计算机心脏病数据库运用方法、计算机心脏病数据库运用程序、以及信息处理装置

技术领域

本发明涉及计算机(In-silico)心脏病数据库运用方法、计算机心脏病数据库运用程序、以及信息处理装置。

背景技术

将健康或者有心脏病的某患者的心脏活动在电脑上作为物理学、生理学的数学模型进行重现的心脏模拟技术近年来投入使用。使用该心脏模拟技术，在将各个患者的心脏模型在电脑上数字性重现之后，能够在电脑上对该心脏模型虚拟实施模拟治疗，还能够预测治疗后的心脏状态。由此，能够帮助医生针对各个患者选择最佳治疗方法。例如，根据专利文献1、非专利文献1，在实施心脏外科手术的情况下，首先制作重现术前状态的心脏模型，然后在电脑上对该心脏模型采用备选的多个手术方式来实施心脏模拟，能够比较术后的血流动态、对心脏的负担，能够选择更好的手术方式。另外，作为其他例子，根据专利文献2、非专利文献2，在对某患者实施基于双心室起搏的心脏再同步治疗(CRT)的情况下，能够通过预先模拟，确认将从CRT装置输出的电刺激传至心脏的电极位置是否适当，还能够在术前针对每位患者量化确认治疗效果的程度。以上均定位为基于心脏模拟技术的个性化医疗。

另一方面，有别于将各个患者的心脏重现来进行最佳个性化医疗的想法，以心脏模拟技术和最近超级计算机能够实现的超级并行计算这两者作为基础，在电脑上制作多个相对于正常标准的心脏模拟模型，使可能与心脏病相关的从小到大的各种因素相对于正常值进行多种变动而得到的虚拟心脏病心脏模型，从而能够制作保存有这些心脏模拟结果的数据库、即“计算机(In-silico)心脏病数据库”。实际上，在非专利文献3中，制作了1万7千个以上心脏模型进行模拟。在计算机心脏病数据库中，根据心脏模拟结果可知，也能够通过附带计算容易地获取与标准12导联心电图、超声心动图的各种指标相当的数据，因此计算机心脏病数据库不仅能够使用于基础医学研究，还能够使用于临床医学研究。此外，不仅仅称为“心脏病数据库”而称为“计算机心脏病数据库”，是为了与基于医院真实临床数据的心脏病数据库形成区别。图1示出计算机心脏病数据库的概念。

现有技术文献

专利文献

专利文献1：日本专利第6300244号公报

专利文献2：日本特开2017-033227号公报

专利文献3：日本特开2022-040892号公报

非专利文献

非专利文献1：Kariya T，Washio T，Okada J，Nakagawa M，Watanabe M，KadookaY，Sano S，Nagai R，Sugiura S，Hisada T.Personalized Perioperative Multi-scale，Multi-physics Heart Simulation of Double Outlet Right Ventricle.Annals ofBiomedical Engineering.2020.DOI：10.1007/s10439-020-02488-y

非专利文献2：Okada J，Washio T，Nakagawa M，Watanabe M，Kadooka Y，KariyaT，Yamashita H，Yamada Y，Momomura S，Nagai R，Hisada T，Sugiura S.Multi-scale，tailor-made heart simulation can predict the effect of cardiacresynchronization therapy.Journal of Molecular and Cellular Cardiology.2017；108：17-23.

非专利文献3：日本高度信息科学技术研究机构令和2年高性能通用计算机高度利用事业“富岳”成果产出加速项目「多尺度心脏模拟器与大规模临床数据的革新性整合下的心衰流行病的克服」成果报告书f202_r2.pdf(rist.or.jp)

非专利文献4：Mason J.W.，Straus D.G.，Vaglio M.，Badilini F.，Correctionof the QRS duration for the heart rate.IElectrocardiol.1-4，2019.

非专利文献5：H.Iwasa，T.Itoh，R.Nagai，Y.Nakamura，T.Tanaka，Twenty singlenucleotide polymorphisms(SNPs)and their allelic frequencies in four genesthat are responsible for familial long QT syndrome in the Japanesepopulation，Journal of Human Genetics，45，182-183，2000.

非专利文献6：Okada J，Yoshinaga T，Kurokawa J，Washio T，Furukawa T，SawadaK，Sugiura S，Hisada T.Screening system for drug-induced arrhythmogenic riskcombining a patch clamp and heart simulator.Science Advances.1(4).2015.

发明内容

发明所要解决的问题

心力衰竭是因心肌梗塞、心肌症、瓣膜病等多种原因引起的心脏功能异常，从而导致生活质量降低并至死的疾病，其患者目前日本有120万人，超过100万人的癌症患者数量。作为心律不齐之一的心房颤动的患者数量，仅通过检查诊断的数量就推测有约80万人，如果算上潜在的患者数量，实际上超过100万人。从经济性的角度来看，日本的除脑血管疾病以外与循环系统疾病相关的医疗费升至4.1兆日元，接近癌症的4.2兆日元。因此，心脏病的可靠的早期发现和合理的治疗方法成为紧迫的课题。

从心脏病的早期发现的观点出发，经常使用简单的检查方式、即心电图或超声心动图，另外，特别是对于心电图，通过内置于装置的软件或外部的软件等进行的自动诊断也投入使用。此外，最近，由机器学习了大量教学数据的AI所进行的自动诊断也在积极开发中。AI虽比较简便但可以期待一定的实用性，由于基本上是根据大量数据自动发现规律性、相关性，因此认为存在所导出的答案的依据不清楚这一“黑匣子问题”，最近，ExplainableAI(可解释性AI)的研究也在进行中。但是，AI最根本的极限在于，始终局限于被赋予的数据上的表面性预测、说明。这在不通过AI进行的自动诊断中也是同样的。因此，为了实现预测精度的飞跃性提高、实质性治疗，超越心电图、超声心动图数据上的表面性预测、说明，认为需要引入探究其背后的真理、即心脏病的生理学原理的新方法。本发明要解决的课题在于，根据以上观点构筑一种信息处理技术，该信息处理技术运用所述“计算机心脏病数据库”，能够实现心脏病发病的更可靠的早期发现、以及合理治疗方法的开发。

用于解决问题的方法

在第一方案中，在电脑上制作大量的使正常标准心脏模拟模型中的与心脏病相关的从小到大的各种因素相对于正常值进行多种变动而得到的心脏模型，以如下方式运用保存有这些心脏模拟结果、以及通过附带计算获得的心电图和超声心动图指标的计算机心脏病数据库。即，将计算机心脏病数据库的各心脏模型的心电图和超声心动图指标输入至自动诊断器进行诊断。然后，将心脏病分成判断为阳性的组和判断为阴性的组。此外，判断为阳性的组也可以根据心脏病的进程分成多个组。另外，自动诊断器既可以是将大量真实心电图、真实超声心动图指标以及诊断结果作为教学数据进行机器学习而制成的AI，也可以是不采用AI的例如诊断装置附带的软件。此外，以下说明中的“心电图和超声心动图指标”也可以不是心电图和超声心动图指标这两方，仅是其中任一方。

在第二方案中，识别具有与某个人的真实心电图和真实超声心动图指标最类似的、计算机心脏病数据库内的心电图和超声心动图指标的心脏模型。但是，如后所述，特别是对于心电图，由于受到各种修正，因此需要在进行相似度的判断之前，适当进行计算机心脏病数据库内的心电图的变换以及个人的真实心电图的变换。另外，相似度的判断既可以使用AI，也可以使用其他数理方法。

在第三方案中，着眼于模拟结果或者多个因素的变动量的组合，从计算机心脏病数据库有针对性地抽取具有某些特征的组作为子集。例如，通过抽取较长的作为模拟结果的心电图的QT间期，得到心律不齐发生风险高的心脏组。另外，作为着眼于因素变动量的例子，通过以各因素的变动量的频率分布达到指定分布的方式进行抽取，得到具有某真实样本组、例如“日本人”的特性分布的心脏组。接下来，在电脑上统计性评价对如上获得的心脏组给药的情况下的心电图、超声心动图指标的变化的状况。但是在此，以实验性地赋予所述药剂如何使各因素变动的定量数据作为前提，具体方法通过第三实施的例子进行说明。

发明效果

根据第一方案，对通过上述诊断分成心脏病阳性和阴性的计算机心脏病数据库的各组心脏模型，分析从小到大的各因素的变动量的分布，从而能够指定与心脏病相关的因素或者因素组，能够开发以此作为生理学上的生物标记的高精度的心脏病发病预测技术。此外，能够根据所述因素间或者因素组间的生理学因果关系来推测心脏病发病的机制(mechanism)，能够提供用于开发对所述因素或者因素组的变动进行抑制的治疗方法的信息。

根据第二方案，通过在计算机心脏病数据库内识别具有与某个人的真实心电图和真实超声心动图指标最类似的心电图和超声心动图指标的心脏模型，从而知晓构成该心脏的各因素的变动量，因此认为这表现了所述个人的生理状态。特别是通过所述第一方案，将与各种心脏病相关的因素或者因素组指定为生物标记，针对阳性、阴性的各组获得其变动量分布，因此通过对比这些变动量分布和所述个人的各因素变动量，能够与心脏病关联地精密诊断个人的健康状态。这样，作为特点，只需要心电图、超声心动图这种简单的检查，就能够实现精密医疗。

根据第三方案，有针对性地抽取例如心律不齐发生风险高的组等本发明的使用者关注的组，能够在电脑上简单评价向其给药的情况下的效果，故而成为能够加速药物研发的工具。另外，由于还能够简单评价例如向具有日本人的特性的组给与某些药剂的情况下的心电图的统计性变动，故而在药物研发中，能够代替作为必要的心毒性筛查而实施的TQT试验(thorough QT/QTc试验)。此外，以上评价的特征在于，如第三实施方式中具体说明那样，无需再次执行心脏模拟就能够简单地进行。

附图说明

图1是示出计算机心脏病数据库的概念的图。

图2是示出第一实施方式所涉及的提供用于确定心脏病发病相关因素、分析机制、开发合理治疗方法的信息的信息处理装置10的功能结构的图。

图3是示出第一实施方式所涉及的信息处理步骤的一例的流程图。

图4是示出第一实施方式所涉及的系统结构和硬件结构的一例的图。

图5是示出心电图的成因的概要和计算机心脏病数据库所能覆盖的范围的一例的图。

图6是示出第二实施方式所涉及的识别具有与个人的真实心电图和真实超声心动图指标最类似的、计算机心脏病数据库内的心电图和超声心动图指标的心脏模型进行诊断的信息处理装置20的功能结构的图。

图7是示出第二实施方式所涉及的信息处理步骤的一例的流程图。

图8是示出第三实施方式所涉及的简单评价向具有某特征的组给药的情况的效果的信息处理装置30的功能结构的图。

图9是示出第三实施方式所涉及的信息处理步骤的一例的流程图。

图10是示出其他实施方式所涉及的提供用于确定治疗效果相关的因素、分析机制、开发合理治疗方法的信息的信息处理装置40的功能结构的图。

图11是示出其他实施方式所涉及的信息处理步骤的一例的流程图。

具体实施方式

以下，对本实施方式进行说明。此外，各实施方式能够在不产生矛盾的范围内组合多个实施方式进行实施。

(第一实施方式)

第一实施方式提供用于确定与心脏病发病相关的因素、分析心脏病机制、开发合理治疗方法的信息。图2是示出第一实施方式的一例的图。图2中示出信息处理装置10的功能结构，该信息处理装置10提供用于确定与心脏病发病相关的因素、分析心脏病机制、开发合理治疗方法的信息。信息处理装置10构成为包括获取有计算机心脏病数据库的全部或者一部分数据的存储部11、以及处理部12。如图1中示出其概念那样，计算机心脏病数据库中保存有大量心脏模拟结果。心脏模拟通过使可能与心脏病相关的各因素相对于正常值进行多种变动而进行，各因素的变动量的一个组合对应于一个病例。各病例中一并保存有各因素的变动量数据1和心脏模拟的全部结果。此外，本图中所示的因素大体上示出一例，例如对于离子通道而言，钾、钠、钙等细分化的各离子通道即是各个因素。

心脏模拟包括与电现象和力学现象相关的模拟，在电模拟中，心脏模型嵌入躯体模型进行模拟(图1)。其结果是，在躯体模型表面产生时刻变动的电位，在该躯体上，从标准12导联心电图用的9处电极位置抽取电位进行若干运算，得到心电图2。另外，由于通过力学模拟能获得心脏壁时时刻刻的运动，因此通过对心脏壁的坐标进行处理，能够求出例如左心室直径的变化、血液输出量等各种超声心动图指标3。这些全部准备在计算机心脏病数据库中。在存储部11，最低限度存储有存储各病例中的各因素的变动量数据1、心电图2以及超声心动图指标3。处理部12包括分类器4和统计处理装置5。存储部11中存储的各病例的病例序号、心电图、超声心动图指标输入至分类器4。分类器4中的自动诊断，例如既可以是通过将大量真实心电图、真实超声心动图指标以及诊断结果作为教学数据进行机器学习而制成的AI，也可以是装置附带的AI以外的软件。从存储部11输入的各病例通过分类器4进行诊断，对于某心脏病分类成阳性(+)组和阴性(-)组。在专利文献3中，开发了根据真实心电图的机器学习(深度学习)进行心力衰竭诊断的AI。

在统计处理器5中，由于知晓各病例序号所关联的各因素的变动量，因此是将其统计性整理的程序。具体地说，在本图的例子中，各因素的变动量从小到大以5个阶段构成，因此，对于每一个病例，关于各因素在(+)组或(-)组的任一方的5个阶段累计格的该位置增加1。对全部病例进行上述操作，针对各因素的变动量得到(+)组的分布和(-)组的分布。在本图的例子中，用各累计格的浓淡表示分布的图像。对于某个因素，若(+)组和(-)组的分布没有有效差，则视为该因素与作为对象的心脏病没有关系。相反，如果两个分布存在有效差，则视为该因素与作为对象的心脏病有关系。例如，若(+)组中的分布扩展，则认为该因素相对于正常值的变动越大，其心脏病的发病风险越高。这样的影响因素成为与作为对象的心脏病相关的生理学上的生物标记。此外，如果还考虑到例如通过细胞内的钙离子浓度来调节肌节的收缩力等生理学因果关系来分析影响因素之间的变动分布，则能够提供用于推断心脏病发病机制、开发合理抑制影响因素或者影响因素组的变动的治疗方法的的信息。

此外，在本图的例子中，分类器4进行的自动诊断对于某心脏病分成阳性(+)和阴性(-)两组进行，但也可以根据心脏病的进程分为多个阶段。例如对于心力衰竭，临床上常使用New York Heart Association(纽约心脏病协会)的心功能分类、即NYHA I度(有心脏病，但普通的身体活动中无症状)～IV度(即便安静状态，也存在心力衰竭的症状或心绞痛)的4阶段分类，因此也可以采用按此分类的分类器。

图3是示出以上信息处理步骤的一例的流程图。

(步骤S11)从计算机心脏病数据库，针对全部病例读取因素变动1、心电图2以及超声心动图指标3并保存于存储部11。对各病例标注病例序号。

(步骤S12)从存储部11抽取每一个病例的心电图2和超声心动图指标3并输入至分类器4，分类到有心脏病发病(+)或无心脏病发病(-)中的任一组。

(步骤S13)在统计处理器5中，由于对(+)组和(-)组分别准备表现各因素的变动量的累计格，因此对于各因素的(+)组或(-)组的任一方的累计格的该格增加1。

接下来返回步骤S2，重复同样的操作直至最后的病例。

(步骤S14)对于各因素的变动量，得到(+)组的各累计格的值和(-)组的各累计格的值的分布、即变动量分布。

(步骤S15)比较(+)组和(-)组的变动量分布，存在有效差异的某个因素被指定为生物标记。

(步骤S16)考虑因素之间的因果关系，进行心脏病发病的机制分析。

(步骤S17)根据步骤S15中指定的生物标记、以及步骤16中分析出的心脏病发病的机制，提供用于开发合理治疗方法的信息。

图4是示出系统结构和硬件结构的一例的图。在图4的例子中，信息处理装置10经由网络300与保存有计算机心脏病数据库的数据服务器200连接。信息处理装置10通过处理器100控制装置整体。在处理器100上，经由母线108连接有存储器102和多个外围设备。处理器100也可以是多处理器。处理器100例如是CPU(Central Processing Unit)、MPU(MicroProcessing Unit)或者DSP(Digital Signal Processor)。处理器100执行程序而实现的功能的至少一部分也可以通过ASIC(Application Specific Integrated Circuit)、PLD(Programmable Logic Device)等电路实现。

存储器102用作存储部11的主存储装置。在存储器102暂时保存使处理器100执行的OS(Operating System)程序、应用程序的至少一部分。另外，在存储器102保存由处理器100进行的处理中使用的各种数据。作为存储器102，例如使用RAM(Random Access Memory)等易失性的半导体存储装置。

作为连接于母线108的外围设备，有贮存装置104、GPU(Graphics ProcessingUnit)101、输入接口103、光学驱动装置105、设备连接接口107以及网络接口106。

贮存装置104对内置的记录介质以电或者磁性的方式进行数据的写入以及读取。贮存装置104用作信息处理装置10的辅助存储装置。贮存装置104中保存OS程序、应用程序以及各种数据。此外，作为贮存装置104，能够使用例如HDD(Hard Disk Drive)、SSD(SolidState Drive)。

GPU101是进行图像处理的运算装置，也被称作图形控制器。GPU101上连接有显示器109。GPU102根据来自处理器100的命令，将图像显示于显示器109的画面。作为显示器109，有使用有机EL(Electro Luminescence)的显示装置、液晶显示装置等。

输入接口103连接有键盘110和鼠标111。输入接口103将从键盘110、鼠标111输送来的信号发送至处理器100。此外，鼠标111是指示设备的一例，也可以使用其他指示设备。作为其他指示设备，有触摸面板、平板电脑、触摸板、跟踪球等。

光学驱动装置105利用激光等读取光盘112中记录的数据，或者向光盘112写入数据。光盘112是以能够通过光的反射进行读取的方式记录数据的便携型记录介质。光盘112有DVD(Digital Versatile Disc)、DVD-RAM、CD-ROM(Compact Disc Read Only Memory)、CD-R(Recordable)/RW(Re Writable)等。

设备连接接口107是用于向信息处理装置10连接外围设备的通信接口。例如，能够向设备连接接口107连接存储器装置113、存储器读写器114。存储器装置113是搭载有与设备连接接口107通信的通信功能的记录介质。存储器读写器114是向存储卡115写入数据、或者从存储卡115读取数据的装置。存储卡115是卡片型的记录介质。

网络接口106连接于网络300。网络接口106经由网络300与其他电脑或者通信设备之间进行数据的收发。网络接口106例如是通过线缆连接于开关、路由器等有线通信装置的有线通信接口。另外，网络接口106也可以是通过电波与基站、接入点等无线通信装置通信连接的无线通信接口。

信息处理装置10例如能够通过以上的硬件实现第一实施方式的处理功能。

此外，若信息处理装置10的处理器100是高性能的，并且存储器102和贮存装置104的容量足够大，则信息处理装置10可以进行大量的心脏模拟，也可以自己制作计算机心脏病数据库。

(第二实施方式)

第二实施方式是基于简单检查进行的与个人心脏病相关的精密诊断。定期体检、日常检查中经常使用心电图、超声心动图。若能识别与个人的心电图、超声心动图最接近的计算机心脏病数据库的心电图、超声心动图的心脏模型，就能够知晓此人的与心脏病相关的生理学上的各个因素的变动，能够提供用于个性化精密诊断、甚至是个性化医疗的信息。但是，在此需要留意的是，计算机心脏病数据库在原理上无法成为无限反映个人的多样性的数据库，特别是对于心电图，存在以下问题。图5中，作为心电图的成因的概要和计算机心脏病数据库能够覆盖的范围的一例，示出非专利文献3的计算机心脏病数据库所覆盖的范围。在此，从数据库变动因素除去了体型、交感神经的多样性所带来的影响。换句话说，在本例的计算机心脏病数据库中，对于这些因素使用标准值。但是，考虑到个人的真实心电图会因这些因素的多样性而被修改，因此若直接与计算机心脏病数据库的心电图比较，即便原本是正常的，也可能被误认为病态的心电图，或者反之将病态的心电图误认为正常的。因此，需要进行与这些被除去的因素相关的修正。以下，示出其修正方法的一例。

首先，关于交感神经的修正以如下方式进行。交感神经的影响归结于心率的变化。在计算机心脏病数据库中，心率是1Hz(60拍/分钟)条件下的心电图，但因交感神经的影响，实际的心率是多种多样的，其结果是，心电图的重要指标、即从Q波起点到T波终点的时间(QT间期)是不同的。作为对此进行修正的方法，例如广泛使用以下所示的Basett公式等，以此为基础首先使个人的真实心电图的波形数字化，利用电脑程序在时间轴方向上进行调整。

Bazett公式:

上式中QT和RR表示QT间期和RR间期(1个心周期)。QTC是修正后的QT间期。但是，若像这样修正时间轴，QRS宽度也以相同的比率变化。因此，根据非专利文献4，关于QRS宽度，通过下式进行修正。

QRSc＝QRS+0.0125x(1000-RR) (2)

在此，QRSc和QRS表示修正后和修正前的QRS宽度。

接下来，示出关于体型的修正方法的一例。随着越发肥胖，横膈膜升高，产生使心脏向侧方倾斜的角度变化，心电图波形受到心脏的角度变化的影响。因此，根据日常健康检查拍摄的胸部X光片推测心脏的解剖轴线。然后，使计算机心脏病数据库的心脏模型旋转以与该解剖轴线一致，对全部病例通过电脑程序再次计算心电图。对于心脏模型的旋转，只要利用正交张量转换构成心脏模型的计算格点的坐标即可。另外，对于心电图的再次计算，由于全部病例的心脏内的电兴奋传导的模拟结果保存在计算机心脏病数据库内，因此，例如能够使用以下的式(3)简单地进行。

Φ(r)＝q/(4πμ|r-r′|) (3)

式(3)是在假定介电常数μ的均质无限介质的情况下，赋予位于位置矢量r′的电荷q在位置矢量r的点形成的电位Φ(r)的公式。由于通过心脏模拟计算并保存心肌内的各计算格点r′处每时每刻的涌出或者吸入电流，因此，之后通过评价电荷q，即刻求出12导联心电图的电极位置r处的电位Φ(r)。

此外，除了心脏的角度变化以外，还考虑身体厚度(脂肪层的厚度)的增加所导致的电极与心脏之间距离的增加带来的影响。在该情况下，只要修正式(3)的电极的位置矢量r即可。另外，也可以根据需要修正考虑到脂肪层的介电常数μ。

与体型相关的心电图修正方法除上述以外还可以考虑各种修正方法。例如，也可以代替使用假定均质无限体的式(3)，制作根据胸部X光等实现心轴线的角度修正并且通过有限元法使骨格、肺部也模型化了的精密躯体模型。该情况下的心电图的再次计算成为被泊松方程式(式(4))支配的非均质有限介质的有限元分析问题，由于使左侧离散化得到的行列在全部病例中共用，仅右侧项f取决于各病例的心脏模拟结果而变化，因此行列的三角分解只要进行一次即可，故而计算负荷不会过大。

在此，

图6示出第二实施方式的一例。图6中示出信息处理装置20的功能结构，其识别具有与某个人的真实心电图和真实超声心动图指标最类似的计算机心脏病数据库内的心电图和超声心动图指标的心脏模型。信息处理装置20包括修正个人的真实心电图的心率的功能21、针对体型修正计算机心脏病数据库的功能22、保存通过功能22修正后的数据的存储部23、以及类似数据搜寻器24。

如上所述那样对某个人的真实心电图7进行心率相关的修正21，求出修正后的真实心电图8，另一方面，在存储部11进行体型相关的心电图2的修正22，用修正后的心电图6进行置换。将用心电图6置换心电图2后的新数据保存于存储部23，利用类似数据搜寻器24从其中识别与个人的修正后真实心电图8和真实超声心动图指标9的组合最接近的病例。类似数据搜寻器24例如也可以使用AI。该情况下的AI既可以是由人指定特征的机器学习型，也可以是深度学习型。此外，即便不使用AI，对于心电图，也可以选择例如交互相关系数最接近1的波形。另外，对于超声心动图指标，也可以使用例如使各指标(数值)的误差的平方和最小的最小二乘法。若像这样识别最类似的病例，认为该病例的各因素的变动量表现出个人的生理状况，另一方面，由于存在图2(第一实施方式)的统计处理器处理后的与各种心脏病相关的因素变动分布，因此能够通过对比两者来进行与该心脏病相关的个人的诊断。

此外，在进行所述的与体型相关的心电图2的修正22时，由于需要计算机心脏病数据库内的各心脏内的电兴奋传导的模拟结果，因此，各因素的变动量数据1、心电图2、超声心动图指标3一并和电兴奋传导的模拟结果存入存储部11。

图7是示出以上信息处理步骤的一例的流程图。

(步骤S21)从计算机心脏病数据库读取全部病例的因素变动量、心电图、超声心动图指标、以及电兴奋传导分析结果，保存于存储部11。

(步骤S22)配合作为诊断对象的某个人的体型，根据保存于存储部11的电兴奋传导分析结果，通过处理22进行新的心电图6的再次计算，并与心电图2置换，和其他数据一起保存于存储部23。在所述个人的体型与计算机心脏病数据库的制作中使用的标准体型接近的情况下，能够省略该心电图的再次计算。

(步骤S23)通过处理21对所述个人的真实心电图7进行修正，设为心率60的真实心电图8。

(步骤S24)使用类似数据搜寻器24，在进行心电图再次计算的情况下，从存储部23识别具有与修正后的真实心电图8和真实超声心动图指标9最类似的心电图和超声心动图指标的病例，在不进行心电图再次计算的情况下，从存储部11识别。

(步骤S25)将步骤S24中选择的病例的各因素变动量与图2(第一实施方式)的统计处理器5的处理结果进行对比来进行诊断。

对于系统结构和硬件结构的例子，与(第一实施方式)中使用的图4相同。此外，若信息处理装置10的处理器100是高性能的，并且存储器102和贮存装置104的容量足够大，则信息处理装置10可以进行大量的心脏模拟，也可以自己制作计算机心脏病数据库。

(第三实施方式)

在第三实施方式中，着眼于模拟结果或者多个因素的变动量的组合，从计算机心脏病数据库有针对性地抽取具有某些特征的组作为子集，简单评价向其给药的情况下的效果。图8是示出第三实施方式的一例的图。在图8的信息处理装置30中，通过31的处理，从存有计算机心脏病数据库的全部或者一部分数据的存储部11，着眼于各病例的模拟结果或者多个因素变动量的组合进行挑选，将其结果(仅病例序号和因素变动数据即可)保存于存储部32。作为一例，通过仅抽取较长的作为模拟结果的QT间期，能够将心律不齐发生风险高的心脏组保存于存储部32。另外，作为着眼于各因素变动量的例子，通过以各因素的变动量的频率分布达到指定分布的方式进行抽取，能够将具有某个真实样本组、例如“日本人”的特性分布的心脏组保存于存储部32。对后者的例子进行补充说明，由于与构成掌管心脏的电生理的离子通道的蛋白分子的基因KCNQ1、KCNE1、KCNH2、SCN5A相关的日本人的特性分布的比率是公知的(非专利文献5)，因此能够根据该数据指定作为变动因素的各种离子通道的变动量频率分布。接下来，假定对以此方式保存于存储部32的虚拟样本组给与某药剂的情况，通过33调整各因素的变动量。作为具体的一例，由于通过膜片钳实验，能够定量测量某药剂在不同浓度下如何对各种离子通道抑制活性(非专利文献6)，因此根据其数据对因素变动进行调节(例如，作为控制钾电流IKr的所述KCNH2通道的因素变动，在给药前的IKr电流以100％、90％、80％、70％、60％这5个等级的方式给药的情况下，假定根据膜片钳实验，给药导致的通道抑制率为10％，则给药后的IKr电流调节为90％、81％、72％、63％、54％这5个等级)。以此方式调节了各因素变动的给药后的虚拟样本组保存于存储部34。最后，通过处理35从原本的存储部11的样本组抽取与保存于存储部34的各病例的因素变动最接近的病例，与附带的心电图以及超声心动图指标一并保存于存储部36。另一方面，由于在存储部32保存有给药前的虚拟样本组，因此参照存储部11就能够获得给药前的心电图、超声心动图指标的分布。因此，能够通过处理37、38比较给药前后的心电图和超声心动图指标，能够统计性评价针对具有某特征的样本组的给药效果。此外，以上过程的特征在于，完全无需进行有计算负担的心脏模拟，能够简单地获得结果。

图9是示出以上的信息处理步骤的一例的流程图。

(步骤S31)从计算机心脏病数据库读取全部病例的因素变动、心电图、超声心动图指标，保存于存储部11。

(步骤S32)着眼于模拟结果或者因素变动对存储部11的各病例进行挑选(处理31)，将给药前的虚拟样本组保存至存储部32。

(步骤S33)通过处理33进行药剂效果所带来的各因素变动量的调节，将给药后的虚拟样本组保存至存储部34。

(步骤S34)通过处理35从保存于存储部11的原本的数据抽取与调节后的各病例的因素变动分布最接近的病例，与附带的心电图和超声心动图指标一并保存至存储部36。

(步骤S35)获取给药前后的虚拟样本组的心电图和超声心动图指标的分布(处理37、38)。

(步骤S36)根据步骤S35，比较给药前后的心电图和超声心动图指标的分布，能够进行针对某特定虚拟样本组的给药效果预测。

系统结构和硬件结构的例子与(第一实施方式)中使用的图4相同。此外，信息处理装置10的处理器100是高性能的，并且若存储器102和贮存装置104的容量足够大，信息处理装置10可进行大量的心脏模拟，也可以自己制作计算机心脏病数据库。

(其他实施方式)

关于第一实施方式，对医疗设备也能够应用类似的方法。以下对该例进行说明。

植入型除颤装置(ICD)在除颤时产生的剧痛会对植入患者造成较大的精神压力，多数植入有ICD的患者不发生致命性心律不齐，ICD不工作。因此，虽然对ICD植入的适用判断方法进行了研究，但包括激发试验在内，并未报告具有足够灵敏度、特异性的方法。换句话说，不必要的ICD植入现在仍在进行，对患者产生不必要的压力，并对医疗经济状况产生负担。另一方面，对于各植入患者，保留着ICD工作的记录。因此，若能够利用机器学习了大量多ICD植入患者的ICD工作记录以及真实心电图、真实超声心动图指标的AI，仅根据心电图和超声心动图指标就能判断ICD工作风险，则能够通过与第一实施方式同样的方法，提供用于确定与ICD工作相关的因素、分析机制、开发合理治疗方法的信息。作为其他医疗设备的例子，可列举出心室再同步疗法(CRT)。CRT是出于使两心室起搏从而改善心脏射血能力的目的而进行的植入手术，据报告，被植入的患者30％以上没有效果。因此，若能够利用机器学习了大量CRT植入患者的效果有无记录、真实心电图、真实超声心动图指标的AI，仅根据心电图和超声心动图指标就能判断CRT植入效果，则能够通过与第一实施方式同样的方法，提供用于确定与CRT有效性相关的因素、分析机制、开发合理治疗方法的信息。

此外，不仅医疗设备，对于治疗药也完全能够应用同样的方法。例如，若能够利用机器学习了与治疗药相关的真实临床上的治疗效果有无记录、真实心电图、真实超声心动图指标的AI，仅根据心电图和超声心动图指标就能预测给与该药的情况下的治疗效果的有无，则能够通过与第一实施方式同样的方法，提供用于确定与该药的有效性相关的因素、分析机制、开发合理治疗方法的信息。

以上全部是共用的实施方式，因此，例如能够示出为图10的信息处理装置40。通过将包括大量真实心电图和真实超声心动图指标、以及某医疗设备或药剂的治疗效果有无记录的临床数据50作为教学数据进行机器学习，制作仅根据心电图和超声心动图指标就能预测治疗效果有无的AI41，向其输入从计算机心脏病数据库读取的心电图2和超声心动图指标3，分成治疗效果“有”和“无”这两组。若利用统计处理装置42求出这两组中的各因素的变动分布，则能够提供用于确定与治疗效果相关的因素、分析机制、开发合理治疗方法的信息。

图11是示出以上信息处理步骤的一例的流程图。

(步骤S41)对于全部病例，从计算机心脏病数据库读取因素变动1、心电图2、超声心动图指标3，保存于存储部11。对各病例标注病例序号。

(步骤S42)从存储部11获取每一个病例的心电图2和超声心动图指标3，输入至分类器41，从而将医疗设备、药剂的治疗效果分成有(+)和无(-)的组。

(步骤S43)在统计处理器42中，由于分别对(+)组和(-)组准备表示各因素的变动量的累计格，因此关于各因素，在(+)组或(-)组任一方的累计格的该格增加1。

接下来返回步骤S42，重复同样的操作直至最后的病例。

(步骤S44)关于各因素的变动量，获得(+)组的各累计格的值和(-)组的各累计格的值的分布、即变动量分布。

(步骤S45)对(+)组和(-)组的变动量分布进行比较，将存在有效差异的因素指定为生物标记。

(步骤S46)考虑因素之间的因果关系，进行医疗设备或者药剂的治疗效果的机制分析。

(步骤S47)根据步骤S45中指定的生物标记、以及步骤S46中分析出的医疗设备或者药剂的治疗效果的机制，提供开发合理治疗方法的信息。

对于系统结构和硬件结构的例子，与(第一实施方式)中使用的图4相同。此外，若信息处理装置10的处理器100是高性能的，并且存储器102和贮存装置104的容量足够大，则信息处理装置10可进行大量心脏模拟，也可以自己制作计算机心脏病数据库。

附图标记说明

1：可能与心脏病相关的各因素的变动数据；

2：根据模拟获得的心电图；

3：根据模拟获得的超声心动图指标；

4：基于自动诊断的分类器；

5：求各因素的变动量的频率分布的统计处理器；

6：根据体型进行修正后的心电图；

7：个人的真实心电图；

8：根据心率进行修正后的真实心电图；

9：个人的真实超声心动图指标；

10：实现第一实施方式的信息处理装置；

11：存储从计算机心脏病数据库读取的数据的存储部；

12：实现第一实施方式的处理部；

20：实现第二实施方式的信息处理装置；

21：根据心率对真实心电图进行修正的处理部；

22：根据个人的体型对心电图进行修正的处理部；

23：存储心电图修正后的数据的存储部；

24：从存储部11或存储部23识别与个人的心电图等最类似的数据的搜寻器；

25：将最类似病例的因素变动与统计处理器5的处理结果对比进行诊断的处理部；

30：实现第三实施方式的信息处理装置；

31：着眼于模拟结果或者因素变动挑选各病例的处理部；

32：存储具有某特征的给药前的虚拟样本组的存储部；

33：根据药剂的效果对各因素变动量进行调节的处理部；

34：存储具有某特征的给药后的虚拟样本组的存储部；

35：从存储部11抽取与调节后的各病例的因素变动分布最接近的病例的处理部；

36：保存有通过处理部35抽取的病例以及附带的心电图和超声心动图指标的存储部；

37：获取给药后的虚拟样本组的心电图以及超声心动图指标的分布的处理部；

38：获取给药前的虚拟样本组的心电图以及超声心动图指标的分布的处理部；

40：实现其他实施方式的信息处理装置；

41：以真实临床数据的机器学习为基础的医疗设备或者药剂的治疗效果预测AI(分类器)；

42：求各因素的变动量的频率分布的统计处理器；

43：实现其他实施方式的处理部；

50：包括医疗设备、药物的治疗效果有无记录、真实心电图、以及真实超声心动图指标的临床数据；

51：机器学习了临床数据50的处理部。