JP7141711B2

JP7141711B2 - Prognosis prediction system, prognosis prediction program creation device, prognosis prediction device, prognosis prediction method, and prognosis prediction program

Info

Publication number: JP7141711B2
Application number: JP2019038948A
Authority: JP
Inventors: 信哉後藤; 信一後藤
Original assignee: Tokai University Educational Systems
Current assignee: Tokai University Educational Systems
Priority date: 2019-03-04
Filing date: 2019-03-04
Publication date: 2022-09-26
Anticipated expiration: 2039-03-04
Also published as: JP2020144471A

Description

本発明は、投薬される対象者の予後を予測する予後予測システム、予後予測プログラム作成装置、予後予測装置、予後予測方法及び予後予測プログラムに関する。 TECHNICAL FIELD The present invention relates to a prognosis prediction system, a prognosis prediction program creation device, a prognosis prediction device, a prognosis prediction method, and a prognosis prediction program for predicting the prognosis of a subject to whom medication is administered.

医療従事者は、投薬治療において、治療対象の患者へ投薬した医薬品の効果を確認するため、種々の検査を行い、その結果に基づいて、投薬量の調整、医薬品の変更など、その後の対応を検討している。 In drug treatment, medical professionals conduct various tests to confirm the effects of the drug administered to the patient to be treated, and based on the results, adjust the dosage, change the drug, etc. Are considering.

近年では、対象者（患者）の状態や、特定の症例の発生を予測するシステムとして、機械学習を用いたシステムが提案されている。特許文献１には、患者の健康データの心拍変動性データに関する第１のパラメータおよびバイタルサインデータに関する第２のパラメータのうち少なくとも１つと、患者の生存性に関する第３のパラメータをし、人工ニューラルネットワークを形成するように相互接続されたノードのネットワークを設け、ノードは複数の人工ニューロンを備え、各々の人工ニューロンは関連付けられた重みを有する少なくとも１つの入力を有し、各々の人工ニューロンの少なくとも１つの入力の関連付けられた重みが患者の健康データからの異なる組のデータのそれぞれの第１、第２、および第３のパラメータに応答して調節されるように患者の健康データを用いて人工ニューラルネットワークをトレーニングし、これにより患者の生存性に関する予測を行う、システムが記載されている。 In recent years, a system using machine learning has been proposed as a system for predicting the condition of a subject (patient) and the occurrence of a specific case. Patent Literature 1 describes an artificial neural network that includes at least one of a first parameter related to heart rate variability data and a second parameter related to vital sign data of patient health data and a third parameter related to patient viability, and an artificial neural network. a network of nodes interconnected to form a node, the nodes comprising a plurality of artificial neurons, each artificial neuron having at least one input having an associated weight, and at least one of each artificial neuron artificial neural network using the patient's health data such that the associated weights of the four inputs are adjusted in response to respective first, second and third parameters of different sets of data from the patient's health data A system is described for training a network and thereby making predictions about patient survival.

特開２０１７－７７４６１号公報JP 2017-77461 A

特許文献１は、対象者である患者の生体データに基づいて、患者の生存性に関する予測を行うことができるとしている。ここで、上述したように、医療従事者は、投薬治療において、検査の結果に基づいて、治療対象の患者へ投薬した医薬品の効果を、これまでの経験により判断し、投薬量の調整、医薬品の変更など、その後の対応を行う。このため、投薬により生じる影響、特に投薬により引き起こされる予後イベントを高い精度で予測することが望まれている。特許文献１では、生体データで健康状態を判定することができるとしているが、予測対象が異なり、適用することが困難である。 Patent Literature 1 states that it is possible to predict the patient's survival based on the biometric data of the subject patient. Here, as described above, in medication treatment, medical professionals judge the effect of the drug administered to the patient to be treated based on the results of the examination based on past experience, adjust the dosage, Afterwards, such as changing the Therefore, it is desired to predict the effects caused by medication, especially prognostic events caused by medication, with high accuracy. In Patent Literature 1, it is possible to determine the state of health based on biometric data, but it is difficult to apply this method because the subject of prediction is different.

本発明の目的は、上述した課題を解決するものであり、高い精度で、投薬治療を行っている患者の、投薬により引き起こされる予後イベントを予測することができる予後予測システム、予後予測プログラム作成装置、予後予測装置、予後予測方法及び予後予測プログラムを提供することにある。 An object of the present invention is to solve the above-mentioned problems, and a prognostic prediction system and a prognostic prediction program creation device that can predict, with high accuracy, prognostic events caused by medication in patients undergoing medication treatment. , a prognosis prediction device, a prognosis prediction method, and a prognosis prediction program.

上述した課題を解決し、目的を達成するために、本発明は、予後予測システムであって、過去に評価対象の投薬が行われた対象者の検査の時系列データと、前記対象者に発生したイベントの情報と、を複数の対象者について記憶する学習用データベースと、前記学習用データベースに記憶された対象者毎の前記検査の時系列データと、前記対象者に発生したイベントと、を含む学習データを機械学習し、検査の時系列データの入力に対してイベントの発生予測の結果を出力する学習済みプログラムを作成する機械学習部を含む予後予測プログラム作成装置と、評価対象の投薬が行われた解析対象者の検査の時系列データを入力する入力部、前記機械学習部で作成した学習済みプログラムと、前記入力部に入力された前記解析対象者の検査の時系列データとに基づいて、前記解析対象者のイベントの発生予測を行う予測部と、を備える予後予測装置と、を含む。 In order to solve the above-described problems and achieve the object, the present invention provides a prognosis prediction system, which includes time-series data of examinations of a subject who has been administered a drug to be evaluated in the past, and a learning database for storing information on an event that occurred for a plurality of subjects; the time-series data of the examination for each subject stored in the learning database; and the event that occurred in the subject. A prognosis prediction program creation device including a machine learning unit that machine-learns learning data and creates a learned program that outputs the results of predicting the occurrence of events in response to the input of time-series data of examinations, and the medication to be evaluated. an input unit for inputting the time-series data of the examination of the person to be analyzed, the learned program created by the machine learning unit, and the time-series data of the examination of the person to be analyzed input to the input unit and a prediction unit that predicts the occurrence of an event in the person to be analyzed.

前記検査の時系列データは、日単位で記録されたデータであることが好ましい。 The time-series data of the examination is preferably data recorded on a daily basis.

前記機械学習部は、投薬開始から第１期間の時系列のデータと投薬開始から前記第１期間よりも長い第２期間のイベント発生データを学習し、前記予測部は、前記解析対象者の投薬開始から前記第１期間のデータに基づいて、投薬開始から前記第２期間の間の前記イベントの発生予測を行うことが好ましい。 The machine learning unit learns time-series data in a first period from the start of medication and event occurrence data in a second period longer than the first period from the start of medication, and the prediction unit learns the medication of the person to be analyzed. It is preferable to predict the occurrence of the event during the second period from the start of administration based on the data from the start of the first period.

第１期間は、２０日以上３月以内であり、第２期間は、３月以上１２月以内であることが好ましい。 Preferably, the first period is 20 days or more and 3 months or less, and the second period is 3 months or more and 12 months or less.

前記検査は、血液の数値を検出する検査であることが好ましい。 The test is preferably a test for detecting blood values.

投薬する薬剤は、血液抗凝固剤であることが好ましい。 Preferably, the drug administered is a blood anticoagulant.

前記イベントは、重篤な出血、脳卒中、死亡のいずれかであることが好ましい。 Preferably, said event is one of severe hemorrhage, stroke or death.

前記学習データは、投薬の時系列データを含むことが好ましい。 Preferably, the learning data includes time-series data of medication.

前記機械学習部は、ＬＳＴＭ処理をした後、畳み込み処理を少なくとも１回以上行う処理と、畳み込み処理を行った結果に対して全結合処理を行うことが好ましい。 Preferably, the machine learning unit performs convolution processing at least once after performing LSTM processing, and performs full connection processing on the results of the convolution processing.

上述した課題を解決し、目的を達成するために、本発明は、予後予測装置であって、評価対象の投薬が行われた解析対象者の検査の時系列データを入力する入力部と、評価対象の投薬が行われた対象者の検査の時系列データと、前記対象者に発生したイベントの情報と、を複数の対象者分含む学習データを機械学習し、検査の時系列データの入力に対してイベントの発生予測の結果を出力できる学習済みプログラムを記憶する記憶部と、学習済みプログラムを用いて、前記入力部に入力された解析対象者のデータに基づいて、解析対象者のイベントの発生予測を行う予測部と、を含む。 In order to solve the above-described problems and achieve the object, the present invention provides a prognosis prediction device, comprising: an input unit for inputting time-series data of examinations of an analysis subject to whom an evaluation target was administered; Machine learning is performed on learning data for a plurality of subjects that includes time-series data of examinations of subjects to whom the target medication was administered and information on events that occurred in the subjects, and input of time-series data of examinations. a storage unit for storing a learned program capable of outputting the result of predicting the occurrence of an event; a prediction unit that performs occurrence prediction.

上述した課題を解決し、目的を達成するために、本発明は、予後予測プログラム作成装置であって、評価対象の投薬が行われた対象者の検査の時系列データと、前記対象者に発生したイベントの情報と、を複数の対象者分含む学習データを用いて機械学習し、解析対象者の投薬開始から第１期間の検査の時系列データに基づいて、投薬開始からの前記第１期間よりも長い第２期間での前記イベントの発生予測を行う学習済みプログラムを作成する。 In order to solve the above-described problems and achieve the object, the present invention provides a prognosis prediction program creation device, comprising time-series data of examinations of a subject who has been administered medication to be evaluated, and Machine learning using learning data including information on the event that occurred and for a plurality of subjects, and based on the time-series data of examinations in the first period from the start of dosing of the subject to be analyzed, the first period from the start of dosing Create a learned program that predicts the occurrence of the event in a second period longer than

上述した課題を解決し、目的を達成するために、本発明は、予後予測方法であって、評価対象の投薬が行われた対象者の検査の時系列データと、前記対象者に発生したイベントの情報と、を複数の対象者分含む学習データを用いて機械学習し、解析対象者の投薬開始から検査の時系列データの入力に対してイベントの発生予測の結果を出力する学習済みプログラムを作成するステップと、入力された評価対象の投薬が行われた解析対象者の検査の時系列データを、機械学習で作成した学習済みプログラムと、に基づいて、前記解析対象者のイベントの発生予測を行う予測ステップと、を備える。 In order to solve the above-described problems and achieve the object, the present invention provides a prognosis prediction method, comprising time-series data of examinations of a subject administered medication to be evaluated, and an event occurring in the subject and machine learning using learning data for multiple subjects, and outputs the results of predicting the occurrence of events in response to the input of time-series data from the analysis subject's medication start to examination. Predicting the occurrence of an event in the analysis subject based on the step of creating and a learned program created by machine learning from the input time-series data of examinations of the analysis subject who administered the medication of the evaluation target and a prediction step of performing

上述した課題を解決し、目的を達成するために、本発明は、予後予測プログラムであって、評価対象の投薬が行われた対象者の検査の時系列データと、前記対象者に発生したイベントの情報と、を複数の対象者分含む学習データを用いて機械学習し、解析対象者の投薬開始から検査の時系列データの入力に対してイベントの発生予測の結果を出力する機械学習の結果を含み、入力された解析対象者の検査の時系列データと、前記機械学習の結果とに基づいて、前記解析対象者のイベントの発生予測の結果を出力する。 In order to solve the above-described problems and achieve the object, the present invention provides a prognosis prediction program, comprising time-series data of examinations of a subject who has been administered medication to be evaluated, and events occurring in the subject. and machine learning using learning data for multiple subjects, and outputs the result of predicting the occurrence of events in response to the input of time-series data from the analysis subject's medication start to examination. and outputting a result of predicting the occurrence of an event of the person to be analyzed based on the input time-series data of examinations of the person to be analyzed and the result of the machine learning.

本発明によれば、高い精度で、投薬治療を行っている患者の、投薬により引き起こされる予後イベントを予測することができる。 ADVANTAGE OF THE INVENTION According to this invention, the prognostic event caused by medication of the patient who is undergoing medication treatment can be predicted with high accuracy.

図１は、本実施形態に係る予後予測システムの模式的なブロック図である。FIG. 1 is a schematic block diagram of the prognosis prediction system according to this embodiment. 図２は、データセット作成部に入力されるデータの一例を示す模式図である。FIG. 2 is a schematic diagram showing an example of data input to the data set creation unit. 図３は、予後予測システムの処理の一例を示すフローチャートである。FIG. 3 is a flowchart showing an example of processing of the prognosis prediction system. 図４は、予後予測システムの処理の一例を示すフローチャートである。FIG. 4 is a flowchart showing an example of processing of the prognosis prediction system. 図５は、予後予測システムの処理の一例を示すフローチャートである。FIG. 5 is a flowchart showing an example of processing of the prognosis prediction system. 図６は、予後予測システムの第１イベントの予測結果の一例を示すグラフである。FIG. 6 is a graph showing an example of a prediction result of the first event of the prognosis prediction system. 図７は、第１イベントの予測結果と比較例との信頼性を示すグラフである。FIG. 7 is a graph showing the reliability of the prediction result of the first event and the comparative example. 図８は、予後予測システムの第２イベントの予測結果の一例を示すグラフである。FIG. 8 is a graph showing an example of a prediction result of the second event of the prognosis prediction system. 図９は、第２イベントの予測結果と比較例との信頼性を示すグラフである。FIG. 9 is a graph showing the reliability of the prediction result of the second event and the comparative example. 図１０は、予後予測システムの第３イベントの予測結果の一例を示すグラフである。FIG. 10 is a graph showing an example of the prediction result of the third event of the prognosis prediction system. 図１１は、第３イベントの予測結果と比較例との信頼性を示すグラフである。FIG. 11 is a graph showing the reliability of the prediction result of the third event and the comparative example. 図１２は、本実施例での第１イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を示すグラフである。FIG. 12 is a graph showing temporal transitions of event occurrence ratios for high-risk and low-risk subjects for the first event in this embodiment. 図１３は、本実施例での第２イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を示すグラフである。FIG. 13 is a graph showing the temporal transition of the event occurrence rate for the high-risk and low-risk subjects regarding the second event in this embodiment. 図１４は、本実施例での第３イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を示すグラフである。FIG. 14 is a graph showing the temporal transition of the event occurrence rate for the high-risk and low-risk subjects for the third event in this example. 図１５は、予後予測システムの第１イベントの予測結果の一例を示すグラフである。FIG. 15 is a graph showing an example of a prediction result of the first event of the prognosis prediction system. 図１６は、第１イベントの予測結果と比較例との信頼性を示すグラフである。FIG. 16 is a graph showing the reliability of the prediction result of the first event and the comparative example. 図１７は、予後予測システムの第２イベントの予測結果の一例を示すグラフである。FIG. 17 is a graph showing an example of a prediction result of the second event of the prognosis prediction system. 図１８は、第２イベントの予測結果と比較例との信頼性を示すグラフである。FIG. 18 is a graph showing the reliability of the prediction result of the second event and the comparative example. 図１９は、予後予測システムの第３イベントの予測結果の一例を示すグラフである。FIG. 19 is a graph showing an example of the prediction result of the third event of the prognosis prediction system. 図２０は、第３イベントの予測結果と比較例との信頼性を示すグラフである。FIG. 20 is a graph showing the reliability of the prediction result of the third event and the comparative example. 図２１は、本実施例での第１イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を示すグラフである。FIG. 21 is a graph showing temporal transitions of event occurrence ratios for high-risk and low-risk subjects for the first event in this embodiment. 図２２は、本実施例での第２イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を示すグラフである。FIG. 22 is a graph showing the temporal transition of the event occurrence rate for the high-risk and low-risk subjects regarding the second event in this example. 図２３は、本実施例での第３イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を示すグラフである。FIG. 23 is a graph showing the temporal transition of the event occurrence rate for the high-risk and low-risk subjects for the third event in this embodiment.

以下に添付図面を参照して、本発明の好適な実施形態を詳細に説明する。以下、解析対象者とは、評価対象の投薬治療中で、検査の時系列データに基づき予後イベントを予測する対象者をさす。なお、この実施形態により本発明が限定されるものではなく、また、実施形態が複数ある場合には、各実施形態を組み合わせて構成するものも含むものである。また、本実施形態は、投薬する薬剤として、血液の抗凝固剤を対象とし、対象者の検査結果として、血液検査の結果を用いる場合を例として説明するが、本実施形態はこれに限定されない。 Preferred embodiments of the present invention will be described in detail below with reference to the accompanying drawings. Hereinafter, the subject of analysis refers to a subject whose prognostic events are predicted based on the time-series data of examinations while undergoing drug treatment as an evaluation subject. It should be noted that the present invention is not limited by this embodiment, and when there are a plurality of embodiments, the present invention includes a combination of each embodiment. In addition, in the present embodiment, a blood anticoagulant is targeted as a drug to be administered, and the result of a blood test is used as the test result of the subject. However, the present embodiment is not limited to this. .

図１は、本実施形態に係る予後予測システムの模式的なブロック図である。なお、図１では省略しているが、本実施形態に係る予後予測システム１０は、学習用データベースに記憶されている過去に評価対象の投薬が行われた複数の対象者の検査の時系列データと、前記対象者に発生したイベントの情報とで、機械学習を行い、イベントの発生に関する予測を行う予後予測プログラムを作成し、作成した予後予測プログラムにより、解析対象者の検査の時系列データに基づいて、当該イベントの発生を予測する。 FIG. 1 is a schematic block diagram of the prognosis prediction system according to this embodiment. Although omitted in FIG. 1, the prognosis prediction system 10 according to the present embodiment includes time-series data of examinations of a plurality of subjects who have been administered medication to be evaluated in the past, stored in the learning database. and the information of the event that occurred in the subject, perform machine learning, create a prognosis prediction program that predicts the occurrence of the event, and use the created prognosis prediction program to analyze the time-series data of the examination of the subject. Based on this, the occurrence of the event is predicted.

予後予測システム１０は、検査装置１２と、予後予測プログラム作成装置１４と、予後予測装置１６と、を有する。予後予測プログラム作成装置１４と予後予測装置１６とは、本実施形態では別体としたが、１つの装置で実現してもよい。また、検査装置１２と予後予測装置１６とは、本実施形態では別体としたが、１つの装置で実現してもよい。また、検査装置１２を備えず、予後予測装置１６に入力する解析対象者の検査の時系列データを、予後予測システム１０以外から取得してもよい。また、各部は、有線、無線で接続され、データの送受信を行うことができる。無線通信の場合、各部が例えばＷｉ－Ｆｉ（登録商標）モジュールやアンテナなどを有し、無線での通信を行う。有線通信の場合、ＬＡＮケーブル、光ファイバ等で接続されている。 The prognosis prediction system 10 has an examination device 12 , a prognosis prediction program creation device 14 , and a prognosis prediction device 16 . Although the prognosis prediction program creation device 14 and the prognosis prediction device 16 are separate units in this embodiment, they may be realized by one device. In addition, although the examination device 12 and the prognosis prediction device 16 are separated in this embodiment, they may be implemented as one device. Alternatively, the time-series data of examinations of the subject to be analyzed to be input to the prognosis prediction device 16 may be obtained from a source other than the prognosis prediction system 10 without the examination device 12 . In addition, each unit is connected by wire or wirelessly, and can transmit and receive data. In the case of wireless communication, each unit has, for example, a Wi-Fi (registered trademark) module and an antenna, and performs wireless communication. In the case of wired communication, LAN cables, optical fibers, or the like are used for connection.

検査装置１２は、解析対象者の血液データを取得する。検査装置１２は、解析対象者から血液を採取する採血装置と、採血装置で採取した血液を分析する分析装置と、を含む。 The inspection device 12 acquires the blood data of the person to be analyzed. The testing device 12 includes a blood collection device that collects blood from a person to be analyzed, and an analysis device that analyzes the blood collected by the blood collection device.

予後予測プログラム作成装置１４は、機械学習部１８と、入力部２０と、表示部２２と、学習用データベース２４と、記憶部２６と、を有する。予後予測プログラム作成装置１４の機械学習部１８と、学習用データベース２４と、記憶部２６と、は、クラウド上のサーバや、ＧＰＵ等の演算能力が高い演算装置が例示される。 The prognosis prediction program creation device 14 has a machine learning section 18 , an input section 20 , a display section 22 , a learning database 24 and a storage section 26 . The machine learning unit 18, the learning database 24, and the storage unit 26 of the prognostic prediction program creation device 14 are exemplified by servers on the cloud and computing devices with high computing power such as GPUs.

機械学習部１８は、機械学習を行い、学習済みプログラムを作成する。機械学習部１８は、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）、ＧＰＵ等の演算装置を有する。機械学習部１８は、データセット作成部１２２と、学習管理部１２４と、ＬＳＴＭ（Long Short-Term Memory）処理部１２６と、畳み込み処理部１２８と、を有する。データセット作成部１２２は、学習用データベースに記憶されたデータセットを用いて、学習用のデータセットを作成する。具体的には、入力されたデータセットから、トレーニングデータセットと、テストデータセットを作成する。 The machine learning unit 18 performs machine learning and creates a learned program. The machine learning unit 18 has a computing device such as a CPU (Central Processing Unit) and a GPU. The machine learning unit 18 has a dataset creation unit 122 , a learning management unit 124 , an LSTM (Long Short-Term Memory) processing unit 126 and a convolution processing unit 128 . The dataset creating unit 122 creates a learning dataset using the dataset stored in the learning database. Specifically, a training data set and a test data set are created from the input data set.

学習管理部１２４は、データセット作成部１２２で作成されたデータセットを用い、ＬＳＴＭ処理部１２６と畳み込み処理部１２８とで行う処理を管理し、さらに、全結合の学習を行い、学習済みプログラムを作成する。ＬＳＴＭ処理部１２６は、入力データに対してＬＳＴＭ（Long Short-Term Memory）で学習を行う。畳み込み処理部１２８は、一次畳み込み処理についての学習を行う。なお、機械学習部１８は、時系列を考慮可能な機械学習と、畳み込み処理の機械学習と、を組み合わせることが好ましいが、時系列を考慮可能な機械学習を用いることができればよく、機械学習の方法はこれに限定されない。 The learning management unit 124 uses the data set created by the data set creation unit 122, manages the processing performed by the LSTM processing unit 126 and the convolution processing unit 128, performs learning of all connections, and outputs the learned program. create. The LSTM processing unit 126 performs LSTM (Long Short-Term Memory) learning on input data. The convolution processing unit 128 learns about primary convolution processing. The machine learning unit 18 preferably combines machine learning capable of considering time series and machine learning of convolution processing. The method is not limited to this.

入力部２０は、ユーザの入力を受け付ける装置や、記録媒体、記憶部からデータを受け取る装置である。入力部２０は、ユーザの入力を受け付ける装置の場合、例えばマウス、キーボード、又はタッチパネル等である。入力部２０は、記録媒体、記憶部からデータを受け取る装置の場合、ＵＳＢ端子及び読取装置、通信機器等である。入力部２０は、対象者のＩＤと、前記対象者の投薬に関するデータ、検査に関するデータ、前記対象者に発生したイベントのデータを入力し、学習に必要なデータセットのデータを入力できる。 The input unit 20 is a device that receives user input and a device that receives data from a recording medium and a storage unit. The input unit 20 is, for example, a mouse, a keyboard, or a touch panel in the case of a device that receives user input. The input unit 20 is a USB terminal, a reading device, a communication device, etc. in the case of a device that receives data from a recording medium or a storage unit. The input unit 20 can input the ID of the subject, the data on medication of the subject, the data on the examination, the data on the event that occurred in the subject, and the data of the data set necessary for learning.

表示部２２と、機械学習部１８の制御結果やユーザからの入力内容などを表示する装置であり、本実施形態では、ディスプレイやタッチパネルである。なお、本実施形態では、各種情報を出力する機器として、表示装置を用いたが、出力装置は、これに限定されず、紙に記録するプリンタや、データを記録媒体に書き込む書き込み装置としてもよい。 The display unit 22 is a device for displaying the control result of the machine learning unit 18 and the contents of input from the user, and is a display or a touch panel in this embodiment. In this embodiment, a display device is used as a device for outputting various types of information, but the output device is not limited to this, and may be a printer that records on paper or a writing device that writes data to a recording medium. .

学習用データベース２４は、入力部２０で入力された学習に必要なデータセットを有する。データセットは、対象者と検査の時系列データとイベントの発生とを対応つけたデータである。学習用データベース２４は、入力部２０から入力されたデータにより、更新することができる。また、機械学習部１８は、学習用データベース２４が更新された場合、再学習を行い、学習済プログラムを再度作成して、更新することが好ましい。入力部２０からの入力は、他のデータベースの更新情報の取得、個別の対象者の情報の入力、入力済みの対象者の情報の更新等が例示される。入力部２０からの入力のタイミングは、随時行っても、定期的に行ってもよい。 The learning database 24 has a data set necessary for learning input by the input unit 20 . A data set is data in which subjects, time-series data of examinations, and event occurrences are associated with each other. The learning database 24 can be updated with data input from the input unit 20 . Further, when the learning database 24 is updated, the machine learning unit 18 preferably performs re-learning to recreate and update the learned program. The input from the input unit 20 is exemplified by acquisition of update information of other databases, input of individual subject information, updating of already input subject information, and the like. The timing of the input from the input unit 20 may be performed as needed or periodically.

記憶部２６は、機械学習部１８での演算内容やプログラムの情報などを記憶するメモリであり、例えば、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）と、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）と、ＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）などの外部記憶装置とのうち、少なくとも１つ含む。記憶部２６は、データセット作成部１２２で作成された学習用のデータセットや、機械学習部１８で作成された学習済みプログラムを記憶する。 The storage unit 26 is a memory that stores information such as calculation contents and program information in the machine learning unit 18, and includes, for example, RAM (Random Access Memory), ROM (Read Only Memory), HDD (Hard Disk Drive), and the like. and at least one external storage device. The storage unit 26 stores learning data sets created by the data set creation unit 122 and learned programs created by the machine learning unit 18 .

予後予測装置１６は、予測部３０と、入力部３２と、表示部３４と、を有する。予測部３０は、予後予測プログラム作成装置１４で作成した学習済みプログラム（予後予測プログラム）を用いて、解析対象者のイベント発生の予測を行う。予測部３０は、演算部１３０と、記憶部１３２と、を有する。演算部１３０は、演算装置、すなわちＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）である。記憶部１３２は、演算部１３０の演算内容やプログラムの情報などを記憶するメモリであり、例えば、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）と、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）と、ＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）などの外部記憶装置とのうち、少なくとも１つ含む。記憶部１３２は、機械学習部１８で作成された学習済みプログラム１３４を記憶する。学習済みプログラム１３４は、種々のタイミングで記憶部１３２に記憶される。予後予測装置１６は、予後予測プログラム作成装置１４から学習済みプログラム１３４が送信、更新された場合に記憶してもよく、予後予測の処理を実行する際に、学習済みプログラム１３４が格納されている装置から受信し、記憶してもよい。 The prognosis prediction device 16 has a prediction section 30 , an input section 32 and a display section 34 . The prediction unit 30 uses a learned program (prognosis prediction program) created by the prognosis prediction program creation device 14 to predict the occurrence of an event in the person to be analyzed. The prediction unit 30 has a calculation unit 130 and a storage unit 132 . The calculation unit 130 is a calculation device, that is, a CPU (Central Processing Unit). The storage unit 132 is a memory that stores information such as the calculation content of the calculation unit 130 and program information. and at least one of a storage device. The storage unit 132 stores a learned program 134 created by the machine learning unit 18 . The learned program 134 is stored in the storage unit 132 at various timings. The prognosis prediction device 16 may store the learned program 134 when it is transmitted and updated from the prognosis prediction program creation device 14, and the learned program 134 is stored when the prognosis prediction process is executed. It may be received from the device and stored.

入力部３２は、ユーザの入力を受け付ける装置や、記録媒体、記憶部からデータを受け取る装置である。入力部３２は、ユーザの入力を受け付ける装置の場合、例えばマウス、キーボード、又はタッチパネル等である。入力部３２は、記録媒体、記憶部からデータを受け取る装置の場合、ＵＳＢ端子及び読取装置、通信機器等である。入力部３２は、予後イベントの予測を行う解析対象者の検査の時系列データを入力できる。 The input unit 32 is a device that receives user input and a device that receives data from a recording medium and a storage unit. The input unit 32 is, for example, a mouse, a keyboard, or a touch panel in the case of a device that receives user input. The input unit 32 is a USB terminal, a reading device, a communication device, etc. in the case of a device that receives data from a recording medium or a storage unit. The input unit 32 can input time-series data of examinations of an analysis subject for which a prognostic event is to be predicted.

表示部３４と、予測部３０の予測結果やユーザからの入力内容、入力した解析対象者の検査の時系列データから予測された予後イベントの予測値などを表示する装置であり、本実施形態では、ディスプレイやタッチパネルである。なお、本実施形態では、各種情報を出力する機器として、表示装置を用いたが、出力装置は、これに限定されず、紙に記録するプリンタや、データを記録媒体に書き込む書き込み装置としてもよい。 A device for displaying a display unit 34, the prediction result of the prediction unit 30, input contents from the user, predicted values of prognostic events predicted from the input time-series data of examinations of the person to be analyzed, and the like. , displays and touch panels. In this embodiment, a display device is used as a device for outputting various types of information, but the output device is not limited to this, and may be a printer that records on paper or a writing device that writes data to a recording medium. .

次に、図２から図５を用いて、予後予測システム１０の動作を説明する。図２は、学習用データベースよりデータセット作成部に入力されるデータの一例を示す模式図である。図３から図５は、それぞれ予後予測システムの処理の一例を示すフローチャートである。 Next, the operation of the prognosis prediction system 10 will be described with reference to FIGS. 2 to 5. FIG. FIG. 2 is a schematic diagram showing an example of data input from the learning database to the data set creation unit. 3 to 5 are flowcharts each showing an example of processing of the prognosis prediction system.

本実施例の学習に用いるデータセットは、評価対象の投薬が行われた各対象者の、検査の時系列データと、イベント発生のデータと、を含む。検査の時系列データと、投薬を開始した日からの経過日数が、日単位でのデータである。検査の時系列データは、検査を行った日に取得した測定対象項目の数値が入力されている。検査の時系列データは、検査を行っていない日は、検査では、取得されない所定の値、図２では０が入力される。図２に示す表は、検査の時系列データを模式的に示している。検査の時系列データは、図２に示すように、対象者が、対象者ＩＤで対応つけられ、日数ごとに検査値が入力されている。データセットは、投薬する薬が複数ある場合は、投薬の時系列データを複数備える。また、データセットは、検査で取得する項目が複数ある場合、図２に示すような日単位の検査データを検査項目ごとに備える。また、図示していないが、イベント発生のデータは、対象者のイベントの発生の有無、イベントが発生した日のデータである。 The data set used for learning in this embodiment includes time-series data of examinations and event occurrence data for each subject to whom the evaluation target medication was administered. The time-series data of examinations and the number of days elapsed since the start of medication are data in units of days. In the time-series data of the inspection, the numerical values of the measurement items obtained on the day of the inspection are entered. As for the time-series data of examinations, a predetermined value that is not acquired in examinations, such as 0 in FIG. 2, is input on days when examinations are not performed. The table shown in FIG. 2 schematically shows time-series data of examinations. As shown in FIG. 2, in the time-series data of inspections, subjects are associated with subject IDs, and inspection values are entered for each day. If there are multiple medicines to be administered, the data set includes multiple time-series data of medications. Moreover, when there are a plurality of items to be acquired in the inspection, the data set includes daily inspection data for each inspection item as shown in FIG. Also, although not shown, the event occurrence data is data on whether or not an event has occurred for the subject and the date on which the event occurred.

図３を用いて、予後予測プログラムを作成する全体の処理の一例を説明する。予後予測プログラム作成装置１４の機械学習部１８は、１つのイベントごとに機械学習を行うことでより高い精度で対象のイベントの発生について予測ができるが、複数のイベントについて同時に学習してもよい。 An example of overall processing for creating a prognosis prediction program will be described with reference to FIG. The machine learning unit 18 of the prognosis prediction program creation device 14 can predict the occurrence of the target event with higher accuracy by performing machine learning for each event, but it may learn about a plurality of events at the same time.

機械学習部１８は、学習用データベース２４から多数の対象者のデータを取得する（ステップＳ１２）。機械学習部１８は、データセット作成部１２２で、取得したデータを、トレーニングデータセットと、テストデータセットに分割する（ステップＳ１４）。機械学習部１８は、取得したデータの７割を、トレーニングデータセットとし、３割をテストデータセットとする。機械学習部１８は、トレーニングデータセットから設定した個数のデータを抽出する（ステップＳ１６）。機械学習部１８は、ランダム抽出でデータを抽出する。次に、機械学習部１８は、現時点の解析モデルを取得する（ステップＳ１８）。 The machine learning unit 18 acquires data of many subjects from the learning database 24 (step S12). The machine learning unit 18 divides the acquired data into a training data set and a test data set in the data set creation unit 122 (step S14). The machine learning unit 18 uses 70% of the acquired data as a training data set and 30% as a test data set. The machine learning unit 18 extracts the set number of data from the training data set (step S16). The machine learning unit 18 extracts data by random extraction. Next, the machine learning unit 18 acquires the current analysis model (step S18).

次に、機械学習部１８は、現時点の解析モデルを用いて機械学習処理を行い、新たな解析モデルを作成する（ステップＳ２０）。 Next, the machine learning unit 18 performs machine learning processing using the current analysis model to create a new analysis model (step S20).

以下、図４を用いて、機械学習部１８の機械学習処理を行い、新たな解析モデルを作成する処理の一例を説明する。機械学習部１８は、学習管理部１２４で、ＬＳＴＭ処理部１２６と、畳み込み処理部１２８での演算を制御し、ＬＳＴＭ処置と、１次元畳み込み処理と、全結合処理を組み合わせて、機械学習を行い、学習済みモデル（学習済みプログラム）を作成する。機械学習部１８は、現時点の解析モデルを各処理部に展開し、トレーニングデータを用いて、学習を行い、新たな解析モデルを作成する。 An example of processing for creating a new analysis model by performing machine learning processing of the machine learning unit 18 will be described below with reference to FIG. 4 . The machine learning unit 18 uses the learning management unit 124 to control the calculations in the LSTM processing unit 126 and the convolution processing unit 128, and performs machine learning by combining the LSTM processing, the one-dimensional convolution processing, and the full connection processing. , create a trained model (trained program). The machine learning unit 18 develops the current analysis model in each processing unit, performs learning using the training data, and creates a new analysis model.

機械学習部１８は、ＬＳＴＭ処理を行い（ステップＳ４２）、ステップＳ４２でＬＳＴＭ処理を行った処理結果に対して、１次元畳み込み処理を行う（ステップＳ４４）。次に、機械学習部１８は、ステップＳ４４で１次元畳み込み処理を行った結果に対して、ＬＳＴＭ処理を行い（ステップＳ４６）、ステップＳ４６でＬＳＴＭ処理を行った処理結果に対して、１次元畳み込み処理を行う（ステップＳ４８）。次に、機械学習部１８は、ステップＳ４８で１次元畳み込み処理を行った結果に対して、ＬＳＴＭ処理を行い（ステップＳ５０）、ステップＳ５０でＬＳＴＭ処理を行った処理結果に対して、１次元畳み込み処理を行う（ステップＳ５２）。 The machine learning unit 18 performs LSTM processing (step S42), and performs one-dimensional convolution processing on the processing result of the LSTM processing in step S42 (step S44). Next, the machine learning unit 18 performs LSTM processing on the result of performing the one-dimensional convolution processing in step S44 (step S46), and performs one-dimensional convolution on the processing result of performing the LSTM processing in step S46. Processing is performed (step S48). Next, the machine learning unit 18 performs LSTM processing on the result of performing the one-dimensional convolution processing in step S48 (step S50), and performs one-dimensional convolution on the processing result of performing the LSTM processing in step S50. Processing is performed (step S52).

機械学習部１８は、ステップＳ５２で一次元畳み込み処理を行った後、全結合処理を行う（ステップＳ５４）。機械学習部１８は、ステップＳ５４で全結合処理を行った結果に対して、再度全結合処理を行う（ステップＳ５６）。 After performing the one-dimensional convolution processing in step S52, the machine learning unit 18 performs full connection processing (step S54). The machine learning unit 18 performs full connection processing again on the result of performing the full connection processing in step S54 (step S56).

機械学習部１８は、トレーニングデータを用いて図４に示す処理の機械学習を行い、図４に示す処理の各種パラメータ等を設定し、新たな解析モデルを作成する。 The machine learning unit 18 performs machine learning of the processing shown in FIG. 4 using the training data, sets various parameters and the like for the processing shown in FIG. 4, and creates a new analysis model.

なお、本実施形態では、ＬＳＴＭ処理と１次元畳み込み処理とを組み合わせた処理を３回行ったが、繰り返しの回数は、限定されず、１回でも４回以上でもよい。機械学習部１８は、ＬＳＴＭ処理、つまり時間経過を考慮した学習を行い、その結果を１次元畳み込み処理を行う順番とすることが好ましい。 In addition, in the present embodiment, the processing combining the LSTM processing and the one-dimensional convolution processing is performed three times, but the number of repetitions is not limited, and may be one time or four times or more. It is preferable that the machine learning unit 18 performs LSTM processing, that is, learning in consideration of the passage of time, and then performs one-dimensional convolution processing on the results.

図３に戻り、予後予測プログラムを作成する全体の処理について説明する。機械学習部１８は、新たな解析モデルを作成したら、テストデータを用いて、解析モデルを検証する（ステップＳ２２）。機械学習部１８は、テストデータの検査の時系列データを用いて処理を行い、テストデータのイベントの発生との一致度を検証する。 Returning to FIG. 3, the overall process of creating the prognosis prediction program will be described. After creating a new analysis model, the machine learning unit 18 verifies the analysis model using test data (step S22). The machine learning unit 18 performs processing using the time-series data of inspection of the test data, and verifies the degree of coincidence with the occurrence of the event in the test data.

機械学習部１８は、以前の解析モデルよりも結果が向上したかを判定する（ステップＳ２４）。機械学習部１８は、ステップＳ２２の処理の一致度がより高い場合、結果が向上したと判定する。機械学習部１８は、結果が向上したと判定した場合（ステップＳ２４でＹｅｓ）、新たな解析モデルを現時点の解析モデルに選定する（ステップＳ２６）。つまり、機械学習部１８は、ステップＳ２０で作成した新たな解析モデルを現時点の解析モデルとする。 The machine learning unit 18 determines whether the result is improved over the previous analysis model (step S24). The machine learning unit 18 determines that the result is improved when the degree of matching in the process of step S22 is higher. When the machine learning unit 18 determines that the results have improved (Yes in step S24), it selects a new analysis model as the current analysis model (step S26). That is, the machine learning unit 18 sets the new analysis model created in step S20 as the current analysis model.

機械学習部１８は、結果が向上していないと判定した場合（ステップＳ２４でＮｏ）、新たな解析モデル破棄する（ステップＳ２８）。つまり、機械学習部１８は、ステップＳ１８で取得した現時点の解析モデルを維持する。機械学習部１８は、ステップＳ２６またはステップＳ２８の処理を実行した場合、解析モデルの作成処理を所定回数以上実行したかを判定する（ステップＳ３０）。機械学習部１８は、所定回数以上実行していないと判定した場合（ステップＳ３０でＮｏ）、つまり、繰り返し回数が所定回数に到達していないと判定した場合、ステップＳ１６に戻り、トレーニングデータセットからのデータの抽出を行う処理以降の処理を再度実行する。機械学習部１８は、所定回数以上実行したと判定した場合（ステップＳ３０でＹｅｓ）、本処理を終了する。 When the machine learning unit 18 determines that the results have not improved (No in step S24), the new analysis model is discarded (step S28). That is, the machine learning unit 18 maintains the current analysis model acquired in step S18. When the process of step S26 or step S28 is executed, the machine learning unit 18 determines whether or not the analysis model creation process has been executed a predetermined number of times or more (step S30). If the machine learning unit 18 determines that it has not been executed a predetermined number of times or more (No in step S30), that is, if it determines that the number of repetitions has not reached the predetermined number, the process returns to step S16, and The process after the process of extracting the data of is executed again. When the machine learning unit 18 determines that the process has been executed a predetermined number of times or more (Yes in step S30), the process ends.

機械学習部１８は、上述したように図４の処理に対して機械学習を行い、学習済みプログラムを作成する。 The machine learning unit 18 performs machine learning on the process of FIG. 4 as described above, and creates a learned program.

図５を用いて、予測部３０の予測処理の一例を説明する。予後予測装置１６の予測部３０は、機械学習の結果を読み込む（ステップＳ６２）。つまり予後予測プログラム作成装置１４の機械学習部１８の出力である学習済みプログラム１３４を読み込む。次に、予測部３０は、解析対象者のデータを取得する（ステップＳ６４）。解析対象者は、１名でも複数名でもよい。また、解析対象者の検査の時系列データの数値が範囲で示されたものでもよい。 An example of the prediction processing of the prediction unit 30 will be described with reference to FIG. The prediction unit 30 of the prognosis prediction device 16 reads the result of machine learning (step S62). That is, the learned program 134 that is the output of the machine learning unit 18 of the prognosis prediction program creation device 14 is read. Next, the prediction unit 30 acquires data on the person to be analyzed (step S64). The analysis subject may be one or more. Also, numerical values of the time-series data of examinations of the person to be analyzed may be indicated by a range.

予測部３０は、取得した解析対象者データを、機械学習済みプログラム１３４により計算し、予測結果を作成する（ステップＳ６６）。予測部３０は、予測結果として、解析対象者データに含まれる期間よりも先でのイベントの発生に関する予測を作成する。次に、予測部３０は、予測結果を出力する（ステップＳ６８）。予測部３０は、予測結果をイベントの発生リスクを時系列で示したグラフを出力させてもよいし、数値としてイベントの発生確率（リスク）を出力してもよい。 The prediction unit 30 calculates the obtained analysis target person data using the machine-learned program 134 and creates a prediction result (step S66). As a prediction result, the prediction unit 30 creates a prediction regarding the occurrence of an event prior to the period included in the analysis target person data. Next, the prediction unit 30 outputs the prediction result (step S68). The prediction unit 30 may output a graph showing the prediction result as the event occurrence risk in chronological order, or may output the event occurrence probability (risk) as a numerical value.

予後予測システム１０は、以上のように、予後予測プログラム作成装置１４で、複数の対象者の検査の時系列データと、前記対象者に発生したイベントの情報とを用いて、機械学習を行い、予後予測装置１６で、解析対象者の検査の時系列データより、機械学習の結果の学習済みプログラムを用いて、予測を行うことで、高い精度で前記解析対象者の予後イベントを予測することができる。 As described above, the prognosis prediction system 10 uses the prognosis prediction program creation device 14 to perform machine learning using time-series data of examinations of a plurality of subjects and information on events that have occurred in the subjects, The prognosis prediction device 16 predicts the prognosis event of the analysis subject with high accuracy from the time-series data of the examination of the analysis subject using the learned program of the result of machine learning. can.

また、前記検査の時系列データは、日単位で記録されたデータであることが好ましい。これにより、効率よく解析を行うことができる。また、検査が行われていない日は、実行されている日では、生じない数値を与えることで、高い精度で学習を行うことができる。 Moreover, it is preferable that the time-series data of the examination is data recorded on a daily basis. This allows efficient analysis. In addition, by giving numerical values that do not occur on days when inspection is not performed, learning can be performed with high accuracy.

次に、本実施形態の予後予測システム１０で予測を行った例について説明する。本実施例では、医療従事者用の抗血栓療法トライアルデータベース（GARFIELD-AF：Global Anticoagulant Registry in the Field-Atrial Fibrillation）の症例データを用いた。具体的には、抗凝固薬としてビタミンK阻害薬（ＶＫＡ）を服用している症例且つVKA投薬開始から１ヵ月以内に３回以上の血液凝固機能検査であるＰＴ―ＩＮＲ（prothrombin time-international normalized ratio、プロトロンビン時間国際標準比）の検査行った対象者を選択し、そのＰＴ―ＩＮＲデータおよびＧＡＲＦＩＥＬＤ―ＡＦにおける観察期間が１２ヵ月以内に発生した死亡、脳卒中・全身塞栓症、重篤な出血イベント発症の有無を抽出した。データベースから抽出したデータセットの１部を学習用データセットとして用い、データベースから抽出した別のデータセットを検証用データセットとして用いた。本実施例では、第１イベントとして重篤な出血の場合の予測モデルを作成し、第２イベントとして脳卒中の場合の予測モデルを作成し、第３イベントとして死亡の場合の予測モデルを作成した。重篤な出血とは、４００ｃｃ以上の輸血が必要となった場合である。第１モデルの場合、教師データとして、４０８５例を用いて、３１８５例をトレーニングデータとし、１５２３例をテストデータとした。また、比較のために、抗凝固剤治療の効果の評価として標準的に用いられるＴＴＲ（Time in Therapeutic Range）での評価も行った。 Next, an example of prediction performed by the prognosis prediction system 10 of the present embodiment will be described. In this example, case data from the antithrombotic therapy trial database for healthcare professionals (GARFIELD-AF: Global Anticoagulant Registry in the Field-Atrial Fibrillation) was used. Specifically, PT-INR (prothrombin time-international normalized), which is a blood coagulation function test 3 times or more within 1 month from the start of VKA administration and patients taking vitamin K inhibitors (VKA) as anticoagulants. ratio, international standard ratio of prothrombin time) were selected, and the PT-INR data and GARFIELD-AF observation period occurred within 12 months of death, stroke/systemic embolism, and serious bleeding events The presence or absence of onset was extracted. A part of the data set extracted from the database was used as a training data set, and another data set extracted from the database was used as a verification data set. In this example, a predictive model for severe bleeding was created as the first event, a predictive model for stroke was created as the second event, and a predictive model for death was created as the third event. Severe bleeding is when more than 400 cc of blood transfusion is required. In the case of the first model, 4085 examples were used as teacher data, 3185 examples were used as training data, and 1523 examples were used as test data. For comparison, TTR (Time in Therapeutic Range), which is standardly used to evaluate the effect of anticoagulant therapy, was also evaluated.

また、機械学習部１８は、オープンソースの機械学習ライブラリKeras（Keras Documentation (https://keras.io/ja/)）を用い、ＬＳＴＭ処理（図４のステップＳ４２,Ｓ４６,Ｓ５０）のＬＳＴＭ関数(keras.layers.LSTM)のパラメータは、units=100, return_sequences=true、他をデフォルト値とし、１次元畳み込み処理（図４のステップＳ４４,Ｓ４８,Ｓ５２）の１次元畳み込み関数(keras.layers.Conv1D)のパラメータは、filter=64、kernel_size=3、他をデフォルト値とし、１回目の全結合処理（図４のステップＳ５４）の全結合関数(keras.layers.Dense)のパラメータは、units=30, activation=relu、他をデフォルト値、２回目の全結合処理（図４のステップＳ５６）の全結合関数のパラメータは、units=1 activation=sigmoid、他をデフォルト値とした。 In addition, the machine learning unit 18 uses the open source machine learning library Keras (Keras Documentation (https://keras.io/ja/)), LSTM function of LSTM processing (steps S42, S46, S50 in FIG. 4) The parameters of (keras.layers.LSTM) are units=100, return_sequences=true, and other default values, and the one-dimensional convolution function (keras.layers. Conv1D) parameters are set to filter=64, kernel_size=3, and other default values, and the parameters of the fully-connected function (keras.layers.Dense) of the first fully-connected process (step S54 in FIG. 4) are units= 30, activation=relu, default values for others, and units=1, activation=sigmoid, and others for default values for the parameters of the full connection function in the second full connection process (step S56 in FIG. 4).

図６は、予後予測システムの第１イベントの予測結果の一例を示すグラフである。図７は、第１イベントの予測結果と比較例との信頼性を示すグラフである。図６は、本実施例（ＡI）と、ＴＴＲの場合のＲＯＣ曲線（Receiver Operating Characteristic curve）を示している。縦軸が感度、横軸が偽陽性率（１－特異度）である。図７は、本実施例と比較例のＡＵＣ（Area under an ROC curve）を示している。図６に示すように、本実施例は、ｐ値が０．０１以下となる。また、本実施例は、ＡＵＣが、０．７５（９５％カットラインで、０．６２以上０．８７以下）であった。これに対して、ＴＴＲの場合は、ＡＵＣが、０．４７（９５％カットラインで、０．３２以上０．６１以下）であった。以上より、本実施形態の解析をもちいることで、より信頼性が高い予測ができることが分かる。 FIG. 6 is a graph showing an example of a prediction result of the first event of the prognosis prediction system. FIG. 7 is a graph showing the reliability of the prediction result of the first event and the comparative example. FIG. 6 shows ROC curves (Receiver Operating Characteristic curves) for this embodiment (AI) and TTR. The vertical axis is the sensitivity, and the horizontal axis is the false positive rate (1-specificity). FIG. 7 shows the AUC (Area under an ROC curve) of this example and a comparative example. As shown in FIG. 6, in this example, the p-value is 0.01 or less. In addition, in this example, the AUC was 0.75 (0.62 or more and 0.87 or less at the 95% cut line). On the other hand, in the case of TTR, AUC was 0.47 (0.32 or more and 0.61 or less at the 95% cut line). From the above, it can be seen that more reliable prediction can be made by using the analysis of this embodiment.

図８は、予後予測システムの第２イベントの予測結果の一例を示すグラフである。図９は、第２イベントの予測結果と比較例との信頼性を示すグラフである。図８は、本実施例（Ａｌ）と、ＴＴＲの場合のＲＯＣ曲線を示している。縦軸が感度、横軸が偽陽性率（１－特異度）である。図９は、本実施例と比較例のＡＵＣ（Area under an ROC curve）を示している。図９に示すように、本実施例は、ｐ値が０．０８以下であるが、ＴＴＲよりも信頼性が高いことが分かる。また、本実施例は、ＡＵＣが、０．７０（９５％カットラインで、０．５６以上０．８３以下）であった。これに対して、ＴＴＲの場合は、ＡＵＣが、０．４７（９５％カットラインで、０．３１以上０．６４以下）であった。以上より、本実施形態の解析をもちいることで、より信頼性が高い予測ができることが分かる。 FIG. 8 is a graph showing an example of a prediction result of the second event of the prognosis prediction system. FIG. 9 is a graph showing the reliability of the prediction result of the second event and the comparative example. FIG. 8 shows ROC curves for this example (Al) and for TTR. The vertical axis is the sensitivity, and the horizontal axis is the false positive rate (1-specificity). FIG. 9 shows AUC (Area under an ROC curve) of this example and a comparative example. As shown in FIG. 9, although the p-value of this example is 0.08 or less, it can be seen that the reliability is higher than that of TTR. In this example, AUC was 0.70 (0.56 or more and 0.83 or less at the 95% cut line). On the other hand, in the case of TTR, AUC was 0.47 (0.31 or more and 0.64 or less at the 95% cut line). From the above, it can be seen that more reliable prediction can be made by using the analysis of this embodiment.

図１０は、予後予測システムの第３イベントの予測結果の一例を示すグラフである。図１１は、第３イベントの予測結果と比較例との信頼性を示すグラフである。図１０は、本実施例（Ａｌ）と、ＴＴＲの場合のＲＯＣ曲線を示している。縦軸が感度、横軸が偽陽性率（１－特異度）である。図１１は、本実施例と比較例のＡＵＣ（Area under an ROC curve）を示している。図１０に示すように、本実施例は、ｐ値が０．０１であり、ＴＴＲよりも信頼性が高いことが分かる。また、本実施例は、ＡＵＣが、０．６１（９５％カットラインで、０．５４以上０．６７以下）であった。これに対して、ＴＴＲの場合は、ＡＵＣが、０．４８（９５％カットラインで、０．４２以上０．５４以下）であった。以上より、本実施形態の解析を用いることで、より信頼性が高い予測ができることが分かる。 FIG. 10 is a graph showing an example of the prediction result of the third event of the prognosis prediction system. FIG. 11 is a graph showing the reliability of the prediction result of the third event and the comparative example. FIG. 10 shows ROC curves for this example (Al) and for TTR. The vertical axis is the sensitivity, and the horizontal axis is the false positive rate (1-specificity). FIG. 11 shows AUC (Area under an ROC curve) of this example and a comparative example. As shown in FIG. 10, this example has a p-value of 0.01, indicating that it is more reliable than TTR. In this example, AUC was 0.61 (0.54 or more and 0.67 or less at the 95% cut line). On the other hand, in the case of TTR, AUC was 0.48 (0.42 or more and 0.54 or less at the 95% cut line). From the above, it can be seen that more reliable prediction can be made by using the analysis of this embodiment.

次に、本実施例で作成した予測部を用いて、第１イベントから第３イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を算出した。図１２は、本実施例での第１イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を示すグラフである。図１３は、本実施例での第２イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を示すグラフである。図１４は、本実施例での第３イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を示すグラフである。図１２から図１４に示すように、いずれの場合でも、ハイリスクの対象者と、ローリスクの対象者とで、発生確率に差が生じることが分かる。また、ハイリスクの対象者がイベントの発生リスクが高い予測となることもわかる。以上より、予後予測システム１０で有効な予測ができていることが分かる。 Next, using the prediction unit created in the present embodiment, the temporal transition of the event occurrence rate for the high-risk and low-risk subjects was calculated for the first event to the third event. FIG. 12 is a graph showing temporal transitions of event occurrence ratios for high-risk and low-risk subjects for the first event in this embodiment. FIG. 13 is a graph showing the temporal transition of the event occurrence rate for the high-risk and low-risk subjects regarding the second event in this embodiment. FIG. 14 is a graph showing the temporal transition of the event occurrence rate for the high-risk and low-risk subjects for the third event in this example. As shown in FIGS. 12 to 14, in any case, it can be seen that there is a difference in occurrence probability between high-risk subjects and low-risk subjects. It can also be seen that high-risk subjects are predicted to have a high event occurrence risk. From the above, it can be seen that the prognosis prediction system 10 can make effective predictions.

次に、別のテストデータを用いて、同様の解析を行った場合を図１５から図２３に示す。図１５は、予後予測システムの第１イベントの予測結果の一例を示すグラフである。図１６は、第１イベントの予測結果と比較例との信頼性を示すグラフである。図１５は、本実施例（ＡI）と、ＴＴＲの場合のＲＯＣ曲線を示している。縦軸が感度、横軸が偽陽性率（１－特異度）である。図１６は、本実施例と比較例のＡＵＣ（Area under an ROC curve）を示している。図１５に示すように、本実施例は、ｐ値が０．０１以下となる。また、本実施例は、ＡＵＣが、０．６９（９５％カットラインで、０．６２以上０．７６以下）であった。これに対して、ＴＴＲの場合は、ＡＵＣが、０．５４（９５％カットラインで、０．４６以上０．６２以下）であった。以上より、本実施形態の解析をもちいることで、より信頼性が高い予測ができることが分かる。 Next, FIGS. 15 to 23 show cases where similar analysis was performed using other test data. FIG. 15 is a graph showing an example of a prediction result of the first event of the prognosis prediction system. FIG. 16 is a graph showing the reliability of the prediction result of the first event and the comparative example. FIG. 15 shows ROC curves for this example (AI) and TTR. The vertical axis is the sensitivity, and the horizontal axis is the false positive rate (1-specificity). FIG. 16 shows AUC (Area under an ROC curve) of this example and a comparative example. As shown in FIG. 15, in this example, the p-value is 0.01 or less. In this example, AUC was 0.69 (0.62 or more and 0.76 or less at the 95% cut line). On the other hand, in the case of TTR, AUC was 0.54 (0.46 or more and 0.62 or less at the 95% cut line). From the above, it can be seen that more reliable prediction can be made by using the analysis of this embodiment.

図１７は、予後予測システムの第２イベントの予測結果の一例を示すグラフである。図１８は、第２イベントの予測結果と比較例との信頼性を示すグラフである。図１７は、本実施例（Ａｌ）と、ＴＴＲの場合のＲＯＣ曲線を示している。縦軸が感度、横軸が偽陽性率（１－特異度）である。図１８は、本実施例と比較例のＡＵＣ（Area under an ROC curve）を示している。図１８に示すように本実施例は、ＡＵＣが、０．６５（９５％カットラインで、０．５６以上０．７４以下）であった。これに対して、ＴＴＲの場合は、ＡＵＣが、０．６２（９５％カットラインで、０．５２以上０．７２以下）であった。以上より、本実施形態の解析をもちいることで、より信頼性が高い予測ができることが分かる。 FIG. 17 is a graph showing an example of a prediction result of the second event of the prognosis prediction system. FIG. 18 is a graph showing the reliability of the prediction result of the second event and the comparative example. FIG. 17 shows ROC curves for this example (Al) and TTR. The vertical axis is the sensitivity, and the horizontal axis is the false positive rate (1-specificity). FIG. 18 shows AUC (Area under an ROC curve) of this example and a comparative example. As shown in FIG. 18, in this example, the AUC was 0.65 (0.56 or more and 0.74 or less at the 95% cut line). On the other hand, in the case of TTR, AUC was 0.62 (0.52 or more and 0.72 or less at the 95% cut line). From the above, it can be seen that more reliable prediction can be made by using the analysis of this embodiment.

図１９は、予後予測システムの第３イベントの予測結果の一例を示すグラフである。図２０は、第３イベントの予測結果と比較例との信頼性を示すグラフである。図１９は、本実施例（Ａｌ）と、ＴＴＲの場合のＲＯＣ曲線を示している。縦軸が感度、横軸が偽陽性率（１－特異度）である。図２０は、本実施例と比較例のＡＵＣ（Area under an ROC curve）を示している。図１９に示すように、本実施例は、ｐ値が０．０９であり、ＴＴＲよりも信頼性が高いことが分かる。また、本実施例は、ＡＵＣが、０．５７（９５％カットラインで、０．５２以上０．６３以下）であった。これに対して、ＴＴＲの場合は、ＡＵＣが、０．５１（９５％カットラインで、０．４５以上０．５６以下）であった。以上より、本実施形態の解析を用いることで、より信頼性が高い予測ができることが分かる。 FIG. 19 is a graph showing an example of the prediction result of the third event of the prognosis prediction system. FIG. 20 is a graph showing the reliability of the prediction result of the third event and the comparative example. FIG. 19 shows ROC curves for this example (Al) and TTR. The vertical axis is the sensitivity, and the horizontal axis is the false positive rate (1-specificity). FIG. 20 shows AUC (Area under an ROC curve) of this example and a comparative example. As shown in FIG. 19, this example has a p-value of 0.09, indicating higher reliability than TTR. In addition, in this example, the AUC was 0.57 (0.52 or more and 0.63 or less at the 95% cut line). On the other hand, in the case of TTR, AUC was 0.51 (0.45 or more and 0.56 or less at the 95% cut line). From the above, it can be seen that more reliable prediction can be made by using the analysis of this embodiment.

次に、本実施例で作成した予測部を用いて、第１イベントから第３イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を算出した。図２１は、本実施例での第１イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を示すグラフである。図２２は、本実施例での第２イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を示すグラフである。図２３は、本実施例での第３イベントについて、ハイリスクとローリスクの対象者のイベント発生割合の時間推移を示すグラフである。図２１から図２３に示すように、いずれの場合でも、ハイリスクの対象者と、ローリスクの対象者とで、発生確率に差が生じることが分かる。また、ハイリスクの対象者がイベントの発生リスクが高い予測となることもわかる。以上より、予後予測システム１０で有効な予測ができていることが分かる。 Next, using the prediction unit created in the present embodiment, the temporal transition of the event occurrence rate for the high-risk and low-risk subjects was calculated for the first event to the third event. FIG. 21 is a graph showing temporal transitions of event occurrence ratios for high-risk and low-risk subjects for the first event in this embodiment. FIG. 22 is a graph showing the temporal transition of the event occurrence rate for the high-risk and low-risk subjects regarding the second event in this example. FIG. 23 is a graph showing the temporal transition of the event occurrence rate for the high-risk and low-risk subjects for the third event in this embodiment. As shown in FIGS. 21 to 23, in any case, it can be seen that there is a difference in occurrence probability between high-risk subjects and low-risk subjects. It can also be seen that high-risk subjects are predicted to have a high event occurrence risk. From the above, it can be seen that the prognosis prediction system 10 can make effective predictions.

また、予後予測システム１０は、投薬開始から１か月の検査結果の時系列のデータと１２か月のイベント発生データを学習し、予測部は、解析対象者の投薬開始から１か月のデータに基づいて、投薬開始から１２か月の間のイベントの発生予測を行うことで、上記実施形態のように、イベントの発生を高い確率で予測することができる。なお、本実施形態では、投薬開始後の検査の時系列データを１ヶ月として、イベントの発生を１２か月としたがこれに限定されず、投薬開始後の検査の時系列データを１ヶ月として、イベントの発生を３か月として学習を行い、予測するようにしてもよい。また、投薬後の服用、検査の時系列データを３ヶ月として、イベントの発生を１２か月として学習を行い、３か月の時系列データに基づいて、１２か月のイベントの発生（実際には３か月経過後から１２か月目まで）の予測するようにしてもよい。具体的には、第１期間の検査の時系列データと、第１期間よりも長い第２期間のイベント発生のデータとを用いて学習を行い、学習済みプログラムを作成し、予測部で学習済みプログラムを用いて、解析対象者の第１期間の検査の時系列データで、イベントの発生を予測する。ここで、第１期間は、２０日以上３月以内とし、第２期間は、３月以上１２月以内とすることが好ましい。また、予測部は、解析対象者の投薬開始から３回の検査の結果で予測を実行することができることが好ましい。 In addition, the prognosis prediction system 10 learns time-series data of test results for one month from the start of medication and event occurrence data for 12 months, and the prediction unit learns data for one month from the start of medication for the analysis subject. By predicting the occurrence of an event for 12 months from the start of medication based on, the occurrence of an event can be predicted with a high probability as in the above embodiment. In the present embodiment, the time-series data of the examination after the start of medication is set to 1 month, and the occurrence of the event is set to 12 months, but the present invention is not limited to this. , the occurrence of an event may be performed for three months, and learning may be performed for prediction. In addition, learning is performed by setting the time-series data of administration and examinations after medication to 3 months and the occurrence of events to 12 months. may be predicted from 3 months to 12 months). Specifically, learning is performed using the time-series data of the inspection in the first period and the event occurrence data in the second period, which is longer than the first period, to create a learned program, and the prediction unit completes the learning. A program is used to predict the occurrence of an event based on the time-series data of examinations of the person to be analyzed in the first period. Here, it is preferable that the first period is 20 days or more and 3 months or less, and the second period is 3 months or more and 12 months or less. Moreover, it is preferable that the prediction unit can execute the prediction based on the results of three examinations from the start of administration of the person to be analyzed.

また、検査は、血液の数値を検出する検査であること、投薬する薬剤は、血液抗凝固剤である場合、の効果は上記より明らかである。また、イベントは、重篤な出血、脳卒中、死亡のいずれかであることで、上述したように、従来の予測よりも精度を高くできることが分かる。特にイベントとして重篤な出血は、高い精度で予測が行うことができることが分かる。特に、実施例のように抗凝固剤服用開始後１ヶ月以内に３回以上のＰＴ－ＩＮＲ検査により１－１２か月の重篤な出血を予測する場合、高い精度で予測を行うことができる。 Moreover, the effects of the above are clear when the test is a test for detecting blood values, and when the drug to be administered is a blood anticoagulant. It can also be seen that the event can be one of severe hemorrhage, stroke, or death, which can be more accurate than conventional predictions, as described above. In particular, it can be seen that serious bleeding as an event can be predicted with high accuracy. In particular, when predicting severe bleeding for 1 to 12 months by PT-INR test 3 or more times within 1 month after starting anticoagulant administration as in the example, prediction can be performed with high accuracy. .

以上、本発明の実施形態を説明したが、この実施形態の内容により実施形態が限定されるものではない。また、前述した構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。さらに、前述した構成要素は適宜組み合わせることが可能である。さらに、前述した実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換又は変更を行うことができる。 Although the embodiment of the present invention has been described above, the embodiment is not limited by the contents of this embodiment. In addition, the components described above include those that can be easily assumed by those skilled in the art, those that are substantially the same, and those within the so-called equivalent range. Furthermore, the components described above can be combined as appropriate. Furthermore, various omissions, replacements, or modifications of components can be made without departing from the gist of the above-described embodiments.

予後予測システム１０は、学習用データベースとして、対象者の投薬の時系列データを含めてもよい。つまり、予後予測システム１０は、対象者の、投薬の時系列データと、検査の時系列データと、検査の結果と、対象者に発生したイベントの情報とで、機械学習を行い、イベントの発生に関する予測を行う予後予測プログラムを作成し、作成した予後予測プログラムを解析対象者の投薬の時系列データと、検査の時系列データと、検査の結果と、に基づいて、イベントの発生を予測することが好ましい。投薬の時系列データは、対象者が薬を服用する日と、その日に服用する薬の量のデータである。また、投薬の時系列データは、日単位で記録されたデータであることが好ましい。これにより、効率よく解析を行うことができる。また、検査が行われていない日、投薬（薬の服用）が行われていない日は、それぞれが実行されている日では、生じない数値を与えることで、高い精度で学習を行うことができる。 The prognosis prediction system 10 may include chronological data of the subject's medication as a database for learning. That is, the prognosis prediction system 10 performs machine learning on the subject's time-series data of medication, time-series data of examinations, examination results, and information on events that have occurred in the subject, and performs machine learning. Predict the occurrence of an event based on the time-series data of the drug administration of the subject, the time-series data of the test, and the result of the test. is preferred. The time-series data of medication is data on the day on which the subject takes medicine and the amount of medicine taken on that day. In addition, the time-series data of medication is preferably data recorded on a daily basis. This allows efficient analysis. In addition, on days when tests are not performed and days when medication (medication) is not performed, by giving numerical values that do not occur on days when each is performed, learning can be performed with high accuracy. .

また、本実施形態は、投薬する薬剤としては、血液の抗凝固剤を対象とし、対象者の検査結果として、血液検査の結果を用いる場合を例として説明するが、本実施形態はこれに限定されない。例えば、検査項目としては、血液から取得した結果ではなく、尿検査で取得した結果を用いるようにしてもよく、身体測定で取得した結果を用いるようにしてもよい。また、投薬する薬剤も血液の抗凝固剤に限定されず、種々の薬剤を対象とすることができる。さらにイベントも出血、脳梗塞、死亡に限定されない。なお、学習に用いるデータユニットは、多いことが好ましい。 In this embodiment, a blood anticoagulant is targeted as a drug to be administered, and the result of a blood test is used as a test result of a subject. However, this embodiment is limited to this. not. For example, as test items, instead of the results obtained from blood, the results obtained from a urine test may be used, or the results obtained from physical measurements may be used. In addition, drugs to be administered are not limited to blood anticoagulants, and various drugs can be targeted. Furthermore, events are not limited to hemorrhage, cerebral infarction, and death. It should be noted that the number of data units used for learning is preferably large.

また、機械学習部は、予測に用いたデータのイベントデータの有無を蓄積し、再学習するようにしてもよい。 Also, the machine learning unit may store the presence or absence of event data in the data used for prediction, and perform re-learning.

１０予後予測システム
１２検査装置
１４予後予測プログラム作成装置
１６予後予測装置
１８機械学習部
２０入力部
２２表示部
２４学習用データベース
２６記憶部
３０予測部
３２入力部
３４表示部
１２２データセット作成部
１２４学習管理部
１２６ＬＳＴＭ処理部
１２８畳み込み処理部
１３０演算部
１３２記憶部
１３４学習済みプログラム 10 prognosis prediction system 12 examination device 14 prognosis prediction program creation device 16 prognosis prediction device 18 machine learning unit 20 input unit 22 display unit 24 learning database 26 storage unit 30 prediction unit 32 input unit 34 display unit 122 data set creation unit 124 learning Management unit 126 LSTM processing unit 128 Convolution processing unit 130 Calculation unit 132 Storage unit 134 Learned program

Claims

過去に評価対象の投薬が行われた対象者の検査の時系列データと、前記対象者に発生したイベントの情報と、を複数の対象者について記憶する学習用データベースと、前記学習用データベースに記憶された対象者毎の前記検査の時系列データと、前記対象者に発生したイベントと、を含む学習データを、時系列を考慮可能なモデルで機械学習し、検査の時系列データの入力に対してイベントの発生予測の結果を出力する学習済みプログラムを作成する機械学習部を含む予後予測プログラム作成装置と、
評価対象の投薬が行われた解析対象者の検査の時系列データを入力する入力部、前記機械学習部で作成した学習済みプログラムと、前記入力部に入力された前記解析対象者の検査の時系列データとに基づいて、前記解析対象者のイベントの発生予測を行う予測部と、を備える予後予測装置と、を含み、
前記イベントは、出血の発生または血栓の発生に関するイベントであり、
前記検査は、血液の数値を検出する検査であり、
前記検査の時系列データは、所定時間間隔毎のデータであり、検査を行っていない時間間隔のタイミングでは、取得されない所定の値が登録される予後予測システム。 a learning database for storing, for a plurality of subjects, time-series data of examinations of subjects who were administered medication as an evaluation target in the past, and information on events that occurred in the subjects; and storage in the learning database. Machine learning is performed on the learning data including the time series data of the test for each subject and the event that occurred in the subject using a model that can consider the time series, and the input of the time series data of the test a prognosis prediction program creation device including a machine learning unit that creates a learned program that outputs the result of predicting the occurrence of an event using
An input unit for inputting time-series data of examinations of an analysis subject to whom the evaluation target medication was administered, a learned program created by the machine learning unit, and examination times of the analysis subject input to the input unit a prognosis prediction device comprising a prediction unit that predicts the occurrence of an event in the person to be analyzed based on the series data ,
the event is an event related to the occurrence of bleeding or the occurrence of thrombosis;
The test is a test for detecting blood values,
The prognosis prediction system wherein the time-series data of examinations is data for each predetermined time interval, and a predetermined value that is not obtained at the timing of the time interval when examination is not performed is registered .

前記検査の時系列データは、日単位で記録されたデータである請求項１に記載の予後予測システム。 The prognosis prediction system according to claim 1, wherein the time-series data of examinations are data recorded on a daily basis.

前記機械学習部は、投薬開始から第１期間の時系列のデータと投薬開始から前記第１期間よりも長い第２期間のイベント発生データを学習し、
前記予測部は、前記解析対象者の投薬開始から前記第１期間のデータに基づいて、投薬開始から前記第２期間の間の前記イベントの発生予測を行う請求項１に記載の予後予測システム。 The machine learning unit learns time-series data for a first period from the start of medication and event occurrence data for a second period longer than the first period from the start of medication,
The prognosis prediction system according to claim 1, wherein the prediction unit predicts the occurrence of the event during the second period from the start of medication based on the data from the first period from the start of medication of the subject to be analyzed.

第１期間は、２０日以上３月以内であり、
第２期間は、３月以上１２月以内である請求項３に記載の予後予測システム。 The first period is from 20 days to 3 months,
The prognosis prediction system according to claim 3, wherein the second period is from 3 months to 12 months.

投薬する薬剤は、血液抗凝固剤である請求項１から４のいずれか一項に記載の予後予測システム。 The prognosis prediction system according to any one of claims 1 to 4 , wherein the drug to be administered is a blood anticoagulant.

前記イベントは、死亡、脳卒中・全身塞栓症、重篤な出血のいずれかである請求項１から５のいずれか一項に記載の予後予測システム。 The prognosis prediction system according to any one of claims 1 to 5, wherein the event is death, stroke/systemic embolism, or serious bleeding .

前記学習データは、投薬の時系列データを含む請求項１から６のいずれか一項に記載の予後予測システム。 The prognosis prediction system according to any one of claims 1 to 6 , wherein the learning data includes time-series data of medication.

前記機械学習部は、ＬＳＴＭ処理をした後、畳み込み処理を少なくとも１回以上行う処理と、畳み込み処理を行った結果に対して全結合処理を行う請求項１から７のいずれか一項に記載の予後予測システム。 8. The machine learning unit according to any one of claims 1 to 7 , wherein after LSTM processing, convolution processing is performed at least one time or more, and full connection processing is performed on the results of convolution processing. Prognostic prediction system.

評価対象の投薬が行われた解析対象者の検査の時系列データを入力する入力部と、
評価対象の投薬が行われた対象者の検査の時系列データと、前記対象者に発生したイベントの情報と、を複数の対象者分含む学習データを、時系列を考慮可能なモデルで機械学習し、検査の時系列データの入力に対してイベントの発生予測の結果を出力できる学習済みプログラムを記憶する記憶部と、
学習済みプログラムを用いて、前記入力部に入力された解析対象者のデータに基づいて、解析対象者のイベントの発生予測を行う予測部と、を含み、
前記イベントは、出血の発生または血栓の発生に関するイベントであり、
前記検査は、血液の数値を検出する検査であり、
前記検査の時系列データは、所定時間間隔毎のデータであり、検査を行っていない時間間隔のタイミングでは、取得されない所定の値が登録される予後予測装置。 an input unit for inputting time-series data of examinations of an analysis subject to whom the evaluation target medication was administered;
Machine learning using a model capable of considering the time series of learning data for multiple subjects, including time-series data of examinations of subjects to whom the evaluation target medication was administered and information on events that occurred in the subjects. a storage unit for storing a learned program capable of outputting a result of predicting the occurrence of an event in response to an input of time-series data of inspection;
a prediction unit that predicts the occurrence of an event for the person to be analyzed based on the data of the person to be analyzed input to the input unit using a learned program ;
the event is an event related to the occurrence of bleeding or the occurrence of thrombosis;
The test is a test for detecting blood values,
The time-series data of the test is data for each predetermined time interval, and the prognosis prediction device registers a predetermined value that is not acquired at the timing of the time interval when the test is not performed .

評価対象の投薬が行われた対象者の検査の時系列データと、前記対象者に発生したイベントの情報と、を複数の対象者分含む学習データを用いて、時系列を考慮可能なモデルで機械学習し、解析対象者の投薬開始から第１期間の検査の時系列データに基づいて、投薬開始からの前記第１期間よりも長い第２期間での前記イベントの発生予測を行う学習済みプログラムを作成し、
前記イベントは、出血の発生または血栓の発生に関するイベントであり、
前記検査は、血液の数値を検出する検査であり、
前記検査の時系列データは、所定時間間隔毎のデータであり、検査を行っていない時間間隔のタイミングでは、取得されない所定の値が登録される予後予測プログラム作成装置。 A model that can consider time series using learning data that includes time-series data of examinations of subjects who have been administered medication to be evaluated and information on events that have occurred in the subjects for multiple subjects. A learned program that performs machine learning and predicts the occurrence of the event in a second period longer than the first period from the start of medication based on time-series data of examinations in the first period from the start of medication of the analysis subject. and create
the event is an event related to the occurrence of bleeding or the occurrence of thrombosis;
The test is a test for detecting blood values,
The time-series data of the examination is data for each predetermined time interval, and the prognosis prediction program creation device registers a predetermined value that is not acquired at the timing of the time interval when the examination is not performed .

評価対象の投薬が行われた対象者の検査の時系列データと、前記対象者に発生したイベントの情報と、を複数の対象者分含む学習データを用いて、時系列を考慮可能なモデルで機械学習し、解析対象者の投薬開始から検査の時系列データの入力に対してイベントの発生予測の結果を出力する学習済みプログラムを作成するステップと、
入力された評価対象の投薬が行われた解析対象者の検査の時系列データと、機械学習で作成した学習済みプログラムと、に基づいて、前記解析対象者のイベントの発生予測を行う予測ステップと、を備え、
前記イベントは、出血の発生または血栓の発生に関するイベントであり、
前記検査は、血液の数値を検出する検査であり、
前記検査の時系列データは、所定時間間隔毎のデータであり、検査を行っていない時間間隔のタイミングでは、取得されない所定の値が登録される予後予測方法。 A model that can consider time series using learning data that includes time-series data of examinations of subjects who have been administered medication to be evaluated and information on events that have occurred in the subjects for multiple subjects. a step of creating a learned program that performs machine learning and outputs the result of predicting the occurrence of an event in response to the input of time-series data from the start of administration of the analysis subject to the examination;
a prediction step of predicting the occurrence of an event in the analysis subject based on the input time-series data of examinations of the analysis subject to whom the evaluation target medication was administered and a learned program created by machine learning; , and
the event is an event related to the occurrence of bleeding or the occurrence of thrombosis;
The test is a test for detecting blood values,
The prognosis prediction method , wherein the time-series data of the test is data for each predetermined time interval, and a predetermined value that is not acquired at the timing of the time interval when the test is not performed is registered .

評価対象の投薬が行われた対象者の検査の時系列データと、前記対象者に発生したイベントの情報と、を複数の対象者分含む学習データを用いて、時系列を考慮可能なモデルで機械学習し、解析対象者の投薬開始から検査の時系列データの入力に対してイベントの発生予測の結果を出力する機械学習の結果を含み、
入力された解析対象者の検査の時系列データと、前記機械学習の結果とに基づいて、前記解析対象者のイベントの発生予測の結果を出力し、
前記イベントは、出血の発生または血栓の発生に関するイベントであり、
前記検査は、血液の数値を検出する検査であり、
前記検査の時系列データは、所定時間間隔毎のデータであり、検査を行っていない時間間隔のタイミングでは、取得されない所定の値が登録される予後予測プログラム。 A model that can consider time series using learning data that includes time-series data of examinations of subjects who have been administered medication to be evaluated and information on events that have occurred in the subjects for multiple subjects. Including the result of machine learning that outputs the result of predicting the occurrence of events in response to the input of time-series data of examination from the start of medication of the subject to be analyzed,
Based on the input time-series data of examinations of the person to be analyzed and the results of the machine learning, outputting a result of predicting the occurrence of an event for the person to be analyzed ,
the event is an event related to the occurrence of bleeding or the occurrence of thrombosis;
The test is a test for detecting blood values,
The prognosis prediction program , wherein the time-series data of the examination is data for each predetermined time interval, and a predetermined value that is not acquired at the timing of the time interval when the examination is not performed is registered .