JP7710523B2 - 医学検査値分析を実行するためのコンピュータ実装された方法、及び、装置 - Google Patents

Description

本発明は、医学検査パラメータ、特に血液学、尿診断、臨床化学、内分泌学、血液ガス分析、自己抗体、腫瘍マーカーなどのような検査パラメータの評価に関する。特に、本発明は、病理学的偏差を識別するための基準範囲を患者ごとに個別に提示するための措置に関する。

背景技術
医療診断、特に血液学、臨床化学又は尿診断の検査値は、一般に医療スタッフによって評価される。これらの検査値は、通常、医学実験室又は類似の装置によって収集され、これらの値に特有の基準範囲と共に医師へと提供される。ここでの基準値は、大抵の場合、研究によって示される「正常範囲」、例えば、健康な集団の２．５％～９７．５％の四分位範囲、即ち、健康な人１００人のうちの９５人にそれぞれの値が観察される範囲である。いくつかのケースにおいては、基準値はさらに、性別、年齢、体重又はその他の患者特徴に依存して調整される。こうした基準範囲を外れる値が存在する検査結果は、その偏差／病理を強調するために分離して標示される。

さらに、特に重大な値、即ち、患者にとっての直接的な危険を意味する結果が生じた場合、多くの実験室において、こうした情報を医師へ速やかに提供するための個別のプロセスが実現されている。

検査パラメータの時間推移を自動的に構造化及び標準化して考慮することは、評価の際には行われていない。そもそも行われるとしても、このような推移分析は、医師により、手動で、かつ、しばしば主観的かつ直感的に行われる。

最近の医学におけるきわめて多数の種々の検査パラメータ、その大抵の場合に不明瞭であって多重に未知である相互作用、専門知識の欠如、検閲されたデータ基準及び統計的知識の欠如によって、上述した標準的な方法が検出しなかった病理学的偏差を医師が識別することは、事実上不可能である。同時に、このために、患者の健康状態における、対応する検査値の標準的な基準範囲の内部において注意すべき問題のある変化を早期に識別して、相応の医療措置を導入する機会が失われる。

発明の開示
本発明によれば、請求項１に記載の医学検査値分析を提供する方法、及び、他の独立請求項に記載の装置が設けられる。

さらなる実施形態は、各従属請求項に記載されている。

第１の態様によれば、特に医学検査値分析に適用される、少なくとも１つの医学検査パラメータに対する少なくとも１つの予測値を提供するためのコンピュータ実装された方法であって、
少なくとも２つの履歴時点での、少なくとも１つの検査パラメータの履歴検査値の推移を示す、少なくとも１つの検査値推移を提供するステップと、
対応する検査値推移から、少なくとも１つの検査パラメータのそれぞれについての少なくとも１つの検査パラメータ特徴を算定するステップと、
設定された予測時点での少なくとも１つの予測値を、トレーニングされたデータに基づく予測モデルと少なくとも１つの検査値推移のそれぞれについての少なくとも１つの検査パラメータ特徴とに依存して決定するステップと、
を含む方法が提供される。

さらに、予測モデルは、少なくとも１つの検査パラメータ特徴に加えて、年齢、性別、ＢＭＩのような患者データ、並びに、体格、体重及び／又は診断、所見、治療及び／又は投薬のようなその他の生体データを考慮するように構成可能である。

通常の場合、検査パラメータ、例えば、血液学又は尿診断のパラメータは、検査パラメータのうち実験室によって標示された病理学的な値に基づいて、医師により大抵の場合、静的に評価される。病理学的であるとの分類は、一般に、規定された基準限界値又は基準範囲に従って行われる。検査値の時間推移における評価は、自動的には行われない。したがって、特にこれまで目立たなかった値、即ち、医学的な基準範囲内で推移しているが病理学的示唆を有する検査パラメータの値における問題のある傾向は、見逃されやすい。

上述したコンピュータ実装された方法は、医学検査パラメータ推移の自動評価を提供し、関連する検査値の病理学的偏差の示唆を表す、パラメータごとに相応に調整された基準範囲を提示するものである。このために、対応する検査パラメータの推移を特徴付ける少なくとも１つの検査パラメータ特徴が、それぞれの検査値推移から抽出される。

検査値推移のコンピュータ支援による評価により、供給される全ての検査値、その相関、及び、場合により、例えば、年齢、性別、体重、体格、既往歴、基礎疾患などのさらなる患者データを、評価モデルを用いて考慮し、各検査値に対する基準範囲をモデルに基づいて算定し、検査値に加えて提供することによって、検査値を解釈するためのサポートを医師に提供することができる。これにより、医療専門スタッフは、例えば、健康な集団の２．５％～９７．５％の四分位範囲のような「正常範囲」に関してだけでなく、付加的に、個々の基準範囲に基づいて、及び、検査パラメータの履歴推移を考慮して、あらゆる検査値を評価することができる。

さらに、予測モデルは、検査パラメータ特徴に依存して、設定された予測時点での少なくとも１つの予測値に対応する、少なくとも１つの予測された検査値を提供するようにトレーニング可能である。

特に、予測値が設定された限界値を上回る時点を決定するために、複数の予測時点での予測値の推移を算定することができ、ここで、特に、当該時点はさらに、薬剤供与のような医学的介入の時点を定めるものであってよい。

代替的に、予測モデルは、検査パラメータ特徴に依存して、設定された予測時点での少なくとも１つの予測された分位値を少なくとも１つの予測値として提供するようにトレーニング可能である。分位値は、予測時点での少なくとも１つの検査パラメータに対する基準範囲の上限値又は下限値を示すことができ、ここでは、少なくとも１つの検査パラメータの現在の検査値と現在時点での対応する分位値との比較の結果が予測時点として通知される。

検査パラメータのそれぞれについての検査パラメータ特徴は、以下の各特徴、即ち、
・履歴検査値の最小値、
・それぞれ異なる分位値、例えば、第１分位値及び第３分位値及びメジアン、
・履歴検査値の平均値、
・履歴検査値の最大値、
・履歴検査値の標準偏差、
・現在時点を基準として最後に検出された履歴検査値につき進行した期間、
・現在時点を基準として最後の１つ前の履歴検査値につき進行した期間、
・現在時点を基準として最も古い検査値につき進行した期間、
・履歴検査値の検出時点間の時間間隔の平均値、
・最も新しい履歴検査値、
・２番目に新しい履歴検査値、
・２番目に新しい履歴検査値と最も新しい履歴検査値との間の最後の勾配の値、
・履歴検査値を下回る最初の異常値までの期間、
・履歴検査値を下回る最も新しい異常値の時点、
・異常値として分類される履歴検査値の数、
・連続して検出された２つの履歴検査値の間の最大上昇度、
・連続する２つの履歴検査値の間の最小低下度、
・履歴検査値の推定線形オフセット、
・履歴検査値の推定線形勾配率、
・履歴検査値の推定線形予測、
・履歴検査値の数
のうちの１つ又は複数を含み得る。

少なくとも１つの検査パラメータ特徴のうちの少なくとも１つが、設定された予測時点に依存するように構成することが、可能である。

他の実施形態によれば、予測モデルは、ディープニューラルネットワーク、畳み込みニューラルネットワーク、リカレントニューラルネットワーク、サポートベクターマシン、ランダムフォレストモデル、隠れマルコフ連鎖モデル、又は、一般化線形モデルを含み得る。

他の態様によれば、特に上述した方法によって使用される予測モデルをトレーニングするための方法であって、
それぞれが少なくとも３つの履歴時点での少なくとも１つの検査パラメータの履歴検査値の推移を示す、少なくとも１つの検査パラメータの少なくとも１つの検査値推移を提供するステップと、
ラベル時点よりも前の対応する少なくとも１つの検査値推移から、少なくとも１つの検査パラメータのそれぞれについての少なくとも１つの検査パラメータ特徴を算定するステップと、
少なくとも１つの検査パラメータについての少なくとも１つの検査パラメータ特徴と、ラベルとしての、ラベル時点での少なくとも１つの検査パラメータの検査値とから、それぞれのトレーニングデータセットを形成することによって、トレーニングデータセットを作成するステップと、
トレーニングデータセットに依存して、データに基づく予測モデルをトレーニングするステップと、
を含む方法が提供される。

以下に、添付の図面に則して、実施形態をより詳細に説明する。

検査値分析を実行するためのシステムを示す図である。 検査値分析を実行するための方法を説明するフローチャートである。 例示的な患者の検査パラメータ及び上記の方法によって決定される予測値の推移及び傾向を示す、対応するグラフである。 例示的な患者の検査パラメータ及び上記の方法によって決定される予測値の推移及び傾向を示す、対応するグラフである。 例示的な患者の検査パラメータ及び上記の方法によって決定される予測値の推移及び傾向を示す、対応するグラフである。

実施形態の説明
図１は、コンピュータユニット２と、入力デバイス３と、モニタなどの形態の出力デバイス４と、を備えた従来のコンピュータシステム１を示している。コンピュータユニット２は、プロセッサユニット２１を用いて、ソフトウェアに基づき、患者の履歴検査値を処理し、現在の検査値を評価する際のサポートを提供するために利用される。ソフトウェア及び患者の検査値は、コンピュータユニット２内のデータメモリ２２に記憶されている。さらに、データメモリ２２は、以下において説明する予測モデルのパラメータを記憶する。ソフトウェアは、プロセッサユニット２１によって実行され、データメモリ２２内に記憶されている検査値にアクセスする。さらに、コンピュータユニット２は、検査パラメータについて、自動的に又は手動により入力された検査値を受け取り、これを処理することができる。

図２は、現在及び未来の検査値において生じ得る潜在的な病理学的示唆を識別し、場合により検査値分析の結果に基づいて治療措置を講じるという、例えば医師などの医療スタッフの負荷を軽減する、検査値分析のための方法を説明するためのフローチャートを示している。

当該方法はまず、ステップＳ１において、コンピュータユニットのデータメモリから履歴検査値を提供することを企図している。履歴検査値は、血液学、尿診断、臨床化学、内分泌学、血液ガス分析、自己抗体、腫瘍マーカー、塗抹診断などの検査値であり得る。特に、検出された検査パラメータの種類ごとに、検査パラメータについての多数の検査値を検出することができる。例えば、血液学的血液検査の場合、次のような各検査パラメータ、即ち、ＡＳＴ／ＧＯＴ、白血球数、赤血球数、ヘモグロビン、ヘマトクリット、ＭＣＶ、ＭＣＨ、ＭＣＨＣ、血小板、ｐＨ（ＳＢステータス）、ｐＣＯ２（ＳＢステータス）、標準重炭酸塩、Ｏ２飽和度、乳酸塩、イオン化Ｃａ、Ｃ反応性タンパク質、グルコース、ナトリウム、ＢＧＡからのカリウム、カルシウム、クレアチニン、ＧＦＲ－ＭＤＲＤ、尿素、ＩＮＲ（治療範囲）、ＰＴＴなどを決定することができる。

ステップＳ２において、現在時点での検査パラメータの現在の検査値が提供される。これは、最近行われた検査の結果であり、患者の現在の健康状態を決定するための基礎となる。現在の検査値は、コンピュータシステム１に手動により入力することができ、又は、通信コネクションを介して自動的に受信することもできる。現在の検査値は、医師により、治療の決定のために使用される。後続のステップにおいては、履歴検査値とこの履歴検査値において特徴付けられる傾向とを考慮して検査パラメータの現在の検査値を評価するために医師を支援すべきである。

ステップＳ３においては、まず、履歴検査値から検査パラメータ特徴が抽出される。検出された検査パラメータのそれぞれについて、少なくとも部分的に推移に依存する複数の検査パラメータ特徴が抽出される。抽出は、現在時点での現在の検査値を取り入れることなく明示的に行われる。例示的に上述した２６個の検査パラメータでは、それぞれ複数の検査パラメータ特徴、例えば２３個の検査パラメータ特徴が抽出される。各検査パラメータについての検査パラメータ特徴は、以下の各特徴、即ち、
・履歴検査値の最小値、
・履歴検査値の第１分位値、
・履歴検査値のメジアン値
・履歴検査値の平均値、
・履歴検査値の第３分位値、
・履歴検査値の最大値、
・履歴検査値の標準偏差、
・現在時点を基準として最後に検出された履歴検査値につき進行した期間、
・現在時点を基準として最後の１つ前の履歴検査値につき進行した期間、
・現在時点を基準として最も古い検査値につき進行した期間、
・履歴検査値の検出時点間の時間間隔の平均値、
・最も新しい履歴検査値、
・２番目に新しい履歴検査値、
・２番目に新しい履歴検査値と最も新しい履歴検査値との間の最後の勾配の値、
・履歴検査値を下回る最初の異常値までの期間、
・履歴検査値を下回る最も新しい異常値の時点、
・異常値として分類される履歴検査値の数、
・連続して検出された２つの履歴検査値の間の最大上昇度、
・連続する２つの履歴検査値の間の最小低下度、
・履歴検査値の推定線形オフセット、
・履歴検査値の推定線形勾配率、
・履歴検査値の推定線形予測、
・履歴検査値の数
を含み得る。

他の特徴も定義することができる。特徴の一部は、予測値が決定されるべき予測時点に依存する。

特徴抽出によっていわゆる特徴行列が発生し、この特徴行列においては、各列が１つの検査パラメータ特徴を表す。検査パラメータ特徴の例は、クレアチニン測定間の平均時間間隔、ヘモグロビン推移において観察される極端な変動の総数、ナトリウムの最大値などである。特徴行列の行は、所与の時点での（患者の特徴の総和としての）患者の状態を表現している。

いくつかの機械学習モデル（例えばニューラルネットワーク）においては、ローデータを使用することができる。この場合、特徴抽出を省略することができる。ただし、特徴抽出は、医学専門知識を直接に導入し得る可能性として支持される。そのため、上述した２３個の特徴は、共通に選択される。なぜなら、これらの特徴は、検査値推移において重要な特徴とみなされるからである。なお、このようにして生成された検査パラメータ特徴により、後の結果をより容易に解釈すること、又は、新たな問題提起を直接に生成することが可能となる（特徴選択を参照のこと）。

ステップＳ４においては、その桁数に関してもその制御においても大きく変化し得る個々の特徴が、正規化によってスケーリングされる。例えば、単位間隔でのスケーリングを実行することができる。代替的に、スケーリングを標準正規分布に対して行うこともできる。基本的には、特徴を抽出するステップの前に正規化を行うものとしてもよい。これは、正規化ステップに加えて行われるものとしてもよいし、又は、これに代えて行われるものとしてもよい。

後続のステップＳ５においては、正規化された特徴が予測モデルに供給される。予測モデルは、検査パラメータの時系列から得られる予測値を算定する。このために、予測モデルは、検査パラメータ特徴に依存して予測値を作成するようにトレーニングされる。

現在時点は、上述した検査パラメータ特徴のうちのいくつかにおいて予測時点として考慮されるので、現在時点に基づく予測が可能である。例えば、予測値は、現在時点でのそれぞれの検査パラメータの推定値を表すことができる。これにより、例えば、医師は、例えば急性の疾病を示唆する可能性のある、履歴検査値において明らかとなった傾向からの偏差を確認することができる。

代替的に、先行して決定された検査パラメータ特徴から、予測時点に対する上方分位値及び下方分位値、例えば９７．５％分位数及び２．５％分位数を算定するための、トレーニングされた２つの別個の予測モデルを用意することができる。これらは、各検査パラメータの評価又は解釈のための基準範囲を示すものとすることができる。当該基準範囲は、現在時点での該当する検査パラメータの患者個々の現在の検査値が存在するはずの範囲又は予測される範囲を示す。

１つ又は複数の検査パラメータにおいて患者ごとにパーソナライズされて決定された現在の基準範囲からの偏差が発生した場合、ステップＳ６において対応して、観察される検査パラメータのそれぞれに対し、例えば有色の標示によってこのことを通知し、これにより、対応する異常について医師に示唆を与えることができる。

代替的に又は付加的に、未来の時点において１つ又は複数の検査パラメータの推移、基準範囲からの推移コリドー又は傾向を出力するために、現在の検査値の出力に関してトレーニングされた予測モデルへの複数回の照会を行うことができる。ここで留意すべき点は、検査パラメータ特徴が部分的に予測時点に依存しているので、照会のたびにこのことを考慮しなければならないということである。

図３ａには、例示的な患者の例示的な検査パラメータの傾向の相応のグラフが示されている。検査パラメータであるカリウムについての検査パラメータ推移Ｋのパーソナライズされた予測が示されている。個々の患者につき、２．５％分位数及び９７．５％分位数の推移ＯＧ，ＵＧが予測されており、これらが点線により示されている。このように、モデルは、１００個のケースのうちの９５個において当該範囲内の推移を予測する。さらに、従来の分析方法によるカリウム値の一定の上限及び下限が破線により示されている。

図３ｂには、代替的な実施形態として、未来へ向かっての平均値の予測、及び、平均値が未来時点Ｔで（一定の上限及び下限として破線により示されている）標準正常範囲を外れるまでの見込み時間の予測が示されている。

図３ｃには、検査パラメータの全体的な時間推移を表す曲線として点線により示された、パーソナライズされた上限及び下限の推移ＯＧ，ＵＧが示されている。上限ＯＧ及び下限ＵＧによって規定された範囲からの逸脱が識別される時点Ｔ_１，Ｔ_２を、病理学的であるとして識別することができる。標準的な方法により病理学的であるものとしては時点Ｔ_２での検査パラメータの検査値しか識別されなかったシナリオが示されている。本明細書において提示するパーソナライズされた方法は、こうしたシナリオにおいても、時点Ｔ_２に加え、時点Ｔ_１での病理学的検査値の早期の識別を可能にする。

予測モデルは付加的に、患者のデータ、例えば、年齢、性別、並びに、その他の生体データ、例えば、体格、体重など、及び／又は、診断、所見、（例えば、ＩＣＤ－１０コードによる）投薬治療を考慮するように構成可能である。特に、年齢も同様に予測時点に相応に考慮することができる。

予測モデルは、多数の患者データに基づいてトレーニングすることができる。このために、検査パラメータの時系列が３つ以上の時点を含むとただちに、検査パラメータの検査値の時系列を処理してトレーニングデータセットを形成することができる。当該時系列においては、検査パラメータ特徴を算定するための複数の時点と、検査値が検出された、考慮される時点に続くラベル時点のラベルデータとを考慮することができる。ここで、検査パラメータ特徴は、ラベル時点でのラベルデータとして使用される検査値の時点の検査パラメータ特徴から算定される。このようにして、それぞれ、観察される検査パラメータのそれぞれについての検査パラメータ特徴と、トレーニングされるべき予測値としての検査パラメータのそれぞれについてのラベルデータ、例えばラベル時点での対応する検査値、ラベル時点での対応する下方分位値又は上方分位値及び場合により患者データとから、トレーニングデータセットが得られる。

多数の検査パラメータ特徴が算定されるので、予測モデルの本来のトレーニング方法の前に特徴を選択するステップを実行することができる。この目的のために、いわゆるラッパー法を使用することができる。これは、予測モデルが各検査パラメータの検査パラメータ特徴全体の様々な部分集合に適用されること、即ち、予測モデルが検査パラメータ特徴の特定の組合せのみに適用されることを意味する。多数であるためにあらゆる組合せをテストすることができないので、当該方法は設定されたヒューリスティックスに従う。例えば、前方選択のバリアントを使用することができ、ここでは、最良に評価された検査パラメータ特徴が、考慮すべき検査パラメータ特徴の現在使用されている部分集合に逐次に付加される。結果として、特定の種類の予測値、例えば検査パラメータの２．５％分位数を示す予測値に対する、検査パラメータ特徴の最適化された部分集合が得られる。部分集合を選択するための設定されたヒューリスティックスの選択につき、例えば、後方選択、ランダム検索又はその他のいわゆるモンテカルロ法、勾配法などを使用することができる。ラッパー法のほか、次元を低減するための他の方法、例えば主成分分析（ＰＣＡ）を使用することもできる。

予測モデルをトレーニングするために、所望の出力値に対応するラベルデータが評価される。即ち、ラベルデータは、例えば、下方の分位値、上方の分位値又は対応する検査パラメータの推定値に対応し得る予測値に応じて設定されている。

検査パラメータ特徴の部分集合が決定された後、そこからの特定のトレーニングデータセットが対応する予測値と共に示される。可能な予測モデルとして、ニューラルネットワーク、畳み込みニューラルネットワーク、サポートベクターマシン、ランダムフォレストモデル、隠れマルコフ連鎖モデル、一般化線形モデルなどを使用することができる。好適には、ＳＶＭ（サポートベクターマシン）の実装が、例えば、トレーニングパラメータのコアＲＧＦ、ガンマグリッド０．００１乃至１０、ラムダグリッド０．００１乃至１０、ハイパーパラメータ選択、５重相互検証、重みを有し、かつ、下方分位値及び上方分位値として０．０２５及び０．０９７５を使用するピンボール損失関数と共に使用される。予測モデルのトレーニングのための損失関数は、当該方法にて提示した問題提起を反映するものであってよい。

上述したケースにおいては、２つの最適化法が０．０２５及び０．９７５の損失関数の各重み付けに対して相応に実行される。結果として、それぞれ２．５％分位数又は９７．５％分位数を予測する２つの予測モデルが得られる。

予測モデルのテストのために、トレーニングを、利用可能なデータセットの８０％に適用することができる。モデル予測品質の最終的な評価のために、残余の２０％は、テストデータとして利用される。評価基準は、検査値モデル目標などに関する、利用されるモデルバリアントに依存する。モデルトレーニングは、テストデータからは独立に行われるので、当該方法によって得られる品質尺度は、過剰適合（オーバーフィッティング）の問題に関して、例えば、いわゆる相互検証による評価よりロバストであり、こうした評価よりも有利となり得る。

Claims (11)

1. 医学検査値分析に適用される、少なくとも１つの医学検査パラメータに対する少なくとも１つの予測値を提供するためのコンピュータ実装された方法であって、
   少なくとも２つの履歴時点での、少なくとも１つの検査パラメータの履歴検査値の推移を示す、少なくとも１つの検査値推移を提供するステップ（Ｓ１）と、
   対応する検査値推移から、前記少なくとも１つの検査パラメータのそれぞれについての少なくとも１つの検査パラメータ特徴を算定するステップ（Ｓ３）と、
   設定された予測時点での少なくとも１つの予測値を、トレーニングされたデータに基づく予測モデルと前記少なくとも１つの検査値推移のそれぞれについての少なくとも１つの検査パラメータ特徴とに依存して決定するステップ（Ｓ５）と、
   を含み、
   前記予測モデルは、前記少なくとも１つの検査パラメータ特徴に依存して、前記設定された予測時点での少なくとも１つの予測された分位値を前記少なくとも１つの予測値として提供するようにトレーニングされており、前記分位値は、前記予測時点での少なくとも１つの検査パラメータに対する基準範囲の上限値又は下限値を示し、前記少なくとも１つの検査パラメータの現在の検査値と現在時点での対応する分位値との比較の結果が予測時点として通知される、方法。
2. 前記予測モデルは、前記少なくとも１つの検査パラメータ特徴に依存して、前記設定された予測時点での少なくとも１つの予測された検査値を前記少なくとも１つの予測値として提供するようにトレーニングされている、
   請求項１に記載の方法。
3. 前記少なくとも１つの検査パラメータは、血液学、臨床化学、内分泌学、血液ガス分析、自己抗体、腫瘍マーカー又は尿診断のうちの少なくとも１つのパラメータを含む、
   請求項１又は２に記載の方法。
4. 前記検査パラメータのそれぞれについての検査パラメータ特徴は、以下の各特徴、即ち、
   ・履歴検査値の最小値、
   ・それぞれ異なる分位値、例えば、履歴検査値の第１分位値及び第３分位値及びメジアン、
   ・履歴検査値の平均値、
   ・履歴検査値の最大値、
   ・履歴検査値の標準偏差、
   ・現在時点を基準として最後に検出された履歴検査値につき進行した期間、
   ・現在時点を基準として最後の１つ前の履歴検査値につき進行した期間、
   ・現在時点を基準として最も古い検査値につき進行した期間、
   ・履歴検査値の検出時点間の時間間隔の平均値、
   ・最も新しい履歴検査値、
   ・２番目に新しい履歴検査値、
   ・２番目に新しい履歴検査値と最も新しい履歴検査値との間の最後の勾配の値、
   ・履歴検査値を下回る最初の異常値までの期間、
   ・履歴検査値を下回る最も新しい異常値の時点、
   ・異常値として分類される履歴検査値の数、
   ・連続して検出された２つの履歴検査値の間の最大上昇度、
   ・連続する２つの履歴検査値の間の最小低下度、
   ・履歴検査値の推定線形オフセット、
   ・履歴検査値の推定線形勾配率、
   ・履歴検査値の推定線形予測、
   ・履歴検査値の数
   のうちの１つ又は複数を含む、
   請求項１乃至３のいずれか一項に記載の方法。
5. 前記予測モデルはさらに、前記少なくとも１つの検査パラメータ特徴に加えて、年齢、性別、ＢＭＩを含む患者データ、並びに、体格、体重及び／又は診断、所見、治療及び／又は投薬又は薬剤供与の推移を含むその他の生体データを考慮するように構成されている、
   請求項１乃至４のいずれか一項に記載の方法。
6. 前記少なくとも１つの検査パラメータ特徴のうちの少なくとも１つは、前記設定された予測時点に依存する、
   請求項１乃至５のいずれか一項に記載の方法。
7. 前記予測モデルは、ディープニューラルネットワーク、畳み込みニューラルネットワーク、リカレントニューラルネットワーク、サポートベクターマシン、ランダムフォレストモデル、隠れマルコフ連鎖モデル、一般化線形モデルを含む、
   請求項１乃至６のいずれか一項に記載の方法。
8. 請求項１乃至７のいずれか一項に記載の方法によって使用される予測モデルをトレーニングするための方法であって、
   それぞれが少なくとも３つの履歴時点での少なくとも１つの検査パラメータの履歴検査値の推移を示す、少なくとも１つの検査パラメータの少なくとも１つの検査値推移を提供するステップと、
   ラベル時点よりも前の対応する少なくとも１つの検査値推移から、前記少なくとも１つの検査パラメータのそれぞれについての少なくとも１つの検査パラメータ特徴を算定するステップと、
   前記少なくとも１つの検査パラメータについての少なくとも１つの検査パラメータ特徴と、ラベルとしての、前記ラベル時点での前記少なくとも１つの検査パラメータの検査値とから、それぞれのトレーニングデータセットを形成することによって、トレーニングデータセットを作成するステップと、
   前記トレーニングデータセットに依存して、データに基づく予測モデルをトレーニングするステップと、
   を含む方法。
9. コンピュータプログラムであって、前記コンピュータプログラムがコンピュータによって実行されるときに、請求項１乃至８のいずれか一項に記載の方法の各ステップを前記コンピュータに実施させるための命令を含むコンピュータプログラム。
10. コンピュータによって実行されるときに、請求項１乃至８のいずれか一項に記載の方法の各ステップを前記コンピュータに実施させるための命令を含む機械可読記憶媒体。
11. 請求項１０に記載の機械可読記憶媒体を備えている装置。