患者状态的预测装置、预测方法、以及预测程序与流程

1.本发明涉及预测患者的病情变化、异常的技术。


背景技术：

2.在icu(重症监护室)中，监视与患者的呼吸、循环、中枢、免疫、肾功能、血液等有关的生命数据(生物体信息)，并进行患者的分诊，但伴随着患者数量的增加、以icu为专业的医生、护士的人手不足，减轻现场的负荷是紧迫的问题。
3.为了消除该问题，近年来正在进行使用患者的生物体信息、诊疗信息，预测患者的病情变化、病情加重的预兆，并应用于医生的诊断辅助的研究开发。在专利文献1中，公开了利用了机器学习的预测技术。具体地说，记载了以下的技术，即，使用多个生物体信息，生成基于规则的线性模型的学习参数，应用该学习参数并对实际的患者预测患者风险。
4.现有技术文献
5.专利文献
6.专利文献1：美国专利申请公开第2018/0025290号说明书


技术实现要素：

7.发明要解决的问题
8.在利用了普通的机器学习的预测技术中，需要使用于生成学习模型的学习数据的种类与用于在应用中进行预测(推论)的输入数据的种类一致。另外，为了得到更高的预测精度，理想的是充分灵活利用被认为对患者病情的预测产生很大贡献的患者的诊疗记录、检查结果等诊疗信息，用于学习和推论。但是，在运用icu的各种医院、设施中，所记录的患者的生物体信息、诊疗信息的种类、数量根据设施而不同的可能性高。因此，一般在多个设施中共通地记录在学习预测模型时使用的学习数据，并且只限于能够输入到预测系统的患者生物体信息、患者诊疗信息。例如在专利文献1中，为了将生成的详细参数应用于推论而得到理想的预测结果，其前提是学习用生物体信息与推论用生物体信息是相同种类数量。而且，没有使用患者的诊疗信息。
9.本发明的课题在于，提供即使由设施得到的患者信息不同，通过输入所得到的患者信息，也能够与使用了更多种类、数量的患者信息时同样地，高精度地预测患者风险的预测方法和预测装置。
10.解决问题的方案
11.为了解决上述问题，本发明在患者状态的预测中，生成对融合了多个患者生物体信息和患者诊疗信息而得的特征量或综合了多项生物体信息而得的特征量与个别的患者生物体信息的关系性进行了学习的学习模型，并组合到预测患者风险的预测模型中。该预测模型通过输入种类、数量与学习模型的学习数据不一致的患者信息，由此预测并输出患者风险。
12.具体地说，本发明的预测装置具备：特征量提取部，其输入患者的生物体信息，提
取该生物体信息的特征量；特征量变动部，其输入特征量提取部提取出的生物体信息的特征量，输出患者信息的综合特征量的预测值，该患者信息包含与输入到特征量提取部的生物体信息不同的生物体信息；状态预测部，其输入综合特征量的预测值，输出患者的风险信息。综合特征量是将针对包含多个生物体信息的患者信息分别提取出的特征量综合而得的特征量，并按照每个患者信息生成。特征量变动部使用所制作的综合特征量、各个生物体信息的特征量，学习其关系性。
13.另外，本发明的预测方法包括：解析步骤，解析包含多个生物体信息的患者信息，按照患者信息的每个种类、或生物体信息的每个项目提取患者信息的特征量；综合步骤，将按照每个种类或每个项目提取出的特征量综合并生成综合特征量(融合特征量)；学习每个种类或每个项目的特征量与综合特征量的关系性的步骤；特征量变动步骤，将特定的生物体信息的特征量作为输入，根据在学习步骤中得到的关系性，预测综合特征量的预测值；以及预测步骤，使用综合特征量的预测值，预测特定的患者的状态。
14.发明效果
15.根据本发明，在个别的设施中运用时，即使输入到该预测模型的患者信息(生物体信息和诊疗信息)的种类、数量与学习数据的种类、数量不一致，也能够进行与基于多种生物体信息和诊疗信息的推论同样的推论，从而能够高精度地预测患者状态。
附图说明
16.图1是表示本发明的预测装置的结构的一个例子的框图。
17.图2是表示实施方式1的预测装置的硬件结构的一个例子的框图。
18.图3是表示实施方式1的预测方法的处理的概要的图，其中，(a)是表示学习时的处理的图，(b)是表示推论时的处理的图。
19.图4是表示实施方式1的预测模型的学习时的处理流程的流程图。
20.图5是表示实施方式1的生物体信息解析部(特征量提取部)的结构的图，其中，(a)～(c)分别表示不同的结构例子。
21.图6是表示实施方式1的诊疗信息解析部(特征量提取部)的结构的图。
22.图7是表示实施方式1的与特征量处理部的学习有关的结构的图。
23.图8是表示实施方式1的状态预测部的结构的图。
24.图9是表示实施方式1的预测模型的推论时的处理流程的流程图。
25.图10是表示实施方式1的与特征量处理部的推论有关的结构的图。
26.图11中的(a)～(c)分别是表示实施方式1的预测装置的预测结果的输出例子的图。
27.图12是表示实施方式2的预测方法的处理的概要的图，其中，(a)是表示学习时的处理的图，(b)是表示推论时的处理的图。
28.图13是表示实施方式2的预测模型的学习时的处理流程的流程图。
29.图14是表示实施方式2的与特征量变动部的学习有关的结构的图。
30.图15是表示实施方式2的预测模型的推论时的处理流程的流程图。
31.图16是表示实施方式2的与特征量变动部的推论有关的结构的图。
32.附图标记说明
33.1：cpu；4：存储装置；6：患者信息输入部；10：运算部；11、11b、12b：生物体信息解析部(特征量提取部)；12、120：特征量综合部；13、13b：特征量变动学习部；15、15b：状态预测部；16：诊疗信息解析部；20：用户接口部；60：输入装置；70：显示器；100、100a、100b：预测装置；110、100b：特征量提取部；130：特征量变动部；130b：生物体信息解析部(特征量提取部)；150、150b：状态预测部。
具体实施方式
34.以下，根据附图详细说明本发明的实施方式。此外，在用于说明实施方式的全部图中，原则上对相同的部分赋予相同的附图标记，省略其重复的说明。
35.首先，参照图1说明在各实施方式中共通的预测装置的整体结构。
36.如图1所示，预测装置100具备：特征量提取部110，其输入患者的生物体信息，提取该生物体信息的特征量；特征量变动部130，其输入特征量提取部110提取出的生物体信息的特征量，输出患者信息的综合特征量的预测值，该患者信息包含与输入到特征量提取部110的生物体信息不同的多个生物体信息；状态预测部150，其输入综合特征量的预测值，输出患者的风险信息。
37.构成预测装置100的特征量提取部110、特征量变动部130、以及状态预测部150能够由学习模型构成一部分或全部。学习模型以针对规定的输入得到规定的输出的方式进行学习。
38.预测装置100可以还具备：特征量综合部120，其输入针对包含多个生物体信息的患者信息分别提取出的特征量，作为特征量变动部130的学习数据，生成综合特征量。也能够通过特征量提取部110提取输入到特征量综合部120的患者信息的特征量。另外，也可以在特征量综合部120的后级具备从综合特征量复原患者信息的特征量的特征量复原部140，由此能够根据特征量复原部140复原的特征量，确认学习模型的学习效果。也能够以包含编码器和解码器的学习模型构筑特征量综合部120和特征量复原部140。
39.本实施方式的预测装置100还可以具备用于向特征量提取部110输入数据、输入针对各处理的指令的输入装置170、用于输出预测部150的预测信息的输出装置180、用于存储处理中途的数据、处理结果的存储装置190等。另外，在存储装置190中，也可以存储用于后述的预测装置100的学习的学习数据等。进而，预测装置100也可以经由通信单元等与医疗机关内的数据库连接。
40.以下，说明各部的功能的概要。
41.特征量提取部110从生物体信息测量装置(未图示)直接、或经由输入装置170、或经由存储装置190(包含数据库)，取得生物体信息和诊疗信息，提取它们的特征量。生物体信息是血压、心跳、氧饱和度、呼吸数、体温等通过测量得到的时序的测量信息。诊疗信息是性别、年龄、体重、习惯(吸烟、饮酒)等在诊疗时得到的信息。在此，将生物体信息和诊疗信息统称为患者信息。特征量的提取例如既可以是时序数据的平均值、最大值等统计数值的提取(基于规则的提取)，也可以是利用了特征提取算法、机器学习(神经网络：包括dnn)的提取。例如可以以高维的向量的形式生成特征量。
42.在预测装置100的学习阶段，特征量提取部110针对多个患者信息进行特征量的提取。作为多个患者信息，例如既可以分别使用如患者的生物体信息和诊疗信息那样种类不
同的多个患者信息，也可以使用相同种类的多项患者信息(生物体信息)。在输入生物体信息和诊疗信息的情况下，针对它们提取特征量。另外，在输入多项生物体信息的情况下，提取项目对应的特征量。
43.特征量综合部120输入多个患者信息的特征量，对它们进行综合而制作综合特征量。对于综合特征量而言，与输入的患者信息的种类、项目对应地，得到多个综合特征量。各个综合特征量是将种类、数量多的特征量变换为容易处理的一个或低维的特征量所得的结果，例如在2个以上的患者信息的特征量是种类不同的患者信息的特征量的情况下(例如在生物体信息和诊疗信息的各特征量的情况下)，可以设为将它们结合所得的融合特征量，而在多个特征量的情况下，可以设为对由多维向量构成的特征量进行压缩所得的特征量(压缩特征量)。
44.特征量变动部130在学习阶段，进行使特征量综合部120生成的多个综合特征量与各个生物体信息的特征量关联起来的学习。由此，在推论阶段，输入一个生物体信息，输出与之关联的综合特征量。例如能够通过基于自动编码法的学习模型(分别由神经网络构成的编码器和解码器的组)来实现这些特征量变动部130的功能。
45.特征量复原部140可以设置在特征量综合部120的后级，输出特征量变动部的学习结果、复原后的患者信息。可以为了确认学习的效果、确认推论时的处理结果而显示该输出。
46.状态预测部150输入特征量变动部130的输出即综合特征量，输出患者风险信息。状态预测部150也可以由神经网络nn(包含dnn)等机器学习算法构成，通过将在特征量变动部130的学习时得到的多个综合特征量和患者风险信息作为学习数据进行学习，由此得到构成预测部150的预测模型。
47.患者风险信息例如包括对生物体信息的多个测量项目进行加权相加而得到的以评分的形式计算出的信息、将其进一步设为文本信息所得的信息等。将预测部150的预测结果显示到输出装置180。
48.在以上结构的预测装置100中，在学习阶段，特征量提取部110使用多个患者信息，提取各自的特征量，特征量综合部120使用这些特征量制作综合特征量，并且特征量变动部130使从生物体信息提取出的生物体信息特征量与特征量综合部120制作的综合特征量关联起来，以能够输出与特定的生物体信息对应的综合特征量(预测值)的方式进行学习。状态预测部150将综合特征量作为输入，进行学习使得输出患者风险。
49.在推论阶段，如果输入从预测对象的患者得到的生物体信息，则特征量提取部110提取所输入的生物体信息的特征量，特征量变动部130根据提取的特征量输出综合特征量的预测值。状态预测部150输入特征量变动部130的输出的预测值，输出患者的风险信息。由此，能够进行患者风险的预测。
50.根据本实施方式的预测装置，即使能够在每个设施中利用的患者信息不同，通过只输入由此得到的生物体信息，也能够预测患者的病情变化等。不只根据特定的生物体信息，还根据对于判断患者状态来说重要的患者信息进行预测，因此将进行高精度的预测。
51.将上述的预测装置的实施方式的结构作为基本，以下说明预测装置的各部的详细和预测方法的实施方式。
52.<实施方式1>
53.本实施方式一种预测方法，其包括以下步骤：解析步骤，分别解析患者的生物体信息和生物体信息以外的患者诊疗信息，提取特征量；融合步骤，融合生物体信息特征量和诊疗信息特征量，生成融合特征量；学习步骤，学习生物体信息特征量与诊疗信息特征量的关系性；特征量变动学习步骤，只根据生物体信息的输入，通过特征量关系性学习，预测融合特征量；以及预测步骤，使用通过特征量变动学习得到的预测融合特征量，预测患者状态。
54.以下，详细说明实施方式1的预测装置100a的具体结构例。在图2中表示预测装置100a的整体结构的一个例子。预测装置100a大致区分由运算部10和用户界面(ui)部20构成，运算部10与ui部20通过总线5相互连接。
55.运算部10具备cpu(处理器)1、存储器2、3。作为存储器，例如具备rom(非易失性存储器：只读的存储介质)2、ram(易失性存储器：能够进行数据的读写的存储介质)3。进而，也可以连接外部存储装置4。
56.ui部20具备用于接受来自外部的数据、指令的输入部、以及用于输出预测装置100a的结果、gui等的输出部。输入部例如具备与医疗机关等的患者信息记录装置40连接的患者信息输入部6、接受从usb等记录介质50的输入的介质输入部7、接受从鼠标、键盘等输入装置60的输入的输入控制部8。作为输出部，在图示的例子中，具备显示控制部9，显示控制部9与显示器70连接。
57.在存储器(rom2和ram3)中的至少一方，预先存储有为了通过cpu1的运算处理实现预测装置100a的动作所需要的程序、数据、预测模型。通过由cpu1执行预先存储在存储器中的程序，来实现后面详细说明的预测装置100a的各种处理。此外，cpu1执行的程序例如也可以存储在光盘等存储介质50中，使得光盘驱动器等介质输入部7读入该程序并存储到ram3中。另外，也可以将该程序存储在存储装置4中，将该程序从存储装置4装载到ram3。另外，也可以将该程序预先存储在rom2中。
58.患者信息输入部6是用于取得存储在患者信息记录装置40中的患者的生物体信息和诊疗信息的接口。存储装置4是存储经由患者信息输入部6输入的患者生物体信息等的磁记录装置。存储装置4例如也可以具备闪存等非易失性半导体存储介质。另外，也可以利用经由网络等连接的外部存储装置。
59.输入装置60是接受用户的操作的装置，例如包含键盘、轨迹球、操作面板等。输入控制部8是接受由用户输入的操作输入的接口。通过cpu1处理输入控制部8接受的操作输入。显示控制部9例如进行将通过cpu1的处理得到的患者信息和预测结果显示到显示器70的控制。显示器70在显示控制部9的控制下显示患者信息和预测结果。
60.本实施方式的预测装置100a使用装载到cpu1中的预测模型，根据生物体信息进行患者的状态预测。为了实现预测模型的预测功能，首先进行构成预测装置100a的机器学习模型的学习，进行使用了该已学习的模型、即预测模型的预测(推论)。
61.在图3中的(a)、(b)的框图中，分别表示使预测装置100a进行动作的2个功能、生成预测模型的学习功能、以及使用了预测模型的预测功能的概要。作为用于生成预测模型的功能，如图3中的(a)所示，在cpu1中设置生物体信息解析部(特征量提取部)11、诊疗信息解析部16、特征量变动学习部13、以及状态预测部15。特征量变动学习部13包含：特征量融合部12，其将由生物体信息解析部11和诊疗信息解析部16分别生成的特征量融合，生成融合特征量。这些各部基本上由机器学习模型构成，进行规定的学习，由此生成图3中的(b)所示
的生物体信息解析部110、特征量变动部130、以及状态预测部150。另外，该生成的生物体信息解析部(特征量提取部)110、特征量变动部130、以及状态预测部150进行规定的患者的状态预测。
62.[学习模型的学习]
[0063]
首先，使用图4所示的学习功能流程图，说明图3中的(a)所示的学习功能模块的处理。
[0064]
[步骤s41]
[0065]
生物体信息解析部11接受患者的生命数据即生物体信息21，使用机器学习或基于规则的方法，提取生物体信息特征量23。
[0066]
生物体信息是血压、心跳、氧饱和度、呼吸数、体温等时序的测量信号，在学习阶段，使用针对许多患者预先取得的测量信号。生物体信息解析部11使用作为公知的机器学习方法的lstm(long short-term memory：长短期记忆)法，从这些测量信号中提取能够表现生物体信息的时间变化的特征量。
[0067]
在图5中的(a)～(c)中表示生物体信息解析部11的结构例子。图5中的(a)所示的结构例11a通过由组合了多个lstm提取器的编码器构成的学习模型，读取通过各lstm提取器在一定的时间间隔t以内测量的生物体信息，学习生物体信息的时间变化，在时刻t t输出生物体信息特征量。图5中的(b)所示的结构例11b按照每个时刻，从各个lstm提取器输出生物体信息特征量。图5中的(c)所示的结构例11c，将从时序的生物体信息中提取基于规则的特征量、例如时间间隔t内的平均值、标准偏差、中央值、最频值、失真度、峰度等统计学特征量的第一提取器、以及由图5中的(b)所示的各lstm提取器构成的第二提取器组合，将作为第一提取器的输出的统计学特征量和通过第二提取器提取的时序特征量融合并输出。此外，在图5中，示出了使用lstm法的提取器的例子，但也可以使用作为其简化版的公知的rnn(recurrent neural network：循环神经网络)法、gru(gated recurrent unit：门控循环单元)法。
[0068]
[步骤s42]
[0069]
诊疗信息解析部16接受患者的诊疗信息22，使用机器学习的方法，提取诊疗信息特征量24。诊疗信息包括患者的年龄、性别、病历、各种检查结果等，与生物体信息同样地，读入并使用针对多个患者预先取得的数据。在图6中示出诊疗信息解析部16的结构例。在图示的例子中，使用了作为公知的机器学习方法的dnn(deep neural network：深度神经网络)法。
[0070]
[步骤s43]
[0071]
特征量变动学习部13接受在步骤s41、s42中分别提取的生物体信息特征量23和诊疗信息特征量24，首先由特征量融合部12对它们进行融合而生成融合特征量25。融合的方法既可以简单地将表示特征量的多维向量相加，也可以在压缩维数后相加，也可以在相加后进行压缩。进而，特征量变动学习部13执行只根据生物体信息特征量23预测融合特征量25的学习。这是学习某种特征量与其他种类的特征量的关系性的处理，在此，称为特征量变动学习。
[0072]
在图7中表示实现该特征量变动功能的特征量变动学习部13的结构例子。在此，表示使用公知的机器学习方法自动编码(autoencoder)法进行特征量变动学习的例子。自动
编码法是使用了神经网络(neural network)的用于维数压缩的算法，使用由编码器(encoder)和解码器(decoder)构成的自动编码器。针对输入数据，使用了神经网络的编码器非线性地对该数据的维数进行压缩，生成压缩特征量。解码器使用神经网络，将该压缩特征量复原为原本的输入数据。
[0073]
组合这样的3个自动编码器而构成特征量变动学习部13。第一个自动编码器200是用于生成融合特征量25的学习模型，编码器201接受并连结生物体信息特征量23和诊疗信息特征量24，进行维数压缩，生成融合特征量25。另外，解码器202接受融合特征量25，生成复原生物体信息特征量26和复原诊疗信息特征量27，以便复原生物体信息特征量23和诊疗信息特征量24。为了确认自动编码器200是否适当地进行了学习、即输入与输出的误差是否成为最小，而进行解码器202的复原。
[0074]
第二个自动编码器210是用于生成压缩生物体信息特征量28的学习模型，编码器211接受生物体信息特征量23，进行维数压缩，解码器212接受压缩生物体信息特征量28，生成复原生物体信息特征量29，以便复原生物体信息特征量23。进行基于解码器212的复原也是为了确认自动编码器210的学习效果。
[0075]
第三个自动编码器220是用于使压缩生物体信息特征量28变动为融合特征量25的学习模型。编码器221接受压缩生物体信息特征量28，进行维数压缩，向解码器222输出所得到的进一步压缩了的特征量。解码器222对该压缩特征量进行学习，使得能够复原为融合特征量25。由此，能够进行使生物体信息特征量23变动为将生物体信息特征量23和诊疗信息特征量24融合而生成的融合特征量25的学习。
[0076]
在学习过程中，通过反复的优化处理，推定自动编码器的神经网络的参数。在该优化处理中，使得规定的学习误差变得最小。学习既可以通过3个自动编码器200、210、220分别进行使得输入与输出的误差变得最小，也可以整体地进行。即，可以进行优化使得复原生物体信息特征量26与生物体信息特征量23的误差、复原诊疗信息特征量27与诊疗信息特征量24的误差、复原生物体信息特征量29与生物体信息特征量23的误差、融合特征量25与压缩生物体信息特征量28的误差整体变得最小。进而，也可以根据医学的知识等，预先指定认为对患者状态预测的作用度高的特征量，施加特定的加权而使误差最小。
[0077]
[步骤s44]
[0078]
状态预测部15对使用特征量变动学习部13所生成的融合特征量25来预测患者状态的学习模型进行生成。在学习过程中，可以使用作为公知的机器学习方法的dnn(深度神经网络)法。
[0079]
神经网络(neural network)是由多个被称为感知器的人工神经元构成的机器学习模型。感知器是具有多个输入、以及与它们对应的加权系数的决策模型，输出预测结果或从输入数据抽象化所得的信息。dnn由多层的神经网络构成。如图8所示，状态预测部15使用融合特征量25作为输入数据，在优化处理中，推定各层的神经网络的感知器的加权系数，预测患者状态。进行学习使得该预测值与从生物体信息和患者信息导出的预测值一致。
[0080]
患者状态的预测值例如是对与规定的疾病有关的发病风险、重病度等进行数值化所得的值，既可以对从诊疗信息、生物体信息得到的数值进行加权相加，而表现为0～100的标量，也可以分为多个阶段以离散的数值表现风险的高低、重病度。预测值既可以是表示患者状态的文本，也可以组合数值和文本。
[0081]
通过以上的步骤s41～s44，图3中的(a)所示的学习功能的处理完成。接着，本实施方式的预测装置100a如图3中的(b)所示，使用由已学习的学习模型构成的生物体信息解析部110、特征量变动部130、以及预测部150，进行患者状态的预测(推论)。
[0082]
以下，使用图9所示的预测患者状态的流程图，详细说明图3中的(b)所示的推论功能模块的处理。
[0083]
[步骤s91]
[0084]
生物体信息解析部(特征量提取部)110接受作为预测对象的患者的生物体信息31，使用通过生物体信息解析部11生成的学习参数，提取生物体信息特征量33。
[0085]
[步骤s92]
[0086]
特征量变动部130接受生物体信息特征量33，预测将生物体信息特征量和诊疗信息特征量融合而得的融合特征量，生成融合特征量(预测值)35。
[0087]
在图10中表示特征量变动部130的功能模块图。如图10所示，特征量变动部130由图7所示的特征量变动学习部13的学习模型中的作为推论的处理部发挥功能的学习完成模型(自动编码器310、320)构成。自动编码器310的编码器311和解码器312分别是与编码器211和解码器212的各个对应的推论的处理部。自动编码器320的编码器321和解码器322分别是与编码器221和解码器222各自对应的推论的处理部。
[0088]
编码器311和解码器312使用通过编码器211和解码器212学习的神经网络的参数，针对通过图3中的(b)的生物体信息解析部110提取的预测对象患者的生物体信息特征量33的输入，生成压缩生物体信息特征量34和复原生物体信息特征量36。
[0089]
编码器321和解码器322使用通过编码器221和解码器222学习的神经网络的参数，执行从压缩生物体信息特征量34变动为融合特征量35的处理。
[0090]
[步骤s93]
[0091]
状态预测部150接受融合特征量35(预测值)，使用完成学习的学习模型，预测患者状态并输出。如在学习步骤的s44中所述的那样，例如作为发病风险评分等进行了数值化的预测值而输出患者状态。
[0092]
进而，状态预测部150也可以在推定的过程中推定预测结果的不确定性(确信度)。可以使用作为公知的方法的蒙特卡洛丢弃(monte carlo dropout)法，进行预测结果的不确定性的推定。在丢弃法中，可以随机地将构成状态预测部150的学习模型的神经网络的加权设为0，在推论时使用丢弃法，由此根据各加权的分布采样预测结果。通过重复若干次地进行使用了这样的丢弃法的推论，能够推定预测结果的分布，能够推定预测结果的不确定性(确信度)。由此，用户不只参考预测结果，还能够一边参考与预测结果有关的预测模型的确信度，一边进行与患者状态有关的决策。
[0093]
[步骤s94]
[0094]
预测装置100a通过显示控制部9将状态预测部150的输出显示到显示器70。显示的形式没有具体限定，但在图11中示出预测结果的显示例子。图11中的(a)是将显示用于预测的输入的患者的信息(生物体信息、或生物体信息和诊疗信息的双方)的模块71、以及显示患者状态的预测结果的模块72同时设置并进行显示的例子。在该例子中，在通过状态预测部150得到的预测评分超过规定的阈值的情况下，在模块71上显示警示画面。如果用户经由显示器70的触摸屏或显示控制部9选择了警示的内容，则图11中的(a)的模块72如图11中的
(b)所示那样，变更为显示症状名、风险评分、预测发病时刻等警示的具体内容的画面。此外，在预测步骤s94中状态预测部150推定出预测结果的确信度的情况下，也可以如图11中的(c)所示那样，同时显示与预测结果有关的确信度。
[0095]
如以上说明的那样，根据本实施方式的预测方法、以及预测装置，即使向使用许多种的生物体信息和诊疗信息的学习数据生成的预测模型输入种类数与学习数据不同的生物体信息和诊疗信息，也可以生成能够反映多种数据的特征量的融合特征量，而高精度地预测患者状态。
[0096]
<实施方式2>
[0097]
在实施方式1中，针对多个患者而融合不同种类的患者信息(生物体信息和诊疗信息)的特征量并生成融合特征量，学习生物体信息的特征量与融合特征量的关联性，根据所输入的预测对象患者的生物体信息的特征量推定融合特征量，根据推定出的融合特征量求出患者状态的预测值，但本实施方式学习从多项生物体信息中提取出的特征量与从多项生物体信息的一部分即少数项目的生物体信息中提取出的特征量的关联性，输入少数项目的生物体信息，由此推定多项生物体信息的特征量，从而进行状态预测。
[0098]
即，实施方式2的预测方法包括：解析步骤，分别解析患者的多项生物体信息、以及多项生物体信息的一部分即少数项目的生物体信息，提取特征量；学习步骤，学习多项生物体信息的特征量与少数项目的生物体信息的特征量的关系性；特征量变动步骤，只根据少数项目的生物体信息的输入，利用所学习的特征量的关系性，推定多项生物体信息的特征量；以及预测步骤，使用在特征量变动步骤中得到的特征量，预测患者状态。在作为时序的测量数据得到的生物体信息中，有体温、血压、脉搏、心电图、血中氧浓度、脑波等各种项目，包含其中尽量多的项目的生物体信息的信息是多项生物体信息，可取得的项目被设施所限制的、少数项目的生物体信息是少数项目生物体信息。以下，将前者简记为l生物体信息，将后者简记为s生物体信息。
[0099]
本实施方式的预测装置100b的结构与图1和图2所示的实施方式1的结构相同，具备特征量提取部、特征量变动部、以及预测部，在这些各部中具备学习模型。但是，对于特征量提取部，省略与实施方式1的诊疗信息解析部相当的功能部，另外各部的处理也不同。以下，参照图12说明本实施方式的预测方法和预测装置。此外，在实施方式2的说明中，对于与实施方式1相同的结构和处理，标注相同的附图标记并省略说明。
[0100]
图12中的(a)、(b)是表示本实施方式的预测装置100b的cpu1执行的2个功能、生成预测模型的学习功能、以及使用了预测模型的预测功能的框图。作为用于生成预测模型的功能，如图12中的(a)所示，在cpu1中设置第一和第二生物体信息解析部(特征量提取部)11b、12b、特征量变动学习部13b、以及状态预测部15b。这些各部基本上由机器学习模型构成，进行规定的学习，由此生成图12中的(b)所示的生物体信息解析部(特征量提取部)110、特征量变动部130、以及状态预测部150。另外，该生成的生物体信息解析部110、特征量变动部130、以及状态预测部150进行规定的患者的状态预测。
[0101]
首先，使用图13所示的流程图，说明图12中的(a)所示的学习功能模块的处理。首先，在步骤s401中，生物体信息解析部11b接受作为患者的多项生命数据的l生物体信息，提取l生物体信息特征量43。在步骤s402中，生物体信息解析部12b接受l生物体信息41的一部分即少数种类的生物体信息(以下称为s生物体信息)42，提取s生物体信息特征量44。在步
骤s403中，特征量变动学习部13b接受l生物体信息特征量43和s生物体信息特征量44，首先生成将l生物体信息特征量l43的维数压缩而得的压缩l生物体信息特征量45。进而，特征量变动学习部13b执行以下的特征量变动学习功能，即只根据s生物体信息特征量44，预测压缩l生物体信息特征量45。在步骤s404中，状态预测部15b使用压缩l生物体信息特征量45，生成预测患者状态的学习模型。
[0102]
生物体信息解析部11b、12b的结构只有处理的信息量的多寡不同，与实施方式1的生物体信息解析部11的结构相同，可以采样图5中的(a)～(c)所示的使用了lstm提取器的学习模型。
[0103]
特征量变动学习部13b的结构与实施方式1的特征量变动学习部13的结构类似，如图14所示，由3个自动编码器400～420构成。
[0104]
自动编码器400的编码器401接受多项l生物体信息特征量43，进行维数压缩，生成压缩l生物体信息特征量45。解码器402接受压缩l生物体信息特征量45，生成复原l生物体信息特征量47，以便复原l生物体信息特征量43。
[0105]
自动编码器410的编码器411接受项目少的s生物体信息特征量44，进行维数压缩，生成压缩s生物体信息特征量46。解码器412接受压缩s生物体信息特征量46，生成复原s生物体信息特征量48，以便复原s生物体信息特征量44。为了确认这些学习模型的学习效果而进行解码器402和412的复原。
[0106]
自动编码器420的编码器422接受压缩s生物体信息特征量46，进行维数压缩，向解码器421输出进一步压缩了的特征量。解码器422进行学习，使得能够将该压缩特征量复原为多项压缩l生物体信息特征量45。由此，能够进行使s生物体信息特征量44变动为从l生物体信息特征量43压缩而生成的压缩l生物体信息特征量45的学习。
[0107]
在学习过程的优化处理中，可以进行优化使得复原l生物体信息特征量47与l生物体信息特征量43的误差、复原s生物体信息特征量48与s生物体信息特征量44的误差、压缩l生物体信息特征量45与压缩s生物体信息特征量46的误差整体变得最小。进而，也可以根据医学的知识等，预先指定认为对患者状态预测的贡献度高的特征量，施加特定的加权而使误差最小。
[0108]
步骤s404的预测患者状态的学习模型与实施方式1的状态预测部15相同，可以使用作为公知的机器学习方法的dnn法，在优化处理中，推定各层的神经网络的感知器的加权系数，进行学习使得预测患者状态。
[0109]
通过以上的步骤s401～s404，图12中的(a)所示的学习模型的学习完成。
[0110]
接着，使用图15的流程图说明使用了通过上述步骤进行了学习的学习模型的患者状态的预测功能。首先，在步骤s901中，生物体信息解析部110b接受作为预测对象的患者的s生物体信息52，提取s生物体信息特征量54。在步骤s902中，特征量变动部130b接受s生物体信息特征量54，推定压缩l生物体信息特征量55。在步骤s903中，状态预测部150b接受推定出的压缩l生物体信息特征量55，使用学习完成模型，预测患者状态。
[0111]
在图16中表示具有推论功能的特征量变动部130b的结构例。本实施方式的特征量变动部130b也与实施方式1的特征量变动部130同样地，由变动学习部13b的学习模型中的作为推论的处理部发挥功能的学习完成模型(自动编码器510、520)构成。自动编码器510的编码器511和解码器512分别是与图13的编码器411和解码器412各自对应的推论的处理部。
自动编码器520的编码器521和解码器522分别是与图13的编码器421和解码器422各自对应的推论的处理部。
[0112]
自动编码器510的编码器511和解码器512使用通过编码器411和解码器412进行了学习的神经网络的参数，针对通过图12中的(b)的生物体信息解析部110b提取的预测对象患者的s生物体信息特征量54的输入，生成压缩s生物体信息特征量56和复原生物体信息特征量58。
[0113]
编码器521和解码器522使用通过编码器421和解码器422学习的神经网络的参数，执行从压缩s生物体信息特征量56变动为压缩l生物体信息特征量55的处理。
[0114]
状态预测部150b输入压缩l生物体信息特征量55，使用在图13的步骤s404中学习的学习模型(dnn)，预测并输出患者状态。输出的方法与实施方式1同样，将预测的状态、预测所使用的生物体信息同时显示到显示器70。另外，在本实施方式中，也能够在状态预测部150b的推论时使用蒙特卡洛丢弃法推定确信度，在该情况下，也可以与预测结果一起显示该确信度。
[0115]
如以上说明的那样，根据本实施方式，即使向使用多项生物体信息的学习数据生成的预测模型输入项目数与学习数据不同的生物体信息、或由于生物体信息测量设备的异常、缺测而缺少生物体信息的一部分的数据，也可以生成能够反映生物体信息的多项数据的特征量的特征量，从而高精度地预测患者状态。
[0116]
此外，本发明并不限于上述实施方式，包含各种变形例子。例如，为了更好理解本发明而详细说明了上述实施方式，并不一定限于具备说明的全部结构。如上述那样，本发明并不限于预测方法、预测装置，当然能够作为经由网络与患者信息记录装置连接的预测装置及其预测方法而实现。另外，能够将某实施方式的结构的一部分置换为其他实施方式的结构，另外能够向某实施方式的结构追加其他实施方式的结构。另外，能够对各实施方式的结构的一部分进行其他结构的追加/删除/置换。
[0117]
进一步地，虽然说明了制作实现上述的各结构、功能、处理部等的一部分或全部的程序的例子，但也可以通过例如用集成电路进行设计等而用硬件来实现它们的一部分或全部。