JP2020537232A - 全母集団から任意に選択された部分母集団内の被験者における非健康状態のリスク、発生又は進行を予測する医療装置及びコンピュータ実装方法 - Google Patents

Abstract

全母集団から任意に選択された第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測する一般化モデルを生成するコンピュータ実装方法が、複数の出版物から、複数の第２の部分母集団の特徴事項、複数の出版物において発見された第１の非健康状態の発生及び／又は重症度、及び／又は対応する予後結果に関する情報を抽出するステップを含む。特徴事項のうちの１つ又は２つ以上は、第１の非健康状態の発生又は進行に対する特徴事項の有害な寄与又は有益な寄与との関係を示す対応する第１の因子と、それぞれの出版物内で考察されているそれぞれの第２の部分母集団における相対的発生頻度を示す対応する第２の因子とに関連付けられる。特徴事項と、その第１及び第２の因子とは、患者の基礎的リスクを計算することを含めて全母集団の一般化モデルに組み合わせられる。一般化モデルは、コンピュータによるアクセス及び読み取りが可能な媒体に検索可能な形で記憶される。【選択図】図１

Description

本発明の方法及び装置は、被験者における非健康状態の発生又は進行を予測して、このような非健康状態の治療制御及び調整を支援することに関する。

医療関連情報は、臨床データ又は非臨床データなどの複数の異なるソースに由来することができる。医療従事者らは、医療関連情報を処方及び検査解析のために、及び／又は疾患、医療事象、又はより一般的に言えば非健康状態の診断及び治療のために使用することができる。医療関連情報は、病気への罹患、既存の病気の悪化又は有害医療事象体験のリスクを評価するために使用することもできる。健康リスク予測（Ｈｅａｌｔｈ Ｒｉｓｋ Ｆｏｒｅｃａｓｔｉｎｇ）は、特定のタイプの医療関連情報に基づいて特定のタイプの医療リスクの発生確率を分析することを目指す手順である。例えば、健康リスク予測を使用して、ある人物が喫煙者であるか否かに基づいて肺病罹患の確率を分析することができる。

非健康状態の進行及びその最終結果、並びに研究対象の被検者を特徴付ける様々な医療パラメータ及びその他のパラメータが記録された多くの研究及び臨床検査が公表されている。これらの研究には、被験者の医療パラメータ及びその他のパラメータをそれまでに記録されていたものと整合させることによって、非健康状態の発生及び進行、並びにその最終結果を予測するための数値アルゴリズムを発見しようと試みていたものもある。

残念ながら、アルゴリズムの中には、全母集団にわたって代表的に選択されたものではないピアグループから取得されたデータに基づくものもある。従って、これらのアルゴリズムは、医療パラメータ及びその他のパラメータがピアグループのパラメータに対応していない被験者についての予測可能性に限界がある。また、現在のアルゴリズムには、特定の医療関連情報に関する新たな科学的根拠で迅速に又は容易に直接更新できないものもある。

従って、全母集団から任意に選択された第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測する一般化モデルを生成するコンピュータ実装方法を提供することが望ましい。さらに、全母集団から任意に選択された第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測するコンピュータ実装方法を提供することが望ましい。またさらに、一般化モデルを生成するコンピュータ実装方法を実行する医療装置、及び全母集団から任意に選択された第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測するコンピュータ実装方法を実行する医療装置を提供することが望ましい。またさらに、予測される第１の非健康状態の発生又は進行に応じて治療手段に関する意思決定を支援し、このような治療手段の患者毎の適応又は個人化を支援するための治療制御支援システムを提供することが望ましい。

本明細書で使用する第１の非健康状態という表現は、心血管系イベント（ＣＶＥ）、慢性腎疾患（ＣＫＤ）、あらゆる原因による入院、骨折、損傷、転倒、感染症、腎機能代替治療（例えば、透析又は移植）の必要性、末期腎疾患、急性腎損傷、生着不全、血管アクセス合併症、その他の疾患転帰などを含む非包括的リストからの１つ又は２つ以上を示す。

以下の説明の一部では、部分母集団における慢性腎疾患（ＣＫＤ）の発生予測、及び／又は最終的に末期腎疾患（ＥＳＲＤ）及び腎不全に至る様々な重症段階にわたるＣＫＤの進行予測を例示的に参照する。しかしながら、例示的に上述したような他の非健康状態にも、本明細書において後述する同じ原理、方法及びシステムを使用することができる。例えば、慢性腎疾患患者における心血管系イベント／入院の発生の予測にも同じ方法を適用することができる。

本明細書で使用する第１の部分母集団という表現は、個人と全母集団の他のメンバとの区別を可能にする特性、属性又はその他の特徴事項（ｃｈａｒａｃｔｅｒｉｚｉｎｇ ｆｅａｔｕｒｅ）を有する個人を意味する。この第１の部分母集団という表現は、個人を意味する代わりに、ある集団を全母集団の他のメンバと区別する同じ特性、属性又はその他の特徴事項を共有する個人集団を意味することもできる。全母集団は、それぞれの科学的研究又は文献などにおいて考察される部分母集団などの複数の第２の部分母集団を含む。全母集団は、データを分析に利用できる全ての第２の部分母集団を含むことができる。異なる第２の部分母集団は、１又は２以上の特性、属性又はその他の特徴事項を第１の部分母集団又は他の第２の部分母集団と共有することも、又は共有しないこともある。しかしながら、各部分母集団は、少なくとも１つの特性が他のいずれかの部分母集団と異なる。個々の研究又は複数の文献で同じ非健康状態に関して個別に分析される第２の部分母集団は、部分的に重複することも、又は同一であることもできる。

上述したように、本明細書で使用する特徴事項という表現は、ある個人又は個人集団と他の個人又は個人集団との区別を可能にする特性、属性を意味する。特徴事項は、個人又は母集団を特徴付ける一般的情報、例えば遺伝子マーカー解析システム、医療事象及び医学的状態、治療、診断、及び予後特性（ｐｒｏｇｎｏｓｉｓ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｓ）などから取得された遺伝情報を含むことができる。従って、特徴事項は、例えば年齢、人種、性別、職場、環境因子、居住位置及び居住環境、ライフスタイルなどの人口統計データを含むことができる。同様に、例えば個人又は母集団のメンバから断続的に取り込まれた知覚される健康状態の質に関連し得る調査からの自己申告データ、例えば個人又は母集団が服用した処方薬のタイプ及び／又は量などの処方薬情報、例えば以前の入院、臨床検査及び臨床結果などの診断記録から取得されたデータ、並びに疾患、治療の種類、回数及び場所、病院及び／又は医師などの治療データを、ある個人又は被検者集団を他の個人又は被検者集団から区別する特徴事項として使用することもできる。また、例えば糸球体濾過率、尿蛋白、血圧、及び糖尿病、高血圧症又は鬱血性心不全などの併存疾患、並びに糸球体腎炎などの病因、などの医療データを特徴事項として使用することもできる。特徴事項として有用な他の医療データとしては、時間経過に伴う糸球体濾過率の変化、リン酸塩レベル、重炭酸塩、アルブミン、コレステロール、Ｃ反応性タンパク質、血清クレアチニン又はカルシウムのレベルが挙げられる。このような医療データは、以下に限定するわけではないが、あらゆる撮像技術（例えば、磁気共鳴撮像、超音波検査法、Ｘ線、ＣＴスキャン、シンチグラフィなど）、電気生理学的検査、身体検査結果、免疫測定法及び放射免疫測定システム、生化学、ポリメラーゼ（ＰＣＲ）連鎖反応解析システム、クロマトグラフィ解析システム、及び／又はレセプタアッセイシステムなどを含むあらゆる種類の定期検査又は高度診断検査から取得することができる。組織解析システム、細胞診及び組織適合検査システム、並びに免疫細胞化学及び組織病理学的解析システムなどの他の解析システムからのデータを挙げることもできる。特徴事項は、非時変性とすることも、或いは現在及び／又は過去の瞬間に関連することもできる。特徴事項は、非健康状態の重症度の等級又はレベルに関連することもできる。これらのデータは、経時的な変化を示す時系列又はその導関数として提供することもできる。一般的には、患者を分類するのに適したあらゆる種類の情報を特徴事項として使用することができる。

ある態様によれば、本明細書において説明する、全母集団から任意に選択された第１の非健康状態の発生又は進行を適応的に予測するための一般化モデルを生成するコンピュータ実装方法が、１又は２以上のマイクロプロセッサと、揮発性及び／又は不揮発性メモリと、１又は２以上のデータ及び／又はユーザインターフェイスとを含むコンピュータにおいて、確率統計モデルに従って策定されて電子データベースに記録された複数の出版物及び／又は１次臨床データから、複数の第２の部分母集団の特徴事項、第２の部分母集団において発見された第１の非健康状態の発生及び／又は重症度、及び／又は対応する予後結果に関する情報を抽出するためのコンピュータプログラム命令を実行するステップを含む。例えばそれぞれの状況において有用であることが分かっているような１又は２以上の特徴事項を、抽出を初期化するためのさらなる入力として提供することもできるが、この抽出自体によって他の又はさらなる特徴事項を同様に又は等しく、或いはさらに強く関連するものとして識別できるため、このことは厳密な要件ではない。コンピュータプログラム命令は、これらの命令を実行するコンピュータを、抽出モジュールを提供するように構成することができる。抽出モジュールは、出版物及び／又は臨床データ記録などにアクセスする様々なインターフェイスを制御し、或いはこのようなインターフェイスと協働することができる。インターフェイスは、データ通信インターフェイス、カメラ及びスキャナなどのうちの１つ又は２つ以上を含む。

本明細書で使用する出版物という用語は、科学的研究及び論文、一般文献又は健康問題に重点を置いた文献、健康問題と１又は２以上の患者に明確に関連し得る患者の特性とを相関させるデータセットを示す。このような特性としては、以下に限定するわけではないが、年齢、性別、身長、体重、ＢＭＩ、薬物又はアルコールの使用、喫煙、高血圧症又は低血圧症、糖尿病、ＣＯＰＤ、肺癌の病歴、ＣＫＤステージ、脳血管疾患、冠動脈疾患、抹消動脈疾患、慢性心不全、慢性閉塞性肺疾患、自己免疫障害、苦悶／鬱病、癌、肝疾患の病歴、ＢＭＩ、アルブミン、血糖、ＨＤＬ、ＬＤＬ、トリグリセリド、ＣＲＰ、ＩＬ−６、血清尿酸、ＨｓＴＮＴ、リン酸塩、ｉＰＴＨ、蛋白尿及びアルブミン尿、その他の既知の慢性疾患、過去の硬化性疾患、行動又はライフスタイル、精神的側面、いずれかの撮像技術を介して評価された形態学的特徴、又はいずれかの適切な診断検査を介して評価された機能特性が挙げられる。上述したリストは包括的なものではなく、さらに前述した特徴事項の一部を表すことができる。

確率統計モデルに従って策定されて電子データベースに記録された複数の出版物及び／又は１次臨床データから抽出される特徴事項に関する情報は、第１の非健康状態に関する正又は負の相関性を示す患者の特性を含むことができる。

方法は、確率統計モデルに従って策定されて電子データベースに記録された複数の出版物の各々及び／又は１次臨床データからのデータに基づいて、これらの中で識別された特徴事項のうちの１つ又は２つ以上を、第１の非健康状態の発生又は進行に対する特徴事項の有害な又は有益な寄与との関係を示す対応する第１の因子に関連付けるコンピュータプログラム命令をコンピュータにおいて実行するステップをさらに含む。従って、第１の因子は、例えばオッズ比、危険率、相対リスクなどの効果量尺度（ｅｆｆｅｃｔ ｓｉｚｅ ｍｅａｓｕｒｅｓ）によって表すことができる。

第１の因子によって示される関係は、この特定の特徴事項が存在しない又は「通常」レベルである基準モデルと比較することによって生成された値、又は絶対リスクとして表される、例えば健康な又は適切に選択されたピアグループ内の基準母集団（ｒｅｆｅｒｅｎｃｅ ｐｏｐｕｌａｔｉｏｎ）に関して表される患者における第１の非健康状態の発生又は進行のリスクの増加又は減少を表すことができる。

方法は、確率統計モデルに従って策定されて電子データベースに記録された複数の出版物及び／又は１次臨床データの各々から、これらの中で識別された特徴事項のうちの１つ又は２つ以上を、それぞれの出版物において考察されているそれぞれの第２の部分母集団における相対的発生頻度又は有病率を示す対応する第２の因子に関連付けるステップをさらに含む。特徴事項に関するデータと、確率統計モデルに従って策定されて電子データベースに記録された複数の出版物及び／又は１次臨床データにわたる関連付けられた第１及び第２の因子との組み合わせは、全母集団における発生又は進行の尤度の指示を提供することができる。コンピュータプログラム命令は、これらの命令を実行するコンピュータを、関連付けステップを実行するように適合されたアソシエータモジュールを提供するように構成することができる。アソシエータモジュールは、第１の非健康状態、データ及び／又は特徴事項のタイプなどに従って選択できる様々な確率統計モデルを実装することができる。

方法は、全母集団の仮想的な「一般」メンバの基礎的リスクを計算し、第１の有害健康事象リスクに寄与する既知の健康状態の全ての潜在的構成についての第１の非健康状態の条件付き確率を推定することを含め、特徴事項と第１及び第２の因子とを全母集団の一般化モデルに組み合わせるためのコンピュータプログラム命令をコンピュータにおいて実行するステップをさらに含む。基礎的リスクは、全ての識別された既知のリスク因子が存在しない、又はその値が最も低い、全母集団の仮想的な「一般」メンバの一般的リスクと考えることができる。コンピュータプログラム命令は、これらの命令を実行するコンピュータを、組み合わせステップを実行するように適合されたコンバイナモジュールを提供するように構成することができる。コンバイナモジュールは、第１の非健康状態、データのタイプ及び／又は特徴事項などに従って選択できる様々な確率統計モデルを実装することができる。

特徴事項と第１及び第２の因子との組み合わせは、以下で例示的に説明するステップに従うことができる。

オッズ比として表される効果量の場合、プロセスへの入力は、
有害転帰発生率Ｉ
リスク因子保有率Ｐ₁、Ｐ₂、・・・、Ｐ_n
効果量尺度：ＯＲ₁、ＯＲ₂、・・・、ＯＲ_n、
である。

プロセスの出力は、所与の転帰についてのリスク因子
Ｐ_{RF_1}、Ｐ_{RF_2}、・・・、Ｐ_{RF_n}
の条件付き確率である。

手順は、以下のように要約することができる。
１．Ｉを取得する
２．Ｐ₁、Ｐ₂、・・・、Ｐ_nを取得する
３．ＯＲ₁、ＯＲ₂、・・・、ＯＲ_nを取得する
４．各リスク因子について、転帰リスクへの寄与を以下のように計算する
Ｗ＿ＲＦ_i＝ｌｎ（ＯＲ_i）×Ｐ_i
５．以下のようにベースリスクを計算する：λ＝−ｌｎ（（１−Ｉ）／Ｉ）−Σ_iＷ＿ＲＦ_i
６．各リスク因子を所与として転帰の確率を以下のように計算する
Ｐ＿Ｏ_{RF_i}＝ｅｘｐ（Σ_j≠iＷ＿ＲＦ_j＋ｌｎ（ＯＲ_i）＋λ）／（１＋ｅｘｐ（Σ_j≠iＷ＿ＲＦ_j＋ｌｎ（ＯＲ_i）＋λ））
７．転帰と各リスク因子との結合確率を以下のように計算する
Ｐ＿Ｏ＿ＲＦ_i＝Ｐ＿Ｏ_{RF_i}×Ｐ_i（ベイズの定理）
８．転帰を所与として、各リスク因子の確率を以下のように計算する
Ｐ_{RF_i}＝Ｐ＿Ｏ＿ＲＦ_i／Ｉ

なお、この同じ方法を、指数型分布族（ｅｘｐｏｎｅｎｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｆａｍｉｌｉｅｓ）から導出される様々な統計モデルに拡張することもできる。同様に、他の統計的計算を使用して、様々な特徴事項とそのそれぞれの第１及び／又は第２の因子とを一般化モデルに組み合わせ、又は検討される特徴事項の組に応じて基礎的リスクを計算することもできる。

方法は、コンピュータによるアクセス及び読み取りが可能な媒体に一般化モデルを検索可能な形で記憶するステップをさらに含む。この目的のために、方法は、通信モジュールを提供するためのコンピュータプログラム命令をコンピュータにおいて実行するステップを含むことができる。通信モジュールは、適宜にデータ記憶媒体にアクセスするための様々なインターフェイスを制御し、又はこのようなインターフェイスと協働することができる。

換言すれば、上述した方法の態様は、確率統計モデルに従って策定されて電子データベースに記録された、臨床データ及び患者報告データのような無数の利用可能な出版物及び／又は１次臨床データから最も関連性の高い情報を選択し、将来的なリスクに対する患者固有の健康状態属性の寄与を評価し、ベースライン基準を含む一般化モデルを作成し、部分母集団の属性を入力値として使用して、このモデルを将来的に適用できるように記憶する。異なる非健康状態の一般化モデルは、モデル内で表される特徴事項が、主にこの特定の非健康状態の発生又は進行の尤度に特徴事項が与えるそれぞれの影響に応じて異なり得る。一般化モデルは、リスクの増加又は減少に対する各又は選択数の特徴事項の寄与を示す基礎的リスク及びデータを含むことができる。

方法の１つの態様では、重みを導出して第１及び／又は第２の因子に関連付ける。これらの重みは、単一の出版物からの又は複数の出版物に関するデータから、或いは複数の確率統計モデルに従って策定されて電子データベースに記録された複数の出版物と１次臨床データとの混合物から導出することができる。

方法の１つの態様では、抽出するステップが、電子テキスト処理、光学文字認識、自然言語処理のうちの１つ又は２つ以上を使用する自動抽出、さらには手動データ入力を含む。特徴事項の自動抽出の場合には、ルールベースの抽出又は人工知能の支援による抽出、及びその他の方法を使用することができる。コンピュータプログラム命令は、抽出モジュールを、上述した機能のうちの１つ又は２つ以上を提供し、又はこれらの機能へのアクセスを可能にするように構成することができる。

方法の１つの態様では、一般化モデルを生成する前に、特徴事項及び関連付けられた因子を出版物の品質に合わせて調整し、ランク付けし、及び／又は選択する。出版物及び１次データセットソースの品質は、分析される参加者の数、標準的処置を通じたバイアスのリスク、著者による利益相反の不在などを検討することによって評価することができる。

方法の１つの態様では、特徴事項及び関連付けられた因子を、複数の出版物にわたる単一の特徴事項に関連する転帰の条件付き確率に合わせて調整し、ランク付けし、／又は選択する。換言すれば、複数の出版物、及び／又は出版物と１次臨床データの確率論的解析との混合にわたる同じ特徴事項の有意性の要約ビューを提供する。

方法の１つの態様では、特徴事項及び関連付けられた因子を異なる予後期間にわたって異なる形で調整し、ランク付けし、及び／又は選択することにより、個々の特徴事項が異なる予後期間にわたって異なる値又は信頼度を有することができるという研究結果に適合させる。これにより、モニタして予測に供給する必要がある特徴事項又はパラメータの数が減少し、従って計算量を抑えることができる。予後期間又は予測期間が提供されない場合には、１又は２以上の予め設定された予測又は予後期間を使用して、これに準じたモデルを生成することができる。

例えば、慢性腎疾患から末期腎疾患に進行する２年の予測期間にわたって最も影響力がある特徴事項又はパラメータのリストは、糸球体濾過率勾配、糸球体濾過率（ＧＦＲ）、蛋白尿症、体重、ヘモグロビン、チャールソン指数及び血清リン酸塩を含み、最初の３つは予測に対する影響力が非常に高い。慢性腎疾患から末期腎疾患に進行する５年の予測期間にわたって最も影響力がある特徴事項又はパラメータのリストは、心室収縮期圧、拡張期圧、血清リン酸塩、ＧＦＲ、血清カルシウム、蛋白尿症、ＰＴＨ、血清アルブミン、心拍数を含み、最初の４つは予測に対する影響力が非常に高い。異なる予測期間には異なる特徴事項又はパラメータの組が必要であり、或いは少なくとも特徴事項又はパラメータに異なる重みを与えることが必要であることが容易に分かる。この情報は、非健康状態の発生又は進行を予測する一般的モデルを使用する際に、どの特徴事項を念入りにモニタするべきであるか、又はどの特徴事項に追加検査を適用すべきであるかを医師が決定又は判断するのを支援する上でそのまま有用となり得る。この方法では、各特徴事項に関連する予測確率変動を各個々の患者について計算することにより、各個々の患者の転帰予測に寄与する各特徴事項の患者固有の予後値ランキングを作成することもできる。このようにして、患者の健康状態を示すために必要な診断検査の数を低減しながら予後の精度を最大化する個別の診断評価戦略を医師が各個々の患者について計画するのを支援する。

同様に、方法の１つの態様では、特徴事項及び関連付けられた因子を、特定の第１の非健康状態及び／又は第１の非健康状態の重症度又は現段階に合わせて異なる方法で調整し、ランク付けし、／又は選択する。例えば、第１の非健康状態が異なるレベルの重症度又は異なる段階を呈し得る場合、特徴事項は、非健康状態が次のレベルの重症度又は段階に進行するリスクを予測する異なる値又は信頼度を有することができる。

従って、方法は、非健康状態の予測期間及び／又は現在の重症度レベル又は段階の選択に対応する入力を受け取るように適合されたプライミングモジュールを提供するためのコンピュータプログラム命令をコンピュータにおいて実行するステップを含むことができる。プライミングモジュールからの入力は、プライミング入力に従って一般化モデルを生成するための様々な統計モデルのうちの１つの選択に使用することができる。例えば、非健康状態を一般に５つの異なる重症度段階に分割した場合、プライミング入力を使用して、非健康状態がレベル３からレベル４に進行する一般化モデルを生成することができる。例えば、非健康状態はレベルを飛び越えて進行しないので、この入力の結果、ふさわしくない部分母集団を検討から除外した第２の部分母集団をデータ入力のために選択できるようになる。

上述した方法に従う複数の出版物は、出版物内で分析された第１の非健康状態と患者の特性との間に正の相関性が見られるか、負の相関性が見られるか、それとも相関性が見られないかにかかわらず、非健康状態について言及している又は非健康状態を考察している出版物に限定することができる。このことは、予測の質を高め又は方法の実行を加速させる事前選択の役割を果たすことができる。従って、方法の１つの態様では、さらなるステップとして、例えば非健康状態とさらなる特徴事項との間の可能性の低いそれまでに未知の相関性を発見するために、例えば単独で採用された単一の出版物からは明らかでなかった複数の出版物にわたって見つかったものを含む、非健康状態と相関する特徴事項などの方法の１回目の実行結果を、それまでに検討していなかった出版物を含めて方法を再実行するための入力として採用することができる。

同様に、上述した方法の１つの態様では、例えば非健康状態、又は非健康状態に関連する以前に識別された特徴事項のうちの１つ又は２つ以上を表す用語又は表現又は類義語の出現について出版物を精査することにより、新たな出版物の定期的チェック又はイベントトリガーチェックを実行する。このような新たな出版物が見つかった時には、さらに前述した方法でデータを抽出し、このデータを方法に入力して、一般化モデルを生成するステップを再実行する。

この方法では、臨床研究、現実の根拠又は複数の文献から抽出された初期根拠ベースに新たな集約データを追加することによって容易な反復調整及び改善を行うことができる。このような既存モデルの連続微調整が実行可能な理由は、モデル生成プロセスが母集団集約尺度のみに基づくことができるからである。従来のデータ駆動型アプローチと比較したこの文献ベースの分析アプローチの顕著な利点は、公表されて一般公開されている集約データに完全に依拠してモデルの導出又は更新が行えるように最適化されており、費用と時間が掛かってしばしば実行不可能な努力であるモデルの導出又は更新のために新たなコホートを列挙して追跡する必要がない点である。厳密に必要ではないが、任意に１次臨床データの分析を使用して、文献レビューを通じて取得されたモデルを補完することもできる。以前にモデルの導出に使用していた完全な根拠ベースに、いずれかの望ましい新たな研究から抽出された新たな集約データ尺度を単純に追加することにより、上記の節で説明した方法と同じ方法を使用してモデルパラメータを容易に再計算することができる。

本明細書で上述した方法の複数の態様は、互いに組み合わせることも、及び／又は基本的方法に統合することもできる。例えば、この２回実行する態様を、特徴事項の調整、ランク付け及び／又は選択と組み合わせることもできる。

一般化モデルを生成したら、このモデルを、全母集団のうちの任意に選択可能な第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測するコンピュータ実装方法において使用することができる。１つの態様では、この方法が、さらに前述した全母集団から任意に選択された第１の非健康状態の発生又は進行を適応的に予測する一般化モデルを生成する方法に従って生成されてコンピュータによるアクセス及び読み取りが可能なメモリに記憶された一般化モデルから１又は２以上の特徴事項を受け取るためのコンピュータプログラム命令をコンピュータにおいて実行するステップを含む。コンピュータプログラム命令を実行するコンピュータは、治療制御支援システムを表すことができる。特徴事項は、有益であるか、それとも有害であるかにかかわらず、現在検討中の非健康状態との間に少なくとも何らかの相関性を有するリスク因子として識別されたものとすることができる。受け取るべき特徴事項の選択は、例えば非健康状態の次の段階への進行を予測するための、第１の部分母集団に存在する現在の重症度等級又はレベル、又は予測期間を反映することができる。非健康状態の次の段階への進行又は予測期間のための特徴事項の選択は、事実上、有用な予測因子であることが分かっている限られた一連の又は単一の特徴事項の選択とすることができる。非健康状態の異なる次の段階への進行の予測、又は異なる予測期間のためには、選択される特徴事項も異なることができる。コンピュータプログラム命令は、これらの命令を実行するコンピュータを、通信モジュールを提供及び／又は制御するように構成することができる。通信モジュールは、１又は２以上の特徴事項及び／又は一般化モデルをデータベースから受け取るための様々なハードウェア及び／又はソフトウェアインターフェイスを制御し、或いはこのようなハードウェア及び／又はソフトウェアインターフェイスと協働することができる。

全母集団のうちの任意に選択可能な第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測する方法は、第１の部分母集団を特徴付けるデータを受け取るためのコンピュータプログラム命令をコンピュータにおいて実行するステップをさらに含む。第１の部分母集団を特徴付けるデータは、一般化モデルの生成において要求、提供、使用、分析又は検討される特徴事項の全部又は一部を含むことができる。従って、第１の部分母集団を特徴付けるデータは、例えば年齢、性別、アルコール摂取、喫煙、ＢＭＩ、高血圧の病歴、糖尿病、ＣＫＤ段階、脳血管障害、冠動脈疾患、抹消動脈疾患、慢性心不全、慢性閉塞性肺疾患、自己免疫障害、苦悶／鬱病、癌、肝疾患の病歴、アルブミン、血糖、ＨＤＬ、ＬＤＬ、トリグリセリド、ＣＲＰ、ＩＬ−６、Ｓ尿酸のレベル、ＨｓＴＮＴ、リン酸塩、ｉＰＴＨ、蛋白尿症及び蛋白尿などの、生理的特徴、人口統計学的情報、併存疾患、合併症及び薬物を表すデータを含むことができる。なお、この方法の第１の部分母集団は、一般化モデルを生成する方法において参照した同じ第１の部分母集団である必要はなく、また全ての特徴データを使用する必要はなく、又は全ての特徴データを利用できるわけではない。第１の部分母集団を特徴付けるデータは、通信モジュールを通じて受け取ることができ、コンピュータプログラム命令は、これに応じて通信モジュールを制御することができる。

方法は、一般化モデルから受け取られた１又は２以上の特徴事項と、部分母集団を特徴付けるデータとを、確率モデルを実行するコンピューティングモジュールに、又はさらに一般的には予測モジュールに提供するステップをさらに含む。コンピューティングモジュール又は予測モジュールは、独占的に、又はコンピュータ上の他のタスクと平行して実行される専用スレッド内で、対応するソフトウェアを実行するコンピュータとして実装することができる。確率モデルは、例えばベイジアンネットワークなどの複数の既知のモデルのうちの１つとすることができる。確率モデルは、第１の部分母集団の非健康状態の発生又は進行のリスク又は確率を示す要約スコアを出力信号として生成又は計算する。このリスク又は確率は、絶対値として、又は例えば全てのリスク因子が存在しない母集団にわたる相対値として提供することができる。一般化モデル内に存在するにもかかわらず検討中の第１の部分母集団に利用できない特徴事項は、無視するか、又はこれらの特徴事項の基礎的リスクに従って推測することができる。

出力信号は、ユーザ又はコンピュータに提供される。提供するステップは、結果をディスプレイ画面上に表示し、結果を印刷し、例えばテキストから音声への変換後にスピーカなどを介して音響的に結果を提供するステップなどを含むことができる。提供するステップは、デジタル通信チャネルを介して結果をユーザのコンピュータに送信するステップを含むこともできる。提供するステップは、これに従って通信モジュールを制御するステップを含むことができる。

１つの態様では、この方法を実行する治療制御支援システムが、１又は２以上の特徴事項が要約スコア又は非健康状態の発生又は進行の確率に与える正又は負の影響を表すデータ信号を提供するステップを含むことができる。データ信号は、要約スコアに対する寄与の有意性に従うランク順で提供することができる。

方法を実行する治療制御支援システムの態様では、複数の特徴事項と、これらの特徴事項が要約スコア又は確率に与える影響とを提供する場合、これらが、評価中の第１の部分母集団の、すなわち単一の患者又は一群の患者の要約スコアに対するそれぞれの寄与の有意性に従うランク順で提供される。このランキングは、絶対的寄与又は相対的寄与によるものとすることができる。特徴因子の寄与は、有益なもの、すなわちリスクを減少させるもの、又は有害なもの、すなわちリスクを増加させるものとすることができ、有意性によるランキングは、有益であるか、それとも有害であるかにかかわらず絶対的有意性によるものとすることも、或いは有益な特徴因子と有害な特徴因子とにグループ化することもできる。

方法を実行する治療制御支援システムの１つの態様では、予測モジュールが、さらなる入力として受け取られた第１の部分母集団における第１の非健康状態の現段階又は重症度に従って特徴事項及び関連付けられた因子を調整し、重み付けし、ランク付けし、及び／又は選択するようにさらに構成される。これにより、非健康状態が次のさらに厳しい段階に進行する予測精度を高めることができる。

方法を実行する治療制御支援システムの態様では、治療、ライフスタイルの変更、食事の変更及び医学的介入を含む非包括的リストからの１又は２以上の応答的対応を通じて修正できる、非健康状態について特定されたリスクに正又は負の影響を与える特徴事項が強調表示される。強調表示は、太字、イタリック、異なるフォント又は背景色での印刷を含むことができる。例えば、部分母集団にとって食事又はライフスタイルの変更がどれほど困難なものになるか、或いは変更された食事又はライフスタイルを持続的に順守できる可能性がどれほどであるかのランキングに従って選択的な強調表示を適用することができる。強調表示のための他のランキングとしては、例えば可能な治療又は医学的介入の選択に関連する、修正のための推定コストを挙げることができる。

１つの態様では、方法を実行する治療制御支援システムが、例えば禁煙又は減量によって特定の割合だけリスクが低下することを示すことにより、応答的対応によって非健康状態の発生又は進行のリスク又は確率がどれほど修正されるかに関する情報を提供するステップをさらに含む。また、例えば推奨される応答的対応の５０％だけ砂糖の摂取量を減らせば最良の転帰に対して６０％リスクが低下することなどの、応答的対応を異なる程度順守した場合のリスク低減を示すこともできる。これらの情報は、予測モジュールによって提供されたデータに応答して、通信モジュールを通じて提供することができる。

１つの態様では、方法を実行する治療制御支援システムが、非健康状態の種類及び／又はリスクスコアに基づいて治療推奨の選択を提供するようにさらに適合される。治療推奨の選択は、例えば遠隔医療、身体機能をモニタするためのポータブル装置などによる患者又は部分母集団のさらに徹底的なモニタリング、より頻繁な医師又はクリニックへの訪問、ケースマネージャによるさらに徹底的な監視、専門医への照会、及び薬物治療の強化などを含むことができる。治療推奨の選択は、第１の部分母集団に存在する特徴事項、及び非健康状態の全体的な発生又は進行リスクに対する特徴事項のそれぞれの寄与に従って選択及び／又はランク付けすることもできる。治療推奨の選択は、データベース、又はデータベースに接続された人工知能システムに対する事前の要求に応じて提供することができる。データベースは、複数の非健康状態のそれぞれのための少なくとも１つの治療推奨を記憶する。

ある態様では、方法を実行する治療制御支援システムが、要約スコアの精度を高めるために、さらなる特徴事項に関連する又はさらなる特徴事項を示すデータを生成できるさらなる診断検査及び／又は治療の選択を提案するようにさらに適合され、これに関連する結果又はデータを、方法への、すなわち予測を実行するソフトウェアモジュールへの入力として提供することができる。さらなる検査の選択は、例えば患者に対する検査の侵襲性レベル及び／又は費用、ある地域又は場所における検査の利用可能性、及び検査結果を予想できるまでの時間などに従うランク順で提供することができる。さらなる診断検査及び／又は治療の選択を提案するステップは、これに応じて予測モジュール及び／又は通信モジュールを制御するステップを含むことができる。

１つの態様では、方法が、予測期間を受け取るステップをさらに含む。予測期間は、方法の早期実行段階で受け取ることができ、これによって異なる特徴事項の組及び／又は関連付けられた因子又は重み予測のための入力として選択し、及び／又は特定の予測期間にわたる異なる一般化モデルを決定できるようになる。

本開示の別の態様は、例えば上述した方法の１又は２以上の態様を実行するコンピュータプログラム命令を実行するコンピュータシステムによって実装される医療装置を含む。この医療装置は、共にシステムとして機能する治療制御支援システムのモデル生成器及び治療制御支援システムを表すことができる。各医療装置は、ディスプレイ及びユーザインターフェイスと、デジタルデータを受け取るためのインターフェイスと、１又は２以上のマイクロプロセッサと、関連する揮発性及び／又は不揮発性メモリとを含むことができる。デジタルデータを受け取るためのインターフェイスは、従来タイプのものとすることができ、「ＷｉＦｉ」という商標名でも知られているＩＥＥＥ８０２．１１ファミリの標準、「Ｂｌｕｅｔｏｏｔｈ」という登録ブランド名でも知られているＩＥＥＥ８０２．１５ファミリの標準に従ってイーサネット（ＬＡＮ）などの有線又は無線ネットワークとの接続を提供することができるが、ユニバーサルシリアルバス（ＵＳＢ）又はＩＥＥＥ１３９４（ＦｉｒｅＷｉｒｅ）に従う接続などのシリアル又はパラレル接続を通じて接続されたポータブルデータ記憶装置との接続を提供することもできる。これらの各インターフェイスは、物理的送受信機部分と、論理的送受信機部分とを含み、これらの一部は様々な標準にわたって構造及び動作が類似することができる。医療装置は、複数の医療リスクと、複数の健康パラメータ及び／又は特徴事項、並びに全母集団及び／又は複数の部分母集団について記述するその他のデータとを関連付けるデータ記録を含むデータベースをさらに含むことができ、又はこのようなデータベースにアクセスするように構成することができる。データベースは、複数の出版物及びその他の医療文献へのアクセスをさらに可能にすることができる。

本開示の１つの態様によれば、治療制御支援システムのモデル生成器を実装する医療装置は、プロセッサがコンピュータプログラム命令を実行した時に、全母集団から任意に選択された第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測する一般化モデルを生成するように構成することができる。一般化モデルは、複数の医療リスクと複数の健康パラメータとの間の相互関係を表すことができる。この態様によれば、医療装置は、複数の第２の部分母集団の特徴事項、第１の非健康状態の発生及び／又は重症度、及び／又は複数の出版物において見つかった対応する予後結果に関する情報を抽出するように構成される。出版物は、例えば１又は２以上のデータベースへのアクセスを通じて取得することができる。医療装置は、複数の出版物の各々から、これらにおいて識別された特徴事項のうちの１つ又は２つ以上を、第１の非健康状態の発生又は進行に対する特徴事項の有害な寄与又は有益な寄与との関係を示す対応する第１の因子に関連付けるとともに、特徴事項のうちの１つ又は２つ以上を、それぞれの出版物内で考察されているそれぞれの第２の部分母集団における相対的発生頻度を示す対応する第２の因子に関連付けるようにさら構成することができる。医療装置は、特徴事項とその第１及び第２の因子とを、全母集団のうちの仮想的な「一般」メンバの基礎的リスクを計算することを含めて全母集団の一般化モデルに組み合わせ、これらの一般化モデル及び／又は基礎的リスクをコンピュータによるアクセス及び読み取りが可能な媒体に検索可能な形で記憶するようにさらに構成することができる。基礎的リスクは、非健康状態の発生又は進行に負の影響を与えるものとして識別された特徴事項を全く又は可能な限りの最低程度しか示さない、或いはこのような特徴事項に全く又は可能な限りの最低程度しか曝されていない被検者の非健康状態の発生又は進行リスクを表すことができる。

本開示の態様では、医療装置を、電子テキスト処理、光学文字認識及び自然言語処理のうちの１つ又は２つ以上を使用して出版物からの情報の自動抽出を実行するように構成することができる。

本開示の態様では、医療装置を、一般化モデルを生成する前に、出版物の品質に合わせて特徴事項及び関連付けられた因子を調整し、ランク付けし、／又は選択するように構成することができる。調整、ランク付け及び／又は選択は、出版物の品質、又は複数の出版物全体にわたる単一の特徴事項に関連する転帰の条件付き確率に従って実行することができる。

本開示の態様では、医療装置を、方法の１回目の実行において、複数の出版物を、第１の非健康状態を考察しているものに限定し、方法の２回目の実行において、１回目の実行の結果と、第１の非健康状態を考察していない１又は２以上の出版物とを方法への入力として使用するように構成することができる。

本開示の１つの態様によれば、治療制御支援システムを実装する医療装置は、プロセッサがコンピュータプログラム命令を実行した時に、全母集団のうちの任意に選択可能な第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測するように構成することができる。この態様によれば、医療装置は、例えばさらに前述した方法に従って生成されてコンピュータによるアクセス及び読み取りが可能なメモリに記憶された一般化モデルから１又は２以上の特徴事項を受け取るように構成される。医療装置は、第１の部分母集団を特徴付けるデータを受け取り、一般化モデルから受け取られた１又は２以上の特徴事項と、部分母集団を特徴付けるデータとを、確率モデルを実装するソフトウェアモジュールに提供するようにさらに構成される。医療装置は、ソフトウェアモジュールから出力された、第１の部分母集団の非健康状態の発生又は進行のリスク又は確率を示す要約スコアを提供し、１又は２以上の特徴事項と、これらの特徴事項が非健康状態の発生又は進行のリスク又は確率に与える正又は負の影響をユーザに提供するようにさらに構成される。

本開示の１つの態様では、医療装置を、１又は２以上の特徴事項と、これらの特徴事項が非健康状態の発生又は進行のリスク又は確率に与える正又は負の影響とを、これらの特徴事項の要約スコアに対する寄与の有意性に従うランク順で提供するように構成することができる。

本開示の１つの態様では、医療装置を、治療、ライフスタイルの変更、食事の変更及び医学的介入を含む非包括的リストからの１又は２以上の応答的対応を通じて修正又は影響することができる、非健康状態の発生又は進行のリスク又は確率に正又は負の影響を与える特徴事項を強調表示するように構成することができる。

本開示の態様では、医療装置を、非健康状態の発生又は進行のリスク又は確率が応答的対応によってどれだけ修正されるかに関する情報を提供するように構成することができる。

本開示の態様では、医療装置を、非健康状態の種類及び／又はリスクスコアに基づいて治療推奨の選択を提供するように構成することができる。

本開示の態様では、医療装置を、要約スコアの精度を高めるためにソフトウェアモジュールに関連する結果又はデータを提供できる、さらなる特徴事項に関連する又はこのような特徴事項を示すデータを生成できるさらなる診断検査及び／又は治療の選択を提供するように構成することができる。さらなる診断検査及び／又は治療の選択は、例えば費用、ある地域又は場所における検査の利用可能性、及び検査結果を予想できるまでの時間などに従うランク順で提供することができる。

本開示の別の態様は、全母集団から任意に選択された第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測する一般化モデルの生成を実行するように構成されたコンピュータシステム上で使用されるコンピュータ可読媒体を含む。この態様によるコンピュータ可読媒体は、複数の出版物から、複数の第２の部分母集団の特徴事項、複数の出版物において発見された第１の非健康状態の発生及び／又は重症度、及び／又は対応する予後結果に関する情報を抽出するステップと、複数の出版物の各々において識別された特徴事項のうちの１つ又は２つ以上を、第１の非健康状態の発生又は進行に対する特徴事項の有害な寄与又は有益な寄与との関係を示す対応する第１の因子に関連付けるステップと、特徴事項のうちの１つ又は２つ以上を、それぞれの出版物で考察されているそれぞれの第２の部分母集団における相対的発生頻度を示す対応する第２の因子にさらに関連付けるステップと、特徴事項とその第１及び第２の因子とを、患者の基礎的リスクを計算することを含めて全母集団の一般化モデルに組み合わせるステップと、一般化モデルをコンピュータによるアクセス及び読み取りが可能な媒体に検索可能な形で記憶するステップと、を含む方法を実行するコンピュータ実行可能命令を有することができる。

本開示のさらに別の態様は、全母集団のうちの任意に選択可能な第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測することを実行するように構成されたコンピュータシステム上で使用されるコンピュータ可読媒体を含む。この態様によるコンピュータ可読媒体は、生成されてコンピュータによるアクセス及び読み取りが可能なメモリに記憶された一般化モデルから１又は２以上の特徴事項を受け取るステップと、第１の部分母集団を特徴付けるデータを受け取るステップと、一般化モデルから受け取られた１又は２以上の特徴事項と部分母集団を特徴付けるデータとを、確率モデルを実装するソフトウェアモジュールに提供するステップと、ソフトウェアモジュールから要約スコアを提供するステップと、第１の部分母集団の非健康状態の発生又は進行のリスク又は確率を示すステップと、１又は２以上の特徴事項と、このような特徴事項が非健康状態の発生又は進行のリスク又は確率に与える正又は負の影響とをユーザに提供するステップと、を含む方法を実行するコンピュータプログラム命令を有することができる。

本明細書全体を通じて使用する記憶するステップ、受け取るステップ、及び／又は提供するステップは、プロセッサとメモリとの間、デジタル通信接続又はネットワークを介して第１及び第２のコンピュータ間、又はこれらの組み合わせに物理的及び／又は論理的デジタル通信チャネルを確立するステップを含むことができる。

本発明の医療装置、システム及び方法は、限定又は選択された部分母集団に焦点を合わせた出版物及び文献などから取得された健康情報に基づいて、任意に選択された部分母集団又は個人の非健康状態の効率的で正確な予測を提供することができる。このような技術を使用して、個々の健康リスクの予測及び管理を行い、集団又は母集団の健康リスクの分析及び管理を行うことができる。

ＣＫＤを患う被検者では、通常は腹部内へのカテーテルの配置、或いは血液回路への瘻孔、グラフト又はその他のアクセスポイントの形成に手術と治癒及び成熟のための時間とが必要になるため、被検者にいつ腎臓サプリメント（ｒｅｎａｌ ｓｕｐｐｌｅｍｅｎｔ）又は補充療法（透析）の準備をさせるべきかを判断する上でできる限り正確に疾患の進行を予測することが有用となり得る。

同様に、ＣＫＤ又はＥＳＲＤを患う患者では、入院リスクの予測によって、介護者又は医師が、入院の、特に心血管入院のリスクを軽減又は排除する対策を開始できるようになる。

リスク因子及び有益因子が絶対リスク又は相対リスクに与える影響によってリスク因子及び有益因子に患者固有又は部分母集団固有のランク付けを行うにより、医師又はその他の医療介護者は、さらに集中的かつ効果的な治療又は予防対策を行うことができるようになる。

個々のユーザは、開示する医療装置及び方法を使用して、自身の健康データ又は特徴事項に基づいて潜在的な非健康状態の発生又は進行を予測することができる。個々のユーザは、非健康状態の発生又は進行のリスク又は尤度への寄与に対応するライフスタイルなどの関連する行動を変化させることによってこれらのリスク又は尤度を抑えるための情報を取得することもできる。

集団又は機関ユーザは、開示する医療装置及び方法を使用して、母集団内での特定の分布などの母集団内の健康リスクを計算することができる。機関ユーザは、この分布を最適化して母集団の健康リスクを抑え、健康的なライフスタイルを促すこともできる。

以下の節では、図面を参照しながらこの方法について説明する。

全母集団から任意に選択された第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測する一般化モデルを生成する例示的な方法１００のフローチャート図である。 図１に示す選択ステップのさらに詳細な例示的な実施形態を示す図である。 図１に示す融合及び計算ステップのさらに詳細な例示的な実施形態を示す図である。 全母集団のうちの任意に選択可能な第１の部分母集団の第１の非健康状態の発生又は進行を予測する例示的な方法のデータ及び結果フロー図である。 全母集団から任意に選択された第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測するための一般化モデルを生成する方法において、新たな出版物を分析することによって一般化モデルを更新する１つの例示的な態様のフローチャート図である。 本方法の１又は２以上の態様を実行するように適合された例示的なコンピュータシステムを示す図である。

以下、添付図面に示す例示的な実施形態を詳細に参照する。可能な限り、図面全体を通じて同一又は同様の部品を示すために同じ参照番号を使用する。

図１は、全母集団から任意に選択された第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測するための一般化モデルを生成する例示的な方法のフローチャート図である。ステップ１０２において、病院又はその他の保健機関からの医療記録を含む文献又はその他の出版物を系統的にレビューし、ステップ１０４において、これらの文献又は出版物から最も信頼できる論文又はメタ解析を選択する。ステップ１０６において、これらの選択された文献から、例えば有害転帰の発生率、リスク因子の存在率及びリスク因子のオッズ比などの特徴事項を抽出し、ステップ１０８においてこれらを融合させる。その後、ステップ１１０において、融合情報を使用して一般化モデルのモデルパラメータを計算し、ステップ１１２においてモデルパラメータを記憶する。モデルパラメータは、例えば指数族分布関数（ｅｘｐｏｎｅｎｔｉａｌ ｆａｍｉｌｙ ｆｕｎｃｔｉｏｎｓ）などのいずれかの適切なタイプの確率モデルを使用して計算することができる。

図２には、図１に示すステップ１０２〜１０６のさらに詳細な例示的な実施形態を示す。ステップ２０２及び２０４において、目標母集団と予測的推論（ｐｒｏｇｎｏｓｔｉｃ ｒｅａｓｏｎｉｎｇ）ツールの端点とを規定し、出版物の包含／除外基準を規定するステップ２０６に入力として転送する。ステップ２０８〜２１６では、根拠元を規定し、目標母集団、関心端点及び特徴事項を規定する用語を探索する。各サイクルの最後には、潜在的な新たな露出因子／リスク因子を識別するために文献を定性的に評価する。

探索方法及び全ての必要な規定を作成したら、ステップ２１８及び２２０においてそれぞれ出版物のスクリーニング及び格付けを行い、ステップ２２２において分析及び抽出を行う出版物の最終選択を行う。その後、ステップ２２４において、特徴事項などの抽出を実行する。

図３には、図１に示す融合ステップ１０８及び計算ステップ１１０のさらに詳細な例示的な実施形態をそれぞれ示す。ステップ３０２において、露出と関心結果とを結びつける因果関係プロセスを表す理論を生成するための評価を行う。ステップ３０４及び３０６において、文献から抽出された属性相関（ｍｅａｓｕｒｅｓ ｏｆ ａｓｓｏｃｉａｔｉｏｎ）を共通の効果量尺度（ｃｏｍｍｏｎ ｅｆｆｅｃｔ ｓｉｚｅ ｍｅａｓｕｒｅ）に統合する。このステップは、異なるサンプルサイズ及び異なる離散化などのスケーリングを含むことができる。この時点で、ステップ３０８において、独立危険因子又はマーカー毎に、異なるメタ分析法を実行することができる。

図４は、全母集団のうちの任意に選択可能な第１の部分母集団の第１の非健康状態の発生又は進行を予測する例示的な方法のデータ及び結果フロー図である。この例では、部分母集団が１人の患者である。患者記録からのデータ４０２を一般化確率モデル４０４に提供する。一般化確率モデル４０４を使用して分析を実行すると、さらなる診断検査の提案４０６、非健康状態の患者リスクを表す指標４０８、及び各特徴事項又はリスク因子が非健康状態の発生又は進行にどれほど大きな影響を及ぼすかについての指標４１０、のうちの１つ又は２つ以上が得られる。

図５は、全母集団から任意に選択された第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測する一般化モデルを生成する方法において、新たな出版物を分析することによって一般化モデルを更新する１つの例示的な態様のフローチャート図である。ステップ５０２において、新たな出版物の定期的チェック又はイベントトリガーチェックを実行する。このレビューは、図１のステップ１０２と同様に行うことができ、図２を参照して説明した方法と同じ方法で適切なキーワードを決定することができる。ステップ５０４において、例えば新たな部分母集団、新たな特徴事項などの非健康状態に関する新たな根拠又は一般的に新しいデータの提供を約束する出版物が発見されると、方法は常に「はい」の経路たどってステップ５０８に進み、例えば図１を参照しながら説明した方法でデータ抽出を実行する。以下のステップ５１０及び５１２も、同様に図１を参照しながら説明したステップ１０６〜１１０のうちの１つ又は２つ以上に対応することができる。新たな出版物を使用して一般化モデルを更新することで、最初に必要であった完全なモデル生成プロセスを再び引き出す必要なくモデルの予測をさらに正確又は効果的なものにすることができ、従って時間と労力を節約することができる。

図６に、本方法の１又は２以上の態様を実行するように適合された例示的なコンピュータシステム６００を示す。コンピュータシステム６００は、プロセッサ６０２と、ランダムアクセスメモリ（ＲＡＭ）６０４と、リードオンリメモリ（ＲＯＭ）６０６と、コンソール６０８と、入力装置６１０と、ネットワークインターフェイス６１２と、データベース６１４と、ストレージ６１６とを含むことができる。列挙する装置のタイプ及び数は例示的なものにすぎず、限定を意図するものではないと理解されたい。列挙する装置の数は変更することができ、他の装置を追加することもできる。

プロセッサ６０２は、いずれかの適切なタイプの汎用マイクロプロセッサ、デジタルシグナルプロセッサ、又はマイクロコントローラを含むことができる。プロセッサ６０２は、一連のコンピュータプログラム命令を実行して、上述したような様々なプロセス又は方法ステップを実行することができる。これらのコンピュータプログラム命令は、プロセッサ６０２が実行できるようにリードオンリメモリ（ＲＯＭ）又はストレージ６１６からＲＡＭ６０４にロードすることができる。ストレージ６１６は、プロセッサ６０２がプロセスを実行するために必要とし得るあらゆるタイプの情報を記憶するように設けられたいずれかの適切なタイプの大容量ストレージを含むことができる。例えば、ストレージ６１６は、１又は２以上のハードディスク装置、光ディスク装置、或いは記憶スペースを提供するその他のストレージを含むことができる。

コンソール６０８は、コンピュータシステム６００のユーザに情報を表示するグラフィックユーザインタフェース（ＧＵＩ）を提供することができる。コンソール６０８は、いずれかの適切なタイプのコンピュータディスプレイ装置又はコンピュータモニタを含むことができる。入力装置６１０は、ユーザがコンピュータシステム６００に情報を入力できるように設けることができる。入力装置６１０は、キーボード、マウス、或いは他の光学又は無線コンピュータ入力装置などを含むことができる。さらに、ネットワークインターフェイス６１２は、伝送制御プロトコル／インターネットプロトコル（ＴＣＰ／ＩＰ）、ハイパーテキスト転送プロトコル（ＨＴＴＰ）などの様々な通信プロトコルを介してコンピュータネットワークを通じてコンピュータシステム６００に遠隔的にアクセスできるように通信接続を提供することもできる。

データベース６１４は、モデルデータ、及び／又はモデルパラメータ及び検査データなどの分析中のデータ記録に関連するいずれかの情報を含むことができる。データベース６１４は、あらゆるタイプの商用又は専用データベースを含むことができる。データベース６１４は、データベース内の情報を分析するための分析ツールを含むこともできる。プロセッサ６０２は、データベース６１４を使用して一般化モデルの性能特性を決定して記憶することもできる。

当業者には、開示した例示的な医療装置及び方法の他の実施形態、特徴、態様及び原理が明らかになり、これらは様々な環境及びシステムに実装することができる。

１００ 方法
１０２ 系統的な文献レビュー
１０４ 最も信頼できる論文又はメタ解析の選択
１０６ 選択された各研究からの有害転帰の発生率、リスク因子の存在率及びリスク因子のオッズ比の抽出
１０８ 収集された情報の融合
１１０ モデルパラメータの計算
１１２ 一般化モデルを記憶

Claims (32)

1. 全母集団から任意に選択された第１の部分母集団の特定の第１の非健康状態の発生又は進行を適応的に予測するための一般化モデルを生成するコンピュータ実装型治療制御支援方法であって、
   − 複数の出版物及び／又は１次臨床データソースから、複数の第２の部分母集団の特徴事項、これらにおいて発見された前記第１の非健康状態の発生及び／又は重症度、及び／又は対応する予後結果に関する情報を抽出するように抽出モジュールを制御するステップと、
   − 前記複数の出版物及び／又は１次臨床データソースの各々から、これらにおいて識別された前記特徴事項のうちの１つ又は２つ以上を、前記第１の非健康状態の前記発生又は進行に対する前記特徴事項の有害な寄与又は有益な寄与との関係を示す対応する第１の因子に関連付けるとともに、前記特徴事項のうちの１つ又は２つ以上を、前記それぞれの出版物で考察されている前記それぞれの第２の部分母集団における相対的発生頻度を示す対応する第２の因子にさらに関連付けるようにアソシエータモジュールを制御するステップと、
   − 前記特徴事項とその第１及び第２の因子とを、患者の基礎的リスクを計算することを含めて前記全母集団の一般化モデルに組み合わせるようにコンバイナモジュールを制御するステップと、
   − 前記一般化モデルを、コンピュータによるアクセス及び読み取りが可能な媒体に検索可能な形で記憶するように通信モジュールを制御するステップと、
   を含むことを特徴とする方法。
2. 前記抽出モジュールを、電子テキスト処理、光学文字認識及び自然言語処理のうちの１つ又は２つ以上を実行するように制御するステップをさらに含む、
   請求項１に記載の方法。
3. 前記抽出モジュールを、前記一般化モデルを生成する前に、前記出版物及び／又は１次臨床データソースの品質を表す値に従って前記特徴事項及び前記関連付けられた因子を調整し、ランク付けし、及び／又は選択するように制御するステップをさらに含む、
   請求項１又は２に記載の方法。
4. 前記複数の出版物及び／又は１次臨床データソースにわたる単一の特徴事項に関連する転帰の条件付き確率を表す値に従って前記特徴事項及び前記関連付けられた因子を調整し、ランク付けし、及び／又は選択するステップをさらに含む、
   請求項１から３のいずれかに記載の方法。
5. 受け取られた予測時間目標に従って、又は少なくとも１つの予め設定された予測時間目標に合わせて、前記特徴事項及び前記関連付けられた因子を調整し、ランク付けし、／又は選択するステップをさらに含む、
   請求項１から４のいずれかに記載の方法。
6. 受け取られた前記第１の部分母集団における前記第１の非健康状態の現段階又は重症度に従って、又は少なくとも１つの予め設定された段階又は重症度に合わせて、前記特徴事項及び前記関連付けられた因子を調整し、ランク付けし、／又は選択するステップをさらに含む、
   請求項１から５のいずれかに記載の方法。
7. 前記方法の１回目の実行において、前記複数の出版物及び／又は１次臨床データソースを、前記第１の非健康状態を考察しているものに限定し、前記方法の２回目の実行において、前記１回目の実行の結果と、前記第１の非健康状態を考察していない１又は２以上の出版物及び／又は１次臨床データソースとを前記方法への入力として使用するステップをさらに含む、
   請求項１から６のいずれかに記載の方法。
8. 全母集団のうちの任意に選択可能な第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測するコンピュータ実装方法であって、
   − 請求項１から７のうちの１項又は２項以上に記載の方法に従って、生成されてコンピュータによるアクセス及び読み取りが可能なメモリに記憶された一般化モデルから１又は２以上の特徴事項を受け取るように通信モジュールを制御するステップと、
   − 前記第１の部分母集団を特徴付けるデータを受け取るように前記通信モジュールを制御するステップと、
   − 前記一般化モデルから受け取られた前記１又は２以上の特徴事項、及び前記部分母集団を特徴付ける前記データを、確率モデルを実装する予測モジュールに提供するように前記通信モジュールを制御するステップと、
   − 前記第１の部分母集団の前記非健康状態の発生又は進行のリスク又は確率を示す要約スコアを前記ソフトウェアモジュールから提供するように前記予測モジュールを制御するステップと、
   − １又は２以上の特徴事項と、該１又は２以上の特徴事項が前記非健康状態の発生又は進行の前記リスク又は前記確率に与える正又は負の影響とをユーザに提供するように前記通信モジュールを制御するステップと、
   を含むことを特徴とする方法。
9. 前記予測モジュールは、さらなる入力として受け取られた前記第１の部分母集団における前記第１の非健康状態の現段階又は重症度に従って、前記特徴事項及び前記関連付けられた因子を調整し、ランク付けし、／又は選択するようにさらに構成される、
   請求項８に記載の方法。
10. 前記１又は２以上の特徴事項と、該１又は２以上の特徴事項が前記非健康状態の発生又は進行の前記リスク又は前記確率に与える正又は負の影響とを、前記１又は２以上の特徴事項の前記要約スコアに対する寄与の有意性に従うランク順で提供するステップをさらに含む、
    請求項８又は９に記載の方法。
11. 治療、ライフスタイルの変更、食事の変更及び医学的介入を含む非包括的リストからの１又は２以上の応答的対応を通じて修正又は影響することができる、前記非健康状態の発生又は進行の前記リスク又は前記確率に正又は負の影響を与える特徴事項を強調表示するステップをさらに含む、
    請求項１０に記載の方法。
12. 前記非健康状態の発生又は進行の前記リスク又は前記確率が応答的対応によってどれだけ修正されるかに関する情報を提供するステップをさらに含む、
    請求項１１に記載の方法。
13. 前記非健康状態の種類及び／又は前記リスクスコアに基づいて治療推奨の選択を提供するステップをさらに含む、
    請求項８から１２のいずれかに記載の方法。
14. 前記要約スコアの精度を高めるために前記予測モジュールに提供できる、さらなる特徴事項に関連する又は該さらなる特徴事項を示すデータを生成できるさらなる診断検査及び／又は治療の選択を提供するステップをさらに含む、
    請求項８から１３のいずれかに記載の方法。
15. 前記さらなる診断検査及び／又は治療の選択をランク順で提供するステップをさらに含む、
    請求項１４に記載の方法。
16. 全母集団から任意に選択された第１の部分母集団の特定の第１の非健康状態の発生又は進行を適応的に予測する一般化モデルを生成するように構成された治療制御支援システムのモデル生成器であって、前記モデル生成器及び／又はその構成要素は、マイクロプロセッサと、揮発性及び／又は不揮発性メモリと、１又は２以上のデータ及び／又はユーザインターフェイスとを備え、或いはこれらと協働するとともに、
    − 複数の出版物及び／又は１次臨床データソースから、複数の第２の部分母集団の特徴事項、前記複数の出版物及び／又は１次臨床データソースにおいて発見された前記第１の非健康状態の発生及び／又は重症度、及び／又は対応する予後結果に関する情報を抽出するように適合された抽出モジュールと、
    − 前記複数の出版物及び／又は１次臨床データソースの各々から、これらにおいて識別された前記特徴事項のうちの１つ又は２つ以上を、前記第１の非健康状態の前記発生又は進行に対する前記特徴事項の有害な寄与又は有益な寄与との関係を示す対応する第１の因子に関連付けるとともに、前記特徴事項のうちの１つ又は２つ以上を、前記それぞれの出版物で考察されている前記それぞれの第２の部分母集団における相対的発生頻度を示す対応する第２の因子にさらに関連付けるように適合されたアソシエータモジュールと、
    − 前記特徴事項とその第１及び第２の因子とを、患者の基礎的リスクを計算することを含めて前記全母集団の一般化モデルに組み合わせるように適合されたコンバイナモジュールと、
    − 前記一般化モデルを、コンピュータによるアクセス及び読み取りが可能な媒体に検索可能な形で記憶するように適合された通信モジュールと、
    をさらに備える、ことを特徴とするモデル生成器。
17. 特定の第１の非健康状態及び／又は該第１の非健康状態の重症度又は現段階の選択に対応する入力を受け取るように適合されたプライミングモジュールをさらに備え、前記特定の第１の非健康状態及び／又は該第１の非健康状態の前記重症度又は現段階は、前記一般化モデルを生成するための様々な統計モデルのうちの１つを選択するために使用される、
    請求項１６に記載のモデル生成器。
18. 前記抽出モジュールは、電子テキスト処理、光学文字認識及び自然言語処理のうちの１つ又は２つ以上を実行するように構成される、
    請求項１６に記載のモデル生成器。
19. 前記一般化モデルを生成する前に、前記出版物及び／又は１次臨床データソースの品質を表す値に従って前記特徴事項及び前記関連付けられた因子を調整し、ランク付けし、及び／又は選択するようにさらに構成される、
    請求項１６から１８のいずれかに記載のモデル生成器。
20. 前記複数の出版物及び／又は１次臨床データソースにわたる単一の特徴事項に関連する転帰の条件付き確率を表す値に従って前記特徴事項及び前記関連付けられた因子を調整し、ランク付けし、及び／又は選択するようにさらに構成される、
    請求項１６から１９のいずれかに記載のモデル生成器。
21. 受け取った予測時間目標に従って、又は少なくとも１つの予め設定された予測時間目標に合わせて前記特徴事項及び前記関連付けられた因子を調整し、ランク付けし、／又は選択するようにさらに構成される、
    請求項１６から２０のいずれかに記載のモデル生成器。
22. 受け取った前記第１の部分母集団における前記第１の非健康状態の現段階又は重症度に従って、又は少なくとも１つの予め設定された段階又は重症度に合わせて前記特徴事項及び前記関連付けられた因子を調整し、ランク付けし、／又は選択するようにさらに構成される、
    請求項１６から２２のいずれかに記載のモデル生成器。
23. １回目の実行において、前記複数の出版物及び／又は１次臨床データソースを、前記第１の非健康状態を考察しているものに限定するように前記抽出モジュールを制御し、２回目の実行において、前記１回目の実行の結果と、前記第１の非健康状態を考察していない１又は２以上の出版物及び／又は１次臨床データソースとを入力として使用するようにさらに構成される、
    請求項１６から２２のいずれかに記載のモデル生成器。
24. 全母集団のうちの任意に選択可能な第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測するように構成された治療制御支援システムであって、前記システム及び／又はその構成要素は、マイクロプロセッサと、揮発性及び／又は不揮発性メモリと、１又は２以上のデータ及び／又はユーザインターフェイスとを備え、或いはこれらと協働するとともに、
    − 前記第１の非健康状態を識別又は選択する入力と、前記第１の非健康状態を生成するように適合された、請求項１６から２３のうちの１項又は２項以上に記載の治療制御支援システムの前記モデル生成器によって生成されてコンピュータによるアクセス及び読み取りが可能なメモリに記憶された一般化モデルと、該一般化モデルにおいて使用される１又は２以上の特徴事項とを受け取るように構成されるとともに、前記第１の部分母集団を特徴付ける対応するデータを受け取るようにさらに構成された通信モジュールと、
    − 前記一般化モデル、及び前記部分母集団を特徴付ける前記データに従って、前記受け取られた１又は２以上の特徴事項を処理するように構成された予測モジュールと、
    を備え、前記予測モジュールは、確率モデルを実装するコンピュータが実行できるコンピュータプログラム命令を含み、前記確率モデル及び／又はそのパラメータは、前記第１の非健康状態に従って選択又は適合され、前記予測モジュールは、前記受け取った一般化モデル、前記特徴事項、及び前記第１の部分母集団を特徴付けるデータに従って前記確率モデルを適用して、前記第１の部分母集団における前記非健康状態の発生又は進行のリスク又は確率を示す要約スコアを出力するように構成され、
    − 前記通信モジュールは、前記要約スコア及び／又は１又は２以上の特徴事項と、該１又は２以上の特徴事項が前記非健康状態の発生又は進行の前記リスク又は前記確率に与える正又は負の影響とをユーザ又はさらなるコンピュータシステムに提供するようにさらに構成される、
    ことを特徴とする治療制御支援システム。
25. 前記予測モジュールは、さらなる入力として受け取られた前記第１の部分母集団における前記第１の非健康状態の現段階又は重症度に従って、前記特徴事項及び前記関連付けられた因子を調整し、重み付けし、ランク付けし、及び／又は選択するようにさらに構成される、
    請求項２４に記載の治療制御支援システム。
26. 前記予測モジュール又は前記通信モジュールは、前記１又は２以上の特徴事項と、前記該１又は２以上の特徴事項が前記非健康状態の発生又は進行の前記リスク又は前記確率に与える正又は負の影響とを、前記１又は２以上の特徴事項の前記要約スコアに対する寄与の有意性に従うランク順で提供するようにさらに構成される、
    請求項２４又は２５に記載の治療制御支援システム。
27. 前記通信モジュールは、治療、ライフスタイルの変更、食事の変更及び医学的介入を含む非包括的リストからの１又は２以上の応答的対応を通じて修正又は影響することができる、前記非健康状態の発生又は進行の前記リスク又は前記確率に正又は負の影響を与える特徴事項を強調表示するようにさらに構成される、
    請求項２４から２６のいずれかに記載の治療制御支援システム。
28. 前記予測モジュール又は前記通信モジュールは、前記非健康状態の発生又は進行の前記リスク又は前記確率が応答的対応によってどれだけ修正されるかに関する情報を提供するようにさらに構成される、
    請求項２４から２７のいずれかに記載の治療制御支援システム。
29. 前記通信モジュールは、複数の非健康状態のそれぞれについての少なくとも１つの治療推奨を記憶するデータベース、又は該データベースに接続された人工知能システムに発行された要求に応答して、前記非健康状態の種類及び／又は前記リスクスコアに基づいて治療推奨の選択を提供するようにさらに構成される、
    請求項２４から２８のいずれかに記載の治療制御支援システム。
30. 前記予測モジュールは、前記要約スコアの精度を高めるために前記予測モジュールに提供できる、さらなる特徴事項に関連する又は該さらなる特徴事項を示すデータを生成できるさらなる診断検査及び／又は治療の選択を、前記通信モジュールを通じて提供するようにさらに構成される、
    請求項２４から２９のいずれかに記載の治療制御支援システム。
31. 全母集団から任意に選択された第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測する一般化モデルを生成するためのシステムであって、
    − 複数の出版物及び／又は１次臨床データソースを表す第１のデータ信号を受け取り、前記複数の出版物及び／又は１次臨床データソースから、複数の第２の部分母集団の特徴事項、前記複数の出版物及び／又は１次臨床データソースにおいて発見された前記第１の非健康状態の発生及び／又は重症度、及び／又は対応する予後結果に関する情報を前記データ信号から抽出し、対応する第２のデータ信号を生成するように構成された抽出モジュールと、
    − 前記第２のデータ信号を受け取り、前記複数の出版物及び／又は１次臨床データソースの各々において識別された、前記第２のデータ信号によって表される前記特徴事項のうちの１つ又は２つ以上を、前記第１の非健康状態の前記発生又は進行に対する前記特徴事項の有害な寄与又は有益な寄与との関係を示す対応する第１の因子に関連付け、対応する第３のデータ信号を生成し、前記特徴事項のうちの１つ又は２つ以上を、前記それぞれの出版物及び／又は１次臨床データソースで考察されている前記それぞれの第２の部分母集団における相対的発生頻度を示す対応する第２の因子にさらに関連付け、対応する第４のデータ信号を生成するように構成されたアソシエータモジュールと、
    − 前記第２、第３及び第４のデータ信号を受け取り、該第２、第３及び第４のデータ信号によって表される前記特徴事項とその第１及び第２の因子とを、患者の基礎的リスクを計算することを含めて前記全母集団の一般化モデルに組み合わせ、該一般化モデルを表す第５のデータ信号を生成するように構成された組み合わせモジュールと、
    − コンピュータによるアクセス及び読み取りが可能な媒体にアクセスし、前記一般化モデルを表す前記第５のデータ信号を前記コンピュータによるアクセス及び読み取りが可能な媒体に検索可能な形で記憶するように構成されたデータアクセスモジュールと、
    を備えることを特徴とするシステム。
32. 全母集団のうちの任意に選択可能な第１の部分母集団の第１の非健康状態の発生又は進行を適応的に予測するためのシステムであって、
    − 請求項１から７のうちの１項又は２項以上に記載の方法に従って生成されてコンピュータによるアクセス及び読み取りが可能なメモリに記憶された一般化モデルから１又は２以上の特徴事項を受け取るように構成された第１のデータ受信機モジュールと、
    − 前記第１の部分母集団の特性を表すデータ信号を受け取るように構成された第２のデータ受信機モジュールと、
    − 前記一般化モデルから受け取られた前記１又は２以上の特徴事項を表す前記データ信号と、前記部分母集団の特性を表す前記データ信号とを受け取って処理するように構成されるとともに、前記第１の部分母集団の前記非健康状態の発生又は進行のリスク又は確率を示す要約スコアを提供するように構成された、確率モデルの実装を含むソフトウェアモジュールと、
    − １又は２以上の特徴事項と、該１又は２以上の特徴事項が前記非健康状態の発生又は進行の前記リスク又は前記確率に与える正又は負の影響とをユーザ又はさらなる医療装置に提供するように構成された提供モジュールと、
    を備えることを特徴とするシステム。

Images