JP7229491B1 - 学習装置および推定システム - Google Patents
学習装置および推定システム Download PDFInfo
- Publication number
- JP7229491B1 JP7229491B1 JP2021211963A JP2021211963A JP7229491B1 JP 7229491 B1 JP7229491 B1 JP 7229491B1 JP 2021211963 A JP2021211963 A JP 2021211963A JP 2021211963 A JP2021211963 A JP 2021211963A JP 7229491 B1 JP7229491 B1 JP 7229491B1
- Authority
- JP
- Japan
- Prior art keywords
- pain
- data
- time
- period
- learning
- 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
- 238000005259 measurement Methods 0.000 claims abstract description 43
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 6
- 230000000474 nursing effect Effects 0.000 description 23
- 238000000034 method Methods 0.000 description 18
- 238000013079 data visualisation Methods 0.000 description 8
- 230000036772 blood pressure Effects 0.000 description 7
- 230000001932 seasonal effect Effects 0.000 description 7
- 206010039897 Sedation Diseases 0.000 description 6
- 230000035487 diastolic blood pressure Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000001135 Friedman test Methods 0.000 description 5
- 230000036387 respiratory rate Effects 0.000 description 5
- 230000036280 sedation Effects 0.000 description 5
- 230000035488 systolic blood pressure Effects 0.000 description 5
- 230000008921 facial expression Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
被験者の痛みを推定するための痛み推定学習モデルを生成する、学習装置であって、
前記痛み推定学習モデルは、所定の測定項目に係る時系列生体データに基づき、痛みの状況を推定するための学習済みモデルであり、
前記学習装置は、
複数の第1被験者のそれぞれについて、前記測定項目の時系列生体データである第1生体データと、痛みの状況を表す時系列データである痛みデータとを取得し、
各前記第1被験者について、前記第1生体データに基づいて安定期を決定し、
各前記第1被験者について、前記第1生体データに基づいて前記安定期におけるベースラインを決定し、
各前記第1被験者について第1差分データを決定し、前記第1差分データは、前記安定期において前記第1生体データと前記ベースラインとの差分を表す時系列データであり、
各前記第1被験者の前記第1差分データおよび前記痛みデータに基づき、機械学習によって痛み推定学習モデルを生成する。
前記学習装置は、
各前記第1被験者について、12時間分の前記第1生体データに基づいて前記安定期を決定し、前記安定期は12時間より短い所定時間の期間であり、
前記第1差分データは、各前記測定項目についてAOC値およびAUC値を含み、
前記AOC値は、当該測定項目の測定値が前記ベースラインを上回る時刻における、前記測定値と前記ベースラインとの差分の総和であり、
前記AUC値は、当該測定項目の測定値が前記ベースラインを下回る時刻における、前記測定値と前記ベースラインとの差分の総和であり、
前記学習装置は、痛みの状況が表された時刻を起点とする過去前記所定時間の期間において、各前記測定項目に係る前記AOC値および前記AUC値を含むデータと、前記痛みの状況とを関連付けて教師データを生成し、前記教師データを用いた機械学習によって痛み推定学習モデルを生成する。
前記所定時間は1時間であり、
前記学習装置は、
1時間の第1期間分の前記第1生体データを、各前記測定項目について20分ごとに3つのブロックに分割し、
3つの前記ブロックについてフリードマン検定を行うことにより、各前記ブロック間に有意差があるか否かを判定し、
各前記ブロック間に有意差がない場合に変動率を算出し、ここで前記変動率は、前記第1期間分の標準偏差を前記第1期間分の平均値で除した値であり、
すべての前記測定項目について、有意差がなく、かつ前記変動率が所定の閾値を下回る場合に、前記第1期間は安定期であると決定し、
前記第1期間の各前記測定項目の値に基づき、季節調整モデルを用いて、各前記測定項目について前記ベースラインを決定する。
上述の学習装置と、
痛みを推定する推定装置と、
を備える、推定システムであって、
前記推定装置は、
第2被験者について、前記測定項目の時系列生体データである第2生体データを取得し、
前記第2生体データに基づき、前記痛み推定学習モデルを用いて、第2被験者の痛みの状況を推定する。
まず、実施例1の概要を説明する。実施例1に係る推定システムは、医療従事者により実施されてきた従来の評価結果を目的変数とし、患者から自動取得される生体データを説明変数とし、教師データを作成して学習することで、これまで医療従事者が実施していた経験に基づく判断を機械的に再現できるように構成されている。
‐ABP_S(収縮期血圧。すなわち血圧測定時の最高血圧)
‐ABP_M(平均血圧。(収縮期血圧-拡張期血圧)÷3+拡張期血圧で求められる)
‐ABP_D(拡張期血圧。すなわち血圧測定時の最低血圧)
‐RESP(呼吸数)
‐PR(脈拍。たとえば手首の脈波から測定されたもの)
‐HR(心拍。たとえば胸部の心電図から計算されたもの)
‐血圧について閾値0.15。この閾値は、高血圧患者の血圧の通常範囲140~159に基づいて偏差を約20とし、20/((140+159)/2)の値を約0.15として求められた値である。
‐心拍および脈拍について閾値0.3。この閾値は、正常心拍範囲65~85に基づいて偏差を20とし、20/((65+85)/2)≒0.3として求められた値である。
‐呼吸数について閾値0.4。この閾値は、正常呼吸数範囲12~18から偏差を6とし、6/((12+18)/2)=0.4として求められた値である。
‐変数ARTD+は浮動小数点数であり、拡張期血圧における安定期からの差分(AOC値)を表す。
‐変数ARTD-は浮動小数点数であり、拡張期血圧における安定期からの差分(AUC値)を表す。
‐変数ARTM+は浮動小数点数であり、平均血圧における安定期からの差分(AOC値)を表す。
‐変数ARTM-は浮動小数点数であり、平均血圧における安定期からの差分(AUC値)を表す。
‐変数ARTS+は浮動小数点数であり、収縮期血圧における安定期からの差分(AOC値)を表す。
‐変数ARTS-は浮動小数点数であり、収縮期血圧における安定期からの差分(AUC値)を表す。
‐変数PR+は浮動小数点数であり、脈拍における安定期からの差分(AOC値)を表す。
‐変数PR-は浮動小数点数であり、脈拍における安定期からの差分(AUC値)を表す。
‐変数HR+は浮動小数点数であり、心拍における安定期からの差分(AOC値)を表す。
‐変数HR-は浮動小数点数であり、心拍における安定期からの差分(AUC値)を表す。
‐変数RESP+は浮動小数点数であり、呼吸数における安定期からの差分(AOC値)を表す。
‐変数RESP-は浮動小数点数であり、呼吸数における安定期からの差分(AUC値)を表す。
‐変数RASSは浮動小数点数であり、最新の鎮静度スコアを表す。鎮静度スコアは、本実施例ではRASSの評価結果によって表される。なお、本実施例では、最新の鎮静度スコアが記録された時刻が、痛みの状況が表された時刻から3時間以上前である場合には、そのデータを学習に用いない。
‐変数Eraは整数であり、年齢層を表す。
‐変数Gender_Mは整数であり性別を表す。
12…正常呼吸数範囲
20…サーバ(学習装置)
30…クライアント(推定装置)
200…ベースライン
201…AOC
202…AUC
300…痛み指数の最新値
301…グラフ
302…テーブル
D1…患者データベース
D2…生体データベース
D3…看護記録データベース
D4…推定結果データベース
P1…データ可視化部
S1…生体データ取得部
S2…看護記録部
S3…学習部
S4…推定部
Claims (5)
- 被験者の痛みを推定するための痛み推定学習モデルを生成する、学習装置であって、
前記痛み推定学習モデルは、所定の測定項目に係る時系列生体データに基づき、痛みの状況を推定するための学習済みモデルであり、
前記学習装置は、
複数の第1被験者のそれぞれについて、前記測定項目の時系列生体データである第1生体データと、痛みの状況を表す時系列データである痛みデータとを取得し、
各前記第1被験者について、前記第1生体データに基づいて安定期を決定し、
各前記第1被験者について、前記第1生体データに基づいて前記安定期におけるベースラインを決定し、
各前記第1被験者について第1差分データを決定し、前記第1差分データは、前記安定期において前記第1生体データと前記ベースラインとの差分を表す時系列データであり、
各前記第1被験者の前記第1差分データおよび前記痛みデータに基づき、機械学習によって痛み推定学習モデルを生成する、
学習装置。 - 請求項1に記載の学習装置であって、
前記学習装置は、
各前記第1被験者について、12時間分の前記第1生体データに基づいて前記安定期を決定し、前記安定期は12時間より短い所定時間の期間であり、
前記第1差分データは、各前記測定項目についてAOC値およびAUC値を含み、
前記AOC値は、当該測定項目の測定値が前記ベースラインを上回る時刻における、前記測定値と前記ベースラインとの差分の総和であり、
前記AUC値は、当該測定項目の測定値が前記ベースラインを下回る時刻における、前記測定値と前記ベースラインとの差分の総和であり、
前記学習装置は、痛みの状況が表された時刻を起点とする過去前記所定時間の期間において、各前記測定項目に係る前記AOC値および前記AUC値を含むデータと、前記痛みの状況とを関連付けて教師データを生成し、前記教師データを用いた機械学習によって痛み推定学習モデルを生成する、
学習装置。 - 請求項2に記載の学習装置であって、
前記所定時間は1時間であり、
前記学習装置は、
1時間の第1期間分の前記第1生体データを、各前記測定項目について20分ごとに3つのブロックに分割し、
3つの前記ブロックについてフリードマン検定を行うことにより、各前記ブロック間に有意差があるか否かを判定し、
各前記ブロック間に有意差がない場合に変動率を算出し、ここで前記変動率は、前記第1期間分の標準偏差を前記第1期間分の平均値で除した値であり、
すべての前記測定項目について、有意差がなく、かつ前記変動率が所定の閾値を下回る場合に、前記第1期間は安定期であると決定し、
前記第1期間の各前記測定項目の値に基づき、季節調整モデルを用いて、各前記測定項目について前記ベースラインを決定する、
学習装置。 - 請求項1~3のいずれか一項に記載の学習装置と、
痛みを推定する推定装置と、
を備える、推定システムであって、
前記推定装置は、
第2被験者について、前記測定項目の時系列生体データである第2生体データを取得し、
前記第2生体データに基づき、前記痛み推定学習モデルを用いて、第2被験者の痛みの状況を推定する、
推定システム。 - コンピュータを、請求項1~3のいずれか一項に記載の学習装置として機能させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021211963A JP7229491B1 (ja) | 2021-12-27 | 2021-12-27 | 学習装置および推定システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021211963A JP7229491B1 (ja) | 2021-12-27 | 2021-12-27 | 学習装置および推定システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7229491B1 true JP7229491B1 (ja) | 2023-02-28 |
JP2023096312A JP2023096312A (ja) | 2023-07-07 |
Family
ID=85330591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021211963A Active JP7229491B1 (ja) | 2021-12-27 | 2021-12-27 | 学習装置および推定システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7229491B1 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024024315A1 (ja) * | 2022-07-25 | 2024-02-01 | テルモ株式会社 | コンピュータプログラム、情報処理装置、情報処理方法及び学習モデル生成方法 |
WO2024024316A1 (ja) * | 2022-07-25 | 2024-02-01 | テルモ株式会社 | コンピュータプログラム、情報処理装置、情報処理方法及び学習モデル生成方法 |
WO2024024317A1 (ja) * | 2022-07-25 | 2024-02-01 | テルモ株式会社 | コンピュータプログラム、情報処理装置、情報処理方法及び学習モデル生成方法 |
WO2024024314A1 (ja) * | 2022-07-25 | 2024-02-01 | テルモ株式会社 | コンピュータプログラム、疼痛管理支援装置及び疼痛管理支援方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020096679A (ja) | 2018-12-17 | 2020-06-25 | 株式会社日立ソリューションズ東日本 | 不快感情推定装置および不快感情推定方法 |
WO2020218490A1 (ja) | 2019-04-26 | 2020-10-29 | 国立大学法人大阪大学 | 機械学習に用いられる教師データを増幅するためのシステム、方法、プログラム |
CN113499035A (zh) | 2021-07-12 | 2021-10-15 | 扬州大学 | 一种基于置信区间融合阈值判据的疼痛识别*** |
-
2021
- 2021-12-27 JP JP2021211963A patent/JP7229491B1/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020096679A (ja) | 2018-12-17 | 2020-06-25 | 株式会社日立ソリューションズ東日本 | 不快感情推定装置および不快感情推定方法 |
WO2020218490A1 (ja) | 2019-04-26 | 2020-10-29 | 国立大学法人大阪大学 | 機械学習に用いられる教師データを増幅するためのシステム、方法、プログラム |
CN113499035A (zh) | 2021-07-12 | 2021-10-15 | 扬州大学 | 一种基于置信区间融合阈值判据的疼痛识别*** |
Non-Patent Citations (2)
Title |
---|
KOBAYASHI, Naoya et al. ,Semi-automated tracking of pain in critical care patients using artificial intelligence: a retrospective observational study,Scientific Reports,2021年03月04日,Vol.11,Article number:5229,URL:https://www.nature.com/articles/s41598-021-84714-8,DOI:10.1038/s41598-021-84714-8 |
渡邉一規、外3名,機械学習を用いた患者の痛み推定に関する研究,情報処理学会論文誌,日本,情報処理学会,2021年05月19日,Vol.62, No.5,pp.1200-1206 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024024315A1 (ja) * | 2022-07-25 | 2024-02-01 | テルモ株式会社 | コンピュータプログラム、情報処理装置、情報処理方法及び学習モデル生成方法 |
WO2024024316A1 (ja) * | 2022-07-25 | 2024-02-01 | テルモ株式会社 | コンピュータプログラム、情報処理装置、情報処理方法及び学習モデル生成方法 |
WO2024024317A1 (ja) * | 2022-07-25 | 2024-02-01 | テルモ株式会社 | コンピュータプログラム、情報処理装置、情報処理方法及び学習モデル生成方法 |
WO2024024314A1 (ja) * | 2022-07-25 | 2024-02-01 | テルモ株式会社 | コンピュータプログラム、疼痛管理支援装置及び疼痛管理支援方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2023096312A (ja) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7229491B1 (ja) | 学習装置および推定システム | |
US10918331B2 (en) | Method and apparatus for determining health status | |
US8092380B2 (en) | System and method for improving hospital patient care by providing a continual measurement of health | |
Law et al. | A comparison of graphical and textual presentations of time series data to support medical decision making in the neonatal intensive care unit | |
JP6692355B2 (ja) | バイタルサインサンプリング周波数が限定されるときのスコア信頼区間推定に関する方法 | |
JP2019509101A (ja) | 小児対象に関する血行力学的不安定性リスクスコアを決定するシステム及び方法 | |
RU2657384C2 (ru) | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий | |
JP2019023790A (ja) | 死亡予測装置及び死亡予測プログラム | |
JP2018534697A (ja) | 個人化された予測モデルに基づいて健康モニタリングを容易化するシステム及び方法 | |
JP7249572B2 (ja) | 不快感情推定装置 | |
JP2019017998A (ja) | 重症化推定装置及び重症化推定プログラム | |
JP7076967B2 (ja) | データ処理装置、データ処理方法及びデータ処理プログラム | |
JP2022059448A (ja) | 診療支援システム | |
WO2023281424A1 (en) | Integrative system and method for performing medical diagnosis using artificial intelligence | |
US20230293103A1 (en) | Analysis device | |
JP7467033B2 (ja) | 診療情報処理装置 | |
Hasman | My journey through the field of medical informatics | |
Bolic | Pervasive Cardiovascular and Respiratory Monitoring Devices: Model-Based Design | |
WO2022244213A1 (ja) | テキストデータ生成方法 | |
Portella et al. | Weighted dependence of the day of the week in patients with emotional disorders: a mathematical model | |
US20230320690A1 (en) | Analysis device | |
WO2022113276A1 (ja) | 情報処理装置、制御方法及び記憶媒体 | |
WO2023119783A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
US20230401967A1 (en) | Determination device, determination method and storage medium | |
WO2024106526A1 (ja) | 学習用データ生成方法、学習モデル生成方法、出力プログラム、学習用モデルデータ生成装置、学習用データ生成プログラム、出力装置及び出力方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221206 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20221206 |
|
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: 20230124 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230207 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7229491 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |