WO2022153469A1 - 未病診断装置、未病診断方法及び学習モデル生成装置 - Google Patents
未病診断装置、未病診断方法及び学習モデル生成装置 Download PDFInfo
- Publication number
- WO2022153469A1 WO2022153469A1 PCT/JP2021/001142 JP2021001142W WO2022153469A1 WO 2022153469 A1 WO2022153469 A1 WO 2022153469A1 JP 2021001142 W JP2021001142 W JP 2021001142W WO 2022153469 A1 WO2022153469 A1 WO 2022153469A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- data
- log
- acquisition unit
- learning model
- person
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 317
- 208000034048 Asymptomatic disease Diseases 0.000 title abstract 6
- 238000000034 method Methods 0.000 title description 23
- 230000000474 nursing effect Effects 0.000 claims abstract description 60
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 193
- 201000010099 disease Diseases 0.000 claims description 192
- 230000007613 environmental effect Effects 0.000 claims description 174
- 230000007774 longterm Effects 0.000 claims description 137
- 230000007958 sleep Effects 0.000 claims description 132
- 230000002159 abnormal effect Effects 0.000 claims description 94
- 235000012054 meals Nutrition 0.000 claims description 45
- 206010012289 Dementia Diseases 0.000 claims description 41
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 claims description 37
- 206010022437 insomnia Diseases 0.000 claims description 37
- 206010035669 Pneumonia aspiration Diseases 0.000 claims description 35
- 201000009807 aspiration pneumonia Diseases 0.000 claims description 35
- 239000006187 pill Substances 0.000 claims description 31
- 230000033001 locomotion Effects 0.000 claims description 22
- 230000001568 sexual effect Effects 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 208000035475 disorder Diseases 0.000 claims 1
- 238000012545 processing Methods 0.000 description 86
- 208000024891 symptom Diseases 0.000 description 55
- 206010017577 Gait disturbance Diseases 0.000 description 44
- 238000010586 diagram Methods 0.000 description 44
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 42
- 230000005856 abnormality Effects 0.000 description 32
- 238000013528 artificial neural network Methods 0.000 description 24
- 229910002092 carbon dioxide Inorganic materials 0.000 description 21
- 239000001569 carbon dioxide Substances 0.000 description 21
- 230000005021 gait Effects 0.000 description 19
- 206010011224 Cough Diseases 0.000 description 16
- 230000008452 non REM sleep Effects 0.000 description 13
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 13
- 210000000225 synapse Anatomy 0.000 description 11
- 230000006866 deterioration Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 239000002131 composite material Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000036772 blood pressure Effects 0.000 description 6
- 238000001816 cooling Methods 0.000 description 6
- 235000013305 food Nutrition 0.000 description 6
- 206010019345 Heat stroke Diseases 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 231100000572 poisoning Toxicity 0.000 description 3
- 230000000607 poisoning effect Effects 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 2
- 238000009534 blood test Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000002631 hypothermal effect Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002969 morbid Effects 0.000 description 2
- 230000007659 motor function Effects 0.000 description 2
- 230000009747 swallowing Effects 0.000 description 2
- 206010003504 Aspiration Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 241001261506 Undaria pinnatifida Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1112—Global tracking of patients, e.g. by using GPS
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1114—Tracking parts of the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
Definitions
- the present disclosure relates to a non-disease diagnosis device, a non-disease diagnosis method, and a learning model generation device.
- a doctor diagnoses that a person to be diagnosed has a disease if an abnormal finding is found in the blood test result of the person to be diagnosed or the result of an image test of the person to be diagnosed. Even if there are no obvious abnormal findings in the test results such as blood test results, if there are signs of abnormalities in the test results, it is possible that the person to be diagnosed has not been ill, which is a pre-illness state. Therefore, the doctor may follow up on changes in test results in the person being diagnosed.
- Patent Document 1 observes a change in body motion data indicating the acceleration of the subject's body and is based on the change in the body motion data. Therefore, an event prediction system that predicts the occurrence of a specific event is disclosed.
- the target person is a resident of a long-term care facility or a patient who is admitted to a hospital.
- a specific event is an event in which the subject falls while walking. The event of a subject falling while walking may be caused by a decline in the subject's motor function.
- the doctor may be able to detect the pre-illness occurring in the diagnosed subject by following up on the changes in the test results in the diagnosed subject.
- the diagnosed subject has no subjective symptoms, in addition to the condition in which abnormal findings are observed in the test results (hereinafter referred to as "abnormal findings present state"), the diagnosed subject has subjective symptoms.
- a state in which no abnormal findings are found in the test results (hereinafter referred to as "abnormal findings-free state”) is also included.
- the pre-illness that can be detected by the doctor by observing the change in the test result is the pre-illness with abnormal findings, and the doctor can follow up the change in the test result and find the pre-illness without abnormal findings.
- the present disclosure has been made in order to solve the above-mentioned problems, and an object of the present disclosure is to obtain a non-disease diagnostic device and a non-disease diagnosis method capable of diagnosing a non-disease without abnormal findings.
- the non-illness diagnostic apparatus includes a log acquisition unit that acquires a log showing physical changes in a non-illness diagnosed person, a care data acquisition unit that acquires care data indicating the care content for the diagnosed person, and a care data acquisition unit.
- the log acquired by the log acquisition unit and the nursing care data acquired by the nursing care data acquisition unit are given to the learning model, and the learning model provides diagnostic data indicating a non-illness that may occur in the person to be diagnosed. It is provided with a non-illness diagnosis unit to be acquired.
- FIG. 5 is a hardware configuration diagram of a computer when the non-disease diagnostic device 1 is realized by software, firmware, or the like. It is a block diagram which shows the learning model generation apparatus 3 which concerns on Embodiment 1. FIG. It is a hardware block diagram which shows the hardware of the learning model generation apparatus 3 which concerns on Embodiment 1.
- FIG. 5 is a hardware configuration diagram of a computer when the learning model generator 3 is realized by software, firmware, or the like.
- FIG. 1 It is a flowchart which shows the pre-disease diagnosis method which is the processing procedure of the non-disease diagnosis apparatus 1 shown in FIG. It is a flowchart which shows the learning model generation method which is the processing procedure of the learning model generation apparatus 3 shown in FIG. It is explanatory drawing which shows the diagnosis result of the non-illness for the person to be diagnosed. It is explanatory drawing which shows the information of the non-illness which may occur in the person to be diagnosed. It is a block diagram which shows the non-disease diagnosis apparatus 1 which concerns on Embodiment 2. FIG. It is a hardware block diagram which shows the hardware of the non-disease diagnosis apparatus 1 which concerns on Embodiment 2. FIG.
- FIG. It is a block diagram which shows the learning model generation apparatus 3 which concerns on Embodiment 2.
- FIG. It is a hardware block diagram which shows the hardware of the learning model generation apparatus 3 which concerns on Embodiment 2.
- FIG. It is explanatory drawing which shows the information of the non-illness which may occur in the person to be diagnosed.
- FIG. It is explanatory drawing which shows an example of the part where an abnormality occurs in a facility. It is explanatory drawing which shows the list of the person to be diagnosed which the vital is abnormal.
- FIG. It is a block diagram which shows the non-disease diagnosis apparatus 1 which concerns on Embodiment 4.
- FIG. It is a hardware block diagram which shows the hardware of the non-disease diagnosis apparatus 1 which concerns on Embodiment 4.
- FIG. It is explanatory drawing which shows the display example of the position where the sensor 15an is installed, and the environmental data output from the sensor 15an.
- FIG. 1 is a configuration diagram showing a non-disease diagnostic device 1 according to the first embodiment.
- FIG. 2 is a hardware configuration diagram showing the hardware of the non-disease diagnostic apparatus 1 according to the first embodiment.
- the non-illness diagnosis device 1 shown in FIG. 1 includes a log acquisition unit 11, a long-term care data acquisition unit 12, a non-illness diagnosis unit 13, and a display processing unit 14.
- the log acquisition unit 11 is realized by, for example, the log acquisition circuit 21 shown in FIG.
- the log acquisition unit 11 acquires a log showing changes in the body of the undiagnosed subject.
- the log acquisition unit 11 acquires a log indicating a change in the body.
- the log acquisition unit 11 may acquire a log indicating the operation history of the device by the diagnosis target person instead of the log indicating the physical change.
- the log acquisition unit 11 may acquire both a log indicating the physical change and a log indicating the operation history of the device by the person to be diagnosed.
- the log acquisition unit 11 outputs the log to the non-disease diagnosis unit 13.
- the long-term care data acquisition unit 12 is realized by, for example, the long-term care data acquisition circuit 22 shown in FIG.
- the long-term care data acquisition unit 12 acquires long-term care data indicating the contents of long-term care for the person to be diagnosed.
- the long-term care data acquisition unit 12 outputs the long-term care data to the non-illness diagnosis unit 13.
- the non-disease diagnosis unit 13 is realized by, for example, the non-disease diagnosis circuit 23 shown in FIG.
- the non-disease diagnosis unit 13 includes a learning model 43 generated by the learning model generation device 3 shown in FIG.
- the non-illness diagnosis unit 13 gives the log acquired by the log acquisition unit 11 and the care data acquired by the care data acquisition unit 12 to the learning model 43, and is generated from the learning model 43 to the diagnosis target person.
- the non-disease diagnosis unit 13 outputs the diagnosis data to the display processing unit 14.
- the diagnostic data output from the non-disease diagnosis unit 13 to the display processing unit 14 includes data indicating a non-disease with no abnormal findings among the non-disease that may occur in the diagnosis target person.
- the diagnostic data may include data indicating non-illness with abnormal findings.
- the display processing unit 14 is realized by, for example, the display processing circuit 24 shown in FIG.
- the display processing unit 14 generates display data for displaying on the screen information on the non-illness that may occur in the diagnosis target person according to the diagnostic data output from the non-disease diagnosis unit 13.
- the display processing unit 14 outputs the display data to the display device 2.
- the display device 2 is realized by, for example, a liquid crystal display.
- the display device 2 displays on the screen information on the non-illness that may occur in the diagnosis target person according to the display data output from the display processing unit 14.
- each of the log acquisition unit 11, the long-term care data acquisition unit 12, the non-disease diagnosis unit 13, and the display processing unit 14, which are the components of the non-disease diagnosis device 1, is provided with dedicated hardware as shown in FIG. It is supposed to be realized. That is, it is assumed that the non-illness diagnosis device 1 is realized by the log acquisition circuit 21, the long-term care data acquisition circuit 22, the non-illness diagnosis circuit 23, and the display processing circuit 24.
- Each of the log acquisition circuit 21, the care data acquisition circuit 22, the pre-illness diagnosis circuit 23, and the display processing circuit 24 is, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, or an ASIC (Application Specific Integrated). Circuit), FPGA (Field-Programmable Gate Array), or a combination thereof is applicable.
- the components of the non-disease diagnostic device 1 are not limited to those realized by dedicated hardware, but the non-disease diagnostic device 1 is realized by software, firmware, or a combination of software and firmware. There may be.
- the software or firmware is stored as a program in the memory of the computer.
- a computer means hardware that executes a program, and corresponds to, for example, a CPU (Central Processing Unit), a central processing unit, a processing unit, a computing device, a microprocessor, a microcomputer, a processor, or a DSP (Digital Signal Processor). do.
- FIG. 3 is a hardware configuration diagram of a computer when the non-illness diagnostic device 1 is realized by software, firmware, or the like.
- a computer is used to execute each processing procedure in the log acquisition unit 11, the care data acquisition unit 12, the non-illness diagnosis unit 13, and the display processing unit 14.
- the program is stored in the memory 31.
- the processor 32 of the computer executes the program stored in the memory 31.
- FIG. 2 shows an example in which each of the components of the non-disease diagnostic device 1 is realized by dedicated hardware
- FIG. 3 shows an example in which the non-disease diagnostic device 1 is realized by software, firmware, or the like. ing.
- this is only an example, and some components of the non-disease diagnostic device 1 may be realized by dedicated hardware, and the remaining components may be realized by software, firmware, or the like.
- FIG. 4 is a configuration diagram showing the learning model generation device 3 according to the first embodiment.
- FIG. 5 is a hardware configuration diagram showing the hardware of the learning model generation device 3 according to the first embodiment.
- the learning model generation device 3 shown in FIG. 4 includes a data acquisition unit 41 and a learning model generation unit 42.
- the data acquisition unit 41 is realized by, for example, the data acquisition circuit 51 shown in FIG.
- the data acquisition unit 41 acquires a log showing changes in the body of the undiagnosed subject.
- the data acquisition unit 41 acquires a log showing changes in the body.
- the data acquisition unit 41 may acquire a log showing the operation history of the device by the undiagnosed subject instead of the log showing the physical change.
- the data acquisition unit 41 may acquire both a log showing the physical change and a log showing the operation history of the device by the person to be diagnosed.
- the data acquisition unit 41 acquires long-term care data indicating the contents of long-term care for the person to be diagnosed.
- the data acquisition unit 41 acquires teacher data indicating that the person to be diagnosed is not ill, or teacher data indicating that the person is not ill. It is assumed that the teacher data is generated by a doctor or the like.
- the data acquisition unit 41 outputs each of the log, the long-term care data, and the teacher data to the learning model generation unit 42.
- the learning model generation unit 42 is realized by, for example, the learning model generation circuit 52 shown in FIG.
- the learning model generation unit 42 acquires each of the log, the long-term care data, and the teacher data from the data acquisition unit 41.
- the learning model generation unit 42 uses the log, the care data, and the teacher data to learn the pre-illness that may occur in the pre-diagnosed subject, and the log showing the physical changes in the pre-diagnosed subject.
- the learning model 43 that outputs the diagnostic data indicating the non-illness that may occur in the diagnosed subject is generated.
- the learning model generation unit 42 gives the generated learned learning model 43 to the non-disease diagnosis unit 13 of the non-disease diagnosis device 1 shown in FIG.
- the trained learning model 43 uses logs, long-term care data, and teacher data to learn pre-illnesses that may occur in the diagnosed subject, and is realized by, for example, a neural network.
- each of the data acquisition unit 41 and the learning model generation unit 42 which are the components of the learning model generation device 3 is realized by the dedicated hardware as shown in FIG. That is, it is assumed that the learning model generation device 3 is realized by the data acquisition circuit 51 and the learning model generation circuit 52.
- Each of the data acquisition circuit 51 and the learning model generation circuit 52 corresponds to, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof.
- FIG. 6 is a hardware configuration diagram of a computer when the learning model generator 3 is realized by software, firmware, or the like.
- a program for causing a computer to execute each processing procedure in the data acquisition unit 41 and the learning model generation unit 42 is stored in the memory 61.
- the processor 62 of the computer executes the program stored in the memory 61.
- FIG. 5 shows an example in which each of the components of the learning model generator 3 is realized by dedicated hardware
- FIG. 6 shows an example in which the learning model generator 3 is realized by software, firmware, or the like. ing.
- this is only an example, and some components in the learning model generator 3 may be realized by dedicated hardware, and the remaining components may be realized by software, firmware, or the like.
- FIG. 7 is a flowchart showing a non-disease diagnosis method which is a processing procedure of the non-disease diagnosis device 1 shown in FIG.
- the log acquisition unit 11 acquires a log showing changes in the body of the undiagnosed subject (step ST1 in FIG. 7).
- the log acquisition unit 11 acquires a log showing the operation history of the device by the undiagnosed person.
- the log acquisition unit 11 outputs the acquired log to the non-disease diagnosis unit 13.
- the log acquisition unit 11 is an electroencephalogram analyzer that analyzes the brain wave of the diagnosis target person.
- the log can be acquired from an electroencephalogram sensor or the like attached to the person to be diagnosed. Since the electroencephalogram analyzer itself is a known device, detailed description thereof will be omitted.
- the log showing the physical change in the diagnosis target person is, for example, image data showing the state change during meals in the diagnosis target person, the log acquisition unit 11 can use a video camera or the like that captures the diagnosis target person. You can get the log.
- the log acquisition unit 11 is a walking analysis device or the like that analyzes the walking of the diagnosis target person. You can get the log from. Since the gait analysis device itself is a known device, detailed description thereof will be omitted. If the log acquired by the log acquisition unit 11 is, for example, an operation log indicating the operation history of the device by the diagnosis target person, the log acquisition unit 11 acquires the log from the device operated by the diagnosis target person. be able to.
- the device operated by the person to be diagnosed is an IoT (Internet of Things) device such as an air conditioner or a television.
- the long-term care data acquisition unit 12 acquires long-term care data from, for example, a long-term care recording device (not shown) that records long-term care data indicating the contents of long-term care for a person to be diagnosed (step ST2 in FIG. 7).
- the long-term care data acquisition unit 12 outputs the long-term care data to the non-illness diagnosis unit 13.
- the non-illness diagnosis unit 13 gives the log acquired by the log acquisition unit 11 and the care data acquired by the care data acquisition unit 12 to the learning model 43, and is generated from the learning model 43 to the diagnosis target person. Diagnostic data indicating a possible non-illness is acquired (step ST3 in FIG. 7).
- the non-disease diagnosis unit 13 outputs the diagnosis data to the display processing unit 14.
- the relationship between the physical changes indicated by the log or the operation history of the device indicated by the log, the care content for the diagnosis target indicated by the long-term care data, and the pre-illness that may be indicated by the diagnostic data is illustrated below.
- the pre-illness is a pre-stage state of insomnia
- the log is a sleep log showing a change in the sleep state of the diagnosed subject.
- the sleep state is classified into REM sleep, non-REM sleep, and the like.
- the sleep log contains data showing the time of each sleep state.
- B In the long-term care data, in addition to the presence or absence of taking sleeping pills in the diagnosis target person, the amount of exercise of the diagnosis target person and the like are recorded.
- the sleep log indicates that the sleep state is normal.
- the care data does not record that you are taking sleeping pills, or when the care data records that you are not taking sleeping pills, your sleep log shows that your sleep status is a clear abnormality.
- it indicates that the time of REM sleep or the time of non-REM sleep is reduced as compared with the time when the sleep state is normal. In such a case, the person is sleeping due to the effect of the sleeping pill, and if he / she does not take the sleeping pill, he / she may not be able to get enough sleep.
- Outputs diagnostic data indicating that the patient is in a pre-stage state of insomnia.
- the sleep log indicates that the sleep state was normal. Recently, sleep logs show abnormal sleep conditions, even when long-term care data records that sleeping pills are being taken. In such a case, the learning model 43 outputs diagnostic data indicating that the patient is in a pre-stage state of insomnia as a non-illness with abnormal findings.
- the sleep log indicates that the sleep state is normal. However, when it is recorded in the care data that the amount of exercise of the person to be diagnosed is not sufficient, the sleep log does not indicate that the sleep state is an obvious abnormality, but the sleep state is normal.
- the learning model 43 outputs diagnostic data indicating that the insomnia is not in the pre-stage state. Sufficient amount of exercise is determined according to the age of the person to be diagnosed.
- the log is image data showing a state change during meals in a diagnosed subject.
- the image data is data including audio data.
- the image data shows the posture of the person to be diagnosed during a meal, and a coughing sound during a meal may be recorded.
- the long-term care data records the meal contents of the person to be diagnosed. In addition to the menu, the meal content includes ingredients.
- C When the prominent symptom that seems to be a symptom of aspiration pneumonia is not recorded in the care data, the image data shows that the posture during meal is unsuitable for meal, and during meal. The coughing sound of is recorded in the image data.
- the learning model 43 outputs diagnostic data indicating that the patient is in a pre-stage state of aspiration pneumonia as a pre-illness with no abnormal findings. ..
- An unsuitable posture for eating is, for example, an upward posture in which the chin is raised (when bending backward).
- D Significant symptom that seems to be a symptom of aspiration pneumonia
- the image data shows that the posture during meal is unsuitable for meal, and the aspiration is Nursing data records that the dietary content is prone to pneumonia.
- the learning model 43 outputs diagnostic data indicating that it is not in the pre-stage state of aspiration pneumonia.
- Meals that are prone to aspiration pneumonia include foods that are low in water and dry, such as bread or potatoes, and stick to the throat, such as grilled paste or wakame. It is an easy food.
- the log is a gait log showing a change in the gait state in the person to be diagnosed.
- the walking log includes data showing the walking speed, posture, leg raising width, stride length, etc. of the subject to be diagnosed, as well as skeletal data showing changes in the skeleton of the subject to be diagnosed.
- B In the long-term care data, in addition to the walking amount of the diagnosis target person, whether or not the diagnosis target person is taking sleeping pills, the complexion of the diagnosis target person, the conversation amount, the meal amount, and the like are recorded.
- the gait log When the prominent symptom that seems to be a gait disorder is not recorded in the long-term care data, the gait log does not indicate that the gait condition is a clear abnormality, but the gait condition is deteriorated. It is shown that. For example, when the walking speed 5 days ago is slower than the walking speed 10 days ago, and today's walking speed is slower than the walking speed 5 days ago, or 5 days before the walking width 10 days ago. When the walking width of today is narrower than that of 5 days ago, it is considered that the walking condition is deteriorated.
- the walking amount of the diagnosis target person recorded in the long-term care data does not exceed the expected walking amount of overwork, it is considered that the cause of the deterioration of the walking state is not walking fatigue.
- the complexion of the person to be diagnosed is good, and the amount of food is normal. In such a case, there is a high possibility that the walking state has deteriorated due to the deterioration of the walking function of the person to be diagnosed.
- D Previously, prominent symptoms that seemed to be gait disorders were not recorded in the long-term care data, and the gait log did not indicate that the gait condition was a clear abnormality. Recently, prominent symptoms that appear to be gait disorders have been recorded in long-term care data.
- the gait log indicates that the gait state is a clear anomaly.
- the learning model 43 outputs diagnostic data indicating that the patient is in a pre-stage state of gait disorder as a non-illness with abnormal findings.
- the gait log does not indicate that the gait state is a clear abnormality, but the gait state is deteriorated. It is shown that.
- the walking amount of the diagnosed person recorded in the long-term care data exceeds the expected walking amount of overwork, it is considered that the cause of the deterioration of the walking state is walking fatigue.
- the learning model 43 outputs diagnostic data indicating that the state is not a pre-stage state of the gait disorder. do.
- the log is an operation log showing the operation history of the device by the person to be diagnosed.
- the operation log is an operation history of an air conditioner, an operation history of a television, or the like.
- the long-term care data records erroneous operation of the device by the person to be diagnosed.
- the erroneous operation of the equipment is to operate the air conditioner in the heating mode when the current room temperature is high, for example, 30 degrees or higher, and to operate the air conditioner in the cooling mode when the current room temperature is low, for example, 10 degrees or lower.
- the operation to operate is applicable.
- the erroneous operation of the device corresponds to an operation of adjusting the TV channel to an unbroadcast channel, an operation of setting the TV volume to the maximum volume, and the like.
- a staff member or the like who cares for the diagnosis target person records an erroneous operation of the device by the diagnosis target person based on the operation history of the device shown in the operation log. That is, it is assumed that the erroneous operation of the device by the person to be diagnosed is recorded in the long-term care data. Alternatively, it is assumed that the operation log contains data indicating an erroneous operation of the device by the person to be diagnosed.
- the long-term care data does not record any prominent symptoms that appear to be symptoms of dementia. However, if the operation log or the long-term care data indicates that the same erroneous operation is repeated a predetermined number of times even if the frequency of erroneous operation of the device is low, the learning model 43 is regarded as a non-illness with no abnormal findings. Outputs diagnostic data indicating that the patient is in the pre-stage state of dementia.
- the long-term care data does not record any prominent symptoms that appear to be symptoms of dementia.
- the learning model 43 outputs diagnostic data indicating that it is not in the pre-stage state of dementia.
- the learning model 43 has no abnormal findings even if it indicates that the same erroneous operation is not repeated. Diagnostic data indicating that the condition is a pre-stage condition of dementia is output as a non-illness.
- the display processing unit 14 displays display data for displaying on the screen information indicating the non-disease diagnosis result for each diagnosis target person, as shown in FIG. Generate. Further, the display processing unit 14 displays on the screen information on the non-illness that may occur in each diagnosis target person, as shown in FIG. 10, according to the diagnostic data output from the non-disease diagnosis unit 13. Display data for this is generated (step ST4 in FIG. 7). The display processing unit 14 generates display data for displaying on the screen that the person to be diagnosed is in the pre-stage state of insomnia, for example, if the person to be diagnosed is in the pre-stage state of insomnia.
- the display processing unit 14 If it is in a state, display data for displaying on the screen that it is in the previous stage state of a gait disorder is generated. Further, the display processing unit 14 generates display data for displaying on the screen that the diagnosis target person is in the pre-stage state of dementia, for example, if the diagnosis target person is in the pre-stage state of dementia, and the diagnosis target person is, for example, aspirated. If it is a pre-stage state of sexual pneumonia, display data for displaying on the screen that it is a pre-stage state of aspiration pneumonia is generated. The display processing unit 14 outputs the display data to the display device 2. The display device 2 displays on the screen unaffected information that may occur in the diagnosis target person according to the display data output from the display processing unit 14.
- FIG. 9 is an explanatory diagram showing the diagnosis result of the non-illness for the person to be diagnosed.
- the diagnosis result of the non-illness for the person to be diagnosed among the plurality of diagnosed persons, “ ⁇ ⁇ ⁇ ” in room 101, “ ⁇ ⁇ ” in room 102, and “ ⁇ ⁇ ⁇ ” in room 103 had no illness. , It is shown to be normal.
- " ⁇ ⁇ ⁇ -sama" in room 104 and " ⁇ ⁇ ⁇ -sama” in room 105 indicate that there is no illness.
- FIG. 10 is an explanatory diagram showing information on a non-illness that may occur in a person to be diagnosed. In the example of FIG.
- ⁇ ⁇ ⁇ -sama in Room 104 indicates that there is a possibility of a pre-stage state of dementia as a non-illness. Further, in the example of FIG. 10, " ⁇ ⁇ ⁇ -sama” in Room 105 indicates that there is a possibility of a pre-stage state of insomnia as a non-illness.
- the log acquisition unit 11 that acquires a log showing the physical changes in the undiagnosed subject
- the care data acquisition unit 12 that acquires the care data indicating the care content for the diagnosed subject
- the care data acquisition unit 12 The log acquired by the log acquisition unit 11 and the care data acquired by the care data acquisition unit 12 are given to the learning model 43, and the learning model 43 is used to determine the pre-illness that may have occurred in the person to be diagnosed.
- the non-disease diagnosis device 1 was configured to include the non-disease diagnosis unit 13 for acquiring the indicated diagnostic data. Therefore, the non-disease diagnostic device 1 can diagnose pre-disease without abnormal findings.
- FIG. 8 is a flowchart showing a learning model generation method which is a processing procedure of the learning model generation device 3 shown in FIG.
- the data acquisition unit 41 acquires a log showing changes in the body of the undiagnosed subject (step ST11 in FIG. 8). In addition, the data acquisition unit 41 acquires a log showing the operation history of the device by the undiagnosed person. Further, the data acquisition unit 41 acquires the care data indicating the care content for the diagnosis target person, and obtains the teacher data indicating the non-illness that may occur in the diagnosis target person or the teacher data indicating that the diagnosis target person is not ill. Acquire (step ST11 in FIG. 8). The data acquisition unit 41 outputs each of the log, the long-term care data, and the teacher data to the learning model generation unit 42.
- the data acquisition unit 41 is attached to an electroencephalogram analyzer that analyzes the brain waves of the diagnosis target person, or to the diagnosis target person.
- Logs can be obtained from existing brain wave sensors and the like. If the log is, for example, image data indicating a state change during meals in the diagnosis target person, the data acquisition unit 41 can acquire the log from a video camera or the like that is photographing the diagnosis target person. If the log is, for example, a walking log indicating a change in the walking state of the person to be diagnosed, the data acquisition unit 41 can acquire the log from a walking analysis device or the like that is analyzing the walking of the person to be diagnosed. ..
- the data acquisition unit 41 can acquire the log from the device operated by the diagnosis target person.
- the data acquisition unit 41 can acquire long-term care data from, for example, a long-term care recording device or the like that records long-term care data indicating the contents of long-term care for a person to be diagnosed.
- the teacher data indicates that the person to be diagnosed has no illness or is not ill, and is expected to be generated by a doctor or the like.
- the learning model generation unit 42 acquires each of the log, the long-term care data, and the teacher data from the data acquisition unit 41.
- the learning model generation unit 42 causes the learning model 43 to learn the pre-illness that may occur in the diagnosis target person by using each of the log, the long-term care data, and the teacher data (step ST12 in FIG. 8).
- the learning by the learning model 43 is illustrated below.
- Nursing care data in which it is not recorded that a sleeping pill is taken or nursing care data in which it is recorded that a sleeping pill is not taken is acquired by the learning model generation unit 42.
- the sleep state is an obvious abnormality
- teacher data indicating that the patient is in a pre-stage state of insomnia is acquired by the learning model generation unit 42.
- the learning model generation unit 42 indicates from the learning model 43 that it is in the pre-stage state of insomnia as a non-illness with no abnormal findings.
- the learning model 43 is trained so that the indicated diagnostic data is output.
- the learning model generation unit 42 connects the synapses of the neural network so that the learning model 43 outputs diagnostic data indicating that it is in the pre-stage state of insomnia. Change the strength.
- the long-term care data previously acquired by the learning model generation unit 42 records that a sleeping pill is taken, and the sleep log previously acquired by the learning model generation unit 42 shows that the sleep state is normal. It shows that there is.
- the long-term care data recently acquired by the learning model generation unit 42 does not record that the patient is taking sleeping pills, or records that he / she is not taking sleeping pills.
- the sleep log recently acquired by the learning model generation unit 42 indicates that the sleep state is abnormal.
- Teacher data indicating that it is in the pre-stage state of insomnia is acquired by the learning model generation unit 42. When the sleep log, care data, and teacher data as described above are obtained, the learning model generation unit 42 indicates from the learning model 43 that it is in the pre-stage state of insomnia as a non-illness with abnormal findings.
- the learning model 43 is trained so that the indicated diagnostic data is output.
- the learning model generation unit 42 connects the synapses of the neural network so that the learning model 43 outputs diagnostic data indicating that it is in the pre-stage state of insomnia. Change the strength.
- the learning model generation unit 42 When the sleep log, the care data, and the teacher data as described above are obtained, the learning model generation unit 42 outputs the diagnostic data indicating that the insomnia is not in the pre-stage state from the learning model 43. , Let the learning model 43 train. When the learning model 43 is realized by the neural network, the learning model generation unit 42 connects the synapses of the neural network so that the learning model 43 outputs diagnostic data indicating that it is not in the pre-stage state of insomnia. Change the strength.
- Nursing care data in which notable symptoms that are considered to be symptoms of aspiration pneumonia are not recorded are acquired by the learning model generation unit 42.
- the learning model generation unit 42 has acquired a log, which is image data in which the coughing sound during meals is not recorded, or a nursing care data, which does not have a record that coughing may occur during meals.
- teacher data indicating that the state is not a pre-stage state of aspiration pneumonia is acquired by the learning model generation unit 42.
- the learning model generation unit 42 outputs diagnostic data indicating that the state is not a pre-stage state of aspiration pneumonia from the learning model 43.
- the learning model 43 is trained.
- the learning model generation unit 42 synapses the neural network so that the learning model 43 outputs diagnostic data indicating that it is not in the pre-stage state of aspiration pneumonia. Change the bond strength of.
- the learning model 43 is trained so that the indicated diagnostic data is output.
- the learning model generation unit 42 connects the synapses of the neural network so that the learning model 43 outputs diagnostic data indicating that it is in the pre-stage state of the gait disorder. Change the strength.
- the long-term care data previously acquired by the learning model generation unit 42 does not record a remarkable symptom that seems to be a gait disorder.
- the walking log previously acquired by the learning model generation unit 42 does not indicate that the walking state is a clear abnormality.
- a remarkable symptom that seems to be a gait disorder is recorded.
- the walking log recently acquired by the learning model generation unit 42 indicates that the walking state is abnormal.
- teacher data indicating that the person is in the pre-stage state of the gait disorder is acquired by the learning model generation unit 42.
- the learning model generation unit 42 indicates from the learning model 43 that it is in the pre-stage state of the gait disorder as a non-illness with abnormal findings.
- the learning model 43 is trained so that the indicated diagnostic data is output.
- the learning model generation unit 42 connects the synapses of the neural network so that the learning model 43 outputs diagnostic data indicating that it is in the pre-stage state of the gait disorder. Change the strength.
- the learning model generation unit 42 When the operation log, the long-term care data, and the teacher data as described above are obtained, the learning model generation unit 42 indicates from the learning model 43 that it is in the pre-stage state of dementia as a non-illness with no abnormal findings.
- the learning model 43 is trained so that the indicated diagnostic data is output.
- the learning model generation unit 42 connects the synapses of the neural network so that the learning model 43 outputs diagnostic data indicating that it is in the pre-stage state of dementia. Change the strength.
- Nursing care data in which notable symptoms that are considered to be symptoms of dementia are not recorded are acquired by the learning model generation unit 42.
- the long-term care data is acquired by the learning model generation unit 42.
- teacher data indicating that the state is not a pre-stage state of dementia is acquired by the learning model generation unit 42.
- the learning model generation unit 42 When the operation log, the care data, and the teacher data as described above are obtained, the learning model generation unit 42 outputs the diagnostic data indicating that the state is not the pre-stage state of dementia from the learning model 43. , Let the learning model 43 train. When the learning model 43 is realized by the neural network, the learning model generation unit 42 connects the synapses of the neural network so that the learning model 43 outputs diagnostic data indicating that it is not in the pre-stage state of dementia. Change the strength. However, the operation log or the long-term care data indicates that the frequency of erroneous operation of the device is extremely high, and the teacher data indicating that the state is in the pre-stage state of dementia is acquired by the learning model generation unit 42. In such a case, the learning model generation unit 42 learns from the learning model 43 so that the learning model 43 outputs diagnostic data indicating that it is in the pre-stage state of dementia as a non-illness with no abnormal findings. Let me.
- the learning model generation unit 42 gives the learned learning model 43 to the non-disease diagnosis unit 13 of the non-disease diagnosis device 1 shown in FIG. 1 (step ST13 in FIG. 8).
- a log showing changes in the body of the undiagnosed subject is acquired, and nursing data indicating the care content for the diagnosed subject is acquired, and there is a possibility that the disease has occurred in the diagnosed subject.
- the learning model generation device 3 is configured to include a learning model generation unit 42 that generates a learning model 43 that outputs diagnostic data indicating a non-illness that may occur in the disease. Therefore, the learning model generation device 3 can provide the learning model 43 to the non-disease diagnosis device 1 for diagnosing the non-disease without abnormal findings.
- the non-illness diagnosis unit 16 provides the learning model 46 with environmental data indicating the surrounding environment of the diagnosis target person in addition to the log and the care data, and the learning model 46 informs the diagnosis target person.
- a non-illness diagnostic device 1 for acquiring diagnostic data indicating a non-disease that may have occurred will be described.
- FIG. 11 is a configuration diagram showing a non-disease diagnostic device 1 according to the second embodiment.
- FIG. 12 is a hardware configuration diagram showing the hardware of the non-disease diagnostic apparatus 1 according to the second embodiment.
- the non-illness diagnosis device 1 shown in FIG. 11 includes a log acquisition unit 11, a long-term care data acquisition unit 12, an environmental data acquisition unit 15, a non-illness diagnosis unit 16, and a display processing unit 14.
- the environmental data acquisition unit 15 is realized by, for example, the environmental data acquisition circuit 25 shown in FIG.
- the environmental data acquisition unit 15 acquires environmental data indicating the environment around the diagnosis target person.
- the environmental data acquisition unit 15 outputs the environmental data to the non-disease diagnosis unit 16.
- the non-disease diagnosis unit 16 is realized by, for example, the non-disease diagnosis circuit 26 shown in FIG.
- the non-disease diagnosis unit 16 includes a learning model 46 generated by the learning model generation device 3 shown in FIG.
- the non-illness diagnosis unit 16 gives the log acquired by the log acquisition unit 11, the care data acquired by the care data acquisition unit 12, and the environmental data acquired by the environmental data acquisition unit 15 to the learning model 46. , Acquire diagnostic data indicating a non-illness that may occur in the diagnosed subject from the learning model 46.
- the non-disease diagnosis unit 16 outputs the diagnosis data to the display processing unit 14.
- each of the log acquisition unit 11, the care data acquisition unit 12, the environmental data acquisition unit 15, the non-disease diagnosis unit 16, and the display processing unit 14, which are the components of the non-disease diagnosis device 1, is shown in FIG. It is assumed that it will be realized by dedicated hardware. That is, it is assumed that the non-illness diagnosis device 1 is realized by the log acquisition circuit 21, the long-term care data acquisition circuit 22, the environmental data acquisition circuit 25, the non-illness diagnosis circuit 26, and the display processing circuit 24.
- Each of the log acquisition circuit 21, the care data acquisition circuit 22, the environmental data acquisition circuit 25, the pre-illness diagnosis circuit 26, and the display processing circuit 24 is, for example, a single circuit, a composite circuit, a programmed processor, or a parallel programmed processor. , ASIC, FPGA, or a combination thereof.
- the components of the non-disease diagnostic device 1 are not limited to those realized by dedicated hardware, but the non-disease diagnostic device 1 is realized by software, firmware, or a combination of software and firmware. There may be.
- the non-disease diagnosis device 1 is realized by software, firmware, or the like, the processing procedures of the log acquisition unit 11, the care data acquisition unit 12, the environmental data acquisition unit 15, the non-disease diagnosis unit 16, and the display processing unit 14 are performed.
- the program to be executed by the computer is stored in the memory 31 shown in FIG.
- the processor 32 shown in FIG. 3 executes the program stored in the memory 31.
- FIG. 12 shows an example in which each of the components of the non-disease diagnostic device 1 is realized by dedicated hardware
- FIG. 3 shows an example in which the non-disease diagnostic device 1 is realized by software, firmware, or the like. ing.
- this is only an example, and some components of the non-disease diagnostic device 1 may be realized by dedicated hardware, and the remaining components may be realized by software, firmware, or the like.
- FIG. 13 is a configuration diagram showing the learning model generation device 3 according to the second embodiment.
- FIG. 14 is a hardware configuration diagram showing the hardware of the learning model generation device 3 according to the second embodiment.
- the learning model generation device 3 shown in FIG. 13 includes a data acquisition unit 44 and a learning model generation unit 45.
- the data acquisition unit 44 is realized by, for example, the data acquisition circuit 53 shown in FIG.
- the data acquisition unit 44 acquires a log showing changes in the body of the undiagnosed subject.
- the data acquisition unit 44 acquires a log showing changes in the body.
- the data acquisition unit 44 may acquire a log showing the operation history of the device by the undiagnosed subject instead of the log showing the physical change.
- the data acquisition unit 44 may acquire both a log showing the physical change and a log showing the operation history of the device by the person to be diagnosed.
- the data acquisition unit 44 acquires long-term care data indicating the care content for the diagnosis target person, and acquires environmental data indicating the surrounding environment of the diagnosis target person.
- the data acquisition unit 44 acquires teacher data indicating that the person to be diagnosed is not ill, or teacher data indicating that the person is not ill. It is assumed that the teacher data is generated by a doctor or the like.
- the data acquisition unit 44 outputs each of the log, the long-term care data, the environmental data, and the teacher data to the learning model generation unit 45.
- the learning model generation unit 45 is realized by, for example, the learning model generation circuit 54 shown in FIG.
- the learning model generation unit 45 acquires each of the log, the long-term care data, the environmental data, and the teacher data from the data acquisition unit 44.
- the learning model generation unit 45 uses each of the log, the care data, the environmental data, and the teacher data to learn the pre-illness that may occur in the pre-diagnosed subject, and shows the physical changes in the pre-diagnosed subject. Given a log, care data showing the care content for a non-diagnosed subject, and environmental data showing the surrounding environment of the diagnosed subject, it indicates the pre-illness that may have occurred in the diagnosed subject.
- a learning model 46 that outputs diagnostic data is generated.
- the learning model generation unit 45 gives the generated learned learning model 46 to the non-disease diagnosis unit 16 of the non-disease diagnosis device 1 shown in FIG.
- the trained learning model 46 uses logs, nursing care data, environmental data, and teacher data to learn pre-illnesses that may occur in the diagnosed subject, and is realized by, for example, a neural network. ..
- each of the data acquisition unit 44 and the learning model generation unit 45 which are the components of the learning model generation device 3, is realized by the dedicated hardware as shown in FIG. That is, it is assumed that the learning model generation device 3 is realized by the data acquisition circuit 53 and the learning model generation circuit 54.
- Each of the data acquisition circuit 53 and the learning model generation circuit 54 corresponds to, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof.
- the components of the learning model generator 3 are not limited to those realized by dedicated hardware, but the learning model generator 3 is realized by software, firmware, or a combination of software and firmware. There may be.
- the learning model generation device 3 is realized by software, firmware, or the like, a program for causing a computer to execute each processing procedure in the data acquisition unit 44 and the learning model generation unit 45 is stored in the memory 61 shown in FIG. The program. Then, the processor 62 shown in FIG. 6 executes the program stored in the memory 61.
- FIG. 14 shows an example in which each of the components of the learning model generator 3 is realized by dedicated hardware
- FIG. 6 shows an example in which the learning model generator 3 is realized by software, firmware, or the like. ing.
- this is only an example, and some components in the learning model generator 3 may be realized by dedicated hardware, and the remaining components may be realized by software, firmware, or the like.
- the log acquisition unit 11 acquires a log showing changes in the body of the undiagnosed subject. In addition, the log acquisition unit 11 acquires a log showing the operation history of the device by the undiagnosed person. The log acquisition unit 11 outputs the acquired log to the non-disease diagnosis unit 16.
- the long-term care data acquisition unit 12 acquires long-term care data from, for example, a long-term care recording device or the like that records long-term care data indicating the contents of long-term care for a person to be diagnosed.
- the long-term care data acquisition unit 12 outputs the long-term care data to the non-illness diagnosis unit 16.
- the environmental data acquisition unit 15 acquires environmental data indicating the environment around the diagnosis target person.
- the environmental data acquisition unit 15 outputs the environmental data to the non-disease diagnosis unit 16.
- the environmental data is, for example, an environmental log indicating room temperature, humidity, illuminance, atmospheric pressure, carbon dioxide concentration, air pollution, odor, presence or absence of obstacles, etc.
- the environmental data acquisition unit 15 observes, for example, room temperature. Logs can be obtained from the room temperature sensor, the humidity sensor that observes the humidity, and the illuminance sensor that observes the illuminance.
- the environmental data acquisition unit 15 is observing, for example, a pressure sensor for observing pressure, a carbon dioxide sensor for observing carbon dioxide concentration, a pollution observation sensor for observing air pollution, and an odor. Logs can be obtained from the odor sensor.
- the environment data acquisition unit 15 can acquire logs from, for example, a surveillance camera that captures the environment including the diagnosis target person.
- the environmental data includes position data indicating the installation position of the sensor
- the non-illness diagnosis unit 16 gives the log acquired by the log acquisition unit 11, the care data acquired by the care data acquisition unit 12, and the environmental data acquired by the environmental data acquisition unit 15 to the learning model 46. , Acquire diagnostic data indicating a non-illness that may occur in the diagnosed subject from the learning model 46.
- the non-disease diagnosis unit 16 outputs the diagnosis data to the display processing unit 14.
- the log is a sleep log showing a change in the sleep state of the diagnosed subject.
- B In the long-term care data, in addition to the presence or absence of taking sleeping pills in the diagnosis target person, the amount of exercise of the diagnosis target person and the like are recorded.
- C Environmental data includes, for example, data indicating room temperature.
- D When the long-term care data records that sleeping pills are being taken, the sleep log indicates that the sleep state is normal.
- your sleep log shows that your sleep status is a clear abnormality.
- it indicates that the time of REM sleep or the time of non-REM sleep is reduced as compared with the time when the sleep state is normal. In such a case, the person is sleeping due to the effect of the sleeping pill, and if he / she does not take the sleeping pill, he / she may not be able to get enough sleep.
- Outputs diagnostic data indicating that the patient is in a pre-stage state of insomnia.
- the sleep log shows the time of REM sleep or the time of non-REM sleep as compared with the time when the sleep state is normal. It shows that time is decreasing.
- the temperature indicated by the environmental data is a room temperature of about 20 degrees, which is suitable for sleep
- the sleep log indicates that the sleep state is normal.
- the learning model 46 outputs diagnostic data indicating that the patient is not in the pre-stage state of insomnia.
- the learning model 46 outputs diagnostic data indicating that the patient is in a pre-stage state of insomnia as a non-illness with abnormal findings.
- the temperature indicated by the environmental data is, for example, a high temperature of 30 degrees or more and the environment is difficult to sleep
- the sleep log indicates that the sleep state is abnormal.
- the temperature indicated by the environmental data is a room temperature of about 20 degrees, which is suitable for sleep
- the sleep log indicates that the sleep state is normal.
- the learning model 46 outputs diagnostic data indicating that the patient is not in the pre-stage state of insomnia.
- the sleep log indicates that the sleep state is normal.
- the sleep log does not indicate that the sleep state is an obvious abnormality, but the sleep state is normal. It shows that the time of REM sleep or the time of non-REM sleep is less than that of the time.
- the learning model 46 outputs diagnostic data indicating that the insomnia is not in the pre-stage state. Regardless of whether or not the amount of exercise of the person to be diagnosed is sufficient, the sleep log shows that the sleep state is normal when the room temperature is about 20 degrees, which is suitable for sleep. .. On the other hand, regardless of whether or not the amount of exercise of the person to be diagnosed is sufficient, when the environment is difficult to sleep, the sleep log shows the time of REM sleep or non-REM sleep more than when the sleep state is normal. It indicates that sleep time is decreasing. In such a case, since there is a high possibility that the person cannot sleep because the sleeping environment is inappropriate, the learning model 46 outputs diagnostic data indicating that the patient is not in the pre-stage state of insomnia.
- the log is image data showing a state change during meals in a diagnosed subject.
- the image data is data including audio data.
- the image data shows the posture of the person to be diagnosed during a meal, and a coughing sound during a meal may be recorded.
- the long-term care data records the meal contents of the person to be diagnosed. In addition to the menu, the meal content includes ingredients.
- Environmental data includes, for example, data indicating carbon dioxide concentration.
- the long-term care data does not record a prominent symptom that seems to be a symptom of aspiration pneumonia. However, the image data indicates that the posture during meals is unsuitable for meals, and the coughing sound during meals is recorded in the image data.
- the learning model 46 outputs diagnostic data indicating that the patient is in a pre-stage state of aspiration pneumonia as a pre-illness with no abnormal findings. ..
- the carbon dioxide concentration indicated by the environmental data is higher than the standard concentration, the condition of the person to be diagnosed may be ill.
- the learning model 46 outputs diagnostic data indicating that it is not in the pre-stage state of aspiration pneumonia.
- the reference concentration is the lowest concentration that may cause carbon dioxide poisoning.
- the image data shows that the posture during meals is unsuitable for meals
- the care data shows that the meal contents are likely to cause aspiration pneumonia.
- the learning model 46 outputs diagnostic data indicating that it is not in the pre-stage state of aspiration pneumonia.
- the log is a gait log showing a change in the gait state in the person to be diagnosed.
- the walking log includes data showing the walking speed, posture, leg raising width, stride length, etc. of the subject to be diagnosed, as well as skeletal data showing changes in the skeleton of the subject to be diagnosed.
- B In the long-term care data, in addition to the walking amount of the diagnosis target person, whether or not the diagnosis target person is taking sleeping pills, the complexion of the diagnosis target person, the conversation amount, the meal amount, and the like are recorded.
- the environmental data includes, for example, video data of a surveillance camera that captures the environment including the person to be diagnosed.
- the long-term care data does not record a prominent symptom that seems to be a gait disorder.
- the walking log does not indicate that the walking condition is a clear abnormality, but it does indicate that the walking condition has deteriorated.
- the walking amount of the diagnosis target person recorded in the long-term care data does not exceed the expected walking amount of overwork, it is considered that the cause of the deterioration of the walking state is not walking fatigue.
- the complexion of the person to be diagnosed is good, and the amount of food is normal. In such a case, there is a high possibility that the walking state has deteriorated due to the deterioration of the walking function of the person to be diagnosed.
- the learning model 46 provides diagnostic data indicating that the gait disorder is not in the pre-stage state.
- E Previously, prominent symptoms that seemed to be gait disorders were not recorded in the long-term care data, and the gait log did not indicate that the gait condition was a clear abnormality. Recently, prominent symptoms that appear to be gait disorders have been recorded in long-term care data.
- the gait log indicates that the gait state is a clear anomaly.
- the learning model 46 outputs diagnostic data indicating that the patient is in a pre-stage state of gait disturbance as a non-illness with abnormal findings.
- the environmental data indicates that an obstacle was present during walking, it is considered that the walking condition is deteriorated due to the influence of the obstacle.
- the learning model 46 provides diagnostic data indicating that the gait disorder is not in the pre-stage state. Output.
- the long-term care data does not record a prominent symptom that seems to be a gait disorder.
- the walking log does not indicate that the walking condition is a clear abnormality, but it does indicate that the walking condition has deteriorated.
- the walking amount of the diagnosed person recorded in the long-term care data exceeds the expected walking amount of overwork, it is considered that the cause of the deterioration of the walking state is walking fatigue.
- the person to be diagnosed has a pale complexion, the amount of conversation is extremely small, or the amount of food is extremely small, it is possible that the person to be diagnosed is in poor physical condition.
- the learning model 46 outputs diagnostic data indicating that the state is not a pre-stage state of the gait disorder. do.
- the log is an operation log showing the operation history of the device by the person to be diagnosed.
- the operation log is an operation history of an air conditioner, an operation history of a television, or the like.
- the long-term care data records erroneous operation of the device by the person to be diagnosed. As erroneous operation of the equipment, when the current room temperature is high temperature of 30 degrees or more, the air conditioner is operated in the heating mode, and when the current room temperature is low temperature of 10 degrees or less, the air conditioner is operated in the cooling mode. The operation etc. is applicable.
- the erroneous operation of the device corresponds to an operation of adjusting the TV channel to an unbroadcast channel, an operation of setting the TV volume to the maximum volume, and the like.
- the staff or the like who cares for the diagnosis target person records the erroneous operation of the device by the diagnosis target person based on the operation history of the device shown in the operation log. That is, it is assumed that the erroneous operation of the device by the person to be diagnosed is recorded in the long-term care data. Alternatively, it is assumed that the operation log contains data indicating an erroneous operation of the device by the person to be diagnosed.
- Environmental data includes, for example, data indicating room temperature.
- the learning model 46 outputs diagnostic data indicating that it is not in the pre-stage state of dementia.
- the learning model 46 is a pre-stage state of dementia as a pre-illness with no abnormal findings. Output diagnostic data indicating that.
- the model 46 outputs diagnostic data indicating that the patient is in a pre-stage state of dementia as a pre-illness with no abnormal findings.
- the display processing unit 14 displays display data for displaying on the screen information indicating the non-disease diagnosis result for each diagnosis target person, as shown in FIG. Generate. Further, the display processing unit 14 displays on the screen information on the non-illness that may occur in each diagnosis target person, as shown in FIG. 15, according to the diagnostic data output from the non-disease diagnosis unit 16. Generate display data for. The display processing unit 14 outputs the display data to the display device 2. The display device 2 displays on the screen unaffected information that may occur in the diagnosis target person according to the display data output from the display processing unit 14.
- FIG. 15 is an explanatory diagram showing information on pre-illness that may occur in the person to be diagnosed.
- " ⁇ ⁇ ⁇ -sama" in Room 104 indicates that there is a possibility of a pre-stage state of gait disturbance as a non-illness.
- " ⁇ ⁇ ⁇ -sama" in Room 105 indicates that there is a possibility of a pre-stage state of aspiration pneumonia as a non-illness.
- the environment data acquisition unit 15 for acquiring the environment data indicating the surrounding environment of the person to be diagnosed is provided, and the non-illness diagnosis unit 16 has the log acquired by the log acquisition unit 11 and the care data.
- the care data acquired by the acquisition unit 12 and the environmental data acquired by the environmental data acquisition unit 15 are given to the learning model 46, and the learning model 46 is used to determine the pre-illness that may have occurred in the person to be diagnosed.
- the non-disease diagnostic apparatus 1 shown in FIG. 11 was configured so as to acquire the indicated diagnostic data. Therefore, the non-disease diagnostic device 1 shown in FIG. 11 can improve the diagnosis accuracy of non-disease as compared with the non-disease diagnostic device 1 shown in FIG.
- the data acquisition unit 44 acquires a log showing changes in the body of the undiagnosed subject. In addition, the data acquisition unit 44 acquires a log showing the operation history of the device by the undiagnosed person. The data acquisition unit 44 acquires long-term care data indicating the care content for the diagnosis target person, and acquires environmental data indicating the surrounding environment of the diagnosis target person. Further, the data acquisition unit 44 acquires teacher data indicating that the person to be diagnosed is not ill, or teacher data indicating that the person is not ill. The data acquisition unit 44 outputs each of the log, the long-term care data, the environmental data, and the teacher data to the learning model generation unit 45.
- the learning model generation unit 45 acquires each of the log, the long-term care data, the environmental data, and the teacher data from the data acquisition unit 44.
- the learning model generation unit 45 uses each of the log, the long-term care data, the environmental data, and the teacher data to make the learning model 46 learn the pre-illness that may occur in the diagnosis target person.
- the learning by the learning model 46 is illustrated below.
- Nursing care data in which it is not recorded that a sleeping pill is taken or nursing care data in which it is recorded that a sleeping pill is not taken is acquired by the learning model generation unit 45.
- the sleep state is an obvious abnormality
- environmental data indicating a room temperature of about 20 degrees, which is suitable for sleep is acquired by the learning model generation unit 45.
- teacher data indicating that the patient is in a pre-stage state of insomnia is acquired by the learning model generation unit 45.
- the learning model generation unit 45 determines from the learning model 46 that it is not ill with no abnormal findings, and is in the pre-stage state of insomnia.
- the learning model 46 is trained so that the diagnostic data indicating the existence is output.
- the learning model generation unit 45 connects the synapses of the neural network so that the learning model 46 outputs diagnostic data indicating that it is in the pre-stage state of insomnia. Change the strength.
- the long-term care data previously acquired by the learning model generation unit 45 records that a sleeping pill is taken, and the sleep log previously acquired by the learning model generation unit 45 shows that the sleep state is normal. It shows that there is.
- the long-term care data recently acquired by the learning model generation unit 45 does not record that the patient is taking sleeping pills, or records that he / she is not taking sleeping pills.
- the sleep log recently acquired by the learning model generation unit 45 indicates that the sleep state is abnormal.
- Environmental data indicating a room temperature of about 20 degrees, which is suitable for sleep is acquired by the learning model generation unit 45.
- teacher data indicating that the patient is in a pre-stage state of insomnia is acquired by the learning model generation unit 45.
- the learning model generation unit 45 indicates from the learning model 46 that it is in the pre-stage state of insomnia as a non-illness with abnormal findings.
- the learning model 46 is trained so that the indicated diagnostic data is output.
- the long-term care data in which the amount of exercise of the person to be diagnosed is recorded to be a sufficient amount of exercise is acquired by the learning model generation unit 45, and the sleep log indicating that the sleep state is normal is learned. It has been acquired by the model generation unit 45.
- care data in which it is recorded that the amount of exercise of the person to be diagnosed is not sufficient is acquired by the learning model generation unit 45, and does not indicate that the sleep state is a clear abnormality, but sleep.
- the learning model generation unit 45 has acquired a sleep log indicating that the time of REM sleep or the time of non-REM sleep is reduced as compared with the case where the state of is normal.
- environmental data indicating the temperature of the surrounding environment is acquired by the learning model generation unit 45.
- teacher data indicating that the insomnia is not in the pre-stage state is acquired by the learning model generation unit 45.
- the learning model generation unit 45 outputs diagnostic data indicating that the insomnia is not in the pre-stage state from the learning model 46. As described above, the learning model 46 is trained.
- a sleep log indicating that the sleep state is normal is acquired by the learning model generation unit 45, and environmental data indicating a room temperature of about 20 degrees, which is suitable for sleep, is stored in the learning model generation unit 45. Has been acquired.
- the learning model generation unit 45 has acquired the environmental data indicating a room temperature of 30 degrees or higher, which is a sleepless environment.
- teacher data indicating that the insomnia is not in the pre-stage state is acquired by the learning model generation unit 45.
- Nursing care data in which notable symptoms that are considered to be symptoms of aspiration pneumonia are not recorded are acquired by the learning model generation unit 45.
- the learning model generation unit 45 has acquired a log, which is image data indicating that the posture during meals is unsuitable for meals and that the coughing sound during meals is recorded.
- environmental data indicating that the carbon dioxide concentration is lower than the reference concentration is acquired by the learning model generation unit 45.
- teacher data indicating that the patient is in a pre-stage state of aspiration pneumonia is acquired by the learning model generation unit 45.
- the learning model generation unit 45 determines from the learning model 46 that the patient has no abnormal findings and is not ill, and is in the pre-stage of aspiration pneumonia.
- the training model 46 is trained so that the diagnostic data indicating the state is output.
- Nursing care data in which notable symptoms that are considered to be symptoms of aspiration pneumonia are not recorded are acquired by the learning model generation unit 45.
- the learning model generation unit 45 has acquired a log, which is image data indicating that the posture during meals is unsuitable for meals and that the coughing sound during meals is recorded.
- environmental data indicating that the carbon dioxide concentration is higher than the reference concentration is acquired by the learning model generation unit 45.
- teacher data indicating that the state is not a pre-stage state of aspiration pneumonia is acquired by the learning model generation unit 45.
- the learning model generation unit 45 can obtain diagnostic data from the learning model 46 indicating that it is not in the pre-stage state of aspiration pneumonia.
- the training model 46 is trained so as to be output.
- Nursing care data in which notable symptoms that are considered to be symptoms of aspiration pneumonia are not recorded are acquired by the learning model generation unit 45.
- the learning model generation unit 45 has acquired a log that is image data in which the coughing sound during meals is not recorded, or a nursing care data that does not have a record that coughing may occur during meals.
- environmental data indicating the carbon dioxide concentration is acquired by the learning model generation unit 45.
- teacher data indicating that the state is not a pre-stage state of aspiration pneumonia is acquired by the learning model generation unit 45.
- the learning model generation unit 45 can obtain diagnostic data from the learning model 46 indicating that it is not in the pre-stage state of aspiration pneumonia.
- the training model 46 is trained so as to be output.
- (9) Nursing care data in which a remarkable symptom that seems to be a gait disorder is not recorded is acquired by the learning model generation unit 45. Further, the learning model generation unit 45 has acquired a walking log indicating that the walking state has deteriorated, although it does not indicate that the walking state is a clear abnormality. In addition, environmental data indicating that no obstacle was present during walking is acquired by the learning model generation unit 45. Further, teacher data indicating that the person is in the pre-stage state of the gait disorder is acquired by the learning model generation unit 45. When the walking log, nursing care data, environmental data, and teacher data as described above are obtained, the learning model generation unit 45 determines from the learning model 46 that the patient is not ill with no abnormal findings and is in the pre-stage state of the gait disorder. The training model 46 is trained so that the diagnostic data indicating the existence is output.
- the long-term care data previously acquired by the learning model generation unit 45 does not record a remarkable symptom that seems to be a gait disorder.
- the walking log previously acquired by the learning model generation unit 45 does not indicate that the walking state is a clear abnormality.
- a remarkable symptom that seems to be a gait disorder is recorded in the long-term care data.
- the walking log recently acquired by the learning model generation unit 45 indicates that the walking state is a clear abnormality.
- environmental data indicating that no obstacle was present during walking is acquired by the learning model generation unit 45.
- teacher data indicating that the person is in the pre-stage state of the gait disorder is acquired by the learning model generation unit 45.
- the learning model generation unit 45 indicates from the learning model 46 that it is in the pre-stage state of the gait disorder as a non-illness with abnormal findings.
- the learning model 46 is trained so that the indicated diagnostic data is output.
- Nursing care data in which a remarkable symptom that seems to be a gait disorder is not recorded is acquired by the learning model generation unit 45.
- the learning model generation unit 45 has acquired nursing care data indicating that the walking amount of the diagnosis target person exceeds the walking amount expected for overwork. Further, the learning model generation unit 45 has acquired a walking log indicating that the walking state has deteriorated, although it does not indicate that the walking state is a clear abnormality.
- environmental data indicating the presence or absence of obstacles is acquired by the learning model generation unit 45.
- teacher data indicating that the gait disorder is not in the pre-stage state is acquired by the learning model generation unit 45.
- the learning model generation unit 45 outputs diagnostic data indicating that the gait disorder is not in the pre-stage state from the learning model 46. As described above, the learning model 46 is trained.
- Nursing care data in which notable symptoms that are considered to be symptoms of dementia are not recorded are acquired by the learning model generation unit 45. Further, even if the frequency of erroneous operation of the device is low, the operation log indicating that the same erroneous operation is repeated a predetermined number of times, or even if the frequency of erroneous operation of the device is low, the same erroneous operation is repeated a predetermined number of times.
- the recorded long-term care data is acquired by the learning model generation unit 45.
- environmental data indicating that the temperature is not a dangerous temperature at which heat stroke may occur is acquired by the learning model generation unit 45.
- teacher data indicating that the patient is in the pre-stage state of dementia is acquired by the learning model generation unit 45.
- the learning model generation unit 45 determines from the learning model 46 that the patient is not ill with abnormal findings and is in the pre-stage state of dementia.
- the learning model 46 is trained so that the diagnostic data indicating the existence is output.
- Nursing care data in which notable symptoms that are considered to be symptoms of dementia are not recorded are acquired by the learning model generation unit 45.
- the operation log indicating that the same erroneous operation is not repeated a predetermined number of times, or even if the frequency of erroneous operation of the device is high, the same erroneous operation is not repeated a predetermined number of times.
- the recorded long-term care data is acquired by the learning model generation unit 45.
- environmental data indicating the temperature of the surrounding environment is acquired by the learning model generation unit 45.
- teacher data indicating that the state is not a pre-stage state of dementia is acquired by the learning model generation unit 45.
- Nursing care data in which notable symptoms that are considered to be symptoms of dementia are not recorded are acquired by the learning model generation unit 45.
- the operation log indicating that the same erroneous operation is not repeated a predetermined number of times, or even if the frequency of erroneous operation of the device is high, the same erroneous operation is not repeated a predetermined number of times.
- the recorded long-term care data is acquired by the learning model generation unit 45.
- environmental data indicating that the temperature is a dangerous temperature at which heat stroke may occur is acquired by the learning model generation unit 45.
- the operation log indicating the operation operation of the cooling mode of the air conditioner is not acquired by the learning model generation unit 45.
- the person to be diagnosed operates in the cooling mode unless it is in the pre-stage state of dementia.
- teacher data indicating that the patient is in the pre-stage state of dementia is acquired by the learning model generation unit 45.
- the learning model generation unit 45 determines from the learning model 46 that the patient is not ill with abnormal findings and is in the pre-stage state of dementia.
- the learning model 46 is trained so that the diagnostic data indicating the existence is output.
- the learning model generation unit 45 gives the learned learning model 46 to the non-disease diagnosis unit 16 of the non-disease diagnosis device 1 shown in FIG.
- the data acquisition unit 44 acquires a log showing the physical changes in the non-illness-diagnosed subject, acquires the care data showing the care content for the non-illness-diagnosed subject, and does not have the disease.
- the environmental data indicating the surrounding environment of the person to be diagnosed is acquired, and the teacher data indicating that the person to be diagnosed is not ill or the teacher data indicating that the person is not ill is acquired.
- the learning model generation unit 45 uses each of the log, the care data, the environmental data, and the teacher data acquired by the data acquisition unit 44 to learn the pre-illness that may occur in the diagnosis target person, and pre-illness.
- the learning model generation device 3 shown in FIG. 13 was configured so as to generate a learning model 46 that outputs diagnostic data indicating a non-illness that may occur in a person. Therefore, the learning model generation device 3 shown in FIG. 13 can provide a learning model 46 capable of improving the diagnostic accuracy of pre-illness as compared with the learning model generation device 3 shown in FIG.
- Embodiment 3 the non-illness diagnostic device 1 including the determination unit 18 for determining whether the environment around the diagnosis target person is a normal environment or an abnormal environment will be described.
- FIG. 16 is a configuration diagram showing a non-disease diagnostic device 1 according to the third embodiment.
- FIG. 17 is a hardware configuration diagram showing the hardware of the non-disease diagnostic apparatus 1 according to the third embodiment.
- the non-illness diagnosis device 1 shown in FIG. 16 includes a log acquisition unit 11, a care data acquisition unit 12, an environmental data acquisition unit 15, a non-disease diagnosis unit 16, a display processing unit 14, a vital data acquisition unit 17, and a determination unit 18. ing.
- the vital data acquisition unit 17 and the determination unit 18 are applied to the non-disease diagnostic device 1 shown in FIG.
- the vital data acquisition unit 17 is realized by, for example, the vital data acquisition circuit 27 shown in FIG.
- the vital data acquisition unit 17 acquires vital data indicating the vitals of the diagnosis target person or vital data indicating the vitals of the staff who cares for the diagnosis target person.
- the vital data acquisition unit 17 outputs the vital data to the determination unit 18.
- the determination unit 18 is realized by, for example, the determination circuit 28 shown in FIG.
- the determination unit 18 compares the boundary data indicating the boundary between the normal environment and the abnormal environment around the diagnosis target person with the environmental data acquired by the environmental data acquisition unit 15. If the environmental data acquired by the environmental data acquisition unit 15 is, for example, temperature data, the determination unit 18 acquires boundary data indicating the boundary between the normal ambient temperature and the abnormal temperature.
- the boundary data for example, when the purpose is to prevent heat stroke, data showing a temperature of about 32 degrees can be considered.
- the boundary data for example, when the purpose is to prevent hypothermia, data showing a temperature of about 8 degrees can be considered.
- boundary data for example, data showing a carbon dioxide concentration of about 3% can be considered for the purpose of preventing carbon dioxide poisoning.
- the boundary data may be stored in the internal memory of the determination unit 18, or may be given from the outside of the non-disease diagnosis device 1.
- the determination unit 18 determines whether the environment around the diagnosis target person is a normal environment or an abnormal environment based on the comparison result between the boundary data and the environment data.
- the determination unit 18 compares the vital data indicating the vitals of the diagnosis target person acquired by the vital data acquisition unit 17 with the threshold Th 1 and the diagnosis target based on the comparison result between the vital data and the threshold Th 1 . Determine if a person's vitals are normal or abnormal. Further, the determination unit 18 compares the vital data indicating the vitals of the staff acquired by the vital data acquisition unit 17 with the threshold Th 2 , and based on the comparison result between the vital data and the threshold Th 2 , the vitals of the staff are determined. , Determine whether it is normal or abnormal. The determination unit 18 outputs a determination result indicating whether it is normal or abnormal to the display processing unit 14.
- the threshold values Th 1 and Th 2 may be stored in the internal memory of the determination unit 18, or may be given from the outside of the non-disease diagnosis device 1.
- the threshold value Th 1 and the threshold value Th 2 may have the same value or different values from each other.
- FIG. 16 a log acquisition unit 11, a care data acquisition unit 12, an environmental data acquisition unit 15, a non-disease diagnosis unit 16, a display processing unit 14, a vital data acquisition unit 17, and a determination unit, which are components of the non-disease diagnosis device 1, are shown. It is assumed that each of the 18 is realized by the dedicated hardware as shown in FIG. That is, the non-disease diagnosis device 1 is realized by the log acquisition circuit 21, the care data acquisition circuit 22, the environmental data acquisition circuit 25, the non-disease diagnosis circuit 26, the display processing circuit 24, the vital data acquisition circuit 27, and the determination circuit 28. I'm assuming something.
- Each of the log acquisition circuit 21, the care data acquisition circuit 22, the environmental data acquisition circuit 25, the pre-illness diagnosis circuit 26, the display processing circuit 24, the vital data acquisition circuit 27, and the determination circuit 28 is, for example, a single circuit, a composite circuit, or the like.
- a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof is applicable.
- the components of the non-disease diagnostic device 1 are not limited to those realized by dedicated hardware, but the non-disease diagnostic device 1 is realized by software, firmware, or a combination of software and firmware. There may be.
- the non-illness diagnosis device 1 is realized by software, firmware, or the like, the log acquisition unit 11, the care data acquisition unit 12, the environmental data acquisition unit 15, the non-illness diagnosis unit 16, the display processing unit 14, and the vital data acquisition unit 17
- a program for causing the computer to execute each processing procedure in the determination unit 18 is stored in the memory 31 shown in FIG.
- the processor 32 shown in FIG. 3 executes the program stored in the memory 31.
- FIG. 17 shows an example in which each of the components of the non-disease diagnostic device 1 is realized by dedicated hardware
- FIG. 3 shows an example in which the non-disease diagnostic device 1 is realized by software, firmware, or the like. ing.
- this is only an example, and some components of the non-disease diagnostic device 1 may be realized by dedicated hardware, and the remaining components may be realized by software, firmware, or the like.
- the vital data acquisition unit 17 acquires vital data indicating the vitals of the diagnosis target person from the vital sensor attached to the diagnosis target person.
- the vital data acquisition unit 17 acquires vital data indicating the vitals of the staff from the vital sensor attached to the staff who cares for the person to be diagnosed.
- the vital data acquisition unit 17 outputs the vital data to the determination unit 18.
- the vital data acquisition unit 17 acquires vital data from the vital sensor.
- the vital data acquisition unit 17 may acquire vital data from the vitals of the person to be diagnosed, the computer that manages the vitals of the staff, and the like.
- the determination unit 18 acquires environmental data from the environmental data acquisition unit 15.
- the determination unit 18 compares the boundary data stored in the internal memory or the like with the environment data acquired by the environment data acquisition unit 15.
- the determination unit 18 determines whether the environment around the diagnosis target person is a normal environment or an abnormal environment based on the comparison result between the boundary data and the environment data. For example, for the purpose of preventing heat stroke, when boundary data indicating a temperature of about 32 degrees is stored in an internal memory or the like, if the temperature indicated by the environmental data is equal to or higher than the boundary data, the determination unit 18 diagnoses. It is determined that the environment around the subject is an abnormal environment. If the temperature indicated by the environmental data is less than the boundary data, the determination unit 18 determines that the environment around the diagnosis target person is a normal environment.
- the determination unit 18 may perform the determination unit 18. It is determined that the environment around the person to be diagnosed is an abnormal environment. If the temperature indicated by the environmental data exceeds the boundary data, the determination unit 18 determines that the environment around the diagnosis target person is a normal environment. For example, for the purpose of preventing carbon dioxide poisoning, when boundary data indicating a carbon dioxide concentration of about 3% is stored in an internal memory or the like, if the carbon dioxide concentration indicated by the environmental data is equal to or higher than the boundary data, it is determined.
- the unit 18 determines that the environment around the person to be diagnosed is an abnormal environment. If the carbon dioxide concentration indicated by the environmental data is less than the boundary data, the determination unit 18 determines that the environment around the diagnosis target person is a normal environment. The determination unit 18 outputs a determination result indicating whether the environment around the diagnosis target person is normal or abnormal to the display processing unit 14.
- the display processing unit 14 acquires a determination result indicating whether the environment around the diagnosis target person is normal or abnormal from the determination unit 18.
- the display processing unit 14 generates display data for displaying a portion where an abnormality has occurred based on the acquired determination result.
- the location where the abnormality occurs is the installation position of the sensor indicated by the position data included in the environmental data.
- the display processing unit 14 outputs the display data to the display device 2.
- the display device 2 displays on the screen a portion where an abnormality has occurred according to the display data output from the display processing unit 14.
- FIG. 18 is an explanatory diagram showing an example of a location where an abnormality has occurred in the facility. In FIG.
- the place where “high temperature caution” is written indicates the position of the abnormal environment where the temperature indicated by the environmental data is higher than the temperature indicated by the boundary data.
- the place where "Caution for low temperature” is written indicates the position of the abnormal environment where the temperature indicated by the environmental data is lower than the temperature indicated by the boundary data.
- the place where "Caution for carbon dioxide” is written indicates the position of the abnormal environment where the carbon dioxide concentration indicated by the environmental data is higher than the carbon dioxide concentration indicated by the boundary data.
- the temperatures of rooms 106, 109, and 110 in the facility are high.
- the temperature of Room 107 in the facility is low.
- the carbon dioxide concentration in Room 102 in the facility is high.
- the determination unit 18 acquires vital data indicating the vitals of the diagnosis target person from the vital data acquisition unit 17.
- the determination unit 18 compares the vital data indicating the vitals of the diagnosis target person with the threshold value Th 1 .
- the determination unit 18 determines whether the vitals of the diagnosis target person are normal or abnormal based on the comparison result between the vital data and the threshold value Th1. For example, if the vital data is data indicating blood pressure and the blood pressure indicating the boundary between normal blood pressure and high blood pressure is stored in an internal memory or the like as the threshold Th 1 , if the vital data is the threshold Th 1 or more, The determination unit 18 determines that the vitals of the person to be diagnosed are abnormal.
- the determination unit 18 determines that the vitals of the person to be diagnosed are normal. For example, when the vital data is data indicating the heart rate and the upper limit of the normal heart rate is stored in the internal memory or the like as the threshold Th 1 , if the vital data is the threshold Th 1 or more, the determination unit. 18 determines that the vitals of the person to be diagnosed are abnormal. If the vital data is less than the threshold Th 1 , the determination unit 18 determines that the vitals of the person to be diagnosed are normal. The determination unit 18 outputs a determination result indicating whether the vitals of the diagnosis target person are normal or abnormal to the display processing unit 14.
- the display processing unit 14 acquires a determination result indicating whether the vitals of the diagnosis target person are normal or abnormal from the determination unit 18. Based on the acquired determination result, the display processing unit 14 generates display data for displaying the diagnosis target person whose vitals are abnormal. The display processing unit 14 outputs the display data to the display device 2. The display device 2 displays on the screen a person to be diagnosed whose vital signs are abnormal according to the display data output from the display processing unit 14.
- FIG. 19 is an explanatory diagram showing a list of diagnosed persons having abnormal vital signs. In the example of FIG. 19, it is shown that the person to be diagnosed who lives in each of the rooms 103, 107 and 110 in the facility has a vital abnormality. In FIG.
- the determination unit 18 acquires vital data indicating the vitals of the staff from the vital data acquisition unit 17.
- the determination unit 18 compares the vital data indicating the vitals of the staff with the threshold value Th 2 .
- the determination unit 18 determines whether the vitals of the staff are normal or abnormal based on the comparison result between the vital data and the threshold value Th2.
- the determination unit 18 outputs a determination result indicating whether the staff vitals are normal or abnormal to the display processing unit 14.
- the display processing unit 14 acquires a determination result indicating whether the staff vitals are normal or abnormal from the determination unit 18.
- the display processing unit 14 generates display data for displaying the staff whose vitals are abnormal based on the acquired determination result.
- the display processing unit 14 outputs the display data to the display device 2.
- the display device 2 displays the staff whose vitals are abnormal on the screen according to the display data output from the display processing unit 14. For example, the name of the staff whose vitals are abnormal and the items of the abnormal vitals are displayed on the screen.
- the display device 2 shows an example of displaying the name of the staff whose vital signs are abnormal and the items of the abnormal vital signs on the screen.
- the display processing unit 14 identifies the position of the staff based on the position information output from the GPS sensor.
- display data for displaying the staff position on the map may be generated. This makes it possible to confirm where the staff with vital abnormalities is.
- the display processing unit 14 may generate display data for displaying the care content indicated by the care data acquired by the care data acquisition unit 12 together with the position of the staff. This makes it possible for the staff to confirm where and what kind of care is being provided.
- the display processing unit 14 may generate display data for displaying the history of the care contents by the staff in the list. As a result, the contents of care provided by the staff can be easily confirmed.
- the boundary data indicating the boundary between the normal environment and the abnormal environment around the person to be diagnosed is compared with the environment data acquired by the environment data acquisition unit 15, and the boundary data and the environment are compared.
- the non-disease diagnostic apparatus shown in FIG. 16 is provided with a determination unit 18 for determining whether the environment around the person to be diagnosed is a normal environment or an abnormal environment based on the comparison result with the data. 1 was configured. Therefore, the non-disease diagnostic device 1 shown in FIG. 16 can diagnose the non-disease without any abnormal findings in the same manner as the non-disease diagnostic device 1 shown in FIG. It is possible to confirm whether it is normal or abnormal.
- the vital data acquisition unit 17 that acquires vital data indicating the vitality of the person to be diagnosed and the vital data acquired by the vital data acquisition unit 17 are compared with the threshold value, and the vital data and the threshold value are compared.
- the non-diseased diagnosis device 1 shown in FIG. 16 is configured to include a determination unit 18 for determining whether the vitals of the person to be diagnosed are normal or abnormal based on the comparison result of FIG. Therefore, the non-illness diagnostic device 1 shown in FIG. 16 can confirm whether the vitals of the person to be diagnosed are normal or abnormal.
- the vital data acquisition unit 17 that acquires vital data indicating the vitals of the staff who cares for the diagnosis target is compared with the vital data acquired by the vital data acquisition unit 17 and the threshold value, and the vitals are compared.
- the non-illness diagnostic device 1 shown in FIG. 16 is configured to include a determination unit 18 for determining whether the vitals of the staff are normal or abnormal based on the comparison result between the data and the threshold value. Therefore, the non-illness diagnostic device 1 shown in FIG. 16 can confirm whether the vitals of the staff are normal or abnormal.
- Embodiment 4 the non-disease diagnosis device 1 including the display data generation unit 19 for generating display data for displaying the position where a plurality of sensors for observing the environment around the diagnosis target person are installed will be described. do.
- FIG. 20 is a configuration diagram showing a non-disease diagnostic device 1 according to the fourth embodiment.
- FIG. 21 is a hardware configuration diagram showing the hardware of the non-disease diagnostic apparatus 1 according to the fourth embodiment.
- the non-illness diagnosis device 1 shown in FIG. 20 includes a log acquisition unit 11, a care data acquisition unit 12, an environmental data acquisition unit 15, a non-disease diagnosis unit 16, a display processing unit 14, a vital data acquisition unit 17, a determination unit 18, and a display.
- a data generation unit 19 is provided.
- the display data generation unit 19 is applied to the non-disease diagnostic device 1 shown in FIG.
- the environmental data acquisition unit 15 acquires environmental data indicating the observation result of the environment from each of the plurality of sensors 15a-1, ..., 15a-N that observe the environment around the diagnosis target person.
- N is an integer greater than or equal to 2.
- the display data generation unit 19 is realized by, for example, the display data generation circuit 29 shown in FIG.
- the display data generation unit 19 generates display data for displaying the position where the sensor 15an is installed and the environmental data output from the sensor 15an on the screen.
- the display data generation unit 19 outputs the display data to the display device 2.
- FIG. 20 a log acquisition unit 11, a care data acquisition unit 12, an environmental data acquisition unit 15, a non-disease diagnosis unit 16, a display processing unit 14, a vital data acquisition unit 17, and a determination unit, which are components of the non-disease diagnosis device 1, are shown. It is assumed that each of 18 and the display data generation unit 19 is realized by dedicated hardware as shown in FIG. That is, the non-disease diagnosis device 1 includes a log acquisition circuit 21, a care data acquisition circuit 22, an environmental data acquisition circuit 25, a non-disease diagnosis circuit 26, a display processing circuit 24, a vital data acquisition circuit 27, a determination circuit 28, and display data generation. It is assumed that it is realized by the circuit 29.
- Each of the log acquisition circuit 21, the care data acquisition circuit 22, the environmental data acquisition circuit 25, the pre-illness diagnosis circuit 26, the display processing circuit 24, the vital data acquisition circuit 27, the determination circuit 28, and the display data generation circuit 29 is, for example, simple.
- a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof is applicable.
- the components of the non-disease diagnostic device 1 are not limited to those realized by dedicated hardware, but the non-disease diagnostic device 1 is realized by software, firmware, or a combination of software and firmware. There may be.
- the non-illness diagnosis device 1 is realized by software, firmware, or the like, the log acquisition unit 11, the care data acquisition unit 12, the environmental data acquisition unit 15, the non-illness diagnosis unit 16, the display processing unit 14, and the vital data acquisition unit 17 ,
- the program for causing the computer to execute each processing procedure in the determination unit 18 and the display data generation unit 19 is stored in the memory 31 shown in FIG.
- the processor 32 shown in FIG. 3 executes the program stored in the memory 31.
- the display data generation unit 19 acquires the environmental data output from the sensor 15an included in the environmental data acquisition unit 15.
- the environmental data includes position data indicating the installation position of the sensor 15an.
- the environmental data includes the position data indicating the installation position of the sensor 15an.
- the internal memory of the display data generation unit 19 may store position data indicating the installation position of the sensor 15an.
- the display data generation unit 19 generates display data for displaying the position where the sensor 15an is installed and the environmental data output from the sensor 15an on the screen.
- the display data generation unit 19 outputs the display data to the display device 2.
- FIG. 22 is an explanatory diagram showing a display example of the position where the sensor 15an is installed and the environmental data output from the sensor 15an.
- “ ⁇ ” indicates the position where the sensor 15an is installed
- “ ⁇ ” indicates the environmental data output from the sensor 15an.
- the environmental data acquisition unit 15 acquires environmental data indicating the observation result of the environment from each of the plurality of sensors 15a-1 to 15a-N for observing the environment around the person to be diagnosed.
- a display data generation unit 19 for generating display data for displaying the position where each sensor 15an is installed and the environment data output from each sensor 15an on the screen is provided.
- the non-illness diagnostic device 1 shown in FIG. 20 was configured. Therefore, the non-disease diagnostic device shown in FIG. 20 can diagnose the non-disease without any abnormal findings in the same manner as the non-disease diagnostic device shown in FIG. 1, and is located at the position where the sensor 15an is installed. , The environmental data output from the sensor 15an can be confirmed.
- the non-disease diagnosis device 1 including the display data generation unit 72 that generates display data for displaying the movement of the skeleton of the diagnosis target person on the screen according to the skeleton data output from the skeleton analysis unit 71. explain.
- FIG. 23 is a configuration diagram showing the non-disease diagnostic apparatus 1 according to the fifth embodiment.
- FIG. 24 is a hardware configuration diagram showing the hardware of the non-disease diagnostic apparatus 1 according to the fifth embodiment.
- the non-disease diagnosis device 1 shown in FIG. 23 includes a log acquisition unit 11, a care data acquisition unit 12, an environmental data acquisition unit 15, a non-disease diagnosis unit 16, a display processing unit 14, a vital data acquisition unit 17, a determination unit 18, and a skeleton. It includes an analysis unit 71 and a display data generation unit 72.
- the skeleton analysis unit 71 and the display data generation unit 72 are applied to the non-disease diagnostic device 1 shown in FIG.
- the log acquisition unit 11 acquires video data of a camera that is photographing the diagnosis target person as a log indicating a physical change in the diagnosis target person.
- the skeleton analysis unit 71 is realized by, for example, the skeleton analysis circuit 81 shown in FIG. 24.
- the skeleton analysis unit 71 analyzes the movement of the skeleton of the diagnosis target person from the video data acquired by the log acquisition unit 11. Since the process itself of analyzing the movement of the skeleton and generating the skeleton data showing the movement of the skeleton is a known technique, detailed description thereof will be omitted.
- the skeleton analysis unit 71 outputs skeleton data indicating the movement of the skeleton of the diagnosis target person to the display data generation unit 72.
- the display data generation unit 72 is realized by, for example, the display data generation circuit 82 shown in FIG. 24. Similar to the display data generation unit 19 shown in FIG. 20, the display data generation unit 72 is for displaying the position where the sensor 15an is installed and the environmental data output from the sensor 15an on the screen. Generate display data. Further, the display data generation unit 72 generates display data for displaying the movement of the skeleton of the diagnosis target person on the screen according to the skeleton data output from the skeleton analysis unit 71. The display data generation unit 72 outputs the display data to the display device 2.
- FIG. 23 a log acquisition unit 11, a care data acquisition unit 12, an environmental data acquisition unit 15, a non-disease diagnosis unit 16, a display processing unit 14, a vital data acquisition unit 17, and a determination unit, which are components of the non-disease diagnosis device 1, are shown. 18.
- each of the skeleton analysis unit 71 and the display data generation unit 72 is realized by dedicated hardware as shown in FIG. 24. That is, the non-illness diagnosis device 1 includes a log acquisition circuit 21, a care data acquisition circuit 22, an environmental data acquisition circuit 25, a non-illness diagnosis circuit 26, a display processing circuit 24, a vital data acquisition circuit 27, a determination circuit 28, and a skeleton analysis circuit. It is assumed that it is realized by 81 and the display data generation circuit 82.
- Each of the log acquisition circuit 21, the care data acquisition circuit 22, the environmental data acquisition circuit 25, the pre-illness diagnosis circuit 26, the display processing circuit 24, the vital data acquisition circuit 27, the judgment circuit 28, the skeleton analysis circuit 81, and the display data generation circuit 82 Is, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof.
- the components of the non-disease diagnostic device 1 are not limited to those realized by dedicated hardware, but the non-disease diagnostic device 1 is realized by software, firmware, or a combination of software and firmware. There may be.
- the non-illness diagnosis device 1 is realized by software, firmware, or the like, the log acquisition unit 11, the care data acquisition unit 12, the environmental data acquisition unit 15, the non-illness diagnosis unit 16, the display processing unit 14, and the vital data acquisition unit 17 ,
- the program for causing the computer to execute each processing procedure in the determination unit 18, the skeleton analysis unit 71, and the display data generation unit 72 is stored in the memory 31 shown in FIG.
- the processor 32 shown in FIG. 3 executes the program stored in the memory 31.
- the log acquisition unit 11 acquires the image data of the camera that is photographing the person to be diagnosed, and outputs the image data of the camera to the skeleton analysis unit 71.
- the skeleton analysis unit 71 acquires camera image data from the log acquisition unit 11.
- the skeleton analysis unit 71 analyzes the movement of the skeleton of the person to be diagnosed from the image data of the camera, and generates skeleton data indicating the movement of the skeleton.
- the skeleton analysis unit 71 outputs skeleton data indicating the movement of the skeleton of the diagnosis target person to the display data generation unit 72.
- the display data generation unit 72 acquires skeleton data from the skeleton analysis unit 71.
- the display data generation unit 72 generates display data for displaying the movement of the skeleton of the diagnosis target person on the screen according to the skeleton data.
- the display data generation unit 19 outputs the display data to the display device 2.
- the display device 2 displays the movement of the skeleton of the person to be diagnosed on the screen according to the display data output from the display data generation unit 19, as shown in FIG.
- FIG. 25 is an explanatory diagram showing the movement of the skeleton of the person to be diagnosed.
- the log acquisition unit 11 acquires the video data of the camera that is photographing the diagnosis target person as a log indicating the physical change in the diagnosis target person, and is acquired by the log acquisition unit 11.
- the skeletal analysis unit 71 analyzes the skeletal movement of the diagnosis target person from the video data and outputs the skeletal data showing the skeletal movement of the diagnosis target person, and the diagnosis target person according to the skeletal data output from the skeletal analysis unit 71.
- the non-disease diagnosis device 1 shown in FIG. 23 is configured to include a display data generation unit 72 that generates display data for displaying the movement of the skeleton on the screen. Therefore, the non-disease diagnostic device shown in FIG. 23 can diagnose pre-disease without abnormal findings and confirm the movement of the skeleton of the person to be diagnosed, similarly to the non-disease diagnostic device shown in FIG. Can be done.
- Embodiment 6 display data for displaying on the screen the change in sleep state indicated by the log acquired by the log acquisition unit 11 and the operating status of the air conditioner indicated by the environmental data acquired by the environmental data acquisition unit 15.
- the non-disease diagnostic apparatus 1 including the display data generation unit 73 for generating the data will be described.
- FIG. 26 is a configuration diagram showing a non-disease diagnostic device 1 according to the sixth embodiment.
- FIG. 27 is a hardware configuration diagram showing the hardware of the non-disease diagnostic apparatus 1 according to the sixth embodiment.
- the non-illness diagnosis device 1 shown in FIG. 26 includes a log acquisition unit 11, a long-term care data acquisition unit 12, an environmental data acquisition unit 15, a non-illness diagnosis unit 16, a display processing unit 14, and a display data generation unit 73.
- the display data generation unit 73 is applied to the non-disease diagnostic device 1 shown in FIG.
- the display data generation unit 73 uses the non-disease diagnostic device 1 shown in FIG. 1, the non-disease diagnostic device 1 shown in FIG. 16, the non-disease diagnostic device 1 shown in FIG. 20, or FIG. 23. It may be applied to the non-disease diagnostic apparatus 1 shown in 1.
- the log acquisition unit 11 acquires a sleep log showing a change in the sleep state of the diagnosis target person as a log showing the physical change in the diagnosis target person.
- the environmental data acquisition unit 15 acquires environmental data indicating the operating status of the air conditioner as environmental data indicating the environment around the person to be diagnosed.
- the display data generation unit 73 is realized by, for example, the display data generation circuit 83 shown in FIG. 27.
- the display data generation unit 73 displays on the screen the change in the sleep state indicated by the sleep log acquired by the log acquisition unit 11 and the operating status of the air conditioner indicated by the environmental data acquired by the environmental data acquisition unit 15. Generate display data.
- the display data generation unit 73 outputs the display data to the display device 2.
- each of the log acquisition unit 11, the care data acquisition unit 12, the environmental data acquisition unit 15, the non-disease diagnosis unit 16, the display processing unit 14, and the display data generation unit 73 which are the components of the non-disease diagnosis device 1, , It is assumed that it is realized by dedicated hardware as shown in FIG. 27. That is, it is assumed that the non-disease diagnosis device 1 is realized by the log acquisition circuit 21, the long-term care data acquisition circuit 22, the environmental data acquisition circuit 25, the non-disease diagnosis circuit 26, the display processing circuit 24, and the display data generation circuit 83. ing.
- Each of the log acquisition circuit 21, the care data acquisition circuit 22, the environmental data acquisition circuit 25, the pre-illness diagnosis circuit 26, the display processing circuit 24, and the display data generation circuit 83 is, for example, a single circuit, a composite circuit, or a programmed processor. , Parallel programmed processor, ASIC, FPGA, or a combination thereof.
- the components of the non-disease diagnostic device 1 are not limited to those realized by dedicated hardware, but the non-disease diagnostic device 1 is realized by software, firmware, or a combination of software and firmware. There may be.
- the non-illness diagnosis device 1 is realized by software, firmware, or the like, the log acquisition unit 11, the care data acquisition unit 12, the environmental data acquisition unit 15, the non-illness diagnosis unit 16, the display processing unit 14, and the display data generation unit 73.
- the program for causing the computer to execute each of the processing procedures in FIG. 3 is stored in the memory 31 shown in FIG. Then, the processor 32 shown in FIG. 3 executes the program stored in the memory 31.
- the log acquisition unit 11 acquires a sleep log indicating a change in the sleep state of the diagnosis target person as a log indicating a physical change in the diagnosis target person.
- the log acquisition unit 11 outputs the sleep log to the display data generation unit 73.
- the environmental data acquisition unit 15 acquires environmental data indicating the operating status of the air conditioner as environmental data indicating the environment around the diagnosis target person.
- the environmental data acquisition unit 15 outputs environmental data indicating the operating status of the air conditioner to the display data generation unit 73.
- the display data generation unit 73 acquires a sleep log from the log acquisition unit 11, and acquires environmental data indicating the operating status of the air conditioner from the environmental data acquisition unit 15. As shown in FIG. 28, the display data generation unit 73 generates display data for displaying on the screen the sleep tracker showing the change in the sleep state indicated by the sleep log and the operating status of the air conditioner indicated by the environmental data. The display data generation unit 73 outputs the display data to the display device 2.
- FIG. 28 is an explanatory diagram showing a change in the sleep state and an operating state of the air conditioner.
- the example of FIG. 28 shows a sleep tracker showing a change in the sleep state of “ ⁇ ⁇ ⁇ -sama” in room 101 and an operating status of an air conditioner in room 101 among a plurality of diagnosed subjects.
- the log acquisition unit 11 acquires a log indicating the change in the sleep state of the diagnosis target person as a log indicating the physical change in the diagnosis target person
- the environmental data acquisition unit 15 acquires the log indicating the change in the sleep state of the diagnosis target person.
- environmental data indicating the surrounding environment of the person environmental data indicating the operating status of the air conditioner is acquired
- the non-disease diagnosis device 1 shown in FIG. 26 is configured to include a display data generation unit 73 that generates display data for displaying the operating status of the air conditioner indicated by the data on the screen. Therefore, the non-illness diagnostic device shown in FIG. 26 can diagnose the non-disease without abnormal findings in the same manner as the non-disease diagnostic device shown in FIG. You can check the relationship with the driving situation.
- the non-disease diagnosis device shown in FIGS. 11, 16, 20, 23, or 26 includes a log acquisition unit 11 and an environmental data acquisition unit 15.
- the non-disease diagnosis device includes a data transmission unit (not shown), and the data transmission unit transmits each of the log acquired by the log acquisition unit 11 and the environmental data acquired by the environmental data acquisition unit 15 to an external device. You may try to do it. If the external device is, for example, a device managed by a maintenance company, employees of the maintenance company or the like collect the logs by receiving each of the log and the environmental data transmitted from the non-illness diagnosis device. It is possible to confirm whether or not the sensor or the sensor that collects environmental data is properly cleaned, or whether or not the filter in the sensor is replaced.
- the non-illness diagnosis device 1 includes a log acquisition unit 11 and a long-term care data acquisition unit 12.
- the non-illness diagnosis device includes a data transmission unit (not shown), and the data transmission unit transmits each of the log acquired by the log acquisition unit 11 and the long-term care data acquired by the long-term care data acquisition unit 12 to an external device. You may try to do it. If the external device is, for example, a device managed by a hospital or a device managed by a pharmacy, a doctor or the like can receive each of the logs and nursing care data transmitted from the non-illness diagnosis device. However, it is possible to determine the necessity of diagnosis for the diagnosis target, the necessity of prescription for the diagnosis target, the necessity of nursing for the diagnosis target, and the like.
- the non-disease diagnostic device 1 may transmit the data acquired from the outside and the diagnostic data acquired from the learning models 43 and 46 to an external device (not shown).
- the data acquired from the outside is log, long-term care data, environmental data, or vital data.
- a trader or the like who handles an external device can utilize the data transmitted from the non-disease diagnosis device 1 for business or the like.
- the non-disease diagnostic apparatus 1 predicts the degree of risk of the person to be diagnosed from the data acquired from the outside and the diagnostic data acquired from the learning models 43 and 46, and cannot show the predicted data indicating the degree of risk. It may be transmitted to an external device.
- the non-illness diagnosis device 1 monitors the behavior of the diagnosis target person based on the position information output from the GPS sensor and makes a diagnosis. If the behavior of the subject is different from the usual behavior of the subject to be diagnosed, an alarm may be issued. As an unusual behavior, for example, it is assumed that the walking speed of the person to be diagnosed is slower than the normal walking speed, and the rate of slowing is larger than the preset reference value. To. In addition, as an unusual behavior, for example, it is assumed that the wrong button on the clothes worn by the person to be diagnosed is caught for a plurality of days.
- This disclosure is suitable for a non-disease diagnostic device, a non-disease diagnosis method, and a learning model generation device.
- 1 non-illness diagnosis device 2 display device, 3 learning model generation device, 11 log acquisition unit, 12 care data acquisition unit, 13 non-illness diagnosis unit, 14 display processing unit, 15 environmental data acquisition unit, 15a-1 to 15a- N sensor, 16 non-illness diagnosis unit, 17 vital data acquisition unit, 18 judgment unit, 19 display data generation unit, 21 log acquisition circuit, 22 care data acquisition circuit, 23 non-illness diagnosis circuit, 24 display processing circuit, 25 environmental data Acquisition circuit, 26 pre-illness diagnosis circuit, 27 vital data acquisition circuit, 28 judgment circuit, 29 display data generation circuit, 31 memory, 32 processor, 41 data acquisition unit, 42 learning model generation unit, 43 learning model, 44 data acquisition unit , 45 learning model generation unit, 46 learning model, 51 data acquisition circuit, 52 learning model generation circuit, 53 data acquisition circuit, 54 learning model generation circuit, 61 memory, 62 processor, 71 skeleton analysis unit, 72 display data generation unit, 73 Display data generation unit, 81 Skeletal analysis circuit, 82 Display data generation circuit, 83 Display data generation circuit.
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Cardiology (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Child & Adolescent Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Pulmonology (AREA)
Abstract
Description
医師が検査結果の変化を経過観察することで発見できる未病は、異常所見有状態の未病であり、医師は、検査結果の変化を経過観察しても、異常所見無状態の未病を発見できないことがあるという課題があった。
特許文献1に開示されている事象予測システムが、特定事象の発生の予測結果を医師に通知することが可能であるとしても、当該予測結果は、特定事象が発生するか否かの予測結果であって、運動機能の低下を示す検査結果ではない。このため、医師は、当該予測結果を参照しても、未病の診断を行うことができない。
図1は、実施の形態1に係る未病診断装置1を示す構成図である。
図2は、実施の形態1に係る未病診断装置1のハードウェアを示すハードウェア構成図である。
図1に示す未病診断装置1は、ログ取得部11、介護データ取得部12、未病診断部13及び表示処理部14を備えている。
ログ取得部11は、未病の診断対象者における身体の変化を示すログを取得する。
ここでは、ログ取得部11が、身体の変化を示すログを取得している。しかし、これは一例に過ぎず、ログ取得部11が、身体の変化を示すログの代わりに、診断対象者による機器の操作履歴を示すログを取得するようにしてもよい。
また、ログ取得部11は、身体の変化を示すログと、診断対象者による機器の操作履歴を示すログとの双方を取得するようにしてもよい。
ログ取得部11は、ログを未病診断部13に出力する。
介護データ取得部12は、診断対象者に対する介護内容を示す介護データを取得する。
介護データ取得部12は、介護データを未病診断部13に出力する。
未病診断部13は、図4に示す学習モデル生成装置3により生成された学習モデル43を備えている。
未病診断部13は、ログ取得部11により取得されたログと、介護データ取得部12により取得された介護データとを学習モデル43に与えて、学習モデル43から、診断対象者に生じている可能性の有る未病を示す診断データを取得する。
未病診断部13は、診断データを表示処理部14に出力する。
未病診断部13から表示処理部14に出力される診断データは、診断対象者に生じている可能性の有る未病のうち、異常所見無状態の未病を示すデータを含んでいる。当該診断データが、異常所見有状態の未病を示すデータを含んでいてもよい。
表示処理部14は、未病診断部13から出力された診断データに従って、診断対象者に生じている可能性の有る未病の情報を画面に表示するための表示データを生成する。
表示処理部14は、表示データを表示装置2に出力する。
表示装置2は、表示処理部14から出力された表示データに従って、診断対象者に生じている可能性の有る未病の情報を画面に表示する。
ログ取得回路21、介護データ取得回路22、未病診断回路23及び表示処理回路24のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)、又は、これらを組み合わせたものが該当する。
ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、CPU(Central Processing Unit)、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、DSP(Digital Signal Processor)が該当する。
未病診断装置1が、ソフトウェア又はファームウェア等によって実現される場合、ログ取得部11、介護データ取得部12、未病診断部13及び表示処理部14におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ31に格納される。そして、コンピュータのプロセッサ32がメモリ31に格納されているプログラムを実行する。
図5は、実施の形態1に係る学習モデル生成装置3のハードウェアを示すハードウェア構成図である。
図4に示す学習モデル生成装置3は、データ取得部41及び学習モデル生成部42を備えている。
データ取得部41は、未病の診断対象者における身体の変化を示すログを取得する。
ここでは、データ取得部41が、身体の変化を示すログを取得している。しかし、これは一例に過ぎず、データ取得部41が、身体の変化を示すログの代わりに、未病の診断対象者による機器の操作履歴を示すログを取得するようにしてもよい。
また、データ取得部41は、身体の変化を示すログと、診断対象者による機器の操作履歴を示すログとの双方を取得するようにしてもよい。
また、データ取得部41は、診断対象者に対する介護内容を示す介護データを取得する。
さらに、データ取得部41は、診断対象者に生じる可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得する。教師データは、医師等によって生成されることが想定される。
データ取得部41は、ログ、介護データ及び教師データのそれぞれを学習モデル生成部42に出力する。
学習モデル生成部42は、データ取得部41から、ログ、介護データ及び教師データのそれぞれを取得する。
学習モデル生成部42は、ログ、介護データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習し、未病の診断対象者における身体の変化を示すログと、未病の診断対象者に対する介護内容を示す介護データとが与えられると、診断対象者に生じている可能性の有る未病を示す診断データを出力する学習モデル43を生成する。
学習モデル生成部42は、生成した学習済みの学習モデル43を図1に示す未病診断装置1の未病診断部13に与える。
学習済みの学習モデル43は、ログ、介護データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習したものであり、例えば、ニューラルネットワークによって実現される。
データ取得回路51及び学習モデル生成回路52のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
図6は、学習モデル生成装置3が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
学習モデル生成装置3が、ソフトウェア又はファームウェア等によって実現される場合、データ取得部41及び学習モデル生成部42におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ61に格納される。そして、コンピュータのプロセッサ62がメモリ61に格納されているプログラムを実行する。
図7は、図1に示す未病診断装置1の処理手順である未病診断方法を示すフローチャートである。
ログ取得部11は、未病の診断対象者における身体の変化を示すログを取得する(図7のステップST1)。
また、ログ取得部11は、未病の診断対象者による機器の操作履歴を示すログを取得する。
ログ取得部11は、取得したログを未病診断部13に出力する。
診断対象者における身体の変化を示すログが、例えば、診断対象者における食事中の状態変化を示す画像データであれば、ログ取得部11は、診断対象者を撮影しているビデオカメラ等から、ログを取得することができる。
診断対象者における身体の変化を示すログが、例えば、診断対象者における歩行の状態変化を示す歩行ログであれば、ログ取得部11は、診断対象者の歩行を解析している歩行解析装置等から、ログを取得することができる。歩行解析装置自体は、公知の装置であるため、詳細な説明を省略する。
ログ取得部11により取得されるログが、例えば、診断対象者による機器の操作履歴を示す操作ログであれば、ログ取得部11は、診断対象者が操作している機器から、ログを取得することができる。診断対象者が操作している機器は、エアコン、又は、テレビ等のIoT(Internet of Things)機器である。
介護データ取得部12は、介護データを未病診断部13に出力する。
未病診断部13は、診断データを表示処理部14に出力する。
(1)未病が不眠症の前段状態である場合
(a)ログは、診断対象者における睡眠の状態変化を示す睡眠ログである。睡眠の状態は、レム睡眠、又は、ノンレム睡眠等に分類される。睡眠ログには、それぞれの睡眠状態の時間を示すデータが含まれている。
(b)介護データには、診断対象者における睡眠薬の服用の有無のほかに、診断対象者の運動量等が記録されている。
(c)睡眠薬の服用が有ることが介護データに記録されているとき、睡眠ログが、睡眠の状態が正常であることを示している。しかし、睡眠薬の服用が有ることが介護データに記録されていないとき、あるいは、睡眠薬の服用が無いことが介護データに記録されているとき、睡眠ログが、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示している。このようなときは、睡眠薬の効能によって眠れているものであって、睡眠薬の服用が無ければ、十分な睡眠がとれない可能性があるため、学習モデル43は、異常所見無状態の未病として、不眠症の前段状態であることを示す診断データを出力する。
(d)以前、睡眠薬の服用が有ることが介護データに記録されているときは、睡眠ログが、睡眠の状態が正常であることを示している。最近は、睡眠薬の服用が有ることが介護データに記録されているときでも、睡眠ログが、睡眠の状態が異常であることを示している。このようなときは、学習モデル43は、異常所見有状態の未病として、不眠症の前段状態であることを示す診断データを出力する。
(e)診断対象者の運動量が十分な運動量であることが介護データに記録されているとき、睡眠ログが、睡眠の状態が正常であることを示している。しかし、診断対象者の運動量が十分な運動量でないことが介護データに記録されているとき、睡眠ログが、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示している。このようなときは、運動不足が原因で眠れないだけで、運動を十分に行えば眠れるため、不眠が病的なものではない可能性が高い。よって、このようなときは、学習モデル43は、不眠症の前段状態ではないことを示す診断データを出力する。十分な運動量は、診断対象者の年齢等に応じて定められている。
(a)ログは、診断対象者における食事中の状態変化を示す画像データである。画像データは、音声データを含むデータである。画像データには、診断対象者における食事中の姿勢が映っており、食事中の咳き込み音が録音されていることがある。
(b)介護データには、診断対象者の食事内容が記録されている。食事内容には、献立のほかに、食材が含まれている。
(c)誤嚥性肺炎の症状と思われる顕著な症状が介護データに記録されていないときに、画像データが、食事中の姿勢が食事に不向きな姿勢であることを示しており、食事中の咳き込み音が画像データに録音されている。このようなときは、誤嚥性肺炎を発症する可能性が高いため、学習モデル43は、異常所見無状態の未病として、誤嚥性肺炎の前段状態であることを示す診断データを出力する。食事に不向きな姿勢とは、例えば、あごが上がっている上向きの姿勢(後屈時)である。
(d)誤嚥性肺炎の症状と思われる顕著な症状介護データに記録されていないときに、画像データが、食事中の姿勢が食事に不向きな姿勢であることを示しており、誤嚥性肺炎を生じやすい食事内容であることが介護データに記録されている。
しかし、食事中の咳き込み音が画像データに録音されておらず、かつ、食事中に咳き込むことがある旨が介護データに記録されていなければ、飲み込みに関係する機能が低下していない可能性が高いため、学習モデル43は、誤嚥性肺炎の前段状態ではないことを示す診断データを出力する。誤嚥性肺炎を生じやすい食事内容とは、例えば、パン、又は、芋のように、水分が少なく、パサパサしている食品のほか、例えば、焼きのり、又は、わかめのように、喉にくっつきやすい食品である。
(a)ログは、診断対象者における歩行の状態変化を示す歩行ログである。歩行ログには、診断対象者の歩行速度、姿勢、足の上げ幅、歩幅等を示すデータのほか、診断対象者の骨格の変化を示す骨格データが含まれている。
(b)介護データには、診断対象者の歩行量のほか、診断対象者における睡眠薬の服用の有無、診断対象者の顔色、会話量、又は、食事量等が記録されている。
(c)歩行障害と思われる顕著な症状が介護データに記録されていないときに、歩行ログが、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している。例えば、10日前の歩行速度よりも、5日前の歩行速度が遅くなり、5日前の歩行速度よりも、本日の歩行速度が遅くなっているとき、あるいは、10日前の歩行幅よりも、5日前の歩行幅が狭くなり、5日前の歩行幅よりも、本日の歩行幅が狭くなっているとき、歩行の状態が劣化していると考えられる。
このとき、介護データに記録されている診断対象者の歩行量が、オーバーワークが想定される歩行量を超えていなければ、歩行状態の劣化の原因が、歩行疲れではないと考えられる。また、診断対象者の顔色は良好であり、かつ、食事量は通常通りである。このような場合、診断対象者の歩行機能の低下が原因で、歩行の状態が劣化している可能性が高いため、学習モデル43は、異常所見無状態の未病として、歩行障害の前段状態であることを示す診断データを出力する。
(d)以前は、歩行障害と思われる顕著な症状が介護データに記録されておらず、歩行ログが、歩行の状態が明らかな異常であることを表していない。最近は、歩行障害と思われる顕著な症状が介護データに記録されている。あるいは、歩行ログが、歩行の状態が明らかな異常であることを表している。このような場合、学習モデル43は、異常所見有状態の未病として、歩行障害の前段状態であることを示す診断データを出力する。
(e)歩行障害と思われる顕著な症状が介護データに記録されていないときに、歩行ログが、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している。しかし、介護データに記録されている診断対象者の歩行量が、オーバーワークが想定される歩行量を超えているときは、歩行状態の劣化の原因が、歩行疲れであることが考えられる。また、診断対象者の顔色が悪いとき、会話量が極めて少ないとき、あるいは、食事量が極めて少ないときは、診断対象者の体調が悪いことが考えられる。このような場合、診断対象者の歩行機能の低下以外が原因で、歩行状態が劣化している可能性が高いため、学習モデル43は、歩行障害の前段状態ではないことを示す診断データを出力する。
(a)ログは、診断対象者による機器の操作履歴を示す操作ログである。操作ログは、エアコンの操作履歴、又は、テレビの操作履歴等である。
(b)介護データには、診断対象者による機器の誤操作等が記録されている。機器の誤操作としては、現在の室温が例えば30度以上の高温であるときに、エアコンを暖房モードで動作させる操作、現在の室温が例えば10度以下の低温であるときに、エアコンを冷房モードで動作させる操作等が該当する。また、機器の誤操作としては、テレビのチャンネルを未放送のチャンネルに合わせる操作、テレビの音量を最大音量に設定する操作等が該当する。
図1に示す未病診断装置1では、診断対象者を介護するスタッフ等が、操作ログが示す機器の操作履歴に基づいて、診断対象者による機器の誤操作を記録しているものとする。即ち、診断対象者による機器の誤操作が介護データに記録されているものとする。あるいは、操作ログが、診断対象者による機器の誤操作を示すデータを含んでいるものとする。
(c)介護データには、認知症の症状と思われる顕著な症状が記録されていない。しかし、操作ログ、又は、介護データが、機器の誤操作の頻度が低くても、同じ誤操作が所定回数繰り返していることを示していれば、学習モデル43は、異常所見無状態の未病として、認知症の前段状態であることを示す診断データを出力する。
(d)介護データには、認知症の症状と思われる顕著な症状が記録されていない。しかし、操作ログ、又は、介護データが、機器の誤操作の頻度が高くても、同じ誤操作を繰り返していないことを示していれば、認知症とは無関係の誤操作である可能性が高い。よって、このようなときは、学習モデル43は、認知症の前段状態ではないことを示す診断データを出力する。
ただし、操作ログ、又は、介護データが、機器の誤操作の頻度が極めて高い頻度であることを示していれば、同じ誤操作を繰り返していないことを示していても、学習モデル43は、異常所見無状態の未病として、認知症の前段状態であることを示す診断データを出力する。
また、表示処理部14は、未病診断部13から出力された診断データに従って、図10に示すように、それぞれの診断対象者に生じている可能性の有る未病の情報を画面に表示するための表示データを生成する(図7のステップST4)。
表示処理部14は、診断対象者が例えば不眠症の前段状態であれば、不眠症の前段状態であることを画面に表示するための表示データを生成し、診断対象者が例えば歩行障害の前段状態であれば、歩行障害の前段状態であることを画面に表示するための表示データを生成する。
また、表示処理部14は、診断対象者が例えば認知症の前段状態であれば、認知症の前段状態であることを画面に表示するための表示データを生成し、診断対象者が例えば誤嚥性肺炎の前段状態であれば、誤嚥性肺炎の前段状態であることを画面に表示するための表示データを生成する。
表示処理部14は、表示データを表示装置2に出力する。
表示装置2は、表示処理部14から出力された表示データに従って、診断対象者に生じている可能性の有る未病の情報を画面に表示する。
図9の例では、複数の診断対象者のうち、101号室の「○△〇様」と102号室の「△△〇様」と103号室の「□△〇様」とは、未病が無く、正常であることが表されている。
一方、104号室の「☆△〇様」と105号室の「☆〇☆様」とは、未病が有ることが表されている。
図10は、診断対象者に生じている可能性の有る未病の情報を示す説明図である。
図10の例では、104号室の「☆△〇様」が、未病として、認知症の前段状態の可能性があることを示している。
また、図10の例では、105号室の「☆〇☆様」が、未病として、不眠症の前段状態の可能性があることを示している。
図8は、図4に示す学習モデル生成装置3の処理手順である学習モデル生成方法を示すフローチャートである。
データ取得部41は、未病の診断対象者における身体の変化を示すログを取得する(図8のステップST11)。
また、データ取得部41は、未病の診断対象者による機器の操作履歴を示すログを取得する。
さらに、データ取得部41は、診断対象者に対する介護内容を示す介護データを取得し、診断対象者に生じる可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得する(図8のステップST11)。
データ取得部41は、ログ、介護データ及び教師データのそれぞれを学習モデル生成部42に出力する。
ログが、例えば、診断対象者における食事中の状態変化を示す画像データであれば、データ取得部41は、診断対象者を撮影しているビデオカメラ等から、ログを取得することができる。
ログが、例えば、診断対象者における歩行の状態変化を示す歩行ログであれば、データ取得部41は、診断対象者の歩行を解析している歩行解析装置等から、ログを取得することができる。
ログが、例えば、診断対象者による機器の操作履歴を示す操作ログであれば、データ取得部41は、診断対象者が操作している機器から、ログを取得することができる。
データ取得部41は、例えば、診断対象者に対する介護内容を示す介護データを記録している介護記録装置等から、介護データを取得することができる。
教師データは、診断対象者に生じる可能性の有る未病、又は、未病ではないことを示しており、医師等によって生成されることが想定される。
学習モデル生成部42は、ログ、介護データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習モデル43に学習させる(図8のステップST12)。
学習モデル43による学習を以下に例示する。
また、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示す睡眠ログが、学習モデル生成部42に取得されている。
また、不眠症の前段状態であることを示す教師データが、学習モデル生成部42に取得されている。
上記のような、睡眠ログ、介護データ及び教師データが得られている場合、学習モデル生成部42は、学習モデル43から、異常所見無状態の未病として、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル43に学習させる。学習モデル43がニューラルネットワークによって実現されている場合、学習モデル43から、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル生成部42が、ニューラルネットワークのシナプスの結合強度を変化させる。
学習モデル生成部42に最近取得された介護データには、睡眠薬の服用が有ることが記録されていない、あるいは、睡眠薬の服用が無いことが記録されている。学習モデル生成部42に最近取得された睡眠ログは、睡眠の状態が異常であることを示している。
不眠症の前段状態であることを示す教師データが、学習モデル生成部42に取得されている。
上記のような、睡眠ログ、介護データ及び教師データが得られている場合、学習モデル生成部42は、学習モデル43から、異常所見有状態の未病として、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル43に学習させる。学習モデル43がニューラルネットワークによって実現されている場合、学習モデル43から、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル生成部42が、ニューラルネットワークのシナプスの結合強度を変化させる。
また、診断対象者の運動量が十分な運動量ではないことが記録されている介護データが、学習モデル生成部42に取得され、かつ、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示す睡眠ログが、学習モデル生成部42に取得されている。
また、不眠症の前段状態ではないことを示す教師データが、学習モデル生成部42に取得されている。
上記のような、睡眠ログ、介護データ及び教師データが得られている場合、学習モデル生成部42は、学習モデル43から、不眠症の前段状態ではないことを示す診断データが出力されるように、学習モデル43に学習させる。学習モデル43がニューラルネットワークによって実現されている場合、学習モデル43から、不眠症の前段状態ではないことを示す診断データが出力されるように、学習モデル生成部42が、ニューラルネットワークのシナプスの結合強度を変化させる。
また、食事中の姿勢が食事に不向きな姿勢であることを示し、かつ、食事中の咳き込み音が録音されている画像データであるログが、学習モデル生成部42に取得されている。
また、誤嚥性肺炎の前段状態であることを示す教師データが、学習モデル生成部42に取得されている。
上記のような、画像データ、介護データ及び教師データが得られている場合、学習モデル生成部42は、学習モデル43から、異常所見無状態の未病として、誤嚥性肺炎の前段状態であることを示す診断データが出力されるように、学習モデル43に学習させる。学習モデル43がニューラルネットワークによって実現されている場合、学習モデル43から、誤嚥性肺炎の前段状態であることを示す診断データが出力されるように、学習モデル生成部42は、ニューラルネットワークのシナプスの結合強度を変化させる。
また、食事中の咳き込み音が録音されていない画像データであるログ、あるいは、食事中に咳き込むことがある旨の記録がない介護データが、学習モデル生成部42に取得されている。
また、誤嚥性肺炎の前段状態ではないことを示す教師データが、学習モデル生成部42に取得されている。
上記のような、画像データ、介護データ及び教師データが得られている場合、学習モデル生成部42は、学習モデル43から、誤嚥性肺炎の前段状態ではないことを示す診断データが出力されるように、学習モデル43に学習させる。学習モデル43がニューラルネットワークによって実現されている場合、学習モデル43から、誤嚥性肺炎の前段状態ではないことを示す診断データが出力されるように、学習モデル生成部42は、ニューラルネットワークのシナプスの結合強度を変化させる。
また、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している歩行ログが、学習モデル生成部42に取得されている。
また、歩行障害の前段状態であることを示す教師データが、学習モデル生成部42に取得されている。
上記のような、歩行ログ、介護データ及び教師データが得られている場合、学習モデル生成部42は、学習モデル43から、異常所見無状態の未病として、歩行障害の前段状態であることを示す診断データが出力されるように、学習モデル43に学習させる。学習モデル43がニューラルネットワークによって実現されている場合、学習モデル43から、歩行障害の前段状態であることを示す診断データが出力されるように、学習モデル生成部42は、ニューラルネットワークのシナプスの結合強度を変化させる。
学習モデル生成部42に最近取得された介護データには、歩行障害と思われる顕著な症状が記録されている。あるいは、学習モデル生成部42に最近取得された歩行ログは、歩行の状態が異常を表している。
また、歩行障害の前段状態であることを示す教師データが、学習モデル生成部42に取得されている。
上記のような、歩行ログ、介護データ及び教師データが得られている場合、学習モデル生成部42は、学習モデル43から、異常所見有状態の未病として、歩行障害の前段状態であることを示す診断データが出力されるように、学習モデル43に学習させる。学習モデル43がニューラルネットワークによって実現されている場合、学習モデル43から、歩行障害の前段状態であることを示す診断データが出力されるように、学習モデル生成部42は、ニューラルネットワークのシナプスの結合強度を変化させる。
また、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している歩行ログが、学習モデル生成部42に取得されている。
また、歩行障害の前段状態ではないことを示す教師データが、学習モデル生成部42に取得されている。
上記のような、歩行ログ、介護データ及び教師データが得られている場合、学習モデル生成部42は、学習モデル43から、歩行障害の前段状態ではないことを示す診断データが出力されるように、学習モデル43に学習させる。学習モデル43がニューラルネットワークによって実現されている場合、学習モデル43から、歩行障害の前段状態ではないことを示す診断データが出力されるように、学習モデル生成部42は、ニューラルネットワークのシナプスの結合強度を変化させる。
また、機器の誤操作の頻度が低くても、同じ誤操作が所定回数繰り返していることを示している操作ログ、又は、機器の誤操作の頻度が低くても、同じ誤操作が所定回数繰り返していることが記録されている介護データが、学習モデル生成部42に取得されている。
また、認知症の前段状態であることを示す教師データが、学習モデル生成部42に取得されている。
上記のような、操作ログ、介護データ及び教師データが得られている場合、学習モデル生成部42は、学習モデル43から、異常所見無状態の未病として、認知症の前段状態であることを示す診断データが出力されるように、学習モデル43に学習させる。学習モデル43がニューラルネットワークによって実現されている場合、学習モデル43から、認知症の前段状態であることを示す診断データが出力されるように、学習モデル生成部42が、ニューラルネットワークのシナプスの結合強度を変化させる。
また、機器の誤操作の頻度が高くても、同じ誤操作を繰り返していないことを示している操作ログ、又は、機器の誤操作の頻度が高くても、同じ誤操作を繰り返していないことが記録されている介護データが、学習モデル生成部42に取得されている。
また、認知症の前段状態ではないことを示す教師データが、学習モデル生成部42に取得されている。
上記のような、操作ログ、介護データ及び教師データが得られている場合、学習モデル生成部42は、学習モデル43から、認知症の前段状態ではないことを示す診断データが出力されるように、学習モデル43に学習させる。学習モデル43がニューラルネットワークによって実現されている場合、学習モデル43から、認知症の前段状態ではないことを示す診断データが出力されるように、学習モデル生成部42が、ニューラルネットワークのシナプスの結合強度を変化させる。
ただし、操作ログ、又は、介護データが、機器の誤操作の頻度が極めて高いことを示しており、認知症の前段状態であることを示す教師データが、学習モデル生成部42に取得されている。このような場合、学習モデル生成部42は、学習モデル43から、異常所見無状態の未病として、認知症の前段状態であることを示す診断データが出力されるように、学習モデル43に学習させる。
実施の形態2では、未病診断部16が、ログと介護データとのほかに、診断対象者の周囲の環境を示す環境データを学習モデル46に与えて、学習モデル46から、診断対象者に生じている可能性の有る未病を示す診断データを取得する未病診断装置1について説明する。
図12は、実施の形態2に係る未病診断装置1のハードウェアを示すハードウェア構成図である。図11及び図12において、図1及び図2と同一符号は同一又は相当部分を示すので説明を省略する。
図11に示す未病診断装置1は、ログ取得部11、介護データ取得部12、環境データ取得部15、未病診断部16及び表示処理部14を備えている。
環境データ取得部15は、診断対象者の周囲の環境を示す環境データを取得する。
環境データ取得部15は、環境データを未病診断部16に出力する。
未病診断部16は、図13に示す学習モデル生成装置3により生成された学習モデル46を備えている。
未病診断部16は、ログ取得部11により取得されたログと、介護データ取得部12により取得された介護データと、環境データ取得部15により取得された環境データとを学習モデル46に与えて、学習モデル46から、診断対象者に生じている可能性の有る未病を示す診断データを取得する。
未病診断部16は、診断データを表示処理部14に出力する。
ログ取得回路21、介護データ取得回路22、環境データ取得回路25、未病診断回路26及び表示処理回路24のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
未病診断装置1が、ソフトウェア又はファームウェア等によって実現される場合、ログ取得部11、介護データ取得部12、環境データ取得部15、未病診断部16及び表示処理部14におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図3に示すメモリ31に格納される。そして、図3に示すプロセッサ32がメモリ31に格納されているプログラムを実行する。
図14は、実施の形態2に係る学習モデル生成装置3のハードウェアを示すハードウェア構成図である。
図13に示す学習モデル生成装置3は、データ取得部44及び学習モデル生成部45を備えている。
データ取得部44は、未病の診断対象者における身体の変化を示すログを取得する。
ここでは、データ取得部44が、身体の変化を示すログを取得している。しかし、これは一例に過ぎず、データ取得部44が、身体の変化を示すログの代わりに、未病の診断対象者による機器の操作履歴を示すログを取得するようにしてもよい。
また、データ取得部44は、身体の変化を示すログと、診断対象者による機器の操作履歴を示すログとの双方を取得するようにしてもよい。
データ取得部44は、診断対象者に対する介護内容を示す介護データを取得し、診断対象者の周囲の環境を示す環境データを取得する。
また、データ取得部44は、診断対象者に生じる可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得する。教師データは、医師等によって生成されることが想定される。
データ取得部44は、ログ、介護データ、環境データ及び教師データのそれぞれを学習モデル生成部45に出力する。
学習モデル生成部45は、データ取得部44から、ログ、介護データ、環境データ及び教師データのそれぞれを取得する。
学習モデル生成部45は、ログ、介護データ、環境データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習し、未病の診断対象者における身体の変化を示すログと、未病の診断対象者に対する介護内容を示す介護データと、診断対象者の周囲の環境を示す環境データとが与えられると、診断対象者に生じている可能性の有る未病を示す診断データを出力する学習モデル46を生成する。
学習モデル生成部45は、生成した学習済みの学習モデル46を図11に示す未病診断装置1の未病診断部16に与える。
学習済みの学習モデル46は、ログ、介護データ、環境データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習したものであり、例えば、ニューラルネットワークによって実現される。
データ取得回路53及び学習モデル生成回路54のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
学習モデル生成装置3が、ソフトウェア又はファームウェア等によって実現される場合、データ取得部44及び学習モデル生成部45におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図6に示すメモリ61に格納される。そして、図6に示すプロセッサ62がメモリ61に格納されているプログラムを実行する。
ログ取得部11は、未病の診断対象者における身体の変化を示すログを取得する。
また、ログ取得部11は、未病の診断対象者による機器の操作履歴を示すログを取得する。
ログ取得部11は、取得したログを未病診断部16に出力する。
介護データ取得部12は、介護データを未病診断部16に出力する。
環境データ取得部15は、環境データを未病診断部16に出力する。
環境データが、例えば、室温、湿度、照度、気圧、二酸化炭素濃度、空気の汚れ、臭い、障害物の有無等を示す環境ログであれば、環境データ取得部15は、例えば、室温を観測している室温センサ、湿度を観測している湿度センサ、照度を観測している照度センサから、ログを取得することができる。また、環境データ取得部15は、例えば、気圧を観測している気圧センサ、二酸化炭素濃度を観測している二酸化炭素センサ、空気の汚れを観測している汚染観測センサ、臭いを観測している臭いセンサから、ログを取得することができる。また、環境データ取得部15は、例えば、診断対象者を含む環境を撮影している監視カメラから、ログを取得することができる。なお、環境データには、環境を観測しているセンサの設置位置を示す位置データが含まれている。
未病診断部16は、診断データを表示処理部14に出力する。
(1)未病が不眠症の前段状態である場合
(a)ログは、診断対象者における睡眠の状態変化を示す睡眠ログである。
(b)介護データには、診断対象者における睡眠薬の服用の有無のほかに、診断対象者の運動量等が記録されている。
(c)環境データには、例えば、室温を示すデータが含まれている。
(d)睡眠薬の服用が有ることが介護データに記録されているとき、睡眠ログが、睡眠の状態が正常であることを示している。しかし、睡眠薬の服用が有ることが介護データに記録されていないとき、あるいは、睡眠薬の服用が無いことが介護データに記録されているとき、睡眠ログが、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示している。このようなときは、睡眠薬の効能によって眠れているものであって、睡眠薬の服用が無ければ、十分に睡眠がとれない可能性があるため、学習モデル46は、異常所見無状態の未病として、不眠症の前段状態であることを示す診断データを出力する。
ただし、環境データが示す気温が例えば30度以上の高温であって、寝苦しい環境化であるときに、睡眠ログが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示している。しかし、環境データが示す気温が、睡眠に適している20度程度の室温であるときには、睡眠ログが、睡眠の状態が正常であることを示している。このようなときは、寝る環境が不適正であるために、眠れない可能性が高いため、学習モデル46は、不眠症の前段状態ではないことを示す診断データを出力する。
(e)以前、睡眠薬の服用が有ることが介護データに記録されているときは、睡眠ログが、睡眠の状態が正常であることを示している。最近は、睡眠薬の服用が有ることが介護データに記録されているときでも、睡眠ログが、睡眠の状態が異常であることを示している。このようなときは、学習モデル46は、異常所見有状態の未病として、不眠症の前段状態であることを示す診断データを出力する。
ただし、環境データが示す気温が例えば30度以上の高温であって、寝苦しい環境化であるときに、睡眠ログが、睡眠の状態が異常であることを示している。しかし、環境データが示す気温が、睡眠に適している20度程度の室温であるときには、睡眠ログが、睡眠の状態が正常であることを示している。このようなときは、寝る環境が不適正であるために、眠れない可能性が高いため、学習モデル46は、不眠症の前段状態ではないことを示す診断データを出力する。
(f)診断対象者の運動量が十分な運動量であることが介護データに記録されているときは、睡眠ログが、睡眠の状態が正常であることを示している。しかし、診断対象者の運動量が十分な運動量ではないことが介護データに記録されているときは、睡眠ログが、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示している。このようなときは、運動不足が原因で眠れないだけで、運動を十分に行えば眠れるため、不眠が病的なものではない可能性が高い。よって、このようなときは、学習モデル46は、不眠症の前段状態ではないことを示す診断データを出力する。
なお、診断対象者の運動量が十分な運動量であるか否かにかかわらず、睡眠に適している20度程度の室温であるときには、睡眠ログが、睡眠の状態が正常であることを示している。一方、診断対象者の運動量が十分な運動量であるか否かにかかわらず、寝苦しい環境化であるときに、睡眠ログが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示している。このようなときは、寝る環境が不適正であるために、眠れない可能性が高いため、学習モデル46は、不眠症の前段状態ではないことを示す診断データを出力する。
(a)ログは、診断対象者における食事中の状態変化を示す画像データである。画像データは、音声データを含むデータである。画像データには、診断対象者における食事中の姿勢が映っており、食事中の咳き込み音が録音されていることがある。
(b)介護データには、診断対象者の食事内容が記録されている。食事内容には、献立のほかに、食材が含まれている。
(c)環境データには、例えば、二酸化炭素濃度を示すデータが含まれている。
(d)介護データには、誤嚥性肺炎の症状と思われる顕著な症状が記録されていない。しかし、画像データが、食事中の姿勢が食事に不向きな姿勢であることを示し、食事中の咳き込み音が画像データに録音されている。このようなときは、誤嚥性肺炎を発症する可能性が高いため、学習モデル46は、異常所見無状態の未病として、誤嚥性肺炎の前段状態であることを示す診断データを出力する。
ただし、環境データが示す二酸化炭素濃度が基準濃度よりも高いために、診断対象者の具合が悪くなっていることがある。このようなときは、二酸化炭素の影響で、咳き込みが発生している可能性が高いため、学習モデル46は、誤嚥性肺炎の前段状態ではないことを示す診断データを出力する。基準濃度は、二酸化炭素中毒を起こす可能性がある最低の濃度等である。
(e)介護データには、誤嚥性肺炎の症状と思われる顕著な症状が記録されていない。また、画像データが、食事中の姿勢が食事に不向きな姿勢であることを示し、介護データが、誤嚥性肺炎を生じやすい食事内容であることを示している。しかし、食事中の咳き込み音が画像データに録音されていないとき、あるいは、食事中に咳き込むことがある旨が介護データに記録されていないときは、飲み込みに関係する機能が低下していない可能性が高いため、学習モデル46は、誤嚥性肺炎の前段状態ではないことを示す診断データを出力する。
(a)ログは、診断対象者における歩行の状態変化を示す歩行ログである。歩行ログには、診断対象者の歩行速度、姿勢、足の上げ幅、歩幅等を示すデータのほか、診断対象者の骨格の変化を示す骨格データが含まれている。
(b)介護データには、診断対象者の歩行量のほか、診断対象者における睡眠薬の服用の有無、診断対象者の顔色、会話量、又は、食事量等が記録されている。
(c)環境データには、例えば、診断対象者を含む環境を撮影している監視カメラの映像データが含まれている。
(d)介護データには、歩行障害と思われる顕著な症状が記録されていない。また、歩行ログが、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している。
このとき、介護データに記録されている診断対象者の歩行量が、オーバーワークが想定される歩行量を超えていなければ、歩行状態の劣化の原因が、歩行疲れではないと考えられる。また、診断対象者の顔色は良好であり、かつ、食事量は通常通りである。このような場合、診断対象者の歩行機能の低下が原因で、歩行の状態が劣化している可能性が高いため、学習モデル46は、異常所見無状態の未病として、歩行障害の前段状態であることを示す診断データを出力する。
ただし、環境データが、歩行中に障害物が存在していたことを示していれば、障害物の影響で、歩行の状態が劣化していることが考えられる。このような場合、診断対象者の歩行機能の低下以外が原因で、歩行の状態が劣化している可能性が高いため、学習モデル46は、歩行障害の前段状態ではないことを示す診断データを出力する。
(e)以前は、歩行障害と思われる顕著な症状が介護データに記録されておらず、歩行ログが、歩行の状態が明らかな異常であることを表していない。最近は、歩行障害と思われる顕著な症状が介護データに記録されている。あるいは、歩行ログが、歩行の状態が明らかな異常であることを表している。このような場合、学習モデル46は、異常所見有状態の未病として、歩行障害の前段状態であることを示す診断データを出力する。
ただし、環境データが、歩行中に障害物が存在していたことを示していれば、障害物の影響で、歩行の状態が劣化していることが考えられる。このような場合、診断対象者の歩行機能の低下以外が原因で、歩行の状態が劣化している可能性が高いため、学習モデル46は、歩行障害の前段状態ではないことを示す診断データを出力する。
(f)介護データには、歩行障害と思われる顕著な症状が記録されていない。また、歩行ログが、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している。しかし、介護データに記録されている診断対象者の歩行量が、オーバーワークが想定される歩行量を超えているときは、歩行状態の劣化の原因が、歩行疲れであることが考えられる。また、診断対象者の顔色が悪いとき、会話量が極めて少ないとき、あるいは、食事量が極めて少ないときは、診断対象者の体調が悪いことが考えられる。このような場合、診断対象者の歩行機能の低下以外が原因で、歩行状態が劣化している可能性が高いため、学習モデル46は、歩行障害の前段状態ではないことを示す診断データを出力する。
(a)ログは、診断対象者による機器の操作履歴を示す操作ログである。操作ログは、エアコンの操作履歴、又は、テレビの操作履歴等である。
(b)介護データには、診断対象者による機器の誤操作等が記録されている。機器の誤操作としては、現在の室温が30度以上の高温であるときに、エアコンを暖房モードで動作させる操作、現在の室温が10度以下の低温であるときに、エアコンを冷房モードで動作させる操作等が該当する。また、機器の誤操作としては、テレビのチャンネルを未放送のチャンネルに合わせる操作、テレビの音量を最大音量に設定する操作等が該当する。
図11に示す未病診断装置1では、診断対象者を介護するスタッフ等が、操作ログが示す機器の操作履歴に基づいて、診断対象者による機器の誤操作を記録しているものとする。即ち、診断対象者による機器の誤操作が介護データに記録されているものとする。あるいは、操作ログが、診断対象者による機器の誤操作を示すデータを含んでいるものとする。
(c)環境データには、例えば、室温を示すデータが含まれている。
(d)介護データには、認知症の症状と思われる顕著な症状が記録されていない。しかし、操作ログ、又は、介護データが、機器の誤操作の頻度が低くても、同じ誤操作が所定回数繰り返していることを示していれば、学習モデル46は、異常所見無状態の未病として、認知症の前段状態であることを示す診断データを出力する。
(e)介護データには、認知症の症状と思われる顕著な症状が記録されていない。しかし、操作ログ、又は、介護データが、機器の誤操作の頻度が高くても、同じ誤操作を繰り返していないことを示していれば、認知症とは無関係の誤操作である可能性が高い。よって、このようなときは、学習モデル46は、認知症の前段状態ではないことを示す診断データを出力する。
ただし、操作ログ、又は、介護データが、機器の誤操作の頻度が極めて高い頻度であることを示していれば、学習モデル46は、異常所見無状態の未病として、認知症の前段状態であることを示す診断データを出力する。
また、環境データが示す室温が、熱中症を発症する可能性がある危険な温度であるときに、エアコンの冷房モードの運転操作を示す操作ログがなければ、認知症の疑いがあるため、学習モデル46は、異常所見無状態の未病として、認知症の前段状態であることを示す診断データを出力する。
また、表示処理部14は、未病診断部16から出力された診断データに従って、図15に示すように、それぞれの診断対象者に生じている可能性の有る未病の情報を画面に表示するための表示データを生成する。
表示処理部14は、表示データを表示装置2に出力する。
表示装置2は、表示処理部14から出力された表示データに従って、診断対象者に生じている可能性の有る未病の情報を画面に表示する。
図15の例では、104号室の「☆△〇様」が、未病として、歩行障害の前段状態の可能性があることを示している。
また、図15の例では、105号室の「☆〇☆様」が、未病として、誤嚥性肺炎の前段状態の可能性があることを示している。
データ取得部44は、未病の診断対象者における身体の変化を示すログを取得する。
また、データ取得部44は、未病の診断対象者による機器の操作履歴を示すログを取得する。
データ取得部44は、診断対象者に対する介護内容を示す介護データを取得し、診断対象者の周囲の環境を示す環境データを取得する。
さらに、データ取得部44は、診断対象者に生じる可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得する。
データ取得部44は、ログ、介護データ、環境データ及び教師データのそれぞれを学習モデル生成部45に出力する。
学習モデル生成部45は、ログ、介護データ、環境データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習モデル46に学習させる。
学習モデル46による学習を以下に例示する。
また、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示す睡眠ログが、学習モデル生成部45に取得されている。
また、睡眠に適している20度程度の室温を示す環境データが、学習モデル生成部45に取得されている。
さらに、不眠症の前段状態であることを示す教師データが、学習モデル生成部45に取得されている。
上記のような、睡眠ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、異常所見無状態の未病として、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル46に学習させる。学習モデル46がニューラルネットワークによって実現されている場合、学習モデル46から、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル生成部45は、ニューラルネットワークのシナプスの結合強度を変化させる。
学習モデル生成部45に最近取得された介護データには、睡眠薬の服用が有ることが記録されていない、あるいは、睡眠薬の服用が無いことが記録されている。学習モデル生成部45に最近取得された睡眠ログは、睡眠の状態が異常であることを示している。
睡眠に適している20度程度の室温を示す環境データが、学習モデル生成部45に取得されている。
また、不眠症の前段状態であることを示す教師データが、学習モデル生成部45に取得されている。
上記のような、睡眠ログ、介護データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、異常所見有状態の未病として、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル46に学習させる。
また、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示す睡眠ログが、学習モデル生成部45に取得されている。
また、寝苦しい環境化である30度以上の室温を示す環境データが、学習モデル生成部45に取得されている。
さらに、不眠症の前段状態ではないことを示す教師データが、学習モデル生成部45に取得されている。
上記のような、睡眠ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、不眠症の前段状態ではないことを示す診断データが出力されるように、学習モデル46に学習させる。
また、診断対象者の運動量が十分な運動量でないことが記録されている介護データが、学習モデル生成部45に取得され、かつ、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示す睡眠ログが、学習モデル生成部45に取得されている。
また、周囲の環境の温度を示す環境データが、学習モデル生成部45に取得されている。
さらに、不眠症の前段状態ではないことを示す教師データが、学習モデル生成部45に取得されている。
上記のような、睡眠ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、不眠症の前段状態ではないことを示す診断データが出力されるように、学習モデル46に学習させる。
また、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示す睡眠ログが、学習モデル生成部45に取得され、かつ、寝苦しい環境化である30度以上の室温を示す環境データが、学習モデル生成部45に取得されている。
さらに、不眠症の前段状態ではないことを示す教師データが、学習モデル生成部45に取得されている。
上記のような、睡眠ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、不眠症の前段状態ではないことを示す診断データが出力されるように、学習モデル46に学習させる。
また、食事中の姿勢が食事に不向きな姿勢であることを示し、かつ、食事中の咳き込み音が録音されている画像データであるログが、学習モデル生成部45に取得されている。
また、二酸化炭素濃度が基準濃度よりも低いことを示す環境データが、学習モデル生成部45に取得されている。
さらに、誤嚥性肺炎の前段状態であることを示す教師データが、学習モデル生成部45に取得されている。
上記のような、画像データ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、異常所見無状態の未病として、誤嚥性肺炎の前段状態であることを示す診断データが出力されるように、学習モデル46に学習させる。
また、食事中の姿勢が食事に不向きな姿勢であることを示し、かつ、食事中の咳き込み音が録音されている画像データであるログが、学習モデル生成部45に取得されている。
また、二酸化炭素濃度が基準濃度よりも高いことを示す環境データが、学習モデル生成部45に取得されている。
さらに、誤嚥性肺炎の前段状態ではないことを示す教師データが、学習モデル生成部45に取得されている。
上記のような、画像データ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、誤嚥性肺炎の前段状態ではないことを示す診断データが出力されるように、学習モデル46に学習させる。
また、食事中の咳き込み音が録音されていない画像データであるログ、あるいは、食事中に咳き込むことがある旨の記録がない介護データが、学習モデル生成部45に取得されている。
また、二酸化炭素濃度を示す環境データが、学習モデル生成部45に取得されている。
さらに、誤嚥性肺炎の前段状態ではないことを示す教師データが、学習モデル生成部45に取得されている。
上記のような、画像データ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、誤嚥性肺炎の前段状態ではないことを示す診断データが出力されるように、学習モデル46に学習させる。
また、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している歩行ログが、学習モデル生成部45に取得されている。
また、歩行中に障害物が存在していなかったことを示す環境データが、学習モデル生成部45に取得されている。
さらに、歩行障害の前段状態であることを示す教師データが、学習モデル生成部45に取得されている。
上記のような、歩行ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、異常所見無状態の未病として、歩行障害の前段状態であることを示す診断データが出力されるように、学習モデル46に学習させる。
学習モデル生成部45に最近取得された介護データには、歩行障害と思われる顕著な症状が介護データに記録されている。あるいは、学習モデル生成部45に最近取得された歩行ログは、歩行の状態が明らかな異常であることを表している。
また、歩行中に障害物が存在していなかったことを示す環境データが、学習モデル生成部45に取得されている。
さらに、歩行障害の前段状態であることを示す教師データが、学習モデル生成部45に取得されている。
上記のような、歩行ログ、介護データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、異常所見有状態の未病として、歩行障害の前段状態であることを示す診断データが出力されるように、学習モデル46に学習させる。
また、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している歩行ログが、学習モデル生成部45に取得されている。
また、歩行中に障害物が存在していたことを示す環境データが、学習モデル生成部45に取得されている。
さらに、歩行障害の前段状態ではないことを示す教師データが、学習モデル生成部45に取得されている。
上記のような、歩行ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、歩行障害の前段状態ではないことを示す診断データが出力されるように、学習モデル46に学習させる。
また、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している歩行ログが、学習モデル生成部45に取得されている。
また、障害物の有無等を示す環境データが、学習モデル生成部45に取得されている。
さらに、歩行障害の前段状態ではないことを示す教師データが、学習モデル生成部45に取得されている。
上記のような、歩行ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、歩行障害の前段状態ではないことを示す診断データが出力されるように、学習モデル46に学習させる。
また、機器の誤操作の頻度が低くても、同じ誤操作が所定回数繰り返していることを示している操作ログ、又は、機器の誤操作の頻度が低くても、同じ誤操作が所定回数繰り返していることが記録されている介護データが、学習モデル生成部45に取得されている。
また、熱中症を発症する可能性がある危険な温度ではないことを示す環境データが、学習モデル生成部45に取得されている。
さらに、認知症の前段状態であることを示す教師データが、学習モデル生成部45に取得されている。
上記のような、操作ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、異常所見有状態の未病として、認知症の前段状態であることを示す診断データが出力されるように、学習モデル46に学習させる。
また、機器の誤操作の頻度が高くても、同じ誤操作が所定回数繰り返していないことを示している操作ログ、又は、機器の誤操作の頻度が高くても、同じ誤操作が所定回数繰り返していないことが記録されている介護データが、学習モデル生成部45に取得されている。
また、周囲の環境の温度を示す環境データが、学習モデル生成部45に取得されている。
さらに、認知症の前段状態ではないことを示す教師データが、学習モデル生成部45に取得されている。
上記のような、操作ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、認知症の前段状態ではないことを示す診断データが出力されるように、学習モデル46に学習させる。
また、機器の誤操作の頻度が高くても、同じ誤操作が所定回数繰り返していないことを示している操作ログ、又は、機器の誤操作の頻度が高くても、同じ誤操作が所定回数繰り返していないことが記録されている介護データが、学習モデル生成部45に取得されている。
また、熱中症を発症する可能性がある危険な温度であることを示す環境データが、学習モデル生成部45に取得されている。このとき、エアコンの冷房モードの運転操作を示す操作ログが、学習モデル生成部45に取得されていない。危険な温度である場合、認知症の前段状態でなければ、診断対象者が冷房モードの運転操作を行うことが想定される。一方、危険な温度であるときに、診断対象者が冷房モードの運転操作を行わない場合、認知症の前段状態である可能性が高い。
さらに、認知症の前段状態であることを示す教師データが、学習モデル生成部45に取得されている。
上記のような、操作ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部45は、学習モデル46から、異常所見有状態の未病として、認知症の前段状態であることを示す診断データが出力されるように、学習モデル46に学習させる。
実施の形態3では、診断対象者の周囲の環境が、正常な環境であるのか、異常な環境であるのかを判定する判定部18を備える未病診断装置1について説明する。
図17は、実施の形態3に係る未病診断装置1のハードウェアを示すハードウェア構成図である。図16及び図17において、図1、図2、図11及び図12と同一符号は同一又は相当部分を示すので説明を省略する。
図16に示す未病診断装置1は、ログ取得部11、介護データ取得部12、環境データ取得部15、未病診断部16、表示処理部14、バイタルデータ取得部17及び判定部18を備えている。
図16に示す未病診断装置1では、バイタルデータ取得部17及び判定部18が、図11に示す未病診断装置1に適用されている。しかし、これは一例に過ぎず、バイタルデータ取得部17及び判定部18が、図1に示す未病診断装置1に適用されているものであってもよい。
バイタルデータ取得部17は、診断対象者のバイタルを示すバイタルデータ、あるいは、診断対象者を介護するスタッフのバイタルを示すバイタルデータを取得する。
バイタルデータ取得部17は、バイタルデータを判定部18に出力する。
判定部18は、診断対象者の周囲の正常な環境と異常な環境との境界を示す境界データと、環境データ取得部15により取得された環境データとを比較する。判定部18は、環境データ取得部15により取得された環境データが、例えば、温度を示すデータであれば、周囲の正常な温度と異常な温度との境界を示す境界データを取得する。境界データとしては、例えば、熱中症の予防を目的とする場合、32度程度の温度を示すデータが考えられる。境界データとしては、例えば、低体温症の予防を目的とする場合、8度程度の温度を示すデータが考えられる。境界データとしては、例えば、二酸化炭素中毒の予防を目的とする場合、3%程度の二酸化炭素濃度を示すデータが考えられる。境界データは、判定部18の内部メモリに格納されていてもよいし、未病診断装置1の外部から与えられるものであってもよい。
判定部18は、境界データと環境データとの比較結果に基づいて、診断対象者の周囲の環境が、正常な環境であるのか、異常な環境であるのかを判定する。
また、判定部18は、バイタルデータ取得部17により取得されたスタッフのバイタルを示すバイタルデータと閾値Th2とを比較し、バイタルデータと閾値Th2との比較結果に基づいて、スタッフのバイタルが、正常であるのか、異常であるのかを判定する。
判定部18は、正常であるのか、異常であるのかを示す判定結果を表示処理部14に出力する。
閾値Th1,Th2は、判定部18の内部メモリに格納されていてもよいし、未病診断装置1の外部から与えられるものであってもよい。閾値Th1と閾値Th2とは、同じ値であってもよいし、互いに異なる値であってもよい。
ログ取得回路21、介護データ取得回路22、環境データ取得回路25、未病診断回路26、表示処理回路24、バイタルデータ取得回路27及び判定回路28のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
未病診断装置1が、ソフトウェア又はファームウェア等によって実現される場合、ログ取得部11、介護データ取得部12、環境データ取得部15、未病診断部16、表示処理部14、バイタルデータ取得部17及び判定部18におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図3に示すメモリ31に格納される。そして、図3に示すプロセッサ32がメモリ31に格納されているプログラムを実行する。
バイタルデータ取得部17及び判定部18以外は、図11に示す未病診断装置1と同様であるため、ここでは、主に、バイタルデータ取得部17及び判定部18の動作について説明する。
バイタルデータ取得部17は、診断対象者に取り付けられているバイタルセンサから、診断対象者のバイタルを示すバイタルデータを取得する。
また、バイタルデータ取得部17は、診断対象者を介護するスタッフに取り付けられているバイタルセンサから、スタッフのバイタルを示すバイタルデータを取得する。
バイタルデータ取得部17は、バイタルデータを判定部18に出力する。
図16に示す未病診断装置1では、バイタルデータ取得部17が、バイタルセンサからバイタルデータを取得している。しかし、これは一例に過ぎず、バイタルデータ取得部17が、診断対象者のバイタル、又は、スタッフのバイタルを管理しているコンピュータ等から、バイタルデータを取得するようにしてもよい。
判定部18は、内部メモリ等に格納している境界データと、環境データ取得部15により取得された環境データとを比較する。
判定部18は、境界データと環境データとの比較結果に基づいて、診断対象者の周囲の環境が、正常な環境であるのか、異常な環境であるのかを判定する。
例えば、熱中症の予防を目的として、32度程度の温度を示す境界データが、内部メモリ等に格納されているとき、環境データが示す温度が境界データ以上であれば、判定部18は、診断対象者の周囲の環境が、異常な環境であると判定する。環境データが示す温度が境界データ未満であれば、判定部18は、診断対象者の周囲の環境が、正常な環境であると判定する。
例えば、低体温症の予防を目的として、8度程度の温度を示す境界データが、内部メモリ等に格納されているとき、環境データが示す温度が境界データ以下であれば、判定部18は、診断対象者の周囲の環境が、異常な環境であると判定する。環境データが示す温度が境界データを上回っていれば、判定部18は、診断対象者の周囲の環境が、正常な環境であると判定する。
例えば、二酸化炭素中毒の予防を目的として、3%程度の二酸化炭素濃度を示す境界データが、内部メモリ等に格納されているとき、環境データが示す二酸化炭素濃度が境界データ以上であれば、判定部18は、診断対象者の周囲の環境が、異常な環境であると判定する。環境データが示す二酸化炭素濃度が境界データ未満であれば、判定部18は、診断対象者の周囲の環境が、正常な環境であると判定する。
判定部18は、診断対象者の周囲の環境が、正常であるのか、異常であるのかを示す判定結果を表示処理部14に出力する。
表示処理部14は、取得した判定結果に基づいて、異常を生じている箇所を表示するための表示データを生成する。異常を生じている箇所は、環境データに含まれている位置データが示すセンサの設置位置である。
表示処理部14は、表示データを表示装置2に出力する。
表示装置2は、表示処理部14から出力された表示データに従って、異常を生じている箇所を画面に表示する。
図18は、施設内において、異常を生じている箇所の一例を示す説明図である。
図18において、“高温注意”が表記されている箇所は、環境データが示す温度が、境界データが示す温度よりも高温になっている異常環境の位置を示している。
“低温注意”が表記されている箇所は、環境データが示す温度が、境界データが示す温度よりも低温になっている異常環境の位置を示している。
“二酸化炭素注意”が表記されている箇所は、環境データが示す二酸化炭素濃度が、境界データが示す二酸化炭素濃度よりも高くなっている異常環境の位置を示している。
図18の例では、施設内の106号室、109号室及び110号室におけるそれぞれの温度が高温になっている。施設内の107号室の温度が低温になっている。施設内の102号室の二酸化炭素濃度が高くなっている。
判定部18は、診断対象者のバイタルを示すバイタルデータと閾値Th1とを比較する。
判定部18は、バイタルデータと閾値Th1との比較結果に基づいて、診断対象者のバイタルが、正常であるのか、異常であるのかを判定する。
例えば、バイタルデータが血圧を示すデータであり、閾値Th1として、正常血圧と高血圧との境界を示す血圧が、内部メモリ等に格納されているとき、バイタルデータが閾値Th1以上であれば、判定部18は、診断対象者のバイタルが異常であると判定する。バイタルデータが閾値Th1未満であれば、判定部18は、診断対象者のバイタルが正常であると判定する。
例えば、バイタルデータが心拍数を示すデータであり、閾値Th1として、正常な心拍数の上限値が、内部メモリ等に格納されているとき、バイタルデータが閾値Th1以上であれば、判定部18は、診断対象者のバイタルが異常であると判定する。バイタルデータが閾値Th1未満であれば、判定部18は、診断対象者のバイタルが正常であると判定する。
判定部18は、診断対象者のバイタルが、正常であるのか、異常であるのかを示す判定結果を表示処理部14に出力する。
表示処理部14は、取得した判定結果に基づいて、バイタルが異常である診断対象者を表示するための表示データを生成する。
表示処理部14は、表示データを表示装置2に出力する。
表示装置2は、表示処理部14から出力された表示データに従って、バイタルが異常である診断対象者を画面に表示する。
図19は、バイタルが異常である診断対象者の一覧を示す説明図である。
図19の例では、施設内の103号室、107号室及び110号室のそれぞれに居住している診断対象者にバイタルの異常があることを示している。
図19において、“血圧上昇”は、診断対象者の血圧が正常な血圧の上限値以上であることを示し、“心拍上昇”は、診断対象者の心拍数が正常な心拍数の上限値以上であることを示している。
判定部18は、スタッフのバイタルを示すバイタルデータと閾値Th2とを比較する。
判定部18は、バイタルデータと閾値Th2との比較結果に基づいて、スタッフのバイタルが、正常であるのか、異常であるのかを判定する。
判定部18は、スタッフのバイタルが、正常であるのか、異常であるのかを示す判定結果を表示処理部14に出力する。
表示処理部14は、取得した判定結果に基づいて、バイタルが異常であるスタッフを表示するための表示データを生成する。
表示処理部14は、表示データを表示装置2に出力する。
表示装置2は、表示処理部14から出力された表示データに従って、バイタルが異常であるスタッフを画面に表示する。例えば、バイタルが異常であるスタッフの氏名と、異常なバイタルの項目とを画面に表示する。
また、表示処理部14が、スタッフの位置と一緒に、介護データ取得部12により取得された介護データが示す介護内容を表示するための表示データを生成するようにしてもよい。これにより、スタッフが、何処で、どのような介護を行っているのかを確認することができる。
また、表示処理部14が、スタッフによる介護内容の履歴を一覧表に表示するための表示データを生成するようにしてもよい。これにより、スタッフによる介護内容を容易に確認することができる。
実施の形態4では、診断対象者の周囲の環境を観測する複数のセンサが設置されている位置等を表示させるための表示データを生成する表示データ生成部19を備える未病診断装置1について説明する。
図21は、実施の形態4に係る未病診断装置1のハードウェアを示すハードウェア構成図である。図20及び図21において、図1、図2、図11、図12、図16及び図17と同一符号は同一又は相当部分を示すので説明を省略する。
図20に示す未病診断装置1は、ログ取得部11、介護データ取得部12、環境データ取得部15、未病診断部16、表示処理部14、バイタルデータ取得部17、判定部18及び表示データ生成部19を備えている。
図20に示す未病診断装置1では、表示データ生成部19が、図16に示す未病診断装置1に適用されている。しかし、これは一例に過ぎず、表示データ生成部19が、図1に示す未病診断装置1、又は、図11に示す未病診断装置1に適用されているものであってもよい。
センサ15a-n(n=1,・・・,N)としては、室温センサ、湿度センサ、照度センサ、気圧センサ、二酸化炭素センサ、汚染観測センサ、臭いセンサ、又は、監視カメラ等が該当する。
表示データ生成部19は、センサ15a-nが設置されている位置と、センサ15a-nから出力された環境データとを画面に表示させるための表示データを生成する。
表示データ生成部19は、表示データを表示装置2に出力する。
ログ取得回路21、介護データ取得回路22、環境データ取得回路25、未病診断回路26、表示処理回路24、バイタルデータ取得回路27、判定回路28及び表示データ生成回路29のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
未病診断装置1が、ソフトウェア又はファームウェア等によって実現される場合、ログ取得部11、介護データ取得部12、環境データ取得部15、未病診断部16、表示処理部14、バイタルデータ取得部17、判定部18及び表示データ生成部19におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図3に示すメモリ31に格納される。そして、図3に示すプロセッサ32がメモリ31に格納されているプログラムを実行する。
表示データ生成部19以外は、図16に示す未病診断装置1と同様であるため、ここでは、主に、表示データ生成部19の動作について説明する。
表示データ生成部19は、環境データ取得部15が備えているセンサ15a-nから出力される環境データを取得する。環境データには、センサ15a-nの設置位置を示す位置データが含まれている。
図20に示す未病診断装置1では、環境データが、センサ15a-nの設置位置を示す位置データを含んでいる。しかし、これは一例に過ぎず、表示データ生成部19の内部メモリが、センサ15a-nの設置位置を示す位置データを格納していてもよい。
表示データ生成部19は、センサ15a-nが設置されている位置と、センサ15a-nから出力された環境データとを画面に表示させるための表示データを生成する。
表示データ生成部19は、表示データを表示装置2に出力する。
図22は、センサ15a-nが設置されている位置と、センサ15a-nから出力された環境データとの表示例を示す説明図である。
図22において、“●”は、センサ15a-nが設置されている位置を示し、“△△”は、センサ15a-nから出力される環境データを示している。
実施の形態5では、骨格解析部71から出力された骨格データに従って、診断対象者の骨格の動きを画面に表示させるための表示データを生成する表示データ生成部72を備える未病診断装置1について説明する。
図24は、実施の形態5に係る未病診断装置1のハードウェアを示すハードウェア構成図である。図23及び図24において、図1、図2、図11、図12、図16、図17、図20及び図21と同一符号は同一又は相当部分を示すので説明を省略する。
図23に示す未病診断装置1は、ログ取得部11、介護データ取得部12、環境データ取得部15、未病診断部16、表示処理部14、バイタルデータ取得部17、判定部18、骨格解析部71及び表示データ生成部72を備えている。
図23に示す未病診断装置1では、骨格解析部71及び表示データ生成部72が、図20に示す未病診断装置1に適用されている。しかし、これは一例に過ぎず、骨格解析部71及び表示データ生成部72が、図1に示す未病診断装置1、図11に示す未病診断装置1、又は、図16に示す未病診断装置1に適用されているものであってもよい。
骨格解析部71は、例えば、図24に示す骨格解析回路81によって実現される。
骨格解析部71は、ログ取得部11により取得された映像データから診断対象者の骨格の動きを解析する。骨格の動きを解析して、骨格の動きを示す骨格データを生成する処理自体は、公知の技術であるため詳細な説明を省略する。
骨格解析部71は、診断対象者の骨格の動きを示す骨格データを表示データ生成部72に出力する。
表示データ生成部72は、図20に示す表示データ生成部19と同様に、センサ15a-nが設置されている位置と、センサ15a-nから出力された環境データとを画面に表示させるための表示データを生成する。
また、表示データ生成部72は、骨格解析部71から出力された骨格データに従って、診断対象者の骨格の動きを画面に表示させるための表示データを生成する。
表示データ生成部72は、表示データを表示装置2に出力する。
ログ取得回路21、介護データ取得回路22、環境データ取得回路25、未病診断回路26、表示処理回路24、バイタルデータ取得回路27、判定回路28、骨格解析回路81及び表示データ生成回路82のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
未病診断装置1が、ソフトウェア又はファームウェア等によって実現される場合、ログ取得部11、介護データ取得部12、環境データ取得部15、未病診断部16、表示処理部14、バイタルデータ取得部17、判定部18、骨格解析部71及び表示データ生成部72におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図3に示すメモリ31に格納される。そして、図3に示すプロセッサ32がメモリ31に格納されているプログラムを実行する。
骨格解析部71及び表示データ生成部72以外は、図20に示す未病診断装置1と同様であるため、ここでは、主に、骨格解析部71及び表示データ生成部72の動作について説明する。
ログ取得部11は、診断対象者を撮影しているカメラの映像データを取得し、カメラの映像データを骨格解析部71に出力する。
骨格解析部71は、カメラの映像データから診断対象者の骨格の動きを解析し、骨格の動きを示す骨格データを生成する。
骨格解析部71は、診断対象者の骨格の動きを示す骨格データを表示データ生成部72に出力する。
表示データ生成部72は、骨格データに従って、診断対象者の骨格の動きを画面に表示させるための表示データを生成する。
表示データ生成部19は、表示データを表示装置2に出力する。
図25は、診断対象者の骨格の動きを示す説明図である。
図25の例は、時刻がt=1、t=2,t=3での診断対象者の骨格を示している。t=1では、診断対象者が正常に歩行しているが、t=2では、診断対象者が転びかけており、t=3では、診断対象者が転んでいる。
実施の形態6では、ログ取得部11により取得されたログが示す睡眠の状態変化と、環境データ取得部15により取得された環境データが示すエアコンの運転状況とを画面に表示させるための表示データを生成する表示データ生成部73を備える未病診断装置1について説明する。
図27は、実施の形態6に係る未病診断装置1のハードウェアを示すハードウェア構成図である。図26及び図27において、図1、図2、図11、図12、図16、図17、図20、図21、図23及び図24と同一符号は同一又は相当部分を示すので説明を省略する。
図26に示す未病診断装置1は、ログ取得部11、介護データ取得部12、環境データ取得部15、未病診断部16、表示処理部14及び表示データ生成部73を備えている。
図26に示す未病診断装置1では、表示データ生成部73が、図11に示す未病診断装置1に適用されている。しかし、これは一例に過ぎず、表示データ生成部73が、図1に示す未病診断装置1、図16に示す未病診断装置1、図20に示す未病診断装置1、又は、図23に示す未病診断装置1に適用されているものであってもよい。
図26に示す未病診断装置1では、環境データ取得部15が、診断対象者の周囲の環境を示す環境データとして、エアコンの運転状況を示す環境データを取得する。
表示データ生成部73は、ログ取得部11により取得された睡眠ログが示す睡眠の状態変化と、環境データ取得部15により取得された環境データが示すエアコンの運転状況とを画面に表示させるための表示データを生成する。
表示データ生成部73は、表示データを表示装置2に出力する。
ログ取得回路21、介護データ取得回路22、環境データ取得回路25、未病診断回路26、表示処理回路24及び表示データ生成回路83のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
未病診断装置1が、ソフトウェア又はファームウェア等によって実現される場合、ログ取得部11、介護データ取得部12、環境データ取得部15、未病診断部16、表示処理部14及び表示データ生成部73におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図3に示すメモリ31に格納される。そして、図3に示すプロセッサ32がメモリ31に格納されているプログラムを実行する。
表示データ生成部73以外は、図11に示す未病診断装置1と同様であるため、ここでは、主に、表示データ生成部73の動作について説明する。
図26に示す未病診断装置1では、ログ取得部11が、診断対象者における身体の変化を示すログとして、診断対象者における睡眠の状態変化を示す睡眠ログを取得する。
ログ取得部11は、睡眠ログを表示データ生成部73に出力する。
環境データ取得部15は、診断対象者の周囲の環境を示す環境データとして、エアコンの運転状況を示す環境データを取得する。
環境データ取得部15は、エアコンの運転状況を示す環境データを表示データ生成部73に出力する。
表示データ生成部73は、図28に示すように、睡眠ログが示す睡眠の状態変化を示す睡眠トラッカーと、環境データが示すエアコンの運転状況とを画面に表示させるための表示データを生成する。
表示データ生成部73は、表示データを表示装置2に出力する。
図28は、睡眠の状態変化とエアコンの運転状況とを示す説明図である。
図28の例は、複数の診断対象者のうち、101号室の「〇△〇様」の睡眠の状態変化を示す睡眠トラッカーと、101号室のエアコンの運転状況とを示している。
また、未病診断装置1は、外部から取得したデータと、学習モデル43,46から取得した診断データとから、診断対象者の危険度を予測し、危険度を示す予測データを、図示せぬ外部装置に送信するようにしてもよい。
普段と異なる行動としては、例えば、診断対象者の歩行速度が、普段の歩行速度よりも遅くなっており、遅くなっている割合が、事前に設定されている基準値よりも大きい場合が想定される。
また、普段と異なる行動としては、例えば、診断対象者が着ている服におけるボタンの掛け違いが、複数日捉えられる場合が想定される。
Claims (15)
- 未病の診断対象者における身体の変化を示すログを取得するログ取得部と、
前記診断対象者に対する介護内容を示す介護データを取得する介護データ取得部と、
前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データとを学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病を示す診断データを取得する未病診断部と
を備えた未病診断装置。 - 前記ログ取得部は、前記診断対象者における身体の変化を示すログとして、前記診断対象者における睡眠の状態変化を示すログを取得し、
前記介護データ取得部は、前記診断対象者に対する介護内容を示す介護データとして、前記診断対象者における睡眠薬の服用の有無、又は、前記診断対象者の運動量が記録されている介護データを取得し、
前記未病診断部は、前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データとを前記学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病として、不眠症の前段状態であることを示す診断データを取得することを特徴とする請求項1記載の未病診断装置。 - 前記ログ取得部は、前記診断対象者における身体の変化を示すログとして、前記診断対象者における食事中の状態変化を示すログを取得し、
前記介護データ取得部は、前記診断対象者に対する介護内容を示す介護データとして、前記診断対象者の食事内容が記録されている介護データを取得し、
前記未病診断部は、前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データとを前記学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病として、誤嚥性肺炎の前段状態であることを示す診断データを取得することを特徴とする請求項1記載の未病診断装置。 - 前記ログ取得部は、前記診断対象者における身体の変化を示すログとして、前記診断対象者における歩行の状態変化を示すログを取得し、
前記介護データ取得部は、前記診断対象者に対する介護内容を示す介護データとして、前記診断対象者の歩行量が記録されている介護データを取得し、
前記未病診断部は、前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データとを前記学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病として、歩行障害の前段状態であることを示す診断データを取得することを特徴とする請求項1記載の未病診断装置。 - 前記ログ取得部は、前記診断対象者における身体の変化を示すログの代わりに、前記診断対象者による機器の操作履歴を示すログを取得し、
前記介護データ取得部は、前記診断対象者に対する介護内容を示す介護データとして、前記診断対象者による機器の誤操作が記録されている介護データを取得し、
前記未病診断部は、前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データとを前記学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病として、認知症の前段状態であることを示す診断データを取得することを特徴とする請求項1記載の未病診断装置。 - 前記診断対象者の周囲の環境を示す環境データを取得する環境データ取得部を備え、
前記未病診断部は、前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データと、前記環境データ取得部により取得された環境データとを前記学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病を示す診断データを取得することを特徴とする請求項1記載の未病診断装置。 - 前記診断対象者の周囲の正常な環境と異常な環境との境界を示す境界データと、前記環境データ取得部により取得された環境データとを比較し、前記境界データと前記環境データとの比較結果に基づいて、前記診断対象者の周囲の環境が、正常な環境であるのか、異常な環境であるのかを判定する判定部を備えたことを特徴とする請求項6記載の未病診断装置。
- 前記診断対象者のバイタルを示すバイタルデータを取得するバイタルデータ取得部と、
前記バイタルデータ取得部により取得されたバイタルデータと閾値とを比較し、前記バイタルデータと前記閾値との比較結果に基づいて、前記診断対象者のバイタルが、正常であるのか、異常であるのかを判定する判定部と
を備えたことを特徴とする請求項1記載の未病診断装置。 - 前記診断対象者を介護するスタッフのバイタルを示すバイタルデータを取得するバイタルデータ取得部と、
前記バイタルデータ取得部により取得されたスタッフのバイタルデータと閾値とを比較し、前記スタッフのバイタルデータと前記閾値との比較結果に基づいて、前記スタッフのバイタルが、正常であるのか、異常であるのかを判定する判定部と
を備えたことを特徴とする請求項1記載の未病診断装置。 - 前記環境データ取得部は、前記診断対象者の周囲の環境を観測する複数のセンサのそれぞれから、環境の観測結果を示す環境データを取得し、
それぞれのセンサが設置されている位置と、それぞれのセンサから出力された環境データとを画面に表示させるための表示データを生成する表示データ生成部を備えたことを特徴とする請求項6記載の未病診断装置。 - 前記ログ取得部は、前記診断対象者における身体の変化を示すログとして、前記診断対象者を撮影しているカメラの映像データを取得し、
前記ログ取得部により取得された映像データから前記診断対象者の骨格の動きを解析し、前記診断対象者の骨格の動きを示す骨格データを出力する骨格解析部と、
前記骨格解析部から出力された骨格データに従って、前記診断対象者の骨格の動きを画面に表示させるための表示データを生成する表示データ生成部と
を備えたことを特徴とする請求項1記載の未病診断装置。 - 前記ログ取得部は、前記診断対象者における身体の変化を示すログとして、前記診断対象者における睡眠の状態変化を示すログを取得し、
前記環境データ取得部は、前記診断対象者の周囲の環境を示す環境データとして、エアコンの運転状況を示す環境データを取得し、
前記ログ取得部により取得されたログが示す睡眠の状態変化と、前記環境データ取得部により取得された環境データが示すエアコンの運転状況とを画面に表示させるための表示データを生成する表示データ生成部を備えたことを特徴とする請求項6記載の未病診断装置。 - ログ取得部が、未病の診断対象者における身体の変化を示すログを取得し、
介護データ取得部が、前記診断対象者に対する介護内容を示す介護データを取得し、
未病診断部が、前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データとを学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病を示す診断データを取得する
未病診断方法。 - 未病の診断対象者における身体の変化を示すログを取得し、前記診断対象者に対する介護内容を示す介護データを取得し、前記診断対象者に生じる可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得するデータ取得部と、
前記データ取得部により取得されたログ、介護データ及び教師データのそれぞれを用いて、前記可能性の有る未病を学習し、未病の診断対象者における身体の変化を示すログと、未病の診断対象者に対する介護内容を示す介護データとが与えられると、診断対象者に生じている可能性の有る未病を示す診断データを出力する学習モデルを生成する学習モデル生成部と
を備えた学習モデル生成装置。 - 前記データ取得部は、未病の診断対象者における身体の変化を示すログを取得し、前記診断対象者に対する介護内容を示す介護データを取得し、前記診断対象者の周囲の環境を示す環境データを取得し、前記診断対象者に生じる可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得し、
前記学習モデル生成部は、前記データ取得部により取得されたログ、介護データ、環境データ及び教師データのそれぞれを用いて、前記可能性の有る未病を学習し、未病の診断対象者における身体の変化を示すログと、未病の診断対象者に対する介護内容を示す介護データと、未病の診断対象者の周囲の環境を示す環境データとが与えられると、診断対象者に生じている可能性の有る未病を示す診断データを出力する学習モデルを生成することを特徴とする請求項14記載の学習モデル生成装置。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE112021005880.0T DE112021005880T5 (de) | 2021-01-15 | 2021-01-15 | Präsymptomatische krankheitsdiagnoseeinrichtung, präsymptomatisches krankheitsdiagnoseverfahren und trainiertes-modell-erzeugungseinrichtung |
JP2021525065A JP6949277B1 (ja) | 2021-01-15 | 2021-01-15 | 未病診断装置、未病診断方法及び学習モデル生成装置 |
CN202180089570.0A CN116670704A (zh) | 2021-01-15 | 2021-01-15 | 未病诊断装置、未病诊断方法以及学习模型生成装置 |
PCT/JP2021/001142 WO2022153469A1 (ja) | 2021-01-15 | 2021-01-15 | 未病診断装置、未病診断方法及び学習モデル生成装置 |
US18/213,291 US20230335240A1 (en) | 2021-01-15 | 2023-06-23 | Presymptomatic disease diagnosis device, presymptomatic disease diagnosis method, and trained model generation device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/001142 WO2022153469A1 (ja) | 2021-01-15 | 2021-01-15 | 未病診断装置、未病診断方法及び学習モデル生成装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
US18/213,291 Continuation US20230335240A1 (en) | 2021-01-15 | 2023-06-23 | Presymptomatic disease diagnosis device, presymptomatic disease diagnosis method, and trained model generation device |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022153469A1 true WO2022153469A1 (ja) | 2022-07-21 |
Family
ID=78001422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2021/001142 WO2022153469A1 (ja) | 2021-01-15 | 2021-01-15 | 未病診断装置、未病診断方法及び学習モデル生成装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230335240A1 (ja) |
JP (1) | JP6949277B1 (ja) |
CN (1) | CN116670704A (ja) |
DE (1) | DE112021005880T5 (ja) |
WO (1) | WO2022153469A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023132202A1 (ja) * | 2022-01-05 | 2023-07-13 | ソニーグループ株式会社 | 情報処理装置、情報処理方法およびプログラム |
WO2023182162A1 (ja) * | 2022-03-23 | 2023-09-28 | 大塚製薬株式会社 | コンピュータプログラム、情報処理装置及び方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015050174A1 (ja) * | 2013-10-01 | 2015-04-09 | 国立大学法人東北大学 | 健康情報処理装置、健康情報表示装置及び方法 |
JP2017102654A (ja) * | 2015-12-01 | 2017-06-08 | 株式会社ビズフォース | 未病電子カルテ提示装置とその提示方法 |
JP2017104289A (ja) * | 2015-12-09 | 2017-06-15 | 株式会社東芝 | 認知症判定装置、認知症判定システム、認知症判定方法、およびプログラム |
JP2017202060A (ja) * | 2016-05-10 | 2017-11-16 | 株式会社北電子 | 情報処理装置及び情報処理プログラム |
JP2020031730A (ja) * | 2018-08-27 | 2020-03-05 | 株式会社Nttドコモ | データ収集解析装置及びデータ収集解析方法 |
JP2020510909A (ja) * | 2017-02-09 | 2020-04-09 | コグノア,インク. | デジタル個別化医療のためのプラットフォームとシステム |
US20200155078A1 (en) * | 2018-11-16 | 2020-05-21 | International Business Machines Corporation | Health monitoring using artificial intelligence based on sensor data |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7316038B2 (ja) | 2018-03-08 | 2023-07-27 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 事象予測システム、センサ信号処理システム及びプログラム |
-
2021
- 2021-01-15 JP JP2021525065A patent/JP6949277B1/ja active Active
- 2021-01-15 WO PCT/JP2021/001142 patent/WO2022153469A1/ja active Application Filing
- 2021-01-15 DE DE112021005880.0T patent/DE112021005880T5/de active Pending
- 2021-01-15 CN CN202180089570.0A patent/CN116670704A/zh active Pending
-
2023
- 2023-06-23 US US18/213,291 patent/US20230335240A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015050174A1 (ja) * | 2013-10-01 | 2015-04-09 | 国立大学法人東北大学 | 健康情報処理装置、健康情報表示装置及び方法 |
JP2017102654A (ja) * | 2015-12-01 | 2017-06-08 | 株式会社ビズフォース | 未病電子カルテ提示装置とその提示方法 |
JP2017104289A (ja) * | 2015-12-09 | 2017-06-15 | 株式会社東芝 | 認知症判定装置、認知症判定システム、認知症判定方法、およびプログラム |
JP2017202060A (ja) * | 2016-05-10 | 2017-11-16 | 株式会社北電子 | 情報処理装置及び情報処理プログラム |
JP2020510909A (ja) * | 2017-02-09 | 2020-04-09 | コグノア,インク. | デジタル個別化医療のためのプラットフォームとシステム |
JP2020031730A (ja) * | 2018-08-27 | 2020-03-05 | 株式会社Nttドコモ | データ収集解析装置及びデータ収集解析方法 |
US20200155078A1 (en) * | 2018-11-16 | 2020-05-21 | International Business Machines Corporation | Health monitoring using artificial intelligence based on sensor data |
Also Published As
Publication number | Publication date |
---|---|
JPWO2022153469A1 (ja) | 2022-07-21 |
CN116670704A (zh) | 2023-08-29 |
US20230335240A1 (en) | 2023-10-19 |
JP6949277B1 (ja) | 2021-10-13 |
DE112021005880T5 (de) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9019099B2 (en) | Systems and methods for patient monitoring | |
JP5841196B2 (ja) | ヒトの健康に関する残差ベースの管理 | |
Jeddi et al. | Remote patient monitoring using artificial intelligence | |
US20230335240A1 (en) | Presymptomatic disease diagnosis device, presymptomatic disease diagnosis method, and trained model generation device | |
JP6558700B2 (ja) | 病気診断装置 | |
JP7197475B2 (ja) | 患者モニタリング・システムおよび方法 | |
JP6273631B2 (ja) | 健康状態判定装置 | |
US20210142913A1 (en) | Diagnosis support device, diagnosis support method, and non-transitory recording medium storing diagnosis support program | |
US20220192556A1 (en) | Predictive, diagnostic and therapeutic applications of wearables for mental health | |
Baig et al. | Wireless remote patient monitoring in older adults | |
Halamka et al. | The digital reconstruction of health care | |
US20140296733A1 (en) | Inter-rater and intra-rater reliability of physiological scan interpretation | |
JP2019155071A (ja) | 事象予測システム、センサ信号処理システム、事象予測方法及びプログラム | |
Ogbuabor et al. | Context-aware system for cardiac condition monitoring and management: a survey | |
Gederi et al. | Fusion of image and signal processing for the detection of obstructive sleep apnea | |
Baig | Smart vital signs monitoring and novel falls prediction system for older adults | |
KR20220082965A (ko) | 개인 건강 관리를 위한 디지털돌봄 지원시스템, 서버 및 이의 제공 방법 | |
WO2018235466A1 (ja) | 情報処理方法、情報処理装置、および情報処理システム | |
JP7467033B2 (ja) | 診療情報処理装置 | |
JP2021174189A (ja) | サービスのメニューの作成を支援する方法、サービスの利用者の評価を支援する方法、当該方法をコンピューターに実行させるプログラム、および、情報提供装置 | |
US20160228067A1 (en) | System and method for intelligent monitoring of patient vital signs | |
Pimentel | Modelling of vital-sign data from post-operative patients | |
Rai et al. | Automated analysis and detection of epileptic seizures in video recordings using artificial intelligence | |
Pourpanah et al. | Exploring the Landscape of Ubiquitous In-home Health Monitoring: A Comprehensive Survey | |
US20240188880A1 (en) | Information processing apparatus, information processing system, and information processing method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
ENP | Entry into the national phase |
Ref document number: 2021525065 Country of ref document: JP Kind code of ref document: A |
|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21919362 Country of ref document: EP Kind code of ref document: A1 |
|
WWE | Wipo information: entry into national phase |
Ref document number: 112021005880 Country of ref document: DE Ref document number: 202180089570.0 Country of ref document: CN |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21919362 Country of ref document: EP Kind code of ref document: A1 |