特許 7643468 モデル生成装置、モデル生成方法、状態予測装置、状態予測方法、及び、記録媒体

(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】2025-03-03

(45)【発行日】2025-03-11

(54)【発明の名称】モデル生成装置、モデル生成方法、状態予測装置、状態予測方法、及び、記録媒体

(51)【国際特許分類】

   G16H 50/30 20180101AFI20250304BHJP

【ＦＩ】

G16H50/30

【請求項の数】 13

(21)【出願番号】P 2022574944

(86)(22)【出願日】2021-01-14

(86)【国際出願番号】 JP2021001011

(87)【国際公開番号】W WO2022153430

(87)【国際公開日】2022-07-21

【審査請求日】2023-07-06

(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】100104765

【弁理士】

【氏名又は名称】江上 達夫

(74)【代理人】

【識別番号】100107331

【弁理士】

【氏名又は名称】中村 聡延

(74)【代理人】

【識別番号】100131015

【弁理士】

【氏名又は名称】三輪 浩誉

(72)【発明者】

【氏名】小阪 勇気

(72)【発明者】

【氏名】荒木 賢志

【審査官】吉田 誠

(56)【参考文献】

【文献】特開２０１９－０３２７７２（ＪＰ，Ａ）

【文献】特開２００５－３２８９２４（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ１６Ｈ １０／００ － ８０／００

(57)【特許請求の範囲】

【請求項1】

第１時点におけるサンプル患者の状態を示す第１指標値、及び前記第１時点よりも後の第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得する取得手段と、
前記第１時点における対象患者の状態に基づいて前記第２時点における前記対象患者の状態を予測する予測モデルを学習する学習手段と
を備え、
前記学習手段は、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて、前記第１指標値及び前記第３指標値の間の変化が、前記変化情報が表す前記第１時点から前記第２時点への前記状態の変化傾向である第１の変化傾向に近づくように前記予測モデルを学習する
モデル生成装置。

【請求項2】

前記学習手段は、前記第１及び第３指標値の間の変化が前記第１の変化傾向に近づくほど小さくなる項を含む損失関数に基づいて、前記予測モデルを学習する
請求項１に記載のモデル生成装置。

【請求項3】

前記第１時点は、前記サンプル患者及び前記対象患者を含む患者が病院に入院してから退院するまでの間の時点であり、
前記第２時点は、前記患者が病院を退院してから第１所定期間が経過した時点である
請求項１又は２に記載のモデル生成装置。

【請求項4】

前記予測モデルは、前記第１時点よりも後であって且つ前記第２時点とは異なる第３時点における前記対象患者の状態を更に予測し、
前記学習用データは、前記第３時点における前記サンプル患者の状態を示す第４指標値を含み、
前記学習手段は、前記第３指標値と、前記第１指標値に基づいて前記予測モデルが予測した前記第３時点における前記サンプル患者の状態を示す第５指標値と、前記変化情報とに基づいて、前記予測モデルを学習する
請求項１から３のいずれか一項に記載のモデル生成装置。

【請求項5】

前記学習手段は、前記第１指標値、前記第３指標値及び前記第５指標値の間の変化が、前記変化情報が表す前記第１時点から前記第２時点及び前記第３時点への前記状態の変化傾向である第２の変化傾向に近づくように前記予測モデルを学習する
請求項４に記載のモデル生成装置。

【請求項6】

前記学習手段は、前記第１指標値、前記第３指標値及び前記第５指標値の間の変化が前記第２の変化傾向に近づくほど小さくなる項を含む損失関数に基づいて、前記予測モデルを学習する
請求項５に記載のモデル生成装置。

【請求項7】

前記第１時点は、前記サンプル患者及び前記対象患者を含む患者が病院に入院してから退院するまでの間の時点であり、
前記第２時点は、前記患者が病院を退院してから第１所定期間が経過した時点であり、
前記第３時点は、前記患者が病院を退院してから前記第１所定期間とは異なる第２所定期間が経過した時点である
請求項４から６のいずれか一項に記載のモデル生成装置。

【請求項8】

前記第１時点は、前記患者が病院に入院する時点である
請求項３又は７に記載のモデル生成装置。

【請求項9】

第１時点におけるサンプル患者の状態を示す第１指標値、及び前記第１時点よりも後の第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、
前記第１時点における対象患者の状態に基づいて前記第２時点における前記対象患者の状態を予測する予測モデルを学習し、
前記予測モデルの学習では、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて、前記第１及び第３指標値の間の変化が、前記変化情報が表す前記第１時点から前記第２時点への前記状態の変化傾向である第１の変化傾向に近づくように前記予測モデルが学習される
コンピュータ・ソフトウエアによるモデル生成方法。

【請求項10】

コンピュータに
第１時点におけるサンプル患者の状態を示す第１指標値、及び前記第１時点よりも後の第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、
前記第１時点における対象患者の状態に基づいて前記第２時点における前記対象患者の状態を予測する予測モデルを学習し、
前記予測モデルの学習では、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて、前記第１及び第３指標値の間の変化が、前記変化情報が表す前記第１時点から前記第２時点への前記状態の変化傾向である第１の変化傾向に近づくように前記予測モデルが学習されるモデル生成方法を実行させるコンピュータプログラム。

【請求項11】

第１時点における対象患者の状態に関する状態情報を取得する状態取得手段と、
前記状態情報と、前記第１時点における前記対象患者の状態に基づいて前記第１時点よりも後の第２時点における前記対象患者の状態を予測する予測モデルとを用いて、前記第２時点における前記対象患者の状態を予測する予測手段と
を備え、
前記予測モデルは、前記第１時点におけるサンプル患者の状態を示す第１指標値及び前記第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて、前記第１及び第３指標値の間の変化が、前記変化情報が表す前記第１時点から前記第２時点への前記状態の変化傾向である第１の変化傾向に近づくように学習することで生成されるモデルである
状態予測装置。

【請求項12】

第１時点における対象患者の状態に関する状態情報を取得し、
前記状態情報と、前記第１時点における前記対象患者の状態に基づいて前記第１時点よりも後の第２時点における前記対象患者の状態を予測する予測モデルとを用いて、前記第２時点における前記対象患者の状態を予測し、
前記予測モデルは、前記第１時点におけるサンプル患者の状態を示す第１指標値及び前記第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて、前記第１及び第３指標値の間の変化が、前記変化情報が表す前記第１時点から前記第２時点への前記状態の変化傾向である第１の変化傾向に近づくように学習することで生成されるモデルである
コンピュータ・ソフトウエアによる状態予測方法。

【請求項13】

コンピュータに、
第１時点における対象患者の状態に関する状態情報を取得し、
前記状態情報と、前記第１時点における前記対象患者の状態に基づいて前記第１時点よりも後の第２時点における前記対象患者の状態を予測する予測モデルとを用いて、前記第２時点における前記対象患者の状態を予測し、
前記予測モデルは、前記第１時点におけるサンプル患者の状態を示す第１指標値及び前記第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて、前記第１及び第３指標値の間の変化が、前記変化情報が表す前記第１時点から前記第２時点への前記状態の変化傾向である第１の変化傾向に近づくように学習することで生成されるモデルである状態予測方法を実行させるコンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、患者の状態を予測するための予測モデルを生成可能なモデル生成装置、モデル生成方法及び記録媒体、並びに、予測モデルを用いて患者の状態を予測可能な状態予測装置、状態予測方法及び記録媒体の技術分野に関する。

【背景技術】

【0002】

病院等の施設において患者の状態を予測する装置が知られている。例えば、特許文献１には、患者を受け入れる施設と患者とをマッチングするために、患者の病状の回復度合いを予測する装置が記載されている。

【0003】

その他、本願発明に関連する先行技術文献として、非特許文献１があげられる。

【先行技術文献】

【特許文献】

【0004】

【文献】国際公開第２０２０／０７１５４０号パンフレット

【非特許文献】

【0005】

【文献】小山哲男、「脳卒中患者の機能予後予測と地域連携パス」、第３回リハビリテーション科専門医会 学術集会、ＪｐｎＪ Ｒｅｈａｂｉｌ Ｍｅｄ ２００９、ｐｐ１０８－１１７、２００８年

【発明の概要】

【発明が解決しようとする課題】

【0006】

一の時点での患者の状態を予測するために、一の時点とは異なる他の時点での患者の状態に基づいて一の時点での患者の状態を予測する予測モデルが用いられることがある。このような予測モデルが用いられる場合には、予測モデルの予測精度を向上させるために、一の時点での患者の実際の状態と他の時点での患者の実際の状態とを含む学習用データを用いて、予測モデルを更新する（例えば、予測モデルのパラメータを更新する）学習動作が行われることが好ましい。一方で、予測モデルの予測精度を十分に向上させるためには、ある程度の量の学習用データが必要となる。しかしながら、学習用データを生成するためには、患者の状態を実際に測定する必要がある。このため、十分な量の学習用データが必ずしも用意できるとは限らない。その結果、予測モデルの予測精度を適切に向上させることができず、結果として、患者の状態を適切に予測することができない可能性がある。

【0007】

本発明は、上述した技術的問題を解決可能なモデル生成装置、モデル生成方法、状態予測装置、状態予測方法、及び、記録媒体を提供することを課題とする。一例として、本発明は、予測モデルの予測精度を適切に向上させることが可能なモデル生成装置、モデル生成方法及び記録媒体、並びに、患者の状態を適切に予測することが可能な状態予測装置、状態予測方法及び記録媒体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】

【0008】

モデル生成装置の一態様は、第１時点におけるサンプル患者の状態を示す第１指標値、及び前記第１時点よりも後の第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得する取得手段と、前記第１時点における対象患者の状態に基づいて前記第２時点における前記対象患者の状態を予測する予測モデルを学習する学習手段とを備え、前記学習手段は、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて、前記予測モデルを学習する。

【0009】

モデル生成方法の一態様は、第１時点におけるサンプル患者の状態を示す第１指標値、及び前記第１時点よりも後の第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、前記第１時点における対象患者の状態に基づいて前記第２時点における前記対象患者の状態を予測する予測モデルを学習し、前記予測モデルの学習では、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて、前記予測モデルが学習される。

【0010】

記録媒体の第１の態様は、コンピュータに、第１時点におけるサンプル患者の状態を示す第１指標値、及び前記第１時点よりも後の第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、前記第１時点における対象患者の状態に基づいて前記第２時点における前記対象患者の状態を予測する予測モデルを学習し、前記予測モデルの学習では、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて、前記予測モデルが学習されるモデル生成方法を実行させるコンピュータプログラムが記録された記録媒体である。

【0011】

状態予測装置の一態様は、第１時点における対象患者の状態に関する状態情報を取得する状態取得手段と、前記状態情報と、前記第１時点における前記対象患者の状態に基づいて前記第１時点よりも後の第２時点における前記対象患者の状態を予測する予測モデルとを用いて、前記第２時点における前記対象患者の状態を予測する予測手段とを備える状態予測装置であり、前記予測モデルは、前記第１時点におけるサンプル患者の状態を示す第１指標値及び前記第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて学習することで生成されるモデルである。

【0012】

状態予測方法の一態様は、第１時点における対象患者の状態に関する状態情報を取得し、前記状態情報と、前記第１時点における前記対象患者の状態に基づいて前記第１時点よりも後の第２時点における前記対象患者の状態を予測する予測モデルとを用いて、前記第２時点における前記対象患者の状態を予測し、前記予測モデルは、前記第１時点におけるサンプル患者の状態を示す第１指標値及び前記第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて学習することで生成されるモデルである。

【0013】

記録媒体の第２の態様は、コンピュータに、第１時点における対象患者の状態に関する状態情報を取得し、前記状態情報と、前記第１時点における前記対象患者の状態に基づいて前記第１時点よりも後の第２時点における前記対象患者の状態を予測する予測モデルとを用いて、前記第２時点における前記対象患者の状態を予測し、前記予測モデルは、前記第１時点におけるサンプル患者の状態を示す第１指標値及び前記第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて学習することで生成されるモデルである状態予測方法を実行させるコンピュータプログラムが記録された記録媒体である。

【発明の効果】

【0014】

上述したモデル生成装置の一態様、モデル生成方法の一態様及び記録媒体の第１の態様によれば、予測モデルの予測精度を適切に向上させることが可能となる。また、上述した状態予測装置の一態様、状態予測方法の一態様及び記録媒体の第２の態様によれば、患者の状態を適切に予測することが可能となる。

【図面の簡単な説明】

【0015】

【図1】図１は、本実施形態におけるモデル生成装置の構成を示すブロック図である。

【図2】図２は、本実施形態における学習用データセットのデータ構造を示すデータ構造図である。

【図3】図３は、本実施形態におけるモデル生成装置が行うモデル生成動作の流れを示すフローチャートである。

【図4】図４は、ＦＩＭスコアの変化傾向を表す変化曲線の一例を示すグラフである。

【図5】図５は、本実施形態における状態予測装置の構成を示すブロック図である。

【図6】図６は、本実施形態における状態予測装置が行う状態予測動作の流れを示すフローチャートである。

【図7】図７は、本実施形態のモデル生成動作によって生成された予測モデルの予測精度と、比較例のモデル生成動作によって生成された予測モデルの予測精度とを示すグラフである。

【発明を実施するための形態】

【0016】

以下、図面を参照しながら、モデル生成装置、モデル生成方法、状態予測装置、状態予測方法、及び、記録媒体の実施形態について説明する。以下では、モデル生成装置、モデル生成方法、及び、記録媒体の実施形態が適用されたモデル生成装置１と、状態予測装置、状態予測方法、及び、記録媒体の実施形態が適用された状態予測装置２とについて順に説明する。

【0017】

（１）モデル生成装置１
はじめに、モデル生成装置１について説明する。モデル生成装置１は、モデル生成動作を行うことが可能な装置である。モデル生成動作は、予測モデルＭを生成するための動作である。予測モデルＭは、時点ｔＡにおける患者の状態に基づいて、時点ｔＡよりも後の時点ｔＢにおける患者の状態及び時点ｔＢよりも後の時点ｔＣにおける患者の状態の夫々を予測可能なモデルである。予測モデルＭは、時点ｔＡにおける患者の状態に基づいて、時点ｔＡよりも後の時点ｔＢにおける患者の状態を予測可能なモデルと、時点ｔＡにおける患者の状態に基づいて、時点ｔＢよりも後の時点ｔＣにおける患者の状態を予測可能なモデルとを別個に含んでいてもよい。或いは、予測モデルＭは、時点ｔＡにおける患者の状態に基づいて、時点ｔＡよりも後の時点ｔＢにおける患者の状態及び時点ｔＣにおける患者の状態の夫々を予測可能な単一のモデルであってもよい。本実施形態では、予測モデルＭが、時点ｔＡにおける患者の状態を示す指標値が入力された場合に、時点ｔＢにおける患者の状態を示す指標値及び時点ｔＣにおける患者の状態を示す指標値を出力可能なモデルである例について説明する。予測モデルＭは、学習可能なモデル（例えば、機械学習可能なモデル）である。つまり、予測モデルＭは、学習動作によって予測モデルＭの動作を規定するパラメータを更新可能なモデルである。このような学習可能なモデルの一例として、ニューラルネットワークを含むモデルがあげられる。予測モデルＭがニューラルネットワークを含むモデルである場合には、予測モデルＭの動作を規定するパラメータは、例えば、ニューラルネットワークの構造（つまり、ノードの接続態様）、ニューラルネットワークの重み及びニューラルネットワークのバイアスの少なくとも一つを含んでいてもよい。

【0018】

本実施形態における患者の状態は、例えば、時間の経過と共に変化する患者の状態を意味していてもよい。このような患者の状態の一例として、患者の病状があげられる。なぜならば、患者の病状は、様々な要因によって変化するからである。例えば、患者の病状は、患者に施された治療によって改善するように変化する場合がある。或いは、例えば、患者の病状は、患者に治療が施されたとしても悪化するように変化する場合がある。一例として、患者がアルツハイマー等を患っている場合には、患者の病状は、患者に治療が施されたとしても悪化するように変化する場合がある。患者の状態の他の一例として患者の認知機能及び患者の身体機能の少なくとも一つがあげられる。なぜならば、患者の認知機能及び患者の身体機能の少なくとも一つは、患者が取り組むリハビリテーションによって改善する（つまり、変化する）からである。本実施形態では、患者の状態として、患者の認知機能及び患者の身体機能の少なくとも一つが用いられる例について説明する。

【0019】

患者の状態を示す指標値は、患者の状態の良否に応じて変化する指標値を意味していてもよい。つまり、患者の状態を示す指標値は、患者の状態の良否の程度を定量的に示す指標値を意味していてもよい。例えば、指標値として、患者の状態が良くなるにつれて大きくなる指標値が用いられてもよい。例えば、指標値として、患者の状態が良くなるにつれて小さくなる指標値が用いられてもよい。例えば、指標値として、患者の状態が悪くなるにつれて大きくなる指標値が用いられてもよい。例えば、指標値として、患者の状態が悪くなるにつれて小さくなる指標値が用いられてもよい。上述したように、患者の状態が時間の経過と共に変化する場合には、患者の状態を示す指標値もまた、時間の経過と共に変化する。上述したように、本実施形態では、患者の状態として、患者の認知機能及び患者の身体機能の少なくとも一つが用いられる例について説明する。この場合、患者の状態を示す指標値として、ＦＩＭ（Ｆａｎｃｔｉｏｎａｌ Ｉｎｄｅｐｅｎｄｅｎｃｅ Ｍｅａｓｕｒｅ：機能的自立度評価法）に基づく指標（以下、“ＦＩＭスコア”と称する）が用いられてもよい。従って、本実施形態では、患者の状態を示す指標値として、ＦＩＭスコアが用いられる例について説明する。

【0020】

時点ｔＡは、患者が病院に入院してから退院するまでの間の時点を意味していてもよい。時点ｔＢは、患者が病院を退院してから所定期間ｐＢが経過した時点を意味していてもよい。時点ｔＣは、患者が病院を退院してから所定期間ｐＣ（但し、所定期間ｐＣは、所定期間ｐＢよりも長い）が経過した時点を意味していてもよい。本実施形態では、時点ｔＡとして、患者が病院に入院する時点ｔ＿Ｄが用いられ、時点ｔＢとして、患者が病院から退院してから半年が経過した時点ｔ＿Ｆが用いられ、且つ、時点ｔＣとして、患者が病院から退院してから一年が経過した時点ｔ＿Ｙが用いられる例について説明する。この場合、予測モデルＭは、時点ｔ＿Ｄにおける患者の状態を示すＦＩＭスコアＳ＿Ｄに基づいて、時点ｔ＿Ｆにおける患者の状態を示すＦＩＭスコアＳ＿Ｆ及び時点ｔ＿Ｙにおける患者の状態を示すＦＩＭスコアＳ＿Ｙの夫々を予測可能なモデルとなる。但し、時点ｔＡ、ｔＢ及びｔＣが、これらの例に限定されることはない。

【0021】

以下、モデル生成装置１の構成及びモデル生成装置１が行うモデル生成動作について順に説明する。

【0022】

（１－１）モデル生成装置１の構成
初めに、図１を参照しながら、本実施形態におけるモデル生成装置１の構成について説明する。図１は、本実施形態におけるモデル生成装置１の構成を示すブロック図である。

【0023】

図１に示すように、モデル生成装置１は、演算装置１１と、記憶装置１２とを備えている。更に、モデル生成装置１は、入力装置１３と、出力装置１４とを備えていてもよい。但し、モデル生成装置１は、入力装置１３及び出力装置１４の少なくとも一方を備えていなくてもよい。演算装置１１と、記憶装置１２と、入力装置１３と、出力装置１４とは、データバス１５を介して接続されていてもよい。

【0024】

演算装置１１は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｅｃｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）及びＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）のうちの少なくとも一つを含む。演算装置１１は、コンピュータプログラムを読み込む。例えば、演算装置１１は、記憶装置１２が記憶しているコンピュータプログラムを読み込んでもよい。例えば、演算装置１１は、コンピュータで読み取り可能であって且つ一時的でない記録媒体が記憶しているコンピュータプログラムを、図示しない記録媒体読み取り装置を用いて読み込んでもよい。演算装置１１は、通信装置として機能可能な入力装置１３を介して、モデル生成装置１の外部に配置される不図示の装置からコンピュータプログラムを取得してもよい（つまり、ダウンロードしてもよい又は読み込んでもよい）。演算装置１１は、読み込んだコンピュータプログラムを実行する。その結果、演算装置１１内には、モデル生成装置１が行うべき動作（例えば、上述したモデル生成動作）を実行するための論理的な機能ブロックが実現される。つまり、演算装置１１は、モデル生成装置１が行うべき動作を実行するための論理的な機能ブロックを実現するためのコントローラとして機能可能である。

【0025】

図１には、モデル生成動作を実行するために演算装置１１内に実現される論理的な機能ブロックの一例が示されている。図１に示すように、演算装置１１内には、「取得手段」の一具体例であるデータ取得部１１１と、「学習手段」の一具体例であるモデル生成部１１２とが実現される。尚、データ取得部１１１及びモデル生成部１１２の夫々が行う動作については後に詳述するが、以下にその概要を説明する。データ取得部１１１は、予測モデルＭを生成するために用いる学習用データ１２２（図２参照）を、記憶装置１２が記憶する学習用データセット１２１から取得する。モデル生成部１１２は、データ取得部１１１が取得した学習用データ１２２を用いて、予測モデルＭを生成する（言い換えれば、学習する）。

【0026】

記憶装置１２は、所望のデータを記憶可能である。例えば、記憶装置１２は、演算装置１１が実行するコンピュータプログラムを一時的に記憶していてもよい。記憶装置１２は、演算装置１１がコンピュータプログラムを実行している際に演算装置１１が一時的に使用するデータを一時的に記憶してもよい。記憶装置１２は、モデル生成装置１が長期的に保存するデータを記憶してもよい。尚、記憶装置１２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ハードディスク装置、光磁気ディスク装置、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）及びディスクアレイ装置のうちの少なくとも一つを含んでいてもよい。つまり、記憶装置１２は、一時的でない記録媒体を含んでいてもよい。

【0027】

本実施形態では、記憶装置１２は、モデル生成動作を行うためにモデル生成装置１が利用するデータを記憶する。図１には、モデル生成動作を行うためにモデル生成装置１が利用するデータの一例として、学習用データセット１２１が記載されている。つまり、図１は、記憶装置１２が学習用データセット１２１を記憶する例を示している。

【0028】

学習用データセット１２１のデータ構造の一例が図２に示されている。図２に示すように、学習用データセット１２１は、複数の学習用データ１２２を含む。各学習用データ１２２は、過去に測定された患者の状態に関する情報を含む。具体的には、各学習用データ１２２は、過去に測定された患者の状態に関する情報として、時点ｔ＿Ｄにおける患者の状態を測定した結果得られたＦＩＭスコアＳ＿Ｄと、時点ｔ＿Ｆにおける患者の状態を測定した結果得られたＦＩＭスコアＳ＿Ｆと、時点ｔ＿Ｙにおける患者の状態を測定した結果得られたＦＩＭスコアＳ＿Ｙの少なくとも一方とを含む。この場合、学習用データセット１２１は、ＦＩＭスコアＳ＿Ｄ、ＦＩＭスコアＳ＿Ｆ及びＦＩＭスコアＳ＿Ｙの全てを含む学習用データ１２２（図２において、データＩＤが＃１となる学習用データ１２２参照）を含んでいてもよい。学習用データセット１２１は、ＦＩＭスコアＳ＿Ｄ及びＦＩＭスコアＳ＿Ｆを含む一方で、ＦＩＭスコアＳ＿Ｙを含まない学習用データ１２２（図２において、データＩＤが＃２となる学習用データ１２２参照）を含んでいてもよい。学習用データセット１２１は、ＦＩＭスコアＳ＿Ｄ及びＦＩＭスコアＳ＿Ｙを含む一方で、ＦＩＭスコアＳ＿Ｆを含まない学習用データ１２２（図２において、データＩＤが＃３となる学習用データ１２２参照）を含んでいてもよい。

【0029】

学習用データ１２２にＦＩＭスコアが含まれている患者は、過去にＦＩＭスコアを測定済みの患者であり、典型的には、予測モデルＭを用いて未来のＦＩＭスコアを推定する対象となる患者とは異なっていてもよい。このため、以下の説明では、必要に応じて、学習用データ１２２にＦＩＭスコアが含まれている患者を“サンプル患者”と称する一方で、予測モデルＭを用いて未来のＦＩＭスコアを推定する対象となる患者を“対象患者”と称することで、両者を便宜的に区別する。尚、対象患者は、サンプル患者と同一人物であってもよい。つまり、学習用データセット１２１は、予測モデルＭを用いて未来のＦＩＭスコアを推定する対象となっている対象患者の過去に測定済みのＦＩＭスコアを含む学習用データ１２２を含んでいてもよい。

【0030】

また、以下の説明では、必要に応じて、学習用データ１２２に含まれるＦＩＭスコアＳ＿Ｄ、ＦＩＭスコアＳ＿Ｆ及びＦＩＭスコアＳ＿Ｙを、夫々、ＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ、ＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ及びＦＩＭスコアＳ＿Ｙ＿ｓａｍｐｌｅと表記する一方で、予測モデルＭを用いて予測されたＦＩＭスコアＳ＿Ｆ及びＦＩＭスコアＳ＿Ｙを、夫々、ＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ及びＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔと表記することで、両者を区別する。この場合、ＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅは、サンプル患者が病院に入院する時点ｔ＿Ｄにおけるサンプル患者の状態を示すＦＩＭスコアの実測値に相当する。また、ＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅは、サンプル患者が病院を退院してから半年が経過した時点ｔ＿Ｆにおけるサンプル患者の状態を示すＦＩＭスコアの実測値に相当する。また、ＦＩＭスコアＳ＿Ｙ＿ｓａｍｐｌｅは、サンプル患者が病院を退院してから一年が経過した時点ｔ＿Ｙにおけるサンプル患者の状態を示すＦＩＭスコアの実測値に相当する。また、ＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔは、対象患者が病院を退院してから半年が経過した時点ｔ＿Ｆにおける対象患者の状態を示すＦＩＭスコアの予測値に相当する。また、ＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔは、対象患者が病院を退院してから一年が経過した時点ｔ＿Ｙにおける対象患者の状態を示すＦＩＭスコアの予測値に相当する。

【0031】

学習用データセット１２１は、異なる複数のサンプル患者の状態に関する情報を夫々含む複数の学習用データ１２２を含んでいてもよい。例えば、学習用データセット１２１は、（ｉ）第１のサンプル患者が病院に入院する時点ｔ＿Ｄにおける第１のサンプル患者の状態を測定した結果得られたＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅと、第１のサンプル患者が病院を退院してから半年が経過した時点ｔ＿Ｆにおける第１のサンプル患者の状態を測定した結果得られたＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ及び第１のサンプル患者が病院を退院してから一年が経過した時点ｔ＿Ｙにおける第１のサンプル患者の状態を測定した結果得られたＦＩＭスコアＳ＿Ｙ＿ｓａｍｐｌｅの少なくとも一方とを含む第１の学習用データと、（ｉｉ）第１のサンプル患者とは異なる第２のサンプル患者が病院に入院する時点ｔ＿Ｄにおける第２のサンプル患者の状態を測定した結果得られたＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅと、第２のサンプル患者が病院を退院してから半年が経過した時点ｔ＿Ｆにおける第２のサンプル患者の状態を測定した結果得られたＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ及び第２のサンプル患者が病院を退院してから一年が経過した時点ｔ＿Ｙにおける第２のサンプル患者の状態を測定した結果得られたＦＩＭスコアＳ＿Ｙ＿ｓａｍｐｌｅの少なくとも一方とを含む第２の学習用データとを含んでいてもよい。

【0032】

あるサンプル患者が病院に複数回入院した場合には、学習用データセット１２１は、サンプル患者がＮ（尚、Ｎは１以上の整数を示す変数である）回目に病院に入院した場合のサンプル患者の状態に関する情報を含む学習用データ１２２と、サンプル患者がＭ（尚、Ｍは、Ｎとは異なり且つ１以上の整数を示す変数である）回目に病院に入院した場合の同じサンプル患者の状態に関する情報を含む学習用データ１２２とを含んでいてもよい。

【0033】

再び図１において、入力装置１３は、モデル生成装置１の外部からのモデル生成装置１に対する情報の入力を受け付ける装置である。例えば、入力装置１３は、モデル生成装置１のユーザが操作可能な操作装置（例えば、キーボード、マウス及びタッチパネルのうちの少なくとも一つ）を含んでいてもよい。例えば、入力装置１３は、モデル生成装置１の外部から通信ネットワークを介してモデル生成装置１にデータとして送信される情報を受信可能な受信装置を含んでいてもよい。

【0034】

出力装置１４は、情報を出力する装置である。例えば、出力装置１４は、モデル生成装置１が行うモデル生成動作によって生成された予測モデルＭに関する情報を出力してもよい。上述したように、予測モデルＭが状態予測装置２によって用いられるがゆえに、出力装置１４は、予測モデルＭに関する情報を状態予測装置２に出力してもよい。その結果、状態予測装置２は、予測モデルＭを用いて、対象患者の状態を予測することができる。このような出力装置１４の一例として、通信ネットワーク又はデータバスを介して情報をデータとして送信可能な送信装置があげられる。但し、出力装置１４は、例えば、情報を画像として出力可能な（つまり、表示可能な）ディスプレイ（表示装置）を含んでいてもよい。出力装置１４は、例えば、情報を音声として出力可能なスピーカ（音声出力装置）を含んでいてもよい。例えば、出力装置１４、例えば、情報が印刷された文書を出力可能なプリンタを含んでいてもよい。

【0035】

（１－２）モデル生成装置１が行うモデル生成動作
続いて、図３を参照しながら、モデル生成装置１が行うモデル生成動作について説明する。図３は、モデル生成装置１が行うモデル生成動作の流れを示すフローチャートである。

【0036】

図３に示すように、まず、データ取得部１１１は、記憶装置１２が記憶している学習用データセット１２１から、予測モデルＭを生成するために用いる学習用データ１２２を取得する（ステップＳ１１）。データ取得部１１１は、学習用データセット１２１に含まれている複数の学習用データ１２２の全てを取得する。但し、データ取得部１１１は、学習用データセット１２１に含まれている複数の学習用データ１２２のうちの一部を取得する一方で、学習用データセット１２１に含まれている複数の学習用データ１２２のうちの他の一部を取得しなくてもよい。尚、以下の説明では、説明の便宜上、データ取得部１１１がＫ（尚、Ｋは、２以上の整数を示す定数）個の学習用データ１２２（具体的には、学習用データ１２２＃１から１２２＃Ｋ）を取得した例について説明する。

【0037】

その後、モデル生成部１１２は、ステップＳ１１で取得された複数の学習用データ１２２を用いて、予測モデルＭを生成（つまり、学習）する（ステップＳ１２）。具体的には、モデル生成装置１が初めて予測モデルＭを生成する場合には、モデル生成部１１２は、予め用意されているデフォルトの予測モデルＭ（或いは、初期状態の予測モデルＭ）に対して、ステップＳ１１で取得された学習用データ１２２＃ｋ（尚、ｋは、１≦ｋ≦Ｋを満たす整数を示す変数）に含まれているＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅを入力する。以下の説明では、学習用データ１２２＃ｋに含まれるＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ、Ｓ＿Ｆ＿ｓａｍｐｌｅ及びＳ＿Ｙ＿ｓａｍｐｌｅを、夫々、ＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ＃ｋ、Ｓ＿Ｆ＿ｓａｍｐｌｅ＃ｋ及びＳ＿Ｙ＿ｓａｍｐｌｅ＃ｋと表記する。或いは、モデル生成装置１が既に予測モデルＭを生成済みである場合には、モデル生成部１１２は、生成済みの予測モデルＭに対して、ステップＳ１１で取得された学習用データ１２２＃ｋに含まれているＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ＃ｋを入力する。その結果、予測モデルＭは、ＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ及びＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔを出力する。つまり、モデル生成部１１２は、ＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ及びＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔを取得する。以下の説明では、ＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ＃ｋが入力された予測モデルＭが出力するＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ及びＳ＿Ｙ＿ｐｒｅｄｉｃｔを、夫々、ＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃ｋ及びＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃ｋと表記する。

【0038】

モデル生成部１１２は、ＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ＃ｋを予測モデルＭに入力することでＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃ｋ及びＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃ｋを取得する動作を、ステップＳ１１で取得されたＫ個の学習用データ１２２＃１から１２２＃Ｋを対象に繰り返す。その結果、モデル生成部１１２は、ＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃１からＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃Ｋ及びＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃１からＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃Ｋを取得する。

【0039】

その後、モデル生成部１１２は、ＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃１からＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃Ｋ及びＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃１からＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃Ｋに基づいて、デフォルトの又は生成済みの予測モデルＭを更新する。つまり、モデル生成部１１２は、ＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃１からＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃Ｋ及びＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃１からＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃Ｋに基づいて、予測モデルＭの動作を規定するパラメータを更新する。その結果、更新された（つまり、学習された）予測モデルＭが生成される。予測モデルＭを更新するために、モデル生成部１１２は、ＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃１からＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃Ｋ及びＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃１からＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃Ｋに基づいて定まる損失関数（言い換えれば、目的関数）Ｌｏｓｓを用いる。つまり、モデル生成部１１２は、損失関数Ｌｏｓｓに基づいて、予測モデルＭを生成する。具体的には、モデル生成部１１２は、例えば、損失関数Ｌｏｓｓが最小になるように、予測モデルＭを更新してもよい。

【0040】

損失関数Ｌｏｓｓは、ＦＩＭスコアＳ＿Ｆ及びＳ＿Ｙの夫々の予測誤差に基づく損失項Ｌｏｓｓ１を含んでいてもよい。具体的には、予測モデルＭが出力したＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃ｋは、時点ｔ＿Ｆにおけるサンプル患者のＦＩＭスコアＳ＿Ｆの予測値である。一方で、時点ｔ＿Ｆにおけるサンプル患者のＦＩＭスコアＳ＿Ｆの実測値は、学習用データ１２２＃ｋ内にＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ＃ｋとして含まれている。このため、ＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃ｋとＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ＃ｋとの差分（つまり、ＦＩＭスコアＳ＿Ｆの予測誤差）が小さいほど、予測モデルＭの予測精度が良好であると推定される。同様の理由から、ＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃ｋとＦＩＭスコアＳ＿Ｙ＿ｓａｍｐｌｅ＃ｋとの差分（つまり、ＦＩＭスコアＳ＿Ｙの予測誤差）が小さいほど、予測モデルＭの予測精度が良好であると推定される。このため、損失項Ｌｏｓｓ１は、ＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃ｋとＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ＃ｋとの差分が小さくなるほど及び／又はＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃ｋとＦＩＭスコアＳ＿Ｙ＿ｓａｍｐｌｅ＃ｋとの差分が小さくなるほど小さくなる項であってもよい。このような損失項Ｌｏｓｓ１の一例が、数式１及び２に示されている。数式１は、予測誤差として二乗誤差が用いられる例を示している。数式２は、予測誤差として絶対値が用いられる例を示している。尚、モデル生成部１１２が一般的には行列演算を行うことで損失項Ｌｏｓｓ１を算出することを考慮すれば、数式１に示す損失項Ｌｏｓｓ１が用いられることが好ましい。

【0041】

【数1】

【0042】

【数2】

【0043】

本実施形態では特に、損失関数Ｌｏｓｓは、時間の経過に伴うＦＩＭスコアの変化傾向を表す変化曲線Ｃに基づいて定まる損失項Ｌｏｓｓ２を含む。この場合、モデル生成部１１２は、損失項Ｌｏｓｓ１と損失項Ｌｏｓｓ２との和を含む損失関数Ｌｏｓｓが最小になるように、予測モデルＭを更新してもよい。

【0044】

変化曲線Ｃは、時間の経過に伴うＦＩＭスコアの典型的な（言い換えれば、一般的な、標準的な、平均的な又は理想的な）変化傾向を表す情報である。具体的には、ある病気を患った一の患者の状態（この場合、病状）は、同じ病気を患った他の患者の病状が回復する傾向と概ね同じような傾向で回復していく可能性が相対的に高い。つまり、ある病気を患った一の患者のＦＩＭスコアは、同じ病気を患った他の患者のＦＩＭスコアが変化する（典型的には、増加する）傾向と概ね同じような傾向で変化していく（典型的には、増加していく）可能性が相対的に高い。言い換えれば、同じ病気を患った複数の患者のＦＩＭスコアは、互いに同じように変化していく可能性が相対的に高い。例えば、上述した非特許文献１は、脳卒中を患った患者のＦＩＭスコアは、対数曲線に沿って変化する傾向にあることを示している。

【0045】

このように時間の経過に伴うＦＩＭスコアの典型的な変化傾向を示す変化曲線Ｃ（或いは、任意の情報）は、実質的には、学習用データ１２２＃ｋに含まれるＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ＃ｋ、Ｓ＿Ｆ＿ｓａｍｐｌｅ＃ｋ及びＳ＿Ｙ＿ｓａｍｐｌｅ＃ｋの間に成立しているであろうと推定される所定関係を表しているとも言える。そうすると、予測モデルＭに入力されるＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ＃ｋと、予測モデルＭが出力するＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃ｋ及びＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃ｋとの間の関係が、変化曲線Ｃが表す所定関係に近づけば近づくほど、予測モデルＭの予測精度が良好であると推定される。つまり、ＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ＃ｋとＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃ｋ及びＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃ｋとの間の変化が、変化曲線Ｃが表す時点ｔ＿Ｄから時点ｔ＿Ｆ及びｔ＿Ｙまでの間でのＦＩＭスコアの変化傾向に近づけば近づくほど、予測モデルＭの予測精度が良好であると推定される。このため、損失項Ｌｏｓｓ２は、ＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ＃ｋ、Ｓ＿Ｆ＿ｐｒｅｄｉｃｔ＃ｋ及びＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃ｋの間の関係が、変化曲線Ｃが表す所定関係に近づけば近づくほど小さくなる項であってもよい。つまり、損失項Ｌｏｓｓ２は、ＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ＃ｋとＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃ｋ及びＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃ｋとの間の変化が、変化曲線Ｃが表す時点ｔ＿Ｄから時点ｔ＿Ｆ及びｔ＿Ｙまでの間でのＦＩＭスコアの変化傾向に近づけば近づくほど小さくなる項であってもよい。この場合、モデル生成部１１２は、ＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ＃ｋとＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ＃ｋ及びＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃ｋとの間の変化が、変化曲線Ｃが表す時点ｔ＿Ｄから時点ｔ＿Ｆ及びｔ＿Ｙまでの間でのＦＩＭスコアの変化傾向に近づくように、予測モデルＭを生成する。

【0046】

損失項Ｌｏｓｓ２の一例について図４を参照しながら説明する。図４は、ＦＩＭスコアが、Ｓ＿Ｄａｙ１＝Ｓ＿Ｄａｙ２＋β×ｌｎ（Ｄａｙ１／Ｄａｙ２）という数式ａで定義される例を示している。つまり、図４は、ＦＩＭスコアの変化傾向を示す変化曲線Ｃが、Ｓ＿Ｄａｙ１＝Ｓ＿Ｄａｙ２＋β×ｌｎ（Ｄａｙ１／Ｄａｙ２）という数式ａによって表されている例を示している。尚、数式ａにおける「Ｄａｙ１」及び「Ｄａｙ２」は、所定の基準時（例えば、患者が病気を発症した時点）からの経過日数を示す。但し、「Ｄａｙ１」及び「Ｄａｙ２」は、互いに異なる。また、数式ａにおける「β」は、任意の定数を意味している。また、数式ａにおける「ｌｎ」は、ネイピア数ｅを底とする対数（つまり、自然対数）を意味する。このため、数式ａは、ＦＩＭスコアＳ＿Ｄ、Ｓ＿Ｆ及びＳ＿Ｙの間には、Ｓ＿Ｙ＝Ｓ＿Ｄ＋β×ｌｎ（Ｄａｙ＿Ｙ／Ｄａｙ＿Ｄ）という数式ｂで定義される所定関係が成立することを示している。尚、数式ｂにおける「Ｄａｙ＿Ｄ」及び「Ｄａｙ＿Ｙ」は、夫々、所定の基準時から時点ｔ＿Ｄまでの経過日数及び所定の基準時から時点ｔ＿Ｙまでの経過日数を示す。また、数式ｂにおける定数βは、β＝Ｓ＿Ｆ－Ｓ＿Ｄ／ｌｎ（Ｄａｙ＿Ｆ／Ｄａｙ＿Ｄ）という数式ｃで表現可能な定数となる。尚、数式ｃにおける「Ｄａｙ＿Ｆ」は、所定の基準時から時点ｔ＿Ｆまでの経過日数を示す。尚、数式ｂは、Ｓ＿Ｆ＝Ｓ＿Ｄ＋β×ｌｎ（Ｄａｙ＿Ｆ／Ｄａｙ＿Ｄ）という数式ｂ’で置き換えられてもよく、この場合、定数βは、β＝Ｓ＿Ｙ－Ｓ＿Ｄ／ｌｎ（Ｄａｙ＿Ｙ／Ｄａｙ＿Ｄ）という数式ｃ’で表現されてもよい。ここで、数式ｃを数式ｂに代入して式を整理すると、数式ｂは、Ｓ＿Ｙ＝Ｓ＿Ｄ×（１－Ａ）＋Ｓ＿Ｆ×Ａという数式ｄに変換される。尚、数式ｄにおける「Ａ」は、Ａ＝ｌｎ（Ｄａｙ＿Ｙ／Ｄａｙ＿Ｄ）／ｌｎ（Ｄａｙ＿Ｆ／Ｄａｙ＿Ｄ）という数式で表される定数を示す。

【0047】

その結果、図４に示す変化曲線Ｃは、ＦＩＭスコアＳ＿Ｄ、Ｓ＿Ｆ及びＳ＿Ｙの間には、Ｓ＿Ｙ＝Ｓ＿Ｄ×（１－Ａ）＋Ｓ＿Ｆ×Ａという数式ｄで表される所定関係が成立していることを示していると言える。つまり、変化曲線Ｃは、ＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ、Ｓ＿Ｆ＿ｓａｍｐｌｅ及びＳ＿Ｙ＿ｓａｍｐｌｅの間には、Ｓ＿Ｙ＿ｓａｍｐｌｅ＝Ｓ＿Ｄ＿ｓａｍｐｌｅ×（１－Ａ）＋Ｓ＿Ｆ＿ｓａｍｐｌｅ×Ａという数式ｄで表される所定関係が成立しているであろうと推定されることを示している。そうすると、ＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ及びＳ＿Ｙ＿ｐｒｅｄｉｃｔが、夫々、ＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ及びＳ＿Ｙ＿ｓａｍｐｌｅの予測値であることを考慮すれば、ＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ、Ｓ＿Ｆ＿ｐｒｅｄｉｃｔ及びＳ＿Ｙ＿ｐｒｅｄｉｃｔの間の関係が、Ｓ＿Ｙ＿ｐｒｅｄｉｃｔ＝Ｓ＿Ｄ＿ｓａｍｐｌｅ×（１－Ａ）＋Ｓ＿Ｆ＿ｐｒｅｄｉｃｔ×Ａという数式ｅで表される所定関係に近づけば近づくほど、予測モデルＭの予測精度が良好であると推定される。このため、損失項Ｌｏｓｓ２は、数式ｅの左辺（＝Ｓ＿Ｙ＿ｐｒｅｄｉｃｔ）と数式ｅの右辺（＝Ｓ＿Ｄ＿ｓａｍｐｌｅ×（１－Ａ）＋Ｓ＿Ｆ＿ｐｒｅｄｉｃｔ×Ａ）との差分が小さくなるほど小さくなる項であってもよい。このような損失項Ｌｏｓｓ２の一例が、数式３及び４に示されている。数式３は、差分の二乗値が用いられる例を示している。数式４は、差分の絶対値が用いられる例を示している。尚、モデル生成部１１２が一般的には行列演算を行うことで損失項Ｌｏｓｓ２を算出することを考慮すれば、数式３に示す損失項Ｌｏｓｓ２が用いられることが好ましい。尚、損失項Ｌｏｓｓ２は、いわゆる正則化項として用いられてもよい。

【0048】

【数3】

【0049】

【数4】

【0050】

損失項Ｌｏｓｓ２は、変化曲線Ｃに基づいて予め設定されていてもよい。或いは、モデル生成部１１２が、変化曲線Ｃに基づいて、損失項Ｌｏｓｓ２を設定してもよい。いずれの場合であっても、モデル生成部１１２は、変化曲線Ｃに基づいて予測モデルＭを更新すると言える。つまり、モデル生成部１１２は、変化曲線Ｃに関する事前知識を用いて予測モデルＭを更新すると言える。

【0051】

（２）状態予測装置２
続いて、状態予測装置２について説明する。状態予測装置２は、モデル生成装置１が生成した予測モデルＭを用いて、時点ｔＡにおける対象患者の状態に基づいて、時点ｔＡよりも後の時点ｔＢにおける対象患者の状態及び時点ｔＢよりも後の時点ｔＣにおける対象患者の状態の夫々を予測する状態予測動作を行う。本実施形態では、上述したように、予測モデルＭが、時点ｔ＿Ｄにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｄに基づいて、時点ｔ＿Ｆにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｆ及び時点ｔ＿Ｆよりも後の時点ｔ＿Ｙにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｙの夫々を予測可能なモデルである例について説明している。この場合、状態予測動作は、予測モデルＭを用いて、時点ｔ＿Ｄにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｄに基づいて、時点ｔ＿Ｆにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｆ及び時点ｔ＿Ｙにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｙの夫々を予測する動作となる。以下、状態予測装置２の構成及び状態予測装置２が行う状態予測動作について順に説明する。

【0052】

（２－１）状態予測装置２の構成
初めに、図５を参照しながら、本実施形態における状態予測装置２の構成について説明する。図５は、本実施形態における状態予測装置２の構成を示すブロック図である。

【0053】

図５に示すように、状態予測装置２は、演算装置２１と、記憶装置２２とを備えている。更に、状態予測装置２は、入力装置２３と、出力装置２４とを備えていてもよい。但し、状態予測装置２は、入力装置２３及び出力装置２４の少なくとも一方を備えていなくてもよい。演算装置２１と、記憶装置２２と、入力装置２３と、出力装置２４とは、データバス２５を介して接続されていてもよい。

【0054】

演算装置２１は、例えば、ＣＰＵ、ＧＰＵ及びＦＰＧＡのうちの少なくとも一つを含む。演算装置２１は、コンピュータプログラムを読み込む。例えば、演算装置２１は、記憶装置２２が記憶しているコンピュータプログラムを読み込んでもよい。例えば、演算装置２１は、コンピュータで読み取り可能であって且つ一時的でない記録媒体が記憶しているコンピュータプログラムを、図示しない記録媒体読み取り装置を用いて読み込んでもよい。演算装置２１は、通信装置として機能可能な入力装置２３を介して、状態予測装置２の外部に配置される不図示の装置からコンピュータプログラムを取得してもよい（つまり、ダウンロードしてもよい又は読み込んでもよい）。演算装置２１は、読み込んだコンピュータプログラムを実行する。その結果、演算装置２１内には、状態予測装置２が行うべき動作（例えば、上述した状態予測動作）を実行するための論理的な機能ブロックが実現される。つまり、演算装置２１は、状態予測装置２が行うべき動作を実行するための論理的な機能ブロックを実現するためのコントローラとして機能可能である。

【0055】

図５には、状態予測動作を実行するために演算装置２１内に実現される論理的な機能ブロックの一例が示されている。図５に示すように、演算装置２１内には、「取得手段」の一具体例であるデータ取得部２１１と、「予測手段」の一具体例である状態予測部２１２とが実現される。尚、データ取得部２１１及び状態予測部２１２の夫々が行う動作については後に詳述するが、以下にその概要を説明する。データ取得部２１１は、時点ｔ＿Ｄにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｄを取得する。状態予測部２１２は、データ取得部２１１が取得したＦＩＭスコアＳ＿Ｄと、予測モデルＭとを用いて、時点ｔ＿Ｆにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｆ及び時点ｔ＿Ｙにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｙの夫々を予測する。

【0056】

記憶装置２２は、所望のデータを記憶可能である。例えば、記憶装置２２は、演算装置２１が実行するコンピュータプログラムを一時的に記憶していてもよい。記憶装置２２は、演算装置２１がコンピュータプログラムを実行している際に演算装置２１が一時的に使用するデータを一時的に記憶してもよい。記憶装置２２は、状態予測装置２が長期的に保存するデータを記憶してもよい。例えば、図５に示す例では、記憶装置２２は、状態予測装置２が用いる予測モデルＭを記憶している。尚、記憶装置２２は、ＲＡＭ、ＲＯＭ、ハードディスク装置、光磁気ディスク装置、ＳＳＤ及びディスクアレイ装置のうちの少なくとも一つを含んでいてもよい。つまり、記憶装置２２は、一時的でない記録媒体を含んでいてもよい。

【0057】

入力装置２３は、状態予測装置２の外部からの状態予測装置２に対する情報の入力を受け付ける装置である。例えば、入力装置２３は、状態予測装置２のユーザが操作可能な操作装置（例えば、キーボード、マウス及びタッチパネルのうちの少なくとも一つ）を含んでいてもよい。例えば、入力装置２３は、状態予測装置２の外部から通信ネットワークを介して状態予測装置２にデータとして送信される情報を受信可能な受信装置を含んでいてもよい。

【0058】

出力装置２４は、情報を出力する装置である。例えば、出力装置２４は、状態予測装置２の予測結果に関する情報（例えば、ＦＩＭスコアＳ＿Ｆ及びＳ＿Ｙの夫々）を出力してもよい。このような出力装置２４の一例として、通信ネットワーク又はデータバスを介して情報をデータとして送信可能な送信装置があげられる。但し、出力装置２４は、例えば、情報を画像として出力可能な（つまり、表示可能な）ディスプレイ（表示装置）を含んでいてもよい。出力装置２４は、例えば、情報を音声として出力可能なスピーカ（音声出力装置）を含んでいてもよい。例えば、出力装置２４、例えば、情報が印刷された文書を出力可能なプリンタを含んでいてもよい。

【0059】

（２－２）状態予測装置２が行う状態予測動作
続いて、図６を参照しながら、状態予測装置２が行う状態予測動作について説明する。図６は、状態予測装置２が行う状態予測動作の流れを示すフローチャートである。

【0060】

図６に示すように、まず、データ取得部２１１は、時点ｔ＿Ｄにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｄを取得する（ステップＳ２１）。例えば、ＦＩＭスコアＳ＿Ｄが記憶装置２２に記憶されている場合には、データ取得部２１１は、記憶装置２２から、ＦＩＭスコアＳ＿Ｄを取得してもよい。例えば、ＦＩＭスコアＳ＿Ｄが入力装置２３を介して状態予測装置２に入力される場合には、データ取得部２１１は、入力装置２３を用いて、ＦＩＭスコアＳ＿Ｄを取得してもよい。

【0061】

その後、状態予測部２１２は、ステップＳ２１において取得されたＦＩＭスコアＳ＿Ｄと、予測モデルＭとを用いて、時点ｔ＿Ｆにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｆ及び時点ｔ＿Ｙにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｙの夫々を予測する（ステップＳ２２）。具体的には、状態予測部２１２は、予測モデルＭに対して、ステップＳ２１で取得されたＦＩＭスコアＳ＿Ｄを入力する。その結果、予測モデルＭは、ＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔ及びＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔを出力する。つまり、状態予測部２１２は、時点ｔ＿Ｆにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｆの予測値として、予測モデルＭからＦＩＭスコアＳ＿Ｆ＿ｐｒｅｄｉｃｔを取得する。また、状態予測部２１２は、時点ｔ＿Ｙにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｙの予測値として、予測モデルＭからＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔを取得する。

【0062】

（３）技術的効果
以上説明したように、本実施形態のモデル生成装置１は、変化曲線Ｃ（つまり、患者の状態の変化傾向を表す情報）に基づいて、予測モデルＭを生成する。つまり、モデル生成装置１は、変化曲線Ｃに基づいて定まる損失項Ｌｏｓｓ２を含む損失関数Ｌｏｓｓを用いて、予測モデルＭを生成する。このため、モデル生成装置１は、比較例のモデル生成装置と比較して、変化曲線Ｃが表す患者の状態の変化傾向に合致する可能性が相対的に高い予測結果を出力可能な予測モデルＭを生成することができる。尚、比較例のモデル生成装置は、損失項Ｌｏｓｓ２を含まない損失関数（例えば、損失項Ｌｏｓｓ１を含む一方で、損失項Ｌｏｓｓ２を含まない損失関数）を用いて予測モデルＭを生成する装置である。このため、モデル生成装置１は、予測モデルＭの予測精度を適切に向上させることができる。

【0063】

また、本実施形態では、モデル生成装置１は、対象患者が病院を退院した後の時点ｔ＿Ｆ及びｔ＿Ｙにおける対象患者の状態を示すＦＩＭスコアＳ＿Ｆ及びＳ＿Ｙを予測する予測モデルＭを生成する。ここで、上述したように損失関数Ｌｏｓｓが予測誤差に関する損失項Ｌｏｓｓ１を含む場合には、サンプル患者が病院を退院した後の時点ｔ＿Ｆ及びｔ＿Ｙにおけるサンプル患者の状態を示すＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ及びＳ＿Ｙ＿ｓａｍｐｌｅのサンプル数が多くなればなるほど、予測モデルＭによるＦＩＭスコアＳ＿Ｆ及びＳ＿Ｙの予測精度が高くなる。しかしながら、患者が病院に入院している間に患者の状態を測定する場合と比較して、患者が一旦病院を退院した後にその患者の状態を測定することは、必ずしも容易ではない。なぜならば、病院を退院した患者に、患者の状態を測定するために病院への来院を促すことが容易ではないからである。このため、ＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ及びＳ＿Ｙ＿ｓａｍｐｌｅを数多く集めることは、必ずしも容易ではない。一方で、本実施形態のモデル生成装置１は、予測誤差に関する損失項Ｌｏｓｓ１に加えて又は代えて変化曲線Ｃに基づく損失項Ｌｏｓｓ２を含む損失関数Ｌｏｓｓを用いて予測モデルＭを生成する。このため、本実施形態のモデル生成装置１は、比較例のモデル生成装置と比較して、ＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ及びＳ＿Ｙ＿ｓａｍｐｌｅのサンプル数が相対的に少ない状況下においても、予測モデルＭの予測精度を適切に向上させることができる。例えば、図７は、本実施形態のモデル生成装置１が生成した予測モデルＭの予測精度と、比較例のモデル生成装置が生成した予測モデルＭの予測精度を示している。図７の横軸は、時点ｔ＿ＤにおけるＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅが測定済みのサンプル患者の総数に対する、時点ｔ＿Ｆ及びｔ＿ＹにおけるＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ及びＳ＿Ｙ＿ｓａｍｐｌｅが測定可能であったサンプル患者の総数の割合を示している。具体的には、図７の横軸が示す「Ｘ％」は、Ｙ人のサンプル患者のＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅが測定済みとなっている状況下において、Ｘ×Ｙ人のサンプル患者のＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ及びＳ＿Ｙ＿ｓａｍｐｌｅだけが測定可能であった（逆に言えば、（１－Ｘ）×Ｙ人のサンプル患者のＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ及びＳ＿Ｙ＿ｓａｍｐｌｅが測定できなかった）状況を示す。図７に示すように、比較例のモデル生成装置が生成した予測モデルＭの予測精度は、ＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ及びＳ＿Ｙ＿ｓａｍｐｌｅのサンプル数が少なくなるほど（つまり、ＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ及びＳ＿Ｙ＿ｓａｍｐｌｅが測定可能であったサンプル患者の総数の割合が少なくなるほど）、低下する。一方で、本実施形態のモデル生成装置１が生成した予測モデルＭの予測精度は、ＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅ及びＳ＿Ｙ＿ｓａｍｐｌｅのサンプル数が少なくなったとしても、比較例のモデル生成装置が生成した予測モデルＭの予測精度ほどには低下しない。

【0064】

また、本実施形態の状態予測装置２は、本実施形態のモデル生成装置１が生成した予測モデルＭを用いて患者の状態を予測する。このため、状態予測装置２は、患者の状態を適切に予測することができる。

【0065】

（４）変形例
上述した説明では、予測モデルＭは、時点ｔＡ（例えば、患者が入院した時点ｔ＿Ｄ）における患者の状態に基づいて、時点ｔＡよりも後の時点ｔＢ（例えば、患者が退院してから半年が経過した時点ｔ＿Ｆ）における患者の状態及び時点ｔＢよりも後の時点ｔＣ（例えば、患者が退院してから一年が経過した時点ｔ＿Ｙ）における患者の状態の夫々を予測可能なモデルである。しかしながら、予測モデルＭは、時点ｔＡにおける患者の状態に基づいて、時点ｔＢ及びｔＣのいずれか一方における患者の状態を予測する一方で、時点ｔＢ及びｔＣのいずれか他方における患者の状態を予測しないモデルであってもよい。この場合であっても、モデル生成装置１は、上述したモデル生成動作を行うことで、予測モデルＭを生成してもよい。

【0066】

一変形例として、時点ｔ＿Ｄにおける患者の状態を示すＦＩＭスコアＳ＿Ｄに基づいて、時点ｔ＿Ｙにおける患者の状態を示すＦＩＭスコアＳ＿Ｙを予測可能な予測モデルＭを生成するためのモデル生成動作について説明する。変形例においても、データ取得部１１１は、学習用データ１２２を取得する（図３のステップＳ１１）。但し、変形例では、学習用データ１２２は、時点ｔ＿Ｆにおけるサンプル患者の状態を示すＦＩＭスコアＳ＿Ｆ＿ｓａｍｐｌｅを含んでいなくてもよい。その後、モデル生成部１１２は、ＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ＃ｋを予測モデルＭに入力することでＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃ｋを取得する。その後、モデル生成部１１２は、ＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃１からＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃Ｋに基づいて、損失関数Ｌｏｓｓが最小になるように、予測モデルＭを更新する。但し、変形例では、損失項Ｌｏｓｓ１は、ＦＩＭスコアＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃ｋとＦＩＭスコアＳ＿Ｙ＿ｓａｍｐｌｅ＃ｋとの差分が小さくなるほど小さくなる項である。このような損失項Ｌｏｓｓ１の一例が、数式４及び５に示されている。また、変形例では、損失項Ｌｏｓｓ２は、ＦＩＭスコアＳ＿Ｄ＿ｓａｍｐｌｅ＃ｋ及びＳ＿Ｙ＿ｐｒｅｄｉｃｔ＃ｋの間の関係が、変化曲線Ｃが表す所定関係に近づけば近づくほど小さくなる項であってもよい。このような損失項Ｌｏｓｓ２の一例が、数式６及び７に示されている。但し、変形例では、定数βは、モデル生成装置１にとって既知の情報（つまり、予め設定されている値）であることが好ましい。

【0067】

【数5】

【0068】

【数6】

【0069】

【数7】

【0070】

【数8】

【0071】

尚、変形例におけるモデル生成動作の説明中における符号「Ｙ」を符号「Ｆ」に置き換えることで、上述のモデル生成動作の説明は、時点ｔ＿Ｄにおける患者の状態を示すＦＩＭスコアＳ＿Ｄに基づいて、時点ｔ＿Ｆにおける患者の状態を示すＦＩＭスコアＳ＿Ｆを予測可能な予測モデルＭを生成するためのモデル生成動作の説明となる。

【0072】

（５）付記
以上説明した実施形態に関して、更に以下の付記を開示する。
［付記１］
第１時点におけるサンプル患者の状態を示す第１指標値、及び前記第１時点よりも後の第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得する取得手段と、
前記第１時点における対象患者の状態に基づいて前記第２時点における前記対象患者の状態を予測する予測モデルを学習する学習手段と
を備え、
前記学習手段は、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて、前記予測モデルを学習する
モデル生成装置。
［付記２］
前記学習手段は、前記第１及び第３指標値の間の変化が、前記変化情報が表す前記第１時点から前記第２時点への前記状態の変化傾向である第１の変化傾向に近づくように前記予測モデルを学習する
付記１に記載のモデル生成装置。
［付記３］
前記学習手段は、前記第１及び第３指標値の間の変化が前記第１の変化傾向に近づくほど小さくなる項を含む損失関数に基づいて、前記予測モデルを学習する
付記１に記載のモデル生成装置。
［付記４］
前記第１時点は、前記サンプル患者及び前記対象患者を含む患者が病院に入院してから退院するまでの間の時点であり、
前記第２時点は、前記患者が病院を退院してから第１所定期間が経過した時点である
付記１から３のいずれか一項に記載のモデル生成装置。
［付記５］
前記予測モデルは、前記第１時点よりも後であって且つ前記第２時点とは異なる第３時点における前記対象患者の状態を更に予測し、
前記学習用データは、前記第３時点における前記サンプル患者の状態を示す第４指標値を含み、
前記学習手段は、前記第３指標値と、前記第１指標値に基づいて前記予測モデルが予測した前記第３時点における前記サンプル患者の状態を示す第５指標値と、前記変化情報とに基づいて、前記予測モデルを学習する
付記１から４のいずれか一項に記載のモデル生成装置。
［付記６］
前記学習手段は、前記第１指標値、前記第３指標値及び前記第５指標値の間の変化が、前記変化情報が表す前記第１時点から前記第２時点及び前記第３時点への前記状態の変化傾向である第２の変化傾向に近づくように前記予測モデルを学習する
付記５に記載のモデル生成装置。
［付記７］
前記学習手段は、前記第１指標値、前記第３指標値及び前記第５指標値の間の変化が前記第２の変化傾向に近づくほど小さくなる項を含む損失関数に基づいて、前記予測モデルを学習する
付記６に記載のモデル生成装置。
［付記８］
前記第１時点は、前記サンプル患者及び前記対象患者を含む患者が病院に入院してから退院するまでの間の時点であり、
前記第２時点は、前記患者が病院を退院してから第１所定期間が経過した時点であり、
前記第３時点は、前記患者が病院を退院してから前記第１所定期間とは異なる第２所定期間が経過した時点である
付記５から７のいずれか一項に記載のモデル生成装置。
［付記９］
前記第１時点は、前記患者が病院に入院する時点である
付記４又は８に記載のモデル生成装置。
［付記１０］
第１時点におけるサンプル患者の状態を示す第１指標値、及び前記第１時点よりも後の第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、
前記第１時点における対象患者の状態に基づいて前記第２時点における前記対象患者の状態を予測する予測モデルを学習し、
前記予測モデルの学習では、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて、前記予測モデルが学習される
モデル生成方法。
［付記１１］
コンピュータに
第１時点におけるサンプル患者の状態を示す第１指標値、及び前記第１時点よりも後の第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、
前記第１時点における対象患者の状態に基づいて前記第２時点における前記対象患者の状態を予測する予測モデルを学習し、
前記予測モデルの学習では、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて、前記予測モデルが学習されるモデル生成方法を実行させるコンピュータプログラムが記録された記録媒体。
［付記１２］
コンピュータに、
第１時点におけるサンプル患者の状態を示す第１指標値、及び前記第１時点よりも後の第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、
前記第１時点における対象患者の状態に基づいて前記第２時点における前記対象患者の状態を予測する予測モデルを学習し、
前記予測モデルの学習では、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて、前記予測モデルが学習されるモデル生成方法を実行させるコンピュータプログラム。
［付記１３］
第１時点における対象患者の状態に関する状態情報と取得する状態取得手段と、
前記状態情報と、前記第１時点における前記対象患者の状態に基づいて前記第１時点よりも後の第２時点における前記対象患者の状態を予測する予測モデルとを用いて、前記第２時点における前記対象患者の状態を予測する予測手段と
を備え、
前記予測モデルは、前記第１時点におけるサンプル患者の状態を示す第１指標値及び前記第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて学習することで生成されるモデルである
状態予測装置。
［付記１４］
第１時点における対象患者の状態に関する状態情報と取得し、
前記状態情報と、前記第１時点における前記対象患者の状態に基づいて前記第１時点よりも後の第２時点における前記対象患者の状態を予測する予測モデルとを用いて、前記第２時点における前記対象患者の状態を予測し、
前記予測モデルは、前記第１時点におけるサンプル患者の状態を示す第１指標値及び前記第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて学習することで生成されるモデルである
状態予測方法。
［付記１５］
コンピュータに、
第１時点における対象患者の状態に関する状態情報と取得し、
前記状態情報と、前記第１時点における前記対象患者の状態に基づいて前記第１時点よりも後の第２時点における前記対象患者の状態を予測する予測モデルとを用いて、前記第２時点における前記対象患者の状態を予測し、
前記予測モデルは、前記第１時点におけるサンプル患者の状態を示す第１指標値及び前記第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて学習することで生成されるモデルである状態予測方法を実行させるコンピュータプログラムが記録された記録媒体。
［付記１６］
コンピュータに、
第１時点における対象患者の状態に関する状態情報と取得し、
前記状態情報と、前記第１時点における前記対象患者の状態に基づいて前記第１時点よりも後の第２時点における前記対象患者の状態を予測する予測モデルとを用いて、前記第２時点における前記対象患者の状態を予測し、
前記予測モデルは、前記第１時点におけるサンプル患者の状態を示す第１指標値及び前記第２時点における前記サンプル患者の状態を示す第２指標値を含む学習用データを取得し、前記第１指標値に基づいて前記予測モデルが予測した前記第２時点における前記サンプル患者の状態を示す第３指標値と、時間の経過に伴う前記状態の変化傾向を表す変化情報とに基づいて学習することで生成されるモデルである状態予測方法を実行させるコンピュータプログラム。

【0073】

本発明は、請求の範囲及び明細書全体から読み取るこのできる発明の要旨又は思想に反しない範囲で適宜変更可能であり、そのような変更を伴うパラメータ決定装置、パラメータ決定方法、信号送信方法及びコンピュータプログラムもまた本発明の技術思想に含まれる。

【符号の説明】

【0074】

１ モデル生成装置
１１ 演算装置
１１１ データ取得部
１１２ モデル生成部
１２ 記憶装置
１２１ 学習用データセット
１２２ 学習用データ
２ 状態予測装置
２１ 演算装置
２１１ データ取得部
２１２ 状態予測部
Ｍ 予測モデル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】