CN111971754B - 医学信息处理装置、医学信息处理方法及存储介质 - Google Patents

Abstract

医学信息处理装置保持有：医学辞典，表示医学概念的一览；药剂信息，表示药剂的名称；诊疗信息，包含诊疗履历；以及文献，包含与诊疗信息中不包含的医学概念有关的记载；对于诊疗信息中不包含的医学概念和药剂信息中包含的药剂的各组合，从该文献中确定包含与该医学概念及该药剂有关的记载的文献；对于该各个组合，生成由所确定的各个文献中的医学辞典所示的医学概念构成的医学概念列表；基于诊疗信息中不包含的各个医学概念在医学概念列表所示的文献的上下文中出现的概率，决定诊疗信息中不包含的医学概念中的、对药剂信息中包含的药剂的处方带来影响的第1医学概念。

Description

医学信息处理装置、医学信息处理方法及存储介质

相关申请的交叉引用

本申请基于2018年5月29日提出的日本专利申请第2018－102099号主张优先权，通过参照其内容，引入到本申请中。

技术领域

本发明涉及医学信息处理装置、医学信息处理方法及存储介质。

背景技术

作为本技术领域的背景技术，有日本特开2008－210414号公报(专利文献1)。在该公报中记载有：“本发明的计算机装置链接到从零售药店取得的纵处方数据的履历数据库，与特定的处方关联而决定数据库中是否能够跟踪到应隐匿的患者，在能够跟踪患者的情况下，将与特定的处方对应的用药量及处方生成物、和数据库的对该应隐匿的患者的其他处方的用药量及处方生成物进行比较，作为基于对应的数量的分类变量的多个不同数量的处方分类之一，基于特定的处方与其他处方之间的用药量或所处方的用药的变化将特定的处方进行分类，计数处方的总数，响应于市场事件的发生，基于处方的总数生成与分类变量相关联的预测模型，显示医生的处方实际业务的预测并进行警告。”(参照说明书摘要)。

现有技术文献

专利文献

专利文献1：日本特开2008－210414号公报

发明内容

发明要解决的课题

专利文献1所记载的技术通过分析过去的处方数据，来预测医生的处方实际业务。但是，不仅是处方数据等的诊疗信息中包含的信息，在QoL(Quality of Life，生活质量评分)及ADL(Activities of Daily Living，日常生活活动)等的诊疗信息中没有出现的信息也对处方药剂的决定带来影响，但专利文献1所记载的技术没有评价该影响。

所以，本发明的目的是评价从QoL指标或ADL指标等的诊疗信息得不到的信息对处方药剂的决定带来的影响。

用来解决课题的手段

为了上述课题，本发明的一技术方案采用以下的结构。医学信息处理装置具备处理器和存储器；上述存储器保持有：医学辞典，表示医学概念的一览；药剂信息，表示药剂的名称；诊疗信息，包含诊疗履历；以及文献，包含与上述诊疗信息中不包含的医学概念有关的记载；上述处理器进行如下处理：对于上述诊疗信息中不包含的医学概念和上述药剂信息中包含的药剂的各个组合，从上述文献中确定包含与该医学概念有关的记载以及与该药剂有关的记载的文献；对于各个上述组合，生成由所确定的各个文献中包含的上述医学辞典所示的医学概念构成的医学概念列表；基于上述诊疗信息中不包含的各个医学概念在上述医学概念列表所示的文献的上下文中出现的概率，决定上述诊疗信息中不包含的医学概念中的、对上述药剂信息中包含的药剂的处方带来影响的第1医学概念。

发明效果

根据本发明的一技术方案，能够评价从QoL指标或ADL指标等的诊疗信息得不到的信息对处方药剂的决定带来的影响。

上述以外的课题、结构及效果通过以下的实施方式的说明会变得更清楚。

附图说明

图1是表示实施例1的处方预测装置的结构例的框图。

图2A是实施例1的真实世界数据的一例。

图2B是表示由实施例1的真实世界数据确定的诊疗的一例的说明图。

图3是实施例1的关联文献的一例。

图4是表示由实施例1的处方预测装置进行的处理整体的概略的一例的说明图。

图5是表示实施例1的表现型向量生成处理的一例的流程图。

图6是表示实施例1的处方预测缩略矩阵生成处理的一例的流程图。

图7是实施例1的就诊(encounter)向量的一例。

图8是实施例1的销售额影响分析画面的一例。

图9是表示实施例1的产品战略制定支援处理的一例的流程图。

图10是表示实施例1的产品战略制定支援处理的一例的说明图。

具体实施方式

以下，基于附图详细地说明本发明的实施方式。在本实施方式中，对于相同的结构原则上赋予相同的标号，省略重复的说明。另外，应注意的是，本实施方式只不过是用来实现本发明的一例，并不限定本发明的技术的范围。

[实施例1]

本实施例对作为医学信息处理装置的一例的处方预测装置进行说明。图1是表示处方预测装置的结构例的框图。处方预测装置100由具有CPU(Central Processing Unit)101、存储器102、辅助存储装置103及通信装置104的计算机构成。

CPU101包括处理器，执行保存在存储器102中的程序。存储器102包括作为非易失性的存储元件的ROM(Read Only Memory)及作为易失性的存储元件的RAM(Random AccessMemory)。ROM保存不变的程序(例如BIOS(Basic Input/Output System))等。RAM是DRAM(Dynamic Random Access Memory)那样的高速且易失性的存储元件，暂时保存CPU101执行的程序及在程序的执行时使用的数据。

辅助存储装置103例如是磁存储装置(HDD(Hard Disk Drive))、闪存存储器(SSD(Solid State Drive))等的大容量且非易失性的存储装置，保存CPU101执行的程序及在程序的执行时使用的数据。即，程序被从辅助存储装置103读出，被装载到存储器102中，被CPU101执行。

处方预测装置100也可以具有输入接口105及输出接口108。输入接口105连接着键盘106及鼠标107等，是接受来自操作者的输入的接口。输出接口108连接着显示器装置109及打印机等，是将程序的执行结果以操作者可辨识的形式输出的接口。

通信装置104是按照规定的协议对与其他装置的通信进行控制的网络接口装置。此外，通信装置104包括例如USB等的串行接口。

CPU101执行的程序经由可移动介质(CD－ROM、闪存存储器等)或网络被提供至处方预测装置100，被保存到作为非暂时性存储介质的非易失性的辅助存储装置103中。因此，处方预测装置100可以具有从可移动介质读入数据的接口。

处方预测装置100是在物理上在一个计算机上或在逻辑或物理性地构成的多个计算机上构成的计算机系统，既可以在相同的计算机上以单独的线程动作，也可以在构建于多个物理计算机资源上的虚拟计算机上动作。

CPU101包括表现型向量生成部111、处方预测缩略矩阵生成部112、销售额影响分析部113及产品战略制定支援部114。例如，CPU101通过按照被装载到存储器102中的表现型向量生成程序动作，作为表现型向量生成部111发挥功能，通过按照被装载到存储器102中的处方预测缩略矩阵生成程序动作，作为处方预测缩略矩阵生成部112发挥功能。关于CPU101中包含的其他功能部，程序和功能部的关系也是同样的。

另外，由CPU101中包含的功能部实现的功能的一部分或全部例如也可以由ASIC(Application Specific Integrated Circuit，应用型专用集成电路应用型专用集成电路)或FPGA(Field－Programmable Gate Array，现场可编程门阵列)等的硬件实现。

表现型向量生成部111生成表现型向量。处方预测缩略矩阵生成部112生成处方预测缩略矩阵。销售额影响分析部113分析表示药剂的特征的各指标对该药剂的处方贡献的程度。产品战略制定支援部114检索与后述的表现型向量集合123表示的药剂中不包含的靶向药剂(例如，新开发的药剂)类似的药剂及关于该类似的药剂的信息。

辅助存储装置103保持药剂列表121、处方预测模型122、表现型向量集合123及药剂销售额数据124。药剂列表121是包括药剂名的一览的药剂信息的一例。另外，保存在辅助存储装置103中的一部分或全部的数据也可以被保存在与处方预测装置100连接的数据库中。

处方预测模型122是如果被输入后述的就诊向量则输出表示预测药剂的向量的模型。处方预测模型122例如由神经网络定义。另外，后述的处方预测缩略矩阵是处方预测模型122的参数的一例。在使用处方预测模型122的预测药剂的计算中，计算就诊向量与后述的处方预测矩阵的积。

表现型向量集合123包括后述的表现型向量。药剂销售额数据124例如包括各药剂的销售额的时间序列信息。

处方预测装置100与保持真实世界数据210、关联文献220及医学辞典230的数据库连接。另外，真实世界数据210、关联文献220及医学辞典230也可以保存在辅助存储装置103中。

真实世界数据210是保持包括医疗费账单数据、病历数据、检查数据等的实际诊疗行为的信息的诊疗信息的一例。诊疗包括诊察、治疗、处方、体检及检查等的医生对患者进行的行为。在本实施例中，假设真实世界数据210没有保持表示QoL及ADL的信息。关联文献220中包含的至少1个文献包括在真实世界数据210中没有包含的表示QoL及ADL的信息。

医学辞典230保持医学概念、表示医学概念间的关系的网络、以及表示医学概念是否是数值关联的概念的信息。例如，病名、药剂名、检查名、检查结果、表示QoL的指标名、表示ADL的指标名、与医疗关联的现象名(例如有害现象)及医学用语等，都是医学概念的一例。数值关联的概念指的是能够将该概念中的具体的现象用数值表示的概念。

另外，在本实施方式中，处方预测装置100使用的信息不依赖于数据构造，用怎样的数据构造来表现都可以。例如，从表、列表、数据库或队列中适当地选择的数据构造体能够保存信息。

图2A是真实世界数据210的一例。真实世界数据210例如包括患者ID栏211、就诊ID栏212、病名栏213、处方栏214、检查结果栏215、处置栏216、住院诊疗/门诊栏217及日期栏218。

患者ID栏211保存识别患者的ID。就诊ID栏212保存识别诊疗的ID。病名栏213保存作为诊疗的对象的病名。处方栏214保存在诊疗中所处方的药剂的名称。检查结果栏215保存在诊疗中进行的检查结果。处置栏216保存在诊疗中进行的处置的名称。

住院诊疗/门诊栏217保存表示诊疗是由住院诊疗进行的还是由门诊进行的信息。日期栏218保存诊疗被实施的日期。另外，如图2A的例子那样，在处置栏216中保存有null值的情况下，例如表示在诊疗中没有进行处置或不清楚是否进行了处置。关于在其他的栏中保存有null值的情况也同样。

图2B是表示由图2A的真实世界数据210确定的诊疗的一例的说明图。图2B表示对患者A执行的诊疗。患者A在2018年1月10日接受了就诊ID是100的诊疗。作为该诊疗的对象的病名是糖尿病，处方了药剂A，检查结果是“HbA1c为10％”，通过门诊接受了该诊疗。

此外，患者A在2018年2月10日接受了就诊ID是200的诊疗。作为该诊疗的对象的病名是糖尿病，处方了药剂A，检查结果是“HbA1c为9％”，通过门诊接受了该诊疗。

另外，将在真实世界数据210的记录中包含的值中的与诊疗内容有关的值也称作就诊信息219。在图2B的例子中，就诊信息219是由真实世界数据210的记录中包含的值中的除了患者ID、就诊ID、日期及null值以外的值构成的信息。在图2B的例子中，关于就诊ID＝100的就诊信息219由“糖尿病”、“药剂A”、“HbA1c：10％”、“门诊”构成。

图3是关联文献220的一例。关联文献220包括1个以上的文献，各文献被赋予了识别文献的文献ID。另外，在文献ID是2000的文献及文献ID是3000的文献中记载的ICER(Incremental Cost Effectiveness Ratio，增量成本效果比)是与QoL有关的指标的一例。

另外，图3的各文献中的下划线部是医学辞典230中包含的医学概念或药剂列表121中包含的药剂名(如上述那样，药剂名也是医学概念的一例)。如图3所示，关于各文献既，可以以能够判别文献内的医学概念的形式保持，也可以由在后述的处理中参照文献的功能部参照医学辞典230来确定文献内的医学概念。

图4是表示处方预测装置100的处理整体的概略的一例的说明图。表现型向量生成部111基于真实世界数据210及关联文献220生成表现型向量。表现型向量例如根据在关联文献220中与对象药剂共同出现的医学概念、或在真实世界数据210中出现的医学概念而得到。表现型向量对处方预测模型122中的处方药剂的决定带来影响。此外，在特别是根据关联文献220中与对象药剂共同出现的医学概念得到表现型向量的情况下，该医学概念对处方预测模型122中的该对象药剂的处方带来影响(做出贡献)。

处方预测缩略矩阵生成部112对于各药剂，计算对以该药剂为中心的网络上的表现型向量乘以权重后的线性和。该权重表示对应的表现型向量所示的医学概念对该表现型向量所示的药剂的处方带来的影响度(贡献度)。处方预测缩略矩阵生成部112将计算出的各个线性和与其他的表现型向量排列而生成处方预测缩略矩阵G。

此外，处方预测缩略矩阵生成部112根据就诊信息219生成就诊向量。处方预测缩略矩阵生成部112将对处方预测模型122输入就诊向量而得到的预测药剂与就诊信息中的处方药剂进行比较，更新处方预测模型122中的参数。

销售额影响分析部113对于某个药剂，根据与以该药剂为中心的网络上的表现型向量对应的权重，评价对该药剂的处方带来了影响的因素。产品战略制定支援部114根据以表现型向量集合123中包含的药剂为中心的网络上的表现型向量和对应于该表现型向量的权重，推测与表现型向量集合123中不包含的靶向药剂(例如，新开发的药剂)类似的药剂。

图5是表示表现型向量生成处理的一例的流程图。表现型向量生成部111从药剂列表121中选择1个以上的对象药剂d(S501)。被选择的对象药剂例如既可以是药剂列表121中包含的全部药剂，也可以是经由输入接口105从用户指定、或经由通信装置104从其他装置指定的药剂。

表现型向量生成部111从医学辞典230中包含的选择对象的医学概念中，选择未选择的1个医学概念w(S502)。另外，该选择对象的医学概念例如既可以是医学辞典230中包含的全部的医学概念，也可以是经由输入接口105从用户指定、或经由通信装置104从其他装置指定的医学概念。此外，选择对象的医学概念也可以不包含于真实世界数据210中包含的医学概念。

表现型向量生成部111判定医学概念w是否包含在真实世界数据210中(S503)。表现型向量生成部111在判定为医学概念w包含在真实世界数据210中的情况下(S503：是)，参照真实世界数据210，生成1个以上的上下文列表Cw(S504)。

表现型向量生成部111在步骤S504中，例如从真实世界数据210中取得包含医学概念w的各记录的就诊信息。表现型向量生成部111对于各就诊信息，生成具有该就诊信息中包含的值中的医学概念w以外的各个值作为要素的列表，将该生成的列表决定为上下文列表Cw。即，上下文列表Cw表示与医学概念w共现的单词群。

例如，在医学概念w是“糖尿病”的情况下，在步骤S504中，根据图2A的真实世界数据210，分别生成C_糖尿病1＝{药剂A，HbA1c：10％，门诊}和C_糖尿病2＝{药剂A，检查结果HbA1c：9％，门诊}，作为上下文列表。

接着，表现型向量生成部111判定是否已经选择了选择对象的全部的医学概念(S505)。表现型向量生成部111在判定为在选择对象的医学概念中有未选择的医学概念的情况下(S505：是)，向步骤S502返回。关于表现型向量生成部111判定为已选择了选择对象的全部的医学概念的情况下(S505：是)的处理，在后面叙述。

表现型向量生成部111在判定为医学概念w不包含在真实世界数据210中的情况下(S503：否)，参照医学辞典230，判定医学概念w是否是数值关联的概念(S506)。表现型向量生成部111在判定为医学概念w不是数值关联的概念的情况下(S506：否)，参照关联文献220，对于对象药剂d分别生成上下文列表Cd_w(S507)，转移至步骤S505。

表现型向量生成部111在步骤S507中，例如从关联文献220中，确定包含医学概念w和至少1个对象药剂的文献。表现型向量生成部111对于各对象药剂d与所确定的各文献的各个组合，生成具有该文献中包含的医学概念w和该对象药剂d以外的医学概念分别作为要素的列表，将该生成的列表决定为上下文列表Cd_w。即，上下文列表Cd_w表示与药剂d及医学概念w共现的单词群。

例如，在医学概念w是“有害现象”、对象药剂d是“药剂A”的情况下，在步骤S507中，根据图3的例子中的文献ID是1000的文献，生成C_{药剂A_有害现象}＝{酸中毒，糖尿病，HbA1c，体重减少}作为上下文列表。

另外，在步骤S507中，表现型向量生成部111当根据所确定的文献生成上下文列表Cd_w时，例如既可以从该文献整体取得上下文列表Cd_w中包含的医学概念，也可以从该文献所包含的语句中的、将包含医学概念w的语句和包含该对象药剂d的语句包括在内的规定范围的语句，取得上下文列表Cd_w中包含的医学概念。此外，表现型向量生成部111例如也可以在所确定的文献中，在医学概念w与对象药剂d的距离的值较大的情况下(例如，在医学概念w与对象药剂d之间包含规定数量以上的单词或字符的情况下)，将该文献从Cd_w的生成对象中排除。

表现型向量生成部111在判定为医学概念w是数值关联的概念的情况下(S506：是)，参照关联文献220，对于各个对象药剂d生成上下文列表Cd_w(S508)。

表现型向量生成部111在步骤S508中，例如从关联文献220中，确定包含医学概念w的数值和至少1个对象药剂d的文献。表现型向量生成部111对于各对象药剂d和所确定的各文献的组合，分别生成具有该文献中包含的该对象药剂d以外的各个医学概念和医学概念w的数值作为要素的列表，将该生成的列表决定为上下文列表Cd_w。即，上下文列表Cd_w表示与药剂d及医学概念w共现的单词群。

例如，在医学概念w是“ICER”、对象药剂是“药剂A”的情况下，在步骤S508中，根据图3的例子中的文献ID是2000的文献，生成C_{药剂A_ICER}＝{糖尿病，ICER＝500万日元，EQ－5D}作为上下文列表。同样，在医学概念w是“ICER”、对象药剂是“药剂B”的情况下，在步骤S508中，根据图3的例子中的文献ID是2000的文献，生成C_{药剂B_ICER}＝{糖尿病，ICER＝600万日元，EQ－5D}作为上下文列表。

表现型向量生成部111取得表示在步骤S508中生成的上下文列表Cd_w各自的医学概念w的数值的信息(S509)。在步骤S509中，表现型向量生成部111例如从C_{药剂A_ICER}＝{糖尿病，ICER＝500万日元，EQ－5D}取得“500万”，从C_{药剂B_ICER}＝{糖尿病，ICER＝600万日元，EQ－5D}取得“600万”。

表现型向量生成部111对在步骤S509中取得的数值进行阈值处理，将表示医学概念的w的数值的信息替换为通过阈值处理得到的等级(S510)，转移至步骤S505。例如，对于数值关联的各个医学概念，预想设定了阈值处理中的两个阈值。

表现型向量生成部111在步骤S510中，例如在所取得的数值小于两个阈值中的较小的阈值的情况下，将该数值的等级判定为w_L，在所取得的数值是该较小的阈值以上且小于两个阈值中的较大的阈值的情况下，将该数值的等级判定为w_M，在所取得的数值是该较大的阈值以上的情况下，将该数值的等级判定为w_H。

例如，假设对于作为数值关联的医学概念的ICER，设定了两个阈值300万和550万。在此情况下，表现型向量生成部111在步骤S510中，将C_{药剂A_ICER}＝{糖尿病，ICER＝500万日元，EQ－5D}变换为C_{药剂A_ICER}＝{糖尿病，ICER_M，EQ－5D}，变换为C_{药剂B_ICER}＝{糖尿病，ICER_H，EQ－5D}。

另外，该阈值处理中的阈值的个数也可以是1个或3个以上，也可以按每个数值关联的概念而不同。

表现型向量生成部111在步骤S505中判定为已选择了选择对象的全部的医学概念的情况下(S505：是)，将使在下述的式1中表示J最小化的c和w决定为表现型向量，保存到表现型向量集合123中(S511)，结束表现型向量生成处理。

[数式1]

式1中的θ是由医学辞典230中包含的单词(医学概念)构成的集合，Cw是由在步骤S504、步骤S507及步骤S508中生成的上下文列表中的包含单词w的上下文列表构成的集合。此外，P(c|w)表示医学概念w在上下文列表c所示的(文献或就诊信息中的)上下文中出现的概率，由下述的式2定义。这是关于单词w及上下文列表c，当通过word2vec等的方法求出单词向量及上下文向量时使用的式子。

[数式2]

式2中的V是由在步骤S504、步骤S507及步骤S508中生成的全部的上下文列表构成的集合，e_w是w的单词向量，e_c是c的上下文向量，e_c’是c’的上下文向量。

另外，用e_w表现的表现型向量表示医学概念w对处方预测模型122中的处方药剂的决定带来影响。

图6是表示处方预测缩略矩阵生成处理的一例的流程图。处方预测缩略矩阵生成部112从药剂列表121中选择1个以上的对象药剂d(S601)。选择的对象药剂例如既可以是药剂列表121中包含的全部的药剂，也可以是经由输入接口105从用户指定、或经由通信装置104从其他装置指定的药剂。

处方预测缩略矩阵生成部112从医学辞典230中包含的选择对象的医学概念中，选择未选择的1个医学概念w(S602)。另外，该选择对象的医学概念例如既可以是医学辞典230中包含的全部的药剂，也可以是经由输入接口105从用户指定、或经由通信装置104从其他装置指定的医学概念。

处方预测缩略矩阵生成部112判定所选择的医学概念w是否是关于药剂的概念(S603)。处方预测缩略矩阵生成部112例如在医学概念w包含在药剂列表121中的情况下判定为医学概念w是关于药剂的概念。此外，也可以在医学辞典230中定义各医学概念是否是关于药剂的概念，在此情况下，处方预测缩略矩阵生成部112参照医学辞典230，判定所选择的医学概念w是否是关于药剂的概念。

处方预测缩略矩阵生成部112在判定为所选择的医学概念w不是关于药剂的概念的情况下(S603：否)，从表现型向量集合123中收集医学概念w的表现型向量(S604)。步骤S604中的收集对象的表现型向量例如是对于选择中的医学概念w用ew表示的表现型向量。

处方预测缩略矩阵生成部112在判定为所选择的医学概念w是关于药剂的概念的情况下(S603：是)，对于各个对象药剂d，从表现型向量集合123中收集以该对象药剂d为中心的、由医学辞典230管理的网络上的关于医学概念w的表现型向量(S605)。

另外，例如在对象药剂d包含在表现型向量集合123中的情况下，假设由ed表示的表现型向量包含在以对象药剂d为中心的网络中。另外，也可以按照用户等的指示，从以对象药剂d为中心的网络中排除上述表现型向量的一部分。步骤S605中的收集对象的表现型向量例如是对于选择中的医学概念w用e_w表示的表现型向量。

处方预测缩略矩阵生成部112对于各个对象药剂d，对收集到的各个表现型向量乘以规定的权重(不为0的初始值)，计算线性和(S606)。在上述图4的例子中，对于作为对象药剂的药剂A，收集e_药剂A(在图4中被表示为e1)、e_{药剂A_ICER}(在图4中被表示为e2)、e_{药剂A_有害现象}(在图4中被表示为e3)作为表现型向量，计算分别乘以权重α₁、α₂、α₃后的线性和α₁e_药剂A+α₂e_{药剂A_ICER}+α₃e_{药剂A_有害现象}，作为处方预测缩略矩阵G的列向量gi。

接着步骤S604或步骤S606的处理，处方预测缩略矩阵生成部112判定是否选择了全部的选择对象的医学概念(S607)。处方预测缩略矩阵生成部112在判定为有未选择的医学概念w的情况下(S607：否)，向步骤S602返回。

处方预测缩略矩阵生成部112在判定为选择了全部的选择对象的医学概念的情况下(S607：是)，生成初始的处方预测缩略矩阵(S608)。具体而言，如上述的图4的例子那样，将在步骤S604中收集到的表现型向量和在步骤S606中计算出的线性和例如以规定的顺序或任意的顺序作为列向量或作为行向量排列，生成处方预测缩略矩阵。处方预测缩略矩阵生成部112从真实世界数据210中提取包括至少1个对象药剂d的处方的患者(S609)。接着，对于该患者，从1个就诊信息219中提取就诊向量x_t，加到已提取的就诊向量x₁，…x_t－1中(S610)。

图7是就诊向量的一例。就诊向量的各要素表示就诊信息219是否包含与该要素对应的值(例如，在包含的情况下为1，在不包含的情况下为0)。图7是根据图2B中的就诊ID＝100的就诊信息219生成的就诊向量。

回到图6的说明。处方预测缩略矩阵生成部112在使用处方预测模型122的预测中，计算处方预测缩略矩阵与在步骤S610中提取出的就诊向量x₁，…x_t各自的积(S611)。

处方预测缩略矩阵生成部112将在步骤S611中计算出的积应用于处方预测模型122，取得表示预测药剂的预测药剂向量y_t’，例如，通过概率性梯度下降法，更新处方预测模型122的参数，以使下述的式3中的L最小化(S612)。另外，由于处方预测缩略矩阵被包含在该参数中，所以在步骤S612中能够被更新。

[数式3]

另外，式3中的y_t是在步骤S610中提取出的就诊向量中出现的处方药剂。在式3中使用的其他的变量及参数由以下的式4～式9定义。

[数式4]

g_i＝∑_j∈A(i)α_ije_j···(式4)，其中，1＝∑_j∈A(i)α_ij

[数式5]

[数式6]

[数式7]

v₁，...，v_t＝tanh(G[x₁，...，x_t])···(式7)

[数式8]

h₁，...，h_t＝RNN(v₁，...，v_t)·(式8)

[数式9]

y′_t＝x′_t+1＝softmax(Wh_t+b)···(式9)

另外，式4中的A(i)表示由与包含药剂的医学概念i关联的医学概念构成的集合。此外，式8中的RNN表示循环型神经网络。此外，式9中的softmax表示归一化指数函数。G是处方预测缩略矩阵。此外，u_t、W_t、b_a、W、b是被更新的参数。

另外，在步骤S612中，通过概率性梯度下降法，按每个患者将L最小化，但也可以通过使包含对象药剂d的处方的全部患者的L的平均值最小化，将处方预测模型122的参数进行优化。此外，也可以不是概率性梯度下降法，而通过用来使处方预测药剂向量yt’接近于处方药剂向量yt的任意的优化方法来优化。

接着，处方预测缩略矩阵生成部112基于在步骤S612中更新后的参数来更新权重，使用更新后的权重再次计算步骤S606中的线性和，将处方预测缩略矩阵更新(S613)。该权重表示对应的表现型向量所示的医学概念对该表现型向量表示的药剂的处方带来的影响度(贡献度)

处方预测缩略矩阵生成部112判定是否从对象患者的全部的就诊信息中提取了就诊向量(S614)。处方预测缩略矩阵生成部112在判定为有未提取就诊向量的该就诊信息的情况下(S614：否)，向步骤S610返回。处方预测缩略矩阵生成部112在判定为从全部的该就诊信息中提取了就诊向量的情况下(S614：是)，回到步骤S609。

此外，处方预测缩略矩阵生成部112判定是否提取了包含至少1个对象药剂d的处方的全部的患者(S615)，处方预测缩略矩阵生成部112在判定为有未提取的该患者的情况下(S615：否)，回到步骤S609。处方预测缩略矩阵生成部112在判定为提取了全部的该患者的情况下(S615：是)，结束处方预测缩略矩阵生成处理。

另外，以上叙述了提取包含至少1个对象药剂d的处方的全部的患者的例子，但也可以将提取对象限制为包含至少1个对象药剂d的处方的患者中的规定的患者ID的患者。此外，以上叙述了从关于该患者的就诊信息提取全部的就诊向量的例子，但也可以限制就诊向量的提取对象，如该就诊信息中的与规定范围的日期的记录有关的就诊信息。

通过如本实施例那样生成处方预测缩略矩阵，包含处方预测缩略矩阵的处方预测模型122不仅考虑真实世界数据210，还考虑QoL指标及ADL指标等的从真实世界数据210得不到的信息，能够高精度地预测处方药剂。

进而，表现型向量表示对处方药剂的决定带来影响的指标，与表现型向量相乘的权重表示该表现型向量所示的医学概念对该表现型向量所示的药剂的处方带来的影响度(贡献度)。因而，本实施例的处方预测装置100能够评价QoL指标及ADL指标等的从真实世界数据210得不到的信息对处方药剂的决定带来的影响。

对销售额影响分析处理进行说明。图8是销售额影响分析画面的一例。首先，对由销售额影响分析部113进行的销售额影响分析处理进行说明。销售额影响分析处理在处方预测缩略矩阵生成处理结束后实施。销售额影响分析部113例如经由输入接口105从用户或从其他装置受理药剂的指定。销售额影响分析部113从表现型向量集合123取得以被指定的药剂为中心的网络上的表现型向量和与该表现型向量相乘的权重，向销售额影响分析画面800输出。

在图8的例子中，在销售额影响分析画面800中，显示有各表现型向量的权重作为图表。由此，用户能够掌握从真实世界数据210得不到的指标以何种程度贡献于该药剂的处方。

对产品战略制定支援处理进行说明。图9是表示产品战略制定支援处理的一例的流程图。产品战略制定支援处理在处方预测缩略矩阵生成处理结束后实施。在产品战略制定支援处理中，检索与在某表现型向量集合123中不包含的靶向药剂(例如，新开发的药剂)类似的药剂。

产品战略制定支援部114例如经由输入接口105从用户、或从其他装置受理初始药剂的输入，从表现型向量集合123取得以初始药剂为中心的网络上的表现型向量和与该表现型向量相乘的权重(S901)。另外，例如优选的是选择属性接近于靶向药剂的药剂作为初始药剂。

产品战略制定支援部114调节在步骤S901中取得的权重(S902)。具体而言，例如，产品战略制定支援部114将各权重变更为从用户指定的值。此外，例如也可以对各个表现型向量设定权重的1个以上的阈值，产品战略制定支援部114也可以对各权重进行阈值处理(例如，将超过阈值的权重或小于阈值的权重变更为与阈值相同)。

此外，产品战略制定支援部114也可以在步骤S902中，追加在步骤S901中没有取得的其他的表现型向量和对应于该其他的表现型向量的权重。该其他的表现型向量和与该其他的表现型向量对应的权重例如由用户指定。通过步骤S901及步骤S902的处理，决定靶向药剂的产品概况(profile)。

产品战略制定支援部114基于调节后的权重，决定类似药剂(S903)。例如，产品战略制定支援部114计算调节权重后的表现型向量的线性和，对计算出的线性和与各药剂的网络上的表现型向量的线性和的向量间距离进行计算，将计算出的向量间距离较近的药剂(例如，在距离从近到远的顺序下规定数量的药剂、或距离为规定值以下的药剂等)决定为类似药剂。

此外，例如产品战略制定支援部114也可以对于各药剂，计算以调节后的权重各自为要素的向量、和以与该药剂的网络上的表现型向量相乘的权重各自为要素的向量间距离，将计算出的向量间距离较近的药剂决定为类似药剂。

产品战略制定支援部114也可以参照药剂销售额数据124，将类似药剂的销售额及类似药剂的市场份额等向输出接口108或其他装置输出(S904)。另外，在步骤S904中，也可以显示销售额及市场份额以外的与类似药剂有关的信息。

图10是表示产品战略制定支援处理的一例的说明图。在图10的例子中，对于靶向药剂X，作为初始药剂而输入药剂B。另外，也可以如图10那样，作为向量空间上的比较药剂选定，显示表示靶向药剂和对于各药剂的线性和的向量空间上的位置的信息。

在图10的例子中，通过产品属性变更，调节对于作为初始药剂的药剂B的权重α₁、α₂、α₃，判明靶向药剂接近于药剂C，将药剂C选定为类似药剂。进而，显示了作为类似药剂的药剂C的每个年度的销售额推移、以及某年度的药剂C的产品市场份额。

通过上述的产品战略制定支援处理，能够将QoL及ADL等的从真实世界数据210得不到的属性类似的药剂决定为没有生成表现型向量的药剂。

另外，本发明并不限定于上述的实施例，而包含各种各样的变形例。例如，上述的实施例是为了容易理解地说明本发明而详细地说明的，并不限定于必定具备所说明的全部结构。此外，也可以将某个实施例的结构的一部分替换为其他实施例的结构，此外，也可以对某个实施例的结构加上其他实施例的结构。此外，关于各实施例的结构的一部分，能够进行其他结构的追加、删除、替换。

此外，上述的各结构、功能、处理部、处理机构等也可以通过将它们的一部分或全部例如用集成电路设计等而由硬件实现。此外，上述的各结构、功能等也可以通过处理器将实现各个功能的程序解释、执行而由软件实现。实现各功能的程序、表、文件等的信息可以置于存储器或硬盘、SSD(Solid State Drive)等的记录装置、或IC卡、SD卡、DVD等的记录介质中。

此外，关于控制线及信息线，表示认为在说明上需要的部分，并不一定在产品上表示了全部的控制线及信息线。实际上也可以认为几乎全部的结构被相互连接。

Claims (9)

1.一种医学信息处理装置，其特征在于，

具备处理器和存储器；

上述存储器保持有：

医学辞典，表示医学概念的一览；

药剂信息，表示药剂的名称；

诊疗信息，包含诊疗履历；以及

文献，包含与上述诊疗信息中不包含的医学概念有关的记载；

上述处理器进行如下处理：

对于上述诊疗信息中不包含的医学概念和上述药剂信息中包含的药剂的各个组合，从上述文献中确定包含与该医学概念有关的记载以及与该药剂有关的记载的文献；

对于各个上述组合，生成由所确定的各个上述文献中包含的上述医学辞典所示的医学概念构成的医学概念列表；

基于上述诊疗信息中不包含的各个医学概念在上述医学概念列表所示的文献的上下文中出现的概率，决定上述诊疗信息中不包含的医学概念中的、对上述药剂信息中包含的药剂的处方带来影响的第1医学概念；

上述存储器保持数值关联信息，该数值关联信息表示上述医学辞典中包含的医学概念中的数值关联的概念；

上述处理器将上述医学概念列表中包含的、上述数值关联信息所示的数值关联的医学概念所示的数值，通过阈值处理替换为规定数量的阶段的值。

2.如权利要求1所述的医学信息处理装置，其特征在于，

上述存储器保持预测模型，该预测模型在被输入诊疗履历时，输出表示所处方的预测药剂的值；

上述诊疗信息中包含的诊疗履历包含药剂的处方履历；

上述处理器进行如下处理：

对于各个上述第1医学概念，决定对上述药剂信息中包含的各药剂的处方的影响度；

将表示上述影响度的参数应用于上述预测模型；

向应用了上述参数的预测模型，输入上述诊疗信息中包含的各个诊疗履历，取得表示预测药剂的信息；

调节上述影响度，以使所取得的表示上述预测药剂的值、和表示与上述诊疗信息中包含的各个诊疗履历对应的处方履历所示的处方药剂的值接近；

使调节后的上述影响度反映到上述参数中。

3.如权利要求2所述的医学信息处理装置，其特征在于，

上述参数由矩阵表示；

上述处理器进行如下处理：

对于上述药剂信息中包含的各药剂，计算表示对该药剂的处方带来影响的第1医学概念的各个向量与对应于该第1医学概念的影响度的积的线性和；

将各个上述线性和作为上述矩阵的行向量或列向量来包含。

4.如权利要求2所述的医学信息处理装置，其特征在于，

上述处理器进行如下处理：

参照上述医学辞典，确定上述诊疗信息中包含的医学概念；

对于上述诊疗信息中包含的各个医学概念，确定包含与该医学概念有关的记载的诊疗履历，生成由所确定的各个上述诊疗履历中包含的上述医学辞典所示的医学概念构成的医学概念列表；

基于上述诊疗信息中包含的各个医学概念在与该医学概念对应的医学概念列表所示的诊疗履历的上下文中出现的概率，决定上述诊疗信息中包含的医学概念中的、对处方药剂的决定带来影响的第2医学概念；

上述参数反映上述第2医学概念。

5.如权利要求4所述的医学信息处理装置，其特征在于，

上述参数由矩阵表示；

上述矩阵具有表示上述第2医学概念的向量作为行向量或列向量。

6.如权利要求2所述的医学信息处理装置，其特征在于，

连接于显示装置；

上述处理器进行如下处理：

受理上述药剂信息中包含的第1药剂的指定；

将表示对上述第1药剂的处方带来影响的第1医学概念、和表示与该第1医学概念对应的调节后的上述影响度的信息输出给上述显示装置。

7.如权利要求6所述的医学信息处理装置，其特征在于，

上述处理器进行如下处理：

受理所输出的上述影响度的变更指示；

基于上述变更指示，变更所输出的上述影响度；

计算以下向量间的距离：变更后的影响度所示的向量、以及与对上述药剂信息中包含的各药剂的处方带来影响的第1概念对应的调节后的影响度所示的向量；

基于计算出的上述距离，从上述第1药剂的上述药剂信息中包含的药剂中决定类似药剂；

将表示上述类似药剂的信息输出给上述显示装置。

8.一种医学信息处理方法，是由医学信息处理装置进行的医学信息处理方法，其特征在于，

上述医学信息处理装置具备处理器和存储器；

上述存储器保持有：

医学辞典，表示医学概念的一览；

药剂信息，表示药剂的名称；

诊疗信息，包含诊疗履历；以及

文献，包含与上述诊疗信息中不包含的医学概念有关的记载；

在上述医学信息处理方法中，

上述处理器对于上述诊疗信息中不包含的医学概念和上述药剂信息中包含的药剂的各个组合，从上述文献中确定包含与该医学概念有关的记载以及与该药剂有关的记载的文献；

上述处理器对于各个上述组合，生成由所确定的各个上述文献中包含的上述医学辞典所示的医学概念构成的医学概念列表；

上述处理器基于上述诊疗信息中不包含的各个医学概念在上述医学概念列表所示的文献的上下文中出现的概率，决定上述诊疗信息中不包含的医学概念中的、对上述药剂信息中包含的药剂的处方带来影响的第1医学概念；

上述存储器保持数值关联信息，该数值关联信息表示上述医学辞典中包含的医学概念中的数值关联的概念；

上述处理器将上述医学概念列表中包含的、上述数值关联信息所示的数值关联的医学概念所示的数值，通过阈值处理替换为规定数量的阶段的值。

9.一种存储介质，是保存用来使医学信息处理装置执行医学信息处理的程序的计算机可读取的非暂时性的存储介质，其特征在于，

上述医学信息处理装置具备处理器和存储器；

上述存储器保持有：

医学辞典，表示医学概念的一览；

药剂信息，表示药剂的名称；

诊疗信息，包含诊疗履历；以及

文献，包含与上述诊疗信息中不包含的医学概念有关的记载；

上述程序使上述处理器执行如下步骤：

对于上述诊疗信息中不包含的医学概念和上述药剂信息中包含的药剂的各个组合，从上述文献中确定包含与该医学概念有关的记载以及与该药剂有关的记载的文献的步骤；

对于各个上述组合，生成由所确定的各个上述文献中包含的上述医学辞典所示的医学概念构成的医学概念列表的步骤；以及

基于上述诊疗信息中不包含的各个医学概念在上述医学概念列表所示的文献的上下文中出现的概率，决定上述诊疗信息中不包含的医学概念中的、对上述药剂信息中包含的药剂的处方带来影响的第1医学概念的步骤；

上述存储器保持数值关联信息，该数值关联信息表示上述医学辞典中包含的医学概念中的数值关联的概念；

上述程序使上述处理器执行将上述医学概念列表中包含的、上述数值关联信息所示的数值关联的医学概念所示的数值，通过阈值处理替换为规定数量的阶段的值的步骤。