WO2022064708A1 - 診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体 - Google Patents

診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体 Download PDF

Info

Publication number
WO2022064708A1
WO2022064708A1 PCT/JP2020/036695 JP2020036695W WO2022064708A1 WO 2022064708 A1 WO2022064708 A1 WO 2022064708A1 JP 2020036695 W JP2020036695 W JP 2020036695W WO 2022064708 A1 WO2022064708 A1 WO 2022064708A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning model
diagnostic support
patient
disease
estimation
Prior art date
Application number
PCT/JP2020/036695
Other languages
English (en)
French (fr)
Inventor
和久 高木
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2020/036695 priority Critical patent/WO2022064708A1/ja
Priority to JP2022551108A priority patent/JPWO2022064708A5/ja
Priority to US18/026,558 priority patent/US20230335278A1/en
Publication of WO2022064708A1 publication Critical patent/WO2022064708A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Definitions

  • Patent Document 1 does not present the possibility of heart disease in view of the patient's information. Therefore, even if a doctor diagnoses a heart disease using the analysis result of the device, the diagnosis result may vary.
  • An example of an object of the present invention is a diagnostic support device, a diagnostic support method, and a computer-readable recording medium that can solve the above-mentioned problems and present diagnostic materials based on patient information in diagnosing a patient's heart disease. Is to provide.
  • the diagnosis support device 10 selects a learning model suitable for the patient from the information of the patient to be diagnosed, for example, age, gender, medical history, family history, and smoking history, and uses the selected learning model as the learning model. , Apply the patient's electrocardiogram data to estimate the likelihood of the disease. That is, according to the diagnosis support device 10, it is possible to present diagnostic material based on the information of the patient to be diagnosed in the diagnosis of the patient's heart disease.
  • the diagnostic support device 10 is connected to an external device via a network so that data communication is possible.
  • the external device transmits the training data 30 used by the learning model generation unit 14, the information (carte data, etc.) 40 of the patient to be diagnosed, and the electrocardiogram data 50 of the patient to be diagnosed to the diagnosis support device 10.
  • FIG. 4 shows an example of patient chart data used in an embodiment.
  • FIG. 5 shows an example of patient electrocardiogram data used in the embodiment.
  • the learning model generation unit 14 distributes the electrocardiogram data of the patient to the patient to which the training data is acquired as the learning data for the determined disease estimation model (step A33).
  • the learning model generation unit 14 identifies a corresponding patient for each disease estimation model 17, and for each disease estimation model 17, an electrocardiogram of the patient corresponding to the disease estimation model 17. Sort the data.
  • the disease estimation model (1) includes the electrocardiogram data 7-1 to 7-K 7 of the corresponding patient (7) and the electrocardiogram data 103-1 to 103- of the corresponding patient (103). K 103 and are sorted.
  • the learning model generation unit 14 performs machine learning using the corresponding patient's chart data and the electrocardiogram data distributed in step A33 as training data for each disease estimation model, and performs a disease estimation model. Update the parameters of 17 (step A34). As a result, the disease estimation model 17 is generated.
  • the learning model selection unit 11 selects a disease estimation model 16 for estimating the possibility of a disease from the electrocardiogram data of the patient to be diagnosed, based on the patient information 40 acquired in step B1. Specifically, the learning model selection unit 11 selects a disease estimation model 17 according to the patient from the disease estimation models 17 generated in advance based on the output result of step B1 (step B2).
  • step B2 the learning model selection unit 11 outputs the selected disease estimation model 17 and the information on which the selection is based to the estimation unit 12.
  • the information on which the selection is based is the parameters and their values used for the selection of the disease estimation model 17 (see FIG. 7).
  • the estimation unit 12 inputs the electrocardiogram data 50 of the patient to be diagnosed into the disease estimation model 17 selected in step B2, and estimates the possibility of the patient's disease (step B3). Further, the electrocardiogram data to be diagnosed is, for example, divided into Kn intervals and input (see FIG. 15).
  • the degree of certainty is calculated as 0.7 for atrial fibrillation and 0.2 for bigeminy. Further, as the certainty, the output result by general deep learning may be used.
  • the method for calculating the degree of certainty is not particularly limited.
  • the estimation unit 12 calculates the overall certainty for each disease as the possibility of the patient's disease by using the certainty of each disease for each section. Specifically, the estimation unit 12 may use the maximum certainty of the certainty for each section as the total certainty, or the average value of the certainty for each section as the total certainty. .. Further, when the average value is calculated as the total certainty, only some of the high-ranking certainty with a large value may be used.
  • the method for calculating the overall certainty is not particularly limited.
  • the presentation unit 13 also displays the “information that became the basis for selection” output in step B3 as the basis location in the medical record on the screen of the display device 20. Further, in the example of FIG. 16, when the user selects a disease name of one heart disease on the screen, the presentation unit 13 displays the partial electrocardiogram data of the section corresponding to the selected heart disease.
  • the grounds for display are not limited to the above.
  • the basis may be an item name included in the medical record data of the target patient, biological information of the target patient, and the like, and other than these, the information is not limited to the above as long as it is information used for estimating the disease.
  • Examples of the program in the embodiment include a program for causing a computer to execute steps A1 to A4 shown in FIG. 8 and steps B1 to B6 shown in FIG. By installing and executing this program on a computer, the diagnostic support device and the diagnostic support method in the embodiment can be realized.
  • the computer processor functions as a learning model selection unit 11, an estimation unit 12, a presentation unit 13, and a learning model generation unit 14, and performs processing.
  • the computer 110 may include a GPU (Graphics Processing Unit) or an FPGA (Field-Programmable Gate Array) in addition to the CPU 111 or in place of the CPU 111.
  • the GPU or FPGA can execute the program in the embodiment.
  • the storage device 113 include a semiconductor storage device such as a flash memory in addition to a hard disk drive.
  • the input interface 114 mediates data transmission between the CPU 111 and an input device 118 such as a keyboard and mouse.
  • the display controller 115 is connected to the display device 119 and controls the display on the display device 119.
  • Appendix 2 The diagnostic support device described in Appendix 1
  • the learning model selection unit uses the second learning model showing the correspondence between the patient information and the first learning model, and the first learning model is based on the information of the patient to be diagnosed. Select one of the A diagnostic support device characterized by this.
  • the diagnostic support device (Appendix 3) The diagnostic support device according to Appendix 1 or 2, The estimation unit becomes the diagnosis target based on the output result of the first learning model for each of the partial electrocardiogram data obtained by dividing the electrocardiogram data of the patient to be diagnosed at predetermined time intervals. Estimate the possibility of a patient's disease, A diagnostic support device characterized by this.
  • Appendix 7 The diagnostic support device described in Appendix 6 The rationale is at least one of the ECG data or the attributes of the patient to be diagnosed. A diagnostic support device characterized by this.
  • a learning model generation unit that generates the first learning model by machine learning using personal information, personal electrocardiogram data, and a label indicating a disease corresponding to the electrocardiogram data as training data. Is equipped with A diagnostic support device characterized by this.
  • Appendix 22 The diagnostic support method according to any one of the appendices 13 to 21.
  • the second learning model is created by using the output result from the first learning model for the electrocardiogram data of the individual, the information of the individual, and the label indicating the disease corresponding to the electrocardiogram data as training data. , Generated by machine learning, A diagnostic support method characterized by this.
  • Appendix 30 The computer-readable recording medium according to any one of the appendices 25 to 29.
  • the rationale includes the reason why the disease was identified, A computer-readable recording medium characterized by that.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

診断支援装置（10）は、診断対象者の情報に基づいて、個人の属性に応じて生成された、心電図の波形と疾患との関係を示す第1の学習モデルのうち、いずれかを選択する、学習モデル選択部（11）と、選択された第1の学習モデルを用いて、診断対象者の心電図データに基づいて、診断対象者の疾患の可能性を解析する、推定部（12）と、推定の結果と推定の結果を導き出した根拠とを提示する、提示部（13）と、を備えている。

Description

診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体
　本発明は、医師による心疾患の診断を支援するための、診断支援装置、及び診断支援方法に関し、更には、これらを実現するための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に関する。
　心電図は、患者の心臓の電気的な活動の様子をグラフとして記録したものである。医師は、心電図に記録された波形を読み取り、波形から患者における心疾患の診断を行っている。
　但し、心電図から異常を見つけ出すことは容易ではなく、医師のスキルにもよるため、診断結果にばらつきが生じる可能性がある。そのため、特許文献１は、心電図を解析して解析結果を出力する、解析装置を開示している。
　具体的には、特許文献１に開示された解析装置は、患者の心電図データを取得すると、取得した心電図データを１心拍毎の波形データに切り分ける。次に、特許文献１に開示された解析装置は、予め定められた分類条件に基づいて、個々の波形データを分類して、特徴が似ている波形群を作成する。その後、特許文献１に開示された解析装置は、波形群に対して統計処理を行って、波形群毎に、異常心拍の数、全体に対する割合、心拍数の最大・最小といった統計値を求め、求めた統計値に患者の情報を付加し、これを解析結果として出力する。
特開２００７－２０７９９号公報
　しかしながら、特許文献１に開示された解析装置は、患者の情報を鑑みて、心疾患の可能性を提示するわけではない。このため、医師が当該装置による解析結果を用いて心疾患の診断を行ったとしても、診断結果にばらつきが生じる可能性がある。
　本発明の目的の一例は、上記問題を解消し、患者の心疾患の診断において、患者の情報に基づいた診断材料を提示し得る、診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体を提供することにある。
　上記目的を達成するため、本発明の一側面における診断支援装置は、
　心電図の波形と疾患との関係を示す第１の学習モデルを、診断対象となる患者に応じて選択する、学習モデル選択部と、
　選択された前記第１の学習モデルを用いて、前記診断対象となる患者の心電図データに基づいて、前記診断対象となる患者の疾患の可能性を推定する、推定部と、
　前記推定の結果と前記推定の結果の根拠とを提示する、提示部と、
を備える、
ことを特徴とする。
　また、上記目的を達成するため、本発明の一側面における診断支援方法は、
　心電図の波形と疾患との関係を示す第１の学習モデルを、診断対象となる患者に応じて選択する、学習モデル選択ステップと、
　選択された前記第１の学習モデルを用いて、前記診断対象となる患者の心電図データに基づいて、前記診断対象となる患者の疾患の可能性を推定する、推定ステップと、
　前記推定の結果と前記推定の結果の根拠とを提示する、提示ステップと、
を有する、
ことを特徴とする。
　更に、上記目的を達成するため、本発明の一側面におけるコンピュータ読み取り可能な記録媒体は、
　コンピュータに、
　心電図の波形と疾患との関係を示す第１の学習モデルを、診断対象となる患者に応じて選択する、学習モデル選択ステップと、
　選択された前記第１の学習モデルを用いて、前記診断対象となる患者の心電図データに基づいて、前記診断対象となる患者の疾患の可能性を推定する、推定ステップと、
　前記推定の結果と前記推定の結果の根拠とを提示する、提示ステップと、
を実行させる命令を含む、プログラムを記録している、
ことを特徴とする。
　以上のように、本発明によれば、患者の心疾患の診断において、患者の情報に基づいた診断材料を提示することができる。
図１は、実施の形態における診断支援装置の概略構成を示す構成図である。 図２は、心電図における各波を説明する図である。 図３は、実施の形態における診断支援装置の構成を具体的に示す構成図である。 図４は、実施の形態で用いられる患者のカルテデータの一例を示している。 図５は、実施の形態で用いられる患者の心電図データの一例を示している。 図６は、実施の形態において訓練データとして用いられる心電図データ及びラベルの一例を示す図である。 図７は、実施の形態で用いられる第２の学習モデル（選択モデル）の機能を概念的に説明する図である。 図８は、実施の形態における診断支援装置での機械学習処理時の動作全体を示すフロー図である。 図９は、図８に示すステップＡ２（選択モデルの学習処理）を具体的に示すフロー図である。 図１０は、図９に示したステップＡ２１での処理を説明する図である。 図１１は、図９に示したステップＡ２２での処理を説明する図である。 図１２は、図８に示すステップＡ３（疾患推定モデル学習処理）を具体的に示すフロー図である。 図１３は、図１２に示したステップＡ３３での処理を説明する図である。 図１４は、実施の形態における診断支援装置での診断支援処理時の動作を示すフロー図である。 図１５は、図１４に示した各ステップでの処理を説明する図である。 図１６は、実施の形態においてユーザに提示される情報の一例を示す図である。 図１７は、実施の形態における診断支援装置を実現するコンピュータの一例を示すブロック図である。
（実施の形態）
　以下、実施の形態における、診断支援装置、診断支援方法、及びプログラムについて、図１～図１７を参照しながら説明する。
［装置構成］
　最初に、実施の形態における診断支援装置の概略構成について図１を用いて説明する。図１は、実施の形態における診断支援装置の概略構成を示す構成図である。
　図１に示す、実施の形態における診断支援装置１０は、患者の心電図データを用いた、医師による心疾患の診断を支援するための装置である。図１に示すように、診断支援装置１０は、学習モデル選択部１１と、推定部１２と、提示部１３とを備えている。
　学習モデル選択部１１は、心電図の波形と疾患との関係を示す第１の学習モデルを、診断対象となる患者に応じて選択する。実施の形態では、学習モデル選択部１１は、診断対象となる患者の情報に基づいて、複数の学習済みモデル／推定モデルから、いずれかの学習済みモデル／推定モデルを第１の学習モデルとして選択する。第１の学習モデルは、例えば、患者の属性に応じて生成された、心電図データと疾患との関係に関する機械学習済みモデルである。以下、第１の学習モデルは、「疾患推定モデル」と表記する。患者の情報としては、患者の個人情報、例えば、カルテデータ、生体データ、属性情報が挙げられる。
　推定部１２は、学習モデル選択部１１が選択した疾患推定モデルを用い、診断対象となる患者の心電図データに基づいて、その患者の疾患の可能性を推定する。提示部１３は、推定部１２における推定の結果と、推定の結果を導き出した根拠とを提示する。
　このように、診断支援装置１０は、診断対象となる患者の情報、例えば、年齢、性別、既往歴、家族歴、喫煙歴から、その患者に適した学習モデルを選択し、選択した学習モデルに、その患者の心電図データを適用して、疾患の可能性を推定する。つまり、診断支援装置１０によれば、患者の心疾患の診断において、診断対象となる患者の情報に基づいた診断材料を提示することができる。
　ここで、図２を用いて、心電図データを用いた医師による一般的な心疾患の診断について説明する。図２は、心電図における各波を説明する図である。図２に示すように、心電図には、通常、Ｐ波、Ｑ波、Ｒ波、Ｓ波、Ｔ波、ＳＴ部分といった特徴的な波形が含まれている。医師は、心電図からＰ波、Ｑ波、Ｒ波、Ｓ波、Ｔ波、ＳＴ部分を読み取り、各波の状態から異常を見つけ出して、心疾患の診断を行う。例えば、Ｔ波が通常よりも平坦であったり、基線よりも下向きであったりすると、医師は、患者のカルテの情報と照らし合わせながら、患者に虚血性心疾患（狭心症、心筋梗塞）の可能性があると診断する。
　これに対して、診断支援装置１０を用いれば、診断対象となる患者に応じて選択された解析モデルを用いて、心電図データから、その患者の情報（カルテ）を鑑みた疾患の可能性、及びその根拠が提示される。従って、医師の診断結果にばらつきが生じる可能性が低減される。
　続いて、図３～図６を用いて、実施の形態における診断支援装置１０の構成及び機能について具体的に説明する。図３は、実施の形態における診断支援装置の構成を具体的に示す構成図である。
　図３に示すように、実施の形態では、診断支援装置１０は、上述した学習モデル選択部１１、推定部１２、及び提示部１３に加えて、学習モデル生成部１４と、記憶部１５とを備えている。また、図３に示すように、診断支援装置１０には、表示装置２０が接続されている。
　更に、図３には示していないが、診断支援装置１０は、ネットワークを介して、外部の装置にデータ通信可能に接続されている。外部の装置は、学習モデル生成部１４が用いる訓練データ３０、診断対象者となる患者の情報（カルテデータ等）４０、同じく診断対象者となる患者の心電図データ５０を診断支援装置１０に送信する。図４は、実施の形態で用いられる患者のカルテデータの一例を示している。図５は、実施の形態で用いられる患者の心電図データの一例を示している。
　学習モデル生成部１４は、訓練データ３０を用いて機械学習を行って、疾患推定モデル１７を生成する。機械学習の手法は特に限定されるものではない。機械学習の手法としては、ディープラーニングが挙げられる。
　訓練データとしては、予め取得されている、患者の情報、患者の心電図データ、及び心電図データに対応する疾患を示すラベル（以下「正解ラベル」と表記する。）が挙げられる。なお、訓練データにおける「患者」は訓練データの取得先となった患者である。また、訓練データとなる患者の情報としても、図４に示したカルテデータ、生体情報、属性情報が挙げられる。訓練データとなる患者の心電図データとしても、図５に示した心電図データが挙げられる。
　心電図データに対応する疾患を示す正解ラベルとしては、図６に示すように、心電図データの区間毎に付与されたラベルが挙げられる。図６は、実施の形態において訓練データとして用いられる心電図データ及びラベルの一例を示す図である。図６の例では、区間は心電図データを所定の時間間隔で分割することによって設定されている。以降においては、各区間は「部分心電図データ」と表記する。また、図６の例では、心電図データに、区間毎に、正解ラベルとして、「正常」、「心房細動」、「ノイズ」が設定されている。ラベルの例は、上記の例に限定されず、他に「二段脈」、「不整脈」、「心筋梗塞」、「狭心症」等も挙げられる。更に、ラベルは、細かく分類されていても良い。例えば、狭心症については、労作性狭心症、安静時狭心症、冠れん縮性狭心症（異型狭心症）、動脈硬化性狭心症、無症候性心筋虚血等に分類される。
　また、実施の形態では、学習モデル生成部１４は、まず、訓練データ３０に含まれる患者の心電図データを疾患推定モデル１７に入力して、出力結果を取得する。そして、学習モデル生成部１４は、訓練データとして、取得した出力結果、患者の情報、及び心電図データに対応する疾患を示す正解ラベルを用いて、機械学習を行って、患者の情報（カルテデータ）と疾患推定モデルとの対応関係を示す、第２の学習モデル１６を生成する。
　第２の学習モデル１６は、後述するように、学習モデル選択部１１による疾患推定モデル１７の選択に用いられる。以下、第２の学習モデルは、「選択モデル」と表記する。この場合の機械学習の手法も特に限定されるものではない。機械学習の手法としては、ディープラーニングが挙げられる。
　図７は、実施の形態で用いられる第２の学習モデル（選択モデル）の機能を概念的に説明する図である。図７に示すように、選択モデル１６に、患者の情報として、例えば、カルテデータが入力されると、カルテデータの内容に応じて、疾患推定モデル（１）～（Ｍ）の中から疾患推定モデル１７が選択されることになる。Ｍは、用意されている疾患推定モデルの数を示している。
　更に、学習モデル生成部１４は、選択モデル１６を用いて、疾患推定モデル１７を更新することができる。具体的には、学習モデル生成部１４は、まず、選択モデル１６に、訓練データとなる個人の情報を入力して、各個人に対応する疾患推定モデルを特定する。そして、学習モデル生成部１４は、訓練データとなる患者の心電図データ及び心電図データに対応する疾患を示す正解ラベルのうち、特定した疾患推定モデルに対応する、心電図データ及び正解ラベルを選択する。その後、学習モデル生成部１４は、選択した心電図データ及び正解ラベルを用いて、疾患推定モデルを更新する。
　具体的には、学習モデル生成部１４は、訓練データの取得先である患者毎に疾患推定モデルを特定すると、患者毎に、訓練データとなる心電図データ及び正解ラベルを振り分ける。そして、学習モデル生成部１４は、患者毎に、振り分けた心電図データを、特定した疾患推定モデルに入力し、出力結果と正解ラベルとを対比し、対比結果に基づいて、疾患推定モデルを更新する。
　学習モデル選択部１１は、実施の形態では、上述した選択モデルを用いて、診断対象となる患者の情報に基づいて、予め生成されている疾患推定モデルの中から、診断対象となる患者に適合する疾患推定モデルを選択する。
　推定部１２は、実施の形態では、診断対象となる患者の心電図データを所定の時間間隔で分割して得られた、部分心電図データそれぞれに対する、疾患推定モデルの出力結果に基づいて、診断対象となる患者の疾患の可能性を解析する。具体的には、推定部１２は、部分心電図データ毎に、それを疾患推定モデルに入力して、出力結果を取得する。そして、推定部１２は、部分心電図データ毎の出力結果を用いて、診断対象となる患者の疾患の可能性を推定する。
　提示部１３は、実施の形態では、推定の結果と、推定の結果を導き出した根拠とを、表示装置２０の画面上に提示する。このとき提示される推定結果としては、診断対象者である患者に生じている可能性のある疾患についての情報が挙げられる。また、このとき提示される根拠としては、診断対象者である患者に生じている可能性のある疾患が特定された理由が挙げられる。
　また、根拠は、部分心電図データ（特定の部分）及び患者の属性のうち少なくとも１つであっても良い。更に、属性としては、選択された疾患推定モデルに対応する患者の属性が挙げられる。更に、提示部１３は、根拠を提示した後、提示した根拠に対する推定の結果の提示要求に応じて、推定の結果を提示することもできる。また、根拠は、疾患推定モデルに入力したデータのうちの少なくとも一つであって良い。根拠としては、例えば、心電図波形データのうちの一部分の波形、診断対象となる患者の属性等も挙げられる。
［装置動作］
　次に、実施の形態における診断支援装置１０の動作について、図８～図１６を用いて、機械学習処理と診断支援処理とに分けて説明する。以下の説明においては、適宜図１～図７を参照する。また、実施の形態では、診断支援装置１０を動作させることによって、診断支援方法が実施される。よって、実施の形態における診断支援方法の説明は、以下の診断支援装置１０の動作説明に代える。
　学習モデル生成処理：
　最初に、図８～図１０を用いて、診断支援装置１０による学習モデルの生成処理について説明する。図８は、実施の形態における診断支援装置での機械学習処理時の動作全体を示すフロー図である。
　実施の形態では、前提として、訓練データ３０の取得のため、予め、診断対象となる患者に問診が行われてカルテデータが作成され、更に、診断対象となる患者において心電図の計測が行われて心電図データが取得される。また、心電図データに対して、医師による診断が行われて、区間毎に正解ラベルが設定される（図６参照）。すなわち、訓練データには、区間ごとに、”正常”、”心房細動”、”二段脈”、”ノイズ”などの正解ラベルが付与される。
　図８に示すように、最初に、学習モデル生成部１４は、選択モデル１６となるモデルのパラメータと、疾患推定モデル１７となるモデルのパラメータとを、それぞれ初期値に設定する（ステップＡ１）。
　次に、学習モデル生成部１４は、カルテデータと疾患推定モデルとの対応関係を示す、選択モデルに対して、機械学習を実行する（ステップＡ２）。具体的には、学習モデル生成部１４は、訓練データ３０に含まれる心電図データを疾患推定モデル１７に入力して、出力結果を取得する。そして、学習モデル生成部１４は、訓練データとして、取得した出力結果、及び訓練データ３０に含まれる正解ラベルを用いて、機械学習を実行して、選択モデル１６のパラメータを更新する。
　次に、学習モデル生成部１４は、患者に応じて心電図の波形と疾患との関係を示す、疾患推定モデル１７の生成のため、機械学習を実行する（ステップＡ３）。具体的には、学習モデル生成部１４は、訓練データとして、患者のカルテデータ、患者の心電図データ、及び正解ラベルを用いて、機械学習を実行して、疾患推定モデル１７のパラメータを更新する。
　次に、学習モデル生成部１４は、ステップＡ２及びＡ３の実行回数が既定の反復回数に到達したかどうかを判定する（ステップＡ４）。ステップＡ４の判定の結果、ステップＡ２及びＡ３の実行回数が既定の反復回数に到達していない場合は、学習モデル生成部１４は、再度ステップＡ２を実行する。一方、ステップＡ２及びＡ３の実行回数が既定の反復回数に到達している場合は、学習モデル生成部１４は、機械学習処理を終了する。
　続いて、図９～図１１を用いて、図８に示すステップＡ２における処理（選択モデルの学習処理）について具体的に説明する。図９は、図８に示すステップＡ２（選択モデルの学習処理）を具体的に示すフロー図である。図１０は、図９に示したステップＡ２１での処理を説明する図である。図１１は、図９に示したステップＡ２２での処理を説明する図である。
　図９に示すように、学習モデル生成部１４は、訓練データ３０の取得先となった患者毎に、その心電図データを、全ての疾患推定モデル１７に入力する（ステップＡ２１）。
　例えば、図１０に示すように、学習モデル生成部１４は、訓練データの取得先となった患者（１）～患者（Ｎ）それぞれ毎に、その心電図データを、疾患推定モデル（１）～疾患推定モデル（Ｍ）に入力する。これにより、図１０の最下段に示すように、心電図データそれぞれについて、区間毎に、全疾患推定モデル１７の出力結果が得られることになる。
　また、図１０においては、疾患推定モデルは、「ＡＩ」と表記されている。各患者の心電図データには、予めＫ個の区間が設定されている。図１０に示された「１－１」～「Ｎ－ＫＮ」は、区間ＩＤ（Identifier）である。
　次に、学習モデル生成部１４は、出力結果に基づいて、訓練データの取得先となった患者毎に適した疾患推定モデル１７を決定する（ステップＡ２２）。
　具体的には、ステップＡ２２では、学習モデル生成部１４は、訓練データの取得先となった患者毎に、全疾患推定モデル１７の中から、推定結果が正しい区間の数が多い疾患推定モデルを特定する。そして、学習モデル生成部１４は、特定した疾患推定モデルを、その患者に適した疾患推定モデルに決定する。
　ここで、ステップＡ２２の処理の一例を説明する。図１１に示すように学習モデル生成部１４は、正解ラベルと、ステップＡ２１の出力結果とを対比する。次に、学習モデル生成部１４は、心電図データの区間毎に、疾患推定モデル１７それぞれについて正誤表を作成し、作成した正誤表を用いて、患者毎に、疾患推定モデル１７それぞれについて正解率を算出する。続いて、学習モデル生成部１４は、患者毎に最も正解率の高い疾患推定モデル１７を特定し、特定した疾患推定モデル１７を、その患者に適した疾患推定モデル１７として決定する。尚、ステップＡ２２の処理は上記に限定されず、予め定めた所定のルール（患者の属性、生体情報、カルテデータ等）に基づいて疾患推定モデルを決定してもよい。
　次に、学習モデル生成部１４は、ステップＡ２２で決定された患者毎の疾患推定モデルを正解データとし、この正解データとカルテデータとを訓練データとして用いて、機械学習を行って、選択モデル１６のパラメータを更新する（ステップＡ２３）。これにより、選択モデル１６が生成される。
　続いて、図１２及び図１３を用いて、図８に示すステップＡ３における処理（疾患推定モデル学習処理）について具体的に説明する。図１２は、図８に示すステップＡ３（疾患推定モデル学習処理）を具体的に示すフロー図である。図１３は、図１２に示したステップＡ３３での処理を説明する図である。
　図１２に示すように、学習モデル生成部１４は、まず、訓練データの取得先となった患者毎に、そのカルテデータを、選択モデル１６に入力する（ステップＡ３１）。
　次に、学習モデル生成部１４は、訓練データの取得先となった患者毎に、選択モデル１６からの出力結果に基づいて、その患者に適した疾患推定モデル１７を決定する（ステップＡ３２）。
　次に、学習モデル生成部１４は、訓練データの取得先となった患者毎に、その患者の心電図データを、決定した疾患推定モデルに対する学習データとして振り分ける（ステップＡ３３）。
　具体的には、図１３の例では、学習モデル生成部１４は、疾患推定モデル１７それぞれについて、対応する患者を特定し、疾患推定モデル１７毎に、その疾患推定モデル１７に対応する患者の心電図データを振り分ける。図１３の例では、疾患推定モデル（１）には、対応する患者（７）の心電図データ７－１～７－Ｋ７と、同じく対応する患者（１０３）の心電図データ１０３－１～１０３－Ｋ１０３と、が振り分けられている。
　次に、学習モデル生成部１４は、疾患推定モデル毎に、対応する患者のカルテデータと、ステップＡ３３で振り分けられた心電図データとを、訓練データとして用いて、機械学習を行って、疾患推定モデル１７のパラメータを更新する（ステップＡ３４）。これにより、疾患推定モデル１７が生成される。
　診断支援処理：
　図１４～図１６を用いて、診断支援装置１０による診断支援処理について説明する。図１４は、実施の形態における診断支援装置での診断支援処理時の動作を示すフロー図である。図１５は、図１４に示した各ステップでの処理を説明する図である。図１６は、実施の形態においてユーザに提示される情報の一例を示す図である。
　図１４に示すように、最初に、学習モデル選択部１１は、診断対象となる患者の情報（例えばカルテデータ）４０を取得する（ステップＢ１）。また、学習モデル選択部１１は、診断対象者の心電図データを取得する。
　次に、学習モデル選択部１１は、ステップＢ１で取得した患者の情報４０に基づいて、診断対象となる患者の心電図データから疾患の可能性を推定するための疾患推定モデル１６を選択する。具体的には、学習モデル選択部１１は、ステップＢ１の出力結果に基づいて、予め生成されている疾患推定モデル１７の中から、患者に応じた疾患推定モデル１７を選択する（ステップＢ２）。
　また、ステップＢ２では、学習モデル選択部１１は、選択した疾患推定モデル１７と、選択の根拠となった情報と、を推定部１２に出力する。図１５に示すように、選択の根拠となった情報は、疾患推定モデル１７の選択に用いたパラメータ及びその値である（図７参照）。
　次に、推定部１２は、ステップＢ２で選択された疾患推定モデル１７に、診断対象となる患者の心電図データ５０を入力して、患者の疾患の可能性を推定する（ステップＢ３）。また、診断対象となる心電図データは、例えば、Ｋｎ個の区間に分割されて入力される（図１５参照）。
　例えば、ステップＢ３では、推定部１２は、心電図データ５０を所定の時間間隔で分割して区間を設定する。そして、図１５に示すように、推定部１２は、区間の設定によって得られた部分心電図データそれぞれを、疾患推定モデル１７に入力して、区間毎に、疾患の可能性を示す確信度を算出する。
　図１５の例では、区間ＩＤ（１）においては、確信度として、心房細動について０．７と算出され、二段脈について０．２と算出されている。また、確信度としては、一般的なディープラーニングによる出力結果が用いられても良い。確信度の算出方法は、特に限定されるものではない。
　更に、推定部１２は、区間毎の各疾患の確信度を用いて、患者の疾患の可能性として、疾患毎に、総合的な確信度を算出する。具体的には、推定部１２は、区間毎の確信度のうち、最大の確信度を総合的な確信度としても良いし、区間毎の確信度の平均値を総合的な確信度としても良い。また、総合的な確信度として平均値が算出される場合は、値の大きい上位幾つかの確信度のみが用いられても良い。総合的な確信度の算出方法も、特に限定されるものではない。
　次に、推定部１２は、学習モデル選択部１１から出力されてきた、選択の根拠となった情報に基づいて、ステップＢ３における疾患が推定された根拠を特定する（ステップＢ４）。具体的には、推定部１２は、確信度が閾値以上となっている心疾患において、確信度が一定値以上となっていた区間を、根拠として特定する。
　次に、推定部１２は、ステップＢ３で推定した疾患の可能性と、ステップＢ４で特定した根拠とを、提示部１３に出力する（ステップＢ５）。具体的には、推定部１２は、確信度が閾値以上となっている心疾患の病名と、その心疾患の可能性を示す確信度が一定値以上となっていた区間の区間ＩＤとを、提示部１３に出力する。
　次に、提示部１３は、ステップＢ３で出力された推定の結果及び根拠を、表示装置２０の画面上で提示する（ステップＢ６）。また、提示部１３は、ステップＢ２で推定部１２に出力された「選択の根拠となった情報」も、表示装置２０の画面上で提示することもできる。
　例えば、図１６の例に示すように、提示部１３は、表示装置２０の画面上に、診断結果候補として、確信度が閾値以上となっている心疾患の病名を表示し、心電図内根拠箇所として、確信度が一定値以上となっていた区間の部分心電図データを表示する。
　また、図１６の例では、提示部１３は、表示装置２０の画面上に、カルテ内根拠箇所として、ステップＢ３で出力されてきた「選択の根拠となった情報」も表示する。更に、図１６の例では、ユーザが、画面上で、１つの心疾患の病名を選択すると、提示部１３は、選択された心疾患に対応する区間の部分心電図データを表示する。
　尚、表示される根拠は上記に限定されない。例えば、根拠は、対象患者のカルテデータに含まれる項目名、対象患者の生体情報等であってもよく、これら以外でも、疾病の推定に用いる情報であれば上記に限定されない。
［実施の形態における効果］
　以上のように、実施の形態では、患者のカルテと心電図とが用いられて推定が行われ、推定の結果として、心疾患の可能性が提示される。また、実施の形態では、推定の結果を導く根拠と患者のカルテの関連する部分も提示される。このため、実施の形態によれば、心電図を用いた患者の心疾患の診断において、患者のカルテに基づいた診断材料を提示することができ、心疾患の診断結果におけるばらつきが抑制される。
［プログラム］
　実施の形態におけるプログラムとしては、コンピュータに、図８に示すステップＡ１～Ａ４、及び図１４に示すステップＢ１～Ｂ６を実行させるプログラムが挙げられる。このプログラムをコンピュータにインストールし、実行することによって、実施の形態における診断支援装置と診断支援方法とを実現することができる。この場合、コンピュータのプロセッサは、学習モデル選択部１１、推定部１２、提示部１３、及び学習モデル生成部１４として機能し、処理を行なう。
　記憶部１５は、コンピュータに備えられたハードディスク等の記憶装置に、これらを構成するデータファイルを格納することによって実現できる。また、コンピュータとしては、汎用のＰＣの他に、スマートフォン、タブレット型端末装置が挙げられる。
　また、実施の形態におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、学習モデル選択部１１、推定部１２、提示部１３、及び学習モデル生成部１４のいずれかとして機能しても良い。
［物理構成］
　ここで、実施の形態におけるプログラムを実行することによって、診断支援装置を実現するコンピュータについて図１７を用いて説明する。図１７は、実施の形態における診断支援装置を実現するコンピュータの一例を示すブロック図である。
　図１７に示すように、コンピュータ１１０は、ＣＰＵ（Central Processing Unit）１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。
　また、コンピュータ１１０は、ＣＰＵ１１１に加えて、又はＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-Programmable Gate Array）を備えていても良い。この態様では、ＧＰＵ又はＦＰＧＡが、実施の形態におけるプログラムを実行することができる。
　ＣＰＵ１１１は、記憶装置１１３に格納された、コード群で構成された実施の形態におけるプログラムをメインメモリ１１２に展開し、各コードを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。
　また、実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであっても良い。
　また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。
　データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。
　また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記録媒体、又はＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記録媒体が挙げられる。
　実施の形態における診断支援装置１０は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェア（例えば、回路等）を用いることによっても実現可能である。更に、診断支援装置１０は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。
　上述した実施の形態の一部又は全部は、以下に記載する（付記１）～（付記３６）によって表現することができるが、以下の記載に限定されるものではない。
（付記１）
　心電図の波形と疾患との関係を示す第１の学習モデルを、診断対象となる患者に応じて選択する、学習モデル選択部と、
　選択された前記第１の学習モデルを用いて、前記診断対象となる患者の心電図データに基づいて、前記診断対象となる患者の疾患の可能性を推定する、推定部と、
　前記推定の結果と前記推定の結果の根拠とを提示する、提示部と、
を備える、
ことを特徴とする診断支援装置。
（付記２）
付記１に記載の診断支援装置であって、
　前記学習モデル選択部は、患者の情報と前記第１の学習モデルとの対応関係を示す第２の学習モデルを用いて、前記診断対象となる患者の情報に基づいて、前記第１の学習モデルのうちのいずれかを選択する、
ことを特徴とする診断支援装置。
（付記３）
付記１または２に記載の診断支援装置であって、
　前記推定部は、前記診断対象となる患者の心電図データを所定の時間間隔で分割して得られた、部分心電図データそれぞれに対する前記第１の学習モデルの出力結果に基づいて、前記診断対象となる患者の疾患の可能性を推定する、
ことを特徴とする診断支援装置。
（付記４）
付記３に記載の診断支援装置であって、
　前記推定部は、前記部分心電図データ毎に分析した結果に基づいて、前記診断対象となる患者の疾患の可能性を解析する、
ことを特徴とする診断支援装置。
（付記５）
付記１から４のいずれか一項に記載の診断支援装置であって、
　前記推定の結果は、前記疾患を含む、
ことを特徴とする診断支援装置。
（付記６）
付記１から５のいずれか一項に記載の診断支援装置であって、
　前記根拠は、前記疾患が特定された理由を含む、
ことを特徴とする診断支援装置。
（付記７）
付記６に記載の診断支援装置であって、
前記根拠は、前記心電図データまたは前記診断対象となる患者の属性のうち少なくとも１つである、
ことを特徴とする診断支援装置。
（付記８）
付記７に記載の診断支援装置であって、
　前記学習モデル選択部が、前記診断対象となる患者の属性に応じて、前記第１の学習モデルを選択しており、
　前記属性は、選択された前記第１の学習モデルに対応する属性である、
ことを特徴とする診断支援装置。
（付記９）
付記１から８のいずれか一項に記載の診断支援装置であって、
　前記提示部は、前記根拠を提示し、提示した前記根拠に対する前記推定の結果の提示要求に応じて、前記推定の結果を提示する、
ことを特徴とする診断支援装置。
（付記１０）
付記１から９のいずれか一項に記載の診断支援装置であって、
　個人の情報、個人の心電図データ、及び前記心電図データに対応する疾患を示すラベルを訓練データとして、前記第１の学習モデルを、機械学習により生成する、学習モデル生成部、
を備えている、
ことを特徴とする診断支援装置。
（付記１１）
付記１０に記載の診断支援装置であって、
　前記学習モデル生成部は、前記個人の心電図データに対する前記第１の学習モデルからの出力結果、前記個人の情報及び前記心電図データに対応する疾患を示すラベルを訓練データとして、第２の学習モデルを、機械学習により生成する、
ことを特徴とする診断支援装置。
（付記１２）
付記１１に記載の診断支援装置であって、
　前記学習モデル生成部は、
前記第２の学習モデルを用いて、前記訓練データとなる前記個人の情報に基づいて前記個人に対応する前記第１の学習モデルを特定し、
前記訓練データとなる前記個人の心電図データ及び前記心電図データに対応する疾患を示すラベルのうち、特定した前記第１の学習モデルに対応するとして選択した前記心電図データ及び前記ラベルを用いて、前記第１の学習モデルを更新する、
ことを特徴とする診断支援装置。
（付記１３）
　心電図の波形と疾患との関係を示す第１の学習モデルを、診断対象となる患者に応じて選択する、学習モデル選択ステップと、
　選択された前記第１の学習モデルを用いて、前記診断対象となる患者の心電図データに基づいて、前記診断対象となる患者の疾患の可能性を推定する、推定ステップと、
　前記推定の結果と前記推定の結果の根拠とを提示する、提示ステップと、
を有する、
ことを特徴とする診断支援方法。
（付記１４）
付記１３に記載の診断支援方法であって、
　前記第１の学習モデル選択ステップにおいて、患者の情報と前記第１の学習モデルとの対応関係を示す第２の学習モデルを用いて、前記診断対象となる患者の情報に基づいて、前記第１の学習モデルのうちのいずれかを選択する、
ことを特徴とする診断支援方法。
（付記１５）
付記１３または１４に記載の診断支援方法であって、
　前記推定ステップにおいて、前記診断対象となる患者の心電図データを所定の時間間隔で分割して得られた、部分心電図データそれぞれに対する前記第１の学習モデルの出力結果に基づいて、前記診断対象となる患者の疾患の可能性を推定する、
ことを特徴とする診断支援方法。
（付記１６）
付記１５に記載の診断支援方法であって、
　前記推定ステップにおいて、前記部分心電図データ毎に分析した結果に基づいて、前記診断対象となる患者の疾患の可能性を解析する、
ことを特徴とする診断支援方法。
（付記１７）
付記１３から１６のいずれか一項に記載の診断支援方法であって、
　前記推定の結果は、前記疾患を含む、
ことを特徴とする診断支援方法。
（付記１８）
付記１３から１７のいずれか一項に記載の診断支援方法であって、
　前記根拠は、前記疾患が特定された理由を含む、
ことを特徴とする診断支援方法。
（付記１９）
付記１８に記載の診断支援方法であって、
前記根拠は、前記心電図データまたは前記診断対象となる患者の属性のうち少なくとも１つである、
ことを特徴とする診断支援方法。
（付記２０）
付記１９に記載の診断支援方法であって、
　前記学習モデル選択ステップにおいて、前記診断対象となる患者の属性に応じて、前記第１の学習モデルを選択しており、
　前記属性は、選択された前記第１の学習モデルに対応する属性である、
ことを特徴とする診断支援方法。
（付記２１）
付記１３から２０のいずれか一項に記載の診断支援方法であって、
　前記提示ステップにおいて、前記根拠を提示し、提示した前記根拠に対する前記推定の結果の提示要求に応じて、前記推定の結果を提示する、
ことを特徴とする診断支援方法。
（付記２２）
付記１３から２１のいずれか一項に記載の診断支援方法であって、
　個人の情報、個人の心電図データ、及び前記心電図データに対応する疾患を示すラベルを訓練データとして、前記第１の学習モデルを、機械学習により生成する、学習モデル生成ステップ、
を備えている、
ことを特徴とする診断支援方法。
（付記２３）
付記２２に記載の診断支援方法であって、
　前記学習モデル生成ステップにおいて、前記個人の心電図データに対する前記第１の学習モデルからの出力結果、前記個人の情報及び前記心電図データに対応する疾患を示すラベルを訓練データとして、第２の学習モデルを、機械学習により生成する、
ことを特徴とする診断支援方法。
（付記２４）
付記２３に記載の診断支援方法であって、
　前記学習モデル生成ステップにおいて、
前記第２の学習モデルを用いて、前記訓練データとなる前記個人の情報に基づいて前記個人に対応する前記第１の学習モデルを特定し、
前記訓練データとなる前記個人の心電図データ及び前記心電図データに対応する疾患を示すラベルのうち、特定した前記第１の学習モデルに対応するとして選択した前記心電図データ及び前記ラベルを用いて、前記第１の学習モデルを更新する、
ことを特徴とする診断支援方法。
（付記２５）
　コンピュータに、
　心電図の波形と疾患との関係を示す第１の学習モデルを、診断対象となる患者に応じて選択する、学習モデル選択ステップと、
　選択された前記第１の学習モデルを用いて、前記診断対象となる患者の心電図データに基づいて、前記診断対象となる患者の疾患の可能性を推定する、推定ステップと、
　前記推定の結果と前記推定の結果の根拠とを提示する、提示ステップと、
を実行させる命令を含む、プログラムを記録している、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記２６）
付記２５に記載のコンピュータ読み取り可能な記録媒体であって、
　前記第１の学習モデル選択ステップにおいて、患者の情報と前記第１の学習モデルとの対応関係を示す第２の学習モデルを用いて、前記診断対象となる患者の情報に基づいて、前記第１の学習モデルのうちのいずれかを選択する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記２７）
付記２５または２６に記載のコンピュータ読み取り可能な記録媒体であって、
　前記推定ステップにおいて、前記診断対象となる患者の心電図データを所定の時間間隔で分割して得られた、部分心電図データそれぞれに対する前記第１の学習モデルの出力結果に基づいて、前記診断対象となる患者の疾患の可能性を推定する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記２８）
付記２７に記載のコンピュータ読み取り可能な記録媒体であって、
　前記推定ステップにおいて、前記部分心電図データ毎に分析した結果に基づいて、前記診断対象となる患者の疾患の可能性を解析する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記２９）
付記２５から２８のいずれか一項に記載のコンピュータ読み取り可能な記録媒体であって、
　前記推定の結果は、前記疾患を含む、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記３０）
付記２５から２９のいずれか一項に記載のコンピュータ読み取り可能な記録媒体であって、
　前記根拠は、前記疾患が特定された理由を含む、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記３１）
付記３０に記載のコンピュータ読み取り可能な記録媒体であって、
前記根拠は、前記心電図データまたは前記診断対象となる患者の属性のうち少なくとも１つである、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記３２）
付記３１に記載のコンピュータ読み取り可能な記録媒体であって、
　前記学習モデル選択ステップにおいて、前記診断対象となる患者の属性に応じて、前記第１の学習モデルを選択しており、
　前記属性は、選択された前記第１の学習モデルに対応する属性である、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記３３）
付記２５から３２のいずれか一項に記載のコンピュータ読み取り可能な記録媒体であって、
　前記提示ステップにおいて、前記根拠を提示し、提示した前記根拠に対する前記推定の結果の提示要求に応じて、前記推定の結果を提示する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記３４）
付記２５から３３のいずれか一項に記載のコンピュータ読み取り可能な記録媒体であって、
　個人の情報、個人の心電図データ、及び前記心電図データに対応する疾患を示すラベルを訓練データとして、前記第１の学習モデルを、機械学習により生成する、学習モデル生成ステップ、
を備えている、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記３５）
付記３４に記載のコンピュータ読み取り可能な記録媒体であって、
　前記学習モデル生成ステップにおいて、前記個人の心電図データに対する前記第１の学習モデルからの出力結果、前記個人の情報及び前記心電図データに対応する疾患を示すラベルを訓練データとして、第２の学習モデルを、機械学習により生成する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記３６）
付記３５に記載のコンピュータ読み取り可能な記録媒体であって、
　前記学習モデル生成ステップにおいて、
前記第２の学習モデルを用いて、前記訓練データとなる前記個人の情報に基づいて前記個人に対応する前記第１の学習モデルを特定し、
前記訓練データとなる前記個人の心電図データ及び前記心電図データに対応する疾患を示すラベルのうち、特定した前記第１の学習モデルに対応するとして選択した前記心電図データ及び前記ラベルを用いて、前記第１の学習モデルを更新する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
　以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　以上のように、本発明によれば、患者の心疾患の診断において、患者の情報に基づいた診断材料を提示することができる。本発明は、心電図を用いて心疾患を解析するシステムに有用である。
　１０　診断支援装置
　１１　学習モデル選択部
　１２　推定部
　１３　提示部
　１４　学習モデル生成部
　１５　記憶部
　１６　選択モデル（第２の学習モデル）
　１７　疾患推定モデル（第１の学習モデル）
　２０　表示装置
　３０　訓練データ
　４０　患者の情報（カルテデータ）
　５０　患者の心電図データ
　１１０　コンピュータ
　１１１　ＣＰＵ
　１１２　メインメモリ
　１１３　記憶装置
　１１４　入力インターフェイス
　１１５　表示コントローラ
　１１６　データリーダ／ライタ
　１１７　通信インターフェイス
　１１８　入力機器
　１１９　ディスプレイ装置
　１２０　記録媒体
　１２１　バス

Claims (25)

  1. 　心電図の波形と疾患との関係を示す第１の学習モデルを、診断対象となる患者に応じて選択する、学習モデル選択手段と、
    　選択された前記第１の学習モデルを用いて、前記診断対象となる患者の心電図データに基づいて、前記診断対象となる患者の疾患の可能性を推定する、推定手段と、
    　前記推定の結果と前記推定の結果の根拠とを提示する、提示手段と、
    を備える、
    ことを特徴とする診断支援装置。
  2. 請求項１に記載の診断支援装置であって、
    　前記学習モデル選択手段は、患者の情報と前記第１の学習モデルとの対応関係を示す第２の学習モデルを用いて、前記診断対象となる患者の情報に基づいて、前記第１の学習モデルのうちのいずれかを選択する、
    ことを特徴とする診断支援装置。
  3. 請求項１または２に記載の診断支援装置であって、
    　前記推定手段は、前記診断対象となる患者の心電図データを所定の時間間隔で分割して得られた、部分心電図データそれぞれに対する前記第１の学習モデルの出力結果に基づいて、前記診断対象となる患者の疾患の可能性を推定する、
    ことを特徴とする診断支援装置。
  4. 請求項３に記載の診断支援装置であって、
    　前記推定手段は、前記部分心電図データ毎に分析した結果に基づいて、前記診断対象となる患者の疾患の可能性を解析する、
    ことを特徴とする診断支援装置。
  5. 請求項１から４のいずれか一項に記載の診断支援装置であって、
    　前記推定の結果は、前記疾患を含む、
    ことを特徴とする診断支援装置。
  6. 請求項１から５のいずれか一項に記載の診断支援装置であって、
    　前記根拠は、前記疾患が特定された理由を含む、
    ことを特徴とする診断支援装置。
  7. 請求項６に記載の診断支援装置であって、
    前記根拠は、前記心電図データまたは前記診断対象となる患者の属性のうち少なくとも１つである、
    ことを特徴とする診断支援装置。
  8. 請求項７に記載の診断支援装置であって、
    　前記学習モデル選択手段は、前記診断対象となる患者の属性に応じて、前記第１の学習モデルを選択し、
    　前記属性は、選択された前記第１の学習モデルに対応する属性である、
    ことを特徴とする診断支援装置。
  9. 請求項１から８のいずれか一項に記載の診断支援装置であって、
    　前記提示手段は、前記根拠を提示し、提示した前記根拠に対する前記推定の結果の提示要求に応じて、前記推定の結果を提示する、
    ことを特徴とする診断支援装置。
  10. 請求項１から９のいずれか一項に記載の診断支援装置であって、
    　個人の情報、個人の心電図データ、及び前記心電図データに対応する疾患を示すラベルを訓練データとして、前記第１の学習モデルを、機械学習により生成する、学習モデル生成手段、
    を備えている、
    ことを特徴とする診断支援装置。
  11. 請求項１０に記載の診断支援装置であって、
    　前記学習モデル生成手段は、前記個人の心電図データに対する前記第１の学習モデルからの出力結果、前記個人の情報及び前記心電図データに対応する疾患を示すラベルを訓練データとして、第２の学習モデルを、機械学習により生成する、
    ことを特徴とする診断支援装置。
  12. 請求項１１に記載の診断支援装置であって、
    　前記学習モデル生成手段は、
    前記第２の学習モデルを用いて、前記訓練データとなる前記個人の情報に基づいて前記個人に対応する前記第１の学習モデルを特定し、
    前記訓練データとなる前記個人の心電図データ及び前記心電図データに対応する疾患を示すラベルのうち、特定した前記第１の学習モデルに対応するとして選択した前記心電図データ及び前記ラベルを用いて、前記第１の学習モデルを更新する、
    ことを特徴とする診断支援装置。
  13. 　心電図の波形と疾患との関係を示す第１の学習モデルを、診断対象となる患者に応じて選択し、
    　選択された前記第１の学習モデルを用いて、前記診断対象となる患者の心電図データに基づいて、前記診断対象となる患者の疾患の可能性を推定し、
    　前記推定の結果と前記推定の結果の根拠とを提示する、
    ことを特徴とする診断支援方法。
  14. 請求項１３に記載の診断支援方法であって、
    　前記第１の学習モデルの選択において、患者の情報と前記第１の学習モデルとの対応関係を示す第２の学習モデルを用いて、前記診断対象となる患者の情報に基づいて、前記第１の学習モデルのうちのいずれかを選択する、
    ことを特徴とする診断支援方法。
  15. 請求項１３または１４に記載の診断支援方法であって、
    　前記推定において、前記診断対象となる患者の心電図データを所定の時間間隔で分割して得られた、部分心電図データそれぞれに対する前記第１の学習モデルの出力結果に基づいて、前記診断対象となる患者の疾患の可能性を推定する、
    ことを特徴とする診断支援方法。
  16. 請求項１５に記載の診断支援方法であって、
    　前記推定において、前記部分心電図データ毎に分析した結果に基づいて、前記診断対象となる患者の疾患の可能性を解析する、
    ことを特徴とする診断支援方法。
  17. 請求項１３から１６のいずれか一項に記載の診断支援方法であって、
    　前記推定の結果は、前記疾患を含む、
    ことを特徴とする診断支援方法。
  18. 請求項１３から１７のいずれか一項に記載の診断支援方法であって、
    　前記根拠は、前記疾患が特定された理由を含む、
    ことを特徴とする診断支援方法。
  19. 請求項１８に記載の診断支援方法であって、
    前記根拠は、前記心電図データまたは前記診断対象となる患者の属性のうち少なくとも１つである、
    ことを特徴とする診断支援方法。
  20. 請求項１９に記載の診断支援方法であって、
    　前記学習モデルの選択において、前記診断対象となる患者の属性に応じて、前記第１の学習モデルを選択しており、
    　前記属性は、選択された前記第１の学習モデルに対応する属性である、
    ことを特徴とする診断支援方法。
  21. 請求項１３から２０のいずれか一項に記載の診断支援方法であって、
    　前記提示において、前記根拠を提示し、提示した前記根拠に対する前記推定の結果の提示要求に応じて、前記推定の結果を提示する、
    ことを特徴とする診断支援方法。
  22. 請求項１３から２１のいずれか一項に記載の診断支援方法であって、
    　更に、個人の情報、個人の心電図データ、及び前記心電図データに対応する疾患を示すラベルを訓練データとして、前記第１の学習モデルを、機械学習により生成する、
    ことを特徴とする診断支援方法。
  23. 請求項２２に記載の診断支援方法であって、
    　前記学習モデルの生成において、前記個人の心電図データに対する前記第１の学習モデルからの出力結果、前記個人の情報及び前記心電図データに対応する疾患を示すラベルを訓練データとして、第２の学習モデルを、機械学習により生成する、
    ことを特徴とする診断支援方法。
  24. 請求項２３に記載の診断支援方法であって、
    　前記学習モデルの生成において、
    前記第２の学習モデルを用いて、前記訓練データとなる前記個人の情報に基づいて前記個人に対応する前記第１の学習モデルを特定し、
    前記訓練データとなる前記個人の心電図データ及び前記心電図データに対応する疾患を示すラベルのうち、特定した前記第１の学習モデルに対応するとして選択した前記心電図データ及び前記ラベルを用いて、前記第１の学習モデルを更新する、
    ことを特徴とする診断支援方法。
  25. 　コンピュータに、
    　心電図の波形と疾患との関係を示す第１の学習モデルを、診断対象となる患者に応じて選択させ、
    　選択された前記第１の学習モデルを用いて、前記診断対象となる患者の心電図データに基づいて、前記診断対象となる患者の疾患の可能性を推定させ、
    　前記推定の結果と前記推定の結果の根拠とを提示させる、
    命令を含む、プログラムを記録している、
    ことを特徴とするコンピュータ読み取り可能な記録媒体。
PCT/JP2020/036695 2020-09-28 2020-09-28 診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体 WO2022064708A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2020/036695 WO2022064708A1 (ja) 2020-09-28 2020-09-28 診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体
JP2022551108A JPWO2022064708A5 (ja) 2020-09-28 診断支援装置、診断支援方法、及びプログラム
US18/026,558 US20230335278A1 (en) 2020-09-28 2020-09-28 Diagnosis assistance apparatus, diagnosis assistance method, and computer readable recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/036695 WO2022064708A1 (ja) 2020-09-28 2020-09-28 診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体

Publications (1)

Publication Number Publication Date
WO2022064708A1 true WO2022064708A1 (ja) 2022-03-31

Family

ID=80845152

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/036695 WO2022064708A1 (ja) 2020-09-28 2020-09-28 診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体

Country Status (2)

Country Link
US (1) US20230335278A1 (ja)
WO (1) WO2022064708A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016106940A (ja) * 2014-12-09 2016-06-20 株式会社Ｎｔｔデータ・アイ 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム
WO2018199031A1 (ja) * 2017-04-27 2018-11-01 日本電信電話株式会社 学習型信号分離方法、及び学習型信号分離装置
WO2019220833A1 (ja) * 2018-05-18 2019-11-21 株式会社島津製作所 診断支援システムおよび診断支援装置
WO2020004369A1 (ja) * 2018-06-29 2020-01-02 学校法人東京女子医科大学 心電図画像を用いた機械学習による心電図診断装置
JP2020036633A (ja) * 2018-08-31 2020-03-12 富士通株式会社 異常判別プログラム、異常判別方法および異常判別装置
JP2020149234A (ja) * 2019-03-12 2020-09-17 富士レビオ株式会社 推定装置、推定方法、コンピュータプログラム、学習モデル、及び学習モデルの生成方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016106940A (ja) * 2014-12-09 2016-06-20 株式会社Ｎｔｔデータ・アイ 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム
WO2018199031A1 (ja) * 2017-04-27 2018-11-01 日本電信電話株式会社 学習型信号分離方法、及び学習型信号分離装置
WO2019220833A1 (ja) * 2018-05-18 2019-11-21 株式会社島津製作所 診断支援システムおよび診断支援装置
WO2020004369A1 (ja) * 2018-06-29 2020-01-02 学校法人東京女子医科大学 心電図画像を用いた機械学習による心電図診断装置
JP2020036633A (ja) * 2018-08-31 2020-03-12 富士通株式会社 異常判別プログラム、異常判別方法および異常判別装置
JP2020149234A (ja) * 2019-03-12 2020-09-17 富士レビオ株式会社 推定装置、推定方法、コンピュータプログラム、学習モデル、及び学習モデルの生成方法

Also Published As

Publication number Publication date
US20230335278A1 (en) 2023-10-19
JPWO2022064708A1 (ja) 2022-03-31

Similar Documents

Publication Publication Date Title
Chen et al. Heartbeat classification using projected and dynamic features of ECG signal
JP5766738B2 (ja) コンピュータによって訪問被検者グループのｅｃｇ波形を表示する方法
JP6901308B2 (ja) データ分析支援システム及びデータ分析支援方法
JP2010512883A (ja) 医療事例の自動優先度決定
JP2012221508A (ja) 患者予後を予測するシステムおよびコンピュータ可読媒体
US20210204858A1 (en) Automatic sensing of features within an electrocardiogram
JP6362061B2 (ja) 診断支援システム、その作動方法、およびプログラム
WO2022034045A1 (en) Systems and methods for generating health risk assessments
JP7032747B1 (ja) 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム
JP2016524512A (ja) タイプアヘッド編集のためのｅｃｇ特徴及びレポート解釈のための自動更新
CN113966192A (zh) 用于心房颤动分类的ecg庞加莱图上的深度神经网络
WO2022202943A1 (ja) 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム
US10558783B2 (en) Image data ingestion application of a medical imaging data processing and retrieval system
Ter Haar et al. An initial exploration of subtraction electrocardiography to detect myocardial ischemia in the prehospital setting
Kolk et al. Dynamic prediction of malignant ventricular arrhythmias using neural networks in patients with an implantable cardioverter-defibrillator
WO2022064708A1 (ja) 診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体
US20230111726A1 (en) Electrocardiogram data processing server, method for calculating expected analysis time required for electrocardiogram analysis, and computer program therefor
WO2023073092A1 (en) Managing a model trained using a machine learning process
US20160183826A1 (en) System and method of serial comparison of 12-lead electrocardiogram (ecg) during episode-of-care
JP6433616B2 (ja) 心的活動状態評価支援装置、心的活動状態評価支援システム、及び心的活動状態評価支援方法
US20220409075A1 (en) Physiological condition monitoring system and method thereof
US20230172564A1 (en) Technologies for determining a risk of developing atrial fibrillation
US20230116797A1 (en) Electrocardiogram data processing server, method of calculating expected analysis time required for electrocardiogram analysis, and computer program therefor
US20240180495A1 (en) Systems and methods for assessing ecg lead signal quality
JP7455295B2 (ja) 生体情報処理装置及びその制御方法

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: 20955301

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022551108

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: 20955301

Country of ref document: EP

Kind code of ref document: A1