WO2023188800A1 - 運動機能改善支援装置、運動機能改善支援方法及び非一時的なコンピュータ可読媒体 - Google Patents

運動機能改善支援装置、運動機能改善支援方法及び非一時的なコンピュータ可読媒体 Download PDF

Info

Publication number
WO2023188800A1
WO2023188800A1 PCT/JP2023/003335 JP2023003335W WO2023188800A1 WO 2023188800 A1 WO2023188800 A1 WO 2023188800A1 JP 2023003335 W JP2023003335 W JP 2023003335W WO 2023188800 A1 WO2023188800 A1 WO 2023188800A1
Authority
WO
WIPO (PCT)
Prior art keywords
hypothesis
motor function
function improvement
generating
hypotheses
Prior art date
Application number
PCT/JP2023/003335
Other languages
English (en)
French (fr)
Inventor
拓也 川田
風人 山本
邦彦 定政
拓哉 井原
浩二 藤田
昭元 二村
Original Assignee
日本電気株式会社
国立大学法人 東京医科歯科大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社, 国立大学法人 東京医科歯科大学 filed Critical 日本電気株式会社
Publication of WO2023188800A1 publication Critical patent/WO2023188800A1/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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • 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

Definitions

  • the present disclosure relates to a motor function improvement support device, a motor function improvement support method, and a non-transitory computer-readable medium.
  • Patent Document 1 describes a medical report creation device that supports creation of a medical report that includes a plurality of pieces of information to be diagnosed and also includes relationships between items in the plurality of pieces of information.
  • Patent Document 2 describes an automatic interview system that receives input data for an interview sheet in which interview data is divided into three levels in order to narrow down the symptoms to be determined through the interview.
  • the automatic medical interview system reads disease name/medical subject name data corresponding to input data, and generates medical interview result data based on the read disease name/medical subject name data.
  • Patent Document 3 describes a rehabilitation support device.
  • the rehabilitation support device has an elastic ball at its tip that is large enough for a user to grasp, and is configured so that the user can perform rehabilitation by handling the elastic ball.
  • Patent Document 4 discloses that body condition information indicating the body condition of a person is acquired from one or more sensors that detect the person, and the body functions of the person are determined based on the time-series changes in the acquired body condition information.
  • a physical function analysis unit that analyzes changes, and a physical function independence support device that generates and outputs physical function improvement proposal information that indicates improvement plans for physical functions are described.
  • Patent Document 6 discloses a hypothesis generation unit that creates a hypothesis candidate set including a hypothesis from which a logical formula is derived based on knowledge information representing a logical formula for deriving a consequent from an antecedent, and a hypothesis candidate set that is created.
  • a converting unit that calculates a constraint on the constraint and a weight for the constraint, and a solver that calculates a hypothesis in a case where a predetermined condition is satisfied based on the calculated constraint and the calculated weight.
  • a hypothetical reasoning device is described.
  • Patent Document 7 describes a hypothesis verification device that uses knowledge data from observation data to derive hypothesis candidates having logical formulas that lead to possible outcomes.
  • the hypothesis verification device adds the logical expression or target logical expression for which the truth/false determination has been made to the observed data, and derives a hypothesis candidate again.
  • Patent Document 8 describes a system that supports patient diagnosis.
  • the system of U.S. Pat. The main diagnosis is given based on the combination of instruments.
  • Patent Document 9 describes a walking training device that includes an actuator that assists the walking motion of a trainee, a control unit that controls the actuator according to setting parameters, and a data acquisition unit that acquires the degree of recovery of the trainee. has been done.
  • JP 2017-033519 Publication International Publication No. 2011/016447 Japanese Patent Application Publication No. 2001-104516 International Publication No. 2019/187099 International Publication No. 2019/064600 International Publication No. 2020/003585 International Publication No. 2020/170400 Japanese Patent Application Publication No. 2017-174407 JP2021-007481A
  • Graph AI and hypothetical inference are techniques for predicting a patient's condition from observational information such as interview information and test information, and for predicting the relationship as a graph structure.
  • Non-Patent Document 1 Graph AI can output a graph structure if learning data corresponding to input and output is prepared. Therefore, even in low back pain tasks, if a large amount of data corresponding to input and output can be prepared, it is possible to predict the kinematic tasks and their links.
  • an example of learning and execution of Graph AI is shown.
  • the first requirement is the identification of multiple kinematic issues faced by the patient.
  • the second requirement is the identification of the interactions of each kinematic task.
  • constraints exclusive relationships
  • Graph AI can learn link relationships between nodes, it cannot learn (or at least cannot control) exclusive relationships between nodes. Therefore, estimation of constrained interactions is not possible.
  • the present embodiment provides a motor function improvement support device that applies hypothetical reasoning that can estimate constraint interactions according to kinematics and can present multiple solutions.
  • ⁇ hypothesis inference> and ⁇ weighted hypothesis inference> used by the motor function improvement support device of this embodiment will be explained.
  • Hypothesis reasoning is also called conceptual reasoning or abduction. Hypothesis reasoning involves combining background knowledge (also called rules or inference knowledge) given by logical formulas and observed events (also called obtained facts. Note that from now on, observed events will simply be abbreviated as observation. ), derive a valid hypothesis. For example, suppose there is a rule that says, "If A holds true, then B holds true” (A ⁇ B), and it is possible to observe that "B holds true.” At this time, this is a method of reasoning that infers that ⁇ B holds true because A holds true,'' and then creates a hypothesis that ⁇ A holds true.'' It is also called ⁇ backward reasoning'' because it looks at the rules backwards.
  • FIG. 3 is a diagram illustrating inputs and outputs in hypothesis inference according to the first embodiment.
  • the inputs are observation O and rule B.
  • Observation O contains a collocation of first-order predicate logical literals. For example, the following equation (1) is used.
  • the formula is also shown in FIG.
  • a literal is an elementary logical expression p(t1, t2, . . . ) or an elementary logical expression with a negation symbol ( ⁇ or !) added. If a term, that is, a literal argument (t1, t2, . . . ) is a string starting with a capital letter or enclosed in quotation marks, it indicates a constant; otherwise, it is a variable.
  • Rule B is a set of logical expressions.
  • rule B is a set of logical expressions as shown in equations (2) and (3). dog(x) ⁇ animal(x) (2) angry(x) ⁇ bark(x) (3)
  • the output is the one H* (solution hypothesis) that provides the best explanation among the hypotheses H.
  • the hypothesis includes observation O and a graph of first-order predicate logic literals hypothesized from observation O by rule B. For example, the following equation (4) is used.
  • H* arg maxE(H) H (4)
  • E(H) is an evaluation function that evaluates the goodness of hypothesis H as an explanation.
  • an evaluation function evaluates the quality of a hypothesis candidate generated from observations and background knowledge in hypothesis inference.
  • the evaluation function may output the quality of the generated hypothesis candidate as a numerical value (score).
  • Hypothesis inference based on an evaluation function outputs a hypothesis from among hypothesis candidates generated from observations and background knowledge by evaluating the evaluation function.
  • Equation (5) shows that the hypothesis explains the observation.
  • Equation (6) indicates that the hypothesis must not contradict the rules.
  • the "weight” assigned to a rule indicates how reliable it is to hypothesize the antecedent from the consequent.
  • the background knowledge (rules) of equations (11) and (12) below are assigned weights of 1.4 and 1.2, for example.
  • FIG. 5 is a diagram illustrating a backward inference operation in the weighted inference hypothesis according to the first embodiment. As shown in FIG. 5, the backward inference operation includes operations 1 to 3.
  • FIG. 6 is a diagram illustrating a unification operation in the weighted inference hypothesis according to the first embodiment.
  • operation 4 it is assumed that pairs of literals having the same predicate are identical to each other.
  • the above equations (13) and (14) have the same predicate. Therefore, the literal pairs are assumed to be the same.
  • equation (17) is obtained.
  • equation (14) has a higher cost. Therefore, the cost in equation (14) is canceled and becomes equation (18). kill (A, u 2 ) $14 ⁇ $0 (18)
  • step S16 it is determined whether a predetermined number of solutions (k) has been reached. In the case of NO, where the number of solutions does not reach the predetermined number (k), steps S15 and S16 are repeated. On the other hand, if the answer is YES because the number of solutions has reached a predetermined number (k), it is determined whether to end the process as shown in step S17.
  • step S17 in the case of NO not to end the process, the observation accepting unit 12 may accept the hypothesis generated as a solution as an observation. Then, steps S12 to S17 may be repeated. On the other hand, in the case of YES in step S17 to end the process, the process ends.
  • the motor function improvement support device 10 of this embodiment reproduces the clinical reasoning that PTs routinely perform by outputting the constrained interactions of kinematic tasks as a graph structure from the interview/examination information. be able to. Therefore, the subject's motor function can be effectively improved.
  • the motor function improvement support device 10 of the present embodiment clarifies constrained interactions between multiple kinematic tasks from limited interview information and examination information by applying hypothesis inference technology.
  • related automatic diagnosis technology presents the most likely pathology/disease name based on given interview information, and uses general AI technology to solve discrimination and classification problems. This will solve the problem.
  • hypothesis inference technology there are no examples of applying hypothesis inference technology, and the above-mentioned problem has not been set.
  • the present embodiment can solve the above problem by applying a hypothesis inference technique in motor function improvement support.
  • FIG. 18 is a block diagram illustrating a motor function improvement support device according to the second embodiment.
  • the motor function improvement support device 20 of this embodiment is further provided with a multiple solution integration section 15 and a graph structure display section 16, compared to the above-described motor function improvement support device 10.
  • the multiple solution integration section 15 and the graph structure display section 16 have functions as multiple solution integration means and graph structure display means.
  • the multiple solution integration unit 15 integrates the generated multiple hypotheses. Specifically, the multiple solution integration unit 15 integrates the obtained multiple solutions.
  • FIG. 19 is a diagram illustrating a plurality of hypotheses integrated in the motor function improvement support device 20 according to the second embodiment. As shown in FIG. 19, the multiple solution integration unit 15, for example, visualizes a plurality of hypotheses whose inference results have the same evaluation function value as one. For example, the multiple solution integration unit 15 may visualize the integration of FIGS. 14 to 16.
  • FIGS. 20 and 21 are diagrams illustrating the visualized integrated graph structure in the motor function improvement support device 20 according to the second embodiment.
  • the graph structure display unit 16 generates the integrated hypothesis as a graph structure. Then, the graph structure display unit 16 visualizes and displays the graph structure. For example, kinematic tasks hypothesized from interview information and examination information (items surrounded by thin and thick lines) and their relationships are visualized as a graph. If the obtained hypothesis is wrong, or if new test results are obtained for the state suggested by the hypothesis, it can be added to the observations and re-inferred, as described in Patent Document 5. As shown in FIG. 21, additional information such as source information of background knowledge may be displayed by clicking on edges or nodes in the graph structure displayed by the graph structure display unit 16.
  • the links between integrated hypotheses are not limited to illustration using a graph structure.
  • 22 and 23 are diagrams illustrating visualized inference results in the motor function improvement support device according to the second embodiment.
  • 24 and 25 are diagrams illustrating visualized graph structures in the motor function improvement support device according to the second embodiment.
  • links between integrated hypotheses may be displayed not only in a graph structure but also as a report using natural sentences or bullet points. .
  • a desired hypothesis in this case, a kinematic problem
  • the observations and hypotheses that serve as the basis thereof may be displayed using natural sentences or bullet points.
  • the display method can be selected as appropriate, such as the graph structure and visualization of observations (interview/examination information) and hypotheses (pathological conditions/kinematic issues) separately. You can.
  • Appendix B1 Memorize background knowledge that associates the states of observable body parts and the kinematic tasks of the states based on causal relationships; Accept observations including test information and interview information of the subject, generating hypotheses for a plurality of kinematic tasks using hypothesis reasoning based on the background knowledge and the observations; generate combinations of hypotheses that include interactions between each hypothesis; A motor function improvement support program that allows a computer to perform certain tasks.
  • Appendix B2 Integrate each generated hypothesis, Generate an integrated hypothesis as a graph structure, The motor function improvement support program according to appendix B1, which causes a computer to execute the following.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

運動機能を改善させることができる運動機能改善支援装置、運動機能改善支援方法及び運動機能改善支援プログラムを提供する。 運動機能改善支援装置（１０）は、観測可能な身体部位の状態と、身体部位の状態の運動学的課題と、を因果関係に基づき対応付けた背景知識を記憶する背景知識記憶部（１１）と、対象者の検査情報及び問診情報を含む観測を受け付ける観測受付部（１２）と、背景知識及び観測に基づいて仮説推論を用いて複数の運動学的課題の仮説を生成する仮説生成部（１３）と、各仮説間の相互作用を含む仮説同士の組み合わせを生成する仮説間リンク生成部（１４）と、を備える。

Description

運動機能改善支援装置、運動機能改善支援方法及び非一時的なコンピュータ可読媒体
　本開示は、運動機能改善支援装置、運動機能改善支援方法及び非一時的なコンピュータ可読媒体に関する。
　特許文献１には、診断対象の複数の情報を含み、かつ複数の情報における項目間の関係を含む医用レポートの作成を支援する医用レポート作成装置が記載されている。
　特許文献２には、問診で判断する症状を絞り込むために、問診データを３階層に分けた問診票に対する入力データを受信する自動問診システムが記載されている。当該自動問診システムは、入力データに対応する疾病名／診療科目名データを読み出し、読み出した疾病名／診療科目名データに基づいて問診結果データを生成する。
　特許文献３には、リハビリ支援装置が記載されている。当該リハビリ支援装置は、先端に利用者が掌握し得る大きさの弾性ボールを備え、弾性ボールを扱うことで利用者がリハビリを行うように構成されている。
　特許文献４には、人物を検出対象とする１又は２以上のセンサから、人物の身体状態を示す身体状態情報を取得し、取得した身体状態情報の時系列変化を基に人物の身体機能の変化を分析する身体機能分析部と、身体機能の改善案を示す身体機能改善提案情報を生成して出力する身体機能自立支援装置が記載されている。
　特許文献５には、１つの名前及び１つ以上のパラメータを含む論理式の集合で表現された観測データから、同じ形式で表現された知識データを用いて、ありうる帰結に至る論理式で構成された仮説を導出する仮説検証装置が記載されている。
　特許文献６には、前件から後件を導出する論理式が表された知識情報に基づき、論理式が導出される仮説を含む仮説候補集合を作成する仮説生成部と、作成した仮説候補集合に関する制約条件と、当該制約条件に対する重みを算出する変換部と、算出された制約条件と、算出された重みとに基づき、所定の条件を満たしている場合における仮説を算出するソルバ部とを備える仮説推論装置が記載されている。
　特許文献７には、観測データから知識データを用いて、ありうる帰結に至る論理式を有する仮説候補を導出する仮説検証装置が記載されている。当該仮説検証装置は、真偽判定がなされた論理式又は対象論理式を、観測データに追加して、再度、仮説候補を導出している。
　特許文献８には、患者の診断を支援するシステムが記載されている。特許文献８のシステムは、以前の診断、薬、症状および治療を含む患者データを取得する知識取得モジュールと、診断ベースの予測器、薬ベースの予測器、症状ベースの予測器および治療ベースの予測器の組み合わせから、主要診断を与える。
　特許文献９には、訓練者の歩行動作を補助するアクチュエータと、設定パラメータに応じてアクチュエータを制御する制御部と、訓練者の回復度を取得するデータ取得部とを備えた歩行訓練装置が記載されている。
特開２０１７－０３３５１９号公報 国際公開第２０１１／０１６４４７号 特開２００１－１０４５１６号公報 国際公開第２０１９／１８７０９９号 国際公開第２０１９／０６４６００号 国際公開第２０２０／００３５８５号 国際公開第２０２０／１７０４００号 特開２０１７－１７４４０７号公報 特開２０２１－００７４８１号公報
Alberto Garcia Duran, and Mathias Niepert, "Learning graph representations with embedding propagation." ［online］、平成29年、［令和4年2月21日検索］、インターネット＜https://proceedings.neurips.cc/paper/2017/file/e0688d13958a19e087e123148555e4b4-Paper.pdf＞ An open-source cost-based abductive reasoning engine、［online］、［令和4年2月21日検索］、インターネット＜https://github.com/naoya-i/henry-n700/＞ Gurobi Optimization, Inc.、Solution Pool、［online］、2016、［令和4年2月21日検索］、インターネット＜http://www.gurobi.com/pdfs/webinars/gurobi-7.0-webinar-slides-de.pdf＞ Jose A. Gamez, "Abductive Inference in Bayesian Networks: A Review" ［online］、2004、［令和4年2月21日検索］、インターネット＜https://link.springer.com/chapter/10.1007/978-3-540-39879-0_6＞
　特許文献１～９には、病名及び症状を診断する装置が記載されているものはあるものの、運動機能を改善させる装置は記載されていない。運動機能を改善させることができる装置が所望されている。
　本開示の目的は、上述した課題に鑑み、運動機能を改善させることができる運動機能改善支援装置、運動機能改善支援方法及び非一時的なコンピュータ可読媒体を提供することにある。
　一実施の形態に係る運動機能改善支援装置は、観測可能な身体部位の状態と、前記状態の運動学的課題と、を因果関係に基づき対応付けた背景知識を記憶する背景知識記憶部と、対象者の検査情報及び問診情報を含む観測を受け付ける観測受付部と、前記背景知識及び前記観測に基づいて仮説推論を用いて複数の運動学的課題の仮説を生成する仮説生成部と、各仮説間の相互作用を含む仮説同士の組み合わせを生成する仮説間リンク生成部と、を備える。
　一実施の形態に係る運動機能改善支援方法は、観測可能な身体部位の状態と、前記状態の運動学的課題と、を因果関係に基づき対応付けた背景知識を記憶し、対象者の検査情報及び問診情報を含む観測を受け付け、前記背景知識及び前記観測に基づいて仮説推論を用いて複数の運動学的課題の仮説を生成し、各仮説間の相互作用を含む仮説同士の組み合わせを生成する。
　一実施の形態に係る運動機能改善支援プログラムは、観測可能な身体部位の状態と前記状態の運動学的課題とを因果関係に基づき対応付けた背景知識を記憶させ、対象者の検査情報及び問診情報を含む観測を受け付けさせ、前記背景知識及び前記観測に基づいて仮説推論を用いて複数の運動学的課題の仮説を生成させ、各仮説間の相互作用を含む仮説同士の組み合わせを生成させる、ことをコンピュータに実行させる。
　本開示によれば、運動機能を改善させることができる運動機能改善支援装置、運動機能改善支援方法及び非一時的なコンピュータ可読媒体を提供することができる。
自動診断ＡＩによる診断を例示した図である。 慢性疼痛症状における複数の運動学的課題間の相互作用を例示した図である。 実施形態１に係る仮説推論において、入力及び出力を例示した図である。 実施形態１に係る重み付き仮説推論において、コスト及び重みを例示した図である。 実施形態１に係る重み付き推論仮説において、後ろ向き推論操作を例示した図である。 実施形態１に係る重み付き推論仮説において、単一化操作を例示した図である。 実施形態１に係る重み付き仮説推論において、整数線形計画問題として定式化することで高速化した構成を例示した図である。 実施形態１に係る運動機能改善支援装置を例示したブロック図である。 実施形態１に係る運動機能改善支援装置において、背景知識記憶部が取得する知識ＤＢに記憶された背景知識を例示した図である。 実施形態１に係る運動機能改善支援装置において、背景知識記憶部が取得する知識ＤＢに記憶された背景知識を例示した図である。 実施形態１に係る運動機能改善支援装置において、仮説推定時に背景知識記憶部が記憶する背景知識を例示した図である。 実施形態１に係る運動機能改善支援装置において、観測受付部が受け付ける問診表を例示した図である。 実施形態１に係る運動機能改善支援装置において、仮説推定時に観測受付部が変換した観測を例示した図である。 実施形態１に係る運動機能改善支援装置において、仮説生成部が生成した仮説を例示した図である。 実施形態１に係る運動機能改善支援装置において、仮説生成部が生成した仮説を例示した図である。 実施形態１に係る運動機能改善支援装置において、仮説生成部が生成した仮説を例示した図である。 実施形態１に係る運動機能改善支援方法を例示したフローチャート図である。 実施形態２に係る運動機能改善支援装置を例示したブロック図である。 実施形態２に係る運動機能改善支援装置において、統合された複数の仮説を例示した図である。 実施形態２に係る運動機能改善支援装置において、可視化された統合されたグラフ構造を例示した図である。 実施形態２に係る運動機能改善支援装置において、可視化された統合されたグラフ構造を例示した図である。 実施形態２に係る運動機能改善支援装置において、可視化された推論結果を例示した図である。 実施形態２に係る運動機能改善支援装置において、可視化された推論結果を例示した図である。 実施形態２に係る運動機能改善支援装置において、可視化されたグラフ構造を例示した図である。 実施形態２に係る運動機能改善支援装置において、可視化されたグラフ構造を例示した図である。 実施形態２に係る運動機能改善支援方法を例示したフローチャート図である。
　以下、実施形態について、図面を参照しながら説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。
　（実施形態１）
　実施形態１に係る運動機能改善支援装置を説明する。本実施形態に係る運動機能改善支援装置は、対象者となる人の運動機能を改善させる装置である。例えば、運動機能改善支援装置は、リハビリテーションの現場において、人の運動機能を改善させる。また、運動機能改善支援装置は、理学療法士が人の個別機能訓練をサポートする機能訓練支援サービスにおいて、人の運動機能を改善させる。さらに、運動機能改善支援装置は、トレーニングの現場において、人の運動機能を改善させてもよいし、フィジカルケアの現場において、人の運動機能を改善させてもよい。以下では、一例として、リハビリテーションの現場に用いられた運動機能改善支援装置を説明する。しかしながら、運動機能改善支援装置は、リハビリテーションの現場に限らず、個別機能訓練、トレーニング、フィジカルケア等、人の運動機能を改善させる現場において用いられてもよい。
　リハビリテーションの現場において、対象者となる人は、例えば、患者である。リハビリテーションの現場において、患者に対して均質な理学療法を提供できないという課題がある。これには以下の２つの要因が挙げられる。１つ目の要因は、理学療法士（以下、「ＰＴ」と呼ぶ。）の力量・経験の差による評価、施術の質のばらつきである。２つ目の要因は、評価プロセスが明示的に記録されることが少なく、経験知の蓄積と共有が困難なことである。このため、問診情報・検査情報から自動的に患者の課題を特定し、そこに至るまでの過程を網羅的に可視化できるシステムがあれば、リハビリを含む均質的な運動機能の改善計画を立案することができる。それとともに、臨床推論過程の蓄積と共有を容易にすることができる。
　本実施形態の運動機能改善支援装置は、仮説推論技術を適用することで、ＰＴの臨床推論過程を再現し、リハビリを含む運動機能の改善計画立案支援と、経験知の蓄積及び共有を容易にする。
　まず、リハビリ特有の課題を説明する前に、リハビリではなく、問診・症状から病態 病名を推定する自動診断ＡＩを説明する。これにより、リハビリ特有の課題を明確にする。図１は、自動診断ＡＩによる診断を例示した図である。図１に示すように、自動診断ＡＩは、「発熱」、「くしゃみ」、「関節痛」等を含む問診から、「風邪」、「インフル」、「花粉症」等を含む病態 病名を推定する。例えば、「発熱」及び「関節痛」を選択された問診から、自動診断ＡＩは、「インフル」と診断する。
　このように、患者が入力した問診情報から病態、病名を予測、提案する自動診断ＡＩは数多く提案されている。問診情報から病態を予測することにより、対処法を立てることができるような症状であれば、上述した自動診断ＡＩで十分である。病態間の関係がないからである。
　しかしながら、非特異的腰痛に代表される、病態 病名が明確でない慢性疼痛症状やその予防に対して、リハビリや治療を含む運動機能改善計画を立てるためには、上記の自動診断ＡＩのように、問診・症状から病態 病名を推定するだけでは不十分である。そもそも、レッドフラグ（Ｒｅｄ　Ｆｌａｇ：悪性腫瘍など早急な医療的診断の必要性が疑われる症状）でない限り、明確な診断名をつけることは困難である。例えば、腰や肩、頸の疼痛で言えば、それらは、複数の運動学的課題間の相互作用によって引き起こされている。
　ここで、運動学的課題とは、特定の筋肉や関節の特定の動き（例えば、内旋、屈曲など）の異常（例えば、過剰または不足）のことを意味する。よって、運動学的課題は、例えば、「腰椎の伸展の不足」のように表現することができる。
　図２は、慢性疼痛症状における複数の運動学的課題間の相互作用を例示した図である。図２に示すように、「立位回旋の可動域が左側より右側が大きい」という姿勢異常から、「腰椎の右回旋過剰」という運動学的課題が推定される。「腰椎の右回旋過剰」という運動学的課題から、「座位時の腰痛」という症状が推定される。
　また、「骨盤右回旋」という姿勢異常から、「右股関節の屈曲不足」という運動学的課題が推定される。「右股関節の屈曲不足」という運動学的課題から、「腰椎の右回旋過剰」という運動学的課題が推定される。「腰椎の右回旋過剰」という運動学的課題から、「座位時の腰痛」という症状が推定される。
　さらに、「ＭＭＴ陽性」という筋力検査から、「右股関節の伸展不足」という運動学的課題が推定される。「右股関節の伸展不足」という運動学的課題から、「（代償性）骨盤前傾」という姿勢異常が推定される。「（代償性）骨盤前傾」という姿勢異常から、「腰椎の伸展過剰」という運動学的課題が推定される。「腰椎の伸展過剰」という運動学的課題から、「座位時の腰痛」という症状が推定される。
　図２に示すように、「座位時の腰痛」の場合には、複数の運動学的課題間の相互作用によって引き起こされている。したがって、腰や肩、頸の疼痛等の慢性疼痛症状の場合には、問診情報及び検査情報から、まず、患者の運動学的課題とその相互作用を明らかにする。そして、腰痛等を引き起こしている患者の状態の全体像を把握することで、初めてリハビリ計画をたてることができる。場合によっては、同じ問診情報及び検査情報から得られる相互作用（図２のように、各運動学的課題を矢印で結んだグラフ）は、複数あり得るため、網羅的な解の推定が必要である。
　腰や肩、頸の疼痛のような慢性疼痛症状やその予防に対して、リハビリや治療を含む、運動機能改善計画を立てるためには、以下を明らかにする必要がある。
　・患者の抱えている複数の運動学的課題
　・それぞれの運動学的課題同士の相互作用（ある運動学的課題が他のどの運動学的課題と関連しており、それらが患者の抱える疼痛とどう関連しているか）
　運動学的課題とその相互作用は、一意に定まらないため、あり得る可能性を網羅的に提示する必要がある。しかしながら、経験の浅いＰＴの場合には、別の可能性を見落とす可能性がある。よって、解が一つしか出ないと、均質な運動機能改善計画の立案を達成することができない。
　問診情報及び検査情報等の観測情報から、患者の状態を予測し、その関連をグラフ構造として予測する技術としては、Ｇｒａｐｈ　ＡＩ及び仮説推論がある。例えば、非特許文献１に示すように、Ｇｒａｐｈ　ＡＩは、入出力に相当する学習データを用意すれば、グラフ構造を出力できる。そのため、腰痛のタスクにおいても入出力に相当するデータを大量に用意できれば、何からの運動学的課題とそれらのリンクを予測することは可能である。以下に、一例として、Ｇｒａｐｈ　ＡＩの学習及び実行例を示す。
　学習する際には、以下に示すある患者とその属性のリンクを用意して学習する。
　［患者ｉｄ：００１］－年齢－［４０］、［患者ｉｄ：００１］－体温－［３８．２］、［患者ｉｄ：００１］－ｈａｓ－［咳］、［患者ｉｄ：００１］－ｈａｓ－［インフル］
　［患者ｉｄ：００２］－年齢－［１６］、・・・
　実行時は、ノード間のリンクの一部が不明なデータを元に、リンクが成立するかを予測する。
　（入力例）［患者ｉｄ：１００］－年齢－［３６］、［患者ｉｄ：００１］－体温－［３６．２］、［患者ｉｄ：１００］－？？？－［インフル］
　（出力例）［患者ｉｄ：１００］－ｈａｓ－［インフル］
　しかしながら、Ｇｒａｐｈ　ＡＩをリハビリの現場に応用するには問題がある。リハビリの現場において、患者に対する均質な理学療法を提供する上で、以下の要件を満たすことが必要である。１つ目の要件は、患者の抱えている複数の運動学的課題の特定である。２つ目の要件は、それぞれの運動学的課題の相互作用の特定である。それに加えて、運動学的課題間の関係には、制約（排他関係）が存在するため、運動学に沿った制約付き相互作用の推定が求められる。しかし、Ｇｒａｐｈ　ＡＩは、ノード間のリンク関係を学習することはできるが、ノード間の排他関係を学習することはできない（少なくとも制御はできない）。このため、制約付き相互作用の推定ができない。
　たとえば、「腰椎における伸展方向の動きが不足」と「腰椎における伸展方向の動きが過剰」は共起しないので、これらは排他関係にある。また、「腰椎前弯増強」と「腰椎前弯減少」は共起しないので、これらは排他関係にある。制約付き相互作用の網羅的な提示のためには、あり得る解を複数出すことが求められる。しかしながら、Ｇｒａｐｈ　ＡＩは、解を一つしか提示することができない。
　そこで、本実施形態は、運動学に沿った制約的相互作用の推定が可能かつ、複数解を提示することができる仮説推論を適用した運動機能改善支援装置を提供する。以下で、本実施形態の運動機能改善支援装置が用いる＜仮説推論＞及び＜重み付き仮説推論＞を説明する。
　＜仮説推論＞
　仮説推論は、発想推論、Ａｂｄｕｃｔｉｏｎともいう。仮説推論は、論理式で与えられた背景知識（ルールまたは推論知識とも呼ぶ。）と観測された事象（得られた事実とも呼ぶ。なお、以降では、観測された事象を単に、観測と略す。）から、妥当な仮説を導く。例えば、「Ａが成り立っているならＢが成り立つ」（Ａ⇒Ｂ）というルールがあり、「Ｂが成り立っている」ことが観測できたとする。このときに、「Ｂが成り立っているのは、Ａが成り立っているからであろう」と推測して、「Ａが成り立っている」という仮説を立てる推論の方法である。ルールを後ろ向きに見ることから、「後ろ向きの推論」とも呼ばれる。
　図３は、実施形態１に係る仮説推論において、入力及び出力を例示した図である。図３に示すように、仮説推論において、入力は、観測Ｏ及びルールＢである。観測Ｏは、一階述語論理リテラルの連語を含む。例えば、以下の（１）式である。なお、下記に示す式の正確な記号を示すために、図３にも式を示している。
　ａｎｉｍａｌ（Ｊｏｈｎ）∧ｂａｒｋ（Ｊｏｈｎ）　　　　　　（１）
　ここで、ａｎｉｍａｌ（Ｊｏｈｎ）は、リテラルであり、ｂａｒｋ（Ｊｏｈｎ）は、リテラルである。リテラルは、素論理式ｐ（ｔ１、ｔ２、・・・）、または、素論理式に否定記号（￢または！）を付けたものである。項、すなわち、リテラルの引数（ｔ１、ｔ２、・・・）が大文字始まりまたは引用符で囲まれた文字列の場合は、定数を示し、それ以外の場合は変数とする。
　ルールＢは、論理式の集合である。例えば、ルールＢは、（２）式及び（３）式に示すような論理式の集合である。
　ｄｏｇ（ｘ）⇒ａｎｉｍａｌ（ｘ）　　　　　　　　　　　　　（２）
　ａｎｇｅｒ（ｘ）⇒ｂａｒｋ（ｘ）　　　　　　　　　　　　　（３）
　仮説推論において、出力は、仮説Ｈの中で、最良の説明となるものＨ＊（解仮説）である。ここで、仮説は、観測Ｏと、観測ＯからルールＢによって仮説される一階述語論理リテラルのグラフを含む。例えば、以下の（４）式である。
　Ｈ＊＝ａｒｇ　ｍａｘＥ（Ｈ）
　　　　　　　　　Ｈ　　　　　　　　　　　　　　　　　　　　（４）
　ここで、Ｅ（Ｈ）は、仮説Ｈの、説明としての良さを評価する評価関数である。
　一般的に、評価関数は、仮説推論において、観測及び背景知識から生成される仮説の候補の、仮説としての良さを評価する。評価関数は、生成される仮説の候補の良さを数値（スコア）として出力してもよい。評価関数に基づく仮説推論は、観測及び背景知識から生成される仮説の候補の中から評価関数の評価によって仮説を出力する。
　以下の（５）式は、仮説は観測を説明するものであることを示す。
　Ｂ∪Ｈ｜＝Ｏ　　　　　　　　　　　　　　　　　　　　　　　（５）
　以下の（６）式は、仮説はルールと矛盾してはならないことを示す。
　Ｂ∪Ｈ｜≠⊥　　　　　　　　　　　　　　　　　　　　　　　（６）
　＜重み付き仮説推論＞
　次に、重み付き仮説推論（Ｗｅｉｇｈｔｅｄ　Ａｂｄｕｃｔｉｏｎ）を説明する。重み付き仮説推論は、仮説推論の手法の一つである。重み付き仮説推論は、後ろ向き推論操作及び単一化操作を適用していくことで仮説候補を生成する。重み付き仮説推論において、以下の（７）式に示すように、全体のコストの総和が小さい仮説候補ほど、良い説明である。重み付き推論においては、仮説の候補のスコアを（７）式の評価関数を用いたコストによって算出する。
　Ｅ（Ｈ）＝－Σｐ∈Ｈｃｏｓｔ（ｐ）　　　　　　　　　　　　　（７）
　図４は、実施形態１に係る重み付き仮説推論において、コスト及び重みを例示した図である。図４に示すように、例えば、「ａ　ｐｏｌｉｃｅ　ｍａｎ　ａｒｒｅｓｔｅｄ　ｔｈｅ　ｃｒｉｍｉｎａｌ（警察官（Ｂ）が犯罪者（Ａ）を逮捕した）」から得られる以下の（８）～（１０）式の観測には、それぞれ、＄１０のコストが割り当てられる。（８）式は、Ａは犯罪者であることを示し、（９）式は、Ｂは警官であることを示し、（１０）式は、ＢがＡを逮捕したことを示す。観測（のリテラル）に割り当てられる「コスト」は、どの程度そのリテラルを説明すべきかを表す。
　ｃｒｉｍｉｎａｌ（Ａ）＄１０　　　　　　　　　　　　　　　　（８）
　ｐｏｌｉｃｅ（Ｂ）＄１０　　　　　　　　　　　　　　　　　　（９）
　ａｒｒｅｓｔ（Ｂ、Ａ）＄１０　　　　　　　　　　　　　　　　（１０）
　一方、ルールに割り当てられる「重み」は、後件から前件を仮説するにはどの程度、信頼ならないかを表す。例えば、以下の（１１）及び（１２）式の背景知識（ルール）には、例えば、１．４及び１．２の重みが割り当てられる。
　ｋｉｌｌ（ｘ、ｙ）１．４⇒ａｒｒｅｓｔ（ｚ、ｘ）　　　　　　（１１）
　ｋｉｌｌ（ｘ、ｙ）１．２⇒ｃｒｉｍｉｎａｌ（ｚ、ｘ）　　　　（１２）
　次に、重み付き推論仮説に適用される後ろ向き推論操作及び単一化操作を説明する。図５は、実施形態１に係る重み付き推論仮説において、後ろ向き推論操作を例示した図である。図５に示すように、後ろ向き推論操作は、操作１～操作３を含んでいる。
　まず、後ろ向き推論において、操作１として、ルールを逆向きに辿って仮説を立てる。例えば、（１２）式の「ｋｉｌｌ（ｘ、ｙ）１．２⇒ｃｒｉｍｉｎａｌ（ｚ、ｘ）」を、（８）式の「ｃｒｉｍｉｎａｌ（Ａ）＄１０」に基づいて逆向きに辿る。そうすると、（１３）式になる。
　ｋｉｌｌ（Ａ、ｕ１）＄１２ ＄１０×１．２　　　　　　　　　　　　（１３）
　また、例えば、（１１）式の「ｋｉｌｌ（ｘ、ｙ）１．４⇒ａｒｒｅｓｔ（ｚ、ｘ）」を、（１０）式の「ａｒｒｅｓｔ（Ｂ、Ａ）＄１０」に基づいて逆向きに辿る。そうすると、（１４）式になる。
　ｋｉｌｌ（Ａ、ｕ２）＄１４ ＄１０×１．４　　　　　　　　　　　　（１４）
　ここで、後ろ向き推論において、操作２として、推論の根拠が持つコストは、仮説に全て伝播する。したがって、以下の（１５）式に示すように、（８）式の「ｃｒｉｍｉｎａｌ（Ａ）＄１０」のコストは＄０になる。また、以下の（１６）式に示すように、（１０）式の「ａｒｒｅｓｔ（Ｂ、Ａ）＄１０」のコストは＄０になる。
　ｃｒｉｍｉｎａｌ（Ａ）＄１０→＄０　　　　　　　　　　　　　（１５）
　ａｒｒｅｓｔ（Ｂ、Ａ）＄１０→＄０　　　　　　　　　　　　　（１６）
　一方、後ろ向き推論において、操作３として、推論の根拠が持つコストにルールの重みをかけたものが仮説の持つコストとなる。よって、（１３）式に示すように、上記（１２）式のコストは、＄１２になる。また、（１４）式に示すように、上記（１１）式のコストは、＄１４になる。
　続いて、単一化操作を説明する。図６は、実施形態１に係る重み付き推論仮説において、単一化操作を例示した図である。図６に示すように、単一化において、操作４として、同じ述語を持つリテラル対が互いに同一のものであると仮説する。例えば、上述した（１３）式及び（１４）式は、同じ述語を持っている。よって、リテラル対は、互いに同一のものとする。これにより、下記（１７）式を得る。
　ｕ１＝ｕ２　　　　　　　　　　　　　　　　　　　　　　　　（１７）
　次に、単一化において、操作５として、より高い方のコストをキャンセルする。（１３）式と（１４）式を比べると、（１４）式のコストの方が高い。よって、（１４）式のコストはキャンセルされ、（１８）式になる。
　ｋｉｌｌ（Ａ、ｕ２）＄１４→＄０　　　　　　　　　　　　　　　（１８）
　結局、（８）～（１０）式は、下記の（１９）～（２１）式になり、（１１）及び（１２）式は、（２２）及び（２３）式になる。
　ｃｒｉｍｉｎａｌ（Ａ）＄０　　　　　　　　　　　　　　　　（１９）
　ｐｏｌｉｃｅ（Ｂ）＄１０　　　　　　　　　　　　　　　　　　（２０）
　ａｒｒｅｓｔ（Ｂ、Ａ）＄０　　　　　　　　　　　　　　　　（２１）
　ｋｉｌｌ（Ａ、ｕ１）＄１２　　　　　　　　　　　　　　　　（２２）
　ｋｉｌｌ（Ａ、ｕ２）＄０　　　　　　　　　　　　　　　　　（２３）
　この仮説のコストは、＄１０＋＄１２＝＄２２となる。したがって、「警察官（Ｂ）が犯罪者（Ａ）を逮捕した」という事実を、背景知識に基づき仮説推論した結果、以下が尤もらしい（一番コストの低い）仮説として導出される。
（１）Ａはある人を殺した。
（２）ＢがＡを逮捕したのはＡがその人物を殺したからである。
　＜重み付き仮説推論のＩＬＰ／ＳＡＴによる高速化＞
　仮説推論における解の探索を、整数線形計画問題（ＩＬＰ）もしくは、充足可能性問題（ＳＡＴ）として定式化することで高速化することができる。図７は、実施形態１に係る重み付き仮説推論において、整数線形計画問題として定式化することで高速化した構成を例示した図である。図７に示すように、背景知識及び観測に基づいて、重み付き仮説推論における解の候補を全て列挙し、候補の集合を生成する。そして、解の探索を等価なＩＬＰ問題へ変換する。次に、任意のＩＬＰソルバを用いて、ＩＬＰ問題の最適解を導出する。その後、ＩＬＰ問題の最適解から推論結果を復元する。
　ＩＬＰソルバは、例えば、非特許文献２にオープンソースソフトウェアとして公開されているものを用いてもよい。また、ＳＡＴソルバによる高速化は、例えば、特許文献６に記載のものを用いてもよい。いずれも重み付き仮説推論だけでなく、任意の評価関数に基づく仮説推論に適用可能である。
　＜重み付き仮説推論のｋ－ｂｅｓｔ解＞
　次に、重み付き仮説推論のｋ－ｂｅｓｔ解を説明する。重み付き仮説推論は、ＩＬＰソルバ等の推論エンジンが利用するソルバの中で、複数解を出力できるソルバを利用することにより、ｋ－ｂｅｓｔ解の出力を可能とすることができる。ここで、ｋ－ｂｅｓｔ解は、評価関数の値が同等な複数の解のことである。
　複数解出力機能が実装されているソルバは、例えば、非特許文献３におけるＳｏｌｕｔｉｏｎ　Ｐｏｏｌ（１８ページ）に記載のものである。なお、非特許文献４に記載のように、仮説推論におけるｋ－ｂｅｓｔ解の出力手法自体も公知である。ただし、仮説検証モデルを目的としたものはない。ｋ－ｂｅｓｔ解を統合する手法については、例えば、特許文献７に記載のものである。
　＜運動機能改善支援装置＞
　次に、本実施形態の運動機能改善支援装置を説明する。図８は、実施形態１に係る運動機能改善支援装置を例示したブロック図である。図８に示すように、運動機能改善支援装置１０は、背景知識記憶部１１、観測受付部１２、仮説生成部１３及び仮説間リンク生成部１４を備えている。背景知識記憶部１１、観測受付部１２、仮説生成部１３及び仮説間リンク生成部１４は、それぞれ、背景知識記憶手段、観測受付手段、仮説生成手段及び仮説間リンク生成手段としての機能を有している。
　背景知識記憶部１１は、背景知識（ルール）を記憶する。背景知識は、例えば、観測可能な身体部位の状態と、身体部位の状態の運動学的課題と、を因果関係に基づき対応付けたものである。具体的には、背景知識は、疼痛や姿勢異常等の観測可能な身体部位の情報と、それに対応しうる運動学的課題と、の因果関係及び制約を含む。観測可能な身体部位の状態は、生活習慣及び関節・筋肉の運動等身体部位の状態を含む。背景知識記憶部１１は、背景知識として、同時に成立しない複数の運動学的課題の排他関係を記憶してもよい。背景知識記憶部１１は、例えば、以下の例１～例３の背景知識を記憶する。なお、背景知識は、例１～例３に限らない。
　例１：右股関節の屈曲が不足⇒腰椎伸展時に臀部痛が生じる。
　例２：腰椎前弯減少がみられる⇒頸椎の伸展が過剰である。
　例３：腰椎前弯減少と腰椎前弯増強は排他関係にある（同時には成立しない）。
　背景知識記憶部１１は、知識データベース（知識ＤＢと呼ぶ。）に背景知識を記憶させてもよい。そして、背景知識記憶部１１は、仮説推論時に知識ＤＢの背景知識を論理式に変換して用いてもよい。
　図９及び図１０は、実施形態１に係る運動機能改善支援装置１０において、背景知識記憶部１１が取得する知識ＤＢに記憶された背景知識を例示した図である。図９に示すように、背景知識記憶部１１は、書籍や専門家のアノテーションによって収集した因果関係を知識ＤＢとして蓄積してもよい。また、背景知識記憶部１１は、図１０に示すように、同義語辞書を利用した正規化や、左右の補完等を自動で行い知識ＤＢを拡張、背景知識化してもよい。
　図１１は、実施形態１に係る運動機能改善支援装置１０において、仮説推定時に背景知識記憶部１１が記憶する背景知識を例示した図である。図１１に示すように、背景知識記憶部１１は、知識ＤＢに記憶された背景知識を情報処理装置によって読み出し可能な所定の形式に変換して記憶する。
　観測受付部１２は、観測を受け付ける。観測は、例えば、対象者の問診情報及び検査情報等を含む。
　図１２は、実施形態１に係る運動機能改善支援装置１０において、観測受付部１２が受け付ける問診表を例示した図である。図１２に示すように、観測受付部１２は、実際の問診票や検査項目をベースとした問診票ＵＩを介して問診情報及び検査情報を受け付けてもよい。問診票ＵＩを介することにより、スマートホンやタブレット端末からの入力を可能にする。また、観測受付部１２が問診情報及び検査情報等の観測を受け付けることにより、疼痛箇所や問診検査情報の入力を簡易にすることができる。
　図１３は、実施形態１に係る運動機能改善支援装置１０において、仮説推定時に観測受付部１２が変換した観測を例示した図である。図１３に示すように、観測受付部１２は、受け付けた観測を情報処理装置によって読み出し可能な所定の形式に変換する。
　仮説生成部１３は、仮説を生成する。例えば、仮説生成部１３は、背景知識及び観測に基づいて仮説推論を用いて複数の運動学的課題の仮説を生成する。具体的には、仮説生成部１３は、背景知識と観測を組み合わせて仮説推論を行い、複数の運動学的課題を列挙してもよい。仮説生成部１３は、排他関係を含む背景知識に基づいて仮説を生成してもよい。また、仮説生成部は、生成された仮説を評価する評価関数を用いて、各仮説を評価してもよい。
　例えば、仮説生成部１３は、重み付き仮説推論に代表される制約を考慮しつつ評価関数に基づいて複数解を導ける種の仮説推論を用いて真偽を検証すべき論理式で構成された複数の仮説を生成してもよい。具体的には、仮説生成部１３は、生成された複数の仮説の候補を、排他関係等の制約を考慮して選別する。そして、仮説生成部１３は、選別した仮説の候補を評価関数で評価し、所定の値以上の仮説の候補をさらに選別する。このようにして、仮説生成部１３は仮説を生成してもよい。一例として、仮説生成部１３は、後ろ向き推論操作及び単一化操作を適用する重み付き仮説推論によって仮説を生成してもよい。この場合には、仮説生成部１３は、仮説の候補の中からコストによる評価によって仮説を生成する。
　図１４～図１６は、実施形態１に係る運動機能改善支援装置１０において、仮説生成部１３が生成した仮説を例示した図である。図１４～図１６に示すように、細線及び太線で囲まれた「腰椎前弯減少」、「疼痛腰椎（腰椎における疼痛）」、「伸展による増悪」、「頭部前突」等の事項は、問診情報及び検査情報を示す。点線で囲まれた「不安定化体幹」、「不足腰椎屈曲（腰椎における屈曲の不足）」、「柔軟性低下脊柱起立筋」、「筋力低下骨盤底筋」、「頸椎前弯増強」等の事項は、問診情報及び検査情報から仮説された運動学的課題を示す。仮説生成部１３は、問診情報及び検査情報等の観測から複数の運動学的課題の仮説を生成する。
　仮説生成部１３は、前述した整数線形計画問題または充足可能性問題として定式化することにより、複数の運動学的課題の仮説を生成してもよい。また、仮説生成部１３は、複数解を出力することができるソルバを用いることにより、生成された複数の仮説を評価する評価関数の値が同じ複数の前記仮説を生成してもよい。
　仮説間リンク生成部１４は、各仮説間の相互作用を含む仮説同士の組み合わせを生成する。具体的には、仮説間リンク生成部１４は、仮説された運動学的課題間の相互作用をグラフ構造として生成してもよい。図１４～図１６は、評価関数の値が同じ複数の仮説がそれぞれグラフ構造として図視されたものである。各グラフに示された運動学的課題の仮説（点線で囲まれた事項）は、矢印での接続によって、相互作用が示されている。仮説間リンク生成部１４は、背景知識に基づき観測可能な情報を最もよく説明できる運動学的課題とそれらの相互関係をグラフ構造として出力してもよい。仮説間リンク生成部１４は、評価関数に基づき適切な運動学的課題の組み合わせとその根拠を生成してもよい。
　例えば、図１４に示すように、仮説間リンク生成部１４は、点線で囲まれた「不足腰椎屈曲（腰椎における屈曲の不足）」と「柔軟性低下脊柱起立筋」との間には相互作用があること、及び、「柔軟性低下脊柱起立筋」と「筋力低下骨盤底筋」との間には相互作用があることを矢印で結んで示している。これにより、「頭部前突」の問診情報及び検査情報から「筋力低下骨盤底筋」、「柔軟性低下脊柱起立筋」及び「不足腰椎屈曲」の運動学的課題を介して、「疼痛腰椎（腰椎における疼痛）」及び「伸展による増悪」に至るまでの推論過程を網羅的に再現することができる。よって、セラピストに示唆を与えるような見せ方を実現することができる。例えば、経験豊かなＰＴが経験的に行っているような臨床推論を再現することができる。
　観測受付部１２は、仮説生成部１３及び仮説間リンク生成部１４の少なくともいずれかから生成された仮説を観測として受け付けてもよい。例えば、仮説間リンク生成部１４が生成したグラフ構造に基づき、それを新たな観測として仮説することで、より確度の高いグラフを生成することができる。
　上述した運動機能改善支援装置１０は、例えば、パーソナルコンピュータ、サーバ、携帯端末、タブレット等の情報処理装置でもよい。運動機能改善支援装置１０は、図示しない構成としてプロセッサ、メモリ及び記憶装置、通信装置を備えてもよい。記憶装置は、運動機能改善支援装置１０の各構成が行う処理をプログラムにして記憶してもよい。また、プロセッサは、記憶装置からプログラムをメモリへ読み込ませ、当該プログラムを実行してもよい。これにより、プロセッサは、背景知識記憶部１１、観測受付部１２、仮説生成部１３及び仮説間リンク生成部１４等の運動機能改善支援装置１０における各構成の機能を実現する。通信装置は、運動機能改善支援装置１０が情報処理を行う上で必要な通信を行う。
　運動機能改善支援装置１０が有する各構成は、それぞれが専用のハードウェアで実現されてもよい。また、各構成要素の一部又は全部は、汎用または専用の回路（circuitry）、プロセッサ等やこれらの組合せによって実現されてもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。また、プロセッサとして、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field-Programmable Gate Array）、量子プロセッサ（量子コンピュータ制御チップ）等を用いることができる。
　また、運動機能改善支援装置１０の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントサーバシステム、クラウドコンピューティングシステム等により、各々が通信ネットワークを介して接続される形態として実現されてもよい。また、運動機能改善支援装置１０の機能がＳａａＳ（Software as a Service）形式で提供されてもよい。
　次に、運動機能改善支援方法を説明する。図１７は、実施形態１に係る運動機能改善支援方法を例示したフローチャート図である。図１７のステップＳ１１に示すように、観測として、例えば、問診情報及び検査情報を入力する。次に、ステップＳ１２に示すように、対象者の検査情報及び問診情報を含む観測を受け付ける。具体的には、観測受付部１２は、入力された観測を、情報処理装置によって読み出し可能な所定の形式に変換して受け付ける。
　一方、ステップＳ１３に示すように、背景知識を記憶する。背景知識は、観測可能な身体部位の状態と、観測可能な身体部位の状態の運動学的課題と、を因果関係に基づき対応付けたものである。例えば、背景知識記憶部１１は、知識ＤＢに記憶された背景知識を情報処理装置によって読み出し可能な所定の形式に変換して記憶する。ステップＳ１１及びＳ１２と、ステップＳ１３とは、並行して行ってもよいし、一方の後に他方を行ってもよい。
　次に、ステップＳ１４に示すように、仮説を生成する。具体的には、仮説生成部１３は、背景知識及び観測に基づいて仮説推論を用いて複数の運動学的課題の仮説を生成する。仮説生成部１３は、背景知識と観測を組み合わせて仮説推論を行い、複数の運動学的課題を列挙してもよい。
　次に、ステップＳ１５に示すように、仮説間リンクを生成する。具体的には、仮説間リンク生成部１４は、各仮説間の相互作用を含む仮説同士の組み合わせを生成する。仮説間リンク生成部１４は、評価関数に基づき適切な運動学的課題の組み合わせとその根拠を生成してもよい。ステップＳ１４及びステップＳ１５において、重み付き仮説推論に代表される、制約を考慮しつつ評価関数に基づいて複数解を導ける種の仮説推論を用いれば、ステップＳ１４の仮説生成及びステップＳ１５の仮説間リンク生成をセットで行うことができる。
　次に、ステップＳ１６に示すように、解が所定の数（ｋ個）に達したか判定する。解が所定の数（ｋ個）に達していないＮＯの場合には、ステップＳ１５及びステップＳ１６を繰り返す。一方、解が所定の数（ｋ個）に達したＹＥＳの場合には、ステップＳ１７に示すように処理を終了するか判断する。ステップＳ１７において、処理を終了しないＮＯの場合には、観測受付部１２は、解として生成された仮説を観測として受け付けてもよい。そして、ステップＳ１２～ステップＳ１７を繰り返してもよい。一方、ステップＳ１７において、処理を終了するＹＥＳの場合には、処理を終了する。
　次に、本実施形態の効果を説明する。本実施形態の運動機能改善支援装置１０は、問診・検査情報から、運動学的課題の制約付き相互作用を、グラフ構造として出力することにより、ＰＴが日常的に行っている臨床推論を再現することができる。よって、対象者の運動機能を効果的に改善させることができる。
　また、再現された臨床推論がグラフ構造として可視化されることで、腰痛等を主訴とする患者の身体的な状態の全体像が誰の目にも明らかになり、どの部位のどの運動を改善したらよいのかが容易に理解できるようになる。
　それぞれの運動学的課題の相互作用が可視化されているため、各運動学的課題に対する介入が与える波及効果も目に見えるようになる。このため、リハビリを含む運動機能改善計画立案の支援が可能となる。
　ＰＴの経験や力量とは無関係に患者の運動学的課題の全体像を提示できるため、均質的な介入を行うことができるようになる。
　これまで、均質な運動機能改善支援のために、限られた問診情報及び検査情報から複数の運動学的課題間の制約付き相互作用を明らかにするという課題を解決することが所望されていた。これに対して、本実施形態の運動機能改善支援装置１０は、仮説推論技術を適用することで、限られた問診情報及び検査情報から複数の運動学的課題間の制約付き相互作用を明らかにすることができる。これに対して、例えば、関連する自動診断技術は、所与の問診情報から蓋然性の高い病態・病名を提示するというものであり、一般的なＡＩ技術を用いて、判別問題や分類問題を解けば解決するものである。しかしながら、自動診断分野においては、仮説推論技術を適用した例はなく、また、上記課題設定もない。本実施形態は、運動機能改善支援において仮説推論技術を適用して、上記課題の解決を実現することができる。
　（実施形態２）
　次に、実施形態２を説明する。図１８は、実施形態２に係る運動機能改善支援装置を例示したブロック図である。図１８に示すように、本実施形態の運動機能改善支援装置２０は、前述の運動機能改善支援装置１０と比較して、さらに、複数解統合部１５及びグラフ構造表示部１６を備えている。複数解統合部１５及びグラフ構造表示部１６は、複数解統合手段及びグラフ構造表示手段としての機能を有している。
　複数解統合部１５は、生成された複数の仮説を統合する。具体的には、複数解統合部１５は、得られた複数解を統合する。図１９は、実施形態２に係る運動機能改善支援装置２０において、統合された複数の仮説を例示した図である。図１９に示すように、複数解統合部１５は、例えば、推論結果の評価関数値が同じ複数の仮説を一つにまとめて可視化する。例えば、複数解統合部１５は、図１４～図１６を統合したものを可視化してもよい。
　図２０及び図２１は、実施形態２に係る運動機能改善支援装置２０において、可視化された統合されたグラフ構造を例示した図である。図２０に示すように、グラフ構造表示部１６は、統合された仮説をグラフ構造として生成する。そして、グラフ構造表示部１６は、グラフ構造を可視化し表示する。例えば、問診情報及び検査情報（細線及び太線で囲まれた事項）から仮説された運動学的課題とそれらの関係がグラフとして可視化されている。得られた仮説が誤っていたり、仮説によって示唆された状態に対する新たな検査結果が得られた場合は、特許文献５の記載のように、それを観測に追加し、再推論することもできる。図２１に示すように、グラフ構造表示部１６が表示したグラフ構造において、エッジやノードをクリック等することで、背景知識の出典情報等の追加情報を表示させてもよい。
　また、統合された仮説間のリンクは、グラフ構造による図示だけに限らない。図２２及び図２３は、実施形態２に係る運動機能改善支援装置において、可視化された推論結果を例示した図である。図２４及び図２５は、実施形態２に係る運動機能改善支援装置において、可視化されたグラフ構造を例示した図である。図２２及び図２３に示すように、統合された仮説間のリンクは、グラフ構造による図示だけでなく、自然文や箇条書きといった手段を用いて、仮説間のリンクをレポートとして表示してもよい。例えば、所望の仮説（このケースでいえば運動学的課題）と、その根拠となる観測や仮説を自然文や箇条書きを用いて表示してもよい。なお、図２４及び図２５に示すように、グラフ構造としても、観測（問診・検査情報）と、仮説（病態・運動学的課題）とを分けて可視化する等、表示方法は、適宜選択してもよい。
　次に、実施形態２に係る運動機能改善支援方法を説明する。図２６は、実施形態２に係る運動機能改善支援方法を例示したフローチャート図である。図２６のステップＳ２１～ステップＳ２６は、図１７におけるステップＳ１１～ステップＳ１６と同様である。
　ステップＳ２６において、解が所定の数（ｋ個）に達していないＮＯの場合には、ステップＳ２５及びステップＳ２６を繰り返す。解が所定の数（ｋ個）に達したＹＥＳの場合には、ステップＳ２７に示すように、複数の仮説を統合する。具体的には、複数解統合部１５は、生成された複数の仮説を統合する。次に、ステップＳ２８に示すように、グラフ構造を表示する。具体的には、グラフ構造表示部１６は、統合された仮説をグラフ構造として生成する。
　次に、ステップＳ２９に示すように処理を終了するか判断する。ステップＳ２９において、処理を終了しないＮＯの場合には、観測受付部１２は、解として生成された仮説を観測として受け付けてもよい。そして、ステップＳ２２～ステップＳ２９を繰り返してもよい。一方、ステップＳ２９において、処理を終了するＹＥＳの場合には、処理を終了する。
　次に、本実施形態の効果を説明する。本実施形態によれば、それぞれの運動学的課題の相互作用がグラフ構造として可視化することができる。よって、ＰＴの経験や力量とは無関係に患者の運動学的課題の全体像をより明確に提示できるため、均質的な介入を行うことができるようになる。これ以外の構成及び効果は、実施形態１の記載に含まれている。
　尚、本開示は上記実施形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。例えば、実施形態１及び２の各構成を組み合わせることも可能である。
　また、上述した運動機能改善支援方法をコンピュータに読み込ませて実行させる運動機能改善支援プログラムも実施形態の技術的思想の範囲内である。運動機能改善支援プログラムは、非一時的なコンピュータ可読媒体又は実体のある記憶媒体に格納されてもよい。限定ではなく例として、コンピュータ可読媒体又は実体のある記憶媒体は、random-access memory（RAM）、read-only memory（ROM）、フラッシュメモリ、solid-state drive（SSD）又はその他のメモリ技術、CD-ROM、digital versatile disc（DVD）、Blu-ray（登録商標）ディスク又はその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ又はその他の磁気ストレージデバイスを含む。情報処理プログラムは、一時的なコンピュータ可読媒体又は通信媒体上で送信されてもよい。限定ではなく例として、一時的なコンピュータ可読媒体又は通信媒体は、電気的、光学的、音響的、またはその他の形式の伝搬信号を含む。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
　（付記Ａ１）
　観測可能な身体部位の状態と、前記状態の運動学的課題と、を因果関係に基づき対応付けた背景知識を記憶し、
　対象者の検査情報及び問診情報を含む観測を受け付け、
　前記背景知識及び前記観測に基づいて仮説推論を用いて複数の運動学的課題の仮説を生成し、
　各仮説間の相互作用を含む仮説同士の組み合わせを生成する、
　運動機能改善支援方法。
　（付記Ａ２）
　生成された各仮説を統合し、
　統合された仮説をグラフ構造として生成する、
　付記Ａ１に記載の運動機能改善支援方法。
　（付記Ａ３）
　前記観測を受け付ける際に、生成された前記仮説を前記観測として受け付ける、
　付記Ａ１またはＡ２に記載の運動機能改善支援方法。
　（付記Ａ４）
　前記背景知識を記憶する際に、前記背景知識として、同時に成立しない複数の前記運動学的課題の排他関係を記憶し、
　前記仮説を生成する際に、前記排他関係を含む前記背景知識に基づいて前記仮説を生成する、
　付記Ａ１～Ａ３のいずれか１項に記載の運動機能改善支援方法。
　（付記Ａ５）
　前記仮説を生成する際に、生成された前記仮説を評価する評価関数を用いて、各仮説を評価する、
　付記Ａ１～Ａ４のいずれか１項に記載の運動機能改善支援方法。
　（付記Ａ６）
　前記仮説を生成する際に、後ろ向き推論操作及び単一化操作を適用する重み付き仮説推論により、前記仮説を生成する、
　付記Ａ１～Ａ５のいずれか１項に記載の運動機能改善支援方法。
　（付記Ａ７）
　前記仮説を生成する際に、整数線形計画問題または充足可能性問題として定式化することにより、前記複数の前記運動学的課題の前記仮説を生成する、
　付記Ａ１～Ａ６のいずれか１項に記載の運動機能改善支援方法。
　（付記Ａ８）
　前記仮説を生成する際に、複数解を出力することができるソルバを用いることにより、生成された前記複数の前記仮説を評価する評価関数の値が同じ前記複数の前記仮説を生成する、
　付記Ａ１～Ａ７のいずれか１項に記載の運動機能改善支援方法。
　（付記Ｂ１）
　観測可能な身体部位の状態と、前記状態の運動学的課題とを因果関係に基づき対応付けた背景知識を記憶させ、
　対象者の検査情報及び問診情報を含む観測を受け付けさせ、
　前記背景知識及び前記観測に基づいて仮説推論を用いて複数の運動学的課題の仮説を生成させ、
　各仮説間の相互作用を含む仮説同士の組み合わせを生成させる、
　ことをコンピュータに実行させる運動機能改善支援プログラム。
　（付記Ｂ２）
　生成された各仮説を統合させ、
　統合された仮説をグラフ構造として生成させる、
　ことをコンピュータに実行させる付記Ｂ１に記載の運動機能改善支援プログラム。
　（付記Ｂ３）
　前記観測を受け付けさせる際に、生成された前記仮説を前記観測として受け付けさせる、
　ことをコンピュータに実行させる付記Ｂ１またはＢ２に記載の運動機能改善支援プログラム。
　（付記Ｂ４）
　背景知識を記憶させる際に、前記背景知識として、同時に成立しない複数の前記運動学的課題の排他関係を記憶させ、
　前記仮説を生成させる際に、前記排他関係を含む前記背景知識に基づいて前記仮説を生成させる、
　ことをコンピュータに実行させる付記Ｂ１～Ｂ３のいずれか１項に記載の運動機能改善支援プログラム。
　（付記Ｂ５）
　前記仮説を生成させる際に、生成された前記仮説を評価する評価関数を用いて、各仮説を評価させる、
　ことをコンピュータに実行させる付記Ｂ１～Ｂ４のいずれか１項に記載の運動機能改善支援プログラム。
　（付記Ｂ６）
　前記仮説を生成させる際に、後ろ向き推論操作及び単一化操作を適用する重み付き仮説推論により、前記仮説を生成させる、
　ことをコンピュータに実行させる付記Ｂ１～Ｂ５のいずれか１項に記載の運動機能改善支援プログラム。
　（付記Ｂ７）
　前記仮説を生成させる際に、整数線形計画問題または充足可能性問題として定式化することにより、前記複数の前記運動学的課題の前記仮説を生成させる、
　ことをコンピュータに実行させる付記Ｂ１～Ｂ６のいずれか１項に記載の運動機能改善支援プログラム。
　（付記Ｂ８）
　前記仮説を生成させる際に、複数解を出力することができるソルバを用いることにより、生成された前記複数の前記仮説を評価する評価関数の値が同じ前記複数の前記仮説を生成させる、
　ことをコンピュータに実行させる付記Ｂ１～Ｂ７のいずれか１項に記載の運動機能改善支援プログラム。
　以上、実施の形態を参照して本願発明を説明したが、本願発明は上記によって限定されるものではない。本願発明の構成や詳細には、発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　この出願は、２０２２年３月３１日に出願された日本出願特願２０２２－０５８１９７を基礎とする優先権を主張し、その開示の全てをここに取り込む。
１０、２０　運動機能改善支援装置
１１　背景知識記憶部
１２　観測受付部
１３　仮説生成部
１４　仮説間リンク生成部
１５　複数解統合部
１６　グラフ構造表示部

Claims (24)

  1. 　観測可能な身体部位の状態と、前記状態の運動学的課題と、を因果関係に基づき対応付けた背景知識を記憶する背景知識記憶手段と、
    　対象者の検査情報及び問診情報を含む観測を受け付ける観測受付手段と、
    　前記背景知識及び前記観測に基づいて仮説推論を用いて複数の運動学的課題の仮説を生成する仮説生成手段と、
    　各仮説間の相互作用を含む仮説同士の組み合わせを生成する仮説間リンク生成手段と、
    　を備えた運動機能改善支援装置。
  2. 　生成された各仮説を統合する複数解統合手段と、
    　統合された仮説をグラフ構造として生成するグラフ構造表示手段と、
    　をさらに備えた請求項１に記載の運動機能改善支援装置。
  3. 　前記観測受付手段は、生成された前記仮説を前記観測として受け付ける、
    　請求項１または２に記載の運動機能改善支援装置。
  4. 　前記背景知識記憶手段は、前記背景知識として、同時に成立しない複数の前記運動学的課題の排他関係を記憶し、
    　前記仮説生成手段は、前記排他関係を含む前記背景知識に基づいて前記仮説を生成する、
    　請求項１～３のいずれか１項に記載の運動機能改善支援装置。
  5. 　前記仮説生成手段は、生成された前記仮説を評価する評価関数を用いて、各仮説を評価する、
    　請求項１～４のいずれか１項に記載の運動機能改善支援装置。
  6. 　前記仮説生成手段は、後ろ向き推論操作及び単一化操作を適用する重み付き仮説推論により、前記仮説を生成する、
    　請求項１～５のいずれか１項に記載の運動機能改善支援装置。
  7. 　前記仮説生成手段は、整数線形計画問題または充足可能性問題として定式化することにより、複数の前記運動学的課題の前記仮説を生成する、
    　請求項１～６のいずれか１項に記載の運動機能改善支援装置。
  8. 　前記仮説生成手段は、複数解を出力することができるソルバを用いることにより、生成された前記複数の前記仮説を評価する評価関数の値が同じ複数の前記仮説を生成する、
    　請求項１～７のいずれか１項に記載の運動機能改善支援装置。
  9. 　観測可能な身体部位の状態と、前記状態の運動学的課題と、を因果関係に基づき対応付けた背景知識を記憶し、
    　対象者の検査情報及び問診情報を含む観測を受け付け、
    　前記背景知識及び前記観測に基づいて仮説推論を用いて複数の運動学的課題の仮説を生成し、
    　各仮説間の相互作用を含む仮説同士の組み合わせを生成する、
    　運動機能改善支援方法。
  10. 　生成された各仮説を統合し、
    　統合された仮説をグラフ構造として生成する、
    　請求項９に記載の運動機能改善支援方法。
  11. 　前記観測を受け付ける際に、生成された前記仮説を前記観測として受け付ける、
    　請求項９または１０に記載の運動機能改善支援方法。
  12. 　前記背景知識を記憶する際に、前記背景知識として、同時に成立しない複数の前記運動学的課題の排他関係を記憶し、
    　前記仮説を生成する際に、前記排他関係を含む前記背景知識に基づいて前記仮説を生成する、
    　請求項９～１１のいずれか１項に記載の運動機能改善支援方法。
  13. 　前記仮説を生成する際に、生成された前記仮説を評価する評価関数を用いて、各仮説を評価する、
    　請求項９～１２のいずれか１項に記載の運動機能改善支援方法。
  14. 　前記仮説を生成する際に、後ろ向き推論操作及び単一化操作を適用する重み付き仮説推論により、前記仮説を生成する、
    　請求項９～１３のいずれか１項に記載の運動機能改善支援方法。
  15. 　前記仮説を生成する際に、整数線形計画問題または充足可能性問題として定式化することにより、前記複数の前記運動学的課題の前記仮説を生成する、
    　請求項９～１４のいずれか１項に記載の運動機能改善支援方法。
  16. 　前記仮説を生成する際に、複数解を出力することができるソルバを用いることにより、生成された前記複数の前記仮説を評価する評価関数の値が同じ前記複数の前記仮説を生成する、
    　請求項９～１５のいずれか１項に記載の運動機能改善支援方法。
  17. 　観測可能な身体部位の状態と前記状態の運動学的課題とを因果関係に基づき対応付けた背景知識を記憶させ、
    　対象者の検査情報及び問診情報を含む観測を受け付けさせ、
    　前記背景知識及び前記観測に基づいて仮説推論を用いて複数の運動学的課題の仮説を生成させ、
    　各仮説間の相互作用を含む仮説同士の組み合わせを生成させる、
    　ことをコンピュータに実行させる運動機能改善支援プログラムが格納された非一時的なコンピュータ可読媒体。
  18. 　生成された各仮説を統合させ、
    　統合された仮説をグラフ構造として生成させる、
    　ことをコンピュータに実行させる請求項１７に記載の運動機能改善支援プログラムが格納された非一時的なコンピュータ可読媒体。
  19. 　前記観測を受け付けさせる際に、生成された前記仮説を前記観測として受け付けさせる、
    　ことをコンピュータに実行させる請求項１７または１８に記載の運動機能改善支援プログラムが格納された非一時的なコンピュータ可読媒体。
  20. 　背景知識を記憶させる際に、前記背景知識として、同時に成立しない複数の前記運動学的課題の排他関係を記憶させ、
    　前記仮説を生成させる際に、前記排他関係を含む前記背景知識に基づいて前記仮説を生成させる、
    　ことをコンピュータに実行させる請求項１７～１９のいずれか１項に記載の運動機能改善支援プログラムが格納された非一時的なコンピュータ可読媒体。
  21. 　前記仮説を生成させる際に、生成された前記仮説を評価する評価関数を用いて、各仮説を評価させる、
    　ことをコンピュータに実行させる請求項１７～２０のいずれか１項に記載の運動機能改善支援プログラムが格納された非一時的なコンピュータ可読媒体。
  22. 　前記仮説を生成させる際に、後ろ向き推論操作及び単一化操作を適用する重み付き仮説推論により、前記仮説を生成させる、
    　ことをコンピュータに実行させる請求項１７～２１のいずれか１項に記載の運動機能改善支援プログラムが格納された非一時的なコンピュータ可読媒体。
  23. 　前記仮説を生成させる際に、整数線形計画問題または充足可能性問題として定式化することにより、前記複数の前記運動学的課題の前記仮説を生成させる、
    　ことをコンピュータに実行させる請求項１７～２２のいずれか１項に記載の運動機能改善支援プログラムが格納された非一時的なコンピュータ可読媒体。
  24. 　前記仮説を生成させる際に、複数解を出力することができるソルバを用いることにより、生成された前記複数の前記仮説を評価する評価関数の値が同じ前記複数の前記仮説を生成させる、
    　ことをコンピュータに実行させる請求項１７～２３のいずれか１項に記載の運動機能改善支援プログラムが格納された非一時的なコンピュータ可読媒体。
PCT/JP2023/003335 2022-03-31 2023-02-02 運動機能改善支援装置、運動機能改善支援方法及び非一時的なコンピュータ可読媒体 WO2023188800A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-058197 2022-03-31
JP2022058197 2022-03-31

Publications (1)

Publication Number Publication Date
WO2023188800A1 true WO2023188800A1 (ja) 2023-10-05

Family

ID=88200847

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/003335 WO2023188800A1 (ja) 2022-03-31 2023-02-02 運動機能改善支援装置、運動機能改善支援方法及び非一時的なコンピュータ可読媒体

Country Status (1)

Country Link
WO (1) WO2023188800A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019207634A (ja) * 2018-05-30 2019-12-05 学校法人自治医科大学 診断支援装置、診断支援方法及び診断支援プログラム
WO2020003585A1 (ja) * 2018-06-25 2020-01-02 日本電気株式会社 仮説推論装置、仮説推論方法及びコンピュータ可読媒体
WO2021205956A1 (ja) * 2020-04-06 2021-10-14 オムロン株式会社 生活機能評価システム、生活機能評価プログラム及び生活機能評価方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019207634A (ja) * 2018-05-30 2019-12-05 学校法人自治医科大学 診断支援装置、診断支援方法及び診断支援プログラム
WO2020003585A1 (ja) * 2018-06-25 2020-01-02 日本電気株式会社 仮説推論装置、仮説推論方法及びコンピュータ可読媒体
WO2021205956A1 (ja) * 2020-04-06 2021-10-14 オムロン株式会社 生活機能評価システム、生活機能評価プログラム及び生活機能評価方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ANONYMOUS: "An approach to improve excessive lumbar lordosis that causes back pain", 4 June 2016 (2016-06-04), XP093097595, Retrieved from the Internet <URL:https://web.archive.org/web/20160604030325/http://rigakuryouhourinshou.blog.fc2.com/blog-entry-155.html> *

Similar Documents

Publication Publication Date Title
AU2020260078B2 (en) Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers
US20200334809A1 (en) Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers
US11282196B2 (en) Automated patient complexity classification for artificial intelligence tools
US20180268262A1 (en) Information processing device and non-transitory computer readable medium
US9715657B2 (en) Information processing apparatus, generating method, medical diagnosis support apparatus, and medical diagnosis support method
Djulbegovic et al. Transforming clinical practice guidelines and clinical pathways into fast‐and‐frugal decision trees to improve clinical care strategies
KR102140402B1 (ko) 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치
JP2021509301A (ja) 医用画像からの心エコー計測値の自動化抽出のための方法、コンピュータプログラム及び装置
US11600387B2 (en) Control method and reinforcement learning for medical system
US20190139643A1 (en) Facilitating medical diagnostics with a prediction model
Kukar Transductive reliability estimation for medical diagnosis
KR20230085125A (ko) 인공지능 모델을 사용 기관에 특화시키는 학습 방법, 이를 수행하는 장치
EP3618080B1 (en) Reinforcement learning for medical system
Patil et al. A proposed model for lifestyle disease prediction using support vector machine
JP7107375B2 (ja) 状態遷移予測装置、予測モデル学習装置、方法およびプログラム
US11557399B2 (en) Integrative machine learning framework for combining sentiment-based and symptom-based predictive inferences
CN112927788B (zh) 一种体检项目推荐方法、装置、设备及存储介质
Fansi Tchango et al. Towards trustworthy automatic diagnosis systems by emulating doctors' reasoning with deep reinforcement learning
Briganti A clinician’s guide to large language models
WO2023188800A1 (ja) 運動機能改善支援装置、運動機能改善支援方法及び非一時的なコンピュータ可読媒体
TWI823277B (zh) 醫療系統、控制方法以及非暫態電腦可讀取儲存媒體
US20230307133A1 (en) Method and system for generating a patient-specific clinical meta-pathway using machine learning
US20210005320A1 (en) Method of inferring a need for medical test
JP2021189093A (ja) 自己免疫性水疱症の診断装置
EP4123518A1 (en) Information processing device, information processing system, information processing method and program

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: 23778836

Country of ref document: EP

Kind code of ref document: A1