JP7737691B2 - 異常検出装置 - Google Patents

Description

本発明は、生体組織における血流状態の異常を検出する異常検出装置に関する。

舌癌や咽頭癌など、一部の組織が癌化した場合、これらの組織が切除され、この切除された組織を補うために、他の部位、例えば腹部や背部から血流のある皮膚や皮下組織等（以下、皮弁とも称す）が切り離されて欠損部に移植されることがある。皮弁は血管（動脈と静脈）を含んだ状態で切り出され、欠損部への移植時に、欠損部近傍の健常組織の血管と皮弁の血管を縫合することによって、血流が再開される。このとき、移植組織に血栓が生じて、血流が不足するといった障害が発生すると、移植組織が壊死してしまうことがある。このため、移植後に血流障害が発生していないか否かを医療スタッフが昼夜を問わず頻繁に確認しており、この確認の負荷が非常に大きなものとなっていた。

特許文献１には、生体組織センサーシートを貼り付け、このセンサーシートで得た血流情報によって、生体組織の血流障害を検出する装置が、記載されている。

再表２０１７－０２６３９３号公報

皮弁の血流状態は、常に変動するため、例え一時的に低下しても、その後増加が続けば、問題無く皮弁が生着することがある。一方、血流状態が徐々に低下した場合、対応が必要と判断した時には手遅れとなり、皮弁が生着しないこともある。このため、頻繁に血流を確認したとしても、単に確認時点の血流の状態から判断したのでは、精度良く血流状態の異常を検出できないという問題があった。

そこで本発明は、血流状態の異常を精度良く検出する技術の提供を目的とする。

上記課題を解決するため、本発明の異常検出装置は、
生体組織における血液の流量を示す血流情報を時系列に取得する取得部と、
時系列に取得した前記血流情報のうち、所定期間内の前記血流情報に基づいて、前記所定期間後における前記血流情報の予測値を求める予測部と、
前記所定期間後の前記血流情報が前記予測値から外れた場合に、異常の発生を検出する異常検出部と、
前記異常の発生を検出した場合に、警告情報を出力する警報部と、
を備える。

前記異常検出装置は、前記予測部が、前記所定期間内の前記血流情報を時系列解析し、所定確率の信頼区間を予測値の範囲として求めてもよい。

前記異常検出装置は、前記取得部が、前記血液の流量に加えて、収縮期血圧、平均血圧、拡張期血圧、脈拍、呼吸数の少なくとも一つを含む前記血流情報を取得し、
前記予測部が、所定期間内の前記血流情報を機械学習して数理モデルを求め、当該数理モデルに基づいて前記所定期間後における前記血流情報の予測値を求めてもよい。

前記異常検出装置は、前記予測部が、
前記血流情報について定常性の検定を行い、
定常性があると判定した場合に、前記所定期間内の前記血流情報を時系列解析し、所定確率の信頼区間を予測値の範囲として求め、
定常性が無いと判定した場合に、前記数理モデルに基づいて前記所定期間後における前記血流情報の予測値を求めてもよい。

上記課題を解決するため、本発明の異常検出プログラムは、
生体組織における血液の流量を示す血流情報を時系列に取得することと、
時系列に取得した前記血流情報のうち、所定期間内の前記血流情報に基づいて、前記所定期間後における前記血流情報の予測値を求めることと、
前記所定期間後の前記血流情報が前記予測値から外れた場合に、異常の発生を検出することと、
前記異常の発生を検出した場合に、警告情報を出力することと、
を制御部に実行させる。

本発明は、血流状態の異常を精度良く検出する技術を提供できる。

異常検出システムの概略構成を示す図である。 センサの設置状態と構成を示す図である。 異常検出装置の制御部が、プログラムに従って実行する処理の手順を示す図である。 時系列に取得した血流情報と、この血流情報から求めた信頼区間を示す図である。 時系列分析の説明図である。 第二実施形態に係る異常検出装置の構成を示す図である。 第二実施形態に係る血流情報を示す図である。 異常検出装置の制御部が、プログラムに従って実行する処理の手順を示す図である。 第三実施形態に係る異常検出装置の制御部が、プログラムに従って実行する処理の手順を示す図である。

〈第一実施形態〉
以下、図面を参照して本発明を実施するための形態（以下、実施形態という）に係る異常検出システム１００について説明する。以下の実施形態の構成は例示であり、本発明は実施形態の構成に限定されない。図１は、異常検出システム１００の概略構成を示す図、図２は、センサ２０の設置状態と構成を示す図である。図１の例では患者３の顔における一部の組織を切除し、この欠損部分に他の部位から切り離した皮弁３１を移植した例を示す。なお、移植する部位は、顔に限らず、他の部位であってもよい。また、生体は、人に限定されない。

〈システム構成〉
異常検出システム１００は、生体（例えば患者）に移植した生体組織（皮弁）について、移植後の血流状態を監視し、異常の発生を検出した場合に、警報を出力する。異常検出システム１００は、血流情報を検出するセンサ２０と、血流情報に基づいて異常を検出する異常検出装置１０とを有している。

〈センサ〉
センサ２０は、測定対象である皮弁３１に貼り付けられるパッド２１と、このパッド２１及び異常検出装置１０と電気的に接続されたセンサ本体２２とを備えている。図２に示すように、パッド２１は、皮弁３１の表面に貼り付けられ、皮弁内へ光信号を発する発光部２１１と皮弁内で反射した光信号を受光する受光部２１２とを有している。受光部２１２は受光した光信号を電気信号（検出信号）に変換してセンサ本体２２へ送信する。

皮弁３１は、動脈３２と静脈３３を含んだ状態で切り出され、欠損部への移植時に、欠損部近傍の健常組織の動脈及び静脈と、皮弁３１側の動脈３２及び静脈３３とをそれぞれ血管を縫合することによって、血流が再開される。このとき、動脈３２に血栓が生じると、皮弁３１は虚血し、静脈３３に血栓が生じると、皮弁３１は鬱血し、血流が異常な状態となる。この状態が続くと、皮弁３１を構成する細胞に酸素が行き渡らず、皮弁３１が壊死してしまうことがある。このため、異常が発生した場合には、動脈３２及び静脈３３を再吻合し、血流を確保するといった対応が速やかにとれるように、センサ２０で血流の状態を検出する。

発光部２１１から発せられる光信号は、血中のヘモグロビンによって吸収されやすい波長となっているため、皮弁中の血液の量が変化すると光信号の吸収量も変化し、血液の動きが検出信号に反映されることになる。これにより、センサ本体２２は、受光部２１２で検出した検出信号と、発光部２１１を発光させた信号との位相差等から、血液の流量（以下、血流量とも称す）を検出する。センサ本体２２は、検出した血流量の値を血流情報として異常検出装置１０へ入力する。

〈異常検出装置〉
異常検出装置１０は、センサ２０で検出した血流情報に基づいて、皮弁３１の血流状態に異常が発生したと判定した場合に警報を出力する処理を行う情報処理装置（コンピュータ）である。異常検出装置１０は、制御部１１、記憶部１２、及び入出力部１３を備える。制御部１１は、異常検出装置１０における各種の演算処理を統括的に実行する。制御部１１は、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、
又はＦＰＧＡ（Field-Programmable Gate Array）などの演算処理手段である。

記憶部１２は、例えば、主記憶部１２１と、補助記憶部１２２を備える。主記憶部１２１は、ＲＡＭ（Random Access Memory）又はＲＯＭ（Read Only Memory）などの主記憶部を備え、例え制御部１１で演算処理する情報が展開される。なお、主記憶部１２１は、制御部１１と一体に形成されてもよい。

補助記憶部１２２は、ＲＡＭ等の揮発性メモリ、ＲＯＭ等の不揮発性メモリ、ＥＰＲＯＭ（Erasable Programmable ROM）、ハードディスクドライブ（ＨＤＤ、Hard Disk Drive）、又はリムーバブルメディアなどの記憶媒体から構成される。なお、リムーバブルメディアは、例えば、ＵＳＢ（Universal Serial Bus）メモリ、または、メモリカード等、外部から装着可能で、かつコンピュータ読み取り可能な記録媒体である。

補助記憶部１２２には、保護装置１の動作を実行するための、オペレーティングシステム（Operating System：ＯＳ）、各種プログラム、各種テーブル、各種データベース、ユーザデータなどが記憶可能である。

入出力部１３は、例えば、センサ２０からの血流情報の入力、及びセンサ２０や他の装置への情報（制御信号等）の出力を行うインターフェイスである。また、入出力部１３は、他の装置からの情報の入力（受信）、及び他の装置への情報の出力（送信）を行う通信
モジュールであってもよい。更に、入出力部１３は、操作ボタンやタッチパネルなどユーザによる操作情報の入力、及びディスプレイやスピーカなどによるユーザへの出力（表示や音出力等）を行うユーザインターフェイスであってもよい。

制御部１１は、補助記憶部１２２に記憶されたプログラムを主記憶部１２１の作業領域に読み出して実行し、入出力部１３を介してセンサ２０やディスプレイ等の手段を制御することで、所定の機能部、例えば、血流情報取得部１１１、予測部１１２、異常検出部１１３、及び出力制御部１１４として機能する。なお、これらの機能部は、プログラム（ソフトウェア）に基づいて実現されるものに限らず、その一部又は全部が、プロセッサ、集積回路、及び論理回路等のハードウェア回路により構成されてもよい。

血流情報取得部１１１は、入出力部１３を介してセンサ２０から、生体組織における血液の流量を示す血流情報を時系列に取得する。血流情報取得部１１１は、例えば、所定の周期で測定した血流量の値をセンサ２０から逐次取得し、測定時刻に応じた配列で測定時刻を示す情報と共に記憶部１２に記憶する。

予測部１１２は、時系列に取得した血流情報のうち、所定期間内の血流情報に基づいて、前記所定期間後における前記血流情報の予測範囲を求める。例えば、予測部１１２は、測定開始から現時点までの血流情報に基づいて、次に取得する血流情報の予測範囲を求める。本実施形態の予測部１１２は、時系列解析によって、所定確率の信頼区間、例えば５０％信頼区間や９５％信頼区間を予測値がとり得る予測範囲として求める。

異常検出部１１３は、所定期間後の血流情報が前記予測範囲から外れた場合に、異常の発生を検出する。例えば、異常検出部１１３は、所定期間の次に取得した血流情報が予測範囲内であれば、異常は発生していないと判定し、次に取得した血流情報が予測範囲から外れていれば、異常が発生したと判定する。

出力制御部１１４は、血流情報取得部１１１で取得した血流情報や、異常検出部１１３で異常の発生を検出したことを示す警告情報をディスプレイやスピーカ等の出力手段へ出力し、表示出力や音出力をさせる。即ち、本実施形態の出力制御部１１４は、警報部の一形態である。

〈異常検出装置の動作〉
図３は、異常検出装置１０の制御部１１が、プログラムに従って実行する処理の手順を示す図である。制御部１１は、電源が投入された場合や、処理開始の指示を受けた場合に図３の処理を開始し、繰り返し実行する。また、制御部１１は、図３の処理と並行して、センサ２０から血流情報を逐次取得し、時系列データとして記憶部１２に格納する。これにより制御部１１は、過去の血流情報を記憶部１２から時系列に取得できるようにしている。

ステップＳ１０にて、制御部１１は、測定開始から現時点まで等、所定期間の血流情報を記憶部１２から取得する。

ステップＳ２０にて、制御部１１は、ステップＳ１０で取得した血流情報に基づいて、所定期間後における血流情報の予測範囲を求める。例えば、予測部１１２は、測定開始から現時点までの血流情報に基づいて、時系列解析を行い、５０％信頼区間を求めて予測範囲とする。

ステップＳ３０にて、制御部１１は、所定期間後の血流情報とステップＳ２０で求めた予測範囲とに基づいて、異常が発生したか否かを判定する。例えば、制御部１１は、前記
所定期間の次に取得した血流情報が、予測範囲から外れた場合に、異常が発生したと判定（肯定判定）し、ステップＳ４０へ移行する。

ステップＳ４０にて、制御部１１は、入出力部１３を介して、ディスプレイやスピーカ、他の装置へ、異常が発生したことを示す警告情報を出力する。例えば、制御部１１は、警告音をスピーカから出力させると共に、ディスプレイに警告メッセージを表示させる。また、医療スタッフが持つ携帯電話やスマートフォン等の情報端末に警告情報を送信する。更に、ナースコールの制御装置など、異常を通知するための他のシステムに警告情報を送信してもよい。

一方、ステップＳ３０で、否定判定の場合、制御部１１は、警告情報を出力せずに図３の処理を終了する。

これにより、異常検出装置１０は、皮弁３１の血流状態を常時監視し、異常が発生した場合だけ警告を発する。

〈異常の予測処理〉
図４は、時系列に取得した血流情報と、この血流情報から求めた信頼区間を示す図である。図４では、横軸に測定開始からの経過時間をとり、縦軸に血流量[ml/min]をとり、血流量の変化を示している。

制御部１１は、この血流情報を時系列分析することにより、所定確率の信頼区間を求める。時系列分析は、ＡＲモデル・ＭＡモデル・ＳＡＲＩＭＡモデルなど、種々のものを用いることができるが、本実施形態では、ＡＲＭＡモデルを用いている。図５は、ＡＲＭＡモデルを説明する図である。

例えば、図５に示すように時系列データY(t)を自己回帰（AR）部分と移動平均（MA）部分よりモデル化したものはARMAモデルと呼ばれており、
Ｙt＝ａＹｔ－１＋ｂ
と定義される。

これを一般化したＡＲ(p)過程とＭＡ(q)過程の合成関数をARMA(p,q)と表現する。図４
の例では、ARMA(3,5)が得られた。

そして、制御部１１は、図４に示すように、測定開始からステップＳ１０で血流情報を取得する時点までを所定期間Ａ０とし、この所定期間Ａ０の血流情報から信頼区間Ａ１，Ａ２を求める。図４において符号Ａ１は、５０％信頼区間を示し、符号Ａ２は、９５％信頼区間を示している。手術後、正常な血流状態が続けば、新たに取得した血流情報は、信頼区間Ａ１，Ａ２の範囲に収まるが、血栓が生じるなどして、異常に血流量が低下した場合、この新たに取得した血流情報が信頼区間Ａ１，Ａ２から外れることになる。このため、制御部１１は、ステップＳ３０で血流情報が信頼区間Ａ１又は信頼区間Ａ２から外れたか否かによって、異常の発生を判定することができる。なお、図４では、５０％信頼区間及び９５％信頼区間の例を示したが、信頼区間の確率（信頼係数）は、これに限定されるものではなく、他の値であってもよい。例えば、測定開始時に医療スタッフの操作によって、所定範囲（５０％～９５％等）から任意の信頼係数が選択されてもよい。また、信頼係数の異なる複数の信頼区間を求める場合、９５％信頼区間から外れた場合には直ちに警報を出力し、５０％信頼区間から外れた場合、所定時間（例えば３分）外れた状態が継続したタイミングや、判定を繰り返して所定回数（連続３回、単位時間あたり５回など）外れたタイミングで警報を出力するなど、外れた信頼区間の信頼係数に応じて警報のタイミングを異ならせてもよい。

〈実施形態の効果〉
上述のように、本実施形態によれば、術後の血流情報を時系列解析することにより、血流情報の予測範囲（信頼区間）を求め、次に取得した血流情報が予測範囲から外れたか否かによって異常の発生を検出する。このように、本実施形態の異常検出装置は、判定の基準となる予測範囲を所定期間における血流情報の変位に基づいて求めるため、異常の発生を精度良く検出することができる。このため、血流状態の監視を機械的に行うことができ、医療スタッフの負荷を軽減できる。

〈第二実施形態〉
図６は、第二実施形態に係る異常検出装置１０Ａの構成を示す図、図７は、第二実施形態に係る血流情報を示す図である。前述の第一実施形態では、ARMAモデルによって血流情報の予測範囲を求めたが、これに限らず、本実施形態では、ＡＩによって血流情報の予測範囲を求める例を示す。なお、この他の構成は、前述の第一実施形態と略同じであるので、同一の要素に同符号を付す等して再度の説明を省略している。

図６に示すように、異常検出装置１０Ａは、入出力部１３を介して、血圧センサ２４、脈拍センサ２５、呼吸数センサ２６と接続している。異常検出装置１０Ａは、血圧センサ２４から、皮弁３１の移植が行われた患者（生体）の収縮期血圧、平均血圧、及び拡張期血圧を取得する。また、異常検出装置１０Ａは、脈拍センサ２５及び呼吸数センサ２６から、皮弁３１の移植が行われた患者（生体）の脈拍及び呼吸数を取得する。なお、これらのセンサ２４～２６は、周知のセンサのため、詳細な説明は省略する。

このように、異常検出装置１０Ａの制御部１１は、血流情報取得部１１１として、センサ２０，２４～２６から、血流量、収縮期血圧、平均血圧、拡張期血圧、脈拍、及び呼吸数を取得し、これらを血流情報とする。図７では、符号Ｄ１が収縮期血圧、符号Ｄ２が平均血圧、符号Ｄ３３が拡張期血圧、符号Ｄ４が脈拍、符号Ｄ５が呼吸数、符号Ｄ６が皮弁の血流量を示している。

また、本実施形態の制御部１１は、予測部１１２として、これらの血流情報から機械学習して数理モデルを作成し、この数理モデルに基づいて血流情報の予測範囲を求める。即ち、予測部１１２は、ＡＩによって、血流情報の予測範囲を求める。

図８は、異常検出装置１０Ａの制御部１１が、プログラムに従って実行する処理の手順を示す図である。制御部１１は、電源が投入された場合や、処理開始の指示を受けた場合に図８の処理を開始し、繰り返し実行する。また、制御部１１は、図８の処理と並行して、センサ２０，２４～２６から血流情報を逐次取得し、時系列データとして記憶部１２に格納する。これにより制御部１１は、過去の血流情報を記憶部１２から時系列に取得できるようにしている。

ステップＳ１１０にて、制御部１１は、測定開始から現時点まで等、血流情報を記憶部１２から取得する。

ステップＳ１２０にて、制御部１１は、測定開始から現時点までの血流情報のうち、一部の血流情報をトレーニングデータとして機械学習を行い、数理モデルを作成する。例えば、制御部１１は、測定開始から現時点までの期間Ａ３（図７）のうち、測定開始から８割までの期間を第一期間、第一期間Ａ４の後から現時点までを第二期間Ａ５とし、第一期間Ａ３の血液情報をトレーニングデータとする。

ステップＳ１３０にて、制御部１１は、ステップＳ１２０で作成した数理モデルに基づ
いて、血流情報、例えば血流量を予測する。

ステップＳ１４０にて、制御部１１は、第二期間Ａ４の血流情報（実測値）とステップＳ１３０で予測した血流量（予測値）とを比較し、異常が発生したか否かを判定する。例えば、制御部１１は、第二期間Ａ４の血流量（実測値）が予測値から外れている場合に、異常が発生したと判定（肯定判定）し、ステップＳ１５０へ移行する。

ステップＳ１５０にて、制御部１１は、入出力部１３を介して、ディスプレイやスピーカ、他の装置へ、異常が発生したことを示す警告情報を出力する。一方、ステップＳ１４０で、否定判定の場合、制御部１１は、警告情報を出力せずに図８の処理を終了する。

このように、本実施形態によれば、機械学習によって血流情報を予測し、次に取得した血流情報が予測値から外れたか否かによって異常の発生を検出する。このように、本実施形態の異常検出装置は、判定の基準となる予測範囲を所定期間（第一期間）における血流情報の変位に基づいて求めるため、異常の発生を精度良く検出することができる。

〈第三実施形態〉
図９は、第三実施形態に係る異常検出装置１０Ａの制御部１１が、プログラムに従って実行する処理の手順を示す図である。前述の第一実施形態では、時系列解析によって血流情報を予測し、第二実施形態ではＡＩによって血流情報を予測したが、本実施形態では、血流情報の定常性に応じて予測手法を切り替える例を示す。なお、この他の構成は、前述の第一実施形態又は第二実施形態と略同じであるので、同一の要素に同符号を付す等して再度の説明を省略している。

異常検出装置１０Ａは、前述の第二実施形態と同様に、血流情報として、センサ２０，２４～２６から、血流量、収縮期血圧、平均血圧、拡張期血圧、脈拍、及び呼吸数を取得可能となっている。

時系列解析による予測と、ＡＩによる予測を比較した場合、血流量の推移に定常性がある場合には、時系列解析による予測の精度が高く、血流量の推移に定常性がない（定常性が低い）場合には、ＡＩによる予測の精度が高くなる傾向がある。このため、本実施形態の異常検出装置１０Ａは、取得した血流量について、定常性の検定を行い、定常性がある場合、時系列解析による予測を行い、定常性がない場合には、ＡＩによる予測を行う。

本実施形態に係る異常検出装置１０Ａの制御部１１は、電源が投入された場合や、処理開始の指示を受けた場合に図９の処理を開始し、繰り返し実行する。また、制御部１１は、図９の処理と並行して、センサ２０，２４～２６から血流情報を逐次取得し、時系列データとして記憶部１２に格納する。これにより制御部１１は、過去の血流情報を記憶部１２から時系列に取得できるようにしている。

ステップＳ３にて、制御部１１は、検定結果を確認し、まだ検定を行っていなければステップＳ５へ移行し、定常性があると検定済みであればステップＳ１０へ移行し、定常性がないと検定済みであればステップＳ１１０へ移行する。

ステップＳ５へ移行した場合、制御部１１は、測定開始から検定が可能となる所定時間（例えば３０分）が経過したか否かを判定する。ステップＳ５で、否定判定の場合、図９の処理を終了し、肯定判定の場合、ステップＳ７へ移行する。

ステップＳ７にて、制御部１１は、測定開始から現時点までに取得した血流情報の血流量について定常性検定を行う。検定の手法は、特に限定されるものではないが、本実施形
態において、制御部１１は、拡張Dickey-Fuller検定を行う。

ステップＳ９にて、制御部１１は、ステップＳ７の検定結果に基づいて定常性があるか否かを判定する。例えば、制御部１１は、ステップＳ７の検定結果が所定値（棄却値）よりも大きければ定常性があると判定し、検定結果が所定値（棄却値）以下であれば定常性がないと判定する。

ステップＳ９で、肯定判定した場合、制御部１１は、ステップＳ１０へ移行して前述の第一実施形態と同様に処理を行う。一方、ステップＳ９で否定判定した場合、制御部１１は、ステップＳ１１０へ移行して前述の第二実施形態と同様に処理を行う。

このように本実施形態によれば、血流量の定常性に応じて、予測手法を選択し、適切な予測手法を用いて予測値を求めることにより、更に精度良く異常の判定を行うことができる。

１ 保護装置
３ 患者
１０，１０Ａ 異常検出装置
１１ 制御部
１２ 記憶部
１３ 入出力部
２０，２４～２６ センサ
２１ パッド
２２ センサ本体
３１ 皮弁
３２ 動脈
３３ 静脈
１００ 異常検出システム
１１１ 血流情報取得部
１１２ 予測部
１１３ 異常検出部
１１４ 出力制御部
１２１ 主記憶部
１２２ 補助記憶部
２１１ 発光部
２１２ 受光部

Claims (6)

1. 生体組織における血液の流量に加えて、収縮期血圧、平均血圧、拡張期血圧、脈拍、呼吸数の少なくとも一つを含む血流情報を時系列に取得する取得部と、
   時系列に取得した前記血流情報をトレーニングデータとして機械学習して数理モデルを求め、当該数理モデルに基づいて、前記血流情報の測定開始から所定期間後における前記血流情報の予測範囲を求める予測部と、
   前記所定期間後の前記血流情報が前記予測範囲から外れた場合に、異常の発生を検出する異常検出部と、
   前記異常の発生を検出した場合に、警告情報を出力する警報部と、
   を備える異常検出装置。
2. 前記予測部が、
   前記血流情報について定常性の検定を行い、
   定常性があると判定した場合に、前記所定期間内の前記血流情報を時系列解析し、所定確率の信頼区間を前記血流情報の予測範囲として求め、
   定常性が無いと判定した場合に、前記数理モデルに基づいて前記所定期間後における前記血流情報の予測範囲を求める、
   請求項１に記載の異常検出装置。
3. 前記生体組織が、生体に移植された皮弁である請求項１又は２に記載の異常検出装置。
4. 生体組織における血液の流量に加えて、収縮期血圧、平均血圧、拡張期血圧、脈拍、呼吸数の少なくとも一つを含む血流情報を時系列に取得することと、
   時系列に取得した前記血流情報をトレーニングデータとして機械学習して数理モデルを求め、当該数理モデルに基づいて、前記血流情報の測定開始から所定期間後における前記血流情報の予測範囲を求めることと、
   前記所定期間後の前記血流情報が前記予測範囲から外れた場合に、異常の発生を検出することと、
   前記異常の発生を検出した場合に、警告情報を出力することと、
   を制御部に実行させるための異常検出プログラム。
5. 前記制御部が、
   前記血流情報について定常性の検定を行い、
   定常性があると判定した場合に、前記所定期間内の前記血流情報を時系列解析し、所定確率の信頼区間を前記血流情報の予測範囲として求め、
   定常性が無いと判定した場合に、前記数理モデルに基づいて前記所定期間後における前記血流情報の予測範囲を求める、
   請求項４に記載の異常検出プログラム。
6. 前記生体組織が、生体に移植された皮弁である請求項４又は５に記載の異常検出プログラム。