WO2021215495A1 - 予測支援システム、予測支援方法、予測支援プログラム、記録媒体、学習用データセットおよび学習済みモデルの生成方法 - Google Patents

予測支援システム、予測支援方法、予測支援プログラム、記録媒体、学習用データセットおよび学習済みモデルの生成方法 Download PDF

Info

Publication number
WO2021215495A1
WO2021215495A1 PCT/JP2021/016284 JP2021016284W WO2021215495A1 WO 2021215495 A1 WO2021215495 A1 WO 2021215495A1 JP 2021016284 W JP2021016284 W JP 2021016284W WO 2021215495 A1 WO2021215495 A1 WO 2021215495A1
Authority
WO
WIPO (PCT)
Prior art keywords
bed
patient
disease
prediction
severity
Prior art date
Application number
PCT/JP2021/016284
Other languages
English (en)
French (fr)
Inventor
英次 麻野井
芳樹 澤
繁 宮川
池川　直
Original Assignee
国立大学法人大阪大学
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 国立大学法人大阪大学 filed Critical 国立大学法人大阪大学
Priority to EP21792328.3A priority Critical patent/EP4141884A4/en
Priority to JP2022517087A priority patent/JPWO2021215495A1/ja
Priority to US17/920,398 priority patent/US20230157634A1/en
Publication of WO2021215495A1 publication Critical patent/WO2021215495A1/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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1115—Monitoring leaving of a patient support, e.g. a bed or a wheelchair
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6892—Mats
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors

Definitions

  • the present invention relates to a technique for supporting the prediction of the severity of a disease, and more particularly to a technique for supporting the prediction based on the patient's bed pattern.
  • Patent Document 1 a management system in which a medical institution manages a patient undergoing home medical treatment or home care by utilizing ICT has become widespread (for example, Patent Document 1).
  • information on self-health management such as eating and drinking, exercise amount, blood pressure value, heart rate, respiratory rate, body temperature, blood glucose level, and weight of a patient is provided by a medical service provided at a medical institution. It is transmitted to the device and the health condition of the care recipient is managed. Then, when the patient's heartbeat, blood pressure, respiration, etc. are unstable, the alarm system notifies the patient's family and the attending physician, so that medical assistance can be provided to the patient.
  • Patent Document 1 Even if the health management system described in Patent Document 1 is applied to a heart failure patient, it is not possible to grasp the signs that the heart failure becomes severe from the physiological information such as blood pressure value, heart rate, respiratory rate, and weight. Therefore, in order to grasp the signs that heart failure is becoming more severe, it is necessary for the patient to visit a medical institution and at least take a chest X-ray or perform a blood test, which is a problem that the burden on the patient is heavy. there were.
  • the present invention has been made to solve the above problems, and an object of the present invention is to support the prediction of the severity of a disease without imposing a burden on the patient.
  • Item 1 It is a prediction support system that supports the prediction of the severity of the disease.
  • a detector that continuously detects whether or not a patient with the disease is in bed, and Based on the detection result of the detection device, an acquisition unit that acquires a bed pattern that indicates the presence or absence of the patient in bed in chronological order, and an acquisition unit.
  • Prediction support system Item 2.
  • Item 2. The prediction support system according to Item 1, further comprising a prediction unit for predicting the severity of the disease based on the bed pattern.
  • Item 2 includes a prediction unit that predicts the severity of the disease by using a learned model in which the correlation between the bedtime pattern of a patient having the disease and the severity of the disease is machine-learned.
  • Item 4. The prediction support system according to Item 2 or 3, wherein the prediction unit predicts the severity as a probability that the patient will be in a state requiring hospitalization within a predetermined period.
  • Item 5. The predictive support system according to any one of Items 1 to 4, wherein the disease is heart failure, pneumonia or dementia.
  • Item 6. Item 5.
  • Item 7. A prediction support program for operating a computer as each part of the prediction support system according to any one of Items 1 to 6.
  • Item 8. A computer-readable recording medium on which the prediction support program according to Item 7 is recorded.
  • Item 9. It is a predictive support method that supports the prediction of the severity of the disease.
  • a detection step that continuously detects whether or not a patient with the disease is in bed and Based on the detection result of the detection step, the acquisition step of acquiring the bed pattern indicating the presence or absence of the patient in bed in chronological order, and the acquisition step. Prediction support method.
  • Item 10. A detection step that continuously detects whether or not a patient with the disease is in bed, Based on the detection result of the detection step, the acquisition step of acquiring the bed pattern indicating the presence or absence of the patient in bed in chronological order, and the acquisition step.
  • a learning data set generation step that associates the bed pattern with the severity of the patient's disease to generate a learning data set.
  • a method of generating a training data set Item 11. By machine learning using the learning data set generated by the method according to Item 10, the bed pattern of the unknown patient having the disease is input, and the severity of the disease of the unknown patient is determined.
  • a method of generating a trained model that generates a trained model as output.
  • FIG. 1 is a block diagram showing a schematic configuration of a prediction support system 1 according to an embodiment of the present invention
  • FIG. 2 is a schematic diagram showing an installation example of the prediction support system 1.
  • the prediction support system 1 is a system that supports prediction of the severity of a disease, and includes a detection device 2 and a management device 3.
  • the prediction support system 1 is provided at a place where a patient with a disease lives (for example, at home or a long-term care facility).
  • the diseases targeted in the present invention are mainly heart failure, pneumonia and dementia, but in the present embodiment, heart failure patients are targeted.
  • the detection device 2 is a device that continuously detects whether or not the patient is in bed.
  • the detection device 2 includes a seat sensor 21 and a measurement unit 22.
  • the seat sensor 21 is a piezoelectric sheet sensor made of a thin and soft strip-shaped piezoelectric rubber to be laid, and is provided on a bed that a patient uses on a daily basis.
  • the sheets and comforters laid on the seat sensor 21 are not shown. While the patient is in bed, pressure is applied to the seat sensor 21, and the seat sensor 21 generates an electric signal by the piezoelectric effect.
  • the seat sensor 21 may be provided not only in a bed such as a bed but also in a place (sofa or the like) where the patient can lie down and rest.
  • the measurement unit 22 is connected to the seat sensor 21 and converts the electric signal generated by the seat sensor 21 into a digital signal (floor signal). Further, the measurement unit 22 has a function of communicating with the management device 3 using Bluetooth (registered trademark), and periodically (for example, 1 second) sends the digital signal to the management device 3 as a detection result of the detection device 2. Send (for each).
  • Bluetooth registered trademark
  • the management device 3 is composed of a smartphone.
  • the management device 3 may be configured by a general-purpose computer, or may be provided on the cloud as long as it can directly or indirectly communicate with the measurement unit 22. Further, the function of the management device 3 may be built into the detection device 2, and the detection device 2 and the management device 3 may be configured as a single device.
  • the management device 3 includes a display unit 31, a storage unit 32, an acquisition unit 33, and a prediction unit 34.
  • the display unit 31 can be composed of, for example, a liquid crystal display or an organic EL display.
  • the storage unit 32 can be configured by, for example, a flash memory, and stores various data including the bed pattern D1 and the trained model D2.
  • Each part of the acquisition unit 33 and the prediction unit 34 may be realized in terms of hardware by a logic circuit or the like, or may be realized in terms of software by using a CPU or the like.
  • the prediction support program according to the present invention can be realized by the CPU of the management device 3 reading the prediction support program into the main storage device and executing the part.
  • the prediction support program may be downloaded to the management device 3 via a communication network such as the Internet, or the prediction support program may be recorded on a computer-readable non-temporary recording medium such as an SD card and stored in the storage. It may be installed in the management device 3 via a medium.
  • the acquisition unit 33 has a function of acquiring the bed pattern D1 indicating the presence or absence of the patient in bed in time series based on the detection result of the detection device 2. Specifically, the acquisition unit 33 receives a digital signal indicating whether or not the patient is in bed from the measurement unit 22, and stores it in the storage unit 32. As a result, the presence or absence of the patient in bed in a time series from the start of measurement is accumulated as the bed pattern D1.
  • the sympathetic nerves are constantly in a tense state, and as a result, symptoms such as not being able to obtain a deep sleep, increasing the number of times of turning over during sleep, and awakening appear, and sleep is divided. As the condition progresses further, the lifestyle pattern changes to staying in bed during the day.
  • the inventors of the present application focused on the fact that such changes in behavioral patterns due to poor physical condition are sensitively reflected in the daily bed pattern, and analyzed the bed pattern over time, not just the time spent in bed. It was found that by doing so, the signs of exacerbation of the disease can be grasped.
  • FIG. 3 shows an example of the bed pattern of a patient with moderate heart failure
  • FIG. 4 shows an example of a bed pattern of a patient with severe heart failure.
  • the timelines of the day extending in the horizontal direction are arranged in a matrix in the vertical direction, and the timeline is shown in black when the patient is in bed, and the patient leaves the bed. The time spent is shown in white on the timeline.
  • the prediction unit 34 has a function of predicting the severity of the disease based on the bed pattern D1.
  • the prediction unit 34 applies the bed pattern D1 for a predetermined period (for example, 30 days) to the trained model D2 in which the correlation between the bed pattern of the heart failure patient and the severity of heart failure is machine-learned. Predict the severity of heart failure by typing. The method of generating the trained model D2 will be described later.
  • the mode of expressing the severity is not particularly limited, but in the present embodiment, the prediction unit 34 predicts the probability that the patient will be in a state requiring hospitalization within a predetermined period (for example, within 30 days) as the severity.
  • the prediction result of the prediction unit 34 is displayed on the display unit 31 and transmitted to a predetermined medical institution via the Internet.
  • FIG. 5 is a flowchart showing a processing procedure of a prediction support method that supports prediction of the severity of a disease using the prediction support system 1 according to the present embodiment.
  • step S1 detection step
  • step S2 acquisition step
  • step S3 prediction step
  • step S4 prediction step
  • step S4 the prediction result is displayed on the display unit 31 and transmitted to a medical institution or the like.
  • the severity of the disease is predicted based on the bed pattern D1 which shows the presence or absence of the patient in bed in chronological order.
  • This enables the patient and medical personnel such as the attending physician to constantly grasp the current state of the patient and predict the situation that may occur in the future.
  • patients with heart failure have a poor prognosis once they become severe enough to require hospitalization, but in this embodiment, early detection of exacerbation of heart failure using a bed-based pattern enables early intervention. become. As a result, it leads to exacerbation of the disease and suppression of hospitalization, and not only the QOL of the patient but also the effect of reducing medical expenses can be expected.
  • the bed pattern D1 can be collected by using the detection device 2 composed of the seat sensor 21, it is not necessary to restrain the patient and wear the sensor, and the patient visits a medical institution. There is no need. Therefore, it is possible to support the prediction of the severity of the disease without imposing a burden on the patient. Further, since the floor pattern D1 is only data indicating the presence or absence of the floor, the load on the communication device is small and the prediction support system 1 can be easily constructed.
  • FIG. 6 is a flowchart showing a processing procedure of a method of generating the trained model D2.
  • the detection device 2 shown in FIGS. 1 and 2 is used to continuously detect whether or not the patient is in bed (step S11, detection step). Based on the detection result of step S1, the patient's bedtime pattern is acquired (step S12, acquisition step).
  • step S13 information on the severity of the heart failure patient is acquired.
  • the information regarding the severity is the presence or absence of hospitalization and the period until hospitalization. For example, when a patient is hospitalized within a predetermined period (within 30 days) after acquiring the bed pattern, the number of days from the acquisition of the bed pattern to hospitalization is used as information on the severity.
  • a learning data set (teacher data) is generated by associating the bedtime pattern with the severity of the patient's disease.
  • Multiple learning data can be generated from one patient. For example, when a 60-day bedtime pattern is acquired for the patient, 30 30-day bedtime patterns whose starting point is the 1st to 30th day are extracted from the bedtime pattern. Then, 30 learning data can be generated by associating the number of days from the last day of the bed pattern to the day of hospitalization with each of the extracted bed patterns.
  • steps S11 to S14 By repeating the processes of steps S11 to S14, the learning data is accumulated and the learning data set is generated.
  • the processes of steps S11 to S14 are performed on a plurality of patients until the amount of data in the learning data set becomes sufficient (YES in step S15).
  • step S16 machine learning is performed using the learning data set to input the bed pattern of an unknown patient having a disease and output the severity of the disease of the unknown patient.
  • the trained model D2 is generated.
  • the method of machine learning is not particularly limited, but for example, deep learning can be used.
  • the prediction unit 34 uses the trained model D2 to predict the severity of the disease, but the prediction can be made using, for example, an image analysis technique without using the artificial intelligence algorithm. good. Further, without using the prediction unit 34, the bed pattern D1 for a predetermined period is displayed on the display unit 31, or is transmitted to a medical institution or the like, and the doctor or the like visually observes the bed pattern D1 to cause a disease. The severity of the disease may be determined.
  • a detection device having a piezoelectric sheet sensor is used to detect the presence or absence of the patient in bed, but the means for detecting the presence or absence of the patient in bed is not particularly limited.
  • the presence or absence of the patient in bed may be detected by a camera or a motion sensor. Even with such means, the patient does not have to visit a medical institution and is not burdened.
  • the body motion sensor can simultaneously measure biological information (vital data) such as heartbeat and respiration, which can distinguish between the case where an object is placed on the bed and the case where the person is lying down, so that the patient's body can be more accurately measured. It is possible to detect the presence or absence of bed rest.
  • biological information such as heartbeat and respiration
  • the severity of heart failure is predicted, but the disease is not particularly limited as long as it is a disease in which the patient's bed pattern changes according to the severity.
  • diseases include, for example, pneumonia and dementia.
  • neurodegeneration such as cholinergic neurons in the Nucleus basalis, pedunculopontine nucleus, posterolateral pedunculopontine nucleus, and noradrenaline neurons in the brain stem leads to a decrease in REM sleep, resulting in REM sleep. It leads to sleep behavioral disorders and sleep-breathing disorders, disrupts sleep at night, and changes the sleeping pattern.
  • the inventors of the present application conducted a clinical study from August 2017 to March 2019, in which a piezoelectric sheet sensor was used to collect a bed signal indicating the presence or absence of a patient in bed every second. Specifically, daily bedtime signals were collected for 18 patients with heart failure. During the clinical study, 14 hospitalization events occurred due to exacerbation of heart failure. The bed pattern of hospitalized patients for 30 days before admission (Fig. 4) is more irregular and significantly different from the bed pattern of patients whose condition was stable without hospitalization (Fig. 3). Was recognized.
  • a trained model is generated. It was found that the trained model can be used to predict the severity of unspecified patients with heart failure based on their bedtime patterns. In particular, it can be expected to be effective in early detection of changes in the pathological condition of heart failure patients who are repeatedly readmitted to the hospital.

Abstract

疾患の重症度の予測を支援する予測支援システム１であって、前記疾患を有する患者が在床しているか否かを継続的に検出する検出装置２と、検出装置２の検出結果に基づいて、前記患者の在床の有無を時系列的に示す在床パターンＤ１を取得する取得部３３と、を備える、予測支援システム１。

Description

予測支援システム、予測支援方法、予測支援プログラム、記録媒体、学習用データセットおよび学習済みモデルの生成方法
　本発明は、疾患の重症度の予測を支援する技術に関し、特に、患者の在床パターンに基づいて当該予測を支援する技術に関する。
　従来より、医療機関がＩＣＴを活用して在宅療養あるいは在宅介護中の患者を管理する管理システムが普及している（例えば、特許文献１）。特許文献１に記載の健康管理システムでは、患者の飲食、運動量、血圧値、心拍数、呼吸数、体温、血糖値、体重などの自己健康管理に関する情報が、医療機関に設置された医療サービス提供装置に伝送され、被介護者の健康状態が管理される。そして、患者の心拍、血圧、呼吸等が不安定な場合に、警報システムから患者の家族や主治医に通知することで、患者に対して医療援助を提供することができる。
特開２００９－２２３７４６号公報
　近年、心不全患者が増加しており、特に、高齢者の心不全患者は２０３０年には１３０万人に達すると予想されている。心不全患者は、一旦症状が悪化して入院すると、退院しても悪化する前の状態には戻らず、予後が悪いことが分かっている。そのため、入院を必要とするほど重症化する前に、外来で適切な治療を行うことが重要である。
　しかし、特許文献１に記載の健康管理システムを心不全患者に適用しても、血圧値、心拍数、呼吸数、体重といった生理情報からでは、心不全が重症化する兆候を把握することはできない。そのため、心不全が重症化する兆候を把握するためには、患者が医療機関を受診して、少なくとも胸部レントゲン写真を撮影するか、血液検査を実施する必要があり、患者の負担が大きいという問題があった。
　本発明は、上記問題を解決するためになされたものであって、患者に負担を強いることなく、疾患の重症度の予測を支援することを課題とする。
　上記課題を解決するために、本発明は以下の態様を含む。
項１．
　疾患の重症度の予測を支援する予測支援システムであって、
　前記疾患を有する患者が在床しているか否かを継続的に検出する検出装置と、
　前記検出装置の検出結果に基づいて、前記患者の在床の有無を時系列的に示す在床パターンを取得する取得部と、
を備える、予測支援システム。
項２．
　前記在床パターンに基づいて、前記疾患の重症度を予測する予測部をさらに備える、項１に記載の予測支援システム。
項３．
　前記予測部は、前記疾患を有する患者の前記在床パターンと、前記疾患の重症度との相関関係を機械学習させた学習済みモデルを用いて、前記疾患の重症度を予測する、項２に記載の予測支援システム。
項４．
　前記予測部は、前記重症度を、所定期間内に前記患者が入院を必要とする状態になる確率として予測する、項２または３に記載の予測支援システム。
項５．
　前記疾患は、心不全、肺炎または認知症である、項１～４のいずれかに記載の予測支援システム。
項６．
　前記疾患は、心不全である、項５に記載の予測支援システム。
項７．
　項１～６のいずれかに記載の予測支援システムの各部としてコンピュータを動作させるための予測支援プログラム。
項８．
　項７に記載の予測支援プログラムを記録したコンピュータ読み取り可能な記録媒体。
項９．
　疾患の重症度の予測を支援する予測支援方法であって、
　前記疾患を有する患者が在床しているか否かを継続的に検出する検出ステップと、
　前記検出ステップの検出結果に基づいて、前記患者の在床の有無を時系列的に示す在床パターンを取得する取得ステップと、
を備える、予測支援方法。
項１０．
　疾患を有する患者が在床しているか否かを継続的に検出する検出ステップと、
　前記検出ステップの検出結果に基づいて、前記患者の在床の有無を時系列的に示す在床パターンを取得する取得ステップと、
　前記在床パターンを、前記患者の疾患の重症度と関連付けて学習用データセットを生成する学習用データセット生成ステップと、
を備える、学習用データセットの生成方法。
項１１．
　項１０に記載の方法によって生成された学習用データセットを用いて機械学習させることにより、前記疾患を有する未知の患者の前記在床パターンを入力とし、前記未知の患者の前記疾患の重症度を出力とする学習済みモデルを生成する、学習済みモデルの生成方法。
　本発明によれば、患者に負担を強いることなく、疾患の重症度の予測を支援することができる。
本発明の一実施形態に係る予測支援システムの概略構成を示すブロック図である。 上記予測支援システムの設置例を示す概略図である。 中等症心不全患者の在床パターンの一例である。 重症心不全患者の在床パターンの一例である。 本発明の一実施形態に係る予測支援方法の処理手順を示すフローチャートである。 学習済みモデルの生成方法の処理手順を示すフローチャートである。
　以下、本発明の実施形態について添付図面を参照して説明する。なお、本発明は、下記の実施形態に限定されるものではない。
　（システム構成）
　図１は、本発明の一実施形態に係る予測支援システム１の概略構成を示すブロック図であり、図２は、予測支援システム１の設置例を示す概略図である。予測支援システム１は、疾患の重症度の予測を支援するシステムであり、検出装置２と、管理装置３とを備えている。予測支援システム１は、疾患を有する患者が居住している場所（例えば、自宅や老健施設）に設けられる。なお、本発明において対象となる疾患は、主に、心不全、肺炎および認知症であるが、本実施形態では、心不全患者を対象とする。
　検出装置２は、患者が在床しているか否かを継続的に検出する装置である。検出装置２は、シートセンサ２１および計測ユニット２２を備えている。
　図２に示すように、シートセンサ２１は、敷く薄く柔らかい帯状の圧電ゴムで構成された圧電型シートセンサであり、患者が日常的に使用するベッド上に設けられる。なお、図２では、シートセンサ２１上に敷かれるシーツや掛け布団の図示を省略している。患者が在床している間は、シートセンサ２１に圧力が印加され、シートセンサ２１は、圧電効果によって電気信号を発生する。
　本実施形態において、在床とは、睡眠状態であるか否かに関わらず、横たわっていることを意味する。そのため、シートセンサ２１は、ベッド等の寝床だけでなく、患者が横たわって休息することができる場所（ソファ等）にも設けてもよい。
　計測ユニット２２は、シートセンサ２１に接続されており、シートセンサ２１が発生した電気信号をデジタル信号（在床信号）に変換する。また、計測ユニット２２は、管理装置３とＢｌｕｅｔｏｏｔｈ（登録商標）を用いて通信する機能を有しており、前記デジタル信号を検出装置２の検出結果として管理装置３に定期的に（例えば１秒ごとに）送信する。
　図２に示すように、管理装置３は、スマートフォンで構成されている。なお、管理装置３は、汎用のコンピュータで構成してもよく、計測ユニット２２と直接的または間接的に通信可能であれば、クラウド上に設けてもよい。また、管理装置３の機能を検出装置２に内蔵させて、検出装置２および管理装置３を単一の装置として構成してもよい。
　図１に示すように、管理装置３は、表示部３１と、記憶部３２と、取得部３３と、予測部３４とを備えている。
　表示部３１は、例えば液晶ディスプレイや有機ＥＬディスプレイで構成することができる。記憶部３２は、例えばフラッシュメモリで構成することができ、在床パターンＤ１および学習済みモデルＤ２を含む各種データを記憶している。
　取得部３３および予測部３４の各部は、論理回路等によってハードウェア的に実現してもよいし、ＣＰＵ等を用いてソフトウェア的に実現してもよい。前記各部をソフトウェア的に実現する場合、本発明に係る予測支援プログラムを、管理装置３のＣＰＵが主記憶装置に読み出して実行することにより前記各部を実現することができる。予測支援プログラムは、インターネット等の通信ネットワークを介して管理装置３にダウンロードしてもよいし、ＳＤカード等のコンピュータ読み取り可能な非一時的な記録媒体に予測支援プログラムを記録しておき、当該記憶媒体を介して管理装置３にインストールしてもよい。
　取得部３３は、検出装置２の検出結果に基づいて、前記患者の在床の有無を時系列的に示す在床パターンＤ１を取得する機能を有している。具体的には、取得部３３は、計測ユニット２２から患者の在床の有無を示すデジタル信号を受信し、記憶部３２に保存する。これにより、計測開始からの時系列的な患者の在床の有無が在床パターンＤ１として蓄積される。
　ここで、在床パターンＤ１と、疾患の重症度（進行度）との関連について説明する。
　従来より、様々な疾患において、体調不良あるいは病態が進行すると、夜間だけでなく昼間も臥床するため、在床時間が長くなることが知られていた。例えば、心不全患者に関しては、本願の発明者らが行った臨床研究において、心不全が増悪する前に、在床時間（臥床時間）が長くなる傾向が認められた。しかし、在床時間は、生活のサイクル等により個人差が大きいため、在床時間の合計から病態を予測することには限界があった。
　一方、加齢や疾病の発症・増悪により人の行動様式に変化が現れる。具体的には、心不全患者の場合、病態が進行すると、体に水分が貯まってくる（体液貯留症候群）。離床している間は、水分は脚に貯まってくるが、在床している間は、脚と心臓とで水位が等しくなる。これにより、脚の静脈の血圧が下がるため、水分が血管内に戻り、心臓に戻る血液の量が増え、心臓に負担がかかり心不全の病態が進行しやすくなる。あわせて、腎臓への血流も増加するため、夜間頻尿の症状が現れる。さらに、心不全の病態が進行すると、交感神経が常に緊張した状態となり、その結果、深い眠りが得られず睡眠中に寝返りの回数が増えたり、覚醒するといった症状が現れ、睡眠が分断される。さらに病態が進行すると、昼間も在床するという生活パターンに変化する。
　本願の発明者らは、このような体調不良による行動様式の変化が一日の在床パターンに鋭敏に反映されることに着目し、単なる在床時間ではなく、在床パターンの経時的解析を行うことにより、疾患の増悪の徴候を把握できることを見出した。
　図３は、中等症心不全患者の在床パターンの一例を示しており、図４は、重症心不全患者の在床パターンの一例を示している。図３および図４では、横方向に延びる１日のタイムラインが縦方向にマトリクス状に配列されており、患者が在床している時間は、タイムラインを黒で示し、患者が離床している時間は、タイムラインを白で示している。
　図３に示す在床パターンでは、患者は夜間に１回または２回離床しているが、昼間は在床していないことが分かる。一方、図４に示す在床パターンでは、患者は夜間の離床回数および離床時間が多くなるとともに、昼間も在床している日もあることが分かる。このように、心不全が進行することによって、在床パターンの規則性に乱れが生じる。
　予測部３４は、在床パターンＤ１に基づいて、疾患の重症度を予測する機能を有している。本実施形態では、予測部３４は、心不全患者の在床パターンと、心不全の重症度との相関関係を機械学習させた学習済みモデルＤ２に、所定期間（例えば３０日間）の在床パターンＤ１を入力することにより、心不全の重症度を予測する。学習済みモデルＤ２の生成方法については、後述する。重症度を表わす態様は特に限定されないが、本実施形態では、予測部３４は、所定期間内（例えば３０日以内）に患者が入院を必要とする状態になる確率を重症度として予測する。予測部３４の予測結果は、表示部３１に表示されるとともに、インターネットを介して所定の医療機関に送信される。
　（処理手順）
　図５は、本実施形態に係る予測支援システム１を用いて疾患の重症度の予測を支援する予測支援方法の処理手順を示すフローチャートである。ステップＳ１（検出ステップ）では、検出装置２によって、患者が在床しているか否かを継続的に検出する。ステップＳ２（取得ステップ）では、ステップＳ１の検出結果に基づいて、取得部３３が患者の在床の有無を時系列的に示す在床パターンＤ１を取得する。ステップＳ３（予測ステップ）では、予測部３４が、在床パターンＤ１に基づいて、疾患の重症度を予測する。ステップＳ４では、予測結果を表示部３１に表示するとともに、医療機関等に送信する。
　以上のように、本実施形態では、患者の在床の有無を時系列的に示す在床パターンＤ１に基づいて疾患の重症度を予測している。これにより、患者、および主治医等の医療関係者は、患者の現在の状態を常時把握するとともに、今後起こりうる状況の予測が可能になる。また、特に心不全患者は一旦入院を必要とするほど重症化すると予後が悪くなるが、本実施形態では、在床パターンを用いて心不全の増悪を早期に検出することにより、早期の治療介入が可能になる。その結果、疾患の増悪や入院の抑制につながり、患者のＱＯＬのみならず医療費削減効果も期待できる。
　また、在床パターンＤ１は、シートセンサ２１で構成される検出装置２を用いて収集することができるため、患者を拘束してセンサを装着する必要がなく、また、患者は医療機関を受診する必要もない。よって、患者に負担を強いることなく、疾患の重症度の予測を支援することができる。また、在床パターンＤ１は、在床の有無を示すだけのデータであるため、通信機器の負荷が少なく、予測支援システム１の構築も容易である。
　（学習済みモデルの生成方法）
　続いて、学習済みモデルＤ２について説明する。図６は、学習済みモデルＤ２の生成方法の処理手順を示すフローチャートである。まず、在宅療養中の一人の心不全患者に対し、図１および図２に示す検出装置２を用いて、患者が在床しているか否かを継続的に検出し（ステップＳ１１、検出ステップ）、ステップＳ１の検出結果に基づいて、患者の在床パターンを取得する（ステップＳ１２、取得ステップ）。
　ステップＳ１３では、心不全患者の重症度に関する情報を取得する。本実施形態では、重症度に関する情報は、入院の有無および入院するまでの期間である。例えば、在床パターンを取得してから所定期間内（３０日以内）に患者が入院した場合、在床パターンを取得してから入院するまでの日数を、重症度に関する情報とする。
　ステップＳ４（学習用データセット生成ステップ）では、在床パターンを、患者の疾患の重症度と関連付けて学習用データセット（教師データ）を生成する。学習用データは、一人の患者から複数生成することができる。例えば、当該患者について６０日間の在床パターンを取得した場合、当該在床パターンから、開始点を１日目～３０日目とする３０日間の在床パターンを３０個抽出する。そして、抽出した各在床パターンに対して、当該在床パターンの末日から入院した日までの日数を関連付けることにより、３０個の学習用データを生成することができる。
　ステップＳ１１～Ｓ１４の処理を繰り返すことにより、学習用データが蓄積され、学習用データセットが生成される。学習用データセットのデータ量が十分になるまで（ステップＳ１５においてＹＥＳ）、複数の患者に対してステップＳ１１～Ｓ１４の処理が実施される。
　その後、ステップＳ１６（学習済みモデル生成ステップ）では、学習用データセットを用いて機械学習させることにより、疾患を有する未知の患者の在床パターンを入力とし、未知の患者の疾患の重症度を出力とする学習済みモデルＤ２を生成する。機械学習の方法は特に限定されないが、例えば、ディープラーニングを用いることができる。
　（付記事項）
　以上、本発明の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて、種々の変更が可能である。
　上記実施形態では、予測部３４は、学習済みモデルＤ２を用いて疾患の重症度の予測を行っていたが、人工知能アルゴリズムを用いずに、例えば画像解析技術を用いて当該予測を行ってもよい。さらに、予測部３４を用いずに、所定期間の在床パターンＤ１を表示部３１に表示させ、あるいは、医療機関等に送信して、医師等が、在床パターンＤ１を目視することにより、疾患の重症度を判断してもよい。
　また、上記実施形態では、患者の在床の有無を検出するために、圧電型シートセンサを有する検出装置を用いていたが、患者の在床の有無を検出する手段は特に限定されない。例えば、カメラや人感センサによって患者の在床の有無を検出してもよい。このような手段であっても、患者は医療機関を受診する必要がないので、負担を強いられることはない。
　なお、図１および図２に示す検出装置２として、住友理工株式会社製の体動センサを用いることが好ましい。当該体動センサは、心拍や呼吸などの生体情報（バイタルデータ）を同時に計測でき、これにより、寝床に物を置いた場合と人が臥床している場合を識別できるため、さらに正確に患者の在床の有無を検出することができる。
　また、上記実施形態では、心不全を重症度の予測対象としていたが、重症度に応じて患者の在床パターンが変化する疾患であれば、特に限定されない。そのような疾患としては、例えば、肺炎や認知症が挙げられる。
　肺炎患者の場合、病態が進行すると肺の間質の炎症が生じ、それにより呼吸を制御する肺間質にあるセンサが正常に作動しなくなり呼吸が乱れ、それにより深い睡眠が得られず、覚醒しやすくなる。その結果、夜間の睡眠が分断され、在床パターンが変化する。
　認知症患者の場合、例えばアルツハイマー病では、マイネルト基底核、脚橋被蓋核、後外側被蓋核のコリン系ニューロンと、脳幹のノルアドレナリンニューロン等の神経変性が、レム睡眠の減少につながり、レム睡眠行動異常症、睡眠呼吸障害へとつながり、夜間の睡眠が分断され、在床パターンが変化する。
　以下、本発明の実施例について説明する。なお、本発明は下記実施例に限定されない。
　本願の発明者らは、圧電型シートセンサを用いて患者の在床の有無を示す在床信号を１秒ごとに収集する臨床研究を、２０１７年８月から２０１９年３月まで実施した。具体的には、１８名の心不全患者に対し、毎日の在床信号を収集した。臨床研究期間中、心不全増悪による入院イベントが１４件発生した。入院した患者の入院前３０日間の在床パターン（図４）は、入院せずに状態が安定していた患者の在床パターン（図３）と比べ、規則性が乱れており、大きく相違することが認められた。
　この相違から、心不全患者から取得した各在床パターンに、当該患者の入院の有無および入院するまでの期間を関連付けた学習用データセットを用いて機械学習を行い、学習済みモデルを生成することにより、当該学習済みモデルを用いて、不特定の心不全患者について、在床パターンに基づいて重症度を予測することができることが分かった。特に、再入院を繰り返す心不全患者の病態変化の早期検出に威力を発揮することが期待できる。
１　　予測支援システム
２　　検出装置
２１　シートセンサ
２２　計測ユニット
３　　管理装置
３１　表示部
３２　記憶部
３３　取得部
３４　予測部
Ｄ１　在床パターン
Ｄ２　学習済みモデル

Claims (11)

  1. 　疾患の重症度の予測を支援する予測支援システムであって、
    　前記疾患を有する患者が在床しているか否かを継続的に検出する検出装置と、
    　前記検出装置の検出結果に基づいて、前記患者の在床の有無を時系列的に示す在床パターンを取得する取得部と、
    を備える、予測支援システム。
  2. 　前記在床パターンに基づいて、前記疾患の重症度を予測する予測部をさらに備える、請求項１に記載の予測支援システム。
  3. 　前記予測部は、前記疾患を有する患者の前記在床パターンと、前記疾患の重症度との相関関係を機械学習させた学習済みモデルを用いて、前記疾患の重症度を予測する、請求項２に記載の予測支援システム。
  4. 　前記予測部は、前記重症度を、所定期間内に前記患者が入院を必要とする状態になる確率として予測する、請求項２または３に記載の予測支援システム。
  5. 　前記疾患は、心不全、肺炎または認知症である、請求項１～４のいずれかに記載の予測支援システム。
  6. 　前記疾患は、心不全である、請求項５に記載の予測支援システム。
  7. 　請求項１～６のいずれかに記載の予測支援システムの各部としてコンピュータを動作させるための予測支援プログラム。
  8. 　請求項７に記載の予測支援プログラムを記録したコンピュータ読み取り可能な記録媒体。
  9. 　疾患の重症度の予測を支援する予測支援方法であって、
    　前記疾患を有する患者が在床しているか否かを継続的に検出する検出ステップと、
    　前記検出ステップの検出結果に基づいて、前記患者の在床の有無を時系列的に示す在床パターンを取得する取得ステップと、
    を備える、予測支援方法。
  10. 　疾患を有する患者が在床しているか否かを継続的に検出する検出ステップと、
    　前記検出ステップの検出結果に基づいて、前記患者の在床の有無を時系列的に示す在床パターンを取得する取得ステップと、
    　前記在床パターンを、前記患者の疾患の重症度と関連付けて学習用データセットを生成する学習用データセット生成ステップと、
    を備える、学習用データセットの生成方法。
  11. 　請求項１０に記載の方法によって生成された学習用データセットを用いて機械学習させることにより、前記疾患を有する未知の患者の前記在床パターンを入力とし、前記未知の患者の前記疾患の重症度を出力とする学習済みモデルを生成する、学習済みモデルの生成方法。
PCT/JP2021/016284 2020-04-24 2021-04-22 予測支援システム、予測支援方法、予測支援プログラム、記録媒体、学習用データセットおよび学習済みモデルの生成方法 WO2021215495A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP21792328.3A EP4141884A4 (en) 2020-04-24 2021-04-22 PREDICTION SUPPORT SYSTEM, PREDICTION SUPPORT METHOD, PREDICTION SUPPORT PROGRAM, RECORDING MEDIUM, TRAINING DATA SET, AND TRAINED MODEL GENERATION METHOD
JP2022517087A JPWO2021215495A1 (ja) 2020-04-24 2021-04-22
US17/920,398 US20230157634A1 (en) 2020-04-24 2021-04-22 Prediction support system, prediction support method, prediction support program, recording medium, training dataset, and trained model generating method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020077135 2020-04-24
JP2020-077135 2020-04-24

Publications (1)

Publication Number Publication Date
WO2021215495A1 true WO2021215495A1 (ja) 2021-10-28

Family

ID=78269218

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/016284 WO2021215495A1 (ja) 2020-04-24 2021-04-22 予測支援システム、予測支援方法、予測支援プログラム、記録媒体、学習用データセットおよび学習済みモデルの生成方法

Country Status (4)

Country Link
US (1) US20230157634A1 (ja)
EP (1) EP4141884A4 (ja)
JP (1) JPWO2021215495A1 (ja)
WO (1) WO2021215495A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019097829A (ja) * 2017-11-30 2019-06-24 パラマウントベッド株式会社 異常報知装置及びプログラム
JP2019097828A (ja) * 2017-11-30 2019-06-24 パラマウントベッド株式会社 異常報知装置、プログラム及び異常報知方法
JP2019537121A (ja) * 2016-11-02 2019-12-19 日本電気株式会社 医療機関リソース利用を最適化するための方法、コンピューティングシステム、及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019537121A (ja) * 2016-11-02 2019-12-19 日本電気株式会社 医療機関リソース利用を最適化するための方法、コンピューティングシステム、及びプログラム
JP2019097829A (ja) * 2017-11-30 2019-06-24 パラマウントベッド株式会社 異常報知装置及びプログラム
JP2019097828A (ja) * 2017-11-30 2019-06-24 パラマウントベッド株式会社 異常報知装置、プログラム及び異常報知方法

Also Published As

Publication number Publication date
US20230157634A1 (en) 2023-05-25
JPWO2021215495A1 (ja) 2021-10-28
EP4141884A1 (en) 2023-03-01
EP4141884A4 (en) 2024-05-15

Similar Documents

Publication Publication Date Title
Tazawa et al. Evaluating depression with multimodal wristband-type wearable device: screening and assessing patient severity utilizing machine-learning
van Andel et al. Non-EEG based ambulatory seizure detection designed for home use: What is available and how will it influence epilepsy care?
US10055549B2 (en) Method and apparatus for wireless health monitoring and emergent condition prediction
JP6466422B2 (ja) 医療支援システム及び方法
US20190076098A1 (en) Artificial Neural Network Based Sleep Disordered Breathing Screening Tool
JP5135197B2 (ja) 生体指標管理装置
JP2005034472A (ja) 急性増悪の発生予測方法
US10098582B1 (en) Characterizing sleep architecture
JP6737416B1 (ja) 環境制御システム
WO2018158430A1 (en) Method for providing a wearable device, method for predicting an acute exacerbation and system for predicting an acute exacerbation
KR102526577B1 (ko) 환자 관리를 위한 인공지능 기반의 위험 예측 시스템 및 방법
Walsh et al. Noncontact pressure-based sleep/wake discrimination
Saner et al. Potential of ambient sensor systems for early detection of health problems in older adults
JP2022180664A (ja) ウェアラブル装置を利用した甲状腺機能亢進症の予測システム及び予測コンピュータプログラム
Saner et al. Case report: Ambient sensor signals as digital biomarkers for early signs of heart failure decompensation
JP2022009084A (ja) 認知機能予測システム及びプログラム
US20230079951A1 (en) System for configuring patient monitoring
JP2019187970A (ja) 評価装置及びプログラム
WO2021215495A1 (ja) 予測支援システム、予測支援方法、予測支援プログラム、記録媒体、学習用データセットおよび学習済みモデルの生成方法
CN112309570A (zh) 个性化基准、可视化和移交
JP2016154696A (ja) 患者の見守りシステム
Sadek et al. Contactless remote monitoring of sleep: evaluating the feasibility of an under-mattress sensor mat in a real-life deployment
Roy et al. Failure prediction using personalized models and an application to heart failure prediction
Kaddachi et al. Technological approach for early and unobtrusive detection of possible health changes toward more effective treatment
Croonenborghs et al. Healthcare decision support systems at home

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: 21792328

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022517087

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021792328

Country of ref document: EP

Effective date: 20221124