WO2022225000A1 - 甲状腺疾患の診断に関する参考情報を提供する情報処理装置 - Google Patents

甲状腺疾患の診断に関する参考情報を提供する情報処理装置 Download PDF

Info

Publication number
WO2022225000A1
WO2022225000A1 PCT/JP2022/018395 JP2022018395W WO2022225000A1 WO 2022225000 A1 WO2022225000 A1 WO 2022225000A1 JP 2022018395 W JP2022018395 W JP 2022018395W WO 2022225000 A1 WO2022225000 A1 WO 2022225000A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
subject
trained model
disease
crea
Prior art date
Application number
PCT/JP2022/018395
Other languages
English (en)
French (fr)
Inventor
弘 吉村
Original Assignee
伊藤 公一
エフ．ホフマン―ラ ロシュ アーゲー
ロシュ・ダイアグノスティックス株式会社
ロシュ ダイアグノスティックス オペレーションズ インコーポレーテッド
ロシュ ダイアグノスティックス ゲーエムベーハー
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 伊藤 公一, エフ．ホフマン―ラ ロシュ アーゲー, ロシュ・ダイアグノスティックス株式会社, ロシュ ダイアグノスティックス オペレーションズ インコーポレーテッド, ロシュ ダイアグノスティックス ゲーエムベーハー filed Critical 伊藤 公一
Priority to JP2023515505A priority Critical patent/JPWO2022225000A1/ja
Priority to CN202280029915.8A priority patent/CN117616282A/zh
Priority to US18/556,849 priority patent/US20240221957A1/en
Priority to EP22791771.3A priority patent/EP4328590A1/en
Publication of WO2022225000A1 publication Critical patent/WO2022225000A1/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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/564—Immunoassay; Biospecific binding assay; Materials therefor for pre-existing immune complex or autoimmune disease, i.e. systemic lupus erythematosus, rheumatoid arthritis, multiple sclerosis, rheumatoid factors or complement components C1-C9
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
    • G01N33/6827—Total protein determination, e.g. albumin in urine
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/70—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving creatine or creatinine
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/74—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving hormones or other non-cytokine intercellular protein regulatory factors such as growth factors, including receptors to hormones and growth factors
    • G01N33/76—Human chorionic gonadotropin including luteinising hormone, follicle stimulating hormone, thyroid stimulating hormone or their receptors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/74—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving hormones or other non-cytokine intercellular protein regulatory factors such as growth factors, including receptors to hormones and growth factors
    • G01N33/78—Thyroid gland hormones, e.g. T3, T4, TBH, TBG or their receptors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/92—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving lipids, e.g. cholesterol, lipoproteins, or their receptors
    • 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
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to 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
    • 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
    • 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
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/34—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving hydrolase
    • C12Q1/44—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving hydrolase involving esterase
    • C12Q1/46—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving hydrolase involving esterase involving cholinesterase
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/48—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving transferase
    • C12Q1/50—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving transferase involving creatine phosphokinase
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/575—Hormones
    • G01N2333/59—Follicle-stimulating hormone [FSH]; Chorionic gonadotropins, e.g. HCG; Luteinising hormone [LH]; Thyroid-stimulating hormone [TSH]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/90—Enzymes; Proenzymes
    • G01N2333/914—Hydrolases (3)
    • G01N2333/916—Hydrolases (3) acting on ester bonds (3.1), e.g. phosphatases (3.1.3), phospholipases C or phospholipases D (3.1.4)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/04—Endocrine or metabolic disorders
    • G01N2800/046—Thyroid disorders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/72—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood pigments, e.g. haemoglobin, bilirubin or other porphyrins; involving occult blood
    • G01N33/728—Bilirubin; including biliverdin

Definitions

  • the present invention relates to an information processing device, a program, and an information processing method that provide reference information for diagnosing thyroid disease.
  • Patent Document 1 discloses a device for assessing the risk of prostate cancer based on blood marker information including free prostate-specific antigen (fPSA) and total PSA (tPSA) levels.
  • fPSA free prostate-specific antigen
  • tPSA total PSA
  • GD Basedow's disease
  • PT painless thyroiditis
  • Diagnosis of Graves' disease (GD) includes serum free thyroxine (T4), free triiodothyronine (T3), serum thyroid-stimulating hormone (TSH) suppression, presence of thyroid-stimulating antibodies and/or increased radioiodine uptake confirmed by laboratory findings.
  • Painless thyroiditis (PT) may also be differentiated from Graves' disease by having less radioactive iodine uptake.
  • thyrotoxicosis vary from person to person, and thyroid function tests are not performed in regular health checkups, so the diagnosis may be delayed.
  • delayed treatment of Graves' disease increases the risk of atrial fibrillation, congestive heart failure, and fractures, and early treatment of Graves' disease avoids severe cardiac or musculoskeletal complications. is also beneficial.
  • the present invention has been made in view of the above problems, and provides reference information for diagnosing thyroid disease based on biochemical parameters such as age and weight, and the results of hematological tests performed in ordinary medical examinations. It is an object of the present invention to provide an information processing apparatus, a program, and an information processing method that can
  • the information processing apparatus from the information on the subject's blood test, total protein (TP), cholinesterase (ChE), total cholesterol (TC), creatinine (CREA), and creatine phosphokinase ( CPK) is input to the first trained model, and a first determination unit outputs information regarding whether or not the subject's thyroid stimulating hormone (TSH) is within a range requiring treatment.
  • TSH thyroid stimulating hormone
  • a range of thyroid-stimulating hormone (TSH) that requires treatment refers to, for example, a thyroid-stimulating hormone (TSH) of 10 ⁇ IU/ml or more, but the range that requires treatment is limited to this. not something.
  • the information processing apparatus based on the age of the subject and information on the blood test of the subject, total protein (TP), creatinine (CREA), neutrophils (Neu), and total a second discriminating unit that inputs information about bilirubin (T-Bill) into the second trained model and outputs information about whether the subject's thyroid stimulating hormone (TSH) is within the normal value range; have.
  • TP total protein
  • CREA creatinine
  • Neu neutrophils
  • T-Bill total protein
  • T-Bill total protein
  • T-Bill thyroid stimulating hormone
  • a primary determination of whether a subject's thyroid stimulating hormone (TSH) is within the normal range is based on the results of a hematological test performed during a routine physical examination and the subject's age. information can be obtained.
  • the range of thyroid-stimulating hormone (TSH) is within the normal range means, for example, that the thyroid-stimulating hormone (TSH) is 4.5 ⁇ IU/ml or less, and the range of normal values is It is not limited.
  • normal values for thyroid stimulating hormone (TSH) can be set at 5.0 ⁇ IU/ml or less.
  • the information processing apparatus from the age of the subject and information on the blood test of the subject, creatinine (CREA), total cholesterol (TC), alkaline phosphatase (ALP), and total protein (TP) into a third trained model, and outputs information as to whether or not the subject has Graves' disease.
  • CREA creatinine
  • TC total cholesterol
  • ALP alkaline phosphatase
  • TP total protein
  • the primary information can be used as reference information as to whether or not to perform further examinations to confirm Graves' disease, and as reference information as to the progress of Graves' disease in the subject.
  • the information processing apparatus obtains information on thyroid hormone FT3, thyroid hormone FT4, FT3/FT4, alkaline phosphatase (ALP), and creatinine (CREA) from information on a subject's blood test, It has a fourth discriminating unit for inputting to a fourth trained model and outputting information related to discriminating whether the subject is suffering from Graves' disease or painless thyroiditis.
  • the thyroid hormone test results based on the information obtained from the thyroid hormone test results and the hematological test performed in a normal health checkup, it is possible to determine whether the subject is suffering from Graves' disease or painless thyroiditis.
  • the primary information can be used as reference information regarding whether or not to perform further tests to confirm Graves' disease or painless thyroiditis.
  • the information processing apparatus from information on a blood test of a subject, alkaline phosphatase (ALP), creatinine (CREA), total protein (TP), ⁇ -glutamyltranspeptidase ( ⁇ GTP), leukocytes ( WBC) is input to a fifth trained model, and a fifth discriminating unit for outputting information on discrimination between Graves' disease and painless thyroiditis as a disease that the subject is suffering from. .
  • ALP alkaline phosphatase
  • CREA creatinine
  • TP total protein
  • ⁇ GTP ⁇ -glutamyltranspeptidase
  • WBC leukocytes
  • the disease that the subject is suffering from is Graves' disease or painless thyroid gland. It is possible to obtain primary information on the discrimination of flames. In addition, the primary information can be used as reference information regarding whether or not to perform further tests to confirm Graves' disease or painless thyroiditis.
  • the information processing apparatus from the age of the subject and information on the blood test of the subject, total cholesterol (TC), cholinesterase (ChE), creatinine (CREA), and creatine phosphokinase (CPK) information is input to a sixth trained model, and a sixth determination unit outputs information regarding whether or not the subject is suffering from painless thyroiditis.
  • TC total cholesterol
  • ChE cholinesterase
  • CREA creatinine
  • CPK creatine phosphokinase
  • the primary information can be used as reference information regarding whether or not to perform further tests to confirm painless thyroiditis, and as reference information regarding the progress of painless thyroiditis in subjects.
  • the information processing apparatus obtains creatinine (CREA), total cholesterol (TC), cholinesterase (ChE), creatine phosphokinase (CPK), and basophils from information on a blood test of a subject.
  • the primary information can be used as reference information regarding whether or not to conduct further examinations to determine the details of thyrotoxicosis, and as reference information regarding the progress of the subject's thyrotoxicosis.
  • the present invention provides a program for causing an information processing device to input and output each piece of information to the trained model in the first to seventh embodiments, and an information processing device to input each piece of information to the trained model. Also provided is an information processing method for performing the input and output of the .
  • an information processing device capable of providing reference information for diagnosing a thyroid disease based on biochemical parameters such as age and the results of hematological tests performed in a normal health checkup. and an information processing method.
  • FIG. 6 is an example of a flowchart illustrating machine learning processing performed by a learning unit; 6 is an example of a flowchart illustrating processing performed by a determination unit; It is an example of a processing sequence of a diagnostic system composed of a server and a user terminal.
  • this embodiment an embodiment of the present invention (hereinafter referred to as “this embodiment”) will be described in detail, but the present invention is not limited to this, and various modifications are possible without departing from the gist thereof. is.
  • Hypothyroidism refers to a state in which thyroid hormone action is lower than necessary in each tissue. Symptoms of hypothyroidism generally include lethargy, fatigue, swelling, sensitivity to cold, weight gain, slow movement, poor memory, and constipation. There are many. Severe hypothyroidism can lead to somnolence and impaired consciousness, sometimes called myxedema coma.
  • Thyrotoxicosis refers to a condition in which the function of thyroid hormone is excessive in each tissue. In thyrotoxicosis, the metabolism becomes active, and the person becomes sensitive to heat and sweats profusely. In addition, because energy is wasted, the amount of food may increase, but the person may become thin. In addition, it also acts on the nerves and causes symptoms in various parts of the body such as hand tremors, irritability, and diarrhea. This thyrotoxicosis includes the following Graves' disease and painless thyroiditis.
  • Glos' disease refers to a disease in which thyroid hormone is overproduced. Specifically, it refers to a disease in which the thyroid gland is stimulated by TSH receptor antibodies, resulting in excessive production of thyroid hormone.
  • Panal thyroiditis refers to a condition in which thyroid hormones that have been stored in the thyroid gland leak into the blood for some reason, resulting in a temporary increase in thyroid hormones. Specifically, thyroid hormone leaks into the blood when thyroid follicles are destroyed.
  • each disease is generally a disease that is diagnosed according to the guidelines published by the medical society concerning the disease, a disease that is described in the column of efficacy and effect in the package insert of ethical drugs, or , or at least any of the diseases understood as terms commonly used in the pharmaceutical and medical industries.
  • Information on whether or not or “information on discrimination” may be, for example, information that it is healthy or normal, or the probability of being healthy or normal is 100% or normalized It may be information represented by a level. Further, the information may be information indicating that the person is suffering from a predetermined disease, or information that expresses the possibility of being affected by the predetermined disease by 100 percent or a standardized level. good. Furthermore, these information may include both information indicating that the patient is normal or in good health and information indicating that the patient is suffering from a disease.
  • a qualitative biochemical parameter such as a biochemical parameter that is higher (e.g., more diseased) or lower (e.g., more normal or healthy) than a reference value for normal or healthy It may also contain quantitative information. Furthermore, these pieces of information may include the meaning of recommending further inspections such as detailed inspections.
  • the information processing device 100 which is a thyroid disease determination device, controls total protein (TP), cholinesterase (ChE), total cholesterol (TC), creatinine (CREA), and creatine phosphokinase (CPK).
  • TP total protein
  • ChE cholinesterase
  • TC total cholesterol
  • CREA creatinine
  • CPK creatine phosphokinase
  • a diagnostic system 1 is constructed to determine whether a subject's thyroid-stimulating hormone (TSH) is within the therapeutic range or not, based on the information about.
  • TSH thyroid-stimulating hormone
  • FIG. 1 shows a block diagram showing an information processing device 100 included in the diagnostic system of this embodiment.
  • the information processing apparatus 100 typically includes one or more processors 110, a communication interface 120 for controlling wired or wireless communication, an input/output interface 130, a memory 140, a storage 150, and interconnecting these components. , which cooperate to implement the processes, functions, or methods described in this disclosure.
  • the processor 110 executes processes, functions, or methods implemented by codes or instructions contained in programs stored in the memory 140 .
  • Processor 110 includes, by way of example and not limitation, one or more central processing units (CPUs), GPUs (Graphics Processing Units).
  • the communication interface 120 transmits and receives various data to and from other information processing devices via a network.
  • the communication may be performed by wire or wirelessly, and any communication protocol may be used as long as mutual communication can be performed.
  • the communication interface 120 is implemented as hardware such as a network adapter, various types of communication software, or a combination thereof.
  • the input/output interface 130 includes an input device for inputting various operations to the information processing device 100 and an output device for outputting processing results processed by the information processing device 100 .
  • the input/output interface 130 includes an information input device such as a keyboard, mouse, and touch panel, a blood test device, and an image output device such as a display.
  • the information processing apparatus 100 may receive a predetermined input by connecting the external input/output interface 130 .
  • the information processing device 100 may be externally attached with a blood test device or the like.
  • the memory 140 temporarily stores programs loaded from the storage 150 and provides a work area for the processor 110 .
  • the memory 140 also temporarily stores various data generated while the processor 110 is executing the program.
  • Memory 140 may be, by way of example and not limitation, high speed random access memory such as DRAM, SRAM, DDR RAM, or other random access solid state memory, or any combination thereof.
  • Storage 150 stores programs, various functional units, and various data.
  • Storage 150 may be, by way of example and not limitation, non-volatile memory such as magnetic disk storage, optical disk storage, flash memory devices, or other non-volatile solid-state storage, or the like, and may be combined.
  • Other examples of storage 150 may include one or more storage devices remotely located from CPU 110 .
  • storage 150 stores programs, functions and data structures, or subsets thereof.
  • the information processing apparatus 100 functions as a determination unit 155, a display unit 156, and a learning unit 157 by the processor 110 executing instructions included in a program stored in the storage 150. It is configured.
  • the operating system 151 includes, for example, procedures for handling various basic system services and performing tasks with the hardware.
  • the network communication unit 152 connects the information processing device 100 to another computer, for example, via the communication interface 120 and one or more communication networks such as the Internet, other wide area networks, local area networks, and metropolitan area networks. used to
  • the subject data 153 includes, for example, personal information such as subject's gender, age, and blood test results.
  • the subject data 153 may be an electronic medical chart stored by the storage 150 or an electronic medical chart stored by a remote server.
  • the learning data 154 is a data set used to generate a trained model, and the data set may be divided into teacher data and test data.
  • the learning data 154 includes, for example, information on thyroid disease and thyroid-stimulating hormone, and information on blood tests.
  • the learning data 154 may be stored in the storage 150 or in a remote server.
  • the determination unit 155 executes a process of acquiring information related to the hematological test of the subject from the communication interface 120 or the input/output interface 130 .
  • each information acquired by the determination unit 155 can be input to the information processing apparatus 100 via the communication interface 120 by a doctor, a nurse, other medical personnel, or a medical institution. Further, each information acquired by the determination unit 155 may be received by the determination unit 155 from another terminal or server via the input/output interface 130 .
  • the determination unit 155 can store each acquired information in the subject data 153 .
  • the determination unit used in the first embodiment will be referred to as a first determination unit 155
  • the determination units used in the second to sixth embodiments described later will be referred to as a second determination unit 155 to a sixth determination unit 155, respectively.
  • the discrimination section 155 when there is no need to distinguish between them, they are simply referred to as the discrimination section 155 .
  • the trained models used in the first to sixth embodiments are referred to as the first trained model to the second trained model, respectively, and simply referred to as the trained model when there is no need to distinguish between them. .
  • the hematological test information acquired by the first determination unit 155 includes, for example, the subject's total protein (TP), cholinesterase (ChE), total cholesterol (TC), creatinine (CREA), and creatine phosphokinase (CPK). ) and may contain other information.
  • TP total protein
  • ChE cholinesterase
  • TC total cholesterol
  • CREA creatinine
  • CPK creatine phosphokinase
  • the first determination unit 155 inputs the information on the hematological test of the subject acquired as described above to the first trained model, and determines whether the thyroid stimulating hormone (TSH) of the subject is within the range requiring treatment. Executes processing for outputting information about whether or not
  • the first trained model is not particularly limited, but may be, for example, a trained model generated by machine learning processing based on the learning data 154 .
  • the display unit 157 executes processing for controlling display of the information output by the first determination unit 155 on the display device. For example, the display unit 157 displays information regarding whether or not the subject's thyroid-stimulating hormone (TSH) is within a range that requires treatment, the probability that the subject's thyroid-stimulating hormone (TSH) is 10 ⁇ IU/ml or more, or 10 ⁇ IU /ml can be displayed and controlled on the display device.
  • TSH thyroid-stimulating hormone
  • the learning unit 158 executes processing for generating a trained model by machine learning processing based on the learning data 154 .
  • Machine learning processes include supervised learning and semi-supervised learning.
  • Trained Model As an example, a first trained model was created using Sony's Prediction One. For the creation of this first trained model, 3343 subjects with thyroid-stimulating hormone (TSH) levels exceeding 10 ⁇ IU/ml and 23716 subjects with thyroid-stimulating hormone (TSH) levels of 10 ⁇ IU/ml or less were used for training. We used the data.
  • TSH thyroid-stimulating hormone
  • TP total protein
  • ChE cholinesterase
  • TC total cholesterol
  • CREA creatinine
  • CPK creatine phosphokinase
  • the data for each example may include thyroid-stimulating hormone (TSH) levels, blood test results, and the subject's age, sex, and weight.
  • Hematology results include red blood cell count (RBC), hemoglobin content (Hb), hematocrit (Ht), mean corpuscular volume (MCV), mean corpuscular hemoglobin content (MCH), mean corpuscular hemoglobin concentration (MCHC), platelets count (Plt), white blood cell count (WBC), neutrophils (Neu), lymphocytes (Lym), monocytes (Mo), eosinophils (Eo), basophils (Ba), total protein (TP), Total Bilirubin (T-Bil), Aspartate Aminotransferase (AST), Alanine Aminotransferase (ALT), Lactate Dehydrogenase (LDH), ⁇ -Glutamyltranspeptidase ( ⁇ GTP), Alkaline Phosphatase (ALP), Cholinesterase (ChE), Crea
  • Trained model (Modification 1) As another example, training data from 2427 subjects with thyroid stimulating hormone (TSH) levels exceeding 15 ⁇ IU/ml and 24,632 subjects with thyroid stimulating hormone (TSH) levels of 15 ⁇ IU/ml or less were used. 1 A trained model was also created.
  • this learning data into a ratio of 7:3, prepared a data set of teacher data and test data, and created the first trained model using the teacher data.
  • TP total protein
  • ChE cholinesterase
  • TC total cholesterol
  • CREA creatinine
  • CPK creatine phosphokinase
  • the first trained model obtained in this way has a specificity, accuracy rate, and negative predictive value of 90% or more. ) is high, and it can be seen that about half of the patients who are in the range requiring treatment can be detected.
  • FIG. 2 is a flowchart illustrating machine learning processing in which the learning unit 158 of the information processing apparatus 100 creates a trained model using teacher data.
  • step S201 the learning unit 158 collects actual treatment data as learning data.
  • the learning unit 158 collects actual treatment data from the subject data 153 of the information processing device 100 or subject data stored in another information processing device or server connected via a network, and collects actual treatment data for learning. Store in data 154 . It can be training data and test data.
  • step S202 the learning unit 158 creates teacher data from the data set stored in the learning data 154, and uses the teacher data to provide information on whether or not thyroid stimulating hormone (TSH) is within a range that requires treatment. Create a first trained model that outputs For example, the learning unit 158 uses teacher data to perform machine learning using information about the value of thyroid-stimulating hormone (TSH) as a correct label.
  • TSH thyroid stimulating hormone
  • FIG. 3 is a flowchart illustrating a process in which the determination unit 155 of the information processing apparatus 100 outputs information about visual acuity prognosis when treatment is performed using a learned model.
  • the determination unit 155 acquires information on the hematological test result of the subject.
  • the determination unit 155 may acquire information about the result of the hematology test from another information processing device or measurement device via the communication interface 120, or may obtain information about the results of the hematology test via the input/output interface 130.
  • You may acquire the result of a blood test from information input devices, such as , a touch panel.
  • the determination unit 155 is scheduled to determine the subject's disease name or symptoms from electronic medical record information stored in the storage of the information processing device or in a server accessible by the information processing device. may obtain information about the treatment of
  • step S302 the determination unit 155 inputs information about the result of the hematology test of the subject into the first trained model, and according to the first trained model, the thyroid stimulating hormone (TSH) is within the range requiring treatment. Outputs information about whether or not
  • step S303 the display unit 156 controls display of the output information on an image output device such as a display.
  • the display control method is not particularly limited, but for example, the possibility that thyroid-stimulating hormone (TSH) is in the range requiring treatment and the possibility that it is not in the range requiring treatment may be displayed in percentages of 100.
  • TSH thyroid-stimulating hormone
  • the thyroid stimulating hormone (TSH) value of the subject It is possible to obtain primary information as to whether or not is in the therapeutic range.
  • the information processing device 100 which is a thyroid disease determination device, determines total protein (TP), creatinine (CREA), A diagnostic system 1 is constructed to determine whether a subject's thyroid stimulating hormone (TSH) is within the normal range based on information on neutral (Neu) and total bilirubin (T-Bill).
  • TSH thyroid stimulating hormone
  • the configuration, operation processing, etc. of the information processing apparatus 100 according to the second embodiment are basically the same as the configuration, operation processing, etc. of the information processing apparatus of the diagnostic system according to the first embodiment.
  • the difference between the second embodiment and the first embodiment is that the information to be input to the second trained model is the age of the subject and the blood test information of the subject, including total protein (TP), creatinine ( CREA), neutrophils (Neu), and total bilirubin (T-Bill). The point is that it is information about whether it is within the range or not.
  • the hematological test information acquired by the second determination unit 155 includes, for example, the subject's total protein (TP), creatinine (CREA), neutrophils (Neu), and total bilirubin (T-Bill). ) and may contain other information.
  • the biochemical parameters acquired by the second determination unit 155 include the subject's age and may include other information.
  • the second determination unit 155 inputs the information on the subject's age and hematological test acquired as described above to the second trained model, and determines that the subject's thyroid stimulating hormone (TSH) is within the normal value range Execute processing to output information about whether or not there is.
  • the second trained model is not particularly limited, but may be, for example, a trained model generated by machine learning processing based on the learning data 154 .
  • the display unit 157 executes processing for controlling display of the information output by the second determination unit 155 on the display device. For example, the display unit 157 displays information about whether the subject's thyroid stimulating hormone (TSH) is within the normal value range, the probability that the subject's thyroid stimulating hormone (TSH) is 4.5 ⁇ IU/ml or less, Alternatively, the display can be controlled on the display device as the probability of exceeding 4.5 ⁇ IU/ml.
  • TSH thyroid stimulating hormone
  • TSH thyroid stimulating hormone
  • the learning unit 158 executes processing for generating a trained model by machine learning processing based on the learning data 154 .
  • Machine learning processes include supervised learning and semi-supervised learning.
  • Trained Model As an example, a second trained model was created using Sony's Prediction One. To create this second trained model, 7850 subjects with thyroid stimulating hormone (TSH) levels greater than 4.5 ⁇ IU/ml and 7850 subjects with thyroid stimulating hormone (TSH) levels between The following learning data of 19209 subjects were used.
  • TSH thyroid stimulating hormone
  • this learning data into a ratio of 7:3, prepared a data set of teacher data and test data, and created a second trained model using the teacher data.
  • a second trained model was obtained with predictors of total protein (TP), age, creatinine (CREA), neutrophils (Neu), and total bilirubin (T-Bill).
  • step S202 the learning unit 158 creates teacher data from the data set stored in the learning data 154, and uses the teacher data to obtain information about whether thyroid stimulating hormone (TSH) is within the normal value range. Create a second trained model that outputs For example, the learning unit 158 uses teacher data to perform machine learning using information about the value of thyroid-stimulating hormone (TSH) as a correct label.
  • TSH thyroid stimulating hormone
  • step S302 the determination unit 155 inputs information about the subject's hematological test results to the trained model, and determines whether or not the thyroid stimulating hormone (TSH) is within the normal value range by the trained model. Output information.
  • TSH thyroid stimulating hormone
  • step S303 the display unit 156 controls display of the output information on an image output device such as a display.
  • the display control method is not particularly limited, but for example, the possibility that the thyroid stimulating hormone (TSH) is within the normal value range and the possibility that it is not within the normal value range may be displayed in percentages of 100.
  • TSH thyroid stimulating hormone
  • the information processing device 100 which is a device for determining thyroid disease, determines the age of the subject and the blood test information of the subject to determine creatinine (CREA), total cholesterol (TC), alkaline Based on information on phosphatase (ALP) and total protein (TP), a diagnostic system 1 is constructed to determine whether or not a subject has Graves' disease.
  • CREA creatinine
  • TC total cholesterol
  • ALP alkaline
  • TP total protein
  • the configuration, operation processing, etc. of the information processing apparatus 100 according to the third embodiment are basically the same as the configuration, operation processing, etc. of the information processing apparatus of the diagnostic system according to the first embodiment.
  • the difference between the third embodiment and the first embodiment is that the information to be input to the third trained model is the age of the subject, and information on the subject's blood test such as creatinine (CREA), total cholesterol (TC), alkaline phosphatase (ALP), and total protein (TP), and the information output by the third trained model is information on whether the subject is suffering from Graves' disease. It is a point.
  • the hematological test information acquired by the third determination unit 155 includes, for example, the subject's creatinine (CREA), total cholesterol (TC), alkaline phosphatase (ALP), and total protein (TP). and may contain other information.
  • the biochemical parameters acquired by the third determination unit 155 include the subject's age and may include other information.
  • the third discriminating unit 155 inputs the information about the subject's age and hematological test acquired as described above to the third trained model, and determines whether the subject is suffering from Graves' disease. Execute the output process.
  • the third trained model is not particularly limited, but may be, for example, a trained model generated by machine learning processing based on the learning data 154 .
  • the display unit 157 executes processing for controlling display of the information output by the third determination unit 155 on the display device.
  • the display unit 157 can control and display information regarding whether or not the subject has Graves' disease on the display device as the probability of having Graves' disease or the probability of not having Graves' disease.
  • the learning unit 158 executes processing for generating a trained model by machine learning processing based on the learning data 154 .
  • Machine learning processes include supervised learning and semi-supervised learning.
  • Trained Model As an example, a third trained model was created using Sony's Prediction One. Learning data of 19,335 untreated Graves' disease patients and 4,159 healthy subjects were used to create this third trained model.
  • this learning data into a ratio of 7:3, prepared a data set of teacher data and test data, and created a third trained model using the teacher data.
  • a third trained model was obtained with the subject's creatinine (CREA), total cholesterol (TC), alkaline phosphatase (ALP), age, and total protein (TP) as predictors.
  • Trained model (Modification 1) Furthermore, in order to confirm the gender dependence of the determination of whether or not the subject is suffering from Graves' disease, the training data was divided into males and females, and training data and test data sets were prepared, A third trained model (female) and a third trained model (male) were created using teacher data.
  • the third trained model female
  • a model was obtained in which creatinine (CREA), total cholesterol (TC), cholinesterase (ChE), alkaline phosphatase (ALP), and creatine phosphokinase (CPK) were the predictors.
  • CREA creatinine
  • TC total cholesterol
  • ChoE cholinesterase
  • ALP alkaline phosphatase
  • CPK creatine phosphokinase
  • a model was obtained with alkaline phosphatase (ALP), creatinine (CREA), total cholesterol (TC), total protein (TP), and alanine aminotransferase (ALT) as predictors. was taken.
  • the third trained model of the third embodiment may be replaced with the third trained model (female) or the third trained model (male).
  • Trained model (Modification 2) Furthermore, in order to confirm the dependence on the free thyroxine (FT4) level in determining whether or not the subject is suffering from Graves' disease, from the above learning data, the free thyroxine (FT4) level was 5 ng / dl Test data for creating the above 3rd trained model (severe GD) for determining severe thyrotoxicosis and 3rd trained model for determining mild thyrotoxicosis with a free thyroxine (FT4) level of less than 5 ng/dl Created test data for creating a model (mild GD).
  • test data for creating the third trained model were supervised data including 6040 severe thyrotoxicosis patients with free thyroxine (FT4) levels of 5 ng/dl or higher and 2911 healthy subjects.
  • FT4 free thyroxine
  • test data for creating the third trained model is training data including 7505 patients with mild thyrotoxicosis whose free thyroxine (FT4) level is less than 5 ng/dl and 2911 healthy subjects. , included test data from 3275 randomly selected thyrotoxic patients and 1248 healthy subjects.
  • TC total cholesterol
  • CREA creatinine
  • TP total protein
  • ChoE cholinesterase
  • Mo monocyte
  • a third trained model (mild GD) obtained a model with creatinine (CREA), total cholesterol (TC), age, alkaline phosphatase (ALP), and total protein (TP) as predictors.
  • the ROC curve and AUC were obtained from the above test data.
  • the third trained model of the third embodiment may be replaced with the third trained model (severe GD) or the third trained model (light GD).
  • step S202 the learning unit 158 creates teacher data from the data set stored in the learning data 154, and uses the teacher data to output information regarding whether or not the subject has Graves' disease.
  • 3 Create a trained model.
  • the learning unit 158 uses teacher data to perform machine learning using information about whether or not the subject has Graves' disease as a correct label.
  • step S302 the determination unit 155 inputs information about the subject's hematological test results to the third trained model, and determines whether the subject has Graves' disease based on the third trained model. Output information.
  • step S303 the display unit 156 controls display of the output information on an image output device such as a display.
  • the display control method is not particularly limited, for example, the possibility that the subject has Graves' disease and the possibility that the subject does not have Graves' disease may be indicated by 100%.
  • the information processing apparatus 100 which is a thyroid disease determination apparatus, extracts thyroid hormone FT3, thyroid hormone FT4, FT3/FT4, alkaline phosphatase (ALP), and Information on creatinine (CREA) is input to the fourth trained model to construct a diagnostic system 1 that distinguishes whether the subject is suffering from Graves' disease or painless thyroiditis.
  • the configuration, operation processing, etc. of the information processing apparatus 100 according to the fourth embodiment are basically the same as the configuration, operation processing, etc. of the information processing apparatus of the diagnostic system according to the first embodiment.
  • the difference between the fourth embodiment and the first embodiment is that the information to be input to the fourth trained model includes thyroid hormone FT3, thyroid hormone FT4, FT3/FT4, alkaline phosphatase ( ALP) and creatinine (CREA), and the information output by the fourth trained model distinguishes whether the disease that the subject is suffering from is Basedow's disease or painless thyroiditis.
  • the information to be input to the fourth trained model includes thyroid hormone FT3, thyroid hormone FT4, FT3/FT4, alkaline phosphatase ( ALP) and creatinine (CREA), and the information output by the fourth trained model distinguishes whether the disease that the subject is suffering from is Basedow's disease or painless thyroiditis.
  • ALP alkaline phosphatase
  • CREA creatinine
  • the hematological test information acquired by the fourth determination unit 155 includes, for example, the subject's thyroid hormone FT3, thyroid hormone FT4, FT3/FT4, alkaline phosphatase (ALP), and creatinine (CREA). and may contain other information.
  • the fourth determination unit 155 inputs the information on the subject's age and hematological test acquired as described above to the fourth trained model, and determines whether the subject's disease is Graves' disease or whether it is painless. Execute processing for outputting information related to discrimination of thyroiditis.
  • the fourth trained model is not particularly limited, but may be, for example, a trained model generated by machine learning processing based on the learning data 154 .
  • the display unit 157 executes processing for controlling display of the information output by the fourth determination unit 155 on the display device.
  • the display unit 157 displays information related to distinguishing whether the subject is suffering from Graves' disease or painless thyroiditis.
  • the display can be controlled on the display device as the probability of suffering from painless thyroiditis or the probability of not suffering from painless thyroiditis.
  • the learning unit 158 executes processing for generating a trained model by machine learning processing based on the learning data 154 .
  • Machine learning processes include supervised learning and semi-supervised learning.
  • Trained Model As an example, a fourth trained model was created using Sony's Prediction One. Learning data of 19,335 untreated Graves' disease patients and 3,267 untreated painless thyroiditis patients were used to create this fourth trained model.
  • this learning data into a ratio of 7:3, prepared a data set of teacher data and test data, and created a fourth trained model using the teacher data.
  • a fourth trained model was obtained with thyroid hormone FT3, thyroid hormone FT4, FT3/FT4, alkaline phosphatase (ALP), and creatinine (CREA) as predictors.
  • step S202 the learning unit 158 creates teacher data from the data set stored in the learning data 154, and uses the teacher data to determine whether the subject is suffering from Graves' disease or painless thyroiditis. Create a fourth trained model that outputs information on whether or not to discriminate.
  • the learning unit 158 uses teacher data to perform machine learning using information about a disease (Graves' disease or painless thyroiditis) that the subject is suffering from as a correct label.
  • step S302 the determination unit 155 inputs information about the result of the hematology test of the subject to the fourth trained model, and determines that Graves' disease is the disease that the subject is suffering from according to the fourth trained model. or painless thyroiditis.
  • step S303 the display unit 156 controls display of the output information on an image output device such as a display.
  • the display control method is not particularly limited. , and the probability of not being affected may be expressed as a percentage of 100.
  • the information processing apparatus 100 which is a thyroid disease determination apparatus, extracts alkaline phosphatase (ALP), creatinine (CREA), total protein (TP), ⁇ -glutamyl from information on a blood test of a subject.
  • a diagnostic system for inputting information on transpeptidase ( ⁇ GTP) and white blood cells (WBC) into a fifth trained model to distinguish whether the subject is suffering from Graves' disease or painless thyroiditis. 1 is constructed.
  • the configuration, operation processing, etc. of the information processing apparatus 100 according to the fifth embodiment are basically the same as the configuration, operation processing, etc. of the information processing apparatus of the diagnostic system according to the first embodiment.
  • the difference between the fifth embodiment and the first embodiment is that the information to be input to the fifth trained model is alkaline phosphatase (ALP), creatinine (CREA), total protein (TP), ⁇ -glutamyltranspeptidase ( ⁇ GTP), and white blood cells (WBC), and the information output by the fifth trained model is whether the subject is suffering from Graves' disease or is indolent.
  • ALP alkaline phosphatase
  • CREA creatinine
  • TP total protein
  • ⁇ GTP ⁇ -glutamyltranspeptidase
  • WBC white blood cells
  • the information on the hematological test acquired by the fifth determination unit 155 includes, for example, subject's alkaline phosphatase (ALP), creatinine (CREA), total protein (TP), ⁇ -glutamyltranspeptidase ( ⁇ GTP), White blood cells (WBC) are included and other information may be included.
  • ALP alkaline phosphatase
  • CREA creatinine
  • TP total protein
  • ⁇ GTP ⁇ -glutamyltranspeptidase
  • WBC White blood cells
  • the fifth determination unit 155 inputs the information on the subject's age and hematological test acquired as described above to the fifth trained model, and determines whether the subject's disease is Graves' disease or whether it is painless. Execute processing for outputting information related to discrimination of thyroiditis.
  • the fifth trained model is not particularly limited, but may be, for example, a trained model generated by machine learning processing based on the learning data 154 .
  • the display unit 157 executes processing for controlling display of the information output by the fifth determination unit 155 on the display device.
  • the display unit 157 displays information related to distinguishing whether the subject is suffering from Graves' disease or painless thyroiditis.
  • the display can be controlled on the display device as the probability of suffering from painless thyroiditis or the probability of not suffering from painless thyroiditis.
  • the learning unit 158 executes processing for generating a trained model by machine learning processing based on the learning data 154 .
  • Machine learning processes include supervised learning and semi-supervised learning.
  • Trained Model As an example, a fifth trained model was created using Sony's Prediction One. Learning data of 19,335 untreated Graves' disease patients and 3,267 untreated painless thyroiditis patients were used to create this fifth trained model.
  • this learning data into a ratio of 7:3, prepared a data set of teacher data and test data, and created a fifth trained model using the teacher data.
  • a fifth trained model with alkaline phosphatase (ALP), creatinine (CREA), total protein (TP), ⁇ -glutamyltranspeptidase ( ⁇ GTP), and white blood cells (WBC) as predictors was obtained.
  • ALP alkaline phosphatase
  • CREA creatinine
  • TP total protein
  • ⁇ GTP ⁇ -glutamyltranspeptidase
  • WBC white blood cells
  • step S202 the learning unit 158 creates teacher data from the data set stored in the learning data 154, and uses the teacher data to determine whether the subject is suffering from Graves' disease or painless thyroiditis. Create a fifth trained model that outputs information on whether or not to discriminate.
  • the learning unit 158 uses teacher data to perform machine learning using information about a disease (Graves' disease or painless thyroiditis) that the subject is suffering from as a correct label.
  • step S302 the determination unit 155 inputs information about the result of the hematology test of the subject to the fifth trained model, and determines that Graves' disease is the disease that the subject is suffering from according to the fifth trained model. or painless thyroiditis.
  • step S303 the display unit 156 controls display of the output information on an image output device such as a display.
  • the display control method is not particularly limited. , the probability of not being affected may be expressed as a percentage of 100.
  • the information processing apparatus 100 which is a thyroid disease determination apparatus, determines total cholesterol (TC), cholinesterase (ChE), and creatinine from the subject's age and blood test information. (CREA) and creatine phosphokinase (CPK) are input to the sixth trained model to construct a diagnostic system 1 that determines whether or not the subject is suffering from painless thyroiditis.
  • TC total cholesterol
  • ChE cholinesterase
  • CPK creatinine phosphokinase
  • the configuration, operation processing, etc. of the information processing apparatus 100 according to the sixth embodiment are basically the same as the configuration, operation processing, etc. of the information processing apparatus of the diagnostic system according to the first embodiment.
  • the difference between the sixth embodiment and the first embodiment is that the information to be input to the sixth trained model is the age of the subject and the blood test information of the subject, including total cholesterol (TC), cholinesterase ( ChE), creatinine (CREA), and creatine phosphokinase (CPK), and the information output by the sixth trained model is information on whether the subject is suffering from painless thyroiditis This is the point.
  • the hematological test information acquired by the sixth determination unit 155 includes, for example, the subject's total cholesterol (TC), cholinesterase (ChE), creatinine (CREA), and creatine phosphokinase (CPK). and may contain other information.
  • the biochemical parameters acquired by the sixth determination unit 155 include the subject's age and may include other information.
  • the sixth determination unit 155 inputs the information on the subject's age and hematological test acquired as described above to the sixth trained model, and determines whether the subject is suffering from painless thyroiditis. Execute a process that outputs information.
  • the sixth trained model is not particularly limited, but may be, for example, a trained model generated by machine learning processing based on the learning data 154 .
  • the display unit 157 executes processing for controlling display of the information output by the sixth determination unit 155 on the display device.
  • the display unit 157 can display and control information on whether or not the subject has painless thyroiditis on the display device as the probability of having painless thyroiditis or the probability of not having painless thyroiditis. can.
  • the learning unit 158 executes processing for generating a trained model by machine learning processing based on the learning data 154 .
  • Machine learning processes include supervised learning and semi-supervised learning.
  • 6.2. Trained Model As an example, a sixth trained model was created using Sony's Prediction One. The training data of 3267 untreated patients with painless thyroiditis and 4159 healthy subjects were used to create this sixth trained model.
  • this learning data into a ratio of 7:3, prepared a data set of teacher data and test data, and created a sixth trained model using the teacher data.
  • a sixth trained model was obtained with total cholesterol (TC), cholinesterase (ChE), creatinine (CREA), age, and creatine phosphokinase (CPK) as predictors.
  • step S202 the learning unit 158 creates teacher data from the data set stored in the learning data 154, and uses the teacher data to output information regarding whether or not the subject is suffering from painless thyroiditis.
  • Create a sixth trained model that For example, the learning unit 158 uses teacher data to perform machine learning using information about whether the subject is suffering from painless thyroiditis as a correct label.
  • step S302 the determination unit 155 inputs information about the subject's hematological test results to the sixth trained model, and determines whether or not the subject is suffering from painless thyroiditis by the sixth trained model. Prints information about whether
  • step S303 the display unit 156 controls display of the output information on an image output device such as a display.
  • the display control method is not particularly limited, for example, the possibility that the subject is suffering from painless thyroiditis and the possibility that the subject is not suffering from painless thyroiditis may be displayed in percentages of 100.
  • the information processing device 100 which is a thyroid disease determination device, extracts creatinine (CREA), total cholesterol (TC), cholinesterase (ChE), creatine phosphokinase from information on a blood test of a subject. (CPK) and information on basophils (Ba) are input to the seventh trained model to construct a diagnostic system 1 that determines whether or not the subject is suffering from thyrotoxicosis.
  • the configuration, operation processing, etc. of the information processing apparatus 100 according to the seventh embodiment are basically the same as the configuration, operation processing, etc. of the information processing apparatus of the diagnostic system according to the first embodiment.
  • the difference between the seventh embodiment and the first embodiment is that the information to be input to the seventh trained model is creatinine (CREA), total cholesterol (TC), cholinesterase (ChE) as information on the blood test of the subject. , creatine phosphokinase (CPK), and basophil (Ba), and the information output by the 7th trained model is information on whether the subject suffers from thyrotoxicosis.
  • CREA creatinine
  • TC total cholesterol
  • Cholinesterase Cholinesterase
  • CPK creatine phosphokinase
  • Ba basophil
  • the same reference numerals are given to the functional configurations, actions, and effects that are the same as those of the first embodiment, and the description is omitted, and the differences between the seventh embodiment and the first embodiment are mainly described. to explain.
  • the hematological test information acquired by the seventh determination unit 155 includes, for example, the subject's creatinine (CREA), total cholesterol (TC), cholinesterase (ChE), creatine phosphokinase (CPK), A base ball (Ba) is included and other information may be included.
  • CREA creatinine
  • TC total cholesterol
  • ChE cholinesterase
  • CPK creatine phosphokinase
  • Ba A base ball is included and other information may be included.
  • the seventh determination unit 155 inputs the information about the subject's age and hematological test acquired as described above into the seventh trained model, and determines whether the subject suffers from thyrotoxicosis. Execute the process that outputs the .
  • the seventh trained model is not particularly limited, but may be, for example, a trained model generated by machine learning processing based on the learning data 154 .
  • the display unit 157 executes processing for controlling display of the information output by the seventh determination unit 155 on the display device.
  • the display unit 157 can display and control information regarding whether or not the subject has thyrotoxicosis on the display device as the probability of having thyrotoxicosis or the probability of not having thyrotoxicosis.
  • the learning unit 158 executes processing for generating a trained model by machine learning processing based on the learning data 154 .
  • Machine learning processes include supervised learning and semi-supervised learning.
  • Trained Model As an example, a seventh trained model was created using Sony's Prediction One. The training data of 19,335 untreated Graves' disease patients, 3,267 untreated painless thyroiditis patients, and 4,159 healthy subjects were used to create this seventh trained model.
  • this learning data into a ratio of 7:3, prepared a data set of teacher data and test data, and created a seventh trained model using the teacher data.
  • a seventh trained model was obtained with creatinine (CREA), total cholesterol (TC), cholinesterase (ChE), creatine phosphokinase (CPK), and basophils (Ba) as predictors.
  • step S202 the learning unit 158 creates teacher data from the data set stored in the learning data 154, and uses the teacher data to output information about whether the subject is suffering from thyrotoxicosis. Create a seventh trained model. For example, the learning unit 158 uses teacher data to perform machine learning using information about whether the subject is suffering from thyrotoxicosis as a correct label.
  • step S302 the determination unit 155 inputs information about the result of the hematological test of the subject to the seventh trained model, and determines whether the subject suffers from thyrotoxicosis by the seventh trained model. Prints information about Further, instead of or in addition to this, the determination unit 155 may output information regarding whether or not the thyroid stimulating hormone (TSH) is below the normal value by the seventh learned model.
  • TSH thyroid stimulating hormone
  • step S303 the display unit 156 controls display of the output information on an image output device such as a display.
  • the display control method is not particularly limited, for example, the possibility that the subject is suffering from thyrotoxicosis and the possibility that the subject is not suffering from it may be displayed in 100% ratio.
  • the diagnosis system 1 using the thyroid disease determination apparatus described in the first to seventh embodiments may be used independently or in combination.
  • a combination of the first embodiment and the second embodiment, a combination of the third embodiment and the seventh embodiment, and a combination of the fourth embodiment and the seventh embodiment can be mentioned.
  • First embodiment 1 1st Example 1 is an example which combined 1st Embodiment and 2nd Embodiment.
  • the information processing apparatus 100 of the first embodiment calculates total protein (TP), creatinine (CREA), neutrophils (Neu), and total bilirubin (T- a second determination unit that inputs information about Bill) into a second trained model and outputs information about whether the subject's thyroid stimulating hormone (TSH) is within the normal value range; Input information on total protein (TP), cholinesterase (ChE), total cholesterol (TC), creatinine (CREA), and creatine phosphokinase (CPK) from blood test information into the first trained model, and a first determination unit that outputs information regarding whether the subject's thyroid stimulating hormone (TSH) is within a range requiring treatment.
  • the configuration, operation processing, etc. of the information processing apparatus 100 according to the first embodiment are basically the same as the configuration, operation processing, etc. of the information processing apparatus of the diagnostic system according to the first embodiment and the second embodiment.
  • the first embodiment 1 by combining the first embodiment and the second embodiment, it is possible to determine whether the subject's thyroid-stimulating hormone (TSH) is in the range requiring treatment or in the normal range. can be evaluated step by step.
  • TSH thyroid-stimulating hormone
  • the first example 2 is an example in which the third embodiment and the seventh embodiment are combined.
  • the information processing apparatus 100 of the second embodiment obtains creatinine (CREA), total cholesterol (TC), cholinesterase (ChE), creatine phosphokinase (CPK), and basophils (Ba) from the information on the subject's blood test.
  • CREA creatinine
  • TC total cholesterol
  • ChE cholinesterase
  • CPK creatine phosphokinase
  • Ba basophils
  • a seventh determination unit that inputs information about whether the subject is suffering from thyrotoxicosis into the seventh learned model, outputs information about whether the subject is suffering from thyrotoxicosis, the subject's age, and the subject's blood Input information on creatinine (CREA), total cholesterol (TC), alkaline phosphatase (ALP), and total protein (TP) from information on tests into the third trained model, and the subject is diagnosed with Graves' disease and a third determination unit that outputs information regarding whether or not the determination is made.
  • CREA creatinine
  • TC total cholesterol
  • ALP alkaline phosphatase
  • TP total protein
  • the configuration, operation processing, etc. of the information processing device 100 according to the first embodiment 2 are basically the same as the configuration, operation processing, etc. of the information processing device of the diagnostic system according to the third embodiment and the seventh embodiment.
  • the first example 3 is an example in which the fourth embodiment and the seventh embodiment are combined.
  • the information processing apparatus 100 of the third embodiment obtains creatinine (CREA), total cholesterol (TC), cholinesterase (ChE), creatine phosphokinase (CPK), and basophils (Ba) from the information on the subject's blood test.
  • CREA creatinine
  • TC total cholesterol
  • ChE cholinesterase
  • CPK creatine phosphokinase
  • Ba basophils
  • a seventh determination unit that inputs information about whether the subject is suffering from thyrotoxicosis into the seventh trained model and outputs information about whether the subject is suffering from thyrotoxicosis; , thyroid hormones FT4, FT3/FT4, alkaline phosphatase (ALP), and creatinine (CREA) are input into a fourth trained model, and whether the subject is suffering from Graves' disease or indolent and a fourth discriminating unit that outputs information related to discrimination of thyroiditis.
  • the configuration, operation processing, etc. of the information processing device 100 according to the first embodiment 3 are basically the same as the configuration, operation processing, etc. of the information processing device of the diagnostic system according to the fourth embodiment and the seventh embodiment.
  • the diagnostic system 1 using the thyroid disease determination device according to the first to seventh embodiments is a server (information 100) and the user terminal 200.
  • FIG. 4 shows a processing sequence of a diagnostic system composed of a server (information processing device 100), which is a thyroid disease determination device, and a user terminal 200.
  • the server 100 is communicably connected to the user terminal 200 via a communication network such as the Internet.
  • the determination unit 155 of the server 100 inputs biochemical parameters such as the results of hematological tests and age received from the user terminal 200 into the learned model, A diagnostic system 1 that outputs each piece of information and transmits the output information to a user terminal 200 is provided.
  • the server 100 is an example of an information processing device that implements all or part of the diagnostic system of the present invention, and can have the hardware configuration and functional unit configuration of the information processing device 100 described above.
  • the user terminal 200 may be a normal computer equipped with a display capable of transmitting/receiving information and displaying information.
  • step S401 the user terminal 200 transmits to the server 100 the results of hematological tests and information on biochemical parameters such as age. Obtain information on biochemical parameters such as age.
  • step S402 the determination unit 155 of the server 100 inputs the information received from the user terminal 200 into the learned model, and outputs each result described in the first to seventh embodiments.
  • step S403 the server 100 transmits the output result to the user terminal 200, and in step S404, the user terminal 200 controls the display of the received result on the display device.
  • any user terminal 200 that can access the server 100 can use the diagnostic system of the present invention, thereby eliminating regional disparities in medical care levels.
  • the present invention provides a program for causing an information processing device to input and output each piece of information to the trained model in the first to seventh embodiments, and an information processing device to input each piece of information to the trained model. Also provided is an information processing method for performing the input and output of the .

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Cell Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Microbiology (AREA)
  • General Physics & Mathematics (AREA)
  • Biotechnology (AREA)
  • Food Science & Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Endocrinology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Rehabilitation Therapy (AREA)
  • Rheumatology (AREA)
  • Reproductive Health (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

対象者の血液検査に関する情報から、総プロテイン(TP)、コリンエステラーゼ（ChE）、総コレステロール（TC）、クレアチニン（CREA）、及びクレアチンホスホキナーゼ（CPK）に関する情報を、第１学習済モデルに入力し、前記対象者の甲状腺刺激ホルモン（TSH）が治療を要する範囲であるか否かに関する情報を出力する第１判別部を有する、情報処理装置。

Description

甲状腺疾患の診断に関する参考情報を提供する情報処理装置
　本発明は、甲状腺疾患の診断に関する参考情報を提供する情報処理装置、プログラム、及び情報処理方法に関する。
　近年、遺伝子や医療画像データ、あるいは血液検査などに基づいて、特定の疾患に罹患しているかどうか、罹患するリスクがあるかどうかなどを予測するモデルを確立し、医師の診断の補助的情報として、活用しようという試みがなされている。
　例えば、特許文献１には、遊離型前立腺特異抗原（ｆＰＳＡ）値及び総ＰＳＡ（ｔＰＳＡ）値を含む血液マーカーの情報に基づいて、前立腺癌のリスクを評価する装置が開示されている。
特開2020-073885号公報
　ところで、日本における甲状腺中毒症の主な原因としてはバセドウ病(GD)や無痛性甲状腺炎(PT)などが挙げられる。バセドウ病(GD)の診断は、血清遊離チロキシン(T4)、遊離トリヨードチロニン(T3)、血清甲状腺刺激ホルモン(TSH)の抑制、甲状腺刺激抗体の存在および/または放射性ヨウ素の取り込みの増加などの検査所見によって確定される。また、無痛性甲状腺炎(PT)はバセドウ病よりも放射性ヨウ素取り込みが少ないという点で鑑別されることがある。
　このような甲状腺中毒症の症状は人によって異なり、甲状腺機能検査は通常の健康診断では行われないため、診断が遅れることがある。例えば、バセドウ病の治療が遅れると、心房細動、うっ血性心不全、骨折のリスクが高くなり、また、バセドウ病の早期治療は重度の心合併症または筋骨格系合併症を回避するという観点からも有益である。
　本発明は上記課題に鑑みてなされたものであり、通常の健康診断で行われる血液学的検査の結果や年齢・体重などの生化学的パラメータに基づいて、甲状腺疾患の診断に関する参考情報を提供することのできる情報処理装置、プログラム、及び情報処理方法を提供することを目的とする。
　本発明の第１実施形態にかかる情報処理装置は、対象者の血液検査に関する情報から、総プロテイン(TP)、コリンエステラーゼ（ChE）、総コレステロール（TC）、クレアチニン（CREA）、及びクレアチンホスホキナーゼ（CPK）に関する情報を、第１学習済モデルに入力し、前記対象者の甲状腺刺激ホルモン（TSH）が治療を要する範囲であるか否かに関する情報を出力する第１判別部を有する。
　この構成によれば、通常の健康診断で行われる血液学的検査の結果に基づいて、対象者の甲状腺刺激ホルモン（TSH）の値が治療を要する範囲であるか否かについての一次情報を得ることができる。また、当該一次情報は、対象者が甲状腺機能低下症に罹患しているか否かあるいはその進行の程度についての参考情報として用いることができる。なお、ここで、「甲状腺刺激ホルモン（TSH）が治療を要する範囲」とは、例えば、甲状腺刺激ホルモン（TSH）が１０μＩＵ／ｍｌ以上であることをいうが、治療を要する範囲はこれに限定されるものではない。
　本発明の第２実施形態にかかる情報処理装置は、対象者の年齢と、該対象者の血液検査に関する情報から、総プロテイン(TP)、クレアチニン（CREA）、好中球（Neu）、及び総ビリルビン（T-Bill）に関する情報とを、第２学習済モデルに入力し、前記対象者の甲状腺刺激ホルモン（TSH）が正常値の範囲であるか否かに関する情報を出力する第２判別部を有する。
　この構成によれば、通常の健康診断で行われる血液学的検査の結果と対象者の年齢に基づいて、対象者の甲状腺刺激ホルモン（TSH）が正常値の範囲であるか否かについての一次情報を得ることができる。なお、ここで、「甲状腺刺激ホルモン（TSH）が正常値の範囲」とは、例えば、甲状腺刺激ホルモン（TSH）が４．５μＩＵ／ｍｌ以下であることをいうが、正常値の範囲はこれに限定されるものではない。例えば、甲状腺刺激ホルモン（TSH）の正常値は５．０μＩＵ／ｍｌ以下に設定することもできる。
　本発明の第３実施形態にかかる情報処理装置は、対象者の年齢と、該対象者の血液検査に関する情報から、クレアチニン（CREA）、総コレステロール（TC）、アルカリホスファターゼ（ALP）、及び総プロテイン(TP)に関する情報とを、第３学習済モデルに入力し、前記対象者がバセドウ病に罹患している否かに関する情報を出力する第３判別部を有する。
　この構成によれば、通常の健康診断で行われる血液学的検査の結果と対象者の年齢に基づいて、対象者がバセドウ病に罹患している否かについての一次情報を得ることができる。また、当該一次情報は、バセドウ病を確定するための更なる検査をするか否かについての参考情報や、対象者のバセドウ病の進行状況についての参考情報として用いることができる。
　本発明の第４実施形態にかかる情報処理装置は、対象者の血液検査に関する情報から、甲状腺ホルモンFT3、甲状腺ホルモンFT４、FT3／FT4、アルカリホスファターゼ（ALP）、及びクレアチニン（CREA）に関する情報を、第４学習済モデルに入力し、前記対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報を出力する第４判別部を有する。
　この構成によれば、甲状腺ホルモンの検査結果に通常の健康診断で行われる血液学的検査を加えた情報に基づいて、対象者の罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別についての一次情報を得ることができる。また、当該一次情報は、バセドウ病や無痛性甲状腺炎を確定するための更なる検査をするか否かについての参考情報として用いることができる。
　本発明の第５実施形態にかかる情報処理装置は、対象者の血液検査に関する情報から、アルカリホスファターゼ（ALP）、クレアチニン（CREA）、総プロテイン(TP)、γグルタミルトランスペプチダーゼ（γGTP）、白血球（WBC）に関する情報を、第５学習済モデルに入力し、前記対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報を出力する第５判別部を有する。
　この構成によれば、甲状腺ホルモンの検査結果に拠らず、通常の健康診断で行われる血液学的検査の結果に基づいて、対象者の罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別についての一次情報を得ることができる。また、当該一次情報は、バセドウ病や無痛性甲状腺炎を確定するための更なる検査をするか否かについての参考情報として用いることができる。
　本発明の第６実施形態にかかる情報処理装置は、対象者の年齢と、該対象者の血液検査に関する情報から、総コレステロール（TC）、コリンエステラーゼ（ChE）、クレアチニン（CREA）、及びクレアチンホスホキナーゼ（CPK）に関する情報を、第６学習済モデルに入力し、前記対象者が無痛性甲状腺炎に罹患している否かに関する情報を出力する第６判別部を有する。
　この構成によれば、通常の健康診断で行われる血液学的検査の結果に基づいて、対象者が無痛性甲状腺炎に罹患している否かについての一次情報を得ることができる。また、当該一次情報は、無痛性甲状腺炎を確定するための更なる検査をするか否かについての参考情報や、対象者の無痛性甲状腺炎の進行状況についての参考情報として用いることができる。
　本発明の第７実施形態にかかる情報処理装置は、対象者の血液検査に関する情報から、クレアチニン（CREA）、総コレステロール（TC）、コリンエステラーゼ（ChE）、クレアチンホスホキナーゼ（CPK）、及び好塩基球（Ba）に関する情報を、第７学習済モデルに入力し、前記対象者が甲状腺中毒症に罹患している否かに関する情報を出力する第７判別部を有する。
　この構成によれば、通常の健康診断で行われる血液学的検査の結果に基づいて、対象者が甲状腺中毒症に罹患している否かについての一次情報を得ることができる。また、当該一次情報は、甲状腺中毒症の詳細を確定するための更なる検査をするか否かについての参考情報や、対象者の甲状腺中毒症の進行状況についての参考情報として用いることができる。
　また、本発明は上記第１実施形態から第７実施形態における学習済モデルへの各情報の入力と出力を情報処理装置に実行させるためのプログラム、及び情報処理装置が学習済モデルへの各情報の入力と出力を実行する情報処理方法についても提供する。
　本発明によれば、通常の健康診断で行われる血液学的検査の結果や年齢などの生化学的パラメータに基づいて、甲状腺疾患の診断に関する参考情報を提供することのできる情報処理装置、プログラム、及び情報処理方法を提供することができる。
本実施形態の診断システムに含まれる情報処理装置１００を示すブロック図を示す。 学習部の行う機械学習処理を例示するフローチャートの一例である。 判別部の行う処理を例示するフローチャートの一例である。 サーバと利用者端末により構成される診断システムの処理シーケンスの一例である。
　以下、本発明の実施の形態（以下、「本実施形態」という。）について詳細に説明するが、本発明はこれに限定されるものではなく、その要旨を逸脱しない範囲で様々な変形が可能である。
　初めに、本実施形態における用語の定義について記載する。
　「甲状腺機能低下症」とは、各組織において甲状腺ホルモン作用が必要よりも低下した状態をいう。甲状腺機能低下症による症状には、一般的に、無気力、疲労感、むくみ、寒がり、体重増加、動作緩慢、記憶力低下、便秘などがあり、軽度の甲状腺機能低下症では症状や所見に乏しいことも多い。甲状腺機能低下症が強くなると、傾眠、意識障害をきたし、粘液水腫性昏睡と呼ばれることもある。
　「甲状腺中毒症」とは、各組織において甲状腺ホルモンの働きが過剰になる状態をいう。甲状腺中毒症では、代謝が活発になり暑がりや汗が多くなる。また、エネルギーが無駄に消費されてしまうため食事の量は増えるがやせてきたりすることもある。そのほか、神経にも作用して手のふるえやいらいら、下痢など体の様々なところに症状が出現する。この甲状腺中毒症には、以下のバセドウ病と無痛性甲状腺炎とが含まれる。
　「バセドウ病」とは、甲状腺ホルモンが過剰に産生される病気をいう。具体的には、TSHレセプター抗体により甲状腺が刺激されることで、甲状腺ホルモンが過剰に産生される病気をいう。
　「無痛性甲状腺炎」とは、何らかの原因によって甲状腺に貯められていた甲状腺ホルモンが血中に漏れでてくるため、一時的に甲状腺ホルモンが増加する状態をいう。具体的には、甲状腺ホルモンは、甲状腺濾胞が壊れることで血中に漏れでてくる。
　本実施形態において、各疾患は、一般には、その疾患に関するする医学会の公表するガイドラインに沿って診断される疾患、医療用医薬品の添付文書において、効能・効果の欄に記載される疾患、あるいは、医薬・医療業界において汎用される用語として理解される疾患の少なくともいずれかを意味するものと解することができる。
　「～であるか否かに関する情報」あるいは「鑑別に関する情報」とは、例えば、健常や正常であるという情報であってもよいし、健常や正常である確率を１００分率や規格化されたレベルで表す情報であってもよい。また、これら情報は、所定の疾患に罹患しているという情報であってもよいし、所定の疾患に罹患している可能性を１００分率や規格化されたレベルで表す情報であってもよい。さらに、これら情報は、正常や健常であるという情報と、疾患に罹患しているという情報の両方を含むものであってもよい。また、これに代えて又は加えて、ある疾患に関する生化学的パラメータが、正常や健常とされる基準値よりも高い（例えば、罹患寄り）あるいは低い（例えば、正常又は健常寄り）などの定性的また定量的な情報を含んでもよい。さらに、これら情報は、精密検査などのさらなる検査を推奨する意味を包含するものであってもよい。
１．第１実施形態
１．１．ハードウェア構成
　第１実施形態では、甲状腺疾患判定装置である情報処理装置１００によって、総プロテイン(TP)、コリンエステラーゼ（ChE）、総コレステロール（TC）、クレアチニン（CREA）、及びクレアチンホスホキナーゼ（CPK）に関する情報に基づいて、対象者の甲状腺刺激ホルモン（TSH）が治療を要する範囲であるか否かを判定する診断システム１が構築される。
　図１に、本実施形態の診断システムに含まれる情報処理装置１００を示すブロック図を示す。情報処理装置１００は、典型的には、１つ又は複数のプロセッサ１１０、有線又は無線の通信を制御する通信インターフェース１２０、入出力インターフェース１３０、メモリ１４０、ストレージ１５０及びこれらの構成要素を相互接続するための１つ又は複数の通信バス１６０を含み、これらの協働により、本開示に記載される処理、機能、または、方法を実現する。
　プロセッサ１１０は、メモリ１４０に記憶されるプログラムに含まれるコード、または、命令によって実現する処理、機能、または、方法を実行する。プロセッサ１１０は、限定でなく例として、１又は複数の中央処理装置（ＣＰＵ）、ＧＰＵ（Graphics Processing Unit）を含む。
　通信インターフェース１２０は、ネットワークを介して他の情報処理装置と各種データの送受信を行う。当該通信は、有線、無線のいずれで実行されてもよく、互いの通信が実行できるのであれば、どのような通信プロトコルを用いてもよい。例えば、通信インターフェース１２０は、ネットワークアダプタ等のハードウェア、各種の通信用ソフトウェア、又はこれらの組み合わせとして実装される。
　入出力インターフェース１３０は、情報処理装置１００に対する各種操作を入力する入力装置、および、情報処理装置１００で処理された処理結果を出力する出力装置を含む。例えば、入出力インターフェース１３０は、キーボード、マウス、及びタッチパネル等の情報入力装置、血液検査装置、及びディスプレイ等の画像出力装置を含む。なお、情報処理装置１００は、外付けの入出力インターフェース１３０を接続することで、所定の入力を受け付けてもよい。例えば、情報処理装置１００は、血液検査装置等が外付けされていてもよい。
　メモリ１４０は、ストレージ１５０からロードしたプログラムを一時的に記憶し、プロセッサ１１０に対して作業領域を提供する。メモリ１４０には、プロセッサ１１０がプログラムを実行している間に生成される各種データも一時的に格納される。メモリ１４０は、限定でなく例として、ＤＲＡＭ、ＳＲＡＭ、ＤＤＲ　ＲＡＭ又は他のランダムアクセス固体記憶装置などの高速ランダムアクセスメモリ等であってよく、これらが組み合わせられてもよい。
　ストレージ１５０は、プログラム、各種機能部、及び各種データを記憶する。ストレージ１５０は、限定でなく例として、磁気ディスク記憶装置、光ディスク記憶装置、フラッシュメモリデバイス、又は他の不揮発性固体記憶装置などの不揮発性メモリ等であってよく、これらが組み合わせられてもよい。ストレージ１５０の他の例としては、ＣＰＵ１１０から遠隔に設置される１つ又は複数の記憶装置を挙げることができる。
　本発明の一実施形態において、ストレージ１５０はプログラム、機能部及びデータ構造、又はそれらのサブセットを格納する。図１に示す例では情報処理装置１００は、ストレージ１５０に記憶されているプログラムに含まれる命令をプロセッサ１１０が実行することによって、判別部１５５、表示部１５６、及び学習部１５７として機能するように構成されている。
　オペレーティングシステム１５１は、例えば、様々な基本的なシステムサービスを処理するとともにハードウェアを用いてタスクを実行するためのプロシージャを含む。
　ネットワーク通信部１５２は、例えば、情報処理装置１００を他のコンピュータに、通信インターフェース１２０、及びインターネット、他の広域ネットワーク、ローカルエリアネットワーク、メトロポリタンエリアネットワークなどの１つ又は複数の通信ネットワークを介して接続するために使用される。
　対象者データ１５３は、例えば、対象者の性別、年齢、血液検査の結果などの個人情報を含む。対象者データ１５３は、ストレージ１５０が格納する電子カルテであってもよいし、遠隔のサーバが格納する電子カルテであってもよい。
　学習用データ１５４は、学習済モデルを生成するために用いられるデータセットであり、当該データセットは教師データとテストデータに分割して用いてもよい。学習用データ１５４は、例えば、甲状腺疾患や甲状腺刺激ホルモンに関する情報と、血液検査に関する情報と、を含む。学習用データ１５４は、ストレージ１５０に格納されるほか、遠隔のサーバに格納されていてもよい。
　判別部１５５は、通信インターフェース１２０又は入出力インターフェース１３０から、対象者の血液学的検査に関する情報を取得する処理を実行する。例えば、判別部１５５が取得する各情報は、医師、看護師、その他医療関係者、あるいは医療機関が、通信インターフェース１２０を介して、情報処理装置１００に入力することができる。また、判別部１５５が取得する各情報は、判別部１５５が入出力インターフェース１３０を介して他の端末又はサーバから受信してもよい。判別部１５５は、取得した各情報を対象者データ１５３に格納することができる。
　以下、第１実施形態に用いる判別部を第１判別部１５５といい、後述する第２実施形態～第６実施形態に用いる判別部をそれぞれ第２判別部１５５～第６判別部１５５という。さらに、これらを区別する必要がない場合には単に判別部１５５という。また、同様に、第１実施形態～第６実施形態に用いる学習済モデルをそれぞれ第１学習済モデル～第２学習済モデルといい、これらを区別する必要がない場合には単に学習済モデルという。
　第１判別部１５５が取得する血液学的検査に関する情報には、例えば、対象者の総プロテイン(TP)、コリンエステラーゼ（ChE）、総コレステロール（TC）、クレアチニン（CREA）、及びクレアチンホスホキナーゼ（CPK）が含まれ、このほかの情報が含まれていてもよい。
　第１判別部１５５は、上記のようにして取得した対象者の血液学的検査に関する情報を第１学習済モデルに入力し、対象者の甲状腺刺激ホルモン（TSH）が治療を要する範囲であるか否かに関する情報を出力する処理を実行する。第１学習済モデルは、特に制限されないが、例えば、上記学習用データ１５４に基づく機械学習処理によって生成される学習済モデルであってもよい。
　表示部１５７は、第１判別部１５５が出力した上記情報を、表示装置に表示制御する処理を実行する処理を実行する。例えば、表示部１５７は、対象者の甲状腺刺激ホルモン（TSH）が治療を要する範囲であるか否かに関する情報を、対象者の甲状腺刺激ホルモン（TSH）が１０μＩＵ／ｍｌ以上である確率、又は１０μＩＵ／ｍｌ未満である確率として表示装置に表示制御することができる。
　学習部１５８は、学習用データ１５４に基づく機械学習処理によって、学習済モデルを生成する処理を実行する。機械学習処理としては、教師あり学習や半教師あり学習が挙げられる。
１．２．学習済モデル
　一例として、Sony社のPrediction Oneを用いて第１学習済モデルを作成した。この第１学習済モデルの作成には、甲状腺刺激ホルモン（TSH）の値が１０μＩＵ／ｍｌ超過の被験者３３４３例と、甲状腺刺激ホルモン（TSH）の値が１０μＩＵ／ｍｌ以下の被験者２３７１６例の学習用データを用いた。
　具体的には、この学習用データから１８９３９例の教師データと８１２０例のテストデータのデータセットを用意し、教師データを用いて第１学習済モデルの作成を行った。その結果、総プロテイン(TP)、コリンエステラーゼ（ChE）、総コレステロール（TC）、クレアチニン（CREA）、及びクレアチンホスホキナーゼ（CPK）を予測因子とする第１学習済モデルが得られた。
　次いで、上記テストデータにより第１学習済モデルのＲＯＣ（Ｒｅｃｅｉｖｅｒ　Ｏｐｅｒａｔｉｎｇ　Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲線とＡＵＣ（Ａｒｅａ　Ｕｎｄｅｒ　ｔｈｅ　Ｃｕｒｖｅ）を求め、第１学習済モデルを評価した結果を以下に示す。
　　　ＡＵＣ　　　０．７３７
　なお、各例のデータには、甲状腺刺激ホルモン（TSH）の値と、血液学的検査結果と被験者の年齢及び性別・体重が含まれていてもよい。血液学的検査結果には、赤血球数（RBC）、ヘモグロビン量（Hb）、ヘマトクリット値（Ht）、平均赤血球容積（MCV）、平均赤血球ヘモグロビン量（MCH）、平均赤血球ヘモグロビン濃度（MCHC）、血小板数（Plt）、白血球数（WBC）、好中球（Neu）、リンパ球（Lym）、単球（Mo）、好酸球（Eo）、好塩基球（Ba）、総プロテイン（TP）、総ビリルビン（T-Bil）、アスパラギン酸アミノトランスフェラーゼ（AST）、アラニンアミノトランスフェラーゼ（ALT）、乳酸デヒドロゲナーゼ（LDH）、γグルタミルトランスペプチダーゼ（γGTP）、アルカリホスファターゼ（ALP）、コリンエステラーゼ（ChE）、クレアチンホスホキナーゼ（CPK）、クレアチニン（CREA）、尿酸（UA）, Na, K, Cl, Ca, P, 総コレステロール（TC）が含まれる。さらに、各例のデータには、血液学的検査結果の各値の経時的な変化や体重の経時的な変化に関する情報が含まれていてもよい。以下、他の態様においても同様とする。
１．２．１．学習済モデル（変形例１）
　さらに他の例として、甲状腺刺激ホルモン（TSH）の値が１５μＩＵ／ｍｌ超過の被験者２４２７例と、甲状腺刺激ホルモン（TSH）の値が１５μＩＵ／ｍｌ以下の被験者２４６３２例の学習用データを用いた第１学習済モデルも作成した。
　具体的には、この学習用データを７：３の割合に分けて、教師データとテストデータのデータセットを用意し、教師データを用いて第１学習済モデルの作成を行った。その結果、上記モデルと同様の総プロテイン(TP)、コリンエステラーゼ（ChE）、総コレステロール（TC）、クレアチニン（CREA）、及びクレアチンホスホキナーゼ（CPK）を予測因子とする第１学習済モデルが得られた。
　次いで、上記テストデータによりこの第１学習済モデルのＲＯＣ曲線とＡＵＣを求めた。第１学習済モデルを評価した結果を以下に示す。
　　　ＡＵＣ　　　０．７７３
　以上に示すように、このようにして得られた第１学習済モデルは、特異度、正診率、陰性的中率は９０％以上であり、無駄な検査を少なくして甲状腺刺激ホルモン（ＴＳＨ）が高く、治療を要する範囲である患者の約半数を検出できることが分かる。
１．３．動作処理
　次に、このように構成された第１実施形態の情報処理装置１００の動作について説明する。
１．３．１．学習済モデルの作成
　図２は、情報処理装置１００の学習部１５８が、教師データを用いて学習済モデルを作成する機械学習処理を例示するフローチャートである。
　ステップＳ２０１において、学習部１５８は、学習用データとして実治療データを収集する。この際、学習部１５８は、情報処理装置１００の対象者データ１５３、又は、ネットワークで接続された他の情報処理装置もしくはサーバに格納された対象者データから、実治療データを収集し、学習用データ１５４に保存する。教師データとテストデータにすることができる。
　ステップＳ２０２において、学習部１５８は、学習用データ１５４に保存されたデータセットから教師データを作成し、その教師データを用いて甲状腺刺激ホルモン（TSH）が治療を要する範囲であるか否かに関する情報を出力する第１学習済モデルを作成する。例えば、学習部１５８は、教師データを用いて、甲状腺刺激ホルモン（TSH）の値に関する情報を正解ラベルとして機械学習を行う。
１．３．２．学習済モデルを用いた判別
　図３は、情報処理装置１００の判別部１５５が、学習済モデルによって、治療を行った場合の視力予後に関する情報を出力する処理を例示するフローチャートである。
　ステップＳ３０１において、判別部１５５は、対象者の血液学的検査の結果に関する情報を取得する。この際、判別部１５５は、通信インターフェース１２０を介して、他の情報処理装置や測定装置から、血液学的検査の結果に関する情報を取得してもよいし、入出力インターフェース１３０を介して、キーボードやタッチパネル等の情報入力装置から血液学的検査の結果を取得してもよい。例えば、判別部１５５は、医師からの入力操作に代えて、情報処理装置のストレージ又は情報処理装置がアクセス可能なサーバに記憶された電子カルテ情報から、対象者の疾患名あるいは症状などを行う予定の治療に関する情報を取得してもよい。
　ステップＳ３０２において、判別部１５５は、対象者の血液学的検査の結果に関する情報を第１学習済モデルに入力し、第１学習済モデルによって、甲状腺刺激ホルモン（TSH）が治療を要する範囲であるか否かに関する情報を出力する。
　ステップＳ３０３において、表示部１５６は、出力された情報を、ディスプレイ等の画像出力装置に表示制御する。表示制御方法は、特に制限されないが、例えば、甲状腺刺激ホルモン（TSH）が治療を要する範囲である可能性と、治療を要する範囲ではない可能性とを、それぞれ１００分率で示してもよい。
　以上説明した第１実施形態に係る情報処理装置１００が提供する診断システムでは、例えば、通常の健康診断で行われる血液学的検査の結果に基づいて、対象者の甲状腺刺激ホルモン（TSH）の値が治療を要する範囲であるか否かについての一次情報を得ることが可能となる。
２．第２実施形態
　第２実施形態では、甲状腺疾患判定装置である情報処理装置１００によって、対象者の年齢と、該対象者の血液検査に関する情報から、総プロテイン(TP)、クレアチニン（CREA）、好中球（Neu）、及び総ビリルビン（T-Bill）に関する情報に基づいて、対象者の甲状腺刺激ホルモン（TSH）が正常値の範囲であるか否かを判定する診断システム１が構築される。
　第２実施形態に係る情報処理装置１００の構成や動作処理等は、基本的に第１実施形態に係る診断システムの情報処理装置の構成や動作処理等と同様である。第２実施形態と第１実施形態とで異なる点は、第２学習済モデルに入力する情報が、対象者の年齢と、該対象者の血液検査に関する情報として、総プロテイン(TP)、クレアチニン（CREA）、好中球（Neu）、及び総ビリルビン（T-Bill）に関する情報を含むという点と、第２学習済モデルが出力する情報が、対象者の甲状腺刺激ホルモン（TSH）が正常値の範囲であるか否かに関する情報である点である。
　以下、第２実施形態において、第１実施形態と同様の機能構成やステップについては、同一の符号を付すとともに説明を省略し、第２実施形態と第１実施形態との相違点を中心に説明する。
２．１．ハードウェア構成
　第２判別部１５５が取得する血液学的検査に関する情報には、例えば、対象者の総プロテイン(TP)、クレアチニン（CREA）、好中球（Neu）、及び総ビリルビン（T-Bill）が含まれ、このほかの情報が含まれていてもよい。また、第２判別部１５５が取得する生化学的パラメータには、対象者の年齢が含まれ、このほかの情報が含まれていてもよい。
　第２判別部１５５は、上記のようにして取得した対象者の年齢と血液学的検査に関する情報を第２学習済モデルに入力し、対象者の甲状腺刺激ホルモン（TSH）が正常値の範囲であるか否かに関する情報を出力する処理を実行する。第２学習済モデルは、特に制限されないが、例えば、上記学習用データ１５４に基づく機械学習処理によって生成される学習済モデルであってもよい。
　表示部１５７は、第２判別部１５５が出力した上記情報を、表示装置に表示制御する処理を実行する処理を実行する。例えば、表示部１５７は、対象者の甲状腺刺激ホルモン（TSH）が正常値の範囲であるか否かに関する情報を、対象者の甲状腺刺激ホルモン（TSH）が４．５μＩＵ／ｍｌ以下である確率、又は４．５μＩＵ／ｍｌ超過である確率として表示装置に表示制御することができる。
　学習部１５８は、学習用データ１５４に基づく機械学習処理によって、学習済モデルを生成する処理を実行する。機械学習処理としては、教師あり学習や半教師あり学習が挙げられる。
２．２．学習済モデル
　一例として、Sony社のPrediction Oneを用いて第２学習済モデルを作成した。この第２学習済モデルの作成には、甲状腺刺激ホルモン（TSH）の値が４．５μＩＵ／ｍｌ超過の被験者７８５０例と、甲状腺刺激ホルモン（TSH）の値が０．２～４．５μＩＵ／ｍｌ以下の被験者１９２０９例の学習用データを用いた。
　具体的には、この学習用データを７：３の割合に分けて、教師データとテストデータのデータセットを用意し、教師データを用いて第２学習済モデルの作成を行った。その結果、総プロテイン(TP)、年齢、クレアチニン（CREA）、好中球（Neu）、及び総ビリルビン（T-Bill）を予測因子とする第２学習済モデルが得られた。
　次いで、上記テストデータにより第２学習済モデルのＲＯＣ曲線とＡＵＣを求めた。第２学習済モデルを評価した結果を以下に示す。
　　　ＡＵＣ　　　０．６３９
２．３．動作処理
　次に、このように構成された第２実施形態の情報処理装置１００の動作について説明する。
　ステップＳ２０２において、学習部１５８は、学習用データ１５４に保存されたデータセットから教師データを作成し、その教師データを用いて甲状腺刺激ホルモン（TSH）が正常値の範囲であるか否かに関する情報を出力する第２学習済モデルを作成する。例えば、学習部１５８は、教師データを用いて、甲状腺刺激ホルモン（TSH）の値に関する情報を正解ラベルとして機械学習を行う。
　ステップＳ３０２において、判別部１５５は、対象者の血液学的検査の結果に関する情報を学習済モデルに入力し、学習済モデルによって、甲状腺刺激ホルモン（TSH）が正常値の範囲であるか否かに関する情報を出力する。
　ステップＳ３０３において、表示部１５６は、出力された情報を、ディスプレイ等の画像出力装置に表示制御する。表示制御方法は、特に制限されないが、例えば、甲状腺刺激ホルモン（TSH）が正常値の範囲である可能性と、正常値の範囲ではない可能性とを、それぞれ１００分率で示してもよい。
３．第３実施形態
　第３実施形態では、甲状腺疾患判定装置である情報処理装置１００によって、対象者の年齢と、該対象者の血液検査に関する情報から、クレアチニン（CREA）、総コレステロール（TC）、アルカリホスファターゼ（ALP）、及び総プロテイン(TP)に関する情報に基づいて、対象者がバセドウ病に罹患している否かを判定する診断システム１が構築される。
　第３実施形態に係る情報処理装置１００の構成や動作処理等は、基本的に第１実施形態に係る診断システムの情報処理装置の構成や動作処理等と同様である。第３実施形態と第１実施形態とで異なる点は、第３学習済モデルに入力する情報が、対象者の年齢と、該対象者の血液検査に関する情報として、クレアチニン（CREA）、総コレステロール（TC）、アルカリホスファターゼ（ALP）、及び総プロテイン(TP)に関する情報を含むという点と、第３学習済モデルが出力する情報が、対象者がバセドウ病に罹患している否かに関する情報である点である。
　以下、第３実施形態において、第１実施形態と同様の機能構成や作用及び効果については、同一の符号を付すとともに説明を省略し、第３実施形態と第１実施形態との相違点を中心に説明する。
３．１．ハードウェア構成
　第３判別部１５５が取得する血液学的検査に関する情報には、例えば、対象者のクレアチニン（CREA）、総コレステロール（TC）、アルカリホスファターゼ（ALP）、及び総プロテイン(TP)が含まれ、このほかの情報が含まれていてもよい。また、第３判別部１５５が取得する生化学的パラメータには、対象者の年齢が含まれ、このほかの情報が含まれていてもよい。
　第３判別部１５５は、上記のようにして取得した対象者の年齢と血液学的検査に関する情報を第３学習済モデルに入力し、対象者がバセドウ病に罹患している否かに関する情報を出力する処理を実行する。第３学習済モデルは、特に制限されないが、例えば、上記学習用データ１５４に基づく機械学習処理によって生成される学習済モデルであってもよい。
　表示部１５７は、第３判別部１５５が出力した上記情報を、表示装置に表示制御する処理を実行する処理を実行する。例えば、表示部１５７は、対象者がバセドウ病に罹患している否かに関する情報を、バセドウ病に罹患している確率又は罹患していない確率として表示装置に表示制御することができる。
　学習部１５８は、学習用データ１５４に基づく機械学習処理によって、学習済モデルを生成する処理を実行する。機械学習処理としては、教師あり学習や半教師あり学習が挙げられる。
３．２．学習済モデル
　一例として、Sony社のPrediction Oneを用いて第３学習済モデルを作成した。この第３学習済モデルの作成には、未治療バセドウ病患者１９３３５例と、健常者４１５９例の学習用データを用いた。
　具体的には、この学習用データを７：３の割合に分けて、教師データとテストデータのデータセットを用意し、教師データを用いて第３学習済モデルの作成を行った。その結果、対象者のクレアチニン（CREA）、総コレステロール（TC）、アルカリホスファターゼ（ALP）、年齢、及び総プロテイン(TP)を予測因子とする第３学習済モデルが得られた。
　次いで、上記テストデータにより第３学習済モデルのＲＯＣ曲線とＡＵＣを求めた。第３学習済モデルを評価した結果を以下に示す。
　　　ＡＵＣ　　　０．９７４
３．２．１．学習済モデル（変形例１）
　さらに、対象者がバセドウ病に罹患している否かの判定について、性別による依存性を確認するために、上記学習用データを男女に分けて、教師データとテストデータのデータセットを用意し、教師データを用いて第３学習済モデル（女性）と第３学習済モデル（男性）の作成を行った。
　その結果、第３学習済モデル（女性）では、クレアチニン（CREA）、総コレステロール（TC）、コリンエステラーゼ（ChE）、アルカリホスファターゼ（ALP）、及びクレアチンホスホキナーゼ（CPK）を予測因子とするモデルが得られ、第３学習済モデル（男性）では、アルカリホスファターゼ（ALP）、クレアチニン（CREA）、総コレステロール（TC）、総プロテイン(TP)、及びアラニンアミノトランスフェラーゼ（ALT）を予測因子とするモデルが得られた。
　このようにして得られた第３学習済モデル（女性）と第３学習済モデル（男性）について、上記テストデータによりＲＯＣ曲線とＡＵＣを求めた。
　第３実施形態の第３学習済モデルは、第３学習済モデル（女性）又は第３学習済モデル（男性）にそれぞれ置き換えて用いてもよい。
３．２．２．学習済モデル（変形例２）
　さらに、対象者がバセドウ病に罹患している否かの判定について、遊離チロキシン(FT4)レベルへの依存性を確認するために、上記学習用データから、遊離チロキシン(FT4)レベルが５ｎｇ／ｄｌ以上の重症甲状腺中毒症を判定する第３学習済モデル（重度GD）を作成するためのテストデータと、遊離チロキシン(FT4)レベルが５ｎｇ／ｄｌ未満の軽症甲状腺中毒症を判定する第３学習済モデル（軽度GD）を作成するためのテストデータを作成した。
　第３学習済モデル（重度GD）を作成するためのテストデータは、遊離チロキシン(FT4)レベルが５ｎｇ／ｄｌ以上の重症甲状腺中毒症患者６０４０例と、健常者２９１１例を含む教師データと、無作為に選んだ甲状腺中毒症患者２５１６例と、健常者１２４８例のテストデータを含むものとした。
　また、第３学習済モデル（軽度GD）を作成するためのテストデータは、遊離チロキシン(FT4)レベルが５ｎｇ／ｄｌ未満の軽症甲状腺中毒症患者７５０５例と、健常者２９１１例を含む教師データと、無作為に選んだ甲状腺中毒症患者３２７５例と、健常者１２４８例のテストデータを含むものとした。
　その結果、第３学習済モデル（重度GD）では、総コレステロール（TC）、クレアチニン（CREA）、総プロテイン(TP)、コリンエステラーゼ（ChE）、及び単球（Mo）を予測因子とするモデルが得られ、第３学習済モデル（軽度GD）では、クレアチニン（CREA）、総コレステロール（TC）、年齢、アルカリホスファターゼ（ALP）、及び総プロテイン(TP) を予測因子とするモデルが得られた。
　このようにして得られた第３学習済モデル（重度GD）と第３学習済モデル（軽度GD）について、上記テストデータによりＲＯＣ曲線とＡＵＣを求めた。
　第３実施形態の第３学習済モデルは、第３学習済モデル（重度GD）又は第３学習済モデル（軽度GD）にそれぞれ置き換えて用いてもよい。
３．３．動作処理
　次に、このように構成された第３実施形態の情報処理装置１００の動作について説明する。
　ステップＳ２０２において、学習部１５８は、学習用データ１５４に保存されたデータセットから教師データを作成し、その教師データを用いて対象者がバセドウ病に罹患している否かに関する情報を出力する第３学習済モデルを作成する。例えば、学習部１５８は、教師データを用いて、対象者がバセドウ病に罹患している否かに関する情報を正解ラベルとして機械学習を行う。
　ステップＳ３０２において、判別部１５５は、対象者の血液学的検査の結果に関する情報を第３学習済モデルに入力し、第３学習済モデルによって、対象者がバセドウ病に罹患している否かに関する情報を出力する。
　ステップＳ３０３において、表示部１５６は、出力された情報を、ディスプレイ等の画像出力装置に表示制御する。表示制御方法は、特に制限されないが、例えば、対象者がバセドウ病に罹患している可能性と、罹患していない可能性とを、それぞれ１００分率で示してもよい。
４．第４実施形態
　第４実施形態では、甲状腺疾患判定装置である情報処理装置１００によって、対象者の血液検査に関する情報から、甲状腺ホルモンFT3、甲状腺ホルモンFT４、FT3／FT4、アルカリホスファターゼ（ALP）、及びクレアチニン（CREA）に関する情報を、第４学習済モデルに入力し、前記対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかを鑑別する診断システム１が構築される。
　第４実施形態に係る情報処理装置１００の構成や動作処理等は、基本的に第１実施形態に係る診断システムの情報処理装置の構成や動作処理等と同様である。第４実施形態と第１実施形態とで異なる点は、第４学習済モデルに入力する情報が、対象者の血液検査に関する情報として、甲状腺ホルモンFT3、甲状腺ホルモンFT４、FT3／FT4、アルカリホスファターゼ（ALP）、及びクレアチニン（CREA）に関する情報を含むという点と、第４学習済モデルが出力する情報が、対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報である点である。
　以下、第４実施形態において、第１実施形態と同様の機能構成や作用及び効果については、同一の符号を付すとともに説明を省略し、第４実施形態と第１実施形態との相違点を中心に説明する。
４．１．ハードウェア構成
　第４判別部１５５が取得する血液学的検査に関する情報には、例えば、対象者の甲状腺ホルモンFT3、甲状腺ホルモンFT４、FT3／FT4、アルカリホスファターゼ（ALP）、及びクレアチニン（CREA）が含まれ、このほかの情報が含まれていてもよい。
　第４判別部１５５は、上記のようにして取得した対象者の年齢と血液学的検査に関する情報を第４学習済モデルに入力し、対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報を出力する処理を実行する。第４学習済モデルは、特に制限されないが、例えば、上記学習用データ１５４に基づく機械学習処理によって生成される学習済モデルであってもよい。
　表示部１５７は、第４判別部１５５が出力した上記情報を、表示装置に表示制御する処理を実行する処理を実行する。例えば、表示部１５７は、対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報を、バセドウ病に罹患している確率又は罹患していない確率や、無痛性甲状腺炎に罹患している確率又は罹患していない確率として表示装置に表示制御することができる。
　学習部１５８は、学習用データ１５４に基づく機械学習処理によって、学習済モデルを生成する処理を実行する。機械学習処理としては、教師あり学習や半教師あり学習が挙げられる。
４．２．学習済モデル
　一例として、Sony社のPrediction Oneを用いて第４学習済モデルを作成した。この第４学習済モデルの作成には、未治療バセドウ病患者１９３３５例と、未治療無痛性甲状腺炎患者３２６７例の学習用データを用いた。
　具体的には、この学習用データを７：３の割合に分けて、教師データとテストデータのデータセットを用意し、教師データを用いて第４学習済モデルの作成を行った。その結果、甲状腺ホルモンFT3、甲状腺ホルモンFT４、FT3／FT4、アルカリホスファターゼ（ALP）、及びクレアチニン（CREA）を予測因子とする第４学習済モデルが得られた。
　次いで、上記テストデータにより第４学習済モデルのＲＯＣ曲線とＡＵＣを求めた。
４．３．動作処理
　次に、このように構成された第４実施形態の情報処理装置１００の動作について説明する。
　ステップＳ２０２において、学習部１５８は、学習用データ１５４に保存されたデータセットから教師データを作成し、その教師データを用いて対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報を出力する第４学習済モデルを作成する。例えば、学習部１５８は、教師データを用いて、対象者が罹患している疾患（バセドウ病又は無痛性甲状腺炎）に関する情報を正解ラベルとして機械学習を行う。
　ステップＳ３０２において、判別部１５５は、対象者の血液学的検査の結果に関する情報を第４学習済モデルに入力し、第４学習済モデルによって、対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報を出力する。
　ステップＳ３０３において、表示部１５６は、出力された情報を、ディスプレイ等の画像出力装置に表示制御する。表示制御方法は、特に制限されないが、例えば、対象者がバセドウ病に罹患している可能性と、罹患していない可能性と、あるいは対象者が無痛性甲状腺炎に理科インしている可能性と、罹患していない可能性を、それぞれ１００分率で示してもよい。
５．第５実施形態
　第５実施形態では、甲状腺疾患判定装置である情報処理装置１００によって、対象者の血液検査に関する情報から、アルカリホスファターゼ（ALP）、クレアチニン（CREA）、総プロテイン(TP)、γグルタミルトランスペプチダーゼ（γGTP）、白血球（WBC）に関する情報を、第５学習済モデルに入力し、前記対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別する診断システム１が構築される。
　第５実施形態に係る情報処理装置１００の構成や動作処理等は、基本的に第１実施形態に係る診断システムの情報処理装置の構成や動作処理等と同様である。第５実施形態と第１実施形態とで異なる点は、第５学習済モデルに入力する情報が、該対象者の血液検査に関する情報として、アルカリホスファターゼ（ALP）、クレアチニン（CREA）、総プロテイン(TP)、γグルタミルトランスペプチダーゼ（γGTP）、白血球（WBC）に関する情報を含むという点と、第５学習済モデルが出力する情報が、対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報である点である。
　以下、第５実施形態において、第１実施形態と同様の機能構成や作用及び効果については、同一の符号を付すとともに説明を省略し、第５実施形態と第１実施形態との相違点を中心に説明する。
５．１．ハードウェア構成
　第５判別部１５５が取得する血液学的検査に関する情報には、例えば、対象者のアルカリホスファターゼ（ALP）、クレアチニン（CREA）、総プロテイン(TP)、γグルタミルトランスペプチダーゼ（γGTP）、白血球（WBC）が含まれ、このほかの情報が含まれていてもよい。
　第５判別部１５５は、上記のようにして取得した対象者の年齢と血液学的検査に関する情報を第５学習済モデルに入力し、対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報を出力する処理を実行する。第５学習済モデルは、特に制限されないが、例えば、上記学習用データ１５４に基づく機械学習処理によって生成される学習済モデルであってもよい。
　表示部１５７は、第５判別部１５５が出力した上記情報を、表示装置に表示制御する処理を実行する処理を実行する。例えば、表示部１５７は、対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報を、バセドウ病に罹患している確率又は罹患していない確率や、無痛性甲状腺炎に罹患している確率又は罹患していない確率として表示装置に表示制御することができる。
　学習部１５８は、学習用データ１５４に基づく機械学習処理によって、学習済モデルを生成する処理を実行する。機械学習処理としては、教師あり学習や半教師あり学習が挙げられる。
５．２．学習済モデル
　一例として、Sony社のPrediction Oneを用いて第５学習済モデルを作成した。この第５学習済モデルの作成には、未治療バセドウ病患者１９３３５例と、未治療無痛性甲状腺炎患者３２６７例の学習用データを用いた。
　具体的には、この学習用データを７：３の割合に分けて、教師データとテストデータのデータセットを用意し、教師データを用いて第５学習済モデルの作成を行った。その結果、アルカリホスファターゼ（ALP）、クレアチニン（CREA）、総プロテイン(TP)、γグルタミルトランスペプチダーゼ（γGTP）、白血球（WBC）を予測因子とする第５学習済モデルが得られた。
　次いで、上記テストデータにより第５学習済モデルのＲＯＣ曲線とＡＵＣを求めた。
５．３．動作処理
　次に、このように構成された第５実施形態の情報処理装置１００の動作について説明する。
　ステップＳ２０２において、学習部１５８は、学習用データ１５４に保存されたデータセットから教師データを作成し、その教師データを用いて対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報を出力する第５学習済モデルを作成する。例えば、学習部１５８は、教師データを用いて、対象者が罹患している疾患（バセドウ病又は無痛性甲状腺炎）に関する情報を正解ラベルとして機械学習を行う。
　ステップＳ３０２において、判別部１５５は、対象者の血液学的検査の結果に関する情報を第５学習済モデルに入力し、第５学習済モデルによって、対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報を出力する。
　ステップＳ３０３において、表示部１５６は、出力された情報を、ディスプレイ等の画像出力装置に表示制御する。表示制御方法は、特に制限されないが、例えば、対象者がバセドウ病に罹患している可能性と、罹患していない可能性と、あるいは対象者が無痛性甲状腺炎に罹患している可能性と、罹患していない可能性を、それぞれ１００分率で示してもよい。
６．第６実施形態
　第６実施形態では、甲状腺疾患判定装置である情報処理装置１００によって、対象者の年齢と、該対象者の血液検査に関する情報から、総コレステロール（TC）、コリンエステラーゼ（ChE）、クレアチニン（CREA）、及びクレアチンホスホキナーゼ（CPK）に関する情報を、第６学習済モデルに入力し、対象者が無痛性甲状腺炎に罹患している否か判定する診断システム１が構築される。
　第６実施形態に係る情報処理装置１００の構成や動作処理等は、基本的に第１実施形態に係る診断システムの情報処理装置の構成や動作処理等と同様である。第６実施形態と第１実施形態とで異なる点は、第６学習済モデルに入力する情報が、対象者の年齢と、該対象者の血液検査に関する情報として、総コレステロール（TC）、コリンエステラーゼ（ChE）、クレアチニン（CREA）、及びクレアチンホスホキナーゼ（CPK）に関する情報を含むという点と、第６学習済モデルが出力する情報が、対象者が無痛性甲状腺炎に罹患している否かに関する情報である点である。
　以下、第６実施形態において、第１実施形態と同様の機能構成や作用及び効果については、同一の符号を付すとともに説明を省略し、第６実施形態と第１実施形態との相違点を中心に説明する。
６．１．ハードウェア構成
　第６判別部１５５が取得する血液学的検査に関する情報には、例えば、対象者の総コレステロール（TC）、コリンエステラーゼ（ChE）、クレアチニン（CREA）、及びクレアチンホスホキナーゼ（CPK）が含まれ、このほかの情報が含まれていてもよい。また、第６判別部１５５が取得する生化学的パラメータには、対象者の年齢が含まれ、このほかの情報が含まれていてもよい。
　第６判別部１５５は、上記のようにして取得した対象者の年齢と血液学的検査に関する情報を第６学習済モデルに入力し、対象者が無痛性甲状腺炎に罹患している否かに関する情報を出力する処理を実行する。第６学習済モデルは、特に制限されないが、例えば、上記学習用データ１５４に基づく機械学習処理によって生成される学習済モデルであってもよい。
　表示部１５７は、第６判別部１５５が出力した上記情報を、表示装置に表示制御する処理を実行する処理を実行する。例えば、表示部１５７は、対象者が無痛性甲状腺炎に罹患している否かに関する情報を、無痛性甲状腺炎に罹患している確率又は罹患していない確率として表示装置に表示制御することができる。
　学習部１５８は、学習用データ１５４に基づく機械学習処理によって、学習済モデルを生成する処理を実行する。機械学習処理としては、教師あり学習や半教師あり学習が挙げられる。
６．２．学習済モデル
　一例として、Sony社のPrediction Oneを用いて第６学習済モデルを作成した。この第６学習済モデルの作成には、未治療無痛性甲状腺炎患者３２６７例と、健常者４１５９例の学習用データを用いた。
　具体的には、この学習用データを７：３の割合に分けて、教師データとテストデータのデータセットを用意し、教師データを用いて第６学習済モデルの作成を行った。その結果、総コレステロール（TC）、コリンエステラーゼ（ChE）、クレアチニン（CREA）、年齢、及びクレアチンホスホキナーゼ（CPK）を予測因子とする第６学習済モデルが得られた。
　次いで、上記テストデータにより第６学習済モデルのＲＯＣ曲線とＡＵＣを求めた。
６．３．動作処理
　次に、このように構成された第６実施形態の情報処理装置１００の動作について説明する。
　ステップＳ２０２において、学習部１５８は、学習用データ１５４に保存されたデータセットから教師データを作成し、その教師データを用いて対象者が無痛性甲状腺炎に罹患している否かに関する情報を出力する第６学習済モデルを作成する。例えば、学習部１５８は、教師データを用いて、対象者が無痛性甲状腺炎に罹患している否かに関する情報を正解ラベルとして機械学習を行う。
　ステップＳ３０２において、判別部１５５は、対象者の血液学的検査の結果に関する情報を第６学習済モデルに入力し、第６学習済モデルによって、対象者が無痛性甲状腺炎に罹患している否かに関する情報を出力する。
　ステップＳ３０３において、表示部１５６は、出力された情報を、ディスプレイ等の画像出力装置に表示制御する。表示制御方法は、特に制限されないが、例えば、対象者が無痛性甲状腺炎に罹患している可能性と、罹患していない可能性を、それぞれ１００分率で示してもよい。
７．第７実施形態
　第７実施形態では、甲状腺疾患判定装置である情報処理装置１００によって、対象者の血液検査に関する情報から、クレアチニン（CREA）、総コレステロール（TC）、コリンエステラーゼ（ChE）、クレアチンホスホキナーゼ（CPK）、及び好塩基球（Ba）に関する情報を、第７学習済モデルに入力し、対象者が甲状腺中毒症に罹患している否か判定する診断システム１が構築される。
　第７実施形態に係る情報処理装置１００の構成や動作処理等は、基本的に第１実施形態に係る診断システムの情報処理装置の構成や動作処理等と同様である。第７実施形態と第１実施形態とで異なる点は、第７学習済モデルに入力する情報が、対象者の血液検査に関する情報として、クレアチニン（CREA）、総コレステロール（TC）、コリンエステラーゼ（ChE）、クレアチンホスホキナーゼ（CPK）、及び好塩基球（Ba）に関する情報を含むという点と、第７学習済モデルが出力する情報が、対象者が甲状腺中毒症に罹患している否かに関する情報である点である。
　以下、第７実施形態において、第１実施形態と同様の機能構成や作用及び効果については、同一の符号を付すとともに説明を省略し、第７実施形態と第１実施形態との相違点を中心に説明する。
７．１．ハードウェア構成
　第７判別部１５５が取得する血液学的検査に関する情報には、例えば、対象者のクレアチニン（CREA）、総コレステロール（TC）、コリンエステラーゼ（ChE）、クレアチンホスホキナーゼ（CPK）、及び好塩基球（Ba）が含まれ、このほかの情報が含まれていてもよい。
　第７判別部１５５は、上記のようにして取得した対象者の年齢と血液学的検査に関する情報を第７学習済モデルに入力し、対象者が甲状腺中毒症に罹患している否かに関する情報を出力する処理を実行する。第７学習済モデルは、特に制限されないが、例えば、上記学習用データ１５４に基づく機械学習処理によって生成される学習済モデルであってもよい。
　表示部１５７は、第７判別部１５５が出力した上記情報を、表示装置に表示制御する処理を実行する処理を実行する。例えば、表示部１５７は、対象者が甲状腺中毒症に罹患している否かに関する情報を、甲状腺中毒症に罹患している確率又は罹患していない確率として表示装置に表示制御することができる。
　学習部１５８は、学習用データ１５４に基づく機械学習処理によって、学習済モデルを生成する処理を実行する。機械学習処理としては、教師あり学習や半教師あり学習が挙げられる。
７．２．学習済モデル
　一例として、Sony社のPrediction Oneを用いて第７学習済モデルを作成した。この第７学習済モデルの作成には、未治療バセドウ病患者１９３３５例と、未治療無痛性甲状腺炎患者３２６７例と、健常者４１５９例の学習用データを用いた。
　具体的には、この学習用データを７：３の割合に分けて、教師データとテストデータのデータセットを用意し、教師データを用いて第７学習済モデルの作成を行った。その結果、クレアチニン（CREA）、総コレステロール（TC）、コリンエステラーゼ（ChE）、クレアチンホスホキナーゼ（CPK）、及び好塩基球（Ba）を予測因子とする第７学習済モデルが得られた。
　次いで、上記テストデータにより第７学習済モデルのＲＯＣ曲線とＡＵＣを求めた。第７学習済モデルを評価した結果を以下に示す。
　　　ＡＵＣ　　　０．９５１
７．３．動作処理
　次に、このように構成された第７実施形態の情報処理装置１００の動作について説明する。
　ステップＳ２０２において、学習部１５８は、学習用データ１５４に保存されたデータセットから教師データを作成し、その教師データを用いて対象者が甲状腺中毒症に罹患している否かに関する情報を出力する第７学習済モデルを作成する。例えば、学習部１５８は、教師データを用いて、対象者が甲状腺中毒症に罹患している否かに関する情報を正解ラベルとして機械学習を行う。
　ステップＳ３０２において、判別部１５５は、対象者の血液学的検査の結果に関する情報を第７学習済モデルに入力し、第７学習済モデルによって、対象者が甲状腺中毒症に罹患している否かに関する情報を出力する。また、これに代えて又は加えて、判別部１５５は、第７学習済モデルによって、甲状腺刺激ホルモン（TSH）が正常値以下となっているか否かに関する情報を出力してもよい。
　ステップＳ３０３において、表示部１５６は、出力された情報を、ディスプレイ等の画像出力装置に表示制御する。表示制御方法は、特に制限されないが、例えば、対象者が甲状腺中毒症に罹患している可能性と、罹患していない可能性を、それぞれ１００分率で示してもよい。
８．第１実施例
　第１実施形態～第７実施形態に記載の甲状腺疾患判定装置による診断システム１は、独立して用いても、任意に組み合わせて用いてもよい。例えば、第１実施形態と第２実施形態との組み合わせ、第３実施形態と第７実施形態との組み合わせ、第４実施形態と第７実施形態との組み合わせが挙げられる。
　以下、このような実施例の一部について記載する。
８．１．第１実施例１
　第１実施例１は、第１実施形態と第２実施形態とを組み合わせた例である。実施例１の情報処理装置１００は、対象者の年齢と、該対象者の血液検査に関する情報から、トータルプロテイン(TP)、クレアチニン（CREA）、好中球（Neu）、及び総ビリルビン（T-Bill）に関する情報とを、第２学習済モデルに入力し、前記対象者の甲状腺刺激ホルモン（TSH）が正常値の範囲であるか否かに関する情報を出力する第２判別部と、前記対象者の血液検査に関する情報から、トータルプロテイン(TP)、コリンエステラーゼ（ChE）、トータルコレステロール（TC）、クレアチニン（CREA）、及びクレアチンフォスフォキナーゼ（CPK）に関する情報を、第１学習済モデルに入力し、前記対象者の甲状腺刺激ホルモン（TSH）が治療を要する範囲であるか否かに関する情報を出力する第１判別部と、を有する。
　第１実施例１に係る情報処理装置１００の構成や動作処理等は、基本的に第１実施形態と第２実施形態に係る診断システムの情報処理装置の構成や動作処理等と同様である。
　第１実施例１では、第１実施形態と第２実施形態とを組み合わせて用いることにより、対象者の甲状腺刺激ホルモン（TSH）が治療を要する範囲であるか、正常値の範囲であるかなどを、段階的に評価をすることが可能となる。
８．２．第１実施例２
　第１実施例２は、第３実施形態と第７実施形態とを組み合わせた例である。実施例２の情報処理装置１００は、対象者の血液検査に関する情報から、クレアチニン（CREA）、トータルコレステロール（TC）、コリンエステラーゼ（ChE）、クレアチンフォスフォキナーゼ（CPK）、及び好塩基球（Ba）に関する情報を、第７学習済モデルに入力し、前記対象者が甲状腺中毒症に罹患している否かに関する情報を出力する第７判別部と、前記対象者の年齢と、前記対象者の血液検査に関する情報から、クレアチニン（CREA）、トータルコレステロール（TC）、アルカリフォスファターゼ（ALP）、及びトータルプロテイン(TP)に関する情報とを、第３学習済モデルに入力し、前記対象者がバセドウ病に罹患している否かに関する情報を出力する第３判別部と、を有する。
　第１実施例２に係る情報処理装置１００の構成や動作処理等は、基本的に第３実施形態と第７実施形態に係る診断システムの情報処理装置の構成や動作処理等と同様である。
　第１実施例２では、第３実施形態と第７実施形態とを組み合わせて用いることにより、対象者が甲状腺中毒症に罹患している否か、甲状腺中毒症に罹患しているとするならば、それはバセドウ病の可能性が高いか否かなどを、段階的に評価をすることが可能となる。
８．３．第１実施例３
　第１実施例３は、第４実施形態と第７実施形態とを組み合わせた例である。実施例３の情報処理装置１００は、対象者の血液検査に関する情報から、クレアチニン（CREA）、トータルコレステロール（TC）、コリンエステラーゼ（ChE）、クレアチンフォスフォキナーゼ（CPK）、及び好塩基球（Ba）に関する情報を、第７学習済モデルに入力し、前記対象者が甲状腺中毒症に罹患している否かに関する情報を出力する第７判別部と、対象者の血液検査に関する情報から、甲状腺ホルモンFT3、甲状腺ホルモンFT４、FT3／FT4、アルカリホスファターゼ（ALP）、及びクレアチニン（CREA）に関する情報を、第４学習済モデルに入力し、前記対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報を出力する第４判別部と、を有する。
　第１実施例３に係る情報処理装置１００の構成や動作処理等は、基本的に第４実施形態と第７実施形態に係る診断システムの情報処理装置の構成や動作処理等と同様である。
　第１実施例３では、第４実施形態と第７実施形態とを組み合わせて用いることにより、対象者が甲状腺中毒症に罹患している否か、甲状腺中毒症に罹患しているとするならば、それは無痛性甲状腺炎の可能性が高いか否かなどを、段階的に評価をすることが可能となる。
９．第２実施例
　第１実施形態～第７実施形態に記載の甲状腺疾患判定装置による診断システム１は、インターネット等の通信ネットワークを介して通信可能に接続された、視力予後判定装置であるサーバ（情報処理装置１００）と利用者端末２００により構成されてもよい。
　図４に、甲状腺疾患判定装置であるサーバ（情報処理装置１００）と利用者端末２００により構成される診断システムの処理シーケンスを示す。サーバ１００は、インターネット等の通信ネットワークを介して、利用者端末２００と通信可能に接続されている。サーバ１００の判別部１５５は、利用者端末２００から受信した、血液学的検査の結果や年齢などの生化学的パラメータを学習済モデルに入力し、第１実施形態～第７実施形態に記載の各情報を出力し、出力した情報を利用者端末２００に送信する診断システム１を提供する。
　ここで、サーバ１００は、本発明の診断システムの全部又は一部を実装する情報処理装置の一例であり、上述した情報処理装置１００の有するハードウェア構成や機能部の構成を有することができる。また、利用者端末２００は、情報の送受信及び情報を表示可能なディスプレイを備えた通常のコンピュータであってもよい。
　ステップＳ４０１において、利用者端末２００は、血液学的検査の結果や年齢などの生化学的パラメータに関する情報をサーバ１００に対して送信し、サーバ１００の判別部１５５は、血液学的検査の結果や年齢などの生化学的パラメータに関する情報を取得する。
　ステップＳ４０２において、サーバ１００の判別部１５５は、利用者端末２００から受信した情報を学習済モデルに入力し、第１実施形態～第７実施形態に記載の各結果を出力する。また、ステップＳ４０３において、サーバ１００は、出力した結果を利用者端末２００に送信し、ステップＳ４０４において、利用者端末２００は、受信した結果を表示装置に表示制御する。
　これにより、サーバ１００にアクセスできる利用者端末２００であれば、本発明の診断システムを利用することが可能となり、医療レベルの地域格差などを解消することができる。
　また、本発明は上記第１実施形態から第７実施形態における学習済モデルへの各情報の入力と出力を情報処理装置に実行させるためのプログラム、及び情報処理装置が学習済モデルへの各情報の入力と出力を実行する情報処理方法についても提供する。
１…診断システム、１００…情報処理装置、１１０…プロセッサ、１２０…通信インターフェース、１３０…入出力インターフェース、１４０…メモリ、１５０…ストレージ、１５１…オペレーティングシステム、１５２…ネットワーク通信部、１５３…対象者データ、１５４…学習用データ、１５５…判別部、１５６…表示部、１５７…学習部、１６０…通信バス、２００…利用者端末

Claims (7)

  1. 　対象者の血液検査に関する情報から、総プロテイン(TP)、コリンエステラーゼ（ChE）、総コレステロール（TC）、クレアチニン（CREA）、及びクレアチンホスホキナーゼ（CPK）に関する情報を、第１学習済モデルに入力し、前記対象者の甲状腺刺激ホルモン（TSH）が治療を要する範囲であるか否かに関する情報を出力する第１判別部を有する、
    　情報処理装置。
  2. 　対象者の年齢と、該対象者の血液検査に関する情報から、総プロテイン(TP)、クレアチニン（CREA）、好中球（Neu）、及び総ビリルビン（T-Bill）に関する情報とを、第２学習済モデルに入力し、前記対象者の甲状腺刺激ホルモン（TSH）が正常値の範囲であるか否かに関する情報を出力する第２判別部を有する、
    　情報処理装置。
  3. 　対象者の年齢と、該対象者の血液検査に関する情報から、クレアチニン（CREA）、総コレステロール（TC）、アルカリホスファターゼ（ALP）、及び総プロテイン(TP)に関する情報とを、第３学習済モデルに入力し、前記対象者がバセドウ病に罹患している否かに関する情報を出力する第３判別部を有する、
    　情報処理装置。
  4. 　対象者の血液検査に関する情報から、甲状腺ホルモンFT3、甲状腺ホルモンFT４、FT3／FT4、アルカリホスファターゼ（ALP）、及びクレアチニン（CREA）に関する情報を、第４学習済モデルに入力し、前記対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報を出力する第４判別部を有する、
    　情報処理装置。
  5. 　対象者の血液検査に関する情報から、アルカリホスファターゼ（ALP）、クレアチニン（CREA）、総プロテイン(TP)、γグルタミルトランスペプチダーゼ（γGTP）、白血球（WBC）に関する情報を、第５学習済モデルに入力し、前記対象者が罹患している疾患がバセドウ病であるか無痛性甲状腺炎であるかの鑑別に関する情報を出力する第５判別部を有する、
    　情報処理装置。
  6. 　対象者の年齢と、該対象者の血液検査に関する情報から、総コレステロール（TC）、コリンエステラーゼ（ChE）、クレアチニン（CREA）、及びクレアチンホスホキナーゼ（CPK）に関する情報を、第６学習済モデルに入力し、前記対象者が無痛性甲状腺炎に罹患している否かに関する情報を出力する第６判別部を有する、
    　情報処理装置。
  7. 　対象者の血液検査に関する情報から、クレアチニン（CREA）、総コレステロール（TC）、コリンエステラーゼ（ChE）、クレアチンホスホキナーゼ（CPK）、及び好塩基球（Ba）に関する情報を、第７学習済モデルに入力し、前記対象者が甲状腺中毒症に罹患している否かに関する情報を出力する第７判別部を有する、
    　情報処理装置。
PCT/JP2022/018395 2021-04-21 2022-04-21 甲状腺疾患の診断に関する参考情報を提供する情報処理装置 WO2022225000A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2023515505A JPWO2022225000A1 (ja) 2021-04-21 2022-04-21
CN202280029915.8A CN117616282A (zh) 2021-04-21 2022-04-21 提供与甲状腺疾病的诊断相关的参考信息的信息处理装置
US18/556,849 US20240221957A1 (en) 2021-04-21 2022-04-21 Information processing device for providing reference information relating to diagnosis of thyroid disease
EP22791771.3A EP4328590A1 (en) 2021-04-21 2022-04-21 Information processing device for providing reference information relating to diagnosis of thyroid disease

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021072021 2021-04-21
JP2021-072021 2021-04-21

Publications (1)

Publication Number Publication Date
WO2022225000A1 true WO2022225000A1 (ja) 2022-10-27

Family

ID=83722305

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/018395 WO2022225000A1 (ja) 2021-04-21 2022-04-21 甲状腺疾患の診断に関する参考情報を提供する情報処理装置

Country Status (5)

Country Link
US (1) US20240221957A1 (ja)
EP (1) EP4328590A1 (ja)
JP (1) JPWO2022225000A1 (ja)
CN (1) CN117616282A (ja)
WO (1) WO2022225000A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011089923A1 (ja) * 2010-01-22 2011-07-28 ベックマン コールター， インコーポレイテッド 自動分析装置および分析方法
JP2012509061A (ja) * 2008-11-17 2012-04-19 ベラサイト インコーポレイテッド 疾患診断のための分子プロファイリングの方法および組成物
JP2020073885A (ja) 2012-03-05 2020-05-14 オサケユキテュア・アークティック・パートナーズ・アクチボラゲットＯｙ Ａｒｃｔｉｃ Ｐａｒｔｎｅｒｓ Ａｂ 前立腺癌のリスク及び前立腺容積を予測する方法及び装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012509061A (ja) * 2008-11-17 2012-04-19 ベラサイト インコーポレイテッド 疾患診断のための分子プロファイリングの方法および組成物
WO2011089923A1 (ja) * 2010-01-22 2011-07-28 ベックマン コールター， インコーポレイテッド 自動分析装置および分析方法
JP2020073885A (ja) 2012-03-05 2020-05-14 オサケユキテュア・アークティック・パートナーズ・アクチボラゲットＯｙ Ａｒｃｔｉｃ Ｐａｒｔｎｅｒｓ Ａｂ 前立腺癌のリスク及び前立腺容積を予測する方法及び装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AI YOSHIHARA, HIROSHI YOSHIMURA, NATSUKO WATANABE, MIHO FUKUSHITA, MASAKO MATSUMOTO, NAMI SUZUKI, AYAKO HOSHIYAMA, AYA KINOSHITA, : "O2-1-6 Prediction of Thyroid Toxicosis with General Bloodwork Using Machine Learning Software", NIHON NAIBUNPI GAKKAI ZASSHI - FOLIA ENDOCRINOLOGICA JAPONICA, NIHON NAIBUNPI GAKKAI, JP, vol. 97, no. 1, 1 April 2021 (2021-04-01) - 24 April 2021 (2021-04-24), JP , pages 263, XP009540431, ISSN: 0029-0661, DOI: 10.1507/endocrine.97.1_105 *
AYAKO HOSHIYAMA, HIROSHI YOSHIMURA, RAN YOSHIMURA, KENTARO MIKURA, AYA KINOSHITA, AI SUZUKI, TAKAKO MIMATSU, NAMI SUZUKI, MIHO FUK: "O2-9-2 Prediction of Thyroid Gland Functional Deterioration with General Gloodwork Using Artificial Intelligence (AI)", FOLIA ENDOCRINOLOGICA JAPONICA, vol. 97, no. 1, 1 April 2021 (2021-04-01) - 24 April 2021 (2021-04-24), pages 269, XP009540433, DOI: 10.1507/endocrine.97.1_105 *
NATSUKO WATANABE, HIROSHI YOSHIMURA, AI YOSHIHARA, MASAKO MATSUMOTO, MIHO FUKUSHITA, NAMI SUZUKI, AYAKO HOSHIYAMA, AI SUZUKI, TAKA: "O2-1-3 Differential Prediction Model for Graves' Disease and Painless Thyroiditis Using Artificial Intelligence (Machine Learning)", FOLIA ENDOCRINOLOGICA JAPONICA, vol. 97, no. 1, 1 April 2021 (2021-04-01) - 24 April 2021 (2021-04-24), pages 263, XP009540432, DOI: 10.1507/endocrine.97.1_105 *
RAO AMULYA.R., RENUKA B.S.: "A Machine Learning Approach to Predict Thyroid Disease at Early Stages of Diagnosis", 2020 IEEE INTERNATIONAL CONFERENCE FOR INNOVATION IN TECHNOLOGY (INOCON), IEEE, 6 November 2020 (2020-11-06) - 8 November 2020 (2020-11-08), pages 1 - 4, XP055977943, ISBN: 978-1-7281-9744-9, DOI: 10.1109/INOCON50539.2020.9298252 *

Also Published As

Publication number Publication date
US20240221957A1 (en) 2024-07-04
CN117616282A (zh) 2024-02-27
JPWO2022225000A1 (ja) 2022-10-27
EP4328590A1 (en) 2024-02-28

Similar Documents

Publication Publication Date Title
US11404166B2 (en) Systems and methods for mining of medical data
Chuang et al. Interrelations of lead levels in bone, venous blood, and umbilical cord blood with exogenous lead exposure through maternal plasma lead in peripartum women.
US20210217528A1 (en) Method to personalize a biomarker signal and medical procedures using the same
Witberg et al. Diagnostic performance of angiogram-derived fractional flow reserve: a pooled analysis of 5 prospective cohort studies
Brasen et al. Home management of warfarin treatment through a real-time supervised telemedicine solution: a randomized controlled trial
US20130275050A1 (en) Methods and systems for integrated health systems
Otto Mattsson et al. Patient self‐testing of white blood cell count and differentiation: A study of feasibility and measurement performance in a population of Danish cancer patients
Shi et al. The utilization of retinal nerve fiber layer thickness to predict cognitive deterioration
Neu et al. Non-invasive assessment of mitochondrial oxygen metabolism in the critically ill patient using the protoporphyrin IX-triplet state lifetime technique—a feasibility study
Boletsis et al. Connecting the player to the doctor: utilising serious games for cognitive training & screening
Labrecque et al. Functional clinical impairments and frailty in interstitial lung disease patients
Kier Biostatistical applications in epidemiology
Fraiche et al. Identification of need for ultrasound enhancing agent study (the IN-USE Study)
WO2022225000A1 (ja) 甲状腺疾患の診断に関する参考情報を提供する情報処理装置
JP6401297B2 (ja) インスリン分泌能分析装置、当該装置を備えるインスリン分泌能分析システム及びインスリン分泌能分析方法
Wood et al. Wearable sensor-based performance status assessment in cancer: A pilot multicenter study from the Alliance for Clinical Trials in Oncology (A19_Pilot2)
EP3905255A1 (en) Mapping a patient to clinical trials for patient specific clinical decision support
KR102536982B1 (ko) 문진표를 이용한 인공지능 기반의 질병 예측 방법 및 장치
Albu et al. Expansion of electronic health record-based screening, prevention, and management of diabetes in New York City
Al Zomia et al. Blood Parameter Profiles and Their Clinical Implications in Hypertensive Patients: A Retrospective Chart Review
Kartal et al. Outpatient treatment of pulmonary embolism: sPESI score and highly sensitive troponin may prove helpful
Palmas Pocket Evidence Based Medicine
KLOOSTERMAN A Patient-centered educational approach to intrathoracic impedance remote monitoring can reduce hospitalizations
Kinikar et al. Converging Diagnostic Paths: A Unified Approach to Acid-Base Imbalances in COPD Patients
Riley et al. Comparison of Hispanics to Caucasians in Metabolic Evaluation of Nephrolithiasis

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: 22791771

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023515505

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 202280029915.8

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022791771

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022791771

Country of ref document: EP

Effective date: 20231121