WO2019244646A1

WO2019244646A1 - 疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム

Info

Publication number: WO2019244646A1
Application number: PCT/JP2019/022459
Authority: WO
Inventors: 昌洋林谷; 久保　雅洋
Original assignee: 日本電気株式会社
Priority date: 2018-06-18
Filing date: 2019-06-06
Publication date: 2019-12-26
Also published as: JPWO2019244646A1; US20210249138A1

Abstract

疾病リスク予測装置８０は、予測部８１と、予測結果出力部８２とを備えている。予測部８１は、患者の電子データに基づいて学習された感染症の発症状況を予測する予測モデルを用いて、その感染症の発症リスクを予測する。また、予測結果出力部８２は、予測された発症リスクを出力する。

Description

疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム

　本発明は、患者が発症し得る疾病のリスクを予測する疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラムに関する。

　患者の症状を診察し、適切な治療方法を判断することが一般に行われている。また、患者の状況に基づいて、病気の発症リスクを予測することも行われている。例えば、特許文献１には、医師等が選択した治療に対する患者の応答を観察し、糖尿病性心臓病やその合併症を発症するリスクを低下させるように導く方法が記載されている。特許文献１に記載された方法では、患者のバイオマーカ試験結果と参照値範囲との比較に基づいて、糖尿病性心臓病カテゴリリスクレベルを割り当てる。

　また、非特許文献１には、蓄積したバイタルの時系列データから患者が合併症を発症するリスクを予測する方法が記載されている。非特許文献１に記載された方法では、ＩＣＵ（Intensive care unit ）入院患者にとって致命的かつ頻度の高い合併症である「敗血症ショック」、「急激な血圧低下のエピソード」および「低酸素血症」の三症例を対象とし、同症状を発症するリスクを発症２時間前に予測するモデルを生成する。

特表２０１６－５０５８１１号公報

株式会社ＮＴＴデータ、"スペイン医療機関にて合併症予防を目的としたスマートアラートソリューションの実証実験を開始"、［online］、平成27年 1月27日、［平成30年 5月22日検索］、インターネット〈URL：http://www.nttdata.com/jp/ja/news/release/2017/012701.html〉

　合併症などの感染症は、ＩＣＵから一般病棟に移ってから発症すると、入院期間が延びてしまう傾向が高い。そのため、入院初期の段階で、感染症を発症するリスクのある患者を予測することが求められている。

　特許文献１に記載された方法は、糖尿病性心臓病の発症リスクを低下させるための方法である。そのため、糖尿病性心臓病のリスクに応じた試験が行われ、その試験結果に基づいてリスクレベルが決定される。一方、入院患者が発症する疾病は、糖尿病性心臓病のような具体的な一つの疾病に限定されるわけではない。そのため、考慮し得る全ての疾病に対する試験を行うのは現実的ではない。

　また、非特許文献１に記載された方法は、ＩＣＵ患者に限定されるものである。具体的には、非特許文献１に記載された方法では、バイタルモニタだけでなく、人工呼吸器や輸液ポンプの情報など、モデルを生成するための多数の情報が必要になる。

　通常、入院初期の段階では一通りの検査データが収集され、電子カルテの情報として蓄積されることが一般的である。そのため、入院初期の段階で収集されるようなデータから、その後発症し得る感染症のリスクを予測できることが好ましい。

　そこで、本発明は、入院患者の感染症のリスクを予測できる疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラムを提供することを目的とする。

　本発明による疾病リスク予測装置は、患者の電子データに基づいて学習された感染症の発症状況を予測する予測モデルを用いて、その感染症の発症リスクを予測する予測部と、予測された発症リスクを出力する予測結果出力部とを備えたことを特徴とする。

　本発明による疾病リスク予測方法は、患者の電子データに基づいて学習された感染症の発症状況を予測する予測モデルを用いて、その感染症の発症リスクを予測し、予測された発症リスクを出力することを特徴とする。

　本発明による疾病リスク予測プログラムは、コンピュータに、患者の電子データに基づいて学習された感染症の発症状況を予測する予測モデルを用いて、その感染症の発症リスクを予測する予測処理、および、予測された発症リスクを出力する予測結果出力処理を実行させることを特徴とする。

　本発明によれば、入院患者の感染症のリスクを予測できる。

本発明による疾病リスク予測装置の一実施形態の構成例を示すブロック図である。電子カルテに含まれる項目の例を示す説明図である。評価結果の出力例を示す説明図である。疾病リスク予測装置の動作例を示すフローチャートである。本発明による疾病リスク予測装置の概要を示すブロック図である。少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。

　以下、本発明の実施形態を図面を参照して説明する。

　図１は、本発明による疾病リスク予測装置の一実施形態の構成例を示すブロック図である。本実施形態の疾病リスク予測装置１００は、入力部１０と、学習部２０と、学習結果出力部２５と、予測部３０と、予測結果出力部３５とを備えている。疾病リスク予測装置１００は、記憶部４０に接続される。なお、記憶部４０が配置される状況は任意である。記憶部４０は、例えば、クラウドコンピューティング上のストレージであってもよいし、疾病リスク予測装置１００に含まれていてもよい。

　記憶部４０は、患者の各種情報（以下、患者情報と記す。）を記憶する。一般に、患者が入院したときには各種検査が行われて患者情報が収集されるため、入院から１～２日後には、患者情報が電子カルテに記録される。記憶部４０は、この電子カルテを記憶する。患者情報には、例えば、検査データ以外にも、患者のプロファイルや、背景情報などが含まれる。

　図２は、電子カルテに含まれる項目の例を示す説明図である。図２に例示する項目が、例えば、入院の初期段階で収集され、記憶部４０は、収集された情報を患者情報として記憶する。なお、図２に例示する各項目は、時系列に変化する情報を含んでいてもよい。例えば、脈拍や血圧、体温などは、検査するごとに時系列に蓄積されてもよい。

　入力部１０は、記憶部４０から患者の電子データを読み取り、学習部２０および予測部３０に入力する。後述する学習部２０は、入力された情報に基づいて予測モデルを学習し、予測部３０は、入力された情報に基づいて感染症の発症リスクを予測する。

　学習部２０は、患者の電子データと、その患者の感染症の発症状況を対応付けたデータを学習データとして、機械学習により、感染症の発症状況を予測するための予測モデルを学習する。患者の電子データは、具体的には、記憶部４０に記憶された電子カルテの情報であり、例えば、図２に例示する項目を含む患者情報である。これらの項目が、予測モデルの説明変数として用いられる。学習部２０が予測モデルを学習する方法は任意であり、広く知られた方法が用いられればよい。

　以下の説明では、予測される感染症の発症状況を表す程度を、発症リスクと記す。発症リスクの内容は任意であり、学習により生成される予測モデルに応じて決定される。例えば、発症状況として、発症の有無を予測する予測モデルが学習された場合、発症リスクは、発症の可能性あり／なし、のように表される。また、例えば、発症の可能性を予測する予測モデルが学習された場合、発症リスクは、発症のリスク○○％のように表される。また、例えば、発症状況として、発症の段階を予測する予測モデルが学習された場合、発症リスクは、段階的に（例えば、レベル○のように）表される。

　本実施形態では、感染症の具体例として、誤嚥性肺炎を例に説明する。誤嚥性肺炎は、合併症であると同時に感染症の一種であり、単独で起こるだけでなく、脳卒中患者の合併症としてもよく起こる疾病である。誤嚥性肺炎の発症状況を予測する予測モデルを学習する場合、学習部２０は、患者の意識レベルおよび体温を含む学習データを用いることが好ましい。患者の意識レベルを評価する指標として、ＪＣＳ（ジャパン・コーマ・スケール）や、ＧＣＳ（グラスゴー・コーマ・スケール）などが挙げられる。ＪＣＳやＧＣＳは、例えば、意識障害患者の意識レベルを評価する指標として用いられる

　さらに、意識レベルや体温は、時系列に変化する可能性があることから、学習部２０は、患者の時系列の意識レベルおよび体温を含む学習データを用いて、例えば、誤嚥性肺炎の発症リスクを予測する予測モデルを学習してもよい。例えば、入院初日のＪＣＳを表す説明変数をｘ１、入院２日目のＪＣＳを表す説明変数をｘ２・・・、などのように表すことができる。

　また、機械学習の性質により、同一の学習データおよび同一アルゴリズムを用いたとしても、初期値に応じて異なる予測モデルが生成される可能性がある。そこで、学習部２０は、同一の学習データおよび同一アルゴリズムを用いて、複数種類の予測モデルを生成してもよい。

　また、急性期の患者を扱う病院では、２週間で退院するのが適正であると言われている。しかし、入院して１週間ほど経過した際に合併症を発症すると、入院が長期化（例えば、一か月）してしまう恐れが高い。そこで、入院初期の患者の状況から、感染症の発症リスクを予測できることが好ましい。そこで、学習部２０は、入院初期に収集される患者情報に基づいて、予測モデルを学習することが好ましい。

　学習結果出力部２５は、予測モデルの学習結果を出力する。学習結果出力部２５は、学習された予測モデルそのものを表示してもよく、予測モデルの評価結果を出力してもよい。例えば、予測モデルが説明変数を用いた数式で表されている場合、学習結果出力部２５は、予測モデルを表す数式を予測式として出力してもよい。

　また、異種混合学習アルゴリズムで生成される予測モデルのように、予測モデルが、入力されるサンプルに応じて割り当てるコンポーネントを選択する分岐条件（門関数）を要素に含むとする。この場合、学習結果出力部２５は、予測モデルを二分木構造（具体的には、葉ノードにコンポーネントが配され、他の上位ノードに門関数が配される構造）で出力してもよい。

　また、学習結果出力部２５は、患者情報と、その患者の感染症の発症状況を対応付けたデータを評価データとして用いて、予め定めた評価に基づく結果を、生成された予測モデルごとに出力してもよい。図３は、評価結果の出力例を示す説明図である。図３（ａ）に例示するように、評価として、例えば、精度（ａ／ａ＋ｂ）、感度（ａ／ａ＋ｃ）、特異度（ｄ／ｂ＋ｄ）、ＡＵＣ（Area Under the Curve）などを用いることができる。

　学習結果出力部２５は、例えば、図３（ｂ）に例示するように、複数のモデルを評価結果ごとに出力してもよい。図３（ｂ）に示す例では、モデル１が、３つのモデルの中で精度が最も高く、モデル２が、３つのモデルの中で感度が最も高く、モデル３が、３つのモデルの中で特異度が最も高いことを示す。

　学習結果出力部２５は、後述する予測部３０が予測に用いる予測モデルの選択をユーザから受け付けてもよい。ユーザから予測モデルの選択を受け付けることで、ユーザが重要視する観点で後述する予測部３０が予測を行うことが可能になる。

　予測部３０は、予測モデルを用いて感染症の発症リスクを予測する。具体的には、予測部３０は、学習部２０が生成した予測モデルを用いて感染症の発症リスクを予測する。予測部３０は、ユーザが選択した予測モデルを用いてもよいし、評価結果が予め定めた基準を満たす予測モデルを用いてもよい。なお、疾病の発症の見逃しを抑制するため、予測部３０は、感度が最も高い予測モデルを選択するようにしてもよい。

　また、予測モデルが複数存在する場合、予測部３０は、複数の予測モデルを用いて感染症の発症リスクを予測してもよい。例えば、上述する３種類の予測モデルが存在する場合、予測部３０は、全ての予測モデルを用いて感染症の発症リスクを予測してもよい。予測部３０が複数の予測モデルを用いて感染症の発症リスクを予測することで、例えば、全ての予測モデルが発症の兆しを高く予測した場合に、医師が対処する、または、依頼するといった対応が可能になる。

　また、脳卒中患者の合併症対策が、早期退院に大きく起因することが確認されており、上述するように、誤嚥性肺炎は脳卒中患者の合併症としてよく起こることが知られている。そこで、予測部３０が、脳卒中患者の患者情報を予測モデルに適用することで、脳卒中患者の誤嚥性肺炎の発症リスクを早期に予測することが可能になる。

　予測結果出力部３５は、予測部３０が予測した発症リスクを出力する。上述するように、発症リスクの内容は、予測モデルに応じて決定される。そこで、予測結果出力部３５は、例えば、「発症の可能性あり／なし」、「発症のリスク○○％」、「レベル○」のように発症リスクを出力してもよい。予測結果出力部３５が予測された発症リスクと出力することで、より注視すべき入院患者を特定することが可能になる。また、予測部３０が、複数の予測モデルを用いて感染症の発症リスクを予測した場合、予測結果出力部３５は、予測モデルごとの予測結果を出力してもよい。

　また、予測結果出力部３５は、予測に用いた予測モデルに用いられている説明変数のうち、どの説明が予測に効いているか出力してもよい。例えば、予測モデルが、説明変数の線形結合で表されている場合、各説明変数の係数が、予測結果に対する説明変数の重みに対応する。そこで、予測結果出力部３５は、予測モデルに含まれる説明変数の重みを棒グラフの形式で出力するようにしてもよい。

　また、予測結果出力部３５は、予測に用いた予測モデルおよび患者情報をそれぞれ出力し、どの説明変数が発症リスクの予測に効いているか出力してもよい。例えば、患者Ａの発症リスクを予測した場合、予測結果出力部３５は、患者Ａが、説明変数のうちの体温が基準より高めである、意識レベルが低い、などの情報を出力してもよい。

　入力部１０と、学習部２０と、学習結果出力部２５と、予測部３０と、予測結果出力部３５とは、プログラム（疾病リスク予測プログラム）に従って動作するコンピュータのＣＰＵ（Central Processing Unit ）によって実現される。例えば、プログラムは、疾病リスク予測装置１００が備える記憶部（図示せず）に記憶され、ＣＰＵは、そのプログラムを読み込み、プログラムに従って、入力部１０、学習部２０、学習結果出力部２５、予測部３０および予測結果出力部３５として動作してもよい。

　また、入力部１０と、学習部２０と、学習結果出力部２５と、予測部３０と、予測結果出力部３５とは、それぞれが専用のハードウェアで実現されていてもよい。

　次に、本実施形態の疾病リスク予測装置の動作を説明する。図４は、本実施形態の疾病リスク予測装置の動作例を示すフローチャートである。

　入力部１０は、記憶部４０に記憶された電子カルテを読み取り、患者の電子データを学習部２０および予測部３０に入力する（ステップＳ１１）。学習部２０は、入力された患者の電子データに基づいて、感染症の発症状況を予測する予測モデルを学習する（ステップＳ１２）。学習結果出力部２５は、予測モデルの学習結果を出力する（ステップＳ１３）。なお、予測モデルが既に学習済みである場合、ステップＳ１２およびステップＳ１３の処理は、行われなくてもよい。

　予測部３０は、予測モデルを用いて、感染症の発症リスクを予測する（ステップＳ１４）。予測部３０は、複数の予測モデルを用いて、感染症の発症リスクを予測してもよい。そして、予測結果出力部３５は、予測された発症リスクを出力する（ステップＳ１５）。なお、上述するように、複数の予測モデルを用いて感染症の発症リスクが予測されている場合、予測結果出力部３５は、予測モデルごとに予測された発症リスクを出力してもよい。

　以上のように、本実施形態では、予測部３０が、患者の電子データに基づいて学習された予測モデルを用いて感染症の発症リスクを予測し、予測結果出力部３５が、予測された発症リスクを出力する。よって、入院患者の感染症のリスクを予測できる。また、学習部２０が、適切に選択されたデータを用いて機械学習により予測モデルを学習することで、コンピュータによる処理負荷を軽減させながら、予測モデルの予測精度を向上できる。

　次に、本発明の概要を説明する。図５は、本発明による疾病リスク予測装置の概要を示すブロック図である。本発明による疾病リスク予測装置８０（例えば、疾病リスク予測装置１００）は、患者の電子データ（例えば、電子カルテ）に基づいて学習された感染症の発症状況を予測する予測モデルを用いて、その感染症の発症リスクを予測する予測部８１（例えば、予測部３０）と、予測された発症リスクを出力する予測結果出力部８２（例えば、予測結果出力部３５）とを備えている。

　そのような構成により、入院患者の感染症のリスクを予測できる。

　また、疾病リスク予測装置８０は、患者の電子データに基づいて、感染症の発症状況を予測する予測モデルを学習する学習部（例えば、学習部２０）を備えていてもよい。そして、予測部８１は、学習部によって学習された予測モデルを用いて、感染症の発症リスクを予測してもよい。

　具体的には、学習部は、意識レベル（例えば、ＪＣＳ、ＧＣＳなど）および体温を説明変数とする予測モデルを学習し、予測部８１は、その予測モデルを用いて、感染症の発症リスクを予測してもよい。また、学習部は、患者の意識レベルおよび体温を含む学習データを用いて、誤嚥性肺炎の発症リスクを予測する予測モデルを学習してもよい。このように、誤嚥性肺炎の発症リスクの予測に効果的な説明変数を用いることで、予測モデルの精度を向上させることが可能になる。

　さらに、学習部は、患者の時系列の意識レベルおよび体温を含む学習データを用いて、誤嚥性肺炎の発症リスクを予測する予測モデルを学習してもよい。そのような構成によれば、患者の日々変化する状態を考慮して、予測モデルを学習することが可能になる。

　また、疾病リスク予測装置８０は、学習された予測モデルを出力する学習結果出力部（例えば、学習結果出力部２５）を備えていてもよい。そして、学習部は、患者の電子データに基づいて、複数種類の予測モデルを生成し、学習結果出力部は、患者の電子データと、その患者の感染症の発症状況を対応付けたデータを評価データとして用いて、予め定めた評価（例えば、精度、感度、特異度、ＡＵＣなど）に基づく結果を、生成された予測モデルごとに出力してもよい。そのような構成により、ユーザが重要視する観点での評価が高い予測モデルを選択することが可能になる。

　図６は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。コンピュータ１０００は、プロセッサ１００１、主記憶装置１００２、補助記憶装置１００３、インタフェース１００４を備える。

　上述の疾病リスク予測装置は、コンピュータ１０００に実装される。そして、上述した各処理部の動作は、プログラム（疾病リスク予測プログラム）の形式で補助記憶装置１００３に記憶されている。プロセッサ１００１は、プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、当該プログラムに従って上記処理を実行する。

　なお、少なくとも１つの実施形態において、補助記憶装置１００３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例としては、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Compact Disc Read-only memory ）、ＤＶＤ－ＲＯＭ（Read-only memory）、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータ１０００が当該プログラムを主記憶装置１００２に展開し、上記処理を実行してもよい。

　また、当該プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、当該プログラムは、前述した機能を補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であってもよい。

　以上、実施形態及び実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

　この出願は、２０１８年６月１８日に出願された日本特許出願２０１８－１１５１２９を基礎とする優先権を主張し、その開示の全てをここに取り込む。

　１０　入力部
　２０　学習部
　２５　学習結果出力部
　３０　予測部
　３５　予測結果出力部
　４０　記憶部
　１００　疾病リスク予測装置

Claims

　患者の電子データに基づいて学習された感染症の発症状況を予測する予測モデルを用いて、当該感染症の発症リスクを予測する予測部と、
　予測された発症リスクを出力する予測結果出力部とを備えた
　ことを特徴とする疾病リスク予測装置。
　患者の電子データに基づいて、感染症の発症状況を予測する予測モデルを学習する学習部を備え、
　予測部は、前記学習部によって学習された予測モデルを用いて、感染症の発症リスクを予測する
　請求項１記載の疾病リスク予測装置。
　学習部は、意識レベルおよび体温を説明変数とする予測モデルを学習し、
　予測部は、前記予測モデルを用いて、感染症の発症リスクを予測する
　請求項２記載の疾病リスク予測装置。
　学習部は、患者の意識レベルおよび体温を含む学習データを用いて、誤嚥性肺炎の発症リスクを予測する予測モデルを学習する
　請求項２または請求項３記載の疾病リスク予測装置。
　学習部は、患者の時系列の意識レベルおよび体温を含む学習データを用いて、誤嚥性肺炎の発症リスクを予測する予測モデルを学習する
　請求項２から請求項４のうちのいずれか１項に記載の疾病リスク予測装置。
　学習された予測モデルを出力する学習結果出力部を備え、
　学習部は、患者の電子データに基づいて、複数種類の予測モデルを生成し、
　前記学習結果出力部は、患者の電子データと、当該患者の感染症の発症状況を対応付けたデータを評価データとして用いて、予め定めた評価に基づく結果を、生成された予測モデルごとに出力する
　請求項２から請求項５のうちのいずれか１項に記載の疾病リスク予測装置。
　患者の電子データに基づいて学習された感染症の発症状況を予測する予測モデルを用いて、当該感染症の発症リスクを予測し、
　予測された発症リスクを出力する
　ことを特徴とする疾病リスク予測方法。
　コンピュータに、
　患者の電子データに基づいて学習された感染症の発症状況を予測する予測モデルを用いて、当該感染症の発症リスクを予測する予測処理、および、
　予測された発症リスクを出力する予測結果出力処理
　を実行させるための疾病リスク予測プログラム。