JP7490793B2 - 自動分析装置、推奨アクション通知システムおよび推奨アクション通知方法 - Google Patents

Description

本発明は、自動分析装置、オペレータに自動分析装置に対する推奨アクションを通知する推奨アクション通知システム、推奨アクション通知方法に関する。

近年、自動分析装置には、装置が検知した異常をアラームにてオペレータへ通知し、アラームに対してあらかじめ設定された対処方法を提示する機能を有するものが多くなっている。しかし、複数の対処方法が提示されていることがほとんどであり、オペレータが装置データを収集して原因を特定したうえで、提示された複数の対処方法から適切な対処方法を選択する必要がある。

特許文献１には、精度管理不良となる原因追及を容易化するため、検体分析装置が取得した測定データに関する情報と、検体分析装置の動作に関する情報とを、時系列のグラフ等で関連付けて表示することにより、オペレータが一目で検体分析装置の状態を把握することができるデータを生成することが記載されている。

特開２０１９－１７４４２４号公報

自動分析装置からの異常を通知するアラームから対処方法を決めるためには、オペレータは原因特定のためにどのような装置データが必要であるかといった知見や、収集した装置データから原因を推測し、運用状況を考慮して該当装置に適した対処方法を決めるための十分な経験が必要であり、経験の浅いオペレータには適切な対処方法を選択することが困難な場合がある。

特許文献１に記載された方法によれば、従来は画面や紙媒体に表示されるのみであった標準試料の精度管理等の情報を、検体分析装置の動作に関連する情報と関連付けて表示させることで、十分な経験のあるオペレータであれば、表示された内容から直感的に精度管理不良の原因が装置側に起因するものかどうか等を把握しやすくなる。しかしながら、経験の浅いオペレータにとっては、表示された情報から自ら原因を推測して対処することは依然として困難な場合が生じ得る。

例えば、自動分析装置では、検体の測定結果やメンテナンス結果が監視されており、あらかじめ設定された閾値を超えると異常として検知し、オペレータへ通知する。しかしながら、測定結果が閾値を超える原因は検体の異常、試薬の異常、あるいは装置の各機構の異常など様々な原因がありうるため、異常が検知されたデータの確認だけでは原因の特定と対処方法の決定は困難である。従来の異常検知時にオペレータへ通知される対処方法は考えうる原因に対応する対処方法が全て提示されている。

上記課題に鑑み、本発明では、異常の予兆の段階から、オペレータに対して適切と考えられる対処方法を推奨するシステム、方法を提供する。

本発明の一実施の態様である推奨アクション通知システムは、第１の自動分析装置を含む複数の自動分析装置と、複数の自動分析装置とネットワークで接続される学習装置とを含み、オペレータに第１の自動分析装置に対して実行するアクションを推奨する推奨アクション通知システムであって、
第１の自動分析装置からの検体分析結果データまたはメンテナンス結果データを受けて、検体分析結果データまたはメンテナンス結果データを含む関連装置データを学習モデルに入力し、学習モデルが出力する所定のアクションの実行を推奨する確率値が所定の閾値以上である場合にはオペレータに第１の自動分析装置に対して所定のアクションの実行を推奨する処理部と、
複数の自動分析装置からの学習用データセットに基づき学習モデルの更新を行う更新部とを備える。

異常の予兆の段階から、オペレータに対して適切と考えられる対処方法を推奨するシステム、方法を提供する。

その他の課題と新規な特徴は、本明細書の記述および添付図面から明らかになるであろう。

推奨アクション通知システムの全体像を示す図である。 推奨アクション通知システムの機能ブロック図である。 自動分析装置の概略図である。 学習モデルの更新フローチャートである。 アクション評価入力画面の例である。 関連装置データの例である。 ニューラルネットワークによる学習モデルの例である。 運用テーブルの例である。 学習モデルを用いて推奨アクションを出力するフローチャートである。 推奨アクション表示画面の例である。 アクション「光源ランプ交換」の学習モデル例である。 光度計チェックデータである時系列吸光度データの例である。 反応モニタデータの例である。 推奨アクション表示画面の例である。 アクション「サンプルプローブ外壁清掃」の学習モデル例である。 サンプルプローブ外壁清掃を怠ったときの測定結果例である。 サンプルプローブ外壁清掃を怠ったときの反応モニタデータ例（ALB反応過程）である。 サンプルプローブ外壁洗浄を怠ったときの反応モニタデータ例（CRE反応過程）である。 推奨アクション表示画面の例である。

図１Ａは、本実施例の推奨アクション通知システム５０の全体像である。推奨アクション通知システム５０は複数の自動分析装置５１ａ～ｚとネットワーク５３を介して接続される学習装置５２とを有する。自動分析装置５１は臨床検査室、臨床検査センターなどに設置されている。学習装置５２に接続される自動分析装置５１の数に特に制限はない。学習装置５２のハードウェアは、ＨＤＤ（Hard disk drive）、ＳＳＤ（Solid State Drive）のような記憶装置を備える情報処理装置である。後述する図１Ｂには、自動分析装置５１または学習装置５２の実行する機能が機能ブロック図で表現されており、その各機能は、ソフトウェアのプログラムコードをメインメモリに読み込み、プロセッサが読み込んだプログラムコードを実行することで実現される。情報処理装置がプログラムによって実現する機能を本実施例では「部」と称することがある。また、学習装置５２の処理するデータが大規模データである場合には、データそのものを学習装置５２の記憶装置に保存する必要はなく、例えば、クラウド上のオブジェクトストレージに保存し、対象データにアクセスするためのデータパスを保存するのであってもよい。学習装置５２は１台のサーバにより実現されても、分散処理サーバにより実現されてもよく、ハードウェアの物理構成には限定されない。

図１Ｂは推奨アクション通知システム５０の概要を示すための機能ブロック図である。詳細については後述するが、自動分析装置５１では、入力部１１から装置のオペレータによって入力されるアクションの効果情報とデータベース６２に格納されている装置データから、データセット作成部６１が、アクションの効果情報とアクションと関連する装置データ（「関連装置データ」という）とを含む学習用データセットを作成する。なお、後述するように、異常検知部６０が検体測定結果やメンテナンス結果から異常を検知してオペレータに通知（例えば表示部１０に表示する）したことをトリガとしてなされたアクションを、学習用データセットを作成するアクションの対象とする。

データセット作成部６１が生成した学習用データセットは、ネットワーク５３を介して学習装置５２へ送信される。学習装置５２では、更新部７１が学習用データセットに基づき教師信号を作成し、学習モデル７２を更新する。更新された学習モデル７２は、自動分析装置５１にネットワーク５３を介して配信される。一方、自動分析装置５１では、検体測定結果やメンテナンス結果を出力するごとに、データベース６２に格納されている関連装置データが処理部６３により学習モデル７２に入力され、推奨アクションを出力する。推奨アクションは自動分析装置５１の表示部１０に表示されることにより、オペレータに通知される。

図２に、自動分析装置５１の概略を示す。自動分析装置５１は、主として、サンプルディスク１、試薬ディスク２、反応ディスク３、反応槽４、サンプリング機構５、ピペッティング機構６、攪拌機構７、測光機構８、洗浄機構９、表示部１０、入力部１１、記憶部１２、制御部１３を備えて構成されている。サンプルディスク１には、採取したサンプルが入れられた複数の試料容器１６が、円形ディスク１７の円周上に固定されて並べられており、円形ディスク１７は、図示しないモータや回転軸等から構成される駆動機構により、位置決め可能に周方向回転する。試薬ディスク２には、サンプルと混合して反応させるための試薬が入れられた複数の試薬ボトル１８が円形ディスク１９の円周上に固定されて並べられており、その周囲は、温度制御された保冷庫２０になっている。また、円形ディスク１９は、図示しないモータや回転軸等から構成される駆動機構により、位置決め可能に周方向回転する。反応ディスク３には、サンプルおよび試薬を入れるための反応容器２１を保持した反応容器ホルダ２２が、複数取り付けられており、駆動機構２３により、周方向回転と停止とを一定サイクルで繰り返して、反応容器２１を間欠移送する。反応槽４は、反応容器２１の移動軌跡に沿って設置され、サンプルと試薬の化学反応を促進するために、例えば、温度制御された恒温水により、反応容器２１内のサンプルと試薬とが混合された反応液を一定温度に制御する恒温槽である。反応容器２１は反応槽４内を移動する。サンプリング機構５は、プローブ２４と、支承軸２５に取り付けられたアーム２６と、支承軸２５を回転中心にサンプルディスク１と反応ディスク３との間を往復可能にする駆動機構とを備えて構成され、予め定められたシーケンスに従って、サンプルディスク１の回転により定位置に移送されてくる試料容器１６内のサンプルを、反応容器２１に供給する。同様に、ピペッティング機構６は、プローブ２７と、支承軸２８に取り付けられたアーム２９と、支承軸２８を回転中心に試薬ディスク２と反応ディスク３との間を往復可能にする駆動機構とを備えて構成され、予め定められたシーケンスに従って、試薬ディスク２の回転によって定位置に移送されてくる試薬ボトル１８内の試薬を、反応容器２１に供給する。なお、試料容器１６および試薬ボトル１８の各々には、異なる種類のサンプルおよび試薬が入れられており、必要量が反応容器２１に供給される。攪拌機構７は、その位置（攪拌位置）に移送されてきた反応容器２１内のサンプルおよび試薬を撹拌して混合する攪拌機構である。攪拌機構７は非接触攪拌方式による攪拌機構であり、攪拌位置で反応容器２１の側面から音波を照射可能になる位置に圧電素子（図示せず）を固定する固定部３１と、圧電素子を駆動する圧電素子ドライバ１４と、攪拌機構コントローラ１５を含んでいる。

制御部１３は、サンプルディスク１、試薬ディスク２、反応ディスク３、反応槽４、サンプリング機構５、ピペッティング機構６、攪拌機構７、測光機構８、洗浄機構９に制御信号を送り、各々の動作を制御するとともに、本実施例の推奨アクション通知システムの機能、具体的には、図１Ｂに示す異常検知部６０、データセット作成部６１、処理部６３の機能を実行する。表示部１０は、分析項目や分析結果等の各種画面表示を行い、入力部１１は、分析項目等の各種情報の入力を行う。記憶部１２は、各機構を制御するための予め定めたシーケンス（プログラム）や分析項目等の各種情報を記憶する。図１Ｂに示したデータベース６２や学習装置５２から配信された更新された学習モデル７２も記憶部１２に記憶されている。

図３は、学習モデル７２の更新フローチャートである。なお、学習モデル７２は、学習するアクションに応じて入出力が異なるため、推奨アクション通知システム５０は、アクションに応じて個々に学習モデルを作成する。学習対象とするアクションはシステムにおいて選択されるが、メンテナンスの実行、試薬交換、検体の希釈再測定など装置異常時に実施するオペレータ操作が選択されることを想定している。

学習モデルは、推奨アクション通知システム５０があらかじめ収集した装置異常データとそれに対応する推奨アクションと異常原因とを教師信号として初期学習されているものとする。

自動分析装置５１の異常検知部６０は、装置が実施した検体検査結果やメンテナンス結果から何らかの異常を検知すると、アラームをオペレータに通知する（Ｓ１０）。オペレータはその異常に対処するためのアクションを実行する（Ｓ０１）。自動分析装置の制御部１３はオペレータのアクションを装置の動作ログとして記録し（Ｓ１１）、オペレータが学習対象のアクションを行ったと動作ログから判定される場合、自動分析装置のデータセット作成部６１はアクション実行後にオペレータのアクションの有効性評価を入力する入力画面を表示部１０に表示する（Ｓ１２）。このように、本フローチャートが適用されるのは装置における何らかの異常の発生を異常検知部６０が検知し、それをトリガにオペレータがアクションを実行した場合であって、定期的なメンテナンスにおけるアクションについては、学習用データセットの収集対象とはしない。アクションによる効果の有無が明確な場合のみを学習用データセットとして収集することで、学習を最適化することができるためである。

図４にアクション評価入力画面８０の例を示す。実行内容表示部８１にオペレータが実行したアクションが表示される（図中の［アクション名］にはオペレータの行った具体的なアクション名が表示される）。オペレータは効果ボタン８２のいずれかを選択することにより、アクションの有効性評価を入力する（Ｓ０２）。また、異常原因選択部８３にオペレータのアクションによって判明した異常原因を入力する（Ｓ０２）。オペレータの入力手数の削減及び表現のばらつきを抑えるため、選択方式により入力がなされるようになっている。オペレータが入力したアクション評価と異常原因は、自動分析装置５１の記憶部１２に記録される（Ｓ１３）。

データセット作成部６１は、アクションにつき、オペレータが入力した評価、異常原因、関連装置データを含む学習用データセットを作成する（Ｓ１４）。作成された学習用データセットは学習装置５２へ送信される（Ｓ１５）。

関連装置データは、学習モデルの更新のため、オペレータのアクション実行日時を基準に、あらかじめ設定された期間について収集される装置データである。関連装置データの例を図５に示す。装置データと呼称しているが、装置の機構、ハードウェアに限定されるものではなく、装置のオペレーションに係る機構、ハードウェア、試薬、検体についての情報、分析結果データなどを広く含む。オペレータのアクションの実行が有効な異常（異常原因）によって、その予兆が表れる装置データは異なるため、関連装置データは、アクションごとに設定される。図５では、アクションごとに設定される関連装置データの種類をデータセットグループごとにまとめて例示している。データセットグループとは、アクションをその内容によってグルーピングしたものである。「装置」、「試薬」、「検体」の３つのデータセットグループは、それぞれ装置、試薬、検体に関するアクションのグループであり、収集する関連装置データの種類について共通性が高い。

さらに、学習用データセットには、アクションに関する時間情報を含むことが望ましい。時間情報としては、アクションの実行日時と、異常検知部６０が検知したアクションの実行が有効であった異常（エラー）についてのエラー発生日時を含む。

学習装置５２の更新部７１は、このような学習用データセットを受信し（Ｓ２１）、受信した学習用データセットに基づく教師信号により、学習モデル７２を更新する（Ｓ２２）。更新された学習モデルは所定のタイミングで自動分析装置５１に配信される。

学習モデル７２には、ニューラルネットワーク、回帰木、ベイズ識別器などの任意の学習器を用いることができる。図６にニューラルネットワークによる学習モデルの例を示す。学習モデル９０は、入力層９１に入力された情報が、中間層９２に伝搬され、さらに出力層９３へと順に伝搬され、出力層９３から入力層９１に入力された情報に基づく推論結果を出力する。入力層９１、中間層９２、出力層９３はそれぞれ、丸印で示される複数の入力ユニット、中間ユニット、出力ユニットを有している。なお、通常ニューラルネットワークの中間層は複数層であるが、図では中間層９２で代表させて示している。入力層９１の各入力ユニットに入力された情報は、入力ユニットと中間ユニットとの間の結合係数によって重みづけされ、各中間ユニットに入力される。中間層９２の中間ユニットの値は、入力ユニットからの値が加算されることによって算出される。また、中間層９２の各中間ユニットからの出力は、中間ユニットと出力ユニットとの間の結合係数によって重み付けされ、各出力ユニットに入力される。中間ユニットからの値が加算されることにより、出力層９３の出力ユニットの値が算出される。このように、中間層９２での処理は、入力層９１に入力された入力データの値を非線形変換して、出力層９３の出力データとして出力することに相当する。

図６に示す学習モデル９０はアクション「反応セル洗浄」に関する学習モデルであって、入出力データ例とともに示している。入力層９１には関連装置データ（または、その加工データ、以下では区別せず関連装置データと表記する）が入力され、出力層９３から入力に応じた演算結果が出力される。入力層９１に入力される関連装置データとしては、学習モデルごとに定義された分析結果やメンテナンスデータなどの時系列測定結果９４、アクションに影響を及ぼす試薬情報、検体情報などの分析情報９５が含まれる。出力層９３からの出力データは、アクション「反応セル洗浄」に関係する推論結果であって、アクション関連情報９７、異常原因９８が含まれる。アクション関連情報９７には、アクション（ここでは「反応セル洗浄」）の推奨可否、エラー発生までの平均的残り時間、アクション実行までの平均的残り時間を含む。エラー発生までの平均的残り時間は、異常検知部６０がアクションに対応する異常（エラー）を検知するまでに要する平均的な残り時間を指し、アクション実行までの平均的残り時間は、オペレータによるアクションが実行されるまでに要する平均的な残り時間を指す。エラー発生までの平均的残り時間は、アクションが推奨されない場合においても、将来のいつくらいの時期にアクションの必要性が生じるかを知る目安になる。アクション実行までの残り時間は、さらに各施設での運用やオペレータの経験値が加味され、一般的には将来のいつくらいの時期にアクションが実行されているかを知る目安になる。

出力ユニット「反応セル洗浄（アクション）の推奨」や「異常原因（セルの汚れ）」の出力値は確率値であり、出力された確率値があらかじめ定められた閾値以上か、未満かにより、アクションとして推奨するか、あるいは異常原因であるかどうかを判定する。例えば、出力ユニット「反応セル洗浄の推奨」が１に近い程推奨する、０に近い程推奨しないことを意味する。同様に、出力ユニット「異常原因（セルの汚れ）」が１に近い程確からしく、０に近い程疑わしいことを意味する。一方、出力ユニット「エラー発生までの平均的残り時間」、出力ユニット「アクション実行までの平均的残り時間」からの出力は、残り時間の値そのものが出力される。

学習モデルの更新処理（Ｓ２２）においては、更新部７１は、学習モデル９０の入出力データに対応する教師信号を学習用データセットに基づき作成する。教師信号の入力値は関連装置データである。一方、教師信号の出力値は、この例では、以下のようになる。アクションの有効性評価が効果ありであれば、「反応セル洗浄の推奨」の出力値を１、効果なしであれば、「反応セル洗浄の推奨」の出力値を０とする。また、異常原因が「セルの汚れ」であれば、「異常原因（セルの汚れ）」の出力値を１、それ以外であれば「異常原因（セルの汚れ）」の出力値を０とする。また、時間情報に関しても、エラー発生日時、アクション実行日時の所定の基準時点からの経過時間を算出して、教師信号の出力値とする。所定の基準時点は、例えば、前回のアクションの実行日時とすればよい。

更新部７１は、作成した教師信号の入力値（関連装置データ）を入力層９１に入力し、出力層９３から出力される値が、教師信号の出力値となるよう、ユニット間の結合係数の値を調整する。

学習モデル７２の精度を高めるためには、数多くの学習用データセットを得ることが必要であるが、学習効果を高めるためには、運用が近似した自動分析装置５１からの学習用データセットを用いて学習モデルを構築することが望ましい。自動分析装置５１ごとに、運用、検査内容に違いがあり、これらが近似する自動分析装置程、共通する異常の発生傾向を有し、異常に対する対処方法もより参考になるといえる。例えば、装置の稼働時間が長い施設における自動分析装置の方が、早くランプ交換が必要になる、あるいは血清だけを分析している施設より血しょうをも分析している施設における自動分析装置の方が、こまめにプローブ洗浄を行うことが必要になるといったように、装置の運用の違いによって異常の発生傾向には違いがある。

そこで、学習モデル７２をさらに運用状況の近い施設のグループごとに細分化した学習モデルとすることで、学習モデルの精度をさらに高めることができる。図７は、運用テーブル１００の例である。学習装置５２は、施設ごとにその自動分析装置の運用状況についての情報を収集し、運用テーブル１００で管理する。典型的な運用例をグループ（ここではグループＡを示している）として定義し、グループの定義する運用状況と各施設の運用状況との近似性に基づきグループの対象とするか否かを判定する。運用状況情報欄１０１にはグループについて定義される運用状況情報と各施設の運用状況情報が登録されている。近似性欄１０２にはグループについて定義される運用状況と各施設の運用状況との相関値が登録され、対象判定欄（グループＡ）１０３には、相関値に基づき判定されたグループ（グループＡ）の対象か否かが登録されている。この例では、施設ＡがグループＡの対象施設と判定され、それ以外の施設は対象外とされている。このように、学習モデルを運用形態の近似性の高い自動分析装置のデータを収集して学習させることによって、より信頼性の高い学習モデルの構築が可能となる。なお、運用状況の全ての項目が近似していることをグループの条件とするのではなく、異常原因に応じて、運用状況の１または複数の項目が近似していることをグループの条件とするのでよい。

図８に、自動分析装置５１が学習モデル７２を用いて推奨アクションを出力するフローチャートを示す。自動分析装置５１が検体分析結果やメンテナンス結果などを出力する（Ｓ３１）たびに、学習モデルを用いた診断をリアルタイムに実行することが望ましい。これにより、装置の異常を早期に検知し、オペレータに通知することが可能になる。処理部６３は、診断を実行する学習モデルを選択する（Ｓ３２）。自動分析装置５１の出力結果がその関連装置データとして設定されている学習モデルを抽出すればよく、複数の学習モデルが抽出される場合もある。抽出された学習モデルに対して、その学習モデルに応じた出力結果を含む関連装置データを入力する（Ｓ３３）。学習モデルから出力される推奨ユーザアクションなどの推論結果を取得し（Ｓ３４）、画面表示する（Ｓ３５）。

図９は表示部１０に表示される推奨アクションの表示画面例を示す。推奨アクション表示画面１１０は、推奨アクション表示部１１１、推奨実施時期表示部１１２、参考情報表示部１１３を含んでいる。上述のように、学習モデルから出力値であるアクションの推奨可否は、学習モデルから出力される確率値がある閾値以上か未満かにより決定されるが、推奨アクションは一つとは限らず、複数のアクションが推奨される可能性がある。このように、複数のアクションが推奨される場合には、確率値によって推奨度合いが判定できるため、閾値と確率値との差分の大きい推奨アクションを優先度の高い推奨アクションとして画面表示する。この例では、推奨アクションごとに推奨度合いをバー１１４で表示するとともに、優先度の高い方から順に推奨アクションの内容を表示する。ここでは先立つ推奨アクション表示画面１１０ａに、より優先度の高かったアクション「反応セル洗浄」を表示し、後続する推奨アクション表示画面１１０ｂに、アクション「反応セル交換」を表示している。

推奨アクション表示部１１１には、推奨するアクションの名称とその推奨度合いが表示される。バー１１４のハッチング部分が大きい程、推奨度合いが大きいことを示す。

推奨実施時期表示部１１２には、学習モデルからの出力値に加え、自動分析装置における当該アクションの実施履歴、実施予定があればそれらの日時もあわせて表示する。なお、カレンダー中の網掛け日付が本日を表しており、黒丸印でアクション「反応セル洗浄」が推奨されていることを示している。さらに、参考情報として、一般的な自動分析装置におけるエラー発生日時やアクション実施日時を、学習モデルから出力される平均的な残り時間から推定し、参考情報として表示する。実際にオペレータが推奨されたアクションを実際に実行するかどうか、一般的、平均的な場合でのタイミングをもとに判断することが可能になる。

参考情報表示部１１３には、あらかじめ定められた推奨アクションの要否判断について重要性の高い装置データ、例えば反応セル洗浄の場合は反応セルブランク測定データの実施履歴を表示することができる。これにより、推奨アクションがオペレータの経験に照らし合わせて妥当なものか、オペレータがあらためて装置データを収集しなくても確認することが可能になる。

図１０～図１２を用いて、アクション「光源ランプ交換」の学習例について説明する。光源ランプの交換は、定期間隔または一定時間以上使用した場合のどちらか早い方、または、光度計チェック値が閾値を超えた場合に交換を行うことが一般的である。光度計チェック値の交換閾値は設定されていても、かならずしも閾値を超えた後にランプが切れるわけではないので、定期的または一定時間以上使用した場合の交換が推奨されている。ただし、定期的な交換が推奨されているといっても、各施設における装置の立ち上げ時間に応じて適切な期間は変わる。例えば１日５時間使用する施設と１日１０時間使用する施設では、１日１０時間使用する施設の方が頻繁に交換する必要がある。このため、以下の説明において、学習に用いる学習用データセットは、装置運用時間が近い施設の自動分析装置からのデータが収集されているものとする。

図１０の学習モデル例は、関連装置データとして光源ランプに関する時系列測定データ、アクションに関する時間情報として光源ランプが原因で測定データに異常が発生したタイミング、オペレータの光源ランプ交換タイミングを含む学習用データセットを収集し、効果的な光源ランプ交換タイミングを推奨するものである。学習モデル１２０の入力層１２１には、関連装置データである光源ランプの時系列光度計チェックデータ、時系列の主波長、副波長ごとの反応モニタデータが入力され、出力層１２２からは光源ランプ交換推奨可否、参考情報として、装置運用が近似する施設の自動分析装置における反応モニタデータに異常が出始めるまでの平均的残り時間、光源ランプ交換を実行するまでの平均的残り時間が出力される。

図１１に学習または推論に使用する光度計チェックデータ例である時系列吸光度データを示す。光源ランプは新品に交換してからの時間が経過するにつれて光量が減少し、吸光度が徐々に増加する傾向がある。図１２は学習または推論に使用する反応モニタデータ例を示す。光源ランプの寿命がせまってくると、光量が不安定になり、反応過程上に吸光度がジャンプしたスパイクノイズ１３１が発生し、リニアリティ異常が発生する。時間がたつにつれスパイクノイズ１３１は増加する傾向にある。学習モデル１２０は、時系列データからこのような特徴量を把握することにより、光源ランプ交換の推奨可否を推論するものである。

学習モデル１２０の学習及び学習モデル１２０を用いた推論は、アクション「反応セル洗浄」の場合と同様であるので、重複する説明は省略する。図１３に推奨アクション表示画面１４０を示す。推奨アクション表示画面１４０は、推奨アクション表示部１４１、推奨実施時期表示部１４２、参考情報表示部１４３を含んでいる。各表示部は図９に示した表示部と同様であるので、重複する説明は省略する。オペレータは関連装置データの時系列データに基づく光源ランプ交換の推奨可否と、同様の運用を行っている自動分析装置での平均的なエラー発生タイミングやオペレータの交換タイミングに基づき、効果的なタイミングで光源ランプの交換が可能になる。

図１４～図１７を用いて、アクション「サンプルプローブ外壁清掃」の学習例について説明する。サンプルプローブの外壁は測定完了後に毎日洗浄する必要がある。洗浄を怠ると、サンプル分注精度が低下する可能性がある。サンプル分注精度が低下すると、検体測定データに影響が発生するが、測定データだけではもともと値が異常値の検体であるのか、サンプル分注精度が低下したことが原因なのかはわからない。ここでは、測定データに異常があり、サンプルプローブの外壁清掃を実行した場合において、効果があったかどうかをユーザに入力してもらう。すなわち、効果があればサンプル分注精度の低下が原因であったと推定できる。このようにして収集した学習用データセットに基づき、測定データからサンプルプローブの外壁清浄を推奨する学習モデルを作成する。この場合、サンプルプローブの汚れ具合は、使用している検体の種類（血清、血しょう、全血）や運用時間（１日２４時間運用など）によって変わってくる。このため、以下の説明において、学習に用いる学習用データセットは、サンプルプローブの汚れ具合に影響する運用状況が近い施設の自動分析装置からのデータが収集されているものとする。

図１４の学習モデル例は、関連装置データとして主波長、副波長の時系列反応モニタデータ、アクションに関する時間情報としてサンプルプローブ外壁のよごれが原因で反応モニタデータに異常が発生したタイミング、オペレータのサンプルプローブの外壁清掃タイミングを含む学習用データセットを収集し、効果的なサンプルプローブの外壁清掃タイミングを推奨するものである。学習モデル１５０の入力層１５１には、関連装置データである時系列の主波長、副波長ごとの反応モニタデータが入力され、出力層１５２からはサンプルプローブ外壁清掃推奨可否、参考情報として、装置運用が近似する施設の自動分析装置における、反応モニタデータに異常が出始めるまでの平均的残り時間、サンプルプローブ外壁清掃を実行するまでの平均的残り時間が出力される。

図１５にサンプルプローブの外壁清掃を怠ったときの測定結果、図１６Ａ、Ｂにサンプルプローブの外壁清掃を怠ったときの反応モニタデータを示す。図１６Ａは、ＡＬＢ反応過程、図１６ＢはＣＲＥ反応過程のモニタデータである。サンプル分注精度が低下することによって、複数の項目で、同じ検体の初回データと再測定データとで異なる測定結果が得られる。学習モデル１５０は、反応過程の時系列データからこのような特徴量を把握することにより、サンプルプローブ外壁洗浄の推奨可否を推論するものである。

学習モデル１５０の学習及び学習モデル１５０を用いた推論は、アクション「反応セル洗浄」の場合と同様であるので、重複する説明は省略する。図１７に推奨アクション表示画面１６０を示す。推奨アクション表示画面１６０は、推奨アクション表示部１６１、推奨実施時期表示部１６２を含んでいる。各表示部は図９に示した表示部と同様であるので、重複する説明は省略する。オペレータは関連装置データの時系列データに基づくサンプルプローブ外壁清掃の推奨可否と、同様の運用を行っている自動分析装置での平均的なエラー発生タイミングやオペレータの清掃タイミングに基づき、効果的なタイミングでサンプルプローブ外壁清掃が可能になる。なお、推奨アクション表示画面１６０に、参考情報表示部を設け、図１６Ａに示したような時系列データを表示してもよい。

以上、本発明を実施例、変形例に基づき説明したが、上記した実施例、変形例に限定されるものではなく、発明の要旨を変更しない範囲でさまざまな変形が可能である。例えば、推奨アクション通知システムは複数の自動分析装置と学習装置とで構成する例を説明したが、単体の自動分析装置で構成することもできる。ただし、複数の自動分析装置からの学習用データセットを学習に用いることにより、多数の自動分析装置の情報を早期に収集し、学習効果を促進することが可能である。さらに、自己以外の自動分析装置からの学習データを収集することで、上述したような平均的な自動分析装置における推論結果を得ることができ、推奨されたアクションを実際に実行するかどうかの判断に用いることができる。なお、学習モデルを用いる推論を自動分析装置において行う例を示したが、処理部６３を学習装置あるいはその他の情報処理装置に設けて、実施してもよい。

また、推奨アクション通知システムは、例えばスマートフォンなどのモバイル端末でオペレータに通知する構成を備えてもよい。これにより、推奨アクションが生じた場合に、オペレータの場所を制限することなく、その通知を受け取ることができる。また、オペレータのアクションの効果入力を画面入力の他にも、音声入力などオペレータの入力負荷を軽減する他の入力方法を採用してもよい。

１：サンプルディスク、２：試薬ディスク、３：反応ディスク、４：反応槽、５：サンプリング機構、６：ピペッティング機構、７：攪拌機構、８：測光機構、９：洗浄機構、１０：表示部、１１：入力部、１２：記憶部、１３：制御部、１４：圧電素子ドライバ、１５：攪拌機構コントローラ、１６：試料容器、１７，１９：円形ディスク、１８：試薬ボトル、２０：保冷庫、２１：反応容器、２２：反応容器ホルダ、２３：駆動機構、２４，２７：プローブ、２５，２８：支承軸、２６，２９：アーム、３１：固定部、５１：自動分析装置、５２：学習装置、５３：ネットワーク、６０：異常検知部、６１：データセット作成部、６２：データベース、６３：処理部、７１：更新部、７２：学習モデル、８０：アクション評価入力画面、８１：実行内容表示部、８２：効果ボタン、８３：異常原因選択部、９０，１２０，１５０：学習モデル、９１，１２１，１５１：入力層、９２：中間層、９３，１２２，１５２：出力層、９４：時系列測定結果、９５：分析情報、９７：アクション関連情報、９８：異常原因、１００：運用テーブル、１０１：運用状況情報欄、１０２：近似性欄、１０３：対象判定欄、１１０，１４０，１６０：推奨アクション表示画面、１１１，１４１，１６１：推奨アクション表示部、１１２，１４２，１６２：推奨実施時期表示部、１１３，１４３：参考情報表示部、１１４，１４４，１６３：バー、１３１：スパイクノイズ。

Claims (14)

1. 第１の自動分析装置を含む複数の自動分析装置と、前記複数の自動分析装置とネットワークで接続される学習装置とを含み、オペレータに前記第１の自動分析装置に対して実行するアクションを推奨する推奨アクション通知システムであって、
   前記第１の自動分析装置からの検体分析結果データまたはメンテナンス結果データを受けて、前記検体分析結果データまたは前記メンテナンス結果データを含む関連装置データを学習モデルに入力し、前記学習モデルが出力する所定のアクションの実行を推奨する確率値が所定の閾値以上である場合にはオペレータに前記第１の自動分析装置に対して前記所定のアクションの実行を推奨する処理部と、
   前記複数の自動分析装置からの学習用データセットに基づき前記学習モデルの更新を行う更新部とを備え、
   前記複数の自動分析装置のいずれかの自動分析装置からの異常発生検知を受けて、オペレータが前記所定のアクションを実行したとき、当該自動分析装置のデータセット作成部は、当該自動分析装置の表示部にアクション評価入力画面を表示し、前記所定のアクションの実行日時を基準にあらかじめ設定された期間について前記所定のアクションに応じて設定された関連装置データを収集し、収集した前記関連装置データと、前記アクション評価入力画面より入力された前記所定のアクションの有効性評価及び異常原因とを含む前記学習用データセットを作成する推奨アクション通知システム。
2. 請求項１において、
   前記第１の自動分析装置は前記処理部を備え、前記学習装置は前記更新部を備え、
   前記更新部によって更新された前記学習モデルが、前記第１の自動分析装置に配信される推奨アクション通知システム。
3. 請求項１において、
   前記学習モデルは、前記所定のアクションに応じて設定された関連装置データが入力される入力層と、前記入力層への前記関連装置データの入力を受けて前記所定のアクションに関係する推論結果を出力する出力層とを備え、
   前記推論結果として、前記所定のアクションの実行を推奨する確率値と前記所定のアクションの実行が有効な所定の異常が生じている確率値とを含む推奨アクション通知システム。
4. （削除）
5. 請求項３において、
   前記推論結果として、前記複数の自動分析装置において前記所定の異常が発生するまでの平均的な残り時間と、前記複数の自動分析装置において前記所定のアクションが実行されるまでの平均的な残り時間とを含み、
   前記自動分析装置のデータセット作成部は、前記学習用データセットに、さらに前記自動分析装置において所定の基準時点から前記所定の異常が発生するまでの経過時間及び前記自動分析装置において所定の基準時点から前記所定のアクションを実行するまでの経過時間を含ませる推奨アクション通知システム。
6. 請求項３において、
   前記処理部は、前記検体分析結果データまたは前記メンテナンス結果データが、その入力層に入力される関連装置データとして設定されている複数の前記学習モデルを抽出し、
   前記処理部は、前記検体分析結果データまたは前記メンテナンス結果データを含む関連装置データを抽出された前記複数の学習モデルに入力し、当該学習モデルが出力する所定のアクションの実行を推奨する確率値が所定の閾値以上である学習モデルが複数ある場合には、前記確率値が所定の閾値以上であった複数の学習モデルに対応する複数の所定のアクションをオペレータに推奨する推奨アクション通知システム。
7. 請求項５において、
   前記処理部は、前記第１の自動分析装置の表示部に推奨アクション表示画面を表示し、
   前記推奨アクション表示画面には、前記学習モデルによる、前記所定のアクションの実行を推奨する確率値、前記複数の自動分析装置において前記所定の異常が発生するまでの平均的な残り時間、及び前記複数の自動分析装置において前記所定のアクションが実行されるまでの平均的な残り時間についての推論結果に基づき、オペレータに実行を推奨する前記所定のアクションの名称、前記複数の自動分析装置において前記所定の異常が発生すると推定される日時、及び前記複数の自動分析装置において前記所定のアクションが実行されると推定される日時が表示される推奨アクション通知システム。
8. 請求項１において、
   前記更新部は、前記複数の自動分析装置のうち、運用及び検査内容を含む運用状況の近似性に基づき前記複数の自動分析装置をグルーピングし、運用状況が近似するとしてグループ化された自動分析装置からの前記学習用データセットに基づき前記学習モデルの更新を行う推奨アクション通知システム。
9. 検体分析またはメンテナンスを行う自動分析装置であって、
   オペレータが自動分析装置に対して実行する所定のアクションに応じて設定された関連装置データが入力される入力層と、前記入力層への前記関連装置データの入力を受けて前記所定のアクションに関係する推論結果を出力する出力層とを備える学習モデルを記憶する記憶部と、
   前記記憶部から前記学習モデルを呼び出し、前記検体分析の結果データまたは前記メンテナンスの結果データを含む関連装置データを前記学習モデルに入力し、前記学習モデルが出力する前記所定のアクションの実行を推奨する確率値が所定の閾値以上である場合にはオペレータに前記所定のアクションの実行を推奨する処理部と、
   前記処理部により推奨された前記所定のアクションの名称を表示する表示部と、
   異常を検知する異常検知部と、
   前記異常検知部からの異常発生検知を受けて、オペレータが前記所定のアクションを実行したとき、前記表示部にアクション評価入力画面を表示し、前記所定のアクションの実行日時を基準にあらかじめ設定された期間について前記所定のアクションに応じて設定された関連装置データを収集し、収集した前記関連装置データと、前記アクション評価入力画面より入力された前記所定のアクションの有効性評価及び異常原因とを含む学習用データセットを作成するデータセット作成部とを有する自動分析装置。
10. （削除）
11. 請求項９において、
    前記学習用データセットは、学習装置に送信され、前記学習モデルの更新に使用される自動分析装置。
12. 第１の自動分析装置を含む複数の自動分析装置と、前記複数の自動分析装置とネットワークで接続される学習装置とを含む推奨アクション通知システムにより、オペレータに前記第１の自動分析装置に対して実行するアクションを推奨する推奨アクション通知方法であって、
    前記複数の自動分析装置のいずれかの自動分析装置が異常の発生を検知したとき、前記異常の発生を検知した自動分析装置は、オペレータに前記異常の検知を通知し、
    前記異常の発生を検知した自動分析装置は、オペレータが前記異常の検知の通知を受けて所定のアクションを実行したとき、当該自動分析装置の表示部にアクション評価入力画面を表示し、
    前記異常の発生を検知した自動分析装置は、前記所定のアクションの実行日時を基準にあらかじめ設定された期間について前記所定のアクションに応じて設定された関連装置データを収集し、収集した前記関連装置データと、前記アクション評価入力画面より入力された前記所定のアクションの有効性評価及び異常原因とを含む学習用データセットを作成し、
    前記複数の自動分析装置は、前記学習用データセットを前記学習装置に送信し、
    前記学習装置は、前記複数の自動分析装置からの前記学習用データセットに基づき学習モデルを更新し、
    前記学習装置は、更新された前記学習モデルを前記第１の自動分析装置に配信し、
    前記第１の自動分析装置は、検体分析またはメンテナンスを行い、
    前記第１の自動分析装置は、前記検体分析の結果データまたは前記メンテナンスの結果データを含む関連装置データを前記学習モデルに入力し、前記関連装置データの入力を受けて前記学習モデルが出力する前記所定のアクションの実行を推奨する確率値が所定の閾値以上である場合には、オペレータに前記所定のアクションの実行を推奨する推奨アクション通知方法。
13. （削除）
14. 請求項１２において、
    前記学習装置は、前記複数の自動分析装置のうち、運用及び検査内容を含む運用状況の近似性に基づき前記複数の自動分析装置をグルーピングし、運用状況が近似するとしてグループ化された自動分析装置からの前記学習用データセットに基づき前記学習モデルの更新を行う推奨アクション通知方法。

Images