JP7404581B1 - 自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステム - Google Patents
自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステム Download PDFInfo
- Publication number
- JP7404581B1 JP7404581B1 JP2023092731A JP2023092731A JP7404581B1 JP 7404581 B1 JP7404581 B1 JP 7404581B1 JP 2023092731 A JP2023092731 A JP 2023092731A JP 2023092731 A JP2023092731 A JP 2023092731A JP 7404581 B1 JP7404581 B1 JP 7404581B1
- Authority
- JP
- Japan
- Prior art keywords
- subtype
- node
- nodes
- chronic nephropathy
- entity
- 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
- 208000017169 kidney disease Diseases 0.000 title claims abstract description 102
- 230000001684 chronic effect Effects 0.000 title claims abstract description 101
- 238000005065 mining Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 52
- 208000020832 chronic kidney disease Diseases 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000013075 data extraction Methods 0.000 claims abstract description 9
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 56
- 239000003814 drug Substances 0.000 claims description 53
- 229940079593 drug Drugs 0.000 claims description 51
- 238000009826 distribution Methods 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 33
- 238000010276 construction Methods 0.000 claims description 28
- 238000001356 surgical procedure Methods 0.000 claims description 21
- 238000003745 diagnosis Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000009533 lab test Methods 0.000 claims description 13
- 238000010339 medical test Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000000702 anti-platelet effect Effects 0.000 claims description 4
- 239000003146 anticoagulant agent Substances 0.000 claims description 4
- 239000002220 antihypertensive agent Substances 0.000 claims description 4
- 229940127088 antihypertensive drug Drugs 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 150000003431 steroids Chemical class 0.000 claims description 4
- 239000003741 agents affecting lipid metabolism Substances 0.000 claims description 3
- 239000000561 aggregant Substances 0.000 claims description 3
- 230000002058 anti-hyperglycaemic effect Effects 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 claims description 3
- 229940124599 anti-inflammatory drug Drugs 0.000 claims 1
- 230000003637 steroidlike Effects 0.000 claims 1
- 230000026676 system process Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 6
- 201000010099 disease Diseases 0.000 description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 16
- 238000011282 treatment Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 6
- 238000000968 medical method and process Methods 0.000 description 4
- 229940021182 non-steroidal anti-inflammatory drug Drugs 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000024924 glomerular filtration Effects 0.000 description 2
- YDTFRJLNMPSCFM-YDALLXLXSA-M levothyroxine sodium anhydrous Chemical compound [Na+].IC1=CC(C[C@H](N)C([O-])=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 YDTFRJLNMPSCFM-YDALLXLXSA-M 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 208000023275 Autoimmune disease Diseases 0.000 description 1
- 239000002053 C09CA06 - Candesartan Substances 0.000 description 1
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 208000034826 Genetic Predisposition to Disease Diseases 0.000 description 1
- 206010018498 Goitre Diseases 0.000 description 1
- 101000987586 Homo sapiens Eosinophil peroxidase Proteins 0.000 description 1
- 101000920686 Homo sapiens Erythropoietin Proteins 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- TUZYXOIXSAXUGO-UHFFFAOYSA-N Pravastatin Natural products C1=CC(C)C(CCC(O)CC(O)CC(O)=O)C2C(OC(=O)C(C)CC)CC(O)C=C21 TUZYXOIXSAXUGO-UHFFFAOYSA-N 0.000 description 1
- 208000009453 Thyroid Nodule Diseases 0.000 description 1
- 208000024770 Thyroid neoplasm Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- SGZAIDDFHDDFJU-UHFFFAOYSA-N candesartan Chemical compound CCOC1=NC2=CC=CC(C(O)=O)=C2N1CC(C=C1)=CC=C1C1=CC=CC=C1C1=NN=N[N]1 SGZAIDDFHDDFJU-UHFFFAOYSA-N 0.000 description 1
- 229960000932 candesartan Drugs 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 201000003872 goiter Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 102000044890 human EPO Human genes 0.000 description 1
- 230000003345 hyperglycaemic effect Effects 0.000 description 1
- 208000003532 hypothyroidism Diseases 0.000 description 1
- 230000002989 hypothyroidism Effects 0.000 description 1
- 229960003918 levothyroxine sodium Drugs 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000001325 log-rank test Methods 0.000 description 1
- 238000011866 long-term treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- XZWYZXLIPXDOLR-UHFFFAOYSA-N metformin Chemical compound CN(C)C(=N)NC(N)=N XZWYZXLIPXDOLR-UHFFFAOYSA-N 0.000 description 1
- 229960003105 metformin Drugs 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- TUZYXOIXSAXUGO-PZAWKZKUSA-N pravastatin Chemical compound C1=C[C@H](C)[C@H](CC[C@@H](O)C[C@@H](O)CC(O)=O)[C@H]2[C@@H](OC(=O)[C@@H](C)CC)C[C@H](O)C=C21 TUZYXOIXSAXUGO-PZAWKZKUSA-N 0.000 description 1
- 229960002965 pravastatin Drugs 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
Description
慢性腎症診療記録における構造化データを収集することに用いられるデータ収集モジュールと、
前記構造化データに対して抽出及び前処理を行って、エンティティセット及び受診セットを取得することに用いられるデータ抽出及び前処理モジュールと、
前記エンティティセット及び前記受診セットによって慢性腎症亜型マイニングモデルを構築することに用いられる慢性腎症亜型マイニングモジュールと、
前記慢性腎症亜型マイニングモデルを評価することに用いられる慢性腎症表現型亜型評価モジュールと、
患者の構造化データを予測することに用いられる慢性腎症亜型予測モジュールと、を備える。
前記受診セット及び前記エンティティセットによって受診ネットワークを構築することに用いられる受診ネットワーク構築ユニットと、
前記エンティティセットによってエンティティ共起行列を構築し、前記エンティティ共起行列によってエンティティノードの初期埋め込み表現及び受診ノードの初期埋め込み表現を取得し、前記エンティティノードの初期埋め込み表現と前記受診ノードの初期埋め込み表現とでノードの初期埋め込み表現を構成することに用いられる埋め込み表現構築ユニットと、
前記受診ネットワークにおけるノード間の関係によって隣接行列を構築し、前記隣接行列及び前記ノードの初期埋め込み表現によって自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルを訓練することに用いられるクラスタリングネットワーク構築ユニットと、
前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルによって慢性腎症亜型マイニングモデルを構築することに用いられる慢性腎症亜型マイニングモデル構築ユニットと、を備える。
前記受診セットと前記エンティティセットとでノードセットを構成することに用いられることと、
前記ノードセットにおけるノード共起関係によってエッジセットを構築することに用いられることと、
前記ノードセット及び前記エッジセットによって受診ネットワークを構築することに用いられることと、を含む。
前記エンティティセットによってエンティティ共起行列を構築することに用いられることと、
前記エンティティ共起行列に基づいてGloVeアルゴリズムによって各エンティティノードの初期埋め込み表現を計算して取得することに用いられることと、
すべての隣接するエンティティノードのエンティティノードの初期埋め込み表現の平均値を計算することにより受診ノードの初期埋め込み表現を取得し、前記受診ノードの初期埋め込み表現と前記エンティティノードの初期埋め込み表現とでノードの初期埋め込み表現を構成することに用いられることと、を含む。
前記受診ネットワークにおけるノード間の関係によって隣接行列を構築し、前記隣接行列及び前記ノードの初期埋め込み表現を前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルに入力してグラフ注意訓練を行って、受診ノードの埋め込み表現及びエンティティノードの埋め込み表現を含むノードの埋め込み表現を取得することに用いられることと、
前記ノードの埋め込み表現によって前記受診ネットワークを再構築して、受診ネットワークの再構築誤差を計算することに用いられることと、
前記エンティティノードの埋め込み表現をニューラルネットワークのデコーダに入力して訓練し、デコーダの最終層の出力をエンティティノードの再構築埋め込み表現としてエンティティノードの再構築誤差を計算することに用いられることと、
前記受診ノードの埋め込み表現に対してsoftmax回帰動作を行って、受診ノードの確率分布を取得し、前記受診ノードの確率分布に基づいてクラスタリング損失を計算することに用いられることと、
前記受診ネットワークの再構築誤差、前記エンティティノードの再構築誤差及び前記クラスタリング損失に基づいて前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルの全体損失関数を構築することに用いられることと、を含む。
前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルが取得した受診ノードのクラスタリング分布を受診ノードのカテゴリ分布とし、前記カテゴリ分布における確率が一番高いカテゴリを受診ノードのカテゴリタグとして選択し、各患者のすべての受診ノードを時間順序で配列することに用いられることと、
同じカテゴリタグを有する連続受診ノードのカテゴリ分布間のコサイン類似度を計算することにより受診ノードをマージ又は別個に保持することを決定し、前記受診ノードを配列することによりイベント行列を構築することに用いられることと、
頻出イベント決定ノードを検索して、順に受診ノードを接続してイベントプロセスを構成し、前記イベント行列の第1列から各列におけるイベント発生頻度が閾値よりも大きなイベントを頻出イベントとして選択し、頻出イベントをイベントプロセスにおけるノードとし、残りのイベントが直接に終了ノードに入り、頻出イベントにおける各イベントを次回検索する開始ノードとして、対応するイベントベクトルを抽出して新たなイベント行列に組み合わせ、第1列を除去した後に同様の頻出イベントの検索操作を行い、各回検索して取得したノードを開始ノードに接続することによりイベントプロセスを延長し、頻出イベントがヌルになり又はイベントプロセスの長さがイベントプロセスの最大長さになるまで、繰り返しを終了して慢性腎症亜型マイニングモデルを取得することに用いられることと、を含む。
患者の構造化データを前処理してから前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルに入力して予測して、該患者の受診ノードの確率分布を取得することに用いられることと、
前記受診ノードの確率分布によって受診ノードのクラスタリングカテゴリを判断し、受診イベントシーケンスを構築することに用いられることと、
前記受診イベントシーケンスを前記慢性腎症亜型マイニングモデルに入力して、前記慢性腎症亜型マイニングモデルにおけるノードを順次フィッティングして1つのイベントプロセスを取得し、イベントプロセスによってどの慢性腎症亜型に属するかを判断することに用いられることと、を含む。
慢性腎症診療記録における構造化データを収集することに用いられるデータ収集モジュールと、
前記構造化データに対して抽出及び前処理を行って、エンティティセット及び受診セットを取得することに用いられるデータ抽出及び前処理モジュールと、
前記エンティティセット及び前記受診セットによって慢性腎症亜型マイニングモデルを構築することに用いられる慢性腎症亜型マイニングモジュールと、
前記慢性腎症亜型マイニングモデルを評価することに用いられる慢性腎症表現型亜型評価モジュールと、
患者の構造化データを予測することに用いられる慢性腎症亜型予測モジュールと、を備える。
ステップS2において、データ抽出及び前処理モジュールによって前記データセットを前処理して受診セット及びエンティティセットを取得し、これは具体的に、前記データセットを前処理し、患者の基本情報、受診記録、観察窓期間の診断、実験室による検査、医学的検査、手術データ、服薬データを含む、電子カルテシステムにおける前記慢性腎症診療記録における構造化データを抽出し、抽出された前記構造化データを前処理し、実験室による検査データについては、正常な参照範囲に準じて、異常の検査項のみに関心を持ち、異常の検査項結果を低過ぎ及び高過ぎの2種類に分け、異常の検査項の名称、異常のカテゴリを保持することと、医学的検査及び手術データを簡単な自然言語処理技術にて処理し、検査部位及びカテゴリ、手術の名称を保持することと、服薬データについては、抗高血糖薬、降圧薬、脂質調節薬、非ステロイド性抗炎症薬、抗血小板凝集薬、ステロイド等の6種類の薬物の使用のみに関心を持ち、服薬データにおける6種類の薬物を分類し、薬物のカテゴリを保持することと、診断セット、服薬セット、手術セット、試験セット、診断種類の数、服薬種類の数、手術種類の数、試験種類の数及び受診記録の数を取得し、前記診断セット、服薬セット、手術セット及び試験セットをマージしてエンティティセットに構成し、患者の受診記録を受診セットとして構成することと、を含む。
ステップS31において、前記受診セット及び前記エンティティセットによって受診ネットワークを構築し、
ステップS311において、前記受診セットと前記エンティティセットとでノードセットを構成し、
ステップS312において、前記ノードセットにおけるノード共起関係によってエッジセットを構築し、
ステップS313において、前記ノードセット及び前記エッジセットによって受診ネットワークを構築する。
ステップS321において、前記エンティティセットによってエンティティ共起行列を構築し、
ステップS322において、前記エンティティ共起行列に基づいてGloVeアルゴリズムによって各エンティティノードの初期埋め込み表現を計算して取得し、
ステップS323において、すべての隣接するエンティティノードのエンティティノードの初期埋め込み表現の平均値を計算することにより受診ノードの初期埋め込み表現を取得し、前記受診ノードの初期埋め込み表現と前記エンティティノードの初期埋め込み表現とでノードの初期埋め込み表現を構成する。
ステップS331において、前記受診ネットワークにおけるノード間の関係によって隣接行列を構築し、前記隣接行列及び前記ノードの初期埋め込み表現を前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルに入力してグラフ注意訓練を行って、受診ノードの埋め込み表現及びエンティティノードの埋め込み表現を含むノードの埋め込み表現を取得し、
ステップS332において、前記ノードの埋め込み表現によって前記受診ネットワークを再構築して、受診ネットワークの再構築誤差を計算し、
ステップS333において、前記エンティティノードの埋め込み表現をニューラルネットワークのデコーダに入力して訓練し、デコーダの最終層の出力をエンティティノードの再構築埋め込み表現としてエンティティノードの再構築誤差を計算し、
ステップS334において、前記受診ノードの埋め込み表現に対してsoftmax回帰動作を行って、受診ノードの確率分布を取得し、前記受診ノードの確率分布に基づいてクラスタリング損失を計算し、
ステップS335において、前記受診ネットワークの再構築誤差、前記エンティティノードの再構築誤差及び前記クラスタリング損失に基づいて前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルの全体損失関数を構築する。
ステップS342において、同じカテゴリタグを有する連続受診ノードのカテゴリ分布間のコサイン類似度を計算することにより受診ノードをマージ又は別個に保持することを決定し、前記受診ノードを配列することによりイベント行列を構築し、
ステップS343において、頻出イベント決定ノードを検索して、順に受診ノードを接続してイベントプロセスを構成し、前記イベント行列の第1列から各列におけるイベント発生頻度が閾値よりも大きなイベントを頻出イベントとして選択し、頻出イベントをイベントプロセスにおけるノードとし、残りのイベントが直接に終了ノードに入り、頻出イベントにおける各イベントを次回検索する開始ノードとして、対応するイベントベクトルを抽出して新たなイベント行列に組み合わせ、第1列を除去した後に同様の頻出イベントの検索操作を行い、各回検索して取得したノードを開始ノードに接続することによりイベントプロセスを延長し、頻出イベントがヌルになり又はイベントプロセスの長さがイベントプロセスの最大長さになるまで、繰り返しを終了して慢性腎症亜型マイニングモデルを取得する。
ステップS5において、慢性腎症亜型予測モジュールによって患者の構造化データを予測し、
ステップS51において、患者の構造化データを前処理してから前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルに入力して予測して、該患者の受診ノードの確率分布を取得し、
ステップS52において、前記受診ノードの確率分布によって受診ノードのクラスタリングカテゴリを判断し、受診イベントシーケンスを構築し、
ステップS53において、前記受診イベントシーケンスを前記慢性腎症亜型マイニングモデルに入力して、前記慢性腎症亜型マイニングモデルにおけるノードを順次フィッティングして1つのイベントプロセスを取得し、イベントプロセスによってどの慢性腎症亜型に属するかを判断する。
自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステムであって、データ収集モジュール、データ抽出及び前処理モジュール、慢性腎症亜型マイニングモジュール、受診ネットワーク構築ユニット、埋め込み表現構築ユニット、クラスタリングネットワーク構築ユニット、慢性腎症亜型マイニングモデル構築ユニット、慢性腎症表現型亜型評価モジュール、並びに慢性腎症亜型予測モジュールを備える。
データ抽出及び前処理モジュールは、前記構造化データに対して抽出及び前処理を行って、受診セット及びエンティティセットを取得するためのものであり、具体的には、前記データセットを前処理し、患者の基本情報、受診記録、観察窓期間の診断、実験室による検査、医学的検査、手術データ、服薬データを含む、電子カルテシステムにおける前記慢性腎症診療記録における構造化データを抽出し、抽出された前記構造化データを前処理し、実験室による検査データについては、正常な参照範囲に準じて、異常の検査項のみに関心を持ち、異常の検査項結果を低過ぎ及び高過ぎの2種類に分け、異常の検査項の名称、異常のカテゴリを保持し、医学的検査及び手術データを簡単な自然言語処理技術にて処理し、検査部位及びカテゴリ、手術の名称を保持し、服薬データについては、抗高血糖薬、降圧薬、脂質調節薬、非ステロイド性抗炎症薬、抗血小板凝集薬、ステロイド等の6種類の薬物の使用のみに関心を持ち、服薬データにおける6種類の薬物を分類し、薬物のカテゴリを保持し、診断セット、服薬セット、手術セット、試験セット、診断種類の数、服薬種類の数、手術種類の数、試験種類の数及び受診記録の数を取得し、前記診断セット、服薬セット、手術セット及び試験セットをマージしてエンティティセットに構成し、患者の受診記録を受診セットとして構成するためのものである。
受診ネットワーク構築ユニットは、前記受診セット及び前記エンティティセットによって受診ネットワークを構築するためのものであり、
前記受診セットと前記エンティティセットとでノードセットを構成するためのものであり、
受診セットが
であり、ここで、NVが受診数を示す。D、M、P、Lがそれぞれ診断セット、服薬セット、手術セット、試験セットであり、
、
、
、
であり、ここで、ND、NM、NP、NLがそれぞれ診断種類の数、服薬種類の数、手術種類の数、試験種類の数を示す。D、M、P、Lがエンティティセット
を構成し、エンティティセット種類の数がNS=ND+NM+NP+NLである。
を構成し、ノードの個数がNN=NV+NS=NV+ND+NM+NP+NLであり、
前記ノードセットにおけるノード共起関係によってエッジセットを構築するためのものであり、
同一回の受診(Vi)に現れるエンティティをエンティティサブセット
に構成し、jがエンティティサブセットS(Vi)におけるエンティティの数を示し、
である。各エンティティサブセットがその対応する受診とともに1つの受診リンクサブセット
を構成する。1つの前記受診リンクサブセットには1つの受診ノード及び今回の受診におけるすべてのエンティティノードが含まれており、1つの前記受診リンクサブセットにおけるすべてのノードに共起関係があり、ノードが2つずつ接続してエッジサブセットを構成し、すべての前記エッジサブセットがエッジセットを構成し、前記エッジセットが
であり、
前記ノードセット及び前記エッジセットによって受診ネットワークG=(N,E)を構築するためのものである。
が1つの受診リンクサブセットを構成し、受診ネットワークにおいてこの5つのノードが2つずつ接続している。受診V4において、医者はTSH測定(L3)を行ってから甲状腺機能低下症(D4)の診断を下してレボチロキシンナトリウム錠剤(M1)の薬を出す。そうすると、
も1つの受診リンクサブセットであり、受診ネットワークにおいてこの4つのノードが2つずつ接続している。M1がC(V1)及びC(V4)に同時に現れるため、受診ネットワークにおいてM1がこの2つの受診リンクサブセットにおける他のノードにいずれも接続している。
前記エンティティセットによってエンティティ共起行列を構築するためのものであり、
エンティティセットSによってエンティティ共起行列Xを構築し、図4を参照し、エンティティ共起行列Xの次元がNS×NSであり、各行と各列がいずれもエンティティセットSにおける1つのエンティティを代表し、XijがエンティティSi及びエンティティSjの共起情報を示す。Xijの計算公式は、
エンティティSiとエンティティSjが受診Vkにおいて同時に現れる場合、
が1に等しく、そうではない場合、0と記す。ここで、S(Vk)が受診Vkにおいて現れるすべてのエンティティで構成される1つのエンティティサブセットである。エンティティ共起行列Xが対称であり、XijとXjiが等しく、対角線上にあるものが同じエンティティの共起情報であり、0と記す。
エンティティノードの初期埋め込み表現とエンティティ共起行列との関係は、
ここで、wiとwjがそれぞれ最終的に求める必要のあるエンティティSi及びエンティティSjのエンティティノードの初期埋め込み表現であり、128次元で-0.1~0.1間の値を取るランダムベクトルにランダムに初期化し、上付き文字Tが転置操作であり、biとbjがそれぞれ2つのエンティティノードの初期埋め込み表現のバイアス項であり、それらの初期値が0である。
に対応するエンティティノードの初期埋め込み表現
を取得し、
すべての隣接するエンティティノードのエンティティノードの初期埋め込み表現の平均値を計算することにより受診ノードの初期埋め込み表現を取得し、前記受診ノードの初期埋め込み表現と前記エンティティノードの初期埋め込み表現とでノードの初期埋め込み表現を構成するためのものであり、
受診ノードViについては、そのすべての隣接するエンティティノードのセットが
であり、Viノードの初期埋め込み表現は、
ここで、jがS(Vi)におけるエンティティノードの数である。
ここで、
がrelu活性化関数であり、Wlが第l層のグラフ注意重みである。
であり、Aが正規化された隣接行列であり、Iが単位行列であり、
である。L層のグラフ注意訓練を行った後、ノードの埋め込み表現ZLを取得する。ZLはノードの初期埋め込み表現Bと同様に、更新後の受診ノードの埋め込み表現ZV Lとエンティティノードの埋め込み表現ZS Lとで構成され、
である。
再構築後の隣接行列
は、
ここで、(ZL)TがZLの転置行列であり、
がsigmoid活性化関数である。
ここで、Wd yが第y層のデコーダネットワーク重みであり、bd yが偏差であり、デコーダの入力がH0=ZS Lである。デコーダの最終層の出力をエンティティノードの再構築埋め込み表現
としてエンティティノードの再構築誤差Lrec-Sを計算し、
受診ノードの埋め込み表現ZV Lに対してsoftmax回帰動作を行って、受診ノードの確率分布を取得するためのものであり、
ここで、ZV Rの次元がNV×Kであり、Kがデフォルトのクラスタリングセンター数即ち受診ノードカテゴリ数であり、経験によって3、5、10を試して結果がより良いカテゴリ数を選択する。
はi番目のサンプルがjカテゴリに属する確率を示す。
i番目の受診サンプル及びj番目のクラスタに対して、学生t分布によってデータ表現ziとクラスタリングセンターμjとの類似度を判断する。ziがZV Rの第i行であり、μjが受診ノードの確率分布ZV Rに基づいてK-means方法で初期化されたクラスタリングセンターであり、vが学生t分布の自由度であり、qijの計算公式は、
ここで、qijはi番目のサンプルがj番目のクラスタに属する確率である。
をすべてのサンプルクラスタリング分布のセットとして設定する。クラスタリング分布Qを取得した後、目標分布Pを計算し、目標分布Pは一層高い信頼度のサンプル割り当てを有し、従って、Pに基づいてデータ分布を最適化してデータをクラスタリングセンターに更に近づけさせることができる。PとQの次元がNV×Kである。目標分布Pにおける各要素pijの計算公式は、
ここで、
である。目標分布Pにおいて、Qにおける各分布がいずれも二乗されるため、Pは一層高い信頼度を有する。クラスタリング損失の計算公式は、
受診ネットワークの再構築誤差Lrec-G、エンティティノードの再構築誤差Lrec-S及びクラスタリング損失Lcluに基づいて、前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルの全体損失関数を構築するためのものである。前記全体損失関数は、
ここで、γ、βが異なる損失項の重要性を調整するハイパーパラメータであり、0.1としてデフォルト設定される。
に対応するカテゴリタグが
である。単回受診の場合の1番目の医療記録の記録時間を受診ノードの開始時間とし、最後の医療記録の記録時間を受診ノードの終了時間とし、各患者のすべての受診ノードを時間順序で配列する。
同じカテゴリタグを有する2つの連続受診ノードVi、Vjに対して、Vi、Vjカテゴリ分布間のコサイン類似度を計算し、
ここで、
がイベントVi、Vjのカテゴリ分布である。
であり、そうではない場合に2つの受診ノードを別個に保持する。同じカテゴリタグを有する複数の連続受診ノードの場合、配列順序で前から後まで2つごとにコサイン類似度の判断を行って、マージ又は別個に保持することを決定する。
に配列し、kが受診ノードの一番多い患者のノード数であり、ノード数がk未満の患者の場合に0でイベントベクトルを充填する。すべての患者のイベントベクトルをイベント行列Hに組み合わせ、前記イベント行列Hは、
ここで、Hの次元がn×kであり、nが患者の総数である。
異なる表現型亜型患者の差異を比較し、マイニングされた異なる亜型特徴に統計学的差異があるかどうかを試験することにより、表現型亜型マイニング方法で取得された疾病亜型が臨床的意味を有するかどうかを評価するためのものである。具体的な評価スキームは以下のとおりである。
患者の構造化データを前処理してから前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルに入力して予測して、該患者の受診ノードの確率分布を取得するためのものであり、
前記受診ノードの確率分布によって受診ノードのクラスタリングカテゴリを判断し、受診イベントシーケンスを構築するためのものであり、
前記受診イベントシーケンスを前記慢性腎症亜型マイニングモデルに入力して、前記慢性腎症亜型マイニングモデルにおけるノードを順次フィッティングして1つのイベントプロセスを取得し、イベントプロセスによってどの慢性腎症亜型に属するかを判断するためのものである。
Claims (4)
- 自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステムであって、データ収集モジュール、データ抽出及び前処理モジュール、慢性腎症亜型マイニングモジュール、慢性腎症表現型亜型評価モジュール及び慢性腎症亜型予測モジュールを含み、
前記データ収集モジュールは、慢性腎症診療記録における構造化データを収集することに用いられ、
前記慢性腎症亜型マイニングモジュールは、前記慢性腎症診療記録における構造化データに対して抽出及び前処理を行って、エンティティセット及び受診セットを取得することに用いられ、
前記慢性腎症亜型マイニングモジュールは、前記エンティティセット及び前記受診セットによって慢性腎症亜型マイニングモデルを構築することに用いられ、
前記慢性腎症表現型亜型評価モジュールは、前記慢性腎症亜型マイニングモデルを評価することに用いられ、
前記慢性腎症亜型予測モジュールは、患者の構造化データを予測することに用いられ、
前記データ抽出及び前処理モジュールは具体的に、前記慢性腎症診療記録における構造化データを前処理して、患者の基本情報、受診記録、観察窓期間の診断、実験室による検査、医学的検査、手術データ、服薬データを含む、電子カルテシステムにおける前記慢性腎症診療記録における構造化データを抽出し、抽出された前記慢性腎症診療記録における構造化データを前処理し、実験室による検査データについては、正常な参照範囲に準じて、異常の検査項のみに関心を持ち、異常の検査項結果を低過ぎ及び高過ぎの2種類に分け、異常の検査項の名称、異常のカテゴリを保持し、医学的検査及び手術データを簡単な自然言語処理技術にて処理し、検査部位及びカテゴリ、手術の名称を保持し、服薬データについては、抗高血糖薬、降圧薬、脂質調節薬、非ステロイド性抗炎症薬、抗血小板凝集薬、ステロイドの6種類の薬物の使用のみに関心を持ち、服薬データにおける6種類の薬物を分類し、薬物のカテゴリを保持し、診断セット、服薬セット、手術セット、試験セット、診断種類の数、服薬種類の数、手術種類の数、試験種類の数及び受診記録の数を取得し、前記診断セット、服薬セット、手術セット及び試験セットをマージしてエンティティセットに構成し、患者の受診記録を受診セットとして構成することに用いられ、
前記慢性腎症亜型マイニングモジュールは具体的に、受診ネットワーク構築ユニット、埋め込み表現構築ユニット、クラスタリングネットワーク構築ユニット及び慢性腎症亜型マイニングモデル構築ユニットを含み、
前記受診ネットワーク構築ユニットは、前記受診セット及び前記エンティティセットによって受診ネットワークを構築することに用いられ、
前記埋め込み表現構築ユニットは、前記エンティティセットによってエンティティ共起行列を構築し、前記エンティティ共起行列によってエンティティノードの初期埋め込み表現及び受診ノードの初期埋め込み表現を取得し、前記エンティティノードの初期埋め込み表現と前記受診ノードの初期埋め込み表現とでノードの初期埋め込み表現を構成することに用いられ、
前記クラスタリングネットワーク構築ユニットは、前記受診ネットワークにおけるノード間の関係によって隣接行列を構築し、前記隣接行列及び前記ノードの初期埋め込み表現によって自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルを訓練することに用いられ、
前記慢性腎症亜型マイニングモデル構築ユニットは、前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルによって慢性腎症亜型マイニングモデルを構築することに用いられ、
前記慢性腎症亜型マイニングモデル構築ユニットは具体的に、
前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルが取得した受診ノードのクラスタリング分布を受診ノードのカテゴリ分布とし、前記カテゴリ分布における確率が一番高いカテゴリを受診ノードのカテゴリタグとして選択し、各患者のすべての受診ノードを時間順序で配列することに用いられることと、
同じカテゴリタグを有する連続受診ノードのカテゴリ分布間のコサイン類似度を計算することにより受診ノードをマージ又は別個に保持することを決定し、前記受診ノードを配列することによりイベント行列を構築することに用いられることと、
頻出イベント決定ノードを検索して、順に受診ノードを接続してイベントプロセスを構成し、前記イベント行列の第1列から各列におけるイベント発生頻度が閾値よりも大きなイベントを頻出イベントとして選択し、頻出イベントをイベントプロセスにおけるノードとし、残りのイベントが直接に終了ノードに入り、頻出イベントにおける各イベントを次回検索する開始ノードとして、対応するイベントベクトルを抽出して新たなイベント行列に組み合わせ、第1列を除去した後に同様の頻出イベントの検索操作を行い、各回検索して取得したノードを開始ノードに接続することによりイベントプロセスを延長し、頻出イベントがヌルになり又はイベントプロセスの長さがイベントプロセスの最大長さになるまで、繰り返しを終了して慢性腎症亜型マイニングモデルを取得することに用いられることと、を含み、
前記慢性腎症亜型予測モジュールは具体的に、
前記患者の構造化データを前処理してから前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルに入力して予測して、該患者の受診ノードの確率分布を取得することに用いられることと、
前記受診ノードの確率分布によって受診ノードのクラスタリングカテゴリを判断し、受診イベントシーケンスを構築することに用いられることと、
前記受診イベントシーケンスを前記慢性腎症亜型マイニングモデルに入力して、前記慢性腎症亜型マイニングモデルにおけるノードを順次フィッティングして1つのイベントプロセスを取得し、イベントプロセスによってどの慢性腎症亜型に属するかを判断することに用いられることと、を含む
ことを特徴とする自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステム。 - 前記受診ネットワーク構築ユニットは具体的に、
前記受診セットと前記エンティティセットとでノードセットを構成することに用いられることと、
前記ノードセットにおけるノード共起関係によってエッジセットを構築することに用いられることと、
前記ノードセット及び前記エッジセットによって受診ネットワークを構築することに用いられることと、を含む
ことを特徴とする請求項1に記載の自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステム。 - 前記埋め込み表現構築ユニットは具体的に、
前記エンティティセットによってエンティティ共起行列を構築することに用いられることと、
前記エンティティ共起行列に基づいてGloVeアルゴリズムによって各エンティティノードの初期埋め込み表現を計算して取得することに用いられることと、
すべての隣接するエンティティノードのエンティティノードの初期埋め込み表現の平均値を計算することにより受診ノードの初期埋め込み表現を取得し、前記受診ノードの初期埋め込み表現と前記エンティティノードの初期埋め込み表現とでノードの初期埋め込み表現を構成することに用いられることと、を含む
ことを特徴とする請求項1に記載の自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステム。 - 前記クラスタリングネットワーク構築ユニットは具体的に、
前記受診ネットワークにおけるノード間の関係によって隣接行列を構築し、前記隣接行列及び前記ノードの初期埋め込み表現を前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルに入力してグラフ注意訓練を行って、受診ノードの埋め込み表現及びエンティティノードの埋め込み表現を含むノードの埋め込み表現を取得することに用いられることと、
前記ノードの埋め込み表現によって前記受診ネットワークを再構築して、受診ネットワークの再構築誤差を計算することに用いられることと、
前記エンティティノードの埋め込み表現をニューラルネットワークのデコーダに入力して訓練し、デコーダの最終層の出力をエンティティノードの再構築埋め込み表現としてエンティティノードの再構築誤差を計算することに用いられることと、
前記受診ノードの埋め込み表現に対してsoftmax回帰動作を行って、受診ノードの確率分布を取得し、前記受診ノードの確率分布に基づいてクラスタリング損失を計算することに用いられることと、
前記受診ネットワークの再構築誤差、前記エンティティノードの再構築誤差及び前記クラスタリング損失に基づいて前記自己監督グラフクラスタリングに基づく受診ノードのクラスタリングネットワークモデルの全体損失関数を構築することに用いられることと、を含む
ことを特徴とする請求項1に記載の自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210980822.5 | 2022-08-16 | ||
CN202210980822.5A CN115083616B (zh) | 2022-08-16 | 2022-08-16 | 一种基于自监督图聚类的慢性肾病亚型挖掘*** |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7404581B1 true JP7404581B1 (ja) | 2023-12-25 |
JP2024027086A JP2024027086A (ja) | 2024-02-29 |
Family
ID=83244725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023092731A Active JP7404581B1 (ja) | 2022-08-16 | 2023-06-05 | 自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7404581B1 (ja) |
CN (1) | CN115083616B (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116364299B (zh) * | 2023-03-30 | 2024-02-13 | 之江实验室 | 一种基于异构信息网络的疾病诊疗路径聚类方法及*** |
CN118039180B (zh) * | 2024-04-11 | 2024-06-25 | 青岛克莱玛物联技术有限公司 | 用于过敏性鼻炎的智能数据处理方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108231201A (zh) | 2018-01-25 | 2018-06-29 | 华中科技大学 | 一种疾病数据分析处理模型的构建方法、***及应用 |
CN108417271A (zh) | 2018-01-11 | 2018-08-17 | 复旦大学 | 基于精神障碍亚型分类的精神抑制药物推荐方法与*** |
CN109830303A (zh) | 2019-02-01 | 2019-05-31 | 上海众恒信息产业股份有限公司 | 基于互联网一体化医疗平台的临床数据挖掘分析与辅助决策方法 |
CN109920547A (zh) | 2019-03-05 | 2019-06-21 | 北京工业大学 | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 |
WO2021096932A1 (en) | 2019-11-13 | 2021-05-20 | Memorial Sloan Kettering Cancer Center | Classifier models to predict tissue of origin from targeted tumor dna sequencing |
CN112992370A (zh) | 2021-05-06 | 2021-06-18 | 四川大学华西医院 | 一种无监督的基于电子病历的医疗行为合规性评估方法 |
CN113161001A (zh) | 2021-05-12 | 2021-07-23 | 东北大学 | 一种基于改进lda的过程路径挖掘方法 |
CN114049966A (zh) | 2022-01-12 | 2022-02-15 | 中国科学院计算机网络信息中心 | 一种基于链接预测的食源性疾病暴发识别方法和*** |
CN114093445A (zh) | 2021-11-18 | 2022-02-25 | 重庆邮电大学 | 一种基于偏多标记学习的患者筛选标记方法 |
CN114242194A (zh) | 2021-12-07 | 2022-03-25 | 深圳市云影医疗科技有限公司 | 一种基于人工智能的医学影像诊断报告自然语言处理装置及方法 |
CN114639483A (zh) | 2022-03-23 | 2022-06-17 | 浙江大学 | 一种基于图神经网络的电子病历检索方法及装置 |
CN114664463A (zh) | 2022-03-18 | 2022-06-24 | 中南大学湘雅医院 | 一种全科医生诊疗辅助*** |
CN114864107A (zh) | 2021-02-03 | 2022-08-05 | 阿里巴巴集团控股有限公司 | 一种临床路径变异分析方法、设备及存储介质 |
-
2022
- 2022-08-16 CN CN202210980822.5A patent/CN115083616B/zh active Active
-
2023
- 2023-06-05 JP JP2023092731A patent/JP7404581B1/ja active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108417271A (zh) | 2018-01-11 | 2018-08-17 | 复旦大学 | 基于精神障碍亚型分类的精神抑制药物推荐方法与*** |
CN108231201A (zh) | 2018-01-25 | 2018-06-29 | 华中科技大学 | 一种疾病数据分析处理模型的构建方法、***及应用 |
CN109830303A (zh) | 2019-02-01 | 2019-05-31 | 上海众恒信息产业股份有限公司 | 基于互联网一体化医疗平台的临床数据挖掘分析与辅助决策方法 |
CN109920547A (zh) | 2019-03-05 | 2019-06-21 | 北京工业大学 | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 |
WO2021096932A1 (en) | 2019-11-13 | 2021-05-20 | Memorial Sloan Kettering Cancer Center | Classifier models to predict tissue of origin from targeted tumor dna sequencing |
CN114864107A (zh) | 2021-02-03 | 2022-08-05 | 阿里巴巴集团控股有限公司 | 一种临床路径变异分析方法、设备及存储介质 |
CN112992370A (zh) | 2021-05-06 | 2021-06-18 | 四川大学华西医院 | 一种无监督的基于电子病历的医疗行为合规性评估方法 |
CN113161001A (zh) | 2021-05-12 | 2021-07-23 | 东北大学 | 一种基于改进lda的过程路径挖掘方法 |
CN114093445A (zh) | 2021-11-18 | 2022-02-25 | 重庆邮电大学 | 一种基于偏多标记学习的患者筛选标记方法 |
CN114242194A (zh) | 2021-12-07 | 2022-03-25 | 深圳市云影医疗科技有限公司 | 一种基于人工智能的医学影像诊断报告自然语言处理装置及方法 |
CN114049966A (zh) | 2022-01-12 | 2022-02-15 | 中国科学院计算机网络信息中心 | 一种基于链接预测的食源性疾病暴发识别方法和*** |
CN114664463A (zh) | 2022-03-18 | 2022-06-24 | 中南大学湘雅医院 | 一种全科医生诊疗辅助*** |
CN114639483A (zh) | 2022-03-23 | 2022-06-17 | 浙江大学 | 一种基于图神经网络的电子病历检索方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2024027086A (ja) | 2024-02-29 |
CN115083616A (zh) | 2022-09-20 |
CN115083616B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7404581B1 (ja) | 自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステム | |
CN107785057B (zh) | 医疗数据处理方法、装置、存储介质和计算机设备 | |
Abd-Elrazek et al. | Predicting length of stay in hospitals intensive care unit using general admission features | |
Khan et al. | A Comparative Study of Machine Learning classifiers to analyze the Precision of Myocardial Infarction prediction | |
Mounika et al. | Prediction of type-2 diabetes using machine learning algorithms | |
Pal et al. | Data mining approach for coronary artery disease screening | |
Shamsollahi et al. | Using combined descriptive and predictive methods of data mining for coronary artery disease prediction: a case study approach | |
Xu et al. | Multi-modal sequence learning for Alzheimer’s disease progression prediction with incomplete variable-length longitudinal data | |
Sahoo et al. | Heart failure prediction using machine learning techniques | |
Chou et al. | Extracting drug utilization knowledge using self-organizing map and rough set theory | |
Simegn et al. | Computer-aided decision support system for diagnosis of heart diseases | |
Sharma et al. | Mortality Prediction of ICU patients using Machine Leaning: A survey | |
Samet et al. | Predicting and staging chronic kidney disease using optimized random forest algorithm | |
Andry et al. | Electronic health record to predict a heart attack used data mining with Naïve Bayes method | |
JP7365747B1 (ja) | 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム | |
Ali et al. | Comparative evaluation for two and five classes ECG signal classification: applied deep learning | |
Javeed et al. | Breaking barriers: a statistical and machine learning-based hybrid system for predicting dementia | |
Tolentino et al. | CAREdio: Health screening and heart disease prediction system for rural communities in the Philippines | |
AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning | |
Almutairi | An Optimized Feature Selection and Hyperparameter Tuning Framework for Automated Heart Disease Diagnosis. | |
Pervaiz et al. | A Study on Detection of Chronic Renal Failure Based on Machine Learning | |
EP4394796A1 (en) | Multimodal cardio disease state predictions combining electrocardiogram, echocardiogram, clinical and demographical information relating to a patient | |
Deshmukh et al. | Heart Disease Prediction Using ML Algorithm | |
Dutt | Classification of Diabetes and Cardiac Arrhythmia using Deep Learning | |
Shah et al. | MACHINE LEARNING TECHNIQUES IN HEART DISEASE FORECASTING |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230605 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230704 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230901 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231017 |
|
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: 20231201 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231213 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7404581 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |