WO2021080024A2 - 重症度評価装置及びモデル生成装置 - Google Patents

重症度評価装置及びモデル生成装置 Download PDF

Info

Publication number
WO2021080024A2
WO2021080024A2 PCT/JP2020/047802 JP2020047802W WO2021080024A2 WO 2021080024 A2 WO2021080024 A2 WO 2021080024A2 JP 2020047802 W JP2020047802 W JP 2020047802W WO 2021080024 A2 WO2021080024 A2 WO 2021080024A2
Authority
WO
WIPO (PCT)
Prior art keywords
measurement data
disease information
acquisition unit
data
severity
Prior art date
Application number
PCT/JP2020/047802
Other languages
English (en)
French (fr)
Other versions
WO2021080024A3 (ja
Inventor
直己 岡田
Original Assignee
直己 岡田
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 直己 岡田 filed Critical 直己 岡田
Priority to EP20878640.0A priority Critical patent/EP4020493A4/en
Priority to US17/762,494 priority patent/US20220344048A1/en
Publication of WO2021080024A2 publication Critical patent/WO2021080024A2/ja
Publication of WO2021080024A3 publication Critical patent/WO2021080024A3/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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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 a severity evaluation device and a model generation device, and particularly relates to a severity evaluation device for evaluating the severity of a patient in need of critical care.
  • the present invention has been made in view of such problems of the prior art, and is a model generator and a severity evaluation that enable the provision of optimized medical care by enabling the optimal distribution of medical resources.
  • the purpose is to provide the device.
  • a model generation device that enables the provision of optimized medical care by enabling the optimal distribution of medical resources.
  • This model generator has a teacher data acquisition unit that acquires teacher data labeled with disease information indicating information on a disease of a body part included in the measurement data with respect to the measurement data that measures the state of the human body.
  • Machine learning of a disease information model that outputs the disease information of the body part included in the measurement data when the measurement data that measures the state of the human body is input using the teacher data acquired by the teacher data acquisition unit. It is provided with a disease information model generation unit generated by.
  • a model generation device that enables the provision of optimized medical care by enabling the optimal distribution of medical resources.
  • This model generator has a teacher data acquisition unit that acquires teacher data that labels the classification of body parts included in the measurement data with respect to the measurement data that measures the state of the human body, and the teacher data acquisition unit.
  • a part classification model that outputs the classification of the body part included in the measurement data is generated by machine learning. It has a part.
  • a model generation device that enables the provision of optimized medical care by enabling the optimal distribution of medical resources.
  • This model generator uses teacher data that labels the measurement data obtained by measuring the state of the human body with the classification of the body part included in the measurement data and the disease information indicating the information on the disease of the body part.
  • the measurement data obtained by measuring the state of the human body and the classification of the body part included in the measurement data are input using the teacher data acquisition unit to be acquired and the teacher data acquired by the teacher data acquisition unit, the measurement is performed.
  • a disease information model generation unit that generates a disease information model by machine learning that outputs disease information of a body part included in the data.
  • a severity evaluation device that enables the provision of optimized medical care by enabling the optimal distribution of medical resources.
  • This severity evaluation device has a measurement data acquisition unit that acquires a plurality of measurement data that measure the physical condition of a patient, and a body part that is included in the measurement data when the measurement data that measures the condition of the human body is input.
  • a disease information model that outputs disease information that indicates information about the disease
  • the disease information acquisition that acquires the disease information of the body part included in each measurement data from the plurality of measurement data acquired by the measurement data acquisition unit.
  • a unit and a severity calculation unit that calculates the severity of the patient based on the disease information acquired by the disease information acquisition unit are provided.
  • a severity evaluation device that enables the provision of optimized medical care by enabling the optimal distribution of medical resources.
  • This severity evaluation device has a measurement data acquisition unit that acquires a plurality of measurement data that measure the physical condition of a patient, and a body part that is included in the measurement data when the measurement data that measures the condition of the human body is input.
  • the part classification acquisition unit that acquires the classification of the body part included in each of the plurality of measurement data acquired by the measurement data acquisition unit and the state of the human body are measured.
  • the disease information acquisition unit that acquires the disease information of the body part included in each measurement data from the measurement data and the classification of the body part acquired by the site classification acquisition unit, and the disease acquired by the disease information acquisition unit. It is provided with a severity calculation unit that calculates the severity of the patient based on the information.
  • FIG. 1 is a block diagram schematically showing a critical care support system including a severity evaluation device according to the first embodiment of the present invention.
  • FIG. 2 is a block diagram showing an example of the hardware configuration of the model generator shown in FIG.
  • FIG. 3 is a block diagram showing an example of the hardware configuration of the severity evaluation device shown in FIG.
  • FIG. 4 is a block diagram schematically showing a critical care support system including a severity evaluation device according to a second embodiment of the present invention.
  • FIGS. 1 to 4 the same or corresponding components are designated by the same reference numerals, and duplicate description will be omitted. Further, in FIGS. 1 to 4, the scale and dimensions of each component may be exaggerated or some components may be omitted. In the following description, unless otherwise noted, terms such as “first” and “second” are only used to distinguish the components from each other and represent a particular order or order. It's not a thing.
  • FIG. 1 is a block diagram schematically showing a life-saving emergency support system 1 according to the first embodiment of the present invention.
  • the critical care support system 1 in the present embodiment uses a model generation device 10 that generates a disease information model 50 by machine learning and a disease information model 50 generated by the model generation device 10. It includes a severity evaluation device 20 for evaluating the severity of a patient from measurement data obtained by measuring the physical condition of the patient.
  • CT image computed tomography image
  • Physiological test data such as MRI image (magnetic resonance tomography image), three-dimensional measurement data, blood sampling data, electrocardiogram, respiratory function data, roentgen test data, echo test data, data showing signs of life.
  • Other inspection data may be used, and these data can be used in combination.
  • the critical care support system 1 in the present embodiment includes a measuring device 80 for measuring the physical condition of the patient.
  • a CT device that captures a cross-sectional image of the inside of the patient's body using X-rays is used as the measurement device 80.
  • an MRI image is used as the measurement data
  • an MRI device that images information inside the patient's body using a magnetic resonance phenomenon is used as the measurement device 80.
  • a test device that acquires data describing the physical information of the patient in each test is used as the measurement device 80.
  • FIG. 2 is a block showing an example of the hardware configuration of the model generator 10.
  • the model generation device 10 may be configured by, for example, a server computer, a general-purpose computer, a dedicated computer, a mobile terminal, or the like, and may be configured by combining a plurality of these devices. Further, the model generation device 10 may share hardware with other devices.
  • the model generation device 10 includes a CPU (Central Processing Unit) 11, a ROM (Read Only Memory) 12, a RAM (Random Access Memory) 13, and a storage device 14 such as a hard disk or a solid state disk.
  • a display device 15 such as a display
  • an input device 16 such as a keyboard and a mouse
  • a communication interface 17 that enables communication with other devices are provided.
  • the CPU 11 reads a program stored in the ROM 12, the RAM 13, or the storage device 14, and executes the program to realize various functional units described later.
  • the communication interface 17 controls wired or wireless communication with other devices.
  • the display device 15 and the input device 16 can also be configured by a device having a display function and an input function such as a touch panel.
  • the model generation device 10 has a teacher data acquisition unit 31 that acquires teacher data 90, which will be described later, and a teacher data acquired by the teacher data acquisition unit 31, as functional units realized by the above-mentioned program. It includes a disease information model generation unit 32 that generates a disease information model described later by machine learning using 90.
  • FIG. 3 is a block diagram showing an example of the hardware configuration of the severity evaluation device 20.
  • the severity evaluation device 20 may be configured by, for example, a server computer, a general-purpose computer, a dedicated computer, a mobile terminal, or the like, and may be configured by combining a plurality of these devices. Further, the severity evaluation device 20 may share hardware with other devices.
  • the severity evaluation device 20 includes a CPU (Central Processing Unit) 21, a ROM (Read Only Memory) 22, a RAM (Random Access Memory) 23, and a storage device such as a hard disk or a solid state disk. 24, a display device 25 such as a display, an input device 26 such as a keyboard and a mouse, and a communication interface 27 that enables communication with other devices.
  • the CPU 21 reads a program stored in the ROM 22, the RAM 23, or the storage device 24, and executes the program to realize various functional units described later.
  • the communication interface 27 controls wired or wireless communication with other devices.
  • the display device 25 and the input device 26 can also be configured by a device having a display function and an input function such as a touch panel.
  • the severity evaluation device 20 includes a measurement data acquisition unit 41, a disease information acquisition unit 42, and a severity calculation unit 43 as functional units realized by the above-mentioned program.
  • the measurement data acquisition unit 41 of the severity evaluation device 20 is configured to be connectable to the measurement device 80 via the communication interface 27 described above, and the measurement data acquisition unit 41 and the measurement device 80 of the severity evaluation device 20 May be connected to each other by networks such as local area networks (LANs), wide area networks (WANs), short-range communication networks, intranets, and the Internet.
  • LANs local area networks
  • WANs wide area networks
  • short-range communication networks intranets
  • intranets intranets
  • the Internet the Internet
  • the critical care support system 1 prior to the operation of the critical care support system 1, first, information on a disease of a body part (for example, the degree of disease) found in each CT image is labeled as disease information for a large number of past CT images.
  • the teacher data 90 is attached and labeled with the disease information for a large number of CT images.
  • the teacher data 90 is stored in a device or storage medium connected to the model generation device 10 via a network, or in a storage device 14 in the model generation device 10.
  • the degree of the disease can be used, and the degree of the disease in this case is determined in the surgical evaluation according to, for example, the degree of damage to the body part. In the medical evaluation, for example, it may be determined according to the degree of lesions in the body part and the magnitude of inflammation.
  • the disease information indicating the degree of such a disease for example, three labels of "mild", “moderate”, and "severe” may be used.
  • the course after admission the prognosis state of the patient is classified according to, for example, the course after admission (improvement, brain death, death, etc.)
  • the treatment performed. Presence or absence of surgery or drug administration, amount of drug, etc.
  • Presence or absence of surgery or drug administration, amount of drug, etc. can also be used.
  • the teacher data acquisition unit 31 of the model generation device 10 acquires the teacher data 90 created as described above from an external device via the communication interface 17 or reads it from the recording medium or the storage device 14.
  • the teacher data 90 acquired by the teacher data acquisition unit 31 is used for machine learning in the disease information model generation unit 32.
  • the disease information model generation unit 32 generates a disease information model 50 capable of outputting disease information of a body part seen in the CT image when a CT image is input by machine learning using the teacher data 90.
  • the method of machine learning performed in the disease information model generation unit 32 is not limited to a specific one, and may be, for example, machine learning using a neural network.
  • the disease information model 50 generated by the disease information model generation unit 32 is stored in a device or storage medium connected to the severity evaluation device 20 via a network, or in a storage device 24 in the severity evaluation device 20.
  • the severity of a patient who has been transported by emergency can be automatically evaluated in a short time. More specifically, when the patient is transported by emergency, the measuring device 80 takes a CT image 60 of the whole body of the patient. The measurement data acquisition unit 41 of the severity evaluation device 20 acquires these CT images 60 from the measurement device 80 and sends them to the disease information acquisition unit 42.
  • the disease information acquisition unit 42 acquires the disease information model 50 generated by the model generation device 10 from an external device on the network via the communication interface 17, or reads it from the recording medium or the storage device 24. Then, the disease information acquisition unit 42 inputs the CT image 60 acquired from the measuring device 80 into the disease information model 50, and obtains the disease information 70 for each CT image 60 as an output.
  • the severity calculation unit 43 of the severity evaluation device 20 calculates the overall severity 75 of the patient based on the disease information 70 for each CT image 60 obtained by the disease information acquisition unit 42. This method of calculating the overall severity 75 may be empirically obtained by the emergency physician or may be based on a specific guideline or treatise.
  • the severity calculation unit 43 may calculate the severity 75 in consideration of other additional information in addition to the disease information 70 obtained by the disease information acquisition unit 42.
  • additional information includes, for example, physical findings and other measurement data (eg, blood pressure and body temperature, pulse and percutaneous arterial oxygen saturation (SpO 2 ), three-dimensional measurement data, blood sampling data, physiological Test data, roentgen test data, echo test data, data showing signs of life, etc.), data on the cause of the patient's disease (information from the emergency team (for example, the cause of the patient's disease (traffic accident, fall, fire, etc.) and accident Occurrence status, sighting information, physical findings and measurement data from the biological information monitor), information from the doctor in charge in the past, charts, past test results, etc.).
  • physical findings and other measurement data eg, blood pressure and body temperature, pulse and percutaneous arterial oxygen saturation (SpO 2 )
  • three-dimensional measurement data eg. blood sampling data, physiological Test data, roentgen test data, echo test data, data showing
  • the patient severity 75 calculated in this way is displayed on a display device 15 such as a display. This allows the emergency physician to immediately know the overall severity of the patient.
  • the hospitalization days and treatment costs may be predicted from the calculated severity 75 and additionally displayed on a display device 15 such as a display.
  • the overall severity 75 of the patient can be automatically evaluated from the CT image 60 of the whole body of the patient in a short time. Allows immediate insight into the patient's overall severity. This facilitates the emergency physician to prioritize treatment for each patient and optimally distributes medical resources according to the severity of each patient. In addition, since the emergency physician can devote more time to the treatment of the patient without spending time to evaluate the severity of the patient, it is possible to save more lives.
  • FIG. 4 is a block diagram schematically showing the life-saving emergency support system 101 according to the second embodiment of the present invention.
  • the critical care support system 101 in the present embodiment has a model generation device 110 that generates a site classification model 151 and a disease information model 152 by machine learning, and a site classification model generated by the model generation device 110. It includes a severity evaluation device 120 that evaluates the severity of a patient from measurement data (for example, CT image) that measures the physical condition of the patient using 151 and the disease information model 152.
  • measurement data for example, CT image
  • the model generation device 110 in the present embodiment has a hardware configuration similar to the hardware configuration of the model generation device 10 shown in FIG. 2, and as shown in FIG. 4, the first teacher data 191 described later is provided.
  • a part classification model generation unit that generates a part classification model 151, which will be described later, by machine learning using the first teacher data acquisition unit 131 to be acquired and the first teacher data 191 acquired by the first teacher data acquisition unit 131.
  • the severity evaluation device 120 in the present embodiment has a hardware configuration similar to the hardware configuration of the severity evaluation device 20 shown in FIG. 3, and as shown in FIG. 4, the first embodiment.
  • the site classification acquisition unit 141 and the disease information acquisition unit 142 are included.
  • the first teacher data 191 used in this embodiment is an anatomical classification of body parts found in each CT image for a large number of past CT images (eg, "liver”, “pancreas", “ It is labeled as “spleen”).
  • the second teacher data 192 used in the present embodiment includes information on the disease of the body part as well as the anatomical classification of the body part found in each CT image for a large number of past CT images. For example, the degree of disease) is labeled as disease information.
  • the first teacher data 191 and the second teacher data 192 are transferred to a device or storage medium connected to the model generator 110 via a network, or to a storage device 14 (see FIG. 2) in the model generator 110. It will be saved.
  • the classification of the body part used as the label in the first teacher data 191 and the second teacher data 192 the above-mentioned anatomical classification may be used, or another classification may be used. Good.
  • the patient's body is divided into major categories such as "head”, "chest", and "abdomen”, and these major categories are further divided into minor categories such as "bone” and "blood vessel”.
  • the first teacher data 191 and the second teacher data 192 may be labeled using the multi-layered classification.
  • the first teacher data acquisition unit 131 of the model generation device 110 acquires the first teacher data 191 from an external device via the communication interface 17 or reads it from the recording medium or the storage device 14.
  • the first teacher data 191 acquired by the first teacher data acquisition unit 131 is used for machine learning in the part classification model generation unit 132.
  • the part classification model generation unit 132 generates a part classification model 151 capable of outputting the classification of the body part seen in the CT image when the CT image is input by machine learning using the first teacher data 191. To do.
  • the method of machine learning performed in the site classification model generation unit 132 is not limited to a specific one, and may be, for example, machine learning using a neural network.
  • the site classification model 151 generated by the site classification model generation unit 132 is stored in a device or storage medium connected to the severity evaluation device 120 via a network, or in a storage device 24 in the severity evaluation device 120.
  • the second teacher data acquisition unit 133 of the model generation device 110 acquires the second teacher data 192 from an external device via the communication interface 17 or reads it from the recording medium or the storage device 14.
  • the second teacher data 192 acquired by the second teacher data acquisition unit 133 is used for machine learning in the disease information model generation unit 134.
  • the disease information model generation unit 134 can output the disease information by inputting the CT image together with the classification of the body part seen in the CT image by machine learning using the second teacher data 192. Generate 152.
  • the method of machine learning performed in the disease information model generation unit 134 is not limited to a specific one, and may be, for example, machine learning using a neural network.
  • the disease information model 152 generated by the disease information model generation unit 134 is stored in a device or storage medium connected to the severity evaluation device 120 via a network, or in a storage device 24 in the severity evaluation device 120.
  • the CT image 60 of the whole body of the patient taken by the measurement device 80 is acquired by the measurement data acquisition unit 41 and sent to the site classification acquisition unit 141.
  • the site classification acquisition unit 141 inputs the CT image 60 acquired from the measuring device 80 into the above-mentioned site classification model 151, and obtains the classification (for example, anatomical classification) 170 of the body part for each CT image 60 as an output. ..
  • the disease information acquisition unit 142 inputs the CT image 60 acquired from the measuring device 80 into the disease information model 152 described above together with the classification 170 obtained by the site classification acquisition unit 141, and the disease information 70 for each CT image 60. Is obtained as an output.
  • the severity calculation unit 43 of the severity evaluation device 120 calculates the overall severity 75 of the patient based on the disease information 70 for each CT image 60 obtained by the disease information acquisition unit 142.
  • the patient severity 75 calculated in this way is displayed on a display device 15 such as a display.
  • the severity calculation unit 43 of the severity evaluation device 120 may be configured to calculate the severity 75 of the patient for each classification 170 obtained by the site classification acquisition unit 141.
  • the emergency physician can immediately know the severity of the patient who has been transported by emergency, for example, for each classification of body parts (in other words, for each organ). Therefore, it becomes easy to prioritize the organ to be treated among the organs of the patient, and the lifesaving possibility of the patient can be enhanced.
  • a model generation device that enables the provision of optimized medical care by enabling the optimal distribution of medical resources.
  • This model generator has a teacher data acquisition unit that acquires teacher data labeled with disease information indicating information on a disease of a body part included in the measurement data with respect to the measurement data that measures the state of the human body.
  • Machine learning of a disease information model that outputs the disease information of the body part included in the measurement data when the measurement data that measures the state of the human body is input using the teacher data acquired by the teacher data acquisition unit. It is provided with a disease information model generation unit generated by.
  • a model generation device that enables the provision of optimized medical care by enabling the optimal distribution of medical resources.
  • This model generator has a teacher data acquisition unit that acquires teacher data that labels the classification of body parts included in the measurement data with respect to the measurement data that measures the state of the human body, and the teacher data acquisition unit.
  • a part classification model that outputs the classification of the body part included in the measurement data is generated by machine learning. It has a part.
  • a model generation device that enables the provision of optimized medical care by enabling the optimal distribution of medical resources.
  • This model generator uses teacher data that labels the measurement data obtained by measuring the state of the human body with the classification of the body part included in the measurement data and the disease information indicating the information on the disease of the body part.
  • the measurement data obtained by measuring the state of the human body and the classification of the body part included in the measurement data are input using the teacher data acquisition unit to be acquired and the teacher data acquired by the teacher data acquisition unit, the measurement is performed.
  • a disease information model generation unit that generates a disease information model by machine learning that outputs disease information of a body part included in the data.
  • a severity evaluation device that enables the provision of optimized medical care by enabling the optimal distribution of medical resources.
  • This severity evaluation device has a measurement data acquisition unit that acquires a plurality of measurement data that measure the physical condition of a patient, and a body part that is included in the measurement data when the measurement data that measures the condition of the human body is input.
  • a disease information model that outputs disease information that indicates information about the disease
  • the disease information acquisition that acquires the disease information of the body part included in each measurement data from the plurality of measurement data acquired by the measurement data acquisition unit.
  • a unit and a severity calculation unit that calculates the severity of the patient based on the disease information acquired by the disease information acquisition unit are provided.
  • a severity evaluation device that enables the provision of optimized medical care by enabling the optimal distribution of medical resources.
  • This severity evaluation device has a measurement data acquisition unit that acquires a plurality of measurement data that measure the physical condition of a patient, and a body part that is included in the measurement data when the measurement data that measures the condition of the human body is input.
  • the part classification acquisition unit that acquires the classification of the body part included in each of the plurality of measurement data acquired by the measurement data acquisition unit and the state of the human body are measured.
  • the disease information acquisition unit that acquires the disease information of the body part included in each measurement data from the measurement data and the classification of the body part acquired by the site classification acquisition unit, and the disease acquired by the disease information acquisition unit. It is provided with a severity calculation unit that calculates the severity of the patient based on the information.
  • the severity calculation unit may be configured to calculate the severity of the patient for each classification of the body part.
  • the patient's physical condition is measured from a plurality of measurement data of the patient.
  • the severity can be automatically evaluated in a short time, and the severity of the patient can be immediately notified to the doctor.
  • medical resources can be optimally distributed according to the severity of each patient, and optimized medical care can be provided.
  • the severity calculation unit includes physical findings, other measurement data (eg, blood pressure, body temperature, pulse and percutaneous arterial oxygen saturation (SpO 2 ), three-dimensional measurement data, blood sampling data, physiological test data, roentgen test. Data, echo test data, data showing signs of life, etc.), and data on the cause of the patient's disease (information from the emergency team (for example, the cause of the patient's disease (traffic accident, fall, fire, etc.), accident occurrence status, sighting)
  • the severity of the patient is calculated by further considering at least one of information, physical findings, and measurement data from the biological information monitor), information from the doctor in charge in the past, charts, past test results, etc.). It may be configured as follows.
  • the measurement data includes CT images, MRI images, three-dimensional measurement data, blood sampling data, electrocardiogram, respiratory function data and other physiological test data, roentgen test data, echo test data, and data showing signs of life. It may contain at least one.
  • the severity of the patient can be determined from a plurality of measurement data obtained by measuring the physical condition of the patient. It can be evaluated automatically in a short time, and the severity of the patient can be immediately notified to the doctor. As a result, medical resources can be optimally distributed according to the severity of each patient, and optimized medical care can be provided.
  • the present invention is suitably used as a severity evaluation device for evaluating the severity of a patient in need of critical care.
  • Model generation device 20 Severity evaluation device 31
  • Teacher data acquisition unit 32
  • Disease information model generation unit 41
  • Measurement data acquisition unit 42
  • Disease information acquisition unit 43
  • Severity calculation unit 50
  • Disease information model 60
  • CT image 70
  • Severity 80
  • Measuring device 90
  • Teacher data 101
  • Critical care support system 110
  • Model generation device 120 Severity evaluation device 131
  • First teacher data acquisition unit 132
  • Site classification model generation unit 133
  • Second teacher data acquisition unit 134
  • Disease information model generation Part 141 Part classification acquisition part
  • Disease information acquisition part 151
  • Part classification model 152
  • First teacher data 192
  • Second teacher data 192

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Pulmonology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にする重症度評価装置を提供する。モデル生成装置１０は、ＣＴ画像に対して身体部位の疾患の度合いを示す疾患情報をラベル付けした教師データ９０を取得する教師データ取得部３１と、教師データ９０を用いて、ＣＴ画像を入力すると疾患情報を出力する疾患情報モデル５０を機械学習により生成するモデル生成部３２とを備える。重症度評価装置２０は、患者のＣＴ画像６０を取得する測定データ取得部４１と、疾患情報モデル５０を用いてＣＴ画像６０からそれぞれの疾患情報７０を取得する疾患情報取得部４２と、疾患情報取得部４２により取得された疾患情報７０に基づいて患者の重症度７５を算出する重症度算出部４３とを備える。

Description

重症度評価装置及びモデル生成装置
　本発明は、重症度評価装置及びモデル生成装置に係り、特に救命救急が必要な患者の重症度を評価する重症度評価装置に関するものである。
　現在、日本では高齢化が急速に進んでおり、その患者数の増加に伴って医師の数が不足している。また、世界各国でも医師不足が叫ばれている。特に、救命救急科は、年間６００万件以上の救急搬送及び時間外診療を担う、国民にとって不可欠なインフラとなっているが、救命救急医療は、極めて迅速かつ的確な処置が要求されるため医師に敬遠されがちである。このため、医師不足が特に深刻であり、慢性的に時間と人員が不足している。
　そのような救命救急医療の初期診療で最も優先度が高いことは、患者の重症度を正確に評価することである。上述のように時間と人員に制限がある中では、軽症患者と重症患者とを見分けることこそが、最適な医療資源の分配を可能にし、多くの命を救うこととなるからである。しかしながら、救命救急の現場においては、次から次へと患者が搬送されてくることも多く、限られた医療資源の中では、救命救急医が多数の患者の重症度の評価を迅速かつ的確に行うことが難しい。したがって、それぞれの患者の重症度に応じた最適な救命救急医療を提供できるシステムの構築が一刻も早く求められている。
　本発明は、このような従来技術の問題点に鑑みてなされたもので、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にするモデル生成装置及び重症度評価装置を提供することを目的とする。
　本発明の第１の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にするモデル生成装置が提供される。このモデル生成装置は、人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の疾患に関する情報を示す疾患情報をラベル付けした教師データを取得する教師データ取得部と、上記教師データ取得部により取得された上記教師データを用いて、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを機械学習により生成する疾患情報モデル生成部とを備える。
　本発明の第２の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にするモデル生成装置が提供される。このモデル生成装置は、人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の分類をラベル付けした教師データを取得する教師データ取得部と、上記教師データ取得部により取得された上記教師データを用いて、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の分類を出力する部位分類モデルを機械学習により生成する部位分類モデル生成部とを備える。
　本発明の第３の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にするモデル生成装置が提供される。このモデル生成装置は、人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の分類と該身体部位の疾患に関する情報を示す疾患情報とをラベル付けした教師データを取得する教師データ取得部と、上記教師データ取得部により取得された上記教師データを用いて、人間の身体の状態を測定した測定データ及び該測定データに含まれる身体部位の分類を入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを機械学習により生成する疾患情報モデル生成部とを備える。
　本発明の第４の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にする重症度評価装置が提供される。この重症度評価装置は、患者の身体の状態を測定した複数の測定データを取得する測定データ取得部と、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の疾患に関する情報を示す疾患情報を出力する疾患情報モデルを用いて、上記測定データ取得部により取得された上記複数の測定データからそれぞれの測定データに含まれる身体部位の疾患情報を取得する疾患情報取得部と、上記疾患情報取得部により取得された上記疾患情報に基づいて上記患者の重症度を算出する重症度算出部とを備える。
　本発明の第５の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にする重症度評価装置が提供される。この重症度評価装置は、患者の身体の状態を測定した複数の測定データを取得する測定データ取得部と、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の分類を出力する部位分類モデルを用いて、上記測定データ取得部により取得された上記複数の測定データからそれぞれに含まれる身体部位の分類を取得する部位分類取得部と、人間の身体の状態を測定した測定データ及び該測定データに含まれる身体部位の分類を入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを用いて、上記測定データ取得部により取得された上記複数の測定データと上記部位分類取得部により取得された身体部位の分類とからそれぞれの測定データに含まれる身体部位の疾患情報を取得する疾患情報取得部と、上記疾患情報取得部により取得された上記疾患情報に基づいて上記患者の重症度を算出する重症度算出部とを備える。
図１は、本発明の第１の実施形態における重症度評価装置を含む救命救急支援システムを模式的に示すブロック図である。 図２は、図１に示すモデル生成装置のハードウェア構成の一例を示すブロック図である。 図３は、図１に示す重症度評価装置のハードウェア構成の一例を示すブロック図である。 図４は、本発明の第２の実施形態における重症度評価装置を含む救命救急支援システムを模式的に示すブロック図である。
　以下、本発明に係るモデル生成装置及び重症度評価装置を含む救命救急支援システムの実施形態について図１から図４を参照して詳細に説明する。なお、図１から図４において、同一又は相当する構成要素には、同一の符号を付して重複した説明を省略する。また、図１から図４においては、各構成要素の縮尺や寸法が誇張されて示されている場合や一部の構成要素が省略されている場合がある。以下の説明では、特に言及がない場合には、「第１」や「第２」などの用語は、構成要素を互いに区別するために使用されているだけであり、特定の順位や順番を表すものではない。
　図１は、本発明の第１の実施形態における救命救急支援システム１を模式的に示すブロック図である。図１に示すように、本実施形態における救命救急支援システム１は、機械学習により疾患情報モデル５０を生成するモデル生成装置１０と、モデル生成装置１０により生成された疾患情報モデル５０を用いて、患者の身体の状態を測定した測定データから患者の重症度を評価する重症度評価装置２０を含むものである。
　本実施形態では、人間の身体の状態を測定した測定データとして患者の身体の内部を撮影したＣＴ画像（コンピュータ断層撮影画像）を用いる例を説明するが、使用可能な測定データはＣＴ画像に限られるものではなく、例えばＭＲＩ画像（磁気共鳴断層撮影画像）や三次元計測データ、採血データ、心電、呼吸機能データなどの生理学的検査データ、レントゲン検査データ、エコー検査データ、生命兆候を示すデータ、その他の検査データであってもよく、これらのデータを組み合わせて用いることも可能である。
　本実施形態における救命救急支援システム１は、患者の身体の状態を測定する測定装置８０を含んでいる。本実施形態では、上述したように、測定データとしてＣＴ画像を用いるため、エックス線を用いて患者の身体の内部の断面画像を撮影するＣＴ装置が測定装置８０として用いられる。測定データとしてＭＲＩ画像を用いる場合には、磁気共鳴現象を用いて患者の身体の内部の情報を画像化するＭＲＩ装置が測定装置８０として用いられる。また、測定データとして他の検査データを用いる場合には、各々の検査における患者の身体情報を記述したデータを取得する検査装置が、測定装置８０として用いられる。
　図２は、モデル生成装置１０のハードウェア構成の一例を示すブロックである。このモデル生成装置１０は、例えばサーバコンピュータ、汎用コンピュータ、専用コンピュータ、又は携帯端末などにより構成され得るものであり、これらの機器を複数台組み合わせて構成されるものであってもよい。また、モデル生成装置１０は、他の装置とハードウェアを共用するものであってもよい。
　図２に示すように、モデル生成装置１０は、ＣＰＵ（Central Processing Unit）１１と、ＲＯＭ（Read Only Memory）１２と、ＲＡＭ（Random Access Memory）１３と、ハードディスクやソリッドステートディスクなどの記憶デバイス１４と、ディスプレイなどの表示装置１５と、キーボードやマウスなどの入力装置１６と、他の機器との通信を可能にする通信インタフェイス１７とを備えている。ＣＰＵ１１は、ＲＯＭ１２、ＲＡＭ１３、又は記憶デバイス１４に保存されているプログラムを読み出し、これを実行することにより後述する様々な機能部を実現するものである。通信インタフェイス１７は、他の装置との有線又は無線による通信を制御するものである。なお、表示装置１５及び入力装置１６をタッチパネルなどの表示機能と入力機能を有する機器により構成することもできる。
　図１に示すように、モデル生成装置１０は、上述したプログラムにより実現される機能部として、後述する教師データ９０を取得する教師データ取得部３１と、教師データ取得部３１により取得された教師データ９０を用いて後述する疾患情報モデルを機械学習により生成する疾患情報モデル生成部３２とを含んでいる。
　図３は、重症度評価装置２０のハードウェア構成の一例を示すブロック図である。この重症度評価装置２０は、例えばサーバコンピュータ、汎用コンピュータ、専用コンピュータ、又は携帯端末などにより構成され得るものであり、これらの機器を複数台組み合わせて構成されるものであってもよい。また、重症度評価装置２０は、他の装置とハードウェアを共用するものであってもよい。
　図３に示すように、重症度評価装置２０は、ＣＰＵ（Central Processing Unit）２１と、ＲＯＭ（Read Only Memory）２２と、ＲＡＭ（Random Access Memory）２３と、ハードディスクやソリッドステートディスクなどの記憶デバイス２４と、ディスプレイなどの表示装置２５と、キーボードやマウスなどの入力装置２６と、他の機器との通信を可能にする通信インタフェイス２７とを備えている。ＣＰＵ２１は、ＲＯＭ２２、ＲＡＭ２３、又は記憶デバイス２４に保存されているプログラムを読み出し、これを実行することにより後述する様々な機能部を実現するものである。通信インタフェイス２７は、他の装置との有線又は無線による通信を制御するものである。なお、表示装置２５及び入力装置２６をタッチパネルなどの表示機能と入力機能を有する機器により構成することもできる。
　図１に示すように、重症度評価装置２０は、上述したプログラムにより実現される機能部として、測定データ取得部４１、疾患情報取得部４２、及び重症度算出部４３を含んでいる。重症度評価装置２０の測定データ取得部４１は、上述した通信インタフェイス２７を介して測定装置８０と接続可能に構成されており、重症度評価装置２０の測定データ取得部４１と測定装置８０とは、例えばローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、近距離通信ネットワーク、イントラネット、インターネットなどのネットワークにより互いに接続されていてもよい。
　ここで、救命救急支援システム１の運用に先立って、まず、過去の多数のＣＴ画像に対してそれぞれのＣＴ画像中に見られる身体部位の疾患に関する情報（例えば疾患の度合い）を疾患情報としてラベル付けし、多数のＣＴ画像に対して疾患情報をラベル付けした教師データ９０を作成する。この教師データ９０は、モデル生成装置１０とネットワークを介して接続された機器や記憶媒体、あるいはモデル生成装置１０内の記憶デバイス１４に保存される。
　教師データ９０のラベル付けに用いられる疾患情報としては、例えば疾患の度合いを用いることができ、この場合の疾患の度合いは、外科的な評価においては例えば身体部位の損傷の度合いに応じて決定してもよく、内科的な評価においては例えば身体部位の病変の度合い及び炎症の大きさに応じて決定してもよい。このような疾患の度合いを示す疾患情報として、例えば「軽症」、「中等症」、「重症」の３つのラベルを用いてもよい。また、疾患情報として、例えば、患者の来院時の状態、入院後の経過（患者の予後の状態を例えば入院後の経過（軽快、脳死、死亡など）などにより分類したもの）、施された処置（手術や薬剤投与の有無、薬剤の量など）などを用いることもできる。
　モデル生成装置１０の教師データ取得部３１は、上述のようにして作成された教師データ９０を外部の機器から通信インタフェイス１７を介して取得し、あるいは、記録媒体や記憶デバイス１４から読み出す。教師データ取得部３１により取得された教師データ９０は、疾患情報モデル生成部３２における機械学習に用いられる。疾患情報モデル生成部３２は、教師データ９０を用いた機械学習によって、ＣＴ画像を入力するとそのＣＴ画像中に見られる身体部位の疾患情報を出力することが可能な疾患情報モデル５０を生成する。この疾患情報モデル生成部３２において行われる機械学習の方法は特定のものに限られるものではなく、例えばニューラルネットワークを用いた機械学習であってもよい。疾患情報モデル生成部３２で生成された疾患情報モデル５０は、重症度評価装置２０とネットワークを介して接続された機器や記憶媒体、あるいは重症度評価装置２０内の記憶デバイス２４に保存される。
　重症度評価装置２０においては、このような疾患情報モデル５０を用いることによって、例えば救急搬送されてきた患者の重症度を短時間で自動的に評価することが可能となる。より具体的には、患者が救急搬送されてくると、測定装置８０によって患者の全身のＣＴ画像６０が撮影される。重症度評価装置２０の測定データ取得部４１は、これらのＣＴ画像６０を測定装置８０から取得して疾患情報取得部４２に送る。
　疾患情報取得部４２は、モデル生成装置１０により生成された疾患情報モデル５０をネットワーク上の外部の機器から通信インタフェイス１７を介して取得し、あるいは、記録媒体や記憶デバイス２４から読み出す。そして、疾患情報取得部４２は、測定装置８０から取得したＣＴ画像６０をこの疾患情報モデル５０に入力し、それぞれのＣＴ画像６０に対する疾患情報７０を出力として得る。
　重症度評価装置２０の重症度算出部４３は、疾患情報取得部４２により得られたそれぞれのＣＴ画像６０に対する疾患情報７０に基づいて患者の総合的な重症度７５を算出する。この総合的な重症度７５の算出方法は、救命救急医が経験的に得たものであってもよく、特定のガイドラインや論文に基づくものであってもよい。
　また、重症度算出部４３は、疾患情報取得部４２により得られた疾患情報７０に加えて、他の付加的な情報を考慮して重症度７５を算出してもよい。このような付加的な情報としては、例えば、身体所見や他の測定データ（例えば、血圧や体温、脈拍や経皮的動脈血酸素飽和度（SpO2）、三次元計測データ、採血データ、生理学的検査データ、レントゲン検査データ、エコー検査データ、生命兆候を示すデータなど）、患者の疾患原因に関するデータ（救急隊からの情報（例えば、患者の疾患原因（交通事故、転倒、火災など）や事故の発生状況、目撃情報、身体所見及び生体情報モニタからの測定データ）、過去に担当した医師からの情報、カルテ、過去の検査結果など）が挙げられる。
　このようにして算出された患者の重症度７５は、ディスプレイなどの表示装置１５に表示される。これにより、救命救急医は、その患者の総合的な重症度を即座に知ることが可能となる。また、算出された重症度７５から入院日数や治療費を予測してディスプレイなどの表示装置１５に付加的に表示してもよい。
　このように、本実施形態の重症度評価装置２０によれば、患者の全身のＣＴ画像６０からその患者の総合的な重症度７５を短時間で自動的に評価することができ、救命救急医はその患者の総合的な重症度を即座に知ることが可能となる。これにより、救命救急医は、それぞれの患者に対する処置の優先順位を決定することが容易となり、医療資源をそれぞれの患者の重症度に応じて最適に分配することが可能となる。また、救命救急医が、患者の重症度の評価に時間を割くことなく、より多くの時間を患者の処置に割くことが可能となるため、より多くの人命を救うことが可能となる。
　図４は、本発明の第２の実施形態における救命救急支援システム１０１を模式的に示すブロック図である。図４に示すように、本実施形態における救命救急支援システム１０１は、機械学習により部位分類モデル１５１及び疾患情報モデル１５２を生成するモデル生成装置１１０と、モデル生成装置１１０により生成された部位分類モデル１５１及び疾患情報モデル１５２を用いて、患者の身体の状態を測定した測定データ（例えばＣＴ画像）から患者の重症度を評価する重症度評価装置１２０を含んでいる。
　本実施形態におけるモデル生成装置１１０は、図２に示すモデル生成装置１０のハードウェア構成と同様のハードウェア構成を有しており、図４に示すように、後述する第１の教師データ１９１を取得する第１の教師データ取得部１３１と、第１の教師データ取得部１３１により取得された第１の教師データ１９１を用いて後述する部位分類モデル１５１を機械学習により生成する部位分類モデル生成部１３２と、後述する第２の教師データ１９２を取得する第２の教師データ取得部１３３と、第２の教師データ取得部１３３により取得された第２の教師データ１９２を用いて後述する疾患情報モデル１５２を機械学習により生成する疾患情報モデル生成部１３４とを含んでいる。
　また、本実施形態における重症度評価装置１２０は、図３に示す重症度評価装置２０のハードウェア構成と同様のハードウェア構成を有しており、図４に示すように、第１の実施形態の測定データ取得部４１及び重症度算出部４３に加えて、部位分類取得部１４１及び疾患情報取得部１４２を含んでいる。
　本実施形態において使用される第１の教師データ１９１は、過去の多数のＣＴ画像に対してそれぞれのＣＴ画像中に見られる身体部位の解剖学的分類（例えば「肝臓」、「膵臓」、「脾臓」など）をラベル付けしたものである。また、本実施形態において使用される第２の教師データ１９２は、過去の多数のＣＴ画像に対してそれぞれのＣＴ画像中に見られる身体部位の解剖学的分類とともに当該身体部位の疾患に関する情報（例えば疾患の度合い）を疾患情報としてラベル付けしたものである。
　これらの第１の教師データ１９１及び第２の教師データ１９２は、モデル生成装置１１０とネットワークを介して接続された機器や記憶媒体、あるいはモデル生成装置１１０内の記憶デバイス１４（図２参照）に保存される。なお、第１の教師データ１９１及び第２の教師データ１９２においてラベルとして用いられる身体部位の分類としては、上述のような解剖学的な分類を用いてもよいし、他の分類を用いてもよい。また、例えば、患者の身体を「頭部」、「胸部」、「腹部」などの大分類で分け、これらの大分類をさらに「骨」、「血管」などの小分類で分けるなどして、多階層化した分類を用いて第１の教師データ１９１及び第２の教師データ１９２のラベル付けを行ってもよい。
　モデル生成装置１１０の第１の教師データ取得部１３１は、第１の教師データ１９１を外部の機器から通信インタフェイス１７を介して取得し、あるいは、記録媒体や記憶デバイス１４から読み出す。第１の教師データ取得部１３１により取得された第１の教師データ１９１は、部位分類モデル生成部１３２における機械学習に用いられる。部位分類モデル生成部１３２は、第１の教師データ１９１を用いた機械学習によって、ＣＴ画像を入力するとそのＣＴ画像中に見られる身体部位の分類を出力することが可能な部位分類モデル１５１を生成する。この部位分類モデル生成部１３２において行われる機械学習の方法は特定のものに限られるものではなく、例えばニューラルネットワークを用いた機械学習であってもよい。部位分類モデル生成部１３２で生成された部位分類モデル１５１は、重症度評価装置１２０とネットワークを介して接続された機器や記憶媒体、あるいは重症度評価装置１２０内の記憶デバイス２４に保存される。
　モデル生成装置１１０の第２の教師データ取得部１３３は、第２の教師データ１９２を外部の機器から通信インタフェイス１７を介して取得し、あるいは、記録媒体や記憶デバイス１４から読み出す。第２の教師データ取得部１３３により取得された第２の教師データ１９２は、疾患情報モデル生成部１３４における機械学習に用いられる。疾患情報モデル生成部１３４は、第２の教師データ１９２を用いた機械学習によって、ＣＴ画像をそのＣＴ画像中に見られる身体部位の分類とともに入力すると疾患情報を出力することが可能な疾患情報モデル１５２を生成する。この疾患情報モデル生成部１３４において行われる機械学習の方法は特定のものに限られるものではなく、例えばニューラルネットワークを用いた機械学習であってもよい。疾患情報モデル生成部１３４で生成された疾患情報モデル１５２は、重症度評価装置１２０とネットワークを介して接続された機器や記憶媒体、あるいは重症度評価装置１２０内の記憶デバイス２４に保存される。
　重症度評価装置１２０においては、測定装置８０によって撮影された患者の全身のＣＴ画像６０が測定データ取得部４１により取得され、部位分類取得部１４１に送られる。この部位分類取得部１４１は、測定装置８０から取得したＣＴ画像６０を上述した部位分類モデル１５１に入力し、それぞれのＣＴ画像６０に対する身体部位の分類（例えば解剖学的分類）１７０を出力として得る。そして、疾患情報取得部１４２は、測定装置８０から取得したＣＴ画像６０を部位分類取得部１４１により得られた分類１７０とともに上述した疾患情報モデル１５２に入力し、それぞれのＣＴ画像６０に対する疾患情報７０を出力として得る。重症度評価装置１２０の重症度算出部４３は、疾患情報取得部１４２により得られたそれぞれのＣＴ画像６０に対する疾患情報７０に基づいて患者の総合的な重症度７５を算出する。
　このようにして算出された患者の重症度７５は、ディスプレイなどの表示装置１５に表示される。これにより、救命救急医は、その患者の総合的な重症度を即座に知ることが可能となる。この場合において、重症度評価装置１２０の重症度算出部４３は、部位分類取得部１４１により得られた分類１７０ごとに患者の重症度７５を算出するように構成されていてもよい。このように構成することで、救命救急医は、例えば救急搬送されてきた患者の重症度を身体部位の分類ごとに（換言すれば臓器ごとに）即座に知ることができる。したがって、その患者の臓器のうち処置を施すべき臓器の優先順位を決定することが容易となり、その患者の救命可能性を高めることができる。
　これまで本発明の好ましい実施形態について説明したが、本発明は上述の実施形態に限定されず、その技術的思想の範囲内において種々異なる形態にて実施されてよいことは言うまでもない。
　以上述べたように、本発明の第１の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にするモデル生成装置が提供される。このモデル生成装置は、人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の疾患に関する情報を示す疾患情報をラベル付けした教師データを取得する教師データ取得部と、上記教師データ取得部により取得された上記教師データを用いて、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを機械学習により生成する疾患情報モデル生成部とを備える。
　本発明の第２の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にするモデル生成装置が提供される。このモデル生成装置は、人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の分類をラベル付けした教師データを取得する教師データ取得部と、上記教師データ取得部により取得された上記教師データを用いて、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の分類を出力する部位分類モデルを機械学習により生成する部位分類モデル生成部とを備える。
　本発明の第３の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にするモデル生成装置が提供される。このモデル生成装置は、人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の分類と該身体部位の疾患に関する情報を示す疾患情報とをラベル付けした教師データを取得する教師データ取得部と、上記教師データ取得部により取得された上記教師データを用いて、人間の身体の状態を測定した測定データ及び該測定データに含まれる身体部位の分類を入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを機械学習により生成する疾患情報モデル生成部とを備える。
　本発明の第４の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にする重症度評価装置が提供される。この重症度評価装置は、患者の身体の状態を測定した複数の測定データを取得する測定データ取得部と、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の疾患に関する情報を示す疾患情報を出力する疾患情報モデルを用いて、上記測定データ取得部により取得された上記複数の測定データからそれぞれの測定データに含まれる身体部位の疾患情報を取得する疾患情報取得部と、上記疾患情報取得部により取得された上記疾患情報に基づいて上記患者の重症度を算出する重症度算出部とを備える。
　本発明の第５の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にする重症度評価装置が提供される。この重症度評価装置は、患者の身体の状態を測定した複数の測定データを取得する測定データ取得部と、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の分類を出力する部位分類モデルを用いて、上記測定データ取得部により取得された上記複数の測定データからそれぞれに含まれる身体部位の分類を取得する部位分類取得部と、人間の身体の状態を測定した測定データ及び該測定データに含まれる身体部位の分類を入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを用いて、上記測定データ取得部により取得された上記複数の測定データと上記部位分類取得部により取得された身体部位の分類とからそれぞれの測定データに含まれる身体部位の疾患情報を取得する疾患情報取得部と、上記疾患情報取得部により取得された上記疾患情報に基づいて上記患者の重症度を算出する重症度算出部とを備える。上記重症度算出部は、上記身体部位の分類ごとに上記患者の重症度を算出するように構成されていてもよい。
　本発明の一態様に係る構成によれば、測定データに含まれる身体部位の疾患情報を出力可能な疾患情報モデルを用いることによって、患者の身体の状態を測定した複数の測定データからその患者の重症度を短時間で自動的に評価することができ、患者の重症度を即座に医師に知らしめることが可能となる。これによって、医療資源をそれぞれの患者の重症度に応じて最適に分配することが可能となり、最適化された医療の提供が可能となる。
　上記重症度算出部は、身体所見、他の測定データ（例えば、血圧や体温、脈拍や経皮的動脈血酸素飽和度（SpO2）、三次元計測データ、採血データ、生理学的検査データ、レントゲン検査データ、エコー検査データ、生命兆候を示すデータなど）、及び患者の疾患原因に関するデータ（救急隊からの情報（例えば、患者の疾患原因（交通事故、転倒、火災など）や事故の発生状況、目撃情報、身体所見、及び生体情報モニタからの測定データ）、過去に担当した医師からの情報、カルテ、過去の検査結果など）のうち少なくとも１つをさらに考慮して上記患者の重症度を算出するように構成されていてもよい。また、上記測定データは、ＣＴ画像、ＭＲＩ画像、三次元計測データ、採血データ、心電、呼吸機能データなどの生理学的検査データ、レントゲン検査データ、エコー検査データ、及び生命兆候を示すデータのうち少なくとも１つを含んでいてもよい。
　本発明の一態様によれば、測定データに含まれる身体部位の疾患情報を出力可能な疾患情報モデルを用いることによって、患者の身体の状態を測定した複数の測定データからその患者の重症度を短時間で自動的に評価することができ、患者の重症度を即座に医師に知らしめることが可能となる。これによって、医療資源をそれぞれの患者の重症度に応じて最適に分配することが可能となり、最適化された医療の提供が可能となる。
　本出願は、２０１９年１０月２５日に提出された日本国特許出願特願２０１９－１９４６３３号に基づくものであり、当該出願の優先権を主張するものである。当該出願の開示は参照によりその全体が本明細書に組み込まれる。
　本発明は、救命救急が必要な患者の重症度を評価する重症度評価装置に好適に用いられる。
　　１　　　救命救急支援システム
　１０　　　モデル生成装置
　２０　　　重症度評価装置
　３１　　　教師データ取得部
　３２　　　疾患情報モデル生成部
　４１　　　測定データ取得部
　４２　　　疾患情報取得部
　４３　　　重症度算出部
　５０　　　疾患情報モデル
　６０　　　ＣＴ画像
　７０　　　疾患情報
　７５　　　重症度
　８０　　　測定装置
　９０　　　教師データ
１０１　　　救命救急支援システム
１１０　　　モデル生成装置
１２０　　　重症度評価装置
１３１　　　第１の教師データ取得部
１３２　　　部位分類モデル生成部
１３３　　　第２の教師データ取得部
１３４　　　疾患情報モデル生成部
１４１　　　部位分類取得部
１４２　　　疾患情報取得部
１５１　　　部位分類モデル
１５２　　　疾患情報モデル
１９１　　　第１の教師データ
１９２　　　第２の教師データ

Claims (9)

  1. 　人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の疾患に関する情報を示す疾患情報をラベル付けした教師データを取得する教師データ取得部と、
    　前記教師データ取得部により取得された前記教師データを用いて、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを機械学習により生成する疾患情報モデル生成部と
    を備える、モデル生成装置。
  2. 　人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の分類をラベル付けした教師データを取得する教師データ取得部と、
    　前記教師データ取得部により取得された前記教師データを用いて、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の分類を出力する部位分類モデルを機械学習により生成する部位分類モデル生成部と
    を備える、モデル生成装置。
  3. 　人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の分類と該身体部位の疾患に関する情報を示す疾患情報とをラベル付けした教師データを取得する教師データ取得部と、
    　前記教師データ取得部により取得された前記教師データを用いて、人間の身体の状態を測定した測定データ及び該測定データに含まれる身体部位の分類を入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを機械学習により生成する疾患情報モデル生成部と
    を備える、モデル生成装置。
  4. 　前記測定データは、ＣＴ画像、ＭＲＩ画像、三次元計測データ、採血データ、生理学的検査データ、レントゲン検査データ、エコー検査データ、及び生命兆候を示すデータのうち少なくとも１つを含む、請求項１から３のいずれか一項に記載のモデル生成装置。
  5. 　患者の身体の状態を測定した複数の測定データを取得する測定データ取得部と、
    　人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の疾患に関する情報を示す疾患情報を出力する疾患情報モデルを用いて、前記測定データ取得部により取得された前記複数の測定データからそれぞれの測定データに含まれる身体部位の疾患情報を取得する疾患情報取得部と、
    　前記疾患情報取得部により取得された前記疾患情報に基づいて前記患者の重症度を算出する重症度算出部と
    を備える、重症度評価装置。
  6. 　患者の身体の状態を測定した複数の測定データを取得する測定データ取得部と、
    　人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の分類を出力する部位分類モデルを用いて、前記測定データ取得部により取得された前記複数の測定データからそれぞれに含まれる身体部位の分類を取得する部位分類取得部と、
    　人間の身体の状態を測定した測定データ及び該測定データに含まれる身体部位の分類を入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを用いて、前記測定データ取得部により取得された前記複数の測定データと前記部位分類取得部により取得された身体部位の分類とからそれぞれの測定データに含まれる身体部位の疾患情報を取得する疾患情報取得部と、
    　前記疾患情報取得部により取得された前記疾患情報に基づいて前記患者の重症度を算出する重症度算出部と
    を備える、重症度評価装置。
  7. 　前記重症度算出部は、前記身体部位の分類ごとに前記患者の重症度を算出するように構成される、請求項６に記載の重症度評価装置。
  8. 　前記重症度算出部は、身体所見、他の測定データ、及び患者の疾患原因に関するデータのうち少なくとも１つをさらに考慮して前記患者の重症度を算出するように構成される、請求項５から７のいずれか一項に記載の重症度評価装置。
  9. 　前記測定データは、ＣＴ画像、ＭＲＩ画像、三次元計測データ、採血データ、生理学的検査データ、レントゲン検査データ、エコー検査データ、及び生命兆候を示すデータのうち少なくとも１つを含む、請求項５から８のいずれか一項に記載の重症度評価装置。
PCT/JP2020/047802 2019-10-25 2020-12-22 重症度評価装置及びモデル生成装置 WO2021080024A2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP20878640.0A EP4020493A4 (en) 2019-10-25 2020-12-22 SEVERITY EVALUATION DEVICE AND MODEL GENERATION METHOD
US17/762,494 US20220344048A1 (en) 2019-10-25 2020-12-22 Severity evaluation apparatus and model generation apparatus

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019194633A JP7100901B2 (ja) 2019-10-25 2019-10-25 重症度評価装置、重症度評価方法、及びプログラム
JP2019-194633 2019-10-25

Publications (2)

Publication Number Publication Date
WO2021080024A2 true WO2021080024A2 (ja) 2021-04-29
WO2021080024A3 WO2021080024A3 (ja) 2021-06-17

Family

ID=75620176

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/047802 WO2021080024A2 (ja) 2019-10-25 2020-12-22 重症度評価装置及びモデル生成装置

Country Status (4)

Country Link
US (1) US20220344048A1 (ja)
EP (1) EP4020493A4 (ja)
JP (2) JP7100901B2 (ja)
WO (1) WO2021080024A2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022163402A (ja) 2021-04-14 2022-10-26 住友化学株式会社 樹脂組成物及び成形体

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019194633A (ja) 2018-05-01 2019-11-07 キヤノン株式会社 液体現像剤

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7337121B1 (en) * 1999-03-30 2008-02-26 Iso Claims Services, Inc. Claim assessment model
US6480627B1 (en) 1999-06-29 2002-11-12 Koninklijke Philips Electronics N.V. Image classification using evolved parameters
JP5670695B2 (ja) 2010-10-18 2015-02-18 ソニー株式会社 情報処理装置及び方法、並びにプログラム
EP3274886A1 (en) 2015-03-27 2018-01-31 Patient Identification Platform Inc. Methods and apparatus related to electronic display of a human avatar with display properties particularized to health risks of a patient
JP2018175227A (ja) * 2017-04-10 2018-11-15 富士フイルム株式会社 医用画像表示装置、方法およびプログラム
US20190021677A1 (en) * 2017-07-18 2019-01-24 Siemens Healthcare Gmbh Methods and systems for classification and assessment using machine learning
JP7170000B2 (ja) 2018-01-24 2022-11-11 富士フイルム株式会社 学習システム、方法及びプログラム
JP7035569B2 (ja) * 2018-01-31 2022-03-15 コニカミノルタ株式会社 医用画像処理装置
JP6843785B2 (ja) 2018-02-28 2021-03-17 富士フイルム株式会社 診断支援システム、診断支援方法、及びプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019194633A (ja) 2018-05-01 2019-11-07 キヤノン株式会社 液体現像剤

Also Published As

Publication number Publication date
JP2021068309A (ja) 2021-04-30
JP7425508B2 (ja) 2024-01-31
US20220344048A1 (en) 2022-10-27
EP4020493A2 (en) 2022-06-29
JP7100901B2 (ja) 2022-07-14
JP2022118244A (ja) 2022-08-12
EP4020493A4 (en) 2023-09-06
WO2021080024A3 (ja) 2021-06-17

Similar Documents

Publication Publication Date Title
Teng et al. Gait characteristics associated with a greater increase in medial knee cartilage T1ρ and T2 relaxation times in patients undergoing anterior cruciate ligament reconstruction
Campbell et al. Pilot study of a 3-dimensional method for analysis of pronation of the first metatarsal of hallux valgus patients
Ciccotti et al. Stress ultrasound evaluation of medial elbow instability in a cadaveric model
Papannagari et al. Function of posterior cruciate ligament bundles during in vivo knee flexion
van Eck et al. Methods to diagnose acute anterior cruciate ligament rupture: a meta-analysis of instrumented knee laxity tests
Jeffery The role of computed tomography in adult post-mortem examinations: an overview
Cafarelli et al. Postmortem imaging: an update
Batty et al. The Kaplan fibers of the iliotibial band can be identified on routine knee magnetic resonance imaging
Kelly et al. Collaboration between radiological technologists (radiographers) and junior doctors during image interpretation improves the accuracy of diagnostic decisions
Ambrisko et al. Assessment of distribution of ventilation by electrical impedance tomography in standing horses
de Froidmont et al. Virtual anthropology: a comparison between the performance of conventional X-ray and MDCT in investigating the trabecular structure of long bones
Marsh et al. Effect of posterior horn medial meniscus root tear on in vivo knee kinematics
Kress et al. Quantitative analysis of MRI signal intensity as a tool for evaluating tooth pulp vitality
Bernhardt et al. Observer variability in the assessment of the acromiohumeral interval using anteroposterior shoulder radiographs
Seifert et al. Effect of bundle set interventions on physiologic alarms and alarm fatigue in an intensive care unit: A quality improvement project
WO2021080024A2 (ja) 重症度評価装置及びモデル生成装置
Englander et al. A comparison of knee abduction angles measured by a 3D anatomic coordinate system versus videographic analysis: implications for anterior cruciate ligament injury
on Neurologic et al. ACR Appropriateness Criteria® penetrating neck injury
JP2021058569A (ja) 画像処理装置及びプログラム
Kabaev et al. Visualization and Analysis of the Shoulder Joint Biomechanics in Postoperative Rehabilitation.
Lerch et al. Assessment of femoral retroversion on preoperative hip magnetic resonance imaging in patients with slipped capital femoral epiphysis: Theoretical implications for hip impingement risk estimation
Gondim Teixeira et al. Quantitative analysis of scapholunate diastasis using stress speckle-tracking sonography: a proof-of-concept and feasibility study
Offiah et al. Diagnostic accuracy of fracture detection in suspected non-accidental injury: the effect of edge enhancement and digital display on observer performance
Benila et al. Augmented Reality Based Doctor's Assistive System
Qian [Retracted] Evaluation of the Effect of Refined Nursing Intervention on Coronary CT Imaging Microscopy

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: 20878640

Country of ref document: EP

Kind code of ref document: A2

ENP Entry into the national phase

Ref document number: 2020878640

Country of ref document: EP

Effective date: 20220323

NENP Non-entry into the national phase

Ref country code: DE