WO2020100258A1 - 患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法 - Google Patents

患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法 Download PDF

Info

Publication number
WO2020100258A1
WO2020100258A1 PCT/JP2018/042310 JP2018042310W WO2020100258A1 WO 2020100258 A1 WO2020100258 A1 WO 2020100258A1 JP 2018042310 W JP2018042310 W JP 2018042310W WO 2020100258 A1 WO2020100258 A1 WO 2020100258A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
prediction
patient
cpap device
residual
Prior art date
Application number
PCT/JP2018/042310
Other languages
English (en)
French (fr)
Inventor
太郎 上野
太祐 市川
智光 本橋
Original Assignee
サスメド株式会社
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 サスメド株式会社 filed Critical サスメド株式会社
Priority to PCT/JP2018/042310 priority Critical patent/WO2020100258A1/ja
Priority to JP2020556531A priority patent/JP6884453B2/ja
Publication of WO2020100258A1 publication Critical patent/WO2020100258A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes

Definitions

  • the present invention configured as described above, if there is CPAP device data relating to a respiratory device used by a patient to be predicted for CPAP treatment, it is applied to the residual sleepiness prediction model as prediction data. Thus, it is possible to predict the presence or absence of residual drowsiness. Further, the possibility of treatment withdrawal can be predicted by applying the CPAP device data as prediction data to the withdrawal prediction model. As a result, according to the present invention, it is possible to objectively grasp the residual drowsiness of a patient who is undergoing CPAP treatment. Further, according to another aspect of the present invention, the possibility of withdrawal from CPAP treatment due to residual drowsiness of a patient can be objectively grasped.
  • FIG. 1 is a block diagram showing a functional configuration example of a patient situation prediction device according to the first embodiment.
  • the patient situation prediction device of the present embodiment is configured by, for example, a personal computer or a server device installed in a medical institution, has a function as a learning device 100 that generates a prediction model by machine learning, and a prediction generated by the machine learning. It has a function as a predictor 200 that predicts a patient situation (presence or absence of residual drowsiness in this embodiment) using a model.
  • the patient situation prediction apparatus includes, as its functional configuration, an activity meter data acquisition unit 11, a CPAP device data acquisition unit 12, a residual sleepiness prediction model generation unit 13, and a residual sleepiness prediction unit 14. There is.
  • the patient situation prediction device includes a residual drowsiness prediction model storage unit 10 as a storage medium.
  • the CPAP device data acquisition unit 12 acquires CPAP device data obtained from a respiratory device used for CPAP treatment regarding a patient suffering from SAS.
  • FIG. 2 is a diagram showing an example of the contents of CPAP device data. As shown in FIG. 2, the CPAP device data includes user information, device usage status information, clinical index information, and device setting information.
  • Fig. 2 As the device usage status information, various information as shown in Fig. 2 is acquired.
  • the information shown here is an example, and the present invention is not limited to this. Further, it is not essential to acquire all of the information shown in FIG. 2, and only a part of this may be acquired.
  • the residual drowsiness prediction unit 14 uses the PAP device data regarding the patient to be predicted acquired by the CPAP device data acquisition unit 12 as prediction data, and the residual drowsiness prediction model generated by the residual drowsiness prediction model generation unit 13. By applying the prediction data to (the one stored in the residual drowsiness prediction model storage unit 10), the presence or absence of residual drowsiness is predicted for the patient to be predicted.
  • the CPAP device data acquisition unit 12 acquires CPAP device data as learning data, and also acquires CPAP device data as prediction data.
  • the CPAP device data is acquired as the prediction data
  • the CPAP device data regarding the patient to be predicted may be acquired.
  • the patient to be predicted is a patient who is undergoing SPAP treatment and whose presence or absence of residual drowsiness is unknown.
  • the residual drowsiness prediction unit 14 preferably predicts the residual drowsiness periodically (for example, every day) after the time when the CPAP device data for a plurality of days can be collected for each patient. This is for predicting the presence or absence of residual drowsiness before the patient withdraws from the CPAP treatment, so that the doctor can perform appropriate treatment and advice as necessary.
  • remnant sleepiness prediction unit 14 as the predicted start date D S on the days for which the patient has passed a predetermined number of days from the date of commencement of CPAP treatment, the predicted start date D S after day, the CPAP device data acquiring unit 12
  • the presence or absence of residual drowsiness is predicted by applying the stored CPAP device data to the residual drowsiness prediction model.
  • (D S +1) The day Me with (D S +1) day worth of CPAP device data, (D S +2) for the day Me as and using the (D S +2) day worth of CPAP device data
  • the CPAP device data used for prediction is increased by one day each day.
  • the CPAP device data is applied to the residual sleepiness prediction model as prediction data.
  • the presence or absence of residual drowsiness can be predicted.
  • a doctor who can possibly develop residual drowsiness can be detected at an early stage, and a doctor can provide appropriate advice and treatment. It becomes possible to suppress withdrawal from CPAP treatment.
  • FIG. 4 is a block diagram showing a functional configuration example of the patient situation prediction device according to the second embodiment. It is to be noted that, in FIG. 4, components denoted by the same reference numerals as those shown in FIG. 1 have the same functions, and therefore, redundant description will be omitted here.
  • FIG. 5 is a block diagram showing a specific functional configuration example of the departure prediction model generation unit 43. Note that, in FIG. 5, components denoted by the same reference symbols as those shown in FIG. 3 have the same functions, and therefore, redundant description will be omitted here.
  • the withdrawal prediction model generation unit 43 according to the second embodiment includes a residual drowsiness estimation unit 13A, a withdrawal estimation unit 43A, and a withdrawal learning unit 43B.
  • correct answer data indicating the presence or absence of treatment withdrawal is not prepared in advance, but correct answer data is generated from the CPAP device data acquired for a plurality of patients, and this is used as teacher data. That is one of the features. Also, regarding the presence or absence of residual drowsiness used as one of the explanatory variables, it is not a mode in which it is prepared in advance, but rather from the activity meter data measured for a plurality of patients as described in the first embodiment. One of the features is that it is generated.
  • the withdrawal prediction unit 44 uses the CPAP device data regarding the patient to be predicted acquired by the CPAP device data acquisition unit 12 as prediction data, and the withdrawal prediction model generated by the withdrawal prediction model generation unit 43 (the withdrawal prediction model storage unit). (Stored in 40) to predict the probability of treatment withdrawal for the patient to be predicted. Similar to the prediction of residual sleepiness described in the first embodiment, the prediction of the treatment withdrawal by the withdrawal prediction unit 44 is performed periodically (for example, from the time when the CPAP device data for a plurality of days can be collected for each patient) (for example, Repeatedly (daily) is preferred.
  • a residual drowsiness prediction for predicting the presence or absence of residual drowsiness by further providing a residual drowsiness learning unit 13B with respect to the configuration of the departure prediction model generation unit 43 shown in FIG.
  • a withdrawal prediction model that predicts the presence or absence of treatment withdrawal may be generated along with the generation of the model.
  • the present invention is not limited to this.
  • machine learning using another tree model such as a decision tree, a regression tree, or a gradient boosting tree may be performed.
  • machine learning such as regression model, neural network model, Bayes model, clustering model may be performed.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Pulmonology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Physiology (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Emergency Medicine (AREA)
  • Anesthesiology (AREA)
  • Hematology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

睡眠時無呼吸症候群に罹患している複数の患者に関する、ＣＰＡＰ治療に用いる呼吸機器から得られるＣＰＡＰ機器データと、当該複数の患者が身に着けて使用する活動量計によって経時的に測定される活動量計データとを学習用データとして用い、ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する残遺眠気予測モデル生成部１３と、予測対象の患者に関するＣＰＡＰ機器データを予測用データとして用い、当該予測用データを残遺眠気予測モデルに適用することにより、予測対象とする患者について残遺眠気の有無を予測する残遺眠気予測部１４とを備え、予測対象の患者がＣＰＡＰ治療に使用している呼吸機器に関するＣＰＡＰ機器データがあれば、それを予測用データとして残遺眠気予測用モデルに適用することにより、ＣＰＡＰ治療を行っている患者の残遺眠気を客観的に把握することができるようにする。

Description

患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法
　本発明は、患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法に関し、特に、ＣＰＡＰ治療を行っている患者の状況を予測する技術に関するものである。
　睡眠時無呼吸症候群（Sleep Apnea Syndrome：ＳＡＳ）は、睡眠時に呼吸停止または低呼吸になる疾患である。医学的には、１０秒以上の気流停止（気道における空気の流れが止まった状態）を無呼吸とし、無呼吸が一晩（７時間の睡眠中）に３０回以上、若しくは１時間あたり５回以上ある場合に睡眠時無呼吸とされる。ＳＡＳの病態の多くは、気道が塞がるまたは狭くなることによって起こる閉塞型睡眠時無呼吸症候群である。ＳＡＳに罹ると、日中に過度の眠気を生じ、それが原因で集中力や活力に欠けるなどの状態になり、日常の生活に様々な障害を引き起こすリスクを高めることが知られている。
　ＳＡＳの治療は、生活習慣の改善や手術の他、呼吸機器を装着して行うＣＰＡＰ（Continuous Positive Airway Pressure：持続陽圧呼吸療法）がある（例えば、特許文献１，２参照）。ＣＰＡＰとは、機械で圧力をかけた空気を鼻から気道に送り込み、気道を広げて睡眠中の無呼吸を防止する治療法である。ＣＰＡＰに用いる呼吸機器は、機器本体と、本体から空気を送るチューブと、鼻に当てるマスクとからなり、患者は睡眠中にマスクを装着する。ＳＡＳの重症患者において、ＣＰＡＰ治療を行った患者の方が明らかに長生きできたなど、ＳＡＳに対するＣＰＡＰの効果が多くの研究によって証明されている。現在では、閉塞型睡眠時無呼吸症候群の標準的治療法として広く用いられている。
　ＣＰＡＰ治療は対症療法であるため、呼吸機器の適切な使用により無呼吸は改善するが、呼吸機器を使い続けなければ無呼吸が再び生じてしまう。ところが、ＣＰＡＰ治療を行っているにもかかわらず、一部の患者において眠気が残遺することが分かっている。残遺眠気を呈するケースでは、眠気に伴う社会生活障害が持続するだけでなく、ＣＰＡＰ治療の継続に対するモチベーションが失われるため、治療からの離脱を引き起こす恐れもある。このため、ＣＰＡＰ治療中における残遺眠気への対策が極めて重要な課題となっている。
　しかしながら、眠気があるかどうかは患者本人の主観によるところが大きいため、治療を担当している医師が的確なタイミングで患者の残遺眠気の有無を客観的に把握することは難しい。そのため、残遺眠気によりＣＰＡＰ治療の継続に対するモチベーションを失いかけている患者に対して適切なアドバイスや処置を行うことができず、治療からの離脱を防ぐことができないケースが後を絶たない。特許文献１，２は、ＣＰＡＰ治療装置の改良について開示するが、残遺眠気への対策については何ら言及していない。
特表２００９－５２８８５８号公報 特開２０１０－１６２３７７号公報
　本発明は、このような問題を解決するために成されたものであり、ＣＰＡＰ治療を行っている患者の残遺眠気を客観的に把握できるようにすることを第１の目的とする。また、本発明は、患者の残遺眠気に起因するＣＰＡＰ治療からの脱落の可能性を客観的に把握できるようにすることを第２の目的としている。
　上記した課題を解決するために、本発明では、睡眠時無呼吸症候群に罹患している複数の患者に関する、持続陽圧呼吸療法による治療に用いる呼吸機器から得られるＣＰＡＰ機器データと、当該複数の患者が身に着けて使用する活動量計によって経時的に測定される活動量計データとを学習用データとして用い、ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する。そして、予測対象の患者に関するＣＰＡＰ機器データを予測用データとして用い、当該予測用データを残遺眠気予測モデルに適用することにより、予測対象とする患者について残遺眠気の有無を予測するようにしている。
　また、本発明の他の態様では、上記の学習用データを用いて、ＣＰＡＰ機器データをもとに治療離脱の可能性を予測するための離脱予測モデルを生成する。そして、予測対象の患者に関するＣＰＡＰ機器データを予測用データとして用い、当該予測用データを離脱予測モデルに適用することにより、予測対象とする患者について治療離脱の可能性を予測するようにしている。
　上記のように構成した本発明によれば、予測対象の患者がＣＰＡＰ治療に使用している呼吸機器に関するＣＰＡＰ機器データがあれば、それを予測用データとして残遺眠気予測用モデルに適用することにより、残遺眠気の有無を予測することができる。また、ＣＰＡＰ機器データを予測用データとして離脱予測用モデルに適用することにより、治療離脱の可能性を予測することができる。これにより、本発明によれば、ＣＰＡＰ治療を行っている患者の残遺眠気を客観的に把握することができる。また、本発明の他の態様によれば、患者の残遺眠気に起因するＣＰＡＰ治療からの脱落の可能性を客観的に把握することができる。
第１の実施形態による患者状況予測装置の機能構成例を示すブロック図である。 ＣＰＡＰ機器データの内容例を示す図である。 第１の実施形態による残遺眠気予測モデル生成部の具体的な機能構成例を示すブロック図である。 第２の実施形態による患者状況予測装置の機能構成例を示すブロック図である。 第２の実施形態による離脱予測モデル生成部の具体的な機能構成例を示すブロック図である。 患者状況予測装置の変形例を示す図である。 患者状況予測装置の変形例を示す図である。
（第１の実施形態）
　以下、本発明の第１の実施形態を図面に基づいて説明する。図１は、第１の実施形態による患者状況予測装置の機能構成例を示すブロック図である。本実施形態の患者状況予測装置は、例えば医療機関に設置されるパーソナルコンピュータまたはサーバ装置により構成され、機械学習によって予測モデルを生成する学習器１００としての機能と、当該機械学習によって生成された予測モデルを用いて患者状況（本実施形態では、残遺眠気の有無）を予測する予測器２００としての機能を有する。
　第１の実施形態による患者状況予測装置は、その機能構成として、活動量計データ取得部１１、ＣＰＡＰ機器データ取得部１２、残遺眠気予測モデル生成部１３および残遺眠気予測部１４を備えている。また、第１の実施形態による患者状況予測装置は、記憶媒体として、残遺眠気予測モデル記憶部１０を備えている。
　上記各機能ブロック１１～１４は、ハードウェア、ＤＳＰ（Digital Signal Processor）、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記各機能ブロック１１～１４は、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記録媒体に記憶された患者状況予測用プログラムが動作することによって実現される。
　活動量計データ取得部１１は、患者が身に着けて使用する活動量計によって経時的に測定される活動量計データを取得する。患者とは、睡眠時無呼吸症候群（ＳＡＳ）に罹患していて、ＣＰＡＰ治療を行っている者をいう。患者が身に着けて使用する活動量計は、例えば腕時計型のウェアラブル端末であり、加速度センサを備えている。経時的に測定される活動量計データは、例えば加速度センサにより所定の時間間隔ごとに検出される値を示す加速度データと、検出日時を示す日時データとを含む。この加速度データおよび日時データを分析することにより、患者が動いているか否か、どのような動きをしているかを日時ごとに推定することが可能である。
　なお、ここでは活動量計の例として腕時計型のウェアラブル端末を挙げたが、これに限定されるものではない。加速度センサを備えていて、患者が常時身に着けていられるものであればよい。例えば、足首に装着して使用するタイプのウェアラブル端末であってもよいし、スマートフォンであってもよい。活動量計は、睡眠時間、心拍数、酸素濃度、歩数、距離、消費カロリー、運動強度などの他の活動量を測定できるものであってもよいし、加速度のみを測定可能な加速度計であってもよい。
　活動量計データは、機械学習の学習用データとして用いる。したがって、活動量計データ取得部１１は、複数の患者に関する活動量計データを取得する。その取得の方法は任意である。例えば、活動量計データ取得部１１は、複数の患者に関する活動量計データが記憶された装置（例えば、活動量計データおよび後述するＣＰＡＰ機器データを収集して保存している外部サーバ）から、通信ネットワークを介して活動量計データを取得する。あるいは、複数の患者に関する活動量計データが記憶された記憶媒体から活動量計データを取得するようにしてもよい。
　あるいは、活動量計データ取得部１１を備えた装置自身がデータ収集機能を持ち、複数の患者が使用している活動量計から通信ネットワークを介して活動量計データを逐次取得するようにしてもよい。この場合、患者状況予測装置は、活動量計データ取得部１１により逐次取得される活動量計データを保存していき、保存した活動量計データを学習用データとして用いる。
　ＣＰＡＰ機器データ取得部１２は、ＳＡＳに罹患している患者に関する、ＣＰＡＰ治療に用いる呼吸機器から得られるＣＰＡＰ機器データを取得する。図２は、ＣＰＡＰ機器データの内容例を示す図である。図２に示すように、ＣＰＡＰ機器データは、使用者情報、機器使用状況情報、臨床指標情報および機器設定情報を含む。
　機器使用状況情報としては、図２に示すような各種の情報を取得する。なお、ここに示した情報は一例であり、これに限定されるものではない。また、図２に示した情報の全てを取得することは必須ではなく、この中の一部のみを取得するようにしてもよい。
　例えば、機器使用状況情報は、呼吸機器の本体からチューブを介してマスクに送り込む空気に対してかける圧力の大きさ（水柱センチメートル：ｃｍＨ２０）を示す情報を含む。圧力の大きさは、常に一定の圧力を保つ場合と、無呼吸のときに合わせて自動的に圧力が増す場合との２つのパターンがある。図２の例は、後者のパターンを前提として、最大値圧力、９５％圧力、中央値圧力の各情報を取得することとしている。
　また、機器使用状況情報は、口からリークする空気の量（リットル毎分：Ｌ／ｍｉｎ）を示す情報を含む。ＣＰＡＰ治療をする場合、マスクを鼻に装着し、鼻から圧力を加えるが、口が開いているとリークが生じてしまい、治療の効果が得られない。本来は鼻呼吸をする必要があるが、ＳＡＳの患者は普段から口呼吸をしている場合が多いので、鼻呼吸をすること自体が困難な場合が少なくない。図２の例では、最大リーク、９５％リーク、中央値リークの各情報を取得することとしている。
　臨床指標情報としては、図２に示すような各種の指標値を取得する。なお、ここに示した指標値は一例であり、これに限定されるものではない。また、図２に示した指標値の全てを取得することは必須ではなく、この中の一部のみを取得するようにしてもよい。
　また、機器設定情報は、図２に示すような各種の設定情報を取得する。なお、ここに示した設定情報は一例であり、これに限定されるものではない。また、図２に示した設定情報の全てを取得することは必須ではなく、この中の一部のみを取得するようにしてもよい。
　図２に例示したＣＰＡＰ機器データは、学習用データまたは予測用データとして用いる。学習用データとして用いるＣＰＡＰ機器データは、活動量計データ取得部１１により取得される活動量計データに対応する患者と同じ患者が使用している呼吸機器から得られるデータである。すなわち、活動量計データ取得部１１およびＣＰＡＰ機器データ取得部１２は、ＳＡＳに罹患している複数の患者に関する活動量計データおよびＣＰＡＰ機器データを取得する。
　学習用データとして用いる複数の患者に関するＣＰＡＰ機器データの取得の方法も任意である。例えば、ＣＰＡＰ機器データ取得部１２は、複数の患者に関するＣＰＡＰ機器データが記憶された装置（例えば、活動量計データおよび後述するＣＰＡＰ機器データを収集して保存している外部サーバ）から、通信ネットワークを介してＣＰＡＰ機器データを取得する。あるいは、複数の患者に関するＣＰＡＰ機器データが記憶された記憶媒体からＣＰＡＰ機器データを取得するようにしてもよい。
　あるいは、ＣＰＡＰ機器データ取得部１２を備えた装置自身がデータ収集機能を持ち、複数の患者が使用しているＣＰＡＰの呼吸機器から通信ネットワークを介してＣＰＡＰ機器データを逐次取得するようにしてもよい。この場合、患者状況予測装置は、ＣＰＡＰ機器データ取得部１２により逐次取得されるＣＰＡＰ機器データを保存していき、保存したＣＰＡＰ機器データを学習用データとして用いる。
　残遺眠気予測モデル生成部１３は、活動量計データ取得部１１により取得される複数の患者に関する活動量計データと、ＣＰＡＰ機器データ取得部１２により取得される複数の患者に関するＣＰＡＰ機器データとを学習用データとして用い、ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する。この残遺眠気予測モデルを生成するために行う機械学習として、例えば決定木学習法の１つであるランダムフォレスト法を用いる。すなわち、学習用データを分割し、Ｇｉｎｉ係数等の一定の基準のもと分類能力を測定し、その分類能力が最も高い分割を採用するという手順を再帰的に繰り返すことで、最終的に木構造で表された予測モデルを生成する。
　図３は、残遺眠気予測モデル生成部１３の具体的な機能構成例を示すブロック図である。図３に示すように、残遺眠気予測モデル生成部１３は、残遺眠気推定部１３Ａおよび残遺眠気学習部１３Ｂによって、複数の患者に関する活動量計データとＣＰＡＰ機器データとを用いた教師あり学習を行うことにより、ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する。
　残遺眠気推定部１３Ａは、複数の患者に関する活動量計データからそれぞれ、日中の休止時間の状態を判定し、当該判定した休止時間の状態から残遺眠気の有無を推定する。上述したように、活動量計データは所定の時間間隔ごとに検出される加速度データと日時データとを含んでいる。残遺眠気推定部１３Ａは、この加速度データおよび日時データに基づいて、加速度データの値が閾値未満となっている時間を休止時間と判定し、日中における休止時間の長さが閾値以上の患者について「残遺眠気あり」と推定する。
　ここで、日中とは、通常であれば起きて活動している時間帯をいう。あるいは、残遺眠気が生じる可能性の高い午後の特定の時間帯としてもよい。あるいは、患者のＳＡＳの症状に合わせて患者ごとに日中の時間帯を設定するようにしてもよい。また、日中における休止時間の長さは、加速度データの値が閾値未満となっている状態が連続している時間の長さをいう。なお、残遺眠気が生じていて患者が休止状態にある場合であっても、全身が全く微動もせず停止し続けるとは限らない。よって、加速度データの値が所定時間以下だけ閾値以上となる場合は、休止状態が連続しているとみなして休止時間の長さを判定するようにしてよい。
　また、休止時間の長さに関する閾値は、公知のエプワース眠気尺度（ＥＳＳ）による日中の眠気の評価値を考慮して決定する。ＥＳＳは、問診票により日中の眠気を主観的に把握するための尺度であり、２４点満点中の１１点以上の場合に日中の眠気ありと評価される。このＥＳＳは、ＣＰＡＰ治療中の患者については、呼吸機器を用いた治療実施後にもかかわらず眠気がある状態（＝残遺眠気あり）として評価することが可能である。そこで、ＥＳＳが１１点以上となるような日中の休止時間の長さを、残遺眠気の有無を判定するための閾値として設定する。
　残遺眠気学習部１３Ｂは、複数の患者に関するＣＰＡＰ機器データのそれぞれを説明変数とし、残遺眠気推定部１３Ａにより複数の患者について推定された残遺眠気の有無をそれぞれ目的変数とするデータセットを教師データとしてランダムフォレスト法による機械学習を行うことにより、残遺眠気予測モデルを生成する。このように、本実施形態では、残遺眠気の有無という正解データをあらかじめ用意しておく態様ではなく、複数の患者について測定された活動量計データから正解データを生成して、これを教師データとして用いていることを特徴の１つとしている。
　基本的に、残遺眠気の有無は患者の主観によるところが大きいため、これを患者に対する問診等により客観的に把握することは難しい。これに対し、本実施形態では、患者の活動量計データという客観的なデータを用いて残遺眠気の有無を患者ごとに推定しているので、患者に対する問診等を行うことなく正解データを得ることができる。そして、この正解データを目標変数に設定して機械学習を行うことにより、残遺眠気の有無を予測するための予測モデルを生成することができる。
　図２に示したように、説明変数として用いるＣＰＡＰ機器データは、各種の情報を含んでいる。これらの情報の何れかが残遺眠気の発症につながる要因として大きく寄与していると考えられる。例えば、圧力が適切に設定されていない（機器設定情報）、リーク量が大きいまたは呼吸機器の使用頻度が少ない（機器使用状況情報）などのように、呼吸機器が適切に使用されていない場合に、治療効果が十分に発揮されず日中の残遺眠気が改善されないことが予想される。治療効果が十分に発揮されているかどうかは、臨床指標情報をもとに捉えることが可能である。
　残遺眠気学習部１３Ｂは、以上のような各情報を含むＣＰＡＰ機器データを説明変数に設定し、また上述したように患者の活動量計データから得た残遺眠気の有無という正解データを目標変数に設定して機械学習を行うことにより、残遺眠気の有無を予測するための予測モデルを生成することができる。残遺眠気学習部１３Ｂにより生成された残遺眠気予測モデルは、残遺眠気予測モデル記憶部１０に記憶される。
　残遺眠気予測部１４は、ＣＰＡＰ機器データ取得部１２により取得される予測対象の患者に関するＰＡＰ機器データを予測用データとして用い、残遺眠気予測モデル生成部１３により生成された残遺眠気予測モデル（残遺眠気予測モデル記憶部１０に記憶されたもの）に予測用データを適用することにより、予測対象とする患者について残遺眠気の有無を予測する。
　上述したように、ＣＰＡＰ機器データ取得部１２は、学習用データとしてＣＰＡＰ機器データを取得することに加え、予測用データとしてＣＰＡＰ機器データを取得する。予測用データとしてＣＰＡＰ機器データを取得する場合は、予測対象の患者に関するＣＰＡＰ機器データを取得すればよい。予測対象の患者とは、ＳＰＡＰ治療を受けている患者で、残遺眠気の有無が未知の患者である。
　予測用データとして用いる予測対象の患者に関するＣＰＡＰ機器データの取得の方法も任意である。例えば、ＣＰＡＰ機器データ取得部１２は、予測対象の患者に関するＣＰＡＰ機器データが記憶された装置（例えば、ＣＰＡＰ機器データを収集して保存している外部サーバ）から、通信ネットワークを介してＣＰＡＰ機器データを取得する。あるいは、予測対象の患者に関するＣＰＡＰ機器データが記憶された記憶媒体からＣＰＡＰ機器データを取得するようにしてもよい。
　あるいは、ＣＰＡＰ機器データ取得部１２を備えた装置自身がデータ収集機能を持ち、予測対象の患者が使用しているＣＰＡＰの呼吸機器から通信ネットワークを介してＣＰＡＰ機器データを逐次取得するようにしてもよい。この場合、患者状況予測装置は、ＣＰＡＰ機器データ取得部１２により逐次取得されるＣＰＡＰ機器データを保存し、保存したＣＰＡＰ機器データを予測用データとして用いる。
　残遺眠気予測部１４による残遺眠気の予測は、患者ごとに、複数日分のＣＰＡＰ機器データが収集できた時点以降、定期的に（例えば毎日）繰り返し行うのが好ましい。患者がＣＰＡＰ治療から離脱してしまう前に残遺眠気の有無を予測し、医師が必要に応じて適切な処置やアドバイス等を行うことができるようにするためである。
　例えば、残遺眠気予測部１４は、患者がＣＰＡＰ治療を開始した日から所定日数が経過した日を予測開始日ＤSとして、当該予測開始日ＤS以降毎日、ＣＰＡＰ機器データ取得部１２により取得されるＣＰＡＰ機器データを残遺眠気予測モデルに適用することにより、残遺眠気の有無を予測する。この場合、（ＤS＋１）日めについては（ＤS＋１）日分のＣＰＡＰ機器データを用い、（ＤS＋２）日めについては（ＤS＋２）日分のＣＰＡＰ機器データを用いるといったように、予測に使用するＣＰＡＰ機器データを日ごとに１日分ずつ増やしていく。
　以上詳しく説明したように、第１の実施形態では、ＳＡＳに罹患している複数の患者に関する活動量計データとＣＰＡＰ機器データとを学習用データとして用い、ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する。そして、予測対象の患者に関するＣＰＡＰ機器データを予測用データとして用い、当該予測用データを残遺眠気予測モデルに適用することにより、予測対象とする患者について残遺眠気の有無を予測するようにしている。
　このように構成した第１の実施形態によれば、予測対象の患者がＣＰＡＰ治療に使用している呼吸機器に関するＣＰＡＰ機器データがあれば、それを予測用データとして残遺眠気予測用モデルに適用することにより、残遺眠気の有無を予測することができる。これにより、ＣＰＡＰ治療を行っている患者の残遺眠気を客観的に把握することができる。そして、この残遺眠気の予測を定常的に行うことにより、残遺眠気を発症している可能性のある患者を早期に発見して医師が適切なアドバイスや処置を行うことができ、患者のＣＰＡＰ治療からの離脱を抑制することができるようになる。
　なお、以上説明した第１の実施形態において、残遺眠気学習部１３Ｂは、ＣＰＡＰ機器データに含まれる複数の情報の中から、残遺眠気の有無の予測に対する寄与度の大きい重要な説明変数となる１以上の情報を特定し、当該特定した情報を残遺眠気の要因として特定するようにしてもよい。
　ランダムフォレスト法は、特徴量の学習を行うことができることを１つの特徴として有している。残遺眠気学習部１３Ｂは、このランダムフォレスト法による機械学習の特徴を利用して、どの説明変数が残遺眠気の有無の予測に大きく寄与しているか、つまり残遺眠気の発症に関して重要な要因と考えられる説明変数を特定することが可能である。さらに、残遺眠気学習部１３Ｂは、このようにして特定した重要な説明変数が他の説明変数よりも残遺眠気の予測に大きく寄与するような重み付けを設定した残遺眠気予測モデルを生成することが可能である。
（第２の実施形態）
　次に、本発明の第２の実施形態を図面に基づいて説明する。図４は、第２の実施形態による患者状況予測装置の機能構成例を示すブロック図である。なお、この図４において、図１に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。
　図４に示すように、第２の実施形態による患者状況予測装置は、残遺眠気予測モデル記憶部１０、残遺眠気予測モデル生成部１３および残遺眠気予測部１４に代えて、離脱予測モデル記憶部４０、離脱予測モデル生成部４３および離脱予測部４４を備えている。第２の実施形態では、これらの機能構成により、患者のＣＰＡＰ治療からの離脱の可能性を予測する。
　離脱予測モデル生成部４３は、活動量計データ取得部１１により取得される複数の患者に関する活動量計データと、ＣＰＡＰ機器データ取得部１２により取得される複数の患者に関するＣＰＡＰ機器データとを学習用データとして用い、ＣＰＡＰ機器データをもとに治療離脱の可能性を予測するための離脱予測モデルを生成する。そして、生成した離脱予測モデルを離脱予測モデル記憶部４０に記憶させる。
　図５は、離脱予測モデル生成部４３の具体的な機能構成例を示すブロック図である。なお、この図５において、図３に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。図５に示すように、第２の実施形態による離脱予測モデル生成部４３は、残遺眠気推定部１３Ａ、離脱推定部４３Ａおよび離脱学習部４３Ｂを備えている。
　離脱推定部４３Ａは、ＣＰＡＰ機器データ取得部１２により取得される複数の患者に関するＣＰＡＰ機器データからそれぞれ、治療離脱の有無を推定する。離脱推定部４３Ａが使用するＣＰＡＰ機器データは、呼吸機器を使用した日付、つまりＣＰＡＰ治療を行った日付を示すデータである。離脱推定部４３Ａは、ＣＰＡＰ治療の開始日から所定の日数（例えば６０日）を経過した後に呼吸機器が使用されていない場合に、その患者はＣＰＡＰ治療から離脱したと推定する。なお、どのような場合に治療離脱とみなすかの定義はこれに限らず、任意に設定することが可能である。
　離脱学習部４３Ｂは、ＣＰＡＰ機器データ取得部１２により取得される複数の患者に関するＣＰＡＰ機器データのそれぞれと、残遺眠気推定部１３Ａにより複数の患者について推定された残遺眠気の有無のそれぞれとを説明変数とし、離脱推定部４３Ａにより複数の患者について推定された治療離脱の有無をそれぞれ目的変数とするデータセットを教師データとしてランダムフォレスト法の機械学習を行うことにより、離脱予測モデルを生成する。
　このように、本実施形態では、治療離脱の有無という正解データをあらかじめ用意しておく態様ではなく、複数の患者について取得されたＣＰＡＰ機器データから正解データを生成して、これを教師データとして用いていることを特徴の１つとしている。また、説明変数の１つとして用いる残遺眠気の有無についても、これをあらかじめ用意しておく態様ではなく、第１の実施形態で説明したように複数の患者について測定された活動量計データから生成していることも特徴の１つとしている。
　残遺眠気推定部１３Ａにより推定される残遺眠気の有無は、治療離脱につながる要因の１つとして関係していると考えられる。また、呼吸機器の使用頻度が低い場合も、治療に対する態度が真摯ではないため、治療離脱につながる要因の１つとして寄与していると考えられる。離脱学習部４３Ｂは、呼吸機器の使用実績を表すＣＰＡＰ機器データや、残遺眠気推定部１３Ａにより推定された残遺眠気の有無を説明変数に設定し、また上述したように患者のＣＰＡＰ機器データから推定した治療離脱の有無という正解データを目標変数に設定して機械学習を行うことにより、治療離脱の有無を予測するための予測モデルを生成することができる。
　離脱予測部４４は、ＣＰＡＰ機器データ取得部１２により取得される予測対象の患者に関するＣＰＡＰ機器データを予測用データとして用い、離脱予測モデル生成部４３により生成された離脱予測モデル（離脱予測モデル記憶部４０に記憶されたもの）に予測用データを適用することにより、予測対象とする患者について治療離脱の可能性を予測する。離脱予測部４４による治療離脱の予測は、第１の実施形態で説明した残遺眠気の予測と同様、患者ごとに、複数日分のＣＰＡＰ機器データが収集できた時点以降、定期的に（例えば毎日）繰り返し行うのが好ましい。
　以上詳しく説明したように、第２の実施形態では、ＳＡＳに罹患している複数の患者に関する活動量計データとＣＰＡＰ機器データとを学習用データとして用いて、ＣＰＡＰ機器データをもとに治療離脱の可能性を予測するための離脱予測モデルを生成する。そして、予測対象の患者に関するＣＰＡＰ機器データを予測用データとして用い、当該予測用データを離脱予測モデルに適用することにより、予測対象とする患者について治療離脱の可能性を予測するようにしている。
　このように構成した第２の実施形態によれば、予測対象の患者がＣＰＡＰ治療に使用している呼吸機器に関するＣＰＡＰ機器データがあれば、それを予測用データとして離脱予測用モデルに適用することにより、治療離脱の可能性を予測することができる。これにより、患者の残遺眠気に起因するＣＰＡＰ治療からの脱落の可能性を客観的に把握することができる。そして、この治療離脱の予測を定常的に行うことにより、治療離脱の可能性がある患者を早期に発見して医師が適切なアドバイスや処置を行うことができ、患者のＣＰＡＰ治療からの離脱を抑制することができるようになる。
　なお、以上説明した第２の実施形態において、図５に示した離脱予測モデル生成部４３の構成に対して更に残遺眠気学習部１３Ｂを設け、残遺眠気の有無を予測する残遺眠気予測モデルを生成するとともに、治療離脱の有無を予測する離脱予測モデルを生成するようにしてもよい。そして、残遺眠気予測部１４と離脱予測部４４とを備えることにより、残遺眠気の有無の予測と治療離脱の有無の予測とを合わせて行うようにしてもよい。
　上記第１および第２の実施形態では、学習器１００と予測器２００との両方の機能を有する患者状況予測装置の構成を示したが、本発明はこれに限定されない。例えば、第１の実施形態に関して、図６（ａ）のように学習器の機能のみを備えた装置と、図６（ｂ）のように予測器の機能のみを備えた装置とを別に構成してもよい。この構成の場合、図６（ａ）に示す学習器が備えるＣＰＡＰ機器データ取得部１２Ａは、複数の患者に関するＣＰＡＰ機器データを取得する。一方、図６（ｂ）に示す予測器が備えるＣＰＡＰ機器データ取得部１２Ｂは、予測対象の患者に関するＣＰＡＰ機器データを取得する。
　図６のように学習器の機能と予測器の機能とを分けて患者状況予測装置を構成した場合、予測器については医療機関に設置して医師が使用できるようにするのが好ましい。一方、学習器については必ずしも医療機関に設置する必要はなく、別の場所に設置してもよい。また、残遺眠気予測モデル記憶部１０についても医療機関に設置する必要はなく、少なくとも予測器が利用できる環境に設置されていればよい。例えば、インターネット上のデータサーバに残遺眠気予測モデル記憶部１０を備えるようにしてもよい。
　同様に、第２の実施形態に関して、図７（ａ）のように学習器の機能のみを備えた装置と、図７（ｂ）のように予測器の機能のみを備えた装置とを別に構成してもよい。
　また、上記第１および第２の実施形態では、活動量計データとして加速度データを用いる例について説明したが、本発明はこれに限定されない。例えば、ジャイロセンサにより検出される角速度データまたは角加速度データを用いてもよい。その他、患者の身体が動いているかどうかを検出可能なセンサを用いて検出されるデータであれば、これを活動量計データとして用いることも可能である。
　また、上記第１および第２の実施形態では、機械学習の方法としてランダムフォレスト法を用いる例について説明したが、本発明はこれに限定されない。例えば、決定木、回帰木、勾配ブースティング木などの他の木モデルを用いた機械学習を行うようにしてもよい。あるいは、回帰モデル、ニューラルネットワークモデル、ベイズモデル、クラスタリングモデルなどの機械学習を行うようにしてもよい。
　その他、上記第１および第２の実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその要旨、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。
　１０　残遺眠気予測モデル記憶部
　１１　活動量計データ取得部
　１２　ＣＰＡＰ機器データ取得部
　１３　残遺眠気予測モデル生成部
　１３Ａ　残遺眠気推定部
　１３Ｂ　残遺眠気学習部
　１４　残遺眠気予測部
　４０　離脱予測モデル記憶部
　４３　離脱予測モデル生成部
　４４　離脱予測部
　４３Ａ　離脱推定部
　４３Ｂ　離脱学習部

Claims (15)

  1. 　睡眠時無呼吸症候群に罹患している患者に関する、持続陽圧呼吸療法による治療に用いる呼吸機器から得られるＣＰＡＰ機器データを取得するＣＰＡＰ機器データ取得部と、
    　上記患者が身に着けて使用する活動量計によって経時的に測定される活動量計データを取得する活動量計データ取得部と、
    　上記ＣＰＡＰ機器データ取得部により取得される複数の患者に関する上記ＣＰＡＰ機器データおよび上記活動量計データ取得部により取得される上記複数の患者に関する上記活動量計データを学習用データとして用い、上記ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する残遺眠気予測モデル生成部と、
    　上記ＣＰＡＰ機器データ取得部により取得される予測対象の患者に関する上記ＣＰＡＰ機器データを予測用データとして用い、上記残遺眠気予測モデル生成部により生成された上記残遺眠気予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記残遺眠気の有無を予測する残遺眠気予測部とを備えたことを特徴とする患者状況予測装置。
  2. 　上記残遺眠気予測モデル生成部は、
    　上記複数の患者に関する上記活動量計データからそれぞれ、日中の休止時間の状態を判定し、当該判定した休止時間の状態から上記残遺眠気の有無を推定する残遺眠気推定部と、
    　上記複数の患者に関する上記ＣＰＡＰ機器データのそれぞれを説明変数とし、上記残遺眠気推定部により上記複数の患者について推定された上記残遺眠気の有無をそれぞれ目的変数とするデータセットを教師データとして機械学習を行うことにより、上記残遺眠気予測モデルを生成する残遺眠気学習部とを備えたことを特徴とする請求項１に記載の患者状況予測装置。
  3. 　上記残遺眠気学習部は、上記ＣＰＡＰ機器データに含まれる複数の情報の中から、上記残遺眠気の有無の予測に対する寄与度の大きい重要な説明変数となる１以上の情報を特定し、当該特定した情報を上記残遺眠気の要因として特定することを特徴とする請求項２に記載の患者状況予測装置。
  4. 　上記ＣＰＡＰ機器データ取得部により取得される複数の患者に関する上記ＣＰＡＰ機器データおよび上記活動量計データ取得部により取得される上記複数の患者に関する上記活動量計データを学習用データとして用い、上記ＣＰＡＰ機器データをもとに治療離脱の可能性を予測するための離脱予測モデルを生成する離脱予測モデル生成部と、
    　上記ＣＰＡＰ機器データ取得部により取得される予測対象の患者に関する上記ＣＰＡＰ機器データを予測用データとして用い、上記離脱予測モデル生成部により生成された上記離脱予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記治療離脱の可能性を予測する離脱予測部とを、
    　上記残遺眠気予測モデル生成部および上記残遺眠気予測部に代えてまたは加えて備えたことを特徴とする請求項１に記載の患者状況予測装置。
  5. 　上記離脱予測モデル生成部は、
    　上記複数の患者に関する上記活動量計データからそれぞれ、日中の休止時間の状態を判定し、当該判定した休止時間の状態から上記残遺眠気の有無を推定する残遺眠気推定部と、
    　上記複数の患者に関する上記ＣＰＡＰ機器データからそれぞれ、上記治療離脱の有無を推定する離脱推定部と、
    　上記複数の患者に関する上記ＣＰＡＰ機器データのそれぞれおよび上記残遺眠気推定部により上記複数の患者について推定された上記残遺眠気の有無のそれぞれを説明変数とし、上記離脱推定部により上記複数の患者について推定された上記治療離脱の有無をそれぞれ目的変数とするデータセットを教師データとして機械学習を行うことにより、上記離脱予測モデルを生成する離脱学習部とを備えたことを特徴とする請求項４に記載の患者状況予測装置。
  6. 　睡眠時無呼吸症候群に罹患している患者に関する、持続陽圧呼吸療法による治療に用いる呼吸機器から得られるＣＰＡＰ機器データを取得するＣＰＡＰ機器データ取得部と、
    　上記患者が身に着けて使用する活動量計によって経時的に測定される活動量計データを取得する活動量計データ取得部と、
    　上記ＣＰＡＰ機器データ取得部により取得される複数の患者に関する上記ＣＰＡＰ機器データおよび上記活動量計データ取得部により取得される上記複数の患者に関する上記活動量計データを学習用データとして用い、上記ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する残遺眠気予測モデル生成部とを備えたことを特徴とする予測モデル生成装置。
  7. 　上記ＣＰＡＰ機器データ取得部により取得される複数の患者に関する上記ＣＰＡＰ機器データおよび上記活動量計データ取得部により取得される上記複数の患者に関する上記活動量計データを学習用データとして用い、上記ＣＰＡＰ機器データをもとに治療離脱の可能性を予測するための離脱予測モデルを生成する離脱予測モデル生成部を、
    　上記残遺眠気予測モデル生成部に代えてまたは加えて備えたことを特徴とする請求項６に記載の予測モデル生成装置。
  8. 　睡眠時無呼吸症候群に罹患している患者に関する、持続陽圧呼吸療法による治療に用いる呼吸機器から得られるＣＰＡＰ機器データを取得するＣＰＡＰ機器データ取得部と、
    　上記ＣＰＡＰ機器データ取得部により取得される予測対象の患者に関する上記ＣＰＡＰ機器データを予測用データとして用い、請求項６に記載の予測モデル生成装置により生成された上記残遺眠気予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記残遺眠気の有無を予測する残遺眠気予測部とを備えたことを特徴とする患者状況予測装置。
  9. 　睡眠時無呼吸症候群に罹患している患者に関する、持続陽圧呼吸療法による治療に用いる呼吸機器から得られるＣＰＡＰ機器データを取得するＣＰＡＰ機器データ取得部と、
    　上記ＣＰＡＰ機器データ取得部により取得される予測対象の患者に関する上記ＣＰＡＰ機器データを予測用データとして用い、請求項７に記載の予測モデル生成装置により生成された上記離脱予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記治療離脱の可能性を予測する離脱予測部とを備えたことを特徴とする患者状況予測装置。
  10. 　睡眠時無呼吸症候群に罹患している患者に関する、持続陽圧呼吸療法による治療に用いる呼吸機器から得られるＣＰＡＰ機器データを取得するＣＰＡＰ機器データ取得手段、
    　上記患者が身に着けて使用する活動量計によって経時的に測定される活動量計データを取得する活動量計データ取得手段、および
    　上記ＣＰＡＰ機器データ取得手段により取得される複数の患者に関する上記ＣＰＡＰ機器データおよび上記活動量計データ取得手段により取得される上記複数の患者に関する上記活動量計データを学習用データとして用い、上記ＣＰＡＰ機器データをもとに残遺眠気の有無を予測するための残遺眠気予測モデルを生成する残遺眠気予測モデル生成手段
    としてコンピュータを機能させるための患者状況予測用プログラム。
  11. 　上記ＣＰＡＰ機器データ取得手段により取得される複数の患者に関する上記ＣＰＡＰ機器データおよび上記活動量計データ取得手段により取得される上記複数の患者に関する上記活動量計データを学習用データとして用い、上記ＣＰＡＰ機器データをもとに治療離脱の可能性を予測するための離脱予測モデルを生成する離脱予測モデル生成手段を、
    　上記残遺眠気予測モデル生成手段に代えてまたは加えて備えたことを特徴とする請求項１０に記載の患者状況予測用プログラム。
  12. 　睡眠時無呼吸症候群に罹患している患者に関する、持続陽圧呼吸療法による治療に用いる呼吸機器から得られるＣＰＡＰ機器データを取得するＣＰＡＰ機器データ取得手段、および
    　上記ＣＰＡＰ機器データ取得手段により取得される予測対象の患者に関する上記ＣＰＡＰ機器データを予測用データとして用い、請求項１０に記載の残遺眠気予測モデル生成手段により生成された上記残遺眠気予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記残遺眠気の有無を予測する残遺眠気予測手段
    としてコンピュータを機能させるための患者状況予測用プログラム。
  13. 　睡眠時無呼吸症候群に罹患している患者に関する、持続陽圧呼吸療法による治療に用いる呼吸機器から得られるＣＰＡＰ機器データを取得するＣＰＡＰ機器データ取得手段、および
    　上記ＣＰＡＰ機器データ取得手段により取得される予測対象の患者に関する上記ＣＰＡＰ機器データを予測用データとして用い、請求項１１に記載の離脱予測モデル生成手段により生成された上記離脱予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記治療離脱の可能性を予測する離脱予測手段
    としてコンピュータを機能させるための患者状況予測用プログラム。
  14. 　コンピュータのＣＰＡＰ機器データ取得部が、睡眠時無呼吸症候群に罹患している予測対象の患者に関する、持続陽圧呼吸療法による治療に用いる呼吸機器から得られるＣＰＡＰ機器データを取得する工程と、
    　上記コンピュータの残遺眠気予測部が、上記ＣＰＡＰ機器データ取得部により取得される上記ＣＰＡＰ機器データを予測用データとして用い、請求項６に記載の予測モデル生成装置により生成された上記残遺眠気予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記残遺眠気の有無を予測する工程とを有することを特徴とする患者状況予測方法。
  15. 　コンピュータのＣＰＡＰ機器データ取得部が、睡眠時無呼吸症候群に罹患している予測対象の患者に関する、持続陽圧呼吸療法による治療に用いる呼吸機器から得られるＣＰＡＰ機器データを取得する工程と、
    　上記コンピュータの離脱予測部が、上記ＣＰＡＰ機器データ取得部により取得される上記ＣＰＡＰ機器データを予測用データとして用い、請求項７に記載の予測モデル生成装置により生成された上記離脱予測モデルに上記予測用データを適用することにより、上記予測対象とする患者について上記治療離脱の可能性を予測する工程とを有することを特徴とする患者状況予測方法。
PCT/JP2018/042310 2018-11-15 2018-11-15 患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法 WO2020100258A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2018/042310 WO2020100258A1 (ja) 2018-11-15 2018-11-15 患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法
JP2020556531A JP6884453B2 (ja) 2018-11-15 2018-11-15 患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/042310 WO2020100258A1 (ja) 2018-11-15 2018-11-15 患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法

Publications (1)

Publication Number Publication Date
WO2020100258A1 true WO2020100258A1 (ja) 2020-05-22

Family

ID=70731064

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/042310 WO2020100258A1 (ja) 2018-11-15 2018-11-15 患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法

Country Status (2)

Country Link
JP (1) JP6884453B2 (ja)
WO (1) WO2020100258A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2022079923A1 (ja) * 2020-10-16 2022-04-21
WO2023234317A1 (ja) * 2022-05-31 2023-12-07 田辺三菱製薬株式会社 情報処理システム、情報処理方法、プログラム、記録媒体

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023132565A1 (ko) * 2022-01-05 2023-07-13 엘지전자 주식회사 개인화된 건강 예측 학습 모델을 구비한 건강 예측 시스템 및 그 시스템의 제어 방법
CN115171850B (zh) * 2022-09-07 2022-12-09 深圳市心流科技有限公司 一种睡眠方案生成方法、装置、终端设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005506601A (ja) * 2001-03-07 2005-03-03 ウォルター リード アーミー インスティテュート オブ リサーチ アクティグラフからのデータを使って人の認知能力を予測するシステムおよび方法
JP2006271897A (ja) * 2005-03-30 2006-10-12 Toshiba Corp 眠気予測装置及びその方法
JP2016182241A (ja) * 2015-03-26 2016-10-20 パイオニア株式会社 眠気算出装置
JP2017501465A (ja) * 2013-11-01 2017-01-12 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 治療装置の使用のための患者フィードバック

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6301573B1 (ja) * 2017-08-14 2018-03-28 サスメド株式会社 治療支援装置および治療支援用プログラム
JP6427286B1 (ja) * 2018-04-05 2018-11-21 チェスト株式会社 データ分析予測装置およびデータ分析予測プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005506601A (ja) * 2001-03-07 2005-03-03 ウォルター リード アーミー インスティテュート オブ リサーチ アクティグラフからのデータを使って人の認知能力を予測するシステムおよび方法
JP2006271897A (ja) * 2005-03-30 2006-10-12 Toshiba Corp 眠気予測装置及びその方法
JP2017501465A (ja) * 2013-11-01 2017-01-12 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 治療装置の使用のための患者フィードバック
JP2016182241A (ja) * 2015-03-26 2016-10-20 パイオニア株式会社 眠気算出装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2022079923A1 (ja) * 2020-10-16 2022-04-21
WO2023234317A1 (ja) * 2022-05-31 2023-12-07 田辺三菱製薬株式会社 情報処理システム、情報処理方法、プログラム、記録媒体

Also Published As

Publication number Publication date
JPWO2020100258A1 (ja) 2021-09-02
JP6884453B2 (ja) 2021-06-09

Similar Documents

Publication Publication Date Title
JP7356488B2 (ja) 疲労モニタリング及び管理システム
WO2020100258A1 (ja) 患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法
Osman et al. Obstructive sleep apnea: current perspectives
Roebuck et al. A review of signals used in sleep analysis
JP7393405B2 (ja) 睡眠呼吸障害のスクリーニング、診断および監視のためのシステムおよび方法
Plarre et al. Continuous inference of psychological stress from sensory measurements collected in the natural environment
CN113382676A (zh) 用于改变发送到外部源的数据量的系统和方法
US20230190140A1 (en) Methods and apparatus for detection and monitoring of health parameters
US20140180036A1 (en) Device and method for predicting and preventing obstructive sleep apnea (osa) episodes
JP2022527000A (ja) 被験者に生じうる睡眠障害に関連する感知ユニット及びデータ処理装置を含むシステム
Djonlagic et al. REM-related obstructive sleep apnea: when does it matter? Effect on motor memory consolidation versus emotional health
US10535433B1 (en) Predicting respiratory distress
Otero et al. Algorithms for the analysis of polysomnographic recordings with customizable criteria
Ozdemir et al. A time-series approach to predict obstructive sleep apnea (OSA) Episodes
Al Rasyid et al. Design and development of portable spirometer
Miyata et al. A short daytime test using correlation dimension for respiratory movement in OSAHS
Markandeya et al. Overnight airway obstruction severity prediction centered on acoustic properties of smart phone: validation with esophageal pressure
Chiang et al. Introduction to modern sleep technology
Whitelaw et al. Diagnosis of sleep apnoea: some critical issues
González et al. Heuristics for apnea episodes recognition
Park et al. Estimating sleep parameters using nasal pressure signals applicable to continuous positive airway pressure devices
JP2023507912A (ja) アレルギー性喘息患者の症状の目立たない監視
Guagnano et al. Exploring the Feasibility of Sleep Quality Evaluation with a Reduced Parameter Set
Hajipour Tracheal breathing sounds analysis during wakefulness and sleep using machine learning methods: Characterization of upper airway and daytime screening of obstructive sleep apnea
Walczak et al. Estimation of Apnea-Hypopnea Index in Sleep Breathing Disorders with the Use of Artificial Neural Networks

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: 18939790

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020556531

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: 18939790

Country of ref document: EP

Kind code of ref document: A1