JP2005115782A - 患者数予測システム - Google Patents
患者数予測システム Download PDFInfo
- Publication number
- JP2005115782A JP2005115782A JP2003351187A JP2003351187A JP2005115782A JP 2005115782 A JP2005115782 A JP 2005115782A JP 2003351187 A JP2003351187 A JP 2003351187A JP 2003351187 A JP2003351187 A JP 2003351187A JP 2005115782 A JP2005115782 A JP 2005115782A
- Authority
- JP
- Japan
- Prior art keywords
- patient number
- data
- prediction
- amount
- patients
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】環境データの予測に基づき、患者数を予測するシステムを提供する。
【解決手段】患者数予測システムは、ある期間の過去環境データを記憶する過去環境データ記憶手段11と、この期間に対応した期間に医療機関へ外来した特定疾患や症候を示す患者数からなる外来患者数データを記憶する外来患者数データ記憶手段12と、前記環境データ記憶手段内の過去環境データと前記外来患者数データ記憶手段内の外来患者数データの相関式を算出する相関式算出部13と、該相関式算出部で算出された相関式を記憶する相関式記憶手段14と、前記相関式に予測用環境データを入力する予測用環境データ入力手段15と、入力された予測用環境データと前記相関式を用いて患者数予測値を計算する患者数予測値算出部16と、前記患者数予測値を配信する配信手段17からなり、入力される環境データ予測値に応じた患者数予測値が算出される。
【選択図】図1
【解決手段】患者数予測システムは、ある期間の過去環境データを記憶する過去環境データ記憶手段11と、この期間に対応した期間に医療機関へ外来した特定疾患や症候を示す患者数からなる外来患者数データを記憶する外来患者数データ記憶手段12と、前記環境データ記憶手段内の過去環境データと前記外来患者数データ記憶手段内の外来患者数データの相関式を算出する相関式算出部13と、該相関式算出部で算出された相関式を記憶する相関式記憶手段14と、前記相関式に予測用環境データを入力する予測用環境データ入力手段15と、入力された予測用環境データと前記相関式を用いて患者数予測値を計算する患者数予測値算出部16と、前記患者数予測値を配信する配信手段17からなり、入力される環境データ予測値に応じた患者数予測値が算出される。
【選択図】図1
Description
本発明は、患者数を予測するシステムに関する。
医療機関では、外来患者の集中による待ち時間の長さが社会問題となっており、これをいかに短縮化するかが積年の課題である。しかしながら再来患者への予約方法の改善策など以外に有効な対策手段は実現されておらず、患者数を予測するための手段の実現が望まれている。
また、健康に対する関心の高まりにつれ、自らの身体状態を予測したいとの一般からの要求も大きい。
一方、気象や環境と疾病の関係は、古くは伝承の形で語り継がれ、また最近ではこの関係を科学的に証明する試みもなされている。このような関係は、例えば特開2001−67403や特開2002−3111158にあるように、健康管理手段として利用されることが開示されている。
しかしながら、これらに用いられている環境と健康状態の相関関係は、ある限られた条件下での研究結果に基づくものであり、例えばこれらのデータが必要とされる地域の患者数の傾向を正確に反映するものとはいえない。
またこれらの開示技術によれば、発信される情報は対個人向けの情報であり、医療機関や、より一般的な情報を必要とする者にとって必ずしも有用とはならない。
本発明は上記問題点に鑑み、環境因子に基づく特定の疾患・症候の患者数を予測する予測システムを構築することを目的とする。この患者数予測システムより配信されるデータにより、例えば医療機関においては、予め診療体制をシフトするなどの手段を取ることが可能となり、特定診療科目への外来患者の集中への対策が可能となる。またこれら患者数の予測値をマスメディアを通じて一般に配信することにより、患者数の増加が予測される疾患・症候分野の既往症や関心を有する個人においては、予め発症に対する予防措置を講じる自己対策が可能となる。
このような目的は、下記(1)〜(8)の本発明により達成される。
(1) 環境因子に基づき特定の疾患・症候の患者数を予測するためのシステムであって、
予測用環境データを入力するための予測用環境データ入力手段と、
前記入力された予測用環境データに基づき患者数予測値を計算するための患者数予測値算出部とを備えることを特徴とする、
患者数予測システム。
予測用環境データを入力するための予測用環境データ入力手段と、
前記入力された予測用環境データに基づき患者数予測値を計算するための患者数予測値算出部とを備えることを特徴とする、
患者数予測システム。
(2)前記環境因子は、気温・湿度・気圧・風向・風速・日照時間・紫外線量・花粉飛散量・騒音量・NOx量・浮遊微粒子量・空気イオン量・降雨量・降雪量およびこれらの日内平均値・日内最高値・日内最低値・日内較差量・対前日較差、週内平均値・週内最高値・週内最低値・週内較差量・対前週較差、月内平均値・月内最高値・月内最低値・月内較差量・対前月較差のうち少なくとも一つからなる(1)に記載の患者数予測システム。
(3)前記患者数予測システムは、さらに、
過去の環境データを記憶するための過去環境データ記憶手段と、
外来患者数のデータを記憶するための外来患者数データ記憶手段と、
前記過去環境データ記憶手段内の過去環境データと前記外来患者数データ記憶手段内の外来患者数データの相関式を算出するための相関式算出部とを備え、
前記患者数予測値算出部は、入力された前記予測用環境データを変数として前記相関式を用いて患者数予測値を計算することを特徴とする、
(1)または(2)に記載の患者数予測システム。
過去の環境データを記憶するための過去環境データ記憶手段と、
外来患者数のデータを記憶するための外来患者数データ記憶手段と、
前記過去環境データ記憶手段内の過去環境データと前記外来患者数データ記憶手段内の外来患者数データの相関式を算出するための相関式算出部とを備え、
前記患者数予測値算出部は、入力された前記予測用環境データを変数として前記相関式を用いて患者数予測値を計算することを特徴とする、
(1)または(2)に記載の患者数予測システム。
(4)前記相関式算出部は、さらに、
複数の環境因子の前記過去環境データと前記外来患者数データの間の相関強度を算出し、該相関強度の高いものから少なくともひとつを選択して前記相関式を算出することを特徴とする特徴とする、
(3)に記載の患者数予測システム。
複数の環境因子の前記過去環境データと前記外来患者数データの間の相関強度を算出し、該相関強度の高いものから少なくともひとつを選択して前記相関式を算出することを特徴とする特徴とする、
(3)に記載の患者数予測システム。
(5)前記患者数予測システムは、さらに、
前記相関式を記憶する相関式記憶手段を備えることを特徴とする、
(3)または(4)に記載の患者数予測システム。
前記相関式を記憶する相関式記憶手段を備えることを特徴とする、
(3)または(4)に記載の患者数予測システム。
(6)前記患者数予測システムは、さらに前記患者数予測値を配信する配信手段を備えることを特徴とする、(1)ないし(5)に記載の患者数予測システム。
(7)前記患者数予測値を配信する先は、医療機関である(6)に記載の患者数予測システム。
(8)前記患者数予測値をマスメディアを通じて配信することを特徴とする(6)に記載の患者数予測システム。
本発明によれば、環境データに基づく患者数の予測システムを構築することができ、これにより医療機関においては外来患者数の予測による効率的な施設運営が可能となり、またこの予測値をマスメディアを通じて一般に提供することにより、地域特性に応じた各人の健康管理に役立てることが可能となる。
以下、本発明の患者数予測システムを添付図面に示す好適な実施形態に基づいて詳細に説明する。
図1は、本発明の患者数予測システムの実施例を示すブロック図である。
以下、例えば気温・湿度・気圧・風向風速・日照時間・紫外線量・花粉飛散量・騒音量・NOx量・浮遊微粒子量・降雨量・降雪量のような環境変動要因を環境因子と呼ぶ。またこれらのうちから選んだひとつの環境因子のデータ系列を環境データと呼ぶ。また一つの環境因子に対する環境データであっても、日内平均値・日内最高値・日内最低値・日内較差量・対前日較差、週内平均値・週内最高値・週内最低値・週内較差量・対前週較差、月内平均値・月内最高値・月内最低値・月内較差量・対前月較差などを区別して環境データと呼ぶこともある。
図1に示すように、本システムは、ある期間の過去環境データを記憶する過去環境データ記憶手段11と、この期間に対応した期間に医療機関へ外来した特定疾患や症候を示す患者数からなる外来患者数データを記憶する外来患者数データ記憶手段12と、前記環境データ記憶手段内の過去環境データと前記外来患者数データ記憶手段内の外来患者数データの相関式を算出する相関式算出部13と、該相関式算出部で算出された相関式を記憶する相関式記憶手段14と、前記相関式に予測用環境データを入力する予測用環境データ入力手段15と、入力された予測用環境データと前記相関式を用いて患者数予測値を計算する患者数予測値算出部16と、前記患者数予測値を配信する配信手段17からなる。
過去環境データ記憶手段11は、例えば気象庁から配信されたり、測定器により測定された過去1年間分の気温・湿度・気圧・風向風速・日照時間・紫外線量・花粉飛散量・騒音量・NOx量・浮遊微粒子量・降雨量・降雪量およびこれらの日内平均値・日内最高値・日内最低値・日内較差量・対前日較差、週内平均値・週内最高値・週内最低値・週内較差量・対前週較差、月内平均値・月内最高値・月内最低値・月内較差量・対前月較差などのデータを記憶する。これらのデータは、後述する配信先の存在する地域に応じて、適切な地域のデータが選択される。
一方、外来患者数データ記憶手段12には、前記の地域を代表する少なくとも一つの医療機関における上記環境データの蓄積期間に対応した期間の疾患・症候ごとの外来患者数データが記憶される。
ここで外来患者数データにおいて用いる患者数としては、自ら医療機関へ外来した患者の数のみならず、救急医療機関へ搬送された患者の数、学校・職場などから報告された愁訴を訴えた者の数、アンケートを通じて集計した報告者の数などを用いることができる。
またここで、過去環境データの期間と外来患者数データの期間が‘対応する’とは、必ずしもこの二つのデータの期間が同期間であるということを示しておらず、後述のように、この二つのデータの間には相応の日数のずれを設けることが望ましい場合がある。
相関式算出部13は、この過去環境データと外来患者数データから、相関式を算出する。
相関式を算出する方法としては、例えば以下の方法による。以下では、環境因子として気温を用い、日単位のデータを用いた場合を述べる。
図2は、ある期間の気温のデータと、ある疾患の患者数のデータを示したものである。
最高気温、最低気温、平均気温、日較差(最高気温と最低気温の差)、平均気温の対前日差を環境データとして用いて解析を行う。
各々の環境データに対して相関係数を算出したものが図3である。
図3の例では、これらの中では日較差が最も患者数に相関が高いことが明らかである。
湿度・気圧・風向風速・日照時間・紫外線量・花粉飛散量・騒音量・NOx量・浮遊微粒子量・降雨量・降雪量などの環境因子について同様の解析を行う。
少なくとも算出された最も相関係数の高い環境因子の環境データひとつを選択したうえで、直線回帰式を作成し、相関式として採用する。
また複数の環境因子・環境データを組み合わせる場合には、重回帰分析を行い、重相関係数の高い複数の環境因子・環境データの組み合わせにより、より精度の高い相関式を得ることが出来る。
このようにして算出された相関式は、相関式記憶手段14に記憶される。
次に、例えば気象庁から配信されたり、また独自の予測法により予測した気温・湿度・気圧・風向風速・日照時間・紫外線量・花粉飛散量・騒音量・NOx量・浮遊微粒子量・降雨量・降雪量およびこれらの日内平均値・日内最高値・日内最低値・日内較差量・対前日較差などの予測用環境データを患者数予測値入力部15に入力する。患者数予測値算出部16では、患者数予測値入力部15より入力された予測用環境データと相関式記憶手段14に記憶された相関式を用いて予測される患者数を算出する。
上述の例では、環境データと対応する、同じ日の外来患者数の相関を算出したものであるが、疾患や症候によっては、環境データの影響が外来患者数に反映されるまでに要する日数を考慮する必要があるものがある。このために上述の採用すべき環境因子・環境データを特定する作業には、さらに、外来患者数と例えば1日〜10日単位遡った過去環境データとの相関係数を算出して比較し、これらの中で最も相関強度の高いものを選択して相関式を算出することにより、より精度の高い患者数の予測が可能となる。図1の相関式算出部13内で行われる、この手順を示すフローチャートを図4に示す。
図4では、例として1週間分の過去環境データEと外来患者数Pを用いて相関係数Rを算出する手順を示している。
E、P、Rに添えられた数字は、日を示しており、負の数字は過去を示す。例えば外来患者数P0の当日に対応する過去環境データはE0であり、例えば外来患者数P0の前日の過去環境データはP−1で示される。同様に例えば外来患者数P0の10日前の過去環境データはP−10で示される。
まずステップS41で、一週間分の外来患者数データP0、P−1、‥P−6と、これら各々当日に対応する一週間分の過去環境データE0、E−1、‥E−6との相関係数R0を求める。次にステップS44で、一週間分の外来患者数データP−0、P−1、‥P−6と、これらの各々前日の過去環境データであるE−1、E−2、‥E−7との相関係数R−1を求める。R0とR−1をステップS45で比較し、大きいほうをRmaxとする。
同様にnの値を一つずつ減じていくことで、R−2、R−3を計算し、最終的に図4の例では、前10日まで遡ったデータを用いた相関係数であるR−10までを求め、最終的にこのうちで最大となる相関係数を示すときのnの値がmとしてS49で出力される。
例えばn=4が出力された場合には、外来患者数と4日前の過去環境データの相関が最も高くなることを示していることから、相関式の算出には外来患者数の4日前の過去環境データが用いられる。患者数を予測するためには、予測を行う対象日の4日前の予測用環境データ予測値を外来患者数予測値算出部に入力することで、対象日の患者の予測数が計算される。
もちろん複数の環境因子・環境データを組み合わせる場合は、各々の環境因子・環境データで最も相関が高くなるnの値を選び、組み合わせることが望ましい。
このようにして算出された患者予測数は、例えば年平均の外来患者数との比較により、多い、やや多い、通常、やや少ない、少ないの5段階のレベルに分類されても良い。
このような患者予測数は、配信手段17を通じて、医療機関や一般に情報として配信される。
上述の例では、日単位の環境データに基づく例を述べたが、同様に週単位、月単位での環境データに基づく解析を行うことで、これらの期間単位での患者数予測が可能になることはいうまでもない。
11 過去環境データ記憶手段
12 外来患者数データ記憶手段
13 相関式算出部
14 相関式記憶手段
15 予測用環境データ入力手段
16 患者数予測値算出部
17 配信手段
12 外来患者数データ記憶手段
13 相関式算出部
14 相関式記憶手段
15 予測用環境データ入力手段
16 患者数予測値算出部
17 配信手段
Claims (8)
- 環境因子に基づき特定の疾患・症候の患者数を予測するためのシステムであって、
予測用環境データを入力するための予測用環境データ入力手段と、
前記入力された予測用環境データに基づき患者数予測値を計算するための患者数予測値算出部とを備えることを特徴とする、
患者数予測システム。 - 前記環境因子は、気温・湿度・気圧・風向・風速・日照時間・紫外線量・花粉飛散量・騒音量・NOx量・浮遊微粒子量・空気イオン量・降雨量・降雪量およびこれらの日内平均値・日内最高値・日内最低値・日内較差量・対前日較差、週内平均値・週内最高値・週内最低値・週内較差量・対前週較差、月内平均値・月内最高値・月内最低値・月内較差量・対前月較差のうち少なくとも一つからなる請求項1に記載の患者数予測システム。
- 前記患者数予測システムは、さらに、
過去の環境データを記憶するための過去環境データ記憶手段と、
外来患者数のデータを記憶するための外来患者数データ記憶手段と、
前記過去環境データ記憶手段内の過去環境データと前記外来患者数データ記憶手段内の外来患者数データの相関式を算出するための相関式算出部とを備え、
前記患者数予測値算出部は、入力された前記予測用環境データを変数として前記相関式を用いて患者数予測値を計算することを特徴とする、
請求項1または2に記載の患者数予測システム。 - 前記相関式算出部は、さらに、
複数の環境因子の前記過去環境データと前記外来患者数データの間の相関強度を算出し、該相関強度の高いものから少なくともひとつを選択して前記相関式を算出することを特徴とする特徴とする、
請求項3に記載の患者数予測システム。 - 前記患者数予測システムは、さらに、
前記相関式を記憶する相関式記憶手段を備えることを特徴とする、
請求項3または4に記載の患者数予測システム。 - 前記患者数予測システムは、さらに前記患者数予測値を配信する配信手段を備えることを特徴とする、請求項1ないし5に記載の患者数予測システム。
- 前記患者数予測値を配信する先は、医療機関である請求項6に記載の患者数予測システム。
- 前記患者数予測値をマスメディアを通じて配信することを特徴とする請求項6に記載の患者数予測システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003351187A JP2005115782A (ja) | 2003-10-09 | 2003-10-09 | 患者数予測システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003351187A JP2005115782A (ja) | 2003-10-09 | 2003-10-09 | 患者数予測システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2005115782A true JP2005115782A (ja) | 2005-04-28 |
Family
ID=34542529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2003351187A Pending JP2005115782A (ja) | 2003-10-09 | 2003-10-09 | 患者数予測システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2005115782A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007140683A (ja) * | 2005-11-15 | 2007-06-07 | Terumo Corp | 循環器疾患発症予報装置 |
KR101311165B1 (ko) * | 2012-03-15 | 2013-09-23 | (주) 웨더링크 | 기상요소를 이용한 감기환자수 예측 방법 |
JP2015219617A (ja) * | 2014-05-15 | 2015-12-07 | 日本光電工業株式会社 | 疾病分析装置、疾病分析方法、及びプログラム |
CN110046757A (zh) * | 2019-04-08 | 2019-07-23 | 中国人民解放军第四军医大学 | 基于LightGBM算法的门诊量预测系统及预测方法 |
JP2020021197A (ja) * | 2018-07-31 | 2020-02-06 | Phcホールディングス株式会社 | 医療機関支援装置、医療機関支援方法、及び、医療機関支援プログラム |
-
2003
- 2003-10-09 JP JP2003351187A patent/JP2005115782A/ja active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007140683A (ja) * | 2005-11-15 | 2007-06-07 | Terumo Corp | 循環器疾患発症予報装置 |
KR101311165B1 (ko) * | 2012-03-15 | 2013-09-23 | (주) 웨더링크 | 기상요소를 이용한 감기환자수 예측 방법 |
JP2015219617A (ja) * | 2014-05-15 | 2015-12-07 | 日本光電工業株式会社 | 疾病分析装置、疾病分析方法、及びプログラム |
JP2020021197A (ja) * | 2018-07-31 | 2020-02-06 | Phcホールディングス株式会社 | 医療機関支援装置、医療機関支援方法、及び、医療機関支援プログラム |
JP7125300B2 (ja) | 2018-07-31 | 2022-08-24 | Phcホールディングス株式会社 | 医療機関支援装置、医療機関支援方法、及び、医療機関支援プログラム |
CN110046757A (zh) * | 2019-04-08 | 2019-07-23 | 中国人民解放军第四军医大学 | 基于LightGBM算法的门诊量预测系统及预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Routine laboratory blood tests predict SARS-CoV-2 infection using machine learning | |
Ahalt et al. | Comparison of emergency department crowding scores: a discrete-event simulation approach | |
Landa et al. | Multiobjective bed management considering emergency and elective patient flows | |
Musich et al. | The impact of personalized preventive care on health care quality, utilization, and expenditures | |
Brailsford et al. | Emergency and on-demand health care: modelling a large complex system | |
Zhu et al. | Estimating ICU bed capacity using discrete event simulation | |
Thomson et al. | Trajectories of dental anxiety in a birth cohort | |
Jones et al. | An agent based simulation tool for scheduling emergency department physicians | |
Alaghehbandan et al. | Using administrative databases in the surveillance of depressive disorders—case definitions | |
O’Neill et al. | Tactical increases in operating room block time based on financial data and market growth estimates from data envelopment analysis | |
Bai et al. | Managing admission and discharge processes in intensive care units | |
Aroua et al. | Forecast emergency room visits–a major diagnostic categories based approach | |
JP2005115782A (ja) | 患者数予測システム | |
Ordu et al. | A comprehensive and integrated hospital decision support system for efficient and effective healthcare services delivery using discrete event simulation | |
Landry et al. | The capability trap: prevalence in human systems | |
Dermont et al. | A bridge too far? The relationship between interventive operative dentistry and future dental morbidity | |
Gutierrez et al. | Development of a multivariable model for covid-19 risk stratification based on gradient boosting decision trees | |
Bentué-Martínez et al. | Socio-economic development and mental health: case study of the Spanish Region of Aragon (2010–20) | |
Pan et al. | Time-series analysis of air pollution and health accounting for covariate-dependent overdispersion | |
Zilm | Estimating emergency service treatment bed needs | |
Karboub et al. | Modeling and validation of the hospital’s ambulatory and inpatients operations using a non-homogenous discrete time Markovian chains | |
Oueida | Modeling a New Computer Framework for Managing Healthcare Organizations: Balancing and Optimizing Patient Satisfaction, Owner Satisfaction, and Medical Resources | |
JP7125300B2 (ja) | 医療機関支援装置、医療機関支援方法、及び、医療機関支援プログラム | |
Kilinc et al. | Simulation modeling as a decision tool for capacity allocation in breast surgery | |
Ibuka et al. | Out-of-pocket payments and community-wide health outcomes: an examination of influenza vaccination subsidies in Japan |