特許 7480601 医療診断支援装置、医療診断支援装置の制御方法、およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-04-30

(45)【発行日】2024-05-10

(54)【発明の名称】医療診断支援装置、医療診断支援装置の制御方法、およびプログラム

(51)【国際特許分類】

   A61B 5/00 20060101AFI20240501BHJP

【ＦＩ】

A61B5/00 G

【請求項の数】 5

(21)【出願番号】P 2020103441

(22)【出願日】2020-06-16

(65)【公開番号】P2021194283

(43)【公開日】2021-12-27

【審査請求日】2023-03-29

(73)【特許権者】

【識別番号】000001270

【氏名又は名称】コニカミノルタ株式会社

(74)【代理人】

【識別番号】110001807

【氏名又は名称】弁理士法人磯野国際特許商標事務所

(72)【発明者】

【氏名】渡辺 諒一

(72)【発明者】

【氏名】笠井 聡

【審査官】増渕 俊仁

(56)【参考文献】

【文献】特表２０１８－５１３７２７（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１７／０３２３０６４（ＵＳ，Ａ１）

【文献】特開２０２０－０６０８５７（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ５／００－５／０１

(57)【特許請求の範囲】

【請求項1】

各患者の複数の生体情報を取得する取得部と、
前記取得部により取得された各前記患者の複数の生体情報から、学習済みの識別機器を用いて、疾患およびその罹患可能性を推定する推定部と、
前記推定部により推定された各前記患者の前記疾患およびその罹患可能性を出力部に出力する制御部と、
前記推定部により推定された各前記疾患の罹患可能性に基づいて、各前記疾患のリスク度を算出する算出部と、を備え、
前記算出部は、
算出した各前記患者の各前記疾患のリスク度から、各前記患者に対して使用が推奨されるモダリティのリストを算出する、
医療診断支援装置。

【請求項2】

前記算出部は、
各前記患者の前記疾患の前記リスク度から、各前記患者に対する総合リスク度を算出する、
請求項１に記載の医療診断支援装置。

【請求項3】

前記算出部は、
複数の患者の前記総合リスク度から、前記複数の患者に対するトリアージを実行する、
請求項２に記載の医療診断支援装置。

【請求項4】

各患者の複数の生体情報を取得するステップと、
各前記患者の複数の生体情報から、学習済みの識別機器を用いて、疾患およびその罹患可能性を推定するステップと、
各前記患者の前記疾患およびその罹患可能性を出力部に出力するステップと、
推定された各前記疾患の罹患可能性に基づいて、各前記疾患のリスク度を算出する算出ステップと、を実行し、
さらに前記算出ステップでは、
算出した各前記患者の各前記疾患のリスク度から、各前記患者に対して使用が推奨されるモダリティのリストを算出する、
医療診断支援装置の制御方法。

【請求項5】

コンピュータに、
各患者の複数の生体情報を取得する工程、
各前記患者の複数の生体情報から、学習済みの識別機器を用いて、疾患およびその疾患可能性を推定する工程、
各前記患者の疾患およびその罹患可能性を出力部に出力する工程、
推定された各前記疾患の罹患可能性に基づいて、各前記疾患のリスク度を算出する算出工程、を実行させ、
さらに前記算出工程では、
算出した各前記患者の各前記疾患のリスク度から、各前記患者に対して使用が推奨されるモダリティのリストを算出する、
ことを実行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、医療診断支援装置、医療診断支援装置の制御方法、およびプログラムに関する。

【背景技術】

【0002】

傷病者の緊急度を判断する装置として、ＡＩ（Ａｒｔｉｆｉｃａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）を利用し、ドローンにより撮像した撮像画像の特徴から傷病者の緊急度を判断するトリアージの補完装置が提案されている（例えば、特許文献１参照）。また、救助が必要とされる複数の救助対象者の中から、身体が危険な状態であることを示す危険度を各救助対象者毎に算出して、救助の優先順位を決定する救助計画提示システムに関する装置も開示されている（例えば、特許文献２）。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１９－１９２０２９号公報

【文献】特開２０１８－１２９０７５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、特許文献１では、撮像画像（写真）から疾病の程度を判定しているため、疾病者の緊急度を判断することが難しかった。また、特許文献２では、救助対象者の危険度に応じて、救助の優先順位を決定しているため、救助対象者を早期に救助する必要があるか否か緊急度を認識することができなかった。

【0005】

そこで、本発明は、ＡＩを利用して、複数のバイタル情報から各疾病の疾患可能性を算出することにより、診断フローの改善や、患者や疾病に優先順位を割り当てて診断支援を行うことができる、医療診断支援装置、医療診断支援装置の制御方法およびプログラムを提供することを課題とする。

【課題を解決するための手段】

【0006】

すなわち、本発明の上記課題は、下記の構成により解決される。
（１）各患者の複数の生体情報を取得する取得部と、
前記取得部により取得された各前記患者の複数の生体情報から、学習済みの識別機器を用いて、疾患およびその罹患可能性を推定する推定部と、
前記推定部により推定された各前記患者の前記疾患およびその罹患可能性を出力部に出力する制御部と、
前記推定部により推定された各前記疾患の罹患可能性に基づいて、各前記疾患のリスク度を算出する算出部と、を備え、
前記算出部は、
算出した各前記患者の各前記疾患のリスク度から、各前記患者に対して使用が推奨されるモダリティのリストを算出する、
医療診断支援装置。

【0008】

（２）前記算出部は、
各前記患者の前記疾患の前記リスク度から、各前記患者に対する総合リスク度を算出する、
（１）に記載の医療診断支援装置。

【0009】

（３）前記算出部は、
複数の患者の前記総合リスク度から、前記複数の患者に対するトリアージを実行する、
（２）に記載の医療診断支援装置。

【0011】

（４）各患者の複数の生体情報を取得するステップと、
各前記患者の複数の生体情報から、学習済みの識別機器を用いて、疾患およびその罹患可能性を推定するステップと、
各前記患者の前記疾患およびその罹患可能性を出力部に出力するステップと、
推定された各前記疾患の罹患可能性に基づいて、各前記疾患のリスク度を算出する算出ステップと、を実行し、
さらに前記算出ステップでは、
算出した各前記患者の各前記疾患のリスク度から、各前記患者に対して使用が推奨されるモダリティのリストを算出する、
医療診断支援装置の制御方法。

【0012】

（５）コンピュータに、
各患者の複数の生体情報を取得する工程、
各前記患者の複数の生体情報から、学習済みの識別機器を用いて、疾患およびその疾患可能性を推定する工程、
各前記患者の疾患およびその罹患可能性を出力部に出力する工程、
推定された各前記疾患の罹患可能性に基づいて、各前記疾患のリスク度を算出する算出工程、を実行させ、
さらに前記算出工程では、
算出した各前記患者の各前記疾患のリスク度から、各前記患者に対して使用が推奨されるモダリティのリストを算出する、
ことを実行させることを特徴とするプログラム。

【発明の効果】

【0013】

本発明によれば、対象者の疾患とその罹患可能性を把握することにより、病気の見逃しを早期に防止することができるとともに、救急現場等で検査対象者が溢れている状況において、優先的に診断すべき対象者を抽出することができる。

【0014】

これにより、患者1人1人の予後の改善に期待することができ、医療費削減や患者ＱＯＬ（Ｑｕａｌｉｔｙ Ｏｆ Ｌｉｆｅ）を向上させることができる。

【図面の簡単な説明】

【0015】

【図1A】第１の実施形態に係る医療診断支援装置の構成例を説明する図である。

【図1B】第１の実施形態に係る医療診断支援装置のＣＰＵの構成を示した機能ブロック図である。

【図2】第１の実施形態に係る医療診断支援装置の動作を示したフローチャートである。

【図3】ある患者の疾患とその可能性とから、疾患ごとのリスク度を算出した説明図である。

【図4】複数の患者の総合リスク度から、複数の患者に対するトリアージが実行された結果を示した説明図である

【図5】第２の実施形態に係る医療診断支援装置が、各患者に対して使用が推奨されるモダリティのリストを算出する処理を示したフローチャートである。

【図6】第３の実施形態に係る医療診断支援装置の動作を示したフローチャートである。

【図7】医療診断支援装置の学習済みモデルの学習方法の処理を示したフローチャートである。

【図8】予め準備された生体情報の例を示した説明図である。

【発明を実施するための形態】

【0016】

以下に、本発明を実施するための形態について詳細に説明する。なお、以下に説明する実施の形態は、本発明を実現するための一例であり、本発明が適用される装置の構成や各種条件によって適宜修正又は変更されるべきものであり、本発明は以下の実施の形態に限定されるものではない。また、後述する各実施形態の一部を適宜組み合わせて構成してもよい。なお、同一の部材については同一の符号を付し、説明を適宜省略する。

【0017】

＜第１の実施形態＞
［医療診断支援装置全体の構成］
図１Ａは、第１の実施形態に係る医療診断支援装置１００の構成例を説明する図である。第１の実施形態に係る医療診断支援装置１００は、ＣＰＵ１０１、操作受付部１０２、学習済みモデル１０３、出力部１０４、表示部１０５、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０６、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０７、及び、外部記憶装置１０８を備えて構成されている。外部記憶装置１０８は、疾患推定プログラム１０９を含んで構成されている。

【0018】

図１Ａに示されるように、ＣＰＵ１０１は、医療診断支援装置１００の全体を統括して制御する演算処理装置である。ＣＰＵ１０１は、ＲＯＭ１０６や外部記憶装置１０８に格納されたプログラムを実行することにより、各種の制御を行う。ＣＰＵ１０１は、例えば、外部記憶装置１０８に格納された疾患推定プログラム１０９を実行することにより、図１Ｂに示す、取得部１１１、推定部１１２、制御部１１３、及び算出部１１４を実現する。

【0019】

図１Ｂは、第１の実施形態に係る医療診断支援装置１００のＣＰＵ１０１の構成を示した機能ブロック図である。

【0020】

取得部１１１は、各患者の複数の生体情報（バイタルデータ）を取得する機能を有している。バイタルデータとは、例えば、年齢、性別、血圧、呼吸数、脈拍、心電図、体温、酸素飽和度、既往歴、喫煙歴、訪問目的、訪問方法などの情報のことである。取得部１１１は、例えば、測定結果を自動で取得したり、ユーザからの入力により手動で取得する。

【0021】

推定部１１２は、取得部１１１により取得された各患者の複数の生体情報から、学習済みモデル（学習済みの識別機器）１０３を用いて、疾患およびその罹患可能性を推定する機能を有している。推定部１１２は、例えば、各患者ごとに、疾患とその罹患可能性を、脳動脈瘤：６０％、糖尿病：５５％、喘息：４０％、肺がん：３０％、骨折：２５％、気胸：１０％、結石：３％、等と推定する。

【0022】

制御部１１３は、推定部１１２により推定された各患者の疾患およびその罹患可能性を出力部１０４に出力する機能を有している。

【0023】

算出部１１４は、各疾患の罹患可能性に基づいて、各疾患のリスク度を算出する機能を有している。算出部１１４は、各疾患のリスク度（スコア）に従って、総合リスク度を算出することもできる。なお、リスク度とは、危険度又は緊急度の両方の意味を包含する、早急に処置を必要とする度合いを示すものである。

【0024】

なお、本実施形態では、ＣＰＵ１０１は、医療診断支援装置１００の全体を統括して制御しているが、医療診断支援装置１００の全体を制御する代わりに、例えば、複数のハードウェアが処理を分担することにより、医療診断支援装置１００の全体を制御してもよい。

【0025】

操作受付部１０２は、患者情報や患者生体情報の入力を受ける。操作受付部１０２は、例えば、ユーザからの各種操作を受け付ける、キーボード、マウス、各種スイッチ、ボタン、タッチパネル等の操作部材から構成される。

【0026】

学習済みモデル１０３は、事前学習済みの識別器を含んで構成され、各種パラメータを記憶し、保存する。学習済みモデル１０３の詳細については、後述する。

【0027】

出力部１０４は、疾患およびその罹患可能性を表示部１０５に出力する。出力部１０４は、例えば、医師などが使用する診察用の端末により構成される。

【0028】

表示部１０５は、疾患およびその罹患可能性を表示する。表示部１０５は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、プリンタ等の表示デバイス、又は、表示するためのソフトウエア（ビューワ）で構成される。

【0029】

ＲＯＭ１０６は、例えば、医療診断支援装置１００を制御する制御プログラムを格納する。
ＲＡＭ１０７は、例えば、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）により構成され、ＣＰＵ１０１が制御プログラムや疾患推定プログラム１０９を実行するために必要なデータや画像データを一時的に記憶するワーキングメモリとして機能する。

【0030】

外部記憶装置１０８は、例えば、ハードディスクドライブにより構成され、算出部１１４で算出された各患者の疾患のリスク度を記憶する。

【0031】

［医療診断支援装置の動作］
次に、上記構成からなる医療診断支援装置１００の動作について、図１Ａ及び図１Ｂを参照しながら、フローチャートを用いて説明する。

【0032】

図２は、第１の実施形態に係る医療診断支援装置１００の動作を示したフローチャートである。

【0033】

まず、医療診断支援装置１００のＣＰＵ１０１は、取得部１１１において、各患者の複数の生体情報を取得する（ステップＳ００１）。取得部１１１は、例えば、患者情報と、各患者の患者生体情報（バイタルデータ）の入力を受け付ける。なお、ＣＰＵ１０１は、各患者の複数の生体情報を取得する際、各患者の測定結果を自動で取得してもよく、また、操作受付部１０２からの入力を受け付けてもよい。

【0034】

医療診断支援装置１００のＣＰＵ１０１は、推定部１１２において、取得部１１１により取得された各患者の複数の生体情報から、学習済みモデル１０３を用いて、患者ごとに１以上の疾患およびその罹患可能性を推定する（ステップＳ００３）。

【0035】

医療診断支援装置１００のＣＰＵ１０１は、算出部１１４において、各疾患の罹患可能性に基づいて、各疾患のリスク度を算出する（ステップＳ００５）。この場合、ＣＰＵ１０１は、算出部１１４において、患者ごとに、各疾患の優先スコアと罹患可能性（単に、可能性ともいう。）とから、リスク度を算出する。

【0036】

図３は、ある患者（例えば、Ｃさん）の疾患とその可能性とから、疾患ごとのリスク度を算出した説明図である。図３に示すように、横軸には、「優先スコア」、「可能性」、「リスク度」の欄が設けられ、縦軸には、「脳卒中」、「脳動脈瘤」、「骨折」、「肺がん」、「糖尿病」などが設けられている。

【0037】

優先スコアは、既定値として決まっている外部データである。この優先スコアは、例えば、国の基準があればその値を採用することができ、また、医師の権限や病院等の規定に従って、任意に編集することもできる。また、この優先スコアは病院ごとの優先順位、感染症の流行などに応じて可変にすることができる。

【0038】

可能性は、推定部１１２において、推定された各疾患の罹患可能性を示している。また、リスク度は、優先スコアとその疾患の可能性とを用いて計算することで算出される値である。なお、本実施形態において、この値は、優先スコアとその疾患の可能性とを積算した値を用いて説明するが、本実施形態はこれに限定されるものではなく、優先スコアと疾患の可能性以外に、年齢や性別、血圧等の生体情報を用いて補正することもでき、優先スコアとその疾患可能性を利用して計算できる値であれば、種々の手法を取ることができる。

【0039】

図３に示すＣさんの場合、「脳卒中」については、優先スコアの「１００」と、可能性の「０．８」とを積算し、リスク度が「８０」と算出されている。同様に、「脳動脈瘤」については、優先スコアの「９０」と、可能性の「０．６」とを積算し、リスク度が「５４」と算出されている。「骨折」については、優先スコアの「６０」と、可能性の「０．２」とを積算し、リスク度が「１２」と算出されている。「肺がん」については、優先スコアの「９０」と、可能性の「０．２」とを積算し、リスク度が「１８」と算出されている。「糖尿病」については、優先スコアの「２０」と、可能性の「０．４」とを積算し、リスク度が「８」と算出されている。なお、本実施形態では、算出部１１４は、「リスク度」を算出するだけでなく、重症度の高い疾患が出力された場合に、その疾患が出力された理由や詳細が表示させてもいい。

【0040】

図２のフローチャートに戻り、医療診断支援装置１００のＣＰＵ１０１は、算出部１１４において、各患者の疾患のリスク度から、各患者に対する総合リスク度を算出する（ステップＳ００７）。

【0041】

この場合、算出部１１４は、各患者ごとに、各疾患ごとのリスク度の合計を算出し、患者ごとに総合リスク度を算出する。例えば、図３のＣさんの場合、算出部１１４は、脳卒中のリスク度「８０」と、脳動脈瘤のリスク度「５４」と、骨折のリスク度「１２」と、肺がんのリスク度「１８」と、糖尿病のリスク度「８」などを加算し、総合リスク度「１７２」と算出する。

【0042】

医療診断支援装置１００のＣＰＵ１０１は、算出部１１４によって算出された各患者に対する総合リスク度を出力部１０４に出力する。出力部１０４は、各患者に対する総合リスク度を表示部１０５に表示する（ステップＳ００９）。この場合、ＣＰＵ１０１の算出部１１４は、複数の患者の総合リスク度から、複数の患者に対するトリアージを実行し、表示部１０５にトリアージした結果を表示させて、医療診断支援装置１００の処理を終了する。

【0043】

なお、トリアージとは、患者の重症度に応じて、治療の優先度を決定し、選別することをいう。

【0044】

図４は、複数の患者の総合リスク度から、複数の患者に対するトリアージが実行された結果を示した説明図である。ＣＰＵ１０１は、算出部１１４においてトリアージを実行することにより、総合リスク度の高い順に患者を表示させることができる。

【0045】

図４に示すように、例えば、患者の名前ごとに総合リスク度と使用モダリティの欄が設けられ、名前の欄には、総合リスク度の高い順に、４名の患者が表示されている。具体的には、総合リスク度の高い順に従い、Ｃさんは総合リスク度が「１７２」、Ｂさんは総合リスク度が「１３５」、Ｄさんは総合リスク度が「９６」、Ａさんは総合リスク度が「４７」と表示されている。

【0046】

これにより、医療従事者は、総合リスク度の高いＣさんから順に、診察や処置の優先順位を決定することができる。また、医療診断支援装置１００は、医療従事者が患者名を選択することにより、選択された患者の疾患と罹患可能性とを表示し、疾患ごとのリスク度を算出した説明図（例えば、図３参照）を表示させてもよい。

【0047】

なお、使用モダリティの欄には、各患者が使用する予定のモダリティが表示されている。使用モダリティについては、第２の実施形態において説明する。

【0048】

以上説明したように、第１の実施形態に係る医療診断支援装置１００のＣＰＵ１０１は、取得部１１１と、推定部１１２と、制御部１１３と、算出部１１４とを備えて構成されている。ＣＰＵ１０１は、推定部１１２において、取得部１１１により取得された各患者の複数の生体情報から、学習済みモデル１０３を用いて、疾患およびその罹患可能性を推定する。また、ＣＰＵ１０１は、算出部１１４において、各疾患の罹患可能性に基づいて、各疾患のリスク度を算出し、各患者の疾患のリスク度から、各患者に対する総合リスク度を算出する。

【0049】

これにより、第１の実施形態に係る医療診断支援装置１００は、対象者の疾患とその罹患可能性を把握することにより、病気の見逃しを早期に防止することができるとともに、救急現場等で検査対象者が溢れている状況において、優先的に診断すべき対象者を抽出することができる。

【0050】

更に、第１の実施形態に係る医療診断支援装置１００は、患者1人1人の予後の改善を期待することができ、医療費削減や患者ＱＯＬを向上させることができる。

【0051】

＜第２の実施形態＞
第２の実施形態に係る医療診断支援装置１００のＣＰＵ１０１は、算出部１１４において、各患者の各疾患のリスク度から、各患者に対して使用が推奨されるモダリティ（以下、これを使用モダリティともいう。）のリストを算出する。なお、この使用モダリティには、第１の実施形態における患者が使用する予定のモダリティの意味も含んでいる。

【0052】

第２の実施形態に係る医療診断支援装置１００のＣＰＵ１０１によれば、各患者に対して使用モダリティのリストを表示することができるので、医師や看護師等の医療従事者は、患者の検査や処置の優先順位を決定することができる。

【0053】

［医療診断支援装置の動作］
次に、第２の実施形態に係る医療診断支援装置１００の動作について、図５に示すフローチャートを用いて説明する。なお、第２の実施形態に係る医療診断支援装置１００の動作において、図２に示した第１の実施形態に係る医療診断支援装置１００の動作と同一の動作については、同一の符号を付し、説明を適宜、省略する。

【0054】

図５は、第２の実施形態に係る医療診断支援装置１００が、各患者に対して使用が推奨されるモダリティのリストを算出する処理を示したフローチャートである。

【0055】

まず、図５に示すステップＳ００１及びステップＳ００３では、図２に示すステップＳ００１及びステップＳ００３と、同様の処理を行う。

【0056】

次に、医療診断支援装置１００のＣＰＵ１０１は、算出部１１４において、各疾患の罹患可能性に基づいて、各疾患のリスク度を算出し、各患者の各疾患のリスク度から、各患者に対して使用モダリティのリストを算出する（ステップＳ１０１）。

【0057】

例えば、図３を参照すると、脳卒中の可能性や脳動脈瘤の可能性から、使用が推奨されるモダリティとして「ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）」が決定され、また、骨折の可能性から、使用が推奨されるモダリティとして「ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）」が決定される。また、肺がんの可能性から、使用が推奨されるモダリティとして「Ｘ線」が決定され、また、糖尿病の可能性から、使用が推奨されるモダリティとして「ＵＳ（ＵｌｔｒａＳｏｎｏｇｒａｐｈｙ）」が決定される。

【0058】

これにより、ステップＳ００９では、図４で示したように、患者ごとに使用モダリティを表示することができる。また、図４では、罹患可能性から使用モダリティが推奨される比率に応じて指標を表示しており、例えば、使用モダリティとしてＭＲＩが選択（使用）される可能性が高いことを示している。

【0059】

以上説明したように、第２の実施形態に係る医療診断支援装置１００のＣＰＵ１０１は、算出部１１４において、各患者の各疾患のリスク度から、各患者に対して使用が推奨されるモダリティのリストを算出する。

【0060】

これにより、第２の実施形態に係る医療診断支援装置１００のＣＰＵ１０１は、各患者に対して使用モダリティのリストを表示することができるので、医師や看護師等の医療従事者は、患者の検査や処置の優先順位を決定することができる。

【0061】

＜第３の実施形態＞
第３の実施形態に係る医療診断支援装置１００のＣＰＵ１０１は、第１の実施形態に係る医療診断支援装置１００の動作と、第２の実施形態に係る医療診断支援装置１００の動作とを組み合わせて実行する。

【0062】

［医療診断支援装置の動作］
次に、第３の実施形態に係る医療診断支援装置１００の動作について、図６に示すフローチャートを用いて説明する。なお、第３の実施形態に係る医療診断支援装置１００の動作は、図２に示したフローチャートに、図５に示したフローチャートのステップＳ１０１の処理を追加した処理と同一の処理を実行する。なお、同一の処理には同一の符号を付し、説明を適宜、省略する。

【0063】

図６は、第３の実施形態に係る医療診断支援装置１００の動作を示したフローチャートである。

【0064】

第３の実施形態に係る医療診断支援装置１００は、まず、取得部１１１において、各患者の複数の生体情報を取得する（ステップＳ００１）。取得部１１１は、例えば、患者情報と、各患者の患者生体情報（バイタルデータ）の入力を受け付ける。

【0065】

医療診断支援装置１００のＣＰＵ１０１は、推定部１１２において、取得部１１１により取得された各患者の複数の生体情報から、学習済みモデル１０３を用いて、患者ごとに１以上の疾患およびその罹患可能性を推定する（ステップＳ００３）。

【0066】

医療診断支援装置１００のＣＰＵ１０１は、算出部１１４において、各疾患の罹患可能性に基づいて、各疾患のリスク度を算出する（ステップＳ００５）。ＣＰＵ１０１は、算出部１１４において、患者ごとに、各疾患の優先スコアと罹患可能性（可能性）とから、リスク度を算出する。

【0067】

医療診断支援装置１００のＣＰＵ１０１は、算出部１１４において、各患者の疾患のリスク度から、各患者に対する総合リスク度を算出する（ステップＳ００７）。算出部１１４は、各患者ごとに、各疾患ごとのリスク度の合計を算出し、患者ごとに総合リスク度を算出する。

【0068】

また、医療診断支援装置１００のＣＰＵ１０１は、算出部１１４において、各患者の総合リスク度から、各患者に対して使用モダリティのリストを算出（決定）する（ステップＳ１０１）。なお、各患者の各疾患のリスク度から使用モダリティを算出（決定）できる場合、算出部１１４は、各患者の各疾患のリスク度から使用モダリティを算出（決定）してもよい。

【0069】

医療診断支援装置１００のＣＰＵ１０１は、算出部１１４によって算出された各患者に対する総合リスク度に従って、図４に示したトリアージが実行された結果を表示部１０５に表示するとともに（ステップＳ００９）、使用モダリティのリストを表示して、医療診断支援装置１００の処理を終了する。

【0070】

以上説明したように、第３の実施形態に係る医療診断支援装置１００のＣＰＵ１０１は、取得部１１１と、推定部１１２と、制御部１１３と、算出部１１４とを備えて構成されている。ＣＰＵ１０１は、算出部１１４において、取得部１１１により取得された各患者の複数の生体情報から、学習済みモデル１０３を用いて、疾患およびその罹患可能性を推定する。ＣＰＵ１０１は、各疾患の罹患可能性に基づいて、各疾患のリスク度を算出し、各患者の疾患のリスク度から、各患者に対する総合リスク度及び使用モダリティのリストを算出する。

【0071】

これにより、第１の実施形態に係る医療診断支援装置１００は、対象者の疾患とその罹患可能性を把握することにより、処置すべき優先順位の高い患者を選別することができるともに、使用モダリティの手配も容易に行うことができるので、多くの患者を効率的に救助や処置することができる。

【0072】

次に、医療診断支援装置１００の学習済みモデルの生成について説明する。

【0073】

［学習済みモデルの生成］
学習済みモデル１０３は、予め準備した生体情報（バイタルデータなど）を入力とし、出力を疾患可能性とした多数（ｉ組個（ｉは例えば数千から十数万））のデータセットを学習サンプルデータとして用い、これにより機械学習する。学習器（不図示）としては、ＣＰＵおよびＧＰＵのプロセッサを用いたスタンドアロンの高性能コンピュータ、又はクラウドコンピュータを用いることができる。

【0074】

なお、本実施形態において、学習器（不図示）は、パーセプトロンを組み合わせて構成したニューラルネットワークを用いた学習方法について、フローチャートを用いて説明するが、本実施形態はこれに限定されるものではなく、教師あり学習であれば、種種の手法を取ることができる。

【0075】

具体的には、学習器（不図示）には、ランダムフォレスト、サポートベクターマシン（ＳＶＭ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ブースティング（Ｂｏｏｓｔｉｎｇ）、ベイジアン（Ｂｓｙｓｉａｎ）、ネットワーク線形判別法、及び非線形判別法等を適用することができる。

【0076】

［学習済みモデルの学習方法］
図７は、医療診断支援装置１００の学習済みモデル１０３の学習方法の処理を示したフローチャートである。

【0077】

学習器（不図示）は、教師データである学習サンプルデータを読み込む。例えば、最初であれば１組目（生体情報、疾患可能性）の学習サンプルデータを読み込み、ｉ回目であれば、ｉ組目の学習サンプルデータを読み込む（ステップＳ２０１）。

【0078】

図８は、ある任意の患者Ｘについて、予め準備した生体情報（バイタルデータ）を示した説明図である。図８に示すように、生体情報（バイタルデータ）は、例えば、年齢、性別、血圧、呼吸数、脈拍、心電図、体温、酸素飽和度、既往歴、喫煙歴、訪問目的、訪問方法、その他などの入力データと、脳動脈瘤、骨折、肺がん、糖尿病、その他などの教師データとから構成される。そして、学習済みモデル１０３は、これらの生体情報（バイタルデータ）を学習サンプルデータとして、順番に読み込む。

【0079】

学習器（不図示）は、読み込んだ学習サンプルデータのうち、入力データをニューラルネットワークに入力する（ステップＳ２０３）。

【0080】

学習器（不図示）は、ニューラルネットワークの推定結果、即ち、推定された疾患を、入力教師データと比較する（ステップＳ２０５）。

【0081】

学習器（不図示）は、比較結果からパラメータを調整する（ステップＳ２０７）。例えば、学習器（不図示）は、バックプロパゲーション（Ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ：誤差逆伝搬法）という処理を行うことにより、比較結果の誤差が小さくなるように、パラメータを調整し、更新する。

【0082】

学習器（不図示）は、１～ｉ組目まで全データの全処理が完了した場合（ステップＳ２０９のＹＥＳ）、ステップＳ２１１に進め、一方、全データの全処理が完了していない場合（ステップＳ２０９のＮＯ）、ステップ２０１に戻り、次の学習サンプルデータを読み込み、ステップＳ２０１以下の処理を繰り返す。

【0083】

学習器（不図示）は、ステップＳ２０７までの処理で構築された学習済みモデル１０３を記憶し（ステップＳ２１１）、処理を終了する。

【0084】

これにより、第４の実施形態に係る医療診断支援装置１００のＣＰＵ１０１は、推定部１１２において、取得部１１１により取得された各患者の複数の生体情報から、学習済みモデル１０３を用いて、疾患およびその罹患可能性を推定することができる。

【符号の説明】

【0085】

１００ 医療診断支援装置
１０１ ＣＰＵ
１０２ 操作受付部
１０３ 学習済みモデル
１０４ 出力部
１０５ 表示部
１０６ ＲＯＭ
１０７ ＲＡＭ
１０８ 外部記憶装置
１０９ 疾患推定プログラム
１１１ 取得部
１１２ 推定部
１１３ 制御部
１１４ 算出部

【図1A】

【図1B】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】