JP2024054756A - PROGRAM, INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD, AND METHOD FOR GENERATING LEARNING MODEL - Google Patents
PROGRAM, INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD, AND METHOD FOR GENERATING LEARNING MODEL Download PDFInfo
- Publication number
- JP2024054756A JP2024054756A JP2022161191A JP2022161191A JP2024054756A JP 2024054756 A JP2024054756 A JP 2024054756A JP 2022161191 A JP2022161191 A JP 2022161191A JP 2022161191 A JP2022161191 A JP 2022161191A JP 2024054756 A JP2024054756 A JP 2024054756A
- Authority
- JP
- Japan
- Prior art keywords
- clinical data
- learning model
- outcome
- patient
- head trauma
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000010365 information processing Effects 0.000 title claims description 93
- 238000003672 processing method Methods 0.000 title claims description 3
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 title 1
- 206010019196 Head injury Diseases 0.000 claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 26
- 208000001892 Traumatic Subarachnoid Hemorrhage Diseases 0.000 claims abstract description 22
- 206010015769 Extradural haematoma Diseases 0.000 claims abstract description 21
- 230000001154 acute effect Effects 0.000 claims abstract description 21
- 230000006835 compression Effects 0.000 claims abstract description 20
- 238000007906 compression Methods 0.000 claims abstract description 20
- 206010010071 Coma Diseases 0.000 claims abstract description 13
- 230000001755 vocal effect Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 18
- 210000003128 head Anatomy 0.000 claims description 16
- 238000012545 processing Methods 0.000 description 28
- 210000004369 blood Anatomy 0.000 description 15
- 239000008280 blood Substances 0.000 description 15
- 238000011282 treatment Methods 0.000 description 14
- 102000001554 Hemoglobins Human genes 0.000 description 12
- 108010054147 Hemoglobins Proteins 0.000 description 12
- 238000002297 emergency surgery Methods 0.000 description 12
- 210000002966 serum Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 208000014674 injury Diseases 0.000 description 10
- 230000035488 systolic blood pressure Effects 0.000 description 10
- 210000001747 pupil Anatomy 0.000 description 9
- 108010074051 C-Reactive Protein Proteins 0.000 description 8
- 102100032752 C-reactive protein Human genes 0.000 description 8
- 239000003154 D dimer Substances 0.000 description 8
- 108010052295 fibrin fragment D Proteins 0.000 description 8
- 230000008733 trauma Effects 0.000 description 8
- 206010052346 Brain contusion Diseases 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000003902 lesion Effects 0.000 description 7
- 208000020431 spinal cord injury Diseases 0.000 description 7
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 6
- 208000031809 Subdural Acute Hematoma Diseases 0.000 description 6
- 208000002667 Subdural Hematoma Diseases 0.000 description 6
- 239000008103 glucose Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000007659 motor function Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000009534 blood test Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001179 pupillary effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 208000022540 Consciousness disease Diseases 0.000 description 1
- 201000006347 Intellectual Disability Diseases 0.000 description 1
- 206010022840 Intraventricular haemorrhage Diseases 0.000 description 1
- 206010027374 Mental impairment Diseases 0.000 description 1
- 208000008116 Traumatic Cerebral Hemorrhage Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007428 craniotomy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011277 treatment modality Methods 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
Abstract
【課題】頭部外傷患者の転帰を予測するプログラム等を提供すること。【解決手段】プログラムは、頭部外傷患者の臨床データを取得し、頭部外傷患者の臨床データを入力した場合に、頭部外傷患者の転帰に関する転帰情報を出力するよう学習された第１学習モデルに、取得した頭部外傷患者の臨床データを入力して転帰情報を出力する処理をコンピュータに実行させる。好適には、プログラムは、Glasgow coma scaleのEyes項目、Verbal項目、およびMotor項目と、急性硬膜外血腫と、外傷性くも膜下出血と、正中偏位と、脳底槽の圧排とを含む臨床データを取得する処理をコンピュータに実行させる。【選択図】図６[Problem] To provide a program for predicting the outcome of a head trauma patient. [Solution] The program acquires clinical data of a head trauma patient, and causes a computer to execute a process of inputting the acquired clinical data of the head trauma patient into a first learning model that has been trained to output outcome information related to the outcome of the head trauma patient when the clinical data of the head trauma patient is input, and outputting the outcome information. Preferably, the program causes a computer to execute a process of acquiring clinical data including the Eyes item, Verbal item, and Motor item of the Glasgow coma scale, acute epidural hematoma, traumatic subarachnoid hemorrhage, midline shift, and basilar cistern compression. [Selected Figure] Figure 6
Description
特許法第３０条第２項適用申請有り 令和 ３年１０月１１日に、一般社団法人日本脳神経外科学会 第８０回学術総会 オンライン抄録サービスにて公開 ｈｔｔｐｓ：／／ｊｎｓ２０２１．ｊｐ／ｊｎｓ＿ｍｅｅｔｉｎｇ／ｉｎｄｅｘ．ｈｔｍｌ 令和 ３年１０月２７日に、一般社団法人日本脳神経外科学会 第８０回学術総会にて公開 令和 ３年１０月２７日に、一般社団法人日本脳神経外科学会 第８０回学術総会のウェブサイトにて公開 ｈｔｔｐｓ：／／ｊｎｓ２０２１．ｊｐ／ｐｒｏｇｒａｍ／ｉｎｄｅｘ．ｈｔｍｌ 令和 ４年 １月 １日に、第４５回 日本脳神経外傷学会 抄録集、１３９頁にて公開 令和 ４年 ２月２５日に、第４５回 日本脳神経外傷学会にて公開Application for application of Article 30,
本発明は、プログラム、情報処理装置、情報処理方法、および学習モデルの生成方法に関する。 The present invention relates to a program, an information processing device, an information processing method, and a method for generating a learning model.
頭部外傷とは、頭に外部から力が加わることにより、頭の皮膚、頭蓋骨、または脳に損傷を来すことをいう。頭部外傷の一般的な原因には、転倒、転落、自動車事故、暴行、またはスポーツ中の事故等がある。頭部外傷は若年者の後遺障害の原因にもなるため、その治療成績の向上が望まれているものの、この数十年間、大きな進展は見られていない。 Head trauma refers to damage to the skin, skull, or brain caused by external force applied to the head. Common causes of head trauma include tripping, falls, car accidents, assault, and sports accidents. Head trauma can cause permanent disabilities in young people, so there is a desire to improve treatment outcomes, but there has been little progress in the past few decades.
近年、頭部外傷患者の治療成績の向上を目的として、いくつか提案がなされている。たとえば、脳損傷の診断、予後判定、または評価において有用な組成物およびキットが開示されている（特許文献１）。 In recent years, several proposals have been made with the aim of improving the treatment outcomes of patients with head trauma. For example, a composition and kit useful for diagnosing, determining the prognosis, or evaluating brain damage have been disclosed (Patent Document 1).
疾患および怪我等の治療後にたどる症状の経過または結果のことを「転帰」という。転帰は治療の効果を分析する際の重要な要素であるが、特許文献１に開示された発明はあくまで疾患の鑑別が目的であり、頭部外傷患者の転帰予測については考慮されていない。
The course or result of symptoms following treatment for a disease or injury is called an "outcome." Outcome is an important factor when analyzing the effectiveness of treatment, but the invention disclosed in
一つの側面では、頭部外傷患者の転帰を予測するプログラム等を提供することを目的とする。 One aspect is to provide a program that predicts the outcome of patients with head trauma.
一つの側面に係るプログラムは、頭部外傷患者の臨床データを取得し、頭部外傷患者の臨床データを入力した場合に、頭部外傷患者の転帰に関する転帰情報を出力するよう学習された第１学習モデルに、取得した頭部外傷患者の臨床データを入力して転帰情報を出力する処理をコンピュータに実行させる。 A program relating to one aspect acquires clinical data of a head trauma patient, and causes a computer to execute a process of inputting the acquired clinical data of the head trauma patient into a first learning model that has been trained to output outcome information regarding the outcome of the head trauma patient when the clinical data of the head trauma patient is input, and outputting the outcome information.
一つの側面では、頭部外傷患者の転帰を予測するプログラム等を提供できる。 On one hand, it could provide programs that predict outcomes for patients with head trauma.
本実施の形態では、受診時の臨床データに基づいて頭部外傷患者の転帰を予測するシステムについて説明する。 In this embodiment, we describe a system that predicts the outcome of a head injury patient based on clinical data at the time of consultation.
一般的な診療体制であれば、医療従事者は、患者を診察して必要な臨床データをそろえ次第、本システムを用いて患者特有の重症度の指標を得ることができる。そのため、重症度の指標を参考にした医療従事者は、治療の超急性期から、個々の患者それぞれの真の病態に適した治療を提供できる。つまり、医療現場において、使用する薬剤、治療強度、または手術手法の調整が可能となり、頭部外傷に対する治療成績の向上につながる。 In a typical medical system, medical professionals can use this system to obtain a patient-specific severity index as soon as they have examined the patient and collected the necessary clinical data. Therefore, medical professionals who refer to the severity index can provide treatment appropriate to the true pathology of each individual patient, starting from the hyperacute phase of treatment. In other words, it will become possible to adjust the drugs used, the intensity of treatment, or the surgical technique in the medical field, leading to improved treatment outcomes for head trauma.
さらに、頭部外傷患者の転帰と強く相関する指標は、新たな治療様式の有効性を試験および比較するための客観的な基準となる。本システムによる重症度指標のうち、たとえば死亡の指標値が５０を超えるような、高確率で死亡に至ると予測される患者を除外した臨床研究計画に基づけば、今後の新規治療の有効性の証明が容易になる可能性もある。 Furthermore, an index that is strongly correlated with the outcome of head trauma patients will provide an objective standard for testing and comparing the effectiveness of new treatment modalities. If a clinical research plan is based on excluding patients who are predicted to have a high probability of death, for example those with a mortality index value of over 50, it may be easier to prove the effectiveness of new treatments in the future.
以下、実施の形態１から実施の形態３までを図面に基づいて説明する。
Below,
［実施の形態１］
図１は、情報処理装置１０の構成例を示すブロック図である。情報処理装置１０は、本システムを提供するサーバコンピュータまたはパーソナルコンピュータ等の情報機器である。本実施の形態では、一つのコンピュータが処理をおこなうものとして説明するが、複数のコンピュータが分散して処理をおこなってもよい。また、情報処理装置１０が実行する一部の処理をクラウド上のサーバコンピュータが実行してもよい。
[First embodiment]
1 is a block diagram showing a configuration example of an
情報処理装置１０は、制御部１１、主記憶部１２、通信部１３、入力部１４、表示部１５、および補助記憶部１６を含む。
The
制御部１１は一または複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）もしくは量子プロセッサ等のプロセッサであり、種々の情報処理を実行する。
The
主記憶部１２はＳＲＡＭ（Static Random Access Memory）またはＤＲＡＭ（Dynamic Random Access Memory）等の一時記憶領域であり、制御部１１が処理を実行するうえで必要なデータを一時的に記憶する。
The
通信部１３は、インターネットまたはＬＡＮ（Local Area Network）等の通信ネットワークに接続するための通信インタフェースである。
The
入力部１４はタッチパネルまたは機械式操作ボタン等の入力インタフェースであり、医療従事者から操作入力を受け付ける。入力部１４は、医療従事者の音声指令を収集するマイクロフォンであってもよい。
The
表示部１５は液晶ディスプレイまたは有機ＥＬ（Electro Luminescence）ディスプレイ等の表示画面であり、画像を表示する。表示部１５は、後述する転帰予測の結果画面を表示する。
The
補助記憶部１６は、ＳＳＤ（Solid State Drive）またはＨＤＤ（Hard Disk Drive）等のメモリである。補助記憶部１６は、情報処理装置１０に処理を実行させるプログラム（プログラム製品）１６０、第１学習モデル１６１、第２学習モデル１６２、第３学習モデル１６３、患者ＤＢ（data base）１７０、およびその他のデータを記憶している。プログラム１６０、第１学習モデル１６１、第２学習モデル１６２、第３学習モデル１６３、および患者ＤＢ１７０は、クラウド上のコンテナサーバ等の外部記憶装置に記憶されてもよい。
The
なお、情報処理装置１０は可搬型記憶媒体１０ａを読み取る読取部を備え、可搬型記憶媒体１０ａからプログラム１６０を読み込んでもよい。また、情報処理装置１０は、通信ネットワークを介して他のコンピュータからプログラム１６０をダウンロードしてもよい。
The
プログラム１６０は、単一のコンピュータ上で、または１つのサイトにおいて配置されるか、もしくは複数のサイトにわたって分散され、通信ネットワークによって相互に接続された複数のコンピュータ上で実行されるように展開できる。
The
図２は、患者ＤＢ１７０のデータレイアウトを示す模式図である。患者ＤＢ１７０は、頭部外傷患者の臨床データ、転帰情報、および入院期間を記憶するＤＢである。
Figure 2 is a schematic diagram showing the data layout of
具体的には、患者ＤＢ１７０は、患者を識別するための患者ＩＤ（identifier）と、頭部外傷患者の臨床データとして入力される以下の２１項目を記憶する。この２１項目は、１) 年齢、２) 性別、３) 収縮期血圧 (mmHg)、Glasgow coma scale（以下、GCSという）の４) Eyes項目と５) Verbal項目と６) Motor項目、７) 瞳孔異常所見の有無、８) 頭部以外の重症外傷の有無、９) 脊髄損傷の有無、１０) 血糖値 (mg/dl)、１１) 血中ヘモグロビン値 (mg/dl)、１２) 血清CRP (C-reactive protein) 値 (mg/dl)、１３) 血清D-dimer値(μg/mL)、１４) 急性硬膜下血腫、１５) 急性硬膜外血種、１６) 外傷性くも膜下出血、１７) 脳挫傷、１８) 正中偏位、１９) 脳底槽の圧排、２０) 占拠性病変、２１) 緊急手術である。緊急手術は、たとえば緊急で開頭手術を要する状態のことをいう。 Specifically, patient DB170 stores a patient ID (identifier) for identifying the patient and the following 21 items that are entered as clinical data for head trauma patients: The 21 items were: 1) age, 2) sex, 3) systolic blood pressure (mmHg), 4) Eyes, 5) Verbal, and 6) Motor items of the Glasgow coma scale (hereafter referred to as GCS), 7) presence or absence of pupil abnormalities, 8) presence or absence of severe trauma other than head, 9) presence or absence of spinal cord injury, 10) blood glucose level (mg/dl), 11) blood hemoglobin level (mg/dl), 12) serum CRP (C-reactive protein) level (mg/dl), 13) serum D-dimer level (μg/mL), 14) acute subdural hematoma, 15) acute epidural hematoma, 16) traumatic subarachnoid hemorrhage, 17) cerebral contusion, 18) midline shift, 19) basilar cistern compression, 20) space-occupying lesion, and 21) emergency surgery. Emergency surgery refers to a condition that requires emergency craniotomy, for example.
７)瞳孔異常所見は、瞳孔径の左右差が０．５mm以上の場合または両側瞳孔散大固定 (５mm以上)の状態とする。８)頭部以外の重症外傷は、Abbreviated Injury Scale ３以上を参考に決定する。１０，１１，１２，１３)の値は全て、受診後初回の血液検査結果の値とする。１４，１５，１６，１７，１８，１９，２０)の所見は全て、受診後初回の頭部ＣＴ検査の所見とする。１６)外傷性くも膜下出血には脳室内出血も含める。１７)脳挫傷には外傷性脳内出血も含める。１８)正中偏位は５mm以上のものを含める。２０)占拠性病変はその体積が２５ml以上のものを含める。２１) 緊急手術は脳神経外科医の判断に基づく。 7) Abnormal pupillary findings are defined as a difference in pupil diameter between the left and right pupils of 0.5mm or more, or bilateral pupillary dilation and fixation (5mm or more). 8) Severe trauma other than to the head is determined with reference to an Abbreviated Injury Scale score of 3 or higher. 10, 11, 12, 13) values are all taken from the results of the first blood test after consultation. 14, 15, 16, 17, 18, 19, 20) findings are all taken from the first head CT scan after consultation. 16) Traumatic subarachnoid hemorrhage includes intraventricular hemorrhage. 17) Cerebral contusion includes traumatic intracerebral hemorrhage. 18) Midline deviation includes those of 5mm or more. 20) Space-occupying lesions include those with a volume of 25ml or more. 21) Emergency surgery is based on the neurosurgeon's judgment.
年齢フィールドは、患者の年齢を記憶する。性別フィールドは、患者の性別を記憶する。収縮期血圧は、患者の収縮期血圧を記憶する。 The age field stores the patient's age. The gender field stores the patient's gender. The systolic blood pressure field stores the patient's systolic blood pressure.
GCSは対象患者の意識障害について、開眼機能（Eyes項目）、言語機能（Verbal項目）、および運動機能（Motor項目）の３項目に分類して評価する際の指標のことである。それぞれの項目について、正常な機能を有していれば高い得点が与えられ、すべての機能が正常であれば１５点満点が与えられる。得点の内訳は、開眼機能（Eyes項目）が１点から４点、言語機能（Verbal項目）が１点から５点、および運動機能（Motor項目）が１点から６点である。情報処理装置１０は、医療従事者から入力される各得点に基づいてGCSの合計点を算出する。
The GCS is an index used to evaluate the consciousness disorder of a target patient, categorizing it into three categories: eye function (eye item), language function (verbal item), and motor function (motor item). For each category, a high score is given if the function is normal, and a maximum score of 15 points is given if all functions are normal. The breakdown of scores is as follows: eye function (eye item) 1 to 4 points, language function (verbal item) 1 to 5 points, and motor function (motor item) 1 to 6 points. The
GCSのEyes項目フィールドは、患者の開眼機能を得点化した得点を記憶する。GCSのVerbal項目フィールドは、患者の言語機能を得点化した得点を記憶する。GCSのMotor項目フィールドは、患者の運動機能を得点化した得点を記憶する。 The GCS Eyes item field stores the score obtained by scoring the patient's eye opening function. The GCS Verbal item field stores the score obtained by scoring the patient's language function. The GCS Motor item field stores the score obtained by scoring the patient's motor function.
瞳孔異常所見の有無フィールドは、上記の基準に基づいて、患者の瞳孔に異常が見られるか否かを記憶する。頭部以外の重症外傷の有無フィールドは、上記の基準に基づいて、患者が頭部以外に重症外傷を追っているか否かを記憶する。脊髄損傷の有無フィールドは、患者に脊髄損傷があるか否かを記憶する。 The field for whether or not there are pupil abnormalities stores whether or not there are abnormalities in the patient's pupils based on the above criteria. The field for whether or not there is severe trauma other than the head stores whether or not the patient has suffered severe trauma other than the head based on the above criteria. The field for whether or not there is spinal cord injury stores whether or not the patient has spinal cord injury.
血糖値フィールド、血中ヘモグロビン値フィールド、血清CRP値フィールド、および血清D-dimer値フィールドは、患者の血液検査結果に基づく数値を記憶する。急性硬膜下血腫フィールド、急性硬膜外血種フィールド、外傷性くも膜下出血フィールド、脳挫傷フィールド、正中偏位フィールド、脳底槽の圧排フィールド、および占拠性病変フィールドは、患者のＣＴ検査に基づく症状を記憶する。緊急手術フィールドは、脳神経外科医の判断に基づく手術の要否を記憶する。 The Blood Glucose Level field, Blood Hemoglobin Level field, Serum CRP Level field, and Serum D-dimer Level field store numerical values based on the patient's blood test results. The Acute Subdural Hematoma field, Acute Epidural Hematoma field, Traumatic Subarachnoid Hemorrhage field, Cerebral Contusion field, Midline Shift field, Basilar Cistern Compression field, and Space-Occupying Lesion field store symptoms based on the patient's CT scan. The Emergency Surgery field stores the need for surgery based on the neurosurgeon's judgment.
転帰情報フィールドは、医療従事者が入力した転帰情報を患者ＩＤに対応させて記憶する。転帰情報には、後述する転帰の３分類または４分類のうちいずれかの情報が含まれる。入院期間フィールドは、該当の患者の入院期間（たとえば入院日から退院日までの日数）を記憶する。 The outcome information field stores outcome information entered by a medical professional in correspondence with a patient ID. The outcome information includes information from one of three or four outcome categories described below. The hospital stay length field stores the length of hospital stay of the patient (for example, the number of days from the date of admission to the date of discharge).
なお、２１個の入力因子のうち、以下の７個の因子は、患者の頭部ＣＴ検査に基づく診断結果である。これらは、情報処理装置１０にＣＴ画像自体が入力された場合には、入力因子から除かれてもよい。頭部ＣＴ画像（以下、ＣＴ画像という）を用いた転帰予測は、実施の形態２にて後述する。
１４)急性硬膜下血腫
１５)急性硬膜外血種
１６)外傷性くも膜下出血
１７)脳挫傷
１８)正中偏位
１９)脳底槽の圧排
２０)占拠性病変
Of the 21 input factors, the following seven factors are diagnosis results based on a head CT scan of the patient. These may be removed from the input factors when the CT image itself is input to the
14) Acute subdural hematoma 15) Acute epidural hematoma 16) Traumatic subarachnoid hemorrhage 17) Cerebral contusion 18) Midline shift 19) Basilar cistern compression 20) Space-occupying lesion
図３は、第１学習モデル１６１の構成例を示す模式図である。
Figure 3 is a schematic diagram showing an example configuration of the
第１学習モデル１６１は、頭部外傷患者の臨床データ（入力データ）を入力した場合に、頭部外傷患者の転帰に関する転帰情報（出力データ）を出力するよう学習された学習モデルである。第１学習モデル１６１には、３分類で転帰情報を出力する学習モデルと、４分類で転帰情報を出力する学習モデルとが含まれる。第１学習モデル１６１は、学習済みの人工ニューラルネットワークもしくは勾配ブースティング決定木（gradient boosting decision tree）モデルまたはそれらを組み合わせた手法により学習される。
The
この他、第１学習モデル１６１は、トランスフォーマ、Ｕ－Ｎｅｔ、オートエンコーダ、またはＳＶＭ（Support Vector Machine）等のアルゴリズムを用いて構成されてもよく、複数のアルゴリズムを組み合わせて構成されてもよい。
In addition, the
第１学習モデル１６１は、１) 年齢、２) 性別、３) 収縮期血圧 (mmHg)、GCSの４) Eyes項目と５) Verbal項目と６) Motor項目、７) 瞳孔異常所見の有無、８) 頭部以外の重症外傷の有無、９) 脊髄損傷の有無、１０) 血糖値 (mg/dl)、１１) 血中ヘモグロビン値、１２) 血清CRP値、１３) 血清D-dimer値、１４) 急性硬膜下血腫、１５) 急性硬膜外血種、１６) 外傷性くも膜下出血、１７) 脳挫傷、１８) 正中偏位、１９) 脳底槽の圧排、２０) 占拠性病変、２１) 緊急手術を含む臨床データに加えて、GCSの合計点と、急性硬膜外血腫、外傷性くも膜下出血、正中偏位、および脳底槽の圧排に関する診断結果から導出されるスコアとを用いて学習されている。つまり、受診時の臨床データに対して、GCSの合計点およびスコアの２項目が追加され、合計２３項目で学習されている。
The
なお、本実施の形態においては、第１学習モデル１６１が２３項目の臨床データで学習されているものとして説明するが、これに限定されない。第１学習モデル１６１は、２４項目以上または２３項目未満の臨床データで学習されてもよい。
In the present embodiment, the
転帰情報は、たとえば、患者の症状が回復する「転帰良好」、患者に軽度な障害が残る「軽度障害」、患者に高度な障害が残る「高度障害」、または、患者が死に至る「死亡」がある。第１学習モデル１６１は、これら転帰情報のうち、それぞれに至るリスク指標を０から１００の間の値で出力する。つまり、最もリスク指標の値が大きい転帰に対象の患者は至ると予測される。
Outcome information can be, for example, "good outcome" where the patient's symptoms improve, "mild disability" where the patient is left with mild disability, "severe disability" where the patient is left with severe disability, or "death" where the patient dies. The
転帰予測は３分類または４分類で出力され、情報処理装置１０の入力部１４を通じて分類数の設定変更が可能である。なお、分類数は３または４であることに限定されず、２分類または５分類以上で転帰が予測されてもよい。
The outcome prediction is output in three or four categories, and the number of categories can be changed via the
頭部外傷患者の治療後、その患者の回復の程度によっていくつかの段階に分けることができる。たとえば、５段階で臨床状態を分類するGlasgow outcome scaleと呼ばれる尺度がある。５段階の臨床状態は以下の通りである。
dead：死亡。
vegetative state：植物状態。
severely disabled：身体的または精神的障害のため、日常生活に介入を要する。
moderately disabled：ある程度の神経学的または知的障害があるが、日常生活を自立して送ることができる。
good recovery：後遺症がないか、わずかに障害を残すが、元の生活に戻れている。
After treatment for a head injury patient, the degree of recovery can be divided into several stages. For example, there is a scale called the Glasgow outcome scale, which classifies the clinical condition into five stages. The five stages of clinical condition are as follows:
dead: dead.
vegetative state: vegetative state.
Severely disabled: A physical or mental impairment that requires intervention in daily life.
Moderately disabled: Has some degree of neurological or intellectual disability, but is able to carry out daily activities independently.
Good recovery: No aftereffects or slight impairment but able to return to normal life.
上記の尺度を転帰予測の３分類または４分類に以下のようにしてそれぞれ当てはめる。 The above scales are applied to three or four outcome prediction categories as follows:
第１学習モデル１６１が転帰情報を、転帰良好、高度障害、または死亡の３分類で出力する場合は、
（１）good recoveryおよびmoderate disabilityを転帰良好
（２）severe disabilityおよびvegetative stateを高度障害
（３）deathを死亡
とする。
When the
(1) good recovery and moderate disability are considered good outcomes; (2) severe disability and vegetative state are considered severe disability; and (3) death is considered death.
また、第１学習モデル１６１が転帰情報を、転帰良好、軽度障害、高度障害、または死亡の４分類で予測する場合は、
（１）good recoveryを転帰良好
（２）moderate disabilityを軽度障害
（３）severe disabilityおよびvegetative stateを高度障害
（４）deathを死亡
とする。
Furthermore, when the
(1) good recovery means good outcome; (2) moderate disability means mild disability; (3) severe disability and vegetative state mean severe disability; and (4) death means death.
なお、Glasgow outcome scale-extended（臨床状態を８段階で分類する尺度）の表現で、転帰予測の３分類に当てはめると、
（１）lower good, upper good, lower moderate, upper moderateが転帰良好
（２）lower severe, upper severe, vegetative stateが高度障害
（３）deathが死亡
と分類される。
In addition, when applied to the three outcome prediction categories of the Glasgow Outcome Scale-Extended (a scale that classifies clinical conditions into eight stages),
(1) lower good, upper good, lower moderate, upper moderate - good outcome; (2) lower severe, upper severe, vegetative state - severe disability; and (3) death - death.
また、４分類に当てはめると、
（１）lower good, upper goodが転帰良好
（２）lower moderate, upper moderate が軽度障害
（３）lower severe, upper severe, vegetative stateが高度障害
（４）deathが死亡
と分類される。
In addition, when classified into four categories,
(1) lower good, upper good: good outcome; (2) lower moderate, upper moderate: mild disability; (3) lower severe, upper severe, vegetative state: severe disability; and (4) death: death.
この予測がおこなわれる際には、情報処理装置１０は、入力層において入力された２１項目からGCSのEyes項目およびVerbal項目を除き、事前に計算されたGCSの合計点と、Rotterdam CT scoreとを入力項目に加える。つまり、情報処理装置１０は合計２１項目で頭部外傷患者の転帰を予測する。
When making this prediction, the
次に、GCSの３項目の合計点およびRotterdam CT scoreの算出処理について説明する。 Next, we will explain how to calculate the total score of the three GCS items and the Rotterdam CT score.
情報処理装置１０は、GCSの３項目の合計点と、Rotterdam CT scoreとを算出する。具体的には、情報処理装置１０は、GCSの各項目に基づく合計点を算出するとともに、急性硬膜外血腫、外傷性くも膜下出血、正中偏位、および脳底槽の圧排により導出されるスコア（Rotterdam CT score）を取得する。
The
ここで算出されるRotterdam CT scoreは、基礎点が１点、脳底槽の圧排があれば２点、正中偏位があれば１点、急性硬膜外血種がなければ１点、外傷性くも膜下出血があれば１点が加点される、合計６点のスコアである。なお、入力層においてＣＴ画像がアップロードされた場合には、情報処理装置１０はRotterdam CT scoreを算出しなくてもよい。また、この算出処理に限定されず、情報処理装置１０は各症状の得点に傾斜をつけてスコアを算出してもよい。
The Rotterdam CT score calculated here is a total of 6 points, with 1 point as the base point, 2 points if there is basilar cistern compression, 1 point if there is midline shift, 1 point if there is no acute epidural hematoma, and 1 point if there is traumatic subarachnoid hemorrhage. Note that when a CT image is uploaded in the input layer, the
情報処理装置１０は、訓練データでの各項目の平均値および標準偏差に基づいて、入力した因子を全て標準化した数値に変換する。ここで用いる訓練データは、入力層に用いた２１項目に加え、GCSの合計点およびRotterdam CT scoreが追加される。
The
以上の算出処理により、情報処理装置１０は臨床データを数値化して第１学習モデル１６１に入力する。
Through the above calculation process, the
図４は、第１学習モデル１６１の生成処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１６０に基づいて以下の処理を実行する。
Figure 4 is a flowchart showing the process steps for generating the
制御部１１は、頭部外傷患者の臨床データを取得する（ステップＳ１０１）。具体的には、制御部１１は、GCSのEyes項目、GCSのVerbal項目、GCSのMotor項目、急性硬膜外血腫、外傷性くも膜下出血、正中偏位、および脳底槽の圧排を含む臨床データを取得する。制御部１１は、GCSの各項目に基づきGCSの合計点を算出する（ステップＳ１０２）。制御部１１は、急性硬膜外血腫、外傷性くも膜下出血、正中偏位、および脳底槽の圧排により導出されるRotterdam CT scoreを算出する（ステップＳ１０３）。
The
医療従事者は対象となる患者における実際の転帰を入力する。制御部１１は、転帰情報の入力を受け付ける（ステップＳ１０４）。制御部１１は、GCSの合計点およびRotterdam CT scoreが含まれる臨床データと、頭部外傷患者の転帰に関する転帰情報とを関連付けた訓練データを患者ＤＢ１７０に記憶する（ステップＳ１０５）。制御部１１は、多数の頭部外傷患者について同様の処理をおこない、複数の訓練データセットを患者ＤＢ１７０に記憶する（ステップＳ１０６）。
The medical staff inputs the actual outcomes of the target patients. The
制御部１１は、訓練データセットを用いて、３分類用および４分類用の第１学習モデル１６１を生成する（ステップＳ１０７）。具体的には、制御部１１は、出力層から出力された転帰情報と、医療従事者が入力した正解の転帰情報とを比較し、出力層から出力される転帰情報が正解の転帰情報に近づくよう、たとえば誤差逆伝播法（Backpropagation）により中間層での演算処理に用いるパラメータを最適化する。このパラメータは、たとえばニューロン間の重み（結合係数）である。そして、制御部１１は最終的な第１学習モデル１６１を生成し、一連の処理を終了する。
The
本実施の形態では、情報処理装置１０が第１学習モデル１６１を生成する例を説明したが、これに限定されない。第１学習モデル１６１は、情報処理装置１０とは異なる他の学習装置を用いて生成されてもよい。その場合、他の学習装置で生成された第１学習モデル１６１は、情報処理装置１０へデプロイされる。なお、後述する他の学習モデルも同様である。
In this embodiment, an example has been described in which the
次に、上述した第１学習モデル１６１を用いて、実際に頭部外傷患者の転帰を予測する際の処理について説明する。
Next, we will explain the process of actually predicting the outcome of a head injury patient using the
図５は、情報処理装置１０の表示部１５が表示する操作画面の一例である。操作画面は、画面上部の臨床データ入力画面と、画面下部の転帰情報画面とが含まれる。
Figure 5 is an example of an operation screen displayed by the
臨床データ入力画面には、患者ＩＤ、前述した２１の入力項目に関する入力欄またはチェック欄、３分類ボタン、４分類ボタン、および予測ボタンが含まれる。 The clinical data input screen includes a patient ID, input or check fields for the 21 input items mentioned above, a 3-classification button, a 4-classification button, and a prediction button.
転帰情報画面には、患者ＩＤ、予測される退院時の転帰（たとえばGlasgow outcome scaleに基づく分類）、対象の患者に似た特徴を持つ患者数と当該患者の平均入院期間、および貢献度グラフが含まれる。 The outcome information screen includes the patient ID, predicted discharge outcome (e.g. classification based on the Glasgow outcome scale), the number of patients with similar characteristics to the target patient and their average length of stay, and a contribution graph.
図５の画面上部において、医療従事者は、受診時に得られた臨床データを情報処理装置１０の入力部１４を通じて入力する。情報処理装置１０は、GCSのEyes項目、GCSのVerbal項目、GCSのMotor項目、急性硬膜外血腫、外傷性くも膜下出血、正中偏位、および脳底槽の圧排を含む臨床データを取得する。医療従事者は、画面上の３分類ボタン、または４分類ボタンのいずれかを選択した後、予測ボタンを選択する。情報処理装置１０は、各ボタンの選択を受け付けて、図５の画面下部に頭部外傷患者の転帰情報を表示する。
In the upper part of the screen in FIG. 5, the medical staff inputs clinical data obtained at the time of consultation through the
また、２１個の入力項目に関する入力欄は、転帰予測に必要な臨床データの数値または属性が入力される。２１個の入力項目に関するチェック欄は、転帰予測に必要な臨床データにおいて、各所見の有無が入力される。３分類ボタンは、３分類で転帰を予測したい場合に選択される。４分類ボタンは、４分類で転帰を予測したい場合に選択される。予測ボタンは、入力可能な臨床データを入力し終えた後に選択される。 In addition, the input fields for the 21 input items are used to input numerical values or attributes of clinical data required for outcome prediction. The check fields for the 21 input items are used to input the presence or absence of each finding in the clinical data required for outcome prediction. The 3-category button is selected when it is desired to predict outcome using 3 categories. The 4-category button is selected when it is desired to predict outcome using 4 categories. The Predict button is selected after all available clinical data has been input.
医療従事者が３分類ボタンを選択した場合、情報処理装置１０は、「転帰良好」「高度障害」「死亡」の３分類の転帰それぞれに至るリスク指標を０から１００の数値で表示する。一方、医療従事者が４分類ボタンを選択した場合、情報処理装置１０は、「転帰良好」「軽度障害」「高度障害」「死亡」の４分類の転帰それぞれに至るリスク指標を０から１００の数値で表示する。本実施の形態では、情報処理装置１０が３分類ボタンの選択を受け付けたものとして説明する。
When the medical professional selects the three-category button, the
図５の画面下部において、情報処理装置１０は、転帰良好が７３．９％、高度障害が２３．６％、死亡が２．５％と表示するとともに、第１学習モデル１６１から出力された転帰情報に関連付けて、頭部外傷患者と類似する他の頭部外傷患者の平均入院期間を表示する。入院期間を表示する際、情報処理装置１０は、ｋ近傍法においてあらかじめ設定されたｋの値に基づいて類似患者を特定した後、平均の入院期間を算出する。このとき設定されるｋの値は、１以上の自然数である。
In the lower part of the screen in FIG. 5, the
具体的には、情報処理装置１０はｋ近傍法を用いて、新たな患者の入力データと、患者ＤＢ１７０に記憶されている訓練データとの距離を算出した後、当該距離に基づいて入力データに近い方からｋ個（たとえば５個）の近傍点を抽出する。情報処理装置１０は、抽出した患者に対応付けられた入院期間を特定して平均の入院期間を算出する。
Specifically, the
なお、図５では、患者数が５人であるものとして例示されているが、６人以上または５人未満でもよい。入院期間を予測する第３学習モデル１６３については、実施の形態３にて後述する。
Note that in FIG. 5, the number of patients is illustrated as five, but it may be six or more or less than five. The
また、貢献度グラフには、転帰情報に寄与した臨床データが、貢献度に基づく長さの棒グラフを用いて表示される。情報処理装置１０は、第１学習モデル１６１から出力された転帰情報に関連付けて、出力された転帰情報に寄与した臨床データを出力する。具体的には、入力した臨床データを有する患者が至ると予測される転帰に関連が強い項目が、グラフにして表示される。このグラフ化される数値は、学習済みモデルが予測した転帰に対するＳＨＡＰ（SHapley Additive exPlanations）値である。
In addition, the contribution graph displays the clinical data that contributed to the outcome information using a bar graph with a length based on the contribution. The
この貢献度グラフにおいて、横軸ではＳＨＡＰ値（－０．２から＋０．４）が示され、縦軸では特徴変数（臨床データ）が貢献度の高い順に示されている。ＳＨＡＰ値は今回の転帰予測への貢献度を示している。情報処理装置１０は、入力された臨床データをＳＨＡＰ値と対応付けてグラフの正方向（右側）または負方向（左側）に表示する。
In this contribution graph, the horizontal axis shows the SHAP value (-0.2 to +0.4), and the vertical axis shows the feature variables (clinical data) in order of decreasing contribution. The SHAP value indicates the degree of contribution to the current outcome prediction. The
ＳＨＡＰ値が負の臨床データは転帰予測から外れる方向に貢献するのに対し、ＳＨＡＰ値が正の臨床データは転帰予測が的中する方向に貢献する。図中において、最も貢献度が高い「年齢」はＳＨＡＰ値が＋０．４以上であることから正に寄与しており、次に貢献度が高い「GCSのMotor項目」はＳＨＡＰ値が－０．２以上であることから負に寄与していると言える。 Clinical data with a negative SHAP value contributes to deviations from outcome predictions, whereas clinical data with a positive SHAP value contributes to correct outcome predictions. In the figure, "age," which has the highest contribution, has a SHAP value of +0.4 or more, making a positive contribution, while the "GCS Motor item," which has the second highest contribution, has a SHAP value of -0.2 or more, making a negative contribution.
なお、ＳＨＡＰ値以外に、情報処理装置１０は、ＬＩＭＥ（Local Interpretable model-agnostic Explanations）による貢献度の算出処理をおこなってもよく、決定木モデルから貢献度を取得してもよい。
In addition to the SHAP value, the
本システムは、次のようにして医療従事者の判断を支援する。 This system supports medical professionals' decisions in the following ways:
医師が手術をおこなうべきか判断に迷う頭部外傷患者がいるとする。その場合、「緊急手術」のチェック項目をチェックするか否かで、第１学習モデル１６１から出力される値を比較すればよい。たとえば、医師が情報処理装置１０を通じて「緊急手術」にチェックを入れた場合、第１学習モデル１６１から「死亡」の値が３０％、「高度障害」の値が５０％、「転帰良好」の値が２０％と出力される。一方、「緊急手術」にチェックを入れない場合、第１学習モデル１６１から「死亡」の値が６０％、「高度障害」の値が３５％、「転帰良好」の値が５％と出力される。
Suppose there is a patient with a head injury for whom a doctor is unsure whether or not to perform surgery. In that case, the values output from the
上記の出力結果が得られた場合、緊急手術をおこなう方が、死亡に至る可能性を減少させると判断できる。そのため、医師が手術をおこなうべきか判断に迷う患者に対し、より適切な治療を提供し得る。 When the above output results are obtained, it can be determined that performing emergency surgery will reduce the risk of death. Therefore, doctors can provide more appropriate treatment to patients who are unsure whether to perform surgery.
治療方針を検討したい頭部外傷患者のヘモグロビン値が６．５（実測値）と測定されたとする。その場合、ヘモグロビン値を変動させて、第１学習モデル１６１から出力される値を比較すればよい。たとえば、医療従事者が情報処理装置１０に実測値を含む臨床データを入力した場合において、第１学習モデル１６１から「死亡」の値が５０％、「高度障害」の値が２５％、「転帰良好」の値が２５％と出力される。この状況において、医療従事者が情報処理装置１０を通じて、ヘモグロビン値を１０に変更して入力した場合に、第１学習モデル１６１から「死亡」の値が３０％、「高度障害」の値が２０％、「転帰良好」の値が５０％と出力される。
Suppose that the hemoglobin value of a head-injured patient for whom a treatment plan is to be considered is measured to be 6.5 (actual measurement value). In this case, the hemoglobin value can be varied and the values output from the
上記の出力結果が得られた場合、急速に輸血をおこなってヘモグロビン値を上方に補正すれば、死亡に至る危険性を減少させられると判断できる。そのため、医師が輸血の投与量または投与時期について判断に迷う患者に対し、より適切な治療を提供し得る。 When the above output results are obtained, it can be determined that the risk of death can be reduced by rapidly administering a blood transfusion to correct the hemoglobin level upward. This allows doctors to provide more appropriate treatment to patients who are unsure about the amount or timing of transfusion.
このようにすれば、医療従事者は転帰予測の結果を参考にしつつ、個々の患者それぞれの真の病態に適した治療を提供できる。 In this way, medical professionals can refer to outcome prediction results and provide treatment that is appropriate for each individual patient's true condition.
次に、臨床データに未入力項目がある場合に、その未入力項目を推定して代入する処理について説明する。 Next, we will explain the process of estimating and substituting missing items when there are missing items in the clinical data.
情報処理装置１０は、学習済みの機械学習アルゴリズムにより、入力済みの残りの項目に基づき未入力項目の値を推定して代入する。この未入力項目は２個以内であることが好ましいが、３個以上あってもよい。
The
情報処理装置１０は、未入力項目の推定および代入の処理を実行する際、ｋ近傍法モデルを使用する。具体的には、情報処理装置１０はｋ近傍法を用いて、新たな患者の入力データと患者ＤＢ１７０に記憶されている訓練データとの距離を算出した後、当該距離に基づいて入力データに近い方からｋ個（たとえば５個）の近傍点を抽出する。情報処理装置１０は、抽出した複数の患者（たとえば５人分）に対応付けられた各臨床データを特定し、平均値または中央値を算出して未入力項目を推定する。情報処理装置１０は、平均値または中央値を算出する処理のほか、最も類似度が高い患者から順に重み付けして臨床データの値を推定してもよく、チェックされた項目数の多数決を取って未入力項目の臨床データを特定してもよい。
The
なお、学習済みのｋ近傍法モデルの訓練データには、未入力項目がひとつもない患者の臨床データが使用されている。 The training data for the trained k-nearest neighbor model uses clinical data from patients with no missing fields.
情報処理装置１０がひとりの類似患者を抽出した場合を例示する。たとえば、以下に示す未入力項目がある「患者Ａ」に対して、情報処理装置１０は類似患者の臨床データを特定し、当該臨床データを患者Ａに代入する。この場合、患者Ａの未入力項目を類似患者と同じ「収縮期血圧：１３０」とする。なお、複数の類似患者を抽出した際には、その臨床データの平均値を算出して推定すればよい。
患者Ａ 年齢：２４ 性別：男 ＧＣＳの合計点：１０ 収縮期血圧：未入力
類似患者 年齢：２６ 性別：男 ＧＣＳの合計点：１１ 収縮期血圧：１３０
An example will be given in which the
Patient A Age: 24 Gender: Male Total GCS score: 10 Systolic blood pressure: Not entered Similar patients Age: 26 Gender: Male Total GCS score: 11 Systolic blood pressure: 130
また、情報処理装置１０は、推定値のうち、D-dimer値とCRP値は四捨五入によって小数第２位までの概数にして代入し、血中ヘモグロビン値は四捨五入により小数第１位までの概数にして代入する。情報処理装置１０は、入力項目のうち、上述したD-dimer値、CRP値、および血中ヘモグロビン値以外の数値は四捨五入により整数に補正して代入する。
In addition, the
なお、上記の２１個の入力項目のうちＣＴ画像所見に基づく１４)から２０)までの７個の因子は、入力層においてＣＴ画像がアップロードされた場合には、未入力であっても代入せずに処理する。 Of the 21 input items listed above, the seven factors 14) to 20) based on CT image findings will be processed without substitution even if they are not entered when a CT image is uploaded in the input layer.
情報処理装置１０は、医療従事者から入力された複数の臨床データを取得し、入力されていない臨床データがあるか否かを判定する。入力されていない臨床データが存在しないと判定した場合には、情報処理装置１０は、入力済みの複数の臨床データを第１学習モデル１６１に入力して転帰情報を取得する。一方、入力されていない臨床データが存在すると判定した場合には、情報処理装置１０は、受け付けた複数の臨床データに基づいて未入力の臨床データを特定する。
The
以上の処理により、臨床データに未入力項目がある場合にも、転帰情報を正確に予測できる。これにより、ある特定の臨床データが取得されていない頭部外傷患者に対しても、転帰を予測できる。 By performing the above process, outcome information can be accurately predicted even when there are missing clinical data items. This makes it possible to predict outcomes even for head injury patients for whom certain clinical data has not been obtained.
図６は、情報処理装置１０が実行するプログラム１６０の処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１６０に基づいて以下の処理を実行する。
Figure 6 is a flowchart showing the processing procedure of the
制御部１１は、頭部外傷患者の臨床データを取得する（ステップＳ２０１）。制御部１１は、GCSの合計点を算出する（ステップＳ２０２）。制御部１１は、急性硬膜外血腫、外傷性くも膜下出血、正中偏位、および脳底槽の圧排により導出されるRotterdam CT scoreを算出する（ステップＳ２０３）。
The
制御部１１は、医療従事者が選択した分類ボタンが３分類であるか否かを判定する（ステップＳ２０４）。３分類ボタンが選択されたと判定した場合（ステップＳ２０４：ＹＥＳ）、制御部１１は、補助記憶部１６から３分類用の第１学習モデル１６１を読み出す（ステップＳ２０５）。一方、４分類ボタンが選択されたと判定した場合（ステップＳ２０４：ＮＯ）、制御部１１は、補助記憶部１６から４分類用の第１学習モデル１６１を読み出す（ステップＳ２０６）。
The
制御部１１は、３分類用または４分類用の第１学習モデル１６１に、入力された臨床データからGCSのEyes項目とGCSのVerbal項目とを除いた１９項目の臨床データ、GCSの合計点、およびRotterdam CT scoreを入力する（ステップＳ２０７）。制御部１１は、第１学習モデル１６１から出力された転帰情報を取得する（ステップＳ２０８）。転帰情報は、転帰良好、高度障害、もしくは死亡の３分類または転帰良好、軽度障害、高度障害、もしくは死亡の４分類である。
The
制御部１１は、取得した転帰情報を該当する患者ＩＤと対応させて患者ＤＢ１７０に記憶する（ステップＳ２０９）。制御部１１は、患者ＩＤおよび転帰情報を表示部１５に表示させる（ステップＳ２１０）。制御部１１は、一連の処理を終了する。
The
図７は、情報処理装置１０が実行するプログラム１６０の処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１６０に基づいて以下の処理を実行する。
Figure 7 is a flowchart showing the processing procedure of the
制御部１１は、複数の臨床データの入力を受け付ける（ステップＳ３０１）。制御部１１は、受け付けた複数の臨床データを取得する（ステップＳ３０２）。制御部１１は、入力されていない臨床データが存在するか否かを判定する（ステップＳ３０３）。
The
未入力の臨床データが存在すると判定した場合（ステップＳ３０３：ＹＥＳ）、制御部１１は、新たな患者と患者ＤＢ１７０に記憶されている患者との類似度をそれぞれの臨床データに基づいて算出する（ステップＳ３０４）。制御部１１は、算出した類似度に基づき、患者ＤＢ１７０から類似患者を抽出する（ステップＳ３０５）。制御部１１は、抽出した類似患者に対応付けてある臨床データに基づき、未入力の臨床データを特定する（ステップＳ３０６）。制御部１１は、特定した臨床データを新たに取得する（ステップＳ３０７）。
When it is determined that unentered clinical data exists (step S303: YES), the
ステップＳ３０７の後、または未入力の臨床データは存在しないと判定した場合（ステップＳ３０３：ＮＯ）、制御部１１は、入力済みの複数の臨床データを第１学習モデル１６１に入力して転帰情報を取得する（ステップＳ３０８）。制御部１１は、入力済みの複数の臨床データを第１学習モデル１６１に入力し、転帰情報を取得する（ステップＳ３０９）。制御部１１は、一連の処理を終了する。
After step S307, or when it is determined that there is no uninputted clinical data (step S303: NO), the
図８は、情報処理装置１０が実行するプログラム１６０の処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１６０に基づいて以下の処理を実行する。
Figure 8 is a flowchart showing the processing procedure of the
制御部１１は、頭部外傷患者の臨床データを取得する（ステップＳ４０１）。制御部１１は、ｋ近傍法により、患者ＤＢ１７０に記憶されている他の頭部外傷患者と類似する患者を抽出する（ステップＳ４０２）。制御部１１は、抽出した患者に対応付けられた入院期間を特定して平均の入院期間を算出する（ステップＳ４０３）。制御部１１は、第１学習モデル１６１から出力された転帰情報に関連付けて、抽出された患者の平均入院期間を出力する（ステップＳ４０４）。
The
制御部１１は、第１学習モデル１６１から出力された転帰情報に寄与した臨床データを特定する（ステップＳ４０５）。制御部１１は、臨床データの貢献度に基づいて貢献度グラフを生成する（ステップＳ４０６）。制御部１１は、第１学習モデル１６１から出力された転帰情報に関連付けて、出力された転帰情報に寄与した臨床データを含む貢献度グラフを出力する（ステップＳ４０７）。制御部１１は、一連の処理を終了する。
The
以上、実施の形態１によれば、頭部外傷患者の転帰を予測するプログラム等を提供できる。 As described above, according to the first embodiment, a program for predicting the outcome of a head injury patient can be provided.
［実施の形態２］
実施の形態１では、ＣＴ画像所見に基づく１４)から２０)までの臨床データを医療従事者が入力することで取得する形態について説明した。実施の形態２では、ＣＴ画像を第２学習モデル１６２に入力して複数の特徴値を取得した後、その複数の特徴値を第１学習モデル１６１に入力する形態について説明する。
[Embodiment 2]
In the first embodiment, a form in which the clinical data from 14) to 20) based on CT image findings are acquired by inputting them by a medical professional is described. In the second embodiment, a form in which a CT image is input to the
ＣＴ検査により得られる情報は、１４)から２０)までの臨床データ（急性硬膜下血腫、急性硬膜外血種、外傷性くも膜下出血、脳挫傷、正中偏位、脳底槽の圧排、および占拠性病変）に関する診断結果である。これら診断を医療従事者がおこなう代わりに、図９に示すように、第２学習モデル１６２を用いて特徴値を算出する。
The information obtained by the CT scan is the diagnosis results for the clinical data 14) to 20) (acute subdural hematoma, acute epidural hematoma, traumatic subarachnoid hemorrhage, cerebral contusion, midline shift, basilar cistern compression, and space-occupying lesion). Instead of medical professionals making these diagnoses, the feature values are calculated using the
図９は、第１学習モデル１６１および第２学習モデル１６２の構成例を示す模式図である。
Figure 9 is a schematic diagram showing an example configuration of the
第２学習モデル１６２は、ＣＴ画像を入力した場合に、転帰情報に関する複数の特徴値を出力するよう学習された学習モデルである。実施の形態２において、第２学習モデル１６２はＣＮＮ（Convolutional Neural Network）であるものとして説明するが、ＣＮＮ以外に、トランスフォーマ、Ｕ－Ｎet、オートエンコーダ、決定木、ランダムフォレスト、勾配ブースティング、またはＳＶＭ（Support Vector Machine）等のアルゴリズムを用いて構成されてもよく、複数のアルゴリズムを組み合わせて構成されてもよい。
The
転帰情報に関する複数の特徴値は、たとえば４分類で転帰を予測する場合には、転帰良好、軽度障害、高度障害、または死亡に対応する値であり、３分類で転帰を予測する場合には、転帰良好、高度障害、または死亡に対応する値である。 For example, the multiple feature values related to outcome information are values corresponding to good outcome, mild disability, severe disability, or death when predicting outcome using four categories, and are values corresponding to good outcome, severe disability, or death when predicting outcome using three categories.
この特徴値は、転帰良好、軽度障害、高度障害、または死亡に至るそれぞれのprobability scoreである。特徴値を算出する際には、ＣＮＮモデルの最終層の活性化関数にソフトマックス関数が使用され、前述の４分類の転帰クラス（転帰良好、軽度障害、高度障害、死亡）それぞれに至るprobability scoreが合計１．０となるようにそれぞれ算出される。 These feature values are the probability scores for each of the following outcomes: good outcome, mild disability, severe disability, or death. When calculating the feature values, a softmax function is used as the activation function for the final layer of the CNN model, and the probability scores for each of the four outcome classes mentioned above (good outcome, mild disability, severe disability, death) are calculated so that the sum of these is 1.0.
なお、転帰情報の各確率を入力する代わりに、特徴値として、畳み込み層から出力される画像特徴値を第１学習モデル１６１に入力してもよい。
In addition, instead of inputting each probability of outcome information, image feature values output from the convolutional layer may be input as feature values to the
また、情報処理装置１０が算出する特徴値は４つであることに限定されず、３つでもよい。その場合も同様にして、前述の３分類の転帰クラス（転帰良好、高度障害、死亡）それぞれに至るprobability scoreが合計１．０となるようにそれぞれ算出される。
Furthermore, the feature values calculated by the
医療従事者は、頭部外傷患者に対してＣＴ検査をおこなってＣＴ画像を得た後、情報処理装置１０を通じて当該患者の臨床データおよびＣＴ画像を入力する。情報処理装置１０は、入力を受け付けた２１項目から、GCSのEyes項目、GCSのVerbal項目、急性硬膜下血腫、急性硬膜外血種、外傷性くも膜下出血、脳挫傷、正中偏位、脳底槽の圧排、および占拠性病変の合計９項目を除き、あらかじめ算出されたGCSの合計点と、第２学習モデル１６２にＣＴ画像を入力して得られた複数の特徴値（たとえば４つ）を合わせた、２１－９＋１＋４＝１７項目を第１学習モデル１６１に入力する。第１学習モデル１６１は、１７項目の入力データに基づいて転帰情報を出力する。
After a medical professional performs a CT scan on a head trauma patient to obtain CT images, the medical professional inputs the patient's clinical data and CT images through the
なお、情報処理装置１０が算出する特徴値が３つの場合は、２１－９＋１＋３＝１６項目が第１学習モデル１６１に入力される。
When the
実施の形態２において、第１学習モデル１６１は、１２項目の臨床データ（年齢、性別、収縮期血圧、GCSのMotor項目、瞳孔異常所見の有無、頭部以外の重症外傷の有無、脊髄損傷の有無、血糖値、血中ヘモグロビン値、血清CRP値、血清D-dimer値、緊急手術の要不要）と、GCSのEyes項目、GCSのVerbal項目、GCSのMotor項目の合計点と、ＣＴ画像に基づく特徴値とを用いて学習されている。
In the second embodiment, the
ここで、入力データは、１２項目の臨床データ（年齢、性別、収縮期血圧、GCSのMotor項目、瞳孔異常所見の有無、頭部以外の重症外傷の有無、脊髄損傷の有無、血糖値、血中ヘモグロビン値、血清CRP値、血清D-dimer値、緊急手術の要不要）と、GCSのEyes項目、GCSのVerbal項目、GCSのMotor項目の合計点と、ＣＴ画像に基づく特徴値とである。出力データは、分類数に応じた転帰情報である。情報処理装置１０は、多数の患者について、当該入力データおよび当該出力データの組み合わせである訓練データセットを用いて学習し、第１学習モデル１６１を生成する。
Here, the input data is 12 items of clinical data (age, sex, systolic blood pressure, GCS Motor item, presence or absence of pupil abnormalities, presence or absence of severe trauma other than head, presence or absence of spinal cord injury, blood glucose level, blood hemoglobin level, serum CRP level, serum D-dimer level, need for emergency surgery), the total score of the GCS Eyes item, GCS Verbal item, and GCS Motor item, and feature values based on CT images. The output data is outcome information according to the number of categories. The
具体的には、情報処理装置１０は、出力層から出力された転帰情報と、医療従事者が入力した正解の転帰情報とを比較し、出力層から出力される転帰情報が正解の転帰情報に近づくよう、たとえば誤差逆伝播法により中間層での演算処理に用いるパラメータを最適化する。このパラメータは、たとえばニューロン間の重み（結合係数）である。そして、情報処理装置１０は最終的な第１学習モデル１６１を生成する。
Specifically, the
図１０は、第２学習モデル１６２の生成処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１６０に基づき以下の処理を実行する。
Figure 10 is a flowchart showing the process steps for generating the
制御部１１は、患者のＣＴ画像を取得する（ステップＳ５０１）。医療従事者は、取得したＣＴ画像に対応付けて転帰情報に関する複数の特徴値を入力する。制御部１１は、特徴値の入力を受け付ける（ステップＳ５０２）。
The
制御部１１は、ＣＴ画像（入力情報）と特徴値（出力情報）とを対応付けた訓練データを患者ＤＢ１７０に記憶する（ステップＳ５０３）。制御部１１は、多数の患者について同様の処理をおこない、複数の訓練データセットを患者ＤＢ１７０に記憶する（ステップＳ５０４）。
The
制御部１１は、訓練データセットを用いて第２学習モデル１６２を生成する（ステップＳ５０５）。具体的には、情報処理装置１０は、出力層から出力された特徴値と、医療従事者が入力した正解の特徴値とを比較し、出力層から出力される特徴値が正解の特徴値に近づくよう、たとえば誤差逆伝播法により中間層での演算処理に用いるパラメータを最適化する。このパラメータは、たとえばニューロン間の重み（結合係数）である。そして、情報処理装置１０は最終的な第２学習モデル１６２を生成する。
The
図１１は、情報処理装置１０が実行するプログラム１６０の処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１６０に基づき以下の処理を実行する。
Figure 11 is a flowchart showing the processing procedure of
制御部１１は、臨床データを取得する（ステップＳ６０１）。制御部１１は、GCSの合計点を算出する（ステップＳ６０２）。制御部１１は、第２学習モデル１６２を読み出す（ステップＳ６０３）。制御部１１は、患者の頭部のＣＴ画像を第２学習モデル１６２に入力して４つの特徴値を取得する（ステップＳ６０４）。
The
制御部１１は、補助記憶部１６から第１学習モデル１６１を読み出す（ステップＳ６０５）。制御部１１は、１７項目（年齢、性別、収縮期血圧、GCSのMotor項目、瞳孔異常所見の有無、頭部以外の重症外傷の有無、脊髄損傷の有無、血糖値、血中ヘモグロビン値、血清CRP値、血清D-dimer値、緊急手術の要不要、GCSの合計点、およびＣＴ画像に基づいて算出された４つの特徴値）を第１学習モデル１６１に入力して転帰情報を取得する（ステップＳ６０６）。制御部１１は、一連の処理を終了する。
The
なお、実施の形態２において、第１学習モデル１６１および第２学習モデル１６２を別々に学習させる場合を説明したが、両学習モデルを共同で学習させてもよい。
In the second embodiment, the
以上、実施の形態２によれば、ＣＴ画像に基づく特徴値を第１学習モデル１６１に入力することで、頭部外傷患者の転帰を予測できる。
As described above, according to the second embodiment, the outcome of a head injury patient can be predicted by inputting feature values based on CT images into the
［実施の形態３］
実施の形態３では、頭部外傷患者の入院期間を予測する第３学習モデル１６３について説明する。
[Embodiment 3]
In the third embodiment, a
図１２は、第３学習モデル１６３の構成例を示す模式図である。
Figure 12 is a schematic diagram showing an example configuration of the
第３学習モデル１６３は、頭部外傷患者の臨床データを入力した場合に、頭部外傷患者の入院期間を出力するよう学習された学習モデルである。
The
第３学習モデル１６３は、情報処理装置１０を通じて入力された２１項目に、事前に計算されたGCSの合計点とRotterdam CT scoreとが加えられた合計２３項目が使用されて学習されており、入院期間を予測する。入院期間を予測する際には、訓練データを用いて学習済みのk近傍法モデル、ランダム決定木（random forest）モデル、勾配ブースティング決定木（gradient boosting decision tree）モデル、またはそれらを組み合わせた手法が用いられる。
The
図１３は、第３学習モデル１６３の生成処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１６０に基づいて以下の処理を実行する。
Figure 13 is a flowchart showing the process steps for generating the
制御部１１は、臨床データを取得する（ステップＳ７０１）。制御部１１は、GCSの合計点を算出する（ステップＳ７０２）。制御部１１は、Rotterdam CT scoreを算出する（ステップＳ７０３）。医療従事者は、取得した臨床データ、GCSの合計点、およびRotterdam CT scoreに対応付けて患者の実際の入院期間を入力する。制御部１１は、入院期間の入力を受け付ける（ステップＳ７０４）。
The
制御部１１は、臨床データ、GCSの合計点、およびRotterdam CT scoreと、入院期間とを対応付けた訓練データを患者ＤＢ１７０に記憶する（ステップＳ７０５）。ここで、臨床データ、GCSの合計点、およびRotterdam CT scoreが入力情報であり、入院期間が出力情報である。制御部１１は、多数の患者について同様の処理をおこない、複数の訓練データセットを患者ＤＢ１７０に記憶する（ステップＳ７０６）。
The
制御部１１は、訓練データセットを用いて第３学習モデル１６３を生成する（ステップＳ７０７）。具体的には、情報処理装置１０は、出力層から出力された転帰情報と、医療従事者が入力した正解の転帰情報とを比較し、出力層から出力される転帰情報が正解の転帰情報に近づくよう、たとえば誤差逆伝播法により中間層での演算処理に用いるパラメータを最適化する。このパラメータは、たとえばニューロン間の重み（結合係数）である。そして、情報処理装置１０は最終的な第３学習モデル１６３を生成する。
The
図１４は、情報処理装置１０が実行するプログラム１６０の処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１６０に基づき以下の処理を実行する。
Figure 14 is a flowchart showing the processing procedure of
制御部１１は、頭部外傷患者の臨床データを取得する（ステップＳ８０１）。制御部１１は、補助記憶部１６から第３学習モデル１６３を読み出す（ステップＳ８０２）。制御部１１は、当該臨床データ、GCSの合計点、およびRotterdam CT scoreを第３学習モデル１６３に入力して入院期間を取得する（ステップＳ８０３）。
The
制御部１１は、補助記憶部１６から第１学習モデル１６１を読み出す（ステップＳ８０４）。制御部１１は、第１学習モデル１６１に、ステップＳ８０１にて取得した臨床データからGCSのEyes項目とGCSのVerbal項目とを除いた１９項目の臨床データ、GCSの合計点、およびRotterdam CT scoreを入力して転帰情報を取得する（ステップＳ８０５）。制御部１１は、第１学習モデル１６１から出力された転帰情報に関連付けて、ステップＳ８０３にて取得した入院期間を出力する（ステップＳ８０６）。制御部１１は、一連の処理を終了する。
The
なお、実施の形態２と同様にして、ＣＴ画像を用いて入院期間の推定処理をおこなってもよい。その場合、情報処理装置１０は、ＣＴ画像所見に基づく１４）から２０）までの臨床データを除いた臨床データ、ＣＴ画像、およびGCSの合計点を入力した際に入院期間を出力するよう学習された学習モデルを用いて、頭部外傷患者の入院期間を推定する。
As in the second embodiment, the hospital stay estimation process may be performed using CT images. In this case, the
以上、実施の形態３によれば、第３学習モデル１６３を用いて頭部外傷患者の入院期間を予測できる。
As described above, according to the third embodiment, the hospital stay of a head injury patient can be predicted using the
今回開示された実施の形態はすべての点において例示であり、制限的なものではない。本発明の技術的範囲は上記のように開示された意味ではなく、特許請求の範囲の記載に基づいて定められ、特許請求の範囲と均等の意味および範囲内において、すべての変更が含まれる。 The embodiments disclosed herein are illustrative in all respects and are not restrictive. The technical scope of the present invention is determined based on the claims, not the meaning disclosed above, and includes all modifications within the meaning and scope equivalent to the claims.
各実施形態に記載した事項は、相互に組み合わせることができる。また、特許請求の範囲に記載した独立請求項および従属請求項は、引用形式に関わらず全てのあらゆる組み合わせにおいて、相互に組み合わせることができる。さらに、特許請求の範囲には他の２以上のクレームを引用するクレームを記載する形式（マルチクレーム形式）を用いているが、これに限るものではない。マルチクレームを少なくとも一つ引用するマルチクレーム（マルチマルチクレーム）を記載する形式を用いて記載してもよい。 The matters described in each embodiment may be combined with each other. Furthermore, the independent claims and dependent claims described in the claims may be combined with each other in any and all combinations, regardless of the citation format. Furthermore, the claims use a format in which a claim cites two or more other claims (multi-claim format), but this is not limited to this. They may also be written in a format in which multiple claims cite at least one other claim (multi-multi-claim).
１０ 情報処理装置
１０ａ 可搬型記憶媒体
１１ 制御部
１２ 主記憶部
１３ 通信部
１４ 入力部
１５ 表示部
１６ 補助記憶部
１６０ プログラム（プログラム製品）
１６１ 第１学習モデル
１６２ 第２学習モデル
１６３ 第３学習モデル
１７０ 患者ＤＢ
REFERENCE SIGNS
161
一つの側面に係るプログラムは、頭部外傷患者の臨床データを取得し、Glasgow coma scaleのEyes項目、Verbal項目、およびMotor項目と、急性硬膜外血腫と、外傷性くも膜下出血と、正中偏位と、脳底槽の圧排とを含む臨床データに加えて、Glasgow coma scaleの合計点と、急性硬膜外血腫、外傷性くも膜下出血、正中偏位、および脳底槽の圧排により導出されるスコアとを用いて学習され、頭部外傷患者の臨床データを入力した場合に、頭部外傷患者の転帰に関する転帰情報を出力するよう学習された第１学習モデルに、取得した頭部外傷患者の臨床データを入力して転帰情報を出力する処理をコンピュータに実行させる。 A program according to one aspect acquires clinical data of a patient with head trauma, and trains using clinical data including the Eyes, Verbal, and Motor items of the Glasgow coma scale, acute epidural hematoma, traumatic subarachnoid hemorrhage, midline shift, and basilar cistern compression, as well as the total score of the Glasgow coma scale and scores derived from acute epidural hematoma, traumatic subarachnoid hemorrhage, midline shift, and basilar cistern compression, and causes a computer to execute a process of inputting the acquired clinical data of a patient with head trauma into a first learning model that has been trained to output outcome information regarding the outcome of a patient with head trauma when the clinical data of a patient with head trauma is input, and outputting outcome information.
Claims (16)
頭部外傷患者の臨床データを入力した場合に、頭部外傷患者の転帰に関する転帰情報を出力するよう学習された第１学習モデルに、取得した頭部外傷患者の臨床データを入力して転帰情報を出力する
処理をコンピュータに実行させるプログラム。 Obtain clinical data of head injury patients,
A program that causes a computer to execute a process of inputting acquired clinical data of a head trauma patient into a first learning model that has been trained to output outcome information regarding the outcome of a head trauma patient when the clinical data of the head trauma patient is input, and outputting the outcome information.
請求項１に記載のプログラム。 The program according to claim 1, which acquires clinical data including the Eyes, Verbal, and Motor items of the Glasgow coma scale, acute epidural hematoma, traumatic subarachnoid hemorrhage, midline shift, and basilar cistern compression.
請求項１または請求項２に記載のプログラム。 The program according to claim 1 or claim 2, wherein the first learning model is trained using clinical data including the Eyes, Verbal, and Motor items of the Glasgow coma scale, acute epidural hematoma, traumatic subarachnoid hemorrhage, midline shift, and basilar cistern compression, as well as the total score of the Glasgow coma scale and scores derived from acute epidural hematoma, traumatic subarachnoid hemorrhage, midline shift, and basilar cistern compression.
請求項１に記載のプログラム。 The program of claim 1, which inputs clinical data including the Motor item of the Glasgow coma scale, acute epidural hematoma, traumatic subarachnoid hemorrhage, midline shift, and basilar cistern compression, the total score of the Eyes item, Verbal item, and Motor item of the Glasgow coma scale, and scores derived from acute epidural hematoma, traumatic subarachnoid hemorrhage, midline shift, and basilar cistern into the first learning model and outputs outcome information.
請求項１に記載のプログラム。 2. The program of claim 1, wherein the first learning model is trained using clinical data including the Eyes, Verbal, and Motor items of the Glasgow Coma Scale, a total score of the Eyes, Verbal, and Motor items of the Glasgow Coma Scale, and a CT image of the patient's head.
Glasgow coma scaleのMotor項目を含む臨床データと、Glasgow coma scaleのEyes項目、Verbal項目、およびMotor項目の合計点と、前記ＣＴ画像により算出される特徴値とを前記第１学習モデルに入力して転帰情報を出力する
請求項５に記載のプログラム。 obtaining clinical data of a head trauma patient and a CT image of the head of the patient;
The program according to claim 5, wherein clinical data including the Motor item of the Glasgow coma scale, the total score of the Eyes item, the Verbal item, and the Motor item of the Glasgow coma scale, and feature values calculated from the CT image are input into the first learning model, and outcome information is output.
請求項５または請求項６に記載のプログラム。 The program according to claim 5 or claim 6, further comprising: inputting a CT image of a patient's head into a second learning model that has been trained to output multiple feature values related to outcome information when a CT image of the patient's head is input; and outputting multiple feature values.
請求項１に記載のプログラム。 The program of claim 1 , wherein the first learning model classifies outcome information into good outcome, severe disability, or death.
請求項１に記載のプログラム。 The program of claim 1 , wherein the first learning model classifies outcome information into good outcome, mild disability, severe disability, or death.
受け付けた複数の臨床データを取得し、
入力されていない未入力の臨床データが存在する場合に、受け付けた複数の臨床データに基づき、未入力の臨床データを特定する
請求項１に記載のプログラム。 Accepts multiple clinical data inputs,
Acquire multiple clinical data that has been accepted,
The program according to claim 1 , further comprising: identifying, when there is uninputted clinical data that has not been input, the uninputted clinical data based on the plurality of received clinical data.
前記第１学習モデルから出力された転帰情報に関連付けて、前記入院期間を出力する
請求項１に記載のプログラム。 inputting the acquired clinical data of the head trauma patient into a third learning model that has been trained to output the hospitalization period of the head trauma patient when the clinical data of the head trauma patient is input, and outputting the hospitalization period;
The program according to claim 1 , further comprising: outputting the length of hospital stay in association with outcome information output from the first learning model.
請求項１に記載のプログラム。 The program according to claim 1 , further comprising: outputting an average length of hospital stay of other head injury patients similar to the head injury patient in association with the outcome information output from the first learning model.
請求項１に記載のプログラム。 The program according to claim 1 , further comprising: outputting clinical data that contributed to the outcome information output from the first learning model in association with the outcome information output from the first learning model.
前記制御部は、
頭部外傷患者の臨床データを取得し、
頭部外傷患者の臨床データを入力した場合に、頭部外傷患者の転帰に関する転帰情報を出力するよう学習された第１学習モデルに、取得した頭部外傷患者の臨床データを入力して転帰情報を出力する
情報処理装置。 In an information processing device including a control unit,
The control unit is
Obtain clinical data of head injury patients,
An information processing device that inputs acquired clinical data of a head trauma patient into a first learning model that has been trained to output outcome information regarding the outcome of a head trauma patient when the clinical data of the head trauma patient is input, and outputs outcome information.
頭部外傷患者の臨床データを入力した場合に、頭部外傷患者の転帰に関する転帰情報を出力するよう学習された第１学習モデルに、取得した頭部外傷患者の臨床データを入力して転帰情報を出力する
情報処理方法。 Obtain clinical data of head injury patients,
An information processing method comprising: inputting acquired clinical data of a head trauma patient into a first learning model that has been trained to output outcome information regarding the outcome of the head trauma patient when the clinical data of the head trauma patient is input; and outputting the outcome information.
前記訓練データに基づき、頭部外傷患者の臨床データを入力した場合に、頭部外傷患者の転帰に関する転帰情報を出力する第１学習モデルを生成する
学習モデルの生成方法。 obtaining training data that associates clinical data of head trauma patients with outcome information regarding outcomes of head trauma patients;
A method for generating a learning model, comprising: generating a first learning model that outputs outcome information regarding the outcome of a head injury patient when clinical data of the head injury patient is input based on the training data.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022161191A JP2024054756A (en) | 2022-10-05 | 2022-10-05 | PROGRAM, INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD, AND METHOD FOR GENERATING LEARNING MODEL |
| PCT/JP2023/032678 WO2024075467A1 (en) | 2022-10-05 | 2023-09-07 | Program, information processing device, information processing method, and method for generating learning model |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022161191A JP2024054756A (en) | 2022-10-05 | 2022-10-05 | PROGRAM, INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD, AND METHOD FOR GENERATING LEARNING MODEL |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2024054756A true JP2024054756A (en) | 2024-04-17 |
Family
ID=90607828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022161191A Pending JP2024054756A (en) | 2022-10-05 | 2022-10-05 | PROGRAM, INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD, AND METHOD FOR GENERATING LEARNING MODEL |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP2024054756A (en) |
| WO (1) | WO2024075467A1 (en) |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10534003B2 (en) * | 2013-07-17 | 2020-01-14 | The Johns Hopkins University | Multi-protein biomarker assay for brain injury detection and outcome |
-
2022
- 2022-10-05 JP JP2022161191A patent/JP2024054756A/en active Pending
-
2023
- 2023-09-07 WO PCT/JP2023/032678 patent/WO2024075467A1/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024075467A1 (en) | 2024-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Georgieva et al. | Artificial neural networks applied to fetal monitoring in labour | |
| Dombi et al. | Prediction of rib fracture injury outcome by an artificial neural network | |
| US20180315488A1 (en) | Emergency Room Medical Triage, Diagnosis, and Treatment | |
| US20170316180A1 (en) | Behavior prediction apparatus, behavior prediction apparatus controlling method, and behavior prediction apparatus controlling program | |
| Stringer et al. | Pediatric surgery and urology: long-term outcomes | |
| Khan et al. | A Comparative Study of Machine Learning classifiers to analyze the Precision of Myocardial Infarction prediction | |
| JP2019200788A (en) | Method for predicting future bone mass, information processing device, and computer program | |
| Sana et al. | Automated diagnosis and cause analysis of cesarean section using machine learning techniques | |
| CN112542242A (en) | Data transformation/symptom scoring | |
| CN116682565B (en) | Digital medical information on-line monitoring method, terminal and medium | |
| CA2580486A1 (en) | Computer installation for establishing a diagnosis | |
| WO2024075467A1 (en) | Program, information processing device, information processing method, and method for generating learning model | |
| Yang et al. | 10-year CVD risk prediction and minimization via InverseClassification | |
| WO2023128780A1 (en) | Method for the early diagnosis of chronic diseases in a patient | |
| CN116472591A (en) | Techniques for generating predictive outcomes associated with spinal muscular atrophy using artificial intelligence | |
| Vakili et al. | Drug Recommender System Based on Collaborative Filtering for Multiple Sclerosis Patients | |
| CN112489789A (en) | Hierarchical management system and method for cardiovascular disease risk assessment | |
| JP7408000B1 (en) | At least one method for estimating and predicting fractures due to osteoporosis, fracture score output method, learning model generation method, learning model, method for estimating risk factors for osteoporosis fractures, graph creation method, program, information processing device, and learning data set How to make | |
| US20230411003A1 (en) | Disease diagnosis result determination device, disease diagnosis result determination method, and program | |
| RU2800315C2 (en) | Method of early diagnostics of chronic diseases of a patient based on cluster analysis of big data | |
| Ryzhova et al. | Artificial Intelligence in The Diagnosis of Diseases of Various Origins | |
| RU2811260C1 (en) | Method of diagnosing idiopathic normotensive hydrocephalus | |
| JP7480601B2 (en) | Medical diagnosis support device, method for controlling medical diagnosis support device, and program | |
| Ćojbašić | Machine learning as an aid to predicting clinical outcome after stroke | |
| Mantha et al. | Use of common carotid intima-media thickness measured by ultrasound echo-tracking in cardiovascular risk stratification before noncardiac surgery in low-risk category: a research idea |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20221014 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230904 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230904 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231031 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231219 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240305 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240312 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240423 |