JP2015090689A - 医療データ分析システム、及び医療データを分析する方法 - Google Patents
医療データ分析システム、及び医療データを分析する方法 Download PDFInfo
- Publication number
- JP2015090689A JP2015090689A JP2013231525A JP2013231525A JP2015090689A JP 2015090689 A JP2015090689 A JP 2015090689A JP 2013231525 A JP2013231525 A JP 2013231525A JP 2013231525 A JP2013231525 A JP 2013231525A JP 2015090689 A JP2015090689 A JP 2015090689A
- Authority
- JP
- Japan
- Prior art keywords
- node
- nodes
- medical
- information
- year
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 191
- 238000007405 data analysis Methods 0.000 title claims abstract description 35
- 230000036541 health Effects 0.000 claims abstract description 148
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 64
- 201000010099 disease Diseases 0.000 claims abstract description 62
- 230000000694 effects Effects 0.000 claims abstract description 20
- 230000007704 transition Effects 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 130
- 238000012800 visualization Methods 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 72
- 238000007493 shaping process Methods 0.000 claims description 72
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 abstract description 43
- 230000001364 causal effect Effects 0.000 abstract description 11
- 208000027418 Wounds and injury Diseases 0.000 description 75
- 206010052428 Wound Diseases 0.000 description 58
- 239000003814 drug Substances 0.000 description 47
- 206010012601 diabetes mellitus Diseases 0.000 description 40
- 229940079593 drug Drugs 0.000 description 35
- 238000004364 calculation method Methods 0.000 description 32
- 239000008280 blood Substances 0.000 description 25
- 210000004369 blood Anatomy 0.000 description 25
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 24
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 22
- 239000008103 glucose Substances 0.000 description 22
- 230000006378 damage Effects 0.000 description 17
- 208000014674 injury Diseases 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 229940126701 oral medication Drugs 0.000 description 15
- 230000008859 change Effects 0.000 description 13
- 102000004877 Insulin Human genes 0.000 description 12
- 108090001061 Insulin Proteins 0.000 description 12
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 12
- 230000035622 drinking Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 229940125396 insulin Drugs 0.000 description 12
- 238000012937 correction Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 230000001575 pathological effect Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 239000000470 constituent Substances 0.000 description 8
- 230000007423 decrease Effects 0.000 description 7
- 230000000391 smoking effect Effects 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 6
- 206010020772 Hypertension Diseases 0.000 description 5
- 238000011282 treatment Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 235000012000 cholesterol Nutrition 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 231100000915 pathological change Toxicity 0.000 description 4
- 230000036285 pathological change Effects 0.000 description 4
- 208000032928 Dyslipidaemia Diseases 0.000 description 3
- 208000017170 Lipid metabolism disease Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 235000019504 cigarettes Nutrition 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000007794 visualization technique Methods 0.000 description 3
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 2
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 235000021158 dinner Nutrition 0.000 description 2
- 229940029980 drug used in diabetes Drugs 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000002650 habitual effect Effects 0.000 description 2
- 208000017169 kidney disease Diseases 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 229940116269 uric acid Drugs 0.000 description 2
- 208000031648 Body Weight Changes Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 108010023302 HDL Cholesterol Proteins 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 238000008214 LDL Cholesterol Methods 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 230000004579 body weight change Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000502 dialysis Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 201000001119 neuropathy Diseases 0.000 description 1
- 230000007823 neuropathy Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 208000033808 peripheral neuropathy Diseases 0.000 description 1
- 239000000825 pharmaceutical preparation Substances 0.000 description 1
- 229940127557 pharmaceutical product Drugs 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 229940126532 prescription medicine Drugs 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- 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)
- Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
しかし、保健指導のために確保できる保健師、及び保健指導のための費用などのリソースは限られている。このため、費用対効果の大きい効果的・効率的な保険事業の運営を支援するシステムが望まれている。
本明細書の記述は典型的な例示に過ぎず、本発明の特許請求の範囲又は適用例を如何なる意味に於いても限定するものではないことを理解する必要がある。
また、各情報の内容を説明する際に、「識別情報」、「識別子」、「名」、「名前」、「ID」という表現を用いることが可能であり、これらについてはお互いに置換が可能である。
第1の実施例では、医療データ(例えば、レセプト情報、健診情報、問診情報)に基づいて、多数の因子からなる病態変化の因果や遷移をモデル化し、因果や遷移の関係を因子間のネットワークにより可視化する。可視化では、医療費との関連が大きい因子ほど、所定の方向に配置されやすくなる可視化方法を用いる。これによって、病気の発症や重症化の流れが分かりやすくなる。また、このモデルに基づいて、将来の病気の発症確率や重症化確率、保健指導による改善効果を予測し、費用対効果の大きい保健指導の対象者の選定と、保健指導方法の選定を行う。レセプト情報は、健康保険の加入者が医療機関を受診した際の傷病名、処方された医薬品、実施された診療行為、及び医療費(点数)が記録された情報であり、その一例は図2を用いて後述する。なお、処方された医薬品、及び実施された診療行為を医療行為と総称する。
図1は、本発明の実施形態による医療データ分析システム(「データ処理システム」とも言う)100の概略構成を示すブロック図である。
本発明の実施形態の医療データ分析システム100は、医療データ分析装置101と、データベース114と、有する。
入力部102は、マウス、キーボードなどのヒューマンインターフェースであり、医療データ分析装置101への入力を受け付ける。
出力部103は、医療データ分析システムによる演算結果を出力するディスプレイやプリンタである。
また、医療データ分析装置101のデータ整形部107とグラフィカルモデル作成部108を備える装置と、発症確率・医療費予測部109、可視化部110、保健指導支援部111を備える装置は、別の装置で構成してもよい。この場合、データ整形部107とグラフィカルモデル作成部108を備える装置によりモデルを作成し、ユーザは発症確率・医療費予測部109、可視化部110、保健指導支援部111を備える装置を用いる。ユーザが用いる装置は、モデル作成の基となった医療データを保持する必要がないため、個人情報の隠匿及び漏洩の防止に有効である。
以下、各種情報、及び各処理部107乃至111について詳細に説明する。
図2は、レセプト基本情報201の構成例を示す図である。レセプト基本情報201は、レセプトと健康保険の加入者との対応関係を保持する情報である。
レセプト基本情報201は、検索番号202と、健保加入者ID203と、性別204と、年齢205と、診療年月206と、合計点数207と、を構成項目として含んでいる。
検索番号202には、レセプトを一意に識別するための識別子である。健保加入者ID203は、健康保険の加入者を一意に識別するための識別子である。性別204及び年齢205は、当該加入者の性別及び年齢である。
診療年月206は、加入者が医療機関を受診した年及び月である。合計点数207は、一件のレセプトの合計点数を示す情報である。なお、合計点数に「10」を乗じると医療費(円)が算出される。
図3は、傷病名情報301の構成例を示す図である。傷病名情報301は、検索番号202と、傷病名コード302と、傷病名303と、を構成項目として含んでいる。
検索番号202は、レセプトを一意に識別するための識別子であり、レセプト基本情報201の検索番号(図2)と同じ番号を用いる。
傷病名コード302は、レセプトに記載される傷病名コードである。傷病名303は、当該傷病名コードに対応する傷病の名称である。
なお、一件のレセプトには、複数の傷病名が記載可能である。例えば、図3に示す傷病名情報301では、検索番号が「11」のレセプトには糖尿病及び高血圧の傷病名が記載されている。図3に示す傷病名情報301における複数の傷病名が、1つの検索番号に登録されている場合は、合計点数207に、複数の傷病に対する医療行為の合計点数が登録される。
図4は、傷病名分類情報401の構成例を示す図である。傷病名分類情報401は、傷病分類と当該傷病分類に属する傷病名とを対応づける情報であり、傷病分類402と、傷病名コード302と、傷病名303と、合併症有無403と、を構成項目として含んでいる。
傷病分類402は、この傷病が属する分類である。傷病名コード302は、レセプトに記載される傷病名コードであり、傷病名情報301の傷病名コード302(図3)と同じ番号を用いる。傷病名303は、当該傷病名コードに対応する傷病の名称であり、傷病名情報301の傷病名303(図3)と同じ名称を用いる。合併症有無403は、この傷病が合併症の傷病名であるかを示す情報である。
図5は、診療行為情報501の構成例を示す図である。診療行為情報501は、検索番号202と、診療行為コード502と、診療行為名503と、診療行為点数504と、を構成項目として含んでいる。
検索番号202は、レセプトを一意に識別するための識別子であり、レセプト基本情報201の検索番号202(図2)と同じ番号を用いる。
診療行為コード502は、レセプトに記載された診療行為を識別するための識別子である。診療行為名503は、当該診療行為コードに対応する診療行為の名称である。診療行為点数504は、当該診療行為の保険点数を示す情報である。
図5では、例えば、検索番号202が「11」のレセプトには、「診療行為A」と「診療行為C」の診療行為名503が記載されている。
図6は、診療行為分類情報601の構成例を示す図である。診療行為分類情報601は、傷病分類402と、診療行為コード502と、診療行為名503と、を構成項目として含んでいる。
傷病分類402は、傷病名分類情報401の傷病分類402(図4)と同じ分類を用いる。診療行為コード502は、傷病分類402の傷病で行われる診療行為を識別する診療行為コードであり、診療行為情報501の診療行為コード502(図5)と同じコードを用いる。診療行為名503は、当該診療行為コードに対応する診療行為の名称であり、診療行為情報501の診療行為名503(図5)と同じコードを用いる。
図7は、医薬品情報701の構成例を示す図である。医薬品情報701は、検索番号202と、医薬品コード702と、医薬品名703と、医薬品点数704と、を構成項目として含んでいる。
検索番号202は、レセプトを一意に識別するための識別子であり、レセプト基本情報201の検索番号202(図2)と同じ番号を用いる。
医薬品コード702は、レセプトに記載された医薬品を識別するための医薬品コードである。医薬品名703は、レセプトに記載された医薬品の名称である。医薬品点数704は、医薬品の保険点数を示す情報である。
なお、1件のレセプトには、複数の医薬品名が記載可能である。図7では、例えば、検索番号202が「11」のレセプトは、糖尿病経口薬A及び高血圧経口薬Aとの医薬品名が記載されている。
図8は、医薬品分類情報801の構成例を示す図である。医薬品分類情報801は、傷病分類402と、医薬品コード702と、医薬品名703と、を構成項目として含んできる。
傷病分類402は、傷病名分類情報401の傷病分類402(図4)と同じ分類を用いる。医薬品コード702は、傷病分類402に登録された分類で処方される医薬品を識別する医薬品コードであり、医薬品情報701の医薬品コード702(図7)と同じコードが用いられる。医薬品名703は、当該医薬品コードに対応する医薬品の名称であり、医薬品情報701の医薬品名703(図7)と同じ名称が用いられる。
なお、図5に示す医療行為情報501及び図7に示す医薬品情報701を、医療行為情報と総称する。また、図6に示す診療行為分類情報601及び図8に示す医薬品分類情報801を、医療行為分類情報と総称する。
図9は、健診情報901の構成例を示す図である。健診情報901は、複数の加入者の複数年分の健診情報を管理するための情報であり、健保加入者ID203と、健診受診日902と、健康診断における各種検査値(例えば、BMI等)903乃至907と、を構成項目として含んできい。
健保加入者ID203は、健康診断を受診した健康保険の加入者の識別子であり、レセプト基本情報201の健保加入者ID203(図2)と同じ識別子を用いる。
健診受診日902は、健康診断を受診した年月日である。BMI903から中性脂肪907は、健康診断の検査の結果を示す情報である。
特定の検査を受けなかった場合など、健診情報のデータが欠落することがある。例えば、図9では、健保加入者ID「K0004」が2004年に受診した検査項目のうち収縮期血圧906のデータが欠落している。
図10は、問診情報1001の構成例を示す図である。問診情報1001は、複数の加入者の複数年分の問診情報を管理するための情報であり、健保加入者ID203と、問診受診日1002と、問診の回答(例えば、喫煙等)1003乃至1005と、を構成項目として含んでいる。なお、問診は、生活習慣、既往歴、アレルギー等の体質、自覚症状などを含んでもよい。
健保加入者ID203は、問診を受診した健康保険の加入者の識別子であり、レセプト基本情報201の健保加入者ID203(図2)と同じ識別子を用いる。
問診受診日1002は、問診を受診した年月日である。タバコ1003から歩行1005は、問診の結果を表す情報である。タバコ1003は、喫煙習慣がある場合は一日の平均喫煙本数であり、喫煙しない場合は「なし」である。飲酒1004は、飲酒習慣がある場合は一日の平均飲酒量(単位=ml)であり、飲酒習慣がない場合は「なし」である。歩行1005は、一日の平均歩行時間(単位=分)である。
なお、問診情報では、歩数、飲酒量、喫煙本数などの詳しい情報が得られない場合もある。具体的な飲酒量ではなく、予め問診表で区分けされた頻度のうち、該当するものを回答する場合がある。例えば、喫煙や飲酒の有無のみの情報が得られる場合、飲酒の頻度をいくつかの程度に分けて(例えば、(i)飲酒無し、(ii)週に1〜2回、(iii)週に3回以上)回答する場合などである。この場合、問診情報の値は、回答番号を示すもので、血圧などの検査値等と異なり、定量的な意味をもたない。
特定の項目に対する回答が無かった場合、問診情報のデータが欠落することがある。例えば、図10では、健保加入者ID「K0003」が2004年に受診した問診項目のうち歩行1005に対するデータが欠落している。
次に、データ整形部107の処理について説明する。データ整形部107は、医療情報記憶部115に記憶されている医療データから、加入者毎かつ期間毎のレセプト情報、健診情報及び問診情報を集計・統合し、表形式に整形する。以下では、1つの期間は1年であるとして説明するが、半年、2年、3年など、別の期間でもよい。
整形情報1101は、2004年のレセプト情報を整形したレセプト整形情報を含むものである。整形情報1101の各行は、1つの健保加入者IDに対応する1つの年のデータを集計したものである。
以下、データ整形部107の処理について、2004年のデータを整形する場合を具体的に説明する。
図11に示す整形情報1101は、健診情報から整形された健診整形情報も含んでいる。各行は、1つの健保加入者IDに対応するデータを集計したものである。
さらに、図11に示す整形情報1101は、問診情報から整形された問診整形情報も含む。各行は、1つの健保加入者IDに対応するデータを集計したものである。
図11及び12に示す、作成されたレセプト整形情報、健診整形情報、及び問診整形情報は、データベース114の整形情報記憶部116に記憶される。
続いて、グラフィカルモデル作成部108の処理について説明する。グラフィカルモデル作成部108は、レセプト整形情報の各項目を確率変数とし、確率変数をノード、確率変数間の条件付依存関係をエッジとして表現したグラフ、および、条件付確率テーブルより成るモデルを作成する。ただし、エッジは有向、無向の2種類がある。また、ノードの集合をV、エッジの集合をE、グラフをG=(V,E)とおくことにする。グラフィカルモデルの特殊な場合として、ベイジアンネットワークやマルコフネットワークなどがある。
グラフィカルモデル作成部108は、レセプト整形情報に基づき、レセプト整形情報の各項目を確率変数とするベイジアンネットワークなどのグラフィカルモデルを作成する。グラフィカルモデルの項目としては、例えば、図11の整形情報(表)1101の1行目に記載されている性別、年齢、傷病名コード10、傷病名コード20、BMI、腹囲などが挙げられる。
以下では、作成されるグラフィカルモデルについて、例を挙げて説明する。
(i)単純なモデル(基本的考え方)
図13Aは、2つのノードから成る単純なモデルを示す図である。図13Aにおいて、X年経口薬処方回数をX年の糖尿病の経口薬処方回数を表す確率変数とし、X+N年インスリン処方回数をX+N年の糖尿病のインスリン処方回数を表す確率変数とする。それぞれの確率変数を表すノードを、v1、v2とおくと、図13Aのグラフは、v1、v2の2つのノード、およびv1からv2への有向エッジe1より成る。また、V=(v1,v2)、E=(e1)とおくと、図13Aのグラフは、G=(V,E)と表すことができる。
次に、図13の場合よりも確率変数の数を増やした場合のモデルについて、図14で示される例を用いて説明する。
しかし、X+N年のインスリンの処方回数は、血糖値が高い人のほうが大きいと予想できる。また、それは年齢にも依存すると予想することもできる。
そこで、図14に示されるように、例えば、X年経口薬処方回数、X年血糖値、及びX年年齢を用いてX+N年インスリン処方回数を予測した方が、より正確な予測ができると想定される。
ここでは、図15Aを用いて、本発明によるグラフィカルモデルの作成例について説明する。
図15Aに示すグラフィカルモデルは、X年の項目とX+N年の項目を表わすノードより構成される。項目間のエッジは3種類となっている。1つ目は、X年のBMI値とX年のコレステロール値などのように、同一年の項目の間のエッジであり、図では細実線で示されている。2つ目は、X年の糖尿病経口薬処方有無とX+N年の糖尿病経口薬処方有無のように、異なる年の項目名(年の部分を除く)が同じである項目の間のエッジであり、図では太実線で示されている。3つ目は、X年の血糖値とX+N年の経口薬処方有無のように、異なる年の項目名(年の部分を除く)が異なる項目の間のエッジであり、図では点線で示されている。
次に、発症確率・医療費予測部109の処理の詳細について説明する。発症確率・医療費予測部109は、グラフィカルモデル記憶部117で記憶されるモデルを用いて、健保加入者の将来の発症確率、および医療費を予測する。グラフィカルモデルを用いると、一部の確率変数(項目)に既知の値が与えられたときの未知の確率変数(項目)の各状態を取る確率の分布を求めることができる。例えば、個人の今年の健診、問診、レセプトのデータが与えられたとき、X年の確率変数(項目)の値を既知として、残りのX+N年の確率変数(項目)の確率分布を求めることができる。また、例えば、個人の今年の健診、問診、レセプトのデータが与えられたとき、N年後にその人が糖尿病経口薬の処方を受ける確率、受けない確率が得られる。同様にして、N年後の他の項目の各値に対する確率分布も得られる。これにより、例えば、X+N年の医療費の確率分布を求めることができ、よって医療費の期待値が得られる。同様にして、医科、薬剤の処方の確率分布を求めることにより、ある病気の発症確率が計算できる。このような確率推論には、Junction Tree Algorithmなどを用いることができる。これにより、各被保険者の今年のデータに基づいて、N年後の発症確率、医療費を予測できる。
以上により、各健保加入者の今年の健診、問診、レセプトの結果などを用いて、N年後、2N年後、3N年後、…、の病気の発症確率、医療費などを予測することができる。
続いて、可視化部110の処理の詳細について説明する。
可視化部110は、グラフィカルモデル作成部108で作成したグラフG=(V,E)の構造を可視化する。可視化処理により、ノードVを2次元、または3次元空間上に配置して表示する。また、エッジEは、ノード間を直線や曲線で結び、有向エッジは矢印などで表す。なお、エッジは表示しなくてもよいし、エッジを表示する場合でも、有向と無向の区別をせず、矢印なしでもよい。
まず、図16に示すフローチャートの処理を実行する前に、演算装置104は、ノード間の依存度を計算する。ノード間依存度は、2つのノードの間の類似度や関連度で、依存度が高いほど大きな値を取る。ノードviとノードvjの間の依存度をs(i、j)と置く。ここでは、ノード間の依存度の算出例を4つ挙げるが、何れかを単独で用いて依存度を定義しても良いし、いくつかを組み合わせて依存度を定義しても良い。ノード間の依存度は、整形情報1101の事例に基づいて計算される。
次に、ベクトルv1及びv2の要素対の集合をS={(v1i,v2i)}(iは1からmの整数値)とする。Sの要素数はm個である。Sの要素p=(p1,p2)に対して、pと等しいSの要素の個数をnpとする。また、Sの異なる要素の数をLとする。このとき、Lで正規化したv1、v2の対のエントロピーe(v1,v2)を下式で表す。
e(v1,v2)=Σ[(−np/m)log(−np/m)]/L
以上により、ノード間の依存度が与えられる。上記の方法によらず、別の方法によって、ノード間の関連性の強さを示す依存度を計算してもよい。
次に、各ノードに対して、重要度を算出する。重要度は、医療費への影響に基づいて算出される。
ステップ1601において、可視化部110は、レセプトの医科、薬剤、歯科などのレセプトの各項目に対応するノードへの重要度を定める。また、ステップ1602において、可視化部110は、健診及び問診の項目に対応するノードへの重要度を定める。いずれの重要度も、医療費ノードとの依存度によって定めるようにしてもよい。依存度は、上述の項目(ノード)間の依存度の計算方法を用いて求めることができる。つまり、項目Aの重要度は、項目Aの属する年の医療費と項目Aとの依存度とする。これによって、各ノードの重要度を定めることができる。
以下、レセプト項目医療費算出処理(ステップ1601)と健診・問診医療費影響算出202における別の重要度の算出について説明する。
1つ目の例:処方にはそれにかかる医療費が付随しているため、医療費は、当該処方の医療費に関する情報がある場合には、その値を用いても良い。医療費に幅がある場合には、中間値、平均値などを用いる。
2つ目の例:当該ノードに関する処方を1回以上受けている事例(被保険者)の医療費の平均値として算出する。より正確に計算する場合には、当該事例の医療費のうち当該ノードの処方に関する医療費のみを用いて、その医療費の平均値として算出する。このとき、処方回数で割ることによって、1回あたりの処方の平均値として算出してもよい。
可視化部110は、レセプト項目医療費算出処理(ステップ1601)、及び健診・問診医療費影響算出処理(ステップ1602)において算出された重要度に基づいて、各ノードに対し、重要度が高いものほどy軸正(上側)の方向に力がかかるように、力を定義する。ノードiに働く力は、重要度をwiとおくと、例えば、fi(y)=Gwi−Bにより定義される。ここで、Gは重要度に基づく順序付けの強さをコントロールする定数で、大きいほど、重要度順に並びやすくなるように力が働く。Bは系全体が移動しないように定める定数で、Σfi(y)=0となるように定める。ここで和は全てのノードに対して取る。
なお、医療費影響力は、レセプト項目医療費と健診・問診医療費影響度の少なくとも1つ重要度を用いて算出しても良い。つまり、レセプト項目のみに着目してノードを可視化したい場合もあるし、健診・問診の結果にのみ着目してノードを可視化したい場合もある。よって、常に、両方の重要度を用いて医療費影響力を算出する必要は必ずしもない。
可視化部110は、上述のノード間依存度に基づいて、異なる2つのノード間に働く斥力(ノード同士が近くにあるほど斥力が大きくなる)と引力(依存度が高いほど引力が大きくなる)を定義する。ノードiとノードjの座標をそれぞれ(xi、yi)、(xj、yj)とし、ノードiとノードjの間のユークリッド距離を(xi、yi)、(xj、yj)の関数としてd(i、j)とおく。このとき、例えば、ノードiとノードjの間に働く斥力は、fr(i、j)=−1/d(i、j)、引力は、fa(i、j)=−s(i、j)×d(i、j)^2として定める。ここで、s(i、j)はノードiとノードjの依存度を表し、d(i、j)^2はd(i、j)の二乗を表わしている。
ステップ1603及び1604により、医療費影響力及び項目間力が算出される。よって、各ノードiに働く力の合計は、Fi=fi+Σfr(i、j)+Σfa(i、j)により与えられる。ここで、和はすべてのノードi以外のノードjについてとる。fiが重要度に基づく力、frがノード間の斥力、faがノード間の引力である。
そして、座標配置処理(ステップ1605)において、可視化部110は、上記各ノードiに働く力により定義される系全体のエネルギーE=ΣFi^2が小さくなるように、座標配置を反復的に修正して、各ノード座標配置を定める。すると、依存度が高いノード同士は近くに配置され、そうでないものは離れて配置される。また、医療費影響が高いノードは特定の方向に向かって配置され、そうでないものは特定の方向とは無関係に配置される。座標配置の具体的な処理内容(ステップ16051乃至16053)については後述する。
可視化部110は、各ノードを、ステップ1605によって定められた座標に基づいて配置する。ノードは○などの適当な図形により表示する。エッジはノード間を結ぶ曲線や直線などで表示する。有向エッジの場合には矢印などで表現してもよい。
座標配置処理(ステップ1605)は、初期座標設定処理(ステップ16051)と、座標修正処理(ステップ16052)と、収束判定処理(ステップ16053)と、によって構成される。
可視化部110は、各ノードの座標をランダムに(特に特別な規則はない)定める。
可視化部110は、項目間力によるエネルギーが小さくなるように、勾配降下法を用いて各ノードの座標修正を行う。ステップ160521から160524によって全ノードを一巡する1サイクルの処理が構成される。以下、具体的な処理を説明する。
次に、力の計算処理(ステップ160522)において、可視化部110は、現座標値でのノードiに働く力Fiを計算する。
可視化部110は、座標修正サイクルを継続するかどうか判定するためにアルゴリズムの収束判定を行う。例えば、直前の座標修正サイクル処理(ステップ16052)でのノードの座標移動距離の全ノードに対する合計値が所定の定数以下となった場合、収束したと判定される。収束したと判定された場合、処理は、可視化処理(ステップ1606)に移行する。まだ収束していないと判定された場合には、可視化部110は、再度、座標修正処理(ステップ16052)のサイクルを実行する。
以下、本実施形態の比較例について説明する。
図17は、非特許文献1(比較例)による可視化処理の例を説明するためのフローチャートである。ここでも、Vをノードの集合、Eをノード間のエッジの集合として、グラフG=(V,E)とおく。また、エッジがあるノード同士の依存度を1、エッジがないノード同士の依存度を0する。
ステップ1704は、図16におけるステップ1604に対応する処理である。
ステップ1704では、ノード間依存度に基づいて、異なる2つのノード間に働く斥力と引力が定義される。ノードiとノードjの座標をそれぞれ(xi,yi)、(xj,yj)とし、ノードiとノードjの間のユークリッド距離を(xi,yi)、(xj,yj)の関数としてd(i,j)とする。このとき、例えば、ノードiとノードjの間に働く斥力は、fr(i,j)=−1/d(i,j)、引力は、fa(i,j)=−s(i,j)×d(i,j)^2として定める。ここで、s(i,j)はノードiとノードjの依存度で、d(i,j)^2はd(i,j)の二乗を表わす。
次に、ステップ1704で求めた、各ノードiに働く力により定義される系全体のエネルギーE=ΣFi^2が小さくなるように、座標配置を反復的に修正して、座標配置が定められる。
比較例では、医療費への影響(重要度)に基づいて働く力の項がないため、エッジの有無に基づいて配置される。このため、どの位置にどのノードがあるのか、どのノードが医療費への影響が大きいのか、分かりにくいという課題がある。
本発明の実施形態による可視化処理では、上述のように、ノードが医療費に与える影響の大きさ(重要度)に応じてノードが配置されるため、その位置によってノードがもつ意味が分かりやすくなる。例えば、上方向に重要度が大きいものが配置されるように定めたとすると、概ね、上に配置されているノードほど、重症度の高い疾病に関するノードである。また、概ね、生活習慣、検査値、処方(重症度が高くなる順)の順に配置されるため、病気が重症化する流れや、疾病に至る検査値、生活習慣などの要因が把握しやすくなるというメリットがある。ノード間の依存度だけでなく、疾病予防という観点から、医療費への影響も同時に可視化することができ、全体の疾病構造を理解しやすい。
保険指導支援部111は、将来の病気の発症や重症化を予防するための指導を支援する機能を提供する。ここでは、健康保険事業者が保険指導計画を策定するための支援機能について説明する。
一般的に、健康保険事業者は、保健指導による予防効果が高い対象者を予算内で優先的に選び、各対象者に適した費用対効果の高い指導を行うことを望んでいる。また、通常、健康保険事業者が提供できる保健指導サービスは複数ある(保健指導サービス1、保健指導サービス2、…、など)。例えば、保健指導サービス1は、主にBMI値を減らすための指導、保健指導サービス2はコレステロール値を下げるための指導などである。
保健指導支援部111は、保険事業者(ユーザ)の入力に従って、処理対象とする疾病を設定する。例えば、三大生活習慣病である糖尿病、脂質異常症及び高血圧症を対象とする場合、レセプト整形情報の項目のうち、糖尿病、脂質異常症及び高血圧症に該当する医療行為の項目、健康診断の項目、及び問診の項目を予測の対象とする。
保健指導支援部111は、保険事業者(ユーザ)の入力に従って、保健指導サービスの種類と各保険指導サービスの想定効果を設定する。例えば、保健指導サービス1の想定効果は、体重5kg減などである。
発症確率・医療費予測部109は、全ての保健指導サービスと保健指導対象候補者の組み合わせについて、以下のようにして医療費削減効果を予測する。ここでは、保健指導サービス1と保健指導対象候補者1との組み合わせについて医療費削減効果を考える。
最初に、発症確率・医療費予測部109は、保健指導サービスを行わない場合の保健指導対象候補者1の翌年の医療費を予測する。具体的に、発症確率・医療費予測部109は、今年の保健指導対象候補者1のレセプト、健康診断、及び問診の値に基づいて、今年の項目に対応するノードの状態を設定し、医療費(C1)を予測する。
次に、発症確率・医療費予測部109は、保健指導サービスにより検査値が改善した値を、今年の保健指導対象候補者1の値に設定し、翌年の医療費(C2)を予測する。C1が保健指導を行わない場合の予測医療費、C2が保健指導を行った場合の予測医療費となるため、保健指導サービスの実施に必要な費用をC3とすると、医療費削減費用対効果は、E=C1−C2−C3により計算することができる。この処理を全ての保健指導サービスと保健指導対象候補者との組み合わせに対して行い、医療費削減費用対効果Eを計算する。
保健指導支援部111は、保健指導サービスと保健指導対象候補者との組み合わせのうち、最も医療費削減費用対効果が高い組み合わせを選び、選ばれた保険指導対象候補者を選択済みとする。
次に、保健指導支援部111は、選ばれていない保健指導対象候補者に対する保健指導サービスと保健指導対象候補者との組み合わせのうち、最も医療費削減費用対効果が高い組み合わせを選び、選ばれた保険指導対象候補者は選択済みとする。このようにして、効果の高い順に保健指導サービスと保健指導対象候補者との組み合わせを選択することができる。
最後に、保健指導支援部111は、保健指導の予算の範囲で、効果が高い順に保健指導対象者と保健指導サービスの組み合わせを選択し、保健指導対象者及び保健指導内容を設定する。
保健指導支援部111は、保健指導内容策定処理(ステップ1804)によって選択された組み合わせの医療費削減費用対効果を合計し、医療費削減効果から保健指導コストを減じた値を効果として出力する。
これにより、費用対効果の高い保健指導対象者と保健指導内容を選定できる。このとき、生活習慣、検査値、疾病との関連性の全体構造を把握するために、可視化部110で作成した可視化の結果を用いることも可能である。
第1の実施形態では、可視化部110におけるノードの座標配置で、初期配置をランダムに定め、その後、エネルギーが小さくなるように逐次的に座標を修正し、ノードの座標配置を定めた。そのため、特にノードの数が大きい場合には、最終的に得られる配置座標は初期値のランダム性に依存する。第2の実施形態は、初期の定め方に対する依存性を軽減する方法に関するものである。なお、システム・装置構成や処理などは、可視化部110を除き、第1の実施形態と同様であるため、説明を省略する。
図19は、本発明の第2の実施形態による可視化部110の処理の詳細について説明するためのフローチャートである。項目間力定義処理(ステップ1604)までの処理、及び可視化処理(ステップ1606)は、第1の実施形態と同様であるので、説明を省略する。第2の実施形態では、座標配置処理(ステップ1901)の内容が第1の実施形態とは異なっている。
座標配置処理(ステップ1901)では、ノードの配置座標を定めるが、具体的な処理は以下の通りである。
可視化部110は、算出されたノード間の依存度とノードの重要度に基づいて、ノード間のエッジの有無を定め、ノードとエッジからなるグラフを定義する。ここで生成するグラフは、グラフィカルモデル作成部108が作成するグラフとは異なる。ここで、ノードiとノードjの依存度をs(i、j)、ノードiの重要度をg(i)とおく。このとき、ノードiとノードjの間の結合度としてc(i、j)=s(i、j)―h|g(i)−g(j)|とおく。ここでhは、依存度と重要度の結合度に占める割合を調整する定数である。このとき、c(i、j)が所定の閾値以上となるノード間にエッジを定義する。これによって、ノード同士の依存度が大きく、重要度が近い値をもつノード間にエッジが定義される。このようにして作成されたエッジの集合をE、ノードの集合をVとし、グラフをG(V,E)とする。
可視化部110は、ステップ19011で生成されたグラフGを粗粒化する。粗粒化にはEC法、及びMIVS法を用いることができる。以下、図20を用いてそれぞれについて説明する。なお、図20は、EC法とMIVS法の概要について説明するための図である。
まず、EC法について説明する。EC法では、エッジをもつ2つのノードを1つにまとめ、新しいノードとして生成する。結合するノード対は、極大マッチングにより選定する。グラフGに対して、マッチングMとは、Gのエッジの集合で、Mに含まれるどの2つのエッジも同じノードを共有しないものを言う。マッチングMが極大であるとは、Gに含まれるどのようなエッジをMに付け加えても、マッチングの条件が崩れる場合を言う。
次に、MIVS法について説明する。この方法では、グラフGの極大独立集合をもって粗粒化されたノードとする。独立集合とは、グラフGのノードの集合であって、独立集合に含まれるどの2つのノードもエッジをもっていないものを言う。極大独立集合は、独立集合であって、Gのどのようなノードを追加しても、独立性が崩れるものをいう。
上述のように、粗粒化処理(ステップ19012)では、上述の2つの方法を用いることができる。最初のグラフをG0=Gとおく。まず、EC法を用いてグラフを粗粒化する。そして、G0から粗粒化によってグラフG1を生成する。
また、グラフGi+1のノードに働く力をグラフGiのノードに働く力に基づいて計算する。
可視化部110は、粗粒化でできたグラフGnのノードの初期配置を定める。Gnのノードの個数は1個、または2個であるため、予め定めた位置に配置する。2個の場合にはノードが重ならないようにする。
可視化部110は、粗粒化されたグラフGi(或いは、粗粒化されたグラフを細粒化して得られたブラフ)のノードに働く力を定義する。これには、粗粒化(ステップ19012)で定めたグラフGiのノードに働く力を用いる。最初のステップ19014の処理ではGi=Gnである。
可視化部110は、ステップ19014で定義した「ノードに働く力」に基づいてグラフGiのノードの座標配置を定める。この処理は、図16の座標修正処理(ステップ16052)と同様である。なお、ここでは、図16の場合とは異なり、最初は粗粒化したノードの座標修正が行われる。そして、徐々に細粒化して元の状態に戻しながら座標修正が行われる。このようにすることにより、初期座標設定の結果に依らずに適切にノードを配置することができるようになる。
可視化部110は、細粒化処理(ステップ19016)によりGi=G0となっている場合、処理を可視化処理(ステップ1606)に移行させる。そうでない場合には、可視化部110は、処理を細粒化処理(ステップ19016)に移行させる。つまり、上述の粗粒化処理(ステップ19012)は、ノード配置を決めるために行っているので、細粒化処理(ステップ19016)により元に戻す処理が行われ、最初の状態に戻れば座標配置処理が終了するということである。
可視化部110は、粗粒化処理で用いた過程の逆の過程によりGiを細粒化し、Gi−1に戻す。GiのノードはGi−1のノードの一部を統合したものより構成される。そこで、Giのノードの座標配置よりGi−1のノードの配置座標を定める。Giのノードのうち、Gi−1のノードそのものである場合には、Gi−1のノードの座標をGiのノードの座標からそのまま引き継ぐ。GiのノードがGi−1の複数のノードを統合したものである場合には、Giの当該ノードの座標を微小変動させた位置に、構成要素となるGi−1のノードを重ならないように配置する。これにより、Giの座標配置を引き継ぐ形で、Gi−1のノードの座標配置を定めることができる。細粒化処理(ステップ19016)が終わると、処理は、Gi−1のグラフに対して粗粒化ノード間力定義処理(ステップ19014)に移行する。
第1及び第2の実施形態では、各ノードの配置座標が定められ、1つのノードに対して1つの配置座標が与えられた。そのため、1つのノードは画面では1つの図形で配置座標に対応する場所に示される。しかし、1つの検査値が複数の疾病群の要因となっている場合など、1つのノードが複数のノード群に関連を持っている場合に、座標配置が密になり、可視性が悪くなる場合がある。
第3の実施形態において、システム・装置構成や処理などは、可視化部110を除き、第1の実施形態と同様であるため、それらについては説明を省略する。ここでは、図22を用いて、可視化部110の処理の詳細について説明する。
可視化部110は、各ノードを所定の次元数の空間に座標配置する。この処理は、第1の実施形態のステップ1605や第2の実施形態のステップ1901と似た処理を用いる。ただし、ステップ1605や1901では、2次元、または3次元空間にノードを配置したが、ここでは、次元数を2次元、3次元に限らず、より高次の次元数Nにおいて座標配置をする。高次の次元数に座標配置をする処理は、ステップ1605や1901の次元数を置き換えることで、容易に得られる。
N次元座標配置処理で選択する次元数Nとしては、十分大きな次元数が選択される。これは、項目間の依存度を距離によって表現するためである。なお、後述のクラスタリング処理(ステップ2203)での結果を見ながら、実験的に適切な値を定めてもよい。
可視化部110は、N次元座標配置処理(ステップ2202)で定められた配置座標に基づいて、N次元空間上でノードのクラスタリングを行う。これによって、項目は、クラスタに分割され、近い項目同士は同じクラスタに所属する。項目は、N次元座標配置処理(ステップ2202)において、N次元空間上の点として表わされているため、k−means法などのクラスタリングアルゴリズムを用いることができる。
上記N次元座標配置処理(ステップ2202)は、項目をクラスタリング処理(ステップ2203)においてクラスタリングするために行う処理である。よって、N次元座標配置処理(ステップ2202)で得られた項目の座標は、クラスタリング処理(ステップ2203)においてのみ用いられるものである。
一方、座標配置処理(ステップ2201)は、可視化のための2次元、または3次元空間に項目を配置する処理である。このため、N次元座標配置処理(ステップ2202)と座標配置処理(ステップ2201)は、それぞれ独立に行われる。
可視化部110は、所定の数以上のクラスタ群と所定の閾値以上の依存度を持つノードを仮想的に分割する。分割されたノードは、予め指定された方法により、異なる位置に配置される。例えば、重要度の位置(y座標)は変えず、分割されたノード同士がx座標で等間隔になるように配置する。分割個数は、高い依存度をもっているクラスタ数(図21の場合には3個)が多い場合は、大きくするなどの処理をしてもよい。また、予め、分割するノードやその分割個数を予めユーザが定めておいても良い。また、クラスタ数に関係なく、所定の閾値以上の依存度をもつノード数が所定の数以上となる場合には、分割し、分割の個数も所定の閾値以上の依存度をもつノード数が大きい場合には、大きくするようにしてもよい。
可視化部110は、分割により生成されたノードの力を定義する。これは、同じノードから分割により生成されたノード間の依存度は、予め定めておいた定数として定め、医療費影響力については分割前のノードから引き継ぐことで、項目間力定義処理(ステップ1604)と同様にして定める。
可視化部110は、ステップ2205によって新たに定義された力に基づいて、座標配置処理(ステップ2201)と同様の方法を用いて、新たなノードの配置座標を定める。なお、ステップ2206の演算で用いる初期座標は、初期座標設定処理(ステップ16051)または初期座標設定処理(ステップ19013)で定める初期座標ではなく、座標配置処理(ステップ2201)、及びノード分割処理(ステップ2204)を実行した結果定められた配置座標とする。また、分割により生成されたノードは、分割前の重要度の位置(y座標)を引き継ぎ、固定して、x方向のみ再配置してもよい。或いは、分割により生成されたノードを座標修正することなく、座標配置処理(ステップ2201)及びノード分割処理(ステップ2204)で定めた配置座標に固定してもよい。
第1乃至第3の実施形態では、X年血糖値とX+N年血糖値など、年の部分を除いて同一の項目名を持つ項目も異なる項目として扱っている。このため、例えば、X年のノードとX+N年のノードは異なる年の同一名項目を表すものであっても、別々に表示される。
可視化部110は、まず、X年とX+N年の同一項目について、別々に医療費影響力を算出する。
次に、可視化部110は、X年とX+N年を同一視した項目の医療費影響力を、元のX年とX+N年の項目の医療費影響力の平均値として計算する。
可視化部110は、X年とX+N年の同一名項目については同一視した場合の項目間力を定義する。例えば、可視化部110は、X年とX+N年の同一名項目A1とA2を統合したAと、X年とX+N年の同一名項目B1とB2を統合したBと、の間に働く項目間の引力(斥力)を、A1とB1に働く引力(斥力)と、A1とB2に働く引力(斥力)と、A2とB1に働く引力(斥力)と、A2とB2に働く引力(斥力)と、の平均値として定める。また、可視化部110は、X年とX+N年の同一項目A1とA2を統合したAと、性別や年齢等の測定年とは関係のない基本情報を表す項目Bとの間の引力(斥力)を、A1とBに働く引力(斥力)と、A1とBに働く引力(斥力)と、の平均値として定める。
第5の実施形態では、第1乃至第4の実施形態の何れかのグラフの出力を用いたユーザインタフェースの構成に関するものである。第5の実施形態は、ユーザインタフェース以外の構成や処理は、第1乃至第4の実施形態と同様であるので、説明を省略する。
図23はユーザインタフェースの画面例を示す図である。
図23において、領域2301は、ノードの配置を出力するための領域である。領域2301には、糖尿病を例として、第1または第2の実施形態による方法を用いて定めたノードの座標に基づいて、各ノードが模式的に表示される。ここでは、ノードを黒点により表している。ノード間のエッジは表示してもよいが、この例では煩雑になるため、示していない。
図25は、ノードのとる値や値の範囲を変化させたときのノード位置の変化の様子を説明するための図である。ただし、図25では、図23のインターフェースにおける領域2301と、領域2501(図23の条件設定領域2302の1つの設定値に関する調整バー)のみが示されている。
このようなユーザインタフェースを用いて保健指導支援部111での保健指導効果や病気への影響、原因の把握などを効率的に行うことができる。
(i)本発明では、レセプト情報、健診情報、及び問診情報などから、病態変化の因果や遷移をモデル化し、因果の関係や遷移の様子を因果や病気の状態を表す因子間のネットワークにより可視化する。このとき、多数の因子により構成されるネットワークとなるため、病気の変化の様子や因果関係を把握するのが困難となる。本発明の可視化方法では、所定の方向を定め、医療費との関連の大きさに基づいて、医療費との関連が大きい因子ほど、所定の方向側に位置するように、因子を配置する。概ね、重症な病気ほど医療費は大きく、医療費との関連が大きい検査値や生活習慣ほど、病気の重症化との関わりが大きいため、このような配置とすることで、病気が重症化する因果や遷移の流れが分かりやすくなる。さらに、多数の項目が密に配置されている場合にも、因子を仮想的に分割して表示することにより、複雑な構造も可視化することができる。
当該システムは、病気の発症リスク、重症化リスクの高低を、レセプトの項目と健診の項目との距離の大小によって表現するようにしての良い。
加えて、本技術分野の通常の知識を有する者には、本発明のその他の実装がここに開示された本発明の明細書及び実施形態の考察から明らかになる。
101・・・医療データ分析装置
102・・・入力部
103・・・出力部
104・・・演算装置
105・・・メモリ
106・・・記憶媒体
107・・・データ整形部(データ整形プログラム)
108・・・グラフィカルモデル作成部(グラフィカルモデル作成プログラム)
109・・・発症確率・医療費予測部(発症確率・医療費予測プログラム)
110・・・可視化部(可視化プログラム)
111・・・保健指導支援部(保健指導支援プログラム)
114・・・データベース
115・・・医療情報記憶部
116・・・整形情報記憶部
117・・・グラフィカルモデル記憶部
118・・・予測結果記憶部
119・・・項目間依存データ記憶部
120・・・座標配置記憶部
Claims (15)
- 医療データを分析処理するためのプログラムを格納するメモリと、
前記メモリからプログラムを読みだして前記医療データを分析処理するプロセッサと、を有し、
前記プロセッサは、
分析対象者のレセプト情報及び健診情報を、前記分析対象者毎にかつ所定期間毎に纏めた整形情報をデータベースから取得する処理と、
前記整形情報に基づいて、前記整形情報の項目を表す確率変数に対応するノード間の確率的依存性が有向辺又は無向辺によって定義されたグラフィカルモデルを作成する処理と、
前記作成されたグラフィカルモデルに基づいて、病気の発症確率及び医療費を予測する処理と、
前記グラフィカルモデルにおける各ノードの確率変数又は各ノード間のエッジの有無に基づいて、ノード間の依存度を求める処理と、
処方に掛かった医療費及び前記予測された医療費の少なくとも1つに基づいて、前記グラフィカルモデルにおける各ノードに対応する項目が医療費に与える影響度を算出する処理と、
前記算出した影響度に基づいて、前記各ノードに作用する医療費影響力を算出する処理と、
前記ノード間の依存度に基づいて、当該ノード間に働く斥力と引力で定義される項目間力を算出する処理と、
前記医療費影響力と前記項目間力の合計により定義されるエネルギーが減少するように前記グラフィカルモデルにおける各ノードの座標配置を決定する処理と、
前記決定した各ノードの座標配置に基づいて、前記グラフィカルモデルを可視化する処理と、
を実行することを特徴とする医療データ分析システム。 - 請求項1において、
前記プロセッサは、保健指導対象候補者の前記グラフィカルモデルに基づいて、保健指導を行わない場合の医療費と保健指導を行った場合の医療費から医療費削減効果を算出し、当該医療費削減効果を用いて保健指導の対象者及び保健指導内容を選定する処理を実行することを特徴とする医療データ分析システム。 - 請求項1において、
前記各ノードの座標配置を決定する処理において、前記プロセッサは、前記医療費に与える影響度が大きいほど所定の方向側に前記ノードが配置され、前記ノード間の依存度が大きいノード間ほどノード同士が近くに配置されるように、前記ノードの座標を算出することを特徴とする医療データ分析システム。 - 請求項1において、
前記各ノードの座標配置を決定する処理において、前記プロセッサは、前記医療費に与える影響度が大きいほど所定の方向側に力が前記ノードに働き、前記ノード間の依存度が大きいほど強い引力が当該ノード間に働き、当該ノード間の距離が近いほど強い斥力が当該ノード間に働くように、各ノードに働く力を定義し、この力によって定義されるエネルギーが小さくなるようにノードの座標を逐次的に修正して定めることを特徴とする医療データ分析システム。 - 請求項1において、
前記グラフィカルモデルを作成する処理において、前記プロセッサは、任意の年を表すX年とそれからN(Nは自然数)年後を表すX+N年のそれぞれの前記整形情報の項目を表わす確率変数をノードとし、前記X年と前記X+N年の全ての同一名項目間を結ぶ状態遷移を表す第1のエッジと、前記X年と前記X+N年の異なる項目名をもつ項目間を結ぶ前記状態遷移に影響を与える因果を表す第2のエッジと、同一年の異なる項目同士のうち確率的依存性が強い項目同士を結ぶ第3のエッジとを含む構造により、前記グラフィカルモデルを作成することを特徴とする医療データ分析システム。 - 請求項5において、
前記プロセッサは、異なる年の同一名の項目を表すノードを同一のノードとして表現して前記グラフィカルモデルを作成することを特徴とする医療データ分析システム。 - 請求項6において、
前記プロセッサは、前記同一のノードとして表現されたノードの前記医療費に与える影響度を、元のノードの前記医療費に与える影響度の平均値とすることを特徴とする医療データ分析システム。 - 請求項5において、
病気の発症確率及び医療費を予測する処理において、前記プロセッサは、前記X年のデータを観測データとして前記X+N年後の状態を予測し、前記X+N年後の予測値を基にして、X+2N年後の状態を予測し、当該予測処理を繰り返すことにより、X+kN(kは正の整数)年後の状態を予測することを特徴とする医療データ分析システム。 - 請求項1において、
前記各ノードの座標配置を決定する処理において、前記プロセッサは、複数のノードを粗粒化し、粗粒化されたノードを用いて座標を設定し、前記粗粒化されたノードを細粒化しながら、前記粗粒化されたノード間に働く力を前記粗粒化前のノードに働く力を合計することにより算出し、当該粗粒化されたノード間に働く力を用いて前記粗粒化されたノードの前記座標を修正することを特徴とする医療データ分析システム。 - 請求項1において、
前記グラフィカルモデルを可視化する処理において、前記プロセッサは、前記グラフィカルモデルの1つのノードを仮想的に分割し、異なる座標を与えて表示することを特徴とする医療データ分析システム。 - 請求項10において、
前記プロセッサは、1つのノードに複数のノードが関連する場合、前記他の複数のノードを項目種別によってクラスタリング処理し、当該クラスタリング処理によって得られるクラスタ群と所定の値以上の前記ノード間の依存度を有する前記1つのノードを複数に分割することを特徴とする医療データ分析システム。 - 請求項10において、
前記プロセッサは、1つのノードが複数のノードと所定値以上の前記ノード間の依存度を有する場合、前記所定値以上の前記ノード間の依存度を有する個数分、前記1つのノードを分割することを特徴とする医療データ分析システム。 - 請求項10において、
前記プロセッサは、分割後のノードの影響度を分割前のノードの影響度によって与え、前記分割後のノードには所定の依存度を与え、前記医療費影響力及び前記項目間力を算出して前記各ノードの座標配置を決定することを特徴とする医療データ分析システム。 - 請求項1において、
前記グラフィカルモデルを可視化する処理において、前記プロセッサは、可視化病気の発症リスク、重症化リスクの高低を、レセプトの項目と健診の項目との距離の大小によって表現することを特徴とする可視化部を備える支援システム。 - 医療データ分析システムを用いて、医療データを分析する方法であって、
前記医療データ分析システムは、医療データを分析処理するためのプログラムを格納するメモリと、前記メモリからプログラムを読みだして前記医療データを分析処理するプロセッサと、を有し、
前記方法は、
前記プロセッサが、分析対象者のレセプト情報及び健診情報を、前記分析対象者毎にかつ所定期間毎に纏めた整形情報をデータベースから取得するステップと、
前記プロセッサが、前記整形情報に基づいて、前記整形情報の項目を表す確率変数に対応するノード間の確率的依存性が有向辺又は無向辺によって定義されたグラフィカルモデルを作成するステップと、
前記プロセッサが、前記作成されたグラフィカルモデルに基づいて、病気の発症確率及び医療費を予測するステップと、
前記プロセッサが、前記グラフィカルモデルにおける各ノードの確率変数又は各ノード間のエッジの有無に基づいて、ノード間の依存度を求めるステップと、
前記プロセッサが、処方に掛かった医療費及び前記予測された医療費の少なくとも1つに基づいて、前記グラフィカルモデルにおける各ノードに対応する項目が医療費に与える影響度を算出するステップと、
前記プロセッサが、前記算出した影響度に基づいて、前記各ノードに作用する医療費影響力を算出するステップと、
前記プロセッサが、前記ノード間の依存度に基づいて、当該ノード間に働く斥力と引力で定義される項目間力を算出するステップと、
前記プロセッサが、前記医療費影響力と前記項目間力の合計により定義されるエネルギーが減少するように前記グラフィカルモデルにおける各ノードの座標配置を決定するステップと、
前記プロセッサが、前記決定した各ノードの座標配置に基づいて、前記グラフィカルモデルを可視化するステップと、
を含むことを特徴とする方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013231525A JP6182431B2 (ja) | 2013-11-07 | 2013-11-07 | 医療データ分析システム、及び医療データを分析する方法 |
PCT/JP2014/079603 WO2015068812A1 (ja) | 2013-11-07 | 2014-11-07 | 医療データ分析システム、及び医療データを分析する方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013231525A JP6182431B2 (ja) | 2013-11-07 | 2013-11-07 | 医療データ分析システム、及び医療データを分析する方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015090689A true JP2015090689A (ja) | 2015-05-11 |
JP6182431B2 JP6182431B2 (ja) | 2017-08-16 |
Family
ID=53041587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013231525A Expired - Fee Related JP6182431B2 (ja) | 2013-11-07 | 2013-11-07 | 医療データ分析システム、及び医療データを分析する方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6182431B2 (ja) |
WO (1) | WO2015068812A1 (ja) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016181490A1 (ja) * | 2015-05-12 | 2016-11-17 | 株式会社日立製作所 | 分析システム及び分析方法 |
JP2016218966A (ja) * | 2015-05-26 | 2016-12-22 | 株式会社日立製作所 | 分析システム、及び、分析方法 |
JP2017010478A (ja) * | 2015-06-26 | 2017-01-12 | タイオー株式会社 | 生活習慣に基づく疾病リスクの表示方法、及び表示システム |
JP2017027307A (ja) * | 2015-07-21 | 2017-02-02 | Kddi株式会社 | 医療データ解析装置 |
WO2017031039A1 (en) * | 2015-08-18 | 2017-02-23 | Mastercard International Incorporated | Systems and methods for generating relationships via a property graph model |
JP6154523B1 (ja) * | 2016-07-05 | 2017-06-28 | 山本 隆義 | 対象物の状態変化の原因探索方法 |
JP2017117393A (ja) * | 2015-12-25 | 2017-06-29 | ヤフー株式会社 | 算出装置、算出方法及び算出プログラム |
JP2018160012A (ja) * | 2017-03-22 | 2018-10-11 | 株式会社エヌ・ティ・ティ・データ | 生活習慣病重症化予防対象者抽出支援装置、生活習慣病重症化予防対象者抽出支援方法及びプログラム |
WO2019030840A1 (ja) * | 2017-08-09 | 2019-02-14 | 日本電気株式会社 | 疾病発症リスク予測システム、疾病発症リスク予測方法および疾病発症リスク予測プログラム |
JP2019109717A (ja) * | 2017-12-19 | 2019-07-04 | 学校法人産業医科大学 | 傷病別医療費推計装置および方法並びにプログラム |
CN109978701A (zh) * | 2019-04-01 | 2019-07-05 | 太平洋医疗健康管理有限公司 | 个人住院概率预测方法及系统 |
JP2020098387A (ja) * | 2018-12-17 | 2020-06-25 | 株式会社日立製作所 | 因果関係表示システム及び方法 |
KR20200075333A (ko) * | 2018-12-18 | 2020-06-26 | 김현수 | 건강보험심사 평가 기반 의료 상품 통합 관리 시스템 |
JP2021022228A (ja) * | 2019-07-29 | 2021-02-18 | 株式会社日立社会情報サービス | 分析装置および分析方法 |
WO2021215073A1 (ja) * | 2020-04-22 | 2021-10-28 | 株式会社ミナケア | 情報処理システム、情報処理装置、情報処理方法、情報処理プログラム、通信端末およびその制御方法と制御プログラム |
KR20220080266A (ko) * | 2020-12-07 | 2022-06-14 | 가톨릭대학교 산학협력단 | 빅데이터 분석을 통한 진료비 예측 장치 및 방법 |
WO2024014449A1 (ja) * | 2022-07-11 | 2024-01-18 | エムスリー株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP7453076B2 (ja) | 2020-07-03 | 2024-03-19 | 株式会社日立製作所 | 生成装置、生成方法、および生成プログラム |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6734582B2 (ja) * | 2015-12-22 | 2020-08-05 | 国立研究開発法人理化学研究所 | リスク評価方法、リスク評価装置及びリスク評価プログラム |
WO2017204233A1 (ja) * | 2016-05-23 | 2017-11-30 | Necソリューションイノベータ株式会社 | 健康状態予測装置、健康状態予測方法、及びコンピュータ読み取り可能な記録媒体 |
US20190311810A1 (en) * | 2016-12-12 | 2019-10-10 | Koninklijke Philips N.V. | System and method for facilitating computational analysis of a health condition |
CN109344974B (zh) * | 2018-08-15 | 2022-05-27 | 广东蓄能发电有限公司 | 电气设备开关量记录快速纠错方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070043595A1 (en) * | 2005-06-01 | 2007-02-22 | Derek Pederson | System, method and computer software product for estimating costs under health care plans |
US20080010086A1 (en) * | 2006-07-05 | 2008-01-10 | Aetna Inc. | Health financial needs calculator |
JP2008532104A (ja) * | 2004-12-30 | 2008-08-14 | プロベンティス インコーポレーテッド | 複数の医療関連アウトカムの予測を行い、インターベンション計画の評価を行い、更に同時にバイオマーカー因果性検証を行うことのできる、予測モデルを生成して適用する方法、そのシステム、及びそのコンピュータ・プログラム製品 |
JP2011039653A (ja) * | 2009-08-07 | 2011-02-24 | Ntt Data Corp | 医療情報生成装置、医療情報生成方法およびプログラム |
-
2013
- 2013-11-07 JP JP2013231525A patent/JP6182431B2/ja not_active Expired - Fee Related
-
2014
- 2014-11-07 WO PCT/JP2014/079603 patent/WO2015068812A1/ja active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008532104A (ja) * | 2004-12-30 | 2008-08-14 | プロベンティス インコーポレーテッド | 複数の医療関連アウトカムの予測を行い、インターベンション計画の評価を行い、更に同時にバイオマーカー因果性検証を行うことのできる、予測モデルを生成して適用する方法、そのシステム、及びそのコンピュータ・プログラム製品 |
US20070043595A1 (en) * | 2005-06-01 | 2007-02-22 | Derek Pederson | System, method and computer software product for estimating costs under health care plans |
US20080010086A1 (en) * | 2006-07-05 | 2008-01-10 | Aetna Inc. | Health financial needs calculator |
JP2011039653A (ja) * | 2009-08-07 | 2011-02-24 | Ntt Data Corp | 医療情報生成装置、医療情報生成方法およびプログラム |
Non-Patent Citations (2)
Title |
---|
池田俊也: "医療経済評価とモデル分析", オペレーションズ・リサーチ, vol. 48, no. 5, JPN6014050763, 1 May 2003 (2003-05-01), pages 353 - 358, ISSN: 0003599218 * |
西村治彦: "メタボリック症候群の特定健診対応ベイジアンネットワークの構築", 電子情報通信学会技術研究報告LOIS2011-73—LOIS2011-114, vol. 111, no. 470, JPN6014050765, 1 March 2012 (2012-03-01), pages 103 - 108, ISSN: 0003599219 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2016181490A1 (ja) * | 2015-05-12 | 2017-06-29 | 株式会社日立製作所 | 分析システム及び分析方法 |
WO2016181490A1 (ja) * | 2015-05-12 | 2016-11-17 | 株式会社日立製作所 | 分析システム及び分析方法 |
JP2016218966A (ja) * | 2015-05-26 | 2016-12-22 | 株式会社日立製作所 | 分析システム、及び、分析方法 |
JP2017010478A (ja) * | 2015-06-26 | 2017-01-12 | タイオー株式会社 | 生活習慣に基づく疾病リスクの表示方法、及び表示システム |
JP2017027307A (ja) * | 2015-07-21 | 2017-02-02 | Kddi株式会社 | 医療データ解析装置 |
WO2017031039A1 (en) * | 2015-08-18 | 2017-02-23 | Mastercard International Incorporated | Systems and methods for generating relationships via a property graph model |
US10528958B2 (en) | 2015-08-18 | 2020-01-07 | Mastercard International Incorporated | Systems and methods for generating relationships via a property graph model |
JP2017117393A (ja) * | 2015-12-25 | 2017-06-29 | ヤフー株式会社 | 算出装置、算出方法及び算出プログラム |
JP2018005645A (ja) * | 2016-07-05 | 2018-01-11 | 山本 隆義 | 対象物の状態変化の原因探索方法 |
JP6154523B1 (ja) * | 2016-07-05 | 2017-06-28 | 山本 隆義 | 対象物の状態変化の原因探索方法 |
JP2018160012A (ja) * | 2017-03-22 | 2018-10-11 | 株式会社エヌ・ティ・ティ・データ | 生活習慣病重症化予防対象者抽出支援装置、生活習慣病重症化予防対象者抽出支援方法及びプログラム |
WO2019030840A1 (ja) * | 2017-08-09 | 2019-02-14 | 日本電気株式会社 | 疾病発症リスク予測システム、疾病発症リスク予測方法および疾病発症リスク予測プログラム |
US11437146B2 (en) | 2017-08-09 | 2022-09-06 | Nec Corporation | Disease development risk prediction system, disease development risk prediction method, and disease development risk prediction program |
JPWO2019030840A1 (ja) * | 2017-08-09 | 2020-07-30 | 日本電気株式会社 | 疾病発症リスク予測システム、疾病発症リスク予測方法および疾病発症リスク予測プログラム |
JP2019109717A (ja) * | 2017-12-19 | 2019-07-04 | 学校法人産業医科大学 | 傷病別医療費推計装置および方法並びにプログラム |
JP2020098387A (ja) * | 2018-12-17 | 2020-06-25 | 株式会社日立製作所 | 因果関係表示システム及び方法 |
JP2021166061A (ja) * | 2018-12-17 | 2021-10-14 | 株式会社日立製作所 | 因果関係表示システム及び方法 |
KR102190160B1 (ko) | 2018-12-18 | 2020-12-11 | 김현수 | 건강보험심사 평가 기반 의료 상품 통합 관리 시스템 |
KR20200075333A (ko) * | 2018-12-18 | 2020-06-26 | 김현수 | 건강보험심사 평가 기반 의료 상품 통합 관리 시스템 |
CN109978701A (zh) * | 2019-04-01 | 2019-07-05 | 太平洋医疗健康管理有限公司 | 个人住院概率预测方法及系统 |
JP7296269B2 (ja) | 2019-07-29 | 2023-06-22 | 株式会社日立社会情報サービス | 分析装置および分析方法 |
JP2021022228A (ja) * | 2019-07-29 | 2021-02-18 | 株式会社日立社会情報サービス | 分析装置および分析方法 |
WO2021215073A1 (ja) * | 2020-04-22 | 2021-10-28 | 株式会社ミナケア | 情報処理システム、情報処理装置、情報処理方法、情報処理プログラム、通信端末およびその制御方法と制御プログラム |
JP2021174131A (ja) * | 2020-04-22 | 2021-11-01 | 株式会社ミナケア | 情報処理システム、情報処理装置、情報処理方法、情報処理プログラム、通信端末およびその制御方法と制御プログラム |
JP7453076B2 (ja) | 2020-07-03 | 2024-03-19 | 株式会社日立製作所 | 生成装置、生成方法、および生成プログラム |
KR20220080266A (ko) * | 2020-12-07 | 2022-06-14 | 가톨릭대학교 산학협력단 | 빅데이터 분석을 통한 진료비 예측 장치 및 방법 |
KR102503931B1 (ko) * | 2020-12-07 | 2023-02-24 | 가톨릭대학교 산학협력단 | 빅데이터 분석을 통한 진료비 예측 장치 및 방법 |
WO2022124622A1 (ko) * | 2020-12-07 | 2022-06-16 | 가톨릭대학교 산학협력단 | 빅데이터 분석을 통한 진료비 예측 장치 및 방법 |
WO2024014449A1 (ja) * | 2022-07-11 | 2024-01-18 | エムスリー株式会社 | 情報処理装置、情報処理方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP6182431B2 (ja) | 2017-08-16 |
WO2015068812A1 (ja) | 2015-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6182431B2 (ja) | 医療データ分析システム、及び医療データを分析する方法 | |
JP6066826B2 (ja) | 分析システム及び保健事業支援方法 | |
JP6066825B2 (ja) | データ分析装置及び保健事業支援方法 | |
Ibanez-Sanchez et al. | Toward value-based healthcare through interactive process mining in emergency rooms: the stroke case | |
Manton et al. | Cohort changes in active life expectancy in the US elderly population: Experience from the 1982–2004 National Long-Term Care Survey | |
JP6159872B2 (ja) | 医療データ分析システム、医療データ分析方法及び記憶媒体 | |
KR101885111B1 (ko) | 질환 발병 예측 방법 및 장치 | |
JP7430295B2 (ja) | 個体慢性疾患進行リスク可視化評価方法及びシステム | |
JP5564708B2 (ja) | 保健事業支援システム、保険事業支援装置、及び保険事業支援プログラム | |
Speiser et al. | Machine learning in aging: an example of developing prediction models for serious fall injury in older adults | |
WO2015071968A1 (ja) | 分析システム | |
JP6282783B2 (ja) | 分析システム及び分析方法 | |
Counts et al. | Recognizing the importance of chronic disease in driving healthcare expenditure in Tanzania: analysis of panel data from 1991 to 2010 | |
Lafta et al. | An intelligent recommender system based on predictive analysis in telehealthcare environment | |
Uddin et al. | A framework for administrative claim data to explore healthcare coordination and collaboration | |
Tanuseputro | Delivering care to those in need: improving palliative care using linked data | |
Uddin et al. | Administrative claim data to learn about effective healthcare collaboration and coordination through social network | |
US20160117468A1 (en) | Displaying Predictive Modeling and Psychographic Segmentation of Population for More Efficient Delivery of Healthcare | |
Huang et al. | A novel tool for visualizing chronic kidney disease associated polymorbidity: a 13-year cohort study in Taiwan | |
Zimmer et al. | Fifteen-year disability trends among older persons in the Beijing municipality of China | |
Lansingh et al. | Use of global visual acuity data in a time trade-off approach to calculate the cost utility of cataract surgery | |
Vanasse et al. | Cohort profile: the care trajectories—enriched data (TorSaDE) cohort | |
US11848106B1 (en) | Clinical event outcome scoring system employing a severity of illness clinical key and method | |
Roth et al. | The geographic distribution of cardiovascular health in the stroke prevention in healthcare delivery environments (SPHERE) study | |
US20230307133A1 (en) | Method and system for generating a patient-specific clinical meta-pathway using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160706 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170516 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170703 |
|
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: 20170718 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170724 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6182431 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
LAPS | Cancellation because of no payment of annual fees |