JP2024054756A - 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 - Google Patents

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 Download PDF

Info

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
Application number
JP2022161191A
Other languages
English (en)
Inventor
和哉 松尾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to JP2022161191A priority Critical patent/JP2024054756A/ja
Priority to PCT/JP2023/032678 priority patent/WO2024075467A1/ja
Publication of JP2024054756A publication Critical patent/JP2024054756A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—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

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
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。
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。
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）。
特開２０２０－０３４５６７号公報
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。
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。
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。
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。
情報処理装置の構成例を示すブロック図である。 患者ＤＢのデータレイアウトを示す模式図である。 第１学習モデルの構成例を示す模式図である。 第１学習モデルの生成処理手順を示すフローチャートである。 情報処理装置の表示部が表示する操作画面の一例である。 情報処理装置が実行するプログラムの処理手順を示すフローチャートである。 情報処理装置が実行するプログラムの処理手順を示すフローチャートである。 情報処理装置が実行するプログラムの処理手順を示すフローチャートである。 第１学習モデルおよび第２学習モデルの構成例を示す模式図である。 第２学習モデルの生成処理手順を示すフローチャートである。 情報処理装置が実行するプログラムの処理手順を示すフローチャートである。 第３学習モデルの構成例を示す模式図である。 第３学習モデルの生成処理手順を示すフローチャートである。 情報処理装置が実行するプログラムの処理手順を示すフローチャートである。
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。
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。
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。
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。
［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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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
図３は、第１学習モデル１６１の構成例を示す模式図である。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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）。
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）。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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
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。
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。
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。
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。
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。
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）。
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）。
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。
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。
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。
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）。
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）。
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。
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。
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）。
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。
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。
［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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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）。
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）。
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。
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。
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）。
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。
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。
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。
［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。
図１２は、第３学習モデル１６３の構成例を示す模式図である。
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。
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。
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。
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）。
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）。
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。
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。
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）。
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。
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。
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。
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。
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。
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
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。

Claims (16)

  1. 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プログラム。
  2. 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
    請求項１に記載のプログラム。
  3. 前記第１学習モデルは、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ている
    請求項１または請求項２に記載のプログラム。
  4. Glasgow coma scale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と、Glasgow coma scaleのEyes項目、Verbal項目、およびMotor項目の合計点と、急性硬膜外血腫、外傷性くも膜下出血、正中偏位、および脳底槽により導出されるスコアとを、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１に記載のプログラム。
  5. 前記第１学習モデルは、Glasgow coma scaleのEyes項目、Verbal項目、および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、患者の頭部のＣＴ画像とを用いて学習されている
    請求項１に記載のプログラム。
  6. 頭部外傷患者の臨床データおよび該患者の頭部のＣＴ画像を取得し、
    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。
  7. 患者の頭部の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第２学習モデルに、患者の頭部のＣＴ画像を入力して複数の特徴値を出力する
    請求項５または請求項６に記載のプログラム。
  8. 前記第１学習モデルは、転帰良好、高度障害、または死亡で転帰情報を分類する
    請求項１に記載のプログラム。
  9. 前記第１学習モデルは、転帰良好、軽度障害、高度障害、または死亡で転帰情報を分類する
    請求項１に記載のプログラム。
  10. 複数の臨床データの入力を受け付け、
    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。
  11. 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第３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入院期間を出力し、
    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。
  12. 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出力する
    請求項１に記載のプログラム。
  13. 第１学習モデル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
    請求項１に記載のプログラム。
  14. 制御部を備える情報処理装置において、
    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。
  15. 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
    情報処理方法。
  16. 頭部外傷患者の臨床データと、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取得し、
    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。
JP2022161191A 2022-10-05 2022-10-05 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 Pending JP2024054756A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022161191A JP2024054756A (ja) 2022-10-05 2022-10-05 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
PCT/JP2023/032678 WO2024075467A1 (ja) 2022-10-05 2023-09-07 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022161191A JP2024054756A (ja) 2022-10-05 2022-10-05 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

Publications (1)

Publication Number Publication Date
JP2024054756A true JP2024054756A (ja) 2024-04-17

Family

ID=90607828

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022161191A Pending JP2024054756A (ja) 2022-10-05 2022-10-05 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

Country Status (2)

Country Link
JP (1) JP2024054756A (ja)
WO (1) WO2024075467A1 (ja)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
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

Also Published As

Publication number Publication date
WO2024075467A1 (ja) 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 (ja) 将来の骨量を予測する方法、情報処理装置、及びコンピュータプログラム
Sana et al. Automated diagnosis and cause analysis of cesarean section using machine learning techniques
CN112542242A (zh) 数据转换/症状评分
CN116682565B (zh) 一种数字化医疗信息在线监测方法、终端及介质
CA2580486A1 (en) Computer installation for establishing a diagnosis
WO2024075467A1 (ja) 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
Yang et al. 10-year CVD risk prediction and minimization via InverseClassification
WO2023128780A1 (ru) Способ ранней диагностики хронических заболеваний пациента
CN116472591A (zh) 使用人工智能生成与脊髓性肌萎缩症相关的预测结果的技术
Vakili et al. Drug Recommender System Based on Collaborative Filtering for Multiple Sclerosis Patients
CN112489789A (zh) 一种用于心血管疾病风险评估的分层管理***及方法
JP7408000B1 (ja) 骨粗鬆症による骨折の推測及び予測の少なくとも一方の方法、骨折スコア出力方法、学習モデル生成方法、学習モデル、骨粗鬆症による骨折のリスク因子推定方法、グラフ作成方法、プログラム、情報処理装置、並びに、学習データセット作成方法
US20230411003A1 (en) Disease diagnosis result determination device, disease diagnosis result determination method, and program
RU2800315C2 (ru) Способ ранней диагностики хронических заболеваний пациента, основанный на кластерном анализе больших данных
Ryzhova et al. Artificial Intelligence in The Diagnosis of Diseases of Various Origins
RU2811260C1 (ru) Способ диагностики идиопатической нормотензивной гидроцефалии
JP7480601B2 (ja) 医療診断支援装置、医療診断支援装置の制御方法、およびプログラム
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