JP2003526137A - 職員配置を自動的に割り振るための方法および装置 - Google Patents

Abstract

(57)【要約】 本発明は、コンピュータを使用して現在の患者母集団に必要な職員配置を推定する方法を提供する。コンピュータは、年齢、性別、身体疾患など、現在の患者母集団に関する様々な特性に関係するデータを、類似の特性を有する代表的な過去の患者母集団およびその過去の患者母集団に割り振られたリソースに関係するデータと共に扱うが、リソースには過去の患者母集団のケアに必要とされた職員配置レベルが含まれる。過去の患者特性および割り振られた関連リソースとをガイドとして使用することにより、過去の患者母集団と割り振られたリソースとの相関を記述したモデルを生み出す。その後、このモデルを使用して、現在の患者母集団を適切にケアするのに必要な職員配置レベルを決定する。

Description

【発明の詳細な説明】

【０００１】 （発明の分野） 本発明は、職員配置を自動的に割り振るための方法および装置に関し、より詳
細には、ヘルス・ケア環境で職員配置を自動的に割り振るための方法および装置
に関する。この方法および装置はまた、作業負荷データを過酷さによって自動的
に調整するのにも使用されるものであり、より詳細には、ヘルス・ケア環境から
の作業負荷データを重症度によって自動的に調整するための方法および装置であ
る。

【０００２】 （発明の背景） 現代のビジネスにおける絶えない困難は、効率的にリソースを管理および使用
することである。管理が必要なリソースの１つは職員配置である。ヘルス・ケア
環境における医師、看護婦、技師など、異なるすべての職員配置レベルで、職員
が多すぎると必要以上のリソースが消費される。しかし、職員が少なすぎると、
必要なすべての作業を遅れずに完了させることができない。したがってヘルス・
ケアの状況では、職員が不十分な場合、患者のケアが危うくなり質が悪化する可
能性がある。しかし、職員が多すぎるとリソースが効率的に使用されない。この
ことは、患者がどれくらい重症かによって患者のケアに必要な作業負荷が決まる
ことから、ヘルスケアの状況では複雑である。

【０００３】 さらに、多くのビジネス環境では、作業は変化する。例えばヘルス・ケア環境
では、患者が急に殺到すると、しばしば医療上の職員配置の要求が劇的に変化す
ることになる。これらの作業変化のせいで、いつでも最適な職員配置を決定する
ことは困難である。

【０００４】 この問題に対する従来の手法は、段階的なプロセスを用いて職員配置レベルを
決定するものである。通常、考慮中の作業に対してフルタイム換算（「ＦＴＥ」
）による割振りを行うことにより、職員配置に関するベースラインを決定する。
この職員配置レベルは、見識のある監督者が自分の担当する領域に関する作業の
必要性を満たすのに必要な職員配置を見積もり、次いで将来を見越して小さな変
更を行って職員配置レベルを計画することによって精密なものにする。最終調整
は、その場で追加職員を呼んで予期しなかった要求を管理するか、作業を多く見
積もり過ぎた場合に職員を取り消すことにより、リアルタイムで行う。ベースラ
インを精密にすることおよび最終調整は、その主観的性質が特徴的である。職員
配置決定は、決定者の経験とこれらの偏りの両方に依存する。

【０００５】 したがって、職員リソースをより効率的かつ客観的に割り振るための装置およ
び方法が必要とされている。さらに、患者をケアするのに実際に用いられた作業
負荷を比較できるように患者の母集団を重症度調整するための装置および方法も
必要とされている。

【０００６】 （発明の概要） 本発明の目的は、職員リソースをより効率的に割り振るための装置および方法
を提供することである。

【０００７】 本発明の別の目的は、現在行われている作業に必要な職員配置を推定する際に
、過去の作業負荷統計に関するデータを使用することである。

【０００８】 本発明の別の目的は、コンピュータを使用して必要な職員配置を推定すること
である。

【０００９】 本発明の目的は、患者の母集団が変化するヘルス・ケア環境で職員リソースを
より効率的に割り振るための装置および方法を提供することである。

【００１０】 本発明の別の目的は、現在の患者の作業負荷に必要な職員配置を推定する際に
、過去の患者特性および作業負荷統計に関するデータを使用することである。

【００１１】 本発明の別の目的は、コンピュータを使用して、現在の患者母集団に必要な職
員配置を推定することである。

【００１２】 本発明の別の目的は、種々の患者母集団のケアに用いられる作業負荷を比較す
るための装置および方法を提供することである。

【００１３】 本発明の別の目的は、過去の作業負荷統計に関するデータおよび参照作業負荷
データを使用して、ヘルスケアの配置の生産性を決定することである。

【００１４】 本発明の別の目的は、コンピュータを使用して、重症度の調整がなされた作業
負荷および生産性を決定することである。

【００１５】 本発明の目的は、生産性をより正確に分析するための装置および方法を提供す
ることである。

【００１６】 本発明のこれらの目的をとりわけ達成するために、本発明は、コンピュータを
使用して必要な職員配置を推定する職員配置推定方法および装置を提供する。コ
ンピュータは、現在行われている作業に関する様々な予測因子と、完了した作業
に関する予測因子と、完了した作業に割り振られたリソースであってその作業が
適時に完了することを可能にしたリソースとをメモリに記憶している。過去の作
業の予測因子および割り振られた関連リソースをガイドとして使用することによ
り、過去の作業と割り振られたリソースとの相関を記述したモデルを生み出す。
その後、このモデルを使用して、現在の作業を適切に行うのに必要な職員配置レ
ベルを決定する。

【００１７】 好ましい一実施態様では、コンピュータは、年齢、性別、身体疾患など、現在
の患者母集団に関する様々な特性を、類似の特性を有する代表的な過去の患者母
集団およびその過去の患者母集団に割り振られたリソースと共にメモリに記憶す
るが、リソースには過去の患者母集団のケアに必要とされた職員配置レベルが含
まれる。過去の患者特性および割り振られた関連リソースとをガイドとして使用
することにより、過去の患者母集団と割り振られたリソースとの相関を記述した
モデルを生み出す。その後、このモデルを使用して、現在の患者母集団を適切に
ケアするのに必要な職員配置レベルを決定する。

【００１８】 さらに本発明では、地域慣習、作業負荷パターンの変化に対する調整、リソー
ス利用における所望の変更、最近完了した作業の結果として得られた新しい情報
など、他の因子に基づいて職員配置レベルの推定を精密にすることも可能である
。

【００１９】 過去と現在の作業負荷から得られたデータを使用することにより、本発明は、
所与の施設で、必要な職員配置を現在の作業とより適切に合致させるために職員
配置要件の不偏推定を行うことができる。

【００２０】 患者および作業負荷の履歴データを使用することにより、本発明は、患者特性
について履歴データを重症度調整し、履歴の患者母集団をケアする作業負荷の生
産性の不偏推定を提供することができる。

【００２１】 本発明の非限定的な例示的実施形態による図面を参照しながら、本発明の前述
およびその他の目的、特徴、および利点について、後続の詳細な説明の中でさら
に述べる。いくつかの図を通して、同じ参照番号は本発明の同様の部分を表す。

【００２２】 （好ましい実施形態の詳細な説明） 図１に、本発明による職員配置割振りシステム１００を示す。図示のように、
このシステムは、データ入力用と処理用と出力用に別々のコンピュータ１１０を
有する分散コンピュータとして構成することが好ましい。周知のように、これら
の別々のコンピュータは何らかのタイプのローカル・エリア・ネットワーク中で
繋がっていることが好ましく、したがって、各コンピュータ１１０は、サーバ１
２０を介して中央データベース１３０にアクセスすることができ、中央データベ
ース１３０は、本発明によって所望の職員配置割振り情報を得るために使用され
るデータを含む。中央データベース１３０は、単一の物理データベースである必
要はなく、サーバ１２０またはコンピュータ１１０が必要なデータを得るために
アクセスすることのできるデータベースの集合として相応に考えられる。本発明
による職員配置割振りシステム１００の別の部分は、コンピュータ１１０のいく
つかまたはサーバ１２０上にあるアプリケーション・ソフトウェア・プログラム
である。周知のように、コンピュータ１１０またはサーバ１２０のうちの１つの
プロセッサが、以下に述べる本発明の機能を実施するプログラム命令を実行する
。意図された本発明の範囲から逸脱しない限り、特定のシステム１００に様々な
修正を加えることができることを理解されたい。

【００２３】 本発明による職員配置割振りシステムは、３つの全体的な態様を有する。この
職員配置割振りシステムの第１の態様は、完了済み作業と、そのような完了済み
作業に関係する予測因子と、完了済み作業に対する関連リソース割振りとを使用
して、過去の作業と完了に必要とされたリソース割振りとの関係を記述したモデ
ルを生み出すものである。本発明の第２の態様は、生み出したモデルを使用して
、完了する必要のある現在の作業を完了するのに必要なリソース割振りを推定す
るか、あるいは所与のリソース割振りの場合に完了できる作業を推定するもので
ある。本発明の第３の態様は、新しいまたは変化する情報に基づいて、生み出し
たモデルを更新するものである。以下、これらの各態様についてより詳細に述べ
る。

【００２４】 ヘルス・ケア環境、特に病院のヘルス・ケア環境を対象とした本発明の特定の
実施形態を論じる前に、本発明は、ヘルス・ケア環境とは異なる環境において職
員配置が必要な場合にも適用可能であることを理解されたい。

【００２５】 ヘルス・ケア環境では、各患者が自分に関連するいくらかの量の作業を有する
と考えることができる。この患者のいくつかの特性は、この所与の患者が必要と
するケア（「作業」）の量を予測するものである。したがって、以下に論じる好
ましい実施形態では、病院内で必要とされる職員配置に関して本発明を述べるが
、本発明のいくつかの態様を他の作業環境に適用することもできることを理解さ
れたい。

【００２６】 本明細書で使用するいくつかの用語についても理解されたい。用語「作業」ま
たは「プロジェクト」は、所与の患者に対するケアの管理に関連するすべての作
業など、完了する必要のあるタスクに関連するが、これは用語「作業負荷」とは
区別される。「作業負荷」は、作業を完了するため、または特定の実施形態では
患者のケアを適切に管理するために必要なリソース割振りに関連して使用する。

【００２７】 以上のことに鑑みて、本発明の好ましい実施形態を、病院環境で行われる作業
およびそれに関連する職員配置に関して述べる。ただし最初に、本発明の好まし
い実施形態によって実装されるシステムを理解する助けとなる背景を提供する。

【００２８】 病院環境では、患者は、患者のケアを適切に管理するために異なる時間量（作
業負荷）を患者に割り振る際に、異なる様々な職員を必要とすると考えることが
できる。従来、各患者ごとに記録が保持されるので、本発明者は、医師、看護婦
、事務員、瀉血専門医、検査技師など、異なる様々な病院職員からいくらかの作
業負荷を必要とするものとして患者を考えるのが有用であると決定した。これら
の異なる各職員には、その患者のケアに必要な作業負荷単位または作業単位を関
連付ける。作業負荷単位は、看護、事務員、瀉血専門医、検査技師などのスキル
・レベルに分解することもでき、また、作業負荷参照データが参照データベース
中で取り込まれる限り、所望の単位の作業負荷単位全体とすることもできる。急
性期治療病院の場合の典型的なコスト・センタ分解を、ほぼ普遍的に利用可能な
作業負荷データ詳細のタイプを示すものとして以下の表Ｉに提供する。

【表Ｉ】

【００２９】 臨床検査室などのコスト・センタはさらに詳細レベルに分解することができ、
これは各コスト・センタに一般に利用可能である。このプロセスを臨床検査室に
ついて上に示してある。したがって、収集および予測される作業負荷単位は、患
者に対する総作業負荷、臨床検査室作業負荷、微生物学作業負荷、または微生物
学技師作業負荷とすることができ、詳細レベルが徐々に高くなる。上の表Ｉの各
コスト・センタごとに、同様の詳細レベルが存在することになる。この詳細レベ
ルをデータの細分性と呼ぶ。細分性の細かいデータは多くの詳細を含み、細分性
の粗いデータは相応に少ない詳細を有する。細分性の細かいデータは通常、施設
全体に対して得られ、これはより詳細な予測を可能にする。

【００３０】 さらに、各患者には、異なる職員に必要とされる作業負荷を予測する可能性の
ある様々な特性を関連付ける。予測する可能性のあるこれらの特性には例えば、
年齢および性別、ｚｉｐコードや保険支払人などの人口学的因子、患者が受けて
いる手術処置（もしあれば）、ＩＣＤ−９−ＣＭ診断コードに反映されるような
履歴情報および診断情報、処置コード、検査室テスト結果、および現在のケア・
エピソードに対する生理学的測定値が含まれる。加えて、以前の入院、通院ケア
での接触、処方箋、検査室テスト結果などに関する履歴データが利用可能な場合
、これらも一般に、現在の作業要件に対する予測値を有する。予測特性は、ケア
・エピソード全体に対して、あるいはケア・エピソード中に一日ごとまたはシフ
トごとに、作業負荷を予測するのに有用とすることができる。

【００３１】 図２に、本発明による、過去の患者母集団に基づいてモデルを生み出すプロセ
スのフローチャートを示す。最初にプロセス全体について述べ、その後で各プロ
セスステップについてより完全に詳述する。このモデルを生み出すプロセスにつ
いて述べる前に、生み出されるこのようなモデルが通常、患者の母集団全体を記
述するために多く必要であることを理解されたい。したがって、様々な多くのモ
デルが生み出され、生み出されたモデルはそれぞれ、職員配置要件と特定のタイ
プの患者との関係を特徴付ける。その後、ターゲット患者の特性に基づいて、利
用可能な多くのモデルの中から適したモデルを予測に向けて選択する。ステップ
２００で、過去の患者母集団に関係するケース・データを含む参照データ・セッ
トを得て、プロセッサがそれに作用できるようにする。周知のように、このデー
タ・セットは訓練セットと呼ばれる。具体的には、参照データ・セットは通常、
修正ＵＢ−９２退院データ・セットなどの退院データ・セットであり、これに作
業負荷単位がリンクされている。後で述べるように、その他の財務および臨床デ
ータ要素をこのデータ・セットにリンクしてもよい。この退院データ・セットは
、患者の人口統計に関するフィールドおよびこのケア・エピソードの特性に関す
るフィールドを含むことになる。特定の患者に対する退院データ・セットにリン
クされた作業負荷単位は、詳細な作業単位記述子または要約記述子を含むことが
できる。実際、典型的には、前述のような看護や事務員など複数の詳細な作業記
述子、ならびにこれらの時間分割、例えば第１日第１シフト、第１日第２シフト
などがある。あるいは、データ中で利用可能な細分性と、モデルおよび予測にお
いて望まれる細分性とに応じて、作業負荷の単一の総計値だけがあってもよい。

【００３２】 以下の表ＩＩに、リンクされた例示的な作業負荷単位を有する、単一の退院患
者に対する例示的な退院データ・セットを示す。この表は、単一の患者に関連す
る例示的なフィールドのセットに対する短い名前と、フィールドの記述を提供す
る。付録Ａに、退院データ・セットに関連するこれらおよびその他の例示的なフ
ィールドのいくつかについて、より詳細な記述を提供する。

【表２】

【００３３】 通常、年齢や性別などいくつかのフィールドはすべての退院データ・セット上
にあるが、退院データ・セット中のフィールドの内容は、患者が病院にいた理由
に応じてかなり異なるものになり、これにより患者のケア・エピソードの特性が
患者ごとに異なるものになったことになる。患者の退院データ・セット内にあっ
てよいその他のフィールドを、それらの例示的なフィールドを記述した例示的な
データ辞書と共に、付録Ａに添付した表に提供する。

【００３４】 退院データ・セットはまた、血糖や白血球数やヘマトクリット値などの検査室
テスト結果を含むデータ・セットなど別のデータ・セットを含むか、またはそれ
にリンクしてもよい。あるいは、別のデータ・セットは、薬物や投与量や投与時
刻などの薬学処方箋データを含むデータ・セットでもよく、血圧や呼吸数や体温
などの生理モニタリング・データを含むデータ・セットでもよく、病院ケア・エ
ピソード中に収集されたこのような類似のデータを含むその他のデータ・セット
でもよい。

【００３５】 退院データ・セットはまた、データ・セットがカバーする期間中に２度以上入
院した患者に対する複数のケア・エピソードについてこのような情報を含むこと
もでき、さらに、外来および通院のデータ、保険データ、ならびに同様のヘルス
ケア関係データにリンクすることもできる。

【００３６】 過去の患者の数が、様々なタイプまたはグループの患者に対する適切な作業負
荷の予測を提供するのに十分なだけ多くなるように、ヘルスケア・システムまた
は病院から退院した患者の１年以上にわたる母集団全体を使用することが好まし
い。必要なら、別のソースからケースを参照データ・セットに加えることもでき
る。例えば、参照データ・セットが一般病院から用意されたものであり、用意さ
れたこの参照データ・セットに反映されていない神経外科の大きな母集団を有す
る病院で予測が行われる場合、大きな神経外科ケース表現を有するソースから追
加の退院患者を参照データ・セットに追加することができる。これにより参照デ
ータ・セットは、職員配置を推定する必要のある施設内の典型的な患者母集団に
、より密接に関連するようになる。

【００３７】 ステップ２１０で、類似の特徴を有する患者の集合を作る。これらのグループ
化は、処置、診断、またはその他の特徴によって行うことができる。その内容な
らびに広く使用されていることから有用なグループ化の１つは、診断群分類（Ｄ
ＲＧ、Ｄｉａｇｎｏｓｉｓ Ｒｅｌａｔｅｄ Ｇｒｏｕｐ）の異形、すなわちＨ
ＣＦＡ−ＤＲＧ、ＡＰＲ−ＤＲＧ、Ｒ−ＤＲＧ、ＡＰＧ、または類似のリソース
・ベースのグループである。コンピュータ１１０のうちの１つに関連するプロセ
ッサは、単一の退院患者およびそれに対応するデータが特定のグループに関連付
けられるようにする確立された抽出パラメータを使用して、これらのグループ化
を実施する。ただし、集合範疇が異なっていれば単一の患者を複数のグループ化
に関連付けることもできることに留意されたい。以後の考察をわかりやすくする
ために、この考察の残りの部分では、これらのグループ化を確立するのに使用す
るパラメータを「ＤＲＧ」パラメータと呼ぶが、実際にはどんな選択基準でもよ
い。したがって、例えば表ＩＩの退院データ・セットを参照すると、ＤＲＧフィ
ールドを使用してグループ化を割り当てている。このＤＲＧフィールドを退院デ
ータ・セット内で識別することにより、コンピュータ１１０は、ＤＲＧグループ
化に関連付けられるすべてのケースをこの退院データ・セットから選択すること
ができる。したがって例えば、ＤＲＧ１２７「心不全およびショック」に割り当
てられたすべての患者を単一のグループと考えて、心不全およびショックで収容
された患者に対する作業負荷予測のためのモデルを作り出すことができる。

【００３８】 その後、ステップ２１２で、コンピュータ１１０は、確立されたグループ化を
使用して、すべての退院患者ケースに作用し、これらのケースに対して適切なす
べてのグループ化を識別する。これは、特定の退院患者の退院データ・セットに
対する既存のデータにグループ・フィールドを追加することや、すべての患者を
別個のデータ・ファイル中に抽出することなどにより、多くの方式で実施するこ
とができる。どのように実施するかにかかわらず、様々ないくつかのグループが
確立され、それぞれは前述のＤＲＧパラメータなどのパラメータによって他と区
別される。

【００３９】 その後、ステップ２１４で、オペレータまたはコンピュータ１１０は、各グル
ープごとに候補予測因子のセットを選択する。考慮中のグループに関する見識の
ある人がこの選択プロセスを実施または監視するか、あるいは結果を評価するこ
とが好ましい。ほとんどのグループで、これらの因子はとりわけ性別および年齢
を含むことになるが、保険支払人、ｚｉｐコード、診断、入院時体温、およびそ
の他を含めた、測定された任意の患者特性を予測因子とすることができる。年齢
および性別以外では、主に診断ツールとして現在広く使用されていることからＩ
ＣＤ−９−ＣＭ診断が最も強力な予測因子の１つである。その他の診断範疇を使
用することもできるが、標準化された定義が望ましい。１つのグループに対して
候補予測因子をいくつ使用してもよく、通常はこのような候補因子がおよそ何十
または何百もある。

【００４０】 候補予測を選択することの一部としてステップ２１６が続き、ここでいくつか
の候補予測因子を１つのクラスタにして、クラスタ化候補予測因子を形成するこ
とができる。このオペレーションにより、クラスタ化された各候補予測因子のう
ちの１つが存在することで、そのクラスタ化候補予測因子が存在することが示さ
れることになる。例えば、ＩＣＤ−９−ＣＭコード４１２およびＶ４５．８２は
それぞれ「急性心筋梗塞の履歴」および「経皮経管的血管造影の履歴」である。
これらのコードは、別々の候補予測因子として使用することもできるが、例えば
Ｃｌ００１などのクラスタ化候補予測因子にまとめることもできる。クラスタは
、この場合のように臨床基準に基づくこともでき、その他当該のどんな基準に基
づくこともできる。

【００４１】 あるグループに対する候補予測因子のクラスタ化の一例を、以下の表ＩＩＩに
示す。

【表３】

【００４２】 示したように、ＩＣＤ−９−ＣＭコード４０２、４０２０、４０２００、４０
２０１、４０２１、４０２１０、４０２１１、４０２９、４０２９０、４０２９
１に対応する臨床基準は、１つのクラスタにされてＣＬ００１１の符号の付いた
クラスタ化候補予測因子を形成する候補予測因子である。

【００４３】 その後にステップ２１８が続き、実際の予測因子として使用されることになる
このグループの候補予測因子を選択するプロセスを開始する。何千ものＩＣＤ−
９−ＣＭコードと、合わせてクラスタにすることのできる多くのコードと、その
他非常に多くの考えられる患者特性とがあるので、非常に大きな診断関連の予測
因子候補のグループができる可能性がある。これらの候補から予測因子を選択す
ることは、コンピュータによって自動的に達成することもでき、オペレータによ
って対話式に達成することもできる。自動的なプロセスは、すぐ後に述べる対話
式のプロセスと同様である。実際の予測因子を選択するプロセスを開始するため
に、退院データ・セット中の各ケースごとに、クラスタ化候補予測因子を含めた
各候補予測因子の有無を要約する。具体的には、コンピュータ１１０によってス
プレッドシートまたはその他のリストが生成されるが、これは、個々の診断など
の各候補予測因子ごとに、またはＣＬ００１１などのクラスタを形成する診断と
して一括で、その候補予測因子を示した患者の数（カウント）と、滞在期間（ｌ
ｏｓ）と、この因子が関連付けられたケア・エピソードによって消費される各タ
イプの平均作業負荷単位（作業負荷単位）とを提供する。以下の表４に、生成さ
れた予測因子要約の一例を示す。

【表４】

【００４４】 次いで、オペレータはリストを調べて、検討する候補予測因子を利用可能な数
まで対話式に選択することができる。別法として、候補予測因子は、全体効果の
大きい因子を強調するために、発生数や（ｏｃｃｕｒｒｅｎｃｅｓ＊ｗｏｒｋｕ
ｎｉｔｓ）のような重み付けの値など、事前設定済みの基準に基づいて自動的に
選択することもできる。あるいは、極端な値を強調するために、（ａｖｅｒａｇ
ｅ ｗｏｒｋｕｎｉｔｓ−ｗｏｒｋｕｎｉｔｓ）²などの因子に基づいて自動的
に選択することもできる。

【００４５】 追加の予測因子を自動的にまたは手動選択に基づいて追加することもできる。
これらの因子のいくつかは、患者の臨床状態に基づいて選択することができる。
例えば、感染症を患った患者のグループに割り当てられた患者では、提示から抗
生物質の投与までの時間、静脈内抗生物質の使用、提示白血球数、および識別さ
れた感染性組織体を予測因子の選択に含めることになる場合がある。心筋梗塞で
収容された患者は、血栓溶解療法までの時間、ピーク血液クレアチンキナーゼＭ
Ｂバンド・レベル（検査室テスト）、および長期クマジン投薬を、選択される候
補予測因子とする場合がある。産科の患者は、産前ケア、長期抗てんかん薬物療
法、および入院時ヘマトクリットの履歴を、候補予測因子とする場合がある。

【００４６】 予測因子の数は、正確な予測ができるのに十分な多さでなければならないが、
訓練データ・セット以外のデータにモデルを一般化できるのに十分な少なさでな
ければならない。経験則では、訓練セット・ケース数の８分の１以下の、いくつ
かの予測因子から始める。次いで、この数をこの実装形態によって自動的に調整
して、またはオペレータによって手動で調整して、正確かつ一般的なモデルを得
ることができる。以下、このプロセスについて論じる。このプロセスが完了する
と、考慮中のグループに最も適切と思われる予測因子が選択され、したがってそ
れらが実際の予測因子となる。

【００４７】 この後にステップ２２０が続き、実際の予測因子、グループ中の各ケースに対
する参照データ・セット、および各ケースに対する関連する作業負荷の値に基づ
いて、グループ入力テーブルがコンピュータ１１０によって構築される。したが
って、この情報を使用してグループ入力テーブルが構築されるが、このグループ
入力テーブルは、各ケースについて実際の予測因子が存在するかどうかを示す。
実際の予測因子はそれぞれ、検討されている患者がその因子を示す場合は２進数
「１」として符号化され、その因子を示さない場合は２進数「０」として符号化
される。年齢や以前に収容された回数などの連続的な因子は、ケースごとに適宜
計算される。連続的な因子に関しては、予測に因子の全範囲は必要ではないか望
ましくないと決定される場合がある。例えば年齢に関して、何らかの最小値を下
回り、何らかの最大値を上回る年齢は、職員配置を決定するための予測値を常に
それ以上提供するわけではないことが決定された。したがって、一般的な内科／
外科患者の場合、この最大値（典型的には８５歳）を上回り、４５歳などの最小
値を下回る年齢は、最大値および最小値として入力される。これらの年齢制限は
、グループおよび予測される作業負荷ごとに変わってくることがある。表５にグ
ループ入力テーブルの一例を示すが、これは、性別、削減調整した年齢、および
その他６つの予測因子、ならびにグループ中の各ケースに関連する総作業負荷単
位を含む。

【表５】

【００４８】 ステップ２２２が続き、ユーザは適切な候補のリストからモデル・タイプを選
択する。存在するモデル・タイプには、周知のように、以下の形の線形モデル・
タイプが含まれる。 Workload=a+b*Factor1+c*Factor2+...+z*FactorN あるいは、以下の形の非線形モデルが含まれる。 Workload=exp-(a+b*Factor1+c*Factor2+...z*FactorN) あるいは、 Workload=1/(1+exp-(a+b*Factor1+c*Factor2+...+z*FactorN) 上式で、Ｆａｃｔｏｒ１、Ｆａｃｔｏｒ２．．．ＦａｃｔｏｒＮは、実際の各
予測因子に対応する「０」と「１」のいずれかの２進数因子である。Ｗｏｒｋｌ
ｏａｄは、患者をケアする際に必要な実際の作業負荷であり、ａ、ｂ、ｃ．．．
ｚは、グループ入力テーブルに対する作用の結果としてこのモデルによって得ら
れる係数である。

【００４９】 以下の表６に、異なる３つの線形モデルの場合の例示的な結果を示す。この表
には、ＤＲＧ０８０に基づくモデル、Ｐｒｏｃｅｄｕｒｅ８１５１に基づくモデ
ル、およびＤＲＧ１２７に基づくモデルの場合に作り出された線形モデルが示し
てある。示すように、これらはそれぞれ対応するモデル・タイプを有し、この例
で前述のようにして決定された係数（ａ）〜（ｇ）を有する各モデルに特定の患
者のデータが加えられたとき、いくらかの作業負荷単位が生じることになる。

【表６】

【００５０】 当然、他の数学モデルや人工ニューラル・ネットワーク（ニューラル・ネット
）モデル・タイプなど、他のモデル・タイプを選択してもよい。ニューラル・ネ
ット・モデル・タイプは単純な数字表記法には向かないが、パラメトリック・モ
デル・タイプと同じようにして予測のために実装される。オペレータは、予測因
子と実際の作業負荷データとの関係に対する最良適合を提供するモデルを選択す
るために、様々ないくつかのモデル・タイプから選択することができる。別法と
してこの選択は、本発明の実装形態によって自動的に行ってもよい。これは、可
能なモデル・タイプをそれぞれ構築し、実際の作業負荷に対する予測された作業
負荷の適合度に関する最も高い相関係数または最小モデル・エラー総計など、事
前設定済みの基準を使用して最良の予測をもたらすモデル・タイプを選択するこ
とによって達成される。付録Ｂに、モデル構築に関する追加情報を提供する。

【００５１】 ステップ２２２でモデル・タイプを選択した後にステップ２２４が続くが、こ
のステップでは、モデル・タイプに対応する解析ツールを使用して、データをモ
デル・タイプに適合させてグループに対するモデルを構築するためにグループ入
力テーブルを処理するか、あるいは、選択したモデル・タイプが不適切であると
判定し、別のモデルを選択すべきであることを指示する。モデル構築は本質的に
、グループ・データの解析を行って、選択されたモデル・タイプが、そのグルー
プを構成する過去の患者に関してわかっている実際の予測因子と、そのグループ
に関連する作業負荷との関係を記述するのに使用できるかどうかを判定する。こ
のモデル構築は、様々な技法を用いて行うことができる。数学モデルの曲線のあ
てはめの場合、最小二乗法、シンプレックス法、ニュートン・ラフソン法など、
または類似の方法を用いることができる。周知のように、目標関数が定義され、
これらのツールで最小化される。好ましい実装形態では、目標関数は、モデルを
作り出した対象である患者すべてに対する予測作業負荷と実際の作業負荷との差
の関数とすることができる。このタイプの最適化で使用される一般的な関数は、
実際の作業負荷の値と予測作業負荷の値との差の二乗の合計である。その他の関
数として、差の絶対値を使用することもできる。前者の関数を使用する場合、適
合は、訓練データ・セットに対する、モデルのいわゆる最小二乗法適合の同等物
である。これらのフィッティング・アルゴリズムを実施するのに使用できる例示
的なツールには、特注でコード化されたソフトウェア・モジュール、解析ツール
が組み込まれたＭｉｃｒｏｓｏｆｔ ＥｘｃｅｌなどのＯＬＥサーバ、アドイン
解析拡張されたＯＬＥサーバ、またはＳＰＳＳ、ＳＡＳ、Ｍａｔｈｅｍａｔｉｃ
ａ、Ｓｔａｔｉｓｔｉｃａなどの解析ソフトウェア・エンジン、またはその他の
スタンドアロン解析モジュールが含まれる。最も一般的なモジュールは、Ｅｘｃ
ｅｌまたは解析アドイン付きＥｘｃｅｌである。モデルがニューラル・ネットま
たはその他のノンパラメトリック法である場合は、ステップ２２４で、ニューラ
ル・ネット・トレーナまたはその他のノンパラメトリック法を呼び出し、それを
グループ入力テーブル（ステップ２２０からの表５）に渡してモデル［Ｃｏｒｒ
ｅｃｔ］を生み出す。訓練はニューラル・ネットで周知のとおりであり、逆伝播
訓練による人工ニューラル・ネットワークの一実装形態は、訓練データに対する
、モデルの最も急な勾配の最小二乗法適合と同等である。モデルは、後で使用す
るためにデータベース１３０中に保存され、モデル・タイプに対応するフォーマ
ット、例えばパラメトリック・モデル用のデータベース・フォーマットやノンパ
ラメトリック・モデルおよびニューラル・ネット・モデル用のモデル・ライブラ
リ・フォーマットなどで記憶される。

【００５２】 周知のように、モデルをテスト退院データ・セットについて妥当性検査して、
その一般性および正確度を確定することができる。このプロセスでは、モデルを
使用して、実際の作業負荷がわかっている適切なタイプのケースの退院データ・
セットに対する作業負荷を予測する。これらは、テスト・データ・セットまたは
妥当性検査データ・セットと呼ばれる。モデルの正確度は、予測された作業負荷
と妥当性検査セット中の実際の作業負荷との差の総計として表され、この値が許
容できるほど小さい場合は、モデルを受け入れて実際の予測に使用する。モデル
が正確でない場合は、許容できるほど正確かつ一般的なモデルが見つかるまで、
新しいモデル・タイプを構築するか、追加またはより少数または別の予測因子を
選択して同じモデルを再構築する。

【００５３】 プログラムが種々のモデル・タイプを探索してデータの適合を試みるようにス
テップ２２２と２２４を結合してもよく、したがって、あるモデル・タイプが受
け入れられない場合、コンピュータ１１０は正確かつ一般的なモデルが作り出さ
れるまで自動的に次のモデル・タイプに進むことに留意されたい。

【００５４】 さらに、ステップ２２２と２２４を結合して、最初に単一のグループに割り当
てられていた患者の抜粋に対して２つ以上のモデルを作り出すこともできる。こ
の例では、グループは、オペレータ入力、または本発明の実装形態によって行わ
れる自動決定ツリー・プロセス、あるいはこの２つの組合せに基づいて、２つ以
上のグループに細分される。オペレータが細分を選択する場合は、このオペレー
ションは別々の２つのモデルを前述のように構築することと同等である。自動決
定ツリー・プロセスを実施する例示的な状況は、グループが最初、訓練入院デー
タ・セット中の１つのケア・エピソードに対してだけしかみられない患者と複数
回みられる患者との両方を含むときである。受け入れられるモデルをモデル構築
プロセスが作り出せない場合、グループは自動的に単一エピソードの患者と複数
エピソードの患者に細分され、各グループに別々のモデルが作り出される。手動
と決定ツリー・プロセスを組み合わせて行う例示的な状況は、最初のモデルが、
予測された作業負荷に対して非常に大きな性別の影響を示すときである。この状
況では、オペレータは、退院データ・セットを男性患者と女性患者に細分すべき
かどうか問われ、各グループに別々のモデルを作り出することができる。新しく
作り出されるモデルではしばしば、高発生率の診断または処置が２つのグループ
で異なり、単一のモデルよりもよい予測正確度を有することになる。モデルが複
数ある方が正確となる同様の状況は、容易に想像することができる。一般に、グ
ループ中の患者に対して予測すべき異なる作業負荷単位ごとに、異なるモデルを
作り出す。したがって、総作業負荷について１つのモデルを作り出し、細分性レ
ベルおよび当該の作業負荷範疇ごとに、看護作業負荷、検査室総作業負荷、微生
物学作業負荷、微生物学技師作業負荷などについて異なるモデルを作り出す。さ
らに、後で述べるように、当該の各時間尺度ごとに異なるモデルを作り出す。

【００５５】 グループごとにモデルが得られると、次いで、このモデルを使用して本発明の
別の態様を実施することができる。この態様は、現在の患者母集団に基づいて実
際に作業負荷を推定するものである。あるいは、本発明のもう１つの態様を実施
することができ、この態様は、患者の履歴の集合についての重症度調整および生
産性計算である。まず、本発明の前者の態様について述べる。

【００５６】 すべてのグループに対してモデルを構築すると、職員配置評価システム１００
はこれらのモデルを使用して、現在の患者母集団をサポートするのに必要な職員
配置を予測することができる。このプロセスについて、図３を参照しながら述べ
る。

【００５７】 最初に、現在の患者母集団に関する患者データを得る。この患者データは、図
２に関して先に論じたデータに対応する。ステップ３１０で、このデータを本発
明の予測モジュールに入力する。モデル構築に使用したデータ・セットは、アク
セス可能であり予測値を有するかもしれないすべての可能なデータを含んでいた
が、この患者データは、そのような可能なデータを含んでもよく、あるいは、受
け入れたモデルにおいて予測因子を計算するのに実際に必要なデータ要素に限定
してもよい。

【００５８】 その後にステップ３１２が続き、コンピュータ１１０は患者データ・セットを
使用して、各患者をリストする適切なグループを決定する。グループ化はすでに
確立されているので、必要なのは患者を既存のグループに割り当てることだけで
ある。この割当ては、コンピュータ１１０により、患者データ・セット上で動作
する所定の決定ツリーまたはその他の決定構造に基づいてグループを割り当てる
ことによって自動的に行うこともでき、あるいはオペレータによって手動で行う
こともでき、あるいは何らかの組合せにより、コンピュータ１１０が決定ツリー
を使用して所与の患者に対する最も可能性の高いグループを決定した後でオペレ
ータが最適なグループを選択することもできる。一般的には、これはコンピュー
タだけで達成される自動プロセスである。決定ツリーに関しては、様々な患者が
それぞれＤＲＧ（表２参照）に一意的に割り当てられ、したがって、各患者はそ
のＤＲＧに対応するグループに割り当てられることが好ましい。診断や処置など
他のいくつかのグループ化では、１人の患者が、可能性ある２つ以上のグループ
化に含められる場合がある。この場合、患者は決定ツリーに基づいて自動的にあ
るグループに割り当てるか、オペレータによって手動で割り当てるか、２つのプ
ロセスの組合せによって割り当てることができる。この場合もまた、最も一般的
な実装形態では割当ては自動であり、最も正確なモデルを有するグループに割り
当てられる。この自動の割当ては、予測の正確度を向上させるためにこの実装形
態によって前述のような性別特有モデルやエピソード数モデルなど複数のモデル
が自動的に構築されたときに、非常に一般的に使用される。手動とコンピュータ
・オペレーションを組み合わせた場合は、患者が割り当てられる可能性のあるグ
ループがオペレータに提示された後で、オペレータが最も適切と判断したグルー
プを選択することができる。

【００５９】 ステップ３１４で適切なグループを選択すると、次いでそのグループに対応す
る正しいモデルを探す。このステップの一部として、モデルが数学的である場合
はアーカイブから因子および重みもまた取り出し、そうでない場合はノンパラメ
トリック・モデルをライブラリ・ルーチンにロードする。

【００６０】 使用するモデルを決定した後にステップ３１６が続き、ここで患者データを使
用して、このグループに使用される実際の予測因子の状況を決定し、モデルによ
って使用されるその他のデータを得る。したがって、この患者に対して、診断ま
たはその他の２進因数の有無を用いて２進数予測因子の状態（「０」または「１
」）を決定する。年齢（適用可能なら先に論じたようなしきい値が適用される）
や以前の入院回数などの連続的な予測因子を計算し、必要な類似の連続的因子を
処理する。性別やｚｉｐコードなど、その他の予測因子も必要に応じて処理する
。

【００６１】 続いてステップ３１８で適切なモデルが実行され、対称作業量カテゴリに対し
、その患者に関連する予測作業量が決定される。次の表６Ａ〜６Ｃに、患者デー
タのサンプル、実際の予測ファクタ、および線形モデルの計算例を示す。表６Ａ
は、ＤＲＧ ０８０、Ｐｒｏｃｅｄｕｒｅ ８１５１、およびＤＲＧ １２７に
対して展開される線形モデルの別のセットを示したものである。表６Ｂは、３人
の異なる患者の患者データの部分セットを示したものである。

【表７】

【表８】 クラスタＣ１００１は、診断３４５１および５４３３を含み、クラスタＣ１００
２は、診断４１４００、４１４０１、４１４０２、．．．４１４９９を含んでい
ることに注意されたい。表６Ｂの患者Ｂ９ＧＢＬＥＥ３Ｌに対する予測作業負荷
単位を計算するために、記録が０８０のＤＲＧを示していることは明らかである
。保存モデル表６Ａの第１行は、ＤＲＧ ０８０に適用することができ、モデル
・タイプは４で、線形モデルである。表６Ｃに示すように、以下の項目は、線形
モデルの中で合計される。

【表９】 したがって予測作業負荷単位は、１０．１０８＋０＋２．１７３５＋０−５．４
８９５、すなわち６．７９２作業負荷単位である。

【００６２】 次に、各患者に対してステップ３１０〜３１８のシーケンスが繰り返され、病
室または病院全体など、より大きいグループに対する予測作業量が決定され、作
業単位予測が所定のルールに従って集計される。この集計は、単純な合計である
ことがしばしばであるが、患者治療相互作用ファクタを考慮することもできる。
また、ステップ３１０〜３１８は、各患者に対して、異なるカテゴリの予測すべ
き作業量毎に繰り返され、異なる作業量カテゴリ毎に同様の集計が実施される。
患者行と作業量カテゴリ列のマトリックス・エレメントの相互作用は、集計時に
考慮される第二次の患者治療相互作用を示している。

【００６３】 作業量を予測することは可能であるが、予測作業量の更新あるいはモデルの更
新を必要とする多くの動的事象が存在している。次に各プロセスについて説明す
る。

【００６４】 予測作業量の更新については、ある患者の作業量が予測された後、その患者の
状態が変化することがあり、そのため、変化した状態に合わせて、その患者の作
業量を再予測しなければならない。したがって、その前に予測された作業量が破
棄され、新しい状態に基づいた新しい予測作業量が、古い予測作業量に代わって
使用される。

【００６５】 モデルの更新については、常に変化する国家または州（基準）医業パターンお
よび病院の作業パターンを反映するために、すべてのモデルを定期的に再構築し
なければならない。また、モデルの予測は、基準のデータ・セットに対して、モ
デルの予測自体をベンチマーク・テストし、実現可能な目標を拡大することがで
きる。このことは、一般的に、国家または州全体に及ぶ極めて大規模なデータを
用いてモデルが構築されていることを意味しており、また、利用可能であれば、
当該病院の歴史データに基づいてモデルを修正することにより、職員配置レベル
、医業パターン等の局部的な条件に合わせて、モデルを洗練させることができる
ことを意味している。上記データは、目標病院の医業と基準データ・セットのベ
ースラインの相違を反映させるための長期データであり、あるいは、基準データ
・セット内における医業パターンより、病院内における、少しばかり近代的な医
業パターンを反映させるための、その病院からの短期データである。必ずしもそ
うであるとは限らないが、通常、前述のモデルの洗練は、調整目標および見込み
効果の大きさに対するオペレータの知識に基づいて、既に決定済みの予測ファク
タの予測重みを現行量を超えない、例えば２０％だけ変更することに限られてい
る。このモデルの洗練は、必要なデータ・エレメントを含み、かつ、大規模ディ
スチャージ・データではなく、対象とする時間期間に渡る、対象とする病院から
のディスチャージを組み込んだトレーニング・ディスチャージ・データ・セット
を用いてステップ２２４を繰り返すことにより、本発明の中で実施することがで
きる。ステップ２２４は、条件付き最適化の分野で知られているように、予測重
みのわずかな調整を可能にすることだけに制約されている。モデルは、同時期の
データ（例えば昨日のデータおよび先週のデータ）を用いて、さらに微調整する
ことができ、予測期間中に治療を受けることになる患者の多くを、洗練データ・
セット内に表すことができる利点が付加される。当然、新しいグループのための
新しいモデルを展開することもでき、また、グループを統合し、あるいは分割す
ることもできる。

【００６６】 病院の目標が、作業量のベンチマーク・レベルにある場合、本発明を用いて、
必要なあらゆる不在管理であることが期待される作業量ではなく、患者の実際の
処方に対する治療のための所望の職員配置レベルを予測することができる。この
ような目標に対しては、職員配置レベルの予測には、ベンチマーク・データとロ
ーカル・データを管理目標が反映されるような関係で組み合わせることができ、
その結果、一回の調整すなわち整相調整期間になる。例えば、第１のクォータで
８０％のローカル・データと２０％のベンチマーク・データを使用し、次のクォ
ータで６０％のローカル・データと４０％のベンチマーク・データを使用するこ
とができ、以下、必要な作業量を予測するために、ベンチマーク・データが排他
的に使用されるまで同様である。後者のステージは、目的標準に基づく、細かい
細分化を目的とした生産性と等価である。このプロセスで使用されるモデルが、
パラメトリック線形モデルの場合、ベンチマーク・データおよびローカル・デー
タに対して個々に予測されたモデルの係数を所望の比率で単純に組み合わせるこ
とにより、新しいモデルを展開することができる。使用されるモデルがノンパラ
メトリック、すなわち非線形モデルの場合は、モデル構築ステップの目的関数が
修正され、それによりローカル・データおよびベンチマーク・データの寄与が適
切に重み付けされ、上で説明したように、既存のモデルを微調整するための新し
いモデルが構成される。

【００６７】 また、本発明は、現行データに基づく労働力要求のユーザ予測を容易にするた
めに、あるいは歴史的標準すなわちベンチマーク標準と比較した労働力効率のユ
ーザによる解析を可能にするために、特殊目的報告ツール、または、より汎用的
な臨床結果報告ツールのいずれかに統合することができる。労働力効率のユーザ
解析は、本発明の重症度調整機能および生産性計算機能に基づいている。ステッ
プ３１０〜３１８が、現在の患者数ではなく、歴史的な患者数に適用される場合
、各患者の治療に要したであろう期待作業量が、モデルおよび歴史的データの細
分性のレベルで得られる。この期待作業量は、患者が、予測ファクタを有する平
均的な患者と同様の挙動を取る場合、患者を治療するための作業量と見做すこと
ができ、したがって期待作業量は、患者の予測ファクタに対して重症度調整され
ている。生産性は、歴史的データと共に収集された実際の作業量と期待作業量と
の比率として計算される。この生産性を用いて、事業実践で知られているように
、患者を治療する労働力の効率を評価することができる。

【００６８】 上述の考察では、また、理解を単純化するために、各患者は、単一グループ、
したがって単一モデルにのみ割り当てられる、と仮定しているが、それは単純化
し過ぎであることに言及しておく。実際には、通常、多くの異なるモデルを各患
者に関連させる必要がある。適切なモデルの選択は、必要な細分性および利用可
能モデルの精度のレベルに基づいている。したがって、患者の全入院期間に基づ
くモデルが存在する一方で、治療の第１日目に基づく他のモデルが存在し、治療
の第２日目に基づく、さらに他のモデルが存在し、等々である。同様に、職員の
種類に基づく、異なるモデルが存在している。例えば、看護婦に対する１つのモ
デル、事務職員に対する他のモデル、技師に対する他のモデルなどである。した
がって、選択されるモデルは、選択されている細分性のレベルと、その細分性の
上に構築されているモデルに大きく左右される。当然、より細かい細分性、オペ
レータが利用することができるより多くの選択、あるいは、自動的に作成される
極めて詳細な報告が可能である。異なるレベルの細分性が存在する場合、所与の
レベルの細分性に対する使用が意図されていないモデルが使用されないように、
異なるモデル間の関係を決めておくことが好ましい。例えば、微生物学の作業量
は、利用可能なトレーニング・データの細分性に応じて、いくつかの方法で予測
することができる。微生物学の作業量は、トレーニング・データの細分性が、利
用可能な最も細かい細分性の場合、研究室の総作業量に対する一定の割合として
予測することができ、その割合は、既存の基準すなわちファシリティ作業量デー
タを調査することによって確立される。微生物学の作業量は、ファシリティ作業
量データをトレーニング・データ・セットの中で利用可能である場合、微生物学
の作業量の直接モデルであり、あるいは、微生物学の事務職員、技師職員、技術
者職員、およびその他すべての微生物学職員の作業量の合計である。本発明の好
ましい実施形態では、所望の作業量カテゴリの直接モデルは、常に好ましい選択
である。コンポーネント作業量エレメントの合計は、二次的な選択であり、詳細
性に劣るモデルから割り当てられる作業量の予測は、より低レベルの細部が、ま
すますその望ましさに欠ける、最も望ましくない選択である。全入院期間中、１
日、単一シフト等に対する作業量を予測するためのモデルは、同様の基準を用い
て選択される。これらの基準に基づく適切なモデルの自動選択を、本発明の実施
形態の中で具体化することができる。また、パラメトリック・モデルの場合、一
般的に、細分性の各レベルに対する新しいモデルが存在する。したがって、第１
日目の第１シフトの看護、第１日目の第１シフトの事務等に対するモデルが必要
である。この場合、選択される適切なモデルは、例えば第１日目の第１シフトの
看護に関連する予測が必要な場合、そのモデルが選択されるように、ユーザによ
って指定される入力に基づくことになる。

【００６９】 以上、本発明について、特定の実施形態に照らして、本明細書において説明し
てきたが、前述の開示には、改変、様々な変更および置換の自由が意図されてい
る。また、いくつかの実施例における本発明のいくつかの特徴を、特許請求の範
囲の各クレームに記載の本発明の精神および範囲を逸脱することなく、その他の
特徴を対応使用することなく使用することができることは、理解されよう。

【００７０】

【表１０】

【００７１】

【表１１】

【図面の簡単な説明】

【図１】 本発明を実施することのできるコンピュータ・システムを示す図である。

【図２】 本発明による、過去の患者母集団に基づいてモデルを生み出すプロセスのフロ
ーチャートである。

【図３】 本発明による、現在の患者母集団をサポートするのに必要な職員配置を予測す
るのに用いるプロセスのフローチャートである。

───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ， ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，Ｉ Ｔ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ，ＭＬ， ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＧＭ，Ｋ Ｅ，ＬＳ，ＭＷ，ＭＺ，ＳＤ，ＳＬ，ＳＺ，ＴＺ，ＵＧ ，ＺＷ)，ＥＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ， ＲＵ，ＴＪ，ＴＭ)，ＡＥ，ＡＧ，ＡＬ，ＡＭ，ＡＴ， ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，Ｃ Ｈ，ＣＮ，ＣＲ，ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＤＭ，ＤＺ ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＤ，ＧＥ，ＧＨ，ＧＭ， ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＮ，ＩＳ，ＪＰ，ＫＥ，Ｋ Ｇ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ ，ＬＵ，ＬＶ，ＭＡ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ， ＭＸ，ＭＺ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，Ｓ Ｄ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ，ＴＪ，ＴＭ，ＴＲ ，ＴＴ，ＵＡ，ＵＧ，ＵＺ，ＶＮ，ＹＵ，ＺＡ，ＺＷ

Claims (63)

【特許請求の範囲】
1. 【請求項１】 コンピュータを使用して、所定の特性を有する人物をケアす
   るために施設で必要な職員配置の作業負荷単位を推定する方法であって、 前記所定の特性について処置を受けた、それぞれが前記所定の特性に関係する
   作業負荷単位情報および因子情報を含む対応レコードを有する過去の複数の人物
   に対応するデータ・セットを得るステップと、 データ・セット中の得られた作業負荷情報と因子情報とを関連付けるモデルを
   構築するステップと、 前記所定の特性を有する人物に関連する新しい因子情報を得るステップと、 前記所定の特性を有する人物に関連する新しい因子情報にモデルを適用するこ
   とにより、前記人物のケアに必要な職員配置の作業負荷単位を推定するステップ
   とを含む方法。
2. 【請求項２】 データ・セットを得るステップが、年齢および性別に関係す
   る因子情報を得るステップを含み、 モデルを構築するステップが、年齢および性別に関係する因子情報を使用する
   請求項１に記載の方法。
3. 【請求項３】 因子情報を得るステップが、診断に関係する因子情報を得る
   ことを含み、 モデルを構築するステップが、診断に関係する因子情報を使用する請求項２に
   記載の方法。
4. 【請求項４】 因子情報を得るステップが、薬学処方箋データに関係する因
   子情報を得ることを含み、 モデルを構築するステップが、薬学処方箋データに関係する因子情報を使用す
   る請求項２に記載の方法。
5. 【請求項５】 因子情報を得るステップが、生理モニタリングに関係する因
   子情報を得ることを含み、 モデルを構築するステップが、生理モニタリングに関係する因子情報を使用す
   る請求項２に記載の方法。
6. 【請求項６】 生理モニタリング情報が、血圧、呼吸数、および体温のうち
   の１つを含む請求項２に記載の方法。
7. 【請求項７】 因子情報を得るステップが、保険支払人に関係する因子情報
   を得ることを含み、 モデルを構築するステップが、保険支払人に関係する因子情報を使用する請求
   項２に記載の方法。
8. 【請求項８】 因子情報を得るステップが、臨床状況に関係する因子情報を
   得ることを含み、 モデルを構築するステップが、臨床状況に関係する因子情報を使用する請求項
   ２に記載の方法。
9. 【請求項９】 モデルが、線形モデル、非線形モデル、およびニューラル・
   ネットワーク・モデルのうちの１つである請求項１に記載の方法。
10. 【請求項１０】 新しい因子情報を得るステップが、年齢および性別に関係
    する新しい因子情報を得ることを含む請求項１に記載の方法。
11. 【請求項１１】 新しい因子情報を得るステップが、施設への過去の訪問に
    関係する新しい因子情報を得ることを含む請求項１０に記載の方法。
12. 【請求項１２】 施設への過去の訪問に関係する新しい因子情報が、施設へ
    の過去の訪問回数に対応する数である請求項１１に記載の方法。
13. 【請求項１３】 施設への過去の訪問回数に対応する数が所定の期間にわた
    って得られる請求項１２に記載の方法。
14. 【請求項１４】 所定の期間が過去５年以内である請求項１３に記載の方法
    。
15. 【請求項１５】 所定の期間が過去１年以内である請求項１３に記載の方法
    。
16. 【請求項１６】 新しい因子情報を得るステップが、診断に関係する新しい
    因子情報を得ることを含む請求項１０に記載の方法。
17. 【請求項１７】 新しい因子情報を得るステップが、薬学処方箋データに関
    係する新しい因子情報を得ることを含む請求項１０に記載の方法。
18. 【請求項１８】 新しい因子情報を得るステップが、検査室テスト結果に関
    係する新しい因子情報を得ることを含む請求項１０に記載の方法。
19. 【請求項１９】 新しい因子情報を得るステップが、生理モニタリングに関
    係する新しい因子情報を得ることを含む請求項１０に記載の方法。
20. 【請求項２０】 生理モニタリング情報が、血圧、呼吸数、および体温のう
    ちの１つを含む請求項１９に記載の方法。
21. 【請求項２１】 新しい因子情報を得るステップが、薬学処方箋データに関
    係する新しい因子情報を得ることを含む請求項１０に記載の方法。
22. 【請求項２２】 新しい因子情報を得るステップが、保険支払人に関係する
    新しい因子情報を得ることを含む請求項１０に記載の方法。
23. 【請求項２３】 所定の特性がＤＲＧパラメータである請求項１に記載の方
    法。
24. 【請求項２４】 所定の特性が診断のクラスタである請求項１に記載の方法
    。
25. 【請求項２５】 所定の特性が処置のクラスタである請求項１に記載の方法
    。
26. 【請求項２６】 モデルを構築するステップが、 因子情報を使用して複数の候補予測因子を識別するステップと、 データ・セット中の得られた作業負荷情報と因子情報との関連を予測するのに
    使用できる複数の予測因子のサブセットを決定するステップと、 過去の各人物のレコードから、複数の予測因子のサブセットに関係する因子情
    報を選択するステップと、 複数の予測因子のサブセットに関係する選択された因子情報を使用してモデル
    を構築するステップとを含む請求項１に記載の方法。
27. 【請求項２７】 コンピュータを使用して、所定の特性を有する人物をケア
    するために施設で必要な職員配置の作業負荷単位を推定するためのモデルを決定
    する方法であって、 前記所定の特性について処置を受けた、それぞれが作業負荷単位情報および因
    子情報を含む対応レコードを有する過去の複数の人物に対応するデータ・セット
    を得るステップと、 前記過去の複数の人物のうちで、前記所定の特性を因子情報の一部として有す
    る複数の人物のサブセットを識別するステップと、 複数の人物のサブセットに関連する因子情報を使用して、データ・セット中の
    得られた作業負荷情報と因子情報とを関連付けるモデルを構築するステップとを
    含む方法。
28. 【請求項２８】 モデルを構築するステップが、 因子情報を使用して複数の候補予測因子を識別するステップと、 データ・セット中の得られた作業負荷情報と因子情報との関連を予測するのに
    使用できる複数の予測因子のサブセットを決定するステップと、 前記過去の複数人物のうちの、複数人物のサブセットの、各人物のレコードか
    ら、複数の予測因子のサブセットに関係する因子情報を選択するステップと、 複数の予測因子のサブセットに関係する選択された因子情報を使用してモデル
    を構築するステップとを含む請求項２７に記載の方法。
29. 【請求項２９】 過去の別の複数人物に対応する更新済みデータ・セットを
    得るステップであって、前記過去の人物がそれぞれ、作業負荷単位情報および因
    子情報を含む対応レコードを有するステップと、 前記過去の別の複数人物のうちで、前記所定の特性を因子情報の一部として有
    する別の複数人物のサブセットを識別するステップと、 前記別の複数人物のサブセットに関連する因子情報を使用して、データ・セッ
    ト中の得られた作業負荷情報と因子情報とを関連付けるモデルを更新するステッ
    プとをさらに含む請求項２７に記載の方法。
30. 【請求項３０】 前記過去の別の複数人物に対応する更新済みデータ・セッ
    トが、施設でケアされた人物からくる請求項２９に記載の方法。
31. 【請求項３１】 前記過去の別の複数人物に対応する更新済みデータ・セッ
    トが、前記所定の特性を有する人物からくる請求項２９に記載の方法。
32. 【請求項３２】 モデルに作用するコンピュータを使用して、所定の特性を
    有する人物をケアするために施設で必要な職員配置の作業負荷単位を推定する方
    法であって、 前記所定の特性を有する人物に関連する新しい因子情報を得るステップと、 前記所定の特性を有する人物に関連する新しい因子情報にモデルを適用するこ
    とにより、前記人物のケアに必要な職員配置の作業負荷単位を推定するステップ
    とを含む方法。
33. 【請求項３３】 新しい因子情報を得るステップが、年齢および性別に関係
    する新しい因子情報を得ることを含む請求項３２に記載の方法。
34. 【請求項３４】 新しい因子情報を得るステップが、施設への過去の訪問に
    関係する新しい因子情報を得ることを含む請求項３３に記載の方法。
35. 【請求項３５】 施設への過去の訪問に関係する新しい因子情報が、施設へ
    の過去の訪問回数に対応する数である請求項３４に記載の方法。
36. 【請求項３６】 施設への過去の訪問回数に対応する数が所定の期間にわた
    って得られる請求項３５に記載の方法。
37. 【請求項３７】 所定の期間が過去５年以内である請求項３６に記載の方法
    。
38. 【請求項３８】 所定の期間が過去１年以内である請求項３６に記載の方法
    。
39. 【請求項３９】 新しい因子情報を得るステップが、診断に関係する新しい
    因子情報を得ることを含む請求項３２に記載の方法。
40. 【請求項４０】 新しい因子情報を得るステップが、薬学処方箋データに関
    係する新しい因子情報を得ることを含む請求項３２に記載の方法。
41. 【請求項４１】 新しい因子情報を得るステップが、検査室テスト結果に関
    係する新しい因子情報を得ることを含む請求項３２に記載の方法。
42. 【請求項４２】 新しい因子情報を得るステップが、生理モニタリングに関
    係する新しい因子情報を得ることを含む請求項３２に記載の方法。
43. 【請求項４３】 生理モニタリング情報が、血圧、呼吸数、および体温のう
    ちの１つを含む請求項４２に記載の方法。
44. 【請求項４４】 新しい因子情報を得るステップが、保険支払人に関係する
    新しい因子情報を得ることを含む請求項３２に記載の方法。
45. 【請求項４５】 所定の特性がＤＲＧパラメータである請求項３２に記載の
    方法。
46. 【請求項４６】 所定の特性が診断のクラスタである請求項３２に記載の方
    法。
47. 【請求項４７】 所定の特性が処置のクラスタである請求項３２に記載の方
    法。
48. 【請求項４８】 コンピュータを使用して、複数の人物をケアするための施
    設で必要な職員配置の作業負荷単位を推定する方法であって、 それぞれが所定の特性に関係する作業負荷単位情報および因子情報を含む対応
    レコードを有する過去の複数の人物に対応するデータ・セットを得るステップと
    、 各グループが複数の共通特性を有するように複数のグループを決定するステッ
    プと、 複数のグループのうちで各レコードを関連付けるべきグループを識別して、各
    グループについて対応するレコードを得るステップと、 各グループについて得られた対応するレコードを使用して、前記グループごと
    にモデルを構築するステップであって、各モデルはデータ・セット中の得られた
    作業負荷情報と因子情報を関連付けるステップと、 複数の人物それぞれに関連する新しい因子情報を得るステップと、 複数の人物それぞれを関連付けるべきグループを決定するステップと、 各人物を関連付けるべきであると決定されたグループ、複数の人物それぞれに
    関する新しい因子情報、および決定されたグループに対応するモデルを使用して
    、複数の人物をケアするのに必要な職員配置の作業負荷単位を推定するステップ
    とを含む方法。
49. 【請求項４９】 推定するステップの間、各モデルが、前記モデルのグルー
    プと同じグループにあると決定された人物の新しい因子情報だけに作用する請求
    項４１に記載の方法。
50. 【請求項５０】 各モデルが部分的な作業負荷情報を提供し、部分的な作業
    負荷情報が合計されて職員配置の作業負荷単位が得られる請求項４９に記載の方
    法。
51. 【請求項５１】 コンピュータを使用して、過去の複数の人物に関係する作
    業負荷単位情報を過酷さによって調整する方法であって、 それぞれが作業負荷単位情報および因子情報を含む対応レコードを有する過去
    の複数の人物に対応するデータ・セットを得るステップと、 データ・セット中の得られた作業負荷情報と因子情報とを関連付けるモデルを
    構築するステップと、 作業負荷単位情報を過酷さによって調整して、過酷さの調整がなされた作業負
    荷単位情報を得るステップとを含む方法。
52. 【請求項５２】 データ・セットを得るステップが、年齢および性別に関係
    する因子情報を得るステップを含み、 モデルを構築するステップが、年齢および性別に関係する因子情報を使用する
    請求項５１に記載の方法。
53. 【請求項５３】 因子情報を得るステップが、診断に関係する因子情報を得
    ることを含み、 モデルを構築するステップが、診断に関係する因子情報を使用する請求項５１
    に記載の方法。
54. 【請求項５４】 因子情報を得るステップが、薬学処方箋データに関係する
    因子情報を得ることを含み、 モデルを構築するステップが、薬学処方箋データに関係する因子情報を使用す
    る請求項５１に記載の方法。
55. 【請求項５５】 因子情報を得るステップが、生理モニタリングに関係する
    因子情報を得ることを含み、 モデルを構築するステップが、生理モニタリングに関係する因子情報を使用す
    る請求項５１に記載の方法。
56. 【請求項５６】 生理モニタリング情報が、血圧、呼吸数、および体温のう
    ちの１つを含む請求項５１に記載の方法。
57. 【請求項５７】 因子情報を得るステップが、保険支払人に関係する因子情
    報を得ることを含み、 モデルを構築するステップが、保険支払人に関係する因子情報を使用する請求
    項５１に記載の方法。
58. 【請求項５８】 因子情報を得るステップが、臨床状況に関係する因子情
    報を得ることを含み、 モデルを構築するステップが、臨床状況に関係する因子情報を使用する請求項
    ５１に記載の方法。
59. 【請求項５９】 モデルが、異なる複数のモデルであり、異なる複数のモデ
    ルがそれぞれ、対応する異なる所定の特性に関連し、前記過去の複数の人物が、
    対応する異なる特性のうちの１つに関連する請求項５１に記載の方法。
60. 【請求項６０】 異なる各モデルが、線形モデル、非線形モデル、およびニ
    ューラル・ネットワーク・モデルのうちの１つである請求項５９に記載の方法。
61. 【請求項６１】 対応する異なる所定の特性が、ＤＲＧパラメータのうちの
    １つである請求項６０に記載の方法。
62. 【請求項６２】 対応する異なる所定の特性のいくつかが、異なる診断クラ
    スタを含む請求項６０に記載の方法。
63. 【請求項６３】 対応する異なる所定の特性のいくつかが、異なる処置クラ
    スタを含む請求項６０に記載の方法。