特開 2022-59494 医用情報処理装置、医用情報処理方法、医用情報処理プログラム、及び医用情報処理システム

(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】P2022059494

(43)【公開日】2022-04-13

(54)【発明の名称】医用情報処理装置、医用情報処理方法、医用情報処理プログラム、及び医用情報処理システム

(51)【国際特許分類】

   G16H 50/20 20180101AFI20220406BHJP

   G16H 50/70 20180101ALI20220406BHJP

   G16H 50/50 20180101ALI20220406BHJP

【ＦＩ】

G16H50/20

G16H50/70

G16H50/50

【審査請求】未請求

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2020167287

(22)【出願日】2020-10-01

【新規性喪失の例外の表示】新規性喪失の例外適用申請有り

(71)【出願人】

【識別番号】520079164

【氏名又は名称】勝俣 良紀

(74)【代理人】

【識別番号】110001771

【氏名又は名称】特許業務法人虎ノ門知的財産事務所

(72)【発明者】

【氏名】勝俣 良紀

(72)【発明者】

【氏名】白石 泰之

(72)【発明者】

【氏名】後藤 信一

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA03

5L099AA04

5L099AA15

(57)【要約】      （修正有）

【課題】心臓に関連する診断支援情報を適切に提供する、医用情報処理装置、医用情報処理方法、医用情報処理プログラム及び医用情報処理システムを提供する。
【解決手段】医用情報処理装置１００は、取得部１１１と、判定部１１３と、出力制御部１１４とを備える。取得部１１１は、第１対象者の第１拍動情報を取得し、判定部１１３は、複数の第２対象者の第２拍動情報と、複数の第２対象者の心拍に関する関連情報とを用いて機械学習された学習済みモデルに対して、第１拍動情報を入力することで、第１対象者の心拍に関する判定結果を生成する。出力制御部１１４は、判定結果に基づいて、第１対象者の診断を支援する診断支援情報を出力する。
【選択図】図１

【特許請求の範囲】

【請求項1】

第１対象者の第１拍動情報を取得する取得部と、
複数の第２対象者の第２拍動情報と、前記複数の第２対象者の心拍に関する関連情報とを用いて機械学習された学習済みモデルに対して、前記第１拍動情報を入力することで、前記第１対象者の心拍に関する判定結果を生成する判定部と、
前記判定結果に基づいて、前記第１対象者の診断を支援する診断支援情報を出力する出力制御部と
を備える、医用情報処理装置。

【請求項2】

前記取得部は、前記第１拍動情報として、少なくとも１心拍分の心電情報を取得する、
請求項１に記載の医用情報処理装置。

【請求項3】

前記複数の第２対象者の第２拍動情報と、前記複数の第２対象者の心拍に関する関連情報とを用いた機械学習によって、前記学習済みモデルを生成する学習部を更に備える、
請求項１又は２に記載の医用情報処理装置。

【請求項4】

前記学習部は、心電波形のパターンを解析する第１学習モデルと、時系列データを解析する第２学習モデルとを含む機械学習によって、前記学習済みモデルを生成する、
請求項３に記載の医用情報処理装置。

【請求項5】

前記学習部は、前記第２拍動情報と前記関連情報とを含む学習用データに対して、前記機械学習として、前記第１学習モデル、前記第２学習モデル、前記第１学習モデル、前記第１学習モデル、及び前記第２学習モデルを順に実行することで、前記学習済みモデルを生成する、
請求項４に記載の医用情報処理装置。

【請求項6】

前記判定部は、前記判定結果として、
前記第１対象者の心拍に関する現在の状態を表す現在状態情報、及び
前記第１対象者の心拍に関する将来の状態を表す将来状態情報、
のうち少なくとも一つを判定する、
請求項１～５のいずれか一つに記載の医用情報処理装置。

【請求項7】

前記判定部は、
前記現在状態情報として、
前記第１対象者が所定の疾患であるか否かを示す情報、
前記第１対象者の心拍の状態に応じた治療方法を示す情報、
前記第１対象者の運動中の心拍の状態を示す情報、
のうち少なくとも一つを判定する、
請求項６に記載の医用情報処理装置。

【請求項8】

前記判定部は、
前記将来状態情報として、
前記第１対象者が心臓突然死によって亡くなるまでの期間を示す情報、
前記第１対象者が所定期間後に心臓突然死によって亡くなる確率を示す情報、
前記第１対象者が所定の心血管疾患を発症するまでの期間を示す情報、
前記第１対象者が所定期間後に所定の心血管疾患を発症する確率を示す情報、
前記第１対象者の現在の心血管疾患の状態が改善するまでの期間を示す情報、及び
前記第１対象者の現在の心血管疾患の状態が悪化するまでの期間を示す情報
のうち少なくとも一つを判定する、
請求項６又は７に記載の医用情報処理装置。

【請求項9】

前記判定結果に基づいて、運動提供装置における運動負荷の調整量を決定する決定部を更に備える、
請求項１～８のいずれか一つに記載の医用情報処理装置。

【請求項10】

前記出力制御部は、前記判定結果と既存の第１指標とを組み合わせた新たな第２指標を出力する、
請求項１～９のいずれか一つに記載の医用情報処理装置。

【請求項11】

第１対象者の第１拍動情報を取得し、
複数の第２対象者の第２拍動情報と、前記複数の第２対象者の心拍に関する関連情報とを用いて機械学習された学習済みモデルに対して、前記第１拍動情報を入力することで、前記第１対象者の心拍に関する判定結果を生成し、
前記判定結果に基づいて、前記第１対象者の診断を支援する診断支援情報を出力する
ことを含む、医用情報処理方法。

【請求項12】

第１対象者の第１拍動情報を取得し、
複数の第２対象者の第２拍動情報と、前記複数の第２対象者の心拍に関する関連情報とを用いて機械学習された学習済みモデルに対して、前記第１拍動情報を入力することで、前記第１対象者の心拍に関する判定結果を生成し、
前記判定結果に基づいて、前記第１対象者の診断を支援する診断支援情報を出力する
各処理をコンピュータに実行させる、医用情報処理プログラム。

【請求項13】

第１対象者の第１拍動情報を取得する取得部と、
複数の第２対象者の第２拍動情報と、前記複数の第２対象者の心拍に関する関連情報とを用いて機械学習された学習済みモデルに対して、前記第１拍動情報を入力することで、前記第１対象者の心拍に関する判定結果を生成する判定部と、
前記判定結果に基づいて、前記第１対象者の診断を支援する診断支援情報を出力する出力制御部と
を備える、医用情報処理システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、医用情報処理装置、医用情報処理方法、医用情報処理プログラム、及び医用情報処理システムに関する。

【背景技術】

【0002】

循環器医療では、心室細動などの致死性の重症不整脈に突然見舞われて死に至る「心臓突然死」が問題となっている。心臓突然死は、例えば、植え込み型除細動器を患者の胸部に植え込んでおくことで、発生した重症不整脈に対処し、突然死を防ぐことができる。しかしながら、植え込み型除細動器の利用には費用がかかるうえ、植え込み時だけでなく電池交換時にも手術を要するなど、患者に様々な負担を強いることになる。このため、植え込み型除細動器は、心臓突然死の発生確率が高い患者に対して選択的に利用されるのが望ましい。

【0003】

また、循環器医療では、心疾患等により低下した心機能を改善するために、心臓リハビリテーション（「心リハ」とも表記する）が行われている。例えば、心リハとしては、自転車エルゴメーターやトレッドミル等の運動器具を用いた有酸素運動が行われる。心リハでは、心臓に過度の負担がかからないよう配慮する必要があるが、その一方で、心機能を向上させるために適度な負担をかける必要もある。このため、心リハは、医師や理学療法士等の医療従事者の監督のもと運動負荷（「運動レベル」とも表記する）が管理され、提供されている。

【先行技術文献】

【非特許文献】

【0004】

【非特許文献1】Shinichi Goto,Mai Kimura,Yoshinori Katsumata,Shinya Goto,Takashi Kamatani,Genki Ichihara,Seien Ko,Junichi Sasaki,Keiichi Fukuda,Motoaki Sano. “Artificial intelligence to predict needs for urgent revascularization from 12-leads electrocardiography in emergency patients” PLOS ONE | https://doi.org/10.1371/journal.pone.0210103 January 9, 2019.

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、心臓突然死の発生を予測することは難しく、適切な患者に植え込み型除細動器を提供できているとは言い難い。また、体調は毎日変化するため、当日の体調に合わせた運動負荷を日々提供することは難しい。

【0006】

本発明が解決しようとする課題は、心臓に関連する診断支援情報を適切に提供することである。

【課題を解決するための手段】

【0007】

上述した課題を解決し、目的を達成するために、本発明は、第１対象者の第１拍動情報を取得する取得部と、複数の第２対象者の第２拍動情報と、前記複数の第２対象者の心拍に関する関連情報とを用いて機械学習された学習済みモデルに対して、前記第１拍動情報を入力することで、前記第１対象者の心拍に関する判定結果を生成する判定部と、前記判定結果に基づいて、前記第１対象者の診断を支援する診断支援情報を出力する出力制御部とを備える、医用情報処理装置である。

【0008】

また、本発明は、第１対象者の第１拍動情報を取得し、複数の第２対象者の第２拍動情報と、前記複数の第２対象者の心拍に関する関連情報とを用いて機械学習された学習済みモデルに対して、前記第１拍動情報を入力することで、前記第１対象者の心拍に関する判定結果を生成し、前記判定結果に基づいて、前記第１対象者の診断を支援する診断支援情報を出力することを含む、医用情報処理方法である。

【0009】

また、本発明は、第１対象者の第１拍動情報を取得し、複数の第２対象者の第２拍動情報と、前記複数の第２対象者の心拍に関する関連情報とを用いて機械学習された学習済みモデルに対して、前記第１拍動情報を入力することで、前記第１対象者の心拍に関する判定結果を生成し、前記判定結果に基づいて、前記第１対象者の診断を支援する診断支援情報を出力する各処理をコンピュータに実行させる、医用情報処理プログラムである。

【0010】

また、本発明は、第１対象者の第１拍動情報を取得する取得部と、複数の第２対象者の第２拍動情報と、前記複数の第２対象者の心拍に関する関連情報とを用いて機械学習された学習済みモデルに対して、前記第１拍動情報を入力することで、前記第１対象者の心拍に関する判定結果を生成する判定部と、前記判定結果に基づいて、前記第１対象者の診断を支援する診断支援情報を出力する出力制御部とを備える、医用情報処理システムである。

【発明の効果】

【0011】

本発明によれば、心臓に関連する診断支援情報を適切に提供することが可能となる。

【図面の簡単な説明】

【0012】

【図1】図１は、第１の実施形態に係る医用情報処理装置の構成例を示す図である。

【図2】図２は、第１の実施形態に係る医用情報処理装置により行われる学習時及び運用時の処理を示す図である。

【図3】図３は、第１の実施形態に係る医用情報処理装置における学習時の処理手順を示すフローチャートである。

【図4】図４は、第１の実施形態に係る学習部の処理を説明するための図である。

【図5】図５は、第１の実施形態に係る学習部の処理を説明するための図である。

【図6】図６は、第１の実施形態に係る医用情報処理装置における運用時の処理手順を示すフローチャートである。

【図7】図７は、第１の実施形態に係る出力制御部の処理を説明するための図である。

【図8】図８は、第１の実施形態に係る出力制御部の処理を説明するための図である。

【図9】図９は、第１の実施形態に係る医用情報処理装置による効果を説明するための図である。

【図10】図１０は、第１の実施形態に係る医用情報処理装置による効果を説明するための図である。

【図11】図１１は、第２の実施形態に係る医用情報処理システムの構成例を示す図である。

【図12】図１２は、第２の実施形態に係る運動提供装置及び医用情報処理装置の構成例を示す図である。

【図13】図１３は、第２の実施形態に係る学習済みモデルについて説明するための図である。

【図14】図１４は、第２の実施形態に係る医用情報処理装置における運用時の処理手順を示すフローチャートである。

【図15】図１５は、第２の実施形態の変形例に係る学習部の処理を説明するための図である。

【図16】図１６は、第２の実施形態の変形例に係る学習部の処理を説明するための図である。

【発明を実施するための形態】

【0013】

以下、図面を参照して、実施形態に係る医用情報処理装置、医用情報処理方法、医用情報処理プログラム、及び医用情報処理システムを説明する。なお、実施形態は、以下の実施形態に限られるものではない。また、一つの実施形態に記載した内容は、原則として他の実施形態にも同様に適用可能である。

【0014】

（第１の実施形態）
図１を用いて、第１の実施形態に係る医用情報処理装置１００の構成例を説明する。図１は、第１の実施形態に係る医用情報処理装置１００の構成例を示す図である。なお、図１の構成例はあくまで一例であり、実施形態は図示の内容に限定されるものではない。

【0015】

図１において、医用情報処理装置１００は、医師等のユーザ（利用者）が操作する情報処理装置である。情報処理装置としては、例えば、パーソナルコンピュータ、ワークステーション、スマートフォン、タブレット端末等が挙げられる。医用情報処理装置１００は、拍動情報を処理する「拍動情報処理装置」、又は拍動情報を解析する「拍動情報解析装置」などと言い換えることができる。また、利用者としては、主に医師であるが、例えば、医療機関に勤務する医療従事者であっても良い。

【0016】

医用情報処理装置１００は、入力部１０１、出力部１０２、通信部１０３、記憶部１０４、及び処理部１１０を備える。入力部１０１、出力部１０２、通信部１０３、記憶部１０４、及び処理部１１０は、互いに接続される。

【0017】

入力部１０１は、医用情報処理装置１００のユーザからの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理部１１０に出力する電子機器である。例えば、入力部１０１は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、音声入力回路等により実現される。

【0018】

出力部１０２は、各種の情報を出力する電子機器である。例えば、出力部１０２は、情報を画像として出力するディスプレイ、音声として出力するスピーカ、振動パターンとして出力するバイブレータ等により実現される。

【0019】

通信部１０３は、医用情報処理装置１００と外部装置との間で行われる通信を制御する電子機器である。例えば、通信部１０３は、心電計１０３ａと任意の通信方式によって接続され、心電計１０３ａとの間で各種の情報の送受信を行う。通信部１０３は、ネットワークカードやネットワークアダプタ、ＮＩＣ（Network Interface Controller）等によって実現される。

【0020】

ここで、心電計１０３ａは、対象者の心電信号（電位）を検出するセンサを備える心電図測定装置である。例えば、心電計１０３ａは、対象者の１２誘導心電図を記録する。具体的には、心電計１０３ａは、対象者の心電信号を１０００Ｈｚで検出し、心電信号の時系列変化を表す心電情報を生成する。心電計１０３ａは、生成した心電情報を医用情報処理装置１００へ送信する。なお、心電情報は、心臓の拍動の様子を表す拍動情報の一例である。

【0021】

なお、心電計１０３ａは、必ずしも医用情報処理装置１００に接続されなくとも良い。例えば、心電計１０３ａによって収集された心電情報は、ＤＶＤ（Digital Versatile Disc）等、任意の可搬性記録媒体を介して医用情報処理装置１００に格納されても良い。

【0022】

また、心電情報は、必ずしも心電計１０３ａによって生成されなくても良い。例えば、心電情報は、医用情報処理装置１００によって生成可能である。この場合、心電計１０３ａは、対象者の心電信号を経時的に検出し、検出した心電信号を医用情報処理装置１００へ送信する。医用情報処理装置１００は、心電計１０３ａから送信された心電情報に基づいて、心電情報を生成する。

【0023】

また、心電情報は、必ずしも１２誘導心電図に限らず、ホルター心電図、１誘導（単誘導）心電図、加算平均心電図など、任意の方法で計測可能である。また、心電計１０３ａは、対象者が装着可能なウェアラブル心電計であっても良い。また、心電情報は、安静時に計測された情報であっても良いし、運動時、或いは運動後に計測された情報であっても良い。

【0024】

記憶部１０４は、各種の情報を記憶する電子機器である。例えば、記憶部１０４は、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。また、記憶部１０４は、処理部１１０がその機能を実現するためのプログラムを記憶する。

【0025】

処理部１１０は、各種の情報処理機能を備えた電子機器（プロセッサ）である。例えば、処理部１１０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路によって実現される。

【0026】

例えば、処理部１１０は、取得部１１１、学習部１１２、判定部１１３、及び出力制御部１１４を備える。取得部１１１、学習部１１２、判定部１１３、及び出力制御部１１４の各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶部１０４に記憶されている。処理部１１０は、各処理機能に対応するプログラムを記憶部１０４から読み出して実行することで、各プログラムに対応する処理機能を実現することができる。なお、処理部１１０の各処理機能については、図３を用いて後述する。

【0027】

なお、図１に示した内容はあくまで一例であり、図示の内容に限定されるものではない。例えば、処理部１１０が備える取得部１１１、学習部１１２、判定部１１３、及び出力制御部１１４の各処理機能は、互いに統合・分散することができる。また、処理部１１０が備える取得部１１１、学習部１１２、判定部１１３、及び出力制御部１１４のうち一部の処理機能を、医用情報処理装置１００とは別体として設けられた医用情報処理装置にて実行することも可能である。つまり、取得部１１１、学習部１１２、判定部１１３、及び出力制御部１１４の各処理機能は、複数の医用情報処理装置にて分散的に実行される医用情報処理システムとして実現することも可能である。

【0028】

図２を用いて、第１の実施形態に係る医用情報処理装置１００により行われる学習時及び運用時の処理を説明する。図２は、第１の実施形態に係る医用情報処理装置１００により行われる学習時及び運用時の処理を示す図である。

【0029】

図２の上段に示すように、学習時には、医用情報処理装置１００は、例えば、対象者Ｓ－１～Ｓ－Ｎの拍動情報及び関連情報を学習用データ（訓練用データ）として用いて機械学習を行う。ここで、対象者Ｓ－１～Ｓ－Ｎの拍動情報は、例えば、心電計１０３ａによって収集される心電情報である。また、対象者Ｓ－１～Ｓ－Ｎの関連情報は、例えば、「心臓突然死によって３年以内に亡くなったか否かを示す情報」である。医用情報処理装置１００は、この機械学習により、対象者の心電情報の入力により、対象者が心臓突然死によって３年以内に亡くなるか否かを示す情報（判定結果）を出力する学習済みモデルを構築する。この学習済みモデルは、記憶部１０４に格納される。

【0030】

そして、図２の下段に示すように、運用時には、医用情報処理装置１００は、対象者Ｓ－Ｘの拍動情報を、学習時に構築した学習済みモデルに対して入力することで、学習済みモデルに対象者Ｓ－Ｘの判定結果を出力させる。そして、医用情報処理装置１００は、学習済みモデルから出力された対象者Ｓ－Ｘの判定結果、つまり、対象者Ｓ－Ｘが心臓突然死によって３年以内に亡くなるか否かを示す情報をユーザに提示する。

【0031】

なお、図２に示した内容はあくまで一例であり、図示の内容に限定されるものではない。例えば、図２では、関連情報として「心臓突然死によって３年以内に亡くなったか否かを示す情報」を利用する場合を説明したが、実施形態はこれに限定されるものではない。例えば、関連情報としては、対象者の心拍に関する情報を広く適用可能である。関連情報の他の例については、後述する。

【0032】

以下、第１の実施形態に係る医用情報処理装置１００の各処理機能について説明する。以下では先ず、学習済みモデルを生成する学習時の処理について説明し、次に、学習済みモデルを用いて判定結果を出力する運用時の処理について説明する。

【0033】

なお、以下の実施形態において、対象者Ｓ－１～Ｓ－Ｎ、及び対象者Ｓ－Ｘは、典型的には心疾患を有する患者であるが、これに限定されるものではない。例えば、学習時における対象者Ｓ－１～Ｓ－Ｎは、心臓突然死によって亡くなった人物を含む集団であれば良い。また、運用時における対象者Ｓ－Ｘは、健常者であっても良い。

【0034】

また、以下の実施形態では、学習時における対象者Ｓ－１～Ｓ－Ｎと、運用時における対象者Ｓ－Ｘとを書き分けて説明する。対象者Ｓ－Ｘは、基本的には対象者Ｓ－１～Ｓ－Ｎとは別の人物であるが、対象者Ｓ－１～Ｓ－Ｎのうちいずれかと同一人物であっても良い。なお、対象者Ｓ－Ｘは、第１対象者とも記載する。対象者Ｓ－１～Ｓ－Ｎは、第２対象者とも記載する。

【0035】

図３を用いて、第１の実施形態に係る医用情報処理装置１００における学習時の処理手順を説明する。図３は、第１の実施形態に係る医用情報処理装置１００における学習時の処理手順を示すフローチャートである。図３に示す処理は、例えば、機械学習を開始する旨の指示をユーザから受け付けた場合に開始される。

【0036】

図３に示すように、医用情報処理装置１００において、処理部１１０は、処理タイミングか否かを判定する（ステップＳ１０１）。例えば、処理部１１０は、機械学習を開始する旨の指示をユーザから受け付けた場合に、処理タイミングであると判定する（ステップＳ１０１，Ｙｅｓ）。なお、機械学習を開始する旨の指示をユーザから受け付けるまでは、処理タイミングでないと判定し（ステップＳ１０１，Ｎｏ）、処理部１１０は、ステップＳ１０２以降の処理を実行せず、待機状態である。

【0037】

処理タイミングであると判定した場合（ステップＳ１０１，Ｙｅｓ）、取得部１１１は、対象者Ｓ－１～Ｓ－Ｎそれぞれの拍動情報及び関連情報を記憶部１０４から読み出す（ステップＳ１０２）。具体的には、取得部１１１は、対象者Ｓ－１～Ｓ－Ｎそれぞれについて、心電情報と、関連情報「心臓突然死によって３年以内に亡くなったか否かを示す情報」とを記憶部１０４から読み出す。なお、取得部１１１によって読み出される各種の情報（拍動情報及び関連情報）は、予め記憶部１０４に記憶されている。

【0038】

続いて、学習部１１２は、拍動情報及び関連情報を学習用データとした機械学習によって学習済みモデルを生成する（ステップＳ１０３）。具体的には、学習部１１２は、対象者Ｓ－１～Ｓ－Ｎそれぞれの心電情報と、関連情報「心臓突然死によって３年以内に亡くなったか否かを示す情報」とを用いて機械学習を行い、学習済みモデルを生成する。

【0039】

図４及び図５を用いて、第１の実施形態に係る学習部１１２の処理を説明する。図４及び図５は、第１の実施形態に係る学習部１１２の処理を説明するための図である。

【0040】

図４の上段に示すように、心電情報は、例えば、各対象者の心電信号（電位）が１ｍｓｅｃごとに検出された心電波形として記録されている。学習部１１２は、この心電波形を数値データに変換する。具体的には、学習部１１２は、図４の下段に示すように、ある１０秒間に含まれる心電波形について、時間（計測時間）と電位とが対応付けられた時系列数値データに変換する。

【0041】

そして、学習部１１２は、１０秒間の心電情報（時系列数値データ）に対して、関連情報に基づくラベリングを行う。例えば、学習部１１２は、心電情報の検出時点から起算して３年以内に心臓突然死によって対象者が亡くなった場合に、当該心電情報に対して「１」をラベリングする。また、学習部１１２は、心電情報の検出時点から起算して３年以内に心臓突然死によって対象者が亡くならなかった場合に、当該心電情報に対して「０」をラベリングする。

【0042】

このように、学習部１１２は、それぞれの対象者Ｓ－１～Ｓ－Ｎについて、１０秒間の心電情報に対して、心臓突然死に基づくラベリングを行う。そして、学習部１１２は、ラベリングされた１０秒間の心電情報を用いて機械学習を行って、学習済みモデルを生成する。

【0043】

例えば、学習部１１２は、図５に示す学習モデルを用いて機械学習を行う。図５において、「Ｃｏｎｖｏｌｕｔｉｏｎ １Ｄ（one-Dimensional）」は、心電波形のパターンを解析する学習モデル（第１学習モデル）であり、１次元畳み込みニューラルネットワークに対応する。また、「Ｂｉｄｉｒｅｃｔｉｏｎａｌ ＬＳＴＭ（Long Short-Term Memory）」は、時系列データを解析する学習モデル（第２学習モデル）であり、時系列データの各データについて、未来方向及び過去方向のそれぞれで連続するデータを学習する。なお、「ＥＣＧ（Electrocardiogram）」は、学習用データである心電情報である。また、「Ｄｅｎｓｅ」は、全結合層である。また、「ＳＣＤ（Sudden Cardiac Death）」は、心臓突然死によって所定期間内に無くなったか否かを示す情報である。

【0044】

図５に示す例では、学習部１１２は、学習用データに対して、「Ｃｏｎｖｏｌｕｔｉｏｎ １Ｄ」、「Ｂｉｄｉｒｅｃｔｉｏｎａｌ ＬＳＴＭ」、「Ｃｏｎｖｏｌｕｔｉｏｎ １Ｄ」、「Ｃｏｎｖｏｌｕｔｉｏｎ １Ｄ」、「Ｂｉｄｉｒｅｃｔｉｏｎａｌ ＬＳＴＭ」、及び「Ｄｅｎｓｅ」の順に実行し、学習済みモデルを生成する。

【0045】

このように、学習部１１２は、対象者Ｓ－１～Ｓ－Ｎの拍動情報と、対象者Ｓ－１～Ｓ－Ｎの心拍に関する関連情報とを用いた機械学習によって、学習済みモデルを生成する。

【0046】

なお、図４及び図５に示した内容はあくまで一例であり、図示の内容に限定されるものではない。例えば、図４では、１０秒間の心電情報が用いられる場合を説明したが、これに限らず、少なくとも１心拍分の心電情報があれば、任意の期間の心電情報が利用可能である。また、図４では、１０００Ｈｚの心電情報が用いられる場合を説明したが、これに限らず、任意の時間間隔（周波数）で検出された心電情報が利用可能である。

【0047】

また、図５に示した学習モデルの種類、数、及び順序については、任意に変更可能である。ただし、心電情報（時系列データ）を扱う場合には、学習部１１２は、心電波形のパターンを解析する学習モデルと、時系列データを解析する学習モデルとを含む機械学習を行うのが好適である。

【0048】

図３の説明に戻る。学習部１１２は、学習済みモデルを記憶部１０４に格納する（ステップＳ１０４）。記憶部１０４に格納された学習済みモデルは、任意のタイミングで読み出され、利用可能である。また、学習済みモデルは、医用情報処理装置１００とは別体で設けられた任意の医用情報処理装置に転送・格納することで、転送先の医用情報処理装置においても利用可能である。

【0049】

図６を用いて、第１の実施形態に係る医用情報処理装置１００における運用時の処理手順を説明する。図６は、第１の実施形態に係る医用情報処理装置１００における運用時の処理手順を示すフローチャートである。図６に示す処理は、例えば、診断支援情報を表示する旨の指示をユーザから受け付けた場合に開始される。

【0050】

図６に示すように、医用情報処理装置１００において、処理部１１０は、処理タイミングか否かを判定する（ステップＳ２０１）。例えば、処理部１１０は、診断支援情報を表示する旨の指示をユーザから受け付けた場合に、処理タイミングであると判定する（ステップＳ２０１，Ｙｅｓ）。なお、診断支援情報を表示する旨の指示をユーザから受け付けるまでは、処理タイミングでないと判定し（ステップＳ２０１，Ｎｏ）、処理部１１０は、ステップＳ２０２以降の処理を実行せず、待機状態である。

【0051】

処理タイミングであると判定した場合（ステップＳ２０１，Ｙｅｓ）、取得部１１１は、対象者Ｓ－Ｘの拍動情報を記憶部１０４から読み出す（ステップＳ２０２）。例えば、取得部１１１は、対象者Ｓ－Ｘの心電情報を記憶部１０４から読み出すことで取得する。

【0052】

なお、対象者Ｓ－Ｘの心電情報は、リアルタイムで計測された情報であっても良いし、予め計測された情報であっても良い。また、ここで読み出される拍動情報は、学習用データで用いた拍動情報と同一条件（測定方法、期間、周波数等）で計測された情報であるのが好適である。

【0053】

続いて、判定部１１３は、対象者Ｓ－Ｘの拍動情報を学習済みモデルに入力することで、対象者Ｓ－Ｘの関連情報を判定する（ステップＳ２０３）。例えば、判定部１１３は、記憶部１０４から学習済みモデルを読み出す。そして、判定部１１３は、読み出した学習済みモデルに対して、取得部１１１によって取得された対象者Ｓ－Ｘの心電情報を入力することで、対象者Ｓ－Ｘの関連情報についての判定結果を学習済みモデルに出力させる。具体的には、学習済みモデルは、入力された対象者Ｓ－Ｘの心電情報が、「０」がラベリングされた心電情報に類似するか、「１」がラベリングされた心電情報に類似するかを判定し、判定結果として「０」又は「１」を出力する。その後、判定部１１３は、学習済みモデルから出力された判定結果を出力制御部１１４へ送る。

【0054】

なお、判定結果「１」は、対象者Ｓ－Ｘの心電情報が、３年以内に心臓突然死によって亡くなった対象者の心電情報に類似することを示す。また、判定結果「０」は、対象者Ｓ－Ｘの心電情報が、３年以内に心臓突然死によって亡くならなかった対象者の心電情報に類似することを示す。言い換えると、判定部１１３は、対象者Ｓ－Ｘが３年以内に心臓突然死によって亡くなるか否かを判定する。

【0055】

そして、出力制御部１１４は、対象者Ｓ－Ｘの関連情報（判定結果）に基づいて、診断支援情報を生成する（ステップＳ２０４）。例えば、出力制御部１１４は、対象者Ｓ－Ｘの判定結果に応じた治療方法を示す情報を生成する。

【0056】

図７を用いて、第１の実施形態に係る出力制御部１１４の処理を説明する。図７は、第１の実施形態に係る出力制御部１１４の処理を説明するための図である。図７には、関連情報に応じた治療方法が記憶されたテーブルＴ１０を例示する。なお、テーブルＴ１０は、例えば、記憶部１０４に予め記憶されている。

【0057】

図７に示すように、テーブルＴ１０は、判定結果と、治療方法とが対応付けられた情報である。関連情報としては、例えば、学習済みモデルにより出力されるラベル「０」又は「１」が格納される。治療方法としては、例えば、植え込み型除細動器の利用が推奨されるか否かを示す情報が格納される。

【0058】

例えば、判定結果が「１」である場合には、出力制御部１１４は、テーブルＴ１０を参照し、関連情報「１」に対応する治療方法「植え込み型除細動器推奨」を読み出す。また、判定結果が「０」である場合には、出力制御部１１４は、テーブルＴ１０を参照し、関連情報「０」に対応する治療方法「植え込み型除細動器非推奨」を読み出す。

【0059】

なお、図７に示した内容はあくまで一例であり、図示の内容に限定されるものではない。例えば、治療方法を示す情報は、診断支援情報の一例であるが、これに限定されるものではない。例えば、診断支援情報としては、判定結果に応じた生活を指導するための情報、判定結果に応じた運動時間など、任意の情報を設定し、テーブルＴ１０に予め登録しておくことができる。

【0060】

そして、出力制御部１１４は、診断支援情報を表示する（ステップＳ２０５）。例えば、出力制御部１１４は、図８に示すように、「３年以内に心臓突然死が発生する可能性が高いです。植え込み型除細動器による治療を推奨します。」というメッセージＭ１０を、出力部１０２に表示させる。なお、図８は、第１の実施形態に係る出力制御部１１４の処理を説明するための図である。

【0061】

なお、出力制御部１１４によって出力される診断支援情報は、図８のメッセージＭ１０に限定されるものではない。例えば、出力制御部１１４は、診断支援情報として、判定部１１３による判定結果、判定結果に応じた生活を指導するための情報、判定結果に応じた運動時間など、テーブルによって対応付け可能な任意の情報を出力可能である。一例を挙げると、出力制御部１１４は、メッセージＭ１０を表示せず、対象者Ｓ－Ｘが３年以内に心臓突然死によって亡くなるか否かの判定結果のみを表示しても良い。

【0062】

上述してきたように、第１の実施形態に係る医用情報処理装置１００において、取得部１１１は、第１対象者の第１拍動情報を取得する。判定部１１３は、複数の第２対象者の第２拍動情報と、複数の第２対象者の心拍に関する関連情報とを用いて機械学習された学習済みモデルに対して、第１拍動情報を入力することで、第１対象者の心拍に関する判定結果を生成する。出力制御部１１４は、判定結果に基づいて、第１対象者の診断を支援する診断支援情報を出力する。これによれば、第１の実施形態に係る医用情報処理装置１００は、心臓に関連する診断支援情報を適切に提供することができる。

【0063】

例えば、医用情報処理装置１００は、対象者の心電情報を学習済みモデルに入力することで、心臓突然死の発生に関する判定結果を生成し、ユーザに提示する。このため、ユーザは、心臓突然死の発生に関する判定結果を参照した上で患者に対して植え込み型除細動器を提供することができる。したがって、医用情報処理装置１００は、心臓に関連する診断支援情報を適切に提供することができる。

【0064】

図９及び図１０を用いて、第１の実施形態に係る医用情報処理装置１００による効果を説明する。図９及び図１０は、第１の実施形態に係る医用情報処理装置１００による効果を説明するための図である。

【0065】

図９には、テストコホートにおけるＲＯＣ（Receiver Operating Characteristic）曲線を示す。図９において、破線は、従来利用されている駆出率（ＥＦ）とＮＹＨＡ（New York Heart Association）分類によって描出したＲＯＣ曲線である。また、実線は、駆出率（ＥＦ）とＮＹＨＡ分類に加え、本実施形態に係る医用情報処理装置１００（学習済みモデル）による心臓突然死の判定結果を踏まえて描出したＲＯＣ曲線である。

【0066】

図９において、破線のＲＯＣ曲線のＡＵＣ（Area Under the Curve）は、「０．５６」であったが、実線のＲＯＣ曲線のＡＵＣは、「０．６６」であった。この結果から、本実施形態に係る医用情報処理装置１００は、従来の心臓突然死の予測方法と比較して、心臓突然死を高確率で判定したと言える。

【0067】

また、図１０には、分位数を用いて心臓突然死と他の死亡（全死亡）の比率の比較を示す。図１０のグラフは、駆出率（ＥＦ）、ＮＹＨＡ分類、及び、医用情報処理装置１００による心臓突然死の判定結果に基づいて心臓突然死による死亡確率を算出し、算出した死亡確率が低い方から順に「１ｓｔ ｔｅｒｔｉｌｅ」、「２ｎｄ ｔｅｒｔｉｌｅ」、及び「３ｒｄ ｔｅｒｔｉｌｅ」の３グループに分け、実際に心臓突然死で亡くなった人数と比率を示したものである。

【0068】

図１０に示すように、３つのグループでは対象者の数は概ね同じであるにもかかわらず、死亡確率が最も高いと推定さえた「３ｒｄ ｔｅｒｔｉｌｅ」において、心臓突然死で亡くなった人の比率が「２７．１％」となり、他のグループと比較して有意な違いが認められた。この結果、本実施形態に係る医用情報処理装置１００によって心臓突然死による死亡確率を算出し、「３ｒｄ ｔｅｒｔｉｌｅ」に該当する対象者に植え込み型除細動器による治療を推奨することで、適切な患者に植え込み型除細動器を提供することが可能となる。

【0069】

なお、第１の実施形態では、拍動情報の一例として心電情報が利用される場合を説明したが、実施形態はこれに限定されるものではない。拍動情報としては、対象者の脈波信号の時系列変化を表す脈波情報が利用されても良い。脈波信号は、例えば、反射型又は透過型の光電脈波法によって検出される生体信号である。

【0070】

また、上記の実施形態では、判定結果が「０」又は「１」によって出力される場合を例示したが、実施形態はこれに限定されるものではない。例えば、判定部１１３は、「０」及び「１」に限らず、連続的な値（スコア）を判定結果として出力することも可能である。具体的には、判定部１１３は、心電波形を任意数のカテゴリー（例えば、Ａ、Ｂ、Ｃ、Ｄの４つのいずれか）に分類しておき、対象者Ｓ－Ｘの心電波形がいずれのカテゴリーに類似するかを判定結果として出力することもできる。また、判定部１１３は、例えば１０～３００の間のパラメータ（連続値）を心電波形に対して割り当てておき、対象者Ｓ－Ｘの心電波形が類似する心電波形に基づくパラメータを判定結果として出力することもできる。

【0071】

また、「医用」とは、対象者が患者に限定されることを意図したものではない。本実施形態に係る医用情報処理装置１００の処理機能は、対象者の循環器疾患の発症予防や健康維持などに広く適用可能である。このため、本実施形態に係る医用情報処理装置１００の処理機能は、対象者が健常者である場合にも適用可能である。

【0072】

（第１の実施形態の変形例１）
第１の実施形態では、対象者Ｓ－Ｘが３年以内に心臓突然死によって亡くなるか否かを判定する場合を説明したが、実施形態はこれに限定されるものではない。例えば、学習用データとして用いる関連情報として任意の情報を設定することで、拍動情報の入力によって設定された関連情報についての判定結果を得ることができる。

【0073】

例えば、判定部１１３は、判定結果として、第１対象者の心拍に関する現在の状態を表す「現在状態情報」、及び、第１対象者の心拍に関する将来の状態を表す「将来状態情報」のうち少なくとも一つを判定する。

【0074】

具体的には、現在状態情報として、第１対象者が所定の疾患であるか否かを示す情報（第１情報）、第１対象者の心拍の状態に応じた治療方法を示す情報（第２情報）、第１対象者の運動中の心拍の状態を示す情報（第３情報）のうち少なくとも一つが挙げられる。

【0075】

第１情報としては、例えば、対象者Ｓ－Ｘが心血管疾患の有無や精神状態を示す情報が挙げられる。心血管疾患は、不整脈（心房細動、房室ブロックなど）、狭心症、心筋梗塞などを含む。また、精神状態は、うつ病、認知症などの精神疾患、疲労度、ストレス度、睡眠不足などを含む。第２情報としては、例えば、カテーテル治療の有無を示す情報や、埋め込み型除細動器による治療の適否を示す情報、心移植の適応になるか否かを示す情報などが挙げられる。第３情報としては、例えば、対象者Ｓ－Ｘの運動中の心拍の状態が嫌気性代謝閾値、無酸素性作業閾値、乳酸蓄積開始点性閾値、及び呼吸性代償開始点のうち少なくとも一つに到達したか否かを示す情報である。

【0076】

また、将来状態情報として、第１対象者が心臓突然死によって亡くなるまでの期間を示す情報（第４情報）、第１対象者が所定期間後に心臓突然死によって亡くなる確率を示す情報（第５情報）、第１対象者が所定の心血管疾患を発症するまでの期間を示す情報（第６情報）、第１対象者が所定期間後に所定の心血管疾患を発症する確率を示す情報（第７情報）、第１対象者の現在の心血管疾患の状態（心不全、心収縮、運動耐容能など）が改善するまでの期間を示す情報（第８情報）、及び第１対象者の現在の心血管疾患の状態が悪化するまでの期間を示す情報（第９情報）のうち少なくとも一つが挙げられる。

【0077】

第４情報としては、第１の実施形態にて説明した「対象者Ｓ－Ｘが３年以内に心臓突然死によって亡くなるか否かを示す情報」が挙げられるが、亡くなるまでの期間については任意に設定可能である。第５情報としては、例えば、「対象者Ｓ－Ｘが３年後に心臓突然死によって亡くなる確率を示す情報」が挙げられるが、亡くなるまでの期間については任意に設定可能である。なお、「確率」は、例えば、入力された対象者Ｓ－Ｘの心電情報が、「１」がラベリングされた心電情報に類似する度合いに基づいて算出（スコア化）されるのが好適である。第６情報としては、「対象者Ｓ－Ｘが、所定期間以内に、不整脈、狭心症、心筋梗塞などを含む心血管疾患を発症するかを示す情報」が挙げられるが、発症するまでの期間については任意に設定可能である。第７情報としては、「対象者Ｓ－Ｘが、所定期間後に、不整脈、狭心症、心筋梗塞などを含む心血管疾患を発症する確率を示す情報」が挙げられるが、発症するまでの期間については任意に設定可能である。第８情報としては、「対象者Ｓ－Ｘが、所定期間以内に、心不全、心収縮、運動耐容能など現在の状態が改善するか否かを示す情報」が挙げられるが、改善するまでの期間については任意に設定可能である。第９情報としては、「対象者Ｓ－Ｘが、所定期間以内に、心不全、心収縮、運動耐容能など現在の状態が悪化するか否かを示す情報」が挙げられるが、悪化するまでの期間については任意に設定可能である。

【0078】

なお、第５情報及び第６情報については、心臓突然死に限らず、「全死亡（全ての原因による死亡）」であっても良い。また、期間については、拍動情報の検出時点を開始時点として起算するのが好適である。

【0079】

（第１の実施形態の変形例２）
また、医用情報処理装置１００は、図９及び図１０にて示した指標値を自動的に算出して出力することも可能である。つまり、出力制御部１１４は、判定結果と既存の指標（第１指標）とを組み合わせた新たな指標（第２指標）を算出する。そして、出力制御部１１４は、算出した新たな指標を出力する。

【0080】

例えば、判定部１１３は、判定結果として、対象者Ｓ－Ｘが３年以内に心臓突然死によって亡くなる可能性を示すスコアを出力する。このスコアは、例えば、３年以内に心臓突然死によって亡くなった対象者の心電波形との類似度に基づいて算出可能である。

【0081】

また、出力制御部１１４は、駆出率（ＥＦ）及びＮＹＨＡ分類に基づく既存の第１指標を取得する。ここで、駆出率（ＥＦ）及びＮＹＨＡ分類に基づく既存の第１指標は、判定部１１３によって得られるスコアと同様に、３年以内に心臓突然死によって亡くなる可能性を表すものであり、対象者Ｓ－ＸのＥＦと心不全のＮＹＨＡ分類に基づいて公知の算出方法により算出される。第１指標は、ユーザによって入力されても良いし、第１指標を自動算出するアプリケーションから取得されても良い。

【0082】

そして、出力制御部１１４は、判定部１１３によって出力されたスコアと、第１指標とを組み合わせることで、新たな第２指標を算出する。第２指標は、例えば、平均や重み付け平均によって算出されても良いし、任意の関数に入力することで算出されても良い。そして、出力制御部１１４は、算出した第２指標を、診断支援情報として出力する。

【0083】

このように、医用情報処理装置１００は、学習済みモデルによって得られるスコアを、同様の趣旨で算出される既存の指標と組み合わせることで、より正確な指標を算出し、出力することができる。

【0084】

（第２の実施形態）
第１の実施形態では、対象者の心電情報に基づいて心臓突然死の発生に関する判定結果を提示する場合を説明したが、実施形態はこれに限定されるものではない。第２の実施形態では、運動中の対象者の心電情報に基づいて嫌気性代謝閾値（ＡＴ：Anaerobic Threshold）を判定することで、運動負荷を適切に調整する場合を説明する。なお、嫌気性代謝閾値とは、運動負荷を徐々に上げていった際に、有酸素運動から無酸素運動に切り替わる転換点である。嫌気性代謝閾値より一段階程度軽い運動負荷であれば、心臓に過度の負担がかからない一方で、心機能を向上させるために適度な負担となると考えられる。

【0085】

図１１を用いて、第２の実施形態に係る医用情報処理システム１０の構成例を説明する。図１１は、第２の実施形態に係る医用情報処理システム１０の構成例を示す図である。

【0086】

図１１に示すように、例えば、医用情報処理システム１０は、対象者Ｓ－Ｘの当日の体調に合わせた運動負荷での運動を提供するための装置群である。ここで、対象者Ｓ－Ｘは、例えば、心臓リハビリテーション（「心リハ」とも表記する）を行う者（例えば、心疾患患者）であるが、これに限定されるものではない。つまり、医用情報処理システム１０は、当日の体調に合わせた運動負荷での運動を望む者であれば、心疾患患者に限らず健常者であっても利用可能である。

【0087】

医用情報処理システム１０は、ウェアラブル心電計２００、運動提供装置３００、及び医用情報処理装置４００を備える。ウェアラブル心電計２００、運動提供装置３００、及び医用情報処理装置４００は、任意の通信方式により互いに通信可能に接続される。なお、対象者Ｓ－Ｘは、医用情報処理システム１０の構成に含まれない。

【0088】

ウェアラブル心電計２００は、対象者Ｓ－Ｘが装着可能な心電計である。例えば、ウェアラブル心電計２００は、対象者Ｓ－Ｘの体表面に貼付可能なセンサ（電極）を備え、例えば、１誘導（単誘導）心電図法によって対象者Ｓ－Ｘの心電情報を収集する。ウェアラブル心電計２００によって収集された対象者Ｓ－Ｘの心電情報は、医用情報処理装置４００に送信され、記憶部４０４に格納される。なお、ウェアラブル心電計２００は、対象者Ｓ－Ｘの運動中の心電情報を収集可能な点を除き、基本構成は図１に示した心電計１０３ａと同様であるので、説明を省略する。

【0089】

なお、ウェアラブル心電計２００は、対象者Ｓ－Ｘが所持しているスマートフォンやタブレット端末、他のウェアラブルデバイスなどの情報処理装置と連携することで、心電情報を収集・送信可能な装置であっても良い。

【0090】

運動提供装置３００は、運動負荷を調整可能な機能を備えた運動器具である。例えば、運動提供装置３００は、トレッドミルである。なお、運動提供装置３００は、トレッドミルに限らず、自転車エルゴメーターや他の有酸素運動を提供するための運動器具であっても良い。

【0091】

医用情報処理装置４００は、対象者Ｓ－Ｘの運動中の拍動情報を入力することで、対象者Ｓ－Ｘの運動中の心拍の状態を示す情報を出力する学習済みモデルを備える情報処理端末である。情報処理装置としては、例えば、パーソナルコンピュータ、ワークステーション、スマートフォン、タブレット端末等が挙げられる。例えば、対象者Ｓ－Ｘの心リハを監督する立場にある者（医師、理学療法士等）や、対象者Ｓ－Ｘの運動を指導する者（パーソナルトレーナー等）が操作する情報処理装置であっても良いし、ネットワーク上（クラウド上）に設けられたサーバ装置等であっても良い。

【0092】

図１２を用いて、第２の実施形態に係る運動提供装置３００及び医用情報処理装置４００の構成例を説明する。図１２は、第２の実施形態に係る運動提供装置３００及び医用情報処理装置４００の構成例を示す図である。

【0093】

図１２に示すように、運動提供装置３００は、入力部３０１、出力部３０２、通信部３０３、記憶部３０４、及び処理部３１０を備える。入力部３０１、出力部３０２、通信部３０３、記憶部３０４、及び処理部３１０は、互いに接続される。なお、入力部３０１、出力部３０２、及び通信部３０３の基本構成は、入力部１０１、出力部１０２、及び通信部１０３の基本構成と同様であるので、説明を省略する。

【0094】

記憶部３０４の基本構成は、記憶部１０４の基本構成と同様である。記憶部３０４は、処理部３１０がその機能を実現するためのプログラムを記憶する。

【0095】

処理部３１０の基本構成は、処理部１１０の基本構成と同様である。処理部３１０は、調整部３１１を備える。調整部３１１の処理機能は、コンピュータによって実行可能なプログラムの形態で記憶部３０４に記憶されている。処理部３１０は、調整部３１１の処理機能に対応するプログラムを記憶部３０４から読み出して実行することで、そのプログラムに対応する調整部３１１の処理機能を実現することができる。なお、調整部３１１の処理機能については、図１４を用いて後述する。

【0096】

医用情報処理装置４００は、入力部４０１、出力部４０２、通信部４０３、記憶部４０４、及び処理部４１０を備える。入力部４０１、出力部４０２、通信部４０３、記憶部４０４、及び処理部４１０は、互いに接続される。なお、入力部４０１、出力部４０２、及び通信部４０３の基本構成は、入力部１０１、出力部１０２、及び通信部１０３の基本構成と同様であるので、説明を省略する。

【0097】

記憶部４０４の基本構成は、記憶部１０４の基本構成と同様である。記憶部４０４は、処理部４１０がその機能を実現するためのプログラムを記憶する。例えば、記憶部４０４は、ウェアラブル心電計２００によって収集された対象者Ｓ－Ｘの心電情報を記憶する。また、記憶部４０４は、学習済みモデルを記憶する。なお、記憶部４０４に記憶される学習済みモデルについては、図１３を用いて後述する。

【0098】

処理部４１０の基本構成は、処理部１１０の基本構成と同様である。処理部４１０は、取得部４１１、判定部４１２、決定部４１３、及び出力制御部４１４を備える。取得部４１１、判定部４１２、決定部４１３、及び出力制御部４１４の各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶部４０４に記憶されている。処理部４１０は、取得部４１１、判定部４１２、決定部４１３、及び出力制御部４１４の各処理機能に対応するプログラムを記憶部４０４から読み出して実行することで、そのプログラムに対応する取得部４１１、判定部４１２、決定部４１３、及び出力制御部４１４の各処理機能を実現することができる。なお、取得部４１１、判定部４１２、決定部４１３、及び出力制御部４１４の各処理機能については、図１４を用いて後述する。

【0099】

図１３を用いて、第２の実施形態に係る学習済みモデルについて説明する。図１３は、第２の実施形態に係る学習済みモデルについて説明するための図である。

【0100】

図１３に示すように、第２の実施形態に係る学習済みモデルは、対象者Ｓ－１～Ｓ－Ｎそれぞれの運動中の心電信号に対して、換気性作業閾値（ＶＴ：Ventilation Threshold）に到達したか否かをラベリングした情報を学習用データとした機械学習によって生成されたものである。なお、換気性作業閾値とは、呼気中の二酸化炭素排出量又は換気量から決定した嫌気性代謝閾値（ＡＴ）である。

【0101】

具体的には、図１３の上段に示すように、負荷量を徐々に上げながら運動を行うと、換気性作業閾値（ＶＴ）に到達する。そこで、学習部１１２は、換気性作業閾値に到達済の心電信号に対して「１」をラベリングし、換気性作業閾値に未到達の心電信号に対して「０」をラベリングする。具体的には、学習部１１２は、単誘導心電図法によって得られた心電情報を３０秒ごとに区切って時系列数値データ化する。そして、学習部１１２は、図１３の中段及び下段に示すように、換気性作業閾値を含む心電情報と、換気性作業閾値より後の心電情報とに対して「１」をラベリングし、換気性作業閾値に到達していない心電情報に対して「０」をラベリングする。そして、学習部１１２は、ラベリングされた３０秒間の心電情報を用いて機械学習を行って、学習済みモデルを生成する。学習部１１２によって生成された学習済みモデルは、医用情報処理装置４００に転送され、予め記憶部４０４に格納される。なお、第２の実施形態において、学習部１１２は、図５に示した学習モデルと同様の学習モデルを適用可能であるが、他の学習モデルを適用することも可能である。

【0102】

図１４を用いて、第２の実施形態に係る医用情報処理装置４００における運用時の処理手順を説明する。図１４は、第２の実施形態に係る医用情報処理装置４００における運用時の処理手順を示すフローチャートである。図１４に示す処理は、例えば、運動負荷の自動調整を開始する旨の指示をユーザから受け付けた場合に開始される。なお、第２の実施形態では、ユーザは、主には対象者Ｓ－Ｘであるが、心リハを監督する立場にある者（医師、理学療法士等）や、対象者Ｓの運動を指導する者（パーソナルトレーナー等）であっても良い。

【0103】

図１４に示すように、医用情報処理装置４００において、取得部４１１は、対象者Ｓ－Ｘの拍動情報を取得する（ステップＳ３０１）。例えば、取得部１１１は、対象者Ｓ－Ｘの心電情報を記憶部４０４から読み出すことで取得する。

【0104】

なお、対象者Ｓ－Ｘの心電情報は、リアルタイムで計測された情報であっても良いし、予め計測された情報であっても良い。また、ここで読み出される拍動情報は、学習用データで用いた拍動情報と同一条件（測定方法、期間、周波数等）で計測された情報であるのが好適である。

【0105】

続いて、判定部４１２は、対象者Ｓ－Ｘの拍動情報に基づいて、換気性作業閾値（ＶＴ）に到達しているか否かを判定する（ステップＳ３０２）。例えば、判定部４１２は、記憶部４０４から学習済みモデルを読み出す。そして、判定部４１２は、読み出した学習済みモデルに対して対象者Ｓ－Ｘの心電情報を入力することで、換気性作業閾値（ＶＴ）に到達しているか否かを示す判定結果を学習済みモデルに出力させる。図１３に示した例では、学習済みモデルは、換気性作業閾値（ＶＴ）に到達している場合には、判定結果「１」を出力し、換気性作業閾値（ＶＴ）に到達していない場合には、判定結果「０」を出力する。判定部４１２は、判定結果を決定部４１３に送る。なお、判定部４１２の処理は、判定対象となる関連情報が異なる点を除き、判定部１１３の処理と基本的に同様であるので、説明を省略する。

【0106】

換気性作業閾値（ＶＴ）に到達していないと判定された場合には（ステップＳ３０３，Ｎｏ）、決定部４１３は、現在の運動負荷を上げるように調整量を決定する。例えば、決定部４１３は、トレッドミルの速度や傾斜を上げるように調整量を決定する。調整量は、基準負荷量の１５％が好適である。

【0107】

また、換気性作業閾値（ＶＴ）に到達していると判定された場合には（ステップＳ３０３，Ｙｅｓ）、決定部４１３は、現在の運動負荷を下げるように調整量を決定する。例えば、決定部４１３は、トレッドミルの速度や傾斜を下げるように調整量を決定する。調整量は、基準負荷量の１５％が好適である。

【0108】

そして、出力制御部４１４は、決定部４１３によって決定された調整量を示す情報を、運動提供装置３００に送信する（ステップＳ３０６）。なお、ここで送信される「調整量を示す情報」は、「＋０．３度」、「－０．３度」等の調整量の値がそのまま送信されても良いし、「２．３度」、「１．７度」等の調整後の値が送信されても良い。

【0109】

運動提供装置３００は、出力制御部４１４によって送信された調整量を示す情報を受信する（ステップＳ３０７）。

【0110】

そして、調整部３１１は、調整量を示す情報に基づいて、運動負荷を調整する（ステップＳ３０８）。例えば、調整部３１１は、「＋０．３度」、「－０．３度」等の調整量の値が受信された場合には、現在の運動負荷に調整量を加算して、新たな運動負荷の値に調整する。また、調整部３１１は、「２．３度」、「１．７度」等の調整後の値が受信された場合には、調整後の値に調整する。

【0111】

また、処理部３１０は、運動負荷が調整された場合には、運動負荷が調整された旨を示すメッセージ（ポップアップ等）をディスプレイ（出力部３０２）に表示させる。例えば、処理部３１０は、「運動の負荷を軽くしました」と記載されたメッセージをディスプレイに表示させる。

【0112】

なお、運動負荷が調整された旨を示す情報は、必ずしもメッセージ表示によって通知されなくても良い。例えば、出力制御部４１４は、メッセージ表示、音声出力、及び振動パターンのうち少なくとも一つによって、運動負荷が調整された旨を示す情報を通知することができる。

【0113】

このように、医用情報処理システム１０は、処理タイミングであると判定されるごとに、ステップＳ３０１～ステップＳ３０８の処理を繰り返し実行する。そして、医用情報処理システム１０は、予め設定された運動時間が経過すると、図１４に示した処理を終了する。なお、処理の終了は、ユーザによるマニュアル操作によって行われても良い。

【0114】

上述してきたように、医用情報処理システム１０は、判定結果に基づいて、運動提供装置３００における運動負荷の調整量を決定する決定部４１３を更に備える。これによれば、医用情報処理システム１０は、当日の体調に合わせた運動負荷での運動を提供することができる。したがって、医用情報処理システム１０は、心臓に関連する診断支援情報を適切に提供することができる。

【0115】

（第２の実施形態の変形例）
第２の実施形態では、嫌気性代謝閾値を判定するための学習済みモデルを、図５に示した学習モデルによって生成する場合を説明したが、実施形態はこれに限定されるものではない。例えば、嫌気性代謝閾値を判定するための学習済みモデルは、その目的に応じた学習モデルによって生成可能である。

【0116】

図１５及び図１６を用いて、第２の実施形態の変形例に係る学習部１１２の処理を説明する。図１５及び図１６は、第２の実施形態の変形例に係る学習部１１２の処理を説明するための図である。

【0117】

図１５において、「Ｉｎｐｕｔ」は、入力される学習用データを示す。また、「１Ｄ Ｃｏｎｖ」は、心電波形のパターンを解析する学習モデルであり、１次元畳み込みニューラルネットワークに対応する。「ｓｉｚｅ」は、フィルタサイズに対応する。「ｃｏｕｎｔ」は、フィルタ数に対応する。フィルタサイズ及びフィルタ数は、図１５の例では任意数である。「１Ｄ Ａｖｅｒａｇｅ ｐｏｏｌｉｎｇ」は、１次元の平均プーリング層である。

【0118】

図１５に示す例では、学習部１１２は、学習用データに対して、「１Ｄ Ｃｏｎｖ」を３回実行し、その後、「１Ｄ Ａｖｅｒａｇｅ ｐｏｏｌｉｎｇ」を実行することで、学習済みモデルを生成する。

【0119】

また、図１６において、「Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ ｏｆ ＥＣＧ」は、学習用データとして入力される心電波形の時系列数値データを示す。「Ｃｏｎｖ Ｕｎｉｔ」は、心電波形のパターンを解析する学習モデルであり、畳み込みニューラルネットワークに対応する。「Ｃｏｎｖ Ｕｎｉｔ」の括弧内の数値は（ｓｉｚｅ，ｃｏｕｎｔ）に対応する。「ＬＳＴＭ」は、時系列データを解析する学習モデルであり、時系列データの各データについて、未来方向及び過去方向のそれぞれで連続するデータを学習する。「Ｅｘｅｒｃｉｓｅ ｔｉｍｅ」は、運動を開始してから各心電波形が検出されるまでの時間に対応する。「Ａｇｅ」は、各対象者の年齢である。「Ｓｅｘ」は、各対象者の性別である。「Ｃｏｎｃａｔｅｎａｔｅ」は、連結層であり、「ＬＳＴＭ」からの出力データに対して、「Ｅｘｅｒｃｉｓｅ ｔｉｍｅ」、「Ａｇｅ」、及び「Ｓｅｘ」を連結させる。「Ｄｅｎｓｅ ４０９６」は、出力数が４０９６の全結合層である。「Ｄｅｎｓｅ １」は、出力数が１の全結合層である。

【0120】

図１５に示す例では、学習部１１２は、学習用データに対して、フィルタサイズを「３×３」とし、フィルタ数を「６４」から「２０４８」まで段階的に倍加させた６つの「Ｃｏｎｖ Ｕｎｉｔ」を順に実行し、その後、「ＬＳＴＭ」を実行する。そして、学習部１１２は、「Ｃｏｎｃａｔｅｎａｔｅ」を実行することで、「ＬＳＴＭ」からの出力データに対して、「Ｅｘｅｒｃｉｓｅ ｔｉｍｅ」、「Ａｇｅ」、及び「Ｓｅｘ」を連結させる。そして、学習部１１２は、「Ｄｅｎｓｅ ４０９６」及び「Ｄｅｎｓｅ １」を順に実行し、学習済みモデルを生成する。

【0121】

このように、学習部１１２は、図５に示した学習モデルに限らず、図１５又は図１６に示した学習モデルを実行可能である。なお、学習部１１２による学習モデルは、図１５、図１６に限定されるものでもなく、学習用データの種類や形式によって任意に設定可能である。

【0122】

（その他の実施形態）
上述した実施形態以外にも、種々の異なる形態にて実施されてもよい。

【0123】

上述の実施形態は、以上の変形例と任意に組み合わせることができるし、以上の変形例同士を任意に組み合わせても良い。

【0124】

また、上述した実施形態の運動支援装置１００で実行されるプログラム（運動支援プログラム）は、インストール可能な形式または実行可能な形式のファイルでＣＤ－ＲＯＭ、フレキシブルディスク（ＦＤ）、ＣＤ－Ｒ、ＤＶＤ、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）等のコンピュータで読み取り可能な記録媒体に記録して提供するように構成しても良いし、インターネット等のネットワーク経由で提供または配布するように構成しても良い。また、各種プログラムを、例えばＲＯＭ等の不揮発性の記憶媒体に予め組み込んで提供するように構成しても良い。

【符号の説明】

【0125】

１０ 医用情報処理システム
１００，４００ 医用情報処理装置
１０１，３０１，４０１ 入力部
１０２，３０２，４０２ 出力部
１０３，３０３，４０３ 通信部
１０４，３０４，４０４ 記憶部
１１０，３１０，４１０ 処理部
１１１，４１１ 取得部
１１２ 学習部
１１３，４１２ 判定部
１１４，４１４ 出力制御部
３１１ 調整部
４１３ 決定部

【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】