JP6975682B2 - 医学情報処理装置、医学情報処理方法、及び医学情報処理プログラム - Google Patents

医学情報処理装置、医学情報処理方法、及び医学情報処理プログラム Download PDF

Info

Publication number
JP6975682B2
JP6975682B2 JP2018102099A JP2018102099A JP6975682B2 JP 6975682 B2 JP6975682 B2 JP 6975682B2 JP 2018102099 A JP2018102099 A JP 2018102099A JP 2018102099 A JP2018102099 A JP 2018102099A JP 6975682 B2 JP6975682 B2 JP 6975682B2
Authority
JP
Japan
Prior art keywords
medical
drug
concept
information
information processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2018102099A
Other languages
English (en)
Other versions
JP2019207520A (ja
Inventor
邦彦 木戸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2018102099A priority Critical patent/JP6975682B2/ja
Priority to US17/054,795 priority patent/US11469000B2/en
Priority to CN201980024273.0A priority patent/CN111971754B/zh
Priority to PCT/JP2019/006416 priority patent/WO2019230073A1/ja
Publication of JP2019207520A publication Critical patent/JP2019207520A/ja
Application granted granted Critical
Publication of JP6975682B2 publication Critical patent/JP6975682B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Description

本発明は、医学情報処理装置、医学情報処理方法、及び医学情報処理プログラムに関する。
本技術分野の背景技術として、特開２００８−２１０４１４号公報（特許文献１）がある。この公報には、「本発明のコンピュータ装置は、小売薬局から取得した縦処方データの履歴データベースにリンクし、特定の処方に関連して秘匿すべき患者がデータベースで追跡可能であるか否かを決定し、患者が追跡可能である場合、特定の処方に対する投薬量及び処方生成物と、データベースの当該秘匿すべき患者に対する他の処方の投薬量及び処方生成物とを比較し、対応する数の分類変数に基づく複数の異なる数の処方分類の一つとして、特定の処方と他の処方との間の投薬量又は処方した投薬の変化に基づいて特定の処方を分類し、処方の総数を計数し、市場イベントの発生に応答して処方の総数に基づいて分類変数に関連する予測モデルを生成し、医師の処方実務の予測を表示して警告する。」と記載されている（要約参照）。
特開２００８−２１０４１４号公報
特許文献１に記載の技術は、過去の処方データを分析することにより、医師の処方実務を予測する。しかし、処方データ等の診療情報に含まれる情報だけでなく、ＱｏＬ（Ｑｕａｌｉｔｙ ｏｆ Ｌｉｆｅ）及びＡＤＬ（Ａｃｔｉｖｉｔｉｅｓ ｏｆ Ｄａｉｌｙ Ｌｉｖｉｎｇ）等の診療情報に現れない情報も、処方薬剤の決定に影響を与えるが、特許文献１に記載の技術は当該影響を評価していない。
そこで本発明の一態様は、ＱｏＬ指標やＡＤＬ指標等の診療情報からは得られない情報が処方薬剤の決定に与える影響を評価することを目的とする。
上記課題を解決するため、本発明の一態様は以下の構成を採用する。医学情報処理装置は、プロセッサとメモリとを備え、前記メモリは、医学概念の一覧を示す医学辞書と、薬剤の名称を示す薬剤情報と、診療履歴を含む診療情報と、前記診療情報に含まれない医学概念に関する記載を含む文献と、を保持し、前記プロセッサは、前記診療情報に含まれない医学概念と前記薬剤情報に含まれる薬剤との組み合わせそれぞれについて、前記文献から、当該医学概念に関する記載と当該薬剤に関する記載とを含む文献を特定し、前記組み合わせそれぞれについて、前記特定した文献それぞれに含まれる前記医学辞書が示す医学概念、からなる医学概念リストを生成し、前記診療情報に含まれない医学概念それぞれが、前記医学概念リストが示す文献の文脈において出現する確率、に基づいて、前記診療情報に含まれない医学概念のうち、前記薬剤情報に含まれる薬剤の処方に影響を与える第１医学概念を決定する。
本発明の一態様によれば、ＱｏＬ指標やＡＤＬ指標等の診療情報からは得られない情報が処方薬剤の決定に与える影響を評価することができる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
実施例１における処方予測装置の構成例を示すブロック図である。 実施例１におけるリアルワールドデータの一例である。 実施例１におけるリアルワールドデータによって特定された診療の一例を示す説明図である。 実施例１における関連文献の一例である。 実施例１における処方予測装置による処理全体の概略の一例を示す説明図である。 実施例１における表現型ベクトル生成処理の一例を示すフローチャートである。 実施例１における処方予測縮約マトリクス生成処理の一例を示すフローチャートである。 実施例１におけるエンカウンターベクトルの一例である。 実施例１における売上影響分析画面の一例である。 実施例１における製品戦略策定支援処理の一例を示すフローチャートである。 実施例１における製品戦略策定支援処理の一例を示す説明図である。
以下、本発明の実施形態を図面に基づいて詳細に説明する。本実施形態において、同一の構成には原則として同一の符号を付け、繰り返しの説明は省略する。なお、本実施形態は本発明を実現するための一例に過ぎず、本発明の技術的範囲を限定するものではないことに注意すべきである。
本実施例は医学情報処理装置の一例である処方予測装置について説明する。図１は、処方予測装置の構成例を示すブロック図である。処方予測装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１、メモリ１０２、補助記憶装置１０３、及び通信装置１０４を有する計算機によって構成される。
ＣＰＵ１０１は、プロセッサを含み、メモリ１０２に格納されたプログラムを実行する。メモリ１０２は、不揮発性の記憶素子であるＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）及び揮発性の記憶素子であるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）を含む。ＲＯＭは、不変のプログラム（例えば、ＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ／Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ））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の記憶素子であり、ＣＰＵ１０１が実行する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。
補助記憶装置１０３は、例えば、磁気記憶装置（ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ））、フラッシュメモリ（ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ））等の大容量かつ不揮発性の記憶装置であり、ＣＰＵ１０１が実行する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格納する。すなわち、プログラムは、補助記憶装置１０３から読み出されて、メモリ１０２にロードされて、ＣＰＵ１０１によって実行される。
処方予測装置１００は、入力インターフェース１０５及び出力インターフェース１０８を有してもよい。入力インターフェース１０５は、キーボード１０６やマウス１０７などが接続され、オペレータからの入力を受けるインターフェースである。出力インターフェース１０８は、ディスプレイ装置１０９やプリンタなどが接続され、プログラムの実行結果をオペレータが視認可能な形式で出力するインターフェースである。
通信装置１０４は、所定のプロトコルに従って、他の装置との通信を制御するネットワークインターフェース装置である。また、通信装置１０４は、例えば、ＵＳＢ等のシリアルインターフェースを含む。
ＣＰＵ１０１が実行するプログラムは、リムーバブルメディア（ＣＤ−ＲＯＭ、フラッシュメモリなど）又はネットワークを介して処方予測装置１００に提供され、非一時的記憶媒体である不揮発性の補助記憶装置１０３に格納される。このため、処方予測装置１００は、リムーバブルメディアからデータを読み込むインターフェースを有するとよい。
処方予測装置１００は、物理的に一つの計算機上で、又は、論理的又は物理的に構成された複数の計算機上で構成される計算機システムであり、同一の計算機上で別個のスレッドで動作してもよく、複数の物理的計算機資源上に構築された仮想計算機上で動作してもよい。
ＣＰＵ１０１は、表現型ベクトル生成部１１１、処方予測縮約マトリクス生成部１１２、売上影響分析部１１３、及び製品戦略策定支援部１１４を含む。例えば、ＣＰＵ１０１は、メモリ１０２にロードされた表現型ベクトル生成プログラムに従って動作することで、表現型ベクトル生成部１１１として機能し、メモリ１０２にロードされた処方予測縮約マトリクス生成プログラムに従って動作することで、処方予測縮約マトリクス生成部１１２として機能する。ＣＰＵ１０１に含まれる他の機能部についても、プログラムと機能部の関係は同様である。
なお、ＣＰＵ１０１に含まれる機能部による機能の一部又は全部が、例えば、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）やＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等のハードウェアによって実現されてもよい。
表現型ベクトル生成部１１１は、表現型ベクトルを生成する。処方予測縮約マトリクス生成部１１２は、処方予測縮約マトリクスを生成する。売上影響分析部１１３は、薬剤の特徴を示す各指標が、当該薬剤の処方に寄与する度合いを分析する。製品戦略策定支援部１１４は、後述する表現型ベクトル集合１２３が示す薬剤に含まれないターゲット薬剤（例えば、新規に開発された薬剤）に類似する薬剤及び当該類似する薬剤についての情報を検索する。
補助記憶装置１０３は、薬剤リスト１２１、処方予測モデル１２２、表現型ベクトル集合１２３、及び薬剤売上データ１２４を保持する。薬剤リスト１２１は、薬剤名の一覧を含む薬剤情報の一例である。なお、補助記憶装置１０３に格納されている一部又は全部のデータは、処方予測装置１００に接続されているデータベースに格納されていてもよい。
処方予測モデル１２２は、後述するエンカウンターベクトルが入力されると、予測薬剤を示すベクトルを出力するモデルである。処方予測モデル１２２は、例えば、ニューラルネットワークによって定義される。なお、後述する処方予測縮約マトリクスは、処方予測モデル１２２のパラメータの一例である。処方予測モデル１２２を用いた予測薬剤の算出において、エンカウンターベクトルと後述する処方予測マトリクスとの積が算出される。
表現型ベクトル集合１２３は、後述する表現型ベクトルを含む。薬剤売上データ１２４は、例えば、各薬剤の売り上げの時系列情報を含む。
処方予測装置１００は、リアルワールドデータ２１０、関連文献２２０、及び医学辞書２３０を保持するデータベースに接続されている。なお、リアルワールドデータ２１０、関連文献２２０、及び医学辞書２３０は補助記憶装置１０３に格納されていてもよい。
リアルワールドデータ２１０は、レセプトデータ、カルテデータ、検診データ等を含む、実診療行為の情報を保持する診療情報の一例である。診療とは、診察、治療、処方、検診、及び検査等の医師が患者に対して行う行為を含む。本実施例において、リアルワールドデータ２１０は、ＱｏＬ及びＡＤＬを示す情報を保持していないものとする。関連文献２２０に含まれる少なくとも１つの文献は、リアルワールドデータ２１０に含まれないＱｏＬ及びＡＤＬを示す情報を含む。
医学辞書２３０は、医学概念と、医学概念間の関係を表すネットワークと、医学概念が数値関連の概念であるか否かを示す情報と、を保持する。例えば、病名、薬剤名、検査名、検査結果、ＱｏＬを示す指標名、ＡＤＬを示す指標名、医療に関連する事象名（例えば有害事象）、及び医学用語等は、いずれも医学概念の一例である。数値関連の概念とは、当該概念における具体的な事象を数値で示すことができる概念である。
なお、本実施形態において、処方予測装置１００が使用する情報は、データ構造に依存せずどのようなデータ構造で表現されていてもよい。例えば、テーブル、リスト、データベース又はキューから適切に選択したデータ構造体が、情報を格納することができる。
図２Ａは、リアルワールドデータ２１０の一例である。リアルワールドデータ２１０は、例えば、患者ＩＤ欄２１１、エンカウンターＩＤ欄２１２、病名欄２１３、処方欄２１４、検査結果欄２１５、処置欄２１６、入来／外来欄２１７、及び日付欄２１８を含む。
患者ＩＤ欄２１１は、患者を識別するＩＤを格納する。エンカウンターＩＤ欄２１２は、診療を識別するＩＤを格納する。病名欄２１３は、診療の対象である病名を格納する。処方欄２１４は、診療において処方された薬剤の名称を格納する。検査結果欄２１５は、診療において行われた検査結果を格納する。処置欄２１６は、診療において行われた処置の名称を格納する。
入来／外来欄２１７は、診療が入来によるものであったか外来によるものであったかを示す情報を格納する。日付欄２１８は、診療が実施された日付を格納する。なお、図２Ａの例のように、処置欄２１６にｎｕｌｌ値が格納されている場合、例えば、診療において処置が行われなかった又は処置が行われたか否かが不明であることを示す。他の欄にｎｕｌｌ値が格納されている場合についても同様である。
図２Ｂは、図２Ａのリアルワールドデータ２１０によって特定された診療の一例を示す説明図である。図２Ｂは、患者Ａに実行された診療を示す。患者Ａは、２０１８年１月１０日にエンカウンターＩＤが１００である診療を受けた。当該診療の対象である病名は糖尿病であり、薬剤Ａが処方され、検査結果は「ＨｂＡ１ｃが１０％」であり、外来によって当該診療を受けた。
また、患者Ａは、２０１８年２月１０日にエンカウンターＩＤが２００である診療を受けた。当該診療の対象である病名は糖尿病であり、薬剤Ａが処方され、検査結果は「ＨｂＡ１ｃが９％」であり、外来によって当該診療を受けた。
なお、リアルワールドデータ２１０のレコードに含まれる値のうち、診療内容に関する値をエンカウンター情報２１９とも呼ぶ。図２Ｂの例では、エンカウンター情報２１９は、リアルワールドデータ２１０のレコードに含まれる値のうち、患者ＩＤ、エンカウンターＩＤ、日付、及びｎｕｌｌ値を除く値からなる情報である。図２Ｂの例では、エンカウンターＩＤ＝１００についての、エンカウンター情報２１９は、「糖尿病」、「薬剤Ａ」、「ＨｂＡ１ｃ：１０％」、「外来」からなる。
図３は、関連文献２２０の一例である。関連文献２２０は、１以上の文献を含み、各文献には、文献を識別する文献ＩＤが与えられている。なお、文献ＩＤが２０００である文献及び文献ＩＤが３０００である文献に記載されているＩＣＥＲ（Ｉｎｃｒｅｍｅｎｔａｌ Ｃｏｓｔ Ｅｆｆｅｃｔｉｖｅｎｅｓｓ Ｒａｔｉｏ）とは、ＱｏＬに関わる指標の一例である。
なお、図３の各文献における下線部は、医学辞書２３０に含まれる医学概念又は薬剤リスト１２１に含まれる薬剤名（前述したように薬剤名も医学概念の一例である）である。図３のように、各文献は、文献内における医学概念を判別可能な形式で保持してもよいし、後述する処理において文献を参照する機能部が、医学辞書２３０を参照して文献内の医学概念を特定してもよい。
図４は、処方予測装置１００による処理全体の概略の一例を示す説明図である。表現型ベクトル生成部１１１は、リアルワールドデータ２１０及び関連文献２２０に基づいて、表現型ベクトルを生成する。表現型ベクトルは、例えば、関連文献２２０において対象薬剤と共起して出現する医学概念、又はリアルワールドデータ２１０に出現する医学概念から得られる。表現型ベクトルは、処方予測モデル１２２における処方薬剤の決定に影響を与える。また、表現型ベクトルが、特に関連文献２２０において対象薬剤と共起して出現する医学概念から得られた場合、当該医学概念は、処方予測モデル１２２における当該対象薬剤の処方に影響を与える（寄与する）。
処方予測縮約マトリクス生成部１１２は、各薬剤について、当該薬剤を中心としたネットワーク上の表現型ベクトルに重みを掛けた線形和を算出する。当該重みは、対応する表現型ベクトルが示す医学概念が、当該表現型ベクトルが示す薬剤の処方に与える影響度（寄与度）を示す。処方予測縮約マトリクス生成部１１２は、算出した線形和それぞれと、他の表現型ベクトルと、を並べて処方予測縮約マトリクスＧを生成する。
また、処方予測縮約マトリクス生成部１１２は、エンカウンター情報２１９からエンカウンターベクトルを生成する。処方予測縮約マトリクス生成部１１２は、処方予測モデル１２２にエンカウンターベクトルを入力して得られた予測薬剤と、エンカウンター情報における処方薬剤と、を比較して、処方予測モデル１２２におけるパラメータを更新する。
売上影響分析部１１３は、ある薬剤について、当該薬剤を中心としたネットワーク上の表現型ベクトルに対応する重みから、当該薬剤の処方に影響を与えた要因を評価する。製品戦略策定支援部１１４は、表現型ベクトル集合１２３に含まれないターゲット薬剤（例えば、新規開発された薬剤）に類似する薬剤を、表現型ベクトル集合１２３に含まれる薬剤を中心としたネットワーク上の表現型ベクトルと当該表現型ベクトルに対応する重みから、推測する。
図５は、表現型ベクトル生成処理の一例を示すフローチャートである。表現型ベクトル生成部１１１は、薬剤リスト１２１から１以上の対象薬剤ｄを選択する（Ｓ５０１）。選択される対象薬剤は、例えば、薬剤リスト１２１に含まれる全ての薬剤であってもよいし、入力インターフェース１０５を介してユーザから、又は通信装置１０４を介して他の装置から指定された薬剤であってもよい。
表現型ベクトル生成部１１１は、医学辞書２３０に含まれる選択対象の医学概念から、未選択の１つの医学概念ｗを選択する（Ｓ５０２）。なお、当該選択対象の医学概念は、例えば、医学辞書２３０に含まれる全ての医学概念であってもよいし、入力インターフェース１０５を介してユーザから、又は通信装置１０４を介して他の装置から指定された医学概念であってもよい。また、選択対象の医学概念は、リアルワールドデータ２１０に含まれる医学概念を含まなくてもよい。
表現型ベクトル生成部１１１は、医学概念ｗがリアルワールドデータ２１０に含まれるか否かを判定する（Ｓ５０３）。表現型ベクトル生成部１１１は、医学概念ｗがリアルワールドデータ２１０に含まれると判定した場合（Ｓ５０３：Ｙｅｓ）、リアルワールドデータ２１０を参照して、１以上の文脈リストＣｗを生成する（Ｓ５０４）。
表現型ベクトル生成部１１１は、ステップＳ５０４において、例えば、リアルワールドデータ２１０から医学概念ｗを含む各レコードのエンカウンター情報を取得する。表現型ベクトル生成部１１１は、各エンカウンター情報に対して、当該エンカウンター情報に含まれる値のうち医学概念ｗ以外の値それぞれを要素として有するリストを生成し、当該生成したリストを文脈リストＣｗに決定する。つまり、文脈リストＣｗは、医学概念ｗに共起する単語群を示す。
例えば、医学概念ｗが「糖尿病」である場合、ステップＳ５０４において、図２Ａのリアルワールドデータ２１０から、Ｃ糖尿病１＝｛薬剤Ａ，ＨｂＡ１ｃ：１０％，外来｝と、Ｃ糖尿病２＝｛薬剤Ａ，検査結果ＨｂＡ１ｃ：９％，外来｝と、がそれぞれ文脈リストとして生成される。
続いて、表現型ベクトル生成部１１１は、選択対象の全ての医学概念を選択済みであるか否かを判定する（Ｓ５０５）。表現型ベクトル生成部１１１は、選択対象の医学概念のうち未選択の医学概念があると判定した場合（Ｓ５０５：Ｙｅｓ）、ステップＳ５０２に戻る。表現型ベクトル生成部１１１が、選択対象の全ての医学概念を選択済みであると判定した場合（Ｓ５０５：Ｙｅｓ）の処理については後述する。
表現型ベクトル生成部１１１は、医学概念ｗがリアルワールドデータ２１０に含まれないと判定した場合（Ｓ５０３：Ｎｏ）、医学辞書２３０を参照して、医学概念ｗが数値関連の概念であるか否かを判定する（Ｓ５０６）。表現型ベクトル生成部１１１は、医学概念ｗが数値関連の概念でないと判定した場合（Ｓ５０６：Ｎｏ）、関連文献２２０を参照して、対象薬剤ｄそれぞれについて、文脈リストＣｄ＿ｗを生成し（Ｓ５０７）、ステップＳ５０５に遷移する。
表現型ベクトル生成部１１１は、ステップＳ５０７において、例えば、関連文献２２０から、医学概念ｗと少なくとも１つの対象薬剤と、を含む文献を特定する。表現型ベクトル生成部１１１は、各対象薬剤ｄと特定した各文献との組み合わせそれぞれについて、当該文献に含まれる医学概念ｗと当該対象薬剤ｄ以外の医学概念それぞれを要素として有するリストを生成し、当該生成したリストを文脈リストＣｄ＿ｗに決定する。つまり、文脈リストＣｄ＿ｗは、薬剤ｄ及び医学概念ｗに共起する単語群を示す。
例えば、医学概念ｗが「有害事象」であり、対象薬剤ｄが「薬剤Ａ」である場合、ステップＳ５０７において、図３の例における文献ＩＤが１０００の文献から、Ｃ薬剤Ａ＿有害事象＝｛アシドーシス，糖尿病，ＨｂＡ１ｃ，体重減少｝が文脈リストとして生成される。
なお、ステップＳ５０７において、表現型ベクトル生成部１１１は特定した文献から文脈リストＣｄ＿ｗを生成する際に、例えば、当該文献全体から文脈リストＣｄ＿ｗに含める医学概念を取得してもよいし、当該文献に含まれる文のうち、医学概念ｗを含む文と当該対象薬剤ｄを含む文とを含む所定範囲の文から、文脈リストＣｄ＿ｗに含める医学概念を取得してもよい。また、表現型ベクトル生成部１１１は、例えば、特定した文献において、医学概念ｗと対象薬剤ｄとの距離の値が大きい場合（例えば、医学概念ｗと対象薬剤ｄとの間に、所定数以上の単語又は文字が含まれる場合）、当該文献をＣｄ＿ｗの生成対象から除外してもよい。
表現型ベクトル生成部１１１は、医学概念ｗが数値関連の概念であると判定した場合（Ｓ５０６：Ｙｅｓ）、関連文献２２０を参照して、対象薬剤ｄそれぞれについて、文脈リストＣｄ＿ｗを生成する（Ｓ５０８）。
表現型ベクトル生成部１１１は、ステップＳ５０８において、例えば、関連文献２２０から、医学概念ｗの数値と少なくとも１つの対象薬剤ｄと、を含む文献を特定する。表現型ベクトル生成部１１１は、各対象薬剤ｄと特定した各文献との組み合わせそれぞれについて、当該文献に含まれる当該対象薬剤ｄ以外の医学概念それぞれと、医学概念ｗの数値と、を要素として有するリストを生成し、当該生成したリストを文脈リストＣｄ＿ｗに決定する。つまり、文脈リストＣｄ＿ｗは、薬剤ｄ及び医学概念ｗに共起する単語群を示す。
例えば、医学概念ｗが「ＩＣＥＲ」であり、対象薬剤が「薬剤Ａ」である場合、ステップＳ５０８において、図３の例における文献ＩＤが２０００の文献から、Ｃ薬剤Ａ＿ＩＣＥＲ＝｛糖尿病，ＩＣＥＲ＝５００万円，ＥＱ−５Ｄ｝が文脈リストとして生成される。同様に、医学概念ｗが「ＩＣＥＲ」であり、対象薬剤が「薬剤Ｂ」である場合、ステップＳ５０８において、図３の例における文献ＩＤが２０００の文献から、Ｃ薬剤Ｂ＿ＩＣＥＲ＝｛糖尿病，ＩＣＥＲ＝６００万円，ＥＱ−５Ｄ｝が文脈リストとして生成される。
表現型ベクトル生成部１１１は、ステップＳ５０８で生成した文脈リストＣｄ＿ｗそれぞれの医学概念ｗの数値を示す情報を取得する（Ｓ５０９）。ステップＳ５０９において、表現型ベクトル生成部１１１は、例えば、Ｃ薬剤Ａ＿ＩＣＥＲ＝｛糖尿病，ＩＣＥＲ＝５００万円，ＥＱ−５Ｄ｝から「５００万」を取得し、Ｃ薬剤Ｂ＿ＩＣＥＲ＝｛糖尿病，ＩＣＥＲ＝６００万円，ＥＱ−５Ｄ｝から「６００万」を取得する。
表現型ベクトル生成部１１１は、ステップＳ５０９で取得した数値に対して閾値処理を行い、医学概念のｗの数値を示す情報を、閾値処理によって得られたレベルに置き換え（Ｓ５１０）、ステップＳ５０５に遷移する。例えば、数値関連の医学概念それぞれに対して、閾値処理における２つの閾値が予め定められている。
表現型ベクトル生成部１１１は、ステップＳ５１０において、例えば、取得した数値が２つの閾値のうち小さい閾値未満である場合、当該数値のレベルをｗ＿Ｌであると判定し、取得した数値が当該小さい閾値以上かつ２つの閾値のうち大きい閾値未満である場合、当該数値のレベルをｗ＿Ｍであると判定し、取得した数値が当該大きい閾値以上である場合、当該数値のレベルをｗ＿Ｈであると判定する。
例えば、数値関連の医学概念であるＩＣＥＲに対して、２つの閾値３００万と５５０万とが定められているとする。この場合、表現型ベクトル生成部１１１は、ステップＳ５１０において、Ｃ薬剤Ａ＿ＩＣＥＲ＝｛糖尿病，ＩＣＥＲ＝５００万円，ＥＱ−５Ｄ｝をＣ薬剤Ａ＿ＩＣＥＲ＝｛糖尿病，ＩＣＥＲ＿Ｍ，ＥＱ−５Ｄ｝に変換し、Ｃ薬剤Ｂ＿ＩＣＥＲ＝｛糖尿病，ＩＣＥＲ＿Ｈ，ＥＱ−５Ｄ｝に変換する。
なお、当該閾値処理における閾値の個数は、１つ又は３つ以上であってもよいし、数値関連の概念ごとに異なっていてもよい。
表現型ベクトル生成部１１１は、ステップＳ５０５において、選択対象の全ての医学概念を選択済みであると判定した場合（Ｓ５０５：Ｙｅｓ）、下記の式１に示されるＪを最小化するｃとｗを表現型ベクトルに決定して、表現型ベクトル集合１２３に格納し（Ｓ５１１）、表現型ベクトル生成処理を終了する。
Figure 0006975682
式１における、θは医学辞書２３０に含まれる単語（医学概念）からなる集合、ＣｗはステップＳ５０４、ステップＳ５０７、及びステップＳ５０８において生成された文脈リストのうち、単語ｗを含む文脈リストからなる集合である。また、Ｐ（ｃ｜ｗ）は、文脈リストｃが示す（文献又はエンカウンター情報における）文脈において、医学概念ｗが出現する確率を示し、下記の式２によって定義される。これは、単語ｗ及び文脈リストｃに関し、ｗｏｒｄ２ｖｅｃ等の手法によって、単語ベクトル及び文脈ベクトルを求めるとき使われる式である。
Figure 0006975682
式２における、ＶはステップＳ５０４、ステップＳ５０７、及びステップＳ５０８において生成された全ての文脈リストからなる集合、ｅｗはｗの単語ベクトル、ｅｃはｃの文脈ベクトル、ｅｃ’はｃ’の文脈ベクトルである。
なお、ｅｗで表現される表現型ベクトルは、医学概念ｗが、処方予測モデル１２２における処方薬剤の決定に影響を与えることを示す。
図６は、処方予測縮約マトリクス生成処理の一例を示すフローチャートである。処方予測縮約マトリクス生成部１１２は、薬剤リスト１２１から１以上の対象薬剤ｄを選択する（Ｓ６０１）。選択される対象薬剤は、例えば、薬剤リスト１２１に含まれる全ての薬剤であってもよいし、入力インターフェース１０５を介してユーザから、又は通信装置１０４を介して他の装置から指定された薬剤であってもよい。
処方予測縮約マトリクス生成部１１２は、医学辞書２３０に含まれる選択対象の医学概念から、未選択の１つの医学概念ｗを選択する（Ｓ６０２）。なお、当該選択対象の医学概念は、例えば、医学辞書２３０に含まれる全ての薬剤であってもよいし、入力インターフェース１０５を介してユーザから、又は通信装置１０４を介して他の装置から指定された医学概念であってもよい。
処方予測縮約マトリクス生成部１１２は、選択した医学概念ｗが、薬剤に関する概念であるか否かを判定する（Ｓ６０３）。処方予測縮約マトリクス生成部１１２は、例えば、医学概念ｗが薬剤リスト１２１に含まれる場合に医学概念ｗが薬剤に関する概念であると判定する。また、医学辞書２３０において、各医学概念が薬剤に関する概念であるか否かが定義されていてもよく、この場合、処方予測縮約マトリクス生成部１１２は、医学辞書２３０を参照して、選択した医学概念ｗが薬剤に関する概念であるか否かを判定する。
処方予測縮約マトリクス生成部１１２は、選択した医学概念ｗが、薬剤に関する概念でないと判定した場合（Ｓ６０３：Ｎｏ）、医学概念ｗの表現型ベクトルを表現型ベクトル集合１２３から収集する（Ｓ６０４）する。ステップＳ６０４における収集対象の表現型ベクトルは、例えば、選択中の医学概念ｗに対して、ｅｗで表される表現型ベクトルである。
処方予測縮約マトリクス生成部１１２は、選択した医学概念ｗが、薬剤に関する概念であると判定した場合（Ｓ６０３：Ｙｅｓ）、対象薬剤ｄそれぞれについて、当該対象薬剤ｄを中心とした、医学辞書２３０で管理されているネットワーク上の医学概念ｗに関する表現型ベクトルを、表現型ベクトル集合１２３から収集する（Ｓ６０５）。
なお、例えば、対象薬剤ｄが表現型ベクトル集合１２３に含まれる場合、ｅｄで表される表現型ベクトルは、対象薬剤ｄを中心とするネットワークに含まれるものとする。なお、ユーザ等の指示に従って、対象薬剤ｄを中心とするネットワークから、前述した表現型ベクトルの一部を除外してもよい。ステップＳ６０５における収集対象の表現型ベクトルは、例えば、選択中の医学概念ｗに対して、ｅｗで表される表現型ベクトルである。
処方予測縮約マトリクス生成部１１２は、対象薬剤ｄそれぞれに対して、収集した表現型ベクトルそれぞれに所定の重み（０ではない初期値）を掛け、線形和を算出する（Ｓ６０６）。前述した図４の例では、対象薬剤である薬剤Ａについて、ｅ薬剤Ａ（図４においてｅ１として表されている）、ｅ薬剤Ａ＿ＩＣＥＲ（図４においてｅ２として表されている）、ｅ薬剤Ａ＿有害事象（図４においてｅ３として表されている）が、表現型ベクトルとして収集され、重みα１、α２、α３をそれぞれ掛けた線形和、α１ｅ薬剤Ａ＋α２ｅ薬剤Ａ＿ＩＣＥＲ＋α３ｅ薬剤Ａ＿有害事象-が、処方予測縮約マトリクスＧの列ベクトルｇｉとして算出されている。
ステップＳ６０４又はステップＳ６０６の処理に続いて、処方予測縮約マトリクス生成部１１２は、選択対象の医学概念を全て選択したか否かを判定する（Ｓ６０７）。処方予測縮約マトリクス生成部１１２は、未選択の医学概念ｗがあると判定した場合（Ｓ６０７：Ｎｏ）、ステップＳ６０２に戻る。
処方予測縮約マトリクス生成部１１２は、選択対象の医学概念を全て選択したと判定した場合（Ｓ６０７：Ｙｅｓ）、初期の処方予測縮約マトリクスを生成する（Ｓ６０８）。具体的には、前述した図４の例のように、ステップＳ６０４で収集した表現型ベクトルと、ステップＳ６０６で算出した線形和と、を、例えば所定の順序又は任意の順序で、列ベクトルとして又は行ベクトルとして、並べて処方予測縮約マトリクスを生成する。処方予測縮約マトリクス生成部１１２は、少なくとも１つの対象薬剤ｄの処方を含む患者をリアルワールドデータ２１０から抽出する（Ｓ６０９）。次に当該患者について、１つのエンカウンター情報２１９から、エンカウンターベクトルｘｔを抽出し、抽出済みのエンカウンターベクトルｘ１、・・・ｘｔ−１に加える（Ｓ６１０）。
図７は、エンカウンターベクトルの一例である。エンカウンターベクトルの各要素は、エンカウンター情報２１９が当該要素に対応する値を含むか否か（例えば、含む場合は１、含まない場合は０）を示す。図７は、図２ＢにおけるエンカウンターＩＤ＝１００のエンカウンター情報２１９から生成されるエンカウンターベクトルである。
図６の説明に戻る。処方予測縮約マトリクス生成部１１２は、処方予測モデル１２２を用いた予測において、処方予測縮約マトリクスと、ステップＳ６１０で抽出したエンカウンターベクトルｘ１、・・・ｘｔのそれぞれと、の積を算出する（Ｓ６１１）。
処方予測縮約マトリクス生成部１１２は、ステップＳ６１１で算出した積を処方予測モデル１２２に適用して予測薬剤を示す予測薬剤ベクトルｙt’を取得し、例えば、確率的勾配降下法によって、下記の式３におけるＬを最小化するよう処方予測モデル１２２のパラメータを更新する（Ｓ６１２）。なお、処方予測縮約マトリクスは、当該パラメータに含まれるため、ステップＳ６１２で更新され得る。
Figure 0006975682
なお、式３における、ｙｔは、ステップＳ６１０で抽出したエンカウンターベクトルに出現する処方薬剤である。式３に用いられる他の変数及びパラメータは、以下の式４〜式９により定義される。
Figure 0006975682
Figure 0006975682
Figure 0006975682
Figure 0006975682
Figure 0006975682
Figure 0006975682
なお、式４におけるＡ（ｉ）は薬剤を含む医学概念ｉに関連する医学概念からなる集合を示す。また、式８におけるＲＮＮは、再起型ニューラルネットワークを示す。また、式９におけるｓｏｆｔｍａｘは、ソフトマックス関数を示す。Ｇは、処方予測縮約マトリクスである。また、ｕｔ、Ｗｔ、ｂａ、Ｗ、ｂは、更新されるパラメータである。
なお、ステップＳ６１２において確率的勾配降下法によって、患者ごとLを最小化したが、対象薬剤ｄの処方を含む全患者のＬの平均値を最小化することで、処方予測モデル１２２におけるパラメータを最適化しても良い。また、確率的勾配降下法でなく、処方予測薬剤ベクトルｙt’を処方薬剤ベクトルｙｔに近づけるための任意の最適化手法によって最適化されてもよい。
続いて、処方予測縮約マトリクス生成部１１２は、ステップＳ６１２において更新したパラメータに基づいて重みを更新し、更新した重みを用いてステップＳ６０６における線形和を再度算出し、処方予測縮約マトリクスを更新する（Ｓ６１３）。当該重みは、対応する表現型ベクトルが示す医学概念が、当該表現型ベクトルが示す薬剤の処方に与える影響度（寄与度）を示す
処方予測縮約マトリクス生成部１１２は、対象患者の全てのエンカウンター情報からエンカウンターベクトルを抽出したか否かを判定する（Ｓ６１４）。処方予測縮約マトリクス生成部１１２は、エンカウンターベクトルを未抽出の当該エンカウンター情報があると判定した場合（Ｓ６１４：Ｎｏ）、ステップＳ６１０に戻る。処方予測縮約マトリクス生成部１１２は、全ての当該エンカウンター情報から、エンカウンターベクトルを抽出したと判定した場合（Ｓ６１４：Ｙｅｓ）、ステップＳ６０９に戻る。
また、処方予測縮約マトリクス生成部１１２は、少なくとも１つの対象薬剤dの処方を含む全ての患者を抽出したか否かを判定する（Ｓ６１５）、処方予測縮約マトリクス生成部１１２は、未抽出の当該患者があると判定した場合（Ｓ６１５：Ｎｏ）、ステップＳ６０９に戻る。処方予測縮約マトリクス生成部１１２は、全ての当該患者を抽出したと判定した場合（Ｓ６１５：Ｙｅｓ）、処方予測縮約マトリクス生成処理を終了する。
なお、少なくとも１つの対象薬剤ｄの処方を含む全ての患者を抽出する例を前述したが、少なくとも１つの対象薬剤ｄの処方を含む患者のうち、所定の患者ＩＤの患者に抽出対象を制限しても良い。また、当該患者に関するエンカウンター情報から全てのエンカウンターベクトルが抽出される例を前述したが、当該エンカウンター情報のうち、所定範囲の日付のレコードに関するエンカウンター情報のように、エンカウンターベクトルの抽出対象が制限されてもよい。
本実施例のように処方予測縮約マトリクスが生成されることにより、処方予測縮約マトリクスを含む処方予測モデル１２２は、リアルワールドデータ２１０だけでなく、ＱｏＬ指標やＡＤＬ指標等のリアルワールドデータ２１０からは得られない情報を考慮して、処方薬剤を高精度に予測することができる。
さらに、表現型ベクトルは処方薬剤の決定に影響を与える指標を示し、表現型ベクトルに掛けられる重みは、当該表現型ベクトルが示す医学概念が、当該表現型ベクトルが示す薬剤の処方に与える影響度（寄与度）を示す。従って、本実施例の処方予測装置１００は、ＱｏＬ指標やＡＤＬ指標等のリアルワールドデータ２１０からは得られない情報が処方薬剤の決定に与える影響を評価することができる。
売上影響分析処理について説明する。図８は、売上影響分析画面の一例である。まず、売上影響分析部１１３による売上影響分析処理について説明する。売上影響分析処理は、処方予測縮約マトリクス生成処理の終了後に実施される。売上影響分析部１１３は、例えば、入力インターフェース１０５を介してユーザから、又は他の装置から、薬剤の指定を受け付ける。売上影響分析部１１３は、表現型ベクトル集合１２３から、指定された薬剤を中心としたネットワーク上の表現型ベクトルと、当該表現型ベクトルに掛けられた重みと、を取得し、売上影響分析画面８００に出力する。
図８の例では、売上影響分析画面８００において、各表現型ベクトルにおける重みがグラフとして表示されている。これにより、リアルワールドデータ２１０から得られない指標が、当該薬剤の処方にどの程度寄与しているかを、ユーザが把握することができる。
製品戦略策定支援処理について説明する。図９は、製品戦略策定支援処理の一例を示すフローチャートである。製品戦略策定支援処理は、処方予測縮約マトリクス生成処理の終了後に実施される。製品戦略策定支援処理において、ある表現型ベクトル集合１２３に含まれないターゲット薬剤（例えば、新規に開発された薬剤）に類似する薬剤が検索される。
製品戦略策定支援部１１４は、例えば、入力インターフェース１０５を介してユーザから、又は他の装置から、初期薬剤の入力を受け付け、表現型ベクトル集合１２３から、初期薬剤を中心としたネットワーク上の表現型ベクトルと、当該表現型ベクトルに掛けられた重みと、を取得する（Ｓ９０１）。なお、例えば、ターゲット薬剤に属性が近い薬剤が、初期薬剤として選択されることが望ましい。
製品戦略策定支援部１１４は、ステップＳ９０１で取得した重みを調節する（Ｓ９０２）。具体的には、例えば、製品戦略策定支援部１１４は、各重みをユーザから指定された値に変更する。また、例えば、表現型ベクトルにそれぞれに対して、重みの１以上の閾値が定められていてもよく、製品戦略策定支援部１１４は、各重みに対して閾値処理（例えば、閾値を超える重み、又は閾値未満である重みを閾値と同じに変更する）を行ってもよい。
また、製品戦略策定支援部１１４は、ステップＳ９０２において、ステップＳ９０１取得しなかった他の表現型ベクトルと、当該他の表現型ベクトルに対応する重みと、を追加してもよい。当該他の表現型ベクトルと、当該他の表現型ベクトルに対応する重みと、は例えば、ユーザによって指定される。ステップＳ９０１及びステップＳ９０２の処理により、ターゲット薬剤の製品プロファイルが決定される。
製品戦略策定支援部１１４は、調節後の重みに基づいて、類似薬剤を決定する（Ｓ９０３）。例えば、製品戦略策定支援部１１４は、重みを調節した表現型ベクトルの線形和を算出し、算出した線形和と、各薬剤のネットワーク上の表現型ベクトルの線形和と、のベクトル間距離を算出し、算出したベクトル間距離が近い薬剤（例えば、距離が近い順に所定数の薬剤、又は距離が所定値以下の薬剤等）を類似薬剤に決定する。
また、例えば、製品戦略策定支援部１１４は、各薬剤について、調節後の重みそれぞれを要素とするベクトルと、当該薬剤のネットワーク上の表現型ベクトルに掛けられている重みそれぞれを要素とするベクトル間距離を算出し、算出したベクトル間距離が近い薬剤を類似薬剤に決定してもよい。
製品戦略策定支援部１１４は、薬剤売上データ１２４を参照して、類似薬剤の売り上げ、及び類似薬剤のシェア等を出力インターフェース１０８又は他の装置に出力する（Ｓ９０４）。なお、ステップＳ９０４において、売り上げ及びシェア以外の類似薬剤に関する情報が表示されていてもよい。
図１０は、製品戦略策定支援処理の一例を示す説明図である。図１０の例では、ターゲット薬剤Ｘに対して、初期薬剤として薬剤Ｂが入力されている。なお、図１０のように、ベクトル空間上での比較薬剤選定として、ターゲット薬剤と各薬剤に対する線形和のベクトル空間上での位置を示す情報が表示されてもよい。
図１０の例では、製品属性変更で、初期薬剤である薬剤Ｂに対する重みα１、α２、α３-が調節されて、ターゲット薬剤は薬剤Ｃに近いことが判明し、薬剤Ｃが類似薬剤として選定されている。さらに、類似薬剤である薬剤Ｃの年度ごとの売り上げ推移、及びある年度における薬剤Ｃの製品シェアが表示されている。
前述した製品戦略策定支援処理により、表現型ベクトルが生成されていない薬剤に、ＱｏＬ及びＡＤＬ等のリアルワールドデータ２１０から得られない属性が類似する薬剤、を決定することができる。
なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることも可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。
１００ 処方予測装置、１０１ ＣＰＵ、１０２ メモリ、１０３ 補助記憶装置、１１１ 表現型ベクトル生成部、１１２ 処方予測縮約マトリクス生成部、１１３ 売上影響分析部、１１４ 製品戦略策定支援部、１２１ 薬剤リスト、１２２ 処方予測モデル、１２３ 表現型ベクトル集合、１２４ 薬剤売上データ、２１０ リアルワールドデータ、２２０ 関連文献、２３０ 医学辞書

Claims (10)

  1. 医学情報処理装置であって、
    プロセッサとメモリとを備え、
    前記メモリは、
    医学概念の一覧を示す医学辞書と、
    薬剤の名称を示す薬剤情報と、
    診療履歴を含む診療情報と、
    前記診療情報に含まれない医学概念に関する記載を含む文献と、を保持し、
    前記プロセッサは、
    前記診療情報に含まれない医学概念と前記薬剤情報に含まれる薬剤との組み合わせそれぞれについて、前記文献から、当該医学概念に関する記載と当該薬剤に関する記載とを含む文献を特定し、
    前記組み合わせそれぞれについて、前記特定した文献それぞれに含まれる前記医学辞書が示す医学概念、からなる医学概念リストを生成し、
    前記診療情報に含まれない医学概念それぞれが、前記医学概念リストが示す文献の文脈において出現する確率、に基づいて、前記診療情報に含まれない医学概念のうち、前記薬剤情報に含まれる薬剤の処方に影響を与える第１医学概念を決定する、医学情報処理装置。
  2. 請求項１に記載の医学情報処理装置であって、
    前記メモリは、診療履歴が入力されると、処方される予測薬剤を示す値を出力する予測モデルを保持し、
    前記診療情報に含まれる診療履歴は、薬剤の処方履歴を含み、
    前記プロセッサは、
    前記第１医学概念それぞれについて、前記薬剤情報に含まれる各薬剤の処方に対する影響度を決定し、
    前記影響度を示すパラメータを前記予測モデルに適用し、
    前記パラメータを適用した予測モデルに、前記診療情報に含まれる診療履歴それぞれを入力して、予測薬剤を示す情報を取得し、
    前記取得した予測薬剤を示す値と、前記診療情報に含まれる診療履歴それぞれに対応する処方履歴が示す処方薬剤を示す値と、が近づくように、前記影響度を調節し、
    調節後の前記影響度を前記パラメータに反映させる、医学情報処理装置。
  3. 請求項２に記載の医学情報処理装置であって、
    前記パラメータは、行列で表され、
    前記プロセッサは、
    前記薬剤情報に含まれる各薬剤について、当該薬剤の処方に影響を与える第１医学概念を示すベクトルそれぞれと、当該第１医学概念に対応する影響度と、の積の線形和を算出し、
    前記線形和それぞれを、前記行列の行ベクトル又は列ベクトルとして含める、医学情報処理装置。
  4. 請求項２に記載の医学情報処理装置であって、
    前記プロセッサは、
    前記医学辞書を参照して、前記診療情報に含まれる医学概念を特定し、
    前記診療情報に含まれる医学概念それぞれについて、当該医学概念に関する記載を含む診療履歴を特定し、前記特定した診療履歴それぞれに含まれる前記医学辞書が示す医学概念、からなる医学概念リストを生成し、
    前記診療情報に含まれる医学概念それぞれが、当該医学概念に対応する医学概念リストが示す診療履歴の文脈において出現する確率、に基づいて、前記診療情報に含まれる医学概念のうち、処方薬剤の決定に影響を与える第２医学概念を決定し、
    前記パラメータは、前記第２医学概念を反映する、医学情報処理装置。
  5. 請求項４に記載の医学情報処理装置であって、
    前記パラメータは、行列で表され、
    前記行列は、前記第２医学概念を示すベクトルを行ベクトル又は列ベクトルとして有する、医学情報処理装置。
  6. 請求項２に記載の医学情報処理装置であって、
    表示装置に接続され、
    前記プロセッサは、
    前記薬剤情報に含まれる第１薬剤の指定を受け付け、
    前記第１薬剤の処方に影響を与える第１医学概念と、当該第１医学概念に対応する調節後の前記影響度と、を示す情報を、前記表示装置に出力する、医学情報処理装置。
  7. 請求項６に記載の医学情報処理装置であって、
    前記プロセッサは、
    前記出力した影響度の変更指示を受け付け、
    前記変更指示に基づいて、前記出力した影響度を変更し、
    変更後の影響度が示すベクトルと、前記薬剤情報に含まれる各薬剤の処方に影響を与える第１概念に対応する調節後の影響度が示すベクトルと、の距離を算出し、
    前記算出した距離に基づいて、前記第１薬剤の前記薬剤情報に含まれる薬剤から、類似薬剤を決定し、
    前記類似薬剤を示す情報を前記表示装置に出力する、医学情報処理装置。
  8. 請求項１に記載の医学情報処理装置であって、
    前記メモリは、
    前記医学辞書に含まれる医学概念のうち、数値関連の概念を示す数値関連情報を保持し、
    前記プロセッサは、前記医学概念リストに含まれる、前記数値関連情報が示す数値関連の医学概念、が示す数値を、閾値処理によって、所定数の段階の値に置き換える、医学情報処理装置。
  9. 医学情報処理装置による医学情報処理方法であって、
    前記医学情報処理装置は、プロセッサとメモリとを備え、
    前記メモリは、
    医学概念の一覧を示す医学辞書と、
    薬剤の名称を示す薬剤情報と、
    診療履歴を含む診療情報と、
    前記診療情報に含まれない医学概念に関する記載を含む文献と、を保持し、
    前記医学情報処理方法は、
    前記プロセッサが、前記診療情報に含まれない医学概念と前記薬剤情報に含まれる薬剤との組み合わせそれぞれについて、前記文献から、当該医学概念に関する記載と当該薬剤に関する記載とを含む文献を特定し、
    前記プロセッサが、前記組み合わせそれぞれについて、前記特定した文献それぞれに含まれる前記医学辞書が示す医学概念、からなる医学概念リストを生成し、
    前記プロセッサが、前記診療情報に含まれない医学概念それぞれが、前記医学概念リストが示す文献の文脈において出現する確率、に基づいて、前記診療情報に含まれない医学概念のうち、前記薬剤情報に含まれる薬剤の処方に影響を与える第１医学概念を決定する、ことを含む医学情報処理方法。
  10. 医学情報処理装置に医学情報処理を実行させるための医学情報処理プログラムであって、
    前記医学情報処理装置は、プロセッサとメモリとを備え、
    前記メモリは、
    医学概念の一覧を示す医学辞書と、
    薬剤の名称を示す薬剤情報と、
    診療履歴を含む診療情報と、
    前記診療情報に含まれない医学概念に関する記載を含む文献と、を保持し、
    前記医学情報処理プログラムは、
    前記診療情報に含まれない医学概念と前記薬剤情報に含まれる薬剤との組み合わせそれぞれについて、前記文献から、当該医学概念に関する記載と当該薬剤に関する記載とを含む文献を特定する手順と、
    前記組み合わせそれぞれについて、前記特定した文献それぞれに含まれる前記医学辞書が示す医学概念、からなる医学概念リストを生成する手順と、
    前記診療情報に含まれない医学概念それぞれが、前記医学概念リストが示す文献の文脈において出現する確率、に基づいて、前記診療情報に含まれない医学概念のうち、前記薬剤情報に含まれる薬剤の処方に影響を与える第１医学概念を決定する手順と、を前記プロセッサに実行させる、医学情報処理プログラム。
JP2018102099A 2018-05-29 2018-05-29 医学情報処理装置、医学情報処理方法、及び医学情報処理プログラム Active JP6975682B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2018102099A JP6975682B2 (ja) 2018-05-29 2018-05-29 医学情報処理装置、医学情報処理方法、及び医学情報処理プログラム
US17/054,795 US11469000B2 (en) 2018-05-29 2019-02-20 Medical information processing device, medical information processing method, and storage medium
CN201980024273.0A CN111971754B (zh) 2018-05-29 2019-02-20 医学信息处理装置、医学信息处理方法及存储介质
PCT/JP2019/006416 WO2019230073A1 (ja) 2018-05-29 2019-02-20 医学情報処理装置、医学情報処理方法、及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018102099A JP6975682B2 (ja) 2018-05-29 2018-05-29 医学情報処理装置、医学情報処理方法、及び医学情報処理プログラム

Publications (2)

Publication Number Publication Date
JP2019207520A JP2019207520A (ja) 2019-12-05
JP6975682B2 true JP6975682B2 (ja) 2021-12-01

Family

ID=68698004

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018102099A Active JP6975682B2 (ja) 2018-05-29 2018-05-29 医学情報処理装置、医学情報処理方法、及び医学情報処理プログラム

Country Status (4)

Country Link
US (1) US11469000B2 (ja)
JP (1) JP6975682B2 (ja)
CN (1) CN111971754B (ja)
WO (1) WO2019230073A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6995233B1 (ja) * 2021-04-06 2022-01-14 エンサイス株式会社 情報処理システム、コンピュータシステム及びプログラム

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020138303A1 (en) * 2000-11-08 2002-09-26 Gil Enos Method and apparatus for personalized medical prescription services
US20040249669A1 (en) 2001-11-14 2004-12-09 Pollack Richard D. System and methods for generating physician profiles concerning prescription therapy practices with self-adaptive predictive model
US7630947B2 (en) * 2005-08-25 2009-12-08 Siemens Medical Solutions Usa, Inc. Medical ontologies for computer assisted clinical decision support
JP4672714B2 (ja) * 2007-10-31 2011-04-20 株式会社東芝 文書データ処理装置
US9649469B2 (en) * 2008-04-24 2017-05-16 The Invention Science Fund I Llc Methods and systems for presenting a combination treatment
JP2008210414A (ja) 2008-06-03 2008-09-11 Ims Health Inc 処方実務に関連する医師プロファイルを、自己適合性予測モデルを用いて発生するシステム及び方法
WO2011143612A1 (en) * 2010-05-13 2011-11-17 Rx Specialty Hub Llc Prospective management of medical benefit prescriptions
US9384321B2 (en) * 2010-11-25 2016-07-05 Portable Genomics, Inc. Organization, visualization and utilization of genomic data on electronic devices
US9943233B2 (en) * 2012-10-24 2018-04-17 Cathworks Ltd. Automated measurement system and method for coronary artery disease scoring
JP6101563B2 (ja) * 2013-05-20 2017-03-22 株式会社日立製作所 情報構造化システム
AU2015213399A1 (en) * 2014-08-14 2016-03-03 Accenture Global Services Limited System for automated analysis of clinical text for pharmacovigilance
GB2548627A (en) * 2016-03-24 2017-09-27 Fujitsu Ltd A system and a method for assessing patient treatment risk using open data and clinician input
EP3223179A1 (en) * 2016-03-24 2017-09-27 Fujitsu Limited A healthcare risk extraction system and method
EP3223178A1 (en) 2016-03-24 2017-09-27 Fujitsu Limited A system and a method for assessing patient treatment risk using open data and clinician input
CA3172725A1 (en) * 2020-03-23 2021-09-30 Sorcero, Inc. Feature engineering with question generation

Also Published As

Publication number Publication date
CN111971754B (zh) 2023-09-29
JP2019207520A (ja) 2019-12-05
CN111971754A (zh) 2020-11-20
WO2019230073A1 (ja) 2019-12-05
US11469000B2 (en) 2022-10-11
US20210233666A1 (en) 2021-07-29

Similar Documents

Publication Publication Date Title
Gonsalves et al. Prediction of coronary heart disease using machine learning: an experimental analysis
Habehh et al. Machine learning in healthcare
Bashir et al. BagMOOV: A novel ensemble for heart disease prediction bootstrap aggregation with multi-objective optimized voting
US11527325B2 (en) Analysis apparatus and analysis method
Jagtap et al. Heart disease prediction using machine learning
AU2012245343B2 (en) Predictive modeling
Singh et al. Impact of train/test sample regimen on performance estimate stability of machine learning in cardiovascular imaging
US20240078448A1 (en) Prognostic score based on health information
JP6975682B2 (ja) 医学情報処理装置、医学情報処理方法、及び医学情報処理プログラム
JP4140915B2 (ja) 利用者の行動を支援するシステム
Mojahed et al. Applying clustering analysis to heterogeneous data using similarity matrix fusion (smf)
JP7027359B2 (ja) ヘルスケアデータ分析装置及びヘルスケアデータ分析方法
JP7292235B2 (ja) 分析支援装置及び分析支援方法
CN111316370B (zh) 基于附录的报告质量分数卡生成
Lydia et al. Transforming Health Care Big Data Implementing through Aprior-Mapreduce
Vauvelle et al. Phenotyping with positive unlabelled learning for genome-wide association studies
Traverso-Ribón et al. AnnEvol: an evolutionary framework to description ontology-based annotations
García Simón et al. Characterization and treatment of the temporal dimension of genomic variations: a conceptual model-based approach
Hailu et al. MultiDMet: Designing a Hybrid Multidimensional Metrics Framework to Predictive Modeling for Performance Evaluation and Feature Selection
JP7171522B2 (ja) ヘルスケアデータ分析装置及び分析方法
US20240070545A1 (en) Information processing apparatus, learning apparatus, information processing system, information processing method, learning method, information processing program, and learning program
KR102494470B1 (ko) 약물 상호 작용을 예측하는 전자장치 및 그 제어방법
Abualigah et al. Proposed methodology
Herdian et al. The Use of Feature Engineering and Hyperparameter Tuning for Machine Learning Accuracy Optimization: A Case Study on Heart Disease Prediction
Anandamurugan et al. Patient Satisfaction Through Interpretable Machine Learning Approach

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200814

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20211102

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211108

R150 Certificate of patent or registration of utility model

Ref document number: 6975682

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150