WO2022050310A1 - プログラム、情報処理装置、情報処理方法及びモデル生成方法 - Google Patents

プログラム、情報処理装置、情報処理方法及びモデル生成方法 Download PDF

Info

Publication number
WO2022050310A1
WO2022050310A1 PCT/JP2021/032124 JP2021032124W WO2022050310A1 WO 2022050310 A1 WO2022050310 A1 WO 2022050310A1 JP 2021032124 W JP2021032124 W JP 2021032124W WO 2022050310 A1 WO2022050310 A1 WO 2022050310A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
patient
hemostatic
hemostasis
time
Prior art date
Application number
PCT/JP2021/032124
Other languages
English (en)
French (fr)
Inventor
雄一 日置
Original Assignee
テルモ株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by テルモ株式会社 filed Critical テルモ株式会社
Priority to JP2022546947A priority Critical patent/JPWO2022050310A1/ja
Publication of WO2022050310A1 publication Critical patent/WO2022050310A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
    • A61B17/12—Surgical instruments, devices or methods, e.g. tourniquets for ligaturing or otherwise compressing tubular parts of the body, e.g. blood vessels, umbilical cord
    • A61B17/132—Tourniquets

Definitions

  • the present invention relates to a program, an information processing device, an information processing method, and a model generation method.
  • a treatment instrument such as a catheter
  • an introducer sheath is placed at the puncture site, and the treatment instrument is inserted into the blood vessel via the introducer sheath. Therefore, the treatment of the lesion site is carried out.
  • a predetermined hemostatic device is used to stop bleeding at the puncture site into which the introducer sheath is inserted.
  • a hemostatic device is used to stop bleeding at the puncture site into which the introducer sheath is inserted.
  • it is a balloon pressing type hemostatic device, and a hemostatic effect is obtained by providing an auxiliary balloon between a band body wrapped around a patient's limb and a balloon provided inside the band body to press the puncture site. Hemostasis devices with enhanced bleeding are disclosed.
  • the sheath for the introducer is an instrument constituting the introducer.
  • the introducer is composed of an introducer sheath and a dilator inserted into the lumen of the introducer sheath.
  • hemostasis is performed at the puncture site, hemostasis is continuously performed for a certain period of time.
  • it is difficult for healthcare professionals to predict the hemostasis time because the ease of hemostasis varies from patient to patient. Therefore, it is necessary to observe the hemostasis state of the patient in a timely manner, which increases the burden on the medical staff.
  • One aspect is to provide a program or the like that can suitably predict the hemostasis time required for hemostasis at the puncture site.
  • the program acquires the attribute information of the patient, the surgical information regarding the surgery performed by the patient, and the hemostatic device information regarding the hemostatic device used to stop bleeding at the puncture site of the patient, and the attribute information and the surgical information. And when the hemostasis device information is input, the acquired attribute information, surgical information, and hemostasis device information are input to the model whose training data has been learned so as to output the hemostasis time required for hemostasis at the puncture site. Have the computer perform the process of outputting time.
  • the hemostasis time required to stop bleeding at the puncture site can be suitably predicted.
  • FIG. It is explanatory drawing which shows the structural example of the hemostasis time prediction system. It is a block diagram which shows the configuration example of a server. It is a block diagram which shows the configuration example of a terminal. It is explanatory drawing which shows an example of the record layout of the hemostatic device DB, the scoring table, and the implementation procedure table. It is explanatory drawing which shows the outline of Embodiment 1.
  • FIG. It is explanatory drawing which shows an example of an input screen. It is explanatory drawing which shows the output image of the implementation procedure information. It is a flowchart which shows the procedure of the generation process of a prediction model. It is a flowchart which shows the procedure of the hemostasis time prediction processing.
  • FIG. 1 is an explanatory diagram showing a configuration example of a hemostasis time prediction system.
  • a hemostasis time prediction system for predicting the hemostasis time required for hemostasis at the puncture site into which the treatment instrument is inserted will be described for a patient undergoing surgery using a treatment instrument such as a catheter.
  • the hemostasis time prediction system includes an information processing device 1, a terminal 2, and an electronic medical record server 3. Each device is communicatively connected to a network N such as the Internet and a LAN (Local Area Network).
  • a network N such as the Internet and a LAN (Local Area Network).
  • the information processing device 1 is an information processing device capable of transmitting and receiving various types of information processing and information, and is, for example, a server computer, a personal computer, or the like. In the present embodiment, it is assumed that the information processing apparatus 1 is a server computer, and in the following, it will be read as server 1 for the sake of brevity.
  • the server 1 performs machine learning to learn predetermined training data, and punctures by inputting attribute information of the patient undergoing surgery, surgical information regarding the surgery performed by the patient, and hemostatic device information regarding the hemostatic device used for hemostasis at the puncture site. It functions as a generator that generates a prediction model 50 (see FIG. 5) that predicts (outputs) the hemostasis time required for hemostasis at a site.
  • the terminal 2 is an information processing terminal used by a user (medical worker) who uses this system, and is, for example, a tablet terminal, a personal computer, a smartphone, or the like.
  • the prediction model 50 generated by the server 1 is installed in the terminal 2, and the terminal 2 predicts the hemostasis time based on the prediction model 50.
  • the local terminal 2 predicts the hemostasis time, but the server 1 on the cloud may predict the hemostasis time.
  • the electronic medical record server 3 is a database server that manages medical records of patients, and stores information on each patient.
  • the terminal 2 acquires the attribute information of the patient from the electronic medical record server 3 and inputs it to the prediction model 50 to predict the hemostasis time.
  • vascular surgery using a catheter such as PCI (Percutaneous Coronary Intervention) will be described. That is, an introducer sheath is placed at a puncture site such as a wrist or a foot, a catheter is inserted into a blood vessel through the introducer sheath, and vascular treatment such as vascular dilation with a balloon or stent placement is explained as an example. I do.
  • a guiding sheath may be used instead of the introducer.
  • a guiding sheath is an instrument consisting of a guiding catheter and a dilator inserted into the lumen of the guiding catheter.
  • a guiding catheter When using a guiding sheath, a guiding catheter is placed at the puncture site such as the wrist or foot, and the catheter is inserted into the blood vessel via the guiding catheter to perform vascular treatment such as vasodilation with a balloon or placement of a stent. conduct.
  • the location of the lesion site to be treated for vascular surgery is not limited to the coronary arteries.
  • the femoral artery or popliteal artery of the lower limbs may be treated.
  • the device used to stop bleeding at the puncture site is referred to as a "hemostatic device”
  • the device placed at the puncture site in the case of an introducer, the sheath for the introducer, in the case of a guiding sheath, the guiding catheter
  • the sheath is called, and the hemostatic device and the device other than the sheath are collectively called the "treatment device”.
  • the terminal 2 predicts the hemostasis time required for hemostasis at the puncture site by using the prediction model 50.
  • a balloon pressing type hemostatic device 4 that presses the puncture site with a balloon is shown.
  • the hemostatic device 4 exemplified in FIG. 1 is a band-type hemostatic device, and a balloon 42 into which a fluid such as air or liquid is injected is provided in a curved portion 41 at the center of the band.
  • the medical staff attaches the hemostatic device 4 to the patient's limb so as to cover the puncture site, and presses the puncture site by injecting a fluid into the balloon.
  • the medical staff reduces the pressure of the hemostatic device 4 over time so that the blood vessel at the puncture site is not occluded.
  • the above-mentioned hemostatic device 4 is an example, and there is also a hemostatic device that presses with a hard member such as plastic instead of a balloon.
  • the form of the hemostatic device is not particularly limited, and any hemostatic device may be selected.
  • the terminal 2 inputs the patient attribute information and the surgical information in addition to the hemostatic device information related to the above hemostatic device into the prediction model 50, and predicts the hemostatic time.
  • the terminal 2 presents the predicted hemostasis time to the user, and guides the user to the procedure for performing the hemostasis work using the hemostasis device.
  • the user can easily predict the timing of the work (decompression in the case of a hemostatic device that presses the puncture site), so that the burden on the user (medical worker) can be reduced.
  • FIG. 2 is a block diagram showing a configuration example of the server 1.
  • the server 1 includes a control unit 11, a main storage unit 12, a communication unit 13, and an auxiliary storage unit 14.
  • the control unit 11 has an arithmetic processing unit such as one or a plurality of CPUs (Central Processing Units), MPUs (Micro-Processing Units), GPUs (Graphics Processing Units), and stores the program P1 stored in the auxiliary storage unit 14. By reading and executing, various information processing, control processing, etc. are performed.
  • the main storage unit 12 is a temporary storage area for SRAM (Static Random Access Memory), DRAM (Dynamic Random Access Memory), flash memory, etc., and temporarily stores data necessary for the control unit 11 to execute arithmetic processing.
  • the communication unit 13 is a communication module for performing processing related to communication, and transmits / receives information to / from the outside.
  • the auxiliary storage unit 14 is a non-volatile storage area such as a large-capacity memory or a hard disk, and stores the program P1 and other data necessary for the control unit 11 to execute processing. Further, the auxiliary storage unit 14 stores the prediction model 50, the hemostatic device DB 141, the scoring table 142, and the implementation procedure table 143.
  • the prediction model 50 is a machine learning model in which training data has been trained, and is a model in which hemostasis time is output by inputting patient attribute information, surgical information, and hemostatic device information.
  • the prediction model 50 is expected to be used as a program module constituting a part of artificial intelligence software.
  • the hemostatic device DB 141 is a database for storing hemostatic device information.
  • the scoring table 142 is a table to be referred to when scoring the data of a predetermined input item to be input to the prediction model 50.
  • the implementation procedure table 143 is a table to be referred to when outputting implementation procedure information that guides the implementation procedure of the hemostatic work according to the hemostatic time output from the prediction model 50.
  • the auxiliary storage unit 14 may be an external storage device connected to the server 1. Further, the server 1 may be a multi-computer composed of a plurality of computers, or may be a virtual machine virtually constructed by software.
  • the server 1 is not limited to the above configuration, and may include, for example, an input unit that accepts operation input, a display unit that displays an image, and the like. Further, the server 1 includes a reading unit for reading a portable storage medium 1a such as a CD (CompactDisk) -ROM, a DVD (DigitalVersatileDisc) -ROM, and reads a program P1 (program product) from the portable storage medium 1a. You may try to execute it. Alternatively, the server 1 may read the program P1 from the semiconductor memory 1b.
  • a portable storage medium 1a such as a CD (CompactDisk) -ROM, a DVD (DigitalVersatileDisc) -ROM
  • program P1 program product
  • the server 1 may read the program P1 from the semiconductor memory 1b.
  • FIG. 3 is a block diagram showing a configuration example of the terminal 2.
  • the terminal 2 includes a control unit 21, a main storage unit 22, a communication unit 23, a display unit 24, an input unit 25, and an auxiliary storage unit 26.
  • the control unit 21 has one or a plurality of arithmetic processing units such as CPUs and MPUs, and performs various information processing, control processing, and the like by reading and executing the program P2 stored in the auxiliary storage unit 26.
  • the main storage unit 22 is a temporary storage area such as a RAM, and temporarily stores data necessary for the control unit 21 to execute arithmetic processing.
  • the communication unit 23 is a communication module for performing processing related to communication, and transmits / receives information to / from the outside.
  • the display unit 24 is a display screen such as a liquid crystal display and displays an image.
  • the input unit 25 is an operation interface such as a touch panel, and receives operation input from the user.
  • the auxiliary storage unit 26 is a non-volatile storage area such as a hard disk and a large-capacity memory, and stores a program P2, a prediction model 50, and other data necessary for the control unit 21 to execute processing.
  • the terminal 2 may be provided with a reading unit for reading a portable storage medium 2a such as a CD-ROM, and the program P2 (program product) may be read from the portable storage medium 2a and executed. Alternatively, the terminal 2 may read the program P2 from the semiconductor memory 2b.
  • a reading unit for reading a portable storage medium 2a such as a CD-ROM
  • the program P2 program product
  • the terminal 2 may read the program P2 from the semiconductor memory 2b.
  • FIG. 4 is an explanatory diagram showing an example of the record layout of the hemostatic device DB 141, the scoring table 142, and the implementation procedure table 143.
  • the hemostatic device DB 141 includes a device ID column, a device name column, a type column, and a device information column.
  • the device ID column stores a device ID for identifying each hemostatic device.
  • the device name column, type column, and device information column are associated with the device ID, respectively, and the name (product name), type, and other hemostatic device information of the hemostatic device (for example, in the case of a balloon pressing type hemostatic device). It remembers the pressing force when the balloon is inflated, the contact area of the balloon that comes into contact with the patient's limb, etc.).
  • the scoring table 142 includes an item sequence, an input column, and a score column.
  • the item string stores the items of the input data to be scored.
  • Each of the input string and the score sequence stores the input data before scoring and the score obtained by converting the input data in association with the input item. For example, when the patient's age is 90 years or older, the input data related to the age is converted into 5 points.
  • the implementation procedure table 143 includes a predicted time column, a device used column, a puncture site sequence, and an implementation procedure column.
  • the predicted time sequence, the instrument sequence used, and the puncture site sequence each store the predicted value of the hemostatic time that can be output from the prediction model 50, the type of the hemostatic device, and the puncture site.
  • the procedure column stores the procedure for performing hemostatic work in association with the hemostatic time, the type of hemostatic device, and the puncture site.
  • a text indicating the work content to be performed in each elapsed time is stored in association with the elapsed time after the start of hemostasis.
  • FIG. 5 is an explanatory diagram showing an outline of the first embodiment.
  • FIG. 5 conceptually illustrates how the patient's attribute information and the like are input to the prediction model 50 to predict the hemostasis time, and the procedure for performing the hemostasis work is guided according to the predicted hemostasis time.
  • An outline of the present embodiment will be described with reference to FIG.
  • the prediction model 50 is a machine learning model in which predetermined training data has been trained, and is, for example, a neural network generated by deep learning.
  • the prediction model 50 has an input layer that accepts input of input data, an intermediate layer that extracts a feature amount of the input data, and an output layer that outputs a predicted value of hemostasis time based on the feature amount extracted by the intermediate layer.
  • the terminal 2 inputs the patient's attribute information, the surgical information, and the hemostatic device information into the prediction model 50 to predict the hemostatic time.
  • Attribute information is basic information of a patient undergoing surgery, and includes the patient's age, gender, race, body shape (for example, BMI (Body Mass Index)), disease name, and the like.
  • the disease name is the name of the disease suffering from the patient undergoing surgery. For example, in the disease name, it is determined whether or not the disease suffered by the patient undergoing surgery is ACS (Acute Coronary Syndrome). It should be noted that these are examples of attribute information and may include other patient attributes.
  • the terminal 2 acquires attribute information from the electronic medical record server 3 that manages the medical record of the patient and inputs it to the prediction model 50.
  • the surgical information is data related to the surgery performed on the patient, and includes, for example, the puncture site, the sheath size of the sheath placed at the puncture site, the ACT value (Activated Coagulation Time), and the like. It should be noted that these are examples of surgical information and may include data related to other surgical operations.
  • the terminal 2 receives input of each operation information from the user before and during the operation and inputs it to the prediction model 50.
  • the sheath size indicates the maximum outer diameter of the treatment device (French size of the introducer sheath) that can be inserted into the lumen of the introducer sheath when the device placed at the puncture site is the introducer. ..
  • the sheath size indicates the maximum outer diameter of the therapeutic device that can be inserted into the lumen of the guiding catheter of the guiding sheath when the device placed at the puncture site is a guiding sheath.
  • the hemostatic device information is data on the hemostatic device used to stop bleeding at the puncture site, for example, the type of the hemostatic device (balloon pressing type, pressing type with a hard member, etc.), the name of the hemostatic device (product name), and other information (for example).
  • the balloon pressing type the pressing force by the balloon, the contact area of the balloon, etc.
  • the information of each hemostatic device is stored in the hemostatic device DB 141.
  • the terminal 2 acquires the hemostatic device information from the server 1 and inputs it to the prediction model 50.
  • the method of acquiring attribute information, surgical information, and hemostatic device information to be input to the prediction model 50 is not particularly limited.
  • the terminal 2 may acquire surgical information and hemostatic device information from the electronic medical record server 3 in addition to the attribute information.
  • the user may manually input all the input data to the terminal 2.
  • the server 1 learns training data including the above various data and generates a prediction model 50.
  • the training data is data in which the correct answer value of the hemostatic time is given to the attribute information for training, the surgical information, and the hemostatic device information.
  • the server 1 receives attribute information of a patient who has actually undergone surgery, surgical information regarding the surgery performed by the patient, hemostasis device information regarding the hemostatic device used to stop bleeding at the puncture site, and actual puncture from the electronic chart server 3. Obtain the actual value of hemostasis time required for hemostasis at the site.
  • the server 1 gives the above-mentioned various data as training data to the prediction model 50 and performs learning.
  • the server 1 inputs the attribute information for training, the surgical information, and the hemostatic device information into the prediction model 50, and acquires the predicted value of the hemostatic time as an output.
  • the prediction model 50 sets the hemostasis time to "within 60 minutes”, “60 to 120 minutes”, “120 to 180 minutes”, “180 minutes to 240 minutes", and "240 minutes”. Prediction is made in 5 stages of "minutes to 300 minutes”.
  • the prediction model 50 may make predictions in three or less stages or six or more stages. Further, the prediction may be made without showing a specific numerical value of the hemostasis time, for example, "long", “normal”, and "short".
  • the prediction of the hemostasis time is treated as a classification problem, but it may be treated as a regression problem in which the hemostasis time is predicted by a continuous value.
  • the server 1 compares the predicted value of the hemostasis time acquired from the prediction model 50 with the correct answer value, and optimizes the parameters (weights between neurons, etc.) of the prediction model 50 so that they are close to each other. As a result, the server 1 generates the prediction model 50.
  • the server 1 sends the generated data of the prediction model 50 to the terminal 2 and installs it.
  • the server 1 learns different training data for each predetermined category and generates a plurality of prediction models 50, 50, 50 ... Corresponding to each category. Categories are, for example, the puncture site into which the catheter is inserted and / or the hemostatic device. The server 1 classifies the training data according to the puncture site and the hemostatic device, gives the training data of each category to a separate prediction model 50, and generates the prediction model 50 corresponding to each category (puncture site and hemostatic device). do.
  • the category of the puncture site may be classified into, for example, "wrist” (radial artery), “foot” (femoral artery), “elbow” (elbow artery), or at a position more detailed than this classification. It may be classified.
  • the category of hemostatic device may be classified according to the type of hemostatic device such as "balloon pressing type” and “pressing type by hard member", or classified by individual hemostatic device (product). May be good.
  • the specific category of the puncture site and the hemostatic device is not particularly limited.
  • Hemostasis time depends on the position of the puncture site (the thickness to the blood vessel and the momentum of blood flow differ depending on the arm, foot, etc., so the ease of hemostasis differs), and the pressure on the puncture site depends on the hemostatic device. do. Therefore, by categorizing according to the puncture site and the hemostatic device, it is possible to suitably learn and predict the hemostatic time.
  • the terminal 2 When actually predicting the hemostasis time, the terminal 2 acquires the patient attribute information and the like from the electronic medical record server 3 and the like. Then, the terminal 2 selects the prediction model 50 according to the puncture site of the patient undergoing surgery and the hemostasis device used for hemostasis, inputs attribute information and the like into the prediction model 50, and predicts the hemostasis time.
  • FIG. 6 is an explanatory diagram showing an example of an input screen.
  • FIG. 6 is a display screen of the terminal 2 and illustrates an input screen for inputting information necessary for predicting a hemostasis time.
  • the input screen includes an input field for inputting procedure (surgery) information and information on a hemostatic device, in addition to the date and time when the procedure (surgery) is performed, the patient name, and the like.
  • the terminal 2 accepts inputs such as the product name of the sheath to be placed at the puncture site, the sheath size of the sheath to be placed at the puncture site, the puncture site, the ACT value, the type of hemostatic device, and the product name on the screen.
  • the user inputs various information into the terminal 2 before and during the surgery. For example, the user inputs a patient name, a type of hemostatic device, a product name, etc. before surgery. In addition, the user inputs the remaining information (sheath size, puncture site, etc.) when the procedure is completed.
  • the terminal 2 acquires the patient attribute information corresponding to the patient name input on the input screen from the electronic medical record server 3. Further, as shown in FIG. 6, the terminal 2 accepts input of surgical information such as the sheath size of the sheath to be placed at the puncture site. Further, the terminal 2 acquires the hemostatic device information regarding the hemostatic device input on the input screen from the server 1.
  • the terminal 2 displays a predetermined alert when there is an input item missing in the patient attribute information acquired from the electronic medical record server 3 among the input items to be input to the prediction model 50 (not shown). ).
  • the terminal 2 displays an input item to be input, prompts the user to input, and accepts the input of the attribute information related to the item from the user.
  • the terminal 2 selects the prediction model 50 according to the puncture site indicated by the surgical information and the hemostatic device indicated by the hemostatic device information. Then, the terminal 2 inputs the patient's attribute information, the surgical information, and the hemostatic device information into the selected prediction model 50, and predicts the hemostatic time.
  • the terminal 2 is an input item to be input to the prediction model 50, and a part or all of the input items included in the patient attribute information and / or the surgical information are scored according to a predetermined rule. Enter it.
  • the input items are the patient's age, gender, race, ACT value, sheath size of the sheath, whether or not the disease suffering by the patient is ACS, and body shape.
  • the input items to be scored may be a part of these input items, or may include other input items.
  • each input item is scored according to the scoring table 142 (see FIG. 4) so that the prediction model 50 can effectively learn and predict each input item.
  • the older the patient the higher the risk of bleeding, so the patient's age is scored so that the older the patient, the higher the score.
  • the score of women is higher than that of men.
  • the high and low risk of bleeding has been academically proven according to race (especially East Asian humans have a high risk of bleeding), the score of Asian patients is increased.
  • the larger the ACT value the higher the risk of bleeding. Therefore, the larger the ACT value, the higher the score.
  • the larger the puncture site the higher the risk of bleeding. Therefore, the larger the sheath size of the sheath placed at the puncture site, the higher the score.
  • the disease suffered by the patient is ACS, the patient with the disease has a higher score because the patient is at high risk of developing hemorrhagic complications after surgery.
  • lean patients are at high risk of bleeding complications, so patients with a BMI below the threshold are given higher scores.
  • the terminal 2 scores each input item in light of vascular surgery (PCI, etc.), inputs the scored data of each input item into the prediction model 50, and predicts the hemostasis time. As already described, the terminal 2 predicts the hemostasis time in a plurality of steps such as "within 60 minutes”, “60 to 120 minutes”, “120 minutes to 180 minutes”, and so on.
  • the terminal 2 outputs the implementation procedure information that guides the implementation procedure of the hemostatic work using the hemostatic device according to the predicted hemostatic time. Specifically, as shown on the right side of FIG. 5, the terminal 2 outputs text data representing the implementation procedure according to the predicted hemostasis time.
  • the terminal 2 communicates with the server 1 and acquires the implementation procedure information corresponding to the hemostatic time output from the prediction model 50 and the puncture site and the hemostatic device of the treated patient from the implementation procedure DB 143.
  • FIG. 7 is an explanatory diagram showing an output image of implementation procedure information.
  • FIG. 7 illustrates an output image of text data showing an implementation procedure.
  • the terminal 2 outputs the implementation procedure information acquired from the server 1 to a printer (not shown), and prints a document describing the implementation procedure.
  • the document describes a patient name, a predicted value of hemostasis time, a predicted start time of hemostasis, a predicted time of end time, and the like.
  • the document describes a text indicating the procedure for carrying out the hemostatic work.
  • the document describes a text indicating the work content to be performed in each elapsed time according to the elapsed time after the start of hemostasis.
  • a pressure-type hemostatic device is used, as shown in FIG. 7, the decompression work to be performed at each elapsed time (time) and the observation points to be observed during the work are described.
  • the terminal 2 reduces the work load on the user by guiding the decompression work to be performed in each elapsed time in chronological order.
  • FIG. 8 is a flowchart showing the procedure of the generation process of the prediction model 50. Based on FIG. 8, the processing contents when the prediction model 50 is generated by machine learning will be described.
  • the control unit 11 of the server 1 acquires training data for generating the prediction model 50 (step S11).
  • the training data is the actual value of the hemostatic time actually required for the attribute information of the patient who actually underwent surgery, the surgical information about the surgery performed by the patient, and the hemostatic device information about the hemostatic device used at the time of surgery. Is the data given as the correct answer value.
  • the control unit 11 refers to the scoring table 142 and scores the data of some or all of the input items included in the attribute information and the surgical information (step S12).
  • the control unit 11 Based on the training data, the control unit 11 generates a prediction model 50 that outputs the hemostatic time when the patient's attribute information, surgical information, and hemostatic device information are input (step S13). Specifically, as described above, the control unit 11 generates the neural network as the prediction model 50. The control unit 11 gives the prediction model 50 training data obtained by scoring a part or all of the patient attribute information and the surgery information, outputs the predicted value of the hemostasis time, and compares the predicted value with the correct answer value (actual value). Then, parameters such as weights are optimized so that the two are close to each other. The control unit 11 learns according to the puncture site into which the treatment instrument (catheter) is inserted and the hemostatic device, and generates a prediction model 50 corresponding to each puncture site and the hemostatic device. The control unit 11 ends a series of processes.
  • FIG. 9 is a flowchart showing the procedure of hemostasis time prediction processing. Based on FIG. 9, the processing content when predicting the hemostasis time using the prediction model 50 will be described.
  • the control unit 21 of the terminal 2 accepts input of information such as a patient name, surgical information, and hemostatic device (step S31).
  • the control unit 21 acquires the patient attribute information corresponding to the input patient name from the electronic medical record server 3 and the hemostatic device information from the server 1 (step S32).
  • the control unit 21 determines whether or not there is an input item missing in the patient attribute information acquired in step S32 among the input items required for input to the prediction model 50 (step S33). When it is determined that there is a missing input item (S33: YES), the control unit 21 displays an alert to the effect that the information corresponding to the item should be input, and accepts the input of the information corresponding to the item. (Step S34).
  • the control unit 21 After executing the process of step S34, or when NO in step S33, the control unit 21 scores the data of some or all of the input items included in the attribute information and / or the surgery information (Ste S35).
  • the control unit 21 inputs attribute information and surgical information obtained by scoring the data of some or all input items into the prediction model 50, and predicts the hemostatic time (step S36).
  • the control unit 21 selects the prediction model 50 according to the puncture site and the hemostatic device, inputs various information into the selected prediction model 50, and predicts the hemostatic time.
  • the control unit 21 communicates with the server 1 and outputs the implementation procedure information corresponding to the hemostatic time predicted in step S36, which corresponds to the patient's puncture site and the hemostatic device used for the hemostatic work (the control unit 21 communicates with the server 1). Step S37).
  • the control unit 21 outputs text data representing implementation procedure information to a printer, and prints a document describing the work contents (for example, decompression work and observation points) to be performed at each elapsed time after the start of hemostasis.
  • the control unit 21 ends a series of processes.
  • the hemostasis time required for hemostasis at the puncture site can be suitably predicted.
  • the hemostatic time can be more preferably predicted by preparing a plurality of prediction models 50, 50, 50 ... Depending on the puncture site and / or the hemostatic device.
  • the hemostasis time by scoring the age, sex, etc. of the patient in the light of catheter vascular surgery, it is possible to more preferably learn and predict the hemostasis time.
  • the hemostatic device by presenting the implementation procedure information according to the hemostatic time (and the puncture site, the hemostatic device), it is possible to suitably support the user who performs the hemostatic work.
  • a mode is described in which the prediction model 50 is selected according to the hemostatic device used for the hemostatic work.
  • a mode is described in which a plurality of prediction models 50, 50, 50 ... are used to predict the hemostatic time when each hemostatic device is used and present it to the user.
  • the contents overlapping with the first embodiment are designated by the same reference numerals and the description thereof will be omitted.
  • FIG. 10 is an explanatory diagram showing an outline of the second embodiment.
  • the hemostatic devices A, B, C ... Corresponding to the hemostatic devices A, B, C ..., and the hemostatic time when each hemostatic device is used is conceptually predicted. Is illustrated in.
  • the terminal 2 inputs patient attribute information, surgical information, and hemostatic device information into each prediction model 50, and predicts the hemostatic time when each hemostatic device is used.
  • the hemostatic device information of the corresponding hemostatic devices A, B, C ... is input to each prediction model 50.
  • the terminal 2 displays the predicted value of the hemostasis time output from each prediction model 50 on the screen, and presents the hemostasis time when each hemostasis device is used to the user.
  • the hemostatic device information type of hemostatic device, product name, etc.
  • the terminal 2 accepts the selection input of the hemostatic device used for the hemostatic work, and outputs the information on the procedure for carrying out the hemostatic work by the selected hemostatic device.
  • FIG. 11 is a flowchart showing the procedure of the hemostasis time prediction process according to the second embodiment. After executing the process of step S35, the terminal 2 executes the following process. In step S32, it is assumed that the terminal 2 has acquired the hemostatic device information of all the hemostatic devices from the server 1.
  • the control unit 21 of the terminal 2 inputs patient attribute information, surgical information, and hemostatic device information into a plurality of prediction models 50, 50, 50 ... Corresponding to each hemostatic device, and hemostasis when each hemostasis device is used. Predict the time (step S201).
  • the control unit 21 displays the bleeding stop time in each bleeding stop device, and accepts a selection input for selecting the bleeding stop device to be used for the bleeding stop work (step S202).
  • the control unit 21 outputs the implementation procedure information by the selected hemostatic device (step S203), and ends a series of processes.
  • the second embodiment it is possible to support the selection of the hemostatic device by presenting the hemostasis time when the plurality of hemostatic devices are used to the user.
  • the server 1 of the prediction model 50 is based on the attribute information of the patient input to the prediction model 50 after the operation and the actual value of the hemostasis time required for the actual hemostasis of the puncture site for the patient. Relearn. That is, after the output (prediction) of the hemostasis time, the server 1 updates the prediction model 50 with the actual value of the hemostasis time as the correct answer value for re-learning.
  • the terminal 2 transmits various data including the actual value of the hemostasis time (for example, the start time and the end time of the hemostasis work) to the electronic medical record server 3 and records it as a medical record of the patient.
  • the server 1 accesses the electronic medical record server 3, acquires various data (patient attribute information, surgery information, etc.) including the actual value of the hemostasis time, and uses it as training data for re-learning.
  • the training data for re-learning may be acquired from, for example, the terminal 2, and the acquisition method is not particularly limited.
  • Server 1 updates the prediction model 50 based on the training data for re-learning. That is, the server 1 inputs the attribute information, the surgical information, and the hemostatic device information of the patient who has undergone the operation into the prediction model 50 to predict the hemostatic time, and compares the predicted value with the correct answer value (actual value) for relearning. Then, the parameters of the prediction model 50 are updated so that the two are close to each other. As a result, the prediction accuracy can be improved through the operation of this system.
  • FIG. 12 is a flowchart showing the procedure of the update process of the prediction model 50.
  • the terminal 2 executes the following process.
  • the control unit 21 of the terminal 2 accepts the input of the actual value of the hemostasis time actually required for hemostasis from the user (step S301).
  • the control unit 21 transmits and records data such as surgical information including the actual value of the hemostasis time and hemostasis device information to the electronic medical record server 3 (step S302).
  • the control unit 11 of the server 1 acquires various data including the actual value of the hemostasis time from the electronic medical record server 3 as training data for re-learning (step S303).
  • the control unit 11 updates the prediction model 50 based on the training data for re-learning (step S304). That is, the control unit 11 inputs the attribute information, the surgical information, and the hemostatic device information of the patient who performed the operation into the prediction model 50, and the predicted value of the hemostatic time output from the prediction model 50 is the correct answer value (actual value). Update parameters such as weights in comparison with.
  • the control unit 11 ends a series of processes.
  • the prediction accuracy can be improved through the operation of this system.

Landscapes

  • Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Vascular Medicine (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Reproductive Health (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

プログラムは、患者の属性情報と、前記患者が受ける手術に関する手術情報と、前記患者の穿刺部位の止血に用いる止血器具に関する止血器具情報とを取得し、前記属性情報、手術情報及び止血器具情報を入力した場合に、前記穿刺部位の止血に要する止血時間を出力するよう訓練データを学習済みのモデルに、取得した前記属性情報、手術情報及び止血器具情報を入力して前記止血時間を出力する処理をコンピュータに実行させる。

Description

プログラム、情報処理装置、情報処理方法及びモデル生成方法
　本発明は、プログラム、情報処理装置、情報処理方法及びモデル生成方法に関する。
　カテーテル等の治療器具を患者の血管に挿入して治療又は検査を行う場合に、例えば、穿刺部位にイントロデューサー用シースを留置し、そのイントロデューサー用シースを介して血管内に治療器具を挿入することで、病変部位の治療が実施される。その際、イントロデューサー用シースを挿入した穿刺部位の止血のために所定の止血器具が用いられる。例えば特許文献１では、バルーン押圧式の止血器具であって、患者の肢体に巻き付ける帯体と、帯体内側に設けられ、穿刺部位を押圧するバルーンとの間に補助バルーンを設けることで止血効果を高めた止血器具が開示されている。なお、イントロデューサー用シースは、イントロデューサーを構成する器具である。イントロデューサーは、イントロデューサー用シースと、そのイントロデューサー用シースの内腔に挿入するダイレーターから構成される。
特開２００４－４１５９９号公報
　ところで、穿刺部位の止血を実施する場合、ある程度の時間、継続して止血を実施する。しかしながら、患者毎に止血のしやすさが異なるため、医療従事者は止血時間を予測することが難しい。そのため、患者の止血状態を適時観察する必要があり、医療従事者の負担が大きくなっている。
　一つの側面では、穿刺部位の止血に要する止血時間を好適に予測することができるプログラム等を提供することを目的とする。
　一つの側面に係るプログラムは、患者の属性情報と、前記患者が受ける手術に関する手術情報と、前記患者の穿刺部位の止血に用いる止血器具に関する止血器具情報とを取得し、前記属性情報、手術情報及び止血器具情報を入力した場合に、前記穿刺部位の止血に要する止血時間を出力するよう訓練データを学習済みのモデルに、取得した前記属性情報、手術情報及び止血器具情報を入力して前記止血時間を出力する処理をコンピュータに実行させる。
　一つの側面では、穿刺部位の止血に要する止血時間を好適に予測することができる。
止血時間予測システムの構成例を示す説明図である。 サーバの構成例を示すブロック図である。 端末の構成例を示すブロック図である。 止血器具ＤＢ、点数化テーブル、実施手順テーブルのレコードレイアウトの一例を示す説明図である。 実施の形態１の概要を示す説明図である。 入力画面の一例を示す説明図である。 実施手順情報の出力イメージを示す説明図である。 予測モデルの生成処理の手順を示すフローチャートである。 止血時間予測処理の手順を示すフローチャートである。 実施の形態２の概要を示す説明図である。 実施の形態２に係る止血時間予測処理の手順を示すフローチャートである。 予測モデルの更新処理の手順を示すフローチャートである。
　以下、本発明をその実施の形態を示す図面に基づいて詳述する。
（実施の形態１）
　図１は、止血時間予測システムの構成例を示す説明図である。本実施の形態では、カテーテル等の治療器具を用いた手術を受ける患者について、治療器具を挿入する穿刺部位の止血に要する止血時間を予測する止血時間予測システムについて説明する。止血時間予測システムは、情報処理装置１、端末２、電子カルテサーバ３を含む。各装置は、インターネット、ＬＡＮ（Local Area Network）等のネットワークＮに通信接続されている。
　情報処理装置１は、種々の情報処理、情報の送受信が可能な情報処理装置であり、例えばサーバコンピュータ、パーソナルコンピュータ等である。本実施の形態では情報処理装置１がサーバコンピュータであるものとし、以下では簡潔のためサーバ１と読み替える。サーバ１は、所定の訓練データを学習する機械学習を行い、手術を受ける患者の属性情報、患者が受ける手術に関する手術情報、及び穿刺部位の止血に用いる止血器具に関する止血器具情報を入力として、穿刺部位の止血に要する止血時間を予測（出力）する予測モデル５０（図５参照）を生成する生成装置として機能する。
　端末２は、本システムを利用するユーザ（医療従事者）が使用する情報処理端末であり、例えばタブレット端末、パーソナルコンピュータ、スマートフォン等である。本実施の形態では、サーバ１が生成した予測モデル５０が端末２にインストールされており、端末２が予測モデル５０に基づき止血時間を予測する。
　なお、本実施の形態ではローカルの端末２が止血時間の予測を行うものとするが、クラウド上のサーバ１が止血時間の予測を行ってもよい。
　電子カルテサーバ３は、患者の診療記録を管理するデータベースサーバであり、各患者の情報を記憶している。端末２は電子カルテサーバ３から患者の属性情報を取得し、予測モデル５０に入力して止血時間を予測する。
　本実施の形態では手術の一例として、ＰＣＩ（Percutaneous Coronary Intervention；経皮的冠動脈形成術）のように、カテーテルを用いた血管手術を挙げて説明を行う。すなわち、手首、足等の穿刺部位にイントロデューサー用シースが留置され、そのイントロデューサー用シースを介して血管内にカテーテルが挿入され、バルーンによる血管拡張、ステントの留置などの血管治療を一例に説明を行う。なお、カテーテルを用いた血管手術では、イントロデューサーの代わりに、ガイディングシースを用いてもよい。ガイディングシースは、ガイディングカテーテルと、そのガイディングカテーテルの内腔に挿入するダイレーターからなる器具である。ガイディングシースを用いる場合、手首、足等の穿刺部位にガイディングカテーテルが留置され、そのガイディングカテーテルを介して血管内にカテーテルが挿入され、バルーンによる血管拡張、ステントの留置などの血管治療を行う。
　なお、血管手術の治療対象となる病変部位の位置は、冠動脈に限定されない。例えば、血管治療では、下肢の大腿動脈や膝窩動脈を治療対象としてもよい。
　本明細書では、穿刺部位の止血に用いる器具を「止血器具」と呼び、穿刺部位に留置される器具（イントロデューサーの場合、イントロデューサー用シース、ガイディングシースの場合、ガイディングカテーテル）を「シース」と呼び、止血器具およびシース以外の器具を総称して「治療器具」と呼ぶ。
　上述の如く、端末２は予測モデル５０を用いて、穿刺部位の止血に要する止血時間を予測する。図１左下に止血器具の一例として、バルーンにより穿刺部位を押圧するバルーン押圧式の止血器具４を図示している。図１に例示する止血器具４はバンド型の止血器具であり、バンド中央の湾曲部４１に、空気、液体等の流体が注入されるバルーン４２が設けられている。止血器具４を用いて止血を行う場合、医療従事者は穿刺部位を覆うように止血器具４を患者の肢体に装着し、バルーンに流体を注入することで穿刺部位を押圧する。医療従事者は、穿刺部位の血管が閉塞しないように、経時的に止血器具４の押圧を減圧する。
　なお、上記の止血器具４は一例であって、バルーンに代えてプラスチック等の硬質部材で押圧する止血器具もある。止血器具の形態は特に限定されず、任意の止血器具が選択されて良い。
　端末２は、上記の止血器具に関する止血器具情報のほか、患者の属性情報、及び手術情報を予測モデル５０に入力し、止血時間を予測する。端末２は、予測した止血時間をユーザに提示すると共に、止血器具を用いた止血作業の実施手順をユーザに案内する。止血時間を予測することで、ユーザは作業（穿刺部位を押圧する止血器具であれば減圧）のタイミングを予想しやすくなるため、ユーザ（医療従事者）の負担を軽減することができる。
　図２は、サーバ１の構成例を示すブロック図である。サーバ１は、制御部１１、主記憶部１２、通信部１３、及び補助記憶部１４を備える。
　制御部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を有し、補助記憶部１４に記憶されたプログラムＰ１を読み出して実行することにより、種々の情報処理、制御処理等を行う。主記憶部１２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の一時記憶領域であり、制御部１１が演算処理を実行するために必要なデータを一時的に記憶する。通信部１３は、通信に関する処理を行うための通信モジュールであり、外部と情報の送受信を行う。
　補助記憶部１４は、大容量メモリ、ハードディスク等の不揮発性記憶領域であり、制御部１１が処理を実行するために必要なプログラムＰ１、その他のデータを記憶している。また、補助記憶部１４は、予測モデル５０、止血器具ＤＢ１４１、点数化テーブル１４２、実施手順テーブル１４３を記憶している。予測モデル５０は、訓練データを学習済みの機械学習モデルであり、患者の属性情報、手術情報及び止血器具情報を入力として、止血時間を出力するモデルである。予測モデル５０は、人工知能ソフトウェアの一部を構成するプログラムモジュールとしての利用が想定される。止血器具ＤＢ１４１は、止血器具情報を格納するデータベースである。点数化テーブル１４２は、後述するように、予測モデル５０に入力する所定の入力項目のデータを点数化する際に参照するテーブルである。実施手順テーブル１４３は、後述するように、予測モデル５０から出力される止血時間に応じて、止血作業の実施手順を案内する実施手順情報を出力する際に参照するテーブルである。
　なお、補助記憶部１４はサーバ１に接続された外部記憶装置であってもよい。また、サーバ１は複数のコンピュータからなるマルチコンピュータであっても良く、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。
　また、本実施の形態においてサーバ１は上記の構成に限られず、例えば操作入力を受け付ける入力部、画像を表示する表示部等を含んでもよい。また、サーバ１は、ＣＤ（Compact Disk）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ等の可搬型記憶媒体１ａを読み取る読取部を備え、可搬型記憶媒体１ａからプログラムＰ１（プログラム製品）を読み取って実行するようにしても良い。あるいはサーバ１は、半導体メモリ１ｂからプログラムＰ１を読み込んでも良い。
　図３は、端末２の構成例を示すブロック図である。端末２は、制御部２１、主記憶部２２、通信部２３、表示部２４、入力部２５、補助記憶部２６を備える。
　制御部２１は、一又は複数のＣＰＵ、ＭＰＵ等の演算処理装置を有し、補助記憶部２６に記憶されたプログラムＰ２を読み出して実行することにより、種々の情報処理、制御処理等を行う。主記憶部２２は、ＲＡＭ等の一時記憶領域であり、制御部２１が演算処理を実行するために必要なデータを一時的に記憶する。通信部２３は、通信に関する処理を行うための通信モジュールであり、外部と情報の送受信を行う。表示部２４は、液晶ディスプレイ等の表示画面であり、画像を表示する。入力部２５は、タッチパネル等の操作インターフェイスであり、ユーザから操作入力を受け付ける。補助記憶部２６は、ハードディスク、大容量メモリ等の不揮発性記憶領域であり、制御部２１が処理を実行するために必要なプログラムＰ２、予測モデル５０、その他のデータを記憶している。
　なお、端末２は、ＣＤ－ＲＯＭ等の可搬型記憶媒体２ａを読み取る読取部を備え、可搬型記憶媒体２ａからプログラムＰ２（プログラム製品）を読み取って実行するようにしても良い。あるいは端末２は、半導体メモリ２ｂからプログラムＰ２を読み込んでも良い。
　図４は、止血器具ＤＢ１４１、点数化テーブル１４２、実施手順テーブル１４３のレコードレイアウトの一例を示す説明図である。
　止血器具ＤＢ１４１は、器具ＩＤ列、器具名列、種類列、器具情報列を含む。器具ＩＤ列は、各止血器具を識別するための器具ＩＤを記憶している。器具名列、種類列、及び器具情報列はそれぞれ、器具ＩＤと対応付けて、止血器具の名称（製品名）、種類、及びその他の止血器具情報（例えばバルーン押圧式の止血器具であれば、バルーン膨張時の押圧力、患者の肢体に接触するバルーンの接触面積など）を記憶している。
　点数化テーブル１４２は、項目列、入力列、点数列を含む。項目列は、点数化する入力データの項目を記憶している。入力列及び点数列はそれぞれ、入力項目と対応付けて、点数化する前の入力データ、及び入力データを変換した点数を記憶している。例えば患者の年齢が９０歳以上である場合、年齢に係る入力データが５点に変換される。
　実施手順テーブル１４３は、予測時間列、使用器具列、穿刺部位列、実施手順列を含む。予測時間列、使用器具列、及び穿刺部位列はそれぞれ、予測モデル５０から出力され得る止血時間の予測値、止血器具の種類、及び穿刺部位を記憶している。実施手順列は、止血時間、止血器具の種類、及び穿刺部位と対応付けて、止血作業の実施手順を記憶している。実施手順列には、例えば止血開始後の経過時間と対応付けて、各経過時間において実施すべき作業内容を表すテキストが記憶されている。
　図５は、実施の形態１の概要を示す説明図である。図５では、患者の属性情報等を予測モデル５０に入力して止血時間を予測し、予測した止血時間に応じて止血作業の実施手順を案内する様子を概念的に図示している。図５に基づき、本実施の形態の概要を説明する。
　予測モデル５０は、所定の訓練データを学習済みの機械学習モデルであり、例えば深層学習によって生成されるニューラルネットワークである。予測モデル５０は、入力データの入力を受け付ける入力層と、入力データの特徴量を抽出する中間層と、中間層で抽出した特徴量に基づき止血時間の予測値を出力する出力層とを有する。端末２は、患者の属性情報、手術情報、及び止血器具情報を予測モデル５０に入力して止血時間を予測する。
　属性情報は、手術を受ける患者の基本情報であり、患者の年齢、性別、人種、体形（例えばＢＭＩ（Body Mass Index））、及び疾患名などを含む。疾患名は、手術を受ける患者が患っている疾患名である。例えば、疾患名では、手術を受ける患者が患っている疾患がＡＣＳ（Acute Coronary Syndrome；急性冠症候群）であるか否かなどを判定する。なお、これらは属性情報の一例であって、その他の患者属性を含んでもよい。例えば端末２は、患者の診療記録を管理する電子カルテサーバ３から属性情報を取得して予測モデル５０に入力する。
　手術情報は、患者に実施する手術に関するデータであり、例えば、穿刺部位、穿刺部位に留置するシースのシースサイズ、ＡＣＴ値（Activated Coagulation Time；活性化全血凝固時間）などを含む。なお、これらは手術情報の一例であって、その他の手術に関するデータを含んでもよい。例えば端末２は、手術の実施前及び実施中に各手術情報の入力をユーザから受け付け、予測モデル５０に入力する。なお、シースサイズは、穿刺部位に留置される器具がイントロデューサーの場合、イントロデューサーのイントロデューサー用シースの内腔に挿入可能な治療器具の最大外径（イントロデューサー用シースのフレンチサイズ）を示す。また、シースサイズは、穿刺部位に留置される器具がガイディングシースの場合、ガイディングシースのガイディングカテーテルの内腔に挿入可能な治療器具の最大外径を示す。
　止血器具情報は、穿刺部位の止血に用いる止血器具に関するデータであり、例えば止血器具の種類（バルーン押圧式、硬質部材による押圧式等）、止血器具の名称（製品名）、その他の情報（例えばバルーン押圧式である場合、バルーンによる押圧力、バルーンの接触面積等）を含む。各止血器具の情報は止血器具ＤＢ１４１に記憶されており、例えば端末２は、サーバ１から止血器具情報を取得して予測モデル５０に入力する。
　なお、予測モデル５０に入力する属性情報、手術情報及び止血器具情報の取得方法は特に限定されない。例えば端末２は、属性情報以外に手術情報及び止血器具情報も電子カルテサーバ３から取得するようにしてもよい。あるいは、ユーザが全ての入力データを手動で端末２に入力するようにしてもよい。
　サーバ１は、上記の各種データを含む訓練データを学習し、予測モデル５０を生成する。訓練データは、訓練用の属性情報、手術情報及び止血器具情報に対し、止血時間の正解値が付与されたデータである。例えばサーバ１は、電子カルテサーバ３から、実際に手術を受けた患者の属性情報、当該患者が受けた手術に関する手術情報、穿刺部位の止血に用いた止血器具に関する止血器具情報、及び実際に穿刺部位の止血に要した止血時間の実績値を取得する。サーバ１は、上記の各種データを訓練データとして予測モデル５０に与え、学習を行う。
　すなわち、サーバ１は、訓練用の属性情報、手術情報及び止血器具情報を予測モデル５０に入力し、止血時間の予測値を出力として取得する。図５に示すように、本実施の形態において予測モデル５０は、止血時間を「６０分以内」、「６０～１２０分」、「１２０～１８０分」、「１８０分～２４０分」、「２４０分～３００分」の５段階に分けて予測する。なお、予測モデル５０は３段階以下又は６段階以上で予測を行ってもよい。また、例えば「長い」、「普通」、「短い」のように、止血時間の具体的数値を示さずに予測を行ってもよい。また、本実施の形態では止血時間の予測を分類問題として扱うが、止血時間を連続値で予測する回帰問題として扱ってもよい。サーバ１は、予測モデル５０から取得した止血時間の予測値を正解値と比較し、両者が近似するように予測モデル５０のパラメータ（ニューロン間の重み等）を最適化する。これによりサーバ１は、予測モデル５０を生成する。サーバ１は、生成した予測モデル５０のデータを端末２に送信し、インストールさせる。
　上述の学習を行う際に、サーバ１は、所定のカテゴリ毎に異なる訓練データを学習し、各カテゴリに対応する複数の予測モデル５０、５０、５０…を生成する。カテゴリは、例えばカテーテルを挿入する穿刺部位、及び／又は止血器具である。サーバ１は、穿刺部位及び止血器具に応じて訓練データをカテゴリ分けし、各カテゴリの訓練データを別々の予測モデル５０に与え、各カテゴリ（穿刺部位及び止血器具）に対応する予測モデル５０を生成する。
　なお、穿刺部位のカテゴリは、例えば「手首」（橈骨動脈）、「足」（大腿動脈）、「肘」（肘動脈）というように分類されてもよく、あるいはこの分類以上に詳細な位置で分類されてもよい。また、止血器具のカテゴリは、「バルーン押圧式」、「硬質部材による押圧式」のように止血器具の種類に応じて分類されてもよく、あるいは個々の止血器具（製品）毎に分類されてもよい。このように、穿刺部位及び止血器具の具体的なカテゴリは特に限定されない。
　止血時間は穿刺部位の位置（腕、足等で血管までの肉厚や血流の勢いが異なるため、止血のしやすさが異なる）に依存し、穿刺部位への圧迫力は止血器具に依存する。そのため、穿刺部位及び止血器具に応じてカテゴリ分けすることで、止血時間の学習及び予測を好適に行うことができる。
　実際に止血時間を予測する場合、端末２は、電子カルテサーバ３等から患者の属性情報等を取得する。そして端末２は、手術を受ける患者の穿刺部位、及び止血に用いる止血器具に応じて予測モデル５０を選択し、属性情報等を予測モデル５０に入力して止血時間を予測する。
　図６は、入力画面の一例を示す説明図である。図６では、端末２の表示画面であって、止血時間の予測に必要な情報を入力するための入力画面を図示している。図６に示すように、入力画面は、手技（手術）を行う日時、患者名等のほかに、手技（手術）情報、止血器具に関する情報を入力するための入力欄を含む。例えば端末２は当該画面で、穿刺部位に留置するシースの製品名、穿刺部位に留置するシースのシースサイズ、穿刺部位、ＡＣＴ値、止血器具の種類（タイプ）、製品名等の入力を受け付ける。
　ユーザは手術前及び手術中に各種情報を端末２に入力する。例えばユーザは、手術前に患者名、止血器具の種類、製品名等を入力する。また、ユーザは手技完了時に残りの情報（シースのシースサイズ、穿刺部位等）を入力する。
　端末２は、入力画面で入力された患者名に対応する患者の属性情報を電子カルテサーバ３から取得する。また、端末２は、図６で示すように、穿刺部位に留置するシースのシースサイズ等の手術情報の入力を受け付ける。また、端末２は、入力画面で入力された止血器具に関する止血器具情報をサーバ１から取得する。
　なお、例えば端末２は、予測モデル５０に入力すべき入力項目のうち、電子カルテサーバ３から取得した患者の属性情報に欠落している入力項目がある場合、所定のアラートを表示する（不図示）。この場合、端末２は入力すべき入力項目を表示してユーザに入力を促し、ユーザから当該項目に係る属性情報の入力を受け付ける。
　図５に戻って説明を続ける。端末２は、手術情報が示す穿刺部位、及び止血器具情報が示す止血器具に応じて予測モデル５０を選択する。そして端末２は、選択した予測モデル５０に患者の属性情報、手術情報及び止血器具情報を入力し、止血時間を予測する。
　この場合に端末２は、予測モデル５０に入力すべき入力項目であって、患者の属性情報及び／又は手術情報に含まれる入力項目のうち、一部又は全部の入力項目を所定の規則で点数化して入力する。当該入力項目は、患者の年齢、性別、人種、ＡＣＴ値、シースのシースサイズ、患者が患っている疾患がＡＣＳであるか否か、及び体形である。なお、点数化する入力項目はこれらの入力項目の一部であってもよく、又は他の入力項目を含めてもよい。
　本実施の形態では、予測モデル５０が各入力項目を効果的に学習及び予測を行えるように、点数化テーブル１４２（図４参照）に従って各入力項目を点数化する。具体的には、年齢が高いほど出血リスクが高まるため、患者の年齢が高いほど点数が高くなるように、患者の年齢を点数化する。また、ＰＣＩを受ける男女比率や出血性合併症のリスクは女性の方が高いため、男性に比べて女性の点数を高くする。また、人種に応じて出血リスクの高低が学術的に証明されているため（特に東アジア系の人間は出血リスクが高い）、アジア系の患者の点数を高くする。また、ＡＣＴ値が大きいほど出血リスクが高いため、ＡＣＴ値が大きいほど点数を高くする。また、穿刺部位が大きいほど出血リスクが高いため、穿刺部位に留置するシースのシースサイズが大きいほど点数を高くする。また、患者が患っている疾患がＡＣＳの場合、患者が手術後に出血性合併症を起こすリスクが高いため、疾患がＡＣＳの患者は点数を高くする。また、痩せ型の患者は出血性合併症のリスクが高いため、ＢＭＩが閾値以下の患者は点数を高くする。
　上記のように、端末２は、血管手術（ＰＣＩ等）に照らして各入力項目を点数化し、点数化した各入力項目のデータを予測モデル５０に入力して止血時間を予測する。既に述べたように、端末２は「６０分以内」、「６０～１２０分」、「１２０分～１８０分」…というように、複数段階で止血時間を予測する。
　端末２は、予測した止血時間に応じて、止血器具を用いた止血作業の実施手順を案内する実施手順情報を出力する。具体的には図５右側に示すように、端末２は、予測した止血時間に応じて、実施手順を表すテキストデータを出力する。端末２はサーバ１と通信を行い、予測モデル５０から出力された止血時間に対応し、かつ、施術した患者の穿刺部位及び止血器具に対応する実施手順情報を実施手順ＤＢ１４３から取得する。
　図７は、実施手順情報の出力イメージを示す説明図である。図７では、実施手順を表すテキストデータの出力イメージを図示してある。例えば端末２は、サーバ１から取得した実施手順情報をプリンタ（不図示）に出力し、実施手順を記述した文書をプリントさせる。例えば図７に示すように、当該文書には、患者名、止血時間の予測値、止血の開始時刻、終了時刻の予測時刻などが記述される。また、当該文書には、止血作業の実施手順を表すテキストが記述される。
　具体的には、当該文書には、止血開始後の経過時間に応じて、各経過時間において実施すべき作業内容を表すテキストが記述される。例えば押圧式の止血器具を用いる場合、図７に示すように、各経過時間（時刻）において実施すべき減圧作業、及び作業時に観察すべき観察点が記述される。端末２は、各経過時間において実施すべき減圧作業を時系列で案内することで、ユーザの作業負担を軽減する。
　なお、本実施の形態では実施手順情報をプリントアウトするものとして説明するが、実施手順情報を画面表示してもよいことは勿論である。
　図８は、予測モデル５０の生成処理の手順を示すフローチャートである。図８に基づき、機械学習によって予測モデル５０を生成する際の処理内容について説明する。
　サーバ１の制御部１１は、予測モデル５０を生成するための訓練データを取得する（ステップＳ１１）。例えば訓練データは、実際に手術を受けた患者の属性情報、当該患者が受けた手術に関する手術情報、及び手術時に用いられた止血器具に関する止血器具情報に対し、実際に要した止血時間の実績値が正解値として付与されたデータである。制御部１１は点数化テーブル１４２を参照して、属性情報及び手術情報に含まれる入力項目のうち、一部又は全部の入力項目のデータを点数化する（ステップＳ１２）。
　制御部１１は訓練データに基づき、患者の属性情報、手術情報及び止血器具情報を入力した場合に止血時間を出力する予測モデル５０を生成する（ステップＳ１３）。具体的には上述の如く、制御部１１は、ニューラルネットワークを予測モデル５０として生成する。制御部１１は、患者の属性情報及び手術情報の一部又は全部を点数化した訓練データを予測モデル５０に与えて止血時間の予測値を出力し、予測値を正解値（実績値）と比較して、両者が近似するように重み等のパラメータを最適化する。制御部１１は、治療器具（カテーテル）を挿入する穿刺部位、及び止血器具に応じて学習を行い、各穿刺部位及び止血器具に対応する予測モデル５０を生成する。制御部１１は一連の処理を終了する。
　図９は、止血時間予測処理の手順を示すフローチャートである。図９に基づき、予測モデル５０を用いて止血時間を予測する際の処理内容について説明する。
　端末２の制御部２１は、患者名、手術情報、止血器具等の情報の入力を受け付ける（ステップＳ３１）。制御部２１は、入力された患者名に対応する患者の属性情報を電子カルテサーバ３から、止血器具情報をサーバ１から取得する（ステップＳ３２）。制御部２１は、予測モデル５０への入力に必要な入力項目のうち、ステップＳ３２で取得した患者の属性情報に欠落している入力項目があるか否かを判定する（ステップＳ３３）。欠落している入力項目があると判定した場合（Ｓ３３：ＹＥＳ）、制御部２１は、当該項目に対応する情報を入力すべき旨のアラートを表示し、当該項目に対応する情報の入力を受け付ける（ステップＳ３４）。
　ステップＳ３４の処理を実行後、又はステップＳ３３でＮＯの場合、制御部２１は、属性情報及び／又は手術情報に含まれる入力項目のうち、一部又は全部の入力項目のデータを点数化する（ステップＳ３５）。制御部２１は、一部又は全部の入力項目のデータを点数化した属性情報及び手術情報、並びに止血器具情報を予測モデル５０に入力し、止血時間を予測する（ステップＳ３６）。この場合に制御部２１は、穿刺部位及び止血器具に応じて予測モデル５０を選択し、選択した予測モデル５０に各種情報を入力して止血時間を予測する。
　制御部２１はサーバ１と通信を行い、ステップＳ３６で予測した止血時間に対応する実施手順情報であって、患者の穿刺部位、及び止血作業に用いる止血器具に対応する実施手順情報を出力する（ステップＳ３７）。例えば制御部２１は、実施手順情報を表すテキストデータをプリンタに出力し、止血開始後の各経過時間において実施すべき作業内容（例えば減圧作業及び観察点）を記述した文書をプリントさせる。制御部２１は一連の処理を終了する。
　以上より、本実施の形態１によれば、穿刺部位の止血に要する止血時間を好適に予測することができる。
　また、本実施の形態１によれば、穿刺部位及び／又は止血器具に応じて複数の予測モデル５０、５０、５０…を用意することで、止血時間をより好適に予測することができる。
　また、本実施の形態１によれば、患者の年齢、性別等をカテーテル血管手術に照らして点数化することで、より好適に止血時間の学習及び予測を行うことができる。
　また、本実施の形態１によれば、止血時間（及び穿刺部位、止血器具）に応じた実施手順情報を提示することで、止血作業を行うユーザを好適に支援することができる。
（実施の形態２）
　実施の形態１では、止血作業に用いる止血器具に応じて予測モデル５０を選択する形態について述べた。本実施の形態では、複数の予測モデル５０、５０、５０…を用いて、各止血器具を用いた場合の止血時間を予測してユーザに提示する形態について述べる。なお、実施の形態１と重複する内容については同一の符号を付して説明を省略する。
　図１０は、実施の形態２の概要を示す説明図である。図１０では、止血器具Ａ、Ｂ、Ｃ…に対応する予測モデル５０、５０、５０…に患者の属性情報等を入力し、各止血器具を用いた場合の止血時間を予測する様子を概念的に図示している。
　図１０に示すように、本実施の形態で端末２は、患者の属性情報、手術情報及び止血器具情報を各予測モデル５０に入力し、各止血器具を用いた場合の止血時間を予測する。なお、当然ながら、各予測モデル５０には、対応する止血器具Ａ、Ｂ、Ｃ…の止血器具情報がそれぞれ入力される。
　例えば端末２は、各予測モデル５０から出力された止血時間の予測値を画面に表示し、各止血器具を用いた場合の止血時間をユーザに提示する。なお、止血時間以外に、各止血器具の止血器具情報（止血器具の種類、製品名など）を併せて表示してもよい。端末２は、止血作業に用いる止血器具の選択入力を受け付け、選択された止血器具による止血作業の実施手順情報を出力する。
　図１１は、実施の形態２に係る止血時間予測処理の手順を示すフローチャートである。ステップＳ３５の処理を実行後、端末２は以下の処理を実行する。なお、ステップＳ３２で端末２は、全ての止血器具の止血器具情報をサーバ１から取得済みであるものとする。
　端末２の制御部２１は、患者の属性情報、手術情報及び止血器具情報を、各止血器具に対応する複数の予測モデル５０、５０、５０…に入力し、各止血器具を用いた場合の止血時間を予測する（ステップＳ２０１）。制御部２１は、各止血器具での止血時間を表示し、止血作業に用いる止血器具を選択する選択入力を受け付ける（ステップＳ２０２）。制御部２１は、選択された止血器具による実施手順情報を出力し（ステップＳ２０３）、一連の処理を終了する。
　以上より、本実施の形態２によれば、複数の止血器具をそれぞれ用いた場合の止血時間をユーザに提示することで、止血器具の選択を支援することができる。
（実施の形態３）
　本実施の形態では、予測モデル５０の再学習を行う形態について述べる。
　本実施の形態においてサーバ１は手術後に、予測モデル５０に入力された患者の属性情報等と、当該患者について実際の穿刺部位の止血に要した止血時間の実績値とに基づき、予測モデル５０の再学習を行う。すなわち、サーバ１は、止血時間の出力（予測）後に、止血時間の実績値を再学習用の正解値として予測モデル５０を更新する。
　例えば端末２は手術後に、止血時間の実績値（例えば止血作業の開始時刻及び終了時刻）を含む各種データを電子カルテサーバ３に送信し、患者の診療記録として記録させる。サーバ１は電子カルテサーバ３にアクセスし、止血時間の実績値を含む各種データ（患者の属性情報、手術情報等）を取得し、再学習用の訓練データとする。なお、再学習用の訓練データは、例えば端末２から取得してもよく、その取得方法は特に問わない。
　サーバ１は、再学習用の訓練データに基づき、予測モデル５０を更新する。すなわち、サーバ１は、手術を受けた患者の属性情報、手術情報及び止血器具情報を予測モデル５０に入力して止血時間を予測し、予測値を再学習用の正解値（実績値）と比較して、両者が近似するように予測モデル５０のパラメータを更新する。これにより、本システムの運用を通じて予測精度を高めることができる。
　図１２は、予測モデル５０の更新処理の手順を示すフローチャートである。ステップＳ３７の処理を実行後、端末２は以下の処理を実行する。
　端末２の制御部２１は、止血完了後、実際に止血に要した止血時間の実績値の入力をユーザから受け付ける（ステップＳ３０１）。制御部２１は、止血時間の実績値を含む手術情報、止血器具情報等のデータを電子カルテサーバ３に送信し、記録させる（ステップＳ３０２）。
　サーバ１の制御部１１は、止血時間の実績値を含む各種データを再学習用の訓練データとして電子カルテサーバ３から取得する（ステップＳ３０３）。制御部１１は、再学習用の訓練データに基づき、予測モデル５０を更新する（ステップＳ３０４）。すなわち、制御部１１は、手術を行った患者の属性情報、手術情報、及び止血器具情報を予測モデル５０に入力し、予測モデル５０から出力された止血時間の予測値を正解値（実績値）と比較して重み等のパラメータを更新する。制御部１１は一連の処理を終了する。
　以上より、本実施の形態３によれば、本システムの運用を通じて予測精度を高めることができる。
　今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
　１　サーバ（情報処理装置）
　１１　　制御部
　１２　　主記憶部
　１３　　通信部
　１４　　補助記憶部
　Ｐ１　　プログラム
　５０　　予測モデル
　１４１　止血器具ＤＢ
　１４２　点数化テーブル
　１４３　実施手順テーブル
　２　　　端末
　２１　　制御部
　２２　　主記憶部
　２３　　通信部
　２４　　表示部
　２５　　入力部
　２６　　補助記憶部
　Ｐ２　　プログラム

Claims (12)

  1. 　患者の属性情報と、前記患者が受ける手術に関する手術情報と、前記患者の穿刺部位の止血に用いる止血器具に関する止血器具情報とを取得し、
    　前記属性情報、手術情報及び止血器具情報を入力した場合に、前記穿刺部位の止血に要する止血時間を出力するよう訓練データを学習済みのモデルに、取得した前記属性情報、手術情報及び止血器具情報を入力して前記止血時間を出力する
    　処理をコンピュータに実行させるプログラム。
  2. 　前記穿刺部位に応じて異なる訓練データを学習済みの複数の前記モデルのうち、前記患者の穿刺部位に対応する前記モデルに前記属性情報、手術情報及び止血器具情報を入力して前記止血時間を出力する
    　請求項１に記載のプログラム。
  3. 　前記止血器具に応じて異なる訓練データを学習済みの複数の前記モデルのうち、前記患者の穿刺部位の止血に用いる止血器具に対応する前記モデルに前記属性情報、手術情報及び止血器具情報を入力して前記止血時間を出力する
    　請求項１又は２に記載のプログラム。
  4. 　前記止血器具に応じて異なる訓練データを学習済みの複数の前記モデルそれぞれに前記属性情報、手術情報及び止血器具情報を入力して、複数の前記止血器具をそれぞれ使用した場合の前記止血時間を出力する
    　請求項１又は２に記載のプログラム。
  5. 　前記属性情報又は手術情報に含まれる入力項目のうち、一部又は全部の入力項目のデータを所定の規則で点数化し、
    　点数化した前記入力項目のデータを前記モデルに入力する
    　請求項１～４のいずれか１項に記載のプログラム。
  6. 　前記手術は、カテーテルを用いた血管手術であり、
    　点数化する前記入力項目は、前記患者の年齢、性別、人種、活性化全血凝固時間、前記患者の穿刺部位に留置するシースのシースサイズ、前記患者が患っている疾患が急性冠症候群であるか否か、又は体形を含む
    　請求項５に記載のプログラム。
  7. 　前記モデルから出力された前記止血時間に応じて、前記止血器具を用いた止血作業の実施手順を案内する実施手順情報を出力する
    　請求項１～６のいずれか１項に記載のプログラム。
  8. 　前記止血器具は、前記穿刺部位を押圧する器具であり、
    　前記止血時間に応じて、止血開始後の各経過時間における減圧作業を案内する前記実施手順情報を出力する
    　請求項７に記載のプログラム。
  9. 　前記止血時間を出力後、実際に前記患者の穿刺部位の止血に要した止血時間の実績値を取得し、
    　前記モデルに入力した前記属性情報、手術情報及び止血器具情報と、前記実績値とに基づいて前記モデルを更新する
    　請求項１～８のいずれか１項に記載のプログラム。
  10. 　患者の属性情報と、前記患者が受ける手術に関する手術情報と、前記患者の穿刺部位の止血に用いる止血器具に関する止血器具情報とを取得する取得部と、
    　前記属性情報、手術情報及び止血器具情報を入力した場合に、前記穿刺部位の止血に要する止血時間を出力するよう訓練データを学習済みのモデルに、取得した前記属性情報、手術情報及び止血器具情報を入力して前記止血時間を出力する出力部と
    　を備える情報処理装置。
  11. 　患者の属性情報と、前記患者が受ける手術に関する手術情報と、前記患者の穿刺部位の止血に用いる止血器具に関する止血器具情報とを取得し、
    　前記属性情報、手術情報及び止血器具情報を入力した場合に、前記穿刺部位の止血に要する止血時間を出力するよう訓練データを学習済みのモデルに、取得した前記属性情報、手術情報及び止血器具情報を入力して前記止血時間を出力する
    　処理をコンピュータが実行する情報処理方法。
  12. 　患者の属性情報、前記患者が受けた手術に関する手術情報、及び前記患者の穿刺部位の止血に用いた止血器具に関する止血器具情報と、前記穿刺部位の止血に要した止血時間とを含む訓練データを取得し、
    　前記訓練データに基づき、前記属性情報、手術情報及び止血器具情報を入力した場合に前記止血時間を出力する学習済みモデルを生成する
    　処理をコンピュータに実行させるモデル生成方法。
PCT/JP2021/032124 2020-09-03 2021-09-01 プログラム、情報処理装置、情報処理方法及びモデル生成方法 WO2022050310A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022546947A JPWO2022050310A1 (ja) 2020-09-03 2021-09-01

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020148371 2020-09-03
JP2020-148371 2020-09-03

Publications (1)

Publication Number Publication Date
WO2022050310A1 true WO2022050310A1 (ja) 2022-03-10

Family

ID=80491015

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/032124 WO2022050310A1 (ja) 2020-09-03 2021-09-01 プログラム、情報処理装置、情報処理方法及びモデル生成方法

Country Status (2)

Country Link
JP (1) JPWO2022050310A1 (ja)
WO (1) WO2022050310A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114642473A (zh) * 2022-03-23 2022-06-21 首都医科大学宣武医院 一种压力监测止血装置
WO2023233965A1 (ja) * 2022-05-31 2023-12-07 テルモ株式会社 医療システム、医療デバイスおよびプログラム

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6051016A (en) * 1999-03-29 2000-04-18 Instrumed, Inc. System and method of controlling pressure in a surgical tourniquet
JP2008093439A (ja) * 2006-10-10 2008-04-24 General Electric Co <Ge> 外科手術段階および／または外科手術介入を検出すること
US20080177159A1 (en) * 2007-01-23 2008-07-24 Ohk Medical Devices Ltd. Tourniquet timer
JP2009022491A (ja) * 2007-07-19 2009-02-05 Jms Co Ltd 止血器
US20090299924A1 (en) * 2005-10-20 2009-12-03 Bauer Labs Intelligent human-machine interface
JP2012029938A (ja) * 2010-07-30 2012-02-16 Terumo Corp 止血器具
CN104287805A (zh) * 2014-10-22 2015-01-21 南通航运职业技术学院 一种动脉自动压迫止血器及止血方法
JP2015510792A (ja) * 2012-03-06 2015-04-13 アキュメッド システムズ, インコーポレイテッドAccumed Systems, Inc. 止血装置および方法
JP2015531661A (ja) * 2012-09-17 2015-11-05 デピュイ・シンセス・プロダクツ・インコーポレイテッド 外科およびインターベンションの計画、支援、術後経過観察、ならびに機能回復追跡のためのシステムおよび方法
CN204839627U (zh) * 2015-06-29 2015-12-09 北京大学深圳医院 具有报警功能的血透护理止血装置
WO2019116593A1 (ja) * 2017-12-14 2019-06-20 オリンパス株式会社 手術支援装置
US20190272917A1 (en) * 2018-03-05 2019-09-05 Medtech S.A. Robotically-assisted surgical procedure feedback techniques
CN210784526U (zh) * 2019-08-15 2020-06-19 郑州市中心医院 一种桡动脉止血按压装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6051016A (en) * 1999-03-29 2000-04-18 Instrumed, Inc. System and method of controlling pressure in a surgical tourniquet
US20090299924A1 (en) * 2005-10-20 2009-12-03 Bauer Labs Intelligent human-machine interface
JP2008093439A (ja) * 2006-10-10 2008-04-24 General Electric Co <Ge> 外科手術段階および／または外科手術介入を検出すること
US20080177159A1 (en) * 2007-01-23 2008-07-24 Ohk Medical Devices Ltd. Tourniquet timer
JP2009022491A (ja) * 2007-07-19 2009-02-05 Jms Co Ltd 止血器
JP2012029938A (ja) * 2010-07-30 2012-02-16 Terumo Corp 止血器具
JP2015510792A (ja) * 2012-03-06 2015-04-13 アキュメッド システムズ, インコーポレイテッドAccumed Systems, Inc. 止血装置および方法
JP2015531661A (ja) * 2012-09-17 2015-11-05 デピュイ・シンセス・プロダクツ・インコーポレイテッド 外科およびインターベンションの計画、支援、術後経過観察、ならびに機能回復追跡のためのシステムおよび方法
CN104287805A (zh) * 2014-10-22 2015-01-21 南通航运职业技术学院 一种动脉自动压迫止血器及止血方法
CN204839627U (zh) * 2015-06-29 2015-12-09 北京大学深圳医院 具有报警功能的血透护理止血装置
WO2019116593A1 (ja) * 2017-12-14 2019-06-20 オリンパス株式会社 手術支援装置
US20190272917A1 (en) * 2018-03-05 2019-09-05 Medtech S.A. Robotically-assisted surgical procedure feedback techniques
CN210784526U (zh) * 2019-08-15 2020-06-19 郑州市中心医院 一种桡动脉止血按压装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114642473A (zh) * 2022-03-23 2022-06-21 首都医科大学宣武医院 一种压力监测止血装置
WO2023233965A1 (ja) * 2022-05-31 2023-12-07 テルモ株式会社 医療システム、医療デバイスおよびプログラム

Also Published As

Publication number Publication date
JPWO2022050310A1 (ja) 2022-03-10

Similar Documents

Publication Publication Date Title
US11776669B2 (en) System and method for synthetic interaction with user and devices
WO2022050310A1 (ja) プログラム、情報処理装置、情報処理方法及びモデル生成方法
US11361865B2 (en) Computer aided medical method and medical system for medical prediction
Abrams et al. The incidence of corneal abnormalities in the silicone study: Silicone Study Report 7
CN109979587A (zh) 患者健康护理交互设备及其实施方法
US6077082A (en) Personal patient simulation
Guo et al. Machine learning–based operation skills assessment with vascular difficulty index for vascular intervention surgery
US20010001852A1 (en) Computer architecture and process of patient generation, evolution, and simulation for computer based testing system
US20150339363A1 (en) Method, system and interface to facilitate change of an emotional state of a user and concurrent users
US20050289092A1 (en) Computer architecture and process of patient generation, evolution, and simulation for computer based testing system using bayesian networks as a scripting language
CN112802575B (zh) 基于图形状态机的用药决策支持方法、装置、设备、介质
US20180211730A1 (en) Health information (data) medical collection, processing and feedback continuum systems and methods
EP3796226A1 (en) Data conversion/symptom scoring
US11532132B2 (en) Adaptive interactive medical training program with virtual patients
CN114300079B (zh) 病例讨论报告的获取方法、电子设备及存储介质
Mohan et al. Not thinking clearly? Play a game, seriously!
Hokken et al. Precision medicine in interventional cardiology
JPWO2019150608A1 (ja) 支援システム、支援方法、支援プログラム、および支援プログラムを記録した記録媒体
CN113392633B (zh) 一种医疗命名实体识别的方法、装置及存储介质
Peterson et al. Off-pump bypass surgery—ready for the big dance?
Meyer Natural Language Stage of Change Modelling for “Motivationally-driven” Weight Loss Support
CN113066531A (zh) 风险预测方法、装置、计算机设备及存储介质
Romero Lara et al. Use of Virtual Reality and Three-Dimensional Printing in the Surgical Planning of Slide Tracheoplasty
Goldblatt Hyatt et al. Counseling pregnant people after previous termination of pregnancy for fetal anomaly (TOPFA): the double RAINBOW approach
Avril Cardiovascular medtech: the grand challenge of computer simulations

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: 21864367

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022546947

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21864367

Country of ref document: EP

Kind code of ref document: A1