特開 2022-174614 プログラム、情報処理装置及び情報処理方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022174614

(43)【公開日】2022-11-24

(54)【発明の名称】プログラム、情報処理装置及び情報処理方法

(51)【国際特許分類】

   A61B 5/00 20060101AFI20221116BHJP

   G01T 1/164 20060101ALI20221116BHJP

   G01T 1/161 20060101ALI20221116BHJP

   A61K 51/04 20060101ALI20221116BHJP

   G16H 10/20 20180101ALI20221116BHJP

【ＦＩ】

A61B5/00 G

G01T1/164 Z

G01T1/161 D

A61K51/04 200

G16H10/20

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2021080533

(22)【出願日】2021-05-11

【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り 令和２年５月１４日に“Ｊｏｕｒｎａｌ ｏｆ Ｎｕｃｌｅａｒ Ｃａｒｄｉｏｌｏｇｙ”の速報（インターネットアドレス「ｈｔｔｐｓ：／／ｌｉｎｋ．ｓｐｒｉｎｇｅｒ．ｃｏｍ／ａｒｔｉｃｌｅ／１０．１００７／ｓ１２３５０－０２０－０２１７３－６」）にて掲載 〔刊行物等〕 令和３年３月２６日に第８５回日本循環器学会の学術集会のオンデマンドセッションにて発表 〔刊行物等〕 令和３年５月１０日にＷＥＢ開催された“Ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｕｃｌｅａｒ Ｃａｒｄｉｏｌｏｇｙ ａｎｄ Ｃａｒｄｉａｃ ＣＴ”にて発表

(71)【出願人】

【識別番号】504160781

【氏名又は名称】国立大学法人金沢大学

(71)【出願人】

【識別番号】322005219

【氏名又は名称】ＰＤＲファーマ株式会社

(74)【代理人】

【識別番号】110000279

【氏名又は名称】弁理士法人ウィルフォート国際特許事務所

(72)【発明者】

【氏名】中嶋 憲一

(72)【発明者】

【氏名】北村 千枝美

【テーマコード（参考）】

4C085

4C117

4C188

5L099

【Ｆターム（参考）】

4C085HH03

4C085JJ01

4C085KA29

4C085KB45

4C085LL07

4C117XA01

4C117XB09

4C117XD24

4C117XE15

4C117XE37

4C117XE42

4C117XJ01

4C117XJ14

4C117XJ31

4C117XJ60

4C117XR10

4C188EE01

4C188EE25

4C188MM08

5L099AA04

(57)【要約】

【課題】心臓死が生じる可能性を心臓死の種類ごとに評価することが可能なプログラムを提供すること。
【解決手段】取得部１は、第１の被験者に心機能診断薬を投与して得られた心／縦隔比を含む被験者データを取得する。予測部３は、複数の第２の被験者のそれぞれにおける心臓死に関する複数種類のイベントの発生実績を示す分析用データに基づいて生成された機械学習モデルに対して、被験者データを入力することにより、第１の被験者に生じるイベントを予測する。
【選択図】図１

【特許請求の範囲】

【請求項1】

コンピュータに、
第１の被験者に関する被験者データであって、前記第１の被験者に心機能診断薬を投与して得られた心／縦隔比を含む被験者データを取得する取得部と、
複数の第２の被験者のそれぞれにおける心臓死に関する複数種類のイベントの発生実績を示す分析用データに基づいて生成された機械学習モデルに対して、前記被験者データを入力することにより、前記第１の被験者に生じる前記イベントを予測する予測部と、を実現させるためのプログラム。

【請求項2】

前記被験者データは、年齢、性別、心不全の重症度を示す指標、腎機能を示す指標、左室機能を示す指標、心不全マーカーの血中濃度、高血圧症の有無を示す情報、及び、糖尿病の有無を示す情報をさらに含む、請求項１に記載のプログラム。

【請求項3】

前記被験者データは、心筋からの前記心機能診断薬の洗い出し率、血色素量、透析の有無を示す情報、及び、虚血性心臓病の有無を示す情報をさらに含む、請求項２に記載のプログラム。

【請求項4】

前記複数種類のイベントは、心不全死と、重症不整脈とである、請求項１乃至３のいずれか一項に記載のプログラム。

【請求項5】

前記予測部は、所定経過期間後までに生じる前記イベントを予測する、請求項１乃至４のいずれか一項に記載のプログラム。

【請求項6】

前記所定経過期間は、２年である、請求項５に記載のプログラム。

【請求項7】

前記機械学習モデルは、ロジスティック回帰モデルである、請求項１乃至６のいずれか一項に記載のプログラム。

【請求項8】

前記心機能診断薬は、MＩＢＧ（¹²³I-3-iodobenzylguanidine）である、請求項１乃至７のいずれか一項に記載のプログラム。

【請求項9】

第１の被験者に関する被験者データであって、前記第１の被験者に心機能診断薬を投与して得られた心／縦隔比を含む被験者データを取得する取得部と、
複数の第２の被験者のそれぞれにおける心臓死に関する複数種類のイベントの発生実績を示す分析用データに基づいて生成された機械学習モデルに対して、前記被験者データを入力することにより、前記第１の被験者に生じる前記イベントを予測する予測部と、を有する情報処理装置。

【請求項10】

第１の被験者に関する被験者データであって、前記第１の被験者に心機能診断薬を投与して得られた心／縦隔比を含む被験者データを取得し、
複数の第２の被験者のそれぞれにおける心臓死に関する複数種類のイベントの発生実績を示す分析用データに基づいて生成された機械学習モデルに対して、前記被験者データを入力することにより、前記第１の被験者に生じる前記イベントを予測する、情報処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、プログラム、情報処理装置及び情報処理方法に関する。

【背景技術】

【0002】

特許文献１には、心臓の障害に起因する心臓死が生じる可能性を予測する技術が記載されている。特許文献１に記載の技術では、被験者に心機能診断薬を投与することで得られたH／Ｍ（Heart/Mediastinum：心／縦隔）比などを含む被験者データに基づいて、被験者の５年生存率が算出されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１４－２１５２２２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

心臓死には、心不全死(ＨＦＤ：Heart Failure Death)及び重症不整脈(ＡｒＥ：Life Threatening Arrhythmic Events)などの複数の種類が存在する。しかしながら、特許文献１に記載の技術では、５年生存率が算出されるだけなので、種類ごとに心臓死が生じる可能性を評価することができず、適切な治療に結び付けることが難しい場合があった。

【0005】

本開示の目的は、心臓死が生じる可能性を心臓死の種類ごとに評価することが可能なプログラム、情報処理装置及び情報処理方法を提供することである。

【課題を解決するための手段】

【0006】

本開示の一態様に従うプログラムは、コンピュータに、第１の被験者に関する被験者データであって、前記第１の被験者に心機能診断薬を投与して得られた心／縦隔比を含む被験者データを取得する取得部と、複数の第２の被験者のそれぞれにおける心臓死に関する複数種類のイベントの発生実績を示す分析用データに基づいて生成された機械学習モデルに対して、前記被験者データを入力することにより、前記第１の被験者に生じる前記イベントを予測する予測部と、を実現させる。

【発明の効果】

【0007】

本発明によれば、心臓死が生じる可能性を心臓死の種類ごとに評価することが可能になる。

【図面の簡単な説明】

【0008】

【図1】本開示の一実施形態の情報処理装置の構成を示すブロック図である。

【図2】モデル生成処理の一例を説明するためのフローチャートである。

【図3】イベント予測処理の一例を説明するためのフローチャートである。

【図4】出力データの一例を示す図である。

【図5】学習アルゴリズムの検証結果を示す図である。

【図6】機械学習モデルによる評価結果の一例を示す図である。

【図7】機械学習モデルによる評価結果の他の例を示す図である。

【図8】１３変数モデルと９変数モデルとの比較結果の一例を示す図である。

【図9】１３変数モデルと９変数モデルとの比較結果の他の例を示す図である。

【発明を実施するための形態】

【0009】

以下、本開示の実施形態について図面を参照して説明する。

【0010】

図１は、本開示の一実施形態の情報処理装置の構成を示すブロック図である。図１に示す情報処理装置１００は、例えば、プロセッサ（コンピュータ）及びメモリ（共に図示せず）を備えたコンピュータシステムにより構成される。この場合、以下で説明する情報処理装置１００の各構成要素及び各機能は、例えば、プロセッサがコンピュータプログラムを読み取り、その読み取ったコンピュータプログラムを実行することで実現される。コンピュータプログラムは、コンピュータにて読み取り可能な記録媒体２００に記録可能である。記録媒体２００は、例えば、半導体メモリ、磁気ディスク、光ディスク、磁気テープ及び光磁気ディスクなどである。

【0011】

また、情報処理装置１００は、入出力装置１０１と、補助記憶装置１０２とに接続されている。入出力装置１０１は、キーボード、タッチパネル及びポインティングデバイスのような情報処理装置１００を利用するユーザから種々の情報を受け付ける入力装置と、ディスプレイ装置及びプリンタのようなユーザに対して種々の情報を出力する出力装置とを有する。また、入出力装置１０１は、インターネットなどの通信網を介して種々の情報の送受信を行うネットワークインタフェース装置を含んでもよい。補助記憶装置１０２は、例えば、大容量記憶装置のような種々の情報を記憶する記憶装置である。

【0012】

情報処理装置１００は、取得部１と、モデル生成部２と、予測部３と、出力部４とを有する。

【0013】

取得部１は、心臓死に関するイベントである心臓死イベントを予測する予測対象の被験者である第１の被験者に関する被験者データと、第１の被験者に生じる心臓死イベントを予測する機械学習モデルを構築するための分析用データとを取得する。なお、被験者データ及び分析用データは、例えば、補助記憶装置１０２に予め記憶され、取得部１は、補助記憶装置１０２から被験者データ及び分析用データを取得する。

【0014】

心臓死イベントには、複数の種類が存在する。本実施形態では、心臓死イベントとして、ＨＦＤ（心不全死）と、ＡｒＥ（重症不整脈、不整脈死)とを考慮するが、他のイベントが考慮されてもよい。

【0015】

被験者データは、パラメータとして、心機能を診断するための放射性医薬品である心機能診断薬を第１の被験者に投与することで得られるＨ／Ｍ比を含む。より具体的には、被験者データは、パラメータとして、Ｈ／Ｍ比、心筋からの心機能診断薬の洗い出し率であるＭＩＢＧ洗い出し率、年齢、性別、心不全の重症度を示す指標、腎機能を示す指標、左室機能を示す指標、心不全マーカーの血中濃度、血色素量、透析の有無を示す情報、虚血性心臓病（虚血性心疾患）の有無を示す情報、高血圧症の有無を示す情報、及び、糖尿病の有無を示す情報の１３個のパラメータを含む。以下では、これらの１３個のパラメータを特定パラメータと呼ぶこともある。

【0016】

ＭＩＢＧ洗い出し率は、Ｈ／Ｍ比と同様に、心機能診断薬を第１の被験者に投与することで得られるデータである。Ｈ／Ｍ比及びＭＩＢＧ洗い出し率は、具体的には、心機能診断薬を投与した被験者を所定の撮像装置で撮像した撮像画像から算出される。心機能診断薬は、本実施形態では、ＭＩＢＧ（¹²³I-3-iodobenzylguanidine）とするが、この例に限らず、心筋ＳＰＥＣＴ検査又は心筋ＰＥＴ検査に用いられる放射性医薬品のような、Ｈ／Ｍ比及びＭＩＢＧ洗い出し率の算出が可能な撮影画像を取得できるものであればよい。なお、上記の撮影画像には、撮像装置などの撮影環境によるバラツキが生じることがある。このため、そのバラツキを抑制するためにファントム実験などによる補正を用いて撮影画像の標準化を行い、標準化された撮影画像からＨ／Ｍ比及びＭＩＢＧ洗い出し率を算出することが好ましい。

【0017】

心不全の重症度を示す指標は、例えば、心機能ＮＹＨＡ（New York Heart Association：ニューヨーク心臓協会）分類である。心機能ＮＹＨＡ分類は、ニューヨーク心臓協会が定めた心不全の重症度（症状の程度）の分類であり、画像及び問診などを総合的に判断することにより、心不全の重症度を以下の４種類に分類するものである。
Ｉ度：心疾患があるが症状はなく、通常の日常生活は制限されないもの。
ＩＩ度：心疾患患者で日常生活が軽度から中等度に制限されるもの。安静時には無症状だが、普通の行動で疲労・動悸・呼吸困難・狭心痛を生じる。
ＩＩＩ度：心疾患患者で日常生活が高度に制限されるもの。安静時は無症状だが、平地の歩行や日常生活以下の労作によっても症状が生じる。
ＩＶ度：心疾患患者で非常に軽度の活動でも何らかの症状を生ずる。安静時においても心不全・狭心症症状を生ずることもある。

【0018】

腎機能を示す指標は、例えば、eＧＦＲ（estimated Glomerular Filtration Rate：推算糸球体濾過値）である。左室機能を示す指標は、例えば、ＬＶＥＦ（Left Ventricular Ejection Fraction：左心室駆出率）である。心不全マーカーは、例えば、ＢＮＰ（Human Brain Natriuretic Peptide：脳性(Ｂ型）ナトリウム利尿ペプチド）又はＮＴ－ｐｒｏＢＮＰである。

【0019】

分析用データは、複数の第２の被験者のそれぞれに関する複数のデータであり、各分析用データは、上記の１３個の特定パラメータと、第２の被験者における複数種類の心臓死イベント（本実施形態では、ＨＦＤ及びＡｒＥ）の発生実績を示すイベント情報とを含む。分析用データは、１３個のパラメータ及びイベント情報以外の情報（パラメータ）を含んでもよい。

【0020】

イベント情報は、本実施形態では、心臓死イベントの発生実績として、基準時点から所定経過期間後までに第２の被験者に生じた心臓死イベントを示し、より具体的には、ＨＦＤ、ＡｒＥ、及び、生存（イベントなし）のいずれかを示す。基準時点は、例えば、心機能診断薬を用いた検査（撮影）を行った時点である。なお、分析用データの各パラメータの値は、基準時点での値である。所定経過期間は、本実施形態では、２年とするが、２年に限定されず、例えば、５年などでもよい。

【0021】

モデル生成部２は、取得部１にて取得された分析用データに基づいて、分析用データに含まれるイベント情報を目的変数、分析用データに含まれる他のパラメータを説明変数とした機械学習を行い、被験者データから第１の被験者に生じる心臓死イベントを予測する機械学習モデルを生成する。

【0022】

機械学習モデルは、本実施形態では、被験者データの１３個の特定パラメータを入力として、その被験者データを、被験者データを目的変数であるイベント情報にて示されるクラス（値）に分類する分類モデルである。分類モデルの出力結果は、３つのクラス（ＨＦＤ、ＡｒＥ、及び、生存）のいずれかを示してもよいし、各クラスの分類確率などを示してもよい。

【0023】

予測部３は、取得部１にて取得された被験者データに含まれる１３個の特定パラメータをモデル生成部２にて構築された機械学習モデルに入力することで、被験者データを分類して、所定経過時間後までに第１の被験者に発生する心臓死イベントを予測する。したがって、

【0024】

出力部４は、予測部３による予測結果を、入出力装置１０１を用いて出力する。

【0025】

図２は、情報処理装置１００による機械学習モデルを生成するモデル生成処理の一例を説明するためのフローチャートである。

【0026】

モデル生成処理では、先ず、取得部１は、補助記憶装置１０２から分析用データを取得する（ステップＳ１０１）。

【0027】

モデル生成部２は、分析用データに対して所定の機械学習アルゴリズムを用いて分析して、機械学習モデルを生成する（ステップＳ１０２）。機械学習アルゴリズムは、例えば、ロジスティック回帰、ランダムフォレスト、勾配ブースティングツリー、サポートベクターマシン、単純ベイズ分類器又は最近傍法などである。

【0028】

モデル生成部２は、機械学習モデルを予測部３に設定して（ステップＳ１０３）、処理を終了する。

【0029】

図３は、情報処理装置１００による第１の被験者に生じる心臓病イベントを予測するイベント予測処理の一例を説明するためのフローチャートである。

【0030】

イベント予測処理では、先ず、取得部１は、補助記憶装置１０２から被験者データを取得する（ステップＳ２０１）。

【0031】

予測部３は、モデル生成部２から設定された機械学習モデルに対して、取得部１に取得された被験者データに含まれる１３個の特定パラメータを入力し、機械学習モデルの出力を、２年後までに第１の被験者に生じる心臓死イベントの予測結果として取得する（ステップＳ２０２）。

【0032】

出力部４は、予測部３による予測結果を示す出力データを、入出力装置１０１を用いて出力して（ステップＳ２０３）、処理を終了する。なお、予測結果は、出力すると共に、又は、出力する代わりに、補助記憶装置１０２などに記憶されてもよい。

【0033】

図４は、出力データの一例を示す図である。図４に示す出力データ４００は、被験者データに含まれる１３個の特定パラメータの値を示す領域４０１と、予測部３による予測結果を示す領域４０２とを含む。領域４０２では、第１の被験者データが分類される各クラスの分類確率がヒストグラムで示されている。

【0034】

以上説明した本実施形態では、心臓死イベントを予測するためのパラメータとして１３個の特定パラメータを用いて説明したが、この特定パラメータは一例であって、これに限るものではない。例えば、特定パラメータは、Ｈ／Ｍ比、年齢、性別、心不全の重症度を示す指標、腎機能を示す指標、左室機能を示す指標、心不全マーカーの血中濃度、高血圧症の有無を示す情報、及び、糖尿病の有無を示す情報の９個のパラメータでもよい。

【実施例0035】

以下、実施例として、機械学習モデルの評価を行う。

【0036】

分析データとしては、４つの病院で取得された５２６人の慢性心不全患者を第２の被験者とし、各第２の被験者に関する１３個の特定パラメータと、第２の被験者に生じた心臓死イベントを示す情報とを含むデータを用いた。１３個の特定パラメータは、Ｒ他のパラメータとして、脂質異常性を示す指標、及び、所定の薬剤の投薬（薬物療法）の有無を示す情報などを考慮した上で、ＲＯＣ（Receiver Operating Characteristic：受信者動作特性)解析により決定した。薬剤は、例えば、交感神経β受容体遮断薬、アンジオテンシン変換酵素阻害薬及びアンジオテンシンII受容体拮抗薬の少なくとも一方、及び、利尿剤などである。

【0037】

第２の被験者については、心機能診断薬による検査を行った時点を基準時点とし、基準時点から少なくとも２年以上にわたって追跡調査を行った。その際、ＡｒＥが発生したが植え込み型除細動器などの適切な治療により生存した患者に対しては、イベント情報の値をＡｒＥとした。また、第２の被験者のうち２年間に急性心筋梗塞を起こした患者はいなかった。また、心臓死以外に関する死亡イベントの数は少ないため、そのような患者は第２の被験者から除外した。なお、第２の被験者に対する医療は各病院にて継続的に行われた。また、第２の被験者の７７％が心機能ＮＹＨＡ分類のＩ度又はＩＩ度に分類され、被験者の２３％が心機能ＮＹＨＡ分類のＩＩＩ度又はＩＶ度に分類されていた。また、第２の被験者の平均年齢は６６歳、男性が７２％（女性が２８％）、第２の被験者の２次元心エコー検査又はゲート心筋灌流シンチグラフィーにて算出された各被験者のＬＶＥＦの平均値は３８％、標準偏差は１４％であった。

【0038】

Ｈ／Ｍ比及びＭＩＢＧ洗い出し率は、心機能診断薬として１１１ＭＢｑのＭＩＢＧ（¹²³I-3-iodobenzylguanidine）を被験者に注射し、注射してから１５分～３０分後及び３～４時間後のそれぞれにおいて取得した心筋前壁のプラナー画像（シンチグラム）から算出した。画像の取得には、マトリックスサイズを２５６×２５６、エネルギウインドウを１５９ｋｅＶ±１０％とした標準的な取得プロトコルを用いた。なお、各病院で使用されたコリメータが異なるため、コリメータ間のばらつきを調整するために、ファントムを使用して、中エネルギー汎用型コリメータ条件に標準化した。

【0039】

心機能診断薬を被験者に注射してから１５分～３０分後に取得されたプラナー画像から取得したＨ／Ｍ比を初期Ｈ／Ｍ比、３～４時間後に取得されたプラナー画像から取得したＨ／Ｍ比を後期Ｈ／Ｍ比と呼ぶ。分析用データには、後期Ｈ／Ｍ比をＨ／Ｍ比として含めた。また、ＭＩＢＧ洗い出し率は、（初期Ｈ／Ｍ比－後期Ｈ／Ｍ比）／初期Ｈ／Ｍ比にて算出した。

【0040】

機械学習には、ウルフラム・リサーチ（Wolfram Research）社のマセマティカ（Mathematica）のバージョン１２を使用した。また、学習アルゴリズムとして、ロジスティック回帰、ランダムフォレスト、勾配ブースティングツリー、サポートベクターマシン、単純ベイズ分類器及び最近傍法のそれぞれを用いて学習モデルを構築し、各学習モデルの検証には、ＲＯＣ解析による４分割交差検証を用いた。つまり、分析用データの７５％を学習モデルの構築を行うための学習用データ、分析用データの２５％を学習モデルの検証を行うための検証用データとして４回学習を行い、各学習の検証結果の平均を精度として求めた。

【0041】

図５は、各学習アルゴリズムの検証結果を示す図である。図５では、ロジスティック回帰（ＬＬ）、ランダムフォレスト（ＲＦ）、勾配ブースティングツリー（ＧＢＴ）、サポートベクターマシン（ＳＶＭ）、単純ベイズ分類器（ＮＢ）及び最近傍法（ＮＮ）のそれぞれにおける、ＲＯＣ曲線のＡＵＣ（Area Under the Curve：曲線下面積）と、ＳＥ（standard error：標準誤差）、Ｐ値とを示す。Ｐ値は、ロジスティック回帰に対する相対的な値が示されている。

【0042】

図５に示されたようにＨＦＤに関しては、ランダムフォレスト（ＲＦ）が最も精度がよく、ＡｒＥに関しては、ロジスティック回帰（ＬＬ）が最も精度がよい。ここでは、ＡｒＥに関して最も精度が良いロジスティック回帰を全ての分析用データに対して適用して、分類関数を機械学習モデルとして構築した。

【0043】

図６及び図７は、上記のロジスティック回帰にて生成した機械学習モデルによる評価結果の一例を示す図である。図６及び図７では、３１２人の患者を第１の被験者としてログ・ランク（Log Rank）検定を行った。

【0044】

図６は、３１２人の第１の被験者を、被験者データがＨＦＤに分類されたＨＦＤ高リスク群と、被験者データがＨＦＤに分類されていないＨＦＤ低リスク群とに分けて２年間（２４カ月）の経過観察を行った結果を示す図である。図６では、ＨＦＤ高リスク群にてＨＦＤが発生した割合の時間変化６０１と、ＨＦＤ低リスク群にてＨＦＤが発生した割合の時間変化６０２とが示されている。

【0045】

図６に示されたようにＨＦＤ高リスク群では、２年間に２２％の患者にＨＦＤが発生したのに対して、ＨＦＤ低リスク群では、２年間にＨＦＤが発生した患者は３．５％であった。また、カイ２乗値は２７．１０であり、P値は０．０００１以下であった。

【0046】

図７は、３１２人の第１の被験者を、被験者データがＡｒＥに分類されたＡｒＥ高リスク群と、被験者データがＡｒＥに分類されていないＡｒＥ低リスク群を分けて２年間の経過観察を行った結果を示す図である。図７では、ＡｒＥ高リスク群にてＡｒＥが発生した割合の時間変化６０１と、ＡｒＥ低リスク群にてＡｒＥが発生した割合の時間変化６０２とが示されている。

【0047】

図７に示されたようにＡｒＥ高リスク群では、２年間に１１．４％の患者にＡｒＥが発生したのに対して、ＡｒＥ低リスク群では、２年間にＨＦＤが発生した患者は４．５％であった。また、カイ２乗値は３．８６であり、P値は０．０４９であった。

【0048】

したがって、上記のロジスティック回帰にて生成した機械学習モデルによって心臓死が生じる可能性を心臓死の種類ごとに評価することが可能となっている。

【0049】

図８及び図９は、１３個の特定パラメータによる機械学習モデルである１３変数モデルと、９個の特定パラメータによる機械学習モデルである９変数モデルとを比較した図である。

【0050】

図８は、５２６人の第１の被験者に対して１３変数モデルを用いて予測したＨＦＤ（心不全死）の発生確率（ＨＦＤクラスの分類確率）と、同じ５２６人の第１の被験者に対して９変数モデルを用いて予測したＨＦＤの発生確率との相関を示す散布図である。散布図の各点は、実際に第１の被験者に生じた心臓死イベントに応じてマーカーの種類を変えて示している。具体的には、白丸が生存、黒丸がＡｒＥ（不整脈死）、黒四角がＨＦＤを示す。

【0051】

図８に示されたように、１３変数モデルでも９変数モデルでもＨＦＤの発生確率が高いと予測された被験者にＨＦＤが多く発生していた。また、１３変数モデルの予測結果と９変数モデルの予測結果との相関係数は０．９７４、相関係数の９５％信頼区間の下限は０．９６９、上限は０．９７８、P値は０．０００１未満であった。

【0052】

図９は、５２６人の第１の被験者に対して１３変数モデルを用いて予測したＡｒＥ（不整脈死）の発生確率と、同じ５２６人の第１の被験者に対して９変数モデルを用いて予測したＡｒＥの発生確率との相関を示す散布図である。散布図の各点は、図８と同様に、実際に第１の被験者に生じた心臓死イベントに応じてマーカーの種類を変えて示している。

【0053】

図９に示されたように、１３変数モデルでも９変数モデルでもＡｒＥの発生確率が高いと予測された被験者にＡｒＥが多く発生していた。また、１３変数モデルの予測結果と９変数モデルの予測結果との相関係数は０．９７３、相関係数の９５％信頼区間の下限は０．９６８、その上限は０．９７７、P値は０．０００１未満であった。

【0054】

したがって、９変数モデルでも、１３変数モデルと同様に、心臓死が生じる可能性を心臓死の種類ごとに評価することが可能である。

【0055】

以上説明したように本開示によれば、取得部１は、第１の被験者に心機能診断薬を投与して得られた心／縦隔比を含む被験者データを取得する。予測部３は、複数の第２の被験者のそれぞれにおける心臓死に関する複数種類のイベントの発生実績を示す分析用データに基づいて生成された機械学習モデルに対して、被験者データを入力することにより、第１の被験者に生じるイベントを予測する。したがって、複数種類のイベントのいずれが生じるかが予測されるため、心臓死が生じる可能性を心臓死の種類ごとに評価することが可能になる。

【0056】

また、本開示では、被験者データは、年齢、性別、心不全の重症度を示す指標、腎機能を示す指標、左室機能を示す指標、心不全マーカーの血中濃度、高血圧症の有無を示す情報、及び、糖尿病の有無を示す情報をさらに含む。また、被験者データは、ＭＩＢＧ洗い出し率、血色素量、透析の有無を示す情報、虚血性心臓病の有無を示す情報をさらに含んでもよい。この場合、心臓死に関するイベントをより正確に予測することが可能になる。

【0057】

また、本開示では、複数種類のイベントは、心不全死と、重症不整脈とである。このため、心臓死に関するイベントとして発生する可能性の高い心不全死と重症不整脈とを別々に予測することが可能となるため、より適切な治療を行うことが可能となる。

【0058】

また、本開示では、所定経過期間後までに生じる心臓死イベントを予測し、所定経過期間は、特に２年である。この場合、心臓死に関するイベントをより正確に予測することが可能になる。

【0059】

また、本開示では、機械学習モデルはロジスティック回帰モデルである。このため、心臓死に関するイベントをより正確に予測することが可能になる。

【0060】

また、本開示では、心機能診断薬は、MＩＢＧ（123I-3-iodobenzylguanidine）である。このため、適切な心／縦隔比及びＭＩＢＧ洗い出し率を算出することが可能になるため、心臓死に関するイベントをより正確に予測することが可能になる。

【0061】

上述した本開示の実施形態は、本開示の説明のための例示であり、本開示の範囲をそれらの実施形態にのみ限定する趣旨ではない。当業者は、本開示の範囲を逸脱することなしに、他の様々な態様で本開示を実施することができる。

【符号の説明】

【0062】

１：取得部 ２：モデル生成部 ３：予測部 ４：出力部 １００：情報処理装置 １０１：入出力装置 １０２：補助記憶装置

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】