JP7820161B2 - 情報処理方法、プログラム、情報処理装置及びモデル生成方法 - Google Patents

Description

本発明は、情報処理方法、プログラム、情報処理装置及びモデル生成方法に関する。

口腔内の食べ物が唾液と共に気管に侵入する誤嚥、又は胃の内容物が食道を逆流して気管に侵入する誤嚥により、誤嚥性肺炎が発症することが知られている。また、高齢者等では、誤嚥しても咳き込みやむせ等が生じない不顕性誤嚥が発生することがあり、不顕性誤嚥は患者本人が誤嚥に気づかないので、誤嚥の発生を客観的に発見することが望まれている。特許文献１では、簡単な操作で胃食道逆流の発生を検査できる検査器具が開示されている。

特開２０１９－１４１５１１号公報

特許文献１に開示された検査器具のように、専用の検査器具を用いて検査を行う場合、検査コストの削減が難しい。従って、専用の検査器具を用いた検査を行う前に、患者の状態から誤嚥が発生している可能性を簡易的に判定できるシステムが要望されている。

一つの側面では、患者の状態から誤嚥の発症に関する情報を提示することが可能な情報処理方法等を提供することを目的とする。

一つの側面に係る情報処理方法は、患者の状態に関する状態情報を取得し、取得した状態情報に基づいて、誤嚥の発症に関する発症情報を出力する処理をコンピュータが実行する。

一つの側面では、患者の状態から誤嚥の発症に関する情報を提示することができる。

情報処理装置の構成例を示すブロック図である。 電子カルテＤＢの構成例を示す模式図である。 学習モデルの構成例を示す模式図である。 学習モデルの生成処理手順の一例を示すフローチャートである。 胃食道逆流による誤嚥発生の予測処理手順の一例を示すフローチャートである。 画面例を示す説明図である。 画面例を示す説明図である。 検査機器の外観例を示す模式図である。 検査機器の構成例を示すブロック図である。 実施形態２の学習モデルの構成例を示す模式図である。 検査機器の画面例を示す模式図である。 実施形態３の誤嚥発生の予測処理手順の一例を示すフローチャートである。 実施形態３の画面例を示す模式図である。

以下、本開示の情報処理方法、プログラム、情報処理装置及びモデル生成方法について、その実施形態を示す図面に基づいて詳述する。

（実施形態１）
患者の状態から、当該患者に誤嚥が発生しているか否かを予測して、医師、看護職員及び介護職員等の医療従事者に提示する情報処理装置について説明する。本実施形態では、自然滴下によって、又は経腸栄養ポンプを使用して胃に直接栄養剤を投与する経管栄養が実施されている患者について、誤嚥の発生を予測する。従って、本実施形態では、胃食道逆流による誤嚥の発生を予測する。なお、経管栄養は、鼻から挿入したチューブを用いて栄養剤を投与する経鼻胃管栄養、及び、腹部に空けた瘻孔に挿入したチューブを用いて栄養剤を投与する胃瘻栄養を含む。

図１は情報処理装置の構成例を示すブロック図である。情報処理装置１０は、種々の情報処理、情報の送受信が可能な装置であり、例えばサーバコンピュータ、パーソナルコンピュータ等である。情報処理装置１０は、複数台設けられて分散処理する構成でもよく、１台の装置内に設けられた複数の仮想マシンによって実現されてもよい。情報処理装置１０は、例えば医療機関内に設置されて利用される。情報処理装置１０をサーバコンピュータで構成する場合、情報処理装置１０は、医療機関内に設置されたローカルサーバであってもよく、インターネット等のネットワークを介して通信接続されたクラウドサーバであってもよい。

情報処理装置１０は、患者の状態を示す状態情報に基づいて、当該患者に誤嚥が発生している可能性を複数段階で予測し、予測した可能性が高い場合にアラートで通知する処理を行う。具体的には後述のように、情報処理装置１０は、所定の訓練データを学習する機械学習を行い、患者の状態情報を入力として、胃食道逆流による誤嚥が発生している可能性を出力する学習モデル１２Ｍ（図３参照）を予め用意してある。情報処理装置１０は、患者の状態情報を学習モデル１２Ｍに入力し、胃食道逆流による誤嚥の発生可能性を学習モデル１２Ｍから取得する。なお、患者の状態情報は、体温、血中酸素飽和度、痰の量、喘鳴の有無、表情に関する情報、口腔内のにおいの有無、口腔内の酸性レベル、口腔内の糖の有無等のうちのいずれか複数を含む。

情報処理装置１０は、制御部１１、記憶部１２、通信部１３、入力部１４、表示部１５、読み取り部１６等を含み、これらの各部はバスを介して相互に接続されている。制御部１１は、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）又はＡＩチップ（ＡＩ用半導体）等の１又は複数のプロセッサを有する。制御部１１は、記憶部１２に記憶してあるプログラム１２Ｐを適宜実行することにより、情報処理装置１０が行うべき種々の情報処理、制御処理等を行う。

記憶部１２は、ＲＡＭ（Random Access Memory）、フラッシュメモリ、ハードディスク、ＳＳＤ（Solid State Drive）等を含む。記憶部１２は、制御部１１が実行するプログラム１２Ｐ（プログラム製品）及びプログラム１２Ｐの実行に必要な各種のデータ等を予め記憶している。また記憶部１２は、制御部１１がプログラム１２Ｐを実行する際に発生するデータ等を一時的に記憶する。また記憶部１２は、例えば機械学習によって訓練データを学習済みの学習モデル１２Ｍを記憶している。学習モデル１２Ｍは、患者の状態情報が入力された場合に、胃食道逆流による誤嚥が発生している可能性（胃食道逆流物の誤嚥の発症に関する発症情報）を出力するように学習された学習済みモデルである。学習モデル１２Ｍは、人工知能ソフトウェアを構成するプログラムモジュールとしての利用が想定される。学習モデル１２Ｍは、入力値に対して所定の演算を行い、演算結果を出力するものであり、記憶部１２には、この演算を規定する関数の係数や閾値等のデータが学習モデル１２Ｍとして記憶される。また記憶部１２は、後述する電子カルテＤＢ１２ａを記憶している。電子カルテＤＢ１２ａは、情報処理装置１０に接続された他の記憶装置に記憶されてもよく、情報処理装置１０が通信可能な他の記憶装置に記憶されてもよい。

通信部１３は、有線通信又は無線通信によって、インターネット又はＬＡＮ（Local Area Network）等のネットワークに接続するための通信モジュールであり、ネットワークを介して他の装置との間で情報の送受信を行う。入力部１４は、ユーザによる操作入力を受け付け、操作内容に対応した制御信号を制御部１１へ送出する。表示部１５は、液晶ディスプレイ又は有機ＥＬディスプレイ等であり、制御部１１からの指示に従って各種の情報を表示する。入力部１４及び表示部１５は一体として構成されたタッチパネルであってもよい。なお、入力部１４及び表示部１５は必須ではなく、情報処理装置１０は、接続された端末装置を通じて操作を受け付け、表示すべき情報を外部の表示装置へ出力する構成でもよい。

読み取り部１６は、ＣＤ（Compact Disc）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ、ＵＳＢ（Universal Serial Bus）メモリ、ＳＤ（Secure Digital）カード等を含む可搬型記憶媒体１ａに記憶された情報を読み取る。記憶部１２に記憶されるプログラム１２Ｐ（プログラム製品）及び各種のデータは、制御部１１が読み取り部１６を介して可搬型記憶媒体１ａから読み取って記憶部１２に記憶してもよい。また、記憶部１２に記憶されるプログラム１２Ｐ及び各種のデータは、制御部１１が通信部１３を介して他の装置からダウンロードして記憶部１２に記憶してもよい。

図２は電子カルテＤＢ１２ａの構成例を示す模式図である。電子カルテＤＢ１２ａは、医療機関を利用する患者の電子カルテデータ（診療記録）を格納するデータベースである。図２に示す電子カルテＤＢ１２ａは、患者ＩＤ列、患者情報列、状態情報列等を含む。患者ＩＤ列は、各患者を識別するための識別情報（患者ＩＤ、患者コード）を記憶する。患者ＩＤは例えば医療機関で発行された診察券の診察券番号であってもよい。患者情報列は、患者ＩＤに対応付けて、患者に関する患者情報を記憶する。患者情報は、例えば患者の年齢及び性別を含む属性情報、既往歴、診断名、身長及び体重等を含む。また患者情報は、患者に発生した症状に関する情報を含んでおり、例えば患者に誤嚥が発生したことを示す情報を含む。なお、誤嚥は、胃の内容物が食道を逆流して気管に侵入する胃食道逆流による誤嚥、及び口腔内容物が気管に侵入する誤嚥を含む。

状態情報列は、患者ＩＤに対応付けて、患者の状態に関する状態情報を記憶する。状態情報は、患者から計測した体温、血圧、心拍数、呼吸数等のバイタルデータを含む。また状態情報は、血中酸素飽和度、痰の量、喘鳴の有無、口腔内のにおいの有無、表情レベル、口腔内の酸性レベル、口腔内の糖の有無等を含む。血中酸素飽和度は、パルスオキシメータを用いて計測される。痰の量は、吸引器を用いて患者の口腔内、咽頭部及び喉頭部から吸引した分泌物（痰及び唾液等）の量である。痰の吸引は、例えば経管栄養で栄養剤が投与された後に実施される。喘鳴の有無は、患者が呼吸する際に喉がガラガラ、ヒューヒュー、ゼーゼー等の音が発生するか否かを示す。喘鳴の有無は、例えば医療従事者が患者の口元の音を聴取して判断してもよく、患者の口元の音をマイクで収集し、収集した音声が、喘鳴で発生する音に一致するか否かに基づいて判断してもよい。口腔内のにおいの有無は、患者の口腔内で、患者に投与した栄養剤のにおい（例えば甘いにおい）がするか否かを示す。においの有無は、例えば医療従事者が患者の口元のにおいを嗅いで判断してもよく、においを検知できる装置を用いて患者の口元のにおいを検知し、検知したにおいが、投与中の栄養剤のにおいに一致するか否かに基づいて判断してもよい。表情レベルは、例えば患者を日々観察している医療従事者が患者の顔を確認して判断してもよく、例えば入院時に各患者の顔写真を撮影しておき、入院時の顔写真と、検査タイミングで撮影した患者の顔写真とを比較することによって判断してもよい。表情レベルは、例えば普段の表情に対して苦しそうであるか、又は意思疎通が可能であるかを示しており、例えば普段通りの正常な表情をレベル１とし、苦しそうな状態又は意思疎通ができない状態が悪化するほど高いレベルとし、例えば５段階（レベル１～レベル５）で表される。これらのデータは例えば計測日時に対応付けて各列に記憶され、各データの計測は１日に所定回数（例えば３回～５回程度）行われる。口腔内の酸性レベルは、食道内ｐＨモニタリング検査によって計測される食道内のｐＨ値である。口腔内の糖の有無は、例えば尿糖試験紙を用いて計測される。なお、胃の内容物（胃液）が食道内に逆流していれば食道内が低いｐＨ値となるので、食道内のｐＨ値に基づいて胃食道逆流の発生有無を判定できる。また、胃の内容物（食べ物、栄養剤）が口腔内まで逆流していれば、口腔内に胃の内容物中の糖が検出されるので、口腔内の糖の有無に基づいて胃食道逆流の発生有無を判定できる。各データは、時間的変化を示すグラフで表されてもよく、グラフのデータは、例えば計測日時と計測した値との組を、計測を行うたびに記録した一連のデータである。

電子カルテＤＢ１２ａの記憶内容は図２に示す例に限定されず、患者に実施した血液検査及び尿検査等の各種検査に関する検査情報、治療に関する治療情報、手術に関する手術情報、薬の服用歴、医師等が入力したコメント等、患者に関する各種の情報が記憶されてもよい。なお、検査情報は、Ｘ線画像、超音波画像、ＣＴ（Computed Tomography：コンピュータ断層撮影法）画像、ＭＲＩ（Magnetic Resonance Imaging：磁気共鳴画像法）画像、ＰＥＴ（Positron Emission Tomography：陽電子放出断層撮影法）画像等の医用画像を含んでもよい。

図３は学習モデル１２Ｍの構成例を示す模式図である。図３に示す学習モデル１２Ｍは、患者の状態情報（体温、血中酸素飽和度、痰の量、喘鳴の有無、表情レベル、口腔内のにおいの有無）を入力とし、入力されたデータに基づいて、当該患者に胃食道逆流による誤嚥が発生している可能性を判別する演算を行い、演算した結果（胃食道逆流による誤嚥の発生可能性）を出力するように学習してある。学習モデル１２Ｍは、例えば深層学習によって生成されるニューラルネットワークモデルであるＣＮＮ（Convolutional Neural Network）で構成される。なお、学習モデル１２Ｍは、ＣＮＮのほかに、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short-Term Memory）、決定木、ランダムフォレスト、ＳＶＭ（Support Vector Machine）等のアルゴリズムを用いて構成されてもよく、複数のアルゴリズムを組み合わせて構成されてもよい。情報処理装置１０は、所定の訓練データを学習する機械学習を行って学習モデル１２Ｍを事前に生成しておく。そして情報処理装置１０は、電子カルテＤＢ１２ａに登録してある患者の状態情報を学習モデル１２Ｍに入力し、学習モデル１２Ｍからの出力情報に基づいて、患者に胃食道逆流による誤嚥が発生している可能性を予測する。学習モデル１２Ｍに入力される各データは、定期的に計測された時系列データであってもよい。

図３に示す学習モデル１２Ｍは３つの出力ノードを有しており、各出力ノードには、胃食道逆流による誤嚥の発生可能性が高い、中程度、低い状態がそれぞれ対応付けられており、各出力ノードから、対応付けられた状態であると判別すべき確率を出力する。なお、発生可能性が低い状態とは、発生可能性がほぼ無い正常な状態であることを意味する。図３に示す例では、出力ノード０は、胃食道逆流による誤嚥が発生している可能性が高いと判別すべき確率を出力し、出力ノード１は、胃食道逆流による誤嚥が発生している可能性が中程度と判別すべき確率を出力し、出力ノード２は、胃食道逆流による誤嚥が発生している可能性が低いと判別すべき確率を出力する。各出力ノードの出力値は例えば０～１．０の値であり、各出力ノードから出力された判別確率の合計が１．０（１００％）となる。上述した構成により、学習モデル１２Ｍは、患者の状態情報が入力された場合に、患者に胃食道逆流による誤嚥が発生している可能性（高・中・低の各可能性に対する判別確率）を出力する。

情報処理装置１０は、上述した学習モデル１２Ｍにおいて、例えば、各出力ノードからの出力値のうちで最大の出力値（判別確率）を出力した出力ノードに対応付けられている可能性を、予測すべき可能性に特定する。なお、学習モデル１２Ｍは、それぞれの可能性に対する判別確率を出力する複数の出力ノードを有する代わりに、判別確率が最も高い可能性を出力する１個の出力ノードを有する構成でもよい。

学習モデル１２Ｍは、訓練用の状態情報と、胃食道逆流による誤嚥が発生している可能性を示す情報（正解ラベル）とを含む訓練データを用いて、未学習の学習モデルを機械学習させることにより生成される。訓練データは、胃食道逆流が発生した患者の状態情報に対して、胃食道逆流による誤嚥の発生可能性が高いことを示す情報（胃食道逆流物の誤嚥の発症に関する発症情報）が付与されて生成される。また、訓練データは、胃食道逆流が発生していない患者の状態情報に対して、胃食道逆流による誤嚥の発生可能性が低いことを示す情報が付与されて生成されてもよい。患者の状態情報、及び胃食道逆流が発生したか否かの情報は、電子カルテＤＢ１２ａに記憶してある情報から取得することができる。

学習モデル１２Ｍは、訓練用の状態情報が入力された場合に、正解ラベルが示す可能性に対応する出力ノードからの出力値が１．０に近づき、他の出力ノードからの出力値が０．０に近づくように学習する。学習処理において学習モデル１２Ｍは、入力された状態情報に基づく演算を行い、各出力ノードからの出力値を算出する。そして学習モデル１２Ｍは、算出した各出力ノードの出力値と正解ラベルに応じた値（正解ラベルが示す可能性に対応する出力ノードに対しては１、それ以外の出力ノードに対しては０）とを比較し、各出力値がそれぞれ正解ラベルに応じた値に近似するように、演算処理に用いるパラメータを最適化する。当該パラメータは、学習モデル１２Ｍにおけるニューロン間の重み等である。パラメータの最適化の方法は特に限定されないが、誤差逆伝播法、最急降下法等を用いることができる。これにより、患者の状態情報が入力された場合に、胃食道逆流による誤嚥が発生している可能性を予測し、予測結果を出力するように学習された学習モデル１２Ｍが得られる。

学習モデル１２Ｍの学習は他の学習装置で行われてもよい。他の学習装置で学習が行われて生成された学習済みの学習モデル１２Ｍは、例えばネットワーク経由又は可搬型記憶媒体１ａ経由で学習装置から情報処理装置１０にダウンロードされて記憶部１２に記憶される。学習モデル１２Ｍは、図３に示す構成に限定されない。学習モデル１２Ｍは、胃食道逆流による誤嚥の発生及び誤嚥性肺炎の発生を予測する際に用いられる患者の状態に関する情報が入力される構成とすることができる。例えば、図３に示す各データに加えて、患者の口腔内の酸性レベル又は口腔内の糖の有無を示す情報が入力される構成でもよい。また、学習モデル１２Ｍに入力される各データは時系列データであってもよく、例えば定期的に計測される計測結果及び定期的に判定される判定結果の時系列データであってもよい。この場合、例えば患者の直近の１日分又は数日分の各データが学習モデル１２Ｍに入力されるように構成することができる。

以下に、訓練データを学習して学習モデル１２Ｍを生成する処理について説明する。図４は学習モデル１２Ｍの生成処理手順の一例を示すフローチャートである。以下の処理は、情報処理装置１０の制御部１１が、記憶部１２に記憶してあるプログラム１２Ｐに従って行うが、他の学習装置で行われてもよい。

情報処理装置１０の制御部１１はまず、訓練データに用いる患者の情報を電子カルテＤＢ１２ａから取得して訓練データを生成し、生成した訓練データを用いて学習モデル１２Ｍの学習を行う。例えば制御部１１は、電子カルテＤＢ１２ａに記憶してある各患者の情報に基づいて、胃食道逆流による誤嚥が発生したことがある患者がいるか否かを判断する（Ｓ１１）。胃食道逆流による誤嚥が発生したことがある患者がいると判断した場合（Ｓ１１：ＹＥＳ）、制御部１１は、当該患者の状態情報を電子カルテＤＢ１２ａから取得する（Ｓ１２）。例えば制御部１１は、当該患者の状態情報のうち、胃食道逆流による誤嚥が発生した前後の所定期間に計測又は判定された、体温、血中酸素飽和度、痰の量、喘鳴の有無、表情レベル、口腔内のにおいの有無に関する各データを電子カルテＤＢ１２ａから読み出す。制御部１１は、取得した状態情報に対して、胃食道逆流による誤嚥の発生可能性が「高」を示す正解ラベルを付けて訓練データを生成し、記憶部１２に記憶する（Ｓ１３）。

制御部１１は、ステップＳ１１の処理に戻り、胃食道逆流による誤嚥が発生したことがある他の患者がいるか否かを判断し、いると判断する都度（Ｓ１１：ＹＥＳ）、ステップＳ１２～Ｓ１３の処理を行って訓練データを生成する。制御部１１は、胃食道逆流による誤嚥が発生したことがある患者がいないと判断するまでステップＳ１２～Ｓ１３の処理を繰り返す。これにより、胃食道逆流による誤嚥が発生したことがある患者の情報に基づいて、学習モデル１２Ｍの学習に用いる訓練データを生成して蓄積できる。制御部１１は、胃食道逆流による誤嚥が発生したことがある患者がいないと判断した場合（Ｓ１１：ＮＯ）、胃食道逆流による誤嚥が発生したことがない患者（胃食道逆流の未発生患者）がいるか否かを判断する（Ｓ１４）。未発生患者がいると判断した場合（Ｓ１４：ＹＥＳ）、制御部１１は、当該患者の状態情報を電子カルテＤＢ１２ａから取得する（Ｓ１５）。ここでは制御部１１は、ステップＳ１２と同様のデータを電子カルテＤＢ１２ａから読み出す。そして、制御部１１は、取得した状態情報に対して、胃食道逆流による誤嚥の発生可能性が「低」を示す正解ラベルを付けて訓練データを生成し、記憶部１２に記憶する（Ｓ１６）。

制御部１１は、ステップＳ１４の処理に戻り、胃食道逆流による誤嚥が発生したことがない他の患者がいるか否かを判断し、いると判断する都度（Ｓ１４：ＹＥＳ）、ステップＳ１５～Ｓ１６の処理を行って訓練データを生成して蓄積する。制御部１１は、胃食道逆流による誤嚥が発生したことがない患者がいないと判断するまでステップＳ１５～Ｓ１６の処理を繰り返す。これにより、胃食道逆流による誤嚥が発生したことがない患者の情報に基づいて、学習モデル１２Ｍの学習に用いる訓練データを生成して蓄積できる。なお、上述した処理では、胃食道逆流による誤嚥が発生したことがない患者の情報に基づいて、発生可能性が「低」を示す正解ラベルが対応付けられた訓練データを生成するが、この構成に限定されない。例えば、胃食道逆流による誤嚥が発生したことがある患者の情報のうちで、胃食道逆流による誤嚥が発生していない状態での状態情報に基づいて、発生可能性が「低」を示す正解ラベルが対応付けられた訓練データを生成してもよい。

制御部１１は、胃食道逆流による誤嚥が発生したことがない患者がいないと判断した場合（Ｓ１４：ＮＯ）、蓄積した訓練データを用いて学習モデル１２Ｍの学習処理を行う（Ｓ１７）。ここでは、制御部１１は、訓練データに含まれる状態情報を学習モデル１２Ｍに入力し、各出力ノードからの出力値を取得する。制御部１１は、各出力ノードの出力値と、正解ラベルに応じた値（正解の可能性に対応する出力ノードに対しては１、その他の出力ノードに対しては０）とを比較し、両者が近似するように、例えば誤差逆伝播法を用いて、学習モデル１２Ｍにおけるニューロン間の重み等のパラメータを最適化する。

制御部１１は、ステップＳ１３，Ｓ１６で蓄積した訓練データのうちで、学習処理が行われていない訓練データ（未処理のデータ）があるか否かを判断する（Ｓ１８）。未処理のデータがあると判断した場合（Ｓ１８：ＹＥＳ）、制御部１１は、ステップＳ１７の処理に戻り、学習処理が未処理の訓練データを用いて学習処理を繰り返す。未処理のデータがないと判断した場合（Ｓ１８：ＮＯ）、制御部１１は一連の処理を終了する。

上述した処理により、患者の状態情報が入力された場合に、当該患者に胃食道逆流による誤嚥が発生している可能性を出力するように学習された学習モデル１２Ｍが生成される。なお、上述したような訓練データを用いた学習処理を繰り返し行うことにより、学習モデル１２Ｍを更に最適化することができる。また、既に学習済みの学習モデル１２Ｍについても、上述した処理を行うことによって再学習させることができ、この場合、判別精度がより高い学習モデル１２Ｍを生成できる。

以下に、上述した処理によって生成された学習モデル１２Ｍを用いて、医療従事者が患者の状態を観察した結果を電子カルテに入力した場合に、当該患者に胃食道逆流による誤嚥が発生している可能性を予測してアラートを出力する処理について説明する。図５は胃食道逆流による誤嚥発生の予測処理手順の一例を示すフローチャート、図６及び図７は画面例を示す説明図である。以下の処理は、情報処理装置１０の制御部１１が、記憶部１２に記憶してあるプログラム１２Ｐに従って行う。

医療現場において看護職員は、１日に所定回数、入院患者の様子を観察する巡視業務を行っている。その際、看護職員は、患者の体温、血圧、心拍数、及び血中酸素飽和度等を計測して電子カルテに入力する。また看護職員は、患者に喘鳴が発生しているか否か、口腔内で所定のにおいがするか否か、表情のレベル等を判定し、喘鳴の有無、においの有無、及び表情レベル等を電子カルテに入力する。また看護職員又は介護職員は、経管栄養によって栄養剤を投与した後の所定のタイミングで、吸引器を用いて患者の口腔内等から分泌物を吸引する処置を行い、吸引した分泌物の量（痰の量）を電子カルテに入力する。なお、電子カルテに入力する痰の量には、痰及び唾液に加えて、吸引する際に使用した洗浄水が含まれていてもよい。

以下では説明の簡略化のため、看護職員等の医療従事者は、情報処理装置１０の入力部１４を介して患者の情報を入力して電子カルテを更新する処理を例に説明する。しかし、医療従事者は、情報処理装置１０と通信可能なスタッフ端末（図示せず）を用いて電子カルテを更新してもよい。この場合、医療従事者は、入力部及び表示部を有するスタッフ端末を用いて、情報処理装置１０の電子カルテＤＢ１２ａにアクセスする。このような構成の場合、電子カルテを表示する電子カルテ画面が情報処理装置１０からスタッフ端末へ送信されてスタッフ端末で表示され、電子カルテ画面を介して入力された各データがスタッフ端末から情報処理装置１０へ送信されて電子カルテＤＢ１２ａに登録される。

情報処理装置１０の制御部１１は、入力部１４を介して電子カルテの起動を指示された場合、指定された患者の電子カルテのデータを表示する電子カルテ画面を表示部１５に表示する（Ｓ２１）。図６は電子カルテ画面例を示しており、図６に示す電子カルテ画面は、患者の患者ＩＤ、氏名、年齢、及び性別を表示している。これらの情報は、電子カルテＤＢ１２ａから読み出されて電子カルテ画面に表示される。図６に示す画面は、現在時刻を表示し、現在時刻に計測された当該患者の体温、血中酸素飽和度、痰の量、喘鳴の有無、口腔内のにおいの有無、表情レベルを入力するための入力欄を有する。また図６に示す画面は、各入力欄に入力されたデータに基づいて、患者に胃食道逆流による誤嚥が発生している可能性を判定する処理の実行を指示するための誤嚥判定ボタンを有する。体温、血中酸素飽和度、及び痰の量の入力欄は、例えば任意の数値が入力できる構成であり、喘鳴の有無及びにおいの有無の入力欄は、有又は無のいずれかを選択できるラジオボタンが設けられた構成であり、表情レベルの入力欄は、レベル１～レベル５のいずれかを選択できる構成である。図６に示す画面は、上述した入力欄に加えて、口腔内の酸性レベルを入力するための入力欄、口腔内の糖の有無を入力するための入力欄等を有する構成でもよい。

医療従事者は、図６に示す画面中の各入力欄に対して、患者の状態を示す各データを入力し、胃食道逆流による誤嚥の発生可能性を判定したい場合に誤嚥判定ボタンを操作する。情報処理装置１０において、制御部１１は、図６に示す画面中の各入力欄を介して、患者の状態情報の入力を受け付けたか否かを判断しており（Ｓ２２）、受け付けていないと判断した場合（Ｓ２２：ＮＯ）、待機する。制御部１１（取得部）は、患者の状態情報の入力を受け付けたと判断した場合（Ｓ２２：ＹＥＳ）、入力された状態情報をそれぞれの入力欄に表示する（Ｓ２３）。

制御部１１は、図６に示す画面中の誤嚥判定ボタンが操作されたか否かを判断し（Ｓ２４）、操作されていないと判断した場合（Ｓ２４：ＮＯ）、ステップＳ２２の処理に戻り、各入力欄に対するデータの入力受付を継続する。誤嚥判定ボタンが操作されたと判断した場合（Ｓ２４：ＹＥＳ）、制御部１１は、入力された状態情報に基づいて、当該患者に胃食道逆流による誤嚥が発生している可能性を予測する（Ｓ２５）。具体的には、制御部１１は、図６に示す画面を介して入力された状態情報を学習モデル１２Ｍに入力し、学習モデル１２Ｍからの出力値に基づいて、胃食道逆流による誤嚥の発生可能性を予測する。例えば制御部１１は、学習モデル１２Ｍからの出力値のうちで最大の出力値（判別確率）を出力した出力ノードを特定し、特定した出力ノードに対応付けられている可能性を、当該患者の可能性に特定する。

制御部１１は、予測結果に基づいて、発生可能性が高いことを予測したか否かを判断する（Ｓ２６）。そして制御部１１（出力部）は、発生可能性が高いことを予測したと判断した場合（Ｓ２６：ＹＥＳ）、発生可能性が高いことを通知するためのアラートを出力する（Ｓ２７）。例えば制御部１１は、図７Ａに示すように、胃食道逆流による誤嚥の発生可能性が高いことと、医師による確認が必要であることとを通知するメッセージを電子カルテ画面に表示してアラートを出力する。これにより、電子カルテに患者の情報を入力した医療従事者は、患者の状態情報に基づいて予測された胃食道逆流による誤嚥の発生可能性が高いことを把握できる。上述した処理では、胃食道逆流による誤嚥の発生可能性を高中低で判定しているが、例えば８０％以上、６０％以上８０％未満、４０％以上６０％未満、２０％以上４０％未満、２０％未満のような数値で判定する構成でもよい。このような場合、例えば予測した発生可能性が所定値以上（例えば６０％以上）であった場合にアラートを出力するように構成することができる。情報処理装置１０がスピーカ等の音声出力部を有する場合、制御部１１は、アラートメッセージの表示に加えて、アラートメッセージを音声出力することによりアラートを出力する構成でもよい。

図７Ａに示すようなアラートが出力された場合、例えば看護職員は、医師に、胃食道逆流による誤嚥の発生有無の確認を依頼する。医師は、患者の状態を観察し、必要に応じて胸部のＸ線画像、ＣＴ画像、血液検査等を行い、検査結果に基づいて確定診断を行う。また医師は、患者の観察の結果又は確定診断の結果、患者に対して必要な処置があれば、処置の実施を看護職員等に指示する。ここでの処置は、例えば栄養剤の投与速度を遅くする処置、栄養剤の投与時及び投与後に患者の上半身を起こすギャッチアップの時間を延ばす処置、栄養剤の種類を変更する処置、経鼻胃管栄養から胃瘻栄養に変更する処置等を含む。栄養剤の種類を変更する処置は、例えば液体の栄養剤から半固形の栄養剤又は粘度可変型栄養剤への変更、消化態栄養剤又は半消化態栄養剤の使用等を含む。

発生可能性が高いことを予測していないと判断した場合（Ｓ２６：ＮＯ）、制御部１１は、発生可能性が低いことを予測したか否かを判断する（Ｓ２８）。発生可能性が低いことを予測していないと判断した場合（Ｓ２８：ＮＯ）、即ちここでは発生可能性が中程度であることを予測した場合、制御部１１は、胃食道逆流による誤嚥の発生を予防するためのアドバイスを出力する（Ｓ２９）。例えば制御部１１は、図７Ｂに示すように、胃食道逆流による誤嚥の発生可能性が中程度であることと、推奨される対応処置とを通知するメッセージを電子カルテ画面に表示してアドバイスを出力する。推奨される対応処置は、例えば栄養剤の投与時及び投与後のギャッチアップの時間を延ばす処置、栄養剤の投与速度を遅くする処置等を含む。これにより、電子カルテに患者の情報を入力した医療従事者は、患者の状態情報に基づいて予測された胃食道逆流による誤嚥の発生可能性が中程度であることを把握できると共に、胃食道逆流による誤嚥の発生を抑制するための対応処置を把握できる。ここでも、制御部１１は、アドバイスメッセージの表示に加えて、アドバイスメッセージを音声出力することによりアドバイスを出力する構成でもよい。

図７Ｂに示すようなアドバイスが出力された場合、例えば看護職員はアドバイスに従った処置を行う。制御部１１は、発生可能性が低いことを予測したと判断した場合（Ｓ２８：ＹＥＳ）、即ち発生可能性がほぼ無い正常な状態であることを予測した場合、ステップＳ２９の処理をスキップして一連の処理を終了する。なお、制御部１１は、胃食道逆流による誤嚥の発生可能性が低いこと、又は発生可能性がほぼ無い正常な状態であることを通知するメッセージを表示部１５に表示してもよい。制御部１１は、電子カルテ画面を介して入力された情報（電子カルテデータ）を電子カルテＤＢ１２ａに記憶しておく。

上述した処理により、看護職員及び介護職員等の医療従事者が、患者の状態に関する情報を電子カルテに入力した際に、胃食道逆流による誤嚥の発生可能性が予測されて通知される。よって、例えば看護職員が入院患者の状態を観察する巡視業務を行った際に、医師による確認が必要であるか否か、患者に行うべき処置があるか否かを把握できる。これにより、例えば経験の浅い看護職員であっても、看護職員が行う通常業務において医師に確認すべきか否かを判断できるので、胃食道逆流による誤嚥の発生の見落としを抑制して早期に発見することが可能となる。また本実施形態では、学習モデル１２Ｍを用いて、患者の状態情報から胃食道逆流による誤嚥の発生可能性を予測するので、膨大な訓練データを学習させた学習モデル１２Ｍを用いる場合には、より正確に予測することが可能となる。

本実施形態では、図６に示す電子カルテ画面を介して患者の状態情報を医療従事者が入力する構成であるが、この構成に限定されない。例えば、情報処理装置１０が、体温計、パルスオキシメータ、及び吸引器との間で情報の送受信を行える場合、体温計から患者の体温を受信し、パルスオキシメータから血中酸素飽和度を受信し、吸引器から吸引された痰の量を受信する構成でもよい。この場合、情報処理装置１０の制御部１１は、受信した各データを図６に示す画面の各入力欄に表示する。また、患者の口元の音声をマイクで収集して情報処理装置１０へ送信し、情報処理装置１０が、受信した音声データに基づいて患者に喘鳴が発生しているか否かを判定してもよい。また、患者の口元のにおいをにおいセンサで検知して情報処理装置１０へ送信し、情報処理装置１０が、受信したにおいデータに基づいて所定のにおいが有るか否かを判定してもよい。また、患者の顔画像をカメラで撮影して情報処理装置１０へ送信し、情報処理装置１０が、受信した顔画像データに基づいて患者の表情が苦しそうであるか否かに応じた表情レベルを判定してもよい。患者の顔画像から表情レベルを判定する場合、例えば各表情レベルに対応するテンプレート画像を予め用意しておき、テンプレート画像を用いたパターンマッチングによって患者の表情レベルを判定してもよい。また、例えば患者の入院時に顔画像を撮影して顔画像の特徴量を登録しておき、入院時の顔画像の特徴量との比較結果に基づいて患者の表情レベルを判定してもよい。患者の顔画像を撮影するカメラは、例えば病室内に設けられた監視カメラ、医療従事者が装着するＡＲ（Augmented Reality）グラスに設けられたカメラ、医療従事者が携帯するスタッフ端末に設けられたカメラ等を用いることができる。このような場合、情報処理装置１０の制御部１１は、判定した各データを図６に示す画面の各入力欄に表示する。

本実施形態では、情報処理装置１０が学習モデル１２Ｍを用いて胃食道逆流による誤嚥の発生可能性を予測する処理をローカルで行う構成について説明したが、この構成に限定されない。例えば、情報処理装置１０をサーバコンピュータで構成し、学習モデル１２Ｍを用いた胃食道逆流による誤嚥の発生可能性の予測処理をサーバコンピュータで行うように構成してもよい。この場合、サーバコンピュータは、例えばネットワーク経由で接続してある医療従事者が用いるスタッフ端末から患者の状態情報を取得し、予測した発生可能性を含むアラート又はアドバイスをスタッフ装置へ出力して表示するように構成されていてもよい。このような構成とした場合であっても、上述した本実施形態と同様の処理が可能であり、同様の効果が得られる。

（実施形態２）
専用の検査機器を用いて、患者の状態情報から胃食道逆流による誤嚥の発生可能性を予測して提示する構成について説明する。図８は検査機器の外観例を示す模式図である。検査機器２０は、板状の外形を有しており、図８Ａは検査機器２０の一面（例えば表面）の例を示し、図８Ｂは検査機器２０の他面（例えば裏面）の例を示す。図８に示すように、検査機器２０の一面にはタッチパネル２４が設けられており、他面にはマイク２５及びカメラ２６が設けられている。図９は検査機器２０の構成例を示すブロック図である。検査機器２０は、制御部２１、記憶部２２、通信部２３、タッチパネル２４、マイク２５、カメラ２６等を含み、これらの各部はバスを介して相互に接続されている。検査機器２０の制御部２１、記憶部２２、通信部２３は、実施形態１の情報処理装置１０の制御部１１、記憶部１２、通信部１３と同様の構成を有するので詳細な説明は省略する。なお、検査機器２０の記憶部２２は、制御部２１が実行するプログラム２２Ｐ、学習モデル２２Ｍ、喘鳴認識モデル２２Ｍ１、及び表情認識モデル２２Ｍ２を記憶している。

タッチパネル２４は、ユーザによる操作入力を受け付ける入力部と、液晶ディスプレイ又は有機ＥＬディスプレイ等の表示部とが一体として構成されたものである。マイク２５は、制御部２１からの指示に従って周囲の音声を収集する集音部であり、取得した音声データを記憶部２２へ送出して記憶させる。カメラ２６は、制御部２１からの指示に従って撮影する撮影部であり、取得した撮影画像（画像データ）を記憶部２２へ送出して記憶させる。

図１０は実施形態２の学習モデルの構成例を示す模式図である。図１０Ａに示すように、本実施形態は、図３に示す実施形態１の学習モデル１２Ｍと同様の構成を有する学習モデル２２Ｍに加えて、喘鳴認識モデル２２Ｍ１及び表情認識モデル２２Ｍ２を有する。本実施形態の学習モデル２２Ｍも、患者の状態情報（体温、血中酸素飽和度、痰の量、喘鳴の有無、表情レベル、口腔内のにおいの有無）が入力された場合に、当該患者に胃食道逆流による誤嚥が発生している可能性を出力する構成を有する。本実施形態の学習モデル２２Ｍには、患者の口元の音声に基づいて喘鳴認識モデル２２Ｍ１が判定した喘鳴の有無、及び、患者の顔画像に基づいて表情認識モデルが判定した表情レベルが入力される。

図１０Ｂは喘鳴認識モデル２２Ｍ１の構成例を示しており、図１０Ｂに示す喘鳴認識モデル２２Ｍ１は、患者の口元から収集した音声データを入力とし、入力された音声データに基づいて、当該患者に喘鳴が発生しているか否かを判別する演算を行い、演算した結果（喘鳴の有無）を出力するように学習してある。喘鳴認識モデル２２Ｍ１は、例えばＣＮＮ、ＲＮＮ等のアルゴリズムを用いて構成され、複数のアルゴリズムを組み合わせて構成されてもよい。図１０Ｂに示す喘鳴認識モデル２２Ｍ１は２つの出力ノードを有しており、出力ノード０は、喘鳴が発生していると判別すべき確率を出力し、出力ノード１は、喘鳴が発生していないと判別すべき確率を出力する。各出力ノードの出力値は例えば０～１．０の値であり、各出力ノードから出力された判別確率の合計が１．０（１００％）となる。上述した構成により、喘鳴認識モデル２２Ｍ１は、患者の口元の音声データが入力された場合に、患者に喘鳴が発生しているか否かを示す情報（喘鳴有り又は喘鳴無しに対する判別確率）を出力する。情報処理装置１０は、上述した喘鳴認識モデル２２Ｍ１において、各出力ノードからの出力値のうちで最大（大きい方）の出力値（判別確率）を出力した出力ノードに対応付けられている喘鳴状態を、予測すべき喘鳴状態に特定する。なお、喘鳴認識モデル２２Ｍ１は、喘鳴の有無のそれぞれに対する判別確率を出力する２つの出力ノードを有する代わりに、判別確率が最も高い喘鳴状態（喘鳴有り又は無し）を出力する１つの出力ノードを有する構成でもよい。

喘鳴認識モデル２２Ｍ１は、訓練用の音声データと、喘鳴が発生しているか否かを示す情報（正解ラベル）とを含む訓練データを用いて、未学習の学習モデルを機械学習させることにより生成される。訓練データは、喘鳴が発生している患者の口元の音声データに対して、喘鳴有りを示す情報が付与されて生成される。また、訓練データは、喘鳴が発生していない患者の口元の音声データに対して、喘鳴無しを示す情報が付与されて生成される。患者の音声データは、検査機器２０のマイク２５を用いて収集してもよく、電子カルテＤＢ１２ａに記憶してある場合には電子カルテＤＢ１２ａから取得してもよい。喘鳴の有無の情報は、電子カルテＤＢ１２ａに記憶してある情報から取得できる。喘鳴認識モデル２２Ｍ１は、訓練用の音声データが入力された場合に、正解ラベルが示す喘鳴の状態（喘鳴の有無）に対応する出力ノードからの出力値が１．０に近づき、他の出力ノードからの出力値が０．０に近づくように学習する。ここでも、喘鳴認識モデル２２Ｍ１は、ニューロン間の重み等を、誤差逆伝播法、最急降下法等を用いて最適化して学習処理を行う。これにより、患者の音声データが入力された場合に、喘鳴が発生しているか否かを予測し、予測結果を出力するように学習された喘鳴認識モデル２２Ｍ１が得られる。

図１０Ｃは表情認識モデル２２Ｍ２の構成例を示しており、図１０Ｃに示す表情認識モデル２２Ｍ２は、患者の顔を撮影して得られた顔画像データを入力とし、入力された顔画像データに基づいて、当該患者の表情レベルを判別する演算を行い、演算した結果（表情レベル）を出力するように学習してある。表情レベルは、実施形態１と同様に５段階（レベル１～レベル５）で表され、普段通りの正常な表情をレベル１とし、苦しそうな状態又は意思疎通ができない状態が悪化するほど高いレベルとする。表情認識モデル２２Ｍ２は、例えばＣＮＮ、ＲＮＮ等のアルゴリズムを用いて構成され、複数のアルゴリズムを組み合わせて構成されてもよい。図１０Ｃに示す表情認識モデル２２Ｍ２は５つの出力ノードを有しており、出力ノード０～４はそれぞれ、表情レベル５～１と判別すべき確率を出力する。各出力ノードの出力値は例えば０～１．０の値であり、各出力ノードから出力された判別確率の合計が１．０（１００％）となる。上述した構成により、表情認識モデル２２Ｍ２は、患者の顔画像データが入力された場合に、各表情レベルに対する判別確率を出力する。情報処理装置１０は、上述した表情認識モデル２２Ｍ２において、各出力ノードからの出力値のうちで最大の出力値（判別確率）を出力した出力ノードに対応付けられている表情レベルを、予測すべき表情レベルに特定する。なお、表情認識モデル２２Ｍ２は、各表情レベルに対する判別確率を出力する複数の出力ノードを有する代わりに、判別確率が最も高い表情レベルを出力する１つの出力ノードを有する構成でもよい。

表情認識モデル２２Ｍ２は、訓練用の顔画像データと、該顔画像データの撮影対象の患者の表情レベル（正解ラベル）とを含む訓練データを用いて、未学習の学習モデルを機械学習させることにより生成される。訓練データは、患者の顔画像データに対して、該顔画像データに基づいて医療従事者等が判定した患者の表情レベルが付与されて生成される。患者の顔画像データは、検査機器２０のカメラ２６を用いて撮影してもよく、電子カルテＤＢ１２ａに記憶してある場合には電子カルテＤＢ１２ａから取得してもよい。患者の表情レベルは、電子カルテＤＢ１２ａに記憶してある情報から取得してもよい。表情認識モデル２２Ｍ２は、訓練用の顔画像データが入力された場合に、正解ラベルが示す表情レベルに対応する出力ノードからの出力値が１．０に近づき、他の出力ノードからの出力値が０．０に近づくように学習する。ここでも、表情認識モデル２２Ｍ２は、ニューロン間の重み等を、誤差逆伝播法、最急降下法等を用いて最適化して学習処理を行う。これにより、患者の顔画像データが入力された場合に、撮影対象の患者の表情レベルを予測し、予測結果を出力するように学習された表情認識モデル２２Ｍ２が得られる。

本実施形態の検査機器２０は、上述した実施形態１の情報処理装置１０と同様に、患者の状態情報から胃食道逆流による誤嚥の発生可能性を予測する処理を行う。具体的には、検査機器２０の制御部２１は、図５に示す処理と同様の処理の実行が可能である。なお、図５中のステップＳ２１において、検査機器２０の制御部２１は、電子カルテ画面の代わりに、図１１Ａに示すような画面をタッチパネル２４に表示する。図１１は検査機器２０の画面例を示す模式図である。図１１Ａに示す画面は患者の状態情報を入力するための入力画面であり、図６に示す画面と同様の構成を有する。

検査機器２０の制御部２１は、図１１Ａに示す入力画面を介して、患者の状態情報の入力を受け付け、入力された各情報をそれぞれの入力欄に表示する（Ｓ２２～Ｓ２３）。なお、入力画面に対する各情報の入力は、看護職員等がタッチパネル２４を操作することによって行われてもよく、検査機器２０が他の検査機器から受信してもよい。例えば検査機器２０が、体温計、パルスオキシメータ、及び吸引器との間で情報の送受信を行うように構成されている場合、検査機器２０の制御部２１は、体温計、パルスオキシメータ、及び吸引器からそれぞれ患者の体温、血中酸素飽和度、及び痰の量を受信する。この場合、制御部２１は、受信した各データを図１１Ａに示す画面の各入力欄に表示する。

また検査機器２０の制御部２１は、マイク２５にて患者の口元の音声を収集し、得られた音声データに基づいて、喘鳴認識モデル２２Ｍ１を用いて喘鳴の発生の有無を判定し、判定結果（喘鳴の有無）を取得する。この場合、制御部２１は、取得した判定結果を、図１１Ａに示す画面中の喘鳴の入力欄に表示する。また制御部２１は、カメラ２６にて患者の顔画像を撮影し、得られた顔画像データに基づいて、表情認識モデル２２Ｍ２を用いて表情レベルを判定し、判定結果を取得する。この場合、制御部２１は、取得した判定結果を、図１１Ａに示す画面中の表情レベルの入力欄に表示する。患者の顔画像から表情レベルを判定する処理は、表情認識モデル２２Ｍ２を用いる構成のほかに、各表情レベルに対応するテンプレート画像を予め用意しておき、テンプレート画像を用いたパターンマッチングによって行われてもよい。また、例えば患者の入院時に顔画像を撮影して顔画像の特徴量を登録しておき、入院時の顔画像の特徴量との比較結果に基づいて患者の表情レベルを判定してもよい。

また、検査機器２０は、においセンサを有し、においセンサにて患者の口元のにおいを検知して所定のにおいがあるか否かを判定するように構成されていてもよい。この場合、制御部２１は、においセンサにて患者の口元のにおいを検知し、所定のにおい（患者に投与した栄養剤のにおい）の有無を判定する。そして、制御部２１は、判定結果を、図１１Ａに示す画面中の口腔内のにおいの入力欄に表示する。

そして、検査機器２０の制御部２１は、図１１Ａに示す入力画面中の誤嚥判定ボタンが操作された場合に、入力画面を介して入力された患者の情報に基づいて、当該患者の胃食道逆流による誤嚥の発生可能性を予測する（Ｓ２４～Ｓ２５）。そして制御部２１は、胃食道逆流による誤嚥の発生可能性が高いことを予測したと判断した場合（Ｓ２６：ＹＥＳ）、図１１Ｂに示すようなメッセージをタッチパネル２４に表示してアラートを出力する（Ｓ２７）。図１１Ｂに示す画面は、図７Ａに示す画面と同様の構成を有する。これにより、本実施形態においても、医療従事者は、患者の状態情報に基づいて予測された胃食道逆流による誤嚥の発生可能性が高いことを把握できる。なお、図１１Ｂに示すアラートメッセージはリセットボタンを有しており、リセットボタンが操作された場合、制御部２１は、アラートメッセージの表示を終了すると共に、画面中の各入力欄に入力されたデータを消去してリセットする。

また、本実施形態においても、制御部２１は、胃食道逆流による誤嚥の発生可能性が低いことを予測していないと判断した場合（Ｓ２８：ＮＯ）、胃食道逆流による誤嚥の発生を予防するためのアドバイスを出力する（Ｓ２９）。図示は省略するが、ここでは、図１１Ｂに示すアラートメッセージの代わりに、図７Ｂに示すようなアドバイスメッセージがタッチパネル２４に表示される。これにより、医療従事者は、胃食道逆流による誤嚥の発生を抑制するための対応処置を把握できる。

本実施形態では、上述した実施形態１と同様の効果が得られる。また本実施形態では、専用の検査機器２０を用いて、胃食道逆流による誤嚥の発生可能性を判定できるので、看護職員及び介護職員等が手軽に検査を行うことができる。

（実施形態３）
患者の状態情報に基づいて、胃食道逆流による誤嚥の発生可能性に加えて、口腔内容物の誤嚥の発生可能性を予測して提示する情報処理装置について説明する。本実施形態では、経管栄養が実施されている患者に加えて、経口摂取が可能な患者について、誤嚥の発生を予測する。本実施形態の情報処理装置は、実施形態１の情報処理装置１０と同様の構成を有するので、構成についての説明は省略する。

図１２は実施形態３の誤嚥発生の予測処理手順の一例を示すフローチャート、図１３は実施形態３の画面例を示す模式図である。図１２に示す処理は、図５に示す処理において、ステップＳ２８～Ｓ２９の代わりにステップＳ３１～Ｓ３３を追加したものである。図５と同じステップについては説明を省略する。

本実施形態の情報処理装置１０の制御部１１は、図５中のステップＳ２１～Ｓ２７と同様の処理を行う。これにより、電子カルテ画面を介して患者の状態情報が入力された場合に、状態情報に基づいて胃食道逆流による誤嚥の発生可能性が予測され、発生可能性が高いことが予測された場合に、アラートが出力されて医療従事者に通知される。

本実施形態の情報処理装置１０の制御部１１は、胃食道逆流による誤嚥の発生可能性が高いことを予測していないと判断した場合（Ｓ２６：ＮＯ）、即ち胃食道逆流による誤嚥の発生可能性が高くない場合、口腔内容物の誤嚥の発生可能性を予測する（Ｓ３１）。例えば制御部１１は、電子カルテＤＢ１２ａに記憶してある電子カルテデータから、当該患者が経口摂取した食べ物の摂取量及び摂取時刻、咳及び痰の発生状態、口腔内の衛生状態等の情報を読み出し、読み出した情報に基づいて、口腔内容物の誤嚥の発生可能性を予測する。例えば経口摂取した食べ物の摂取量が所定量以上である場合、摂取時刻からの経過時間が所定時間内である場合、咳及び痰の発生量が増加している場合、口腔内のケアが不十分である場合等には、制御部１１は、口腔内容物の誤嚥の発生可能性が高いことを予測する。例えば制御部１１は、電子カルテＤＢ１２ａから読み出した各データに基づいて、口腔内容物の誤嚥の発生可能性を示すスコアを算出することにより、発生可能性が高いか否かを予測する。

制御部１１は、予測結果に基づいて、口腔内容物の誤嚥の発生可能性が高いことを予測したか否かを判断する（Ｓ３２）。例えば口腔内容物の誤嚥の発生可能性を示すスコアを算出している場合、制御部１１は、算出したスコアが所定値以上であるか否かを判断する。口腔内容物の誤嚥の発生可能性が高いことを予測したと判断した場合（Ｓ３２：ＹＥＳ）、制御部１１は、発生可能性が高いことを通知するためのアラートを出力する（Ｓ３３）。例えば制御部１１は、図１３に示すように、口腔内容物の誤嚥の発生可能性が高いことと、医師による確認が必要であることとを通知するメッセージを電子カルテ画面に表示してアラートを出力する。これにより、電子カルテに患者の情報を入力した医療従事者は、患者の状態情報に基づいて予測された口腔内容物の誤嚥の発生可能性が高いことを把握できる。なお、図１３に示すアラートメッセージに、例えば口腔内のケアを行うこと、嚥下に関するリハビリ又はトレーニングを行うこと等のアドバイスを含めてもよい。

図１３に示すようなアラートが出力された場合、例えば看護職員は、医師に、口腔内容物の誤嚥の発生有無の確認を依頼する。また看護職員は医師に確認した後に、口腔内のケア、嚥下のリハビリ又はトレーニングを患者に行う。制御部１１は、口腔内容物の誤嚥の発生可能性が高いことを予測していないと判断した場合（Ｓ３２：ＮＯ）、即ち口腔内容物の誤嚥の発生可能性が低い場合、ステップＳ３３の処理をスキップして一連の処理を終了する。ここでは制御部１１は、誤嚥の発生可能性が低いこと、又は誤嚥の発生可能性がほぼ無い正常な状態であることを通知するメッセージを表示部１５に表示してもよい。

本実施形態では、上述した実施形態１と同様の効果が得られる。また本実施形態では、胃食道逆流による誤嚥の発生可能性に加えて、口腔内容物の誤嚥の発生可能性を予測して医療従事者に提示できる。よって、医師は、提示された予測結果に基づいて、必要に応じて胸部のＸ線画像又はＣＴ画像の撮影、及び血液検査等の精密検査を行って確定診断を行う。

本実施形態の構成は、実施形態１の情報処理装置１０に適用可能であり、実施形態２の検査機器２０にも適用可能であり、実施形態１の情報処理装置１０又は実施形態２の検査機器２０に適用した場合であっても同様の効果が得られる。また、本実施形態においても、上述した各実施形態で適宜説明した変形例の適用が可能である。

今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

１０ 情報処理装置
１１ 制御部
１２ 記憶部
１３ 通信部
１４ 入力部
１５ 表示部
２０ 検査機器
２１ 制御部
２２ 記憶部
２５ マイク
２６ カメラ
１２ａ 電子カルテＤＢ
１２Ｍ 学習モデル
２２Ｍ 学習モデル

Claims (10)

1. 患者の状態に関する状態情報を取得し、
   患者の状態情報を入力した場合に、前記患者の胃食道逆流物の誤嚥の発症に関する発症情報を出力するように学習された学習モデルに、取得した状態情報を入力して、前記患者の胃食道逆流物の誤嚥の発症に関する発症情報を出力する
   処理をコンピュータが実行する情報処理方法。
2. 前記学習モデルは、前記患者が胃食道逆流物の誤嚥を発症している可能性を複数段階で示す発症情報を出力するように学習しており、
   前記学習モデルから出力された可能性が所定値以上である場合に、前記患者が胃食道逆流物の誤嚥を発症していることを示す発症情報を出力する
   処理を前記コンピュータが実行する請求項１に記載の情報処理方法。
3. 前記学習モデルから出力された可能性が所定値以上である場合に、医師による確認が必要であることを通知するアラートを出力する
   処理を前記コンピュータが実行する請求項２に記載の情報処理方法。
4. 患者の状態に関する状態情報を取得し、
   取得した状態情報に基づいて、誤嚥の発症に関する発症情報を出力し、
   前記患者が胃食道逆流物の誤嚥を発症している可能性が高いことを示す発症情報を出力した場合、胃食道逆流物の誤嚥を抑制するための対応処置に関する情報を出力し、前記患者が口腔内容物の誤嚥を発症している可能性が高いことを示す発症情報を出力した場合、口腔内のケアの対応処置に関する情報を出力する
   処理をコンピュータが実行する情報処理方法。
5. 前記状態情報は、前記患者の体温、血中酸素飽和度、痰の量、前記患者の口腔内の酸性レベル、前記口腔内の糖の有無、前記口腔内の所定においの有無、前記患者の表情に関する情報、喘鳴の有無のうちのいずれか複数を含む
   請求項１から４までのいずれか１つに記載の情報処理方法。
6. 患者の状態に関する状態情報を取得し、
   患者の状態情報を入力した場合に、前記患者の胃食道逆流物の誤嚥の発症に関する発症情報を出力するように学習された学習モデルに、取得した状態情報を入力して、前記患者の胃食道逆流物の誤嚥の発症に関する発症情報を出力する
   処理をコンピュータに実行させるプログラム。
7. 患者の状態に関する状態情報を取得する取得部と、
   患者の状態情報を入力した場合に、前記患者の胃食道逆流物の誤嚥の発症に関する発症情報を出力するように学習された学習モデルに、取得した状態情報を入力して、前記患者の胃食道逆流物の誤嚥の発症に関する発症情報を出力する出力部と
   を備える情報処理装置。
8. 患者の状態に関する状態情報を取得し、
   取得した状態情報に基づいて、誤嚥の発症に関する発症情報を出力し、
   前記患者が胃食道逆流物の誤嚥を発症している可能性が高いことを示す発症情報を出力した場合、胃食道逆流物の誤嚥を抑制するための対応処置に関する情報を出力し、前記患者が口腔内容物の誤嚥を発症している可能性が高いことを示す発症情報を出力した場合、口腔内のケアの対応処置に関する情報を出力する
   処理をコンピュータに実行させるプログラム。
9. 患者の状態に関する状態情報を取得する取得部と、
   取得した状態情報に基づいて、誤嚥の発症に関する発症情報を出力する出力部と、
   前記患者が胃食道逆流物の誤嚥を発症している可能性が高いことを示す発症情報を出力した場合、胃食道逆流物の誤嚥を抑制するための対応処置に関する情報を出力し、前記患者が口腔内容物の誤嚥を発症している可能性が高いことを示す発症情報を出力した場合、口腔内のケアの対応処置に関する情報を出力する処置情報出力部と
   を備える情報処理装置。
10. 患者の状態情報と、前記患者の胃食道逆流物の誤嚥の発症に関する発症情報とを含む訓練データを取得し、
    取得した訓練データを用いて、前記患者の状態情報が入力された場合に、前記患者の胃食道逆流物の誤嚥の発症に関する発症情報を出力する学習モデルを生成する
    処理をコンピュータが実行するモデル生成方法。