CN116670704A - 未病诊断装置、未病诊断方法以及学习模型生成装置 - Google Patents
未病诊断装置、未病诊断方法以及学习模型生成装置 Download PDFInfo
- Publication number
- CN116670704A CN116670704A CN202180089570.0A CN202180089570A CN116670704A CN 116670704 A CN116670704 A CN 116670704A CN 202180089570 A CN202180089570 A CN 202180089570A CN 116670704 A CN116670704 A CN 116670704A
- Authority
- CN
- China
- Prior art keywords
- data
- diagnosis
- log
- learning model
- target person
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 553
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 225
- 201000010099 disease Diseases 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims description 9
- 230000000474 nursing effect Effects 0.000 claims abstract description 145
- 230000008859 change Effects 0.000 claims abstract description 82
- 230000007613 environmental effect Effects 0.000 claims description 160
- 230000007958 sleep Effects 0.000 claims description 132
- 230000002159 abnormal effect Effects 0.000 claims description 110
- 238000012549 training Methods 0.000 claims description 87
- 210000000988 bone and bone Anatomy 0.000 claims description 62
- 206010012289 Dementia Diseases 0.000 claims description 41
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 claims description 38
- 206010022437 insomnia Diseases 0.000 claims description 38
- 206010035669 Pneumonia aspiration Diseases 0.000 claims description 37
- 201000009807 aspiration pneumonia Diseases 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 30
- 208000035475 disorder Diseases 0.000 claims description 26
- 230000000147 hypnotic effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 description 89
- 208000024891 symptom Diseases 0.000 description 55
- 238000010586 diagram Methods 0.000 description 48
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 42
- 235000012054 meals Nutrition 0.000 description 41
- 238000013528 artificial neural network Methods 0.000 description 24
- 239000003326 hypnotic agent Substances 0.000 description 24
- 229910002092 carbon dioxide Inorganic materials 0.000 description 21
- 239000001569 carbon dioxide Substances 0.000 description 21
- 230000005856 abnormality Effects 0.000 description 20
- 206010011224 Cough Diseases 0.000 description 16
- 230000008452 non REM sleep Effects 0.000 description 12
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 12
- 230000008878 coupling Effects 0.000 description 11
- 238000010168 coupling process Methods 0.000 description 11
- 238000005859 coupling reaction Methods 0.000 description 11
- 210000000225 synapse Anatomy 0.000 description 11
- 239000000470 constituent Substances 0.000 description 10
- 239000002131 composite material Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000036772 blood pressure Effects 0.000 description 6
- 238000001816 cooling Methods 0.000 description 6
- 206010019345 Heat stroke Diseases 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 230000006735 deficit Effects 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 230000006866 deterioration Effects 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 238000001647 drug administration Methods 0.000 description 4
- 230000001771 impaired effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 231100000572 poisoning Toxicity 0.000 description 3
- 230000000607 poisoning effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000002631 hypothermal effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007659 motor function Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009747 swallowing Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 241000206607 Porphyra umbilicalis Species 0.000 description 1
- 241001261506 Undaria pinnatifida Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000031877 prophase Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
-
- 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 pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1112—Global tracking of patients, e.g. by using GPS
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1114—Tracking parts of the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Child & Adolescent Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Pulmonology (AREA)
Abstract
未病诊断装置(1)构成为具有:日志取得部(11),其取得表示未病的诊断对象者的身体变化的日志;护理数据取得部(12),其取得表示针对诊断对象者的护理内容的护理数据;以及未病诊断部(13),其将由日志取得部(11)取得的日志和由护理数据取得部(12)取得的护理数据提供给学习模型(43),从学习模型(43)取得表示诊断对象者有可能发生的未病的诊断数据。
Description
技术领域
本发明涉及未病诊断装置、未病诊断方法以及学习模型生成装置。
背景技术
一般而言,医生如果在诊断对象者的血液检查结果或诊断对象者的图像检查结果等中确认到异常的表现,则进行诊断对象者出现疾病这样的诊断。即使在血液检查结果等检查结果中未确认到明显异常的表现,如果检查结果中存在异常的征兆,则诊断对象者也有可能发生了作为疾病的前期状态的未病,因此,医生有时会对诊断对象者的检查结果的变化进行经过观察。
但是,作为预测对象者将来可能引起的特定事件的发生的技术,在专利文献1中公开有如下事件预测系统:观察表示对象者的身体的加速度的体动数据的变化,根据体动数据的变化,预测特定事件的发生。对象者是护理设施的入住者或在医院住院的患者。特定事件是对象者在行走时跌倒的事件。对象者在行走时跌倒的事件有可能是因对象者的运动机能下降而产生的。
现有技术文献
专利文献
专利文献1:日本特开2019-155071号公报
发明内容
发明要解决的课题
医生有时对诊断对象者的检查结果的变化进行经过观察,由此,能够发现诊断对象者发生的未病。未病的状态除了虽然诊断对象者没有自觉症状但在检查结果中确认到异常的表现的状态(以下称作“有异常表现状态”)以外,还包含诊断对象者有自觉症状但在检查结果中未确认到异常的表现的状态(以下称作“无异常表现状态”)。
存在如下的课题:能够通过医生对检查结果的变化进行经过观察来发现的未病是有异常表现状态的未病,医生即使对检查结果的变化进行经过观察,有时也无法发现无异常表现状态的未病。
即使专利文献1中公开的事件预测系统能够将特定事件的发生的预测结果通知给医生,该预测结果也是是否发生特定事件的预测结果,而不是表示运动机能下降的检查结果。因此,医生即使参照该预测结果,也无法进行未病的诊断。
本发明正是为了解决上述的课题而完成的,其目的在于,得到一种能够诊断无异常表现状态的未病的未病诊断装置和未病诊断方法。
用于解决课题的手段
本发明的未病诊断装置具有:日志取得部,其取得表示未病的诊断对象者的身体变化的日志;护理数据取得部,其取得表示针对诊断对象者的护理内容的护理数据;以及未病诊断部,其将由日志取得部取得的日志和由护理数据取得部取得的护理数据提供给学习模型,从学习模型取得表示诊断对象者有可能发生的未病的诊断数据。
发明效果
根据本发明,能够诊断无异常表现状态的未病。
附图说明
图1是示出实施方式1的未病诊断装置1的结构图。
图2是示出实施方式1的未病诊断装置1的硬件的硬件结构图。
图3是未病诊断装置1通过软件或固件等实现的情况下的计算机的硬件结构图。
图4是示出实施方式1的学习模型生成装置3的结构图。
图5是示出实施方式1的学习模型生成装置3的硬件的硬件结构图。
图6是学习模型生成装置3通过软件或固件等实现的情况下的计算机的硬件结构图。
图7是示出作为图1所示的未病诊断装置1的处理步骤的未病诊断方法的流程图。
图8是示出作为图4所示的学习模型生成装置3的处理步骤的学习模型生成方法的流程图。
图9是示出针对诊断对象者的未病的诊断结果的说明图。
图10是示出诊断对象者有可能发生的未病的信息的说明图。
图11是示出实施方式2的未病诊断装置1的结构图。
图12是示出实施方式2的未病诊断装置1的硬件的硬件结构图。
图13是示出实施方式2的学习模型生成装置3的结构图。
图14是示出实施方式2的学习模型生成装置3的硬件的硬件结构图。
图15是示出诊断对象者有可能发生的未病的信息的说明图。
图16是示出实施方式3的未病诊断装置1的结构图。
图17是示出实施方式3的未病诊断装置1的硬件的硬件结构图。
图18是示出在设施内产生异常的部位的一例的说明图。
图19是示出生命体征为异常的诊断对象者的一览的说明图。
图20是示出实施方式4的未病诊断装置1的结构图。
图21是示出实施方式4的未病诊断装置1的硬件的硬件结构图。
图22是示出设置有传感器15a-n的位置和从传感器15a-n输出的环境数据的显示例的说明图。
图23是示出实施方式5的未病诊断装置1的结构图。
图24是示出实施方式5的未病诊断装置1的硬件的硬件结构图。
图25是示出诊断对象者的骨格运动的说明图。
图26是示出实施方式6的未病诊断装置1的结构图。
图27是示出实施方式6的未病诊断装置1的硬件的硬件结构图。
图28是示出睡眠的状态变化和空调的运转状况的说明图。
具体实施方式
以下,为了更详细地说明本发明,根据附图说明用于实施本发明的方式。
实施方式1
图1是示出实施方式1的未病诊断装置1的结构图。
图2是示出实施方式1的未病诊断装置1的硬件的硬件结构图。
图1所示的未病诊断装置1具有日志取得部11、护理数据取得部12、未病诊断部13和显示处理部14。
日志取得部11例如通过图2所示的日志取得电路21实现。
日志取得部11取得表示未病的诊断对象者的身体变化的日志。
在此,日志取得部11取得表示身体变化的日志。但是,这只不过是一例,日志取得部11也可以取得表示诊断对象者对设备的操作历史的日志,以代替表示身体变化的日志。
此外,日志取得部11还可以取得表示身体变化的日志和表示诊断对象者对设备的操作历史的日志双方。
日志取得部11将日志输出到未病诊断部13。
护理数据取得部12例如通过图2所示的护理数据取得电路22实现。
护理数据取得部12取得表示针对诊断对象者的护理内容的护理数据。
护理数据取得部12将护理数据输出到未病诊断部13。
未病诊断部13例如通过图2所示的未病诊断电路23实现。
未病诊断部13具有由图4所示的学习模型生成装置3生成的学习模型43。
未病诊断部13将由日志取得部11取得的日志和由护理数据取得部12取得的护理数据提供给学习模型43,从学习模型43取得表示诊断对象者有可能发生的未病的诊断数据。
未病诊断部13将诊断数据输出到显示处理部14。
从未病诊断部13输出到显示处理部14的诊断数据包含表示诊断对象者有可能发生的未病中的无异常表现状态的未病的数据。该诊断数据也可以包含表示有异常表现状态的未病的数据。
显示处理部14例如通过图2所示的显示处理电路24实现。
显示处理部14根据从未病诊断部13输出的诊断数据,生成用于将诊断对象者有可能发生的未病的信息显示到画面的显示数据。
显示处理部14将显示数据输出到显示装置2。
显示装置2例如通过液晶显示器实现。
显示装置2根据从显示处理部14输出的显示数据,将诊断对象者有可能发生的未病的信息显示到画面。
在图1中,假设作为未病诊断装置1的结构要素的日志取得部11、护理数据取得部12、未病诊断部13和显示处理部14分别通过图2所示的专用硬件实现。即,假设未病诊断装置1通过日志取得电路21、护理数据取得电路22、未病诊断电路23和显示处理电路24实现。
日志取得电路21、护理数据取得电路22、未病诊断电路23和显示处理电路24例如分别是单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC(ApplicationSpecific Integrated Circuit:专用集成电路)、FPGA(Field-Programmable Gate Array:现场可编程门阵列)或将它们组合而成的电路。
未病诊断装置1的结构要素不限于通过专用硬件实现,未病诊断装置1也可以通过软件、固件或者软件与固件的组合实现。
软件或固件作为程序存储在计算机的存储器中。计算机是指执行程序的硬件,例如是CPU(Central Processing Unit:中央处理单元)、中央处理装置、处理装置、运算装置、微处理器、微计算机、处理器或DSP(Digital Signal Processor:数字信号处理器)。
图3是未病诊断装置1通过软件或固件等实现的情况下的计算机的硬件结构图。
在未病诊断装置1通过软件或固件等实现的情况下,用于使计算机执行日志取得部11、护理数据取得部12、未病诊断部13和显示处理部14各自的处理步骤的程序存储于存储器31。而且,计算机的处理器32执行存储器31中存储的程序。
此外,在图2中,示出未病诊断装置1的结构要素分别通过专用硬件实现的例子,在图3中,示出未病诊断装置1通过软件或固件等实现的例子。但是,这只不过是一例,也可以是,未病诊断装置1中的一部分结构要素通过专用硬件实现,剩余的结构要素通过软件或固件等实现。
图4是示出实施方式1的学习模型生成装置3的结构图。
图5是示出实施方式1的学习模型生成装置3的硬件的硬件结构图。
图4所示的学习模型生成装置3具有数据取得部41和学习模型生成部42。
数据取得部41例如通过图5所示的数据取得电路51实现。
数据取得部41取得表示未病的诊断对象者的身体变化的日志。
在此,数据取得部41取得表示身体变化的日志。但是,这只不过是一例,数据取得部41也可以取得表示未病的诊断对象者对设备的操作历史的日志,以代替表示身体变化的日志。
此外,数据取得部41还可以取得表示身体变化的日志和表示诊断对象者对设备的操作历史的日志双方。
此外,数据取得部41取得表示针对诊断对象者的护理内容的护理数据。
并且,数据取得部41取得表示诊断对象者有可能发生的未病的训练数据或表示不是未病的训练数据。假设训练数据由医生等生成。
数据取得部41将日志、护理数据和训练数据分别输出到学习模型生成部42。
学习模型生成部42例如通过图5所示的学习模型生成电路52实现。
学习模型生成部42从数据取得部41分别取得日志、护理数据和训练数据。
学习模型生成部42分别使用日志、护理数据和训练数据,对诊断对象者有可能发生的未病进行学习,生成学习模型43,该学习模型43当被提供表示未病的诊断对象者的身体变化的日志和表示针对未病的诊断对象者的护理内容的护理数据时,输出表示诊断对象者有可能发生的未病的诊断数据。
学习模型生成部42将生成的已学习的学习模型43提供给图1所示的未病诊断装置1的未病诊断部13。
已学习的学习模型43是分别使用日志、护理数据和训练数据对诊断对象者有可能发生的未病进行学习而得到的,例如通过神经网络实现。
在图4中,假设作为学习模型生成装置3的结构要素的数据取得部41和学习模型生成部42分别通过图5所示的专用硬件实现。即,假设学习模型生成装置3通过数据取得电路51和学习模型生成电路52实现。
数据取得电路51和学习模型生成电路52例如分别是单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC、FPGA或将它们组合而成的电路。
学习模型生成装置3的结构要素不限于通过专用硬件实现,学习模型生成装置3也可以通过软件、固件或者软件与固件的组合实现。
图6是学习模型生成装置3通过软件或固件等实现的情况下的计算机的硬件结构图。
在学习模型生成装置3通过软件或固件等实现的情况下,用于使计算机执行数据取得部41和学习模型生成部42各自的处理步骤的程序存储于存储器61。而且,计算机的处理器62执行存储器61中存储的程序。
此外,在图5中,示出学习模型生成装置3的结构要素分别通过专用硬件实现的例子,在图6中,示出学习模型生成装置3通过软件或固件等实现的例子。但是,这只不过是一例,也可以是,学习模型生成装置3中的一部分结构要素通过专用硬件实现,剩余的结构要素通过软件或固件等实现。
接着,对图1所示的未病诊断装置1的动作进行说明。
图7是示出作为图1所示的未病诊断装置1的处理步骤的未病诊断方法的流程图。
日志取得部11取得表示未病的诊断对象者的身体变化的日志(图7的步骤ST1)。
此外,日志取得部11取得表示未病的诊断对象者对设备的操作历史的日志。
日志取得部11将取得的日志输出到未病诊断部13。
如果表示诊断对象者的身体变化的日志例如为表示诊断对象者的睡眠的状态变化的睡眠日志,则日志取得部11能够从分析诊断对象者的脑电波的脑电波分析装置或安装于诊断对象者的脑电波传感器等取得日志。脑电波分析装置本身是公知的装置,因此省略详细的说明。
如果表示诊断对象者的身体变化的日志例如为表示诊断对象者的进餐时的状态变化的图像数据,则日志取得部11能够从拍摄诊断对象者的摄像机等取得日志。
如果表示诊断对象者的身体变化的日志例如为表示诊断对象者的行走的状态变化的行走日志,则日志取得部11能够从分析诊断对象者的行走的行走分析装置等取得日志。行走分析装置本身是公知的装置,因此省略详细的说明。
如果由日志取得部11取得的日志例如为表示诊断对象者对设备的操作历史的操作日志,则日志取得部11能够从诊断对象者操作的设备取得日志。诊断对象者操作的设备是空调或电视机等的IoT(Internet of Things:物联网)设备。
护理数据取得部12例如从记录有表示针对诊断对象者的护理内容的护理数据的护理记录装置(未图示)等取得护理数据(图7的步骤ST2)。
护理数据取得部12将护理数据输出到未病诊断部13。
未病诊断部13将由日志取得部11取得的日志和由护理数据取得部12取得的护理数据提供给学习模型43,从学习模型43取得表示诊断对象者有可能发生的未病的诊断数据(图7的步骤ST3)。
未病诊断部13将诊断数据输出到显示处理部14。
以下,例示日志表示的身体变化或日志表示的设备的操作历史、护理数据表示的针对诊断对象者的护理内容与诊断数据表示的有可能的未病的关系。
(1)在未病处于失眠症的前期状态的情况下
(a)日志是表示诊断对象者的睡眠的状态变化的睡眠日志。睡眠的状态被分类为快速眼动睡眠或非快速眼动睡眠等。睡眠日志包含表示各个睡眠状态的时间的数据。
(b)在护理数据中除了诊断对象者有无服用安眠药以外,还记录有诊断对象者的运动量等。
(c)当在护理数据中记录有有服用安眠药时,睡眠日志表示睡眠的状态为正常。但是,当在护理数据中没有记录有服用安眠药时或在护理数据中记录有无服用安眠药时,睡眠日志不表示睡眠的状态为明显的异常,但表示与睡眠的状态为正常时相比,快速眼动睡眠的时间或非快速眼动睡眠的时间减少。此时,是借助安眠药的功效而睡着的,如果不服用安眠药,则有可能无法得到充分的睡眠,因此,学习模型43输出表示处于失眠症的前期状态的诊断数据,作为无异常表现状态的未病。
(d)以前,在护理数据中记录有有服用安眠药时,睡眠日志表示睡眠的状态为正常。最近,即使在护理数据中记录有有服用安眠药时,睡眠日志也表示睡眠的状态为异常。此时,学习模型43输出表示处于失眠症的前期状态的诊断数据,作为有异常表现状态的未病。
(e)当在护理数据中记录有诊断对象者的运动量是充分的运动量时,睡眠日志表示睡眠的状态为正常。但是,当在护理数据中记录有诊断对象者的运动量不是充分的运动量时,睡眠日志不表示睡眠的状态为明显的异常,但是,表示与睡眠的状态为正常时相比,快速眼动睡眠的时间或非快速眼动睡眠的时间减少。此时,由于仅因运动不足而睡不着,只要充分地进行运动就能够睡着,因此,失眠不是病理性的可能性高。因此,此时,学习模型43输出表示不处于失眠症的前期状态的诊断数据。充分的运动量根据诊断对象者的年龄等而确定。
(2)在未病处于吸入性肺炎的前期状态的情况下
(a)日志是表示诊断对象者的进餐时的状态变化的图像数据。图像数据是包含语音数据的数据。在图像数据中,有时拍摄有诊断对象者的进餐时的姿势,并录制有进餐时的咳嗽声。
(b)在护理数据中记录有诊断对象者的进餐内容。进餐内容除了菜单以外还包含食材。
(c)当在护理数据中没有记录被认为是吸入性肺炎的症状的显著症状时,图像数据表示进餐时的姿势是不适合进餐的姿势,在图像数据中录制有进餐时的咳嗽声。此时,由于发生吸入性肺炎的可能性高,因此,学习模型43输出表示处于吸入性肺炎的前期状态的诊断数据,作为无异常表现状态的未病。不适合进餐的姿势例如是指下巴抬起的向上的姿势(后仰时)。
(d)当在护理数据中没有记被认为是吸入性肺炎的症状的显著症状时,图像数据表示进餐时的姿势是不适合进餐的姿势,在护理数据中记录有是容易引起吸入性肺炎的进餐内容。
但是,如果在图像数据中未录制有进餐时的咳嗽声并且在护理数据中没有记录在进餐时有咳嗽,则与吞咽相关的功能未下降的可能性高,因此,学习模型43输出表示不处于吸入性肺炎的前期状态的诊断数据。容易发生吸入性肺炎的进餐内容例如除了面包或红薯这样的水分少、干巴巴的食品以外,例如还是烤紫菜或者裙带菜这样的容易粘在咽喉上的食品。
(3)在未病处于行走障碍的前期状态的情况下
(a)日志是表示诊断对象者的行走的状态变化的行走日志。行走日志除了表示诊断对象者的行走速度、姿势、脚的抬起幅度、步幅等的数据以外,还包含表示诊断对象者的骨骼变化的骨骼数据。
(b)在护理数据中,除了诊断对象者的行走量以外,还记录有诊断对象者有无服用安眠药、诊断对象者的脸色、会话量或进餐量等。
(c)当在护理数据中没有记录被认为是行走障碍的显著症状时,行走日志不表示行走的状态为明显的异常,但是,表示行走的状态发生劣化。例如,在5天前的行走速度比10天前的行走速度慢,今天的行走速度比5天前的行走速度慢时,或者在5天前的行走幅度比10天前的行走幅度窄,今天的行走幅度比5天前的行走幅度窄时,认为行走的状态发生劣化。
此时,如果护理数据中记录的诊断对象者的行走量不超过预计超负荷(overwork)的行走量,则认为行走状态的劣化原因不是行走疲劳。此外,诊断对象者的脸色良好,并且进餐量照常。在这样的情况下,由于行走的状态因诊断对象者的行走功能下降而发生劣化的可能性高,因此,学习模型43输出表示处于行走障碍的前期状态的诊断数据,作为无异常表现状态的未病。
(d)以前,在护理数据中没有记录被认为是行走障碍的显著症状,行走日志不表示行走的状态为明显的异常。最近,在护理数据中记录有被认为是行走障碍的显著症状。或者,行走日志表示行走的状态为明显的异常。在这样的情况下,学习模型43输出表示处于行走障碍的前期状态的诊断数据,作为有异常表现状态的未病。
(e)在护理数据中没有记录被认为是行走障碍的显著症状时,行走日志不表示行走的状态为明显的异常,但是,表示行走的状态发生劣化。但是,在护理数据中记录的诊断对象者的行走量超过预计超负荷的行走量时,认为行走状态的劣化原因是行走疲劳。此外,在诊断对象者的脸色较差时、会话量非常少时或者进餐量非常少时,认为诊断对象者的身体状况较差。在这样的情况下,由于行走状态因除了诊断对象者的行走功能下降以外而发生劣化的可能性高,因此,学习模型43输出表示不处于行走障碍的前期状态的诊断数据。
(4)在未病处于痴呆症的前期状态的情况下
(a)日志是表示诊断对象者对设备的操作历史的操作日志。操作日志是空调的操作历史或电视机的操作历史等。
(b)在护理数据中记录有诊断对象者对设备的误操作等。作为设备的误操作,符合的有在当前的室温例如为30度以上的高温时使空调以制热模式工作的操作、在当前的室温例如为10度以下的低温时使空调以制冷模式工作的操作等。此外,作为设备的误操作,符合的有使电视机的频道与未广播的频道一致的操作、将电视机的音量设定为最大音量的操作等。
在图1所示的未病诊断装置1中,假设护理诊断对象者的工作人员等根据操作日志表示的设备的操作历史,记录有诊断对象者对设备的误操作。即,假设诊断对象者对设备的误操作被记录于护理数据。或者,假设操作日志包含表示诊断对象者对设备的误操作的数据。
(c)在护理数据中没有记录被认为是痴呆症的症状的显著症状。但是,如果操作日志或护理数据表示虽然设备的误操作的频度较低但反复进行规定次数的相同的误操作,则学习模型43输出表示处于痴呆症的前期状态的诊断数据,作为无异常表现状态的未病。
(d)在护理数据中没有记录被认为是痴呆症的症状的显著症状。但是,如果操作日志或护理数据表示虽然设备的误操作的频度较高但未反复进行相同的误操作,则是与痴呆症无关的误操作的可能性高。因此,此时,学习模型43输出表示不处于痴呆症的前期状态的诊断数据。
但是,如果操作日志或护理数据表示设备的误操作的频度是非常高的频度,则即使表示未反复进行相同的误操作,学习模型43也输出表示处于痴呆症的前期状态的诊断数据,作为无异常表现状态的未病。
显示处理部14根据从未病诊断部13输出的诊断数据,如图9所示,生成用于将表示针对各个诊断对象者的未病的诊断结果的信息显示到画面的显示数据。
此外,显示处理部14根据从未病诊断部13输出的诊断数据,如图10所示,生成用于将各个诊断对象者有可能发生的未病的信息显示到画面的显示数据(图7的步骤ST4)。
如果诊断对象者例如处于失眠症的前期状态,则显示处理部14生成用于将处于失眠症的前期状态显示到画面的显示数据,如果诊断对象者例如处于行走障碍的前期状态,则显示处理部14生成用于将处于行走障碍的前期状态显示到画面的显示数据。
此外,如果诊断对象者例如处于痴呆症的前期状态,则显示处理部14生成用于将处于痴呆症的前期状态显示到画面的显示数据,如果诊断对象者例如处于吸入性肺炎的前期状态,则显示处理部14生成用于将处于吸入性肺炎的前期状态显示到画面的显示数据。
显示处理部14将显示数据输出到显示装置2。
显示装置2根据从显示处理部14输出的显示数据,将诊断对象者有可能发生的未病的信息显示到画面。
图9是示出针对诊断对象者的未病的诊断结果的说明图。
在图9的例子中,示出多个诊断对象者中的101号室的“〇△〇先生”、102号室的“△△〇先生”和103号室的“□△〇先生”无未病,为正常。
另一方面,示出104号室的“☆△〇先生”和105号室的“☆〇☆先生”有未病。
图10是示出诊断对象者有可能发生的未病的信息的说明图。
在图10的例子中,作为未病,示出104号室的“☆△〇先生”有可能处于痴呆症的前期状态。
此外,在图10的例子中,作为未病,示出105号室的“☆〇☆先生”有可能处于失眠症的前期状态。
在以上的实施方式1中,未病诊断装置1构成为具有:日志取得部11,其取得表示未病的诊断对象者的身体变化的日志;护理数据取得部12,其取得表示针对诊断对象者的护理内容的护理数据;以及未病诊断部13,其将由日志取得部11取得的日志和由护理数据取得部12取得的护理数据提供给学习模型43,从学习模型43取得表示诊断对象者有可能发生的未病的诊断数据。因此,未病诊断装置1能够诊断无异常表现状态的未病。
接着,对图4所示的学习模型生成装置3的动作进行说明。
图8是示出作为图4所示的学习模型生成装置3的处理步骤的学习模型生成方法的流程图。
数据取得部41取得表示未病的诊断对象者的身体变化的日志(图8的步骤ST11)。
此外,数据取得部41取得表示未病的诊断对象者对设备的操作历史的日志。
并且,数据取得部41取得表示针对诊断对象者的护理内容的护理数据,取得表示诊断对象者有可能发生的未病的训练数据或表示不是未病的训练数据(图8的步骤ST11)。
数据取得部41将日志、护理数据和训练数据分别输出到学习模型生成部42。
如果日志例如为表示诊断对象者的睡眠的状态变化的睡眠日志,则数据取得部41能够从分析诊断对象者的脑电波的脑电波分析装置或安装于诊断对象者的脑电波传感器等取得日志。
如果日志例如为表示诊断对象者的进餐时的状态变化的图像数据,则数据取得部41能够从拍摄诊断对象者的摄像机等取得日志。
如果日志例如为表示诊断对象者的行走的状态变化的行走日志,则数据取得部41能够从分析诊断对象者的行走的行走分析装置等取得日志。
如果日志例如为表示诊断对象者对设备的操作历史的操作日志,则数据取得部41能够从诊断对象者操作的设备取得日志。
数据取得部41例如能够从记录有表示针对诊断对象者的护理内容的护理数据的护理记录装置等取得护理数据。
训练数据表示诊断对象者有可能发生的未病或不是未病,假设由医生等生成。
学习模型生成部42从数据取得部41分别取得日志、护理数据和训练数据。
学习模型生成部42使学习模型43分别使用日志、护理数据和训练数据,对诊断对象者有可能发生的未病进行学习(图8的步骤ST12)。
以下,例示学习模型43的学习。
(1)由学习模型生成部42取得没有记录有服用安眠药的护理数据或记录有未服用安眠药的护理数据。
此外,由学习模型生成部42取得如下的睡眠日志:不表示睡眠的状态为明显的异常,但是,表示与睡眠的状态为正常时相比,快速眼动睡眠的时间或非快速眼动睡眠的时间减少。
此外,由学习模型生成部42取得表示处于失眠症的前期状态的训练数据。
在得到如上所述的睡眠日志、护理数据和训练数据的情况下,学习模型生成部42使学习模型43进行学习,使得从学习模型43输出表示处于失眠症的前期状态的诊断数据作为无异常表现状态的未病。在学习模型43通过神经网络实现的情况下,学习模型生成部42使神经网络的突触的耦合强度发生变化,使得从学习模型43输出表示处于失眠症的前期状态的诊断数据。
(2)在学习模型生成部42中以前取得的护理数据中,记录有有服用安眠药,学习模型生成部42中以前取得的睡眠日志表示睡眠的状态为正常。
在学习模型生成部42中最近取得的护理数据中,没有记录有服用安眠药或记录有无服用安眠药。学习模型生成部42中最近取得的睡眠日志表示睡眠的状态为异常。
由学习模型生成部42取得表示处于失眠症的前期状态的训练数据。
在得到如上所述的睡眠日志、护理数据和训练数据的情况下,学习模型生成部42使学习模型43进行学习,使得从学习模型43输出表示处于失眠症的前期状态的诊断数据作为有异常表现状态的未病。在学习模型43通过神经网络实现的情况下,学习模型生成部42使神经网络的突触的耦合强度发生变化,使得从学习模型43输出表示处于失眠症的前期状态的诊断数据。
(3)由学习模型生成部42取得记录有诊断对象者的运动量是充分的运动量的护理数据,并且由学习模型生成部42取得表示睡眠的状态为正常的睡眠日志。
此外,由学习模型生成部42取得记录有诊断对象者的运动量不是充分的运动量的护理数据,并且由学习模型生成部42取得如下的睡眠日志:不表示睡眠的状态为明显的异常,但是,表示与睡眠的状态为正常时相比,快速眼动睡眠的时间或非快速眼动睡眠的时间减少。
此外,由学习模型生成部42取得表示不处于失眠症的前期状态的训练数据。
在得到如上所述的睡眠日志、护理数据和训练数据的情况下,学习模型生成部42使学习模型43进行学习,使得从学习模型43输出表示不处于失眠症的前期状态的诊断数据。在学习模型43通过神经网络实现的情况下,学习模型生成部42使神经网络的突触的耦合强度发生变化,使得从学习模型43输出表示不处于失眠症的前期状态的诊断数据。
(4)由学习模型生成部42取得没有记录被认为是吸入性肺炎的症状的显著症状的护理数据。
此外,由学习模型生成部42取得作为表示进餐时的姿势是不适合进餐的姿势并且录制有进餐时的咳嗽声的图像数据的日志。
此外,由学习模型生成部42取得表示处于吸入性肺炎的前期状态的训练数据。
在得到如上所述的图像数据、护理数据和训练数据的情况下,学习模型生成部42使学习模型43进行学习,使得从学习模型43输出表示处于吸入性肺炎的前期状态的诊断数据作为无异常表现状态的未病。在学习模型43通过神经网络实现的情况下,学习模型生成部42使神经网络的突触的耦合强度发生变化,使得从学习模型43输出表示处于吸入性肺炎的前期状态的诊断数据。
(5)由学习模型生成部42取得没有记录被认为是吸入性肺炎的症状的显著症状的护理数据。
此外,由学习模型生成部42取得作为未录制有进餐时的咳嗽声的图像数据的日志或没有在进餐时有时咳嗽的记录的护理数据。
此外,由学习模型生成部42取得表示不处于吸入性肺炎的前期状态的训练数据。
在得到如上所述的图像数据、护理数据和训练数据的情况下,学习模型生成部42使学习模型43进行学习,使得从学习模型43输出表示不处于吸入性肺炎的前期状态的诊断数据。在学习模型43通过神经网络实现的情况下,学习模型生成部42使神经网络的突触的耦合强度发生变化,使得从学习模型43输出表示不处于吸入性肺炎的前期状态的诊断数据。
(6)由学习模型生成部42取得没有记录被认为是行走障碍的显著症状但记录有诊断对象者的行走量不是超负荷的行走量的护理数据。
此外,由学习模型生成部42取得不表示行走的状态为明显的异常但表示行走的状态发生劣化的行走日志。
此外,由学习模型生成部42取得表示处于行走障碍的前期状态的训练数据。
在得到如上所述的行走日志、护理数据和训练数据的情况下,学习模型生成部42使学习模型43进行学习,使得从学习模型43输出表示处于行走障碍的前期状态的诊断数据作为无异常表现状态的未病。在学习模型43通过神经网络实现的情况下,学习模型生成部42使神经网络的突触的耦合强度发生变化,使得从学习模型43输出表示处于行走障碍的前期状态的诊断数据。
(7)在学习模型生成部42中以前取得的护理数据中,没有记录被认为是行走障碍的显著症状。学习模型生成部42中以前取得的行走日志不表示行走的状态为明显的异常。
在学习模型生成部42中最近取得的护理数据中,记录有被认为是行走障碍的显著症状。或者,学习模型生成部42中最近取得的行走日志表示行走的状态为异常。
此外,由学习模型生成部42取得表示处于行走障碍的前期状态的训练数据。
在得到如上所述的行走日志、护理数据和训练数据的情况下,学习模型生成部42使学习模型43进行学习,使得从学习模型43输出表示处于行走障碍的前期状态的诊断数据作为有异常表现状态的未病。在学习模型43通过神经网络实现的情况下,学习模型生成部42使神经网络的突触的耦合强度发生变化,使得从学习模型43输出表示处于行走障碍的前期状态的诊断数据。
(8)由学习模型生成部42取得没有记录被认为是行走障碍的显著症状但记录有诊断对象者的行走量是超负荷的行走量的护理数据。
此外,由学习模型生成部42取得不表示行走的状态为明显的异常但表示行走的状态发生劣化的行走日志。
此外,由学习模型生成部42取得表示不处于行走障碍的前期状态的训练数据。
在得到如上所述的行走日志、护理数据和训练数据的情况下,学习模型生成部42使学习模型43进行学习,使得从学习模型43输出表示不处于行走障碍的前期状态的诊断数据。在学习模型43通过神经网络实现的情况下,学习模型生成部42使神经网络的突触的耦合强度发生变化,使得从学习模型43输出表示不处于行走障碍的前期状态的诊断数据。
(9)由学习模型生成部42取得没有记录被认为是痴呆症的症状的显著症状的护理数据。
此外,由学习模型生成部42取得表示虽然设备的误操作的频度较低但反复进行规定次数的相同的误操作的操作日志或记录有虽然设备的误操作的频度较低但反复进行规定次数的相同的误操作的护理数据。
此外,由学习模型生成部42取得表示处于痴呆症的前期状态的训练数据。
在得到如上所述的操作日志、护理数据和训练数据的情况下,学习模型生成部42使学习模型43进行学习,使得从学习模型43输出表示处于痴呆症的前期状态的诊断数据作为无异常表现状态的未病。在学习模型43通过神经网络实现的情况下,学习模型生成部42使神经网络的突触的耦合强度发生变化,使得从学习模型43输出表示处于痴呆症的前期状态的诊断数据。
(10)由学习模型生成部42取得没有记录被认为是痴呆症的症状的显著症状的护理数据。
此外,由学习模型生成部42取得表示虽然设备的误操作的频度较高但未反复进行相同的误操作的操作日志或记录有虽然设备的误操作的频度较高但未反复进行相同的误操作的护理数据。
此外,由学习模型生成部42取得表示不处于痴呆症的前期状态的训练数据。
在得到如上所述的操作日志、护理数据和训练数据的情况下,学习模型生成部42使学习模型43进行学习,使得从学习模型43输出表示不处于痴呆症的前期状态的诊断数据。在学习模型43通过神经网络实现的情况下,学习模型生成部42使神经网络的突触的耦合强度发生变化,使得从学习模型43输出表示不处于痴呆症的前期状态的诊断数据。
但是,由学习模型生成部42取得操作日志或护理数据表示设备的误操作的频度非常高并且表示处于痴呆症的前期状态的训练数据。在这样的情况下,学习模型生成部42使学习模型43进行学习,使得从学习模型43输出表示处于痴呆症的前期状态的诊断数据作为无异常表现状态的未病。
学习模型生成部42将已学习的学习模型43提供给图1所示的未病诊断装置1的未病诊断部13(图8的步骤ST13)。
在以上的实施方式1中,学习模型生成装置3构成为具有:数据取得部41,其取得表示未病的诊断对象者的身体变化的日志,取得表示针对诊断对象者的护理内容的护理数据,取得表示诊断对象者有可能发生的未病的训练数据或表示不是未病的训练数据;以及学习模型生成部42,其分别使用由数据取得部41取得的日志、护理数据和训练数据,对诊断对象者有可能发生的未病进行学习,生成学习模型43,该学习模型43当被提供表示未病的诊断对象者的身体变化的日志和表示针对未病的诊断对象者的护理内容的护理数据时,输出表示诊断对象者有可能发生的未病的诊断数据。因此,学习模型生成装置3能够将学习模型43提供给用于诊断无异常表现状态的未病的未病诊断装置1。
实施方式2
在实施方式2中,对如下的未病诊断装置1进行说明:未病诊断部16除了日志和护理数据以外,还将表示诊断对象者的周围环境的环境数据提供给学习模型46,从学习模型46取得表示诊断对象者有可能发生的未病的诊断数据。
图11是示出实施方式2的未病诊断装置1的结构图。
图12是示出实施方式2的未病诊断装置1的硬件的硬件结构图。在图11和图12中,与图1和图2相同的标号表示相同或相应的部分,因此省略说明。
图11所示的未病诊断装置1具有日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16和显示处理部14。
环境数据取得部15例如通过图12所示的环境数据取得电路25实现。
环境数据取得部15取得表示诊断对象者的周围环境的环境数据。
环境数据取得部15将环境数据输出到未病诊断部16。
未病诊断部16例如通过图12所示的未病诊断电路26实现。
未病诊断部16具有由图13所示的学习模型生成装置3生成的学习模型46。
未病诊断部16将由日志取得部11取得的日志、由护理数据取得部12取得的护理数据和由环境数据取得部15取得的环境数据提供给学习模型46,从学习模型46取得表示诊断对象者有可能发生的未病的诊断数据。
未病诊断部16将诊断数据输出到显示处理部14。
在图11中,假设作为未病诊断装置1的结构要素的日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16和显示处理部14分别通过图12所示的专用硬件实现。即,假设未病诊断装置1通过日志取得电路21、护理数据取得电路22、环境数据取得电路25、未病诊断电路26和显示处理电路24实现。
日志取得电路21、护理数据取得电路22、环境数据取得电路25、未病诊断电路26和显示处理电路24例如分别是单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC、FPGA或将它们组合而成的电路。
未病诊断装置1的结构要素不限于通过专用硬件实现,未病诊断装置1也可以通过软件、固件或者软件与固件的组合实现。
在未病诊断装置1通过软件或固件等实现的情况下,用于使计算机执行日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16和显示处理部14各自的处理步骤的程序存储于图3所示的存储器31。而且,图3所示的处理器32执行存储器31中存储的程序。
此外,在图12中,示出未病诊断装置1的结构要素分别通过专用硬件实现的例子,在图3中,示出未病诊断装置1通过软件或固件等实现的例子。但是,这只不过是一例,也可以是,未病诊断装置1中的一部分结构要素通过专用硬件实现,剩余的结构要素通过软件或固件等实现。
图13是示出实施方式2的学习模型生成装置3的结构图。
图14是示出实施方式2的学习模型生成装置3的硬件的硬件结构图。
图13所示的学习模型生成装置3具有数据取得部44和学习模型生成部45。
数据取得部44例如通过图14所示的数据取得电路53实现。
数据取得部44取得表示未病的诊断对象者的身体变化的日志。
在此,数据取得部44取得表示身体变化的日志。但是,这只不过是一例,数据取得部44也可以取得表示未病的诊断对象者对设备的操作历史的日志,以代替表示身体变化的日志。
此外,数据取得部44还可以取得表示身体变化的日志和表示诊断对象者对设备的操作历史的日志双方。
数据取得部44取得表示针对诊断对象者的护理内容的护理数据,取得表示诊断对象者的周围环境的环境数据。
此外,数据取得部44取得表示诊断对象者有可能发生的未病的训练数据或表示不是未病的训练数据。假设训练数据由医生等生成。
数据取得部44将日志、护理数据、环境数据和训练数据分别输出到学习模型生成部45。
学习模型生成部45例如通过图14所示的学习模型生成电路54实现。
学习模型生成部45从数据取得部44分别取得日志、护理数据、环境数据和训练数据。
学习模型生成部45分别使用日志、护理数据、环境数据和训练数据,对诊断对象者有可能发生的未病进行学习,生成学习模型46,该学习模型46当被提供表示未病的诊断对象者的身体变化的日志、表示针对未病的诊断对象者的护理内容的护理数据和表示诊断对象者的周围环境的环境数据时,输出表示诊断对象者有可能发生的未病的诊断数据。
学习模型生成部45将生成的已学习的学习模型46提供给图11所示的未病诊断装置1的未病诊断部16。
已学习的学习模型46是分别使用日志、护理数据、环境数据和训练数据对诊断对象者有可能发生的未病进行学习而得到的,例如通过神经网络实现。
在图13中,假设作为学习模型生成装置3的结构要素的数据取得部44和学习模型生成部45分别通过图14所示的专用硬件实现。即,假设学习模型生成装置3通过数据取得电路53和学习模型生成电路54实现。
数据取得电路53和学习模型生成电路54例如分别是单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC、FPGA或将它们组合而成的电路。
学习模型生成装置3的结构要素不限于通过专用硬件实现,学习模型生成装置3也可以通过软件、固件或者软件与固件的组合实现。
在学习模型生成装置3通过软件或固件等实现的情况下,用于使计算机执行数据取得部44和学习模型生成部45各自的处理步骤的程序存储于图6所示的存储器61。而且,图6所示的处理器62执行存储器61中存储的程序。
此外,在图14中,示出学习模型生成装置3的结构要素分别通过专用硬件实现的例子,在图6中,示出学习模型生成装置3通过软件或固件等实现的例子。但是,这只不过是一例,也可以是,学习模型生成装置3中的一部分结构要素通过专用硬件实现,剩余的结构要素通过软件或固件等实现。
接着,对图11所示的未病诊断装置1的动作进行说明。
日志取得部11取得表示未病的诊断对象者的身体变化的日志。
此外,日志取得部11取得表示未病的诊断对象者对设备的操作历史的日志。
日志取得部11将取得的日志输出到未病诊断部16。
护理数据取得部12例如从记录有表示针对诊断对象者的护理内容的护理数据的护理记录装置等取得护理数据。
护理数据取得部12将护理数据输出到未病诊断部16。
环境数据取得部15取得表示诊断对象者的周围环境的环境数据。
环境数据取得部15将环境数据输出到未病诊断部16。
如果环境数据例如为表示室温、湿度、照度、气压、二氧化碳浓度、空气的污染、臭味、是否存在障碍物等的环境日志,则环境数据取得部15例如能够从观测室温的室温传感器、观测湿度的湿度传感器、观测照度的照度传感器取得日志。此外,环境数据取得部15例如能够从观测气压的气压传感器、观测二氧化碳浓度的二氧化碳传感器、观测空气的污染的污染观测传感器、观测臭味的臭味传感器取得日志。此外,环境数据取得部15例如能够从拍摄包含诊断对象者的环境的监视摄像头取得日志。另外,环境数据包含表示观测环境的传感器的设置位置的位置数据。
未病诊断部16将由日志取得部11取得的日志、由护理数据取得部12取得的护理数据和由环境数据取得部15取得的环境数据提供给学习模型46,从学习模型46取得表示诊断对象者有可能发生的未病的诊断数据。
未病诊断部16将诊断数据输出到显示处理部14。
以下,例示日志表示的身体变化或日志表示的设备的操作历史、护理数据表示的针对诊断对象者的护理内容、环境数据表示的环境和诊断数据表示的有可能的未病的关系。
(1)在未病处于失眠症的前期状态的情况下
(a)日志是表示诊断对象者的睡眠的状态变化的睡眠日志。
(b)在护理数据中除了诊断对象者有无服用安眠药以外,还记录有诊断对象者的运动量等。
(c)环境数据例如包含表示室温的数据。
(d)当在护理数据中记录有有服用安眠药时,睡眠日志表示睡眠的状态为正常。但是,当在护理数据中没有记录有服用安眠药时或在护理数据中记录有无服用安眠药时,睡眠日志不表示睡眠的状态为明显的异常,但表示与睡眠的状态为正常时相比,快速眼动睡眠的时间或非快速眼动睡眠的时间减少。此时,是借助安眠药的功效而睡着,如果不服用安眠药,则有可能无法得到充分的睡眠,因此,学习模型46输出表示处于失眠症的前期状态的诊断数据,作为无异常表现状态的未病。
但是,在环境数据表示的气温例如为30度以上的高温且难以入睡的环境化时,睡眠日志表示与睡眠的状态为正常时相比,快速眼动睡眠的时间或非快速眼动睡眠的时间减少。但是,在环境数据表示的气温为适于睡眠的20度左右的室温时,睡眠日志表示睡眠的状态为正常。此时,由于睡觉的环境不适宜,因此,睡不着的可能性高,因此,学习模型46输出表示不处于失眠症的前期状态的诊断数据。
(e)以前,在护理数据中记录有有服用安眠药时,睡眠日志表示睡眠的状态为正常。最近,即使在护理数据中记录有有服用安眠药时,睡眠日志也表示睡眠的状态为异常。此时,学习模型46输出表示处于失眠症的前期状态的诊断数据,作为有异常表现状态的未病。
但是,在环境数据表示的气温例如为30度以上的高温且难以入睡的环境化时,睡眠日志表示睡眠的状态为异常。但是,在环境数据表示的气温为适于睡眠的20度左右的室温时,睡眠日志表示睡眠的状态为正常。此时,由于睡觉的环境不适宜,因此,睡不着的可能性高,因此,学习模型46输出表示不处于失眠症的前期状态的诊断数据。
(f)当在护理数据中记录有诊断对象者的运动量是充分的运动量时,睡眠日志表示睡眠的状态为正常。但是,当在护理数据中记录有诊断对象者的运动量不是充分的运动量时,睡眠日志不表示睡眠的状态为明显的异常,但是,表示与睡眠的状态为正常时相比,快速眼动睡眠的时间或非快速眼动睡眠的时间减少。此时,由于仅因运动不足而睡不着,只要充分地进行运动就能够睡着,因此,失眠不是病理性的可能性高。因此,此时,学习模型46输出表示不处于失眠症的前期状态的诊断数据。
另外,无论诊断对象者的运动量是否是充分的运动量,在为适于睡眠的20度左右的室温时,睡眠日志都表示睡眠的状态为正常。另一方面,无论诊断对象者的运动量是否是充分的运动量,在为难以入睡的环境化时,睡眠日志都表示与睡眠的状态为正常时相比,快速眼动睡眠的时间或非快速眼动睡眠的时间减少。此时,由于睡觉的环境不适宜,因此,睡不着的可能性高,因此,学习模型46输出表示不处于失眠症的前期状态的诊断数据。
(2)在未病处于吸入性肺炎的前期状态的情况下
(a)日志是表示诊断对象者的进餐时的状态变化的图像数据。图像数据是包含语音数据的数据。在图像数据中,有时拍摄有诊断对象者的进餐时的姿势,并录制有进餐时的咳嗽声。
(b)在护理数据中记录有诊断对象者的进餐内容。进餐内容除了菜单以外还包含食材。
(c)环境数据例如包含表示二氧化碳浓度的数据。
(d)在护理数据中,没有记录被认为是吸入性肺炎的症状的显著症状。但是,图像数据表示进餐时的姿势是不适合进餐的姿势,在图像数据中录制有进餐时的咳嗽声。此时,由于发生吸入性肺炎的可能性高,因此,学习模型46输出表示处于吸入性肺炎的前期状态的诊断数据,作为无异常表现状态的未病。
但是,有时由于环境数据表示的二氧化碳浓度比基准浓度高,因此诊断对象者的状况变差。此时,由于因二氧化碳的影响而发生咳嗽的可能性高,因此,学习模型46输出表示不处于吸入性肺炎的前期状态的诊断数据。基准浓度是有可能引起二氧化碳中毒的最低浓度等。
(e)在护理数据中,没有记录被认为是吸入性肺炎的症状的显著症状。此外,图像数据表示进餐时的姿势是不适合进餐的姿势,护理数据表示是容易引起吸入性肺炎的进餐内容。但是,当在图像数据中未录制有进餐时的咳嗽声或在护理数据中没有记录在进餐时有时咳嗽时,与吞咽相关的功能未下降的可能性高,因此,学习模型46输出表示不处于吸入性肺炎的前期状态的诊断数据。
(3)在未病处于行走障碍的前期状态的情况下
(a)日志是表示诊断对象者的行走的状态变化的行走日志。行走日志除了表示诊断对象者的行走速度、姿势、脚的抬起幅度、步幅等的数据以外,还包含表示诊断对象者的骨骼变化的骨骼数据。
(b)在护理数据中,除了诊断对象者的行走量以外,还记录有诊断对象者有无服用安眠药、诊断对象者的脸色、会话量或进餐量等。
(c)环境数据例如包含拍摄包含诊断对象者的环境的监视摄像头的影像数据。
(d)在护理数据中,没有记录被认为是行走障碍的显著症状。此外,行走日志不表示行走的状态为明显的异常,但是,表示行走的状态发生劣化。
此时,如果护理数据中记录的诊断对象者的行走量不超过预计超负荷(overwork)的行走量,则认为行走状态的劣化原因不是行走疲劳。此外,诊断对象者的脸色良好,并且进餐量照常。在这样的情况下,由于行走的状态因诊断对象者的行走功能下降而发生劣化的可能性高,因此,学习模型46输出表示处于行走障碍的前期状态的诊断数据,作为无异常表现状态的未病。
但是,如果环境数据表示在行走中存在障碍物,则认为行走的状态因障碍物的影响而发生劣化。在这样的情况下,由于行走的状态因除了诊断对象者的行走功能下降以外而发生劣化的可能性高,因此,学习模型46输出表示不处于行走障碍的前期状态的诊断数据。
(e)以前,在护理数据中没有记录被认为是行走障碍的显著症状,行走日志不表示行走的状态为明显的异常。最近,在护理数据中记录有被认为是行走障碍的显著症状。或者,行走日志表示行走的状态为明显的异常。在这样的情况下,学习模型46输出表示处于行走障碍的前期状态的诊断数据,作为有异常表现状态的未病。
但是,如果环境数据表示在行走中存在障碍物,则认为行走的状态因障碍物的影响而发生劣化。在这样的情况下,由于行走的状态因除了诊断对象者的行走功能下降以外而发生劣化的可能性高,因此,学习模型46输出表示不处于行走障碍的前期状态的诊断数据。
(f)在护理数据中,没有记录被认为是行走障碍的显著症状。此外,行走日志不表示行走的状态为明显的异常,但是,表示行走的状态发生劣化。但是,在护理数据中记录的诊断对象者的行走量超过预计超负荷的行走量时,认为行走状态的劣化原因是行走疲劳。此外,在诊断对象者的脸色较差时、会话量非常少时、或进餐量非常少时,认为诊断对象者的身体状况较差。在这样的情况下,由于行走的状态因除了诊断对象者的行走功能下降以外而发生劣化的可能性高,因此,学习模型46输出表示不处于行走障碍的前期状态的诊断数据。
(4)在未病处于痴呆症的前期状态的情况下
(a)日志是表示诊断对象者对设备的操作历史的操作日志。操作日志是空调的操作历史或电视机的操作历史等。
(b)在护理数据中记录有诊断对象者对设备的误操作等。作为设备的误操作,符合的有在当前的室温为30度以上的高温时使空调以制热模式工作的操作、在当前的室温为10度以下的低温时使空调以制冷模式工作的操作等。此外,作为设备的误操作,符合的有使电视机的频道与未广播的频道一致的操作、将电视机的音量设定为最大音量的操作等。
在图11所示的未病诊断装置1中,假设护理诊断对象者的工作人员等根据操作日志表示的设备的操作历史,记录有诊断对象者对设备的误操作。即,假设诊断对象者对设备的误操作被记录于护理数据。或者,假设操作日志包含表示诊断对象者对设备的误操作的数据。
(c)环境数据例如包含表示室温的数据。
(d)在护理数据中,没有记录被认为是痴呆症的症状的显著症状。但是,如果操作日志或护理数据表示虽然设备的误操作的频度较低但反复进行规定次数的相同的误操作,则学习模型46输出表示处于痴呆症的前期状态的诊断数据,作为无异常表现状态的未病。
(e)在护理数据中,没有记录被认为是痴呆症的症状的显著症状。但是,如果操作日志或护理数据表示虽然设备的误操作的频度较高但未反复进行相同的误操作,则是与痴呆症无关的误操作的可能性高。因此,此时,学习模型46输出表示不处于痴呆症的前期状态的诊断数据。
但是,如果操作日志或护理数据表示设备的误操作的频度是非常高的频度,则学习模型46输出表示处于痴呆症的前期状态的诊断数据,作为无异常表现状态的未病。
此外,如果在环境数据表示的室温是有可能发生中暑的危险温度时,不存在表示空调的制冷模式的运转操作的操作日志,则疑似痴呆症,因此,学习模型46输出表示处于痴呆症的前期状态的诊断数据,作为无异常表现状态的未病。
显示处理部14根据从未病诊断部16输出的诊断数据,如图9所示,生成用于将表示针对各个诊断对象者的未病的诊断结果的信息显示到画面的显示数据。
此外,显示处理部14根据从未病诊断部16输出的诊断数据,如图15所示,生成用于将各个诊断对象者有可能发生的未病的信息显示到画面的显示数据。
显示处理部14将显示数据输出到显示装置2。
显示装置2根据从显示处理部14输出的显示数据,将诊断对象者有可能发生的未病的信息显示到画面。
图15是示出诊断对象者有可能发生的未病的信息的说明图。
在图15的例子中,作为未病,示出104号室的“☆△〇先生”有可能处于行走障碍的前期状态。
此外,在图15的例子中,作为未病,示出105号室的“☆〇☆先生”有可能处于吸入性肺炎的前期状态。
在以上的实施方式2中,图11所示的未病诊断装置1构成为具有环境数据取得部15,该环境数据取得部15取得表示诊断对象者的周围环境的环境数据,未病诊断部16将由日志取得部11取得的日志、由护理数据取得部12取得的护理数据和由环境数据取得部15取得的环境数据提供给学习模型46,从学习模型46取得表示诊断对象者有可能发生的未病的诊断数据。因此,图11所示的未病诊断装置1与图1所示的未病诊断装置1相比,能够提高未病的诊断精度。
接着,对图13所示的学习模型生成装置3的动作进行说明。
数据取得部44取得表示未病的诊断对象者的身体变化的日志。
此外,数据取得部44取得表示未病的诊断对象者对设备的操作历史的日志。
数据取得部44取得表示针对诊断对象者的护理内容的护理数据,取得表示诊断对象者的周围环境的环境数据。
并且,数据取得部44取得表示诊断对象者有可能发生的未病的训练数据或表示不是未病的训练数据。
数据取得部44将日志、护理数据、环境数据和训练数据分别输出到学习模型生成部45。
学习模型生成部45从数据取得部44分别取得日志、护理数据、环境数据和训练数据。
学习模型生成部45使学习模型46分别使用日志、护理数据、环境数据和训练数据,对诊断对象者有可能发生的未病进行学习。
以下,例示学习模型46的学习。
(1)由学习模型生成部45取得没有记录有服用安眠药的护理数据或记录有未服用安眠药的护理数据。
此外,由学习模型生成部45取得如下的睡眠日志:不表示睡眠的状态为明显的异常,但是,表示与睡眠的状态为正常时相比,快速眼动睡眠的时间或非快速眼动睡眠的时间减少。
此外,由学习模型生成部45取得表示适于睡眠的20度左右的室温的环境数据。
并且,由学习模型生成部45取得表示处于失眠症的前期状态的训练数据。
在得到如上所述的睡眠日志、护理数据、环境数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示处于失眠症的前期状态的诊断数据作为无异常表现状态的未病。在学习模型46通过神经网络实现的情况下,学习模型生成部45使神经网络的突触的耦合强度发生变化,使得从学习模型46输出表示处于失眠症的前期状态的诊断数据。
(2)在学习模型生成部45中以前取得的护理数据中记录有有服用安眠药,学习模型生成部45中以前取得的睡眠日志表示睡眠的状态为正常。
在学习模型生成部45中最近取得的护理数据中,没有记录有服用安眠药或记录有无服用安眠药。学习模型生成部45中最近取得的睡眠日志表示睡眠的状态为异常。
由学习模型生成部45取得表示适于睡眠的20度左右的室温的环境数据。
此外,由学习模型生成部45取得表示处于失眠症的前期状态的训练数据。
在得到如上所述的睡眠日志、护理数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示处于失眠症的前期状态的诊断数据作为有异常表现状态的未病。
(3)由学习模型生成部45取得没有记录有服用安眠药的护理数据或记录有未服用安眠药的护理数据。
此外,由学习模型生成部45取得如下的睡眠日志:不表示睡眠的状态为明显的异常,但是,表示与睡眠的状态为正常时相比,快速眼动睡眠的时间或非快速眼动睡眠的时间减少。
此外,由学习模型生成部45取得表示作为难以入睡的环境化的30度以上的室温的环境数据。
并且,由学习模型生成部45取得表示不处于失眠症的前期状态的训练数据。
在得到如上所述的睡眠日志、护理数据、环境数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示不处于失眠症的前期状态的诊断数据。
(4)由学习模型生成部45取得记录有诊断对象者的运动量是充分的运动量的护理数据,并且由学习模型生成部45取得表示睡眠的状态为正常的睡眠日志。
此外,由学习模型生成部45取得记录有诊断对象者的运动量不是充分的运动量的护理数据,并且由学习模型生成部45取得如下的睡眠日志:不表示睡眠的状态为明显的异常,但是,表示与睡眠的状态为正常时相比,快速眼动睡眠的时间或非快速眼动睡眠的时间减少。
此外,由学习模型生成部45取得表示周围环境的温度的环境数据。
并且,由学习模型生成部45取得表示不处于失眠症的前期状态的训练数据。
在得到如上所述的睡眠日志、护理数据、环境数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示不处于失眠症的前期状态的诊断数据。
(5)由学习模型生成部45取得表示睡眠的状态为正常的睡眠日志,并且由学习模型生成部45取得表示适于睡眠的20度左右的室温的环境数据。
此外,由学习模型生成部45取得如下的睡眠日志:不表示睡眠的状态为明显的异常,但是,表示与睡眠的状态为正常时相比,快速眼动睡眠的时间或非快速眼动睡眠的时间减少,并且由学习模型生成部45取得表示作为难以入睡的环境化的30度以上的室温的环境数据。
并且,由学习模型生成部45取得表示不处于失眠症的前期状态的训练数据。
在得到如上所述的睡眠日志、护理数据、环境数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示不处于失眠症的前期状态的诊断数据。
(6)由学习模型生成部45取得没有记录被认为是吸入性肺炎的症状的显著症状的护理数据。
此外,由学习模型生成部45取得作为表示进餐时的姿势是不适合进餐的姿势并且录制有进餐时的咳嗽声的图像数据的日志。
此外,由学习模型生成部45取得表示二氧化碳浓度比基准浓度低的环境数据。
并且,由学习模型生成部45取得表示处于吸入性肺炎的前期状态的训练数据。
在得到如上所述的图像数据、护理数据、环境数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示处于吸入性肺炎的前期状态的诊断数据作为无异常表现状态的未病。
(7)由学习模型生成部45取得没有记录被认为是吸入性肺炎的症状的显著症状的护理数据。
此外,由学习模型生成部45取得作为表示进餐时的姿势是不适合进餐的姿势并且录制有进餐时的咳嗽声的图像数据的日志。
此外,由学习模型生成部45取得表示二氧化碳浓度比基准浓度高的环境数据。
并且,由学习模型生成部45取得表示不处于吸入性肺炎的前期状态的训练数据。
在得到如上所述的图像数据、护理数据、环境数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示不处于吸入性肺炎的前期状态的诊断数据。
(8)由学习模型生成部45取得没有记录被认为是吸入性肺炎的症状的显著症状的护理数据。
此外,由学习模型生成部45取得作为未录制有进餐时的咳嗽声的图像数据的日志或没有在进餐时有时咳嗽的记录的护理数据。
此外,由学习模型生成部45取得表示二氧化碳浓度的环境数据。
并且,由学习模型生成部45取得表示不处于吸入性肺炎的前期状态的训练数据。
在得到如上所述的图像数据、护理数据、环境数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示不处于吸入性肺炎的前期状态的诊断数据。
(9)由学习模型生成部45取得没有记录被认为是行走障碍的显著症状的护理数据。
此外,由学习模型生成部45取得不表示行走的状态为明显的异常但表示行走的状态发生劣化的行走日志。
此外,由学习模型生成部45取得表示在行走中不存在障碍物的环境数据。
并且,由学习模型生成部45取得表示处于行走障碍的前期状态的训练数据。
在得到如上所述的行走日志、护理数据、环境数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示处于行走障碍的前期状态的诊断数据作为无异常表现状态的未病。
(10)在学习模型生成部45中以前取得的护理数据中,没有记录被认为是行走障碍的显著症状。学习模型生成部45中以前取得的行走日志不表示行走的状态为明显的异常。
在学习模型生成部45中最近取得的护理数据中,记录有被认为是行走障碍的显著症状。或者,学习模型生成部45中最近取得的行走日志表示行走的状态为明显的异常。
此外,由学习模型生成部45取得表示在行走中不存在障碍物的环境数据。
并且,由学习模型生成部45取得表示处于行走障碍的前期状态的训练数据。
在得到如上所述的行走日志、护理数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示处于行走障碍的前期状态的诊断数据作为异常事件有状态的未病。
(11)由学习模型生成部45取得没有记录被认为是行走障碍的显著症状的护理数据。
此外,由学习模型生成部45取得不表示行走的状态为明显的异常但表示行走的状态发生劣化的行走日志。
此外,由学习模型生成部45取得表示在行走中存在障碍物的环境数据。
并且,由学习模型生成部45取得表示不处于行走障碍的前期状态的训练数据。
在得到如上所述的行走日志、护理数据、环境数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示不处于行走障碍的前期状态的诊断数据。
(12)由学习模型生成部45取得没有记录被认为是行走障碍的显著症状的护理数据。此外,由学习模型生成部45取得表示诊断对象者的行走量超过预计超负荷的行走量的护理数据。
此外,由学习模型生成部45取得不表示行走的状态为明显的异常但表示行走的状态发生劣化的行走日志。
此外,由学习模型生成部45取得表示是否存在障碍物等环境数据。
并且,由学习模型生成部45取得表示不处于行走障碍的前期状态的训练数据。
在得到如上所述的行走日志、护理数据、环境数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示不处于行走障碍的前期状态的诊断数据。
(13)由学习模型生成部45取得没有记录被认为是痴呆症的症状的显著症状的护理数据。
此外,由学习模型生成部45取得表示虽然设备的误操作的频度较低但反复进行规定次数的相同的误操作的操作日志或记录有虽然设备的误操作的频度较低但反复进行规定次数的相同的误操作的护理数据。
此外,由学习模型生成部45取得表示不是有可能发生中暑的危险温度的环境数据。
并且,由学习模型生成部45取得表示处于痴呆症的前期状态的训练数据。
在得到如上所述的操作日志、护理数据、环境数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示处于痴呆症的前期状态的诊断数据作为有异常表现状态的未病。
(14)由学习模型生成部45取得没有记录被认为是痴呆症的症状的显著症状的护理数据。
此外,由学习模型生成部45取得表示虽然设备的误操作的频度较高但未反复进行规定次数的相同的误操作的操作日志或记录有虽然设备的误操作的频度较高但未反复进行规定次数的相同的误操作的护理数据。
此外,由学习模型生成部45取得表示周围环境的温度的环境数据。
并且,由学习模型生成部45取得表示不处于痴呆症的前期状态的训练数据。
在得到如上所述的操作日志、护理数据、环境数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示不处于痴呆症的前期状态的诊断数据。
(15)由学习模型生成部45取得没有记录被认为是痴呆症的症状的显著症状的护理数据。
此外,由学习模型生成部45取得表示虽然设备的误操作的频度较高但未反复进行规定次数的相同的误操作的操作日志或记录有虽然设备的误操作的频度较高但未反复进行规定次数的相同的误操作的护理数据。
此外,由学习模型生成部45取得表示是有可能发生中暑的危险温度的环境数据。此时,未由学习模型生成部45取得表示空调的制冷模式的运转操作的操作日志。在是危险温度的情况下,假设如果不处于痴呆症的前期状态,则诊断对象者进行制冷模式的运转操作。另一方面,在是危险温度时,在诊断对象者不进行制冷模式的运转操作的情况下,处于痴呆症的前期状态的可能性高。
并且,由学习模型生成部45取得表示处于痴呆症的前期状态的训练数据。
在得到如上所述的操作日志、护理数据、环境数据和训练数据的情况下,学习模型生成部45使学习模型46进行学习,使得从学习模型46输出表示处于痴呆症的前期状态的诊断数据作为有异常表现状态的未病。
学习模型生成部45将已学习的学习模型46提供给图11所示的未病诊断装置1的未病诊断部16。
在以上的实施方式2中,数据取得部44取得表示未病的诊断对象者的身体变化的日志,取得表示针对未病的诊断对象者的护理内容的护理数据,取得表示未病的诊断对象者的周围环境的环境数据,取得表示诊断对象者有可能发生的未病的训练数据或表示不是未病的训练数据。而且,以如下方式构成图13所示的学习模型生成装置3:学习模型生成部45分别使用由数据取得部44取得的日志、护理数据、环境数据和训练数据,对诊断对象者有可能发生的未病进行学习,生成学习模型46,该学习模型46当被提供表示未病的诊断对象者的身体变化的日志、表示针对未病的诊断对象者的护理内容的护理数据和表示未病的诊断对象者的周围环境的环境数据时,输出表示诊断对象者有可能发生的未病的诊断数据。因此,图13所示的学习模型生成装置3与图4所示的学习模型生成装置3相比,可提供能够提高未病的诊断精度的学习模型46。
实施方式3
在实施方式3中,对具有判定诊断对象者的周围环境是正常环境还是异常环境的判定部18的未病诊断装置1进行说明。
图16是示出实施方式3的未病诊断装置1的结构图。
图17是示出实施方式3的未病诊断装置1的硬件的硬件结构图。在图16和图17中,与图1、图2、图11和图12相同的标号表示相同或相应的部分,因此省略说明。
图16所示的未病诊断装置1具有日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16、显示处理部14、生命体征数据取得部17和判定部18。
在图16所示的未病诊断装置1中,生命体征数据取得部17和判定部18应用于图11所示的未病诊断装置1。但是,这只不过是一例,生命体征数据取得部17和判定部18也可以应用于图1所示的未病诊断装置1。
生命体征数据取得部17例如通过图17所示的生命体征数据取得电路27实现。
生命体征数据取得部17取得表示诊断对象者的生命体征的生命体征数据或表示护理诊断对象者的工作人员的生命体征的生命体征数据。
生命体征数据取得部17将生命体征数据输出到判定部18。
判定部18例如通过图17所示的判定电路28实现。
判定部18对表示诊断对象者的周围的正常环境和异常环境的边界的边界数据与由环境数据取得部15取得的环境数据进行比较。如果由环境数据取得部15取得的环境数据例如为表示温度的数据,则判定部18取得表示周围的正常温度和异常温度的边界的边界数据。作为边界数据,例如在以预防中暑为目的的情况下,考虑表示32度左右的温度的数据。作为边界数据,例如在以预防低体温症为目的的情况下,考虑表示8度左右的温度的数据。作为边界数据,例如在以预防二氧化碳中毒为目的的情况下,考虑表示3%左右的二氧化碳浓度的数据。边界数据可以存储到判定部18的内部存储器,也可以从未病诊断装置1的外部提供。
判定部18根据边界数据与环境数据的比较结果,判定诊断对象者的周围环境是正常环境还是异常环境。
此外,判定部18对由生命体征数据取得部17取得的表示诊断对象者的生命体征的生命体征数据与阈值Th1进行比较,根据生命体征数据与阈值Th1的比较结果,判定诊断对象者的生命体征是正常还是异常。
此外,判定部18对由生命体征数据取得部17取得的表示工作人员的生命体征的生命体征数据与阈值Th2进行比较,根据生命体征数据与阈值Th2的比较结果,判定工作人员的生命体征是正常还是异常。
判定部18将表示是正常还是异常的判定结果输出到显示处理部14。
阈值Th1、Th2可以存储到判定部18的内部存储器,也可以从未病诊断装置1的外部提供。阈值Th1和阈值Th2可以是相同的值,也可以是互不相同的值。
在图16中,假设作为未病诊断装置1的结构要素的日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16、显示处理部14、生命体征数据取得部17和判定部18分别通过图17所示的专用硬件实现。即,假设未病诊断装置1通过日志取得电路21、护理数据取得电路22、环境数据取得电路25、未病诊断电路26、显示处理电路24、生命体征数据取得电路27和判定电路28实现。
日志取得电路21、护理数据取得电路22、环境数据取得电路25、未病诊断电路26、显示处理电路24、生命体征数据取得电路27和判定电路28例如分别是单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC、FPGA或将它们组合而成的电路。
未病诊断装置1的结构要素不限于通过专用硬件实现,未病诊断装置1也可以通过软件、固件或者软件与固件的组合实现。
在未病诊断装置1通过软件或固件等实现的情况下,用于使计算机执行日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16、显示处理部14、生命体征数据取得部17和判定部18各自的处理步骤的程序存储于图3所示的存储器31。而且,图3所示的处理器32执行存储器31中存储的程序。
此外,在图17中,示出未病诊断装置1的结构要素分别通过专用硬件实现的例子,在图3中,示出未病诊断装置1通过软件或固件等实现的例子。但是,这只不过是一例,也可以是,未病诊断装置1中的一部分结构要素通过专用硬件实现,剩余的结构要素通过软件或固件等实现。
接着,对图16所示的未病诊断装置1的动作进行说明。
除了生命体征数据取得部17和判定部18以外都与图11所示的未病诊断装置1相同,因此,在此,主要对生命体征数据取得部17和判定部18的动作进行说明。
生命体征数据取得部17从安装于诊断对象者的生命体征传感器取得表示诊断对象者的生命体征的生命体征数据。
此外,生命体征数据取得部17从安装于护理诊断对象者的工作人员的生命体征传感器取得表示工作人员的生命体征的生命体征数据。
生命体征数据取得部17将生命体征数据输出到判定部18。
在图16所示的未病诊断装置1中,生命体征数据取得部17从生命体征传感器取得生命体征数据。但是,这只不过是一例,生命体征数据取得部17也可以从管理诊断对象者的生命体征或工作人员的生命体征的计算机等取得生命体征数据。
判定部18从环境数据取得部15取得环境数据。
判定部18对内部存储器等中存储的边界数据与由环境数据取得部15取得的环境数据进行比较。
判定部18根据边界数据与环境数据的比较结果,判定诊断对象者的周围环境是正常环境还是异常环境。
例如,在以预防中暑为目的表示32度左右的温度的边界数据存储于内部存储器等时,如果环境数据表示的温度为边界数据以上,则判定部18判定为诊断对象者的周围环境是异常环境。如果环境数据表示的温度小于边界数据,则判定部18判定为诊断对象者的周围环境是正常环境。
例如,在以预防低体温症为目的表示8度左右的温度的边界数据存储于内部存储器等时,如果环境数据表示的温度为边界数据以下,则判定部18判定为诊断对象者的周围环境是异常环境。如果环境数据表示的温度高于边界数据,则判定部18判定为诊断对象者的周围环境是正常环境。
例如,在以预防二氧化碳中毒为目的表示3%左右的二氧化碳浓度的边界数据存储于内部存储器等时,如果环境数据表示的二氧化碳浓度为边界数据以上,则判定部18判定为诊断对象者的周围环境是异常环境。如果环境数据表示的二氧化碳浓度小于边界数据,则判定部18判定为诊断对象者的周围环境是正常环境。
判定部18将表示诊断对象者的周围环境是正常还是异常的判定结果输出到显示处理部14。
显示处理部14从判定部18取得表示诊断对象者的周围环境是正常还是异常的判定结果。
显示处理部14根据取得的判定结果,生成用于显示产生异常的部位的显示数据。产生异常的部位是环境数据中包含的位置数据表示的传感器的设置位置。
显示处理部14将显示数据输出到显示装置2。
显示装置2根据从显示处理部14输出的显示数据,将产生异常的部位显示到画面。
图18是示出在设施内产生异常的部位的一例的说明图。
在图18中,记述有“高温注意”的部位表示环境数据表示的温度比边界数据表示的温度高的异常环境的位置。
记述有“低温注意”的部位表示环境数据表示的温度比边界数据表示的温度低的异常环境的位置。
记述有“二氧化碳注意”的部位表示环境数据表示的二氧化碳浓度比边界数据表示的二氧化碳浓度高的异常环境的位置。
在图18的例子中,施设内的106号室、109号室和110号室各自的温度为高温。施设内的107号室的温度为低温。施设内的102号室的二氧化碳浓度升高。
判定部18从生命体征数据取得部17取得表示诊断对象者的生命体征的生命体征数据。
判定部18对表示诊断对象者的生命体征的生命体征数据与阈值Th1进行比较。
判定部18根据生命体征数据与阈值Th1的比较结果,判定诊断对象者的生命体征是正常还是异常。
例如,生命体征数据是表示血压的数据,在表示正常血压和高血压的边界的血压作为阈值Th1存储于内部存储器等时,如果生命体征数据为阈值Th1以上,则判定部18判定为诊断对象者的生命体征为异常。如果生命体征数据小于阈值Th1,则判定部18判定为诊断对象者的生命体征为正常。
例如,生命体征数据是表示心率的数据,在正常心率的上限值作为阈值Th1存储于内部存储器等时,如果生命体征数据为阈值Th1以上,则判定部18判定为诊断对象者的生命体征为异常。如果生命体征数据小于阈值Th1,则判定部18判定为诊断对象者的生命体征为正常。
判定部18将表示诊断对象者的生命体征是正常还是异常的判定结果输出到显示处理部14。
显示处理部14从判定部18取得表示诊断对象者的生命体征是正常还是异常的判定结果。
显示处理部14根据取得的判定结果,生成用于显示生命体征为异常的诊断对象者的显示数据。
显示处理部14将显示数据输出到显示装置2。
显示装置2根据从显示处理部14输出的显示数据,将生命体征为异常的诊断对象者显示到画面。
图19是示出生命体征为异常的诊断对象者的一览的说明图。
在图19的例子中,示出分别居住于施设内的103号室、107号室和110号室的诊断对象者存在生命体征的异常。
在图19中,“血压上升”表示诊断对象者的血压为正常血压的上限值以上,“心率上升”表示诊断对象者的心率为正常心率的上限值以上。
判定部18从生命体征数据取得部17取得表示工作人员的生命体征的生命体征数据。
判定部18对表示工作人员的生命体征的生命体征数据与阈值Th2进行比较。
判定部18根据生命体征数据与阈值Th2的比较结果,判定工作人员的生命体征是正常还是异常。
判定部18将表示工作人员的生命体征是正常还是异常的判定结果输出到显示处理部14。
显示处理部14从判定部18取得表示工作人员的生命体征是正常还是异常的判定结果。
显示处理部14根据取得的判定结果,生成用于显示生命体征为异常的工作人员的显示数据。
显示处理部14将显示数据输出到显示装置2。
显示装置2根据从显示处理部14输出的显示数据,将生命体征为异常的工作人员显示到画面。例如将生命体征为异常的工作人员的姓名和异常的生命体征的项目显示到画面。
在此,示出显示装置2将生命体征为异常的工作人员的姓名和异常的生命体征的项目显示到画面的例子。但是,这只不过是一例,例如,如果工作人员携带有GPS(GlobalPositioning System:全球定位系统)传感器,则显示处理部14也可以根据从GPS传感器输出的位置信息,确定工作人员的位置,生成用于将工作人员的位置显示于地图上的显示数据。由此,能够确认生命体征发生异常的工作人员位于何处。
此外,显示处理部14也可以与工作人员的位置一起生成用于显示由护理数据取得部12取得的护理数据表示的护理内容的显示数据。由此,能够确认工作人员在何处进行怎样的护理。
此外,显示处理部14也可以生成用于将工作人员的护理内容的历史显示到一览表的显示数据。由此,能够容易地确认工作人员的护理内容。
在以上的实施方式3中,图16所示的未病诊断装置1构成为具有判定部18,该判定部18对表示诊断对象者的周围的正常环境和异常环境的边界的边界数据与由环境数据取得部15取得的环境数据进行比较,根据边界数据与环境数据的比较结果,判定诊断对象者的周围环境是正常环境还是异常环境。因此,图16所示的未病诊断装置1除了与图1所示的未病诊断装置1同样地能够诊断无异常表现状态的未病以外,还能够确认诊断对象者的周围环境是正常还是异常。
在以上的实施方式3中,图16所示的未病诊断装置1构成为具有:生命体征数据取得部17,其取得表示诊断对象者的生命体征的生命体征数据;以及判定部18,其对由生命体征数据取得部17取得的生命体征数据与阈值进行比较,根据生命体征数据与阈值的比较结果,判定诊断对象者的生命体征是正常还是异常。因此,图16所示的未病诊断装置1能够确认诊断对象者的生命体征是正常还是异常。
在以上的实施方式3中,图16所示的未病诊断装置1构成为具有:生命体征数据取得部17,其取得表示护理诊断对象者的工作人员的生命体征的生命体征数据;以及判定部18,其对由生命体征数据取得部17取得的生命体征数据与阈值进行比较,根据生命体征数据与阈值的比较结果,判定工作人员的生命体征是正常还是异常。因此,图16所示的未病诊断装置1能够确认工作人员的生命体征是正常还是异常。
实施方式4
在实施方式4中,对如下的未病诊断装置1进行说明:具有显示数据生成部19,该显示数据生成部19生成用于显示设置有观测诊断对象者的周围环境的多个传感器的位置等的显示数据。
图20是示出实施方式4的未病诊断装置1的结构图。
图21是示出实施方式4的未病诊断装置1的硬件的硬件结构图。在图20和图21中,与图1、图2、图11、图12、图16和图17相同的标号表示相同或相应的部分,因此省略说明。
图20所示的未病诊断装置1具有日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16、显示处理部14、生命体征数据取得部17、判定部18和显示数据生成部19。
在图20所示的未病诊断装置1中,显示数据生成部19应用于图16所示的未病诊断装置1。但是,这只不过是一例,显示数据生成部19也可以应用于图1所示的未病诊断装置1或图11所示的未病诊断装置1。
环境数据取得部15从观测诊断对象者的周围环境的多个传感器15a-1、…、15a-N分别取得表示环境的观测结果的环境数据。N是2以上的整数。
作为传感器15a-n(n=1、…、N),符合的有室温传感器、湿度传感器、照度传感器、气压传感器、二氧化碳传感器、污染观测传感器、臭味传感器或监视摄像头等。
显示数据生成部19例如通过图21所示的显示数据生成电路29实现。
显示数据生成部19生成用于使画面显示设置有传感器15a-n的位置和从传感器15a-n输出的环境数据的显示数据。
显示数据生成部19将显示数据输出到显示装置2。
在图20中,假设作为未病诊断装置1的结构要素的日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16、显示处理部14、生命体征数据取得部17、判定部18和显示数据生成部19分别通过图21所示的专用硬件实现。即,假设未病诊断装置1通过日志取得电路21、护理数据取得电路22、环境数据取得电路25、未病诊断电路26、显示处理电路24、生命体征数据取得电路27、判定电路28和显示数据生成电路29实现。
日志取得电路21、护理数据取得电路22、环境数据取得电路25、未病诊断电路26、显示处理电路24、生命体征数据取得电路27、判定电路28和显示数据生成电路29例如分别是单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC、FPGA或将它们组合而成的电路。
未病诊断装置1的结构要素不限于通过专用硬件实现,未病诊断装置1也可以通过软件、固件或者软件与固件的组合实现。
在未病诊断装置1通过软件或固件等实现的情况下,用于使计算机执行日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16、显示处理部14、生命体征数据取得部17、判定部18和显示数据生成部19各自的处理步骤的程序存储于图3所示的存储器31。而且,图3所示的处理器32执行存储器31中存储的程序。
接着,对图20所示的未病诊断装置1的动作进行说明。
除了显示数据生成部19以外都与图16所示的未病诊断装置1相同,因此,在此,主要对显示数据生成部19的动作进行说明。
显示数据生成部19取得从环境数据取得部15具有的传感器15a-n输出的环境数据。环境数据包含表示传感器15a-n的设置位置的位置数据。
在图20所示的未病诊断装置1中,环境数据包含表示传感器15a-n的设置位置的位置数据。但是,这只不过是一例,显示数据生成部19的内部存储器也可以存储有表示传感器15a-n的设置位置的位置数据。
显示数据生成部19生成用于使画面显示设置有传感器15a-n的位置和从传感器15a-n输出的环境数据的显示数据。
显示数据生成部19将显示数据输出到显示装置2。
显示装置2根据从显示数据生成部19输出的显示数据,如图22所示,使画面显示设置有传感器15a-n的位置和从传感器15a-n输出的环境数据。
图22是示出设置有传感器15a-n的位置和从传感器15a-n输出的环境数据的显示例的说明图。
在图22中,“●”表示设置有传感器15a-n的位置,“△△”表示从传感器15a-n输出的环境数据。
在以上的实施方式4中,以如下方式构成图20所示的未病诊断装置1:环境数据取得部15从观测诊断对象者的周围环境的多个传感器15a-1~15a-N分别取得表示环境的观测结果的环境数据,该未病诊断装置1具有显示数据生成部19,该显示数据生成部19生成用于使画面显示设置有各个传感器15a-n的位置和从各个传感器15a-n输出的环境数据的显示数据。因此,图20所示的未病诊断装置除了与图1所示的未病诊断装置同样地能够诊断无异常表现状态的未病以外,还能够确认设置有传感器15a-n的位置和从传感器15a-n输出的环境数据。
实施方式5
在实施方式5中,对如下的未病诊断装置1进行说明:具有显示数据生成部72,该显示数据生成部72根据从骨格分析部71输出的骨格数据,生成用于使画面显示诊断对象者的骨格运动的显示数据。
图23是示出实施方式5的未病诊断装置1的结构图。
图24是示出实施方式5的未病诊断装置1的硬件的硬件结构图。在图23和图24中,与图1、图2、图11、图12、图16、图17、图20和图21相同的标号表示相同或相应的部分,因此省略说明。
图23所示的未病诊断装置1具有日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16、显示处理部14、生命体征数据取得部17、判定部18、骨格分析部71和显示数据生成部72。
在图23所示的未病诊断装置1中,骨格分析部71和显示数据生成部72应用于图20所示的未病诊断装置1。但是,这只不过是一例,骨格分析部71和显示数据生成部72也可以应用于图1所示的未病诊断装置1、图11所示的未病诊断装置1或图16所示的未病诊断装置1。
在图23所示的未病诊断装置1中,日志取得部11取得拍摄诊断对象者的摄像头的影像数据,作为表示诊断对象者的身体变化的日志。
骨格分析部71例如通过图24所示的骨格分析电路81实现。
骨格分析部71根据由日志取得部11取得的影像数据,分析诊断对象者的骨格运动。分析骨格运动并生成表示骨格运动的骨格数据的处理本身是公知的技术,因此省略详细的说明。
骨格分析部71将表示诊断对象者的骨格运动的骨格数据输出到显示数据生成部72。
显示数据生成部72例如通过图24所示的显示数据生成电路82实现。
显示数据生成部72与图20所示的显示数据生成部19同样地,生成用于使画面显示设置有传感器15a-n的位置和从传感器15a-n输出的环境数据的显示数据。
此外,显示数据生成部72根据从骨格分析部71输出的骨格数据,生成用于使画面显示诊断对象者的骨格运动的显示数据。
显示数据生成部72将显示数据输出到显示装置2。
在图23中,假设作为未病诊断装置1的结构要素的日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16、显示处理部14、生命体征数据取得部17、判定部18、骨格分析部71和显示数据生成部72分别通过图24所示的专用硬件实现。即,假设未病诊断装置1通过日志取得电路21、护理数据取得电路22、环境数据取得电路25、未病诊断电路26、显示处理电路24、生命体征数据取得电路27、判定电路28、骨格分析电路81和显示数据生成电路82实现。
日志取得电路21、护理数据取得电路22、环境数据取得电路25、未病诊断电路26、显示处理电路24、生命体征数据取得电路27、判定电路28、骨格分析电路81和显示数据生成电路82例如分别是单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC、FPGA或将它们组合而成的电路。
未病诊断装置1的结构要素不限于通过专用硬件实现,未病诊断装置1也可以通过软件、固件或者软件与固件的组合实现。
在未病诊断装置1通过软件或固件等实现的情况下,用于使计算机执行日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16、显示处理部14、生命体征数据取得部17、判定部18、骨格分析部71和显示数据生成部72各自的处理步骤的程序存储于图3所示的存储器31。而且,图3所示的处理器32执行存储器31中存储的程序。
接着,对图23所示的未病诊断装置1的动作进行说明。
除了骨格分析部71和显示数据生成部72以外都与图20所示的未病诊断装置1相同,因此,在此,主要对骨格分析部71和显示数据生成部72的动作进行说明。
日志取得部11取得拍摄诊断对象者的摄像头的影像数据,将摄像头的影像数据输出到骨格分析部71。
骨格分析部71从日志取得部11取得摄像头的影像数据。
骨格分析部71根据摄像头的影像数据,分析诊断对象者的骨格运动,生成表示骨格运动的骨格数据。
骨格分析部71将表示诊断对象者的骨格运动的骨格数据输出到显示数据生成部72。
显示数据生成部72从骨格分析部71取得骨格数据。
显示数据生成部72根据骨骼数据,生成用于使画面显示诊断对象者的骨格运动的显示数据。
显示数据生成部19将显示数据输出到显示装置2。
显示装置2根据从显示数据生成部19输出的显示数据,如图25所示,使画面显示诊断对象者的骨格运动。
图25是示出诊断对象者的骨格运动的说明图。
图25的例子示出时刻为t=1、t=2,t=3时的诊断对象者的骨格。在t=1时,诊断对象者在正常行走,但是,在t=2时,诊断对象者快要跌倒,在t=3时,诊断对象者跌倒。
在以上的实施方式5中,以如下方式构成图23所示的未病诊断装置1:日志取得部11取得拍摄诊断对象者的摄像头的影像数据,作为表示诊断对象者的身体变化的日志,该未病诊断装置1具有:骨格分析部71,其根据由日志取得部11取得的影像数据分析诊断对象者的骨格运动,输出表示诊断对象者的骨格运动的骨格数据;以及显示数据生成部72,其根据从骨格分析部71输出的骨格数据,生成用于使画面显示诊断对象者的骨格运动的显示数据。因此,图23所示的未病诊断装置除了与图1所示的未病诊断装置同样地能够诊断无异常表现状态的未病以外,还能够确认诊断对象者的骨格运动。
实施方式6
在实施方式6中,对如下的未病诊断装置1进行说明:具有显示数据生成部73,该显示数据生成部73生成用于使画面显示由日志取得部11取得的日志表示的睡眠的状态变化和由环境数据取得部15取得的环境数据表示的空调的运转状况的显示数据。
图26是示出实施方式6的未病诊断装置1的结构图。
图27是示出实施方式6的未病诊断装置1的硬件的硬件结构图。在图26和图27中,与图1、图2、图11、图12、图16、图17、图20、图21、图23和图24相同的标号表示相同或相应的部分,因此省略说明。
图26所示的未病诊断装置1具有日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16、显示处理部14和显示数据生成部73。
在图26所示的未病诊断装置1中,显示数据生成部73应用于图11所示的未病诊断装置1。但是,这只不过是一例,显示数据生成部73也可以应用于图1所示的未病诊断装置1、图16所示的未病诊断装置1、图20所示的未病诊断装置1或图23所示的未病诊断装置1。
在图26所示的未病诊断装置1中,日志取得部11取得表示诊断对象者的睡眠的状态变化的睡眠日志,作为表示诊断对象者的身体变化的日志。
在图26所示的未病诊断装置1中,环境数据取得部15取得表示空调的运转状况的环境数据,作为表示诊断对象者的周围环境的环境数据。
显示数据生成部73例如通过图27所示的显示数据生成电路83实现。
显示数据生成部73生成用于使画面显示日志取得部11取得的睡眠日志表示的睡眠的状态变化和由环境数据取得部15取得的环境数据表示的空调的运转状况的显示数据。
显示数据生成部73将显示数据输出到显示装置2。
在图26中,假设作为未病诊断装置1的结构要素的日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16、显示处理部14和显示数据生成部73分别通过图27所示的专用硬件实现。即,假设未病诊断装置1通过日志取得电路21、护理数据取得电路22、环境数据取得电路25、未病诊断电路26、显示处理电路24和显示数据生成电路83实现。
日志取得电路21、护理数据取得电路22、环境数据取得电路25、未病诊断电路26、显示处理电路24和显示数据生成电路83例如分别是单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC、FPGA或将它们组合而成的电路。
未病诊断装置1的结构要素不限于通过专用硬件实现,未病诊断装置1也可以通过软件、固件或者软件与固件的组合实现。
在未病诊断装置1通过软件或固件等实现的情况下,用于使计算机执行日志取得部11、护理数据取得部12、环境数据取得部15、未病诊断部16、显示处理部14和显示数据生成部73各自的处理步骤的程序存储于图3所示的存储器31。而且,图3所示的处理器32执行存储器31中存储的程序。
接着,对图26所示的未病诊断装置1的动作进行说明。
除了显示数据生成部73以外都与图11所示的未病诊断装置1相同,因此,在此,主要对显示数据生成部73的动作进行说明。
在图26所示的未病诊断装置1中,日志取得部11取得表示诊断对象者的睡眠的状态变化的睡眠日志,作为表示诊断对象者的身体变化的日志。
日志取得部11将睡眠日志输出到显示数据生成部73。
环境数据取得部15取得表示空调的运转状况的环境数据,作为表示诊断对象者的周围环境的环境数据。
环境数据取得部15将表示空调的运转状况的环境数据输出到显示数据生成部73。
显示数据生成部73从日志取得部11取得睡眠日志,从环境数据取得部15取得表示空调的运转状况的环境数据。
如图28所示,显示数据生成部73生成用于使画面显示表示睡眠日志表示的睡眠的状态变化的睡眠跟踪器和环境数据表示的空调的运转状况的显示数据。
显示数据生成部73将显示数据输出到显示装置2。
显示装置2根据从显示数据生成部73输出的显示数据,使画面显示睡眠的状态变化和空调的运转状况。
图28是示出睡眠的状态变化和空调的运转状况的说明图。
图28的例子示出表示多个诊断对象者中的101号室的“〇△〇先生”的睡眠的状态变化的睡眠跟踪器和101号室的空调的运转状况。
在以上的实施方式6中,以如下方式构成图26所示的未病诊断装置1:日志取得部11取得表示诊断对象者的睡眠的状态变化的日志,作为表示诊断对象者的身体变化的日志,环境数据取得部15取得表示空调的运转状况的环境数据,作为表示诊断对象者的周围环境的环境数据,该未病诊断装置1具有显示数据生成部73,该显示数据生成部73生成用于使画面显示由日志取得部11取得的日志表示的睡眠的状态变化和由环境数据取得部15取得的环境数据表示的空调的运转状况的显示数据。因此,图26所示的未病诊断装置除了与图1所示的未病诊断装置同样地能够诊断无异常表现状态的未病以外,还能够确认诊断对象者的睡眠的状态变化与空调的运转状况的关系。
图11、图16、图20、图23或图26所示的未病诊断装置具有日志取得部11和环境数据取得部15。该未病诊断装置也可以具有未图示的数据发送部,该数据发送部向外部装置分别发送由日志取得部11取得的日志和由环境数据取得部15取得的环境数据。如果外部装置例如为维护公司管理的装置,则分别接收从该未病诊断装置发送的日志和环境数据,由此,维护公司的职员等能够确认收集日志的传感器或收集环境数据的传感器的清洁与否、或传感器中的过滤器的更换与否等。
实施方式1~6的未病诊断装置1具有日志取得部11和护理数据取得部12。该未病诊断装置也可以具有未图示的数据发送部,该数据发送部向外部装置分别发送由日志取得部11取得的日志和由护理数据取得部12取得的护理数据。如果外部装置例如为医院管理的装置或药店管理的装置,则分别接收从该未病诊断装置发送的日志和护理数据,由此,医生等能够判断针对诊断对象者的诊断的必要性、针对诊断对象者的处方的必要性或针对诊断对象者的护理的必要性等。
实施方式1~6的未病诊断装置1也可以向未图示的外部装置发送从外部取得的数据和从学习模型43、46取得的诊断数据。从外部取得的数据是日志、护理数据、环境数据或生命体征数据。由此,处理未图示的外部装置的工作人员等能够将从未病诊断装置1发送的数据应用于商业等。
此外,未病诊断装置1也可以根据从外部取得的数据和从学习模型43、46取得的诊断数据,预测诊断对象者的危险度,向未图示的外部装置发送表示危险度的预测数据。
在诊断对象者携带有GPS传感器的情况下,实施方式1~6的未病诊断装置1也可以根据从GPS传感器输出的位置信息,监视诊断对象者的行为,在诊断对象者的行为与诊断对象者的平时行为不同的情况下,发出警报。
作为与平时不同的行为,例如假设诊断对象者的行走速度比平时的行走速度慢且慢的比例比事先设定的基准值大的情况。
此外,作为与平时不同的行为,例如假设诊断对象者穿着的衣服的纽扣系错被捕捉到多天的情况。
另外,本发明能够实现各实施方式的自由组合、或各实施方式的任意结构要素的变形、或各实施方式中的任意结构要素的省略。
产业上的可利用性
本发明适于未病诊断装置、未病诊断方法以及学习模型生成装置。
符号说明
1:未病诊断装置;2:显示装置;3:学习模型生成装置;11:日志取得部;12:护理数据取得部;13:未病诊断部;14:显示处理部;15:环境数据取得部;15a-1~15a-N:传感器;16:未病诊断部;17:生命体征数据取得部;18:判定部;19:显示数据生成部;21:日志取得电路;22:护理数据取得电路;23:未病诊断电路;24:显示处理电路;25:环境数据取得电路;26:未病诊断电路;27:生命体征数据取得电路;28:判定电路;29:显示数据生成电路;31:存储器;32:处理器;41:数据取得部;42:学习模型生成部;43:学习模型;44:数据取得部;45:学习模型生成部;46:学习模型;51:数据取得电路;52:学习模型生成电路;53:数据取得电路;54:学习模型生成电路;61:存储器;62:处理器;71:骨格分析部;72:显示数据生成部;73:显示数据生成部;81:骨格分析电路;82:显示数据生成电路;83:显示数据生成电路。
Claims (15)
1.一种未病诊断装置,其中,该未病诊断装置具有:
日志取得部,其取得表示未病的诊断对象者的身体变化的日志;
护理数据取得部,其取得表示针对所述诊断对象者的护理内容的护理数据;以及
未病诊断部,其将由所述日志取得部取得的日志和由所述护理数据取得部取得的护理数据提供给学习模型,从所述学习模型取得表示所述诊断对象者有可能发生的未病的诊断数据。
2.根据权利要求1所述的未病诊断装置,其特征在于,
所述日志取得部取得表示所述诊断对象者的睡眠的状态变化的日志,作为表示所述诊断对象者的身体变化的日志,
所述护理数据取得部取得记录有所述诊断对象者有无服用安眠药或所述诊断对象者的运动量的护理数据,作为表示针对所述诊断对象者的护理内容的护理数据,
所述未病诊断部将由所述日志取得部取得的日志和由所述护理数据取得部取得的护理数据提供给所述学习模型,从所述学习模型取得表示处于失眠症的前期状态的诊断数据,作为所述诊断对象者有可能发生的未病。
3.根据权利要求1所述的未病诊断装置,其特征在于,
所述日志取得部取得表示所述诊断对象者的进餐时的状态变化的日志,作为表示所述诊断对象者的身体变化的日志,
所述护理数据取得部取得记录有所述诊断对象者的进餐内容的护理数据,作为表示针对所述诊断对象者的护理内容的护理数据,
所述未病诊断部将由所述日志取得部取得的日志和由所述护理数据取得部取得的护理数据提供给所述学习模型,从所述学习模型取得表示处于吸入性肺炎的前期状态的诊断数据,作为所述诊断对象者有可能发生的未病。
4.根据权利要求1所述的未病诊断装置,其特征在于,
所述日志取得部取得表示所述诊断对象者的行走的状态变化的日志,作为表示所述诊断对象者的身体变化的日志,
所述护理数据取得部取得记录有所述诊断对象者的行走量的护理数据,作为表示针对所述诊断对象者的护理内容的护理数据,
所述未病诊断部将由所述日志取得部取得的日志和由所述护理数据取得部取得的护理数据提供给所述学习模型,从所述学习模型取得表示处于行走障碍的前期状态的诊断数据,作为所述诊断对象者有可能发生的未病。
5.根据权利要求1所述的未病诊断装置,其特征在于,
所述日志取得部取得表示所述诊断对象者对设备的操作历史的日志,以代替表示所述诊断对象者的身体变化的日志,
所述护理数据取得部取得记录有所述诊断对象者对设备的误操作的护理数据,作为表示针对所述诊断对象者的护理内容的护理数据,
所述未病诊断部将由所述日志取得部取得的日志和由所述护理数据取得部取得的护理数据提供给所述学习模型,从所述学习模型取得表示处于痴呆症的前期状态的诊断数据,作为所述诊断对象者有可能发生的未病。
6.根据权利要求1所述的未病诊断装置,其特征在于,
该未病诊断装置具有环境数据取得部,该环境数据取得部取得表示所述诊断对象者的周围环境的环境数据,
所述未病诊断部将由所述日志取得部取得的日志、由所述护理数据取得部取得的护理数据和由所述环境数据取得部取得的环境数据提供给所述学习模型,从所述学习模型取得表示所述诊断对象者有可能发生的未病的诊断数据。
7.根据权利要求6所述的未病诊断装置,其特征在于,
该未病诊断装置具有判定部,该判定部对表示所述诊断对象者的周围的正常环境和异常环境的边界的边界数据与由所述环境数据取得部取得的环境数据进行比较,根据所述边界数据与所述环境数据的比较结果,判定所述诊断对象者的周围环境是正常环境还是异常环境。
8.根据权利要求1所述的未病诊断装置,其特征在于,该未病诊断装置具有:
生命体征数据取得部,其取得表示所述诊断对象者的生命体征的生命体征数据;以及
判定部,其对由所述生命体征数据取得部取得的生命体征数据与阈值进行比较,根据所述生命体征数据与所述阈值的比较结果,判定所述诊断对象者的生命体征是正常还是异常。
9.根据权利要求1所述的未病诊断装置,其特征在于,该未病诊断装置具有:
生命体征数据取得部,其取得表示护理所述诊断对象者的工作人员的生命体征的生命体征数据;以及
判定部,其对由所述生命体征数据取得部取得的工作人员的生命体征数据与阈值进行比较,根据所述工作人员的生命体征数据与所述阈值的比较结果,判定所述工作人员的生命体征是正常还是异常。
10.根据权利要求6所述的未病诊断装置,其特征在于,
所述环境数据取得部从观测所述诊断对象者的周围环境的多个传感器分别取得表示环境的观测结果的环境数据,
该未病诊断装置具有显示数据生成部,该显示数据生成部生成用于使画面显示设置有各个传感器的位置和从各个传感器输出的环境数据的显示数据。
11.根据权利要求1所述的未病诊断装置,其特征在于,
所述日志取得部取得拍摄所述诊断对象者的摄像头的影像数据,作为表示所述诊断对象者的身体变化的日志,
该未病诊断装置具有:
骨格分析部,其根据由所述日志取得部取得的影像数据,分析所述诊断对象者的骨格运动,输出表示所述诊断对象者的骨格运动的骨格数据;以及
显示数据生成部,其根据从所述骨格分析部输出的骨格数据,生成用于使画面显示所述诊断对象者的骨格运动的显示数据。
12.根据权利要求6所述的未病诊断装置,其特征在于,
所述日志取得部取得表示所述诊断对象者的睡眠的状态变化的日志,作为表示所述诊断对象者的身体变化的日志,
所述环境数据取得部取得表示空调的运转状况的环境数据,作为表示所述诊断对象者的周围环境的环境数据,
该未病诊断装置具有显示数据生成部,该显示数据生成部生成用于使画面显示由所述日志取得部取得的日志表示的睡眠的状态变化和由所述环境数据取得部取得的环境数据表示的空调的运转状况的显示数据。
13.一种未病诊断方法,其中,
日志取得部取得表示未病的诊断对象者的身体变化的日志,
护理数据取得部取得表示针对所述诊断对象者的护理内容的护理数据,
未病诊断部将由所述日志取得部取得的日志和由所述护理数据取得部取得的护理数据提供给学习模型,从所述学习模型取得表示所述诊断对象者有可能发生的未病的诊断数据。
14.一种学习模型生成装置,其中,该学习模型生成装置具有:
数据取得部,其取得表示未病的诊断对象者的身体变化的日志,取得表示针对所述诊断对象者的护理内容的护理数据,并取得表示所述诊断对象者有可能发生的未病的训练数据或表示不是未病的训练数据;以及
学习模型生成部,其分别使用由所述数据取得部取得的日志、护理数据和训练数据,对所述有可能发生的未病进行学习,生成学习模型,该学习模型当被提供表示未病的诊断对象者的身体变化的日志和表示针对未病的诊断对象者的护理内容的护理数据时,输出表示诊断对象者有可能发生的未病的诊断数据。
15.根据权利要求14所述的学习模型生成装置,其特征在于,
所述数据取得部取得表示未病的诊断对象者的身体变化的日志,取得表示针对所述诊断对象者的护理内容的护理数据,取得表示所述诊断对象者的周围环境的环境数据,并取得表示所述诊断对象者有可能发生的未病的训练数据或表示不是未病的训练数据,
所述学习模型生成部分别使用由所述数据取得部取得的日志、护理数据、环境数据和训练数据,对所述有可能发生的未病进行学习,生成学习模型,该学习模型当被提供表示未病的诊断对象者的身体变化的日志、表示针对未病的诊断对象者的护理内容的护理数据和表示未病的诊断对象者的周围环境的环境数据时,输出表示诊断对象者有可能发生的未病的诊断数据。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/001142 WO2022153469A1 (ja) | 2021-01-15 | 2021-01-15 | 未病診断装置、未病診断方法及び学習モデル生成装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116670704A true CN116670704A (zh) | 2023-08-29 |
Family
ID=78001422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180089570.0A Pending CN116670704A (zh) | 2021-01-15 | 2021-01-15 | 未病诊断装置、未病诊断方法以及学习模型生成装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230335240A1 (zh) |
JP (1) | JP6949277B1 (zh) |
CN (1) | CN116670704A (zh) |
DE (1) | DE112021005880T5 (zh) |
WO (1) | WO2022153469A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023132202A1 (ja) * | 2022-01-05 | 2023-07-13 | ソニーグループ株式会社 | 情報処理装置、情報処理方法およびプログラム |
WO2023182162A1 (ja) * | 2022-03-23 | 2023-09-28 | 大塚製薬株式会社 | コンピュータプログラム、情報処理装置及び方法 |
JP7523620B2 (ja) * | 2022-10-24 | 2024-07-26 | 大塚製薬株式会社 | コンピュータプログラム、情報処理装置及び方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3054412A4 (en) * | 2013-10-01 | 2017-03-01 | Tohoku University | Health information processing device, health information display device, and method |
JP2017102654A (ja) * | 2015-12-01 | 2017-06-08 | 株式会社ビズフォース | 未病電子カルテ提示装置とその提示方法 |
JP2017104289A (ja) * | 2015-12-09 | 2017-06-15 | 株式会社東芝 | 認知症判定装置、認知症判定システム、認知症判定方法、およびプログラム |
JP6600839B2 (ja) * | 2016-05-10 | 2019-11-06 | 株式会社北電子 | 情報処理装置及び情報処理プログラム |
AU2018219846A1 (en) * | 2017-02-09 | 2019-09-12 | Cognoa, Inc. | Platform and system for digital personalized medicine |
JP7316038B2 (ja) | 2018-03-08 | 2023-07-27 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 事象予測システム、センサ信号処理システム及びプログラム |
JP7097570B2 (ja) * | 2018-08-27 | 2022-07-08 | 株式会社Nttドコモ | データ収集解析装置及びデータ収集解析方法 |
US20200155078A1 (en) * | 2018-11-16 | 2020-05-21 | International Business Machines Corporation | Health monitoring using artificial intelligence based on sensor data |
-
2021
- 2021-01-15 CN CN202180089570.0A patent/CN116670704A/zh active Pending
- 2021-01-15 DE DE112021005880.0T patent/DE112021005880T5/de active Pending
- 2021-01-15 JP JP2021525065A patent/JP6949277B1/ja active Active
- 2021-01-15 WO PCT/JP2021/001142 patent/WO2022153469A1/ja active Application Filing
-
2023
- 2023-06-23 US US18/213,291 patent/US20230335240A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP6949277B1 (ja) | 2021-10-13 |
DE112021005880T5 (de) | 2023-09-14 |
JPWO2022153469A1 (zh) | 2022-07-21 |
WO2022153469A1 (ja) | 2022-07-21 |
US20230335240A1 (en) | 2023-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230335240A1 (en) | Presymptomatic disease diagnosis device, presymptomatic disease diagnosis method, and trained model generation device | |
US10722179B2 (en) | Residual-based monitoring of human health | |
JP2020127757A (ja) | 生体情報出力装置 | |
US20160155226A1 (en) | Individual-characteristic prediction system, individual-characteristic prediction method, and recording medium | |
US20140206949A1 (en) | Patient mobile computing system and method for exacerbation prediction | |
KR102494308B1 (ko) | 인공지능 기반의 이미지 분석 모델을 이용한 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램 | |
US20210142913A1 (en) | Diagnosis support device, diagnosis support method, and non-transitory recording medium storing diagnosis support program | |
Halamka et al. | The digital reconstruction of health care | |
US9730645B2 (en) | Method and system for determining HRV and RRV and use to identify potential condition onset | |
US12033759B2 (en) | Medical information processing apparatus and medical information processing method | |
US20200008751A1 (en) | Medical information processing apparatus | |
JP7467033B2 (ja) | 診療情報処理装置 | |
AU2019204388A1 (en) | Residual-based monitoring of human health | |
JP7474568B2 (ja) | 医用情報表示装置、及び医用情報表示システム | |
US20230128100A1 (en) | Healthcare information processing apparatus and healthcare information server | |
Senthilsingh et al. | Growth Monitoring of Children and Pregnant Women using IoT Devices | |
US20230268077A1 (en) | Medical information processing device, medical information processing method, and storage medium | |
KR20120031757A (ko) | 질병 자가 진단 시스템 | |
US20240265540A1 (en) | Medical image processing apparatus, method for operating medical image processing apparatus, and non-transitory computer readable medium | |
WO2023281622A1 (ja) | 回復度推定装置、回復度推定方法、及び、記録媒体 | |
KR101937970B1 (ko) | 이상 행동 모니터링을 위한 웨어러블 기기, 방법 및 시스템 | |
UWAMARIYA | IoT-Based remote health monitoring system for infected people | |
Srinivasan et al. | SIPMS: IoT based Smart ICU Patient Monitoring System | |
JP2024065638A (ja) | 睡眠パターンの安定性を表す指標を取得するためのコンピューターが実行する方法、プログラムおよび情報処理装置 | |
US20210166378A1 (en) | Medical image analysis system, storage medium, and medical image analysis method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |