JPH0318459B2 - - Google Patents
Info
- Publication number
- JPH0318459B2 JPH0318459B2 JP58197432A JP19743283A JPH0318459B2 JP H0318459 B2 JPH0318459 B2 JP H0318459B2 JP 58197432 A JP58197432 A JP 58197432A JP 19743283 A JP19743283 A JP 19743283A JP H0318459 B2 JPH0318459 B2 JP H0318459B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- item
- degree
- abnormality
- disease name
- 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.)
- Expired - Lifetime
Links
Landscapes
- Automatic Analysis And Handling Materials Therefor (AREA)
Description
【発明の詳細な説明】
本発明は分析装置からの分析データと検体情報
に基づいて代謝異常に関する論理診断処理を行な
い、代謝異常名を抽出する自動診断装置に関す
る。
に基づいて代謝異常に関する論理診断処理を行な
い、代謝異常名を抽出する自動診断装置に関す
る。
近年、先天性代謝異常の研究の進歩は目覚まし
いものがある。該先天性代謝異常症は生体内の代
謝経路上の各反応段階で触媒の働きをする酵素の
欠損又は抑制等による遺伝的な機能発現不全に因
るものである。この代謝異常項は早期治療の効果
が著しい為、早期発見の意義は極めて大きい。該
代謝異常の疾患は2000以上あると予想されている
が、この内、数100種類のものが種々の分析方法
によりアミノ酸、有機酸、糖、ステロイド等を分
析して診断出来ることが確められている。
いものがある。該先天性代謝異常症は生体内の代
謝経路上の各反応段階で触媒の働きをする酵素の
欠損又は抑制等による遺伝的な機能発現不全に因
るものである。この代謝異常項は早期治療の効果
が著しい為、早期発見の意義は極めて大きい。該
代謝異常の疾患は2000以上あると予想されている
が、この内、数100種類のものが種々の分析方法
によりアミノ酸、有機酸、糖、ステロイド等を分
析して診断出来ることが確められている。
本発明は既存の分析装置からの分析データと検
体情報とから代謝異常に関する診断を自動的に行
なう新規な装置を提供するものである。
体情報とから代謝異常に関する診断を自動的に行
なう新規な装置を提供するものである。
本発明は分析装置、項目毎の健常値範囲（正常
範囲）を示す健常値テーブルが記憶された第１の
記憶ユニツト、各項目に夫々関係する病名とその
病名の項目への係わり程度を表わす重みとを示す
項目・病名テーブルが記憶された第２の記憶ユニ
ツト、各病名に夫々関係する項目とその項目の病
名への係わり程度を示す異常度モデル重みと論理
モデル重みとを示す病名・項目テーブルが記憶さ
れた第３の記憶ユニツト、各病名に夫々関係する
モデル症状とそのモデル症状の病名への係わり程
度を示す重みとを示す病名・症状テーブルが記憶
された第４の記憶ユニツト、及び前記分析装置か
らの検体分析データを規格化したものと検体情報
に基づき前記健常値テーブルを参照して検体の異
常項目の検出とその異常度を算出し、該検出した
異常値目に対し、前記項目・病名テーブルを参照
して検体の被疑病名の抽出と該被疑病名の被疑度
を算出し、該抽出された各被疑病名に関し、前記
病名・項目テーブルを参照することにより、異常
項目に関する被疑の度合を、検体とテーブルに載
つているモデルにおいて一致している異常項目の
異常度と該異常項目の異常度モデルの重み、該モ
デルの全ての異常項目の異常度モデルの重みの和
に基づいて算出した異常度モデル一致度と、検体
とテーブルに載つているモデルにおいて一致して
いる異常項目の異常度と該異常項目の論理モデル
の重み、該モデルの全ての異常項目の論理モデル
の重みの和に基づいて算出した論理モデル一致度
とにより算出し、更に同抽出された各被疑病名に
関し、前記病名・症状テーブルを参照することに
より、検体とテーブルに載つているモデルにおい
て一致している症状の程度と該症状のモデル症状
の重み、該モデルの全てのモデル症状の重みの和
に基づいて症状モデル一致度を算出する演算装置
から成る自動診断装置である。
範囲）を示す健常値テーブルが記憶された第１の
記憶ユニツト、各項目に夫々関係する病名とその
病名の項目への係わり程度を表わす重みとを示す
項目・病名テーブルが記憶された第２の記憶ユニ
ツト、各病名に夫々関係する項目とその項目の病
名への係わり程度を示す異常度モデル重みと論理
モデル重みとを示す病名・項目テーブルが記憶さ
れた第３の記憶ユニツト、各病名に夫々関係する
モデル症状とそのモデル症状の病名への係わり程
度を示す重みとを示す病名・症状テーブルが記憶
された第４の記憶ユニツト、及び前記分析装置か
らの検体分析データを規格化したものと検体情報
に基づき前記健常値テーブルを参照して検体の異
常項目の検出とその異常度を算出し、該検出した
異常値目に対し、前記項目・病名テーブルを参照
して検体の被疑病名の抽出と該被疑病名の被疑度
を算出し、該抽出された各被疑病名に関し、前記
病名・項目テーブルを参照することにより、異常
項目に関する被疑の度合を、検体とテーブルに載
つているモデルにおいて一致している異常項目の
異常度と該異常項目の異常度モデルの重み、該モ
デルの全ての異常項目の異常度モデルの重みの和
に基づいて算出した異常度モデル一致度と、検体
とテーブルに載つているモデルにおいて一致して
いる異常項目の異常度と該異常項目の論理モデル
の重み、該モデルの全ての異常項目の論理モデル
の重みの和に基づいて算出した論理モデル一致度
とにより算出し、更に同抽出された各被疑病名に
関し、前記病名・症状テーブルを参照することに
より、検体とテーブルに載つているモデルにおい
て一致している症状の程度と該症状のモデル症状
の重み、該モデルの全てのモデル症状の重みの和
に基づいて症状モデル一致度を算出する演算装置
から成る自動診断装置である。
第１図は本発明の一実施例として示した自動診
断装置の概略図である。では、該図に従い、本発
明の自動診断方法を詳細説明する。尚、本実施例
においては、分析装置としてアミノ酸分析装置を
使用した。
断装置の概略図である。では、該図に従い、本発
明の自動診断方法を詳細説明する。尚、本実施例
においては、分析装置としてアミノ酸分析装置を
使用した。
図中１はアミノ酸分析装置で、該分析装置から
の検体分析データは中央制御装置（以後CPUと
称す）２の指令により、デイスクメモリ３に記憶
される。該CPUは該デイスクメモリから検体分
析データを読出し、該データ即ち、前記アミノ酸
分析装置のクロマトグラムの各ピーク強度のデー
タとリテンシヨンタイムのデータの規格化を行な
う。即ち、前記アミノ酸分析装置においては溶出
条件に依り、同じ溶出成分でもリテンシヨンタイ
ムが異なつてしまうことがあるので、予め、各溶
出成分に応じてリテンシヨンタイムを定めたオリ
ジナルのクロマトグラムを作成し、検体のクロマ
トグラムの夫々のピークのリテンシヨンタイムが
前記オリジナルのクロマトグラムの各ピークの内
どのピークのリテンシヨンタイムの許容範囲にあ
るかに基づいて、ピークのリテンシヨンタイムを
規格化する。そして、該CPUの指令により、該
規格化された分析データはデータフアイルとして
の記憶装置４に入力される。該データフアイルに
は又、マニアルにより、患属属性（年齢、性別
等）、患者情報（既往症状、症状、投薬等）、検体
番号（検体No.）等の検体情報が入力される。
の検体分析データは中央制御装置（以後CPUと
称す）２の指令により、デイスクメモリ３に記憶
される。該CPUは該デイスクメモリから検体分
析データを読出し、該データ即ち、前記アミノ酸
分析装置のクロマトグラムの各ピーク強度のデー
タとリテンシヨンタイムのデータの規格化を行な
う。即ち、前記アミノ酸分析装置においては溶出
条件に依り、同じ溶出成分でもリテンシヨンタイ
ムが異なつてしまうことがあるので、予め、各溶
出成分に応じてリテンシヨンタイムを定めたオリ
ジナルのクロマトグラムを作成し、検体のクロマ
トグラムの夫々のピークのリテンシヨンタイムが
前記オリジナルのクロマトグラムの各ピークの内
どのピークのリテンシヨンタイムの許容範囲にあ
るかに基づいて、ピークのリテンシヨンタイムを
規格化する。そして、該CPUの指令により、該
規格化された分析データはデータフアイルとして
の記憶装置４に入力される。該データフアイルに
は又、マニアルにより、患属属性（年齢、性別
等）、患者情報（既往症状、症状、投薬等）、検体
番号（検体No.）等の検体情報が入力される。
次に、CPU２は前記データフアイル４から規
格化した分析データと検体情報を読出し、第１の
記憶ユニツト５に記憶されている該溶出成分（以
後、項目と称す）毎の健常値範囲（正常値範囲）
を年齢別に示した健常値テーブルを参照して、規
格化した分析データに基づいて異常項目の検出と
その異常度を測定する。即ち、CPU２は規格化
した分析データの各項目のピーク強度をヒストグ
ラム化し、該第１の記憶ユニツト５から読出した
各項目の健常値範囲をそのヒストグラムに同時に
入力してやる。又、そのヒストグラムに健常デー
タの母集団の平均値も入力してやる。そして、該
ヒストグラムを表示装置６（陰極線管及び若しく
はプリンター）に第２図に示す様に表示させる。
該第２図において、横軸の番号（No.）(1)、(2)、
(3)、……はピーク番号で、その内(1)はスレニオン
（Thr）、(2)はアラニン（Ala）、(3)はグリシン
（Gly）、(4)はバリン（Val）、(5)はメチオニン
（Met）、……の項目である。縦軸の・印はピーク
強度を現わし、マーカ（−）とマーカ（−）の間
は健常値範囲、×印は健常データの母集団の平均
値を夫々示す。該図からピーク強度が健常値範囲
内に無いものが検体の異常項目である。次に、第
３図に示す様に、各項目のピーク強度の前記母集
団の平均値からの標準偏差（縦軸の・印）と、該
各項目の健常値を標準偏差化して結んだもの（実
線の折線）を表示する。尚、実線の横軸は母集団
の平均値（Ｘ）、破線の横線は2σ、−2σ（σ2を母分
散とする）である。次に、検体の各項目のピーク
強度の内母集団の平均値より大きいものはその値
と健常値との比を、小さいものはその値と健常値
の最小値との比を夫々求め、この比を予め生体内
の代謝効率に基づいて各項目毎に設定された特定
の領域に従つて−５、−４、−３、−２、−１、０、
１、２、３、４、５の段階にレベル化する。この
レベル化された値が異常度で、第４図に示す様に
ヒストグラム表示される。この場合、健常値範囲
内にある項目（正常項目）の異常度を０とする。
更に、CPU２は異常項目だけを抽出して、第５
図に示す様に、＋の異常度の大きい順と−の異常
度の大きい順に夫々表示装置６に表示させる。以
上の処理を第１次診断と称す。次に、CPU２は
前記第１次診断で検出された異常項目に対して、
第２の記憶ユニツト７に記憶された項目・病名テ
ーブルを参照して被疑病名の抽出と初期被疑度算
出を行なう。該項目・病名テーブルには第６図に
示す様に、各項目（スレニオン（Thr）、バリン
（Val）、アラニン（Ala）、……）に夫々に関係す
る病名（12、７、75、４、……３、６、12、３、
……とコード化されている）とその病名の項目へ
の係わり程度を示すものとして重み（A11、A12、
A13、……A21、A22、……）が記憶されてある。
格化した分析データと検体情報を読出し、第１の
記憶ユニツト５に記憶されている該溶出成分（以
後、項目と称す）毎の健常値範囲（正常値範囲）
を年齢別に示した健常値テーブルを参照して、規
格化した分析データに基づいて異常項目の検出と
その異常度を測定する。即ち、CPU２は規格化
した分析データの各項目のピーク強度をヒストグ
ラム化し、該第１の記憶ユニツト５から読出した
各項目の健常値範囲をそのヒストグラムに同時に
入力してやる。又、そのヒストグラムに健常デー
タの母集団の平均値も入力してやる。そして、該
ヒストグラムを表示装置６（陰極線管及び若しく
はプリンター）に第２図に示す様に表示させる。
該第２図において、横軸の番号（No.）(1)、(2)、
(3)、……はピーク番号で、その内(1)はスレニオン
（Thr）、(2)はアラニン（Ala）、(3)はグリシン
（Gly）、(4)はバリン（Val）、(5)はメチオニン
（Met）、……の項目である。縦軸の・印はピーク
強度を現わし、マーカ（−）とマーカ（−）の間
は健常値範囲、×印は健常データの母集団の平均
値を夫々示す。該図からピーク強度が健常値範囲
内に無いものが検体の異常項目である。次に、第
３図に示す様に、各項目のピーク強度の前記母集
団の平均値からの標準偏差（縦軸の・印）と、該
各項目の健常値を標準偏差化して結んだもの（実
線の折線）を表示する。尚、実線の横軸は母集団
の平均値（Ｘ）、破線の横線は2σ、−2σ（σ2を母分
散とする）である。次に、検体の各項目のピーク
強度の内母集団の平均値より大きいものはその値
と健常値との比を、小さいものはその値と健常値
の最小値との比を夫々求め、この比を予め生体内
の代謝効率に基づいて各項目毎に設定された特定
の領域に従つて−５、−４、−３、−２、−１、０、
１、２、３、４、５の段階にレベル化する。この
レベル化された値が異常度で、第４図に示す様に
ヒストグラム表示される。この場合、健常値範囲
内にある項目（正常項目）の異常度を０とする。
更に、CPU２は異常項目だけを抽出して、第５
図に示す様に、＋の異常度の大きい順と−の異常
度の大きい順に夫々表示装置６に表示させる。以
上の処理を第１次診断と称す。次に、CPU２は
前記第１次診断で検出された異常項目に対して、
第２の記憶ユニツト７に記憶された項目・病名テ
ーブルを参照して被疑病名の抽出と初期被疑度算
出を行なう。該項目・病名テーブルには第６図に
示す様に、各項目（スレニオン（Thr）、バリン
（Val）、アラニン（Ala）、……）に夫々に関係す
る病名（12、７、75、４、……３、６、12、３、
……とコード化されている）とその病名の項目へ
の係わり程度を示すものとして重み（A11、A12、
A13、……A21、A22、……）が記憶されてある。
CPU２は該テーブルを参照して前記第１診断
で検出された異常項目（Thr、Val、Ala、Arg、
Met、Pn）夫々に関係する病名を全て抽出し、
第７図に示す様に、その内関係の深いものを例え
ば３つ選択して各異常項目のサイドに表示する様
に表示装置６に指令を送る。この時、該第７図に
示す様に検体情報として異常度＋４のGalと異常
度−５の乳酸も入力される。又、同時にコード化
された病名の実名を表示装置の一部に表示する様
にする。次に、この様に抽出された被疑病名毎に
初期被疑度を算出する。
で検出された異常項目（Thr、Val、Ala、Arg、
Met、Pn）夫々に関係する病名を全て抽出し、
第７図に示す様に、その内関係の深いものを例え
ば３つ選択して各異常項目のサイドに表示する様
に表示装置６に指令を送る。この時、該第７図に
示す様に検体情報として異常度＋４のGalと異常
度−５の乳酸も入力される。又、同時にコード化
された病名の実名を表示装置の一部に表示する様
にする。次に、この様に抽出された被疑病名毎に
初期被疑度を算出する。
ｉを異常項目、ｊを病名、Ｚを異常度、Ａを重
み、Amaxを前記テーブル中最大重み、Aijを各
項目に関係する病名につけられた特定の重みとす
れば、病名ｊの被疑度DDLjは DDLj＝Σ（Aij×｜Zi｜）／〔Amax
×（検体の異常項目数）〕……(1) 例えば、病名12（カエデ）の被疑度は DDL12＝A11×５＋A22×４＋A31×３＋
……／（Amax×８） である。
み、Amaxを前記テーブル中最大重み、Aijを各
項目に関係する病名につけられた特定の重みとす
れば、病名ｊの被疑度DDLjは DDLj＝Σ（Aij×｜Zi｜）／〔Amax
×（検体の異常項目数）〕……(1) 例えば、病名12（カエデ）の被疑度は DDL12＝A11×５＋A22×４＋A31×３＋
……／（Amax×８） である。
この様にして病名12、７、75、……の被疑度を
算出し、CPU２は第８図に示す様に、病名を被
疑度の高い順に表示装置６に表示させる。この場
合、病名は実名で表示させる。以上の操作を第２
次診断と称する。
算出し、CPU２は第８図に示す様に、病名を被
疑度の高い順に表示装置６に表示させる。この場
合、病名は実名で表示させる。以上の操作を第２
次診断と称する。
次に、CPU２は前記第２次診断で抽出された
各初期被疑病名（カエデ、フエニル……）に関
し、第３の記憶ユニツト８に記憶された病名・項
目テーブルを参照することにより、順次、該抽出
された病名（カエデ、フエニル、……）のモデル
異常項目を呼出し、前記第７図に示す様な検体の
異常項目・被疑病名リストと並べて、病名の異常
項目モデルリストを表示装置６に表示させる（第
９図で示したモデルリストはカエデのリストであ
る）。では病名カエデを例に取つて、異常項目に
関する被疑の度合、即ち被疑一致度を次に測定す
る。該被疑一致度を測定する場合、異常度モデル
一致度と論理モデル一致度を測定する。異常度モ
デル一致度は検体と実際の統計上のモデルとの一
致度を見るもので、論理モデル一致度は検体と理
論上のモデルとの一致度を見るものである。前記
病名・項目テーブルには第１０図に示す様に、各
病名（カエデ、フエニル、……）に対し、関係す
る項目（Thr、Val、……、Met、……）と該各
項目の病名に対する係わり程度を示す異常度モデ
ル重み（B11、B12、……、B1o、……、B21、…
…）と論理モデル重み（C11、C12、……、C1o、
……、C2、……）が夫々記憶されている。
各初期被疑病名（カエデ、フエニル……）に関
し、第３の記憶ユニツト８に記憶された病名・項
目テーブルを参照することにより、順次、該抽出
された病名（カエデ、フエニル、……）のモデル
異常項目を呼出し、前記第７図に示す様な検体の
異常項目・被疑病名リストと並べて、病名の異常
項目モデルリストを表示装置６に表示させる（第
９図で示したモデルリストはカエデのリストであ
る）。では病名カエデを例に取つて、異常項目に
関する被疑の度合、即ち被疑一致度を次に測定す
る。該被疑一致度を測定する場合、異常度モデル
一致度と論理モデル一致度を測定する。異常度モ
デル一致度は検体と実際の統計上のモデルとの一
致度を見るもので、論理モデル一致度は検体と理
論上のモデルとの一致度を見るものである。前記
病名・項目テーブルには第１０図に示す様に、各
病名（カエデ、フエニル、……）に対し、関係す
る項目（Thr、Val、……、Met、……）と該各
項目の病名に対する係わり程度を示す異常度モデ
ル重み（B11、B12、……、B1o、……、B21、…
…）と論理モデル重み（C11、C12、……、C1o、
……、C2、……）が夫々記憶されている。
病名ｊの異常度モデル一致度AG1jは、Siを検
体とモデルにおいて一致している異常項目ｉ（例、
病名カエデにおいてはThr、Val、Met）の異常
度／モデルリストに上がつている各異常項目の異
常度モデルの重みの和、Miを検体とモデルにお
いて一致している異常項目ｉの異常度モデルの重
み／モデルリストに上がつている各異常項目の異
常度モデルの重みの和とすれば、 AG1j＝１−（Σ｜Si−Mi｜）／２ ……(2) である。例えば、病名カエデについては、 １−〔｜５／（B11＋B12＋B1o）−B11／（B11＋B12＋B1
o）｜＋｜４／（B11＋B12＋B1o） −B12（B11＋B12＋B1o）｜＋｜−４／（B11＋B12＋B1
o）−B1o（B11＋B12＋B1o）｜〕／２ で求められる。
体とモデルにおいて一致している異常項目ｉ（例、
病名カエデにおいてはThr、Val、Met）の異常
度／モデルリストに上がつている各異常項目の異
常度モデルの重みの和、Miを検体とモデルにお
いて一致している異常項目ｉの異常度モデルの重
み／モデルリストに上がつている各異常項目の異
常度モデルの重みの和とすれば、 AG1j＝１−（Σ｜Si−Mi｜）／２ ……(2) である。例えば、病名カエデについては、 １−〔｜５／（B11＋B12＋B1o）−B11／（B11＋B12＋B1
o）｜＋｜４／（B11＋B12＋B1o） −B12（B11＋B12＋B1o）｜＋｜−４／（B11＋B12＋B1
o）−B1o（B11＋B12＋B1o）｜〕／２ で求められる。
次に、病名ｊの論理モデル一致度AG2jは、前
記Siにおいて異常度モデルの重みを論理モデルの
重みとしたものをEi、前記Miにおいて異常モデ
ルの重みを論理モデルの重みとしたものをTiと
すれば、 AG2j＝１−（Σ｜Ei−Ti｜）／２ ……(3) である。例えば、病名カエデについては １−〔｜５／（C11＋C12＋C1o）−C11／（C11＋C12＋C1
o）｜＋｜４／（C11＋C12＋C1o） −C12／（C11＋C12＋C1o）｜＋｜−４／（C11＋C12＋
C1o）−C1o／（C11＋C12＋C1o）｜〕／２ で求められる。
記Siにおいて異常度モデルの重みを論理モデルの
重みとしたものをEi、前記Miにおいて異常モデ
ルの重みを論理モデルの重みとしたものをTiと
すれば、 AG2j＝１−（Σ｜Ei−Ti｜）／２ ……(3) である。例えば、病名カエデについては １−〔｜５／（C11＋C12＋C1o）−C11／（C11＋C12＋C1
o）｜＋｜４／（C11＋C12＋C1o） −C12／（C11＋C12＋C1o）｜＋｜−４／（C11＋C12＋
C1o）−C1o／（C11＋C12＋C1o）｜〕／２ で求められる。
以上の如き２つの一致度については前記第２次
診断で抽出された各病名について順次求められ
る。これら一致度は０〜１の値を取り、０の場合
完全不一致、１の場合完全一致である。異常度モ
デル一致度の場合、１に近い程実際のモデルに近
く、０に近い程遠いと診断出来る。又、論理モデ
ル一致度の場合、１に近い程理論上のモデルに近
く、０に近い程遠いと診断出来る。これら２つの
一致度は夫々CPU２の指令により、一致度の高
い順に病名とその病名の一致度が表示装置６に表
示される（第１１図参照）。以上の操作を第３次
診断と称す。
診断で抽出された各病名について順次求められ
る。これら一致度は０〜１の値を取り、０の場合
完全不一致、１の場合完全一致である。異常度モ
デル一致度の場合、１に近い程実際のモデルに近
く、０に近い程遠いと診断出来る。又、論理モデ
ル一致度の場合、１に近い程理論上のモデルに近
く、０に近い程遠いと診断出来る。これら２つの
一致度は夫々CPU２の指令により、一致度の高
い順に病名とその病名の一致度が表示装置６に表
示される（第１１図参照）。以上の操作を第３次
診断と称す。
次に、CPU２は前記第２次診断で抽出された
被疑病名（カエデ、フエニル、……）に関し、第
４の記憶ユニツト９に記憶された病名・症状テー
ブルから該抽出された病名に関係するモデル症状
（△、〇、□、◎）を呼び出し、前記検体情報か
らの検体の症状（△、×、☆、◎）とその程度
（＋２、＋３、＋２、＋４）と共に表示装置６に表示
させる。第１２図は該表示したもので、記号化さ
れた症状の実名も表示されている。該病名・症状
テーブルには第１３図に示す様に、各病名（カエ
デ、フエニル……）、該各病名に関係するモデル
症状（△、〇、□、……、◎）及びモデル症状の
病名の係わり程度を現わす重み（D11、D12、
D13、……、D1o、……Ｄ、D21、……）が記憶さ
れている。そして、検体の各被疑病名に関し、該
病名・症状テーブル９を参照して、症状一致度を
求める。病名ｊの症状一致度AG3jは、Hiを該病
名において検体とモデルとで一致している症状ｉ
（例．病名カエデにおいては△と◎）の程度／該
病名ｊに関係する全てのモデル症状の重みの和、
Qiを病名ｊにおいて検体とモデルとで一致して
いる症状ｉのモデル症状の重み／該病名ｊに関係
する全てのモデル症状の重みの和とすれば、 AG3j＝１−（Σ（｜Hi−Qi｜）／２ ……(4) である。
被疑病名（カエデ、フエニル、……）に関し、第
４の記憶ユニツト９に記憶された病名・症状テー
ブルから該抽出された病名に関係するモデル症状
（△、〇、□、◎）を呼び出し、前記検体情報か
らの検体の症状（△、×、☆、◎）とその程度
（＋２、＋３、＋２、＋４）と共に表示装置６に表示
させる。第１２図は該表示したもので、記号化さ
れた症状の実名も表示されている。該病名・症状
テーブルには第１３図に示す様に、各病名（カエ
デ、フエニル……）、該各病名に関係するモデル
症状（△、〇、□、……、◎）及びモデル症状の
病名の係わり程度を現わす重み（D11、D12、
D13、……、D1o、……Ｄ、D21、……）が記憶さ
れている。そして、検体の各被疑病名に関し、該
病名・症状テーブル９を参照して、症状一致度を
求める。病名ｊの症状一致度AG3jは、Hiを該病
名において検体とモデルとで一致している症状ｉ
（例．病名カエデにおいては△と◎）の程度／該
病名ｊに関係する全てのモデル症状の重みの和、
Qiを病名ｊにおいて検体とモデルとで一致して
いる症状ｉのモデル症状の重み／該病名ｊに関係
する全てのモデル症状の重みの和とすれば、 AG3j＝１−（Σ（｜Hi−Qi｜）／２ ……(4) である。
例えば、病名カエデについて求めると、
１−〔｜２／D11＋D12＋D13＋D1o）−D11／（D11＋D12
＋D13＋D1o） ＋４／（D11＋D12＋D13＋D1o）−D1o／（D11＋D12＋D
13＋D1o）〕／２ である。この症状一致度は第２次診断で抽出され
た被疑病名について夫々求められる。該一致度は
０〜１の値を取り、１に近い程理論上のモデルに
近く、０に近い程遠いと診断出来る。この様にし
て求められた一致度は第１４図に示す様に、
CPUの指令により高い順に病名と共に表示装置
６に表示される。
＋D13＋D1o） ＋４／（D11＋D12＋D13＋D1o）−D1o／（D11＋D12＋D
13＋D1o）〕／２ である。この症状一致度は第２次診断で抽出され
た被疑病名について夫々求められる。該一致度は
０〜１の値を取り、１に近い程理論上のモデルに
近く、０に近い程遠いと診断出来る。この様にし
て求められた一致度は第１４図に示す様に、
CPUの指令により高い順に病名と共に表示装置
６に表示される。
次にCPU２は前記第２次診断で求めた病名ｊ
の初期被疑度DDLj、第３次診断で求めた異常度
モデル一致度AG1j、論理モデル一致度AG2j及び
前記症状モデル一致度AG3jを変数とする一次関
数ｆ（α、β、γ、δ）を総合評価値TVjとして
算出する。この時定数α、β、γ、δは経験的に
求められるパラメータである。これを式に現わす
と、 TVj＝α（DDLj）＋β（AG1j）＋γ（AG2j）
＋δ（AG3j）……(5) となり、病名抽出の総合的診断に使われる。第１
５図はこの様にして算出された各病名の総合評価
値を値の高い順に病名と共に表示装置６に表示さ
せたものである。又、第１６図は、各病名毎に、
総合評価値Ｔ、初期被疑度Ａ、異常度モデル一致
度Ｂ、論理モデル一致度Ｃ、症状一致度Ｄをバー
グラフ表示させたものである。
の初期被疑度DDLj、第３次診断で求めた異常度
モデル一致度AG1j、論理モデル一致度AG2j及び
前記症状モデル一致度AG3jを変数とする一次関
数ｆ（α、β、γ、δ）を総合評価値TVjとして
算出する。この時定数α、β、γ、δは経験的に
求められるパラメータである。これを式に現わす
と、 TVj＝α（DDLj）＋β（AG1j）＋γ（AG2j）
＋δ（AG3j）……(5) となり、病名抽出の総合的診断に使われる。第１
５図はこの様にして算出された各病名の総合評価
値を値の高い順に病名と共に表示装置６に表示さ
せたものである。又、第１６図は、各病名毎に、
総合評価値Ｔ、初期被疑度Ａ、異常度モデル一致
度Ｂ、論理モデル一致度Ｃ、症状一致度Ｄをバー
グラフ表示させたものである。
尚、本システムの判断基準は全て各テーブルの
中の数値に持たせ、システムのプログラムフロー
と切離しており、且つテーブルのバツクアツプフ
アイル機構を持たせているので、ユーザーが前記
テーブル内容を改訂することにより、任意の診断
論理を設定することが出来る。又、前記実施例で
はアミノ酸の分析データを例に上げたが、有機酸
データ、糖データ、拡散データ、グアジニンデー
タ等の分析データも使用することが可能である。
中の数値に持たせ、システムのプログラムフロー
と切離しており、且つテーブルのバツクアツプフ
アイル機構を持たせているので、ユーザーが前記
テーブル内容を改訂することにより、任意の診断
論理を設定することが出来る。又、前記実施例で
はアミノ酸の分析データを例に上げたが、有機酸
データ、糖データ、拡散データ、グアジニンデー
タ等の分析データも使用することが可能である。
本発明によれば、的確な病名診断が可能となり
又、モデルパターンとの一致の度合が数量化され
ているので、検体の病名の被疑の度合が明確にな
り、診断に著しく有効である。
又、モデルパターンとの一致の度合が数量化され
ているので、検体の病名の被疑の度合が明確にな
り、診断に著しく有効である。
第１図は本発明の一実施例として示した自動診
断装置の概略図、第２図〜第１６図は本発明の動
作の説明を補足する為の表示装置に表示されたも
のである。 １：アミノ酸分析装置、２：中央制御装置
（CPU）、３：デイスクメモリ、４：データフア
イル、５：第１の記憶ユニツト、６：表示装置、
７：第２の記憶ユニツト、８：第３の記憶ユニツ
ト、９：第４の記憶ユニツト。
断装置の概略図、第２図〜第１６図は本発明の動
作の説明を補足する為の表示装置に表示されたも
のである。 １：アミノ酸分析装置、２：中央制御装置
（CPU）、３：デイスクメモリ、４：データフア
イル、５：第１の記憶ユニツト、６：表示装置、
７：第２の記憶ユニツト、８：第３の記憶ユニツ
ト、９：第４の記憶ユニツト。
Claims (1)
- 【特許請求の範囲】 １ 分析装置、項目毎の健常値範囲（正常範囲）
を示す健常値テーブルが記憶された第１の記憶ユ
ニツト、各項目に夫々関係する病名とその病名の
項目への係わり程度を表わす重みとを示す項目・
病名テーブルが記憶された第２の記憶ユニツト、
各病名に夫々関係する項目とその項目の病名への
係わり程度を示す異常度モデル重みと論理モデル
重みとを示す病名・項目テーブルが記憶された第
３の記憶ユニツト、各病名に夫々関係するモデル
症状とそのモデル症状の病名への係わり程度を示
す重みとを示す病名・症状テーブルが記憶された
第４の記憶ユニツト、及び前記分析装置からの検
体分析データを規格化したものと検体情報に基づ
き前記健常値テーブルを参照して検体の異常項目
の検出とその異常度を算出し、該検出した異常項
目に対し、前記項目・病名テーブルを参照して検
体の被疑病名の抽出と該被疑病名の被疑度を算出
し、該抽出された各被疑病名に関し、前記病名・
項目テーブルを参照することにより、異常項目に
関する被疑の度合を、検体とテーブルに載つてい
るモデルにおいて一致している異常項目の異常度
と該異常項目の異常度モデルの重み、該モデルの
全ての異常項目の異常度モデルの重みの和に基づ
いて算出した異常度モデル一致度と、検体とテー
ブルに載つているモデルにおいて一致している異
常項目の異常度と該異常項目の論理モデルの重
み、該モデルの全ての異常項目の論理モデルの重
みの和に基づいて算出した論理モデル一致度とに
より算出し、更に同抽出された各被疑病名に関
し、前記病名・症状テーブルを参照することによ
り、検体とテーブルに載つているモデルにおいて
一致している症状の程度と該症状のモデル症状の
重み、該モデルの全てのモデル症状の重みの和に
基づいて症状モデル一致度を算出する演算装置か
ら成る自動診断装置。 ２ 分析装置、項目毎の健常値範囲（正常範囲）
を示す健常値テーブルが記憶された第１の記憶ユ
ニツト、各項目に夫々関係する病名とその病名の
項目への係わり程度を表わす重みとを示す項目・
病名テーブルが記憶された第２の記憶ユニツト、
各病名に夫々関係する項目とその項目の病名への
係わり程度を示す異常度モデル重みと論理モデル
重みとを示す病名・項目テーブルが記憶された第
３の記憶ユニツト、各病名に夫々関係するモデル
症状とそのモデル症状の病名への係わり程度を示
す重みとを示す病名・症状テーブルが記憶された
第４の記憶ユニツト、及び前記分析装置からの検
体分析データを規格化したものと検体情報に基づ
き前記健常値テーブルを参照して検体の異常項目
の検出とその異常度を算出し、該検出した異常項
目に対し、前記項目・病名テーブルを参照して検
体の被疑病名の抽出と該被疑病名の被疑度を算出
し、該抽出された各被疑病名に関し、前記病名・
項目テーブルを参照することにより、異常項目に
関する被疑の度合を、検体とテーブルに載つてい
るモデルにおいて一致している異常項目の異常度
と該異常項目の異常度モデルの重み、該モデルの
全ての異常項目の異常度モデルの重みの和に基づ
いて算出した異常度モデル一致度と、検体とテー
ブルに載つているモデルにおいて一致している異
常項目の異常度と該異常項目の論理モデルの重
み、該モデルの全ての異常項目の論理モデルの重
みの和に基づいて算出した論理モデル一致度とに
より算出し、更に同抽出された各被疑病名に関
し、前記病名・症状テーブルを参照することによ
り、検体とテーブルに載つているモデルにおいて
一致している症状の程度と該症状のモデル症状の
重み、該モデルの全てのモデル症状の重みの和に
基づいて症状モデル一致度を算出し、且つ前記算
出した病名の初期被疑度、異常度モデル一致度と
論理モデル一致度及び症状モデル一致度を変数と
する一次関数を総合価値として算出する演算装置
から成る自動診断装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP19743283A JPS6088539A (ja) | 1983-10-21 | 1983-10-21 | 自動診断装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP19743283A JPS6088539A (ja) | 1983-10-21 | 1983-10-21 | 自動診断装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS6088539A JPS6088539A (ja) | 1985-05-18 |
| JPH0318459B2 true JPH0318459B2 (ja) | 1991-03-12 |
Family
ID=16374413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP19743283A Granted JPS6088539A (ja) | 1983-10-21 | 1983-10-21 | 自動診断装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS6088539A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011085427A (ja) * | 2009-10-13 | 2011-04-28 | Kanazawa Medical Univ | 代謝物の異常度の取得方法、代謝異常の判定方法、及びそのプログラム、並びに、代謝物の異常度の取得装置、及び代謝異常の判定に基づく診断プログラム |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0211129A (ja) * | 1988-06-28 | 1990-01-16 | Nozomi Miyasaka | 臨床診断補助装置 |
| JP2001330599A (ja) * | 2000-05-24 | 2001-11-30 | Shimazu S D Kk | Ｇｃ／ｍｓによる代謝異常スクリーニング診断装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5387649A (en) * | 1977-01-12 | 1978-08-02 | Hiroshi Yamagami | Devece for judging patient |
| JPS5894059A (ja) * | 1981-11-30 | 1983-06-04 | Minebea Kk | 診断装置 |
| JPS58178481A (ja) * | 1982-04-14 | 1983-10-19 | Hitachi Ltd | 病態診断方法 |
-
1983
- 1983-10-21 JP JP19743283A patent/JPS6088539A/ja active Granted
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011085427A (ja) * | 2009-10-13 | 2011-04-28 | Kanazawa Medical Univ | 代謝物の異常度の取得方法、代謝異常の判定方法、及びそのプログラム、並びに、代謝物の異常度の取得装置、及び代謝異常の判定に基づく診断プログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JPS6088539A (ja) | 1985-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0962878B1 (en) | Reflex algorithm for early and cost effective diagnosis of myocardial infarctions suitable for automated diagnostic platforms | |
| US6059724A (en) | System for predicting future health | |
| JP3987675B2 (ja) | 臨床検査システム | |
| US20070150314A1 (en) | Method for carrying out quality control of medical data records collected from different but comparable patient collectives within the bounds of a medical plan | |
| CN112635030A (zh) | 控费提示自动生成系统、方法及相应设备和存储介质 | |
| CN118522396B (zh) | 一种临床诊疗数据录入方法及系统 | |
| Timotfe et al. | A review on the advantages and disadvantages of using administrative data in surgery outcome studies | |
| CN114944208B (zh) | 质量控制方法、装置、电子设备及存储介质 | |
| CN113921128B (zh) | 对医疗检测数据软件自动的审核方法及电子设备 | |
| US20180137253A1 (en) | Method and apparatus for determining evaluation factor for physiological condition | |
| Cha et al. | Evaluation of relationship between coronary artery status evaluated by coronary computed tomography angiography and development of cardiomyopathy in carbon monoxide poisoned patients with myocardial injury: a prospective observational study | |
| JPH0318459B2 (ja) | ||
| JPWO2017115775A1 (ja) | 分析装置、分析方法、および、分析システム | |
| CN111968740B (zh) | 一种诊断标签推荐方法、装置、存储介质及电子设备 | |
| CA3193886A1 (en) | System and method for generating augmented complete blood count reports | |
| JPH0211129A (ja) | 臨床診断補助装置 | |
| US10973467B2 (en) | Method and system for automated diagnostics of none-infectious illnesses | |
| US20170316176A1 (en) | Device for analyzing insulin secretion ability, system for analyzing insulin secretion ability provided with same, and method for analyzing insulin secretion ability | |
| EP0962186B1 (en) | Automated diagnostic system implementing immunoassays and clinical chemistry assays according to a reflex algorithm | |
| CN109446192B (zh) | 数据测试方法及装置 | |
| Widdowson et al. | Quality control of biochemical data in the Multiple Risk Factor Intervention Trial: central laboratory | |
| Stokes | Recent advances in categorical data analysis | |
| Werbrouck et al. | Cost–utility analysis of lifestyle interventions to prevent type 2 diabetes in women with prior gestational diabetes | |
| CN117174234B (zh) | 医疗文本数据分析方法及系统 | |
| Serzhantova et al. | Dynamics in Intensive Care Units, Based on a Specialized Methodology |