JP2018149168A - 生体機能についての医学的検査の得点判定装置、及びプログラム - Google Patents
生体機能についての医学的検査の得点判定装置、及びプログラム Download PDFInfo
- Publication number
- JP2018149168A JP2018149168A JP2017048625A JP2017048625A JP2018149168A JP 2018149168 A JP2018149168 A JP 2018149168A JP 2017048625 A JP2017048625 A JP 2017048625A JP 2017048625 A JP2017048625 A JP 2017048625A JP 2018149168 A JP2018149168 A JP 2018149168A
- Authority
- JP
- Japan
- Prior art keywords
- data
- determination
- score
- weight
- subject
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010339 medical test Methods 0.000 title claims description 14
- 238000012360 testing method Methods 0.000 claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 230000008827 biological function Effects 0.000 claims abstract description 15
- 238000009534 blood test Methods 0.000 claims description 26
- 230000007177 brain activity Effects 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 22
- 206010012289 Dementia Diseases 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 30
- 238000000034 method Methods 0.000 description 28
- 238000013528 artificial neural network Methods 0.000 description 22
- 210000004556 brain Anatomy 0.000 description 19
- 102000001554 Hemoglobins Human genes 0.000 description 13
- 108010054147 Hemoglobins Proteins 0.000 description 13
- 238000007689 inspection Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000006996 mental state Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 210000000265 leukocyte Anatomy 0.000 description 4
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 3
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 229940116269 uric acid Drugs 0.000 description 3
- 102000009027 Albumins Human genes 0.000 description 2
- 108010088751 Albumins Proteins 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004820 blood count Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 102100039856 Histone H1.1 Human genes 0.000 description 1
- 102100039855 Histone H1.2 Human genes 0.000 description 1
- 101001035402 Homo sapiens Histone H1.1 Proteins 0.000 description 1
- 101001035375 Homo sapiens Histone H1.2 Proteins 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Instruments for taking body samples for diagnostic purposes; Other methods or instruments for diagnosis, e.g. for vaccination diagnosis, sex determination or ovulation-period determination; Throat striking implements
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/026—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Hematology (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】自己申告に基づく医学的検査の判定を簡便に行うことができる。【解決手段】生体機能についての医学的検査の得点判定装置は、第１被験者に関するデータのうち、自己申告に基づく医学的検査の判定得点を含み、医学的検査の検査結果を表すデータと、身体的特徴を表すデータとのうち少なくとも一方を含む第１データに基づいて重みを算出する重み算出部と、重み算出部により算出された重みと、第２被験者に関するデータのうち、医学的検査の検査結果を表すデータと、身体的特徴を表すデータとのうち少なくとも一方を含む第２データとに基づいて、第２被験者の判定得点を判定する得点判定部と、を備える。【選択図】図１
Description
本発明は、生体機能についての医学的検査の得点判定装置、及びプログラムに関する。
従来、被験者の認知症の有無やその程度を簡便に判定する手法として、「ミニメンタルステート検査」（ＭＭＳＥ；Ｍｉｎｉ Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ）がある。このＭＭＳＥにおいては、被験者に質問を行い、その回答を点数化することによって、被験者の認知症の有無やその程度を判定する。しかしながら、ミニメンタルステート検査における質問及び回答の分析は人手を介するため、労力がかかっていた。そこで、近年、脳波測定装置や核磁気共鳴映像装置、またはＣＴスキャン装置などの診断装置を利用することにより、人手による質問及び回答の分析等を行わずに認知症の判定得点を算出する技術が開示されている（例えば、特許文献１を参照）。
しかしながら、上記のような従来技術においては、認知症判定得点を算出するために利用される診断装置が大掛かりになり、認知症の判定が簡便に行えないという問題があった。
本発明は上記の点に鑑みてなされたものであり、自己申告に基づく医学的検査の判定を簡便に行うことができる生体機能についての医学的検査の得点判定装置、及びプログラムを提供する。
（１）本発明は上記の課題を解決するためになされたものであり、本発明の一態様は、第１被験者に関するデータのうち、自己申告に基づく医学的検査の判定得点を含み、医学的検査の検査結果を表すデータと、身体的特徴を表すデータとのうち少なくとも一方を含む第１データに基づいて重みを算出する重み算出部と、前記重み算出部により算出された前記重みと、第２被験者に関するデータのうち、医学的検査の検査結果を表すデータと、身体的特徴を表すデータとのうち少なくとも一方を含む第２データとに基づいて、前記第２被験者の前記判定得点を判定する得点判定部と、を備える生体機能についての医学的検査の得点判定装置である。
（２）また、本発明の一態様は、上記の生体機能についての医学的検査の得点判定装置において、前記判定得点とは自己申告に基づく認知症の検査の得点である。
（３）また、本発明の一態様は、上記の生体機能についての医学的検査の得点判定装置において、前記重み算出部は、前記第１データに基づいて機械学習により前記重みを算出する。
（４）また、本発明の一態様は、上記の生体機能についての医学的検査の得点判定装置において、前記医学的検査の検査結果を表すデータは、前記第１被験者の一般血液検査の結果を示す血液検査情報を少なくとも含むデータである。
（５）また、本発明の一態様は、上記の生体機能についての医学的検査の得点判定装置において、前記医学的検査の検査結果を表すデータは、非侵襲脳活動測定装置による前記第１被験者の脳活動の測定結果を少なくとも含むデータである。
（６）また、本発明の一態様は、コンピュータに、第１被験者に関するデータのうち、自己申告に基づく医学的検査の判定得点を含み、医学的検査の検査結果を表すデータと、身体的特徴を表すデータとのうち少なくとも一方を含む第１データに基づいて重みを算出する重み算出ステップと、前記重み算出ステップにより算出された前記重みと、第２被験者に関するデータのうち、医学的検査の検査結果を表すデータと、身体的特徴を表すデータとのうち少なくとも一方を含む第２データとに基づいて、前記第２被験者の前記判定得点を判定する得点判定ステップとを実行させるためのプログラムである。
本発明によれば、自己申告に基づく医学的検査の判定を簡便に行うことができる。
（実施形態）
以下、図面を参照しながら本発明の実施形態について詳しく説明する。図１は本実施形態の判定システム１の機能構成の一例を示す図である。
判定システム１は、被験者の身体的特徴を表す身体データＰＤや、生体機能についての医学的検査の検査結果を表す検査結果データＭＴに基づいて、当該被験者の生体機能についての自己申告に基づく医学的検査の判定得点を判定する。
生体機能についての自己申告に基づく医学的検査とは、例えば、認知症の判定に一般的に用いられているいわゆる「ミニメンタルステート検査」（ＭＭＳＥ；Ｍｉｎｉ Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ）である。ミニメンタルステート検査は、見当識、記憶力、計算力、言語的能力、図形的能力などをカバーする３０点満点の１１の質問からなる。ミニメンタルステート検査の質問に対する被験者の回答の得点が、２４点以上で正常、２０点未満では中等度の知能低下、１０点未満では高度な知能低下、などと判定される。
以下、図面を参照しながら本発明の実施形態について詳しく説明する。図１は本実施形態の判定システム１の機能構成の一例を示す図である。
判定システム１は、被験者の身体的特徴を表す身体データＰＤや、生体機能についての医学的検査の検査結果を表す検査結果データＭＴに基づいて、当該被験者の生体機能についての自己申告に基づく医学的検査の判定得点を判定する。
生体機能についての自己申告に基づく医学的検査とは、例えば、認知症の判定に一般的に用いられているいわゆる「ミニメンタルステート検査」（ＭＭＳＥ；Ｍｉｎｉ Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ）である。ミニメンタルステート検査は、見当識、記憶力、計算力、言語的能力、図形的能力などをカバーする３０点満点の１１の質問からなる。ミニメンタルステート検査の質問に対する被験者の回答の得点が、２４点以上で正常、２０点未満では中等度の知能低下、１０点未満では高度な知能低下、などと判定される。
ミニメンタルステート検査は、検査者（医師など）と被験者とが対面して質問と回答とを繰り返し行う検査である。ミニメンタルステート検査における質問及び回答には、５分から１０分程度の時間を要する。
判定システム１は、被験者の身体的特徴を表す身体データＰＤや医学的検査の検査結果を表す検査結果データＭＴを参照することにより、これら対面による質問及び回答等の作業を行うことなく、ミニメンタルステート検査の得点に相当する判定得点を判定する。
したがって、判定システム１は、質問及び回答が対面で行われることによる労力や時間を低減することができる。
以下、対面による質問及び回答等の作業を行わずに判定得点を判定することを実現する、判定システム１の機能構成について図１を参照して説明する。
判定システム１は、被験者の身体的特徴を表す身体データＰＤや医学的検査の検査結果を表す検査結果データＭＴを参照することにより、これら対面による質問及び回答等の作業を行うことなく、ミニメンタルステート検査の得点に相当する判定得点を判定する。
したがって、判定システム１は、質問及び回答が対面で行われることによる労力や時間を低減することができる。
以下、対面による質問及び回答等の作業を行わずに判定得点を判定することを実現する、判定システム１の機能構成について図１を参照して説明する。
［判定システム１の機能構成］
判定システム１は、教師データ供給部１０、判定装置２０、判定データ供給部３０、及び、提示部４０を含んで構成される。
判定装置２０は、深層学習と呼ばれる機械学習の手法により重みＷを算出する。深層学習は、多層ニューラルネットワーク（隠れ層の数が２以上であるニューラルネットワーク）を用いた機械学習の手法である。
判定装置２０は、教師データ供給部１０から供給される教師データに基づき重みＷを算出する。判定装置２０は、判定データ供給部３０から供給される判定データと、算出した重みＷとに基づき判定得点を判定する。
判定システム１は、教師データ供給部１０、判定装置２０、判定データ供給部３０、及び、提示部４０を含んで構成される。
判定装置２０は、深層学習と呼ばれる機械学習の手法により重みＷを算出する。深層学習は、多層ニューラルネットワーク（隠れ層の数が２以上であるニューラルネットワーク）を用いた機械学習の手法である。
判定装置２０は、教師データ供給部１０から供給される教師データに基づき重みＷを算出する。判定装置２０は、判定データ供給部３０から供給される判定データと、算出した重みＷとに基づき判定得点を判定する。
教師データ供給部１０は、判定装置２０に対して教師データを供給する。教師データとは、教師判定得点ＬＳＣと、教師検査結果データＬＭＴと、教師身体データＬＰＤとが互いに対応づけられたデータである。教師データでは、入力（教師検査結果データＬＭＴ、及び教師身体データＬＰＤ）に対する出力（教師判定得点ＬＳＣ）が予めわかっている。そのため、判定装置２０は、教師データを、入力に対して正しい結果を出力する重みＷを算出するために用いることができる。判定システム１の使用者は、教師データとして用いるデータを、予め所定の数以上収集する必要がある。
判定データ供給部３０は、判定装置２０に対して判定データを供給する。判定データとは、検査結果データＭＴと、身体データＰＤとの組からなるデータである。
教師検査結果データＬＭＴに含まれるデータの種類と、検査結果データＭＴに含まれるデータの種類とは対応する。また、教師身体データＬＰＤに含まれるデータの種類は、身体データＰＤに含まれるデータの種類と対応する。以下では、検査結果データＭＴと、身体データＰＤとを合わせて説明変数と呼ぶ場合がある。
教師データ供給部１０、及び判定データ供給部３０は、例えば、キーボードやタブレット、スキャナなどのヒューマンインタフェイス装置であってもよいし、サーバなどの情報記憶装置であってもよい。
判定データ供給部３０は、判定装置２０に対して判定データを供給する。判定データとは、検査結果データＭＴと、身体データＰＤとの組からなるデータである。
教師検査結果データＬＭＴに含まれるデータの種類と、検査結果データＭＴに含まれるデータの種類とは対応する。また、教師身体データＬＰＤに含まれるデータの種類は、身体データＰＤに含まれるデータの種類と対応する。以下では、検査結果データＭＴと、身体データＰＤとを合わせて説明変数と呼ぶ場合がある。
教師データ供給部１０、及び判定データ供給部３０は、例えば、キーボードやタブレット、スキャナなどのヒューマンインタフェイス装置であってもよいし、サーバなどの情報記憶装置であってもよい。
教師判定得点ＬＳＣとは、ＭＭＳＥの被験者の回答の得点である。
検査結果データＭＴとは、被験者の医学的検査の検査結果を示す情報である。検査結果データＭＴには、例えば、血液検査情報ＧＢＴや、脳活動測定結果情報ＢＡが含まれる。
ここで血液検査情報ＧＢＴとは、当該被験者の一般血液検査の検査結果を示す情報である。一般血液検査とは、検査項目が一般的である血液検査であり、例えば一般的な健康診断等において行われる血液検査である。一般血液検査の項目の一例について、図２を参照して説明する。脳活動測定結果情報ＢＡとは、非侵襲脳活動測定装置による被験者の脳活動の測定結果の結果である。
身体データＰＤとは、例えば、被験者の年齢を示すデータである年齢情報ＡＧである。
検査結果データＭＴとは、被験者の医学的検査の検査結果を示す情報である。検査結果データＭＴには、例えば、血液検査情報ＧＢＴや、脳活動測定結果情報ＢＡが含まれる。
ここで血液検査情報ＧＢＴとは、当該被験者の一般血液検査の検査結果を示す情報である。一般血液検査とは、検査項目が一般的である血液検査であり、例えば一般的な健康診断等において行われる血液検査である。一般血液検査の項目の一例について、図２を参照して説明する。脳活動測定結果情報ＢＡとは、非侵襲脳活動測定装置による被験者の脳活動の測定結果の結果である。
身体データＰＤとは、例えば、被験者の年齢を示すデータである年齢情報ＡＧである。
図２は、本実施形態の判定データ供給部３０が供給する検査結果データＭＴに含まれる血液検査情報ＧＢＴの一例を示す図である。血液検査情報ＧＢＴには、一般血液検査の検査項目及び検査項目毎の検査値が含まれる。この一例において、血液検査情報ＧＢＴには、白血球数（ＷＢＣ）、ＭＣＶ、ＭＣＨ、血小板数（ＰＬＴ）、総たんぱく（ＴＰ）、アルブミン（Ａｌｂ）、尿酸（ＵＡ）、尿素窒素（ＢＵＮ）、クレアチニン（Ｃｒｅａ）、ソディウム（Ｓｏ）、及びクロール（Ｃｌ）が検査項目として含まれる。
血液検査情報ＧＢＴには、検査項目と、検査項目ごとの基準値と、検査値と、基準値及び検査値の単位とが、互いに対応づけられている。同図に示すある被験者についての具体例の場合、血液検査情報ＧＢＴには、白血球数（ＷＢＣ）が基準値４０００〜９０００［個／μＬ］に対して検査値５０００［個／μＬ］、ＭＣＶが基準値８４〜９９［ｆｌ］に対して検査値９０［ｆｌ］…という情報が含まれている。
血液検査情報ＧＢＴには、検査項目と、検査項目ごとの基準値と、検査値と、基準値及び検査値の単位とが、互いに対応づけられている。同図に示すある被験者についての具体例の場合、血液検査情報ＧＢＴには、白血球数（ＷＢＣ）が基準値４０００〜９０００［個／μＬ］に対して検査値５０００［個／μＬ］、ＭＣＶが基準値８４〜９９［ｆｌ］に対して検査値９０［ｆｌ］…という情報が含まれている。
脳活動測定結果情報ＢＡについて説明する。
非侵襲脳活動測定装置（不図示）は、近赤外線などの人体に対して非侵襲的な検出手段を用いて、脳の血流などを測定することにより、被験者の脳活動を測定する。この非侵襲脳活動測定装置は、例えば、ヘモグロビン濃度（Ｈｂ）、酸素化ヘモグロビン濃度（ＨｂＯ２）、脱酸素化ヘモグロビン濃度（ＨｂＤＯ２）、酸素飽和度（ＳＯ２）などの測定対象項目について測定する。この場合、非侵襲脳活動測定装置は、左脳側、右脳側について上述の測定対象項目をそれぞれ測定する。この一例の場合、判定データ供給部３０は、左脳側ヘモグロビン濃度Ｌ＿Ｈｂ、右脳側ヘモグロビン濃度Ｒ＿Ｈｂ、左脳側酸素化ヘモグロビン濃度Ｌ＿ＨｂＯ２、右脳側酸素化ヘモグロビン濃度Ｒ＿ＨｂＯ２、左脳側脱酸素化ヘモグロビン濃度Ｌ＿ＨｂＤＯ２、右脳側脱酸素化ヘモグロビン濃度Ｒ＿ＨｂＤＯ２、左脳側酸素飽和度Ｌ＿ＳＯ２及び右脳側酸素飽和度Ｒ＿ＳＯ２を、検査結果データＭＴの一部として判定装置２０に供給する。
非侵襲脳活動測定装置（不図示）は、近赤外線などの人体に対して非侵襲的な検出手段を用いて、脳の血流などを測定することにより、被験者の脳活動を測定する。この非侵襲脳活動測定装置は、例えば、ヘモグロビン濃度（Ｈｂ）、酸素化ヘモグロビン濃度（ＨｂＯ２）、脱酸素化ヘモグロビン濃度（ＨｂＤＯ２）、酸素飽和度（ＳＯ２）などの測定対象項目について測定する。この場合、非侵襲脳活動測定装置は、左脳側、右脳側について上述の測定対象項目をそれぞれ測定する。この一例の場合、判定データ供給部３０は、左脳側ヘモグロビン濃度Ｌ＿Ｈｂ、右脳側ヘモグロビン濃度Ｒ＿Ｈｂ、左脳側酸素化ヘモグロビン濃度Ｌ＿ＨｂＯ２、右脳側酸素化ヘモグロビン濃度Ｒ＿ＨｂＯ２、左脳側脱酸素化ヘモグロビン濃度Ｌ＿ＨｂＤＯ２、右脳側脱酸素化ヘモグロビン濃度Ｒ＿ＨｂＤＯ２、左脳側酸素飽和度Ｌ＿ＳＯ２及び右脳側酸素飽和度Ｒ＿ＳＯ２を、検査結果データＭＴの一部として判定装置２０に供給する。
図１に戻り、判定システム１の機能構成の説明を続ける。判定装置２０は、教師判定得点取得部２１０と、教師検査結果データ取得部２２０と、教師身体データ取得部２３０と、重み算出部２４０と、検査結果取得部２５０と、身体データ取得部２６０と、得点判定部２７０とを備える。
教師判定得点取得部２１０は、教師データ供給部１０が供給する教師判定得点ＬＳＣを取得する。教師判定得点取得部２１０は、取得した教師判定得点ＬＳＣを重み算出部２４０に供給する。
教師検査結果データ取得部２２０は、教師データ供給部１０が供給する教師検査結果データＬＭＴを取得する。教師検査結果データ取得部２２０は、取得した教師検査結果データＬＭＴを重み算出部２４０に供給する。
教師身体データ取得部２３０は、教師データ供給部１０が供給する教師身体データＬＰＤを取得する。教師身体データ取得部２３０は、取得した教師身体データＬＰＤを重み算出部２４０に供給する。
教師検査結果データ取得部２２０は、教師データ供給部１０が供給する教師検査結果データＬＭＴを取得する。教師検査結果データ取得部２２０は、取得した教師検査結果データＬＭＴを重み算出部２４０に供給する。
教師身体データ取得部２３０は、教師データ供給部１０が供給する教師身体データＬＰＤを取得する。教師身体データ取得部２３０は、取得した教師身体データＬＰＤを重み算出部２４０に供給する。
重み算出部２４０は、教師判定得点取得部２１０が取得する教師判定得点ＬＳＣと、教師検査結果データ取得部２２０が取得する教師検査結果データＬＭＴと、教師身体データ取得部２３０が取得する教師身体データＬＰＤとに基づいて、重みＷを算出する。重み算出部２４０は、算出した重みＷを得点判定部２７０に出力する。
検査結果取得部２５０は、判定データ供給部３０が供給する検査結果データＭＴを取得する。検査結果取得部２５０は、取得した検査結果データＭＴを得点判定部２７０に供給する。
身体データ取得部２６０は、判定データ供給部３０が供給する身体データＰＤを取得する。身体データ取得部２６０は、取得した身体データＰＤを得点判定部２７０に供給する。
身体データ取得部２６０は、判定データ供給部３０が供給する身体データＰＤを取得する。身体データ取得部２６０は、取得した身体データＰＤを得点判定部２７０に供給する。
得点判定部２７０は、検査結果取得部２５０が取得する検査結果データＭＴと、身体データ取得部２６０が取得する身体データＰＤと、重み算出部２４０が算出する重みＷとに基づき判定得点を判定する。得点判定部２７０は、当該判定得点の判定結果ＳＣを提示部４０に出力する。
提示部４０は、例えばディスプレイやプリンタであり、判定装置２０の得点判定部２７０から供給される判定結果ＳＣを、表示や印字などの提示手段により提示する。
なお、提示部４０は、ネットワークサーバなどの記憶装置であってもよい。この場合には、提示部４０は、得点判定部２７０から供給される判定結果ＳＣを記憶し、記憶した判定結果ＳＣを他の装置に供給する。
なお、提示部４０は、ネットワークサーバなどの記憶装置であってもよい。この場合には、提示部４０は、得点判定部２７０から供給される判定結果ＳＣを記憶し、記憶した判定結果ＳＣを他の装置に供給する。
［判定装置２０の動作］
次に、図３を参照して判定装置２０の学習工程の一例について説明する。
図３は、本実施形態に係る判定装置２０の学習工程の一例を示す図である。
次に、図３を参照して判定装置２０の学習工程の一例について説明する。
図３は、本実施形態に係る判定装置２０の学習工程の一例を示す図である。
（ステップＳ１０）教師判定得点取得部２１０は、教師データ供給部１０から教師判定得点ＬＳＣを取得する。
（ステップＳ２０）教師検査結果データ取得部２２０は、教師データ供給部１０から教師検査結果データＬＭＴを取得する。
（ステップＳ３０）教師身体データ取得部２３０は、教師データ供給部１０から教師身体データＬＰＤを取得する。
（ステップＳ４０）重み算出部２４０は、ステップＳ１０において取得した教師判定得点ＬＳＣと、ステップＳ２０において取得した教師検査結果データＬＭＴと、ステップＳ３０において取得した教師身体データＬＰＤとに基づいて重みＷを算出する。
深層学習では、目的とする予測が得られるように、ネットワークのユニット間結合度とバイアス項を調整する。ユニット間結合度とは、重みＷのことである。以下では、ユニット間結合度とバイアス項とを合わせて重みＷと呼ぶ場合がある。また、重みＷを算出することを、学習を行うと呼ぶ場合がある。
機械学習の手法を用いる場合、一般には、余計な説明変数を使うことで、予測が劣化することが懸念される。ここで、本実施形態における説明変数とは、検査結果データＭＴと、身体データＰＤとに各々含まれるデータのことである。本実施形態で深層学習を用いる利点の１つは、説明変数が多くなったとしても、重みＷは学習により自動的に選択されることである。
（ステップＳ２０）教師検査結果データ取得部２２０は、教師データ供給部１０から教師検査結果データＬＭＴを取得する。
（ステップＳ３０）教師身体データ取得部２３０は、教師データ供給部１０から教師身体データＬＰＤを取得する。
（ステップＳ４０）重み算出部２４０は、ステップＳ１０において取得した教師判定得点ＬＳＣと、ステップＳ２０において取得した教師検査結果データＬＭＴと、ステップＳ３０において取得した教師身体データＬＰＤとに基づいて重みＷを算出する。
深層学習では、目的とする予測が得られるように、ネットワークのユニット間結合度とバイアス項を調整する。ユニット間結合度とは、重みＷのことである。以下では、ユニット間結合度とバイアス項とを合わせて重みＷと呼ぶ場合がある。また、重みＷを算出することを、学習を行うと呼ぶ場合がある。
機械学習の手法を用いる場合、一般には、余計な説明変数を使うことで、予測が劣化することが懸念される。ここで、本実施形態における説明変数とは、検査結果データＭＴと、身体データＰＤとに各々含まれるデータのことである。本実施形態で深層学習を用いる利点の１つは、説明変数が多くなったとしても、重みＷは学習により自動的に選択されることである。
ここで、図４を用いて本実施形態で用いるニューラルネットワークＮＮについて説明する。
図４は、本実施形態のニューラルネットワークＮＮの一例を示す図である。
ニューラルネットワークＮＮは、入力層ＩＬと、隠れ層ＨＬ１、ＨＬ２、ＨＬ３、ＨＬ４と、出力層ＯＬとから構成される。入力層ＩＬと、隠れ層ＨＬ１、ＨＬ２、ＨＬ３、ＨＬ４と、出力層ＯＬとは、各々一列に並んだユニットから構成される。
ニューラルネットワークＮＮは、フィードフォワードネットワークと呼ばれるニューラルネットワークである。フィードフォワードネットワークとは、情報が入力層から出力層へと一方向に伝搬するニューラルネットワークのことである。本実施形態では、隠れ層の数が４層、各隠れ層のユニット数が２であるフィードフォワードネットワークを用いる。
図４は、本実施形態のニューラルネットワークＮＮの一例を示す図である。
ニューラルネットワークＮＮは、入力層ＩＬと、隠れ層ＨＬ１、ＨＬ２、ＨＬ３、ＨＬ４と、出力層ＯＬとから構成される。入力層ＩＬと、隠れ層ＨＬ１、ＨＬ２、ＨＬ３、ＨＬ４と、出力層ＯＬとは、各々一列に並んだユニットから構成される。
ニューラルネットワークＮＮは、フィードフォワードネットワークと呼ばれるニューラルネットワークである。フィードフォワードネットワークとは、情報が入力層から出力層へと一方向に伝搬するニューラルネットワークのことである。本実施形態では、隠れ層の数が４層、各隠れ層のユニット数が２であるフィードフォワードネットワークを用いる。
入力層ＩＬは、ユニットＩ−ｉ（ｉ＝１、２、・・・、Ｍ：Ｍは説明変数の数）から構成される。ユニットＩ−ｉ（ｉ＝１、２、・・・、Ｍ：Ｍは説明変数の数）は、各々説明変数と対応する。
隠れ層ＨＬ１は、ユニットＨ１−１と、ユニットＨ１−２とから構成される。隠れ層ＨＬ２は、ユニットＨ２−１と、ユニットＨ２−２とから構成される。隠れ層ＨＬ３は、ユニットＨ３−１と、ユニットＨ３−２とから構成される。隠れ層ＨＬ４は、ユニットＨ４−１と、ユニットＨ４−２とから構成される。
出力層ＯＬは、ユニットＯ−１と、ユニットＯ−２とから構成される。出力層ＯＬのユニット数が２であることは、判定装置２０が、被験者を２つのクラスに分類するための判定を行うことに対応する。ここで２つのクラスは、ＭＭＳＥの回答の得点が２４点以上（正常）のクラスと、２４点未満のクラスとからなる。
隠れ層ＨＬ１、ＨＬ２、ＨＬ３、ＨＬ４、及び出力層ＯＬを構成する各ユニットは、自身が構成する各層と隣接する、入力層ＩＬ側の層を構成する複数のユニットからの出力に、ユニット間結合度を乗じバイアス項を加えたものを入力として受け取る。ここでユニット間結合度（重みＷ）、及びバイアス項は、出力するユニットと、入力されるユニットとの組毎に異なる。隠れ層ＨＬ１、ＨＬ２、ＨＬ３、ＨＬ４、及び出力層ＯＬを構成する各ユニットは、入力を受け取ると、入力の値を活性化関数（後述する）に代入した値を、出力とする。
重み算出部２４０が重みＷを算出する手順の詳細については後述する。
隠れ層ＨＬ１は、ユニットＨ１−１と、ユニットＨ１−２とから構成される。隠れ層ＨＬ２は、ユニットＨ２−１と、ユニットＨ２−２とから構成される。隠れ層ＨＬ３は、ユニットＨ３−１と、ユニットＨ３−２とから構成される。隠れ層ＨＬ４は、ユニットＨ４−１と、ユニットＨ４−２とから構成される。
出力層ＯＬは、ユニットＯ−１と、ユニットＯ−２とから構成される。出力層ＯＬのユニット数が２であることは、判定装置２０が、被験者を２つのクラスに分類するための判定を行うことに対応する。ここで２つのクラスは、ＭＭＳＥの回答の得点が２４点以上（正常）のクラスと、２４点未満のクラスとからなる。
隠れ層ＨＬ１、ＨＬ２、ＨＬ３、ＨＬ４、及び出力層ＯＬを構成する各ユニットは、自身が構成する各層と隣接する、入力層ＩＬ側の層を構成する複数のユニットからの出力に、ユニット間結合度を乗じバイアス項を加えたものを入力として受け取る。ここでユニット間結合度（重みＷ）、及びバイアス項は、出力するユニットと、入力されるユニットとの組毎に異なる。隠れ層ＨＬ１、ＨＬ２、ＨＬ３、ＨＬ４、及び出力層ＯＬを構成する各ユニットは、入力を受け取ると、入力の値を活性化関数（後述する）に代入した値を、出力とする。
重み算出部２４０が重みＷを算出する手順の詳細については後述する。
次に、図５を参照して判定装置２０の判定工程の一例について説明する。
図５は、本実施形態に係る判定装置２０の判定工程の一例を示す図である。
図５は、本実施形態に係る判定装置２０の判定工程の一例を示す図である。
（ステップＳ５０）検査結果取得部２５０は、判定データ供給部３０から検査結果データＭＴを取得する。
（ステップＳ６０）身体データ取得部２６０は、判定データ供給部３０から身体データＰＤを取得する。
（ステップＳ７０）得点判定部２７０は、ステップＳ５０において取得した検査結果データＭＴと、ステップＳ６０において取得した身体データＰＤと、図３のステップＳ４０において算出した重みＷに基づいて判定得点を判定する。判定結果ＳＣは、被験者のＭＭＳＥの回答の得点が２４点以上であるか、被験者のＭＭＳＥの回答の得点が２４点未満であるかのいずれかを示す。
（ステップＳ８０）得点判定部２７０は、判定結果ＳＣを提示部４０に出力して、一連の処理を終了する。
（ステップＳ６０）身体データ取得部２６０は、判定データ供給部３０から身体データＰＤを取得する。
（ステップＳ７０）得点判定部２７０は、ステップＳ５０において取得した検査結果データＭＴと、ステップＳ６０において取得した身体データＰＤと、図３のステップＳ４０において算出した重みＷに基づいて判定得点を判定する。判定結果ＳＣは、被験者のＭＭＳＥの回答の得点が２４点以上であるか、被験者のＭＭＳＥの回答の得点が２４点未満であるかのいずれかを示す。
（ステップＳ８０）得点判定部２７０は、判定結果ＳＣを提示部４０に出力して、一連の処理を終了する。
［判定装置２０の判定精度］
判定装置２０の判定精度について説明する。
判定装置２０の判定精度を検証する際、十分な数の判定データが入手できない場合がある。そこで、教師データの一部のデータを取り出し判定データとして用い、残りのデータを重みＷの算出に用いることで判定精度を検証する。本実施形態では、Ｌｅａｖｅ−Ｏｎｅ−Ｏｕｔ交差検証という手法を用いる。教師データのデータ数をＮ（Ｎは自然数）とする。
判定装置２０は、教師データから１個のデータを取り出し判定データとして用い、残りのＮ−１個のデータを用いて重みＷを算出する。判定装置２０は、判定データと、算出した重みＷとに基づいて判定得点を判定する。判定装置２０は、当該判定得点の判定結果ＳＣと、判定データとして用いた教師データに対応する教師判定得点ＬＳＣとを比較することで、判定結果ＳＣが正しいか否かを判定する。
判定装置２０は、この処理を、教師データの各々全てが判定データとして用いられるまでＮ回繰り返す。
本実施形態によれば、４０歳以上の被験者９８名の、一般血液検査の検査結果、非侵襲脳活動測定装置による被験者の脳活動の測定結果、年齢、及びＭＭＳＥの回答の得点を教師データとして用いたところ、判定装置２０は、９６個の判定データに対して正しい判定結果ＳＣを出力することが検証されている。つまり、上記の場合に、判定装置２０の判定精度が、９８パーセントであることが検証されている。
判定装置２０の判定精度について説明する。
判定装置２０の判定精度を検証する際、十分な数の判定データが入手できない場合がある。そこで、教師データの一部のデータを取り出し判定データとして用い、残りのデータを重みＷの算出に用いることで判定精度を検証する。本実施形態では、Ｌｅａｖｅ−Ｏｎｅ−Ｏｕｔ交差検証という手法を用いる。教師データのデータ数をＮ（Ｎは自然数）とする。
判定装置２０は、教師データから１個のデータを取り出し判定データとして用い、残りのＮ−１個のデータを用いて重みＷを算出する。判定装置２０は、判定データと、算出した重みＷとに基づいて判定得点を判定する。判定装置２０は、当該判定得点の判定結果ＳＣと、判定データとして用いた教師データに対応する教師判定得点ＬＳＣとを比較することで、判定結果ＳＣが正しいか否かを判定する。
判定装置２０は、この処理を、教師データの各々全てが判定データとして用いられるまでＮ回繰り返す。
本実施形態によれば、４０歳以上の被験者９８名の、一般血液検査の検査結果、非侵襲脳活動測定装置による被験者の脳活動の測定結果、年齢、及びＭＭＳＥの回答の得点を教師データとして用いたところ、判定装置２０は、９６個の判定データに対して正しい判定結果ＳＣを出力することが検証されている。つまり、上記の場合に、判定装置２０の判定精度が、９８パーセントであることが検証されている。
以上説明したように、本実施形態の判定装置２０は、重み算出部２４０により算出された重みＷと、被験者に関するデータのうち、検査結果データＭＴと、身体データＰＤを含む判定データとに基づいて、当該被験者の判定得点を判定する。ここで判定装置２０は、当該被験者に関するデータのうち、教師判定得点ＬＳＣと、教師検査結果データＬＭＴと、教師身体データＬＰＤとに基づいて、重みＷを算出する。
したがって、本実施形態の判定装置２０によれば、従来、自己申告に基づく医学的検査において質問及び回答が対面で行われることによって生じていた労力や時間を低減することができる。
したがって、本実施形態の判定装置２０によれば、従来、自己申告に基づく医学的検査において質問及び回答が対面で行われることによって生じていた労力や時間を低減することができる。
［重みＷの算出］
図６は、本実施形態の重みＷを算出する手順の一例を示す図である。
ここでは、ユニット間結合度とバイアス項とを合わせて重みＷと呼ぶ。
図６は、本実施形態の重みＷを算出する手順の一例を示す図である。
ここでは、ユニット間結合度とバイアス項とを合わせて重みＷと呼ぶ。
本実施形態の重みＷの算出手順では、重み算出部２４０は、一例として、ニューラルネットワークＮＮの学習を隠れ層毎に行う。
重みＷの算出手順の開始時には、ニューラルネットワークＮＮは、入力層と、第１の隠れ層、出力層から構成される。重み算出部２４０は、第１の隠れ層についての重みＷの算出を行う。その後、重み算出部２４０は、ニューラルネットワークＮＮに第１の隠れ層と出力層との間に第２の隠れ層を追加する。重み算出部２４０は、第２の隠れ層についての重みＷの算出を行う。重み算出部２４０は、以上の手順を繰り返すことで、各隠れ層毎に重みＷの算出を行う。重み算出部２４０は、第４の隠れ層についての重みＷの算出が完了した時点で、重みＷの算出を終了する。
なお、重み算出部２４０は、ニューラルネットワークＮＮの学習を全ての隠れ層について行ってもよい。
以下、重みＷの算出の具体的な手順について説明する。なお、この演算手順は、コンピュータによって実行可能である。
重みＷの算出手順の開始時には、ニューラルネットワークＮＮは、入力層と、第１の隠れ層、出力層から構成される。重み算出部２４０は、第１の隠れ層についての重みＷの算出を行う。その後、重み算出部２４０は、ニューラルネットワークＮＮに第１の隠れ層と出力層との間に第２の隠れ層を追加する。重み算出部２４０は、第２の隠れ層についての重みＷの算出を行う。重み算出部２４０は、以上の手順を繰り返すことで、各隠れ層毎に重みＷの算出を行う。重み算出部２４０は、第４の隠れ層についての重みＷの算出が完了した時点で、重みＷの算出を終了する。
なお、重み算出部２４０は、ニューラルネットワークＮＮの学習を全ての隠れ層について行ってもよい。
以下、重みＷの算出の具体的な手順について説明する。なお、この演算手順は、コンピュータによって実行可能である。
（ステップＳ４００）重み算出部２４０は、重みＷ、及びバイアスＢの初期化を行う。ここで、重みＷの要素を要素ｗｊｉ、バイアスＢの要素を要素ｂｊｉとする。要素ｗｊｉ、及び要素ｂｊｉは、ｊ番目の層に隣接する（ｊ＋１）番目の層を構成するユニットへの入力を算出する際に用いられる。重み算出部２４０は、ｗｊｉの値として、正規分布から生成された０から１の間に分布する乱数を設定し、ｂｊｉの値として０を設定する。
重み算出部２４０は、Ｎ個の教師データをランダムに並べ変える。
重み算出部２４０は、Ｎ個の教師データをランダムに並べ変える。
（ステップＳ４０１）重み算出部２４０は、ランダムに並べ変えた教師データの中から、未使用のものを、昇順にＢ個（Ｂは自然数）ずつ取り出す。ただし、未使用の教師データがない場合、重み算出部２４０は、教師データを再びランダムに並べ変え、未使用の教師データとする。取り出されたＢ個の教師データを、ミニバッチと呼ぶ。
（ステップＳ４０２）重み算出部２４０は、ニューラルネットワークＮＮにドロップアウトの手法を適用する。ドロップアウトとは、過学習が起こりにくくするための手法である。
重み算出部２４０は、入力層、及び隠れ層の各々について、各層を構成するユニットをある確率ｐ（ｐは０から１までの実数）で無効化する。ここで、ユニットを無効化するとは、当該ユニットからの出力を一時的にゼロとして扱うという意味である。本実施形態では、一例として、ｐの値を０．５とするが、ｐの値はこれに限らない。なお、確率ｐは、各層毎に異なってもよい。
また、得点判定部２７０は、判定得点を判定する際、ニューラルネットワークＮＮの入力層、及び隠れ層の各々の出力を、無効化した確率ｐに応じてｐ倍する。
重み算出部２４０は、入力層、及び隠れ層の各々について、各層を構成するユニットをある確率ｐ（ｐは０から１までの実数）で無効化する。ここで、ユニットを無効化するとは、当該ユニットからの出力を一時的にゼロとして扱うという意味である。本実施形態では、一例として、ｐの値を０．５とするが、ｐの値はこれに限らない。なお、確率ｐは、各層毎に異なってもよい。
また、得点判定部２７０は、判定得点を判定する際、ニューラルネットワークＮＮの入力層、及び隠れ層の各々の出力を、無効化した確率ｐに応じてｐ倍する。
（ステップＳ４０３）重み算出部２４０は、取り出したミニバッチの中から教師データを１つ取り出す。重み算出部２４０は、取り出した教師データの中から、教師検査結果データＬＭＴと、教師身体データＬＰＤとを、ニューラルネットワークＮＮへの入力ｘｉ（ｉ＝１、２、・・・、Ｂ：Ｂはミニバッチに含まれる教師データ数）とする。ここで、ｘｉは、教師検査結果データＬＭＴと、教師身体データＬＰＤとに含まれるデータの種類の数の成分をもつベクトルである。
重み算出部２４０は、入力ｘｉに各々重みｗｊｉ（ここではｊ＝１）を乗じ、バイアスｂｊｉ（ここではｊ＝１）を加えたものを、第１の隠れ層へのあるユニットへの入力とする。重み算出部２４０は、当該ユニットへの入力を活性化関数に代入した値を算出し、当該ユニットからの出力ｈｋ（ｋ＝１，２）とする。本実施形態では、一例として、Ｔａｎｈ関数を活性化関数に用いる。なお、活性化関数は、Ｔａｎｈ関数以外の関数であってもよい。活性化関数は、例えば、ロジスティック関数や正規化線形関数であってもよい。
重み算出部２４０は、第１の隠れ層の各ユニットからの出力ｈｋ（ｋ＝１，２）に各々重みｗｊｉ（ここではｊ＝２）を乗じ、バイアスｂｊｉ（ここではｊ＝２）を加えたものを第２の隠れ層への各ユニットへの入力とする。重み算出部２４０は、第１の隠れ層と同様に、当該入力を活性化関数に代入することで第２の隠れ層の各ユニットからの出力を算出する。
重み算出部２４０は、以上の処理を出力層まで繰り返し、出力層からの出力ｙｋ（ｋ＝１，２）を算出する。
重み算出部２４０は、入力ｘｉに各々重みｗｊｉ（ここではｊ＝１）を乗じ、バイアスｂｊｉ（ここではｊ＝１）を加えたものを、第１の隠れ層へのあるユニットへの入力とする。重み算出部２４０は、当該ユニットへの入力を活性化関数に代入した値を算出し、当該ユニットからの出力ｈｋ（ｋ＝１，２）とする。本実施形態では、一例として、Ｔａｎｈ関数を活性化関数に用いる。なお、活性化関数は、Ｔａｎｈ関数以外の関数であってもよい。活性化関数は、例えば、ロジスティック関数や正規化線形関数であってもよい。
重み算出部２４０は、第１の隠れ層の各ユニットからの出力ｈｋ（ｋ＝１，２）に各々重みｗｊｉ（ここではｊ＝２）を乗じ、バイアスｂｊｉ（ここではｊ＝２）を加えたものを第２の隠れ層への各ユニットへの入力とする。重み算出部２４０は、第１の隠れ層と同様に、当該入力を活性化関数に代入することで第２の隠れ層の各ユニットからの出力を算出する。
重み算出部２４０は、以上の処理を出力層まで繰り返し、出力層からの出力ｙｋ（ｋ＝１，２）を算出する。
（ステップＳ４０４）重み算出部２４０は、目的関数を算出する。目的関数は、重みＷの関数であり、ニューラルネットワークＮＮの出力と、教師データに含まれる教師判定得点ＬＳＣとの一致度が高いほど、小さい値を与える。ニューラルネットワークＮＮの出力と、教師判定得点ＬＳＣとの一致度は、高ければ高いほど、ニューラルネットワークＮＮが入力に対してより正しい結果を出力したということを意味する。
ここで目的関数は、式（１）で与えられる。
ここで目的関数は、式（１）で与えられる。
本実施形態においては、式（１）における教師データ数Ｎは、ミニバッチに含まれる教師データ数Ｂに等しい。
目的関数は、教師データ毎に与えられる損失関数ｌの平均である。ここで、損失関数ｌは、出力ｙと、教師データから得られるｙｉ（ｉ＝１、２、・・・、Ｎ：Ｎは教師データのデータ数）との二乗誤差で与えられる。ここで、ｙｉは、２成分のベクトルである。ｙｉは、教師判定得点ＬＳＣが２４点以上である場合、ｙｉ＝（１、０）で与えられる。一方、教師判定得点ＬＳＣが２４点未満である場合、ｙｉ＝（０、１）で与えられる。
なお、損失関数ｌは、一例として二乗誤差を用いたが、これに限らない。損失関数ｌは、例えば、エントロピー誤差であってもよい。
目的関数は、教師データ毎に与えられる損失関数ｌの平均である。ここで、損失関数ｌは、出力ｙと、教師データから得られるｙｉ（ｉ＝１、２、・・・、Ｎ：Ｎは教師データのデータ数）との二乗誤差で与えられる。ここで、ｙｉは、２成分のベクトルである。ｙｉは、教師判定得点ＬＳＣが２４点以上である場合、ｙｉ＝（１、０）で与えられる。一方、教師判定得点ＬＳＣが２４点未満である場合、ｙｉ＝（０、１）で与えられる。
なお、損失関数ｌは、一例として二乗誤差を用いたが、これに限らない。損失関数ｌは、例えば、エントロピー誤差であってもよい。
（ステップＳ４０５）重み算出部２４０は、勾配降下法を用いて重みＷの更新を行う。勾配降下法とは、誤差（目的関数）が小さくなるような勾配の方向にパラメータを変化させるように、パラメータを算出する方法のことである。本実施形態のように、ミニバッチを利用することにより、教師データの一部のみを使用して学習を行うことを、確率的勾配降下法（ＳＧＤ：Ｓｔｏｃｈａｓｔｉｃ Ｇｒａｄｉｅｎｔ Ｄｅｓｃｅｎｔ）と呼ぶ。
具体的には、重み算出部２４０は、式（２）に従って重みＷの更新を行う。
具体的には、重み算出部２４０は、式（２）に従って重みＷの更新を行う。
（ステップＳ４０６）重み算出部２４０は、ステップＳ４０５における重みＷの更新により、目的関数が収束したか否かを判定する。重み算出部２４０は、目的関数が収束したと判定した場合（ＹＥＳ）、重みＷの算出処理を終了する。一方、目的関数が収束していないと判定した場合（ＮＯ）、ステップＳ４０１の処理を行う。
確率的勾配降下法を使用して学習を行うことの理由の一つは、目的関数が収束する最適解より前に、重みＷが局所解に陥ってしまうことを防ぐためである。
確率的勾配降下法を使用して学習を行うことの理由の一つは、目的関数が収束する最適解より前に、重みＷが局所解に陥ってしまうことを防ぐためである。
なお、本実施形態においては、説明変数が、年齢情報ＡＧと、血液検査情報ＧＢＴと、脳活動測定結果情報ＢＡである場合を説明したが、説明変数はこれに限らない。例えば、説明変数として、年齢情報ＡＧと、血液検査情報ＧＢＴと、脳活動測定結果情報ＢＡとのうち一部のみを用いてもよい。また、説明変数として、血液検査情報ＧＢＴに含まれる検査項目毎の検査値のうち一部のみを用いてもよいし、脳活動測定結果情報ＢＡに含まれる測定対象項目の測定値のうち一部のみを用いてもよい。
例えば、説明変数として、年齢情報ＡＧと、アルブミンの検査値と、尿酸の検査値と、左脳側ヘモグロビン濃度Ｌ＿Ｈｂと、右脳側ヘモグロビン濃度Ｒ＿Ｈｂと、左脳側酸素飽和度Ｌ＿ＳＯ２と、右脳側酸素飽和度Ｒ＿ＳＯ２とのみを用いてもよい。
また、別の例として、説明変数として、年齢情報ＡＧと、左脳側ヘモグロビン濃度Ｌ＿Ｈｂと、右脳側ヘモグロビン濃度Ｒ＿Ｈｂと、左脳側酸素飽和度Ｌ＿ＳＯ２と、右脳側酸素飽和度Ｒ＿ＳＯ２とのみを用いてもよい。
また、別の例として、説明変数として、年齢情報ＡＧと、左脳側ヘモグロビン濃度Ｌ＿Ｈｂと、右脳側ヘモグロビン濃度Ｒ＿Ｈｂと、左脳側酸素飽和度Ｌ＿ＳＯ２と、右脳側酸素飽和度Ｒ＿ＳＯ２とのみを用いてもよい。
また、説明変数として、身体データＰＤに、被験者の身体的特徴を示す他の情報を加えてもよいし、年齢情報ＡＧの代わりに被験者の身体的特徴を表す他の情報を用いてもよい。被験者の身体的特徴を表す他の情報は、例えば、性別を示す情報、身長を示す情報、体重を示す情報、肥満度を示す情報などでもよい。肥満度を示す情報とは、例えば、体格指数（ＢＭＩ：Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）である。
また、説明変数として、検査結果データＭＴに、血液検査情報ＧＢＴと、脳活動測定結果情報ＢＡと以外の被験者の医学的検査の検査結果を示す他の情報を加えてもよいし、血液検査情報ＧＢＴと、脳活動測定結果情報ＢＡとの代わりに、被験者の医学的検査の検査結果を示す他の情報を用いてもよい。
また、説明変数として、検査結果データＭＴに、血液検査情報ＧＢＴと、脳活動測定結果情報ＢＡと以外の被験者の医学的検査の検査結果を示す他の情報を加えてもよいし、血液検査情報ＧＢＴと、脳活動測定結果情報ＢＡとの代わりに、被験者の医学的検査の検査結果を示す他の情報を用いてもよい。
また、本実施形態においては、自己申告に基づく医学的検査の一例として、ＭＭＳＥの場合を説明したが、自己申告に基づく医学的検査はＭＭＳＥ以外であってもよい。自己申告に基づく医学的検査としては、例えば、状態・特性不安検査（ＳＴＡＩ：Ｓｔａｔｅ−Ｔｒａｉｔ Ａｎｘｉｅｔｙ Ｉｎｖｅｎｔｏｒｙ）や性格検査などの、結果が得点化されている医学的検査でもよい。
また、本実施形態においては、ニューラルネットワークＮＮの隠れ層の数が４つ、各隠れ層のユニット数が２つの場合を説明したが、隠れ層の数、及び各隠れ層のユニット数はこれに限らない。
また、本実施形態においては、ニューラルネットワークＮＮの出力層のユニット数が２である場合を説明したが、出力層のユニット数はこれに限らない。判定装置２０は、例えば、出力層のユニット数を１つにしてもよい。その場合、判定装置２０は、出力層の出力の１つの値に応じて、判定得点を判定する。また、判定装置２０は、ニューラルネットワークＮＮの出力層のユニット数を３以上にして、判定得点をより細かく分類してもよい。
また、本実施形態においては、ニューラルネットワークＮＮの出力層のユニット数が２である場合を説明したが、出力層のユニット数はこれに限らない。判定装置２０は、例えば、出力層のユニット数を１つにしてもよい。その場合、判定装置２０は、出力層の出力の１つの値に応じて、判定得点を判定する。また、判定装置２０は、ニューラルネットワークＮＮの出力層のユニット数を３以上にして、判定得点をより細かく分類してもよい。
［まとめ］
上述した実施形態に係る判定装置２０によれば、重み算出部２４０により算出された重みＷと、被験者に関するデータのうち、検査結果データＭＴと、身体データＰＤを含む判定データとに基づいて、当該被験者の判定得点を判定する。ここで判定装置２０は、当該被験者に関するデータのうち、教師判定得点ＬＳＣと、教師検査結果データＬＭＴと、教師身体データＬＰＤとに基づいて、重みＷを算出する。したがって、判定装置２０によれば、自己申告に基づく医学的検査の判定を簡便に行うことができる。
上述した実施形態に係る判定装置２０によれば、重み算出部２４０により算出された重みＷと、被験者に関するデータのうち、検査結果データＭＴと、身体データＰＤを含む判定データとに基づいて、当該被験者の判定得点を判定する。ここで判定装置２０は、当該被験者に関するデータのうち、教師判定得点ＬＳＣと、教師検査結果データＬＭＴと、教師身体データＬＰＤとに基づいて、重みＷを算出する。したがって、判定装置２０によれば、自己申告に基づく医学的検査の判定を簡便に行うことができる。
また、上述した実施形態に係る判定装置２０によれば、判定得点が自己申告に基づく認知症の検査（ＭＭＳＥ）の得点と同じである。このため、判定装置２０によれば、従来のＭＭＳＥを利用して被験者の認知症の状態を判定していた判定者が、認知症判定得点を理解しやすい。
上述した実施形態に係る判定装置２０によれば、重みＷが機械学習によって算出されている。このため、判定装置２０によれば、検査者は、被験者の身体的特徴を表す身体データや、医学的検査の検査結果を表す検査結果データの意味についての先入観にとらわれずに、従来は当該被験者の自己申告に基づいて行われていた医学的検査の判定を、当該被験者の自己申告に基づくことなく簡便に行うことができる。
上述した実施形態に係る判定装置２０によれば、医学的検査の検査結果を表すデータは、被験者の一般血液検査の結果を示す血液検査情報ＧＢＴを含む。このため、判定装置２０によれば、特殊な検査や問診が不要である。したがって、判定装置２０によれば、従来は当該被験者の自己申告に基づいて行われていた医学的検査の判定を、当該被験者の自己申告に基づくことなく簡便に行うことができる。
上述した実施形態に係る判定装置２０によれば、医学的検査の検査結果を表すデータは、非侵襲脳活動測定装置による被験者の脳活動の測定結果を示す脳活動測定結果情報ＢＡを含む。このため、判定装置２０によれば、特殊な検査や問診が不要である。したがって、判定装置２０によれば、自己申告に基づく医学的検査の判定を簡便に行うことができる。
以上、本発明の実施形態を、図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更を加えることができる。上述した各実施形態に記載の構成を組み合わせてもよい。
なお、上記の実施形態における各装置が備える各部は、専用のハードウェアにより実現されるものであってもよく、また、メモリおよびマイクロプロセッサにより実現させるものであってもよい。
なお、各装置が備える各部は、メモリおよびＣＰＵ（中央演算装置）により構成され、各装置が備える各部の機能を実現するためのプログラムをメモリにロードして実行することによりその機能を実現させるものであってもよい。
また、各装置が備える各部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、制御部が備える各部による処理を行ってもよい。
なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
１…判定システム、１０…教師データ供給部、２０…判定装置、３０…判定データ供給部、４０…提示部、２１０…教師判定得点取得部、２２０…教師検査結果データ取得部、２３０…教師身体データ取得部、２４０…重み算出部、２５０…検査結果取得部、２６０…身体データ取得部、２７０…得点判定部
Claims (6)
- 第１被験者に関するデータのうち、自己申告に基づく医学的検査の判定得点を含み、医学的検査の検査結果を表すデータと、身体的特徴を表すデータとのうち少なくとも一方を含む第１データに基づいて重みを算出する重み算出部と、
前記重み算出部により算出された前記重みと、第２被験者に関するデータのうち、医学的検査の検査結果を表すデータと、身体的特徴を表すデータとのうち少なくとも一方を含む第２データとに基づいて、前記第２被験者の前記判定得点を判定する得点判定部と、
を備える生体機能についての医学的検査の得点判定装置。 - 前記判定得点とは自己申告に基づく認知症の検査の得点である請求項１に記載の生体機能についての医学的検査の得点判定装置。
- 前記重み算出部は、前記第１データに基づいて機械学習により前記重みを算出する請求項１または請求項２に記載の生体機能についての医学的検査の得点判定装置。
- 前記医学的検査の検査結果を表すデータは、前記第１被験者の一般血液検査の結果を示す血液検査情報を少なくとも含むデータである請求項１から請求項３のいずれか一項に記載の生体機能についての医学的検査の得点判定装置。
- 前記医学的検査の検査結果を表すデータは、非侵襲脳活動測定装置による前記第１被験者の脳活動の測定結果を少なくとも含むデータである請求項１から請求項４のいずれか一項に記載の生体機能についての医学的検査の得点判定装置。
- コンピュータに、
第１被験者に関するデータのうち、自己申告に基づく医学的検査の判定得点を含み、医学的検査の検査結果を表すデータと、身体的特徴を表すデータとのうち少なくとも一方を含む第１データに基づいて重みを算出する重み算出ステップと、
前記重み算出ステップにより算出された前記重みと、第２被験者に関するデータのうち、医学的検査の検査結果を表すデータと、身体的特徴を表すデータとのうち少なくとも一方を含む第２データとに基づいて、前記第２被験者の前記判定得点を判定する得点判定ステップと
を実行させるためのプログラム。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017048625A JP6845716B2 (ja) | 2017-03-14 | 2017-03-14 | 生体機能についての医学的検査の得点判定装置、及びプログラム |
| PCT/JP2018/009933 WO2018168915A1 (ja) | 2017-03-14 | 2018-03-14 | 生体機能についての医学的検査の得点判定装置、及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017048625A JP6845716B2 (ja) | 2017-03-14 | 2017-03-14 | 生体機能についての医学的検査の得点判定装置、及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018149168A true JP2018149168A (ja) | 2018-09-27 |
| JP6845716B2 JP6845716B2 (ja) | 2021-03-24 |
Family
ID=63522283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017048625A Active JP6845716B2 (ja) | 2017-03-14 | 2017-03-14 | 生体機能についての医学的検査の得点判定装置、及びプログラム |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6845716B2 (ja) |
| WO (1) | WO2018168915A1 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021187150A1 (ja) * | 2020-03-19 | 2021-09-23 | オムロンヘルスケア株式会社 | 生体情報取得装置及び生体情報取得方法 |
| WO2022075461A1 (ja) | 2020-10-09 | 2022-04-14 | 国立大学法人東京大学 | 疾患診断結果判定装置、疾患診断結果判定方法、及びプログラム |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7063426B1 (ja) * | 2020-06-16 | 2022-05-09 | コニカミノルタ株式会社 | 予測スコア算出装置、予測スコア算出方法および予測スコア算出プログラム |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011255106A (ja) * | 2010-06-11 | 2011-12-22 | Nagoya Institute Of Technology | 認知機能障害危険度算出装置、認知機能障害危険度算出システム、及びプログラム |
| WO2012165602A1 (ja) * | 2011-05-31 | 2012-12-06 | 国立大学法人名古屋工業大学 | 認知機能障害判別装置、認知機能障害判別システム、およびプログラム |
| JP2014506150A (ja) * | 2010-12-20 | 2014-03-13 | コーニンクレッカ フィリップス エヌ ヴェ | アルツハイマー病へ進行するリスクのある軽度認知障害患者を識別するための方法およびシステム |
| US20150112899A1 (en) * | 2013-10-22 | 2015-04-23 | Mindstrong, LLC | Method and system for assessment of cognitive function based on electronic device usage |
| JP2018055333A (ja) * | 2016-09-28 | 2018-04-05 | 学校法人日本大学 | 認知症判定得点算出装置及びそのプログラム |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5249420B2 (ja) * | 2008-09-04 | 2013-07-31 | レドックス−リアクティブ リエイジェンツ リミテッド ライアビリティー カンパニー | アルツハイマー病の診断、モニタリングおよび／または病期診断のための、バイオマーカー、キットおよび方法 |
| CA3125883C (en) * | 2011-09-16 | 2023-02-14 | Mcgill University | Grading of structures for state determination |
| US10478114B2 (en) * | 2013-09-11 | 2019-11-19 | Maxell, Ltd. | Brain dysfunction assessment method, brain dysfunction assessment device, and program thereof |
-
2017
- 2017-03-14 JP JP2017048625A patent/JP6845716B2/ja active Active
-
2018
- 2018-03-14 WO PCT/JP2018/009933 patent/WO2018168915A1/ja not_active Ceased
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011255106A (ja) * | 2010-06-11 | 2011-12-22 | Nagoya Institute Of Technology | 認知機能障害危険度算出装置、認知機能障害危険度算出システム、及びプログラム |
| JP2014506150A (ja) * | 2010-12-20 | 2014-03-13 | コーニンクレッカ フィリップス エヌ ヴェ | アルツハイマー病へ進行するリスクのある軽度認知障害患者を識別するための方法およびシステム |
| WO2012165602A1 (ja) * | 2011-05-31 | 2012-12-06 | 国立大学法人名古屋工業大学 | 認知機能障害判別装置、認知機能障害判別システム、およびプログラム |
| US20150112899A1 (en) * | 2013-10-22 | 2015-04-23 | Mindstrong, LLC | Method and system for assessment of cognitive function based on electronic device usage |
| JP2018055333A (ja) * | 2016-09-28 | 2018-04-05 | 学校法人日本大学 | 認知症判定得点算出装置及びそのプログラム |
Non-Patent Citations (2)
| Title |
|---|
| "第2章 認知症の診断", 認知症疾患治療ガイドライン2010, JPN6020036241, 2013, pages 44, ISSN: 0004353047 * |
| 荒木 厚: "低血糖による認知機能障害", 日本臨床（増刊）, vol. 第70巻増刊号5, JPN6020036242, 2012, pages 671 - 675, ISSN: 0004353048 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021187150A1 (ja) * | 2020-03-19 | 2021-09-23 | オムロンヘルスケア株式会社 | 生体情報取得装置及び生体情報取得方法 |
| JP2021145985A (ja) * | 2020-03-19 | 2021-09-27 | オムロンヘルスケア株式会社 | 生体情報取得装置及び生体情報取得方法 |
| JP7508820B2 (ja) | 2020-03-19 | 2024-07-02 | オムロンヘルスケア株式会社 | 生体情報取得装置及び生体情報取得方法 |
| WO2022075461A1 (ja) | 2020-10-09 | 2022-04-14 | 国立大学法人東京大学 | 疾患診断結果判定装置、疾患診断結果判定方法、及びプログラム |
| KR20230079202A (ko) | 2020-10-09 | 2023-06-05 | 고쿠리츠다이가쿠호우진 도쿄다이가쿠 | 질병 진단 결과 판정 장치, 질병 진단 결과 판정 방법 및 프로그램 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6845716B2 (ja) | 2021-03-24 |
| WO2018168915A1 (ja) | 2018-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Varadaraj et al. | Association of vision impairment with cognitive decline across multiple domains in older adults | |
| Vingerhoets et al. | Laterality indices consensus initiative (LICI): A Delphi expert survey report on recommendations to record, assess, and report asymmetry in human behavioural and brain research | |
| Crane et al. | Routine collection of patient-reported outcomes in an HIV clinic setting: the first 100 patients | |
| Schuman et al. | Quantification of nerve fiber layer thickness in normal and glaucomatous eyes using optical coherence tomography: a pilot study | |
| Tsai et al. | Cultural influences on emotional responding: Chinese American and European American dating couples during interpersonal conflict | |
| Conron et al. | A longitudinal study of maternal depression and child maltreatment in a national sample of families investigated by child protective services | |
| Ferguson et al. | Shoulder muscle fatigue during repetitive tasks as measured by electromyography and near-infrared spectroscopy | |
| Hoffman et al. | Virtual reality bringing a new reality to postthoracotomy lung cancer patients via a home-based exercise intervention targeting fatigue while undergoing adjuvant treatment | |
| KR20220095104A (ko) | 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법 | |
| Zadro et al. | Does Reiki benefit mental health symptoms above placebo? | |
| CN108135507A (zh) | 用于预测心力衰竭代偿失调的系统和方法 | |
| Cote et al. | Reference values for physical performance measures in the aging working population | |
| Filshtein et al. | Differential item functioning of the everyday cognition (ECoG) scales in relation to racial/ethnic groups | |
| WO2018168915A1 (ja) | 生体機能についての医学的検査の得点判定装置、及びプログラム | |
| Rowe | The impact of internal and external resources on functional outcomes in chronic illness | |
| Lindahl et al. | Effects of context-aware patient guidance on blood pressure self-measurement adherence levels | |
| Groth et al. | Psychotherapy techniques related to therapist alliance among adolescents with eating disorders: The utility of integration. | |
| US12290379B2 (en) | Quantification and estimation based on digital twin output | |
| JP6702836B2 (ja) | 認知症判定得点算出装置及びそのプログラム | |
| Ljungman et al. | Study protocol for the Fex-Can Childhood project: An observational study and a randomized controlled trial focusing on sexual dysfunction and fertility-related distress in young adult survivors of childhood cancer | |
| Rahayu et al. | Psychometric testing of an Indonesian-version diabetes self-management instrument | |
| Akbulut et al. | Support vector machines combined with feature selection for diabetes diagnosis | |
| Nascimben et al. | Technical aspects and validation of custom digital algorithms for hand volumetry | |
| Rietkötter | Ending the war in multi-criteria decision analysis: Taking the best from two worlds: the development and evaluation of guidelines for the use of MACBETH in multi-criteria group decision making for the assessment of new medical products | |
| JP7109499B2 (ja) | 認知症判定得点算出装置及びそのプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20181109 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20191203 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20191203 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200305 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200929 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20201125 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201130 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20201125 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210209 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210226 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6845716 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| S201 | Request for registration of exclusive licence |
Free format text: JAPANESE INTERMEDIATE CODE: R314201 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S804 | Written request for registration of cancellation of exclusive licence |
Free format text: JAPANESE INTERMEDIATE CODE: R314803 |
|
| R371 | Transfer withdrawn |
Free format text: JAPANESE INTERMEDIATE CODE: R371 |
|
| S804 | Written request for registration of cancellation of exclusive licence |
Free format text: JAPANESE INTERMEDIATE CODE: R314803 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |