特許ウォッチ

公開番号2025032985
公報種別公開特許公報(A)
公開日2025-03-12
出願番号2024134501
出願日2024-08-09
発明の名称敗血症の診断および予測
出願人富士通株式会社
代理人弁理士法人ITOH
主分類G16H 50/20 20180101AFI20250305BHJP(特定の用途分野に特に適合した情報通信技術)
要約【課題】敗血症予測方法、プログラム及び情報プログラミング装置を提供する。
【解決手段】予測プロセスは、時間期間に亘る患者の生理学的測定変数の値を含む入力データに基づいて、入力データにおける第1の相関を、連続する時間ステップにおける生理学的測定変数の値の間の短距離時間的相関を注目ベースの機構を使って計算し、同じ時間ステップにおける異なる生理学的測定変数の値の間の空間的相関を自己注目機構を使って計算し、入力データ及び第1の相関に基づいて、生理学的測定変数に対応する第1の更新されたノード埋め込みを生成し、リカレントニューラルネットワークを使用して、第1の更新されたノード埋め込みの間の第2の相関に基づいて前記ノード埋め込みを更新して、時間的に更新された埋め込みを生成し、時間的に更新された埋め込みに基づいて、ニューラルネットワークを使用して、患者が敗血症を有することになるかどうかを示す予測を生成する。
【選択図】図5
特許請求の範囲【請求項１】
コンピュータ実装される方法であって：
予測プロセスを実行することを含み、前記予測プロセスは：
時間期間にわたる患者の生理学的測定変数の値を含む入力データに基づいて、前記入力データにおける第1の相関を計算する段階であって、該計算することは、連続する時間ステップにおける生理学的測定変数の値の間の短距離時間的相関を注目ベースの機構を使って計算すること、および同じ時間ステップにおける異なる生理学的測定変数の値の間の空間的相関を自己注目機構を使って計算することを含む、段階と；
前記入力データおよび前記第1の相関に基づいて、第1の更新されたノード埋め込みを生成する段階であって、各ノードが時間ステップにおける生理学的測定変数に対応する、段階と；
リカレントニューラルネットワークRNNを使用して、前記第1の更新されたノード埋め込みの間の第2の相関に基づいて前記第1の更新されたノード埋め込みを更新して、時間的に更新された埋め込みを生成する段階と；
前記時間的に更新された埋め込みに基づいて、ニューラルネットワークNNを使用して、前記患者が敗血症を有することになるかどうかを示す予測を生成する段階とを含む、
コンピュータ実装される方法。
続きを表示（約 2,800 文字）【請求項２】
前記生理学的測定変数は、
心拍数；
酸素飽和度；
体温；
血圧；
呼吸数；
呼気終末二酸化炭素
血糖；
塩基過剰；
重炭酸塩HCO3レベル；
フィブリノゲン・レベル；
血小板レベル；
吸気酸素濃度レベル；
pHレベル；
二酸化炭素分圧；
動脈血の酸素飽和度；
アスパラギン酸アミノトランスフェラーゼ・レベル；
血中尿素窒素；
アルカリホスファターゼ・レベル；
カルシウム・レベル；
塩化物レベル；
クレアチニン・レベル；
直接ビリルビン・レベル；
グルコース・レベル；
乳酸レベル；
マグネシウム・レベル；
リン酸レベル；
カリウム・レベル；
総ビリルビン・レベル；
トロポニンIレベル；
ヘマトクリット・レベル；
ヘモグロビン・レベル；
部分トロンボプラスチン・レベル；および
白血球レベル
のうちの少なくとも2つを含む、請求項１に記載のコンピュータ実装される方法。
【請求項３】
時間ステップにおける生理学的測定変数の値についての短距離時間的相関を計算することは、その値と前の時間ステップにおける各生理学的測定変数の値との間の相関を計算することを含む、請求項１または２に記載のコンピュータ実装される方法。
【請求項４】
前記予測プロセスは：
前記入力データに基づいて多次元特徴エンコードを生成する段階と；
前記多次元特徴エンコードに重みベクトルを乗算することによって初期ノード埋め込みを生成する段階とを含み、
前記第1の相関を計算することは、前記初期ノード埋め込みに基づいて前記第1の相関を計算することを含む、
請求項１または２に記載のコンピュータ実装される方法。
【請求項５】
時間ステップの順序で第2の時間ステップに対応する前記値についての前記短距離時間的相関を計算することは、前記第2の時間ステップに対応する前記初期ノード埋め込みのそれぞれと、第1の時間ステップに対応する前記初期ノード埋め込みのそれぞれとの間の相関を計算することを含み
時間ステップの順序で第3の時間ステップおよび後続の時間ステップのそれぞれに対応する前記値について前記短距離時間的相関を計算することは、関わっている時間ステップに対応する前記初期ノード埋め込みのそれぞれと、前記先行する時間ステップに対応する前記第1の更新されたノード埋め込みのそれぞれとの間の相関を計算することを含む、
請求項４に記載のコンピュータ実装される方法。
【請求項６】
前記第1の更新されたノード埋め込みを生成することは、同じ時間ステップに対応するそれぞれの他の中間ノード埋め込みとの相関に基づいて、各中間ノード埋め込みを更新することを含む、請求項５に記載のコンピュータ実装される方法。
【請求項７】
当該コンピュータ実装される方法は、トレーニング・プロセスを実行することを含み、前記トレーニング・プロセスは：
トレーニング患者に対応するトレーニング・データを前記入力データとして使用して前記予測プロセスを実行することと；
生成された予測と前記トレーニング・データに対応するトレーニング予測との間の差に基づいて、前記注目ベースの機構、前記自己注目機構、前記RNN、および前記NNにおいて使用される少なくとも1つのネットワーク重みを調整することとを含む、
請求項１または２に記載のコンピュータ実装される方法。
【請求項８】
前記トレーニング・プロセスを実行した後に、対象患者の対象入力データを用いて前記予測プロセスを実行して、対象予測を生成することを含む、請求項７に記載のコンピュータ実装される方法。
【請求項９】
コンピュータ上で実行されると、コンピュータに、予測プロセスを実行することを含む方法を実行させるコンピュータ・プログラムであって、前記予測プロセスは、
時間期間にわたる患者の生理学的測定変数の値を含む入力データに基づいて、前記入力データにおける第1の相関を計算する段階であって、該計算することは、連続する時間ステップにおける生理学的測定変数の値の間の短距離時間的相関を注目ベースの機構を使って計算すること、および同じ時間ステップにおける異なる生理学的測定変数の値の間の空間的相関を自己注目機構を使って計算することを含む、段階と；
前記入力データおよび前記第1の相関に基づいて、第1の更新されたノード埋め込みを生成する段階であって、各ノードが時間ステップにおける生理学的測定変数に対応する、段階と；
リカレントニューラルネットワークRNNを使用して、前記第1の更新されたノード埋め込みの間の第2の相関に基づいて前記第1の更新されたノード埋め込みを更新して、時間的に更新された埋め込みを生成する段階と；
前記時間的に更新された埋め込みに基づいて、ニューラルネットワークNNを使用して、前記患者が敗血症を有することになるかどうかを示す予測を生成する段階とを含む、
コンピュータ・プログラム。
【請求項１０】
メモリと、該メモリに接続されたプロセッサとを有する情報処理装置であって、前記プロセッサは：
予測プロセスを実行するように構成され、前記予測プロセスは、
時間期間にわたる患者の生理学的測定変数の値を含む入力データに基づいて、前記入力データにおける第1の相関を計算する段階であって、該計算することは、連続する時間ステップにおける生理学的測定変数の値の間の短距離時間的相関を注目ベースの機構を使って計算すること、および同じ時間ステップにおける異なる生理学的測定変数の値の間の空間的相関を自己注目機構を使って計算することを含む、段階と；
前記入力データおよび前記第1の相関に基づいて、第1の更新されたノード埋め込みを生成する段階であって、各ノードが時間ステップにおける生理学的測定変数に対応する、段階と；
リカレントニューラルネットワークRNNを使用して、前記第1の更新されたノード埋め込みの間の第2の相関に基づいて前記第1の更新されたノード埋め込みを更新して、時間的に更新された埋め込みを生成する段階と；
前記時間的に更新された埋め込みに基づいて、ニューラルネットワークNNを使用して、前記患者が敗血症を有することになるかどうかを示す予測を生成する段階とを含む、
情報処理装置。

発明の詳細な説明【技術分野】
【０００１】
本発明は、敗血症の診断／予測に関し、特に、コンピュータにより実装される方法、コンピュータ・プログラム、および情報プログラミング装置に関する。
続きを表示（約 2,100 文字）【背景技術】
【０００２】
敗血症は、感染に対する身体の極端な応答として定義されうる。それは生命を脅かす医学的緊急事態である。敗血症は、すでに存在する感染が全身の連鎖反応を引き起こす場合に起こる。敗血症は、組織損傷、臓器不全、および死をもたらしうる。
【０００３】
敗血症の診断／予測は、正確な予測が人命を救い、病院資源を節約しうるので、需要が高い。特に、早期の敗血症の診断／予測が望ましい。敗血症の診断／予測は、たとえば、ICU（集中治療室）環境で実施されうる。
【発明の概要】
【発明が解決しようとする課題】
【０００４】
上記に鑑みて、敗血症予測のための方法が望まれる。
【課題を解決するための手段】
【０００５】
第1の側面のある実施形態によれば、予測プロセスを実行することを含むコンピュータ実装方法が本明細書に開示される。予測プロセスは、（第1の）時間期間にわたる患者の／患者に関連する生理学的測定変数の値を含む入力データに基づいて、入力データにおける（第1の）相関を計算する段階であって、該計算することは、（異なる）連続する時間ステップにおける（異なる）生理学的測定変数の値の間の（および（異なる）連続する時間ステップにおける同じ生理学的測定変数の値の間の）（短距離時間的）相関を（注目〔アテンション〕ベースの機構を使って）計算すること、および同じ時間ステップにおける異なる生理学的測定変数の値の間の（空間的）相関を（自己注目機構を使って）計算することを含む、段階と；前記入力データおよび前記（第1の）相関に基づいて、第1の更新されたノード埋め込みを生成する段階であって、各ノードが時間ステップにおける生理学的測定変数（の値）に対応する、段階と；リカレントニューラルネットワークRNNを使用して、前記第1の更新されたノード埋め込みの間の（第2の）相関に基づいて／を用いて前記第1の更新されたノード埋め込みを更新して、（時間的に）更新された埋め込みを生成する段階と；前記（時間的に）更新された埋め込みに基づいて、ニューラルネットワークNNを使用して、前記患者が敗血症を（（現在有する）または）（将来の時点において）有するかを示す予測／診断を生成する段階とを含む。
【０００６】
任意の側面／実施形態に関する特徴は、任意の他の側面／実施形態に適用されてもよい。
【図面の簡単な説明】
【０００７】
ここで、例として、添付の図面を参照する。
第1の比較方法を示す図である。
第1の比較方法を示す図である。
第2の比較方法を示す図である。
予測プロセスを示す図である。
予測プロセスを示す図である。
予測プロセスを示す図である。
予測プロセスを示す図である。
予測プロセスを示す図である。
表である。
予測プロセスを示す図である。
トレーニング・プロセスおよび試験プロセスを示す図である。
予測プロセスを示す図である。
装置を示す図である。
【発明を実施するための形態】
【０００８】
図1および図2は、第1の比較方法（比較方法1）を示す図である。比較方法1は、道路ネットワーク交通予測のための方法である。そのような交通予測は、交通ネットワークにおける空間的および時間的な依存性の使用に関わる。そのような方法が生理学的パラメータに基づく敗血症予測に適していないか、または有用でない理由を以下に述べる。道路網に基づく既知の隣接性行列Aが使用される。隣接性行列Aは、空間的相互相関ブロック23（本明細書では空間特徴ブロックと呼ばれることがある）の学習空間を低減する。入力ブロック21に示されるように、入力データは、交通速度（x）の時系列データである。高次元埋め込み器22は、入力データxの高次元表現（E）を生成する。
【０００９】
空間特徴ブロック23は、道路網の静的な隣接性行列と、高次元表現（ノード値と呼ばれることもある）Eの間の絶対差とに基づいて、エッジ重みを動的に計算する。ベクトル「e」は、エッジ重みおよび入力データに基づいて（すなわち、重み付けされた和を使用して）生成される。図2は、いわゆる空間次元（時間にまたがらない）における異なる道路のデータ間の空間的相関（相互相関と呼ばれてもよい）の学習を示す。
【００１０】
時間的畳み込みブロック24（具体的には時間的畳み込みネットワーク241）において、異なるタイムスタンプのデータ・フレーム・ベクトル（e）（すなわちe
1
、e
2
など）に対して膨張畳み込み（dilated convolution）が行われ、データの時間ベースの集約が得られる。時間的畳み込みネットワーク241の出力に基づいて、バイナリ予測が行われる。
（【００１１】以降は省略されています）

関連特許