WO2024038618A1 - インシリコ心疾患データベース活用方法、インシリコ心疾患データベース活用プログラム、および情報処理装置 - Google Patents

インシリコ心疾患データベース活用方法、インシリコ心疾患データベース活用プログラム、および情報処理装置 Download PDF

Info

Publication number
WO2024038618A1
WO2024038618A1 PCT/JP2022/032302 JP2022032302W WO2024038618A1 WO 2024038618 A1 WO2024038618 A1 WO 2024038618A1 JP 2022032302 W JP2022032302 W JP 2022032302W WO 2024038618 A1 WO2024038618 A1 WO 2024038618A1
Authority
WO
WIPO (PCT)
Prior art keywords
electrocardiogram
heart disease
storage unit
factor
group
Prior art date
Application number
PCT/JP2022/032302
Other languages
English (en)
French (fr)
Inventor
俊明 久田
清了 杉浦
巧 鷲尾
純一 岡田
克仁 藤生
Original Assignee
株式会社ＵＴ−Ｈｅａｒｔ研究所
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 株式会社ＵＴ−Ｈｅａｒｔ研究所 filed Critical 株式会社ＵＴ−Ｈｅａｒｔ研究所
Priority to JP2023506475A priority Critical patent/JP7266349B1/ja
Priority to EP22940510.5A priority patent/EP4350711A1/en
Priority to CN202280034258.6A priority patent/CN117916816A/zh
Priority to PCT/JP2022/032302 priority patent/WO2024038618A1/ja
Publication of WO2024038618A1 publication Critical patent/WO2024038618A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to an in silico heart disease database utilization method, an in silico heart disease database utilization program, and an information processing device.
  • Cardiac simulation technology that reproduces the cardiac activity of healthy patients or patients with heart disease as a physical and physiological mathematical model on a computer has been put into practical use in recent years.
  • each patient's heart model can be mathematically reproduced on a computer, and then treatment can be virtually simulated on the computer to determine the state of the heart after treatment. It is also possible to predict. This allows doctors to assist in selecting the most appropriate treatment method for each patient.
  • a heart model that reproduces the preoperative state is first created, and then multiple surgical procedures are applied to the heart.
  • Patent Document 2 when administering cardiac resynchronization therapy (CRT) using biventricular pacing to a certain patient, electrical stimulation is output from the CRT device through a preliminary simulation. It is possible to quantitatively check for each patient whether the position of the electrode that conveys the information to the heart is appropriate, and the degree of its effectiveness before the treatment. All of these are positioned as tailor-made medical treatments based on cardiac simulation technology.
  • CRT cardiac resynchronization therapy
  • the in silico heart disease database can easily obtain data corresponding to various indicators of standard 12-lead electrocardiograms and echocardiograms from cardiac simulation results through ancillary calculations, so it is used not only for basic medical research but also for clinical medical research. be able to.
  • the reason why this is called an "in silico heart disease database” rather than a mere “heart disease database” is to distinguish it from a heart disease database based on actual clinical data from hospitals.
  • Figure 1 shows the concept of an in silico heart disease database.
  • Japan with heart failure a disease that causes a decline in quality of life and even death due to abnormal heart function caused by various causes such as myocardial infarction, cardiomyopathy, and valvular heart disease.
  • the number of cancer patients is higher than that of cancer patients.
  • the number of patients with atrial fibrillation, a type of arrhythmia is estimated to be approximately 800,000, just the number diagnosed through medical examinations, and if the number of potential patients is included, the actual number is said to exceed 1 million. ing. From an economic perspective, Japan's medical expenses for cardiovascular diseases, excluding cerebrovascular diseases, amount to 4.1 trillion yen, which is on par with 4.2 trillion yen for cancer.
  • the most fundamental limitation of AI is that it can only make superficial predictions and explanations based on the given data. This also applies to automatic diagnosis that is not based on AI. Therefore, in order to dramatically improve prediction accuracy and provide essential treatments, it is necessary to go beyond superficial predictions and explanations based on electrocardiogram and echocardiographic data to understand the truth behind them, that is, the physiological mechanisms of heart disease. It is thought that it will be necessary to introduce new methods that involve
  • the problem to be solved by the present invention is, based on the above-mentioned viewpoint, to provide information processing that enables more reliable early detection of the onset of heart disease and the development of rational treatment methods by utilizing the above-mentioned "in silico heart disease database.” It is the construction of technology.
  • an in silico heart disease database containing electrocardiograms and echocardiographic indicators obtained through ancillary calculations will be utilized as follows. That is, the electrocardiogram and echocardiographic index of each heart model in the in silico heart disease database are input into an automatic diagnostic device for diagnosis. They are then classified into a group that is determined to be positive for heart disease and a group that is determined to be negative. Note that the group determined to be positive may be classified into a plurality of groups depending on the degree of progression of heart disease.
  • the automatic diagnostic device may be an AI created by machine learning using a large number of actual electrocardiograms, actual echocardiogram indicators, and diagnostic results as training data, or may be an AI that is not based on AI, such as software attached to the diagnostic device. It may be.
  • electrocardiogram and echocardiographic index including the following, it is sufficient to refer to only one of them, rather than both the electrocardiogram and echocardiogram index.
  • the second option is to identify a heart model with electrocardiograms and echocardiographic indicators in the in silico heart disease database that are most similar to an individual's actual electrocardiograms and echocardiographic indicators.
  • electrocardiograms in particular undergo various modifications, so before determining the degree of similarity, it is necessary to appropriately convert the electrocardiogram in the in silico heart disease database and the actual electrocardiogram of the individual. Further, AI may be used to determine the degree of similarity, or other mathematical methods may be used.
  • a group having certain characteristics is intentionally extracted as a subset from an in silico heart disease database by focusing on simulation results or combinations of variation amounts of a plurality of factors. For example, by extracting electrocardiograms with long QT intervals as simulation results, a heart group with a high risk of arrhythmia occurrence can be obtained.
  • the distribution of the amount of variation in each factor from micro to macro is analyzed. This makes it possible to identify a factor or a group of factors related to heart disease, and to develop highly accurate heart disease onset prediction technology using this as a physiological biomarker. Furthermore, it is possible to estimate the mechanism of heart disease onset based on the physiological causal relationships between the factors or groups of factors, and to provide information for the development of treatments that suppress fluctuations in the factors or groups of factors. .
  • each factor constituting the heart of a certain individual is identified. Since the amount of variation in is known, it can be considered that it represents the physiological state of the individual.
  • factors or factor groups related to various heart diseases are identified as biomarkers, and their variation distributions are obtained for each positive and negative group, so these variation distributions and the individual
  • biomarkers are identified as biomarkers, and their variation distributions are obtained for each positive and negative group, so these variation distributions and the individual
  • By comparing the amount of variation of each factor it is possible to correlate an individual's health condition with heart disease and make a precise diagnosis. In this way, it is characterized by the ability to connect simple tests such as electrocardiograms and echocardiograms to precision medicine.
  • the user of the present invention intentionally extracts a group of interest, such as a group with a high risk of arrhythmia, and easily calculates the effect of administering a drug to this group on a computer. Since it can be evaluated, it becomes a tool to accelerate drug discovery.
  • a group of interest such as a group with a high risk of arrhythmia
  • the TQT test through QT/QTc
  • the above evaluation is characterized in that it can be easily performed without re-executing the cardiac simulation, as will be specifically explained in the third embodiment.
  • FIG. 1 is a diagram showing a functional configuration of an information processing device 10 that provides information for identifying factors related to the onset of heart disease, analyzing mechanisms, and developing rational treatment methods according to a first embodiment
  • FIG. 3 is a flowchart illustrating an example of an information processing procedure according to the first embodiment.
  • 1 is a diagram showing an example of a system configuration and a hardware configuration according to a first embodiment
  • FIG. 2 is a diagram showing an overview of the causes of electrocardiograms and an example of the range that can be covered by an in silico heart disease database.
  • FIG. 7 is a flowchart illustrating an example of an information processing procedure according to the second embodiment.
  • FIG. 7 is a diagram showing a functional configuration of an information processing device 30 that easily evaluates the effect of administering a drug to a group having certain characteristics according to a third embodiment.
  • 12 is a flowchart illustrating an example of an information processing procedure according to a third embodiment.
  • FIG. 4 is a diagram showing a functional configuration of an information processing device 40 that provides information for specifying factors involved in therapeutic effects, analyzing mechanisms, and developing rational treatment methods according to another embodiment.
  • 7 is a flowchart illustrating an example of an information processing procedure according to another embodiment.
  • the first embodiment provides information for identifying factors involved in the onset of heart disease, analyzing the mechanism of heart disease, and developing rational treatment methods.
  • FIG. 2 is a diagram showing an example of the first embodiment.
  • FIG. 2 shows the functional configuration of an information processing device 10 that provides information for identifying factors related to the onset of heart disease, analyzing the mechanism of heart disease, and developing rational treatment methods.
  • the information processing device 10 includes a storage unit 11 into which all or part of the data of the in silico heart disease database is imported, and a processing unit 12. As the concept is shown in FIG. 1, the in silico heart disease database stores a large number of cardiac simulation results.
  • Cardiac simulation is performed by varying various factors that may be involved in heart disease from normal values, and a certain combination of the amount of variation of each factor corresponds to one case. In each case, all the results of the cardiac simulation are stored together with the variation data 1 of each factor. Note that the factors shown in this figure are rough examples. For example, in the case of ion channels, each factor is a subdivided ion channel such as potassium, sodium, and calcium. Cardiac simulation consists of simulations related to electrical and mechanical phenomena, and in electrical simulation, a heart model is embedded in a torso model ( Figure 1).
  • electrocardiogram 2 can be obtained by extracting electric potentials from nine electrode positions for a standard 12-lead electrocardiogram on the torso and performing some calculations.
  • moment-by-moment movement of the heart wall can be obtained from mechanical simulation, by processing the coordinates of the heart wall, it is possible to obtain various echocardiographic indicators 3, such as changes in the diameter of the left ventricle and blood stroke volume. I can do it. All of these are prepared in an in silico heart disease database.
  • the storage unit 11 stores at least variation data 1, electrocardiogram 2, and echocardiogram index 3 for each factor in each case.
  • the processing unit 12 includes a classifier 4 and a statistical processing device 5.
  • the case number, electrocardiogram, and echocardiogram index of each case stored in the storage unit 11 are input to the classifier 4.
  • the automatic diagnosis in the classifier 4 may be, for example, an AI created by machine learning using a large number of real electrocardiograms, real echocardiogram indicators, and diagnostic results as training data, or may be performed using software other than AI attached to the device. It may be.
  • Each case input from the storage unit 11 is diagnosed by the classifier 4 and classified into a positive (+) group and a negative (-) group for a certain heart disease.
  • Patent Document 3 an AI that diagnoses heart failure from machine learning (deep learning) of actual electrocardiograms has been developed. Since the statistical processor 5 knows the amount of variation of each factor associated with each case number, it is a program that statistically organizes it.
  • the amount of variation for each factor is divided into five levels from small to large, so for each case, each factor is divided into groups of (+) or (-). Add 1 to the appropriate location in the 5-level tally box for one of the groups. If such operations are performed for all cases, a (+) group distribution and a (-) group distribution can be obtained for the amount of variation of each factor. In this example, the image of the distribution is expressed by the shading of each summary box. If there is no significant difference in the distribution of a certain factor between the (+) group and the (-) group, this factor can be considered to be unrelated to the target heart disease. Conversely, if there is a significant difference between the two distributions, the factor can be considered to be related to the target heart disease.
  • the automatic diagnosis using classifier 4 was performed by dividing a certain heart disease into two groups, positive (+) and negative (-), but it is divided into two groups, positive (+) and negative (-), depending on the degree of progression of the heart disease. It may also be an automatic diagnosis that classifies the For example, regarding heart failure, the New York Heart Association's classification of heart function ranges from NYHAI (heart disease exists but no symptoms during normal physical activity) to IV (heart failure symptoms and anginal pain occur even when at rest). Since the four-stage classification is often used clinically, a classifier that classifies according to this may also be used.
  • FIG. 3 is a flowchart showing an example of the above information processing procedure.
  • Step S11 Factor variation 1, electrocardiogram 2, and echocardiogram index 3 are read for all cases from the in silico heart disease database and stored in the storage unit 11. Each case is assigned a case number.
  • Step S12 The electrocardiogram 2 and echocardiogram index 3 for each case are retrieved from the storage unit 11 and input into the classifier 4 to classify them into either a group with heart disease (+) or without (-). do.
  • Step S13 In the statistical processor 5, a summary box representing the amount of variation of each factor is prepared for each of the (+) group and the none (-) group, so for each factor (+) Add 1 to the appropriate tally box for either the (-) group or the (-) group.
  • Step S14 For the variation amount of each factor, the distribution of the values in each summary box of the (+) group and the value of each summary box in the (-) group, that is, the variation distribution is obtained.
  • Step S15 The variation distributions of the (+) and (-) groups are compared, and factors with a significant difference are identified as biomarkers.
  • Step S16 A mechanism analysis of the onset of heart disease is performed, taking into account the causal relationships between factors.
  • Information for developing a rational treatment method is provided from the biomarkers identified in step S15 and the mechanism of heart disease onset analyzed in step 16.
  • FIG. 4 is a diagram showing an example of the system configuration and hardware configuration.
  • the information processing device 10 is connected via a network 300 to a data server 200 that stores an in silico heart disease database.
  • the entire information processing device 10 is controlled by a processor 100.
  • a memory 102 and a plurality of peripheral devices are connected to the processor 100 via a bus 108.
  • Processor 100 may be a multiprocessor.
  • the processor 100 is, for example, a CPU (Central Processing Unit), an MPU (Micro Processing Unit), or a DSP (Digital Signal Processor).
  • ASIC application specific integrated circuit
  • PLD programmable logic device
  • Memory 102 is used as a main storage device of storage unit 11.
  • the memory 102 temporarily stores at least a portion of OS (Operating System) programs and application programs to be executed by the processor 100.
  • the memory 102 also stores various data used for processing by the processor 100.
  • a volatile semiconductor storage device such as a RAM (Random Access Memory) is used, for example.
  • Peripheral devices connected to the bus 108 include a storage device 104, a GPU (Graphics Processing Unit) 101, an input interface 103, an optical drive device 105, a device connection interface 107, and a network interface 106.
  • the storage device 104 electrically or magnetically writes and reads data to and from a built-in recording medium.
  • the storage device 104 is used as an auxiliary storage device for the information processing device 10.
  • the storage device 104 stores OS programs, application programs, and various data. Note that as the storage device 104, for example, an HDD (Hard Disk Drive) or an SSD (Solid State Drive) can be used.
  • the GPU 101 is an arithmetic unit that performs image processing, and is also called a graphics controller.
  • a monitor 109 is connected to the GPU 101 .
  • the GPU 102 displays an image on the screen of the monitor 109 according to instructions from the processor 100. Examples of the monitor 109 include a display device using organic EL (Electro Luminescence), a liquid crystal display device, and the like.
  • a keyboard 110 and a mouse 111 are connected to the input interface 103.
  • the input interface 103 transmits signals sent from the keyboard 110 and mouse 111 to the processor 100.
  • the mouse 111 is an example of a pointing device, and other pointing devices can also be used. Other pointing devices include touch panels, tablets, touch pads, trackballs, and the like.
  • the optical drive device 105 reads data recorded on the optical disc 112 or writes data to the optical disc 112 using laser light or the like.
  • the optical disc 112 is a portable recording medium on which data is recorded so that it can be read by reflecting light. Examples of the optical disc 112 include a DVD (Digital Versatile Disc), a DVD-RAM, a CD-ROM (Compact Disc Read Only Memory), and a CD-R (Recordable)/RW (ReWritable).
  • the device connection interface 107 is a communication interface for connecting peripheral devices to the information processing device 10.
  • a memory device 113 or a memory reader/writer 114 can be connected to the device connection interface 107.
  • the memory device 113 is a recording medium equipped with a communication function with the device connection interface 107.
  • the memory reader/writer 114 is a device that writes data to or reads data from the memory card 115.
  • the memory card 115 is a card-type recording medium.
  • Network interface 106 is connected to network 300.
  • the network interface 106 sends and receives data to and from other computers or communication devices via the network 300.
  • the network interface 106 is a wired communication interface that is connected to a wired communication device such as a switch or a router using a cable.
  • the network interface 106 may be a wireless communication interface that is communicatively connected to a wireless communication device such as a base station or an access point using radio waves.
  • the information processing device 10 can implement the processing functions of the first embodiment using, for example, the above hardware. Note that if the processor 100 of the information processing device 10 has high performance and the memory 102 and storage device 104 have sufficient capacity, the information processing device 10 can perform a large number of cardiac simulations and create an in silico heart disease database by itself. Good too.
  • the second embodiment is a detailed diagnosis of an individual's heart disease based on a simple medical examination. Electrocardiograms and echocardiograms are often used in regular medical checkups and routine tests.
  • FIG. 5 shows an overview of the causes of electrocardiograms and the range covered by the in silico heart disease database of Non-Patent Document 3, as an example of the range covered by the in silico heart disease database.
  • the heart rate is an electrocardiogram under conditions of 1 Hz (60 beats/min), but the actual heart rate varies due to the influence of the sympathetic nervous system, and as a result, the electrocardiogram, which is an important indicator, is The time from the Q wave to the end of the T wave (QT interval) will be different.
  • the Basett equation shown below is widely used.Based on these, the waveform of an individual's actual electrocardiogram is first digitized, and then adjusted in the time axis direction by a computer program. .
  • QT and RR represent the QT interval and the RR interval (one cardiac cycle).
  • QTC is the corrected QT interval.
  • Non-Patent Document 4 the QRS width is corrected using the following formula.
  • QRSc and QRS represent the QRS width after correction and before correction.
  • an example of a correction method for physique will be shown. As obesity progresses, the diaphragm rises, causing a change in angle that turns the heart sideways, and the electrocardiogram waveform is affected by the change in heart angle. Therefore, the anatomical axis of the heart is estimated from a chest X-ray image taken during a regular medical checkup.
  • the heart model in the in silico heart disease database is rotated to match this anatomical axis, and electrocardiograms are recalculated using a computer program for all cases.
  • recalculation of the electrocardiogram can be easily performed using, for example, the following equation (3). can.
  • Equation (3) gives the potential ⁇ (r) created at the point of the position vector r by the charge q at the position vector r', assuming a homogeneous infinite medium with a dielectric constant ⁇ . Since the instantaneous outflow or inflow current at each calculation grid point r' in the myocardium is calculated and stored through cardiac simulation, by evaluating the charge q, the potential ⁇ (r ) is required immediately. In addition to changes in the angle of the heart, an increase in the distance between the electrode and the heart due to an increase in body thickness (thickness of the fat layer) can also be considered. In this case, the electrode position vector r in equation (3) may be corrected. Further, if necessary, the dielectric constant ⁇ may be corrected in consideration of the fat layer.
  • FIG. 6 shows an example of the second embodiment.
  • FIG. 6 shows the functional configuration of the information processing device 20 that identifies a heart model having an electrocardiogram and echocardiographic index in the in silico heart disease database that is most similar to a real electrocardiogram and echocardiographic index of a certain individual.
  • the information processing device 20 has a function 21 that corrects the heart rate of an individual's actual electrocardiogram, a function 22 that corrects the in silico heart disease database for body physique, a storage unit 23 that stores data corrected by the function 22, and similar data. It consists of a searcher 24. As mentioned above, correction 21 regarding the heartbeat is performed on the actual electrocardiogram 7 of a certain individual to obtain the actual electrocardiogram 8 after correction.In the storage unit 11, correction 22 is performed on the electrocardiogram 2 regarding the physique, and the correction 21 is performed on the electrocardiogram 6 after correction. replace.
  • a similar data searcher selects the case that is closest to the combination of the individual's corrected actual electrocardiogram 8 and the actual echocardiogram index 9. 24.
  • the similar data searcher 24 may use AI, for example.
  • the AI may be machine learning in which features are specified by a person, or it may be a deep learning type.
  • a waveform whose cross-correlation coefficient is closest to 1 may be selected without using AI.
  • the echocardiographic index for example, the least squares method may be used, which minimizes the sum of squares of errors of each index (numeric value).
  • FIG. 7 is a flowchart showing an example of the above information processing procedure.
  • Step S21 The factor variation amounts, electrocardiograms, echocardiogram indicators, and electrical excitation propagation analysis results for all cases are read from the in silico heart disease database and stored in the storage unit 11.
  • Step S22 Based on the electrical excitation propagation analysis results stored in the storage unit 11, a new electrocardiogram 6 is recalculated in accordance with the physique of a certain individual to be diagnosed, and replaced with the electrocardiogram 2. It is stored in the storage unit 23 along with the data. If the individual's physique is close to the standard physique used to create the in silico heart disease database, this electrocardiogram recalculation can be omitted.
  • Step S23 The actual electrocardiogram 7 of the individual is corrected in step 21 to become an actual electrocardiogram 8 with a heart rate of 60.
  • Step S24 If the electrocardiogram is recalculated using the similar data searcher 24, the case having the electrocardiogram and echocardiogram most similar to the corrected actual electrocardiogram 8 and actual echocardiogram index 9 is stored in the storage unit 23. Therefore, if the electrocardiogram is not recalculated, it is identified from the storage unit 11.
  • Step S25 Diagnosis is performed by comparing the amount of variation of each factor of the case selected in step S24 with the processing results of the statistical processor 5 of FIG. 2 (first embodiment).
  • the example of the system configuration and hardware configuration is the same as that shown in FIG.
  • FIG. 8 is a diagram showing an example of the third embodiment.
  • the information processing device 30 of FIG. 8 In the information processing device 30 of FIG.
  • Non-Patent Document 6 As a specific example, as a factor variation of the KCNH2 channel that controls the potassium current IKr, the IKr current before drug administration is 100%, 90%, 80%, 70%, 60%, etc.) If the channel inhibition rate by drug administration was 10% from the patch clamp experiment, the IKr current after drug administration would be 90%, 81%, 72%, 63%, and 54%. (adjust to 5 levels).
  • a virtual population after drug administration in which the fluctuations of each factor are adjusted in this way is stored in the storage unit 34.
  • the case closest to the factor variation of each case stored in the storage unit 34 is extracted from the original population in the storage unit 11 by processing 35, and is stored in the storage unit 36 together with the accompanying electrocardiogram and echocardiogram index.
  • the virtual population before medication is stored in the storage unit 32, the distribution of the electrocardiogram/echocardiogram index before medication can be obtained by referring to the storage unit 11. Therefore, through processes 37 and 38, it is possible to compare electrocardiograms and echocardiogram indicators before and after medication, and it is possible to statistically evaluate the effects of medication on a population with certain characteristics.
  • FIG. 9 is a flowchart showing an example of the above information processing procedure.
  • Step S31 The factor variations, electrocardiograms, and echocardiographic indicators of all cases are read from the in silico heart disease database and stored in the storage unit 11.
  • Step S32 Each case in the storage unit 11 is selected by focusing on the simulation results or factor variations (process 31), and a virtual group before medication is stored in the storage unit 32.
  • Step S33 The amount of variation of each factor due to the effect of the drug is adjusted by the process 33, and the virtual population after the drug is stored in the storage unit 34.
  • Step S34 A case that most closely approximates the factor variation distribution of each case after adjustment is extracted from the original data stored in the storage unit 11 by processing 35, and is stored in the storage unit 36 along with the accompanying electrocardiogram and echocardiographic index. .
  • Step S35 Obtain the electrocardiogram and echocardiographic index distribution of the virtual group before and after medication (processes 37 and 38).
  • Step S36 Based on step S35, the effect of medication on a certain virtual population can be predicted by comparing the electrocardiogram before and after medication and the distribution of echocardiographic indicators.
  • the example of the system configuration and hardware configuration is the same as that shown in FIG. 4 used in the [first embodiment].
  • ICDs Implantable cardioverter defibrillators
  • CRT ventricular resynchronization therapy
  • CRTs are implanted with the aim of improving the heart's pumping ability by pacing both ventricles, but it has been reported that more than 30% of implanted patients have no effect. Therefore, if the effectiveness of CRT implantation can be determined from only the electrocardiogram and echocardiographic index using AI that has machine learned records of the effectiveness of a large number of CRT implanted patients, real electrocardiograms, and real echocardiographic indicators, this would be the first embodiment. Similar methods make it possible to identify factors related to the effectiveness of CRT, analyze mechanisms, and provide information for the development of rational treatments. Furthermore, the exact same method can be applied to therapeutic drugs as well as medical devices.
  • AI that machine learns records of whether a certain therapeutic drug has a therapeutic effect in actual clinical practice, actual electrocardiograms, and actual echocardiogram indicators
  • FIG. 11 is a flowchart showing an example of the above information processing procedure.
  • Step S41 Factor variation 1, electrocardiogram 2, and echocardiogram index 3 are read for all cases from the in silico heart disease database and stored in the storage unit 11. Each case is assigned a case number.
  • Step S42 The electrocardiogram 2 and echocardiogram index 3 for each case are retrieved from the storage unit 11 and input into the classifier 41 to classify them into groups with (+) and no (-) treatment effects from medical devices and drugs. Classify.
  • Step S43 In the statistical processor 42, a summary box representing the amount of variation of each factor is prepared for each of the (+) group and the none (-) group, so for each factor (+) Add 1 to the appropriate tally box for either the (-) group or the (-) group.
  • Step S44 For the variation amount of each factor, the distribution of the values in each summary box of the (+) group and the value of each summary box in the (-) group, that is, the variation distribution is obtained.
  • Step S45 The variation distributions of the (+) and (-) groups are compared, and factors with a significant difference are identified as biomarkers.
  • Step S46 A mechanistic analysis of the therapeutic effect of the medical device or drug is performed, taking into account the causal relationships between factors.
  • Step S47 Information for the development of a rational treatment method is provided from the biomarker identified in step S45 and the mechanism of the therapeutic effect of the medical device or drug analyzed in step S46.
  • the example of the system configuration and hardware configuration is the same as that shown in FIG. 4 used in the [first embodiment]. Note that if the processor 100 of the information processing device 10 has high performance and the memory 102 and storage device 104 have sufficient capacity, the information processing device 10 can perform a large number of cardiac simulations and create an in silico heart disease database by itself. Good too.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

「インシリコ心疾患データベース」を活用し、心臓病発症の予測精度向上や適切な治療、さらには創薬の効率化を可能とする情報処理技術の構築。　心臓病に関わる様々な因子を変動させた仮想の疾患心臓モデルのシミュレーション結果を保存したデータベース、即ち「インシリコ心疾患データベース」から取得される心電図等を、心臓病の自動診断を行う分類器に入力し、陽性の群と陰性の群における因子変動量の分布の比較から心臓病に関わる影響因子をバイオマーカとして特定する。また個人の実心電図等に類似する心電図等を有する心臓モデルをインシリコ心疾患データベース上で同定することにより、簡便に個人の精密診断を行う。さらにインシリコ心疾患データベースから何らかの特徴をもった群を抽出し、これに対する投薬効果を簡便に評価することで創薬プロセスを効率化する。

Description

インシリコ心疾患データベース活用方法、インシリコ心疾患データベース活用プログラム、および情報処理装置
　本発明は、インシリコ心疾患データベース活用方法、インシリコ心疾患データベース活用プログラム、および情報処理装置
に関する。
　健常あるいは心疾患のある患者の心臓の活動をコンピュータ上で物理学的・生理学的な数理モデルとして再現する心臓シミュレーション技術が近年実用化されている。この心臓シミュレーション技術を用いれば、個々の患者の心臓モデルを数理的にコンピュータ上に再現した後、その心臓モデルに対してコンピュータ上で仮想的に治療のシミュレーションを実施し、治療後の心臓の状態を予測することも可能になっている。これにより医師が個々の患者に対し最適な治療法を選択する支援を行うことができる。例えば、特許文献１や非特許文献１によれば、心臓の外科手術を施す場合に、先ず術前の状態を再現した心臓モデルを作成し、次に、候補となる複数の術式をその心臓モデルにコンピュータ上で適用して心臓シミュレーションを実施すれば術後の血行動態や心臓への負担が比較でき、より良い術式選択が可能となる。また別の例として、特許文献２や非特許文献２によれば、両心室ペーシングによる心臓再同期療法（ＣＲＴ）をある患者に施す場合に、事前のシミュレーションにより、ＣＲＴ装置から出力される電気刺激を心臓に伝える電極の位置が適切か否か、またその効果の程度を施術前に患者ごとに定量的に確認できる。これらは何れも心臓シミュレーション技術に基づくテーラーメード医療として位置付けられる。
　一方で、個々の患者の心臓を再現して最適なテーラーメード医療を行う発想とは別に、心臓シミュレーション技術と最近のスーパーコンピュータが可能とする超並列計算の両者を基盤として、正常な標準的心臓シミュレーションモデルに対し、心臓病に関わる可能性のあるミクロからマクロまでの種々の因子を正常値から様々に変動させた仮想の心疾患心臓モデルをコンピュータ上に多数作成し、それらの心臓シミュレーション結果を保存したデータベース、即ち「インシリコ心疾患データベース」が作成することが可能となっている。実際、非特許文献３では１万７千以上の心臓モデルが作成されシミュレーションが行われている。インシリコ心疾患データベースでは、心臓シミュレーション結果から、標準１２誘導心電図や心エコーの各種指標に相当するデータも付随的計算で容易に取得可能なため、基礎医学研究だけでなく、臨床医学研究にも用いることができる。なお、単なる「心疾患データベース」ではなく「インシリコ心疾患データベース」と呼ぶのは、病院の実臨床データに基づく心疾患データベースと区別する為である。図１にインシリコ心疾患データベースの概念を示す。
特許第６３００２４４号公報 特開２０１７−０３３２２７号公報 特開２０２２−０４０８９２号公報
Ｋａｒｉｙａ　Ｔ，Ｗａｓｈｉｏ　Ｔ，Ｏｋａｄａ　Ｊ，Ｎａｋａｇａｗａ　Ｍ，Ｗａｔａｎａｂｅ　Ｍ，Ｋａｄｏｏｋａ　Ｙ，Ｓａｎｏ　Ｓ，Ｎａｇａｉ　Ｒ，Ｓｕｇｉｕｒａ　Ｓ，Ｈｉｓａｄａ　Ｔ．Ｐｅｒｓｏｎａｌｉｚｅｄ　Ｐｅｒｉｏｐｅｒａｔｉｖｅ　Ｍｕｌｔｉ−ｓｃａｌｅ，Ｍｕｌｔｉ−ｐｈｙｓｉｃｓ　Ｈｅａｒｔ　Ｓｉｍｕｌａｔｉｏｎ　ｏｆ　Ｄｏｕｂｌｅ　Ｏｕｔｌｅｔ　Ｒｉｇｈｔ　Ｖｅｎｔｒｉｃｌｅ．Ａｎｎａｌｓ　ｏｆ　Ｂｉｏｍｅｄｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ．２０２０．ＤＯＩ：１０．１００７／ｓ１０４３９−０２０−０２４８８−ｙ Ｏｋａｄａ　Ｊ，Ｗａｓｈｉｏ　Ｔ，Ｎａｋａｇａｗａ　Ｍ，Ｗａｔａｎａｂｅ　Ｍ，Ｋａｄｏｏｋａ　Ｙ，Ｋａｒｉｙａ　Ｔ，Ｙａｍａｓｈｉｔａ　Ｈ，Ｙａｍａｄａ　Ｙ，Ｍｏｍｏｍｕｒａ　Ｓ，Ｎａｇａｉ　Ｒ，Ｈｉｓａｄａ　Ｔ，Ｓｕｇｉｕｒａ　Ｓ．Ｍｕｌｔｉ−ｓｃａｌｅ，ｔａｉｌｏｒ−ｍａｄｅ　ｈｅａｒｔ　ｓｉｍｕｌａｔｉｏｎ　ｃａｎ　ｐｒｅｄｉｃｔ　ｔｈｅ　ｅｆｆｅｃｔ　ｏｆ　ｃａｒｄｉａｃ　ｒｅｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ　ｔｈｅｒａｐｙ．Ｊｏｕｒｎａｌ　ｏｆ　Ｍｏｌｅｃｕｌａｒ　ａｎｄ　Ｃｅｌｌｕｌａｒ　Ｃａｒｄｉｏｌｏｇｙ．２０１７；１０８：１７−２３． 高度情報科学技術研究機構　令和２年度高性能汎用計算機高度利用事業　「富岳」成果創出加速プログラム「マルチスケール心臓シミュレータと大規模臨床データの革新的統合による心不全パンデミックの克服」成果報告書　ｆ２０２＿ｒ２．ｐｄｆ（ｒｉｓｔ．ｏｒ．ｊｐ） Ｍａｓｏｎ　Ｊ．Ｗ．，Ｓｔｒａｕｓ　Ｄ．Ｇ．，Ｖａｇｌｉｏ　Ｍ．，Ｂａｄｉｌｉｎｉ　Ｆ．，Ｃｏｒｒｅｃｔｉｏｎ　ｏｆ　ｔｈｅ　ＱＲＳ　ｄｕｒａｔｉｏｎ　ｆｏｒ　ｔｈｅ　ｈｅａｒｔ　ｒａｔｅ．Ｉ　Ｅｌｅｃｔｒｏｃａｒｄｉｏｌ．１−４，２０１９． Ｈ．Ｉｗａｓａ，Ｔ．Ｉｔｏｈ，Ｒ．Ｎａｇａｉ，Ｙ．Ｎａｋａｍｕｒａ，Ｔ．Ｔａｎａｋａ，Ｔｗｅｎｔｙ　ｓｉｎｇｌｅ　ｎｕｃｌｅｏｔｉｄｅ　ｐｏｌｙｍｏｒｐｈｉｓｍｓ（ＳＮＰｓ）ａｎｄ　ｔｈｅｉｒ　ａｌｌｅｌｉｃ　ｆｒｅｑｕｅｎｃｉｅｓ　ｉｎ　ｆｏｕｒ　ｇｅｎｅｓ　ｔｈａｔ　ａｒｅ　ｒｅｓｐｏｎｓｉｂｌｅ　ｆｏｒ　ｆａｍｉｌｉａｌ　ｌｏｎｇ　ＱＴ　ｓｙｎｄｒｏｍｅ　ｉｎ　ｔｈｅ　Ｊａｐａｎｅｓｅ　ｐｏｐｕｌａｔｉｏｎ，Ｊｏｕｒｎａｌ　ｏｆ　Ｈｕｍａｎ　Ｇｅｎｅｔｉｃｓ，４５，１８２−１８３，２０００． Ｏｋａｄａ　Ｊ，Ｙｏｓｈｉｎａｇａ　Ｔ，Ｋｕｒｏｋａｗａ　Ｊ，Ｗａｓｈｉｏ　Ｔ，Ｆｕｒｕｋａｗａ　Ｔ，Ｓａｗａｄａ　Ｋ，Ｓｕｇｉｕｒａ　Ｓ，Ｈｉｓａｄａ　Ｔ．Ｓｃｒｅｅｎｉｎｇ　ｓｙｓｔｅｍ　ｆｏｒ　ｄｒｕｇ−ｉｎｄｕｃｅｄ　ａｒｒｈｙｔｈｍｏｇｅｎｉｃ　ｒｉｓｋ　ｃｏｍｂｉｎｉｎｇ　ａ　ｐａｔｃｈ　ｃｌａｍｐ　ａｎｄ　ｈｅａｒｔ　ｓｉｍｕｌａｔｏｒ．Ｓｃｉｅｎｃｅ　Ａｄｖａｎｃｅｓ．１（４）．２０１５．
　心筋梗塞、心筋症、弁膜症など多様な原因から引き起こされる心臓の機能異常により生活の質の低下を来たし死にいたる疾患、すなわち心不全の患者は現在日本に１２０万人いるとされ、１００万人といわれるガン患者の数を上回る。不整脈の一種である心房細動の患者数は、検診で診断される数だけでも約８０万人と推計されており、潜在的な患者数を含めると、実際には１００万人を超すといわれている。経済的に見ても、脳血管疾患を除く循環器系疾患に関する日本の医療費は４．１兆円に上り、ガンの４．２兆円に並ぶ。従って、心臓病の確実な早期発見や合理的治療法の開発は喫緊の課題である。
　心臓病の早期発見という観点からは、手軽な検査手段である心電図や心エコーがよく用いられ、また、特に心電図については装置に内蔵されたソフトウェアや外付けのソフトウェア等による自動診断も実用化されている。更に最近では、多数の教師データを機械学習させたＡＩによる自動診断も活発に開発されている。ＡＩは比較的簡便であるにもかかわらず一定の実用性が期待できるが、基本的には大量のデータから規則性や関連性を自動的に見出す手法であるため、導き出された答えの根拠が分からないという「ブラックボックス問題」が指摘されており、最近ではＥｘｐｌａｉｎａｂｌｅ　ＡＩの研究も行われている。しかし最も根本的なＡＩの限界は、あくまで与えられたデータ上での表面的な予測や説明に留まらざるを得ないという点である。これはＡＩによらない自動診断においても同様である。従って、予測精度の飛躍的向上や本質的治療を目指すためには、心電図や心エコーデータ上での表面的な予測や説明を超えて、その背後にある真理、すなわち心臓病の生理学的なメカニズムに立ち入った新たな方法の導入が必要になると考えられる。
　本発明が解決しようとする課題は、以上の観点に基づき、前記の「インシリコ心疾患データベース」を活用した、心臓病発症のより確実な早期発見や合理的な治療法開発を可能とする情報処理技術の構築である。
　第１の案では、正常な標準的心臓シミュレーションモデルにおいて、心臓病に関わるミクロからマクロまでの各種因子を正常値から様々に変動させた心臓モデルをコンピュータ上に多数作成し、それらの心臓シミュレーション結果ならびに付随的な計算で得られる心電図と心エコー指標を格納したインシリコ心疾患データベースを次のように活用する。即ち、インシリコ心疾患データベースの各心臓モデルの心電図と心エコー指標を、自動診断器に入力し診断する。そして心臓病が陽性と判定される群と陰性と判定される群に分類する。なお陽性と判定される群は心臓病の進行の程度に応じて複数の群に分類してもよい。また自動診断器は、多数の実心電図と実心エコー指標と診断結果を教師データとして機械学習させることで作成されたＡＩであってもよいし、ＡＩによらない、例えば診断装置に付随のソフトウェアであってもよい。なお、以下も含め、「心電図と心エコー指標」と説明される箇所にあっては、心電図と心エコー指標の両方でなく、いずれか一方だけであってもよいものとする。
　第２の案では、ある個人の実心電図と実心エコー指標に最も類似する、インシリコ心疾患データベース内の心電図と心エコー指標を有する心臓モデルを同定する。ただし後述するように、特に心電図については様々な修飾を受けるため、類似度の判定を行う前に、インシリコ心疾患データベース内の心電図の変換ならびに個人の実心電図の変換を適切に行う必要がある。また類似度の判定にはＡＩを用いてもよいし、その他の数理的手法を用いてもよい。
　第３の案では、インシリコ心疾患データベースから、シミュレーション結果あるいは複数の因子の変動量の組み合わせに着目し、何らかの特徴を有する群を部分集合として意図的に抽出する。例えば、シミュレーション結果としての心電図のＱＴ間隔が長いものを抽出することで不整脈発生リスクの高い心臓群が得られる。また因子変動量に着目した例としては、各因子の変動量の頻度分布が指定された分布になるよう抽出を行うことで、ある実集団、例えば「日本人」の形質分布を有する心臓群が得られる。次に、以上のように得られたた心臓群に対しコンピュータ上である薬剤を投与した場合の心電図や心エコー指標の変化の様子を統計的に評価する。但し、ここでは前記薬剤が各因子をどのように変動させるかの定量的データが実験的に与えられることを前提とするが、具体的な方法は第３の実施の例で説明する。
　第１の案によれば、前記の診断によって、心臓病陽性と陰性に分類されたインシリコ心疾患データベースの心臓モデルの各群について、ミクロからマクロまでの各因子の変動量の分布を分析することで、心臓病に関わる因子または因子群を特定することができ、これを生理学的バイオマーカとする高精度な心臓病発症予測技術の開発が可能となる。更に、前記因子間または因子群間の生理学的因果関係に基づき、心臓病発症の機序（メカニズム）を推定し、前記因子または因子群の変動を抑制する治療法開発のための情報を提供できる。
　第２の案によれば、ある個人の実心電図と実心エコー指標が最も類似する心電図と心エコー指標を有する心臓モデルをインシリコ心疾患データベース内で同定することにより、その心臓を構成する各因子の変動量が分かるので、それが前記個人の生理学的状態を表現していると考えることができる。特に前記の第１の案よって、各種心臓病に関わる因子あるいは因子群がバイオマーカとして特定され、それらの変動量分布が陽性、陰性の各群について得られるので、これらの変動量分布と前記個人の各因子変動量を対比することにより、個人の健康状態を心臓病と関連付けて精密に診断することができる。このように心電図や心エコーという簡便な検査だけから精密医療に繋げられることを特徴とする。
　第３の案によれば、例えば、不整脈発生リスクの高い群など、本発明の利用者が関心のある群を意図的に抽出し、これに薬剤を投与した場合の効果をコンピュータ上で簡便に評価することができるため創薬を加速するツールとなる。また、例えば日本人の形質を有する群に何らかの薬剤を投与した場合の心電図の統計的変動も簡便に評価できるので、創薬において必須の心毒性スクリーニングとして実施されているＴＱＴ試験（ｔｈｏｒｏｕｇｈ　ＱＴ／ＱＴｃ試験）を代替できる。なお以上の評価は、第３の実施の形態で具体的に説明するように、心臓シミュレーションを再度実行することなく簡便に行える点を特徴とする。
インシリコ心疾患データベースの概念を示す図である。 第１の実施の形態に係る心臓病の発症に関わる因子の特定、機序分析、合理的治療法開発のための情報提供を行う情報処理装置１０の機能構成を示す図である。 第１の実施の形態に係る情報処理の手順の一例を示すフローチャートである。 第１の実施の形態に係るシステム構成とハードウェア構成の一例を示す図である。 心電図の成因の概要とインシリコ心疾患データベースがカバーできる範囲の一例を示す図である。 第２の実施の形態に係る個人の実心電図と実心エコー指標に最も類似するインシリコ心疾患データベース内の心電図と心エコー指標を有する心臓モデルを同定し、診断する情報処理装置２０の機能構成を示す図である。 第２の実施の形態に係る情報処理の手順の一例を示すフローチャートである。 第３の実施の形態に係るある特徴を有する群に薬剤を投与した場合の効果を簡便に評価する情報処理装置３０の機能構成を示す図である。 第３の実施の形態に係る情報処理の手順の一例を示すフローチャートである。 その他の実施の形態に係る治療効果に関与する因子の特定、機序分析、合理的治療法開発のための情報提供をする情報処理装置４０の機能構成を示す図である。 その他の実施の形態に係る情報処理の手順の一例を示すフローチャートである。
　以下、本実施の形態について説明する。なお各実施の形態は、矛盾のない範囲で複数の実施の形態を組み合わせて実施することができる。
　〔第１の実施の形態〕
　第１の実施の形態は、心臓病の発症に関わる因子の特定、心臓病の機序分析、合理的治療法開発のための情報提供である。図２は、第１の実施の形態の一例を示す図である。図２には、心臓病の発症に関わる因子の特定、心臓病の機序分析、合理的治療法開発のための情報提供をする情報処理装置１０の機能構成が示されている。情報処理装置１０は、インシリコ心疾患データベースのデータ総てあるいは一部が取り込まれた記憶部１１と、処理部１２から構成される。図１にその概念が示されるように、インシリコ心疾患データベースには多数の心臓シミュレーション結果が保存されている。心臓シミュレーションは、心臓病に関与する可能性のある各因子を正常値から様々に変動させて行われるが、各因子の変動量の、ある組み合わせが一つのケースに対応する。各ケースには各因子の変動量データ１と共に、心臓シミュレーションの総ての結果が保存されている。なお、本図中に示される因子は大まかに一例を示したものであり、例えばイオンチャネルについて言えば、カリウム、ナトリウム、カルシウムなど細分化された各イオンチャネルが各因子となる。
　心臓シミュレーションは電気的現象と力学的現象に関するシミュレーションから成り、電気的シミュレーションでは心臓モデルは胴体モデルに埋め込んで行われる（図１）。その結果、胴体モデル表面では刻々変動する電位を生じるが、その胴体上において標準１２誘導心電図用の９箇所の電極位置から電位を抽出し若干の演算を行えば心電図２が得られる。また力学的シミュレーションからは刻々の心臓壁の運動が得られるので、心臓壁の座標を処理することで、例えば左心室の径の変化や血液拍出量などの各種心エコー指標３を求めることが出来る。これらは総てインシリコ心疾患データベースにおいて準備されている。記憶部１１には最低限、各ケースにおける各因子の変動量データ１と心電図２と心エコー指標３が記憶される。処理部１２は分類器４と統計処理装置５から構成される。記憶部１１に記憶された各ケースのケース番号、心電図、心エコー指標が分類器４に入力される。分類器４における自動診断は、例えば、多数の実心電図と実心エコー指標と診断結果を教師データとして機械学習させることで作成されたＡＩであってもよいし、装置に附属のＡＩ以外のソフトウェアであってもよい。記憶部１１から入力された各ケースは分類器４により診断され、ある心臓病につき陽性（＋）の群と陰性（−）の群に分類される。特許文献３では実心電図の機械学習（深層学習）から心不全の診断を行うＡＩが開発されている。
　統計処理器５では、各ケース番号に紐付けされた各因子の変動量が分かるので、それを統計的に整理するプログラムである。具体的には本図の例では、各因子の変動量が小から大まで５段階で構成されているので、一つ一つのケース毎に、各因子について（＋）の群か（−）の群のいずれかの５段階集計箱の該当箇所に１を加える。このような操作を全ケースについて行えば、各因子の変動量について（＋）の群の分布と（−）の群の分布が得られる。本図の例では分布のイメージを各集計箱の濃淡であらわしている。ある因子について（＋）の群と（−）の群の分布に有意な差がなければ、この因子は対象とする心臓病に関係しないとみなせる。逆に両分布に有意な差があれば、その因子は対象とする心臓病に関係があるとみなせる。例えば、（＋）の群における分布が右肩上がりとなれば、その因子は正常値からの変動が大きいほどその心臓病の発症リスクが高まると考えられる。このような影響因子が、対象とする心臓病に関する生理学的なバイオマーカとなる。さらに、例えば、サルコメアの収縮力は細胞内のカルシウムイオン濃度によって調整される、などの生理学的因果関係も考慮に入れて、影響因子間の変動分布を分析すれば、心臓病発症の機序を推定し、影響因子または影響因子群の変動を合理的に抑制する治療法の開発を行うための情報提供が可能となる。
　なお本図の例では、分類器４での自動診断は、ある心臓病について陽性（＋）と陰性（−）の２群に分けて行ったが、心臓病の進行の程度に応じて複数段階に分類する自動診断であってもよい。例えば心不全については、Ｎｅｗ　Ｙｏｒｋ　Ｈｅａｒｔ　Ａｓｓｏｃｉａｔｉｏｎの心機能分類であるＮＹＨＡＩ度（心疾患はあるが普通の身体活動では症状がない）~ＩＶ度（安静にしていても心不全の症状や狭心痛がある）の４段階分類は臨床上よく用いられるので、これに従って分類する分類器であっても良い。
　図３は以上の情報処理の手順の一例を示すフローチャートである。
　〔ステップＳ１１〕インシリコ心疾患データベースから、因子変動１、心電図２、心エコー指標３を全ケースについて読み込み、記憶部１１に格納する。各ケースにはケース番号が付されている。
　〔ステップＳ１２〕記憶部１１から１ケース毎の心電図２と心エコー指標３を取り出し、分類器４に入力することにより心臓病発症あり（＋）か、なし（ー）のいずれかの群に分類する。
　〔ステップＳ１３〕統計処理器５では、（＋）の群と、なし（ー）の群のそれぞれに対し、各因子の変動量を表す集計箱が準備されているので、各因子について（＋）の群か（−）の群のいずれかの集計箱の該当箱に１を加える。
　次にステップＳ２に戻り、同様の操作を最後のケースまで繰り返す。
　〔ステップＳ１４〕各因子の変動量について（＋）の群の各集計箱の値と（−）の群の各集計箱の値の分布、即ち、変動量分布が得られる。
　〔ステップＳ１５〕（＋）と（ー）の群の変動量分布を比較し、有意な違いのある因子がバイオマーカとして特定される。
　〔ステップＳ１６〕因子間の因果関係を考慮して、心臓病発症の機序分析を行う。
　〔ステップＳ１７〕ステップＳ１５で特定されたバイオマーカ、およびステップ１６で分析された心臓病発症の機序から、合理的治療法開発のための情報提供を行う。
　図４は、システム構成とハードウェア構成の一例を示す図である。図４の例では、情報処理装置１０がインシリコ心疾患データベースを格納したデータサーバ２００にネットワーク３００を介して接続されている。情報処理装置１０は、プロセッサ１００によって装置全体が制御されている。プロセッサ１００には、バス１０８を介してメモリ１０２と複数の周辺機器が接続されている。プロセッサ１００は、マルチプロセッサであってもよい。プロセッサ１００は、例えばＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、またはＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）である。プロセッサ１００がプログラムを実行することで実現する機能の少なくとも一部を、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）などの電子回路で実現してもよい。
　メモリ１０２は、記憶部１１の主記憶装置として使用される。メモリ１０２には、プロセッサ１００に実行させるＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）のプログラムやアプリケーションプログラムの少なくとも一部が一時的に格納される。また、メモリ１０２には、プロセッサ１００による処理に利用する各種データが格納される。メモリ１０２としては、例えばＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）などの揮発性の半導体記憶装置が使用される。
　バス１０８に接続されている周辺機器としては、ストレージ装置１０４、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１０１、入力インタフェース１０３、光学ドライブ装置１０５、機器接続インタフェース１０７およびネットワークインタフェース１０６がある。
　ストレージ装置１０４は、内蔵した記録媒体に対して、電気的または磁気的にデータの書き込みおよび読み出しを行う。ストレージ装置１０４は、情報処理装置１０の補助記憶装置として使用される。ストレージ装置１０４には、ＯＳのプログラム、アプリケーションプログラム、および各種データが格納される。なお、ストレージ装置１０４としては、例えばＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）を使用することができる。
　ＧＰＵ１０１は画像処理を行う演算装置であり、グラフィックコントローラとも呼ばれる。ＧＰＵ１０１には、モニタ１０９が接続されている。ＧＰＵ１０２は、プロセッサ１００からの命令に従って、画像をモニタ１０９の画面に表示させる。モニタ１０９としては、有機ＥＬ（Ｅｌｅｃｔｒｏ　Ｌｕｍｉｎｅｓｃｅｎｃｅ）を用いた表示装置や液晶表示装置などがある。
　入力インタフェース１０３には、キーボード１１０とマウス１１１とが接続されている。入力インタフェース１０３は、キーボード１１０やマウス１１１から送られてくる信号をプロセッサ１００に送信する。なお、マウス１１１は、ポインティングデバイスの一例であり、他のポインティングデバイスを使用することもできる。他のポインティングデバイスとしては、タッチパネル、タブレット、タッチパッド、トラックボールなどがある。
　光学ドライブ装置１０５は、レーザ光などを利用して、光ディスク１１２に記録されたデータの読み取り、または光ディスク１１２へのデータの書き込みを行う。光ディスク１１２は、光の反射によって読み取り可能なようにデータが記録された可搬型の記録媒体である。光ディスク１１２には、ＤＶＤ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｃ）、ＤＶＤ−ＲＡＭ、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｃ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＣＤ−Ｒ（Ｒｅｃｏｒｄａｂｌｅ）／ＲＷ（Ｒｅ　Ｗｒｉｔａｂｌｅ）などがある。
　機器接続インタフェース１０７は、情報処理装置１０に周辺機器を接続するための通信インタフェースである。例えば機器接続インタフェース１０７には、メモリ装置１１３やメモリリーダライタ１１４を接続することができる。メモリ装置１１３は、機器接続インタフェース１０７との通信機能を搭載した記録媒体である。メモリリーダライタ１１４は、メモリカード１１５へのデータの書き込み、またはメモリカード１１５からのデータの読み出しを行う装置である。メモリカード１１５は、カード型の記録媒体である。
　ネットワークインタフェース１０６は、ネットワーク３００に接続されている。ネットワークインタフェース１０６は、ネットワーク３００を介して、他のコンピュータまたは通信機器との間でデータの送受信を行う。ネットワークインタフェース１０６は、例えばスイッチやルータなどの有線通信装置にケーブルで接続される有線通信インタフェースである。またネットワークインタフェース１０６は、基地局やアクセスポイントなどの無線通信装置に電波によって通信接続される無線通信インタフェースであってもよい。
　情報処理装置１０は、例えば以上のようなハードウェアによって、第１の実施の形態の処理機能を実現することができる。
　なお、情報処理装置１０のプロセッサ１００が高性能であり、かつメモリ１０２とストレージ装置１０４の容量が十分あれば、情報処理装置１０が多数の心臓シミュレーションを行い、インシリコ心疾患データベースを自ら作成してもよい。
〔第２の実施の形態〕
　第２の実施の形態は、簡便な検診に基づく個人の心臓病に関する精密診断である。定期健診や日常的な検査では心電図や心エコーがよく用いられる。個人の心電図や心エコーに最も近いインシリコ心疾患データベースの心電図や心エコーの心臓モデルを同定できれば、その個人について心臓病に関わる生理学的な各因子の変動を知ることができ、個別精密診断や更には個別医療のための情報提供が可能となる。但し、ここで留意しなければならないのは、インシリコ心疾患データベースは、個人の多様性を無限に反映したデータベースには原理的になり得ないという点であり、特に心電図については以下の問題がある。図５は心電図の成因の概要とインシリコ心疾患データベースがカバーできる範囲の一例として、非特許文献３のインシリコ心疾患データベースがカバーする範囲を示す。ここでは、体格や交感神経の多様性による影響はデータベース変動因子から除外されている。つまり本例のインシリコ心疾患データベースでは、これらの因子については標準値が用いられている。しかし、個人の実心電図はこれらの因子の多様性によって修飾されたものであると考えられるため、そのままインシリコ心疾患データベースの心電図と比較すると、本来は正常であるにもかかわらず病的な心電図であると誤認される可能性、あるいはその逆の可能性も生じる。そこで、これら除外された因子についての補正が必要となる。以下ではその補正法についての一例を示す。
　先ず交感神経についての補正は次のように行う。交感神経の影響は心拍数の変化に帰着する。インシリコ心疾患データベースでは心拍数は１Ｈｚ（６０拍／分）の条件下での心電図となっているが、交感神経の影響により実際の心拍数は様々であり、その結果、重要な指標である心電図のＱ波からＴ波の終わりまでの時間（ＱＴ間隔）は異なるものとなる。これを補正する方法としては、例えば以下に示すＢａｓｅｔｔの式の式などが広く用いられており、これらをもとに先ず個人の実心電図の波形をデジタル化し、コンピュータプログラムにより時間軸方向に調整する。
Figure JPOXMLDOC01-appb-I000001
上式でＱＴとＲＲはＱＴ間隔とＲＲ間隔（１心周期）を表す。ＱＴＣは補正後のＱＴ間隔である。しかしこのようにして時間軸を補正するとＱＲＳ幅も同じ比率で変化してしまう。そこで非特許文献４に従い、ＱＲＳ幅に関しては以下の式で補正を行う。
Figure JPOXMLDOC01-appb-I000002
ここでＱＲＳｃとＱＲＳは補正後と補正前のＱＲＳ幅を表す。
　次に体格についての補正法の一例を示す。肥満が進むにつれて横隔膜が挙上し心臓を横に向ける角度変化を生じるが、心電図波形は心臓の角度変化の影響を受ける。そこで通常の健康診断で撮影される胸部Ｘ線画像から心臓の解剖軸を推定する。そして、この解剖軸と一致するようインシリコ心疾患データベースの心臓モデルを回転させ、総てのケースに対しコンピュータプログラムにより心電図を再計算する。心臓モデルの回転は心臓モデルを構成する計算格子点の座標を直交テンソルによって変換するだけで良い。また心電図の再計算は、総てのケースにおける心臓内の電気的興奮伝播のシミュレーション結果がインシリコ心疾患データベース内に保存されているため、例えば以下の式（３）を用いて簡単に行うことができる。
Figure JPOXMLDOC01-appb-I000003
式（３）は、誘電率μの均質無限媒体を仮定した場合に位置ベクトルｒ′にある電荷ｑが位置ベクトルｒの点に作る電位Φ（ｒ）を与える式である。心臓シミュレーションにより心筋内の各計算格子点ｒ′における刻々の湧き出し又は吸い込み電流が計算され保存されているので、それから電荷ｑを評価することにより、１２誘導心電図の電極位置ｒにおける電位Φ（ｒ）が直ちに求められる。
　なお心臓の角度変化以外に体厚（脂肪層の厚み）の増加に起因する電極と心臓の間の距離の増加の影響も考えられる。この場合には式（３）における電極の位置ベクトルｒを補正すればよい。また必要に応じて脂肪層を考慮した誘電率μの補正を行ってもよい。
　体格に関する心電図補正法は上記以外にも様々な補正法が考えられる。例えば、均質無限体を仮定した式（３）を用いる代わりに、胸部Ｘ線画像などに基づき、骨格や肺までも有限要素法でモデル化した精密な胴体モデルを、心軸の角度補正と併せて作成してもよい。この場合心電図の再計算は、ポアソン方程式（式（４））で支配される非均質な有限媒体の有限要素解析問題となるが、左辺を離散化して得られる行列は総てのケースに共通であり、右辺項ｆのみが各ケースの心臓シミュレーション結果に依存して変わるだけなので、行列の三角分解は１回のみ行えば済むため、計算負荷は過大にはならない。
Figure JPOXMLDOC01-appb-I000004
ここで∇２はラプラシアン演算子を表す。あるいは逆に、より簡略化し、胸部Ｘ線画像を用いることなく、例えばＢｏｄｙ　Ｍａｓｓ　Ｉｎｄｅｘ（ＢＭＩ）と心臓角度に関する統計的相関関係に基づき、ＢＭＩから心臓モデルの角度補正を行っても良い。
　図６に第２の実施の形態の一例を示す。図６には、ある個人の実心電図と実心エコー指標に最も類似するインシリコ心疾患データベース内の心電図と心エコー指標を有する心臓モデルを同定する情報処理装置２０の機能構成が示されている。情報処理装置２０は、個人の実心電図の心拍数を補正する機能２１と、インシリコ心疾患データベースを体格について補正する機能２２、そして機能２２により補正後のデータを格納する記憶部２３、さらに類似データ探索器２４から構成される。
　前記のようにある個人の実心電図７について心拍に関する補正２１を行い、補正後の実心電図８を求める一方、記憶部１１においては、体格に関する心電図２の補正２２を行い、補正後の心電図６で置き換える。心電図２が心電図６で置き換えられた新たなデータを記憶部２３に格納した上で、この中から、個人の補正後実心電図８と実心エコー指標９の組み合わせに最も近いケースを類似データ探索器２４により同定する。類似データ探索器２４は例えばＡＩを用いてもよい。その場合のＡＩは、人が特徴を指定する機械学習でもよいし、深層学習型でもよい。さらにはＡＩを用いずとも、心電図については、例えば相互相関係数が最も１に近い波形を選択してもよい。また心エコー指標については、例えば各指標（数値）の誤差の二乗和を最小とする最小二乗法を用いても良い。このように最類似するケースが同定されれば、そのケースの各因子の変動量が個人の生理学的状況を表すと考えられるが、一方で、図２（第１の実施の形態）の統計処理器で処理された各種心臓病に関する因子変動分布があるので、両者を対比することでその心臓病と関連付けた個人の診断を行うことができる。
　なお、前記の体格に関する心電図２の補正２２を行うに当たっては、インシリコ心疾患データベース内の各心臓内の電気的興奮伝播のシミュレーション結果が必要となるので、各因子の変動量データ１、心電図２、心エコー指標３と併せて、電気的興奮伝播のシミュレーション結果も記憶部１１に取り込む。
　図７は以上の情報処理の手順の一例を示すフローチャートである。
　〔ステップＳ２１〕インシリコ心疾患データベースから、全ケースの因子変動量、心電図、心エコー指標と電気的興奮伝播解析結果を読み込んで記憶部１１に格納する。
　〔ステップＳ２２〕診断対象とするある個人の体格に合わせて、記憶部１１に格納された電気的興奮伝播解析結果から新たな心電図６の再計算を処理２２により行って心電図２と置き換え、他のデータと共に記憶部２３に格納する。前記個人の体格が、インシリコ心疾患データベースの作成に用いた標準的体格に近い場合は、この心電図再計算は省略することができる。
　〔ステップＳ２３〕前記個人の実心電図７を処理２１で補正し、心拍数６０の実心電図８とする。
　〔ステップＳ２４〕類似データ探索器２４を用いて、補正後の実心電図８と実心エコー指標９に最も類似する心電図と心エコー指標を有するケースを、心電図再計算を行った場合は記憶部２３から、心電図再計算を行わなかった場合は記憶部１１から同定する。
　〔ステップＳ２５〕ステップＳ２４で選択したケースの各因子変動量を、図２（第１の実施の形態）の統計処理器５の処理結果と対比して診断を行う。
　システム構成とハードウェア構成の例については、〔第１の実施の形態〕で用いた図４と同様である。なお、情報処理装置１０のプロセッサ１００が高性能であり、かつメモリ１０２とストレージ装置１０４の容量が十分あれば、情報処理装置１０が多数の心臓シミュレーションを行い、インシリコ心疾患データベースを自ら作成してもよい。
〔第３の実施の形態〕
　第３の実施の形態では、インシリコ心疾患データベースから、シミュレーション結果あるいは複数の因子の変動量の組み合わせに着目し、何らかの特徴を有する群を部分集合として意図的に抽出し、これに薬剤を投与した場合の効果を簡便に評価する。図８は、第３の実施の形態の一例を示す図である。図８の情報処理装置３０では、インシリコ心疾患データベースのデータ総てあるいは一部が取り込まれた記憶部１１から、３１の処理により、各ケースのシミュレーション結果または複数の因子変動量の組み合わせに着目し取捨選択を行い、その結果（ケース番号と因子変動データだけでよい）を記憶部３２に格納する。一例として、シミュレーション結果である心電図のＱＴ間隔が長いものだけを抽出することで不整脈発生リスクの高い心臓群が記憶部３２に格納できる。また各因子変動量に着目した例としては、各因子の変動量の頻度分布が指定された分布になるよう抽出を行うことで、ある実集団、例えば「日本人」の形質分布を有する心臓群が記憶部３２に格納できる。後者の例につき補足説明すると、心臓の電気生理をつかさどるイオンチャネルを構成するタンパク分子の遺伝子ＫＣＮＱ１、ＫＣＮＥ１、ＫＣＮＨ２、ＳＣＮ５Ａに関する日本人の多型分布の比率が知られているので（非特許文献５）、そのデータに基づき変動因子である各種イオンチャネルの変動量頻度分布を指定することができる。次に、このように記憶部３２に格納された仮想の集団に対してある薬剤を投与した場合を想定し、各因子の変動量を３３により調整する。具体的な一例としては、パッチクランプ実験により、ある薬剤が濃度に応じて各種イオンチャネルをどのように阻害活性化するかを定量的に計測することができるので（非特許文献６）、そのデータに応じて因子変動を調節する（例えば、カリウム電流ＩＫｒを制御する前記ＫＣＮＨ２チャネルの因子変動として、薬剤投与前のＩＫｒ電流が１００％、９０％、８０％、７０％、６０％のように５段階に与えられていた場合、仮にパッチクランプ実験から、薬剤投与によるチャネル抑制率が１０％であったとすれば、薬剤投与後のＩＫｒ電流は９０％、８１％、７２％、６３％、５４％の５段階に調節する）。このように各因子の変動が調節された薬剤投与後の仮想集団が記憶部３４に格納される。最後に、記憶部３４に格納された各ケースの因子変動に最も近いケースを元の記憶部１１の集団から処理３５により抽出し、付随する心電図および心エコー指標と共に記憶部３６に格納する。一方、記憶部３２には投薬前の仮想集団が格納されているので、記憶部１１を参照すれば投薬前の心電図・心エコー指標の分布が取得できる。従って、処理３７、３８によって投薬前後の心電図と心エコー指標を比較することができ、ある特徴をもった集団に対する投薬の効果を統計的に評価することが可能となる。なお、以上の過程においては計算負荷のかかる心臓シミュレーションは一切行う必要がなく、簡便に結果が得られることを特徴とする。
　図９は以上の情報処理の手順の一例を示すフローチャートである。
　〔ステップＳ３１〕インシリコ心疾患データベースから、全ケースの因子変動、心電図、心エコー指標を読み込んで記憶部１１に格納する。
　〔ステップＳ３２〕記憶部１１の各ケースを、シミュレーション結果または因子変動に着目して取捨選択し（処理３１）、投薬前の仮想集団を記憶部３２に格納する。
　〔ステップＳ３３〕薬剤の効果による各因子変動量の調節を処理３３によって行い、投薬後の仮想集団を記憶部３４に格納する。
　〔ステップＳ３４〕調節後の各ケースの因子変動分布を最も近似するケースを記憶部１１に格納された元のデータから処理３５により抽出し、付随する心電図と心エコー指標と共に記憶部３６に格納する。
　〔ステップＳ３５〕投薬前後の仮想集団の心電図と心エコー指標の分布を取得する（処理３７、３８）。
　〔ステップＳ３６〕ステップＳ３５に基づき、投薬前後の心電図と心エコー指標の分布の比較から、ある特定の仮想集団に対する投薬の効果予測を行うことができる。
　システム構成とハードウェア構成の例については、〔第１の実施の形態〕で用いた図４と同様である。なお、情報処理装置１０のプロセッサ１００が高性能であり、かつメモリ１０２とストレージ装置１０４の容量が十分あれば、情報処理装置１０が多数の心臓シミュレーションを行い、インシリコ心疾患データベースを自ら作成してもよい。
　〔その他の実施の形態〕
　第１の実施の形態については、医療機器についても類似の方法が適用できる。以下にその例を説明する。
　植込み型除細動装置（ＩＣＤ）は、除細動時に生じる激痛が植込患者に大きな精神的ストレスを与えるが、ＩＣＤを植え込まれた患者の多くは致死性不整脈が発生せずＩＣＤは作動しない。このためＩＣＤ植込の適応判定法が研究されているが、誘発試験を含め十分な感度、特異度を持つものは報告されていない。つまり、必要のないＩＣＤ植込が現在も行われており、患者の不要なストレスと医療経済への負担を生んでいる。一方、各植込患者についてはＩＣＤ作動の記録が残されている。従って多数のＩＣＤ植込み患者におけるＩＣＤ作動記録ならびに実心電図、実心エコー指標を機械学習させたからＡＩにより、心電図と心エコー指標だけからＩＣＤ作動リスクを判定できれば、第１の実施の形態と同様の方法によって、ＩＣＤ作動に関わる因子の特定、機序分析、合理的治療法開発のための情報提供が可能となる。この他の医療機器の例としては心室再同期療法（ＣＲＴ）が挙げられる。ＣＲＴは両心室をペーシングすることにより心臓の拍出能を改善することを目的に植え込み手術が行われるが、植え込まれた患者の３０％以上は効果がなかったことが報告されている。従って、多数のＣＲＴ植込み患者における効果の有無の記録と実心電図、実心エコー指標を機械学習させたＡＩにより、心電図と心エコー指標だけからＣＲＴ植込み効果を判定できれば、第１の実施の形態と同様の方法によって、ＣＲＴの有効性に関わる因子の特定、機序分析、合理的治療法開発のための情報提供が可能となる。
　さらに、医療機器でなく治療薬についても全く同様の方法が適用可能である。例えば、ある治療薬に関する実臨床での治療効果の有無の記録と実心電図、実心エコー指標を機械学習させたＡＩにより、心電図と心エコー指標だけからその薬を投与した場合の治療効果の有無を予測できれば、第１の実施の形態と同様の方法によって、その薬の有効性に関わる因子の特定、機序分析、合理的治療法開発のための情報提供が可能となる。
　以上は総て共通の実施形態となるため、例えば図１０の情報処理装置４０として示すことができる。多数の実心電図と実心エコー指標、ならびにある医療機器や薬剤の治療効果の有無の記録、からなる臨床データ５０を教師データとして機械学習させることにより、心電図と心エコー指標のみから治療効果の有無を予測できるＡＩ４１を作成し、これにインシリコ心疾患データベースから読み込まれた心電図２と心エコー指標３を入力すれば、治療効果の有りと無しの２群に分類される。これら２群における各因子の変動分布を統計処理装置４２で求めれば、治療効果に関わる因子の特定、機序分析、合理的治療法開発のための情報提供が可能となる。
　図１１は以上の情報処理の手順の一例を示すフローチャートである。
　〔ステップＳ４１〕インシリコ心疾患データベースから、因子変動１、心電図２、心エコー指標３を全ケースについて読み込み、記憶部１１に格納する。各ケースにはケース番号が付されている。
　〔ステップＳ４２〕記憶部１１から１ケース毎の心電図２と心エコー指標３を取り出し、分類器４１に入力することにより医療機器や薬剤による治療効果があり（＋）となし（ー）の群に分類する。
　〔ステップＳ４３〕統計処理器４２では、（＋）の群と、なし（ー）の群のそれぞれに対し、各因子の変動量を表す集計箱が準備されているので、各因子について（＋）の群か（−）の群のいずれかの集計箱の該当箱に１を加える。
　次にステップＳ４２に戻り、同様の操作を最後のケースまで繰り返す。
　〔ステップＳ４４〕各因子の変動量について（＋）の群の各集計箱の値と（−）の群の各集計箱の値の分布、即ち、変動量分布が得られる。
　〔ステップＳ４５〕（＋）と（ー）の群の変動量分布を比較し、有意な違いのある因子がバイオマーカとして特定される。
　〔ステップＳ４６〕因子間の因果関係を考慮して、医療機器または薬剤による治療効果の機序分析を行う。
　〔ステップＳ４７〕ステップＳ４５で特定されたバイオマーカ、およびステップＳ４６で分析された医療機器または薬剤による治療効果の機序から、合理的治療法開発への情報提供を行う。
　システム構成とハードウェア構成の例については、〔第１の実施の形態〕で用いた図４と同様である。なお、情報処理装置１０のプロセッサ１００が高性能であり、かつメモリ１０２とストレージ装置１０４の容量が十分あれば、情報処理装置１０が多数の心臓シミュレーションを行い、インシリコ心疾患データベースを自ら作成してもよい。
　１　心臓病に関係する可能性のある諸因子の変動データ
　２　シミュレーションから得られた心電図
　３　シミュレーションから得られた心エコー指標
　４　自動診断に基づく分類器
　５　諸因子の変動量の頻度分布を求める統計処理器
　６　体格に合わせて補正された心電図
　７　個人の実心電図
　８　心拍数に応じて補正された実心電図
　９　個人の実心エコー指標
　１０　第１の実施の形態を実現する情報処理装置
　１１　インシリコ心疾患データベースから読み込まれたデータを記憶する記憶部
　１２　第１の実施の形態を実現する処理部
　２０　第２の実施の形態を実現する情報処理装置
　２１　心拍数に合わせて実心電図を補正する処理部
　２２　個人の体格にあわせて心電図を補正する処理部
　２３　心電図補正後のデータを記憶する記憶部
　２４　個人の心電図等に最類似のデータを記憶部１１または２３から同定する探索器
　２５　最類似ケースの因子変動を統計処理器５の処理結果と対比して診断する処理部
　３０　第３の実施の形態を実現する情報処理装置
　３１　各ケースを、シミュレーション結果または因子変動に着目して取捨選択する処理部
　３２　ある特徴を有する投薬前の仮想集団を記憶する記憶部
　３３　薬剤の効果による各因子変動量の調節を行う処理部
　３４　ある特徴を有する投薬後の仮想集団を記憶する記憶部
　３５　調節後の各ケースの因子変動分布を最も近似するケースを記憶部１１から抽出する処理部
　３６　処理部３５により抽出されたケースならびに付随する心電図と心エコー指標を格納した記憶部
　３７　投薬後の仮想集団の心電図および心エコー指標の分布を取得する処理部
　３８　投薬前の仮想集団の心電図および心エコー指標の分布を取得する処理部
　４０　その他の実施の形態を実現する情報処理装置
　４１　実臨床データの機械学習に基づく医療機器または薬剤の治療効果予測ＡＩ（分類器）
　４２　諸因子の変動量の頻度分布を求める統計処理器
　４３　その他の実施の形態を実現する処理部
　５０　医療機器や薬の治療効果の有無の記録と実心電図、実心エコー指標からなる臨床データ
　５１　臨床データ５０を機械学習させる処理部

Claims (12)

  1. 　インシリコ心疾患データベースから取得される心電図（２）と心エコー指標（３）の両方、またはいずれか一方を、心臓病の自動診断を行う分類器（４）に入力することにより、陽性と陰性の２群に分類するか、心臓病の進行度に応じて複数の陽性群に分類した上で、
    　前記心電図（２）と心エコー指標（３）に紐付けされた因子変動（１）を統計的に処理（５）し、
    　前記統計的処理結果から得られる各群の各因子変動量分布の特徴を分析することで、
    　心臓病に関与する影響因子または影響因子群を生理学的なバイオマーカとして特定し、
    　さらに、前記影響因子間の因果関係から心臓病発症の機序を分析し、前記影響因子または影響因子群の変動を抑制する治療法開発のための情報提供を行う、
    　処理をコンピュータに実行させる情報処理方法。（図２、図３）
  2. 　インシリコ心疾患データベースから取得される心電図（２）と心エコー指標（３）の両方、またはいずれか一方を、心臓病の自動診断を行う分類器（４）に入力することにより、陽性と陰性の２群に分類するか、心臓病の進行度に応じて複数の陽性群に分類した上で、
    　前記心電図（２）と心エコー指標（３）に紐付けされた因子変動（１）を統計的に処理（５）し、
    　前記統計的処理結果から得られる各群の各因子変動量分布の特徴を分析することで、
    　心臓病に関与する影響因子または影響因子群を生理学的なバイオマーカとして特定し、
    　さらに、前記影響因子間の因果関係から心臓病発症の機序を分析し、前記影響因子または影響因子群の変動を抑制する治療法開発のための情報提供を行う、
    　処理をコンピュータに実行させる情報処理プログラム。（図２、図３）
  3. 　インシリコ心疾患データベースから取得される心電図（２）と心エコー指標（３）の両方、またはいずれか一方を、心臓病の自動診断を行う分類器（４）に入力することにより、陽性と陰性の２群に分類するか、心臓病の進行度に応じて複数の陽性群に分類した上で、
    　前記心電図（２）と心エコー指標（３）に紐付けされた因子変動（１）を統計的に処理（５）し、
    　前記統計的処理結果から得られる各群の各因子変動量分布の特徴を分析することで、
    　心臓病に関与する影響因子または影響因子群を生理学的なバイオマーカとして特定し、
    　さらに、前記影響因子間の因果関係から心臓病発症の機序を分析し、前記影響因子または影響因子群の変動を抑制する治療法開発のための情報提供を行う、
    　記憶部と処理部を有する情報処理装置（１０）。（図２、図３、図４）
  4. 　インシリコ心疾患データベースから、全ケースの因子変動（１）、心電図（２）、心エコー指標（３）と電気的興奮伝播解析結果を読み込んで記憶部（１１）に格納し、
    　前記心電図（２）については、必要に応じて、診断対象とする個人の体格に合わせて、前記電気的興奮伝播解析結果から再計算（２２）した新たな心電図（６）で置き換え、他のデータと共に記憶部（２３）に格納する一方、前記個人の実心電図（７）を補正（２１）して心拍数６０の心電図（８）とし、
    　類似データ探索器（２４）を用いて前記心電図（８）と実心エコー指標（９）に最類似する心電図と心エコー指標を有するケースを、記憶部（２３）または記憶部（１１）から同定して前記個人の因子変動を明らかにし、
    　請求項１で統計的に処理（５）された前記各群の各因子変動量分布と対比する、
    　処理をコンピュータに実行させる情報処理方法。（図６，図７）
  5. 　インシリコ心疾患データベースから、全ケースの因子変動（１）、心電図（２）、心エコー指標（３）と電気的興奮伝播解析結果を読み込んで記憶部（１１）に格納し、
    　前記心電図（２）については、必要に応じて、診断対象とする個人の体格に合わせて、前記電気的興奮伝播解析結果から再計算（２２）した新たな心電図（６）で置き換え、他のデータと共に記憶部（２３）に格納する一方、前記個人の実心電図（７）を補正（２１）して心拍数６０の心電図（８）とし、
    　類似データ探索器（２４）を用いて前記心電図（８）と実心エコー指標（９）に最類似する心電図と心エコー指標を有するケースを、記憶部（２３）または記憶部（１１）から同定して前記個人の因子変動を明らかにし、
    　請求項１で統計的に処理（５）された前記各群の各因子変動量分布と対比する、
    　処理をコンピュータに実行させる情報処理プログラム。（図６，図７）
  6. 　インシリコ心疾患データベースから、全ケースの因子変動（１）、心電図（２）、心エコー指標（３）と電気的興奮伝播解析結果を読み込んで記憶部（１１）に格納し、
    　前記心電図（２）については、必要に応じて、診断対象とする個人の体格に合わせて、前記電気的興奮伝播解析結果から再計算（２２）した新たな心電図（６）で置き換え、他のデータと共に記憶部（２３）に格納する一方、前記個人の実心電図（７）を補正（２１）して心拍数６０の心電図（８）とし、
    　類似データ探索器（２４）を用いて前記心電図（８）と実心エコー指標（９）に最類似する心電図と心エコー指標を有するケースを、記憶部（２３）または記憶部（１１）から同定して前記個人の因子変動を明らかにし、
    　請求項１で統計的に処理（５）された前記各群の各因子変動量分布と対比する、
    　記憶部と処理部を有する情報処理装置（２０）。（図４、図６，図７）
  7. 　インシリコ心疾患データベースから、全ケースの因子変動（１）、心電図（２）、心エコー指標（３）を読み込んで記憶部（１１）に格納し、
    　前記記憶部（１１）の各ケースを、シミュレーション結果または因子変動に着目して取捨選択して（３１）、投薬前の仮想集団を記憶部（３２）に格納し、
    　前記記憶部（３２）に格納された各因子変動量に対して、薬剤の効果による調節（３３）を行った、投薬後の仮想集団を記憶部（３４）に格納し、
    　調節後の各ケースの因子変動分布を最も近似するケースを、記憶部（１１）に格納された元のデータから抽出（３５）して、記憶部（３６）に格納し、
    　投薬前後の仮想集団の心電図、心エコー指標の分布を取得（３７、３８）し比較する、処理をコンピュータに実行させる情報処理方法。（図８、図９）
  8. 　インシリコ心疾患データベースから、全ケースの因子変動（１）、心電図（２）、心エコー指標（３）を読み込んで記憶部（１１）に格納し、
    　前記記憶部（１１）の各ケースを、シミュレーション結果または因子変動に着目して取捨選択して（３１）、投薬前の仮想集団を記憶部（３２）に格納し、
    　前記記憶部（３２）に格納された各因子変動量に対して、薬剤の効果による調節（３３）を行った、投薬後の仮想集団を記憶部（３４）に格納し、
    　調節後の各ケースの因子変動分布を最も近似するケースを、記憶部（１１）に格納された元のデータから抽出（３５）して、記憶部（３６）に格納し、
    　投薬前後の仮想集団の心電図、心エコー指標の分布を取得（３７、３８）し比較する、
    　処理をコンピュータに実行させる情報処理プログラム。（図８、図９）
  9. 　インシリコ心疾患データベースから、全ケースの因子変動（１）、心電図（２）、心エコー指標（３）を読み込んで記憶部（１１）に格納し、
    　前記記憶部（１１）の各ケースを、シミュレーション結果または因子変動に着目して取捨選択して（３１）、投薬前の仮想集団を記憶部（３２）に格納し、
    　前記記憶部（３２）に格納された各因子変動量に対して、薬剤の効果による調節（３３）を行った、投薬後の仮想集団を記憶部（３４）に格納し、
    　調節後の各ケースの因子変動分布を最も近似するケースを、記憶部（１１）に格納された元のデータから抽出（３５）して、記憶部（３６）に格納し、
    　投薬前後の仮想集団の心電図、心エコー指標の分布を取得（３７、３８）し比較する、
    　記憶部と処理部を有する情報処理装置（３０）。（図４、図８、図９）
  10. 　インシリコ心疾患データベースから取得される心電図（２）と心エコー指標（３）の両方、またはいずれか一方を、実臨床データの機械学習に基づき、ある医療機器や薬剤の治療効果の有無を予測できるＡＩ（４１）に入力することにより、前記医療機器や薬剤の治療効果が予測される群とされない群の２群に分類するか、予測される治療効果の程度に応じて複数段階の群に分類した上で、
    　前記心電図（２）、心エコー指標（３）に紐付けされた因子変動（１）を統計的に処理（４２）し、
    　前記統計的処理結果から得られる各群の因子変動分布の特徴を分析することで、
    　前記医療機器や薬剤の治療効果につながる影響因子または影響因子群を生理学的なバイオマーカとして特定し、
    　さらに前記影響因子間の因果関係から前記医療機器や薬剤の治療効果の機序を分析し、前記影響因子または影響因子群の変動を抑制する治療法開発のための情報提供を行う、
    　処理をコンピュータに実行させる情報処理方法。（図１０、図１１）
  11. 　インシリコ心疾患データベースから取得される心電図（２）と心エコー指標（３）の両方、またはいずれか一方を、実臨床データの機械学習に基づき、ある医療機器や薬剤の治療効果の有無を予測できるＡＩ（４１）に入力することにより、前記医療機器や薬剤の治療効果が予測される群とされない群の２群に分類するか、予測される治療効果の程度に応じて複数段階の群に分類した上で、
    　前記心電図（２）、心エコー指標（３）に紐付けされた因子変動（１）を統計的に処理（４２）し、
    　前記統計的処理結果から得られる各群の因子変動分布の特徴を分析することで、
    　前記医療機器や薬剤の治療効果につながる影響因子または影響因子群を生理学的なバイオマーカとして特定し、
    　さらに前記影響因子間の因果関係から前記医療機器や薬剤の治療効果の機序を分析し、前記影響因子または影響因子群の変動を抑制する治療法開発のための情報提供を行う、
    　処理をコンピュータに実行させる情報処理プログラム。（図１０、図１１）
  12. 　インシリコ心疾患データベースから取得される心電図（２）と心エコー指標（３）の両方、またはいずれか一方を、実臨床データの機械学習に基づき、ある医療機器や薬剤の治療効果の有無を予測できるＡＩ（４１）に入力することにより、前記医療機器や薬剤の治療効果が予測される群とされない群の２群に分類するか、予測される治療効果の程度に応じて複数段階の群に分類した上で、
    　前記心電図（２）、心エコー指標（３）に紐付けされた因子変動（１）を統計的に処理（４２）し、
    　前記統計的処理結果から得られる各群の因子変動分布の特徴を分析することで、
    　前記医療機器や薬剤の治療効果につながる影響因子または影響因子群を生理学的なバイオマーカとして特定し、
    　さらに前記影響因子間の因果関係から前記医療機器や薬剤の治療効果の機序を分析し、前記影響因子または影響因子群の変動を抑制する治療法開発のための情報提供を行う、
    　記憶部と処理部を有する情報処理装置（４０）。（図４、図１０、図１１）
PCT/JP2022/032302 2022-08-19 2022-08-19 インシリコ心疾患データベース活用方法、インシリコ心疾患データベース活用プログラム、および情報処理装置 WO2024038618A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2023506475A JP7266349B1 (ja) 2022-08-19 2022-08-19 インシリコ心疾患データベース活用方法、インシリコ心疾患データベース活用プログラム、および情報処理装置
EP22940510.5A EP4350711A1 (en) 2022-08-19 2022-08-19 Method for utilizing in-silico heart disease database, program for utilizing in-silico heart disease database, and information processing device
CN202280034258.6A CN117916816A (zh) 2022-08-19 2022-08-19 计算机心脏病数据库运用方法、计算机心脏病数据库运用程序、以及信息处理装置
PCT/JP2022/032302 WO2024038618A1 (ja) 2022-08-19 2022-08-19 インシリコ心疾患データベース活用方法、インシリコ心疾患データベース活用プログラム、および情報処理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/032302 WO2024038618A1 (ja) 2022-08-19 2022-08-19 インシリコ心疾患データベース活用方法、インシリコ心疾患データベース活用プログラム、および情報処理装置

Publications (1)

Publication Number Publication Date
WO2024038618A1 true WO2024038618A1 (ja) 2024-02-22

Family

ID=86144035

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/032302 WO2024038618A1 (ja) 2022-08-19 2022-08-19 インシリコ心疾患データベース活用方法、インシリコ心疾患データベース活用プログラム、および情報処理装置

Country Status (4)

Country Link
EP (1) EP4350711A1 (ja)
JP (1) JP7266349B1 (ja)
CN (1) CN117916816A (ja)
WO (1) WO2024038618A1 (ja)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007507814A (ja) * 2003-10-07 2007-03-29 エンテロス・インコーポレーテッド 患者に固有の結果のシミュレーション
JP2009515602A (ja) * 2005-11-14 2009-04-16 イマージョン コーポレイション シミュレーション用の物理システムのモデルを編集するためのシステムおよび方法
JP2017033227A (ja) 2015-07-31 2017-02-09 富士通株式会社 生体シミュレーションシステム、生体シミュレーション方法、生体シミュレーション依頼プログラム、および生体シミュレーションプログラム
JP6300244B2 (ja) 2014-07-03 2018-03-28 富士通株式会社 生体シミュレーション装置、生体シミュレーション装置の制御方法、および生体シミュレーション装置の制御プログラム
JP2021522052A (ja) * 2018-04-26 2021-08-30 ベクトル メディカル インコーポレイテッド シミュレート心拍動曲線の較正
JP2022512080A (ja) * 2018-11-30 2022-02-02 カリス エムピーアイ インコーポレイテッド 次世代分子プロファイリング
JP2022517555A (ja) * 2018-12-31 2022-03-09 ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニア 向上されたコンピュータ心臓シミュレーション
JP2022040892A (ja) 2020-08-31 2022-03-11 国立大学法人 東京大学 情報処理システム及びプログラム
WO2022106580A1 (en) * 2020-11-18 2022-05-27 Elem Biotech S.L. Computational models for 3d muscular electrophysiology and electromechanics simulation

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111477321B (zh) * 2020-03-11 2023-06-09 北京大学第三医院（北京大学第三临床医学院） 具有自学习能力的治疗效果预测系统及治疗效果预测终端
CN113384293A (zh) * 2021-06-12 2021-09-14 北京医院 基于二维斑点追踪技术冠心病筛查的集成机器学习方法
CN113689958A (zh) * 2021-08-27 2021-11-23 苏州立威新谱生物科技有限公司 一种基于大数据的慢性病病情预测方法、系统及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007507814A (ja) * 2003-10-07 2007-03-29 エンテロス・インコーポレーテッド 患者に固有の結果のシミュレーション
JP2009515602A (ja) * 2005-11-14 2009-04-16 イマージョン コーポレイション シミュレーション用の物理システムのモデルを編集するためのシステムおよび方法
JP6300244B2 (ja) 2014-07-03 2018-03-28 富士通株式会社 生体シミュレーション装置、生体シミュレーション装置の制御方法、および生体シミュレーション装置の制御プログラム
JP2017033227A (ja) 2015-07-31 2017-02-09 富士通株式会社 生体シミュレーションシステム、生体シミュレーション方法、生体シミュレーション依頼プログラム、および生体シミュレーションプログラム
JP2021522052A (ja) * 2018-04-26 2021-08-30 ベクトル メディカル インコーポレイテッド シミュレート心拍動曲線の較正
JP2022512080A (ja) * 2018-11-30 2022-02-02 カリス エムピーアイ インコーポレイテッド 次世代分子プロファイリング
JP2022517555A (ja) * 2018-12-31 2022-03-09 ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニア 向上されたコンピュータ心臓シミュレーション
JP2022040892A (ja) 2020-08-31 2022-03-11 国立大学法人 東京大学 情報処理システム及びプログラム
WO2022106580A1 (en) * 2020-11-18 2022-05-27 Elem Biotech S.L. Computational models for 3d muscular electrophysiology and electromechanics simulation

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
"Overcoming heart failure pandemic with innovative integration of multi-scale heart simulator and large-scale clinical data", RESEARCH ORGANIZATION FOR INFORMATION SCIENCE AND TECHNOLOGY, HIGH-PERFORMANCE GENERAL PURPOSE COMPUTER HIGH LEVEL UTILIZATION PROJECT, 2020
H. IWASAT. ITOHR. NAGAIY. NAKAMURAT. TANAKA: "Twenty single nucleotide polymorphisms (SNPs) and their allelic frequencies in four genes that are responsible for familial long QT syndrome in the Japanese population", JOURNAL OF HUMAN GENETICS, vol. 45, 2000, pages 182 - 183
KARIYA TWASHIO TOKADA JNAKAGAWA MWATANABE MKADOOKA YSANO SNAGAI RSUGIURA SHISADA T: "Personalized Perioperative Multi-scale, Multi-physics Heart Simulation of Double Outlet Right Ventricle", ANNALS OF BIOMEDICAL ENGINEERING, 2020
MASON J. W.STRAUS D. GVAGLIO M.BADILINI F.: "Correction of the QRS duration for the heart rate", I ELECTROCARDIOL, 2019, pages 1 - 4
OKADA JWASHIO TNAKAGAWA MWATANABE MKADOOKA YKARIYA TYAMASHITA HYAMADA YMOMOMURA SNAGAI R: "Multi-scale, tailor-made heart simulation can predict the effect of cardiac resynchronization therapy", JOURNAL OF MOLECULAR AND CELLULAR CARDIOLOGY., vol. 108, 2017, pages 17 - 23, XP085133383, DOI: 10.1016/j.yjmcc.2017.05.006
OKADA JYOSHINAGA TKUROKAWA JWASHIO TFURUKAWA TSAWADA KSUGIURA SHISADA T: "Screening SYSTEM for drug-induced arrhythmogenic risk combining a patch clamp and heart simulator", SCIENCE ADVANCES, vol. 1, no. 4, 2015

Also Published As

Publication number Publication date
EP4350711A1 (en) 2024-04-10
CN117916816A (zh) 2024-04-19
JP7266349B1 (ja) 2023-04-28

Similar Documents

Publication Publication Date Title
JP7262452B2 (ja) Ｅｃｇベースの心駆出率のスクリーニング
CN110996785B (zh) 生物电磁场中异常的机器判别
Relan et al. Coupled personalization of cardiac electrophysiology models for prediction of ischaemic ventricular tachycardia
Patel et al. Applications of artificial neural networks in medical science
JP5785184B2 (ja) 画像の医療データ及び非画像の医療データの両者の連続的な記憶及び統合された分析のための診断技術
US11375935B2 (en) Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease
US8483808B2 (en) Methods and systems for characterizing cardiac signal morphology using K-fit analysis
JP6631072B2 (ja) 生体シミュレーションシステムおよび生体シミュレーション方法
Yasnitsky et al. The capabilities of artificial intelligence to simulate the emergence and development of diseases, optimize prevention and treatment thereof, and identify new medical knowledge
Khamzin et al. Machine learning prediction of cardiac resynchronisation therapy response from combination of clinical and model-driven data
de Lepper et al. From evidence-based medicine to digital twin technology for predicting ventricular tachycardia in ischaemic cardiomyopathy
Gallard et al. Prediction of response to cardiac resynchronization therapy using a multi-feature learning method
Gallone et al. Impact of computed-tomography defined sarcopenia on outcomes of older adults undergoing transcatheter aortic valve implantation
JP7394133B2 (ja) 心臓の虚血および冠動脈疾患を診断するためのシステム、および方法
CN106456033A (zh) Ecg评估
WO2024038618A1 (ja) インシリコ心疾患データベース活用方法、インシリコ心疾患データベース活用プログラム、および情報処理装置
Frodi et al. Rationale and design of the SafeHeart study: Development and testing of a mHealth tool for the prediction of arrhythmic events and implantable cardioverter-defibrillator therapy
Tate et al. Measuring defibrillator surface potentials: the validation of a predictive defibrillation computer model
Nayim et al. Comparative Analysis of Data Mining Techniques to Predict Cardiovascular Disease
Bandettini et al. Society for Cardiovascular Magnetic Resonance perspective on the ACC/AHA/ASE/ASNC/ASPC/HFSA/HRS/SCAI/SCCT/SCMR/STS 2023 multi-modality appropriate use criteria for the detection and risk assessment of chronic coronary disease
Qian et al. Developing Cardiac Digital Twins at Scale: Insights from Personalised Myocardial Conduction Velocity
Soares et al. Studying Arrhythmic Risk with In-Silico Programmed Ventricular Stimulation and Patient-Specific Computational Models
US20240215887A1 (en) Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease
US20230346288A1 (en) Systems and Methods for Evaluating Cardiovascular Disease Risks
Gaspari eScholarship@ UMassChan

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 202280034258.6

Country of ref document: CN

ENP Entry into the national phase

Ref document number: 2022940510

Country of ref document: EP

Effective date: 20231110