特表 2024-507109 診断検査室システムにおける障害を予測する装置および方法

(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】2024-02-16

(54)【発明の名称】診断検査室システムにおける障害を予測する装置および方法

(51)【国際特許分類】

   G01N 35/00 20060101AFI20240208BHJP

【ＦＩ】

G01N35/00 F

G01N35/00 A

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2023547591

(86)(22)【出願日】2022-02-07

(85)【翻訳文提出日】2023-09-13

(86)【国際出願番号】 US2022070546

(87)【国際公開番号】W WO2022170357

(87)【国際公開日】2022-08-11

(31)【優先権主張番号】63/147,155

(32)【優先日】2021-02-08

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】508147326

【氏名又は名称】シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド

(74)【代理人】

【識別番号】100127926

【弁理士】

【氏名又は名称】結田 純次

(74)【代理人】

【識別番号】100140132

【弁理士】

【氏名又は名称】竹林 則幸

(74)【代理人】

【識別番号】100216105

【弁理士】

【氏名又は名称】守安 智

(72)【発明者】

【氏名】ヴィヴェク・スィング

(72)【発明者】

【氏名】ラヤル・ラジュ・プラサド・ナラム・ヴェンカット

(72)【発明者】

【氏名】イャオ－ジェン・チャン

(72)【発明者】

【氏名】ヴェンカテーシュ・ナラシマムルティ

(72)【発明者】

【氏名】ベンジャミン・エス・ポラック

(72)【発明者】

【氏名】アンカー・カプール

【テーマコード（参考）】

2G058

【Ｆターム（参考）】

2G058GB01

2G058GB10

2G058GC02

2G058GC05

2G058GD05

2G058GE09

2G058GE10

(57)【要約】

診断検査室システムにおける障害を予測する方法は、１つまたはそれ以上のセンサを提供することと、１つまたはそれ以上のセンサを使用してデータを生成することと、そのデータを、そのデータに応答して診断検査室システムにおける少なくとも１つの障害を予測するように構成される人工知能アルゴリズム内へ入力することと、人工知能アルゴリズムを使用して診断検査室システムにおける少なくとも１つの障害を予測することと、を含む。他の方法、システム、および装置も開示される。
【選択図】図１

【特許請求の範囲】

【請求項1】

診断検査室システムにおける障害を予測する方法であって、
１つまたはそれ以上のセンサを提供することと、
該１つまたはそれ以上のセンサを使用してデータを生成することと、
該データを、該データに応答して診断検査室システムにおける少なくとも１つの障害を予測するように構成される人工知能アルゴリズム内へ入力することと、
該人工知能アルゴリズムを使用して診断検査室システムにおける少なくとも１つの障害を予測することと、を含む、前記方法。

【請求項2】

１つまたはそれ以上のセンサのうちの少なくとも１つは、吸引圧を測定するように構成され、データを生成することは、吸引圧を示すデータを生成することを含む、請求項１に記載の方法。

【請求項3】

１つまたはそれ以上のセンサのうちの少なくとも１つは、投薬圧を測定するように構成され、データを生成することは、投薬圧を示すデータを生成することを含む、請求項１に記載の方法。

【請求項4】

１つまたはそれ以上のセンサのうちの少なくとも１つは、電流を測定するように構成され、データを生成することは、電流を示すデータを生成することを含む、請求項１に記載の方法。

【請求項5】

１つまたはそれ以上のセンサのうちの少なくとも１つは、光強度を測定するように構成され、データを生成することは、光強度を示すデータを生成することを含む、請求項１に記載の方法。

【請求項6】

１つまたはそれ以上のセンサのうちの少なくとも１つは、光周波数を測定するように構成され、データを生成することは、光周波数を示すデータを生成することを含む、請求項１に記載の方法。

【請求項7】

１つまたはそれ以上のセンサのうちの少なくとも１つは、検体の画像データを生成するように構成され、データを生成することは、検体の画像データを生成することを含む、請求項１に記載の方法。

【請求項8】

１つまたはそれ以上のセンサのうちの少なくとも１つは、検体容器の画像データを生成するように構成され、データを生成することは、検体容器の画像データを生成することを含む、請求項１に記載の方法。

【請求項9】

１つまたはそれ以上のセンサのうちの少なくとも１つは、温度を測定するように構成され、データを生成することは、温度を示すデータを生成することを含む、請求項１に記載の方法。

【請求項10】

１つまたはそれ以上のセンサのうちの少なくとも１つは、湿度を測定するように構成され、データを生成することは、湿度を示すデータを生成することを含む、請求項１に記載の方法。

【請求項11】

１つまたはそれ以上のセンサのうちの少なくとも１つは、音を測定するように構成され、データを生成することは、音を示すデータを生成することを含む、請求項１に記載の方法。

【請求項12】

予測することは、１つまたはそれ以上のセンサからのデータを、診断検査室システムの状態を示す値のアレイへと符号化することを含み、データを入力することは、値のアレイを人工知能アルゴリズム内へ入力することを含む、請求項１に記載の方法。

【請求項13】

予測することは、診断検査室システムにおける障害が既定の時間期間内に発生する確率を計算することを含む、請求項１に記載の方法。

【請求項14】

予測することは、既定の時間期間内の診断検査室システム内のモジュールの障害の確率を計算することを含む、請求項１に記載の方法。

【請求項15】

確率が既定の値よりも大きいことに応答して通知を生成することを含む、請求項１４に記載の方法。

【請求項16】

予測することは、診断検査室システムのモジュール内の構成要素が、既定の時間期間内に障害を起こす確率を予測することを含む、請求項１に記載の方法。

【請求項17】

予測することは、診断検査室システム内のモジュールが障害を起こす時間を予測することを含む、請求項１に記載の方法。

【請求項18】

予測することは、診断検査室システム内のモジュールの構成要素が障害を起こす時間を予測することを含む、請求項１に記載の方法。

【請求項19】

人工知能アルゴリズムを訓練することを含む、請求項１に記載の方法。

【請求項20】

人工知能アルゴリズムは、生成ネットワークを含む、請求項１に記載の方法。

【請求項21】

診断検査室システム内のモジュールの構成要素における障害を予測する方法であって、
診断検査室システムのモジュール内に１つまたはそれ以上のセンサを提供することと、
該１つまたはそれ以上のセンサを使用してデータを生成することと、
該データを、該データに応答して構成要素の障害を予測するように構成される人工知能アルゴリズム内へ入力することと、
該人工知能アルゴリズムを使用して構成要素における障害の確率を予測することと、を含む、前記方法。

【請求項22】

診断検査室システムであって、
データを生成するように構成される１つまたはそれ以上のセンサと、
人工知能アルゴリズムを実行するように構成されるコンピュータであって、人工知能アルゴリズムは、
データを受信し、
データに応答して診断検査室システムの構成要素における少なくとも１つの障害を予測するように構成される、コンピュータと
を含む、前記診断検査室システム。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願への相互参照
本出願は、２０２１年２月８日に出願した「ＡＰＰＡＲＡＴＵＳ ＡＮＤ ＭＥＴＨＯＤＳ ＯＦ ＰＲＥＤＩＣＴＩＮＧ ＦＡＵＬＴＳ ＩＮ ＤＩＡＧＮＯＳＴＩＣ ＬＡＢＯＲＡＴＯＲＹ ＳＹＳＴＥＭＳ」という表題の米国仮特許出願第６３／１４７，１５５号の利益を主張するものであり、その開示は、あらゆる目的のためにその全体を参照によって本明細書に組み入れる。

【0002】

本開示の実施形態は、診断検査室システムにおける障害を予測する装置および方法に関する。

【背景技術】

【0003】

診断検査室システムは、検体容器内に含まれる生物検体に対して化学分析または試験を行い得る。診断検査室システムは、複数の機器および個々のモジュールを含み得る。機器の各々は、複数のモジュールを含み得、検体容器および／または検体に対して１つまたはそれ以上のプロセスおよび／または分析を実施することができる。モジュールおよび機器のうちのいくつかは、検体容器を処理する、または検体を分析する構成要素を中に含み得る。いくつかの実施形態において、第１のモジュールは、第２のモジュールにおける分析のために検体を調製する、遠心分離などのプロセスを実施することができる。第２のモジュールは、検体に対して分析を実施する１つまたはそれ以上の構成要素を含み得る。

【0004】

モジュール、またはモジュール内の構成要素が障害（例えば、故障）を起こすと、診断検査室システムが分析を実施する能力は、深刻に低減される。例えば、第１のモジュール内の構成要素が故障した場合、分析能力が低減される。モジュールの故障または低減した分析能力は、診断検査室システム全体の試験能力を低減することがある。

【発明の概要】

【発明が解決しようとする課題】

【0005】

故に、診断検査室システム内の機器、モジュール、および／またはその構成要素における障害を予測する改善された方法および装置が求められる。

【課題を解決するための手段】

【0006】

第１の態様によると、診断検査室システムにおける障害を予測する方法が提供される。本方法は、１つまたはそれ以上のセンサを提供することと、１つまたはそれ以上のセンサを使用してデータを生成することと、そのデータを、そのデータに応答して診断検査室システムにおける少なくとも１つの障害を予測するように構成される人工知能アルゴリズム内へ入力することと、人工知能アルゴリズムを使用して診断検査室システムにおける少なくとも１つの障害を予測することと、を含む。

【0007】

さらなる態様において、診断検査室システム内のモジュールの構成要素における障害を予測する方法が提供される。本方法は、診断検査室システムのモジュール内に１つまたはそれ以上のセンサを提供することと、１つまたはそれ以上のセンサを使用してデータを生成することと、そのデータを、そのデータに応答して構成要素の障害を予測するように構成される人工知能アルゴリズム内へ入力することと、人工知能アルゴリズムを使用して構成要素における障害の確率を予測することと、を含む。

【0008】

別の態様において、診断検査室システムが提供される。診断検査室システムは、データを生成するように構成される１つまたはそれ以上のセンサと、人工知能アルゴリズムを実行するように構成されるコンピュータであって、人工知能アルゴリズムは、データを受信し、データに応答して診断検査室システムの構成要素における少なくとも１つの障害を予測するように構成される、コンピュータと、を含む。

【0009】

本開示のさらに他の態様、構成、および利点は、本開示を実行するために企図される最良の形態を含む、いくつかの例となる実施形態の以下の説明および例証から容易に明らかになる。本開示は、他の異なる実施形態も可能であり、そのいくつかの詳細は、本開示の範囲から全く逸脱することなく、様々な点において修正される。本開示は、クレームおよびそれらの等価物の範囲内に入るすべての修正形態、等価物、および代替形態を網羅することが意図される。

【0010】

以下に説明される図面は、例証の目的のためであり、必ずしも縮尺通りに描かれていない。したがって、図面および説明は、制限的ではなく、本質的に例証的と見なされるものとする。図面は、本開示の範囲をいかようにも制限することは意図されない。

【図面の簡単な説明】

【0011】

【図1】１つまたはそれ以上の実施形態による、複数のモジュールおよび機器を含む診断検査室システムのブロック図である。

【図2A】１つまたはそれ以上の実施形態による、キャリア内に位置する検体容器の側部立面図であって、検体が検体容器内に位置する、図である。

【図2B】１つまたはそれ以上の実施形態による、キャリア内に位置する検体容器の側部立面図であって、遠心分離プロセスを経た検体が検体容器内に位置する、図である。

【図3】１つまたはそれ以上の実施形態による、診断検査室システムの機器のブロック図であって、機器が複数のモジュールを含む、図である。

【図4】１つまたはそれ以上の実施形態による、診断検査室システムの実施形態に含まれる品質チェックモジュールの実施形態の上部平面図である。

【図5】１つまたはそれ以上の実施形態による、吸引および投薬モジュールの側部の部分断面図である。

【図6】１つまたはそれ以上の実施形態による、機能している吸引システムおよび障害のある吸引システムを示す、検体を吸引するピペットアセンブリの圧力（Ｐａ）のトレースを例証するグラフである。

【図7】１つまたはそれ以上の実施形態による、診断検査室システムの分析器モジュールの実施形態を描写するブロック図である。

【図8】１つまたはそれ以上の実施形態による、診断検査室システムにおける障害を予測する方法を描写するフローチャートである。

【図9】１つまたはそれ以上の実施形態による、診断検査室システム内のモジュールの構成要素における障害を予測する方法を描写するフローチャートである。

【発明を実施するための形態】

【0012】

診断検査室システムは、患者からの検体を分析（例えば、試験）して、提供された検体内の１つまたはそれ以上の分析物または構成成分の存在および／または濃度を決定する。例えば、患者を診断する医師または他の医療提供者が、患者から採取される生物検体（例えば、検体）の分析を要請し得る。検体は、典型的には、検体容器内に収集され、医療従事者によって生成される試験オーダと一緒に診断検査室システムへ送られる。

【0013】

診断検査室システムは、検体および／または検体容器を処理して、分析（例えば、試験）のために検体容器および／または検体を調製する１つまたはそれ以上のモジュールを含み得る。１つまたはそれ以上の他のモジュールが、検体に対して分析を実施することができる。いくつかの実施形態において、第１のモジュールが、第２のモジュールによる分析のために検体または検体容器を調製し得る。例えば、第１のモジュールは、検体が第２のモジュールによる分析のための状態にあるかどうかを決定するために、検体を分析し得る。別の例において、第１のモジュールは、検体容器上のバーコードを読み取るか、または検体に対して遠心分離および／もしくはアリコートを実施することができる。第２のモジュールは、検体に対して分析を実施することができる。

【0014】

検体容器を処理するいくつかのモジュールは、例えば、その中に含まれる検体を識別し得る。そのような識別は、検体容器に取り付けられる、バーコードなどの印を読み取ることを含み得る。バーコードリーダおよび／または他の撮像デバイスが、バーコードを読み取り得、これは、試料識別情報を臨床検査情報システム（ＬＩＳ）と相関させて、検体に対して実施されることになる特定の分析に関する情報を提供するために使用される。いくつかのモジュールは、検体を含む検体容器の特定のタイプを識別するために、検体容器の画像を取り込み、検体容器の形状および／またはキャップタイプを識別する撮像デバイスを含み得る。他のモジュールは、キャップを取り外すこと（キャップ除去）および他のプロセスなど、検体容器の他の処理を実施することができる。

【0015】

分析器モジュール（分析器）は、検体に対して、アッセイまたは臨床化学分析などの１つまたはそれ以上の分析または試験を実施することができる。いくつかの実施形態において、試薬および同様のものが、特定の分析物の存在および／または濃度を決定するために検体に追加される。分析器はまた、特定の抗原、タンパク質、または薬物などの他の物質の存在および／または濃度を決定し得る。いくつかの実施形態において、視覚システムが、試薬ありおよび試薬なしで検体の異なる周波数および／または蛍光発光における光吸収を決定するために使用される。

【0016】

いくつかの診断検査室システムは、中にいくつかのモジュールを含み得る１つまたはそれ以上の機器を含み得、各モジュールが、検体および検体容器に対して複数のプロセスおよび／または分析を実施することができる。

【0017】

いくつかの診断検査室システムは、長さおよび／または幅１００メートルであり得、例えば、１日に数千または数万もの分析（例えば、試験）を実施することができる。これらの診断検査室システムは、診断検査室システムが検体の正確な分析ならびに／または検体および／もしくは検体容器のプレスクリーニングを提供するために、保守および較正されなければならない多くの異なるタイプのモジュールを伴って、何百ものモジュールおよび／または機器を含み得る。診断検査室システムの単一のモジュールが、障害を起こすか、または較正もしくは保守のために停止状態にされるとき、診断検査室システムの効率は減少し得、また診断検査室システムは、診断検査室システムがすべてのモジュールが意図した通りに機能している状態で動作しているときほどは多くの分析を実施することができない。

【0018】

従来の診断検査室システムを保守および／または較正する技術者は、モジュール、機器、ならびに／またはモジュールおよび機器内の構成要素を定期的に更新または交換するために予防保守スケジュールに依拠する。故に、特定のモジュール、機器、および／またはそれらの構成要素は、モジュール、機器、および／または構成要素の実際の状態に基づくのでなく、定期スケジュールに基づいて保守される。いくつかの実施形態において、モジュール、機器、および／または構成要素は、それらの推定寿命に基づいて交換され得る。しかしながら、モジュール、機器、またはそれらの構成要素が、その推定寿命の前に障害（例えば、故障）を起こす場合、診断検査室システムおよび／またはその部分の故障が発生し得る。故障は、技術者が診断検査室システムのある場所を訪問して診断検査室システムをトラブルシュートし、システム障害を解決するまで続き得る。

【0019】

予防保守スケジュールに依拠するとき、モジュール、機器、およびそれらの構成要素は、モジュール、機器、およびそれらの構成要素が完全に適切に動作している場合にさえ、デバイス故障のリスクを低減するために交換される。適切に機能しているモジュール、機器、および構成要素を交換することは、診断検査室システムを動作させる費用および効率を不必要に増加させる。

【0020】

モジュールおよび／または機器のうちの１つまたはそれ以上は、自己診断を実施し、ならびに／またはモジュールおよび機器内のセンサを監視し得る。本明細書に説明される装置および方法は、モジュールおよび／または機器の障害を予測するために検体に対して実施される、内部試験、センサデータ、および／または分析結果を分析するために、訓練されたモデルを実装する人工知能アルゴリズム（例えば、ニューラルネットワーク）を含む。人工知能アルゴリズムは、様々な入力に基づいて、どのモジュール、機器、および／または構成要素が障害を起こす可能性が高いかを予測する。いくつかの実施形態において、人工知能アルゴリズムは、特定のモジュール、機器、および／または構成要素がいつ故障するかを予測し得る。これらおよび他の方法、システム、および装置は、本明細書内の図１～図９に関連してより詳細に説明される。

【0021】

これより、生物検体（検体）に対して分析（例えば、試験またはアッセイ）または他のプロセスを実施する診断検査室システム１００の実施形態のブロック図を例証する図１を参照する。検体は、患者から採取された全血、血清、血漿、尿、脳脊髄液、または他の体液を含み得る。検体は、患者から収集され、トラック１３４上で診断検査室システム１００を通じて輸送されるものとして例証される検体容器１０２に収納される（少数がラベル付けされる）。トラック１３４は、検体容器１０２を動かすことができる任意の好適なトラックである。特定の検体に対して実施されることになる分析を含み得る試験オーダはまた、検査室情報システム（ＬＩＳ）１３６などから、診断検査室システム１００内で受信される。試験オーダは、本明細書に説明されるように特定のプロセスおよび／または分析を実施するように特定の機器およびモジュールに指示するために処理される。

【0022】

これより、キャリア２０４内の検体容器１０２の実施形態の側部立面図を例証する図２Ａを参照する。検体容器１０２は、検体容器１０２（図１）と同一または実質的に同様である。検体容器１０２は、チューブ２０６を含み、キャップ２０８によって蓋をされる。検体２１０は、チューブ２０６内に位置する。検体２１０は、診断検査室システム１００（図１）によって分析されることになる任意の液体（生体液体）である。図２Ａの実施形態において、検体２１０は、まだ遠心分離プロセスに供されていない。

【0023】

チューブ２０６には、ラベル２１２が取り付けられていてもよく、ラベル２１２は、バーコード２１４または他の識別子など、検体２１０に関連した情報を含み得る。いくつかの実施形態において、ラベル２１２は、検体２１０を識別する数字および／または文字を含み得る。バーコード２１４の画像は、診断検査室システム１００内に位置する撮像デバイスのうちの１つまたはそれ以上によって取り込まれる。いくつかの実施形態において、検体２１０の画像はまた、本明細書に説明されるような撮像デバイスによって取り込まれる。他の実施形態において、キャップ２０８の画像が、撮像デバイスによって取り込まれる。いくつかの実施形態において、チューブ２０６、キャップ２０８、および／または検体２１０の画像が、１つまたはそれ以上の撮像デバイスによって取り込まれる。

【0024】

検体２１０が検体２１０の成分を分離するために遠心分離プロセスを経ている、検体容器１０２の実施形態の側部立面図である図２Ｂをさらに参照する。例えば、図２Ａに示される検体２１０の実施形態は、例えば、診断検査室分析器１００内のモジュール１２０のうちの１つによる遠心分離を経ていてもよい。遠心分離プロセスに反応して、検体２１０中のより重い成分は、チューブ２０６の底の方へ積もり、より軽い成分は、チューブ２０６の上部の方へ積もる。図２Ｂの実施形態において、検体２１０は、血液試料である。遠心分離プロセス中、血清または血漿２１０Ａは、赤血球部分２１０Ｂから分離される。分離体２１１（例えば、ゲル分離体）は、血清または血漿２１０Ａを赤血球部分２１０Ｂから分離し得る。

【0025】

血清または血漿２１０Ａは、高さＨＳＰを有するものとして例証され、分離体２１１は、高さＨＧＳを有するものとして例証され、赤血球部分２１０Ｂは、高さＨＲを有するものとして例証される。いくつかの実施形態において、血清または血漿２１０Ａが分析され、これは、血清または血漿２１０Ａの少なくとも一部を吸引することを伴う。正しく吸引するために、血清または血漿２１０Ａの高さＨＳＰは、吸引プロセス中に測定および使用される。例えば、高さＨＳＰは、プロセッサまたは同様のものが検体容器１０２内の血清または血漿２１０Ａの体積を決定することを可能にし得る。高さＨＳＰは、吸引プローブが血清もしくは血漿２１０Ａの吸引を可能にするために検体容器１０２内へ延びる必要があり得る深さ、ならびに／または血清もしくは血漿２１０Ａの利用可能な量に関して、情報を他のモジュールに提供するために使用される。

【0026】

再び図１を参照すると、診断検査室システム１００は、分析のために検体容器１０２を処理および／または調製し得、ならびにその中に位置する検体に対して分析を実施することができる、複数の機器１１８およびモジュール１２０を含み得る。

【0027】

図１の実施形態において、診断検査室システム１００は、第１の機器１１８Ａ、第２の機器１１８Ｂ、第３の機器１１８Ｃ、および第４の機器１１８Ｄと個々に称される４つの機器１１８を含む。図１の実施形態において、診断検査室システム１００は、複数のモジュール１２０を含み得、それらのうちの一部が、第１のモジュール１２０Ａ、第２のモジュール１２０Ｂ、第３のモジュール１２０Ｃ、および第４のモジュール１２０Ｄとラベル付けされる。より多いまたはより少ないモジュールが存在してもよい。

【0028】

機器１１８は各々、２つ以上のモジュールを含み得、モジュールのうちのいくつかは、モジュール１２０のうちの１つまたはそれ以上によって実施される機能と同一または同様の機能を実施することができる。他の機器と同様または同一である第４の機器１１８Ｄを参照する。第４の機器１１８Ｄは、処理モジュール１２２Ａおよび１つまたはそれ以上の分析器モジュール１２２Ｂを含み得る３つのモジュール１２２を含み得る。処理モジュールは、分析（例えば、試験）のために検体を調製し得、以下にさらに説明されるように、第４の機器１２２Ｄに受け入れられる検体容器１０２を識別し得る。分析器モジュール１２２Ｂは、以下にさらに説明されるように、検体に対して分析を実施することができる。

【0029】

診断検査室システム１００は、機器１１８およびモジュール１２０およびＬＩＳ１３６と通信状態にある検査室コンピュータ１２６を含み得る。検査室コンピュータ１２６は、機器１１８およびモジュール１２０の近くにあるか、または離れていてもよい。検査室コンピュータ１２６は、プロセッサ１２８およびメモリ１３０を含み得、プロセッサ１２８は、メモリ１３０に記憶されるプログラムを実行する。メモリ１３０に記憶されるプログラムのうちの１つは、少なくとも１つの人工知能アルゴリズム１３２（ＡＩアルゴリズム１３２）である。いくつかの実施形態において、本明細書に説明されるＡＩアルゴリズム１３２は、メモリ１３０、または、診断検査室システム１００から離れたコンピュータ（図示せず）などの別のコンピュータに記憶される。

【0030】

本明細書に説明されるように、ＡＩアルゴリズム１３２は、機器１１８および／またはモジュール１２０から、センサおよび／または分析データなどのデータを受信し、そのデータに応答して、以下にさらに説明されるように、診断検査室システム１００の機器１１８および／またはモジュール１２０（またはそれらの構成要素）のうちの１つまたはそれ以上が、いつ障害を起こすことがあり得るかを予測する。例えば、ＡＩアルゴリズム１３２は、診断検査室システム１００のモジュール内の構成要素が、既定の時間期間内に障害を起こす確率を予測し得る。

【0031】

検査室情報システム（ＬＩＳ）１３６は、検査室コンピュータ１２６に連結され、病院情報システム（ＨＩＳ）１３８は、ＬＩＳ１３６に連結される。医療従事者などが、試験オーダをＨＩＳ１３８内へ入力し得る。試験オーダは、特定の検体に対して行われるべき分析（例えば、試験）のタイプを示す。検体は、検体容器１０２内へ収集され、診断検査室システム１００へ送られる。トラック１３４に連結される入力／出力デバイス（Ｉ／Ｏデバイス）におけるＬＩＳ１３６または他の論理は、次いで、分析および関連プロセスが特定の機器１１８および／またはモジュール１２０に対して実施されるように、分析をスケジュールし得る。いくつかの実施形態において、ＬＩＳ１３６は、検査室コンピュータ１２６内に実装される。

【0032】

トラック１３４は、診断検査室システム１００全体にわたって検体容器１０２を輸送するように構成される。例えば、トラック１３４は、検体容器１０２を、機器１１８およびモジュール１２０のうちの特定のものに輸送し得る。いくつかの実施形態において、キャリア２０４（図２Ａ－２Ｂ）は、自己推進され、トラック１３４は、キャリア２０４が検体容器１０２を動かす機構を提供し得る。検体容器１０２は、トラック１３４に沿って複数方向に動き得る。

【0033】

機器３１８の例となる実施形態のブロック図を例証する図３をさらに参照する。機器３１８は、機器１１８（図１）のうちの１つまたはそれ以上と同一または実質的に同様である。図３の実施形態において、機器３１８は、検体２１０（図２Ａ－２Ｂ）などの検体に対して１つまたはそれ以上の分析を実施するように構成される。機器３１８は、検体容器１０２に対してプロセスを実施するようにさらに構成される。機器３１８は、図３に示されるものとは別のモジュールおよび機器を含み得る。

【0034】

機器３１８は、検体容器１０２を受けるように構成され、機器３１８全体にわたって検体容器１０２および／または検体（例えば、検体２１０－図２Ａ－２Ｂ）を輸送し得る。機器３１８は、分析のために検体を調製する、および検体に対して１つまたはそれ以上の分析を実施する、１つまたはそれ以上のモジュール３３６を含み得る。機器３１８はまた、機器３１８内のモジュール３３６の異なるものの間など、機器３１８全体にわたって、検体容器、試薬、検体、および／または他のものを輸送するように構成される輸送構成要素３３８を含み得る。輸送構成要素３３８は、１つもしくはそれ以上のコンベヤデバイスおよび／または１つもしくはそれ以上のロボットを含み得、それらの例は、少なくとも図４に示される。

【0035】

機器３１８は、温度を測定し、温度を示すデータを生成するように構成される温度センサ３４１Ａを含み得る。温度センサ３４１Ａは、周囲空気温度および／または機器３１８内の１つもしくはそれ以上の構成要素の温度を測定し得る。機器が高温で動作される場合、構成要素またはモジュール３３６のうちの１つまたはそれ以上は、本明細書に説明されるようにＡＩアルゴリズム１３２によって検出される、早期の、または差し迫った障害を起こすことがあり得る。機器３１８はまた、湿度を測定し、周囲湿度を示すデータを生成するように構成される湿度センサ３４１Ｂを含み得る。機器３１８が比較的高いまたは比較的低い周囲湿度で動作する場合、１つまたはそれ以上の構成要素またはモジュール３３６は、ＡＩアルゴリズム１３２によって検出される、早期の、または差し迫った障害を起こすことがあり得る。機器３１８はまた、１つまたはそれ以上の構成要素の、または機器３１８の音を測定し、機器３１８内の音を示すデータを生成するように構成される音響センサ３４１Ｃを含み得る。機器３１８が過剰な雑音を生成する場合、１つまたはそれ以上の構成要素またはモジュール３３６は、ＡＩアルゴリズム１３２によって検出される、早期の、または差し迫った障害を起こすことがあり得る。温度センサ３４１Ａ、湿度センサ３４１Ｂ、および／または音響センサ３４１Ｃによって生成されるデータはまた、本明細書に説明されるようにＡＩアルゴリズム１３２を訓練するために使用される。

【0036】

輸送構成要素３３８は、輸送構成要素３３８と関連付けられた１つまたはそれ以上のパラメータを検知する輸送センサ３３８Ａを含み得、および／またはこれと関連付けられる。いくつかの実施形態において、輸送センサ３３８Ａは、輸送構成要素３３８を駆動する１つまたはそれ以上のモータ（図３には図示せず）を通って引かれる電流を測定し、引かれた電流を示すデータを出力するように構成される電流センサを含み得る。いくつかの実施形態において、輸送センサ３３８Ａは、雑音および／または振動を測定し、雑音および／または振動を示すデータを生成するように構成される音響センサを含み得る。過剰な雑音および／または振動は、輸送構成要素３３８のうちの１つまたはそれ以上が障害を起こしていることを示すか、または差し迫った障害を示す。輸送センサ３３８Ａによって生成されるデータは、ＡＩアルゴリズム１３２へ入力され、機器３１８および／または診断検査室システム１００における障害を予測するために使用される。いくつかの実施形態において、輸送センサ３３８Ａによって生成されるデータは、ＡＩアルゴリズム１３２を訓練するために使用される。

【0037】

輸送センサ３３８Ａはまた、機器３１８内の物体および構成要素の場所を決定するように構成される位置センサを含み得る。例えば、機器３１８内での検体容器１０２および／またはアリコートの位置が、検知される（例えば、測定される）。輸送センサ３３８Ａはまた、本明細書に説明されるように１つまたはそれ以上のロボット（例えば、ロボット５５０－図５）またはそれらの構成要素の位置を測定し得る。

【0038】

機器３１８は、モジュール３３６、および、輸送構成要素３３８、輸送センサ３３８Ａ、および他のセンサなど、他の構成要素に命令を送信し得る、およびこれらからデータを受信し得る機器コンピュータ３３９を含み得る。コンピュータ３３９は、プロセッサ３３９Ａ、および１つまたはそれ以上のプログラム３３９Ｃを記憶し得るメモリ３３９Ｂを含み得る。プログラム３３９Ｃのうちの１つまたはそれ以上は、試験のために検体を調製すること、および検体に対して分析を実行することなど、既定のプロセスを実施するように輸送構成要素３３８および／またはモジュール３３６に指示し得る。機器コンピュータ３３９は、検査室コンピュータ１２６（図１）と通信状態にある。他の実施形態において、検査室コンピュータ１２６および機器コンピュータ３３９は、単一のコンピュータ内に実装してもよい。故に、メモリ３３９Ｂおよびメモリ１３０は、単一のメモリとして実装してもよい。

【0039】

いくつかの実施形態において、機器３１８は、トラック１３４（図１）などから検体容器１０２を受け、検体容器１０２をトラック１３４へ戻すことができる、受容モジュール３４０を含み得る。いくつかの実施形態において、受容モジュール３４０は、検体中の血清または血漿（例えば、血清または血漿２１０Ａ－図２Ｂ）などの検体（例えば、検体２１０－図２Ａ－２Ｂ）を受け得る（例えば、吸引する）。受容モジュール３４０は、処理モジュール１２２Ａ（図１）と同様または同一に構成される。受容モジュール３４０はまた、モジュール１２０（図１）の１つまたはそれ以上と同様または同一である。受容モジュール３４０は、検体容器１０２を受ける、および／またはこれを戻すように構成されるモータ、ロボット、ゲート、コンベヤ、および同様のものを含み得る。

【0040】

受容モジュール３４０は、検体容器１０２および／またはその中に位置する検体を処理するように構成される構成要素を含み得る。いくつかの実施形態において、構成要素は、検体容器１０２上のキャップ（例えば、キャップ２０８－図２Ａ－２Ｂ）を除去および／または交換し得る。いくつかの実施形態において、構成要素は、検体容器１０２内に位置する検体に対して遠心分離を実施して、検体中の液体を分離し得る。例えば、検体は、血清または血漿（例えば、血清または血漿２１０Ａ－図２Ｂ）および凝血塊（例えば、凝血塊２１０Ｂ－図２Ｂ）へと分離される。構成要素は、他の機能を実施することができる。

【0041】

受容モジュール３４０は、受容モジュール３４０内の構成要素を監視するセンサ３４０Ａを含み得る、および／またはこれと関連付けられる。例えば、センサ３４０Ａは、遠心分離、デバイスに蓋をすること、およびこれから蓋を除去すること、ならびに同様のことが、正しく動作しているかどうかを決定し得る。センサ３４０Ａはまた、検体容器１０２上のラベル（例えば、ラベル２１２－図２Ａ－２Ｂ）を読み取る撮像デバイスおよび同様のものを含み得る。センサ３４０Ａはまた、受容モジュール３４０内、またはその近くの検体容器１０２の位置を決定する、光学および磁気センサなどのセンサを含み得る。センサ３４０Ａによって生成されるデータは、機器３１８および／または診断検査室システム１００（図１）における１つまたはそれ以上の障害を予測するためにＡＩアルゴリズム１３２（図１）内へ入力される。データはまた、ＡＩアルゴリズム１３２を訓練するためにＡＩアルゴリズム１３２に入力される。

【0042】

図３の実施形態において、機器３１８は、品質チェックモジュール３４２を含み得る。品質チェックモジュール３４２は、検体および／または検体容器１０２の画像を取り込むことができる。いくつかの実施形態において、検体および／または検体容器の画像は、本明細書に説明されるように検体および／または検体容器１０２の品質を決定するために取り込まれる。品質チェックモジュール３４２の実施形態の上部平面図を例証する図４をさらに参照する。品質チェックモジュール３４２は、診断検査室システム１００の機器またはモジュール内で使用される撮像タイプのモジュールの単に複数の異なる実施形態のうちの１つである。品質チェックモジュール３４２に関連して説明されるセンサおよび他のデバイスは、診断検査室システム１００の機器３１８またはモジュール１２０内の他のモジュールに実装してもよい。

【0043】

品質チェックモジュール３４２は、品質チェックモジュール３４２を通じて検体容器１０２（図２Ａ－２Ｂ）、および／またはキャリア２０４（図２Ａ－２Ｂ）を輸送するように構成される輸送システム４５０を含み得る。１つまたはそれ以上の撮像デバイス４５２は、検体容器１０２が品質チェックモジュール３４２内に位置するとき、検体容器１０２の１つまたはそれ以上の画像を取り込むことができる。図４の実施形態において、品質チェックモジュール３４２は、第１の撮像デバイス４５２Ａ、第２の撮像デバイス４５２Ｂ、および第３の撮像デバイス４５２Ｃと個々に称される３つの撮像デバイス４５２を含む。品質チェックモジュール３４２は、より多いまたは少ない撮像デバイス４５２を含み得る。品質チェックモジュール３４２はまた、品質チェックモジュール３４２の構成要素と通信状態にあるコンピュータ４５４を含み得る。コンピュータ４５４は、構成要素を動作させ、その構成要素によって生成されるデータを受信し、および／またはそのデータを分析し得る。いくつかの実施形態において、コンピュータ４５４は、コンピュータ３３９（図３）および／または検査室コンピュータ１２６（図３）と通信状態にある。

【0044】

輸送システム４５０は、品質チェックモジュール３４２内外へ検体容器１０２を輸送するように構成される。輸送システム４５０はまた、品質チェックモジュール３４２内の撮像場所で検体容器１０２を停止させるように構成される。撮像場所は、撮像デバイス４５２のうちの１つまたはそれ以上が検体容器１０２および／またはその中に位置する検体の画像を取り込むことができる、品質チェックモジュール３４２内の場所である。輸送システム４５０は、モータ４５８によって動作されるコンベヤ４５６を含み得る。コンベヤ４５６は、品質チェックモジュール３４２内の検体容器１０２の動きを促進する任意のデバイスである。モータ４５８は、コンピュータ４５４によって生成される命令によって制御される。

【0045】

電流センサ４６０は、モータ４５８によって引かれる電流を測定するように構成され、測定した電流を示すデータを出力し得る。測定した電流は、コンピュータ４５４へ出力され、そこで、測定した電流は、分析され、ならびに／またはコンピュータ３３９および／もしくは検査室コンピュータ１２６（図２）へ出力される。測定した電流は、ＡＩアルゴリズム１３２へ入力される。電流の変化、または既定の電流値よりも大きいもしくは小さい電流は、輸送システム４５０内のモータ４５８または他の構成要素の差し迫った障害を示す。例えば、モータ４５８は、モータ４５８に対する抗力を引き起こす内部問題を有し得、これがモータ４５８に過剰な電流を引かせる。過剰な電流はまた、コンベヤ４５６に対する抗力を示し、モータ４５８は、コンベヤ４５６に対する抗力を克服するために過剰な電流を引く。電流センサ４６０によって生成されるデータは、人工知能アルゴリズム１３２（図１）を訓練するために使用される。いくつかの実施形態において、電流は、品質チェックモジュール３４２内の他の構成要素から検知され、電流センサ４６０に関連して説明される様式で使用される。いくつかの実施形態において、測定した電流は、品質チェックモジュール３４２および／または診断検査室システム１００内の他の構成要素における差し迫った障害を予測するために他のデータと共に使用される。

【0046】

いくつかの実施形態において、品質チェックモジュール３４２は、品質チェックモジュール３４２内の１つまたはそれ以上の構成要素内の振動を測定するように構成される振動センサ４６２を含み得る。振動センサ４６２は、コンピュータ４５４、コンピュータ３３９、および／または検査室コンピュータ１２６（図１）に伝送される振動データを生成し得る。振動データは、差し迫った障害を予測するため、および／または人工知能アルゴリズムを訓練するために、ＡＩアルゴリズム１３２に入力される。過剰な振動は、品質チェックモジュール３４２における差し迫った障害を示す。例えば、消耗している構成要素および／または緩んだ構成要素は、故障の前に振動し得る。

【0047】

いくつかの実施形態において、品質チェックモジュール３４２はまた、品質チェックモジュール３４２内の１つまたはそれ以上の構成要素内の音（例えば、雑音）を測定するように構成される音響センサ４６６を含み得る。音響センサ４６６は、コンピュータ４５４、コンピュータ３３９、および／または検査室コンピュータ１２６（図１）に伝送される雑音または音データを生成し得る。雑音データは、障害を予測するため、および／またはＡＩアルゴリズム１３２を訓練するために、ＡＩアルゴリズム１３２に入力される。過剰な雑音は、品質チェックモジュール３４２における差し迫った障害を示す。例えば、消耗している構成要素および／または緩んだ構成要素は、それらが障害を起こす前に、過剰な雑音を発生させ得る。

【0048】

いくつかの実施形態において、品質チェックモジュール３４２はまた、品質チェックモジュール３４２内の１つまたはそれ以上の構成要素内の温度を測定する温度センサ４６８を含み得る。温度センサ４６８はまた、品質チェックモジュール３４２内の周囲空気温度を測定し得る。温度センサ４６８は、コンピュータ４５４、コンピュータ３３９、および／または検査室コンピュータ１２６（図１）に伝送される温度データを生成し得る。温度データは、ＡＩアルゴリズム１３２へ入力される。過剰な温度または低温度は、品質チェックモジュール３４２または診断検査室システム１００（図１）内の他の構成要素における差し迫った障害を予測するために、ＡＩアルゴリズム１３２によって使用される。例えば、障害を起こす寸前の構成要素は、高温または低温で動作し得る。加えて、品質チェックモジュール３４２が高温で動作されるとき、その中の構成要素は、早期の障害を起こすことがあり得る。温度はまた、ＡＩアルゴリズム１３２を訓練するために使用される。

【0049】

いくつかの実施形態において、品質チェックモジュール３４２はまた、品質チェックモジュール３４２内の周囲空気湿度を測定するように構成される湿度センサ４６９を含み得る。湿度センサ４６９は、コンピュータ４５４、コンピュータ３３９、および／または検査室コンピュータ１２６（図１）に伝送される湿度データを生成し得る。湿度データは、ＡＩアルゴリズム１３２へ入力される。過剰な湿度または低湿度は、品質チェックモジュール３４２または診断検査室システム１００（図１）内の他の構成要素における差し迫った障害を予測するために、ＡＩアルゴリズム１３２によって使用される。例えば、品質チェックモジュール３４２が高湿度で動作されるとき、その中の構成要素は、早期の障害を起こすことがあり得る。湿度データはまた、ＡＩアルゴリズム１３２を訓練するために使用される。

【0050】

いくつかの実施形態において、品質チェックモジュール３４２は、撮像場所にあるとき検体容器１０２を照明するように構成される１つまたはそれ以上の照明源４７０を含み得る。図４の実施形態において、品質チェックモジュール３４２は、第１の照明源４７０Ａ、第２の照明源４７０Ｂ、および第３の照明源４７０Ｃと個々に称される３つの照明源４７０を含み得る。照明源４７０は、例えば、コンピュータ４５４によって生成される命令によってオフおよびオンにされる。理想の状況では、照明源４７０は、既定のスペクトルを有する光の既定の強度を出力する。照明源が障害に直面するとき、光強度および／またはスペクトルは、変化し得る。

【0051】

図４に例証される実施形態において、品質チェックモジュール３４２は、３つの撮像デバイス４５２を含む。他のモジュール、および撮像モジュールの他の実施形態は、より少ないまたはより多い撮像デバイスを含み得る。撮像デバイス４５２は、センサ３４２Ａのうちの１つまたはそれ以上を構成し得、撮像デバイス４５２によって生成される画像データは、ＡＩアルゴリズム１３２のためのセンサデータとしての役割を果たし得る。撮像デバイス４５２は、撮像場所において検体容器１０２および他の物体の画像を取り込む。撮像デバイス、またはそれと関連付けられたプロセッサは、この画像を、本明細書に説明されるようにＡＩアルゴリズム１３２によって分析される画像データに変換する。

【0052】

ＡＩアルゴリズム１３２は、品質チェックモジュール３４２および／または診断検査室システム１００（図１）内の構成要素における障害を予測するために、撮像デバイス４５２によって生成される画像データを分析し得る。画像データはまた、検体２１０（図２Ａ－２Ｂ）の分析を実施するために他のアルゴリズムによって使用される。例えば、画像データは、検体２１０内の分析物濃度を決定するために使用される。他の実施形態において、画像データは、検体２１０が分析のための状態にあるかどうかを決定するために使用される。例えば、画像データの分析は、溶血、黄疸、および／または脂肪血症のうちの少なくとも１つが検体内に存在するかどうかを決定し得る。分析はまた、検体が、今後の分析に悪影響を及ぼし得る凝血塊、気泡、または発泡体を有するかどうかを決定し得る。画像データおよび／または分析の結果は、障害を予測するため、および／またはＡＩアルゴリズム１３２を訓練するために、ＡＩアルゴリズム１３２に入力される。

【0053】

いくつかの実施形態において、画像データは、高さＨＳＰ（図２）、高さＨＧＳ、および／または高さＨＲを識別するために使用される。高さは、血清もしくは血漿２１０Ａ（図２Ｂ）および／または凝血塊２１０Ｂ（図２Ｂ）の体積を計算するために使用される。体積情報は、１つまたはそれ以上のモジュールの起こり得る今後の障害を決定するためにＡＩアルゴリズム１３２によって分析される。例えば、血清または血漿２１０Ａの低い高さＨＳＰは、遠心分離モジュールが検体を完全に遠心分離していないこと、または遠心分離デバイスが機能しなくなり始めていることを示す。高さＨＳＰ、高さＨＧＳ、および／または高さＨＲは、プローブまたは同様のものが血清または血漿２１０Ａを吸引するために検体容器１０２内へ延び得る距離を計算するために個々に、またはまとめて使用される。高さＨＳＰ、高さＨＧＳ、および／または高さＨＲはまた、ＡＩアルゴリズム１３２を訓練するためのデータとして使用される。

【0054】

再び図３を参照すると、機器３１８は、他のモジュールを含み得る。図３に例証される実施形態において、機器３１８は、１つまたはそれ以上のセンサ３４４Ａを含み得る吸引および投薬モジュール３４４を含み得る。吸引および投薬モジュール３４４の実施形態のブロック図を例証する図５をさらに参照する。吸引および／または投薬モジュールの他の実施形態が、診断検査室システム１００（図１）および／または機器３１８において使用される。

【0055】

吸引および投薬モジュール３４４は、機器３１８が、例えば、化学分析を実施することを可能にするために、検体（例えば、検体２１０）、試薬、および同様のものを吸引および投薬し得る。吸引および投薬モジュール３４４は、吸引および投薬モジュール３４４内でピペットアセンブリ５５２を動かすように構成されるロボット５５０を含み得る。図５の実施形態において、ピペットアセンブリ５５２のプローブ５５２Ａは、試薬パケット５５６から試薬５５４を吸引するところが示される。検体容器１０２は、図５では、キャップ除去モジュール（図示せず）などによって取り外されるキャップ２０８（図２）を伴って示される。ピペットアセンブリ５５２はまた、検体容器１０２から血清または血漿２１０Ａを吸引するように構成される。

【0056】

試薬５５４、他の試薬、および血清または血漿２１０Ａの一部分は、キュベット５５８などの反応ベッセル内へ投薬される。キュベット５５８は、断面が矩形であるものとして示される。しかしながら、キュベット５５８は、実施されることになる分析に応じて他の形状を有し得る。いくつかの実施形態において、キュベット５５８は、数マイクロリットルの液体を保持するように構成される。キュベット５５８は、本明細書に説明されるような光分析のための光を透過させる材料で作られる。いくつかの実施形態において、材料は、例えば、１８０ｎｍ～２０００ｎｍのスペクトル（例えば、波長）を有する光を透過させ得る。血清または血漿２１０Ａの一部分のみが、キュベット５５８内へ投薬され、血清または血漿２１０Ａの他の部分は、他のキュベット（図示せず）内へ投薬されるということに留意されたい。加えて、他の試薬が、キュベット５５８内へ投薬される。

【0057】

吸引および投薬モジュール３４４のいくつかの構成要素は、コンピュータ５６０に電気的に連結される。図５の実施形態において、コンピュータ５６０は、プロセッサ５６０Ａおよびメモリ５６０Ｂを含み得る。プログラム５６０Ｃは、メモリ５６０Ｂに記憶され、プロセッサ５６０Ａ上で実行される。コンピュータ５６０はまた、メモリ５６０Ｂに記憶されるプログラム５６０Ｃなどのプログラムによって制御される位置制御器５６０Ｅおよび吸引／投薬制御器５６０Ｄを含み得る。いくつかの実施形態において、コンピュータ５６０およびその中の構成要素は、機器コンピュータ３３９（図３）および／または検査室コンピュータ１２６（図１）内に実装される。位置制御器５６０Ｅおよび／または吸引／投薬制御器５６０Ｄは、いくつかの実施形態において、別個のデバイス内に実装される。

【0058】

プログラム５６０Ｃは、位置制御器５６０Ｅおよび／または吸引／投薬制御器５６０Ｄなど、吸引および投薬モジュール３４４内の構成要素を制御および／または監視するアルゴリズムを含み得る。本明細書に説明されるように、構成要素のうちの１つまたはそれ以上は、プログラム５６０Ｃのうちの１つによって監視される１つまたはそれ以上のセンサを含み得る。まとめて図５に説明されるセンサは、センサ３４４Ａ（図３）である。いくつかの実施形態において、プログラム５６０Ｃのうちの少なくとも１つは、ＡＩアルゴリズム１３２（図３）などの人工知能アルゴリズムを含み得る。いくつかの実施形態において、センサによって生成されるデータは、吸引および投薬モジュール３４４ならびに／または診断検査室システム１００（図１）内の他の構成要素における障害を予測し得るＡＩアルゴリズムに伝送される。

【0059】

ロボット５５０は、吸引および投薬モジュール３４４内でピペットアセンブリ５５２を動かすように構成される１つまたはそれ以上のアームおよびモータを含み得る。図５の実施形態において、ロボット５５０は、第１のモータ５６４とピペットアセンブリ５５２との間に連結されるアーム５６２を含み得る。第１のモータ５６４は、コンピュータ５６０に電気的に連結され、位置制御器５６０Ｅから命令を受信し得る。命令は、第１のモータ５６４の方向および速度に関して第１のモータ５６４に指示し得る。第１のモータ５６４は、アーム５６２を動かして、プローブ５５２Ａが本明細書に説明されるように検体および／または試薬を吸引および／または投薬することを可能にするように構成される。

【0060】

第１のモータ５６４は、第１のモータ５６４によって引かれる電流を測定するように構成される電流センサ５６６を含み得るか、またはこれと関連付けられる。電流センサ５６６によって生成されるデータ（例えば、測定した電流）は、コンピュータ５６０に転送される。例えば、測定した電流は、ＡＩアルゴリズム１３２（図３）へ入力されるデータである。ＡＩアルゴリズム１３２は、吸引および投薬モジュール３４４ならびに／または診断検査室システム１００（図１）における１つまたはそれ以上の障害を予測するために、測定した電流を入力として使用し得る。測定した電流はまた、ＡＩアルゴリズム１３２を訓練するために使用される。

【0061】

第２のモータ５６８は、アーム５６２とピペットアセンブリ５５２との間に連結され、本明細書に説明されるように吸引および／または投薬するためにプローブ５５２Ａを垂直方向（例えば、Ｚ方向）に動かすように構成される。第２のモータ５６８は、プログラム５６０Ｃによって生成される命令に応答してプローブ５５２Ａを動かし得る。例えば、第２のモータ５６８は、プローブ５５２Ａが、検体容器１０２、キュベット５５８、および／または試薬パケット５５６内へ降下すること、およびそこから後退することを可能にし得る。次いで、液体が、本明細書に説明されるように吸引および／または投薬される。

【0062】

第２のモータ５６８は、第２のモータ５６８によって引かれる電流を測定するように構成される電流センサ５７０を含み得るか、またはこれと関連付けられる。電流センサ５７０によって生成されるデータ（例えば、測定した電流）は、コンピュータ５６０に転送される。測定した電流は、ＡＩアルゴリズム１３２（図３）へ入力されるデータである。ＡＩアルゴリズム１３２は、吸引および投薬モジュール３４４ならびに／または診断検査室システム１００（図１）における１つまたはそれ以上の障害を予測するために、測定した電流を入力として使用し得る。測定した電流はまた、ＡＩアルゴリズム１３２を訓練するために使用される。

【0063】

吸引および投薬モジュール３４４はまた、振動センサ５７２および位置センサ５７４を含み得る。図５の実施形態において、振動センサ５７２および位置センサ５７４は、ロボット５５０に機械的に連結される。いくつかの実施形態において、振動センサ５７２および／または位置センサ５７４は、吸引および投薬モジュール３４４内の他の構成要素に連結される。吸引および投薬モジュール３４４は、他の振動センサおよび位置センサを含み得る。

【0064】

振動センサ５７２は、ロボット５５０内の振動を測定し、振動データを測定するように構成される。振動データは、コンピュータ５６０に伝送され、最終的には、ＡＩアルゴリズム１３２（図１）に入力されるデータであり、吸引および投薬モジュール３４４ならびに／または診断検査室システム１００（図１）における障害を予測するために使用される。例えば、過剰な振動は、ロボット５５０および／または他の構成要素における差し迫った障害を示す。いくつかの実施形態において、振動データは、ＡＩアルゴリズム１３２を訓練するために使用される。

【0065】

位置センサ５７４は、ロボット５５０の１つまたはそれ以上の構成要素、または、ピペットアセンブリ５５２などの、吸引および投薬モジュール３４４内の他の構成要素の位置を検知するように構成される。図５の実施形態において、位置センサ５７４は、アーム５６２、ピペットアセンブリ５５２、および／またはプローブ５５２Ａの位置を測定し得、位置データを生成し得る。位置データは、コンピュータ５６０に伝送され、最終的には、ＡＩアルゴリズム１３２（図１）に入力されるデータであり、吸引および投薬モジュール３４４ならびに／または診断検査室システム１００（図１）における障害を予測するために使用される。例えば、一貫性のない位置データは、ロボット５５０および／または他の構成要素内で故障している構成要素が動いていることを示す。いくつかの実施形態において、位置データは、ＡＩアルゴリズム１３２を訓練するために使用される。

【0066】

吸引および投薬モジュール３４４はまた、導管５８０に機械的に連結され、吸引／投薬制御器５６０Ｄに電気的に連結されるポンプ５７８を含み得る。ポンプ５７８は、液体を吸引するために導管５８０内に真空または負圧（例えば、吸引圧）を生成し得る。ポンプ５７８は、液体を投薬するために導管５８０内に正圧（例えば、投薬圧）を生成し得る。

【0067】

圧力センサ５８２は、導管５８０内の圧力を測定し、圧力データを生成し得る。いくつかの実施形態において、圧力センサ５８２は、吸引圧を測定し、圧力データを生成するように構成される。いくつかの実施形態において、圧力センサ５８２は、投薬圧を測定し、圧力データを生成するように構成される。圧力データは、時間の関数としての、および以下に図６に関連して説明されるような、圧力トレースの形態にある。圧力データは、コンピュータ５６０に伝送され、ポンプ５７８を制御するために吸引／投薬制御器５６０Ｄによって使用される。圧力データはまた、ピペットアセンブリ５５２および／または診断検査室システム１００における１つまたはそれ以上の差し迫った障害を予測するために、ＡＩアルゴリズム１３２（図１）へ入力される。圧力データはまた、ＡＩアルゴリズム１３２を訓練するために使用される。

【0068】

１つまたはそれ以上の実施形態による、機能している吸引／投薬システムおよび障害のある吸引／投薬システムを示す、検体を吸引するピペットアセンブリの圧力トレースを例証する図６をさらに参照する。吸引／投薬システムは、ポンプ５７８、導管５８０、および／またはピペットアセンブリ５５２を含む。圧力トレース６０２は、吸引中に高真空を示す機能している吸引／投薬システムのトレースを例証する。圧力トレース６０４は、障害のある吸引／投薬システムのトレースを例証する。圧力トレース６０４は、低真空を示し、これは、導管５８０内の漏れ、弱いポンプ、ピペットアセンブリ５５２が検体に充分に入っていないこと、および／または他の障害を示すものであり、これらは、ＡＩアルゴリズム１３２（図１）によって予測される。投薬動作の間、障害のある吸引／投薬システムは、低い圧力を有することになる。圧力トレースは、吸引および投薬モジュール３４４ならびに／または診断検査室システム１００における障害を予測するためにＡＩアルゴリズム１３２（図１）へ入力されるデータである。圧力トレースはまた、ＡＩアルゴリズム１３２を訓練するために使用される。

【0069】

再び図５を参照すると、吸引および投薬モジュール３４４はまた、温度センサ５８４および／または湿度センサ５８６を含み得る。温度センサ５８４は、吸引および投薬モジュール３４４内の、周囲温度などの温度を測定し得、温度データを生成し得る。湿度センサ５８６は、吸引および投薬モジュール３４４内の、周囲湿度などの湿度を測定し得、湿度データを生成し得る。温度データおよび湿度データは、コンピュータ５６０に転送され得、最終的には、温度および／または湿度データに少なくとも部分的に基づいて１つまたはそれ以上の障害を予測し得るＡＩアルゴリズム１３２に入力されるデータである。温度データおよび／または湿度データは、ＡＩアルゴリズム１３２を訓練するために使用される。周囲温度および／または湿度は、１つまたはそれ以上の障害を早め得る。例えば、吸引および投薬モジュール３４４が、異常な湿度および／または温度で動作されるとき、吸引および投薬モジュール３４４内の特定の構成要素は、早期障害を起こすことがあり得、これはＡＩアルゴリズム１３２によって予測される。

【0070】

分析器モジュール３４６（図３）の実施形態を描写するブロック図を例証する図７をさらに参照する。図７に示される分析器モジュール３４６は、診断検査室システム１００において用いられる分析器モジュールの多くの異なる実施形態のうちの１つの例である。図７に描写される分析器モジュール３４６は、キュベット５５８内の液体５５８Ａに対して分析（例えば、光分析）を実施する。分析器モジュール３４６は、プロセッサ７６０Ａと、プロセッサ７６０Ａによって実行可能なプログラム７６０Ｃを記憶し得るメモリ７６０Ｂとを有する、コンピュータ７６０を含み得る。分析器モジュール３４６の構成要素は、プログラム７６０Ｃによって制御され、その構成要素によって生成されるデータは、プログラム７６０Ｃによって分析および／または処理される。

【0071】

分析器モジュール３４６は、液体５５８Ａの１つもしくはそれ以上の画像を取り込み、液体５５８Ａ、および／または液体５５８Ａによって反射される、もしくはこれを通過する光を表す画像データを生成するように構成される撮像デバイス７６２を含み得る。例えば、撮像デバイス７６２は、キュベット５５８が分析器モジュール３４６内の撮像場所に位置するとき、撮像デバイス７６２が液体５５８Ａの少なくとも一部分を取り込むことを可能にする視野７６２Ａを有し得る。画像データは、プログラム７６０Ｃによって処理される。画像データはまた、分析器モジュール３４６および／または診断検査室システム１００（図１）における障害を予測するためにＡＩアルゴリズム１３２（図１）に入力されるデータである。

【0072】

分析器モジュール３４６は、前面照明源７６４および背面照明源７６６を含み得る。前面照明源７６４は、撮像デバイス７６２に対してキュベット５５８の前面を照明するために前面照明パターン７６４Ａで光を放出するように構成される。前面照明源７６４は、コンピュータ７６０に電気的に連結され、プロセッサ７６０Ａによって実行されるプログラム７６０Ｃによって生成される命令によって動作される。いくつかの実施形態において、前面照明源７６４によって放出される光の強度およびスペクトルは、プログラム７６０Ｃによって制御される。液体５５８Ａから反射される光は、撮像デバイス７６２によって取り込まれる。取込画像を表す画像データは、液体５５８Ａ中の１つまたはそれ以上の分析物の存在および／または濃度を決定するために、コンピュータ７６０または別のコンピュータによって分析される。他の分析も実施される。

【0073】

背面照明源７６６は、背面照明光パターン７６６Ａによって、撮像デバイス７６２に対してキュベット５５８の背面を照明するように構成される。いくつかの実施形態において、背面照明光パターン７６６Ａは、実質的に平面である。例えば、背面照明源７６６は、光パネルである。背面照明光パターン７６６Ａは、背面照明源７６６によって放出される光が液体５５８Ａを通過するように提供する。背面照明源７６６は、コンピュータ７６０に電気的に連結され、プロセッサ７６０Ａによって実行される１つまたはそれ以上のプログラム７６０Ｃによって生成される命令によって動作される。いくつかの実施形態において、背面照明源７６６によって放出される光の強度およびスペクトルは、１つまたはそれ以上のプログラム７６０Ｃによって制御される。液体を通過する光は、液体５５８Ａの画像を取り込むために撮像デバイス７６２によって使用される。取込画像を表す画像データは、液体５５８Ａ中の１つまたはそれ以上の分析物の存在および／または濃度を決定するために、コンピュータ７６０または別のコンピュータによって分析される。他の分析も実施される。

【0074】

いくつかの実施形態において、撮像デバイス７６２、撮像デバイス４５２（図４）、および／または他の撮像デバイスは、光強度を測定するように構成される。いくつかの実施形態において、撮像デバイス７６２、撮像デバイス４５２、および／または他の撮像デバイスは、光周波数（例えば、スペクトル）を測定するように構成される。光周波数および／または光強度は、ＡＩアルゴリズム１３２へのデータ入力である。

【0075】

撮像デバイス７６２によって生成される画像データは、ＡＩアルゴリズム１３２へ入力され、そこで、この画像データは、分析器モジュール３４６または診断検査室システム１００（図１）内の別の構成要素における障害を予測するために使用される。液体５５８Ａの分析はまた、分析器モジュール３４６または診断検査室システム１００内の別の構成要素における障害を予測するために、ＡＩアルゴリズム１３２によって使用される。例えば、分析が、分析物濃度上昇を一貫して示す場合、ＡＩアルゴリズム１３２は、上昇が構成要素障害に起因するものであり、連続して上昇している検体内の濃度に起因するものではないことを決定する。構成要素障害は、例えば、障害のある前面照明源７６４、障害のある背面照明源７６６、障害のある撮像デバイス７６２、障害のある遠心分離、および診断検査室システム１００（図１）内の他の構成要素またはプロセスである。

【0076】

図１および図３を参照すると、ＡＩアルゴリズム１３２は、単純なルックアップテーブルではなく、むしろ、教師あり学習または教師なし学習によって訓練されるモデルを含み得る。教師あり学習は、例となる入力－出力ペアに基づいて入力を出力にマッピングする関数を学習する機械学習タスクを含む。教師あり学習は、訓練例のセットからなるラベル付き訓練データから関数を推測する。ラベル付き訓練データは、ＡＩアルゴリズム１３２を訓練するために入力として使用される既知のセンサデータ（例えば、センサ出力）などの関数を含む。教師あり学習において、各例は、センサからのデータ（典型的には、ベクトル）などの入力オブジェクト、および所望の出力値（監視信号とも呼ばれる）からなるペアである。出力値は、既定の期間内に障害が発生する確率、または特定の時間に障害が発生する確率である。障害は、診断検査室システム１００内の特定の構成要素、機器１１８、および／またはモジュール１２０に対するものである。

【0077】

教師あり学習アルゴリズムとして実装されるＡＩアルゴリズムは、訓練データを分析し、障害の新規の例をマッピングするために使用される、推測関数を作り出す。ルックアップテーブルおよび同様のものは、少なくとも推測関数を作り出さない。ＡＩアルゴリズム１３２は、ルックアップテーブルおよび同様のものを使用して達成することができない不測の障害シナリオを決定し得る。したがって、ＡＩアルゴリズム１３２は、訓練データおよび／または診断検査室システム１００の動作中にセンサによって生成されるデータに基づいて不測の障害を予測するために、訓練データから一般論を導き出す。

【0078】

教師なし学習は、既存のラベルなし、および最小限の人間による監視ありのデータセット（例えば、センサデータ）内の以前に検出されなかったパターンを探すＡＩアルゴリズムを含み得る。人間によりラベルが付けられたデータを通常は利用する教師あり学習と対照的に、教師なし学習は、センサデータなどの入力に基づいた障害確率のモデリングを可能にする。

【0079】

教師なし学習において使用される２つの例となるプロセスは、主成分分析およびクラスタ分析である。クラスタ分析は、アルゴリズム関係を外挿するために共有属性を有するデータセット（例えば、センサデータ）をグループ化、またはセグメント化するために、教師なし学習において使用される。クラスタ分析は、ラベル付け、分類、またはカテゴリー化されていないデータ（例えば、センサデータ）をグループ化する。フィードバックに応答する代わりに、クラスタ分析は、データ内の共通性を識別し、各々の新規のセンサデータ内の共通性の存在または不在に基づいて障害を予測する。クラスタ分析は、ＡＩアルゴリズム１３２が、共通性に入らない障害を予測することを可能にする。

【0080】

ＡＩアルゴリズム１３２は、例えば、サポートベクトルマシン、線形回帰、ロジスティック回帰、ニューラルネットワーク、生成ネットワーク（例えば、深層生成ネットワーク）、および他のアルゴリズムとして実装される。ＡＩアルゴリズムのための訓練アルゴリズムおよび／またはＡＩアルゴリズム１３２は、例えば、ベクトルマシン、線形回帰、ロジスティック回帰、ナイーブベイズ、線形判別分析、決定木、ｋ最近傍アルゴリズム、ニューラルネットワーク（例えば、多層パーセプトロン）、リカレントニューラルネットワーク、および類似性学習を含み得る。

【0081】

ＡＩアルゴリズム１３２は、様々な障害シナリオと相関したユーザ入力によって訓練される。例えば、センサのうちの１つまたはそれ以上からのデータは、診断検査室システム１００および／または機器１１８もしくはモジュール１２０の状態を生成するためにＡＩアルゴリズム１３２内へ入力される。障害を起こした、または障害を起こしている構成要素は、ＡＩアルゴリズム１３２を訓練するためにＡＩアルゴリズム１３２内へ入力される。いくつかの実施形態において、センサ測定値は、診断検査室システム１００、機器１１８のうちの１つもしくはそれ以上、および／またはモジュール１２０のうちの１つもしくはそれ以上の状態を生成するためにＡＩアルゴリズム１３２内へ入力される。

【0082】

診断検査室システム１００、機器１１８、および／またはモジュール１２０における障害もまた、ＡＩアルゴリズム１３２内へ入力される。ＡＩアルゴリズム１３２へ入力される障害は、障害のある１つもしくはそれ以上の機器、障害のある１つもしくはそれ以上のモジュール、ならびに／または、診断検査室システム１００、機器１１８、および／もしくはモジュール１２０内の障害のある１つもしくはそれ以上の構成要素を含み得る。例えば、早期に故障している１つまたはそれ以上のモータまたは支承部は、特定の温度データと組み合わせた特定の音響センサデータに対応し得る。これらの対応する測定値は、微細であり、ＡＩアルゴリズム１３２によって識別される。他の実施形態において、圧力トレース６０４（図６Ａ）などの特定の圧力トレースは、ピペットアセンブリ５５２（図５）内の漏れを示す。他の例において、ＡＩアルゴリズム１３２は、圧力センサ５８２によって測定される引かれる高電流と組み合わせて圧力トレース６０４を分析し、ポンプ５７８が障害を起こしていること、または障害が差し迫っていることを決定し得る。

【0083】

診断検査室システム１００の動作中、センサデータは、定期的または連続的にＡＩアルゴリズム１３２に入力される。このデータは、ＡＩアルゴリズム１３２に入力され、値のアレイの形態にあり、値は、センサからのデータ値である。ＡＩアルゴリズム１３２は、そのデータを使用して、機器１１８、モジュール１２０、および／または診断検査室分析器１００内の他の構成要素における障害を予測し得る。ＡＩアルゴリズムはまた、そのデータを使用して、診断検査室分析器１００、機器１１８、および／またはモジュール１２０の状態を決定し得る。診断検査室分析器１００を保守する技術者は、構成要素の状態をＡＩアルゴリズム１３２内へ入力し得、これによりＡＩアルゴリズム１３２をさらに訓練し得る。例えば、技術者は、支承部、モータ、導管、および他の機械構成要素の状態を示し得る。技術者はまた、撮像デバイス４５２（図４）などの撮像デバイス、または照明源４７０（図４）などの照明源にほこりが存在するかどうかを示し得る。技術者はまた、撮像構成要素が整列していないかどうかを示し得る。技術者はまた、ロボット５５０（図５）などのロボット、およびピペットアセンブリ５５２などのピペットアセンブリの状態を示し得る。診断検査室システム１００の状態と併せて技術者によって入力されるこのようなデータは、診断検査室システム１００における障害を予測するためにＡＩアルゴリズム１３２をさらに訓練し得る。

【0084】

ＡＩアルゴリズム１３２は、異なる障害予測を行い得る。これらの予測は、通知および／またはアラートの形態などで、診断検査室システム１００のユーザに出力される。いくつかの実施形態において、ＡＩアルゴリズム１３２は、診断検査室システム１００が既定の時間期間内に障害を起こす見込み、例えば既定の確率またはリスクスコア、が存在することを予測し得る。確率が既定の値よりも大きいことに応答して、ＡＩアルゴリズム１３２は、ユーザに差し迫った障害を通知し得る。例えば、ＡＩアルゴリズム１３２は、診断検査室システム１００が７日以内に障害を起こす８５％の見込みが存在することを予測し得る。

【0085】

いくつかの実施形態において、ＡＩアルゴリズム１３２は、診断検査室システム１００内の１つまたはそれ以上の構成要素、機器１１８、および／またはモジュール１２０に対する障害の確率を予測し得る。障害の確率は、既定の時間期間内のものである。例えば、ＡＩアルゴリズム１３２は、第２の機器１１８Ｂが次の７日間で障害を起こす８５％の確率が存在することを決定し得る。いくつかの実施形態において、ＡＩアルゴリズム１３２は、機器１１８および／またはモジュール１２０の特定の構成要素内の障害の確率を予測し得る。

【0086】

いくつかの実施形態において、ＡＩアルゴリズム１３２は、特定の構成要素がいつ障害を起こすかに関する確率を予測し得る。例えば、ＡＩアルゴリズム１３２は、構成要素がいつ８５％よりも大きい障害を起こす見込みを有するかを予測し得る。故に、ＡＩアルゴリズム１３２は、特定の構成要素がいつ障害を起こす可能性が高いかを示すリストを生成し得る。

【0087】

診断検査室システム（例えば、診断検査室システム１００）における障害を予測する方法８００を描写するフローチャートを例証する図８を参照する。方法８００は、８０２において、１つまたはそれ以上のセンサ（例えば、センサ３３８Ａ、３４０Ａ、３４２Ａ、３４４Ａ、３３６Ａ）を提供することを含む。方法８００は、８０４において、１つまたはそれ以上のセンサを使用してデータを生成することを含む。方法８００は、８０６において、データを人工知能アルゴリズム（例えば、人工知能アルゴリズム１３２）内へ入力することを含み、人工知能アルゴリズムは、そのデータに応答して診断検査室システムにおける少なくとも１つの障害を予測するように構成される。本方法は、８０８において、人工知能アルゴリズムを使用して診断検査室システムにおける少なくとも１つの障害を予測することを含む。

【0088】

診断検査室システム（例えば、診断検査室システム１００）内のモジュール（例えば、モジュール１２０のうちの１つ、１つまたはそれ以上のモジュール３３６）の構成要素における障害を予測する方法９００を描写するフローチャートを例証する図９を参照する。方法９００は、９０２において、診断検査室システムのモジュール内に１つまたはそれ以上のセンサ（例えば、センサ３３８Ａ、３４０Ａ、３４２Ａ、３４４Ａ、３３６Ａ）を提供することを含む。方法９００は、９０４において、１つまたはそれ以上のセンサを使用してデータを生成することを含む。方法９００は、９０６において、データを人工知能アルゴリズム（例えば、人工知能アルゴリズム１３２）内へ入力することを含み、人工知能アルゴリズムは、そのデータに応答して構成要素の障害を予測するように構成される。方法９００は、９０８において、人工知能アルゴリズムを使用して構成要素における障害の確率を予測することを含む。

【0089】

本開示は、様々な修正形態および代替の形態の影響を受けやすいが、特定の方法および装置の実施形態が、図面において例を用いて示されており、また本明細書に詳細に説明される。しかしながら、本明細書に開示される特定の方法および装置は、本開示を制限することではなく、それと対照的に、クレームの範囲内に入るすべての修正形態、等価物、および代替形態を網羅することが意図されることを理解されたい。

【図1】

【図2A】

【図2B】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【国際調査報告】