知財求人 - 知財ポータルサイト「IP Force」
(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】P2024097530
(43)【公開日】2024-07-19
(54)【発明の名称】情報処理装置、医療者端末及びプログラム
(51)【国際特許分類】
G16H 10/00 20180101AFI20240711BHJP
【ＦＩ】
G16H10/00
【審査請求】未請求
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2023001032
(22)【出願日】2023-01-06
【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４年１月２５日に２０２１年度学長記者懇談会（大阪公立大学）にて公開。 令和４年３月１９日にＥＢＭＴ２０２２ 第４８回欧州骨髄移植学会議にて公開。 令和４年１１月２日にｈｔｔｐｓ：／／ｗｗｗ．ｎａｔｕｒｅ．ｃｏｍ／ａｒｔｉｃｌｅｓ／ｓ４１４０９－０２２－０１７９８－０にて公開。
(71)【出願人】
【識別番号】519135633
【氏名又は名称】公立大学法人大阪
(74)【代理人】
【識別番号】110002273
【氏名又は名称】弁理士法人インターブレイン
(72)【発明者】
【氏名】岡村 浩史
【テーマコード（参考）】
5L099
【Ｆターム（参考）】
5L099AA03
(57)【要約】
【課題】移植法などの治療法に関して、患者個別に適性が高い治療法を予測する技術を提供する。
【解決手段】情報処理装置は、移植手術を受けた患者毎に、複数の想定移植法の各々について、機械学習された予測モデルを用いて、術後経過を予測する予測部と、患者毎に、良好な術後経過に対応する想定移植法を推奨移植法として選定する推奨部と、複数の患者を、実施移植法と推奨移植法が一致する推奨群と、実施移植法と推奨移植法が一致しない非推奨群とに分類し、推奨群の術後経過と非推奨群の術後経過とを解析して、予測モデルの評価結果を算出する評価部と、を備える。
【選択図】図１６
【解決手段】情報処理装置は、移植手術を受けた患者毎に、複数の想定移植法の各々について、機械学習された予測モデルを用いて、術後経過を予測する予測部と、患者毎に、良好な術後経過に対応する想定移植法を推奨移植法として選定する推奨部と、複数の患者を、実施移植法と推奨移植法が一致する推奨群と、実施移植法と推奨移植法が一致しない非推奨群とに分類し、推奨群の術後経過と非推奨群の術後経過とを解析して、予測モデルの評価結果を算出する評価部と、を備える。
【選択図】図１６
【特許請求の範囲】
【請求項1】
移植手術を受けた複数の第１患者の各々について、予後因子と、実施移植法と、術後経過に係る指標とを含む教師データを記憶するための教師データ記憶部と、
前記第１患者の前記予後因子と、前記第１患者の前記実施移植法とを説明変数とし、前記第１患者の前記指標を目的変数とする予測モデルを機械学習により生成するモデル生成部と、
前記移植手術を受けた複数の第２患者の各々について、予後因子と、実施移植法と、実際の術後経過に係る指標とを含む評価データを記憶するための評価データ記憶部と、
前記第２患者毎に、複数の想定移植法の各々について、前記予測モデルを用いて、前記予後因子と当該想定移植法とから、当該想定移植法による術後経過を予測する予測部と、
前記第２患者毎に、前記想定移植法毎に予測された前記術後経過のうち良好な前記術後経過に対応する前記想定移植法を推奨移植法として選定する推奨部と、
複数の前記第２患者のそれぞれを、当該第２患者の前記実施移植法と前記推奨移植法が一致する推奨群と、当該第２患者の前記実施移植法と前記推奨移植法が一致しない非推奨群とに分類し、前記推奨群における前記実際の術後経過と前記非推奨群における前記実際の術後経過とを解析して、前記予測モデルの評価結果を算出する評価部と、を備えることを特徴とする情報処理装置。
前記第１患者の前記予後因子と、前記第１患者の前記実施移植法とを説明変数とし、前記第１患者の前記指標を目的変数とする予測モデルを機械学習により生成するモデル生成部と、
前記移植手術を受けた複数の第２患者の各々について、予後因子と、実施移植法と、実際の術後経過に係る指標とを含む評価データを記憶するための評価データ記憶部と、
前記第２患者毎に、複数の想定移植法の各々について、前記予測モデルを用いて、前記予後因子と当該想定移植法とから、当該想定移植法による術後経過を予測する予測部と、
前記第２患者毎に、前記想定移植法毎に予測された前記術後経過のうち良好な前記術後経過に対応する前記想定移植法を推奨移植法として選定する推奨部と、
複数の前記第２患者のそれぞれを、当該第２患者の前記実施移植法と前記推奨移植法が一致する推奨群と、当該第２患者の前記実施移植法と前記推奨移植法が一致しない非推奨群とに分類し、前記推奨群における前記実際の術後経過と前記非推奨群における前記実際の術後経過とを解析して、前記予測モデルの評価結果を算出する評価部と、を備えることを特徴とする情報処理装置。
【請求項2】
前記予測部は、前記第２患者毎に、当該第２患者の前記実施移植法に基づいて実施不可能と推測される移植法を除く前記複数の想定移植法を選択することを特徴とする請求項１に記載の情報処理装置。
【請求項3】
前記移植手術を受けた複数の第３患者の各々について、予後因子と、実施移植法と、術後経過に係る指標とを含む追加データを取得するデータ取得部を、更に備え、
前記モデル生成部は、前記第１患者及び前記第３患者の前記予後因子と、前記第１患者及び前記第３患者の前記実施移植法とを前記説明変数とし、前記第１患者及び前記第３患者の前記指標を前記目的変数とする予測モデルを機械学習により生成することを特徴とする請求項１に記載の情報処理装置。
前記モデル生成部は、前記第１患者及び前記第３患者の前記予後因子と、前記第１患者及び前記第３患者の前記実施移植法とを前記説明変数とし、前記第１患者及び前記第３患者の前記指標を前記目的変数とする予測モデルを機械学習により生成することを特徴とする請求項１に記載の情報処理装置。
【請求項4】
前記移植手術を受ける現患者の予後因子を入力する入力部を、更に備え、
前記予測部は、前記予測モデルを用いて、前記現患者の前記予後因子と、候補移植法とから、当該候補移植法による前記現患者の術後経過を予測することを特徴とする請求項１に記載の情報処理装置。
前記予測部は、前記予測モデルを用いて、前記現患者の前記予後因子と、候補移植法とから、当該候補移植法による前記現患者の術後経過を予測することを特徴とする請求項１に記載の情報処理装置。
【請求項5】
前記予測部は、複数の前記候補移植法について、それぞれ前記現患者の前記術後経過を予測し、
前記候補移植法毎に予測された前記現患者の前記術後経過を比較可能な態様で出力する出力部を、更に備えることを特徴とする請求項４に記載の情報処理装置。
前記候補移植法毎に予測された前記現患者の前記術後経過を比較可能な態様で出力する出力部を、更に備えることを特徴とする請求項４に記載の情報処理装置。
【請求項6】
前記移植手術を受ける現患者の予後因子を入力する入力部と、
請求項１に記載の情報処理装置で生成された前記予測モデルを用いて、前記現患者の前記予後因子と、候補移植法とから、当該候補移植法による前記現患者の術後経過を予測する予測部と、を備えることを特徴とする医療者端末。
請求項１に記載の情報処理装置で生成された前記予測モデルを用いて、前記現患者の前記予後因子と、候補移植法とから、当該候補移植法による前記現患者の術後経過を予測する予測部と、を備えることを特徴とする医療者端末。
【請求項7】
前記予測部は、複数の前記候補移植法について、それぞれ前記現患者の前記術後経過を予測し、
前記候補移植法毎に予測された前記現患者の前記術後経過を比較可能な態様で出力する出力部を、更に備えることを特徴とする請求項６に記載の医療者端末。
前記候補移植法毎に予測された前記現患者の前記術後経過を比較可能な態様で出力する出力部を、更に備えることを特徴とする請求項６に記載の医療者端末。
【請求項8】
前記予測モデルの前記評価結果を出力する出力部を、更に備えることを特徴とする請求項６に記載の医療者端末。
【請求項9】
所定治療を受けた複数の第１患者の各々について、予後因子と、実施治療法と、治療後経過に係る指標とを含む教師データを記憶する教師データ記憶部と、
前記第１患者の前記予後因子と、前記第１患者の前記実施治療法とを説明変数とし、前記第１患者の前記指標を目的変数とする予測モデルを機械学習により生成するモデル生成部と、
前記所定治療を受けた複数の第２患者の各々について、予後因子と、実施治療法と、実際の治療後経過に係る指標とを含む評価データを記憶するための評価データ記憶部と、
前記第２患者毎に、複数の想定治療法の各々について、前記予測モデルを用いて、前記予後因子と当該想定治療法とから、当該想定治療法による治療後経過を予測する予測部と、
前記第２患者毎に、前記想定治療法毎に予測された前記治療後経過のうち良好な前記治療後経過に対応する前記想定治療法を推奨治療法として選定する推奨部と、
複数の前記第２患者のそれぞれを、当該第２患者の前記実施治療法と前記推奨治療法が一致する推奨群と、当該第２患者の前記実施治療法と前記推奨治療法が一致しない非推奨群とに分類し、前記推奨群における前記実際の治療後経過と前記非推奨群における前記実際の治療後経過とを解析して、前記予測モデルの評価結果を算出する評価部と、を備えることを特徴とする情報処理装置。
前記第１患者の前記予後因子と、前記第１患者の前記実施治療法とを説明変数とし、前記第１患者の前記指標を目的変数とする予測モデルを機械学習により生成するモデル生成部と、
前記所定治療を受けた複数の第２患者の各々について、予後因子と、実施治療法と、実際の治療後経過に係る指標とを含む評価データを記憶するための評価データ記憶部と、
前記第２患者毎に、複数の想定治療法の各々について、前記予測モデルを用いて、前記予後因子と当該想定治療法とから、当該想定治療法による治療後経過を予測する予測部と、
前記第２患者毎に、前記想定治療法毎に予測された前記治療後経過のうち良好な前記治療後経過に対応する前記想定治療法を推奨治療法として選定する推奨部と、
複数の前記第２患者のそれぞれを、当該第２患者の前記実施治療法と前記推奨治療法が一致する推奨群と、当該第２患者の前記実施治療法と前記推奨治療法が一致しない非推奨群とに分類し、前記推奨群における前記実際の治療後経過と前記非推奨群における前記実際の治療後経過とを解析して、前記予測モデルの評価結果を算出する評価部と、を備えることを特徴とする情報処理装置。
【請求項10】
前記所定治療を受ける現患者の予後因子を入力する入力部と、
請求項９に記載の情報処理装置で生成された前記予測モデルを用いて、前記現患者の前記予後因子と、候補治療法とから、当該候補治療法による前記現患者の治療後経過を予測する予測部と、を備えることを特徴とする医療者端末。
請求項９に記載の情報処理装置で生成された前記予測モデルを用いて、前記現患者の前記予後因子と、候補治療法とから、当該候補治療法による前記現患者の治療後経過を予測する予測部と、を備えることを特徴とする医療者端末。
【請求項11】
移植手術を受けた複数の第１患者の各々について、予後因子と、実施移植法と、術後経過に係る指標とを含む教師データを記憶するための教師データ記憶部と、
前記移植手術を受けた複数の第２患者の各々について、予後因子と、実施移植法と、実際の術後経過に係る指標とを含む評価データを記憶するための評価データ記憶部と、を備えるコンピュータに、
前記第１患者の前記予後因子と、前記第１患者の前記実施移植法とを説明変数とし、前記第１患者の前記指標を目的変数とする予測モデルを機械学習により生成する機能と、
前記第２患者毎に、複数の想定移植法の各々について、前記予測モデルを用いて、前記予後因子と当該想定移植法とから、当該想定移植法による術後経過を予測する機能と、
前記第２患者毎に、前記想定移植法毎に予測された前記術後経過のうち良好な前記術後経過に対応する前記想定移植法を推奨移植法として選定する機能と、
複数の前記第２患者のそれぞれを、当該第２患者の前記実施移植法と前記推奨移植法が一致する推奨群と、当該第２患者の前記実施移植法と前記推奨移植法が一致しない非推奨群とに分類し、前記推奨群における前記実際の術後経過と前記非推奨群における前記実際の術後経過とを解析して、前記予測モデルの評価結果を算出する機能と、を発揮させることを特徴とするプログラム。
前記移植手術を受けた複数の第２患者の各々について、予後因子と、実施移植法と、実際の術後経過に係る指標とを含む評価データを記憶するための評価データ記憶部と、を備えるコンピュータに、
前記第１患者の前記予後因子と、前記第１患者の前記実施移植法とを説明変数とし、前記第１患者の前記指標を目的変数とする予測モデルを機械学習により生成する機能と、
前記第２患者毎に、複数の想定移植法の各々について、前記予測モデルを用いて、前記予後因子と当該想定移植法とから、当該想定移植法による術後経過を予測する機能と、
前記第２患者毎に、前記想定移植法毎に予測された前記術後経過のうち良好な前記術後経過に対応する前記想定移植法を推奨移植法として選定する機能と、
複数の前記第２患者のそれぞれを、当該第２患者の前記実施移植法と前記推奨移植法が一致する推奨群と、当該第２患者の前記実施移植法と前記推奨移植法が一致しない非推奨群とに分類し、前記推奨群における前記実際の術後経過と前記非推奨群における前記実際の術後経過とを解析して、前記予測モデルの評価結果を算出する機能と、を発揮させることを特徴とするプログラム。
【請求項12】
移植手術を受ける現患者の予後因子を入力する機能と、
請求項１に記載の情報処理装置で生成された前記予測モデルを用いて、前記現患者の前記予後因子と、候補移植法とから、当該候補移植法による前記現患者の術後経過を予測する機能と、をコンピュータに発揮させることを特徴とするプログラム。
請求項１に記載の情報処理装置で生成された前記予測モデルを用いて、前記現患者の前記予後因子と、候補移植法とから、当該候補移植法による前記現患者の術後経過を予測する機能と、をコンピュータに発揮させ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、治療法の予後を予測する技術に関する。
【背景技術】
【0002】
他人からの造血幹細胞を移植する同種造血幹細胞移植は、白血病をはじめとした難治性血液疾患の唯一の根治療法である。以下、同種造血幹細胞移植を単に「造血幹細胞移植」という。
【0003】
近年、前処置や移植片対宿主病（以下、「ＧＶＨＤ」と記す）の予防法の改良、ドナー選択肢の増加により、多岐に渡る移植法が開発され、治療成績も向上してきた。その結果、移植を受ける患者は増加の一途にある。一方、どのような患者に対してどの移植法が最適かという選択は複雑化しており、移植医や移植施設の主観や経験に依存するところが大きい。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０２０－１１９３８３号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
医療分野において、人工知能や機械学習の活用が広がっているが、そのほとんどは、診断又は単に予後予測に関するものである。機械学習モデルに患者個別の移植法を推奨させ、その推奨移植法が予後改善に寄与することを示した報告はない。
【0006】
特許文献１には、学習機を用いて特定のドナーに関して移植予後の結果を含む移植候補情報を生成する技術が開示されているが、移植法を推奨する仕組みは無い。
【0007】
本発明はこのような課題に鑑みてなされたものであり、その目的の一つは、移植法などの治療法に関して、患者個別に適性が高い治療法を予測することを目的とする。
【課題を解決するための手段】
【0008】
本発明のある態様の情報処理装置は、移植手術を受けた複数の第１患者の各々について、予後因子と、実施移植法と、術後経過に係る指標とを含む教師データを記憶するための教師データ記憶部と、第１患者の予後因子と、第１患者の実施移植法とを説明変数とし、第１患者の上記指標を目的変数とする予測モデルを機械学習により生成するモデル生成部と、移植手術を受けた複数の第２患者の各々について、予後因子と、実施移植法と、実際の術後経過に係る指標とを含む評価データを記憶するための評価データ記憶部と、第２患者毎に、複数の想定移植法の各々について、予測モデルを用いて、予後因子と当該想定移植法とから、当該想定移植法による術後経過を予測する予測部と、第２患者毎に、想定移植法毎に予測された術後経過のうち良好な術後経過に対応する想定移植法を推奨移植法として選定する推奨部と、複数の第２患者のそれぞれを、当該第２患者の実施移植法と推奨移植法が一致する推奨群と、当該第２患者の実施移植法と推奨移植法が一致しない非推奨群とに分類し、推奨群における実際の術後経過と非推奨群における実際の術後経過とを解析して、予測モデルの評価結果を算出する評価部と、を備える。
【0009】
本発明の別の態様の情報処理装置は、所定治療を受けた複数の第１患者の各々について、予後因子と、実施治療法と、治療後経過に係る指標とを含む教師データを記憶する教師データ記憶部と、第１患者の予後因子と、第１患者の実施治療法とを説明変数とし、第１患者の上記指標を目的変数とする予測モデルを機械学習により生成するモデル生成部と、所定治療を受けた複数の第２患者の各々について、予後因子と、実施治療法と、実際の治療後経過に係る指標とを含む評価データを記憶するための評価データ記憶部と、第２患者毎に、複数の想定治療法の各々について、予測モデルを用いて、予後因子と当該想定治療法とから、当該想定治療法による治療後経過を予測する予測部と、第２患者毎に、想定治療法毎に予測された治療後経過のうち良好な治療後経過に対応する想定治療法を推奨治療法として選定する推奨部と、複数の第２患者のそれぞれを、当該第２患者の実施治療法と推奨治療法が一致する推奨群と、実施治療法と推奨治療法が一致しない非推奨群とに分類し、推奨群における実際の治療後経過と非推奨群における実際の治療後経過とを解析して、予測モデルの評価結果を算出する評価部と、を備える。
【0010】
本発明のある態様のプログラムは、移植手術を受けた複数の第１患者の各々について、予後因子と、実施移植法と、術後経過に係る指標とを含む教師データを記憶するための教師データ記憶部と、移植手術を受けた複数の第２患者の各々について、予後因子と、実施移植法と、実際の術後経過に係る指標とを含む評価データを記憶するための評価データ記憶部と、を備えるコンピュータに、第１患者の予後因子と、第１患者の実施移植法とを説明変数とし、第１患者の上記指標を目的変数とする予測モデルを機械学習により生成する機能と、第２患者毎に、複数の想定移植法の各々について、予測モデルを用いて、予後因子と当該想定移植法とから、当該想定移植法による術後経過を予測する機能と、第２患者毎に、想定移植法毎に予測された術後経過のうち良好な術後経過に対応する想定移植法を推奨移植法として選定する機能と、複数の第２患者のそれぞれを、当該第２患者の実施移植法と推奨移植法が一致する推奨群と、当該第２患者の実施移植法と推奨移植法が一致しない非推奨群とに分類し、推奨群における実際の術後経過と非推奨群における実際の術後経過とを解析して、予測モデルの評価結果を算出する機能と、を発揮させる。
【発明の効果】
【0011】
本発明によれば、移植法などの治療法に関して、患者個別に適性が高い治療法を予測する技術を提供できる。
【図面の簡単な説明】
【0012】
【図1】ドナーソースの選択手順を示す図である。
【図2】造血幹細胞移植の治療の流れを示す図である。
【図3】移植法の定義を示す図である。
【図4】臨床データの構成図である。
【図5】予測モデルを使って予後予測を行うまでのフェーズを示す図である。
【図6】ネットワーク構成と医療者端末の機能ブロックを示す図である。
【図7】予測モデルの生成に関わる変数を示す図である。
【図8】モデル生成の概要を示す図である。
【図9】予測モデルの利用に関わる変数を示す図である。
【図11】予測モデルの評価の概要を示す図である。
【図12】予測モデルの評価の概要を示す図である。
【図13】予測モデルの評価の概要を示す図である。
【図14】予測モデルの評価の概要を示す図である。
【図15】予測モデルの評価の概要を示す図である。
【図16】評価結果画面の例を示す図である。
【図17】予測モデルの評価処理のフロー図である。
【図18】予後予測画面の例を示す図である。
【図19】予後予測処理のフロー図である。
【図20】変形例１におけるモデル生成の概要を示す図である。
【図21】Deep Survによる予測モデルの評価結果画面を示す図である。
【図22】変形例３におけるネットワーク構成と医療支援サーバの機能ブロックを示す図である。
【図23】変形例４におけるネットワーク構成と医療者端末の機能ブロックを示す図である。
【発明を実施するための形態】
【0013】
以下、本発明の実施形態を、図面を参照して詳細に説明する。
実施形態では、造血幹細胞移植の移植法に応じた術後経過を予測する予測モデルを機械学習し、予測モデルを使って実際の患者（以下、「現患者」という）の予後を予測し、現患者に対する適性の高い移植法を推奨する情報処理について説明する。ここでいう移植法には、ドナーソースの選択が含まれる。
実施形態では、造血幹細胞移植の移植法に応じた術後経過を予測する予測モデルを機械学習し、予測モデルを使って実際の患者（以下、「現患者」という）の予後を予測し、現患者に対する適性の高い移植法を推奨する情報処理について説明する。ここでいう移植法には、ドナーソースの選択が含まれる。
【0014】
図１は、ドナーソースの選択手順を示す図である。
医療者は、血縁者の情報を取得する（Ｓ１０）。医療者は、血縁者の中に患者とヒト白血球抗原（以下、「ＨＬＡ」と記す）が一致する人がいるかを調べる。血縁者の中にドナーになれるＨＬＡ適合者がいる場合には（Ｓ１２のＹＥＳ）、その血縁者がＨＬＡ適合血縁ドナー（以下、「ＭＲＤ」と記す）として選択される（Ｓ１４）。ＨＬＡ適合者とは、ＨＬＡ型が患者と一致する人のことである。一致の度合いは、所定の基準に照らして判断される。
医療者は、血縁者の情報を取得する（Ｓ１０）。医療者は、血縁者の中に患者とヒト白血球抗原（以下、「ＨＬＡ」と記す）が一致する人がいるかを調べる。血縁者の中にドナーになれるＨＬＡ適合者がいる場合には（Ｓ１２のＹＥＳ）、その血縁者がＨＬＡ適合血縁ドナー（以下、「ＭＲＤ」と記す）として選択される（Ｓ１４）。ＨＬＡ適合者とは、ＨＬＡ型が患者と一致する人のことである。一致の度合いは、所定の基準に照らして判断される。
【0015】
血縁者の中にドナーになれるＨＬＡ適合者がいない場合には（Ｓ１２のＮＯ）、医療者は、日本骨髄バンクの登録者の中にＨＬＡ適合者がいるか照会する（Ｓ１６）。登録者の中にＨＬＡ適合者がいる場合には（Ｓ１８のＹＥＳ）、医療者は、その登録者をＨＬＡ適合非血縁ドナー（以下、「ＭＵＤ」と記す）として選択する（Ｓ２０）。登録者の中にＨＬＡ適合者がいない場合には（Ｓ１８のＮＯ）、医療者は、非血縁者臍帯血（以下、「ＵＣＢ」と記す）をドナーソースとするか（Ｓ２２）、あるいはＨＬＡ半合致ドナー（以下、「Ｈａｐｌｏ」と記す）をドナーソースとする検討を行う（Ｓ２４）。ＨＬＡ半合致ドナーとは、ＨＬＡ型の半分が一致するドナーのことである。
【0016】
このように、ドナーソースの選択には優先順位がある。ＭＲＤが第１優先であり、ＨＬＡＭＵＤが第２優先であり、ＵＣＢとＨａｐｌｏが第３優先である。
【0017】
図２は、造血幹細胞移植の治療の流れを示す図である。
移植前の処置（以下、「前処置」という）として、大量の抗がん剤の投与と放射線の全身照射が行われる。前処置により、腫瘍細胞を減少させ、患者の免疫細胞の働きを抑制する。同時に、正常な造血能力は低下する。移植前処置は、骨髄破壊的前処置（以下、「ＭＡＣ」と記す）と減量強度前処置（以下、「ＲＩＣ」と記す）に分けられ、いずれかが選択される。ＲＩＣは、ＭＡＣに比べて身体への負担が軽い。
移植前の処置（以下、「前処置」という）として、大量の抗がん剤の投与と放射線の全身照射が行われる。前処置により、腫瘍細胞を減少させ、患者の免疫細胞の働きを抑制する。同時に、正常な造血能力は低下する。移植前処置は、骨髄破壊的前処置（以下、「ＭＡＣ」と記す）と減量強度前処置（以下、「ＲＩＣ」と記す）に分けられ、いずれかが選択される。ＲＩＣは、ＭＡＣに比べて身体への負担が軽い。
【0018】
前処置の後、造血幹細胞移植が行われる。造血幹細胞は、静脈から投与される。その後、造血幹細胞が骨髄で増殖し、白血球数が増え始める段階を「生着」という。生着の後、ドナー造血の能力が発揮される。以降の術後経過の観察において、移植日を起点とした経過期間が管理される。
【0019】
移植後には、ＧＶＨＤなどの合併症が生じることがある。ＨＬＡ半合致ドナー（Ｈａｐｌｏ）からの移植の場合には、ＧＶＨＤ予防のための免疫抑制療法として、移植後シクロホスファミドが用いられることがある。ドナーソースがＭＲＤ、ＭＵＤ又はＵＣＢの場合には、移植後シクロホスファミドは用いられない。以下、移植後シクロホスファミドを用いるケースを「ＰＴＣＹ」と記し、移植後シクロホスファミドを用いないケースを「Ｎｏｎ－ＰＴＣＹ」と記す。
【0020】
図３は、移植法の定義を示す図である。
実施形態では、前処置とドナーソースとＧＶＨＤ予防法の組み合わせによって、１０種の移植法を定義する。第１移植法は、ＲＩＣとＭＲＤとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第１移植法を「Ｒ－ＭＲＤ」と記す。第２移植法は、ＲＩＣとＭＵＤとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第２移植法を「Ｒ－ＭＵＤ」と記す。第３移植法は、ＲＩＣとＵＣＢとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第３移植法を「Ｒ－ＵＣＢ」と記す。第４移植法は、ＲＩＣとＨａｐｌｏとＰＴＣＹの組み合わせで定義される。以下、第４移植法を「Ｒ－Ｈａｐｌｏ－ＣＹ」と記す。第５移植法は、ＲＩＣとＨａｐｌｏとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第５移植法を「Ｒ－Ｈａｐｌｏ－ｎＣＹ」と記す。第６移植法は、ＭＡＣとＭＲＤとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第６移植法を「Ｍ－ＭＲＤ」と記す。第７移植法は、ＭＡＣとＭＵＤとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第７移植法を「Ｍ－ＭＵＤ」と記す。第８移植法は、ＭＡＣとＵＣＢとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第８移植法を「Ｍ－ＵＣＢ」と記す。第９移植法は、ＭＡＣとＨａｐｌｏとＰＴＣＹの組み合わせで定義される。以下、第９移植法を「Ｍ－Ｈａｐｌｏ－ＣＹ」と記す。第１０移植法は、ＭＡＣとＨａｐｌｏとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第１０移植法を「Ｍ－Ｈａｐｌｏ－ｎＣＹ」と記す。
実施形態では、前処置とドナーソースとＧＶＨＤ予防法の組み合わせによって、１０種の移植法を定義する。第１移植法は、ＲＩＣとＭＲＤとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第１移植法を「Ｒ－ＭＲＤ」と記す。第２移植法は、ＲＩＣとＭＵＤとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第２移植法を「Ｒ－ＭＵＤ」と記す。第３移植法は、ＲＩＣとＵＣＢとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第３移植法を「Ｒ－ＵＣＢ」と記す。第４移植法は、ＲＩＣとＨａｐｌｏとＰＴＣＹの組み合わせで定義される。以下、第４移植法を「Ｒ－Ｈａｐｌｏ－ＣＹ」と記す。第５移植法は、ＲＩＣとＨａｐｌｏとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第５移植法を「Ｒ－Ｈａｐｌｏ－ｎＣＹ」と記す。第６移植法は、ＭＡＣとＭＲＤとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第６移植法を「Ｍ－ＭＲＤ」と記す。第７移植法は、ＭＡＣとＭＵＤとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第７移植法を「Ｍ－ＭＵＤ」と記す。第８移植法は、ＭＡＣとＵＣＢとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第８移植法を「Ｍ－ＵＣＢ」と記す。第９移植法は、ＭＡＣとＨａｐｌｏとＰＴＣＹの組み合わせで定義される。以下、第９移植法を「Ｍ－Ｈａｐｌｏ－ＣＹ」と記す。第１０移植法は、ＭＡＣとＨａｐｌｏとＮｏｎ－ＰＴＣＹの組み合わせで定義される。以下、第１０移植法を「Ｍ－Ｈａｐｌｏ－ｎＣＹ」と記す。
【0021】
図４は、臨床データ２０１の構成図である。
臨床データ２０１は、造血幹細胞移植の臨床例を集めたデータである。臨床データ２０１は、臨床例を示すレコード毎に、登録番号、移植日、年齢、疾患名、疾患状態、ＰＳ、ＨＣＴ－ＣＩ、ＣＭＶ抗体、実施移植法及び実際の全生存期間のフィールドを有する。
臨床データ２０１は、造血幹細胞移植の臨床例を集めたデータである。臨床データ２０１は、臨床例を示すレコード毎に、登録番号、移植日、年齢、疾患名、疾患状態、ＰＳ、ＨＣＴ－ＣＩ、ＣＭＶ抗体、実施移植法及び実際の全生存期間のフィールドを有する。
【0022】
疾患名は、造血幹細胞移植を必要とする白血病などの疾患の名前であるが、以下では、疾患Ａ、疾患Ｂ及び疾患Ｃなどとして説明する。疾患状態は、非完全奏効などの治療の状態を示すが、以下では、疾患状態ａ、疾患状態ｂ及び疾患状態ｃなどとして説明する。
【0023】
ＰＳは、パフォーマンスステータスの略であり、日常生活動作のレベルに応じて患者の全身状態を表す指標である。ＨＣＴ－ＣＩは、造血細胞移植特異的併存疾患指数の略であり、移植前時点における併存疾患を０以上のスコアで表す。ＣＭＶ抗体は、サイトメガロウイルス抗体の略であり、陽性又は陰性を示す。
【0024】
実施移植法は、患者に対して実際に施された移植法である。この例では、上述の定義によって分類している。実際の全生存期間は、移植日から患者が実際に生存した期間である。実際の全生存期間は、術後経過に係る指標の例である。
【0025】
これらのパラメータのうち、年齢、疾患名、疾患状態、ＰＳ、ＨＣＴ－ＣＩ及びＣＭＶ抗体は、予後因子として用いられる。予後因子とは、患者が移植の術後にたどる経過を予測するための因子（要因の情報）である。例示した臨床データは、２００９年～２０１８年に移植手術が実施された臨床例に関する。
【0026】
図５は、予測モデル１０１を使って予後予測を行うまでのフェーズを示す図である。
実施形態における情報処理を、３つのフェーズに分けて説明する。予測モデル１０１の生成フェーズ（Ｓ１００）と評価フェーズ（Ｓ２００）は、作業者が予測モデル１０１を準備する作業に相当し、実用フェーズ（Ｓ３００）は、臨床に当たる医療者による予後の予測を相当する。作業者は、医療者であってもよいし、情報処理の技術者であってもよい。
実施形態における情報処理を、３つのフェーズに分けて説明する。予測モデル１０１の生成フェーズ（Ｓ１００）と評価フェーズ（Ｓ２００）は、作業者が予測モデル１０１を準備する作業に相当し、実用フェーズ（Ｓ３００）は、臨床に当たる医療者による予後の予測を相当する。作業者は、医療者であってもよいし、情報処理の技術者であってもよい。
【0027】
まず、作業者は、臨床例の患者を、重複しないように第１患者グループと第２患者グループに分ける。分け方は任意であるが、たとえば移植日を基準として２つの期間によってグループ分けを行う。第１患者グループのデータは、教師データとして用いられる。教師データとは、機械学習の基礎となるサンプルの集合である。教師データは、「学習用データ」あるいは「訓練データ」と言われることもある。第２患者グループのデータは、評価データとして用いられる。評価データとは、学習成果（予測モデル１０１）の評価に用いられるサンプルの集合である。評価データは、「評価用データ」あるいは「テストデータ」と言われることもある。
【0028】
生成フェーズ（Ｓ１００）では、教師データを用いて予測モデル１０１を生成する。評価フェーズ（Ｓ２００）では、評価データを用いて、生成された予測モデル１０１を評価する。
【0029】
予測モデル１０１が有効であると評価された場合には、予測モデル１０１の実用へ移る。実用フェーズ（Ｓ３００）では、評価済みの予測モデル１０１に、現患者のデータを適用して、その患者が移植手術を受けた場合の予後を予測する。
【0030】
図６は、ネットワーク構成と医療者端末１００の機能ブロックを示す図である。
医療者端末１００は、インターネット又はＬＡＮ（Local Area Network）などのネットワークと接続しており、臨床データを提供する臨床データベースサーバ２００と通信可能である。
医療者端末１００は、インターネット又はＬＡＮ（Local Area Network）などのネットワークと接続しており、臨床データを提供する臨床データベースサーバ２００と通信可能である。
【0031】
医療者端末１００の各構成要素は、ＣＰＵ（Central Processing Unit）および各種コプロセッサ（Coprocessor）などの演算器、メモリやストレージといった記憶装置、それらを連結する有線または無線の通信線を含むハードウェアと、記憶装置に格納され、演算器に処理命令を供給するソフトウェアによって実現される。コンピュータプログラムは、デバイスドライバ、オペレーティングシステム、それらの上位層に位置する各種アプリケーションプログラム、また、これらのプログラムに共通機能を提供するライブラリによって構成されてもよい。図示した各ブロックは、機能単位のブロックを示している。各ブロックは、記憶装置に記憶されているプログラムを演算器に実行させることによって実現してもよい。後述する医療支援サーバ３００（図２２）においても同様である。
【0032】
医療者端末１００は、ユーザインターフェース処理部１０２、データ処理部１０４、通信処理部１０８およびデータ格納部１０６を含む。ユーザインターフェース処理部１０２は、キーボード、マウス及びタッチパネルなどを介してユーザからの操作を受け付けるほか、画像表示や音声出力など、ユーザインターフェース処理を担当する。通信処理部１０８は、ネットワークなどを介した通信処理を担当する。データ格納部１０６は各種データを格納する。データ処理部１０４は、ユーザインターフェース処理部１０２と通信処理部１０８により取得されたデータおよびデータ格納部１０６に格納されているデータに基づいて各種処理を実行する。データ処理部１０４は、ユーザインターフェース処理部１０２、通信処理部１０８およびデータ格納部１０６のインターフェースとしても機能する。
【0033】
ユーザインターフェース処理部１０２は、ユーザの操作によってデータ入力を受け付ける受付部１２２とユーザへ提供するデータを医療者端末１００のディスプレイに表示させる表示処理部１２０を有する。受付部１２２は、データを入力する入力部の例であり、表示処理部１２０は、データを出力する出力部の例である。
【0034】
通信処理部１０８は、ネットワークを介して各種データを受信する受信部１８２と、ネットワークを介して各種データを送信する送信部１８０とを含む。受信部１８２は、データを入力する入力部の例であり、送信部１８０は、データを出力する出力部の例である。
【0035】
データ処理部１０４は、データ取得部１４０、モデル生成部１４２、予測部１４６、推奨部１５０及び評価部１５２を含む。
データ取得部１４０は、臨床データベースサーバ２００から臨床データを取得して、第１患者グループのデータを教師データとして教師データ記憶部１６２に記憶し、第２患者グループのデータを評価データとして評価データ記憶部１６０に記憶する。
データ取得部１４０は、臨床データベースサーバ２００から臨床データを取得して、第１患者グループのデータを教師データとして教師データ記憶部１６２に記憶し、第２患者グループのデータを評価データとして評価データ記憶部１６０に記憶する。
【0036】
モデル生成部１４２は、学習エンジン１４４を含む。モデル生成部１４２は、学習エンジン１４４を用いて教師データに基づいて予測モデル１０１（学習モデルの一種）を生成する。実施形態では、生存時間の分析が可能な学習エンジン１４４を用いる。生存時間分析に適した機械学習として、たとえばRandom Survival Forest及びDeep Survなどが知られている。ここでは、Random Survival Forestの例を示す。
【0037】
Random Survival Forestと生存時間分析について簡単に説明する。Random Survival Forestでは、教師データから複数のブートストラップ標本を作成し、これらのブートストラップ標本を用いて複数の決定木を成長させる。そして、これらの決定木による予測結果に基づいて総合的な予測を行う。つまり、Random Survival Forestは、決定木を弱学習器とするアンサンブル学習アルゴリズムである。総合的な予測結果は、ある時間ｔまでに所定イベントが発生していないことを示す生存関数Ｓ（時間ｔ）として得られる。この例における経過期間は、時間ｔに相当する。この例では患者の死亡を所定イベントとするが、生存時間分析は、それ以外のイベントについて適用することもできる。たとえば、簡単な手術に関して患者の完治を所定イベントとすれば、完治するまでの時間ｔ（治療期間）を分析することができる。生存時間分析は、生存の語を含む名称であるが、生存時間に限らず、任意のイベントが発生するまでの時間を分析することが可能である。また、生存時間分析は、手術以外の治療（たとえば、移植以外の手術、投薬及びリハビリテーションなど）に関して経過分析を行うことができる。なお、Random Survival Forestは、Ｃｏｘ回帰モデルなどの線形モデルとは異なり、非線形モデルである。
【0038】
予測部１４６は、モデル利用部１４８を含む。モデル利用部１４８は、予測モデル１０１を利用して、実施する可能性があったと想定される移植法（以下、「想定移植法」という）について術後経過（予後）を予測する。予測される術後経過は、たとえば生存関数Ｓあるいは所定経過期間における生存確率で示される。詳しくは、後述する。
【0039】
推奨部１５０は、想定移植法毎に予測された術後経過のうち良好な術後経過に対応する想定移植法を推奨移植法として選定する。推奨移植法とは、患者個別に適性が高いと見込まれる移植法のことである。術後経過が良好であることは、医学的見地から判断される。たとえば、生存率が高い、延命できる、回復できる、回復が早い、患者への負担が少ない、患者の状態が健康体に近づく、あるいは患者の機能が健康体に近づく場合などに良好であることは自明である。評価部１５２は、予測モデル１０１の評価結果を算出する。
【0040】
データ格納部１０６は、評価データ記憶部１６０、教師データ記憶部１６２、予測モデル記憶部１６４及び評価結果記憶部１６６を含む。
評価データ記憶部１６０は、評価データを記憶する。教師データ記憶部１６２は、教師データを記憶する。予測モデル記憶部１６４は、予測モデル１０１を記憶する。評価結果記憶部１６６は、評価結果のデータを記憶する。評価結果については、後述する。
評価データ記憶部１６０は、評価データを記憶する。教師データ記憶部１６２は、教師データを記憶する。予測モデル記憶部１６４は、予測モデル１０１を記憶する。評価結果記憶部１６６は、評価結果のデータを記憶する。評価結果については、後述する。
【0041】
図７は、予測モデル１０１の生成に関わる変数を示す図である。
予測モデル１０１の説明変数と目的変数について説明する。説明変数とは、統計学において因果関係の原因となる変数のことである。目的変数とは、統計学において因果関係の結果となる変数のことである。この例における両変数は、移植手術と術後経過の因果関係に関わる。
予測モデル１０１の説明変数と目的変数について説明する。説明変数とは、統計学において因果関係の原因となる変数のことである。目的変数とは、統計学において因果関係の結果となる変数のことである。この例における両変数は、移植手術と術後経過の因果関係に関わる。
【0042】
この例における予測モデル１０１の説明変数は、予後因子と実施移植法である。年齢、疾患名、疾患状態、ＰＳ、ＨＣＴ－ＣＩ及びＣＭＶ抗体のうち、疾患名は分類型の変数であるので、選択肢（疾病Ａ，疾病Ｂなど）のうち１つについて該当（１）とし、それ以外については非該当（０）とする。疾患状態についても同様に、疾患状態ａ，疾患状態ｂなどのうち１つについて該当（１）とし、それ以外については非該当（０）とする。実施移植法についても同様に、第１移植法～第１０移植法のうち１つについて該当（１）とし、それ以外については非該当（０）とする。予測モデル１０１の目的変数は、実際の全生存期間である。
【0043】
以下、予測モデル１０１の生成フェーズ（図５のＳ１００）について詳述する。生成フェーズは、準備作業における医療者端末１００の前半の処理動作に相当する。
【0044】
図８は、モデル生成の概要を示す図である。
この例では、移植日が２００９年～２０１６年である患者を第１患者として、第１患者グループの臨床例（登録番号：１～１３５９５のレコード）を教師データとして使用する。モデル生成処理（Ｓ１１０）において、学習エンジン１４４は、これらの臨床例における説明変数及び目的変数を用いて機械学習の処理を行い、予測モデル１０１を生成する。このように予測モデル１０１の生成フェーズでは、過去の治療実績を参考にして、移植手術後の経過を予想できる仕組み（予測モデル１０１）が作られる。
この例では、移植日が２００９年～２０１６年である患者を第１患者として、第１患者グループの臨床例（登録番号：１～１３５９５のレコード）を教師データとして使用する。モデル生成処理（Ｓ１１０）において、学習エンジン１４４は、これらの臨床例における説明変数及び目的変数を用いて機械学習の処理を行い、予測モデル１０１を生成する。このように予測モデル１０１の生成フェーズでは、過去の治療実績を参考にして、移植手術後の経過を予想できる仕組み（予測モデル１０１）が作られる。
【0045】
続いて、予測モデル１０１の評価フェーズ（図５のＳ２００）について詳述する。評価フェーズは、準備作業における医療者端末１００の後半の処理動作に相当する。
【0046】
図９は、予測モデル１０１の利用に関わる変数を示す図である。
学習済みの予測モデル１０１に対して、予後因子及び移植法を入力すると、予測結果として生存関数Ｓが出力される。生存関数Ｓによって、指定された経過期間（移植手術から経過した日数）における予測の生存確率が特定される。なお、予測モデル１０１は、評価フェーズ及び実用フェーズで利用されるが、評価フェーズでは想定移植法が入力され、実用フェーズでは候補移植法が入力される。詳しくは、後述する。
学習済みの予測モデル１０１に対して、予後因子及び移植法を入力すると、予測結果として生存関数Ｓが出力される。生存関数Ｓによって、指定された経過期間（移植手術から経過した日数）における予測の生存確率が特定される。なお、予測モデル１０１は、評価フェーズ及び実用フェーズで利用されるが、評価フェーズでは想定移植法が入力され、実用フェーズでは候補移植法が入力される。詳しくは、後述する。
【0047】
図１０（Ａ）は、移植法の生存関数Ｓを示すグラフである。
縦軸は、予測の生存確率を示す。横軸は、経過期間を示す。移植日における生存確率は、１００％である。その後日が経つにつれて、生存確率は低下する。したがって、生存関数Ｓのグラフは、右肩下がりの曲線を描く。たとえば術後１年経過した時点では、破線で示した生存確率のレベルになると予想される。
縦軸は、予測の生存確率を示す。横軸は、経過期間を示す。移植日における生存確率は、１００％である。その後日が経つにつれて、生存確率は低下する。したがって、生存関数Ｓのグラフは、右肩下がりの曲線を描く。たとえば術後１年経過した時点では、破線で示した生存確率のレベルになると予想される。
【0048】
図１０（Ｂ）は、２つの移植法の生存関数Ｓａ，Ｓｂを示すグラフである。
予測モデル１０１を利用して２つの移植法ａ，ｂについて、それぞれ生存関数Ｓａ，Ｓｂを算出したとする。生存関数Ｓａ，Ｓｂは、共に右肩下がりの曲線を描くが生存確率の低下傾向が異なる。生存関数Ｓａは、経時的に生存確率が低下しにくいが、生存関数Ｓｂは低下しやすい。破線で示したように、術後１年経過した時点で、生存関数Ｓａによる生存確率は、生存関数Ｓｂによる生存確率を上回っている。つまり、移植法ａの方が良好な結果につながると予想される。このように、複数の移植法について生存関数Ｓを求め、所定経過期間における生存確率を比較することによって、いずれの移植法がより優れているかを判定することができる。本実施形態では、一人の患者に対して複数の移植法による夫々の生存関数Ｓを求める。そして、所定経過期間（この例では、１年）の生存確率が最も高い移植法が推奨される。このようにして、各患者の予後因子に応じてそれぞれ推奨される移植法が定まる。
予測モデル１０１を利用して２つの移植法ａ，ｂについて、それぞれ生存関数Ｓａ，Ｓｂを算出したとする。生存関数Ｓａ，Ｓｂは、共に右肩下がりの曲線を描くが生存確率の低下傾向が異なる。生存関数Ｓａは、経時的に生存確率が低下しにくいが、生存関数Ｓｂは低下しやすい。破線で示したように、術後１年経過した時点で、生存関数Ｓａによる生存確率は、生存関数Ｓｂによる生存確率を上回っている。つまり、移植法ａの方が良好な結果につながると予想される。このように、複数の移植法について生存関数Ｓを求め、所定経過期間における生存確率を比較することによって、いずれの移植法がより優れているかを判定することができる。本実施形態では、一人の患者に対して複数の移植法による夫々の生存関数Ｓを求める。そして、所定経過期間（この例では、１年）の生存確率が最も高い移植法が推奨される。このようにして、各患者の予後因子に応じてそれぞれ推奨される移植法が定まる。
【0049】
評価フェーズでは、過去の第２患者の一人一人に対して予測モデル１０１を利用して移植法の推奨を試みる。そして、予測モデル１０１による推奨に従ったとみなせる臨床例と、推奨に従わなかったとみなせる臨床例とに分ける。以下、推奨に従ったとみなせる臨床例（患者）のグループを「推奨群」といい、推奨に従わなかったとみなせる臨床例（患者）のグループを「非推奨群」という。
【0050】
過去の臨床例において、医療者は最も優先順位の高いドナーソースを選んでいるはずである。しかし、それ以外のドナーソースが選ばれていたとすれば、生存確率はもっと高かったかも知れないとも考えられる。また、移植前処置について、別の方法を選んでいればもっと生存確率が高かったかも知れない。さらに、移植後シクロホスファミドを用いるか否かについても同様である。実施された移植法だけでなく、実施する可能性があったと想定される移植法についても生存確率を予測して、それらの予測結果を比較する。実際の移植法について予測した生存確率が最も高ければ、推奨に従ったことになるのでその臨床例（患者）を推奨群に分類する。他の移植法の生存確率の方が高ければ、推奨に従わなかったことになるのでその臨床例（患者）を非推奨群に分類する。詳しくは、図１１～図１５に関連して例示して説明する。
【0051】
そして、推奨群の方が非推奨群よりも、生存しやすかったことを統計的に証明する。つまり、予測モデル１０１による推奨が、総合的に良好な結果をもたらし得たか否かを、実際の術後経過に照らして事後的に検証する。
【0052】
図１１～図１５は、予測モデル１０１の評価の概要を示す図である。
図１１は、評価データの第１レコードを参照して、１番目の第２患者の臨床例について予測と分類を行う例を示す。実施移植法が第１移植法（Ｒ－ＭＲＤ）であるのでドナーソースはＭＲＤ（第１優先）であったが、ＭＵＤ（第２優先）、ＵＣＢ（第３優先）及びＨａｐｌｏ（第３優先）も選択されることが可能であったものと考えられる。したがって、第１移植法～第１０移植法のすべてを、想定移植法とする。
図１１は、評価データの第１レコードを参照して、１番目の第２患者の臨床例について予測と分類を行う例を示す。実施移植法が第１移植法（Ｒ－ＭＲＤ）であるのでドナーソースはＭＲＤ（第１優先）であったが、ＭＵＤ（第２優先）、ＵＣＢ（第３優先）及びＨａｐｌｏ（第３優先）も選択されることが可能であったものと考えられる。したがって、第１移植法～第１０移植法のすべてを、想定移植法とする。
【0053】
予測部１４６は、各想定移植法について１年後生存確率を予測する。このとき、モデル利用部１４８は、第１レコードの予後因子と想定移植法を予測モデル１０１に入力して、生存関数Ｓを算出するモデル利用処理を実行する。そして、それぞれの想定移植法における１年後生存確率が特定される。この例では、第１移植法（Ｒ－ＭＲＤ）の１年後生存確率：０．５１２が最も高いので、第１移植法が推奨移植法に選定される。
【0054】
推奨移植法と実施移植法が共に第１移植法（Ｒ－ＭＲＤ）であって一致するので、１番目の臨床例（第２患者）は、推奨群に分類される。
【0055】
図１２は、評価データの第２レコードを参照して、２番目の第２患者の臨床例について予測と分類を行う例を示す。実施移植法は第１移植法（Ｒ－ＭＲＤ）であるので、１番目の例と同様に、第１移植法～第１０移植法のすべてを想定移植法とする。この例では、第２移植法（Ｒ－ＭＵＤ）の１年後生存確率：０．５２２が最も高いので、第２移植法が推奨移植法に選定される。推奨移植法と実施移植法が一致しないので、１番目の臨床例（第２患者）は、非推奨群に分類される。
【0056】
図１３は、評価データの第３レコードを参照して、３番目の第２患者の臨床例について予測と分類を行う例を示す。実施移植法が第２移植法（Ｒ－ＭＵＤ）であるので、ドナーソースはＭＵＤ（第２優先）であった。この場合、血縁者の中にドナーになれるＨＬＡ適合者がいなかったと推測される。したがって、ＭＲＤ（第１優先）を条件とする第１移植法（Ｒ－ＭＲＤ）と第６移植法（Ｍ－ＭＲＤ）は、予測対象から除外する。実施する可能性がない移植法を推奨することは考えられないからである。したがって、ドナーソースとして選択される可能があったＭＵＤ（第２優先）、ＵＣＢ（第３優先）及びＨａｐｌｏ（第３優先）を条件とする第２移植法～第５移植法及び第７移植法～第１０移植法を想定移植法とする。
【0057】
これらの想定移植法について予測された１年後生存確率のうち、第７移植法（Ｍ－ＭＵＤ）の確率：０．４９５が最も高いので、第７移植法が推奨移植法に選定される。この推奨移植法は実施移植法と一致しないので、３番目の臨床例（第２患者）は、非推奨群に分類される。
【0058】
図１４は、評価データの第４レコードを参照して、４番目の第２患者の臨床例について予測と分類を行う例を示す。実施移植法が第３移植法（Ｒ－ＵＣＢ）であるので、ドナーソースはＵＣＢ（第３優先）であった。この場合、血縁者の中にも、日本骨髄バンクの登録者の中にもＨＬＡ適合者がいなかったと推測される。したがって、ＭＲＤ（第１優先）を条件とする第１移植法（Ｒ－ＭＲＤ）と第６移植法（Ｍ－ＭＲＤ）、及びＭＵＤ（第２優先）を条件とする第２移植法（Ｒ－ＭＵＤ）と第７移植法（Ｍ－ＭＵＤ）は、予測対象から除外する。これらの移植法は、実施する可能性がないからである。したがって、ドナーソースとして選択される可能があったＵＣＢ（第３優先）又はＨａｐｌｏ（第３優先）を条件とする第３移植法～第５移植法及び第８移植法～第１０移植法を想定移植法とする。
【0059】
これらの想定移植法について予測された１年後生存確率のうち、第３移植法（Ｒ－ＵＣＢ）の確率：０．４９２が最も高いので、第３移植法が推奨移植法に選定される。この推奨移植法は実施移植法と一致するので、４番目の臨床例（第２患者）は、推奨群に分類される。
【0060】
図１５は、評価データの第５レコードを参照して、５番目の第２患者の臨床例について予測と分類を行う例を示す。実施移植法が第４移植法（Ｒ－Ｈａｐｌｏ－ＣＹ）であるので、ドナーソースはＨａｐｌｏ（第３優先）であった。４番目の例と同様に、ＭＲＤ（第１優先）とＭＵＤ（第２優先）を条件とする移植法を除外し、第３移植法～第５移植法及び第８移植法～第１０移植法を想定移植法とする。この例では、第８移植法（Ｍ－ＵＣＢ）の１年後生存確率：０．４８８が最も高いので、第８移植法が推奨移植法に選定される。推奨移植法と実施移植法が一致しないので、５番目の臨床例（第２患者）は、非推奨群に分類される。
【0061】
実施移植法が第６移植法（Ｍ－ＭＲＤ）である場合には、第１移植法（Ｒ－ＭＲＤ）と同様に、第１移植法～第１０移植法のすべてを想定移植法とする。実施移植法が第７移植法（Ｍ－ＭＵＤ）である場合には、第２移植法（Ｒ－ＭＵＤ）と同様に、第２移植法～第５移植法及び第７移植法～第１０移植法を想定移植法とする。実施移植法が第８移植法（Ｍ－ＵＣＢ）である場合には、第３移植法（Ｒ－ＵＣＢ）と同様に、第３移植法～第５移植法及び第８移植法～第１０移植法を想定移植法とする。実施移植法が第５移植法（Ｒ－Ｈａｐｌｏ－ｎＣＹ）、第９移植法（Ｍ－Ｈａｐｌｏ－ＣＹ）又は第１０移植法（Ｍ－Ｈａｐｌｏ－ｎＣＹ）である場合には、第４移植法（Ｒ－Ｈａｐｌｏ－ＣＹ）と同様に、第３移植法～第５移植法及び第８移植法～第１０移植法を想定移植法とする。
【0062】
想定移植法の選択について整理する。第１移植法～第１０移植法には、ドナーソースの条件に基づく優先順位がある。第１移植法と第６移植法が第１優先であり、第２移植法と第７移植法が第２優先であり、第３移植法～第５移植法及び第８移植法～第１０移植法が第３優先である。そして、実施移植法の優先順位以下に相当する優先順位の移植法が、想定移植法に選ばれる。優先順位が実施移植法よりも高い移植法は、想定移植法にならない。つまり、実施移植法に基づいて実施不可能と推測される移植法は、除かれる。
【0063】
このようにして評価データに含まれるすべての臨床例について予測と分類を行い、推奨群と非推奨群が定まる。そして、推奨群に含まれるすべての臨床例（第２患者）における実際の全生存期間と、非推奨群に含まれるすべての臨床例（第２患者）における実際の全生存期間に基づいて、予測モデル１０１の評価が行われる。
【0064】
図１６は、評価結果画面の例を示す図である。
推奨群に関して、経過期間の各日数（１日、２日、・・・１月、・・・１年、・・・２年）に対してその日数における実際の生存率を算出することができる。評価部１５２は、各日数について、実際の全生存期間がその日数以上である推奨群の臨床例数を、推奨群に含まれる臨床例の総数で除することによってその日数における実際の生存率を求める。表示処理部１２０は、評価結果画面のグラフの上側に、推奨群における実際の生存率を示す曲線を表示する。ここで示す評価結果は、実際の臨床データを用いてRandom Survival Forestで生成された予測モデル１０１の実験に基づく。
推奨群に関して、経過期間の各日数（１日、２日、・・・１月、・・・１年、・・・２年）に対してその日数における実際の生存率を算出することができる。評価部１５２は、各日数について、実際の全生存期間がその日数以上である推奨群の臨床例数を、推奨群に含まれる臨床例の総数で除することによってその日数における実際の生存率を求める。表示処理部１２０は、評価結果画面のグラフの上側に、推奨群における実際の生存率を示す曲線を表示する。ここで示す評価結果は、実際の臨床データを用いてRandom Survival Forestで生成された予測モデル１０１の実験に基づく。
【0065】
同様に、評価部１５２は、非推奨群に関しても実際の生存率を算出する。表示処理部１２０は、同グラフの下側に非推奨群における実際の生存率を示す曲線を表示する。両曲線を比較すると、推奨群の方が非推奨群よりも実際の生存率が高いことがわかる。推奨群の曲線が上側に大きく乖離するほど、予測モデル１０１による推奨が効果的であることを示す。
【0066】
評価部１５２は、更にＣｏｘ比例ハザードモデルによる解析を行う。Ｃｏｘ比例ハザードモデルは、生存時間に関する多変量解析手法の一種である。予測モデル１０１による推奨の効果について、ハザード比：０．８４、ハザード比の９５％信頼区間：０．７３－０．９６、及びＰ値：０．０１という解析結果が得られた。ハザード比は、推奨群と非推奨群に対応するハザード率の比である。ハザード比が１である場合には、両群に生存率の差がないことを意味する。ハザード比が１より大きいあるいは１より小さい場合には、両群に生存率の差があることを意味する。ハザード比の９５％信頼区間は、ハザード比の精度を示す。信頼区間が狭いほど、精度が高いことを意味する。Ｐ値は、必然の結果であるか偶然の結果であるかを評価する指数である。たとえば、Ｐ値が０．０５より小さい場合に有意差があると表現される。評価部１５２は、Ｃｏｘ比例ハザードモデル以外の多変量解析を行って予測モデル１０１の優位性を検証してもよい。
【0067】
図１７は、予測モデルの評価処理のフロー図である。
予測部１４６は、評価データのレコード毎に以下の処理を繰り返す（Ｓ２１０）。レコードは、臨床例（第２患者）に対応する。予測部１４６は、その臨床例の実施移植法に基づいて想定移植法を選択する（Ｓ２１２）。予測部１４６は、各想定移植法についてモデル利用処理を実行して、生存関数Ｓを算出する（Ｓ２１４）。予測部１４６又は推奨部１５０は、生存関数Ｓに基づいて、各想定移植法における１年後生存確率を特定する。推奨部１５０は、最も１年後生存確率が大きい想定移植法を推奨移植法に選定する（Ｓ２１６）。評価部１５２は、その臨床例の実施移植法と推奨移植法を比較して、その臨床例（第２患者）を推奨群又は非推奨群に分類する（Ｓ２１８）。予測部１４６は、残りのレコードがある場合に（Ｓ２２０のＹＥＳ）、Ｓ２１０の処理に戻って上述した処理を繰り返す。すべてのレコードについて処理した場合には（Ｓ２２０のＮＯ）、評価部１５２は、上述した多変量解析処理を実行する（Ｓ２２２）。表示処理部１２０は、予測モデルの評価結果画面（図１６）を表示する（Ｓ２２４）。
予測部１４６は、評価データのレコード毎に以下の処理を繰り返す（Ｓ２１０）。レコードは、臨床例（第２患者）に対応する。予測部１４６は、その臨床例の実施移植法に基づいて想定移植法を選択する（Ｓ２１２）。予測部１４６は、各想定移植法についてモデル利用処理を実行して、生存関数Ｓを算出する（Ｓ２１４）。予測部１４６又は推奨部１５０は、生存関数Ｓに基づいて、各想定移植法における１年後生存確率を特定する。推奨部１５０は、最も１年後生存確率が大きい想定移植法を推奨移植法に選定する（Ｓ２１６）。評価部１５２は、その臨床例の実施移植法と推奨移植法を比較して、その臨床例（第２患者）を推奨群又は非推奨群に分類する（Ｓ２１８）。予測部１４６は、残りのレコードがある場合に（Ｓ２２０のＹＥＳ）、Ｓ２１０の処理に戻って上述した処理を繰り返す。すべてのレコードについて処理した場合には（Ｓ２２０のＮＯ）、評価部１５２は、上述した多変量解析処理を実行する（Ｓ２２２）。表示処理部１２０は、予測モデルの評価結果画面（図１６）を表示する（Ｓ２２４）。
【0068】
評価結果画面で表示される評価結果のデータ（たとえば、推奨群及び非推奨群における実際の生存率の遷移、多変量解析の結果）は、評価結果記憶部１６６に記憶される。また、表示処理部１２０は、いつでも評価結果のデータを評価結果画面に表示させることができる。
【0069】
続いて、予測モデル１０１の実用フェーズ（図５のＳ３００）について詳述する。
予測モデル１０１の実用フェーズは、実際の臨床シーンにおける医療者端末１００の処理動作に相当する。医療者端末１００は、図示した予後予測画面を表示して、医療者の操作を受け付ける。
予測モデル１０１の実用フェーズは、実際の臨床シーンにおける医療者端末１００の処理動作に相当する。医療者端末１００は、図示した予後予測画面を表示して、医療者の操作を受け付ける。
【0070】
図１８は、予後予測画面の例を示す図である。
医療者は、現患者の予後因子である年齢、疾患名、疾患状態、ＰＳ、ＨＣＴ－ＣＩ及びＣＭＶ抗体を入力する。医療者が計算ボタン１９０を操作すると、医療者端末１００は、現患者に施される得る移植法（以下、「候補移植法」という）について予後を予測する。つまり、医療者端末１００は、候補移植法毎に、現患者の予後因子と候補移植法を予測モデル１０１に入力して、生存関数Ｓを算出するモデル利用処理を実行する。ここでは、１０種類の移植法をすべて候補移植法とするが、一部の移植法だけを候補移植法としてもよい。
医療者は、現患者の予後因子である年齢、疾患名、疾患状態、ＰＳ、ＨＣＴ－ＣＩ及びＣＭＶ抗体を入力する。医療者が計算ボタン１９０を操作すると、医療者端末１００は、現患者に施される得る移植法（以下、「候補移植法」という）について予後を予測する。つまり、医療者端末１００は、候補移植法毎に、現患者の予後因子と候補移植法を予測モデル１０１に入力して、生存関数Ｓを算出するモデル利用処理を実行する。ここでは、１０種類の移植法をすべて候補移植法とするが、一部の移植法だけを候補移植法としてもよい。
【0071】
生存確率リスト１９６には、各候補移植法における所定経過期間（この例では、１年）の生存確率が表示される。医療者は、生存確率リスト１９６を見ることで、移植法毎の予後を比較することができる。この例では、１年後生存確率の降順に候補移植法が配列される。先頭の候補移植法が最も生存確率が高いので、推奨される移植法に相当する。ただし、ドナーソースの条件については加味していない。ドナーソースの可否については、医療者が判断する。
【0072】
生存確率リスト１９６には、各候補移植法についてグラフ表示を指示する選択ボックス１９２が設けられている。選択ボックス１９２でチェックされている候補移植法について、予測された生存関数Ｓの曲線が生存確率グラフ１９８に表示される。曲線は線色で区別され、生存確率リスト１９６に各候補移植法に対応する線色が表示される。医療者は、生存確率グラフ１９８を見ることで、移植法毎の予後を比較することができる。
【0073】
図示した例では、第２移植法（Ｒ－ＭＵＤ）、第４移植法（Ｒ－Ｈａｐｌｏ－ＣＹ）、及び第５移植法（Ｒ－Ｈａｐｌｏ－ｎＣＹ）が選択されているので、これらの移植法の生存関数Ｓの曲線が表示される。一番上の曲線が第２移植法の生存関数Ｓであり、真ん中の曲線が第４移植法の生存関数Ｓであり、一番下の曲線が第５移植法の生存関数Ｓである。選択ボックス１９２のチェック状態を変更すると、その時点でチェック済みの候補移植法の生存関数Ｓを示す曲線の表示に切り替わる。
【0074】
生存確率グラフ１９８には、横方向にスライドさせることができるライン１９４が設けられている。医療者は、ライン１９４をスライド操作させることによって任意の経過期間を指定することができる。医療者端末１００は、候補移植法の生存関数に任意の経過期間を設定して、そのときの生存確率を算出し、表示する。図示した例では、第２移植法、第４移植法及び第５移植法による１８月後生存確率が表示されている。スライド操作で設定される時間単位は任意であって、日でも月でもよい。医療者は、着目する経過期間における生存確率を確認することができる。
【0075】
図１９は、予後予測処理のフロー図である。
受付部１２２は、計算ボタン１９０の操作によって計算を指示されるまで（Ｓ３１２のＮＯ）、予後因子の入力を受け付ける（Ｓ３１０）。このとき、受付部１２２は、選択ボックス１９２及びライン１９４の操作を受け付けてもよい。
受付部１２２は、計算ボタン１９０の操作によって計算を指示されるまで（Ｓ３１２のＮＯ）、予後因子の入力を受け付ける（Ｓ３１０）。このとき、受付部１２２は、選択ボックス１９２及びライン１９４の操作を受け付けてもよい。
【0076】
計算が指示されると（Ｓ３１２のＮＯ）、予測部１４６は、各候補移植法についてモデル利用処理を実行する（Ｓ３１４）。モデル利用部１４８は、入力された予後因子と１つの候補移植法を予測モデル１０１に入力して、予測モデル１０１を動作させることによって、その候補移植法における生存関数Ｓを得る。この処理を、候補移植法別に１０回行う。予測部１４６又は表示処理部１２０は、各候補移植法の生存関数Ｓを用いて１年後生存確率を特定する。表示処理部１２０は、１年後生存確率の降順に候補移植法を並べた生存確率リスト１９６を表示する（Ｓ３１６）。表示処理部１２０は、チェック済みの候補移植法の生存関数Ｓの曲線を描いた生存確率グラフ１９８を表示する（Ｓ３１８）。予測部１４６又は表示処理部１２０は、チェック済みの候補移植法の生存関数Ｓと用いて、ライン１９４で指定されている任意の経過期間における生存確率を特定する。表示処理部１２０は、チェック済みの候補移植法に関する任意の経過期間の生存確率を表示する（Ｓ３２０）。
【0077】
受付部１２２が選択ボックス１９２のチェック操作を受け付けた場合には、表示処理部１２０は、チェック済みの候補移植法の生存関数Ｓの曲線を表示し直す。受付部１２２がライン１９４のスライド操作を受け付けた場合には、予測部１４６又は表示処理部１２０は、スライドしたライン１９４で指定された任意の経過期間における生存確率を特定し、表示処理部１２０は、その生存確率を表示する。予後因子が入力し直された場合には、Ｓ３１０の処理に戻って上述した処理を行う。
【0078】
予測モデル１０１の実用フェーズ（図５のＳ３００）においても、医療者端末１００は、評価結果画面を表示できる。受付部１２２が医療者による評価結果画面の表示指示を受け付けると、表示処理部１２０は、評価結果記憶部１６６から評価結果のデータを読み取って、評価結果画面を表示する。医療者が予測モデル１０１による推奨の有効性を確認するだけでなく、現患者又はその家族へ移植法を説明する際にも役立つ。ＡＩ（人工知能）技術による移植法推奨の実績と客観的な評価を示すことになるので信頼を得やすい。
【0079】
実施形態によれば、患者毎に適性が高い移植法が推奨される。予測モデル１０１の評価を経て実用フェーズに移行するので、推奨の品質が担保され、医療者および患者などの理解を得やすい。
【0080】
［変形例１］
実施形態では、移植日が２００９年～２０１６年である第１患者グループの臨床例を教師データとして使用する例を説明したが、新しい臨床例を教師データに追加して、予測モデル１０１の生成を行うようにしてもよい。
実施形態では、移植日が２００９年～２０１６年である第１患者グループの臨床例を教師データとして使用する例を説明したが、新しい臨床例を教師データに追加して、予測モデル１０１の生成を行うようにしてもよい。
【0081】
図２０は、変形例１におけるモデル生成の概要を示す図である。
移植日が２０１９年１月１日である第３患者グループの臨床例を教師データに加える例を示している。新しい臨床例を加えることによって、予測モデル１０１の精度が高まると期待できる。臨床データベースサーバ２００に臨床例が追加される都度、医療者端末１００が最新の臨床例を取り込んで、予測モデル１０１を生成し直すようにしてもよい。データ取得部１４０は、臨床データベースサーバ２００における臨床データと教師データが同期するように、随時最新のデータを取得して教師データ記憶部１６２に記憶するようにしてもよい。このようにすれば、日々進歩する臨床の状況に適した予後予測が可能となる。
移植日が２０１９年１月１日である第３患者グループの臨床例を教師データに加える例を示している。新しい臨床例を加えることによって、予測モデル１０１の精度が高まると期待できる。臨床データベースサーバ２００に臨床例が追加される都度、医療者端末１００が最新の臨床例を取り込んで、予測モデル１０１を生成し直すようにしてもよい。データ取得部１４０は、臨床データベースサーバ２００における臨床データと教師データが同期するように、随時最新のデータを取得して教師データ記憶部１６２に記憶するようにしてもよい。このようにすれば、日々進歩する臨床の状況に適した予後予測が可能となる。
【0082】
また、予測モデル１０１を生成する都度、予測モデルの評価処理（図１７）を行うようにしてもよい。
【0083】
［変形例２］
実施形態では、生存時間分析に適した機械学習としてRandom Survival Forestの学習エンジン１４４を用いる例を説明したが、Random Survival Forest以外の学習エンジン１４４を用いるようにしてもよい。発明者は、Deep Survを学習エンジン１４４として用いた実験も行った。
実施形態では、生存時間分析に適した機械学習としてRandom Survival Forestの学習エンジン１４４を用いる例を説明したが、Random Survival Forest以外の学習エンジン１４４を用いるようにしてもよい。発明者は、Deep Survを学習エンジン１４４として用いた実験も行った。
【0084】
図２１は、Deep Survによる予測モデル１０１の評価結果画面を示す図である。
Deep Survの場合には、推奨群における実際の生存率は、非推奨群における実際の生存率とあまり違いが無かったことがわかる。他にも生存時間分析に適した機械学習アルゴリズムがあるので、それらについて予測モデル１０１を生成し、上述したように評価を行えば、移植法の推奨に適した他のアルゴリズムが特定される可能性がある。
Deep Survの場合には、推奨群における実際の生存率は、非推奨群における実際の生存率とあまり違いが無かったことがわかる。他にも生存時間分析に適した機械学習アルゴリズムがあるので、それらについて予測モデル１０１を生成し、上述したように評価を行えば、移植法の推奨に適した他のアルゴリズムが特定される可能性がある。
【0085】
［変形例３］
実施形態では、医療者端末１００で、予測モデル１０１の生成フェーズ（図５のＳ１００）、評価フェーズ（Ｓ２００）及び実用フェーズ（Ｓ３００）の処理を行う例を示したが、医療支援サーバ３００において生成フェーズ（Ｓ１００）、評価フェーズ（Ｓ２００）及び実用フェーズ（Ｓ３００）の処理を行うようにしてもよい。
実施形態では、医療者端末１００で、予測モデル１０１の生成フェーズ（図５のＳ１００）、評価フェーズ（Ｓ２００）及び実用フェーズ（Ｓ３００）の処理を行う例を示したが、医療支援サーバ３００において生成フェーズ（Ｓ１００）、評価フェーズ（Ｓ２００）及び実用フェーズ（Ｓ３００）の処理を行うようにしてもよい。
【0086】
図２２は、変形例３におけるネットワーク構成と医療支援サーバ３００の機能ブロックを示す図である。
医療者端末１００と医療支援サーバ３００は、インターネット又はＬＡＮなどのネットワークを介して接続している。
医療者端末１００と医療支援サーバ３００は、インターネット又はＬＡＮなどのネットワークを介して接続している。
【0087】
医療支援サーバ３００の通信処理部１０８、データ処理部１０４及びデータ格納部１０６の機能ブロックは、実施形態における医療者端末１００と同等である。医療支援サーバ３００は、たとえばＡＳＰ（Application Service Provider）又はＳａａｓ（Software as a Service）の形態で、生成フェーズ（Ｓ１００）、評価フェーズ（Ｓ２００）及び実用フェーズ（Ｓ３００）の処理をサービスとして医療者端末１００に提供する。
【0088】
医療者端末１００は、ブラウザ４０２又はクライアントプログラムから医療支援サーバ３００にアクセスして、これらのサービスを利用する。つまり、ブラウザ４０２又はクライアントプログラムは、医療支援サーバ３００と通信すると共に、表示処理部１２０及び受付部１２２の機能を果たす。ブラウザ４０２又はクライアントプログラムは、医療支援サーバ３００から画面データを受信すると、その画面をディスプレイに表示する。ブラウザ４０２又はクライアントプログラムが受付部１２２として入力したデータは、医療支援サーバ３００へ送られる。医療支援サーバ３００の受信部１８２は、ブラウザ４０２又はクライアントプログラムから各種データを入力する入力部として動作し、医療支援サーバ３００の送信部１８０は、ブラウザ４０２又はクライアントプログラムへ各種データ（画面データなど）を出力する出力部として動作する。評価結果画面及び予後予測画面の操作仕様は、実施形態の場合と同様である。
【0089】
［変形例４］
予測モデル１０１の生成フェーズ（図５のＳ１００）及び評価フェーズ（Ｓ２００）の処理を医療支援サーバ３００で行い、実用フェーズ（Ｓ３００）の処理を医療者端末１００で行うようにしてもよい。
予測モデル１０１の生成フェーズ（図５のＳ１００）及び評価フェーズ（Ｓ２００）の処理を医療支援サーバ３００で行い、実用フェーズ（Ｓ３００）の処理を医療者端末１００で行うようにしてもよい。
【0090】
図２３は、変形例４におけるネットワーク構成と医療者端末１００の機能ブロックを示す図である。
たとえば情報処理に精通した支援者が、医療支援サーバ３００の作業者として予測モデル１０１を生成し、評価の処理まで行う。そして、品質保証された予測モデル１０１と評価結果のデータを、各臨床医の医療者端末１００に配信する。
たとえば情報処理に精通した支援者が、医療支援サーバ３００の作業者として予測モデル１０１を生成し、評価の処理まで行う。そして、品質保証された予測モデル１０１と評価結果のデータを、各臨床医の医療者端末１００に配信する。
【0091】
医療者端末１００のデータ取得部１４０は、医療支援サーバ３００から予測モデル１０１と評価結果のデータを取得し、予測モデル１０１を予測モデル記憶部１６４に記憶し、評価結果のデータを評価結果記憶部１６６に記憶する。実用フェーズ（Ｓ３００）の処理については、実施形態の場合と同様である。
【0092】
変形例４では、医療者が予測モデル１０１の準備に関わらなくて済むので、労力が少ない。また、組織的に品質保証された標準の予測モデル１０１を各臨床医が使用するようにすれば、推奨の品質が安定し信頼を得やすい。
【0093】
［その他の変形例］
術後経過に係る指標の例として、実際の全生存期間を示したが、他の指標であってもよい。たとえば、退院又は完治までの経過期間を、術後経過に係る指標としてもよい。あるいは、疾患状態を測る検査項目（白血球数など）を術後経過に係る指標としてもよい。
術後経過に係る指標の例として、実際の全生存期間を示したが、他の指標であってもよい。たとえば、退院又は完治までの経過期間を、術後経過に係る指標としてもよい。あるいは、疾患状態を測る検査項目（白血球数など）を術後経過に係る指標としてもよい。
【0094】
予測される術後経過の例として、たとえば生存関数Ｓあるいは所定経過期間における生存確率を示したが、回復レベルなど他の指標で術後経過を示してもよい。
【0095】
移植以外の所定治療法（たとえば、移植以外の手術、投薬及びリハビリテーションなど）について、上述の技術を適用してもよい。その場合、教師データ記憶部１６２は、所定治療を受けた複数の第１患者の各々について、予後因子と、実施治療法と、治療後経過に係る指標とを含む教師データを記憶する。モデル生成部１４２は、第１患者の予後因子と、第１患者の実施治療法とを説明変数とし、第１患者の治療後経過に係る指標を目的変数とする予測モデルを機械学習により生成する。表示処理部１２０、受付部１２２、データ取得部１４０、予測部１４６、推奨部１５０、評価部１５２、評価データ記憶部１６０、予測モデル記憶部１６４及び評価結果記憶部１６６など他の機能ブロックも、実施形態における移植法を所定治療法に置き換え、術後経過を治療後経過に置き換えて動作する。そのようにすれば、移植法の場合と同様に所定治療法の予後を予測し、患者に所定治療法を推奨することができる。
【0096】
なお、本発明は上記実施例や変形例に限定されるものではなく、要旨を逸脱しない範囲で構成要素を変形して具体化することができる。上記実施例や変形例に開示されている複数の構成要素を適宜組み合わせることにより種々の発明を形成してもよい。また、上記実施例や変形例に示される全構成要素からいくつかの構成要素を削除してもよい。
【0097】
まとめると、情報処理装置は、移植手術を受けた患者の予後因子と、移植法と、術後経過に係る指標とを含む教師データによって、機械学習により予測モデル１０１を生成するので、実績に基づいて術後経過を予測する仕組みが得られる。
【0098】
また、情報処理装置は、予測に基づく推奨移植法と実際の移植法が一致するか否かに着目して統計的に分析するので、予測モデル１０１による推奨が有効であるか否かを客観的に検証できる。
【0099】
また、情報処理装置は、実施不可能と推測される移植法を除く複数の想定移植法の中から推奨を行うので、意味の無い推奨を行わないようにできる。これにより、予測モデル１０１の評価が正確になる。
【0100】
また、情報処理装置は、教師データにサンプルを加えて予測モデル１０１を再生成するので、予測モデル１０１の性能をより高めることができる。最新の臨床例を足していけば、臨床の現状に適した移植法を奨めることができる。
【0101】
また、情報処理装置において現患者の予後因子を予測モデル１０１に適用すれば、現患者の予後を予測することができる。
【0102】
また、情報処理装置は、複数の移植法について予測した予後を比較可能な態様で出力するので、複数の移植法に関して現患者への適性を把握しやすい。
【0103】
また、情報処理装置は、予測モデルの評価結果を出力するので、医療者が現患者又はその家族にＡＩ技術による予後予測の信頼性を説明しやすい。
【符号の説明】
【0104】
１００ 医療者端末、１０１ 予測モデル、２００ 臨床データベースサーバ、２０１ 臨床データ、１０２ ユーザインターフェース処理部、１２０ 表示処理部、１２２ 受付部、１０８ 通信処理部、１８０ 送信部、１８２ 受信部、１０４ データ処理部、１４０ データ取得部、１４２ モデル生成部、１４４ 学習エンジン、１４６ 予測部、１４８ モデル利用部、１５０ 推奨部、１５２ 評価部、１０６ データ格納部、１６０ 評価データ記憶部、１６２ 教師データ記憶部、１６４ 予測モデル記憶部、１６６ 評価結果記憶部、１９０ 計算ボタン、１９２ 選択ボックス、１９４ ライン、１９６ 生存確率リスト、１９８ 生存確率グラフ。
【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】
【図21】
【図22】
【図23】