WO2021028961A1 - 状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体 - Google Patents

状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体 Download PDF

Info

Publication number
WO2021028961A1
WO2021028961A1 PCT/JP2019/031575 JP2019031575W WO2021028961A1 WO 2021028961 A1 WO2021028961 A1 WO 2021028961A1 JP 2019031575 W JP2019031575 W JP 2019031575W WO 2021028961 A1 WO2021028961 A1 WO 2021028961A1
Authority
WO
WIPO (PCT)
Prior art keywords
state
patient
information
time point
past
Prior art date
Application number
PCT/JP2019/031575
Other languages
English (en)
French (fr)
Inventor
勇気 小阪
利憲 細井
久保　雅洋
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to US17/632,928 priority Critical patent/US20220328187A1/en
Priority to JP2021539697A priority patent/JP7207553B2/ja
Priority to PCT/JP2019/031575 priority patent/WO2021028961A1/ja
Publication of WO2021028961A1 publication Critical patent/WO2021028961A1/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
    • 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
    • G16H50/30—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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to the technical fields of a state prediction device, a state prediction method, a computer program, and a recording medium.
  • This type of device may be used, for example, in the field of rehabilitation.
  • Patent Document 1 in order to maintain and improve the motivation for rehabilitation of the target patient, the target patient advances to the next stage based on the clinical information of a plurality of patients in the past and the clinical information of the target patient.
  • a technique for predicting the number of such rehabilitations or the number of period units is disclosed.
  • Other related techniques include Patent Documents 2 to 5.
  • the present invention has been made in view of the above circumstances, and is a state prediction device capable of predicting the degree of functional recovery by rehabilitation with relatively high accuracy and outputting prediction results in a manner that is easy for the user to understand.
  • An object of the present invention is to provide a state prediction method, a computer program, and a recording medium.
  • One aspect of the state prediction device of the present invention corresponds to an acquisition means for acquiring target patient information indicating a state at a first time of hospitalization period of the target patient and a plurality of other patients different from the target patient.
  • the first state information indicating the state at the time corresponding to the first time point
  • the state at the time point corresponding to the second time point after the first time point of the hospitalization period of the target patient.
  • one or more first state information including the first state information indicating a state similar to the state at the first time point indicated by the target patient information.
  • the output means for outputting at least a part of the one or more first past patient information, and the one or more first past patient information, the target patient.
  • a predictive means for predicting a state at a second time point is provided.
  • the target patient information indicating the state at the first time point of the hospitalization period of the target patient is acquired, and a plurality of other patients different from the target patient are dealt with.
  • One aspect of the computer program of the present invention causes a computer to execute one aspect of the above-mentioned state prediction method.
  • One aspect of the recording medium of the present invention is a recording medium on which one aspect of the computer program described above is recorded.
  • the prediction result can be output in a form that is easy for the user to understand.
  • FIM Function Independent Measure: functional independence measure
  • the state at the time of discharge and the length of hospital stay of the patient are often predicted based on the FIM at the time of admission of the patient.
  • the accuracy and reliability of the prediction are not high.
  • the above prediction is not made again, and the predicted state at the time of discharge and the length of hospital stay may deviate from the actual state at the time of discharge and the length of hospital stay. There is sex.
  • the FIM for example, the FIM at the time of admission and the FIM at the time of discharge
  • the FIM at the time of admission and the FIM at the time of discharge related to the patient who was discharged before the one patient was hospitalized is used at a certain time after the hospitalization of the one patient (for example, the FIM at the time of admission and the FIM at the time of discharge).
  • the condition (at the time of discharge) and the length of hospital stay are predicted.
  • the "FIM at the time of admission” is not limited to the FIM at the time of admission of the patient, for example, the FIM requested for the first time 1 to 2 days after the admission date, and before the time when the patient on the day of admission is admitted.
  • the FIM at the time when it can be regarded as the "FIM at the time of admission” in practice such as the FIM obtained at the time of.
  • the "FIM at discharge” is not limited to the FIM at the time when the patient is discharged, but is practically “FIM at discharge” such as the FIM obtained at the time when the discharge date is specifically determined. It is a concept including FIM at the time when it can be regarded as.
  • the state prediction device 1 acquires the target patient information indicating the state at the first time point of the hospitalization period of the target patient.
  • the state prediction device 1 corresponds to a plurality of other patients different from the target patient, and the first state information (for example, FIM at the time of admission) indicating the state at the time corresponding to the first time point.
  • the first state information for example, FIM at the time of admission
  • the second state information for example, FIM at the time of discharge
  • the state prediction device 1 extracts one or more first past patient information including a first state information indicating a state similar to the state at the first time point indicated by the target patient information from the plurality of past patient information. To do. Then, the state prediction device 1 predicts the state of the target patient at the second time point based on the one or more first past patient information. The state prediction device 1 also predicts the hospitalization period of the target patient based on the hospitalization period of one or more other patients corresponding to the one or more first past patient information. At this time, the state prediction device 1 outputs at least a part of the extracted one or more first past patient information (for example, the state prediction) in addition to the state and the hospitalization period at the predicted second time point. Present to the user of device 1).
  • the state prediction device 1 outputs at least a part of the extracted one or more first past patient information (for example, the state prediction) in addition to the state and the hospitalization period at the predicted second time point. Present to the user of device 1).
  • the "first time point” is not limited to the time of admission of the target patient, but may be one time point during the hospitalization period of the target patient, for example, one week after admission.
  • the “second time point” is not limited to the time when the target patient is discharged from the hospital, but may be one time point after the first time point during the hospitalization period of the target patient.
  • the "time point corresponding to the first (or second) time point” is one time point during the hospitalization period of the other patient, and the first (or second) time point of the hospitalization period of the target patient.
  • Each of the plurality of past patient information described above is the other observed at least at one time point in the hospitalization period of another patient from the time point corresponding to the first time point to the time point corresponding to the second time point.
  • the condition predictor 1 is observed after the first time point and before the second time point in the hospitalization period of the target patient. Acquire the target patient progress information indicating the condition of the target patient.
  • the state prediction device 1 extracts one or more second past patient information including progress information indicating a state similar to the state indicated by the target patient progress information from the plurality of past patient information. Then, the state prediction device 1 is based on the above-mentioned one or more first past patient information and the above one or more second past patient information, and the state and hospitalization period of the target patient at the predicted second time point. To correct.
  • the embodiment according to the state prediction device 1 will be specifically described with reference to FIGS. 1 to 7.
  • the case where the "first time point” and the “second time point” are “at the time of admission” and “at the time of discharge”, respectively, is taken as an example.
  • the "first time point” and the “second time point” are not limited to the “at the time of admission” and the “at the time of discharge”, respectively.
  • FIG. 1 is a block diagram showing a hardware configuration of the state prediction device 1 according to the embodiment.
  • the state prediction device 1 includes a CPU (Central Processing Unit) 11, a RAM (Random Access Memory) 12, a ROM (Read Only Memory) 13, a storage device 14, an input device 15, and an output device 16.
  • the CPU 11, RAM 12, ROM 13, storage device 14, input device 15, and output device 16 are connected to each other via a data bus 17.
  • the state prediction device 1 may be constructed as a cloud system.
  • the input device 15 may have a configuration corresponding to a cloud system capable of receiving signals and information from a device different from the state prediction device 1 such as a smartphone, a tablet, and a personal computer.
  • the output device 16 may have a configuration corresponding to a cloud system capable of outputting signals, information, and the like to a device different from the state prediction device 1.
  • the CPU 11 reads a computer program.
  • the CPU 11 may read a computer program stored in at least one of the RAM 12, the ROM 13, and the storage device 14.
  • the CPU 11 may read a computer program stored in a computer-readable recording medium using a recording medium reading device (not shown).
  • the CPU 11 may acquire (that is, may read) a computer program from a device (not shown) arranged outside the state prediction device 1 via a network interface.
  • the CPU 11 controls the RAM 12, the storage device 14, the input device 15, and the output device 16 by executing the read computer program.
  • a logical functional block for predicting at least one of a patient's discharge state and hospitalization period is realized in the CPU 11. That is, the CPU 11 can function as a controller for predicting at least one of the patient's discharge state and hospitalization period.
  • the configuration of the functional block realized in the CPU 11 will be described in detail later with reference to FIG.
  • the RAM 12 temporarily stores the computer program executed by the CPU 11.
  • the RAM 12 temporarily stores data temporarily used by the CPU 11 when the CPU 11 is executing a computer program.
  • the RAM 12 may be, for example, a D-RAM (Dynamic RAM).
  • the ROM 13 stores a computer program executed by the CPU 11.
  • the ROM 13 may also store fixed data.
  • the ROM 13 may be, for example, a P-ROM (Programmable ROM).
  • the storage device 14 stores data stored in the state prediction device 1 for a long period of time.
  • the storage device 14 may operate as a temporary storage device of the CPU 11.
  • the storage device 14 may include, for example, at least one of a hard disk device, a magneto-optical disk device, an SSD (Solid State Drive), and a disk array device.
  • the input device 15 is a device that receives an input instruction from the user of the state prediction device 1.
  • the input device 15 may include, for example, at least one of a keyboard, a mouse and a touch panel.
  • the output device 16 is a device that outputs information about the state prediction device 1 to the outside.
  • the output device 16 may be a display device capable of displaying information about the state prediction device 1.
  • FIG. 2 is a block diagram showing a functional block realized in the CPU 11.
  • the acquisition unit 111, the extraction unit 112, and the prediction unit 113 are realized in the CPU 11 as logical functional blocks for predicting at least one of the discharge state and the hospitalization period of the target patient. Will be done.
  • past patient database 200 (hereinafter, appropriately referred to as "past patient DB200")
  • the FIM at the time of admission and discharge of patients who have been admitted to the convalescent rehabilitation hospital in the past (hereinafter, appropriately referred to as "past patients")
  • the FIM of the time is stored.
  • the FIM at the time of admission and the FIM at the time of discharge are stored for each patient in association with the patient status information indicating the status of each patient.
  • the patient status information includes, for example, gender, age (or age), family structure, medical condition, hospitalization date and discharge date (or hospitalization period), and the like.
  • a past patient DB 200 may be constructed based on, for example, information related to an electronic medical record.
  • the past patient DB 200 may be provided by the state prediction device 1, or may be provided by a device different from the state prediction device 1.
  • observation items include “whether you could eat without a caregiver”, “whether you could change clothes without a caregiver”, “whether you could go to the bathroom without a caregiver”, and the like.
  • evaluation include “made”, “partially made”, and “not possible”.
  • observation data Information related to such patient follow-up is referred to as "observation data" in this embodiment.
  • the observation data When the observation data is visually expressed, for example, it can be represented as a table as shown in FIG. 3 (Note that in FIG. 3, “ ⁇ ” is “made” and “ ⁇ ” is “partially made”. “X” means “cannot”).
  • the observation data is also stored in the past patient DB 200 in association with the patient status information for each patient.
  • the observation data includes the contents of the rehabilitation (for example, "walking training", “diet training”). ”,“ Stairs training ”, etc.) may be included.
  • the “recovery portion_it” obtained by converting the expected recovery amount predicted at time t into the FIM value is set in the hospitalization score y_i_0, which is the FIM value at the time of admission of the target patient.
  • the subscript "i” is an identifier for identifying the target patient.
  • the subscript "t” of "y_it” indicates that it is a predicted value at time t. In the following description, how to obtain "recovery portion_it” will be mainly described.
  • the acquisition unit 111 acquires the admission score, which is the FIM value at the time of admission of the target patient (step S101).
  • the hospitalization score of the target patient may be obtained from, for example, an electronic medical record system (not shown), or may be obtained from the data input by the medical staff to the state prediction device 1.
  • the extraction unit 112 extracts past patients similar to the admission score of the target patient from the past patient DB 200 (step S102). Specifically, for example, the extraction unit 112 first extracts a past patient having patient state information similar to the patient state information related to the target patient from the past patient DB 200. This is because when the patient status information related to the past patient is similar to the patient status information related to the target patient, it is relatively likely that the contents of rehabilitation, for example, are similar, and the target patient is such a past patient. This is because it is relatively likely that the recovery process will be similar to that of. Then, the extraction unit 112 extracts the past patients having the admission score (that is, the value of FIM at the time of admission) similar to the admission score of the target patient from the extracted past patients.
  • the admission score that is, the value of FIM at the time of admission
  • the prediction unit 113 discharges the target patient as an example of the state at the time of discharge from the score at the time of admission of the past patient extracted in the process of step S102 and the score at the time of discharge, which is the value of FIM at the time of discharge. Predict the hour score (step S103).
  • “x i ” is the admission score and patient status information of the target patient i
  • “x j ” is the admission score and patient status information of the past patient j
  • “Y j ” is the difference between the discharge score and the admission score of the past patient j (that is, “discharge score-admission score”).
  • S (x i , x j )” is the degree of similarity between the admission score of the target patient i and the admission score of the past patient j.
  • “N” is the total number of past patients extracted in the process of step S102.
  • the prediction unit 113 predicts the discharge score y_i0 of the target patient by adding the "recovery portion_i0" obtained using the formula (1) to the admission score y_i_0 of the target patient.
  • the prediction unit 113 predicts the hospitalization period of the target patient from the hospitalization period of the past patient extracted in the process of step S102 (step S104). This is because the hospitalization period of the target patient is such that the patient status information and the admission score of the past patient are similar to the patient status information and the admission score of the target patient (that is, the past extracted in the process of step S112). This is because it is relatively likely that it will be similar to the length of hospital stay of the patient).
  • the prediction unit 113 may predict the hospitalization period of the target patient by obtaining, for example, a simple or weighted average value, a median value, etc. of the hospitalization period of the extracted past patients.
  • the hospitalization period of the past patient may be obtained from the patient status information stored in the past patient DB 200. Specifically, if the patient status information includes the length of hospital stay, it may be used. If the patient status information includes the hospitalization date and the discharge date, the hospitalization period may be obtained from the difference between the discharge date and the hospitalization date.
  • the initial value of the hospitalization period that is, the value corresponding to the hospitalization score y_i_0 of the target patient
  • the hospitalization period of the target patient is determined only by the "hospitalization period_i0”.
  • " Tj " is the (actual) length of stay of past patient j.
  • the discharge score and hospitalization period of the target patient predicted in the processing of steps S103 and S104 are presented to the user (for example, a medical worker, the target patient, the target patient's family, etc.) by the output device 16 (for example, FIG. 6). reference).
  • FIG. 6 a graph showing the change in the FIM value from the time of admission to the time of discharge of the target patient (see the black circle and solid line in FIG. 6) is presented together with the discharge score and the length of hospital stay.
  • the graph represented by the black triangle and the dotted line is a graph connecting the admission score and the discharge score of the past patient having the lowest discharge score among the past patients extracted in the process of step S102. Is.
  • the graph represented by the black square and the dotted line is a graph connecting the admission score and the discharge score of the past patient having the highest discharge score among the past patients extracted in the process of step S102.
  • the user can relatively easily determine the degree of fluctuation (in other words, error) of the predicted discharge score and the length of hospital stay. Can be recognized.
  • the condition of the target patient changes from moment to moment during hospitalization. Therefore, the discharge score and hospitalization period of the target patient predicted by the above-mentioned treatment may differ from the actual discharge score and hospitalization period of the target patient. Then, the function may not be restored to the extent expected by the target patient, or the patient may not be discharged at the expected time. Therefore, in the state prediction device 1, the discharge score and hospitalization period of the target patient predicted by the above-mentioned processing are corrected (that is, updated) by using the "observation data" sequentially collected during the hospitalization of the target patient. Will be done.
  • the above correction does not work as expected (for example). Prediction error will be large).
  • weighting is performed for each group, and the information related to the past patients including the observation data that seems to be reliable greatly contributes to the prediction and is reliable.
  • the above corrections are made so that information on past patients, including observational data that is unlikely, does not contribute to the prediction (details will be described later). With such a configuration, the effect of improving the prediction accuracy (that is, the above correction works well) can be expected.
  • the prediction accuracy at the time of this correction can be improved from the time of the previous correction, or the result at the time of this correction.
  • the extraction unit 112 determines whether or not new observation data for the target patient has been acquired by the acquisition unit 111 (step S201). .. If it is determined in the process of step S201 that new observation data has not been acquired (step S201: No), the process is terminated. Then, after a lapse of a predetermined time, the process of step S201 is performed again.
  • the extraction unit 112 extracts a past patient similar to the course of the target patient obtained from the observation data of the target patient. (Step S202). Specifically, for example, the extraction unit 112 extracts a past patient having patient state information similar to the patient state information related to the target patient from the past patient DB 200. After that, the extraction unit 112 extracts the past patients having the observation data showing the course similar to the course of the target patient from the extracted past patients.
  • past patients having observation data showing a course similar to that of the target patient includes (i) from the time of admission of the target patient to the time when new observation data is acquired (that is, the present).
  • Past patients with a recovery width similar to the degree of recovery of the target patient during the period hereinafter referred to as “recovery width” as appropriate
  • recovery width a rehabilitation menu similar to the rehabilitation menu imposed on the target patient are imposed. Includes past patients.
  • the prediction unit 113 is based on the past patients extracted in the process of step S102 (see FIG. 4) described above and the past patients extracted in the process of step S202 at the time of admission and the score at discharge.
  • the discharge score and hospitalization period of the target patient are corrected (step S203).
  • a graph connecting the hourly score and the discharge score is presented together (see Figure 6).
  • the past patient to which the graph is presented is not limited to the past patient extracted in the process of step S102 described above, and may be the past patient extracted in the process of step S202.
  • the prediction unit 113 first classifies the past patients extracted in the process of step S102 and the past patients extracted in the process of step S202 into a plurality of groups (see, for example, FIG. 7).
  • group A of past patients whose admission score is similar to that of the target patient group B of past patients whose recovery width at time t is similar to that of the target patient, and past patients whose rehabilitation menu is similar to that of the target patient.
  • Group C group AB of past patients whose admission score and recovery range at time t are similar to the target patient, group AC of past patients whose admission score and rehabilitation menu are similar to the target patient, recovery range at time t Past patients are classified into 7 groups: BC of past patients whose rehabilitation menu is similar to the target patient, and ABC of past patients whose rehabilitation menu is similar to the target patient in terms of admission score, recovery range at time t. Will be done.
  • each information for example, the score at admission, the recovery width at time t, etc.
  • the information related to the past patient for example, the score at admission, one or more information included in the patient state information, etc.
  • Past patients are grouped by rehabilitation menu, etc.). There may not be past patients who are all the same as the target patient, but if we focus on one piece of information (ie, group characteristics), it is highly likely that there are past patients who are similar to the target patient.
  • the number of samples that is, the number of past patients
  • the discharge scores of the past patients belonging to the group and the discharge scores of the target patients are similar, so that the prediction accuracy can be expected to be improved. For this reason, past patients are classified (ie, grouped) as described above.
  • the prediction unit 113 obtains the expected recovery amount “recovery portion_t” of the target patient at time t using the following formula (3).
  • "x i, k t" is admission score of the subject patient i, and is information including information that applies to the group k at time t (eg recovery width, rehabilitation menus, etc.)
  • "x j, k t is admission score past patient j in the group k at time t
  • Y j is the difference between the discharge score and the admission score of the past patient j (that is, “discharge score-admission score”).
  • S (x i, k t , x j, k t) is a subject patient i, a similarity between the last patient j in the group k at time t.
  • the similarity may be obtained from the admission score of the target patient i and the admission score of the past patient j for the group A, and the recovery width and the past of the target patient i for the group B. It may be obtained from the recovery range of patient j, and the above group C may be obtained from the rehabilitation menu of the target patient i and the rehabilitation menu of the past patient j.
  • similarity may be determined using at least one of the admission score, recovery range and rehabilitation menu.
  • W k is a weighting according to the group k.
  • N k t is the total number of past patients to be included in the group k at time t.
  • the prediction unit 113 predicts the discharge score y_it of the target patient by adding the “recovery portion_it” obtained using the formula (3) to the admission score y_i_0 of the target patient.
  • the prediction unit 113 corrects the discharge score of the target patient by replacing the discharge score y_i (t-1) predicted at time t-1 with the discharge score y_it.
  • the prediction unit 113 also uses the following formula (4) to obtain the hospitalization period “hospitalization period_it” of the target patient predicted at time t.
  • the prediction unit 113 corrects the hospitalization period of the target patient by replacing the hospitalization period_i (t-1) predicted at time t-1 with the hospitalization period_it.
  • the hospitalization period of the target patient is determined only by the "hospitalization period_it”.
  • the discharge score and length of stay of the target patient predicted in the process of step S203 are presented to the user by the output device 16 (see, for example, FIG. 6).
  • the weight "w k" in Formula (3) and (4) for example, as the weight of the weight and time t at time t-1 are similar (in other words, so as not to suddenly changed), It is obtained using an equation that includes a regularization term. Specifically, for example, the weight "w k" is calculated using the following equation (5).
  • “ ⁇ 1 ” and “ ⁇ 2 ” are regularization parameters.
  • the first item represents the prediction error.
  • the y i hat in the first item represents a predicted value.
  • the second item is a term for reducing the weight w.
  • the second item is a mechanism for improving the generalization performance of the optimization of the weight w.
  • the regularization parameter ⁇ 1 is a parameter for controlling how strongly the mechanism is considered to optimize the weight w. The larger ⁇ 1 is, the stronger the above mechanism is considered.
  • the third item is a term for suppressing a sudden change in the weight w.
  • the regularization parameter ⁇ 2 is a parameter for controlling how strongly the sudden change of the weight w is taken into consideration when optimizing the weight w. As ⁇ 2 becomes larger, a sudden change in the weight w is strongly considered.
  • the formula (5) can be expressed as the following formula (7).
  • the "term related to temporal smoothness” is a "term for making the weight at time t-1 and the weight at time t similar (in other words, not to change suddenly)". is there.
  • the weight "w k" in equation (3) and (4) is preferably determined using the following equation (8).
  • the degree of functional recovery by rehabilitation and rehabilitation are compared with the comparative example in which the state of the target patient at the time of discharge is predicted only from the state of the target patient at the time of admission.
  • the length of hospital stay for the patient can be predicted accurately.
  • the state prediction device 1 can predict the degree of expected functional recovery (for example, the score at discharge) and the length of hospital stay at the time of admission of the target patient. Therefore, the target patient and his / her family can know at the time of admission how much functional recovery can be expected by rehabilitation or how long the hospitalization period for rehabilitation will be. It can reduce the anxiety of the patient and his / her family.
  • the medical staff can know the recovery prospect of the function of the target patient, it is possible to create a more appropriate rehabilitation implementation plan.
  • a graph connecting the inpatient score and the discharge score of the past patient is presented to the user in addition to the degree of functional recovery and the length of hospitalization of the target patient.
  • the degree of functional recovery expectation of the target patient and the hospitalization period are corrected (that is, updated). Therefore, for example, if a medical worker refers to the corrected degree of expected functional recovery and the length of hospital stay, he / she can appropriately judge whether the current implementation plan of rehabilitation is good or bad, or change the implementation plan. Can be done.
  • the similarity between the subject patient in each group "s (x i, k t , x j, k t) Is required.
  • the weights for calculating "recovery amount_it” and "hospitalization period_it” are calculated using the formula (8), the prediction varies as time passes and the observation data of the target patients are accumulated. Can be suppressed. Therefore, according to the state prediction device 1, the longer the hospitalization period of the target patient (in other words, the closer to the discharge date of the target patient), the higher the degree of expected functional recovery and the reliability of the hospitalization period. ..
  • the above-mentioned "recovery portion_it” may be obtained as follows. That is, the prediction unit 113 determines each past patient from the hospitalization score, the discharge score, and the hospitalization period of the past patients extracted in the process of step S102 (see FIG. 4) and / or the process of step S202 (see FIG. 5). The slope of the recovery line (that is, "(score at discharge-score at admission) / duration of hospitalization”) is calculated. The prediction unit 113 may set the product of the obtained average value of the slopes and the average value of the hospitalization period of the extracted past patients as “recovery portion_it”.
  • the mean value of the slope and the mean value of the hospitalization period are weighted average values weighted by the similarity "s (x i , x j )" between the admission score of the target patient i and the admission score of the past patient j. Is desirable.
  • the "recovery line” means a line passing between an inpatient score and a discharge score of one past patient (see, for example, FIG. 6).
  • the state prediction device described in Appendix 1 corresponds to an acquisition means for acquiring target patient information indicating the state of the target patient at the first time point of the hospitalization period, and a plurality of other patients different from the target patient, respectively.
  • the first state information indicating the state at the time corresponding to the first time point, and the second state showing the state at the second time point after the first time point of the hospitalization period of the target patient.
  • one or more first past patient information including the first state information indicating a state similar to the state at the first time point indicated by the target patient information is extracted.
  • the prediction means is based on the target patient information, the first state information included in the one or more first past patient information, and the second state information.
  • each of the plurality of past patient information was observed at at least one time point between the time point corresponding to the first time point and the time point corresponding to the second time point.
  • the acquisition means includes progress information indicating the condition of another patient, and the acquisition means obtains the target patient progress information indicating the condition of the target patient observed after the first time point and before the second time point.
  • the extraction means extracts one or more second past patient information including the progress information indicating a state similar to the state indicated by the target patient progress information, and the prediction means is the one or more.
  • Appendix 1 or 2 characterized in that the predicted state of the target patient at the second time point is corrected based on the first past patient information and the one or more second past patient information. It is a state prediction device according to.
  • the prediction means includes the first state information and the second state information included in the one or more first past patient information, and the one or more second state information. Based on the first state information and the second state information included in the past patient information of the above, the recovery index value related to the degree of recovery of the target patient is predicted, and the second time point of the target patient is predicted.
  • the state prediction device according to Appendix 3 characterized in that the state in the above is corrected.
  • the prediction means classifies the one or more first past patient information and the one or more second past patient information into a plurality of groups, and for each of the plurality of groups.
  • the state prediction device according to Appendix 4 characterized in that the recovery index value is predicted based on the first state information and the second state information.
  • the prediction means suppresses the amount of change in the correction result from the previous correction result, and the target patient progresses with the passage of time after the first time point.
  • the prediction error becomes smaller as the information is accumulated, and the condition of the target patient at the second time point is corrected so as to satisfy at least one of them.
  • the prediction means is one or more corresponding to the one or more first past patient information in addition to or in place of the prediction of the state of the target patient at the second time point.
  • each of the plurality of past patient information was observed at at least one time point between the time point corresponding to the first time point and the time point corresponding to the second time point.
  • the acquisition means acquires the target patient progress information indicating the condition of the target patient observed after the first time point and before the second time point, including the progress information indicating the state of the patient.
  • the extraction means extracts one or more second past patient information including the progress information indicating a state similar to the state indicated by the target patient progress information, and the prediction means is the one or more first.
  • the state prediction device according to Appendix 8, wherein the predicted hospitalization period of the target patient is corrected based on the past patient information of 1 and the one or more second past patient information. ..
  • the state prediction method acquires target patient information indicating the state of the target patient at the first time point of the hospitalization period, deals with a plurality of other patients different from the target patient, and corresponds to the first.
  • From a plurality of past patient information including state information one or more first past patient information including the first state information indicating a state similar to the state at the first time point indicated by the target patient information is extracted. Then, at least a part of the one or more first past patient information is output, and the state of the target patient at the second time point is predicted based on the one or more first past patient information.
  • This is a characteristic state prediction method.
  • Appendix 11 The computer program described in Appendix 11 is a computer program that causes a computer to execute the state prediction method described in Appendix 10.
  • Appendix 12 The recording medium described in Appendix 12 is a recording medium on which the computer program described in Appendix 11 is recorded.
  • the predicting means obtains a state change obtained based on the first state information and the second state information included in the one or more first past patient information.
  • the state prediction device according to Appendix 1 characterized in that the state of the target patient at the second time point is predicted from the indicated index and the state at the first time point indicated by the target patient information.
  • the present invention can be appropriately modified within the scope of the claims and within the scope not contrary to the gist or idea of the invention which can be read from the entire specification, and the state predicting device, the state predicting method, the computer program and the recording medium accompanied by such a change. Is also included in the technical idea of the present invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

状態予測装置は、対象患者の入院期間の第１の時点における状態を示す対象患者情報を取得する取得手段と、前記対象患者とは異なる複数の他の患者に夫々対応するとともに、前記第１の時点に対応する時点における状態を示す第１の状態情報、及び、前記対象患者の前記入院期間の前記第１の時点より後の第２の時点に対応する時点における状態を示す第２の状態情報を含む複数の過去患者情報から、前記対象患者情報により示される前記第１の時点における状態と類似する状態を示す前記第１の状態情報を含む一以上の第１の過去患者情報を抽出する抽出手段と、前記一以上の第１の過去患者情報の少なくとも一部を出力する出力手段と、前記一以上の第１の過去患者情報に基づいて、前記対象患者の前記第２の時点における状態を予測する予測手段と、を備える。

Description

状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体
　本発明は、状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体の技術分野に関する。
　この種の装置は、例えばリハビリテーションの分野において用いられてよい。例えば特許文献１には、対象患者のリハビリテーションに対するモチベーションの維持・向上を図るために、過去の複数患者の臨床情報と対象患者の臨床情報とに基づいて、対象患者が次の段階に進むまでにかかるリハビリテーション回数又は期間単位数を予測する技術が開示されている。その他関連する技術として、特許文献２乃至５が挙げられる。
特開２０１６－１９７３３０号公報 特表２０１５－５３３４３３号公報 特開２０１２－１０５７９５号公報 特開２０１１－２０９８８５号公報 国際公開第２０１８／０３０３４０号
　例えば回復期リハビリテーション病院に入院する患者やその家族は、リハビリテーションにより、どの程度の機能の回復が見込めるのかということを知りたいという思いがある。これに対して、入院時の患者の状態から、例えば退院時の状態を予測することが行われている。しかしながら、例えば医療従事者が、その予測結果を、患者やその家族にわかりやすく説明することが難しいという技術的問題点もある。上述の特許文献に記載の技術では、この問題点を解決することはできない。
　本発明は、上記事情に鑑みてなされたものであり、リハビリテーションによる機能回復の程度を比較的精度よく予測することができるとともに、ユーザが理解しやすい態様で予測結果を出力可能な状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体を提供することを課題とする。
　本発明の状態予測装置の一の態様は、対象患者の入院期間の第１の時点における状態を示す対象患者情報を取得する取得手段と、前記対象患者とは異なる複数の他の患者に夫々対応するとともに、前記第１の時点に対応する時点における状態を示す第１の状態情報、及び、前記対象患者の前記入院期間の前記第１の時点より後の第２の時点に対応する時点における状態を示す第２の状態情報を含む複数の過去患者情報から、前記対象患者情報により示される前記第１の時点における状態と類似する状態を示す前記第１の状態情報を含む一以上の第１の過去患者情報を抽出する抽出手段と、前記一以上の第１の過去患者情報の少なくとも一部を出力する出力手段と、前記一以上の第１の過去患者情報に基づいて、前記対象患者の前記第２の時点における状態を予測する予測手段と、を備える。
　本発明の状態予測方法の一態様は、対象患者の入院期間の第１の時点における状態を示す対象患者情報を取得し、前記対象患者とは異なる複数の他の患者に夫々対応するとともに、前記第１の時点に対応する時点における状態を示す第１の状態情報、及び、前記対象患者の前記入院期間の前記第１の時点より後の第２の時点に対応する時点における状態を示す第２の状態情報を含む複数の過去患者情報から、前記対象患者情報により示される前記第１の時点における状態と類似する状態を示す前記第１の状態情報を含む一以上の第１の過去患者情報を抽出し、前記一以上の第１の過去患者情報の少なくとも一部を出力し、前記一以上の第１の過去患者情報に基づいて、前記対象患者の前記第２の時点における状態を予測する。
　本発明のコンピュータプログラムの一の態様は、コンピュータに、上述した状態予測方法の一の態様を実行させる。
　本発明の記録媒体の一の態様は、上述したコンピュータプログラムの一の態様が記録された記録媒体である。
　上述した状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体のそれぞれの一の態様によれば、ユーザが理解しやすい態様で予測結果を出力可能である。
実施形態に係る状態予測装置のハードウェア構成を示すブロック図である。 実施形態に係るＣＰＵ内に実現される機能ブロックを示すブロック図である。 観測データを示す表の一例である。 実施形態に係る状態予測装置の動作を示す第１のフローチャートである。 実施形態に係る状態予測装置の動作を示す第２のフローチャートである。 実施形態に係る状態予測装置のユーザに提示される画像の一例である。 過去患者のグループ分けの概念を示す概念図である。
　状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体に係る実施形態を図面に基づいて説明する。以下では、回復期リハビリテーション病院の患者の退院時の状態及び入院日数の少なくとも一方を予測する状態予測装置１を用いて、状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体に係る実施形態を説明する。
　ここで、回復期リハビリテーション病院では、リハビリテーションの効果を図る指標として、ＦＩＭ（Ｆａｎｃｔｉｏｎａｌ　Ｉｎｄｅｐｅｎｄｅｎｃｅ　Ｍｅａｓｕｒｅ：機能的自立度評価法）が用いられることが多い。また、回復期リハビリテーション病院では、例えば患者の入院時のＦＩＭに基づいて、該患者の退院時の状態や入院期間を予測することが行われることが多い。しかしながら、その予測の精度や信頼性は高いとは言えない。加えて、患者の入院時に上記予測が行われた後、上記予測が再度行われることはなく、予測された退院時の状態や入院期間が、実際の退院時の状態や入院期間と乖離する可能性がある。
　そこで、状態予測装置１では、一の患者が入院する以前に退院した患者に係るＦＩＭ（例えば、入院時のＦＩＭ及び退院時のＦＩＭ）を用いて、該一の患者の入院後のある時点（例えば退院時）の状態及び入院期間が予測される。尚、「入院時のＦＩＭ」とは、患者が入院した時点のＦＩＭに限らず、例えば入院日から１～２日経過した時点ではじめて求められたＦＩＭ、入院当日の患者が入院した時点より前の時点で求められたＦＩＭ、等の実践上「入院時のＦＩＭ」とみなせる時点のＦＩＭを含む概念である。同様に、「退院時のＦＩＭ」とは、患者が退院した時点のＦＩＭに限らず、例えば退院日が具体的に決定された時点で求められたＦＩＭ、等の実践上「退院時のＦＩＭ」とみなせる時点のＦＩＭを含む概念である。
　状態予測装置１の概要について説明する。状態予測装置１は、対象患者の入院期間の第１の時点における状態を示す対象患者情報を取得する。ここで、状態予測装置１は、対象患者とは異なる複数の他の患者に夫々対応するとともに、上記第１の時点に対応する時点における状態を示す第１の状態情報（例えば入院時のＦＩＭ）、及び、対象患者の入院期間の上記第１の時点より後の第２の時点における状態を示す第２の状態情報（例えば退院時のＦＩＭ）を含む複数の過去患者情報を有している。状態予測装置１は、該複数の過去患者情報から、対象患者情報により示される第１の時点における状態と類似する状態を示す第１の状態情報を含む一以上の第１の過去患者情報を抽出する。そして、状態予測装置１は、該一以上の第１の過去患者情報に基づいて、対象患者の上記第２の時点における状態を予測する。状態予測装置１は、また、上記一以上の第１の過去患者情報に対応する一以上の他の患者の入院期間に基づいて、対象患者の入院期間を予測する。このとき、状態予測装置１は、予測された第２の時点における状態及び入院期間に加えて、上記抽出された一以上の第１の過去患者情報の少なくとも一部を出力する（例えば当該状態予測装置１のユーザに提示する）。
　尚、「第１の時点」は、対象患者の入院時に限らず、例えば入院後１週間経過した時点等、対象患者の入院期間中の一時点であればよい。「第２の時点」は、対象患者の退院時に限らず、対象患者の入院期間中の第１の時点より後の一時点であればよい。他の患者について「第１（又は第２）の時点に対応する時点」は、他の患者の入院期間中の一時点であって、対象患者の入院期間の第１（又は第２）の時点に対応する時点を意味する。具体的には例えば、第１（又は第２）の時点が入院後１週間であれば、「第１（又は第２）の時点に対応する時点」は、他の患者の入院期間における入院後１週間の時点を意味する。
　上述した複数の過去患者情報各々は、他の患者の入院期間における、上記第１の時点に対応する時点から上記第２の時点に対応する時点までの間の少なくとも一時点において観察された他の患者の状態を示す経過情報を含んでいる。対象患者の第２の時点における状態及び入院期間が予測された後、状態予測装置１は、対象患者の入院期間における上記第１の時点の後、且つ、上記第２の時点の前に観察された対象患者の状態を示す対象患者経過情報を取得する。その後、状態予測装置１は、複数の過去患者情報から、対象患者経過情報により示される状態と類似する状態を示す経過情報を含む一以上の第２の過去患者情報を抽出する。そして、状態予測装置１は、上記一以上の第１の過去患者情報、及び、上記一以上の第２の過去患者情報に基づいて、対象患者の予測された第２の時点における状態及び入院期間を補正する。
　状態予測装置１に係る実施形態について図１乃至図７を参照して具体的に説明する。以下に説明する実施形態では、「第１の時点」及び「第２の時点」が、夫々、「入院時」及び「退院時」である場合を一例として挙げる。尚、「第１の時点」及び「第２の時点」が、夫々、「入院時」及び「退院時」に限定されないことは上述したとおりである。
　先ず、実施形態に係る状態予測装置１のハードウェア構成について図１を参照して説明する。図１は、実施形態に係る状態予測装置１のハードウェア構成を示すブロック図である。
　図１において、状態予測装置１は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１１、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１２、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１３、記憶装置１４、入力装置１５及び出力装置１６を備えている。ＣＰＵ１１、ＲＡＭ１２、ＲＯＭ１３、記憶装置１４、入力装置１５及び出力装置１６は、データバス１７を介して相互に接続されている。
　尚、状態予測装置１は、クラウドシステムとして構築されていてよい。この場合、入力装置１５は、例えばスマートフォン、タブレット、パーソナルコンピュータ等の当該状態予測装置１とは異なる機器からの信号や情報等を受け取り可能なクラウドシステムに対応した構成を採ってよい。同様に、出力装置１６は、当該状態予測装置１とは異なる機器に対して信号や情報等を出力可能なクラウドシステムに対応した構成を採ってよい。
　ＣＰＵ１１は、コンピュータプログラムを読み込む。例えば、ＣＰＵ１１は、ＲＡＭ１２、ＲＯＭ１３及び記憶装置１４のうちの少なくとも一つが記憶しているコンピュータプログラムを読み込んでもよい。例えば、ＣＰＵ１１は、コンピュータで読み取り可能な記録媒体が記憶しているコンピュータプログラムを、図示しない記録媒体読み取り装置を用いて読み込んでもよい。ＣＰＵ１１は、ネットワークインタフェースを介して、状態予測装置１の外部に配置される不図示の装置からコンピュータプログラムを取得してもよい（つまり、読み込んでもよい）。ＣＰＵ１１は、読み込んだコンピュータプログラムを実行することで、ＲＡＭ１２、記憶装置１４、入力装置１５及び出力装置１６を制御する。当該実施形態では特に、ＣＰＵ１１が読み込んだコンピュータプログラムを実行すると、ＣＰＵ１１内には、患者の退院時の状態及び入院期間の少なくとも一方を予測するための論理的な機能ブロックが実現される。つまり、ＣＰＵ１１は、患者の退院時の状態及び入院期間の少なくとも一方を予測するためのコントローラとして機能可能である。尚、ＣＰＵ１１内で実現される機能ブロックの構成については、後に図２を参照しながら詳述する。
　ＲＡＭ１２は、ＣＰＵ１１が実行するコンピュータプログラムを一時的に記憶する。ＲＡＭ１２は、ＣＰＵ１１がコンピュータプログラムを実行している際にＣＰＵ１１が一時的に使用するデータを一時的に記憶する。ＲＡＭ１２は、例えば、Ｄ－ＲＡＭ（Ｄｙｎａｍｉｃ　ＲＡＭ）であってもよい。
　ＲＯＭ１３は、ＣＰＵ１１が実行するコンピュータプログラムを記憶する。ＲＯＭ１３は、その他に固定的なデータを記憶していてもよい。ＲＯＭ１３は、例えば、Ｐ－ＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ　ＲＯＭ）であってもよい。
　記憶装置１４は、状態予測装置１が長期的に保存するデータを記憶する。記憶装置１４は、ＣＰＵ１１の一時記憶装置として動作してもよい。記憶装置１４は、例えば、ハードディスク装置、光磁気ディスク装置、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）及びディスクアレイ装置のうちの少なくとも一つを含んでいてもよい。
　入力装置１５は、状態予測装置１のユーザからの入力指示を受け取る装置である。入力装置１５は、例えば、キーボード、マウス及びタッチパネルのうちの少なくとも一つを含んでいてもよい。
　出力装置１６は、状態予測装置１に関する情報を外部に対して出力する装置である。例えば、出力装置１６は、状態予測装置１に関する情報を表示可能な表示装置であってもよい。
　次に、ＣＰＵ１１内で実現される機能ブロックの構成について図２を参照して説明する。図２は、ＣＰＵ１１内で実現される機能ブロックを示すブロック図である。
　図２に示すように、ＣＰＵ１１内には、対象患者の退院時の状態及び入院期間の少なくとも一方を予測するための論理的な機能ブロックとして、取得部１１１、抽出部１１２及び予測部１１３が実現される。
　過去患者データベース２００（以降、適宜“過去患者ＤＢ２００”と表記する）には、過去に、回復期リハビリテーション病院に入院した患者（以降、適宜“過去患者”と称する）に係る入院時のＦＩＭ及び退院時のＦＩＭが格納されている。具体的には、入院時のＦＩＭ及び退院時のＦＩＭが、患者毎に、各患者の状態を示す患者状態情報と関連付けられて格納されている。
　ここで、患者状態情報には、例えば性別、年齢（又は年代）、家族構成、病状、入院日及び退院日（又は入院期間）等が含まれている。このような過去患者ＤＢ２００は、例えば電子カルテに係る情報等に基づいて構築されてよい。尚、過去患者ＤＢ２００は、状態予測装置１が備えていてもよいし、状態予測装置１とは異なる装置が備えていてもよい。
　ところで、回復期リハビリテーション病院では、患者の日々の経過を観察するために、ＦＩＭとは別に、一又は複数の観察項目について評価が行われることが多い。観察項目としては、例えば「介助者なしに食事ができたか」、「介助者なしに着替えができたか」、「介助者なしにトイレに行けたか」等が挙げられる。評価としては、例えば「できた」、「部分的にできた」、「できない」等が挙げられる。
　このような患者の経過観察に係る情報を、本実施形態では「観測データ」と称する。観測データを視覚的に表現すると、例えば図３に示すような表として表すことができる（尚、図３において、“〇”は“できた”、“△”は“部分的にできた”、“×”は“できない”を表している）。観測データも、患者毎に、患者状態情報と関連付けられて過去患者ＤＢ２００に格納されている。尚、観測データには、評価（例えば“できた”、“部分的にできた”、“できない”等）に加えて、リハビリテーションの実施した内容（例えば“歩行訓練をした”、“食事訓練をした”、“階段訓練をした”等）が含まれていてよい。
　（動作）
　状態予測装置１の動作について図４及び図５のフローチャートを参照して説明する。図４のフローチャートで示す処理は、対象患者の入院時のＦＩＭが求められた際に行われる。他方で、図５のフローチャートで示す処理は、対象患者の入院期間中に行われる。
　ここで、当該状態予測装置１では、対象患者の入院時のＦＩＭの値である入院時スコアｙ＿ｉ＿０に、時刻ｔにおいて予測される回復見込み量をＦＩＭの値に換算したもの“回復分＿ｉｔ”が加算されることにより、対象患者の退院時のＦＩＭの値である退院時スコアｙ＿ｉｔが予測される。つまり、“ｙ＿ｉｔ＝回復分＿ｉｔ＋ｙ＿ｉ＿０”である。尚、添え字“ｉ”は、対象患者を識別するための識別子である。“ｙ＿ｉｔ”の添え字“ｔ”は、時刻ｔにおける予測値であることを示している。以下の説明では、主に“回復分＿ｉｔ”の求め方について説明する。
　図４において、先ず、取得部１１１は、対象患者の入院時のＦＩＭの値である入院時スコアを取得する（ステップＳ１０１）。対象患者の入院時スコアは、例えば電子カルテシステム（図示せず）から取得されてもよいし、医療従事者が状態予測装置１に入力したデータから取得されてもよい。
　次に、抽出部１１２は、過去患者ＤＢ２００から、対象患者の入院時スコアと類似する過去患者を抽出する（ステップＳ１０２）。具体的には例えば、抽出部１１２は、先ず、過去患者ＤＢ２００から、対象患者に係る患者状態情報に類似する患者状態情報を有する過去患者を抽出する。なぜなら、過去患者に係る患者状態情報が、対象患者に係る患者状態情報と類似する場合には、例えばリハビリテーションの内容等が類似している可能性が比較的高く、対象患者がそのような過去患者と類似した回復過程をたどる可能性が比較的高いからである。その後、抽出部１１２は、上記抽出された過去患者のうち、対象患者の入院時スコアと類似する入院時スコア（即ち、入院時のＦＩＭの値）を有する過去患者を抽出する。
　次に、予測部１１３は、ステップＳ１０２の処理において抽出された過去患者の入院時スコア、及び、退院時のＦＩＭの値である退院時スコアから、対象患者の退院時の状態の一例としての退院時スコアを予測する（ステップＳ１０３）。
　具体的には例えば、予測部１１３は、下記式（１）を用いて、入院時（即ち、“時刻ｔ＝０”）における対象患者の回復見込み量“回復分＿ｉ０”を求める。式（１）において、“ｘｉ”は、対象患者ｉの入院時スコア及び患者状態情報であり、“ｘｊ”は、過去患者ｊの入院時スコア及び患者状態情報である。“ｙｊ”は、過去患者ｊの退院時スコアと入院時スコアとの差分（即ち、“退院時スコア－入院時スコア”）である。“ｓ（ｘｉ，ｘｊ）”は、対象患者ｉの入院時スコアと過去患者ｊの入院時スコアとの類似度である。“Ｎ”は、ステップＳ１０２の処理において抽出された過去患者の総数である。
Figure JPOXMLDOC01-appb-M000001

　予測部１１３は、式（１）を用いて求められた“回復分＿ｉ０”を、対象患者の入院時スコアｙ＿ｉ＿０に加算することにより、該対象患者の退院時スコアｙ＿ｉ０を予測する。
　ステップＳ１０３の処理と並行して又は相前後して、予測部１１３は、ステップＳ１０２の処理において抽出された過去患者の入院期間から、対象患者の入院期間を予測する（ステップＳ１０４）。なぜなら、対象患者の入院期間は、過去患者に係る患者状態情報及び入院時スコアが、対象患者に係る患者状態情報及び入院時スコアと類似する過去患者（即ち、ステップＳ１１２の処理において抽出された過去患者）の入院期間と類似するものになる可能性が比較的高いからである。予測部１１３は、抽出された過去患者の入院期間の、例えば単純又は加重平均値、中央値等を求めることにより、対象患者の入院期間を予測してよい。
　尚、過去患者の入院期間は、過去患者ＤＢ２００に格納されている患者状態情報から求めればよい。具体的には、患者状態情報に入院期間が含まれているのであれば、それを用いればよい。患者状態情報に入院日及び退院日が含まれているのであれば、退院日と入院日との差分から入院期間を求めればよい。
　具体的には例えば、予測部１１３は、下記式（２）を用いて、入院時（即ち、“時刻ｔ＝０”）において予測される対象患者の入院期間“入院期間＿ｉ０”を求める。ここで、入院期間の初期値（即ち、対象患者の入院時スコアｙ＿ｉ＿０に相当する値）は“０”であるので、対象患者の入院期間は、“入院期間＿ｉ０”のみで決まる。式（２）において“Ｔｊ”は、過去患者ｊの（実際の）入院期間である。
Figure JPOXMLDOC01-appb-M000002

　ステップＳ１０３及びＳ１０４の処理において予測された対象患者の退院時スコア及び入院期間は、出力装置１６により、ユーザ（例えば医療従事者、対象患者、対象患者の家族等）に提示される（例えば図６参照）。
　例えば図６では、対象患者の入院時から退院時までのＦＩＭの値の変化を示すグラフ（図６の黒丸及び実線参照）が、退院時スコア及び入院期間と一緒に提示される。図６のグラフにおいて、黒三角及び点線で表されたグラフは、ステップＳ１０２の処理において抽出された過去患者のうち退院時スコアが最も低かった過去患者の入院時スコア及び退院時スコアを結んだグラフである。図６のグラフにおいて、黒四角及び点線で表されたグラフは、ステップＳ１０２の処理において抽出された過去患者のうち退院時スコアが最も高かった過去患者の入院時スコア及び退院時スコアを結んだグラフである。このような過去患者に係るグラフが、対象患者に係るグラフと一緒に示されることにより、ユーザは、予測された退院時スコア及び入院期間各々の揺らぎの程度（言い換えれば、誤差）を比較的容易に認識することができる。
　対象患者の状態は入院中に時々刻々と変化する。このため、上述した処理により予測された対象患者の退院時スコア及び入院期間と、対象患者の実際の退院時スコア及び入院期間とが異なる可能性がある。すると、対象患者が期待していた程度まで機能が回復しなかったり、期待していた時期に退院できなかったりする可能性がある。そこで、当該状態予測装置１では、対象患者の入院中に逐次収集される「観測データ」を用いて、上述した処理により予測された対象患者の退院時スコア及び入院期間が補正（即ち、アップデート）される。
　ところで、過去患者ＤＢ２００に格納されている過去患者に係る情報（例えば入院時のＦＩＭ、退院時のＦＩＭ、観測データ等）のサンプル数が十分ではない場合、上記補正が期待通りに働かない（例えば予測誤差が大きくなってしまう）可能性がある。当該状態予測装置１では特に、過去患者に係る情報をグループ分けした後、グループ毎に重みを付けて、信頼できそうな観測データを含む過去患者に係る情報が予測に大きく寄与するとともに、信頼できなさそうな観測データを含む過去患者に係る情報が予測に寄与しないようにして、上記補正を行っている（詳細については後述する）。このように構成することにより、予測精度が向上する（即ち、上記補正がうまく働く）効果が期待できる。
　ある時点（例えば入院時）から時間が経過して新たな情報が取得されたときに、予測をしなおしたり、前記ある時点での予測結果を補正したりすることは多く行われている。このような再度の予測や補正は、予測したい値（例えば回復量）が上記新たな情報として定期的に取得できる場合にはうまく機能する。なぜなら、例えば退院日に比較的近い日の回復量がわかれば、退院日での回復量は、該比較的近い日の回復量から大きくは変動しないだろうと予測できるからである。
　他方で、予測したい値（例えば回復量）とは異なる情報（例えば観測データ）しか取得できない場合、上記の再度の予測や補正は難しくなる。このような場合であっても、時間が経過して新たな情報が取得される度に、予測誤差が小さくなっていくように、例えば補正のアルゴリズムを設計しておけば、例えばユーザが補正後の予測結果を信頼してくれることを期待できる。
　そこで当該状態予測装置１では、補正の際の重み付けを工夫することより（詳細については後述する）、前回の補正時より今回の補正時の予測精度が上がるようにしたり、今回の補正時の結果が、前回の補正時の結果から大きく変わらないようにしたりしている。
　具体的には、図５において（即ち、対象患者の入院期間中において）、抽出部１１２は、取得部１１１により対象患者についての新たな観測データが取得されたか否かを判定する（ステップＳ２０１）。ステップＳ２０１の処理において、新たな観測データが取得されていないと判定された場合（ステップＳ２０１：Ｎｏ）、当該処理は終了される。その後、所定時間経過した後に、再度ステップＳ２０１の処理が行われる。
　ステップＳ２０１の処理において、新たな観測データが取得されたと判定された場合（ステップＳ２０１：Ｙｅｓ）、抽出部１１２は、対象患者の観測データから得られる該対象患者の経過と類似する過去患者を抽出する（ステップＳ２０２）。具体的には例えば、抽出部１１２は、過去患者ＤＢ２００から、対象患者に係る患者状態情報に類似する患者状態情報を有する過去患者を抽出する。その後、抽出部１１２は、上記抽出された過去患者のうち、対象患者の経過と類似する経過を示す観測データを有する過去患者を抽出する。
　ここで、「対象患者の経過と類似する経過を示す観測データを有する過去患者」には、（ｉ）対象患者の入院時から、新たな観測データが取得された時（即ち、現在）までの期間における対象患者の回復の程度（以降、適宜“回復幅”と称する）と類似する回復幅の過去患者と、（ｉｉ）対象患者に課されているリハビリテーションメニューと同様のリハビリテーションメニューが課されていた過去患者と、が含まれる。
　次に、予測部１１３は、上述したステップＳ１０２の処理（図４参照）において抽出された過去患者、及び、ステップＳ２０２の処理において抽出された過去患者各々の入院時スコア及び退院時スコアに基づいて、対象患者の退院時スコア及び入院期間を補正する（ステップＳ２０３）。このとき、上述したステップＳ１０４の処理と同様に、例えば対象患者の入院時から退院時までのＦＩＭの値の変化を示すグラフと、該対象患者の退院時スコア及び入院期間と、過去患者の入院時スコア及び退院時スコアを結んだグラフとが一緒に提示される（図６参照）。尚、グラフが提示される過去患者は、上述したステップＳ１０２の処理において抽出された過去患者に限らず、ステップＳ２０２の処理において抽出された過去患者であってよい。
　具体的には、予測部１１３は、先ず、ステップＳ１０２の処理において抽出された過去患者、及び、ステップＳ２０２の処理において抽出された過去患者を、複数のグループに分類する（例えば図７参照）。図７では、入院時スコアのみが対象患者と類似する過去患者のグループＡ、時刻ｔでの回復幅のみが対象患者と類似する過去患者のグループＢ、リハビリテーションメニューのみが対象患者と類似する過去患者のグループＣ、入院時スコア及び時刻ｔでの回復幅が対象患者と類似する過去患者のグループＡＢ、入院時スコア及びリハビリテーションメニューが対象患者と類似する過去患者のグループＡＣ、時刻ｔでの回復幅及びリハビリテーションメニューが対象患者と類似する過去患者のグループＢＣ、並びに、入院時スコア、時刻ｔでの回復幅及びリハビリテーションメニューが対象患者と類似する過去患者のグループＡＢＣの７つのグループに過去患者が分類される。
　ここで、グループ分けする理由について説明する。理想的には、過去患者の中に対象患者と殆ど又は全く同じ患者が１人以上いれば、例えば対象患者の退院時スコアを精度よく予測することができる。しかしながら現実では、そのような過去患者が存在する可能性は低い。そこで、当該状態予測装置１では、過去患者に係る情報（例えば入院時スコア、患者状態情報に含まれる一以上の情報等）に含まれる各情報（例えば入院時スコア、時刻ｔでの回復幅、リハビリテーションメニュー等）で過去患者をグループ化している。対象患者と全てが同じ過去患者はいないかもしれないが、一の情報（即ち、グループの特徴）に着目すれば、対象患者と類似する過去患者が存在する可能性は高くなる。つまり、対象患者の退院時スコア等を補正する際に用いることができるサンプル数（即ち、過去患者の数）を増やすことができる。グループの特徴が類似していれば、そのグループに属する過去患者の退院時スコア等と、対象患者の退院時スコア等も類似すると推定されるので、予測精度の向上も期待できる。このような理由から、上述の如く過去患者が分類される（即ち、グループ分け）されるのである。
　次に、予測部１１３は、下記式（３）を用いて、時刻ｔにおける対象患者の回復見込み量“回復分＿ｔ”を求める。式（３）において、“ｘｉ，ｋ ｔ”は、対象患者ｉの入院時スコア、及び、時刻ｔにおいてグループｋに当てはまる情報（例えば回復幅、リハビリテーションメニュー等）を含む情報であり、“ｘｊ，ｋ ｔ”は、時刻ｔにおいてグループｋに含まれる過去患者ｊの入院時スコア、及び、時刻ｔにおいてグループｋに当てはまる情報を含む情報である。“ｙｊ”は、過去患者ｊの退院時スコアと入院時スコアとの差分（即ち、“退院時スコア－入院時スコア”）である。“ｓ（ｘｉ，ｋ ｔ，ｘｊ，ｋ ｔ）”は、対象患者ｉと、時刻ｔにおいてグループｋに含まれる過去患者ｊとの類似度である。ここで、類似度は、例えば、上記グループＡについては、対象患者ｉの入院時スコアと過去患者ｊの入院時スコアから求められてよく、上記グループＢについては、対象患者ｉの回復幅と過去患者ｊの回復幅とから求められてよく、上記グループＣについては、対象患者ｉのリハビリテーションメニューと過去患者ｊのリハビリテーションメニューとから求められてよい。グループＡＢ、ＡＣ、ＢＣ及びＡＢＣ各々については、入院時スコア、回復幅及びリハビリテーションメニューの少なくとも一つを用いて類似度が求められてよい。“ｗｋ”は、グループｋに係る重みである。“Ｎｋ ｔ”は、時刻ｔにおいてグループｋに含まれる過去患者の総数である。“Ｋ”は、グループの総数である（図７のように分類する場合は、“Ｋ＝７”）。
Figure JPOXMLDOC01-appb-M000003

　予測部１１３は、式（３）を用いて求められた“回復分＿ｉｔ”を、対象患者の入院時スコアｙ＿ｉ＿０に加算することにより、該対象患者の退院時スコアｙ＿ｉｔを予測する。予測部１１３は、時刻ｔ－１において予測された退院時スコアｙ＿ｉ（ｔ－１）を、退院時スコアｙ＿ｉｔに置き換えることにより、対象患者の退院時スコアを補正する。
　予測部１１３は、また、下記式（４）を用いて、時刻ｔにおいて予測される対象患者の入院期間“入院期間＿ｉｔ”を求める。予測部１１３は、時刻ｔ－１において予測された入院期間＿ｉ（ｔ－１）を、入院期間＿ｉｔに置き換えることにより、対象患者の入院期間を補正する。上述したように、入院期間の初期値（即ち、対象患者の入院時スコアｙ＿ｉ＿０に相当する値）は“０”であるので、対象患者の入院期間は、“入院期間＿ｉｔ”のみで決まる。
Figure JPOXMLDOC01-appb-M000004

　ステップＳ２０３の処理において予測された対象患者の退院時スコア及び入院期間は、出力装置１６により、ユーザに提示される（例えば図６参照）。
　ここで、式（３）及び（４）における重み“ｗｋ”は、例えば、時刻ｔ－１での重みと時刻ｔでの重みとが類似するように（言い換えれば、急変しないように）、正則化項を含む式を用いて求められる。具体的には例えば、下記式（５）を用いて重み“ｗｋ”が求められる。
Figure JPOXMLDOC01-appb-M000005

　式（５）において、“λ１”及び“λ２”は、正則化パラメータである。第１項目は、予測誤差を表している。第１項目におけるｙｉハットは、予測値を表している。ここで、該予測値は、図４のフローチャートにより示さる処理により求められた予測値であるｙ＿ｉｔ＝回復分＿ｉｔ＋ｙ＿ｉ＿０に相当する。第２項目は、重みｗを小さくするための項である。言い換えれば、第２項目は、重みｗの最適化の汎化性能を上げるための仕組みである。正則化パラメータλ１は、その仕組みをどれだけ強く考慮して、重みｗの最適化を行うかということをコントロールするためのパラメータである。λ１が大きくなるほど、上記仕組みが強く考慮される。第３項目は、重みｗの急変を抑制するための項である。正則化パラメータλ２は、重みｗの急変をどれだけ強く考慮して、重みｗの最適化を行うかということをコントロールするためのパラメータである。λ２が大きくなるほど、重みｗの急変が強く考慮される。
　式（５）における時間的な滑らかさに係る項は、下記式（６）のように表されるので、式（５）は、下記式（７）のように表すことができる。ここで、「時間的な滑らかさに係る項」は、「時刻ｔ－１での重みと時刻ｔでの重みとが類似するように（言い換えれば、急変しないように）するための項」である。尚、式（６）において、“Ｈ”は、“Ｈ　￥ｉｎ　Ｒ｛Ｔｘ（Ｔ－１）｝”であり、その意味するところは、“Ｈ＿｛ｉｊ｝＝１　ｉｆ　ｉ＝ｊ，Ｈ＿｛ｉｊ｝＝－１　ｉｆ　ｉ＝ｊ＋１，Ｈ＿｛ｉｊ｝＝０　ｏｔｈｅｒｗｉｓｅ”である。
Figure JPOXMLDOC01-appb-M000006
Figure JPOXMLDOC01-appb-M000007

　実践的には、時刻ｔが大きくなるにつれて（即ち、対象患者の入院日数が増え、観測データが蓄積されるにつれて）、対象患者の退院時スコア及び入院期間の予測誤差が小さくなることが望ましい。そこで、式（３）及び（４）における重み“ｗｋ”は、下記式（８）を用いて求められることが望ましい。
Figure JPOXMLDOC01-appb-M000008

　式（８）において“σ”は、ロジット関数であり、“σ（α）＝１／（１－ｅｘｐ－α）”と表される。αが０以上であるならσ（α）は０．５以上となり、それ以外の場合σ（α）は０．５未満になる。
　（技術的効果）
　例えば対象患者自身の入院時の状態のみから該対象患者の退院時の状態等が予測される比較例に比べて、上述した状態予測装置１によれば、リハビリテーションによる機能回復の程度、及び、リハビリテーションのための入院期間を精度よく予測することができる。当該状態予測装置１は特に、対象患者の入院時に、機能回復見込みの程度（例えば退院時スコア）及び入院期間を予測することができる。このため、対象患者やその家族が、リハビリテーションにより、どの程度の機能の回復が見込めるのか、又は、リハビリテーションのための入院期間がどの程度になるのか、ということを入院時に知ることができ、対象患者やその家族の不安を軽減することができる。加えて、医療従事者にとっても、対象患者の機能の回復見込みを知ることができれば、より適切なリハビリテーションの実施計画を作成することができる。
　当該状態予測装置１では、図６を用いて説明したように、対象患者の機能回復の程度及び入院期間に加えて、過去患者の入院時スコア及び退院時スコアを結んだグラフがユーザに提示される。このため、例えば対象患者の予測結果のみが提示される比較例に比べて、ユーザとしての医療従事者が、対象患者やその家族に、当該状態予測装置１による予測結果をわかりやすく（例えば過去患者の実績等との比較を交えながら）説明することができる。
　当該状態予測装置１では、また、入院期間中に新たな観測データが取得された場合には、対象患者の機能回復見込みの程度及び入院期間が補正（即ち、更新）される。このため、例えば医療従事者が、補正された機能回復見込みの程度及び入院期間を参照すれば、リハビリテーションの現在の実施計画の良し悪しの判断や、実施計画変更の判断、等を適切に行うことができる。
　当該状態予測装置１では、図７を用いて説明したように、過去患者をグループ分けした上で、グループ毎に対象患者との類似度“ｓ（ｘｉ，ｋ ｔ，ｘｊ，ｋ ｔ）”が求められる。加えて、式（８）を用いて“回復量＿ｉｔ”及び“入院期間＿ｉｔ”を算出する際の重みが求められるので、時間が経過し対象患者の観測データが蓄積されるほど、予測のばらつきを抑えることができる。このため、当該状態予測装置１によれば、対象患者の入院期間が長くなるほど（言い換えれば、対象患者の退院日に近づくほど）予測される機能回復見込みの程度及び入院期間の信頼性が高くなる。
　＜変形例＞
　上述した“回復分＿ｉｔ”は、次のように求められてもよい。即ち、予測部１１３は、ステップＳ１０２の処理（図４参照）及び／又はステップＳ２０２の処理（図５参照）において抽出された過去患者の入院時スコア及び退院時スコア並びに入院期間から、各過去患者の回復線の傾き（即ち、“（退院時スコア－入院時スコア）／入院期間”）を求める。予測部１１３は、該求められた傾きの平均値と、上記抽出された過去患者の入院期間の平均値との積を、“回復分＿ｉｔ”としてもよい。尚、傾きの平均値及び入院期間の平均値は、対象患者ｉの入院時スコアと過去患者ｊの入院時スコアとの類似度“ｓ（ｘｉ，ｘｊ）”で重み付けした重み付き平均値であることが望ましい。「回復線」とは、一の過去患者の入院時スコアと退院時スコアとを通る線を意味する（例えば図６参照）。
　＜付記＞
　以上説明した実施形態に関して、更に以下の付記を開示する。
　（付記１）
　付記１に記載の状態予測装置は、対象患者の入院期間の第１の時点における状態を示す対象患者情報を取得する取得手段と、前記対象患者とは異なる複数の他の患者に夫々対応するとともに、前記第１の時点に対応する時点における状態を示す第１の状態情報、及び、前記対象患者の前記入院期間の前記第１の時点より後の第２の時点における状態を示す第２の状態情報を含む複数の過去患者情報から、前記対象患者情報により示される前記第１の時点における状態と類似する状態を示す前記第１の状態情報を含む一以上の第１の過去患者情報を抽出する抽出手段と、前記一以上の第１の過去患者情報の少なくとも一部を出力する出力手段と、前記一以上の第１の過去患者情報に基づいて、前記対象患者の前記第２の時点における状態を予測する予測手段と、を備えることを特徴とする状態予測装置である。
　（付記２）
　付記２に記載の状態予測装置は、前記予測手段は、前記対象患者情報、並びに、前記一以上の第１の過去患者情報に含まれる前記第１の状態情報及び前記第２の状態情報に基づいて、前記対象患者の前記第２の時点における状態を予測することを特徴とする付記１に記載の状態予測装置である。
　（付記３）
　付記３に記載の状態予測装置は、前記複数の過去患者情報各々は、前記第１の時点に対応する時点から前記第２の時点に対応する時点までの間の少なくとも一時点において観察された前記他の患者の状態を示す経過情報を含み、前記取得手段は、前記第１の時点の後、且つ、前記第２の時点の前に観察された前記対象患者の状態を示す対象患者経過情報を取得し、前記抽出手段は、前記対象患者経過情報により示される状態と類似する状態を示す前記経過情報を含む一以上の第２の過去患者情報を抽出し、前記予測手段は、前記一以上の第１の過去患者情報、及び、前記一以上の第２の過去患者情報に基づいて、前記予測された前記対象患者の前記第２の時点における状態を補正することを特徴とする付記１又は２に記載の状態予測装置である。
　（付記４）
　付記４に記載の状態予測装置は、前記予測手段は、前記一以上の第１の過去患者情報に含まれる前記第１の状態情報及び前記第２の状態情報、並びに、前記一以上の第２の過去患者情報に含まれる前記第１の状態情報及び前記第２の状態情報に基づいて、前記対象患者の回復の程度に係る回復指標値を予測して、前記対象患者の前記第２の時点における状態を補正することを特徴とする付記３に記載の状態予測装置である。
　（付記５）
　付記５に記載の状態予測装置は、前記予測手段は、前記一以上の第１の過去患者情報、及び、前記一以上の第２過去患者情報を複数のグループに分類し、前記複数のグループ毎に定められた重みと、前記一以上の第１の過去患者情報に含まれる前記第１の状態情報及び前記第２の状態情報、並びに、前記一以上の第２の過去患者情報に含まれる前記第１の状態情報及び前記第２の状態情報と、に基づいて前記回復指標値を予測することを特徴とする付記４に記載の状態予測装置である。
　（付記６）
　付記６に記載の状態予測装置は、前記予測手段は、今回の補正結果の前回の補正結果からの変化量が抑制されること、及び、前記第１時点以降の時間経過に伴い前記対象患者経過情報が蓄積されるにつれて、予測誤差が小さくなること、の少なくとも一方を満たすように前記対象患者の前記第２の時点における状態を補正することを特徴とする付記３乃至５のいずれか一つに記載の状態予測装置である。
　（付記７）
　付記７に記載の状態予測装置は、前記第１の時点は、前記対象患者が入院した時であり、前記第２の時点は、前記対象患者が退院する時であり、前記予測手段は、前記一以上の第１の過去患者情報に基づいて、前記対象患者が退院する時における状態を予測することを特徴とする付記１に記載の状態予測装置である。
　（付記８）
　付記８に記載の状態予測装置は、前記予測手段は、前記対象患者の前記第２の時点における状態の予測に加えて又は代えて、前記一以上の第１の過去患者情報に対応する一以上の前記他の患者の入院期間に基づいて、前記対象患者の入院期間を予測することを特徴とする付記１に記載の状態予測装置である。
　（付記９）
　付記９に記載の状態予測装置は、前記複数の過去患者情報各々は、前記第１の時点に対応する時点から前記第２の時点に対応する時点の間の少なくとも一時点において観察された前記他の患者の状態を示す経過情報を含み、前記取得手段は、前記第１の時点の後、且つ、前記第２の時点の前に観察された前記対象患者の状態を示す対象患者経過情報を取得し、前記抽出手段は、前記対象患者経過情報により示される状態と類似する状態を示す前記経過情報を含む一以上の第２の過去患者情報を抽出し、前記予測手段は、前記一以上の第１の過去患者情報、及び、前記一以上の第２の過去患者情報に基づいて、前記予測された前記対象患者の入院期間を補正することを特徴とする付記８に記載の状態予測装置である。
　（付記１０）
　付記１０に記載の状態予測方法は、対象患者の入院期間の第１の時点における状態を示す対象患者情報を取得し、前記対象患者とは異なる複数の他の患者に夫々対応するとともに、前記第１の時点に対応する時点における状態を示す第１の状態情報、及び、前記対象患者の前記入院期間の前記第１の時点より後の第２の時点に対応する時点における状態を示す第２の状態情報を含む複数の過去患者情報から、前記対象患者情報により示される前記第１の時点における状態と類似する状態を示す前記第１の状態情報を含む一以上の第１の過去患者情報を抽出し、前記一以上の第１の過去患者情報の少なくとも一部を出力し、前記一以上の第１の過去患者情報に基づいて、前記対象患者の前記第２の時点における状態を予測することを特徴とする状態予測方法である。
　（付記１１）
　付記１１に記載のコンピュータプログラムは、コンピュータに、付記１０に記載の状態予測方法を実行させるコンピュータプログラムである。
　（付記１２）
　付記１２に記載の記録媒体は、付記１１に記載のコンピュータプログラムが記録された記録媒体である。
　（付記１３）
　付記１３に記載の状態予測装置は、前記予測手段は、前記一又は複数の第１の過去患者情報に含まれる前記第１の状態情報及び前記第２の状態情報に基づいて得られる状態変化を示す指標と、前記対象患者情報により示される前記第１の時点における状態とから前記対象患者の前記第２の時点における状態を予測することを特徴とする付記１に記載の状態予測装置である。
　本発明は、請求の範囲及び明細書全体から読み取るこのできる発明の要旨又は思想に反しない範囲で適宜変更可能であり、そのような変更を伴う状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体もまた本発明の技術思想に含まれる。
　１…状態予測装置、１１…ＣＰＵ、１１１…取得部、１１２…抽出部、１１３…予測部、２００…過去患者ＤＢ

Claims (12)

  1. 　対象患者の入院期間の第１の時点における状態を示す対象患者情報を取得する取得手段と、
    　前記対象患者とは異なる複数の他の患者に夫々対応するとともに、前記第１の時点に対応する時点における状態を示す第１の状態情報、及び、前記対象患者の前記入院期間の前記第１の時点より後の第２の時点に対応する時点における状態を示す第２の状態情報を含む複数の過去患者情報から、前記対象患者情報により示される前記第１の時点における状態と類似する状態を示す前記第１の状態情報を含む一以上の第１の過去患者情報を抽出する抽出手段と、
    　前記一以上の第１の過去患者情報の少なくとも一部を出力する出力手段と、
    　前記一以上の第１の過去患者情報に基づいて、前記対象患者の前記第２の時点における状態を予測する予測手段と、
    　を備えることを特徴とする状態予測装置。
  2. 　前記予測手段は、前記対象患者情報、並びに、前記一以上の第１の過去患者情報に含まれる前記第１の状態情報及び前記第２の状態情報に基づいて、前記対象患者の前記第２の時点における状態を予測することを特徴とする請求項１に記載の状態予測装置。
  3. 　前記複数の過去患者情報各々は、前記第１の時点に対応する時点から前記第２の時点に対応する時点までの間の少なくとも一時点において観察された前記他の患者の状態を示す経過情報を含み、
    　前記取得手段は、前記第１の時点の後、且つ、前記第２の時点の前に観察された前記対象患者の状態を示す対象患者経過情報を取得し、
    　前記抽出手段は、前記対象患者経過情報により示される状態と類似する状態を示す前記経過情報を含む一以上の第２の過去患者情報を抽出し、
    　前記予測手段は、前記一以上の第１の過去患者情報、及び、前記一以上の第２の過去患者情報に基づいて、前記予測された前記対象患者の前記第２の時点における状態を補正する
    　ことを特徴とする請求項１に記載の状態予測装置。
  4. 　前記予測手段は、前記一以上の第１の過去患者情報に含まれる前記第１の状態情報及び前記第２の状態情報、並びに、前記一以上の第２の過去患者情報に含まれる前記第１の状態情報及び前記第２の状態情報に基づいて、前記対象患者の回復の程度に係る回復指標値を予測して、前記対象患者の前記第２の時点における状態を補正することを特徴とする請求項３に記載の状態予測装置。
  5. 　前記予測手段は、前記一以上の第１の過去患者情報、及び、前記一以上の第２過去患者情報を複数のグループに分類し、前記複数のグループ毎に定められた重みと、前記一以上の第１の過去患者情報に含まれる前記第１の状態情報及び前記第２の状態情報、並びに、前記一以上の第２の過去患者情報に含まれる前記第１の状態情報及び前記第２の状態情報と、に基づいて前記回復指標値を予測することを特徴とする請求項４に記載の状態予測装置。
  6. 　前記予測手段は、今回の補正結果の前回の補正結果からの変化量が抑制されること、及び、前記第１時点以降の時間経過に伴い前記対象患者経過情報が蓄積されるにつれて、予測誤差が小さくなること、の少なくとも一方を満たすように前記対象患者の前記第２の時点における状態を補正することを特徴とする請求項３に記載の状態予測装置。
  7. 　前記第１の時点は、前記対象患者が入院した時であり、
    　前記第２の時点は、前記対象患者が退院する時であり、
    　前記予測手段は、前記一以上の第１の過去患者情報に基づいて、前記対象患者が退院する時における状態を予測する
    　ことを特徴とする請求項１に記載の状態予測装置。
  8. 　前記予測手段は、前記対象患者の前記第２の時点における状態の予測に加えて又は代えて、前記一以上の第１の過去患者情報に対応する一以上の前記他の患者の入院期間に基づいて、前記対象患者の入院期間を予測することを特徴とする請求項１に記載の状態予測装置。
  9. 　前記複数の過去患者情報各々は、前記第１の時点に対応する時点から前記第２の時点に対応する時点の間の少なくとも一時点において観察された前記他の患者の状態を示す経過情報を含み、
    　前記取得手段は、前記第１の時点の後、且つ、前記第２の時点の前に観察された前記対象患者の状態を示す対象患者経過情報を取得し、
    　前記抽出手段は、前記対象患者経過情報により示される状態と類似する状態を示す前記経過情報を含む一以上の第２の過去患者情報を抽出し、
    　前記予測手段は、前記一以上の第１の過去患者情報、及び、前記一以上の第２の過去患者情報に基づいて、前記予測された前記対象患者の入院期間を補正する
    　ことを特徴とする請求項８に記載の状態予測装置。
  10. 　対象患者の入院期間の第１の時点における状態を示す対象患者情報を取得し、
    　前記対象患者とは異なる複数の他の患者に夫々対応するとともに、前記第１の時点に対応する時点における状態を示す第１の状態情報、及び、前記対象患者の前記入院期間の前記第１の時点より後の第２の時点に対応する時点における状態を示す第２の状態情報を含む複数の過去患者情報から、前記対象患者情報により示される前記第１の時点における状態と類似する状態を示す前記第１の状態情報を含む一以上の第１の過去患者情報を抽出し、
    　前記一以上の第１の過去患者情報の少なくとも一部を出力し、
    　前記一以上の第１の過去患者情報に基づいて、前記対象患者の前記第２の時点における状態を予測する
    　ことを特徴とする状態予測方法。
  11. 　コンピュータに、請求項１０に記載の状態予測方法を実行させるコンピュータプログラム。
  12. 　請求項１１に記載のコンピュータプログラムが記録された記録媒体。
PCT/JP2019/031575 2019-08-09 2019-08-09 状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体 WO2021028961A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/632,928 US20220328187A1 (en) 2019-08-09 2019-08-09 Condition predicting apparatus, condition predicting method, computer program, and recording medium
JP2021539697A JP7207553B2 (ja) 2019-08-09 2019-08-09 状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体
PCT/JP2019/031575 WO2021028961A1 (ja) 2019-08-09 2019-08-09 状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/031575 WO2021028961A1 (ja) 2019-08-09 2019-08-09 状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体

Publications (1)

Publication Number Publication Date
WO2021028961A1 true WO2021028961A1 (ja) 2021-02-18

Family

ID=74569435

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/031575 WO2021028961A1 (ja) 2019-08-09 2019-08-09 状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体

Country Status (3)

Country Link
US (1) US20220328187A1 (ja)
JP (1) JP7207553B2 (ja)
WO (1) WO2021028961A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023085674A1 (ko) * 2021-11-11 2023-05-19 재단법인 아산사회복지재단 입원 환자의 퇴원 예측을 위한 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000285098A (ja) * 1999-03-29 2000-10-13 Toshiba Corp 時系列予測装置及び方法並びに時系列予測用ソフトウェアを記録した記録媒体
JP2015531930A (ja) * 2012-08-24 2015-11-05 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 臨床支援システム及び方法
JP2016197330A (ja) * 2015-04-03 2016-11-24 日本電気株式会社 分析システム、リハビリテーション支援システム、方法およびプログラム
JP2017049985A (ja) * 2015-09-04 2017-03-09 東芝メディカルシステムズ株式会社 医用情報処理装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2638489B1 (en) * 2010-11-08 2020-10-28 Koninklijke Philips N.V. Method of continuous prediction of patient severity of illness, mortality, and length of stay
EP2720605B1 (en) * 2011-06-14 2020-03-11 Gravitas Medical Inc. Apparatus for guiding medical care based on detected gastric function
US9946840B1 (en) * 2013-03-14 2018-04-17 Axon Acuity, Llc Systems and methods for assessing staffing levels and predicting patient outcomes
US10573415B2 (en) * 2014-04-21 2020-02-25 Medtronic, Inc. System for using patient data combined with database data to predict and report outcomes
WO2016147289A1 (ja) * 2015-03-16 2016-09-22 富士通株式会社 情報分析プログラム、情報分析方法および情報分析装置
US11623043B2 (en) * 2017-05-09 2023-04-11 Baxter International Inc. Parenteral nutrition diagnostic system, apparatus, and method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000285098A (ja) * 1999-03-29 2000-10-13 Toshiba Corp 時系列予測装置及び方法並びに時系列予測用ソフトウェアを記録した記録媒体
JP2015531930A (ja) * 2012-08-24 2015-11-05 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 臨床支援システム及び方法
JP2016197330A (ja) * 2015-04-03 2016-11-24 日本電気株式会社 分析システム、リハビリテーション支援システム、方法およびプログラム
JP2017049985A (ja) * 2015-09-04 2017-03-09 東芝メディカルシステムズ株式会社 医用情報処理装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JEONG SEUNGWON, INOUE YUSUKE, KONDO KATSUNORI, MATSUMOTO DAISUKE, SHIRAISHI NARIAKI: "Formula for predicting FIM for stroke patients at discharge from an acute ward or convalescent rehabilitation ward", JAPANESE JOURNAL OF COMPREHENSIVE REHABILITATION SCIENCE, vol. 5, 20 March 2014 (2014-03-20), pages 1 - 5, XP055793191, ISSN: 2185-5323 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023085674A1 (ko) * 2021-11-11 2023-05-19 재단법인 아산사회복지재단 입원 환자의 퇴원 예측을 위한 장치 및 방법

Also Published As

Publication number Publication date
US20220328187A1 (en) 2022-10-13
JPWO2021028961A1 (ja) 2021-02-18
JP7207553B2 (ja) 2023-01-18

Similar Documents

Publication Publication Date Title
JP6360479B2 (ja) 臨床支援システム及び方法
US9715657B2 (en) Information processing apparatus, generating method, medical diagnosis support apparatus, and medical diagnosis support method
JP6540169B2 (ja) 分析システム、リハビリテーション支援システム、方法およびプログラム
AU2012245343B2 (en) Predictive modeling
Agarwal et al. Temporal trends in hospitalization for acute decompensated heart failure in the United States, 1998–2011
WO2016181490A1 (ja) 分析システム及び分析方法
WO2021028961A1 (ja) 状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体
Calvert et al. Discharge recommendation based on a novel technique of homeostatic analysis
JP4140915B2 (ja) 利用者の行動を支援するシステム
JP2006163489A (ja) 発症確率算出装置、および、プログラム
Alsinglawi et al. Benchmarking predictive models in electronic health records: Sepsis length of stay prediction
WO2015173917A1 (ja) 分析システム
Nazyrova et al. Machine Learning models for predicting 30-day readmission of elderly patients using custom target encoding approach
US11809826B2 (en) Assertion detection in multi-labelled clinical text using scope localization
JP6436855B2 (ja) 分析システム、及び、分析方法
US20230197285A1 (en) Patient condition prediction apparatus, patient condition prediction method, and computer program
US20220399122A1 (en) Risk prediction apparatus, risk prediction method, and computer program
WO2024029261A1 (ja) 情報処理装置、予測装置、機械学習方法、および学習プログラム
WO2023047766A1 (ja) リスク分析支援システム及びリスク分析支援方法
JP7191800B2 (ja) 健康支援システム、プログラム及び方法
JP6819725B2 (ja) リハビリテーション支援システム、方法およびプログラム
US20230105348A1 (en) System for adaptive hospital discharge
Lee et al. Optimal sampling for positive only electronic health record data
Sun et al. Predicting Individual Survival Distributions Using ECG: A Deep Learning Approach Utilizing Features Extracted by a Learned Diagnostic Model
Bagadi et al. Cardiovascular Disease Prediction Using Machine Learning Algorithms

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: 19941481

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021539697

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: 19941481

Country of ref document: EP

Kind code of ref document: A1