JP2025073061A - Atrial fibrillation duration estimation support device, atrial fibrillation duration estimation trained model manufacturing device, atrial fibrillation duration estimation support method, atrial fibrillation duration estimation trained model manufacturing method, atrial fibrillation duration estimation support program, atrial fibrillation duration estimation trained model manufacturing program, and recording medium - Google Patents

Abstract

To provide an atrial fibrillation duration estimation support device capable of estimating a duration of a sufferer from an atrial fibrillation.SOLUTION: The atrial fibrillation duration estimation support device comprises an electrocardiogram information acquisition part, a duration estimation part, and an output part. The electrocardiogram information acquisition part acquires electrocardiogram information of a sufferer from an atrial fibrillation. The duration estimation part estimates a duration of the atrial fibrillation of the sufferer from the atrial fibrillation based on the electrocardiogram information. The output part outputs the duration.SELECTED DRAWING: Figure 1

Description

Translated fromJapanese

本開示は、心房細動の持続期間推定支援装置、心房細動の持続期間推定用学習済みモデル製造装置、心房細動の持続期間推定支援方法、心房細動の持続期間推定用学習済みモデル製造方法、心房細動の持続期間推定支援プログラム、心房細動の持続期間推定用学習済みモデル製造プログラム及び記録媒体に関する。The present disclosure relates to an atrial fibrillation duration estimation support device, an atrial fibrillation duration estimation trained model production device, an atrial fibrillation duration estimation support method, an atrial fibrillation duration estimation trained model production method, an atrial fibrillation duration estimation support program, an atrial fibrillation duration estimation trained model production program, and a recording medium.

近年、超高齢化社会の進行とともに心房細動の患者が増加している。心房細動の治療手法としては、カテーテルアブレーション手術であることが知られている。例えば、特許文献１には、心房細動等の治療に利用可能な、カテーテルアブレーションシステムが記載されている。In recent years, the number of patients with atrial fibrillation has been increasing with the progress of the super-aging society. Catheter ablation surgery is known as a method of treating atrial fibrillation. For example, Patent Document 1 describes a catheter ablation system that can be used to treat atrial fibrillation and the like.

特開２０１６－１４７０１８号公報JP 2016-147018 A

心房細動の治療においては、患者が心房細動を発症してからの期間（持続期間）が、カテーテルアブレーション手術後の心房細動の再発率に関係することが知られている。しかしながら、臨床現場において、患者の心房細動の持続期間については、患者自身からの問診に頼っており、患者本人の記憶があいまいである場合もあり、心房細動患者には、自覚症状がない無症状患者もいることから、心房細動患者において、正確な持続期間を知ることが難しいという課題がある。In the treatment of atrial fibrillation, it is known that the period from when a patient develops atrial fibrillation (duration) is related to the recurrence rate of atrial fibrillation after catheter ablation surgery. However, in clinical practice, the duration of atrial fibrillation relies on interviews with the patient themselves, and patients may not remember clearly. In addition, some atrial fibrillation patients are asymptomatic and do not experience any symptoms, making it difficult to know the exact duration of atrial fibrillation.

そこで本開示は、心房細動患者の持続期間を推定可能な心房細動の持続期間推定支援装置を提供することを目的とする。Therefore, the present disclosure aims to provide an atrial fibrillation duration estimation support device that can estimate the duration of atrial fibrillation in patients.

前記目的を達成するために、本開示の心房細動の持続期間推定支援装置は、
心電図情報取得部、持続期間推定部、及び出力部を含み、
前記心電図情報取得部は、心房細動患者の心電図情報を取得し、
前記持続期間推定部は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定し、
前記出力部は、前記持続期間を出力する。 In order to achieve the above object, the present disclosure provides an atrial fibrillation duration estimation assistance device,
The device includes an electrocardiogram information acquisition unit, a duration estimation unit, and an output unit,
The electrocardiogram information acquisition unit acquires electrocardiogram information of a patient having atrial fibrillation,
the duration estimation unit estimates a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information;
The output unit outputs the duration.

本開示の心房細動の持続期間推定用学習済みモデル製造装置は、
学習用情報取得部、及び学習済みモデル生成部を含み、
前記学習用情報取得部は、学習用情報を取得し、
前記学習用情報は、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含み、
前記学習済みモデル生成部は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成する。 The trained model generating device for estimating the duration of atrial fibrillation according to the present disclosure comprises:
A learning information acquisition unit and a trained model generation unit are included,
The learning information acquisition unit acquires learning information,
the learning information includes electrocardiogram information of an atrial fibrillation patient and a duration of atrial fibrillation of the atrial fibrillation patient;
The trained model generation unit generates a duration estimation model as a trained model, which outputs the duration of atrial fibrillation of a subject when electrocardiogram information of the subject is input, through machine learning using the duration as a correct label for the electrocardiogram information.

本開示の心房細動の持続期間推定支援方法は、
心電図情報取得工程、持続期間推定工程、及び出力工程を含み、
前記心電図情報取得工程は、心房細動患者の心電図情報を取得し、
前記持続期間推定工程は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定し、
前記出力工程は、前記持続期間を出力し、
前記各工程が、コンピュータにより実行される方法である。 The method for assisting in estimating duration of atrial fibrillation according to the present disclosure includes:
The method includes an electrocardiogram information acquiring step, a duration estimating step, and an output step,
The electrocardiogram information acquiring step acquires electrocardiogram information of a patient having atrial fibrillation,
the duration estimation step estimates a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information;
The output step outputs the duration,
Each of the steps is a computer-implemented method.

本開示の心房細動の持続期間推定用学習済みモデル製造方法は、
学習用情報取得工程、及び学習済みモデル生成工程を含み、
前記学習用情報取得工程は、学習用情報を取得し、
前記学習用情報は、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含み、
前記学習済みモデル生成工程は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成する。 The method for generating a trained model for estimating the duration of atrial fibrillation disclosed herein includes the steps of:
The method includes a learning information acquisition step and a trained model generation step,
The learning information acquiring step acquires learning information,
the learning information includes electrocardiogram information of an atrial fibrillation patient and a duration of atrial fibrillation of the atrial fibrillation patient;
The trained model generation process uses machine learning with the duration as a correct label for the electrocardiogram information to generate a duration estimation model as a trained model that outputs the duration of atrial fibrillation of the subject when the subject's electrocardiogram information is input.

本開示の持続期間推定支援プログラムは、
心電図情報取得手順、持続期間推定手順、及び出力手順を含み、
前記心電図情報取得手順は、心房細動患者の心電図情報を取得し、
前記持続期間推定手順は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定し、
前記出力手順は、前記持続期間を出力し、
前記各手順を、コンピュータに実行させるための心房細動の持続期間推定支援プログラムである。 The duration estimation support program of the present disclosure is
The method includes an electrocardiogram information acquisition step, a duration estimation step, and an output step,
The electrocardiogram information acquisition step acquires electrocardiogram information of a patient with atrial fibrillation,
the duration estimation step includes estimating a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information;
The output step outputs the duration;
The atrial fibrillation duration estimation support program causes a computer to execute each of the above procedures.

本開示の心房細動の持続期間推定用学習済みモデル製造プログラムは、
学習用情報取得手順、及び学習済みモデル生成手順を含み、
前記学習用情報取得手順は、学習用情報を取得し、
前記学習用情報は、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含み、
前記学習済みモデル生成手順は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成し、
前記各手順を、コンピュータに実行させるための心房細動の持続期間推定用学習済みモデル製造プログラムである。 The present disclosure relates to a program for creating a trained model for estimating the duration of atrial fibrillation,
The method includes a learning information acquisition procedure and a trained model generation procedure,
The learning information acquisition step acquires learning information,
the learning information includes electrocardiogram information of an atrial fibrillation patient and a duration of atrial fibrillation of the atrial fibrillation patient;
the trained model generation step generates, as a trained model, a duration estimation model that outputs the duration of atrial fibrillation of a subject when electrocardiogram information of the subject is input, by machine learning using the duration as a correct answer label for the electrocardiogram information;
This is a program for creating a trained model for estimating the duration of atrial fibrillation, which causes a computer to execute each of the above procedures.

本開示の記録媒体は、
心電図情報取得手順、持続期間推定手順、及び出力手順を含み、
前記心電図情報取得手順は、心房細動患者の心電図情報を取得し、
前記持続期間推定手順は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定し、
前記出力手順は、前記持続期間を出力し、
前記各手順を、コンピュータに実行させるための心房細動の持続期間推定支援プログラムを記録しているコンピュータ読み取り可能な記録媒体である。 The recording medium of the present disclosure includes:
The method includes an electrocardiogram information acquisition step, a duration estimation step, and an output step,
The electrocardiogram information acquisition step acquires electrocardiogram information of a patient with atrial fibrillation,
the duration estimation step includes estimating a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information;
The output step outputs the duration;
The present invention is a computer-readable recording medium having recorded thereon an atrial fibrillation duration estimation assistance program for causing a computer to execute each of the above-mentioned procedures.

本開示の記録媒体は、
学習用情報取得手順、及び学習済みモデル生成手順を含み、
前記学習用情報取得手順は、学習用情報を取得し、
前記学習用情報は、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含み、
前記学習済みモデル生成手順は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成し、
前記各手順を、コンピュータに実行させるための心房細動の持続期間推定用学習済みモデル製造プログラムを記録しているコンピュータ読み取り可能な記録媒体である。 The recording medium of the present disclosure includes:
The method includes a learning information acquisition procedure and a trained model generation procedure,
The learning information acquisition step acquires learning information,
the learning information includes electrocardiogram information of an atrial fibrillation patient and a duration of atrial fibrillation of the atrial fibrillation patient;
the trained model generation step generates, as a trained model, a duration estimation model that outputs the duration of atrial fibrillation of a subject when electrocardiogram information of the subject is input, by machine learning using the duration as a correct answer label for the electrocardiogram information;
This is a computer-readable recording medium that records a program for creating a trained model for estimating the duration of atrial fibrillation, causing a computer to execute each of the above procedures.

本開示によれば、心房細動患者の持続期間を推定できる。This disclosure makes it possible to estimate the duration of atrial fibrillation in patients.

図１は、本開示の心房細動の持続期間推定支援装置の一例の構成を示すブロック図である。FIG. 1 is a block diagram showing a configuration of an example of an atrial fibrillation duration estimation support device according to the present disclosure.図２は、本開示の心房細動の持続期間推定支援装置のハードウェア構成の一例を示すブロック図である。FIG. 2 is a block diagram showing an example of a hardware configuration of the atrial fibrillation duration estimation support device according to the present disclosure.図３は、本開示の心房細動の持続期間推定支援装置における処理の一例を示すフローチャートである。FIG. 3 is a flowchart showing an example of processing in the atrial fibrillation duration estimation assistance device of the present disclosure.図４は、本開示の心房細動の持続期間推定支援装置の一例の構成を示すブロック図である。FIG. 4 is a block diagram showing a configuration of an example of an atrial fibrillation duration estimation support device according to the present disclosure.図５は、本開示の心房細動の持続期間推定支援装置における処理の一例を示すフローチャートである。FIG. 5 is a flowchart showing an example of processing in the atrial fibrillation duration estimation assistance device of the present disclosure.図６は、本開示の心房細動の持続期間推定用学習済みモデル製造装置の一例の構成を示すブロック図である。FIG. 6 is a block diagram showing a configuration of an example of a trained model creation device for estimating the duration of atrial fibrillation disclosed herein.図７は、本開示の心房細動の持続期間推定用学習済みモデル製造装置のハードウェア構成の一例を示すブロック図である。FIG. 7 is a block diagram showing an example of the hardware configuration of a trained model creation device for estimating the duration of atrial fibrillation disclosed herein.図８は、本開示の心房細動の持続期間推定用学習済みモデル製造装置における処理の一例を示すフローチャートである。FIG. 8 is a flowchart showing an example of processing in the trained model creation device for estimating the duration of atrial fibrillation disclosed herein.図９は、実施例の結果を示すグラフである。FIG. 9 is a graph showing the results of the examples.図１０は、実施例の結果を示すグラフである。FIG. 10 is a graph showing the results of the example.

次に、本開示の実施形態について図を用いて説明する。本開示は、以下の実施形態には限定されない。以下の各図において、同一部分には、同一符号を付している。また、各実施形態の説明は、特に言及がない限り、互いの説明を援用でき、各実施形態の構成は、特に言及がない限り、組合せ可能である。Next, an embodiment of the present disclosure will be described with reference to the drawings. The present disclosure is not limited to the following embodiment. In each of the drawings, the same parts are given the same reference numerals. Furthermore, the explanations of each embodiment can be mutually incorporated unless otherwise specified, and the configurations of each embodiment can be combined unless otherwise specified.

［実施形態１］
本実施形態の心房細動の持続期間推定支援装置について、図１を用いて説明する。図１は、本実施形態の心房細動の持続期間推定支援装置１０の一例の構成を示すブロック図である。図１に示すように、心房細動の持続期間推定支援装置１０（以下、「本装置１０」ともいう）は、心電図情報取得部１１、持続期間推定部１２、及び出力部１３を含む。また、本装置１０は、図示していないが、例えば、入力部、出力部、表示部及び／又は記憶部を含んでもよい。[Embodiment 1]
The atrial fibrillation duration estimation support device of this embodiment will be described with reference to Fig. 1. Fig. 1 is a block diagram showing an example of the configuration of an atrial fibrillation durationestimation support device 10 of this embodiment. As shown in Fig. 1, the atrial fibrillation duration estimation support device 10 (hereinafter also referred to as "thedevice 10") includes an electrocardiograminformation acquisition unit 11, aduration estimation unit 12, and anoutput unit 13. In addition, thedevice 10 may include, for example, an input unit, an output unit, a display unit, and/or a storage unit, although these are not shown.

本装置１０は、例えば、前記各部を含む１つの装置でもよいし、前記各部が、通信回線網を介して接続可能な装置でもよい。また、本装置１０は、通信回線網を介して、後述する外部装置と接続可能である。通信回線網は、特に制限されず、公知のネットワークを使用でき、例えば、有線でも無線でもよい。通信回線網は、例えば、インターネット回線、ＷＷＷ（Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）、電話回線、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＳＡＮ（Ｓｔｏｒａｇｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＤＴＮ（Ｄｅｌａｙ Ｔｏｌｅｒａｎｔ Ｎｅｔｗｏｒｋｉｎｇ）、ＬＰＷＡ（Ｌｏｗ Ｐｏｗｅｒ Ｗｉｄｅ Ａｒｅａ）、Ｌ５Ｇ（ローカル５Ｇ）、等があげられる。無線通信としては、例えば、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ローカル５Ｇ、ＬＰＷＡ等が挙げられる。前記無線通信としては、各装置が直接通信する形態（Ａｄ Ｈｏｃ通信）、インフラストラクチャ（infrastructure通信）、アクセスポイントを介した間接通信等であってもよい。本装置１０は、例えば、システムとしてサーバに組み込まれていてもよい。また、本装置１０は、例えば、本開示のプログラムがインストールされたパーソナルコンピュータ（ＰＣ、例えば、デスクトップ型、ノート型）、スマートフォン、タブレット端末等であってもよい。さらに、本装置１０は、例えば、前記各部のうち少なくとも一つがサーバ上にあり、その他の前記各部が端末上にあるような、クラウドコンピューティングやエッジコンピューティング等の形態であってもよい。Thedevice 10 may be, for example, a single device including each of the above-mentioned parts, or a device to which each of the above-mentioned parts can be connected via a communication line network. Thedevice 10 can also be connected to an external device described later via a communication line network. The communication line network is not particularly limited, and any known network can be used, for example, wired or wireless. Examples of communication line networks include the Internet line, WWW (World Wide Web), telephone line, LAN (Local Area Network), SAN (Storage Area Network), DTN (Delay Tolerant Networking), LPWA (Low Power Wide Area), L5G (Local 5G), etc. Examples of wireless communication include Wi-Fi (registered trademark), Bluetooth (registered trademark), local 5G, and LPWA. The wireless communication may be a form in which each device communicates directly (Ad Hoc communication), infrastructure communication, indirect communication via an access point, and the like. Thepresent device 10 may be incorporated into a server as a system, for example. Thepresent device 10 may also be, for example, a personal computer (PC, for example, desktop type or notebook type), a smartphone, a tablet terminal, or the like in which the program of the present disclosure is installed. Furthermore, thepresent device 10 may be, for example, in the form of cloud computing or edge computing in which at least one of the parts is on a server and the other parts are on a terminal.

図２に、本装置１０のハードウェア構成のブロック図を例示する。本装置１０は、例えば、中央処理装置１０１、メモリ１０２、バス１０３、記憶装置１０４、入力装置１０５、出力装置１０６、通信デバイス（通信部）１０７等を含む。本装置１０の各部は、それぞれのインタフェース（Ｉ／Ｆ）により、バス１０３を介して相互に接続されている。Figure 2 shows an example block diagram of the hardware configuration of thedevice 10. Thedevice 10 includes, for example, acentral processing unit 101, amemory 102, abus 103, astorage device 104, aninput device 105, anoutput device 106, and a communication device (communication unit) 107. Each unit of thedevice 10 is connected to each other via thebus 103 and each interface (I/F).

中央処理装置１０１は、コントローラ（システムコントローラ、Ｉ／Ｏコントローラ等）等により、他の構成と連携動作し、本装置１０の全体の制御を担う。本装置１０において、中央処理装置１０１により、例えば、本開示のプログラムやその他のプログラムが実行され、また、各種情報の読み込みや書き込みが行われる。具体的には、例えば、中央処理装置１０１が、心電図情報取得部１１、持続期間推定部１２、及び出力部１３として機能する。本装置１０は、演算装置として、ＣＰＵ、ＧＰＵ（Graphics Processing Unit）、ＡＰＵ（Accelerated Processing Unit）等の他の演算装置を備えてもよいし、これらの組合せを備えてもよい。Thecentral processing unit 101 cooperates with other components through a controller (system controller, I/O controller, etc.) and is responsible for overall control of thedevice 10. In thedevice 10, thecentral processing unit 101 executes, for example, the program disclosed herein and other programs, and also reads and writes various information. Specifically, for example, thecentral processing unit 101 functions as an electrocardiograminformation acquisition unit 11, aduration estimation unit 12, and anoutput unit 13. Thedevice 10 may include other calculation devices such as a CPU, a GPU (Graphics Processing Unit), an APU (Accelerated Processing Unit), or a combination of these as a calculation device.

バス１０３は、例えば、外部装置とも接続できる。前記外部装置は、例えば、外部記憶装置（外部データベース等）、心電計、プリンタ、外部入力装置、外部表示装置、スピーカ等の音声出力装置、カメラ等の外部撮像装置、および加速度センサ、地磁気センサ、方向センサ等の各種センサ等があげられる。本装置１０は、例えば、バス１０３に接続された通信デバイス１０７により、外部ネットワーク（前記通信回線網）に接続でき、外部ネットワークを介して、他の装置と接続することもできる。Thebus 103 can also be connected to, for example, external devices. Examples of the external devices include an external storage device (external database, etc.), an electrocardiograph, a printer, an external input device, an external display device, an audio output device such as a speaker, an external imaging device such as a camera, and various sensors such as an acceleration sensor, a geomagnetic sensor, and a direction sensor. Thedevice 10 can be connected to an external network (the communication line network) by, for example, acommunication device 107 connected to thebus 103, and can also be connected to other devices via the external network.

メモリ１０２は、例えば、メインメモリ（主記憶装置）が挙げられる。中央処理装置１０１が処理を行う際には、例えば、後述する記憶装置１０４に記憶されている本開示のプログラム等の種々の動作プログラムを、メモリ１０２が読み込み、中央処理装置１０１は、メモリ１０２からデータを受け取って、プログラムを実行する。前記メインメモリは、例えば、ＲＡＭ（ランダムアクセスメモリ）である。また、メモリ１０２は、例えば、ＲＯＭ（読み出し専用メモリ）であってもよい。Thememory 102 may be, for example, a main memory (primary storage device). When thecentral processing unit 101 performs processing, thememory 102 reads various operating programs, such as the program of the present disclosure, stored in thestorage device 104 described below, and thecentral processing unit 101 receives data from thememory 102 and executes the program. The main memory may be, for example, a RAM (random access memory). Thememory 102 may also be, for example, a ROM (read only memory).

記憶装置１０４は、例えば、前記メインメモリ（主記憶装置）に対して、いわゆる補助記憶装置ともいう。前述のように、記憶装置１０４には、本開示のプログラムを含む動作プログラムが格納されている。記憶装置１０４は、例えば、記録媒体と、記録媒体に読み書きするドライブとの組合せであってもよい。前記記録媒体は、特に制限されず、例えば、内蔵型でも外付け型でもよく、ＨＤ（ハードディスク）、ＣＤ－ＲＯＭ、ＣＤ－Ｒ、ＣＤ－ＲＷ、ＭＯ、ＤＶＤ、フラッシュメモリー、メモリーカード等が挙げられる。記憶装置１０４は、例えば、記録媒体とドライブとが一体化されたハードディスクドライブ（ＨＤＤ）、及びソリッドステートドライブ（ＳＳＤ）であってもよい。本装置１０が、例えば、前記記憶部を含む場合、記憶装置１０４が前記記憶部として機能する。記憶装置１０４は、例えば、後述する持続期間推定モデルを記憶していてもよい。Thestorage device 104 is also referred to as an auxiliary storage device, for example, in contrast to the main memory. As described above, thestorage device 104 stores an operating program including the program of the present disclosure. Thestorage device 104 may be, for example, a combination of a recording medium and a drive that reads and writes from the recording medium. The recording medium is not particularly limited and may be, for example, an internal or external type, and may be, for example, a hard disk drive (HDD), a CD-ROM, a CD-R, a CD-RW, an MO, a DVD, a flash memory, a memory card, etc. Thestorage device 104 may be, for example, a hard disk drive (HDD) in which a recording medium and a drive are integrated, and a solid state drive (SSD). When thedevice 10 includes, for example, the storage unit, thestorage device 104 functions as the storage unit. Thestorage device 104 may store, for example, a duration estimation model described later.

本装置１０において、メモリ１０２及び記憶装置１０４は、ログ情報、外部データベース（図示せず）や外部の装置から取得した情報、本装置１０によって生成した情報、本装置１０が処理を実行する際に用いる情報等の種々の情報を記憶することも可能である。なお、少なくとも一部の情報は、例えば、メモリ１０２及び記憶装置１０４以外の外部サーバに記憶されていてもよいし、複数の端末にブロックチェーン技術等を用いて分散して記憶されていてもよい。In thepresent device 10, thememory 102 andstorage device 104 can also store various information such as log information, information acquired from an external database (not shown) or an external device, information generated by thepresent device 10, and information used by thepresent device 10 when executing processing. Note that at least a portion of the information may be stored, for example, in an external server other than thememory 102 andstorage device 104, or may be stored in a distributed manner across multiple terminals using blockchain technology or the like.

本装置１０は、例えば、さらに、入力装置１０５、出力装置１０６を備える。入力装置１０５は、例えば、タッチパネル、トラックパッド、マウス等のポインティングデバイス；キーボード；カメラ、スキャナ等の撮像手段；ＩＣカードリーダ、磁気カードリーダ等のカードリーダ；マイク等の音声入力手段；等があげられる。出力装置１０６は、例えば、ＬＥＤディスプレイ、液晶ディスプレイ等の表示装置；スピーカ等の音声出力装置；プリンタ；等があげられる。本実施形態１において、入力装置１０５と出力装置１０６とは、別個に構成されているが、入力装置１０５と出力装置１０６とは、タッチパネルディスプレイのように、一体として構成されてもよい。Thedevice 10 further includes, for example, aninput device 105 and anoutput device 106. Examples of theinput device 105 include pointing devices such as a touch panel, track pad, and mouse; a keyboard; imaging means such as a camera and scanner; card readers such as IC card readers and magnetic card readers; and audio input means such as a microphone. Examples of theoutput device 106 include display devices such as LED displays and liquid crystal displays; audio output devices such as speakers; and a printer. In this embodiment 1, theinput device 105 and theoutput device 106 are configured separately, but theinput device 105 and theoutput device 106 may be configured as an integrated device, such as a touch panel display.

つぎに、本実施形態の心房細動の持続期間推定支援方法の一例を、図３のフローチャートに基づき説明する。本実施形態の心房細動の持続期間推定支援方法は、例えば、図１および図２に示す心房細動の持続期間推定支援装置１０を用いて、次のように実施できる。なお、本実施形態の心房細動の持続期間推定支援方法は、図１および図２の心房細動の持続期間推定支援装置１０の使用には限定されない。Next, an example of the atrial fibrillation duration estimation support method of this embodiment will be described based on the flowchart in FIG. 3. The atrial fibrillation duration estimation support method of this embodiment can be implemented as follows, for example, using the atrial fibrillation durationestimation support device 10 shown in FIGS. 1 and 2. Note that the atrial fibrillation duration estimation support method of this embodiment is not limited to use of the atrial fibrillation durationestimation support device 10 shown in FIGS. 1 and 2.

まず、心電図情報取得部１１は、心房細動患者の心電図情報を取得する（Ｓ１、心電図情報取得工程）。前記心電図情報は、例えば、前記心房細動患者の心電図を記録したグラフ画像の情報である。前記心電図の記録方法は、特に制限されず、例えば、１２誘導心電図検査により記録されたものでもよいし、食道内心電図検査により記録されたものでもよいし、心内心電図検査により記録されたものでもよいし、心電図モニタにより記録されたものでもよい。また、前記心房細動患者の心電図検査方法は、特に制限されず、例えば、安静時心電図でもよいし、負荷心電図でもよいし、ホルター心電図でもよいし、胎児心電図でもよい。心電図情報取得部１１は、例えば、心電図測定用の各種機器（心電計）から前記心電図情報を取得してもよいし、前記心電図情報を記録した記録媒体から前記心電図情報を取得してもよい。First, the electrocardiograminformation acquisition unit 11 acquires electrocardiogram information of the atrial fibrillation patient (S1, electrocardiogram information acquisition step). The electrocardiogram information is, for example, information of a graph image recording the electrocardiogram of the atrial fibrillation patient. The method of recording the electrocardiogram is not particularly limited, and may be, for example, a 12-lead electrocardiogram test, an intraesophageal electrocardiogram test, an intracardiac electrocardiogram test, or an electrocardiogram monitor. The method of electrocardiogram testing of the atrial fibrillation patient is also not particularly limited, and may be, for example, a resting electrocardiogram, a stress electrocardiogram, a Holter electrocardiogram, or a fetal electrocardiogram. The electrocardiograminformation acquisition unit 11 may acquire the electrocardiogram information from, for example, various devices (electrocardiographs) for measuring electrocardiograms, or may acquire the electrocardiogram information from a recording medium on which the electrocardiogram information is recorded.

心電図情報取得部１１は、例えば、前記心電図情報と紐づけてその他の情報を取得してもよい。前記その他の情報は、例えば、前記心房細動患者の識別情報；心房細動患者の患者情報；等があげられる。前記識別情報は、前記心房細動患者を識別可能な情報であれば特に制限されず、例えば、氏名、住所、電話番号、メールアドレス、識別番号（例えば、病院の診察券番号、健康保険証の番号、マイナンバー（個人番号）等）等があげられる。前記患者情報は、例えば、前記心房細動患者の属性情報、問診情報、および心エコー情報からなる群から選択された少なくとも一つを含む。前記属性情報は、特に制限されず、例えば、心筋梗塞履歴、心不全、および透析等の既往歴；性別；年齢；血液検査結果、血圧等のバイタルデータ；喫煙、飲酒等の生活習慣；身長、体重等の身体的特徴の情報；等があげられる。前記問診情報は、例えば、前記心房細動の自覚症状に関する問診の問いと回答の組の情報である。前記問診の具体例として、例えば、「いつから動悸がありますか？」「初めて心房細動と指摘されたのはいつですか？」等の、心房細動の発症時期に関連する質問とその回答があげられるが、これには限定されない。また、前記心エコー情報は、例えば、心エコー検査（心臓超音波検査）の結果の情報である。The electrocardiograminformation acquisition unit 11 may acquire other information by linking it to the electrocardiogram information, for example. Examples of the other information include identification information of the atrial fibrillation patient; patient information of the atrial fibrillation patient; and the like. The identification information is not particularly limited as long as it is information that can identify the atrial fibrillation patient, and examples of the identification information include name, address, telephone number, email address, and identification number (for example, hospital appointment card number, health insurance card number, My Number (personal number), etc.). The patient information includes, for example, at least one selected from the group consisting of attribute information, interview information, and echocardiographic information of the atrial fibrillation patient. The attribute information is not particularly limited, and examples of the attribute information include medical history such as myocardial infarction history, heart failure, and dialysis; gender; age; vital data such as blood test results and blood pressure; lifestyle habits such as smoking and drinking; information on physical characteristics such as height and weight; and the like. The interview information is, for example, information on a set of questions and answers in an interview regarding the subjective symptoms of atrial fibrillation. Specific examples of the interview include questions and answers related to the onset of atrial fibrillation, such as "When did you start experiencing palpitations?" and "When were you first diagnosed with atrial fibrillation?", but are not limited to these. The echocardiographic information is, for example, information on the results of an echocardiographic examination (cardiac ultrasound examination).

つぎに、持続期間推定部１２は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定する（Ｓ２、持続期間推定工程）。持続期間推定部１２は、例えば、持続期間推定モデルに前記心電図情報を入力して、前記心房細動患者の心房細動の持続期間を推定することができる。前記持続期間推定モデルは、前記心電図情報に対して心房細動患者の心房細動の持続期間を正解ラベルとした機械学習によって、対象者である心房細動患者の心電図情報が入力された場合に、前記対象者の心房細動の持続期間を出力するように学習されたモデルである。前記持続期間推定モデルは、例えば、予めメモリ１０２及び記憶装置１０４に記憶されていてもよいし、通信回線網を介して外部の心房細動の持続期間推定用学習済みモデル製造装置（例えば、後述の心房細動の持続期間推定用学習済みモデル製造装置２０）から取得してもよい。持続期間推定部１２は、例えば、前記持続期間として、心房細動患者の心房細動発症からの日数を推定してもよいし、心房細動発症からの経過期間を推定してもよい。後者の場合、持続期間推定部１２は、例えば、前記心房細動患者の心房細動の持続期間に基づく分類を推定してもよい。前記分類は、例えば、持続期間が発症から７日以内の発作性心房細動；持続期間が発症から７日を超え、且つ１年以内の持続性心房細動；持続期間が発症から１年を超える長期持続性心房細動；等があげられる。持続期間推定部１２は、例えば、推定した持続期間を本装置１０の前記記憶部に記憶してもよい。Next, theduration estimation unit 12 estimates the duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information (S2, duration estimation process). Theduration estimation unit 12 can, for example, input the electrocardiogram information into a duration estimation model to estimate the duration of atrial fibrillation of the atrial fibrillation patient. The duration estimation model is a model that has been trained to output the duration of atrial fibrillation of the subject when electrocardiogram information of a subject who is an atrial fibrillation patient is input by machine learning using the duration of atrial fibrillation of the atrial fibrillation patient as a correct answer label for the electrocardiogram information. The duration estimation model may be stored in advance in thememory 102 and thestorage device 104, for example, or may be acquired from an external atrial fibrillation duration estimation trained model manufacturing device (for example, atrial fibrillation duration estimation trainedmodel manufacturing device 20 described later) via a communication line network. Theduration estimation unit 12 may, for example, estimate the number of days from the onset of atrial fibrillation in the atrial fibrillation patient, or may estimate the elapsed time from the onset of atrial fibrillation, as the duration. In the latter case, theduration estimation unit 12 may, for example, estimate a classification based on the duration of atrial fibrillation in the atrial fibrillation patient. The classification may, for example, be paroxysmal atrial fibrillation whose duration is within 7 days from onset; persistent atrial fibrillation whose duration is more than 7 days and less than 1 year from onset; long-term persistent atrial fibrillation whose duration is more than 1 year from onset; and the like. Theduration estimation unit 12 may, for example, store the estimated duration in the storage unit of thedevice 10.

前記持続期間推定モデルは、例えば、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間との組を教師データとして用いた機械学習によって生成できる。前記機械学習は、例えば、公知の機械学習方法が採用できる。具体例として、前記機械学習に採用される統計モデルとしては、例えば、単純線形回帰モデル、Ｒｉｄｇｅ回帰、Ｌａｓｓｏ回帰、Ｅｌａｓｔｉｃ Ｎｅｔ回帰、ＬｉｇｈｔＧＢＭ（Light Gradient Boosting Machine）、Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ、一般加法モデル、ランダムフォレスト回帰、ルールフィット回帰、勾配ブースティング決定木、エクストラツリー、サポートベクトル回帰、ガウス過程回帰、ｋ近傍法による回帰、カーネルリッジ回帰、ニューラルネットワーク等があげられる。なお、前記持続期間推定モデルは、例えば、予め生成された学習済みモデルでもよい。また、前記学習済みモデルは、前記教師データと、既に生成された学習済みモデルとを用いて、再学習させた学習済みモデル（派生モデル）でもよい。さらに、前記学習済みモデルは、前記教師データを用いて生成した学習済みモデルを用いて転移学習することにより得られた学習済みモデルでもよいし、前記教師データを用いて生成した学習済みモデルをモデル圧縮することにより生成した学習済みモデルでもよい。The duration estimation model can be generated by machine learning using, for example, a pair of electrocardiogram information of an atrial fibrillation patient and the duration of atrial fibrillation of the atrial fibrillation patient as training data. For example, a known machine learning method can be used for the machine learning. As a specific example, a statistical model used for the machine learning includes, for example, a simple linear regression model, Ridge regression, Lasso regression, Elastic Net regression, LightGBM (Light Gradient Boosting Machine), Logistic regression, General Additive Model, Random Forest Regression, Rule Fit Regression, Gradient Boosting Decision Tree, Extra Tree, Support Vector Regression, Gaussian Process Regression, Regression by k-Nearest Neighbor Method, Kernel Ridge Regression, and Neural Network. The duration estimation model may be, for example, a trained model generated in advance. The trained model may also be a trained model (derived model) that is retrained using the training data and a trained model that has already been generated. Furthermore, the trained model may be a trained model obtained by transfer learning using a trained model generated using the training data, or may be a trained model generated by model compression of a trained model generated using the training data.

前記持続期間推定モデルは、例えば、心電図情報を入力する入力層と、前記持続期間を出力する出力層と、入力層と出力層との間に設けられる少なくとも１層の中間層とを含んだネットワークであってもよい。この場合、前記持続期間推定モデルは、人工知能ソフトウェアの一部であるプログラムモジュールであってもよい。多層化ネットワークとしては、例えば、ニューラルネットワーク等が挙げられる。前記ニューラルネットワークとしては、例えば、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＣＮＮ）等が挙げられるが、ＣＮＮに限定されず、ＣＮＮ以外のニューラルネットワーク、ＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、回帰木等の他の学習アルゴリズムで構築された学習済みモデルであってもよい。The duration estimation model may be a network including, for example, an input layer for inputting electrocardiogram information, an output layer for outputting the duration, and at least one intermediate layer provided between the input layer and the output layer. In this case, the duration estimation model may be a program module that is a part of artificial intelligence software. An example of a multi-layered network is a neural network. An example of the neural network is a convolution neural network (CNN), but it is not limited to CNN and may be a trained model constructed with other learning algorithms such as a neural network other than CNN, a support vector machine (SVM), a Bayesian network, or a regression tree.

Ｓ１において前記患者情報が取得されている場合、持続期間推定部１２は、例えば、前記心電図情報および前記患者情報に基づいて前記心房細動患者の心房細動の持続期間を推定してもよい。この場合、持続期間推定部１２は、例えば、持続期間推定モデルに前記心電図情報および前記患者情報を入力して、前記心房細動患者の心房細動の持続期間を推定することができる。この場合の持続期間推定モデルは、例えば、前記心電図情報および前記患者情報の組み合わせに対して心房細動患者の心房細動の持続期間を正解ラベルとした機械学習によって、対象者である心房細動患者の心電図情報および患者情報が入力された場合に、前記対象者の心房細動の持続期間を出力するように学習されたモデルであること以外は、前述と同様である。When the patient information is acquired in S1, theduration estimation unit 12 may estimate the duration of atrial fibrillation of the atrial fibrillation patient based on, for example, the electrocardiogram information and the patient information. In this case, theduration estimation unit 12 can, for example, input the electrocardiogram information and the patient information into a duration estimation model to estimate the duration of atrial fibrillation of the atrial fibrillation patient. The duration estimation model in this case is similar to that described above, except that it is a model trained to output the duration of atrial fibrillation of the subject when electrocardiogram information and patient information of the subject atrial fibrillation patient are input, for example, by machine learning using the duration of atrial fibrillation of the atrial fibrillation patient as a correct answer label for a combination of the electrocardiogram information and the patient information.

そして、出力部１３は、前記持続期間を出力する（Ｓ３、出力工程）。前記出力は、例えば、本装置１０の出力装置１０６（例えば、ディスプレイ）への出力でもよいし、本装置１０外の外部装置への出力でもよい。出力部１３は、例えば、前記持続期間を前記心房細動患者の識別情報と紐づけて出力してもよい。Then, theoutput unit 13 outputs the duration (S3, output step). The output may be, for example, output to the output device 106 (e.g., a display) of thedevice 10, or may be output to an external device outside thedevice 10. Theoutput unit 13 may, for example, output the duration in association with the identification information of the atrial fibrillation patient.

心房細動の患者において、患者の問診に基づいて医師が心房細動の持続期間を推定した場合、その予測能（AUC：Area Under Curve）が0.65であった。また、前記問診に加え、心エコー検査の結果に基づいて医師が持続期間を推定した場合、その予測能（AUC）が0.72であった。これに対し、本開示の心房細動の持続期間推定支援装置によれば、予測能（AUC）が0.79と高精度に心房細動の持続期間を推定することができた。このため、本開示によれば、患者の心電図情報に基づいて、客観的かつ精度のよい心房細動患者の持続期間推定が可能になる。これにより、例えば、持続期間が短くカテーテルアブレーション手術の効果が高く期待できる患者にはカテーテルアブレーション手術を提案し、逆に持続期間が長くカテーテルアブレーション手術の効果があまり期待できない（再発可能性が高い）患者に対してはカテーテルアブレーション手術以外の処置を提案するなど、治療の最適化が可能になる。このため、本開示によれば、治療の最適化による医療費の抑制効果も期待できる。In patients with atrial fibrillation, when a doctor estimated the duration of atrial fibrillation based on the patient's interview, the predictive ability (AUC: Area Under Curve) was 0.65. In addition, when a doctor estimated the duration based on the results of an echocardiogram in addition to the interview, the predictive ability (AUC) was 0.72. In contrast, the atrial fibrillation duration estimation support device disclosed herein was able to estimate the duration of atrial fibrillation with a high degree of accuracy, with a predictive ability (AUC) of 0.79. Therefore, according to the present disclosure, it is possible to objectively and accurately estimate the duration of atrial fibrillation in patients based on the patient's electrocardiogram information. This makes it possible to optimize treatment, for example, by proposing catheter ablation surgery to patients whose duration is short and for whom catheter ablation surgery is expected to be highly effective, and by proposing treatment other than catheter ablation surgery to patients whose duration is long and for whom catheter ablation surgery is not expected to be very effective (high recurrence rate). Therefore, according to the present disclosure, it is expected that the optimization of treatment will have an effect of reducing medical expenses.

［実施形態２］
実施形態２は、本開示の心房細動の持続期間推定支援装置の他の例である。[Embodiment 2]
The second embodiment is another example of an atrial fibrillation duration estimation assistance device according to the present disclosure.

図４は、持続期間推定支援装置１０Ａの一例の構成を示すブロック図である。図４に示すように、持続期間推定支援装置１０Ａは、実施形態１の持続期間推定支援装置１０の構成に加えて、再発予測部１４を含む。持続期間推定支援装置１０Ａのハードウェア構成は、図２の持続期間推定支援装置１０のハードウェア構成において、中央処理装置１０１が、図１の持続期間推定支援装置１０の構成に代えて、図４の持続期間推定支援装置１０Ａの構成を備える以外は同様である。以下、再発予測部１４の処理を説明する。再発予測部１４の処理は、例えば、前記実施形態１で説明した図３のフローチャートにおける任意の位置に適宜挿入してもよいし、図５に示すように、別途独立した処理としてもよい。Figure 4 is a block diagram showing an example of the configuration of the durationestimation support device 10A. As shown in Figure 4, the durationestimation support device 10A includes arecurrence prediction unit 14 in addition to the configuration of the durationestimation support device 10 of embodiment 1. The hardware configuration of the durationestimation support device 10A is the same as that of the durationestimation support device 10 of Figure 2, except that thecentral processing unit 101 has the configuration of the durationestimation support device 10A of Figure 4 instead of the configuration of the durationestimation support device 10 of Figure 1. The processing of therecurrence prediction unit 14 will be described below. The processing of therecurrence prediction unit 14 may be inserted at any position in the flowchart of Figure 3 described in embodiment 1, or may be a separate independent process as shown in Figure 5.

再発予測部１４は、例えば、前記心電図情報および前記持続期間の少なくとも一方に基づいて、前記心房細動患者の再発率を予測する（Ｓ１１、再発予測工程）。前記再発率は、例えば、カテーテルアブレーション手術等の、心房細動に対する根治術による治療後の心房細動の再発症の可能性である。再発予測部１４は、例えば、前記再発率を定性的に予測してもよいし、定量的に予測してもよい。前記定性的な予測は、例えば、再発の可能性があるか、ないかの予測であり、前記定量的な予測は、例えば、再発の確率がｎ％（ｎは正の数）等の再発可能性を数値で表す予測である。再発予測部１４は、例えば、前記心電図情報に基づいて再発率を予測してもよいし、前記持続期間に基づいて再発率を予測してもよいし、前記心電図情報と前記持続期間とに基づいて再発率を予測してもよい。再発予測部１４は、例えば、機械学習済みモデルを利用して前記再発率を予測できる。前記機械学習済みモデルは、例えば、前記心電図情報および前記持続期間の少なくとも一方に対し、前記心房細動患者の再発率を正解ラベルとした機械学習によって、前記心電図情報および前記持続期間の少なくとも一方が入力された場合に、心房細動患者の再発率を出力するように学習されたモデルである。前記学習済みモデルは、例えば、予めメモリ１０２及び記憶装置１０４に記憶されていてもよいし、通信回線網を介して外部の装置から取得してもよい。Therecurrence prediction unit 14 predicts the recurrence rate of the atrial fibrillation patient based on, for example, at least one of the electrocardiogram information and the duration (S11, recurrence prediction step). The recurrence rate is, for example, the possibility of recurrence of atrial fibrillation after treatment by a radical procedure for atrial fibrillation, such as catheter ablation surgery. Therecurrence prediction unit 14 may, for example, predict the recurrence rate qualitatively or quantitatively. The qualitative prediction is, for example, a prediction of whether or not there is a possibility of recurrence, and the quantitative prediction is, for example, a prediction that expresses the possibility of recurrence in a numerical value, such as a probability of recurrence of n% (n is a positive number). Therecurrence prediction unit 14 may, for example, predict the recurrence rate based on the electrocardiogram information, may predict the recurrence rate based on the duration, or may predict the recurrence rate based on the electrocardiogram information and the duration. Therecurrence prediction unit 14 can predict the recurrence rate using, for example, a machine learning model. The machine-learned model is, for example, a model trained by machine learning using the recurrence rate of the atrial fibrillation patient as a correct label for at least one of the electrocardiogram information and the duration, to output the recurrence rate of the atrial fibrillation patient when at least one of the electrocardiogram information and the duration is input. The machine-learned model may be, for example, stored in advance in thememory 102 and thestorage device 104, or may be acquired from an external device via a communication network.

出力部１３は、例えば、前記再発率を出力する（Ｓ１２、出力工程（再発率出力工程））。前記出力は、例えば、本装置１０の出力装置１０６（例えば、ディスプレイ）への出力でもよいし、本装置１０外の外部装置への出力でもよい。出力部１３は、例えば、前記再発率を前記心房細動患者の識別情報と紐づけて出力してもよい。Theoutput unit 13 outputs, for example, the recurrence rate (S12, output step (recurrence rate output step)). The output may be, for example, output to the output device 106 (for example, a display) of thedevice 10, or may be output to an external device outside thedevice 10. Theoutput unit 13 may, for example, output the recurrence rate in association with identification information of the atrial fibrillation patient.

本実施形態の心房細動の持続期間推定支援装置１０Ａによれば、例えば、再発予測部１４により、前記心電図情報および前記持続期間の少なくとも一方に基づいて、前記心房細動患者の再発率を予測できる。これにより、例えば、再発率が低く、カテーテルアブレーション手術の効果が高く期待できる患者にはカテーテルアブレーション手術を提案し、逆に再発率が高くカテーテルアブレーション手術の効果があまり期待できない患者に対してはカテーテルアブレーション手術以外の処置を提案するなど、治療の最適化が可能になる。このため、本開示によれば、治療の最適化による医療費の抑制効果も期待できる。According to the atrial fibrillation durationestimation support device 10A of this embodiment, for example, therecurrence prediction unit 14 can predict the recurrence rate of the atrial fibrillation patient based on at least one of the electrocardiogram information and the duration. This makes it possible to optimize treatment, for example, by proposing catheter ablation surgery to patients with a low recurrence rate and for whom catheter ablation surgery is likely to be highly effective, and conversely, by proposing treatment other than catheter ablation surgery to patients with a high recurrence rate and for whom catheter ablation surgery is unlikely to be very effective. Therefore, according to the present disclosure, it is expected that the optimization of treatment will have the effect of reducing medical costs.

［実施形態３］
実施形態３は、本開示の心房細動の持続期間推定用学習済みモデル製造装置の例である。[Embodiment 3]
Embodiment 3 is an example of a trained model creation device for estimating the duration of atrial fibrillation of the present disclosure.

本実施形態の心房細動の持続期間推定用学習済みモデル製造装置について、図６を用いて説明する。図６は、本実施形態の心房細動の持続期間推定用学習済みモデル製造装置２０の一例の構成を示すブロック図である。図６に示すように、心房細動の持続期間推定用学習済みモデル製造装置２０（以下、「本装置２０」ともいう）は、学習用情報取得部２１、及び学習済みモデル生成部２２を含む。また、本装置２０は、図示していないが、例えば、入力部、出力部、表示部及び／又は記憶部を含んでもよい。The trained model producing device for estimating the duration of atrial fibrillation of this embodiment will be described with reference to FIG. 6. FIG. 6 is a block diagram showing an example of the configuration of the trainedmodel producing device 20 for estimating the duration of atrial fibrillation of this embodiment. As shown in FIG. 6, the trainedmodel producing device 20 for estimating the duration of atrial fibrillation (hereinafter also referred to as "thisdevice 20") includes a traininginformation acquisition unit 21 and a trainedmodel generation unit 22. In addition, thisdevice 20 may include, for example, an input unit, an output unit, a display unit and/or a memory unit, although these are not shown.

心房細動の持続期間推定用学習済みモデル製造装置２０は、例えば、前記各部を含む１つの装置でもよいし、前記各部が、通信回線網を介して接続可能な装置でもよい。また、心房細動の持続期間推定用学習済みモデル製造装置２０は、通信回線網を介して、後述する外部装置と接続可能である。通信回線網は、特に制限されず、公知のネットワークを使用でき、例えば、有線でも無線でもよい。通信回線網は、例えば、インターネット回線、ＷＷＷ（Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）、電話回線、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＳＡＮ（Ｓｔｏｒａｇｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＤＴＮ（Ｄｅｌａｙ Ｔｏｌｅｒａｎｔ Ｎｅｔｗｏｒｋｉｎｇ）、ＬＰＷＡ（Ｌｏｗ Ｐｏｗｅｒ Ｗｉｄｅ Ａｒｅａ）、Ｌ５Ｇ（ローカル５Ｇ）、等があげられる。無線通信としては、例えば、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ローカル５Ｇ、ＬＰＷＡ等が挙げられる。前記無線通信としては、各装置が直接通信する形態（Ａｄ Ｈｏｃ通信）、インフラストラクチャ（infrastructure通信）、アクセスポイントを介した間接通信等であってもよい。心房細動の持続期間推定用学習済みモデル製造装置２０は、例えば、システムとしてサーバに組み込まれていてもよい。また、心房細動の持続期間推定用学習済みモデル製造装置２０は、例えば、本開示のプログラムがインストールされたパーソナルコンピュータ（ＰＣ、例えば、デスクトップ型、ノート型）、スマートフォン、タブレット端末等であってもよい。さらに、心房細動の持続期間推定用学習済みモデル製造装置２０は、例えば、前記各部のうち少なくとも一つがサーバ上にあり、その他の前記各部が端末上にあるような、クラウドコンピューティングやエッジコンピューティング等の形態であってもよい。The trainedmodel manufacturing device 20 for estimating the duration of atrial fibrillation may be, for example, a single device including each of the above-mentioned parts, or each of the above-mentioned parts may be a device that can be connected via a communication line network. The trainedmodel manufacturing device 20 for estimating the duration of atrial fibrillation may be connected to an external device described later via a communication line network. The communication line network is not particularly limited, and a known network can be used, for example, wired or wireless. Examples of the communication line network include the Internet line, WWW (World Wide Web), telephone line, LAN (Local Area Network), SAN (Storage Area Network), DTN (Delay Tolerant Networking), LPWA (Low Power Wide Area), L5G (Local 5G), etc. Examples of wireless communication include Wi-Fi (registered trademark), Bluetooth (registered trademark), local 5G, and LPWA. The wireless communication may be a form in which each device communicates directly (Ad Hoc communication), infrastructure communication, indirect communication via an access point, and the like. The trainedmodel manufacturing device 20 for estimating the duration of atrial fibrillation may be incorporated into a server as a system, for example. The trainedmodel manufacturing device 20 for estimating the duration of atrial fibrillation may be, for example, a personal computer (PC, for example, desktop type or notebook type) in which the program of the present disclosure is installed, a smartphone, a tablet terminal, or the like. Furthermore, the trainedmodel manufacturing device 20 for estimating the duration of atrial fibrillation may be, for example, a form such as cloud computing or edge computing in which at least one of the above-mentioned parts is on a server and the other parts are on a terminal.

図７に、心房細動の持続期間推定用学習済みモデル製造装置２０のハードウェア構成のブロック図を例示する。図７に示すように、心房細動の持続期間推定用学習済みモデル製造装置２０は、例えば、中央処理装置２０１、メモリ２０２、バス２０３、記憶装置２０４、入力装置２０５、出力装置２０６、通信デバイス２０７等を備える。心房細動の持続期間推定用学習済みモデル製造装置２０の各構成の説明は、心房細動の持続期間推定支援装置１０の各構成の説明を援用できる。心房細動の持続期間推定用学習済みモデル製造装置２０の各部は、それぞれのインタフェース（Ｉ／Ｆ）により、バス２０３を介して接続されている。心房細動の持続期間推定用学習済みモデル製造装置２０において、中央処理装置２０１が学習用情報取得部２１、及び学習済みモデル生成部２２として機能する。Figure 7 illustrates a block diagram of the hardware configuration of the trainedmodel manufacturing device 20 for estimating the duration of atrial fibrillation. As shown in Figure 7, the trainedmodel manufacturing device 20 for estimating the duration of atrial fibrillation includes, for example, acentral processing unit 201, amemory 202, abus 203, astorage device 204, aninput device 205, anoutput device 206, acommunication device 207, and the like. The description of each component of the trainedmodel manufacturing device 20 for estimating the duration of atrial fibrillation can be made by referring to the description of each component of the atrial fibrillation durationestimation support device 10. Each part of the trainedmodel manufacturing device 20 for estimating the duration of atrial fibrillation is connected via thebus 203 by each interface (I/F). In the trainedmodel manufacturing device 20 for estimating the duration of atrial fibrillation, thecentral processing unit 201 functions as a learninginformation acquisition unit 21 and a trainedmodel generation unit 22.

つぎに、本実施形態の学習済みモデルの製造方法の一例を、図８のフローチャートに基づき説明する。本実施形態の学習済みモデルの製造方法は、例えば、図６及び７の心房細動の持続期間推定用学習済みモデル製造装置２０を用いて、次のように実施する。なお、本実施形態の学習済みモデルの製造方法は、図６及び図７の心房細動の持続期間推定用学習済みモデル製造装置２０の使用には限定されない。Next, an example of a method for manufacturing a trained model of this embodiment will be described based on the flowchart of FIG. 8. The method for manufacturing a trained model of this embodiment is implemented, for example, as follows, using the trainedmodel manufacturing device 20 for estimating the duration of atrial fibrillation shown in FIGS. 6 and 7. Note that the method for manufacturing a trained model of this embodiment is not limited to the use of the trainedmodel manufacturing device 20 for estimating the duration of atrial fibrillation shown in FIGS. 6 and 7.

まず、学習用情報取得部２１により、学習用情報を取得する（Ｓ２１、学習用情報取得工程）。前記学習用情報は、例えば、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含む。また、前記学習用情報は、例えば、前記心房細動患者の属性情報、問診情報、および心エコー情報からなる群から選択された少なくとも一つを含んでもよい。前記学習用情報が含む各情報については、前記実施形態１および２と同様であり、その説明を援用できる。学習用情報取得部２１は、例えば、予めメモリ２０２及び記憶装置２０４に記憶されている情報を取得してもよいし、通信回線網を介して外部のデータベースに記憶されている情報を取得してもよい。First, the learninginformation acquisition unit 21 acquires learning information (S21, learning information acquisition step). The learning information includes, for example, electrocardiogram information of the atrial fibrillation patient and the duration of atrial fibrillation of the atrial fibrillation patient. The learning information may also include, for example, at least one selected from the group consisting of attribute information, interview information, and echocardiographic information of the atrial fibrillation patient. Each piece of information included in the learning information is similar to that in the first and second embodiments, and the explanations therefor can be used. The learninginformation acquisition unit 21 may acquire, for example, information stored in advance in thememory 202 and thestorage device 204, or may acquire information stored in an external database via a communication line network.

つぎに、学習済みモデル生成部２２は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成する（Ｓ２２、学習工程）。学習済みモデル生成部２２は、例えば、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間との組を教師データとして用いた機械学習によって前記持続期間推定モデルを生成できる。前記機械学習は、例えば、公知の機械学習方法が採用できる。具体例として、前記機械学習に採用される統計モデルとしては、例えば、単純線形回帰モデル、Ｒｉｄｇｅ回帰、Ｌａｓｓｏ回帰、Ｅｌａｓｔｉｃ Ｎｅｔ回帰、ＬｉｇｈｔＧＢＭ（Light Gradient Boosting Machine）、Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ、一般加法モデル、ランダムフォレスト回帰、ルールフィット回帰、勾配ブースティング決定木、エクストラツリー、サポートベクトル回帰、ガウス過程回帰、ｋ最近傍法による回帰、カーネルリッジ回帰、ニューラルネットワーク等があげられる。なお、前記持続期間推定モデルは、例えば、予め生成された学習済みモデルでもよい。また、前記学習済みモデルは、前記教師データと、既に生成された学習済みモデルとを用いて、再学習させた学習済みモデル（派生モデル）でもよい。さらに、前記学習済みモデルは、前記教師データを用いて生成した学習済みモデルを用いて転移学習することにより得られた学習済みモデルでもよいし、前記教師データを用いて生成した学習済みモデルをモデル圧縮することにより生成した学習済みモデルでもよい。Next, the trainedmodel generation unit 22 generates a duration estimation model that outputs the duration of atrial fibrillation of the subject when the subject's electrocardiogram information is input, as a trained model, by machine learning using the duration as a correct answer label for the electrocardiogram information (S22, learning process). The trainedmodel generation unit 22 can generate the duration estimation model by machine learning using, for example, a pair of electrocardiogram information of an atrial fibrillation patient and the duration of atrial fibrillation of the atrial fibrillation patient as training data. For example, a known machine learning method can be adopted for the machine learning. Specific examples of statistical models used in the machine learning include a simple linear regression model, ridge regression, Lasso regression, Elastic Net regression, LightGBM (Light Gradient Boosting Machine), Logistic regression, general additive model, random forest regression, rule fit regression, gradient boosting decision tree, extra tree, support vector regression, Gaussian process regression, k-nearest neighbor regression, kernel ridge regression, and neural network. The duration estimation model may be, for example, a trained model generated in advance. The trained model may also be a trained model (derived model) that has been retrained using the teacher data and a trained model that has already been generated. Furthermore, the trained model may be a trained model obtained by transfer learning using a trained model generated using the teacher data, or a trained model generated by model compression of a trained model generated using the teacher data.

学習済みモデル生成部２２は、例えば、前記持続期間推定モデルとして、心電図情報を入力する入力層と、前記持続期間を出力する出力層と、入力層と出力層との間に設けられる少なくとも１層の中間層とを含んだネットワークを生成してもよい。この場合、前記持続期間推定モデルは、人工知能ソフトウェアの一部であるプログラムモジュールであってもよい。多層化ネットワークとしては、例えば、ニューラルネットワーク等が挙げられる。前記ニューラルネットワークとしては、例えば、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＣＮＮ）等が挙げられるが、ＣＮＮに限定されず、ＣＮＮ以外のニューラルネットワーク、ＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、回帰木等の他の学習アルゴリズムで構築された学習済みモデルであってもよい。The trainedmodel generating unit 22 may generate, for example, a network including an input layer for inputting electrocardiogram information, an output layer for outputting the duration, and at least one intermediate layer provided between the input layer and the output layer as the duration estimation model. In this case, the duration estimation model may be a program module that is a part of artificial intelligence software. An example of the multi-layered network is a neural network. An example of the neural network is a convolution neural network (CNN), but is not limited to CNN, and may be a trained model constructed with other learning algorithms such as a neural network other than CNN, an SVM (Support Vector Machine), a Bayesian network, or a regression tree.

前記学習用情報が前記患者情報を含む場合、学習済みモデル生成部２２は、例えば、前記心電図情報および前記患者情報の組み合わせに対して心房細動患者の心房細動の持続期間を正解ラベルとした機械学習によって、対象者である心房細動患者の心電図情報および患者情報が入力された場合に、前記対象者の心房細動の持続期間を出力するように学習された持続期間推定モデルを生成してもよい。この場合の持続期間推定モデルは、例えば、前記心電図情報および前記患者情報の組み合わせに対して心房細動患者の心房細動の持続期間を正解ラベルとした機械学習によって、対象者である心房細動患者の心電図情報および患者情報が入力された場合に、前記対象者の心房細動の持続期間を出力するように学習されたモデルであること以外は、前述と同様である。When the learning information includes the patient information, the trainedmodel generation unit 22 may generate a duration estimation model trained to output the duration of atrial fibrillation of a subject when electrocardiogram information and patient information of a subject who has atrial fibrillation are input, for example, by machine learning using the duration of atrial fibrillation of the atrial fibrillation patient as a correct answer label for the combination of the electrocardiogram information and the patient information. In this case, the duration estimation model is similar to that described above, except that it is a model trained to output the duration of atrial fibrillation of the subject when electrocardiogram information and patient information of a subject who has atrial fibrillation are input, for example, by machine learning using the duration of atrial fibrillation of the atrial fibrillation patient as a correct answer label for the combination of the electrocardiogram information and the patient information.

本実施形態によって生成される学習済みモデルは、例えば、前記実施形態１および２に記載の心房細動の持続期間推定支援装置に使用される。これにより、心房細動患者の心電図情報に基づいて心房細動の持続期間が推定可能になる。The trained model generated by this embodiment is used, for example, in the atrial fibrillation duration estimation support device described in the first and second embodiments. This makes it possible to estimate the duration of atrial fibrillation based on electrocardiogram information from a patient with atrial fibrillation.

［実施形態４］
本実施形態の心房細動の持続期間推定支援プログラムは、前述の心房細動の持続期間推定支援方法の各工程を、コンピュータに実行させるためのプログラムである。具体的に、本実施形態の持続期間推定支援プログラムは、コンピュータに、心電図情報取得手順、持続期間推定手順、及び出力手順を実行させるためのプログラムである。[Embodiment 4]
The atrial fibrillation duration estimation support program of this embodiment is a program for causing a computer to execute each step of the above-mentioned atrial fibrillation duration estimation support method. Specifically, the atrial fibrillation duration estimation support program of this embodiment is a program for causing a computer to execute an electrocardiogram information acquisition procedure, a duration estimation procedure, and an output procedure.

心電図情報取得手順、持続期間推定手順、及び出力手順を含み、
前記心電図情報取得手順は、心房細動患者の心電図情報を取得し、
前記持続期間推定手順は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定し、
前記出力手順は、前記持続期間を出力する。The method includes an electrocardiogram information acquisition step, a duration estimation step, and an output step,
The electrocardiogram information acquisition step acquires electrocardiogram information of a patient with atrial fibrillation,
the duration estimation step includes estimating a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information;
The output step outputs the duration.

また、本実施形態の持続期間推定支援プログラムは、コンピュータを、心電図情報取得手順、持続期間推定手順、及び出力手順として機能させるプログラムということもできる。The duration estimation assistance program of this embodiment can also be described as a program that causes a computer to function as an electrocardiogram information acquisition procedure, a duration estimation procedure, and an output procedure.

本実施形態の持続期間推定支援プログラムは、前記本開示の心房細動の持続期間推定支援装置および心房細動の持続期間推定支援方法における記載を援用できる。前記各手順は、例えば、「手順」を「処理」と読み替え可能である。また、本実施形態のプログラムは、例えば、コンピュータ読み取り可能な記録媒体に記録されてもよい。前記記録媒体は、特に制限されず、例えば、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、ハードディスク（ＨＤ）、フラッシュメモリー（例えば、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＵＳＢフラッシュメモリー、ＳＤ／ＳＤＨＣカード等）、光ディスク（例えば、ＣＤ‐Ｒ／ＣＤ‐ＲＷ、ＤＶＤ‐Ｒ／ＤＶＤ‐ＲＷ、ＢＤ‐Ｒ／ＢＤ‐ＲＥ等）、光磁気ディスク（ＭＯ）、フロッピー（登録商標）ディスク（ＦＤ）等があげられる。また、本実施形態の持続期間推定支援プログラム（例えば、プログラミング製品、又は持続期間推定支援プログラム製品ともいう）は、例えば、外部のコンピュータから配信される形態であってもよい。前記「配信」は、例えば、通信回線網を介した配信でもよいし、有線で接続された装置を介した配信であってもよい。本実施形態の持続期間推定支援プログラムは、配信された装置にインストールされて実行されてもよいし、インストールされずに実行されてもよい。The duration estimation support program of this embodiment can refer to the description in the atrial fibrillation duration estimation support device and atrial fibrillation duration estimation support method of the present disclosure. For example, the "procedure" in each of the steps can be read as "processing". The program of this embodiment may be recorded in a computer-readable recording medium. The recording medium is not particularly limited, and examples thereof include random access memory (RAM), read-only memory (ROM), hard disk (HD), flash memory (e.g., SSD (Solid State Drive), USB flash memory, SD/SDHC card, etc.), optical disk (e.g., CD-R/CD-RW, DVD-R/DVD-RW, BD-R/BD-RE, etc.), magneto-optical disk (MO), floppy (registered trademark) disk (FD), etc. Furthermore, the duration estimation assistance program of this embodiment (also referred to as, for example, a programming product or a duration estimation assistance program product) may be in a form distributed from an external computer, for example. The "distribution" may be, for example, distribution via a communication network, or distribution via a device connected by wire. The duration estimation assistance program of this embodiment may be installed and executed on the device to which it is distributed, or may be executed without being installed.

［実施形態５］
本実施形態の心房細動の持続期間推定用学習済みモデル製造プログラムは、前述の心房細動の持続期間推定用学習済みモデル製造方法の各工程を、コンピュータに実行させるためのプログラムである。具体的に、本実施形態の持続期間推定用学習済みモデル製造プログラムは、コンピュータに、学習用情報取得部、及び学習済みモデル生成部を実行させるためのプログラムである。[Embodiment 5]
The trained model creation program for estimating the duration of atrial fibrillation of this embodiment is a program for causing a computer to execute each step of the trained model creation method for estimating the duration of atrial fibrillation described above. Specifically, the trained model creation program for estimating the duration of atrial fibrillation of this embodiment is a program for causing a computer to execute a training information acquisition unit and a trained model generation unit.

前記学習用情報取得手順は、学習用情報を取得し、
前記学習用情報は、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含み、
前記学習済みモデル生成手順は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成する。The learning information acquisition step acquires learning information,
the learning information includes electrocardiogram information of an atrial fibrillation patient and a duration of atrial fibrillation of the atrial fibrillation patient;
The trained model generation procedure uses machine learning with the duration as a correct label for the electrocardiogram information to generate a duration estimation model as a trained model that outputs the duration of atrial fibrillation of the subject when the subject's electrocardiogram information is input.

また、本実施形態の持続期間推定用学習済みモデル製造プログラムは、コンピュータを、学習用情報取得手順、及び学習済みモデル生成手順として機能させるプログラムということもできる。The program for creating a trained model for duration estimation in this embodiment can also be described as a program that causes a computer to function as a training information acquisition procedure and a trained model generation procedure.

本実施形態の持続期間推定用学習済みモデル製造プログラムは、前記本開示の心房細動の持続期間推定用学習済みモデル製造装置および心房細動の持続期間推定用学習済みモデル製造方法における記載を援用できる。前記各手順は、例えば、「手順」を「処理」と読み替え可能である。また、本実施形態のプログラムは、例えば、コンピュータ読み取り可能な記録媒体に記録されてもよい。前記記録媒体は、特に制限されず、例えば、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、ハードディスク（ＨＤ）、フラッシュメモリー（例えば、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＵＳＢフラッシュメモリー、ＳＤ／ＳＤＨＣカード等）、光ディスク（例えば、ＣＤ‐Ｒ／ＣＤ‐ＲＷ、ＤＶＤ‐Ｒ／ＤＶＤ‐ＲＷ、ＢＤ‐Ｒ／ＢＤ‐ＲＥ等）、光磁気ディスク（ＭＯ）、フロッピー（登録商標）ディスク（ＦＤ）等があげられる。また、本実施形態の持続期間推定用学習済みモデル製造プログラム（例えば、プログラミング製品、又は持続期間推定用学習済みモデル製造プログラム製品ともいう）は、例えば、外部のコンピュータから配信される形態であってもよい。前記「配信」は、例えば、通信回線網を介した配信でもよいし、有線で接続された装置を介した配信であってもよい。本実施形態の持続期間推定用学習済みモデル製造プログラムは、配信された装置にインストールされて実行されてもよいし、インストールされずに実行されてもよい。The program for producing a trained model for estimating duration of atrial fibrillation of the present disclosure may be implemented using the description of the trained model producing device for estimating duration of atrial fibrillation of the present disclosure and the trained model producing method for estimating duration of atrial fibrillation of the present disclosure. In each of the steps, for example, "step" can be read as "processing". The program of the present embodiment may be recorded, for example, in a computer-readable recording medium. The recording medium is not particularly limited, and examples thereof include random access memory (RAM), read-only memory (ROM), hard disk (HD), flash memory (for example, SSD (Solid State Drive), USB flash memory, SD/SDHC card, etc.), optical disk (for example, CD-R/CD-RW, DVD-R/DVD-RW, BD-R/BD-RE, etc.), magneto-optical disk (MO), floppy (registered trademark) disk (FD), etc. In addition, the trained model manufacturing program for duration estimation of this embodiment (e.g., also referred to as a programming product or a trained model manufacturing program product for duration estimation) may be in a form distributed from an external computer, for example. The "distribution" may be, for example, distribution via a communication network or distribution via a device connected by wire. The trained model manufacturing program for duration estimation of this embodiment may be installed and executed on the device to which it is distributed, or may be executed without being installed.

次に、本開示の実施例について説明する。ただし、本開示は、下記実施例により制限されない。市販の試薬および機器は、特に示さない限り、それらのプロトコルに基づいて使用した。Next, examples of the present disclosure will be described. However, the present disclosure is not limited to the following examples. Commercially available reagents and equipment were used according to their protocols unless otherwise indicated.

［実施例１］
本開示の持続期間推定支援装置により、心房細動患者の持続期間が推定できることを確認した。[Example 1]
It was confirmed that the duration estimation support device disclosed herein can estimate the duration of atrial fibrillation in patients.

（１）心房細動患者
まず、日本赤十字社京都第二病院において、2015年1月1日～2023年12月31日の間に初回カテーテルアブレーション（CA）として入院し、その後３か月以内に心電図、患者背景、心エコー、検査データが得られた20～90歳の患者272人を対象とした。そして、心電図にペースメーカーリズムが記録されていた14人、QRS波の除外が困難または抽出したF波が短すぎて特徴解析が困難であった30人、心房細動持続期間の判定が困難であった39人を除外し、計189人を試験対象患者とした。(1) Patients with atrial fibrillation First, 272 patients aged 20 to 90 years old who were admitted to the Japanese Red Cross Kyoto Second Hospital for their first catheter ablation (CA) between January 1, 2015 and December 31, 2023, and whose electrocardiogram, patient background, echocardiogram, and test data were available within the following three months, were included in the study. After excluding 14 patients with pacemaker rhythm recorded on the electrocardiogram, 30 patients in whom it was difficult to exclude QRS waves or the extracted F waves were too short for characteristic analysis, and 39 patients in whom it was difficult to determine the duration of atrial fibrillation, a total of 189 patients were included in the study.

つぎに、各患者について、以下の基準に従って、PeAF（心房細動持続期間1年未満）またはLsPeAF（Long standing Persistent Atrial Fibrillation、心房細動持続期間1年以上）に分類した。下記の基準のいずれにも当てはまらない患者については、期間不明症例として除外した。
・PeAF（心房細動持続期間1年未満）
除細動後の心電図を除き、1年以内に心電図で洞調律が記録され、その後に心房細動が連続して記録された患者、または、明らかに心房細動に関連する臨床症状または不整脈の発現が1年以内に確認され、その後に心房細動が連続して記録された患者。
・LsPeAF（心房細動持続期間1年以上）
心房細動の心電図記録が1年以上連続して確認された患者、または、明らかに心房細動に関連する臨床症状または不整脈が1年以上前に発症し、その後1年以内に心房細動の心電図記録が連続して確認された患者。 Next, each patient was classified as having PeAF (atrial fibrillation duration <1 year) or LsPeAF (long standing persistent atrial fibrillation, atrial fibrillation duration ≥1 year) according to the following criteria: Patients who did not meet any of the following criteria were excluded as cases of unknown duration.
・PeAF (atrial fibrillation lasting less than one year)
Patients who had a continuous record of atrial fibrillation after a sinus rhythm recorded on an electrocardiogram within one year, excluding electrocardiograms after defibrillation, or who had a continuous record of atrial fibrillation after clinical symptoms or arrhythmias clearly related to atrial fibrillation within one year.
・LsPeAF (atrial fibrillation lasting for more than one year)
Patients with electrocardiogram records of atrial fibrillation confirmed for more than one year consecutively, or patients who have had clinical symptoms or arrhythmias clearly related to atrial fibrillation for more than one year prior and have had electrocardiogram records of atrial fibrillation confirmed for more than one year thereafter.

下記表１～３に、試験対象患者の情報を示す。下記表１は、試験対象患者（全患者、PeAF患者、LsPeAF患者）の年齢（age）、性別（Sex）、身長（Height）、体重（Weight）、ボディマス指数（Body Mass Index ：BMI）、体表面積（Body Surface Area：BSA）を示す表である。下記表２は、試験対象患者（全患者、PeAF患者、LsPeAF患者）の既往歴を示し、心不全（Heart Failure）、脳卒中（Stroke）、高血圧（Hypertension）、糖尿病（Diabetes）、脂質異常症（Dyslipidemia）、慢性腎臓病（Chronic Kidney Disease：CKD）、慢性肺疾患（Chronic Pulmonary Disease ：CPD）の数（n）および全体に対する割合（％）を示す表である。下記表３は、試験対象患者の心エコーデータを示す表であり、左房径（LAD：Left Atrial Diameter）、駆出分画（Ejection Fraction）、僧帽弁逆流（MR: Mitral Regurgitation）を示す。Tables 1 to 3 below show information on the study patients. Table 1 below shows the age, sex, height, weight, body mass index (BMI), and body surface area (BSA) of the study patients (all patients, PeAF patients, and LsPeAF patients). Table 2 below shows the medical history of the study patients (all patients, PeAF patients, and LsPeAF patients), and shows the number (n) and percentage (%) of patients with heart failure, stroke, hypertension, diabetes, dyslipidemia, chronic kidney disease (CKD), and chronic pulmonary disease (CPD). Table 3 below shows the echocardiographic data of the test patients, including left atrial diameter (LAD), ejection fraction, and mitral regurgitation (MR).

（２）心電図データ分析
試験対象患者189名について、12誘導心電図記録装置（FCP-8800またはFCP-8700、いずれもフクダ電子株式会社製）を用いて、10秒間の心電図データを解析し、各患者の心拍数（HR）、QRS幅、S1振幅、RV5振幅、R+S（=S1振幅+RV5振幅）を得た。下記表４に、試験対象患者（全患者、PeAF患者、LsPeAF患者）の心電図データを示す。表４は、試験対象患者の心電図データを示す表であり、心拍数（Heart Rate）、QRS幅（QRS width）、SV1振幅（SV1 amplitude）、RV5振幅（RV5 amplitude）、および、SV1振幅およびRV5振幅（R+S: SV1 amplitude+RV5 amplitude）を示す。(2) Electrocardiogram Data Analysis For 189 test patients, 10 seconds of electrocardiogram data was analyzed using a 12-lead electrocardiogram recording device (FCP-8800 or FCP-8700, both manufactured by Fukuda Denshi Co., Ltd.), and the heart rate (HR), QRS width, S1 amplitude, RV5 amplitude, and R+S (=S1 amplitude+RV5 amplitude) of each patient were obtained. Table 4 below shows the electrocardiogram data of the test patients (all patients, PeAF patients, and LsPeAF patients). Table 4 is a table showing the electrocardiogram data of the test patients, and shows the heart rate, QRS width, SV1 amplitude, RV5 amplitude, and SV1 amplitude and RV5 amplitude (R+S: SV1 amplitude+RV5 amplitude).

つぎに、10秒間の心電図データから、F波を抽出した。Ｆ波は、4～9Hzの帯域にあるため、カットオフ周波数を0.8～40Hzに設定した。QRSTキャンセルのためにQRST間隔を検出し、R波時間はPan- Tompkinsアルゴリズムを適用してピーク検出した。Q波時間は、R波時間から典型的な心室活性化時間である37msを減算して求めた。T波時間は、R波時間に200msを加算して求めた。各QRST間隔について、主成分分析を用いてf波を抽出した。f波は4-9Hzの帯域にあるため、カットオフ周波数を3-20Hzに設定した。抽出したF波の一例を図９に示す。Next, F waves were extracted from 10 seconds of ECG data. Since F waves are in the 4-9 Hz band, the cutoff frequency was set to 0.8-40 Hz. To cancel QRST, QRST intervals were detected, and the R wave time was peak-detected using the Pan-Tompkins algorithm. The Q wave time was calculated by subtracting 37 ms, a typical ventricular activation time, from the R wave time. The T wave time was calculated by adding 200 ms to the R wave time. For each QRST interval, f waves were extracted using principal component analysis. Since f waves are in the 4-9 Hz band, the cutoff frequency was set to 3-20 Hz. An example of an extracted F wave is shown in Figure 9.

つぎに、抽出したF波の特徴を分析した。振幅の二乗平均平方根（RMS）は、時間領域における信号振幅の二乗の算術平均である平均二乗の平方根として定義された。サンプルエントロピー（SampEn）は、f波の不規則性の評価に使用された。SampEnは、エントロピーの指標であり、近似エントロピーの偏りを減らし、よりロバストな統計量を得るために設計された手法である。サンプルエントロピーの定義を下記式１に示す。閾値は3.5、サンプルサイズは3とした。高速フーリエ変換後、ドミナント波形（DF：Dominant Frequency）と組織指数（OI：Organization Index）を求めた。DFは、F波の周波数分析に最も広く使われている指標の一つで、周波数分布の中で最もパワー値が高い周波数をDFと定義した。OIは、F波の組織化の指標として用いられた。OIは、3－15Hz帯域のスペクトルの残りの部分に対する、最高ピークとその高調波（第5高調波のピークを含まない）の下の面積の比率として定義した。Next, the characteristics of the extracted F-waves were analyzed. The root mean square (RMS) of the amplitude was defined as the square root of the mean square, which is the arithmetic mean of the squares of the signal amplitudes in the time domain. Sample entropy (SampEn) was used to evaluate the irregularity of the f-waves. SampEn is an index of entropy and is a method designed to reduce the bias of approximate entropy and obtain more robust statistics. The definition of sample entropy is shown in Equation 1 below. The threshold was 3.5 and the sample size was 3. After fast Fourier transformation, the dominant frequency (DF) and organization index (OI) were obtained. DF is one of the most widely used indices for frequency analysis of F-waves, and the frequency with the highest power value in the frequency distribution was defined as DF. OI was used as an index of organization of F-waves. OI was defined as the ratio of the area under the highest peak and its harmonics (not including the 5th harmonic peak) to the rest of the spectrum in the 3-15 Hz band.

表５～８に、試験対象患者（全患者、PeAF患者、LsPeAF患者）のF波の特徴を示す。Tables 5 to 8 show the F wave characteristics of the study patients (all patients, PeAF patients, and LsPeAF patients).

（３）学習済みモデル（持続期間推定モデル）の構築
試験対象患者189名のうち、145名分の心電図情報をトレーニングデータ群とし、残りの44名分の心電図情報をテストデータ群として、PeAFまたはLsPeAFを予測するモデルを構築した。具体的に、LsPeAF=1の患者とPeAF=0の患者を目的変数として2値分類を行い、勾配ブースティング決定木（Gradient Boosting Decision Tree：GBDT）を使用してモデル訓練をした。GBDTは、XGBoost (eXtreme Gradient Boost)を実装した。XGBoostのハイパーパラメータは以下の通りとした。
Learning rate: 0.3703
Max depth: 2
min child weight: 2
subsample: 0.9100
colsample_bytree: 0.1043
reg lambda: 0.0056
reg alpha: 0.0041
gamma: 0.4426(3) Construction of trained model (duration estimation model) Of the 189 test patients, electrocardiogram information from 145 patients was used as the training data group, and electrocardiogram information from the remaining 44 patients was used as the test data group to construct a model to predict PeAF or LsPeAF. Specifically, a binary classification was performed using patients with LsPeAF=1 and patients with PeAF=0 as the objective variable, and the model was trained using a Gradient Boosting Decision Tree (GBDT). GBDT implemented XGBoost (eXtreme Gradient Boost). The hyperparameters of XGBoost were as follows:
Learning rate: 0.3703
Max depth: 2
Min child weight: 2
subsample: 0.9100
colsample_bytree: 0.1043
reg lambda: 0.0056
reg alpha: 0.0041
gamma: 0.4426

モデルの評価には、層別5分割クロスバリデーションを用い、各分割においてクラスのバランスが保たれるようにした。具体的には、データセットを5つの部分に分割し、それぞれの部分を検証データとして使用し、残りの部分を訓練データとして使用することを5回繰り返した。訓練に用いた心電図情報としては、表１～８に示す試験対象患者の各種情報から、単変量解析でp値が0.05未満の変数を抽出し、さらに、ステップワイズ法で選択した情報を使用した。また、多重共線性を排除するため、相関係数の高い特徴は除外した。AUCの算出にはROC曲線を用い、連続変数のカットオフ値は最大ユーデン指数に基づいて算出した。統計解析にはPythonバージョン3.10.12（Python Software Foundation, Wilmington, DE, US）を使用した。To evaluate the model, we used stratified 5-fold cross-validation to ensure that the classes were balanced in each division. Specifically, the dataset was divided into 5 parts, and each part was used as validation data, and the remaining part was used as training data, and this was repeated 5 times. For the ECG information used for training, variables with p values less than 0.05 in univariate analysis were extracted from the various information of the test patients shown in Tables 1 to 8, and the information selected using the stepwise method was used. In addition, features with high correlation coefficients were excluded to eliminate multicollinearity. AUC was calculated using an ROC curve, and the cutoff value for continuous variables was calculated based on the maximum Youden index. Statistical analysis was performed using Python version 3.10.12 (Python Software Foundation, Wilmington, DE, US).

（４）学習済みモデル（持続期間推定モデル）の予測精度評価
評価方法としては、テストデータ群を用いてモデルの精度を評価した。5つの異なるランダムシードを設定し、それぞれの設定でのモデルの平均ROC曲線－AUCを算出し、Youden indexを用いて最適なカットオフ点を選択した。ROC曲線-AUCの平均値は、0.82であった。また、モデルの解釈にはSHARP値を使用し、各特徴量の重要度を評価した。本開示の持続期間推定モデルは、心拍数（HR）を最も重要な特徴量として扱った。その他の特徴量の重要度は、RMS、SampEn、振幅、左室駆出率、性別、起立耐性失調、肥満度、QRS波振幅、QRS幅、左房径（LAD）、年齢の順であった。(4) Evaluation of prediction accuracy of trained model (duration estimation model) As an evaluation method, the accuracy of the model was evaluated using a test data group. Five different random seeds were set, the average ROC curve-AUC of the model for each setting was calculated, and the optimal cutoff point was selected using the Youden index. The average value of the ROC curve-AUC was 0.82. In addition, the SHARP value was used to interpret the model, and the importance of each feature was evaluated. In the duration estimation model disclosed herein, heart rate (HR) was treated as the most important feature. The importance of other features was RMS, SampEn, amplitude, left ventricular ejection fraction, sex, orthostatic intolerance, obesity level, QRS wave amplitude, QRS width, left atrial diameter (LAD), and age, in that order.

表９に、持続期間推定モデルによるテストデータの予測結果を示す。表９に示すように、本開示の持続期間推定モデルは、テストデータの予測精度（Accuracy）が0.82、感度（Sensitivity）が0.72、特異度（Specificity）が0.89あり、高精度で心房細動患者の持続期間を推定することができた。Table 9 shows the prediction results of the test data using the duration estimation model. As shown in Table 9, the duration estimation model disclosed herein had a prediction accuracy of 0.82, sensitivity of 0.72, and specificity of 0.89 for the test data, and was able to estimate the duration of atrial fibrillation patients with high accuracy.

（５）学習済みモデル（持続期間推定モデル）の予測精度と医師の予測精度との比較
10人の循環器専門医（グループA）により、テストデータとした44人の試験対象患者の心電図データを診断させ、患者の情報をもとに、各患者が少なくとも1年以上持続している心房細動であるかどうかを回答させた（Phase 1）。その後、各医師に本開示の持続期間推定モデルによる持続期間の予測結果と、モデルの予測結果に対する各変数（特徴量）の寄与度を算出したSHAP値を提示した後、再度回答させた（Phase 2）。さらに、他の１０名の維持（グループB）には、グループAの医師の診断結果を示し、医師の心房細動持続期間の診断能力を事前に認識した上で、グループAと同様に、Phase1およびPhase2の回答を行わせる2相試験を行った。結果を図１０に示す。図１０は、グループAおよびグループBの医師による診断精度を示すグラフである。グループAおよびグループBのグラフにおいて、実線で接続された黒丸は、同一の医師によるPhase1および2における結果を示す。また、図１０のグラフにおいて、本開示の持続期間推定モデル（MLモデル）による予測精度を示す。図１０に示すように、本開示の持続期間推定モデルは、医師による診断精度よりも高い精度で心房細動患者の持続期間を推定できることがわかった。(5) Comparison of the prediction accuracy of the trained model (duration estimation model) with that of doctors
Ten cardiologists (Group A) diagnosed the electrocardiogram data of 44 test patients as test data, and based on the patient information, answered whether each patient had atrial fibrillation that had lasted for at least one year (Phase 1). After that, each doctor was presented with the predicted results of the duration estimation model of the present disclosure and the SHAP value calculated by the contribution of each variable (feature amount) to the predicted results of the model, and then asked to answer again (Phase 2). Furthermore, a two-phase test was conducted in which the other 10 patients (Group B) were shown the diagnosis results of the doctors in Group A, and were made to answer Phase 1 and Phase 2 in the same way as Group A, after being aware of the doctors' diagnostic ability of the doctors for atrial fibrillation duration in advance. The results are shown in FIG. 10. FIG. 10 is a graph showing the diagnostic accuracy by doctors in Group A and Group B. In the graphs for Group A and Group B, the black circles connected by solid lines indicate the results in Phase 1 and Phase 2 by the same doctor. Moreover, the prediction accuracy by the duration estimation model (ML model) of the present disclosure is shown in the graph of Fig. 10. As shown in Fig. 10, it was found that the duration estimation model of the present disclosure can estimate the duration of an atrial fibrillation patient with higher accuracy than the accuracy of diagnosis by a doctor.

なお、グループAの正解率は、Phase1で63.9±9.6％であったが、Phase2では71.6±9.3％に改善した（p＝0.01）。グループBの正解率は、Phase1では59.8±5.3％であったが、Phase2では68.2±5.9％に改善した（p<0.01）。Phase2では、グループAとBとに正解率に差はなかった（p=0.48）。Phase2で本開示の持続期間推定モデルの予測と異なった回答（本開示の持続期間推定モデルの予測が正しく、医師が不正解であった回答）を行った医師の割合の平均は、グループAで17.3±10.3％であり、グループBで20.9±5.0％であった。このため、グループAおよびBの間で正解率の上昇に有意差はなかった（p=0.85）。すなわち、本開示の持続期間推定モデルによれば、循環器専門医による診断精度を有意に向上できることがわかった。The accuracy rate of Group A was 63.9 ± 9.6% in Phase 1, but improved to 71.6 ± 9.3% in Phase 2 (p = 0.01). The accuracy rate of Group B was 59.8 ± 5.3% in Phase 1, but improved to 68.2 ± 5.9% in Phase 2 (p < 0.01). There was no difference in the accuracy rate between Groups A and B in Phase 2 (p = 0.48). The average percentage of doctors who gave answers different from the predictions of the duration estimation model of this disclosure in Phase 2 (answers in which the predictions of the duration estimation model of this disclosure were correct and the doctors gave incorrect answers) was 17.3 ± 10.3% in Group A and 20.9 ± 5.0% in Group B. Therefore, there was no significant difference in the increase in the accuracy rate between Groups A and B (p = 0.85). In other words, it was found that the duration estimation model of this disclosure can significantly improve the diagnostic accuracy of cardiologists.

以上、実施形態を参照して本開示を説明したが、本開示は、上記実施形態に限定されるものではない。本開示の構成や詳細には、本開示のスコープ内で当業者が理解しうる様々な変更をできる。Although the present disclosure has been described above with reference to the embodiments, the present disclosure is not limited to the above-mentioned embodiments. Various modifications that can be understood by a person skilled in the art can be made to the configuration and details of the present disclosure within the scope of the present disclosure.

この出願は、２０２３年１０月２５日に出願された日本出願特願２０２３－１８３２８２を基礎とする優先権を主張し、その開示のすべてをここに取り込む。This application claims priority based on Japanese Patent Application No. 2023-183282, filed on October 25, 2023, the disclosure of which is incorporated herein in its entirety.

＜付記＞
上記の実施形態の一部または全部は、以下の付記のように記載されうるが、以下には限られない。
（付記１）
心電図情報取得部、持続期間推定部、及び出力部を含み、
前記心電図情報取得部は、心房細動患者の心電図情報を取得し、
前記持続期間推定部は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定し、
前記出力部は、前記持続期間を出力する、心房細動の持続期間推定支援装置。
（付記２）
前記持続期間推定部は、持続期間推定モデルに前記心電図情報を入力して、前記心房細動患者の心房細動の持続期間を推定する、付記１記載の持続期間推定支援装置。
（付記３）
前記心電図情報取得部は、前記心電図情報と紐づけて前記心房細動患者の患者情報を取得し、
前記患者情報は、前記心房細動患者の属性情報、問診情報、および心エコー情報からなる群から選択された少なくとも一つを含み、
前記持続期間推定部は、前記心電図情報および前記患者情報に基づいて前記心房細動患者の心房細動の持続期間を推定する、付記１または２記載の持続期間推定支援装置。
（付記４）
再発予測部を含み、
前記再発予測部は、前記心電図情報および前記持続期間の少なくとも一方に基づいて、前記心房細動患者の再発率を予測し、
前記出力部は、前記再発率を出力する、付記１から３のいずれかに記載の持続期間推定支援装置。
（付記５）
学習用情報取得部、及び学習済みモデル生成部を含み、
前記学習用情報取得部は、学習用情報を取得し、
前記学習用情報は、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含み、
前記学習済みモデル生成部は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成する、心房細動の持続期間推定用学習済みモデル製造装置。
（付記６）
前記学習用情報は、前記心房細動患者の患者情報を含み、
前記患者情報は、前記心房細動患者の属性情報、問診情報、および心エコー情報からなる群から選択された少なくとも一つを含み、
前記学習済みモデル生成部は、前記心電図情報および前記患者情報の組み合わせに対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報および患者情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成する、付記５記載の持続期間推定用学習済みモデル製造装置。
（付記７）
心電図情報取得工程、持続期間推定工程、及び出力工程を含み、
前記心電図情報取得工程は、心房細動患者の心電図情報を取得し、
前記持続期間推定工程は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定し、
前記出力工程は、前記持続期間を出力し、
前記各工程が、コンピュータにより実行される、心房細動の持続期間推定支援方法。
（付記８）
前記持続期間推定工程は、持続期間推定モデルに前記心電図情報を入力して、前記心房細動患者の心房細動の持続期間を推定する、付記７記載の持続期間推定支援方法。
（付記９）
前記心電図情報取得工程は、前記心電図情報と紐づけて前記心房細動患者の患者情報を取得し、
前記患者情報は、前記心房細動患者の属性情報、問診情報、および心エコー情報からなる群から選択された少なくとも一つを含み、
前記持続期間推定工程は、前記心電図情報および前記患者情報に基づいて前記心房細動患者の心房細動の持続期間を推定する、付記７または８記載の持続期間推定支援方法。
（付記１０）
再発予測工程を含み、
前記再発予測工程は、前記心電図情報および前記持続期間の少なくとも一方に基づいて、前記心房細動患者の再発率を予測し、
前記出力工程は、前記再発率を出力する、付記７から９のいずれかに記載の持続期間推定支援方法。
（付記１１）
学習用情報取得工程、及び学習済みモデル生成工程を含み、
前記学習用情報取得工程は、学習用情報を取得し、
前記学習用情報は、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含み、
前記学習済みモデル生成工程は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成する、心房細動の持続期間推定用学習済みモデル製造方法。
（付記１２）
前記学習用情報は、前記心房細動患者の患者情報を含み、
前記患者情報は、前記心房細動患者の属性情報、問診情報、および心エコー情報からなる群から選択された少なくとも一つを含み、
前記学習済みモデル生成工程は、前記心電図情報および前記患者情報の組み合わせに対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報および患者情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成する、付記１１記載の持続期間推定用学習済みモデル製造方法。
（付記１３）
心電図情報取得手順、持続期間推定手順、及び出力手順を含み、
前記心電図情報取得手順は、心房細動患者の心電図情報を取得し、
前記持続期間推定手順は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定し、
前記出力手順は、前記持続期間を出力し、
前記各手順を、コンピュータに実行させるための心房細動の持続期間推定支援プログラム。
（付記１４）
前記持続期間推定手順は、持続期間推定モデルに前記心電図情報を入力して、前記心房細動患者の心房細動の持続期間を推定する、付記１３記載の持続期間推定支援プログラム。
（付記１５）
前記心電図情報取得手順は、前記心電図情報と紐づけて前記心房細動患者の患者情報を取得し、
前記患者情報は、前記心房細動患者の属性情報、問診情報、および心エコー情報からなる群から選択された少なくとも一つを含み、
前記持続期間推定手順は、前記心電図情報および前記患者情報に基づいて前記心房細動患者の心房細動の持続期間を推定する、付記１３または１４記載の持続期間推定支援プログラム。
（付記１６）
再発予測手順を含み、
前記再発予測手順は、前記心電図情報および前記持続期間の少なくとも一方に基づいて、前記心房細動患者の再発率を予測し、
前記出力手順は、前記再発率を出力する、付記１３から１５のいずれかに記載の持続期間推定支援プログラム。
（付記１７）
学習用情報取得手順、及び学習済みモデル生成手順を含み、
前記学習用情報取得手順は、学習用情報を取得し、
前記学習用情報は、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含み、
前記学習済みモデル生成手順は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成し、
前記各手順を、コンピュータに実行させるための心房細動の持続期間推定用学習済みモデル製造プログラム。
（付記１８）
前記学習用情報は、前記心房細動患者の患者情報を含み、
前記患者情報は、前記心房細動患者の属性情報、問診情報、および心エコー情報からなる群から選択された少なくとも一つを含み、
前記学習済みモデル生成手順は、前記心電図情報および前記患者情報の組み合わせに対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報および患者情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成する、付記１７記載の持続期間推定用学習済みモデル製造プログラム。
（付記１９）
心電図情報取得手順、持続期間推定手順、及び出力手順を含み、
前記心電図情報取得手順は、心房細動患者の心電図情報を取得し、
前記持続期間推定手順は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定し、
前記出力手順は、前記持続期間を出力し、
前記各手順を、コンピュータに実行させるための心房細動の持続期間推定支援プログラムを記録しているコンピュータ読み取り可能な記録媒体。
（付記２０）
前記持続期間推定手順は、持続期間推定モデルに前記心電図情報を入力して、前記心房細動患者の心房細動の持続期間を推定する、付記１９記載の記録媒体。
（付記２１）
前記心電図情報取得手順は、前記心電図情報と紐づけて前記心房細動患者の患者情報を取得し、
前記患者情報は、前記心房細動患者の属性情報、問診情報、および心エコー情報からなる群から選択された少なくとも一つを含み、
前記持続期間推定手順は、前記心電図情報および前記患者情報に基づいて前記心房細動患者の心房細動の持続期間を推定する、付記１９または２０記載の記録媒体。
（付記２２）
再発予測手順を含み、
前記再発予測手順は、前記心電図情報および前記持続期間の少なくとも一方に基づいて、前記心房細動患者の再発率を予測し、
前記出力手順は、前記再発率を出力する、付記１９から２１のいずれかに記載の記録媒体。
（付記２３）
学習用情報取得手順、及び学習済みモデル生成手順を含み、
前記学習用情報取得手順は、学習用情報を取得し、
前記学習用情報は、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含み、
前記学習済みモデル生成手順は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成し、
前記各手順を、コンピュータに実行させるための心房細動の持続期間推定用学習済みモデル製造プログラムを記録しているコンピュータ読み取り可能な記録媒体。
（付記２４）
前記学習用情報は、前記心房細動患者の患者情報を含み、
前記患者情報は、前記心房細動患者の属性情報、問診情報、および心エコー情報からなる群から選択された少なくとも一つを含み、
前記学習済みモデル生成手順は、前記心電図情報および前記患者情報の組み合わせに対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報および患者情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成する、付記２３記載の記録媒体。<Additional Notes>
Some or all of the above embodiments may be described as follows, but are not limited to the following:
(Appendix 1)
The device includes an electrocardiogram information acquisition unit, a duration estimation unit, and an output unit,
The electrocardiogram information acquisition unit acquires electrocardiogram information of a patient having atrial fibrillation,
the duration estimation unit estimates a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information;
The output unit outputs the duration.
(Appendix 2)
2. The duration estimation support device according to claim 1, wherein the duration estimation unit inputs the electrocardiogram information to a duration estimation model to estimate a duration of atrial fibrillation of the atrial fibrillation patient.
(Appendix 3)
the electrocardiogram information acquisition unit acquires patient information of the atrial fibrillation patient in association with the electrocardiogram information;
The patient information includes at least one selected from the group consisting of attribute information of the atrial fibrillation patient, interview information, and echocardiographic information,
3. The duration estimation assistance device according to claim 1, wherein the duration estimation unit estimates a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information and the patient information.
(Appendix 4)
A recurrence prediction unit is included,
The recurrence prediction unit predicts a recurrence rate of the atrial fibrillation patient based on at least one of the electrocardiogram information and the duration,
The duration estimation assistance device according to any one of appendix 1 to 3, wherein the output unit outputs the recurrence rate.
(Appendix 5)
A learning information acquisition unit and a trained model generation unit are included,
The learning information acquisition unit acquires learning information,
the learning information includes electrocardiogram information of an atrial fibrillation patient and a duration of atrial fibrillation of the atrial fibrillation patient;
The trained model generation unit is a trained model manufacturing device for estimating the duration of atrial fibrillation, which generates a duration estimation model that outputs the duration of atrial fibrillation of a subject when electrocardiogram information of the subject is input, as a trained model through machine learning using the duration as a correct label for the electrocardiogram information.
(Appendix 6)
the learning information includes patient information of the atrial fibrillation patient,
The patient information includes at least one selected from the group consisting of attribute information of the atrial fibrillation patient, interview information, and echocardiographic information,
The trained model generation unit of the device for producing a trained model for duration estimation described in Appendix 5 generates, as a trained model, a duration estimation model that outputs the duration of atrial fibrillation of a subject when the subject's electrocardiogram information and patient information are input, by machine learning using the duration as a correct answer label for a combination of the electrocardiogram information and the patient information.
(Appendix 7)
The method includes an electrocardiogram information acquiring step, a duration estimating step, and an output step,
The electrocardiogram information acquiring step acquires electrocardiogram information of a patient having atrial fibrillation,
the duration estimation step estimates a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information;
The output step outputs the duration,
A method for assisting in estimation of duration of atrial fibrillation, wherein each of the steps is executed by a computer.
(Appendix 8)
8. The duration estimation support method according to claim 7, wherein the duration estimation step inputs the electrocardiogram information to a duration estimation model to estimate the duration of atrial fibrillation of the atrial fibrillation patient.
(Appendix 9)
the electrocardiogram information acquiring step acquires patient information of the atrial fibrillation patient in association with the electrocardiogram information;
The patient information includes at least one selected from the group consisting of attribute information of the atrial fibrillation patient, interview information, and echocardiographic information,
9. The duration estimation support method according to claim 7, wherein the duration estimation step estimates a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information and the patient information.
(Appendix 10)
A recurrence prediction step is included,
the recurrence prediction step predicts a recurrence rate of the atrial fibrillation patient based on at least one of the electrocardiogram information and the duration;
The duration estimation support method according to any one of appendices 7 to 9, wherein the output step outputs the recurrence rate.
(Appendix 11)
The method includes a learning information acquisition step and a trained model generation step,
The learning information acquiring step acquires learning information,
the learning information includes electrocardiogram information of an atrial fibrillation patient and a duration of atrial fibrillation of the atrial fibrillation patient;
The trained model generation process is a method for producing a trained model for estimating the duration of atrial fibrillation, which generates a duration estimation model as a trained model by machine learning using the duration as a correct label for the electrocardiogram information, when the electrocardiogram information of a subject is input.
(Appendix 12)
the learning information includes patient information of the atrial fibrillation patient,
The patient information includes at least one selected from the group consisting of attribute information of the atrial fibrillation patient, interview information, and echocardiographic information;
The trained model generation process of the method for producing a trained model for duration estimation described inAppendix 11 generates a duration estimation model as a trained model that outputs the duration of atrial fibrillation of a subject when the subject's electrocardiogram information and patient information are input, by machine learning using the duration as a correct answer label for a combination of the electrocardiogram information and the patient information.
(Appendix 13)
The method includes an electrocardiogram information acquisition step, a duration estimation step, and an output step,
The electrocardiogram information acquisition step acquires electrocardiogram information of a patient with atrial fibrillation,
the duration estimation step includes estimating a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information;
The output step outputs the duration;
An atrial fibrillation duration estimation support program for causing a computer to execute each of the above procedures.
(Appendix 14)
14. The duration estimation support program according toclaim 13, wherein the duration estimation step inputs the electrocardiogram information into a duration estimation model to estimate the duration of atrial fibrillation of the atrial fibrillation patient.
(Appendix 15)
the electrocardiogram information acquisition step acquires patient information of the atrial fibrillation patient in association with the electrocardiogram information;
The patient information includes at least one selected from the group consisting of attribute information of the atrial fibrillation patient, interview information, and echocardiographic information;
15. The duration estimation support program according toclaim 13, wherein the duration estimation step estimates a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information and the patient information.
(Appendix 16)
Includes a recurrence prediction procedure;
the recurrence prediction step predicts a recurrence rate of the atrial fibrillation patient based on at least one of the electrocardiogram information and the duration;
16. The program for estimating disease duration according to any one ofappendices 13 to 15, wherein the output step outputs the recurrence rate.
(Appendix 17)
The method includes a learning information acquisition procedure and a trained model generation procedure,
The learning information acquisition step acquires learning information,
the learning information includes electrocardiogram information of an atrial fibrillation patient and a duration of atrial fibrillation of the atrial fibrillation patient;
the trained model generation step generates, as a trained model, a duration estimation model that outputs the duration of atrial fibrillation of a subject when electrocardiogram information of the subject is input, by machine learning using the duration as a correct answer label for the electrocardiogram information;
A program for creating a trained model for estimating the duration of atrial fibrillation, for causing a computer to execute each of the above steps.
(Appendix 18)
the learning information includes patient information of the atrial fibrillation patient,
The patient information includes at least one selected from the group consisting of attribute information of the atrial fibrillation patient, interview information, and echocardiographic information;
The trained model generation procedure is a program for creating a trained model for duration estimation described in Appendix 17, which generates a duration estimation model as a trained model by machine learning using the duration as a correct answer label for a combination of the electrocardiogram information and the patient information, when the electrocardiogram information and patient information of a subject are input.
(Appendix 19)
The method includes an electrocardiogram information acquisition step, a duration estimation step, and an output step,
The electrocardiogram information acquisition step acquires electrocardiogram information of a patient with atrial fibrillation,
the duration estimation step includes estimating a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information;
The output step outputs the duration;
A computer-readable recording medium having recorded thereon an atrial fibrillation duration estimation assistance program for causing a computer to execute each of the above procedures.
(Appendix 20)
20. The recording medium of claim 19, wherein the duration estimation step inputs the electrocardiogram information into a duration estimation model to estimate a duration of atrial fibrillation of the atrial fibrillation patient.
(Appendix 21)
the electrocardiogram information acquisition step acquires patient information of the atrial fibrillation patient in association with the electrocardiogram information;
The patient information includes at least one selected from the group consisting of attribute information of the atrial fibrillation patient, interview information, and echocardiographic information;
21. The recording medium according to claim 19, wherein the duration estimation step estimates a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information and the patient information.
(Appendix 22)
Includes a recurrence prediction procedure;
the recurrence prediction step predicts a recurrence rate of the atrial fibrillation patient based on at least one of the electrocardiogram information and the duration;
22. The recording medium according to any one of appendices 19 to 21, wherein the output step outputs the recurrence rate.
(Appendix 23)
The method includes a learning information acquisition procedure and a trained model generation procedure,
The learning information acquisition step acquires learning information,
the learning information includes electrocardiogram information of an atrial fibrillation patient and a duration of atrial fibrillation of the atrial fibrillation patient;
the trained model generation step generates, as a trained model, a duration estimation model that outputs the duration of atrial fibrillation of a subject when electrocardiogram information of the subject is input, by machine learning using the duration as a correct answer label for the electrocardiogram information;
A computer-readable recording medium recording a program for creating a trained model for estimating the duration of atrial fibrillation, for causing a computer to execute each of the above procedures.
(Appendix 24)
the learning information includes patient information of the atrial fibrillation patient,
The patient information includes at least one selected from the group consisting of attribute information of the atrial fibrillation patient, interview information, and echocardiographic information;
The recording medium described in Appendix 23, wherein the trained model generation procedure generates, as a trained model, a duration estimation model that outputs the duration of atrial fibrillation of a subject when the subject's electrocardiogram information and patient information are input through machine learning using the duration as a correct answer label for a combination of the electrocardiogram information and the patient information.

本開示によれば、心電図情報に基づいて心房細動患者の心房細動の持続期間を推定できる。このため、本開示は、例えば、医療分野において有用である。According to the present disclosure, it is possible to estimate the duration of atrial fibrillation in a patient with atrial fibrillation based on electrocardiogram information. Therefore, the present disclosure is useful, for example, in the medical field.

１０、１０Ａ 心房細動の持続期間推定支援装置
１１ 心電図情報取得部
１２ 持続期間推定部
１３ 出力部
１４ 再発予測部
１０１ 中央処理装置
１０２ メモリ
１０３ バス
１０４ 記憶装置
１０５ 入力装置
１０６ 出力装置
１０７ 通信デバイス
２０ 心房細動の持続期間推定用学習済みモデル製造装置
２１ 学習用情報取得部
２２ 学習済みモデル生成部
２０１ 中央処理装置
２０２ メモリ
２０３ バス
２０４ 記憶装置
２０５ 入力装置
２０６ 出力装置
２０７ 通信デバイス

10, 10A Atrial fibrillation durationestimation support device 11 Electrocardiograminformation acquisition unit 12Duration estimation unit 13Output unit 14Recurrence prediction unit 101Central processing unit 102Memory 103Bus 104Storage device 105Input device 106Output device 107Communication device 20 Trained model production device for estimating the duration ofatrial fibrillation 21 Traininginformation acquisition unit 22 Trainedmodel generation unit 201Central processing unit 202Memory 203Bus 204Storage device 205Input device 206Output device 207 Communication device

Claims (12)

Translated fromJapanese

心電図情報取得部、持続期間推定部、及び出力部を含み、
前記心電図情報取得部は、心房細動患者の心電図情報を取得し、
前記持続期間推定部は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定し、
前記出力部は、前記持続期間を出力する、心房細動の持続期間推定支援装置。The device includes an electrocardiogram information acquisition unit, a duration estimation unit, and an output unit,
The electrocardiogram information acquisition unit acquires electrocardiogram information of a patient having atrial fibrillation,
the duration estimation unit estimates a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information;
The output unit outputs the duration.前記持続期間推定部は、持続期間推定モデルに前記心電図情報を入力して、前記心房細動患者の心房細動の持続期間を推定する、請求項１記載の持続期間推定支援装置。The duration estimation unit of claim 1 inputs the electrocardiogram information into a duration estimation model to estimate the duration of atrial fibrillation in the atrial fibrillation patient.前記心電図情報取得部は、前記心電図情報と紐づけて前記心房細動患者の患者情報を取得し、
前記患者情報は、前記心房細動患者の属性情報、問診情報、および心エコー情報からなる群から選択された少なくとも一つを含み、
前記持続期間推定部は、前記心電図情報および前記患者情報に基づいて前記心房細動患者の心房細動の持続期間を推定する、請求項１または２記載の持続期間推定支援装置。the electrocardiogram information acquisition unit acquires patient information of the atrial fibrillation patient in association with the electrocardiogram information;
The patient information includes at least one selected from the group consisting of attribute information of the atrial fibrillation patient, interview information, and echocardiographic information;
3. The duration estimation assistance device according to claim 1, wherein the duration estimation unit estimates a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information and the patient information.再発予測部を含み、
前記再発予測部は、前記心電図情報および前記持続期間の少なくとも一方に基づいて、前記心房細動患者の再発率を予測し、
前記出力部は、前記再発率を出力する、請求項１または２記載の持続期間推定支援装置。A recurrence prediction unit is included,
The recurrence prediction unit predicts a recurrence rate of the atrial fibrillation patient based on at least one of the electrocardiogram information and the duration,
The duration estimation assistance device according to claim 1 , wherein the output unit outputs the recurrence rate.学習用情報取得部、及び学習済みモデル生成部を含み、
前記学習用情報取得部は、学習用情報を取得し、
前記学習用情報は、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含み、
前記学習済みモデル生成部は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成する、心房細動の持続期間推定用学習済みモデル製造装置。A learning information acquisition unit and a trained model generation unit are included,
The learning information acquisition unit acquires learning information,
the learning information includes electrocardiogram information of an atrial fibrillation patient and a duration of atrial fibrillation of the atrial fibrillation patient;
The trained model generation unit is a trained model manufacturing device for estimating the duration of atrial fibrillation, which generates a duration estimation model that outputs the duration of atrial fibrillation of a subject when electrocardiogram information of the subject is input, as a trained model through machine learning using the duration as a correct label for the electrocardiogram information.前記学習用情報は、前記心房細動患者の患者情報を含み、
前記患者情報は、前記心房細動患者の属性情報、問診情報、および心エコー情報からなる群から選択された少なくとも一つを含み、
前記学習済みモデル生成部は、前記心電図情報および前記患者情報の組み合わせに対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報および患者情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成する、請求項５記載の持続期間推定用学習済みモデル製造装置。the learning information includes patient information of the atrial fibrillation patient,
The patient information includes at least one selected from the group consisting of attribute information of the atrial fibrillation patient, interview information, and echocardiographic information;
The trained model generation unit of the device for producing a trained model for duration estimation as described in claim 5 generates a duration estimation model as a trained model that outputs the duration of atrial fibrillation of a subject when the subject's electrocardiogram information and patient information are input, by machine learning using the duration as a correct answer label for a combination of the electrocardiogram information and the patient information.心電図情報取得工程、持続期間推定工程、及び出力工程を含み、
前記心電図情報取得工程は、心房細動患者の心電図情報を取得し、
前記持続期間推定工程は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定し、
前記出力工程は、前記持続期間を出力し、
前記各工程が、コンピュータにより実行される、心房細動の持続期間推定支援方法。The method includes an electrocardiogram information acquiring step, a duration estimating step, and an output step,
The electrocardiogram information acquiring step acquires electrocardiogram information of a patient having atrial fibrillation,
the duration estimation step estimates a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information;
The output step outputs the duration,
A method for assisting in estimation of duration of atrial fibrillation, wherein each of the steps is executed by a computer.学習用情報取得工程、及び学習済みモデル生成工程を含み、
前記学習用情報取得工程は、学習用情報を取得し、
前記学習用情報は、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含み、
前記学習済みモデル生成工程は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成する、心房細動の持続期間推定用学習済みモデル製造方法。The method includes a learning information acquisition step and a trained model generation step,
The learning information acquiring step acquires learning information,
the learning information includes electrocardiogram information of an atrial fibrillation patient and a duration of atrial fibrillation of the atrial fibrillation patient;
The trained model generation process is a method for producing a trained model for estimating the duration of atrial fibrillation, which generates a duration estimation model as a trained model by machine learning using the duration as a correct label for the electrocardiogram information, when the electrocardiogram information of a subject is input.心電図情報取得手順、持続期間推定手順、及び出力手順を含み、
前記心電図情報取得手順は、心房細動患者の心電図情報を取得し、
前記持続期間推定手順は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定し、
前記出力手順は、前記持続期間を出力し、
前記各手順を、コンピュータに実行させるための心房細動の持続期間推定支援プログラム。The method includes an electrocardiogram information acquisition step, a duration estimation step, and an output step,
The electrocardiogram information acquisition step acquires electrocardiogram information of a patient with atrial fibrillation,
the duration estimation step includes estimating a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information;
The output step outputs the duration;
An atrial fibrillation duration estimation support program for causing a computer to execute each of the above procedures.学習用情報取得手順、及び学習済みモデル生成手順を含み、
前記学習用情報取得手順は、学習用情報を取得し、
前記学習用情報は、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含み、
前記学習済みモデル生成手順は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成し、
前記各手順を、コンピュータに実行させるための心房細動の持続期間推定用学習済みモデル製造プログラム。The method includes a learning information acquisition procedure and a trained model generation procedure,
The learning information acquisition step acquires learning information,
the learning information includes electrocardiogram information of an atrial fibrillation patient and a duration of atrial fibrillation of the atrial fibrillation patient;
the trained model generation step generates, as a trained model, a duration estimation model that outputs the duration of atrial fibrillation of a subject when electrocardiogram information of the subject is input, by machine learning using the duration as a correct answer label for the electrocardiogram information;
A program for creating a trained model for estimating the duration of atrial fibrillation, for causing a computer to execute each of the above steps.心電図情報取得手順、持続期間推定手順、及び出力手順を含み、
前記心電図情報取得手順は、心房細動患者の心電図情報を取得し、
前記持続期間推定手順は、前記心電図情報に基づいて前記心房細動患者の心房細動の持続期間を推定し、
前記出力手順は、前記持続期間を出力し、
前記各手順を、コンピュータに実行させるための心房細動の持続期間推定支援プログラムを記録しているコンピュータ読み取り可能な記録媒体。The method includes an electrocardiogram information acquisition step, a duration estimation step, and an output step,
The electrocardiogram information acquisition step acquires electrocardiogram information of a patient with atrial fibrillation,
the duration estimation step includes estimating a duration of atrial fibrillation of the atrial fibrillation patient based on the electrocardiogram information;
The output step outputs the duration;
A computer-readable recording medium having recorded thereon an atrial fibrillation duration estimation assistance program for causing a computer to execute each of the above procedures.学習用情報取得手順、及び学習済みモデル生成手順を含み、
前記学習用情報取得手順は、学習用情報を取得し、
前記学習用情報は、心房細動患者の心電図情報と、前記心房細動患者の心房細動の持続期間とを含み、
前記学習済みモデル生成手順は、前記心電図情報に対して前記持続期間を正解ラベルとした機械学習によって、対象者の心電図情報を入力した場合に、前記対象者の心房細動の持続期間を出力する持続期間推定モデルを学習済みモデルとして生成し、
前記各手順を、コンピュータに実行させるための心房細動の持続期間推定用学習済みモデル製造プログラムを記録しているコンピュータ読み取り可能な記録媒体。

The method includes a learning information acquisition procedure and a trained model generation procedure,
The learning information acquisition step acquires learning information,
the learning information includes electrocardiogram information of an atrial fibrillation patient and a duration of atrial fibrillation of the atrial fibrillation patient;
the trained model generation step generates, as a trained model, a duration estimation model that outputs the duration of atrial fibrillation of a subject when electrocardiogram information of the subject is input, by machine learning using the duration as a correct answer label for the electrocardiogram information;
A computer-readable recording medium recording a program for creating a trained model for estimating the duration of atrial fibrillation, for causing a computer to execute each of the above procedures.

Images