ホーム > 特許ランキング > アステラス製薬株式会社
(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】2024-05-10
(54)【発明の名称】更年期障害及び治療オプションを予測する機械学習方法
(51)【国際特許分類】
G16H 50/00 20180101AFI20240501BHJP
G16H 10/00 20180101ALI20240501BHJP
G06Q 99/00 20060101ALI20240501BHJP
【ＦＩ】
G16H50/00
G16H10/00
G06Q99/00
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2023571946
(86)(22)【出願日】2022-05-20
(85)【翻訳文提出日】2023-11-20
(86)【国際出願番号】 IB2022054754
(87)【国際公開番号】W WO2022243975
(87)【国際公開日】2022-11-24
(31)【優先権主張番号】63/191,751
(32)【優先日】2021-05-21
(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】000006677
【氏名又は名称】アステラス製薬株式会社
(74)【代理人】
【識別番号】100099759
【弁理士】
【氏名又は名称】青木 篤
(74)【代理人】
【識別番号】100123582
【弁理士】
【氏名又は名称】三橋 真二
(74)【代理人】
【識別番号】100117019
【弁理士】
【氏名又は名称】渡辺 陽一
(74)【代理人】
【識別番号】100141977
【弁理士】
【氏名又は名称】中島 勝
(74)【代理人】
【識別番号】100138210
【弁理士】
【氏名又は名称】池田 達則
(74)【代理人】
【識別番号】100166165
【弁理士】
【氏名又は名称】津田 英直
(72)【発明者】
【氏名】チン リー
(72)【発明者】
【氏名】チャド ダウ
(72)【発明者】
【氏名】アレクサンダー チェッティアス
(72)【発明者】
【氏名】リトゥ サクセナ
【テーマコード（参考）】
5L050
5L099
【Ｆターム（参考）】
5L050DD01
5L099AA00
(57)【要約】
機械学習モデルを訓練して、患者パラメータに基づいて患者の閉経転帰軌道及び効果的な更年期介入治療を予測するための技術が提供される。例示的な方法は、複数の過去の患者に関連付けられた過去のＥＭＲデータを取得することと、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた閉経転帰軌道とを決定することと、各過去の患者に関連付けられた患者パラメータと閉経転帰軌道とを含む訓練データセットを生成することと、訓練データセットを使用し閉経転帰機械学習モデルを訓練して、患者の患者パラメータに基づいて閉経転帰軌道及び／又は所与の患者に対する更年期介入若しくは治療の有効性を予測することと、を含む。
【選択図】図１
【選択図】図１
【特許請求の範囲】
【請求項1】
コンピュータ実装方法であって、１つ以上のプロセッサによって、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、
前記１つ以上のプロセッサによって、前記複数の過去の患者に関連付けられた前記過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することと、
前記１つ以上のプロセッサによって、各過去の患者に関連付けられた患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、
前記１つ以上のプロセッサによって、前記訓練データセットを使用し閉経転帰機械学習モデルを訓練して、患者の予測される閉経転帰軌道を前記患者に関連付けられた患者パラメータに基づいて生成することと、を含み、前記予測される閉経転帰軌道が、前記患者の閉経周辺期の発現年齢、前記患者の閉経の発現年齢、前記患者の閉経後期の発現年齢、前記患者が経験する特定の更年期障害、前記患者が経験する各更年期障害の発現年齢、又は前記患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上の予測を含むか又は前記１つ以上の予測からなる、コンピュータ実装方法。
【請求項2】
前記１つ以上のプロセッサによって、訓練された前記閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用することと、前記１つ以上のプロセッサによって、前記訓練された閉経転帰機械学習モデルを前記新しい患者に関連付けられた前記１つ以上の患者パラメータに適用することに基づいて、前記新しい患者に関連付けられた予測される閉経転帰軌道を生成することと、を更に含む、請求項１に記載のコンピュータ実装方法。
【請求項3】
前記複数の過去の患者に関連付けられた前記過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することが、自然言語処理（ＮＬＰ）技術を使用して前記過去のＥＭＲデータを分析することを含む、請求項１に記載のコンピュータ実装方法。
【請求項4】
前記患者パラメータが、患者医学的状態パラメータ、患者人口統計学的パラメータ、又は患者ライフスタイルパラメータのうちの１つ以上を含む、請求項１に記載のコンピュータ実装方法。
【請求項5】
前記患者医学的状態パラメータが、前記患者が経験したホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、閉経周辺期若しくは閉経状態、関節炎、塞ぎ込み、不安、乳がん、骨粗しょう症、浮遊感、めまい、炎症、心血管疾患、糖尿病、又は中枢神経系疾患のうちの１つ以上を含む、前記患者に関連付けられた以前若しくは現在の医学的状態又は症状を含む、請求項４に記載のコンピュータ実装方法。
【請求項6】
前記患者人口統計学的パラメータが、前記患者に関連付けられた年齢、場所、又は人種若しくは民族性のうちの１つ以上を含む、請求項４に記載のコンピュータ実装方法。
【請求項7】
前記患者ライフスタイルパラメータが、前記患者に関連付けられた体格指数、アルコール摂取の量若しくは頻度、喫煙使用の期間若しくは頻度、食事、子供の数、交際状況、又はストレスレベルのうちの１つ以上を含む、請求項４に記載のコンピュータ実装方法。
【請求項8】
前記過去の閉経転帰軌道と予測される閉経軌道との前記更年期障害が各々、前記患者が経験するホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、塞ぎ込み、不安、浮遊感、めまい、炎症、又は中枢神経系疾患のうちの１つ以上を含む、請求項１に記載のコンピュータ実装方法。
【請求項9】
前記複数の過去の患者に関連付けられた前記過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の更年期障害治療を決定することを更に含み、前記訓練データセットが、各過去の患者に関連付けられた更年期障害治療を含み、前記閉経転帰機械学習モデルを訓練して、患者の前記予測される閉経転帰軌道を前記患者に関連付けられた患者パラメータに基づいて生成することが、前記閉経転帰機械学習モデルを訓練して、前記予測される閉経転帰軌道の１つ以上の症状を緩和又は予防するための予測される更年期障害治療を生成することを含む、請求項１に記載のコンピュータ実装方法。
【請求項10】
前記更年期障害治療が、生物製剤、ステロイド、非ステロイド性抗炎症薬（ＮＳＡＩＤ）、ガバペンチン若しくはプレガブリン、リューペレリン、ホルモン療法、化学療法、メトホルミン、ナトリウム－グルコース共輸送体－２（ＳＧＬＴ２）、ペルオキシソーム増殖因子活性化受容体（ＰＰＡＲ）、スルホニル尿素、ジペプチジル－ペプチダーゼ４（ＤＰＰ４）、インスリン、オルリスタット、合成甲状腺、スタチン、グルカゴン様ペプチド－１（ＧＬＰ－１）、アンジオテンシンＩＩ受容体拮抗薬（ＡＲＢ）、カルシウムチャネル拮抗薬（ＣＣＢ）、アンジオテンシン変換酵素（ＡＣＥ）、利尿剤、アンビエン、選択的セロトニン再取り込み阻害剤（ＳＳＲＩ）、ノルエピネフリン及びドパミン再取り込み阻害剤（ＮＤＲＩ）、モノアミンオキシダーゼ阻害剤（ＭＡＯＩ）、経口避妊薬、ホルモン補充療法、局所若しくは膣ホルモンクリーム、自然若しくは薬草療法、認知療法、運動、瞑想、膣潤滑剤、食事改変、心理療法、ビタミンＤ、又はクロニジンのうちの１つ以上を含む、請求項９に記載のコンピュータ実装方法。
【請求項11】
コンピュータシステムであって、１つ以上のプロセッサと、
前記１つ以上のプロセッサに通信可能に結合されておりかつ実行可能な命令を記憶する非一時的プログラムメモリと、を備え、前記実行可能な命令が、前記１つ以上のプロセッサによって実行されたときに、前記プロセッサに、
複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得させ、
前記複数の過去の患者に関連付けられた前記過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させ、
各過去の患者に関連付けられた患者パラメータと閉経転帰軌道とを含む訓練データセットを生成させ、かつ
前記訓練データセットを使用し閉経転帰機械学習モデルを訓練させて、患者の予測される閉経転帰軌道を前記患者に関連付けられた患者パラメータに基づいて生成させ、前記予測される閉経転帰軌道が、前記患者の閉経周辺期の発現年齢、前記患者の閉経の発現年齢、前記患者の閉経後期の発現年齢、前記患者が経験する特定の更年期障害、前記患者が経験する各更年期障害の発現年齢、又は前記患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上の予測を含むか又は前記１つ以上の予測からなる、コンピュータシステム。
【請求項12】
前記実行可能な命令が、前記１つ以上のプロセッサによって実行されたときに、前記プロセッサに更に、前記訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用させ、かつ
前記訓練された閉経転帰機械学習モデルを前記新しい患者に関連付けられた前記１つ以上の患者パラメータに適用することに基づいて、前記新しい患者に関連付けられた予測される閉経転帰軌道を生成させる、請求項１１に記載のコンピュータシステム。
【請求項13】
前記実行可能な命令が、前記１つ以上のプロセッサによって実行されたときに、前記プロセッサに、前記複数の過去の患者に関連付けられた前記過去のＥＭＲデータを分析させて、自然言語処理（ＮＬＰ）技術を使用して各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させる、請求項１１に記載のコンピュータシステム。
【請求項14】
前記患者パラメータが、患者医学的状態パラメータ、患者人口統計学的パラメータ、又は患者ライフスタイルパラメータのうちの１つ以上を含む、請求項１１に記載のコンピュータシステム。
【請求項15】
前記患者医学的状態パラメータが、前記患者が経験したホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、閉経周辺期若しくは閉経状態、関節炎、塞ぎ込み、不安、乳がん、骨粗しょう症、浮遊感、めまい、炎症、心血管疾患、糖尿病、又は中枢神経系疾患のうちの１つ以上を含む、前記患者に関連付けられた以前又は現在の医学的状態又は症状を含む、請求項１４に記載のコンピュータシステム。
【請求項16】
前記患者人口統計学的パラメータが、前記患者に関連付けられた年齢、場所、又は人種若しくは民族性のうちの１つ以上を含む、請求項１４に記載のコンピュータシステム。
【請求項17】
前記患者ライフスタイルパラメータが、前記患者に関連付けられた体格指数、アルコール摂取の量若しくは頻度、喫煙使用の期間若しくは頻度、食事、子供の数、交際状況、又はストレスレベルのうちの１つ以上を含む、請求項１４に記載のコンピュータシステム。
【請求項18】
前記過去の閉経転帰軌道及び前記予測される閉経転帰軌道の前記更年期障害が各々、前記患者が経験するホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、塞ぎ込み、不安、浮遊感、めまい、炎症、又は中枢神経系疾患のうちの１つ以上を含む、請求項１１に記載のコンピュータシステム。
【請求項19】
前記実行可能な命令が、前記１つ以上のプロセッサによって実行されたときに、前記プロセッサに更に、前記複数の過去の患者に関連付けられた前記過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の更年期障害治療を決定させ、前記訓練データセットが、各過去の患者に関連付けられた更年期障害治療を含み、前記閉経転帰機械学習モデルを訓練して、患者の前記予測される閉経転帰軌道を前記患者に関連付けられた患者パラメータに基づいて生成することが、前記閉経転帰機械学習モデルを訓練して、前記予測される閉経転帰軌道の１つ以上の更年期障害を緩和又は予防するための更年期障害治療を予測することを含む、請求項１１に記載のコンピュータシステム。
【請求項20】
前記更年期障害治療が、生物製剤、ステロイド、非ステロイド性抗炎症薬（ＮＳＡＩＤ）、ガバペンチン若しくはプレガブリン、リューペレリン、ホルモン療法、化学療法、メトホルミン、ナトリウム－グルコース共輸送体－２（ＳＧＬＴ２）、ペルオキシソーム増殖因子活性化受容体（ＰＰＡＲ）、スルホニル尿素、ジペプチジル－ペプチダーゼ４（ＤＰＰ４）、インスリン、オルリスタット、合成甲状腺、スタチン、グルカゴン様ペプチド－１（ＧＬＰ－１）、アンジオテンシンＩＩ受容体拮抗薬（ＡＲＢ）、カルシウムチャネル拮抗薬（ＣＣＢ）、アンジオテンシン変換酵素（ＡＣＥ）、利尿剤、アンビエン、選択的セロトニン再取り込み阻害剤（ＳＳＲＩ）、ノルエピネフリン及びドパミン再取り込み阻害剤（ＮＤＲＩ）、モノアミンオキシダーゼ阻害剤（ＭＡＯＩ）、経口避妊薬、ホルモン補充療法、局所若しくは膣ホルモンクリーム、自然若しくは薬草療法、認知療法、運動、瞑想、膣のうちの１つ以上を含む、請求項１９に記載のコンピュータシステム
【請求項21】
コンピュータ可読命令を記憶する非一時的コンピュータ可読記憶媒体であって、前記コンピュータ可読命令が、１つ以上のプロセッサによって実行されたときに、前記１つ以上のプロセッサに、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得させ、
前記複数の過去の患者に関連付けられた前記過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させ、
各過去の患者に関連付けられた患者パラメータと閉経転帰軌道とを含む訓練データセットを生成させ、かつ
前記訓練データセットを使用し閉経転帰機械学習モデルを訓練させて、患者の予測される閉経転帰軌道を前記患者に関連付けられた患者パラメータに基づいて生成させ、前記予測される閉経転帰軌道が、前記患者の閉経周辺期の発現年齢、前記患者の閉経の発現年齢、前記患者の閉経後期の発現年齢、前記患者が経験する特定の更年期障害、前記患者が経験する各更年期障害の発現年齢、又は前記患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上を含むか又は前記１つ以上からなる、非一時的コンピュータ可読記憶媒体。
【請求項22】
前記コンピュータ可読命令が、前記１つ以上のプロセッサによって実行されたときに、前記プロセッサに更に、前記訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用させ、かつ
前記訓練された閉経転帰機械学習モデルを前記新しい患者に関連付けられた前記１つ以上の患者パラメータに適用することに基づいて、前記新しい患者に関連付けられた予測される閉経転帰軌道を生成させる、請求項２１に記載の非一時的コンピュータ可読記憶媒体。
【請求項23】
前記コンピュータ可読命令が、前記１つ以上のプロセッサによって実行されたときに、前記プロセッサに、前記複数の過去の患者に関連付けられた前記過去のＥＭＲデータを分析させて、自然言語処理（ＮＬＰ）技術を使用して各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させる、請求項２１に記載の非一時的コンピュータ可読記憶媒体。
【請求項24】
前記患者パラメータが、患者医学的状態パラメータ、患者人口統計学的パラメータ、又は患者ライフスタイルパラメータのうちの１つ以上を含む、請求項２１に記載の非一時的コンピュータ可読記憶媒体。
【請求項25】
前記患者医学的状態パラメータが、前記患者が経験したホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、閉経周辺期若しくは閉経状態、関節炎、塞ぎ込み、不安、乳がん、骨粗しょう症、浮遊感、めまい、炎症、心血管疾患、糖尿病、又は中枢神経系疾患のうちの１つ以上を含む、前記患者に関連付けられた以前又は現在の医学的状態又は症状を含む、請求項２４に記載の非一時的コンピュータ可読記憶媒体。
【請求項26】
前記患者人口統計学的パラメータが、前記患者に関連付けられた年齢、場所、又は人種若しくは民族性のうちの１つ以上を含む、請求項２４に記載の非一時的コンピュータ可読記憶媒体。
【請求項27】
前記患者ライフスタイルパラメータが、前記患者に関連付けられた体格指数、アルコール摂取の量若しくは頻度、喫煙使用の期間若しくは頻度、食事、子供の数、交際状況、又はストレスレベルのうちの１つ以上を含む、請求項２４に記載の非一時的コンピュータ可読記憶媒体。
【請求項28】
前記過去の閉経転帰軌道及び前記予測される閉経転帰軌道の前記更年期障害が各々、前記患者が経験するホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、塞ぎ込み、不安、浮遊感、めまい、炎症、又は中枢神経系疾患のうちの１つ以上を含む、請求項２４に記載の非一時的コンピュータ可読記憶媒体。
【請求項29】
前記コンピュータ可読命令が、前記１つ以上のプロセッサによって実行されたときに、前記プロセッサに更に、前記複数の過去の患者に関連付けられた前記過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の更年期障害治療を決定させ、前記訓練データセットが、各過去の患者に関連付けられた更年期障害治療を含み、前記閉経転帰機械学習モデルを訓練して、患者の前記予測される閉経転帰軌道を患者パラメータに基づいて生成することが、前記予測される閉経転帰機械学習モデルを訓練して、前記予測される閉経転帰軌道の１つ以上の更年期障害を予防又は緩和するために更年期障害治療を予測することを含む、請求項２１に記載の非一時的コンピュータ可読記憶媒体。
【請求項30】
前記更年期障害治療が、生物製剤、ステロイド、非ステロイド性抗炎症薬（ＮＳＡＩＤ）、ガバペンチン若しくはプレガブリン、リューペレリン、ホルモン療法、化学療法、メトホルミン、ナトリウム－グルコース共輸送体－２（ＳＧＬＴ２）、ペルオキシソーム増殖因子活性化受容体（ＰＰＡＲ）、スルホニル尿素、ジペプチジル－ペプチダーゼ４（ＤＰＰ４）、インスリン、オルリスタット、合成甲状腺、スタチン、グルカゴン様ペプチド－１（ＧＬＰ－１）、アンジオテンシンＩＩ受容体拮抗薬（ＡＲＢ）、カルシウムチャネル拮抗薬（ＣＣＢ）、アンジオテンシン変換酵素（ＡＣＥ）、利尿剤、アンビエン、選択的セロトニン再取り込み阻害剤（ＳＳＲＩ）、ノルエピネフリン及びドパミン再取り込み阻害剤（ＮＤＲＩ）、モノアミンオキシダーゼ阻害剤（ＭＡＯＩ）、経口避妊薬、ホルモン補充療法、局所若しくは膣ホルモンクリーム、自然若しくは薬草療法、認知療法、運動、瞑想、膣潤滑剤、食事改変、心理療法、ビタミンＤ、又はクロニジンのうちの１つ以上を含む、請求項２９に記載の非一時的コンピュータ可読記憶媒体。
【請求項31】
コンピュータ実装方法であって、１つ以上のプロセッサによって、患者に関連付けられた患者パラメータを取得することと、
前記１つ以上のプロセッサによって、訓練された閉経転帰機械学習モデルを使用して前記患者に関連付けられた前記患者パラメータを分析することと、
前記訓練された閉経転帰機械学習モデルを使用して、前記患者の予測される閉経転帰軌道を前記患者に関連付けられた前記患者パラメータに基づいて生成することと、を含み、前記閉経転帰軌道が、前記患者の閉経周辺期の発現年齢、前記患者の閉経の発現年齢、前記患者の閉経後期の発現年齢、前記患者が経験する特定の更年期障害、前記患者が経験する各更年期障害の発現年齢、又は前記患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上からなるか又は前記１つ以上を含み、
前記閉経転帰機械学習モデルが、
複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、
前記複数の過去の患者に関連付けられた前記過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の過去の患者パラメータ及び各過去の患者に関連付けられた過去の閉経転帰軌道を決定することと、
各過去の患者に関連付けられた過去の患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、
前記訓練データセットを使用し前記閉経転帰機械学習モデルを訓練して、新しい患者パラメータに基づいて新しい患者の予測される閉経転帰軌道を生成することと、によって訓練される、コンピュータ実装方法。
【請求項32】
コンピュータシステムであって、１つ以上のプロセッサと、
前記１つ以上のプロセッサに通信可能に結合されておりかつ実行可能な命令を記憶する非一時的プログラムメモリと、を備え、前記実行可能な命令が、前記１つ以上のプロセッサによって実行されたときに、前記プロセッサに、
患者に関連付けられた患者パラメータを取得させ、
訓練された閉経転帰機械学習モデルを使用して前記患者に関連付けられた前記患者パラメータを分析させ、かつ
前記訓練された閉経転帰機械学習モデルを使用して、前記患者の予測される閉経転帰軌道を前記患者に関連付けられた前記患者パラメータに基づいて生成させ、前記閉経転帰軌道が、前記患者の閉経周辺期の発現年齢、前記患者の閉経の発現年齢、前記患者の閉経後期の発現年齢、前記患者が経験する特定の更年期障害、前記患者が経験する各更年期障害の発現年齢、又は前記患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上からなるか又は前記１つ以上を含み、
前記閉経転帰機械学習モデルが、
複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、
前記複数の過去の患者に関連付けられた前記過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の過去の患者パラメータ及び各過去の患者に関連付けられた過去の閉経転帰軌道を決定することと、
各過去の患者に関連付けられた過去の患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、
前記訓練データセットを使用し前記閉経転帰機械学習モデルを訓練して、新しい患者パラメータに基づいて新しい患者の予測される閉経転帰軌道を生成することと、によって訓練される、コンピュータシステム。
【請求項33】
コンピュータ可読命令を記憶する非一時的コンピュータ可読記憶媒体であって、前記コンピュータ可読命令が、１つ以上のプロセッサによって実行されたときに、前記１つ以上のプロセッサに、患者に関連付けられた患者パラメータを取得させ、
訓練された閉経転帰機械学習モデルを使用して前記患者に関連付けられた前記患者パラメータを分析させ、かつ
前記訓練された閉経転帰機械学習モデルを使用して、前記患者の予測される閉経転帰軌道を前記患者に関連付けられた前記患者パラメータに基づいて生成させ、前記閉経転帰軌道が、前記患者の閉経周辺期の発現年齢、前記患者の閉経の発現年齢、前記患者の閉経後期の発現年齢、前記患者が経験する特定の更年期障害、前記患者が経験する各更年期障害の発現年齢、又は前記患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上を含むか又は前記１つ以上からなり、
前記閉経転帰機械学習モデルが、
複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、
前記複数の過去の患者に関連付けられた前記過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の過去の患者パラメータ及び各過去の患者に関連付けられた過去の閉経転帰軌道を決定することと、
各過去の患者に関連付けられた過去の患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、
前記訓練データセットを使用し前記閉経転帰機械学習モデルを訓練して、新しい患者パラメータに基づいて新しい患者の予測される閉経転帰軌道を生成することと、によって訓練される、非一時的コンピュータ可読記憶媒体。
【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、「Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄｓ ｔｏ Ｐｒｅｄｉｃｔ Ｍｅｎｏｐａｕｓｅ Ｓｙｍｐｔｏｍｓ ａｎｄ Ｔｒｅａｔｍｅｎｔ Ｏｐｔｉｏｎｓ」と題され２０２１年５月２１日に出願された米国仮出願第６３／１９１，７５１号の優先権を主張するものであり、その全開示は参照により本明細書に組み込まれる。
本出願は、「Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄｓ ｔｏ Ｐｒｅｄｉｃｔ Ｍｅｎｏｐａｕｓｅ Ｓｙｍｐｔｏｍｓ ａｎｄ Ｔｒｅａｔｍｅｎｔ Ｏｐｔｉｏｎｓ」と題され２０２１年５月２１日に出願された米国仮出願第６３／１９１，７５１号の優先権を主張するものであり、その全開示は参照により本明細書に組み込まれる。
【0002】
本開示の技術は、一般に、医療診断方法又はシステムに関し、より具体的には、閉経に関連する症状を正確に識別し、閉経の段階を評価し、かつ閉経の転帰軌道を提供することができる機械学習ベースの方法又はシステムに関する。
【背景技術】
【0003】
一般的に、閉経は、女性が１２ヶ月連続して月経が止まり、もはや自然に妊娠することができなくなったときに発生する。閉経の前には閉経周辺期があり、その間に女性の月経周期は完全に止まる前に不規則になることがある。閉経は通常４５～５５歳に始まるが、この年齢層の前後に発現する可能性がある。更年期障害には、月経不順、ホットフラッシュ、膣の乾燥、寝汗、気分変動、膨満感、乳房の痛み、体重増加、リビドーの変化、頭痛、関節痛、電気ショック感、舌の灼熱感、歯茎の問題、消化の問題、皮膚の乾燥及びかゆみ、不安、四肢のヒリヒリ感、睡眠困難、集中困難、浮遊感、疲労、髪の喪失、物忘れ、脆性爪、筋肉の緊張、腹圧性尿失禁、体臭の変化、過敏性、アレルギー、不整脈、塞ぎ込み、パニック障害、及び骨粗しょう症の３４個が含まれる。
【0004】
調査によると、４０～６５歳の女性の８０％が更年期障害及び閉経に関連する他の問題を経験しているが、４０～６５歳の女性の２５％のみがこれらの症状及び他の問題に対して適切なケアを受けている。更に、更なる調査によると、５０～５９歳の女性の８４％が、更年期障害が自身の生活に干渉していると答えており、１２％の女性が、これらの症状が自身の生活に「大幅に」干渉している、さもなければ衰弱させていると答えている。
【0005】
しかし、同じ調査では、５０～５９歳の女性の４２％が、閉経についてヘルスケアプロバイダと話し合ったことがないと答えている。実際、５０～５９歳の女性の５人に１人のみが更年期専門医への紹介を受けたことがあると答えた。更に、産婦人科レジデント研修の２０％しか閉経を教えておらず、産婦人科レジデント研修で閉経が教えられている限り、選択科目として教えられている。更に、調査によると、研修医の８０％が、患者の閉経について議論又は治療することを「ほとんど快適ではない」と感じていることが示されている。その結果、多くの女性は、閉経及び閉経期中に経験し得る症状について十分な情報が与えられていない。
【発明の概要】
【0006】
本開示は、患者パラメータに基づいて患者の閉経転帰軌道を予測するために機械学習モデルを訓練するためのシステム及び方法を提供する。一般的に、過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データが（例えば、自然言語処理技術を使用して）分析されて、閉経前、閉経期中、及び閉経後の患者の特性を識別し得る。ＥＭＲデータは、本明細書では一般に論じられるが、いくつかの例では、ＥＭＲデータは、他のソースからの過去の患者に関連付けられた追加の医療データ、例えば、過去の患者に関連付けられたヘルスケアプロバイダからの複写データ、過去の患者に関連付けられた画像データの結果、過去の患者に関連付けられた遺伝子若しくは他のバイオマーカデータ、過去の患者に関連付けられた研究論文若しくは記事からの統計データ、過去の患者に関連付けられた調査データ（例えば、患者が報告した転帰データを含む）、過去の患者に関連付けられた生体認証データ（例えば、フィットネストラッカー又は患者に関連付けられた他のモバイルデバイスからの身体活動データ、心拍数データ、歩数、睡眠データなど）、臨床検査データ（エストラジオール臨床検査、尿酸臨床検査、テストステロン臨床検査、Ｈｂａ１ｃ臨床検査、ホルモン値検査の異常の有無、ＦＳＨ臨床検査、又はエストロゲンレベル臨床検査のうちの１つ以上を含む、ヘルスケア専門家によって患者に処方された臨床検査の転帰など）、及び／又は過去の患者に関連付けられた他の患者提供のデータなどによって、補足されかつ／又は置き換えられ得る。
【0007】
いずれの場合も、過去の患者に関連付けられた医療データを分析して、各過去の患者に関連付けられた様々な人口統計学的、医療的、及びライフスタイルデータ、並びに各過去の患者の過去の閉経転帰軌道情報を示すデータを決定し得る。過去の患者についての過去の閉経転帰軌道情報は、例えば、各過去の患者の閉経周辺期、閉経、及び／又は閉経後期が始まった年齢の指標、各過去の患者がどの具体的な症状を経験したか、並びに各症状の年齢、重症度などを含み得る。加えて、いくつかの例では、過去の患者に関連付けられた医療データを分析して、過去の患者が経験した更年期障害を予防及び／又は緩和するために使用された様々な介入、並びにそれらの過去の患者に対するそれらの有効性を識別し得る。このデータ分析の結果を訓練データセットとして使用して、機械学習モデルを訓練し、それによって、患者に関連付けられた人口統計学的、医療的、及びライフスタイルデータに基づいて所与の患者の予測される閉経転帰軌道を生成し得る。いくつかの例では、このデータ分析を更に使用して、訓練データセットを作成して機械学習モデルを訓練し、それによって、患者に関連付けられた人口統計学的、医療的、及びライフスタイルデータに基づいて所与の患者の予測される閉経転帰軌道を予防及び／又は緩和するために成功し得る予測される介入を生成し得る。
【0008】
訓練された機械学習モデルは、ソフトウェアアプリケーションに実装され得、患者、ヘルスケアプロバイダ、又は他のユーザは、例えば、ソフトウェアアプリケーションのユーザインターフェイスを介して、入力として所与の患者に関連付けられた人口統計学的、医療的、及び／又はライフスタイルデータを提供し得、例えば、ソフトウェアアプリケーションのユーザインターフェイスを介して、出力として患者の予測される閉経転帰軌道を受信し得る。例えば、いくつかの例では、予測される閉経転帰軌道は、患者についての閉経周辺期、閉経、及び／又は閉経後期が始まると予測される年齢の指標、並びに患者が様々な年齢で経験すると予測される症状、及びそれらの症状の予測される重症度を含み得る。更に、いくつかの例では、予測される閉経転帰軌道は、患者が経験すると予測される様々な症状を理解するのに役立ち得る文献若しくは他のリソースの指標、並びに／又は患者が経験すると予測される様々な症状を予防及び／又は緩和するために成功すると予測される１つ以上の介入の指標を含み得る。例えば、これらの介入は、患者が経験すると予測される症状に基づく、薬物療法、推奨されるライフスタイルの変更、又は他の推奨を含み得る。
【0009】
有利には、本明細書に提供されるシステム及び方法を使用して、患者及びヘルスケアプロバイダは、患者が閉経周辺期、閉経、及び／又は閉経後期、並びにそれに関連する様々な症状を経験すると予想され得る予測される年齢を示す、パーソナライズされた予測される閉経転帰軌道を提供され得、場合によっては、予測される症状を緩和するためのプロセス及び可能な治療を説明するリソースとともに提供され得る。したがって、患者は、自身が閉経周辺期及び閉経に近づくにつれて自身は何を予想すべきかについてよりよく知らされ得、その結果、自身の閉経周辺期及び更年期障害の治療をより良く求めることができる可能性がある。
【0010】
一態様では、コンピュータ実装方法であって、１つ以上のプロセッサによって、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、１つ以上のプロセッサによって、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することと、１つ以上のプロセッサによって、各過去の患者に関連付けられた患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、１つ以上のプロセッサによって、訓練データセットを使用し閉経転帰機械学習モデルを訓練して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成することと、を含み、予測される閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上の予測を含むか又は１つ以上の予測からなる、コンピュータ実装方法が提供される。
【0011】
好ましくは、予測される閉経転帰軌道は、（ｉ）患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、及び患者の閉経後期の発現年齢のうちの１つ以上、（ｉｉ）ホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、塞ぎ込み、不安、浮遊感、めまい、炎症、及び／若しくは中枢神経系疾患などの、場合によっては、これらの症状のうちのいくつか又は各々／全てに関連付けられた重症度レベルを一緒に伴う、患者が経験すると予想される特定の更年期障害のうちの１つ以上、２つ以上、３つ以上、４つ以上、５つ以上の予測を含むか又は予測からなる。
【0012】
別の態様では、コンピュータシステムであって、１つ以上のプロセッサと、１つ以上のプロセッサに通信可能に結合されておりかつ実行可能な命令を記憶する非一時的プログラムメモリと、を備え、実行可能な命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得させ、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させ、各過去の患者に関連付けられた患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成させ、かつ訓練データセットを使用し閉経転帰機械学習モデルを訓練させて、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成させ、予測される閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上の予測を含むか又は１つ以上の予測からなる、コンピュータシステムが提供される。
【0013】
更に別の態様では、コンピュータ可読命令を記憶する非一時的コンピュータ可読記憶媒体が提供される。コンピュータ可読命令は、１つ以上のプロセッサによって実行されたときに、１つ以上のプロセッサに、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得させ、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させ、各過去の患者に関連付けられた患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成させ、かつ訓練データセットを使用し閉経転帰機械学習モデルを訓練させて、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成させ、予測される閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上の予測を含むか又は１つ以上の予測からなる。
【0014】
追加の態様では、コンピュータ実装方法であって、１つ以上のプロセッサによって、患者に関連付けられた患者パラメータを取得することと、１つ以上のプロセッサによって、訓練された閉経転帰機械学習モデルを使用して患者に関連付けられた患者パラメータを分析することと、訓練された閉経転帰機械学習モデルを使用して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成することと、を含み、閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上を含むか又は１つ以上からなり、閉経転帰機械学習モデルが、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の過去の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することと、各過去の患者に関連付けられた過去の患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、訓練データセットを使用し閉経転帰機械学習モデルを訓練して、新しい患者パラメータに基づいて新しい患者の予測される閉経転帰軌道を生成することと、によって訓練される、コンピュータ実装方法が提供される。
【0015】
別の態様では、コンピュータシステムであって、１つ以上のプロセッサと、１つ以上のプロセッサに通信可能に結合されておりかつ実行可能な命令を記憶する非一時的プログラムメモリと、を備え、実行可能な命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに、患者に関連付けられた患者パラメータを取得させ、訓練された閉経転帰機械学習モデルを使用して患者に関連付けられた患者パラメータを分析させ、かつ訓練された閉経転帰機械学習モデルを使用して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成させ、閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上を含むか又は１つ以上からなり、閉経転帰機械学習モデルが、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の過去の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することと、各過去の患者に関連付けられた過去の患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、訓練データセットを使用し閉経転帰機械学習モデルを訓練して、新しい患者パラメータに基づいて新しい患者の予測される閉経転帰軌道を生成することと、によって訓練される、コンピュータシステムが提供される。
【0016】
更に別の態様では、コンピュータ可読命令を記憶する非一時的コンピュータ可読記憶媒体であって、コンピュータ可読命令が、１つ以上のプロセッサによって実行されたときに、１つ以上のプロセッサに、患者に関連付けられた患者パラメータを取得させ、訓練された閉経転帰機械学習モデルを使用して患者に関連付けられた患者パラメータを分析させ、かつ訓練された閉経転帰機械学習モデルを使用して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成させ、閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上を含むか又は１つ以上からなり、閉経転帰機械学習モデルが、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の過去の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することと、各過去の患者に関連付けられた過去の患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、訓練データセットを使用し閉経転帰機械学習モデルを訓練して、新しい患者パラメータに基づいて新しい患者の予測される閉経転帰軌道を生成することと、によって訓練される、非一時的コンピュータ可読記憶媒体が提供される。
【図面の簡単な説明】
【0017】
【図1】いくつかの例による、機械学習モデルを訓練して患者パラメータに基づいて患者の閉経転帰軌道を予測するための例示的なシステムのブロック図を示す。
【図2】本明細書に記載のいくつかの例による、機械学習モデルを訓練して患者パラメータに基づいて患者の閉経転帰軌道を予測するために使用される、例示的な入力及び出力の概略図を示す。
【図3A】いくつかの例による、ユーザ更年期アプリケーションのための例示的なユーザインターフェイスディスプレイを示す。
【図3B】いくつかの例による、ユーザ更年期アプリケーションのための例示的なユーザインターフェイスディスプレイを示す。
【図3C】いくつかの例による、ユーザ更年期アプリケーションのための例示的なユーザインターフェイスディスプレイを示す。
【図3D】いくつかの例による、ユーザ更年期アプリケーションのための例示的なユーザインターフェイスディスプレイを示す。
【図4】いくつかの例による、機械学習モデルを訓練して患者パラメータに基づいて患者の閉経転帰軌道を予測するための例示的な方法のフロー図を示す。
【発明を実施するための形態】
【0018】
図１は、いくつかの例による、患者パラメータに基づいて患者の閉経転帰軌道を予測するために機械学習モデルを訓練するための例示的なシステム１００のブロック図を示す。図１に示すハイレベルアーキテクチャは、以下に説明されるように、ハードウェア及びソフトウェアアプリケーションの両方、並びに様々なハードウェア及びソフトウェアコンポーネント間でデータを通信するための様々なデータ通信チャネルを含み得る。
【0019】
システム１００は、サーバ１０２及び１つ以上のユーザコンピューティングデバイス１０４（例えば、スマートフォン、タブレット、パーソナルコンピュータ、スマートウォッチなどを含み得る）を含み得る。コンピューティングデバイス１０２及び１０４は、有線又は無線ネットワークであり得るネットワーク１０６を介して互いに通信し得る。一般的に、サーバ１０２は、１つ以上のプロセッサ１０８及び１つ以上のプロセッサ１０８によって（例えば、メモリコントローラを介して）アクセス可能なメモリ１１０（例えば、揮発性メモリ、不揮発性メモリ）を含み得る。１つ以上のプロセッサ１０８は、例えば、メモリ１１０に記憶されたコンピュータ可読命令を取得するためにメモリ１１０と情報交換し得る。メモリ１１０に記憶されたコンピュータ可読命令は、１つ以上のプロセッサ１０８に、例えば、電子医療記録（ＥＭＲ）データ分析アプリケーション１１２、閉経転帰機械学習モデル１１６を訓練する閉経転帰機械学習モデル訓練アプリケーション１１４、及び／又は閉経転帰予測アプリケーション１１８を含む１つ以上のアプリケーションを実行させ得る。
【0020】
例えば、ＥＭＲデータ分析アプリケーション１１２を実行することは、例えば、過去の患者に関連付けられたヘルスケアプロバイダからのデータによって投入されたＥＭＲ患者データベース１２０に記憶され得るような、過去の患者に関連付けられたＥＭＲデータを分析することを含み得る。例えば、この分析は、各過去の患者に関連付けられた様々な患者パラメータ及び／若しくは閉経転帰軌道に関連付けられた、ＥＭＲデータ内のコードを識別すること、又は自然言語処理（ＮＬＰ）技術を使用してＥＭＲデータ内のヘルスケアプロバイダによって書かれたノートを分析して、各過去の患者に関連付けられた患者パラメータ及び／若しくは閉経転帰軌道に関連付けられた、ヘルスケアプロバイダノートを識別することを含み得る。
【0021】
閉経転帰機械学習モデル訓練アプリケーション１１４を実行することは、いくつかの数の過去の患者に関連付けられた患者パラメータ及び閉経転帰軌道を含む訓練データセットを作成すること（例えば、ＥＭＲデータ分析アプリケーション１１２によるＥＭＲデータの分析によって取得されるか、又は患者調査データベース１２２に記憶され得るように患者調査を通じて取得されるか、又はさもなければ患者提供の患者データベース１２４に記憶され得るように患者によって提供される）と、以下の図２に関してより詳細に説明されるように、訓練データセットを使用して閉経転帰機械学習モデル１１６を訓練し、それによって患者パラメータに基づいて患者の閉経転帰軌道を予測することと、を含み得る。いくつかの例では、閉経転帰機械学習モデル訓練アプリケーション１１４を実行することは、過去の患者の更年期障害を治療するために使用された治療の指標及び過去の患者の症状を緩和する上での各治療の成功の指標を訓練データセットに追加すること（すなわち、過去の患者に関連付けられた患者パラメータ及び患者閉経転帰軌道に加えて）と、訓練データセットを使用して閉経転帰機械学習モデル１１６を訓練し（例えば、図２に関して示すのと同様の方法で）、それによって患者のそれぞれの閉経転帰軌道によって示される症状を緩和するための様々な治療の成功の可能性を更に予測することと、を更に含み得る。
【0022】
加えて、閉経転帰予測アプリケーション１１８を実行することは、訓練された閉経転帰機械学習モデル１１６を、その患者の閉経軌道を予測するために、かつ／又はその患者の閉経軌道によって示される症状を緩和するための様々な治療の成功の可能性を予測するために、新しい患者に関連付けられた患者パラメータに適用することを含み得る。更に、いくつかの例では、メモリ１１０に記憶されたコンピュータ可読命令は、図４に関して以下でより詳細に説明される方法４００のステップのうちのいずれかを実行するための命令を含み得る。
【0023】
ユーザコンピューティングデバイス１０４は各々、ユーザからの入力を受信してユーザに情報を提供するように構成され得るユーザインターフェイス１２６（例えば、上述の予測される閉経転帰軌道２１４など）と、１つ以上のプロセッサ１２８と、１つ以上のプロセッサ１２８によって（例えば、メモリコントローラを介して）アクセス可能なメモリ１３０（例えば、揮発性メモリ、不揮発性メモリ）と、を含み得る。１つ以上のプロセッサ１２８は、例えば、メモリ１３０に記憶されたコンピュータ可読命令を取得するためにメモリ１３０と情報交換し得る。メモリ１３０に記憶されたコンピュータ可読命令は、１つ以上のプロセッサ１２８に、ユーザ更年期アプリケーション１３２を含む１つ以上のアプリケーションを実行させ得る。
【0024】
例えば、ユーザ更年期アプリケーション１３２を実行することは、患者からの様々な患者パラメータの指標、患者パラメータをサーバ１０２に送信すること、患者の予測される閉経転帰軌道及び／又は患者の予測される閉経転帰軌道（すなわち、閉経転帰予測アプリケーション１１８によって生成された）によって示される症状を緩和するための様々な治療の予測される尤度をサーバ１０２から受信すること、並びにユーザインターフェイス１２６を介して患者の予測される閉経転帰軌道（及び／又は様々な治療の予測される尤度）を表示することを含み得る。
【0025】
すなわち、いくつかの例では、現在閉経又は閉経周辺期を経験していない患者は、ユーザインターフェイス１２６を介してユーザ更年期アプリケーション１３２への入力として患者パラメータを提供し得、ユーザインターフェイス１２６を介してパーソナライズされた予測される閉経転帰軌道を受信し得る。パーソナライズされた予測される閉経転帰軌道は、患者の閉経周辺期、閉経、及び／若しくは閉経後期の予測される発現年齢、患者が経験する可能性が高い特定の更年期障害、特定の更年期障害の各々の発現年齢、特定の更年期障害の各々の重症度レベル、並びに／又は経時的な過去の患者の閉経経験を特徴付ける他の因子のうちの１つ以上を含み得る。例えば、現在頭痛及び月経変化を経験している黒人で非喫煙者であり、４１歳の患者について、予測される閉経転帰軌道は、４５歳での閉経の予測される発現年齢、並びに継続的な（低重症度レベルの）月経変化、（中重症度レベルの）気分変化、及び（低重症度レベルの）代謝減速を含む予測される症状を含み得る。別の例として、現在ホットフラッシュ及び失禁を経験している白人で喫煙者であり、４８歳の患者について、予測される閉経転帰軌道は、４９歳での閉経の予測される発現年齢、並びに継続的な（中重症度レベルの）ホットフラッシュ、増加する（高重症度レベルの）失禁、（低重症度レベルの）ブレインフォグ、及び（低重症度レベルの）脱毛を含む予測される症状を含み得る。
【0026】
いくつかの例では、ユーザ更年期アプリケーション１３２を実行することは、症状に関連する情報リソース（例えば、ウェブサイト、書籍、ビデオ、オーディオリソースなど）、及び／又は更年期障害を治療すること若しくは患者に追加の閉経情報を提供することが可能であり得るヘルスケアプロバイダについての連絡先情報とともに、患者の予測される閉経転帰軌道によって示される各症状を緩和するための可能な治療の指標（すなわち、いくつかの場合における、各可能な治療の成功の予測される尤度を示す）を提供することを更に含み得る。更に、いくつかの例では、ユーザ更年期アプリケーション１３２を実行することは、患者からのデータ、すなわち、所与の患者が閉経周辺期、閉経、及び／又は閉経後期を経験した年齢、患者が様々な症状を経験した年齢、患者が経験した具体的な症状及びそれらの重症度、患者が様々な症状を治療しようと試みた任意の治療又は介入の指標、治療又は介入が成功したかどうかの指標などを含むデータを収集することと、収集されたデータをサーバ１０２に送信して、患者提供の患者データベース１２４に記憶される、すなわち、機械学習モデル１１６の訓練に使用されることと、を含み得る。
【0027】
機械学習モデル１１６は、訓練されると、患者の嗜好及びアクションを実行する意欲に関するフィードバックをアプリケーションから取得して、提案を改善し、転帰に優先順位を付け得る。更に、ユーザ更年期アプリケーション１３２を実行することは、心理学及び行動経済学を組み合わせた、症状を緩和するための可能な治療の指標を提供して健全な選択を奨励するために、患者の嗜好を示す患者入力を分析することを含み得る。場合によっては、ユーザ更年期アプリケーション１３２は、将来の提案を通知するために、ユーザの過去の嗜好を保持し得る。例えば、ユーザが（例えば、ユーザ入力を介して示されるように）ホルモン補充療法を受けることを望まない場合、ユーザ更年期アプリケーション１３２は、他の解決策に優先順位を付け得る。同様に、ユーザが気分よりも体重減少に優先順位を付ける場合（例えば、ユーザ入力を介して示されるように）、ユーザ更年期アプリケーション１３２は、その優先順位付けを反映する解決策を提供し得る。ユーザ更年期アプリケーション１３２は、優先順位付けを使用して、それらの優先順位だけでなく、ユーザの全体的な長期的な健康にも影響を与える動因を提供し得る。一般的に、ユーザ更年期アプリケーション１３２は、不十分な健康選択を提案することを防止し得、代わりに、様々な治療方法のリスク及び利益について話し合うために患者を医師の診察に送ることについての推奨を提供し得る。
【0028】
更に、いくつかの例では、メモリ１３０に記憶されたコンピュータ可読命令は、図４に関して以下でより詳細に説明される方法４００のステップのうちのいずれかを実行するための命令を含み得る。
【0029】
ここで図２を参照すると、上述したように、閉経転帰機械学習モデル訓練アプリケーション１１４は、スキーム２００に従って閉経転帰機械学習モデル１１６を訓練し得、閉経予測アプリケーション１１８は、スキーム２００に従って訓練された閉経転帰機械学習モデル１１６を操作し得る。閉経転帰機械学習モデル訓練アプリケーション１１４は、新しい患者の患者パラメータを含む様々な入力信号を受信することができる。例えば、患者パラメータは、新しい患者（すなわち、閉経軌道が予測される患者）についての患者医学的状態パラメータ２０１、患者人口統計学的パラメータ２０２、及び／又は患者ライフスタイルパラメータ２０３のうちの１つ以上、並びにＥＭＲデータ分析アプリケーション１１２によるＥＭＲデータの分析によって取得された、又は患者調査データベース１２２に記憶され得るように患者調査を通じて取得された、若しくはさもなければ患者提供の患者データベース１２４に記憶され得るように患者によって提供された訓練データ２０４を含み得る。例えば、訓練データ２０４は、複数の過去の患者についての訓練患者パラメータ２０６（すなわち、訓練患者医学的状態パラメータ、患者人口統計学的パラメータ、及び／又は患者ライフスタイルパラメータを含む）、及び過去の患者の各々に関連付けられた過去の閉経軌道２０７を含み得る。いくつかの例では、訓練データ２０４は、更年期障害を予防及び／又は緩和するために過去の患者によって用いられた過去の介入２０８又は治療の指標、並びに過去の介入２０８又は治療の有効性又は成功の指標を更に含み得る。
【0030】
患者パラメータ及び訓練患者パラメータ２０６は各々、患者医学的状態パラメータ（例えば、２０１）、患者人口統計学的パラメータ（例えば、２０２）、及び／又は患者ライフスタイルパラメータ（例えば、２０３）を含み得る。患者医学的状態パラメータ（例えば、２０１及び／又は２０６）は、患者が経験した、例えば、ホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、閉経周辺期若しくは閉経状態、関節炎、塞ぎ込み、不安、乳がん、骨粗しょう症、浮遊感、めまい、炎症、心血管疾患、糖尿病、中枢神経系疾患など、患者に関連付けられた任意の過去又は現在の医学的状態又は症状を含み得る。いくつかの例では、患者に関連付けられた追加的若しくは代替的な医学的状態又は症状は、医学的状態パラメータ２０１及び／又は２０６として含まれ得る。例えば、いくつかの例では、医学的状態パラメータ２０１及び／又は２０６は、月経不順、気分変動、膨満感、乳房の痛み、リビドーの変化、頭痛、関節痛、電気ショック感、舌の灼熱感、歯茎の問題、消化の問題、皮膚の乾燥及びかゆみ、四肢のヒリヒリ感、睡眠困難、集中困難、疲労、物忘れ、脆性爪、筋肉の緊張、腹圧性尿失禁、体臭の変化、過敏性、アレルギー、不整脈、パニック障害、並びに／又は骨粗しょう症を含み得る。
【0031】
患者人口統計学的パラメータ（例えば、２０２及び／又は２０６）は、例えば、患者に関連付けられた年齢（例えば、患者の現在の年齢、又は患者が以前の医学的状態若しくは症状のうちの１つを経験した年齢）、患者に関連付けられた場所（例えば、患者が住んでいる国、州、郡、若しくは都市、又は患者の医療プロバイダがいる場所）、及び／又は患者に関連付けられた人種若しくは民族性を含み得る。最後に、患者ライフスタイルパラメータ（例えば、２０３及び／又は２０６）は、患者の体格指数若しくはその変化、患者のアルコール摂取の量若しくは頻度、患者の喫煙使用の期間若しくは頻度、患者の食事若しくはそれに対する様々な変化、患者が有する子供の数、患者の交際状況、及び／又は患者のストレスレベルのいくつかの尺度を含み得る。
【0032】
各過去の患者の訓練閉経転帰軌道２０７は、過去の患者の閉経周辺期の発現年齢、過去の患者の閉経の発現年齢、過去の患者の閉経後期の発現年齢、過去の患者が経験した特定の更年期障害、過去の患者が経験した各更年期障害の発現年齢、及び／若しくは過去の患者が経験した各更年期障害に関連付けられた重症度レベル、並びに／又は経時的な過去の患者の閉経経験を特徴付ける他の因子を含み得る。
【0033】
各過去の患者に対する訓練更年期介入２０８は、過去の患者によって試みられた治療若しくはライフスタイルの変化の指標、並びに／又は様々な更年期障害の緩和及び／若しくは予防におけるそれらの有効性の指標を含み得る。
【0034】
一般的に、特徴抽出関数２１０は、これらの入力信号のうちの少なくともいくつかを操作して、特徴ベクトル、又は各過去の患者の閉経軌道についての様々な患者パラメータに関連付けられたパラメータの論理グループを生成することができる。例えば、特徴抽出関数２１０は、心血管疾患を経験した患者について、結果がより早い年齢での閉経の発現に対応することを示す特徴ベクトルを生成し得る。別の例として、特徴抽出関数２１０は、糖尿病を有し、糖尿病治療を受けた患者について、特徴抽出関数２１０がより遅い年齢での閉経の発現を示す特徴ベクトルを生成し得ることを示す特徴ベクトルを生成し得る。これらの結果は、特徴ベクトルのラベルのセットとして使用することができる。
【0035】
したがって、特徴抽出関数２１０は、各過去の患者についての訓練患者パラメータ２０６、各過去の患者についての訓練閉経転帰軌道２０７、及び訓練更年期介入２０８を使用して、特徴ベクトル２１２を生成することができる。一般に、閉経転帰機械学習モデル訓練アプリケーション１１４は、教師あり学習、教師なし学習、強化学習、又は任意の他の好適な技術を使用して、閉経転帰機械学習モデル１１６を訓練することができる。更に、閉経転帰機械学習モデル訓練アプリケーション１１４は、閉経転帰機械学習モデル１１６を標準回帰モデルとして訓練することができる。
【0036】
経時的に、閉経転帰機械学習モデル訓練アプリケーション１１４が閉経転帰機械学習モデル１１６を訓練することができるように、訓練された閉経転帰機械学習モデル１１６は、閉経転帰軌道２１４を予測することを学習し得、かつ／又は、患者に関連付けられた患者パラメータ２０１、２０２、及び／若しくは２０３に基づいて、所与の患者に対する１つ以上の更年期介入２１６の有効性を予測することを学習し得る。例えば、閉経転帰予測アプリケーション１１８は、入力として（例えば、ユーザコンピューティングデバイス１０４のユーザインターフェイスを介して）新しい患者の患者パラメータ２０１、２０２、及び／又は２０３を受信し得、訓練された閉経転帰機械学習モデル１１６を新しい患者の患者パラメータ２０１、２０２、及び／又は２０３に適用し得る。次いで、訓練された閉経転帰機械学習モデル１１６は、患者パラメータ２０１、２０２、及び／又は２０３を使用して、新しい患者についての予測される閉経転帰軌道２１４及び／又は１つ以上の更年期介入２１６の予測される有効性を生成し得、予測される閉経転帰軌道２１４及び／又は１つ以上の更年期介入２１６の予測される有効性の指標を閉経転帰予測アプリケーション１１８に送信し得、これは、予測される閉経転帰軌道２１４及び／若しくは１つ以上の更年期介入２１６の予測される有効性をユーザに表示し得るか、又は予測される閉経転帰軌道２１４、１つ以上の更年期介入２１６の予測される有効性を別のデバイス（ユーザコンピューティングデバイス１０４など）に送信して、ユーザに表示し得る。
【0037】
ユーザ更年期アプリケーション１３０が患者から新しい患者データを収集し、このデータを患者提供の患者データベース１２４に記憶するとき、このデータは、閉経転帰機械学習モデル１１６の後続の訓練、すなわち、閉経転帰機械学習モデル１１６の性能を改善するための微調整に使用され得る。例えば、患者から収集された新しい患者データを分析して、閉経転帰機械学習モデル１１６の予測の確度を判定してもよく、すなわち、所与の患者の閉経転帰軌道が、閉経転帰機械学習モデル１１６によって予測される年齢で閉経を経験しているか又は閉経転帰機械学習モデル１１６によって予測される症状を経験している患者を実際に含むかを判定してもよい。別の例として、患者から収集された新しい患者データを分析して、患者が経験した様々な更年期障害を予防又は緩和する１つ以上の更年期介入２１６の予測される有効性の確度を判定してもよい。予測される値の実際のバージョン（例えば、モデルによって予測される年齢と比較した、所与の患者が閉経を経験する実際の年齢、予測される介入若しくはそれらの介入の予測される有効性と比較した、患者が経験した症状を予防若しくは緩和するのに最も効果的である実際の介入など）の指標を伴うこの確度データは、次いで、機械学習モデル１１６を訓練するための更なる訓練データ２０４として使用され得る。
【0038】
いくつかの例では、患者の転帰（例えば、経路又は軌道）は、高次元の時系列クラスタリング及び軌道クラスタリングアンサンブルによって判定され得る。方法は、２つのホールドアウトを有する結合されたＥＭＲ及びクレームデータセット上で訓練される。１つ目のホールドアウトは、個々のセグメンテーションモデルを判断し調整するために使用される。２つ目は、モデル全体の重みを設定するためか、又は最適なセグメンテーションを選択するために使用される。セグメント化された経路はベイジアンネットワークにコード化され、治療の決定及び行動の変化が患者の生活の質をどのように改善し得るか、又は患者の現在の経路の進行をどのように遅らせ得るか、又は患者を新しいより健康的な経路にどのようにシフトさせ得るかを評価し得る。強化学習は、証拠の構築に応じてベイズ事前分布を更新するために、調査アプリケーションを介した新しいデータセット及び医師のフィードバックとともに使用されることとなる。
【0039】
図３Ａ～図３Ｅは、いくつかの例による、ユーザインターフェイス１２６を介して表示され得るような、ユーザ更年期アプリケーション１３２のためのいくつかの例示的なユーザインターフェイスディスプレイを示している。例えば、図３Ａは、寝汗に関する記事などの特定の症状のためのリソースを患者に提供するために、ユーザ更年期アプリケーション１３２によって使用され得る例示的なユーザインターフェイスディスプレイを示している。図３Ｂは、患者パラメータ（例えば、現在の症状を含む患者の医療パラメータ）を患者に要求し、現在の症状についての可能な治療のリストを提供するために、ユーザ更年期アプリケーション１３２によって使用され得る例示的なユーザインターフェイスディスプレイを示している。同様に、図３Ｃは、患者が経験した１つ以上の現在の症状の重症度の指標を受信するために、ユーザ更年期アプリケーション１３２によって使用され得る例示的なユーザインターフェイスディスプレイを示している。最後に、図３Ｄは、更年期障害を治療することができるか、又は追加の閉経情報を患者に提供することができるヘルスケアプロバイダについての連絡先情報を提供するために、ユーザ更年期アプリケーション１３２によって使用され得る例示的なユーザインターフェイスディスプレイを示している。
【0040】
図４は、いくつかの例による、患者パラメータに基づいて患者の閉経転帰軌道を予測するために機械学習モデルを訓練するための例示的な方法４００のフロー図を示している。方法４００の１つ以上のステップは、コンピュータ可読メモリ（例えば、メモリ１１０又は１３０）に記憶されており、かつ１つ以上のプロセッサ（例えば、プロセッサ１０８又は１２８）上で実行可能な命令のセットとして実装され得る。
【0041】
方法４００は、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データが取得されるときに開始し得る（ブロック４０２）。複数の過去の患者に関連付けられた過去のＥＭＲデータは、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定するために分析され得る（ブロック４０４）。例えば、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析することは、各過去の患者に関連付けられた患者パラメータ及び／又は過去の閉経転帰軌道に関連付けられたＥＭＲデータ内のコードを識別することを含み得る。更に、いくつかの例では、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析することは、自然言語処理（ＮＬＰ）技術を使用してＥＭＲデータ内のヘルスケアプロバイダによって書かれたノートを分析して、各過去の患者に関連付けられた患者パラメータ及び／又は閉経転帰軌道に関連付けられたヘルスケアプロバイダノートを識別することを含み得る。
【0042】
患者パラメータは、例えば、患者医学的状態パラメータ、患者人口統計学的パラメータ、及び／又は患者ライフスタイルパラメータを含み得る。患者医学的状態パラメータは、患者が経験した又はさもなければ患者に関連付けられた、以前の又は現在の医学的状態若しくは症状を含む。例えば、ホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、閉経周辺期若しくは閉経状態、関節炎、塞ぎ込み、不安、乳がん、骨粗しょう症、浮遊感、めまい、炎症、心血管疾患、糖尿病、神経系疾患など。いくつかの例では、患者に関連付けられた追加的若しくは代替的な医学的状態又は症状が、医学的状態パラメータとして含まれ得る。例えば、いくつかの例では、医学的状態パラメータは、月経不順、気分変動、膨満感、乳房の痛み、リビドーの変化、頭痛、関節痛、電気ショック感、舌の灼熱感、歯茎の問題、消化の問題、皮膚の乾燥及びかゆみ、四肢のヒリヒリ感、睡眠困難、集中困難、疲労、物忘れ、脆性爪、筋肉の緊張、腹圧性尿失禁、体臭の変化、過敏性、アレルギー、不整脈、パニック障害、並びに／又は骨粗しょう症を含み得る。
【0043】
患者人口統計学的パラメータは、例えば、患者に関連付けられた年齢（例えば、患者の現在の年齢、又は患者が以前の医学的状態若しくは症状のうちの１つを経験した年齢）、患者に関連付けられた場所（例えば、患者が住んでいる国、州、郡、若しくは都市、又は患者の医療プロバイダがいる場所）、及び／又は患者に関連付けられた人種若しくは民族性を含み得る。
【0044】
患者ライフスタイルパラメータは、患者の体格指数若しくはその変化、患者のアルコール摂取の量若しくは頻度、患者の喫煙使用の期間若しくは頻度、患者の食事若しくはそれに対する様々な変化、患者が有する子供の数、患者の交際状況、又は患者のストレスレベルのいくつかの尺度を含み得る。
【0045】
患者の閉経転帰軌道は、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験した特定の更年期障害、患者が経験した各更年期障害の発現年齢、及び／若しくは患者が経験した各更年期障害に関連付けられた重症度レベル、又は経時的な患者の閉経経験を特徴付ける他の因子を含み得る。
【0046】
訓練データセットは、ＥＭＲからの各過去の患者に関連付けられた患者パラメータと閉経転帰軌道とを使用して生成され得る（ブロック４０６）。いくつかの例では、訓練データセットは、過去の患者に関連付けられた患者パラメータ及び閉経転帰軌道の追加的又は代替的なソースを使用して生成され得る。例えば、これらのソースは、例えば、ユーザモバイルデバイスアプリケーションを介した、過去の患者からの調査データ又は過去の患者から受信したデータを含み得る。
【0047】
訓練データセットを使用し、閉経転帰機械学習モデルを訓練して（ブロック４０８）患者パラメータに基づいて患者に対する予測される閉経転帰軌道を生成し得る。すなわち、上述したように、予測される閉経転帰軌道は、患者の閉経周辺期の予測される発現年齢、患者の閉経の予測される発現年齢、患者の閉経後期の予測される発現年齢、患者が経験すると予測される特定の更年期障害、患者が経験すると予測される各更年期障害の発現年齢、及び／若しくは患者が経験すると予測される各更年期障害に関連付けられた重症度レベル、又は経時的な患者の閉経経験を特徴付ける他の因子を含み得る。例えば、患者が経験すると予測される更年期障害には、ホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、閉経周辺期若しくは閉経状態、関節炎、塞ぎ込み、不安、乳がん、骨粗しょう症、浮遊感、めまい、炎症、心血管疾患、糖尿病、神経系疾患などが含まれ得る。いくつかの例では、予測される閉経転帰軌道は、患者が経験すると予測される追加的又は代替的な症状を含み得る。。例えば、いくつかの例では、これらの症状は、月経不順、気分変動、膨満感、乳房の痛み、リビドーの変化、頭痛、関節痛、電気ショック感、舌の灼熱感、歯茎の問題、消化の問題、皮膚の乾燥及びかゆみ、四肢のヒリヒリ感、睡眠困難、集中困難、疲労、物忘れ、脆性爪、筋肉の緊張、腹圧性尿失禁、体臭の変化、過敏性、アレルギー、不整脈、パニック障害、及び／又は骨粗しょう症を含み得る。
【0048】
いくつかの例では、方法４００は、訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用すること（ブロック４１０）と、訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適応することに基づいて、新しい患者に関連付けられた閉経転帰軌道を予測すること（ブロック４１２）と、を更に含み得る。
【0049】
更に、いくつかの例では、方法４００は、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の更年期障害治療を判定することと、閉経転帰機械学習モデルを訓練する訓練ときにこの情報を訓練データセットの生成に含めることと、を含み得る。したがって、訓練データセットを使用して、閉経転帰機械学習モデルはまた、予測される閉経転帰軌道を緩和するために更年期障害治療を予測するように訓練され得る。すなわち、いくつかの例では、訓練された閉経転帰機械学習モデルはまた、新しい患者に関連付けられた１つ以上の患者パラメータに適用されて、患者の予測される閉経転帰軌道の１つ以上の症状を緩和又は予防し得る更年期障害治療を予測し得る。
【0050】
患者の予測される閉経転帰軌道を緩和又はさもなければ変化させ得るいくつかの更年期障害治療の例には、生物製剤、ステロイド、非ステロイド性抗炎症薬（ＮＳＡＩＤ）、ガバペンチン若しくはプレガブリン（ｐｒｅｇａｂｌｉｎ）、リューペレリン（ｌｅｕｐｅｒｅｌｉｎ）、ホルモン療法、化学療法、メトホルミン、ナトリウム－グルコース共輸送体－２（ＳＧＬＴ２）、ペルオキシソーム増殖因子活性化受容体（ＰＰＡＲ）、スルホニル尿素、ジペプチジル－ペプチダーゼ４（ＤＰＰ４）、インスリン、オルリスタット、合成甲状腺、スタチン、グルカゴン様ペプチド－１（ＧＬＰ－１）、アンジオテンシンＩＩ受容体拮抗薬（ＡＲＢ）、カルシウムチャネル拮抗薬（ＣＣＢ）、アンジオテンシン変換酵素（ＡＣＥ）、利尿剤、アンビエン、選択的セロトニン再取り込み阻害剤（ＳＳＲＩ）、ノルエピネフリン及びドパミン再取り込み阻害剤（ＮＤＲＩ）、モノアミンオキシダーゼ阻害剤（ＭＡＯＩ）、経口避妊薬、ホルモン補充療法、局所若しくは膣ホルモンクリーム、自然若しくは薬草療法、認知療法、運動、瞑想、膣潤滑剤食事改変、心理療法、ビタミンＤ、並びに／又はクロニジンが含まれる。
【0051】
態様
本開示に記載の技術の実施形態は、単独で又は組み合わせてのいずれかの任意の数の以下の態様を含み得る。
本開示に記載の技術の実施形態は、単独で又は組み合わせてのいずれかの任意の数の以下の態様を含み得る。
【0052】
１．コンピュータ実装方法であって、１つ以上のプロセッサによって、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、１つ以上のプロセッサによって、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することと、１つ以上のプロセッサによって、各過去の患者に関連付けられた患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、１つ以上のプロセッサによって、訓練データセットを使用し閉経転帰機械学習モデルを訓練して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成することと、を含み、予測される閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上の予測を含むか又は１つ以上の予測からなる、コンピュータ実装方法。
２．１つ以上のプロセッサによって、訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用することと、１つ以上のプロセッサによって、訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用することに基づいて、新しい患者に関連付けられた予測される閉経転帰軌道を生成することと、を更に含む、態様１に記載のコンピュータ実装方法。
３．複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することが、自然言語処理（ＮＬＰ）技術を使用して過去のＥＭＲデータを分析することを含む、態様１又は２に記載のコンピュータ実装方法。
４．患者パラメータが、患者医学的状態パラメータ、患者人口統計学的パラメータ、又は患者ライフスタイルパラメータのうちの１つ以上を含む、態様１～３のいずれか１つに記載のコンピュータ実装方法。
５．患者医学的状態パラメータが、患者が経験したホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、閉経周辺期若しくは閉経状態、関節炎、塞ぎ込み、不安、乳がん、骨粗しょう症、浮遊感、めまい、炎症、心血管疾患、糖尿病、又は中枢神経系疾患のうちの１つ以上を含む、患者に関連付けられた以前又は現在の医学的状態又は症状を含む、態様４に記載のコンピュータ実装方法。
６．患者人口統計学的パラメータが、患者に関連付けられた年齢、場所、又は人種若しくは民族性のうちの１つ以上を含む、態様４又は５に記載のコンピュータ実装方法。
７．患者ライフスタイルパラメータが、患者に関連付けられた体格指数、アルコール摂取の量若しくは頻度、喫煙使用の期間若しくは頻度、食事、子供の数、交際状況、又はストレスレベルのうちの１つ以上を含む、態様４～６のいずれか１つに記載のコンピュータ実装方法。
８．過去の閉経転帰軌道と予測される閉経軌道との更年期障害が各々、患者が経験するホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、塞ぎ込み、不安、浮遊感、めまい、炎症、又は中枢神経系疾患のうちの１つ以上を含む、態様１～７のいずれか１つに記載のコンピュータ実装方法。
９．複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の更年期障害治療を決定することを更に含み、訓練データセットが、各過去の患者に関連付けられた更年期障害治療を含み、閉経転帰機械学習モデルを訓練して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成することが、閉経転帰機械学習モデルを訓練して、予測される閉経転帰軌道の１つ以上の症状を緩和又は予防するための予測される更年期障害治療を生成することを含む、態様１～８のいずれか１つに記載のコンピュータ実装方法。
１０．更年期障害治療が、生物製剤、ステロイド、非ステロイド性抗炎症薬（ＮＳＡＩＤ）、ガバペンチン若しくはプレガブリン、リューペレリン、ホルモン療法、化学療法、メトホルミン、ナトリウム－グルコース共輸送体－２（ＳＧＬＴ２）、ペルオキシソーム増殖因子活性化受容体（ＰＰＡＲ）、スルホニル尿素、ジペプチジル－ペプチダーゼ４（ＤＰＰ４）、インスリン、オルリスタット、合成甲状腺、スタチン、グルカゴン様ペプチド－１（ＧＬＰ－１）、アンジオテンシンＩＩ受容体拮抗薬（ＡＲＢ）、カルシウムチャネル拮抗薬（ＣＣＢ）、アンジオテンシン変換酵素（ＡＣＥ）、利尿剤、アンビエン、選択的セロトニン再取り込み阻害剤（ＳＳＲＩ）、ノルエピネフリン及びドパミン再取り込み阻害剤（ＮＤＲＩ）、モノアミンオキシダーゼ阻害剤（ＭＡＯＩ）、経口避妊薬、ホルモン補充療法、局所若しくは膣ホルモンクリーム、自然若しくは薬草療法、認知療法、運動、瞑想、膣潤滑剤、食事改変、心理療法、ビタミンＤ、又はクロニジンのうちの１つ以上を含む、態様９に記載のコンピュータ実装方法。
１１．コンピュータシステムであって、１つ以上のプロセッサと、１つ以上のプロセッサに通信可能に結合されておりかつ実行可能な命令を記憶する非一時的プログラムメモリと、を備え、実行可能な命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得させ、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させ、各過去の患者に関連付けられた患者パラメータと閉経転帰軌道とを含む訓練データセットを生成させ、かつ訓練データセットを使用し閉経転帰機械学習モデルを訓練させて、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成させ、予測される閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上の予測を含むか又は１つ以上の予測からなる、コンピュータシステム。
１２．実行可能な命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに更に、訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用させ、かつ訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用することに基づいて、新しい患者に関連付けられた予測される閉経転帰軌道を生成させる、態様１１に記載のコンピュータシステム。
１３．実行可能な命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、自然言語処理（ＮＬＰ）技術を使用して各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させる、態様１１又は１２に記載のコンピュータシステム。
１４．患者パラメータが、患者医学的状態パラメータ、患者人口統計学的パラメータ、又は患者ライフスタイルパラメータのうちの１つ以上を含む、態様１１～１３のいずれか１つに記載のコンピュータシステム。
１５．患者医学的状態パラメータが、患者が経験したホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、閉経周辺期若しくは閉経状態、関節炎、塞ぎ込み、不安、乳がん、骨粗しょう症、浮遊感、めまい、炎症、心血管疾患、糖尿病、又は中枢神経系疾患のうちの１つ以上を含む、患者に関連付けられた以前又は現在の医学的状態又は症状を含む、態様１４に記載のコンピュータシステム。
１６．患者人口統計学的パラメータが、患者に関連付けられた年齢、場所、又は人種若しくは民族性のうちの１つ以上を含む、態様１４又は１５に記載のコンピュータシステム。
１７．患者ライフスタイルパラメータが、患者に関連付けられた体格指数、アルコール摂取の量若しくは頻度、喫煙使用の期間若しくは頻度、食事、子供の数、交際状況、又はストレスレベルのうちの１つ以上を含む、態様１４～１６のいずれか１つに記載のコンピュータシステム。
１８．過去の閉経転帰軌道及び予測される閉経転帰軌道の更年期障害が各々、患者が経験するホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、塞ぎ込み、不安、浮遊感、めまい、炎症、又は中枢神経系疾患のうちの１つ以上を含む、態様１１～１７のいずれか１つに記載のコンピュータシステム。
１９．実行可能な命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに更に、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の更年期障害治療を決定させ、訓練データセットが、各過去の患者に関連付けられた更年期障害治療を含み、閉経転帰機械学習モデルを訓練して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成することが、閉経転帰機械学習モデルを訓練して、予測される閉経転帰軌道の１つ以上の更年期障害を緩和又は予防するための更年期障害治療を予測することを含む、態様１１～１８のいずれか１つに記載のコンピュータシステム。
２０．更年期障害治療が、生物製剤、ステロイド、非ステロイド性抗炎症薬（ＮＳＡＩＤ）、ガバペンチン若しくはプレガブリン、リューペレリン、ホルモン療法、化学療法、メトホルミン、ナトリウム－グルコース共輸送体－２（ＳＧＬＴ２）、ペルオキシソーム増殖因子活性化受容体（ＰＰＡＲ）、スルホニル尿素、ジペプチジル－ペプチダーゼ４（ＤＰＰ４）、インスリン、オルリスタット、合成甲状腺、スタチン、グルカゴン様ペプチド－１（ＧＬＰ－１）、アンジオテンシンＩＩ受容体拮抗薬（ＡＲＢ）、カルシウムチャネル拮抗薬（ＣＣＢ）、アンジオテンシン変換酵素（ＡＣＥ）、利尿剤、アンビエン、選択的セロトニン再取り込み阻害剤（ＳＳＲＩ）、ノルエピネフリン及びドパミン再取り込み阻害剤（ＮＤＲＩ）、モノアミンオキシダーゼ阻害剤（ＭＡＯＩ）、経口避妊薬、ホルモン補充療法、局所若しくは膣ホルモンクリーム、自然若しくは薬草療法、認知療法、運動、瞑想、膣のうちの１つ以上を含む、態様１９に記載のコンピュータシステム
２１．コンピュータ可読命令を記憶する非一時的コンピュータ可読記憶媒体であって、コンピュータ可読命令が、１つ以上のプロセッサによって実行されたときに、１つ以上のプロセッサに、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得させ、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させ、各過去の患者に関連付けられた患者パラメータと閉経転帰軌道とを含む訓練データセットを生成させ、かつ訓練データセットを使用し閉経転帰機械学習モデルを訓練させて、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成させ、予測される閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上を含むか又は１つ以上からなる、非一時的コンピュータ可読記憶媒体。
２２．コンピュータ可読命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに更に、訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用させ、かつ訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用することに基づいて、新しい患者に関連付けられた予測される閉経転帰軌道を生成させる、態様２１に記載の非一時的コンピュータ可読記憶媒体。
２３．コンピュータ可読命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、自然言語処理（ＮＬＰ）技術を使用し各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させる、態様２１又は２２に記載の非一時的コンピュータ可読記憶媒体。
２４．患者パラメータが、患者医学的状態パラメータ、患者人口統計学的パラメータ、又は患者ライフスタイルパラメータのうちの１つ以上を含む、態様２１～２３のいずれか１つに記載の非一時的コンピュータ可読記憶媒体。
２５．患者医学的状態パラメータが、患者が経験したホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、閉経周辺期若しくは閉経状態、関節炎、塞ぎ込み、不安、乳がん、骨粗しょう症、浮遊感、めまい、炎症、心血管疾患、糖尿病、又は中枢神経系疾患のうちの１つ以上を含む、患者に関連付けられた以前又は現在の医学的状態又は症状を含む、態様２４に記載の非一時的コンピュータ可読記憶媒体。
２６．患者人口統計学的パラメータが、患者に関連付けられた年齢、場所、又は人種若しくは民族性のうちの１つ以上を含む、態様２４又は２５に記載の非一時的コンピュータ可読記憶媒体。
２７．患者ライフスタイルパラメータが、患者に関連付けられた体格指数、アルコール摂取の量若しくは頻度、喫煙使用の期間若しくは頻度、食事、子供の数、交際状況、又はストレスレベルのうちの１つ以上を含む、態様２４～２６のいずれか１つに記載の非一時的コンピュータ可読記憶媒体。
２８．過去の閉経転帰軌道及び予測される閉経転帰軌道の更年期障害が各々、患者が経験するホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、塞ぎ込み、不安、浮遊感、めまい、炎症、又は中枢神経系疾患のうちの１つ以上を含む、態様２４～２７のいずれか１つに記載の非一時的コンピュータ可読記憶媒体。
２９．コンピュータ可読命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに更に、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の更年期障害治療を決定させ、訓練データセットが、各過去の患者に関連付けられた更年期障害治療を含み、閉経転帰機械学習モデルを訓練して、患者の予測される閉経転帰軌道を患者パラメータに基づいて生成することが、予測される閉経転帰機械学習モデルを訓練して、予測される閉経転帰軌道の１つ以上の更年期障害を予防又は緩和するために更年期障害治療を予測することを含む、態様２１～２８のいずれか１つに記載の非一時的コンピュータ可読記憶媒体。
３０．更年期障害治療が、生物製剤、ステロイド、非ステロイド性抗炎症薬（ＮＳＡＩＤ）、ガバペンチン若しくはプレガブリン、リューペレリン、ホルモン療法、化学療法、メトホルミン、ナトリウム－グルコース共輸送体－２（ＳＧＬＴ２）、ペルオキシソーム増殖因子活性化受容体（ＰＰＡＲ）、スルホニル尿素、ジペプチジル－ペプチダーゼ４（ＤＰＰ４）、インスリン、オルリスタット、合成甲状腺、スタチン、グルカゴン様ペプチド－１（ＧＬＰ－１）、アンジオテンシンＩＩ受容体拮抗薬（ＡＲＢ）、カルシウムチャネル拮抗薬（ＣＣＢ）、アンジオテンシン変換酵素（ＡＣＥ）、利尿剤、アンビエン、選択的セロトニン再取り込み阻害剤（ＳＳＲＩ）、ノルエピネフリン及びドパミン再取り込み阻害剤（ＮＤＲＩ）、モノアミンオキシダーゼ阻害剤（ＭＡＯＩ）、経口避妊薬、ホルモン補充療法、局所若しくは膣ホルモンクリーム、自然若しくは薬草療法、認知療法、運動、瞑想、膣潤滑剤、食事改変、心理療法、ビタミンＤ、又はクロニジンのうちの１つ以上を含む、態様２９に記載の非一時的コンピュータ可読記憶媒体。
３１．コンピュータ実装方法であって、１つ以上のプロセッサによって、患者に関連付けられた患者パラメータを取得することと、１つ以上のプロセッサによって、訓練された閉経転帰機械学習モデルを使用して患者に関連付けられた患者パラメータを分析することと、訓練された閉経転帰機械学習モデルを使用して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成することと、を含み、閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上からなるか又は１つ以上を含み、閉経転帰機械学習モデルが、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の過去の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することと、各過去の患者に関連付けられた過去の患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、訓練データセットを使用し閉経転帰機械学習モデルを訓練して、新しい患者パラメータに基づいて新しい患者の予測される閉経転帰軌道を生成することと、によって訓練される、コンピュータ実装方法。
３２．コンピュータシステムであって、１つ以上のプロセッサと、１つ以上のプロセッサに通信可能に結合されておりかつ実行可能な命令を記憶する非一時的プログラムメモリと、を備え、実行可能な命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに、患者に関連付けられた患者パラメータを取得させ、訓練された閉経転帰機械学習モデルを使用して患者に関連付けられた患者パラメータを分析させ、かつ訓練された閉経転帰機械学習モデルを使用して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成させ、閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上を含むか又は１つ以上からなり、閉経転帰機械学習モデルが、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の過去の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することと、各過去の患者に関連付けられた過去の患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、訓練データセットを使用し閉経転帰機械学習モデルを訓練して、新しい患者パラメータに基づいて新しい患者の予測される閉経転帰軌道を生成することと、によって訓練される、コンピュータシステム。
３３．コンピュータ可読命令を記憶する非一時的コンピュータ可読記憶媒体であって、コンピュータ可読命令が、１つ以上のプロセッサによって実行されたときに、１つ以上のプロセッサに、患者に関連付けられた患者パラメータを取得させ、訓練された閉経転帰機械学習モデルを使用して患者に関連付けられた患者パラメータを分析させ、かつ訓練された閉経転帰機械学習モデルを使用して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成させ、閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上を含むか又は１つ以上からなり、閉経転帰機械学習モデルが、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の過去の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することと、各過去の患者に関連付けられた過去の患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、訓練データセットを使用し閉経転帰機械学習モデルを訓練して、新しい患者パラメータに基づいて新しい患者の予測される閉経転帰軌道を生成することと、によって訓練される、非一時的コンピュータ可読記憶媒体。
２．１つ以上のプロセッサによって、訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用することと、１つ以上のプロセッサによって、訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用することに基づいて、新しい患者に関連付けられた予測される閉経転帰軌道を生成することと、を更に含む、態様１に記載のコンピュータ実装方法。
３．複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することが、自然言語処理（ＮＬＰ）技術を使用して過去のＥＭＲデータを分析することを含む、態様１又は２に記載のコンピュータ実装方法。
４．患者パラメータが、患者医学的状態パラメータ、患者人口統計学的パラメータ、又は患者ライフスタイルパラメータのうちの１つ以上を含む、態様１～３のいずれか１つに記載のコンピュータ実装方法。
５．患者医学的状態パラメータが、患者が経験したホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、閉経周辺期若しくは閉経状態、関節炎、塞ぎ込み、不安、乳がん、骨粗しょう症、浮遊感、めまい、炎症、心血管疾患、糖尿病、又は中枢神経系疾患のうちの１つ以上を含む、患者に関連付けられた以前又は現在の医学的状態又は症状を含む、態様４に記載のコンピュータ実装方法。
６．患者人口統計学的パラメータが、患者に関連付けられた年齢、場所、又は人種若しくは民族性のうちの１つ以上を含む、態様４又は５に記載のコンピュータ実装方法。
７．患者ライフスタイルパラメータが、患者に関連付けられた体格指数、アルコール摂取の量若しくは頻度、喫煙使用の期間若しくは頻度、食事、子供の数、交際状況、又はストレスレベルのうちの１つ以上を含む、態様４～６のいずれか１つに記載のコンピュータ実装方法。
８．過去の閉経転帰軌道と予測される閉経軌道との更年期障害が各々、患者が経験するホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、塞ぎ込み、不安、浮遊感、めまい、炎症、又は中枢神経系疾患のうちの１つ以上を含む、態様１～７のいずれか１つに記載のコンピュータ実装方法。
９．複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の更年期障害治療を決定することを更に含み、訓練データセットが、各過去の患者に関連付けられた更年期障害治療を含み、閉経転帰機械学習モデルを訓練して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成することが、閉経転帰機械学習モデルを訓練して、予測される閉経転帰軌道の１つ以上の症状を緩和又は予防するための予測される更年期障害治療を生成することを含む、態様１～８のいずれか１つに記載のコンピュータ実装方法。
１０．更年期障害治療が、生物製剤、ステロイド、非ステロイド性抗炎症薬（ＮＳＡＩＤ）、ガバペンチン若しくはプレガブリン、リューペレリン、ホルモン療法、化学療法、メトホルミン、ナトリウム－グルコース共輸送体－２（ＳＧＬＴ２）、ペルオキシソーム増殖因子活性化受容体（ＰＰＡＲ）、スルホニル尿素、ジペプチジル－ペプチダーゼ４（ＤＰＰ４）、インスリン、オルリスタット、合成甲状腺、スタチン、グルカゴン様ペプチド－１（ＧＬＰ－１）、アンジオテンシンＩＩ受容体拮抗薬（ＡＲＢ）、カルシウムチャネル拮抗薬（ＣＣＢ）、アンジオテンシン変換酵素（ＡＣＥ）、利尿剤、アンビエン、選択的セロトニン再取り込み阻害剤（ＳＳＲＩ）、ノルエピネフリン及びドパミン再取り込み阻害剤（ＮＤＲＩ）、モノアミンオキシダーゼ阻害剤（ＭＡＯＩ）、経口避妊薬、ホルモン補充療法、局所若しくは膣ホルモンクリーム、自然若しくは薬草療法、認知療法、運動、瞑想、膣潤滑剤、食事改変、心理療法、ビタミンＤ、又はクロニジンのうちの１つ以上を含む、態様９に記載のコンピュータ実装方法。
１１．コンピュータシステムであって、１つ以上のプロセッサと、１つ以上のプロセッサに通信可能に結合されておりかつ実行可能な命令を記憶する非一時的プログラムメモリと、を備え、実行可能な命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得させ、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させ、各過去の患者に関連付けられた患者パラメータと閉経転帰軌道とを含む訓練データセットを生成させ、かつ訓練データセットを使用し閉経転帰機械学習モデルを訓練させて、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成させ、予測される閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上の予測を含むか又は１つ以上の予測からなる、コンピュータシステム。
１２．実行可能な命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに更に、訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用させ、かつ訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用することに基づいて、新しい患者に関連付けられた予測される閉経転帰軌道を生成させる、態様１１に記載のコンピュータシステム。
１３．実行可能な命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、自然言語処理（ＮＬＰ）技術を使用して各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させる、態様１１又は１２に記載のコンピュータシステム。
１４．患者パラメータが、患者医学的状態パラメータ、患者人口統計学的パラメータ、又は患者ライフスタイルパラメータのうちの１つ以上を含む、態様１１～１３のいずれか１つに記載のコンピュータシステム。
１５．患者医学的状態パラメータが、患者が経験したホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、閉経周辺期若しくは閉経状態、関節炎、塞ぎ込み、不安、乳がん、骨粗しょう症、浮遊感、めまい、炎症、心血管疾患、糖尿病、又は中枢神経系疾患のうちの１つ以上を含む、患者に関連付けられた以前又は現在の医学的状態又は症状を含む、態様１４に記載のコンピュータシステム。
１６．患者人口統計学的パラメータが、患者に関連付けられた年齢、場所、又は人種若しくは民族性のうちの１つ以上を含む、態様１４又は１５に記載のコンピュータシステム。
１７．患者ライフスタイルパラメータが、患者に関連付けられた体格指数、アルコール摂取の量若しくは頻度、喫煙使用の期間若しくは頻度、食事、子供の数、交際状況、又はストレスレベルのうちの１つ以上を含む、態様１４～１６のいずれか１つに記載のコンピュータシステム。
１８．過去の閉経転帰軌道及び予測される閉経転帰軌道の更年期障害が各々、患者が経験するホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、塞ぎ込み、不安、浮遊感、めまい、炎症、又は中枢神経系疾患のうちの１つ以上を含む、態様１１～１７のいずれか１つに記載のコンピュータシステム。
１９．実行可能な命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに更に、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の更年期障害治療を決定させ、訓練データセットが、各過去の患者に関連付けられた更年期障害治療を含み、閉経転帰機械学習モデルを訓練して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成することが、閉経転帰機械学習モデルを訓練して、予測される閉経転帰軌道の１つ以上の更年期障害を緩和又は予防するための更年期障害治療を予測することを含む、態様１１～１８のいずれか１つに記載のコンピュータシステム。
２０．更年期障害治療が、生物製剤、ステロイド、非ステロイド性抗炎症薬（ＮＳＡＩＤ）、ガバペンチン若しくはプレガブリン、リューペレリン、ホルモン療法、化学療法、メトホルミン、ナトリウム－グルコース共輸送体－２（ＳＧＬＴ２）、ペルオキシソーム増殖因子活性化受容体（ＰＰＡＲ）、スルホニル尿素、ジペプチジル－ペプチダーゼ４（ＤＰＰ４）、インスリン、オルリスタット、合成甲状腺、スタチン、グルカゴン様ペプチド－１（ＧＬＰ－１）、アンジオテンシンＩＩ受容体拮抗薬（ＡＲＢ）、カルシウムチャネル拮抗薬（ＣＣＢ）、アンジオテンシン変換酵素（ＡＣＥ）、利尿剤、アンビエン、選択的セロトニン再取り込み阻害剤（ＳＳＲＩ）、ノルエピネフリン及びドパミン再取り込み阻害剤（ＮＤＲＩ）、モノアミンオキシダーゼ阻害剤（ＭＡＯＩ）、経口避妊薬、ホルモン補充療法、局所若しくは膣ホルモンクリーム、自然若しくは薬草療法、認知療法、運動、瞑想、膣のうちの１つ以上を含む、態様１９に記載のコンピュータシステム
２１．コンピュータ可読命令を記憶する非一時的コンピュータ可読記憶媒体であって、コンピュータ可読命令が、１つ以上のプロセッサによって実行されたときに、１つ以上のプロセッサに、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得させ、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させ、各過去の患者に関連付けられた患者パラメータと閉経転帰軌道とを含む訓練データセットを生成させ、かつ訓練データセットを使用し閉経転帰機械学習モデルを訓練させて、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成させ、予測される閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上を含むか又は１つ以上からなる、非一時的コンピュータ可読記憶媒体。
２２．コンピュータ可読命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに更に、訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用させ、かつ訓練された閉経転帰機械学習モデルを新しい患者に関連付けられた１つ以上の患者パラメータに適用することに基づいて、新しい患者に関連付けられた予測される閉経転帰軌道を生成させる、態様２１に記載の非一時的コンピュータ可読記憶媒体。
２３．コンピュータ可読命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、自然言語処理（ＮＬＰ）技術を使用し各過去の患者に関連付けられた１つ以上の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定させる、態様２１又は２２に記載の非一時的コンピュータ可読記憶媒体。
２４．患者パラメータが、患者医学的状態パラメータ、患者人口統計学的パラメータ、又は患者ライフスタイルパラメータのうちの１つ以上を含む、態様２１～２３のいずれか１つに記載の非一時的コンピュータ可読記憶媒体。
２５．患者医学的状態パラメータが、患者が経験したホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、閉経周辺期若しくは閉経状態、関節炎、塞ぎ込み、不安、乳がん、骨粗しょう症、浮遊感、めまい、炎症、心血管疾患、糖尿病、又は中枢神経系疾患のうちの１つ以上を含む、患者に関連付けられた以前又は現在の医学的状態又は症状を含む、態様２４に記載の非一時的コンピュータ可読記憶媒体。
２６．患者人口統計学的パラメータが、患者に関連付けられた年齢、場所、又は人種若しくは民族性のうちの１つ以上を含む、態様２４又は２５に記載の非一時的コンピュータ可読記憶媒体。
２７．患者ライフスタイルパラメータが、患者に関連付けられた体格指数、アルコール摂取の量若しくは頻度、喫煙使用の期間若しくは頻度、食事、子供の数、交際状況、又はストレスレベルのうちの１つ以上を含む、態様２４～２６のいずれか１つに記載の非一時的コンピュータ可読記憶媒体。
２８．過去の閉経転帰軌道及び予測される閉経転帰軌道の更年期障害が各々、患者が経験するホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、塞ぎ込み、不安、浮遊感、めまい、炎症、又は中枢神経系疾患のうちの１つ以上を含む、態様２４～２７のいずれか１つに記載の非一時的コンピュータ可読記憶媒体。
２９．コンピュータ可読命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに更に、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析させて、各過去の患者に関連付けられた１つ以上の更年期障害治療を決定させ、訓練データセットが、各過去の患者に関連付けられた更年期障害治療を含み、閉経転帰機械学習モデルを訓練して、患者の予測される閉経転帰軌道を患者パラメータに基づいて生成することが、予測される閉経転帰機械学習モデルを訓練して、予測される閉経転帰軌道の１つ以上の更年期障害を予防又は緩和するために更年期障害治療を予測することを含む、態様２１～２８のいずれか１つに記載の非一時的コンピュータ可読記憶媒体。
３０．更年期障害治療が、生物製剤、ステロイド、非ステロイド性抗炎症薬（ＮＳＡＩＤ）、ガバペンチン若しくはプレガブリン、リューペレリン、ホルモン療法、化学療法、メトホルミン、ナトリウム－グルコース共輸送体－２（ＳＧＬＴ２）、ペルオキシソーム増殖因子活性化受容体（ＰＰＡＲ）、スルホニル尿素、ジペプチジル－ペプチダーゼ４（ＤＰＰ４）、インスリン、オルリスタット、合成甲状腺、スタチン、グルカゴン様ペプチド－１（ＧＬＰ－１）、アンジオテンシンＩＩ受容体拮抗薬（ＡＲＢ）、カルシウムチャネル拮抗薬（ＣＣＢ）、アンジオテンシン変換酵素（ＡＣＥ）、利尿剤、アンビエン、選択的セロトニン再取り込み阻害剤（ＳＳＲＩ）、ノルエピネフリン及びドパミン再取り込み阻害剤（ＮＤＲＩ）、モノアミンオキシダーゼ阻害剤（ＭＡＯＩ）、経口避妊薬、ホルモン補充療法、局所若しくは膣ホルモンクリーム、自然若しくは薬草療法、認知療法、運動、瞑想、膣潤滑剤、食事改変、心理療法、ビタミンＤ、又はクロニジンのうちの１つ以上を含む、態様２９に記載の非一時的コンピュータ可読記憶媒体。
３１．コンピュータ実装方法であって、１つ以上のプロセッサによって、患者に関連付けられた患者パラメータを取得することと、１つ以上のプロセッサによって、訓練された閉経転帰機械学習モデルを使用して患者に関連付けられた患者パラメータを分析することと、訓練された閉経転帰機械学習モデルを使用して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成することと、を含み、閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上からなるか又は１つ以上を含み、閉経転帰機械学習モデルが、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の過去の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することと、各過去の患者に関連付けられた過去の患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、訓練データセットを使用し閉経転帰機械学習モデルを訓練して、新しい患者パラメータに基づいて新しい患者の予測される閉経転帰軌道を生成することと、によって訓練される、コンピュータ実装方法。
３２．コンピュータシステムであって、１つ以上のプロセッサと、１つ以上のプロセッサに通信可能に結合されておりかつ実行可能な命令を記憶する非一時的プログラムメモリと、を備え、実行可能な命令が、１つ以上のプロセッサによって実行されたときに、プロセッサに、患者に関連付けられた患者パラメータを取得させ、訓練された閉経転帰機械学習モデルを使用して患者に関連付けられた患者パラメータを分析させ、かつ訓練された閉経転帰機械学習モデルを使用して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成させ、閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上を含むか又は１つ以上からなり、閉経転帰機械学習モデルが、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の過去の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することと、各過去の患者に関連付けられた過去の患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、訓練データセットを使用し閉経転帰機械学習モデルを訓練して、新しい患者パラメータに基づいて新しい患者の予測される閉経転帰軌道を生成することと、によって訓練される、コンピュータシステム。
３３．コンピュータ可読命令を記憶する非一時的コンピュータ可読記憶媒体であって、コンピュータ可読命令が、１つ以上のプロセッサによって実行されたときに、１つ以上のプロセッサに、患者に関連付けられた患者パラメータを取得させ、訓練された閉経転帰機械学習モデルを使用して患者に関連付けられた患者パラメータを分析させ、かつ訓練された閉経転帰機械学習モデルを使用して、患者の予測される閉経転帰軌道を患者に関連付けられた患者パラメータに基づいて生成させ、閉経転帰軌道が、患者の閉経周辺期の発現年齢、患者の閉経の発現年齢、患者の閉経後期の発現年齢、患者が経験する特定の更年期障害、患者が経験する各更年期障害の発現年齢、又は患者が経験する各更年期障害に関連付けられた重症度レベルのうちの１つ以上を含むか又は１つ以上からなり、閉経転帰機械学習モデルが、複数の過去の患者に関連付けられた過去の電子医療記録（ＥＭＲ）データを取得することと、複数の過去の患者に関連付けられた過去のＥＭＲデータを分析して、各過去の患者に関連付けられた１つ以上の過去の患者パラメータと各過去の患者に関連付けられた過去の閉経転帰軌道とを決定することと、各過去の患者に関連付けられた過去の患者パラメータと過去の閉経転帰軌道とを含む訓練データセットを生成することと、訓練データセットを使用し閉経転帰機械学習モデルを訓練して、新しい患者パラメータに基づいて新しい患者の予測される閉経転帰軌道を生成することと、によって訓練される、非一時的コンピュータ可読記憶媒体。
【0053】
態様１～３３のいずれか１つでは、予測される閉経転帰軌道は、（ａ）（ｉ）患者の閉経周辺期の発現年齢、（ｉｉ）患者の閉経の発現年齢、及び（ｉｉｉ）患者の閉経後期の発現年齢のうちの１つ以上、並びに／又は（ｂ）ホットフラッシュの回数若しくは頻度、睡眠障害、疲労、性機能障害、膣の乾燥、月経の存在、月経の特徴、無月経の実例、寝汗、泌尿器症状、気分症状、ブレインフォグ、集中力の変化、脱毛、体重増加、塞ぎ込み、不安、浮遊感、めまい、炎症、及び／若しくは中枢神経系疾患などの、場合によっては、これらの症状のうちのいくつか又は各々／全てに関連付けられた重症度レベルを一緒に伴う、患者が経験すると予想される１つ以上、２つ以上、３つ以上、４つ以上、５つ以上の特定の更年期障害の予測を含み得るか又は予測からなり得る。
【0054】
態様１～３３のいずれか１つにおいて、過去のＥＭＲデータは、エストラジオール臨床検査、尿酸臨床検査、テストステロン臨床検査、Ｈｂａ１ｃ臨床検査、ホルモン値検査の異常の有無、ＦＳＨ臨床検査、又はエストロゲンレベル臨床検査のうちの１つ以上を含む、ヘルスケア専門家によって患者に処方された臨床検査（ホルモン臨床検査を含む）の転帰を含み得る。
【図1】
【図2】
【図3A】
【図3B】
【図3C】
【図3D】
【図4】
【国際調査報告】