JP6988034B1 - Pregnant woman depressive symptom estimation system and estimation method, estimation model generator - Google Patents
Pregnant woman depressive symptom estimation system and estimation method, estimation model generator Download PDFInfo
- Publication number
- JP6988034B1 JP6988034B1 JP2021532337A JP2021532337A JP6988034B1 JP 6988034 B1 JP6988034 B1 JP 6988034B1 JP 2021532337 A JP2021532337 A JP 2021532337A JP 2021532337 A JP2021532337 A JP 2021532337A JP 6988034 B1 JP6988034 B1 JP 6988034B1
- Authority
- JP
- Japan
- Prior art keywords
- estimation
- feature amount
- interview
- depressive
- interviews
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
周産期の中に設定された推定対象時期よりも前の問診終了時期に至るまでの間に行った問診に対する推定対象者の回答データから特徴量を抽出する特徴量抽出部２３と、抽出した特徴量を推定モデルに入力することにより、推定対象時期において推定対象者が妊産婦うつ症状を有している可能性を推定する罹患推定部２３とを備え、推定対象時期における妊産婦うつ症状の有無が判明している複数の学習対象者に対して問診終了時期に至るまでの間に行った問診に対する回答データから得られる特徴量を説明変数とし、推定対象時期において妊産婦うつ症状を有している可能性に関する評価値を目的変数として推定モデルを機械学習することにより、推定対象者が推定対象時期に妊産婦うつ症状を有している可能性を、推定対象時期よりも前の問診終了時期においてあらかじめ推定することができるようにする。The feature amount extraction unit 23 that extracts the feature amount from the response data of the estimated target person to the interview conducted before the end time of the interview before the estimated target time set during the perinatal period, and the extraction. By inputting the feature amount into the estimation model, it is equipped with an morbidity estimation unit 23 that estimates the possibility that the estimation target person has a maternal depressive symptom at the estimation target time, and the presence or absence of the maternity depressive symptom at the estimation target time is provided. It is possible to have maternal depressive symptoms at the estimated target time, using the feature amount obtained from the response data to the interviews conducted to multiple known learning subjects until the end of the interview as an explanatory variable. By machine learning the estimation model using the evaluation value related to sex as the objective variable, the possibility that the estimated subject has maternal depressive symptoms at the estimated target time is estimated in advance at the end of the interview before the estimated target time. To be able to.
Description
本発明は、妊産婦うつ症状の推定システムおよび推定方法、推定モデル生成装置に関し、特に、妊娠や出産に伴って起こることがあるうつ症状の有無を推定する技術に関するものである。 The present invention relates to a system for estimating depressive symptoms in pregnant women, an estimation method, and an estimation model generator, and more particularly to a technique for estimating the presence or absence of depressive symptoms that may occur with pregnancy or childbirth.
うつ病は、抑うつ気分、意欲・興味・精神活動・食欲の低下、不安・緊張・焦燥感・疲労感の持続、不眠などを特徴とした精神障害であり、精神的ストレスや身体的ストレスが重なることなどによって引き起こされる。女性の場合、妊娠中や出産後は、うつ状態となりやすい時期である。うつ病は、早めに治療を始めるほど回復が早いことが知られているので、早期診断および早期治療を心がけることが大切である。 Depression is a mental disorder characterized by depressed mood, decreased motivation / interest / mental activity / appetite, anxiety / tension / irritability / fatigue, insomnia, etc. It is caused by things such as. For women, it is a time when they are prone to depression during pregnancy and after childbirth. It is known that the earlier treatment of depression is started, the faster the recovery is, so it is important to keep in mind early diagnosis and early treatment.
従来、機械学習を用いてうつ病または精神疾患の診断を行う技術がいくつか提案されている（例えば、特許文献１〜４参照）。特許文献１には、質問紙の結果を用いて機械学習を行うことが開示されている。特許文献２には、診断対象者のスピーチパターンを用いて機械学習を行うことが開示されている。特許文献３には、診断対象者の生活行動データを用いて機械学習を行うことが開示されている。特許文献４には、診断対象者の食事雰囲気画像を用いて機械学習を行うことが開示されている。 Conventionally, some techniques for diagnosing depression or psychiatric disorders using machine learning have been proposed (see, for example, Patent Documents 1 to 4). Patent Document 1 discloses that machine learning is performed using the results of a questionnaire. Patent Document 2 discloses that machine learning is performed using a speech pattern of a person to be diagnosed. Patent Document 3 discloses that machine learning is performed using the living behavior data of a person to be diagnosed. Patent Document 4 discloses that machine learning is performed using a meal atmosphere image of a diagnosis subject.
上記特許文献１〜４に記載の技術よれば、うつ病または精神性疾患の有無をある程度の確率で推定することが可能である。しかしながら、上記特許文献１〜４に記載の技術では、妊産婦うつ病に罹りやすい時期など妊産婦うつ病に特有の事情を考慮した学習と推定が行われていない。そのため、必ずしも早期に妊産婦うつ症状の有無を推定することができないという問題があった。 According to the techniques described in Patent Documents 1 to 4, it is possible to estimate the presence or absence of depression or mental illness with a certain probability. However, in the techniques described in Patent Documents 1 to 4, learning and estimation are not performed in consideration of circumstances peculiar to maternal depression such as the time when maternal depression is likely to occur. Therefore, there is a problem that it is not always possible to estimate the presence or absence of depressive symptoms in pregnant women at an early stage.
本発明は、このような問題を解決するために成されたものであり、妊産婦うつ症状の早期診断を実現できるようにすることを目的とする。 The present invention has been made to solve such a problem, and an object of the present invention is to enable early diagnosis of depressive symptoms in pregnant women.
上記した課題を解決するために、本発明では、問診に対して推定対象者である妊産婦から得られる回答を示す回答データから特徴量を抽出し、当該抽出した特徴量を、機械学習により生成された推定モデルに入力することにより、周産期の中に設定された推定対象時期において推定対象者が妊産婦うつ症状を有している可能性に関する評価値を出力する。ここで、本発明の推定モデルは、推定対象時期における妊産婦うつ症状の有無が判明している複数の学習対象者からそれぞれ得られた回答データを学習データとして用い、推定対象時期において妊産婦うつ症状を有している可能性に関する評価値を目的変数とし、推定対象時期よりも前の問診終了時期に至るまでの間に行った問診に対する回答データから抽出される特徴量を説明変数として機械学習されている。そして、推定対象者が妊産婦うつ症状を有している可能性を推定する際には、問診終了時期に至るまでの間に推定対象者に対して行った問診に対する回答データから特徴量を抽出し、これを推定モデルに入力するようにしている。 In order to solve the above-mentioned problems, in the present invention, the feature amount is extracted from the answer data showing the answer obtained from the pregnant woman who is the estimation target to the interview, and the extracted feature amount is generated by machine learning. By inputting to the estimation model, the evaluation value regarding the possibility that the estimation target person has a maternal depressive symptom at the estimation target time set during the perinatal period is output. Here, in the estimation model of the present invention, the response data obtained from each of a plurality of learning subjects whose presence or absence of the maternal depressive symptom is known at the estimation target time is used as learning data, and the maternity depressive symptom is used at the estimation target time. Machine learning is performed using the evaluation value related to the possibility of possession as the objective variable and the feature quantity extracted from the response data to the interview conducted before the estimation target time until the end of the interview as the explanatory variable. There is. Then, when estimating the possibility that the estimated subject has depressive symptoms in pregnant women, the feature amount is extracted from the response data to the interview conducted to the estimated subject until the end of the interview. , I try to input this into the estimation model.
上記のように構成した本発明によれば、例えば、妊産婦うつ症状の診断に関して一般的に用いられている評価時期を推定対象時期として、それよりも前の問診終了時期までの間に推定対象者に対して行った問診の結果に基づいて、推定対象者が推定対象時期に妊産婦うつ症状を有している可能性をあらかじめ推定することができる。これにより、推定対象者が推定対象時期に妊産婦うつ症状を有している可能性を一定以上の確率で早期に推定することができ、妊産婦うつ症状の早期診断を実現することが可能となる。 According to the present invention configured as described above, for example, the evaluation target time generally used for the diagnosis of depressive symptoms in pregnant women is set as the estimation target time, and the estimation target person is before the end time of the medical examination. Based on the results of the interviews conducted with the patients, it is possible to presume in advance the possibility that the presumed subject has depressive symptoms in the pregnant woman at the time of the presumed target. As a result, the possibility that the estimated target person has the maternal depressive symptom at the estimated target time can be estimated at an early stage with a certain probability or more, and the early diagnosis of the maternal depressive symptom can be realized.
以下、本発明の一実施形態を図面に基づいて説明する。図１は、本実施形態による妊産婦うつ症状の推定システム（以下、うつ症状推定システムという）の全体構成例を示す図である。図１に示すように、本実施形態のうつ症状推定システムは、妊産婦うつ症状の有無を推定する対象者（以下、推定対象者という）が使用する対象者端末１００と、当該対象者端末１００とインターネットまたは携帯電話網等の通信ネットワーク５００を介して接続されるサーバ装置（うつ症状推定装置）２００とを備えて構成される。通信ネットワーク５００には、医療機関にて使用される医療機関端末３００も接続される。
Hereinafter, an embodiment of the present invention will be described with reference to the drawings. FIG. 1 is a diagram showing an overall configuration example of a maternal depressive symptom estimation system (hereinafter referred to as a depressive symptom estimation system) according to the present embodiment. As shown in FIG. 1, the depressive symptom estimation system of the present embodiment includes a
対象者端末１００は、例えばパーソナルコンピュータ、タブレット、スマートフォンなどにより構成される。対象者端末１００には、妊産婦が日々の体調や精神状態、体温や体重などを含む種々の情報を入力して管理するアプリケーション（以下、妊産婦管理アプリ）がインストールされている。この妊産婦管理アプリは、所定の問診画面を通じて問診情報を推定対象者に提示し、当該問診に対して推定対象者が入力した回答情報を取得する機能を備えている。
The
対象者端末１００は、問診に対して推定対象者である妊産婦から得られる回答を示す回答データをサーバ装置２００に送信する。サーバ装置２００は、対象者端末１００から送信された回答データを用いて、推定対象者が妊産婦うつ症状を有している可能性を推定し、推定結果の情報を生成する。この推定は、あらかじめ機械学習によって生成された推定モデルを用いて行う。生成された推定結果の情報は、例えば対象者端末１００に送信され、推定対象者に提供される。また、推定結果の情報は、医療機関端末３００からの要求に応じて医療機関端末３００に送信され、推定対象者の担当医師などに提供される。
The
図２は、対象者端末１００の機能構成例を示すブロック図である。図２に示すように、本実施形態の対象者端末１００は、妊産婦管理アプリにより提供される機能構成として、問診実行部１１および回答送信部１２を備えている。問診実行部１１は、具体的な機能構成として、問診提示部１１Ａおよび回答入力部１１Ｂを備えている。また、対象者端末１００は、記憶媒体として、回答データ記憶部１０を備えている。
FIG. 2 is a block diagram showing a functional configuration example of the
問診実行部１１は、問診を行うための問診情報を所定の問診画面を通じて推定対象者に提供し、当該問診に対して推定対象者が入力した回答を示す回答データを取得する。ここで、問診実行部１１は、周産期の中で妊産婦うつ病に罹っている可能性を推定する対象の時期（以下、推定対象時期Ｗ５という）よりも前の問診終了時期Ｗ４に至るまでの間に、複数回の問診を実行する。 The medical examination execution unit 11 provides the medical examination information for conducting the medical examination to the estimation target person through a predetermined medical examination screen, and acquires the answer data indicating the answer input by the estimation target person to the medical examination. Here, the medical examination execution unit 11 reaches the end time of the medical examination W4 before the time of the target for estimating the possibility of suffering from maternal depression during the perinatal period (hereinafter referred to as the estimated target time W5). In the meantime, perform multiple interviews.
本実施形態において行う問診は、例えばＥＰＤＳ（エジンバラ産後うつ病自己評価票：Edinburgh Postnatal Depression Scale）である。ＥＰＤＳは、妊産婦うつ病のスクリーニングを目的として作られた１０項目の質問票で、１０項目の質問に対する回答がそれぞれ４検法（１項目０点〜３点）で評価され、得点範囲は０〜３０点となる。ＥＰＤＳによる問診は、本人が質問項目を読み、自分の気持ちに最も近い回答を選ぶという形式で行われ、回答内容に応じて計算される点数が妊産婦うつ病のスクリーニングに用いられる。日本語版のＥＰＤＳは、産後１ヶ月の時点における妊産婦うつ病の罹患可能性を評価するものとして用いられ、罹患しているか否かの区分点（カットオフ値）は８／９点である。 The interview conducted in this embodiment is, for example, EPDS (Edinburgh Postnatal Depression Scale). EPDS is a 10-item questionnaire created for the purpose of screening for maternal depression, and the answers to the 10-item questions are evaluated by 4 tests (1 item 0 to 3 points), and the score range is 0 to 0. It will be 30 points. The EPDS interview is conducted in the form that the person reads the question items and selects the answer that is closest to his / her feelings, and the score calculated according to the answer content is used for screening for maternal depression. The Japanese version of EPDS is used to evaluate the susceptibility to maternal depression at one month after childbirth, and the division point (cutoff value) for whether or not it is morbid is 8/9.
本実施形態では、産後１ヶ月の時点を推定対象時期Ｗ５として、その推定対象時期Ｗ５よりも前の問診終了時期Ｗ４に至るまでの間に、ＥＰＤＳによる問診を複数回実行する。問診終了時期Ｗ４は、例えば産後５日目の時点である。例えば、問診実行部１１は、妊娠２５週目を問診開始時期（第１回問診時期）Ｗ１として、妊娠３６週目を第２回問診時期Ｗ２、産後１日目を第３回問診時期Ｗ３、産後５日目を問診終了時期（第４回問診時期）Ｗ４として、合計４回の問診を実行する。 In the present embodiment, one month after childbirth is set as the estimation target time W5, and the interview by EPDS is executed a plurality of times until the interview end time W4 before the estimation target time W5. The interview end time W4 is, for example, the fifth day after childbirth. For example, the medical examination execution unit 11 sets the 25th week of pregnancy as the medical examination start time (first medical examination time) W1, the 36th week of pregnancy as the second medical examination time W2, and the first day after childbirth as the third medical examination time W3. The 5th day after childbirth is set as the end time of the medical examination (4th medical examination time) W4, and a total of 4 medical examinations are performed.
例えば、妊産婦は、医師から告げられた妊娠ｎ週目（ｎ＜２５）の時期を妊産婦管理アプリに入力する。問診提示部１１Ａは、この妊娠ｎ週目の時期をもとに時期Ｗ１〜Ｗ４に該当する時期を計算し、時期Ｗ１〜Ｗ４に該当することを検知するたびに、問診の実施を促すメッセージを出力する。そして、問診提示部１１Ａは、このメッセージを見た妊産婦（推定対象者）による指示操作に応じて、所定の問診画面を通じてＥＰＤＳの問診情報を推定対象者に提示する。 For example, the pregnant woman inputs the time of the nth week of pregnancy (n <25) notified by the doctor into the pregnant woman management application. The medical examination presentation unit 11A calculates the time corresponding to the time W1 to W4 based on the time of the nth week of pregnancy, and each time it detects that the time corresponds to the time W1 to W4, a message prompting the person to conduct the medical examination is sent. Output. Then, the medical examination presentation unit 11A presents the EPDS medical examination information to the estimation target person through a predetermined medical examination screen in response to the instruction operation by the pregnant woman (estimated target person) who sees this message.
回答入力部１１Ｂは、問診画面を通じて提示された問診情報に対する推定対象者の回答情報を入力し、回答を示す回答データとして回答データ記憶部１０に記憶させる。回答データは、ＥＰＤＳの１０個の質問項目ごとに、推定対象者が４択の中のどれを回答したかを示すデータである。回答入力部１１Ｂは、４回の時期Ｗ１〜Ｗ４についてそれぞれ問診提示部１１Ａが提示した問診に対する回答データを得て、それぞれを回答データ記憶部１０に記憶させる。
The
回答送信部１２は、回答データ記憶部１０に記憶された４回分の問診に対する回答データをサーバ装置２００に送信する。例えば、回答送信部１２は、問診終了時期Ｗ４において実施した問診に対する回答データが回答データ記憶部１０に記憶された時点で、問診画面に送信ボタンを表示させる。そして、回答送信部１２は、推定対象者による送信ボタンの操作に応じて、回答データ記憶部１０から４回分の問診に対する回答データを読み出して、サーバ装置２００に送信する。
The
図３は、サーバ装置２００の機能構成例を示すブロック図である。図３に示すように、本実施形態のサーバ装置２００は、機能構成として、回答データ取得部２１、特徴量抽出部２２、罹患推定部２３および情報提供部２４を備えている。また、サーバ装置２００は、記憶媒体として、推定モデル記憶部２０を備えている。
FIG. 3 is a block diagram showing a functional configuration example of the
上記各機能ブロック２１〜２４は、ハードウェア、ＤＳＰ（Digital Signal Processor）、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記各機能ブロック２１〜２４は、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記録媒体に記憶されたプログラムが動作することによって実現される。
Each of the above
回答データ取得部２１は、対象者端末１００から送信された回答データ（問診終了時期Ｗ４に至るまでの間に推定対象者に対して行った４回の問診に対する回答を示す回答データ）を取得する。特徴量抽出部２２は、回答データ取得部２１により取得された回答データから特徴量を抽出する。特徴量は、例えば、時期Ｗ１〜Ｗ４において実行された４回分の問診における１０項目ごとの回答内容（時期Ｗ１〜Ｗ４を示す識別情報と、質問項目を示す識別情報と、４択のうちどれを回答したかの番号とのセット）、および、時期Ｗ１〜Ｗ４において実行された４回分の問診に対するそれぞれの合計点（０〜３０点の何れか）である。なお、４回分の問診に対するそれぞれの合計点のみを簡易的に特徴量として抽出するようにしてもよいが、４回分の問診における１０項目ごとの回答内容も抽出した方が推定の精度は上がる。
The answer
罹患推定部２３は、特徴量抽出部２２により抽出された特徴量を、機械学習により生成されて推定モデル記憶部２０に記憶されている推定モデルに入力することにより、周産期の中の推定対象時期Ｗ５（産後１ヶ月目）において推定対象者が妊産婦うつ症状を有している可能性に関する評価値を出力する。
The
この推定モデルは、特徴量抽出部２２により抽出された特徴量が入力された際に、推定対象時期Ｗ５において妊産婦うつ症状を有している可能性に関する評価値を出力するように機械学習されたモデルである。推定モデルより出力される評価値は、例えば、妊産婦うつ症状を有している可能性があるか否かを示す０／１の値とすることが可能である。あるいは、ＥＰＤＳの１０項目の推定合計点を評価値として出力するものとしてもよい。 This estimation model was machine-learned to output an evaluation value regarding the possibility of having a maternal depressive symptom at the estimation target time W5 when the feature amount extracted by the feature amount extraction unit 22 was input. It is a model. The evaluation value output from the estimation model can be, for example, a value of 0/1 indicating whether or not there is a possibility of having a maternal depressive symptom. Alternatively, the estimated total score of 10 items of EPDS may be output as an evaluation value.
推定モデルは、推定対象時期Ｗ５における妊産婦うつ症状の有無がＥＰＤＳの観点から判明している複数の学習対象者からそれぞれ得られた回答データ（各時期Ｗ１〜Ｗ５において学習対象者に対して行った５回の問診に対する回答を示す回答データ）を学習データとして機械学習されている。ここで、推定モデルは、問診開始時期Ｗ１から問診終了時期Ｗ４までの間に行った４回の問診に対する回答を示す回答データから抽出される特徴量を説明変数とし、推定対象時期Ｗ５において行った問診に対する回答データをもとに得られる妊産婦うつ症状を有している可能性に関する評価値を目的変数（正解データ）として機械学習される。 The estimation model was performed on the response data obtained from each of a plurality of learning subjects whose presence or absence of maternal depressive symptoms at the estimation target time W5 is known from the viewpoint of EPDS (for the learning subjects at each time period W1 to W5). Machine learning is performed using the answer data) indicating the answers to the five interviews as learning data. Here, the estimation model was performed at the estimation target time W5, using the feature amount extracted from the response data showing the answers to the four interviews conducted between the interview start time W1 and the interview end time W4 as explanatory variables. Machine learning is performed using the evaluation value regarding the possibility of having maternal depressive symptoms obtained based on the response data to the interview as the objective variable (correct answer data).
推定モデル記憶部２０に記憶される推定モデルの形態は、回帰モデル（線形回帰、ロジスティック回帰、サポートベクターマシーンなどをベースとする学習モデル）、木モデル（決定木、回帰木、ランダムフォレスト、勾配ブースティング木（XGBoost）などをベースとする学習モデル）、ニューラルネットワークモデル（パーセプトロン、畳み込みニューラルネットワーク、再起型ニューラルネットワーク、残差ネットワーク、ＲＢＦネットワーク、確率的ニューラルネットワーク、スパイキングニューラルネットワーク、複素ニューラルネットワークなどをベースとする学習モデル）、ベイズモデル（ベイズ推論などをベースとする学習モデル）、クラスタリングモデル（ｋ近傍法、階層型クラスタリング、非階層型クラスタリング、トピックモデルなどをベースとする学習モデル）などのうち何れかとすることが可能である。なお、ここに挙げた推定モデルの形態は一例に過ぎず、これに限定されるものではない。
The forms of the estimation model stored in the estimation
情報提供部２４は、罹患推定部２３による推定結果の情報を対象者端末１００や医療機関端末３００に提供する。推定結果の情報は、例えば、推定モデルより出力される評価値そのものとすることが可能である。あるいは、推定モデルより出力される評価値をもとに生成した、妊産婦うつ症状を有している可能性があるか否かを示すメッセージなどのテキスト情報または画像情報としてもよい。
The
図４は、推定モデル記憶部２０に記憶させる推定モデルを生成するための推定モデル生成装置４００の機能構成例を示す図である。図４に示すように、本実施形態の推定モデル生成装置４００は、機能構成として、学習データ入力部４１、特徴量抽出部４２および機械学習部４３を備えている。また、推定モデル生成装置４００は、記憶媒体として、推定モデル記憶部４０を備えている。
FIG. 4 is a diagram showing a functional configuration example of an estimation
学習データ入力部４１は、周産期の中に設定された推定対象時期Ｗ５における妊産婦うつ症状の有無が判明している複数の学習対象者に対して各時期Ｗ１〜Ｗ５に行った問診について得られた回答を示す回答データを学習データとして入力する。推定対象時期Ｗ５における妊産婦うつ症状の有無が判明している学習対象者とは、既に産後１ヶ月を経過している妊産婦で、かつ、産後１ヶ月の時点で行ったＥＰＤＳの問診の結果として、妊産婦うつ症状の有無（ＥＰＤＳの合計点）が判明している妊産婦をいう。
The learning
上述したように、問診開始時期Ｗ１から問診終了時期Ｗ４までの間に行った４回の問診に対する回答を示す回答データは、機械学習の説明変数として用いる特徴量を抽出するために利用される。また、推定対象時期Ｗ５において行った問診に対する回答を示す回答データは、機械学習の目的変数（正解データ）として用いる評価値（妊産婦うつ症状を有している可能性に関する評価値）を得るために利用される。 As described above, the response data showing the answers to the four interviews performed between the interview start time W1 and the interview end time W4 is used to extract the feature amount used as the explanatory variable of machine learning. In addition, the answer data showing the answers to the interviews conducted at the estimation target time W5 is used to obtain the evaluation value (evaluation value regarding the possibility of having depressive symptoms in pregnant women) used as the objective variable (correct answer data) of machine learning. It will be used.
特徴量抽出部４２は、学習データ入力部４１により入力された回答データのうち、問診開始時期Ｗ１から問診終了時期Ｗ４までの間に行った問診に対する回答データから特徴量を抽出する。また、特徴量抽出部４２は、学習データ入力部４１により入力された回答データのうち、推定対象時期Ｗ５に行った問診に対する回答データをもとに、妊産婦うつ症状を有している可能性に関する評価値を取得する。
The feature
ここで、特徴量抽出部４２は、複数の学習対象者について得られた回答データのそれぞれについて、時期Ｗ１〜Ｗ４において実行された４回分の問診における１０項目ごとの回答内容（時期Ｗ１〜Ｗ４を示す識別情報と、質問項目を示す識別情報と、４択のうちどれを回答したかの番号とのセット）、および、時期Ｗ１〜Ｗ４において実行された４回分の問診に対するそれぞれの合計点（０〜３０点の何れか）を特徴量として抽出する。上述したように、４回分の問診に対するそれぞれの合計点のみを簡易的に特徴量として抽出するようにしてもよいが、４回分の問診における１０項目ごとの回答内容も抽出した方が推定の精度は上がる。
Here, the feature
また、特徴量抽出部４２は、目的変数として用いる評価値（機械学習の正解データ）として、妊産婦うつ症状を有している可能性があるか否かを示す０／１の値、または、ＥＰＤＳの１０項目の実測合計点の何れかを取得する。妊産婦うつ症状を有している可能性があるか否かを示す０／１の値は、学習対象者について推定対象時期Ｗ５において実施したＥＰＤＳの１０項目の実測合計点が区分点未満の場合は“０”、区分点以上の場合は“１”としたものである。
In addition, the feature
機械学習部４３は、複数の学習対象者について時期Ｗ１〜Ｗ４に行った問診に対する回答データから特徴量抽出部４２により抽出された特徴量を説明変数とし、推定対象時期Ｗ５において妊産婦うつ症状を有している可能性に関する評価値を目的変数として機械学習を行うことにより、特徴量が入力された際に評価値を出力するようになされた推定モデルを生成する。そして、生成した推定モデルを推定モデル記憶部４０に記憶させる。この推定モデル記憶部４０に記憶された推定モデルのデータが、サーバ装置２００の推定モデル記憶部２０に記憶される。
The
ここでは、サーバ装置２００とは別に推定モデル生成装置４００を備える構成について説明したが、サーバ装置２００が推定モデル生成装置４００の機能を備えるようにしてもよい。
Here, the configuration including the estimation
以上詳しく説明したように、本実施形態では、周産期の中の推定対象時期Ｗ５よりも前の問診終了時期Ｗ４に至るまでの間に妊産婦管理アプリの機能によって推定対象者に対する問診を行い、その回答データから抽出した特徴量を推定モデルに入力することにより、その時点よりも後の推定対象時期Ｗ５において推定対象者が妊産婦うつ症状を有している可能性を推定するようにしている。ここで用いる推定モデルは、推定対象時期Ｗ５における妊産婦うつ症状の有無が判明している複数の学習対象者に対して各時期Ｗ１〜Ｗ５に行った問診に対する回答データを学習データとして用い、時期Ｗ１〜Ｗ４の問診に対する回答データから抽出した特徴量を説明変数とし、推定対象時期Ｗ５の問診に対する回答データから得られる評価値を目的変数として機械学習したものである。 As described in detail above, in the present embodiment, the estimated target person is interviewed by the function of the pregnant woman management application until the interview end time W4 before the estimated target time W5 in the perinatal period. By inputting the feature amount extracted from the response data into the estimation model, it is estimated that the estimation target person may have a maternal depressive symptom at the estimation target time W5 after that time. The estimation model used here uses the response data to the interviews conducted in each period W1 to W5 for a plurality of learning subjects whose presence or absence of maternal depressive symptoms in the estimation target period W5 is known as learning data, and the period W1. ~ The feature amount extracted from the response data to the interview of W4 is used as an explanatory variable, and the evaluation value obtained from the response data to the inquiry of the estimation target time W5 is used as the objective variable for machine learning.
このように構成した本実施形態によれば、妊産婦うつ症状に関して確立した評価方法として提供されているＥＰＤＳにおいて一般的に用いられている評価時期（産後１ヶ月）を推定対象時期Ｗ５として、それよりも前の問診終了時期Ｗ４（産後５日目）までの間に推定対象者に対して行った問診の結果に基づいて、推定対象者が推定対象時期Ｗ５に妊産婦うつ症状を有している可能性をあらかじめ推定することができる。これにより、推定対象者が推定対象時期Ｗ５に妊産婦うつ症状を有している可能性を一定以上の確率で早期に推定することができ、妊産婦うつ症状の早期診断を実現することが可能となる。 According to the present embodiment configured in this way, the evaluation time (1 month after childbirth) generally used in EPDS provided as an established evaluation method for maternal depressive symptoms is set as the estimation target time W5. Based on the results of interviews conducted with the estimated subject before the end of the previous interview W4 (5th day after childbirth), it is possible that the estimated subject has depressive symptoms in the pregnant woman at the estimated target time W5. Gender can be estimated in advance. As a result, the possibility that the estimated target person has the maternal depressive symptom at the estimated target time W5 can be estimated at an early stage with a certain probability or more, and the early diagnosis of the maternal depressive symptom can be realized. ..
なお、上記実施形態では、妊産婦に対して実施する問診として、周産期の抑うつ状態について問うＥＰＤＳ（特許請求の範囲の抑うつ状態問診に相当）を用いる例について説明したが、本発明はこれに限定されない。例えば、このＥＰＤＳと、他の種類の問診とを含む複数種類の問診を実施するようにしてもよい。図５は、実施する複数種類の問診の一例と、問診の実施時期の一例とを示す図である。各時期Ｗ１〜Ｗ５のうち、○印を付した部分が問診の実施時期である。 In the above embodiment, an example of using EPDS (corresponding to a depressive state inquiry within the scope of claims) for asking about the depressive state during the perinatal period has been described as an example to be performed for a pregnant woman. Not limited. For example, a plurality of types of interviews including this EPDS and other types of interviews may be conducted. FIG. 5 is a diagram showing an example of a plurality of types of interviews to be conducted and an example of the timing of conducting the interviews. Of W1 to W5 at each time, the part marked with a circle is the time when the medical examination is conducted.
図５に示すように、時期Ｗ１〜Ｗ４に実施する４回の問診は、推定対象者および学習対象者の両方に共通の内容である。この４回の問診に対する回答データから、機械学習の説明変数として用いる特徴量が抽出される。学習対象者に関しては、これに加えて、推定対象時期Ｗ５においてＥＰＤＳの問診を実施する。この推定対象時期Ｗ５の問診に対する回答データから、機械学習の目的変数として用いる評価値（妊産婦うつ症状を有している可能性をＥＰＤＳの観点から評価する評価値）が取得される。 As shown in FIG. 5, the four interviews conducted during the periods W1 to W4 are common to both the estimated subject and the learning subject. From the response data to these four interviews, the features used as explanatory variables for machine learning are extracted. In addition to this, the EPDS interview will be conducted at the estimated target time W5 for the learning subjects. From the response data to the interview of the estimation target time W5, the evaluation value used as the objective variable of machine learning (the evaluation value for evaluating the possibility of having the maternal depressive symptom from the viewpoint of EPDS) is acquired.
図５の例において、ＥＰＤＳは、問診開始時期Ｗ１、第２回問診時期Ｗ２および問診終了時期Ｗ４の３回実施する。ＨＳ（The Highs Scale）は、周産期の躁状態を問う問診であり、各時期Ｗ１〜Ｗ４の４回実施する。ＭＩＢＱ（Mother-to-Infant Bonding Scale）は、母から子へのボンディングを問う問診であり、ＥＰＤＳと同様に、問診開始時期Ｗ１、第２回問診時期Ｗ２および問診終了時期Ｗ４の３回実施する。 In the example of FIG. 5, EPDS is performed three times: the interview start time W1, the second interview time W2, and the interview end time W4. HS (The Highs Scale) is a medical examination that asks about the manic state of the perinatal period, and is conducted four times in each period W1 to W4. MIBQ (Mother-to-Infant Bonding Scale) is a medical examination that asks about bonding from mother to child. ..
ＴＣＩ（Temperament and Character Inventory）は、新奇性追求、損害回避、報酬依存、固執、自己志向、自己超越、協調の７次元からパーソナリティを評価する問診であり、問診開始時期Ｗ１において１回実施する。ＳＳＱ（Social Support Questionnaire）は、周産期の女性が感じるソーシャルサポート（周囲からのサポート）の有無について問う問診であり、問診開始時期Ｗ１において１回実施する。ＰＢＩ（Parental Bonding Instrument）は、自身の父親・母親の養育態度などの被養育体験について問う問診であり、問診開始時期Ｗ１において１回実施する。ＩＤＤＬ（Inventory to Diagnose Depression Lifetime version）は、うつ病の既往について問う問診であり、問診開始時期Ｗ１において１回実施する。 TCI (Temperament and Character Inventory) is an interview that evaluates personality from the seven dimensions of novelty pursuit, damage avoidance, reward dependence, persistence, self-orientation, self-transcendence, and cooperation, and is conducted once at the start of the interview W1. SSQ (Social Support Questionnaire) is a question about the presence or absence of social support (support from the surroundings) felt by perinatal women, and is conducted once at the start of the interview W1. PBI (Parental Bonding Instrument) is a medical examination that asks about the child-rearing experience such as the child-rearing attitude of one's father / mother, and is conducted once at the start time W1 of the medical examination. IDDL (Inventory to Diagnose Depression Lifetime version) is a medical examination asking about the history of depression, and is conducted once at the start time W1 of the medical examination.
この例の場合、回答入力部１１Ｂは、４回の時期Ｗ１〜Ｗ４の中で図５に○印で示す時期においてそれぞれ問診提示部１１Ａが提示した複数種類の問診に対する回答データを得て、それぞれを回答データ記憶部１０に記憶させる。回答データは、それぞれの問診が有する複数の質問項目ごとに、推定対象者がどれを回答したかを示すデータである。
In the case of this example, the
特徴量算出部２２は、複数種類の問診ごとに、回答データから特徴量を抽出する。特徴量は、例えば、時期Ｗ１〜Ｗ４の中で図５に○印で示す時期においてそれぞれ実行された問診における質問項目ごとの回答内容および合計点である。 The feature amount calculation unit 22 extracts the feature amount from the response data for each of a plurality of types of interviews. The feature amount is, for example, the answer contents and the total score for each question item in the interviews performed at the times indicated by ◯ in FIG. 5 in the times W1 to W4.
罹患推定部２３は、特徴量抽出部２２により複数種類の問診ごとに抽出された特徴量を、機械学習により生成されて推定モデル記憶部２０に記憶されている推定モデルに入力することにより、周産期の中の推定対象時期Ｗ５（産後１ヶ月目）において推定対象者が妊産婦うつ症状を有している可能性に関する評価値を出力する。
The
この場合の推定モデルは、図４に示す推定モデル生成装置４００によって、複数の学習対象者に関して時期Ｗ１〜Ｗ５の中で図５に○印で示す時期においてそれぞれ実行された複数種類の問診に対する回答データを学習データとして機械学習される。すなわち、推定モデル生成装置４００は、推定対象時期Ｗ５において妊産婦うつ症状を有している可能性をＥＰＤＳの観点から評価する評価値を目的変数とし、推定対象時期Ｗ５よりも前の問診終了時期Ｗ４に至るまでの間に行った問診に対する回答を示す回答データから抽出される特徴量を説明変数として機械学習を実行することにより、推定モデルを生成する。
The estimation model in this case is an answer to a plurality of types of interviews performed by the
ここで、目的変数として用いる評価値（機械学習の正解データ）は、妊産婦うつ症状を有している可能性があるか否かを示す０／１の値、または、ＥＰＤＳの１０項目の実測合計点の何れかとすることが可能である。妊産婦うつ症状を有している可能性があるか否かを示す０／１の値は、学習対象者について推定対象時期Ｗ５において実施したＥＰＤＳの１０項目の実測合計点が区分点未満の場合は“０”、区分点以上の場合は“１”としたものである。 Here, the evaluation value (correct answer data of machine learning) used as the objective variable is a 0/1 value indicating whether or not there is a possibility of having depressive symptoms in pregnant women, or the actual measurement total of 10 items of EPDS. It can be any of the points. The value of 0/1, which indicates whether or not there is a possibility of having depressive symptoms in pregnant women, is when the total measured score of 10 items of EPDS conducted at the estimated target time W5 for the learning subject is less than the division point. It is set to "0", and if it is above the division point, it is set to "1".
このように、推定対象時期Ｗ５よりも前の各時期Ｗ１〜Ｗ４において、ＥＰＤＳおよび他の種類の問診を含む複数種類の問診を実行し、それにより得られる回答データをもとに、推定対象時期Ｗ５に妊産婦うつ症状を有している可能性を推測することにより、各時期Ｗ１〜Ｗ４に実施したＥＰＤＳの問診の結果から推定対象時期Ｗ５における妊産婦うつ症状の有無を推測する場合に比べて、推定の精度を向上させることが可能である。 In this way, in each period W1 to W4 prior to the estimation target period W5, a plurality of types of interviews including EPDS and other types of interviews are executed, and the estimation target period is based on the response data obtained by the execution. By estimating the possibility of having maternal depressive symptoms in W5, compared to the case of estimating the presence or absence of maternal depressive symptoms in the estimated target time W5 from the results of the EPDS interviews conducted in each period W1 to W4. It is possible to improve the accuracy of estimation.
なお、図６に示すように、ＥＰＤＳを含まない他の複数種類の問診を実行し、その回答データから得られる特徴量を推定モデルに入力することによって、推定対象時期Ｗ５において推定対象者が妊産婦うつ症状を有している可能性を推定するようにしてもよい。この場合の推定モデルは、図４に示す推定モデル生成装置４００によって、複数の学習対象者に関して時期Ｗ１〜Ｗ５の中で図６に○印で示す時期においてそれぞれ実行された複数種類の問診に対する回答データを学習データとして機械学習される。
As shown in FIG. 6, by executing other plurality of types of interviews not including EPDS and inputting the feature amount obtained from the answer data into the estimation model, the estimation target person is a pregnant woman at the estimation target time W5. It may be possible to estimate the possibility of having depressive symptoms. The estimation model in this case is an answer to a plurality of types of interviews performed by the
すなわち、推定モデル生成装置４００は、複数の学習対象者に関して時期Ｗ１〜Ｗ４の中で図６に○印で示す時期においてそれぞれ実行された複数種類の問診（ＥＰＤＳ以外の問診）に対する回答データから抽出される特徴量を説明変数とし、推定対象時期Ｗ５において実行されたＥＰＤＳの問診に対する回答データから取得された妊産婦うつ症状の有無に関する評価値を目的変数として機械学習を実行することにより、推定モデルを生成する。
That is, the
この場合の機械学習において目的変数として用いる評価値も、妊産婦うつ症状を有している可能性があるか否かを示す０／１の値、または、推定対象時期Ｗ５において実施したＥＰＤＳの１０項目の実測合計点の何れかとすることが可能である。ここでの０／１の値も、学習対象者について推定対象時期Ｗ５において実施したＥＰＤＳの１０項目の実測合計点が区分点未満の場合は“０”、区分点以上の場合は“１”としたものである。 The evaluation value used as the objective variable in machine learning in this case is also a 0/1 value indicating whether or not there is a possibility of having maternal depressive symptoms, or 10 items of EPDS carried out at the estimation target time W5. It is possible to use any of the measured total points of. The value of 0/1 here is also "0" when the total measured score of the 10 items of EPDS carried out at the estimation target time W5 for the learning target is less than the division point, and "1" when the total score is more than the division point. It was done.
なお、図５および図６に示した複数種類の問診とその実施時期は一例であり、これに限定されるものではない。 It should be noted that the plurality of types of medical examinations shown in FIGS. 5 and 6 and the timing of the interviews are examples, and the present invention is not limited thereto.
上記実施形態では、ＥＰＤＳをメインの問診と考え、ＥＰＤＳで一般的に用いられている評価時期（産後１ヶ月）を推定対象時期Ｗ５として、当該推定対象時期Ｗ５における妊産婦うつ症状の有無を推定する例について説明したが、本発明はこれに限定されない。例えば、ＥＰＤＳ以外の問診をメインとして、当該問診において一般的に用いられている評価時期や、妊産婦がうつ症状を発症し始めることが多い時期として知られているタイミングなどを推定対象時期Ｗ５とするようにしてもよい。 In the above embodiment, EPDS is considered as the main interview, and the evaluation time (1 month after delivery) generally used in EPDS is set as the estimation target time W5, and the presence or absence of maternal depressive symptoms at the estimation target time W5 is estimated. Although examples have been described, the present invention is not limited thereto. For example, the estimation target time W5 is mainly for interviews other than EPDS, and the evaluation time generally used in the interview and the timing known as the time when pregnant women often start to develop depressive symptoms. You may do so.
また、上記実施形態では、推定対象時期Ｗ５よりも前に４回の時期Ｗ１〜Ｗ４を設定して問診を行う例について説明したが、４回という数および各時期Ｗ１〜Ｗ４の具体的なタイミングは一例であり、これに限定されるものではない。 Further, in the above embodiment, an example in which four times W1 to W4 are set before the estimation target time W5 and an inquiry is performed has been described, but the number of four times and the specific timing of each time W1 to W4 have been described. Is an example, and is not limited to this.
また、上記実施形態では、サーバ装置２００が特徴量抽出部２２を備える構成について説明したが、これに限定されない。例えば、対象者端末１００が特徴量抽出部２２を備え、回答データから抽出した特徴量をサーバ装置２００に送信するようにしてもよい。
Further, in the above embodiment, the configuration in which the
その他、上記実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその要旨、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。 In addition, the above embodiments are merely examples of the embodiment of the present invention, and the technical scope of the present invention should not be construed in a limited manner. That is, the present invention can be implemented in various forms without departing from its gist or its main features.
１１ 問診実行部
１２ 回答送信部
２１ 回答データ取得部
２２ 特徴量抽出部
２３ 罹患推定部
２４ 情報提供部
１００ 対象者端末
２００ サーバ装置11
Claims (6)
上記特徴量抽出部により抽出された特徴量を、機械学習により生成された推定モデルに入力することにより、周産期の中に設定された推定対象時期において上記推定対象者が妊産婦うつ症状を有している可能性に関する評価値を出力する罹患推定部とを備え、
上記推定モデルは、上記推定対象時期における妊産婦うつ症状の有無が判明している複数の学習対象者からそれぞれ得られた上記問診に対する回答を示す回答データを学習データとして用い、上記推定対象時期において妊産婦うつ症状を有している可能性に関する評価値を目的変数とし、上記推定対象時期よりも前の問診終了時期に至るまでの間に行った問診に対する回答を示す回答データから抽出される特徴量を説明変数として機械学習されており、
上記特徴量抽出部は、上記問診終了時期に至るまでの間に上記推定対象者に対して行った上記問診に対する回答を示す回答データから上記特徴量を抽出する
ことを特徴とする妊産婦うつ症状の推定システム。The feature amount extraction unit that extracts the feature amount from the response data showing the answer obtained from the pregnant woman who is the estimation target for the interview, and the feature amount extraction unit.
By inputting the feature amount extracted by the feature amount extraction unit into the estimation model generated by machine learning, the estimation target person has a maternal depressive symptom at the estimation target time set during the perinatal period. It is equipped with an morbidity estimation unit that outputs an evaluation value regarding the possibility of depression.
In the estimation model, the response data showing the answers to the interviews obtained from a plurality of learning subjects whose presence or absence of depressive symptoms in the pregnant woman is known at the estimation target time is used as learning data, and the pregnant woman at the estimation target time. Using the evaluation value for the possibility of having depressive symptoms as the objective variable, the feature quantity extracted from the response data showing the answers to the interviews conducted before the end of the interview before the above estimation target time. It is machine-learned as an explanatory variable and
The feature amount extraction unit extracts the feature amount from the response data showing the answers to the interviews conducted to the presumed subject until the end time of the interview. Estimating system.
上記推定モデルは、上記推定対象時期における妊産婦うつ症状の有無が上記問う抑うつ状態問診の観点から判明している上記複数の学習対象者からそれぞれ得られた上記複数種類の問診に対する回答を示す回答データを学習データとして用い、上記推定対象時期において妊産婦うつ症状を有している可能性を上記問う抑うつ状態問診の観点から評価する評価値を目的変数とし、上記問診終了時期に至るまでの間に行った上記複数種類の問診に対する回答を示す回答データから抽出される特徴量を説明変数として機械学習されている
ことを特徴とする請求項１に記載の妊産婦うつ症状の推定システム。The above-mentioned medical examinations are multiple types of medical examinations, including a depressive state medical examination asking about the depressive state during the perinatal period and other types of medical examinations.
The estimation model is response data showing answers to the plurality of types of interviews obtained from the plurality of learning subjects whose presence or absence of depressive symptoms in the pregnant woman at the estimation target time is known from the viewpoint of the depression state interview. Is used as learning data, and the evaluation value for evaluating the possibility of having depressive symptoms in pregnant women at the above estimation target time is used as the objective variable from the viewpoint of the above-mentioned depressive state interview. The prenatal depressive symptom estimation system according to claim 1, wherein the feature amount extracted from the answer data showing the answers to the above-mentioned plurality of types of interviews is machine-learned as an explanatory variable.
上記推定モデルは、上記推定対象時期における妊産婦うつ症状の有無が上記問う抑うつ状態問診の観点から判明している上記複数の学習対象者からそれぞれ得られた上記複数種類の問診に対する回答を示す回答データを学習データとして用い、上記推定対象時期において妊産婦うつ症状を有している可能性を上記問う抑うつ状態問診の観点から評価する評価値を目的変数とし、上記問診終了時期に至るまでの間に行った上記複数種類の問診に対する回答を示す回答データから抽出される特徴量を説明変数として機械学習されている
ことを特徴とする請求項１に記載の妊産婦うつ症状の推定システム。The above-mentioned interviews are multiple other types of interviews that do not include the depression inquiry that asks about the depressive state during the perinatal period.
The estimation model is response data showing answers to the plurality of types of interviews obtained from the plurality of learning subjects whose presence or absence of depressive symptoms in the pregnant woman at the estimation target time is known from the viewpoint of the depression state interview. Is used as learning data, and the evaluation value for evaluating the possibility of having depressive symptoms in pregnant women at the above estimation target time is used as the objective variable from the viewpoint of the above-mentioned depressive state interview. The prenatal depressive symptom estimation system according to claim 1, wherein the feature amount extracted from the answer data showing the answers to the above-mentioned plurality of types of interviews is machine-learned as an explanatory variable.
上記対象者端末は、上記問診終了時期に至るまでの間に上記問診を行うための問診情報を上記推定対象者に提供し、当該問診に対して上記推定対象者が入力した回答を示す回答データを取得する問診実行部を少なくとも備え、
上記対象者端末または上記サーバ装置の何れかは、上記特徴量抽出部を備え、
上記サーバ装置は、上記罹患推定部を備えた
ことを特徴とする請求項１〜３の何れか１項に記載の妊産婦うつ症状の推定システム。A target person terminal used by the above estimation target person and a server device connected to the target person terminal via a communication network are provided.
The subject terminal provides the estimation target person with the inquiry information for conducting the inquiry until the end time of the inquiry, and the response data indicating the answer input by the estimation target person to the inquiry. At least equipped with a medical examination execution department to obtain
Either the target person terminal or the server device is provided with the feature amount extraction unit.
The system for estimating a maternal depressive symptom according to any one of claims 1 to 3, wherein the server device includes the morbidity estimation unit.
上記コンピュータの罹患推定部が、上記特徴量抽出部により抽出された特徴量を、機械学習により生成された推定モデルに入力することにより、周産期の中に設定された推定対象時期において上記推定対象者が妊産婦うつ症状を有している可能性に関する評価値を出力する第２のステップとを有し、
上記推定モデルは、上記推定対象時期における妊産婦うつ症状の有無が判明している複数の学習対象者からそれぞれ得られた上記問診に対する回答を示す回答データを学習データとして用い、上記推定対象時期において妊産婦うつ症状を有している可能性に関する評価値を目的変数とし、上記推定対象時期よりも前の問診終了時期に至るまでの間に行った問診に対する回答を示す回答データから抽出される特徴量を説明変数として機械学習されており、
上記第１のステップにおいて上記特徴量抽出部は、上記問診終了時期に至るまでの間に上記推定対象者に対して行った上記問診に対する回答を示す回答データから上記特徴量を抽出する
ことを特徴とする妊産婦うつ症状の推定方法。The first step in which the feature quantity extraction unit of the computer extracts the feature quantity from the response data showing the response obtained from the pregnant woman who is the estimation target to the interview.
By inputting the feature amount extracted by the feature amount extraction unit into the estimation model generated by machine learning, the disease estimation unit of the computer makes the estimation at the estimation target time set during the perinatal period. It has a second step of outputting an evaluation value regarding the possibility that the subject has a maternal depressive symptom.
In the estimation model, the response data showing the answers to the interviews obtained from a plurality of learning subjects whose presence or absence of depressive symptoms in the pregnant woman is known at the estimation target time is used as learning data, and the pregnant woman at the estimation target time. Using the evaluation value for the possibility of having depressive symptoms as the objective variable, the feature quantity extracted from the response data showing the answers to the interviews conducted before the end of the interview before the above estimation target time. It is machine-learned as an explanatory variable and
In the first step, the feature amount extraction unit is characterized in that the feature amount extraction unit extracts the feature amount from the response data indicating the answers to the interviews made to the estimation target person until the end time of the interview. How to estimate the depressive symptoms of pregnant women.
上記学習データ入力部により入力された上記回答データのうち、上記問診開始時期から上記問診終了時期までの間に行った問診に対する回答データから特徴量を抽出する特徴量抽出部と、
上記特徴量抽出部により抽出された特徴量を説明変数とし、上記推定対象時期に行った問診に対する回答データをもとに得られる、上記推定対象時期において妊産婦うつ症状を有している可能性に関する評価値を目的変数として機械学習を行うことにより、上記特徴量が入力された際に上記評価値を出力するようになされた推定モデルを生成する機械学習部とを備えた
ことを特徴とする推定モデル生成装置。Learning data showing the answers obtained for the interviews conducted to multiple learning subjects from the estimated target time set during the perinatal period and the previous interview start time to the interview end time. The learning data input unit to be input as
Of the answer data input by the learning data input unit, the feature amount extraction unit that extracts the feature amount from the response data to the interview conducted between the start time of the interview and the end time of the interview, and the feature amount extraction unit.
The feature amount extracted by the feature amount extraction unit is used as an explanatory variable, and it is related to the possibility of having a maternal depressive symptom at the estimation target time, which is obtained based on the response data to the interview conducted at the estimation target time. An estimation characterized by having a machine learning unit that generates an estimation model that outputs the evaluation value when the feature amount is input by performing machine learning using the evaluation value as an objective variable. Model generator.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2021/015272 WO2022219702A1 (en) | 2021-04-13 | 2021-04-13 | Maternal depression symptom estimation system, estimation method, and estimation model generation device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6988034B1 true JP6988034B1 (en) | 2022-01-05 |
| JPWO2022219702A1 JPWO2022219702A1 (en) | 2022-10-20 |
Family
ID=79239776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021532337A Active JP6988034B1 (en) | 2021-04-13 | 2021-04-13 | Pregnant woman depressive symptom estimation system and estimation method, estimation model generator |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6988034B1 (en) |
| WO (1) | WO2022219702A1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117727456A (en) * | 2023-12-28 | 2024-03-19 | 江苏智慧智能软件科技有限公司 | Obstetrical psychological assessment model modeling system and method based on artificial intelligence |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024106424A1 (en) * | 2022-11-14 | 2024-05-23 | 住友ファーマ株式会社 | Information processing device, system, program, and method for inferring diagnosis-related information relating to psychiatric/neurological disease of subject |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014191467A (en) * | 2013-03-26 | 2014-10-06 | Hitachi Solutions Ltd | Maternity passbook computerizing system |
| JP2018175850A (en) * | 2017-04-14 | 2018-11-15 | 株式会社Ｎｔｔドコモ | Data collection device and data collection method |
| WO2019234883A1 (en) * | 2018-06-07 | 2019-12-12 | 株式会社ファーストアセント | Information providing device, information providing system, and computer program |
| WO2020255630A1 (en) * | 2019-06-17 | 2020-12-24 | Jsr株式会社 | Biological information analysis device, biological information analysis system, biological information analysis program, and biological information analysis method |
-
2021
- 2021-04-13 WO PCT/JP2021/015272 patent/WO2022219702A1/en active Application Filing
- 2021-04-13 JP JP2021532337A patent/JP6988034B1/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014191467A (en) * | 2013-03-26 | 2014-10-06 | Hitachi Solutions Ltd | Maternity passbook computerizing system |
| JP2018175850A (en) * | 2017-04-14 | 2018-11-15 | 株式会社Ｎｔｔドコモ | Data collection device and data collection method |
| WO2019234883A1 (en) * | 2018-06-07 | 2019-12-12 | 株式会社ファーストアセント | Information providing device, information providing system, and computer program |
| WO2020255630A1 (en) * | 2019-06-17 | 2020-12-24 | Jsr株式会社 | Biological information analysis device, biological information analysis system, biological information analysis program, and biological information analysis method |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117727456A (en) * | 2023-12-28 | 2024-03-19 | 江苏智慧智能软件科技有限公司 | Obstetrical psychological assessment model modeling system and method based on artificial intelligence |
| CN117727456B (en) * | 2023-12-28 | 2024-05-24 | 江苏智慧智能软件科技有限公司 | Obstetrical psychological assessment model modeling system and method based on artificial intelligence |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2022219702A1 (en) | 2022-10-20 |
| WO2022219702A1 (en) | 2022-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Srivastava et al. | Mathematical notions vs. human perception of fairness: A descriptive approach to fairness for machine learning | |
| Ciman et al. | Individuals’ stress assessment using human-smartphone interaction analysis | |
| Alsharo et al. | How habit affects continuous use: evidence from Jordan’s national health information system | |
| US7647285B2 (en) | Tools for health and wellness | |
| JP6383321B2 (en) | Diagnosis support system | |
| JP6988034B1 (en) | Pregnant woman depressive symptom estimation system and estimation method, estimation model generator | |
| Vrabel et al. | Spitefulness and humor styles | |
| JP6679017B1 (en) | Dementia risk presentation system and method | |
| CN111971756A (en) | Health assistance system, information providing form output device, method, and program | |
| US20210345925A1 (en) | A data processing system for detecting health risks and causing treatment responsive to the detection | |
| WO2020027213A1 (en) | Dementia risk presentation system and method | |
| WO2022087116A1 (en) | Systems and methods for mental health assessment | |
| Greyson et al. | Understanding influenza vaccination during pregnancy in Canada: attitudes, norms, intentions, and vaccine uptake | |
| JP2022548966A (en) | Efficient diagnosis of behavioral disorders, developmental delays, and neurological disorders | |
| JP2022042787A (en) | Information provision method, information provision device, computer program, and information provision system | |
| Brailsford | Healthcare: Human behavior in simulation models | |
| Khodarahimi et al. | The role of infertility in mental health, psychological distress and sexual dysfunction in a sample of Iranian women | |
| US20220130518A1 (en) | Systems and methods for mental health assessment | |
| JP2019212263A (en) | Information processor and program | |
| JP2023098155A (en) | Computer program, information processing device, and information processing method | |
| Arunkumar et al. | Application using machine learning to promote women’s personal health | |
| Wildman et al. | Estimating the effects of trait knowledge on social perception | |
| Afrizal et al. | A User-Centered Design of Natural Language Processing for Maternal Monitoring Chatbot System | |
| Nelson et al. | Infertility-related stress and perceived social support as predictors of infertility self-efficacy among women in treatment for infertility | |
| US20240071241A1 (en) | Test familiar determination device, test familiar determination method and storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210607 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210607 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210706 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211012 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211105 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6988034 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |