特許 7533772 予測モデル生成装置、予測モデル生成方法及びプログラム

(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】2024-08-05

(45)【発行日】2024-08-14

(54)【発明の名称】予測モデル生成装置、予測モデル生成方法及びプログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240806BHJP

   G16H 50/00 20180101ALI20240806BHJP

【ＦＩ】

G06N20/00

G16H50/00

【請求項の数】 9

(21)【出願番号】P 2023512641

(86)(22)【出願日】2021-04-09

(86)【国際出願番号】 JP2021015089

(87)【国際公開番号】W WO2022215270

(87)【国際公開日】2022-10-13

【審査請求日】2023-10-02

(73)【特許権者】

【識別番号】000004237

【氏名又は名称】日本電気株式会社

(74)【代理人】

【識別番号】100103894

【弁理士】

【氏名又は名称】家入 健

(72)【発明者】

【氏名】荒木 賢志

(72)【発明者】

【氏名】西原 康介

(72)【発明者】

【氏名】小阪 勇気

【審査官】新井 則和

(56)【参考文献】

【文献】特開平０９－０７３４４０（ＪＰ，Ａ）

【文献】特開２０１２－２０８９０２（ＪＰ，Ａ）

【文献】特開２０１９－１０１９８２（ＪＰ，Ａ）

【文献】特開２０１６－０９１３０６（ＪＰ，Ａ）

【文献】国際公開第２０２０／０７１５４０（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ２０／００

Ｇ１６Ｈ ５０／００

(57)【特許請求の範囲】

【請求項1】

目的変数を含む学習データについて、前記目的変数の性質に応じて、前記目的変数の確率分布が存在する領域を複数の小領域に分割する分割手段と、
前記小領域のそれぞれに前記目的変数が属する存在確率をそれぞれモデリングする存在確率モデリング手段と、
前記学習データを用いて、前記小領域毎に、前記目的変数が前記小領域に属するという条件下での、前記目的変数が前記小領域で取り得る値に関する確率分布をモデリングする確率分布モデリング手段と、
前記存在確率を用いて、モデリングされた前記確率分布を前記小領域毎に統合することで、前記目的変数の予測モデルを構築するモデル構築手段と、
を備える予測モデル生成装置。

【請求項2】

前記学習データは、前記目的変数の初期値を有し、
前記モデル構築手段は、前記初期値が取り得る値毎に前記目的変数の予測モデルを構築する、
請求項１に記載の予測モデル生成装置。

【請求項3】

予測対象となる目的変数の初期値を有する予測対象データが入力されたとき、前記モデル構築手段が構築した前記目的変数の予測モデルの中から、前記予測対象データに含まれる目的変数の初期値に対応する予測モデルを選択する選択手段と、
選択された前記予測モデルを用いて、前記予測対象データにおける前記目的変数を予測する予測手段と、をさらに備える
請求項２に記載の予測モデル生成装置。

【請求項4】

前記目的変数は、患者の退院時の回復度であり、
前記分割手段は、患者の入院時の回復度の値を境界にして、前記退院時の回復度が存在する領域を２分割する、
請求項１乃至３のいずれか１項に記載の予測モデル生成装置。

【請求項5】

前記学習データは、前記患者の患者情報を有し、
前記確率分布モデリング手段は、前記患者情報に依存するように前記確率分布をモデリングする、
請求項４に記載の予測モデル生成装置。

【請求項6】

前記確率分布モデリング手段は、一般化線形モデル化された前記確率分布をモデリングする、
請求項１乃至５のいずれか１項に記載の予測モデル生成装置。

【請求項7】

前記確率分布モデリング手段は、２項分布で表される前記確率分布をモデリングする、
請求項６に記載の予測モデル生成装置。

【請求項8】

目的変数を含む学習データについて、前記目的変数の性質に応じて、前記目的変数の確率分布が存在する領域を複数の小領域に分割し、
前記小領域のそれぞれに前記目的変数が属する存在確率をそれぞれモデリングし、
前記学習データを用いて、前記小領域毎に、前記目的変数が前記小領域に属するという条件下での、前記目的変数が前記小領域で取り得る値に関する確率分布をモデリングし、
前記存在確率を用いて、モデリングされた前記確率分布を前記小領域毎に統合することで、前記目的変数の予測モデルを構築する、
予測モデル生成装置が実行する予測モデル生成方法。

【請求項9】

目的変数を含む学習データについて、前記目的変数の性質に応じて、前記目的変数の確率分布が存在する領域を複数の小領域に分割し、
前記小領域のそれぞれに前記目的変数が属する存在確率をそれぞれモデリングし、
前記学習データを用いて、前記小領域毎に、前記目的変数が前記小領域に属するという条件下での、前記目的変数が前記小領域で取り得る値に関する確率分布をモデリングし、
前記存在確率を用いて、モデリングされた前記確率分布を前記小領域毎に統合することで、前記目的変数の予測モデルを構築する、
ことをコンピュータに実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

この開示は予測モデル生成装置、予測モデル生成方法及び非一時的なコンピュータ可読媒体に関する。

【背景技術】

【0002】

患者が病院に入院したときに、その病気からの回復度を予測するシステムが、近年考えられている。例えば、特許文献１には、医療情報処理システムが、急性期医療施設の入院患者から得られる各患者の電子カルテ情報群を参照して、各患者の急性期医療施設からの転帰先を機械学習し、その学習結果に基づいて、対象患者の転帰先を予測する技術が記載されている。

【先行技術文献】

【特許文献】

【0003】

【文献】国際公開第２０１９／０４４６２０号

【発明の概要】

【発明が解決しようとする課題】

【0004】

この開示は、先行技術文献に開示された技術を改善することを目的とする。

【課題を解決するための手段】

【0005】

本実施形態にかかる一態様の予測モデル生成装置は、目的変数を含む学習データについて、目的変数の性質に応じて、目的変数の確率分布が存在する領域を複数の小領域に分割する分割手段と、小領域のそれぞれに目的変数が属する存在確率をそれぞれモデリングする存在確率モデリング手段と、学習データを用いて、小領域毎に、目的変数が小領域に属するという条件下での、目的変数が小領域で取り得る値に関する確率分布をモデリングする確率分布モデリング手段と、存在確率を用いて、モデリングされた確率分布を小領域毎に統合することで、目的変数の予測モデルを構築するモデル構築手段を備える。

【0006】

本実施形態にかかる一態様の予測モデル生成方法は、目的変数を含む学習データについて、目的変数の性質に応じて、目的変数の確率分布が存在する領域を複数の小領域に分割し、小領域のそれぞれに目的変数が属する存在確率をそれぞれモデリングし、学習データを用いて、小領域毎に、目的変数が小領域に属するという条件下での、目的変数が小領域で取り得る値に関する確率分布をモデリングし、存在確率を用いて、モデリングされた確率分布を小領域毎に統合することで、目的変数の予測モデルを構築することを予測モデル生成装置が実行するものである。

【0007】

本実施形態にかかる一態様の非一時的なコンピュータ可読媒体は、目的変数を含む学習データについて、目的変数の性質に応じて、目的変数の確率分布が存在する領域を複数の小領域に分割し、小領域のそれぞれに目的変数が属する存在確率をそれぞれモデリングし、学習データを用いて、小領域毎に、目的変数が小領域に属するという条件下での、目的変数が小領域で取り得る値に関する確率分布をモデリングし、存在確率を用いて、モデリングされた確率分布を小領域毎に統合することで、目的変数の予測モデルを構築することをコンピュータに実行させるプログラムが格納されたものである。

【図面の簡単な説明】

【0008】

【図1】実施の形態１にかかる予測モデル生成装置の一例を示すブロック図である。

【図2】実施の形態１にかかる確率分布モデリング部の一例を示すブロック図である。

【図3】実施の形態１にかかる予測モデル生成装置の処理例を示すフローチャートである。

【図4】実施の形態２にかかる予測システムの一例を示すブロック図である。

【図5A】実施の形態２にかかる予測モデル生成部の一例を示すブロック図である。

【図5B】実施の形態２にかかるモデリング部の一例を示すブロック図である。

【図6】実施の形態２にかかる予測部の一例を示すブロック図である。

【図7】実施の形態２にかかる予測システムの処理例を示すフローチャートである。

【図8A】理論上の回復度の確率分布を示すグラフである。

【図8B】実際の回復度の確率分布を示すグラフである。

【図9】実施の形態３にかかる予測システムの一例を示すブロック図である。

【図10A】実施の形態３にかかる予測モデル生成部の一例を示すブロック図である。

【図10B】実施の形態３にかかるモデリング部の一例を示すブロック図である。

【図11】実施の形態３にかかる予測部の一例を示すブロック図である。

【図12】実施の形態３にかかる予測システムの処理例を示すフローチャートである。

【図13】各実施の形態にかかる装置のハードウェア構成の一例を示すブロック図である。

【発明を実施するための形態】

【0009】

実施の形態１
以下、図面を参照して実施の形態１について説明する。実施の形態１は、この開示の技術に係る予測モデル生成装置を開示する。

【0010】

［構成の説明］
図１は、実施の形態１にかかる予測モデル生成装置の一例を示す。図１の予測モデル生成装置１０は、分割部１１、存在確率モデリング部１２、確率分布モデリング部１３及びモデル構築部１４を備える。予測モデル生成装置１０の各部（各手段）は、不図示の制御部（コントローラ）により制御される。以下、各部について説明する。

【0011】

分割部１１は、目的変数を含む学習データについて、目的変数の性質に応じて、目的変数の確率分布が存在する領域を複数の小領域に分割する。目的変数の性質とは、例えば、目的変数がある閾値Ｔｈ以上になる確率が、目的変数がその閾値Ｔｈ未満になる確率よりも有意に大きい又は小さいことである。この場合、分割部１１は、確率分布が存在する領域を、目的変数が閾値Ｔｈ以上になる領域と、目的変数が閾値Ｔｈ未満になる領域とに２分割する。

【0012】

上述の例の閾値Ｔｈは、予め定められた値であっても良いし、説明変数に依存する値であっても良い。例えば、ある説明変数の値をｉとすると、分割後の小領域１として目的変数がｉ未満の領域、小領域２として目的変数がｉ以上の領域のように、分割部１１は分割方法の規則を設定することができる。これは、説明変数が目的変数の初期値であり、目的変数が説明変数以上の値となる確率が有意に高い場合の、分割方法の設定である。分割部１１は、例えば学習によるモデリングで、この分割方法の規則を設定することができる。この規則に基づいて、分割部１１は、目的変数の確率分布が存在する領域を分割する。

【0013】

ただし、分割部１１は、領域を３分割以上に分割しても良い。例えば、目的変数が第１の閾値Ｔｈ１以上になる第１の確率と、目的変数が第１の閾値Ｔｈ１未満かつ第２の閾値Ｔｈ２以上（Ｔｈ１＞Ｔｈ２）になる第２の確率と、目的変数が第２の閾値Ｔｈ２未満になる第３の確率とを比較した場合に、３つの確率のうちいずれか１つが、少なくとも他の１つの確率よりも有意に大きい場合が考えられる。この場合、分割部１１は、目的変数の確率分布が存在する領域を、目的変数が第１の閾値Ｔｈ１以上になる小領域と、目的変数が第１の閾値Ｔｈ１未満かつ第２の閾値Ｔｈ２以上になる小領域と、目的変数が第２の閾値Ｔｈ２未満になる小領域に３分割する。

【0014】

存在確率モデリング部１２は、ある説明変数について、分割部１１が分割した小領域のそれぞれに目的変数が属する存在確率を、それぞれモデリングする。例えば、分割部１１が領域を２分割した場合に、存在確率モデリング部１２は、目的変数が小領域１に属する確率と、目的変数が小領域２に属する確率を、それぞれモデリングすることで導出する。

【0015】

確率分布モデリング部１３は、ある説明変数について、学習データを用いて、分割された小領域毎に、目的変数が小領域に属するという条件下での目的変数が小領域で取り得る値に関する確率分布をモデリングする。

【0016】

図２は、確率分布モデリング部１３の一例を示すブロック図である。図２は、小領域が２つある場合の例を示しており、確率分布モデリング部１３は、小領域１に対応する確率分布１モデリング部１３１と、小領域２に対応する確率分布２モデリング部１３２を有する。確率分布１モデリング部１３１は、目的変数が小領域１に属するという条件の下で、目的変数が小領域１において取り得る値に関する確率分布をモデリングする。このモデリングでは、目的変数が小領域２に属する範囲で、確率分布の値が０になるようにモデリングをする必要がある。

【0017】

また、確率分布２モデリング部１３２は、目的変数が小領域２に属するという条件の下で、目的変数が小領域２において取り得る値に関する確率分布をモデリングする。このモデリングでは、目的変数が小領域１に属する範囲で、確率分布の値が０になるようにモデリングをする必要がある。

【0018】

モデル構築部１４は、ある説明変数について、存在確率モデリング部１２がモデリングした存在確率を用いて、確率分布モデリング部１３がモデリングした確率分布を小領域毎に統合することで、目的変数の予測モデルを構築する。具体的には、確率の基本法則（加法定理及び乗法定理）を用いて、確率分布が統合される。

【0019】

一例として、領域が２つの小領域に分割される場合に、目的変数をＹ、説明変数をＸ、目的変数が２つの小領域のうちのどちらの小領域に属するかを示す変数をＺと表記する。モデル構築部１４は、説明変数がＸである条件下で目的変数がＹとなる確率を、以下の式（１）にしたがって導出する。

【数1】

・・・（１）

式（１）の左辺は、導出対象となる目的変数Ｙの確率分布である。式（１）の右辺第１項であるＰ（Ｙ｜Ｘ，Ｚ）は、説明変数がＸである条件下であり、かつ、目的変数Ｙが小領域１または２のいずれかに属するという条件下での、目的変数の確率分布である。また、式（１）の右辺第２項であるＰ（Ｚ｜Ｘ）は、これらの２つの分布の結合の重みを与えるものであり、説明変数がＸである条件下で、目的変数が小領域１または２のいずれに属するかを示す確率である。ここで、Ｐ（Ｙ｜Ｘ，Ｚ）、Ｐ（Ｚ｜Ｘ）は、それぞれ確率分布モデリング部１３、存在確率モデリング部１２により導出される。ただし、ここでは簡単のため、モデリングに用いられる変数（モデルパラメータ）の記載は省略した。

【0020】

［処理の説明］
図３は、予測モデル生成装置１０の代表的な処理の一例を示したフローチャートであり、このフローチャートによって、予測モデル生成装置１０の処理が説明される。まず、予測モデル生成装置の分割部１１は、目的変数を含む学習データについて、目的変数の性質に応じて、目的変数の確率分布が存在する領域を複数の小領域に分割する（ステップＳ１１；分割ステップ）。存在確率モデリング部１２は、分割された小領域のそれぞれに目的変数が属する存在確率をそれぞれモデリングする（ステップＳ１２；存在確率モデリングステップ）。

【0021】

確率分布モデリング部１３は、学習データを用いて、小領域毎に、目的変数が小領域に属するという条件下での、目的変数が小領域で取り得る値に関する確率分布をモデリングする（ステップＳ１３；確率分布モデリングステップ）。モデル構築部１４は、存在確率を用いて、モデリングされた確率分布を小領域毎に統合することで、目的変数の予測モデルを構築する（ステップＳ１４；モデル構築ステップ）。なお、各ステップの詳細は上述の通りである。

【0022】

［効果の説明］
以上のようにして、予測モデル生成装置１０は、ある説明変数について、目的変数の予測モデルを構築することができる。予測モデル生成装置１０は、学習データにおいて取り得る説明変数が複数ある場合には、取り得る説明変数毎に上述の処理を実行することで、説明変数毎に目的変数の予測モデルを構築することができる。

【0023】

目的変数は、その性質に応じて、確率分布に偏りが生じる場合がある。このような場合に、例えば２項分布を仮定した一般化線形モデルをそのまま用いて学習データから予測モデルを構築すると、構築された予測モデルには、実際の確率分布の性質が反映されにくくなり、予測の精度が落ちてしまうことが考えられる。

【0024】

しかしながら、この開示にかかる予測モデル生成装置１０では、分割部１１が目的変数の性質に応じて、目的変数の確率分布が存在する領域を複数の小領域に分割し、存在確率モデリング部１２及び確率分布モデリング部１３は、その小領域に関するモデリングを実行している。そして、モデル構築部１４は、存在確率モデリング部１２及び確率分布モデリング部１３がそれぞれ導出した結果に基づいて、予測モデルを構築する。そのため、構築された予測モデルには、実際の確率分布の性質が反映されやすくなり、予測の精度を向上することができる。

【0025】

実施の形態２
以下、図面を参照して実施の形態２について説明する。実施の形態２では、実施の形態１にて説明した予測モデル生成装置の機能を有する予測システムの具体例を開示する。

【0026】

［構成の説明］
図４は、実施の形態２にかかる予測システムの一例を示す。図４の予測システム２０は、予測モデル生成部２１及び予測部２２を備える。予測モデル生成部２１は、実施の形態１にかかる予測モデル生成装置１０の機能を有し、学習データＬを用いて予測モデルを生成するユニットである。

【0027】

学習データＬは、複数の患者に関する機械学習用のデータであり、複数の各患者について、説明変数として入院時の回復度及び患者情報を有し、その説明変数に対応する目的変数として、退院時の回復度の情報を有する。回復度は、所定の病気に対して回復した度合いを示す定量化された値であり、医師等が検査により判定する。ここで、回復度が小さいほど病状が重く、回復度が大きいほど病状が軽いことを示す。入院時の回復度は、退院時の回復度の初期値である。患者情報は、入院時の回復度以外の情報であって、退院時の回復度に影響を及ぼす患者の情報であり、例えば、年齢、患者の体に関する所定のバイタル値が挙げられるが、これらに限られない。

【0028】

新規な入力データＩ（予測対象データ）は、予測システム２０が予測対象とする患者（予測対象患者）の、入院時回復度と患者情報のセットを含む情報である。予測部２２は、予測モデル生成部２１が生成した予測モデルのうち１つを選択し、その予測モデルに入力データＩを説明変数として入力することにより、目的変数である予測対象患者の退院時の回復度を、出力データＯとして導出する。

【0029】

図５Ａは、予測モデル生成部２１の一例を示すブロック図である。予測モデル生成部２１は、データ仕分け部２１１、モデリング部２１２、学習済分布統合部２１３及び記憶部２１４を有する。以下、各部の詳細について説明する。

【0030】

データ仕分け部２１１は、学習データＬを取得し、説明変数である入院時の回復度の値に基づいて、学習データＬを分ける。この例では、回復度の値が１～ＮのＮ個取り得るため、学習データＬもＮ個に分けられることになる。分けられた学習データは、モデリング部２１２に入力される。

【0031】

モデリング部２１２は、入院時の回復度のそれぞれの値に関して、退院時の回復度（目的変数）の予測モデルを構築する。モデリング部２１２は、図５Ｂに示す通り、Ｎ通りの入院時の回復度の値に応じて、Ｎ個の学習部１～Ｎを有する。学習部ｉ（ｉは１～Ｎのうちの任意の値）は、入院時回復度の値ｉによって区別されており、入院時回復度の値によってラベルされている。以降、学習部ｉについて、その実行する処理を説明する。

【0032】

学習部ｉでは、入院時回復度がｉの場合の確率分布の学習を行う。よって、データ仕分け部２１１で分けられた学習データＬのうち、入院時回復度がｉである患者の学習データＬが学習部ｉに入力される。入力される学習データＬは、各患者について、患者情報と、目的変数である退院時回復度を含む。

【0033】

学習部ｉは、図１に示した分割部１１、存在確率モデリング部１２及び確率分布モデリング部１３を有する。そして、学習部ｉでは、次の３種類の学習を行う。退院時回復度がｉより上がるか下がるかの確率分布のパラメータの学習、退院時回復度がｉより下がるという条件下での退院時回復度の確率分布のパラメータの学習、及び退院時回復度がｉより上がるという条件下での退院時回復度の確率分布のパラメータの学習である。

【0034】

ここで、入院時回復度が退院時回復度と同じである状況については注意が必要であり、退院時回復度の確率分布が存在する領域を２分割する場合には、この状況は、退院時回復度が入院時回復度よりも上がるか、又は下がるかのいずれかの定義に含まれることになる。この例では、この状況を前者の定義に含めて、退院時回復度が入院時回復度以上の場合という再定義をする。また、退院時回復度が入院時回復度よりも下がる場合には、退院時回復度が入院時回復度未満であるという定義ができる。そのため、退院時回復度の確率分布が存在する領域は、入院時回復度の値を境界にして２分割される。そして、学習部ｉは、退院時回復度が入院時回復度以上か、又は未満かという２通りの各条件における退院時回復度の分布を、それぞれ２項分布を用いてモデリングする。

【0035】

この２項分布は、整数パラメータ（以後、試行回数と記載）と実数パラメータ（以後、成功確率と記載）の２つによって特徴づけられる。退院時回復度が入院時回復度未満であるという条件下では、退院時回復度として取り得る値は、１～ｉ－１なので、学習部ｉは、試行回数がｉ－２となる２項分布を仮定する。一方、退院時回復度が入院時回復度以上であるという条件下では、退院時回復度として取り得る値は、ｉ～Ｎなので、学習部ｉは、試行回数がＮ－ｉとなる２項分布を仮定する。このようにして、一般化線形モデル化された確率分布がモデリングされる。

【0036】

また、学習部ｉは、各確率分布の成功確率を、患者情報に依存するようにモデリングする。モデリングに用いられるリンク関数としては、ロジット関数を採用するのが一般的である。学習におけるモデルパラメータに対しては、点推定やベイズ推定等の処理がなされても良い。

【0037】

以上から、学習部ｉの各部は、以下のような処理を実行する。分割部１１は、退院時回復度（目的変数）の性質に応じて、退院時回復度の確率分布が存在する領域を、退院時回復度が入院時回復度以上である小領域１と、退院時回復度が入院時回復度未満である小領域２に２分割する。存在確率モデリング部１２は、入院時回復度（説明変数）がｉの場合について、小領域１と２のそれぞれに退院時回復度が属する存在確率を、それぞれ学習してモデリングする。確率分布１モデリング部１３１は、退院時回復度が小領域１に属するという条件の下で、退院時回復度が小領域１において取り得る値（Ｎ～ｉ）に関する確率分布を、学習してモデリングする。また、確率分布２モデリング部１３２は、退院時回復度が小領域２に属するという条件の下で、退院時回復度が小領域２において取り得る値（１～ｉ－１）に関する確率分布を、学習してモデリングする。なお、各モデリング部は、上述の通り、モデリングにおいて２項分布を用いる。

【0038】

学習済分布統合部２１３は、図１に示したモデル構築部１４を有し、入院時回復度（説明変数）がｉの条件下の、退院時回復度（目的変数）の予測モデルを構築する。つまり、学習済分布統合部２１３は、確率の加法定理および乗法定理に従い、退院時回復度が入院時回復度以上か又は未満かを示す確率分布、退院時回復度が入院時回復度以上である条件下での退院時回復度の確率分布、及び退院時回復度が入院時回復度未満である条件下での退院時回復度の確率分布の３つを統合する。これにより、入院時回復度がｉの場合の、退院時回復度の予測モデルを構築する。統合方法は、式（１）に関する説明において説明した通りである。

【0039】

学習済分布統合部２１３は、入院時回復度が取り得る全ての値１～Ｎについて、この処理を実行する。それにより、入院時回復度に対応した全部でＮ種類の予測モデルを構築する。なお、データ仕分け部２１１、モデリング部２１２及び学習済分布統合部２１３は、予測モデル生成部２１が新たな学習データＬを取得する度に、以上の機械学習に関する処理を実行しても良い。これにより、予測モデルを更新し、その精度を向上させることができる。

【0040】

記憶部２１４は、学習済分布統合部２１３が構築したＮ種類の予測モデルを格納する。Ｎ個の予測モデルは、入院時回復度の値に応じた識別情報が付されることにより、区別可能である。また、記憶部２１４は、後述の予測モデル選択部２２１によるアクセスを受け付ける。

【0041】

図６は、予測部２２の一例を示すブロック図である。予測部２２は、予測モデル選択部２２１及び出力値計算部２２２を有する。以下、各部の詳細について説明する。

【0042】

予測モデル選択部２２１は、入力データＩの入院時回復度の値に応じて、記憶部２１４にアクセスし、そこに格納されたＮ種類の予測モデルの中から、適切な１つの予測モデルを選択する。例えば、入力データＩの入院時回復度が３なら、入院時回復度が３となる予測モデルを選択する。予測モデル選択部２２１は、予測モデルに付された識別情報を参照することで、特定の予測モデルを選択することができる。

【0043】

出力値計算部２２２は、予測モデル選択部２２１が選択した予測モデルに、入力データＩの患者情報を入力することによって、目的変数である退院時回復度の予測分布を取得する。出力値計算部２２２は、この予測分布の最頻値、平均値及び中央値のいずれかを退院時回復度の予測値として計算し、その値を出力データＯとして出力する。ただし、予測値を計算する方法はこれに限られない。なお、出力データＯは、例えば、予測システム２０に設けられた表示部に表示されても良いし、プリンタによって印刷されることによって出力され手も良い。

【0044】

［処理の説明］
図７は、予測システム２０の代表的な処理の一例を示したフローチャートであり、このフローチャートによって、予測システム２０の処理が説明される。まず、予測システム２０のデータ仕分け部２１１は、学習データＬを取得する（ステップＳ２１）。

【0045】

データ仕分け部２１１は、取得した学習データＬを入院時の回復度の値に基づいて分割し、モデリング部２１２の各学習部１～Ｎに対して、分割した学習データＬを割り当てる。学習部ｉは、入院時回復度がｉの条件下でのモデリングを実行する。このモデリングの詳細は、上述の通りである。そして、学習済分布統合部２１３は、入院時回復度がｉの条件下での、退院時回復度の予測モデルを構築する。学習済分布統合部２１３は、入院時回復度がｉ以外の値である場合にもこの処理を実行することで、全部でＮ種類の予測モデルを構築する（ステップＳ２２）。構築された予測モデルは、記憶部２１４に格納される。

【0046】

次に、予測部２２は、入力データＩを取得する（ステップＳ２３）。予測モデル選択部２２１は、入力データＩの入院時回復度の値に応じた、学習済の予測モデルを１つ選択する。出力値計算部２２２は、選択された予測モデルに入力データＩの患者情報を入力することによって、退院時回復度の予測分布を取得し、その予測分布に基づいて、退院時回復度の予測値を計算する。出力値計算部２２２は、その計算結果を出力データＯとして出力する（ステップＳ２４）。

【0047】

［効果の説明］
以上のようにして、予測システム２０は、患者の回復度に関する学習データを用いて、患者の回復度の予測モデルを精度高く構築することができる。

【0048】

また、学習データは、退院時の回復度（目的変数）の初期値として、入院時の回復度（目的変数の初期値）を有しており、予測モデル生成部２１（モデル構築手段）は、入院時の回復度が取り得る値毎に、目的変数の予測モデルを構築することができる。したがって、任意の入院時の回復度に対して、退院時の回復度の予測が可能となる。

【0049】

また、予測モデル選択部２２１（選択手段）は、入院時の回復度を有する入力データＩ（予測対象データ）が入力されたとき、構築された予測モデルの中から、入力データＩに含まれる入院時の回復度に対応する予測モデルを選択する。出力値計算部２２２（予測手段）は、選択された予測モデルを用いて、入力データＩにおける退院時の回復度を予測することができる。したがって、予測システム２０は、任意の患者の入力データＩについて、退院時回復度を精度高く予測することができる。

【0050】

また、学習データにおける目的変数は、患者の退院時の回復度であり、データ仕分け部２１１（分割手段）は、患者の入院時の回復度の値を境界にして、退院時の回復度が存在する領域を２分割することができる。したがって、予測モデルを、入院時から退院時における回復度の実際の変化を反映したものにすることができる。この点については、実施の形態３でさらに詳細に述べる。

【0051】

また、学習データは、患者の患者情報を有し、学習部ｉ（確率分布モデリング手段）は、その患者情報に依存するように確率分布をモデリングすることができる。したがって、予測モデルを、患者情報を反映したものにすることができる。

【0052】

また、学習部ｉは、一般化線形モデル化された確率分布（特に、２項分布で表される確率分布）をモデリングすることができる。したがって、予測システム２０は、統計的手法として特殊な手法ではない、一般的な手法を用いつつ、精度の高い予測モデルを生成することができる。

【0053】

実施の形態３
以下、図面を参照して実施の形態３について説明する。実施の形態３では、実施の形態２の更なる具体例として、回復度として、脳卒中患者のＦＩＭ（Functional Independence Measure）を適用した場合を説明する。

【0054】

脳卒中患者の回復期リハビリテーション病棟にとって、その病棟に入院時の患者情報を用いて、退院時の患者の回復度を患者個別に予測することは、患者のリハビリテーション計画の立案や目標の設定に重要である。一例として、非特許文献１（「入院時の患者情報からの退院時Functional Independence Measure予測」，著者：小阪勇気（ＮＥＣデータサイエンス研），細井利憲（ＮＥＣデータサイエンス研），久保雅洋（ＮＥＣデータサイエンス研），亀田佳一（ＫＮＩ），井上姫花（ＫＮＩ），奥田明（ＫＮＩ），久保文郁（ＫＮＩ），伊藤美由貴（ＫＮＩ），資料名：医療情報学連合大会論文集（ＣＤ－ＲＯＭ），巻：３９ｔｈ，ページ：ＲＯＭＢＵＮＮＯ.３－Ｂ－２－０３，発行年：２０１９年）には、退院時のＦＩＭの予測問題に対し、退院時ＦＩＭ分布をガウス分布と仮定する回帰手法が記載されている。

【0055】

ＦＩＭなどに代表される脳卒中患者の回復度を表す量は、離散値であり、かつ、上限と下限が存在する。このような定義域の性質を持つ量を回帰する手法としては、２項分布を仮定した一般化線形モデルが挙げられる。図８Ａは、このモデルにおけるＦＩＭの確率分布の一例を示したものである。図８Ａの横軸はＦＩＭであり、ＦＩＭは１～７で示される値である。つまり、実施の形態２におけるＮは、ここでは７である。また、縦軸は分布強度である。ＦＩＭの中間値である４を境にして、ＦＩＭが大きく又は小さくなるに従い、そのＦＩＭに対応する分布強度が減少する。この分布強度の減少の仕方は、図８Ａに示されるように、比較的緩やかである。

【0056】

しかしながら、実際の退院時のＦＩＭの分布は、入院時のＦＩＭの値を境界にする第１の領域と第２の領域とにおいて、大きく変化し、両者の領域において分布にギャップが存在することが予測される。図８Ｂは、そのようなモデルにおけるＦＩＭの確率分布の一例を示したものである。図８Ａの横軸はＦＩＭ（１～７）であり、縦軸は分布強度である。また、図８Ｂにおいて、入院時のＦＩＭは３である。

【0057】

図８Ｂにおいて、退院時ＦＩＭが入院時ＦＩＭ未満の領域（領域Ａ）の分布強度は極端に小さくなる一方、退院時ＦＩＭが入院時ＦＩＭ以上である領域（領域Ｂ）の分布強度は極端に大きくなる。これは、入院中のリハビリテーションによって、ＦＩＭが悪化するという事象が頻度的にほとんど起こらないという事情によるものである。以上の理由より、２項分布を仮定した一般化線形モデルでは、このような実際の分布の性質を反映することができないため、ＦＩＭ予測の精度が低下する可能性があった。

【0058】

以降に説明する実施の形態３に係る予測システムは、この課題を解決することができるものである。なお、実施の形態３にかかる予測システムは、実施の形態２と略同じ構成を備えるものであるため、実施の形態２と異なる点について特に説明し、それ以外の点については適宜説明を省略する。

【0059】

［構成の説明］
図９は、実施の形態３にかかる予測システムの一例を示す。予測システム３０は、予測モデル生成部３１及び予測部３２を備える。予測モデル生成部３１、予測部３２は、それぞれ、実施の形態２の予測モデル生成部２１、予測部２２に対応する。

【0060】

学習データＬは、複数の患者に関する機械学習用のデータであり、複数の各患者について、説明変数として入院時のＦＩＭ及び患者情報を有し、その説明変数に対応する目的変数として、退院時のＦＩＭの情報を有する。ＦＩＭは、実施の形態２に示した回復度の一例であり、１～７までの値を取り得る。また、患者情報の詳細は、実施の形態２に示した通りである。

【0061】

新規な入力データＩは、予測対象患者の、入院時のＦＩＭと患者情報のセットを含む情報である。予測部３２は、予測モデル生成部３１が生成した予測モデルを１つ選択し、選択した予測モデルに入力データＩを説明変数として入力することにより、目的変数である退院時のＦＩＭを、出力データＯとして導出する。

【0062】

図１０Ａは、予測モデル生成部３１の一例を示すブロック図である。予測モデル生成部３１は、データ仕分け部３１１、モデリング部３１２、学習済分布統合部３１３及び記憶部３１４を有する。データ仕分け部３１１～記憶部３１４は、それぞれ、実施の形態２のデータ仕分け部２１１～記憶部２１４に対応する。

【0063】

データ仕分け部３１１は、学習データＬを取得し、入院時のＦＩＭの値に基づいて、学習データＬを７個に分ける。モデリング部３１２は、入院時のＦＩＭのそれぞれの値に関して、退院時のＦＩＭの予測モデルを構築する。モデリング部３１２は、図１０Ｂに示す通り、７通りの入院時のＦＩＭの値に応じて、７個の学習部１～７を有する。学習部ｉ（ｉは１～７のうちの任意の値）では、実施の形態２に記載した学習部ｉと同様の処理を、回復度に代えて、ＦＩＭについて実行する。なお、退院時ＦＩＭが入院時ＦＩＭ以上であるという条件下では、退院時ＦＩＭとして取り得る値は、ｉ～７なので、学習部ｉは、試行回数が７－ｉとなる２項分布を仮定することになる。

【0064】

学習済分布統合部３１３は、退院時のＦＩＭが入院時のＦＩＭ以上か又は未満かを示す確率分布、退院時のＦＩＭが入院時のＦＩＭ以上である条件下での退院時のＦＩＭの確率分布、及び退院時のＦＩＭが入院時のＦＩＭ未満である条件下での退院時のＦＩＭの確率分布の３つを統合する。これにより、入院時のＦＩＭがｉの場合の、退院時のＦＩＭの予測モデルを構築する。また、学習済分布統合部３１３は、入院時のＦＩＭが取り得る全ての値１～７について、この処理を実行することにより、入院時のＦＩＭに対応した全部で７種類の予測モデルを構築する。記憶部３１４は、学習済分布統合部３１３が構築した７種類の予測モデルを格納する。

【0065】

図１１は、予測部３２の一例を示すブロック図である。予測部３２は、予測モデル選択部３２１及び出力値計算部３２２を有する。予測モデル選択部３２１、出力値計算部３２２は、それぞれ、実施の形態２の予測モデル選択部２２１及び出力値計算部２２２に対応する。

【0066】

予測モデル選択部３２１は、入力データＩの入院時ＦＩＭの値に応じて、記憶部３１４にアクセスし、そこに格納された７種類の予測モデルの中から、適切な１つの予測モデルを選択する。出力値計算部３２２は、予測モデル選択部３２１が選択した予測モデルに、入力データＩの患者情報を入力することによって、目的変数である退院時ＦＩＭの予測分布を取得する。出力値計算部３２２は、その予測分布に基づいて、退院時ＦＩＭの予測値を計算する。

【0067】

［処理の説明］
図１２は、予測システム３０の代表的な処理の一例を示したフローチャートであり、このフローチャートによって、予測システム３０の処理が説明される。まず、予測システム３０のデータ仕分け部３１１は、学習データＬを取得する（ステップＳ３１）。

【0068】

データ仕分け部３１１は、取得した学習データＬを入院時のＦＩＭの値に基づいて分割し、モデリング部３１２の各学習部１～７に対して、分割した学習データＬを割り当てる。学習部ｉは、入院時ＦＩＭがｉの条件下でのモデリングを実行する。このモデリングの詳細は、上述の通りである。そして、学習済分布統合部３１３は、入院時ＦＩＭがｉの条件下での、退院時ＦＩＭの予測モデルを構築する。学習済分布統合部３１３は、入院時ＦＩＭがｉ以外の値である場合にもこの処理を実行することで、全部で７種類の予測モデルを構築する（ステップＳ３２）。構築された予測モデルは、記憶部３１４に格納される。

【0069】

次に、予測部３２は、入力データＩを取得する（ステップＳ３３）。予測モデル選択部３２１は、入力データＩの入院時ＦＩＭの値に応じた、学習済の予測モデルを１つ選択する。出力値計算部３２２は、選択された予測モデルに入力データＩの患者情報を入力することによって、退院時ＦＩＭの予測分布を取得し、その予測分布に基づいて、退院時ＦＩＭの予測値を計算する。出力値計算部３２２は、その計算結果を出力データＯとして出力する（ステップＳ３４）。

【0070】

［効果の説明］
以上のようにして、予測システム３０は、患者のＦＩＭに関する学習データを用いて、患者のＦＩＭの予測モデルを精度高く構築することができる。予測システム３０は、退院時ＦＩＭが入院時ＦＩＭ以上となる領域とそれ以外の領域の２つの領域で、分布のモデリングを実行している。そして、いずれかの領域に属するという条件下での確率分布をそれぞれモデリングした後、算出した確率分布を統合することで、予測モデルを構築している。これにより、構築された予測モデルは、実際の分布の形状をよく近似し得るため、予測精度の向上が期待できる。

【0071】

実施の形態４
以下、実施の形態４について説明する。実施の形態４では、実施の形態２の更なる具体例として、回復度として、脳卒中患者のＳＩＡＳ(Stroke Impairment Assessment Set)を適用した場合を説明する。ＳＩＡＳに関しても、ＦＩＭと同様の理由により、退院時のＳＩＡＳが入院時のＳＩＡＳ以上の値となる場合が非常に多い。そのため、この開示に係る予測システムを適用することが効果的である。

【0072】

実施の形態４に係る処理は、実施の形態３（ＦＩＭ予測）におけるＦＩＭをＳＩＡＳに代えることにより、実現できる。ただし、ＳＩＡＳの取り得る値は６種類又は４種類であるため、実施の形態３において、実施の形態２におけるＮの値は６又は４となる。

【0073】

実施の形態５
以下、実施の形態５について説明する。実施の形態５では、実施の形態２の更なる具体例として、回復度として、バランス機能の評価であるＢＢＳ (Berg balance scale)を適用した場合を説明する。ＢＢＳに関しても、ＦＩＭと同様の理由により、退院時のＢＢＳが、入院時のＢＢＳ以上の値となる場合が非常に多い。そのため、この開示に係る予測システムを適用することが効果的である。

【0074】

実施の形態５に係る処理は、実施の形態３（ＦＩＭ予測）におけるＦＩＭをＢＢＳに代えることにより、実現できる。ただし、ＢＢＳの取り得る値は４種類であるため、実施の形態３において、実施の形態２におけるＮの値は４となる。

【0075】

以上、実施の形態３～５に示した通り、この開示に係る予測システムは、様々な種類の回復度の予測に対して適用することができる。

【0076】

なお、この開示は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。

【0077】

例えば、実施の形態２に係る出力値計算部２２２は、退院時回復度の予測分布をそのまま出力しても良いし、予測分布に基づいて、退院時回復度が取り得る値とその値になる確率を算出し、その算出された情報を出力しても良い。実施の形態２において、入院時回復度が退院時回復度と同じである状況を、退院時回復度が入院時回復度よりも下がる定義に含めても良い。また、分割における境界は、入院時回復度の値と同じ値に限られず、異なる値であっても良い。実施の形態２に限られず、実施の形態３～５でも、同様の変更が可能である。

【0078】

実施の形態１に係る予測モデル生成装置１０は、単独のコンピュータで構成されている集中型の構成であっても良いし、複数のコンピュータが分割部１１～モデル構築部１４の処理を分担して実行する分散型の構成であっても良い。同様に、各実施の形態２～５に係る予測システムは、単独のコンピュータで構成されている集中型の構成であっても良いし、複数のコンピュータが各処理を分担して実行する分散型の構成であっても良い。例えば、予測システム２０は、第１のコンピュータが予測モデル生成部２１を備えてその処理を実行し、第２のコンピュータが予測部２２を備えてその処理を実行することで構成されても良い。分散型の構成において、複数の機器は、例えばＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、インターネット等の通信ネットワークを介して接続されても良い。

【0079】

この開示に係る予測モデル生成装置又は予測システムは、回復度に限らず、初期値が既知である量（変数）の未来の値を予測する用途に広く適用可能である。特に、時間経過に伴う初期値からの増減がいずれか片方に偏るような現象の予測に対して効力を発揮する。例えば、この開示に係る予測モデル生成装置又は予測システムは、聴力、視力など、加齢とともに下がる傾向が明らかな量の将来の値を予測する用途にも適用することができる。この場合、現在の聴力又は視力の値が初期値として扱われ、将来の聴力又は視力の値が、予測対象の目的変数となる。

【0080】

以上に示した実施の形態では、この開示をハードウェアの構成として説明したが、この開示は、これに限定されるものではない。この開示は、上述の実施形態において説明された予測モデル生成装置又は予測システムの処理（ステップ）を、コンピュータ内のプロセッサにコンピュータプログラムを実行させることにより実現することも可能である。

【0081】

図１３は、以上に示した各実施の形態の処理が実行される情報処理装置（信号処理装置）のハードウェア構成例を示すブロック図である。図１３を参照すると、この情報処理装置９０は、信号処理回路９１、プロセッサ９２及びメモリ９３を含む。

【0082】

信号処理回路９１は、プロセッサ９２の制御に応じて、信号を処理するための回路である。なお、信号処理回路９１は、信号の送信装置から信号を受信する通信回路を含んでいても良い。

【0083】

プロセッサ９２は、メモリ９３からソフトウェア（コンピュータプログラム）を読み出して実行することで、上述の実施形態において説明された装置の処理を行う。プロセッサ９２の一例として、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＤＳＰ（Demand-Side Platform）、ＡＳＩＣ（Application Specific Integrated Circuit）のうち一つを用いてもよいし、そのうちの複数を並列で用いてもよい。

【0084】

メモリ９３は、揮発性メモリや不揮発性メモリ、またはそれらの組み合わせで構成される。メモリ９３は、１個に限られず、複数設けられてもよい。なお、揮発性メモリは、例えば、ＤＲＡＭ (Dynamic Random Access Memory)、ＳＲＡＭ (Static Random Access Memory)等のＲＡＭ (Random Access Memory)であってもよい。不揮発性メモリは、例えば、ＰＲＯＭ (Programmable Random Only Memory)、ＥＰＲＯＭ (Erasable Programmable Read Only Memory) 等のＲＯＭ (Random Only Memory)や、ＳＳＤ（Solid State Drive）であってもよい。

【0085】

メモリ９３は、１以上の命令を格納するために使用される。ここで、１以上の命令は、ソフトウェアモジュール群としてメモリ９３に格納される。プロセッサ９２は、これらのソフトウェアモジュール群をメモリ９３から読み出して実行することで、上述の実施形態において説明された処理を行うことができる。

【0086】

なお、メモリ９３は、プロセッサ９２の外部に設けられるものに加えて、プロセッサ９２に内蔵されているものを含んでもよい。また、メモリ９３は、プロセッサ９２を構成するプロセッサから離れて配置されたストレージを含んでもよい。この場合、プロセッサ９２は、Ｉ/Ｏ（Input/Output）インタフェースを介してメモリ９３にアクセスすることができる。

【0087】

以上に説明したように、上述の実施形態における各装置が有する１又は複数のプロセッサは、図面を用いて説明されたアルゴリズムをコンピュータに行わせるための命令群を含む１又は複数のプログラムを実行する。この処理により、各実施の形態に記載された信号処理方法が実現できる。

【0088】

プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

【0089】

以上、実施の形態を参照してこの開示を説明したが、この開示は上記によって限定されるものではない。この開示の構成や詳細には、そのスコープ内で当業者が理解し得る様々な変更をすることができる。

【符号の説明】

【0090】

１０ 予測モデル生成装置
１１ 分割部 １２ 存在確率モデリング部
１３ 確率分布モデリング部 １４ モデル構築部
２０ 予測システム
２１ 予測モデル生成部
２１１ データ仕分け部 ２１２ モデリング部
２１３ 学習済分布統合部 ２１４ 記憶部
２２ 予測部
２２１ 予測モデル選択部 ２２２ 出力値計算部
３０ 予測システム
３１ 予測モデル生成部
３１１ データ仕分け部 ３１２ モデリング部
３１３ 学習済分布統合部 ３１４ 記憶部
３２ 予測部
３２１ 予測モデル選択部 ３２２ 出力値計算部

【図1】

【図2】

【図3】

【図4】

【図5A】

【図5B】

【図6】

【図7】

【図8A】

【図8B】

【図9】

【図10A】

【図10B】

【図11】

【図12】

【図13】