JP7724789B2 - 情報処理装置、情報処理方法、及びコンピュータプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法、及びコンピュータプログラムに関する。

医療分野において、手術、検査等の医療行為に起因して発生する合併症が問題になる。これに伴い、合併症の防止を支援するための種々のシステムが提案されている。

例えば特許文献１では、Ｘ線ＣＴ（Computed Tomography）装置で撮影された医用画像から心臓の大動脈弁の周囲に存在する周辺組織の領域を検出し、大動脈弁と置換する人工弁のモデルイメージを医用画像内に配置して、周辺組織の領域と人工弁のモデルイメージとの距離から合併症のリスクを評価する医用画像処理装置等が開示されている。

特開２０１４－２００５４９号公報

しかしながら、特許文献１に係る発明は、画像内の距離に基づく単純なパターンマッチングで合併症のリスクを評価しており、必ずしも精度が良いものとは言えない。

一つの側面では、カテーテル治療の際に収集される様々な医用情報に基づき、合併症に関するリスクを評価できる情報処理装置、情報処理方法、及びコンピュータプログラムを提供することを目的とする。

一つの側面に係る情報処理装置は、患者に対してカテーテル治療を施す際に収集される医用情報を取得する取得部と、取得した医用情報に基づき、前記カテーテル治療に応じて発生し得る複数の合併症の夫々について、予後の良否に係るスコアを算出する算出部と、算出したスコアに基づき、前記複数の合併症のうち、予後不良のリスクのある１又は複数の合併症を特定する特定部と、過去に発生した任意の合併症に関する情報と、該合併症について算出された予後の良否に係るスコアとを関連付けて記憶する記憶部から、前記算出部が算出したスコアと類似のスコアを有する類似症例を検索する検索部と、前記特定部が特定した合併症の情報と、前記記憶部から検索された類似症例に関する情報とを出力する出力部とを備える。

一つの側面では、カテーテル治療の際に収集される様々な医用情報に基づき、合併症に関するリスクを評価できる。

治療支援システムの構成を説明する模式図である。 治療支援装置の構成例を説明するブロック図である。 合併症データベースの一例を示す概念図である。 第１スコアの算出手法を説明する説明図である。 第２スコアの算出手法を説明する説明図である。 学習モデルの構成例を説明する模式図である。 合併症情報の表示例を示す模式図である。 合併症情報の表示例を示す模式図である。 治療支援装置が実行する処理の手順を説明するフローチャートである。 実施の形態２における合併症情報の表示例を示す模式図である。 パラメータの変更画面の一例を示す模式図である。

以下、本発明をその実施の形態を示す図面に基づいて詳述する。
（実施の形態１）
図１は治療支援システムの構成を説明する模式図である。実施の形態では、カテーテル治療を施す際に収集される医用情報に基づき予後不良のリスクが高い合併症を特定し、特定した合併症の情報及び類似症例の情報を医療従事者に提供する治療支援システムについて説明する。治療支援システムは、治療支援装置１、血管内画像診断装置２、透視画像撮影装置３などを備える。

治療支援装置１は、サーバコンピュータ、パーソナルコンピュータなどの情報処理装置である。治療支援装置１は、例えば、カテーテル治療を行う医療施設内に設置される。代替的に、治療支援装置１は、医療施設の外部に設けられ、通信により各種情報を送受信してもよい。治療支援装置１は、患者にカテーテル治療を施す際に収集される医用情報を取得し、取得した医用情報に基づいて、予後不良のリスクのある合併症を特定する。ここで、医用情報は、患者の属性情報、患者について計測された計測情報、患者について撮像された医用画像を含む。属性情報は、患者の年齢、性別、危険因子、既往歴などの情報である。計測情報は、血液検査、病変部位、狭窄率などの情報である。医用画像は、超音波断層像、光干渉断層像、アンギオグラフィ画像、ＣＴ（Computed Tomography）画像、ＭＲＩ（Magnetic Resonance Imaging）画像などの画像である。医用情報は、一部がカテーテル治療の前に収集されてもよく、他の一部がカテーテル治療の実施中に収集されてもよい。

治療支援装置１は、医用情報に基づいて特定した予後不良のリスクのある合併症の情報を医療従事者に提供する。治療支援装置１は、例えば、予後不良のリスクのある合併症の情報を表示部１６（図２を参照）に表示する。また、治療支援装置１は、予後不良のリスクのある合併症の情報を、医療従事者が使用するパーソナルコンピュータやタブレット端末などの端末装置へ送信してもよい。

また、治療支援装置１は、予後不良のリスクがある合併症と類似する類似症例をデータベース（図２の合併症データベース１２２）から検索し、検索された類似症例の情報を医療従事者に提供する。治療支援装置１は、例えば、類似症例の情報を表示部１６に表示する。また、治療支援装置１は、類似症例の情報を、医療従事者が使用するパーソナルコンピュータやタブレット端末などの端末装置へ送信してもよい。

治療支援装置１は、治療や診断の際に、予後不良のリスクがある合併症の情報や過去に発生した類似症例の情報を医療従事者に提供することによって、カテーテル治療に関する治療支援を行う。

治療支援システムは、医用画像を生成する装置の一例として、血管内画像診断装置２及び透視画像撮影装置３を備える。

血管内画像診断装置２は、患者の血管内断層像を得るための装置であり、例えばカテーテル２Ｃを用いた超音波検査を行うＩＶＵＳ（Intravascular Ultrasound）装置により構成される。カテーテル２Ｃは患者の血管内に挿入される医用器具であり、超音波を送信すると共に血管内からの反射波を受信するイメージングコアを備える。血管内画像診断装置２は、カテーテル２Ｃで受信した反射波の信号に基づいて超音波断層像（横断層像、ＩＶＵＳ画像ともいう）を生成し、生成した超音波断層像を治療支援装置１へ出力する。治療支援装置１は、血管内画像診断装置２から入力される超音波断層像を必要に応じて表示部１６に表示させる。

本実施の形態では、血管内画像診断装置２が超音波診断層像を生成するものとしたが、ＯＣＴ（Optical Coherence Tomography）、ＯＦＤＩ（Optical Frequency Domain Imaging）等の光学的手法による光干渉断層像を生成してもよい。

透視画像撮影装置３は、患者体内を透視した透視画像を撮影するための装置ユニットであり、例えば血管造影検査を行うアンギオグラフィ装置により構成される。透視画像撮影装置３は、Ｘ線源やイメージングプレートなどを備える。透視画像撮影装置３は、Ｘ線源から照射され、照射部位を透過したＸ線をイメージングプレートにて検出することにより、Ｘ線透視画像（アンギオグラフィ画像ともいう）を生成する。カテーテル治療では、カテーテル２Ｃの先端にＸ線不透過マーカを装着し、Ｘ線不透過マーカの位置を血管内画像診断装置２で生成される断層像との位置合わせに利用してもよい。

治療支援システムは、上述した構成に限らず、ＣＴ画像を生成するＣＴ装置、ＭＲＩ画像を生成するＭＲＩ装置、術中の患者の状態を計測する各種計測器を含んでもよい。

図２は治療支援装置１の構成例を説明するブロック図である。治療支援装置１は、制御部１１、記憶部１２、入力部１３、通信部１４、操作部１５、表示部１６などを備える。

制御部１１は、例えば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを備える。制御部１１が備えるＲＯＭには、治療支援装置１が備えるハードウェア各部の動作を制御する制御プログラム等が記憶される。制御部１１内のＣＰＵは、ＲＯＭに記憶された制御プログラムや後述する記憶部１２に記憶された各種コンピュータプログラムを実行し、ハードウェア各部の動作を制御することによって、装置全体を本願の情報処理装置として機能させる。制御部１１が備えるＲＡＭには、演算の実行中に生成されるデータが一時的に記憶される。

制御部１１は、ＣＰＵ、ＲＯＭ、及びＲＡＭを備える構成としたが、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＤＳＰ（Digital Signal Processor）、量子プロセッサ、揮発性又は不揮発性のメモリ等を備える１又は複数の演算回路であってもよい。また、制御部１１は、日時情報を出力するクロック、開始指示を与えてから終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を備えていてもよい。

記憶部１２は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）などの記憶装置を備える。記憶部１２には、制御部１１によって実行される各種コンピュータプログラムや制御部１１によって利用される各種データが記憶される。

記憶部１２に記憶されるコンピュータプログラムは、治療支援プログラム１２１を含む。治療支援プログラム１２１は、取得した医用情報に基づいて予後不良のリスクのある合併症を特定し、特定した合併症の情報と合併症データベース１２２から得られる類似症例の情報とを出力する処理を治療支援装置１に実行させるためのコンピュータプログラムである。

記憶部１２に記憶されるコンピュータプログラムは、当該コンピュータプログラムを読み取り可能に記録した非一時的な記録媒体Ｍにより提供される。記録媒体Ｍは、例えば、ＣＤ－ＲＯＭ、ＵＳＢメモリ、ＳＤ（Secure Digital）カード、コンパクトフラッシュ（登録商標）などの可搬型メモリである。制御部１１は、図に示していない読取装置を用いて、記録媒体Ｍに記録されたコンピュータプログラムを読み取り、読み取ったコンピュータプログラムを記憶部１２に記憶させる。代替的に、記憶部１２に記憶されるコンピュータプログラムは、通信によって提供されてもよい。この場合、制御部１１は、通信部１４を通じてコンピュータプログラムを取得し、取得したコンピュータプログラムを記憶部１２に記憶させればよい。

また、記憶部１２は、合併症データベース１２２を備える。図３は合併症データベース１２２の一例を示す概念図である。合併症データベース１２２は、カテーテル治療に起因して発生した合併症に関して、医療情報、医用画像、手技情報、合併症情報を関連付けて記憶する。

医療情報は、年齢、性別、危険因子、既往歴などを含む患者の属性情報と、血液検査、病変部位、狭窄率などを含む患者について計測された計測情報とを含む。医用画像は、アンギオグラフィ画像、ＣＴ画像、ＩＶＵＳ画像（超音波断層像）、ＯＣＴ／ＯＦＤＩ画像（光干渉断層像）などを含む。合併症データベース１２２には、これらの画像に係る画像ファイルを指定するリンクや格納場所を示す情報が登録される。

手技情報は、カテーテル治療の際に実施された手技についての情報である。カテーテル治療に用いられる手技には、バルーン拡張術、ステント留置術、方向性冠動脈切除術、ロータブレータを用いた石灰化病変の切削術などが含まれる。

合併症情報は、合併症の種類、発生率、詳細、処置、スコアなどの情報を含む。カテーテル治療に応じて発生し得る合併症には、解離、側枝閉塞、No Reflow、Slow Flowなどが含まれる。発生率は、カテーテル治療に対して合併症が発生した割合を示す。例えば、カテーテル治療の全件数を１０００件、解離の発生件数を３件とした場合、解離の発生率は０．３％となる。詳細は合併症の詳細情報であり、処置は合併症に対して施した処置の情報である。スコアは、カテーテル治療の予後の良否を数値化したものであり、後述するスコア算出ルール１２３と学習モデル１２４とを用いて算出される。

記憶部１２は、スコア算出ルール１２３を記憶する。スコア算出ルール１２３は、例えば、上述した医療情報を数値化するための数値化テーブル１２３Ａと、数値化した医療情報に基づき、カテーテル治療の予後の良否に係るスコア（第１スコア）を算出するためのスコア算出用計算式１２３Ｂとにより構成される（図４を参照）。医療情報に基づく第１スコアの算出方法については後に詳述する。

記憶部１２は、学習モデル１２４を備える。学習モデル１２４は、医用画像が入力された場合、カテーテル治療に応じて発生し得る合併症について、予後の良否に係るスコア（第２スコア）を出力するように構成される機械学習の学習モデルである。学習モデル１２４は、例えばＣＮＮ（Convolutional Neural Networks）によって構築される。記憶部１２には、学習モデル１２４を定義する情報として、ニューラルネットワークを構成する層の情報、各層を構成するノードの情報、ノード間に設定される重みやバイアスの情報が記憶される。本実施の形態では、カテーテル治療を施す際に撮像された医用画像と、予後の良否を示す医師の診断結果とを複数組含むデータセットを訓練データに用いて、医用画像の入力に応じて予後の良否に係るスコア（第２スコア）を学習モデル１２４が出力するよう事前に学習してあるものとする。

学習モデル１２４は、ＣＮＮにより構築される学習モデルに限定されず、Ｒ－ＣＮＮ（Region-based CNN）、ＹＯＬＯ（You Only Look Once）、ＳＳＤ（Single Shot Detector）、ＧＡＮ（Generative Adversarial Network）、ＳＶＭ（Support Vector Machine）、決定木等に基づく学習モデルであってもよい。

入力部１３は血管内画像診断装置２や透視画像撮影装置３を接続するためのインタフェースを備え、血管内画像診断装置２にて生成される超音波断層像、透視画像撮影装置３にて生成されるアンギオグラフィ画像を取得する。本実施の形態では、入力部１３に接続された血管内画像診断装置２や透視画像撮影装置３から医用画像を取得する構成としたが、他のコンピュータに取り込まれた医用画像を通信により取得する構成としてもよい。また、入力部１３には、患者の状態を計測する計測器が接続され、計測器による計測情報が入力されてもよい。

通信部１４は、各種データを送受信する通信インタフェースを備える。通信部１４が備える通信インタフェースは、例えば、ＷｉＦｉ（登録商標）やイーサネット（登録商標）で用いられるＬＡＮ（Local Area Network）の通信規格に準じた通信インタフェースである。通信部１４は、送信すべきデータが制御部１１から入力された場合、指定された宛先へ送信すべきデータを送信する。また、通信部１４は、外部装置から送信されたデータを受信した場合、受信したデータを制御部１１へ出力する。

操作部１５は、キーボード、マウス、タッチパネルなどの操作デバイスを備え、医療従事者等による各種の操作及び設定を受付ける。制御部１１は、操作部１５より与えられる各種の操作情報に基づき適宜の制御を行い、必要に応じて設定情報を記憶部１２に記憶させる。

表示部１６は、液晶モニタや有機ＥＬ（Electro-Luminescence）などの表示デバイスを備え、制御部１１からの指示に応じて医療従事者等に報知すべき情報を表示する。

図２を用いて治療支援装置１の構成例を説明したが、治療支援装置１の構成は上記に限定されるものではない。例えば、合併症データベース１２２や学習モデル１２４は、治療支援装置１からアクセス可能な外部記憶装置に格納されるものであってもよい。この場合、治療支援装置１は、通信部１４を介して外部記憶装置にアクセスし、必要な情報を合併症データベース１２２から取得したり、学習モデル１２４を用いた演算を実行したりすればよい。また、治療支援装置１において操作部１５や表示部１６は必須ではなく、治療支援装置１と通信可能に接続された外部コンピュータから操作を受付け、外部モニタに各種の情報を表示させる構成であってもよい。外部コンピュータは、血管内画像診断装置２であってもよく、外部モニタは、血管内画像診断装置２が備えるモニタであってもよい。更に、治療支援装置１は、単一のコンピュータである必要はなく、複数のコンピュータからなるマルチコンピュータであってもよい。更に、治療支援装置１は、ソフトウェアによって仮想的に構築される仮想マシンであってもよい。

以下、治療支援装置１における処理内容について説明する。
治療支援装置１は、カテーテル治療に応じて発生し得る複数の合併症のうち、予後不良のリスクのある１又は複数の合併症を特定し、特定した合併症の情報を医療従事者に提供する。このとき、治療支援装置１は、カテーテル治療の際に収集される医用情報に基づき、発生し得る複数の合併症のそれぞれについて予後の良否に係るスコアを算出する。予後の良否に係るスコアは、以下において説明するように、患者の属性情報及び計測情報に基づく第１スコアと、医用画像に基づく第２スコアとから算出される。

図４は第１スコアの算出手法を説明する説明図である。治療支援装置１の制御部１１は、患者に関して収集された医用情報のうち、患者の属性情報と、患者について計測された計測情報とをそれぞれ数値化する。制御部１１は、図４に示すような数値化テーブル１２３Ａを参照することによって、患者の属性情報及び計測情報をそれぞれ数値化することができる。

例えば、制御部１１は、数値化テーブル１２３Ａを参照し、患者の年齢が４０歳未満の場合には「１」、４０代の場合には「２」、５０代の場合には「３」、６０歳以上の場合には「４」といったように、患者の年齢を数値化することができる。患者の性別、危険因子、既往歴といった他の属性情報についても同様である。

また、制御部１１は、数値化テーブル１２３Ａを参照し、計測された狭窄率が４０％未満の場合には「１」、４０％以上６０％未満の場合には「２」、６０％以上８０％未満の場合には「３」、８０％以上の場合には「４」といったように、狭窄率を数値化することができる。血液検査、病変部位といった他の計測情報についても同様である。

本実施の形態では、数値化テーブル１２３Ａを用いて患者の属性情報及び計測情報を数値化する構成としたが、数値化テーブル１２３Ａを用いて数値化する構成に代えて、予め設定された計算式や関数を用いて数値化する構成としてもよい。

制御部１１は、数値化した各医用情報を合併症毎のスコア算出用計算式１２３Ｂに代入することによって、合併症毎に第１スコアを算出する。スコア算出用計算式１２３Ｂは、例えば各医療情報を数値化した数値の重み付き和によって表される。重み付き和に限らず、他の計算式を用いてもよい。

図５は第２スコアの算出手法を説明する説明図である。治療支援装置１の制御部１１は、学習モデル１２４を用いて医用画像に基づく第２スコアを算出する。本実施の形態では、学習モデル１２４は合併症毎に用意される。図５に示す例において、学習モデル１２４Ａ～１２４Ｄは、それぞれ解離用、側枝閉塞用、No Reflow用、Slow Flow用の学習モデルを表す。学習モデル１２４Ａ～１２４Ｄは、医用画像の入力に対して、それぞれ解離、側枝閉塞、No Reflow、Slow Flowに関する第２スコアの情報を出力するように構成される。

図６は学習モデル１２４Ａの構成例を説明する模式図である。学習モデル１２４Ａは、入力層、中間層（隠れ層）、及び出力層を備える。入力層には、医用画像の画像データが入力される。入力層に入力された医用画像の画像データは中間層へ送出される。

中間層は、畳み込み層、プーリング層、及び全結合層により構成される。畳み込み層とプーリング層とは交互に複数設けられてもよい。畳み込み層及びプーリング層は、各層のノードを用いた演算によって、入力層より入力される医用画像の特徴を抽出する。全結合層は、畳み込み層及びプーリング層によって特徴部分が抽出されたデータを１つのノードに結合し、活性化関数によって変換された特徴変数を出力する。特徴変数は、全結合層を通じて出力層へ出力される。

出力層は、１つ又は複数のノードを備える。出力層は、中間層の全結合層から入力される特徴変数を基に、ソフトマックス関数を用いて確率に変換し、各スコアに該当する確率を各ノードから出力する。例えば、第１のノードからは、スコアがｓ１である確率（＝Ａ１）を出力し、第２ノードからは、スコアがｓ２である確率（＝Ａ２）を出力し、…、第ｎノードからは、スコアがｓｎである確率（＝Ａｎ）を出力する。制御部１１は、学習モデル１２４の出力層から出力される各スコアの確率を参照し、確率が最も高いスコアを、医用画像に基づくスコア（第２スコア）として決定する。

図６の例では、解離に関する第２スコアの情報を出力する学習モデル１２４Ａについて説明したが、側枝閉塞、No Reflow、Slow Flowに関する学習モデル１２４Ｂ～１２４Ｄについても同様である。治療支援装置１に搭載される学習モデル１２４は、上述した４つの学習モデル１２４Ａ～１２４Ｄに限らず、カテーテル治療に応じて発生し得る複数の合併症のそれぞれについて用意される。また、超音波断層像、光干渉断層像、アンギオグラフィ画像、ＣＴ画像、ＭＲＩ画像といった医用画像毎に学習モデルを用意し、取得した医用画像に応じて使用する学習モデルを切り替えてもよい。

制御部１１は、患者の医療情報（属性情報及び計測情報）から算出される合併症毎の第１スコアと、医用画像から算出される合併症毎の第２スコアとが得られた場合、得られた第１スコア及び第２スコアから合併症毎の最終的なスコア（トータルスコア）を算出する。トータルスコアは、第１スコアと第２スコアとの和であってもよく、重み付き和であってもよい。

トータルスコアは合併症毎の予後の良否を表す。本実施の形態では、トータルスコアが高い程、予後が悪いことを示す。制御部１１は、トータルスコアに基づき、予後不良のリスクのある１又は複数の合併症を特定する。制御部１１は、例えば、トータルスコアが最も高いものから順に所定数の合併症を選択することによって、予後不良のリスクのある合併症を特定する。また、制御部１１は、各合併症のトータルスコアと予め設定した閾値とを比較し、トータルスコアが閾値以上の合併症を予後不良のリスクのある合併症として特定してもよい。

治療支援装置１は、過去に発生した合併症の情報と、当該合併症について算出されたスコア（トータルスコア）とを関連付けて記憶する合併症データベース１２２を備えているので、上述のように算出したトータルスコアを基に、合併症データベース１２２から類似症例を検索することができる。すなわち、制御部１１は、医用情報に基づき算出したトータルスコアと類似のスコアを有する合併症を類似症例として検索すればよい。なお、スコアの類似／非類似は、算出したトータルスコアと合併症データベース１２２に登録されているスコアとの差（若しくは比）が所定範囲に収まっているか否かにより判断すればよい。

制御部１１は、医用情報から特定した予後不良のリスクのある合併症の情報と、合併症データベース１２２から検索した類似症例の情報とを出力し、表示部１６に表示させる。

図７及び図８は合併症情報の表示例を示す模式図である。図７及び図８は合併症情報の表示画面１６０を治療支援装置１の表示部１６に表示した例を示している。表示画面１６０は、予後不良のリスクのある合併症をリスト形式で表示する合併症リスト１６１と、類似症例をリスト形式で表示する類似症例リスト１６２とを備える。

図７の例では、合併症リスト１６１に予後不良のリスクのある合併症の情報を表示しており、類似症例リスト１６２には類似症例の情報を表示していない。合併症リスト１６１には、予後不良のリスクの高いものから順に所定数（図７の例では３つ）の合併症の情報が表示されるとよい。各合併症の予後の良否は上述したトータルスコアにより判定することが可能である。合併症リスト１６１は、例えば、予後不良のリスクが最も高い合併症（図７の例ではNo Reflow）の情報を表示する第１パネル１６１Ａ、その次に予後不良のリスクが高い合併症（図７の例ではSlow Flow）の情報を表示する第２パネル１６１Ｂ、その次に予後不良のリスクが高い合併症（図７の例では急性冠閉塞）の情報を表示する第３パネル１６１Ｃを備える。各パネル１６１Ａ～１６１Ｃには、合併症の情報として、合併症の名称及び医療機関での発生率の情報が表示される。

図７では、予後不良のリスクのある合併症の情報として、合併症の名称、及び発生率の情報を表示した例を示しているが、トータルスコアなど他の情報を併せて表示してもよい。また、表示する合併症の数は３つに限らず、１つ以上の合併症の情報を表示すればよい。

合併症リスト１６１に配置される各パネル１６１Ａ～１６１Ｃは操作部１５を用いて選択可能に構成されている。パネル１６１Ａ～１６１Ｃの何れか１つが選択された場合、選択されたパネル１６１Ａ（又は１６１Ｂ，１６１Ｃ）に表示されている合併症に関して、類似症例が類似症例リスト１６２にリスト形式で表示される。

図８の例は、図７に示す表示画面１６０においてパネル１６１Ａが選択された状態を示している。パネル１６１Ａに表示されている合併症はNo Reflowであるので、No Reflowの類似症例の情報が類似症例リスト１６２に表示される。類似症例リスト１６２には、選択された合併症との類似度が高い順に類似症例が表示される。類似度は、選択された合併症のトータルスコア（ｘとする）と、各類似症例について算出された類似症例のトータルスコア（ｙとする）とにより、例えば｜ｘ－ｙ｜／ｙ×１００により算出される。

図８の例では、２つのパネル１６２Ａ，１６２Ｂが類似症例リスト１６２に表示されている。第１パネル１６２Ａには、類似度が最も高い類似症例（類似症例１）が表示され、第２パネル１６２Ｂには、類似度がその次に高い類似症例（類似症例２）が表示される。その他の類似症例については右端のスクロールバーをスクロールさせることにより表示することが可能である。各パネル１６２Ａ，１６２Ｂには、類似症例の情報として、類似症例の名称、類似度、類似症例の詳細情報が表示される。詳細情報には、患者の属性情報、計測情報、実施された手技や処置についての情報が含まれる。また、各パネル１６２Ａ，１６２Ｂに医用画像を表示させるためのリンクを設け、リンクが操作された場合、医用画像を表示するように構成してもよい。

以下、治療支援装置１が実行する処理の手順について説明する。
図９は治療支援装置１が実行する処理の手順を説明するフローチャートである。治療支援装置１の制御部１１は、記憶部１２から治療支援プログラム１２１を読み出して実行することによって、以下の処理を実行する。

制御部１１は、患者に対してカテーテル治療を施す際に収集される医用情報を取得する（ステップＳ１０１）。医用情報は、患者の属性情報、患者について計測された計測情報、及び患者について撮像された医用画像を含む。制御部１１は、操作部１５を通じて患者の年齢、性別等の属性情報を受付けることができる。また、制御部１１は、入力部１３を通じて、患者について計測された計測情報、及び患者について撮像された医用画像を取得することができる。制御部１１は、カテーテル治療の開始前や開始後の適宜のタイミングで医用情報を取得すればよい。全ての医用情報を同じタイミングで取得する必要はなく、適宜のタイミングで必要な医用情報を順次取得すればよい。

次いで、制御部１１は、取得した医用情報に含まれる属性情報及び計測情報を用いて第１スコアを算出する（ステップＳ１０２）。すなわち、制御部１１は、数値化テーブル１２３Ａを参照して患者の属性情報及び計測情報を数値化し、合併症毎に定められたスコア算出用計算式１２３Ｂに代入することによって、合併症毎に第１スコアを算出する。

次いで、制御部１１は、取得した医用情報に含まれる医用画像を用いて第２スコアを算出する（ステップＳ１０３）。すなわち、制御部１１は、ステップＳ１０１で取得した医用画像を合併症毎の学習モデル１２４（図５の例では学習モデル１２４Ａ～１２４Ｄ）に入力し、学習モデル１２４から出力される情報に基づき、合併症毎に第２スコアを決定する。

次いで、制御部１１は、ステップＳ１０２で算出した第１スコアと、ステップＳ１０３で算出した第２スコアとを用いて、合併症毎の予後の良否に係るスコア（トータルスコア）を算出する（ステップＳ１０４）。トータルスコアは、第１スコア及び第２スコアの和であってもよく、重み付き和であってもよい。

次いで、制御部１１は、算出したトータルスコアに基づき、カテーテル治療に応じて発生し得る複数の合併症のうち、予後不良のリスクのある１又は複数の合併症を特定する（ステップＳ１０５）。制御部１１は、例えば、トータルスコアが最も高いものから順に所定数（例えば３つ）の合併症を選択することによって、予後不良のリスクのある合併症を特定する。代替的に、制御部１１は、閾値以上のトータルスコアを有する合併症を選択することによって、予後不良のリスクのある合併症を特定してもよい。

次いで、制御部１１は、ステップＳ１０５で特定した予後不良のリスクのある合併症の情報を表示部１６に表示させる（ステップＳ１０６）。このとき、制御部１１は、特定した合併症の名称をスコアの順に表示するための表示データを表示部１６へ出力し、表示部１６に合併症リスト１６１を表示させる。また、制御部１１は、合併症の発生率を合併症データベース１２２から読み出し、合併症の名称と共に、合併症の発生率を表示するための表示データを表示部１６へ出力し、合併症リスト１６１に合併症の名称及び発生率を表示させてもよい。

次いで、制御部１１は、類似症例を表示させるか否かを判断する（ステップＳ１０７）。制御部１１は、表示部１６に表示させた合併症リスト１６１において特定の合併症が選択された場合、その合併症についての類似症例を表示させると判断する。類似症例を表示させないと判断した場合（Ｓ１０７：ＮＯ）、制御部１１は、本フローチャートによる処理を終了する。

類似症例を表示させると判断した場合（Ｓ１０７：ＹＥＳ）、制御部１１は、選択された合併症と類似のトータルスコアを有する合併症（類似症例）を合併症データベース１２２から検索する（ステップＳ１０８）。合併症データベース１２２には、過去に発生した合併症の情報と、当該合併症について算出されたトータルスコアとが関連付けられて記憶されているので、制御部１１は、選択された合併症と類似のスコアを有する合併症を類似症例として合併症データベース１２２から検索する。スコアの類似／非類似は、算出したトータルスコアと合併症データベース１２２に登録されているスコアとの差（若しくは比）が所定範囲に収まっているか否かにより判断すればよい。

本実施の形態では、類似症例を表示させると判断した場合に類似症例を合併症データベース１２２から検索する構成としたが、ステップＳ１０５で予後不良のリスクのある合併症を特定した時点で類似症例の検索を行ってもよい。

制御部１１は、ステップＳ１０８で検索された類似症例の情報を表示部１６に表示させる（ステップＳ１０９）。このとき、制御部１１は、検索された類似症例を類似度の順に表示するための表示データを表示部１６へ出力し、表示部１６の類似症例リスト１６２に類似症例の情報を表示させる。また、制御部１１は、類似度、及び合併症の要因となったカテーテル治療の情報とを合併症データベース１２２から読み出し、類似症例の名称と共に、類似度及び合併症の要因となったカテーテル治療の情報を類似症例リスト１６２に表示させてもよい。

制御部１１は、カテーテル治療の前に上記の処理を行い、合併症及び類似症例の情報を、治療戦略を立てるときの支援情報として医療従事者に提供してもよい。また、制御部１１は、カテーテル治療の実行中に上記の処理を行い、合併症及び類似症例の情報を、手術の際の支援情報として医療従事者に提供してもよい。更に、制御部１１は、カテーテル治療の実行後に上記の処理を行い、合併症及び類似症例の情報を、治療評価を行うときの支援情報として医療従事者に提供してもよい。

以上のように、本実施の形態に係る治療支援装置１は、カテーテル治療に関して発生し得る合併症に関し、予後不良のリスクに係る情報を医療従事者等に提示できる。その結果、治療精度の向上、判断ミスの回避、手術時間の短縮が可能となり、カテーテル治療の質向上に寄与することが期待される。

本実施の形態では、第１スコアをルールベースで算出し、第２スコアを学習モデル１２４を用いて算出する構成としたが、機械学習モデルのみを用いて、予後の良否に係るスコアを算出する構成としてもよい。すなわち、制御部１１は、医用情報として含まれる患者の属性情報、計測情報、及び医用画像を入力した場合、予後の良否に係るスコアに関する情報を出力するよう構成された学習モデルを用いて、スコアを算出してもよい。

また、本実施の形態では、合併症毎の学習モデル１２４Ａ～１２４Ｄを用意して、合併症毎の第２スコアを算出する構成としたが、医用画像を入力した場合、各合併症の第２スコアに関する情報を出力するよう構成された１つの学習モデルを用いて、各合併症の第２スコアを算出してもよい。

更に、本実施の形態では、患者の属性情報、計測情報、医用画像を用いてスコアを算出する構成としたが、血管内画像診断装置２や透視画像撮影装置３などの装置における設定値や計測値（例えば、バルーンの圧力）を取得し、取得した設定値や計測値を加味してスコアを算出してもよい。

（実施の形態２）
実施の形態２では、医用情報に含まれるパラメータによってフィルタリングを行い、フィルタリング後の情報を表示する構成について説明する。
なお、治療支援システムの全体構成、及び治療支援装置１の内部構成は実施の形態１と同様であるため、その説明を省略することとする。

図１０は実施の形態２における合併症情報の表示例を示す模式図である。図１０は合併症情報の表示画面１６０を治療支援装置１の表示部１６に表示した例を示している。表示画面１６０は、合併症リスト１６１及び類似症例リスト１６２の他、例えば年齢フィルタ１６３を備える。年齢フィルタ１６３に年齢の下限値及び上限値が設定された場合、制御部１１は、該当する年齢の患者に発生した合併症（類似症例）を合併症データベース１２２から検索し、検索結果として得られる類似症例の情報を類似症例リスト１６２に表示させる。図１０の例では、下限値が５０歳、上限値が５９歳に設定されているので、制御部１１は、５０歳以上、５９歳以下の患者について発生した合併症を合併症データベース１２２から検索し、検索結果として得られる類似症例の情報を類似症例リスト１６２に表示させている。

本実施の形態では、表示画面１６０に年齢フィルタ１６３を設けた構成について説明したが、性別、危険因子、既往歴、血液検査、病変部位、狭窄率を含む他の医療情報、アンギオグラフィ画像、ＣＴ画像、ＩＶＵＳ画像、ＯＣＴ／ＯＦＤＩ画像を含む医用画像によってフィルタリングを行えるようにしてもよい。

以上のように、本実施の形態では、医用情報に含まれるパラメータによってフィルタリングを行えるので、より条件が近い類似症例の情報を医療従事者に提供できる。

（実施の形態３）
実施の形態３では、医用情報に含まれるパラメータの変化に応じて、スコアがどの程度変化するのかを表示する構成について説明する。
なお、治療支援システムの全体構成、及び治療支援装置１の内部構成は実施の形態１と同様であるため、その説明を省略することとする。

図１１はパラメータの変更画面の一例を示す模式図である。図１１はパラメータの変更画面１７０を治療支援装置１の表示部１６に表示した例を示している。治療支援装置１は、表示部１６に表示した変更画面１７０を通じて、患者の属性情報及び計測情報の変更を受付けることが可能である。属性情報及び計測情報に含まれるパラメータの１つが変更された場合、治療支援装置１の制御部１１は、スコアの再計算を行い、再計算後のスコアを変更画面１７０に表示させる。図１１の例では、狭窄率を８４％から２０％に変更した結果、スコアが９０から３０に減少したことを示している。なお、算出するスコアは、第１スコア（若しくは第２スコア）であってもよく、トータルスコアであってもよい。

また、患者の属性情報及び計測情報の変更を受付けるだけでなく、医用画像の変更を受け付けてもよい。更に、血管内画像診断装置２や透視画像撮影装置３などの装置における各種設定値や計測値（例えばバルーンの圧力など）の変更を受付け、変更後のパラメータに基づき、スコアを再計算してもよい。

以上のように、本実施の形態では、医用情報に含まれるパラメータを変更した場合において、スコアがどのように変化するのかを提示することができるので、医療従事者は変更画面１７０を通じて提供される情報を参照することにより、適切に治療戦略を立てることができる。

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

１ 治療支援装置
２ 血管内画像診断装置
２Ｃ カテーテル
３ 透視画像撮影装置
１１ 制御部
１２ 記憶部
１３ 入力部
１４ 通信部
１５ 操作部
１６ 表示部
１２１ 治療支援プログラム
１２２ 合併症データベース
１２３ スコア算出ルール
１２４ 学習モデル

Claims (11)

1. 患者に対してカテーテル治療を施す際に収集される医用情報を取得する取得部と、
   取得した医用情報に基づき、前記カテーテル治療に応じて発生し得る複数の合併症の夫々について、予後の良否に係るスコアを算出する算出部と、
   算出したスコアに基づき、前記複数の合併症のうち、予後不良のリスクのある１又は複数の合併症を特定する特定部と、
   過去に発生した任意の合併症に関する情報と、該合併症について算出された予後の良否に係るスコアとを関連付けて記憶する記憶部から、前記算出部が算出したスコアと類似のスコアを有する類似症例を検索する検索部と、
   前記特定部が特定した合併症の情報と、前記記憶部から検索された類似症例に関する情報とを出力する出力部と
   を備える情報処理装置。
2. 前記出力部は、前記特定部が特定した合併症の名称をスコアの順に表示するためのデータを出力する
   請求項１に記載の情報処理装置。
3. 前記出力部は、前記特定部が特定した合併症の名称と共に、前記カテーテル治療を実施する医療機関での前記合併症の発生率を表示するためのデータを出力する
   請求項１又は請求項２に記載の情報処理装置。
4. 前記特定部が特定した１又は複数の合併症に対する選択操作を受付ける受付部
   を備え、
   前記出力部は、選択された合併症の類似症例に関する情報を一覧で表示するためのデータを出力する
   請求項１から請求項３の何れか１つに記載の情報処理装置。
5. 前記出力部は、前記記憶部から検索された類似症例に関する情報をスコアの類似度の順に表示するためのデータを出力する
   請求項１から請求項４の何れか１つに記載の情報処理装置。
6. 前記出力部は、前記類似症例に関して、前記スコアの類似度と、合併症の要因となったカテーテル治療の情報とを併せて表示するためのデータを出力する
   請求項５に記載の情報処理装置。
7. 前記出力部は、前記カテーテル治療の実施中に、前記特定部が特定した合併症の情報と、前記記憶部から検索された類似症例に関する情報とを表示する
   請求項１から請求項６の何れか１つに記載の情報処理装置。
8. 前記医用情報は、前記患者の属性情報、前記患者について計測された計測情報、及び前記患者について撮像された医用画像を含む
   請求項１から請求項７の何れか１つに記載の情報処理装置。
9. 前記算出部は、
   前記属性情報及び前記計測情報を用いてルールベースで第１スコアを算出し、
   前記医用画像を機械学習モデルに入力して第２スコアを算出し、
   算出した第１スコア及び第２スコアに基づき、各合併症の予後の良否に係るスコアを算出する
   請求項８に記載の情報処理装置。
10. コンピュータを用いて、
    患者に対してカテーテル治療を施す際に収集される医用情報を取得し、
    取得した医用情報に基づき、前記カテーテル治療に応じて発生し得る複数の合併症の夫々について、予後の良否に係るスコアを算出し、
    算出したスコアに基づき、前記複数の合併症のうち、予後不良のリスクのある１又は複数の合併症を特定し、
    過去に発生した任意の合併症に関する情報と、該合併症について算出された予後の良否に係るスコアとを関連付けて記憶する記憶装置から、算出したスコアと類似のスコアを有する類似症例を検索し、
    特定した合併症の情報と、前記記憶装置から検索された類似症例に関する情報とを出力する
    情報処理方法。
11. コンピュータに、
    患者に対してカテーテル治療を施す際に収集される医用情報を取得し、
    取得した医用情報に基づき、前記カテーテル治療に応じて発生し得る複数の合併症の夫々について、予後の良否に係るスコアを算出し、
    算出したスコアに基づき、前記複数の合併症のうち、予後不良のリスクのある１又は複数の合併症を特定し、
    過去に発生した任意の合併症に関する情報と、該合併症について算出された予後の良否に係るスコアとを関連付けて記憶する記憶装置から、算出したスコアと類似のスコアを有する類似症例を検索し、
    特定した合併症の情報と、前記記憶装置から検索された類似症例に関する情報とを出力する
    処理を実行させるためのコンピュータプログラム。