特許 7469775 入院可能性推定システム

(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】2024-04-09

(45)【発行日】2024-04-17

(54)【発明の名称】入院可能性推定システム

(51)【国際特許分類】

   G16H 50/20 20180101AFI20240410BHJP

【ＦＩ】

G16H50/20

【請求項の数】 6

(21)【出願番号】P 2020153575

(22)【出願日】2020-09-14

(65)【公開番号】P2022047665

(43)【公開日】2022-03-25

【審査請求日】2022-02-01

(73)【特許権者】

【識別番号】520292718

【氏名又は名称】株式会社メビウスボックス

(74)【代理人】

【識別番号】230116816

【弁護士】

【氏名又は名称】成川 弘樹

(74)【代理人】

【識別番号】100159248

【弁理士】

【氏名又は名称】齋藤 修

(74)【代理人】

【識別番号】100174850

【弁理士】

【氏名又は名称】大崎 絵美

(73)【特許権者】

【識別番号】513035232

【氏名又は名称】株式会社Ｎ・フィールド

(74)【代理人】

【識別番号】230116816

【弁護士】

【氏名又は名称】成川 弘樹

(74)【代理人】

【識別番号】100159248

【弁理士】

【氏名又は名称】齋藤 修

(72)【発明者】

【氏名】湯浅 清

【審査官】梅岡 信幸

(56)【参考文献】

【文献】特開２０２０－１０１９０１（ＪＰ，Ａ）

【文献】特開２０１９－１９４８０７（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】

精神科の訪問看護の記録であり、訪問看護の際に作成される看護記録を患者ごとに取得する看護記録取得部と、
取得された前記看護記録に訪問月における入院の有無を示す目的変数を追加する目的変数追加部と、
前記目的変数が追加された前記看護記録に含まれる患者の状況または看護内容を示すテキストデータをベクトル化して患者ごとの教師データを生成する教師データ生成部と、
前記教師データによってモデルを学習させて学習済みモデルを生成する学習部と、
前記看護記録取得部が別途取得した処理対象の前記看護記録に含まれる患者の状況または看護内容を示すテキストデータをベクトル化して推論用データを生成する推論用データ生成部と、
前記推論用データを前記学習済みモデルに適用して前記処理対象の患者の入院可能性を推定する入院可能性推定部と、
を備える入院可能性推定システム。

【請求項2】

前記看護記録に含まれる患者の状況または看護内容を示すテキストデータは、
ＡＤＬについての備考、症状の内容、看護内容の備考、および看護内容の特記事項のうちから１種類以上選ばれる請求項１に記載の入院可能性推定システム。

【請求項3】

前記看護記録に、滞在時間、前回訪問日からの日数、および不在件数のうちから１種類以上選ばれる特徴量を追加する特徴量追加部をさらに備える請求項１に記載の入院可能性推定システム。

【請求項4】

前記看護記録に含まれるカテゴリー変数をエンコードするエンコーダをさらに備える請求項１に記載の入院可能性推定システム。

【請求項5】

前記カテゴリー変数は、
ＡＤＬ基礎情報、看護内容、および訪問月のうちから１種類以上選ばれる請求項４に記載の入院可能性推定システム。

【請求項6】

看護内容を示すテキストデータに基づき、処理対象の患者の入院可能性を出力するよう、コンピュータを機能させるための学習済みモデルであって、
精神科の訪問看護の記録であり、訪問看護の際に作成される看護記録を患者ごとに取得し、取得した前記看護記録に訪問月における入院の有無を示す目的変数を追加した前記看護記録に含まれる患者の状況または看護内容を示すテキストデータをベクトル化して生成した患者ごとの教師データにより学習されたものであり、
別途取得した前記処理対象の前記看護記録に含まれる患者の状況または看護内容を示すテキストデータをベクトル化して生成した推論用データの入力を受け付け、前記処理対象の患者の入院可能性を出力する処理を実行するよう、コンピュータを機能させるための学習済みモデル。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、入院可能性推定システムに関する。

【背景技術】

【0002】

精神科医療の領域においては、病院が提供する医療サービスと連携した、患者に対する訪問看護サービスが行われている。この訪問看護サービスは、患者の自宅に看護師等が訪問して患者に対する種々のケアを行うものである。

【0003】

患者は病状が悪化すると病院に入院することとなる。そうすると、訪問看護サービスを提供している事業主体はサービスを提供することができなくなり、収益を圧迫する。従って、患者の病状の悪化を事前に察知し、入院が必要となる前に適切なケアを行ったり、患者の入院に備えたりすることが、患者へのサービスの向上の点からも、経営の安定化の点からも重要となる。

【0004】

この点に関し、診療記録に記載されたテキスト情報を処理して記載タイミングとともに単語の頻度をベクトル化し、特定の症状を示す単語の発生頻度に基づいて特定の症状が起きている確率を算出する技術が提案されている（例えば、特許文献１。）。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２０１８－１６９７９５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、この技術では特定の症状の発生している確率を算出することはできるが、ある患者の入院可能性の推定はできない。このため、この技術によっては、ある患者が入院するかどうかの見極めは、複数の症状を総合して医師が判断する必要があり、上記問題を解決できない。

【0007】

従って、訪問看護によって得られた情報からその患者の入院可能性を推定する入院可能性推定システムが求められている。

【課題を解決するための手段】

【0008】

本発明は、精神科の訪問看護の記録である看護記録を取得する看護記録取得部と、取得された前記看護記録に入院の有無を示す目的変数を追加する目的変数追加部と、前記看護記録に含まれる患者の状況または看護内容を示すテキストデータをベクトル化して教師データを生成する教師データ生成部と、前記教師データによってモデルを学習させて学習済みモデルを生成する学習部と、前記看護記録取得部が別途取得した処理対象の前記看護記録に含まれる患者の状況または看護内容を示すテキストデータをベクトル化して推論用データを生成する推論用データ生成部と、前記推論用データを学習済みモデルに適用して入院可能性を推定する入院可能性推定部と、を備える入院可能性推定システムを提供する。

【発明の効果】

【0009】

本発明によれば、訪問看護によって得られた情報からその患者の入院可能性を推定する入院可能性推定システムを提供することができる。

【図面の簡単な説明】

【0010】

【図1】入院可能性推定システムの構成を示すブロック図である。

【図2】利用者情報ファイルのデータ構成を示す図である。

【図3】看護記録ファイルのデータ構成を示す図である。

【図4】教師データファイルのデータ構成を示す図である。

【図5】推論用データファイルの構成を示す図である。

【図6】入院可能性推定システムの制御部による、教師データの生成とモデルの学習プロセスの動作を示すフローチャートである。

【図7】入院可能性推定システムの制御部による、推論プロセスの動作を示すフローチャートである。

【図8】単語埋め込みの流れを示す図である。

【図9】推論結果である入院リスクの出力例を示す図である。

【図10】入院リスクの増減の出力例を示す図である。

【図11】入院リスク統計の出力例を示す図である。

【図12】入院リスク統計の推移の出力例を示す図である。

【図13】患者別入院リスク推移の出力例を示す図である。

【発明を実施するための形態】

【0011】

以下、本発明の一実施形態に係る入院可能性推定システムを詳細に説明する。

【0012】

図１は、本実施形態の入院可能性推定システム１の構成を示すブロック図である。図１に示すように、入院可能性推定システム１は、例えば、いわゆるサーバ装置やパーソナルコンピュータなどのコンピュータを用いて構成することができる。

【0013】

具体的には、入院可能性推定システム１は、制御部１０１と、記憶部１０２と、入出力部１０３と、通信部１０４と、を備える。

【0014】

制御部１０１は、ＣＰＵ（central processing unit）などの演算装置を含む。

【0015】

記憶部１０２は、メモリ、ハードディスクドライブなどの記憶装置を含む。記憶部１０２は、利用者情報ファイル１０２Ａ、看護記録ファイル１０２Ｂ、トランザクションファイル１０２Ｃ、教師データファイル１０２Ｄ、推論用データファイル１０２Ｅ、推論結果ファイル１０２Ｆ、トークナイザ１０２Ｇ、埋め込み層１０２Ｈ、及びモデル１０２Ｉを格納する。

【0016】

入出力部１０３は、キーボードなどの入力装置、マウスなどのポインティングデバイス、ディスプレイなどの表示装置、プリンタなどの印刷装置などを含む。

【0017】

通信部１０４は、ネットワーク装置などの通信装置を含み、インターネットなどの公衆通信回線網２などを介してクラウド３やクライアント端末４と通信する。

【0018】

図２は、利用者情報ファイル１０２Ａのデータ構成を示す図である。利用者情報ファイル１０２Ａは、利用者に関する情報を格納する。

【0019】

図２に示すように、利用者情報ファイル１０２Ａは、利用者に固有に割り当てられる識別子である利用者ＩＤと、利用者ＩＤごとに利用者に関する情報である利用者情報と、を格納する。

【0020】

利用者情報は、例えば、氏名、生年月日、事業所、利用ステータス、療養費区分、などが挙げられる。

【0021】

図３は、看護記録ファイル１０２Ｂのデータ構成を示す図である。看護記録ファイル１０２Ｂは、利用者ＩＤごとに精神科の患者への訪問看護の際に作成される看護記録の内容を格納する。

【0022】

図３に示すように、看護記録ファイル１０２Ｂは、利用者ＩＤごとに、訪問基礎情報、ＡＤＬ（Activities of Daily Living：日常生活動作）基礎情報、バイタルサイン、及び看護内容を格納する。

【0023】

訪問基礎情報は、例えば氏名、訪問時の年齢、療養費区分、事業所、訪問開始日時、訪問終了日時、不在であったことを示す不在フラグ、滞在時間、特別支持訪問であったことを示す特別指示訪問フラグ、退院後５週間以内の訪問であったことを示す退院後週５訪問フラグ、１日のうちに複数回訪問したことを示す複数回訪問フラグ、および複数名によって訪問したことを示す複数名訪問フラグが挙げられる。

【0024】

ＡＤＬ基礎情報は、例えば摂食、睡眠、服薬、保清、環境整備、金銭管理、対人関係、食事、移動、排泄、着替、入浴、整容、摂食（備考）、睡眠（備考）、服薬（備考）、保清（備考）、環境整備（備考）、金銭管理（備考）、対人関係（備考）、食事（備考）、移動（備考）、排泄（備考）、着替（備考）、入浴（備考）、および整容（備考）等が挙げられる。ここで、上記の（備考）にはテキストデータが含まれうる。

【0025】

バイタルサインは、例えば体温、脈拍、最高血圧、及び最低血圧などが挙げられる。

【0026】

看護内容は、例えば傾聴、主治医・関係機関連携調整、与薬・注射、皮膚・褥瘡処置、受診援助、家人へ指導・相談、リハビリ、アドバイス、看護内容備考（テキスト）、症状の変化、症状の内容（テキスト）、および特記事項（テキスト）などが挙げられる。ここで、上記の（テキスト）と示した項目にはテキストデータが含まれうる。

【0027】

図４は、教師データファイル１０２Ｄのデータ構成を示す図である。教師データファイル１０２Ｄは、利用者ＩＤごとにモデルを学習させるための教師データを格納する。

【0028】

図４に示すように、教師データファイル１０２Ｄは、利用者ＩＤごとに、訪問情報、ＡＤＬ情報、バイタルサイン、看護内容、訪問月、ベクトル化されたテキストであるベクトルテキスト、および目的変数を格納する。

【0029】

訪問看護情報は、例えば訪問時点の年齢、滞在時間、前回訪問からの日数、不在件数（過去１４日間）、症状の変化、特別指示訪問フラグ、退院後週５訪問フラグ、複数回訪問フラグ、および複数名訪問フラグなどが挙げられる。

【0030】

ＡＤＬ情報は、例えば摂食（規則）、摂食（不規則）、摂食（拒食）、摂食（過食）、摂食（その他）、睡眠（良眠）、睡眠（不眠）、睡眠（入眠困難）、睡眠（早期覚醒）、睡眠（中途覚醒）、睡眠（その他）、服薬（規則）、服薬（不規則）、服薬（拒薬）、服薬（怠薬）、服薬（過剰服薬）、服薬（その他）、金銭管理（自己管理）、金銭管理（他者管理）、金銭管理（浪費）、保清、環境整備、対人関係、食事、移動、排泄、着替、入浴、および整容などが挙げられる。

【0031】

バイタルサインは、例えば体温、脈拍、最高血圧、および最低血圧などが挙げられる。

【0032】

看護内容は、例えば傾聴、主治医・関係機関連携調整、与薬・注射、皮膚・褥瘡処置、受診援助、家人へ指導・相談、リハビリ、およびアドバイスなどが挙げられる。

【0033】

訪問月は、例えば１月から１２月までの訪問月フラグ（１月）～訪問月フラグ（１２月）が挙げられる。

【0034】

ベクトル化テキストは、看護記録に含まれる患者の状況又は看護内容を示すデータ、例えばＡＤＬ備考、症状の内容、および看護内容備考・特記事項などが挙げられる。

【0035】

目的変数は、例えば入院の有無を示す変数である入院フラグが挙げられる。

【0036】

図５は、推論用データファイル１０２Ｅの構成を示す図である。推論用データファイル１０２Ｅは、学習済みモデルが推論に使用するデータを格納する。

【0037】

図５に示すように、推論用データファイル１０２Ｅは、利用者ＩＤごとに、訪問情報、ＡＤＬ情報、バイタルサイン、看護内容、訪問月、およびベクトル化されたテキストであるベクトルテキストを格納する。

【0038】

訪問看護情報は、例えば訪問時点の年齢、滞在時間、前回訪問からの日数、不在件数（過去１４日間）、症状の変化、特別指示訪問フラグ、退院後週５訪問フラグ、複数回訪問フラグ、および複数名訪問フラグなどが挙げられる。

【0039】

ＡＤＬ情報は、例えば摂食（規則）、摂食（不規則）、摂食（拒食）、摂食（過食）、摂食（その他）、睡眠（良眠）、睡眠（不眠）、睡眠（入眠困難）、睡眠（早期覚醒）、睡眠（中途覚醒）、睡眠（その他）、服薬（規則）、服薬（不規則）、服薬（拒薬）、服薬（怠薬）、服薬（過剰服薬）、服薬（その他）、金銭管理（自己管理）、金銭管理（他者管理）、金銭管理（浪費）、保清、環境整備、対人関係、食事、移動、排泄、着替、入浴、および整容などが挙げられる。

【0040】

バイタルサインは、例えば体温、脈拍、最高血圧、および最低血圧などが挙げられる。

【0041】

看護内容は、例えば傾聴、主治医・関係機関連携調整、与薬・注射、皮膚・褥瘡処置、受診援助、家人へ指導・相談、リハビリ、およびアドバイスなどが挙げられる。

【0042】

訪問月は、例えば１月から１２月までの訪問月フラグ（１月）～訪問月フラグ（１２月）が挙げられる。

【0043】

ベクトル化テキストは、看護記録に含まれる患者の状況又は看護内容を示すデータ、例えばＡＤＬ備考、症状の内容、および看護内容備考・特記事項などが挙げられる。

【0044】

トランザクションファイル１０２Ｃは、作業途中のデータを格納する。

【0045】

推論結果ファイル１０２Ｆは、学習済みモデルが出力した入院可能性を日付ごと、利用者ＩＤごとに格納する。

【0046】

図６は、入院可能性推定システム１の制御部１０１による、教師データの生成とモデルの学習プロセスの動作を示すフローチャートである。

【0047】

図６に示すように、ステップ６０１において、制御部１０１はデータの取得とコンバートを行う。素データが表計算ソフトのシートであった場合には、ＣＳＶ（Comma Separated Value）形式にコンバートする。素データが電子カルテであった場合、データベースから看護記録ファイル１０２Ｂのデータ構成をＣＳＶ形式にて抽出する。生成されたＣＳＶ形式の各データは看護記録ファイル１０２Ｂに格納される。

【0048】

ステップ６０２において、制御部１０１は、看護記録ごとに目的変数を付与する。例えば、訪問した月内に入院していた場合には「１」を、入院していない場合には「０」を入院フラグにセットする。

【0049】

ステップ６０３において、制御部１０１は、特徴量を作成する。具体的には、制御部１０１は特徴量追加部によって、看護記録ファイル１０２Ｂの看護記録データに、滞在時間、前回訪問日からの日数、及び不在件数（過去１４日間）のうちから１種類以上選ばれる変数をそれぞれ算出して追加する。

【0050】

次に、制御部１０１は、ＡＤＬ基礎情報、症状の変化が欠損している看護記録を看護記録ファイル１０２Ｂから削除する。

【0051】

次に、制御部１０１は、ＡＤＬ基礎情報のうち、カテゴリー変数をエンコーダによってエンコードする。

【0052】

次に、制御部１０１は、療養費区分が欠損していた場合には、同一利用者ＩＤのほかの看護記録からコピーして補完する。

【0053】

次に、制御部１０１は、訪問月を訪問月フラグに変換して追加する。

【0054】

次に、制御部１０１は、バイタルサインが異常値の場合、その看護記録を看護記録ファイル１０２Ｂから削除する。

【0055】

次に、制御部１０１は、バイタルサインが欠損している場合には「－１」を補完する。

【0056】

次に、制御部１０１は、テキストデータに適宜補完や修正を加える。

【0057】

ステップ６０４において、制御部１０１は、看護記録ファイル１０２Ｂから教師データに適したデータを選択し、トランザクションファイル１０２Ｃに格納する。制御部１０１は、例えば、療養費区分が「精神」の看護記録のみを選択する。

【0058】

ステップ６０５において、制御部１０１は、トランザクションファイル１０２Ｃに格納されたデータに対し、看護記録に含まれる患者の状況または看護内容を示すテキストデータを単語埋め込みによってベクトルに変換し、得られたベクトルによって元のテキストデータを置き換えて格納する。

【0059】

看護記録に含まれる患者の状況または看護内容を示すテキストデータは、ＡＤＬについての備考、症状の内容、看護内容の備考、および看護内容の特記事項のうちから１種類以上選ばれる。

【0060】

制御部１０１は、単語埋め込みを次の手順により行う。

【0061】

制御部１０１は、トークナイザによって文章をベクトルに変換（位置埋め込み）する。トークナイザはその時点において最も優秀な公知のオープンソースを使用することができる。

【0062】

次に制御部１０１は、上記のベクトルをニューラルネットワークの埋め込み層に通してテンソルに変換（単語埋め込み）する。埋め込み層（embeddings レイヤー）はその時点において最も優秀な公知のオープンソースを使用することができる。

【0063】

制御部１０１は、例えば、１階：文章列、２階：位置埋め込み結果の数値列、３階：単語埋め込み結果の数値列のテンソルを生成する。

【0064】

さらに制御部１０１は、このテンソルの３階の平均値を算出してプーリングし（平均プーリング）、ベクトルに変換して埋め込みベクトルとする。

【0065】

制御部１０１は、得られたデータをトランザクションファイル１０２Ｃに格納する。

【0066】

ステップ６０６において、制御部１０１は、データサンプリングを行い、教師データ：テストデータ＝８：２の割合に上記のトランザクションファイル１０２Ｃのデータを分割する。

【0067】

ステップ６０７において、制御部１０１は、生成された教師データからそれぞれモデルの学習に使用する特徴量を抽出する。制御部１０１は、少なくとも訪問情報、ベクトル化テキスト、および目的変数を抽出する。

【0068】

ステップ６０８において、制御部１０１は、抽出された特徴量を標準化してスケーリングし、得られたデータを教師データファイル１０２Ｄに出力する。

【0069】

ステップ６０９において、制御部１０１は、教師データファイル１０２Ｄから教師データを順次読みだして、モデルを学習させる。

【0070】

具体的には、モデルのトレーニング、損失の計算、およびモデルの保存をあらかじめ定められたエポック回数実行する。

【0071】

ステップ６１０において、制御部１０１は、損失の最も小さいエポックのモデルを学習済みモデルとして保存する。

【0072】

ここで、モデルはディープラーニングのモデルを用いることができるが、その時点においてさらに優秀なモデルがあれば、そのモデルを用いることができる。

【0073】

図７は、入院可能性推定システム１の制御部１０１による、推論プロセスの動作を示すフローチャートである。

【0074】

図７に示すように、ステップ７０１において、制御部１０１は、処理対象のデータのデータ取得とコンバートを行う。データ取得とコンバートの方法は、ステップ６０１の方法と同様である。

【0075】

ステップ７０２において、制御部１０１は、特徴量を作成する。処理の方法はステップ６０３の処理の方法と同様である。

【0076】

ステップ７０３において、制御部１０１は、単語埋め込みを行う。処理の方法はステップ６０５の処理の方法と同様である。

【0077】

ステップ７０４において、制御部１０１は、特徴量の選択を行う。処理の方法はステップ６０７の処理の方法と同様である。

【0078】

ステップ７０５において、制御部１０１は、スケーリングを行う。処理の方法はステップ６０８の処理の方法と同様である。

【0079】

ステップ７０６において、制御部１０１は、得られた処理対象のデータを学習済みモデルに適用して推論を行い、入院可能性（入院リスク）を出力させる。推論結果である入院可能性は、確率（％）などの数値のほか、大、中、小などのレベルなとによって出力することができる。

【0080】

ステップ７０７において、制御部１０１は、推論結果の入院可能性を入出力部に出力する。

【0081】

図８は、単語埋め込みの流れを示す図である。図８に示すように、制御部１０１は入力テキストをトークナイザによってトークン化（最小単位の単語列へ変換）する。図８において、「トークン化」が示す区切られた単語の一つ一つはトークンである。

【0082】

次に制御部１０１は、得られたトークンに対して位置埋め込みを行い、トークンの列をベクトル化する。図８において、「位置埋め込み」が示す数値は、それぞれ各トークンに固有に割り当てられる識別子であるＩＤである。

【0083】

次に制御部１０１は、ベクトル化された各トークンに対して単語埋め込みを行い、ベクトルをテンソルに変換する。図８において、「単語埋め込み」が示す数値の列は、それぞれトークンに固有に割り当てられたベクトルである。

【0084】

次に制御部１０１は、得られたテンソルの３階（単語埋め込みの結果の数値列）に対して平均プーリングを行って整形し、埋め込みベクトルを得る。図８において、「平均プーリング」が示す数値の列は、平均プーリングによる整形後の埋め込みベクトルである。ここでは、１２８個の特徴量に整形されている。

【0085】

図９は、推論結果である入院リスクの出力例を示す図である。図９に示すように、制御部１０１は、患者ごとに入院リスク（％）と、前月比（％）を入院リスク画面９０１に出力する。

【0086】

図１０は、入院リスクの増減の出力例を示す図である。図１０に示すように、制御部１０１は、患者ごとに入院リスク増減（％）を入院リスク（％）とともに入院リスク増減画面１００１に出力する。

【0087】

図１１は、入院リスク統計の出力例を示す図である。図１１に示すように、制御部１０１は、入院リスクの度合いの度数を集計し、円グラフ１１０１に出力する。

【0088】

図１２は、入院リスク統計の推移の出力例を示す図である。図１２に示すように、制御部１０１は、入院リスクの度合いの度数を集計し、その推移を柱状グラフ１２０１に出力する。

【0089】

図１３は、患者別入院リスク推移の出力例を示す図である。図１３に示すように、制御部１０１は、患者ごとに入院リスクの推移を折れ線グラフ１３０１に出力する。

【0090】

以上述べたように、本実施形態の入院可能性推定システム１は、精神科の訪問看護の記録である看護記録を取得する看護記録取得部（ステップ６０１）と、取得された看護記録に入院の有無を示す目的変数を追加する目的変数追加部（ステップ６０２）と、看護記録に含まれる患者の状況または看護内容を示すテキストデータをベクトル化して教師データを生成する教師データ生成部（ステップ６０５）と、教師データによってモデルを学習させて学習済みモデルを生成する学習部（ステップ６０９、ステップ６１０）と、看護記録取得部が別途取得した処理対象の看護記録に含まれる患者の状況または看護内容を示すテキストデータをベクトル化して推論用データを生成する推論用データ生成部（ステップ７０１、ステップ７０３）と、推論用データを学習済みモデルに適用して入院可能性を推定する入院可能性推定部（ステップ７０６）と、を備える。

【0091】

従って、本実施形態によれば、訪問看護によって得られた情報からその患者の入院可能性を推定する入院可能性推定システムを提供することができるという効果がある。

【符号の説明】

【0092】

１ 入院可能性推定システム
２ 公衆通信回線網
３ クラウド
４ クライアント端末
１０１ 制御部
１０２ 記憶部
１０２Ａ 利用者情報ファイル
１０２Ｂ 看護記録ファイル
１０２Ｃ トランザクションファイル
１０２Ｄ 教師データファイル
１０２Ｅ 推論用データファイル
１０２Ｆ 推論結果ファイル
１０２Ｇ トークナイザ
１０２Ｈ 埋め込み層
１０２Ｉ モデル
１０３ 入出力部
１０４ 通信部
９０１ 入院リスク画面
１００１ 入院リスク増減画面
１１０１ 円グラフ
１２０１ 柱状グラフ
１３０１ 折れ線グラフ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】