WO2022065264A1 - 医療システム及び医療情報処理装置 - Google Patents

医療システム及び医療情報処理装置 Download PDF

Info

Publication number
WO2022065264A1
WO2022065264A1 PCT/JP2021/034457 JP2021034457W WO2022065264A1 WO 2022065264 A1 WO2022065264 A1 WO 2022065264A1 JP 2021034457 W JP2021034457 W JP 2021034457W WO 2022065264 A1 WO2022065264 A1 WO 2022065264A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
information
unit
blood
blood flow
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.)
Ceased
Application number
PCT/JP2021/034457
Other languages
English (en)
French (fr)
Inventor
夏奈 南出
正博 秋葉
潤 酒井
晃敏 吉田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Topcon Corp
Asahikawa Medical University NUC
Original Assignee
Topcon Corp
Asahikawa Medical University NUC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Topcon Corp, Asahikawa Medical University NUC filed Critical Topcon Corp
Priority to EP21872393.0A priority Critical patent/EP4220653A4/en
Priority to CN202180066272.XA priority patent/CN116457888A/zh
Priority to US18/028,755 priority patent/US12521012B2/en
Publication of WO2022065264A1 publication Critical patent/WO2022065264A1/ja
Anticipated expiration legal-status Critical
Priority to US19/336,561 priority patent/US20260013721A1/en
Ceased legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A61B3/1225—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes using coherent radiation
    • A61B3/1233—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes using coherent radiation for measuring blood flow, e.g. at the retina
    • 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
    • A61B5/0062—Arrangements for scanning
    • A61B5/0066—Optical coherence imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/026—Measuring blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/026—Measuring blood flow
    • A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
    • 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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
    • A61B5/02035—Determining blood viscosity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/02042—Determining blood loss or bleeding, e.g. during a surgical procedure

Definitions

  • the present invention relates to a medical system and a medical information processing apparatus.
  • Patent Document 1 describes a technique for determining the risk of an infectious disease without using advanced medical knowledge, based on the presence or absence of abnormalities in arterial oxygen saturation, body temperature, and heart rate. Is disclosed.
  • One object of the present invention is to provide a new technique for non-invasively detecting the condition of the patient's circulatory system.
  • the medical system includes a data acquisition unit and a data processing unit.
  • the data acquisition unit acquires data from the fundus of the patient using at least one optical method.
  • the data processing unit processes the data acquired by the data acquisition unit in order to generate information about the patient's circulatory system.
  • information about the circulatory system includes information about thrombophilia tendencies.
  • information about thrombophilia tendencies includes information about blood properties.
  • the information regarding blood properties includes information indicating changes in blood properties due to an increase in the blood coagulation / fibrinolysis system.
  • information about the circulatory system includes information about thrombotic symptoms.
  • information about thrombotic symptoms includes information indicating the distribution of blood flow velocities within blood vessels.
  • information about thrombotic symptoms includes information about structures formed within blood vessels.
  • the information about the circulatory system includes information about the condition of the circulatory system associated with the infection.
  • the information about the circulatory system is information about a condition about sepsis, information about a condition about disseminated intravascular coagulation (DIC), information about a condition about thrombosis, and a condition about vascular occlusion. Includes at least one of the information indicating.
  • At least one optical technique is of optical coherence tomography blood flow measurement (OCT blood flow measurement), optical coherence tomography angiography (OCT-A), and color fundus photography. Includes at least one.
  • the at least one optical technique comprises an OCT blood flow measurement and the data processing unit is based on at least the blood flow data obtained by the OCT blood flow measurement. Generate information about the fused system.
  • the data acquisition unit includes an OCT device and a calculation unit.
  • the OCT device applies an optical coherence tomography (OCT) scan to the patient's fundus to collect data.
  • OCT optical coherence tomography
  • the calculation unit calculates the blood flow velocity and the blood vessel diameter based on at least the data collected by the OCT device.
  • the data processing unit generates information about the blood coagulation / fibrinolysis system based on at least the blood flow velocity and blood vessel diameter calculated by the calculation unit.
  • the data processing unit includes a WSR calculation unit.
  • the WSR calculation unit calculates the wall shear rate (WSR) based on at least the blood flow velocity and the blood vessel diameter.
  • the data processing unit includes a storage unit and a WSS calculation unit.
  • the storage unit stores blood viscosity information acquired in advance.
  • the WSS calculation unit calculates the wall shear stress (WSS) based on at least the wall shear rate and blood viscosity information.
  • the data acquisition unit includes an OCT device and a blood flow information generation unit.
  • the OCT device repeatedly applies optical coherence tomography (OCT) scans to a predetermined area of the patient's fundus to collect time series data.
  • OCT optical coherence tomography
  • the blood flow information generation unit generates blood flow information representing the spatial distribution and temporal change of the blood flow velocity based on at least the time series data collected by the OCT device.
  • the data processing unit generates information about the blood coagulation / fibrinolysis system based on at least the blood flow information generated by the blood flow information generation unit.
  • the data processor will generate information about the structures formed within the blood vessel, at least based on blood flow information.
  • the data processing unit includes a WSR information generation unit.
  • the WSR information generation unit generates WSR information representing the spatial distribution and time variation of the wall shear rate (WSR) based on at least the blood flow information.
  • the data processor will generate information about the structures formed within the blood vessel, at least based on blood flow information and WSR information.
  • the data processing unit includes a storage unit and a WSS information generation unit.
  • the storage unit stores the blood viscosity distribution information acquired in advance.
  • the WSS information generation unit generates WSS information representing the spatial distribution and time variation of the wall shear stress (WSS) based on at least the WSR information and the blood viscosity distribution information.
  • WSS wall shear stress
  • the data processor will generate information about the structures formed within the blood vessel, at least based on blood flow information and WSS information.
  • the data processing unit includes a first inference processing unit.
  • the first inference processing unit uses a first trained model constructed by machine learning using the first training data including the first data acquired from the fundus of the eye using at least one optical method and the diagnosis result data. It is used to perform inference processing that inputs data acquired from the patient's fundus by the data acquisition unit and outputs information about the patient's circulatory system.
  • the data processing unit includes a second inference processing unit.
  • the second inference processing unit is machine learning using the second training data including the second data and the diagnosis result data generated by processing the first data acquired from the fundus using at least one optical method.
  • inference processing is performed by inputting the data generated by processing the data acquired from the patient's fundus by the data acquisition unit and outputting the information about the patient's circulatory system. Execute.
  • the medical system further includes a transmitter.
  • the transmitting unit transmits information about the circulatory system generated by the data processing unit to the doctor terminal located at a remote position from the data acquisition unit.
  • the medical system further includes a physician terminal.
  • the medical system further includes an operation unit for remotely controlling the data acquisition unit.
  • the medical information processing apparatus includes a data receiving unit and a data processing unit.
  • the data receiving unit receives data acquired from the fundus of the patient using at least one optical method.
  • the data processing unit processes the data received by the data receiving unit in order to generate information about the patient's circulatory system.
  • the medical information processing apparatus further includes a first transmitter.
  • the first transmission unit transmits information about the circulatory system generated by the data processing unit to the doctor terminal located at a remote position with respect to the place where the data was acquired.
  • the medical system includes a medical information processing apparatus according to an exemplary embodiment and a doctor terminal.
  • the medical system further includes a data acquisition device and a second transmitter.
  • the data acquisition device acquires data from the patient's fundus using at least one optical method.
  • the second transmission unit transmits the data acquired by the data acquisition device to the medical information processing device.
  • the data receiving unit receives the data transmitted by the second transmitting unit.
  • the data processing unit processes the data transmitted by the second transmitting unit and received by the data receiving unit in order to generate information regarding the patient's circulatory system.
  • Some exemplary embodiments are to generate information about a patient's circulatory system by computerizing data obtained from the patient's fundus by at least one optical method (optical modality). ..
  • This computer processing may include inference. This inference may be performed, for example, by an algorithm using a trained model (inference model) constructed by machine learning, an algorithm using no trained model, or a combination thereof.
  • the data to be subjected to computer processing in some exemplary embodiments may be data acquired by any ophthalmic examination, for example data acquired by any ophthalmologic modality device.
  • the ophthalmologic modality device may be, for example, an optical coherence tomography (OCT) device, a fundus camera, a scanning laser ophthalmoscope, a slit lamp microscope, a surgical microscope, or the like.
  • OCT optical coherence tomography
  • the optical coherence tomography apparatus is used, for example, for optical coherence tomography blood flow measurement, optical coherence tomography angiography (OCT-A), and the like.
  • fundus imaging devices such as fundus cameras, scanning laser ophthalmoscopes, slit lamp microscopes, and surgical microscopes are used, for example, for color fundus photography.
  • the data provided for computer processing is not limited to these, for example, other types of test data, electronic medical record data, medical examination data, patient background information (age, treatment history, medical history, medication history, surgery history, etc.). Etc. may be further included.
  • An exemplary embodiment is configured to generate predetermined information about the patient's circulatory system from such data.
  • the information generated by some exemplary embodiments may include at least one of quantitative and qualitative information, eg, any of the information shown below: with respect to thrombus formation tendencies.
  • the information on the thrombus formation tendency is information showing the tendency of the thrombus to be formed in the circulatory system (intravascular, intracardiac) of the patient, and includes, for example, information on the risk of thrombus formation.
  • the information regarding the thrombus formation tendency may include either information regarding blood properties or information indicating changes in blood properties due to an increase in the blood coagulation / fibrinolysis system.
  • Information on blood properties includes information on the properties of blood and / or information on the condition of blood.
  • Information indicating changes in blood properties due to an increase in the blood coagulation / fibrinolysis system includes information indicating changes in blood properties due to activation of the action system (coagulation system, blood coagulation factor) that coagulates blood, and / or blood clots and It contains information indicating changes in blood properties due to activation of the action system (fiber element dissolving system, fibrinolytic system) that dissolves blood clots.
  • Information on thrombophilia tendencies includes, for example, viscosity, wall shear stress, wall shear rate, amount or proportion of specific components, ratio between specific components, information indicating changes in any of these, distribution of any of these. It may contain information and the like.
  • the information on the thrombotic symptom is information on the symptom caused by the thrombus, and may include, for example, information indicating the distribution of blood flow velocity in the blood vessel and information on the structure formed in the blood vessel. ..
  • the distribution of blood flow velocity in a blood vessel is, for example, one-dimensional distribution, two-dimensional distribution, three-dimensional distribution, or a combination of any one or two or more of temporal distributions. It may be there.
  • the structure formed in the blood vessel may be, for example, a white thrombus, a red thrombus, a mixed thrombus, a vitreous thrombus, a structure involved in any one of these formation mechanisms (for example, an intermediate product) and the like.
  • Information on the state of the circulatory system associated with an infection includes, for example, vascular inflammation, thrombosis tendency, blood coagulation tendency, sepsis, DIC, pneumonia, lymphadenitis, lymphangitis, and other diseases associated with or caused by the infection. Includes information about the condition and pathology.
  • the target infection may be any viral infection, any bacterial infection, or any fungal infection, eg, Coronavirus Disease 2019; COVID-, which was a major epidemic in 2020. 19), Severe Acute Respiratory Syndrome (SARS), Middle East Respiratory Syndrome (MERS), Influenza, Infectious Endocarditis, etc.
  • Sepsis is a very serious condition caused by the spread of infectious diseases throughout the body, causing circulatory shock, DIC, multiple organ failure, and the like.
  • Information indicating a condition relating to sepsis includes, for example, information regarding symptoms such as inflammation due to sepsis and circulatory failure.
  • DIC is a syndrome in which the blood coagulation reaction that should occur only at the bleeding site occurs randomly in the blood vessels of the whole body.
  • remarkable coagulation activation occurs continuously in blood vessels of the whole body, and microthrombus occurs frequently.
  • organ damage due to microcirculatory disorders causes consumptive coagulopathy, resulting in bleeding.
  • fibrinolysis is also activated along with coagulation activation, excessive fibrinolysis of thrombus occurs, which promotes bleeding.
  • Information indicating a condition relating to disseminated intravascular coagulation includes, for example, information indicating the above-mentioned pathological conditions of DIC (enhancement of coagulation system, enhancement of fibrinolytic system, thrombus, bleeding, etc.).
  • the information indicating the condition regarding a thrombus may be any information regarding a thrombus that is or may be present in the circulatory system (intravascular, intracardiac), for example, the presence or absence of a thrombus, the degree of the thrombus, and the thrombus. Includes distribution, number of thrombi, probability of thrombus formation, etc.
  • the information indicating the condition regarding the vascular occlusion may be any information regarding the vascular occlusion occurring or may occur in the circulatory system, for example, the presence or absence of the vascular occlusion, the degree of the vascular occlusion, and the blood vessel. Includes distribution of occlusions, number of occlusions, probability of occlusion, etc.
  • the exemplary embodiment is the patient's circulation, for example, by generating information about the patient's circulatory system based on data obtained from the patient's fundus using any of the above exemplary optical modalities. It makes it possible to detect the state of the system non-invasively.
  • Some exemplary embodiments include thrombotic tendencies (eg, changes in blood properties and / or changes in blood properties due to increased blood coagulation / fibrinolysis), thrombotic symptoms (eg, blood flow velocity distribution, and / or blood vessels). Internal structures), cardiovascular status and / or status changes associated with infection, sepsis, DIC, thrombosis, vascular obstruction, any of these, any of these, and these.
  • Information on one or more of the matters relating to any of the above mechanisms can be generated.
  • the types of information that can be generated by the exemplary embodiment are not limited to these, and any type that can be generated (for example, derivation, estimation, etc.) by the combination of the adopted optical modality and the adopted data processing. It may be the information of.
  • Some exemplary embodiments have been devised in consideration of the background as described below, and can produce the corresponding effects.
  • Health care workers such as doctors and nurses are at risk of nosocomial infections.
  • the risk of infection to medical workers became a big problem, such as cluster infection occurring in medical institutions flooded with many patients.
  • the increased risk of infection to healthcare workers can occur not only during an infectious disease epidemic but also when a disaster or major accident occurs.
  • it is important to secure a sufficient distance between people, so-called social disstancing, but it is not possible to achieve this in standard medical care. It's not easy. For example, when conducting an examination, doctors and the like often stay in the immediate vicinity of the patient to perform the procedure.
  • Some exemplary embodiments may be configured such that computer-processed information of data acquired by optical modality can be provided to a remote physician terminal.
  • some exemplary embodiments may be configured to allow the inspection device (optical modality device) or computer to be operated from a remote location. With these configurations, it is possible to use the data obtained from tests that could not be performed without being in the immediate vicinity of the patient for diagnosis.
  • social distance between the patient and the healthcare professional can be maintained, while being non-invasive and non-invasive to complex physiological events such as symptoms and signs of aggravation. It will be possible to detect with high accuracy.
  • the "remote location" may be any positional relationship that can secure social distance between the patient and the medical staff.
  • the doctor terminal may be installed in a room different from the inspection device, or may be installed in a facility different from the inspection device.
  • the device for remotely controlling the inspection device (operation device, operation unit) may be installed in a room different from the inspection device, or may be installed in a facility different from the inspection device. .. It is not necessary to ensure social distance when the test is carried out under a sufficient infectious disease protection system, such as when wearing complete protective clothing.
  • the circuit configuration or processing circuit configuration is a general-purpose processor, a dedicated processor, an integrated circuit, a CPU (Central Processing Unit), a GPU (Graphics Processing Unit) configured and / or programmed to perform at least a part of the disclosed functions. ), ASIC (Application Special Integrated Circuit), programmable logic device (for example, SPLD (Simple Program Digital Device), CPLD (Complex Program Any combination may be included.
  • a processor may be considered a processing circuit configuration or circuit configuration that includes transistors and / or other circuit configurations.
  • circuit configurations, circuits, computers, processors, units, Means, parts, or similar terms include hardware that performs at least a portion of the disclosed functionality and / or hardware that is programmed to perform at least a portion of the disclosed functionality.
  • the hardware may be the hardware disclosed herein, or any known hardware programmed and / or configured to perform at least some of the disclosed functions. If the hardware is a processor that can be considered as a type of circuit configuration, the circuit configuration, circuit, computer, processor, unit, means, part, or similar terminology may be a combination of hardware and software. This software may be used to configure the hardware and / or the processor.
  • the exemplary medical system 1 shown in FIG. 1 includes a data acquisition unit 10, a data processing unit 20, and an output unit 30.
  • the medical system 1 may further include an operating device 2.
  • the data acquisition unit 10 and the data processing unit 20 are connected via a communication line.
  • This communication line may form a network in a medical institution, for example, or may form a network over a plurality of facilities.
  • the communication technology applied to this communication line may be arbitrary, and may be any of various known communication technologies such as wired communication, wireless communication, and short-range communication.
  • the connection mode between the data processing unit 20 and the output unit 30 may be the same.
  • the data processing unit 20 and the output unit 30 may be functional units mounted on the same computer.
  • the operation device 2 is used by a medical worker to remotely control the data acquisition unit 10 (inspection device, optical modality device). Further, the operation device 2 is used for the medical staff (examiner) to provide an instruction or the like to the patient (examinee) who is performing the examination using the data acquisition unit 10. Further, the operating device 2 may be usable for remotely controlling the data processing unit 20.
  • the operation device 2 includes, for example, a computer, an operation panel, and the like.
  • the data acquisition unit 10 is configured to acquire data from the fundus of the patient with at least one optical modality.
  • the data acquisition unit 10 includes any optical fundus photography modality device such as an optical coherence entomography device, a fundus camera, a scanning laser ophthalmoscope, a slit lamp microscope, a surgical microscope, and the like.
  • the data acquisition unit 10 may be able to further acquire, for example, other types of test data, electronic medical record data, medical inquiry data, patient background information, and the like.
  • the optical coherence tomography apparatus and / or the fundus camera may be, for example, an apparatus described in Japanese Patent Application Laid-Open No. 2020-44027 in which various shooting preparation operations are automated.
  • the shooting preparation operation is an operation executed to adjust the shooting conditions, and examples thereof include alignment adjustment, focus adjustment, optical path length adjustment, polarization adjustment, and light amount adjustment.
  • the operation for maintaining the good shooting conditions achieved by the shooting preparation operation may be automatically executed.
  • optical coherent tomography data is, for example, 3D image data obtained by applying a 3D scan to the fundus, projection image data of 3D image data, and optical coherent tomo. It may be at least one of the graphic angiography image data and the optical coherence stromography blood flow data.
  • Optical coherence tomography angiography is an optical modality that visualizes blood vessels using motion contrast technology, and it is possible to visualize fine blood vessels.
  • Optical coherence tomography Angiographic image data is acquired using, for example, an optical coherence tomography apparatus described in JP-A-2019-58495, JP-A-2019-154988 and the like.
  • Optical coherence tomography Blood flow measurement is an optical modality that measures the blood flow state (blood flow dynamics).
  • Optical coherence tomography blood flow data is acquired using, for example, an optical coherence tomography apparatus described in JP-A-2019-54994, JP-A-2020-48730, and the like.
  • optical coherence stromography blood flow measurement reveals time-series changes (time variation, time-dependent) of blood flow velocity, blood flow volume, blood vessel diameter, and blood flow velocity as optical coherence stromography blood flow data. It is possible to acquire waveform data representing (change), waveform data representing time-series changes in blood flow, and the like.
  • the waveform data is typically a time-series change graph of blood flow velocity represented by a two-dimensional coordinate system with time as the horizontal axis and blood flow velocity as the vertical axis.
  • the optical modality used for fundus blood flow measurement is not limited to optical coherence tomography blood flow measurement, and is, for example, laser speckle flowography (LSFG) described in Japanese Patent Publication No. 2008/069062. You may.
  • the image data (fundal camera image data) that can be acquired by the fundus camera include, for example, color fundus image data, infrared fundus image data, fluorescence contrast angiography image data (fluorescein angiography image data, indocyanine green angiography image data, etc.). )and so on.
  • a fundus camera is used to obtain color fundus image data.
  • the scanning laser ophthalmoscope may be, for example, the apparatus described in Japanese Patent Application Laid-Open No. 2014-226156.
  • Examples of the image data (scanning laser image data) that can be acquired by the scanning laser ophthalmoscope include color fundus image data, monochromatic fundus image data, and fluorescence contrast fundus image data.
  • color fundus image data is acquired using a scanning laser ophthalmoscope.
  • the slit lamp microscope may be, for example, an effective device for remote imaging described in Japanese Patent Application Laid-Open No. 2019-23734.
  • the image data acquired by the slit lamp microscope may be, for example, at least one of color fundus image data, anterior eye portion cross-sectional image data, and anterior eye portion three-dimensional image data.
  • color fundus image data is acquired using a slit lamp microscope.
  • the surgical microscope may be, for example, an effective device for remote surgery described in Japanese Patent Application Laid-Open No. 2002-153487.
  • color fundus image data is acquired using a surgical microscope.
  • At least one of the inspection devices included in the data acquisition unit 10 may be capable of remote control and / or remote control.
  • an examination room where an inspection using an inspection device is performed and an operation room where an operation of this inspection device is performed.
  • a speaker and display for outputting instructions (voice, image, video, etc.) of the operator in the operation room, and a video camera for photographing the subject (patient) in the examination room.
  • a microphone for inputting the voice of the subject, a computer connected to the inspection device, and the like are provided.
  • the operation room is provided with an operation device 2 for remotely controlling the inspection device.
  • the operation device 2 is provided with a computer, an operation panel, a display, a video camera, a microphone, and the like.
  • the computer performs processing for remote control.
  • the computer is connected to the inspection equipment in the inspection room.
  • An operation panel, a video camera, and a microphone are used to input instructions to the subject.
  • the display displays data acquired by the inspection device and information for remote control (screen, information from the inspection room, etc.).
  • the operator (medical worker) in the operation room can remotely control the inspection device in the examination room by using, for example, an application programming interface (API), and instruct the subject by using a videophone or the like. Can be sent.
  • API application programming interface
  • the subject can be inspected by himself according to the instructions of the operator at a remote location, and as a result, the risk of infection from the subject to the operator can be significantly reduced. ..
  • an examination device (described above) with an automated preparation operation can be used. In this case, it is considered possible to perform the inspection without requiring instructions from the operator. In some cases, it is not necessary to assign an assistant (operator, etc.). However, since it is assumed that it is difficult for some patients to perform an independent examination, for example, an assistant may be made to stand by at a remote location, or the assistant may monitor the examination status from a remote location.
  • the assistant (operator or the like) who sends an instruction to the patient may be an anthropomorphic computer system (typically, an automatic response system using artificial intelligence technology).
  • the data processing unit 20 executes various data processing.
  • the data processing unit 20 of this embodiment is configured to process the data acquired by the data acquisition unit 10 in order to generate information about the patient's circulatory system.
  • the information generated by the data processing unit 20 of this embodiment may be, for example, at least one of the following information: information on thrombosis tendency (information on blood properties and / or blood coagulation / fibrinolytic system). Information on changes in blood properties due to hyperactivity); Information on thrombotic symptoms (methods of showing blood flow velocity distribution in blood vessels and / or information on structures formed in blood vessels); Cardiovascular associated with infectious diseases Information about the state of the system (and / or changes in state); information about the state of sepsis; information about the state of DIC; information about the state of thrombosis; information about the state of vascular obstruction.
  • the data processing unit 20 may or may not use a trained model (inference model) constructed by machine learning.
  • FIG. 2 shows an example of a data structure for processing (recording, transmitting, etc.) the data generated by the data processing unit 20.
  • the data structure 100 of this example includes a thrombosis tendency data unit 110, a thrombosis symptom data unit 120, an infectious disease accompanying data unit 130, a septicemia data unit 140, a DIC data unit 150, a thrombosis data unit 160, and a blood vessel. It includes a blockage data unit 170.
  • the thrombus formation tendency data unit 110 is an area (folder or the like) in which information regarding the thrombus formation tendency generated by the data processing unit 20 is recorded.
  • the thrombus formation tendency data unit 110 includes a blood property data unit 111.
  • the blood property data unit 111 is an area in which information regarding blood properties generated by the data processing unit 20 is recorded.
  • the blood property data unit 111 includes a blood property change data unit 112.
  • the blood property change data unit 112 is a region in which information indicating changes in blood properties due to the enhancement of the blood coagulation / fibrinolysis system generated by the data processing unit 20 is recorded.
  • the thrombotic symptom data unit 120 is an area in which information related to the thrombotic symptom generated by the data processing unit 20 is recorded.
  • the thrombotic symptom data unit 120 includes a blood flow velocity distribution data unit 121 and an intravascular structure data unit 122.
  • the blood flow velocity distribution data unit 121 is an area in which information indicating the distribution of blood flow velocity in the blood vessel generated by the data processing unit 20 is recorded.
  • the intravascular structure data unit 122 is an area in which information about the structure formed in the blood vessel generated by the data processing unit 20 is recorded.
  • the infectious disease accompanying data unit 130 is an area in which information regarding the state of the circulatory system associated with the infectious disease generated by the data processing unit 20 is recorded.
  • the sepsis data unit 140 is an area in which information indicating a state related to sepsis generated by the data processing unit 20 is recorded.
  • the DIC data unit 150 is an area in which information indicating a state related to the DIC generated by the data processing unit 20 is recorded.
  • the thrombus data unit 160 is an area in which information indicating a state related to the thrombus generated by the data processing unit 20 is recorded.
  • the blood vessel occlusion data unit 170 is an area in which information indicating a state related to the blood vessel occlusion generated by the data processing unit 20 is recorded.
  • the data structure 100 comprises at least one of the data units 110-170 described above.
  • the data structure 100 may include data units other than the data units 110-170 described above.
  • the data structure 100 records the data obtained by performing a predetermined process on the data acquired from the fundus by the data acquisition unit 10 and the fundus data unit in which the data acquired from the fundus by the data acquisition unit 10 is recorded. It may include a processing data unit to be processed, an arbitrary data unit in which arbitrary types of data are recorded, and the like.
  • the arbitrary data unit for example, data acquired by an arbitrary inspection device, electronic medical record data, interview data, patient information (for example, patient identifier, patient background information) and the like are recorded.
  • DIC disseminated intravascular coagulation
  • DIC a syndrome with a poor prognosis
  • the data processing unit 20 of this embodiment may be designed and configured in consideration of such a background. Some exemplary embodiments of the data processing unit 20 will be described later. It is possible to design and configure the data processing unit 20 (and the data structure 100) in the same manner when targeting other infectious diseases.
  • FIG. 3 shows a configuration example of the data processing unit 20 of this embodiment.
  • the data processing unit 20 of this example includes an ocular image data processing unit 21 and an ocular blood flow data processing unit 22.
  • the eye image data processing unit 21 may include, for example, a processor that operates according to a program created at least based on the medical knowledge as described above.
  • the ocular image data processing unit 21 generates information about the patient's circulatory system by processing the image data (ocular image data) acquired from the fundus of the patient by the data acquisition unit 10 with at least this processor. be able to.
  • the eye image data input to the processor may be, for example, optical coherence stromography image data, color fundus image data, or the like.
  • the information output from the processor includes, for example, information on thrombosis tendency, information on thrombotic symptoms, information on the state of the circulatory system associated with infectious disease, information on the state on septicemia, and state on DIC. It may be any of the information shown, the information indicating the state related to thrombus, and the information indicating the state related to vascular occlusion.
  • the ocular image data processing unit 21 may include, for example, a trained model constructed by machine learning based on at least medical knowledge as described above.
  • the ocular image data processing unit 21 relates to the patient's circulatory system by processing the image data (ocular image data) acquired from the fundus of the patient by the data acquisition unit 10 using at least this trained model. Information can be generated.
  • the eye image data input to the trained model may be, for example, optical coherence stromography image data, color fundus image data, or the like.
  • the information output from the trained model is, for example, as described above, information on thrombosis tendency, information on thrombotic symptoms, information on the state of the circulatory system associated with infectious disease, information on the state of septicemia, and DIC. It may be any of information indicating a condition, information indicating a condition relating to a thrombus, and information indicating a condition relating to vascular occlusion.
  • FIG. 4 shows an example of the eye image data processing unit 21 configured by using machine learning.
  • the eye image data processing unit 21 of this example includes an inference processing unit 210.
  • the inference processing unit 210 uses a trained model constructed by machine learning using training data including clinical data (eye image data and diagnosis result data), and uses a trained model to obtain a patient from the eye image data acquired by the data acquisition unit 10. It is configured to perform inference processing that derives information about the circulatory system of.
  • the eye image data included in the training data is, for example, image data acquired using the same optical modality as the optical modality of the data acquisition unit 10, but may be another modality.
  • Other modality includes an optical modality different from the optical modality of the data acquisition unit 10, an ultrasonic modality, an electrical modality, a magnetic modality, an electromagnetic modality, and the like.
  • the diagnostic result data included in the training data may be, for example, data obtained by a doctor or another inference model (trained model) based on the relevant ocular image data.
  • a trained model that inputs eye image data acquired by the data acquisition unit 10 by machine learning (supervised learning) based on such training data and outputs estimated diagnostic data related to the circulatory system.
  • the training data used for machine learning may include computer-generated data based on clinical data.
  • Machine learning may include transfer learning.
  • the inference processing unit 210 includes the trained model obtained in this way, inputs the eye image data acquired by the data acquisition unit 10 into the trained model, and estimates diagnostic data output from the trained model. Is sent to the output unit 30.
  • Machine learning algorithms that can be used in exemplary embodiments are not limited to supervised learning, but may be any algorithm such as unsupervised learning, semi-supervised learning, enhanced learning, transduction, multitasking learning, and the like. Also, it may be a combination of any two or more algorithms.
  • the machine learning techniques that can be used in the exemplary embodiments are arbitrary, such as neural networks, support vector machines, decision tree learning, correlation rule learning, genetic programming, clustering, Bayesian networks, expression learning, extreme learning machines, etc. It may be any technique, or it may be a combination of any two or more techniques.
  • FIG. 5 shows an example of the configuration of the inference processing unit 210.
  • the inference processing unit 210 of this example includes a first trained model 211 and a second trained model 212.
  • the inference processing unit 210 may include only one of the first trained model 211 and the second trained model 212.
  • the first trained model 211 is constructed by machine learning using training data including eye image data and diagnosis result data.
  • the first trained model 211 includes a convolutional neural network (CNN).
  • This convolutional neural network has, for example, an input layer into which eye image data is input, a convolutional layer in which a feature map is created by applying filtering (convolution) to the input eye image data, and features obtained by the convolutional layer.
  • a pooling layer that compresses data while retaining the data, a fully connected layer that extracts characteristic findings from all the data obtained by the pooling layer and makes a judgment, and an output layer that outputs the data obtained by the fully connected layer. Includes.
  • the features considered by the first trained model 211 may include, for example, features related to the drawing state, features related to the drawing target, and the like.
  • Features related to the drawing state include color tone and brightness.
  • the characteristics of the object to be visualized include the characteristics of the fundus blood vessels, the characteristics of the optic disc, and the characteristics of the macula.
  • features relating to the fundus blood vessels are specifically considered in order to generate information about the circulatory system.
  • Features of the fundus blood vessels include distribution, thickness (blood vessel diameter), tortuosity (running), and bleeding.
  • features such as disruption of microvessels in the retina, bleeding, and abnormal running may be detected from ocular image data of patients with sepsis or DIC.
  • the first trained model 211 includes, for example, a convolutional neural network constructed by machine learning using training data including optical coherence entomography angiographic image data and diagnostic result data.
  • the training data may include arbitrary image data such as fluorescence contrast-enhanced fundus image data.
  • the convolutional neural network of this embodiment is, for example, a feature relating to a vascular structure by applying filtering (convolution) to an input layer into which optical coherent stomography angiographic image data is input and optical coherent stomography angiographic image data.
  • a convolutional layer that creates a map, a pooling layer that compresses data while preserving the characteristics of the vascular structure obtained by the convolutional layer, and a pooling layer that extracts and judges characteristic findings of the vascular structure from all the data obtained by the pooling layer. It includes a fully connected layer for performing the above and an output layer for outputting the data obtained by the fully connected layer.
  • the first trained model 211 includes, for example, a convolutional neural network constructed by machine learning using training data including color fundus image data and diagnosis result data.
  • the convolutional neural network of this embodiment for example, the input layer into which the color fundus image data is input and the color information (for example, R value, G value, B) by applying filtering (convolution) to the input color fundus image data are applied.
  • a convolutional layer that creates a feature map for the value
  • a pooling layer that compresses data while preserving the characteristics of the color information obtained in the convolutional layer, and characteristic findings of color information from all the data obtained in the pooling layer.
  • It includes a fully connected layer that extracts and determines the data, and an output layer that outputs the data obtained by the fully connected layer.
  • the second trained model 212 is constructed by machine learning using training data including data generated by processing eye image data acquired from the fundus of the eye using a predetermined modality and diagnosis result data. be.
  • the second trained model 212 includes, for example, a convolutional neural network.
  • This convolutional neural network is, for example, an input layer in which image data generated by processing eye image data is input, and a convolutional layer in which filtering (convolution) is applied to the input eye image data to create a feature map.
  • a pooling layer that compresses data while retaining the characteristics obtained in the convolutional layer, a fully connected layer that extracts and determines characteristic findings from all the data obtained in the pooling layer, and a fully connected layer. It includes an output layer that outputs the obtained data.
  • the second trained model 212 By inputting the data generated by processing the eye image data acquired by the data acquisition unit 10 into the second trained model 212, information on the circulatory system considering a predetermined feature is generated.
  • the features considered by the second trained model 212 may be the same as or different from the features considered by the first trained model 211.
  • the data input to the second trained model 212 is not limited to image data, and may be, for example, numerical data, distribution data, time series data, or the like.
  • the second trained model 212 is constructed according to the form of the input data and the characteristics to be considered.
  • the second trained model 212 may include a recurrent neural network (RNN).
  • the trained model for processing the moving image data may have, for example, a structure in which a convolutional neural network and a recurrent neural network are combined.
  • the ocular blood flow data processing unit 22 may include, for example, a processor that operates according to a program created at least based on the medical knowledge as described above. In this case, the ocular blood flow data processing unit 22 generates information on the patient's circulatory system by processing at least the data (ocular blood flow data) acquired from the patient's fundus by the data acquisition unit 10 with this processor. can do.
  • the ocular blood flow data input to the processor may be, for example, data acquired by optical coherence tomography blood flow measurement.
  • the data acquired by optical coherence stromography blood flow measurement is, for example, waveform image data showing time-series changes in blood flow dynamics (blood flow velocity, blood flow volume, etc.), and map images showing the spatial distribution of blood flow dynamics.
  • Data image data showing both the spatial distribution of blood flow dynamics and time-series changes, a series of pairs (series of pairs) of numerical values and time representing the time-series changes of blood flow dynamics, and the spatial distribution of blood flow dynamics.
  • the information output from the processor includes, for example, information on thrombosis tendency, information on thrombotic symptoms, information on the state of the circulatory system associated with infectious disease, information on the state on septicemia, and state on DIC. It may be any of the information shown, the information indicating the state related to thrombus, and the information indicating the state related to vascular occlusion.
  • the ocular blood flow data processing unit 22 may include, for example, a trained model constructed by machine learning based on at least medical knowledge as described above. In this case, the ocular blood flow data processing unit 22 processes the data (ocular blood flow data) acquired from the fundus of the patient by the data acquisition unit 10 at least using this trained model, so that the circulatory system of the patient Can generate information about.
  • the ocular blood flow data input to the trained model may be, for example, data acquired by optical coherence stromography blood flow measurement as in the case of the above-mentioned processor.
  • the information output from the trained model may be, for example, the same information as in the case of the processor described above.
  • FIG. 6 shows an example of the ocular blood flow data processing unit 22 configured by using machine learning.
  • the ocular blood flow data processing unit 22 of this example includes an inference processing unit 220.
  • the inference processing unit 220 uses the trained model constructed by machine learning using training data including clinical data (ocular blood flow data and diagnosis result data), and the ocular blood flow data acquired by the data acquisition unit 10. It is configured to perform inference processing that derives information about the patient's cardiovascular system from.
  • the ocular blood flow data included in the training data is, for example, data acquired using the same optical modality as the optical modality of the data acquisition unit 10, but may be another modality.
  • Other modality includes an optical modality different from the optical modality of the data acquisition unit 10, an ultrasonic modality, an electrical modality, a magnetic modality, an electromagnetic modality, and the like.
  • the diagnostic result data included in the training data may be, for example, data obtained by a physician or other inference model (trained model) based on the relevant ocular blood flow data.
  • a trained model that inputs ocular blood flow data acquired by the data acquisition unit 10 by machine learning (supervised learning) based on such training data and outputs estimated diagnostic data related to the circulatory system.
  • Model can be created.
  • the training data used for machine learning may include computer-generated data based on clinical data.
  • Machine learning may include transfer learning.
  • the machine learning algorithm and the machine learning technique may be the same as in the case of the ocular image data processing unit 21.
  • the inference processing unit 220 includes the trained model obtained in this way, inputs the ocular blood flow data acquired by the data acquisition unit 10 into the trained model, and makes an estimation diagnosis output from the trained model. The data is sent to the output unit 30.
  • FIG. 7 shows an example of the configuration of the inference processing unit 220.
  • the inference processing unit 220 of this example includes a first trained model 221 and a second trained model 222.
  • the inference processing unit 220 may include only one of the first trained model 221 and the second trained model 222.
  • various matters concerning the learning model provided in the inference processing unit 220 may be the same as the corresponding matters in the learning model provided in the inference processing unit 210.
  • the first trained model 221 was constructed by machine learning using training data including ocular blood flow data and diagnosis result data.
  • the first trained model 221 includes, for example, a model according to the type (aspect) of the input data and the type (aspect) of the output data.
  • the first trained model 221 may include a convolutional neural network similar to the first trained model 211 of the eye image data processing unit 21.
  • the features considered by the first trained model 221 may be the same as or different from the features considered by the first trained model 211 of the eye image data processing unit 21.
  • the second trained model 222 is constructed by machine learning using training data including data generated by processing data acquired from the fundus using a predetermined modality and diagnosis result data.
  • the type of data generated by processing the data acquired from the fundus may be arbitrary, and may be, for example, image data, numerical data, distribution data, time series data, or the like.
  • the second trained model 222 includes, for example, a model according to the type (aspect) of the input data and the type (aspect) of the output data.
  • Information about the circulatory system is generated by inputting the data obtained by processing the data acquired by the data acquisition unit 10 into the second trained model 222.
  • the features considered by the second trained model 222 may be the same as or different from the features considered by the second trained model 212 of the eye image data processing unit 21.
  • the data input to the second trained model 222 may be, for example, one of the following types: an eye generated by processing ocular blood flow data acquired from the fundus of the eye using a predetermined modality. Blood flow data; data of a type other than ocular blood flow data generated by processing ocular blood flow data acquired from the fundus of the eye using a predetermined modality; eye blood acquired from the fundus of the eye using a predetermined modality. Ocular blood flow data generated by processing types of data other than flow data.
  • the output unit 30 outputs the result of the processing executed by the data processing unit 20.
  • the mode of output processing is arbitrary, and may be, for example, transmission, display, recording, and printing.
  • the information output by the output unit 30 may be the result of the processing executed by the data processing unit 20 itself (information about the patient's circulatory system), information including the processing result, or processing the processing result.
  • the information obtained may be used.
  • the medical system 1 may further include a report creation unit (not shown) that creates a report based on the information about the circulatory system obtained by the data processing unit 20. In this case, the output unit 30 can output the created report.
  • the output unit 30 illustrated in FIG. 1 includes a transmission unit 31.
  • the transmission unit 31 transmits the result of the processing executed by the data processing unit 20 to the doctor terminal 3.
  • the doctor terminal 3 is located at a remote position with respect to the data acquisition unit 10.
  • the data transmission from the output unit 30 to the doctor terminal 3 may be direct transmission or indirect transmission.
  • the direct transmission is an embodiment in which the result of processing (information about the circulatory system, a report, etc.) is transmitted from the output unit 30 to the doctor terminal 3.
  • the indirect transmission is an embodiment in which the processing result is transmitted to a device (server, database, etc.) other than the doctor terminal 3 and the processing result is provided to the doctor terminal 3 via the device.
  • the doctor terminal 3 is arranged at a remote position with respect to the data acquisition unit 10, and the information generated by the data processing unit 20 based on the data acquired by the data acquisition unit 10 from the patient's fundus (or to this).
  • the doctor terminal 3 By configuring the doctor terminal 3 to provide (based information), it is possible to secure a social distance between the doctor (medical worker) and the patient, and reduce the risk of infection of the doctor (medical worker). It becomes possible.
  • FIG. 8 shows an example of a usage pattern of the medical system 1. This example uses a trained model, but in the example that does not use the trained model, it is not necessary to build and load the trained model (steps S1 and S2). Installation is done.
  • a trained model used in the data processing unit 20 is constructed.
  • the process performed at this stage may be the update (adjustment / update of parameters) of the trained model that has already been operated.
  • step S2 Install the trained model in the data processing unit
  • the trained model constructed in step S1 is mounted on the data processing unit 20.
  • the trained model constructed in step S1 is transmitted to the medical system 1 through the communication line.
  • the subject may be, for example, a patient with a definitive diagnosis of a new coronavirus infection (COVID-19) or a suspected patient with a new coronavirus infection (COVID-19).
  • the data acquisition unit 10 of the medical system 1 acquires data from the fundus of the patient using at least one optical modality.
  • the data acquisition unit 10 can apply, for example, optical coherence tomography and / or color fundus photography to the fundus.
  • the data acquired by optical coherence stromography may be, for example, one of three-dimensional image data, projection image data, optical coherence stromography angiographic image data, and optical coherence stromography blood flow data.
  • the data acquired by color fundus photography may be, for example, color front image data representing the morphology of the fundus.
  • At least a part of the inspection performed in this step may be a remote inspection using the operating device 2.
  • step S4 Input data to the data processing unit
  • the data acquired in step S3 is sent to the data processing unit 20.
  • at least a part of the data input to the data processing unit 20 is input to the trained model constructed in step S1.
  • the data processing unit 20 processes the data input in step S4 to generate information about the patient's circulatory system.
  • This provides, for example, at least one of the following information: information on blood clot formation tendency (information on blood properties and / or information indicating changes in blood properties due to increased blood coagulation / fibrinolysis); thrombotic symptoms.
  • Information about (methods of showing blood flow velocity distribution in blood vessels and / or information about structures formed in blood vessels); information about the state (and / or state change) of the circulatory system associated with an infectious disease; Information indicating the state related to septicemia; information indicating the state related to DIC; information indicating the state related to thrombosis; information indicating the state related to vascular obstruction.
  • the information generated by the data processing unit 20 is recorded, for example, according to the data structure 100 of FIG. This provides a data package for the patient's circulatory system.
  • the transmission unit 31 of the output unit 30 transmits the report created in step S6 to the doctor terminal 3 located at a remote position from the data acquisition unit 10 or to a computer capable of providing information to the medical terminal 3. .
  • the doctor terminal 3 is not limited to the computer used by the doctor, and may be a computer (medical worker terminal) used by a medical worker other than the doctor.
  • the medical system 1 may use non-invasive optical modalities such as optical coherence stromography and color fundus photography to acquire data from the patient's fundus and generate information about the patient's circulatory system from this data. It is possible to provide a technique for non-invasively detecting the condition of the patient's cardiovascular system. The condition of the circulatory system detected thereby is based on, for example, the medical findings described above and / or other medical findings, such as symptoms, signs of aggravation, risk of aggravation, and the like. be.
  • FIG. 9 shows a configuration example of the medical system according to this embodiment.
  • the medical system 1A of this example includes a data acquisition unit 10A, a data processing unit 20A, and an output unit 30.
  • the output unit 30 and the transmission unit 31 are the same as the output unit 30 and the transmission unit 31 in the medical system 1, respectively. The same applies to the operating device 2 and the doctor terminal 3.
  • the data acquisition unit 10A is an example of the data acquisition unit 10 of the medical system 1 described above, and includes an optical coherence tomography (OCT) device 11 and a calculation unit 12.
  • OCT optical coherence tomography
  • the optical coherence tomography apparatus 11 applies a scan for optical coherence tomography blood flow measurement to the fundus of the patient.
  • the calculation unit 12 obtains ocular blood flow data based on the data collected by the optical coherence tomography apparatus 11 by this scan.
  • Ocular blood flow data includes blood flow velocity and vessel diameter at the location where the scan was applied.
  • the scanning method executed by the optical coherence tomography apparatus 11 and the calculation method executed by the calculation unit 12 may be any known method, and for example, the method described in Japanese Patent Application Laid-Open No. 2020-48730 may be used. Can be done.
  • the data processing unit 20A processes the ocular blood flow data acquired by the data acquisition unit 10A in order to generate information on the blood coagulation / fibrinolysis system.
  • FIG. 10 shows a configuration example of the data processing unit 20A.
  • the data processing unit 20A of this example includes a wall shear rate (WALL Shear Rate; WSR) calculation unit 231, a storage unit 232, a wall shear stress (Wall Stress; WSS) calculation unit 233, and an information generation unit 234. include.
  • the WSR calculation unit 231 calculates the wall shear rate (WSR) based on the blood flow velocity and the blood vessel diameter calculated by the calculation unit 12 of the data acquisition unit 10A.
  • the method of calculating the wall shear rate from the blood flow velocity and the blood vessel diameter is arbitrary, and for example, the method described in the following document can be used: Taiji Nagaoka and Akitoshi Yoshida "Noninvasive Evolution of Wall Shear Retinal Humans ”, IOVS. 2006, Vol. 47, 1113-1119.
  • the blood flow velocity and the blood vessel diameter are measured by using the laser Doppler velocity measurement (LDV), but the blood flow velocity and the blood vessel diameter obtained by using the optical coherence stromography as in the present embodiment. It is clear to those skilled in the art that a similar wall shear rate calculation method can be applied to.
  • LDV laser Doppler velocity measurement
  • the optical coherence tomography apparatus 11 of the data acquisition unit 10A applies a scan over at least one cardiac cycle to collect data.
  • the calculation unit 12 calculates the time average ( Vmean ) of the (center line) blood flow velocity in one cardiac cycle as the blood flow velocity.
  • the calculation unit 12 calculates the blood vessel diameter (D) from the cross-sectional image data constructed from the data collected in the above scan over one cardiac cycle.
  • the storage unit 232 stores blood viscosity information 232a.
  • the blood viscosity information 232a includes a blood viscosity value ⁇ .
  • the blood viscosity value ⁇ may be an actually measured value or a standard value.
  • the blood viscosity is measured, for example, using a conical plate viscometer.
  • blood viscosity may be estimated from data obtained by a blood test such as hematocrit (Ht), red blood cell count, and red blood cell constant (mean corpuscular volume (MCV), mean corpuscular hemorrhage (MCH), etc.).
  • the blood viscosity may be estimated by substituting a specified value for a blood parameter such as plasma viscosity.
  • a normal value or a disease value determined from a range of blood viscosity values obtained from clinical data or experimental data can be used.
  • the WSS calculation unit 233 calculates the wall shear stress (WSS) based on at least the wall shear rate calculated by the WSR calculation unit 231 and the blood viscosity value included in the blood viscosity information 232a.
  • the information generation unit 234 generates information on the patient's circulatory system at least based on the wall shear stress calculated by the WSS calculation unit 233.
  • information about the blood coagulation / fibrinolysis system can be generated as information about the patient's circulatory system.
  • the WSR value and the WSS value are There is a one-to-one correspondence. Therefore, in this case, it is not necessary to provide the storage unit 232 and the WSS calculation unit 233, and the information generation unit 234 is the patient's circulatory system based on the value of the wall shear rate calculated by the WSR calculation unit 231. It may be configured to generate information about (information about the blood coagulation / fibrinolysis system).
  • the data acquisition unit 10 performs optical coagulation stromography blood flow measurement, and generates information on the blood coagulation / fibrinolysis system from the acquired ocular blood flow data. , Generate information about the structures formed in the blood vessels.
  • the medical system of this embodiment may have the same configuration as the medical system 1 and / or 1A described above.
  • FIG. 11 shows a configuration example of the medical system according to this embodiment.
  • the medical system 1B of this example includes a data acquisition unit 10B, a data processing unit 20B, and an output unit 30.
  • the output unit 30 and the transmission unit 31 are the same as the output unit 30 and the transmission unit 31 in the medical system 1, respectively. The same applies to the operating device 2 and the doctor terminal 3.
  • the data acquisition unit 10B is an example of the data acquisition unit 10 of the medical system 1 described above, and includes an optical coherence tomography (OCT) device 13 and a blood flow information generation unit 14.
  • OCT optical coherence tomography
  • the optical coherence tomography apparatus 13 applies a scan for optical coherence tomography blood flow measurement to the fundus of a patient.
  • the optical coherence tomography apparatus 13 repeatedly applies an optical coherence tomography scan to a predetermined area of the patient's fundus to collect time-series data.
  • This optical coherence tomography scan includes an A scan for at least one position (A line), and may be, for example, an A scan, a B scan, a circle scan, or the like for a plurality of positions. As a result, time series data corresponding to each scan application position can be obtained.
  • the blood flow information generation unit 14 generates ocular blood flow data based on the time series collected by the optical coherence tomography apparatus 13.
  • Ocular blood flow data includes blood flow information representing the spatial distribution and temporal variation of blood flow velocity.
  • the space in which the distribution of blood flow velocity is defined may be one-dimensional space, two-dimensional space, or three-dimensional space.
  • the time variation of blood flow velocity is defined for each point (each position) in space.
  • the blood flow information obtained by the blood flow information generation unit 14 is the blood at each point in the one-dimensional space, the two-dimensional space, or the three-dimensional space inside the blood vessel to which the optical coherence stromography blood flow measurement is applied. It expresses the time change of the flow velocity.
  • Such blood flow information is, for example, Robert S. et al. Reneman and Arnold P.M. G. Hoeks “Wall shear stress as measured in vivo: consequences for the design of the arterial system", Med Biol Eng Comput (2008) 46: 499.
  • the data processing unit 20B can generate information on the blood coagulation / fibrinolysis system by processing the ocular blood flow data (blood flow information) acquired by the data acquisition unit 10A. Further, the data processing unit 20B can generate information on the structure formed in the blood vessel by processing the ocular blood flow data (blood flow information) acquired by the data acquisition unit 10A.
  • FIG. 12 shows a configuration example of the data processing unit 20B.
  • the data processing unit 20B of this example includes a wall shear rate (WSR) information generation unit 235, a storage unit 236, a wall shear stress (WSS) information generation unit 237, and an information generation unit 238.
  • WSR wall shear rate
  • WSS wall shear stress
  • the WSR information generation unit 235 generates WSR information representing the spatial distribution and temporal change of the wall shear rate (WSR) based on at least the blood flow information generated by the blood flow information generation unit 14 of the data acquisition unit 10B.
  • the method of generating the WSR information representing the spatial distribution and the temporal change of the wall shear rate from the blood flow information representing the spatial distribution and the temporal change of the blood flow velocity is arbitrary, and for example, the above-mentioned document (Robert S. Reneman and Arnold P. The method described in G. Hoeks) can be used.
  • the storage unit 236 stores blood viscosity information 236a.
  • the blood viscosity information 236a may be a single value ( ⁇ ) like the blood viscosity information 232a of the first embodiment, or at least blood in a target space (a space in which the distribution of blood flow velocity is defined). It may be a distribution of viscosity values.
  • the single blood viscosity value ( ⁇ ) corresponds to the case where the blood viscosity distribution in the target space is uniform (constant).
  • the WSS information generation unit 237 generates WSS information representing the spatial distribution and temporal change of the wall shear stress (WSS) based on at least the WSR information generated by the WSR information generation unit 235 and the blood viscosity distribution information 236a. ..
  • the method of generating WSS information may be arbitrary.
  • the WSS information generation unit 237 can generate WSS information by multiplying the value of the wall shear rate and the value of blood viscosity for each point in the target space, as in the first embodiment.
  • the information generation unit 238 has a structure formed in the blood vessel based on at least the blood flow information generated by the blood flow information generation unit 14 of the data acquisition unit 10B and the WSS information generated by the WSS information generation unit 237. It can generate information about things (thrombus, thrombus formation tendency, etc.). Further, the information generation unit 238 is formed in the blood vessel based on at least the blood flow information generated by the blood flow information generation unit 14 of the data acquisition unit 10B and the WSR information generated by the WSR information generation unit 235. It is possible to generate information about the structure.
  • the information generation unit 238 was generated by the blood flow information generated by the blood flow information generation unit 14 of the data acquisition unit 10B, the WSR information generated by the WSR information generation unit 235, and the WSS information generation unit 237.
  • Information about the blood coagulation / fibrinolytic system can be generated based on any (and other) of the WSS information.
  • the exemplary medical information processing apparatus 5 shown in FIG. 13 includes a data receiving unit 51, a data processing unit 52, and an output unit 53.
  • a data acquisition device 6, an operation device 7, a communication device 8, and a doctor terminal 9 are provided outside the medical information processing device 5 of this embodiment.
  • the data acquisition device 6 acquires data from the fundus of the patient using at least one optical method.
  • the operation device 7 is used by a medical worker to operate the data acquisition device 6 (inspection device).
  • the operating device 7 is located away from the data acquisition device 6 and is used to remotely control the data acquisition device 6.
  • the communication device 8 transmits the data acquired by the data acquisition device 6 to the medical information processing device 5.
  • the physician terminal 9 is located remotely with respect to the data acquisition device 6.
  • the data receiving unit 51 of the medical information processing apparatus 5 receives data acquired from the fundus of the patient using at least one optical method.
  • the data receiving unit 51 receives the data acquired by the data acquisition device 6 and transmitted by the communication device 8.
  • data is transmitted from the data acquisition device 6 to the data reception unit 51 via the communication device 8, but the data input mode for the medical information processing device 5 is not limited to this.
  • the data acquired by the data acquisition device 6 may be stored in a database or the like, and the data may be sent from this database to the data receiving unit 51.
  • the data receiving unit 51 may include, for example, a communication device for connecting to a communication line, a drive device for reading data recorded on a recording medium, and the like.
  • the data processing unit 52 is configured to process the data received by the data receiving unit 51 in order to generate information about the patient's circulatory system.
  • the output unit 53 outputs information about the patient's circulatory system generated by the data processing unit 52.
  • the output unit 53 of this example includes a transmission unit 54.
  • the transmission unit 54 can transmit the information about the patient's circulatory system generated by the data processing unit 52 to the doctor terminal 9 located at a remote position with respect to the data acquisition device 6.
  • a medical information processing device 5 and a medical system including the medical information processing device 5 it is possible to secure a social distance between a medical worker and a patient and reduce the risk of infection from the patient to the medical worker.
  • data is acquired from the patient's fundus using a non-invasive optical modality such as optical coherence stromography and color fundus photography, and the patient is obtained from this data. Since it is configured to generate information about the circulatory system of the patient, it is possible to provide a technique for non-invasively detecting the condition of the patient's circulatory system.
  • the condition of the circulatory system detected thereby is based on, for example, the medical findings described above and / or other medical findings, such as symptoms, signs of aggravation, risk of aggravation, and the like. be.
  • the techniques according to the present disclosure are prone to vascular inflammation using non-invasive optical ophthalmic modalities such as optical coherence stromography blood flow measurement, optical coherence stromography angiography, and color fundus photography.
  • non-invasive optical ophthalmic modalities such as optical coherence stromography blood flow measurement, optical coherence stromography angiography, and color fundus photography.
  • changes in blood properties in the blood coagulation tendency associated with infectious diseases can be detected based on the wall shear rate and wall shear stress obtained from the blood flow velocity and blood vessel diameter obtained by optical coherence stromography blood flow measurement.
  • the technique according to the present disclosure detects non-invasive blood flow dynamics (blood flow velocity, blood flow volume, shape of blood flow waveform, etc.) of retinal blood vessels, and detects wall shear stress, thrombus (peripheral vascular occlusion), etc. from the data. By evaluating, the risk of aggravation of the new coronavirus infection (COVID-19) is detected at an early stage.
  • non-invasive blood flow dynamics blood flow velocity, blood flow volume, shape of blood flow waveform, etc.
  • thrombus peripheral vascular occlusion
  • the combination of input data and output data is not limited to this example, and can be arbitrarily determined based on medical knowledge and background.
  • the input data may be color fundus image data, optical coherence stromography angiography image data, other optical coherence stromography image data (eg, morphological image data and / or functional image data).
  • the output data may be the severity, the magnitude of the severity risk, the numerical value of a test other than the blood test, and the like.
  • the technique according to the present disclosure can detect abnormalities in microvessels and blood flow at an early stage by using a non-invasive modality for diseases that cause systemic angiopathy / blood circulation disorder.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Ophthalmology & Optometry (AREA)
  • Artificial Intelligence (AREA)
  • Hematology (AREA)
  • Cardiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Psychiatry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Eye Examination Apparatus (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

実施形態の例示的な態様に係る医療システム１は、データ取得部１０と、データ処理部２０とを含む。データ取得部１０は、少なくとも１つの光学的方法を用いて患者の眼底からデータを取得する。データ処理部２０は、患者の循環器系に関する情報を生成するために、データ取得部１０により取得されたデータを処理する。

Description

医療システム及び医療情報処理装置
　この発明は、医療システム及び医療情報処理装置に関する。
　疾患の症状や重症化の兆候は複雑であり、これらを検知するために様々な技術が開発されてきた。例えば、特許文献１には、高度な医療知識を用いずに感染症のリスクを判定するための技術として、動脈血酸素飽和度、体温及び心拍数の各々についての異常の有無からリスク判定を行う技術が開示されている。
特開２０１６－１２３６０５号公報
　この発明の一つの目的は、患者の循環器系の状態を非侵襲で検知するための新たな技術を提供することにある。
　幾つかの例示的な態様に係る医療システムは、データ取得部と、データ処理部とを含む。データ取得部は、少なくとも１つの光学的方法を用いて患者の眼底からデータを取得する。データ処理部は、患者の循環器系に関する情報を生成するために、データ取得部により取得されたデータを処理する。
　幾つかの例示的な態様において、循環器系に関する情報は、血栓形成傾向に関する情報を含む。
　幾つかの例示的な態様において、血栓形成傾向に関する情報は、血液性状に関する情報を含む。
　幾つかの例示的な態様において、血液性状に関する情報は、血液凝固線溶系の亢進による血液性状の変化を示す情報を含む。
　幾つかの例示的な態様において、循環器系に関する情報は、血栓症状に関する情報を含む。
　幾つかの例示的な態様において、血栓症状に関する情報は、血管内における血流速度の分布を示す情報を含む。
　幾つかの例示的な態様において、血栓症状に関する情報は、血管内に形成された構造物に関する情報を含む。
　幾つかの例示的な態様において、循環器系に関する情報は、感染症に随伴する循環器系の状態に関する情報を含む。
　幾つかの例示的な態様において、循環器系に関する情報は、敗血症に関する状態を示す情報、播種性血管内凝固症候群（ＤＩＣ）に関する状態を示す情報、血栓に関する状態を示す情報、及び血管閉塞に関する状態を示す情報のうちの少なくとも１つを含む。
　幾つかの例示的な態様において、少なくとも１つの光学的手法は、光コヒーレンストモグラフィ血流計測（ＯＣＴ血流計測）、光コヒーレンストモグラフィ血管造影（ＯＣＴ－Ａ）、及びカラー眼底撮影のうちの少なくとも１つを含む。
　幾つかの例示的な態様において、少なくとも１つの光学的手法は、ＯＣＴ血流計測を含み、且つ、データ処理部は、ＯＣＴ血流計測で取得された血流データに少なくとも基づいて、血液凝固線溶系に関する情報を生成する。
　幾つかの例示的な態様において、データ取得部は、ＯＣＴ装置と、算出部とを含む。ＯＣＴ装置は、患者の眼底に光コヒーレンストモグラフィ（ＯＣＴ）スキャンを適用してデータを収集する。算出部は、ＯＣＴ装置により収集されたデータに少なくとも基づいて血流速度及び血管径を算出する。データ処理部は、算出部により算出された血流速度及び血管径に少なくとも基づいて血液凝固線溶系に関する情報を生成する。
　幾つかの例示的な態様において、データ処理部は、ＷＳＲ算出部を含む。ＷＳＲ算出部は、血流速度及び血管径に少なくとも基づいて壁せん断速度（ＷＳＲ）を算出する。
　幾つかの例示的な態様において、データ処理部は、記憶部と、ＷＳＳ算出部とを含む。記憶部は、予め取得された血液粘度情報を記憶する。ＷＳＳ算出部は、壁せん断速度及び血液粘度情報に少なくとも基づいて壁せん断応力（ＷＳＳ）を算出する。
　幾つかの例示的な態様において、データ取得部は、ＯＣＴ装置と、血流情報生成部とを含む。ＯＣＴ装置は、患者の眼底の所定領域に光コヒーレンストモグラフィ（ＯＣＴ）スキャンを繰り返し適用して時系列データを収集する。血流情報生成部は、ＯＣＴ装置により収集された時系列データに少なくとも基づいて、血流速度の空間分布及び時間変化を表す血流情報を生成する。データ処理部は、血流情報生成部により生成された血流情報に少なくとも基づいて血液凝固線溶系に関する情報を生成する。
　幾つかの例示的な態様において、データ処理部は、血流情報に少なくとも基づいて、血管内に形成された構造物に関する情報を生成する。
　幾つかの例示的な態様において、データ処理部は、ＷＳＲ情報生成部を含む。ＷＳＲ情報生成部は、血流情報に少なくとも基づいて、壁せん断速度（ＷＳＲ）の空間分布及び時間変化を表すＷＳＲ情報を生成する。
　幾つかの例示的な態様において、データ処理部は、血流情報及びＷＳＲ情報に少なくとも基づいて、血管内に形成された構造物に関する情報を生成する。
　幾つかの例示的な態様において、データ処理部は、記憶部と、ＷＳＳ情報生成部とを含む。記憶部は、予め取得された血液粘度分布情報を記憶する。ＷＳＳ情報生成部は、ＷＳＲ情報及び血液粘度分布情報に少なくとも基づいて、壁せん断応力（ＷＳＳ）の空間分布及び時間変化を表すＷＳＳ情報を生成する。
　幾つかの例示的な態様において、データ処理部は、血流情報及びＷＳＳ情報に少なくとも基づいて、血管内に形成された構造物に関する情報を生成する。
　幾つかの例示的な態様において、データ処理部は、第１推論処理部を含む。第１推論処理部は、少なくとも１つの光学的方法を用いて眼底から取得された第１データと診断結果データとを含む第１訓練データを用いた機械学習によって構築された第１学習済みモデルを用いて、データ取得部により患者の眼底から取得されたデータを入力とし患者の循環器系に関する情報を出力とする推論処理を実行する。
　幾つかの例示的な態様において、データ処理部は、第２推論処理部を含む。第２推論処理部は、少なくとも１つの光学的方法を用いて眼底から取得された第１データを処理して生成された第２データと診断結果データとを含む第２訓練データを用いた機械学習によって構築された第２学習済みモデルを用いて、データ取得部により患者の眼底から取得されたデータを処理して生成されたデータを入力とし患者の循環器系に関する情報を出力とする推論処理を実行する。
　幾つかの例示的な態様に係る医療システムは、送信部を更に含む。送信部は、データ取得部に対して遠隔位置にある医師端末に向けて、データ処理部により生成された循環器系に関する情報を送信する。
　幾つかの例示的な態様に係る医療システムは、医師端末を更に含む。
　幾つかの例示的な態様に係る医療システムは、データ取得部を遠隔操作するための操作部を更に含む。
　幾つかの例示的な態様に係る医療情報処理装置は、データ受付部と、データ処理部とを含む。データ受付部は、少なくとも１つの光学的方法を用いて患者の眼底から取得されたデータを受け付ける。データ処理部は、患者の循環器系に関する情報を生成するために、データ受付部により受け付けられたデータを処理する。
　幾つかの例示的な態様に係る医療情報処理装置は、第１送信部を更に含む。第１送信部は、データの取得が行われた場所に対して遠隔位置にある医師端末に向けて、データ処理部により生成された循環器系に関する情報を送信する。
　幾つかの例示的な態様に係る医療システムは、例示的な態様に係る医療情報処理装置と、医師端末とを含む。
　幾つかの例示的な態様に係る医療システムは、データ取得装置と、第２送信部とを更に含む。データ取得装置は、少なくとも１つの光学的方法を用いて患者の眼底からデータを取得する。第２送信部は、データ取得装置により取得されたデータを医療情報処理装置に送信する。データ受付部は、第２送信部により送信されたデータを受け付ける。データ処理部は、第２送信部により送信されデータ受付部により受け付けられたデータを、患者の循環器系に関する情報を生成するために処理する。
　例示的な態様によれば、患者の循環器系の状態を非侵襲で検知するための新たな技術を提供することが可能である。
例示的な態様に係る医療システムの構成の一例を表す概略図である。 例示的な態様に係る医療システムにより処理されるデータの構造の一例を表す概略図である。 例示的な態様に係る医療システムの構成の一例を表す概略図である。 例示的な態様に係る医療システムの構成の一例を表す概略図である。 例示的な態様に係る医療システムの構成の一例を表す概略図である。 例示的な態様に係る医療システムの構成の一例を表す概略図である。 例示的な態様に係る医療システムの構成の一例を表す概略図である。 例示的な態様に係る医療システムの動作の一例を表すフローチャートである。 例示的な態様に係る医療システムの構成の一例を表す概略図である。 例示的な態様に係る医療システムの構成の一例を表す概略図である。 例示的な態様に係る医療システムの構成の一例を表す概略図である。 例示的な態様に係る医療システムの構成の一例を表す概略図である。 例示的な態様に係る医療情報処理装置及びそれを含む医療システムの構成の一例を表す概略図である。
　本開示では、医療システム及び医療情報処理装置についての幾つかの例示的な態様を説明する。本技術分野における通常の知識を有する者であれば、本開示に係る態様が各種の変形態様や均等物を提供することや、本開示に係る態様又はその変形態様若しくは均等物が医療方法、システムの制御方法、装置の制御方法、プログラム、記録媒体など他の各種の態様を提供することを理解できるであろう。
　幾つかの例示的な態様は、少なくとも１つの光学的方法（光学的モダリティ）で患者の眼底から取得されたデータをコンピュータで処理することによって、患者の循環器系に関する情報を生成するものである。このコンピュータ処理は推論を含んでよい。この推論は、例えば、機械学習により構築された学習済みモデル（推論モデル）を用いたアルゴリズム、学習済みモデルを用いないアルゴリズム、又は、これらの組み合わせによって実行されてよい。
　幾つかの例示的な態様におけるコンピュータ処理に供されるデータは、任意の眼科検査で取得されたデータであってよく、例えば任意の眼科モダリティ装置で取得されたデータであってよい。眼科モダリティ装置は、例えば、光コヒーレンストモグラフィ（ＯＣＴ）装置、眼底カメラ、走査型レーザー検眼鏡、スリットランプ顕微鏡、手術用顕微鏡などであってよい。幾つかの例示的な態様において、光コヒーレンストモグラフィ装置は、例えば、光コヒーレンストモグラフィ血流計測、光コヒーレンストモグラフィ血管造影（ＯＣＴ－Ａ）などに用いられる。幾つかの例示的な態様において、眼底カメラ、走査型レーザー検眼鏡、スリットランプ顕微鏡、手術用顕微鏡などの眼底撮影装置は、例えば、カラー眼底撮影に用いられる。なお、コンピュータ処理に供されるデータはこれらに限定されず、例えば、他の種類の検査データ、電子カルテデータ、問診データ、患者背景情報（年齢、治療歴、病歴、投薬歴、手術歴など）などを更に含んでいてもよい。
　例示的な態様は、このようなデータから患者の循環器系に関する所定の情報を生成するように構成される。幾つかの例示的な態様により生成される情報は、定量的な情報及び定性的な情報の少なくとも一方を含んでいてよく、例えば以下に示す情報のいずれかを含んでいてよい：血栓形成傾向に関する情報；血栓症状に関する情報；感染症に随伴する循環器系の状態に関する情報；敗血症に関する状態を示す情報；播種性血管内凝固症候群（ＤＩＣ）に関する状態を示す情報；血栓に関する状態を示す情報；血管閉塞に関する状態を示す情報。
　血栓形成傾向に関する情報は、患者の循環器系（血管内、心臓内）に血栓が形成される傾向を示す情報であり、例えば、血栓形成リスクに関する情報を含む。血栓形成傾向に関する情報は、血液性状に関する情報、及び、血液凝固線溶系の亢進による血液性状の変化を示す情報のいずれかを含んでいてよい。血液性状に関する情報は、血液の性質に関する情報及び／又は血液の状態に関する情報を含む。血液凝固線溶系の亢進による血液性状の変化を示す情報は、血液を凝固させる作用系（凝固系、血液凝固因子）の活発化に起因する血液性状の変化を示す情報、及び／又は、血栓や血餅を溶解する作用系（線維要素溶解系、線溶系）の活発化に起因する血液性状の変化を示す情報を含む。血栓形成傾向に関する情報は、例えば、粘度、壁せん断応力、壁せん断速度、特定成分の量又は割合、特定成分間の比率、これらのいずれかの変化を示す情報、これらのいずれかの分布を示す情報などを含んでいてよい。
　血栓症状に関する情報は、血栓に起因する症状に関する情報であり、例えば、血管内における血流速度の分布を示す情報、及び、血管内に形成された構造物に関する情報のいずれかを含んでいてよい。血管内における血流速度の分布は、例えば、１次元的な分布、２次元的な分布、３次元的な分布、及び、時間的な分布のいずれか１つ又はいずれか２つ以上の組み合わせであってよい。血管内に形成された構造物は、例えば、白色血栓、赤色血栓、混合血栓、硝子様血栓、これらのいずれかの形成機序に関わるもの（例えば、中間生成物）などであってよい。
　感染症に随伴する循環器系の状態に関する情報は、例えば、血管炎症、血栓形成傾向、血液凝固傾向、敗血症、ＤＩＣ、肺炎、リンパ節炎、リンパ管炎など、感染症に伴う又は起因する疾患や病態に関する情報を含む。対象となる感染症は、任意のウイルス感染症、任意の細菌感染症、又は任意の真菌感染症であってよく、例えば、２０２０年に大流行した新型コロナウイルス感染症（Ｃｏｒｏｎａｖｉｒｕｓ　Ｄｅｓｅａｓｅ　２０１９；ＣＯＶＩＤ－１９）、重症急性呼吸器症候群（ＳＡＲＳ）、中東呼吸器症候群（ＭＥＲＳ）、インフルエンザ、感染性心内膜炎などであってよい。
　敗血症は、感染症が全身に波及したことによる非常に重篤な状態であり、循環性ショック、ＤＩＣ、多臓器不全などを引き起こす。敗血症に関する状態を示す情報は、例えば、敗血症による炎症、循環不全などの症状に関する情報を含む。
　ＤＩＣは、本来出血箇所のみで生じるべき血液凝固反応が全身の血管内で無秩序に起こる症候群である。ＤＩＣの病態としては、全身の血管内において著しい凝固活性化が持続的に生じて微小血栓が多発する。進行すると、微小循環障害による臓器障害から消費性凝固障害を引き起こし、出血を生じる。また、凝固活性化とともに線溶活性化も呈するため血栓の過剰な線溶が生じ、出血を促進する。播種性血管内凝固症候群（ＤＩＣ）に関する状態を示す情報は、例えば、ＤＩＣの上記病態（凝固系の亢進、線溶系の亢進、血栓、出血など）を示す情報を含む。
　血栓に関する状態を示す情報は、循環器系（血管内、心臓内）に存在する又は存在する可能性のある血栓に関する任意の情報であってよく、例えば、血栓の有無、血栓の程度、血栓の分布、血栓の個数、血栓が形成されている確率などを含む。
　血管閉塞に関する状態を示す情報は、循環器系に発生している又は発生している可能性のある血管閉塞に関する任意の情報であってよく、例えば、血管閉塞の有無、血管閉塞の程度、血管閉塞箇所の分布、血管閉塞箇所の個数、血管閉塞が発生している確率などを含む。
　このように、例示的な態様は、例えば、上記例示のいずれかの光学的モダリティを用いて患者の眼底から取得されたデータに基づき患者の循環器系に関する情報を生成することにより、患者の循環器系の状態を非侵襲で検知することを可能にするものである。幾つかの例示的な態様は、血栓形成傾向（例えば、血液性状、及び／又は、血液凝固線溶系の亢進による血液性状の変化）、血栓症状（例えば、血流速度分布、及び／又は、血管内構造物）、感染症に随伴する循環器系の状態及び／又は状態変化、敗血症、ＤＩＣ、血栓、血管閉塞、これらのいずれかに類する事項、これらのいずれかに由来する事項、及び、これらのいずれかの機序に関する事項のうち、１つ以上の事項に関する情報を生成することができる。なお、例示的な態様により生成可能な情報の種類はこれらに限定されず、採用される光学的モダリティと採用されるデータ処理との組み合わせによって生成（例えば、導出、推定など）可能な任意の種類の情報であってよい。
　幾つかの例示的な態様は、以下に説明するような背景をも考慮して考案されたものであり、これに対応した効果を奏することができる。医師や看護師等の医療従事者は、院内感染のリスクに晒されている。例えば２０２０年に発生した新型コロナウイルス感染症（ＣＯＶＩＤ－１９）のパンデミックでは、多くの患者が殺到した医療機関においてクラスター感染が発生するなど、医療従事者への感染リスクが大きな問題となった。なお、医療従事者への感染リスクの増加は、感染症流行時に限らず、災害や大事故が発生した際にも起こり得る。一般に、感染リスクを低減するには、人と人との距離を十分に確保すること、いわゆるソーシャルディスタンシング（ｓｏｃｉａｌ　ｄｉｓｔａｎｃｉｎｇ）が重要とされているが、標準的な医療においてこれを実現することは容易ではない。例えば、検査を行う際、医師等は患者のすぐそばに居て処置を行うことが多い。
　幾つかの例示的な態様は、光学的モダリティで取得されたデータのコンピュータ処理で生成された情報を、遠隔位置にある医師端末に提供することができるように構成されていてよい。また、幾つかの例示的な態様は、検査装置（光学的モダリティ装置）やコンピュータを遠隔位置から操作できるように構成されていてよい。これらの構成によれば、従来は患者のすぐそばに居なければ実施できなかった検査で得られたデータを診断に利用することが可能となる。換言すると、幾つかの例示的な態様によれば、患者と医療従事者との間のソーシャルディスタンシングを維持することができるとともに、症状や重症化の兆候といった複雑な生理学的イベントを非侵襲且つ高精度で検知することが可能になる。
　ここで、「遠隔位置」は、患者と医療従事者との間のソーシャルディスタンシングを確保可能な位置関係であればよい。例えば、医師端末は、検査装置とは別の部屋に設置されていてもよいし、検査装置とは別の施設に設置されていてもよい。また、検査装置を遠隔操作するための装置（操作装置、操作部）は、検査装置とは別の部屋に設置されていてもよいし、検査装置とは別の施設に設置されていてもよい。なお、完全防護服を着用する場合のように十分な感染症防護体制の下に検査が実施される場合には、ソーシャルディスタンシングを確保しなくてもよい。
　本明細書にて引用された文献に記載されている事項や、その他の任意の公知技術によって、例示的な態様に変形を施すことが可能である。この変形は、例えば、付加、組み合わせ、置換、削除、省略、及びその他の加工のいずれかであってよい。
　本開示において説明される要素の機能の少なくとも一部は、回路構成（ｃｉｒｃｕｉｔｒｙ）又は処理回路構成（ｐｒｏｃｅｓｓｉｎｇ　ｃｉｒｃｕｉｔｒｙ）を用いて実装されていてよい。回路構成又は処理回路構成は、開示された機能の少なくとも一部を実行するように構成及び／又はプログラムされた、汎用プロセッサ、専用プロセッサ、集積回路、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、プログラマブル論理デバイス（例えば、ＳＰＬＤ（Ｓｉｍｐｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）、ＣＰＬＤ（Ｃｏｍｐｌｅｘ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、従来の回路構成、及びそれらの任意の組み合わせのいずれかを含んでいてよい。プロセッサは、トランジスタ及び／又は他の回路構成を含む、処理回路構成又は回路構成とみなされ得る。本開示において、回路構成、回路、コンピュータ、プロセッサ、ユニット、手段、部、又はこれらに類する用語は、開示された機能の少なくとも一部を実行するハードウェア、及び／又は、開示された機能の少なくとも一部を実行するようにプログラムされたハードウェアを含んでいてよい。ハードウェアは、本明細書に開示されたハードウェアであってよく、或いは、開示された機能の少なくとも一部を実行するようにプログラム及び／又は構成された既知のハードウェアであってもよい。ハードウェアが或るタイプの回路構成とみなされ得るプロセッサである場合、回路構成、回路、コンピュータ、プロセッサ、ユニット、手段、部、又はこれらに類する用語は、ハードウェアとソフトウェアとの組み合わせであってよく、このソフトウェアはハードウェア及び／又はプロセッサを構成するために使用されてよい。
　以下に説明する例示的な態様を任意に組み合わせてもよい。例えば、２つ以上の例示的な態様を少なくとも部分的に組み合わせることが可能である。
＜医療システムの構成＞
　例示的な態様の医療システムの構成について幾つかの例を説明する。図１に示す例示的な医療システム１は、データ取得部１０と、データ処理部２０と、出力部３０とを含んでいる。医療システム１は、更に操作装置２を含んでいてもよい。
　典型的な例において、データ取得部１０とデータ処理部２０は、通信回線を介して接続されている。この通信回線は、例えば、医療機関内にネットワークを形成していてもよく、また、複数の施設にわたるネットワークを形成していてもよい。この通信回線に適用される通信技術は任意であってよく、有線通信、無線通信、近距離通信などの様々な公知の通信技術のいずれかであってよい。データ処理部２０と出力部３０との間の接続態様も同様であってよい。或いは、データ処理部２０と出力部３０は、同じコンピュータに搭載された機能部であってもよい。
　操作装置２は、医療従事者がデータ取得部１０（検査装置、光学的モダリティ装置）を遠隔操作するために使用される。また、操作装置２は、データ取得部１０を用いて検査を行っている患者（被検者）に対して医療従事者（検者）が指示などを提供するために使用される。また、操作装置２は、データ処理部２０を遠隔操作するために使用可能であってもよい。操作装置２は、例えば、コンピュータ、操作パネルなどを含む。
　データ取得部１０は、少なくとも１つの光学的モダリティで患者の眼底からデータを取得するように構成されている。データ取得部１０は、例えば、光コヒーレンストモグラフィ装置、眼底カメラ、走査型レーザー検眼鏡、スリットランプ顕微鏡、手術用顕微鏡など、任意の光学的眼底撮影モダリティ装置を含む。データ取得部１０は、例えば、他の種類の検査データ、電子カルテデータ、問診データ、患者背景情報などを更に取得可能であってもよい。
　光コヒーレンストモグラフィ装置及び／又は眼底カメラは、例えば、特開２０２０－４４０２７号公報に記載された、各種の撮影準備動作が自動化された装置であってよい。なお、撮影準備動作は、撮影条件を整えるために実行される動作であり、その例として、アライメント調整、フォーカス調整、光路長調整、偏光調整、光量調整などがある。また、撮影準備動作により達成された良好な撮影条件を維持するための動作を自動で実行可能であってよい。このような動作として、眼の動きに合わせた自動アライメント調整（トラッキング）や、眼の動きに合わせた自動光路長調整（Ｚロック）などがある。これらの自動動作は、例えば、検者が立ち会うことなく実施される検査において有効である。
　光コヒーレンストモグラフィ装置により取得されるデータ（光コヒーレンストモグラフィデータ）は、例えば、眼底に３次元スキャンを適用して得られた３次元画像データ、３次元画像データのプロジェクション画像データ、光コヒーレンストモグラフィ血管造影画像データ、光コヒーレンストモグラフィ血流データのうちの少なくとも１つであってよい。
　光コヒーレンストモグラフィ血管造影は、モーションコントラスト技術を用いて血管を描出する光学的モダリティであり、微細な血管の描出が可能である。光コヒーレンストモグラフィ血管造影画像データは、例えば特開２０１９－５８４９５号公報、特開２０１９－１５４９８８号公報などに記載された光コヒーレンストモグラフィ装置を用いて取得される。
　光コヒーレンストモグラフィ血流計測は、血液の流通状態（血流動態）を測定する光学的モダリティである。光コヒーレンストモグラフィ血流データは、例えば、特開２０１９－５４９９４号公報、特開２０２０－４８７３０号公報などに記載された光コヒーレンストモグラフィ装置を用いて取得される。幾つかの例示的な態様は、光コヒーレンストモグラフィ血流計測により、光コヒーレンストモグラフィ血流データとして、血流速度、血流量、血管径、血流速度の時系列変化（時間変化、時間依存変化）を表す波形データ、血流量の時系列変化を表す波形データなどを取得することができる。波形データは、典型的には、時間を横軸とし、血流速度を縦軸とした２次元座標系によって表現された、血流速度の時系列変化グラフである。なお、眼底血流計測に用いられる光学的モダリティは、光コヒーレンストモグラフィ血流計測に限定されず、例えば、再表２００８／０６９０６２号公報などに記載されたレーザースペックルフローグラフィ（ＬＳＦＧ）であってもよい。
　眼底カメラにより取得可能な画像データ（眼底カメラ画像データ）としては、例えば、カラー眼底画像データ、赤外眼底画像データ、蛍光造影眼底画像データ（フルオレセイン血管造影画像データ、インドシアニングリーン血管造影画像データなど）などがある。幾つかの例示的な態様では、眼底カメラを用いてカラー眼底画像データが取得される。
　走査型レーザー検眼鏡は、例えば、特開２０１４－２２６１５６号公報に記載された装置であってよい。走査型レーザー検眼鏡により取得可能な画像データ（走査型レーザー画像データ）としては、例えば、カラー眼底画像データ、単色眼底画像データ、蛍光造影眼底画像データなどがある。幾つかの例示的な態様では、走査型レーザー検眼鏡を用いてカラー眼底画像データが取得される。
　スリットランプ顕微鏡は、例えば、特開２０１９－２１３７３４号公報に記載された、遠隔撮影に有効な装置であってよい。スリットランプ顕微鏡により取得される画像データは、例えば、カラー眼底画像データ、前眼部断面画像データ、及び、前眼部３次元画像データのうちの少なくとも１つであってよい。幾つかの例示的な態様では、スリットランプ顕微鏡を用いてカラー眼底画像データが取得される。
　手術用顕微鏡は、例えば、特開２００２－１５３４８７号公報に記載された、遠隔手術に有効な装置であってよい。幾つかの例示的な態様では、手術用顕微鏡を用いてカラー眼底画像データが取得される。
　本態様において、データ取得部１０に含まれる検査装置（例えば、光コヒーレンストモグラフィ装置、眼底カメラなど）のうちの少なくとも１つは、遠隔操作及び／又は遠隔制御が可能であってよい。
　例えば、医療従事者への感染リスクを考慮し、検査装置を用いた検査が行われる検査室と、この検査装置の操作が行われる操作室とを分けることができる。検査室には、検査装置に加え、操作室内の操作者の指示（音声、画像、映像など）を出力するためのスピーカーやディスプレイ、検査室内の被検者（患者）を撮影するためのビデオカメラ、被検者の音声が入力されるマイクロフォン、検査装置に接続されたコンピュータなどが設けられている。
　一方、操作室には、検査装置を遠隔操作するための操作装置２が設けられている。操作装置２は、コンピュータ、操作パネル、ディスプレイ、ビデオカメラ、マイクロフォンなどが設けられている。コンピュータは、遠隔操作に対する処理を実行する。コンピュータは、検査室内の検査装置に接続されている。操作パネル、ビデオカメラ、及びマイクロフォンは、被検者への指示を入力するために用いられる。ディスプレイは、検査装置により取得されたデータや、遠隔操作のための情報（画面、検査室からの情報など）を表示する。
　このような構成により、操作室内の操作者（医療従事者）は、例えばアプリケーションプログラミングインターフェイス（ＡＰＩ）を用いて検査室内の検査装置を遠隔操作できるとともに、テレビ電話などを用いて被検者に指示を送ることができる。これにより、被検者は、遠隔位置にいる操作者の指示にしたがって一人で検査を受けることができ、その結果、被検者から操作者への感染リスクを大幅に低減することが可能となる。
　患者（被検者）一人での検査をより好適に行うために、準備動作が自動化された検査装置（前述）を使用することができる。この場合、操作者からの指示を要することなく検査を行うことも可能になると考えられる。場合によっては、補助者（操作者など）を配置しなくてもよい。ただし、患者によっては単独での検査が困難であることも想定されるため、例えば、遠隔位置に補助者を待機させることや、遠隔位置から補助者が検査状況を監視していてもよい。なお、患者に対して指示を送る補助者（操作者など）は、擬人化されたコンピュータシステム（典型的には、人工知能技術を用いた自動応答システム）であってもよい。
　データ処理部２０は、各種のデータ処理を実行する。本態様のデータ処理部２０は、患者の循環器系に関する情報を生成するために、データ取得部１０により取得されたデータを処理するように構成されている。
　本態様のデータ処理部２０により生成される情報は、例えば、以下の情報のうちの少なくとも１つであってよい：血栓形成傾向に関する情報（血液性状に関する情報、及び／又は、血液凝固線溶系の亢進による血液性状の変化を示す情報）；血栓症状に関する情報（血管内における血流速度分布を示す方法、及び／又は、血管内に形成された構造物に関する情報）；感染症に随伴する循環器系の状態（及び／又は状態変化）に関する情報；敗血症に関する状態を示す情報；ＤＩＣに関する状態を示す情報；血栓に関する状態を示す情報；血管閉塞に関する状態を示す情報。
　データ処理部２０が実行する処理の幾つかの例を後述の態様において説明する。データ処理部２０は、機械学習で構築された学習済みモデル（推論モデル）を用いてもよいし、用いなくてもよい。
　図２は、データ処理部２０により生成されたデータを処理（記録、送信など）するためのデータ構造の例を示す。本例のデータ構造１００は、血栓形成傾向データ部１１０と、血栓症状データ部１２０と、感染症随伴データ部１３０と、敗血症データ部１４０と、ＤＩＣデータ部１５０と、血栓データ部１６０と、血管閉塞データ部１７０とを含んでいる。
　血栓形成傾向データ部１１０は、データ処理部２０により生成された血栓形成傾向に関する情報が記録される領域（フォルダなど）である。血栓形成傾向データ部１１０は、血液性状データ部１１１を含んでいる。血液性状データ部１１１は、データ処理部２０により生成された血液性状に関する情報が記録される領域である。血液性状データ部１１１は、血液性状変化データ部１１２を含んでいる。血液性状変化データ部１１２は、データ処理部２０により生成された血液凝固線溶系の亢進による血液性状の変化を示す情報が記録される領域である。
　血栓症状データ部１２０は、データ処理部２０により生成された血栓症状に関する情報が記録される領域である。血栓症状データ部１２０は、血流速度分布データ部１２１と、血管内構造物データ部１２２とを含んでいる。血流速度分布データ部１２１は、データ処理部２０により生成された血管内における血流速度の分布を示す情報が記録される領域である。血管内構造物データ部１２２は、データ処理部２０により生成された血管内に形成された構造物に関する情報が記録される領域である。
　感染症随伴データ部１３０は、データ処理部２０により生成された感染症に随伴する循環器系の状態に関する情報が記録される領域である。敗血症データ部１４０は、データ処理部２０により生成された敗血症に関する状態を示す情報が記録される領域である。ＤＩＣデータ部１５０は、データ処理部２０により生成されたＤＩＣに関する状態を示す情報が記録される領域である。血栓データ部１６０は、データ処理部２０により生成された血栓に関する状態を示す情報が記録される領域である。血管閉塞データ部１７０は、データ処理部２０により生成された血管閉塞に関する状態を示す情報が記録される領域である。
　幾つかの例示的な態様において、データ構造１００は、上記したデータ部１１０～１７０のうちの少なくとも１つを含んでいる。幾つかの例示的な態様において、データ構造１００は、上記したデータ部１１０～１７０以外のデータ部を含んでいてもよい。例えば、データ構造１００は、データ取得部１０により眼底から取得されたデータが記録される眼底データ部、データ取得部１０により眼底から取得されたデータに所定の処理を施して得られたデータが記録される加工データ部、任意の種類のデータが記録される任意データ部などを含んでいてよい。任意データ部には、例えば、任意の検査装置により取得されたデータ、電子カルテデータ、問診データ、患者情報（例えば、患者識別子、患者背景情報）などが記録される。
　これらのデータを生成するように構成される本態様の幾つかの背景について説明する。「新型コロナ肺炎の死亡に播種性血管内凝固症候群（ＤＩＣ）が関与している？」（日本医事新報社ホームページ：ｈｔｔｐｓ：／／ｗｗｗ．ｊｍｅｄｊ．ｃｏ．ｊｐ／Ｊｏｕｒｎａｌ／ｐａｐｅｒ／ｄｅｔａｉｌ．ｐｈｐ？ｉｄ＝１４５００）には、新型コロナウイルス感染症（ＣＯＶＩＤ－１９）に誘発されたＤＩＣ（ＤＩＣによる血栓塞栓症）が重症の新型コロナ肺炎による死亡の原因の一つと考えられること、心筋炎の発生もあり得ること、密閉・密接で施行される心・血管エコー図の検査がほとんど施行されておらず深部静脈や心臓内の血栓形成については不明であること、ＤＩＣに心筋炎が合併すると心臓内血栓が形成されやすくなり血栓塞栓及び多臓器不全を生じる可能性があること、新型コロナウイルスの感染で敗血症が生じる可能性があること、敗血症などに起因する微小血栓障害の画像診断は困難であること、初期の循環器の異常が微小血管であるため診断が困難であること、新型コロナ肺炎の患者に対してＤ－ダイマーを含めた血液凝固系の検査と心・血管エコー図の検査とが有効と考えられること、ＤＩＣの診断ができれば抗凝固療法により症状の劇的な改善が期待できること、血栓症の予防が新型コロナ肺炎治療の基本になり得ること、などが指摘されている。
　「ＣＯＶＩＤ－１９重症患者の多くが敗血症に陥っていると推定」（日本医事新報社ホームページ：ｈｔｔｐｓ：／／ｗｗｗ．ｊｍｅｄｊ．ｃｏ．ｊｐ／Ｊｏｕｒｎａｌ／ｐａｐｅｒ／ｄｅｔａｉｌ．ｐｈｐ？ｉｄ＝１４５６３）には、新型コロナウイルス感染症（ＣＯＶＩＤ－１９）による重篤例や死亡例の多くが敗血症を生じていることが指摘されている。本態様は、敗血症に関する情報を提供するための非侵襲な手法を提供するものである。
　「重篤副作用疾患別対応マニュアル　播種性血管内凝固（全身性凝固亢進障害、消費性凝固障害）」平成１９年６月　厚生労働省には、敗血症では血液凝固と血栓溶解のバランスが破綻し、全身に血栓を生じたり微小血管での出血が生じたりする、ＤＩＣと呼ばれる予後不良の症候群が発生することが指摘されている。本態様は、ＤＩＣ、血液凝固、血栓溶解、血栓、出血などに関する情報を提供するための非侵襲な手法を提供するものである。
　「ＣＯＶＩＤ－１９　ａｎｄ　Ｃｏａｇｕｌｏｐａｔｈｙ：Ｆｒｅｑｕｅｎｔｌｙ　Ａｓｋｅｄ　Ｑｕｅｓｔｉｏｎｓ」（ＡＭＥＲＩＣＡＮ　ＳＯＣＩＥＴＹ　ＯＦ　ＨＥＭＡＴＯＬＯＧＹホームページ：ｈｔｔｐｓ：／／ｗｗｗ．ｈｅｍａｔｏｌｏｇｙ．ｏｒｇ／ｃｏｖｉｄ－１９－ａｎｄ－ｃｏａｇｕｌｏｐａｔｈｙ）には、新型コロナウイルス感染症（ＣＯＶＩＤ－１９）の感染者について、ＤＩＣが生じると肺を中心に様々な微小血管内の血栓形成が発生する可能性があること、血液凝固の亢進を示す血液検査数値と重症化との相関がこの可能性を強く示唆していること、肺だけでなく心臓や腎臓障害が頻発することも血管内の血栓形成によると考えられること、皮膚症状として川崎病のような血管炎症状を呈した症例があること、などが指摘されている。本態様は、血栓、血液凝固、血管炎症などに関する情報を提供するための非侵襲な手法を提供するものである。
　「新型コロナウイルス感染症　診療の手引き　２０２０　１９－ＣＯＶＩＤ　第２版」（厚生労働省ホームページ：ｈｔｔｐｓ：／／ｗｗｗ．ｍｈｌｗ．ｇｏ．ｊｐ／ｃｏｎｔｅｎｔ／０００６３１５５２．ｐｄｆ）には、新型コロナウイルス感染症（ＣＯＶＩＤ－１９）の重症化マーカーとして、Ｄ－ダイマー、ＣＲＰ（Ｃ－反応性蛋白）、ＬＤＨ（血清乳酸脱水素酵素）、フェリチン、リンパ球、クレアチニンなどが有用な可能性があることが指摘されている。特に、血液凝固の亢進を示す血液検査数値と重症化との相関が指摘されている。これらの他に、心筋トポロニン（Ｔｎ）、ＩＬ－１β、ＩＬ－６、ＩＬ－８、ＴＮＦａ、ＩＦＮａなどの有用性を指摘する文献もある。本態様は、これらの重症化マーカーに反映されるような血液性状変化に関する情報を提供するための非侵襲な手法を提供するものである。
　本態様のデータ処理部２０は、このような背景を考慮して設計及び構成されてよい。データ処理部２０の幾つかの例示的な態様については後述する。なお、他の感染症を対象とする場合においても同じ要領でデータ処理部２０（及びデータ構造１００）を設計及び構成することが可能である。
　本態様のデータ処理部２０の構成例を図３に示す。本例のデータ処理部２０は、眼画像データ処理部２１と、眼血流データ処理部２２とを含んでいる。
　眼画像データ処理部２１は、例えば、前述したような医学的知見に少なくとも基づき作成されたプログラムにしたがって動作するプロセッサを含んでいてよい。この場合、眼画像データ処理部２１は、データ取得部１０により患者の眼底から取得された画像データ（眼画像データ）を少なくともこのプロセッサで処理することによって、患者の循環器系に関する情報を生成することができる。
　プロセッサに入力される眼画像データは、例えば、光コヒーレンストモグラフィ画像データ、カラー眼底画像データなどであってよい。プロセッサから出力される情報は、例えば、前述したように、血栓形成傾向に関する情報、血栓症状に関する情報、感染症に随伴する循環器系の状態に関する情報、敗血症に関する状態を示す情報、ＤＩＣに関する状態を示す情報、血栓に関する状態を示す情報、及び、血管閉塞に関する状態を示す情報のいずれかであってよい。
　眼画像データ処理部２１は、例えば、前述したような医学的知見に少なくとも基づく機械学習により構築された学習済みモデルを含んでいてよい。この場合、眼画像データ処理部２１は、データ取得部１０により患者の眼底から取得された画像データ（眼画像データ）を少なくともこの学習済みモデルを用いて処理することによって、患者の循環器系に関する情報を生成することができる。
　学習済みモデルに入力される眼画像データは、例えば、光コヒーレンストモグラフィ画像データ、カラー眼底画像データなどであってよい。学習済みモデルから出力される情報は、例えば、前述したように、血栓形成傾向に関する情報、血栓症状に関する情報、感染症に随伴する循環器系の状態に関する情報、敗血症に関する状態を示す情報、ＤＩＣに関する状態を示す情報、血栓に関する状態を示す情報、及び、血管閉塞に関する状態を示す情報のいずれかであってよい。
　機械学習を利用して構成された眼画像データ処理部２１の例を図４に示す。本例の眼画像データ処理部２１は、推論処理部２１０を含む。推論処理部２１０は、臨床データ（眼画像データ及び診断結果データ）を含む訓練データを用いた機械学習によって構築された学習済みモデルを用いて、データ取得部１０により取得された眼画像データから患者の循環器系に関する情報を導出する推論処理を実行するように構成されている。
　訓練データに含まれる眼画像データは、例えば、データ取得部１０の光学的モダリティと同じ光学的モダリティを用いて取得された画像データであるが、他のモダリティであってもよい。他のモダリティとしては、データ取得部１０の光学的モダリティと異なる光学的モダリティ、超音波モダリティ、電気的モダリティ、磁気的モダリティ、電磁的モダリティなどがある。訓練データに含まれる診断結果データは、例えば、関連する眼画像データに基づき医師又は他の推論モデル（学習済みモデル）によって得られたデータであってよい。
　このような訓練データに基づく機械学習（教師あり学習）によって、データ取得部１０により取得された眼画像データを入力とし、且つ、循環器系に関する推定診断データを出力とする学習済みモデル（推論モデル）を作成することができる。機械学習に用いられる訓練データは、臨床データに基づきコンピュータが作成したデータを含んでいてもよい。機械学習は転移学習を含んでいてもよい。
　推論処理部２１０は、このようにして得られた学習済みモデルを含んでおり、データ取得部１０により取得された眼画像データを学習済みモデルに入力し、学習済みモデルから出力された推定診断データを出力部３０に送る。
　例示的な態様に使用可能な機械学習アルゴリズムは、教師あり学習に限定されず、例えば、教師なし学習、半教師あり学習、強化学習、トランスダクション、マルチタスク学習などの任意のアルゴリズムであってよく、また、任意の２つ以上のアルゴリズムの組み合わせであってもよい。
　例示的な態様に使用可能な機械学習技法は任意であり、例えば、ニューラルネットワーク、サポートベクターマシン、決定木学習、相関ルール学習、遺伝的プログラミング、クラスタリング、ベイジアンネットワーク、表現学習、エクストリームラーニングマシンなどの任意の技法であってよく、また、任意の２つ以上の技法の組み合わせであってもよい。
　推論処理部２１０の構成の例を図５に示す。本例の推論処理部２１０は、第１学習済みモデル２１１と、第２学習済みモデル２１２とを含んでいる。なお、幾つかの例示的な態様において、推論処理部２１０は、第１学習済みモデル２１１及び第２学習済みモデル２１２のいずれか一方のみを含んでいてよい。
　第１学習済みモデル２１１は、眼画像データ及び診断結果データを含む訓練データを用いた機械学習により構築されたものである。例えば、第１学習済みモデル２１１は、畳み込みニューラルネットワーク（ＣＮＮ）を含む。この畳み込みニューラルネットワークは、例えば、眼画像データが入力される入力層と、入力された眼画像データにフィルタリング（畳み込み）を適用して特徴マップを作成する畳み込み層と、畳み込み層で得られた特徴を保持しつつデータ圧縮を行うプーリング層と、プーリング層で得られた全てのデータから特徴的所見を抽出し判定を行う全結合層と、全結合層で得られたデータを出力する出力層とを含んでいる。データ取得部１０により取得された眼画像データを第１学習済みモデル２１１に入力することにより、所定の特徴を考慮した循環器系に関する情報が生成される。
　第１学習済みモデル２１１により考慮される特徴は、例えば、描出状態に関する特徴、描出対象に関する特徴などを含んでいてよい。描出状態に関する特徴としては、色調、輝度などがある。描出対象に関する特徴としては、眼底血管に関する特徴、視神経乳頭に関する特徴、黄斑に関する特徴などがある。
　本態様では、循環器系に関する情報を生成するために、特に眼底血管に関する特徴が考慮される。眼底血管に関する特徴としては、分布、太さ（血管径）、屈曲度（走行性）、出血などがある。例えば、敗血症やＤＩＣの患者の眼画像データから、網膜の微小血管の破綻、出血、走行異常などの特徴が検出される可能性がある。
　一つの態様として、光コヒーレンストモグラフィ血管造影画像データなど、眼底の形態（構造）を表す画像データが取得された場合の例を説明する。この場合、第１学習済みモデル２１１は、例えば、光コヒーレンストモグラフィ血管造影画像データ及び診断結果データを含む訓練データを用いた機械学習によって構築された畳み込みニューラルネットワークを含む。なお、訓練データは、蛍光造影眼底画像データなど、任意の画像データを含んでいてもよい。本態様の畳み込みニューラルネットワークは、例えば、光コヒーレンストモグラフィ血管造影画像データが入力される入力層と、入力された光コヒーレンストモグラフィ血管造影画像データにフィルタリング（畳み込み）を適用して血管構造に関する特徴マップを作成する畳み込み層と、畳み込み層で得られた血管構造の特徴を保持しつつデータ圧縮を行うプーリング層と、プーリング層で得られた全てのデータから血管構造の特徴的所見を抽出し判定を行う全結合層と、全結合層で得られたデータを出力する出力層とを含んでいる。データ取得部１０により取得された光コヒーレンストモグラフィ血管造影画像データを第１学習済みモデル２１１に入力することにより、眼底の血管構造を考慮した循環器系に関する情報が生成される。
　他の態様として、カラー眼底画像データが取得された場合の例を説明する。この場合、第１学習済みモデル２１１は、例えば、カラー眼底画像データ及び診断結果データを含む訓練データを用いた機械学習によって構築された畳み込みニューラルネットワークを含む。本態様の畳み込みニューラルネットワークは、例えば、カラー眼底画像データが入力される入力層と、入力されたカラー眼底画像データにフィルタリング（畳み込み）を適用して色情報（例えば、Ｒ値、Ｇ値、Ｂ値）に関する特徴マップを作成する畳み込み層と、畳み込み層で得られた色情報の特徴を保持しつつデータ圧縮を行うプーリング層と、プーリング層で得られた全てのデータから色情報の特徴的所見を抽出し判定を行う全結合層と、全結合層で得られたデータを出力する出力層とを含んでいる。データ取得部１０により取得されたカラー眼底画像データを第１学習済みモデル２１１に入力することにより、眼底の色調を考慮した循環器系に関する情報が生成される。
　第２学習済みモデル２１２は、所定のモダリティを用いて眼底から取得された眼画像データを処理して生成されたデータと診断結果データとを含む訓練データを用いた機械学習により構築されたものである。
　眼画像データを処理して生成されたデータが画像データである場合、第２学習済みモデル２１２は、例えば、畳み込みニューラルネットワークを含む。この畳み込みニューラルネットワークは、例えば、眼画像データを処理して生成された画像データが入力される入力層と、入力された眼画像データにフィルタリング（畳み込み）を適用して特徴マップを作成する畳み込み層と、畳み込み層で得られた特徴を保持しつつデータ圧縮を行うプーリング層と、プーリング層で得られた全てのデータから特徴的所見を抽出し判定を行う全結合層と、全結合層で得られたデータを出力する出力層とを含んでいる。データ取得部１０により取得された眼画像データを処理して生成されたデータを第２学習済みモデル２１２に入力することにより、所定の特徴を考慮した循環器系に関する情報が生成される。第２学習済みモデル２１２により考慮される特徴は、第１学習済みモデル２１１により考慮される特徴と同じでもよいし、それとは異なっていてもよい。
　第２学習済みモデル２１２に入力されるデータは画像データに限定されず、例えば、数値データ、分布データ、時系列データなどであってもよい。画像データ以外の形態のデータが第２学習済みモデル２１２に入力される場合、第２学習済みモデル２１２は、入力されるデータの形態や考慮される特徴に応じて構築される。例えば、波形データや経過観察データのような時系列データを処理する場合、第２学習済みモデル２１２は、再帰型ニューラルネットワーク（ＲＮＮ）を含んでいてよい。
　推論処理部２１０に入力されるデータが動画データである場合、動画データを処理する学習済みモデルは、例えば、畳み込みニューラルネットワークと再帰型ニューラルネットワークとを組み合わせた構造を有していてよい。
　眼血流データ処理部２２は、例えば、前述したような医学的知見に少なくとも基づき作成されたプログラムにしたがって動作するプロセッサを含んでいてよい。この場合、眼血流データ処理部２２は、データ取得部１０により患者の眼底から取得されたデータ（眼血流データ）を少なくともこのプロセッサで処理することによって、患者の循環器系に関する情報を生成することができる。
　プロセッサに入力される眼血流データは、例えば、光コヒーレンストモグラフィ血流計測で取得されたデータであってよい。光コヒーレンストモグラフィ血流計測で取得されるデータは、例えば、血流動態（血流速、血流量など）の時系列変化を表す波形の画像データ、血流動態の空間分布を表すマップの画像データ、血流動態の空間分布と時系列変化との双方を表す画像データ、血流動態の時系列変化を表す数値と時刻との一連の組（一連のペア）、血流動態の空間分布を表す数値と座標との一連の組（一連のペア）、血流動態の空間分布と時系列変化との双方を表す数値と座標と時刻との一連の組（一連のトリプレット）などであってよい。プロセッサから出力される情報は、例えば、前述したように、血栓形成傾向に関する情報、血栓症状に関する情報、感染症に随伴する循環器系の状態に関する情報、敗血症に関する状態を示す情報、ＤＩＣに関する状態を示す情報、血栓に関する状態を示す情報、及び、血管閉塞に関する状態を示す情報のいずれかであってよい。
　眼血流データ処理部２２は、例えば、前述したような医学的知見に少なくとも基づく機械学習により構築された学習済みモデルを含んでいてよい。この場合、眼血流データ処理部２２は、データ取得部１０により患者の眼底から取得されたデータ（眼血流データ）を少なくともこの学習済みモデルを用いて処理することによって、患者の循環器系に関する情報を生成することができる。
　学習済みモデルに入力される眼血流データは、例えば、上記したプロセッサの場合と同様に、光コヒーレンストモグラフィ血流計測で取得されたデータであってよい。学習済みモデルから出力される情報も、例えば、上記したプロセッサの場合と同様の情報であってよい。
　機械学習を利用して構成された眼血流データ処理部２２の例を図６に示す。本例の眼血流データ処理部２２は、推論処理部２２０を含む。推論処理部２２０は、臨床データ（眼血流データ及び診断結果データ）を含む訓練データを用いた機械学習によって構築された学習済みモデルを用いて、データ取得部１０により取得された眼血流データから患者の循環器系に関する情報を導出する推論処理を実行するように構成されている。
　訓練データに含まれる眼血流データは、例えば、データ取得部１０の光学的モダリティと同じ光学的モダリティを用いて取得されたデータであるが、他のモダリティであってもよい。他のモダリティとしては、データ取得部１０の光学的モダリティと異なる光学的モダリティ、超音波モダリティ、電気的モダリティ、磁気的モダリティ、電磁的モダリティなどがある。訓練データに含まれる診断結果データは、例えば、関連する眼血流データに基づき医師又は他の推論モデル（学習済みモデル）によって得られたデータであってよい。
　このような訓練データに基づく機械学習（教師あり学習）によって、データ取得部１０により取得された眼血流データを入力とし、且つ、循環器系に関する推定診断データを出力とする学習済みモデル（推論モデル）を作成することができる。機械学習に用いられる訓練データは、臨床データに基づきコンピュータが作成したデータを含んでいてもよい。機械学習は転移学習を含んでいてもよい。機械学習アルゴリズムや機械学習技法については、眼画像データ処理部２１の場合と同様であってよい。
　推論処理部２２０は、このようにして得られた学習済みモデルを含んでおり、データ取得部１０により取得された眼血流データを学習済みモデルに入力し、学習済みモデルから出力された推定診断データを出力部３０に送る。
　推論処理部２２０の構成の例を図７に示す。本例の推論処理部２２０は、第１学習済みモデル２２１と、第２学習済みモデル２２２とを含んでいる。幾つかの例示的な態様において、推論処理部２２０は、第１学習済みモデル２２１及び第２学習済みモデル２２２のいずれか一方のみを含んでいてよい。特に言及しない限り、推論処理部２２０に設けられる学習モデルに関する各種の事項は、推論処理部２１０に設けられる学習モデルにおける対応する事項と同様であってよい。
　第１学習済みモデル２２１は、眼血流データ及び診断結果データを含む訓練データを用いた機械学習により構築されたものである。第１学習済みモデル２２１は、例えば、入力データの種類（態様）及び出力されるデータの種類（態様）に応じたモデルを含む。例えば、第１学習済みモデル２２１は、眼画像データ処理部２１の第１学習済みモデル２１１と同様の畳み込みニューラルネットワークを含んでいてよい。データ取得部１０により取得された眼血流データを第１学習済みモデル２２１に入力することにより、循環器系に関する情報が生成される。第１学習済みモデル２２１により考慮される特徴は、眼画像データ処理部２１の第１学習済みモデル２１１が考慮する特徴と同じでもよいし、異なってもよい。
　第２学習済みモデル２２２は、所定のモダリティを用いて眼底から取得されたデータを処理して生成されたデータと診断結果データとを含む訓練データを用いた機械学習により構築されたものである。眼底から取得されたデータを処理して生成されたデータの種類は任意であってよく、例えば、画像データ、数値データ、分布データ、時系列データなどであってよい。第２学習済みモデル２２２は、例えば、入力データの種類（態様）及び出力されるデータの種類（態様）に応じたモデルを含む。データ取得部１０により取得されたデータを処理して得られたデータを第２学習済みモデル２２２に入力することにより、循環器系に関する情報が生成される。第２学習済みモデル２２２により考慮される特徴は、眼画像データ処理部２１の第２学習済みモデル２１２が考慮する特徴と同じでもよいし、異なってもよい。また、第２学習済みモデル２２２に入力されるデータは、例えば以下の種類のいずれかであってよい：所定のモダリティを用いて眼底から取得された眼血流データを処理して生成された眼血流データ；所定のモダリティを用いて眼底から取得された眼血流データを処理して生成された、眼血流データ以外の種類のデータ；所定のモダリティを用いて眼底から取得された眼血流データ以外の種類のデータを処理して生成された眼血流データ。
　出力部３０は、データ処理部２０により実行された処理の結果を出力する。出力処理の態様は任意であり、例えば、送信、表示、記録、及び印刷のいずれかであってよい。出力部３０により出力される情報は、データ処理部２０が実行した処理の結果そのもの（患者の循環器系に関する情報）でもよいし、当該処理結果を含む情報でもよいし、当該処理結果を処理して得られた情報でもよい。例えば、医療システム１は、データ処理部２０により得られた循環器系に関する情報に基づいてレポートを作成するレポート作成部（図示せず）を更に含んでいてよい。この場合、出力部３０は、作成されたレポートを出力することができる。
　図１に例示された出力部３０は送信部３１を含んでいる。送信部３１は、データ処理部２０により実行された処理の結果を医師端末３に向けて送信する。医師端末３は、データ取得部１０に対して遠隔位置に配置されている。
　出力部３０から医師端末３へのデータの送信は、直接的な送信でもよいし、間接的な送信でもよい。直接的な送信は、処理の結果（循環器系に関する情報、レポートなど）を出力部３０から医師端末３に送信する態様である。また、間接的な送信は、処理の結果を医師端末３以外の装置（サーバ、データベースなど）に送信するとともに、当該装置を介して医師端末３に当該処理結果を提供する態様である。
　本例のように、データ取得部１０に対して遠隔位置に医師端末３を配置するとともに、データ取得部１０が患者の眼底から取得したデータに基づきデータ処理部２０が生成した情報（又はこれに基づく情報）を医師端末３に提供するように構成することで、医師（医療従事者）と患者との間のソーシャルディスタンスを確保することができ、医師（医療従事者）の感染リスクを低減することが可能となる。
＜医療システムの使用形態＞
　例示的な態様に係る医療システム１の使用形態について説明する。図８のフローチャートは、医療システム１の使用形態の例を示す。本例は学習済みモデルを利用しているが、学習済みモデルを利用しない例では学習済みモデルの構築及び搭載（ステップＳ１及びＳ２）は不要であり、例えば、それらの代わりに処理プログラムの作成及び搭載が行われる。
（Ｓ１：学習済みモデルを構築する）
　医療システム１の運用の準備として、データ処理部２０において使用される学習済みモデルを構築する。なお、この段階で行われる処理は、既に運用されている学習済みモデルの更新（パラメータの調整・更新）であってもよい。
（Ｓ２：学習済みモデルをデータ処理部に搭載する）
　医療システム１の運用の更なる準備として、ステップＳ１で構築された学習済みモデルをデータ処理部２０に搭載する。この工程では、例えば、ステップＳ１で構築された学習済みモデルが、通信回線を通じて医療システム１に送信される。
（Ｓ３：患者の眼底からデータを取得する）
　対象は、例えば、新型コロナウイルス感染症（ＣＯＶＩＤ－１９）の確定診断がなされた患者、又は、新型コロナウイルス感染症（ＣＯＶＩＤ－１９）の疑い患者であってよい。医療システム１のデータ取得部１０は、少なくとも１つの光学的モダリティを用いて患者の眼底からデータを取得する。
　データ取得部１０は、例えば、光コヒーレンストモグラフィ及び／又はカラー眼底撮影を眼底に適用することができる。光コヒーレンストモグラフィで取得されるデータは、例えば、３次元画像データ、プロジェクション画像データ、光コヒーレンストモグラフィ血管造影画像データ、及び、光コヒーレンストモグラフィ血流データのいずれかであってよい。カラー眼底撮影で取得されるデータは、例えば、眼底の形態を表すカラー正面画像データであってよい。
　この工程で実施される検査の少なくとも一部は、操作装置２を用いた遠隔検査であってよい。
（Ｓ４：データ処理部にデータを入力する）
　ステップＳ３で取得されたデータは、データ処理部２０に送られる。本例では、データ処理部２０に入力されたデータの少なくとも一部は、ステップＳ１で構築された学習済みモデルに入力される。
（Ｓ５：循環器系に関する情報を生成する）
　データ処理部２０は、ステップＳ４で入力されたデータを処理することで、患者の循環器系に関する情報を生成する。これにより、例えば、以下の情報のうちの少なくとも１つが得られる：血栓形成傾向に関する情報（血液性状に関する情報、及び／又は、血液凝固線溶系の亢進による血液性状の変化を示す情報）；血栓症状に関する情報（血管内における血流速度分布を示す方法、及び／又は、血管内に形成された構造物に関する情報）；感染症に随伴する循環器系の状態（及び／又は状態変化）に関する情報；敗血症に関する状態を示す情報；ＤＩＣに関する状態を示す情報；血栓に関する状態を示す情報；血管閉塞に関する状態を示す情報。
　データ処理部２０により生成された情報は、例えば、図２のデータ構造１００にしたがって記録される。これにより、当該患者の循環器系に関するデータパッケージが得られる。
（Ｓ６：レポートを作成する）
　医療システム１（前述した図示しないレポート作成部）は、ステップＳ５で生成された患者の循環器系に関する情報に基づいてレポートを作成する。
（Ｓ７：レポートを送信する）
　出力部３０の送信部３１は、ステップＳ６で作成されたレポートを、データ取得部１０に対して遠隔位置にある医師端末３に、又は、医療端末３に対する情報提供が可能なコンピュータに、送信する。医師端末３は、医師が使用するコンピュータに限定されず、医師以外の医療従事者が使用するコンピュータ（医療従事者端末）であってもよい。
　このような医療システム１によれば、医療従事者と患者との間のソーシャルディスタンスを確保し、患者から医療従事者への感染のリスクを低減することが可能となる。更に、医療システム１は、光コヒーレンストモグラフィやカラー眼底撮影のような非侵襲な光学的モダリティを用いて患者の眼底からデータを取得し、このデータから患者の循環器系に関する情報を生成するように構成されているので、患者の循環器系の状態を非侵襲で検知するための技術を提供することが可能である。これにより検知される循環器系の状態は、例えば、前述した医学的知見及び／又は他の医学的知見に基づくものであり、その例として、症状、重症化の兆候、重症化のリスクなどがある。
＜医療システムの第１の実施態様＞
　以上に説明した医療システム１の例示的な実施態様について説明する。本実施態様では、データ取得部１０が光コヒーレンストモグラフィを行う場合、特に光コヒーレンストモグラフィ血流計測を行う場合について説明する。前述した医学的知見に基づき、本実施態様は、光コヒーレンストモグラフィ血流計測で取得された眼血流データから血液凝固線溶系に関する情報を生成するように構成されている。特に言及しない限り、本実施態様の医療システムは、上記医療システム１と同様の構成を備えていてよい。
　本実施態様に係る医療システムの構成例を図９に示す。本例の医療システム１Ａは、データ取得部１０Ａと、データ処理部２０Ａと、出力部３０とを含む。出力部３０及び送信部３１は、それぞれ、上記医療システム１における出力部３０及び送信部３１と同様である。操作装置２及び医師端末３についても同様である。
　データ取得部１０Ａは、上記の医療システム１のデータ取得部１０の例であり、光コヒーレンストモグラフィ（ＯＣＴ）装置１１と、算出部１２とを含んでいる。
　光コヒーレンストモグラフィ装置１１は、患者の眼底に対して光コヒーレンストモグラフィ血流計測のためのスキャンを適用する。算出部１２は、このスキャンにより光コヒーレンストモグラフィ装置１１が収集したデータに基づいて眼血流データを求める。眼血流データは、スキャンが適用された位置における血流速度及び血管径を含む。光コヒーレンストモグラフィ装置１１が実行するスキャンの手法及び算出部１２が実行する演算の手法は、任意の公知の手法であってよく、例えば特開２０２０－４８７３０号公報に記載された手法を用いることができる。
　データ処理部２０Ａは、血液凝固線溶系に関する情報を生成するために、データ取得部１０Ａにより取得された眼血流データを処理する。データ処理部２０Ａの構成例を図１０に示す。本例のデータ処理部２０Ａは、壁せん断速度（Ｗａｌｌ　Ｓｈｅａｒ　Ｒａｔｅ；ＷＳＲ）算出部２３１と、記憶部２３２と、壁せん断応力（Ｗａｌｌ　Ｓｈｅａｒ　Ｓｔｒｅｓｓ；ＷＳＳ）算出部２３３と、情報生成部２３４とを含む。
　ＷＳＲ算出部２３１は、データ取得部１０Ａの算出部１２により算出された血流速度及び血管径に基づいて壁せん断速度（ＷＳＲ）を算出する。血流速度及び血管径から壁せん断速度を算出する方法は任意であり、例えば次の文献に記載された方法を用いることができる：Ｔａｉｊｉ　Ｎａｇａｏｋａ　ａｎｄ　Ａｋｉｔｏｓｈｉ　Ｙｏｓｈｉｄａ「Ｎｏｎｉｎｖａｓｉｖｅ　Ｅｖａｌｕａｔｉｏｎ　ｏｆ　Ｗａｌｌ　Ｓｈｅａｒ　Ｓｔｒｅｓｓ　ｏｎ　Ｒｅｔｉｎａｌ　Ｍｉｃｒｏｃｉｒｃｕｌａｔｉｏｎ　ｉｎ　Ｈｕｍａｎｓ」、ＩＯＶＳ．２００６、Ｖｏｌ．４７、１１１３－１１１９。なお、この文献ではレーザードップラー速度計測（ＬＤＶ）を用いて血流速度及び血管径を測定しているが、本実施態様のように光コヒーレンストモグラフィを用いて得られた血流速度及び血管径にも同様の壁せん断速度算出法を適用できることは当業者にとって明らかである。
　この文献に基づき、データ取得部１０Ａの光コヒーレンストモグラフィ装置１１は、少なくとも１心周期にわたってスキャンを適用してデータを収集する。算出部１２は、血流速度として、１心周期における（中心線）血流速度の時間平均（Ｖｍｅａｎ）を算出する。また、算出部１２は、上記の１心周期にわたるスキャンで収集されたデータから構築された断面画像データから血管径（Ｄ）を算出する。ＷＳＲ算出部２３１は、次式によって壁せん断速度（ＷＳＲ）を算出する：ＷＳＲ＝８×Ｖｍｅａｎ／Ｄ。
　算出部１２は、上記の１心周期にわたるスキャンで収集されたデータから構築された断面画像データから血管断面積（Ａｒｅａ）を算出することができる。更に、算出部１２は、血流速度の時間平均（Ｖｍｅａｎ）と血管断面積（Ａｒｅａ）とを乗算することにより血流量（ＢＦ）を算出することができる：ＢＦ＝Ｖｍｅａｎ×Ａｒｅａ。
　記憶部２３２は、血液粘度情報２３２ａを記憶する。血液粘度情報２３２ａは、血液粘度値ηを含む。血液粘度値ηは、実測値でもよいし標準値でもよい。血液粘度の測定は、例えば、円錐平板粘度計を用いて行われる。また、ヘマトクリット（Ｈｔ）、赤血球数、赤血球恒数（平均赤血球容積（ＭＣＶ）、平均赤血球色素量（ＭＣＨ）など）などの血液検査によって得られたデータから血液粘度を推定してもよい。或いは、血漿粘度などの血液パラメータに規定値を代入することによってして血液粘度を推定してもよい。標準値としては、臨床データや実験データから得られた血液粘度の値の範囲から決定された正常値や疾患値を用いることができる。
　ＷＳＳ算出部２３３は、ＷＳＲ算出部２３１により算出された壁せん断速度と、血液粘度情報２３２ａに含まれる血液粘度値とに少なくとも基づいて、壁せん断応力（ＷＳＳ）を算出する。壁せん断速度及び血液粘度値から壁せん断速度を算出する方法は任意であってよい。例えば、上記文献（Ｎａｇａｏｋａ　ａｎｄ　Ｙｏｓｈｉｄａ）に記載された方法を用いて、ＷＳＳ算出部２３３は、次式によって壁せん断応力（ＷＳＳ）を算出する：ＷＳＳ＝η×ＷＳＲ。
　情報生成部２３４は、ＷＳＳ算出部２３３により算出された壁せん断応力に少なくとも基づいて、患者の循環器系に関する情報を生成する。本実施態様では、患者の循環器系に関する情報として、血液凝固線溶系に関する情報を生成することができる。
　Ｍｉｃｈａｅｌ　Ｒ．Ｃｏｎｄｏｎ　ｅｔ　ａｌ．「Ａｐｐｅａｒａｎｃｅ　ｏｆ　ａｎ　ｅｒｙｔｈｒｏｃｙｔｅ　ｐｏｐｕｌａｔｉｏｎ　ｗｉｔｈ　ｄｅｃｒｅａｓｅｄ　ｄｅｆｏｒｍａｂｉｌｉｔｙ　ａｎｄ　ｈｅｍｏｇｌｏｂｉｎ　ｃｏｎｔｅｎｔ　ｆｏｌｌｏｗｉｎｇ　ｓｅｐｓｉｓ」、Ａｍ　Ｊ　Ｐｈｙｓｉｏｌ　Ｈｅａｒｔ　Ｃｉｒｃ　Ｐｈｙｓｉｏｌ　２８４：Ｈ２１７７－２１８４、２００３によれば、敗血症モデル動物の血液では赤血球の変形能が傷害され、壁せん断応力が増大していることが示されている。壁せん断応力の増大は血管内皮傷害を促進するため、血栓形成傾向と関連があると考えられている。このような背景に基づき、情報生成部２３４は、ＷＳＳ算出部２３３により算出された壁せん断応力の値を評価し、その結果を含む情報を生成することが可能である。
　なお、血液粘度として標準値（既定値、デフォルト値）が採用される場合、つまり、上記の式「ＷＳＳ＝η×ＷＳＲ」においてηは一定と仮定する場合、ＷＳＲの値とＷＳＳの値とは一対一に対応する。したがって、この場合には、記憶部２３２及びＷＳＳ算出部２３３を設ける必要はなく、更に、情報生成部２３４は、ＷＳＲ算出部２３１により算出された壁せん断速度の値に基づいて患者の循環器系に関する情報（血液凝固線溶系に関する情報）を生成するように構成されてよい。
＜医療システムの第２の実施態様＞
　医療システム１の他の例示的な実施態様について説明する。本実施態様は、第１の実施態様と同様に、データ取得部１０は光コヒーレンストモグラフィ血流計測を実行し、それにより取得された眼血流データから血液凝固線溶系に関する情報を生成するとともに、血管内に形成された構造物に関する情報を生成する。特に言及しない限り、本実施態様の医療システムは、上記した医療システム１及び／又は１Ａと同様の構成を備えていてよい。
　本実施態様に係る医療システムの構成例を図１１に示す。本例の医療システム１Ｂは、データ取得部１０Ｂと、データ処理部２０Ｂと、出力部３０とを含む。出力部３０及び送信部３１は、それぞれ、上記医療システム１における出力部３０及び送信部３１と同様である。操作装置２及び医師端末３についても同様である。
　データ取得部１０Ｂは、上記の医療システム１のデータ取得部１０の例であり、光コヒーレンストモグラフィ（ＯＣＴ）装置１３と、血流情報生成部１４とを含んでいる。
　光コヒーレンストモグラフィ装置１３は、患者の眼底に対して光コヒーレンストモグラフィ血流計測のためのスキャンを適用する。光コヒーレンストモグラフィ装置１３は、患者の眼底の所定領域に光コヒーレンストモグラフィスキャンを繰り返し適用して時系列データを収集する。この光コヒーレンストモグラフィスキャンは、少なくとも１つの位置（Ａライン）に対するＡスキャンを含み、例えば、複数の位置に対するＡスキャン、Ｂスキャン、サークルスキャンなどであってよい。これにより、それぞれのスキャン適用位置に対応する時系列データが得られる。
　血流情報生成部１４は、光コヒーレンストモグラフィ装置１３により収集された時系列に基づいて眼血流データを生成する。眼血流データは、血流速度の空間分布及び時間変化を表す血流情報を含む。血流速度の分布が定義される空間は、１次元空間、２次元空間、及び３次元空間のいずれでもよい。血流速度の時間変化は、空間の各点（各位置）について定義される。このように、血流情報生成部１４により得られる血流情報は、光コヒーレンストモグラフィ血流計測が適用された血管の内部の１次元空間、２次元空間、又は３次元空間の各点における血流速度の時間変化を表現している。このような血流情報は、例えば、Ｒｏｂｅｒｔ　Ｓ．Ｒｅｎｅｍａｎ　ａｎｄ　Ａｒｎｏｌｄ　Ｐ．Ｇ．Ｈｏｅｋｓ「Ｗａｌｌ　ｓｈｅａｒ　ｓｔｒｅｓｓ　ａｓ　ｍｅａｓｕｒｅｄ　ｉｎ　ｖｉｖｏ：ｃｏｎｓｅｑｕｅｎｃｅｓ　ｆｏｒ　ｔｈｅ　ｄｅｓｉｇｎ　ｏｆ　ｔｈｅ　ａｒｔｅｒｉａｌ　ｓｙｓｔｅｍ」、Ｍｅｄ　Ｂｉｏｌ　Ｅｎｇ　Ｃｏｍｐｕｔ（２００８）　４６：４９９－５０７に記載されている。
　データ処理部２０Ｂは、データ取得部１０Ａにより取得された眼血流データ（血流情報）を処理することによって、血液凝固線溶系に関する情報を生成することができる。また、データ処理部２０Ｂは、データ取得部１０Ａにより取得された眼血流データ（血流情報）を処理することによって、血管内に形成された構造物に関する情報を生成することができる。
　データ処理部２０Ｂの構成例を図１２に示す。本例のデータ処理部２０Ｂは、壁せん断速度（ＷＳＲ）情報生成部２３５と、記憶部２３６と、壁せん断応力（ＷＳＳ）情報生成部２３７と、情報生成部２３８とを含む。
　ＷＳＲ情報生成部２３５は、データ取得部１０Ｂの血流情報生成部１４により生成された血流情報に少なくとも基づいて、壁せん断速度（ＷＳＲ）の空間分布及び時間変化を表すＷＳＲ情報を生成する。血流速度の空間分布及び時間変化を表す血流情報から、壁せん断速度の空間分布及び時間変化を表すＷＳＲ情報を生成する方法は任意であり、例えば上記文献（Ｒｏｂｅｒｔ　Ｓ．Ｒｅｎｅｍａｎ　ａｎｄ　Ａｒｎｏｌｄ　Ｐ．Ｇ．Ｈｏｅｋｓ）に記載された方法を用いることができる。
　記憶部２３６は、血液粘度情報２３６ａを記憶する。血液粘度情報２３６ａは、第１の実施態様の血液粘度情報２３２ａと同様に単一の値（η）であってもよいし、少なくとも対象空間（血流速度の分布が定義される空間）における血液粘度値の分布であってもよい。なお、単一の血液粘度値（η）は、対象空間における血液粘度分布が一様（一定）である場合に相当する。
　ＷＳＳ情報生成部２３７は、ＷＳＲ情報生成部２３５により生成されたＷＳＲ情報と、血液粘度分布情報２３６ａとに少なくとも基づいて、壁せん断応力（ＷＳＳ）の空間分布及び時間変化を表すＷＳＳ情報を生成する。ＷＳＳ情報の生成方法は任意であってよい。例えば、ＷＳＳ情報生成部２３７は、第１の実施態様と同様に、対象空間の各点について、壁せん断速度の値と血液粘度の値とを乗算することによってＷＳＳ情報を生成することができる。
　情報生成部２３８は、データ取得部１０Ｂの血流情報生成部１４により生成された血流情報と、ＷＳＳ情報生成部２３７により生成されたＷＳＳ情報とに少なくとも基づいて、血管内に形成された構造物（血栓、血栓形成傾向など）に関する情報を生成することができる。また、情報生成部２３８は、データ取得部１０Ｂの血流情報生成部１４により生成された血流情報と、ＷＳＲ情報生成部２３５により生成されたＷＳＲ情報とに少なくとも基づいて、血管内に形成された構造物に関する情報を生成することができる。また、情報生成部２３８は、データ取得部１０Ｂの血流情報生成部１４により生成された血流情報、ＷＳＲ情報生成部２３５により生成されたＷＳＲ情報、及び、ＷＳＳ情報生成部２３７により生成されたＷＳＳ情報のいずれか（及び、他の情報）に基づいて、血液凝固線溶系に関する情報を生成することができる。
＜医療情報処理装置及び医療システム＞
　例示的な態様の医療情報処理装置及びそれを含む医療システムの例を説明する。特に言及しない限り、以下の態様に係る要素は、上記した医療システム１、１Ａ及び１Ｂのいずれかの要素と同様であってよい。
　図１３に示す例示的な医療情報処理装置５は、データ受付部５１と、データ処理部５２と、出力部５３とを含んでいる。本態様の医療情報処理装置５の外部には、データ取得装置６と、操作装置７と、通信装置８と、医師端末９とが設けられている。
　データ取得装置６は、少なくとも１つの光学的方法を用いて患者の眼底からデータを取得する。操作装置７は、医療従事者がデータ取得装置６（検査装置）を操作するために使用される。幾つかの例示的な態様において、操作装置７は、データ取得装置６から離れた位置に設けられており、データ取得装置６を遠隔操作するために使用される。通信装置８は、データ取得装置６により取得されたデータを医療情報処理装置５に送信する。幾つかの例示的な態様において、医師端末９は、データ取得装置６に対して遠隔位置に配置されている。
　医療情報処理装置５のデータ受付部５１は、少なくとも１つの光学的方法を用いて患者の眼底から取得されたデータを受け付ける。本態様では、データ受付部５１は、データ取得装置６により取得されて通信装置８により送信されたデータを受け付ける。図１３の例では、データ取得装置６から通信装置８を介してデータ受付部５１にデータが送られるが、医療情報処理装置５に対するデータ入力態様はこれに限定されない。例えば、データ取得装置６により取得されたデータをデータベースなどに保存し、このデータベースからデータ受付部５１にデータが送られるように構成してもよい。データ受付部５１は、例えば、通信回線に接続するための通信機器、記録媒体に記録されたデータを読み出すドライブ装置などを含んでいてよい。
　データ処理部５２は、患者の循環器系に関する情報を生成するために、データ受付部５１により受け付けられたデータを処理するように構成されている。出力部５３は、データ処理部５２により生成された患者の循環器系に関する情報を出力する。本例の出力部５３は、送信部５４を含む。送信部５４は、データ処理部５２により生成された患者の循環器系に関する情報を、データ取得装置６に対して遠隔位置にある医師端末９に向けて送信することができる。
　前述した医療システム１、１Ａ及び１Ｂのいずれかについて説明された任意の事項を医療情報処理装置５又はこれを含む医療システムに組み合わせることが可能である。
　このような医療情報処理装置５及びこれを含む医療システムによれば、医療従事者と患者との間のソーシャルディスタンスを確保し、患者から医療従事者への感染のリスクを低減することが可能となる。更に、医療情報処理装置５及びこれを含む医療システムによれば、光コヒーレンストモグラフィやカラー眼底撮影のような非侵襲な光学的モダリティを用いて患者の眼底からデータを取得し、このデータから患者の循環器系に関する情報を生成するように構成されているので、患者の循環器系の状態を非侵襲で検知するための技術を提供することが可能である。これにより検知される循環器系の状態は、例えば、前述した医学的知見及び／又は他の医学的知見に基づくものであり、その例として、症状、重症化の兆候、重症化のリスクなどがある。
＜まとめ＞
　以上に説明したように、本開示に係る技術は、光コヒーレンストモグラフィ血流計測、光コヒーレンストモグラフィ血管造影、カラー眼底撮影などの非侵襲な光学的眼科モダリティを用いて、血管の炎症の傾向、血栓形成の傾向、敗血症の傾向、ＤＩＣの傾向など、循環器系に関する状態を検知するものである。例えば、感染症などに伴う血液凝固傾向における血液性状の変化を、光コヒーレンストモグラフィ血流計測で得られた血流速や血管径から求められる壁せん断速度や壁せん断応力に基づき検知することや、血管断面における血流速の空間分布及び時間変化（血流速プロファイルの時間変化）に基づき検知することが可能である。また、機械学習により構築された学習済みモデルにこれらのデータを入力して、感染症の重症化などに関する指標を出力することが可能である。これにより、病状変化の非侵襲での早期検出や、各種診断支援情報の提供が可能となる。
　例えば新型コロナウイルス感染症（ＣＯＶＩＤ－１９）の患者は、肺を中心に、様々な臓器の微小血管内に血栓が生じることが指摘されている。また、血栓の一因となる血管凝固の亢進を示す各種の血管検査数値と、重症化との間の相関が指摘されている。新型コロナウイルス感染症の重症化の流れは次のようなものと考えられる：（１）感染；（２）急激な免疫反応・炎症；（３）ＤＩＣ；（４）多臓器での血管形成；（５）脳梗塞・心筋梗塞・多臓器不全などによる死亡。ここで（２）～（４）が急激に進行するケースも知られている。（２）急激な免疫反応・炎症においては、血小板の減少、Ｄ－ダイマーの上昇、フィブリノゲンの低下、プロトロンビン時間（ＰＴ時間）の延長など、様々な凝固系の異常が血液検査によって検出される。
　本開示に係る技術は、網膜血管の血流動態（血流速度、血流量、血流波形の形状など）の非侵襲で検出し、そのデータから壁せん断応力や血栓（末梢血管閉塞）などを評価することによって、新型コロナウイルス感染症（ＣＯＶＩＤ－１９）の重症化のリスクを早期に検知するものである。
　機械学習で構築された学習済みモデルを用いて評価を行う場合、例えば、各種の血液検査数値と血流動態情報（血流速度、血流量、血流波形の形状など）との相関関係が教師データとして用いられる。これにより、血流動態情報を入力とし、血液検査数値を出力とする学習済みモデルが構築される。光コヒーレンストモグラフィ血流計測を用いて患者の眼底から取得された眼血流データ（血流動態情報）をこの学習済みモデルに入力することで、血液検査数値を推定することが可能となる。
　入力データと出力データとの組み合わせは本例に限定されず、医学的知見や背景に基づいて任意に決定することが可能である。例えば、入力データは、カラー眼底画像データ、光コヒーレンストモグラフィ血管造影画像データ、他の光コヒーレンストモグラフィ画像データ（例えば、形態画像データ及び／又は機能画像データ）などであってもよい。また、出力データは、重症度、重症リスクの大きさ、血液検査以外の検査の数値などであってもよい。
　このように、本開示に係る技術は、全身に血管障害・血行障害が生じる疾患について、微小血管や血流に生じる異常を非侵襲なモダリティを用いて早期に検知することが可能である。
１、１Ａ、１Ｂ　医療システム
２　操作装置
３　医師端末
１０、１０Ａ、１０Ｂ　データ取得部
１１、１３　光コヒーレンストモグラフィ装置
１２　算出部
１４　血流情報生成部
２０、２０Ａ、２０Ｂ　データ処理部
２１　眼画像データ処理部
２１０　推論処理部
２１１　第１学習済みモデル
２１２　第２学習済みモデル
２２　眼血流データ処理部
２２０　推論処理部
２２１　第１学習済みモデル
２２２　第２学習済みモデル
２３１　ＷＳＲ算出部
２３２　記憶部
２３２ａ　血液粘度情報
２３３　ＷＳＳ算出部
２３４　情報生成部
２３５　ＷＳＲ情報生成部
２３６　記憶部
２３６ａ　血液粘度情報
２３７　ＷＳＳ情報生成部
２３８　情報生成部
３０　出力部
３１　送信部

 

Claims (29)

  1. 　少なくとも１つの光学的方法を用いて患者の眼底からデータを取得するデータ取得部と、
    　前記患者の循環器系に関する情報を生成するために、前記データ取得部により取得された前記データを処理するデータ処理部と
    　を含む、医療システム。
  2. 　前記循環器系に関する情報は、血栓形成傾向に関する情報を含む、
    　請求項１の医療システム。
  3. 　前記血栓形成傾向に関する情報は、血液性状に関する情報を含む、
    　請求項２の医療システム。
  4. 　前記血液性状に関する情報は、血液凝固線溶系の亢進による血液性状の変化を示す情報を含む、
    　請求項３の医療システム。
  5. 　前記循環器系に関する情報は、血栓症状に関する情報を含む、
    　請求項１の医療システム。
  6. 　前記血栓症状に関する情報は、血管内における血流速度の分布を示す情報を含む、
    　請求項５の医療システム。
  7. 　前記血栓症状に関する情報は、血管内に形成された構造物に関する情報を含む、
    　請求項５の医療システム。
  8. 　前記循環器系に関する情報は、感染症に随伴する循環器系の状態に関する情報を含む、
    　請求項１の医療システム。
  9. 　前記循環器系に関する情報は、敗血症に関する状態を示す情報、播種性血管内凝固症候群（ＤＩＣ）に関する状態を示す情報、血栓に関する状態を示す情報、及び血管閉塞に関する状態を示す情報のうちの少なくとも１つを含む、
    　請求項１の医療システム。
  10. 　前記少なくとも１つの光学的手法は、光コヒーレンストモグラフィ血流計測（ＯＣＴ血流計測）、光コヒーレンストモグラフィ血管造影（ＯＣＴ－Ａ）、及びカラー眼底撮影のうちの少なくとも１つを含む、
    　請求項１の医療システム。
  11. 　前記少なくとも１つの光学的手法は、前記ＯＣＴ血流計測を含み、
    　前記データ処理部は、前記ＯＣＴ血流計測で取得された血流データに少なくとも基づいて、血液凝固線溶系に関する情報を生成する、
    　請求項１０の医療システム。
  12. 　前記データ取得部は、
    　前記眼底に光コヒーレンストモグラフィ（ＯＣＴ）スキャンを適用してデータを収集するＯＣＴ装置と、
    　前記ＯＣＴ装置により収集された前記データに少なくとも基づいて血流速度及び血管径を算出する算出部と
    　を含み、
    　前記データ処理部は、前記算出部により算出された前記血流速度及び前記血管径に少なくとも基づいて前記血液凝固線溶系に関する情報を生成する、
    　請求項１１の医療システム。
  13. 　前記データ処理部は、前記血流速度及び前記血管径に少なくとも基づいて壁せん断速度（ＷＳＲ）を算出するＷＳＲ算出部を含む、
    　請求項１２の医療システム。
  14. 　前記データ処理部は、
    　予め取得された血液粘度情報を記憶する記憶部と、
    　前記壁せん断速度及び前記血液粘度情報に少なくとも基づいて壁せん断応力（ＷＳＳ）を算出するＷＳＳ算出部と
    　を更に含む、
    　請求項１３の医療システム。
  15. 　前記データ取得部は、
    　前記眼底の所定領域に光コヒーレンストモグラフィ（ＯＣＴ）スキャンを繰り返し適用して時系列データを収集するＯＣＴ装置と、
    　前記ＯＣＴ装置により収集された前記時系列データに少なくとも基づいて、血流速度の空間分布及び時間変化を表す血流情報を生成する血流情報生成部と
    　を含み、
    　前記データ処理部は、前記血流情報生成部により生成された前記血流情報に少なくとも基づいて前記血液凝固線溶系に関する情報を生成する、
    　請求項１１の医療システム。
  16. 　前記データ処理部は、前記血流情報に少なくとも基づいて、血管内に形成された構造物に関する情報を生成する、
    　請求項１５の医療システム。
  17. 　前記データ処理部は、前記血流情報に少なくとも基づいて、壁せん断速度（ＷＳＲ）の空間分布及び時間変化を表すＷＳＲ情報を生成するＷＳＲ情報生成部を含む、
    　請求項１５の医療システム。
  18. 　前記データ処理部は、前記血流情報及び前記ＷＳＲ情報に少なくとも基づいて、血管内に形成された構造物に関する情報を生成する、
    　請求項１７の医療システム。
  19. 　前記データ処理部は、
    　予め取得された血液粘度分布情報を記憶する記憶部と、
    　前記ＷＳＲ情報及び前記血液粘度分布情報に少なくとも基づいて、壁せん断応力（ＷＳＳ）の空間分布及び時間変化を表すＷＳＳ情報を生成するＷＳＳ情報生成部と
    　を更に含む、
    　請求項１７の医療システム。
  20. 　前記データ処理部は、前記血流情報及び前記ＷＳＳ情報に少なくとも基づいて、血管内に形成された構造物に関する情報を生成する、
    　請求項１９の医療システム。
  21. 　前記データ処理部は、前記少なくとも１つの光学的方法を用いて眼底から取得された第１データと診断結果データとを含む第１訓練データを用いた機械学習によって構築された第１学習済みモデルを用いて、前記データ取得部により前記患者の前記眼底から取得された前記データを入力とし前記患者の循環器系に関する情報を出力とする推論処理を実行する第１推論処理部を含む、
    　請求項１の医療システム。
  22. 　前記データ処理部は、前記少なくとも１つの光学的方法を用いて眼底から取得された第１データを処理して生成された第２データと診断結果データとを含む第２訓練データを用いた機械学習によって構築された第２学習済みモデルを用いて、前記データ取得部により前記患者の前記眼底から取得された前記データを処理して生成されたデータを入力とし前記患者の循環器系に関する情報を出力とする推論処理を実行する第２推論処理部を含む、
    　請求項１の医療システム。
  23. 　前記データ取得部に対して遠隔位置にある医師端末に向けて、前記データ処理部により生成された前記循環器系に関する情報を送信する送信部を更に含む、
    　請求項１の医療システム。
  24. 　前記医師端末を更に含む、
    　請求項２３の医療システム。
  25. 　前記データ取得部を遠隔操作するための操作部を更に含む、
    　請求項１の医療システム。
  26. 　少なくとも１つの光学的方法を用いて患者の眼底から取得されたデータを受け付けるデータ受付部と、
    　前記患者の循環器系に関する情報を生成するために、前記データ受付部により受け付けられた前記データを処理するデータ処理部と
    　を含む、医療情報処理装置。
  27. 　前記データの取得が行われた場所に対して遠隔位置にある医師端末に向けて、前記データ処理部により生成された前記循環器系に関する情報を送信する第１送信部を更に含む、
    　請求項２６の医療情報処理装置。
  28. 　請求項２７の医療情報処理装置と、
    　前記医師端末と
    　を含む、医療システム。
  29. 　前記少なくとも１つの光学的方法を用いて前記患者の前記眼底からデータを取得するデータ取得装置と、
    　前記データ取得装置により取得された前記データを前記医療情報処理装置に送信する第２送信部と
    　を更に含み、
    　前記データ受付部は、前記第２送信部により送信された前記データを受け付け、
    　前記データ処理部は、前記第２送信部により送信され前記データ受付部により受け付けられた前記データを、前記患者の循環器系に関する情報を生成するために処理する、
    　請求項２８の医療システム。

     
PCT/JP2021/034457 2020-09-28 2021-09-21 医療システム及び医療情報処理装置 Ceased WO2022065264A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP21872393.0A EP4220653A4 (en) 2020-09-28 2021-09-21 MEDICAL SYSTEM AND MEDICAL INFORMATION PROCESSING DEVICE
CN202180066272.XA CN116457888A (zh) 2020-09-28 2021-09-21 医疗系统以及医疗信息处理装置
US18/028,755 US12521012B2 (en) 2020-09-28 2021-09-21 Medical system and medical information processing apparatus
US19/336,561 US20260013721A1 (en) 2020-09-28 2025-09-23 Optical coherence tomography for eye fundus imaging to determine blood coagulation and fibrinolytic from ocular blood flow data

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020161990A JP7710669B2 (ja) 2020-09-28 2020-09-28 医療システム及び医療情報処理装置
JP2020-161990 2020-09-28

Related Child Applications (2)

Application Number Title Priority Date Filing Date
US18/028,755 A-371-Of-International US12521012B2 (en) 2020-09-28 2021-09-21 Medical system and medical information processing apparatus
US19/336,561 Continuation US20260013721A1 (en) 2020-09-28 2025-09-23 Optical coherence tomography for eye fundus imaging to determine blood coagulation and fibrinolytic from ocular blood flow data

Publications (1)

Publication Number Publication Date
WO2022065264A1 true WO2022065264A1 (ja) 2022-03-31

Family

ID=80846487

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/034457 Ceased WO2022065264A1 (ja) 2020-09-28 2021-09-21 医療システム及び医療情報処理装置

Country Status (5)

Country Link
US (2) US12521012B2 (ja)
EP (1) EP4220653A4 (ja)
JP (2) JP7710669B2 (ja)
CN (1) CN116457888A (ja)
WO (1) WO2022065264A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20250342450A1 (en) * 2024-05-03 2025-11-06 Schlumberger Technology Corporation Systems and methods for product circularity

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230404411A1 (en) * 2020-10-09 2023-12-21 Biofluid Technology, Inc. Rapid Profile Viscometer Devices And Methods
US20230414123A1 (en) * 2020-11-17 2023-12-28 Case Western Reserve University System and method for measuring blood flow velocity on a microfluidic chip
JP2024014482A (ja) * 2022-07-22 2024-02-01 キヤノン株式会社 撮影システム、撮影制御方法、及びプログラム

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002153487A (ja) 2000-11-17 2002-05-28 Topcon Corp 顕微鏡
JP2014226156A (ja) 2013-05-17 2014-12-08 株式会社トプコン 走査型レーザ検眼鏡
US20150348287A1 (en) * 2014-04-28 2015-12-03 Northwestern University Devices, methods, and systems of functional optical coherence tomography
JP2016123605A (ja) 2014-12-26 2016-07-11 積水化学工業株式会社 感染症リスク判定システム
US20180289253A1 (en) * 2015-05-22 2018-10-11 Indiana University Research & Technology Corporation Methods and systems for patient specific identification and assessmentof ocular disease risk factors and treatment efficacy
JP2019054994A (ja) 2017-09-21 2019-04-11 株式会社トプコン 眼科撮影装置、眼科情報処理装置、プログラム、及び記録媒体
JP2019058495A (ja) 2017-09-27 2019-04-18 株式会社トプコン 眼科装置、眼科画像処理方法、プログラム、及び記録媒体
US20190272631A1 (en) * 2018-03-01 2019-09-05 Carl Zeiss Meditec, Inc. Identifying suspicious areas in ophthalmic data
JP2019154988A (ja) 2018-03-16 2019-09-19 株式会社トプコン 眼科撮影装置、その制御方法、プログラム、及び記録媒体
JP2019213734A (ja) 2018-06-13 2019-12-19 株式会社トプコン スリットランプ顕微鏡及び眼科システム
JP2020044027A (ja) 2018-09-18 2020-03-26 株式会社トプコン 眼科装置、その制御方法、プログラム、及び記録媒体
JP2020048730A (ja) 2018-09-26 2020-04-02 株式会社トプコン 血流計測装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0903144A4 (en) * 1996-04-17 2001-10-31 Sumitomo Pharma MEDICINE AGAINST RETAL SKIN NEUROPATHY
JP4803520B2 (ja) 2006-12-01 2011-10-26 株式会社産学連携機構九州 血流速度画像化装置
JP5627260B2 (ja) * 2009-05-22 2014-11-19 キヤノン株式会社 撮像装置および撮像方法
EP2441390B1 (en) * 2009-06-09 2017-03-01 National Institute of Advanced Industrial Science And Technology Device for examining vascular function
US20130271728A1 (en) * 2011-06-01 2013-10-17 Tushar Mahendra Ranchod Multiple-lens retinal imaging device and methods for using device to identify, document, and diagnose eye disease
EP3331427A1 (en) 2015-08-07 2018-06-13 Northwestern University Systems and methods for functional optical coherence tomography
WO2017062484A1 (en) * 2015-10-09 2017-04-13 Silbermann Emeric Method for arriving at diagnoses of illnesses through comparison of retina images
KR101746763B1 (ko) * 2016-02-01 2017-06-14 한국과학기술원 망막 또는 맥락막 내 혈관조영 광가간섭 단층촬영 장치 및 이를 이용한 질병 진단방법
US10307050B2 (en) * 2017-04-11 2019-06-04 International Business Machines Corporation Early prediction of hypertensive retinopathy
CN108771530B (zh) * 2017-05-04 2021-03-30 深圳硅基智能科技有限公司 基于深度神经网络的眼底病变筛查系统
CN111787843B (zh) 2018-01-31 2023-07-21 株式会社拓普康 血流测量装置
CN111428070A (zh) * 2020-03-25 2020-07-17 南方科技大学 眼科案例的检索方法、装置、服务器及存储介质
US20220039654A1 (en) 2020-08-10 2022-02-10 Welch Allyn, Inc. Eye imaging devices

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002153487A (ja) 2000-11-17 2002-05-28 Topcon Corp 顕微鏡
JP2014226156A (ja) 2013-05-17 2014-12-08 株式会社トプコン 走査型レーザ検眼鏡
US20150348287A1 (en) * 2014-04-28 2015-12-03 Northwestern University Devices, methods, and systems of functional optical coherence tomography
JP2016123605A (ja) 2014-12-26 2016-07-11 積水化学工業株式会社 感染症リスク判定システム
US20180289253A1 (en) * 2015-05-22 2018-10-11 Indiana University Research & Technology Corporation Methods and systems for patient specific identification and assessmentof ocular disease risk factors and treatment efficacy
JP2019054994A (ja) 2017-09-21 2019-04-11 株式会社トプコン 眼科撮影装置、眼科情報処理装置、プログラム、及び記録媒体
JP2019058495A (ja) 2017-09-27 2019-04-18 株式会社トプコン 眼科装置、眼科画像処理方法、プログラム、及び記録媒体
US20190272631A1 (en) * 2018-03-01 2019-09-05 Carl Zeiss Meditec, Inc. Identifying suspicious areas in ophthalmic data
JP2019154988A (ja) 2018-03-16 2019-09-19 株式会社トプコン 眼科撮影装置、その制御方法、プログラム、及び記録媒体
JP2019213734A (ja) 2018-06-13 2019-12-19 株式会社トプコン スリットランプ顕微鏡及び眼科システム
JP2020044027A (ja) 2018-09-18 2020-03-26 株式会社トプコン 眼科装置、その制御方法、プログラム、及び記録媒体
JP2020048730A (ja) 2018-09-26 2020-04-02 株式会社トプコン 血流計測装置

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
"COVID-19 and Coagulopathy: Frequently Asked Questions", AMERICAN SOCIETY OF HEMATOLOGY
"Guideline for clinical practice of novel coronavirus disease 2020 19-COVID 2nd edition", JAPANESE MINISTRY OF HEALTH, LABOUR AND WELFARE WEBSITE
"Is disseminated intravascular coagulation (DIC) involved in deaths caused by novel coronavirus pneumonia?", JAPAN MEDICAL JOURNAL WEBSITE, Retrieved from the Internet <URL:https://www.jmedj.co.jp/journal/paper/detail.php?id=14500>
"Manual for serious side effects by disease: Disseminated Intravascular Coagulation", June 2007
"Many severe COVID-19 patients are inferred to be suffering from sepsis", JAPAN MEDICAL JOURNAL
MICHAEL R. CONDON ET AL.: "Appearance of an erythrocyte population with decreased deformability and hemoglobin content following sepsis", AM J PHYSIOL HEART CIRC PHYSIOL, vol. 284, 2003, pages H2177 - 2184
ROBERT S. RENEMANARNOLD P. G. HOEKS: "Wall shear stress as measured in vivo: consequences for the design of the arterial system", MED BIOL ENG COMPUT, vol. 46, 2008, pages 499 - 507, XP036187268, DOI: 10.1007/s11517-008-0330-2
See also references of EP4220653A4
TAIJI NAGAOKAAKITOSHI YOSHIDA: "Noninvasive Evaluation of Wall Shear Stress on Retinal Microcirculation in Humans", IOVS, vol. 47, 2006, pages 1113 - 1119

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20250342450A1 (en) * 2024-05-03 2025-11-06 Schlumberger Technology Corporation Systems and methods for product circularity

Also Published As

Publication number Publication date
JP2022054784A (ja) 2022-04-07
EP4220653A1 (en) 2023-08-02
JP7710669B2 (ja) 2025-07-22
CN116457888A (zh) 2023-07-18
US20260013721A1 (en) 2026-01-15
US20230218165A1 (en) 2023-07-13
US12521012B2 (en) 2026-01-13
EP4220653A4 (en) 2024-10-02
JP2025129243A (ja) 2025-09-04

Similar Documents

Publication Publication Date Title
US12521012B2 (en) Medical system and medical information processing apparatus
US12458298B2 (en) Information processing apparatus, information processing method, information processing system, and program
Galassi et al. Ocular hemodynamics and glaucoma prognosis: a color Doppler imaging study
Richter et al. Telemedicine for retinopathy of prematurity diagnosis: evaluation and challenges
JP6661603B2 (ja) プラークの進行及び退行曲線に基づく治療計画のためのシステム及び方法
JP7089233B2 (ja) 血管閉塞診断方法、機器及びシステム
Hillard et al. Retinal arterioles in hypo-, normo-, and hypertensive subjects measured using adaptive optics
JP7820744B2 (ja) 医療システム及び医療情報処理装置
Aschauer et al. Identification of subclinical microvascular biomarkers in coronary heart disease in retinal imaging
KR102306279B1 (ko) 안저 영상판독 지원방법, 안저 영상판독 지원장치 및 이를 포함하는 안저 영상판독 지원 시스템
CA2884606A1 (en) Systems and methods for diagnosing strokes
JP2025029122A (ja) 脳磁気共鳴血管造影検査の血管信号強度グラジエントを用いた血流算出法、並びにそれを用いた脳血管疾患及び脳卒中危険度の分析システム
Theodoropoulos et al. The current status of noninvasive intracranial pressure monitoring: a literature review
Jeremic et al. Severity stratification of coronary artery disease using novel inner ellipse-based foveal avascular zone biomarkers
WO2021220910A1 (ja) 医療システム
Zhou et al. Early diagnosis of coronary heart disease based on retinal microvascular parameters of OCTA
Zhu et al. Quantifying discordance between structure and function measurements in the clinical assessment of glaucoma
WO2024057942A1 (ja) 眼底画像処理装置および眼底画像処理プログラム
Luzhnov et al. Using nonlinear dynamics for signal analysis in transpalpebral rheoophthalmography
RU2742917C1 (ru) Способ определения модуля сдвига для стенки кровеносного сосуда на основе интраваскулярной оптической когерентной томографии
CN121265007B (zh) 一种基于影像特征变化趋势的脑梗风险预警方法及系统
US12632956B2 (en) Fundus image processing device and non-transitory computer-readable storage medium storing computer-readable instructions
US20220284577A1 (en) Fundus image processing device and non-transitory computer-readable storage medium storing computer-readable instructions
Stephens AI Can Now Detect COVID-19 in Lung Ultrasound Images
CN121729185A (zh) 血管造影导出的微血管阻塞确定

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21872393

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202180066272.X

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2021872393

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021872393

Country of ref document: EP

Effective date: 20230428

WWG Wipo information: grant in national office

Ref document number: 18028755

Country of ref document: US