WO2022208581A1 - 学習装置、判定装置、学習済みモデル生成方法及び記録媒体 - Google Patents

学習装置、判定装置、学習済みモデル生成方法及び記録媒体 Download PDF

Info

Publication number
WO2022208581A1
WO2022208581A1 PCT/JP2021/013208 JP2021013208W WO2022208581A1 WO 2022208581 A1 WO2022208581 A1 WO 2022208581A1 JP 2021013208 W JP2021013208 W JP 2021013208W WO 2022208581 A1 WO2022208581 A1 WO 2022208581A1
Authority
WO
WIPO (PCT)
Prior art keywords
patient
biological information
restless
state
determination
Prior art date
Application number
PCT/JP2021/013208
Other languages
English (en)
French (fr)
Inventor
友嗣 大野
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 JP2023509896A priority Critical patent/JPWO2022208581A5/ja
Priority to PCT/JP2021/013208 priority patent/WO2022208581A1/ja
Publication of WO2022208581A1 publication Critical patent/WO2022208581A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Definitions

  • the present invention relates to a learning device, a determination device, a trained model generation method, and a recording medium.
  • identification information indicating whether the condition of the target patient has changed compared to a normal state is determined based on the feature amount of the input biological information of the target patient, and the identification information and , a parameter for prediction of coping learned in advance, and a biological information processing system for estimating coping information for a target patient.
  • an object of the present invention is to provide an apparatus and the like that can improve the accuracy of a model for determining a patient's condition.
  • a learning device includes an acquisition means for acquiring biometric information of a patient who is a person who may be in a restless state and biometric information of a non-patient; and model generation means for generating a restlessness determination model for determining whether the subject patient is in a restless state or not in a restless state based on the biological information of the subject patient, using the biological information.
  • the determination device in one aspect of the present invention includes determination means for determining whether or not the target patient is in a restless state by using the subject patient's biological information and a restlessness determination model, wherein the restlessness determination model includes: Acquisition means for acquiring biometric information of a patient who is a person who may be in a restless state and biometric information of a non-patient; and model generation means for generating a restlessness determination model for determining whether the target patient is in a restless state or not in a restless state based on biological information.
  • a computer obtains biological information of a patient who is likely to be in a restless state and biological information of a non-patient, and obtains the biological information of the patient. and using the biometric information of the non-patient to generate a restlessness determination model for determining whether the subject patient is in a restless state or not in a restless state based on the subject patient's biometric information.
  • a recording medium acquires biological information of a patient who is a person who may be in a restless state and biological information of a non-patient, and obtains the biological information of the patient and the biological information of the non-patient.
  • a program is stored that causes a computer to execute processing for generating a restlessness determination model for determining whether the subject patient is in a restless state or not in a restless state based on the biological information of the subject patient using the information.
  • FIG. 1 is a block diagram showing the configuration of a learning device 10 according to the first embodiment.
  • FIG. 2 is a flow chart showing the flow of operations performed by the learning device 10 according to the first embodiment.
  • FIG. 3 is a block diagram showing the configuration of a restlessness determination system 200 according to the second embodiment.
  • FIG. 4 is a flow chart showing the flow of operations performed by the unrest determination system 200 according to the second embodiment.
  • FIG. 5 is a block diagram showing an example of hardware configuration.
  • the restlessness determination model is a trained model that determines whether the patient is in a state of restlessness.
  • Restlessness indicates a restless state in the patient. Restlessness may include the inability to control the mind normally. Restless states may also include states caused by the patient's delirium. Restlessness may be caused by the patient's mental or physical factors. It has been found that patients often exhibit problem behaviors when they are restless. That is, patients who are restless are more likely to exhibit problem behaviors. Therefore, by ascertaining whether a patient is in a restless state, it is possible to predict whether the patient is likely to exhibit problematic behavior.
  • the problem behavior of the patient is, for example, behavior that requires some sort of countermeasure by the medical staff who receives the behavior and performs recuperation behavior for the patient.
  • Patient behavior problems include, for example, getting out of bed, walking alone, wandering, going to another floor in the hospital, removing bed rails, falling out of bed, fiddling with IVs and tubes, and using IVs and tubes. For example, they withdraw, make strange noises, use abusive language, and use violence.
  • the patient's behavior corresponds to problem behavior may be determined according to the patient's condition.
  • the patient's condition includes at least one state of cognitive function, physical function, and motor function.
  • the agitation determination model may determine whether the patient is exhibiting problem behavior.
  • the patient's normal state ie, non-restless state, is referred to as non-restless state.
  • a patient is a person who receives medical treatment from a medical professional.
  • a patient may be a person who may become restless. That is, the patient may be a person whose probability of becoming restless is greater than or equal to a predetermined probability. Also, for example, at least one of the characteristics of developing a specific disease, taking a specific drug, declining cognitive function, blood loss, physical pain, etc. A person is likely to be in a state of restlessness.
  • a patient may be a person who fits at least one of the above characteristics.
  • a patient may include at least one of an inpatient, a discharged patient, an outpatient, and the like. Note that the patient is not limited to this as long as it is a subject for determination of restlessness.
  • the non-patient is a healthy subject as an example.
  • a healthy person is, for example, a person who meets at least one of the following criteria: being able to carry out activities of daily living by themselves, having no underlying disease, and not requiring assistance or care from others.
  • a non-patient may be a person who is less likely to become restless. That is, a non-patient may be a person whose likelihood of becoming restless is less than or equal to a predetermined probability.
  • a non-patient may also be a person who does not fit the characteristics of a person likely to be restless as described above.
  • a person with a probability of being in a restless state with a probability equal to or higher than a first threshold may be regarded as a patient, and a person with a probability of being in a restless state with a probability of less than or equal to a second threshold that is smaller than the first threshold may be regarded as a non-patient.
  • biometric information is information that changes with human life activities. That is, biometric information is time-series information indicating changes associated with human life activities.
  • the biological information is, for example, at least one of heart rate, heart rate variability, respiration rate, blood pressure, body temperature, skin temperature, blood flow, blood oxygen saturation, body movement, and the like.
  • the biometric information may include other information used to determine restlessness.
  • the biological information is measured using, for example, at least one sensor attached to the subject. It should be noted that measurement subjects include patients and non-patients.
  • the sensors are, for example, a heartbeat sensor, a respiratory rate sensor, a blood pressure sensor, a body temperature sensor, a blood oxygen saturation sensor, an acceleration sensor, and the like.
  • the person to be measured may wear a device equipped with one sensor, or may wear a device equipped with a plurality of sensors.
  • a person to be measured may be wearing a plurality of devices.
  • Devices are mainly wearable devices, specifically smart watches, smart bands, active trackers, clothing sensors, wearable heart rate sensors, and the like.
  • Biological information may be extracted from, for example, image information acquired by an imaging device (camera, etc.) installed in the subject's room, voice of the subject, and sound information in the surrounding environment of the subject. good.
  • the living room of the person to be measured is, for example, a hospital room of a patient.
  • the configuration of the learning device 10 according to the first embodiment will be described below.
  • the learning device 10 in this embodiment generates a restlessness determination model.
  • FIG. 1 is a block diagram showing the configuration of the learning device 10 according to this embodiment.
  • a learning device 10 shown in FIG. 1 includes an acquisition unit 11 and a model generation unit 12 .
  • the acquisition unit 11 is acquisition means for acquiring the patient's biological information and the non-patient's biological information. That is, the acquisition unit 11 acquires the biometric information of a patient who is likely to be in a restless state and the biometric information of a non-patient.
  • the biological information is associated with time information indicating the time when the biological information was measured, and is stored in a storage device or the like (not shown) in association with a measurement subject ID that identifies the measurement subject.
  • the acquisition unit 11 may acquire the biological information of the measurement subject from the storage device.
  • the acquisition unit 11 acquires the biological information of the measurement subject associated with the time information from a sensor or device communicably connected to the learning apparatus 10 via a wireless or wired communication network. good too.
  • the acquisition unit 11 may acquire one or both of the patient's biological information and the non-patient's biological information at a predetermined timing.
  • the acquisition unit 11 may acquire state information indicating the state of the measurement subject at the time the biological information was measured.
  • the state is, for example, a restless state or a non-restless state.
  • the state is, for example, a resting state or a non-resting state, which is a state other than the resting state.
  • the resting state will be described later.
  • State information may be obtained from a storage device, sensor, or device, similar to the biometric information described above.
  • the status information may be, for example, chart information indicating information written in the chart of the person to be measured.
  • State information may be, for example, information determined based on information obtainable by a sensor or device.
  • examples of information that can be acquired by a sensor or device include pedometer information, location information, and the like.
  • the acquisition unit 11 may acquire only biometric information that is used to generate a restlessness determination model in the model generation unit 12, which will be described later.
  • Non-patient biometric information may include non-patient biometric information with different attributes.
  • the attributes are, for example, generation, age, sex, and the like. That is, non-patient biometric information may include, for example, non-patient biometric information of different ages.
  • the age is defined by dividing the age according to an appropriate standard. As an example, the age is defined by dividing the age by digits in the tens place, and for example, a person aged 20 or over and under 30 belongs to the twenties. Note that the attribute is not limited to this as long as it is an attribute that may affect the biometric information.
  • the model generation unit 12 is a model generation means that generates a restlessness determination model using the patient's biological information and the non-patient's biological information.
  • the unrest determination model is a model for determining whether or not the patient is in a restless state based on the patient's biological information.
  • a patient who is a target of restlessness determination may be referred to as a target patient.
  • the model generation unit 12 uses the biometric information acquired by the acquisition unit 11 .
  • the model generator 12 generates a restlessness determination model using the patient's biological information and the non-patient's biological information as learning data.
  • the model generation unit 12 performs machine learning using the patient's biological information and the non-patient's biological information as learning data to generate a restlessness determination model.
  • the learning data includes learning data corresponding to the restless state and learning data corresponding to the non-restless state.
  • the learning data corresponding to the restless state is biometric information labeled with the restless state.
  • the learning data corresponding to the non-restless state is biometric information labeled as non-restless. Biometric information labeled as a restless state may be called a positive example, and biometric information labeled as a non-restless state may be called a negative example.
  • the restlessness determination model is a model that determines whether or not the patient is in a restless state based on the patient's biological information.
  • a restlessness judgment model outputs a restlessness score by inputting patient's biological information.
  • the restlessness score is a value that serves as an indicator of a restless state or a non-restless state.
  • An unrest score is a value of 0 or more and 1 or less, for example. In this case, a restlessness score closer to 1 indicates a more likely restless state, and a closer to 0 indicates a more likely non-restless state.
  • a predetermined value of 0 or more and 1 or less is set as a threshold, and the restless state or the non-restless state is determined based on the threshold.
  • the restlessness score may be a binary value of 0 or 1. In this case, the restlessness score indicates 1 for restlessness and 0 for non-restlessness.
  • the model generation unit 12 uses biometric information labeled as a restless state or a non-restless state as learning data, for example, using a support vector machine (SVM), a neural network, other known machine learning techniques, and the like. conduct.
  • SVM support vector machine
  • the labeling of the restless state or the non-restless state to the biological information obtained by the obtaining unit 11 may be performed by the model generation unit 12 as described later, or may be performed by another device or user (not shown). good too.
  • the learning data corresponding to the non-restless state includes non-patient's biometric information. That is, the model generation unit 12 generates a restlessness determination model using the biological information of the non-patient labeled as being in a non-restless state.
  • the model generation unit 12 generates a restlessness determination model using the patient's biological information and the resting biological information of the non-patient. That is, the learning data includes biometric information in the non-patient's resting state.
  • the resting state is, for example, a sleeping state, a relaxed state, or the like. Examples of the relaxed state include a state in which there is no physical or mental load, a state in which the autonomic nerves are parasympathetic, and the like.
  • the model generation unit 12 uses the biological information of the non-patient in the resting state as negative example learning data. That is, biometric information in a non-patient's resting state is labeled as non-restless.
  • the resting state may be a state other than the non-resting state.
  • the non-resting state includes at least one of the state of moving the body, the state of working the head, and the state of being stimulated.
  • a resting state may be a state that does not fit the above states.
  • the learning data corresponding to the non-restless state may include biological information in the non-patient's resting state. That is, the model generating unit 12 generates a restlessness determination model using the biological information in the resting state of the non-patient labeled as not restless.
  • the learning data corresponding to the restless state includes biological information in the patient's restless state. That is, the model generating unit 12 generates a restlessness determination model using biological information in the restless state of the patient labeled as the restless state. In this way, the model generation unit 12 may use only the biological information in the patient's restless state among the patient's biological information. Also, the learning data corresponding to the non-restless state may include biological information in the patient's non-restless state. That is, the model generating unit 12 may generate a restlessness determination model using biometric information in a patient's non-rested state labeled as a restless state.
  • the model generation unit 12 may be configured to determine the state of one or both of the patient and non-patient corresponding to the biological information. At this time, the model generator 12 may label the biological information as a restless state or a non-restless state based on the determined state. When the state information has been acquired by the acquisition unit 11, the model generation unit 12 refers to the state information at the time when the biological information was measured, and determines whether the patient is in a restless state or a non-rest state, and the non-patient is in a rest state. One or both may be determined.
  • the model generation unit 12 may determine whether the non-patient is in a resting state based on one piece of acquired biological information or a combination of a plurality of pieces of biological information. When determining that the non-patient is in a resting state based on one piece of biological information, the model generation unit 12 determines whether the non-patient is in a resting state, for example, based on information indicating the non-patient's body movement. to decide. In this case, as an example, the model generator 12 determines that the non-patient is in a resting state when the value of information indicating body motion is lower than a predetermined value. It should be noted that the information indicating the body motion here includes the acceleration acquired by the acceleration sensor.
  • the model generation unit 12 compares the values of the pieces of biological information with predetermined values, for example. Determine that the non-patient is resting based on the combination of For example, when the non-patient's core body temperature is lower than a predetermined value such as normal body temperature and the respiratory rate is lower than a predetermined value, the model generation unit 12 determines that the patient is in a sleeping state, that is, a resting state.
  • a predetermined value such as normal body temperature and the respiratory rate is lower than a predetermined value
  • FIG. 2 is a flow chart showing an example of the operation performed by the learning device 10. As shown in FIG. The operation of the learning device 10 may be performed, for example, when a predetermined number or more of biometric information are accumulated in a storage device or the like (not shown).
  • the acquisition unit 11 acquires the patient's biological information and the non-patient's biological information (step S101).
  • the model generating unit 12 uses the biological information of the patient and the biological information of the non-patient to generate a restlessness determination model for determining whether or not the target patient is in a restless state based on the biological information of the target patient (step S102).
  • the collected biological information of patients in a restless state includes biological information of patients in various states.
  • Patients in various states may include, for example, patients who appear to be resting because they cannot be confirmed to be in a restless state from their behavior.
  • the biometrics may be labeled as non-restless, even though the patient is actually restless.
  • a restlessness determination model may be generated using learning data in which biometric information of a patient whose state is unclear whether it is in a restless state is labeled. As a result, it may be difficult to generate a highly accurate unrest determination model.
  • the model generation unit 12 generates a restlessness determination model using the patient's biological information and the non-patient's biological information.
  • the correspondence between the condition and the biological information is less clear than in the case of the patient described above. That is, non-patient biometric information is relatively easier to determine and more likely to be labeled accurately than patient biometric information. Therefore, the learning device 10 can perform learning by adding accurately labeled biometric information to learning data. Then, the learning device 10 can generate a highly accurate unrest determination model.
  • the learning device 10 uses the patient's biological information as learning data corresponding to the restless state and the non-patient's biological information as learning data corresponding to the non-restless state in the model generation unit 12 to generate the restlessness determination model. Generate. By using such learning data, the difference between the biometric information included in the learning data corresponding to the restless state and the biometric information included in the learning data corresponding to the non-restless state becomes clear. Therefore, the learning device 10 can generate a highly accurate unrest determination model.
  • the model generation unit 12 generates a restlessness determination model using the patient's biological information and the resting biological information of the non-patient.
  • a patient is a person whose likelihood of becoming restless is greater than or equal to a predetermined probability
  • a non-patient is a person whose likelihood of being restless is less than or equal to a predetermined probability. Therefore, the resting state of the non-patient is highly likely to be in the non-resting state, and the biological information in the resting state of the non-patient is highly likely to be labeled as the non-resting state with high accuracy. Therefore, the learning device 10 can perform learning by adding biometric information labeled as non-restless with high accuracy to learning data. Then, the learning device 10 can generate a highly accurate unrest determination model.
  • the model generation unit 12 generates a restlessness determination model using the biological information in the patient's restless state and the biological information in the non-patient's resting state. Since the patient's biological information in the restless state is labeled as the restless state after it is determined that the patient is actually in the restless state, there is a high possibility that the restless state will be labeled accurately. In addition, as described above, biometric information in a non-patient's resting state is also highly likely to be labeled as non-restless with high accuracy. Therefore, the learning device 10 can perform learning using biometric information that is accurately labeled as a restless state and a non-restless state. Then, the learning device 10 can generate a highly accurate unrest determination model.
  • non-patient biometric information can include non-patient biometric information with different attributes.
  • Biometric information may have different features corresponding to different attributes. For example, heart rate variability, which is an example of biological information, tends to decrease with age.
  • the model generation unit 12 generates a restlessness determination model using the patient's biological information and the above-described non-patient's biological information.
  • the learning device 10 can learn a wide range of biometric information of non-patients, which may have different features corresponding to differences in the attributes of patients and non-patients, and generate a restlessness determination model. Therefore, the learning device 10 can generate a highly accurate unrest determination model.
  • FIG. 3 is a block diagram showing the configuration of a restlessness determination system 200 according to the second embodiment of the present invention.
  • a restlessness determination system 200 according to the second embodiment includes a determination device 220, a biological information acquisition device 230, and a determination result output device 240.
  • the determination device 220 and the biological information acquisition device 230, and the determination device 220 and the determination result output device 240 are configured to communicate with each other via a wireless or wired communication network such as Wi-fi and Bluetooth (registered trademark). It is connected.
  • a wireless or wired communication network such as Wi-fi and Bluetooth (registered trademark). It is connected.
  • the determination device 220 determines the restless state of the target patient using the restlessness determination model.
  • the determination device 220 includes a target patient information acquisition unit 221 , a determination unit 222 and an output unit 223 .
  • the determination device 220 is realized, for example, within an information terminal such as a computer provided in a medical institution.
  • the determination device 220 may be implemented on a cloud server, for example.
  • the target patient information acquisition unit 221 acquires the biological information of the target patient whose restless state is to be determined.
  • the target patient information acquisition unit 221 acquires the target patient's biometric information by receiving the biometric information used for determining the restless state of the target patient, which is acquired by the biometric information acquisition device 230 described later.
  • the determination unit 222 is determination means for determining whether or not the target patient is in a restless state using the subject patient's biological information and the restlessness determination model. Specifically, the determination unit 222 inputs the biological information of the target patient into the restlessness determination model and obtains the restlessness score. Then, the determination unit 222 determines whether the target patient is in a restless state or a non-restless state based on the restlessness score.
  • the unrest determination model is a model generated by the learning device 10 in the first embodiment. That is, the restlessness determination model in this embodiment is a learned model generated in advance using the patient's biological information and the non-patient's biological information.
  • the determination unit 222 acquires a restlessness determination model stored in a storage device (not shown) or the like, and determines whether the subject patient is in a restless state.
  • the output unit 223 outputs the determination result of the restless state of the target patient by the determination unit 222 .
  • the output unit 223 outputs the determination result to the determination result output device 240, which will be described later.
  • the output unit 223 outputs the determination result in a format that can be output by the determination result output device 240 .
  • the output section 223 functions as a display control section that controls the display means.
  • the output unit 223 functions as means for controlling the determination result output device 240 according to the determination result output format of the determination result output device 240 .
  • the biometric information acquisition device 230 is a device that acquires the patient's biometric information.
  • the biological information acquisition device 230 is, for example, a wearable device or the like.
  • the biometric information acquisition device 230 is, for example, a device that includes at least one sensor that acquires biometric information of a patient by being worn by the patient.
  • the biometric information and sensors are as described above.
  • the biological information acquisition device 230 may be, for example, an imaging device installed in the patient's room, or a device that acquires one or both of the patient's voice and sound information in the patient's surrounding environment. In this case, the biometric information acquisition device 230 performs processing for extracting the patient's biometric information based on the acquired image information and sound information.
  • the determination result output device 240 outputs the determination result of the subject patient's restless state acquired from the determination device 220 .
  • the determination result output device 240 is, for example, an information terminal such as a computer installed in a medical institution.
  • the determination result output device 240 may be an information terminal such as a tablet terminal or a smart phone owned by a medical worker.
  • the determination result output device 240 includes, for example, at least one of display means such as a display capable of displaying characters and images, sound output means such as a speaker capable of outputting sound, and the like.
  • the determination result output device 240 presents the determination result of the restless state of the target patient to the medical staff using at least one of the display means, the sound output means, and the like.
  • the determination result output device 240 may output the target patient's biological information acquired by the biological information acquisition device 230 in addition to the target patient's restless state determination result.
  • the biological information acquisition device 230 and the determination result output device 240 are connected so as to be able to communicate with each other via a wireless or wired communication network as described above, for example.
  • FIG. 4 is a flow chart showing an example of operations performed by the restlessness determination system 200 .
  • the biological information acquisition device 230 acquires the biological information of the target patient (step S201). Then, the biological information acquisition device 230 transmits the acquired biological information of the target patient to the determination device 220 (step S202).
  • the target patient information acquisition unit 221 of the determination device 220 receives the biometric information of the target patient from the biometric information acquisition device 230 (step S203).
  • the determination unit 222 determines the restless state of the target patient using the biological information of the target patient and the restlessness determination model (step S204).
  • the output unit 223 transmits the determination result of the subject patient's restless state by the determination unit 222 to the determination result output device 240 (step S205).
  • the determination result output device 240 receives the determination result of the subject patient's restless state from the determination device 220 (step S206). Then, the determination result output device 240 uses at least one of display means, sound output means, etc. to output the determination result of the restless state of the target patient to the medical staff or the like (step S207).
  • the restlessness determination system 200 in this embodiment uses the subject patient's biological information and the restlessness determination model in the determination device 220 to determine the restless state of the subject patient.
  • the unrest determination model is a model generated by the learning device 10 in the first embodiment.
  • the determination device 220 can accurately determine the restless state of the target patient by using the restlessness determination model.
  • the medical staff can efficiently grasp the restless state of the patient. In this way, the restlessness determination system 200 contributes to operational efficiency of medical staff and the like.
  • the unrest determination system 200 may include the learning device 10 in the first embodiment. That is, the unrest determination system 200 may be a system including a learning device. In this case, the determination device 220 uses the restlessness determination model generated by the learning device 10 to determine the restless state of the target patient. The unrest determination system 200 may have a re-learning function. The learning device 10 further uses the biological information of the target patient acquired by the target patient information acquiring unit 221 and the biological information of the non-patient acquired from a storage device or the like (not shown), so that the restlessness determination system 200 can re-learn the unrest. Generate a decision model.
  • the restlessness determination system 200 may perform re-learning when the restlessness determination result of the target patient output by the determination device 220 does not reach a predetermined accuracy. Note that the determination device 220 in the restlessness determination system 200 may include the configuration included in the learning device 10 .
  • each device and each component of the system represents a block of functional units.
  • a part or all of each component of each device and system is realized by an arbitrary combination of an information processing device 300 and a program as shown in FIG. 5, for example.
  • the information processing apparatus 300 includes, as an example, the following configuration. - CPU (Central Processing Unit) 301 ⁇ ROM (Read Only Memory) 302 ⁇ RAM (Random Access Memory) 303 ⁇ Program 304 loaded into RAM 303 - Storage device 305 for storing program 304
  • a drive device 307 that reads and writes the recording medium 306 -
  • a communication interface 308 that connects with the communication network 309 -
  • An input/output interface 310 for inputting/outputting data
  • Each component of each device in each embodiment is implemented by the CPU 301 acquiring and executing a program 304 that implements these functions.
  • a program 304 that implements the function of each component of each device is stored in advance in, for example, the storage device 305 or the RAM 303, and is read out by the CPU 301 as necessary.
  • the program 304 may be supplied to the CPU 301 via the communication network 309 or may be stored in the recording medium 306 in advance, and the drive device 307 may read the program and supply it to the CPU 301 .
  • each device may be implemented by an arbitrary combination of the information processing device 300 and a program that are separate for each component.
  • a plurality of components included in each device may be realized by any combination of one information processing device 300 and a program.
  • each component of each device is realized by a general-purpose or dedicated circuit including a processor, etc., or a combination thereof. These may be composed of a single chip, or may be composed of multiple chips connected via a bus. A part or all of each component of each device may be realized by a combination of the above-described circuits and the like and programs.
  • each component of each device When part or all of each component of each device is implemented by a plurality of information processing devices, circuits, etc., the plurality of information processing devices, circuits, etc. may be centrally arranged or distributed. good too.
  • the information processing device, circuits, and the like may be implemented as a client-and-server system, a cloud computing system, or the like, each of which is connected via a communication network.
  • the learning device according to any one of appendices 2 to 6, wherein the learning data corresponding to the non-restless state includes biometric information of the patient in the non-restless state.
  • Appendix 8 8. The learning device according to any one of appendices 1 to 7, wherein the non-patient is a person whose possibility of being in the restless state is equal to or less than a predetermined probability.
  • Appendix 9 Any one of appendices 1 to 8, wherein the non-patient is at least one of a person who can carry out activities of daily living by himself, a person who has no underlying disease, and a person who does not require assistance or care from others.
  • the learning device according to . (Appendix 10) 10.
  • the learning device according to any one of appendices 1 to 9, wherein the biometric information of non-patients includes biometric information of non-patients of different ages.
  • (Appendix 11) determining means for determining whether the target patient is in the restless state using the biological information of the target patient and the restlessness determination model; 11.

Abstract

本発明の学習装置は、不穏状態になる可能性がある患者の生体情報と、非患者の生体情報とを取得する取得手段と、前記患者の生体情報及び前記非患者の生体情報を用いて、対象患者の前記生体情報に基づいて前記対象患者が不穏状態であるかまたは非不穏状態であるかを判定する不穏判定モデルを生成するモデル生成手段と、を備える。

Description

学習装置、判定装置、学習済みモデル生成方法及び記録媒体
　本発明は、学習装置、判定装置、学習済みモデル生成方法及び記録媒体に関する。
　医療や介護の現場においては、患者が不穏状態に陥る可能性がある。患者が不穏状態に陥ると、抜管、抜針、抜去や転倒、転落などのリスクが高まり、患者自身がけがを負うおそれがある。そこで、このような患者の不穏状態を予め検知する技術が知られている。
　特許文献１には、入力される対象患者の生体情報の特徴量に基づいて、対象患者の容態が平常状態と比較して変化しているか否かを示す識別情報を判定し、当該識別情報と、事前に学習された対処予測用パラメータとに基づいて、対象患者に対する対処情報を推定する生体情報処理システムが開示されている。
国際公開第２０１９／０７３９２７号
　患者の抜管、抜針、抜去や転倒、転落などのリスクを低減するためには、患者が不穏状態であるか否かの判定を精度よく行う必要がある。不穏状態であるか否かの判定を精度よく行うためには、特許文献１に開示された、不穏状態を判定するモデルの精度を高めることが好ましい。
　そこで、本発明は、上記課題を解決するためになされたものであって、患者の状態を判定するモデルの精度を向上することができる装置等を提供することを課題とする。
　本発明の一態様における学習装置は、不穏状態になる可能性がある人物である患者の生体情報と、非患者の生体情報とを取得する取得手段と、前記患者の生体情報及び前記非患者の生体情報を用いて、対象患者の前記生体情報に基づいて前記対象患者が不穏状態であるかまたは非不穏状態であるかを判定する不穏判定モデルを生成するモデル生成手段と、を備える。
　また、本発明の一様態における判定装置は、対象患者の生体情報と不穏判定モデルとを用いて前記対象患者が不穏状態であるか否かを判定する判定手段を備え、前記不穏判定モデルは、不穏状態になる可能性がある人物である患者の生体情報と、非患者の生体情報とを取得する取得手段と、前記患者の生体情報及び前記非患者の生体情報を用いて、対象患者の前記生体情報に基づいて前記対象患者が不穏状態であるかまたは非不穏状態であるかを判定する不穏判定モデルを生成するモデル生成手段と、を備える学習装置によって生成された学習済みモデルである。
　また、本発明の一様態における学習済みモデル生成方法は、コンピュータが、不穏状態になる可能性がある人物である患者の生体情報と、非患者の生体情報とを取得し、前記患者の生体情報及び前記非患者の生体情報を用いて、対象患者の前記生体情報に基づいて前記対象患者が不穏状態であるかまたは非不穏状態であるかを判定する不穏判定モデルを生成する。
　また、本発明の一様態における記録媒体は、不穏状態になる可能性がある人物である患者の生体情報と、非患者の生体情報とを取得し、前記患者の生体情報及び前記非患者の生体情報を用いて、対象患者の前記生体情報に基づいて前記対象患者が不穏状態であるかまたは非不穏状態であるかを判定する不穏判定モデルを生成する処理をコンピュータに実行させるプログラムを格納する。
　本発明によれば、患者の状態を判定するモデルの精度を向上することができる。
図１は、第１の実施形態における学習装置１０の構成を示すブロック図である。 図２は、第１の実施形態における学習装置１０が行う動作の流れを示すフローチャートである。 図３は、第２の実施形態における不穏判定システム２００の構成を示すブロック図である。 図４は、第２の実施形態における不穏判定システム２００が行う動作の流れを示すフローチャートである。 図５は、ハードウェア構成の一例を示すブロック図である。
　以下、本発明の各実施形態について、図面を参照しながら説明する。
　本発明の各実施形態において、不穏判定モデルは、患者が不穏状態であるか否かを判定する学習済みモデルである。不穏状態とは、患者に落ち着きがない状態を示す。不穏状態は、精神を正常にコントロールできない状態を含んでいてもよい。また、不穏状態は患者のせん妄により引き起こされる状態を含んでいてもよい。不穏状態は、患者の精神的または身体的な要因により生じるものであってもよい。患者は、不穏状態であると問題行動を起こすことが多いことが分かっている。つまり、不穏状態である患者は問題行動を起こす可能性が高い。したがって、患者が不穏状態であるか否かを把握することで、当該患者が問題行動を起こす恐れがあるか否かを予測することができる。ここで、患者の問題行動は、例えば、当該行動を受けて、患者に療養行為を行う医療従事者によって何らかの対処が必要となる行動である。患者の問題行動は、例えば、離床する、一人歩きをする、徘徊する、病院の別のフロアに行く、ベッドの柵を外す、ベッドから転落する、点滴やチューブ類をいじる、点滴やチューブ類を抜去する、奇声を発する、暴言を発する、暴力をふるう等である。なお、患者の行動が問題行動に該当するか否かは、患者の容態に応じて決定されてもよい。ここで、患者の容態は、認知機能、身体機能、及び運動機能の少なくとも一つの状態を含む。本発明の各実施形態において、不穏判定モデルは、患者が問題行動を起こしているか否かを判定してもよい。以下、患者の正常状態、すなわち不穏状態でない状態を非不穏状態と記載する。
　本発明の各実施形態において、患者は、医療従事者により療養行為を受ける人物である。患者は、不穏状態になる可能性がある人物であってもよい。すなわち、患者は、不穏状態になる可能性が所定の確率以上の人物であってもよい。また、例えば、特定の疾患を発症している、特定の薬剤を服用している、認知機能が低下している、失血している、身体に痛みがある等の特徴のうち少なくとも一つに当てはまる人物が、不穏状態を起こす可能性が高い。患者は、上記の特徴のうち少なくとも一つに当てはまる人物であってもよい。さらに、患者は、入院している患者、退院した患者、外来患者等の少なくとも一つを含んでいてもよい。なお、患者は、不穏状態の判定対象者であればこれに限らない。
　本発明の各実施形態において、非患者は、一例として健常者である。健常者とは、例えば、日常生活行動を自身で行うことができる、基礎疾患がない、他者の介助や介護を必要としない等の少なくとも一つに当てはまる人物である。非患者は、不穏状態になる可能性が低い人物であってもよい。すなわち、非患者は、不穏状態になる可能性が所定の確率以下の人物であってもよい。また、非患者は、上述した不穏状態を起こす可能性が高い人物の特徴に当てはまらない人物であってもよい。なお、不穏状態になる可能性が第一閾値以上の確率の人物を患者、不穏状態になる可能性が第一の閾値よりも小さい第二閾値以下の確率の人物を非患者としてもよい。
　本発明の各実施形態において、生体情報は、人の生命活動に伴って変化する情報である。すなわち、生体情報は、人の生命活動に伴う変化を示す時系列の情報である。生体情報は、例えば、心拍数、心拍変動、呼吸数、血圧値、体温、皮膚温度、血流量、血中酸素飽和度、体動等の少なくとも何れか一つである。生体情報は、不穏状態の判定に用いられるその他の情報を含んでいてもよい。生体情報は、例えば、測定対象者に装着された少なくとも一つのセンサを用いて測定される。なお、測定対象者は、患者及び非患者を含む。当該センサは、例えば、心拍センサ、呼吸数センサ、血圧センサ、体温センサ、血中酸素飽和度センサ、加速度センサ等である。測定対象者は、一つのセンサが搭載されたデバイスを装着していてもよいし、複数のセンサが搭載されたデバイスを装着していてもよい。測定対象者は、複数のデバイスを装着していてもよい。デバイスは、主としてウェアラブルデバイスであり、具体的にはスマートウォッチ、スマートバンド、アクティブトラッカー、衣服センサ、ウェアラブル心拍センサ等が挙げられる。また生体情報は、例えば、測定対象者の居室に設置された撮像装置（カメラ等）により取得された画像情報や、測定対象者の音声及び測定対象者の周囲環境における音情報から抽出されてもよい。なお、測定対象者の居室は、例えば患者の病室等である。
　＜第１の実施形態＞
　以下、第１の実施形態における学習装置１０の構成について説明する。本実施形態における学習装置１０は、不穏判定モデルを生成する。
　図１は、本実施形態における学習装置１０の構成を示すブロック図である。図１に示す学習装置１０は、取得部１１と、モデル生成部１２と、を備える。
　取得部１１は、患者の生体情報と非患者の生体情報とを取得する取得手段である。すなわち、取得部１１は、不穏状態になる可能性がある人物である患者の生体情報と、非患者の生体情報とを取得する。
　生体情報は、一例として、当該生体情報が測定された時間を示す時間情報と対応付けて、測定対象者を識別する測定対象者ＩＤと紐づけて図示しない記憶装置等に記憶されている。取得部１１は、当該記憶装置から測定対象者の生体情報を取得してよい。
　取得部１１は、無線又は有線などの通信ネットワークを介して学習装置１０と通信可能なように接続されたセンサやデバイスから、当該時間情報と対応付けられた測定対象者の生体情報を取得してもよい。また、取得部１１は、患者の生体情報及び非患者の生体情報の一方又は両方を所定のタイミングで取得してよい。
　なお、取得部１１は、生体情報が測定された時点における、測定対象者の状態を示す状態情報を取得してもよい。測定対象者が患者の場合、当該状態は、例えば不穏状態、非不穏状態である。測定対象者が非患者の場合、当該状態は、例えば安静状態、安静状態以外の状態である非安静状態である。安静状態については、後述する。状態情報は、上述した生体情報と同様に、記憶装置、センサやデバイスから取得されてよい。また、状態情報は、例えば、測定対象者のカルテに記載された情報を示すカルテ情報であってもよい。状態情報は、例えば、センサやデバイスで取得可能な情報に基づいて判断される情報であってよい。ここで、センサやデバイスで取得可能な情報は、一例として、歩数計情報、位置情報等が挙げられる。また、取得部１１は、後述するモデル生成部１２における不穏判定モデルの生成に用いられる生体情報のみを取得してもよい。
　非患者の生体情報は、属性が異なる非患者の生体情報を含んでいてもよい。ここで、属性は、例えば、年代、年齢、性別等である。すなわち、非患者の生体情報は、例えば、異なる年代の非患者の生体情報を含んでいてもよい。ここで、年代は、年齢を適宜定めた基準で区切るものである。一例として、年代は、年齢について十の位の数字により区切るものであり、例えば、２０歳以上３０歳未満の人物は２０代に属する。なお、当該属性は、生体情報に影響する可能性のある属性であれば、これに限られない。
　モデル生成部１２は、患者の生体情報及び非患者の生体情報を用いて、不穏判定モデルを生成するモデル生成手段である。ここで、不穏判定モデルは、患者の生体情報に基づいて、患者が不穏状態であるか否かを判定するモデルである。なお、以下、不穏判定の対象となる患者を対象患者と表記する場合がある。モデル生成部１２は、取得部１１によって取得された生体情報を用いる。モデル生成部１２は、患者の生体情報及び非患者の生体情報を学習データとして用いて、不穏判定モデルを生成する。モデル生成部１２は、患者の生体情報及び非患者の生体情報を学習データとして用いて機械学習を行い、不穏判定モデルを生成する。ここで、学習データは、不穏状態に対応する学習データと、非不穏状態に対応する学習データとを含む。不穏状態に対応する学習データは、不穏状態のラベル付けがされた生体情報である。また、非不穏状態に対応する学習データは、非不穏状態のラベル付けがされた生体情報である。なお、不穏状態のラベル付けがされた生体情報を正例と呼び、非不穏状態のラベル付けがされた生体情報を負例と呼ぶことがある。
　上述のように、不穏判定モデルは、患者の生体情報に基づいて、患者が不穏状態であるか否かを判定するモデルである。不穏判定モデルは、患者の生体情報を入力として、不穏スコアを出力する。不穏スコアは、不穏状態または非不穏状態を示す指標となる値である。不穏スコアは、例えば、０以上１以下の値である。この場合、不穏スコアは、１に近いほど不穏状態である可能性が高いことを示し、０に近いほど非不穏状態である可能性が高いことを示す。例えば、予め定められた０以上１以下の値を閾値として、当該閾値を基準として不穏状態または非不穏状態が判断される。また、不穏スコアは、０または１の２値で表現される値であってもよい。この場合、不穏スコアは、不穏状態であれば１、非不穏状態であれば０を示す。
　モデル生成部１２は、不穏状態または非不穏状態のラベルが付けされた生体情報を学習データとして、例えば、サポートベクターマシン（ＳＶＭ）、ニューラルネットワーク、その他公知の機械学習の手法等を用いて学習を行う。
　なお、取得部１１で取得された生体情報への不穏状態または非不穏状態のラベル付けは、後述するようにモデル生成部１２が行ってもよいし、図示しない他の装置やユーザによって行われてもよい。
　非不穏状態に対応する学習データには、非患者の生体情報が含まれる。すなわち、モデル生成部１２は、非不穏状態のラベル付けがされた非患者の生体情報を用いて、不穏判定モデルを生成する。
　モデル生成部１２は、患者の生体情報及び非患者の安静状態における生体情報を用いて、不穏判定モデルを生成する。すなわち、学習データには、非患者の安静状態における生体情報が含まれる。安静状態は、例えば、睡眠状態、リラックスした状態等である。リラックスした状態は、一例として、身体的または精神的に負荷がない状態、自律神経が副交感神経優位な状態などが挙げられる。このとき、モデル生成部１２は、非患者の安静状態における生体情報を負例の学習データとして用いる。すなわち、非患者の安静状態における生体情報には、非不穏状態のラベル付けが行われる。
　なお、安静状態は、非安静状態以外の状態であってもよい。非安静状態は、体を動かしている状態、頭を働かせている状態、刺激を受けている状態のうち少なくとも一つが含まれる。安静状態は、上記状態に当てはまらない状態であってもよい。
　また、非不穏状態に対応する学習データには、非患者の安静状態における生体情報が含まれていてもよい。すなわち、モデル生成部１２は、非不穏状態のラベル付けがされた、非患者の安静状態における生体情報を用いて、不穏判定モデルを生成する。
　一方で、不穏状態に対応する学習データには、患者の不穏状態における生体情報が含まれる。すなわち、モデル生成部１２は、不穏状態のラベル付けがされた、患者の不穏状態における生体情報を用いて、不穏判定モデルを生成する。このように、モデル生成部１２は、患者の生体情報のうち、患者の不穏状態における生体情報のみを用いてもよい。また、非不穏状態に対応する学習データには、患者の非不穏状態における生体情報が含まれていてもよい。すなわち、モデル生成部１２は、非不穏状態のラベル付けがされた、患者の非不穏状態における生体情報を用いて、不穏判定モデルを生成してもよい。
　また、モデル生成部１２は、生体情報に対応する患者及び非患者の一つまたは両方の状態を判断する構成を備えていてもよい。このとき、モデル生成部１２は、判断された状態に基づいて、生体情報に不穏状態または非不穏状態のラベル付けを行ってもよい。取得部１１により状態情報が取得されている場合、モデル生成部１２は、生体情報が測定された時点における状態情報を参照して、患者の不穏状態または非不穏状態、及び非患者の安静状態の一方又は両方を判断してもよい。
　一例として、モデル生成部１２は、取得された一つの生体情報または複数の生体情報の組み合わせに基づいて、非患者が安静状態であるか否かを判断してもよい。一つの生体情報に基づいて非患者が安静状態であることを判断する場合、モデル生成部１２は、例えば、非患者の体動を示す情報に基づいて非患者が安静状態であるか否かを判断する。この場合、モデル生成部１２は、一例として、体動を示す情報の値が予め定められた所定値より低い場合、非患者が安静状態であると判断する。なお、ここで体動を示す情報は、加速度センサによって取得された加速度を含む。また、複数の生体情報の組み合わせに基づいて非患者が安静状態であることを判断する場合、モデル生成部１２は、例えば、複数の生体情報の値をそれぞれ予め定められた所定値と比較した結果の組み合わせに基づいて、非患者が安静状態であることを判断する。モデル生成部１２は、例えば、深部体温が当該非患者の平熱等の所定値より低く、呼吸数が所定値より低い場合、当該患者は睡眠状態すなわち安静状態にあると判断する。
　続いて、学習装置１０が行う動作について、図２を参照しながら説明する。図２は、学習装置１０が行う動作の一例を示すフローチャートである。学習装置１０の動作は、例えば、生体情報が図示しない記憶装置等に所定数以上蓄積されたときに行われてもよい。
　取得部１１は、患者の生体情報と非患者の生体情報とを取得する（ステップＳ１０１）。
　モデル生成部１２は、患者の生体情報及び非患者の生体情報を用いて、対象患者の前記生体情報に基づいて対象患者が不穏状態であるか否かを判定する不穏判定モデルを生成する（ステップＳ１０２）。
　不穏判定モデルにおいては、収集された患者の生体情報に対して、不穏状態であるか否かが精度良くラベル付けされた学習データを用いて学習が行われることが、精度向上につながる。
　しかしながら、収集される不穏状態の患者の生体情報には、様々な状態の患者の生体情報が含まれている。様々な状態の患者として、例えば、患者が不穏状態であっても、患者の行動から不穏状態であることが確認できず、見た目は安静である患者等が含まれる可能性がある。この場合、患者は一見安静のため、当該患者が実際には不穏状態であるにもかかわらず、生体情報には非不穏状態のラベル付けがされる可能性がある。このように、不穏状態であるか否かが不明瞭な患者の生体情報にラベル付けがされた学習データを用いて不穏判定モデルの生成が行われる可能性がある。その結果として、高精度の不穏判定モデルを生成することが難しい場合がある。
　本実施形態における学習装置１０は、モデル生成部１２において、患者の生体情報及び非患者の生体情報を用いて不穏判定モデルを生成する。非患者は、上述した患者の場合と比較的に、状態と生体情報との対応が不明瞭な場合が少ない。すなわち、非患者の生体情報は、患者の生体情報よりも比較的に状態の判断が容易で、精度よくラベル付けされる可能性が高い。したがって、学習装置１０は、精度よくラベル付けがされた生体情報を学習データに加えて学習を行うことが可能となる。そして、学習装置１０は、精度の良い不穏判定モデルを生成することができる。
　一例として、学習装置１０は、モデル生成部１２において、患者の生体情報を不穏状態に対応する学習データとして、非患者の生体情報を非不穏状態に対応する学習データとして用いて、不穏判定モデルを生成する。このような学習データを用いることで、不穏状態に対応する学習データに含まれる生体情報と、非不穏状態に対応する学習データに含まれる生体情報との差が明確になる。したがって、学習装置１０は、精度の良い不穏判定モデルを生成することができる。
　本実施形態における学習装置１０は、モデル生成部１２において、患者の生体情報及び非患者の安静状態における生体情報を用いて不穏判定モデルを生成する。一例として、患者が不穏状態になる可能性が所定の確率以上の人物であるのに対し、非患者は不穏状態になる可能性が所定の確率以下の人物である。そのため、非患者の安静状態は非不穏状態である可能性が高く、非患者の安静状態における生体情報には精度よく非不穏状態のラベル付けがされる可能性が高い。したがって、学習装置１０は、精度よく非不穏状態のラベル付けがされた生体情報を学習データに加えて学習を行うことが可能となる。そして、学習装置１０は、精度の良い不穏判定モデルを生成することができる。
　本実施形態における学習装置１０は、モデル生成部１２において、患者の不穏状態における生体情報及び非患者の安静状態における生体情報を用いて不穏判定モデルを生成する。患者の不穏状態における生体情報は、患者が実際に不穏状態であると判断されたうえで不穏状態のラベル付けがされるため、精度よく不穏状態のラベル付けがされる可能性が高い。また、上述したように、非患者の安静状態における生体情報も、精度よく非不穏状態のラベル付けがされる可能性が高い。したがって、学習装置１０は、精度よく不穏状態及び非不穏状態のラベル付けがされた生体情報を用いて学習を行うことが可能となる。そして、学習装置１０は、精度の良い不穏判定モデルを生成することができる。
　本実施形態において、非患者の生体情報は、属性が異なる非患者の生体情報を含むことができる。生体情報は、属性の違いに対応して特徴が異なる場合がある。例えば、生体情報の一例である心拍変動は、年代または年齢の増加に応じて減少する傾向がある。本実施形態における学習装置１０は、モデル生成部１２において、患者の生体情報、及び上述した非患者の生体情報を用いて不穏判定モデルを生成する。これにより、学習装置１０は、患者または非患者の属性の違いに対応して異なる特徴がある可能性のある非患者の生体情報を幅広く学習し、不穏判定モデルを生成することができる。したがって、学習装置１０は、精度の良い不穏判定モデルを生成することができる。
＜第２の実施形態＞
　以下、第２の実施形態における不穏判定システム２００の構成について説明する。図３は、本発明の第２の実施形態における不穏判定システム２００の構成を示すブロック図である。図３に示すように、第２の実施形態における不穏判定システム２００は、判定装置２２０と、生体情報取得装置２３０と、判定結果出力装置２４０と、を備える。判定装置２２０と生体情報取得装置２３０、及び判定装置２２０と判定結果出力装置２４０は、Ｗｉ－ｆｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の無線又は有線などの通信ネットワークを介して、互いに通信可能なように接続されている。
　判定装置２２０は、不穏判定モデルを用いて対象患者の不穏状態を判定する。判定装置２２０は、対象患者情報取得部２２１と、判定部２２２と、出力部２２３と、を備える。判定装置２２０は、例えば、医療機関に備えられたコンピュータ等の情報端末内で実現される。判定装置２２０は、例えば、クラウドサーバ上で実現されてもよい。
　対象患者情報取得部２２１は、不穏状態を判定する対象である対象患者の生体情報を取得する。対象患者情報取得部２２１は、後述する生体情報取得装置２３０により取得された、対象患者の不穏状態の判定に用いる生体情報を受信することで、当該対象患者の生体情報を取得する。
　判定部２２２は、対象患者の生体情報と、不穏判定モデルとを用いて対象患者が不穏状態であるか否かを判定する判定手段である。具体的には、判定部２２２は、対象患者の生体情報を不穏判定モデルに入力し、不穏スコアを得る。そして、判定部２２２は、不穏スコアに基づいて対象患者の不穏状態または非不穏状態を判定する。
　ここで、不穏判定モデルは、第１の実施形態における学習装置１０により生成されたモデルである。すなわち、本実施形態における不穏判定モデルは、患者の生体情報と非患者の生体情報とを用いて予め生成された学習済みモデルである。判定部２２２は、図示しない記憶装置等に記憶された不穏判定モデルを取得し、対象患者の不穏状態を判定する。
　出力部２２３は、判定部２２２による対象患者の不穏状態の判定結果を出力する。出力部２２３は、当該判定結果を後述する判定結果出力装置２４０に出力する。出力部２２３は、当該判定結果を、判定結果出力装置２４０において出力可能な形式で出力する。例えば、判定結果出力装置２４０が、判定結果を出力するディスプレイ等の表示手段を備える場合、出力部２２３は、当該表示手段を制御する表示制御部としての機能を有する。このように、出力部２２３は、判定結果出力装置２４０における判定結果出力の形式に応じて、判定結果出力装置２４０を制御する手段として機能する。
　生体情報取得装置２３０は、患者の生体情報を取得する装置である。生体情報取得装置２３０は、例えば、ウェアラブルデバイス、等である。生体情報取得装置２３０は、例えば、患者に装着することで当該患者の生体情報を取得する少なくとも一つのセンサを含む装置である。生体情報及びセンサは上述した通りである。また、生体情報取得装置２３０は、例えば、患者の病室に設置された撮像装置や、患者の音声及び患者の周囲環境における音情報の一方又は両方を取得する装置であってもよい。この場合、生体情報取得装置２３０は、取得した画像情報や音情報に基づき患者の生体情報を抽出する処理を行う。
　判定結果出力装置２４０は、判定装置２２０から取得した対象患者の不穏状態の判定結果を出力する。判定結果出力装置２４０は、例えば、医療機関に備えられたコンピュータ等の情報端末である。判定結果出力装置２４０は、医療従事者が保有するタブレット端末、スマートフォン等の情報端末であってもよい。判定結果出力装置２４０は、例えば、ディスプレイ等の文字や画像を表示可能な表示手段、スピーカ等の音を出力可能な音出力手段、等の少なくとも一つを含む。判定結果出力装置２４０は、当該表示手段、音出力手段等の少なくとも一つを用いて、医療従事者に対象患者の不穏状態の判定結果を提示する。
　判定結果出力装置２４０は、対象患者の不穏状態の判定結果に加えて、生体情報取得装置２３０が取得した対象患者の生体情報を併せて出力してもよい。この場合、生体情報取得装置２３０と判定結果出力装置２４０とは、例えば、上述したような無線又は有線などの通信ネットワークを介して互いに通信可能なように接続されている。
　続いて、不穏判定システム２００が行う動作について、図４を参照しながら説明する。図４は、不穏判定システム２００が行う動作の一例を示すフローチャートである。
　生体情報取得装置２３０は、対象患者の生体情報を取得する (ステップＳ２０１)。そして、生体情報取得装置２３０は、取得した対象患者の生体情報を判定装置２２０に送信する（ステップＳ２０２）。
　判定装置２２０の対象患者情報取得部２２１は、生体情報取得装置２３０から対象患者の生体情報を受信する（ステップＳ２０３）。判定部２２２は、対象患者の生体情報と、不穏判定モデルとを用いて対象患者の不穏状態を判定する（ステップＳ２０４）。出力部２２３は、判定部２２２による対象患者の不穏状態の判定結果を、判定結果出力装置２４０に送信する（ステップＳ２０５）。
　判定結果出力装置２４０は、判定装置２２０から対象患者の不穏状態の判定結果を受信する（ステップＳ２０６）。そして、判定結果出力装置２４０は、表示手段、音出力手段等の少なくとも一つを用いて、医療従事者等に対象患者の不穏状態の判定結果を出力する（ステップＳ２０７）。
　本実施形態における不穏判定システム２００は、判定装置２２０において、対象患者の生体情報と、不穏判定モデルとを用いて、対象患者の不穏状態を判定する。不穏判定モデルは、第１の実施形態における学習装置１０により生成されたモデルである。判定装置２２０は、当該不穏判定モデルを用いることにより、対象患者の不穏状態を精度よく判定することができる。対象患者の不穏状態が精度よく判定された判定結果が、判定結果出力装置２４０に出力されることで、医療従事者等は患者の不穏状態を効率よく把握することができる。このように、不穏判定システム２００は、医療従事者等の業務効率化に寄与する。
　不穏判定システム２００は、第１の実施形態における学習装置１０を備えていてもよい。すなわち、不穏判定システム２００は、学習装置を含むシステムであってもよい。この場合、判定装置２２０は、学習装置１０により生成された不穏判定モデルを用いて、対象患者の不穏状態を判定する。不穏判定システム２００は、再学習の機能を備えていてもよい。対象患者情報取得部２２１が取得した対象患者の生体情報と、図示しない記憶装置等から取得した非患者の生体情報とを学習装置１０がさらに用いることで、不穏判定システム２００は再学習された不穏判定モデルを生成する。不穏判定システム２００は、判定装置２２０が出力した対象患者の不穏状態の判定結果が予め定められた所定の精度に達しない場合、再学習を行うようにしてもよい。なお、不穏判定システム２００における判定装置２２０が、学習装置１０が備える構成を含んでいてもよい。
　＜実施形態の各構成要素を実現するハードウェアの構成＞
　本発明の各実施形態において、各装置及びシステムの各構成要素は、機能単位のブロックを示している。各装置及びシステムの各構成要素の一部又は全部は、例えば図５に示すような情報処理装置３００とプログラムとの任意の組み合わせにより実現される。情報処理装置３００は、一例として、以下のような構成を含む。
　　・ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）３０１
　　・ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）３０２
　　・ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）３０３
　　・ＲＡＭ３０３にロードされるプログラム３０４
　　・プログラム３０４を格納する記憶装置３０５
　　・記録媒体３０６の読み書きを行うドライブ装置３０７
　　・通信ネットワーク３０９と接続する通信インターフェース３０８
　　・データの入出力を行う入出力インターフェース３１０
　　・各構成要素を接続するバス３１１
　各実施形態における各装置の各構成要素は、これらの機能を実現するプログラム３０４をＣＰＵ３０１が取得して実行することで実現される。各装置の各構成要素の機能を実現するプログラム３０４は、例えば、予め記憶装置３０５やＲＡＭ３０３に格納されており、必要に応じてＣＰＵ３０１が読み出す。なお、プログラム３０４は、通信ネットワーク３０９を介してＣＰＵ３０１に供給されてもよいし、予め記録媒体３０６に格納されており、ドライブ装置３０７が当該プログラムを読み出してＣＰＵ３０１に供給してもよい。
　各装置の実現方法には、様々な変形例がある。例えば、各装置は、構成要素毎にそれぞれ別個の情報処理装置３００とプログラムとの任意の組み合わせにより実現されてもよい。また、各装置が備える複数の構成要素が、一つの情報処理装置３００とプログラムとの任意の組み合わせにより実現されてもよい。
　また、各装置の各構成要素の一部又は全部は、プロセッサ等を含む汎用または専用の回路や、これらの組み合わせによって実現される。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組み合わせによって実現されてもよい。
　各装置の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。
　なお、上記の説明では、患者の不穏状態を判定するモデルを生成する例を示したが、本願発明は、不穏状態を判定するモデルに限らず、患者等の対象者の状態を判定するモデルを生成するあらゆる場面において適用可能である。
　以上、実施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。また、前述の実施形態の構成は、組み合わせたり或いは一部の構成部分を入れ替えたりしてもよい。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
　不穏状態になる可能性がある人物である患者の生体情報と、非患者の生体情報とを取得する取得手段と、
　前記患者の生体情報及び前記非患者の生体情報を用いて、対象患者の前記生体情報に基づいて前記対象患者が不穏状態であるかまたは非不穏状態であるかを判定する不穏判定モデルを生成するモデル生成手段と、
　を備える学習装置。
（付記２）
　前記モデル生成手段は、前記患者の生体情報及び前記非患者の生体情報を学習データとして用いて、前記不穏判定モデルを生成する、付記１に記載の学習装置。
（付記３）
　前記学習データは、前記非患者の安静状態における生体情報を含む、付記２に記載の学習装置。
（付記４）
　前記非不穏状態に対応する前記学習データは、前記非患者の生体情報を含む、付記２または３に記載の学習装置。
（付記５）
　前記非患者の安静状態は、睡眠状態を含む、付記３または４に記載の学習装置。
（付記６）
　前記不穏状態に対応する前記学習データは、前記患者の前記不穏状態における生体情報を含む、付記２から５の何れか一に記載の学習装置。
（付記７）
　前記非不穏状態に対応する前記学習データは、前記患者の前記非不穏状態における生体情報を含む、付記２から６の何れか一に記載の学習装置。
（付記８）
　前記非患者は、前記不穏状態になる可能性が所定の確率以下の人物である、付記１から７の何れか一に記載の学習装置。
（付記９）
　前記非患者は、日常生活行動を自身で行うことができる人物、基礎疾患がない人物、及び他者の介助や介護を必要としない人物の少なくとも一つである、付記１から８の何れか一に記載の学習装置。
（付記１０）
　前記非患者の生体情報は、年代が異なる非患者の生体情報を含む、付記１から９の何れか一に記載の学習装置。
（付記１１）
　前記対象患者の前記生体情報と前記不穏判定モデルとを用いて前記対象患者が前記不穏状態であるか否かを判定する判定手段を備え、
　前記不穏判定モデルは、付記１から１０の何れか一に記載の学習装置によって生成された学習済みモデルである判定装置。
（付記１２）
　コンピュータが、
　不穏状態になる可能性がある人物である患者の生体情報と非患者の生体情報とを取得し、
　前記患者の生体情報及び前記非患者の生体情報を用いて、対象患者の前記生体情報に基づいて前記対象患者が不穏状態であるか否かを判定する不穏判定モデルを生成する学習済みモデル生成方法。
（付記１３）
　不穏状態になる可能性がある人物である患者の生体情報と非患者の生体情報とを取得し、
　前記患者の生体情報及び前記非患者の生体情報を用いて、対象患者の前記生体情報に基づいて前記対象患者が不穏状態であるか否かを判定する不穏判定モデルを生成する処理をコンピュータに実行させるプログラムを格納した記録媒体。
１０　学習装置
１１　取得部
１２　モデル生成部
２００　不穏判定システム
２２０　判定装置
２２１　対象患者情報取得部
２２２　判定部
２２３　出力部
２３０　生体情報取得装置
２４０　判定結果出力装置
３００　情報処理装置
３０１　ＣＰＵ
３０２　ＲＯＭ
３０３　ＲＡＭ
３０４　プログラム
３０５　記憶装置
３０６　記録媒体
３０７　ドライブ装置
３０８　通信インターフェース
３０９　通信ネットワーク
３１０　入出力インターフェース
３１１　バス

Claims (13)

  1. 　不穏状態になる可能性がある人物である患者の生体情報と、非患者の生体情報とを取得する取得手段と、
    　前記患者の生体情報及び前記非患者の生体情報を用いて、対象患者の前記生体情報に基づいて前記対象患者が不穏状態であるかまたは非不穏状態であるかを判定する不穏判定モデルを生成するモデル生成手段と、
    　を備える学習装置。
  2. 　前記モデル生成手段は、前記患者の生体情報及び前記非患者の生体情報を学習データとして用いて、前記不穏判定モデルを生成する
    請求項１に記載の学習装置。
  3. 　前記学習データは、前記非患者の安静状態における生体情報を含む
    請求項２に記載の学習装置。
  4. 　前記非不穏状態に対応する前記学習データは、前記非患者の生体情報を含む
    請求項２または３に記載の学習装置。
  5. 　前記非患者の安静状態は、睡眠状態を含む
    請求項３または４に記載の学習装置。
  6. 　前記不穏状態に対応する前記学習データは、前記患者の前記不穏状態における生体情報を含む
    請求項２から５の何れか一項に記載の学習装置。
  7. 　前記非不穏状態に対応する前記学習データは、前記患者の前記非不穏状態における生体情報を含む
    請求項２から６の何れか一項に記載の学習装置。
  8. 　前記非患者は、前記不穏状態になる可能性が所定の確率以下の人物である
    請求項１から７の何れか一項に記載の学習装置。
  9. 　前記非患者は、日常生活行動を自身で行うことができる人物、基礎疾患がない人物、及び他者の介助や介護を必要としない人物の少なくとも一つである
    請求項１から８の何れか一項に記載の学習装置。
  10. 　前記非患者の生体情報は、年代が異なる非患者の生体情報を含む
    請求項１から９の何れか一項に記載の学習装置。
  11. 　前記対象患者の前記生体情報と前記不穏判定モデルとを用いて前記対象患者が前記不穏状態であるか否かを判定する判定手段を備え、
    　前記不穏判定モデルは、請求項１から１０の何れか一項に記載の学習装置によって生成された学習済みモデルである
    判定装置。
  12. 　コンピュータが、
    　不穏状態になる可能性がある人物である患者の生体情報と非患者の生体情報とを取得し、
    　前記患者の生体情報及び前記非患者の生体情報を用いて、対象患者の前記生体情報に基づいて前記対象患者が不穏状態であるか否かを判定する不穏判定モデルを生成する
    学習済みモデル生成方法。
  13. 　不穏状態になる可能性がある人物である患者の生体情報と非患者の生体情報とを取得し、
    　前記患者の生体情報及び前記非患者の生体情報を用いて、対象患者の前記生体情報に基づいて前記対象患者が不穏状態であるか否かを判定する不穏判定モデルを生成する
    処理をコンピュータに実行させるプログラムを格納した記録媒体。
PCT/JP2021/013208 2021-03-29 2021-03-29 学習装置、判定装置、学習済みモデル生成方法及び記録媒体 WO2022208581A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2023509896A JPWO2022208581A5 (ja) 2021-03-29 学習装置、判定装置、学習済みモデル生成方法及びプログラム
PCT/JP2021/013208 WO2022208581A1 (ja) 2021-03-29 2021-03-29 学習装置、判定装置、学習済みモデル生成方法及び記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/013208 WO2022208581A1 (ja) 2021-03-29 2021-03-29 学習装置、判定装置、学習済みモデル生成方法及び記録媒体

Publications (1)

Publication Number Publication Date
WO2022208581A1 true WO2022208581A1 (ja) 2022-10-06

Family

ID=83455706

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/013208 WO2022208581A1 (ja) 2021-03-29 2021-03-29 学習装置、判定装置、学習済みモデル生成方法及び記録媒体

Country Status (1)

Country Link
WO (1) WO2022208581A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160302671A1 (en) * 2015-04-16 2016-10-20 Microsoft Technology Licensing, Llc Prediction of Health Status from Physiological Data
JP2019017499A (ja) * 2017-07-12 2019-02-07 パラマウントベッド株式会社 療養支援システム
WO2019044619A1 (ja) * 2017-08-30 2019-03-07 日本電気株式会社 生体情報処理システム、生体情報処理方法、及びコンピュータプログラム記録媒体
WO2021039339A1 (ja) * 2019-08-30 2021-03-04 キヤノン株式会社 情報処理装置、情報処理方法、情報処理システム及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160302671A1 (en) * 2015-04-16 2016-10-20 Microsoft Technology Licensing, Llc Prediction of Health Status from Physiological Data
JP2019017499A (ja) * 2017-07-12 2019-02-07 パラマウントベッド株式会社 療養支援システム
WO2019044619A1 (ja) * 2017-08-30 2019-03-07 日本電気株式会社 生体情報処理システム、生体情報処理方法、及びコンピュータプログラム記録媒体
WO2021039339A1 (ja) * 2019-08-30 2021-03-04 キヤノン株式会社 情報処理装置、情報処理方法、情報処理システム及びプログラム

Also Published As

Publication number Publication date
JPWO2022208581A1 (ja) 2022-10-06

Similar Documents

Publication Publication Date Title
Pandey Machine learning and IoT for prediction and detection of stress
JP7108267B2 (ja) 生体情報処理システム、生体情報処理方法、及びコンピュータプログラム
Khan et al. Accelerometer’s position independent physical activity recognition system for long-term activity monitoring in the elderly
US20180125418A1 (en) Device and method for monitoring a physiological state of a subject
CN109997178B (zh) 用于提醒紧急服务的计算机系统
US20230245741A1 (en) Information processing device, information processing system, and information processing method
WO2019075522A1 (en) RISK INDICATOR
Banfi et al. Efficient embedded sleep wake classification for open-source actigraphy
WO2018235440A1 (ja) 生体状態管理装置および生体状態管理方法
CN113164163A (zh) 推断抑郁状态的装置、方法及其程序
EP4017348A1 (en) Systems and methods for using characteristics of photoplethysmography (ppg) data to detect cardiac conditions
US20240032852A1 (en) Cognitive function estimation device, cognitive function estimation method, and storage medium
CN113598721B (zh) 可穿戴终端及其核心体温监测方法和计算机可读存储介质
Mustafa et al. Stress detector system using iot and artificial intelligence
WO2022208581A1 (ja) 学習装置、判定装置、学習済みモデル生成方法及び記録媒体
Panagiotou et al. A multi: modal decision making system for an ambient assisted living environment
JP7325576B2 (ja) 端末装置、出力方法及びコンピュータプログラム
KR20170112954A (ko) 생체 신호 또는 생체 인식에 근거한 분류 및 후속 에스컬레이션 방법 및 장치
WO2022208582A1 (ja) 学習装置、判定装置、学習済みモデル生成方法及び記録媒体
Sheikdavood et al. Smart Health Monitoring System for Coma Patients using IoT
JP7147864B2 (ja) 支援装置、支援方法、プログラム
JP7298685B2 (ja) リハビリ支援システム、およびリハビリ支援方法
JP7416216B2 (ja) ストレス許容量算出装置、ストレス許容量算出方法、及びプログラム
JP7416215B2 (ja) ストレス発散度算出装置、ストレス発散度算出方法、及びプログラム
JP7456495B2 (ja) ストレス管理装置、ストレス管理方法、及びプログラム

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: 21934758

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2023509896

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: 21934758

Country of ref document: EP

Kind code of ref document: A1