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 - Google Patents
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 Download PDFInfo
- Publication number
- WO2019244646A1 WO2019244646A1 PCT/JP2019/022459 JP2019022459W WO2019244646A1 WO 2019244646 A1 WO2019244646 A1 WO 2019244646A1 JP 2019022459 W JP2019022459 W JP 2019022459W WO 2019244646 A1 WO2019244646 A1 WO 2019244646A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- prediction
- risk
- disease
- unit
- onset
- Prior art date
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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
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
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。
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。
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
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 (8)
- 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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020525492A JPWO2019244646A1 (ja) | 2018-06-18 | 2019-06-06 | 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 |
US16/973,988 US20210249138A1 (en) | 2018-06-18 | 2019-06-06 | Disease risk prediction device, disease risk prediction method, and disease risk prediction program |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-115129 | 2018-06-18 | ||
JP2018115129 | 2018-06-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2019244646A1 true WO2019244646A1 (ja) | 2019-12-26 |
Family
ID=68983676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2019/022459 WO2019244646A1 (ja) | 2018-06-18 | 2019-06-06 | 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 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210249138A1 (ja) |
JP (1) | JPWO2019244646A1 (ja) |
WO (1) | WO2019244646A1 (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111128399A (zh) * | 2020-03-30 | 2020-05-08 | 广州地理研究所 | 一种基于人流密度的流行病疫情风险等级评估方法 |
CN112786203A (zh) * | 2021-03-03 | 2021-05-11 | 天津医科大学 | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 |
CN112786204A (zh) * | 2021-03-03 | 2021-05-11 | 天津医科大学 | 一种机器学习糖尿病发病风险预测方法及应用 |
JP6931954B1 (ja) * | 2020-11-02 | 2021-09-08 | 治幸 岩田 | 感染者特定・絞り込みシステム、方法及びプログラム |
CN113707338A (zh) * | 2021-10-28 | 2021-11-26 | 南方科技大学 | 景区疫情风险预测与限流方法、装置、设备和存储介质 |
TWI751683B (zh) * | 2020-09-07 | 2022-01-01 | 奇美醫療財團法人奇美醫院 | 高齡流感病情預測系統、程式產品及其建立與使用方法 |
WO2022039092A1 (ja) * | 2020-08-17 | 2022-02-24 | 孝章 赤池 | 学習モデルの生成方法、プログラム、演算装置 |
JP2023509238A (ja) * | 2020-03-17 | 2023-03-07 | フラティロン ヘルス,インコーポレイテッド | 臨床リスクモデル |
CN115798734A (zh) * | 2023-01-09 | 2023-03-14 | 杭州杏林信息科技有限公司 | 基于大数据的新发突发传染病防控方法、装置及储存介质 |
KR102623020B1 (ko) * | 2023-09-11 | 2024-01-10 | 주식회사 슈파스 | 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11568982B1 (en) | 2014-02-17 | 2023-01-31 | Health at Scale Corporation | System to improve the logistics of clinical care by selectively matching patients to providers |
US11610679B1 (en) * | 2020-04-20 | 2023-03-21 | Health at Scale Corporation | Prediction and prevention of medical events using machine-learning algorithms |
CN116644869B (zh) * | 2023-07-27 | 2023-11-10 | 中南大学湘雅医院 | 一种实时数据分析与公共卫生事件预测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006053628A (ja) * | 2004-08-10 | 2006-02-23 | Ntt Data Corp | 発症リスク算出システム及びプログラム |
JP2011227838A (ja) * | 2010-04-23 | 2011-11-10 | Kyoto Univ | 予測装置及びその学習装置並びにそれらのコンピュータプログラム |
WO2015132903A1 (ja) * | 2014-03-05 | 2015-09-11 | 株式会社日立製作所 | 医療データ分析システム、医療データ分析方法及び記憶媒体 |
JP2015194974A (ja) * | 2014-03-31 | 2015-11-05 | 株式会社東芝 | 在宅・訪問メディカルサービスシステム |
WO2017165693A1 (en) * | 2016-03-23 | 2017-09-28 | Peach Intellihealth, Inc. | Use of clinical parameters for the prediction of sirs |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005202690A (ja) * | 2004-01-15 | 2005-07-28 | Toshiba Corp | 医療情報提供システム。 |
WO2009022173A1 (en) * | 2007-08-14 | 2009-02-19 | Petscreen Limited | Novel diagnostic methods |
US20160335406A1 (en) * | 2013-04-25 | 2016-11-17 | The S.M.A.R.T. Corporation | System and method for selecting a bariatric surgery |
CA2986462A1 (en) * | 2015-05-20 | 2016-11-24 | Gravitas Medical, Inc. | Methods and apparatus for guiding medical care based on sensor data from the gastrointestinal tract |
KR101923654B1 (ko) * | 2016-11-24 | 2018-11-29 | 주식회사 셀바스에이아이 | 질환 발병 확률 예측 모델 학습 방법 및 장치 |
KR20200003407A (ko) * | 2017-07-28 | 2020-01-09 | 구글 엘엘씨 | 전자 건강 기록으로부터 의료 이벤트를 예측 및 요약하기 위한 시스템 및 방법 |
-
2019
- 2019-06-06 US US16/973,988 patent/US20210249138A1/en active Pending
- 2019-06-06 JP JP2020525492A patent/JPWO2019244646A1/ja active Pending
- 2019-06-06 WO PCT/JP2019/022459 patent/WO2019244646A1/ja active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006053628A (ja) * | 2004-08-10 | 2006-02-23 | Ntt Data Corp | 発症リスク算出システム及びプログラム |
JP2011227838A (ja) * | 2010-04-23 | 2011-11-10 | Kyoto Univ | 予測装置及びその学習装置並びにそれらのコンピュータプログラム |
WO2015132903A1 (ja) * | 2014-03-05 | 2015-09-11 | 株式会社日立製作所 | 医療データ分析システム、医療データ分析方法及び記憶媒体 |
JP2015194974A (ja) * | 2014-03-31 | 2015-11-05 | 株式会社東芝 | 在宅・訪問メディカルサービスシステム |
WO2017165693A1 (en) * | 2016-03-23 | 2017-09-28 | Peach Intellihealth, Inc. | Use of clinical parameters for the prediction of sirs |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7244711B2 (ja) | 2020-03-17 | 2023-03-22 | フラティロン ヘルス,インコーポレイテッド | 臨床リスクモデル |
JP2023509238A (ja) * | 2020-03-17 | 2023-03-07 | フラティロン ヘルス,インコーポレイテッド | 臨床リスクモデル |
CN111128399A (zh) * | 2020-03-30 | 2020-05-08 | 广州地理研究所 | 一种基于人流密度的流行病疫情风险等级评估方法 |
WO2022039092A1 (ja) * | 2020-08-17 | 2022-02-24 | 孝章 赤池 | 学習モデルの生成方法、プログラム、演算装置 |
TWI751683B (zh) * | 2020-09-07 | 2022-01-01 | 奇美醫療財團法人奇美醫院 | 高齡流感病情預測系統、程式產品及其建立與使用方法 |
JP6931954B1 (ja) * | 2020-11-02 | 2021-09-08 | 治幸 岩田 | 感染者特定・絞り込みシステム、方法及びプログラム |
WO2022091897A1 (ja) * | 2020-11-02 | 2022-05-05 | 岩田治幸 | 感染者特定・絞り込みシステム、方法及びプログラム |
JP2022073804A (ja) * | 2020-11-02 | 2022-05-17 | 治幸 岩田 | 感染者特定・絞り込みシステム、方法及びプログラム |
CN112786204A (zh) * | 2021-03-03 | 2021-05-11 | 天津医科大学 | 一种机器学习糖尿病发病风险预测方法及应用 |
CN112786203A (zh) * | 2021-03-03 | 2021-05-11 | 天津医科大学 | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 |
CN113707338A (zh) * | 2021-10-28 | 2021-11-26 | 南方科技大学 | 景区疫情风险预测与限流方法、装置、设备和存储介质 |
CN113707338B (zh) * | 2021-10-28 | 2022-08-30 | 南方科技大学 | 景区疫情风险预测与限流方法、装置、设备和存储介质 |
CN115798734A (zh) * | 2023-01-09 | 2023-03-14 | 杭州杏林信息科技有限公司 | 基于大数据的新发突发传染病防控方法、装置及储存介质 |
KR102623020B1 (ko) * | 2023-09-11 | 2024-01-10 | 주식회사 슈파스 | 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2019244646A1 (ja) | 2021-06-03 |
US20210249138A1 (en) | 2021-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019244646A1 (ja) | 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 | |
Huang et al. | Application of machine learning in predicting hospital readmissions: a scoping review of the literature | |
Allaudeen et al. | Inability of providers to predict unplanned readmissions | |
Ogola et al. | The financial burden of emergency general surgery: national estimates 2010 to 2060 | |
Thompson et al. | A new Elixhauser-based comorbidity summary measure to predict in-hospital mortality | |
Muralitharan et al. | Machine learning–based early warning systems for clinical deterioration: systematic scoping review | |
Wu et al. | Prediction modeling using EHR data: challenges, strategies, and a comparison of machine learning approaches | |
Ford et al. | A severe sepsis mortality prediction model and score for use with administrative data | |
Fan et al. | Billing code algorithms to identify cases of peripheral artery disease from administrative data | |
Imperiale et al. | Predicting poor outcome from acute upper gastrointestinal hemorrhage | |
Li et al. | Using association rule mining for phenotype extraction from electronic health records | |
US20210257067A1 (en) | State transition prediction device, and device, method, and program for learning predictive model | |
Sakhnini et al. | The derivation and validation of a simple model for predicting in-hospital mortality of acutely admitted patients to internal medicine wards | |
Matheny et al. | Development of electronic health record–based prediction models for 30-day readmission risk among patients hospitalized for acute myocardial infarction | |
Otles et al. | Mind the performance gap: examining dataset shift during prospective validation | |
Niimi et al. | Machine learning models for prediction of adverse events after percutaneous coronary intervention | |
Guo et al. | Predicting mortality among patients with liver cirrhosis in electronic health records with machine learning | |
Chen et al. | Machine learning methods for hospital readmission prediction: systematic analysis of literature | |
Sen et al. | Crest-risk prediction for clostridium difficile infection using multimodal data mining | |
Ayyagari et al. | Pulse pressure and stroke risk: development and validation of a new stroke risk model | |
JP6840627B2 (ja) | ハイパーパラメータの評価方法、計算機及びプログラム | |
Chou et al. | Do hospital and physician volume thresholds for the volume-outcome relationship in heart failure exist? | |
Chae et al. | Predicting emergency department visits and hospitalizations for patients with heart failure in home healthcare using a time series risk model | |
US20190034595A1 (en) | Generating robust symptom onset indicators | |
JP7033646B1 (ja) | 評価装置、評価方法、および、評価プログラム |
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: 19822211 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 2020525492 Country of ref document: JP Kind code of ref document: A |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 19822211 Country of ref document: EP Kind code of ref document: A1 |