知財求人 - 知財ポータルサイト「IP Force」
▶ ＮＥＣソリューションイノベータ株式会社の特許一覧 ▶ 独立行政法人国立国際医療研究センターの特許一覧
(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】P2022178031
(43)【公開日】2022-12-02
(54)【発明の名称】感染予測装置、感染予測方法、及びプログラム
(51)【国際特許分類】
G16H 50/80 20180101AFI20221125BHJP
【ＦＩ】
G16H50/80
【審査請求】未請求
【請求項の数】15
【出願形態】ＯＬ
(21)【出願番号】P 2021084525
(22)【出願日】2021-05-19
(71)【出願人】
【識別番号】000232092
【氏名又は名称】ＮＥＣソリューションイノベータ株式会社
(71)【出願人】
【識別番号】510192802
【氏名又は名称】国立研究開発法人国立国際医療研究センター
(74)【代理人】
【識別番号】110002044
【氏名又は名称】弁理士法人ブライタス
(72)【発明者】
【氏名】相馬 健人
(72)【発明者】
【氏名】小戸 司
(72)【発明者】
【氏名】齋藤 翔
(72)【発明者】
【氏名】大曲 貴夫
(72)【発明者】
【氏名】早川 佳代子
(72)【発明者】
【氏名】山元 佳
(72)【発明者】
【氏名】野本 英俊
(72)【発明者】
【氏名】松永 展明
(72)【発明者】
【氏名】田島 太一
(72)【発明者】
【氏名】美代 賢吾
(72)【発明者】
【氏名】石井 雅通
【テーマコード（参考）】
5L099
【Ｆターム（参考）】
5L099AA03
(57)【要約】
【課題】感染の原因を含めて、患者の感染症の感染の可能性を予測し得る、感染予測装置、感染予測方法、及びプログラムを提供する。
【解決手段】感染予測装置１００は、患者の検体検査に関する検体検査データ、及び患者の状態を示す患者状態データを取得する、データ取得部１０と、検体検査データの統計を求める、検体検査データ統計化部２１と、患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類部２２と、検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、検査データから求められた統計と患者状態データの分類結果とを入力し、予測モデルからの出力結果に基づいて、患者が感染症に感染している可能性を予測する、予測部３０と、を備えている。
【選択図】図１
【解決手段】感染予測装置１００は、患者の検体検査に関する検体検査データ、及び患者の状態を示す患者状態データを取得する、データ取得部１０と、検体検査データの統計を求める、検体検査データ統計化部２１と、患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類部２２と、検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、検査データから求められた統計と患者状態データの分類結果とを入力し、予測モデルからの出力結果に基づいて、患者が感染症に感染している可能性を予測する、予測部３０と、を備えている。
【選択図】図１
【特許請求の範囲】
【請求項1】
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得部と、
前記検体検査データの統計を求める、検体検査データ統計化部と、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類部と、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測部と、
を備えている、ことを特徴とする感染予測装置。
前記検体検査データの統計を求める、検体検査データ統計化部と、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類部と、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測部と、
を備えている、ことを特徴とする感染予測装置。
【請求項2】
請求項１に記載の感染予測装置であって、
前記データ取得部が、更に、前記患者に対して行われた処置に関する処置データを更に取得し、
当該感染予測装置が、前記処置データの統計を求める、処置データ統計化部を更に備え、
前記予測モデルが、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、感染症と、の関係を機械学習しており、
前記予測部が、前記予測モデルに、前記検体検査データから求められた統計及び前記患者状態データの分類結果に加えて、前記処置データから求められた統計を入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、
ことを特徴とする感染予測装置。
前記データ取得部が、更に、前記患者に対して行われた処置に関する処置データを更に取得し、
当該感染予測装置が、前記処置データの統計を求める、処置データ統計化部を更に備え、
前記予測モデルが、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、感染症と、の関係を機械学習しており、
前記予測部が、前記予測モデルに、前記検体検査データから求められた統計及び前記患者状態データの分類結果に加えて、前記処置データから求められた統計を入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、
ことを特徴とする感染予測装置。
【請求項3】
請求項２に記載の感染予測装置であって、
前記予測部が、予測モデルとして、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル感染症と、の関係を機械学習している、第１の予測モデルと、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、尿路感染症と、の関係を機械学習している、第２の予測モデルと、を用いる、
ことを特徴とする感染予測装置。
前記予測部が、予測モデルとして、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル感染症と、の関係を機械学習している、第１の予測モデルと、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、尿路感染症と、の関係を機械学習している、第２の予測モデルと、を用いる、
ことを特徴とする感染予測装置。
【請求項4】
請求項１～３のいずれかに記載の感染予測装置であって、
前記データ取得部が、前記検体検査データとして、前記患者の血液検査のデータを取得し、
前記検体検査データ統計化部が、前記検体検査データの統計として、最大値、最小値、及び平均値のいずれかを求める、
ことを特徴とする感染予測装置。
前記データ取得部が、前記検体検査データとして、前記患者の血液検査のデータを取得し、
前記検体検査データ統計化部が、前記検体検査データの統計として、最大値、最小値、及び平均値のいずれかを求める、
ことを特徴とする感染予測装置。
【請求項5】
請求項１～４のいずれかに記載の感染予測装置であって、
前記データ取得部が、前記患者状態データとして、前記患者の体温、血圧、脈拍、酸素飽和度の少なくとも一つを取得し、
前記患者状態データ分類部が、取得した前記患者の体温、血圧、脈拍、及び酸素飽和度のいずれかを、その値に応じて、予め設定された複数のカテゴリのいずれかに分類する、
ことを特徴とする感染予測装置。
前記データ取得部が、前記患者状態データとして、前記患者の体温、血圧、脈拍、酸素飽和度の少なくとも一つを取得し、
前記患者状態データ分類部が、取得した前記患者の体温、血圧、脈拍、及び酸素飽和度のいずれかを、その値に応じて、予め設定された複数のカテゴリのいずれかに分類する、
ことを特徴とする感染予測装置。
【請求項6】
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得ステップと、
前記検体検査データの統計を求める、検体検査データ統計化ステップと、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類ステップと、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測ステップと、
を有する、ことを特徴とする感染予測方法。
前記検体検査データの統計を求める、検体検査データ統計化ステップと、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類ステップと、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測ステップと、
を有する、ことを特徴とする感染予測方法。
【請求項7】
請求項６に記載の感染予測方法であって、
前記データ取得ステップにおいて、更に、前記患者に対して行われた処置に関する処置データを更に取得し、
当該感染予測方法が、前記処置データの統計を求める、処置データ統計化ステップを更に有し、
前記予測モデルが、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、感染症と、の関係を機械学習しており、
前記予測ステップにおいて、前記予測モデルに、前記検体検査データから求められた統計及び前記患者状態データの分類結果に加えて、前記処置データから求められた統計を入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、
ことを特徴とする感染予測方法。
前記データ取得ステップにおいて、更に、前記患者に対して行われた処置に関する処置データを更に取得し、
当該感染予測方法が、前記処置データの統計を求める、処置データ統計化ステップを更に有し、
前記予測モデルが、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、感染症と、の関係を機械学習しており、
前記予測ステップにおいて、前記予測モデルに、前記検体検査データから求められた統計及び前記患者状態データの分類結果に加えて、前記処置データから求められた統計を入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、
ことを特徴とする感染予測方法。
【請求項8】
請求項７に記載の感染予測方法であって、
前記予測ステップにおいて、予測モデルとして、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル感染症と、の関係を機械学習している、第１の予測モデルと、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、尿路感染症と、の関係を機械学習している、第２の予測モデルと、を用いる、
ことを特徴とする感染予測方法。
前記予測ステップにおいて、予測モデルとして、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル感染症と、の関係を機械学習している、第１の予測モデルと、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、尿路感染症と、の関係を機械学習している、第２の予測モデルと、を用いる、
ことを特徴とする感染予測方法。
【請求項9】
請求項６～８のいずれかに記載の感染予測方法であって、
前記データ取得ステップにおいて、前記検体検査データとして、前記患者の血液検査のデータを取得し、
前記検体検査データ統計化ステップにおいて、前記検体検査データの統計として、最大値、最小値、及び平均値のいずれかを求める、
ことを特徴とする感染予測方法。
前記データ取得ステップにおいて、前記検体検査データとして、前記患者の血液検査のデータを取得し、
前記検体検査データ統計化ステップにおいて、前記検体検査データの統計として、最大値、最小値、及び平均値のいずれかを求める、
ことを特徴とする感染予測方法。
【請求項10】
請求項６～９のいずれかに記載の感染予測方法であって、
前記データ取得ステップにおいて、前記患者状態データとして、前記患者の体温、血圧、脈拍、酸素飽和度の少なくとも一つを取得し、
前記患者状態データ分類ステップにおいて、取得した前記患者の体温、血圧、脈拍、及び酸素飽和度のいずれかを、その値に応じて、予め設定された複数のカテゴリのいずれかに分類する、
ことを特徴とする感染予測方法。
前記データ取得ステップにおいて、前記患者状態データとして、前記患者の体温、血圧、脈拍、酸素飽和度の少なくとも一つを取得し、
前記患者状態データ分類ステップにおいて、取得した前記患者の体温、血圧、脈拍、及び酸素飽和度のいずれかを、その値に応じて、予め設定された複数のカテゴリのいずれかに分類する、
ことを特徴とする感染予測方法。
【請求項11】
コンピュータに、
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得ステップと、
前記検体検査データの統計を求める、検体検査データ統計化ステップと、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類ステップと、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測ステップと、
を実行させる、ことを特徴とするプログラム。
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得ステップと、
前記検体検査データの統計を求める、検体検査データ統計化ステップと、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類ステップと、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測ステップと、
を実行させる、ことを特徴とするプログラム。
【請求項12】
請求項１１に記載のプログラムであって、
前記データ取得ステップにおいて、更に、前記患者に対して行われた処置に関する処置データを更に取得し、
当該プログラムが、前記処置データの統計を求める、処置データ統計化ステップを更に実行させ、
前記予測モデルが、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、感染症と、の関係を機械学習しており、
前記予測ステップにおいて、前記予測モデルに、前記検体検査データから求められた統計及び前記患者状態データの分類結果に加えて、前記処置データから求められた統計を入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、
ことを特徴とするプログラム。
前記データ取得ステップにおいて、更に、前記患者に対して行われた処置に関する処置データを更に取得し、
当該プログラムが、前記処置データの統計を求める、処置データ統計化ステップを更に実行させ、
前記予測モデルが、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、感染症と、の関係を機械学習しており、
前記予測ステップにおいて、前記予測モデルに、前記検体検査データから求められた統計及び前記患者状態データの分類結果に加えて、前記処置データから求められた統計を入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、
ことを特徴とするプログラム。
【請求項13】
請求項１２に記載のプログラムであって、
前記予測ステップにおいて、予測モデルとして、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル感染症と、の関係を機械学習している、第１の予測モデルと、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、尿路感染症と、の関係を機械学習している、第２の予測モデルと、を用いる、
ことを特徴とするプログラム。
前記予測ステップにおいて、予測モデルとして、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル感染症と、の関係を機械学習している、第１の予測モデルと、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、尿路感染症と、の関係を機械学習している、第２の予測モデルと、を用いる、
ことを特徴とするプログラム。
【請求項14】
請求項１１～１３のいずれかに記載のプログラムであって、
前記データ取得ステップにおいて、前記検体検査データとして、前記患者の血液検査のデータを取得し、
前記検体検査データ統計化ステップにおいて、前記検体検査データの統計として、最大値、最小値、及び平均値のいずれかを求める、
ことを特徴とするプログラム。
前記データ取得ステップにおいて、前記検体検査データとして、前記患者の血液検査のデータを取得し、
前記検体検査データ統計化ステップにおいて、前記検体検査データの統計として、最大値、最小値、及び平均値のいずれかを求める、
ことを特徴とするプログラム。
【請求項15】
請求項１１～１４のいずれかに記載のプログラムであって、
前記データ取得ステップにおいて、前記患者状態データとして、前記患者の体温、血圧、脈拍、酸素飽和度の少なくとも一つを取得し、
前記患者状態データ分類ステップにおいて、取得した前記患者の体温、血圧、脈拍、及び酸素飽和度のいずれかを、その値に応じて、予め設定された複数のカテゴリのいずれかに分類する、
ことを特徴とするプログラム。
前記データ取得ステップにおいて、前記患者状態データとして、前記患者の体温、血圧、脈拍、酸素飽和度の少なくとも一つを取得し、
前記患者状態データ分類ステップにおいて、取得した前記患者の体温、血圧、脈拍、及び酸素飽和度のいずれかを、その値に応じて、予め設定された複数のカテゴリのいずれかに分類する、
ことを特徴とするプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、感染症に感染している可能性を予測するための、感染予測装置、及び感染予測方法に関し、更には、これらを実現するためのプログラムに関する。
【背景技術】
【0002】
従来から、医療現場においては、医療行為を要因とした院内感染が起こることがあり、院内感染の発生を抑制することは重要である。但し、高度の医療を行う現場である病院において感染症を完全に抑え込むことは極めて困難であることから、院内感染によって感染症が発生した患者を早期に見つけ出して、適切な治療を行うことがより重要である。
【0003】
このため、例えば、特許文献１は、患者の感染症に対するリスクを判定するシステムを開示している。特許文献１に開示されたシステムは、「糖尿病」、「肝疾患」等のリスクファクターに対するリスクスコアと、リスクスコアをリスクレベルに換算するための判定基準とに、医師が入力する患者情報を適用することで、患者の感染源に対する抵抗力を５段階で評価する。
【0004】
特許文献１に開示されたシステムを用いれば、医療行為を受けた患者が院内感染によって感染するリスクを判定できるので、感染しやすい患者を重点的に監視でき、院内感染の発生を抑制できるものと考えられる。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２００３－２２００３４号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
しかしながら、実際の医療現場では、院内感染が発生する原因を特定することまでが求められているが、特許文献１に開示されたシステムは、患者が院内感染しやすいかどうかを判定するに過ぎず、当該システムでは、原因の特定は不可能である。
【0007】
本発明の目的の一例は、感染の原因を含めて、患者の感染症の感染の可能性を予測し得る、感染予測装置、感染予測方法、及びプログラムを提供することにある。
【課題を解決するための手段】
【0008】
上記目的を達成するため、本発明の一側面における感染予測装置は、
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得部と、
前記検体検査データの統計を求める、検体検査データ統計化部と、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類部と、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測部と、
を備えている、ことを特徴とする。
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得部と、
前記検体検査データの統計を求める、検体検査データ統計化部と、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類部と、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測部と、
を備えている、ことを特徴とする。
【0009】
また、上記目的を達成するため、本発明の一側面における感染予測方法は、
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得ステップと、
前記検体検査データの統計を求める、検体検査データ統計化ステップと、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類ステップと、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測ステップと、
を有する、ことを特徴とする。
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得ステップと、
前記検体検査データの統計を求める、検体検査データ統計化ステップと、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類ステップと、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測ステップと、
を有する、ことを特徴とする。
【0010】
更に、上記目的を達成するため、本発明の一側面におけるプログラムは、
コンピュータに、
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得ステップと、
前記検体検査データの統計を求める、検体検査データ統計化ステップと、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類ステップと、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測ステップと、
を実行させる、ことを特徴とする。
コンピュータに、
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得ステップと、
前記検体検査データの統計を求める、検体検査データ統計化ステップと、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類ステップと、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測ステップと、
を実行させる、ことを特徴とする。
【発明の効果】
【0011】
以上のように、本発明によれば、感染の原因を含めて、患者の院内感染の可能性を予測することができる。
【図面の簡単な説明】
【0012】
【発明を実施するための形態】
【0013】
【0014】
【0015】
図１に示す実施の形態１における感染予測装置１００は、感染症に感染している可能性を予測するための装置である。図１に示すように、感染予測装置１００は、データ取得部１０と、検体検査データ統計化部２１と、患者状態データ分類部２２と、予測部３０とを備えている。
【0016】
データ取得部１０は、患者の検体検査に関する検体検査データ、及び患者の状態を示す患者状態データを取得する。検体検査データ統計化部２１は、検体検査データの統計を求める。患者状態データ分類部２２は、患者状態データを、予め設定された複数のカテゴリのいずれかに分類する。
【0017】
予測部３０は、検体検査データの統計及び患者の状態のカテゴリと感染症との関係を機械学習している予測モデルに、検体検査データから求められた統計と患者状態データの分類結果とを入力する。そして、予測部１４は、予測モデルからの出力結果に基づいて、患者が感染症に感染している可能性を予測する。
【0018】
このように、実施の形態１では、感染の可能性の予測に用いられる予測モデルは、検体検査データの統計及び患者の状態のカテゴリと感染症との関係を機械学習している。このため、実施の形態１によれば、感染の原因を含めて、患者の感染症への感染の可能性を予測することができる。
【0019】
続いて、図２～図５を用いて、実施の形態１における感染予測装置の構成及び機能について具体的に説明する。図２は、実施の形態１における感染予測装置の構成を具体的に示す構成図である。図３は、患者の検体検査に関する検体検査データの統計化の一例を示す図である。図４は、患者の状態を示す患者状態データの分類化の一例を示す図である。図５は、患者に対して行われた処置に関する処置データの統計化の一例を示す図である。
【0020】
図２に示すように、実施の形態１では、感染予測装置１００は、上述したデータ取得部１０、検体検査データ統計化部２１、患者状態データ分類部２２、及び予測部３０に加えて、処置データ統計化部２３と、記憶部４０とを備えている。また、これらのうち、検体検査データ統計化部２１、患者状態データ分類部２２、及び処置データ統計化部２３は、予測モデルに入力するデータの前処理を行う前処理部２０として機能する。
【0021】
また、図２に示すように、実施の形態１では、予測モデルとして、カテーテル血流感染症予測モデル４１と、尿路感染症予測モデル４２と、原因菌予測モデル４３とが用いられており、これらは記憶部４０に格納されている。
【0022】
図２に示すように、データ取得部１０は、上述した、検体検査データ及び患者状態データに加えて、患者に対して行われた処置に関する処置データも更に取得する。データ取得部１０のデータの取得先としては、ネットワーク等によってデータ通信可能に接続された端末装置、キーボード等の入力装置が挙げられる。
【0023】
図３に示すように、検体検査データとしては、例えば、患者の白血球、赤血球、血小板といった血液検査で得られたデータが挙げられる。図３の例では、患者Ａの入院からカテーテル挿入までの期間１と、患者Ａのカテーテル挿入から感染症の疑いが発生したときまでの期間２とで行われた、白血球数の検査で得られたデータが、検体検査データとして示されている。
【0024】
検体検査データ統計化部２１は、実施の形態１では、例えば、図３に示すように、期間毎に、白血球数の検査結果から、最大値、及び最小値を特定し、更に、平均値を算出し、得られた最大値、最小値、及び平均値を、検体検査データの統計とする。なお、検体検査データ統計化部２１は、最大値、最小値、及び平均値のいずれか一つのみを統計としても良いし、平均値の代わりに分散等が用いられても良い。
【0025】
図４に示すように、患者状態データとしては、例えば、感染症の疑いのあった日における、患者の体温、血圧（収縮期）、脈拍（ＨＲ：Heart Rate）、酸素飽和度（ＳＰＯ２）等が挙げられる。また、患者状態データには、これら以外の項目が含まれていても良いし、これらのいずれかが省略されていても良い。更に、患者状態データには、患者の個人情報、例えば、年齢、性別、入院期間、カテーテルの挿入の有無、等が含まれていても良い。
【0026】
患者状態データ分類部２２は、実施の形態１では、例えば、図４に示すように、予め設定されている分類ルールに従って、患者状態データの各値をカテゴリ「－３」から「３」のいずれに分類する。なお、カテゴリは、例えば、下記の参照文献に示すＮＥＷＳ（National Early Warning Score）に基づいて設定されていても良い。また、患者状態データに、上述した患者の個人情報が含まれている場合、個人情報については分類が行われなくても良い。
参照文献：https://www.jstage.jst.go.jp/article/jsicm/25/6/25_25_453/_pdf/-char/en
参照文献：https://www.jstage.jst.go.jp/article/jsicm/25/6/25_25_453/_pdf/-char/en
【0027】
図５に示すように、処置データとしては、例えば、患者に対して行われた歯科処置の実施日等を示すデータが挙げられる。図５の例では、患者Ａの入院からカテーテル挿入までの期間１と、患者Ａのカテーテル挿入から感染症の疑いが発生したときまでの期間２とで行われた、歯科処置が処置データとして示されている。
【0028】
処置データ統計化部２３は、データ取得部１０によって取得された処置データの統計を求める。処置データ統計化部２３は、実施の形態１では、例えば、図５に示すように、各期間で行われた歯科処置の回数を求め、求めた期間毎の歯科処置の回数を統計とする。なお、実施の形態１において、処置データの対象となる処置は、歯科処置に限定されるものではない。
【0029】
予測モデルは、実施の形態１では、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、感染症と、の関係を機械学習している。図２に示すように、予測モデルとして、カテーテル血流感染症予測モデル４１と、尿路感染症予測モデル４２と、原因菌予測モデル４３とが用いられる。
【0030】
カテーテル血流感染症予測モデル４１は、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル感染症と、の関係を機械学習することによって構築された機械学習モデルである。
【0031】
尿路感染症予測モデル４２は、検体検査データの統計、及び患者の状態のカテゴリと、尿路感染症と、の関係を機械学習することによって構築された機械学習モデルである。
【0032】
原因菌予測モデル４３は、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル血流感染症の原因菌と、の関係を機械学習することによって構築された機械学習モデルである。
【0033】
予測部３０は、実施の形態１では、カテーテル血流感染症予測モデル４１、尿路感染症予測モデル４２、及び原因菌予測モデル４３といった予測モデルに、検体検査データから求められた統計、患者状態データの分類結果、及び処置データから求められた統計を、入力する。そして、予測部３０は、各予測モデルからの出力結果に基づいて、患者が感染症に感染している可能性を予測する。予測部３０における処理については、後述する。
【0034】
ここで、図６を用いて、カテーテル血流感染症予測モデル４１、尿路感染症予測モデル４２、及び原因菌予測モデル４３における機械学習について説明する。図６は、実施の形態１において機械学習に用いられる訓練データの一例を示す図である。
【0035】
図６に示すように、カテーテル血流感染症予測モデル４１用の訓練データは、カテーテル血流感染症の有無を正解ラベルとし、データ取得先の患者の年代、性別、入院期間、白血球数、血圧のカテゴリ、及び歯科処置の回数で構成されている。
【0036】
また、図６に示すように、尿路感染症予測モデル４２用の訓練データは、尿路感染症の有無を正解ラベルとし、データ取得先の患者の年代、性別、入院期間、Ｃ－リアクティブ・プロテイン（ＣＲＰ）、及び酸素飽和度のカテゴリで構成されている。
【0037】
更に、図６に示すように、原因菌予測モデル４３用の訓練データは、ＣＮＳ（コアクラーゼ陰性菌）が原因かどうかを正解ラベルとし、データ取得先の患者の年齢、性別、入院期間、白血球数、血圧のカテゴリ、及び歯科処置の回数で構成されている。
【0038】
各予測モデルの機械学習は、例えば、畳み込みニューラルネットワーク、グラフ畳み込みネットワーク、サポートベクトルマシン、回帰モデル等に、訓練データの説明変数を入力し、出力された値が正解ラベルと一致するように、パラメータを更新することによって行われる。
【0039】
［装置動作］
次に、実施の形態１における感染予測装置１００の動作について図７を用いて説明する。図７は、実施の形態１における感染予測装置の動作を示すフロー図である。以下の説明においては、適宜図１～図６を参照する。実施の形態１では、感染予測装置１００を動作させることによって、感染予測方法が実施される。よって、実施の形態１における感染予測方法の説明は、以下の感染予測装置１００の動作説明に代える。
次に、実施の形態１における感染予測装置１００の動作について図７を用いて説明する。図７は、実施の形態１における感染予測装置の動作を示すフロー図である。以下の説明においては、適宜図１～図６を参照する。実施の形態１では、感染予測装置１００を動作させることによって、感染予測方法が実施される。よって、実施の形態１における感染予測方法の説明は、以下の感染予測装置１００の動作説明に代える。
【0040】
最初に、図７に示すように、データ取得部１０は、検体検査データ、患者状態データ、及び処置データを取得する（ステップＡ１）。そして、データ取得部１０は、取得した、検体検査データ、患者状態データ、及び処置データを、前処理部２０に入力する。
【0041】
次に、検体検査データ統計化部２１は、ステップＡ１で取得された検体検査データの統計を求める（ステップＡ２）。具体的には、検体検査データ統計化部２１は、例えば、図３に示すように、期間毎に、白血球数の検査結果から、最大値、及び最小値を特定し、更に、平均値を算出する。
【0042】
次に、患者状態データ分類部２２は、ステップＡ１で取得された患者の患者状態データを、予め設定された複数のカテゴリのいずれかに分類する（ステップＡ３）。具体的には、患者状態データ分類部２２は、例えば、図４に示すように、予め設定されている分類ルールに従って、患者の体温、血圧（収縮期）、脈拍、（ＨＲ：Heart Rate）、酸素飽和度等を、カテゴリ「－３」から「３」のいずれに分類する。
【0043】
次に、処置データ統計化部２３は、ステップＡ１で取得された処置データの統計を求める（ステップＡ４）。具体的には、処置データ統計化部２３は、例えば、図５に示すように、各期間で行われた歯科処置の回数を求め、求めた期間毎の歯科処置の回数を統計とする。
【0044】
次に、予測部３０は、カテーテル血流感染症予測モデル４１、尿路感染症予測モデル４２、及び原因菌予測モデル４３に、ステップＡ２～Ａ４で求められた統計を入力する。そして、予測部３０は、各予測モデルからの出力結果に基づいて、患者が感染症に感染している可能性を予測し、予測結果を出力する（ステップＡ５）。
【0045】
【0046】
図８に示すように、最初に、予測部３０は、患者に対してカテーテルの挿入が行われているかどうかを判定する（ステップＡ５１）。外部からカテーテルの挿入の有無について通知がなされている場合は、予測部３０は、通知に基づいて判定する。患者状態データに付加されている患者の個人情報に、カテーテルの挿入の有無が含まれている場合は、予測部３０は、患者状態データに基づいて判定する。
【0047】
ステップＡ５１の判定の結果、患者に対してカテーテルの挿入が行われている場合（ステップＡ５１：Ｙｅｓ）は、予測部３０は、カテーテル血流感染症予測モデル４１に、ステップＡ２で求められた統計、ステップＡ３で求められた統計（分類結果）、及びステップＡ４で求められた統計を、入力する（ステップＡ５２）。
【0048】
そして、カテーテル血流感染症予測モデル４１は、出力として、「カテーテル血流感染症」又は「非感染症」を出力するので、予測部３０は、カテーテル血流感染症予測モデル４１の出力結果に基づいて、陽性かどうかを判定する（ステップＡ５３）。
【0049】
ステップＡ５３の判定の結果、陽性でない場合（ステップＡ５３：Ｎｏ）は、予測部３０は、感染症の可能性は無いと判定し、判定結果を予測結果として出力する（ステップＡ５６）。
【0050】
一方、ステップＡ５３の判定の結果、陽性である場合（ステップＡ５３：Ｙｅｓ）は、予測部３０は、原因菌予測モデル４３に、ステップＡ２で求められた統計、ステップＡ３で求められた統計、及びステップＡ４で求められた統計を入力して、予測を実行する（ステップＡ５４）。
【0051】
原因菌予測モデル４３は、入力に応じて、ＣＮＳが原因であるかどうかを出力するので、予測部３０は、ステップＡ５４の実行後、「ＣＮＳは原因である」又は「ＣＮＳは原因でない」という出力結果を、予測結果として出力する（ステップＡ５６）。
【0052】
また、上述したステップＡ５１の判定の結果、患者に対してカテーテルの挿入が行われていない場合（ステップＡ５１：Ｎｏ）は、予測部３０は、尿路感染症予測モデル４２に、ステップＡ２で求められた統計、及びステップＡ３で求められた分類結果を、入力する（ステップＡ５５）。
【0053】
そして、尿路感染症予測モデル４２は、出力として、「尿路感染症」又は「非感染症」を出力するので、予測部３０は、尿路感染症予測モデル４２の出力結果に基づいて、尿路感染症の可能性を判定する。予測部３０は、尿路感染症予測モデル４２の出力結果を、予測結果として出力する（ステップＡ５６）。
【0054】
以上のように、実施の形態１では、カテーテル血流感染症予測モデル４１、尿路感染症予測モデル４２、及び原因菌予測モデル４３が用いられる。このため、実施の形態１によれば、感染の原因を含めて、患者の感染の可能性を予測することができる。
【0055】
［プログラム］
実施の形態１におけるプログラムは、コンピュータに、図７に示すステップＡ１～Ａ５を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態１における感染予測装置１００と感染予測方法とを実現することができる。この場合、コンピュータのプロセッサは、データ取得部１０、前処理部２０、及び予測部３０として機能し、処理を行なう。
実施の形態１におけるプログラムは、コンピュータに、図７に示すステップＡ１～Ａ５を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態１における感染予測装置１００と感染予測方法とを実現することができる。この場合、コンピュータのプロセッサは、データ取得部１０、前処理部２０、及び予測部３０として機能し、処理を行なう。
【0056】
また、実施の形態１では、記憶部４０は、コンピュータに備えられたハードディスク等の記憶装置に、これらを構成するデータファイルを格納することによって実現されていても良いし、別のコンピュータの記憶装置によって実現されていても良い。コンピュータとしては、汎用のＰＣの他に、スマートフォン、タブレット型端末装置が挙げられる。
【0057】
実施の形態１におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、データ取得部１０、前処理部２０、及び予測部３０のいずれかとして機能しても良い。
【0058】
【0059】
［装置構成］
最初に、実施の形態２における感染予測装置２００の構成について図９を用いて説明する。また、図１０及び図１１を用いて、実施の形態２における感染予測装置２００の機能についても説明する。図９は、実施の形態２における感染予測装置の構成を具体的に示す構成図である。図１０は、患者に対して行われた薬剤の処方に関する薬剤データの統計化の一例を示す図である。図１１は、患者の体調に関する体調データの統計化の一例を示す図である。
最初に、実施の形態２における感染予測装置２００の構成について図９を用いて説明する。また、図１０及び図１１を用いて、実施の形態２における感染予測装置２００の機能についても説明する。図９は、実施の形態２における感染予測装置の構成を具体的に示す構成図である。図１０は、患者に対して行われた薬剤の処方に関する薬剤データの統計化の一例を示す図である。図１１は、患者の体調に関する体調データの統計化の一例を示す図である。
【0060】
図９に示す実施の形態２における感染予測装置２００は、実施の形態１における感染予測装置１００と同様に、データ取得部１０と、前処理部２０と、予測部３０と、記憶部４０とを備えている。但し、実施の形態２における感染予測装置２００は、前処理部２０の構成において、実施の形態１における感染予測装置１００と異なっている。以下、実施の形態１との相違点を中心に説明する。
【0061】
図９に示すように、実施の形態２においては、感染予測装置２００は、前処理部２０において、実施の形態１で説明した、検体検査データ統計化部２１、患者状態データ分類部２２、及び処置データ統計化部２３に加えて、薬剤データ統計化部２４と、体調データ統計化部２５とを備えている。
【0062】
データ取得部１０は、実施の形態２では、上述した、検体検査データ、患者状態データ、及び処置データに加えて、患者に対して行われた薬剤の処方に関する薬剤データと、患者の体調に関する体調データも取得する。
【0063】
薬剤データとしては、例えば、どのような薬剤が、いつ、患者に処方されたかを示すデータが用いられる。図１０の上段は薬剤データの一例を示している。
【0064】
薬剤データ統計化部２４は、データ取得部１０によって取得された薬剤データの統計を求める。例えば、図１０の中段に示すように、薬剤データ統計化部２４は、まず、期間として、患者Ａの入院からカテーテル挿入までの期間１と、患者Ａのカテーテル挿入から感染症の疑いが発生したときまでの期間２とを設定し、各期間で行われた薬剤の処方の回数を計測する。
【0065】
続いて、図１０の下段に示すように、薬剤データ統計化部２４は、期間毎に、薬剤の処方の回数を各期間の日数で除算し、得られた各期間の値を薬剤データの統計とする。例えば、ある期間において薬剤Ａが５回処方されており、その期間の日数が１０日であるとすると、統計は０．５となる。
【0066】
また、図１０に示す薬剤データの統計は、カテーテルの挿入時期を期間の区切りとして用いており、カテーテル血流感染症予測モデル４１への入力に用いられる。但し、実施の形態２では、薬剤データの統計は、尿路感染症予測モデル４２への入力に用いることもできる。この場合は、薬剤データ統計化部２４は、患者の入院から感染症の疑いが発生したときまでの期間を期間１とし、感染症の疑いが発生したときから退院するまでの期間を期間２とする。
【0067】
【0068】
体調データ統計化部２５は、まず、例えば、図１１の中段に示すように、「１」～「１０」を「１」に統一して、一日の便の量を「０」と「１」との２値データに変換する。更に、体調データ統計化部２５は、図１１の下段に示すように、患者の入院から感染症の疑いが発生したときまでの期間において、「０」が５０％を超えるかどうかを判定する。そして、体調データ統計化部２５は、超える場合は、その期間における体調データを「０：便無」とし、超えない場合は、その期間における体調データを「１：便有」とする。得られた結果が、体調データの統計となる。また、実施の形態２では、体調データの統計は、尿路感染症予測モデル４２への入力に用いられる。
【0069】
ここで、図１２を用いて、実施の形態２における、カテーテル血流感染症予測モデル４１、尿路感染症予測モデル４２、及び原因菌予測モデル４３における機械学習について説明する。図１２は、実施の形態２において機械学習に用いられる訓練データの一例を示す図である。
【0070】
図１２に示すように、カテーテル血流感染症予測モデル４１用の訓練データは、図６に示した例と同様に、カテーテル血流感染症の有無を正解ラベルとする。但し、実施の形態２では、カテーテル血流感染症予測モデル４１用の訓練データは、図６に示した例と異なり、データ取得先の患者の年代、性別、入院期間、白血球数、血圧のカテゴリ、及び歯科処置の回数に加えて、手術回数及び薬剤の期間平均の処方回数も、構成要素としている。
【0071】
また、図１２に示すように、尿路感染症予測モデル４２用の訓練データは、図６に示した例と同様に、尿路感染症の有無を正解ラベルとする。但し、実施の形態２では、尿路感染症予測モデル４２用の訓練データは、図６に示した例と異なり、データ取得先の患者の年代、性別、入院期間、Ｃ－リアクティブ・プロテイン（ＣＲＰ）、及び酸素飽和度のカテゴリに加えて、便の有無も、構成要素としている。
【0072】
更に、実施の形態２では、薬剤データの統計が尿路感染症予測モデル４２への入力に用いられる場合は、尿路感染症予測モデル４２用の訓練データは、薬剤の期間平均の処方回数を構成要素とすることもある。
【0073】
なお、図１２に示すように、実施の形態２でも、原因菌予測モデル４３用の訓練データは、図６に示した例と同様である。原因菌予測モデル４３用の訓練データは、ＣＮＳ（コアクラーゼ陰性菌）が原因かどうかを正解ラベルとし、データ取得先の患者の年代、性別、入院期間、白血球数、血圧のカテゴリ、及び歯科処置の回数で構成されている。
【0074】
各予測モデルの機械学習は、実施の形態１と同様に行われる。例えば、畳み込みニューラルネットワーク、グラフ畳み込みネットワーク、サポートベクトルマシン、回帰モデル等に、訓練データの説明変数を入力し、出力された値が正解ラベルと一致するように、パラメータを更新することによって、機械学習が行われる。
【0075】
［装置動作］
次に、実施の形態２における感染予測装置２００の動作について図１３を用いて説明する。図１３は、実施の形態２における感染予測装置の動作を示すフロー図である。以下の説明においては、適宜図９～図１２を参照する。実施の形態２では、感染予測装置２００を動作させることによって、感染予測方法が実施される。よって、実施の形態２における感染予測方法の説明は、以下の感染予測装置２００の動作説明に代える。
次に、実施の形態２における感染予測装置２００の動作について図１３を用いて説明する。図１３は、実施の形態２における感染予測装置の動作を示すフロー図である。以下の説明においては、適宜図９～図１２を参照する。実施の形態２では、感染予測装置２００を動作させることによって、感染予測方法が実施される。よって、実施の形態２における感染予測方法の説明は、以下の感染予測装置２００の動作説明に代える。
【0076】
最初に、図１３に示すように、データ取得部１０は、検体検査データ、患者状態データ、処置データ、薬剤データ、及び体調データを取得する（ステップＢ１）。そして、データ取得部１０は、取得した各種データを前処理部２０に入力する。
【0077】
次に、検体検査データ統計化部２１は、ステップＢ１で取得された検体検査データの統計を求める（ステップＢ２）。ステップＢ２は、図７に示したステップＡ２と同様のステップである。
【0078】
次に、患者状態データ分類部２２は、ステップＢ１で取得された患者の患者状態データを、予め設定された複数のカテゴリのいずれかに分類する（ステップＢ３）。ステップＢ３は、図７に示したステップＡ３と同様のステップである。
【0079】
次に、処置データ統計化部２３は、ステップＢ１で取得された処置データの統計を求める（ステップＢ４）。ステップＢ４は、図７に示したステップＡ４と同様のステップである。
【0080】
次に、薬剤データ統計化部２４は、ステップＢ１で取得された薬剤データの統計を求める（ステップＢ５）。
【0081】
具体的には、薬剤データ統計化部２４は、まず、期間を設定し、各期間で行われた薬剤の処方の回数を計測し、続いて、期間毎に、計測した回数を各期間の日数で除算し、得られた各期間の値を薬剤データの統計とする。
【0082】
次に、体調データ統計化部２５は、ステップＢ１で取得された体調データの統計を求める（ステップＢ６）。
【0083】
具体的には、体調データ統計化部２５は、まず、便の量が１０段階で示されている体調データを、患者の一日の便の量が「０」と「１」と表現される２値データに変換する。続いて、体調データ統計化部２５は、設定期間において、「０」が５０％を超えるかどうかを判定し、超える場合は、その期間における体調データを「０：便無」とし、超えない場合は、その期間における体調データを「１：便有」として、統計化する。
【0084】
次に、予測部３０は、カテーテル血流感染症予測モデル４１、尿路感染症予測モデル４２、及び原因菌予測モデル４３に、ステップＢ２～Ｂ６で求められた統計を入力する。そして、予測部３０は、各予測モデルからの出力結果に基づいて、患者が感染症に感染している可能性を予測し、予測結果を出力する（ステップＢ７）。
【0085】
ステップＢ７における予測処理は、実施の形態１において図８に示したステップに準じて行われる。但し、実施の形態２では、ステップＡ５３において、予測部３０は、カテーテル血流感染症予測モデル４１に、ステップＢ２～Ｂ４で求められた統計に加えて、ステップＢ５で求められた薬剤データの統計も入力する。
【0086】
更に、実施の形態２では、ステップＡ５５において、予測部３０は、尿路感染症予測モデル４２に、ステップＢ２及びＢ３で求められた統計に加えて、ステップＢ６で求められた体調データの統計も入力する。
【0087】
以上のように、実施の形態２では、実施の形態１と異なり、薬剤データ及び体調データも用いられ、これらの統計が予測モデルを用いた予測に用いられる。このため、実施の形態２によれば、いっそう、患者の感染の可能性を予測することができる。
【0088】
［プログラム］
実施の形態２におけるプログラムは、コンピュータに、図１３に示すステップＢ１～Ｂ７を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態２における感染予測装置２００と感染予測方法とを実現することができる。この場合、コンピュータのプロセッサは、データ取得部１０、前処理部２０、及び予測部３０として機能し、処理を行なう。
実施の形態２におけるプログラムは、コンピュータに、図１３に示すステップＢ１～Ｂ７を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態２における感染予測装置２００と感染予測方法とを実現することができる。この場合、コンピュータのプロセッサは、データ取得部１０、前処理部２０、及び予測部３０として機能し、処理を行なう。
【0089】
また、実施の形態２でも、記憶部４０は、コンピュータに備えられたハードディスク等の記憶装置に、これらを構成するデータファイルを格納することによって実現されていても良いし、別のコンピュータの記憶装置によって実現されていても良い。コンピュータとしては、汎用のＰＣの他に、スマートフォン、タブレット型端末装置が挙げられる。
【0090】
実施の形態２におけるプログラムも、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、データ取得部１０、前処理部２０、及び予測部３０のいずれかとして機能しても良い。
【0091】
【0092】
［装置構成］
最初に、実施の形態３における感染予測装置３００の構成について図１４を用いて説明する。また、図１５及び図１６を用いて、実施の形態３における感染予測装置３００の機能についても説明する。図１４は、実施の形態３における感染予測装置の構成を具体的に示す構成図である。図１５は、患者に対して行われた手術に関する手術データの統計化の一例を示す図である。図１６は、患者に対して登録された病名に関する病名データの統計化の一例を示す図である。
最初に、実施の形態３における感染予測装置３００の構成について図１４を用いて説明する。また、図１５及び図１６を用いて、実施の形態３における感染予測装置３００の機能についても説明する。図１４は、実施の形態３における感染予測装置の構成を具体的に示す構成図である。図１５は、患者に対して行われた手術に関する手術データの統計化の一例を示す図である。図１６は、患者に対して登録された病名に関する病名データの統計化の一例を示す図である。
【0093】
図１４に示す実施の形態３における感染予測装置３００は、実施の形態１及び２における感染予測装置と同様に、データ取得部１０と、前処理部２０と、予測部３０と、記憶部４０とを備えている。但し、実施の形態３における感染予測装置３００は、前処理部２０の構成において、実施の形態１及び２における感染予測装置と異なっている。以下、実施の形態１及び２との相違点を中心に説明する。
【0094】
図１４に示すように、実施の形態３においては、感染予測装置３００は、前処理部２０において、実施の形態２で説明した、検体検査データ統計化部２１、患者状態データ分類部２２、処置データ統計化部２３、薬剤データ統計化部２４、及び体調データ統計化部２５に加えて、手術データ統計化部２６と、病名データ統計化部２７とを備えている。
【0095】
データ取得部１０は、実施の形態３では、上述した、検体検査データ、患者状態データ、処置データ、薬剤データ、及び体調データに加えて、患者に対して行われた手術に関する手術データと、患者に対して登録された病名に関する病名データも取得する。
【0096】
手術データとしては、例えば、手術がいつ患者に対して実施されたのかを示すデータが用いられる。図１５の上段は手術データの一例を示している。
【0097】
手術データ統計化部２６は、データ取得部１０によって取得された手術データの統計を求める。例えば、図１５の下段に示すように、手術データ統計化部２６は、まず、期間として、患者Ａの入院からカテーテル挿入までの期間１と、患者Ａのカテーテル挿入から感染症の疑いが発生したときまでの期間２とを設定し、各期間で手術が実施された回数を計測する。そして、手術データ統計化部２６は、計測した期間毎の手術の実施回数を、統計化手術データとして、記憶部４０に格納する。
【0098】
病名データとしては、例えば、患者に対して、どのような病名がいつ登録されたかを示すデータが用いられる。図１６の上段は、病名データの一例を指名している。
【0099】
病名データ統計化部２７は、データ取得部１０によって取得された病名データの統計を求める。例えば、図１６の中段に示すように、病名データ統計化部２７は、まず、期間として、患者Ａの入院からカテーテル挿入までの期間１と、患者Ａのカテーテル挿入から感染症の疑いが発生したときまでの期間２とを設定する。
【0100】
続いて、図１６の中段に示すように、病名データ統計化部２７は、登録された病名を、予め用意された分類表を用いてコードに変換する。この場合に用いられる分類表としては、ＩＣＤ（International Statistical Classification of Diseases and Related Health Problems）国際疾病分類（www.byomei.org/icd10/index.html）が挙げられる。
【0101】
次に、図１６の下段に示すように、病名データ統計化部２７は、コード変換された病名データを用いて、期間毎に、特定のコードが登録された回数を計測する。この期間毎の登録回数が、病名データの統計となる。また、病名データの統計は、ＳＳＩ（Surgical Site Infection）予測モデル４４への入力に用いられる。
【0102】
ここで、図１７を用いて、ＳＳＩ予測モデル４４について説明する。図１７は、実施の形態３においてＳＳＩ予測モデルの機械学習に用いられる訓練データの一例を示す図である。なお、実施の形態３において、カテーテル血流感染症予測モデル４１、尿路感染症予測モデル４２、及び原因菌予測モデル４３としては、実施の形態３で示した予測モデルが用いられている。
【0103】
ＳＳＩ予測モデル４４は、検体検査データの統計、患者の状態のカテゴリ、処置データの統計、及び病名データの統計と、術後感染症の原因菌と、の関係を機械学習することによって構築された機械学習モデルである。
【0104】
図１７に示すように、ＳＳＩ予測モデル４４用の訓練データは、ＳＳＩ（術後感染症）に該当するか否かを正解ラベルとし、データ取得先の患者の年齢、性別、入院期間、白血球数、体温、手術回数、薬剤の期間平均の処方回数、及び特定期間での病名の登録回数で構成されている。また、正解ラベルとしては、ＳＳＩである可能性を示す確率値（％）が用いられていても良い。
【0105】
ＳＳＩ予測モデル４４の機械学習も、実施の形態１と同様に行われる。例えば、畳み込みニューラルネットワーク、グラフ畳み込みネットワーク、サポートベクトルマシン、回帰モデル等に、訓練データの説明変数を入力し、出力された値が正解ラベルと一致するように、パラメータを更新することによって、機械学習が行われる。
【0106】
［装置動作］
次に、実施の形態３における感染予測装置３００の動作について図１８を用いて説明する。図１８は、実施の形態３における感染予測装置の動作を示すフロー図である。以下の説明においては、適宜図１４～図１７を参照する。実施の形態３では、感染予測装置３００を動作させることによって、感染予測方法が実施される。よって、実施の形態３における感染予測方法の説明は、以下の感染予測装置３００の動作説明に代える。
次に、実施の形態３における感染予測装置３００の動作について図１８を用いて説明する。図１８は、実施の形態３における感染予測装置の動作を示すフロー図である。以下の説明においては、適宜図１４～図１７を参照する。実施の形態３では、感染予測装置３００を動作させることによって、感染予測方法が実施される。よって、実施の形態３における感染予測方法の説明は、以下の感染予測装置３００の動作説明に代える。
【0107】
最初に、図１８に示すように、データ取得部１０は、検体検査データ、患者状態データ、処置データ、薬剤データ、体調データ、手術データ、及び病名データを取得する（ステップＣ１）。そして、データ取得部１０は、取得した各種データを前処理部２０に入力する。
【0108】
次に、検体検査データ統計化部２１は、ステップＣ１で取得された検体検査データの統計を求める（ステップＣ２）。ステップＣ２は、図７に示したステップＡ２と同様のステップである。
【0109】
次に、患者状態データ分類部２２は、ステップＣ１で取得された患者の患者状態データを、予め設定された複数のカテゴリのいずれかに分類する（ステップＣ３）。ステップＣ３は、図７に示したステップＡ３と同様のステップである。
【0110】
次に、処置データ統計化部２３は、ステップＣ１で取得された処置データの統計を求める（ステップＣ４）。ステップＣ４は、図７に示したステップＡ４と同様のステップである。
【0111】
次に、薬剤データ統計化部２４は、ステップＣ１で取得された薬剤データの統計を求める（ステップＣ５）。ステップＣ５は、図１３に示したステップＢ５と同様のステップである。
【0112】
次に、体調データ統計化部２５は、ステップＣ１で取得された体調データの統計を求める（ステップＣ６）。ステップＣ６は、図１３に示したステップＢ６と同様のステップである。
【0113】
次に、手術データ統計化部２６は、ステップＣ１で取得された手術データの統計を求める（ステップＣ７）。
【0114】
具体的には、手術データ統計化部２６は、まず、期間を設定し、各期間で手術が実施された回数を計測し、続いて、期間毎の手術の実施回数を、統計化手術データとして、記憶部４０に格納する。
【0115】
次に、病名データ統計化部２７は、ステップＣ１で取得された病名データの統計を求める（ステップＣ８）。
【0116】
具体的には、病名データ統計化部２７は、まず、期間を設定し、登録された病名を、予め用意された分類表を用いてコードに変換する。続いて、病名データ統計化部２７は、コード変換された病名データを用いて、期間毎に、特定のコードが登録された回数を計測する。この期間毎の登録回数が、病名データの統計となる。
【0117】
次に、予測部３０は、カテーテル血流感染症予測モデル４１、尿路感染症予測モデル４２、原因菌予測モデル４３、及びＳＳＩ予測モデル４４に、ステップＣ２～Ｃ６及びＣ８で求められた統計を入力する。そして、予測部３０は、各予測モデルからの出力結果に基づいて、患者が感染症に感染している可能性を予測し、予測結果を出力する（ステップＣ９）。
【0118】
【0119】
図１９に示すように、最初に、予測部３０は、患者に対してカテーテルの挿入が行われているかどうかを判定する（ステップＣ１０１）。外部からカテーテルの挿入の有無について通知がなされている場合は、予測部３０は、通知に基づいて判定する。患者状態データに付加されている患者の個人情報に、カテーテルの挿入の有無が含まれている場合は、予測部３０は、患者状態データに基づいて判定する。
【0120】
ステップＣ１０１の判定の結果、患者に対してカテーテルの挿入が行われている場合（ステップＣ１０１：Ｙｅｓ）は、予測部３０は、カテーテル血流感染症予測モデル４１に、ステップＣ２で求められた統計、ステップＣ３で求められた分類結果、ステップＣ４で求められた統計、及びステップＣ５で求められた薬剤データの統計を、入力する（ステップＣ１０２）。
【0121】
そして、カテーテル血流感染症予測モデル４１は、出力として、「カテーテル血流感染症」又は「非感染症」を出力するので、予測部３０は、カテーテル血流感染症予測モデル４１の出力結果に基づいて、陽性かどうかを判定する（ステップＣ１０３）。
【0122】
ステップＣ１０３の判定の結果、陽性でない場合（ステップＣ１０３：Ｎｏ）は、予測部３０は、感染症の可能性は無いと判定し、判定結果を予測結果として出力する（ステップＣ１０８）。
【0123】
一方、ステップＣ１０３の判定の結果、陽性である場合（ステップＣ１０３：Ｙｅｓ）は、予測部３０は、原因菌予測モデル４３に、ステップＣで求められた統計、ステップＣ３で求められた分類結果、及びステップＣ４で求められた統計を入力して、予測を実行する（ステップＣ１０４）。
【0124】
原因菌予測モデル４３は、入力に応じて、ＣＮＳが原因であるかどうかを出力するので、予測部３０は、ステップＣ１０４の実行後、「ＣＮＳは原因である」又は「ＣＮＳは原因でない」という出力結果を、予測結果として出力する（ステップＣ１０８）。
【0125】
また、上述したステップＣ１０１の判定の結果、患者に対してカテーテルの挿入が行われていない場合（ステップＣ１０１：Ｎｏ）は、予測部３０は、記憶部４０に格納されている統計化手術データと、ステップＣ１で取得された病名データとを用いて、患者に対して手術が実施され、且つ、患者において炎症が発生しているかどうかを判定する（ステップＣ１０５）。
【0126】
ステップＣ１０５の判定の結果、「患者に対して手術が実施され、且つ、患者において炎症が発生している」に該当する場合（ステップＣ１０５：Ｙｅｓ）は、予測部３０は、ＳＳＩ予測モデル４４に、ステップＣ２で求められた統計、ステップＣ３で求められた分類結果、ステップＣ４で求められた統計、及びステップＣ８で求められた病名データの統計を入力する（ステップＣ１０６）。
【0127】
ＳＳＩ予測モデル４４は、入力に応じて、ＳＳＩに該当するかどうかを出力するので、予測部３０は、ステップＣ１０６の実行後、「患者はＳＳＩ（術後感染症）である」又は「患者は非感染症である」という出力結果を、予測結果として出力する（ステップＣ１０８）。
【0128】
一方、ステップＣ１０５の判定の結果、「患者に対して手術が実施され、且つ、患者において炎症が発生している」に該当しない場合（ステップＣ１０５：Ｎｏ）は、予測部３０は、尿路感染症予測モデル４２に、ステップＣ２で求められた統計、ステップＣ３で求められた分類結果、及びステップＣ６で求められた体調データの統計を入力する（ステップＣ１０７）。
【0129】
そして、尿路感染症予測モデル４２は、出力として、「尿路感染症」又は「非感染症」を出力するので、予測部３０は、尿路感染症予測モデル４２の出力結果に基づいて、尿路感染症の可能性を判定する。予測部３０は、尿路感染症予測モデル４２の出力結果を、予測結果として出力する（ステップＣ１０８）。
【0130】
以上のように、実施の形態３では、カテーテル血流感染症予測モデル４１、尿路感染症予測モデル４２、原因菌予測モデル４３、及びＳＳＩ予測モデル４４が用いられる。このため、実施の形態３によれば、手術後の感染の原因を含めて、患者の感染の可能性を予測することができる。
【0131】
以上のように、実施の形態３では、実施の形態１及び２と異なり、手術データ及び病名データが用いられて、術後感染症に感染しているかどうかの予測も行われる。このため、実施の形態３によれば、いっそう、患者の感染の可能性を予測することができる。
【0132】
［プログラム］
実施の形態３におけるプログラムは、コンピュータに、図１８に示すステップＣ１～Ｃ９を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態３における感染予測装置３００と感染予測方法とを実現することができる。この場合、コンピュータのプロセッサは、データ取得部１０、前処理部２０、及び予測部３０として機能し、処理を行なう。
実施の形態３におけるプログラムは、コンピュータに、図１８に示すステップＣ１～Ｃ９を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態３における感染予測装置３００と感染予測方法とを実現することができる。この場合、コンピュータのプロセッサは、データ取得部１０、前処理部２０、及び予測部３０として機能し、処理を行なう。
【0133】
また、実施の形態３でも、記憶部４０は、コンピュータに備えられたハードディスク等の記憶装置に、これらを構成するデータファイルを格納することによって実現されていても良いし、別のコンピュータの記憶装置によって実現されていても良い。コンピュータとしては、汎用のＰＣの他に、スマートフォン、タブレット型端末装置が挙げられる。
【0134】
実施の形態３におけるプログラムも、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、データ取得部１０、前処理部２０、及び予測部３０のいずれかとして機能しても良い。
【0135】
［物理構成］
ここで、実施の形態１～３におけるプログラムを実行することによって、感染予測装置を実現するコンピュータについて図２０を用いて説明する。図２０は、実施の形態１～３における感染予測装置を実現するコンピュータの一例を示すブロック図である。
ここで、実施の形態１～３におけるプログラムを実行することによって、感染予測装置を実現するコンピュータについて図２０を用いて説明する。図２０は、実施の形態１～３における感染予測装置を実現するコンピュータの一例を示すブロック図である。
【0136】
図２０に示すように、コンピュータ１１０は、ＣＰＵ（Central Processing Unit）１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。
【0137】
また、コンピュータ１１０は、ＣＰＵ１１１に加えて、又はＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-Programmable Gate Array）を備えていても良い。この態様では、ＧＰＵ又はＦＰＧＡが、実施の形態におけるプログラムを実行することができる。
【0138】
ＣＰＵ１１１は、記憶装置１１３に格納された、コード群で構成された実施の形態におけるプログラムをメインメモリ１１２に展開し、各コードを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。
【0139】
また、実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであっても良い。
【0140】
また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。
【0141】
データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。
【0142】
また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記録媒体、又はＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記録媒体が挙げられる。
【0143】
なお、実施の形態１～３における感染予測装置は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、感染予測装置は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。
【0144】
上述した実施の形態の一部又は全部は、以下に記載する（付記１）～（付記１５）によって表現することができるが、以下の記載に限定されるものではない。
【0145】
（付記１）
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得部と、
前記検体検査データの統計を求める、検体検査データ統計化部と、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類部と、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測部と、
を備えている、ことを特徴とする感染予測装置。
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得部と、
前記検体検査データの統計を求める、検体検査データ統計化部と、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類部と、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測部と、
を備えている、ことを特徴とする感染予測装置。
【0146】
（付記２）
付記１に記載の感染予測装置であって、
前記データ取得部が、更に、前記患者に対して行われた処置に関する処置データを更に取得し、
当該感染予測装置が、前記処置データの統計を求める、処置データ統計化部を更に備え、
前記予測モデルが、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、感染症と、の関係を機械学習しており、
前記予測部が、前記予測モデルに、前記検体検査データから求められた統計及び前記患者状態データの分類結果に加えて、前記処置データから求められた統計を入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、
ことを特徴とする感染予測装置。
付記１に記載の感染予測装置であって、
前記データ取得部が、更に、前記患者に対して行われた処置に関する処置データを更に取得し、
当該感染予測装置が、前記処置データの統計を求める、処置データ統計化部を更に備え、
前記予測モデルが、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、感染症と、の関係を機械学習しており、
前記予測部が、前記予測モデルに、前記検体検査データから求められた統計及び前記患者状態データの分類結果に加えて、前記処置データから求められた統計を入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、
ことを特徴とする感染予測装置。
【0147】
（付記３）
付記２に記載の感染予測装置であって、
前記予測部が、予測モデルとして、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル感染症と、の関係を機械学習している、第１の予測モデルと、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、尿路感染症と、の関係を機械学習している、第２の予測モデルと、を用いる、
ことを特徴とする感染予測装置。
付記２に記載の感染予測装置であって、
前記予測部が、予測モデルとして、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル感染症と、の関係を機械学習している、第１の予測モデルと、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、尿路感染症と、の関係を機械学習している、第２の予測モデルと、を用いる、
ことを特徴とする感染予測装置。
【0148】
（付記４）
付記１～３のいずれかに記載の感染予測装置であって、
前記データ取得部が、前記検体検査データとして、前記患者の血液検査のデータを取得し、
前記検体検査データ統計化部が、前記検体検査データの統計として、最大値、最小値、及び平均値のいずれかを求める、
ことを特徴とする感染予測装置。
付記１～３のいずれかに記載の感染予測装置であって、
前記データ取得部が、前記検体検査データとして、前記患者の血液検査のデータを取得し、
前記検体検査データ統計化部が、前記検体検査データの統計として、最大値、最小値、及び平均値のいずれかを求める、
ことを特徴とする感染予測装置。
【0149】
（付記５）
付記１～４のいずれかに記載の感染予測装置であって、
前記データ取得部が、前記患者状態データとして、前記患者の体温、血圧、脈拍、酸素飽和度の少なくとも一つを取得し、
前記患者状態データ分類部が、取得した前記患者の体温、血圧、脈拍、及び酸素飽和度のいずれかを、その値に応じて、予め設定された複数のカテゴリのいずれかに分類する、
ことを特徴とする感染予測装置。
付記１～４のいずれかに記載の感染予測装置であって、
前記データ取得部が、前記患者状態データとして、前記患者の体温、血圧、脈拍、酸素飽和度の少なくとも一つを取得し、
前記患者状態データ分類部が、取得した前記患者の体温、血圧、脈拍、及び酸素飽和度のいずれかを、その値に応じて、予め設定された複数のカテゴリのいずれかに分類する、
ことを特徴とする感染予測装置。
【0150】
（付記６）
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得ステップと、
前記検体検査データの統計を求める、検体検査データ統計化ステップと、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類ステップと、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測ステップと、
を有する、ことを特徴とする感染予測方法。
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得ステップと、
前記検体検査データの統計を求める、検体検査データ統計化ステップと、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類ステップと、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測ステップと、
を有する、ことを特徴とする感染予測方法。
【0151】
（付記７）
付記６に記載の感染予測方法であって、
前記データ取得ステップにおいて、更に、前記患者に対して行われた処置に関する処置データを更に取得し、
当該感染予測方法が、前記処置データの統計を求める、処置データ統計化ステップを更に有し、
前記予測モデルが、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、感染症と、の関係を機械学習しており、
前記予測ステップにおいて、前記予測モデルに、前記検体検査データから求められた統計及び前記患者状態データの分類結果に加えて、前記処置データから求められた統計を入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、
ことを特徴とする感染予測方法。
付記６に記載の感染予測方法であって、
前記データ取得ステップにおいて、更に、前記患者に対して行われた処置に関する処置データを更に取得し、
当該感染予測方法が、前記処置データの統計を求める、処置データ統計化ステップを更に有し、
前記予測モデルが、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、感染症と、の関係を機械学習しており、
前記予測ステップにおいて、前記予測モデルに、前記検体検査データから求められた統計及び前記患者状態データの分類結果に加えて、前記処置データから求められた統計を入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、
ことを特徴とする感染予測方法。
【0152】
（付記８）
付記７に記載の感染予測方法であって、
前記予測ステップにおいて、予測モデルとして、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル感染症と、の関係を機械学習している、第１の予測モデルと、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、尿路感染症と、の関係を機械学習している、第２の予測モデルと、を用いる、
ことを特徴とする感染予測方法。
付記７に記載の感染予測方法であって、
前記予測ステップにおいて、予測モデルとして、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル感染症と、の関係を機械学習している、第１の予測モデルと、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、尿路感染症と、の関係を機械学習している、第２の予測モデルと、を用いる、
ことを特徴とする感染予測方法。
【0153】
（付記９）
付記６～８のいずれかに記載の感染予測方法であって、
前記データ取得ステップにおいて、前記検体検査データとして、前記患者の血液検査のデータを取得し、
前記検体検査データ統計化ステップにおいて、前記検体検査データの統計として、最大値、最小値、及び平均値のいずれかを求める、
ことを特徴とする感染予測方法。
付記６～８のいずれかに記載の感染予測方法であって、
前記データ取得ステップにおいて、前記検体検査データとして、前記患者の血液検査のデータを取得し、
前記検体検査データ統計化ステップにおいて、前記検体検査データの統計として、最大値、最小値、及び平均値のいずれかを求める、
ことを特徴とする感染予測方法。
【0154】
（付記１０）
付記６～９のいずれかに記載の感染予測方法であって、
前記データ取得ステップにおいて、前記患者状態データとして、前記患者の体温、血圧、脈拍、酸素飽和度の少なくとも一つを取得し、
前記患者状態データ分類ステップにおいて、取得した前記患者の体温、血圧、脈拍、及び酸素飽和度のいずれかを、その値に応じて、予め設定された複数のカテゴリのいずれかに分類する、
ことを特徴とする感染予測方法。
付記６～９のいずれかに記載の感染予測方法であって、
前記データ取得ステップにおいて、前記患者状態データとして、前記患者の体温、血圧、脈拍、酸素飽和度の少なくとも一つを取得し、
前記患者状態データ分類ステップにおいて、取得した前記患者の体温、血圧、脈拍、及び酸素飽和度のいずれかを、その値に応じて、予め設定された複数のカテゴリのいずれかに分類する、
ことを特徴とする感染予測方法。
【0155】
（付記１１）
コンピュータに、
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得ステップと、
前記検体検査データの統計を求める、検体検査データ統計化ステップと、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類ステップと、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測ステップと、
を実行させる、ことを特徴とするプログラム。
コンピュータに、
患者の検体検査に関する検体検査データ、及び前記患者の状態を示す患者状態データを取得する、データ取得ステップと、
前記検体検査データの統計を求める、検体検査データ統計化ステップと、
前記患者状態データを、予め設定された複数のカテゴリのいずれかに分類する、患者状態データ分類ステップと、
検体検査データの統計及び患者の状態のカテゴリと、感染症と、の関係を機械学習している予測モデルに、前記検体検査データから求められた統計と前記患者状態データの分類結果とを入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、予測ステップと、
を実行させる、ことを特徴とするプログラム。
【0156】
（付記１２）
付記１１に記載のプログラムであって、
前記データ取得ステップにおいて、更に、前記患者に対して行われた処置に関する処置データを更に取得し、
当該プログラムが、前記処置データの統計を求める、処置データ統計化ステップを更に実行させ、
前記予測モデルが、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、感染症と、の関係を機械学習しており、
前記予測ステップにおいて、前記予測モデルに、前記検体検査データから求められた統計及び前記患者状態データの分類結果に加えて、前記処置データから求められた統計を入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、
ことを特徴とするプログラム。
付記１１に記載のプログラムであって、
前記データ取得ステップにおいて、更に、前記患者に対して行われた処置に関する処置データを更に取得し、
当該プログラムが、前記処置データの統計を求める、処置データ統計化ステップを更に実行させ、
前記予測モデルが、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、感染症と、の関係を機械学習しており、
前記予測ステップにおいて、前記予測モデルに、前記検体検査データから求められた統計及び前記患者状態データの分類結果に加えて、前記処置データから求められた統計を入力し、前記予測モデルからの出力結果に基づいて、前記患者が感染症に感染している可能性を予測する、
ことを特徴とするプログラム。
【0157】
（付記１３）
付記１２に記載のプログラムであって、
前記予測ステップにおいて、予測モデルとして、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル感染症と、の関係を機械学習している、第１の予測モデルと、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、尿路感染症と、の関係を機械学習している、第２の予測モデルと、を用いる、
ことを特徴とするプログラム。
付記１２に記載のプログラムであって、
前記予測ステップにおいて、予測モデルとして、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、カテーテル感染症と、の関係を機械学習している、第１の予測モデルと、検体検査データの統計、患者の状態のカテゴリ、及び処置データの統計と、尿路感染症と、の関係を機械学習している、第２の予測モデルと、を用いる、
ことを特徴とするプログラム。
【0158】
（付記１４）
付記１１～１３のいずれかに記載のプログラムであって、
前記データ取得ステップにおいて、前記検体検査データとして、前記患者の血液検査のデータを取得し、
前記検体検査データ統計化ステップにおいて、前記検体検査データの統計として、最大値、最小値、及び平均値のいずれかを求める、
ことを特徴とするプログラム。
付記１１～１３のいずれかに記載のプログラムであって、
前記データ取得ステップにおいて、前記検体検査データとして、前記患者の血液検査のデータを取得し、
前記検体検査データ統計化ステップにおいて、前記検体検査データの統計として、最大値、最小値、及び平均値のいずれかを求める、
ことを特徴とするプログラム。
【0159】
（付記１５）
付記１１～１４のいずれかに記載のプログラムであって、
前記データ取得ステップにおいて、前記患者状態データとして、前記患者の体温、血圧、脈拍、酸素飽和度の少なくとも一つを取得し、
前記患者状態データ分類ステップにおいて、取得した前記患者の体温、血圧、脈拍、及び酸素飽和度のいずれかを、その値に応じて、予め設定された複数のカテゴリのいずれかに分類する、
ことを特徴とするプログラム。
付記１１～１４のいずれかに記載のプログラムであって、
前記データ取得ステップにおいて、前記患者状態データとして、前記患者の体温、血圧、脈拍、酸素飽和度の少なくとも一つを取得し、
前記患者状態データ分類ステップにおいて、取得した前記患者の体温、血圧、脈拍、及び酸素飽和度のいずれかを、その値に応じて、予め設定された複数のカテゴリのいずれかに分類する、
ことを特徴とするプログラム。
【産業上の利用可能性】
【0160】
以上のように、本発明によれば、感染の原因を含めて、患者の院内感染の可能性を予測することができる。本発明は、医療分野において有用である。
【符号の説明】
【0161】
１００ 感染予測装置
１０ データ取得部
２０ 前処理部
２１ 検体検査データ統計化部
２２ 患者状態データ分類部
２３ 処置データ統計化部
３０ 予測部
４０ 記憶部
４１ カテーテル血流感染症予測モデル
４２ 尿路感染症予測モデル
４３ 原因菌予測モデル
４４ ＳＳＩ予測モデル
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス
２００ 感染予測装置（実施の形態２）
３００ 感染予測装置（実施の形態３）
１０ データ取得部
２０ 前処理部
２１ 検体検査データ統計化部
２２ 患者状態データ分類部
２３ 処置データ統計化部
３０ 予測部
４０ 記憶部
４１ カテーテル血流感染症予測モデル
４２ 尿路感染症予測モデル
４３ 原因菌予測モデル
４４ ＳＳＩ予測モデル
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス
２００ 感染予測装置（実施の形態２）
３００ 感染予測装置（実施の形態３）
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】