図面 (/)

技術 感染症クラス分け予測方法および装置、コンピューター装置および可読記憶媒体

出願人 平安科技(深せん)有限公司
発明者 阮曉ウェイ徐亮肖京
出願日 2018年8月9日 (2年4ヶ月経過) 出願番号 2019-572829
公開日 2020年9月10日 (3ヶ月経過) 公開番号 2020-527786
状態 未査定
技術分野 医療・福祉事務
主要キーワード ターニングポイント 保育施設 分類閾値 指数加重移動平均 命令セグメント コンピューターデバイス スマートメモリ トレーニングユニット
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2020年9月10日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (5)

課題

本願発明感染症クラス分け予測方法を提供することを目的とする。

解決手段

本願発明の感染症クラス分け予測方法は、感染症予測モデルトレーニングおよびテストするステップと、最適化された感染症予測モデルを取得するステップと、最適化された感染症予測モデルを使用して測定する時点の前の感染症モニタリングデータ予測するステップと、前記感染症予測モデルに基づいてクラス分け時間ウィンドウサイズを決定するステップと、測定する時点の前の各時点での予測結果と前記クラス分け時間ウィンドウサイズに基づいて測定する時点の感染症リスクレベルを判定するステップとを含む。また、本願発明は、感染症クラス分け予測装置コンピューター装置、および可読記憶媒体を提供する。本願発明により、感染症リスクレベルの判定の精度が向上する。

概要

背景

感染症予測と早期警戒は、収集された感染症の疫病状況レポートと疫病状況のモニタリングデータ、疫病の発生地域規模に対する総合評価と予測に基づいており、特定の範囲内で適切な方法を採用してイベント脅威警告を事前通知して、その後タイムリーに発生と流行の兆しが見つかる。現在、感染症の疫病予測は、疾患監視情報ステムの重要な部分となっている。

しかし、既存の感染症クラス分け予測方法では、より良いクラス分け予測結果を取得できない。

概要

本願発明は感染症クラス分け予測方法を提供することを目的とする。本願発明の感染症クラス分け予測方法は、感染症予測モデルトレーニングおよびテストするステップと、最適化された感染症予測モデルを取得するステップと、最適化された感染症予測モデルを使用して測定する時点の前の感染症モニタリングデータを予測するステップと、前記感染症予測モデルに基づいてクラス分け時間ウィンドウサイズを決定するステップと、測定する時点の前の各時点での予測結果と前記クラス分け時間ウィンドウサイズに基づいて測定する時点の感染症リスクレベルを判定するステップとを含む。また、本願発明は、感染症クラス分け予測装置コンピューター装置、および可読記憶媒体を提供する。本願発明により、感染症リスクレベルの判定の精度が向上する。

目的

クラス分け時間ウィンドウサイズは、前記感染症予測モデルに基づいて感染症リスクレベルを判定する精度を確保することが目的である

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

(1)感染症予測モデル確立するステップと、(2)第一トレーニングデータで前記感染症予測モデルをトレーニングするステップと、(3)前記感染症予測モデルでテストデータ予測し、前記テストデータの予測結果が事前設定された条件を満たしているかどうかを判断し、前記テストデータの予測結果が事前設定された条件を満たしている場合、ステップ(5)を実行するステップと、(4)前記テストデータの予測結果が事前設定された条件を満たさない場合、前記感染症予測モデルを微調整してから前記ステップ(5)を実行するステップと、前記ステップ(5)の第二トレーニングデータを利用して、前記感染症予測モデルに基づく感染症リスクレベルを判定するためのクラス分け時間ウィンドウサイズを決定し、前記感染症予測モデルに基づいて中リスクレベルおよび中リスク以上のレベルと判定された時点は、実際の感染症流行期間内にあり、前記感染症予測モデルに基づいて低リスクレベルおよび中リスク未満のレベルと判定された時点は実際の感染症非流行期間内にあるステップと、(6)前記感染症予測モデルを利用して、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類するステップと、(7)前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータ平均値標準偏差を計算するステップと、(8)前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差に基づいて、感染症リスクレベル分類の閾値を計算するステップと、(9)前記感染症リスクレベル分類の閾値に基づいて、前記測定する時点の感染症リスクレベルを判定するステップとを含むことを特徴とする感染症クラス分け予測方法

請求項2

前記ステップ(5)は、前記感染症予測モデルを利用して、事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、前記事前設定された時点前のクラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類するステップと、第二トレーニングデータに基づいて、前記事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算するステップと、前記事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差に基づいて、感染症リスクレベル分類の閾値を計算するステップと、前記感染症リスクレベル分類閾値に基づいて、前記事前設定された時点の感染症リスクレベルを判定するステップと、前記事前設定された時点での感染症リスクレベルが中リスクレベル及び中リスク以上のレベルである場合、前記事前設定された時点が実際の感染症流行期間内にあるかどうか、または前記事前設定された時点での感染症リスクレベルが低リスクおよび中リスク未満のレベルである場合、前記事前設定された時点が実際の感染症非流行期間内にあるかどうかを判定するステップと、前記事前設定された時点での感染症リスクレベルが中リスクレベル及び中リスク以上のレベルであり、前記事前設定された時点が実際の感染症流行期間内にある、または前記事前設定された時点での感染症リスクレベルが低リスクおよび中リスク未満のレベルであり、前記事前設定された時点が実際の感染症非流行期間内にある場合、前記クラス分け時間ウィンドウサイズを調整するステップと、を備えることを特徴とする請求項1に記載の方法。

請求項3

前記感染症予測モデルは、累積と予測モデル、指数加重移動平均値予測モデル、および移動パーセンタイル予測モデルを備えることを特徴とする請求項1に記載の方法。

請求項4

前記ステップ(2)は、前記感染症予測モデルを利用して前記第一トレーニングデータを予測し、前記第一トレーニングデータの予測結果を実際の感染症流行期間/非流行期間分類結果と比較し、比較結果に基づいて前記感染症予測モデルのパラメーターを調整または選択するステップ、を備えることを特徴とする請求項1から3のいずれか1項に記載の方法。

請求項5

前記感染症予測モデルを利用して前記第一トレーニングデータを予測し、前記第一トレーニングデータの予測結果を実際の感染症流行期間/非流行期間分類結果と比較し、比較結果に基づいて前記感染症予測モデルのパラメーターを調整または選択するステップは、第一トレーニングデータに対する感染症予測モデルの予測結果の精度、特異度適時性を計算し、前記精度、特異度、適時性に基づいて前記感染症予測モデルのパラメーターを調整または選択するステップを備えることを特徴とする請求項4に記載の方法。

請求項6

前記感染症モニタリングデータは、事前設定された区域内において複数の監視拠点で構成される感染症監視ネットワークを確立し、前記監視拠点から感染症モニタリングデータを取得することを特徴とする請求項1から3のいずれか1項に記載の方法。

請求項7

前記監視拠点は、事前設定された人数または規模を満たす医療機関、学校、保育施設、および薬局を含むことを特徴とする請求項6に記載の方法。

請求項8

感染症予測モデルを確立するための確立ユニットと、前記感染症予測モデルを第一トレーニングデータでトレーニングするためのトレーニングユニットと、前記感染症予測モデルでテストデータを予測し、前記テストデータの予測結果が事前設定された条件を満たしているかどうかを判断し、前記テストデータの予測結果が事前設定された条件を満たさない場合、前記予測モデルを微調整するためのテストユニットと、第二トレーニングデータを利用して前記感染症予測モデルに基づく感染症リスクレベルを判定するためのクラス分け時間ウィンドウサイズを決定し、前記感染症予測モデルに基づいて中リスクレベルおよび中リスク以上のレベルと判定された時点は、実際の感染症流行期間内にあり、前記感染症予測モデルに基づいて低リスクレベルおよび中リスク未満のレベルと判定された時点は実際の感染症非流行期間内にある決定ユニットと、前記感染症予測モデルを利用して、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期間に分類する;前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算する;前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差に基づいて、感染症リスクレベル分類の閾値を計算する;前記感染症リスクレベル分類の閾値に基づいて、前記測定する時点の感染症リスクレベルを判定するための予測ユニットと、を備えることを特徴とする感染症クラス分け予測装置

請求項9

コンピューター装置であって、前記コンピューター装置は、メモリおよびプロセッサを備え、前記メモリは、少なくとも1つのコンピューター可読命令を格納しており、前記プロセッサは、少なくとも1つのコンピューター可読命令を実行して、(1)感染症予測モデルを確立するステップと、(2)第一トレーニングデータで前記感染症予測モデルをトレーニングするステップと、(3)前記感染症予測モデルでテストデータを予測し、前記テストデータの予測結果が事前設定された条件を満たしているかどうかを判断し、前記テストデータの予測結果が事前設定された条件を満たしている場合、ステップ(5)を実行するステップと、(4)前記テストデータの予測結果が事前設定された条件を満たさない場合、前記感染症予測モデルを微調整してから前記ステップ(5)を実行するステップと、前記ステップ(5)の第二トレーニングデータを利用して、前記感染症予測モデルに基づく感染症リスクレベルを判定するためのクラス分け時間ウィンドウサイズを決定し、前記感染症予測モデルに基づいて中リスクレベルおよび中リスク以上のレベルと判定された時点は、実際の感染症流行期間内にあり、前記感染症予測モデルに基づいて低リスクレベルおよび中リスク未満のレベルと判定された時点は実際の感染症非流行期間内にあるステップと、(6)前記感染症予測モデルを利用して、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類するステップと、(7)前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算するステップと、(8)前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差に基づいて、感染症リスクレベル分類の閾値を計算するステップと、(9)前記感染症リスクレベル分類の閾値に基づいて、前記測定する時点の感染症リスクレベルを判定するステップと、を実現することを特徴とするコンピューター装置。

請求項10

前記ステップ(5)は、前記感染症予測モデルを利用して、事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、前記事前設定された時点の前のクラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類するステップと、第二トレーニングデータに基づいて、前記事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算するステップと、前記事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差に基づいて、感染症リスクレベル分類の閾値を計算するステップと、前記感染症リスクレベル分類閾値に基づいて、前記事前設定された時点の感染症リスクレベルを判定するステップと、前記事前設定された時点での感染症リスクレベルが中リスクレベル及び中リスク以上のレベルである場合、前記事前設定された時点が実際の感染症流行期間内にあるかどうか、または前記事前設定された時点での感染症リスクレベルが低リスクおよび中リスク未満のレベルである場合、前記事前設定された時点が実際の感染症非流行期間内にあるかどうかを判定するステップと、前記事前設定された時点での感染症リスクレベルが中リスクレベル及び中リスク以上のレベルであり、前記事前設定された時点が実際の感染症流行期間内にある、または前記事前設定された時点での感染症リスクレベルが低リスクおよび中リスク未満のレベルであり、前記事前設定された時点が実際の感染症非流行期間内にある場合、前記クラス分け時間ウィンドウサイズを調整するステップと、を備えることを特徴とする請求項9に記載のコンピューター装置。

請求項11

前記感染症予測モデルは、累積と予測モデル、指数加重移動平均値予測モデル、および移動パーセンタイル予測モデルを備えることを特徴とする請求項9に記載のコンピューター装置。

請求項12

前記ステップ(2)は、前記感染症予測モデルで前記第一トレーニングデータを予測し、前記第一トレーニングデータの予測結果を実際の感染症流行期間/非流行期間分類結果と比較し、比較結果に基づいて前記感染症予測モデルのパラメーターを調整または選択するステップを備えることを特徴とする請求項9から11のいずれか1項に記載のコンピューター装置。

請求項13

前記感染症予測モデルを利用して前記第一トレーニングデータを予測し、前記の前記第一トレーニングデータの予測結果を実際の感染症流行期間/非流行期間分類結果と比較し、比較結果に基づいて前記感染症予測モデルのパラメーターを調整または選択することにおいて、第一トレーニングデータに対する感染症予測モデルの予測結果の精度、特異度、適時性を計算し、前記精度、特異度、適時性に基づいて前記感染症予測モデルのパラメーターを調整または選択するステップを備えることを特徴とする請求項12に記載のコンピューター装置。

請求項14

前記感染症モニタリングデータは、事前設定された区域内において複数の監視拠点で構成される感染症監視ネットワークを確立し、前記監視拠点から感染症モニタリングデータを取得することを特徴とする請求項9から11のいずれか1項に記載のコンピューター装置。

請求項15

不揮発性可読記憶媒体であって、前記不揮発性可読記憶媒体は、少なくとも1つのコンピューター可読命令を格納しており、前記少なくとも1つのコンピューター可読命令はプロセッサによって、(1)感染症予測モデルを確立するステップと、(2)第一トレーニングデータで前記感染症予測モデルをトレーニングするステップと、(3)前記感染症予測モデルでテストデータを予測し、前記テストデータの予測結果が事前設定された条件を満たしているかどうかを判断し、前記テストデータの予測結果が事前設定された条件を満たしている場合、ステップ(5)を実行するステップと、(4)前記テストデータの予測結果が事前設定された条件を満たさない場合、前記感染症予測モデルを微調整してから前記ステップ(5)を実行するステップと、前記ステップ(5)の第二トレーニングデータを利用して、前記感染症予測モデルに基づく感染症リスクレベルを判定するためのクラス分け時間ウィンドウサイズを決定し、前記感染症予測モデルに基づいて中リスクレベルおよび中リスク以上のレベルと判定された時点は、実際の感染症流行期間内にあり、前記感染症予測モデルに基づいて低リスクレベルおよび中リスク未満のレベルと判定された時点は実際の感染症非流行期間内にあるようにするステップと、(6)前記感染症予測モデルを利用して、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類するステップと、(7)前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算するステップと、(8)前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差に基づいて、感染症リスクレベル分類の閾値を計算するステップと、(9)前記感染症リスクレベル分類の閾値に基づいて、前記測定する時点の感染症リスクレベルを判定するステップと、を実現することを特徴とする不揮発性可読記憶媒体。

請求項16

前記ステップ(5)は、前記感染症予測モデルを利用して、事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、前記事前設定された時点の前のクラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類するステップと、第二トレーニングデータに基づいて、前記事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算するステップと、前記事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差に基づいて、感染症リスクレベル分類の閾値を計算するステップと、前記感染症リスクレベル分類閾値に基づいて、前記事前設定された時点の感染症リスクレベルを判定するステップと、前記事前設定された時点での感染症リスクレベルが中リスクレベル及び中リスク以上のレベルである場合、前記事前設定された時点が実際の感染症流行期間内にあるかどうか、または前記事前設定された時点での感染症リスクレベルが低リスクおよび中リスク未満のレベルである場合、前記事前設定された時点が実際の感染症非流行期間内にあるかどうかを判定するステップと、前記事前設定された時点での感染症リスクレベルが中リスクレベル及び中リスク以上のレベルであり、前記事前設定された時点が実際の感染症流行期間内にある、または前記事前設定された時点での感染症リスクレベルが低リスクおよび中リスク未満のレベルであり、前記事前設定された時点が実際の感染症非流行期間内にある場合、前記クラス分け時間ウィンドウサイズを調整するステップと、を備えることを特徴とする請求項15に記載の記憶媒体。

請求項17

前記感染症予測モデルは、累積と予測モデル、指数加重移動平均値予測モデル、および移動パーセンタイル予測モデルを備えることを特徴とする請求項15に記載の記憶媒体。

請求項18

前記ステップ(2)は、前記感染症予測モデルを利用して前記第一トレーニングデータを予測し、前記第一トレーニングデータの予測結果を実際の感染症流行期間/非流行期間分類結果と比較し、比較結果に基づいて前記感染症予測モデルのパラメーターを調整または選択するステップを備えることを特徴とする請求項15から17のいずれか1項に記載の記憶媒体。

請求項19

前記感染症予測モデルを利用して前記第一トレーニングデータを予測し、前記の前記第一トレーニングデータの予測結果を実際の感染症流行期間/非流行期間分類結果と比較し、比較結果に基づいて前記感染症予測モデルのパラメーターを調整または選択するステップは、第一トレーニングデータに対する感染症予測モデルの予測結果の精度、特異度、適時性を計算し、前記精度、特異度、適時性に基づいて前記感染症予測モデルのパラメーターを調整または選択するステップを備えることを特徴とする請求項18に記載の記憶媒体。

請求項20

前記感染症モニタリングデータは、事前設定された区域内において複数の監視拠点で構成される感染症監視ネットワークを確立し、前記監視拠点から感染症モニタリングデータを取得することを特徴とする請求項15から17のいずれか1項に記載の記憶媒体。

技術分野

0001

本願発明は、疾患予測技術の分野に関し、特に、感染症クラス分け予測方法および装置、コンピューター装置および不揮発性可読記憶媒体に関するものである。本願発明の請求内容は2018年04月11日に中国特許局に対し、中国国内優先権張出願として出願しており(出願番号201810322432.2;発明の名称:「感染症クラス分け予測方法および装置、コンピューター装置および可読記憶媒体」)、上記優先権主張出願の全内容を引用して本願発明に組み込んでいる。

背景技術

0002

感染症の予測と早期警戒は、収集された感染症の疫病状況レポートと疫病状況のモニタリングデータ、疫病の発生地域規模に対する総合評価と予測に基づいており、特定の範囲内で適切な方法を採用してイベント脅威警告を事前通知して、その後タイムリーに発生と流行の兆しが見つかる。現在、感染症の疫病予測は、疾患監視情報ステムの重要な部分となっている。

0003

しかし、既存の感染症クラス分け予測方法では、より良いクラス分け予測結果を取得できない。

発明が解決しようとする課題

0004

以上の問題点に鑑みて、感染症リスクレベル判断の精度を向上させることができる感染症クラス分け予測方法および装置、コンピューター装置および不揮発性可読記憶媒体を提案する必要がある。

課題を解決するための手段

0005

上記の課題を解決するために、本願発明の第1の態様は、感染症クラス分け予測方法を提供して、前記感染症クラス分け予測方法は、
(1)感染症予測モデル確立するステップと、
(2)第一トレーニングデータで前記感染症予測モデルをトレーニングするステップとステップ、
(3)前記感染症予測モデルでテストデータを予測し、前記テストデータの予測結果が事前設定された条件を満たしているかどうかを判断し、前記テストデータの予測結果が事前設定された条件を満たしている場合、ステップ(5)を実行するステップと、
(4)前記テストデータの予測結果が事前設定された条件を満たさない場合、前記感染症予測モデルを微調整してから前記ステップ(5)を実行するステップと、
前記ステップ(5)の第二トレーニングデータを利用して、前記感染症予測モデルに基づく感染症リスクレベルを判定するためのクラス分け時間ウィンドウサイズを決定し、前記感染症予測モデルに基づいて中リスクレベルおよび中リスクのレベルと判定された時点は、実際の感染症流行期間内にあり、前記感染症予測モデルに基づいて低リスクレベルおよび中リスク未満のレベルと判定された時点は実際の感染症非流行期間内にあるようにするステップと、
(6)前記感染症予測モデルを利用して、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類するステップと、
(7)前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値標準偏差を計算するステップと、
(8)前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差に基づいて、感染症リスクレベル分類の閾値を計算するステップと、
(9)前記感染症リスクレベル分類の閾値に従って、前記測定する時点の感染症リスクレベルを判定するステップとを含むことを特徴とする感染症クラス分け予測方法。

0006

本願発明の第2の態様は、感染症クラス分け予測装置を提供して、前記感染症クラス分け予測装置は、
感染症予測モデルを確立するための確立ユニットと、
前記感染症予測モデルを第一トレーニングデータでトレーニングするためのトレーニングユニットと、
前記感染症予測モデルでテストデータを予測し、前記テストデータの予測結果が事前設定された条件を満たしているかどうかを判断し、前記テストデータの予測結果が事前設定された条件を満たさない場合、前記予測モデルを微調整するためのテストユニットと、
第二トレーニングデータを利用して前記感染症予測モデルに基づく感染症リスクレベルを判定するためのクラス分け時間ウィンドウサイズを決定し、前記感染症予測モデルに基づいて中リスクレベルおよび中リスク以上のレベルと判定された時点は、実際の感染症流行期間内にあり、前記感染症予測モデルに基づいて低リスクレベルおよび中リスク未満のレベルと判定された時点は実際の感染症非流行期間内にあるようにするための決定ユニットと、
前記感染症予測モデルで、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期間に分類する;前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算する;前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差に基づいて、感染症リスクレベル分類の閾値を計算する;前記感染症リスクレベル分類の閾値に基づいて、前記測定する時点の感染症リスクレベルを判定するための予測ユニットと、
を備えることを特徴とする感染症クラス分け予測装置。

0007

本願発明の第3の態様は、コンピューター装置を提供して、
前記コンピューター装置は、メモリおよびプロセッサを備え、前記メモリは、少なくとも1つのコンピューター可読命令を格納しており、前記プロセッサは、少なくとも1つのコンピューター可読命令を実行して、上記の感染症クラス分け予測方法を実現することを特徴するコンピューター装置。

0008

本願発明の第4の態様は、不揮発性可読記憶媒体を提供して、
前記不揮発性可読記憶媒体は、少なくとも1つのコンピューター可読命令を格納しており、前記少なくとも1つのコンピューター可読命令はプロセッサによって、感染症クラス分け予測方法を実現することを特徴する不揮発性可読記憶媒体。

発明の効果

0009

本願発明は、感染症予測モデルをトレーニングおよびテストし、最適化された感染症予測モデルを取得し、最適化された感染症予測モデルを使用して、測定する時点の前の感染症モニタリングデータを予測し、前記感染症予測モデルに基づいてクラス分け時間ウィンドウサイズを決定し、測定する時点の前の各時点での予測結果と前記クラス分け時間ウィンドウサイズに従って測定する時点の感染症リスクレベルを判定する。感染症リスクレベルの判定に使用される時間ウィンドウサイズは、前記感染症予測モデルに基づいて決定されるため、本願発明は、感染症リスクレベルの決定の精度を向上させることができる。

図面の簡単な説明

0010

図1は、本願の実施例1に提供される感染症クラス分け予測方法のフローチャートである。図2は、図1のステップ105の詳細なフローチャートである。図3は、本願発明の実施例2に提供される感染症クラス分け予測装置の構成図である。図4は、本願発明の実施例3に提供されるコンピューター装置の模式図である。

実施例

0011

好ましくは、本願発明の感染症クラス分け予測方法は、1つあるいは複数のコンピューター装置に適用される。

0012

実施例1
図1は、本願発明の実施例1に提供される感染症クラス分け予測方法のフローチャートである。前記感染症クラス分け予測方法は、測定する時点の前の感染症モニタリングデータに従って、測定する時点での感染症リスクレベルを予測することができる。

0013

図1に示されるように、感染症クラス分け予測方法は、具体的には以下のステップを含む。

0014

ステップ101では、感染症予測モデルが確立される。

0015

前記感染症予測モデルは、感染症モニタリングデータに基づいて、感染症の流行期間と非流行期間を予測するために使用される。

0016

前記感染症モニタリングデータは時系列データである。前記感染症モニタリングデータには、感染症の受診数、受診率、発生数発生率などの感染症罹患データが含まれる場合がある。例えば、医療機関(例えば病院)から感染症(例えばインフルエンザ)の毎日の受診数を取得し、感染症(例えばインフルエンザ)の毎日の受診数を感染症モニタリングデータとする。また、学校から学生の感染症(例えばインフルエンザ)の毎日の発生数を取得し、感染症(例えばインフルエンザ)の毎日の発生数を感染症モニタリングデータとする。例えば、医療機関(例えば病院)から感染症(例えばインフルエンザ)の毎日の受診数を取得し、感染症(例えばインフルエンザ)の毎日の受診数を感染症モニタリングデータとする。

0017

事前設定された区域(例えば、省、市、地域)において複数の監視拠点で構成される感染症監視ネットワークを確立し、前記監視拠点から感染症モニタリングデータを取得する。医療機関、学校、保育施設薬局などを監視拠点として選択して、対応するターゲットの感染症監視データ収集を行う。事前設定された条件を満たす場所を監視拠点として選択する。前記事前設定された条件は、人数、規模などを含んでもよい。例えば、学生数が事前設定された数に達する学校と保育施設を監視拠点として選択する。また、規模(例えば、一日当り売上高で統計)が事前設定規模に達する薬局を、監視拠点として選択する。また、規模(例えば、一日当りの受診人数で統計)が事前設定規模に達する病院を監視拠点として選択する。

0018

異なる時点での感染症罹患データは、前記感染症モニタリングデータ(すなわち、時系列データ)を構成する。例えば、日単位で収集された感染症罹患データを感染症モニタリングデータとする。あるいは、週単位で収集された感染症罹患データを感染症モニタリングデータとする。

0019

医療機関(主に病院を含む)は、感染症の早期発生兆候を把握できるのに最適な場所であり、感染症監視の最優先である。患者受診状況に基づいて感染症モニタリングデータを取得する。

0020

一部の感染症患者中には、早期症状を緩和するために薬局へ薬を買いに行く人もいるので、薬局での薬の販売状況に基づいて感染症モニタリングデータを取得する。

0021

児童や青少年は、感染症発生のリスクが高い対象、および感染症の伝播における重要な部分であるため、このターゲットへの監視も強化されるべきである。学校や保育施設は、児童や青少年の感染症発生を監視するのに適した場所である。学校や保育施設での児童や青少年の休暇状況に基づいて、感染症モニタリングデータを取得する。

0022

したがって、本願発明では、感染症モニタリングデータを収集するために医療機関、学校、保育施設および薬局が主に選択される。もちろん、上記のデータ源の選択については、他の実施形態において他の注目されるターゲットまたは場所を監視のデータ源として追加または置換することができる。例えば、ホテルを感染症監視区域に含めて、ホテルの入居者の感染症モニタリングデータが取得できる。

0023

必要に応じて、任意のタイプの監視拠点(例えば医療機構)によって収集された感染症モニタリングデータのみを取得する。例えば、病院で収集された感染症モニタリングデータのみを取得する。あるいは、複数のタイプの監視拠点から収集された感染症モニタリングデータを組み合わせることができる。例えば、病院で収集された感染症モニタリングデータを主とし、薬局から収集された感染症モニタリングデータを補足とする。

0024

前記感染症予測モデルには、CUSUM(Cumulative Sum、累積和)予測モデル、EWMA(Exponentially Weighted Moving−Average、指数加重移動平均)予測モデル、および移動パーセンタイル予測モデルが含まれている。この3つのモデルを以下に個別に紹介する。

0025

(1)CUSUM予測モデル
CUSUM予測モデルでは、実際の値(すなわち、感染症モニタリングデータ)と基準値との小さな偏差を累積することにより増幅効果を達成し、予測プロセスにおける小さな偏差の感度を向上させ、偏差が閾値を超えている程度蓄積すると、ターニングポイントが出たと考えられ、つまり、感染症は非流行期から流行期に移行する。

0026

感染症モニタリングデータXが正規分布に従い、wがCUSUM予測モデルの時間ウィンドウサイズであり、初期CUSUM値C0=0である場合、時点tでのCUSUM値Ctと閾値Htは次のとおり。

0027

wはCUSUM予測モデルの時間ウィンドウサイズであり、例えば、感染症モニタリングデータXが毎日の感染症罹患データである場合、wは7を取ることができ、7日間(つまり1週間)を意味する。μwは時点t−wからt−1(長さはw)までXの平均値であり、σwは時点t−wからt−1(長さはw)までXの標準偏差である。k1は調整可能なパラメーターであり、通常は(0,3)の値を取る。

0028

Ctが閾値Ht=hσtより大きい場合、感染症の流行期間に入ったと見なされる。hは調整可能なパラメーターであり、通常は1、2、3を取る。σtは、時点tでの履歴データの標準偏差である。

0029

Ctは、前の時点の値に基づいて生成される次の時点の値であり、CtとHtによれば、感染症の流行期間と非流行期間の開始を迅速に判断できる。 CUSUM値Ctが閾値Htより大きい場合、流行期間に入る。CUSUM値Ctが閾値Ht以下の場合、感染症の非流行期間に入る。

0030

(2)EWMA予測モデル
EWMAは、指数関数的に減少する加重移動平均である。各値の加重影響は、時間とともに指数関数的に減少し、データが新しいほどその加重影響力は強くなるが、旧データでも特定の加重値を与える。

0031

時点tでのEWMA値は次のとおり。

0032

時点tでのEWMA値ZtがUCLより大きい場合、感染症流行期間に入ったと見なされる。

0033

定数λは重み係数であり、通常は(0,1)の値を取る。

0034

k2は調整可能なパラメーターであり、通常は(0,3)の値を取る。

0035

Ztは、前の時点の値に基づいて生成される次の時点の値であり、ZtとUCLによれば、流行期と非流行期の開始を迅速に判断できる。ZtがUCLより大きい場合、流行期に入る。CUSUM値ZtがUCL以下の場合、感染症の非流行期間に入る。

0036

(3)移動パーセンタイル予測モデル
移動パーセンタイル予測モデルでは、観測週の過去前期週とその前後の事前設定週(例えば、前後2週間)の感染症モニタリングデータをベースラインデータとし、指定されたパーセンタイル(例えば、P5、P10、... 、P90、P95、P100)を候補早期警戒閾値として計算し、早期警戒モデルを確立する。

0037

例えば、2014年の第3週のインフルエンザILインデックスのP80値は、2012−2013年の第1−5週、計10週間の発生率の第80パーセンタイルを表し、2014年の第3週の早期警戒閾値として採用される。2014年の第20週のP75値は、2012−2013年の第18−22週、計10週間の発生率の第75パーセンタイルを表し、2014年の第3週の早期警戒閾値として採用される。

0038

感染症モニタリングデータが早期警戒閾値と比較され、感染症モニタリングデータが早期警戒閾値よりも大きい場合は、感染症流行期間に入る。感染症モニタリングデータが早期警戒閾値以下の場合は、感染症の非流行期間に入る。

0039

ステップ102では、第一トレーニングデータで前記感染症予測モデルをトレーニングする。

0040

第一トレーニングデータは感染症モニタリングデータである。第一トレーニングデータによる前記感染症予測モデルへのトレーニングとは、つまり、前記感染症予測モデルで第一トレーニングデータを予測し、第一トレーニングデータの予測結果に従って前記感染症予測モデルのパラメーターを調整または選択する。

0041

例えば、CUSUM予測モデルで第一トレーニングデータへの感染症予測を行い、第一トレーニングデータの予測結果に従って前記CUSUM予測モデルの時間ウィンドウサイズw、パラメーターk1とhを調整する。

0042

また、EWMA予測モデルで第一トレーニングデータへの感染症予測を行い、第一トレーニングデータの予測結果に従って前記EWMA予測モデルの重み係数λとパラメーターk2を調整する。

0043

また、移動パーセンタイル予測モデルで第一トレーニングデータへの感染症予測を行い、第一トレーニングデータの予測結果に従って適切なパーセンタイル(例えば、第80パーセンタイル)を前記移動パーセント予測モデルの早期警戒閾値として選択する。

0044

具体的には、前記感染症予測モデルで第一トレーニングデータを予測し、第一トレーニングデータの予測結果を実際の感染症流行期間/非流行期間分類結果と比較し、比較結果に従って前記感染症予測モデルのパラメーターを調整または選択する。

0045

実際の感染症流行期間/非流行期間は医学的方法によって定義される。第一トレーニングデータに対する前記感染症予測モデルの予測結果のプリセットインデックスを計算し、前記プリセットインデックスに従って前記感染症予測モデルのパラメーターを調整または選択できる。例えば、第一トレーニングデータに対する前記感染症予測モデルの予測結果の精度、特異度適時性の3つの指標を計算し、前記3つの指標に基づいて前記感染症予測モデルのパラメーターを調整または選択できる。

0046

精度、特異度、適時性という3つの指標の計算方法は次のとおりである。

0047

精度=有効早期警戒の日数/実際の感染症流行期間の合計日数x100%。

0048

特異度=早期警戒なしの日数/実際の感染症非流行期間の合計日数x100%。

0049

適時性(すなわち、遅延期間)=有効早期警戒の感染症流行期間の開始日−実際の感染症流行期間の開始日。

0050

前記感染症予測モデルで第一トレーニングデータの感染症流行期間を予測するとき、特定の日が感染症流行期間であると予測され、実際の感染症流行期間の範囲内にある場合、有効早期警戒として記録する。

0051

ステップ103:前記感染症予測モデルでテストデータを予測し、前記テストデータの予測結果が事前設定された条件を満たしているかどうかを判定し、前記テストデータの予測結果が事前設定された条件を満たす場合、ステップ105を実行する。

0052

前記テストデータは感染症モニタリングデータである。前記感染症予測モデルでテストデータを予測することは、トレーニング後の感染症予測モデルが要件を満たしているかどうかを検証することを目指している。

0053

テストデータの予測結果のプリセットインデックス(例えば、精度、特異度、適時性)を計算し、前記テストデータの予測結果のプリセットインデックスに従って、トレーニング後の感染症予測モデルが事前設定された条件を満たしているかどうかを判定できる。例えば、前記テストデータの予測結果の精度が事前設定された精度に達しているかどうかを判定し、および/または前記テストデータの予測結果の特異度が事前設定された特異度に達しているかどうかを判定し、および/または前記テストデータの予測結果の適時性が事前設定された適時性に達しているかどうかを判定する。前記テストデータの予測結果の精度が事前設定された精度に達し、および/または前記テストデータの予測結果の特異度が事前設定された特異度に達し、および/または前記テストデータの予測結果の適時性が事前設定された適時性に達する場合、前記感染症予測モデルが事前設定された条件を満たすと判断され、最適化された感染症予測モデルが取得される。

0054

ステップ104では、前記テストデータの予測結果が事前設定された条件を満たさない場合、前記感染症予測モデルを微調整してから、ステップ105を実行する。

0055

前記テストデータの予測結果が事前設定された条件を満たさない場合、前記感染症予測モデルのパラメータをさらに調整する。

0056

例えば、前記テストデータに対する前記CUSUM予測モデルの予測結果が事前設定された条件を満たさない場合、前記CUSUM予測モデルの時間ウィンドウサイズw、パラメーターk1とhをさらに調整する。

0057

また、前記テストデータに対する前記EWMA予測モデルの予測結果が事前設定された条件を満たさない場合、前記EWMA予測モデルの重み係数λとパラメーターk2をさらに調整する。

0058

また、前記テストデータに対する前記EWMA予測モデルの予測結果が事前設定された条件を満たさない場合、第75パーセンタイル(第80パーセンタイルを第75パーセンタイルに調整する)を移動パーセンタイル予測モデルの早期警戒閾値として取る。

0059

ステップ105では、前記感染症予測モデルに基づく感染症リスクレベルを判定するための時間ウィンドウサイズ(以下、クラス分け時間ウィンドウサイズと呼ぶ)を第二トレーニングデータで決定し、前記感染症予測モデルに基づいて中リスクレベルおよび中リスク以上のレベルと判定された時点は、実際の感染症流行期間内にあり、前記感染症予測モデルに基づいて低リスクレベルおよび中リスク未満のレベルと判定された時点は実際の感染症非流行期間内にあるようにする。

0060

第二トレーニングデータは、感染症モニタリングデータである。前記第二トレーニングデータは、前記第一トレーニングデータと同じでも異なってもよい。

0061

クラス分け時間ウィンドウサイズは、前記感染症予測モデルに基づいて感染症リスクレベルを判定する精度を確保することが目的である。

0062

クラス分け時間ウィンドウサイズを決定する過程では、クラス分け時間ウィンドウサイズを調整し、前記感染症予測モデルに基づいて中リスクレベルおよび中リスク以上のレベルと判定された時点は、実際の感染症流行期間内にあり、前記感染症予測モデルで低リスクレベルおよび中リスク未満のレベルと判定された時点は実際の感染症非流行期間内にあるようにする。

0063

図2を参照すると、クラス分け時間ウィンドウサイズを決定するステップとは、具体的には以下のとおりである。

0064

ステップ201:前記感染症予測モデルで、事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、前記事前設定された時点の前のクラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類する。

0065

前記クラス分け時間ウィンドウサイズの初期値プリセット値、例えば3であり、ステップ201−205を介して適切なサイズ、例えば7に調整される。

0066

ステップ202:第二トレーニングデータに従って、前記事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算する。

0067

ステップ203:前記事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差に従って、感染症リスクレベル分類の閾値を計算する。このステップは、下記のステップ108の説明を参照する。

0068

ステップ204:第二トレーニングデータに対応する感染症リスクレベル分類閾値に従って、前記事前設定された時点の感染症リスクレベルを判定する。このステップは、下記のステップ109の説明を参照する。

0069

ステップ205:前記事前設定された時点での感染症リスクレベルが中リスクレベル及び中リスク以上のレベルである場合、前記事前設定された時点が実際の感染症流行期間内にあるかどうか、または前記事前設定された時点での感染症リスクレベルが低リスクおよび中リスク未満のレベルである場合、前記事前設定された時点が実際の感染症非流行期間内にあるかどうかを判定する。

0070

ステップ206:前記事前設定された時点での感染症リスクレベルが中リスクレベル及び中リスク以上のレベルであり、前記事前設定された時点が実際の感染症流行期間内にある、または前記事前設定された時点での感染症リスクレベルが低リスクおよび中リスク未満のレベルであり、前記事前設定された時点が実際の感染症非流行期間内にある場合、前記クラス分け時間ウィンドウサイズを調整する。

0071

クラス分け時間ウィンドウサイズを最適な値に調整するために、異なる第二トレーニングデータで上述の方法に従ってクラス分け時間ウィンドウサイズを複数回調整できる。

0072

ステップ106では、前記感染症予測モデルで、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類する。

0073

例えば、前記CUSUM予測モデルで、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類する。また、前記CUSUM予測モデルで、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類する。また、前記移動パーセンタイルモデルで、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類する。

0074

ステップ107では、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算する。

0075

ステップ107では、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内におけるすべての感染症非流行期間を統計し、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内におけるすべての感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算する。例えば、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内に3つの感染症非流行期間が含まれる場合、前記3つの感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算する。前記平均値と標準偏差は、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータを計算して求められた平均値と標準偏差である。

0076

ステップ108では、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差に従って、感染症リスクレベル分類の閾値を計算する。

0077

前記感染症リスクレベル分類の閾値には、高中レベル分類の閾値、中低レベル分類の閾値、および低/極低レベル分類の閾値が含まれ得る。前記高中レベル分類の閾値は、高リスクレベルと中リスクレベルを分類するために使用され、前記中低レベル分類の閾値は中リスクレベルと低リスクレベルを分類するために使用され、前記低/極低レベル分類の閾値は低リスクレベルと極低リスクレベルを分類するために使用される。

0078

特定の実施例では、前記非流行期間の感染症モニタリングデータの平均値はμw′、


ベル分類の閾値はμw′+6*σw′、前記中低レベル分類の閾値はμw′+4*σw′、前記中低レベル分類の閾値はμw′+2*σw′である。

0079

他の実施例では、前記感染症リスクレベル分類の閾値には、他の量と種類が含まれ得る。例えば、前記感染症リスクレベル分類の閾値には、高中レベル分類の閾値および中低レベル分類の閾値が含まれ得る。また、前記感染症リスクレベル分類の閾値には、極高/高レベル分類の閾値、高中レベル分類の閾値、中低レベル分類の閾値、および低/極低レベル分類の閾値が含まれ得る。

0080

ステップ109では、前記感染症リスクレベル分類の閾値に従って、前記測定する時点での感染症リスクレベルを判定する。

0081

例えば、前記測定する時点での感染症モニタリングデータが前記高中レベル分類の閾値以上である場合、前記測定する時点での感染症リスクレベルは高リスクレベルであると判定される。前記測定する時点での感染症モニタリングデータが前記高中レベル分類の閾値より小さく、前記高中レベル分類の閾値以上である場合、前記測定する時点での感染症リスクレベルは中リスクレベルであると判定される。前記測定する時点での感染症モニタリングデータが前記中低レベル分類の閾値より小さく、前記低/極低レベル分類の閾値以上である場合、前記測定する時点での感染症リスクレベルは低リスクレベルであると判定される。前記測定する時点での感染症モニタリングデータが前記低/極低レベル分類の閾値より小さい場合、前記測定する時点での感染症リスクレベルは低/極低リスクレベルであると判定される。

0082

特定の実施例では、感染症クラス分け予測のために、CUSUM予測モデル、EWMA予測モデル、および移動パーセンタイル予測モデルを組み合わせることができる。具体的には、ステップ101−109の方法に従って、CUSUM予測モデルに基づいて測定する時点が第一感染症リスクレベルであると判定し、EWMA予測モデルに基づいて測定する時点が第二感染症リスクレベルであると判定し、移動パーセンタイル予測モデルに基づいて測定する時点が第三の感染症リスクレベルであると判定し、前記第一感染症リスクレベル、前記第二感染症リスクレベル、および前記第三の感染症リスクレベルに従って最終的な感染症リスクレベルを取得する。前記第一感染症リスクレベル、前記第二感染症リスクレベル、および前記第三の感染症リスクレベルに少なくとも2つの感染症リスクレベルが一致しているかどうかを判断し、前記第一感染症リスクレベル、前記第二感染症リスクレベル、および前記第三の感染症リスクレベルに少なくとも2つの感染症リスクレベルが一致している場合、この一致している感染症リスクレベルが最終的な感染症リスクレベルとして使用される。

0083

実施例1の感染症クラス分け予測方法で、感染症予測モデルをトレーニングおよびテストし、最適化された感染症予測モデルを取得し、最適化された感染症予測モデルを使用して測定する時点の前の感染症モニタリングデータを予測し、前記感染症予測モデルに基づいてクラス分け時間ウィンドウサイズを決定し、測定する時点の前の各時点での予測結果と前記クラス分け時間ウィンドウサイズに従って、測定する時点の感染症リスクレベルを判定する。感染症リスクレベルの判定に使用される時間ウィンドウサイズは、感染症予測モデルに基づいて決定されるため、実施例1により感染症リスクレベルの判定の精度を向上させることができる。

0084

実施例2
図3は、本願発明の実施例2に提供される感染症クラス分け予測装置の構成図である。図3に示すように、前期感染症クラス分け予測装置10には、確立ユニット301、トレーニングユニット302、テストユニット303、決定ユニット304、および予測ユニット305が含まれ得る。

0085

確立ユニット301は、感染症予測モデルを確立するように構成される。

0086

前記感染症予測モデルは、感染症モニタリングデータに基づいて、感染症の流行期間と非流行期間を予測するために使用される。

0087

前記感染症モニタリングデータは時系列データである。前記感染症モニタリングデータには、感染症の受診数、受診率、発生数、発生率などの感染症罹患データが含まれる場合がある。例えば、医療機関(例えば病院)から感染症(例えばインフルエンザ)の毎日の受診数を取得し、感染症(例えばインフルエンザ)の毎日の受診数を感染症モニタリングデータとする。また、学校から学生の感染症(例えばインフルエンザ)の毎日の発生数を取得し、感染症(例えばインフルエンザ)の毎日の発生数を感染症モニタリングデータとする。例えば、医療機関(例えば病院)から感染症(例えばインフルエンザ)の毎日の受診数を取得し、感染症(例えばインフルエンザ)の毎日の受診数を感染症モニタリングデータとする。

0088

事前設定された区域(例えば、省、市、地域)において複数の監視拠点で構成される感染症監視ネットワークを確立し、前記監視拠点から感染症モニタリングデータを取得する。医療機関、学校、保育施設、薬局などを監視拠点として選択して、対応するターゲットの感染症監視とデータ収集を行う。事前設定された条件を満たす場所を監視拠点として選択できる。前記事前設定された条件は、人数、規模などを含んでもよい。例えば、学生数が事前設定された数に達する学校と保育施設を監視拠点として選択する。また、規模(例えば、一日当りの売上高で統計)が事前設定規模に達する薬局を、監視拠点として選択する。また、規模(例えば、一日当りの受診人数で統計)が事前設定規模に達する病院を監視拠点として選択する。

0089

異なる時点での感染症罹患データは、前記感染症モニタリングデータ(すなわち、時系列データ)を構成する。例えば、日単位で収集された感染症罹患データを感染症モニタリングデータとする。あるいは、週単位で収集された感染症罹患データを感染症モニタリングデータとする。

0090

医療機関(主に病院を含む)は、感染症の早期発生兆候を把握するのに最適な場所であり、感染症監視の最優先である。患者の受診状況に基づいて感染症モニタリングデータを取得する。

0091

一部の感染症患者の中には、早期症状を緩和するために薬局へ薬を買いに行く人もいるので、薬局での薬の販売状況に基づいて感染症モニタリングデータを取得する。

0092

児童や青少年は、感染症発生のリスクが高い対象、および感染症の伝播における重要な部分であるため、このターゲットへの監視も強化されるべきである。学校や保育施設は、児童や青少年の感染症発生を監視するのに適した場所である。学校や保育施設での児童や青少年の休暇状況に基づいて、感染症モニタリングデータを取得する。

0093

したがって、本願発明では、感染症モニタリングデータを収集するために医療機関、学校、保育施設および薬局が主に選択される。もちろん、上記のデータ源の選択については、他の実施形態において他の注目されるターゲットまたは場所を監視のためのデータ源として追加または置換することができる。例えば、ホテルを感染症監視区域に含めて、ホテルの入居者の感染症モニタリングデータを取得する。

0094

ニーズに応じて、任意のタイプの監視拠点によって収集された感染症モニタリングデータのみを取得する。例えば、病院で収集された感染症モニタリングデータのみを取得する。あるいは、複数のタイプの監視拠点から収集された感染症モニタリングデータを組み合わせることができる。例えば、病院で収集された感染症モニタリングデータを主とし、薬局から収集された感染症モニタリングデータを補足とする。

0095

前記感染症予測モデルには、CUSUM(Cumulative Sum、累積和)予測モデル、EWMA(Exponentially Weighted Moving−Average、指数加重移動平均)予測モデル、および移動パーセンタイル予測モデルが含まれている。この3つのモデルを以下に個別に紹介する。

0096

(1)CUSUM予測モデル
CUSUM予測モデルでは、実際の値(すなわち、感染症モニタリングデータ)と基準値との小さな偏差を累積することにより増幅効果を達成し、予測プロセスにおける小さな偏差の感度を向上させ、偏差が閾値を超えている程度蓄積すると、ターニングポイントが出たと考えられ、つまり、感染症は非流行期から流行期に移行した。

0097

感染症モニタリングデータXが正規分布に従い、wがCUSUM予測モデルの時間ウィンドウサイズであり、初期CUSUM値C0=0である場合、時点tでのCUSUM値Ctと閾値Htは次のとおり。

0098

wはCUSUM予測モデルの時間ウィンドウサイズである。例えば、感染症モニタリングデータXが毎日の感染症罹患データである場合、wは7を取ることができ、7日間(つまり1週間)を意味する。μwは時点t−wからt−1(長さはw)までXの平均値であり、σwは時点t−wからt−1(長さはw)までXの標準偏差である。k1は調整可能なパラメーターであり、通常は(0,3)の値を取る。

0099

Ctが閾値Ht=hσtより大きい場合、感染症の流行期間に入ったと見なされる。hは調整可能なパラメーターであり、通常は1、2、3を取る。σtは、時点tでの履歴データの標準偏差である。

0100

Ctは、前の時点の値に基づいて生成される次の時点の値であり、CtとHtによれば、感染症の流行期間と非流行期間の開始を迅速に判断できる。 CUSUM値Ctが閾値Htより大きい場合、流行期間に入る。CUSUM値Ctが閾値Ht以下の場合、感染症の非流行期間に入る。

0101

(2)EWMA予測モデル
EWMAは、指数関数的に減少する加重移動平均である。各値の加重影響は、時間とともに指数関数的に減少し、データが新しいほどその加重影響力は強くなるが、旧データでも特定の加重値を与える。

0102

時点tでのEWMA値は次のとおり。

0103

時点tでのEWMA値ZtがUCLより大きい場合、感染症流行期間に入ったと見なされる。

0104

定数λは重み係数であり、通常は(0,1)の値を取る。

0105

k2は調整可能なパラメーターであり、通常は(0,3)の値を取る。

0106

Ztは、前の時点の値に基づいて生成される次の時点の値であり、ZtとUCLによれば、流行期と非流行期の開始を迅速に判断できる。ZtがUCLより大きい場合、流行期に入る。CUSUM値ZtがUCL以下の場合、感染症の非流行期間に入る。

0107

(3)移動パーセンタイル予測モデル
移動パーセンタイル予測モデルでは、観測週の過去前期週とその前後の事前設定週(例えば、前後2週間)の感染症モニタリングデータをベースラインデータとし、指定されたパーセンタイル(例えば、P5、P10、... 、P90、P95、P100)を候補早期警戒閾値として計算し、早期警戒モデルを確立する。

0108

例えば、2014年の第3週のインフルエンザILIインデックスのP80値は、2012−2013年の第1−5週、計10週間の発生率の第80パーセンタイルを表し、2014年の第3週の早期警戒閾値として採用される。2014年の第20週のP75値は、2012−2013年の第18−22週、計10週間の発生率の第75パーセンタイルを表し、2014年の第3週の早期警戒閾値として採用される。

0109

感染症モニタリングデータが早期警戒閾値と比較され、感染症モニタリングデータが早期警戒閾値よりも大きい場合は、感染症流行期間に入る。感染症モニタリングデータが早期警戒閾値以下の場合は、感染症の非流行期間に入る。

0110

トレーニングユニット302では、第一トレーニングデータで前記感染症予測モデルをトレーニングする。

0111

第一トレーニングデータは感染症モニタリングデータである。第一トレーニングデータによる前記感染症予測モデルへのトレーニングとは、つまり、前記感染症予測モデルで第一トレーニングデータを予測し、第一トレーニングデータの予測結果に従って前記感染症予測モデルのパラメーターを調整または選択する。

0112

例えば、CUSUM予測モデルで第一トレーニングデータへの感染症予測を行い、第一トレーニングデータの予測結果に従って前記CUSUM予測モデルの時間ウィンドウサイズw、パラメーターk1とhを調整する。

0113

また、EWMA予測モデルで第一トレーニングデータへの感染症予測を行い、第一トレーニングデータの予測結果に従って前記EWMA予測モデルの重み係数λとパラメーターk2を調整する。

0114

また、移動パーセンタイル予測モデルで第一トレーニングデータへの感染症予測を行い、第一トレーニングデータの予測結果に従って適切なパーセンタイル(例えば、第80パーセンタイル)を前記移動パーセント予測モデルの早期警戒閾値として選択する。

0115

具体的には、前記感染症予測モデルで第一トレーニングデータを予測し、第一トレーニングデータの予測結果を実際の感染症流行期間/非流行期間分類結果と比較し、比較結果に従って前記感染症予測モデルのパラメーターを調整または選択する。

0116

実際の感染症流行期間/非流行期間は医学的方法によって定義される。第一トレーニングデータに対する前記感染症予測モデルの予測結果のプリセットインデックスを計算し、前記プリセットインデックスに従って前記感染症予測モデルのパラメーターを調整または選択できる。例えば、第一トレーニングデータに対する前記感染症予測モデルの予測結果の精度、特異度と適時性の3つの指標を計算し、前記3つの指標に基づいて前記感染症予測モデルのパラメーターを調整または選択できる。

0117

精度、特異度、適時性という3つの指標の計算方法は次のとおりである。

0118

精度=有効早期警戒の日数/実際の感染症流行期間の合計日数x100%。

0119

特異度=早期警戒なしの日数/実際の感染症非流行期間の合計日数x100%。

0120

適時性(すなわち、遅延期間)=有効早期警戒の感染症流行期間の開始日−実際の感染症流行期間の開始日。

0121

前記感染症予測モデルで第一トレーニングデータの感染症流行期間を予測するとき、特定の日が感染症流行期間であると予測され、実際の感染症流行期間の範囲内にある場合、有効早期警戒として記録する。

0122

テストユニット303:前記感染症予測モデルでテストデータを予測し、前記テストデータの予測結果が事前設定された条件を満たしているかどうかを判定し、前記テストデータの予測結果が事前設定された条件を満たさない場合、感染症予測モデルを微調整する。

0123

前記テストデータは感染症モニタリングデータである。前記感染症予測モデルでテストデータを予測することは、トレーニング後の感染症予測モデルが要件を満たしているかどうかを検証することを目指している。

0124

テストデータの予測結果のプリセットインデックス(例えば、精度、特異度、適時性)を計算し、前記テストデータの予測結果のプリセットインデックスに従って、トレーニング後の感染症予測モデルが事前設定された条件を満たしているかどうかを判定できる。例えば、前記テストデータの予測結果の精度が事前設定された精度に達しているかどうかを判定し、および/または前記テストデータの予測結果の特異度が事前設定された特異度に達しているかどうかを判定し、および/または前記テストデータの予測結果の適時性が事前設定された適時性に達しているかどうかを判定する。前記テストデータの予測結果の精度が事前設定された精度に達し、および/または前記テストデータの予測結果の特異度が事前設定された特異度に達し、および/または前記テストデータの予測結果の適時性が事前設定された適時性に達する場合、前記感染症予測モデルが事前設定された条件を満たすと判断され、最適化された感染症予測モデルが取得される。

0125

前記テストデータの予測結果が事前設定された条件を満たさない場合、前記感染症予測モデルのパラメータをさらに調整する。

0126

例えば、前記テストデータに対する前記CUSUM予測モデルの予測結果が事前設定された条件を満たさない場合、前記CUSUM予測モデルの時間ウィンドウサイズw、パラメーターk1とhをさらに調整する。

0127

また、前記テストデータに対する前記EWMA予測モデルの予測結果が事前設定された条件を満たさない場合、前記EWMA予測モデルの重み係数λとパラメーターk2をさらに調整する。

0128

また、前記テストデータに対する前記EWMA予測モデルの予測結果が事前設定された条件を満たさない場合、第75パーセンタイル(第80パーセンタイルを第75パーセンタイルに調整する)を移動パーセンタイル予測モデルの早期警戒閾値として取る。

0129

決定ユニット304では、前記感染症予測モデルに基づく感染症リスクレベルを判定するための時間ウィンドウサイズ(以下、クラス分け時間ウィンドウサイズという)を第二トレーニングデータで決定し、前記感染症予測モデルに基づいて中リスクレベルおよび中リスク以上のレベルと判定された時点は、実際の感染症流行期間内にあり、前記感染症予測モデルに基づいて低リスクレベルおよび中リスク未満のレベルと判定された時点は実際の感染症非流行期間内にあるようにする。

0130

第二トレーニングデータは、感染症モニタリングデータである。前記第二トレーニングデータは、前記第一トレーニングデータと同じでも異なっていてもよい。

0131

クラス分け時間ウィンドウサイズは、前記感染症予測モデルに基づいて感染症リスクレベルの精度を確保するために決定される。

0132

クラス分け時間ウィンドウサイズを決定するプロセスでは、クラス分け時間ウィンドウサイズを調整し、前記感染症予測モデルに基づいて中リスクレベルおよび中リスク以上のレベルと判定された時点は、実際の感染症流行期間内にあり、前記感染症予測モデルで低リスクレベルおよび中リスク未満のレベルと判定された時点は実際の感染症非流行期間内にあるようにする。

0133

決定ユニット304は、次の方法に従ってクラス分け時間ウィンドウサイズを決定する。

0134

(1)第二トレーニングデータに従って、前記感染症予測モデルで、事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、前記事前設定された時点の前のクラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類する。

0135

前記クラス分け時間ウィンドウサイズの初期値はプリセット値、例えば3であり、決定ユニット304調整後は、適切なサイズ、例えば7に調整される。

0136

(2)第二トレーニングデータに従って、前記事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算する。

0137

(3)前記事前設定された時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差に従って、感染症リスクレベル分類の閾値を計算する。

0138

(4)前記感染症リスクレベル分類閾値に従って、前記事前設定された時点の感染症リスクレベルを判定する。

0139

(5)前記事前設定された時点での感染症リスクレベルが中リスクレベルおよび中リスク以上のレベルである場合、前記事前設定された時点が実際の感染症流行期間内にあるかどうか、または前記事前設定された時点での感染症リスクレベルが低リスクおよび中リスク未満のレベルである場合、前記事前設定された時点が実際の感染症非流行期間内にあるかどうかを判定する。

0140

(6)前記事前設定された時点での感染症リスクレベルが中リスクレベルおよび中リスク以上のレベルであり、前記事前設定された時点が実際の感染症流行期間内にある、または前記事前設定された時点での感染症リスクレベルが低リスクおよび中リスク未満のレベルであり、前記事前設定された時点が実際の感染症非流行期間内にある場合、前記クラス分け時間ウィンドウサイズを調整する。

0141

クラス分け時間ウィンドウサイズを最適な値に調整するために、異なる第二トレーニングデータで上述の方法に従ってクラス分け時間ウィンドウサイズを複数回調整できる。

0142

予測ユニット305は、前記感染症予測モデルで、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類するように使用される。

0143

例えば、前記CUSUM予測モデルで、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類する。また、前記CUSUM予測モデルで、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類する。また、前記移動パーセンタイルモデルで、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における各時点を予測し、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症流行期間と感染症非流行期に分類する。

0144

予測ユニット305は、また前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算するように使用される。

0145

前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内におけるすべての感染症非流行期間を統計し、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内におけるすべての感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算する。例えば、測定する時点前の前記クラス分け時間ウィンドウサイズの時間内に3つの感染症非流行期間が含まれる場合、前記3つの感染症非流行期間の感染症モニタリングデータの平均値と標準偏差を計算する。前記平均値と標準偏差は、前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータを計算して求められた平均値と標準偏差である。

0146

予測ユニット305は、また前記測定する時点前の前記クラス分け時間ウィンドウサイズの時間内における感染症非流行期間の感染症モニタリングデータの平均値と標準偏差に従って、感染症リスクレベル分類の閾値を計算するように使用される。

0147

前記感染症リスクレベル分類の閾値には、高中レベル分類の閾値、中低レベル分類の閾値、および低/極低レベル分類の閾値が含まれ得る。前記高中レベル分類の閾値は、高リスクレベルと中リスクレベルを分類するために使用され、前記中低レベル分類の閾値は中リスクレベルと低リスクレベルを分類するために使用され、前記低/極低レベル分類の閾値は低リスクレベルと極低リスクレベルを分類するために使用される。

0148

特定の実施例では、前記非流行期間の感染症モニタリングデータの平均値はμw′、標

の閾値はμw′+6*σw′、前記中低レベル分類の閾値はμw′+4*σw′、前記中低レベル分類の閾値はμw′+2*σw′である。

0149

他の実施例では、前記感染症リスクレベル分類の閾値には、他の量と種類が含まれ得る。例えば、前記感染症リスクレベル分類の閾値には、高中レベル分類の閾値および中低レベル分類の閾値が含まれ得る。また、前記感染症リスクレベル分類の閾値には、極高/高レベル分類の閾値、高中レベル分類の閾値、中低レベル分類の閾値、および低/極低レベル分類の閾値が含まれ得る。

0150

予測ユニット305は、さらに前記感染症リスクレベル分類の閾値に従って、前記測定する時点での感染症リスクレベルを判定するように使用される。

0151

例えば、前記測定する時点での感染症モニタリングデータが前記高中レベル分類の閾値以上である場合、前記測定する時点での感染症リスクレベルは高リスクレベルであると判定される。前記測定する時点での感染症モニタリングデータが前記高中レベル分類の閾値より小さく、前記高中レベル分類の閾値以上である場合、前記測定する時点での感染症リスクレベルは中リスクレベルであると判定される。前記測定する時点での感染症モニタリングデータが前記中低レベル分類の閾値より小さく、前記低/極低レベル分類の閾値以上である場合、前記測定する時点での感染症リスクレベルは低リスクレベルであると判定される。前記測定する時点での感染症モニタリングデータが前記低/極低レベル分類の閾値より小さい場合、前記測定する時点での感染症リスクレベルは低/極低リスクレベルであると判定される。

0152

特定の実施例では、前記感染症クラス分け予測装置10は、CUSUM予測モデル、EWMA予測モデル、および移動パーセンタイル予測モデルを組み合わせて感染症クラス分け予測を実行できる。具体的には、前記感染症クラス分け予測装置10により、CUSUM予測モデルに基づいて測定する時点が第一感染症リスクレベルであると判定し、EWMA予測モデルに基づいて測定する時点が第二感染症リスクレベルであると判定し、移動パーセンタイル予測モデルに基づいて測定する時点が第三の感染症リスクレベルであると判定し、前記第一感染症リスクレベル、前記第二感染症リスクレベル、および前記第三の感染症リスクレベルに従って最終的な感染症リスクレベルを取得する。前記第一感染症リスクレベル、前記第二感染症リスクレベル、および前記第三の感染症リスクレベルに少なくとも2つの感染症リスクレベルが一致しているかどうかを判断できる。前記第一感染症リスクレベル、前記第二感染症リスクレベル、および前記第三の感染症リスクレベルに少なくとも2つの感染症リスクレベルが一致している場合、この一致している感染症リスクレベルが最終的な感染症リスクレベルとして使用される。

0153

実施例2の感染症クラス分け予測装置10で、感染症予測モデルをトレーニングおよびテストし、最適化された感染症予測モデルを取得し、最適化された感染症予測モデルを使用して測定する時点の前の感染症モニタリングデータを予測する。前記感染症予測モデルに基づいてクラス分け時間ウィンドウサイズを決定し、測定する時点の前の各時点での予測結果と前記クラス分け時間ウィンドウサイズに従って、測定する時点の感染症リスクレベルを判定する。感染症リスクレベルの判定に使用される時間ウィンドウサイズは、感染症予測モデルに基づいて決定されるため、実施例2により感染症リスクレベルの判定の精度を向上させることができる。

0154

実施例3
図4は、本願発明の実施例3に提供されるコンピューター装置の模式図である。コンピューター装置1には、メモリ20、プロセッサ30、およびコンピューター可読命令40を備え、前記コンピューター可読命令40は、メモリ20に格納され、前記プロセッサ30上で実行し、例えば、感染症クラス分け予測プログラムである。前記プロセッサ30は、前記コンピューター可読命令40を実行するとき、図1に示されるステップ101−109など、上述の感染症クラス分け予測方法の実施例におけるステップを実現する。あるいは、前記プロセッサ30は、コンピューター可読命令40を実行するとき、図3ユニット301−305など、上述の装置の実施例における各モジュール/ユニットの機能を実現する。

0155

実例として、本願発明を完了するには、前記コンピューター可読命令40は、メモリ20に格納され、プロセッサ30によって実行される1つ以上のモジュール/ユニットに分割されてもよい。前記1つ以上のモジュール/ユニットは、コンピューターデバイス1内のコンピューター可読命令40の実行プロセス記述するための特定の機能を実行することができる一連のコンピューター可読命令セグメントであり得る。例えば、前記コンピューター可読命令40は、図3の確立ユニット301、トレーニングユニット302、テストユニット303、決定ユニット304、および予測ユニット305に分割され、各ユニットの具体的な機能については、実施例2を参照する。

0156

前記コンピューターデバイス1は、デスクトップコンピューターノートブックパソコンパームトップコンピューター、およびクラウドサーバなどのコンピューティングデバイスである。前記模式図である図4は、コンピューターデバイス1の単なる例であり、コンピューターデバイス1への制限を構成するものではなく、図示よりも多いまたは少ないコンポーネントを含んでもよく、あるいはいくつかのコンポーネントまたは異なるコンポーネントを組み合わせてもよい、例えば前記コンピューターデバイス1にはまた、入力および出力デバイスネットワークアクセスデバイスバスなどが含まれ得ることを当業者は理解するであろう。

0157

前記プロセッサ30は、中央処理装置(Central Processing Unit、CPU)であってもよく、または他の汎用プロセッサデジタル信号プロセッサ(Digital Signal Processor、DSP)、特定用途向け集積回路(Application Specific IntegratedCircuit、ASIC)、現場プログラム可能ゲートアレイ(Field−Programmable Gate Array 、FPGA)またはその他のプログラム可能なロジックデバイスディスクリートゲートまたはトランジスタロジックデバイス、ディスクリートハードウェアコンポーネントなどであってもよい。汎用プロセッサはマイクロプロセッサでもよく、このプロセッサ30は従来のプロセッサなどでもよく、前記プロセッサ30はコンピューター装置1の制御センターであり、様々なインターフェースおよび回線を使用してコンピューター装置1全体を接続する。

0158

前記メモリ20は、前記コンピューター可読命令40および/またはモジュール/ユニットを格納するために使用され、前記プロセッサ30は、前記メモリ20に格納されたコンピューター可読命令および/またはモジュール/ユニットをランニングまたは実行し、前記メモリ20に格納されたデータを呼び出すことにより、コンピューター装置1の様々な機能を実現する。前記メモリ20には、主にストレージプログラム領域およびストレージデータ領域が含まれ、そのうち、ストレージプログラム領域は、オペレーティングシステム、少なくとも1つの機能に必要なアプリケーションなど(音声再生機能画像再生機能など)を格納することができ、ストレージデータ領域は、 コンピューター装置1の使用に応じて作成されたデータ(音声データ、電話帳など)を格納することができる。さらに、メモリ20には、高速ランダムアクセスメモリ、またはハードディスク、メモリ、プラグインハードディスク、スマートメモリカード(Smart Media Card、SMC)、セキュアデジタル(Secure Digital、SD)カード、フラッシュカード(Flash Card)、少なくとも1つのディスクストレージデバイスフラッシュデバイスなどの不揮発性メモリ、またはその他の揮発性ソリッドステートストレージデバイスが含まれる。

0159

前記コンピュータデバイス1によって統合されたモジュール/ユニットは、ソフトウェア機能ユニットの形態で実装され、独立した製品として販売または使用される場合、コンピューター可読記憶媒体に格納する。このような理解に基づいて、本願発明では、前述の実施例方法のプロセスのすべてまたは一部を実施し、不揮発性可読記憶媒体に格納されるコンピューター可読命令によって関連するハードウェアで実施することができ、このコンピューター可読命令は、プロセッサによって実行されるとき、上述の各方法実施例のステップを実現する。ここで、前記コンピューター可読命令には、ソースコードオブジェクトコード形式実行可能ファイルまたは何らかの中間形式などの形態であり得るコンピューター可読命令コードが含まれる。前記不揮発性可読媒体には、コンピューター可読命令コードを運ぶことができるエンティティまたはデバイス、記録媒体、Uディスクモバイルハードディスク磁気ディスク光ディスク、コンピューターメモリ、読み出し専用メモリ(ROM、Read−Only Memory)、ランダムアクセスメモリ(RAM、Random Access Memory)、電気搬送波信号電気通信信号、およびソフトウェア配布媒体などが含まれ得る。不揮発性可読媒体に含まれるコンテンツは、司法管轄区域の立法と特許慣行の要件に応じて適切に増減できることに特に注意すべきである。例えば、一部の法域では、不揮発性可読媒体には、立法と特許の慣行に応じて電気搬送波信号および電気通信信号が含まれていない。

0160

さらに、「含む」という言葉は、他のユニットまたはステップを除外せず、単数形は複数形を除外しないことを理解されたい。コンピューターデバイスの請求項に記載されている複数のユニットまたはコンピューターデバイスは、同じユニットまたはコンピューターデバイスによってソフトウェアまたはハードウェアを介して実現できる。第一、第二などの単語は名称を示すために使用され、特定の順序を示すものではない。

0161

最後的には、上記の実施例は、本願発明の技術的解決策を説明するためにのみ使用され、それに限定されないことに留意されたい。本願発明は、好ましい実施例を参照して詳細に説明されるが、当業者は、本願発明の技術的解決策の趣旨と範囲から逸脱することなく、本願発明の技術的解決策を修正または同等に置換できることを理解すべきである。

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ