【技术实现步骤摘要】
【国外来华专利技术】痴呆症预测装置、预测模型生成装置及痴呆症预测用程序
[0001]本专利技术涉及痴呆症预测装置、预测模型生成装置以及痴呆症预测用程序,尤其涉及预测患者的痴呆症的病情程度(包括患者罹患痴呆症的可能性)的技术、以及生成该预测中使用的预测模型的技术。
技术介绍
[0002]痴呆症随着人口的老龄化而不断增加,不仅成为医疗问题,而且成为大的社会问题。在治疗痴呆症时,痴呆症的早期发现及病情程度的评价非常重要。目前,在痴呆症的筛查或病情程度的评价中,日常临床上广泛使用简易精神状态检查(Mini Mental State Examination:MMSE)。MMSE是由观察定向力、记忆力、注意力(计算力)、语言能力、构成力(图形能力)等的11个项目30分满分的问题构成的认知功能检查。在30分中,27分以下为疑似轻度认知障碍(Mild Cognitive Impairment:MCI),23分以下为疑似痴呆症,等等。
[0003]目前,已知有一种按MMSE的评价项目进行评价来判定罹患痴呆症的可能性,并根据该判定结果进行护理支援的系统(例如参照专利文献1)。在专利文献1所记载的系统中,通过MMSE调查被护理者的身体或精神健康状态,并根据该调查结果来评价被护理者的健康状态。而且,根据被护理者的健康状态的评价制成语音或影像并分发给护理者,护理者根据分发到的语音或影像来护理被护理者。然后,重新调查被护理者的身体或精神健康状态,重新评价被护理者的健康状态。关于调查,记载了从记忆障碍、定向力、ADL(日常生活活动能力)、身体机能这四个项目的 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种痴呆症预测装置,其特征在于,具备:学习用数据输入部,其将分别表示痴呆症的病情程度已知的多名患者进行的自由对话的内容的多个文本作为学习用数据输入;元素提取部,其对所述学习用数据输入部作为所述学习用数据输入的所述多个文本进行语素分析,从该多个文本提取多个分解元素;文本向量计算部,其通过将所述多个文本分别按照规定的规则在q个(q为2以上的任意整数)维度上向量化,从而计算出由q个轴分量构成的多个文本向量;元素向量计算部,其通过将所述多个分解元素分别按照规定的规则在q个维度上向量化,从而计算出由q个轴分量构成的多个元素向量;指标值计算部,其通过分别取得所述多个文本向量与所述多个元素向量的内积,从而计算出反映所述多个文本与所述多个分解元素之间的关联度的关联度指标值;预测模型生成部,其使用所述指标值计算部计算出的所述关联度指标值,生成用于根据针对一个文本由多个关联度指标值构成的文本指标值组预测所述痴呆症的病情程度的预测模型;预测用数据输入部,其将表示作为预测对象的患者进行的自由对话的内容的文本作为预测用数据输入;以及痴呆症预测部,其通过将对所述预测用数据输入部输入的所述预测用数据执行所述元素提取部、所述文本向量计算部、所述元素向量计算部以及所述指标值计算部的处理而得到的关联度指标值应用于所述预测模型生成部生成的所述预测模型,从而针对所述作为预测对象的患者预测所述痴呆症的病情程度。2.如权利要求1所述的痴呆症预测装置,其特征在于,所述学习用数据输入部将分别表示痴呆症的病情程度已知的m名(m为2以上的任意整数)患者进行的自由对话的内容的m个文本作为所述学习用数据输入;所述元素提取部是对所述学习用数据输入部作为所述学习用数据输入的所述m个文本进行分析,并从该m个文本中提取n个(n为2以上的任意整数)单词的单词提取部;所述文本向量计算部通过将所述m个文本分别按照规定的规则在q个维度上向量化,从而计算出由q个轴分量构成的m个文本向量;所述元素向量计算部是通过将所述n个单词分别按照规定的规则在q个维度上向量化,从而计算出由q个轴分量构成的n个单词向量的单词向量计算部;所述指标值计算部通过分别取得所述m个文本向量与所述n个单词向量的内积,从而计算出反映所述m个文本与所述n个单词之间的关联度的m
×
n个关联度指标值;所述预测模型生成部使用所述指标值计算部计算出的所述m
×
n个关联度指标值,生成用于根据针对一个文本由n个关联度指标值构成的文本指标值组预测所述痴呆症的病情程度的预测模型;所述预测用数据输入部将分别表示作为预测对象的m
′
名(m
′
为1以上的任意整数)患者进行的自由对话的内容的m
′
个文本作为预测用数据输入;所述痴呆症预测部通过将对所述预测用数据输入部输入的所述预测用数据执行所述单词提取部、所述文本向量计算部、所述单词向量计算部以及所述指标值计算部的处理而得到的关联度指标值应用于所述预测模型生成部生成的所述预测模型,从而针对所述作为
预测对象的m
′
名患者预测所述痴呆症的病情程度。3.如权利要求1所述的痴呆症预测装置,其特征在于,所述学习用数据输入部将分别表示痴呆症的病情程度已知的m名(m为2以上的任意整数)患者进行的自由对话的内容的m个文本作为所述学习用数据输入;所述元素提取部是对所述学习用数据输入部作为所述学习用数据输入的所述m个文本进行分析,并从该m个文本中提取p个(p为2以上的任意整数)词类的词类提取部;所述文本向量计算部通过将所述m个文本分别按照规定的规则在q个维度上向量化,从而计算出由q个轴分量构成的m个文本向量;所述元素向量计算部是通过将所述p个词类分别按照规定的规则在q个维度上向量化,从而计算出由q个轴分量构成的p个词类向量的词类向量计算部;所述指标值计算部通过分别取得所述m个文本向量与所述p个词类向量的内积,从而计算出反映所述m个文本与所述p个词类之间的关联度的m
×
p个关联度指标值;所述预测模型生成部使用所述指标值计算部计算出的所述m
×
p个关联度指标值,生成用于根据针对一个文本由p个关联度指标值构成的文本指标值组预测所述痴呆症的病情程度的预测模型;所述痴呆症预测部通过将对所述预测用数据输入部输入的所述预测用数据执行所述词类提取部、所述文本向量计算部、所述词类向量计算部以及所述指标值计算部的处理而得到的关联度指标值应用于所述预测模型生成部生成的所述预测模型,从而针对所述作为预测对象的m
′
名患者预测所述痴呆症的病情程度。4.如权利要求1所述的痴呆症预测装置,其特征在于,所述学习用数据输入部将分别表示痴呆症的病情程度已知的m名(m为2以上的任意整数)患者进行的自由对话的内容的m个文本作为所述学习用数据输入;所述元素提取部包括单词提取部和词类提取部,所述单词提取部对所述学习用数据输入部作为所述学习用数据输入的所述m个文本进行分析,从该m个文本中提取n个(n为2以上的任意整数)单词,所述词类提取部对所述学习用数据输入部作为所述学习用数据输入的所述m个文本进行分析,从该m个文本中提取p个(p为2以上的任意整数)词类;所述文本向量计算部通过将所述m个文本分别按照规定的规则在q个维度上向量化,从而计算出由q个轴分量构成的m个文本向量;所述元素向量计算部包括单词向量计算部和词类向量计算部,所述单词向量计算部通过将所述n个单词分别按照规定的规则在q个维度上向量化,从而计算出由q个轴分量构成的n个单词向量,所述词类向量计算部通过将所述p个词类分别按照规定的规则在q个维度上向量化,从而计算出由q个轴分量构成的p个词类向量;所述指标值计算部通过分别取得所述m个文本向量与所述n个单词向量的内积,从而计算出反映所述m个文本与所述n个单词之间的关联度的m
×
n个关联度指标值,并且,通过分别取得所述m个文本向量与所述p个词类向量的内积,从而计算出反映所述m个文本与所述p个词类之间的关联度的m
×
p个关联度指标值;所述预测模型生成部使用所述指标值计算部计算出的所述m
×
n个关联度指标值和所述m
×
p个关联度指标值,生成用于根据针对一个文本由n个关联度指标值构成的文本指标值组和由p个关联度指标值构成的文本指标值组预测所述痴呆症的病情程度的预测模型;
所述痴呆症预测部通过将对所述预测用数据输入部输入的所述预测用数据执行所述单词提取部、所述词类提取部、所述文本向量计算部、所述单词向量计算部、所述词类向量计算部以及所述指标值计算部的处理而得到的所述关联度指标值应用于所述预测模型生成部生成的所述预测模型,从而针对所述作为预测对象的m
′
名患者预测所述痴呆症的病情程度。5.如权利要求1至4中任一项所述的痴呆症预测装置,其特征在于,还具备降维部,所述降维部通过对所述指标值计算部计算出的所述关联度指标值进行规定的降维处理,从而计算出被降维的关联度指标值;所述预测模型生成部使用通过所述降维部降维后的关联度指标值,生成用于根据针对一个文本由多个关联度指标值构成的文本指标值组预测所述痴呆症的病情程度的预测模型;所述痴呆症预测部通过将对所述指标值计算部算出的关联度指标值进一步执行所述降维部的处理而得到的关联度...
【专利技术属性】
技术研发人员:丰柴博义,内山秀文,岸本泰士郎,船木桂,菅洋子,堀田章悟,藤田卓仙,三村将,
申请(专利权)人:学校法人庆应义塾,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。