WO2023181822A1 - 解析装置、解析システム、及び解析方法 - Google Patents
解析装置、解析システム、及び解析方法 Download PDFInfo
- Publication number
- WO2023181822A1 WO2023181822A1 PCT/JP2023/007694 JP2023007694W WO2023181822A1 WO 2023181822 A1 WO2023181822 A1 WO 2023181822A1 JP 2023007694 W JP2023007694 W JP 2023007694W WO 2023181822 A1 WO2023181822 A1 WO 2023181822A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- disease
- control unit
- data
- patient
- analysis
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 87
- 201000010099 disease Diseases 0.000 claims abstract description 83
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 83
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 230000005713 exacerbation Effects 0.000 claims description 58
- 238000000034 method Methods 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000007619 statistical method Methods 0.000 claims description 10
- 238000000611 regression analysis Methods 0.000 claims description 7
- 206010019280 Heart failures Diseases 0.000 description 29
- 230000004048 modification Effects 0.000 description 19
- 238000012986 modification Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 18
- 206010061818 Disease progression Diseases 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 208000038002 heart failure with reduced ejection fraction Diseases 0.000 description 8
- 230000009433 disease-worsening effect Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 208000038003 heart failure with preserved ejection fraction Diseases 0.000 description 6
- 206010010264 Condition aggravated Diseases 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 2
- 206010031123 Orthopnoea Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 208000006673 asthma Diseases 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 208000012144 orthopnea Diseases 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 208000032928 Dyslipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000017170 Lipid metabolism disease Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 206010037211 Psychomotor hyperactivity Diseases 0.000 description 1
- 206010062237 Renal impairment Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000000476 body water Anatomy 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002746 orthostatic effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- 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
-
- 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
Definitions
- the present disclosure relates to an analysis device, an analysis system, and an analysis method.
- Patent Document 1 describes a support system that supports the prediction of worsening of heart failure, which predicts the transition of the comprehensive evaluation value using the comprehensive evaluation value calculated in time series using patient's time series data. is listed.
- the patient's time-series data is used to predict the worsening of the patient's heart failure, so for example, it is difficult to predict the worsening of the heart failure for patients for whom sufficient time-series data has not been acquired.
- the purpose of the present disclosure is to provide information that broadly contributes to predicting the exacerbation of diseases such as heart failure.
- An analysis device acquires attribute data indicating the attributes of each patient of a plurality of patients having a certain disease and time-series data including records about each patient at a plurality of points in time as patient records. , a control unit that calculates a tendency for the disease to worsen based on the time-series data for each group of patients having a common attribute indicated by the attribute data, and outputs the obtained calculation result.
- the attribute data indicates a residential area as the attribute.
- the attribute data indicates an age group as the attribute.
- the time-series data further includes records regarding the environments of the plurality of patients at the plurality of time points as environmental records, and the control unit compares predictions about the environments with the environment records. , select records for each patient at one or more time points from among the patient records according to the obtained comparison results, and select records for each patient group having common attributes indicated by the attribute data. The worsening tendency of the disease is calculated based on the records obtained.
- the time series data includes a weather record as the environmental record
- the control unit refers to a weather forecast as a prediction regarding the environment.
- control unit refers to the patient record to estimate whether or not the disease has worsened for each patient at the plurality of time points, and applies the estimation result to a dataset of the attribute data.
- a statistical analysis process is executed using the statistical analysis process, and an aggravation tendency of the disease is calculated by referring to the result of the statistical analysis process.
- control unit performs, as the statistical analysis process, a regression analysis in which a time point arriving in each unit period and an attribute indicated by the attribute data are used as explanatory variables, and the presence or absence of exacerbation of the disease is used as an objective variable. conduct.
- control unit calculates the worsening tendency of the disease using a trained model that receives the attribute data and the time series data as input and outputs data indicating the worsening tendency of the disease. .
- control unit calculates an exacerbation index indicating the strength of a tendency for the disease to worsen, and outputs data indicating the calculated exacerbation index as the calculation result.
- control unit creates a text that describes the worsening tendency of the disease, and outputs data indicating the created text as the calculation result.
- control unit calculates the number of exacerbations of the disease in a period after the plurality of time points based on the time series data for each group of patients who have a common attribute indicated by the attribute data.
- the aggravation tendency of the disease is calculated, and as a result of the calculation, data indicating the ratio of the predicted number of exacerbations among groups of patients having a common attribute indicated by the attribute data is output.
- control unit determines a tendency for the disease to worsen in a period after the plurality of time points, based on the time series data, for each group of patients who have a common attribute indicated by the attribute data.
- the period includes a plurality of days, and the control unit outputs, as the calculation result, data that displays the tendency of the disease to worsen on each day in the corresponding date column on the calendar.
- control unit outputs, as the calculation result, data that displays a tendency for the disease to worsen for each group of patients having a common attribute indicated by the attribute data in a corresponding region on a map.
- An analysis system as one aspect of the present disclosure includes the above-mentioned analysis device and a plurality of terminal devices that receive calculation results output from the analysis device and present the received calculation results to a user.
- An analysis system as one aspect of the present disclosure includes the above-mentioned analysis device and a server that receives calculation results output from the analysis device and provides a service using the received calculation results.
- a control unit generates time-series data of a plurality of patients having a certain disease, including attribute data indicating attributes of each patient and records about each patient at a plurality of points in time as a patient record. and calculating, by the control unit, an aggravation tendency of the disease based on the time-series data for each group of patients having a common attribute indicated by the attribute data; This includes outputting the obtained calculation results.
- FIG. 1 is a diagram showing the configuration of an analysis system according to an embodiment of the present disclosure.
- FIG. 1 is a block diagram showing the configuration of an analysis device according to an embodiment of the present disclosure.
- 3 is a flowchart showing the operation of the analysis device according to the embodiment of the present disclosure.
- FIG. 2 is a diagram illustrating an example of attribute data and time series data according to an embodiment of the present disclosure.
- FIG. 3 is a diagram illustrating an example of an analysis result according to an embodiment of the present disclosure. It is a figure showing an example of a screen of a 1st terminal device concerning an embodiment of this indication. It is a figure showing the example of a screen of the 2nd terminal device concerning an embodiment of this indication.
- FIG. 3 is a diagram illustrating an example of a determination result according to an embodiment of the present disclosure.
- the analysis system 10 includes an analysis device 20, a plurality of terminal devices 30, and a server 50.
- the multiple terminal devices 30 include multiple first terminal devices 30A and at least one second terminal device 30B.
- the analysis device 20 communicates with a plurality of terminal devices 30 and a server 50 via a network 40.
- Each of the plurality of terminal devices 30 may communicate with the server 50 via the network 40.
- Each of the first terminal devices 30A may communicate with the second terminal device 30B via the network 40.
- the analysis device 20 is installed in a facility such as a data center.
- the analysis device 20 is, for example, a server computer belonging to a cloud computing system.
- the analysis device 20 may be installed in a medical facility such as a clinic or a hospital.
- the analysis device 20 may be, for example, a server computer belonging to an on-premises computing system.
- the first terminal device 30A is held by the patient. Alternatively, the first terminal device 30A may be installed at the patient's home. The first terminal device 30A may be used by the patient's family or caregiver instead of the patient.
- the first terminal device 30A is, for example, a general-purpose terminal such as a mobile phone, a smartphone, a tablet, or a PC, or a dedicated terminal such as a gadget. "PC" is an abbreviation for personal computer.
- the second terminal device 30B is installed in a medical facility such as a clinic or hospital. Alternatively, the second terminal device 30B may be held by a doctor. The second terminal device 30B may be used by other medical personnel such as a nurse instead of a doctor.
- the second terminal device 30B is, for example, a general-purpose terminal such as a mobile phone, a smartphone, a tablet, or a PC, or a dedicated terminal such as a gadget.
- the server 50 is installed in a facility such as a data center.
- the server 50 is, for example, a server computer belonging to a cloud computing system.
- Server 50 may be installed in a medical facility such as a clinic or hospital.
- Server 50 may be, for example, a server computer belonging to an on-premises computing system.
- Network 40 includes the Internet, at least one WAN, at least one MAN, or any combination thereof.
- WAN is an abbreviation for wide area network.
- MAN is an abbreviation for metropolitan area network.
- Network 40 may include at least one wireless network, at least one optical network, or any combination thereof.
- the wireless network is, for example, an ad hoc network, a cellular network, a wireless LAN, a satellite communication network, or a terrestrial microwave network.
- LAN is an abbreviation for local area network.
- the exacerbation of diseases such as heart failure is deeply related to the patient's lifestyle habits such as eating habits, and trends are thought to differ to some extent depending on the patient's attributes such as age, gender, and region of residence. In addition to patient attributes, the tendency for disease exacerbation may vary depending on the environment such as the weather.
- the first terminal device 30A receives input of the attribute data D1 and time series data D2.
- Attribute data D1 is data indicating the patient's attributes.
- the time series data D2 is data that includes records about patients at multiple points in time as patient records.
- the first terminal device 30A transmits the input attribute data D1 and time series data D2 to the analysis device 20.
- the analysis device 20 acquires the attribute data D1 and time series data D2 transmitted from the plurality of first terminal devices 30A.
- the analysis device 20 calculates the worsening tendency of the disease based on the time series data D2 for each group of patients who share the attribute indicated by the attribute data D1. In this embodiment, the analysis device 20 calculates the worsening tendency of the disease by determining the worsening tendency of the disease in a period P1 after a plurality of time points.
- the analysis device 20 outputs the obtained calculation result as a determination result 35.
- this embodiment it is possible to provide information that widely contributes to prediction of worsening of diseases such as heart failure. That is, in this embodiment, since the tendency for disease exacerbation is calculated for each patient attribute, by providing the obtained calculation results, for example, even for patients for whom time series data D2 has not been sufficiently acquired, It becomes possible to predict disease exacerbation in consideration of the patient's attributes.
- a “disease” will be explained as heart failure.
- a “disease” is not limited to heart failure, but may be any disease such as stroke, diabetes, asthma, chronic obstructive pulmonary disease, or allergic disease.
- the attribute data D1 includes disease information, regional information, physical information, or any combination thereof.
- the disease information is information indicating a disease classification or a comorbid disease. Comorbidities include stroke, diabetes, dyslipidemia, asthma, hypertension, chronic obstructive pulmonary disease, renal impairment, or any combination thereof.
- Regional information is information indicating the patient's residential area, and is, for example, information indicating the address or the name of the area such as the city, ward, town, or village where the patient resides.
- Physical information is information indicating exercise tolerance or cognitive function. Exercise tolerance is the limit to how much exercise you can tolerate. Exercise tolerance includes endurance, which is the ability to continue exercising, and aerobic capacity, which is the ability to take oxygen into the body.
- the attribute data D1 indicates, as "attributes", for example, the classification of heart failure as a disease, the presence or absence of comorbid diseases, the region of residence, age group, gender, family structure, or any combination thereof.
- types of heart failure include HFrEF, HFpEF, and HFmrEF.
- HFrEF is an abbreviation for heart failure with reduced ejection fraction.
- HFpEF is an abbreviation for heart failure with preserved ejection fraction.
- HFmrEF is an abbreviation for heart failure with mid-range ejection fraction.
- the "patient record” included in the time-series data D2 is, for example, a record of symptoms or signs such as the presence or absence of worsening of heart failure, the presence or absence of palpitations, the presence or absence of shortness of breath, the presence or absence of edema, or the presence or absence of orthopnea at multiple points in time. , recording of vital data such as body weight, pulse rate, blood pressure, blood flow, body water content, or central venous pressure, or recording of hospital visits or emergency transports, or any combination thereof.
- “Orthopnea” refers to a clinical sign in which dyspnea increases in the supine position and decreases in the orthostatic or semi-sitting position.
- the time series data D2 may further include an "environmental record.”
- “Environmental records” are records about the environments of multiple patients at multiple points in time. “Environmental records” include meteorological records. In this embodiment, the “multiple time points" are multiple past days, but may also be multiple past dates and times that may include different times on the same day.
- the “period P1" may be any period after the “multiple time points", but in this embodiment, it is a fixed period in the future.
- the unit of “period P1" is, for example, day, week, month, or year.
- the analysis device 20 includes a control section 21, a storage section 22, a communication section 23, an input section 24, and an output section 25.
- the control unit 21 includes at least one processor, at least one programmable circuit, at least one dedicated circuit, or any combination thereof.
- the processor is a general-purpose processor such as a CPU or GPU, or a dedicated processor specialized for specific processing.
- CPU is an abbreviation for central processing unit.
- GPU is an abbreviation for graphics processing unit.
- the programmable circuit is, for example, an FPGA.
- FPGA is an abbreviation for field-programmable gate array.
- the dedicated circuit is, for example, an ASIC.
- ASIC application specific integrated circuit.
- the control unit 21 executes processing related to the operation of the analysis device 20 while controlling each part of the analysis device 20 .
- the storage unit 22 includes at least one semiconductor memory, at least one magnetic memory, at least one optical memory, or any combination thereof.
- the semiconductor memory is, for example, RAM, ROM, or flash memory.
- RAM is an abbreviation for random access memory.
- ROM is an abbreviation for read only memory.
- the RAM is, for example, SRAM or DRAM.
- SRAM is an abbreviation for static random access memory.
- DRAM is an abbreviation for dynamic random access memory.
- the ROM is, for example, an EEPROM.
- EEPROM is an abbreviation for electrically erasable programmable read only memory.
- the flash memory is, for example, an SSD.
- SSD is an abbreviation for solid-state drive.
- the magnetic memory is, for example, an HDD.
- HDD is an abbreviation for hard disk drive.
- the storage unit 22 functions as, for example, a main storage device, an auxiliary storage device, or a cache memory.
- the storage unit 22 stores data used for the operation of the analysis device 20 and data obtained by the operation of the analysis device 20.
- the communication unit 23 includes at least one communication interface.
- Communication interfaces include, for example, interfaces compatible with mobile communication standards such as LTE, 4G standards, or 5G standards, interfaces compatible with short-range wireless communication such as Bluetooth (registered trademark), and wireless LAN communication standards such as IEEE802.11. or an interface compatible with wired LAN communication standards such as Ethernet (registered trademark).
- LTE is an abbreviation for Long Term Evolution.
- 4G is an abbreviation for 4th generation.
- 5G is an abbreviation for 5th generation.
- IEEE is an abbreviation for Institute of Electrical and Electronics Engineers.
- the communication unit 23 communicates with the terminal device 30.
- the communication unit 23 receives data used for the operation of the analysis device 20 and transmits data obtained by the operation of the analysis device 20.
- the input unit 24 includes at least one input interface.
- the input interface is, for example, a physical key, a capacitive key, a pointing device, a touch screen integrated with the display, or a microphone.
- the input unit 24 accepts an operation to input data used for the operation of the analysis device 20.
- the input unit 24 may be connected to the analysis device 20 as an external input device instead of being included in the analysis device 20.
- As the connection interface an interface compatible with standards such as USB, HDMI (registered trademark), or Bluetooth (registered trademark) can be used.
- USB is an abbreviation for Universal Serial Bus.
- HDMI registered trademark
- HDMI registered trademark
- Bluetooth registered trademark
- the output unit 25 includes at least one output interface.
- the output interface is, for example, a display or a speaker.
- the display is, for example, an LCD or an organic EL display.
- LCD is an abbreviation for liquid crystal display.
- EL is an abbreviation for electroluminescence.
- the output unit 25 outputs data obtained by the operation of the analysis device 20.
- the output unit 25 may be connected to the analysis device 20 as an external output device instead of being included in the analysis device 20.
- As the connection interface an interface compatible with standards such as USB, HDMI (registered trademark), or Bluetooth (registered trademark) can be used.
- the functions of the analysis device 20 are realized by executing the program according to the present embodiment by a processor serving as the control unit 21. That is, the functions of the analysis device 20 are realized by software.
- the program causes the computer to function as the analysis device 20 by causing the computer to execute the operations of the analysis device 20. That is, the computer functions as the analysis device 20 by executing the operations of the analysis device 20 according to the program.
- the program may be stored on a non-transitory computer-readable medium.
- the non-transitory computer-readable medium is, for example, a flash memory, a magnetic recording device, an optical disk, a magneto-optical recording medium, or a ROM.
- Distribution of the program is performed, for example, by selling, transferring, or lending a portable medium such as an SD card, DVD, or CD-ROM that stores the program.
- SD is an abbreviation for Secure Digital.
- DVD is an abbreviation for digital versatile disc.
- CD-ROM is an abbreviation for compact disc read only memory.
- the program may be distributed by storing the program in the storage of a server and transferring the program from the server to another computer.
- the program may be provided as a program product.
- a computer temporarily stores a program stored on a portable medium or a program transferred from a server in its main storage device. Then, the computer uses a processor to read a program stored in the main memory, and causes the processor to execute processing according to the read program.
- a computer may read a program directly from a portable medium and execute processing according to the program. The computer may sequentially execute processing according to the received program each time the program is transferred to the computer from the server. Processing may be performed using a so-called ASP type service that implements functions only by issuing execution instructions and obtaining results without transferring programs from the server to the computer. “ASP” is an abbreviation for application service provider.
- the program includes information similar to a program that is used for processing by an electronic computer. For example, data that is not a direct command to a computer but has the property of regulating computer processing falls under "something similar to a program.”
- a part or all of the functions of the analysis device 20 may be realized by a programmable circuit or a dedicated circuit as the control unit 21. That is, some or all of the functions of the analysis device 20 may be realized by hardware.
- the operation of the analysis device 20 according to this embodiment will be described with reference to FIG. 3. This operation corresponds to the analysis method according to this embodiment.
- step S1 the control unit 21 obtains attribute data D1.
- the attribute data D1 may be acquired by any procedure, in this embodiment, it is acquired by the following procedure. That is, the attribute data D1 is input into the first terminal device 30A by the patient or the patient's family or caregiver. Alternatively, the attribute data D1 may be input into the second terminal device 30B by, for example, the patient's family doctor. The attribute data D1 may be input to the first terminal device 30A or the second terminal device 30B from another system.
- the control unit 21 communicates with the first terminal device 30A or the second terminal device 30B via the communication unit 23, and acquires the attribute data D1 input to the first terminal device 30A or the second terminal device 30B.
- the attribute data D1 may be stored in another system in advance, and the control unit 21 may acquire the attribute data D1 by communicating with the other system via the communication unit 23.
- step S2 the control unit 21 acquires time series data D2.
- the time series data D2 may be acquired by any procedure, in this embodiment, it is acquired by the following procedure. That is, the time series data D2 is input into the first terminal device 30A by the patient, the patient's family, or a caregiver. Alternatively, the time series data D2 may be input into the second terminal device 30B by, for example, the patient's family doctor. The time series data D2 may be input to the first terminal device 30A or the second terminal device 30B from another system.
- the control unit 21 communicates with the first terminal device 30A or the second terminal device 30B via the communication unit 23, and acquires the time series data D2 input to the first terminal device 30A or the second terminal device 30B.
- the time series data D2 may be stored in advance in another system, and the control unit 21 may acquire the time series data D2 by communicating with the other system via the communication unit 23.
- FIG. 4 shows an example of part of the attribute data D1 and time series data D2 acquired by the control unit 21.
- data acquired for each of patient A, patient B, and patient C is shown as patient data in the ⁇ region
- data acquired for each of patient D, patient E, and patient F is shown as patient data in the ⁇ region. This shows the data that was created.
- patients A to C are classified as patients in area ⁇
- patients D to F are classified as patients in area ⁇ , based on the residential area indicated as an attribute in the attribute data D1 obtained for patients A to F. It is assumed that the patient is classified as a patient.
- the attribute data D1 acquired from patient A to patient F also indicates age, gender, and type of disease as attributes.
- patient A is a 75-year-old female HFrEF patient
- patient B is a 70-year-old female HFrEF patient
- patient C is a 70-year-old female HFpEF patient
- Patient D is a 75-year-old male HFrEF patient
- Patient E is a 65-year-old male HFrEF patient
- Patient F is a 60-year-old female HFpEF patient.
- the time-series data D2 acquired for each of patients A to F indicates the presence or absence and cause of disease exacerbation.
- the time-series data D2 includes records for each patient at multiple points in time, but in FIG. Only records are shown.
- step S3 the control unit 21 determines the aggravation tendency of the disease in the period P1 based on the time series data D2 obtained in step S2 for each group of patients having a common attribute indicated by the attribute data D1 obtained in step S1. Determine.
- the control unit 21 determines the tendency for disease worsening for each group of patients who share the same residential area among the attributes indicated by the attribute data D1.
- the control unit 21 determines the tendency of disease worsening for each of a group G1 including patients A to C in the ⁇ region and a group G2 including patients D to F in the ⁇ region.
- step S3 is executed in the following three steps.
- the control unit 21 refers to the patient records included in the time-series data D2 acquired in step S2 and estimates whether each patient's disease has worsened at a plurality of points in time. For example, patient records may show whether patients A to F have had worsening of heart failure, whether there are signs of worsening of heart failure, or records of hospital visits or emergency transportation due to worsening of heart failure in the past three years from 2019 to 2021. If so, the control unit 21 refers to these records and determines which patient had an exacerbation of heart failure on which date in the past three years, such as whether patient A had an exacerbation of heart failure on February 1, 2021. presume.
- the control unit 21 performs statistical analysis processing on the data set of the estimation result obtained in the first step and the attribute data D1 obtained in step S1. More specifically, as a statistical analysis process, the control unit 21 performs regression analysis using the time point that arrives for each unit period and the attribute indicated by the attribute data D1 as explanatory variables, and the presence or absence of disease exacerbation as an objective variable. .
- a logistic regression model can be used for regression analysis.
- the control unit 21 calculates the probability of the presence or absence of exacerbation at each time point for each group of patients having a common attribute indicated by the attribute data D1, using the regression coefficient determined for each time point. In this embodiment, the date of arrival every year and the area of residence are used as explanatory variables.
- the control unit 21 calculates the probability of the presence or absence of exacerbation on each date for each group of patients who share a common residential area, using the regression coefficient determined for each date.
- graphs 331 and 332 as shown in FIG. 5 are obtained as analysis results 33 that are the results of regression analysis.
- Graph 331 shows how the rate at which heart failure worsens in patients residing in region ⁇ changes depending on the date.
- Graph 332 shows how the rate at which heart failure worsens in patients residing in the ⁇ region changes depending on the date.
- the exacerbation rate is shown on the vertical axis and the date is shown on the horizontal axis, and the probability of exacerbation calculated using regression coefficients is plotted on a daily basis.
- the control unit 21 refers to the results of the statistical analysis process performed in the second step and determines the tendency of the disease to worsen during the period P1. More specifically, the control unit 21 uses the probability of the presence or absence of deterioration at the time point corresponding to period P1, calculated in the second procedure, as the deterioration index for period P1.
- the exacerbation index is an index indicating the strength of the tendency for the disease to worsen.
- period P1 includes multiple days. Therefore, the control unit 21 uses the probability of the presence or absence of deterioration on the same date as the plurality of days included in the period P1, calculated in the second procedure, as an exacerbation index for the plurality of days included in the period P1.
- period P1 includes February 1, 2022, and on February 1, which is included in the analysis result 33 obtained in the second step, the rate of heart failure exacerbation among patients living in region ⁇ is 35. %, the control unit 21 determines that the exacerbation index of group G1 on February 1, 2022 is 35.
- Period P1 includes February 2, 2022, and on February 2, which is included in the analysis result 33 obtained in the second step, the rate of heart failure exacerbation among patients living in region ⁇ is 32%. If so, the control unit 21 determines that the exacerbation index of group G1 on February 2, 2022 is 32.
- step S4 the control unit 21 outputs the determination result 35 obtained in step S3. Specifically, the control unit 21 outputs, as the determination result 35, data indicating the exacerbation index obtained in the third procedure of step S3. More specifically, the control unit 21 transmits data indicating the exacerbation index obtained for the period P1 to the first terminal device 30A via the communication unit 23.
- the first terminal device 30A receives data indicating the exacerbation index and presents the received data to the user by displaying the data on the display. In this way, the determination result 35 is output. Specifically, the first terminal device 30A displays a screen 31 as shown in FIG. 6 on the display. The aggravation index for each day from February 1st to February 7th is displayed on the screen 31 in FIG.
- the control unit 21 may output, as the determination result 35, a result of evaluating the exacerbation index using a predetermined criterion. In this modification, the control unit 21 evaluates the condition as "needs caution" when the exacerbation index is 30 or more, as “caution” when the exacerbation index is 21 or more and less than 30, and as "normal” when it is less than 21.
- the results of evaluating the exacerbation index for each date are displayed in text.
- the evaluation results of the exacerbation index on February 1st and February 2nd are both "needs caution"
- the evaluation result of the exacerbation index on February 3rd is "warning”
- the evaluation result of the exacerbation index on February 3rd is "warning”
- the evaluation results of the exacerbation index from February 4th to February 7th are displayed as "normal.”
- a numerical value or an evaluation result may be displayed.
- the screen 31 may further display a message M1 for users such as patients. Message M1 will be described later.
- the control unit 21 outputs data D3 that displays the tendency of disease worsening on each of the plurality of days included in the period P1 in the corresponding date column on the calendar, as the determination result 35.
- the control unit 21 transmits the data D3 to the second terminal device 30B via the communication unit 23.
- the control unit 21 may transmit the data D3 to the first terminal device 30A.
- the second terminal device 30B or the first terminal device 30A receives the data D3 and presents the received data D3 to the user by displaying it on the display. In this way, the determination result 35 is output.
- FIG. 7 shows an example of the screen 32 displayed on the display by the second terminal device 30B. On the screen 32 in FIG.
- the exacerbation index for each day from March 1st to March 31st is displayed as the determination result 35.
- the control unit 21 evaluates as “needs caution” when the exacerbation index is 30 or more, “caution” when it is 21 or more and less than 30, and "normal” when it is less than 21.
- the shaded exacerbation index from the 9th to the 11th and the 18th is 21 or more and less than 30, so it is evaluated as “caution”, and the exacerbation index from the 12th to the 17th is 30 or more. Therefore, it is rated as "needs caution".
- the doctor can refer to the determination result 35, for example, when accepting an outpatient appointment. Specifically, on days when the exacerbation index is high, the number of patients with exacerbations is expected to increase, so doctors can reduce congestion by, for example, limiting the number of outpatient appointments. Further, the doctor who sees the determination result 35 can also directly call attention to his or her own patient according to the determination result 35.
- the screen 31 may further display a message M2 for users such as doctors. Message M2 will be described later.
- the control unit 21 maps the disease exacerbation tendency for each group of patients who share the same residential area as the determination result 35.
- Data D4 to be displayed in the corresponding area above may be output.
- the control unit 21 determines the tendency for disease exacerbation for each group of patients who share a common residential area among the attributes indicated by the attribute data D1, and displays data in the corresponding residential area on the map. Output.
- the control unit 21 displays the determination result 35 obtained for the group G1 including patients A to C in the ⁇ area in the ⁇ area on the map as data D4, data D4 ⁇ for patients in the ⁇ area.
- Data D4 ⁇ , or a combination of data D4 ⁇ and data D4 ⁇ , for displaying the determination result 35 obtained for group G2 including patient F from D in region ⁇ on the map is output.
- the control unit 21 may transmit the data D4 ⁇ to the first terminal device 30A of the patient in the ⁇ area via the communication unit 23, and may transmit the data D4 ⁇ to the first terminal device 30A of the patient in the ⁇ area.
- the control unit 21 may transmit the data D4 to the second terminal device 30B.
- the first terminal device 30A or the second terminal device 30B receives the data D4 and presents the received data D4 to the user by displaying it on the display as a screen 31'.
- the screen 31' may further display a message M1' for users such as patients. The message M1' will be described later.
- the control unit 21 determines the tendency for the disease to worsen by predicting the number of disease exacerbations in the period P1, and determines that the attribute indicated by the attribute data D1 is common as the determination result 35.
- Data D5 indicating the predicted ratio of the number of exacerbations between patient groups may be output.
- the control unit 21 may calculate the number of patients who have worsened, instead of calculating the probability of whether the disease has worsened.
- the control unit 21 performs regression analysis using the date of arrival each year and gender as explanatory variables and the number of disease exacerbations as an objective variable.
- the control unit 21 calculates the number of exacerbations on each date for each group of patients of the same gender using the regression coefficients determined for each date. In determining the aggravation tendency of the disease in the third step of step S3, the control unit 21 predicts the ratio of the number of exacerbations for each attribute calculated based on the number of exacerbations calculated in the second step.
- data representing a pie chart 351 as shown in FIG. 8 is obtained as the determination result 35.
- the pie chart 351 the ratio of the number of exacerbations by gender is shown.
- step S4 the control unit S4 outputs data indicating the pie chart 351 as the determination result 35 as data D5.
- age group or type of heart failure may be used as an explanatory variable instead of gender in the regression analysis.
- age group for example, data showing a pie chart 352 as shown in FIG. 8 is obtained as the determination result 35 of the tendency for disease to worsen.
- the pie chart 352 the ratio of the number of exacerbations by age group is shown.
- the control unit S4 outputs data indicating the pie chart 352 as the determination result 35 as data D5.
- a pie chart 353 as shown in FIG. 8 is obtained as the determination result 35 of the tendency for the disease to worsen.
- step S4 the control unit S4 outputs data indicating a pie chart 353 as data D5 as the determination result 35. According to this modification, the determination results 35 to be displayed can be switched for each patient attribute.
- step S3 may be specifically executed in the following steps.
- the control unit 21 determines the tendency of the disease to worsen during the period P1 using a learned model that receives the attribute data D1 and the time series data D2 and outputs data indicating the tendency for the disease to worsen during the period P1.
- the data output from the learned model may be any data that indicates a tendency for the disease to worsen during the period P1, but in this modification, it is data that indicates the exacerbation index for multiple days included in the period P1.
- the learned model may be constructed by any method, in this modification, it is constructed by machine learning. As a machine learning method, any method such as SVM, random forest, gradient boosting, or DNN can be used.
- SVM is an abbreviation for support-vector machine.
- DNN is an abbreviation for Deep Neural Network.
- the control unit 21 may create a text describing the worsening tendency of the disease in step S4, and further output data indicating the created text.
- the text can be a summary to explain the tendency of the disease to worsen.
- the control unit 21 outputs the created text as a message.
- the control unit 21 When outputting the determination result 35 as shown in FIG. 6 to the first terminal device 30A, the control unit 21 outputs " "February 1st and February 2nd are days when you need to be careful. Be careful not to overwork yourself by shoveling snow.” is created and sent to the first terminal device 30A as a message M1 for users such as patients.
- the control unit 21 sets data D4 ⁇ to ⁇ , which is data D4 that displays the tendency of disease exacerbation for each group of patients having a common attribute indicated by the attribute data D1 in the corresponding area on the map.
- control unit 21 may output the determination result 35 to the server 50.
- the server 50 receives the determination result 35 output from the analysis device 20 and provides a service using the received determination result 35. Services using the determination result 35 include, for example, health care services for heart failure patients.
- the control unit 21 generates a time series of a plurality of patients having a certain disease, including attribute data D1 indicating the attributes of each patient and records regarding each patient at a plurality of points in time as patient records. Data D2 is acquired. The control unit 21 calculates the worsening tendency of the disease for each group of patients having a common attribute indicated by the attribute data D1, based on the time series data D2. The control unit 21 outputs the obtained calculation result.
- the determination of the tendency for disease exacerbation is made for each patient attribute, by providing the calculation results, for example, even for a patient for whom time series data D2 has not been sufficiently acquired, it is possible to It becomes possible to predict disease exacerbation taking into account the attributes of patients. Therefore, it is possible to provide information that widely contributes to prediction of worsening of diseases such as heart failure.
- the control unit 21 compares the prediction about the environment with the environmental record.
- the control unit 21 compares the prediction about the environment in the period P1 and the environment record.
- Environmental records are records about the environments of multiple patients at multiple points in time.
- the time series data D2 includes a weather record as an environmental record, and the control unit 21 refers to the weather forecast as a forecast regarding the environment in the period P1.
- Weather records include, for example, records of precipitation, temperature, humidity, barometric pressure, wind speed, or any combination thereof.
- the control unit 21 refers to this record and records information about the past, such as what the weather was like on February 1, 2021. Determine the weather for each day of the year. For example, the control unit 21 may classify the weather records of each day in the past year into one of four types: “sunny,” “cloudy,” “rain,” and “snow” based on predetermined criteria. By classifying, the weather of each date is determined. The control unit 21 identifies dates on which the weather determined to be the same as the weather shown in the weather forecast is the same for each of the plurality of days included in the period P1. The control unit 21 selects the patient record on the specified date.
- the multiple days included in period P1 are February 1st to 3rd, 2022, and the weather forecast for each of February 1st, 2022, and February 2nd, 2022 is "snow".
- the weather predicted by the weather forecast for February 3, 2022 is "sunny”.
- the control unit 21 refers to the weather record, determines the weather on February 1, 2021 as "sunny”, determines the weather on February 2, 2021 as “rainy”, and determines the weather on February 3, 2021 as "sunny”.
- the day's weather is determined to be "snow.”
- the control unit 21 compares the weather forecast for each of the plurality of days included in the period P1 with the weather determined for each date in the past year.
- the control unit 21 selects "snow” from among the dates in the past year for February 1, 2022 and February 2, 2022, which are predicted to be "snow", among the plurality of days included in the period P1. ” is determined as February 3, 2021, as a date with the same weather.
- the control unit 21 selects records for each patient on February 3, 2021 from among the patient records.
- the control unit 21 determines the worsening tendency of the disease on February 1, 2022 and February 2, 2022, based on the selected records for each group of patients who have a common attribute indicated by the attribute data D1. judge.
- the control unit 21 specifies February 1, 2021, which is also determined to be "sunny", as a date with the same weather for February 3, 2022, which is predicted to be “sunny”.
- the control unit 21 selects records for each patient on February 1, 2021 from among the patient records.
- the control unit 21 determines the worsening tendency of the disease on February 3, 2022, based on the selected records for each group of patients who share the attribute indicated by the attribute data D1.
- the control unit 21 compares the prediction regarding the environment during the period P1 with the environmental records, Depending on the comparison results obtained, records for each patient at one or more time points are selected from among the patient records.
- the control unit 21 determines the worsening tendency of the disease based on the selected records for each group of patients who share the attribute indicated by the attribute data D1. According to this modification, the tendency for disease worsening is determined in consideration of the influence of weather. Therefore, the accuracy of determination is improved.
- the control unit 21 may determine the tendency of disease worsening for each weather. Specifically, the control unit 21 divides the patient records for each day in the past year by the weather determined for each date, and divides them into "sunny,” “cloudy,” “rainy,” and “snowy.” The worsening tendency of the disease for each weather may be determined by calculating the number of exacerbations for each weather. That is, the control unit 21 may determine that the tendency of disease aggravation is stronger in the order of weather conditions with a larger number of aggravations.
- the determination result 35 By determining the aggravation tendency of the disease for each weather and outputting the determined result as the determination result 35, for example, if it is determined that the disease aggravation tendency with respect to "snow" is the strongest, the determination result 35 is A user such as a doctor can estimate, for example, overwork from shoveling snow as the cause of worsening of a disease on a snowy day.
- the present disclosure is not limited to the embodiments described above.
- a plurality of blocks shown in the block diagram may be integrated, or one block may be divided. Instead of performing the steps in the flowchart in chronological order as described, they may be performed in parallel or in a different order depending on the processing power of the device performing each step or as needed. Other changes are possible without departing from the spirit of the present disclosure.
- the analysis device 20 may be configured as a part of the second terminal device 30B.
- control unit 21 calculates the worsening tendency of the disease by determining the worsening tendency of the disease in the period P1, but the present disclosure is not limited to this embodiment, and the control unit 21 For each group of patients having a common attribute indicated by the attribute data D1, the tendency of disease worsening at the current point in time may be calculated based on the time series data D2.
- the control unit 21 may calculate the worsening tendency of the disease, for example, by utilizing basic statistics obtained by analyzing the time series data D2.
- analysis system 20 analysis device 21 control section 22 storage section 23 communication section 24 input section 25 output section 30, 30A, 30B terminal device 31, 32 screen 33 analysis result 331, 332 graph M1, M2 message 35 judgment result 351, 352, 353 Pie chart 40 Network 50 Server
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Economics (AREA)
- Child & Adolescent Psychology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
解析装置は、ある疾患を有する複数の患者の、各患者の属性を示す属性データと複数の時点における各患者についての記録を患者記録として含む時系列データとを取得し、前記属性データで示される属性が共通する患者のグループごとに、前記時系列データに基づいて、前記疾患の増悪傾向を算出し、得られた算出結果を出力する制御部を備える。
Description
本開示は、解析装置、解析システム、及び解析方法に関する。
特許文献１には、心不全の増悪予測を支援する支援システムであって、患者の時系列データを用いて時系列で算出された総合評価値を用いて、総合評価値の推移を予測する支援システムが記載されている。
従来の技術では、患者の時系列データを用いて当該患者の心不全の増悪を予測するため、例えば、時系列データが十分に取得されていない患者については、心不全の増悪を予測することが難しい。
本開示の目的は、心不全などの疾患の増悪の予測に広く資する情報を提供することである。
本開示の一態様としての解析装置は、ある疾患を有する複数の患者の、各患者の属性を示す属性データと複数の時点における各患者についての記録を患者記録として含む時系列データとを取得し、前記属性データで示される属性が共通する患者のグループごとに、前記時系列データに基づいて、前記疾患の増悪傾向を算出し、得られた算出結果を出力する制御部を備える。
一実施形態として、前記属性データは、前記属性として、居住地域を示す。
一実施形態として、前記属性データは、前記属性として、年齢層を示す。
一実施形態として、前記時系列データは、前記複数の時点における前記複数の患者の環境についての記録を環境記録として更に含み、前記制御部は、前記環境についての予測と前記環境記録とを比較し、得られた比較結果に応じて、前記患者記録の中から、１つ以上の時点における各患者についての記録を選択し、前記属性データで示される属性が共通する患者のグループごとに、選択された記録に基づいて、前記疾患の増悪傾向を算出する。
一実施形態として、前記時系列データは、前記環境記録として、気象の記録を含み、
前記制御部は、前記環境についての予測として、気象予報を参照する。
前記制御部は、前記環境についての予測として、気象予報を参照する。
一実施形態として、前記制御部は、前記患者記録を参照して、前記複数の時点における各患者の前記疾患の増悪有無を推定し、得られた推定結果と前記属性データとのデータセットに対して統計解析処理を実行し、前記統計解析処理を実行した結果を参照して、前記疾患の増悪傾向を算出する。
一実施形態として、前記制御部は、前記統計解析処理として、単位期間ごとに到来する時点と前記属性データで示される属性とを説明変数とし、前記疾患の増悪有無を目的変数とする回帰分析を行う。
一実施形態として、前記制御部は、前記属性データと前記時系列データとを入力とし、前記疾患の増悪傾向を示すデータを出力とする学習済みモデルを用いて、前記疾患の増悪傾向を算出する。
一実施形態として、前記制御部は、前記疾患の増悪傾向の強さを示す増悪指数を算出し、前記算出結果として、算出された増悪指数を示すデータを出力する。
一実施形態として、前記制御部は、前記疾患の増悪傾向を記述するテキストを作成し、前記算出結果として、作成されたテキストを示すデータを出力する。
一実施形態として、前記制御部は、前記属性データで示される属性が共通する患者のグループごとに、前記時系列データに基づいて、前記複数の時点よりも後の期間における前記疾患の増悪数を予測することで、前記疾患の増悪傾向を算出し、前記算出結果として、前記属性データで示される属性が共通する患者のグループ間での、予測された増悪数の比率を示すデータを出力する。
一実施形態として、前記制御部は、前記属性データで示される属性が共通する患者のグループごとに、前記時系列データに基づいて、前記複数の時点よりも後の期間における前記疾患の増悪傾向を算出し、前記期間は、複数の日を含み、前記制御部は、前記算出結果として、各日における前記疾患の増悪傾向をカレンダー上の対応する日付欄に表示するデータを出力する。
一実施形態として、前記制御部は、前記算出結果として、前記属性データで示される属性が共通する患者のグループごとの前記疾患の増悪傾向を地図上の対応する地域に表示するデータを出力する。
本開示の一態様としての解析システムは、上述の解析装置と、前記解析装置から出力された算出結果を受信し、受信された算出結果をユーザに向けて提示する複数の端末装置とを備える。
本開示の一態様としての解析システムは、上述の解析装置と、前記解析装置から出力された算出結果を受信し、受信された算出結果を利用したサービスを提供するサーバとを備える。
本開示の一態様としての解析方法は、制御部により、ある疾患を有する複数の患者の、各患者の属性を示す属性データと複数の時点における各患者についての記録を患者記録として含む時系列データとを取得することと、前記制御部により、前記属性データで示される属性が共通する患者のグループごとに、前記時系列データに基づいて、前記疾患の増悪傾向を算出することと、前記制御部により、得られた算出結果を出力することとを含む。
本開示によれば、心不全などの疾患の増悪の予測に広く資する情報を提供することができる。
以下、本開示の実施形態について、図を参照して説明する。
各図中、同一又は相当する部分には、同一符号を付している。本実施形態の説明において、同一又は相当する部分については、説明を適宜省略又は簡略化する。
図１を参照して、本実施形態に係る解析システム１０の構成を説明する。
解析システム１０は、解析装置２０と、複数の端末装置３０と、サーバ５０とを備える。複数の端末装置３０は、複数の第１端末装置３０Ａと、少なくとも１台の第２端末装置３０Ｂとを含む。解析装置２０は、ネットワーク４０を介して複数の端末装置３０及びサーバ５０と通信を行う。複数の端末装置３０は、それぞれ、ネットワーク４０を介してサーバ５０と通信を行ってもよい。第１端末装置３０Ａは、それぞれ、ネットワーク４０を介して第２端末装置３０Ｂと通信を行ってもよい。
解析装置２０は、データセンタなどの施設に設置される。解析装置２０は、例えば、クラウドコンピューティングシステムに属するサーバコンピュータである。解析装置２０は、クリニック又は病院などの医療施設に設置されてもよい。解析装置２０は、例えば、オンプレミスのコンピューティングシステムに属するサーバコンピュータであってもよい。
第１端末装置３０Ａは、患者によって保持される。あるいは、第１端末装置３０Ａは、患者の自宅に設置されてもよい。第１端末装置３０Ａは、患者の代わりに、患者の家族又は介護者によって使用されてもよい。第１端末装置３０Ａは、例えば、携帯電話機、スマートフォン、タブレット、若しくはＰＣなどの汎用端末、又はガジェットなどの専用端末である。「ＰＣ」は、personal computerの略語である。
第２端末装置３０Ｂは、クリニック又は病院などの医療施設に設置される。あるいは、第２端末装置３０Ｂは、医師によって保持されてもよい。第２端末装置３０Ｂは、医師の代わりに、看護師など、他の医療従事者によって使用されてもよい。第２端末装置３０Ｂは、例えば、携帯電話機、スマートフォン、タブレット、若しくはＰＣなどの汎用端末、又はガジェットなどの専用端末である。
サーバ５０は、データセンタなどの施設に設置される。サーバ５０は、例えば、クラウドコンピューティングシステムに属するサーバコンピュータである。サーバ５０は、クリニック又は病院などの医療施設に設置されてもよい。サーバ５０は、例えば、オンプレミスのコンピューティングシステムに属するサーバコンピュータであってもよい。
ネットワーク４０は、インターネット、少なくとも１つのＷＡＮ、少なくとも１つのＭＡＮ、又はこれらの任意の組合せを含む。「ＷＡＮ」は、wide area networkの略語である。「ＭＡＮ」は、metropolitan area networkの略語である。ネットワーク４０は、少なくとも１つの無線ネットワーク、少なくとも１つの光ネットワーク、又はこれらの任意の組合せを含んでもよい。無線ネットワークは、例えば、アドホックネットワーク、セルラーネットワーク、無線ＬＡＮ、衛星通信ネットワーク、又は地上マイクロ波ネットワークである。「ＬＡＮ」は、local area networkの略語である。
本実施形態の概要を説明する。
心不全などの疾患の増悪には患者の食生活などの生活習慣が深く関係しており、患者の年齢、性別、又は居住地域といった患者の属性によってある程度傾向が分かれると考えられる。患者の属性以外に、気象などの環境によっても、疾患の増悪の傾向が分かれる場合がある。
心不全などの疾患を有する患者の状態を確認するため、例えば、端末などにインストールしたアプリケーション又は生体センサなどの医療機器を用いて在宅時の患者の情報を取得及び記録することが考えられる。複数の患者について記録された情報を解析すれば、疾患の増悪の傾向を患者の属性、又は属性と環境との組合せごとに算出することができる。
そこで、本実施形態に係る解析システム１０では、第１端末装置３０Ａは、属性データＤ１及び時系列データＤ２の入力を受け付ける。属性データＤ１は、患者の属性を示すデータである。時系列データＤ２は、複数の時点における患者についての記録を患者記録として含むデータである。第１端末装置３０Ａは、入力された属性データＤ１及び時系列データＤ２を解析装置２０に送信する。解析装置２０は、複数の第１端末装置３０Ａから送信された属性データＤ１と時系列データＤ２とを取得する。解析装置２０は、属性データＤ１で示される属性が共通する患者のグループごとに、時系列データＤ２に基づいて、疾患の増悪傾向を算出する。本実施形態では、解析装置２０は、複数の時点よりも後の期間Ｐ１における疾患の増悪傾向を判定することにより、疾患の増悪傾向を算出する。解析装置２０は、得られた算出結果を判定結果３５として出力する。
本実施形態によれば、心不全などの疾患の増悪の予測に広く資する情報を提供することができる。すなわち、本実施形態では、疾患の増悪傾向が患者の属性ごとに算出されるため、得られた算出結果を提供することで、例えば、時系列データＤ２が十分に取得されていない患者についても、当該患者の属性を考慮した疾患の増悪の予測が可能となる。
以下では、「疾患」は心不全として説明する。しかしながら、「疾患」は心不全に限定されず、脳卒中、糖尿病、喘息、慢性閉塞性肺疾患、又はアレルギー性疾患などの任意の疾患であってよい。
属性データＤ１には、疾患情報、地域情報、身体情報、又はこれらの任意の組合せが含まれる。疾患情報は、疾患の分類、又は併存疾患を示す情報である。併存疾患には、脳卒中、糖尿病、脂質異常症、喘息、高血圧症、慢性閉塞性肺疾患、腎障害、又はこれらの任意の組合せが含まれる。地域情報は、患者の居住地域を示す情報であり、例えば、住所、又は患者が居住する市区町村などの地域の名称を示す情報である。身体情報は、運動耐容能、又は認知機能を示す情報である。運動耐容能とは、どれくらいまでの運動に耐えられるかの限界能力のことである。運動耐容能には、運動を続ける力である持久力及び体内に酸素を取り込む力である有酸素能力などが含まれる。属性データＤ１は、「属性」として、例えば、疾患としての心不全の分類、併存疾患の有無、居住地域、年齢層、性別、家族構成、又はこれらの任意の組合せを示す。心不全の種類としては、例えば、ＨＦｒＥＦ、ＨＦｐＥＦ、及びＨＦｍｒＥＦなどがある。「ＨＦｒＥＦ」は、heart failure with reduced ejection fractionの略語である。「ＨＦｐＥＦ」は、heart failure with preserved ejection fractionの略語である。「ＨＦｍｒＥＦ」は、heart failure with mid-range ejection fractionの略語である。
時系列データＤ２に含まれる「患者記録」は、例えば、複数の時点における心不全の増悪の有無、動悸の有無、息切れの有無、浮腫の有無、若しくは起坐呼吸の有無などの症状若しくは兆候の記録、体重、脈拍数、血圧、血流量、体水分量、若しくは中心静脈圧などのバイタルデータの記録、若しくは来院若しくは救急搬送の記録、又はこれらの任意の組合せを含む。「起坐呼吸」とは、呼吸困難が臥位で増強し、起坐位または半坐位で軽減する臨床的兆候を指す。「患者記録」に心不全の増悪の記録が含まれる場合、増悪の原因の記録が含まれてもよい。増悪の原因には、塩分過多、水分過多、服薬忘れ、過活動、過労、感染症、又はこれらの任意の組合せが含まれる。本実施形態において、時系列データＤ２は、「環境記録」を更に含んでもよい。「環境記録」は、複数の時点における複数の患者の環境についての記録である。「環境記録」には気象の記録が含まれる。「複数の時点」は、本実施形態では過去の複数の日であるが、同日の異なる時刻を含み得る過去の複数の日時でもよい。
「期間Ｐ１」は、「複数の時点」よりも後の期間であれば任意の期間であってよいが、本実施形態では、未来の一定の期間である。「期間Ｐ１」の単位は、例えば、日、週、月、又は年である。
図２を参照して、本実施形態に係る解析装置２０の構成について説明する。
本実施形態に係る解析装置２０は、制御部２１と、記憶部２２と、通信部２３と、入力部２４と、出力部２５とを備える。
制御部２１は、少なくとも１つのプロセッサ、少なくとも１つのプログラマブル回路、少なくとも１つの専用回路、又はこれらの任意の組合せを含む。プロセッサは、ＣＰＵ若しくはＧＰＵなどの汎用プロセッサ、又は特定の処理に特化した専用プロセッサである。「ＣＰＵ」は、central processing unitの略語である。「ＧＰＵ」は、graphics processing unitの略語である。プログラマブル回路は、例えば、ＦＰＧＡである。「ＦＰＧＡ」は、field-programmable gate arrayの略語である。専用回路は、例えば、ＡＳＩＣである。「ＡＳＩＣ」は、application specific integrated circuitの略語である。制御部２１は、解析装置２０の各部を制御しながら、解析装置２０の動作に関わる処理を実行する。
記憶部２２は、少なくとも１つの半導体メモリ、少なくとも１つの磁気メモリ、少なくとも１つの光メモリ、又はこれらの任意の組合せを含む。半導体メモリは、例えば、ＲＡＭ、ＲＯＭ、又はフラッシュメモリである。「ＲＡＭ」は、random access memoryの略語である。「ＲＯＭ」は、read only memoryの略語である。ＲＡＭは、例えば、ＳＲＡＭ又はＤＲＡＭである。「ＳＲＡＭ」は、static random access memoryの略語である。「ＤＲＡＭ」は、dynamic random access memoryの略語である。ＲＯＭは、例えば、ＥＥＰＲＯＭである。「ＥＥＰＲＯＭ」は、electrically erasable programmable read only memoryの略語である。フラッシュメモリは、例えば、ＳＳＤである。「ＳＳＤ」は、solid-state driveの略語である。磁気メモリは、例えば、ＨＤＤである。「ＨＤＤ」は、hard disk driveの略語である。記憶部２２は、例えば、主記憶装置、補助記憶装置、又はキャッシュメモリとして機能する。記憶部２２には、解析装置２０の動作に用いられるデータと、解析装置２０の動作によって得られたデータとが記憶される。
通信部２３は、少なくとも１つの通信用インタフェースを含む。通信用インタフェースは、例えば、ＬＴＥ、４Ｇ規格、若しくは５Ｇ規格などの移動通信規格に対応したインタフェース、Bluetooth（登録商標）などの近距離無線通信に対応したインタフェース、ＩＥＥＥ８０２．１１などの無線ＬＡＮ通信規格に対応したインタフェース、又はEthernet（登録商標）などの有線ＬＡＮ通信規格に対応したインタフェースである。「ＬＴＥ」は、Long Term Evolutionの略語である。「４Ｇ」は、4th generationの略語である。「５Ｇ」は、5th generationの略語である。「ＩＥＥＥ」は、Institute of Electrical and Electronics Engineersの略称である。通信部２３は、端末装置３０と通信を行う。通信部２３は、解析装置２０の動作に用いられるデータを受信し、また解析装置２０の動作によって得られるデータを送信する。
入力部２４は、少なくとも１つの入力用インタフェースを含む。入力用インタフェースは、例えば、物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーン、又はマイクロフォンである。入力部２４は、解析装置２０の動作に用いられるデータを入力する操作を受け付ける。入力部２４は、解析装置２０に備えられる代わりに、外部の入力機器として解析装置２０に接続されてもよい。接続用インタフェースとしては、ＵＳＢ、ＨＤＭＩ（登録商標）、又はBluetooth（登録商標）などの規格に対応したインタフェースを用いることができる。「ＵＳＢ」は、Universal Serial Busの略語である。「ＨＤＭＩ（登録商標）」は、High-Definition Multimedia Interfaceの略語である。
出力部２５は、少なくとも１つの出力用インタフェースを含む。出力用インタフェースは、例えば、ディスプレイ又はスピーカである。ディスプレイは、例えば、ＬＣＤ又は有機ＥＬディスプレイである。「ＬＣＤ」は、liquid crystal displayの略語である。「ＥＬ」は、electroluminescenceの略語である。出力部２５は、解析装置２０の動作によって得られるデータを出力する。出力部２５は、解析装置２０に備えられる代わりに、外部の出力機器として解析装置２０に接続されてもよい。接続用インタフェースとしては、ＵＳＢ、ＨＤＭＩ（登録商標）、又はBluetooth（登録商標）などの規格に対応したインタフェースを用いることができる。
解析装置２０の機能は、本実施形態に係るプログラムを、制御部２１としてのプロセッサで実行することにより実現される。すなわち、解析装置２０の機能は、ソフトウェアにより実現される。プログラムは、解析装置２０の動作をコンピュータに実行させることで、コンピュータを解析装置２０として機能させる。すなわち、コンピュータは、プログラムに従って解析装置２０の動作を実行することにより解析装置２０として機能する。
プログラムは、非一時的なコンピュータ読取り可能な媒体に記憶しておくことができる。非一時的なコンピュータ読取り可能な媒体は、例えば、フラッシュメモリ、磁気記録装置、光ディスク、光磁気記録媒体、又はＲＯＭである。プログラムの流通は、例えば、プログラムを記憶したＳＤカード、ＤＶＤ、又はＣＤ－ＲＯＭなどの可搬型媒体を販売、譲渡、又は貸与することによって行う。「ＳＤ」は、Secure Digitalの略語である。「ＤＶＤ」は、digital versatile discの略語である。「ＣＤ－ＲＯＭ」は、compact disc read only memoryの略語である。プログラムをサーバのストレージに格納しておき、サーバから他のコンピュータにプログラムを転送することにより、プログラムを流通させてもよい。プログラムをプログラムプロダクトとして提供してもよい。
コンピュータは、例えば、可搬型媒体に記憶されたプログラム又はサーバから転送されたプログラムを、一旦、主記憶装置に格納する。そして、コンピュータは、主記憶装置に格納されたプログラムをプロセッサで読み取り、読み取ったプログラムに従った処理をプロセッサで実行する。コンピュータは、可搬型媒体から直接プログラムを読み取り、プログラムに従った処理を実行してもよい。コンピュータは、コンピュータにサーバからプログラムが転送される度に、逐次、受け取ったプログラムに従った処理を実行してもよい。サーバからコンピュータへのプログラムの転送は行わず、実行指示及び結果取得のみによって機能を実現する、いわゆるＡＳＰ型のサービスによって処理を実行してもよい。「ＡＳＰ」は、application service providerの略語である。プログラムには、電子計算機による処理の用に供する情報であってプログラムに準ずるものが含まれる。例えば、コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータは、「プログラムに準ずるもの」に該当する。
解析装置２０の一部又は全ての機能が、制御部２１としてのプログラマブル回路又は専用回路により実現されてもよい。すなわち、解析装置２０の一部又は全ての機能が、ハードウェアにより実現されてもよい。
図３を参照して、本実施形態に係る解析装置２０の動作を説明する。この動作は、本実施形態に係る解析方法に相当する。
ステップＳ１において、制御部２１は、属性データＤ１を取得する。属性データＤ１は任意の手順で取得されてよいが、本実施形態では次の手順で取得される。すなわち、患者又は患者の家族若しくは介護者により属性データＤ１が第１端末装置３０Ａに入力される。あるいは、属性データＤ１は、例えば、患者のかかりつけの医師などにより第２端末装置３０Ｂに入力されてもよい。属性データＤ１は、他のシステムから第１端末装置３０Ａ又は第２端末装置３０Ｂに入力されてもよい。制御部２１は、第１端末装置３０Ａ又は第２端末装置３０Ｂと通信部２３を介して通信を行い、第１端末装置３０Ａ又は第２端末装置３０Ｂに入力された属性データＤ１を取得する。あるいは、属性データＤ１を予め他のシステムに格納しておき、制御部２１は、通信部２３を介して当該他のシステムと通信することにより、属性データＤ１を取得してもよい。
ステップＳ２において、制御部２１は、時系列データＤ２を取得する。時系列データＤ２は任意の手順で取得されてよいが、本実施形態では次の手順で取得される。すなわち、患者又は患者の家族若しくは介護者により時系列データＤ２が第１端末装置３０Ａに入力される。あるいは、時系列データＤ２は、例えば患者のかかりつけの医師などにより第２端末装置３０Ｂに入力されてもよい。時系列データＤ２は、他のシステムから第１端末装置３０Ａ又は第２端末装置３０Ｂに入力されてもよい。制御部２１は、第１端末装置３０Ａ又は第２端末装置３０Ｂと通信部２３を介して通信を行い、第１端末装置３０Ａ又は第２端末装置３０Ｂに入力された時系列データＤ２を取得する。あるいは、時系列データＤ２を予め他のシステムに格納しておき、制御部２１は、通信部２３を介して当該他のシステムと通信することにより、時系列データＤ２を取得してもよい。
図４に、制御部２１により取得された属性データＤ１及び時系列データＤ２の一部の例を示す。図４において、α地域の患者データとして、患者Ａ、患者Ｂ、及び患者Ｃのそれぞれについて取得されたデータを示し、β地域の患者データとして、患者Ｄ、患者Ｅ、及び患者Ｆのそれぞれについて取得されたデータを示す。図４の例では、患者Ａから患者Ｆについて取得された属性データＤ１で属性として示される居住地域により、患者Ａから患者Ｃがα地域の患者として分類され、患者Ｄから患者Ｆがβ地域の患者として分類されているものとする。患者Ａから患者Ｆについて取得された属性データＤ１は、属性として、年齢、性別、及び疾患の種類も示す。患者Ａから患者Ｆのそれぞれについて取得された属性データＤ１から、患者Ａが７５歳女性のＨＦｒＥＦ患者であること、患者Ｂが７０歳女性のＨＦｒＥＦ患者であること、患者Ｃが７０歳女性のＨＦｐＥＦ患者であること、患者Ｄが７５歳男性のＨＦｒＥＦ患者であること、患者Ｅが６５歳男性のＨＦｒＥＦ患者であること、及び患者Ｆが６０歳女性のＨＦｐＥＦ患者であることがわかる。患者Ａから患者Ｆのそれぞれについて取得された時系列データＤ２は、疾患の増悪の有無及び原因を示す。患者Ａから患者Ｆのそれぞれについて取得された時系列データＤ２から、患者Ａ及び患者Ｂは、いずれも、過労が原因で疾患が増悪したこと、患者Ｃ、患者Ｅ、及び患者Ｆは、疾患が増悪していないこと、並びに患者Ｄは、感染症が原因で疾患が増悪したことがわかる。なお、本実施形態において、時系列データＤ２は、複数の時点における各患者についての記録を含むが、図４では、時系列データＤ２に含まれる記録の一例として、複数の時点のある時点においての記録のみを示している。
ステップＳ３において、制御部２１は、ステップＳ１で取得した属性データＤ１で示される属性が共通する患者のグループごとに、ステップＳ２で取得した時系列データＤ２に基づいて、期間Ｐ１における疾患の増悪傾向を判定する。本実施形態では、制御部２１は、属性データＤ１で示される属性のうち居住地域が共通する患者のグループごとに疾患の増悪傾向を判定する。図４の例では、制御部２１は、α地域の患者Ａから患者Ｃを含むグループＧ１、及びβ地域の患者Ｄから患者Ｆを含むグループＧ２のそれぞれについて疾患の増悪傾向を判定する。
ステップＳ３の処理は、具体的には以下の３つの手順で実行される。
第１手順として、制御部２１は、ステップＳ２で取得された時系列データＤ２に含まれる患者記録を参照して、複数の時点における各患者の疾患の増悪有無を推定する。例えば、患者記録が２０１９年から２０２１年までの過去３年間における患者Ａから患者Ｆの心不全の増悪の有無、心不全の増悪の兆候の有無、又は心不全の増悪に起因する来院若しくは救急搬送の記録を含む場合、制御部２１は、これらの記録を参照して、２０２１年２月１日に患者Ａに心不全の増悪があったかどうかなど、過去３年間のどの日にどの患者に心不全の増悪があったかを推定する。
第２手順として、制御部２１は、第１手順で得られた推定結果とステップＳ１で取得した属性データＤ１とのデータセットに対して統計解析処理を実行する。より具体的には、制御部２１は、統計解析処理として、単位期間ごとに到来する時点と属性データＤ１で示される属性とを説明変数とし、疾患の増悪有無を目的変数とする回帰分析を行う。一例として、回帰分析には、ロジスティック回帰モデルを用いることができる。制御部２１は、属性データＤ１で示される属性が共通する患者のグループごとに、各時点について求めた回帰係数を用いて、各時点における増悪有無の確率を算出する。本実施形態では、毎年到来する日付と居住地域とが説明変数として用いられる。よって、制御部２１は、居住地域が共通する患者のグループごとに、各日付について求めた回帰係数を用いて、各日付における増悪有無の確率を算出する。例えば、図５に示すようなグラフ３３１、３３２が、回帰分析の結果である解析結果３３として得られる。グラフ３３１は、日付によって、α地域に居住する患者に心不全の増悪が生じる割合がどのように変化するかを示す。グラフ３３２は、日付によって、β地域に居住する患者に心不全の増悪が生じる割合がどのように変化するかを示す。各グラフにおいて、縦軸に増悪割合、横軸に日付を示し、回帰係数を用いて算出された増悪有無の確率が日ごとにプロットされている。
第３手順として、制御部２１は、第２手順で統計解析処理を実行した結果を参照して、期間Ｐ１における疾患の増悪傾向を判定する。より具体的には、制御部２１は、第２手順で算出した、期間Ｐ１に対応する時点における増悪有無の確率を、期間Ｐ１の増悪指数として利用する。増悪指数は、疾患の増悪傾向の強さを示す指標である。本実施形態では、期間Ｐ１は、複数の日を含む。よって、制御部２１は、第２手順で算出した、期間Ｐ１に含まれる複数の日と同じ日付における増悪有無の確率を、期間Ｐ１に含まれる複数の日の増悪指数として利用する。例えば、期間Ｐ１に２０２２年２月１日が含まれ、第２手順で得られた解析結果３３に含まれる、２月１日に、α地域に居住する患者に心不全の増悪が生じる割合が３５％であるとすると、制御部２１は、２０２２年２月１日のグループＧ１の増悪指数を３５と判定する。期間Ｐ１に２０２２年２月２日が含まれ、第２手順で得られた解析結果３３に含まれる、２月２日に、α地域に居住する患者に心不全の増悪が生じる割合が３２％であるとすると、制御部２１は、２０２２年２月２日のグループＧ１の増悪指数を３２と判定する。
ステップＳ４において、制御部２１は、ステップＳ３で得られた判定結果３５を出力する。具体的には、制御部２１は、ステップＳ３の第３手順で得られた増悪指数を示すデータを、判定結果３５として出力する。より具体的には、制御部２１は、期間Ｐ１について得られた増悪指数を示すデータを、通信部２３を介して第１端末装置３０Ａに送信する。第１端末装置３０Ａは、増悪指数を示すデータを受信し、ディスプレイ上に表示させることにより、受信されたデータをユーザに向けて提示する。このようにして、判定結果３５が出力される。具体的には、第１端末装置３０Ａは、図６に示すような画面３１をディスプレイに表示する。図６の画面３１には、判定結果３５として、２月１日から２月７日までの各日の増悪指数が表示される。図６の例では、２月１日の増悪指数が３５であり、２月２日の増悪指数が３２であり、２月３日の増悪指数が２５であり、２月４日から２月７日の増悪指数がいずれも１０である。本実施形態の一変形例として、制御部２１は、判定結果３５として、増悪指数を予め決められた基準で評価した結果を、判定結果３５として出力してもよい。本変形例では、制御部２１は、増悪指数が３０以上の場合に「要注意」、２１以上３０未満の場合に「注意」、２１未満の場合に「通常」と評価する。図６の例において、日付ごとの増悪指数を評価した結果がテキストで表示されている。図６の例では、２月１日及び２月２日の増悪指数の評価結果がいずれも「要注意」であり、２月３日の増悪指数の評価結果が「注意」であり、２月４日から２月７日の増悪指数の評価結果が「通常」として表示されている。判定結果３５としての増悪指数は、数値及び評価結果のいずれか一方が表示されてもよい。画面３１には、更に、患者などのユーザ向けのメッセージＭ１が表示されてもよい。メッセージＭ１については後述する。
本実施形態の一変形例として、制御部２１は、判定結果３５として、期間Ｐ１に含まれる複数の日の各日における疾患の増悪傾向をカレンダー上の対応する日付欄に表示するデータＤ３を出力してもよい。具体的には、制御部２１は、データＤ３を、通信部２３を介して第２端末装置３０Ｂに送信する。制御部２１は、データＤ３を第１端末装置３０Ａに送信してもよい。第２端末装置３０Ｂ又は第１端末装置３０Ａは、データＤ３を受信し、ディスプレイ上に表示させることにより、受信されたデータＤ３をユーザに向けて提示する。このようにして、判定結果３５が出力される。図７に、第２端末装置３０Ｂによりディスプレイに表示される画面３２の例を示す。図７の画面３２には、判定結果３５として、３月１日から３月３１日までの各日の増悪指数が表示される。本変形例においても、制御部２１は、増悪指数が３０以上の場合に「要注意」、２１以上３０未満の場合に「注意」、２１未満の場合に「通常」と評価するものとする。図７の例では、網掛けをした９日から１１日及び１８日の増悪指数が２１以上３０未満であるため、「注意」と評価され、１２日から１７日の増悪指数が３０以上であるため「要注意」と評価されることになる。判定結果３５を第２端末装置３０Ｂに出力することで、医師は、例えば、外来予約を受け付ける際に判定結果３５を参考にすることができる。具体的には、増悪指数が高い日には増悪患者の来院が増えると予想されるので、医師は、外来予約の数を制限するなどして混雑を緩和することができる。また、判定結果３５を見た医師は、判定結果３５に応じて、自身の患者に対して直接注意を喚起することもできる。画面３１には、更に、医師などのユーザ向けのメッセージＭ２が表示されてもよい。メッセージＭ２については後述する。
本実施形態の一変形例として、属性データＤ１で示される属性が居住地域である場合に、制御部２１は、判定結果３５として、居住地域が共通する患者のグループごとの疾患の増悪傾向を地図上の対応する地域に表示するデータＤ４を出力してもよい。具体的には、制御部２１は、属性データＤ１で示される属性のうち居住地域が共通する患者のグループごとに疾患の増悪傾向を判定した結果を、地図上の当該居住地域に表示するデータを出力する。図４の例では、制御部２１は、データＤ４として、α地域の患者Ａから患者Ｃを含むグループＧ１について得られた判定結果３５を地図上のα地域に表示するデータＤ４α、β地域の患者Ｄから患者Ｆを含むグループＧ２について得られた判定結果３５を地図上のβ地域に表示するデータＤ４β、又はデータＤ４α及びデータＤ４βの組合せを出力する。制御部２１は、データＤ４αを、通信部２３を介して、α地域の患者の第１端末装置３０Ａに送信し、データＤ４βをβ地域の患者の第１端末装置３０Ａに送信してもよい。あるいは、制御部２１は、データＤ４を第２端末装置３０Ｂに送信してもよい。第１端末装置３０Ａ又は第２端末装置３０Ｂは、データＤ４を受信し、ディスプレイ上に画面３１’として表示させることにより、受信されたデータＤ４をユーザに向けて提示する。画面３１’には、更に、患者などのユーザ向けのメッセージＭ１’が表示されてもよい。メッセージＭ１’については後述する。
本実施形態の一変形例として、制御部２１は、期間Ｐ１における疾患の増悪数を予測することで、疾患の増悪傾向を判定し、判定結果３５として、属性データＤ１で示される属性が共通する患者のグループ間での、予測された増悪数の比率を示すデータＤ５を出力してもよい。具体的には、制御部２１は、ステップＳ３の第２手順において、増悪有無の確率を算出する代わりに、増悪した患者数を算出してもよい。本変形例では、制御部２１は、毎年到来する日付と性別とを説明変数とし、疾患の増悪数を目的変数とする回帰分析を行う。制御部２１は、性別が共通する患者のグループごとに、各日付について求めた回帰係数を用いて、各日付における増悪数を算出する。制御部２１は、ステップＳ３の第３手順における疾患の増悪傾向の判定において、第２手順で算出した増悪数に基づいて算出される属性ごとの増悪数の比率を予測する。本変形例では、例えば、図８に示すような円グラフ３５１を示すデータが、判定結果３５として得られる。円グラフ３５１において、男女別の増悪数の比率が示される。制御部Ｓ４は、ステップＳ４において、判定結果３５として、円グラフ３５１を示すデータをデータＤ５として出力する。本変形例の更なる変形例として、回帰分析において、性別の代わりに、年齢層又は心不全の種類を説明変数としてもよい。年齢層を説明変数とした場合、例えば、図８に示すような円グラフ３５２を示すデータが、疾患の増悪傾向の判定結果３５として得られる。円グラフ３５２において、年齢層別の増悪数の比率が示される。制御部Ｓ４は、ステップＳ４において、判定結果３５として、円グラフ３５２を示すデータをデータＤ５として出力する。心不全の種類を説明変数とした場合、例えば、図８に示すような円グラフ３５３が、疾患の増悪傾向の判定結果３５として得られる。円グラフ３５３において、ＨＦｒＥＦ患者の増悪数とＨＦｐＥＦ患者の増悪数の比率が示される。制御部Ｓ４は、ステップＳ４において、判定結果３５として、円グラフ３５３を示すデータをデータＤ５として出力する。本変形例によれば、患者の属性ごとに表示させる判定結果３５を切り替えることができる。
本実施形態の一変形例として、ステップＳ３の処理は、具体的には以下の手順で実行されてもよい。
制御部２１は、属性データＤ１と時系列データＤ２とを入力とし、期間Ｐ１における疾患の増悪傾向を示すデータを出力とする学習済みモデルを用いて、期間Ｐ１における疾患の増悪傾向を判定する。学習済みモデルから出力されるデータは、期間Ｐ１における疾患の増悪傾向を示す任意のデータでよいが、この変形例では、期間Ｐ１に含まれる複数の日の増悪指数を示すデータである。学習済みモデルは、任意の方法で構築されてよいが、この変形例では、機械学習により構築される。機械学習の手法としては、ＳＶＭ、ランダムフォレスト、勾配ブースティング、又ＤＮＮなどの任意の手法を用いることができる。「ＳＶＭ」は、support-vector machineの略語である。「ＤＮＮ」は、Deep Neural Networkの略語である。
本実施形態の一変形例として、制御部２１は、ステップＳ４において、疾患の増悪傾向を記述するテキストを作成し、作成されたテキストを示すデータを更に出力してもよい。テキストは、疾患の増悪傾向を説明するための要約とすることができる。具体的には、制御部２１は、作成されたテキストをメッセージとして出力する。制御部２１は、図６に示すような判定結果３５を第１端末装置３０Ａに出力する際に、増悪指数が３５である２月１日及び増悪指数が３２である２月２日について、「２月１日及び２月２日は要注意日です。雪かきなどによる過労に注意しましょう。」というテキストを作成し、患者などのユーザ向けのメッセージＭ１として第１端末装置３０Ａに送信する。「雪かきなどによる過労に注意しましょう。」というテキストは、後述するように、例えば、気象ごとに疾患の増悪傾向が判定された結果を見た医師などのユーザにより、疾患の増悪の原因が雪かきによる過労であると推定されたような場合に作成され、患者などのユーザ向けのメッセージＭ１として第１端末装置３０Ａに送信される。例えば、第１端末装置３０Ａは、受信したメッセージＭ１を、図６に示すように、画面３１上に表示させる。あるいは、制御部２１は、図７に示すような判定結果３５を第２端末装置３０Ｂに送信する際に、「今月は３／９～３／１８にかけて増悪数が増えそうです。注意を呼びかけましょう。」というテキストを作成し、医師などのユーザ向けのメッセージＭ２として第２端末装置３０Ｂに送信してもよい。第２端末装置３０Ｂは、受信したメッセージＭ２を、図７に示すように、画面３２上に表示させる。あるいは、制御部２１は、判定結果３５として、属性データＤ１で示される属性が共通する患者のグループごとの疾患の増悪傾向を地図上の対応する地域に表示するデータＤ４である、データＤ４αをα地域の患者の第１端末装置３０Ａに出力する際、又はデータＤ４βをβ地域の第１端末装置３０Ａに出力する際に、「あなたの住む地域にて感染症に伴う心不全増悪が増えています。手洗い・うがい・換気などの感染症対策をしましょう。」というテキストを作成し、メッセージＭ１’として第１端末装置３０Ａに送信してもよい。本変形例によれば、疾患増悪の患者への注意喚起がより具体的なものとなり、患者に伝わりやすくなる。
本実施形態の一変形例として、制御部２１は、判定結果３５をサーバ５０に出力してもよい。サーバ５０は、解析装置２０から出力された判定結果３５を受信し、受信された判定結果３５を利用したサービスを提供する。判定結果３５を利用したサービスには、例えば、心不全患者向けのヘルスケアサービスが含まれる。
上述のように、本実施形態では、制御部２１は、ある疾患を有する複数の患者の、各患者の属性を示す属性データＤ１と複数の時点における各患者についての記録を患者記録として含む時系列データＤ２とを取得する。制御部２１は、属性データＤ１で示される属性が共通する患者のグループごとに、時系列データＤ２に基づいて、疾患の増悪傾向を算出する。制御部２１は、得られた算出結果を出力する。
本実施形態によれば、疾患の増悪傾向の判定が患者の属性ごとに行われるため、算出結果を提供することで、例えば、時系列データＤ２が十分に取得されていない患者についても、当該患者の属性を考慮した疾患の増悪の予測が可能となる。よって、心不全などの疾患の増悪の予測に広く資する情報を提供することができる。
本実施形態の一変形例として、時系列データＤ２に環境記録が含まれる場合、ステップＳ３において、制御部２１は、環境についての予測と環境記録とを比較する。本変形例では、制御部２１は、期間Ｐ１における環境についての予測と環境記録とを比較する。環境記録は、複数の時点における複数の患者の環境についての記録である。具体的には、時系列データＤ２は、環境記録として、気象の記録を含み、制御部２１は、期間Ｐ１における環境についての予報として、気象予報を参照する。気象の記録には、例えば、降水量、気温、湿度、気圧、風速又はこれらの任意の組合せについての記録が含まれる。例えば、気象の記録が過去１年間の各日における気象の記録を含む場合、制御部２１は、この記録を参照し、例えば２０２１年２月１日の気象がどのような気象であったかなど、過去１年間の各日の気象を判定する。例えば、制御部２１は、過去１年間の各日の気象の記録を、予め定められた基準に基づいて「晴れ」、「曇り」、「雨」、及び「雪」の４種類のいずれかに分類することにより、各日付の気象を判定する。制御部２１は、期間Ｐ１に含まれる複数の日のそれぞれについて気象予報で示される気象と判定されている気象が同じ日付を特定する。制御部２１は、特定された日付における患者記録を選択する。例えば、期間Ｐ１に含まれる複数の日が２０２２年２月１日～３日であり、２０２２年２月１日及び２０２２年２月２日のそれぞれについて気象予報で予報される気象が「雪」、及び２０２２年２月３日について気象予報で予報される気象が「晴れ」であるとする。制御部２１は、気象の記録を参照し、２０２１年２月１日の気象を「晴れ」と判定し、２０２１年２月２日の気象を「雨」と判定し、及び２０２１年２月３日の気象を「雪」と判定したとする。制御部２１は、期間Ｐ１に含まれる複数の日についてそれぞれ予報される気象と過去１年間の各日付について判定された気象とを比較する。そして、制御部２１は、期間Ｐ１に含まれる複数の日のうち、「雪」と予報された２０２２年２月１日及び２０２２年２月２日について、過去１年間の各日付のうち「雪」と判定された２０２１年２月３日を、同じ気象の日付として特定する。制御部２１は、患者記録の中から、２０２１年２月３日における各患者についての記録を選択する。制御部２１は、属性データＤ１で示される属性が共通する患者のグループごとに、選択された記録に基づいて、２０２２年２月１日及び２０２２年２月２日のそれぞれについて疾患の増悪傾向を判定する。同様に、制御部２１は、「晴れ」と予報された２０２２年２月３日について、同じく「晴れ」と判定された２０２１年２月１日を同じ気象の日付として特定する。制御部２１は、患者記録の中から、２０２１年２月１日における各患者についての記録を選択する。制御部２１は、属性データＤ１で示される属性が共通する患者のグループごとに、選択された記録に基づいて、２０２２年２月３日について疾患の増悪傾向を判定する。このように、時系列データＤ２が、複数の時点における複数の患者の環境についての記録を環境記録として更に含む場合、制御部２１は、期間Ｐ１における環境についての予測と環境記録とを比較し、得られた比較結果に応じて、患者記録の中から、１つ以上の時点における各患者についての記録を選択する。制御部２１は、属性データＤ１で示される属性が共通する患者のグループごとに、選択された記録に基づいて疾患の増悪傾向を判定する。本変形例によれば、気象の影響を考慮して疾患の増悪傾向の判定が行われる。よって、判定の精度が向上する。
本変形例の更なる変形例として、制御部２１は、気象ごとに疾患の増悪傾向を判定してもよい。具体的には、制御部２１は、過去１年間の各日における患者記録を、各日付について判定された気象ごとに分け、「晴れ」、「曇り」、「雨」、及び「雪」のそれぞれの気象に対する増悪数を算出することにより、気象ごとの疾患の増悪傾向を判定してもよい。すなわち、制御部２１は、増悪数が多い気象の順に疾患の増悪傾向が強いと判定してもよい。気象ごとに疾患の増悪傾向を判定し、判定された結果を判定結果３５として出力することで、例えば、「雪」に対する疾患の増悪傾向が最も強いと判定された場合、判定結果３５を見た医師などのユーザは、雪の日に疾患が増悪した原因として、例えば雪かきによる過労を推定することが可能となる。
本開示は上述の実施形態に限定されるものではない。例えば、ブロック図に記載の複数のブロックを統合してもよいし、又は１つのブロックを分割してもよい。フローチャートに記載の複数のステップを記述に従って時系列に実行する代わりに、各ステップを実行する装置の処理能力に応じて、又は必要に応じて、並列的に又は異なる順序で実行してもよい。その他、本開示の趣旨を逸脱しない範囲での変更が可能である。
本実施形態の一変形例として、解析装置２０は、第２端末装置３０Ｂの一部として構成してもよい。
本実施形態では、制御部２１は、期間Ｐ１における疾患の増悪傾向を判定することにより、疾患の増悪傾向を算出しているが、本開示はこの実施形態に限定されず、制御部２１は、属性データＤ１で示される属性が共通する患者のグループごとに、時系列データＤ２に基づいて、現在時点の疾患の増悪傾向を算出してもよい。制御部２１は、例えば、時系列データＤ２を解析して得られる基本統計量を活用することにより、疾患の増悪傾向を算出してもよい。
１０ 解析システム
２０ 解析装置
２１ 制御部
２２ 記憶部
２３ 通信部
２４ 入力部
２５ 出力部
３０、３０Ａ、３０Ｂ 端末装置
３１、３２ 画面
３３ 解析結果
３３１、３３２ グラフ
Ｍ１、Ｍ２ メッセージ
３５ 判定結果
３５１、３５２、３５３ 円グラフ
４０ ネットワーク
５０ サーバ
２０ 解析装置
２１ 制御部
２２ 記憶部
２３ 通信部
２４ 入力部
２５ 出力部
３０、３０Ａ、３０Ｂ 端末装置
３１、３２ 画面
３３ 解析結果
３３１、３３２ グラフ
Ｍ１、Ｍ２ メッセージ
３５ 判定結果
３５１、３５２、３５３ 円グラフ
４０ ネットワーク
５０ サーバ
Claims (16)
- ある疾患を有する複数の患者の、各患者の属性を示す属性データと複数の時点における各患者についての記録を患者記録として含む時系列データとを取得し、前記属性データで示される属性が共通する患者のグループごとに、前記時系列データに基づいて、前記疾患の増悪傾向を算出し、得られた算出結果を出力する制御部を備える解析装置。
- 前記属性データは、前記属性として、居住地域を示す、請求項１に記載の解析装置。
- 前記属性データは、前記属性として、年齢層を示す、請求項１に記載の解析装置。
- 前記時系列データは、前記複数の時点における前記複数の患者の環境についての記録を環境記録として更に含み、
前記制御部は、前記環境についての予測と前記環境記録とを比較し、得られた比較結果に応じて、前記患者記録の中から、１つ以上の時点における各患者についての記録を選択し、前記属性データで示される属性が共通する患者のグループごとに、選択された記録に基づいて、前記疾患の増悪傾向を算出する、請求項１から請求項３のいずれか１項に記載の解析装置。 - 前記時系列データは、前記環境記録として、気象の記録を含み、
前記制御部は、前記環境についての予測として、気象予報を参照する、請求項４に記載の解析装置。 - 前記制御部は、前記患者記録を参照して、前記複数の時点における各患者の前記疾患の増悪有無を推定し、得られた推定結果と前記属性データとのデータセットに対して統計解析処理を実行し、前記統計解析処理を実行した結果を参照して、前記疾患の増悪傾向を算出する、請求項１から請求項５のいずれか１項に記載の解析装置。
- 前記制御部は、前記統計解析処理として、単位期間ごとに到来する時点と前記属性データで示される属性とを説明変数とし、前記疾患の増悪有無を目的変数とする回帰分析を行う、請求項６に記載の解析装置。
- 前記制御部は、前記属性データと前記時系列データとを入力とし、前記疾患の増悪傾向を示すデータを出力とする学習済みモデルを用いて、前記疾患の増悪傾向を算出する、請求項１から請求項５のいずれか１項に記載の解析装置。
- 前記制御部は、前記疾患の増悪傾向の強さを示す増悪指数を算出し、前記算出結果として、算出された増悪指数を示すデータを出力する、請求項１から請求項８のいずれか１項に記載の解析装置。
- 前記制御部は、前記疾患の増悪傾向を記述するテキストを作成し、前記算出結果として、作成されたテキストを示すデータを出力する、請求項１から請求項８のいずれか１項に記載の解析装置。
- 前記制御部は、前記属性データで示される属性が共通する患者のグループごとに、前記時系列データに基づいて、前記複数の時点よりも後の期間における前記疾患の増悪数を予測することで、前記疾患の増悪傾向を算出し、前記算出結果として、前記属性データで示される属性が共通する患者のグループ間での、予測された増悪数の比率を示すデータを出力する、請求項１から請求項８のいずれか１項に記載の解析装置。
- 前記制御部は、前記属性データで示される属性が共通する患者のグループごとに、前記時系列データに基づいて、前記複数の時点よりも後の期間における前記疾患の増悪傾向を算出し、
前記期間は、複数の日を含み、
前記制御部は、前記算出結果として、各日における前記疾患の増悪傾向をカレンダー上の対応する日付欄に表示するデータを出力する、請求項１から請求項１０のいずれか１項に記載の解析装置。 - 前記制御部は、前記算出結果として、前記属性データで示される属性が共通する患者のグループごとの前記疾患の増悪傾向を地図上の対応する地域に表示するデータを出力する、請求項２に記載の解析装置。
- 請求項１から請求項１３のいずれか１項に記載の解析装置と、
前記解析装置から出力された算出結果を受信し、受信された算出結果をユーザに向けて提示する複数の端末装置と
を備える解析システム。 - 請求項１から請求項１３のいずれか１項に記載の解析装置と、
前記解析装置から出力された算出結果を受信し、受信された算出結果を利用したサービスを提供するサーバと
を備える解析システム。 - 制御部により、ある疾患を有する複数の患者の、各患者の属性を示す属性データと複数の時点における各患者についての記録を患者記録として含む時系列データとを取得することと、
前記制御部により、前記属性データで示される属性が共通する患者のグループごとに、前記時系列データに基づいて、前記疾患の増悪傾向を算出することと、
前記制御部により、得られた算出結果を出力することと
を含む解析方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022-046109 | 2022-03-22 | ||
| JP2022046109 | 2022-03-22 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023181822A1 true WO2023181822A1 (ja) | 2023-09-28 |
Family
ID=88100667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/JP2023/007694 WO2023181822A1 (ja) | 2022-03-22 | 2023-03-01 | 解析装置、解析システム、及び解析方法 |
Country Status (1)
| Country | Link |
|---|---|
| WO (1) | WO2023181822A1 (ja) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005063456A (ja) * | 2004-10-07 | 2005-03-10 | Mitsui Sumitomo Insurance Co Ltd | 疾患症状予測サーバ、疾患症状予測システム、疾患症状予測方法、及びプログラム |
| JP2013092930A (ja) * | 2011-10-26 | 2013-05-16 | Seiko Epson Corp | 搬送管理システム及び搬送管理方法 |
| JP2016064125A (ja) * | 2014-09-19 | 2016-04-28 | シナノケンシ株式会社 | 脳血管疾患の発症危険度予測システム |
| JP2018200567A (ja) * | 2017-05-26 | 2018-12-20 | 一般財団法人日本気象協会 | コンピュータプログラム、端末、方法およびサーバ |
| WO2021060544A1 (ja) * | 2019-09-25 | 2021-04-01 | 西村 勉 | 情報提供装置、情報提供方法及びプログラム |
| JP2021525417A (ja) * | 2018-05-21 | 2021-09-24 | リシプロカル・ラボズ・コーポレイション（ディービーエー・プロペラ・ヘルス） | 薬剤デバイス監視に基づくプリエンプティブな喘息リスク通知 |
-
2023
- 2023-03-01 WO PCT/JP2023/007694 patent/WO2023181822A1/ja active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005063456A (ja) * | 2004-10-07 | 2005-03-10 | Mitsui Sumitomo Insurance Co Ltd | 疾患症状予測サーバ、疾患症状予測システム、疾患症状予測方法、及びプログラム |
| JP2013092930A (ja) * | 2011-10-26 | 2013-05-16 | Seiko Epson Corp | 搬送管理システム及び搬送管理方法 |
| JP2016064125A (ja) * | 2014-09-19 | 2016-04-28 | シナノケンシ株式会社 | 脳血管疾患の発症危険度予測システム |
| JP2018200567A (ja) * | 2017-05-26 | 2018-12-20 | 一般財団法人日本気象協会 | コンピュータプログラム、端末、方法およびサーバ |
| JP2021525417A (ja) * | 2018-05-21 | 2021-09-24 | リシプロカル・ラボズ・コーポレイション（ディービーエー・プロペラ・ヘルス） | 薬剤デバイス監視に基づくプリエンプティブな喘息リスク通知 |
| WO2021060544A1 (ja) * | 2019-09-25 | 2021-04-01 | 西村 勉 | 情報提供装置、情報提供方法及びプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moore et al. | Identifying increased risk of readmission and in-hospital mortality using hospital administrative data: the AHRQ Elixhauser Comorbidity Index | |
| Muhlestein et al. | Predicting inpatient length of stay after brain tumor surgery: developing machine learning ensembles to improve predictive performance | |
| Talmor et al. | Simple triage scoring system predicting death and the need for critical care resources for use during epidemics | |
| Kramer et al. | Intensive care unit readmissions in US hospitals: patient characteristics, risk factors, and outcomes | |
| Soyiri et al. | An overview of health forecasting | |
| Weycker et al. | Long-term mortality and medical care charges in patients with severe sepsis | |
| Saha et al. | Are preventable hospitalizations sensitive to changes in access to primary care?: The case of the Oregon Health Plan | |
| US20170177822A1 (en) | Systems and methods for providing personalized prognostic profiles | |
| Frost et al. | Unplanned admission to intensive care after emergency hospitalisation: risk factors and development of a nomogram for individualising risk | |
| Blaskowitz et al. | Predictors of emergency room and hospital utilization among adults with intellectual and developmental disabilities (IDD) | |
| Tabak et al. | Predicting readmission at early hospitalization using electronic clinical data: an early readmission risk score | |
| Deasy et al. | Dynamic survival prediction in intensive care units from heterogeneous time series without the need for variable selection or curation | |
| Garland et al. | Optimal timing of transfer out of the intensive care unit | |
| Peng et al. | Large-scale assessment of missed opportunity risks in a complex hospital setting | |
| Min et al. | A comprehensive multimorbidity index for predicting mortality in intensive care unit patients | |
| Poirier et al. | Real time influenza monitoring using hospital big data in combination with machine learning methods: comparison study | |
| Hilbert et al. | Using decision trees to manage hospital readmission risk for acute myocardial infarction, heart failure, and pneumonia | |
| Barnato et al. | Value and role of intensive care unit outcome prediction models in end-of-life decision making | |
| Shaw et al. | Timing of onset, burden, and postdischarge mortality of persistent critical illness in Scotland, 2005–2014: a retrospective, population-based, observational study | |
| Blecker et al. | Electronic health record use, intensity of hospital care, and patient outcomes | |
| Leeds et al. | Discharge decision-making after complex surgery: Surgeon behaviors compared to predictive modeling to reduce surgical readmissions | |
| Mahendra et al. | Predicting NICU admissions in near-term and term infants with low illness acuity | |
| Ben-Assuli et al. | Profiling readmissions using hidden markov model-the case of congestive heart failure | |
| Coppa et al. | Application of a machine learning algorithm to develop and validate a prediction model for ambulatory non-arrivals | |
| WO2023181822A1 (ja) | 解析装置、解析システム、及び解析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23774421 Country of ref document: EP Kind code of ref document: A1 |
|
| WWE | Wipo information: entry into national phase |
Ref document number: 2024509897 Country of ref document: JP |