含有用以檢查患者之認知功能下降(認知障礙)之可能性的提問。在關於認知功能的提問中,係例如包含有針對提問所進行之日或場所,詢問日期、季節、地名、設施名稱等的提問。當患者的認知功能下降時,相較於認知功能未下降的情形,由於對於提問之回答的可靠性降低,故要因資訊之推定精確度會有降低之虞。在本實施形態中,係藉由加上關於認知功能的提問,透過該提問來預先判定認知功能下降之可能性的有無。認知功能下降之可能性的有無,係相當於要因資訊之推定精確度降低之可能性的有無。
認知功能下降之可能性的有無係例如由資訊處理裝置1根據對於提問之患者之正確回答數或正確回答率而自動地判定。資訊處理裝置1係比較患者對於關於認知功能之提問的回答、和預先設定的正確解答,藉此算出患者的正確回答數或正確回答率。當所算出之正確回答數或正確回答率為預先設定的臨限值以上時,資訊處理裝置1係判定為無認知功能下降的可能性,亦即無要因資訊之推定精確度降低的可能性。當所算出之正確回答數或正確回答率未達預先設定的臨限值時,資訊處理裝置1係判定為具有認知功能下降的可能性,亦即具有要因資訊之推定精確度降低的可能性。認知功能下降的可能性和要因資訊之推定精確度降低的可能性,係不限定於有或無的二種分類,亦可例如根據與正確回答數或正確回答率相符之可能性的高低而分類為複數個等級。
認知功能下降之可能性的判定方法不限定於上述之例,亦可例如使用經過學習為依據對於提問的回答而推定認知功能下降之可能性的機械學習模型來判定。第一學習模型121或第二學習模型123亦可構成為更於輸入要素中包含關於認知功能之提問的認知功能資訊,且更輸出認知功能下降的可能性。
另外,關於認知功能的提問亦可為僅使用於認知功能下降之可能性之判定上的構成。亦即,亦可為在各種要因資訊的推定中,不使用表示對於關於認知功能之提問之回答的認知功能資訊,而使用表示對於關於認知功能之提問以外之提問之回答之回答資訊和患者資訊的構成。
圖16係顯示第六實施形態之資訊處理裝置所執行之處理程序之一例的流程圖。
資訊處理裝置1的控制部11係執行與圖5所示之步驟S11至步驟S12相同的處理,且傳送提問(步驟S51),以取得回答資訊、認知功能資訊和患者資訊(步驟S52)。在提問中係包含有關於認知功能之各提問項目的提問,而於所取得的回答中係包含有對於該等提問的回答。
控制部11係根據所取得的認知功能資訊,而判定認知功能下降之可能性的有無(步驟S53)。步驟S53係對應於要因資訊之推定精確度降低之可能性之有無的判定處理。控制部11係例如判定患者對於提問之正確回答數或正確回答率是否為預定值以上,藉此判定認知功能下降之可能性的有無。
以下,控制部11係例如執行圖5所示之步驟S13至步驟S17的處理。控制部11係產生包含步驟S53中之認知功能下降之可能性之有無之判定結果的結果畫面,且傳送至使用者終端2。
圖17係顯示第六實施形態中之結果畫面之一例的示意圖。在顯示於顯示部24的結果畫面中,係包含有顯示認知功能下降之可能性之有無之判定結果的判定結果顯示部246。判定結果顯示部246係例如顯示「有認知功能下降之可能性」(有認知障礙的可能性))之類的文件。所謂有認知功能下降的可能性,係指具有要因資訊之推定精確度降低的可能性。
資訊處理裝置1係當判定了具有認知功能下降之可能性時,使預定的文件顯示於判定結果顯示部246。資訊處理裝置1亦可僅在判定為具有認知功能下降的可能性時,才使判定結果顯示部246進行顯示。此時,判定結果顯示部246係發揮作為通知具有認知功能下降之可能性之通知部的功能。使用者係藉由顯示於判定結果顯示部246的資訊,而可明確地掌握患者具有認知功能下降的可能性,且具有要因資訊之推定精確度降低的可能性。
依據本實施形態,可藉由收集對於更多樣之提問的回答,而提升要因資訊的推定精確度,並且提升對於要因資訊之推定的可靠性。
此次揭示之實施型態的所有觀點均為例示,不應認定為用以限制本發明。各實施例所記載的技術特徵係可彼此組合,本發明的範圍係包含在申請專利範圍內的所有變更和與申請專利範圍均等的範圍。
各實施形態所示的順序並無限定,在無矛盾的範圍內,各處理程序係可變更該順序而執行,或亦可同時執行複數個處理。各處理的處理主體並無限定,亦可在無矛盾的範圍內,由其他裝置執行各裝置的處理。
各實施形態所記載的事項係可彼此組合。此外,申請專利範圍所記載的獨立請求項和附屬請求項係可無關於引用形式而在所有的各種組合中彼此地組合。
1:資訊處理裝置
1A:記錄媒體
1P:程式
2:使用者終端
11:控制部
12:記憶部
13:通訊部
21:控制部
22:記憶部
23:通訊部
24:顯示部
25:操作部
100:資訊處理系統
121:第一學習模型
122:提問DB
123:第二學習模型
124:第三學習模型
241:要因資訊顯示部
242:助益項目顯示部
243:履歷顯示部
244:診斷名稱顯示部
245:治療方法顯示部
246:判定結果顯示部
1211,1231:第一模型
1212,1232:第二模型
圖1係第一實施形態之資訊處理系統的概要圖。
圖2係顯示資訊處理系統之構成例的方塊圖。
圖3係顯示記憶於提問DB(資料庫)中之資訊之內容例的圖。
圖4係顯示第一學習模型之概要的說明圖。
圖5係顯示第一實施形態中之要因資訊之取得處理程序之一例的流程圖。
圖6係顯示第一實施形態中之結果畫面之一例的示意圖。
圖7係顯示第二實施形態中之要因資訊之取得處理程序之一例的流程圖。
圖8係顯示第二實施形態中之結果畫面之一例的示意圖。
圖9係顯示第三實施形態中第二學習模型之概要的說明圖。
圖10係顯示第三實施形態中之要因資訊之取得處理程序之一例的流程圖。
圖11係顯示第四實施形態中第三學習模型之概要的說明圖。
圖12係顯示第四實施形態之資訊處理裝置所執行之處理程序之一例的流程圖。
圖13係顯示第四實施形態中之包含診斷名稱候補和治療資訊之畫面之一例的示意圖。
圖14係顯示第五實施形態之資訊處理裝置所執行之處理程序之一例的流程圖。
圖15係顯示第六實施形態之記憶於提問DB122中之資訊之內容例的圖。
圖16係顯示第六實施形態之資訊處理裝置所執行之處理程序之一例的流程圖。
圖17係顯示第六實施形態中之結果畫面之一例的示意圖。
S11:傳送提問
S12:取得回答資訊和患者資訊
S13:取得心理社會性要因的等級
S14:決定最終的等級
S15:具體指定助益項目
S16:產生結果畫面
S17:傳送結果畫面
Claims (16)
- 一種程式製品,係具備程式,該程式係使電腦執行下列處理:取得患者對於關於慢性疼痛之提問的回答資訊和前述患者的患者資訊, 且對於經過學習為當輸入了回答資訊和患者資訊時要輸出關於心理社會性要因之要因資訊的學習模型,輸入所取得的回答資訊和患者資訊以輸出關於心理社會性要因的要因資訊。
- 如請求項1之程式製品,係將包含與慢性疼痛中之心理社會性要因之關聯程度相符之心理社會性要因之等級的前述要因資訊予以輸出。
- 如請求項1或2之程式製品,其中前述回答資訊係包含對於選自關於不安的提問、關於憂鬱的提問、關於自我效能感的提問、關於失眠的提問、關於疼痛生活障礙度的提問、關於運動功能的提問、關於疼痛的提問和關於自殺念頭的提問之至少二者的回答。
- 如請求項1至3中任一項之程式製品,其中前述患者資訊係包含選自患者的年齡、患者的性別、患者的病史、患者之精神科的定期就診史、患者的處方藥歷、患者的體重變化、家族的疾病、家族之精神科的定期就診史、家族的陪伴狀況和勞務狀況的至少一者。
- 如請求項1至4中任一項之程式製品,係取得與慢性疼痛中之器官性要因之關聯程度相符之器官性要因的等級, 且輸出根據所取得之器官性要因之等級、和前述心理社會性要因之等級的圖像。
- 如請求項1至5中任一項之程式製品,係對於經過學習為當輸入了回答資訊和患者資訊時要進而輸出關於器官性要因之要因資訊的前述學習模型,輸入所取得的回答資訊和患者資訊以輸出關於心理社會性要因和器官性要因的要因資訊。
- 如請求項1至6中任一項之程式製品,係接受對於所輸出之前述要因資訊的修正, 且進行根據輸入於前述學習模型之回答資訊和患者資訊、及修正後之前述要因資訊的再學習,且更新前述學習模型。
- 如請求項1至7中任一項之程式製品,其中前述學習模型係包括包含神經網路的第一模型、和包含決定樹的第二模型,且根據前述第一模型和第二模型的輸出而取得前述要因資訊。
- 如請求項1至8中任一項之程式製品,係取得前述回答資訊和患者資訊中所含的複數個項目中之有助於由前述學習模型所進行之前述要因資訊之輸出的助益項目。
- 如請求項1至9中任一項之程式製品,係取得與前述要因資訊相符的診斷名稱候補, 且將所取得之診斷名稱候補與前述要因資訊建立關聯性並予以輸出。
- 如請求項1至10中任一項之程式製品,係取得與前述要因資訊相符的治療方法, 且將所取得之治療方法與前述要因資訊建立關聯性並予以輸出。
- 如請求項1至11中任一項之程式製品,係更取得包含患者對於關於認知功能之提問之回答的認知功能資訊, 且根據所取得的前述認知功能資訊,而判定前述要因資訊之輸出精確度降低的可能性。
- 如請求項12之程式製品,係根據前述認知功能資訊而判定前述患者之認知功能下降的可能性, 且根據前述認知功能下降之可能性的判定結果,而判定前述要因資訊之輸出精確度降低的可能性。
- 如請求項12或13之程式製品,係將所判定之前述要因資訊之輸出精確度降低的可能性與前述要因資訊建立關聯性並予以輸出。
- 一種資訊處理裝置,係具備控制部,該控制部係執行下列處理:取得患者對於關於慢性疼痛之提問的回答資訊和前述患者的患者資訊, 且對於經過學習為當輸入了回答資訊和患者資訊時要輸出關於心理社會性要因之要因資訊的學習模型,輸入所取得的回答資訊和患者資訊以輸出關於心理社會性要因的要因資訊。
- 一種資訊處理方法,係由電腦執行下列處理:取得患者對於關於慢性疼痛之提問的回答資訊和前述患者的患者資訊, 且對於經過學習為當輸入了回答資訊和患者資訊時要輸出關於心理社會性要因之要因資訊的學習模型,輸入所取得的回答資訊和患者資訊以輸出關於心理社會性要因的要因資訊。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022-076300 | 2022-05-02 | ||
JP2022076300 | 2022-05-02 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202406511A true TW202406511A (zh) | 2024-02-16 |
Family
ID=88646484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112116266A TW202406511A (zh) | 2022-05-02 | 2023-05-02 | 程式製品、資訊處理裝置及資訊處理方法 |
Country Status (2)
Country | Link |
---|---|
TW (1) | TW202406511A (zh) |
WO (1) | WO2023214547A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2465499A3 (en) * | 2005-06-27 | 2013-02-13 | Ono Pharmaceutical Co., Ltd. | Therapeutic agent for treating pain |
JP7131073B2 (ja) * | 2018-05-22 | 2022-09-06 | オムロンヘルスケア株式会社 | リスク管理装置、リスク管理方法及びリスク管理プログラム |
JP6749624B1 (ja) * | 2019-03-27 | 2020-09-02 | 株式会社 バイオミメティクスシンパシーズ | 勃起不全患者のためのシステム |
JP2021096775A (ja) * | 2019-12-19 | 2021-06-24 | 富士通株式会社 | 学習方法、学習プログラムおよび情報処理装置 |
-
2023
- 2023-04-28 WO PCT/JP2023/016880 patent/WO2023214547A1/ja unknown
- 2023-05-02 TW TW112116266A patent/TW202406511A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023214547A1 (ja) | 2023-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11468998B2 (en) | Methods and systems for software clinical guidance | |
US10957451B2 (en) | Patient healthcare interaction device and methods for implementing the same | |
JP2024059912A (ja) | デジタル個別化医療のためのプラットフォームおよびシステム | |
US20190043618A1 (en) | Methods and apparatus for evaluating developmental conditions and providing control over coverage and reliability | |
KR20220004639A (ko) | 개인 맞춤식 디지털 치료 방법 및 디바이스 | |
Elkin et al. | The introduction of a diagnostic decision support system (DXplain™) into the workflow of a teaching hospital service can decrease the cost of service for diagnostically challenging Diagnostic Related Groups (DRGs) | |
JP6612788B2 (ja) | 患者及び臨床医を支援するために、共有される、患者中心の意思決定サポートツールを用いるシステム及び方法 | |
US12040080B2 (en) | Deep learning system for differential diagnosis of skin diseases | |
JP2017519303A5 (zh) | ||
US11972336B2 (en) | Machine learning platform and system for data analysis | |
US20220130514A1 (en) | Method and system for dynamically generating generalized therapeutic protocols using machine learning models | |
US20210089965A1 (en) | Data Conversion/Symptom Scoring | |
Rossi et al. | Nursing knowledge captured in electronic health records | |
US20210335491A1 (en) | Predictive adaptive intelligent diagnostics and treatment | |
US20190237173A1 (en) | Action planner systems and methods to simulate and create a recommended action plan for a physician and a care team, optimized by outcome | |
US20230105348A1 (en) | System for adaptive hospital discharge | |
TW202406511A (zh) | 程式製品、資訊處理裝置及資訊處理方法 | |
JP2019109859A (ja) | 指導支援システム、指導支援方法及び指導支援プログラム | |
US11521724B2 (en) | Personalized patient engagement in care management using explainable behavioral phenotypes | |
WO2021094204A1 (en) | Generating contextually-useful guidance for treating a patient | |
EP3839960A1 (en) | Generating contextually-useful guidance for treating a patient | |
Dunn et al. | Artificial Intelligence and Machine Learning in Risk Prediction and Care Planning for Cardiovascular Disease: A New Vision | |
Hill et al. | The range of uses of virtual reality for intensive care unit staff training: A narrative synthesis scoping review | |
KR102689341B1 (ko) | 수의사를 위한 집단지성 기반의 진단 및 처방 추천 프로그램 및 그 동작 방법 | |
US20240006083A1 (en) | Systems and methods for authorization of medical treatments using automated and user feedback processes |