特開 2023-2021 情報処理システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023002021

(43)【公開日】2023-01-10

(54)【発明の名称】情報処理システム

(51)【国際特許分類】

   G06Q 10/04 20230101AFI20221227BHJP

【ＦＩ】

G06Q10/04

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2021102999

(22)【出願日】2021-06-22

(71)【出願人】

【識別番号】000005108

【氏名又は名称】株式会社日立製作所

(74)【代理人】

【識別番号】110000350

【氏名又は名称】ポレール弁理士法人

(72)【発明者】

【氏名】中川 瞬希

(72)【発明者】

【氏名】竹内 渉

(72)【発明者】

【氏名】垂水 信二

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049AA04

(57)【要約】

【課題】低頻度な診療行為が含まれるデータについて予測精度向上を図る。
【解決手段】複数の患者の医療情報に基づき、患者毎のイベントの遷移情報を生成する遷移情報生成部１１０と、生成された遷移情報から、診療行為の頻度に関する閾値に基づき、イベントに含まれる診療行為のプロセスを複数のグループに分類する診療プロセス分類部１１１と、グループの少なくとも一部において、診療行為のプロセスの項目を集約する診療プロセス粒度調整部１１２と、グループ毎に予測モデルを生成する予測モデル生成部１１３と、新規患者の医療情報の入力データに基づき、グループのいずれかに分類し、予測モデルを用いて新規患者のイベントの発生を出力する出力部１１４と、を備える情報処理システムを提供する。
【選択図】図１

【特許請求の範囲】

【請求項1】

医療情報を処理する情報処理システムであって、
複数の患者の医療情報に基づき、前記患者毎のイベントの遷移情報を生成する遷移情報生成部と、
前記遷移情報から、診療行為の頻度に関する閾値に基づき、前記イベントに含まれる診療行為のプロセスを複数のグループに分類する診療プロセス分類部と、
前記グループの少なくとも一部において、前記診療行為のプロセスの項目を集約する診療プロセス粒度調整部と、
前記グループ毎に予測モデルを生成する予測モデル生成部と、
新規患者の医療情報の入力データに基づき、前記グループのいずれかに分類し、前記予測モデルを用いて前記新規患者のイベントの発生を出力する出力部と、を備える、
ことを特徴とする情報処理システム。

【請求項2】

請求項１に記載の情報処理システムであって、
前記予測モデル生成部は、前記頻度に関する閾値に基づき、前記グループ毎の前期予測モデルの生成手段を変更する、
ことを特徴とする情報処理システム。

【請求項3】

請求項１又は２に記載の情報処理システムであって、
前記診療プロセス分類部は、前記遷移情報から、診療行為の頻度及び平均情報量に関する閾値に基づき、前記イベントに含まれる診療行為のプロセスを複数のグループに分類する、ことを特徴とする情報処理システム。

【請求項4】

請求項１乃至３のいずれか一項に記載の情報処理システムであって、
前記出力部は、新規患者の医療情報の入力データに基づき、前記グループのいずれかに分類し、前記予測モデルを用いて前記新規患者のイベントの発生を出力する、
ことを特徴とする情報処理システム。

【請求項5】

請求項１乃至４のいずれか一項に記載の情報処理システムであって、
前記出力部は、新規患者の医療情報の入力データに基づき、前記グループのいずれかに分類し、前記予測モデルを用いて前記グループの前記遷移情報を出力する、
ことを特徴とする情報処理システム。

【請求項6】

請求項１乃至５のいずれか一項に記載の情報処理システムであって、
前記患者の医療情報から指定した病名及び診療期間を有する医療情報を抽出する分析対象者抽出部を更に有する、
ことを特徴とする情報処理システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、医療情報を処理する情報処理システムに関する。

【背景技術】

【0002】

近年、患者状態や診療行為などが含まれる医療情報に機械学習を用いて、患者の生死などのイベントの発生を予測し、その結果に基づいて医師の診療を支援することが行われている。

【0003】

特許文献１には、診療行為のプロセスを臨床ガイドラインから複数選択し、選択した診療行為のプロセス毎に予測モデルをそれぞれ生成し、患者アウトカムの確率を算出し、医師に提示することで、医師の診療を支援することが記載されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】ＵＳ２０１４－００５８７３８号明細書

【発明の概要】

【発明が解決しようとする課題】

【0005】

前述の医療情報には、精密医療（Precision medicine）の発展に伴う診療の多様化及び複雑化により、低頻度な診療行為が含まれている場合がある。このようなデータに機械学習を用いた場合、目的変数との相関が低いデータにも基づいて学習が行われ、十分な予測精度が得られない可能性がある。

【0006】

そのため、医療情報を診療支援に活用するには、低頻度な診療行為が含まれるデータについて予測精度向上を図ることが課題であったが、その方法は特許文献１では考慮されていない。

【課題を解決するための手段】

【0007】

本発明においては、上記課題を解決するため、医療情報を処理する情報処理システムであって、複数の患者の医療情報に基づき、前記患者毎のイベントの遷移情報を生成する遷移情報生成部と、前記遷移情報から、診療行為の頻度に関する閾値に基づき、前記イベントに含まれる診療行為のプロセスを複数のグループに分類する診療プロセス分類部と、前記グループの少なくとも一部において、前記診療行為のプロセスの項目を集約する診療プロセス粒度調整部と、前記グループ毎に予測モデルを生成する予測モデル生成部と、新規患者の医療情報の入力データに基づき、前記グループのいずれかに分類し、前記予測モデルを用いて前記新規患者のイベントの発生を出力する出力部と、を備える構成の情報処理システムを提供する。

【発明の効果】

【0008】

本発明によれば、診療行為のプロセスを複数のグループに分割し、機械学習において要求される頻度を満たすように診療行為のプロセスの項目の粒度を調整し、グループ毎に予測モデルを生成することにより、低頻度な診療行為が含まれたデータからでもイベントの発生を高精度に予測することができる。

【図面の簡単な説明】

【0009】

【図1】実施例１の情報処理システムのハードウェア構成を示すブロック図である。

【図2】実施例１に係るシステムの患者情報記憶部に格納される患者情報のデータの構成を説明する図である。

【図3】実施例１に係るシステムの検査情報記憶部に格納される検査情報のデータの構成を説明する図である。

【図4】実施例１に係るシステムの診断情報記憶部に格納される診断情報のデータの構成を説明する図である。

【図5】実施例１に係るシステムの診療情報記憶部に格納される診療情報のデータの構成を説明する図である。

【図6】実施例１に係るシステムの辞書情報記憶部に格納される辞書情報のデータの構成を説明する図である。

【図7】実施例１に係るシステムの分析対象者抽出処理のフローチャートである。

【図8】実施例１に係るシステムの目的変数生成処理において生成する目的変数情報を示す図である。

【図9】実施例１に係るシステムの遷移情報生成処理のフローチャートである。

【図10】実施例１に係るシステムの遷移情報生成処理において生成する遷移情報を示す図である。

【図11】実施例１に係るシステムの診療プロセス分類処理のフローチャートである。

【図12】実施例１に係るシステムの診療プロセス分類処理において計算する診療行為のプロセスの頻度を示す図である。

【図13】実施例１に係るシステムの診療プロセス粒度調整処理のフローチャートである。

【図14】実施例１に係るシステムの予測モデル生成処理のフローチャートである。

【図15】実施例１に係るシステムの出力処理のフローチャートである。

【図16】実施例１に係るシステムの出力処理において出力する診療支援画面を示す図である。

【図17】実施例２に係るシステムの診療プロセス分類処理のフローチャートである。

【図18】実施例２に係るシステムの診療プロセス分類処理において計算する診療行為のプロセスの頻度及び平均情報量を示す図である。

【発明を実施するための形態】

【0010】

以下、本発明を実施するための形態を図面に従い順次説明する。

【実施例0011】

実施例１は、医療情報を処理する情報処理システムであって、複数の患者の医療情報に基づき、前記患者毎のイベントの遷移情報を生成する遷移情報生成部と、前記遷移情報から、診療行為の頻度に関する閾値に基づき、前記イベントに含まれる診療行為のプロセスを複数のグループに分類する診療プロセス分類部と、前記グループの少なくとも一部において、前記診療行為のプロセスの項目を集約する診療プロセス粒度調整部と、前記グループ毎に予測モデルを生成する予測モデル生成部と、新規患者の医療情報の入力データに基づき、前記グループのいずれかに分類し、前記予測モデルを用いて前記新規患者のイベントの発生を出力する出力部と、を備える情報処理システムの実施例である。

【0012】

すなわち、本実施例の情報処理システムでは、頻度に関する閾値に基づいて診療行為のプロセスを複数のグループに分割し、閾値に満たないグループにおける診療行為のプロセスの項目の粒度を集約し、グループ毎に予測モデルを生成する。これにより、機械学習において要求される頻度を満たすように診療行為のプロセスの項目の粒度を調整し、イベントの発生を高精度に予測することができる。

【0013】

図１は、実施例１の情報処理システムのハードウェア構成を示すブロック図である。情報処理システムは、サーバ１０１及びデータベース１０２を備える。サーバ１０１とデータベース１０２とは、サーバ１０１がデータベース１０２に格納されたデータにアクセス可能なように接続される。

【0014】

サーバ１０１は、入力装置１０３、出力装置１０４、プログラムを実行する演算装置１０５、プログラムを格納するメモリ１０６及び記憶装置１０７を有する計算機である。入力装置１０３は、マウス及びキーボードなどであり、サーバ１０１への入力を受け付けるインターフェースである。出力装置１０４は、ディスプレイ装置及びプリンタなどであり、演算装置１０５の演算結果を出力する。

【0015】

演算装置１０５は、ＣＰＵ及びＧＰＵなどであり、メモリ１０６にロードされたプログラムを実行する。メモリ１０６は、不揮発性記憶素子であるＲＯＭ及び揮発性記憶素子であるＲＡＭを含む。ＲＯＭは、不変のプログラム（例えば、ＢＩＯＳ）などを格納する。ＲＡＭは、ＤＲＡＭ（Dynamic Random Access Memory）のような高速かつ揮発性記憶素子であり、記憶装置１０７に格納されたプログラム及びプログラムの実行時に使用されるデータを一時的に格納する。記憶装置１０７は、磁気記憶装置（ＨＤＤ）及びフラッシュメモリ（ＳＳＤ）などの不揮発性記憶装置であり、演算装置１０５によって実行されるプログラム及びプログラム実行時に使用されるデータを格納する。

【0016】

具体的には、記憶装置１０７は、分析対象者抽出部１０８、目的変数生成部１０９、遷移情報生成部１１０、診療プロセス分類部１１１、診療プロセス粒度調整部１１２、予測モデル生成部１１３、出力部１１４の各部を実装するためのプログラムを格納する。

【0017】

分析対象者抽出部１０８は、所定のプログラムの実行によって、分析対象者を抽出する（図７参照）。目的変数生成部１０９は、所定のプログラムの実行によって、患者毎に目的変数を生成する（図８参照）。遷移情報生成部１１０は、所定のプログラムの実行によって、患者毎にイベントの遷移情報を生成する（図９参照）。診療プロセス分類部１１１は、所定のプログラムの実行によって、診療行為の頻度に関する閾値に基づき、前記イベントに含まれる診療行為のプロセスを複数のグループに分類する（図１１参照）。診療プロセス粒度調整部１１２は、所定のプログラムの実行によって、閾値を満たさないグループにおける診療行為のプロセスの項目の粒度を調整する（図１３参照）。予測モデル生成部１１３は、所定のプログラムの実行によって、分類したグループ毎に予測モデルを生成する（図１４参照）。

【0018】

出力部１１４は、所定のプログラムの実行によって、新規患者の入力データをいずれかのグループに分類し、予測モデルを用いて新規患者のイベントの発生を出力する（図１５参照）。データベース１０２は、サーバ１０１が医療情報を分析するためのデータ、すなわち、患者情報記憶部１１５（図２参照）、検査情報記憶部１１６（図３参照）、診断情報記憶部１１７（図４参照）、診療情報記憶部１１８（図５参照）、辞書情報記憶部１１９（図６参照）を格納する。

【0019】

図２は、実施例１の患者情報記憶部１１５に格納される患者情報の構成を説明する図である。患者情報は、患者ＩＤ２０１、性別２０２、年齢２０３、入院日２０４、退院日２０５及び死亡日２０６のデータを含む。

【0020】

患者ＩＤ２０１は、患者を一意に識別する識別子である。性別２０２は、患者の性別である。年齢２０３は、患者の年齢である。入院日２０４は、患者が入院した年月日である。
退院日２０５は、患者が退院した年月日である。患者が退院していない場合はNULLを割り当てる。死亡日２０６は、患者が死亡した年月日である。患者が死亡していない場合はNULLを割り当てる。

【0021】

図３は、実施例１のシステムの検査情報記憶部１１６に格納される検査情報の構成を説明する図である。検査情報は、患者ＩＤ２０１、検査日３０１、検査項目３０２、測定値３０３及び単位３０４のデータを含む。検査日３０１は、医師が検査を実施した年月日である。検査項目３０２は、検査の項目である。測定値３０３は、検査項目３０２の測定値である。測定単位３０４は、検査項目３０２の測定単位である。

【0022】

図４は、実施例１のシステムの診断情報記憶部１１７に格納される診断情報の構成を説明する図である。診断情報は、患者ＩＤ２０１、診断日４０１及び病名４０２のデータを含む。診断日４０１は、医師が患者の病気を診断した年月日である。病名４０２は、病気の名称である。

【0023】

図５は、実施例１の診療情報記憶部１１８に格納される診療情報の構成を説明する図である。診療情報は、患者ＩＤ２０１、診療日５０１及び診療項目５０２のデータを含む。診療日５０１は、医師が診療を実施した年月日である。診療項目５０２は、診療行為の項目である。

【0024】

図６は、実施例１のシステムの辞書情報記憶部１１９に格納される辞書情報の構成を説明する図である。辞書情報は、診療項目５０２、診療項目分類第１レベル６０１及び診療項目分類第２レベル６０２のデータを含む。

【0025】

診療項目分類第１レベル６０１及び診療項目分類第２レベル６０２は、いずれも診療項目５０２の分類であり、部位や作用能などが同系統である診療項目５０２に対しては同じ分類が割り当てられる。例えば、診療項目５０２が、インスリン注射などの糖尿病に関連した診療行為である場合、世界保健機関が作成した解剖治療化学分類法（ＡＴＣ分類）に基づいて、診療項目分類第１レベル６０１には「Ａ 消化管と代謝作用」、診療項目分類第２レベル６０２には診療項目分類第１レベル６０１の次に大きい分類である「Ａ１０ 糖尿病用薬」を割り当てる。

【0026】

図７は、実施例１のシステムの分析対象者抽出処理のフローチャートである。この分析対象者抽出処理は、サーバ１０１の分析対象者抽出部１０８によって実行される。

【0027】

まず、患者情報、検査情報、診断情報及び診療情報を取得する（Ｓ７０１）。患者情報は、患者情報記憶部１１５から取得する。また、検査情報は、検査情報記憶部１１６から取得する。また、診断情報は、診断情報記憶部１１７から取得する。また、診療情報は、診療情報記憶部１１８から取得する。

【0028】

次に、取得した診断情報から分析対象となる病名及び診療期間を指定し（Ｓ７０２）、指定した病名及び診療期間を有する患者情報、検査情報、診断情報及び診療情報を抽出し（Ｓ７０３）、この処理を終了する。

【0029】

図８は、実施例１のシステムの目的変数生成処理において生成する目的変数情報の構成を説明する図である。この目的変数生成処理は、サーバ１０１の目的変数生成部１０９によって実行される。目的変数８０１は、予測対象となるイベントを表す目的変数である。例えば、患者の退院または死亡を予測対象とする場合、退院患者において死亡日がNULLとなっていれば退院を表す目的変数として０を、死亡日がNULLとなっていなければ死亡を表す目的変数として１をそれぞれ割り当てる。

【0030】

図９は、実施例１のシステムの遷移情報生成処理のフローチャートである。この遷移情報生成処理は、サーバ１０１の遷移情報生成部１１０によって実行される。まず、患者情報、診療情報及び辞書情報を取得する（Ｓ９０１）。患者情報及び診療情報は、分析対象者抽出処理（図７）によって抽出されている。また、辞書情報は、辞書情報記憶部１１９から取得する。

【0031】

次に、辞書情報における診療項目分類を一つ選択し（Ｓ９０２）、診療情報における診療行為を置換する（Ｓ９０３）。次に、取得した患者情報及び診療情報から、患者毎のイベントの遷移を表す遷移情報を生成し（Ｓ９０４）、この処理を終了する。

【0032】

図１０は、図９のステップＳ９０４において生成する遷移情報である。イベント発生日１００１及びイベント１００２は、患者毎に発生するイベントの発生日及びイベントの内容をそれぞれ表す。例えば、図１０は、患者情報における退院及び死亡、診療情報における診療行為をイベントと見なし、診療項目分類第２レベル６０２による置換を行った場合に生成される遷移情報を示している。これにより、患者毎にイベントの遷移を確認することができる。

【0033】

図１１は、実施例１のシステム本の診療プロセス分類処理のフローチャートである。この診療プロセス分類処理は、サーバ１０１の診療プロセス分類部１１１によって実行される。

【0034】

まず、遷移情報を取得する（Ｓ１１０１）。遷移情報は、遷移情報生成処理（図９）によって生成されている。次に、診療行為のプロセス毎に頻度を計算する（Ｓ１１０２）。

【0035】

図１２は、図１１のステップＳ１１０２において計算する診療行為のプロセスの頻度である。診療行為のプロセス１２０１は、遷移情報において連続した２つの診療行為のプロセスである。頻度１２０２は、診療行為のプロセス１２０１における患者の頻度である。

【0036】

次に、診療行為の頻度に関する閾値を設定する（Ｓ１１０３）。次に、患者ＩＤを一つ選択し（Ｓ１１０４）、選択した患者ＩＤが閾値を満たす診療行為のプロセスを有するかを判定する（Ｓ１１０５）。その結果、閾値を満たす診療行為のプロセスを有していれば、選択した患者ＩＤの遷移情報を閾値を満たすグループに分類する（Ｓ１１０６）。一方、閾値を満たす診療行為のプロセスを有していなければ、選択した患者ＩＤの遷移情報を、閾値を満たさないグループに分類する（Ｓ１１０７）。例えば、頻度に関する閾値として２００を設定した場合、頻度が２００以上である診療行為のプロセスを有する患者ＩＤの遷移情報を、閾値を満たすグループに分類する。これにより、機械学習において要求される頻度を満たす診療行為のプロセスを有する患者の遷移情報を抽出することができる。

【0037】

次に、全ての患者ＩＤについて処理を完了しているかを判定する（Ｓ１１０８）。その結果、一部の患者ＩＤについて処理を終了していなければ、ステップＳ１１０４に戻り、次の患者ＩＤを選択する。一方、全ての患者ＩＤについて処理を完了していなければ、この処理を終了する。

【0038】

図１３は、実施例１のシステムの診療プロセス粒度調整処理のフローチャートである。
この診療プロセス粒度調整処理は、サーバ１０１の診療プロセス粒度調整部１１２によって実行される。

【0039】

まず、閾値を満たさないグループの遷移情報及び辞書情報を取得する（Ｓ１３０１）。閾値を満たさないグループの遷移情報は、診療プロセス分類処理（図１１）から取得する。また、辞書情報は、辞書情報記憶部１１９から取得する。

【0040】

次に、辞書情報における診療項目分類のうち、未選択の大分類を一つ選択し（Ｓ１３０２）、遷移情報における診療行為を置換する（Ｓ１３０３）。例えば、辞書情報における診療項目分類第２レベル６０２を前の処理で選択していた場合、ステップＳ１３０２において診療項目分類第１レベル６０１を選択し、Ｓ１３０３において診療項目分類第１レベル６０１による置換を行う。これにより、診療プロセス分類処理において閾値を満たさないグループに分類された遷移情報について、診療行為のプロセス毎の頻度を増やすことができる。

【0041】

次に、診療プロセス分割処理を実行し（Ｓ１３０４）、辞書情報の診療項目分類においいて、未選択の大分類があるかを判定する（Ｓ１３０５）。その結果、未選択の大分類があれば、ステップＳ１３０１に戻り、ステップＳ１３０４において抽出した閾値を満たさないグループの遷移情報を取得する。一方、未選択の大分類がなければ、この処理を終了する。

【0042】

図１４は、実施例１のシステムの予測モデル生成処理のフローチャートである。この予測モデル生成処理は、サーバ１０１の予測モデル生成部１１３によって実行される。

【0043】

まず、患者情報、検査情報、診断情報、目的変数情報及び全てのグループの遷移情報を取得する（Ｓ１４０１）。患者情報、検査情報及び診断情報は、分析対象者抽出処理（図７）によって抽出されている。また、目的変数情報は、目的変数生成処理によって生成されている。また、全てのグループの遷移情報は、診療プロセス分類処理（図１１）及び診療プロセス調整処理（図１３）から取得する。

【0044】

次に、取得した遷移情報のグループ毎に、患者情報、検査情報、診断情報及び遷移情報から特徴量情報をそれぞれ生成し（Ｓ１４０２）、各特徴量情報及び目的変数情報に基づいて機械学習を行い（Ｓ１４０３）、この処理を終了する。このとき、遷移情報のグループ毎に異なる機械学習アルゴリズムを用いてもよい。具体的には、診療行為のプロセスの頻度に鑑みて機械学習アルゴリズムの複雑さを変更することにより、過学習を抑制することができる。

【0045】

図１５は、実施例１のシステムの出力処理のフローチャートである。この出力処理は、サーバ１０１の出力部１１４によって実行される。

【0046】

まず、新規患者の情報及び全てのグループの遷移情報を取得する（Ｓ１５０１）。新規患者の情報は、入力装置１０３から入力される。また、全てのグループの遷移情報は、診療プロセス分類処理（図１１）及び診療プロセス粒度調整処理（図１３）から取得する。

【0047】

次に、取得した情報から遷移情報及び特徴量情報を生成し（Ｓ１５０２）、遷移情報に基づいて新規患者をいずれかのグループに分類する（Ｓ１５０３）。これにより、診療行為のプロセスの種類におうじて適切な予測モデルを選択することができる。次に、分類したグループにおいて生成した予測モデルに特徴量情報を入力し、新規患者のイベントの発生を出力し（Ｓ１５０４）、この処理を終了する。

【0048】

図１６は、実施例１のシステムの出力処理において出力する診療支援画面である。診療支援画面は、分析条件エリア１６０１及び分析結果エリア１６０２で構成される。

【0049】

分析条件エリア１６０１は、特徴量情報の入力エリア１６０３、遷移情報の入力エリア１６０４及び分析実行ボタン１６０５で構成される。新規患者が特徴量情報の入力エリア１６０３及び遷移情報の入力エリア１６０４に情報を入力し、分析実行ボタン１６０５をクリックすることにより、出力処理を実行することができる。

【0050】

分析結果エリア１６０２は、死亡の発生リスク１６０６、診療項目分類１６０７、診療項目粒度１６０８及びイベント遷移１６０９で構成され、分析実行ボタン１６０５をクリックすることにより表示される。

【0051】

死亡の発生リスク１６０６は、実行した機械学習モデルから出力されるイベントの発生確率である。これにより、新規患者の死亡の発生リスクを表示することができる。

【0052】

診療項目分類１６０７及び診療項目粒度１６０８は、図６で説明した辞書情報及び診療項目分類の名称である。ここでは、辞書情報に解剖治療化学分類法、診療項目分類に診療項目分類第２レベルを選択した場合を例示している。これにより、後述するイベント遷移１６０９において表示された診療行為のプロセスの項目の粒度を確認することができる。

【0053】

イベント遷移１６０９は、実行した機械学習モデルが属するグループの遷移情報の可視化の例である。イベントの遷移及び頻度を表示することにより、診療行為のプロセスによる診療実績の差異を容易に確認することができる。

【0054】

以上に説明したように、実施例１のシステムでは、頻度に関する閾値に基づいて診療行為のプロセスを複数のグループに分割し、閾値に満たないグループにおける診療行為のプロセスの項目の粒度を集約し、グループ毎に予測モデルを生成する。これにより、機械学習において要求される頻度を満たすように診療行為のプロセスの項目の粒度を調整し、イベントの発生を高精度に予測することができる。

【実施例0055】

実施例２のシステムは、頻度及び平均情報量（エントロピー）に関する閾値に基づいて診療行為のプロセスを複数のグループに分割し、閾値に満たないグループにおける診療行為のプロセスの項目の粒度を集約し、グループ毎に予測モデルを生成する。これにより、機械学習において要求される頻度を満たし、かつ、目的変数に関する不確実さを低減するように診療行為のプロセスの項目の粒度を調整し、イベントの発生を高精度に予測することができる。

【0056】

実施例２の情報処理システムのハードウェア構成は、前述した実施例１のシステムと同じであるため、説明は省略する。実施例２のシステムの分析対象者抽出処理、目的変数生成処理及び遷移情報生成処理は、前述した実施例１のシステムと同じであるため、説明は省略する。

【0057】

実施例２のシステの分析対象者抽出処理では、分析対象者を抽出する。実施例２のシステムの目的変数生成処理では、患者毎に目的変数を生成する。実施例２のシステムの遷移情報生成処理では、患者毎にイベントの遷移情報を生成する。

【0058】

図１７は、実施例２のシステムの診療プロセス分類処理のフローチャートである。この診療プロセス分類処理は、サーバ１０１の診療プロセス分類部１１１によって実行される。

【0059】

まず、遷移情報を取得する（Ｓ１７０１）。遷移情報は、遷移情報生成処理（図９）によって生成されている。次に、診療行為のプロセス毎に頻度及び平均情報量を計算する（Ｓ１７０２）。

【0060】

図１８は、図１７のステップＳ１７０２において計算する診療行為のプロセスの頻度及び平均情報量である。平均情報量１８０１は、診療行為のプロセス１２０１における退院患者の割合及び死亡患者の割合から計算され、全ての患者が退院又は死亡している場合は０、退院患者の割合と死亡患者の割合が等しい場合は１となる。これにより、診療行為のプロセスにおける患者の退院又は死亡の不確実さを数値化することができる。次に、診療行為の頻度及び平均情報量に関する閾値を設定する（Ｓ１７０３）。

【0061】

次に、患者ＩＤを一つ選択し（Ｓ１７０４）、選択した患者ＩＤが閾値を満たす診療行為のプロセスを有するかを判定する（Ｓ１７０５）。その結果、閾値を満たす診療行為のプロセスを有していれば、選択した患者ＩＤの遷移情報を閾値を満たすグループに分類する（Ｓ１７０６）。一方、閾値を満たす診療行為のプロセスを有していなければ、選択した患者ＩＤの遷移情報を、閾値を満たさないグループに分類する（Ｓ１７０７）。例えば、頻度及び平均情報量に関する閾値として２００及び０．４をそれぞれ設定した場合、頻度が２００以上かつ平均情報量が０．４以下である診療プロセスを有する患者ＩＤの遷移情報を、閾値を満たすグループに分類する。これにより、機械学習において要求される頻度を満たし、かつ、患者の退院又は死亡の予測が容易な診療行為のプロセスを有する患者の遷移情報を抽出することができる。

【0062】

次に、全ての患者ＩＤについて処理を完了しているかを判定する（Ｓ１７０８）。その結果、一部の患者ＩＤについて処理を終了していなければ、ステップＳ１７０４に戻り、次の患者ＩＤを選択する。一方、全ての患者ＩＤについて処理を完了していなければ、この処理を終了する。

【0063】

実施例２のシステムの診療プロセス粒度調整処理、予測モデル生成処理及び出力処理は、前述した実施例１のシステムと同じであるため、説明は省略する。実施例２のシステムの診療プロセス粒度調整処理では、閾値を満たさないグループにおける診療行為のプロセスの項目の粒度を調整する。

【0064】

実施例２のシステムの予測モデル生成処理では、分類したグループ毎に予測モデルを生成する。実施例２のシステムの出力処理では、新規患者の入力データをいずれかのグループに分類し、予測モデルを用いて新規患者のイベントの発生を出力する。

【0065】

以上に説明したように、実施例２のシステムでは、頻度及び平均情報量に関する閾値に基づいて診療行為のプロセスを複数のグループに分割し、閾値に満たないグループにおける診療行為のプロセスの項目の粒度を集約し、グループ毎に予測モデルを生成する。これにより、機械学習において要求される頻度を満たし、かつ、目的変数に関する不確実さを低減するように診療行為のプロセスの項目の粒度を調整し、イベントの発生を高精度に予測することができる。

【0066】

なお、実施例１、実施例２のシステムでは、診療プロセス分類処理として、遷移情報において連続した２つの診療行為のプロセスの頻度及び平均情報量を計算したが、遷移情報において連続した全ての診療行為のプロセスの頻度及び平均情報量を計算してもよい。これにより、全ての診療行為のプロセスについて、機械学習において要求される頻度を満たし、かつ、患者の退院又は死亡の予測が容易な診療行為のプロセスを有する患者の遷移情報を抽出することができる。

【0067】

また、実施例１、実施例２のシステムでは、診療プロセス分類処理として、診療行為の頻度及び平均情報量に関する閾値を設定したが、予め設定した閾値の候補から最適な閾値を選択してもよい。例えば、診療行為のプロセスをベクトル化し、閾値を満たすグループにおける診療行為のプロセス間の類似度の平均値を閾値の候補毎に計算し、類似度の平均値が最も高くなる閾値を選択してもよい。これにより、診療行為のプロセスの類似性が高く同質的な遷移情報を抽出するように閾値を最適化することができる。

【0068】

また、実施例１，実施例２のシステムでは、診療プロセス分類処理として、選択した患者ＩＤが閾値を満たす診療行為のプロセスを有するかを判定することにより遷移情報を分類したが、他の方法を使用してもよい。例えば、ヒューリスティックマイナーなどのプロセスマイニングアルゴリズムのパラメータに関する閾値を設定し、潜在的に強い因果関係にある診療行為のプロセスを抽出することにより遷移情報を分類してもよい。これにより、予測モデル生成処理において、目的変数との相関が高いデータに基づいて機械学習を行うことができる。