IP Force 特許公報掲載プロジェクト 2022.1.31 β版

知財求人 - 知財ポータルサイト「IP Force」

▶ エフ.ホフマン−ラ ロシュ アーゲーの特許一覧

特表2023-553401人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術
<>
  • 特表-人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術 図1
  • 特表-人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術 図2
  • 特表-人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術 図3
  • 特表-人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術 図4
  • 特表-人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術 図5
  • 特表-人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術 図6
  • 特表-人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術 図7
  • 特表-人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術 図8
  • 特表-人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術 図9
  • 特表-人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術 図10
  • 特表-人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術 図11
  • 特表-人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術 図12
  • 特表-人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術 図13
< >
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2023-12-21
(54)【発明の名称】人工知能を使用する腫瘍学的治療ラインに関する予測結果を生成するための技術
(51)【国際特許分類】
   G16H 50/70 20180101AFI20231214BHJP
   G16B 40/20 20190101ALI20231214BHJP
【FI】
G16H50/70
G16B40/20
【審査請求】有
【予備審査請求】未請求
(21)【出願番号】P 2023533883
(86)(22)【出願日】2021-10-06
(85)【翻訳文提出日】2023-06-02
(86)【国際出願番号】 US2021053764
(87)【国際公開番号】W WO2022125175
(87)【国際公開日】2022-06-16
(31)【優先権主張番号】20212280.0
(32)【優先日】2020-12-07
(33)【優先権主張国・地域又は機関】EP
(81)【指定国・地域】
(71)【出願人】
【識別番号】591003013
【氏名又は名称】エフ. ホフマン-ラ ロシュ アーゲー
【氏名又は名称原語表記】F. HOFFMANN-LA ROCHE AKTIENGESELLSCHAFT
(74)【代理人】
【識別番号】100118902
【弁理士】
【氏名又は名称】山本 修
(74)【代理人】
【識別番号】100106208
【弁理士】
【氏名又は名称】宮前 徹
(74)【代理人】
【識別番号】100196508
【弁理士】
【氏名又は名称】松尾 淳一
(74)【代理人】
【識別番号】100161908
【弁理士】
【氏名又は名称】藤木 依子
(72)【発明者】
【氏名】モレロ・レオン,シルビア・エレーナ
(72)【発明者】
【氏名】タソグル,テュラプ
【テーマコード(参考)】
5L099
【Fターム(参考)】
5L099AA04
(57)【要約】
癌と診断された被験者の治療ラインの選択を容易にするために人工知能(AI)を使用するための技術が開示される。本明細書に開示される方法およびシステムは、癌のタイプにわたる被験者の突然変異プロファイルに基づいて被験者の治療転帰および癌の進展を予測するため、強化された被験者に固有のデータセットを使用して被験者の処置生存見込みを予測するため、および特定の治療ラインの選択に寄与した理由(例えば、被験者レコード内の特徴によって表される)が腫瘍学的処置ガイドラインに準拠しているかどうかを自動的に検証するためにAIを使用するための技術に関する。
【特許請求の範囲】
【請求項1】
腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法であって、
あるタイプの癌と診断された特定の被験者を識別することであって、治療ラインが前記特定の被験者に対して実施されることが提案される、特定の被験者を識別することと、
前記特定の被験者に対応する遺伝子データセットを取得することであって、前記遺伝子データセットが、前記特定の被験者の1つ以上の分子特性を示す突然変異プロファイルを含む、遺伝子データセットを取得することと、
前記被験者と同じタイプの癌と診断された他の被験者のセットと、前記治療ラインを受けたことがあり、かつ処置転帰に関連付けられている他の各被験者とを識別することと、
前記他の被験者のセットの他の被験者ごとの別の遺伝子データセットを取得することであって、前記別の遺伝子データセットが別の突然変異プロファイルを含む、別の遺伝子データセットを取得することと、
前記他の被験者のセットの他の被験者ごとに、前記特定の被験者の前記突然変異プロファイルおよび前記他の被験者の前記別の突然変異プロファイルを訓練された類似性モデルに入力することであって、前記訓練された類似性モデルが、前記特定の被験者の前記突然変異プロファイルが前記他の被験者の前記別の突然変異プロファイルと類似する予測された程度を表す類似性重みを生成するように訓練されている、前記特定の被験者の前記突然変異プロファイルおよび前記他の被験者の前記別の突然変異プロファイルを訓練された類似性モデルに入力することと、
前記訓練された類似性モデルによって出力された前記類似性重みに基づいて、前記特定の被験者に対して前記治療ラインを実施することについての予測される処置転帰を決定することと
を含み、
前記類似性モデルによって出力された前記類似性重みのうちの少なくとも1つが閾値内にあると決定されると、前記決定に基づいて前記他の被験者のうちの1人を識別し、識別された前記他の被験者の前記処置転帰を、前記特定の被験者についての前記予測される処置転帰として割り当て、かつ/または
前記類似性モデルによって出力された前記類似性重みのいずれも前記閾値内にないと決定されると、前記特定の被験者の前記突然変異プロファイルと類似する突然変異プロファイルを検索するために、前記特定の被験者とは異なるタイプの癌と診断された別の被験者セットを識別する、コンピュータ実装方法。
【請求項2】
他の被験者の前記他のセットの他の被験者ごとにさらに別の突然変異プロファイルを取得することであって、前記他のセットの他の各被験者が前記特定の被験者とは異なるタイプの癌を有する、さらに別の突然変異プロファイルを取得することと、
前記他の被験者の前記他のセットの他の被験者ごとに、前記特定の被験者の前記突然変異プロファイルおよび前記他のセットの前記他の被験者の前記別の突然変異プロファイルを前記訓練された類似性モデルに入力することと、
前記訓練された類似性モデルによって出力された前記類似性重みに基づいて、前記類似性モデルによって出力された前記類似性重みのうちの少なくとも1つが前記閾値内にあると決定することと、
前記決定に基づいて前記他のセットの前記他の被験者のうちの1人を識別し、前記他のセットの識別された前記他の被験者の前記処置転帰を前記特定の被験者についての前記予測される処置転帰として割り当てることと
をさらに含み、かつ/または
前記突然変異プロファイルが、前記特定の被験者に関連する突然変異プロファイルを含み、前記突然変異順序が、異なる時点で変異した一連の複数の遺伝子突然変異を表す、請求項1に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項3】
他の被験者レコードのセットに対してクラスタリング演算を実行することであって、前記クラスタリング演算が、前記治療ラインの1つ以上の転帰に基づいており、1つ以上のクラスタを形成する、クラスタリング演算を実行することをさらに含む、請求項1または2に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項4】
前記類似性モデルが訓練データセットを使用して訓練され、前記訓練データセットが、類似しているまたは類似していないとラベル付けされた突然変異プロファイルの対を含む、請求項1~3のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項5】
前記予測された処置転帰が、前記特定の被験者の特徴に固有の1つ以上の被験者に固有の副作用または無増悪生存期間を含む、請求項1~4のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項6】
前記特定の被験者に関連付けられた文脈情報が、前記被験者に関連付けられた前記遺伝子プロファイルを含む、請求項1~5のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項7】
前記特定の被験者に関連付けられた前記遺伝子プロファイルについて遺伝子プロファイルデータストアにクエリすること、
前記特定の被験者に関連付けられた1つ以上の放射線画像について放射線画像データストアにクエリすること、
前記特定の被験者に起因する少なくとも1つの特徴に関するコンテンツデータについて医療研究データストアにクエリすること、
前記特定の被験者に関連付けられた臨床情報について臨床情報データストアにクエリすること、
前記特定の被験者によって、または前記特定の被験者に代わって提出された1つ以上の健康保険請求について請求データストアにクエリすること、および/または
前記特定の被験者によって提供された被験者データについて被験者提供入力データストアにクエリすることであって、前記被験者データが1つ以上のデータフォーマットである、被験者提供入力データストアにクエリすること
によって前記特定の被験者に関連付けられた前記文脈情報を生成することをさらに含む、請求項1~6のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項8】
前記処置転帰が、チャットボットを使用して前記被験者のコンピューティングデバイスにおいて出力される1つ以上の被験者に固有の副作用を含む、請求項1~7のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項9】
前記被験者レコードが、前記被験者に対応する電子医療レコードにおいて識別されたデータを含む、請求項1~8のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項10】
前記被験者が診断される癌のタイプが、乳癌、肺癌、結腸癌、または血液癌のうちの少なくとも1つ以上を含む、請求項1~9のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項11】
臨床的意思決定に関する予測機能を提供するように構成されたクラウドベースの腫瘍学的アプリケーションを使用して知識グラフにアクセス可能である、請求項1~10のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項12】
推論モジュールに関連付けられたデータ漏洩を検出することであって、前記データ漏洩が、前記被験者レコードに含まれる特徴のセットの特徴を曝すか、または前記被験者に関連付けられた前記文脈情報の項目を曝す、データ漏洩を検出することと、
前記推論モジュールに関連付けられたデータ漏洩を検出したことに応答して、前記被験者レコードに含まれる前記特徴のセットの前記特徴が曝されることを防止またはブロックするデータ漏洩防止プロトコルを実行することと
をさらに含む、請求項1~11のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項13】
特徴選択モデルを使用して、前記被験者を特徴付ける次元削減被験者レコードを生成することであって、前記次元削減被験者レコードが、前記被験者レコードに含まれる前記特徴のセットから1つ以上の特徴を除去し、前記1つ以上の特徴がノイズとして特徴付けられる、次元削減被験者レコードを生成することをさらに含む、請求項1~12のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項14】
システムであって、
1つ以上のプロセッサと、
命令を含む非一時的コンピュータ可読記憶媒体であって、前記命令が、前記1つ以上のプロセッサ上で実行されると、前記1つ以上のプロセッサに、ここに開示された1つ以上のコンピュータ実装方法の一部または全部を実行させる、非一時的コンピュータ可読記憶媒体と、を備える、システム。
【請求項15】
1つ以上のデータプロセッサに、ここに開示された1つ以上のコンピュータ実装方法の一部または全部を実行させるように構成された命令を含む、非一時的機械可読記憶媒体において有形に具現化されたコンピュータプログラム製品。
【発明の詳細な説明】
【技術分野】
【0001】
関連出願の相互参照
本出願は、2020年12月7日に出願された欧州特許出願第20212280.0号の利益および優先権を主張し、あらゆる目的のためにその全体が参照により本明細書に組み込まれる。
【0002】
分野
本明細書に開示される方法およびシステムは、一般に、癌と診断された被験者に対する治療ラインの選択を容易にするために人工知能(AI)を使用するための技術に関する。より具体的には、本明細書に開示される方法およびシステムは、AIを使用して、(1)癌タイプ全体にわたる他の被験者の突然変異プロファイルに基づいて被験者の治療転帰および癌の進展を予測し、(2)癌を処置するための治療の候補ラインの被験者に固有の副作用を予測し、かつ/または(3)特定の治療ラインの選択に寄与した理由(例えば、被験者レコード内の特定の特徴によって表される)が腫瘍学的処置ガイドラインに準拠しているかどうかを自動的に検証するための技術に関する。
【背景技術】
【0003】
背景
癌は、世界的に主要な死因の1つである。癌は、人体内の任意の場所で発症する可能性がある。しかしながら、癌が発症する可能性があるいくつかの一般的な場所が存在する。例えば、主要な癌タイプは、乳房、肺、結腸および血液の癌を含む。タイプにかかわらず、癌は、身体の細胞の一部の拘束されない分裂を伴い、身体の周囲の他の組織に広がる可能性がある。健康な個体では、新たな細胞を作り出す細胞分裂は、一般に、より古い細胞または損傷した細胞の死と釣り合っている。しかしながら、癌と診断された個体では、このバランスが崩れる。癌は、新たな細胞が必要とされない場合であっても、体内の異常細胞の制御されない増殖を引き起こす。異常細胞の無制限の増殖は、身体の組織に腫瘍を形成する可能性がある。場合によっては、異常細胞は腫瘍から分離し、身体の血流を通って移動し、身体の新たな領域の組織に付着して、潜在的に新たな腫瘍を形成する可能性がある。
【0004】
これらの異常細胞の制御されない増殖は、細胞デオキシリボ核酸(DNA)の遺伝子突然変異によって引き起こされる。遺伝子突然変異は、継承された遺伝子によって引き起こされることが多い。しかしながら、突然変異は、環境要因によっても誘発される可能性がある。例えば、毒性曝露(例えば、発癌物質、放射線およびタバコへの曝露)、生活様式関連因子(例えば、肥満、食事、およびアルコール摂取)、年齢、薬物、ホルモン、ランダムな機会、および特定の感染症(例えば、肝炎、ヒトパピローマウイルス(HPV)およびエプスタイン・バー・ウイルス)は、他の点では健康な個体において癌関連遺伝子突然変異を引き起こす可能性がある。
【0005】
癌性細胞の研究および処置である腫瘍学は、いくつかの独特且つ重大な課題を提示する。第1に、特定の癌は、異なる遺伝子にわたる複数の突然変異の複雑な組み合わせによって引き起こされる可能性がある。現代の癌研究は、被験者における癌経路の進展が、複数の遺伝子突然変異間の複雑な依存性および相互作用を伴うことを示唆している。癌は、1つの突然変異によって産生されたタンパク質が別の突然変異によって産生されたタンパク質と相互作用するときに発症することが多い。例えば、特定の血液癌では、TET2として識別される二次突然変異の前に一次突然変異JAK2 V617F(駆動突然変異)が活性化される場合、被験者ははるかに悪くなる。逆に、JAK2 V617F駆動突然変異の前に活性化するTET2突然変異を有する被験者は、はるかに良好な臨床転帰を有していた。さらに、遺伝子検査の進歩により、被験者に固有の分子サブセットが識別され、それらの分子特性を考慮して特定の処置を選択するために評価されることができる。しかしながら、これらの進歩に伴い、腫瘍試料の正しい遺伝子型決定を得るなど、多くの課題が生じている。したがって、例えば、遺伝子置換療法によって一次突然変異を標的化することは、二次突然変異の影響を活性化または悪化させる可能性があり、それが癌を悪化させる可能性があることから、癌を処置するための治療ラインを識別することは、他の疾患に比べて独特に困難である。したがって、癌の原因を単離することは、著しく困難であり得る。
【0006】
第2に、腫瘍学的治療ラインは、被験者に有害であり得る毒性レベルを含むことが多い。例えば、被験者に固有のリスク因子に応じて、特定の化学療法および免疫抑制剤は、被験者に生命を脅かす副作用をもたらす可能性がある。したがって、癌の処置選択は、個体の固有の無増悪生存期間に大きく依存する。さらに、治療ラインに応じて広範囲且つ多様な副作用が存在する。さらに、処置選択は、被験者の主観的なリスク耐性に応じて異なる。例えば、同じステージの同じ癌を有する被験者の群が15%の3年生存確率を有する場合、その群の被験者は、異なる積極的処置を受け入れる意思があり、その群の一部は、高用量放射線療法などの積極的処置を受け入れる意思があり得るが、その群の異なる部分は、併用療法などの低積極的処置のみを受け入れる意思があり得る。したがって、処置選択および副作用評価は、腫瘍学的状況において固有に困難である。
【0007】
第3に、特定の治療ラインは、実施される前に認可を必要とする。例えば、被験者に対して遺伝子置換療法を実施しようとしている医師は、療法が他の療法によって一般に標的とされる突然変異とは異なる突然変異を標的とする場合、事前の認可を必要とすることがある。National Comprehensive Cancer Network(NCCN)およびAmerican Society of Clinical Oncology(ASCO)などの団体は、癌を処置するためのガイドラインを確立している。被験者に対する治療ラインの選択の基礎となる理由が既存のガイドラインに準拠しているかどうかを識別することは、処置選択に寄与した特徴を識別することが困難であるため困難である。場合によっては、文献レビューが必要な場合がある。処置は、処置する医師の知識ベースを使用して選択されることが多いため、処置の選択に寄与する特徴を客観的に識別することは困難である。
【0008】
米国特許出願公開第2020/0370124号明細書は、被験者における癌治療の有効性を予測するためのシステムおよび方法を開示している。開示されるシステムおよび方法は、治療に反応する癌を有する被験者の核酸中の特定のタイプの一塩基変異(SNV)の数、割合または比が、治療に反応しない被験者のものとは異なるという決定に基づいている。核酸分子において識別されたSNVが使用されて、プロファイルを形成する複数のメトリックを決定することができ、その結果、癌治療に反応する可能性が高い被験者は、典型的には、癌治療に反応する可能性が低い被験者とは異なるプロファイルを有する。次いで、複数のメトリックは、計算モデルに適用され、計算モデルは、特定の被験者属性に基づいて選択される。計算モデルは、複数のメトリックに基づいて、治療指標、例えば数値パーセンテージを決定し、治療指標は、癌治療に対する予測反応性を示す。
【0009】
したがって、癌と診断された個々の被験者の処置有効性を改善するために、癌と診断された被験者のための治療ラインの個別選択、副作用の個別評価、および治療ラインが既存のガイドラインに準拠していることの検証を改善する必要がある。
【発明の概要】
【0010】
概要
いくつかの実施形態では、腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法が提供される。本方法は、あるタイプの癌と診断された特定の被験者を識別することと、特定の被験者に対応する遺伝子データセットを取得することと、を含むことができる。治療ラインは、特定の被験者に対して実施されるように提案されることができる。遺伝子データセットは、被験者の腫瘍の分子的特徴、例えば分子パターン、突然変異順序(例えば、異なる時点で変異した一連の複数の遺伝子突然変異を示す)などを含むことができる突然変異プロファイルを含むことができる。コンピュータ実装方法はまた、被験者と同じタイプの癌と診断された他の被験者のセットを識別することを含むことができる。他の各被験者は、治療ラインを受けていてもよく、処置転帰に関連していてもよい。コンピュータ実装方法はまた、他の被験者のセットの他の被験者ごとに別の遺伝子データセットを取得することを含むことができる。他の遺伝子データセットは、別の突然変異プロファイルを含むことができる。コンピュータ実装方法は、他の被験者のセットの他の被験者ごとに、特定の被験者の突然変異プロファイルおよび他の被験者の別の突然変異プロファイルを訓練された類似性モデルに入力することを含むことができる。訓練された類似性モデルは、特定の被験者の突然変異プロファイルが他の被験者の別の突然変異プロファイルと類似する予測された程度を表す類似性重みを生成するように訓練されていてもよい。コンピュータ実装方法は、訓練された類似性モデルによって出力された類似性重みに基づいて、特定の被験者に対して治療ラインを実施することについての予測される処置転帰を決定することを含むことができる。類似性モデルによって出力された類似性重みのうちの少なくとも1つが閾値内にあると決定されると、コンピュータ実装方法は、決定に基づいて他の被験者のうちの1人を識別し、識別された他の被験者の処置転帰を、特定の被験者についての予測される処置転帰として割り当てることを含むことができる。類似性モデルによって出力された類似性重みのいずれも閾値内にないと決定されると、コンピュータ実装方法は、特定の被験者の突然変異プロファイルと類似する突然変異プロファイルを検索するために、特定の被験者とは異なるタイプの癌と診断された別の被験者セットを識別することを含むことができる。
【0011】
いくつかの実施形態では、1つ以上のデータプロセッサと、命令を含む非一時的コンピュータ可読記憶媒体であって、命令が、1つ以上のデータプロセッサ上で実行されると、1つ以上のデータプロセッサに、本明細書に開示された1つ以上の方法の一部または全部を実行させる、非一時的コンピュータ可読記憶媒体と、を含む、システムが提供される。
【0012】
いくつかの実施形態では、非一時的機械可読記憶媒体に有形に具現化され、1つ以上のデータプロセッサに、本明細書に開示された1つ以上の方法の一部または全部を実行させるように構成された命令を含むコンピュータプログラム製品が提供される。
【0013】
本開示のいくつかの実施形態は、1つ以上のプロセッサを含むシステムを含む。いくつかの実施形態では、システムは、命令を含む非一時的コンピュータ可読記憶媒体であって、命令が、1つ以上のプロセッサ上で実行されると、1つ以上のプロセッサに、本明細書に開示された1つ以上の方法の一部または全部および/または1つ以上のプロセスの一部または全部を実行させる、非一時的コンピュータ可読記憶媒体を含む。本開示のいくつかの実施形態は、1つ以上のプロセッサに、本明細書に開示された1つ以上の方法の一部または全部および/または1つ以上のプロセスの一部または全部を実行させるように構成された命令を含む、非-一時的機械可読記憶媒体において有形に具現化されたコンピュータプログラム製品を含む。
【0014】
使用された用語および表現は、限定ではなく説明の用語として使用され、そのような用語および表現の使用において、示されて説明された特徴の任意の均等物またはその一部を除外する意図はないが、特許請求の範囲に記載された発明の範囲内で様々な変更が可能であることが認識される。したがって、特許請求の範囲に記載された本発明は、実施形態および任意の特徴によって具体的に開示されているが、本書に開示された概念の変更および変形は、当業者によってあてにされてもよく、そのような変更および変形は、添付の特許請求の範囲によって定義される本発明の範囲内にあると見なされることを理解されたい。
【図面の簡単な説明】
【0015】
本開示は、以下の添付の図面と併せて説明される:
図1】本開示のいくつかの態様にかかる、クラウドベースのアプリケーションがホストされるネットワーク環境を示している。
図2】本開示のいくつかの態様にかかる、縮約された被験者レコードを、被験者の処置に関する支援を要求する相談ブロードキャストに関連してユーザデバイスに配信するためにクラウドベースのアプリケーションによって実行されるプロセスの例を示すフローチャートである。
図3】本開示のいくつかの態様にかかる、処置計画定義のユーザ統合(例えば、決定木または処置ワークフロー)を監視し、監視の結果に基づいて処置計画定義を自動的に更新するプロセスの例を示すフローチャートである。
図4】本開示のいくつかの態様にかかる、被験者についての処置を推奨するためのプロセスの例を示すフローチャートである。
図5】本開示のいくつかの態様にかかる、データプライバシー規則に準拠するようにクエリ結果を難読化するためのプロセスの例を示すフローチャートである。
図6】本開示のいくつかの態様にかかる、チャットボットなどのボットスクリプトを使用してユーザと通信するためのプロセスの例を示すフローチャートである。
図7】本開示のいくつかの態様にかかる、癌と診断された被験者の処置および処置スケジュールの被験者に固有の識別を容易にするために訓練されたAIモデルを展開するためのネットワーク環境の例を示すブロック図である。
図8】本開示のいくつかの態様にかかる、癌と診断された被験者の処置転帰および癌の進展を予測するために訓練されたAIモデルを展開するためのネットワーク環境の例を示すブロック図である。
図9】本開示のいくつかの態様にかかる、腫瘍学的治療ラインの被験者に固有の副作用を予測するために訓練されたAIモデルを展開するためのネットワーク環境の例を示すブロック図である。
図10】本開示のいくつかの態様にかかる、所与の治療ラインの選択に寄与する要因を識別するために訓練されたAIモデルを展開するためのネットワーク環境の例を示すブロック図である。
図11】本開示のいくつかの態様にかかる、癌と診断された被験者の処置転帰および癌の進展を予測するためのプロセスの例を示すフローチャートである。
図12】本開示のいくつかの態様にかかる、突然変異標的化処置の被験者に固有の副作用を予測するためのプロセスの例を示すフローチャートである。
図13】本開示のいくつかの態様にかかる、所与の処置の選択に寄与する要因を識別するためにAIモデルを展開するプロセスの例を示すフローチャートである。
【0016】
添付の図面において、同様の構成要素および/または特徴は、同じ参照ラベルを有することができる。さらに、同じタイプの様々な構成要素は、参照ラベルに続くダッシュおよび類似の構成要素を区別する第2のラベルによって区別されることができる。本明細書において第1の参照ラベルのみが使用される場合、説明は、第2の参照ラベルに関係なく、同じ第1の参照ラベルを有する同様の構成要素のいずれかに適用可能である。
【発明を実施するための形態】
【0017】
詳細な説明
I.概要
癌は、非常に複雑な疾患である。それは人体のどこにでも発症する可能性がある。場合によっては、癌は遺伝性であるが、他の場合では、癌は環境因子に応答して発症する可能性がある。癌の発症の起源にかかわらず、癌経路の進展に沿って遺伝子突然変異の複雑な組み合わせがしばしば存在する。例えば、腫瘍は数十億個の細胞からなり、各細胞には個別に異なる突然変異が存在し得る。したがって、癌細胞が治療ラインに進展または適応することができるため、癌の進展を監視し、それに反応することは極めて困難な課題である。
【0018】
腫瘍学的状況では、癌の根底にある機構を理解することは、典型的には、癌性細胞の変化を検出するために癌性細胞の遺伝子データを頻繁に取得することを含む。現代の腫瘍学的慣行は、癌性細胞増殖に寄与している特定の遺伝子突然変異および遺伝子突然変異順序を識別するために遺伝子データを使用する。突然変異プロファイルは、個々の遺伝子突然変異が活性化する順序(例えば、突然変異順序)などの腫瘍の分子特性を含むことができる。特定の場合では、癌は、特定の群の遺伝子突然変異が突然変異プロファイルによって示されるパターンにしたがって活性化された後に発症することができる。したがって、突然変異の識別を容易にするために遺伝子データを使用することは有益である。しかしながら、癌性細胞を処置するための適切な治療ラインを識別することは、別の複雑な考慮事項を有する。さらに、癌と診断された被験者にわたって示される広範囲の副作用および処置転帰の不確実性のために、腫瘍学的治療ラインを識別することは特に困難である。
【0019】
本開示の特定の態様は、複雑な癌特有の問題を解決するタスクを実行するように訓練されたAIモデルを展開することに関する。AI技術は、癌と診断された被験者を処置する際に臨床的意思決定を医師が行うのを支援するために、密なまたは一見無関係なデータセットから予測結果をもたらすことができる。本開示の特定の態様は、予測機能を実行することができるAIシステムによって構成されたクラウドベースの腫瘍学アプリケーションを提供する。AIベースの技術が使用されて、異なるソースからの様々なデータタイプ(例えば、構造化データセット、非構造化データセット、ストリーミングデータ)の複雑なデータセットにわたるパターンおよび相関を学習することができる。腫瘍学的疾患は、複雑性および不確実性によって特徴付けられるが、本開示の特定の態様は、個々の被験者の遺伝子プロファイルに文脈的な方法で治療ラインの選択を容易にするための特殊化されたAIモデルの実行に関する。
【0020】
本開示の特定の態様は、癌のタイプにわたる被験者の突然変異プロファイルに基づいて個々の被験者(例えば、患者)の治療転帰およびその後の癌の進展を予測すること、治療ラインに反応した被験者に固有の副作用を予測すること、および腫瘍学的ガイドラインを遵守するために個々の被験者に対して治療ラインを選択する理由(例えば、乳癌を処置するための特定の標的療法)を自動的に検証することなどの特定の予測機能を実行するように構成されたAIシステムに関する。
【0021】
本開示の特定の態様は、個々の被験者に対して実施されることが提案された治療ラインの治療転帰の予測を生成するように構成されたクラウドベースの腫瘍学アプリケーションに関する。予測は、個々の被験者と同じ癌を有するかまたは異なる癌タイプを有する被験者の突然変異プロファイルに基づくことができる。例えば、突然変異プロファイルは、他の分子特性の中でも、遺伝子が経時的に突然変異する順序(例えば、突然変異順序または突然変異パターン)を表す。突然変異プロファイルは、診断および治療ラインの選択に関する臨床的意思決定に影響を及ぼすことができる。本開示の特定の態様は、例えば、乳癌を有する被験者の突然変異プロファイルが肺癌を有する別の被験者の突然変異プロファイルと類似しているときを自動的に識別するように訓練された特殊化された類似性ベースのAIモデルを実行することに関する。例えば、肺癌を有する被験者に対して行われる標的療法は、乳癌を有する被験者に対する特定の治療ラインの有効性に関して有益であり得る。特殊化された類似性ベースのAIモデルは、同じまたは異なるタイプの癌を有する被験者の対または突然変異プロファイル(一方の突然変異プロファイルは1つの被験者を表し、他方の突然変異プロファイルは別の被験者を表す)の訓練データセットに基づいて訓練されることができる。各対は、類似しているまたは類似していないとラベル付けされることができる。学習アルゴリズムは、突然変異プロファイルによって示されるどのパターンが互いに類似しているかを自動的に学習するために実行されることができる。訓練されると、特殊化された類似性ベースのAIモデルは、被験者の1つの突然変異プロファイルが別の被験者の別の突然変異プロファイルに類似する程度を表す値である類似性重みを出力することができる。
【0022】
本開示の特定の態様はまた、特定の被験者の特性の文脈に基づいて治療ラインの副作用の予測を生成するように構成されたクラウドベースの腫瘍学アプリケーションに関する。腫瘍学アプリケーションは、治療ラインと治療ラインに関連する様々な副作用との間のグラフィカルマッピングを構築するために使用されることができる。いくつかの例では、グラフィカルマッピングは、治療ラインのタイプ、各治療ラインの特性(例えば、副作用、無増悪生存期間)、および治療ラインと特性との間の関係を記述するオントロジを表すことができる。グラフィカルマッピングは、ユーザが治療ラインの副作用の被験者に固有の予測を要求するたびにアクセスされる知識グラフとして記憶されることができる。ユーザが治療ラインの被験者に固有の副作用の予測を要求するために腫瘍学アプリケーションを操作すると、腫瘍学アプリケーションは、特定の被験者の被験者特徴を使用して知識グラフにクエリすることができる。推論エンジンは、知識グラフ内のどの処置および/または副作用が特定の被験者の被験者特徴に論理的に関連しているかを識別する論理的推論タスクを実行することができる。推論エンジンの出力は、治療ラインの被験者に固有の副作用を表す。本開示は、治療ラインをそれらの対応する副作用にマッピングすることに限定されないことが理解されよう。治療ラインまたは任意の他の変数の無増悪生存期間は、グラフィカルにマッピングされ、オントロジとして知識グラフに記憶されることができる。
【0023】
本開示の特定の態様はまた、AIベースのアルゴリズムを使用して、特定の癌タイプを有する癌被験者の被験者データ、および処置が各個々の癌被験者に割り当てられた理由を自動的に学習するためにそれらの癌被験者に対して実施される処置を評価するように構成されたクラウドベースの腫瘍学アプリケーションに関する。例えば、腫瘍学アプリケーションは、特定の肺癌被験者が特定の標的治療処置によって処置される理由が、それらの肺癌被験者がHER2遺伝子にドライバー突然変異を有することであると自動的に予測することができる。次いで、腫瘍学アプリケーションは、様々な処置の予測された理由を、NCCNおよびASCOなどの信頼できる医療団体によって確立されたガイドラインまたは規則のセットと比較することができる。ガイドラインが存在しない場合、腫瘍学アプリケーションはまた、特定の突然変異を標的とするために行われた処置、それらの処置の対応する治療転帰、および処置が行われた後の被験者の無増悪生存期間に基づいて、新たなガイドラインの候補を識別することができる。
【0024】
(例えば、デバイス上でローカルに動作する、かつ/または1つもしくは複数の遠隔および/またはクラウドサーバで実行された計算の結果を少なくとも部分的に使用する)アプリケーションは、(例えば)癌を有する被験者および/または癌を有する被験者を介護する介護者によって使用されることができる。本出願は、本書に開示される1つ以上の動作を実行することができる。いくつかの例では、1つ以上のアプリケーションは、癌を有する被験者と介護者との間のコミュニケーションを容易にすることができる。腫瘍学アプリケーションは、腫瘍に特有の処置ワークフローに関連するが、いくつかの実装形態では、アプリケーションは、クラウドベースの乳癌アプリケーション、クラウドベースの肺癌アプリケーション、クラウドベースの結腸癌アプリケーション、クラウドベースの血液癌アプリケーションなどの他の特定の癌タイプに関連することができる。癌タイプに特有の各アプリケーションは、例えば、アプリケーションが利用可能にする変数に基づいて、他のアプリケーションとは区別することができる。そのような通信は、(例えば)異常な症状を介護者に警告することを容易にすることができ、かつ/または(例えば、被験者または地域社会の一部が伝染病を有する場合、被験者が運動障害を有する場合および/または被験者が介護者の施設から物理的に離れている場合に特に有益であり得る)遠隔医療を容易にすることができる。
【0025】
II.癌亜型、診断プロトコル、関連する医療検査、進行評価および利用可能な処置の概要
II.A.癌の原因
世界保健機関によると、死亡の約6人に1人が癌に起因する可能性があり、世界的に2番目に多い死因となっている。癌は、体内での異常細胞の制御されない増殖を特徴とする疾患の群である。この制御されない増殖は、細胞DNAにおける突然変異などの遺伝子変化によって引き起こされる。これらの突然変異は遺伝性の遺伝的性質または性質によって引き起こされることが多いが、環境/毒性曝露(例えば、発癌物質、放射線およびタバコへの曝露)、生活様式関連因子(例えば、肥満、食事、およびアルコール摂取)、年齢、薬物、ホルモン、偶然性および感染症(例えば、肝炎、HPV、およびエプスタイン・バー・ウイルス)を含む他の因子が、個体において癌関連遺伝子変化を引き起こすことができる。スクリーニング、診断、および処置は進歩しているが、より多くの人々がより長く生存し、原因となる生活様式の行動に関与するにつれて、癌の割合は増加している。
【0026】
II.B.癌のタイプ
数例を挙げると、乳癌、皮膚癌、肺癌、結腸癌および前立腺癌などの固形腫瘍を形成する癌を含む、100を超えるタイプの癌が存在する。米国癌研究所によれば、2018年に世界中で推定1800万例の癌症例があった。このうち、950万例が男性、850万例が女性であった。肺癌および乳癌は、世界中で最も一般的な癌であり、それぞれ2018年の新規症例の総数の約12.3%に寄与した。肺癌は男性において最も一般的な癌であったが、乳癌は世界中の女性において最も一般的な癌であった。結腸直腸癌は3番目に多い癌であり、2018年に180万人の新規症例があり、4番目に多い癌として前立腺癌が続き、2018年に127万5千人を超える新規症例があった。
【0027】
癌はまた、血球の産生および機能に影響を及ぼす血液または血液の癌も含む。例は、白血病(例えば、急性白血病、急性リンパ性白血病、急性骨髄球性白血病および慢性リンパ性白血病(CLL))、リンパ腫(例えば、ホジキン病または非ホジキン病リンパ腫(例えば、びまん性未分化リンパ腫キナーゼ(ALK)陰性、大細胞型B細胞リンパ腫(DLBCL);濾胞性リンパ腫(FL);びまん性ALK陽性DLBCL;ALK陽性、ALK+未分化大細胞リンパ腫(ALCL);急性骨髄性リンパ腫(AML));および多発性骨髄腫を含む。
【0028】
II.B.1.乳癌
乳癌は、女性において最も一般的な浸潤性癌であるが、男性においても起こり得る。乳癌は、しばしば、乳管およびこれらの乳管に乳を供給する小葉の内層から細胞に発症する。管から発症する癌は管癌として知られており、小葉から発症する癌は小葉癌として知られている。稀ではあるが、炎症性乳癌は、全乳癌の約1~5%を占める別のタイプの乳癌である。これらの癌は、処置に対する反応を予測するために確立されている以下の特定のバイオマーカーに応じてサブグループに広く分けられることができる:(1)ホルモン受容体(ER+および/またはPR+)陽性およびHer2陰性(Her2-乳癌)、(2)ホルモン受容体陽性(ER+および/またはPR+)およびHer2陽性(Her2+)乳癌、(3)ホルモン受容体陰性(ER-)およびHer2陽性(Her2+)乳癌、ならびに(4)ホルモン受容体陰性(ER-)およびHer2陰性(Her2-)(トリプルネガティブ)乳癌。
【0029】
II.B.1.i.臨床症状
乳癌の症状は、乳房の腫瘤、乳首からの血の分泌物、乳房の肥厚または腫脹、乳房の痛み、乳房の皮膚の刺激またはくぼみ、乳首または乳房の赤みまたは薄片状の皮膚、乳首の痛み、かゆみ、乳房の色の変化、または乳房の発疹を含む。
【0030】
II.B.1.ii.診断
多くの臨床症状が乳癌に関連しているが、乳癌は、通常のマンモグラフィスクリーニングによって識別されることが多い。乳癌は、マンモグラム、超音波、磁気共鳴撮像法(MRI)、および生検を含む複数の検査によって診断されることができる。
【0031】
乳癌のリスク増加に関連する突然変異(例えば、BRCA1およびBRCA2突然変異)の遺伝子検査が、乳癌が診断された後に実施されて、最良の処置過程を決定することもできる。他の診断アッセイ(例えば、VENTANA Her2Dual ISH検査(スイス、バーゼル、Roche))が使用されて、トラスツズマブ(Herceptin、スイス、バーゼル、Roche)による標的化療法のためのHER2陽性乳癌を識別することができる。
【0032】
乳癌には、一般に、以下のように医学界によって特徴付けられる4つのステージがある:
【0033】
ステージ0は、乳癌の最も早いステージである。このステージでは、異常な細胞が存在するが、癌は、乳房の他の部分には広がっていない。このステージは、しばしば、上皮内癌または非浸潤性癌と呼ばれる。
【0034】
ステージ1は、浸潤性乳癌の最も早いステージであり、癌が近くまたは周囲の乳房組織に増殖または拡大していることを意味する。腫瘍は、通常、約2センチメートル以下のサイズである。このステージでは、癌は、リンパ節に広がっていてもいなくてもよい。
【0035】
ステージ2はまた、浸潤性乳癌を示し、このステージでは、腫瘍は、約5センチメートルまで増殖していることがあり、時にはそれよりも大きく増殖していることもある。癌は、リンパ節に広がっていてもいなくてもよい。
【0036】
ステージ3は、癌が通常リンパ節に広がっている浸潤性乳癌のステージである。炎症性乳癌は、皮膚に関与するため、ステージ3において始まる。
【0037】
ステージ4は、「転移性」と呼ばれることが多く、癌が乳房および近くのリンパ節を越えて身体の他の部分に広がっていることを意味する。
II.B.1.iii.亜型化
【0038】
ひとたび乳癌が診断されると、処置の経過を決定するために、乳癌は、腫瘍細胞によって発現されるホルモン受容体に基づいて亜型化されることが多い。4つの主要な女性乳癌亜型は、有病率の順に以下のとおりである:
【0039】
(1)ホルモン受容体(ER+および/またはPR+)陽性およびHer2陰性(Her2-乳癌(ルミナルA乳癌))、(2)ホルモン受容体陰性(ER-)およびHer2陰性(Her2-)(トリプルネガティブ)乳癌、(3)ホルモン受容体陽性(ER+および/またはPR+)およびHer2陽性(Her2+)乳癌(ルミナルB乳癌)、ならびに(4)ホルモン受容体陰性(ER-)およびHer2陽性(Her2+)乳癌(HER2濃縮乳癌)。
【0040】
II.B.1.iv.処置
乳癌の標準治療は、外科手術、放射線療法および薬物処置を組み込んだ集学的アプローチである。乳癌の標準治療は、疾患(例えば、疾患の腫瘍、ステージ、ペース)および患者の特性(例えば、年齢、バイオマーカーの発現および固有の表現型)の双方により決定される。処置選択肢に関する一般的な指針は、NCCNガイドライン(例えば、NCCN Clinical Practice Guidelines in Oncology,Breast Cancer,version 2.2016,National Comprehensive Cancer Network,2016,pp.1-202)およびESMOガイドライン(例えば、Senkus,E.,ら、Primary Breast Cancer:ESMO Clinical Practice Guidelines for diagnosis,treatment and follow-up.Annals of Oncology 2015;26(Suppl.5):v8-v30;およびCardoso F.,ら、Locally recurrent or metastatic breast cancer:ESMO Clinical Practice Guidelines for diagnosis,treatment and follow-up.Annals of Oncology 2012;23(Suppl.7):vii11-vii19.)に記載されている。
【0041】
II.B.1.iv.a.初期または非転移性乳癌
初期または非転移性乳癌の標準治療は、典型的には、乳房切除術または乳房保存手術とそれに続く放射線療法または全身療法である。
【0042】
被験者がホルモン受容体(ER+および/またはPR+)陽性およびHer2陰性(Her2-)である場合、化学療法を伴うまたは伴わない内分泌療法(例えば、タモキシフェン、GnRHアゴニスト、アロマターゼ阻害剤)が投与されることができる。化学療法が投与される場合、そのタイプおよび投与量は、腫瘍量および/またはバイオマーカー発現に応じて選択される。手術前の腫瘍負荷を軽減するためのネオアジュバント療法も使用されることができる。例示的なネオアジュバント療法は、化学療法を伴うまたは伴わないタモキシフェンまたはアロマターゼインヒビターを含む。
【0043】
被験者がホルモン受容体(ER+および/またはPR+)陽性およびHer2陽性(Her2+)である場合、化学療法の有無にかかわらず、ホルモン療法および抗Her2療法が投与されることができる。例示的な処置は、トラスツズマブ(ハーセプチン(登録商標)(スイス、バーゼル、Roche))、化学療法およびタモキシフェン、またはアロマターゼインヒビターの投与を含む。ネオアジュバント療法(例えば、化学療法を伴うトラスツズマブまたはペルツズマブの投与)も使用されることができる。
【0044】
被験者がホルモン受容体陰性(ER-)およびHer2陽性(Her2+)である場合、抗-Her2療法および化学療法が投与されることができる。ネオアジュバント療法(例えば、化学療法を伴うトラスツズマブまたはペルツズマブの投与)も使用されることができる。
【0045】
被験者がホルモン受容体陰性(ER-)およびHer2陰性(Her2-)である場合、化学療法が投与されることができる。化学療法は、ネオアジュバント療法として投与されることもできる。
【0046】
シクロホスファミド(Cytoxan)、ドセタキセル(Taxotere)、パクリタキセル(Taxol)、ドキソルビシン(Adriamycin)、エピルビシン(Ellence)、およびメトトレキサート(Maxtrex)を含むがこれらに限定されない多数の化学療法剤が、初期または非-転移性乳癌の処置に利用可能であり、これらは単剤療法または併用療法として投与されることができる。例えば、Her2+乳癌の処置のために、ドセタキセル、カルボプラチンおよびトラスツズマブが組み合わせて投与されることができる。他の例は、トラスツズマブおよびパクリタキセルの投与、またはドキソルビシンおよびシクロホスファミドの投与とそれに続くパクリタキセルおよびトラスツズマブの投与を含む。
【0047】
II.B.1.iv.b.進行または転移性乳癌
進行性または転移性乳癌の標準治療は、しばしば手術である。いくつかの例では、化学療法は、手術の前または後に投与される。放射線療法および/またはホルモン療法(ER+陽性の腫瘍の場合)は、手術後に投与されることができる。
【0048】
被験者がホルモン受容体(ER+および/またはPR+)陽性且つ閉経後である場合、ホルモン療法は、タモキシフェン、アロマターゼ阻害剤(アンストロゾール、レトロゾールまたはエキセメスタン)、サイクリン依存性キナーゼ阻害剤(パルボシクリブ)またはフルベストラント(抗エストロゲン療法)を含むことができる。
【0049】
被験者がホルモン受容体(ER+および/またはPR+)陽性且つ閉経前である場合、ホルモン療法は、タモキシフェンまたはLHRHアゴニストを含むことができる。トラスツズマブ(ハーセプチン(スイス、バーゼル、Roche))、ベバシズマブ(アバスチン(登録商標)(スイス、バーゼル、Roche))、ラパチニブ、ペルツズマブ、mTOR阻害剤、T-DM1(トラスツズマブエムタンシン)、またはパルボシクリブおよびレトロゾールなどの標的療法も投与されることができる。いくつかの例では、被験者がHer2+である場合、(1)ペルツズマブのみ、(2)トラスツズマブおよびペルツズマブ、(3)トラスツズマブおよび化学療法、または(4)ラパチニブおよび化学療法が第一選択療法として被験者に投与される。場合によっては、アバスチン(登録商標)がパクリタキセルと組み合わせて投与されて、転移性乳癌の化学療法をまだ受けていない患者のHER2陰性乳癌を処置する。
【0050】
カペシタビン(Xeloda(登録商標)(スイス、バーゼル、Roche))、ゲムシタビン(Cynzar)、カルボプラチン(Paraplatin)、シスプラチン(Platinol)、シクロホスファミド(C)(Cytoxen)、ドセタキセル(T)(Taxotere)、パクリタキセル、(T)(Taxol)、ドキソルビシン(A)(Adriamycin)、エピルビシン(E)(Ellence)、エリブリン(Halaven)、5-フルオロウラシル(5-FU、アドルシル)、イクサベピロン(Ixempra)、リポソームドキソルビシン(doxil)、メトトレキサート(M)(Maxtrex)、アルブミン結合パクリタキセル(Abraxane)、およびビノレルビン(Navelbine)を含むがこれらに限定されない多数の化学療法剤が、進行または転移性乳癌の処置に利用可能である。
【0051】
II.B.1.iv.c.初期または非転移性乳癌
トリプルネガティブ乳癌(TNBC)の標準治療は、疾患(ステージ、疾患のペースなど)および患者(年齢、併存症、症状など)の特性の双方によって決定される。
【0052】
早期で、切除できる可能性のある局所進行性TNBCを有する(すなわち遠隔転移性疾患を有しない)患者は、全身化学療法を伴うまたは伴わない局所領域療法(放射線療法を伴うまたは伴わない外科的切除)によって管理される。
【0053】
外科的処置は、乳房保存(すなわち、原発腫瘍を辺縁で除去することに焦点を当てる腫瘍摘除)とすることができるか、またはより広範囲なもの(すなわち、乳房組織の全てを完全除去することを目的とする乳房切除術)とすることができる。放射線療法は、術後に残存している顕微レベルの癌細胞を殺滅する目的で、典型的には、乳房/胸壁および/または所属リンパ節に術後適用される。乳房温存手術の場合、放射線は残りの乳房組織に、時には所属リンパ節(腋窩リンパ節を含む)に照射される。乳房切除術の場合でも、局所再発のリスクが高いと予測される因子があれば、放射線が照射されることがある。
【0054】
腫瘍および患者の特性に応じて、化学療法は、アジュバント(術後)またはネオアジュバント(術前)環境において投与されることができる。早期および局所進行TNBCを処置するためのさらなる指針は、Solin LJ.,Clin Br Cancer.2009,9:96-100;Freedman GM,ら、Cancer.2009,115:946-951;Heemskerk-Gerritsen BAM,ら、Ann Surg Oncol.2007,14:3335-3344;およびKell MR,ら、MBJ.2007,334:437-438に提供されている。
【0055】
全身化学療法は転移性TNBC患者の標準処置であるが、標準的なレジメンまたはシーケンスは存在せず、細胞傷害性化学療法の選択肢は他の亜型のものと同じである。アントラサイクリン(例えば、ドキソルビシン、エピルビシン)、タキサン(例えば、パクリタキセル、ドセタキセル)、代謝拮抗剤(例えば、カペシタビン、ゲムシタビン)、非タキサン微小管阻害剤(例えば、ビノレルビン、エリブリン、エキサベピロン)、プラチナ(例えば、シスプラチン、カルボプラチン)およびアルキル化剤(例えば、シクロホスファミド)などの単剤細胞傷害性化学療法剤は、一般に転移性TNBC患者の主要選択肢と見なされているが、侵攻性疾患および内臓の関与がある場合は併用化学療法レジメンが使用されてもよい。処置は、異なる単剤処置の逐次使用を含んでもよい。局所合併症を管理するために、必要に応じて症状緩和手術および放射線が利用されてもよい。
【0056】
II.B.2.結腸直腸癌
結腸直腸癌は、腸癌または結腸癌としても知られており、結腸および/または直腸を冒す任意の癌である。結腸直腸癌は、大腸(結腸)で始まる。結腸癌は、典型的には高齢者が罹患するが、どの年齢でも起こり得る。それは、通常、結腸の内側に形成されるポリープと呼ばれる細胞の小さな非癌性凝集塊として始まる。時間が経つにつれて、これらのポリープの一部は結腸癌になり得る。
【0057】
II.B.2.i.臨床症状
結腸癌の症状は、直腸出血または血便、痙攣、ガス、腹痛、下痢または便秘を含む排便習慣の持続的な変化、衰弱または疲労、および原因不明の体重減少を含む。結腸癌を有する多くの人々は、疾患の初期段階では症状を経験しない。症状が現れる場合、それらは、大腸における癌のサイズおよび位置に応じて変化する可能性が高い。
【0058】
II.B.2.ii.診断
医師は、結腸癌または非癌性結腸ポリープの徴候を探すために、結腸癌の徴候または症状のない健康な被験者のスクリーニング検査を推奨する。医師は、一般に、結腸癌の平均リスクを有する人は50歳前後にスクリーニングを開始することを推奨する。最も初期の段階において結腸癌を発見することは、処置成功の最大の機会を提供する。
【0059】
身体検査に加えて、以下の検査のうちの1つ以上が、結腸直腸癌を診断するために使用されることができる:大腸内視鏡検査、生検、腫瘍の分子検査、血液検査、コンピュータ断層撮影(CTまたはCAT)スキャン、MRI、直腸鏡検査、超音波およびX線。多くの場合、疑わしい結腸直腸癌が任意のスクリーニングまたは診断検査によって発見された場合、それは結腸鏡検査中に生検される。
【0060】
生検が結腸癌の存在を示す場合、結腸癌をさらに分類するために追加の遺伝子検査が行われることがある。例えば、任意のミスマッチ修復遺伝子(MLH1、MSH2、MSH6、およびPMS2)の変化が検出されて、人が結腸癌を発症するリスクを増加させる遺伝性障害であるLynch症候群を有する被験者を識別することができる。
【0061】
結腸癌のステージは、以下のように医学界によって特徴付けられている:
【0062】
ステージ0は、結腸癌の最も早いステージである。このステージは、上皮内癌または粘膜内癌(Tis)としても知られている。このステージでは、癌は、結腸または直腸の内層(粘膜)を超えて増殖していない。
【0063】
ステージIは、粘膜筋層を通って粘膜下層への癌の増殖を特徴とし、粘膜固有筋層に増殖していることもある。これは、近くのリンパ節または遠隔部位には広がっていない。
【0064】
ステージIIAは、結腸または直腸の最外層への癌増殖を特徴とするが、それらを通過していない。このステージでは、癌は、近くのリンパ節または遠隔部位には広がっていない。ステージII結腸癌は、以下の3つのステージに細分されることができる:
・ステージIIA-癌は、漿膜または外側結腸壁に広がっているが、その外側バリアを超えてはいない。
・ステージIIB-癌は、漿膜を越えて広がっているが、近傍の器官には影響を与えていない。
・ステージIIC-癌は、漿膜および近くの器官に影響を及ぼしている。
【0065】
ステージIIIは、リンパ節に影響を及ぼした結腸の内層を越えた癌の増殖を特徴とする。このステージでは、リンパ節が罹患しているにもかかわらず、癌は、まだ体内の他の器官に罹患していない。このステージは、以下の3つのカテゴリにさらに分けられる:IIIA~IIIC。癌がこれらのカテゴリにステージ分類される場所は、結腸壁のどの層が罹患しているか、およびいくつのリンパ節が攻撃されているかの複雑な組み合わせに依存する。
【0066】
ステージIVは、血液およびリンパ節を介して体内の他の器官に広がった転移増殖を特徴とする。
【0067】
II.B.2.iii.処置
結腸癌に対する標準治療は、結腸癌のステージに依存する。ステージ0~IIIの結腸癌は、典型的には手術によって処置される。
【0068】
ステージ0の結腸癌の処置は、通常、結腸鏡検査中に行われるポリープ切除である。この処置中、医師は、悪性細胞の全てを除去することができる。細胞がより大きな領域に影響を及ぼした場合、大腸内視鏡検査中に切除が行われることができる。
【0069】
ステージIの結腸癌患者については、患部を除去するために部分的結腸切除術が行われる。この外科的処置は、依然として健康な結腸の部分を再接合することを含むことができる。
【0070】
ステージIIの癌は、患部を除去するために手術によって処置される。場合によっては、化学療法も推奨されることがある。結腸の閉塞または穿孔を引き起こした高悪性度または異常な癌細胞または腫瘍は、さらなる処置を必要とし得る。外科医が癌細胞の全てを除去することができない場合、残存する癌細胞を死滅させ、再発のリスクを低減するために放射線も推奨されることがある。
【0071】
ステージIIIの結腸癌の全てのカテゴリは、患部を除去するための手術を伴う。場合により、化学療法および/または放射線療法が投与されることができる。いくつかの例では、放射線療法はまた、手術に十分に健康でない患者、または手術が行われた後も依然として体内に癌細胞を有する可能性がある患者に推奨されることができる。
【0072】
ステージIVの結腸癌を有する患者は、罹患した器官の小さな領域または転移を除去するために手術を受けることがある。しかしながら、多くの場合、領域は大きすぎて除去されることができない。したがって、通常は化学療法と組み合わせた標的療法が、ステージIV/転移性癌(mCRC)を処置するために使用される。
【0073】
mCRCに対する単一の標準処置はないが、一般的な第一選択処置レジメンは、イリノテカンおよび/またはオキサリプラチンとの様々な組み合わせおよびスケジュールでのフルオロピリミジン(例えば、フルオロウラシル(5-FU)またはカペシタビン)の投与を含む。ベバシズマブ(アバスチン(登録商標))セツキシマブまたはパニツムマブは、第一選択化学療法処置のいずれか、例えばXelodaと組み合わせてもよい。場合によっては、維持療法が投与される。維持療法の投与は、第一選択化学療法の選択に依存するが、多くの場合、フルオロピリミジンとベバシズマブとの組み合わせである。
【0074】
第二選択療法も使用されることができる。上記に列挙した処置に加えて、第一選択療法選択に応じて、アフリベルセプトまたはラムシルマブがFOLFIRI(フルオロウラシル+ロイコボリン+イリノテカン)と組み合わせて使用されることができる。
【0075】
第三選択療法も使用されることができる。例えば、癌がRAS野生型であり、EGFR抗体によって以前に処置されていない場合、セツキシマブまたはパニツムマブが、場合により化学療法と組み合わせて投与されることができる。レゴラフェニブ、またはトリフルリジンとチピラシルとの組み合わせも、第三選択療法として使用されることができる。場合によっては、抗EGFRモノクローナル抗体療法に反応する可能性が低い結腸直腸患者は、結腸直腸癌患者からのホルマリン固定パラフィン包埋組織におけるKRAS遺伝子のコドン12、13、および61の突然変異を検出する、cobas(登録商標)KRAS突然変異検査またはcobas(登録商標)KRAS突然変異検査v2(スイス、バーゼル、Roche)を使用して識別されることができる。
【0076】
II.B.3.肺癌
肺癌は、典型的には、気管支および肺の一部(細気管支または肺胞など)を内張りする細胞で始まる。肺癌の約80~85%は、非小細胞肺癌(NSCLC)であり、これは、以下の亜型に分けることができる:腺癌、扁平上皮癌、および大細胞癌。これらの亜型は、それらの処置および予後が類似することが多いため、NSCLCとして一緒にグループ化されることが多い。全ての肺癌の約10~15%が小細胞肺癌(SCLC)であり、これは、NSCLCよりも速く増殖および拡大する傾向がある。
【0077】
II.B.3.i.臨床症状
肺癌の症状は、持続性咳、喀血、胸痛、嗄声、食欲不振、原因不明の体重減少、息切れ、疲労、回復しない感染症、および喘鳴を含む。
【0078】
II.B.3.ii.診断
肺癌は、画像検査(例えば、X線、CTスキャン、またはMRI)、痰の細胞診、および/または組織生検を使用して検出されることができる。生検は、気管支鏡検査、縦隔鏡検査、または針生検を使用して行うことができる。生検試料はまた、リンパ節から、または癌が例えば肝臓から広がっている可能性がある組織から取得されることができる。
【0079】
肺癌の診断が行われると、肺癌のタイプおよびステージが決定される。病期診断検査は、医師が、癌が肺を越えて広がっているかどうかを決定することを可能にするイメージング手順を含むことができる。これらの検査は、CT、MRI、陽電子放射断層撮影法(PET)、および骨スキャンを含む。
【0080】
肺癌の層別化および分類のためのいくつかの診断アッセイが利用可能である。例えば、VENTANA ROS1(SP384)ウサギモノクローナル一次抗体アッセイ(スイス、バーゼル、Roche)は、約1~2%のNSCLC患者に生じる侵襲性形態の癌であるROS-1陽性癌の識別に利用可能である。VENTANA ALK(D5F3)CDxアッセイ(スイス、バーゼル、Roche)は、XALKORI(登録商標)(クリゾチニブ)、ZYKADIA(登録商標)(セリチニブ)またはALECENSA(登録商標)(アレクチニブ)による処置に適格なNSCLC患者を識別する補助として利用可能である。p40(BC28)マウスモノクローナル一次抗体アッセイ(スイス、バーゼル、Roche)、TTF-1(SP141)ラビットモノクローナル一次抗体アッセイ(スイス、バーゼル、Roche)、Cytokeratin5/6(D5/16B4)マウスモノクローナル一次抗体アッセイ(スイス、バーゼル、Roche)、およびNapsin A(MRQ-60)マウスモノクローナル一次抗体アッセイ(スイス、バーゼル、Roche)も、肺癌を層別化するために使用されることができる。
【0081】
II.B.3.ii.a.NSCLC
NSCLCのステージは、以下のとおりである:
【0082】
ステージ0は、上皮内癌としても知られている。このステージでは、癌は、サイズが小さく、より深い肺組織または肺の外側には広がっていない。
【0083】
ステージIは、下にある肺組織に存在することがあるがリンパ節には広がっていない、単一の肺にある癌を特徴とする。このステージは、ステージIaおよびステージIbに分けられる。ステージIaでは、腫瘍は、3センチメートル以下である。ステージIbでは、腫瘍は、3~センチメートルのサイズであるか、または腫瘍は、4センチメートル以下であり、以下のうちの1つ以上が見られる:(1)癌は主気管支に広がっているが気管分岐部には広がっていない;(2)癌は肺を覆う膜の最内層に広がっている;かつ/または(3)肺の一部もしくは肺全体が虚脱しているか、または肺臓炎を発症している。
【0084】
ステージIIは、付近のリンパ節および胸壁への可能性のある広がりを含む。このステージは、ステージIIaおよびステージIIbに分けられる。ステージIIaの癌は、4センチメートルより大きいが5センチメートル以下の大きさの腫瘍が、近くのリンパ節に広がっていないことを表す。ステージIIbの肺癌は、リンパ節に広がった5センチメートル以下の大きさの腫瘍を表す。ステージIIbの癌はまた、リンパ節に転移していない幅5センチメートルを超える腫瘍とすることができる。
【0085】
ステージIIIは、肺からリンパ節への継続的な広がりを含む。癌が、癌が開始した胸部と同じ側のリンパ節にのみ広がっている場合、それはステージIIIaと呼ばれる。癌が胸部の反対側または鎖骨の上方のリンパ節に広がっている場合、それはステージIIIbと呼ばれる。
【0086】
ステージIVは、疾患の最も進行した転移ステージである。このステージでは、癌は、肺を越えて身体の他の領域に転移している。NSCLC患者の約40%は、ステージIVにあるときに診断され、5年生存率は10%未満である。
【0087】
II.B.3.ii.b.SCLC
SCLCのステージは、以下のように医学界によって特徴付けられている:
【0088】
SCLCの限局型またはステージ1は、胸部の片側にのみ発症し、肺、リンパ節、またはその双方の単一領域を含む肺癌である。
【0089】
SCLCの広範なステージまたはステージ2は、胸部の反対側、胸部の外側、または身体の他の部分に広がっている肺癌である。
【0090】
II.B.3.iii.処置
II.B.3.iii.a.NSCLC
手術は、ステージIまたはIIのNSCLC患者に推奨されることが多く、治癒のための最良の可能性を提供することができる。リスク因子に基づく、アジュバント化学療法を伴うまたは伴わない手術(または患者が手術候補でない場合は放射線)が、一般にステージIbおよびIIに適切である。
【0091】
NSCLCのステージIおよびIIの標準治療は、アジュバント化学療法を伴う手術である。例えば、シスプラチンまたはカルボプラチンなどのプラチナ化学療法剤は、ビノレルビン、エトポシド、ビンブラスチン、ゲムシタビン、ドセタキセル、ペメトレキセドまたはパクリタキセルと組み合わせて投与されることができる。
【0092】
局所進行性疾患(ステージIIIaまたはIIIb)の標準治療は化学放射線療法である。処置推奨は、同時の化学療法および放射線、または逐次の化学療法および放射線の使用を含む。選択された患者(主にステージIIIaの患者)は、手術の候補とすることができ、これらの患者は、外科的切除の前に化学療法単独または放射線を伴う化学療法を受けることができる。ステージIIIaおよびIIIbの疾患は、典型的には、患者が外科的候補でない場合、化学療法と放射線との組み合わせによって処置される。
【0093】
化学療法および放射線療法は、好ましくは同時に行われるが、パフォーマンスステータスが不良な患者では、これらの療法は連続して行われることがある。手術、放射線、または化学療法ではなく同時化学放射線療法によって患者を処置するという決定は、腫瘍内科医、放射線療法士、および胸部外科医を含む集学的チームによって行われるべきである。
【0094】
一次療法(例えば、手術および/または放射線)後に転移性疾患(ステージIV)または再発性疾患を有する患者は、生活の質を改善し、症状を緩和し、全生存率を改善するために、一次化学療法を検討すべきである。例えば、シスプラチンまたはカルボプラチンなどのプラチナ化学療法剤は、ビノレルビン、エトポシド、ビンブラスチン、ゲムシタビン、ドセタキセル、ペメトレキセドまたはパクリタキセルと組み合わせて投与されることができる。
【0095】
例えば、パクリタキセル、ドセタキセル、ゲムシタビン、ビノレルビン、またはペメトレキセブによる単剤療法は、良好なパフォーマンスステータスを有する特許または高齢者における合理的な第一選択の選択肢である。
【0096】
第二選択化学療法は、第一選択療法後の疾患進行後の転移性または再発性疾患のために投与されることができる。例示的な第二選択レジメンは以下のとおりである:ニボルマブ;PD-L1陽性の腫瘍におけるペンブロリズマブ(EGFRまたはALK遺伝子腫瘍異常を有する患者は、ペンブロリズマブを受ける前に疾患が進行しているはずである);ドセタキセルおよびラムシルマブ;ニンテダニブおよびドセタキセル;エルロチニブ(Tarceva(登録商標)(スイス、バーゼル、Roche));およびアファチニブ。エルロチニブ単独は、第二選択状況において、依然として標準治療である。
【0097】
第一選択および第二選択療法後の疾患進行後に、進行または再発NSCLCのために第三選択化学療法が行われる。選択肢は、エルロチニブ、ラムシルマブおよびニボルマブを含む。
【0098】
一次化学療法を完了した後に疾患応答または安定疾患を有する進行(ステージIV)疾患を有する患者については、スイッチ維持化学療法または継続維持療法の形態の転移性または再発性疾患のための維持化学療法が考慮されることができる。
【0099】
スイッチ維持化学療法は、第一選択療法において使用されるものとは異なる薬剤を用いて化学療法を投与することを含む。継続維持療法は、4~6サイクルの第一選択療法の完了後に、第一選択療法の一部であった薬剤を含む化学療法を施すことを含む。
【0100】
II.B.3.iii.b.SCLC
任意のステージのSCLCは、典型的には最初は処置に反応するが、反応は通常短命である。放射線療法を伴うまたは伴わない化学療法が、疾患のステージに応じて行われる。多くの患者において、化学療法は、生存期間を延ばし、その使用を保証するのに十分な生活の質を改善する。外科手術は、一般にSCLCの処置には何の役割も果たさないが、小さな限局性腫瘍(孤立性肺結節など)を有し、腫瘍がSCLCとして識別される前に外科的切除を受けた稀な患者では治癒的であり得る。
【0101】
限局型SCLCは、一般に、化学療法薬の組み合わせによって処置される。例えば、シスプラチンまたはカルボプラチンなどのプラチナ化学療法剤は、ビノレルビン、エトポシド、ビンブラスチン、ゲムシタビン、ドセタキセル、ペメトレキセドまたはパクリタキセルと組み合わせて投与されることができる。
【0102】
持続型SCLCでは、単剤療法または併用療法のいずれかとしての化学療法単独がしばしば使用される。イリノテカン、トポテカン、ビンカアルカロイド(例えば、ビンブラスチン、ビンクリスチン、ビノレルビン)、アルキル化剤(例えば、シクロホスファミド、イホスファミド)、ドキソルビシン、タキサン(例えば、ドセタキセル、パクリタキセル)およびゲムシタビンは、そのような化学療法剤の例である。いくつかの組み合わせは、エトポシド、イリノテカン、トポテカンおよびゲムシタビンと組み合わせたシスプラチンまたはカルボプラチンなどのプラチナ化学療法剤を含む。いくつかの例では、シクロホスファミド、ドキソルビシンおよびビンクリスチンが第一選択化学療法として投与される。
【0103】
第一選択化学療法の完了後6ヶ月を超えて再発した疾患を有する患者は、元の第一選択レジメン(典型的には、プラチナベースの組み合わせ)によって再び処置されることができる。
【0104】
II.B.4.血液癌
ほとんどの血液学的癌または血液癌は、血球が作られる骨髄で始まる。血液癌は、異常な血球が制御不能に増殖し、正常な血球の機能を妨げる場合に生じる。以下に示すように、3つの主要なタイプの血液癌が存在する。
【0105】
白血病は、身体が非常に多くの異常な白血球を生成し、赤血球および血小板を生成する骨髄の能力を妨げる場合に発生する。
【0106】
リンパ腫は、リンパ系に影響を及ぼす血液癌である。リンパ腫では、異常な変異リンパ球が対照の増殖し、より異常なリンパ球を産生する。時間が経つにつれて、これらの異常リンパ球は、免疫系を損傷するリンパ腫細胞になる。
【0107】
骨髄腫は、形質細胞の癌である。形質細胞は、疾患および感染と戦う抗体を産生する白血球である。骨髄腫細胞は、抗体の正常な産生を妨げ、したがって、身体の免疫系を弱め、感染しやすくする。
【0108】
II.B.4.i.臨床症状
血液癌の症状は、貧血、血液凝固不良、異常なあざ、歯肉の出血、発疹、重篤な期間、黒色であるかまたは赤色の筋が入った排便、発熱、寝汗、首または脇の下のこぶ、原因不明の体重減少、および骨痛を含む。
【0109】
II.B.4.ii.診断
白血病を診断するために、赤血球および血小板と比較して異常なレベルの白血球を識別することができる、身体検査および全血球計算(CBC)検査が行われる。場合によっては、白血病のタイプを診断および/または識別するために骨髄生検が行われる。診断がなされると、白血病はまた、ステージ分類されることもできる。例えば、19歳を超える成人において最も一般的なタイプの白血病であるCLLのステージは、以下のとおりである:
【0110】
ステージ0は、血液に白血球(リンパ球)が多すぎるが、他の血球数が正常に近い場合である。白血病の他の症状は通常ない。癌は、ゆっくりと増殖しており、このステージはリスクが低い。
【0111】
ステージIは、血液がリンパ球を多すぎる場合の中リスクステージである。このステージでは、リンパ節は正常よりも大きいが、他の器官は正常な大きさである。典型的には、赤血球数および血小板数も正常に近い。
【0112】
ステージIIは、血液中にリンパ球が多すぎ、脾臓が腫大している、中リスクステージである。リンパ節はまた、正常よりも大きいことがある。赤血球数および血小板数は正常に近い。
【0113】
ステージIIIは、血液が多すぎるリンパ球を有し、患者が貧血である(すなわち、赤血球が少なすぎる)場合の高リスクステージである。さらに、リンパ節、肝臓、または脾臓は、正常よりも大きいことがある。血小板数は正常に近い。
【0114】
ステージIVは、血液がリンパ球を多すぎ、血小板も少なすぎる場合の高リスクステージである。このステージでは、リンパ節、肝臓、または脾臓は正常より大きく、患者は貧血であり得る。
【0115】
リンパ腫の診断は、通常、リンパ節生検を含む。場合によっては、X線、血液検査、CTスキャン、および/またはPETスキャンが使用されて、リンパ節の腫脹を検出することができる。診断がなされると、リンパ腫はまた、ステージ分類されることもできる。リンパ腫のステージは、以下のとおりである:
【0116】
ステージ1は、リンパ節またはリンパ構造などの1つの領域または部位のみを含む。
【0117】
ステージ2は、2つ以上のリンパ節領域または2つ以上のリンパ節構造を含む。このステージでは、関与領域は身体の同じ側にある。
【0118】
ステージ3は、リンパ節領域を含み、構造は身体の両側にある。
【0119】
ステージ4は、リンパ節以外の他の器官を含み、リンパ構造は全身に関与する。これらの器官は、骨髄、肝臓、または肺を含むことができる。
【0120】
骨髄腫の診断のために、CBC検査、血液検査、尿検査、骨髄生検、X線、MRI、PETおよびCTスキャンのうちの1つ以上が使用されて、骨髄腫の存在および程度を確認することができる。
【0121】
II.B.4.iii.処置
血液癌の処置は、癌のタイプおよびステージ、ならびに疾患の広がりおよび他の基本的な健康パラメータに依存する。処置選択肢は、放射線療法、化学療法、免疫療法、および幹細胞移植を含む。
【0122】
II.B.4.iii.a.B細胞リンパ腫
B細胞リンパ腫は、米国における非ホジキンリンパ腫(NHL)の大部分(約85%)を構成する。DLBCL、FLおよびCLLは、最も一般的なタイプのB-細胞リンパ腫である。
【0123】
II.B.4.iii.b.びまん性大細胞型B細胞リンパ腫(DLBCL)
DLBCLの処置は、DLBCLのステージおよび亜適応症に応じて変わるであろうが、ほとんどの患者に対する標準治療は、R-CHOP(リツキシマブ(Mabthera/Rituxan(スイス、バーゼル、Roche))、シクロホスファミド、ヒドロキシダウノルビシン、ビンクリスチンおよびプレドニゾロン)化学療法である。
【0124】
DLBCLの最初の再発のための治療は、典型的には、自己幹細胞移植に進むことが意図されているかどうかに基づく。移植を意図する患者の場合、典型的なレジメンは、R-ICE(リツキシマブ、イホスファミド、カルボプラチンおよびエトポシド)およびR-DHAP(リツキシマブ、デキサメタゾン、高用量シタラビン、およびシスプラチン)またはあまり一般的ではないがR-ESHAP(リツキシマブ、エトポシド、ソルメドローン、高用量シタラビンおよびシスプラチン)である。他のレジメン(R-Benda(リツキシマブおよびベンダムスチン)およびR-Borte(リツキシマブおよびボルテゾミブ))は、典型的には、年齢および併存症の存在などの要因のために移植に適格でない患者のために確保される。いくつかの場合、幹細胞移植の候補ではない再発性または難治性DLBCLを有する成人患者に、ベンダムスチン+リツキシマブと組み合わせたポラズツズマブベドチン(Polivy(登録商標)、(スイス、バーゼル、Roche))が投与される。DLBCLの2回目の再発がある場合、R-ICE、R-ESHAP、BR、R-Benda、R-DHAPまたはR-Hyper-CVAD(リツキシマブ、多分割シクロホスファミド、ドキソルビシン、ビンクリスチンおよびデキサメタゾン)が投与されることができる。
【0125】
II.B.4.iii.c.濾胞性リンパ腫(FL)
FLの処置は、FLの従属適応症、標準治療に応じて変わるが、第一選択化学療法処置は、リツキシマブ(R)、R-CHOP(リツキシマブ、シクロホスファミド、ヒドロキシダウノルビシン、ビンクリスチンおよびプレドニゾロン)化学療法、R-BendaおよびR-CVP(リツキシマブ、シクロホスファミド、ビンクリスチンおよびプレドニゾロン)を含む。FLの一次維持療法は、通常リツキシマブである。
【0126】
FLの最初の再発が起こる場合、患者は、典型的には、第一選択療法とは異なるレジメン、例えば、R-CHOP、R-CVP、R-BendaまたはR-DHPを受ける。2回目の再発が起こった場合、R-Benda、R-ICEまたはイデラリシブが患者に投与されることができる。
【0127】
場合によっては、タゼメトスタットは、腫瘍がゼステホモログ2(EZH2)遺伝子突然変異のエンハンサーに対して陽性であり、少なくとも2回の事前全身療法を受けている再発性または難治性FL患者に投与されることができる。EZH2突然変異の検出のためのFDA承認検査が利用可能である;例えば、cobas(登録商標)EZH2突然変異検査(スイス、バーゼル、Roche)が使用されて、ホルマリン固定パラフィン包埋ヒトFL腫瘍組織から抽出したDNAの突然変異を識別することができる。
【0128】
II.B.4.iii.d.慢性リンパ性白血病(CLL)
CLLは、一般に高齢者で診断され、診断時の年齢の中央値は72歳である。このため、2013年のCLLの国際ワークショップでは、CLL患者の適応度が、患者の選択および処置目標の特定のためのより良好な決定因子であることが提案された。適応度の前記分類は、以下が可能であるため必要である:(1)CLLとは無関係の患者の平均余命を正確に分類する(すなわち、他の健康問題);(2)処置の修正および中止の予測を含む、積極的化学療法に耐える患者の能力を決定する;および(3)臨床試験全体で患者のより一貫した層別化および選択を可能にする。現在、研究者らは、根底にある腫瘍生物学に起因する疾患の広範な不均一性を認識している(例えば、17pおよび11qの欠失)。(Fit vs.Frail Assessment Strategies in CLL,New Evidence Oncology Issue-2015年10月)。CLLの場合、患者は、健康状態(適合または不適合)、特定の突然変異を有するかどうか、および疾患の最初の発生または再発について処置されるかどうかにしたがって処置される。
【0129】
CLLの処置は様々であるが、多くの場合、患者の状態は、徴候または症状が現れるかまたは変化するまで、処置を施すことなく監視される。処置を施す決定がなされると、選択肢は、放射線療法、化学療法、および標的療法を含む。
【0130】
CLLの下位適応症に応じて、FCR(フルダラビン、シクロホスファミドおよびリツキシマブ)がしばしば、適合患者のための標準治療の第一選択化学療法レジメンとして使用される。過去の感染の病歴を有する患者には、Benda-Rが使用されることができる。適合性が低い場合の代替の第一選択選択肢は、クロラムブシルと抗CD20抗体(例えば、リツキシマブ、オファツムマブまたはオビヌツズマブ)との組み合わせである。TP53突然変異またはdel(17p)突然変異を有する患者については、リツキサミブを伴うまたは伴わないBCR受容体アンタゴニストが投与されることができる。あるいは、造血幹細胞移植が、寛解状態の患者について考慮されることができる。
【0131】
患者が再発性または難治性CLLを有する場合、リツキシマブを伴うまたは伴わないBCL2アンタゴニストが患者に投与されることができる。あるいは、R-BendaまたはFCRが患者に投与されることができる。再発性CLLのための他のレジメンは、イブルチニブ、イデラリシブおよびリツキシマブ、または同種異系造血幹細胞移植を含む。患者が再発性CLLを有し、TP53突然変異またはdel(17p)突然変異を有する場合、リツキシマブを伴うまたは伴わないBCL2アンタゴニストが患者に投与されることができる。あるいは、他のレジメンは、イブルチニブ、イデラリシブおよびリツキシマブ、または同種異系造血幹細胞移植を含む。
【0132】
支持療法レジメンはまた、処置されている患者または癌の処置を受けた患者にも投与されることができる。これらは、数例を挙げると、化学療法および/または放射線療法誘発性の悪心および嘔吐(例えば、Kytril(登録商標)(スイス、バーゼル、Roche))のための薬物療法;抗貧血薬(例えば、NeoRecorman(スイス、バーゼル、Roche));骨転移を処置または予防するための薬物療法(例えば、Bondronat(登録商標)(スイス、バーゼル、Roche));好中球減少症(例えば、Neupogen(登録商標)(スイス、バーゼル、Roche))の処置を含む。
【0133】
III.インテリジェント機能を展開するためのクラウドベースのネットワークアーキテクチャの概要
技術は、エンティティのユーザ(例えば、医師)が被験者レコードを使用して機械学習またはAI技術を実行することを可能にするコードを実行するようにサーバを構成することに関する。被験者レコードは、被験者を特徴付けるデータ要素の複雑な組み合わせを含む。例示的な例として、被験者レコードは、数千のデータフィールドの組み合わせを含むことができる。いくつかのデータフィールドは、固定の非数値(例えば、被験者の民族性)を含むことができ、他のデータフィールドは、非構造化テキストデータ(例えば、医師によって作成されたメモ)を含むことができ、他のデータフィールドは、収集された測定値の時変系列(例えば、年に2から4回行われるグリコシル化ヘモグロビン測定)を含むことができ、他のデータフィールドは、画像(例えば、被験者の脳のMRI)を含むことができる。機械学習モデルおよびAIモデルは、数値形式またはベクトル形式でデータを処理するように構成されることが多いため、被験者レコードにおけるデータタイプおよびフォーマットの複雑さおよび分散は、不可能ではないにしても、被験者レコードの処理を技術的に困難にする。この目的とする技術的課題に照らして、本開示の特定の態様および特徴は、被験者レコードの様々なデータ要素を特徴付けるベクトル表現などの変換表現への被験者レコードの変換に関する。
【0134】
技術は、被験者レコードに含まれる非数値を、予測出力を生成するために機械学習モデルまたはAIモデルに入力することができる数値表現(例えば、特徴ベクトル)に変換することに関する。コードを実行するサーバは、被験者レコードを機械学習またはAIモデルによって消費可能な変換表現に変換することによって、目的の技術的課題を解決する技術的効果を提供する。「消費可能」は、機械学習またはAIモデルが予測出力を生成するために処理するように構成されたフォーマットまたは形態のデータを指すことができる。機械学習モデルまたはAIモデルは、複数のデータフォーマットのデータ要素と各個々の被験者レコードに含まれるデータタイプとの複雑な組み合わせのために、被験者レコードを処理するようには構成されていない(それらがデータレジストリに記憶された状態で存在するため)。例示すると、所与の被験者レコードについて、データ要素は、イベントの長期シーケンス(例えば、免疫レコード)を含んでもよく、他のデータ要素は、被験者から得られた測定値(例えば、バイタル)を含んでもよく、さらに他のデータ要素は、ユーザによって入力されたテキスト(例えば、医師によって記録されたメモ)を含んでもよく、さらに他のデータ要素は、画像(例えば、X線)であってもよい。データ要素の値(例えば、年齢層)に基づいて被験者をグループ化するなど、被験者レコードに対して(任意の変換の前に)限定的または単純な分析が実行されることができる。しかしながら、被験者レコードの複雑さおよびサイズがビッグデータ規模に到達すると、限定的または単純な分析は問題になるかまたは実行不可能になる。ビッグデータ規模で被験者レコードから分析評価を処理および抽出するために、被験者レコードをデータマイニングするために機械学習技術またはAI技術が使用されることができる。しかしながら、機械学習モデルまたはAIモデルは、数値入力またはベクトル入力を受信するように構成される。例えば、k平均クラスタリングなどのクラスタリング演算は、入力としてベクトルを受信するように構成される。したがって、被験者レコードに対してクラスタリング演算を実行するために、本開示は、被験者レコードを数値ベクトル表現などの機械学習またはAIモデルによって消費可能な変換表現に変換することによって目的の技術的課題を解決する技術的効果を提供する。インテリジェント分析は、変換表現状態の被験者レコードに対して実行されることができる。インテリジェント分析(サーバがコードを実行すると実行される)の非限定的な例は、クラスタリング技術を使用して被験者群を自動的に検出すること、被験者レコード内のデータ要素の値に基づいて特定の結果を予測する出力を生成すること、および所与のまたは新たな被験者レコードに類似する既存の被験者レコードを識別することを含むことができる。
【0135】
例示すると、非限定的な例としてのみ、被験者の被験者レコードは、4つのデータ要素を含む。第1のデータ要素は、症状の診断を表す固有のコードを含む。第2のデータ要素は、被験者の脳のMRIを含む。第3のデータ要素は、1年間にわたる血圧測定値などの時変系列の測定値を含む。第4のデータ要素は、非構造化メモ、例えば、1つ以上の検査を検査または実行することによって検出された症状のメモを含む。特定の実装形態によれば、第1のデータ要素、第2のデータ要素、第3のデータ要素、および第4のデータ要素のそれぞれは、変換表現(例えば、ベクトル)に変換されることができる。4つのデータ要素内に含まれる値を変換するために使用される技術は、データ要素に含まれるデータのタイプに依存することができる。第1のデータ要素について、例えば、診断を表す固有のコードは、固定長ベクトルとして表されることができ、ベクトルのサイズは、コードの語彙のサイズによって決定され、語彙内の各コードは、固定長ベクトルのベクトル要素によって表される。第1のデータ要素内に含まれる1つ以上の固有のコードは、コードの語彙と比較されてもよい。固有のコードが語彙のコードと一致する場合、固有のコードに対応するベクトルの位置においてベクトル要素に「1」が割り当てられることができ、ベクトルの残りの全てのベクトル要素に「0」が割り当てられることができる。上記に照らして、第1のデータ要素の値を表すために第1のベクトルが生成されることができる。他の例として、第2のデータ要素について、画像の潜在空間表現は、訓練されたオートエンコーダニューラルネットワークを使用して生成されることができる。入力画像の潜在空間表現は、入力画像の次元削減バージョンであってもよい。訓練されたオートエンコーダニューラルネットワークは、エンコーダモデルおよびデコーダモデルの2つのモデルを含むことができる。エンコーダモデルは、画像内で検出された特徴のセットから顕著な特徴のサブセットを抽出するように訓練されることができる。顕著な特徴(例えば、キーポイント)は、画像内の高強度の領域(例えば、物体のエッジ)であってもよい。エンコーダモデルの出力は、入力画像の潜在空間表現であってもよい。潜在空間表現は、訓練されたオートエンコーダモデルの隠れ層によって出力されてもよく、したがって、潜在空間表現は、サーバによってのみ解釈可能であってもよい。デコーダモデルは、抽出された顕著な特徴のサブセットから元の入力画像を再構成するように訓練されることができる。エンコーダモデルの出力は、第2のデータ要素に含まれる画像の画素値を表す特徴ベクトルとして使用されることができる。上記に照らして、第2のデータ要素に含まれる画像を表すために第2のベクトル(例えば、潜在空間表現)が生成されることができる。他の例として、第3のデータ要素について、測定値の時変シーケンスが数値的に表されることができる。いくつかの実装形態では、時変シーケンスは、被験者から測定が行われた場合の合計によって表されることができる。他の実装形態では、時変シーケンスは、ある期間(例えば、1年)に発生した測定のインスタンスにわたって行われた測定の値の算術平均、平均、または中央値を使用して数値的に表されることができる。他の実装形態では、測定の周波数が計算され、測定の時変シーケンスを数値的に表すために使用されることができる。上記に照らして、第3のデータ要素内に含まれる値の時変シーケンスを表すために第3のベクトルが生成されることができる。さらに他の例として、第4のデータ要素について、ユーザによって入力されたメモは、任意の数の自然言語処理(NLP)テキストベクトル化技術を使用して処理およびベクトル化されることができる。いくつかの実装形態では、第4のデータ要素に含まれるメモを単一のベクトル表現に変換するために、Word2Vecモデルなどの単語対ベクトル機械学習モデルが実行されることができる。他の実装形態では、畳み込みニューラルネットワークが訓練されて、第4のデータ要素に含まれるメモから症状、処置、または診断を示すテキスト内の単語または数字を検出することができる。上記に照らして、第4のデータ要素に含まれるメモのテキストをベクトル表現として表すために第4のベクトルが生成されることができる。したがって、被験者レコード全体を表す最終特徴ベクトルは、第1のベクトル、第2のベクトル、第3のベクトル、および第4のベクトルの連結を含む複数のベクトルのうちのベクトルとすることができる。他の例では、第1のベクトル、第2のベクトル、第3のベクトル、および第4のベクトルの平均が使用されて、被験者レコード全体を数値的に表すことができる。第1のベクトル、第2のベクトル、第3のベクトル、および第4のベクトルの他の組み合わせを使用して、被験者レコード全体を数値的に表す最終特徴ベクトルを生成することができる。
【0136】
いくつかの実装形態では、被験者レコードの各データ要素を数値的に表すベクトルを生成する代わりに、データ要素のセットからデータ要素のサブセットを識別および選択することによって被験者レコードの次元を削減するための技術が実行されることができる。データ要素のサブセットは、「重要な」データ要素を表すことができ、データ要素の「重要性」は、特異値分解(SVD)などの特徴抽出技術を使用した予測に基づいて決定される。例えば、被験者レコードを機械学習モデルおよびAIモデルによって消費可能な変換表現に変換することは、被験者レコードのデータ要素に含まれる非数値に対して1つ以上の特徴抽出技術を実行して、非-数値の分解バージョンを数値的に表す特徴ベクトルを生成することを含むことができる。いくつかの実装形態では、特徴抽出技術は、例えば、被験者レコードのデータ要素(例えば、各データ要素は、被験者の特徴または寸法を表す)のセットの次元を、例えば、結果またはイベントを予測するために使用されることができる特徴の最適なサブセットに削減することを含むことができる。データ要素のセットの次元を削減することは、N個のデータ要素をM個の要素のサブセットに削減することを含むことができ、ここで、MはNよりも小さい。これらの実装形態では、M個の要素のサブセットの各要素が数値に変換されることができる。いくつかの実装形態では、被験者レコードのN個のデータ要素を表すために特徴ベクトルが生成されることができる。特徴ベクトルは、データ要素のセットの各データ要素のベクトルを含むことができる。例えば、特徴ベクトルは、被験者レコードのデータ要素の複雑な組み合わせの数値表現であってもよい。被験者レコードのデータ要素内の各非数値は、代表ベクトルを生成するためにベクトル化されることができる。被験者レコード内のデータ要素のセットを表すベクトルが連結または結合されて(例えば、平均または加重平均として)、被験者レコードのデータ要素のセット全体を数値的に特徴付ける特徴ベクトルを生成することができる。特徴ベクトルは、訓練された機械学習またはAIモデルによって消費可能である。被験者レコードの特徴ベクトルが生成されると、被験者レコードは、機械学習モデルおよびAI技術を使用して、個別に、または他の被験者レコードの群において、評価されることができる。各被験者レコードを表す特徴ベクトルが生成されて記憶された後、中央データストアに記憶された被験者レコードの特徴ベクトルが機械学習モデルもしくはAIモデルに入力されることができ、または被験者レコードの数値表現に対して他の拡張分析が実行されることができる。例えば、2つの異なる被験者レコードが1つ以上の次元に関して比較されることができる。次元は、被験者レコードの特徴またはデータ要素を表すことができ、それに沿って2つ以上の被験者レコード間の比較が行われる。例示すると、第1の被験者レコードのデータ要素は、第1の被験者の症状を記述する第1のユーザ(例えば、医師)によって入力されたテキストを含む。テキスト(例えば、第1の被験者レコードのデータ要素の値)は、データ要素に関連付けられたテキストを数値的に表す第1のベクトルを生成するために、上述したテキストベクトル化技術(例えば、Word2Vec)を使用してベクトル化されることができる。テキストベクトル化技術は、テキストに含まれる各単語についてN次元単語ベクトルを生成することができる。第2の被験者レコードの一致するデータ要素(例えば、他の患者の症状を記述する医師によって入力されたテキストも含む他の患者レコードのデータ要素)は、第2の被験者の症状を記述する第2のユーザによって入力されたテキストを含むことができる。テキスト(例えば、第2の被験者レコードのデータ要素の値)は、上述したテキストベクトル化技術を使用してベクトル化され、データ要素に関連付けられたテキストを表す第2のベクトル(例えば、N次元単語ベクトル)を生成することができる。サーバは、第1のベクトルをユークリッドまたはコサイン空間内の第2のベクトルと比較して、少なくとも症状の患者の提示の次元に関して、第1の患者レコードと第2の患者レコードとの間の類似性または非類似性を定量化することができる。第1のベクトルおよび第2のベクトルがユークリッド空間内で互いに近接している場合(すなわち、第1のベクトルと第2のベクトルとの間のユークリッド距離が小さい場合)、(データ要素のテキストに記述されているように)第1の被験者が経験する症状は、(データ要素のテキストに記述されているように)第2の被験者が経験する症状に類似している可能性が高い。しかしながら、第1のベクトルと第2のベクトルとの間のユークリッド距離が大きいか、または閾値距離を超える場合(例えば、またはユークリッド距離が閾値を上回る場合)、第1の被験者が経験する症状は、第2の被験者が経験する症状とは異なると予測されることができる。
【0137】
いくつかの実装形態では、サーバは、エンティティのユーザが後続の処理のために被験者レコードを記憶するように機能するデータレジストリを構築することを可能にするアプリケーションを実行するように構成されることができる。被験者レコードのデータは、医師のメモの電子コピーおよび/またはオープンエンドの質問に対する応答などの非構造化データを含むことができる。非構造化データは、非構造化データの一部を構造化データレコードの固定部分(例えば、データ要素)にマッピングすることによって、データレジストリに取り込まれることができる。構造化データレコードの構造は、(例えば)特定のユースケース(例えば、特定の疾患、特定の試験)に対応するモジュールからの仕様を使用して定義されることができる。例えば、非構造化メモデータの各単語(すなわち、テキスト)は、数値表現に変換されることができ、非構造化メモデータに関連付けられた様々な数値表現は、(例えば、SVDを使用して)分解されて、被験者が呈した症状の特定のセットを記述する単語を検出することができる。非構造化メモデータの数値表現の分解は、「および」、「その」、「または」などの非情報語を除去することができる。残りの単語は、症状の特定のセットを表す。メモデータのいくつかの部分は、構造化データ内のデータ要素に関して無関係であってもよく、かつ/またはデータ要素に含まれるデータよりも多かれ少なかれ特有であってもよい。いくつかの例では、様々なマッピング(例えば、「悪いバランス」症状を「神経学的」症状にマッピングする)、NLP、または(例えば、ユーザに新たな情報を要求する)インターフェースベースの手法が使用されて、構造化データレコードを取得することができる。インターフェースはまた、新規または既存の被験者に関する新たな情報を識別する入力を受信するために使用されてもよく、インターフェースは、データレコードの構造にマッピングする入力コンポーネントおよび選択肢を含んでもよい。
【0138】
さらに、技術は、被験者レコードのデータ要素に含まれる非数値を数値表現に変換するようにクラウドベースのアプリケーションを構成することに関し、その結果、クラウドベースのアプリケーションは、データレジストリに記憶された被験者レコードの数値表現(例えば、変換表現)を使用してインテリジェントな分析機能を実行することができる。被験者レコードのデータ要素の非数値の数値表現への変換は、データ要素に含まれるデータのタイプに依存することができる。例えば、ユーザによって取られたメモなどのテキストを含むデータ要素の場合、テキストは、Word2Vecまたは他のテキストベクトル化技術などのNLP技術を使用してテキストの数値表現に変換されることができる。他の例として、画像(例えば、MRI)またはビデオ(例えば、超音波のビデオ)の画像フレームを含むデータ要素の場合、各画像または画像フレームは、入力画像の潜在空間表現を生成するように訓練された、訓練されたオートエンコーダニューラルネットワークを使用して数値表現(例えば、ベクトル)に変換されることができる。入力画像の縮約表現(例えば、潜在空間表現)は、入力画像を数値的に表すベクトルとして機能することができる。さらに他の例として、時変情報シーケンス(例えば、ある期間にわたって発生するイベント)を含むデータ要素の場合、時変情報は、いくつかの例示的な変換を使用して数値表現として表されることができる。いくつかの例では、イベントのカウントは、時変情報を表すベクトルとして使用されてもよい。他の例では、発生するイベントの頻度またはレート(例えば、週に1回、月に1回、年に1回)は、時変情報を表すベクトルとして使用されることができる。さらに他の例では、時変情報内の各イベントに関連付けられた測定値の平均または組み合わせが時変情報を表すベクトルとして使用されることができる。本開示は、これらの例に限定されず、時変情報の他の数値表現が数値表現を表すベクトルとして使用されることができる。インテリジェントな分析機能は、データレコードを使用して訓練された機械学習モデルまたはAIモデルを実行することによって実行されることができる。モデル出力は、データレコードから抽出された特定の分析を示すために使用されることができる。
【0139】
いくつかの例では、個々の被験者の処置計画を作成するために、被験者レコードからのデータの送信が提供されることができる。例えば、被験者レコード情報(例えば、データの省略および/または不明瞭化を選択することによってデータのプライバシー制限に準拠する)は、ユーザデバイスの選択された群にブロードキャストおよび/または送信されることができる。例えば、ブロードキャストは、類似のデータレコードに関連付けられたユーザデバイスに、類似の被験者に関連付けられたユーザとの相談を開始する要求に対応するユーザからの入力に応答して送信されてもよい。ブロードキャストを受信するユーザが(対応する入力の提供を介して)相談要求を受け入れる場合、ユーザ間でセキュアなデータチャネルが確立されることができ、(例えば、2人のユーザに適用可能なデータプライバシー制限に準拠しながら)潜在的により多くの被験者レコードが共有されることができる。所与の被験者に類似する被験者レコードは、2つ以上の被験者レコードのベクトル表現を使用して最近傍技術を実行することによって識別されることができる。最近傍技術は、複数の被験者レコードにわたって個々のデータ要素のベクトルを比較することによって実行されることができる(例えば、最近傍は、被験者レコードの次元または特徴に関連して決定されることができる)。あるいは、最近傍技術は、被験者レコード全体を特徴付ける全体ベクトルと他の被験者レコード全体を特徴付ける全体ベクトルとを比較することによって実行されてもよい。全体ベクトルは、データ要素の値を表す個々のベクトルの連結であってもよく、データ要素の値を表す個々のベクトルの平均または組み合わせであってもよい。
【0140】
他の例として、1つ以上の処理済みデータレコードは、特定の制約に一致する被験者レコードのクエリに応答して返されてもよい。いくつかの例では、第1のユーザは、第1の被験者レコードを識別するクエリを送信することができる。クエリは、第1の被験者レコードに類似する他の被験者レコードを識別する要求に対応することができる。サーバは、本明細書において上述した特定の変換技術を使用して、第1の被験者レコードを変換表現に変換することができる。あるいは、第1の被験者レコードの変換表現は、以前に生成され、データベースに記憶されていてもよい。第1の被験者レコードの変換表現がクエリの受信前に生成されるか後に生成されるかにかかわらず、第1の被験者レコードを第1の被験者レコードの変換表現に変換することは、第1の被験者レコードのデータ要素の1つ以上の非数値のベクトル化を生成することを含むことができる。第1の被験者レコード内に含まれる1つ以上の非数値をベクトル化することは、第1の被験者レコードの各データ要素に含まれる各値について(例えば、メモなどの非数値テキストについて)数値ベクトル表現を生成することを含むことができる。様々なベクトル表現が連結されて、そうでなければ結合されて(例えば、平均が計算されることができる)、第1の被験者レコード全体を表す特徴ベクトルを生成することができる。第1の被験者レコードを数値的に表すベクトル表現は、ドメイン空間(例えば、ユークリッド空間またはコサイン空間)内で他の被験者レコードのベクトル表現と比較されることができる。例えば、2つのベクトル表現間のユークリッド距離が閾値距離内にある場合、2つのベクトル表現に関連付けられた2つの被験者レコードは、(例えば、サーバによって)少なくとも1つ以上の次元に関して類似していると解釈されることができる。
【0141】
被験者レコード内の各データ要素について、データ要素に関連付けられた値のベクトル表現を生成するために使用される技術は、データ要素に関連付けられたデータのタイプに依存することができる。いくつかの例では、被験者レコードのデータ要素は、被験者のX線などの1つ以上の画像に関連付けられてもよい。特徴抽出技術が実行されて、データ要素に関連付けられた各画像のベクトル表現を生成することができる。例えば、サーバは、訓練されたオートエンコーダニューラルネットワークを実行して、画像の次元削減バージョンを生成するように構成されてもよい。訓練されたオートエンコーダニューラルネットワークは、エンコーダモデルおよびデコーダモデルの2つのモデルを含むことができる。エンコーダモデルは、画像内で検出された特徴のセットから顕著な特徴のサブセットを抽出するように訓練されることができる。顕著な特徴(例えば、キーポイント)は、画像内の高強度の領域(例えば、物体のエッジ)であってもよい。エンコーダモデルの出力は、入力画像の潜在空間表現であってもよい。潜在空間表現は、訓練されたオートエンコーダモデルの隠れ層によって出力されてもよく、したがって、潜在空間表現は、サーバによってのみ解釈可能であってもよい。被験者レコードを特徴付ける潜在空間表現の顕著な特徴のサブセットは、他の被験者レコードを特徴付ける潜在空間表現の顕著な特徴のサブセットと比較されて、特定の分析的洞察を得ることができる。デコーダモデルは、顕著な特徴の抽出サブセットから元の入力画像を再構成するように訓練されてもよい。エンコーダモデルの出力は、被験者レコードを含む画像に関連付けられたデータ要素のベクトル表現であってもよい。他の例では、キーポイントマッチング技術が実行されて、第1の被験者レコードのデータ要素に含まれる画像のキーポイントを、第2の被験者レコードのデータ要素に含まれる別の画像のキーポイントにマッチングすることができる。入力画像のベクトル表現(例えば、潜在空間表現)は、機械学習モデルまたはAIモデルによって消費可能であり、したがって、2つの異なる被験者レコード(それぞれが画像を含む)が互いに比較されて、2つの異なる被験者レコード間の類似性または非類似性を決定することができる。
【0142】
例示すると、非限定的な例としてのみ、被験者の脳の磁気共鳴画像(MRI)が取り込まれる。MRIは、被験者に関連付けられた被験者レコードに記憶される。サーバは、キーポイント検出、潜在空間表現への自動符号化、SVD、および他の適切なコンピュータビジョン技術などの特徴抽出技術を使用して、被験者レコードに含まれるMRIのベクトル表現などの変換表現を生成するように構成される。MRIを含むデータ要素のベクトル表現を、データ要素のセットの各残りのデータ要素のベクトル表現と連結または結合(例えば、平均)して、被験者レコード全体を特徴付ける特徴ベクトルを生成する。ユーザは、アプリケーションにアクセスして他の被験者レコードのデータベースにクエリし、被験者の脳のMRIに類似するMRIを含む他の被験者レコードのサブセットを検索することができる。(少なくともMRI間の類似性に関して)被験者レコードに類似する他の被験者レコードを識別することは、被験者レコードのk近傍を計算することを含むことができる。例えば、変換表現は、ユークリッド空間またはコサイン空間などのドメイン空間上に(コンピューティングシステムによって視覚的にまたは内部的に)プロットされてもよい。他の被験者レコードごとの変換表現は、(コンピューティングシステムによって視覚的にまたは内部的に)プロットされてもよい。被験者レコードのベクトル表現を他の被験者レコードのベクトル表現と比較して、被験者ベクトルに対するk個の最近傍を識別するために、最近傍技術が実行されることができる。特定されたk個の最近傍は、被験者の脳のMRIに類似するMRIを有すると予測されることができる。最近傍として識別される他の各被験者レコードは、アプリケーションを使用してさらなる評価または処理のために識別および検索されることができる。
【0143】
いくつかの実装形態では、コンピューティングシステムは、類似の被験者レコードを識別するためにデータ処理技術(例えば、最近傍技術)を実行することができる。この検索では、様々なデータ要素が差動的に重み付けられることができる(例えば、事前定義されたデータ要素重み付け、様々なデータ要素を一致させることの重要性、および/または被験者レコードセットにわたる特定のデータ要素値の有病率を示すユーザ入力にしたがって)。潜在的な一致についてレコードのセットを検索するとき、いくつかのレコードは、様々なデータ要素の値を欠いている場合がある。これらの場合、潜在的一致を評価するときに、(例えば)データ要素値が一致しない、かつ/またはデータ要素が重み付けされていないと決定されることができる。欠落値の処理は、レコードのセットにわたるデータ要素の値および/またはクエリ内のデータ要素の値の分布に依存することができる。
【0144】
さらに、いくつかの技術は、被験者レコードにおいて特定された一連の症状を考慮して、被験者の潜在的な処置レジメンを特定するために使用される一連の規則を定義および使用することに関する。例示すると、目標の被験者レコードは、最近3つの症状:上気道感染、発熱、および咽頭痛を経験した標的被験者を表すことができる。3つの症状は、標的被験者レコードのデータ要素内のテキストとして書かれてもよい(例えば、セミコロンなどのタグによってマークされている単語間の区切り)。クラウドサーバ135などのサーバは、テキスト「上気道感染」、「発熱」、および「咽頭痛」を、訓練されたWord2Vecモデルまたは語彙マッピングなどの他のテキスト-ベクトルモデルに個別に入力することができる。Word2Vecモデルは、症状を表す各単語のベクトル表現を生成するように訓練されてもよい。3つの症状のベクトル表現が平均化されて、標的被験者レコードの「症状」データ要素の単一のベクトル表現を生成することができる。標的被験者レコードの「症状」データ要素の単一のベクトル表現は、「症状」データ要素に類似語を含む他の被験者レコードを識別するために処理されてもよい。データベースに記憶された各被験者レコードは、ベクトルなどの数値表現に変換された既存の「症状」データ要素に関連付けられることができる。「症状」データ要素のベクトルは、プロットされ、標的被験者レコードの「症状」データ要素のベクトルと比較されることができる。サーバは、「症状」データ要素を特徴付けるベクトルに最も近いベクトルを識別することができる。標的被験者レコードのベクトルに最も近い「症状」データ要素のベクトルは、被験者に類似していると予測されることができる。標的被験者レコードのベクトルに最も近いベクトルに関連付けられた被験者レコードが識別され、さらに評価されて、その被験者に提供される処置レジメンを決定してもよい。標的被験者レコードのためのベクトルに最も近いベクトルに関連付けられた被験者に提供された処置は、標的被験者を処置するための潜在的な処置レジメンとして使用されることができる。さらに、各潜在的な処置レジメンは、他の被験者が経験する反応性によって重み付けされることができる。潜在的な処置レジメンは、他の被験者が経験した反応性にしたがって分類されることができる。
【0145】
規則のセットは、特定の基準および関連付けられた特定の医療処置の仕様、および/または(基準および処置を指定する)1つ以上の以前に定義された規則の選択を含むことができるユーザインターフェースとのユーザ相互作用に基づいて定義されることができる。例えば、1つ以上の既存の規則がインターフェースを介して提示されることができ、ユーザは、ユーザに関連付けられたアカウントに関連付けられた規則ベースに組み込むように規則を選択することができる。1つ以上の規則は、複数のユーザ(例えば、1つ以上の機関に関連する)によって定義された規則のセットの中から選択されてもよく、かつ/または複数のユーザによって生成された規則に基づいて生成されてもよい。ユーザが規則ベースに組み込むための規則を選択すると、アプリケーションは、クラウドサーバ135へのフィードバック信号を生成することができる。フィードバック信号は、ユーザの選択に関連付けられたメタデータを含むことができる。メタデータは、規則が変更なしでまたは変更ありで規則ベースに組み込まれたかどうかを示すことができる。規則ベースが変更された場合、メタデータは、どの変更が規則に対して行われたかを示す。メタデータはまた、規則が拒否されたか、削除されたか、またはそうでなければユーザにとって有用ではないと決定されたかを示すことができる。例示すると、非限定的な例として、コンピューティングシステムは、1つ以上の特定のタイプの症状および/または検査結果を所与の処置に関連付ける規則がユーザによって比較的頻繁に定義および/または選択されることを検出することができ、次いでコンピューティングシステムは、特定のタイプの症状および/または検査結果ならびに処置に関する一般規則を生成することができる。一般規則は、(例えば)最も限定的な、最も包括的な、または中央値の基準を有するように定義されてもよい。いくつかの例では、ユーザの規則ベースが処理されて、規則間の任意の基準の重複を検出することができる。重複が識別されると、重複が識別されたとの警告が提示されることができる。規則ベースの規則が使用されて、被験者レコードを評価し、被験者レコードに関連付けられた集団を定義するように分類することができる。規則を使用して被験者レコードを評価することは、例えば、規則の第1の基準が被験者レコードに含まれる属性と比較されるという点で、決定木として実行されてもよい。第1の基準が満たされる場合、次の基準が被験者レコードに含まれる属性と比較される。次の基準が満たされる場合、比較は、規則に含まれる各基準について継続する。比較は、次の基準が満たされない場合であっても継続することができる。この場合、基準(および規則に含まれる任意の他のもの)が満たされなかったことが記憶され、満たされた基準とともにユーザデバイスに提示される。
【0146】
さらに、本開示の実施形態は、データプライバシー規則に違反することなく外部エンティティと被験者情報を交換するように構成されたクラウドベースのアプリケーションを提供する。クラウドベースのアプリケーションは、様々な管轄区域にわたって被験者情報を共有することに関与するデータプライバシー規則を自動的に評価するように構成される。クラウドベースのアプリケーションは、被験者情報を難読化または他の様態で修正するプロトコルを実行するように構成され、それによってデータプライバシー規則への準拠をアルゴリズム的に保証する。
【0147】
IV.インテリジェント機能によって構成されたクラウドベースのアプリケーションをホストするためのネットワーク環境
図1は、クラウドベースのアプリケーションの実施形態がホストされるネットワーク環境100を示している。ネットワーク環境100は、クラウドサーバ135、データレジストリ140、およびAIシステム145を含むクラウドネットワーク130を含むことができる。クラウドサーバ135は、クラウドベースのアプリケーションの基礎となるソースコードを実行することができる。データレジストリ140は、コンピュータ105、ラップトップ110、およびモバイルデバイス115などの、1つ以上のユーザデバイスから取り込まれたまたはそれを使用して識別されたデータレコードを記憶することができる。
【0148】
データレジストリ140に記憶されるデータレコードは、固定部分(例えば、データ要素)のスケルトン構造にしたがって構造化されてもよい。コンピュータ105、ラップトップ110、およびモバイルデバイス115は、それぞれ、様々なユーザによって操作されることができる。例えば、コンピュータ105は、医師によって操作されてもよく、ラップトップ110は、エンティティの管理者によって操作されてもよく、モバイルデバイス115は、被験者によって操作されてもよい。モバイルデバイス115は、ゲートウェイ120およびネットワーク125を使用してクラウドネットワーク130に接続することができる。いくつかの例では、コンピュータ105、ラップトップ110、およびモバイルデバイス115のそれぞれは、同じエンティティ(例えば、同じ病院)に関連付けられる。他の例では、コンピュータ105、ラップトップ110、およびモバイルデバイス115は、異なるエンティティ(例えば、異なる病院)に関連付けられる。コンピュータ105、ラップトップ110、およびモバイルデバイス115のユーザデバイスは、例示の目的のための例であり、したがって、本開示は、これに限定されない。ネットワーク環境100は、任意のデバイスタイプの任意の数または構成のユーザデバイスを含むことができる。
【0149】
いくつかの実施形態では、クラウドサーバ135は、コンピュータ105、ラップトップ110、またはモバイルデバイス115のいずれかと相互作用することによって、データレジストリ140に記憶するためのデータ(例えば、被験者レコード)を取得することができる。例えば、コンピュータ105は、インターフェースを使用することによってクラウドサーバ135と相互作用して、被験者レコードまたはデータレジストリ140に取り込むためにローカルに(例えば、コンピュータ105に対してローカルなネットワークに記憶される)記憶された他のデータレコードを選択する。他の例として、コンピュータ105は、インターフェースと相互作用して、被験者レコードまたは他のデータレコードを記憶するデータベースのアドレス(例えば、ネットワーク位置)をクラウドサーバ135に提供する。次いで、クラウドサーバ135は、データベースからデータレコードを取得し、データレコードをデータレジストリ140に取り込む。
【0150】
いくつかの実施形態では、コンピュータ105、ラップトップ110、およびモバイルデバイス115は、異なるエンティティ(例えば、医療センター)に関連付けられる。クラウドサーバ135がコンピュータ105、ラップトップ110、およびモバイルデバイス115から取得するデータレコードは、異なるデータレジストリに記憶されてもよい。コンピュータ105、ラップトップ110、およびモバイルデバイス115のそれぞれからのデータレコードは、クラウドネットワーク130内に記憶されることができるが、データレコードは混在しない。例えば、コンピュータ105は、データプライバシー規則によって課される制約のために、ラップトップ110から取得されたデータレコードにアクセスすることができない。しかしながら、クラウドサーバ135は、データレコードが異なるエンティティによってクエリされるときに、データレコードの一部を自動的に難読化、不明瞭化、またはマスクするように構成されてもよい。したがって、エンティティから取り込まれたデータレコードは、データプライバシー規則に準拠するために、難読化、不明瞭化、またはマスクされた形式で異なるエンティティに公開されることができる。
【0151】
データレコードがコンピュータ105、ラップトップ110、およびモバイルデバイス115から収集されると、データレコードは、本明細書に記載のインテリジェント分析機能を提供するために機械学習モデルまたはAIモデルを訓練するための訓練データとして使用されることができる。エンティティに関連付けられたユーザデバイスがデータレジストリ140にクエリを行い、クエリ結果が異なるエンティティに由来するデータレコードを含む場合、これらのデータレコードは、データプライバシー規則に準拠する難読化された形式でユーザデバイスに提供または公開されることができることを考えると、データレコードは、任意のエンティティによるクエリに利用可能であってもよい。
【0152】
クラウドサーバ135は、実行されると、被験者レコードの変換表現(例えば、被験者レコードに記憶された情報を数値的に表すベクトル)を使用してインテリジェント機能を実行させるコードを実行するように特殊化された方法で構成されることができる。例えば、インテリジェント機能は、クラウドサーバ135を使用してコードを実行することによって実行されることができる。実行されたコードは、訓練されたニューラルネットワークモデルを表すことができる。ニューラルネットワークモデルは、処置レジメンに対する被験者の反応性を予測すること、類似の患者を識別すること、患者の処置レジメンの推奨を生成すること、および他のインテリジェント機能などのインテリジェント機能を実行するように訓練されていてもよい。ニューラルネットワークモデルは、ある症状について以前に処置され、結果(例えば、症状を克服すること、症状の重大度を上げること、症状の重大度を下げることなど)を経験したことがある被験者の被験者レコードを含む訓練データセットを使用して訓練されることができる。さらに、実行されたコードは、クラウドサーバ135に、既存の被験者レコードの非数値を、訓練されたニューラルネットワークモデルによって処理されることができる数値表現(例えば、変換表現)に変換させるように構成されることができる。例えば、クラウドサーバ135によって実行されるコードは、被験者レコードのセットの各被験者レコードを入力として受信するように構成されることができ、各被験者レコードについて、コードは、実行されると、クラウドサーバ135に、各被験者レコードの各データ要素をベクトル表現などの変換表現に変換するための本明細書に記載の動作を実行させることができる。インテリジェント機能を実行することは、さらなる分析のための出力を生成するために、データレジストリ140に記憶されたデータレコードの少なくとも一部を訓練された機械学習モデルまたはAIモデルに入力することを含むことができる。いくつかの実施形態では、出力は、データレコード内のパターンを抽出するために、またはデータレコードのデータフィールドに関連付けられた値または結果を予測するために使用されることができる。クラウドサーバ135によって実行されるインテリジェント機能の様々な実施形態を以下に説明する。
【0153】
いくつかの実施形態では、クラウドサーバ135は、ユーザデバイス(例えば、医師によって操作される)がクラウドベースのアプリケーションにアクセスして、宛先デバイスのセットに相談ブロードキャストを送信することを可能にするように構成される。相談ブロードキャストは、被験者レコードに関連付けられた被験者の処置に関するサポートまたは支援の要求とすることができる。宛先デバイスは、他のエンティティに関連付けられた他のユーザ(例えば、他の医療センターの医師)によって操作されるユーザデバイスとすることができる。宛先デバイスが相談ブロードキャストに関連付けられた支援の要求を受け入れる場合、クラウドベースのアプリケーションは、被験者レコードの特定のデータフィールドを省略または隠す被験者レコードの縮約表現を生成することができる。縮約表現は、データプライバシー規則に準拠することができ、したがって、被験者レコードの縮約表現は、被験者レコードによって関連付けられた被験者を固有に識別するために使用されることができない。クラウドベースのアプリケーションは、被験者レコードの縮約表現を、支援の要求を受け入れた宛先デバイスに送信することができる。宛先デバイスを操作するユーザは、縮約表現を評価し、通信チャネルを使用してユーザデバイスと通信して、被験者を処置するための選択肢を論じることができる。例えば、通信チャネルは、ユーザデバイス(例えば、診察を要求する医師によって操作される)が宛先デバイス(例えば、相談を提供する他の医師によって操作される)とセキュアに通信することを可能にするセキュアなチャットルームとして構成されることができる。
【0154】
いくつかの実施形態では、クラウドサーバ135は、処置計画定義インターフェースをユーザデバイスに提供するように構成される。処置計画定義インターフェースは、ユーザデバイスが症状についての処置計画を定義することを可能にする。例えば、処置計画は、その症状によって被験者を処置するためのワークフローとすることができる。ワークフローは、症状を有するものとして被験者の集団を定義するための1つ以上の基準を含むことができる。ワークフローはまた、症状についての特定のタイプの処置を含むことができる。クラウドサーバ135は、ユーザデバイスの集合の各ユーザデバイスから特定の条件についての処置計画定義を受信して記憶する。クラウドベースのアプリケーションは、所与の症状についての処置計画をユーザデバイスのセットに配信することができる。ユーザデバイスのセットのうちの2つ以上のユーザデバイスは、異なるエンティティに関連付けられてもよい。2つ以上のユーザデバイスのそれぞれは、処置計画の任意の部分または全体を顧客規則セットに統合する選択肢を提供することができる。クラウドサーバ135は、ユーザデバイスが共有処置計画全体を統合するか、または処置計画の一部を統合するかを監視することができる。ユーザデバイスと共有処置計画との間の相互作用を使用して、処置計画または処置計画に基づいて作成された規則を更新するかどうかを決定することができる。
【0155】
いくつかの実施形態では、クラウドサーバ135は、ユーザデバイスを操作するユーザがクラウドベースのアプリケーションにアクセスして、ある症状を有する被験者に対する提案処置を決定することを可能にする。ユーザデバイスは、クラウドベースのアプリケーションに関連付けられたインターフェースをロードする。インターフェースは、ユーザデバイスを操作するユーザが、ユーザによって処置されている被験者に関連付けられた被験者レコードを選択することを可能にする。クラウドベースのアプリケーションは、ユーザによって処置されている被験者に類似する以前に処置された被験者を識別するために他の被験者レコードを評価することができる。被験者間の類似性は、例えば、被験者レコードの配列表現を使用して決定されることができる。配列表現(例えば、ベクトル、N次元行列、または非数値の任意の数値表現などの変換表現)は、被験者レコードのデータフィールドの値の任意の数値および/またはカテゴリ表現とすることができる。例えば、被験者レコードの配列表現は、ユークリッド空間内などのドメイン空間内の被験者レコードのベクトル表現であってもよい。いくつかの例では、クラウドサーバ135は、被験者レコード全体をベクトルなどの数値表現に変換するように構成されることができる。所与の被験者レコードについて、クラウドサーバ135は、各データ要素を評価して、そのデータ要素に含有されるまたは含まれるデータのタイプを決定することができる。データのタイプは、そのデータ要素の数値または非数値を数値表現に変換するためにどのプロセスまたは技術を実行するかについてクラウドサーバ135に通知することができる。例示的な例として、クラウドサーバ135は、被験者レコードのデータ要素の非数値(例えば、医師のメモのテキスト)を数値表現(例えば、ベクトル)に変換することができる。変換は、テキストの各単語を表す数値を生成するために、Word2Vecまたは他のテキストベクトル化技術などのNLP技術を使用することを含むことができる。生成された数値は、インテリジェント分析を実行するために訓練されたニューラルネットワークに入力されることができるベクトルとして機能することができる。他の例示的な例として、ビデオの画像(例えば、MRIデータ)または画像フレーム(例えば、超音波のビデオデータ)を含むデータ要素の場合、各画像または画像フレームは、入力画像の潜在空間表現を生成するように訓練された訓練されたオートエンコーダニューラルネットワークを使用して数値表現(例えば、ベクトル)に変換されることができる。入力画像の縮約表現(例えば、潜在空間表現)は、入力画像の数値表現として機能することができる。この数値表現は、関連付けられた被験者レコードのインテリジェント分析を実行するためにニューラルネットワークまたは他の機械学習モデルに入力されることができる。さらに他の例として、時変情報シーケンス(例えば、ある期間にわたって被験者から発生したイベントまたは得られた測定値)を含むデータ要素の場合、時変情報は、いくつかの例示的な変換を使用して数値表現として表されることができる。いくつかの例では、イベントのカウントは、時変情報を表すベクトルとして使用されてもよい。例えば、被験者に対して1年間に4回の測定が行われた場合、数値表示は「4」とすることができる。他の例では、発生するイベントの頻度またはレート(例えば、週に1回、月に1回、年に1回)は、時変情報を表すベクトルとして使用されることができる。さらに他の例では、時変情報内の各イベントに関連付けられた測定値の平均または組み合わせが時変情報を表すベクトルとして使用されることができる。本開示は、これらの例に限定されず、時変情報の他の数値表現が数値表現を表すベクトルとして使用されることができる。
【0156】
AIシステム145は、大データスケールでデータセットを収集し、収集されたデータセットをキュレーションされた訓練データに変換し、キュレーションされた訓練データを使用して学習アルゴリズムを実行し、検出されたパターン、相関、および/または訓練データの関係を1つ以上の訓練されたAIモデルに記憶するように構成されることができる。いくつかの実装形態では、AIシステム145は、癌のタイプにわたる被験者の突然変異プロファイルに基づいて特定の被験者における治療転帰および癌の進展を予測すること、強化された被験者に固有のデータセットを使用して特定の被験者の処置生存見込みを予測すること、および処置の選択に寄与する特徴が腫瘍学的ガイドラインに従うかどうかを自動的に検証することなどの特定の予測機能を実行するように構成されることができる。いくつかの実装形態では、図8および図11に関してより詳細に説明するように、AIシステム145の出力は、特定の被験者における治療転帰および/または癌の進展を予測することができる。他の実装形態では、図9および図12に関してより詳細に説明するように、AIシステム145の出力は、特定の被験者の処置生存見込みを予測することができる。他の実装形態では、図10および図13に関してより詳細に説明するように、AIシステム145の出力は、処置の選択に寄与した被験者の特徴が既存の腫瘍ガイドラインにしたがっているかどうかを分類することができる。
【0157】
いくつかの例では、配列内の複数の値は、単一のフィールドに対応する。例えば、データ要素の値は、ワンホットエンコーディングを介して生成された複数のバイナリ値によって表されてもよい。他の例として、被験者レコードの単一のデータ要素内の複数の値の各値は、上述したように、数値表現に個別に変換されてもよい。複数の値の各値を表す数値表現は、データ要素に対応する単一の数値表現に結合されることができる。複数の数値表現の結合は、ベクトルの大きさの平均化、ベクトルの追加、または複数のベクトルの単一のベクトルへの連結など、任意のベクトル結合技術を使用して実行されることができる。いくつかの例では、クラウドベースのアプリケーションは、被験者レコードの群の各被験者レコードの配列表現を生成することができる。2つの被験者レコード間の類似性は、2つの配列表現を比較してそれらの間の距離を決定することによって表されることができる。被験者レコード全体の数値表現を他の被験者レコードの他の数値表現と比較する代わりに、次元(例えば、データ要素)に沿って被験者レコードが比較されることもできる。例えば、次元に沿って2つの被験者レコードを比較することは、被験者レコードのデータ要素の数値表現を他の被験者レコードの一致するデータ要素の他の数値表現と比較することを含むことができる。さらに、クラウドベースのアプリケーションは、インターフェースを使用してユーザデバイスによって選択された被験者レコードに最近傍である被験者を識別するように構成されることができる。最近傍は、様々な被験者レコードの数値表現を標的被験者レコードの数値表現と比較することによって決定されてもよい。クラウドベースのアプリケーションは、最近傍である被験者に対して以前に行われた処置を識別することができる。クラウドベースのアプリケーションは、最も近い隣接者に対して以前に実行された処理をインターフェース上で利用することができる。
【0158】
いくつかの実施形態では、クラウドサーバ135は、以前に処置された被験者のデータベースを検索するクエリを作成するように構成される。クラウドサーバ135は、クエリを実行し、クエリの制約を満たす被験者レコードを取得することができる。しかしながら、クエリ結果を提示する際に、クラウドベースのアプリケーションは、クエリを作成したユーザによって処置されたことがある被験者または処置されている被験者についてのみ被験者レコードを完全に提示することができる。クラウドベースのアプリケーションは、クエリを作成するユーザによって処置されていない被験者の被験者レコードの部分をマスクするか、そうでなければ難読化する。クエリ結果に含まれる被験者レコードの部分のマスキングまたは難読化は、ユーザがデータプライバシー規則にたがうことを可能にする。いくつかの実施形態では、(クエリ結果が難読化されているか否かにかかわらず)クエリ結果は、被験者レコード内のパターンまたは共通属性について自動的に評価されることができる。
【0159】
いくつかの実施形態では、クラウドサーバ135は、クラウドベースのアプリケーションにチャットボットを埋め込む。チャットボットは、ユーザデバイスと自動的に通信するように構成される。チャットボットは、ユーザデバイスとチャットボットとの間でメッセージが交換される通信セッションにおいて、ユーザデバイスと通信することができる。チャットボットは、ユーザデバイスから受信した質問に対する回答を選択するように構成されてもよい。チャットボットは、クラウドベースのアプリケーションにアクセス可能な知識ベースから回答を選択することができる。ユーザデバイスがチャットボットに質問を送信し、チャットボットが知識ベースに記憶された既存の回答を有していない場合、知識ベースに記憶された既存の回答がある質問の異なる表現が提示される。チャットボットと通信するユーザは、チャットボットによって提供された回答が正確であるかまたは有用であるかを促すことができる。
【0160】
本明細書に記載の訓練された機械学習モデルのいずれかを生成するために、任意の機械学習またはAIアルゴリズムが実行されることができることが理解されよう。AIベースの機械学習モデルの様々なタイプおよび技術が訓練され、次いで実行されて、プロトコルまたは機能を実行するためのユーザ結果を予測する1つ以上の出力を生成することができる。モデルの非限定的な例は、ナイーブベイズモデル、ランダムフォレストまたは勾配ブースティングモデル、ロジスティック回帰モデル、ディープラーニングニューラルネットワーク、アンサンブルモデル、教師あり学習モデル、教師なし学習モデル、協調フィルタリングモデル、および任意の他の適切な機械学習モデルまたはAIモデルを含む。
【0161】
クラウドベースのアプリケーションは、外部の医師に相談し、診断を決定し、以下の癌、すなわち:肺、乳房、結腸直腸、前立腺、胃、肝臓、子宮頸部(子宮頸部)、食道、膀胱、腎臓、膵臓、子宮内膜、口腔、甲状腺、脳、卵巣、皮膚、および胆嚢の癌、肉腫および癌腫などの固形腫瘍、リンパ腫(ホジキンリンパ腫または非ホジキンリンパ腫など)を含む免疫系の癌、ならびに血液(血液学的癌)および白血病(急性リンパ性白血病(ALL)および急性骨髄性白血病(AML)など)などの骨髄の癌、リンパ腫および骨髄腫を含む、COVID-19、腫瘍学を含むがこれらに限定されない、任意の疾患、症状、研究領域、または障害の処置を提案することに関してインテリジェントな機能を実行するように構成されることができることが理解されよう。さらなる障害は、貧血などの血液障害、血友病、血餅などの出血障害、糖尿病性網膜症、緑内障、および黄斑変性を含む眼科障害、多発性硬化症、パーキンソン病、疾患、脊髄性筋萎縮症、ハンチントン病、筋萎縮性側索硬化症(ALS)、およびアルツハイマー病を含む神経障害、ならびに多発性硬化症、糖尿病、全身性エリテマトーデス、重症筋無力症、炎症性腸疾患(IBD)、乾癬、ギラン・バレー症候群、慢性炎症性脱髄性多発ニューロパチー(CIDP)、グレーブス病、橋本甲状腺炎、湿疹、血管炎、アレルギー、および喘息を含む自己免疫障害を含む。
【0162】
他の疾患および障害は、腎臓疾患、肝疾患、心疾患、脳卒中、胃腸障害、例えばセリアック病、クローン病、憩室疾患、過敏性腸症候群(IBS)、胃食道逆流症(GERD)および消化性潰瘍、関節炎、性感染症、高血圧、細菌およびウイルス感染症、寄生虫感染症、結合組織病、セリアック病、骨粗鬆症、糖尿病、狼瘡、中枢神経系および末梢神経系の疾患、例えば注意欠陥/多動性障害(ADHD)、カタレプシー、脳炎、てんかんおよび発作、末梢神経障害、髄膜炎、片頭痛、ミエロパシー、自閉症、双極性障害およびうつ病を含むが、これらに限定されない。
【0163】
IV.A.クラウドベースのアプリケーションは、ユーザデバイスが他のユーザデバイスに相談要求をブロードキャストし、データプライバシー規則に準拠するように被験者レコードを自動的に縮約することを可能にする。
図2は、被験者の処置に関する支援を要求する相談ブロードキャストに関連して、縮約された被験者レコードをユーザデバイスに配信するためにクラウドベースのアプリケーションによって実行されるプロセス200を示すフローチャートである。プロセス200は、データプライバシー規則に準拠しながら、異なるエンティティ(例えば、病院)に関連付けられたユーザデバイスが被験者についての処置に関して協働または相談することを可能にするためにクラウドサーバ135によって実行されることができる。
【0164】
プロセス200は、ブロック210において開始し、クラウドサーバ135は、ユーザデバイスから属性のセットを受信する。属性のセットのうちの各属性は、被験者(例えば、患者)の任意の特性を表すことができる。属性のセットは、クラウドサーバ135によって提供されるインターフェースを使用してユーザによって識別されることができる。例えば、属性のセットは、被験者の人口統計情報および被験者によって経験された最近の症候を識別する。人口統計情報の非限定的な例は、年齢、性別、民族、居住州または都市、所得範囲、教育レベル、または任意の他の適切な情報を含む。最近の症候の非限定的な例は、特定の症候(例えば、呼吸困難、閾値温度を超える発熱、閾値血圧を超える血圧)を現在または最近(例えば、最後の来院時、摂取時、24時間以内、1週間以内)有した被験者を含む。
【0165】
ブロック220において、クラウドサーバ135は、被験者についてのレコードを生成する。レコードは、1つ以上のデータフィールドを含むデータ要素とすることができる。レコードは、被験者に関連付けられた属性のセットのそれぞれを示す。レコードは、データレジストリ140または任意の他のクラウドベースのデータベースなどの中央データストアに記憶されることができる。ブロック230において、クラウドサーバ135は、インターフェースを使用してユーザによって提出された要求を受信する。要求は、相談ブロードキャストを開始することとすることができる。例えば、エンティティに関連付けられたユーザは、被験者を処置する医療センターの医師である。ユーザは、ユーザデバイスを操作してクラウドベースのアプリケーションにアクセスし、被験者の処置を支援する要求をブロードキャストすることができる。ブロードキャストは、異なるエンティティに関連付けられた他のユーザデバイスのセットに送信されてもよい。
【0166】
ブロック240において、クラウドサーバ135は、被験者に関連付けられた属性のセットに含まれる1つ以上の最近の症候を使用して中央データストアにクエリする。クエリ結果は、他のレコードのセットを含む。他のレコードのセットのうちの各レコードは、別の被験者に関連付けられている。いくつかの例では、クラウドサーバ135は、中央データストアにクエリして、被験者レコードに類似する他の被験者レコードを識別することができる。類似性は、被験者レコード全体の変換表現を他の被験者レコードごとの変換表現と比較することによって決定されることができる。変換表現の比較は、2つの被験者レコード間の類似性を表す距離(例えば、ユークリッド距離)をもたらすことができる。他の例では、類似性は、データ要素に含まれる値に基づいて決定されてもよい。例えば、標的被験者レコードは、被験者が経験した症状を表すテキストを含む被験者データ要素を含むことができる。中央データストアに記憶された他の各被験者レコードはまた、関連付けられた被験者の症状を表すテキストを含むデータ要素を含むことができる。クラウドサーバ135は、上述した技術(例えば、訓練された畳み込みニューラルネットワーク、Word2Vecなどのテキストベクトル化技術)を使用して、被験者データ要素に含まれるテキストを数値表現に変換することができる。被験者データ要素に含まれるテキストの数値表現は、他の被験者レコードごとの一致するデータ要素に含まれるテキストの数値表現と比較されることができる。2つの数値表現間の比較(例えば、ユークリッド空間などのドメイン空間において)の結果は、被験者データ要素に含まれるテキストが他の被験者レコードのデータ要素に含まれるテキストに類似する程度を示すことができる。ブロック250において、クラウドサーバ135は、宛先アドレス(例えば、異なるエンティティに関連付けられた他のユーザデバイス)のセットを識別する。宛先アドレスのセットのうちの各宛先アドレスは、ブロック240において識別された他のレコードのセットのうちの1つ以上の他のレコードに関連付けられた別の被験者の介護者に関連付けられる。ブロック260において、クラウドサーバ135は、被験者についてのレコードの縮約表現を生成する。レコードの縮約表現は、レコードの少なくとも一部を省略、不明瞭化、または難読化する。レコードの縮約表現は、レコードに関連付けられた被験者を固有に識別するために使用されることができないため、データプライバシー規則に違反することなく外部システム間で交換されることができる。クラウドサーバ135は、任意のマスキングまたは難読化技術を実行して、レコードの縮約表現を生成することができる。
【0167】
ブロック270において、クラウドサーバ135は、接続入力コンポーネント(例えば、通信チャネルを確立させるハイパーリンクなどの選択可能なリンク)を有するレコードの縮約表現を、宛先アドレスのセットの各宛先アドレスに利用する。接続入力コンポーネントは、各宛先アドレスに提示される選択可能な要素であってもよい。接続入力コンポーネントの非限定的な例は、ボタン、リンク、入力要素、および他の適切な選択可能な要素を含む。ブロック280において、クラウドサーバ135は、宛先アドレスに関連付けられた宛先デバイスからの通信を受信する。通信は、宛先デバイスを操作するユーザがレコードの縮約表現に関連付けられた接続入力コンポーネントを選択したという指示を含む。ブロック290において、クラウドサーバ135は、接続入力コンポーネントが選択されたユーザデバイスと宛先デバイスとの間の通信チャネルを確立する。通信チャネルは、ユーザデバイスを操作するユーザ(例えば、被験者を処置する医師)が、接続入力コンポーネントが選択された宛先アドレスに関連付けられた宛先デバイス(例えば、患者の処置を支援することに同意した他の病院の医師)とメッセージまたは他のデータ(例えば、ビデオフィード)を交換することを可能にする。
【0168】
いくつかの実施形態では、クラウドサーバ135は、ユーザデバイスの位置および接続入力コンポーネントが選択された宛先デバイスの位置を自動的に決定するように構成される。クラウドサーバ135はまた、位置を比較して、レコードの縮約表現を生成するかどうかを決定することができる。例えば、ブロック260において、クラウドサーバ135は、宛先アドレスのセットのうちの各宛先アドレスが、相談ブロードキャストを開始したユーザデバイスとコロケートされていないとクラウドサーバ135が決定するため、レコードの縮約表現を生成することができる。この場合、クラウドサーバ135は、データプライバシー規則に従うためにレコードの縮約表現を生成することを自動的に決定することができる。別の例として、宛先アドレスのセットが、相談ブロードキャストを開始したユーザデバイスと同じエンティティに関連付けられている場合、クラウドサーバ135は、データプライバシー規則に準拠しながら、宛先アドレスに関連付けられた宛先デバイスにレコードを完全に(例えば、レコードの一部を難読化することなく)送信することができる。
【0169】
いくつかの実施形態では、クラウドサーバ135は、複数の他の縮約されたレコード表現を生成する。複数の他の縮約されたレコード表現のそれぞれは、別の被験者に関連付けられている。クラウドサーバ135は、複数の他の縮約されたレコード表現をユーザデバイスに送信し、ユーザデバイスから、複数の他の縮約されたレコード表現のサブセットの選択を識別する通信を受信する。宛先アドレスのセットのそれぞれは、縮約されたレコード表現のうちの1つによって表される。例えば、縮約されたレコード表現を生成することは、縮約されたレコード表現に関連付けられた別の被験者の管轄区域を決定することと、管轄区域内の被験者レコードの交換を管理するデータプライバシー規則を決定することと、データプライバシー規則に準拠するように縮約されたレコード表現を生成することと、を含む。複数の他の縮約されたレコード表現のうちの第1の他の縮約されたレコード表現は、特定のタイプのデータを含むことができる。複数の他の縮約されたレコード表現のうちの第2の他の縮約されたレコード表現は、特定のタイプのデータを省略または不明瞭にすることができる。例えば、特定のタイプのデータは、連絡先情報、氏名および社会保障番号などの識別情報、ならびに他の被験者を固有に識別するために使用されることができる他の適切な情報とすることができる。
【0170】
いくつかの実装形態では、通信は、中央データストアにおいて受信されることができる。通信は、ユーザによって操作されるユーザデバイスによって送信されてもよく、標的被験者の標的被験者レコードの識別子を含んでもよい。通信は、中央データストアにおいて受信されると、中央データストアに、記憶された被験者レコードのセットにクエリさせて、被験者レコードのセットの不完全なサブセットを識別させることができる。被験者レコードが少なくとも1つの次元に沿って標的被験者レコードに類似していると決定されるため、不完全なサブセットの各被験者レコードは、識別されて不完全なサブセットに含まれることができる。次元に沿った2つの被験者レコード間の類似性は、症状、診断、処置、または任意の他の適切なデータ要素に関する類似性など、被験者レコードのデータ要素に関する類似性を表すことができる。類似性または非類似性が決定される1つ以上の次元は、自動的に定義されてもよく、またはユーザ定義されてもよい。標的被験者レコードと中央データストアに記憶された被験者レコードのセットの各被験者レコードとの間の類似性または非類似性を決定することは、少なくとも以下の動作、すなわち、通信に含まれる識別子に基づいて標的被験者レコードを取得すること、標的被験者レコードの変換表現を生成する(または標的被験者レコードの既存の変換表現を取得する)こと、および標的被験者レコードの変換表現および被験者レコードのセットの各被験者レコードの変換表現を使用してクラスタリング演算を実行することを含むことができる。クラスタリング演算は、1つ以上の次元(例えば、被験者レコードの1つ以上の特徴)に対して実行されてもよい。例えば、クラスタリング演算は、被験者の症状を表す値を含むデータ要素に基づいて、中央データストアに記憶された被験者レコードのセットをクラスタリングすることができる。標的被験者レコードの変換表現は、被験者の症状を表す値を含むデータ要素のベクトル表現を含むことができる。標的被験者レコードのこのデータ要素のベクトル表現と、被験者レコードのセットの各被験者レコード内の対応するデータ要素のベクトル表現とが比較されて、被験者レコードのクラスタを定義することができる。被験者レコードの各クラスタは、類似性の次元として選択されたデータ要素に関連付けられた共通の特性を共有する1つ以上の被験者レコードの群を定義することができる。被験者レコードの各クラスタにおいて、標的被験者レコードの変換表現と被験者レコードのセットの他の変換表現との間のユークリッド距離が計算されることができる。被験者レコードは、例えば、被験者レコードの変換表現と標的被験者レコードの変換表現との間のユークリッド距離が閾値内にある場合に、標的被験者レコードに類似していると決定されることができる。
【0171】
IV.B.集約ユーザ統合に基づく共有可能な処置計画定義の更新
図3は、ユーザによる処置計画定義の統合(例えば、決定木または処理ワークフロー)を監視し、監視結果に基づいて処置計画定義を自動更新するプロセス300を示すフローチャートである。プロセス300は、クラウドサーバ135によって実行されて、ユーザデバイスが症状を有する被験者の集団を処置するための処置計画を定義することを可能にすることができる。ユーザデバイスは、内部または外部のネットワークに接続されたユーザデバイスに処置計画定義を配信してもよい。処置計画定義を受信したユーザデバイスは、処置計画定義をカスタム規則ベースに統合するかどうかを決定することができる。カスタム規則ベースへの統合が監視され、処置計画定義を自動的に修正するために使用されることができる。
【0172】
ブロック310において、クラウドサーバ135は、ユーザデバイスがインターフェースデータをロードしたときに処置計画定義インターフェースを表示させるインターフェースデータを記憶する。処置計画定義インターフェースは、ユーザデバイスが処置計画定義インターフェースにナビゲートするためにクラウドサーバ135にアクセスするときに、ユーザデバイスのセットのうちの各ユーザデバイスに提供される。いくつかの実施形態では、処置計画定義インターフェースは、症状(例えば、リンパ腫)を有する被験者の集団を処置するための処置計画をユーザが定義することを可能にする。
【0173】
ブロック320において、クラウドサーバ135は、通信のセットを受信する。通信のセットのうちの各通信は、ユーザデバイスのセットのうちのユーザデバイスから受信され、ユーザデバイスと処置計画定義インターフェースとの間の相互作用に応答して生成された。いくつかの実施形態では、通信は、例えば、被験者レコードの集団を定義するための1つ以上の基準を含む。各基準は、変数型によって表されてもよい。例えば、変数型は、基準の条件として用いられる値や変数であってもよい。規則の基準の変数型はまた、被験者の集団を不完全なサブグループに制約する条件の任意の値であってもよい。例えば、妊婦の集団を規定する規則の変数型は、「IF「被験者は妊娠している」」である。基準は、被験者レコードのプールをフィルタリングするためのフィルタ条件とすることができる。例えば、リンパ腫を発症し得る被験者に関連付けられた被験者レコードの集団を定義するための基準は、「ALKにおける異常」および「60歳以上」というフィルタ状態を含むことができる。通信はまた、症状についての特定のタイプの処置を含むことができる。特定のタイプの処置は、被験者レコードの集団によって表される被験者に関連付けられた症状を処置するために提案される特定の行動の実行(例えば、手術を受ける)に関連付けられることができるか、または特定の行動を控える(例えば、塩分摂取を減らす)ことができる。
【0174】
ブロック330において、クラウドサーバ135は、データレジストリ140またはクラウドネットワーク130内の任意の他の集中サーバなどの中央データストアに規則のセットを記憶する。規則のセットのうちの各規則は、ユーザデバイスからの通信に含まれる1つ以上の基準および特定の処置タイプを含む。例示的な例として、規則は、被験者のリンパ腫を処置するための処置ワークフローを表す。規則は、以下の基準(例えば、「IF」文に続く条件)および次のアクション(例えば、「THEN」文に続く、ユーザによって定義または選択された特定の処置タイプ)を含む。「IF「リンパ節の生検はリンパ腫細胞が存在することを示す」且つ「血液検査はリンパ腫細胞が存在することを示す」場合、THEN「化学療法で処置する」且つ「積極的監視」である。」さらに、規則のセットのうちの各規則は、受信された通信の送信元としてのユーザデバイスに対応する識別子に関連付けて記憶される。
【0175】
ブロック340において、クラウドサーバ135は、処置計画定義インターフェースを介してエンティティ間で利用可能な規則のセットのサブセットを識別する。規則のサブセットは、症状に関連付けられ、評価のために他の医療センターなどの外部システムに配信される規則のセットのサブセットを含むことができる。例えば、規則の特性または規則に関連付けられた識別子を評価することによって、規則のサブセットに含めるために規則が選択されることができる。規則の特性は、記憶された規則に記憶または付加されたコードまたはフラグを含むことができる。コードまたはフラグは、規則が外部システによって一般に利用可能である(例えば、エンティティによって利用される)ことを示す。
【0176】
ブロック350において、ブロック340において識別された規則のサブセットのうちの各規則について、クラウドサーバ135は、規則との相互作用を監視する。相互作用は、規則をカスタム規則ベースに統合する外部エンティティ(例えば、規則に関連付けられた処置計画を定義したユーザに関連付けられたエンティティの外部)を含むことができる。例えば、外部エンティティ(例えば、別の病院)に関連付けられたユーザデバイスは、外部エンティティによって利用可能な規則を評価する。評価は、規則が外部エンティティによって定義された規則セットに統合するのに適しているかどうかを決定することを含む。規則は、外部エンティティに関連付けられたユーザデバイスが、規則を使用して定義された処置ワークフローが規則に対応する条件を処置するのに適していることを示す場合に適することができる。上記の例示的な例を続けると、リンパ腫を処置するための規則は、外部の医療センターによって利用可能とすることができる。外部の医療センターに関連付けられたユーザは、リンパ腫を処置するための規則が外部の医療センターによって定義された規則セットに統合するのに適していると決定する。したがって、規則が外部医療センターによって定義されたカスタム規則ベースに統合された後、外部医療センターに関連付けられた他のユーザは、カスタム規則ベースから統合規則を選択することによって統合規則を実行することができる。さらに、クラウドサーバ135は、処置計画定義インターフェースが、外部エンティティに関連付けられたユーザデバイスからカスタム規則ベースへの規則の統合に対応する入力を受信した場合に生成または生成させる信号を検出することにより、利用可能な規則の統合を監視する。
【0177】
別の例示的な例として、外部エンティティに関連付けられたユーザデバイスは、処置計画定義を使用して、相互作用によって指定された規則の修正バージョンをカスタム規則ベースに統合する。相互作用によって指定された規則の修正バージョンは、カスタム規則ベースへの統合のために選択された規則の一部である。統合のための規則の一部を選択することは、カスタム規則ベースへの統合のための規則に含まれる全ての基準よりも少ない基準を選択することを含む。上記の例示的な例を続けると、外部エンティティに関連付けられたユーザデバイスは、カスタム規則ベースへの統合のために「IF「リンパ節の生検がリンパ腫細胞の存在を示す」」という基準を選択するが、ユーザデバイスは、カスタム規則ベースへの統合のために「血液検査がリンパ腫細胞の存在を明らかにする」という基準を選択しない。したがって、カスタム規則ベースに統合された規則の相互作用固有の修正バージョンは、「IF「リンパ節の生検はリンパ腫細胞が存在することを示す」場合、THEN「化学療法による処置」且つ「積極的監視」」である。「血液検査がリンパ腫細胞の存在を明らかにする」という基準は、相互作用によって指定された規則の修正バージョンを作成するために規則から削除され、カスタム規則ベースに組み込まれる。
【0178】
ブロック360において、クラウドサーバ135は、相互作用によって指定された規則の修正バージョンが外部エンティティによって定義されたカスタム規則ベースに統合されたことを検出することができる。検出されると、クラウドサーバ135は、クラウドネットワーク130の中央データストアに記憶された規則を更新することができる。規則は、監視された相互作用に基づいて更新されてもよい。この例における「に基づいて」という用語は、監視された相互作用を「評価した後」または「評価の結果を使用した」ことに対応する。例えば、クラウドサーバ135は、外部エンティティに関連付けられたユーザデバイスが、相互作用によって指定された規則の修正バージョンを統合したことを検出する。相互作用によって指定された規則の修正バージョンの検出に応答して、クラウドサーバ135は、中央データストアに記憶された規則を既存の規則から相互作用によって指定された規則の修正バージョンに更新することができる。
【0179】
いくつかの実施形態では、クラウドサーバ135は、外部エンティティにわたって利用される更新バージョンを生成することによって規則を更新する。別の元のバージョンは、-更新されないままとすることができ、基準および特定のタイプの処置を識別した、受信された1つ以上の通信の送信元としてのユーザデバイスに関連付けられたユーザによって利用可能である。例えば、クラウドサーバ135は、中央データストアに記憶された規則を更新するが、クラウドサーバ135は、中央データストアに記憶された規則のセットのうちの別の規則を更新しない。
【0180】
いくつかの実施形態では、クラウドサーバ135は、更新条件が満たされたときに規則を更新することができる。更新条件は、閾値であってもよい。例えば、閾値は、規則の修正バージョンをそれらのカスタム規則ベースに統合した外部エンティティの数または割合とすることができる。他の例として、更新条件は、訓練された機械学習モデルの出力を使用して決定されてもよい。例示すると、クラウドサーバ135は、外部エンティティから受信した検出信号を、規則を利用するかどうかおよび/またはいつ利用するか、および/または規則の更新バージョンを利用するかどうかおよびいつ利用するかを自動的に決定するマルチアームバンディットモデルに入力することができる。非限定的な例としてのみ例示するために、規則は、実行可能コードとして定義されてもよく、その結果、規則は、実行時に、さらに分析する被験者レコードのセットのサブセットを識別するために中央データストアに自動的にクエリする。さらに、規則は、被験者レコードの識別されたサブセットに関連付けられた被験者を処置するための1つ以上の処置プロトコルを含むことができる。規則は、被験者レコードのセットのサブセットを定義し、被験者レコードのサブセットに関連付けられたサブセットを処理するためのワークフローとして定義されることができる。例えば、規則は、被験者レコードのセットから被験者レコードをフィルタリングし、残りの被験者レコード(例えば、被験者レコードのセットに対してフィルタリングが実行された後に残っている被験者レコード)に関連付けられた被験者に対して特定の処置プロトコルを実行するための1つ以上の基準を含むことができる。規則は、第1のエンティティのユーザによって定義されるが、規則は、第2のエンティティ(例えば、第1のエンティティおよび第2のエンティティは、2つの異なる医療施設である)の外部ユーザ(例えば、他の病院に勤務する医師)によって受け入れられ(例えば、第2のエンティティの規則ベースに統合される)、変更され、または完全に拒否されることができる。いくつかの例では、第2のエンティティの外部ユーザが規則を受け入れ、したがってそのコードベースに規則を完全に統合するたびに、フィードバック信号がクラウドサーバ135に送信されることができる。他の例では、第2のエンティティのユーザが規則を変更するたびに、フィードバック信号がクラウドサーバ135に送信されてもよい。他の例では、第2のエンティティのユーザが規則を完全に拒否するたびに、フィードバック信号がクラウドサーバ135に送信されてもよい。上記の各例では、フィードバック信号は、規則(例えば、規則識別子)、および規則が受け入れられたか、変更されたか、または拒否されたかを示すデータを含むことができる。マルチアームバンディットモデル(クラウドサーバ135によって実行可能)は、元の規則、変更された規則、または他のエンティティの外部ユーザにブロードキャストするための完全に異なる規則のうちの1つをインテリジェントに選択するように構成されることができる。元の規則、変更された規則、または異なる規則の選択は、マルチアームバンディットの構成に少なくとも部分的に基づいてもよい。いくつかの例では、マルチアームバンディットは、εグリーディ検索技術によって構成されてもよい。εグリーディ検索技術では、マルチアームバンディットモデルは、「1-ε」の確率で他のエンティティの外部ユーザにブロードキャストするための元の規則を選択することができ、εは、新たなまたは変更された規則を探索する確率を表す。したがって、マルチアームバンディットモデルは、元の規則の変更バージョンまたは定義されたεの確率を有する完全に新たな規則を選択することができる。マルチアームバンディットモデルは、他のエンティティから受信したフィードバック信号に基づいてεを変更することができる。例えば、フィードバック信号が、規則が閾値回数にわたって異なる外部ユーザによって特定の方法で変更されたことを示す場合、マルチアームバンディットモデルは、元の規則をブロードキャストする代わりに、外部ユーザにブロードキャストするために、特定の方法で変更された規則を選択するように学習することができる。
【0181】
いくつかの実施形態では、クラウドサーバ135は、同じ変数型に対応する基準を含み、同じまたは類似のタイプの処置を識別する規則のセットのうちの複数の規則を識別する。変数型は、基準の条件として用いられる値や変数であってもよい。規則の基準の変数型はまた、被験者の集団をサブグループに制約する条件の任意の値であってもよい。例えば、妊婦の集団を規定する規則の変数型は、「IF「被験者は妊娠している」」である。クラウドサーバ135は、新たな規則が一般に他のエンティティによって操作されるサーバに送信されるとき、複数の規則の縮約表現である新たな規則を決定する。
【0182】
いくつかの実施形態では、クラウドサーバ135は、被験者、例えば、他のインターフェースにアクセスし、他のインターフェースを使用して属性のセットを含む被験者レコードを選択するためにユーザデバイスを操作するユーザの属性のセットを受信するように構成された別のインターフェースを提供する。被験者レコードの選択は、クラウドサーバ135に被験者の属性のセットを受信させることができる。クラウドサーバ135は、基準が満たされる特定の規則を、被験者の属性のセットに基づいて識別する(例えば、決定する)。例えば、クラウドサーバ135は、中央データストアに記憶された規則の基準に対して被験者レコードの属性のセットを評価する。例示すると、属性のセットが「妊娠している」という値を含むデータフィールドを含む場合、および規則が「IF「被験者が妊娠している」」という単一の基準を含む場合、クラウドサーバ135は、この規則を識別する。クラウドサーバ135は、特定の規則および特定の規則に関連付けられた各特定のタイプの処理を提示するために他のインターフェースを更新する。
【0183】
いくつかの実施形態では、規則の基準は、特定の人口統計変数および/または特定の症候型変数に関連する変数型である。人口統計学的変数の非限定的な例は、年齢、性別、民族性、人種、収入レベル、教育レベル、場所、および人口統計学的情報の他の適切な項目などの、被験者の人口統計学を特徴付ける任意の項目の情報を含む。症候型変数の非限定的な例は、被験者が現在または最近(例えば、最後の来院時、摂取時、24時間以内、1週間以内)特定の症候(例えば、呼吸困難、意識消失、閾値温度を超える発熱、閾値血圧を超える血圧)を経験したかどうかを示す。
【0184】
いくつかの実施形態では、クラウドサーバ135は、データレジストリ140に記憶された被験者レコードなどの被験者レコードのレジストリ内のデータを監視する。クラウドサーバ135は、(ブロック340において識別された)規則のサブセットのうちの各規則について、被験者レコードのレジストリ内のデータを監視する。クラウドサーバ135は、規則の基準が満たされ、特定の処置が被験者に以前に規定された被験者のセットを識別する。クラウドサーバ135は、被験者セットのそれぞれについて、評価もしくは検査から、または評価もしくは検査を使用して示されるような被験者の報告された状態を識別する。例えば、報告された状態は、被験者が退院したかどうか、被験者が生存しているかどうか、被験者の血圧の測定値、被験者が睡眠段階中に目覚めた回数、および他の適切な状態などの態様における被験者の状態を特徴付ける任意の情報である。クラウドサーバ135は、報告された状態に基づいて、特定の処置に対する被験者のセットの推定反応性メトリックを決定する。例えば、規則の特定の処置が投薬を処方することである場合、推定反応性メトリックは、投薬が被験者によって経験された症候または症状に対処した程度の表現である。非限定的な例として、被験者のセットの推定反応性メトリックは、被験者のセットのうちの各被験者に割り当てられたスコアの平均、加重平均、または任意の合計とすることができる。スコアは、処置に対する被験者の反応性の有効性を表すかまたは測定することができる。いくつかの例では、クラウドサーバ135は、クラスタリング技術を使用することによって、処置に対する被験者の反応性の有効性を表すスコアを生成することができる。例示すると、非限定的な例として、被験者レコードのセットは、症状を処置するための特定の処置プロトコルを以前に受けた被験者を表すことができる。被験者レコードのセットの各被験者レコードは、特定の処置プロトコルに対する肯定的な反応性、特定の処置プロトコルに対する中立的な反応性、または特定の処置プロトコルに対する否定的な反応性のうちの1つを有するとして(例えば、ユーザによって)とラベル付けされることができる。被験者レコードのセットは、その後、3つのサブセット(例えば、クラスタ)に分割されることができる。被験者レコードの第1のサブセットは、特定の処置プロトコルに対して肯定的な反応性を有した被験者に対応することができ、被験者レコードの第2のサブセットは、特定の処置プロトコルに対して中立的な反応性を有した被験者に対応することができ、被験者レコードの第3のサブセットは、特定の処置プロトコルに対して中立的な反応性を有した被験者に対応することができる。クラウドサーバ135は、上述した実装形態にしたがって、被験者レコードの第1のサブセットの各被験者レコードを変換表現に変換することができる。クラウドサーバ135はまた、上述した技術を使用して、被験者レコードの第2のサブセットの各被験者レコードを変換表現に変換することができる。最後に、クラウドサーバ135は、上述した技術を使用して、被験者レコードの第3の被験者の各被験者レコードを変換表現に変換することができる。いくつかの実装形態では、特定の処置プロトコルに対する新たな被験者の予測される反応性を決定することは、新たな被験者の新たな被験者レコードを新たな変換表現に変換することを含むことができる。新たな変換表現は、ドメイン空間(例えば、ユークリッド空間)において、各クラスタまたは被験者レコードのサブセットの変換表現と比較されることができる。新たな変換表現が第1のサブセットに関連付けられた変換表現の重心に最も近い場合、新たな被験者は、特定の処置に対して肯定的な反応性を有すると予測される。新たな変換表現が第2のサブセットの変換表現の重心に最も近い場合、新たな被験者は、特定の処置に対して中立的な反応性を有すると予測される。最後に、新たな変換表現が第3のサブセットの変換表現の重心に最も近い場合、新たな被験者は、特定の処置プロトコルに対して否定的な反応性を有すると予測される。重心は、サブセットに関連付けられた変換表現の多次元平均であってもよい。クラウドサーバ135は、規則のセットのうちのサブセットおよび被験者のセットの推定反応性メトリックを処置計画定義インターフェースに表示または提示させることができる。
【0185】
IV.C.類似の被験者に処方された処置を使用した関連する有効性を伴う処置推奨の提示
図4は、被験者の処置を推奨するためのプロセス400を示すフローチャートである。プロセス400は、被験者についての推奨処置および各推奨処置の有効性を医療エンティティに関連付けられたユーザデバイスに表示するために、クラウドサーバ135によって実行されることができる。推奨される処置は、類似の被験者に以前に処方された処置の有効性を評価した結果を使用して識別されることができる。
【0186】
ブロック410において、クラウドサーバ135は、被験者の態様を特徴付ける被験者レコードに対応する入力を受信する。入力は、エンティティに関連付けられたユーザデバイスから受信される。さらに、入力は、被験者レコードのレジストリを管理するように構成されたプラットフォームのインスタンスに関連付けられたインターフェースを使用して被験者レコードを選択または識別するユーザデバイスに応答して受信される。ユーザデバイスは、クラウドネットワーク130内に接続されたウェブサーバ(図示せず)に記憶されたインターフェースデータをロードすることによってインターフェースにアクセスすることができる。ウェブサーバは、クラウドサーバ135に含まれてもよく、またはクラウドサーバ上で実行されてもよい。
【0187】
ブロック420において、クラウドサーバ135は、ブロック410において受信された被験者レコードから被験者属性のセットを抽出する。被験者属性は、被験者の態様を特徴付ける。被験者属性の非-限定的な例は、電子健康レコードに見られる任意の情報、任意の人口統計情報、年齢、性別、民族、最近または過去の症候、症状、症状の重症度、および被験者を特徴付ける任意の他の適切な情報を含む。
【0188】
ブロック430において、クラウドサーバ135は、被験者属性のセットを使用して被験者レコードの配列表現を生成する。例えば、配列表現は、被験者レコードに含まれる値のベクトル表現である。ベクトル表現は、ユークリッド空間などのドメイン空間内のベクトルとすることができる。しかしながら、配列表現は、被験者レコードのデータフィールドの値の任意の数値表現とすることができる。いくつかの実施形態では、クラウドサーバ135は、被験者レコードの配列表現の被験者属性のセットを表す値を生成するために、SVDなどの特徴分解技術を実行することができる。
【0189】
ブロック440において、クラウドサーバ135は、複数の他の被験者を特徴付ける他の配列表現のセットにアクセスする。他の配列表現のセットに含まれる配列表現は、別の被験者(例えば、複数の他の被験者のうちの1人)を特徴付ける被験者レコードのベクトル表現とすることができる。
【0190】
ブロック450において、クラウドサーバ135は、被験者を表す配列表現と他の被験者のそれぞれの配列表現との間の類似性を表す類似性スコアを決定する。例えば、類似性スコアは、被験者を表す配列表現と他の被験者を表す配列表現との間の(ドメイン空間における)距離の関数を用いて計算される。例示および非限定的な例として、「0」から「1」の範囲を使用して類似性スコアが計算されることができ、「0」は定義された閾値を超える距離を表し、「1」は配列表現がそれらの間に距離を有しないことを表す。例示すると、非限定的な例としてのみ、類似性スコアは、2つの配列表現(例えば、ベクトル)間のユークリッド距離に基づいてもよい。
【0191】
ブロック460において、クラウドサーバ135は、複数の他の被験者の第1のサブセットを識別する。被験者に関連付けられた類似性スコアが所定の絶対範囲または相対範囲内にある場合、被験者は第1のサブセットに含められてもよい。同様に、ブロック470において、クラウドサーバ135は、複数の他の被験者の第2のサブセットを識別する。しかしながら、被験者の類似性スコアが他の所定の範囲内にある場合、被験者は第2のサブセットに含まれてもよい。
【0192】
ブロック480において、クラウドサーバ135は、複数の他の被験者の第1のサブセットおよび第2のサブセットにおける各被験者についてのレコードデータを取得する。レコードデータは、被験者を特徴付ける被験者レコードに含まれる属性を含む。例えば、被験者レコードデータは、被験者が受けた処置および処置に対する被験者の反応性を識別する。処置に対する反応性は、テキスト(例えば、「被験者は処置に肯定的に反応した」)または被験者が処置に対して肯定的または否定的に反応した程度を示すスコア(例えば、「0」が否定的な反応性を示し、「1」が肯定的な反応性を示す、「0」から「1」までのスコア)によって表されることができる。いくつかの例では、処置反応性は、被験者に対して以前に行われた処置に対して被験者が肯定的に反応した程度を示すことができる。例えば、処置反応性は、数値(例えば、「0」から「10」までのスコア)または非数値(例えば、「肯定的」、「中立」、または「否定的」などの反応性を表すように割り当てられた単語)であってもよい。いくつかの例では、以前に処置された被験者に対する処置反応性は、ユーザ定義されてもよい。他の例では、処置反応性は、ユーザからの検査または測定の結果に基づいて自動的に決定されてもよい。例えば、被験者に対して行われた血液検査に含まれる値に基づいて、処置反応性が自動的に決定されてもよい。
【0193】
ブロック490において、クラウドサーバ135は、ユーザデバイス上のインターフェースに提示される出力を生成する。出力は、例えば、被験者に対する1つ以上の処置の推奨を示すことができる。1つ以上の処置の推奨は、例えば、第1および第2のサブセットにおいて他の被験者によって受けられた処置、第1および第2のサブセットにおける被験者の処置反応性、ならびに第2のサブセットにおける被験者の被験者属性と被験者の被験者属性との間の差に基づいて決定されることができる。
【0194】
いくつかの実施形態では、クラウドサーバ135は、被験者および第1または第2のサブセットからの被験者のうちの1人が同じ医療エンティティによって処置されているかまたは処置されたと決定する。クラウドサーバ135は、第1または第2のサブセットの被験者および別の被験者が、異なる医療エンティティによって処置されているかまたは処置されたと決定する。クラウドサーバ135は、インターフェースを介して被験者のレコードの異なる難読化バージョンを利用することができる。クラウドベースのアプリケーションは、異なる管轄区域のデータプライバシー規則によってデータ共有に課される様々な制約に基づいて、エンティティに記録の異なる難読化バージョンを自動的に提供することができる。いくつかの実施形態では、クラウドサーバ135は、被験者レコードのセットの変換表現に対してクラスタリング演算を実行することによって、被験者レコードの第1のサブセットおよび第2のサブセットを識別する。
【0195】
IV.D.外部エンティティからのクエリ結果の自動的難読化
図5は、データプライバシー規則に準拠するようにクエリ結果を難読化するためのプロセス500を示すフローチャートである。プロセス500は、外部エンティティとの被験者レコードのデータ共有がデータプライバシー規則に準拠していることを保証する実行規則としてクラウドサーバ135によって実行されてもよい。クラウドベースのアプリケーションは、ユーザデバイスがクエリ制約を満たす被験者レコードについてデータレジストリ140にクエリすることを可能にすることができる。しかしながら、クエリ結果は、外部エンティティから生じるデータレコードを含むことができる。したがって、プロセス500は、クラウドサーバ135が、データプライバシー規則に準拠しながら、外部エンティティからの処置に関する追加情報をユーザデバイスに提供することを可能にする。
【0196】
ブロック510において、クラウドサーバ135は、第1のエンティティに関連付けられたユーザデバイスからクエリを受信する。例えば、第1のエンティティは、被験者レコードの第1のセットに関連付けられた医療センターである。クエリは、病状に関連する症候のセット、またはデータレジストリ140のクエリ検索を制約する任意の他の情報を含むことができる。
【0197】
ブロック520において、クラウドサーバ135は、ユーザデバイスから受信したクエリを使用してデータベースにクエリする。ブロック530において、クラウドサーバ135は、症候のセットに対応し、病状に関連付けられたクエリ結果のデータセットを生成する。例えば、ユーザデバイスは、リンパ腫と診断された被験者の被験者レコードに対するクエリを送信する。クエリ結果は、(第1のエンティティに由来するか、または第1のエンティティにおいて作成された)第1の被験者レコードのセットからの少なくとも1つの被験者レコードと、第2のエンティティに関連付けられた被験者レコードの第2のセットからの少なくとも1つの被験者レコード(例えば、第1のエンティティとは異なる医療センター)とを含む。第1の被験者レコードのセットからの被験者レコードおよび第2の被験者レコードのセットからの被験者レコードのそれぞれは、被験者属性のセットを含むことができる。被験者属性は、被験者の任意の態様を特徴付けることができる。
【0198】
ブロック540において、クラウドサーバ135は、第1の被験者レコードセットに含まれる被験者レコードについて、これらのレコードが第1のエンティティに由来するため、被験者属性セット全体をユーザデバイスに提示する(例えば、利用するか、そうでなければ利用可能とする)。被験者レコードを完全に提示することは、被験者レコードに含まれる属性のセットを、インターフェースを使用した評価または相互作用のためにユーザデバイスによって利用可能にすることを含む。ブロック550において、クラウドサーバ135はまた、または代替として、第2の被験者レコードセットに含まれる各被験者レコードについての被験者属性セットの不完全なサブセットをユーザデバイスに利用する。被験者属性のセットの不完全なサブセットを提供することは、被験者属性の不完全なサブセットを使用して被験者を固有に識別することができないため、被験者に匿名性を提供する。例えば、不完全なサブセットを提供することは、10個の被験者属性に関連付けられた被験者を匿名化するために10個の被験者属性のうちの利用可能な4つを含むことができる。いくつかの実施形態では、ブロック550において、クラウドサーバ135は、第2の被験者に含まれる各被験者レコードについて難読化された被験者属性のセットを利用する。属性のセットを難読化することは、提供される情報の粒度を低減することを含む。例えば、被験者の住所の被験者属性を利用する代わりに、難読化属性は、郵便番号または被験者が生きている州であってもよい。不完全な被験者または難読化サブセットが利用可能であるかどうかにかかわらず、クラウドサーバ135は、被験者レコードに関連付けられた被験者を匿名化する。
【0199】
IV.E.自己学習知識ベースとのチャットボット統合
図6は、チャットボットなどのボットスクリプトを使用してユーザと通信するためのプロセス600を示すフローチャートである。プロセス600は、ユーザによって提供された新たな質問を知識ベース内の既存の質問に自動的にリンクして、新たな質問に対する応答を提供するためにクラウドサーバ135によって実行されることができる。チャットボットは、症状に関連付けられた質問に回答を提供するように構成されることができる。
【0200】
ブロック605において、クラウドサーバ135は、回答のセットを含む知識ベースを定義する。知識ベースは、メモリに記憶されたデータ構造であってもよい。データ構造は、定義された質問に対する回答のセットを表すテキストを記憶する。各回答は、通信セッション中にユーザデバイスから受信した質問に応答して、チャットボットによって選択可能とすることができる。知識ベースは、自動的に定義されてもよく(例えば、データソースからテキストを取得し、NLP技術を使用してテキストをパースすることによって)、またはユーザ定義されてもよい(例えば、研究者または医師によって)。
【0201】
ブロック610において、クラウドサーバ135は、特定のユーザデバイスから通信を受信する。通信は、特定のチャットボットとの通信セッションを開始する要求に対応する。例えば、医師または被験者は、チャットセッションにおいてチャットボットと通信するためにユーザデバイスを操作することができる。クラウドサーバ135(またはクラウドサーバ135内に記憶されたモジュール)は、ユーザデバイスとチャットボットとの間の通信セッションを管理または確立することができる。ブロック615において、クラウドサーバ135は、通信セッション中に特定のユーザデバイスから特定の質問を受信する。質問は、NLP技術を使用して処理される文字列とすることができる。
【0202】
ブロック620において、クラウドサーバ135は、特定の質問から抽出された少なくともいくつかの単語を使用して知識ベースにクエリする。単語は、NLP技術を使用して、特定の質問を表す文字列から抽出されてもよい。ブロック625において、クラウドサーバ135は、知識ベースが特定の質問の表現を含まないと決定する。この場合、受信された質問は、チャットボットに新たに投稿されてもよい。ブロック630において、クラウドサーバ135は、知識ベースから他の質問表現を識別する。クラウドサーバ135は、ユーザデバイスから受信した質問を知識ベースに記憶された他の質問表現と比較することによって、別の質問表現を識別することができる。例えば、NLP技術を使用した質問表現の分析に基づいて類似性が決定された場合、クラウドサーバ135は、他の質問表現を識別する。
【0203】
ブロック635において、クラウドサーバ135は、他の質問表現と知識ベースにおいて関連付けられた回答のセットのうちの回答を取得する。ブロック640において、ブロック635において取得された回答は、たとえ知識ベースが受信された質問の表現を含まなかったとしても、受信された質問に対する回答として特定のユーザデバイスに送信される。ブロック645において、クラウドサーバ135は、特定のユーザデバイスから指示を受信する。例えば、指示は、チャットボットによって提供された回答が特定の質問に応答したことを示すユーザデバイスに応答して受信されてもよい。
【0204】
ブロック650において、クラウドサーバ135は、特定の質問の表現または特定の質問の異なる表現を含むように知識ベースを更新する。例えば、質問の表現を記憶することは、質問に含まれるキーワードをデータ構造に記憶することを含む。クラウドサーバ135はまた、特定の質問の同じまたは異なる表現を、特定のユーザデバイスに送信されたより多くの適切な回答に関連付けることができる。
【0205】
いくつかの実施形態では、クラウドサーバ135は、特定のユーザデバイスに関連付けられた被験者レコードにアクセスする。クラウドサーバ135は、特定の質問に対する複数の回答を決定する。次いで、クラウドサーバ135は、回答のセットから回答を選択する。しかしながら、回答の選択は、特定のユーザデバイスに関連付けられた被験者レコードに含まれる1つ以上の値に少なくとも部分的に基づく。例えば、被験者レコードに含まれる値は、被験者が最近経験した症状を表すことができる。チャットボットは、被験者が最近経験した症状に応じた回答を選択するように構成されてもよい。いくつかの例では、クラウドサーバ135は、回答のセット内の各回答の順序を予測するように訓練された学習対ランク機械学習モデルにアクセスすることができる。学習対ランク機械学習モデルは、回答の訓練セットを使用して訓練されることができる。回答の訓練セットの各回答は、1つ以上の症状およびその症状の関連性スコアによってラベル付けされてもよい。関連性スコアは、1つ以上の症状の所与の症状に対する関連する回答の関連性を表すことができる。関連性スコアは、ユーザ定義されてもよく、または訓練回答における単語(例えば、症状についての単語)の頻度などの特定の要因に基づいて自動的に決定されてもよい。訓練の回答のセットは、チャットボットが生産環境において動作しているときに使用される回答のセットとは異なる場合がある。学習対ランク機械学習モデルは、学習対ランクモデルによって学習されたパターン(例えば、1つ以上の症状の各症状に対するラベル化された回答の訓練セットに関連する関連性スコアとの間のパターン)に基づいて、(被験者プロファイルから検出された)症状との関連性に関して(生産環境において使用される)回答のセットをどのように順序付けるかを学習することができる。チャットボットは、予測された回答の順序に基づいて、生産環境において使用される回答のセットから回答を選択することができる。いくつかの例では、回答のセットの各回答は、回答に関連付けられた1つ以上の症状を示すタグまたはコードに関連付けられてもよい。クラウドサーバ135は、被験者が最近経験した症状を表す値を、各回答に関連付けられたタグまたはコードと比較することができる。
【0206】
V.癌と診断された被験者のためのインテリジェントな臨床的意思決定を容易にする腫瘍学的アプリケーションを提供するように構成されたネットワーク環境
図7は、本開示のいくつかの態様にかかる、癌と診断された被験者の処置および処置スケジュールの被験者に固有の識別を容易にするために訓練されたAIモデルを展開するためのネットワーク環境の例を示すブロック図である。ネットワーク環境700は、ユーザデバイス110およびAIシステム702を含むことができる。ユーザデバイス110は、ネットワーク736(例えば、任意の公衆または私設ネットワーク)を使用してAIシステム702と相互作用することができ、これにより、ユーザデバイス110とAIシステム702との間の通信の交換を容易にする。AIシステム702は、図1に関して説明したAIシステム145の別の実装であってもよい。ユーザデバイス110は、癌と診断された被験者を処置している医師または他の医療専門家などのユーザによって操作されることができる。ユーザデバイス110は、特定の機能(例えば、クラウドベースのサービス)をトリガするためにアプリケーションプログラミングインターフェース(API)704を使用してAIシステム702に要求を送信することができる。
【0207】
いくつかの実装形態では、特定の患者を処置する医師は、ユーザデバイス110を操作して、クラウドネットワーク130などのクラウドベースのネットワークを使用して利用可能な腫瘍学アプリケーション(例えば、モジュール)にアクセスすることができる。腫瘍学アプリケーションは、AIシステム702を使用して実行される特定の予測機能を実行するように構成されることができる。予測機能の非限定的な例は、癌のタイプにわたる患者における突然変異順序に基づいて個々の患者の治療転帰およびその後の癌の進展を予測すること、強化された患者データを作成し、治療の候補ラインに関連する無増悪生存期間を予測すること、または被験者に対する特定の処置が選択された理由が医療施設のガイドラインにしたがって選択されたかどうかを自動的に検証すること、および検証された処置に基づいて癌処置の新たなガイドラインを潜在的に提案することを含む。図7は、単一のユーザデバイス110を示しているが、クラウドベースのサーバなどの任意の数のユーザデバイスまたは他のコンピューティングデバイスがAIシステム702と相互作用することができることが理解されよう。
【0208】
AIシステム702は、例えば、クエリリゾルバ706、AIモデル訓練システム708、およびAIモデル実行システム710を使用して予測機能を実行することができる。クエリリゾルバ706は、AIシステム702の1つ以上のクラウドベースのサーバを使用して実行されると、ユーザデバイス110からクエリを受信することと、AIシステム702の他のコンポーネントにクエリを中継することによってクエリを処理することと、ユーザデバイス110にクエリ応答を送信することによってクエリを解決して予測機能のパフォーマンスを完了することとを含む、ワークフローを実行させる実行可能コードを含むことができる。データを記憶するためのいくつかのデータ構造(例えば、データベース)は、AIシステム702が実行することができる予測機能を容易にすることができる。いくつかの実装形態では、データ構造は、訓練データ716、検証データ718、検査データ720、データレジストリ722からの被験者レコード、AIモデル724、処置726、処置スケジュール728、臨床検査730、および被験者群識別子732を記憶することができる。AIシステム702の様々な構成要素は、通信ネットワーク734を使用して互いに通信することができる。
【0209】
AIモデル訓練システム708は、訓練データ716を使用してAIモデルの訓練を容易にすることができる。例えば、AIモデル訓練システム708は、訓練データ716を学習アルゴリズムに入力させるコード(例えば、クラウドベースのサーバの物理または仮想中央処理装置(CPU)などのプロセッサによって実行される)を実行することができる。学習アルゴリズムが実行されて、訓練データ716に含まれるデータ点間のパターンまたは相関を検出することができる。検出されたパターンまたは相関は、入力(例えば、訓練データ716に含まれていない被験者についての被験者レコードなどの、以前は見られなかった新たな入力データ)の受信に応答して、記憶されたパターンまたは相関に基づいて結果を予測する出力を生成するように訓練された、AIモデルとして記憶されることができる。
【0210】
いくつかの実装形態では、図8および図11に関してより詳細に説明するように、AIモデル訓練システム708は、特定の処置の処置転帰をクラスタ化するために使用される教師なし学習モデルの訓練を容易にすることができる。他の実装形態では、図9および図12に関してより詳細に説明するように、AIモデル訓練システム708は、特定の癌タイプを有する特定の被験者に対する特定の処置の無増悪生存期間を予測するために使用される知識グラフ(または知識モデル)の訓練を容易にすることができる。他の実装形態では、図10および図13に関してより詳細に説明するように、AIモデル訓練システム708は、提案されたまたは予測された処置の選択に寄与した理由をガイドラインに準拠するまたはガイドラインに準拠しないとして自動的に分類するニューラルネットワークモデルの訓練を容易にすることができる。
【0211】
AIシステム702によって実行される学習アルゴリズムは、任意の教師あり、教師なし、半教師あり、強化、および/またはアンサンブル学習アルゴリズムを含むことができる。AIシステム702によって実行されることができる学習アルゴリズムの非-限定的な例は、以下の表1に含まれる。AIモデルを訓練するためのAIシステム702による学習アルゴリズムの選択は、例えば、訓練データ716の少なくとも一部のタイプおよびサイズ、ならびにAIシステム702が実行することができる予測機能を目的とした目標予測結果に基づくことができる。表1に提供された様々な学習アルゴリズムは、本明細書に記載されたAIベースのモデルのいずれかを訓練するための学習アルゴリズムとして使用されることができる。
【表1】
【0212】
さらに、様々なAIモデルを訓練するプロセス中に、AIモデル訓練システム708は、訓練データ716、検証データ718、および検査データ720と相互作用することができる。訓練データ716は、学習アルゴリズムに入力されるデータセットである。学習アルゴリズムは、訓練データ716内のデータ点間のパターン、相関、または関係を検出する。しかしながら、学習アルゴリズムによって検出されたパターン、相関、または関係(例えば、パラメータ)は、訓練データ716をオーバーフィッティングさせる可能性がある。オーバーフィッティングは、(例えば、パターン、相関、または関係を生成した)学習アルゴリズムによって実行された分析が訓練データ716に正確にまたは実質的に正確に対応するときに発生する。この場合、学習アルゴリズムによって実行される分析は、新たな、以前には見られなかった入力データを予測する基礎として正確に機能しない可能性がある。したがって、検証データ718は、訓練データ716とは異なるデータセットであり、パターン、相関、または関係を修正して訓練データ716のオーバーフィッティングを防止するために使用される。訓練データ716に対して複数の学習アルゴリズムが実行される場合、検証データ718が使用されて、新たな入力データ(例えば、訓練データ716に含まれない入力データ)に対して最高のパフォーマンスを有する学習アルゴリズムを識別することができる。検証データ718が使用されて、新たな入力データに対する各学習アルゴリズムのパフォーマンスを決定するために評価されることができる誤差関数を生成することができる。例えば、様々な学習アルゴリズムのそれぞれによって訓練データ716内で検出されたパターン、相関、または関係は、様々なAIモデルに記憶されることができる。新たな入力データに対する各AIモデルの誤差関数は、検証データ718を使用して評価されることができる。誤差関数が最も小さいAIモデルが選択されることができる。最後に、検査データ720は、訓練データ716および検証データ718のそれぞれから独立した別のデータセットである。選択されたAIモデルに検査データ720が入力されて、選択されたAIモデルの全体的なパフォーマンスを検査することができる。
【0213】
いくつかの実装形態では、訓練データ716、検証データ718、および検査データ720は、単一のより大きなデータセットにわたってセグメント化されることができる。例えば、データセットは、3つのデータサブセットにセグメント化されることができる。訓練データ716は、3つのデータサブセットのうちの1つとすることができ、検証データ718は、3つのデータサブセットのうちの別の1つとすることができ、検査データ720は、3つのデータサブセットのうちの最後とすることができる。いくつかの実装形態では、3つ以上のサブセットにセグメント化されるデータセットは、任意のデータまたはデータタイプを含むことができる。訓練データ716、検証データ718、および/または検査データ720が生成されるデータセットに含めることができるデータまたはデータタイプの非限定的な例は、放射線画像データ、MRIデータ、遺伝子プロファイルデータ、臨床データ(例えば、測定、処置、処置応答、診断、重症度、病歴)、被験者生成データ(例えば、乳癌を有する被験者によって入力されたメモ)、医師または医療専門家生成データ(例えば、医師のメモ)、患者と医師または他の医療専門家との間の電話記録を表す音声データ、管理データ、請求データ、健康調査(例えば、健康リスク評価(HRS)調査)、第三者またはベンダー情報(例えば、ネットワーク外の実験結果)、被験者に関連する公開データベース(例えば、被験者の状態に関連する医療ジャーナル)、被験者人口統計、予防接種、放射線学報告、病理報告、利用情報、生物学的試料を表すメタデータ、ソーシャルデータ(例えば、教育レベル、雇用状況)、コミュニティ仕様などを含む。いくつかの例では、被験者レコードの少なくとも一部は、被験者によって操作されるデバイスからの通信(例えば、介護者デバイスおよび/または遠隔サーバにおいて受信される)を介して最初に識別されることができる。いくつかの実装形態では、被験者レコードの少なくともいくつかの特徴は、(例えば、被験者のデバイスにおいて収集されるか、または撮像デバイスを操作する医療専門家によって収集される)1つ以上の写真を含むか、またはそれに基づく。いくつかの例では、被験者に固有のデータの少なくとも一部は、被験者に対応する電子医療レコードを介して最初に識別され、かつ/または電子医療レコードから受信された。
【0214】
AIモデル実行システム710は、プロセッサ(例えば、クラウドネットワーク130などのクラウドベースのネットワークの物理または仮想CPU)によって実行されると、特定の訓練されたAIモデルのインスタンスを実行して出力を生成する実行可能コードを使用して実装されることができる。出力は、乳癌、肺癌、結腸癌、および血液癌などの腫瘍学または他の特定の癌に関する特定の臨床的意思決定を予測することができる。
【0215】
例示するために、非限定的な例としてのみ、AIモデル実行システム710は、クエリリゾルバ706から要求を受信する(例えば、要求は、特定の被験者に対して実施する治療ラインの異なる選択肢を評価する医師など、ユーザによって操作されるユーザデバイス110から発信される)。ユーザデバイス110からの要求は、AIシステム702が、PIK3CA突然変異を有する乳癌を有する特定の被験者にアルペリシブ(化学療法薬)を与える治療結果を予測することである。PIK3CA突然変異は、乳癌、肺癌、結腸癌、卵巣癌、脳癌、および胃癌を含む多くのタイプの癌に関与している。PIK3CA突然変異は、変化したp110αサブユニットを産生し、PI3Kが停止することなく信号伝達することを可能にする。しかしながら、拘束されていない信号伝達は、細胞を制御されない様式で分裂させ、潜在的に癌をもたらすことがある。アルペリシブ化学療法処置は、PI3Kを阻害し、これは、PI3K信号伝達に制約を課すことによって腫瘍増殖の可能性を低下させる。しかしながら、アルペリシブは、重症度の尺度で様々な副作用を有する可能性がある。クエリリゾルバ706は、要求を処理し、予測を実行するためにどの訓練されたAIモデルを選択するかを識別する。要求の受信に応答して、AIシステム702は、選択されたAIモデルと、特定の被験者の特徴を特徴付ける被験者レコードとを使用して、アルペリシブを特定の被験者に与える処置転帰の予測を生成する。選択された訓練されたAIモデルは、アルペリシブが、特定の被験者において同様に検出された高いインスリン抵抗性などの特定の被験者の特徴に起因して低い効能を有するであろうことを予測する出力を生成する。この例で説明される予測機能は、図8および図11に関してさらに説明される。
【0216】
別の実例として、また非限定的な例としてのみ、医師は、腫瘍壊死因子(TNF)関連アポトーシス誘導リガンド(TRAIL)の標的療法処置を特定の使用者に対して行うべきかどうかを評価する。TRAIL処置の様々な重症度の広範囲の起こり得る副作用があるが、TRAIL処置は、一般に、腫瘍増殖を低下させることを意図している。AIシステム702は、特定の被験者にTRAIL処置を施すことの起こり得る副作用を医師が決定するのを支援するための予測出力を生成するように構成される。したがって、医師によって操作されるユーザデバイス110は、特定の被験者がTRAIL処置の受信に応答して経験する可能性が高い副作用の予測を生成するために、AIシステム702に要求を送信する。AIシステム702は、処置とそれらの処置の副作用との間の様々な関係を表すノードのグラフである知識グラフを取得またはアクセスする。知識グラフは、以下のトリプレット文のセットを含む:処置、副作用との関係、および副作用。各トリプレット文は、処置と副作用の関連を表す。処置、被験者の特徴(例えば、遺伝子突然変異)、および副作用の間の様々な関係を学習するために、知識グラフのトリプレット文のセット全体に対して学習アルゴリズムが実行されることができる。特定の被験者のTRAIL処置および被験者レコードは、知識グラフを使用して訓練されたAIモデルに入力される。出力は、TRAIL処置を特定の被験者に与える副作用が、腫瘍増殖を促進する状態の稀な負の副作用であると予測されることである。この例で説明される予測機能は、図9および図12に関してさらに説明される。
【0217】
さらに別の例示として、非限定的な例としてのみ、ユーザデバイス110は、特定の被験者に対して処置を実行するための医師の理由が腫瘍学的ガイドラインに準拠しているかどうかを予測する要求をAIシステム702に送信する。例えば、ガイドラインは、NCCN Guidelines for Clinical Practice in Oncologyを含む。処置を実行する前に、医師は、特定の処置を選択する医師の理由が既存の処置ガイドラインに準拠しているかどうかの自動評価を受けることができる。AIシステム702は、理由のリストおよび提案された処置が既存の腫瘍学的ガイドラインに準拠しているかどうかを分類するように訓練されたニューラルネットワークを選択することができる。この例で説明される予測機能は、図10および図13に関してさらに説明される。
【0218】
特定のAIモデルは、訓練プロセス中に訓練データ716の一部を記憶するという技術的課題を呈する可能性がある。訓練データ716の一部を記憶することは、訓練されたAIモデルが、入力データの受信に応答して、訓練データ716に含まれるデータ要素をそのまま出力するときに起こり得る。データ漏洩とは、新たな以前には見られなかったデータの入力に応答して、訓練データからデータ要素をそのまま出力するAIモデルを指す。場合によっては、AIモデルは、AIモデルが訓練データにオーバーフィッティングされたときに訓練データを記憶する。オーバーフィッティングされたAIモデルは、訓練データに含まれるノイズを記憶する(例えば、学習のタスクに関連しないデータ要素を訓練データから記憶する)。したがって、AIモデルは、AIモデルがデータ漏洩を示す場合、新たな、以前は見られなかった入力データに関する予測を一般化しない。
【0219】
訓練データが被験者に関する機密データまたは個人データを含む場合、データ漏洩は、プライバシー規制に違反する可能性がある。例示および非限定的な例として、訓練データ716は、被験者(被験者レコードによって特徴付けられる)がアルツハイマー病の早期発症に関連する遺伝子突然変異を有することを表す値を含む被験者レコードを含む。アルツハイマー病の遺伝子突然変異の存在を表す値は、感受性データまたは個人データである。したがって、様々なプライバシー法および規制は、被験者の機密データまたは個人データの不正な開示を禁止している(例えば、医療保険の携行性と責任に関する法律(HIPAA))。しかしながら、訓練されたAIモデルが訓練データ716にオーバーフィッティングされる場合、訓練されたAIモデルが、被験者がアルツハイマー病の遺伝子突然変異を有することを表す値を漏らす(例えば、外部に、または許可されていないユーザに意図せずに開示する)可能性があるという技術的課題が生じる。いくつかのシナリオでは、敵対するユーザデバイス(例えば、AIモデルから機密情報を意図的に抽出しようとしているユーザによって操作される)が訓練されたAIモデルに入力を送信し、AIモデルによって生成された対応する出力を受信することができる場合、プライバシー違反が発生する可能性がある。例えば、敵対ユーザデバイスがパブリックAPIを使用して訓練されたAIモデルにアクセスする場合、敵対ユーザデバイスは、訓練されたAIモデルに入力を送信し、訓練されたAIモデルによって生成された出力を受信することができる。次いで、敵対ユーザデバイスは、訓練されたAIモデルから受信した様々な出力を評価して、AIモデルを訓練するために使用される訓練データに関する機密データまたは個人データを推測することができる。推測されることができる機密データまたは個人データの非限定的な例は、特定の被験者における特定の遺伝子突然変異の存在を示す値;訓練データにおける被験者者レコードの有無;特定の臨床試験における特定の被験者の有無;特定の被験者によって提示される表現型と、乳癌などの特定の疾患を発症する特定の被験者の遺伝的素因との間の相関;特定の被験者の遺伝的プロファイルの特徴;および任意の他の機密データまたは個人データを含む。
【0220】
上記のようなデータ漏洩に関する技術的課題を解決するために、本開示の特定の態様および特徴は、AIモデル実行システム710がAIモデルデータストア724に記憶された訓練されたAIモデルのいずれかを実行するときにデータ漏洩を検出し、またデータ漏洩を防止するようにデータ漏洩検出器712を構成することに関する。いくつかの実装形態では、データ漏洩検出器712は、訓練データ716、検証データ718、検査データ720、および/またはAIモデル724に対して特定のデータ漏洩防止プロトコルを実行することができる。訓練データ716、検証データ718、検査データ720、および/またはAIモデル724に対してデータ漏洩防止プロトコルを実行することは、訓練されたAIモデルによる機密データの漏洩を抑制または防止することができる。データに対して実行されるデータ漏洩防止プロトコルの非限定的な例は、被験者レコードに含まれる機密データまたは個人データの暗号化、データ衛生化、データ正規化、ロバストな統計、敵対的訓練、差分プライバシー、連合学習、準同型暗号化、および被験者を特徴付ける機密データの漏洩を抑制または防止するための他の適切な技術を含む。
【0221】
再び図7を参照すると、被験者レコードは、多数の次元(例えば、数百または数千の特徴次元)を使用して被験者特徴を特徴付けるデータ要素を含むことができる。被験者レコード内の特定の特徴次元は、目標タスクに有用であり得るが、被験者レコード内の他の特徴次元は、ノイズの多いデータ(例えば、被験者タスクに有用ではない特徴)を表すことがある。被験者レコードの高次元性は、AIシステム702に関連付けられた様々なAIモデルによって提供される予測機能の一部として被験者レコード(またはその数値表現)を入力することに関する技術的課題を作り出す。本開示の特定の態様および特徴は、上述した技術的課題に対する解決策を提供するノイズの多い特徴検出器714に関する。いくつかの実装形態では、ノイズの多い特徴検出器714は、被験者レコードに含まれる被験者特徴のセットの被験者特徴のサブセットをノイズとして分類することによって、高次次元被験者レコードを低次元被験者レコードに変換するように構成されることができる。例えば、ノイズの多い特徴検出器714は、被験者特徴を被験者タスクの予測またはノイズのいずれかとして分類するように訓練された2クラス分類モデルを実行することができる。ノイズの多い特徴検出器714はまた、被験者レコードの被験者特徴を複数のクラス(例えば、ノイズデータ、有用であるが被験者タスクを予測しない、および有用であって被験者タスクを予測する)のうちの1つ以上に分類することができるマルチクラス分類モデルとすることもできることが理解されよう。被験者レコードの次元の削減は、予測機能を提供するときにAIモデル実行システム710が処理する被験者レコードの特徴次元の数を削減することによって、AIシステム702の計算効率を改善する。被験者レコードの次元を削減するための技術の非限定的な例は、基準に基づいて特徴を削減すること、特徴カテゴリに基づいて特徴を削減すること、特徴選択技術、訓練された分類器モデルによってノイズとして分類された特徴を排除すること、および他の適切な技術を含む。
【0222】
VI.人工知能技術を使用して治療転帰および癌の進展を予測する腫瘍学的応用を提供するように構成されたネットワーク環境
癌性一次突然変異は、癌を被験者においてさらに発症させる二次または三次突然変異と優先的に関連することができる。例えば、癌に関連することが多い特定の遺伝子突然変異は、それ自体では癌を引き起こさない可能性があり、むしろ、優先的に関連するいくつかの突然変異の混合物が一緒に存在し、特定の順序で活性化されると、癌性細胞の増殖を引き起こす可能性がある。特定の癌では、例えば、腫瘍は、一次突然変異が活性化された後に二次突然変異が活性化された場合にのみ発症することができる。したがって、1つの遺伝子突然変異を標的化する(例えば、阻害する)ことは、二次または三次遺伝子突然変異を活性化し、被験者の癌をさらに複雑にすることがあるため、標的療法処置を選択することは困難である。所与の遺伝子突然変異に対する特定の標的療法処置の効果を様々な癌タイプにわたって識別することは、医師に利益をもたらすことができる。
【0223】
図8は、本開示のいくつかの態様にかかる、癌と診断された被験者の処置転帰および癌の進展を予測するために訓練されたAIモデルを展開するためのネットワーク環境の例を示すブロック図である。ネットワーク環境800は、ユーザデバイス110およびAIシステム802を含むことができる。AIシステム802は、図7に示すAIシステム702と同様であってもよい。しかしながら、AIシステム802の構成要素は、AIシステム702の構成要素と異なっていてもよい。
【0224】
AIシステム802は、突然変異順序に関して特定の被験者に類似する被験者を識別するように構成されることができる。AIシステム802は、AIモデルおよび被験者レコードを使用して類似度をフィルタリング、クラスタリング、および生成するように構成されることができる。いくつかの実装形態では、AIシステム802は、類似性が被験者の突然変異プロファイルにおいて検出されたパターンに基づくように、癌のタイプ全体で類似の被験者を検出する方法を学習するためにニューラルネットワークを訓練するように構成されることができる。突然変異プロファイルによって示される突然変異順序などの突然変異プロファイルは、類似していると見なされる被験者について2人の被験者間で正確に同じである必要はない。他の実装形態では、AIシステム802は、例えば、類似性が突然変異順序または突然変異プロファイルによって示される他の分子特性に基づくように、2つ以上の被験者レコード間の類似性の態様を学習するために動的ニューラルネットワークを訓練するように構成されることができる。非限定的な例として、動的ニューラルネットワークは、動的ニューラルネットワークが様々な入力に対応するように適応的に修正することを可能にする入力依存ニューロンによって構成される。いくつかの実装形態では、AIシステム802は、メタ学習技術を使用して2つ以上の被験者レコード間の類似性を学習するように構成されることができる。例えば、メタ学習は、メタ学習モデルの特定のパラメータを更新するための学習を含むことができる。メタ学習モデルは、初期化ベースの技術、幻覚ベースの技術、およびメトリック学習ベースの技術などの任意の類似学習技術に基づくことができる。
【0225】
いくつかの実装形態では、突然変異順序に基づいて類似の被験者レコードを検出する方法を学習するようにAIシステム802のニューラルネットワークを訓練することは、被験者レコードの対のデータセットを作成することを含むことができる。被験者レコードの対は、同じ突然変異順序を有していなくてもよい。しかしながら、2つの被験者レコード間の突然変異順序は、場合によっては僅かに異なってもよく、他の場合では大きく異なってもよい。いくつかの例では、僅かに異なる被験者レコードの対が類似の被験者レコードとしてラベル付けされることができるが、突然変異順序が大きく異なる被験者レコードの対が非類似の被験者レコードとしてラベル付けされることができる。ニューラルネットワークは、2つの突然変異順序が異なるが類似している場合に存在する突然変異順序の組み合わせおよびシーケンスを学習するための学習アルゴリズムを実行することができる。同様に、ニューラルネットワークは、2つの突然変異順序が異なり、類似していない場合に存在する突然変異順序の組み合わせおよびシーケンスを学習するための学習アルゴリズムを実行することができる。
【0226】
非限定的な例として例示するために、特定の被験者が乳癌を有する。ユーザデバイス110は、クラウドベースの腫瘍学アプリケーションを動作させて、特定の被験者を特徴付ける被験者レコード804にアプリケーションをアクセスさせることができる。例えば、特定の被験者は、4123のID#;PTEN、TP53、BRCA1、およびPIK3CAの突然変異順序;およびステージIの乳癌の癌分類を有する。被験者レコード806は、5316のID#;TP53、BCL2およびBRCA2の突然変異順序;およびステージIIの乳癌の癌分類を有する。被験者レコード808は、3142のID#;TP53、KRAS、およびEGFRの突然変異順序;およびステージIIIAの肺癌の癌分類を有する。被験者レコード810は、2551のID#;TP53、BRCA1、KRAS、およびPIK3CAの突然変異順序;およびステージ0の結腸癌の癌分類を有する。最後に、被験者レコード812は、5456のID#;PTEN、TP53、BCL10、GSTT1の突然変異順序;およびステージIVの血液癌の癌分類を有する。被験者レコード804~812のそれぞれの突然変異順序が以下の表2に要約される。
【表2】
【0227】
処置医は、特定の被験者に与える可能性のある処置を評価している。医師は、ユーザデバイス110を操作して、ユーザデバイス110に、(クラウドベースの腫瘍学アプリケーションを使用して)類似の遺伝子突然変異順序を有する異なる癌タイプにわたる被験者を識別するための要求を生成させることができる。被験者レコードに対してクエリまたはフィルタリングすることは、突然変異の連鎖における介在突然変異などの突然変異順序の僅かな違いのために、全ての類似の被験者レコードを識別することはできない。AIシステム802は、被験者レコード804および被験者レコード810が突然変異順序に関して類似しているという予測を出力することができる。被験者レコード804および被験者レコード810の双方は、TP53、BRCA1、およびPIK3CAの突然変異順序シーケンスを共有するが、被験者レコード810は、KRASの介在突然変異を有する。
【0228】
AIシステム802は、ユーザデバイス110から受信した要求に対する応答を送信することができる。応答は、(匿名化された)被験者レコード810が被験者レコード804の突然変異順序と(正確ではないが)厳密に一致することを示すことができる。突然変異順序(および潜在的に他の要因)に基づいて類似の被験者が識別されると、医師は、その類似の被験者に与えられた処置を評価して、特定の被験者に対するそれらの処置の予測される有効性を決定することができる。
【0229】
利点として、AIシステム802は、類似の被験者レコードが異なる癌タイプに関連付けられている場合であっても、所与の被験者レコードに類似する被験者レコードを識別することができる。図8に例示されるように、被験者レコード810に関連付けられる被験者は、PIK3CA遺伝子突然変異を標的とするためにアルペリシブによって処置され、処置転帰が効果的であった。したがって、医師は、被験者がまた、被験者レコード804と同様の突然変異順序においてPIK3CA突然変異を有するため、被験者レコード810に関連付けられた被験者を処置するためにアルペリシブを選択することができる。
【0230】
さらに、被験者レコード810に関連する被験者の癌の進展は、被験者が異なるタイプの癌を有する場合であっても、被験者レコード804に関連する被験者の癌の進展の予測において有益であり得る。2人の被験者が類似の突然変異順序を有するという事実は、癌が異なるタイプであるにもかかわらず、2人の被験者が類似の癌の進展を経験する可能性が高いことを示す。
【0231】
さらに別の例示として、また非限定的な例としてのみ、クラウドベースの腫瘍学アプリケーションは、特定の被験者の遺伝子プロファイルから検出された一次突然変異、二次突然変異、三次突然変異などを識別することができる。クラウドベースの腫瘍学アプリケーションは、同じ突然変異順序を有する他の乳癌被験者を検出するように構成されることができる。別の乳癌被験者が同じ突然変異順序を有する場合、医師は、別の被験者に施された乳癌に特有の処置を評価することができる。しかしながら、同じ癌タイプ内の他の被験者が、被験者レコード804に関連する被験者と同じ突然変異順序を有しない可能性があり得る。この場合、本開示の特定の実装形態は、類似の突然変異順序を有するが異なる癌タイプにわたる被験者レコードを検索し続けることを含む。
【0232】
クラウドベースの腫瘍学アプリケーションはまた、特定の患者に対して処置を行うことの治療転帰、および標的療法処置が行われた後のその特定の患者についての乳癌突然変異の起こり得る進展を予測するために、同じ突然変異順序を有する他の乳癌患者に対して行われた所与の標的療法処置の臨床転帰を評価することができる。腫瘍学アプリケーションが特定の患者と同じ突然変異順序を有する他の乳癌患者を見つけることができない場合、腫瘍学アプリケーションは、肺癌などの他の癌タイプを有する患者を見ることができる。例えば、腫瘍学アプリケーションは、特定の患者と同じ突然変異順序を有する肺癌患者の群、または特定の乳癌患者と少なくとも同じ二次または三次突然変異を有する肺癌患者の群を識別することができる。次いで、腫瘍学アプリケーションは、特定の乳癌患者に対する処置の治療転帰を予測するために、肺癌患者の特定された群に対して行われた所与の標的治療処置の臨床転帰を評価することができる。
【0233】
VII.人工知能技術を使用して治療の腫瘍学的ラインの特定の副作用を予測するように構成されたネットワーク環境
図9は、本開示のいくつかの態様にかかる、腫瘍学的処置の被験者に固有の副作用を予測するために訓練されたAIモデルを展開するためのネットワーク環境の例を示すブロック図である。ネットワーク環境900は、AIシステム902と、例えば医療施設において治療されている被験者などの被験者に関する様々な文脈情報を記憶するためのデータストア910~922とを含むことができる。図9は、7つのデータストア(例えば、データストア910~922)を示しているが、図9は、例示的なものであり、したがって、任意の数のデータストアをネットワーク環境900に含めることができることが理解されよう。AIシステム902は、図7に示すAIシステム702と同様であってもよい。しかしながら、AIシステム902の構成要素は、AIシステム702の構成要素と異なっていてもよい。図9に示すAIシステム902の構成要素は、図7に示すAIシステム702の任意の構成要素に加えて、その代わりに、またはその一部であってもよい。
【0234】
いくつかの実装形態では、AIシステム902は、標的療法などの腫瘍学的処置を受けることに応答して特定の被験者が経験する可能性が高い固有の副作用を自動的に予測するように構成されることができる。AIシステム902は、知識グラフ904、強化された被験者レコード生成器906、および強化された被験者レコードデータストア908を含むことができる。
【0235】
いくつかの実装形態では、知識グラフ904は、処置を関連する副作用にマッピングするノードおよびエッジのグラフィカル表現を含むことができ、オントロジにマッピングを統合する。例えば、知識グラフ904は、大きなトリプレット文のセットを使用して訓練されることができる。所与のトリプレットの最初の単語または句は、アルペリシブなどの処置である。所与のトリプレットの2番目の単語または句は、「30%以下がこの副作用を示す」などの処置と副作用との間の関係である。所与のトリプレットの3番目の単語または句は副作用である。例示的な例として、トリプレットは、[アルペリシブ、被験者の10%~30%、低血球数]を含む。トリプレットは、処置をその副作用のそれぞれに個別に接続して作成されることができる。いくつかの実装形態では、知識グラフ904は、処置副作用オントロジ922に基づいて訓練されることができる。オントロジは、処置をそれらの副作用に接続するノードのセットであってもよい。2つのノードを接続するエッジは、処置と副作用との関係(例えば、副作用を経験する被験者の割合または典型的に副作用を経験する被験者の特徴)を表す。処置副作用オントロジ922は、任意の医療ジャーナルまたは薬物仕様を使用して作成されることができる。
【0236】
さらに、知識グラフ904は、知識グラフ904に取り込まれた処置と副作用との間の関係に基づいて出力を生成するように訓練された推論エンジンを含む。いくつかの実装形態では、推論エンジンは、知識グラフ904および入力データ(例えば、被験者に対して実施される提案された処置)に基づいて論理的推論を出力するように訓練されてもよい。推論エンジンは、推論モジュールによって生成された干渉に基づいて、知識グラフ904からどの情報を抽出するかを推論する。推論は、例えば、提案された処置がアルペリジブの標的治療である場合、および知識グラフ904がアルペリジブを表す第1のノードと肺の問題を表す第2のノードとの間の接続を含む場合に、入力を評価するために、または行動を推奨するために、または規則を更新するために使用されることができる。この例では、被験者が喘息を有する場合、推論エンジンは、特定の被験者が肺の問題を経験する可能性が高いという論理的推論を自動的にレンダリングすることができる。
【0237】
強化された被験者レコード生成器906は、データストア910~920から特定の被験者に関する文脈情報を抽出することができる。例えば、強化された被験者レコード生成器906は、被験者に関する文脈情報を取得するために固有の被験者識別子を使用して各データストア910~920にクエリすることができる。所与の被験者について取得された文脈情報は、強化された被験者レコードに一緒に付加され、強化された被験者レコードデータストア908に記憶されることができる。例えば、所与の被験者についての強化された被験者レコードは、元の被験者レコード(例えば、電子健康レコード)よりもロバストな被験者に固有のデータセットを含むことができる。遺伝子プロファイルデータストア910は、被験者の様々な遺伝子プロファイルを記憶することができる。放射線画像912は、例えば、病院の放射線科によってまたはそれに関連して取り込まれた様々な画像を記憶することができる。医療研究データストア914は、被験者に関連する症状に関連するデータポイントを含む医学雑誌または刊行物を含むことができる。例えば、元の被験者レコードが、被験者が乳癌と診断されたことを示すデータ要素を含む場合、強化された被験者レコード生成器906は、被験者に関連する強化された被験者レコードに含めるために、医療研究データストア914から乳癌ステージに関する情報を取得することができる。臨床情報データストア916は、第三者の検査室業務、緊急治療室への訪問、患者からの測定など、患者を特徴付ける臨床情報を記憶することができる。請求データ918は、給付の説明、保険事業者によってカバーされる費用対被保険者によってカバーされる費用など、被保険者に関する過去の健康保険情報を含むことができる。最後に、被験者提供入力データストア920は、被験者との相互作用から直接受信したデータを記憶する。例えば、被験者は、化学療法を受けた後に副作用のジャーナルを維持することができる。被験者のメモは、被験者提供入力920に記憶される。
【0238】
VIII.クラウドベースのアプリケーションは、処置選択の根底にある理由を検出し、検出された理由をガイドラインに準拠しているか否かとして自動的に分類するように構成される。
図10は、本開示のいくつかの態様にかかる、処置を選択するために訓練された強化学習器を展開するためのネットワーク環境の例を示すブロック図である。ネットワーク環境1000は、AIシステム1002を含むことができる。AIシステム1002は、図7に示すAIシステム702と同様であってもよい。しかしながら、AIシステム1002の構成要素は、AIシステム702の構成要素と異なっていてもよい。図10に示すAIシステム1002の構成要素は、図7に示すAIシステム702の任意の構成要素に加えて、その代わりに、またはその一部であってもよい。
【0239】
腫瘍学の分野にはいくつかの臨床診療ガイドラインがある。ガイドラインは、NCCN、ASCOなどの医療機関によって定義される。例えば、NCCNは、様々な癌タイプを処置するためのガイドラインを公開している。処置の選択の根底にある理由は、処置する医師の経験および専門知識に大きく依存することが多い。したがって、処置を選択または提案する理由が腫瘍学的処置ガイドラインに準拠しているかどうかを決定することは、困難で手作業である。本開示の特定の実装形態は、癌を有する特定の被験者の処置を予測する理由が既存のガイドラインに準拠しているかどうかを検証するための自動化されたAIベースの技術に関する。
【0240】
いくつかの実装形態では、AIシステム1002は、AIモデル実行システム1004および処置ガイドライン検証システム1006を含むように構成されることができる。さらに、例えば、AIシステム1002は、(図8および図11と同様に)所与の標的療法の処置転帰を予測し、(図9および図12と同様に)所与の処置に応答して特定の被験者が経験する可能性が高い固有の副作用を予測するなどの予測出力を生成するように構成されることができる。AIモデル実行システム1004は、AIモデル実行システム1004がAIモデルデータストア724に記憶された任意のAIモデルを実行することができるという点で、AIモデル実行システム710と同様とすることができる。
【0241】
いくつかの実装形態では、AIモデル実行システム1004は、AIモデルが実行され、予測が生成される各インスタンスにおける特徴重要性を検出するように構成されることができる。特徴重要性は、予測AIモデルの入力特徴にスコアを割り当てるアルゴリズムのカテゴリを指す。入力特徴に割り当てられたスコアは、入力特徴がAIモデルの出力に課した寄与の重要性または程度を表す。スコアを使用して、AIモデル実行システム1004は、第2の出力(例えば、処置選択の予測などの予測出力の二次的なもの)を生成することもできる。第2の出力は、予測出力の生成に寄与した1つ以上の入力特徴を表す。出力の生成に寄与した入力特徴は、AIモデルによる選択のために提案または予測されている処置の理由を表すことができる。
【0242】
例示的な例として、被験者は、TP53突然変異および乳癌を有する。被験者についての被験者レコード1008を予測AIモデルに入力することは、「提案された標的療法=複製欠損アデノウイルスを使用したp53の再導入(Ad-p53)」の処置1010を予測する。予測AIモデルは、被験者の提案されたまたは予測された処置を示す処置1010を予測したが、この処置が提案された理由は不明である。したがって、本明細書に記載の特定の実装形態によれば、AIモデル実行システム1004は、特徴重要性技術を実行して、処置が提案された理由として機能する1つ以上の入力特徴を表す第2の出力を生成するように構成されることができる。例示的な例を続けると、特徴重要性技術が実行され、特定の被験者がTP53突然変異を有していたためにAd-p53処置が提案されたことを検出する。Ad-p53処置は、被験者の無増悪生存を改善することができるTP53阻害剤として働く。特徴重要性技術の非限定的な例は、線形回帰特徴重要性、ロジスティック回帰特徴重要性、決定木特徴重要性、ランダムフォレスト特徴重要性、XGBoost特徴重要性、順列特徴重要性、重要性を伴う特徴選択、および任意の他の適切な特徴重要性技術を含む。
【0243】
いくつかの実装形態では、被験者レコード1008の入力はまた、処置ガイドライン検証システム1006に入力される。さらに、TP53突然変異を阻害するためまたは野生型p53タンパク質を置換するためのAd-p53の提案された処置を示した処置1010が、処置ガイドライン検証システム1006に入力されることができる。最後に、予測AIモデルの出力に寄与すると識別された特徴もまた、処置ガイドライン検証システム1006に入力される。処置ガイドライン検証システム1006の出力は、コンプライアンスクラスと呼ばれるいくつかのカテゴリのいずれかへの、予測された処置が選択された理由の分類であってもよい。例示するために、非限定的な例としてのみ、コンプライアンスクラスは、「ガイドラインに準拠している」、「ガイドラインに準拠していない」、または「処置のための新たなガイドラインを作成するために推奨される」を含むことができる。上記の例では、Ad-p53処置を提案した理由(例えば、被験者の遺伝子プロファイルにおけるTP53突然変異の検出)は、処置ガイドライン検証システム1006に入力されることができ、これは、その後、「ガイドラインを満たす」というガイドライン分類1012を出力する。
【0244】
いくつかの実装形態では、処置ガイドライン検証システム1006は、例えば、「ガイドラインに準拠している」、「ガイドラインに準拠していない」、または「新たなガイドラインを作成する」として、被験者レコード、予測された処置、および予測された処置に寄与した特徴を分類するように訓練されたニューラルネットワーク分類器モデルとすることができる。訓練データセットは、データレコードのラベル付きデータセットを含むことができる。各レコードは、被験者の1つ以上の特徴、被験者が診断された疾患、被験者に対して行われた処置、および処置を行うという処置医の決定をもたらした特徴を含むことができる。さらに、各レコードは、「ガイドラインに準拠している」、「ガイドラインに準拠していない」、または「新たなガイドラインを作成する」とラベル付けされてもよい。教師あり機械学習アルゴリズムが訓練データセット上で実行されて、訓練データ内の相関を学習することができる。いくつかの実装形態では、処置ガイドライン検証システム1012は、癌処置を選択するための入力「理由」が既存のガイドラインを論理的に反映するかどうかについての推論を生成する推論エンジンとすることができる。さらに、いくつかの例では、「新たなガイドラインを作成する」のコンプライアンスクラスは、処置を選択する理由、処置自体、およびガイドラインが不確定な出力をもたらす場合に、提案された処置選択を分類するために呼び出される。
【0245】
IX.クラウドベースのアプリケーションは、人工知能技術を使用して特定の被験者の処置結果を予測することができる。
図11は、本開示のいくつかの態様にかかる、癌と診断された被験者の処置転帰および癌の進展を予測するためのプロセスの例を示すフローチャートである。プロセス1100は、図1および図7図10に示す任意の構成要素によって実行されることができる。例えば、プロセス1100は、AIシステム802によって実行されることができる。さらに、プロセス1100は、特定の被験者に対して行われることが提案された特定の処置の処置転帰を予測する出力を生成するAIモデルを実行するために実行されることができる。
【0246】
プロセス1100は、ブロック1105において開始し、AIシステム802は、例えば、特定の被験者(例えば、病院で処置されている被験者)に対応する被験者レコードにアクセスまたは取得する。被験者レコード(例えば、電子医療レコードまたは電子健康レコード)は、被験者からまたは被験者に代わって収集された任意の数の特徴(例えば、予防接種、投薬歴、年齢、人口統計学などの値を含むデータ要素)を含むことができる。被験者レコードは、被験者の態様を特徴付ける特徴のセットを含むことができる。例えば、被験者レコードは、多数の他の特徴の中でも、被験者がステージIの乳癌と診断されたことを示す特徴を含むことができる。
【0247】
いくつかの例では、遺伝子プロファイルは、被験者レコードに関連付けられる。例えば、被験者レコードに関連する被験者は、例えば、疾患診断を確認するため、または特定の処置の有効性を識別するために、様々な目的で遺伝子検査を受けていることがある。特定の被験者の遺伝子プロファイルは、遺伝子検査の結果を提供することができる。例えば、特定の被験者の遺伝子プロファイルは、特定の遺伝子に関する情報(例えば、任意の検出された遺伝子突然変異、遺伝子発現のレベル)を含むことができる。遺伝子プロファイルは、疾患の診断、被験者に対して実施する処置の選択、または提案された処置、例えば特定の薬物の副作用の評価などの様々な目的に有用であり得る。いくつかの実装形態では、AIシステム802は、ブロック1105においてアクセスされた被験者レコードに関連する遺伝子プロファイルを取得する。さらに、AIシステム802は、遺伝子プロファイルから被験者の突然変異順序を抽出することができる。AIシステム802はまた、遺伝子プロファイルまたは被験者レコードを使用して、被験者が診断された癌のタイプおよび提案されたまたは予測された処置を識別することができる。例えば、図8に示すように、被験者の遺伝子プロファイルに示される突然変異順序は、[突然変異#1=PTEN]、[突然変異#2=TP53]、[突然変異#3=BRCA1]、[突然変異#4=PIK3CA]であってもよい。
【0248】
被験者レコードに含めることができる特徴の非限定的な例は、放射線画像データ、MRIデータ、遺伝子プロファイルデータ、臨床データ(例えば、測定、処置、処置応答、診断、重症度、病歴)、被験者生成データ(例えば、化学療法を受けている被験者によって入力されたメモ)、医師または医療専門家生成データ(例えば、医師のメモ)、患者と医師または他の医療専門家との間の電話記録を表す音声データ、管理データ、請求データ、健康調査(例えば、HRS調査)、第三者またはベンダー情報(例えば、ネットワーク外の実験結果)、被験者に関連する公開データベース(例えば、被験者の症状に関連する医療ジャーナル)、被験者の人口統計、予防接種、放射線医学報告、病理報告、利用情報、生物学的試料を表すメタデータ、ソーシャルデータ(例えば、教育レベル、雇用状況)、コミュニティ仕様などを含む。
【0249】
ブロック1110において、AIシステム802は、他の被験者レコード(例えば、医療施設に関連付けられた他の匿名化された被験者レコード)の群を識別することができる。AIシステム802はまた、(例えば、乳癌診断に関連する被験者レコードのみのより小さいサブグループを形成するために)同じ癌タイプによって被験者レコードの群をフィルタリングすることもできる。被験者レコードのサブグループはまた、提案された処置(例えば、併用療法処置)によってさらにフィルタリングされることができる。
【0250】
ブロック1115において、AIシステム802はまた、提案された処置の処置転帰に基づいて、サブグループに含まれるベクトル化された被験者者レコードに対してクラスタリング演算を実行することができる。例えば、クラスタリング演算は、データ点をクラスタリングするための任意の密度ベースの技術、階層ベースの技術、区分技術、またはグリッドベースの技術とすることができる。クラスタリング演算は、サブグループのベクトル化された被験者レコードを処置転帰ごとにクラスタリングすることができる。提案または予測された処置の非限定的な例は、化学療法一般、特定の化学療法薬、放射線療法、併用療法、手術、および癌を処置するための他の適切な処置とすることができる。さらに、処置転帰の非限定的な例は、被験者の健康に良いまたは悪い影響を有する被験者の状態の変化(例えば、心理状態の変化、身体状態の変化、身体状態の変化、社会的状態の変化)を引き起こす処置を行った後の任意の転帰とすることができる。いくつかの実装形態では、処置転帰は、例えば、標的療法処置が行われた後の遺伝子発現値の増加または減少のパーセンテージ範囲などのカテゴリ、閾値、または範囲にセグメント化されることができる。ブロック1120におけるクラスタリング演算は、サブグループ内の被験者についての被験者レコードの1つ以上のクラスタをもたらす。各クラスタに含まれる被験者レコードは、同じまたは類似の処置および処置転帰に関連付けられることができる。
【0251】
ブロック1120において、AIシステム802は、特定の被験者レコードと各クラスタ内の他の各レコードとの間の突然変異順序類似性決定を実行することができる。例えば、AIシステム802は、突然変異順序に基づいて類似の被験者レコードを検出する方法を学習するように訓練されたニューラルネットワークを含むことができる。訓練データは、被験者レコードの対のデータセットを含むことができる。被験者レコードの対は、同じ突然変異順序を有していなくてもよい。しかしながら、2つの被験者レコード間の突然変異順序は、場合によっては僅かに異なってもよく、他の場合では大きく異なってもよい。いくつかの例では、僅かに異なる被験者レコードの対が類似の被験者レコードとしてラベル付けされることができるが、突然変異順序が大きく異なる被験者レコードの対が非類似の被験者レコードとしてラベル付けされることができる。ニューラルネットワークは、2つの突然変異順序が異なるが類似している場合に存在する突然変異順序の組み合わせおよびシーケンスを学習するための学習アルゴリズムを実行することができる。同様に、ニューラルネットワークは、2つの突然変異順序が異なり、類似していない場合に存在する突然変異順序の組み合わせおよびシーケンスを学習するための学習アルゴリズムを実行することができる。
【0252】
ブロック1125において、AIシステム802は、特定の被験者を特徴付ける被験者レコードのベクトル表現と、ブロック1120において特定の被験者レコードに類似していると決定された他の被験者レコードごとのベクトル表現との間の類似度を生成することができる。類似度を生成するための技術の非限定的な例は、ユークリッド距離、マンハッタン距離、ミンコフスキー距離、コサイン類似度、ジャッカード類似度、および他の適切な技術を含む。
【0253】
決定ブロック1130において、AIシステム802は、ブロック1125において生成された類似度のいずれかがクラスタに関連付けられた距離範囲に入るかどうかを決定することができる。例えば、特定の被験者の被験者レコードのベクトル表現と別の被験者レコードのベクトル表現との間の類似度がクラスタの閾値距離内にある場合、類似度は、そのクラスタの範囲内に入ることができる。決定ブロック1130の出力が「はい」である場合、プロセス1100は、ブロック1135に進み、AIシステム802は、クラスタ(決定ブロック1130において識別または選択された)に関連付けられた処置転帰を使用して、特定の被験者に対する処置転帰の予測を生成する。
【0254】
決定ブロック1130の出力が「いいえ」である場合、プロセス1100は、ブロック1140に進む。ブロック1140において、AIシステム802は、癌のタイプではなく、同じ突然変異順序によって他の被験者レコードの群を再フィルタリングすることができる。したがって、ブロック1120において形成されたフィルタリングされたサブグループとは異なり、ブロック1140において形成された新たなフィルタリングされたサブグループは、特定の被験者と同じ突然変異順序を有するが、特定の被験者に関連する癌タイプとは異なることができる様々な癌タイプを有する被験者レコードを含む。AIシステム802はまた、処置転帰ごとに新たなフィルタリングされたサブグループに対してクラスタリング演算を再実行することができる。最後に、AIシステム802は、特定の被験者のベクトル化された被験者レコードと他の各被験者レコードとの間の類似度を再生成することができる。
【0255】
決定ブロック1145において、AIシステム802は、ブロック1140において生成された類似度のいずれかが、クラスタに関連付けられた距離範囲(例えば、ユークリッド距離)に入るかどうかを決定することができる。例えば、特定の被験者の被験者レコードのベクトル表現間の類似度がクラスタの閾値距離内にある場合、類似度は、そのクラスタの範囲内に入ることができる。決定ブロック1145の出力が「はい」である場合、プロセス1100は、ブロック1150に進み、AIシステム802は、クラスタ(決定ブロック1145において識別または選択された)に関連付けられた処置転帰を使用して、特定の被験者に対する処置転帰の予測を生成する。決定ブロック1145の出力が「いいえ」である場合、プロセス1100は、ブロック1140に戻り、他の被験者レコードを異なる癌タイプによって再フィルタリングする。
【0256】
X.クラウドベースのアプリケーションは、特定の被験者に対する突然変異標的化処置の結果を自動的に予測することができる。
図12は、本開示のいくつかの態様にかかる、突然変異標的化処置の被験者に固有の処置転帰を予測するためのプロセスの例を示すフローチャートである。プロセス1200は、図1および図7図10に示す任意の構成要素によって実行されることができる。例えば、プロセス1200は、AIシステム902によって実行されることができる。さらに、プロセス1200は、癌と診断された被験者に対する提案された処置の生存優位性を予測する出力を生成するAIモデルを実行するために実行されることができる。
【0257】
プロセス1200は、ブロック1210において始まり、AIシステム902は、特定の被験者を識別し、特定の被験者を特徴付ける被験者レコードを取得する。例えば、被験者レコードは、データレジストリ722などのデータレジストリから取得されることができる。被験者レコードは、規則的または不規則な時間間隔で、または本明細書でより詳細に説明する予測機能をトリガするユーザ入力に応答して自動的にアクセスすることができる。例示的な例として、AIシステム902は、ユーザデバイス(例えば、ユーザデバイス110)から受信した入力に基づいて特定の被験者を識別することができる。AIシステム902は、ユーザデバイスから受信した入力から特定の被験者を固有に識別する固有の被験者識別子(例えば、患者コード)を検出することができる。次いで、AIシステム902は、固有の被験者識別子を使用してデータレジストリにクエリすることができる。
【0258】
ブロック1220において、(例えば、強化された被験者レコード生成器906を介して)AIシステム902はまた、特定の被験者を特徴付ける文脈情報について他のデータベースにクエリすることができる。AIシステム902がクエリすることができる他のデータベースの非限定的な例は、遺伝子プロファイルデータストア910、放射線画像データストア912、医療研究データストア914、臨床データストア916、請求書データストア918、および被験者提供入力データストア920を含む。いくつかの例では、AIシステム902は、特定の被験者に対して実施された遺伝子検査の結果について固有の被験者識別子を使用して遺伝子プロファイルデータストア910にクエリすることができる。例示すると、遺伝子パネルは、特定の被験者について配列決定されていてもよく、遺伝子配列決定の結果は、遺伝子プロファイルデータストア910において遺伝子プロファイルに記憶されてもよい。いくつかの例では、AIシステム902は、請求データストア918にクエリして、特定の被験者によって、または特定の被験者に代わって提出された健康保険請求を取得することができる。
【0259】
ブロック1230において、(例えば、強化された被験者レコード生成器906を介して)AIシステム902は、特定の被験者についての強化された被験者レコードを生成することができる。特定の被験者についての強化された被験者レコードは、特定の被験者を特徴付ける元の被験者レコード(ブロック1210において取得された)および特定の被験者を特徴付ける文脈情報(ブロック1220において取得された)を含むことができる。例えば、特定の被験者についての文脈情報の全部または一部は、ブロック1210において取得された元の被験者レコードに付加することができる。いくつかの実装形態では、強化された被験者プロファイルは、特定の被験者の遺伝子プロファイルの少なくとも一部を含むことができる。例えば、被験者プロファイルは、特定の被験者について行われた遺伝子パネルから検出された既知の遺伝子突然変異を含むことができる。特定の被験者の遺伝子プロファイルは、特定の被験者を特徴付ける被験者レコードとは別個にまたは独立して記憶されることが多い。したがって、技術的利点として、強化された被験者レコード生成器906は、特定の被験者の遺伝子プロファイルの少なくとも一部を被験者レコードに記憶または付加することができる。次いで、強化された被験者レコードは、AIシステム902を使用して処理され、特定の予測機能を実行することができる。
【0260】
ブロック1240において、AIシステム902は、強化された被験者レコードを知識モデル(例えば、知識グラフ904)のクエリに変換することができる。いくつかの実装形態では、強化された被験者レコードをクエリに変換することは、強化された被験者レコードの各データ要素を数値表現(例えば、ベクトル)に変換し、次いで、各データ要素の数値表現を、強化された被験者レコード全体を表す単一の数値表現に結合する(例えば、加算、平均化、または連結を使用する)ことを含むことができる。いくつかの実装形態では、強化された被験者レコードをクエリに変換することは、ベクトルの配列の各要素が強化された被験者レコードのデータ要素の値を表すように、配列を生成することを含むことができる。いくつかの実装形態では、強化された被験者モデルをクエリに変換することは、強化された被験者モデルから値を抽出することと、抽出された値の入力グラフを形成することとを含むことができる。入力グラフは、知識モデルへの入力として機能することができる。例えば、AIシステム902は、遺伝子プロファイルおよび強化された被験者レコードに含まれる提案された処置から検出された突然変異を抽出することができる。AIシステム902は、抽出された突然変異および提案された処置を入力グラフに変換することができ、検出された突然変異は、被験者の疾患または健康状態を表す別のノードに接続されたノードであり、次いで、提案された処置を表すさらに別のノードに接続される。入力グラフが使用されて、特定の被験者に対する提案された処置の固有の生存優位性を予測するために知識モデルにクエリすることができる。
【0261】
さらに、ブロック1240において、入力グラフは、被験者を処置するための提案された処置を含んでも含まなくてもよい。入力グラフが特定の被験者に対する固有の提案された処置を含む場合、プロセス1200は、ブロック1250に進むことができる。ブロック1250において、AIシステム902は、被験者に対する固有の提案された処置を表すノードを含む入力グラフを使用して知識モデルにクエリすることができる。クエリに応答して、知識モデルは、具体的には特定の被験者に対する提案された処置の文脈上の生存優位性を表す出力を生成することができる。しかしながら、ブロック1240において、知識モデルはまた、提案された処置を表すノードなしで入力グラフを入力として受信することもできる。この状況では、プロセス1200は、ブロック1270に進み、入力グラフを使用して知識モデルがクエリされる(例えば、提案された処置を含まない)。例えば、ブロック1270において、知識モデルがクエリされて、強化された被験者レコードに含まれる文脈情報を考慮して、利用可能な候補処置を識別することができる。さらに、知識モデルはまた、各候補処置に対するいくつかの潜在的な生存優位性を記憶することができる。次いで、ブロック1280において、知識モデルはまた、各候補処置に対する被験者に固有の生存優位性を出力することができる。
【0262】
XI.クラウドベースのアプリケーションは、処置予測に寄与した被験者特徴を自動的に予測し、予測された被験者特徴が病院ガイドラインに準拠しているかどうかを決定することができる。
図13は、本開示のいくつかの態様にかかる、AIシステムによって出力された所与の処置の予測に寄与した要因(例えば、被験者に関連する特徴)を識別するためにAIモデルを展開するプロセスの例を示すフローチャートである。プロセス1300は、図1および図7図10に示す任意の構成要素によって実行されることができる。例えば、プロセス1300は、AIシステム1002によって実行されることができる。さらに、プロセス1300は、AIシステムによる処置予測に寄与した被験者特徴が既存のガイドライン(例えば、医療施設によって確立されたガイドライン)に準拠しているかどうかを実行し、自動的に検証するために実行されることができる。
【0263】
プロセス1300は、ブロック1310において始まり、AIシステム1002は、データレジストリ、例えばデータレジストリ722に記憶された被験者レコードにアクセスまたは取得する。被験者レコードは、乳癌などの癌と診断された特定の被験者を特徴付けることができる。ブロック1320において、ブロック1310においてアクセスまたは取得された被験者レコードは、本明細書に記載の様々な実装形態(例えば、図1図6を参照して説明される)を使用して数値表現(例えば、ベクトル表現)に変換されることができる。被験者レコードは、ブロック1310の実行により、事前に、またはリアルタイムもしくは実質的にリアルタイムで数値表現に変換またはベクトル化されることができる。
【0264】
ブロック1330において、数値表現は、例えばAIモデル実行システム710を使用して、処理のために訓練されたAIモデルに入力されることができる。ブロック1330は、説明の目的で、図7に関して説明したAIモデルなどの任意のAIモデルを使用して実行されることができるが、訓練されたAIモデルは、被験者に対して実施する処置の予測を出力することができる。ブロック1330において実行される訓練されたAIモデルはまた、図12および図13に関して説明したAIモデルのいずれかとすることができることが理解されよう。ブロック1330においていずれのAIモデルが実行されても、AIモデルは、2つの出力を生成するように訓練されることができる。例えば、ブロック1340において、AIモデルは、特定の被験者に対して実施する処置の予測を出力し、ブロック1350において、AIモデルはまた、特徴(例えば、選択された処置の予測を推進または寄与した特定の被験者レコードのデータ要素)を出力する。例示的な例として、被験者は、ステージIの乳癌を有する。被験者の遺伝子プロファイルは、被験者がPTEN、TP53およびBRCA1に加えてPIK3CA突然変異を有することを示す。PIK3CA突然変異は、PI3K経路の主要な上流成分であるPI3Kαの過剰活性化をもたらすことができる。訓練されたAIモデルは、訓練データから、PIK3CA突然変異を有する乳癌を有する被験者とアルペリシブによって処置される被験者との間に高い相関があることを学習した。アルペリシブ処置は、PI3K経路およびER経路の双方を阻害する。したがって、AIモデルが、特定の被験者がPIK3CA突然変異を有し、乳癌と診断されたことを検出した場合、AIモデルは、特定の被験者に対する最適な処置としてアルペリシブを選択する出力を生成する。訓練されたAIモデルはまた、PIK3CA突然変異の特徴および乳癌診断の特徴が、特定の被験者に対する最適な処置としてアルペリシブの予測に寄与したことを検出する。
【0265】
ブロック1360において、処置ガイドライン検証システムは、(ブロック1340において生成された)処置予測および(ブロック1350において生成された)処置予測に寄与したと予測された特徴を入力として受信することができる。いくつかの実装形態では、処置ガイドライン検証システムは、例えば、「ガイドラインに準拠している」、「ガイドラインに準拠していない」、または「新たなガイドラインを作成する」として、被験者レコード、予測された処置、および予測された処置に寄与した特徴を分類するように訓練されたニューラルネットワーク分類器モデルとすることができる。訓練データセットは、データレコードのラベル付きデータセットを含むことができる。各レコードは、被験者の1つ以上の特徴、被験者が診断された疾患、被験者に対して行われた処置、および処置を行うという処置医の決定をもたらした特徴を含むことができる。さらに、各レコードは、「ガイドラインに準拠している」、「ガイドラインに準拠していない」、または「新たなガイドラインを作成する」とラベル付けされてもよい。教師あり機械学習アルゴリズムが訓練データセット上で実行されて、訓練データ内の相関を学習することができる。ブロック1370において、訓練されると、処置ガイドライン検証システムは、提案された処置および提案された処置を選択する理由を、「ガイドラインに準拠している」(ブロック1372)、「ガイドラインに準拠していない処置」(ブロック1374)、または「処置のための新たなガイドラインを作成する」(ブロック1376)として分類することができる。
【0266】
XII.さらなる考察
本開示のいくつかの実施形態は、1つ以上のデータプロセッサを含むシステムを含む。いくつかの実施形態では、システムは、命令を含む非一時的コンピュータ可読記憶媒体であって、命令が、1つ以上のデータプロセッサ上で実行されると、1つ以上のデータプロセッサに、本明細書に開示された1つ以上の方法の一部または全部および/または1つ以上のプロセスの一部または全部を実行させる、非一時的コンピュータ可読記憶媒体を含む。本開示のいくつかの実施形態は、1つ以上のデータプロセッサに、本書に開示された1つ以上の方法の一部または全部および/または1つ以上のプロセスの一部または全部を実行させるように構成された命令を含む、非一時的機械可読記憶媒体において有形に具現化されたコンピュータプログラム製品を含む。
【0267】
使用された用語および表現は、限定ではなく説明の用語として使用され、そのような用語および表現の使用において、示されて説明された特徴の任意の均等物またはその一部を除外する意図はないが、特許請求の範囲に記載された発明の範囲内で様々な変更が可能であることが認識される。したがって、特許請求の範囲に記載された本発明は、実施形態および任意の特徴によって具体的に開示されているが、本書に開示された概念の変更および変形は、当業者によってあてにされてもよく、そのような変更および変形は、添付の特許請求の範囲によって定義される本発明の範囲内にあると見なされることを理解されたい。
【0268】
以下に続く説明は、好ましい例示的実施形態を提供するにすぎず、本開示の範囲、適用可能性、または構成を限定することを意図されない。むしろ好ましい例示的実施形態の以下に続く説明は、様々な実施形態の実装を可能にする説明を当業者に提供するものである。添付の特許請求の範囲に記載の趣旨および範囲から逸脱することなく、要素の機能および配置に様々な変更を加えることができることが理解される。
【0269】
実施形態の完全な理解を提供するために、以下の説明において具体的な詳細が与えられる。しかしながら、実施形態は、これらの具体的な詳細なしに実践され得ることが理解されよう。例えば、回路、システム、ネットワーク、プロセス、および他の構成要素は、実施形態を不要な詳細で不明瞭にしないようにブロック図形式の構成要素として示されてもよい。他の例では、実施形態を不明瞭にすることを避けるために、周知の回路、プロセス、アルゴリズム、構造、および技術が不必要な詳細なしに示されてもよい。
【0270】
XIII.さらなる実施例
以下において使用されるように、一連の例への任意の言及は、それらの例のそれぞれへの言及として選言的に理解されるべきである(例えば、「実施例1~4」は、「実施例1、2、3または4」と理解されるべきである)。
【0271】
実施例1は、腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法であって、あるタイプの癌と診断された特定の被験者を識別することであって、治療ラインが前記特定の被験者に対して実施されることが提案される、特定の被験者を識別することと、特定の被験者に対応する遺伝子データセットを取得することであって、遺伝子データセットが、突然変異順序を含み、突然変異順序が、異なる時間に突然変異した一連の複数の遺伝子突然変異を含む、遺伝子データセットを取得することと、被験者と同じタイプの癌と診断された他の被験者のセットと、治療ラインを受けたことがあり、かつ処置転帰に関連付けられている他の各被験者とを識別することと、他の被験者のセットの他の被験者ごとの別の遺伝子データセットを取得することであって、別の遺伝子データセットが別の突然変異順序を含む、別の遺伝子データセットを取得することと、他の被験者のセットの他の各被験者について、特定の被験者の突然変異順序および他の被験者の別の突然変異順序を訓練された類似性モデルに入力することであって、訓練された類似性モデルが、特定の被験者の突然変異順序が他の被験者の別の突然変異順序と類似する予測された程度を表す類似性重みを生成するように訓練されている、特定の被験者の突然変異順序および他の被験者の別の突然変異順序を訓練された類似性モデルに入力することと、訓練された類似性モデルによって出力された類似性重みに基づいて、特定の被験者に対して治療ラインを実施することについての予測される処置転帰を決定することと、を含み、類似性モデルによって出力された類似性重みのうちの少なくとも1つが閾値内にあると決定されると、決定に基づいて他の被験者のうちの1人を識別し、識別された他の被験者の処置転帰を、特定の被験者についての予測される処置転帰として割り当て、かつ/または類似性モデルによって出力された類似性重みのいずれも閾値内にないと決定されると、特定の被験者の突然変異順序と類似する突然変異順序を検索するために、特定の被験者とは異なるタイプの癌と診断された別の被験者セットを識別する、コンピュータ実装方法である。
【0272】
実施例2は、他の被験者の他のセットの他の被験者ごとのさらに別の突然変異順序を取得することであって、他のセットの他の各被験者が特定の被験者とは異なるタイプの癌を有する、さらに別の突然変異順序を取得することと、他の被験者の他のセットの他の被験者ごとに、特定の被験者の突然変異順序および他のセットの他の被験者の別の突然変異順序を訓練された類似性モデルに入力することと、訓練された類似性モデルによって出力された類似性重みに基づいて、類似性モデルによって出力された類似性重みのうちの少なくとも1つが閾値内にあると決定することと、決定に基づいて他のセットの他の被験者のうちの1人を識別し、他のセットの識別された他の被験者の処置転帰を特定の被験者についての予測される処置転帰として割り当てることと、をさらに含む、実施例1に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法である。
【0273】
実施例3は、他の被験者レコードのセットに対してクラスタリング演算を実行することであって、クラスタリング演算が、治療ラインの1つ以上の転帰に基づいており、1つ以上のクラスタを形成する、クラスタリング演算を実行することをさらに含む、実施例1または2に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法である。
【0274】
実施例4は、類似性モデルが訓練データセットを使用して訓練され、訓練データセットが、類似しているまたは類似していないとラベル付けされた突然変異順序の対を含む、実施例1~3に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法である。
【0275】
実施例5は、予測された処置転帰が、特定の被験者の特徴に固有の1つ以上の被験者に固有の副作用または無増悪生存期間を含む、実施例1~4に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法である。
【0276】
実施例6は、特定の被験者に関連付けられた文脈情報が、被験者に関連付けられた遺伝子プロファイルを含む、実施例1~5に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法である。
【0277】
実施例7は、特定の被験者に関連付けられた文脈情報を、特定の被験者に関連付けられた遺伝子プロファイルについて遺伝子プロファイルデータストアにクエリすること、特定の被験者に関連付けられた1つ以上の放射線画像について放射線画像データストアにクエリすること、特定の被験者に起因する少なくとも1つの特徴に関するコンテンツデータについて医療研究データストアにクエリすること、特定の被験者に関連付けられた臨床情報について臨床情報データストアにクエリすること、特定の被験者によって、または特定の被験者に代わって提出された1つ以上の健康保険請求について請求データストアにクエリすること、および/または特定の被験者によって提供された被験者データについて被験者提供入力データストアにクエリすることであって、被験者データが1つ以上のデータフォーマットである、被験者提供入力データストアにクエリすること、によって生成することをさらに含む、実施例1~6に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【0278】
実施例8は、処置転帰が、チャットボットを使用して被験者のコンピューティングデバイスにおいて出力される1つ以上の被験者に固有の副作用を含む、実施例1~7に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【0279】
実施例9は、被験者レコードが、被験者に対応する電子医療レコードにおいて識別されたデータを含む、実施例1~8に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【0280】
実施例10は、被験者が診断される癌のタイプが、乳癌、肺癌、結腸癌、または血液癌のうちの少なくとも1つ以上を含む、実施例1~9に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【0281】
実施例11は、臨床的意思決定に関する予測機能を提供するように構成されたクラウドベースの腫瘍学的アプリケーションを使用して知識グラフにアクセス可能である、実施例1~10に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【0282】
実施例12は、推論モジュールに関連付けられたデータ漏洩を検出することであって、データ漏洩が、被験者レコードに含まれる特徴のセットの特徴を曝すか、または被験者に関連付けられた文脈情報の項目を曝す、データ漏洩を検出することと、推論モジュールに関連付けられたデータ漏洩を検出したことに応答して、被験者レコードに含まれる特徴のセットの特徴の公開を防止またはブロックするデータ漏洩防止プロトコルを実行することと、をさらに含む、実施例1~11に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【0283】
実施例13は、特徴選択モデルを使用して、被験者を特徴付ける次元削減被験者レコードを生成することであって、次元削減被験者レコードが、被験者レコードに含まれる特徴のセットから1つ以上の特徴を除去し、1つ以上の特徴がノイズとして特徴付けられる、次元削減被験者レコードを生成することをさらに含む、実施例1~12に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【0284】
実施例14は、システムであって、1つ以上のプロセッサと、命令を含む非一時的コンピュータ可読記憶媒体であって、命令が、1つ以上のプロセッサ上で実行されると、1つ以上のプロセッサに、本明細書に開示された1つ以上のコンピュータ実装方法の一部または全部を実行させる、非一時的コンピュータ可読記憶媒体と、を備える、システム。
【0285】
実施例15は、1つ以上のデータプロセッサに、本明細書に開示された1つ以上のコンピュータ実装方法の一部または全部を実行させるように構成された命令を含む、非一時的機械可読記憶媒体において有形に具現化されたコンピュータプログラム製品である。
【0286】
実施例16は、腫瘍学的治療ラインの被験者に固有の副作用を予測するためのコンピュータ実装方法であって、癌を処置するための治療ラインに副作用をマッピングするためのオントロジを表す知識グラフにアクセスすることと、被験者に関連付けられた被験者レコードを取得することであって、被験者レコードが、被験者を特徴付ける特徴のセットを含み、被験者が、あるタイプの癌と診断されており、被験者レコードが、被験者についての治療の候補ラインを含む、被験者レコードを取得することと、被験者を固有に特徴付ける文脈情報について1つ以上のデータストアにクエリすることと、文脈情報を被験者レコードに付加することによって強化された被験者レコードを生成することと、強化された被験者レコードを知識グラフの入力データに変換することと、入力データを知識グラフに入力することと、知識グラフの出力に基づいて、治療の候補ラインについての1つ以上の被験者に固有の副作用の予測を生成することであって、1つ以上の被験者に固有の副作用が、治療ラインへの副作用のマッピングに基づいて識別される、副作用の予測を生成することと、を含む、コンピュータ実装方法である。
【0287】
実施例17は、知識グラフが、トリプレット文のセットに基づいて定義され、トリプレット文のセットの各トリプレット文が、3つのデータ要素を含み、3つのデータ要素が、癌を処置するための治療ライン、治療ラインの副作用、および治療ラインと副作用との間の関係を含み、治療ラインへの副作用のマッピングが、トリプレット文のセットに基づく、実施例16に記載の腫瘍学的治療ラインの被験者に固有の副作用を予測するためのコンピュータ実装方法である。
【0288】
実施例18は、知識グラフが、さらに、入力データに含まれる治療の候補ラインおよび知識グラフによって定義された副作用の治療ラインへのマッピングに基づいて論理的推論を生成するように構成された推論モジュールをさらに含む、実施例16または17に記載の腫瘍学的治療ラインの被験者に固有の副作用を予測するためのコンピュータ実装方法である。
【0289】
実施例19は、推論モジュールによって生成された論理的推論が、知識グラフに含まれる副作用のセットから副作用の不完全なサブセットを識別し、治療の候補ラインが被験者に対して実施された後に生じると予測される1つ以上の被験者に固有の副作用に対応する副作用の不完全なサブセットを識別する、実施例16~18に記載の腫瘍学的治療ラインの被験者に固有の副作用を予測するためのコンピュータ実装方法である。
【0290】
実施例20は、知識グラフを定義するトリプレット文のセットが医療研究に基づいており、かつ/または1つ以上の被験者に固有の副作用が、被験者の特徴に固有の無増悪生存期間を含む、実施例16~19に記載の腫瘍学的治療ラインの被験者に固有の副作用を予測するためのコンピュータ実装方法である。
【0291】
実施例21は、文脈情報が、被験者に関連付けられた遺伝子プロファイルを含む、実施例16~20に記載の腫瘍学的治療ラインの被験者に固有の副作用を予測するためのコンピュータ実装方法である。
【0292】
実施例22は、1つ以上のデータストアにクエリすることが、被験者に関連付けられた遺伝子プロファイルについて遺伝子プロファイルデータストアにクエリすること、被験者に関連付けられた1つ以上の放射線画像について放射線画像データストアにクエリすること、患者に起因する少なくとも1つの特徴に関するコンテンツデータについて医療研究データストアにクエリすること、被験者に関連付けられた臨床情報について臨床情報データストアにクエリすること、被験者によって、または被験者に代わって提出された1つ以上の健康保険請求について請求データストアにクエリすること、および/または被験者によって提供された被験者データについて被験者提供入力データストアにクエリすることであって、被験者データが1つ以上のデータフォーマットである、被験者提供入力データストアにクエリすることをさらに含む、実施例16~21に記載の腫瘍学的治療ラインの被験者に固有の副作用を予測するためのコンピュータ実装方法である。
【0293】
実施例23は、1つ以上の被験者に固有の副作用が、チャットボットを使用して被験者のコンピューティングデバイスにおいて出力される、実施例16~22に記載の腫瘍学的治療ラインの被験者に固有の副作用を予測するためのコンピュータ実装方法。
【0294】
実施例24は、被験者レコードが、被験者に対応する電子医療レコードにおいて識別されたデータを含む、実施例16~23に記載の腫瘍学的治療ラインの被験者に固有の副作用を予測するためのコンピュータ実装方法。
【0295】
実施例25は、被験者が診断される癌のタイプが、乳癌、肺癌、結腸癌、または血液癌のうちの少なくとも1つ以上を含む、実施例16~24に記載の腫瘍学的治療ラインの被験者に固有の副作用を予測するためのコンピュータ実装方法。
【0296】
実施例26は、臨床的意思決定に関する予測機能を提供するように構成されたクラウドベースの腫瘍学的アプリケーションを使用して知識グラフにアクセス可能である、実施例16~25に記載の腫瘍学的治療ラインの被験者に固有の副作用を予測するためのコンピュータ実装方法。
【0297】
実施例27は、推論モジュールに関連付けられたデータ漏洩を検出することであって、データ漏洩が、被験者レコードに含まれる特徴のセットの特徴を曝すか、または被験者に関連付けられた文脈情報の項目を曝す、データ漏洩を検出することと、推論モジュールに関連付けられたデータ漏洩を検出したことに応答して、被験者レコードに含まれる特徴のセットの特徴の公開を防止またはブロックするデータ漏洩防止プロトコルを実行することと、をさらに含む、実施例16~26に記載の腫瘍学的治療ラインの被験者に固有の副作用を予測するためのコンピュータ実装方法。
【0298】
実施例28は、特徴選択モデルを使用して、被験者を特徴付ける次元削減被験者レコードを生成することであって、次元削減被験者レコードが、被験者レコードに含まれる特徴のセットから1つ以上の特徴を除去し、1つ以上の特徴がノイズとして特徴付けられる、次元削減被験者レコードを生成することをさらに含む、実施例16~27に記載の腫瘍学的治療ラインの被験者に固有の副作用を予測するためのコンピュータ実装方法。
【0299】
実施例29は、1つ以上のプロセッサと、1つ以上のプロセッサ上で実行されると、1つ以上のプロセッサに、本明細書に開示される1つ以上のコンピュータ実装方法の一部または全部を実行させる命令を含む非一時的コンピュータ可読記憶媒体と、を備える、システムである。
【0300】
実施例30は、1つ以上のデータプロセッサに、本明細書に開示された1つ以上のコンピュータ実装方法の一部または全部を実行させるように構成された命令を含む、非一時的機械可読記憶媒体において有形に具現化されたコンピュータプログラム製品である。
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
【手続補正書】
【提出日】2023-06-02
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法であって、
あるタイプの癌と診断された特定の被験者を識別することであって、治療ラインが前記特定の被験者に対して実施されることが提案される、特定の被験者を識別することと、
前記特定の被験者に対応する遺伝子データセットを取得することであって、前記遺伝子データセットが、前記特定の被験者の1つ以上の分子特性を示す突然変異プロファイルを含む、遺伝子データセットを取得することと、
前記被験者と同じタイプの癌と診断された他の被験者のセットと、前記治療ラインを受けたことがあり、かつ処置転帰に関連付けられている他の各被験者とを識別することと、
前記他の被験者のセットの他の被験者ごとの別の遺伝子データセットを取得することであって、前記別の遺伝子データセットが別の突然変異プロファイルを含む、別の遺伝子データセットを取得することと、
前記他の被験者のセットの他の被験者ごとに、前記特定の被験者の前記突然変異プロファイルおよび前記他の被験者の前記別の突然変異プロファイルを訓練された類似性モデルに入力することであって、前記訓練された類似性モデルが、前記特定の被験者の前記突然変異プロファイルが前記他の被験者の前記別の突然変異プロファイルと類似する予測された程度を表す類似性重みを生成するように訓練されている、前記特定の被験者の前記突然変異プロファイルおよび前記他の被験者の前記別の突然変異プロファイルを訓練された類似性モデルに入力することと、
前記訓練された類似性モデルによって出力された前記類似性重みに基づいて、前記特定の被験者に対して前記治療ラインを実施することについての予測される処置転帰を決定することと
を含み、
前記類似性モデルによって出力された前記類似性重みのうちの少なくとも1つが閾値内にあると決定されると、前記決定に基づいて前記他の被験者のうちの1人を識別し、識別された前記他の被験者の前記処置転帰を、前記特定の被験者についての前記予測される処置転帰として割り当て、かつ/または
前記類似性モデルによって出力された前記類似性重みのいずれも前記閾値内にないと決定されると、前記特定の被験者の前記突然変異プロファイルと類似する突然変異プロファイルを検索するために、前記特定の被験者とは異なるタイプの癌と診断された別の被験者セットを識別する、コンピュータ実装方法。
【請求項2】
他の被験者の前記他のセットの他の被験者ごとにさらに別の突然変異プロファイルを取得することであって、前記他のセットの他の各被験者が前記特定の被験者とは異なるタイプの癌を有する、さらに別の突然変異プロファイルを取得することと、
前記他の被験者の前記他のセットの他の被験者ごとに、前記特定の被験者の前記突然変異プロファイルおよび前記他のセットの前記他の被験者の前記別の突然変異プロファイルを前記訓練された類似性モデルに入力することと、
前記訓練された類似性モデルによって出力された前記類似性重みに基づいて、前記類似性モデルによって出力された前記類似性重みのうちの少なくとも1つが前記閾値内にあると決定することと、
前記決定に基づいて前記他のセットの前記他の被験者のうちの1人を識別し、前記他のセットの識別された前記他の被験者の前記処置転帰を前記特定の被験者についての前記予測される処置転帰として割り当てることと
をさらに含み、かつ/または
前記突然変異プロファイルが、前記特定の被験者に関連する突然変異プロファイルを含み、前記突然変異順序が、異なる時点で変異した一連の複数の遺伝子突然変異を表す、請求項1に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項3】
他の被験者レコードのセットに対してクラスタリング演算を実行することであって、前記クラスタリング演算が、前記治療ラインの1つ以上の転帰に基づいており、1つ以上のクラスタを形成する、クラスタリング演算を実行することをさらに含む、請求項1または2に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項4】
前記類似性モデルが訓練データセットを使用して訓練され、前記訓練データセットが、類似しているまたは類似していないとラベル付けされた突然変異プロファイルの対を含む、請求項1~3のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項5】
前記予測された処置転帰が、前記特定の被験者の特徴に固有の1つ以上の被験者に固有の副作用または無増悪生存期間を含む、請求項1~4のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項6】
前記特定の被験者に関連付けられた文脈情報が、前記被験者に関連付けられた前記遺伝子プロファイルを含む、請求項1~5のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項7】
前記特定の被験者に関連付けられた前記遺伝子プロファイルについて遺伝子プロファイルデータストアにクエリすること、
前記特定の被験者に関連付けられた1つ以上の放射線画像について放射線画像データストアにクエリすること、
前記特定の被験者に起因する少なくとも1つの特徴に関するコンテンツデータについて医療研究データストアにクエリすること、
前記特定の被験者に関連付けられた臨床情報について臨床情報データストアにクエリすること、
前記特定の被験者によって、または前記特定の被験者に代わって提出された1つ以上の健康保険請求について請求データストアにクエリすること、および/または
前記特定の被験者によって提供された被験者データについて被験者提供入力データストアにクエリすることであって、前記被験者データが1つ以上のデータフォーマットである、被験者提供入力データストアにクエリすること
によって前記特定の被験者に関連付けられた前記文脈情報を生成することをさらに含む、請求項1~6のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項8】
前記処置転帰が、チャットボットを使用して前記被験者のコンピューティングデバイスにおいて出力される1つ以上の被験者に固有の副作用を含む、請求項1~7のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項9】
前記被験者レコードが、前記被験者に対応する電子医療レコードにおいて識別されたデータを含む、請求項1~8のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項10】
前記被験者が診断される癌のタイプが、乳癌、肺癌、結腸癌、または血液癌のうちの少なくとも1つ以上を含む、請求項1~9のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項11】
臨床的意思決定に関する予測機能を提供するように構成されたクラウドベースの腫瘍学的アプリケーションを使用して知識グラフにアクセス可能である、請求項1~10のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項12】
推論モジュールに関連付けられたデータ漏洩を検出することであって、前記データ漏洩が、前記被験者レコードに含まれる特徴のセットの特徴を曝すか、または前記被験者に関連付けられた前記文脈情報の項目を曝す、データ漏洩を検出することと、
前記推論モジュールに関連付けられたデータ漏洩を検出したことに応答して、前記被験者レコードに含まれる前記特徴のセットの前記特徴が曝されることを防止またはブロックするデータ漏洩防止プロトコルを実行することと
をさらに含む、請求項1~11のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項13】
特徴選択モデルを使用して、前記被験者を特徴付ける次元削減被験者レコードを生成することであって、前記次元削減被験者レコードが、前記被験者レコードに含まれる前記特徴のセットから1つ以上の特徴を除去し、前記1つ以上の特徴がノイズとして特徴付けられる、次元削減被験者レコードを生成することをさらに含む、請求項1~12のいずれか一項に記載の腫瘍学的治療ラインの被験者に固有の転帰を予測するためのコンピュータ実装方法。
【請求項14】
システムであって、
1つ以上のプロセッサと、
命令を含む非一時的コンピュータ可読記憶媒体であって、前記命令が、前記1つ以上のプロセッサ上で実行されると、前記1つ以上のプロセッサに、請求項1~13のいずれか一項に記載のコンピュータ実装方法の一部または全部を実行させる、非一時的コンピュータ可読記憶媒体と、を備える、システム。
【請求項15】
1つ以上のデータプロセッサに、請求項1~13のいずれか一項に記載のコンピュータ実装方法の一部または全部を実行させるように構成された命令を含むコンピュータプログラム。
【国際調査報告】