JP2022115546A - 医用情報処理装置、及び医用情報処理システム - Google Patents
医用情報処理装置、及び医用情報処理システム Download PDFInfo
- Publication number
- JP2022115546A JP2022115546A JP2021012183A JP2021012183A JP2022115546A JP 2022115546 A JP2022115546 A JP 2022115546A JP 2021012183 A JP2021012183 A JP 2021012183A JP 2021012183 A JP2021012183 A JP 2021012183A JP 2022115546 A JP2022115546 A JP 2022115546A
- Authority
- JP
- Japan
- Prior art keywords
- cells
- disease
- patient
- medical information
- information processing
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 121
- 201000010099 disease Diseases 0.000 claims abstract description 151
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 151
- 230000007704 transition Effects 0.000 claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 44
- 208000024891 symptom Diseases 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 abstract description 38
- 230000001172 regenerating effect Effects 0.000 abstract description 32
- 238000009472 formulation Methods 0.000 abstract 1
- 239000000203 mixture Substances 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 180
- 230000006870 function Effects 0.000 description 87
- 238000011282 treatment Methods 0.000 description 52
- 208000031229 Cardiomyopathies Diseases 0.000 description 28
- 238000010586 diagram Methods 0.000 description 28
- 238000004891 communication Methods 0.000 description 14
- 238000000034 method Methods 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 206010008479 Chest Pain Diseases 0.000 description 8
- 208000000059 Dyspnea Diseases 0.000 description 8
- 206010013975 Dyspnoeas Diseases 0.000 description 8
- 208000013220 shortness of breath Diseases 0.000 description 8
- 206010034568 Peripheral coldness Diseases 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 210000001744 T-lymphocyte Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000002107 myocardial effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 208000022531 anorexia Diseases 0.000 description 4
- 210000004413 cardiac myocyte Anatomy 0.000 description 4
- 206010061428 decreased appetite Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 108010019670 Chimeric Antigen Receptors Proteins 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 206010042674 Swelling Diseases 0.000 description 3
- 239000002246 antineoplastic agent Substances 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000004113 cell culture Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 206010016256 fatigue Diseases 0.000 description 3
- 230000004217 heart function Effects 0.000 description 3
- 238000000338 in vitro Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008961 swelling Effects 0.000 description 3
- 206010061818 Disease progression Diseases 0.000 description 2
- 208000032912 Local swelling Diseases 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 2
- 230000000735 allogeneic effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000011970 concomitant therapy Methods 0.000 description 2
- 230000005750 disease progression Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 208000004736 B-Cell Leukemia Diseases 0.000 description 1
- 206010048610 Cardiotoxicity Diseases 0.000 description 1
- 206010025323 Lymphomas Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229940045799 anthracyclines and related substance Drugs 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 231100000259 cardiotoxicity Toxicity 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 238000002659 cell therapy Methods 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 210000001671 embryonic stem cell Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019691 hematopoietic and lymphoid cell neoplasm Diseases 0.000 description 1
- 208000024200 hematopoietic and lymphoid system neoplasm Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000004263 induced pluripotent stem cell Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011328 necessary treatment Methods 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
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
- G16H50/20—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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】再生医療において医師による細胞の処方を支援する医用情報処理装置及び医用情報処理システムを提供する。【解決手段】医用情報処理システムにおいて、医用情報処理装置1は、経過予測部、必要量予測部及び供給量予測部として働く予測機能と、決定機能と、出力機能と、を備える。予測機能は、患者が発症している又は発症し得る第1疾患に関する第1経過を予測し、第1経過に基づいて、細胞の必要量に関する第1推移を予測し、細胞の製造状況に関する情報に基づいて、細胞の供給量に関する第2推移を予測する。決定機能は、第1推移と、第2推移とに基づいて、細胞の必要量と細胞の供給量とが一致するか又は細胞の必要量より細胞の供給量が大きい将来の時点を決定する。出力機能は、第1経過と、細胞と、将来の時点と、将来の時点における細胞の必要量と、のうち少なくとも一つに関する情報を出力する。【選択図】図2
Description
本明細書及び図面に開示の実施形態は、医用情報処理装置、及び医用情報処理システムに関する。
近年、再生医療研究の機運の高まりを受けて、実臨床に向けた種々の問題が表面化している。問題の一つに、医師が患者を診察してから当該患者に再生医療が施されるまでのタイムラグがある。再生医療では、医師が患者の診察結果に基づき細胞の処方オーダを発出した後、当該処方オーダを受託した機関が細胞の培養及び加工を行い、調製された細胞を当該医師に提供する。このうち、細胞の培養及び加工には数週間から数か月もの時間を要するため、実際に患者へ細胞が投与されるまでには相当な時間を要する。したがって、医師は患者に細胞を投与する将来の時点における、当該患者の疾患の進行度や重症度等に関する経過を予想して、必要な細胞の種類や量といった処方を決定する必要がある。
しかし、上記のような処方行為は、個々の医師の経験や技量に依存するため、再生医療の質の均一化を妨げる一因となっている。また、予め再生医療用の細胞を多種類かつ大量に製薬企業又は細胞バンクに保管することで、処方オーダに応じて製薬企業又は細胞バンクから即座に細胞を提供する方法も考えられるが、細胞の生産や維持管理に係るコスト等の観点から現実的ではない。
本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、再生医療において医師による細胞の処方を支援することである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。
実施形態に係る医用情報処理装置は、経過予測部と、特定部と、必要量予測部と、供給量予測部と、決定部と、出力部とを具備する。経過予測部は、患者が発症している又は発症し得る第1疾患に関する第1経過を予測する。特定部は、前記患者の前記第1疾患を治療するために必要な細胞を特定する。必要量予測部は、前記第1経過に基づいて、前記細胞の必要量に関する第1推移を予測する。供給量予測部は、前記細胞の製造状況に関する情報に基づいて、前記細胞の供給量に関する第2推移を予測する。決定部は、前記第1推移と、前記第2推移とに基づいて、前記細胞の必要量と前記細胞の供給量とが一致する、又は、前記細胞の必要量より前記細胞の供給量が大きい将来の時点を決定する。出力部は、前記第1経過と、前記細胞と、前記将来の時点と、前記将来の時点における前記細胞の必要量とのうち少なくとも一つに関する情報を出力する。
以下、図面を参照しながら実施形態に係る医用情報処理装置、及び医用情報処理システムについて説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作を行うものとして、重複する説明を適宜、省略する。
図1は、実施形態に係る医用情報処理システム100の構成例を示す図である。
医用情報処理システム100は、医用情報処理装置1、電子カルテシステム2、医用画像システム3、臨床検査システム4、臨床事例DB5、及び細胞製造情報DB6を含むシステムである。このうち、医用情報処理装置1、電子カルテシステム2、医用画像システム3、及び臨床検査システム4は同一の医療機関に設置され、共通のLAN(Local Area Network)により互いに通信可能に接続される。LANには、ネットワークを介して臨床事例DB5、及び細胞製造情報DB6が互いに通信可能に接続される。臨床事例DB5は、例えば臨床事例DB5の管理を担う医療関連企業に設置される。細胞製造情報DB6は、例えば細胞製造情報DB6の管理を担う製薬企業に設置される。なお、LANとネットワークとの間の通信は、両ネットワークの間に設置されたプロキシサーバを介して行われてもよい。なお、両ネットワークの通信方式は、有線又は無線の種別を問わない。
医用情報処理システム100は、医用情報処理装置1、電子カルテシステム2、医用画像システム3、臨床検査システム4、臨床事例DB5、及び細胞製造情報DB6を含むシステムである。このうち、医用情報処理装置1、電子カルテシステム2、医用画像システム3、及び臨床検査システム4は同一の医療機関に設置され、共通のLAN(Local Area Network)により互いに通信可能に接続される。LANには、ネットワークを介して臨床事例DB5、及び細胞製造情報DB6が互いに通信可能に接続される。臨床事例DB5は、例えば臨床事例DB5の管理を担う医療関連企業に設置される。細胞製造情報DB6は、例えば細胞製造情報DB6の管理を担う製薬企業に設置される。なお、LANとネットワークとの間の通信は、両ネットワークの間に設置されたプロキシサーバを介して行われてもよい。なお、両ネットワークの通信方式は、有線又は無線の種別を問わない。
医用情報処理装置1は、医用情報処理システム100の機能的中心として働く装置である。医用情報処理装置1は、LAN及びネットワークを介して電子カルテシステム2、医用画像システム3、臨床検査システム4、臨床事例DB5、及び細胞製造情報DB6との間で相互にデータを送受信することで、種々の動作を実行する。医用情報処理装置1の構成例は図2に後述し、医用情報処理装置1の動作例は図3に後述する。
電子カルテシステム2は、医療機関を受診した患者に対して実施された種々の診療行為に関する診療情報を電子的に記録、保存、及び管理するシステムである。本実施形態において、電子カルテシステム2は、医用画像システム3から提供された検査画像と、臨床検査システム4から提供された検査結果とを含むものとする。電子カルテシステム2に保管される患者の診療情報の一例は、図4に後述する。
なお、電子カルテシステム2には細胞を用いた再生医療を必要とする患者(第1患者とも称する)の診療情報が含まれるものとする。第1患者は、医師による診断及び治療を受けておらず、図3に示す医用情報処理装置1が行う動作の開始時点では、第1患者の診療情報は個人情報及び診察情報を含むものとする。第1患者は、対象患者、治療前患者、又は現在の患者とも称する。また、電子カルテシステム2には、少なくとも一人の第1患者に関する、少なくとも一つの症例が保管されているものとする。
医用画像システム3は、医療機関を受診した患者に関する種々の医用画像を記録、保存、及び管理するシステムである。医用画像は、CR(Computed Radiography)画像、CT(Computed Tomography)画像、MR(Magnetic Resonance)画像、UL(Ultrasonic)画像、RI(Radio-Isotope)画像等の任意の画像種の画像でよい。本実施形態において、医用画像システム3は電子カルテシステム2に検査画像を提供しているものとする。なお、医用画像システム3は、PACS(Picture Archiving and Communication Systems)とも称する。
臨床検査システム4は、医療機関を受診した患者に関する種々の検査結果を記録、保存及び管理するシステムである。検査結果は、例えば患者に対して行われた臨床検査(例:生理検査、検体検査)の結果を含む。本実施形態において、臨床検査システム4は電子カルテシステム2に検査結果を提供しているものとする。
臨床事例DB5は、患者に対して実施された種々の診療行為に関する診療情報を電子的に保管するデータベースである。本実施形態において、臨床情報DB5に保管される診療情報は、電子カルテシステム2に保管される診療情報と同様な情報を含むものとする。臨床事例DB5に保管される患者の診療情報の一例は、図5に後述する。
なお、臨床事例DB5には細胞を用いた再生医療を受けた患者(第2患者とも称する)の診療情報が含まれるものとする。第2患者は、医師による診断及び治療を受けており、図3に示す医用情報処理装置1が行う動作の開始時点では、第2患者の診療情報は個人情報及び診察情報に加えて、診断情報及び治療情報を含むものとする。第2患者は、治療後患者、又は過去の患者とも称する。また、臨床事例DB5には、複数の第2患者に関する複数の症例(臨床事例とも称する)が保管されているものとする。
なお、臨床事例DB5は、第2患者に関する臨床事例だけでなく、種々の疾患の経過に関する臨床事例が含まれてもよい。疾患の経過は、例えば疾患の進行に伴う患者の罹患部位及び症状の変化に関する情報である。また、疾患の経過は、治療前及び治療後における疾患の罹患部位及び症状の変化に関する情報であってもよい。
なお、臨床事例DB5は、国内外の医学系DB、総説、解説、及び教科書からの臨床事例を含む疾患情報DBや、国内外の著名誌論文、及び臨床報告からの臨床事例を含む治療エビデンスDBにより代替されてもよい。すなわち、臨床事例DB5としては、国内外を問わず種々の医学系情報源からの臨床事例が収録されたデータベースが使用可能である。また、臨床事例DB5には、国内外の臨床研究又は臨床試験に関する臨床事例が含まれてもよい。臨床研究又は臨床試験に関する臨床事例には、例えば細胞名、実施者名、フェーズ、種類、期間、プロトコル、実施国、適格基準、除外基準、疾患名、評価項目・評価方法に関する情報が含まれてもよい。
細胞製造情報DB6は、細胞や当該細胞を用いた医薬品(細胞医薬品とも称する)に関する種々の情報が保管されたデータベースである。細胞製造情報DB6は、例えば細胞の製造状況や、細胞の備蓄状況に関する情報を含む。また、細胞製造情報DB6は、細胞名、製品名、製薬会社名、国内進出の有無、投与量、治療効果、副作用、併用薬・併用療法に関する注意点に関する情報が含まれてもよい。すなわち、細胞製造情報DB6は、製薬会社が製造している細胞や細胞医薬品に関する種々の情報や、製薬会社に関する種々の情報が含まれてもよい。
図2は、実施形態に係る医用情報処理装置1の構成例を示す図である。
医用情報処理装置1は、処理回路11、メモリ12、表示装置13、入力インタフェース14、通信インタフェース15を含む。各構成部は、共通の信号伝送路であるバスを介して互いに通信可能に接続される。なお、各構成部は個々のハードウェアにより実装されなくともよい。例えば、各構成部のうち少なくとも2つが1つのハードウェアにより実装されてもよい。
医用情報処理装置1は、処理回路11、メモリ12、表示装置13、入力インタフェース14、通信インタフェース15を含む。各構成部は、共通の信号伝送路であるバスを介して互いに通信可能に接続される。なお、各構成部は個々のハードウェアにより実装されなくともよい。例えば、各構成部のうち少なくとも2つが1つのハードウェアにより実装されてもよい。
処理回路11は、医用情報処理装置1の動作を制御する。処理回路11は、ハードウェアとしてCPU(Central Processing Unit)、MPU(Micro Processing Unit)、GPU(Graphics Processing Unit)等のプロセッサを有する。処理回路11は、プロセッサを介してメモリ12に展開されたプログラムを実行することで、各プログラムに対応する各機能(例えば、抽出機能111、推定機能112、予測機能113、特定機能114、決定機能115、計算機能116、出力機能117)を実現する。なお、各機能は単独のプロセッサから成る処理回路により実現されなくともよい。例えば、各機能は複数のプロセッサを組み合わせた処理回路により実現されてもよい。処理回路11は、例えば通信インタフェース15から送信された種々のデータを受信し、受信されたデータに対して種々の情報処理を行う。
抽出機能111は、患者の診療情報からキーワードを抽出する。
推定機能112は、キーワードから患者の疾患名を推定する。
予測機能113は、患者が発症している又は発症し得る第1疾患に関する第1経過を予測する。また、予測機能113は、第1経過に基づいて、細胞の必要量に関する第1推移を予測する。また、予測機能113は、細胞の製造状況に関する情報に基づいて、細胞の供給量に関する第2推移を予測する。
特定機能114は、患者の第1疾患を治療するために必要な細胞を特定する。
決定機能115は、第1推移と、第2推移とに基づいて、細胞の必要量と細胞の供給量とが一致する、又は、前記細胞の必要量より前記細胞の供給量が大きい将来の時点を決定する。
計算機能116は、将来の時点における細胞の必要量を計算する。
出力機能117は、第1経過と、細胞と、将来の時点と、将来の時点における細胞の必要量とのうち少なくとも一つに関する情報を出力する。
推定機能112は、キーワードから患者の疾患名を推定する。
予測機能113は、患者が発症している又は発症し得る第1疾患に関する第1経過を予測する。また、予測機能113は、第1経過に基づいて、細胞の必要量に関する第1推移を予測する。また、予測機能113は、細胞の製造状況に関する情報に基づいて、細胞の供給量に関する第2推移を予測する。
特定機能114は、患者の第1疾患を治療するために必要な細胞を特定する。
決定機能115は、第1推移と、第2推移とに基づいて、細胞の必要量と細胞の供給量とが一致する、又は、前記細胞の必要量より前記細胞の供給量が大きい将来の時点を決定する。
計算機能116は、将来の時点における細胞の必要量を計算する。
出力機能117は、第1経過と、細胞と、将来の時点と、将来の時点における細胞の必要量とのうち少なくとも一つに関する情報を出力する。
メモリ12は、処理回路11が使用するデータやプログラム等の情報を記憶する。メモリ12は、ハードウェアとしてRAM(Random Access Memory)等の半導体メモリ素子を有する。なお、メモリ12は、磁気ディスク(フロッピー(登録商標)ディスク、ハードディスク)、光磁気ディスク(MO)、光学ディスク(CD、DVD、Blu-ray(登録商標))、フラッシュメモリ(USBフラッシュメモリ、メモリカード、SSD)、磁気テープ等の外部記憶装置との間で情報を読み書きする駆動装置であってもよい。なお、メモリ12の記憶領域は、医用情報処理装置1内部にあってもよいし、外部記憶装置にあってもよい。
表示装置13は、処理回路11が生成したデータやメモリ12に格納されるデータ等の情報を表示する。表示装置13として、例えば、ブラウン管(CRT:Cathode Ray Tube)ディスプレイ、液晶ディスプレイ(LCD:Liquid Crystal Display)、プラズマディスプレイ、有機ELディスプレイ(OELD:Organic Electro-Luminescence Display)、及びタブレット端末等のディスプレイが使用可能である。表示装置13は、例えば処理回路11により生成された種々の処理結果を表示する。なお、表示装置13は、医用情報処理装置1と通信可能な別体として設けられてもよい。このとき、医用情報処理装置1から出力された処理結果を表示装置13が表示してもよい。
入力インタフェース14は、操作者からの入力を受け付け、受け付けた入力を電気信号に変換して処理回路11に出力する。入力インタフェース14として、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド、タッチパネルディスプレイ等の物理的な操作部品が使用可能である。なお、入力インタフェース14は、医用情報処理装置1とは別体である外部の入力装置から入力を受け付け、受け付けた入力を電気信号に変換して処理回路11に出力する装置であってもよい。操作者は、例えば医用情報処理装置1を利用する医師である。例えば、医師は入力インタフェース14を介して、表示装置13に表示された種々の処理結果に関するメッセージボックスを移動、最小化、最大化、又は閉じる操作を入力する。
通信インタフェース15は、外部装置との間でデータを送受信する。通信インタフェース15と外部装置との間では任意の通信規格が使用可能である。例えば、医用文字情報に関する通信にはHL7(Health Level 7)が、医用画像情報に関する通信にはDICOM(Digital Imaging and Communications in Medicine)が使用可能である。通信インタフェース15は、例えばLANと通信可能に接続される。また、通信インタフェース15は、外部装置から種々のデータを取得し、取得したデータを処理回路11に送信する。
図3は、実施形態に係る医用情報処理装置1の動作例を示す図である。
本動作例の前に、医用情報処理装置1が設置される医療機関を、細胞を用いた再生医療を必要とする患者(第1患者)が受診したものと仮定する。例えば、第1患者は、医療機関にて問診票に自身の氏名・年齢・性別を含む個人情報や、自身の症状に関する情報を記入する。次に、医師は問診票を参照しつつ、第1患者を診察することで第1患者に関する所見を得る。医師が第1患者に関する個人情報や、第1患者の症状/所見に関する診察情報を含む診療情報を電子カルテシステム2に入力した後、本動作例が開始される。なお、既に個人情報および診療情報が電子カルテシステム2に入力されている場合、医師は、任意のタイミングで医用情報処理装置1の動作を実行させてもよい。
本動作例の前に、医用情報処理装置1が設置される医療機関を、細胞を用いた再生医療を必要とする患者(第1患者)が受診したものと仮定する。例えば、第1患者は、医療機関にて問診票に自身の氏名・年齢・性別を含む個人情報や、自身の症状に関する情報を記入する。次に、医師は問診票を参照しつつ、第1患者を診察することで第1患者に関する所見を得る。医師が第1患者に関する個人情報や、第1患者の症状/所見に関する診察情報を含む診療情報を電子カルテシステム2に入力した後、本動作例が開始される。なお、既に個人情報および診療情報が電子カルテシステム2に入力されている場合、医師は、任意のタイミングで医用情報処理装置1の動作を実行させてもよい。
ステップS101において、医用情報処理装置1は抽出機能111を実行することで、患者の診療情報からキーワードを抽出する。例えば、医用情報処理装置1は電子カルテシステム2にアクセスすることで、医師が電子カルテシステム2に入力した第1患者の診療情報200からキーワードを抽出する。このとき、診療情報に第1患者の症状や所見に関する診察情報が含まれる場合、医用情報処理装置1は、当該診察情報から第1患者の疾患に関するキーワードを抽出する。キーワードの抽出には、一般的な自然言語処理において用いられる形態素解析等の手法を用いればよい。抽出されたキーワードは、メモリ12に格納される。
図4は、第1患者に係る診療情報200の一例を示す図である。
診療情報200は、患者名・年齢・性別等の個人情報と、症状/所見等の診察情報と、疾患名・進行度/重症度等の診断情報と、処方・経過等の治療情報とを含む。診察情報は、医師等の医療従事者が患者を診察することで得られる種々の情報を含む。診断情報は、医師が患者の疾患を診断することで得られる種々の情報を含む。治療情報は、医師等の医療従事者が患者の疾患を治療することで得られる種々の情報を含む。
診療情報200は、患者名・年齢・性別等の個人情報と、症状/所見等の診察情報と、疾患名・進行度/重症度等の診断情報と、処方・経過等の治療情報とを含む。診察情報は、医師等の医療従事者が患者を診察することで得られる種々の情報を含む。診断情報は、医師が患者の疾患を診断することで得られる種々の情報を含む。治療情報は、医師等の医療従事者が患者の疾患を治療することで得られる種々の情報を含む。
診療情報200に含まれる「経過」は、疾患の経過を意味する。具体的には、経過は、第1患者の疾患の進行に伴う第1患者の罹患部位及び症状のうち少なくとも一つに関する情報を含む。換言すれば、経過は、第1患者が有する疾患が所定の日数を経た時点までに、どのような臨床的な推移を経たかに関する情報といえる。経過は、例えば処方が行われた後の患者の身体的機能に関する変化を含む。
診療情報200は、医用情報処理装置1の処理対象となる第1患者に関する症例201を含む。具体的には、症例201には「患者名」として「A」、「年齢」として「50」、「性別」として「男」、「症状/所見」として「息切れ・胸痛・手足のむくみ・食欲不振」を含む。換言すれば、患者Aは年齢が50歳の男性であり、患者Aに関する症状や所見は息切れと、胸痛と、手足のむくみと、食欲不振とを含む。なお、患者Aは医師による診断及び治療を受けていないため、「診断情報」や「治療情報」に関する項目は空白である。
ステップS101において、医用情報処理装置1は、患者Aの疾患に関するキーワードとして、患者Aの「症状/所見」から「息切れ・胸痛・手足のむくみ・食欲不振」のうち少なくとも一つを抽出する。抽出されたキーワードは、患者Aの疾患を特徴づけるキーワードともいえる。
ステップS102において、医用情報処理装置1は推定機能112を実行することで、キーワードから患者の疾患名を推定する。例えば、医用情報処理装置1はステップS101において抽出されたキーワードを用いて臨床事例DB5を検索することで、臨床事例DB5に保管されている複数の臨床事例のうち、当該キーワードに同一又は類似するキーワードを持つ臨床事例を収集する。続いて、収集された臨床事例に紐づけられた疾患名を、第1患者の疾患名であると推定する。このとき、収集された臨床事例のうち、抽出されたキーワードとの類似度が最も高い臨床事例に紐づけられた疾患名を、第1患者の疾患名であると推定してもよい。推定された第1患者の疾患名は、メモリ12に格納される。
図5は、第2患者に係る診療情報300の一例を示す図である。
図5において、臨床事例DB5に含まれる複数の症例のうち、患者Aの「症状/所見」から抽出されたキーワード「息切れ・胸痛・手足のむくみ・食欲不振」に同一又は類似するキーワードを持つ複数の症例301、症例302、症例303…が示されている。
図5において、臨床事例DB5に含まれる複数の症例のうち、患者Aの「症状/所見」から抽出されたキーワード「息切れ・胸痛・手足のむくみ・食欲不振」に同一又は類似するキーワードを持つ複数の症例301、症例302、症例303…が示されている。
診療情報300は、細胞を用いた再生医療を受けた患者(第2患者)に関する症例301、症例302、症例303…を含む。具体的には、症例301には「患者名」として「a」、「年齢」として「60」、「性別」として「男」、「症状/所見」として「息切れ・疲労感・手足の冷え・胸痛」、「疾患名」として「心筋症A」、「進行度/重症度」として「ステージI」、「処方」として「心筋細胞A5000万個」、「経過」として「XX日後に心機能90%まで回復」を含む。換言すれば、患者aは年齢が60歳の男性であり、患者aに関する症状又は所見は息切れと、疲労感と、手足の冷えと、胸痛とを含む。また、患者aはステージIの心筋症Aを罹患しており、患者aに対して心筋細胞A5000万個の処方が行われた結果、XX日後に心機能が正常時の90%まで回復している。
ステップS102において、医用情報処理装置1は、症例301、症例302、及び症例303に紐づけられた「疾患名」がいずれも「心筋症A」であるため、患者Aの疾患の名称は「心筋症A」であると推定する。
なお、上記のように第1患者の疾患に同一又は類似の疾患に関する臨床事例に基づいて、第1患者の疾患の名称を推定してもよいが、これに限らない。同様な処理は、臨床事例における疾患に関するキーワードを入力データとし、臨床事例における疾患の名称を正解データとする組である学習データを用いて、例えばDNN(Deep Neural Network)に代表される機械学習で用いられるネットワークモデルを学習させた学習済みモデルを、第1患者の疾患に関するキーワードに対して適用することで実現されてもよい。学習データを用いたネットワークモデルの学習方法は、既存の学習方法を用いればよい。当該学習済みモデルは、例えばメモリ12に格納される。
例えば、医用情報処理装置1は、症例301における疾患に関するキーワードである「息切れ・疲労感・手足の冷え・胸痛」を入力データとし、症例301における疾患の名称である「心筋症A」を正解データとする組である学習データを作成する。医用情報処理装置1は、症例302、症例303…についても同様な手法で多数の学習データを作成し、ネットワークモデルを学習させることで、学習済みモデルを生成すればよい。このようにして学習させた学習済みモデルに対して、医用情報処理装置1は、症例201における患者Aの疾患に関するキーワードである「息切れ・胸痛・手足のむくみ・食欲不振」を入力データとして与えることで、当該学習済みモデルは、患者Aの疾患の名称は「心筋症A」であると推定する。
なお、第1患者の疾患の名称の推定は、第1患者が居住する地域に関する住民の疾患傾向、人口、及び年齢分布のうち少なくとも一つを含む住民データに基づいて、実行されてもよい。例えば、第1患者が居住する地域における住民は肺炎に罹患しやすいというデータがあれば、医用情報処理装置1は、第1患者も肺炎に罹患している可能性が高いと推定する。また、第1患者が居住する地域における住民は高齢者が多いというデータがあれば、医用情報処理装置1は、第1患者も加齢に伴う疾患を罹患している可能性が高いと推定する。上記のようにして、医用情報処理装置1は、第1患者が発症している又は発症し得る疾患の名称を推定する。
ステップS103において、医用情報処理装置1は予測機能113を実行することで、患者の疾患の経過を予測する。例えば、医用情報処理装置1はステップS102で推定された第1患者の疾患名をキーワードとして用いて臨床事例DB5を検索することで、臨床事例DB5に保管されている複数の臨床事例のうち、当該キーワードに同一又は類似する疾患名を持つ臨床事例を収集する。続いて、収集された臨床事例に紐づけられた疾患の経過に基づいて、第1患者の疾患の経過を予測する。予測された第1患者の疾患の経過に関する情報は、メモリ12に格納される。
例えば、医用情報処理装置1は、図4に示す患者Aの疾患名として推定された「心筋症A」の経過を、図5に示す症例301、症例302、及び症例303に基づいて予測する。症例301は、ステージIの心筋症Aに関する「症状/所見」を含み、症例302は、ステージIIの心筋症Aに関する「症状/所見」を含み、症例303は、ステージIIIの心筋症Aに関する「症状/所見」を含む。このように、心筋症Aのそれぞれの「進行度/重症度」におけるそれぞれの「症状/所見」との対応関係を、症例301、症例302、及び症例303の「診察情報」及び「診断情報」から学習することで、医用情報処理装置1は、患者Aの心筋症Aの「症状/所見」に関する経過を予測することができる。ここで、診察情報は症例301、症例302、及び症例303における各患者が診察を受けた時点での診察結果に関する情報であり、換言すれば、各患者に対して治療が行われる前の情報である。したがって、予測された経過は、患者Aが心筋症Aを治療する前における患者Aの「症状/所見」に関する経過ともいえる。
また、症例301は、ステージIの心筋症Aに関する「処方」及び「経過」を含み、症例302は、ステージIIの心筋症Aに関する「処方」及び「経過」を含み、症例303は、ステージIIIの心筋症Aに関する「処方」及び「経過」を含む。このように、心筋症Aのそれぞれの「進行度/重症度」におけるそれぞれの「処方」及び「経過」との対応関係を、症例301、症例302、及び症例303の「診断情報」及び「治療情報」から学習することで、医用情報処理装置1は、患者Aの心筋症Aに対して処方が行われた場合の経過を予測することができる。ここで、治療情報は症例301、症例302、及び症例303における各患者が治療を受けた後での治療結果に関する情報であり、換言すれば、各患者に対して治療が行われた後の情報である。したがって、予測された経過は、患者Aが心筋症Aを治療した後における患者Aの機能的予後に関する経過ともいえる。
なお、図4及び図5に示さないが、診察情報として「検査画像」が含まれる場合、医用情報処理装置1は、上記と同様な動作によって、疾患のそれぞれの「進行度/重症度」における「検査画像」に関する経過を予測することができる。当該経過は、疾患を治療する前の経過ともいえる。また、診察情報として「検査結果」が含まれる場合、医用情報処理装置1は、上記と同様な動作によって、疾患のそれぞれの「進行度/重症度」における「検査結果」に関する経過を予測することができる。当該経過は、疾患を治療する前の経過といえる。
なお、図4及び図5に示さないが、治療情報として「検査画像」が含まれる場合、医用情報処理装置1は、上記と同様な動作によって、疾患のそれぞれの「進行度/重症度」における「検査画像」に関する経過を予測することができる。当該経過は、疾患を治療した後の経過ともいえる。また、治療情報として「検査結果」が含まれる場合、医用情報処理装置1は、上記と同様な動作によって、疾患のそれぞれの「進行度/重症度」における「検査結果」に関する経過を予測することができる。当該経過は、疾患を治療した後の経過ともいえる。
なお、上記のように第1患者の疾患に同一又は類似の疾患に関する臨床事例に基づいて、第1患者の疾患に関する経過を推定してもよいが、これに限らない。同様な処理は、臨床事例における疾患の名称を入力データとし、臨床事例における疾患に関する経過を正解データとする組である学習データを用いて学習させた学習済みモデルを、第1患者の疾患の名称に対して適用することで実現されてもよい。当該学習済みモデルは、例えばメモリ12に格納される。
ステップS104において、医用情報処理装置1は特定機能114を実行することで、患者の疾患の治療に必要な細胞を特定する。例えば、医用情報処理装置1は、ステップS102又はステップS103において収集された臨床事例において、疾患に対する治療法として用いられた細胞を、第1患者の疾患の治療に必要な細胞であると特定する。特定された第1患者の疾患の治療に必要な細胞に関する情報は、メモリ12に格納される。
例えば、医用情報処理装置1は、図5に示す症例301における患者aの処方「心筋細胞A5000万個」から、患者Aの治療には「心筋細胞A」が必要であると特定する。
ステップS105において、医用情報処理装置1は予測機能113を実行することで、細胞の必要量の推移を予測する。例えば、医用情報処理装置1は、第1患者の疾患に同一又は類似する疾患に関する臨床事例に基づいて、第1患者の治療に必要な細胞の必要量を予測する。
図6は、細胞の必要量に関する推移の一例を示す図である。
図6に示す必要量推移図400は、時間経過に伴う細胞の必要量の推移を模式的に表す図である。具体的には、時間(T)を横軸(X軸)にとり、細胞量(C)を縦軸(Y軸)にとる二次元座標平面における細胞の必要量の推移が、関数(1)により表される。また、横軸の下方には、時間(T)の経過に伴う疾患の進行度が、時間(T)と同一のタイムスケールで表される。ここでは、原点Oを起点として時間(T)の経過に伴いステージI、ステージII、ステージIII…のように疾患の進行度が軽度から重度へと遷移していく様子を示している。
図6に示す必要量推移図400は、時間経過に伴う細胞の必要量の推移を模式的に表す図である。具体的には、時間(T)を横軸(X軸)にとり、細胞量(C)を縦軸(Y軸)にとる二次元座標平面における細胞の必要量の推移が、関数(1)により表される。また、横軸の下方には、時間(T)の経過に伴う疾患の進行度が、時間(T)と同一のタイムスケールで表される。ここでは、原点Oを起点として時間(T)の経過に伴いステージI、ステージII、ステージIII…のように疾患の進行度が軽度から重度へと遷移していく様子を示している。
関数(1)は、細胞量C01をY切片とする右上がりの直線により示されている。これは、一般的に疾患の進行に伴い、当該疾患の治療に必要な細胞量(C)は増加すると考えられるためである。もちろん、関数(1)は直線に限らず、二次曲線などの曲線により表されてもよい。なお、関数(1)は、所定の時点における細胞量(C)が一意に定まる任意の関数であればよい。関数(1)は、時間(T)を変数とする関数である。
関数(1)は、例えば以下のようにして導出される。
まず、医用情報処理装置1は臨床事例DB5に含まれる各臨床事例に基づいて、二次元座標平面上に各臨床事例に対応する座標をプロットする。具体的には、医用情報処理装置1は、各臨床事例における疾患の「進行度/重症度」をX座標にとり、各臨床事例における「処方された細胞量」をY座標にとる座標(X,Y)をプロットする。続いて、医用情報処理装置1は、プロットされた各座標を精度良く再現する関数(1)を導出する。このとき、関数(1)の値と各座標のY座標の値との誤差が最小となるように関数(1)を求めてもよい(最小二乗法)。すなわち、各座標の分布に応じて、任意の回帰分析(例:単回帰分析、重回帰分析)による近似が行われればよい。
まず、医用情報処理装置1は臨床事例DB5に含まれる各臨床事例に基づいて、二次元座標平面上に各臨床事例に対応する座標をプロットする。具体的には、医用情報処理装置1は、各臨床事例における疾患の「進行度/重症度」をX座標にとり、各臨床事例における「処方された細胞量」をY座標にとる座標(X,Y)をプロットする。続いて、医用情報処理装置1は、プロットされた各座標を精度良く再現する関数(1)を導出する。このとき、関数(1)の値と各座標のY座標の値との誤差が最小となるように関数(1)を求めてもよい(最小二乗法)。すなわち、各座標の分布に応じて、任意の回帰分析(例:単回帰分析、重回帰分析)による近似が行われればよい。
なお、上記のように第1患者の疾患に同一又は類似の疾患に関する臨床事例に基づいて、第1患者の疾患の治療に必要な細胞量に関する推移を推定してもよいが、これに限らない。同様な処理は、臨床事例における疾患の経過を入力データとし、臨床事例における疾患に関する細胞の処方量を正解データとする組である学習データを用いて学習させた学習済みモデルを、ステップS103において予測された第1患者の疾患の経過に対して適用することで実現されてもよい。当該学習済みモデルは、例えばメモリ12に格納される。
ステップS106において、医用情報処理装置1は予測機能113を実行することで、細胞の供給量の推移を予測する。例えば、医用情報処理装置1は、細胞の製造状況に関する情報に基づいて、細胞の供給量に関する推移を予測する。
図7は、細胞の供給量に関する推移の一例を示す図である。
図7に示す供給量推移図500は、時間経過に伴う細胞の供給量の推移を模式的に表す図である。具体的には、時間(T)を横軸(X軸)にとり、細胞量(C)を縦軸(Y軸)にとる二次元座標平面における細胞の供給量の推移が、関数(2)により表される。また、横軸の下方には、時間(T)の経過に伴う疾患の進行度が、時間(T)と同一のタイムスケールで表される。ここでは、原点Oを起点として時間(T)の経過に伴いステージI、ステージII、ステージIII…のように疾患の進行度が軽度から重度へと遷移していく様子を示している。なお、図6に示す時間軸のタイムスケールと、図7に示す時間軸のタイムスケールとは同一であるものとする。
図7に示す供給量推移図500は、時間経過に伴う細胞の供給量の推移を模式的に表す図である。具体的には、時間(T)を横軸(X軸)にとり、細胞量(C)を縦軸(Y軸)にとる二次元座標平面における細胞の供給量の推移が、関数(2)により表される。また、横軸の下方には、時間(T)の経過に伴う疾患の進行度が、時間(T)と同一のタイムスケールで表される。ここでは、原点Oを起点として時間(T)の経過に伴いステージI、ステージII、ステージIII…のように疾患の進行度が軽度から重度へと遷移していく様子を示している。なお、図6に示す時間軸のタイムスケールと、図7に示す時間軸のタイムスケールとは同一であるものとする。
関数(2)は、細胞量C02をY切片とする右上がりの曲線により示されている。具体的には、関数(2)は、所定の細胞量C02から細胞の培養を開始し、細胞が指数関数的に増殖していく場合の細胞量(C)の変化を示している。もちろん、関数(2)は曲線に限らず、直線により表されてもよい。なお、関数(2)は、所定の時点における細胞量(C)が一意に定まる任意の関数であればよい。関数(2)は、時間(T)を変数とする関数である。
関数(2)は、例えば以下のようにして導出される。
まず、医用情報処理装置1は、細胞製造情報DB6にアクセスすることで、細胞の製造ラインの製造状況に関する情報を得る。医用情報処理装置1は、当該情報に基づいて、時間経過に伴う細胞の供給量の推移を予測すればよい。供給量の推移の予測方法としては、例えば、細胞培養開始時の細胞量と1回の細胞***にかかる時間とから指数関数的に増加すると仮定して計算すればよく、一般的な算出方法であればよい。
まず、医用情報処理装置1は、細胞製造情報DB6にアクセスすることで、細胞の製造ラインの製造状況に関する情報を得る。医用情報処理装置1は、当該情報に基づいて、時間経過に伴う細胞の供給量の推移を予測すればよい。供給量の推移の予測方法としては、例えば、細胞培養開始時の細胞量と1回の細胞***にかかる時間とから指数関数的に増加すると仮定して計算すればよく、一般的な算出方法であればよい。
なお、説明の便宜上、関数(2)は、細胞の増殖曲線が細胞の供給量の推移に相当するものとして説明するが、これに限らない。実際には、細胞の製造開始から再生医療を必要とする患者に細胞が投与されるまでには、細胞の加工・運搬等の種々の過程が含まれる。医用情報処理装置1はこれらの過程に要する時間を考慮して、関数(2)を導出してもよい。例えば、加工時の細胞のロスを考慮して、患者に投与される細胞の必要量よりも多くなるようにマージンをとって関数(2)を導出してもよい。
ステップS107において、医用情報処理装置1は、決定機能115を実行することで、細胞の必要量と供給量とが一致する、又は、細胞の必要量より細胞の供給量が大きい将来の時点を決定する。具体的には、医用情報処理装置1は、ステップS105において予測された細胞の必要量の推移と、ステップS106において予測された細胞の供給量の推移とに基づいて、細胞の必要量と前記細胞の供給量とが一致する、又は、細胞の必要量より細胞の供給量が大きい将来の時点を決定する。以下、将来の時点としては、細胞の必要量と供給量とが一致する時点を例に説明する。
図8は、細胞の必要量及び供給量に関する推移の一例を示す図である。
図8に示す合成図601は、図6に示す関数(1)のグラフと、図7に示す関数(2)のグラフを同一の二次元座標平面上に合成したものである。前述の通り、図6のタイムスケールと図7のタイムスケールとは同一であるため、関数(1)のグラフ及び関数(2)のグラフは拡大又は縮小されることなく、同一平面上で合成表示される。なお、関数(2)は、第1患者の疾患の進行度によって、その起点が時点T1までX軸方向に移動される。ここでは、第1患者が医療機関を受診した時点と同一の時点において、細胞の製造が開始された場合を想定する。
図8に示す合成図601は、図6に示す関数(1)のグラフと、図7に示す関数(2)のグラフを同一の二次元座標平面上に合成したものである。前述の通り、図6のタイムスケールと図7のタイムスケールとは同一であるため、関数(1)のグラフ及び関数(2)のグラフは拡大又は縮小されることなく、同一平面上で合成表示される。なお、関数(2)は、第1患者の疾患の進行度によって、その起点が時点T1までX軸方向に移動される。ここでは、第1患者が医療機関を受診した時点と同一の時点において、細胞の製造が開始された場合を想定する。
時点T1は、第1患者が医療機関を受診した時点であり、かつ、第1患者の治療のために必要な細胞の製造を開始した時点である。時点T1における関数(1)の交点P1の細胞量をC1とする。このとき、細胞量C1は、第1患者が医療機関を受診した時点で、第1患者の疾患の治療に必要な細胞量といえる。ここでは、細胞量C1は、同時点における細胞の供給量である細胞量C02を上回っている。
時点T2は、関数(1)及び関数(2)の交点P2における時点である。交点P2は、関数(1)の値と関数(2)の値がともに一致する時点である。時点T2における関数(1)の細胞量をC2とする。このとき、細胞量C2は、細胞の必要量と細胞の供給量とが一致する時点における細胞量であるといえる。すなわち、時点T2は、第1患者の治療を開始できる時点であるといえる。
また、時点T1から時点T2までの期間は、治療までの待機期間であるといえる。さらに、時点T2における疾患の進行度を見ることで、待機期間経過後の患者の疾患の進行度が分かる。このとき、医用情報処理装置1は、時点T2における疾患の進行度をキーワードとして臨床事例DB5を検索することで、待機期間経過後の患者の症状/所見等についても予測することができる。また、時点T2における細胞量C2は、待機期間経過後の治療開始時に必要な細胞量であるといえる。
すなわち、医用情報処理装置1は、患者の疾患の進行に伴う治療に必要な細胞量の増加と、時間経過に伴う供給される細胞量の増加との両者を考慮して、必要な細胞量と供給される細胞量が釣り合う将来の時点を予測する。前述の通り、細胞の供給には所定の時間を要するため、当該所定の時間のうちに患者の疾患が悪化し、治療に必要な細胞量が増加すると考えられる。ここでは、細胞の供給開始時点T1における細胞量C02は、同時点において患者の治療に必要な細胞量C1を下回るため、細胞の供給速度が、治療開始の時期を律速しているといえる。医用情報処理装置1は、治療に必要な細胞量の増加速度と供給される細胞量の増加速度との両者を考慮して、患者の疾患の治療を開始するのに適当な時点T2を算出するといえる。
なお、時点T2以後であれば、細胞の供給量が細胞の必要量を上回るため、時点T2以後の任意の時点を、将来の時点(治療を開始する時点)として設定してもよい。当該時点における細胞の必要量は、関数(1)に当該時点の時間(T)を代入することで求められる。このような観点から、時点T2は、治療を開始できる最も早い時点ともいえる。
なお、関数(1)のグラフは、過去の臨床事例から算出された一般的な細胞の必要量の推移を示している。ここでは、図9に示すように、時点T1から関数(1)のグラフで示される推移よりも第1患者の疾患が良好に推移した場合の関数(1A)と、時点T1から関数(1)のグラフで示される推移よりも第1患者の疾患が不良に推移した場合の関数(1B)とがあってもよい。関数(1A)及び関数(1B)は、細胞の必要量の推移に関するグラフである。
図9に示す合成図602において、関数(1A)と関数(2)との交点をP2A、関数(1B)と関数(2)との交点をP2Bとする。さらに、交点P2Aにおける時点をT2A、細胞量をC2Aとし、交点P2Bにおける時点をT2B、細胞量をC2Bとする。図9に示すように、患者の疾患の推移が良好か不良かによって、治療が可能となる時点がT2の前後(T2A-T2B)に変動するのが予測される。さらに、治療開始時に必要な細胞量がC2の前後(C2A-C2B)に変動するのが予測される。このように、医用情報処理装置1は、治療に必要な細胞量の推移を複数のグラフにより予測することで、患者の疾患が良好/不良に推移した場合の治療開始時期や、治療開始時に必要な細胞量を予測することができる。
ステップS108において、医用情報処理装置1は、計算機能116を実行することで、ステップS107で決定された将来の時点における細胞の必要量を計算する。これは、細胞の必要量に関するグラフ(関数(1))から算出すればよい。
図8においては、時点T2における細胞量C2が、当該将来の時点における細胞の必要量に相当する。換言すれば、待機期間経過後の治療開始時に必要な細胞量といえる。時点T2は、関数(1)の値及び関数(2)の値が一致する時点であるため、いずれかの関数に時点T2を代入することで細胞量C2を求めればよい。
ステップS109において、医用情報処理装置1は、出力機能117を実行することで、処理結果を出力する。具体的には、医用情報処理装置1は、ステップS101-ステップS108の処理で得られた各処理結果のうち、少なくとも一つを表示装置13に出力する。処理結果は、例えばステップS102において推定された第1患者の疾患名と、ステップS103において予測された第1患者の疾患の経過と、ステップS104において特定された第1患者の疾患の治療に必要な細胞と、ステップS107において決定された細胞の必要量と供給量とが一致する将来の時点と、ステップS108において計算された将来の時点における細胞の必要量とを含む。医用情報処理装置1は、メモリ12に格納された各処理結果を統合し、所定の形式(例:テキスト)に変換した後、表示装置13に出力する。
図10は、出力結果の一例を示す図である。
図10において、各処理結果は複数のメッセージボックスにより表示されている。具体的には、図10はメッセージボックス701(図10a)、メッセージボックス702(図10b)、及びメッセージボックス703(図10c)を含む。各メッセージボックスには、各処理結果の種類を表すタイトルと、各処理結果の内容を表すテキストが含まれる。各メッセージボックスは、表示装置13の画面上に並列又は重畳して表示されてもよい。
図10において、各処理結果は複数のメッセージボックスにより表示されている。具体的には、図10はメッセージボックス701(図10a)、メッセージボックス702(図10b)、及びメッセージボックス703(図10c)を含む。各メッセージボックスには、各処理結果の種類を表すタイトルと、各処理結果の内容を表すテキストが含まれる。各メッセージボックスは、表示装置13の画面上に並列又は重畳して表示されてもよい。
メッセージボックス701は、ステップS102において推定された第1患者の疾患名を表す。メッセージボックス701には、タイトルとして「疾患名の推定」が表示され、「疾患名の推定」に関する処理結果を表すテキストして「所見から患者様の疾患名は○○であると推定されます」が表示される。例えば、第1患者が図4に示す患者Aである場合、メッセージボックス701には「所見から患者Aの疾患名は心筋症Aであると推定されます」のように表示される。
メッセージボックス702は、ステップS103において予測された第1患者の疾患の経過を表す。メッセージボックス702には、タイトルとして「疾患の経過予測」が表示され、「疾患の経過予測」に関する処理結果を表すテキストとして「今の病態であれば、○○日後に○○まで病状が進み、○○の臓器が○○%の機能不全となるでしょう」が表示される。例えば、第1患者が図4に示す患者Aである場合、メッセージボックス702には「XX日後にステージIIまで病状が進み、心臓が20%の機能不全となるでしょう」のように表示される。
メッセージボックス703は、ステップS104において特定された第1患者の疾患の治療に必要な細胞と、ステップS107において決定された細胞の必要量と供給量とが一致する将来の時点と、ステップS108において計算された将来の時点における細胞の必要量とを表す。メッセージボックス703には、タイトルとして「治療方針の提案」が表示され、「治療方針の提案」に関する処理結果を表すテキストとして「○○の細胞を○○個用いた再生医療を行うことで、○○%の機能回復が期待できますが、入手まで○○日を要します。入手までの期間は○○療法で維持対処すればよいでしょう」が表示される。例えば、第1患者が図4に示す患者Aである場合、メッセージボックス703には「心筋細胞Aを5000万個用いた再生医療を行うことで、90%の機能回復が期待できますが、入手まで60日を要します。入手までの期間はXX療法で維持対処すればよいでしょう」のように表示される。
なお、各メッセージボックスに表示されるテキストの内容は、これに限らない。例えば、メッセージボックス701の場合、「第1患者の疾患名」を伝えるテキストであれば、如何なるメッセージでもよい。メッセージボックス702の場合、「第1患者の疾患の経過」を伝えるテキストであれば、如何なるメッセージでもよく、臨床事例DB5に格納され「疾患の経過予測」の演算に用いた情報が何らか表示されてもよい。メッセージボックス703の場合、「第1患者の疾患の治療に必要な細胞」と、「細胞の必要量と供給量とが一致する将来の時点」と、「将来の時点における細胞の必要量」とを伝える内容であれば、如何なるメッセージでもよく、臨床事例DB5に格納され「治療方針の提案」の演算に用いた情報が何らか表示されてもよい。
医用情報処理装置1が出力した処理結果を医師が表示装置13上で確認することで、以下の効果が得られる。例えば、医師はメッセージボックス701を確認することで、患者の疾患名を推定することができる。すなわち、医用情報処理装置1は、医師が患者の疾患名を診断するのを支援することができる。また、医師はメッセージボックス702を確認することで、患者の疾患の経過を予測することができる。すなわち、医用情報処理装置1は、医師が患者の疾患の経過を予測するのを支援することができる。また、医師はメッセージボックス703を確認することで、患者の治療方針を決定することができる。すなわち、医用情報処理装置1は、医師が患者の治療方針を決定するのを支援することができる。
なお、処理結果の出力態様としては、メッセージボックスに限らない。例えば、処理結果を画像や音声によって出力するようにしてもよい。また、メッセージボックス701、メッセージボックス702、及びメッセージボックス703の内容が音声で出力されてもよい。さらに、図8及び図9に示すグラフが表示装置13に表示されてもよい。
なお、医用情報処理装置1は、計算された将来の時点における細胞の必要量に相当する量の細胞を製造させるための処方オーダを、細胞を製造する機関に出力してもよい。これにより、医師が手動で行うことなく、医用情報処理装置1が自動で処方オーダを発出するため、医師の負担が軽減される。
なお、医用情報処理装置1は、細胞製造情報DB6から再生医療用細胞に関する種々の情報を抽出して、これを処理結果として表示装置13に表示してもよい。具体的には、表示装置13は、再生医療用細胞の名称のほか、製品名、国内進出の有無、投与量、治療効果、副作用、併用薬・併用療法の注意点、入手までの期間に関する情報を表示してもよい。
なお、上記の動作例において、各ステップを実行可能な学習済みモデルにより処理が実行されてもよいが、これに限らない。例えば、ステップS101-S109までの一連の動作を実行可能な学習済みモデルがあってもよい。このような学習済みモデルは、電子カルテシステム2に格納された患者の診療情報に基づいて臨床事例DB5を検索し、当該患者に類似する臨床事例に基づいて患者の疾患の診断予測や経過予測などを行ってもよい。
以上、実施形態に係る医用情報処理装置1の動作例を示した。なお、各ステップS101-S109の順序は、これに限らない。例えば、ステップS103に係る「患者の疾患の経過の予測」に先立って、ステップS104に係る「患者の疾患の治療に必要な細胞の特定」が実行されてもよい。また、ステップS105に係る「細胞の必要量の推移の予測」に先立って、ステップS106に係る「細胞の供給量の推移の予測」が実行されてもよい。また、ステップS109で各処理結果を一斉に出力するのではなく、各ステップにおいて処理結果が算出されるごとに、表示装置13に処理結果を出力してもよい。
なお、上記の動作は、細胞を用いた再生医療を必要とする疾患であれば、如何なる疾患に対しても適用可能である。以下、細胞を用いる再生医療の一例として、心筋再生医療と、CAR-T再生医療を例に挙げて、医用情報処理装置1の実施例について説明する。心筋再生医療において治療対象となる疾患は心筋症であり、CAR-T再生医療において治療対象となる疾患は血液腫瘍(例:B細胞性白血病、リンパ腫)であるものとする。
(実施例1:心筋再生医療)
心筋症は、心臓の筋肉の異常によって心機能が進行性に低下する疾患の総称である。心筋症は、例えばがん化学療法における抗がん剤(例:アントラサイクリン系抗がん剤、モノクローナル抗体系抗がん剤)の心毒性により誘発される。病理学的には、心筋症において心筋細胞の壊死や空胞変性のほか、心筋繊維の配列異常や脱落が観察される。ここで、医用情報処理装置1が設置される医療機関に心筋症の疑いのある患者(患者Bとも称する)が来院し、医師等の医療従事者が患者を診察した結果に基づいて、当該患者の症状/所見、検査画像、及び検査結果を含む診療情報を電子カルテシステム2に記録したものとする。医師は、患者の心筋症の進行を体外診断又は画像診断でモニタリングし、患者に対して再生医療が必要であると判断した場合、医用情報処理装置1による動作が開始される。
心筋症は、心臓の筋肉の異常によって心機能が進行性に低下する疾患の総称である。心筋症は、例えばがん化学療法における抗がん剤(例:アントラサイクリン系抗がん剤、モノクローナル抗体系抗がん剤)の心毒性により誘発される。病理学的には、心筋症において心筋細胞の壊死や空胞変性のほか、心筋繊維の配列異常や脱落が観察される。ここで、医用情報処理装置1が設置される医療機関に心筋症の疑いのある患者(患者Bとも称する)が来院し、医師等の医療従事者が患者を診察した結果に基づいて、当該患者の症状/所見、検査画像、及び検査結果を含む診療情報を電子カルテシステム2に記録したものとする。医師は、患者の心筋症の進行を体外診断又は画像診断でモニタリングし、患者に対して再生医療が必要であると判断した場合、医用情報処理装置1による動作が開始される。
医用情報処理装置1は、電子カルテシステム2に入力された心筋症の症状/所見に関連するキーワード、検査画像としての画像診断データ、及び検査結果としての体外診断データに基づいて、図3に示す動作(ステップS101-S109)を実行する。これにより、医用情報処理装置1は、患者Bの治療に必要な移植細胞の必要時期・種類・必要量を予測し、医師に例示することができる。さらに、医師は、医用情報処理装置1が例示した治療方針に関する案から、患者Bに対する処方を決定することができる。
(実施例2:CAR-T再生医療)
CAR-T(キメラ抗原受容体発現T細胞)再生医療は、患者から採取したT細胞に、標的となるがん細胞の抗原を認識するCAR(キメラ抗原受容体)を発現させる遺伝子改変を施して当該患者の体内に戻すことで、CAR-T細胞にがん細胞を攻撃して死滅させる細胞療法である。ここで、医用情報処理装置1が設置される医療機関に血液腫瘍の疑いのある患者(患者Cとも称する)が来院し、医師等の医療従事者が患者を診察した結果に基づいて、当該患者の症状/所見、及び検査結果を含む診療情報を電子カルテシステム2に記録したものとする。医師は、患者の疾患の進行を体外診断でモニタリングし、患者に対して再生医療が必要であると判断した場合、医用情報処理装置1による動作が開始される。
CAR-T(キメラ抗原受容体発現T細胞)再生医療は、患者から採取したT細胞に、標的となるがん細胞の抗原を認識するCAR(キメラ抗原受容体)を発現させる遺伝子改変を施して当該患者の体内に戻すことで、CAR-T細胞にがん細胞を攻撃して死滅させる細胞療法である。ここで、医用情報処理装置1が設置される医療機関に血液腫瘍の疑いのある患者(患者Cとも称する)が来院し、医師等の医療従事者が患者を診察した結果に基づいて、当該患者の症状/所見、及び検査結果を含む診療情報を電子カルテシステム2に記録したものとする。医師は、患者の疾患の進行を体外診断でモニタリングし、患者に対して再生医療が必要であると判断した場合、医用情報処理装置1による動作が開始される。
医用情報処理装置1は、電子カルテシステム2に入力された血液腫瘍の症状/所見に関連するキーワード、及び検査結果としての体外診断データに基づいて、図3に示す動作(ステップS101-S109)を実行する。これにより、医用情報処理装置1は、患者Cの治療に必要な移植細胞の必要時期・種類・必要量を予測し、医師に例示することができる。さらに、医師は、医用情報処理装置1が例示した治療方針に関する案から、患者Cに対する処方を決定することができる。
なお、本実施形態に係る医用情報処理装置1は、患者自身のT細胞を利用する自家CAR-T再生医療のみならず、当該患者以外の第三者由来のT細胞を利用する他家CAR-T再生医療に対しても適用可能である。他家CAR-T再生医療においては、iPS細胞(Induced Pluripotent Stem cell)又はES細胞(Embryonic Stem cell)から作製されたT細胞が利用されてもよい。
以上説明した少なくとも1つの実施形態によれば、再生医療において医師による細胞の処方を支援することができる。また、医師による患者の病状進行度や重症度等に関する将来予測を支援できる。また、医師による再生医療用細胞の処方を支援できる。また、医師個人の技量・経験に依存せず、再生医療の質の均一化を図ることができる。これにより、再生医療の質を向上させることができる。
いくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、実施形態同士の組み合わせを行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
1 医用情報処理装置
2 電子カルテシステム
3 医用画像システム
4 臨床検査システム
5 臨床事例DB
6 細胞製造情報DB
11 処理回路
12 メモリ
13 表示装置
14 入力インタフェース
15 通信インタフェース
100 医用情報処理システム
111 抽出機能
112 推定機能
113 予測機能
114 特定機能
115 決定機能
116 計算機能
117 出力機能
200,300 診療情報
201,301,302,303 症例
400 必要量推移図
500 供給量推移図
601,602 合成図
701,702,703 メッセージボックス
2 電子カルテシステム
3 医用画像システム
4 臨床検査システム
5 臨床事例DB
6 細胞製造情報DB
11 処理回路
12 メモリ
13 表示装置
14 入力インタフェース
15 通信インタフェース
100 医用情報処理システム
111 抽出機能
112 推定機能
113 予測機能
114 特定機能
115 決定機能
116 計算機能
117 出力機能
200,300 診療情報
201,301,302,303 症例
400 必要量推移図
500 供給量推移図
601,602 合成図
701,702,703 メッセージボックス
Claims (12)
- 患者が発症している又は発症し得る第1疾患に関する第1経過を予測する経過予測部と、
前記患者の前記第1疾患を治療するために必要な細胞を特定する特定部と、
前記第1経過に基づいて、前記細胞の必要量に関する第1推移を予測する必要量予測部と、
前記細胞の製造状況に関する情報に基づいて、前記細胞の供給量に関する第2推移を予測する供給量予測部と、
前記第1推移と、前記第2推移とに基づいて、前記細胞の必要量と前記細胞の供給量とが一致する、又は、前記細胞の必要量より前記細胞の供給量が大きい将来の時点を決定する決定部と、
前記第1経過と、前記細胞と、前記将来の時点と、前記将来の時点における前記細胞の必要量とのうち少なくとも一つに関する情報を出力する出力部と、
を具備する医用情報処理装置。 - 前記経過予測部は、前記患者の前記第1疾患に同一又は類似の第2疾患に関する臨床事例に基づいて、前記第1経過を予測する、
請求項1に記載の医用情報処理装置。 - 前記経過予測部は、前記臨床事例における前記第2疾患の名称を入力データとし、前記臨床事例における前記第2疾患に関する第2経過を正解データとする組である学習データを用いて学習させた学習済みモデルを、前記第1疾患の名称に対して適用することで前記第1経過を推定する、
請求項2に記載の医用情報処理装置。 - 前記必要量予測部は、前記患者の前記第1疾患に同一又は類似の第2疾患に関する臨床事例に基づいて、前記第1推移を予測する、
請求項1から請求項3のいずれか1項に記載の医用情報処理装置。 - 前記必要量予測部は、前記臨床事例における前記第2疾患の第2経過を入力データとし、前記臨床事例における前記第2疾患に対する前記細胞の処方量を正解データとする組である学習データを用いて学習させた学習済みモデルを、前記第1経過に対して適用することで前記第1推移を推定する、
請求項4に記載の医用情報処理装置。 - 前記必要量予測部は、前記第1経過が良好な場合と不良な場合とのそれぞれについて前記第1推移を予測する、
請求項1から請求項5のいずれか1項に記載の医用情報処理装置。 - 前記患者の前記第1疾患に同一又は類似の第2疾患に関する臨床事例に基づいて、前記第1疾患の名称を推定する第1推定部と、
をさらに具備する請求項1から請求項6のいずれか1項に記載の医用情報処理装置。 - 前記第1推定部は、前記臨床事例における前記第2疾患に関するキーワードを入力データとし、前記臨床事例における前記第2疾患の名称を正解データとする組である学習データを用いて学習させた学習済みモデルを、前記第1疾患に関するキーワードに対して適用することで前記第1疾患の名称を推定する、
請求項7に記載の医用情報処理装置。 - 前記患者が居住する地域に関する住民の疾患傾向、人口、及び年齢分布のうち少なくとも一つを含む住民データに基づいて、前記第1疾患の名称を推定する第2推定部と、
をさらに具備する請求項1から請求項6のいずれか1項に記載の医用情報処理装置。 - 前記出力部は、前記将来の時点における前記細胞の必要量に相当する量の前記細胞を製造させるための処方オーダを、前記細胞を製造する機関に出力する、
請求項1から請求項9のいずれか1項に記載の医用情報処理装置。 - 前記第1経過は、前記第1疾患の進行に伴う前記患者の罹患部位及び症状のうち少なくとも一つに関する情報を含む、
請求項1から請求項10のいずれか1項に記載の医用情報処理装置。 - 医用情報処理装置と、表示装置とを具備する医用情報処理システムであって、
前記医用情報処理装置は、
患者が発症している又は発症し得る第1疾患に関する第1経過を予測する経過予測部と、
前記患者の前記第1疾患を治療するために必要な細胞を特定する特定部と、
前記第1経過に基づいて、前記細胞の必要量に関する第1推移を予測する必要量予測部と、
前記細胞の製造状況に関する情報に基づいて、前記細胞の供給量に関する第2推移を予測する供給量予測部と、
前記第1推移と、前記第2推移とに基づいて、前記細胞の必要量と前記細胞の供給量とが一致する、又は、前記細胞の必要量より前記細胞の供給量が大きい将来の時点を決定する決定部と、
前記第1経過と、前記細胞と、前記将来の時点と、前記将来の時点における前記細胞の必要量とのうち少なくとも一つに関する情報を処理結果として出力する出力部と、
を具備し、
前記表示装置は、
前記医用情報処理装置が出力した前記処理結果を表示する表示部と、
を具備する医用情報処理システム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021012183A JP2022115546A (ja) | 2021-01-28 | 2021-01-28 | 医用情報処理装置、及び医用情報処理システム |
US17/578,827 US20220238227A1 (en) | 2021-01-28 | 2022-01-19 | Medical information processing apparatus, and medical information processing system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021012183A JP2022115546A (ja) | 2021-01-28 | 2021-01-28 | 医用情報処理装置、及び医用情報処理システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022115546A true JP2022115546A (ja) | 2022-08-09 |
Family
ID=82495783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021012183A Pending JP2022115546A (ja) | 2021-01-28 | 2021-01-28 | 医用情報処理装置、及び医用情報処理システム |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220238227A1 (ja) |
JP (1) | JP2022115546A (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220237471A1 (en) * | 2021-01-22 | 2022-07-28 | International Business Machines Corporation | Cell state transition features from single cell data |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8518390B2 (en) * | 2003-06-27 | 2013-08-27 | Advanced Technologies And Regenerative Medicine, Llc | Treatment of stroke and other acute neural degenerative disorders via intranasal administration of umbilical cord-derived cells |
US7875272B2 (en) * | 2003-06-27 | 2011-01-25 | Ethicon, Incorporated | Treatment of stroke and other acute neuraldegenerative disorders using postpartum derived cells |
JP5425399B2 (ja) * | 2004-12-23 | 2014-02-26 | エシコン・インコーポレイテッド | 産褥由来細胞を用いたパーキンソン病および関連の障害の治療 |
CN107028983A (zh) * | 2008-12-19 | 2017-08-11 | 德普伊新特斯产品有限责任公司 | 肺部疾病和病症的治疗 |
EP2624845A4 (en) * | 2010-10-08 | 2015-09-09 | Mesoblast Internat S Rl | REINFORCED MSC PREPARATIONS |
-
2021
- 2021-01-28 JP JP2021012183A patent/JP2022115546A/ja active Pending
-
2022
- 2022-01-19 US US17/578,827 patent/US20220238227A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220238227A1 (en) | 2022-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maier-Hein et al. | BIAS: Transparent reporting of biomedical image analysis challenges | |
Xu et al. | Diagnostic accuracy of angiography-based quantitative flow ratio measurements for online assessment of coronary stenosis | |
US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
Pagidipati et al. | Sex differences in functional and CT angiography testing in patients with suspected coronary artery disease | |
Voets et al. | Systematic review of health economic evaluations focused on artificial intelligence in healthcare: the tortoise and the cheetah | |
Cho et al. | Factors for maxillary sinus volume and craniofacial anatomical features in adults with chronic rhinosinusitis | |
Miller et al. | Gender differences and temporal trends in clinical characteristics, stress test results and use of invasive procedures in patients undergoing evaluation for coronary artery disease | |
US8934687B2 (en) | Image processing device, method and program including processing of tomographic images | |
JP2009533782A (ja) | 医療計画における個人的予後モデル化 | |
CN102227730A (zh) | 基于小工具的应用中临床元素提取、保持和传送的***和方法 | |
Hausvater et al. | Myocarditis in relation to angiographic findings in patients with provisional diagnoses of MINOCA | |
Chantada et al. | Comparison of staging systems for extraocular retinoblastoma: analysis of 533 patients | |
CN101421736A (zh) | 在医疗计划中的个性化预后建模 | |
JP6527771B2 (ja) | 情報分析支援装置とその作動方法および作動プログラム、並びに情報分析支援システム | |
Starr et al. | Use of intraoperative parathyroid hormone measurement does not improve success of bilateral neck exploration for hyperparathyroidism | |
JP2020187687A (ja) | 医用情報処理装置 | |
Bauersachs | Poor outcomes in poor patients?: Peripartum cardiomyopathy—not just black and white | |
Yang et al. | Deep learning application in spinal implant identification | |
US20220238227A1 (en) | Medical information processing apparatus, and medical information processing system | |
Stoll et al. | Pregnancy outcomes in women with transposition of the great arteries after an arterial switch operation | |
Meijers et al. | Need for multidisciplinary research and data-driven guidelines for the cardiovascular care of patients with cancer | |
Douglas | Improving imaging: our professional imperative | |
Mahrholdt et al. | Refining the Prognostic Value of LGE in Hypertrophic Cardiomyopathy: Presence, Extent, and Location—What’s Next? | |
Fuster | The proliferation of scoring systems: trying to keep our heads out of the clouds | |
Ballering et al. | Differences between women and men are present in the rate of diagnosed diseases after a diagnostic intervention is conducted in primary care |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20220708 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20230110 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231218 |