WO2015151732A1 - 自動分析装置 - Google Patents

自動分析装置 Download PDF

Info

Publication number
WO2015151732A1
WO2015151732A1 PCT/JP2015/056841 JP2015056841W WO2015151732A1 WO 2015151732 A1 WO2015151732 A1 WO 2015151732A1 JP 2015056841 W JP2015056841 W JP 2015056841W WO 2015151732 A1 WO2015151732 A1 WO 2015151732A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
time
data
light amount
automatic analyzer
Prior art date
Application number
PCT/JP2015/056841
Other languages
English (en)
French (fr)
Inventor
信二 垂水
足立　作一郎
千枝 薮谷
牧野　彰久
Original Assignee
株式会社日立ハイテクノロジーズ
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社日立ハイテクノロジーズ filed Critical 株式会社日立ハイテクノロジーズ
Priority to CN201580014094.0A priority Critical patent/CN106133526B/zh
Priority to US15/126,789 priority patent/US20170131306A1/en
Priority to EP15773133.2A priority patent/EP3128330B1/en
Publication of WO2015151732A1 publication Critical patent/WO2015151732A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G01N21/272—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration for following a reaction, e.g. for determining photometrically a reaction rate (photometric cinetic analysis)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
    • G01N21/51—Scattering, i.e. diffuse reflection within a body or fluid inside a container, e.g. in an ampoule
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/59—Transmissivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/86—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood coagulating time or factors, or their receptors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G01N35/00584—Control arrangements for automatic analysers
    • G01N35/00722—Communications; Identification
    • G01N35/00871—Communications between instruments or with remote terminals
    • 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
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N21/13—Moving of cuvettes or solid samples to or from the investigating station
    • G01N2021/135—Sample holder displaceable
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
    • G01N21/51—Scattering, i.e. diffuse reflection within a body or fluid inside a container, e.g. in an ampoule
    • G01N2021/513—Cuvettes for scattering measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
    • G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
    • G01N21/82—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a precipitate or turbidity
    • G01N2021/825—Agglutination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/127—Calibration; base line adjustment; drift compensation
    • G01N2201/12746—Calibration values determination
    • G01N2201/12753—Calibration values determination and storage
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/127—Calibration; base line adjustment; drift compensation
    • G01N2201/12792—Compensating own radiation in apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material
    • G01N33/49—Blood
    • G01N33/4905—Determining clotting time of blood
    • 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

Definitions

  • the present invention relates to an automatic analyzer.
  • Blood coagulation tests are performed for a variety of purposes such as understanding the pathology of the coagulation and fibrinolytic system, diagnosis of DIC (disseminated intravascular coagulation syndrome), confirmation of the effect of thrombus treatment, and diagnosis of hemophilia.
  • DIC dissminated intravascular coagulation syndrome
  • blood coagulation tests have been performed by visually capturing fibrin deposition, which is the end point of the blood coagulation reaction, but since the 1960s, blood coagulation analyzers developed for the purpose of improving test throughput and increasing accuracy have been developed. Widely used for daily inspection.
  • the detection of fibrin deposition by a blood coagulation analyzer mainly uses measurement methods such as an electrical resistance detection method, an optical detection method, and a mechanical method.
  • the optical detection method is applied to a sample during a coagulation reaction. It is a non-contact measurement method in which foreign matter is not directly touched and is widely used.
  • an unstable reaction curve may be measured unlike other biochemical reactions. This is due to the fact that the coagulation reaction is a multi-step and complex reaction in which multiple factors influence each other, and foreign substances such as bubbles during mixing may be mixed into the reaction vessel during measurement and measurement. Etc.
  • An unstable reaction curve due to the former factor includes a two-stage reaction in which the reaction rate decreases once and then increases again. Also, the unstable response curve due to the latter measurement abnormality includes drift reaction that does not become zero in the second half of the reaction, jump abnormality in which the amount of light changes significantly in the middle of the reaction curve, and the amount of light temporarily rises and falls There is noise that fluctuates.
  • Patent Document 1 proposes a blood coagulation reaction analysis method in which a check region is set for a specific amount of change / time and a threshold value is set for the amount of light / time / reaction speed to detect an abnormality.
  • Patent Document 1 cannot properly classify information regarding the detected abnormality.
  • the coagulation reaction process curve obtained by the optical detection method has a slow difference in the progress of the coagulation reaction because there is a big difference in the reaction rate and the change in the amount of light before and after the reaction depending on the content of the substance contained in the sample. Abnormalities could not be accurately detected from the reaction curve.
  • the conventionally disclosed technique cannot accurately detect and classify an abnormal reaction process curve that can be acquired in a blood coagulation reaction having a characteristic of drawing a different curve for each specimen.
  • An object of the present invention is to provide a technique capable of accurately detecting and classifying an abnormal reaction process curve in an automatic analyzer that analyzes components contained in a sample.
  • the present application includes a plurality of means for solving the above-mentioned problems.
  • a reaction container for mixing and reacting a sample and a reagent a reaction liquid in the reaction container is irradiated with light
  • a measurement unit that measures the transmitted light amount or the scattered light amount
  • a control unit that processes time-series light amount data measured by the measurement unit, and a storage unit that stores one or more approximation functions approximating time-series changes of the light amount data
  • An output unit that outputs a processing result of the control unit, wherein the control unit selects one of the approximation functions stored in the storage unit, and uses the selected approximation function to output the light amount
  • Calculating an approximate curve representing a time series change of data calculating divergence feature information based on divergence information between the light amount data and the approximate curve, and detecting an abnormality included in the light amount data using the divergence feature information
  • classification that outputs a processing result of the control unit
  • FIG. 1st Example It is a block diagram of the automatic analyzer which concerns on 1st Example. It is a figure which shows the processing flow which detects and classify
  • FIG. 18 is a diagram when step S401 of FIG. 4 is applied to the time-series error data 1701 and 1702 shown in FIG. It is a figure at the time of applying the process of step S203 to the time series light quantity data in the middle of reaction which has jump abnormality.
  • FIG. 20 is a diagram in which an error between the time-series light amount data and the approximate curve shown in FIG. 19 is calculated and plotted for each data point of the time-series light amount data.
  • FIG. 1 is a diagram showing a schematic configuration of an automatic analyzer to which the present invention is applied.
  • the automatic analyzer analyzes a component contained in a blood-derived sample, and particularly analyzes a blood coagulation reaction.
  • the function of each part is a well-known thing, detailed description is abbreviate
  • An automatic analyzer to which the present invention is applied is configured to suck a sample in a sample container 103 disposed on a sample disk 102 that rotates left and right using a sample dispensing unit 101 and discharge the sample to a reaction container 104. ing.
  • the sample dispensing unit 101 performs a sample suction operation and a discharge operation in accordance with the operation of the sample syringe pump 105.
  • the reagent dispensing unit 106 is configured to aspirate the sample in the reagent container 108 disposed on the reagent disk 107 and discharge it to the reaction container 104 in accordance with the operation of the reagent syringe pump 110.
  • a reagent heating unit 109 is built in the reagent dispensing unit 106.
  • the reaction vessel 104 is stored in the reaction vessel stock unit 111.
  • the reaction container transport unit 112 transports and installs the reaction container 104.
  • the reaction vessel 104 is held from the reaction vessel stock unit 111 by the reaction vessel transfer unit 112, and the reaction vessel transfer unit 112 rotates and moves the held reaction vessel 104 to the reaction vessel setting unit 114 of the detection unit 113.
  • the reaction container installation unit 114 is provided with a recess so that the reaction container 104 can be placed, and the reaction container 104 can be inserted into the recess.
  • there are at least one reaction vessel installation unit 114 there are at least one reaction vessel installation unit 114, and the apparatus includes at least one detection unit 113.
  • analysis items to be analyzed for each sample are input from the input unit 120 such as a keyboard or the operation computer 118.
  • the operation of the detection unit 113 is controlled by the control unit 121.
  • the sample dispensing unit 101 sucks the sample in the sample container 103 arranged on the sample disk 102 and dispenses it to the reaction container 104 placed on the reaction container installation unit 114 in the detection unit 113.
  • the reagent is similarly sucked from the reagent container 108 arranged on the reagent disk 107 by the reagent dispensing unit 106, heated to an appropriate temperature by the reagent heating unit 109, and dispensed to the reaction container 104.
  • the blood coagulation reaction is immediately started at this reagent discharge pressure.
  • the light from the light source 115 is irradiated onto the reaction vessel 104, and the scattered light scattered by the reaction solution in the reaction vessel 104 or transmitted light is detected by a detector 116 such as a photodiode.
  • the photometric signal measured by the detector 116 passes through the A / D converter 122 and is taken into the control unit 121 via the interface 123 as time series light quantity data.
  • the coagulation time is calculated from the time-series light amount data.
  • the output result from the control unit 121 is printed out by the printer 124 via the interface 123 or output to the screen of the operation computer 118 and stored in the storage unit 119 realized by a RAM, a hard disk, or the like.
  • the reaction vessel 104 for which photometry has been completed is held by the reaction vessel transport unit 112 and discarded to the reaction vessel discard unit 117.
  • the control unit 121 detects and classifies a specific abnormality in the blood coagulation reaction.
  • an abnormal reaction curve generated in the blood coagulation reaction will be described, and then the processing procedure will be described.
  • the blood coagulation reaction that occurs in PT, APTT, Fbg, etc. which is performed as a blood coagulation test, is a biological reaction in which aggregates are generated through a complex reaction system.
  • the reaction curve is generally a growth type curve.
  • a reaction curve with a different shape may be obtained. There is. For example, depending on the specimen, a two-stage reaction curve may be obtained in which the amount of change in light quantity gradually increases and then decreases and then increases again.
  • the control unit 121 of the present invention calculates a growth type approximate curve from the time-series light amount data, calculates divergence feature information indicating the degree of divergence between the time-series light amount data and the approximate curve, Detect and classify anomalies using divergence feature information. This makes it possible to detect and classify abnormalities that are widely known to occur in the coagulation test, including the aforementioned abnormalities.
  • FIG. 2 is a diagram illustrating processing steps of a part related to abnormality detection and classification in the control unit 121.
  • FIG. 3 is a diagram showing the steps of the process performed in S208 of FIG. Hereinafter, each step of FIG. 2 will be described.
  • step S201 the control unit 121 selects an optimal approximation function corresponding to the combination of the test item and the reagent from a plurality of approximation functions that are stored in advance in the storage unit 119 and approximate the temporal change in light amount. And get.
  • a combination of a test item and a reagent and an approximate function corresponding to the combination may be defined in advance, and the control unit 121 may automatically select an optimal approximate function according to the definition.
  • an approximate function for example, the logistic function shown in the following formula 1 can be considered.
  • y a light amount value
  • y max , y range , ⁇ 1, and ⁇ 2 are parameters.
  • y max is a maximum value of y
  • y range is a range of y values (maximum value of y (y max ) ⁇ minimum value of y (y min )).
  • step S202 the control unit 121 captures the light / current conversion data detected by the detector 116 at regular intervals as time-series light amount data via the A / D converter 122 and the interface 123.
  • the captured time-series light quantity data is monitored, and when the coagulation reaction is completed, the process proceeds to step S203.
  • a generally well-known method can be used for determining the end of the coagulation reaction. For example, it can be determined that the coagulation reaction has been completed by a method of setting a threshold for the measurement time of the time-series light amount data or a method of setting a threshold for the latest light amount value or the amount of change in the light amount value.
  • step S203 the control unit 121 sets the parameter value in the approximate function so that the difference between the approximate curve of the time-light amount value expressed by the approximate function selected in step S201 and the time-series light amount data is as small as possible. Is calculated. For example, the value of the parameter in the approximate function is determined so that the square error between the time-series light amount data and the light amount calculated by the approximate function is as small as possible.
  • the least square calculation method can be used in combination with the steepest descent method, the Newton method, or the like.
  • the control unit 121 calculates deviation feature information between the approximate curve calculated in step S203 and the time-series light amount data.
  • the divergence feature information is information representing the degree to which the approximate curve approximates the time-series light amount data, and is information calculated as a scalar value or a vector value.
  • time series error data obtained by calculating an error between the time series light quantity data and the approximate curve for each time series light quantity data point can be used.
  • the error is not an absolute value, but a value calculated as a value having a positive or negative value, for example, a value calculated by subtracting a light amount value calculated by an approximate curve from a value of time-series light amount data can be used.
  • time series error data calculated by subtracting the light quantity value calculated by the approximate curve from the time series light quantity data value is used as the deviation feature information will be described as an example.
  • the feature information is not limited to this.
  • step S205 the control unit 121 calculates a feature amount from the reaction curve.
  • the response curve here includes the time-series light amount data captured in step S202 and the approximate curve calculated in step S203.
  • the feature amount for example, a provisional coagulation time calculated based on an approximate curve can be used.
  • the coagulation time obtained from the time-series light amount data (that is, raw measurement data) captured in step S202 may be used as the feature amount. Good.
  • any widely known method can be used as a method for calculating the coagulation time. For example, a method is conceivable in which differential data is calculated by calculating a difference between data adjacent to an approximate curve, and a peak position of the differential data is calculated as a coagulation time.
  • step S206 the control unit 121 determines whether or not abnormality is included in the time-series light amount data based on the deviation feature information calculated in step S204.
  • a threshold value related to error is set for time series error data calculated as divergence feature information, the number of data points having an error equal to or greater than the threshold value is calculated, and the calculated data points and abnormal data points are calculated. It is possible to use a method of determining an abnormality by comparing the threshold value with respect to the threshold.
  • the threshold for error may be used as the threshold for error. Further, the threshold regarding the error may be determined based on the number of data points of the time-series light amount data captured in step S202 and the range of the light amount value. Alternatively, it may be determined based on the feature amount of the approximate curve calculated in step S205. Further, the threshold value related to the error may be determined based on the deviation characteristic information calculated in step S204, for example, based on a value such as a variance or an average of a subset of the time series error data.
  • Threshold value related to the number of abnormal data points may be a value determined in advance. Further, the threshold value regarding the abnormal data score may be determined based on the data score of the time-series light amount data acquired in step S202. Further, the threshold regarding the number of abnormal data points may be determined based on the feature amount of the approximate curve calculated in step S205. Moreover, you may calculate based on the deviation characteristic information calculated by step S204.
  • step S207 the control unit 121 determines a subsequent processing step based on the result of the abnormality determination in step S206. If it is not determined to be abnormal in step S206, the process ends. If it is determined as abnormal, the process proceeds to step S208.
  • step S208 the control unit 121 classifies the types of abnormalities included in the time-series light amount data based on the deviation feature information calculated in step S204, and reads out from the storage unit 119 the abnormal codes corresponding to the classified abnormalities.
  • the abnormality code is key information assigned to each type of abnormality classified in advance.
  • the storage unit 119 stores an abnormal code and information related to the abnormality corresponding to the abnormal code in association with each other.
  • the determination process is repeatedly applied to the divergence feature information calculated in step S204, and the type of abnormality included in the time-series light amount data is classified. To do.
  • An example of the processing steps of the abnormality classification process using the decision tree for the time series error data will be described later with reference to FIG.
  • step S209 the control unit 121 reads out information related to the abnormality stored in the storage unit 119 using the abnormality code calculated in step S208 as a key, and outputs the information to the operation computer 118 and the printer 124.
  • the information related to the abnormality includes the name of the abnormality, the type of the abnormality, a method for dealing with the abnormality (measures corresponding to the type of the abnormality), and the like. Accordingly, it is possible to quickly shift to the next response such as re-inspection, and to improve the efficiency of inspection work.
  • the output information includes basic information such as a sample number and inspection items, information on the time-series light amount data captured in step S202, information on the approximate curve calculated in step S203, divergence feature information calculated in step S204, step Information regarding the characteristic amount of the reaction curve calculated in S205, information regarding whether or not the abnormality determined in step S206 is included, and the like may be included.
  • Information to be output may be stored in the storage unit 119.
  • FIG. 14 is an example of an output screen of the operation computer 118.
  • the screen in FIG. 14 includes a basic information display unit 1401 and a graph display unit 1402.
  • the basic information display unit 1401 displays information such as the number of each sample, an inspection item, and an abnormal code.
  • the graph display unit 1402 displays a graph showing a response curve and an approximate curve of time-series light amount data corresponding to the row selected in the basic information display unit 1401.
  • the row of the specimen number “0003” in the basic information display unit 1401 is selected, the graph showing the response curve and approximate curve of the time-series light quantity data corresponding to this, and the range where the abnormality occurred (abnormality occurrence) Range) is displayed on the graph display unit 1402.
  • This abnormality classification process will be described as an example of an effective process when the control unit 121 calculates time-series error data as deviation feature information in step S204.
  • step S301 the control unit 121 determines whether or not there is a sudden change in the time series error data.
  • An abrupt change in error can be detected by setting a threshold value for the amount of change between an error at a certain data point and an error at a data point acquired thereafter.
  • a preset threshold value can be used.
  • whether or not the sign of the data point for calculating the amount of change is different may be added to the determination criterion. If it is determined that there is a sudden change, the process proceeds to step S308. If not, the process proceeds to step S302.
  • the control unit 121 uses the time series error data to calculate a time series range where an abnormality has occurred in the time series light quantity data.
  • This range is hereinafter referred to as an abnormality occurrence range.
  • the abnormality occurrence range is a vector having the same length as the time series error data, and can be expressed by a vector expressing whether each data point is abnormal or not by binary values of 1 and 0.
  • the abnormality occurrence range can also be expressed by defining a start position and an end position of a set of data points determined to be abnormal.
  • the value of each data point of the time series error data is compared with a preset threshold value, and after defining a data point having a value equal to or greater than the threshold value as an abnormal data point, A method for calculating the range can be used.
  • step S303 the control unit 121 calculates a feature amount related to the shape of the time series error data in the abnormality occurrence range calculated in step S302.
  • the entire abnormality occurrence range calculated in step S302 may be used, or the abnormality occurrence range may be divided into ranges having continuous data points and a part thereof may be used. . Further, it may be divided based on the positive and negative of error data included in the abnormality occurrence range, and a part thereof may be used.
  • a first example of the feature amount will be given.
  • the number of data points included in the abnormality occurrence range is used as a feature amount.
  • a second example of the feature amount is given. Values that can be calculated from errors, such as the average value, variance value, total value, maximum value, median value, quartile value, start position error value, and end position error value of time series error data within the error occurrence range The feature value. At this time, the time taken for the maximum value, median value, quartile value, or the like may be used as the feature amount. Furthermore, it is good also considering the value calculated by four arithmetic operations combining these several values as a feature-value.
  • a third example of the feature amount will be given.
  • a parameter obtained by approximating the approximate function stored in the storage unit 119 to the error data in the abnormality occurrence range and an index representing the degree of approximation are used as feature amounts.
  • the approximation function a mathematical formula based on a polynomial or trigonometric function can be used.
  • the degree of approximation a least square error sum, a determination coefficient, or the like can be used.
  • a fourth example of the feature amount will be given. In each range obtained by dividing the abnormality occurrence range, the above-described feature amounts may be calculated, and a value calculated by four arithmetic operations by combining the calculated feature amounts may be used as the feature amount.
  • step S304 the control unit 121 determines whether or not there are many abnormality occurrence ranges calculated in step S302 in the second half of the reaction.
  • the determination can be performed by using the feature amount of the approximate curve calculated in step S205.
  • the provisional coagulation time calculated in step S205 may be used as a reference to determine whether the abnormality occurrence range is greater after the provisional coagulation time.
  • the abnormal occurrence range may appear both in the time range before the temporary coagulation time and in the time range after the temporary coagulation time. Therefore, it is determined by the above determination whether there are more abnormal occurrence ranges in the second half of the reaction. If there are many abnormality occurrence ranges in the second half, the process proceeds to step S307. If there are not many in the second half, the process proceeds to step S305.
  • step S304 is not limited to this. For example, it may be determined whether or not the abnormality occurrence range exists only in the second half of the reaction.
  • the abnormality occurrence range may appear only in either the time range before the temporary coagulation time or the time range after the temporary coagulation time. In this case, by comparing the provisional coagulation time calculated in step S205 with the start position of the abnormality occurrence range, it can be determined whether or not the abnormality occurrence range exists only in the second half of the reaction.
  • step S305 the control unit 121 determines whether or not there are many abnormality occurrence ranges calculated in step S302 in the first half of the reaction.
  • the determination can be performed by using the feature amount of the approximate curve calculated in step S205.
  • the provisional coagulation time calculated in step S205 may be used as a reference to determine whether the abnormality occurrence range is greater than the provisional coagulation time.
  • the abnormal occurrence range may appear both in the time range before the temporary coagulation time and in the time range after the temporary coagulation time. Therefore, it is determined by the above determination whether there are more abnormality occurrence ranges in the first half of the reaction.
  • step S306 If there are not many in the first half, the process proceeds to step S310.
  • step S305 is not limited to this. For example, it may be determined whether the abnormality occurrence range exists only in the first half of the reaction.
  • the abnormality occurrence range may appear only in either the time range before the temporary coagulation time or the time range after the temporary coagulation time. In this case, by comparing the provisional coagulation time calculated in step S205 with the end position of the abnormality occurrence range, it can be determined whether or not the abnormality occurrence range exists only in the first half of the reaction.
  • step S306 the control unit 121 compares the feature amount calculated in step S303 with a predetermined threshold value, and determines whether the type of abnormality is a two-step reaction abnormality. If the feature value is equal to or greater than the threshold value, the process proceeds to step S309. If the feature value is not equal to or greater than the threshold value, the process proceeds to step S310.
  • the feature amount used for the determination for example, a total value of errors in the abnormality occurrence range, a ratio between the abnormality occurrence ranges of the total error value in each abnormality occurrence range, or the like can be used.
  • step S307 the control unit 121 compares the feature amount calculated in step S303 with a predetermined threshold value, and determines whether the type of abnormality is drift abnormality. If the feature value is equal to or greater than the threshold value, the process proceeds to step S311. If the feature value is not equal to or greater than the threshold value, the process proceeds to step S310.
  • the feature amount used for the determination for example, a parameter obtained by approximating a linear expression to the abnormality occurrence range can be used.
  • step S308 the control unit 121 classifies the abnormality detected in step S206 as a jump abnormality, and reads out an abnormality code corresponding to the jump abnormality and information regarding the jump abnormality from the storage unit 119.
  • step S309 the control unit 121 classifies the abnormality detected in step S206 as a two-stage reaction abnormality, and reads an abnormality code corresponding to the two-stage reaction abnormality and information regarding the two-stage reaction abnormality from the storage unit 119.
  • step S310 the control unit 121 classifies the abnormality detected in step S206 as other abnormality, and reads out an abnormality code corresponding to the other abnormality and information regarding the other abnormality from the storage unit 119. In this way, by setting other abnormality classifications, it is possible to grasp abnormalities that have not been recognized so far. At this time, a threshold value determination different from S306 and S307 may be further performed on the feature amount, and other abnormalities may be further classified. Examples of other abnormalities include a reaction curve including noise.
  • step S311 the control unit 121 classifies the abnormality detected in step S206 as a drift abnormality, and reads out an abnormality code corresponding to the drift abnormality and information related to the drift abnormality from the storage unit 119.
  • step S301 the process of classifying jump abnormalities in step S301 will be described.
  • step S301 the approximate curve calculation processing in step S203 and the divergence feature information calculation processing in step S204 at the time of classification of the abnormality will be described with reference to FIGS. 6 and 7, respectively.
  • FIG. 6 is a diagram showing a processing image when the approximate curve calculation processing in step S203 is applied to time-series light amount data including jump abnormality.
  • the horizontal axis 601 represents the passage of time from the start of the reaction, and the vertical axis 602 represents the amount of light.
  • a point curve 603 represents a data point schematically representing time-series light amount data including jump abnormality.
  • a real curve 604 represents the calculated approximate curve.
  • the point curve 603 includes a jump abnormality (dotted line ab portion) in which the amount of change in the reaction changes locally with respect to time during the reaction.
  • a jump abnormality dotted line ab portion
  • the difference between the time series light amount data and the approximate curve becomes large at the time when the abnormality occurs and the time before and after the abnormality.
  • FIG. 7 shows, in step S204, an error between the time-series light amount data 603 shown in FIG. 6 and the approximate curve 604 as divergence feature information between the approximate curve calculated in step S203 and the time-series light amount data.
  • FIG. The horizontal axis 601 represents the same meaning as in FIG.
  • a vertical axis 701 is an axis representing an error between the time-series light amount data 603 and the approximate curve 604 in FIG.
  • a point curve 702 is a plot of error values between the time-series light amount data 603 and the approximate curve 604.
  • the symbols a ′, b ′, and c ′ on the point curve 702 correspond to the error values calculated from the data points at the positions of the symbols a, b, and c on the point curve 603 in FIG.
  • the dotted line acb portion which is a region where an abnormality has occurred in the point curve 603, is indicated by a point a ′ and a point b in the point curve 702.
  • the change amount of the dotted line a′-c′-b ′ portion is greatly different from the other ranges, specifically, the value rapidly increases.
  • a jump abnormality is detected by setting a threshold value for the change amount of the time-series error value represented by the point curve 702.
  • Jump abnormalities can be classified by extracting a region where the amount of change greatly varies from other portions, such as the dotted line a′-b ′.
  • step S304 and step S307 the process for classifying the drift abnormality in step S304 and step S307 will be described.
  • the approximate curve calculation process in step S203 and the divergence feature information calculation process in step S204 at the time of classification of the abnormality will be described with reference to FIGS. 8 and 9, respectively.
  • FIG. 8 is a diagram showing a processing image when the approximate curve calculation processing in step S203 is applied to time-series light amount data including drift abnormality.
  • FIG. 8 also shows the provisional coagulation time calculated from the approximate curve in step S205.
  • the horizontal axis 601 and the vertical axis 602 represent the same meaning as in FIG.
  • a point curve 801 represents a data point schematically representing time-series light amount data including drift abnormality.
  • a real curve 802 represents the calculated approximate curve.
  • the broken line 803 represents the provisional coagulation time calculated from the approximate curve.
  • the point curve 801 includes a drift abnormality in which the reaction rate does not converge to a small value and the light quantity continues to change in the latter half of the coagulation reaction.
  • the approximate curve is approximated to the time-series light amount data having such an abnormality, the difference between the time-series light amount data and the approximate curve becomes large in the time range in which the drift occurs.
  • FIG. 9 shows, in step S204, an error between the time-series light amount data 801 shown in FIG. 8 and the approximate curve 802 as divergence feature information between the approximate curve calculated in step S203 and the time-series light amount data. It is the figure which plotted the result of applying the abnormality occurrence range calculation process of step S302.
  • FIG. 9 also shows the provisional coagulation time calculated from the approximate curve in step S205.
  • the horizontal axis 601 represents the same meaning as in FIG.
  • the vertical axis 701 represents the same meaning as in FIG.
  • a point curve 901 is a plot of error values between the time-series light amount data 801 and the approximate curve 802 in FIG.
  • the broken line 902 and the broken line 903 are threshold values set for calculating the abnormality occurrence range in step S302.
  • the dotted line de is the abnormality occurrence range calculated in step S302.
  • the broken line 803 has the same meaning as in FIG.
  • the abnormality occurrence range (de) is the solidification time. It can be seen that it exists behind 803. Therefore, by determining the position of the abnormality occurrence range in step S304, it can be determined that many abnormalities occur in the second half.
  • step S307 it is possible to determine that there is a drift abnormality by determining the feature amount of the time series error data in the abnormality occurrence range.
  • the degree of drift abnormality can be quantified and determined as drift abnormality by using the slope of the dotted line de or a parameter obtained by regressing the linear expression as the feature amount.
  • step S305 and step S306 the process for classifying the two-stage reaction abnormality in step S305 and step S306 will be described.
  • the approximate curve calculation process in step S203 and the divergence feature information calculation process in step S204 at the time of classification of this abnormality will be described with reference to FIGS. 10 and 11, respectively.
  • FIG. 10 is a diagram showing a processing image when the approximate curve calculation process in step S203 is applied to time-series light amount data having a two-step reaction abnormality.
  • FIG. 10 also shows the provisional coagulation time calculated from the approximate curve in step S205.
  • the horizontal axis 601 and the vertical axis 602 represent the same meaning as in FIG.
  • a point curve 1001 represents a data point schematically representing time-series light amount data including a two-step reaction abnormality.
  • a real curve 1002 represents the calculated approximate curve.
  • the broken line 1003 represents the provisional coagulation time calculated from the approximate curve.
  • the point curve 1001 includes a two-stage reaction abnormality in which the reaction rate once decreases and then increases again in the first half of the coagulation reaction.
  • the approximate curve is approximated to the time-series light amount data having such an abnormality, the difference between the time-series light amount data and the approximate curve becomes large in the time range in which the two-step reaction abnormality occurs.
  • FIG. 11 shows, in step S204, an error between the time-series light amount data 1001 shown in FIG. 10 and the approximate curve 1002 as divergence feature information between the approximate curve calculated in step S203 and the time-series light amount data. It is the figure which plotted the result of applying the abnormality occurrence range calculation process of step S302.
  • FIG. 11 also shows the provisional coagulation time calculated from the approximate curve in step S205.
  • the horizontal axis 601 represents the same meaning as in FIG.
  • the vertical axis 701 represents the same meaning as in FIG.
  • a point curve 1101 is a plot of error values between the time-series light amount data 1001 and the approximate curve 1002.
  • the broken line 1102 and the broken line 1103 are threshold values set for calculating the abnormality occurrence range in step S302.
  • a dotted line fg and a dotted line hi are the abnormality occurrence ranges calculated in step S302.
  • the broken line 1003 has the same meaning as in FIG.
  • the abnormality occurrence range represented by the dotted line fg and the dotted line hi and the provisional coagulation time represented by the broken line 1003 are compared, the abnormality occurrence range is It can be seen that it exists before the solidification time. Therefore, by determining the position of the abnormality occurrence range in step S305, it can be determined that many abnormalities occur in the first half.
  • step S306 it is possible to determine that the two-stage reaction is abnormal by determining the feature amount of the time series error data in the abnormality occurrence range.
  • the degree of two-stage reaction abnormality can be quantified by using the slope of the dotted line fg or the sum of errors of the dotted line hi as the feature quantity, and it can be determined that the two-stage reaction abnormality occurs.
  • the ratio (ratio) between the abnormality occurrence ranges of the total error value of each abnormality occurrence range may be calculated as the feature amount.
  • step S310 processing for classifying noise abnormality as other abnormality in step S310 will be described.
  • the approximate curve calculation process in step S203 and the divergence feature information calculation process in step S204 at the time of classification of the abnormality will be described with reference to FIGS. 12 and 13, respectively.
  • FIG. 12 is a diagram showing a processing image when the approximate curve calculation process in step S203 is applied to a reaction curve having noise abnormality.
  • the horizontal axis 601 and the vertical axis 602 represent the same meaning as in FIG.
  • a point curve 1201 represents a data point schematically representing time-series light amount data including noise abnormality.
  • a real curve 1202 represents the calculated approximate curve.
  • the point curve 1201 includes a noise abnormality in which the light intensity increases and decreases in the first half of the coagulation reaction.
  • the approximate curve is approximated to the time-series light amount data having such an abnormality, the difference between the time-series light amount data and the approximate curve becomes large in the time range in which the noise abnormality occurs.
  • FIG. 13 shows an error between the time series light amount data 1201 shown in FIG. 12 and the approximate curve 1202 as difference characteristic information between the approximate curve calculated in step S203 and the time series light amount data in step S204. It is the figure which plotted the result of applying the abnormality occurrence range calculation process of step S302.
  • the horizontal axis 601 represents the same meaning as in FIG.
  • the vertical axis 701 represents the same meaning as in FIG.
  • a point curve 1301 is obtained by plotting error values between the time-series light amount data 1201 and the approximate curve 1202.
  • the broken line 1302 and the broken line 1303 are threshold values set for calculating the abnormality occurrence range in step S302.
  • a dotted line jk is the abnormality occurrence range calculated in step S302.
  • the shape tends to be sharp in the abnormality occurrence range indicated by the dotted line jk. Therefore, it can be determined that the noise is abnormal by paying attention to the feature amount representing the shape.
  • the ratio between the abnormality occurrence range (the length of the dotted line jk on the time axis) and the error maximum value of the abnormality occurrence range (the peak value in the range of the dotted line jk in FIG. 13) is used. Can be determined.
  • FIGS. 12 and 13 an example of noise in which an error value protrudes within a short range on the time axis is shown, but other abnormalities such as noise abnormalities are not limited to this.
  • an abnormality that becomes an abnormality occurrence range in a longer range on the time axis, that is, noise having a large error with respect to the approximate curve over a long time may be targeted.
  • FIGS. 2 and 3 an example is shown in which the processing shown in FIGS. 2 and 3 is performed by the control unit 121, but the processing can also be performed in other parts of the apparatus.
  • the processing shown in FIGS. 2 and 3 can be executed as software in the operation computer 118.
  • the approximate function, the data being processed, and the result of the processing are stored in the storage unit 119, but it is also possible to store them in other parts of the apparatus.
  • a storage unit inside the operation computer 118 can be used.
  • (Equation 1) is used as an approximation function in step S201 .
  • the approximation function that can be used in the present invention is not limited to (Equation 1), and a growth curve is used.
  • a mold growth function can be widely used.
  • the growth function described here is a function characterized by having a shape in which the amount of change with respect to time is small in the initial stage, the amount of change gradually increases, and the amount of change is reduced again in the latter period.
  • a first region in which the change amount of the measurement value with respect to time gradually increases, and a change amount of the measurement value with respect to time in a time later than the first region is smaller than that in the first region.
  • a function having two regions Specific examples of the growth curve type function include a logistic function, a Gompertz function, and a Hill function. Further, a part of the term of the growth function is raised to a power, or the growth function is multiplied by a non-linear expression related to time, or the non-linear expression related to time is added to the growth function, or the input value of the growth function is determined in advance by a non-linear expression
  • a function obtained by nonlinear transformation may be used. For example, a polynomial can be used for the nonlinear expression.
  • a smoothing filter is previously applied to the light amount value of the captured time-series light amount data. Applying and smoothing time-series light quantity data may be used.
  • known smoothing methods such as a moving average filter and a median filter can be widely applied.
  • control unit 121 calculates the value of the parameter in the approximate function so that the difference between the approximate curve and the time-series light amount data is as small as possible in step S203.
  • the calculation method of the parameter value is not limited to this, and the parameter other than the difference between the approximate curve and the time-series light amount data is set to be small, large, or close to a specific value.
  • a value can be calculated. For example, only part of the time-series light amount data may be selected, and the parameter value may be calculated so that the difference between the data and the approximate curve is as small as possible.
  • a different weight may be defined for each data point of the time-series light amount data, and the parameter value may be calculated so that an index obtained by multiplying the difference between each data point and the approximate curve by the weight is as small as possible. Further, a deviation state from the target value of each parameter may be used as an index.
  • the control unit 121 calculates time-series error data (time-series error data) between the time-series light amount data and the approximate curve as the deviation feature information in step S204.
  • time-series error data time-series error data
  • information other than this may be used.
  • time-series data of absolute values of errors may be used, or the sum of errors may be used.
  • a determination coefficient representing the degree of approximation may be used.
  • a vector obtained by combining a plurality of these indices may be used.
  • control unit 121 treats the provisional coagulation time calculated based on the approximate curve as the feature amount in step S205 .
  • other feature amounts may be used.
  • a parameter in an approximate function corresponding to the obtained approximate curve, a reaction end time calculated based on the approximate curve, or the like may be used.
  • the maximum value, the data length, the coagulation time, the reaction end time, or the like may be calculated from the time-series light amount data that is raw data.
  • the control unit 121 calculates the number of data points having an error equal to or greater than the threshold value, compares the calculated data point with the threshold value related to the abnormal data point, and detects an abnormality.
  • the abnormality determination method is not limited to this.
  • the threshold may be determined by setting a threshold value for the absolute value of the error, or the threshold value may be determined by setting a different threshold value for each of the positive and negative values of the error. Thereby, for example, a modification in which an abnormality is determined based only on data points existing on the upper part of the approximate curve can be realized.
  • determination may be made by providing a threshold value for a value such as the sum of square errors between the time-series light amount data and the approximate curve, or a determination coefficient.
  • the control unit 121 classifies the abnormality using the decision tree shown in FIG. 3 in step S208.
  • the decision tree used for classification of the abnormality is shown in FIG. It is not limited to that.
  • classification may be performed using a plurality of decision trees that independently evaluate the classification of each abnormality, or classification may be performed using different decision trees.
  • the control unit 121 repeatedly applies the determination process to the divergence feature information calculated in step S204 based on the decision tree stored in advance in the storage unit 119 in step S208.
  • the method of classifying the abnormality is not limited to this method.
  • the storage unit 119 stores a space definition having an arbitrary number of dimensions and an arbitrary number of vectors associated with each abnormal code, and the control unit 121 linearly maps the deviation feature information calculated in step S204.
  • the abnormal code may be determined by an existing classification method after mapping to the above space by nonlinear mapping.
  • the classification method for example, a known method such as a re-neighbor search method, a k-nearest neighbor method, or a support vector classifier can be used.
  • the storage unit 119 stores an evaluation function that takes as an argument a deviation feature information or a vector of an arbitrary dimension obtained by converting the deviation feature information by a linear mapping or a nonlinear mapping, and returns a value corresponding to each abnormal code.
  • the control unit 121 may classify the deviation feature information calculated in step S204 or the vector obtained by linearly mapping or nonlinearly mapping the deviation feature information using an evaluation function.
  • the evaluation function a known method such as a neural network can be used.
  • the storage unit 119 includes (1) at least one arbitrary dimension vector associated with the type of abnormality, and (2) at least one or more associated with the type of abnormality.
  • One of the evaluation functions whose values are output values, and the control unit 121 converts the divergence feature information into vector feature information of an arbitrary dimension by linear or nonlinear mapping, and the arbitrary dimension vector, the identification boundary
  • the type of abnormality may be classified based on the partial space or the output value of the evaluation function. As described above, by using a technique other than the decision tree, it is possible to classify the abnormality by applying the feature amount of the data of the measurement value to an arbitrary abnormality pattern.
  • the control unit 121 compares the value of each data point of the time series error data with a preset threshold value in step S302, and abnormally determines a data point having a value equal to or greater than the threshold value.
  • the abnormality occurrence range is calculated after defining the data point
  • the method for calculating the abnormality occurrence range is not limited to this.
  • the error occurrence range may be calculated by setting a threshold value for the absolute value of the error and determining the threshold value as an abnormal data point, or by setting different threshold values for the positive and negative error values.
  • An abnormality occurrence range may be calculated by determining the determined data point as an abnormal data point.
  • control unit 121 has described an example in which the feature amount related to the shape of the time-series error data in the abnormality occurrence range is calculated in step S303. You may calculate using the whole.
  • the control unit 121 has described the example in which the abnormality is determined in step S206 and the process of classifying the abnormality is performed in step S208. However, these processes are collectively performed in the same step. You may implement.
  • the storage unit 119 stores a code corresponding to a normal reaction in advance, and the control unit 121 passes through steps S206 and S207 without performing any processing, and performs abnormality classification in step S208. In this case, abnormality determination may be performed at the same time, and a code corresponding to a normal reaction may be read for a sample in which no abnormality has occurred.
  • the control unit 121 reads out the abnormality code stored in the storage unit 119 based on the classified abnormality type in step S208 and outputs the content in step S209.
  • Information other than the above may be calculated in step S208, and the information may be output in step S209.
  • an index indicating the certainty of abnormality classification may be calculated and output in step S209.
  • the index representing the certainty of the abnormality classification can be calculated based on, for example, the relationship between the feature amount and the threshold value. When the value of the feature amount greatly exceeds the threshold value, it can be determined that the certainty of the abnormal classification is high, and when it is near the threshold value, it can be determined that the certainty of the abnormal classification is low.
  • These indicators may be calculated and output as qualitative information such as high / low certainty, and based on the amount exceeding the threshold, quantitative values such as percentage values representing certainty are calculated and output. May be.
  • the coagulation reaction curve and the approximate curve of the time-series light amount data and the range where the abnormality has occurred are output in the same figure on the output screen. It may be output.
  • the color of the abnormality occurrence range may be changed, or the shape of the data point may be changed so as to be distinguished.
  • the output contents are not limited to the example of FIG.
  • the output unit such as the operation computer 118 or the printer 124 includes (1) time-series light amount data output with the first axis as time and the second axis as light amount values, and (2) time as the first axis and light amount as the second axis.
  • the abnormalities detected and classified are, for example, (1) abnormalities in which the amount of change in measured values (for example, light intensity values) in time series data suddenly increases or decreases, and (2) changes in measured values in time series data An abnormality that increases once and then increases again, (3) An abnormality in which the amount of change in the measured value in the time-series data stays within a certain value or within a predetermined range (that is, an abnormality in which the measured value does not converge) Etc.) may be included.
  • the approximate curve of the time series light quantity data is calculated, the deviation feature information between the time series light quantity data and the approximate curve is calculated, and the deviation feature information is analyzed.
  • abnormalities such as a two-stage reaction, drift reaction, jump reaction, noise, and the like that are peculiar to the blood coagulation reaction, and it is possible to present information regarding the abnormality.
  • the control unit 121 normalizes the divergence feature information using the time series light amount data obtained for each specimen or the information obtained from the approximate curve of the time series light quantity data.
  • a reaction curve acquired in a coagulation test has a characteristic that the amount of change in reaction rate and light amount varies depending on the concentration of a target substance contained in the sample.
  • automatic analysis that can accurately classify abnormalities even when samples having different reaction curve shapes coexist. Providing the device.
  • FIG. 4 is a diagram illustrating a processing flow in which the control unit 121 performs abnormality detection and classification in the second embodiment.
  • the same steps as those described in FIG. 2 of the first embodiment are denoted by the same step numbers. That is, the processing from step S201 to step S205 and the processing from step S206 to step S209 are the same as those in FIG.
  • step S401 is introduced between step S205 and step S206.
  • the control unit 121 normalizes the divergence feature information calculated in step S204. The normalization is performed using the reaction curve feature amount calculated in step S205.
  • the first example of the normalization method is normalization in the time axis direction with respect to the deviation feature information having time information.
  • the divergence feature information having time information for example, there is time series error data obtained by calculating an error between the time series light quantity data and the approximate curve for each time series light quantity data point.
  • the time information in this case is a measurement time of data included in each data point included in the time series error data.
  • the temporary coagulation time calculated from the approximate curve in step S205 is used to divide the time information included in the deviation feature information so that the time information becomes a ratio to the temporary coagulation time. There is a way to convert to.
  • the second example of the normalization method is normalization in the light amount axis direction with respect to the deviation feature information having light amount information.
  • the divergence feature information having light quantity information for example, there is time series error data in which an error between the time series light quantity data and the approximate curve is calculated for each time series light quantity data point.
  • the light quantity information in this case is an error value included in each data point included in the time series error data.
  • the light amount information included in the divergence feature information is divided using the maximum light amount value calculated from the approximate curve in step S205, and the light amount information is converted into a ratio to the maximum light amount value. There is.
  • time series error data is calculated in step S204 as the divergence feature information, and a temporary coagulation time and a light amount value at the end of the reaction are calculated from the approximate curve as reaction curve feature amounts in step S205.
  • An example in which normalization in the time axis direction and normalization in the light amount axis direction are successively performed in step S401 will be described.
  • FIG. 15 is an image diagram simultaneously showing the time-series light amount data acquired in step S202 and the approximate curve acquired in step S203 from two different specimens. Any time-series light quantity data has a drift abnormality in which the reaction speed does not become zero in the second half of the reaction.
  • the horizontal axis 601 and the vertical axis 602 represent the same meaning as in FIG.
  • a point curve 1501 represents a data point that schematically represents time-series light amount data including drift abnormality acquired from the first specimen.
  • a real curve 1502 represents an approximate curve calculated from time-series light amount data represented by a point curve 1501.
  • a point curve 1503 represents a data point schematically representing time-series light amount data including drift abnormality acquired from the second specimen.
  • a real curve 1504 represents an approximate curve calculated from time-series light amount data represented by a point curve 1503.
  • FIG. 16 shows the time series error data between the time series light quantity data 1501 and the approximate curve 1502 shown in FIG. 15 as the divergence feature information between the approximate curve calculated in step S203 and the time series light quantity data in step S206. It is the image figure which showed simultaneously the result of having calculated the result of calculation, the time series light quantity data 1503, and the time series error data between the approximated curve 1504 by step S206.
  • the horizontal axis 601 represents the same meaning as in FIG.
  • the vertical axis 701 represents the same meaning as in FIG.
  • a point curve 1601 is a plot of error values between the time series light quantity data 1501 and the approximate curve 1502.
  • a point curve 1602 is a plot of error values between the time-series light amount data 1503 and the approximate curve 1504.
  • both the time-series light quantity data 1501 and the time-series light quantity data 1503 have the same drift abnormality, but the divergence feature information 1601 and 1602 calculated from them has the scales in the time axis direction and the light quantity axis direction. Since they are different, it can be seen that they have different shapes.
  • FIG. 17 is an image diagram showing a result of normalizing the time series error data shown in FIG. 16 in the time axis direction.
  • normalization is performed using the provisional coagulation time calculated for each specimen.
  • acquisition time of each data point of the time series error data is expressed as a ratio to the temporary coagulation time by dividing by the temporary coagulation time is shown.
  • a point curve 1701 is time series error data obtained by normalizing the time series error data represented by the point curve 1601 using the provisional coagulation time represented by the broken line 1505.
  • the point curve 1702 is time series error data obtained by normalizing the time series error data represented by the point curve 1602 using the provisional coagulation time represented by the broken line 1506.
  • the horizontal axis 1703 is an axis representing the passage of time from the start of the reaction as a ratio with the provisional coagulation time of each specimen.
  • a broken line 1704 indicates a line after the provisional coagulation time calculated from the approximate curve 1502 and the approximate curve 1504 is normalized.
  • the vertical axis 701 represents the same meaning as in FIG.
  • FIG. 18 is an image diagram showing the result of further normalization in the light amount axis direction on the time series error data that has been normalized in the time axis direction shown in FIG.
  • normalization is performed using the light amount value at the end of the reaction calculated from each specimen.
  • the error value at each data point of the time series error data is expressed as a ratio to the light amount value at the end of the reaction by dividing the error value by the light amount value at the end of the reaction.
  • a point curve 1801 is time series error data obtained by normalizing the time series error data represented by the point curve 1701 using the light amount value at the end of the reaction calculated from the approximate curve 1502.
  • a point curve 1802 is time series error data obtained by normalizing the time series error data represented by the point curve 1702 using the light amount value at the end of the reaction calculated from the approximate curve 1504.
  • a vertical axis 1803 represents an error between the time-series light amount data and the approximate curve as a ratio with the light amount value at the end of the reaction.
  • the horizontal axis 1703 and the broken line 1704 have the same meaning as in FIG.
  • the point curve 1801 and the point curve 1802 are acquired as similar shapes as a result of reducing the difference in scale between the time axis direction and the light amount axis direction.
  • the feature amount to be handled, the threshold value, and the like are targeted for samples in different concentration bands. Can be handled in a unified framework, and anomaly detection and anomaly classification can be performed accurately.
  • the normalization method is not limited to this.
  • an arbitrary linear transformation or non-linear transformation such as a logarithmic transformation based on a specific value can be used.
  • the normalization target is not limited to these.
  • the feature value related to the square error is calculated from the time-series light amount data and the approximate curve as the feature value of the reaction curve, and normalized using this be able to.
  • the automatic analyzer normalizes the divergence feature information by using the time series light quantity data acquired for each specimen or the information obtained from the approximate curve of the time series light quantity data. Even when samples having different reaction curve shapes for each sample are mixed, abnormalities can be accurately classified.
  • the control unit 121 repeatedly performs a reaction end determination process for determining whether the coagulation reaction has ended, an abnormality determination, and an abnormality classification process.
  • a reaction end determination process for determining whether the coagulation reaction has ended, an abnormality determination, and an abnormality classification process.
  • reaction end determination, abnormality determination and classification are repeatedly performed to detect reaction abnormality during measurement, and further classify the abnormality type and present it to the operator. Thereby, the operator can grasp
  • FIG. 5 is a diagram illustrating a processing flow in which the control unit 121 performs abnormality detection and classification in the third embodiment.
  • the same steps as those described in FIG. 2 of the first embodiment and those described in FIG. 4 of the second embodiment are denoted by the same step numbers. That is, the processing in step S201 and the processing from step S203 to step S208 are the same as those in FIG.
  • the processing in step S401 is the same as that in FIG.
  • step S501 is introduced between step S201 and step S203 instead of step S202. Further, after branching from step S207, steps S502 and S503 are introduced. Further, step S504 and step S505 are introduced instead of step S209.
  • step S501 the control unit 121 captures the light / current conversion data detected by the detector 116 at regular intervals as time-series light amount data via the A / D converter 122 and the interface 123.
  • step S203 may be performed twice or more depending on the determination result of step S503 described later.
  • the determination as to whether or not the predetermined number of data has been acquired may be performed using the number of newly acquired data points after starting Step S501, or after the start of the processing, You may implement using the total number of the data points taken in by S501.
  • step S502 the end of the coagulation reaction is determined using the time-series light amount data acquired in step S501 and the reaction curve feature amount calculated in step S205, and the process proceeds to step S503.
  • a generally well-known method can be used for determining the end of the coagulation reaction. For example, it is determined that the coagulation reaction has been completed by a method such as setting a threshold value for the measurement time of time-series light amount data, setting a threshold value for the amount of change in the latest light amount value, or setting a threshold value for a parameter of an approximate curve. can do.
  • step S503 if the determination result in step S502 indicates the end of the coagulation reaction, the process ends. Otherwise, the process proceeds to step S501.
  • step S504 using the abnormality code calculated in step S208 as a key, information related to the abnormality stored in the storage unit 119 is read and output to the operation computer 118 or the printer 124.
  • Information described in the first embodiment can be used as the information to be output.
  • the output result may be output on, for example, a warning sound or a warning screen for notifying abnormality on the screen.
  • step S505 it is determined whether the measurement should be ended according to the type of abnormality classified in step S208. If not, the process proceeds to reaction end determination step S502.
  • the storage unit 119 stores an abnormality code and information (flag or the like) indicating whether or not to end the measurement, and the control unit 121 should end the measurement based on this information. May be determined.
  • step S504 when an abnormality is notified to the user, the user may select whether to end or continue the measurement.
  • time series error data is calculated in step S204 as divergence feature information
  • FIG. 19 is a diagram illustrating a processing image when the approximate curve processing in step S203 is applied to the time-series light amount data captured in time-series light amount data capturing step S501.
  • FIG. 19 also shows the provisional coagulation time calculated from the approximate curve in step S205.
  • a jump abnormality (dotted line lm portion) in which the light quantity changes suddenly occurs.
  • the horizontal axis 601 and the vertical axis 602 represent the same meaning as in FIG.
  • a point curve 1901 represents a data point schematically representing time-series light quantity data including jump abnormality.
  • a real curve 1902 represents the calculated approximate curve.
  • the broken line 1903 represents the provisional coagulation time calculated in step S205.
  • FIG. 20 shows the difference between the time series light quantity data 1901 and the approximate curve 1902 shown in FIG. 19 as the deviation characteristic information between the approximate curve calculated in step S203 and the time series light quantity data.
  • FIG. The horizontal axis 601 represents the same meaning as in FIG.
  • the vertical axis 701 represents the same meaning as in FIG.
  • the broken line 1903 represents the same meaning as in FIG.
  • the time-series light amount data 1901 has been captured only up to the data point where the reaction is still continuing, and the coagulation reaction has not ended.
  • the deviation characteristic information of the point curve 2001 includes abnormal (dotted line l′-m ′ portion). ) Is represented as a region having a large amount of change.
  • step S401 can be similarly applied to the curve in the middle of the reaction.
  • Accurate classification can also be performed for reaction curves derived from different specimens.
  • step S401 the example in which normalization is performed in step S401 has been described.
  • the normalization process is not always necessary and may not be performed.
  • an example has been described in which information relating to the abnormality stored in the storage unit 119 is read and output in step S504 using the abnormality code calculated in step S208 as a key. May be output.
  • an index representing the certainty of abnormality classification calculated in step S208 may be output after each abnormality determination and abnormality classification processing. Thereby, before the occurrence of abnormality is confirmed, it is possible to present a sign of the occurrence of abnormality to the operator.
  • the automatic analyzer detects the reaction abnormality during the measurement by repeatedly performing the reaction end determination and the abnormality determination and classification during the measurement. Types can be classified and presented to workers.
  • the present invention is not limited to the above-described embodiments, and includes various modifications.
  • the above embodiments have been described in detail for easy understanding of the present invention, and are not necessarily limited to those having all the configurations described.
  • a part of the configuration of one embodiment can be replaced with the configuration of another embodiment.
  • the structure of another Example can also be added to the structure of a certain Example.
  • another configuration can be added, deleted, or replaced.
  • the functions and processing means of the control unit 121 described above may be realized by hardware by designing a part or all of them with, for example, an integrated circuit. Further, the functions, processing means, and the like of the control unit 121 described above may be realized by software by interpreting and executing a program that realizes each function by the processor. Information such as programs, tables, and files that realize each function can be stored in a storage device such as a memory, a hard disk, or an SSD (Solid State Drive), or a storage medium such as an IC card, an SD card, or a DVD.
  • a storage device such as a memory, a hard disk, or an SSD (Solid State Drive), or a storage medium such as an IC card, an SD card, or a DVD.
  • control lines and information lines in the drawings indicate what is considered necessary for the explanation, and not all control lines and information lines on the product are necessarily shown. All the components may be connected to each other.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Hematology (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Biotechnology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Microbiology (AREA)
  • Cell Biology (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

　自動分析装置は、サンプルと試薬を混合して反応させるための反応容器と、前記反応容器中の反応液に光を照射し、透過光量または散乱光量を測定する測定部と、前記測定部が測定した時系列の光量データを処理する制御部と、前記光量データの時系列変化を近似する近似関数を１以上記憶する記憶部と、前記制御部の処理結果を出力する出力部と、を備える。前記制御部は、前記記憶部が記憶している前記近似関数のいずれかを選択し、前記選択した近似関数を用いて前記光量データの時系列変化を表す近似曲線を算出し、前記光量データと前記近似曲線との乖離情報に基づく乖離特徴情報を算出し、前記乖離特徴情報を用いて、前記光量データに含まれる異常を検出および分類する。

Description

自動分析装置
　本発明は、自動分析装置に関する。
　血液凝固検査は、凝固線溶系の病態把握、ＤＩＣ（播種性血管内凝固症候群）の診断、血栓治療効果の確認、血友病の診断など、多岐に渡る目的で行われている。従来、血液凝固検査は、血液凝固反応の終点であるフィブリン析出を目視で捉えることで行われていたが、１９６０年代以降、検査スループット向上及び高精度化を目的に開発された血液凝固分析装置が日常検査に広く用いられている。
　血液凝固分析装置によるフィブリン析出の検出には主に、電気抵抗検出方式、光学的検出方式、力学的方式などの計測方式が用いられており、特に光学的検出方式は、凝固反応中にサンプルに異物が直接触れることのない非接触の計測方式であることもあって、広く利用されている。光学的検出方式には、反応容器内で凝集物が生成される際の透過光の変化を測定する透過光検出方式と、散乱光を検出する散乱光検出方式の２種類がある。いずれの方式も、時系列の光量変化に基づき、凝固反応の進行を反応曲線として検出し、高精度な分析を実現するものである。
　光学的検出方式は、上述の通り、非接触かつ高精度という特徴を有するものの、血液凝固反応においては、他の生化学反応と異なり、不安定な反応曲線が計測される場合がある。この要因には、凝固反応が複数の因子が影響し合う多段階かつ複雑な反応であることや、測定計測中の反応容器に攪拌時の気泡などの異物が混入してしまう場合があること、などが挙げられる。前者の要因による不安定な反応曲線としては、反応速度が一度減少した後、再び増加する二段階反応などがある。また、後者の計測異常による不安定な反応曲線としては、反応後半に速度が零にならないドリフト反応や、反応曲線の途中で光量が短時間で大幅に変化するジャンプ異常、一時的に光量が上下に変動するノイズなどがある。
　従来、これらの異常が発生した場合には、現場の作業者は検体毎の反応曲線を目視で確認し、異常を判定および分類した後に、再検査、装置のチェックなど、その後の対応策を検討する必要があった。しかし、日常の検査業務の中で、計測された全ての反応曲線を目視で確認することは困難であり、特に、一度正常な検査値が測定されてしまったデータに対しては、異常を見落とした結果、正確性の低い検査を実施してしまう可能性があった。そこで、反応曲線に含まれる上記のような異常を自動的に検出し、作業者に通知する自動分析装置および処理方法がこれまでに提案されている。例えば、特許文献１では、特定の変化量・時間にチェック領域を設定し、光量・時間・反応速度に閾値を設けて異常を検出する血液凝固反応解析方法が提案されている。
特開２００３－１６９７００号公報
　しかし、上記特許文献１に示された方法では、検出した異常に関する情報を適切に分類することができなかった。また、光学的検出方式で取得される凝固反応過程曲線は、検体に含まれる物質の含有量により、反応の速度や反応前後の光量の変化に大きな違いが生じるため、凝固反応の進行の緩やかな反応曲線からは、異常を正確に検出できなかった。このように、従来開示されている技術では、検体毎に異なる曲線を描く特徴を有する血液凝固反応において取得されうる、異常な反応過程曲線を、正確に検出および分類することができなかった。
　本発明の目的は、サンプルに含まれる成分を分析する自動分析装置において、異常な反応過程曲線を正確に検出および分類することができる技術を提供することにある。
　上記課題を解決する為に、例えば請求の範囲に記載の構成を採用する。本願は上記課題を解決する手段を複数含んでいるが、その一例をあげるならば、サンプルと試薬を混合して反応させるための反応容器と、前記反応容器中の反応液に光を照射し、透過光量または散乱光量を測定する測定部と、前記測定部が測定した時系列の光量データを処理する制御部と、前記光量データの時系列変化を近似する近似関数を１以上記憶する記憶部と、前記制御部の処理結果を出力する出力部と、を備え、前記制御部は、前記記憶部が記憶している前記近似関数のいずれかを選択し、前記選択した近似関数を用いて前記光量データの時系列変化を表す近似曲線を算出し、前記光量データと前記近似曲線との乖離情報に基づく乖離特徴情報を算出し、前記乖離特徴情報を用いて、前記光量データに含まれる異常を検出および分類し、前記出力部は、前記検出および分類した異常に関する情報を出力する、自動分析装置が提供される。
　本発明によれば、サンプルに含まれる成分を分析する自動分析装置において、異常な反応過程曲線を正確に検出および分類することができる。本発明に関連する更なる特徴は、本明細書の記述、添付図面から明らかになるものである。また、上記した以外の、課題、構成及び効果は、以下の実施例の説明により明らかにされる。
第１実施例に係る自動分析装置の構成図である。 第１実施例における異常な光量データを検出および分類する処理フローを示す図である。 図２のステップＳ２０８における異常分類処理の処理フローを示す図である。 第２実施例における異常な光量データを検出および分類する処理フローを示す図である。 第３実施例における異常な光量データを検出および分類する処理フローを示す図である。 ジャンプ異常を含む光量データに図２のステップＳ２０３の処理を適用した場合の図である。 図６に示した時系列光量データと近似曲線との間の誤差を、時系列光量データのデータ点毎に算出してプロットした図である。 ドリフト異常を含む光量データに図２のステップＳ２０３の処理を適用した場合の図である。 図８に示した時系列光量データと近似曲線との間の誤差を、時系列光量データのデータ点毎に算出してプロットした図である。 二段階反応異常を含む光量データに図２のステップＳ２０３の処理を適用した場合の図である。 図１０に示した時系列光量データと近似曲線との間の誤差を、時系列光量データのデータ点毎に算出してプロットした図である。 ノイズを含む異常を有する光量データにステップＳ２０３の処理を適用した場合の図である。 図１２で示した時系列光量データと近似曲線との間の誤差を、時系列光量データのデータ点毎に算出してプロットした図である。 操作用コンピュータの出力画面例を示す図である。 ２つの検体からそれぞれ取得した、ドリフト異常を有する時系列光量データに図２のステップＳ２０３およびステップＳ２０５の処理を適用した場合の図である。 図１５に示した時系列光量データ１５０１と近似曲線１５０２との間の誤差、および時系列光量データ１５０３と近似曲線１５０４との間の誤差を、それぞれ時系列光量データ１５０１のデータ点毎、および時系列光量データ１５０３のデータ点毎に算出し、プロットした図である。 図１６に示した時系列の誤差データ１６０１および１６０２に図４のステップＳ４０１を適用した場合の図である。 図１７に示した時系列の誤差データ１７０１および１７０２に図４のステップＳ４０１を適用した場合の図である。 ジャンプ異常を有する反応途中の時系列光量データにステップＳ２０３の処理を適用した場合の図である。 図１９で示した時系列光量データと近似曲線との間の誤差を、時系列光量データのデータ点毎に算出してプロットした図である。
　以下、添付図面を参照して本発明の実施例について説明する。なお、添付図面は本発明の原理に則った具体的な実施例を示しているが、これらは本発明の理解のためのものであり、決して本発明を限定的に解釈するために用いられるものではない。
［第１実施例］
　図１は本発明を適用した自動分析装置の構成の概略を示す図である。当該自動分析装置は、血液由来のサンプルに含まれる成分を分析するものであり、特に血液凝固反応を分析するものである。なお、各部の機能は公知のものであるため、詳細な記述は省略する。
　本発明を適用した自動分析装置は、サンプル分注部１０１を用いて、左右に回転するサンプルディスク１０２に配置されたサンプル容器１０３内の試料を吸引し、反応容器１０４へ吐出するように構成されている。サンプル分注部１０１は、サンプル用シリンジポンプ１０５の動作に伴ってサンプルの吸引動作、及び吐出動作を実行する。試薬分注部１０６は、試薬用シリンジポンプ１１０の動作に伴って、試薬ディスク１０７に配置された試薬容器１０８内の試料を吸引し、反応容器１０４へ吐出するように構成されている。試薬分注部１０６の内部には、試薬昇温部１０９が内蔵されている。
　反応容器１０４は、反応容器ストック部１１１に格納されている。反応容器搬送部１１２は、反応容器１０４の搬送及び設置を行う。反応容器１０４は、反応容器ストック部１１１から反応容器搬送部１１２によって保持され、反応容器搬送部１１２は、回転移動して、保持した反応容器１０４を検出部１１３の反応容器設置部１１４へ設置する。反応容器設置部１１４には、反応容器１０４を載置できるように窪みが設けられており、この窪みに反応容器１０４を挿入することができる。ここで、反応容器設置部１１４は少なくとも一つ以上あり、本装置は少なくとも一つ以上の検出部１１３を備える。
　次に測定の流れを説明する。まず、各サンプルのために分析すべき分析項目は、キーボードなどの入力部１２０や、操作用コンピュータ１１８から入力される。検出部１１３の動作は、制御部１２１により制御される。サンプル分注部１０１により、サンプルディスク１０２に配置されたサンプル容器１０３内の試料が吸引され、検出部１１３内の反応容器設置部１１４へ載置された反応容器１０４へ分注される。次に試薬も同様に試薬分注部１０６により試薬ディスク１０７に配置された試薬容器１０８より吸引され、試薬昇温部１０９により適温へ昇温され、反応容器１０４へ分注される。この試薬吐出圧にて血液凝固反応が即時に開始される。
　光源１１５からの光を反応容器１０４へ照射し、反応容器１０４内の反応溶液で散乱された散乱光または透過された透過光をフォトダイオードなどの検出器１１６にて検出する。検出器１１６によって測定された測光信号は、Ａ／Ｄ変換器１２２を経由し、インターフェイス１２３を介して制御部１２１に時系列光量データとして取り込まれる。制御部１２１では、時系列光量データから凝固時間が計算される。制御部１２１による出力結果は、インターフェイス１２３を介してプリンタ１２４によって印字出力するか、又は操作用コンピュータ１１８の画面に出力すると共に、ＲＡＭやハードディスクなどで実現される記憶部１１９に格納される。測光が終了した反応容器１０４は、反応容器搬送部１１２により保持され、反応容器廃棄部１１７へ廃棄される。
　以下、制御部１２１の処理を説明する。制御部１２１は、血液凝固反応における特有の異常を検出および分類する。以下では、まず初めに血液凝固反応で発生する異常な反応曲線について説明し、その後に処理手順を説明する。
　血液凝固検査として行われているＰＴ、ＡＰＴＴ、Ｆｂｇなどで発生する血液凝固反応は、複雑な反応系を経て凝集塊が生成される生物学的反応である。この凝集塊を光学的検出方式にて検査した場合、その反応曲線は一般に成長型の曲線となる。しかし、検査に使用する検体が異常性を有している場合や、計測中の反応容器に攪拌時の気泡などの異物が混入してしまった場合に、異なる形状の反応曲線が得られる可能性がある。例えば、検体によっては、光量の変化量が次第に大きくなったのち、小さくなり、その後、再び大きくなる二段階の反応曲線が得られる場合がある。また、混合液に気泡やその他関連する粒子がしばしば巻き込まれ、気泡および粒子が測定領域を通過し、光量が一時的に変化した結果、反応曲線の途中で光量が短時間で大幅に変化するジャンプ異常、一時的に光量が上下に変動するノイズなどが発生する場合がある。また、反応曲線の後半において、反応速度が零に収束せず、光量が変化し続けるドリフト異常が発生する場合がある。
　これら全ての異常は、いずれも理想的な成長型の反応曲線から乖離した形状の反応曲線を有するという特徴を有する。そのため、この異常特性に基づき、本発明の制御部１２１では、時系列光量データから成長型の近似曲線を算出し、時系列光量データと近似曲線の乖離度を表す乖離特徴情報を算出し、この乖離特徴情報を用いて異常を検出および分類する。これにより、前述の異常を含む、凝固検査で発生することが広く知られる異常を、検出および分類することが可能になる。
　以下、制御部１２１における処理フローを、図２および図３を参照して説明する。図２は、制御部１２１における異常の検出および分類に関わる部分の処理ステップを示す図である。図３は、図２のＳ２０８で実施される処理のステップを示す図である。以下、図２の各ステップについて説明する。
　まずステップＳ２０１では、制御部１２１は、記憶部１１９にあらかじめ記憶されている、光量の時間変化を近似する複数の近似関数の中から、検査項目と試薬の組み合わせに対応した最適な近似関数を選択し取得する。例えば、検査項目と試薬の組み合わせとこれに対応する近似関数をあらかじめ定義しておき、制御部１２１は、その定義にしたがって最適な近似関数を自動的に選択してもよい。近似関数としては、例えば下記数１に示すロジスティック関数が考えられる。
［数１］
　ｙ　＝　ｙmax　－　ｙrange／（１＋ｅｘｐ（α１（ｔ－α２）））
　数１の式において、ｔは時間を表し、ｙは光量値を表し、ｙmax、ｙrange、α１、α２はパラメータである。例えば、ｙmaxは、ｙの最大値であり、ｙrangeは、ｙの値の範囲（ｙの最大値（ｙmax）－ｙの最小値（ｙmin））である。
　ステップＳ２０２では、制御部１２１は、一定周期毎に検出器１１６で検出された光／電流変換データをＡ／Ｄ変換器１２２とインターフェイス１２３を経由して、時系列光量データとして取り込む。取り込んだ時系列光量データを監視し、凝固反応が終了したら、ステップＳ２０３に進む。凝固反応の終了判定は、一般に広く知られる方法を用いることができる。例えば、時系列光量データの測定時間に閾値を設定する手法や、最新の光量値や光量値の変化量に閾値を設定する手法などによって凝固反応が完了したことを判定することができる。
　ステップＳ２０３では、制御部１２１は、ステップＳ２０１において選択した近似関数によって表現される時間－光量値の近似曲線と、時系列光量データとの差がなるべく小さくなるように、近似関数中のパラメータの値を算出する。例えば、時系列光量データと、近似関数により算出される光量との間の２乗誤差がなるべく小さくなるように、近似関数中のパラメータの値を定める。パラメータ値を算出する手法としては、例えば最小２乗計算方法を最急降下法やニュートン法などと組み合わせて用いることができる。本ステップにより、光量データを最も良く近似する近似曲線が求められる。すなわち、記憶部１１９が格納している近似関数は、光量データを表す近似曲線を求めるための初期値としての機能を有する。
　ステップＳ２０４では、制御部１２１は、ステップＳ２０３で算出された近似曲線と、時系列光量データとの間の乖離特徴情報を算出する。ここで、乖離特徴情報とは、近似曲線が時系列光量データを近似する程度を表す情報のことであり、スカラー値、もしくはベクトル値として算出される情報である。乖離特徴情報には、例えば、時系列光量データと近似曲線との間の誤差を、時系列光量データ点毎に算出した時系列誤差データを用いることができる。誤差は絶対値ではなく、正負を持つ値として算出した値、例えば、時系列光量データの値から、近似曲線により算出される光量の値を減算して算出した値を用いることできる。以下の本実施例では、時系列光量データの値から近似曲線により算出される光量の値を減算して算出した時系列誤差データを乖離特徴情報として用いる場合を例に説明するが、算出する乖離特徴情報はこれに限定されない。
　ステップＳ２０５では、制御部１２１は、反応曲線から特徴量を算出する。ここでの反応曲線とは、ステップＳ２０２で取込んだ時系列光量データと、ステップＳ２０３で算出した近似曲線とを含む。特徴量として、例えば、近似曲線に基づき算出した暫定的な凝固時間を用いることができる。以下では、近似曲線に基づき算出した凝固時間を用いる例を説明するが、特徴量として、ステップＳ２０２で取込んだ時系列光量データ（すなわち、生の測定データ）から求めた凝固時間を用いてもよい。なお、凝固時間を算出する手法としては、広く知られている任意の方法を用いることができる。例えば、近似曲線の隣同士のデータ間差分を計算することによって微分データを算出し、その微分データのピーク位置を凝固時間として算出する方法などが考えられる。
　ステップＳ２０６では、制御部１２１は、ステップＳ２０４で算出した乖離特徴情報に基づき、時系列光量データに異常が含まれるか否かを判定する。判定方法の例としては、乖離特徴情報として算出された時系列誤差データに対して、誤差に関する閾値を設定し、閾値以上の誤差を有するデータ点数を算出し、算出したデータ点数と、異常データ点数に関する閾値とを比較して、異常を判定する方法を用いることができる。
　誤差に関する閾値は、事前に決定した値を用いてよい。また、誤差に関する閾値は、ステップＳ２０２で取り込んだ時系列光量データのデータ点数および光量値の範囲に基づいて決定してもよい。また、ステップＳ２０５で算出した近似曲線の特徴量に基づいて決定してもよい。また、誤差に関する閾値は、ステップＳ２０４で算出した乖離特徴情報に基づいて、例えば、時系列誤差データの部分集合のデータの分散や平均などの値に基づいて決定してもよい。
　異常データ点数に関する閾値は、事前に決定した値を用いてよい。また、異常データ点数に関する閾値は、ステップＳ２０２で取込んだ時系列光量データのデータ点数に基づいて決定してもよい。また、異常データ点数に関する閾値は、ステップＳ２０５で算出した近似曲線の特徴量に基づいて決定してもよい。また、ステップＳ２０４で算出した乖離特徴情報に基づいて算出してもよい。
　ステップＳ２０７では、制御部１２１は、ステップＳ２０６の異常判定の結果に基づき、その後の処理ステップを決定する。ステップＳ２０６で異常と判定されなかった場合、処理を終了する。異常と判定された場合、ステップＳ２０８に進む。
　ステップＳ２０８では、制御部１２１は、ステップＳ２０４で算出した乖離特徴情報に基づき、時系列光量データに含まれる異常の種類を分類し、分類した異常に該当する異常コードを記憶部１１９より読み出す。ここで異常コードとは、予め分類された異常の種類毎に割り当てられたキー情報である。記憶部１１９には、異常コードと、その異常コードに対応する異常に関する情報とが関連付けて格納されている。分類方法の例としては、記憶部１１９に予め記憶された決定木に基づき、ステップＳ２０４で算出した乖離特徴情報に対して判定処理を繰り返し適用し、時系列光量データに含まれる異常の種類を分類する。時系列誤差データに対する決定木を用いた異常分類処理の処理ステップの例は、図３を用いて後述する。
　ステップＳ２０９では、制御部１２１は、ステップＳ２０８で算出した異常コードをキーとして、記憶部１１９に記憶される異常に関する情報を読み出し、操作用コンピュータ１１８やプリンタ１２４に出力する。ここで、異常に関する情報とは、異常の名称、異常の種類、異常への対処方法（異常の種類に対応した対策）などを含む。したがって、再検査などの次の対応に迅速に移行でき、検査業務の効率化を実現できる。さらに、出力する情報には、サンプル番号や検査項目などの基本情報、ステップＳ２０２で取り込んだ時系列光量データに関する情報、ステップＳ２０３で算出した近似曲線に関する情報、ステップＳ２０４で算出した乖離特徴情報、ステップＳ２０５で算出した反応曲線の特徴量に関する情報、ステップＳ２０６で判定した異常が含まれるか否かに関する情報、などを含んでもよい。また、出力する情報は、記憶部１１９に保存してもよい。
　図１４は、操作用コンピュータ１１８の出力画面の例である。図１４の画面は、基本情報表示部１４０１と、グラフ表示部１４０２とを含む。基本情報表示部１４０１には、各サンプルの番号、検査項目、異常コードといった情報が表示される。グラフ表示部１４０２には、基本情報表示部１４０１において選択した行に対応する時系列光量データの反応曲線および近似曲線を示すグラフが表示される。図１４の例では、基本情報表示部１４０１の検体番号「０００３」の行が選択され、これに対応する時系列光量データの反応曲線および近似曲線を示すグラフと、異常の発生した範囲（異常発生範囲）とが、グラフ表示部１４０２に表示されている。
　次に、図３を用いてステップＳ２０８の異常分類処理の処理ステップの例を説明する。本異常分類処理は、ステップＳ２０４において、制御部１２１が時系列誤差データを乖離特徴情報として算出した場合に有効な処理の例として説明する。
　まず、ステップＳ３０１では、制御部１２１は、時系列誤差データに急な変化が存在するか否かを判定する。誤差の急な変化は、あるデータ点の誤差と、それ以降に取得されたデータ点の誤差との間の変化量に閾値を設定することで、検出することができる。閾値は予め設定されたものを用いることができる。このとき、変化量を算出するデータ点の正負が異なるか否かを判定基準に加えても良い。急な変化が存在すると判定された場合は、ステップＳ３０８に進む。判定されなかった場合はステップＳ３０２に進む。
　ステップＳ３０２では、制御部１２１は、時系列誤差データを用いて、時系列光量データにおいて異常が発生した時系列上の範囲を算出する。この範囲を以後、異常発生範囲と呼ぶ。異常発生範囲は、時系列誤差データと同じ長さのベクトルであって、各データ点が異常であるか否かを１と０の２値で表現したベクトルで表現することができる。また、異常発生範囲は、異常と定められたデータ点の集合の開始位置と終了位置を定義することでも表現することができる。異常発生範囲の算出方法としては、例えば、時系列誤差データの各データ点の値と、予め設定した閾値を比較し、閾値以上の値を有するデータ点を異常なデータ点と定めた上で、範囲を算出する方法を用いることができる。
　ステップＳ３０３では、制御部１２１は、ステップＳ３０２で算出した異常発生範囲の時系列誤差データの形状に関する特徴量を算出する。以下、特徴量の例について説明する。以下の説明における異常発生範囲には、ステップＳ３０２で算出した異常発生範囲全てを用いてもよいし、異常発生範囲を、連続するデータ点を有する範囲に分割し、その一部を用いてもよい。さらに、異常発生範囲に含まれる誤差データの正負に基づき分割し、その一部を用いてもよい。
　特徴量の１つ目の例を挙げる。異常発生範囲に含まれるデータ点数を特徴量とする。
　特徴量の２つ目の例を挙げる。異常発生範囲内の時系列誤差データの平均値、分散値、合計値、最大値、中央値、四分位値、開始位置の誤差値、終了位置の誤差値など、誤差から演算可能な値を特徴量とする。このとき、最大値、中央値、四分位値などを取る時間を特徴量としてもよい。さらに、これら複数の値を組み合わせて、四則演算により算出した値を特徴量としてもよい。
　特徴量の３つ目の例を挙げる。異常発生範囲における誤差データに、記憶部１１９に記憶される近似関数を近似して得たパラメータおよび近似の度合いを表す指標を特徴量とする。近似関数としては、多項式や三角関数に基づく数式などを用いることができる。近似の度合いとしては、最小二乗誤差和や決定係数などを用いることができる。
　特徴量の４つ目の例を挙げる。異常発生範囲を分割した各範囲において、上記に説明した特徴量をそれぞれ算出し、それら算出した特徴量を組み合わせて四則演算により算出した値を特徴量としてもよい。
　ステップＳ３０４では、制御部１２１は、ステップＳ３０２で算出した異常発生範囲が反応後半に多く存在するか否かを判定する。判定は、ステップＳ２０５で算出した近似曲線の特徴量を用いることで実施できる。例えば、ステップＳ２０５で算出した暫定的な凝固時間を基準として、その暫定的な凝固時間よりも後に異常発生範囲が多いかを判定してもよい。異常発生範囲は、暫定的な凝固時間よりも前の時間範囲および暫定的な凝固時間よりも後の時間範囲の両方に出現する場合があり得る。したがって、上記判定により、異常発生範囲が反応後半により多く存在するか否かを判定する。異常発生範囲が後半に多く存在する場合、ステップＳ３０７に進む。後半に多く存在しない場合、ステップＳ３０５に進む。
　なお、ステップＳ３０４の判定は、これに限定されない。例えば、異常発生範囲が反応の後半のみに存在するか否かを判定してもよい。異常発生範囲は、暫定的な凝固時間よりも前の時間範囲又は暫定的な凝固時間よりも後の時間範囲のいずれかのみに出現する場合もあり得る。この場合、ステップＳ２０５で算出した暫定的な凝固時間と、異常発生範囲の開始位置とを比較することで、異常発生範囲が反応の後半のみに存在するか否かを判定することができる。
　ステップＳ３０５では、制御部１２１は、ステップＳ３０２で算出した異常発生範囲が反応前半に多く存在するか否かを判定する。判定は、ステップＳ２０５で算出した近似曲線の特徴量を用いることで実施できる。例えば、ステップＳ２０５で算出した暫定的な凝固時間を基準として、その暫定的な凝固時間よりも前に異常発生範囲が多いかを判定してもよい。異常発生範囲は、暫定的な凝固時間よりも前の時間範囲および暫定的な凝固時間よりも後の時間範囲の両方に出現する場合があり得る。したがって、上記判定により、異常発生範囲が反応前半により多く存在するか否かを判定する。異常発生範囲が前半に多く存在する場合、ステップＳ３０６に進む。前半に多く存在しない場合、ステップＳ３１０に進む。
　なお、ステップＳ３０５の判定は、これに限定されない。例えば、異常発生範囲が反応の前半のみに存在するか否かを判定してもよい。異常発生範囲は、暫定的な凝固時間よりも前の時間範囲又は暫定的な凝固時間よりも後の時間範囲のいずれかのみに出現する場合もあり得る。この場合、ステップＳ２０５で算出した暫定的な凝固時間と、異常発生範囲の終了位置とを比較することで、異常発生範囲が反応の前半のみに存在するか否かを判定することができる。
　ステップＳ３０６では、制御部１２１は、ステップＳ３０３で算出した特徴量と予め定められた閾値を比較し、異常の種類が二段階反応異常であるかを判定する。特徴量が閾値以上である場合は、ステップＳ３０９に、特徴量が閾値以上でない場合は、ステップＳ３１０に進む。判定に使用する特徴量としては、例えば、異常発生範囲の誤差の合計値や、各異常発生範囲の誤差の合計値の異常発生範囲間での割合などを用いることができる。
　ステップＳ３０７では、制御部１２１は、ステップＳ３０３で算出した特徴量と予め定められた閾値を比較し、異常の種類がドリフト異常であるかを判定する。特徴量が閾値以上である場合は、ステップＳ３１１に、特徴量が閾値以上でない場合は、ステップＳ３１０に進む。判定に使用する特徴量としては、例えば、異常発生範囲に一次式を近似して得たパラメータを用いることができる。
　ステップＳ３０８では、制御部１２１は、ステップＳ２０６で検出した異常をジャンプ異常と分類し、ジャンプ異常に対応する異常コード、およびジャンプ異常に関する情報を記憶部１１９から読み出す。
　ステップＳ３０９では、制御部１２１は、ステップＳ２０６で検出した異常を二段階反応異常として分類し、二段階反応異常に対応する異常コード、および二段階反応異常に関する情報を記憶部１１９から読み出す。
　ステップＳ３１０では、制御部１２１は、ステップＳ２０６で検出した異常をその他の異常として分類し、その他の異常に対応する異常コード、およびその他の異常に関する情報を記憶部１１９から読み出す。このように、その他の異常の分類を設定しておくことにより、これまで認識されていなかった異常を把握することが可能となる。この時、さらに特徴量に対してＳ３０６およびＳ３０７と異なる閾値判定を実施し、その他の異常をさらに分類してもよい。その他の異常としては、例えば、ノイズを含む反応曲線が挙げられる。
　ステップＳ３１１では、制御部１２１は、ステップＳ２０６で検出した異常をドリフト異常として分類し、ドリフト異常に対応する異常コード、およびドリフト異常に関する情報を記憶部１１９から読み出す。
　以下、ジャンプ異常、ドリフト異常、二段階反応異常、ノイズ異常を分類する処理を、それぞれ図６と図７、図８と図９、図１０と図１１、図１２と図１３を用いて説明する。
　まず、ステップＳ３０１でジャンプ異常を分類する処理について説明する。ステップＳ３０１の処理を説明するにあたり、本異常の分類時におけるステップＳ２０３の近似曲線算出処理と、ステップＳ２０４の乖離特徴情報算出処理をそれぞれ、図６と図７を用いて説明する。
　図６は、ステップＳ２０３における近似曲線算出処理を、ジャンプ異常を含む時系列光量データに適用した際の処理イメージを示す図である。横軸６０１は、反応開始からの時間の経過を表し、縦軸６０２は、光量を表す。点曲線６０３は、ジャンプ異常を含む時系列光量データを模式的に表わしたデータ点を表す。実曲線６０４は、算出した近似曲線を表す。
　点曲線６０３は、反応中に時間に対して局所的に反応の変化量が変化するジャンプ異常（点線ａ―ｂ部分）を含む。このような異常を有する時系列光量データに、近似曲線を近似すると、異常の発生した時間および前後の時間において、時系列光量データと近似曲線との乖離が大きくなる。本例では、ジャンプした箇所において、近似曲線と時系列光量データが交わる点が存在する（符合ｃ）。
　図７は、ステップＳ２０３で算出した近似曲線と時系列光量データとの乖離特徴情報として、図６に示した時系列光量データ６０３と、近似曲線６０４との間の誤差をステップＳ２０４で算出し、プロットした図である。横軸６０１は、図６と同一の意味を表す。縦軸７０１は、図６の時系列光量データ６０３と近似曲線６０４の間の誤差を表す軸である。点曲線７０２は、時系列光量データ６０３と近似曲線６０４の間の誤差値をプロットしたものである。ここで、点曲線７０２上の符合ａ´、ｂ´、ｃ´はそれぞれ、図６の点曲線６０３上の符号ａ、ｂ、ｃの位置のデータ点から算出した誤差値に対応する。
　図６の点曲線６０３と図７の点曲線７０２とを比較すると、点曲線６０３において異常が発生した領域である点線ａ－ｃ－ｂ部分が、点曲線７０２においては、点ａ´や点ｂ´の箇所の誤差が大きくなった結果、点線ａ´－ｃ´－ｂ´部分の変化量が、それ以外の範囲と大きく異なる形で、具体的には、急激に値が増加する形で表わされていることが分かる。
　ステップＳ３０１では点曲線７０２で表わされる時系列の誤差値の変化量に閾値を設定することでジャンプ異常を検出する。点線ａ´－ｂ´部分のように、他の部分と変化量が大きく変化する領域を抽出することで、ジャンプ異常を分類できる。
　次に、ステップＳ３０４およびステップＳ３０７でドリフト異常を分類する処理について説明する。ドリフト異常を分類する処理について説明するにあたり、本異常の分類時におけるステップＳ２０３の近似曲線算出処理と、ステップＳ２０４の乖離特徴情報算出処理をそれぞれ、図８と図９を用いて説明する。
　図８は、ステップＳ２０３における近似曲線算出処理を、ドリフト異常を含む時系列光量データに適用した際の処理イメージを示す図である。加えて、図８には、ステップＳ２０５で近似曲線から算出した暫定的な凝固時間も示されている。横軸６０１と縦軸６０２は図６と同一の意味を表す。点曲線８０１は、ドリフト異常を含む時系列光量データを模式的に表わしたデータ点を表す。実曲線８０２は、算出した近似曲線を表す。破直線８０３は、近似曲線から算出された暫定的な凝固時間を表す。
　点曲線８０１は、凝固反応の後半に、反応速度が小さい値に収束せず、光量が変化しつづける、ドリフト異常を含む。このような異常を有する時系列光量データに、近似曲線を近似すると、ドリフトが発生している時間範囲において、時系列光量データと近似曲線との乖離が大きくなる。
　図９は、ステップＳ２０３で算出した近似曲線と時系列光量データとの乖離特徴情報として、図８に示した時系列光量データ８０１と、近似曲線８０２との間の誤差をステップＳ２０４で算出し、ステップＳ３０２の異常発生範囲算出処理を適用した結果をプロットした図である。加えて、図９には、ステップＳ２０５で近似曲線から算出した暫定的な凝固時間も示されている。横軸６０１は、図６と同一の意味を表す。縦軸７０１は、図７と同一の意味を表す。点曲線９０１は、図８の時系列光量データ８０１と近似曲線８０２の間の誤差値をプロットしたものである。破直線９０２および破直線９０３は、ステップＳ３０２において、異常発生範囲を算出するために設定した閾値である。点線ｄ－ｅは、ステップＳ３０２で算出された異常発生範囲である。破直線８０３は、図８と同一の意味を示す。
　本例で示すようなドリフト異常においては、点線ｄ－ｅで表される異常発生範囲と破直線８０３で表される暫定的な凝固時間を比較すると、異常発生範囲（ｄ－ｅ）が凝固時間８０３よりも後ろに存在することが分かる。よって、ステップＳ３０４により、異常発生範囲の位置を判定することで、異常が後半に多く発生すると判定することができる。
　さらに、ステップＳ３０７で、異常発生範囲における時系列誤差データの特徴量を判定することで、ドリフト異常と判定できる。例えば、点線ｄ－ｅの傾きや、一次式を回帰したパラメータを特徴量として用いることで、ドリフト異常の度合いを定量化でき、ドリフト異常と判定できる。
　次に、ステップＳ３０５およびステップＳ３０６で二段階反応異常を分類する処理について説明する。二段階反応異常を分類する処理を説明するにあたり、本異常の分類時におけるステップＳ２０３の近似曲線算出処理と、ステップＳ２０４の乖離特徴情報算出処理をそれぞれ、図１０と図１１を用いて説明する。
　図１０は、ステップＳ２０３における近似曲線算出処理を、二段階反応異常を有する時系列光量データに適用した際の処理イメージを示す図である。加えて、図１０には、ステップＳ２０５で近似曲線から算出した暫定的な凝固時間も示されている。横軸６０１と縦軸６０２は図６と同一の意味を表す。点曲線１００１は、二段階反応異常を含む時系列光量データを模式的に表わしたデータ点を表す。実曲線１００２は、算出した近似曲線を表す。破直線１００３は近似曲線から算出された暫定的な凝固時間を表す。
　点曲線１００１は、凝固反応の前半に、一度反応速度が小さくなり、その後再び大きくなる、二段階反応異常を含む。このような異常を有する時系列光量データに、近似曲線を近似すると、二段階反応異常が発生している時間範囲において、時系列光量データと近似曲線との乖離が大きくなる。
　図１１は、ステップＳ２０３で算出した近似曲線と時系列光量データとの乖離特徴情報として、図１０に示した時系列光量データ１００１と、近似曲線１００２との間の誤差をステップＳ２０４で算出し、ステップＳ３０２の異常発生範囲算出処理を適用した結果をプロットした図である。加えて、図１１には、ステップＳ２０５で近似曲線から算出した暫定的な凝固時間も示されている。横軸６０１は、図６と同一の意味を表す。縦軸７０１は、図７と同一の意味を表す。点曲線１１０１は、時系列光量データ１００１と近似曲線１００２の間の誤差値をプロットしたものである。破直線１１０２および破直線１１０３は、ステップＳ３０２において、異常発生範囲を算出するために設定した閾値である。点線ｆ－ｇおよび点線ｈ－ｉは、ステップＳ３０２で算出された異常発生範囲である。破直線１００３は図１０と同一の意味を示す。
　本例で示すような二段階反応異常においては、点線ｆ－ｇおよび点線ｈ－ｉで表される異常発生範囲と破直線１００３で表される暫定的な凝固時間を比較すると、異常発生範囲が凝固時間よりも前に存在することが分かる。よって、ステップＳ３０５により、異常発生範囲の位置を判定することで、異常が前半に多く発生すると判定することができる。
　さらに、ステップＳ３０６で、異常発生範囲における時系列誤差データの特徴量を判定することで、二段階反応異常と判定できる。例えば、点線ｆ－ｇの傾きや、点線ｈ－ｉの誤差の合計を特徴量として用いることで、二段階反応異常の度合いを定量化でき、二段階反応異常と判定できる。また、各異常発生範囲の誤差の合計値の異常発生範囲間での割合（比率）なども特徴量として算出してもよい。
　次に、ステップＳ３１０でその他の異常としてノイズ異常を分類する処理について説明する。ノイズ異常を分類する処理を説明するにあたり、本異常の分類時におけるステップＳ２０３の近似曲線算出処理と、ステップＳ２０４の乖離特徴情報算出処理をそれぞれ、図１２と図１３を用いて説明する。
　図１２は、ステップＳ２０３における近似曲線算出処理を、ノイズ異常を有する反応曲線に適用した際の処理イメージを示す図である。横軸６０１と縦軸６０２は図６と同一の意味を表す。点曲線１２０１はノイズ異常を含む時系列光量データを模式的に表わしたデータ点を表す。実曲線１２０２は、算出した近似曲線を表す。
　点曲線１２０１は、凝固反応の前半に、光量が上下するノイズ異常を含む。このような異常を有する時系列光量データに、近似曲線を近似すると、ノイズ異常が発生している時間範囲において、時系列光量データと近似曲線との乖離が大きくなる。
　図１３は、ステップＳ２０３で算出した近似曲線と時系列光量データとの乖離特徴情報として、図１２に示した時系列光量データ１２０１と、近似曲線１２０２との間の誤差をステップＳ２０４で算出し、ステップＳ３０２の異常発生範囲算出処理を適用した結果をプロットした図である。横軸６０１は、図６と同一の意味を表す。縦軸７０１は、図７と同一の意味を表す。点曲線１３０１は、時系列光量データ１２０１と近似曲線１２０２の間の誤差値をプロットしたものである。破直線１３０２および破直線１３０３は、ステップＳ３０２において、異常発生範囲を算出するために設定した閾値である。点線ｊ－ｋは、ステップＳ３０２で算出された異常発生範囲である。
　本例で示すようなノイズ異常においては、点線ｊ－ｋで表される異常発生範囲において、形状が鋭くなる傾向がある。そのため、形状を表す特徴量に着目することで、ノイズ異常だと判定することができる。例えば、異常発生範囲（点線ｊ－ｋの時間軸上での長さ）と異常発生範囲の誤差最大値（図１３の点線ｊ－ｋの範囲でのピークの値）との比率などを用いて、判定することができる。図１２及び図１３の例では、時間軸上の短い範囲の中で誤差値が突出するようなノイズの例を示したが、ノイズ異常などのその他の異常はこれに限定されない。例えば、時間軸上でより長い範囲で異常発生範囲となるような異常、すなわち、長い時間にわたって近似曲線に対して大きな誤差を有するノイズなども対象としてもよい。
　以下、第１実施例の変形例について述べる。以上に述べた第１実施例では、制御部１２１で図２および図３に示す処理を行う例を示したが、装置の他の部分で処理を行うことも可能である。例えば、操作用コンピュータ１１８内においてソフトウェアとして図２および図３の処理を実行することも可能である。
　以上に述べた第１実施例では、近似関数、処理途中のデータ、および処理の結果を記憶部１１９に保存する例を示したが、装置の他の部分に保存することも可能である。例えば、操作用コンピュータ１１８内部の記憶部を使用することも可能である。
　以上に述べた第１実施例では、ステップＳ２０１において、近似関数として（数１）を用いる例について説明したが、本発明に用いることができる近似関数は（数１）に限定されず、成長曲線型の成長関数を広く用いることができる。ここで述べている成長関数とは、初期は時間に対する変化量が少なく、次第に変化量が大きくなり、後期は再び変化量が少なくなる形状を有することを特徴とする関数のことである。例えば、成長関数の一例は、時刻に対する測定値の変化量が次第に大きくなる第１領域と、前記第１領域よりも後の時刻において時刻に対する測定値の変化量が前記第１領域よりも小さい第２領域とを有する関数である。具体的な成長曲線型の関数の例として、ロジスティック関数、ゴンペルツ関数、ヒル関数などがある。また、前記成長関数の項の一部を累乗、もしくは前記成長関数に時間に関する非線形式を乗算、もしくは前記成長関数に時間に関する非線形式を加算、もしくは前記成長関数の入力値を事前に非線形式により非線形変換した関数などを用いてもよい。前記非線形式には、例えば、多項式などを用いることができる。
　以上に述べた第１実施例では、制御部１２１は、ステップＳ２０２において、取り込んだ時系列光量データをそのまま使用する例を説明したが、取り込んだ時系列光量データの光量値にあらかじめ平滑化フィルタを適用し、平滑化後の時系列光量データを用いてもよい。平滑化フィルタとしては、移動平均フィルタ、中央値フィルタなど、公知の平滑化手法を広く適用することができる。
　以上に述べた第１実施例では、制御部１２１は、ステップＳ２０３において、近似曲線と時系列光量データとの差がなるべく小さくなるように、近似関数中のパラメータの値を算出する例について説明したが、パラメータの値の算出方法はこれに限定されず、近似曲線と時系列光量データとの差以外の指標を小さく、もしくは大きく、あるいはある特定の値に近づくように、近似関数中のパラメータの値を算出することができる。例えば、時系列光量データの一部のデータだけを選択し、それらのデータと近似曲線との差がなるべく小さくなるようにパラメータの値を算出してもよい。また、時系列光量データのデータ点毎に異なる重みを定義し、各データ点と近似曲線との差にそれぞれ重みを掛け合わせた指標がなるべく小さくなるようにパラメータの値を算出してもよい。また、各パラメータの目標値との乖離状態を指標として用いてもよい。
　以上に述べた第１実施例では、制御部１２１は、ステップＳ２０４において、乖離特徴情報として、時系列光量データと近似曲線との間の時系列の誤差データ（時系列誤差データ）を算出する例を説明したが、これ以外の情報を用いてもよい。例えば、誤差の絶対値の時系列データを用いてもよいし、誤差の和を用いてもよい。また近似の度合いを表す決定係数を用いてもよい。またこれら指標を複数組み合わせたベクトルでもよい。
　以上に述べた第１実施例では、制御部１２１は、ステップＳ２０５において、近似曲線に基づき算出した暫定的な凝固時間を特徴量として扱う例を説明したが、これ以外の特徴量を用いてもよい。例えば、取得した近似曲線に該当する近似関数中のパラメータや、近似曲線に基づき算出した反応終了時間などを用いてもよい。また、生のデータである時系列光量データから、最大値、データ長、凝固時間、あるいは反応終了時間などを計算して用いてもよい。
　以上に述べた第１実施例では、制御部１２１は、ステップＳ２０６において、閾値以上の誤差を有するデータ点数を算出し、算出したデータ点数と、異常データ点数に関する閾値とを比較して、異常を判定する例を説明したが、異常判定方法はこれに限定されない。例えば、誤差の絶対値に閾値を設定して閾値判定してもよいし、誤差の正負の値それぞれに異なる閾値を設定して閾値判定してもよい。これにより、例えば、近似曲線の上部に存在するデータ点のみに基づき、異常を判定する、といった変形例も実現されうる。また、時系列光量データと近似曲線との二乗誤差和や決定係数などの値に閾値を設けて判定してもよい。
　以上に述べた第１実施例では、制御部１２１は、ステップＳ２０８おいて、図３に示される決定木を用いて異常の分類を実施したが、異常の分類に用いる決定木は図３で示したものに限定されない。例えば、各異常の分類を独立で評価する決定木を複数用いて分類を実施してもよいし、異なる決定木を用いて分類を実施してもよい。
　以上に述べた第１実施例では、制御部１２１は、ステップＳ２０８において、記憶部１１９に予め記憶された決定木に基づき、ステップＳ２０４で算出した乖離特徴情報に対して判定処理を繰り返し適用し、時系列光量データに含まれる異常の種類を分類する例を説明したが、異常の分類方法はこの方法に限定されない。例えば、記憶部１１９は、任意の次元数の空間定義、および各異常コードに対応付けられた任意数のベクトルを記憶しており、制御部１２１は、ステップＳ２０４で算出した乖離特徴情報を線形写像もしくは非線形写像により上記の空間に写像した後、既存の分類手法により異常コードを決定してもよい。分類手法としては、例えば再近傍探索法、ｋ近傍法、サポートベクトル分類器、などの公知の手法を用いることができる。また例えば、記憶部１１９は、乖離特徴情報、もしくは乖離特徴情報を線形写像もしくは非線形写像により変換した任意次元のベクトルを引数にとり、各異常コードに対応する値を返す評価用関数を記憶しており、制御部１２１は、ステップＳ２０４で算出した乖離特徴情報、または乖離特徴情報を線形写像もしくは非線形写像したベクトルを、評価用関数を用いて分類してもよい。評価用関数としては、ニューラルネットワークなど公知の手法を用いることができる。
　すなわち、分類処理の変形例として、記憶部１１９が、（１）異常の種類と対応付けられた少なくとも１つ以上の任意次元ベクトル、（２）異常の種類と対応付けられた少なくとも１つ以上の任意次元空間内の識別境界、（３）異常の種類と対応付けられた少なくとも１つ以上の任意次元空間内の部分空間、（４）任意次元ベクトルを引数とし、異常の種類と対応付けられた値を出力値とする評価関数、のいずれかを記憶し、制御部１２１は、乖離特徴情報を線形または非線形の写像により、任意次元のベクトル特徴情報に変換し、前記任意次元ベクトル、前記識別境界、前記部分空間、または前記評価関数の出力値に基づいて異常の種類を分類してもよい。このように決定木以外の手法により、測定値のデータの特徴量を任意の異常パターンに当てはめて、異常の分類を行うことが可能となる。
　以上に述べた第１実施例では、制御部１２１は、ステップＳ３０２において、時系列誤差データの各データ点の値と、予め設定した閾値を比較し、閾値以上の値を有するデータ点を異常なデータ点と定めた上で、異常発生範囲を算出する例を説明したが、異常発生範囲の算出方法はこれに限定されない。例えば、誤差の絶対値に閾値を設定して閾値判定したデータ点を異常なデータ点と定めて異常発生範囲を算出してもよいし、誤差の正負の値それぞれに異なる閾値を設定して閾値判定したデータ点を異常なデータ点と定めて異常発生範囲を算出してもよい。
　以上に述べた第１実施例では、制御部１２１は、ステップＳ３０３において、異常発生範囲の時系列誤差データの形状に関する特徴量を算出する例を説明したが、この特徴量は、時系列誤差データ全体を用いて、算出してもよい。
　以上に述べた第１実施例では、制御部１２１は、ステップＳ２０６で異常を判定し、ステップＳ２０８で異常を分類する処理を実施する例を説明したが、これらの処理を同一のステップでまとめて実施してもよい。例えば、記憶部１１９は、正常反応に対応するコードを予め記憶しておき、制御部１２１は、ステップＳ２０６およびステップＳ２０７を何の処理も実施せずに通過し、ステップＳ２０８において、異常分類を実施する際に異常の判定も同時に実施し、異常の発生していない検体に関しては、正常反応に対応するコードを読み出してもよい。
　以上に述べた第１実施例では、制御部１２１は、ステップＳ２０８において、分類した異常の種類に基づき、記憶部１１９に記憶された異常コードを読み出して、ステップＳ２０９においてその内容を出力する例を説明したが、これに限定されまい。上記以外の情報をステップＳ２０８で算出してもよく、さらにステップＳ２０９でその情報を出力してもよい。例えば、ステップＳ２０８において、異常分類の確実性を表す指標を合わせて算出し、ステップＳ２０９において出力してもよい。異常分類の確実性を表す指標は、例えば、特徴量と閾値の値との間の関係性に基づき算出することができる。特徴量の値が、閾値を大きく超える場合は、異常分類の確実性を高いと判断し、閾値付近の場合は、異常分類の確実が低いと判断することができる。これらの指標は確実性が高い／低いといった定性的な情報として算出および出力してもよいし、閾値を超える量に基づき、定量的な値、例えば確実性を表す百分率の値などを算出および出力してもよい。
　以上に述べた第１実施例では、ステップＳ２０９において、時系列光量データの凝固反応曲線と近似曲線と異常の発生した範囲を、出力画面上の同じ図に出力したが、これらは別々の図に出力してもよい。また、異常発生範囲を、見分けがつくように、例えば色を変更したり、データ点の形状を変えて出力してもよい。また、出力内容も図１４の例に限定されない。操作用コンピュータ１１８やプリンタ１２４などの出力部は、（１）第１軸を時間、第２軸を光量値として出力した時系列光量データ、（２）第１軸を時間、第２軸を光量値として出力した近似曲線、（３）乖離特徴情報、（４）分析の結果（例えば、血液凝固時間など）、（５）近似関数の式、（６）異常の検出の結果（異常が検出されたか否かの情報）、（７）異常の分類の結果（異常コードなどの情報）、（８）異常への対応処理の情報（各異常に対する対処方法の情報）の少なくとも１つを出力してもよい。
　以上に述べた第１実施例では、二段階反応、ドリフト反応、ジャンプ反応、ノイズなどの異常について説明したが、この異常に限定されない。検出および分類される異常は、例えば、（１）時系列のデータにおける測定値（例えば、光量値）の変化量が急に増加または減少する異常、（２）時系列のデータにおける測定値の変化量が一度増加して減少した後、再び増加する異常、（３）時系列のデータにおける測定値の変化量が、一定の値または所定の範囲内に留まる異常（すなわち、測定値が収束しない異常など）の少なくとも１つを含んでもよい。
　以上に述べたように、本発明の第１実施例では、時系列光量データの近似曲線を算出し、時系列光量データと近似曲線との乖離特徴情報を算出し、乖離特徴情報を分析することにより、血液凝固反応に特有な二段階反応、ドリフト反応、ジャンプ反応、ノイズなどの異常を検出および分類でき、異常に関する情報の提示が可能になる。
［第２実施例］
　本発明の第２実施例では、異常を分類する手法について、第１実施例とは異なる動作例を説明する。自動分析装置の構成は第１実施例と同様であるため、以下では制御部１２１の動作に関する差異点を中心に説明する。
　本実施例２において、制御部１２１は、検体毎に取得した時系列光量データまたは時系列光量データの近似曲線から取得した情報を用いて、乖離特徴情報を正規化する。一般に、凝固検査において取得される反応曲線は、その検体に含まれる対象物質の濃度に応じて、反応速度や光量の変化量が異なる特徴を有する。本実施例では、時系列光量データと近似曲線から取得した乖離特徴情報を正規化することで、それら反応曲線形状の違いを有する検体が混在した場合においても、異常を正確に分類可能な自動分析装置を提供する。
　図４は、第２実施例において制御部１２１が異常の検出および分類を実施する処理フローを示す図である。図４に示す処理フローにおいて、第１実施例の図２で説明したものと同じステップについては、同じステップ番号を付した。すなわち、ステップＳ２０１からステップＳ２０５までの処理、ステップＳ２０６からステップＳ２０９までの処理は、図２と同一であるので、説明を省略する。第２実施例においては、ステップＳ２０５とステップＳ２０６との間にステップＳ４０１が導入される。制御部１２１は、ステップＳ４０１において、ステップＳ２０４で算出した乖離特徴情報を正規化する。正規化は、ステップＳ２０５で算出した反応曲線特徴量を用いて実施する。
　以下、正規化方法の例を説明する。正規化方法の１つ目の例は、時間情報を有する乖離特徴情報に対する時間軸方向の正規化である。時間情報を有する乖離特徴情報としては、例えば、時系列光量データと近似曲線との間の誤差を、時系列光量データ点毎に算出した時系列誤差データがある。この場合の時間情報は、時系列誤差データに含まれる各データ点が有するデータの計測時間である。正規化方法としては、例えば、ステップＳ２０５で近似曲線から算出した暫定的な凝固時間を用いて、乖離特徴情報が有する時間情報を除算し、時間情報を、暫定的な凝固時間に対する割合となるように変換する方法がある。
　正規化方法の２つ目の例は、光量情報を有する乖離特徴情報に対する光量軸方向の正規化である。光量情報を有する乖離特徴情報としては、例えば、時系列光量データと近似曲線との間の誤差を、時系列光量データ点毎に算出した時系列誤差データがある。この場合の光量情報は、時系列誤差データに含まれる各データ点が有する誤差値である。正規化方法としては、例えば、ステップＳ２０５で近似曲線から算出した光量最大値を用いて、乖離特徴情報が有する光量情報を除算し、光量情報を、光量最大値に対する割合となるように変換する方法がある。
　以下、図１５、図１６、図１７、図１８を用いて、第２実施例における乖離特徴情報の正規化の例と効果について説明する。本説明では、乖離特徴情報として、ステップＳ２０４で時系列誤差データを算出し、ステップＳ２０５で、反応曲線特徴量として、近似曲線から暫定的な凝固時間と、反応終了時の光量値を算出し、ステップＳ４０１で、時間軸方向の正規化と光量軸方向の正規化を連続して実施する例を説明する。
　まず、図１５と図１６を用いて、反応曲線形状が検体毎に異なるときに、乖離特徴情報がその影響を受ける場合があることを示す。図１５は、異なる２つの検体から、それぞれステップＳ２０２で取得した時系列光量データおよびステップＳ２０３で取得した近似曲線を同時に示したイメージ図である。いずれの時系列光量データも、反応後半に反応速度が零にならないドリフト異常を有している。横軸６０１と縦軸６０２は図６と同一の意味を表す。点曲線１５０１は、１つ目の検体から取得したドリフト異常を含む時系列光量データを模式的に表したデータ点を表す。実曲線１５０２は、点曲線１５０１で表した時系列光量データから算出した近似曲線を表す。点曲線１５０３は、２つ目の検体から取得したドリフト異常を含む時系列光量データを模式的に表わしたデータ点を表す。実曲線１５０４は、点曲線１５０３で表わした時系列光量データから算出した近似曲線を表す。
　図１６は、ステップＳ２０３で算出した近似曲線と時系列光量データとの乖離特徴情報として、図１５に示した時系列光量データ１５０１と、近似曲線１５０２との間の時系列誤差データをステップＳ２０６で算出した結果と、時系列光量データ１５０３と、近似曲線１５０４との間の時系列誤差データをステップＳ２０６で算出した結果とを同時に示したイメージ図である。横軸６０１は、図６と同一の意味を表す。縦軸７０１は、図７と同一の意味を表す。点曲線１６０１は、時系列光量データ１５０１と近似曲線１５０２の間の誤差値をプロットしたものである。点曲線１６０２は、時系列光量データ１５０３と近似曲線１５０４の間の誤差値をプロットしたものである。
　図１５および図１６より、時系列光量データ１５０１と時系列光量データ１５０３はいずれも同様のドリフト異常を有するものの、それらから算出した乖離特徴情報１６０１と１６０２は、時間軸方向および光量軸方向のスケールが異なるため、異なる形状を有していることが分かる。
　次に、図１７と図１８を用いて、正規化を適用した場合について説明する。図１７は、図１６に示した時系列誤差データに、時間軸方向の正規化を実施した結果を示すイメージ図である。ここでは、それぞれの検体で算出した暫定的な凝固時間を用いて、正規化を実施した例を示す。具体的には、時系列誤差データの各データ点の取得時間を、暫定的な凝固時間で除算することで、暫定的な凝固時間に対する割合として表現した例を示す。点曲線１７０１は、点曲線１６０１で表わされた時系列誤差データを、破直線１５０５で表わされた暫定的な凝固時間を用いて正規化した時系列誤差データである。
　点曲線１７０２は、点曲線１６０２で表わされた時系列誤差データを、破直線１５０６で表わされた暫定的な凝固時間を用いて正規化した時系列誤差データである。横軸１７０３は、反応開始からの時間の経過を、各検体の暫定的な凝固時間との割合として表す軸である。破直線１７０４は、近似曲線１５０２および近似曲線１５０４から算出された暫定的な凝固時間を正規化処理した後の線を示す。縦軸７０１は、図７と同一の意味を表す。
　図１８は、図１７に示した、時間軸方向の正規化を実施した時系列誤差データに、さらに光量軸方向の正規化を実施した結果を示すイメージ図である。ここでは、それぞれの検体から算出した反応終了時の光量値を用いて、正規化を実施した例を示す。具体的には、時系列誤差データの各データ点の誤差値を、反応終了時の光量値で除算することで、反応終了時の光量値に対する割合として表現した例を示す。点曲線１８０１は、点曲線１７０１で表わされた時系列誤差データを、近似曲線１５０２から算出した反応終了時の光量値を用いて正規化した時系列誤差データである。点曲線１８０２は、点曲線１７０２で表わされた時系列誤差データを、近似曲線１５０４から算出した反応終了時の光量値を用いて正規化した時系列誤差データである。縦軸１８０３は、時系列光量データと近似曲線との間の誤差を、反応終了時の光量値との割合として表す軸である。横軸１７０３および破直線１７０４は、図１７と同一の意味を示す。
　図１８に示すように、正規化を実施することにより、点曲線１８０１および点曲線１８０２は、時間軸方向および光量軸方向のスケールの差が緩和された結果、類似した形状として取得されていることが分かる。正規化を実施することにより、ステップＳ２０６の乖離特徴情報に基づく異常判定およびステップＳ２０８の乖離特徴情報に基づく異常分類において、扱う特徴量や閾値などを、異なる濃度帯の検体を対象とする場合においても、統一的な枠組みで扱うことができ、異常検出および異常分類を正確に実施することができる。
　以下、第２実施例の変形例について述べる。以上に述べた第２実施例では、ステップＳ４０１において、近似曲線から算出した暫定的な凝固時間を用いて、時間軸方向の正規化を実施する例を説明したが、正規化に用いる値はこれに限定されない。例えば、近似曲線から算出した反応終了時間やパラメータなど、近似曲線から算出可能な特徴量を広く用いることができる。また、時系列光量データから算出した凝固時間、反応終了時間など、時系列光量データから算出可能な特徴量を広く用いることもできる。
　以上に述べた第２実施例では、ステップＳ４０１において、近似曲線から算出した反応終了時の光量値を用いて、光量軸方向の正規化を実施する例を説明したが、正規化に用いる値はこれに限定されない。例えば、近似曲線から算出したパラメータなど、近似曲線から算出可能な特徴量を広く用いることができる。また、時系列光量データから算出した光量の最大値や平均値や中央値など、時系列光量データから算出可能な特徴量を広く用いることもできる。
　以上に述べた第２実施例では、ステップＳ４０１において、正規化を、ある特定の値に対する割合を算出することで実施する例を説明したが、正規化の方法はこれに限定されない。例えば、ある特定の値を底にした対数変換など、任意の線形変換あるいは非線形変換を用いることができる。
　以上に述べた第２実施例では、ステップＳ４０１において、時間軸方向および光量軸方向の正規化を行う例を説明したが、正規化の対象はこれらに限定されない。例えば、乖離特徴情報として二乗誤差に基づく情報を算出していた場合、反応曲線の特徴量として、時系列光量データと近似曲線とから二乗誤差に関する特徴量を算出し、これを用いて正規化することができる。
　以上のように、第２実施例に係る自動分析装置は、検体毎に取得した時系列光量データまたは時系列光量データの近似曲線から取得した情報を用いて、乖離特徴情報を正規化することで、検体毎の反応曲線形状の違いを有する検体が混在した場合においても、異常を正確に分類することができる。
［第３実施例］
　本発明の第３実施例では、異常を分類する手法について、第１実施例及び第２実施例とは異なる動作例を説明する。自動分析装置の構成は第１実施例、第２実施例と同様であるため、以下では制御部１２１の動作に関する差異点を中心に説明する。
　第３実施例において、制御部１２１は、凝固反応が終了したかを判定する反応終了判定処理と異常判定および異常分類処理を繰り返し実施する。従来、反応に異常が起きたか否かの判定は、作業者が測定終了後に実施する必要があった。しかし、作業者が計測中に異常の発生の検知および異常の種類の把握ができれば、再検査などの次の対応に迅速に移行でき、検査業務の効率化を実現できる。そこで、第３実施例では、反応終了判定と、異常の判定および分類を繰り返し実施することにより、計測中に反応の異常を検知し、さらに異常の種類を分類し、作業者に提示する。これにより、作業者は、計測中の反応からも異常の発生および種類を把握することができる。
　図５は、第３実施例において制御部１２１が異常の検出および分類を実施する処理フローを示す図である。図５に示す処理フローにおいて、第１実施例の図２で説明したもの、および第２実施例の図４で説明したものと同じステップについては、同じステップ番号を付した。すなわち、ステップＳ２０１の処理、ステップＳ２０３からステップＳ２０８までの処理は、図２と同一であるので、説明を省略する。ステップＳ４０１の処理は、図４と同一であるので、説明を省略する。
　本実施例においては、ステップＳ２０１とステップＳ２０３の間に、ステップＳ２０２に代わって、ステップＳ５０１が導入されている。また、ステップＳ２０７から分岐した後に、ステップＳ５０２とステップＳ５０３が導入されている。さらに、ステップＳ２０９の代りに、ステップＳ５０４とステップＳ５０５が導入されている。
　まず、ステップＳ５０１では、制御部１２１は、一定周期毎に検出器１１６で検出された光／電流変換データを、Ａ／Ｄ変換器１２２とインターフェイス１２３を経由して、時系列光量データとして取り込む。所定のデータ数を取り込んだら、ステップＳ２０３に進む。なお、ステップＳ５０１は、後述するステップＳ５０３の判定結果に応じては、２回以上実施される場合がある。その際、所定のデータ数を取り込んだか否かの判定は、ステップＳ５０１を開始してから新たに取り込んだデータ点数を用いて実施してもよいし、処理を開始してから、これまでにステップＳ５０１で取り込んだデータ点の合計数を用いて実施してもよい。
　ステップＳ５０２では、ステップＳ５０１で取り込んだ時系列光量データ、及びステップＳ２０５で算出した反応曲線特徴量を用いて、凝固反応の終了を判定し、ステップＳ５０３に進む。凝固反応の終了判定は、一般に広く知られる方法を用いることができる。例えば、時系列光量データの測定時間に閾値を設定する、最新の光量値の変化量に閾値を設定する、近似曲線のパラメータに閾値を設定する、などの手法によって凝固反応が完了したことを判定することができる。
　ステップＳ５０３では、ステップＳ５０２の判定結果が、凝固反応の終了を示すものであった場合は、処理を終了する。そうでない場合は、ステップＳ５０１に進む。
　ステップＳ５０４では、ステップＳ２０８で算出した異常コードをキーとして、記憶部１１９に記憶される異常に関する情報を読み出し、操作用コンピュータ１１８やプリンタ１２４に出力する。出力する情報は第１実施例で説明したものを用いることができる。出力結果は、検査作業中の作業者に通知するため、例えば、警告音や画面に異常を知らせる警告画面などで出力してもよい。
　ステップＳ５０５では、ステップＳ２０８で分類された異常の種類に応じて、計測を終了すべきか判定し、終了しない場合は、反応終了判定ステップＳ５０２に進む。例えば、記憶部１１９には、異常コードと、計測を終了すべきかを示す情報（フラグなど）とが対応づけて格納されており、制御部１２１は、この情報に基づいて、計測を終了すべきかを判定してもよい。なお、ステップＳ５０４において、ユーザに異常を通知した際に、ユーザ側に計測を終了するか、あるいは継続するかを選択させるようにしてもよい。
　以下、図１９および図２０を用いて、第３実施例における異常の検出および分類の効果について説明する。本説明では、乖離特徴情報として、ステップＳ２０４で時系列誤差データを算出する例を説明する。
　図１９は、ステップＳ２０３における近似曲線処理を、時系列光量データ取込みステップＳ５０１で取り込んだ時系列光量データに対して適用した際の処理イメージを示す図である。加えて、図１９には、ステップＳ２０５で近似曲線から算出した暫定的な凝固時間も示されている。ここで、時系列光量データには、光量が急に変化するジャンプ異常（点線ｌ―ｍ部分）が発生している。横軸６０１と縦軸６０２は図６と同一の意味を表す。点曲線１９０１はジャンプ異常を含む時系列光量データを模式的に表わしたデータ点を表す。実曲線１９０２は、算出した近似曲線を表す。破直線１９０３は、ステップＳ２０５において算出した暫定的な凝固時間を表す。
　図２０は、ステップＳ２０３で算出した近似曲線と時系列光量データとの乖離特徴情報として、図１９に示した時系列光量データ１９０１と近似曲線１９０２との間の誤差をステップＳ２０４で算出し、プロットした図である。横軸６０１は図６と同一の意味を表す。縦軸７０１は図７と同一の意味を表す。破直線１９０３は図１９と同一の意味を表す。
　時系列光量データ１９０１はまだ反応が継続しているデータ点までしか取り込めておらず、凝固反応は終了していないが、点曲線２００１の乖離特徴情報には、異常（点線ｌ´―ｍ´部分）が大きな変化量を有する領域として表わされていることが分かる。このように、時系列光量データと近似曲線との乖離特徴情報を用いることで、反応途中のデータからでも、ステップＳ２０６における異常判定およびステップＳ２０８における異常分類を行うことができる。
　さらに、凝固時間などの情報は、近似曲線や反応途中の時系列光量データからでも取得可能であるため、ステップＳ４０１の正規化処理を反応途中の曲線に対しても同様に適用でき、濃度帯の異なる検体由来の反応曲線に関しても、正確な分類を実施することが可能となる。
　以下、第３の実施例の変形例について述べる。以上に述べた第３実施例では、ステップＳ４０１において、正規化を実施する例を説明したが、正規化処理は必ずしも必要でなく、実施しなくてもよい。
　以上に述べた第３実施例では、ステップＳ５０４において、ステップＳ２０８で算出した異常コードをキーとして、記憶部１１９に記憶される異常に関する情報を読み出し、出力する例を説明したが、これ以外の情報を出力しても良い。例えば、ステップＳ２０８において算出した異常分類の確実性を表す指標を、各異常判定および異常分類処理実施後に出力してもよい。これにより、異常発生が確定する前に、異常発生の兆候を作業者に提示することが可能となる。
　以上のように、第３実施例に係る自動分析装置は、計測中に、反応終了判定と、異常の判定および分類を繰り返し実施することにより、計測中に反応の異常を検知し、さらに異常の種類を分類し、作業者に提示することができる。
　本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。上記実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることもできる。また、ある実施例の構成に他の実施例の構成を加えることもできる。また、各実施例の構成の一部について、他の構成を追加・削除・置換することもできる。
　上記で説明した制御部１２１の機能、処理手段などは、それらの一部あるいは全部を、例えば集積回路で設計するなどによりハードウェアで実現してもよい。また、上記の制御部１２１の機能、処理手段などは、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイルなどの情報は、メモリやハードディスク、ＳＳＤ（Solid State Drive）などの記憶装置、または、ＩＣカード、ＳＤカード、ＤＶＤなどの記憶媒体に置くことができる。
　また、図面における制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。全ての構成が相互に接続されていてもよい。
１０１　サンプル分注部
１０２　サンプルディスク
１０３　サンプル容器
１０４　反応容器
１０５　サンプル用シリンジポンプ
１０６　試薬分注部
１０７　試薬ディスク
１０８　試薬容器
１０９　試薬昇温部
１１０　試薬用シリンジポンプ
１１１　反応容器ストック部
１１２　反応容器搬送部
１１３　検出部
１１４　反応容器設置部
１１５　光源
１１６　検出器
１１７　反応容器廃棄部
１１８　操作用コンピュータ
１１９　記憶部
１２０　入力部
１２１　制御部
１２２　Ａ/Ｄ変換器
１２３　インターフェイス
１２４　プリンタ

Claims (14)

  1. 　サンプルと試薬を混合して反応させるための反応容器と、
    　前記反応容器中の反応液に光を照射し、透過光量または散乱光量を測定する測定部と、
    　前記測定部が測定した時系列の光量データを処理する制御部と、
    　前記光量データの時系列変化を近似する近似関数を１以上記憶する記憶部と、
    　前記制御部の処理結果を出力する出力部と、を備え、
    　前記制御部は、
    　前記記憶部が記憶している前記近似関数のいずれかを選択し、
    　前記選択した近似関数を用いて前記光量データの時系列変化を表す近似曲線を算出し、
    　前記光量データと前記近似曲線との乖離情報に基づく乖離特徴情報を算出し、
    　前記乖離特徴情報を用いて、前記光量データに含まれる異常を検出および分類し、
    　前記出力部は、
    　前記検出および分類した異常に関する情報を出力する、ことを特徴とする自動分析装置。
  2. 　請求項１に記載の自動分析装置において、
    　前記制御部は、
    　前記光量データと前記近似曲線との間の誤差の時系列変化を表す時系列誤差データを算出し、
    　前記時系列誤差データを前記乖離特徴情報として用いて、前記異常を検出および分類することを特徴とする自動分析装置。
  3. 　請求項２に記載の自動分析装置において、
    　前記制御部は、
    　前記光量データまたは前記近似曲線から所定の指標を算出し、
    　前記時系列誤差データに基づき、前記光量データ内において異常が発生している異常発生範囲を算出し、
    　前記異常発生範囲内の前記時系列誤差データの特徴量を算出し、
    　前記特徴量および前記指標を用いて前記異常を分類することを特徴とする自動分析装置。
  4. 　請求項３に記載の自動分析装置において、
    　前記指標が、前記近似曲線から算出した暫定的な分析結果であることを特徴とする自動分析装置。
  5. 　請求項１に記載の自動分析装置において、
    　前記制御部は、
    　前記光量データおよび前記近似曲線の少なくも一方から得た情報に基づいて、前記乖離特徴情報を正規化し、
    　前記正規化した乖離特徴情報を用いて、前記異常を検出および分類することを特徴とする自動分析装置。
  6. 　請求項５に記載の自動分析装置において、
    　前記制御部は、
    　前記光量データおよび前記近似曲線の少なくとも一方から得た時間に関する情報に基づいて、前記乖離特徴情報に含まれる時間に関する情報を正規化し、
    　前記光量データおよび前記近似曲線の少なくとも一方から得た光量に関する情報に基づいて、前記乖離特徴情報に含まれる光量に関する情報を正規化することを特徴とする自動分析装置。
  7. 　請求項１に記載の自動分析装置において、
    　前記制御部は、
    　前記光量データを所定の周期で取込み、
    　前記周期内の光量データと前記近似曲線との乖離情報に基づく乖離特徴情報を算出し、
    　前記乖離特徴情報を用いて、前記光量データに含まれる異常を検出および分類することを特徴とする自動分析装置。
  8. 　請求項７に記載の自動分析装置において、
    　前記制御部は、
    　前記分類した異常の種類に基づいて、前記測定部による測定を中止または継続するかを判定することを特徴とする自動分析装置。
  9. 　請求項１に記載の自動分析装置において、
    　前記近似関数は、
    　時刻に対する光量の変化量が次第に大きくなる第１領域と、
    　前記第１領域よりも後の時刻において時刻に対する光量の変化量が前記第１領域よりも小さい第２領域と
    を有する関数であることを特徴とする自動分析装置。
  10. 　請求項１に記載の自動分析装置において、
    　前記出力部は、
    　（１）第１軸を時間、第２軸を光量値として出力した前記光量データ
    　（２）第１軸を時間、第２軸を光量値として出力した前記近似曲線
    　（３）前記乖離特徴情報
    　（４）分析の結果
    　（５）前記近似関数の式
    　（６）異常の検出の結果
    　（７）異常の分類の結果
    　（８）異常への対応処理の情報
    の少なくとも１つを出力することを特徴とする自動分析装置。
  11. 　請求項１に記載の自動分析装置において、
    　血液凝固反応を分析することを特徴とする自動分析装置。
  12. 　請求項１に記載の自動分析装置において、
    　前記制御部は、
    　前記記憶部が記憶する決定木に基づき前記乖離特徴情報を分類することを特徴とする自動分析装置。
  13. 　請求項１に記載の自動分析装置において、
    　前記記憶部は、
    　（１）前記異常の種類と対応付けられた少なくとも１つ以上の任意次元ベクトル、
    　（２）前記異常の種類と対応付けられた少なくとも１つ以上の任意次元空間内の識別境界、
    　（３）前記異常の種類と対応付けられた少なくとも１つ以上の任意次元空間内の部分空間、
    　（４）任意次元ベクトルを引数とし、前記異常の種類と対応付けられた値を出力値とする評価関数、
    　のいずれかを記憶しており、
    　前記制御部は、
    　前記乖離特徴情報を線形または非線形の写像により、任意次元のベクトル特徴情報に変換し、
    　前記任意次元ベクトル、前記識別境界、前記部分空間、または前記評価関数の出力値に基づいて異常の種類を分類することを特徴とする自動分析装置。
  14. 　請求項１に記載の自動分析装置において、
    　前記異常は、
    　（１）前記光量データにおける光量値の変化量が急に増加または減少する異常
    　（２）前記光量データにおける光量値の変化量が一度増加して減少した後、再び増加する異常
    　（３）前記光量データにおける光量値の変化量が、一定の値または所定の範囲内に留まる異常
    　の少なくとも１つを含むことを特徴とする自動分析装置。
PCT/JP2015/056841 2014-04-01 2015-03-09 自動分析装置 WO2015151732A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201580014094.0A CN106133526B (zh) 2014-04-01 2015-03-09 自动分析装置
US15/126,789 US20170131306A1 (en) 2014-04-01 2015-03-09 Automatic Analytical Apparatus
EP15773133.2A EP3128330B1 (en) 2014-04-01 2015-03-09 Automatic analytical apparatus

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014-075478 2014-04-01
JP2014075478A JP6257418B2 (ja) 2014-04-01 2014-04-01 自動分析装置

Publications (1)

Publication Number Publication Date
WO2015151732A1 true WO2015151732A1 (ja) 2015-10-08

Family

ID=54240065

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/056841 WO2015151732A1 (ja) 2014-04-01 2015-03-09 自動分析装置

Country Status (5)

Country Link
US (1) US20170131306A1 (ja)
EP (1) EP3128330B1 (ja)
JP (1) JP6257418B2 (ja)
CN (1) CN106133526B (ja)
WO (1) WO2015151732A1 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6952668B2 (ja) * 2018-09-28 2021-10-20 シスメックス株式会社 血液凝固分析方法、血液凝固分析装置、プログラム
JP7299914B2 (ja) * 2018-10-17 2023-06-28 株式会社日立ハイテク 異常判定方法、および自動分析装置
CN113167764B (zh) * 2018-12-17 2024-02-27 株式会社岛津制作所 分析装置的评价方法、分析装置的校正方法、分析方法、分析装置及计算机可读介质
CN110006795B (zh) * 2019-04-30 2024-02-13 华北电力大学（保定） 颗粒检测装置、方法及fpga
DE102019207284A1 (de) 2019-05-18 2020-11-19 Robert Bosch Gmbh Verfahren und Vorrichtung zum Betreiben eines Bremssystems eines Kraftfahrzeugs, Bremssystem und Kraftfahrzeug
JP2021193488A (ja) * 2020-06-08 2021-12-23 富士通株式会社 時系列解析プログラム、時系列解析方法及び情報処理装置
WO2022019064A1 (ja) * 2020-07-20 2022-01-27 株式会社日立ハイテク 自動分析装置および自動分析方法
CN113484527A (zh) * 2021-06-23 2021-10-08 江苏鸿恩医疗器械有限公司 一种基于凝血分析仪用试剂的双对数定标方法
CN117030987B (zh) * 2023-07-24 2024-03-15 南京瑞麦科技开发有限公司 血液凝固分析系统、方法、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004012442A (ja) * 2002-06-12 2004-01-15 Toshiba Corp 自動分析装置および自動分析装置におけるデータ管理方法
JP2004508832A (ja) * 2000-09-13 2004-03-25 フリードリヒ−シラー−ユニバーシタット　イエナ 血液凝固第ＸＩＩＩａ因子の活性化の測定方法
JP2005201843A (ja) * 2004-01-19 2005-07-28 Hitachi Ltd 分析装置
JP2006337125A (ja) * 2005-06-01 2006-12-14 Hitachi High-Technologies Corp 自動分析装置，自動分析装置を用いた分析方法
JP2006349684A (ja) * 2005-06-16 2006-12-28 Dade Behring Marburg Gmbh 血液凝固試験の標準化のための方法
JP2010271095A (ja) * 2009-05-20 2010-12-02 Hitachi High-Technologies Corp 自動分析装置及び分析方法
WO2012008324A1 (ja) * 2010-07-14 2012-01-19 株式会社日立ハイテクノロジーズ 自動分析装置、分析方法及び情報処理装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4069545B2 (ja) * 1999-05-19 2008-04-02 株式会社日立製作所 電子顕微方法及びそれを用いた電子顕微鏡並び生体試料検査方法及び生体検査装置
JP4805564B2 (ja) * 2004-10-22 2011-11-02 シスメックス株式会社 生体試料分析装置および方法
JP5164388B2 (ja) * 2007-01-31 2013-03-21 シスメックス株式会社 試料測定装置
JP5495884B2 (ja) * 2010-03-25 2014-05-21 シスメックス株式会社 試料分析装置
JP2012242122A (ja) * 2011-05-16 2012-12-10 Hitachi High-Technologies Corp 自動分析装置及び自動分析プログラム
JP6073117B2 (ja) * 2012-11-26 2017-02-01 株式会社日立ハイテクノロジーズ 自動分析装置、自動分析方法
CN105102988B (zh) * 2013-04-02 2017-03-08 株式会社日立高新技术 自动分析装置以及分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004508832A (ja) * 2000-09-13 2004-03-25 フリードリヒ−シラー−ユニバーシタット　イエナ 血液凝固第ＸＩＩＩａ因子の活性化の測定方法
JP2004012442A (ja) * 2002-06-12 2004-01-15 Toshiba Corp 自動分析装置および自動分析装置におけるデータ管理方法
JP2005201843A (ja) * 2004-01-19 2005-07-28 Hitachi Ltd 分析装置
JP2006337125A (ja) * 2005-06-01 2006-12-14 Hitachi High-Technologies Corp 自動分析装置，自動分析装置を用いた分析方法
JP2006349684A (ja) * 2005-06-16 2006-12-28 Dade Behring Marburg Gmbh 血液凝固試験の標準化のための方法
JP2010271095A (ja) * 2009-05-20 2010-12-02 Hitachi High-Technologies Corp 自動分析装置及び分析方法
WO2012008324A1 (ja) * 2010-07-14 2012-01-19 株式会社日立ハイテクノロジーズ 自動分析装置、分析方法及び情報処理装置

Also Published As

Publication number Publication date
CN106133526A (zh) 2016-11-16
EP3128330A1 (en) 2017-02-08
CN106133526B (zh) 2018-03-27
EP3128330A4 (en) 2017-11-22
JP2015197370A (ja) 2015-11-09
JP6257418B2 (ja) 2018-01-10
EP3128330B1 (en) 2020-05-06
US20170131306A1 (en) 2017-05-11

Similar Documents

Publication Publication Date Title
JP6257418B2 (ja) 自動分析装置
JP6073117B2 (ja) 自動分析装置、自動分析方法
CN109239360B (zh) 一种反应曲线异常检测方法及装置
EP2287620B1 (en) Automatic analyzer comprising means for assisting judgment of abnormality of reaction process data
US11630116B2 (en) Techniques for determining coagulation results
JP6454211B2 (ja) 検体分析装置、血液凝固分析装置、検体分析方法、及びコンピュータプログラム
WO2022092248A1 (ja) 血液凝固反応の検出方法
CN113707219B (zh) 用于分析核酸扩增反应的分析方法和系统
JPWO2017115775A1 (ja) 分析装置、分析方法、および、分析システム
US20210003602A1 (en) Sample mixing control
EP3730930B1 (en) Signal processing device and signal processing method
JP5953089B2 (ja) 測定データの異常を検出する方法、及び、測定データの異常検出装置
JP2004093447A (ja) におい測定装置
JP2017020956A (ja) 自動分析装置、自動分析方法及びプログラム
JP2008058065A (ja) 自動分析装置および自動分析方法
KR20190027263A (ko) 냄새 측정 장치 및 그 동작방법
JP5764391B2 (ja) 臨床検査装置、臨床検査方法および臨床検査プログラム
JP2013238519A (ja) 鋼材判別システムおよび鋼材判別方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15773133

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15126789

Country of ref document: US

REEP Request for entry into the european phase

Ref document number: 2015773133

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2015773133

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE