特開 2024-82713 予測装置、予測方法、予測プログラム、予測システム

(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】P2024082713

(43)【公開日】2024-06-20

(54)【発明の名称】予測装置、予測方法、予測プログラム、予測システム

(51)【国際特許分類】

   G16H 40/40 20180101AFI20240613BHJP

【ＦＩ】

G16H40/40

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2022196747

(22)【出願日】2022-12-09

(71)【出願人】

【識別番号】509349141

【氏名又は名称】京都府公立大学法人

(74)【代理人】

【識別番号】110001195

【氏名又は名称】弁理士法人深見特許事務所

(72)【発明者】

【氏名】西 真宏

(72)【発明者】

【氏名】的場 聖明

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA22

(57)【要約】

【課題】より高い精度で心肺が停止した患者の予後を予測することができる技術を提供する。
【解決手段】予測装置１０は、患者の予後に関する特徴量として、心肺が停止してから心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量を取得する取得部と、訓練済みの予測モデル１２１を用いて少なくとも１つの特徴量に基づいて患者の予後を予測する予測部と、予測部の予測に基づく結果を出力する出力部とを備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

心肺が停止した患者の予後を予測する予測装置であって、
前記患者の予後に関する特徴量として、前記心肺が停止してから前記心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量を取得する取得部と、
訓練済みの予測モデルを用いて前記少なくとも１つの特徴量に基づいて前記患者の予後を予測する予測部と、
前記予測部の予測に基づく結果を出力する出力部とを備える、予測装置。

【請求項2】

前記少なくとも１つの特徴量は、前記患者が病院に搬送される前に前記患者の心拍が再開したか否かを示す情報と、前記患者の心拍リズムが電気ショック可能なリズムであるか否かを示す情報とをさらに含む、請求項１に記載の予測装置。

【請求項3】

前記少なくとも１つの特徴量は、前記患者の年齢を示す情報と、前記心肺の停止が目撃されたか否かを示す情報と、市民により前記患者に対して除細動が行われたか否かを示す情報と、前記心肺が停止した場所に居た人により前記心肺の蘇生が行われたか否かを示す情報とをさらに含む、請求項２に記載の予測装置。

【請求項4】

前記予測モデルは、前記少なくとも１つの特徴量と前記患者の予後が良好であるか否かを示す情報とに基づく機械学習によって生成されている、請求項１～請求項３のいずれか１項に記載の予測装置。

【請求項5】

前記出力部によって出力される前記結果は、前記患者の予後が良好である確率と、前記心肺の蘇生を行うか否かを示す情報と、前記患者を病院に搬送するか否かを示す情報とのうち、少なくとも１つを含む、請求項１～請求項３のいずれか１項に記載の予測装置。

【請求項6】

心肺が停止した患者の予後をコンピュータが予測するための予測方法であって、
前記コンピュータが実行する処理として、
前記患者の予後に関する特徴量として、前記心肺が停止してから前記心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量を取得するステップと、
訓練済みの予測モデルを用いて前記少なくとも１つの特徴量に基づいて前記患者の予後を予測するステップと、
前記予測するステップの予測に基づく結果を出力するステップとを含む、予測方法。

【請求項7】

心肺が停止した患者の予後をコンピュータが予測するための予測プログラムであって、
前記コンピュータに、
前記患者の予後に関する特徴量として、前記心肺が停止してから前記心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量を取得するステップと、
訓練済みの予測モデルを用いて前記少なくとも１つの特徴量に基づいて前記患者の予後を予測するステップと、
前記予測するステップの予測に基づく結果を出力するステップとを実行させる、予測プログラム。

【請求項8】

心肺が停止した患者の予後を予測する予測システムであって、
ユーザ端末と、
前記ユーザ端末と通信するように構成された予測装置とを備え、
前記予測装置は、
前記患者の予後に関する特徴量として、前記心肺が停止してから前記心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量を前記ユーザ端末から取得する取得部と、
訓練済みの予測モデルを用いて前記少なくとも１つの特徴量に基づいて前記患者の予後を予測する予測部と、
前記予測部の予測に基づく結果を前記ユーザ端末に出力する出力部とを備える、予測システム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、心肺が停止した患者の予後を予測する予測装置、予測方法、予測プログラム、および予測システムに関する。

【背景技術】

【0002】

救急医療資源が限られている中で、医療機関外で心肺が停止（以下、「院外心肺停止」とも称する。）した場合、脳神経学的予後の不良の患者に対する長時間の心肺蘇生または高度医療の継続は、救急隊および医療機関にとって大きな負担である。特に、遠隔地または新型コロナウイルス感染症（以下、「ＣＯＶＩＤ－１９」とも称する。）が流行拡大している地域のように、救急医療体制が逼迫している状況においては、予後不良の患者に対する治療の継続は、他の患者に対する救急隊の到着の遅れまたは医療の質の低下を招き得る。実際、ＣＯＶＩＤ－１９の流行時においては、患者を受け入れる病院が決まらず、患者を病院に搬送困難な症例が多く発生している。

【0003】

たとえば、非特許文献１には、院外心肺停止が発生してからの救命処置に関して、アメリカ心臓協会のガイドラインが開示されている。

【先行技術文献】

【非特許文献】

【0004】

【非特許文献1】「Highlights of the 2020 AHA Guidelines Update for CPR and ECC」、［令和４年１１月２９日検索］、インターネット<URL: https://cpr.heart.org/en/resuscitation-science/cpr-and-ecc-guidelines>

【発明の概要】

【発明が解決しようとする課題】

【0005】

アメリカにおいて、救急隊員などの医療従事者は、非特許文献１に開示されたアメリカ心臓協会のガイドラインに従って、院外心肺停止が発生した患者の心肺蘇生を行うか否か、および患者を病院に搬送するか否かを判断することができる。しかしながら、ガイドラインに従ったとしても、心肺が停止した患者の予後を予測することは難しく、予後不良の患者に対して治療が継続されることがあり得る。さらに、アメリカ心臓協会のガイドラインは、欧米の患者データに基づいて作成されており、倫理的な問題も含めて日本の診療実態に見合っていない。

【0006】

本開示は、このような課題を解決するためになされたものであって、その目的は、より高い精度で心肺が停止した患者の予後を予測することができる技術を提供することである。

【課題を解決するための手段】

【0007】

本開示のある局面に従う予測装置は、心肺が停止した患者の予後を予測する。予測装置は、患者の予後に関する特徴量として、心肺が停止してから心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量を取得する取得部と、訓練済みの予測モデルを用いて少なくとも１つの特徴量に基づいて患者の予後を予測する予測部と、予測部の予測に基づく結果を出力する出力部とを備える。

【0008】

本開示の他の局面に従う予測方法は、心肺が停止した患者の予後をコンピュータが予測するための方法である。予測方法は、コンピュータが実行する処理として、患者の予後に関する特徴量として、心肺が停止してから心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量を取得するステップと、訓練済みの予測モデルを用いて少なくとも１つの特徴量に基づいて患者の予後を予測するステップと、予測するステップの予測に基づく結果を出力するステップとを含む。

【0009】

本開示の他の局面に従う予測プログラムは、心肺が停止した患者の予後をコンピュータが予測するためのプログラムである。予測プログラムは、コンピュータに、患者の予後に関する特徴量として、心肺が停止してから心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量を取得するステップと、訓練済みの予測モデルを用いて少なくとも１つの特徴量に基づいて患者の予後を予測するステップと、予測するステップの予測に基づく結果を出力するステップとを実行させる。

【0010】

本開示の他の局面に従う予測システムは、心肺が停止した患者の予後を予測する。予測システムは、ユーザ端末と、ユーザ端末と通信するように構成された予測装置とを備える。予測装置は、患者の予後に関する特徴量として、心肺が停止してから心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量を前記ユーザ端末から取得する取得部と、訓練済みの予測モデルを用いて少なくとも１つの特徴量に基づいて患者の予後を予測する予測部と、予測部の予測に基づく結果を前記ユーザ端末に出力する出力部とを備える。

【発明の効果】

【0011】

本開示によれば、訓練済みの予測モデルを用いて、心肺が停止してから心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量に基づいて患者の予後を予測することができるため、より高い精度で心肺が停止した患者の予後を予測することができる。

【図面の簡単な説明】

【0012】

【図1】本実施例に係る予測システムの構成を示すブロック図である。

【図2】本実施例に係る予測モデルの生成手法を説明するための図である。

【図3】予測因子の数とＡＵＣ（Area Under the Curve）の評価結果との関係を示すグラフである。

【図4】各予測因子が予測結果に与えるインパクトを説明するための図である。

【図5】本実施例に係る予測モデルによる予測を説明するための図である。

【図6】予測装置が実行する予測処理の手順を示すフローチャートである。

【図7】ユーザ端末における画面の表示例を示す図である。

【図8】本実施例に係る予測装置と比較例に係る予測装置との比較結果を示す図である。

【図9】本実施例に係る予測装置と比較例１～３に係る予測装置とにおけるＲＯＣ曲線の比較結果を示すグラフである。

【図10】本実施例に係る予測装置と比較例１～３に係る予測装置とにおけるＲＯＣ曲線の比較結果を示すグラフである。

【図11】本実施例に係る予測装置と比較例１～３に係る予測装置との比較結果のまとめを示す図である。

【図12】本実施例に係る予測装置と比較例４，５に係る予測装置との比較結果のまとめを示す図である。

【発明を実施するための形態】

【0013】

本実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分については、同一の符号を付して、その説明は原則的に繰り返さない。

【0014】

［予測システムの構成］
図１を参照しながら、本実施例に係る予測システム１００を説明する。図１は、本実施例に係る予測システム１００の構成を示すブロック図である。図１に示すように、予測システム１００は、予測装置１０と、ユーザ端末２０とを備える。予測装置１０とユーザ端末２０とは、インターネットなどのネットワーク５００を介して通信可能に接続されている。

【0015】

予測装置１０は、たとえば、クラウドシステムを構築するサーバ装置により構成される。ユーザ端末２０は、たとえば、ユーザによって所持される、デスクトップ型のＰＣ（personal computer）、ラップトップ型のＰＣ、スマートフォン、スマートウォッチ、ウェアラブルデバイス、またはタブレットＰＣなど、所定の情報処理を実行する情報端末である。ユーザは、院外心肺停止した患者の救命を行う救急隊員、医師、または看護師などの医療従事者である。なお、ユーザは、患者が心肺停止した救命現場に居合わせた一般人であってもよく、実施の形態に係る予測システム１００のユーザ端末２０を利用するあらゆる人が対象である。ユーザ端末２０は、救命現場、救急車の中、救急の指令室、ＥＲ（Emergency Room）、ＩＣＵ（Intensive Care Unit）、または病棟などで用いられ得る。

【0016】

予測装置１０は、院外心肺停止した患者の脳神経学的予後に関する特徴量をユーザ端末２０から受信し、ユーザ端末２０から受信した患者の脳神経学的予後に関する特徴量に基づいて、ＡＩ（Artificial Intelligence）によって、患者の脳神経学的予後を予測するための処理（以下、「予測処理」とも称する。）を実行する。たとえば、予測装置１０は、院外心肺停止が発生してから１カ月後の患者の脳神経学的予後を予測する。予測装置１０は、予測に基づく結果（以下、予測結果」とも称する。）をユーザ端末２０に送信する。以下、院外心肺停止した患者の脳神経学的予後に関する特徴量を単に「特徴量」とも称する。また、脳神経学的予後を単に「予後」とも称する。

【0017】

予測装置１０は、演算装置１１と、記憶装置１２と、通信インタフェース１３とを備える。

【0018】

演算装置１１は、「予測部」の一例であり、各種のプログラムに従って各種の処理を実行する演算主体（コンピュータ）である。演算装置１１は、プロセッサなどのコンピュータで構成される。プロセッサは、たとえば、マイクロコントローラ、ＣＰＵ、またはＭＰＵなどで構成される。なお、プロセッサは、プログラムを実行することによって各種の処理を実行する機能を有するが、これらの機能の一部または全部を、ＡＳＩＣ、ＧＰＵ、またはＦＰＧＡなどの専用のハードウェア回路を用いて実装してもよい。「プロセッサ」は、ＣＰＵまたはＭＰＵのようにストアードプログラム方式で処理を実行する狭義のプロセッサに限らず、ＡＳＩＣ、ＧＰＵ、またはＦＰＧＡなどのハードワイヤード回路を含み得る。このため、プロセッサは、コンピュータ読み取り可能なコードおよび／またはハードワイヤード回路によって予め処理が定義されている、処理回路（processing circuitry）と読み替えることもできる。なお、プロセッサは、１つのチップで構成されてもよいし、複数のチップで構成されてもよい。さらに、プロセッサおよび関連する処理回路は、ローカルエリアネットワークまたは無線ネットワークなどを介して、有線または無線で相互接続された複数のコンピュータで構成されてもよい。プロセッサおよび関連する処理回路は、入力データに基づきリモートで演算し、その演算結果を離れた位置にある他のデバイスへと出力するような、クラウドコンピュータで構成されてもよい。

【0019】

記憶装置１２は、演算装置１１が各種のプログラムを実行するにあたって、プログラムコードまたはワークメモリなどを格納する記憶領域を提供する。記憶装置１２は、１または複数の非一時的コンピュータ可読媒体（non-transitory computer readable medium）であってもよい。記憶装置１２の一例としては、ＤＲＡＭおよびＳＲＡＭなどの揮発性メモリ、または、ＲＯＭおよびフラッシュメモリなどの不揮発性メモリが挙げられる。また、記憶装置１２は、１または複数のコンピュータ読み取り可能な記憶媒体（computer readable storage medium）であってもよい。記憶装置１２の一例としては、ＨＤＤおよびＳＳＤなどの記憶装置が挙げられる。

【0020】

記憶装置１２は、予測モデル１２１および予測プログラム１２２など、各種のプログラムおよびデータを記憶する。予測モデル１２１は、ユーザ端末２０から取得した特徴量に基づき院外心肺停止した患者の脳神経学的予後を予測するように、機械学習によって訓練されることにより生成されている。機械学習に用いられる訓練データは、院外心肺停止した患者の予後に関する特徴量と、患者の予後が良好であるか否かを示す情報とを含む。予測プログラム１２２は、演算装置１１が予測モデル１２１を用いて予測処理を実行するためのプログラムである。演算装置１１は、予測プログラム１２２に従って、ユーザ端末２０から取得した特徴量を予測モデル１２１に入力することで、予測モデル１２１から出力された予測結果を得ることができる。

【0021】

通信インタフェース１３は、「取得部」および「出力部」の一例であり、ネットワーク５００を介してユーザ端末２０と通信するためのインタフェースである。通信インタフェース１３は、ユーザ端末２０によって送信された特徴量を示すデータを受信する。通信インタフェース１３は、演算装置１１によって得られた予測結果を示すデータをユーザ端末２０に送信する。

【0022】

ユーザ端末２０は、ディスプレイ２１と、ユーザが所定の情報を入力するための入力部２２と、通信インタフェース２３とを備える。

【0023】

ディスプレイ２１は、ユーザが特徴量を入力するための入力画面（後述する図７の画面２１０）を表示する。さらに、ディスプレイ２１は、予測装置１０から取得した予測結果を表示するための結果画面（後述する図７の画面２１０）を表示する。

【0024】

入力部２２は、たとえば、ディスプレイ２１に重畳的に設けられたタッチパネルにより構成される。ユーザは、ディスプレイ２１に表示された入力画面のガイダンスに従い、入力部２２を用いて、院外心肺停止した患者の予後に関する特徴量を入力することができる。さらに、ユーザは、ディスプレイ２１に表示された結果画面を閲覧することで、院外心肺停止した患者の予後の予測結果を確認することができる。

【0025】

通信インタフェース２３は、ネットワーク５００を介して予測装置１０と通信するためのインタフェースである。通信インタフェース２３は、入力部２２を用いてユーザによって入力された特徴量を示すデータを予測装置１０に送信する。通信インタフェース２３は、予測装置１０よって送信された予測結果を示すデータを受信する。

【0026】

予測システム１００は、１つのユーザ端末２０に限らず、複数のユーザ端末２０を備えてもよい。予測装置１０は、１または複数のユーザ端末２０の各々と通信するように構成されてもよい。たとえば、予測システム１００においては、予測装置１０がクラウドコンピューティングの態様で存在してもよい。この場合、予測装置１０は、１または複数のユーザ端末２０の各々から取得した特徴量に基づいて、患者の予後を予測し、予測結果を１または複数のユーザ端末２０の各々に出力してもよい。

【0027】

［予測モデルの生成］
図２～図４を参照しながら、予測モデル１２１の生成について説明する。図２は、本実施例に係る予測モデル１２１の生成手法を説明するための図である。図２に示すように、予測モデル１２１は、教師あり学習を用いて訓練されることによって生成される。予測モデル１２１の設計者は、まず、予測モデル１２１を生成するための訓練データとして、複数のサンプルデータを用意する。

【0028】

具体的には、設計者は、全国ウツタインデータをサンプルデータとして活用する。全国ウツタインデータは、総務省消防庁により全国の消防組織における院外心肺停止の症例を記録したデータである。ウツタインデータには、毎年１０万症例を超える大量の情報が蓄積されており、心肺停止時の蘇生または自動体外式除細動器（ＡＥＤ：Automated External Defibrillator）の使用履歴に限らず、院外心肺停止が発生してから１か月後の脳神経学的予後の機能評価が記録されている。したがって、ウツタインデータから得られるデータ量は、膨大であり、設計者は、機械学習のために十分な数のサンプルデータをウツタインデータから取得することができる。そこで、設計者は、ＣＯＶＩＤ－１９が流行する前の２００５年～２０１９年に記録された１８０００００件の院外心肺停止の症例をサンプルデータとして採用する。

【0029】

脳神経学的予後としては、脳機能を評価するためのＣＰＣ（Cerebral Performance Category）が採用されている。脳神経学的予後として院外心肺停止が発生してから１カ月後の脳機能が良好である場合、ＣＰＣに「１」が割り当てられる。脳機能が良好な場合、たとえば、患者の意識が清明であり、患者が普通に生活することができる。脳神経学的予後として院外心肺停止が発生してから１カ月後の脳機能が中等度障害を有している場合、ＣＰＣに「２」が割り当てられる。脳機能が中等度障害を有している場合、たとえば、患者が保護された状況で短時間の仕事をすることができ、介助なしに着替えなどの日常生活を送ることができる。脳神経学的予後として院外心肺停止が発生してから１カ月後の脳機能が高度障害を有している場合、ＣＰＣに「３」が割り当てられる。脳機能が高度障害を有している場合、たとえば、患者が日常生活に介助を必要とする。脳神経学的予後として院外心肺停止が発生してから１カ月後の脳機能が昏睡状態または植物状態である場合、ＣＰＣに「４」が割り当てられる。脳機能が昏睡状態または植物状態である場合、たとえば、患者の意識レベルが低下し、認識力および周囲との会話能力も欠如する。脳神経学的予後として院外心肺停止が発生してから１カ月の間に患者が死亡した場合、ＣＰＣに「５」が割り当てられる。

【0030】

ウツタインデータは、院外心肺停止した患者の予後に関する特徴量を含む。患者の予後に関する特徴量は、「患者の心肺が停止してからＣＰＲが開始されるまでの時間」を示す情報を含む。ＣＰＲ（Cardio Pulmonary Resuscitation）とは、所謂、心臓マッサージなどの心肺蘇生法であり、病気または負傷などにより心臓が停止している患者の胸を強く圧迫したり息を吹き込んだりして心臓の動きを助ける救命方法である。つまり、「患者の心肺が停止してからＣＰＲが開始されるまでの時間」とは、患者の心肺が停止してから心臓マッサージなどの心肺蘇生が開始されるまでの時間を意味する。

【0031】

また、患者の予後に関する特徴量は、「患者が病院に搬送される前に患者の心拍が再開したか否か」を示す情報と、「患者の心拍リズムがショック可能リズムであるか否か」を示す情報とを含む。ショック可能リズムとは、ＡＥＤなどによる電気ショックが可能な心拍リズムであり、このような心拍リズムとしては、心室細動（ＶＦ：Ventricular Fibrillation）と、心室頻拍（ＶＴ：ventricular tachycardia）とがある。心拍リズムが心室細動（ＶＦ）である状態は、心臓の筋肉が痙攣を起こす不整脈の状態であり、心臓の筋肉が無秩序なリズムとなって正常に収縮できないためにポンプ機能を失った状態になっている。心拍リズムが心室細動（ＶＦ）である状態は、血液を送り出すための心室が興奮状態であるため、血液を送り出さなくなって脈が触れなくなった状態になっている。

【0032】

さらに、患者の予後に関する特徴量は、「患者の年齢」を示す情報と、「心肺の停止の目撃者がいるか否か」を示す情報と、「市民により患者に対して除細動が行われたか否か」を示す情報と、「心肺が停止した場所に居た人により心肺の蘇生が行われたか否か」を示す情報とを含む。なお、除細動は、たとえば、ＡＥＤなどを用いて心臓を正常なリズムの状態に戻すことを含む。

【0033】

設計者は、サンプルデータに含まれる特徴量として、上述したようなウツタインデータに含まれる患者の予後に関する少なくとも１つの特徴量を採用する。また、設計者は、サンプルデータに含まれる正解データとして、脳神経学的予後が良好か否かを示す情報、より具体的には、上述したようなウツタインデータに含まれる脳神経学的予後の指標であるＣＰＣを採用する。正解データにおいては、ＣＰＣが「１」または「２」である場合、院外心肺停止が発生してから１カ月後の脳神経学的予後が良好であると判断され、ＣＰＣが「３」、「４」、または「５」である場合、院外心肺停止が発生してから１カ月後の脳神経学的予後が良好でないと判断される。

【0034】

以下、簡単のため、上述した「患者の心肺が停止してからＣＰＲが開始されるまでの時間」、「患者が病院に搬送される前に患者の心拍が再開したこと」、「患者の心拍リズムがショック可能リズムであること」、「患者の年齢」、「心肺の停止の目撃者がいること」、「市民により患者に対して除細動が行われたこと」、「心肺が停止した場所に居た人により心肺の蘇生が行われたこと」を、それぞれ、「ＣＰＲ開始までの時間」、「搬送前心拍再開」、「ショック可能リズム」、「年齢」、「目撃者」、「市民による除細動」、「By-stander CPR」とも称する。

【0035】

予測モデル１２１の機械学習のアルゴリズムには、ランダムフォレスト、サポートベクターマシン、ニューラルネットワーク、ロジスティック回帰、およびｘｇｂｏｏｓｔ（eXtreme Gradient Boosting）などの公知の学習アルゴリズムが適用され得る。

【0036】

予測モデル１２１の生成および評価には、たとえば、ホールドアウト法が適用され得る。設計者は、複数のサンプルデータのうち、９０％のサンプルデータを訓練データとして用い、１０％のサンプルデータをテストデータとして用いる。なお、訓練データおよびテストデータの各々の割合は、設計者が適宜設定すればよい。設計者は、複数の訓練データを用いて、交差検証によって予測モデル１２１を生成する。

【0037】

さらに、設計者は、１０％のサンプルデータとは別に、ＣＯＶＩＤ－１９の流行中の２０２０年３月～２０２０年１２月に記録された９５９４７件の院外心肺停止の症例に係るサンプルデータも、テストデータとして用いた。ＣＯＶＩＤ－１９の流行中のサンプルデータは、２００５年～２０１９年に記録されたサンプルデータと同様に、「ＣＰＲ開始までの時間」、「搬送前心拍再開」、「ショック可能リズム」、「年齢」、「目撃者」、「市民による除細動」、および「By-stander CPR」など、院外心肺停止した患者の予後に関する特徴量と、当該患者の脳神経学的予後を示す情報（ＣＰＣ）とを含む。

【0038】

設計者は、ＣＯＶＩＤ－１９が流行する前の１０％のサンプルデータと、ＣＯＶＩＤ－１９の流行中のサンプルデータとを用いて、予測モデルを評価することで、最終的な予測モデル１２１を生成することができる。

【0039】

図３は、予測因子の数とＡＵＣ（Area Under the Curve）の評価結果との関係を示すグラフである。予測因子は、予測モデル１２１を生成するための特徴量として選択され得る候補である。設計者は、パーミューテーションインポータンス（Permutation Importance）の手法を用いて、複数種類の予測因子が予測精度の指標ＡＵＣ（area under the curve）に与えるインパクトを調べることができる。パーミューテーションインポータンスとは、複数種類の予測因子の選択対象および選択数をランダムにシャッフルして複数パターンの入力データを決定し、決定した各入力データに基づき予測を行ったときに、どの程度予測精度が低下するかによって予測因子の選択対象および選択数を決定する手法である。

【0040】

ＡＵＣは、後述する図９に示されるように、横軸に偽陽性率（１－特異度）、縦軸に感度をとったグラフにおいてプロットされるＲＯＣ（Receiver Operating Characteristic）曲線において、ＲＯＣ曲線下の面積によって示される評価指標である。偽陽性率は、正解データとして負ラベル（たとえば、予後が良好である）が紐付けられたサンプルデータのラベルを、予測モデル１２１が間違えて正ラベル（たとえば、予後が良好でない）と予測した割合を示す。感度は、正解データとして正ラベル（たとえば、予後が良好でない）が紐付けられたサンプルデータのラベルを、予測モデル１２１が正しく正ラベル（たとえば、予後が良好でない）と予測した割合を示す。ＡＵＣは、０から１までの値をとる。予測モデル１２１の予測精度が高いほどＡＵＣの値が１に近くなる。

【0041】

図３のグラフは、横軸に予測因子の数をとり、縦軸にＡＵＣをとる。設計者は、予測因子の選択対象および選択数を変えながら、複数の予測モデルを作成し、作成した各予測モデルの予測精度（ＡＵＣ）を比較する。その結果、図３に示すように、設計者は、７種類の予測因子を用いて作成された予測モデル１２１において、ＡＵＣが最大となることを見出すことができる。このときの予測モデル１２１のＡＵＣは、四捨五入すれば０．９５である。

【0042】

図４は、各予測因子が予測結果に与えるインパクトを説明するための図である。図４においては、図３のグラフを用いて設計者によって見出された７種類の予測因子が、そのインパクト（パーミューテーションインポータンス）が高い順に上から下へと示されている。図４に示すように、インパクトが最も高い予測因子は、「搬送前心拍再開」であり、以下、インパクトの高い順に、「ショック可能リズム」、「ＣＰＲ開始までの時間」、「年齢」、「目撃者」、「市民による除細動」、および「By-stander CPR」が、「搬送前心拍再開」に続く。これら７種類の予測因子は、いずれも、院外心肺停止が発生した救命現場、救急車の中、救急の指令室、ＥＲ、ＩＣＵ、または病棟などにおいて、ユーザ端末２０のユーザが容易に取得可能である。

【0043】

図４に示すように、７種類の予測因子のうち、「搬送前心拍再開」、「ショック可能リズム」、および「ＣＰＲ開始までの時間」の３種類の予測因子が全体のインパクトのうちの大部分のインパクトを占めることは、設計者によって新たに見出された事実である。また、「ＣＰＲ開始までの時間」のインパクトが「年齢」、「目撃者」、「市民による除細動」、および「By-stander CPR」のいずれのインパクトよりも大きいことも、設計者によって新たに見出された事実である。さらに、「ＣＰＲ開始までの時間」、「搬送前心拍再開」、「ショック可能リズム」、「年齢」、「目撃者」、「市民による除細動」、および「By-stander CPR」の７種類の特徴量を用いて予測モデル１２１を生成すると、ＡＵＣが最大となることも、設計者によって新たに見出された事実である。

【0044】

そこで、設計者は、図４に示す７種類の予測因子の各々を患者の予後に関する特徴量として採用し、本実施例に係る予測モデル１２１を作成する。

【0045】

［予測モデルによる予測］
図５および図６を参照しながら、本実施例に係る予測モデル１２１による予測について具体的に説明する。図５は、本実施例に係る予測モデル１２１による予測を説明するための図である。

【0046】

図５に示すように、予測モデル１２１は、院外心肺停止した患者の脳神経学的予後に関する特徴量を取得する。予測モデル１２１によって取得される特徴量は、図４に示す「ＣＰＲ開始までの時間」、「搬送前心拍再開」、「ショック可能リズム」、「年齢」、「目撃者」、「市民による除細動」、および「By-stander CPR」の７種類の特徴量（予測因子）を含む。なお、予測精度は低下するが、予測モデル１２１は、「ＣＰＲ開始までの時間」を含む少なくとも１つの特徴量を取得してもよい。また、予測精度は低下するが、予測モデル１２１は、「ＣＰＲ開始までの時間」、「搬送前心拍再開」、および「ショック可能リズム」を含む少なくとも１つの特徴量を取得してもよい。最も高い予測精度を得るためには、予測モデル１２１は、「ＣＰＲ開始までの時間」、「搬送前心拍再開」、「ショック可能リズム」、「年齢」、「目撃者」、「市民による除細動」、および「By-stander CPR」の７種類の特徴量を取得すればよい。

【0047】

予測モデル１２１は、取得した特徴量に基づき、患者の脳神経学的予後が良好な確率（Score）を推論する。すなわち、予測モデル１２１は、取得した特徴量に基づき、ＣＰＣが「１」または「２」である確率を出力する。

【0048】

予測モデル１２１は、脳神経学的予後が良好な確率が１％未満の場合、予後が非常に悪いと判断して、年齢または基礎疾患に応じて心肺蘇生を中断することを示す情報、および患者を病院に搬送しないことを示す情報を、予測結果として出力する。

【0049】

予測モデル１２１は、脳神経学的予後が良好な確率が１％以上でありかつ５％未満である場合、予後が悪いと判断して、年齢または基礎疾患に応じて心肺蘇生を中断することを示す情報、および患者を病院に搬送しないことを示す情報を、予測結果として出力する。

【0050】

予測モデル１２１は、脳神経学的予後が良好な確率が５％以上でありかつ２５％未満である場合、予後が少し悪いと判断して、心肺蘇生を継続することを示す情報、および患者を病院に搬送することを示す情報を、予測結果として出力する。

【0051】

予測モデル１２１は、脳神経学的予後が良好な確率が２５％以上でありかつ７５％未満である場合、予後が普通であると判断して、心肺蘇生を継続することを示す情報、および患者を病院に搬送することを示す情報を、予測結果として出力する。

【0052】

予測モデル１２１は、脳神経学的予後が良好な確率が７５％以上である場合、予後が良好であると判断して、心肺蘇生を継続することを示す情報、および患者を病院に搬送することを示す情報を、予測結果として出力する。

【0053】

図６は、予測装置１０が実行する予測処理の手順を示すフローチャートである。図６に示す処理ステップ（以下、これを「Ｓ」と略す。）は、予測装置１０に含まれる演算装置１１が予測プログラム１２２を実行することによって実現される。

【0054】

図６に示すように、予測装置１０は、通信インタフェース１３を介して、ユーザ端末２０から少なくとも１つの特徴量を取得する（Ｓ１）。少なくとも１つの特徴量は、「ＣＰＲ開始までの時間」を少なくとも含む。また、最も高い予測精度を得る場合、少なくとも１つの特徴量は、図４に示す「ＣＰＲ開始までの時間」、「搬送前心拍再開」、「ショック可能リズム」、「年齢」、「目撃者」、「市民による除細動」、および「By-stander CPR」の７種類の特徴量を含む。

【0055】

予測装置１０は、取得した少なくとも１つの特徴量と訓練済みの予測モデル１２１とに基づいて、患者の脳神経学的予後を予測する（Ｓ２）。予測装置１０は、通信インタフェース１３によって、予測結果をユーザ端末２０に出力する（Ｓ３）。その後、予測装置１０は、本処理を終了する。

【0056】

［ユーザ端末における画面の表示例］
図７を参照しながら、ユーザ端末２０における画面２１０の表示例を説明する。図７は、ユーザ端末２０における画面２１０の表示例を示す図である。予測システム１００は、ユーザ端末２０のアプリケーションと連動して、院外心肺停止した患者の予後の予測結果をユーザ端末２０に提供する。

【0057】

ユーザ端末２０は、院外心肺停止した患者の脳神経学的予後に関する特徴量を入力するためのインタフェースを、ディスプレイ２１および入力部２２によってユーザに提供する。図７には、特徴量の入力を受け付ける画面２１０を表示するユーザ端末２０のディスプレイ２１が示されている。

【0058】

画面２１０には、特徴量として、院外心肺停止した患者の「年齢」の入力を受け付ける入力欄２１１と、「ＣＰＲ開始までの時間」の入力を受け付ける入力欄２１２と、「By-stander CPR」に関する入力を受け付ける入力欄２１３と、「ショック可能リズム」に関する入力を受け付ける入力欄２１４と、「搬送前心拍再開」に関する入力を受け付ける入力欄２１５と、「目撃者」に関する入力を受け付ける入力欄２１６と、「市民による除細動」に関する入力を受け付ける入力欄２１７とが配置されている。

【0059】

ユーザは、入力欄２１１において、患者の年齢を加算する場合は「＋」を選択し、患者の年齢を減算する場合は「－」を選択する。ユーザは、入力欄２１２において、患者の心肺が停止してからＣＰＲが開始されるまでの時間を加算する場合は「＋」を選択し、患者の心肺が停止してからＣＰＲが開始されるまでの時間を減算する場合は「－」を選択する。ユーザは、入力欄２１３において、心肺が停止した場所に居た人により心肺の蘇生が行われた場合は「ＹＥＳ」を選択し、心肺が停止した場所に居た人により心肺の蘇生が行われなかった場合は「ＮＯ」を選択する。ユーザは、入力欄２１４において、患者の心拍リズムがショック可能リズムである場合は「ＹＥＳ」を選択し、患者の心拍リズムがショック可能リズムでない場合は「ＮＯ」を選択する。ユーザは、入力欄２１５において、患者が病院に搬送される前に患者の心拍が再開した場合は「ＹＥＳ」を選択し、患者が病院に搬送される前に患者の心拍が再開しなかった場合は「ＮＯ」を選択する。ユーザは、入力欄２１６において、心肺の停止の目撃者がいる場合は「ＹＥＳ」を選択し、心肺の停止の目撃者がいない場合は「ＮＯ」を選択する。ユーザは、入力欄２１７において、市民により患者に対して除細動が行われた場合は「ＹＥＳ」を選択し、市民により患者に対して除細動が行われなかった場合は「ＮＯ」を選択する。

【0060】

ユーザは、上述した入力欄２１１～２１７に情報（特徴量）を入力した後、予後の予測を実行するための実行ボタン２２０を押圧する。ユーザ端末２０は、実行ボタン２２０の押圧を受け付けると、入力欄２１１～２１７を用いて入力された情報（特徴量）を、予測装置１０に送信する。

【0061】

予測装置１０の演算装置１１は、ユーザによって入力された特徴量をユーザ端末２０から受信すると、記憶装置１２に格納された訓練済みの予測モデル１２１を用いて院外心肺停止した患者の予後を予測する。予測装置１０は、予測モデル１２１による予測結果を示す情報を、ユーザ端末２０に送信する。

【0062】

ユーザ端末２０は、予測装置１０から予測結果を受信すると、ディスプレイ２１の結果欄２３０に予測結果を示す情報を表示する。具体的には、ユーザ端末２０は、結果欄２３０において、院外心肺停止が発生してから１カ月後の脳神経学的予後が良好である確率を表示する。さらに、ユーザ端末２０は、結果欄２３０において、心肺蘇生を行うか否かを示す情報と、患者を病院に搬送するか否かを示す情報とを表示する。なお、ユーザ端末２０は、院外心肺停止が発生してから１カ月後の脳神経学的予後が良好である確率と、心肺蘇生を行うか否かを示す情報と、患者を病院に搬送するか否かを示す情報とのうち、少なくとも１つを表示してもよい。

【0063】

［本実施例と比較例との比較］
図８～図１２を参照しながら、本実施例に係る予測装置１０と、比較例に係る予測装置との比較について説明する。図８は、本実施例に係る予測装置１０と比較例に係る予測装置との比較結果を示す図である。

【0064】

図８に示すように、比較例として、比較例１～５の各々に係る予測装置が用いられている。まず、本実施例に係る予測装置１０と、比較例１～３に係る予測装置との比較について説明する。比較例１～３に係る予測装置は、ＡＩおよび機械学習された訓練済みの予測モデルを用いることなく、ルールベースのアルゴリズムによって、取得した特徴量に基づき、院外心肺停止した患者の脳神経学的予後を予測するように構成されている。

【0065】

図８に示すように、比較例１に係る予測装置は、予測に用いる特徴量として、「搬送前心拍再開」、「目撃者」、「By-stander CPR」、および「市民による除細動」の４種類の特徴量が用いられている。比較例２に係る予測装置は、予測に用いる特徴量として、「搬送前心拍再開」、「目撃者」、および「ショック可能リズム」の３種類の特徴量が用いられている。比較例３に係る予測装置は、予測に用いる特徴量として、「搬送前心拍再開」、「目撃者」、および「ＡＥＤ稼動」の３種類の特徴量が用いられている。

【0066】

図９および図１０は、本実施例に係る予測装置１０と比較例１～３に係る予測装置とにおけるＲＯＣ曲線の比較結果を示すグラフである。図９および図１０のグラフは、横軸に偽陽性率（１－特異度）をとり、縦軸に感度をとる。

【0067】

図９の比較においては、ウツタインデータに含まれるＣＯＶＩＤ－１９が流行する前の２００５年～２０１９年に記録された１８０００００件の院外心肺停止の症例のサンプルデータのうち、たとえば、１０％のサンプルデータをテストデータとして用いて、本実施例に係る予測装置１０および比較例１～３に係る予測装置の各々の予測精度が検証されている。また、図１０の比較においては、ＣＯＶＩＤ－１９の流行中の２０２０年３月～２０２０年１２月に記録された９５９４７件の院外心肺停止の症例に係るサンプルデータをテストデータとして用いて、本実施例に係る予測装置１０および比較例１～３に係る予測装置の各々の予測精度が検証されている。

【0068】

図９に示すように、ＣＯＶＩＤ－１９が流行する前のサンプルデータをテストデータとして用いた場合、本実施例に係る予測装置１０のＡＵＣは０．９５であるのに対して、比較例１～３に係る予測装置のＡＵＣは０．８９または０．９３である。このように、本実施例に係る予測装置１０のＡＵＣは、比較例１～３に係る予測装置のＡＵＣよりも、高い値を得ることができる。

【0069】

さらに、図１０に示すように、ＣＯＶＩＤ－１９の流行中のサンプルデータをテストデータとして用いた場合、本実施例に係る予測装置１０のＡＵＣは０．９５であるのに対して、比較例１～３に係る予測装置のＡＵＣは０．８８または０．９３である。このように、ＣＯＶＩＤ－１９の流行中のサンプルデータをテストデータとして用いた場合でも、本実施例に係る予測装置１０のＡＵＣは、比較例１～３に係る予測装置のＡＵＣよりも、高い値を得ることができる。

【0070】

図１１は、本実施例に係る予測装置１０と比較例１～３に係る予測装置との比較結果のまとめを示す図である。図１１に示すように、本実施例に係る予測装置１０は、予測精度（ＡＵＣ）が高いのに対して、比較例１～３に係る予測装置は、予測精度（ＡＵＣ）が中等度である。

【0071】

本実施例に係る予測装置１０は、ＡＩおよび機械学習された訓練済みの予測モデル１２１を用いているのに対して、比較例１～３に係る予測装置は、ＡＩおよび機械学習された訓練済みの予測モデルを用いていない。

【0072】

本実施例に係る予測装置１０は、ＣＯＶＩＤ－１９の流行中に院外心肺停止した患者の予後予測についても予測精度が高く対応可能であるのに対して、比較例１～３に係る予測装置は、ＣＯＶＩＤ－１９の流行中に院外心肺停止した患者の予後予測については予測精度が中等度であり対応不可能である。このため、図１０に示すように、ＣＯＶＩＤ－１９の流行中に院外心肺停止した患者についても、本実施例に係る予測装置１０は、比較例１～３に係る予測装置よりも高い精度で患者の予後を予測することができる。

【0073】

本実施例に係る予測装置１０は、図７に示すように、ユーザ端末２０のアプリケーションを用いて、容易にかつリアルタイムで迅速に救命現場などで院外心肺停止した患者の予後を予測することができ、しかも、ＣＯＶＩＤ－１９の流行中に院外心肺停止した患者についても予後予測の対象とすることができる。このため、本実施例に係る予測装置１０は、比較例１～３に係る予測装置よりも、利便性および実用性が高い。

【0074】

次に、本実施例に係る予測装置１０と、比較例４，５に係る予測装置との比較について説明する。比較例４，５に係る予測装置は、本実施例に係る予測装置１０と同様に、ＡＩおよび機械学習された訓練済みの予測モデルを用いて、取得した特徴量に基づき、院外心肺停止した患者の脳神経学的予後を予測するように構成されている。

【0075】

しかしながら、比較例４，５に係る予測装置が予後予測に用いる特徴量は、本実施例に係る予測装置１０が予後予測に用いる特徴量と異なる。具体的には、図８に示すように、比較例４に係る予測装置は、「年齢」、「性別」、「目撃者」、および「By-stander CPR」などを含む１９種類もの多くの特徴量を用いなければ、患者の予後を予測することができない。さらに、比較例４に係る予測装置は、心拍リズムがショック可能リズムである患者のみを予後予測の対象としている。

【0076】

また、比較例５に係る予測装置は、「搬送前心拍再開」、「年齢」、および「初期波形」の３種類を用いて患者の予後を予測するように構成されているが、搬送前に心拍が再開した患者のみを予後予測の対象としている。

【0077】

さらに、比較例１～３に係る予測装置と同様に、本実施例に係る予測装置１０と、比較例４，５に係る予測装置とで、ＡＵＣを比較すると、本実施例に係る予測装置１０のＡＵＣは０．９５であるのに対して、比較例４，５に係る予測装置のＡＵＣは０．８７または０８８である。このように、本実施例に係る予測装置１０のＡＵＣは、比較例４，５に係る予測装置のＡＵＣよりも、極めて高い値を得ることができる。

【0078】

図１２は、本実施例に係る予測装置１０と比較例４，５に係る予測装置との比較結果のまとめを示す図である。図１２に示すように、本実施例に係る予測装置１０は、予測精度が高いのに対して、比較例４，５に係る予測装置は、予測精度が低い。

【0079】

本実施例に係る予測装置１０および比較例４，５に係る予測装置は、いずれも、ＡＩおよび機械学習された訓練済みの予測モデルを用いている。しかしながら、本実施例に係る予測装置１０は、ＣＯＶＩＤ－１９の流行中に院外心肺停止した患者の予後予測についても予測精度が高く対応可能であるのに対して、比較例１～３に係る予測装置は、ＣＯＶＩＤ－１９の流行中に院外心肺停止した患者の予後予測については予測精度が低く対応不可能である。すなわち、比較例４，５に係る予測装置は、予測モデルの機械学習において、ＣＯＶＩＤ－１９の流行中のサンプルデータをテストデータとして用いないため、ＣＯＶＩＤ－１９の流行中に院外心肺停止した患者については、予後の予測精度が低くなる。

【0080】

本実施例に係る予測装置１０は、心拍リズムがショック可能リズムである患者以外についても、予後を予測することができるのに対して、比較例４に係る予測装置は、心拍リズムがショック可能リズムである患者以外については、予後を予測することができない。また、本実施例に係る予測装置１０は、搬送前に心拍が再開した患者以外についても、予後を予測することができるのに対して、比較例５に係る予測装置は、搬送前に心拍が再開した患者以外については、予後を予測することができない。

【0081】

本実施例に係る予測装置１０は、院外心肺停止が発生した救命現場などにおいて、ユーザが容易に取得可能な７種類の特徴量を用いて、患者の予後を予測することができるのに対して、比較例４，５に係る予測装置は、院外心肺停止が発生した救命現場などにおいて、ユーザが容易に特徴量を取得することが困難である。たとえば、比較例４，５に係る予測装置は、特徴量として、心電図の初期波形を取得する必要がある。また、比較例４に係る予測装置は、特徴量として、１９種類もの多くの特徴量を取得する必要があり、救命現場などにおいてユーザが容易に取得することは不可能である。

【0082】

本実施例に係る予測装置１０は、図７に示すように、ユーザ端末２０のアプリケーションを用いて、容易にかつリアルタイムで迅速に救命現場などで院外心肺停止した患者の予後を予測することができ、しかも、ＣＯＶＩＤ－１９の流行中に院外心肺停止した患者についても予後予測の対象とすることができる。さらに、本実施例に係る予測装置１０は、比較例４，５に係る予測装置では困難な救命現場などにおいて容易に取得可能な特徴量を用いて、院外心肺停止した患者の予後を予測することができる。このため、本実施例に係る予測装置１０は、比較例４，５に係る予測装置よりも、利便性および実用性が極めて高い。

【0083】

以上のように、本実施例に係る予測システム１００および予測装置１０によれば、院外心肺停止した患者の予後に関する特徴量と訓練済みの予測モデル１２１とに基づき、患者の予後を予測することができるため、より高い精度で心肺が停止した患者の予後を予測することができる。これにより、たとえば、院外心肺停止が発生した救命の現場において、ユーザは、予測装置１０を用いて心肺が停止した患者の予後を容易に予測することができ、ユーザ端末２０を用いて予測結果を閲覧することができる。したがって、ユーザは、患者の心肺蘇生を継続するか否か、および患者を病院に搬送するか否かについて、今後の対応を適切に判断することができる。

【0084】

さらに、本実施例に係る予測装置１０は、パーミューテーションインポータンスの手法を用いた検証によって見出した、７種類の厳選された特徴量に基づき、患者の予後を予測することができるため、より高い精度で心肺が停止した患者の予後を予測することができる。特に、本実施例に係る予測装置１０は、比較例１～５に係る予測装置において用いられていない特徴量として、「ＣＰＲ開始までの時間」を用いることで、比較例１～５に係る予測装置では到達不可能な高い精度で心肺が停止した患者の予後を予測することができる。しかも、これら７種類の特徴量は、全て救命現場でユーザが容易に取得してユーザ端末２０から入力可能であるため、本実施例に係る予測装置１０は、比較例１～５に係る予測装置よりも利便性が高い。

【0085】

［態様］
（第１項）一態様に係る予測装置１０は、患者の予後に関する特徴量として、心肺が停止してから心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量を取得する取得部（通信インタフェース１３）と、訓練済みの予測モデル１２１を用いて少なくとも１つの特徴量に基づいて患者の予後を予測する予測部（演算装置１１）と、予測部（演算装置１１）の予測に基づく結果を出力する出力部（通信インタフェース１３）とを備える。

【0086】

（第２項）第１項に記載の予測装置１０において、少なくとも１つの特徴量は、患者が病院に搬送される前に患者の心拍が再開したか否かを示す情報と、患者の心拍リズムが電気ショック可能なリズムであるか否かを示す情報とをさらに含む。

【0087】

（第３項）第１項または第２項に記載の予測装置１０において、少なくとも１つの特徴量は、患者の年齢を示す情報と、心肺の停止が目撃されたか否かを示す情報と、市民により患者に対して除細動が行われたか否かを示す情報と、心肺が停止した場所に居た人により心肺の蘇生が行われたか否かを示す情報とをさらに含む。

【0088】

（第４項）第１項～第３項のいずれか１項に記載の予測装置１０において、予測モデル１２１は、少なくとも１つの特徴量と患者の予後が良好であるか否かを示す情報とに基づく機械学習によって生成されている。

【0089】

（第５項）第１項～第４項のいずれか１項に記載の予測装置１０において、出力部によって出力される結果は、患者の予後が良好である確率と、心肺の蘇生を行うか否かを示す情報と、患者を病院に搬送するか否かを示す情報とのうち、少なくとも１つを含む。

【0090】

（第６項）一態様に係る予測方法は、コンピュータ（演算装置１１）が実行する処理として、患者の予後に関する特徴量として、心肺が停止してから心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量を取得するステップ（Ｓ１）と、訓練済みの予測モデル１２１を用いて少なくとも１つの特徴量に基づいて患者の予後を予測するステップ（Ｓ２）と、予測するステップの予測に基づく結果を出力するステップ（Ｓ３）とを含む。

【0091】

（第７項）一態様に係る予測プログラムは、コンピュータ（演算装置１１）に、患者の予後に関する特徴量として、心肺が停止してから心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量を取得するステップ（Ｓ１）と、訓練済みの予測モデル１２１を用いて少なくとも１つの特徴量に基づいて患者の予後を予測するステップ（Ｓ２）と、予測するステップの予測に基づく結果を出力するステップ（Ｓ３）とを実行させる。

【0092】

（第８項）一態様に係る予測システム１００は、ユーザ端末２０と、ユーザ端末２０と通信するように構成された予測装置１０とを備える。予測装置１０は、患者の予後に関する特徴量として、心肺が停止してから心肺の蘇生が開始されるまでの時間を示す情報を含む少なくとも１つの特徴量をユーザ端末２０から取得する取得部（通信インタフェース１３）と、訓練済みの予測モデル１２１を用いて少なくとも１つの特徴量に基づいて患者の予後を予測する予測部（演算装置１１）と、予測部（演算装置１１）の予測に基づく結果をユーザ端末２０に出力する出力部（通信インタフェース１３）とを備える。

【0093】

今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は、上記した実施の形態の説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0094】

１０ 予測装置、１１ 演算装置、１２ 記憶装置、１３，２３ 通信インタフェース、２０ ユーザ端末、２１ ディスプレイ、２２ 入力部、１００ 予測システム、１２１ 予測モデル、１２２ 予測プログラム、２１０ 画面、２１１，２１２，２１３，２１４，２１５，２１６，２１７ 入力欄、２２０ 実行ボタン、２３０ 結果欄、５００ ネットワーク。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】