特許 7402008 傷病名推論システム、傷病名推論方法、傷病名推論プログラム、及びデータ構造

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-12-12

(45)【発行日】2023-12-20

(54)【発明の名称】傷病名推論システム、傷病名推論方法、傷病名推論プログラム、及びデータ構造

(51)【国際特許分類】

   G16H 20/10 20180101AFI20231213BHJP

【ＦＩ】

G16H20/10

【請求項の数】 19

(21)【出願番号】P 2019186247

(22)【出願日】2019-10-09

(65)【公開番号】P2021060932

(43)【公開日】2021-04-15

【審査請求日】2022-05-17

【新規性喪失の例外の表示】特許法第３０条第２項適用 １．［発行者名］ 株式会社イーエムシステムズ ［刊行物名］ 薬局向け業務支援ンステム「ＭＡＰｓ ｆｏｒ ＰＨＡＲＭＡＣＹ」記者会見のご案内 ［発行日］ 平成３１年４月１６日 ２．［集会名］ 「ＭＡＰｓ ｆｏｒ ＰＨＡＲＭＡＣＹ」発表記者会見 ［開催場所］ 東京都千代田区神田錦町３－６ 共同ビル２Ｆ 株式会社イーエムシステムズプレゼンテーションルーム ［開催日］ 令和元年５月１５日 ３．［発行者名］ 株式会社薬事日報社 ［刊行物名］ 薬事日報第８面 ［発行日］ 令和元年６月５日

(73)【特許権者】

【識別番号】599020519

【氏名又は名称】株式会社イーエムシステムズ

(74)【代理人】

【識別番号】110001106

【氏名又は名称】弁理士法人キュリーズ

(74)【代理人】

【識別番号】100120053

【弁理士】

【氏名又は名称】小田 哲明

(72)【発明者】

【氏名】國光 宏昌

【審査官】鹿野 博嗣

(56)【参考文献】

【文献】特開２００７－１４１０６３（ＪＰ，Ａ）

【文献】特開２０１８－１２４７０２（ＪＰ，Ａ）

【文献】特開２０２０－０９５５１８（ＪＰ，Ａ）

【文献】特開２０１９－１２１３９０（ＪＰ，Ａ）

【文献】特開２０１４－０６３３９６（ＪＰ，Ａ）

【文献】特開２００４－１８５１９６（ＪＰ，Ａ）

【文献】国際公開第２０１９／１３０４９５（ＷＯ，Ａ１）

【文献】特開２００９－０７６１０２（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ１６Ｈ １０／００－８０／００

(57)【特許請求の範囲】

【請求項1】

プロセッサと記憶装置を含み、前記プロセッサが傷病名を推論する傷病名推論システムであって、
前記プロセッサは、
処方箋データの処方薬と傷病名データとが関連付けられ、前記処方薬の用法の処方日数、処方回数、及び診療日の少なくとも１つを複数のグループに分類することにより拡張された学習用データに基づいて、機械学習により学習済みモデルを生成する機械学習部と、
前記学習済みモデルに入力された推論用の処方箋データから前記傷病名を推論する推論部と、
を備えることを特徴とする傷病名推論システム。

【請求項2】

プロセッサと記憶装置を含み、前記プロセッサが傷病名を推論する傷病名推論システムであって、
前記プロセッサは、
処方箋データの処方薬と傷病名データとが関連付けられ、診療日を季節、四半期、月、及び曜日の少なくとも１つに分類するデータを用いることにより拡張された学習用データに基づいて、機械学習により学習済みモデルを生成する機械学習部と、
前記学習済みモデルに入力された推論用の処方箋データから前記傷病名を推論する推論部と、
を備えることを特徴とする傷病名推論システム。

【請求項3】

プロセッサと記憶装置を含み、前記プロセッサが傷病名を推論する傷病名推論システムであって、
前記プロセッサは、
処方箋データの処方薬と傷病名データとが関連付けられ、所定の基準診療科名が診療科名と部分一致する場合に、一致する部分ごとに診療科名を設定することにより、複数のグループに分類することで拡張された学習用データに基づいて、機械学習により学習済みモデルを生成する機械学習部と、
前記学習済みモデルに入力された推論用の処方箋データから前記傷病名を推論する推論部と、
を備えることを特徴とする傷病名推論システム。

【請求項4】

プロセッサと記憶装置を含み、前記プロセッサが傷病名を推論する傷病名推論システムであって、
前記プロセッサは、
処方箋データの処方薬と傷病名データとが関連付けられ、前記処方薬のデータとして医薬品コードを用い、前記医薬品コードの一部を抽出することにより、複数のグループに分類することで拡張された学習用データに基づいて、機械学習により学習済みモデルを生成する機械学習部と、
前記学習済みモデルに入力された推論用の処方箋データから前記傷病名を推論する推論部と、
を備えることを特徴とする傷病名推論システム。

【請求項5】

前記機械学習部は、前記処方薬に加えて、前記処方薬の効能、効果、用法、用量、処方種別、診療日、及び診療科名の少なくとも１つと前記傷病名データとが関連付けられた前記学習用データに基づいて、前記機械学習により前記学習済みモデルを生成することを特徴とする請求項１乃至請求項４の何れか1項に記載の傷病名推論システム。

【請求項6】

前記機械学習部は、患者の属性データを含む前記処方箋データと前記傷病名データとを関連付けることにより拡張された前記学習用データに基づいて、前記機械学習により前記学習済みモデルを生成し、
前記推論部は、推論用の患者の属性データを含む前記推論用の処方箋データを前記学習済みモデルに入力することにより前記傷病名を推論することを特徴とする請求項１乃至請求項５の何れか1項に記載の傷病名推論システム。

【請求項7】

前記機械学習部は、前記患者の年齢、性別、体重、妊娠の有無、既往症、副作用歴、アレルギー歴、併用薬、生活習慣、嗜好、及び家族既往歴の少なくとも１つを含む前記属性データを前記傷病名データと関連付けることにより拡張された前記学習用データに基づいて、前記機械学習により前記学習済みモデルを生成することを特徴とする請求項６に記載の傷病名推論システム。

【請求項8】

前記機械学習部は、前記処方箋データが前記傷病名データ又は他の前記処方箋データと矛盾する場合又は前記矛盾を規定する所定の条件を満たす場合に、前記処方箋データ又は前記傷病名データを前記学習用データとして用いずに、前記機械学習により前記学習済みモデルを生成することを特徴とする請求項１乃至請求項７の何れか1項に記載の傷病名推論システム。

【請求項9】

前記機械学習部は、前記処方箋データのグループが前記傷病名データ、前記処方薬、前記処方薬の効能、効果、用法、用量、及び処方種別の少なくとも１つと矛盾する場合又は前記矛盾を規定する所定の条件を満たす場合に、前記処方箋データ又は前記傷病名データを前記学習用データに用いずに、前記機械学習により前記学習済みモデルを生成することを特徴とする請求項１乃至請求項８の何れか1項に記載の傷病名推論システム。

【請求項10】

前記機械学習部は、前記処方箋データを入力層として前記傷病名データを出力層とするニューラルネットワークにより前記学習済みモデルを生成する請求項１乃至請求項９の何れか１項に記載の傷病名推論システム。

【請求項11】

前記推論部は、推論された前記傷病名が、前記学習済みモデルに入力された前記処方箋データの患者の属性データと矛盾する場合又は前記矛盾を規定する所定の条件を満たす場合に、矛盾する前記傷病名を推論結果から除外することを特徴とする請求項１乃至請求項１０の何れか1項に記載の傷病名推論システム。

【請求項12】

プロセッサが傷病名を推論する傷病名推論システムを用いて傷病名を推論する傷病名推論方法であって、
処方箋データの処方薬と傷病名データとが関連付けられ、前記処方薬の用法の処方日数、処方回数、及び診療日の少なくとも１つを複数のグループに分類することにより拡張された学習用データに基づいて、機械学習により学習済みモデルを生成するステップと、
前記学習済みモデルに入力された処方箋データから前記傷病名を推論するステップと、
を備えることを特徴とする傷病名推論方法。

【請求項13】

プロセッサが傷病名を推論する傷病名推論システムを用いて傷病名を推論する傷病名推論方法であって、
処方箋データの処方薬と傷病名データとが関連付けられ、診療日を季節、四半期、月、及び曜日の少なくとも１つに分類するデータを用いることにより拡張された学習用データに基づいて、機械学習により学習済みモデルを生成するステップと、
前記学習済みモデルに入力された処方箋データから前記傷病名を推論するステップと、
を備えることを特徴とする傷病名推論方法。

【請求項14】

プロセッサが傷病名を推論する傷病名推論システムを用いて傷病名を推論する傷病名推論方法であって、
処方箋データの処方薬と傷病名データとが関連付けられ、所定の基準診療科名が診療科名と部分一致する場合に、一致する部分ごとに診療科名を設定することにより、複数のグループに分類することで拡張された学習用データに基づいて、機械学習により学習済みモデルを生成するステップと、
前記学習済みモデルに入力された処方箋データから前記傷病名を推論するステップと、
を備えることを特徴とする傷病名推論方法。

【請求項15】

プロセッサが傷病名を推論する傷病名推論システムを用いて傷病名を推論する傷病名推論方法であって、
処方箋データの処方薬と傷病名データとが関連付けられ、前記処方薬のデータとして医薬品コードを用い、前記医薬品コードの一部を抽出することにより、複数のグループに分類することで拡張された学習用データに基づいて、機械学習により学習済みモデルを生成するステップと、
前記学習済みモデルに入力された処方箋データから前記傷病名を推論するステップと、
を備えることを特徴とする傷病名推論方法。

【請求項16】

プロセッサが傷病名を推論する傷病名推論システムを用いて傷病名を推論するコンピュータで実行される傷病名推論プログラムであって、
前記コンピュータが、
処方箋データの処方薬と傷病名データとが関連付けられ、前記処方薬の用法の処方日数、処方回数、及び診療日の少なくとも１つを複数のグループに分類することにより拡張された学習用データに基づいて、機械学習により学習済みモデルを生成する機械学習機能と、
前記学習済みモデルに入力された処方箋データから前記傷病名を推論する推論機能と、
を実現させることを特徴とする傷病名推論プログラム。

【請求項17】

プロセッサが傷病名を推論する傷病名推論システムを用いて傷病名を推論するコンピュータで実行される傷病名推論プログラムであって、
前記コンピュータが、
処方箋データの処方薬と傷病名データとが関連付けられ、診療日を季節、四半期、月、及び曜日の少なくとも１つに分類するデータを用いることにより拡張された学習用データに基づいて、機械学習により学習済みモデルを生成する機械学習機能と、
前記学習済みモデルに入力された処方箋データから前記傷病名を推論する推論機能と、
を実現させることを特徴とする傷病名推論プログラム。

【請求項18】

プロセッサが傷病名を推論する傷病名推論システムを用いて傷病名を推論するコンピュータで実行される傷病名推論プログラムであって、
前記コンピュータが、
処方箋データの処方薬と傷病名データとが関連付けられ、所定の基準診療科名が診療科名と部分一致する場合に、一致する部分ごとに診療科名を設定することにより、複数のグループに分類することで拡張された学習用データに基づいて、機械学習により学習済みモデルを生成する機械学習機能と、
前記学習済みモデルに入力された処方箋データから前記傷病名を推論する推論機能と、
を実現させることを特徴とする傷病名推論プログラム。

【請求項19】

プロセッサが傷病名を推論する傷病名推論システムを用いて傷病名を推論するコンピュータで実行される傷病名推論プログラムであって、
前記コンピュータが、
処方箋データの処方薬と傷病名データとが関連付けられ、前記処方薬のデータとして医薬品コードを用い、前記医薬品コードの一部を抽出することにより、複数のグループに分類することで拡張された学習用データに基づいて、機械学習により学習済みモデルを生成する機械学習機能と、
前記学習済みモデルに入力された処方箋データから前記傷病名を推論する推論機能と、
を実現させることを特徴とする傷病名推論プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、傷病名推論システム、傷病名推論方法、及び傷病名推論プログラムに関し、特に、機械学習により処方箋データから傷病名を推論する傷病名推論システム、傷病名推論方法、傷病名推論プログラム、及びデータ構造に関する。

【背景技術】

【0002】

病院やクリニックで診療を受けた患者は、病院やクリニックから発行された処方箋を薬局に持参し、処方箋に基づいて薬剤を受け取り、用法用量についての説明や服薬指導を薬剤師から受ける。

【0003】

しかしながら、病院やクリニックが発行する処方箋には傷病名が記載されておらず、患者の傷病に応じた適切な服薬指導を行うことが困難であった。例えば、薬剤に副作用がある場合、傷病によって副作用の説明が異なり、用法用量に関する注意事項も異なるが、処方箋からでは傷病名を把握することができず、適切な服薬指導を行うことが困難であった。

【0004】

このような課題に鑑み、処方データベースと、薬剤データベースと、傷病データベースとが互いに関連付けて検索可能である病態推測データベースが開示されている（特許文献１）。

【先行技術文献】

【特許文献】

【0005】

【文献】特開第２００４－１８５１９６号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、特許文献１に示される病態推測データベースでは、互いに関連付けられているデータベースから検索できるにすぎず、処方箋データから傷病名を高精度で推論することはできない。例えば、複数の薬剤が処方されている場合、それぞれの薬剤ごとに照合が行われるため、複数の薬剤を総合的に考慮して傷病名を高精度で推論することはできない。

【0007】

また、特許文献１に示される病態推測データベースでは、患者ごとの体質や病歴、薬歴等を記憶した患者情報データベースを格納することにより、その患者に対して服薬指導を行うことができるが、投薬条件テーブルで、投薬される患者の症状の程度が表示されるだけであり、患者の体質等から傷病名を推論することはできない。

【課題を解決するための手段】

【0008】

本発明の傷病名推論システムは、プロセッサと記憶装置を含み、前記プロセッサが傷病名を推論する傷病名推論システムであって、前記プロセッサは、処方箋データの処方薬と傷病名データとが関連付けられた学習用データに基づいて、機械学習により学習済みモデルを生成する機械学習部と、前記学習済みモデルに入力された推論用の処方箋データから前記傷病名を推論する推論部と、を備える。

【発明の効果】

【0009】

本発明によれば、機械学習により処方箋データから傷病名を総合的に推論するため、傷病名を高精度で推論することができる。

【図面の簡単な説明】

【0010】

【図1】本実施形態の傷病名推論システムのシステム構成の例を示すブロック図である。

【図2】本実施形態の人工知能サーバのシステム構成の例を示すブロック図である。

【図3】本実施形態の学習用データベースサーバのシステム構成の例を示すブロック図である。

【図4】学習用データとして格納されるデータの例を示す図である。

【図5】処方箋データの少なくとの１つを複数のグループに分類することにより拡張された学習用データについて説明する図である。

【図6】本実施形態の傷病名推論方法の例を示すフローチャートである。

【図7】各種データの取得及び前処理、並びに学習済みモデルの生成及び格納の動作の例を示すシーケンス図である。

【図8】学習済みモデルによる推論及び推論結果の決定の動作の例を示すシーケンス図である。

【図9】コンピュータのディスプレイに表示された推論結果の第１の例を示す図である。

【図10】コンピュータのディスプレイに表示された推論結果の第２の例を示す図である。

【図11】コンピュータのディスプレイに表示された推論結果の第３の例を示す図である。

【発明を実施するための形態】

【0011】

本発明の実施形態の傷病名推論システムについて、図面を用いて説明する。図１は、本実施形態の傷病名推論システムのシステム構成の例を示すブロック図である。傷病名推論システム１は、傷病名を推論する。

【0012】

図１に示すように、傷病名推論システム１は、ネットワーク２を介して電気的に接続され、相互に通信可能な人工知能サーバ３、学習用データベースサーバ４、及びコンピュータ（ＰＣ）５を備える。

【0013】

図２は、本実施形態の人工知能サーバのシステム構成の例を示すブロック図である。図２に示すように、人工知能サーバ３は、プロセッサ２１、記憶装置（例えば、ＲＯＭやＲＡＭやＨＤＤ等）２２、入力装置２３、インターフェース２４、及び出力装置２５を備える。

【0014】

プロセッサ２１は、ＣＰＵやＭＰＵやＧＰＵ等の制御装置であり、データ取得部３２、機械学習部３４、学習済みモデル格納部３５、及び推論部３６を備える。データ取得部３２、前処理部３３、機械学習部３４、学習済みモデル格納部３５、及び推論部３６はバス（図示せず）により電気的に接続され、相互に通信可能である。

【0015】

図３は、本実施形態の学習用データベースサーバのシステム構成の例を示すブロック図である。図３に示すように、学習用データベースサーバ４は、プロセッサ３７、学習用データベース４１、記憶装置（例えば、ＲＯＭやＲＡＭやＨＤＤ等）４２、入力装置４３、インターフェース４４、及び出力装置４５を備える。プロセッサ３７は、ＣＰＵやＭＰＵやＧＰＵ等の制御装置であり、データ格納部３８、データ取得部３９、及び前処理部４０を備える。学習用データベース４１は、カルテデータ４６、処方箋データ４８、及び学習用データ８０を含む。

【0016】

カルテデータ４６は、病院やクリニックから取得されたカルテデータであり、処方箋を発行された患者の傷病名データ４７を含み、傷病名と処方薬と患者属性（氏名や保険者番号や被保険者証の記号・番号等）のデータ（図示せず）を含む。処方箋データ４８は、処方薬と患者の属性データ（氏名や保険者番号や被保険者証の記号・番号等）４９とを含む。カルテデータ４６の患者属性と処方箋データ４８の患者の属性データ４９を関連付けることにより、傷病名ごと又は処方箋ごとに傷病名データ４７と処方箋データ４８とが関連付けられる。関連付けられた傷病名データ４７と処方箋データ４８とが、学習用データ８０として、学習用データベース４１に格納される。学習用データ８０は、人工知能サーバ３の機械学習部３４の機械学習に用いられるデータである。

【0017】

なお、図３では、カルテデータ４６及び処方箋データ４８には、処方薬の薬剤データ（薬剤名や薬剤コード）が含まれるが、カルテデータ４６及び処方箋データ４８が薬剤データを含む代わりに、カルテデータ４６及び処方箋データ４８とは別に薬剤データが学習用データベース４１に格納されて、当該薬剤データがカルテデータ４６及び処方箋データ４８とそれぞれ関連付けられてもよい。また、処方箋データ４８には、処方される薬剤の効能／効果データが含まれるが、処方箋データ４８が効能／効果データを含む代わりに、処方箋データ４８とは別に効能／効果データが学習用データベース４１に格納されて、当該効能／効果データが処方箋データ４８の薬剤データ又は処方箋データ４８とは別の薬剤データと関連付けられてもよい。

【0018】

図４は、学習用データ８０として格納されるデータの例を示す図である。図４に示すように、傷病名データ４７及び処方箋データ４８が患者や処方箋等を特定するＩＤ５０（患者の氏名や保険者番号や被保険者証の記号・番号等）で関連付けられている。データ取得部３９が、傷病名データ４７及び処方箋データ４８を取得する。前処理部４０が、カルテデータ４６の患者の氏名や保険者番号や被保険者証の記号・番号等のＩＤに基づいて傷病名データ４７と処方箋データ４８とを関連付ける。関連付けられたデータは、学習用データ８０として学習用データベース４１に格納される。

【0019】

カルテデータ４６の傷病名データ４７に基づいて、傷病名データ５１が学習用データ８０として格納される。処方箋データ４８に基づいて、薬剤名（薬名）５２、薬剤コード５３、効能／効果５４、用法／用量５５、診療日５６、診療科５７、及び患者属性５８が学習用データ８０として格納される。このように、傷病名ごと又は処方箋ごとに、患者の属性データ（患者属性）５８を含む処方箋データ５２～５８と傷病名データ５１とが関連付けられて、学習用データ８０が生成される。

【0020】

図４では、ＩＤ５０が「１」の学習用データ８０について、複数の処方薬（薬剤名（薬名）５２又は薬剤コード５３）に傷病名データ５１「高コレステロール血症」が関連付けられている。これは、1つの処方箋に複数の処方薬が含まれている例である。

【0021】

用法／用量５５の用法には、処方薬の処方日数（服薬日数）、処方回数（服薬回数）、服薬時点（食前、食後、及び食間等）、投与経路／部位（右眼に点眼、患部に塗布等）、及び投与量等がデータとして格納されており、用量には、１日分、１回分、もしくは１日分の投与量と、１日の投与回数がデータとして格納されている。

【0022】

本実施形態では、用法／用量５５として、処方薬の処方日数、処方回数、及び処方種別が格納される。例えば、処方種別は、内滴、内服、浸煎、湯、頓服、外用、注射、自費、及び器材等に分類される。

【0023】

患者属性５８として、患者の年齢、性別、体重、妊娠の有無、既往症、副作用歴、アレルギー歴、併用薬、生活習慣、嗜好、及び家族既往歴が格納される。このように、患者の年齢、性別、体重、妊娠の有無、既往症、副作用歴、アレルギー歴、併用薬、生活習慣、嗜好、及び家族既往歴の少なくとも１つを含む属性データ（患者属性）５８を傷病名データ５１と関連付けることにより、学習用データ８０が拡張される。

【0024】

図５は、処方箋データ５２～５８の少なくとの１つを複数のグループに分類することにより拡張された学習用データ８０について説明する図である。

【0025】

図５（ａ）に示すように、属性データ（患者属性）５８の年齢６４を複数のグループ（新生児６５、乳幼児６６、小児６７、高齢６８）に分類することにより、学習用データ８０が拡張される。また、体重を複数のグループに分類してもよい。また、生活習慣（飲酒や喫煙の頻度及び睡眠時間等）を複数のグループに分類してもよい。このように、属性データ（患者属性）５８を複数のグループに分類することにより、学習用データ８０が拡張される。

【0026】

図５（ｂ）に示すように、処方日数７０を複数のグループ（適用なし＝２、急性＝１、及び慢性＝０）に分類することにより、学習用データ８０が拡張される。処方種別に頓服や注射等を表すデータが格納されている場合や用法に処方日数（服薬日数）を表すデータが格納されていない場合は、「適用なし」を表すデータ「０」が格納される。また、用法に処方日数（服薬日数）を表すデータが格納されており、処方日数（服薬日数）が所定の日数（例えば、１４日）未満であれば、「急性」を表すデータ「１」が格納され、所定の日数（例えば、１４日）以上であれば、「慢性」を表すデータ「２」が格納される。所定の日数は、処方薬等に応じて変動可能である。また、処方回数を複数のグループに分類することにより、学習用データ８０が拡張されてもよい。

【0027】

図５（ｃ）に示すように、診療日５６を複数のグループ（季節又は四半期６１、月６２、及び曜日６３）に分類することにより、学習用データ８０が拡張される。診療日５６を季節、四半期、月、及び曜日の少なくとも１つに分類するデータを用いることにより、学習用データ８０が拡張される。

【0028】

図５（ｄ）に示すように、診療科５７を複数のグループ（複数の診療区分６９）に分類することにより、学習用データ８０が拡張される。所定の基準診療科名が診療科５７の診療科名と部分一致する場合に、一致する部分ごとに診療科名を設定することにより、複数のグループに分類することで、学習用データ８０が拡張される。基準診療科名は、厚生労働省の診療科区分から「科」を除いたものが用いられてもよいし、データベース化された他の診療科区分が用いられてもよい。厚生労働省の診療科区分としては、内（科）、整形外（科）、眼（科）心療内（科）形成外（科）、耳鼻咽喉（科）、及び精神（科）等の診療科区分がある。例えば、図５（ｄ）に示すように、診療科５７が「神経内科」である場合は、基準診療科名「内（科）」と「精神（科）」が「神経内科」と部分一致するため、「神経内科」は複数のグループ「内科」と「精神科」に分類され、診療区分６９には、「内科」と「精神科」を表すデータが格納される。

【0029】

また、処方薬のデータとして医薬品コードを用い、医薬品コードの一部を抽出することにより、複数のグループに分類することで、学習用データ８０が拡張されてもよい。医薬品コードとして、薬価基準収載医薬品コード又はＹＪコードが用いられてもよい。ＹＪコードを用いる場合、ＹＪコードを上１桁、上２桁、上３桁、上４桁、上５～７桁目、上８桁目、及び上９桁に分類することにより、学習用データ８０が拡張されてもよい。例えば、ロキソプロフェンナトリウム水和物錠の６０ｍｇ／１錠のＹＪコードは、「１１４９０１９Ｆ１２４２」であるので、「１」、「１１」、「１１４」、「１１４９」、「０１９」、「Ｆ」、及び「１１４９０１９Ｆ１」に分類されることにより、学習用データ８０が拡張される。

【0030】

このように、処方箋データ５２～５８を複数のグループに分類することにより、学習用データ８０が拡張される。

【0031】

図６は、本実施形態の傷病名推論方法の例を示すフローチャートである。図７及び図８は、本実施形態の傷病名推論プログラムにより実行される動作の例を示すシーケンス図である。図７は、各種データの取得及び前処理、並びに学習済みモデルの生成及び格納の動作の例を示すシーケンス図である。図８は、学習済みモデルによる推論及び推論結果の決定の動作の例を示すシーケンス図である。傷病名推論プログラムは記録媒体に搭載されてもよい。

【0032】

図６及び図７に示すように、ステップＳ１において、コンピュータ５のプロセッサ（図示せず）が、各種データの格納命令を学習用データベースサーバ４へ送信し（１１０）、学習用データベースサーバ４のデータ格納部３８は、各種データの格納命令を実行し（１１１）、コンピュータ５又は入力装置４３から入力された各種データを学習用データベース４１に格納する。格納される各種データには、カルテデータ４６、傷病名データ４７、処方箋データ４８、及び属性データ４９が含まれる。

【0033】

コンピュータ５のプロセッサが、各種データの取得命令及び前処理命令を学習用データベースサーバ４へ送信する（１１２）。ステップＳ２において、学習用データベースサーバ４のデータ取得部３９は、各種データの取得命令を実行し（１１３）、各種データを学習用データベース４１から取得する。ステップＳ３において、学習用データベースサーバ４の前処理部４０は、各種データの関連付け命令を実行し（１１３）、傷病名データ４７と処方箋データ４８とを学習用データ８０として関連付ける。

【0034】

ステップＳ４において、データ格納部３８が、学習用データ８０の格納命令を実行し（１１５）、学習用データ８０を学習用データベース４１に格納する。また、前処理部４０が、学習用データ８０の拡張命令を実行し（１１５）、学習用データ８０を拡張する。前処理部４０が、患者の属性データ（患者属性）５８と処方箋データ５２～５７とを関連付けることにより、学習用データ８０をデータ拡張する。前処理部４０が、患者の年齢、性別、体重、妊娠の有無、既往症、副作用歴、アレルギー歴、併用薬、生活習慣、嗜好、及び家族既往歴の少なくとも１つを含む属性データ（患者属性）５８を処方箋データ５２～５７と関連付けることにより、学習用データ８０をデータ拡張する。

【0035】

また、前処理部４０が、処方箋データ５２～５７及び属性データ（患者属性）５８の少なくとの１つを複数のグループに分類することにより、学習用データ８０をデータ拡張する。前処理部４０が、処方薬に加えて、処方薬の効能、効果、用法、用量、処方種別、診療日、診療科名、及び患者の属性データの少なくとも１つを分類することにより、学習用データ８０をデータ拡張する。例えば、前処理部４０が、属性データ（患者属性）５８の年齢６４を複数のグループ（新生児６５、乳幼児６６、小児６７、高齢６８）に分類することにより、学習用データ８０をデータ拡張する。前処理部４０が、処方日数７０を複数のグループ（適用なし＝２、急性＝１、及び慢性＝０）に分類することにより、学習用データ８０をデータ拡張する。前処理部４０が、診療日５６を季節、四半期、月、及び曜日の少なくとも１つに分類するデータを用いることにより、学習用データ８０をデータ拡張する。前処理部４０が、診療科５７を複数のグループ（複数の診療区分６９）に分類することにより、学習用データ８０をデータ拡張する。前処理部４０が、処方薬のデータとして医薬品コードを用い、医薬品コードの一部を抽出することにより、学習用データ８０をデータ拡張する。

【0036】

ステップＳ５において、前処理部４０が、学習用データ８０のフィルタ処理命令を実行し（１１６）、ＩＤ５０ごとにフィルタ処理を行う。前処理部４０は、処方箋データ５２～５８が傷病名データ５１又は他の処方箋データ５２～５８と矛盾する場合又は所定の条件を満たす場合に、そのＩＤ５０の傷病名データ５１又は処方箋データ５２～５８を学習用データ８０から除くことにより、フィルタ処理を行う。なお、前処理部４０は、矛盾するデータ部分のみを除外してもよい。この結果、傷病名を高精度で推論することができる。

【0037】

前処理部４０は、処方箋データ５２～５８のグループが傷病名データ、処方薬、処方薬の効能、効果、用法、用量、及び処方種別の少なくとも１つと矛盾する場合又は所定の条件を満たす場合に、そのＩＤ５０の傷病名データ５１又は処方箋データ５２～５８を学習用データ８０から除くことにより、フィルタ処理を行う。

【0038】

属性データ（患者属性）５８の年齢６４が複数のグループ（新生児６５、乳幼児６６、小児６７、高齢６８）に分類されて、学習用データ８０がデータ拡張されており、分類が、傷病名データ５１、効能／効果５４、及び用法／用量５５の少なくとの１つと矛盾する場合又は所定の条件を満たす場合に、前処理部４０は、傷病名データ５１又は処方箋データ５２～５８を学習用データ８０から除く。例えば、所定のＩＤ５０の年齢６４では新生児６５に分類されているが、効能／効果５４には妊婦に関する傷病名データ５１が含まれている場合、前処理部４０は、そのＩＤ５０の処方箋データの効能／効果５４から妊婦に関する傷病名データ５１を除外する。

【0039】

また、処方日数７０が複数のグループ（適用なし＝２、急性＝１、及び慢性＝０）に分類されて、学習用データ８０がデータ拡張されており、分類が、傷病名データ５１、効能／効果５４、及び用法／用量５５の少なくとの１つと矛盾する場合又は所定の条件を満たす場合に、前処理部４０は、そのＩＤ５０の傷病名データ５１又は処方箋データ５２～５８を学習用データ８０から除く。例えば、所定のＩＤ５０の処方日数７０では「慢性＝０」に分類されているが、傷病名データ５１には「急性胃炎」のように「急性」の文字列データが含まれている場合、前処理部４０は、そのＩＤ５０の処方日数７０の分類データを除外する。

【0040】

また、性別が複数のグループ（男＝１及び女＝２）に分類されて、学習用データ８０がデータ拡張されており、分類が、傷病名データ４７、効能／効果５４、及び用法／用量５５の少なくとの１つと矛盾する場合又は所定の条件を満たす場合に、前処理部４０は、そのＩＤ５０の傷病名データ５１又は処方箋データ５２～５８を学習用データ８０から除く。例えば、所定のＩＤ５０の性別では「女＝２」に分類されているが、効能／効果５４には前立腺に関する傷病名のデータが含まれている場合、前処理部４０は、そのＩＤ５０の効能／効果５４から前立腺に関する傷病名データ５１を除外する。

【0041】

また、薬剤名又は薬剤コードに対して傷病名データに所定の条件を満たす文字列が含まれている場合に、前処理部４０は、そのＩＤ５０の傷病名データ５１又は処方箋データ５２～５８を学習用データ８０から除く。例えば、鎮痛薬による胃の荒れを予防する目的で処方される胃薬に対して、傷病名データに「慢性胃炎」の文字列が含まれている場合、処方の目的が傷病名と異なるため、前処理部４０は、鎮痛薬と胃薬が組み合わされて処方されていることを判断し、そのＩＤ５０の傷病名データ５１から「慢性胃炎」の文字列を含む傷病名のデータを除外する。

【0042】

このように、不適切なデータの組み合わせを除外して機械学習を行うことにより、傷病名を高精度で推論することができる。矛盾するデータの組み合わせは、傷病名データ４７又は処方箋データ４８に基づいて自動的に生成されてもよいし、予め作成されたデータベースとして学習用データベース４１に格納されてもよい。

【0043】

ステップＳ６において、学習済みモデルが生成される。コンピュータ５のプロセッサは、機械学習によるモデル生成命令を人工知能サーバ３へ送信する（１２０）。人工知能サーバ３のデータ取得部３２は、インターフェース２４を介して、学習用データ８０の取得命令を学習用データベースサーバ４へ送信し（１２１）、学習用データベースサーバ４は、学習用データ８０の送信命令を実行し、学習用データベース４１に格納された学習用データ８０を、インターフェース４４を介して、人工知能サーバ３へ送信する（１２２）。データ取得部３２は、学習用データベース４１から学習用データ８０を取得し、機械学習部３４は、傷病名データ４７と処方箋データ４８とが関連付けられた学習用データ（拡張された学習用データを含む）８０に基づいて、機械学習による学習済みモデルの生成／格納命令を実行する（１２３）。

【0044】

機械学習部３４は、処方箋データ５２～５８を入力層に入力し、傷病名データ５１を出力層の正解値として入力するニューラルネットワークにより学習済みモデルを生成する。ニューラルネットワークの中間層には、Ａｆｆｉｎｅ層又はＣｏｎｖｏｌｕｔｉｏｎ層が設けられる。適宜、ダウンサンプリング処理等が行われてもよい。また、中間層の層数、ニューロン数、及び活性化関数は、推論結果が高精度となるように、最適なものが選択される。ニューラルネットワークとして、Ｆｅｅｄ Ｆｏｒｗａｒｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＦＦＮＮ）やＲｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＲＮＮ）等が用いられる。機械学習部３４は、乱数等の所定の値で初期化されたパラメータ（重み）を用いて、処方箋データ５２～５８が入力層に入力された際に出力層に出力された値と出力層の正解値（傷病名データ５１）との乖離を表すロス関数を算出し、ロス関数の微分値を勾配として、出力層に出力された値と出力層の正解値との乖離が小さくなるように、パラメータ（重み）を変化させることで、学習済みモデルを生成する。

【0045】

薬剤は傷病に応じて処方されるので、処方箋データ５２，５３の処方薬と傷病名は一定の関係性がある。したがって、処方薬を学習用データとして傷病名を推論する学習済みモデルを生成することにより、傷病名を高精度に推論することができる。特に、１つの処方箋に複数の薬剤が処方されている場合、複数の処方薬の組み合わせを機械学習すれば、より高精度に傷病名を推論することができる。つまり、学習データ８０は、少なくとも複数の薬剤名５２又は複数の薬剤コード５３が傷病名データ４７と関連付けられていればよい。

【0046】

また、薬剤の適応症は処方薬の効能や効果によって定められており、処方薬の用法や用量等は傷病や症状に応じて変化するため、処方箋データ５４～５７の効能、効果、用法、用量、処方種別、診療日、及び診療科名と傷病名は一定の関係性がある。例えば、同じ抗生剤であっても、眼科で処方される場合は麦粒腫の可能性が高く、婦人科で処方される場合は膀胱炎である可能性が高くなる。

【0047】

また、季節性のある傷病があったり（例えば、インフルエンザは１月～２月に流行する）、傷病に応じて患者の行動特性に影響を与える場合があったりするため、診療日５６と傷病名は一定の関係性がある。したがって、処方薬に加えて、処方薬の効能、効果、用法、用量、処方種別、診療日、及び診療科名の少なくとも１つを含む処方箋データを学習用データ８０として、傷病名を推論する学習済みモデルを生成することにより、傷病名を総合的に高精度で推論することができる。

【0048】

さらに、同じ処方薬であっても、患者の年齢、性別、体重、妊娠の有無、既往症、副作用歴、アレルギー歴、併用薬、生活習慣、嗜好、及び家族既往歴等の患者の属性データに応じて傷病名が異なる場合がある。したがって、処方薬に加えて、患者の属性データ５８を学習用データ８０として、傷病名を推論する学習済みモデルを生成することにより、傷病名を高精度で推論することができる。

【0049】

ステップＳ７において、学習済みモデル格納部３５は、学習済みモデルの格納命令を実行することにより、生成された学習済みモデルを記憶装置２２に記憶させる（１２３）。

【0050】

ステップＳ８において、傷病名を推論するステップに進む場合は、ステップＳ９に進み、傷病名を推論するステップに進まない場合は処理を終了する。

【0051】

図６及び図８に示すように、ステップＳ９において、コンピュータ５のプロセッサは、入力装置２３により推論用の処方箋データ（患者の属性データを含む）を入力し、推論用の処方箋データ（患者の属性データを含む）を人工知能サーバ３へ送信する（１２９）。そして、コンピュータ５のプロセッサは、傷病名の推論命令を人工知能サーバ３へ送信する（１３０）。

【0052】

ステップ１０において、推論部３６は、データチェック命令を実行し、コンピュータ５から送信された推論用の処方箋データ（患者の属性データを含む）のデータフォーマットを確認し、正しいデータフォーマットであるか否かを判定する（１３１）。誤ったデータフォーマットである場合は、推論部３６は、その旨を示すデータをコンピュータ５へ送信する。

【0053】

正しいデータフォーマットである場合は、ステップＳ１１において、推論部３６は、データ前処理命令を実行し、推論用の処方箋データ（患者の属性データを含む）を学習時のエンコード方針に従ってエンコードする（１３１）。学習時に用いられていない値が推論用の処方箋データ（患者の属性データを含む）に含まれている場合は、推論部３６は、その値を除外するか、所定の条件に従って所定の値を割り当てる。例えば、学習用データ８０の患者の年齢６４の上限が「１００歳」であり、推論用の患者の年齢が「１０３歳」であった場合、推論部３６は、推論用の処方箋データから「１０３歳」の年齢データを除外するか、学習用データ８０の上限である「１００歳」を「１０３歳」の代わりに割り当てる。

【0054】

ステップＳ１２において、推論部３６は、推論命令を実行し、記憶装置２２に記憶された学習済みモデルを読み出し、推論用の処方箋データ（患者の属性データを含む）を学習済みモデルに入力し、学習済みモデルに入力された処方箋データ（患者の属性データを含む）から傷病名を推論する（１３２）。

【0055】

この場合、推論部３６は、推論された傷病名が、学習済みモデルに入力された処方箋データ（患者の属性データを含む）と矛盾する場合に、矛盾する傷病名を推論結果から除外する。推論部３６は、矛盾する傷病名が出力されないように、出力に対するマスクを生成する。例えば、推論用に入力される患者の属性データの年齢が「７２歳」である場合、新生児、乳幼児、及び小児に関する傷病名がマスクされて除外される。また、推論用に入力される患者の属性データの性別が「男」である場合、婦人病に関する傷病名がマスクされて除外される。この結果、傷病名を高精度で推論することができる。

【0056】

推論部３６は、インターフェース２４を介して、推論結果の送信命令を実行し、推論結果をコンピュータ５へ送信する（１３３）。

【0057】

ステップＳ１３において、コンピュータ５のプロセッサは、送信結果の表示命令を実行し、ディスプレイ等に推論結果を表示させる（１３４）。

【0058】

図９乃至図１１は、コンピュータ５のディスプレイ（図示せず）に表示された推論結果の例を示す図である。図９乃至図１１に示すように、画面５００，６００，７００には、患者の属性領域５０１，６０１，７０１、診療科／診療日領域５０２，６０２，７０２、処方薬／用法／用量領域５０５，６０５，７０５、上位推論結果領域５０６，６０６，７０６、全表示指示領域５０７，６０７，７０７、全推論結果領域５０８、過去データ領域５０９，６０９，７０９、選択領域５１０，６１０，７１０、薬局／薬剤師領域５１１，６１１，７１１、及び情報更新領域５１２，６１２，７１２が表示される。なお、アムロジン、クレストール、バルトレックス、及びフロモックスは登録商標である。

【0059】

診療科／診療日領域５０２，６０２，７０２には、医療機関、診察科（診療科目）、及び医師名が医療機関領域５０３，６０３，７０３に表示され、診療日が診療日領域５０４，６０４，７０４に表示される。処方薬／用法／用量領域５０５，６０５，７０５には、薬剤名、用法、及び用量が表示される。上位推論結果領域５０６，６０６，７０６には、推論結果のうち推論確率が高い傷病名の上位３件が表示される。全表示指示領域５０７をカーソル等で指定すると、全推論結果（１０件）が全推論結果領域５０８に表示される。過去データ領域５０９，６０９には、過去の処方箋における医療機関、診察科（診療科目）、医師名、薬剤名、用法、及び用量が表示される。選択領域５１０，６１０，７１０で過去の処方箋を選択することができる。図９乃至図１１では、医療機関及び診療科目が一致する過去の処方箋が選択されている。薬局／薬剤師領域５１１，６１１，７１１には、薬局名及び薬剤師名が表示される。情報更新領域５１２，６１２，７１２をカーソル等で指定すると、画面５００，６００，７００に表示されている情報が更新される。

【0060】

図１０及び図１１では、共に「バルトレックス顆粒５０％」が処方されているが、用法、用量、及び患者の属性（年齢等）に応じて、推論結果の傷病名は異なっている。このように、薬剤名を含む処方箋データ４８と傷病名データ４７とが関連付けられた学習用データ８０に基づいて、機械学習により学習済みモデルを生成することで、処方箋データから傷病名を高精度で推論することができる。

【0061】

ステップＳ１４において、コンピュータ５の入力装置（図示せず）が正しい傷病名を入力することにより、コンピュータ５のプロセッサが推論結果の決定命令を実行する（１３５）。例えば、薬剤師が患者に問診することにより、コンピュータ５の入力装置（図示せず）から正しい傷病名が入力される。この場合、上位推論結果領域５０６又は全推論結果領域５０８に表示される傷病名をカーソル等で指定することにより、正しい傷病名が入力されてもよい。

【0062】

ステップＳ１５において、正しい傷病名が傷病名データ５１として、推論用の処方箋データ（患者の属性データを含む）と関連付けられて、学習用データベース４１の学習用データ８０に格納されたか否かを、コンピュータ５が判定する。学習用データベース４１の学習用データ８０に格納されていない場合は、コンピュータ５のプロセッサ（図示せず）が、正しい傷病名と処方箋データ（患者の属性データを含む）とが関連付けられたデータを学習用データベースサーバ４へ送信し（１３６）、学習用データベースサーバ４のデータ格納部３８は、学習データの格納命令を実行し（１３７）、コンピュータ５から送信されたデータを学習用データベース４１に格納する。これにより、学習用データベース４１の学習用データ８０が増え、傷病名をさらに高精度で推論することができる。

【0063】

正しい傷病名と処方箋データ（患者の属性データを含む）とが関連付けられたデータが学習用データベース４１の学習用データ８０に格納されている場合は、処理を終了する。

【0064】

以上のように、本実施形態によれば、処方箋データから傷病名を高精度で推論することができ、傷病名が記載されていない処方箋からでも傷病名を把握することができ、適切な服薬指導を行うことができる。

【0065】

以上、本発明にかかる実施形態について説明したが、本発明はこれらに限定されるものではなく、請求項に記載された範囲内において変更・変形することが可能である。

【0066】

本実施形態には、処方箋データ５２～５８と傷病名データ５１とが関連付けられた学習用データ８０のデータ構造であって、ニューラルネットワークの入力層に入力可能な処方箋データ５２～５８と、ニューラルネットワークの出力層の正解値として入力可能な傷病名データ５１とを備え、学習用データ８０は、所定の値で初期化されたパラメータ（重み）を用いて、処方箋データ５２～５８が入力層に入力された際に出力層に出力された値と正解値との乖離を表すロス関数の微分値を勾配として、乖離が小さくなるようにパラメータ（重み）を変化させて学習済みモデルを生成するために用いられることを特徴とするデータ構造が含まれる。この場合、学習用データ８０は、処方薬に加えて、処方薬の効能、効果、用法、用量、処方種別、診療日、及び診療科名の少なくとも１つを含む処方箋データ５２～５７と傷病名データ５１とが関連付けられることを特徴とするデータ構造であってもよい。

【産業上の利用可能性】

【0067】

本発明は、機械学習により処方箋データから傷病名を総合的に推論するため、傷病名を高精度で推論することができる傷病名推論システムとして有用である。特に、複数の薬剤を総合的に考慮して傷病名を高精度で推論することができる傷病名推論システムとして有用である。

【符号の説明】

【0068】

１…傷病名推論システム
３…人工知能サーバ
４…学習用データベースサーバ
５…コンピュータ
３２…データ取得部
３３，４０…前処理部
３４…機械学習部
３５…モデル格納部
３６…推論部
３８…データ格納部
３９…データ取得部
４１…学習用データベース
４６…カルテデータ
４７…傷病名データ
４８…処方箋データ
４９…属性データ
８０…学習用データ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】