JP2016133892A - 情報処理装置、情報処理方法及びプログラム - Google Patents
情報処理装置、情報処理方法及びプログラム Download PDFInfo
- Publication number
- JP2016133892A JP2016133892A JP2015006870A JP2015006870A JP2016133892A JP 2016133892 A JP2016133892 A JP 2016133892A JP 2015006870 A JP2015006870 A JP 2015006870A JP 2015006870 A JP2015006870 A JP 2015006870A JP 2016133892 A JP2016133892 A JP 2016133892A
- Authority
- JP
- Japan
- Prior art keywords
- risk
- information
- patient
- medical
- case
- 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
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】バリアンスが発生する前に被験者のバリアンスを予測し、リスクの提示を可能にする。
【解決手段】被験者のクリニカルパスに記載された診療計画情報に基づいて患者の診療情報を検索し、前記被験者の診療計画と経過に差異がある患者の症例を特定する検索手段と、前記検索手段による検索により特定された症例の中から、リスク情報に基づいてリスクがあると判定した症例を抽出する抽出手段と、前記抽出手段により抽出された症例を該当する患者の属性毎にクラスタリングするクラスタリング手段と、前記クラスタリング手段によるクラスタリングの結果に基づいて、前記被験者の属性毎に前記リスク情報が示すリスクの関連度を表示する表示手段と、を有することによって課題を解決する。
【選択図】図2
【解決手段】被験者のクリニカルパスに記載された診療計画情報に基づいて患者の診療情報を検索し、前記被験者の診療計画と経過に差異がある患者の症例を特定する検索手段と、前記検索手段による検索により特定された症例の中から、リスク情報に基づいてリスクがあると判定した症例を抽出する抽出手段と、前記抽出手段により抽出された症例を該当する患者の属性毎にクラスタリングするクラスタリング手段と、前記クラスタリング手段によるクラスタリングの結果に基づいて、前記被験者の属性毎に前記リスク情報が示すリスクの関連度を表示する表示手段と、を有することによって課題を解決する。
【選択図】図2
Description
本発明は、情報処理装置、情報処理方法及びプログラムに関する。
近年、病院や診療所等の医療機関では、電子カルテシステムの普及に伴い、患者情報、治療情報等の診療情報が電子情報として蓄積されるようになってきている。また、患者への説明のために治療や検査の標準的な診療計画を表したクリニカルパスを使用するようになってきている。このような状況において、電子化された診療情報及びクリニカルパスを有効に活用したいという要望が高まりつつある。この要望に対して種々の手法が提案されてきた。例えば、標準的な診療計画と実際の診療との差異であるバリアンスの原因分析支援に関する技術が提案されている。
特許文献1で開示されている方法では、過去の実施記録データとバリアンス根本原因データとから、結論部にバリアンスを含む相関ルールを生成し、相関ルールと分析対象のバリアンスとが少なくとも部分的に一致する相関ルールを表示する。この方法によれば、実施情報や過去に実施した根本原因分析の履歴から、バリアンスの根本原因となりうる候補を抽出することができる。
また、特許文献2で開示されている方法では、バリアンス発生原因データの使用頻度を付加した因果関係候補を蓄積する原因候補辞書を生成する。そして、バリアンスが発生した患者の実施記録データと原因候補辞書とを比較して、実施記録データに合致し、かつ、使用頻度が高い因果関係候補をバリアンスが発生した原因候補として表示する。この方法によれば、実施情報や過去に実施した発生原因分析の履歴から、同じバリアンスの症例が少なくても、バリアンスが発生した発生原因の候補を適切に抽出することができる。
特許文献1で開示されている方法では、過去の実施記録データとバリアンス根本原因データとから、結論部にバリアンスを含む相関ルールを生成し、相関ルールと分析対象のバリアンスとが少なくとも部分的に一致する相関ルールを表示する。この方法によれば、実施情報や過去に実施した根本原因分析の履歴から、バリアンスの根本原因となりうる候補を抽出することができる。
また、特許文献2で開示されている方法では、バリアンス発生原因データの使用頻度を付加した因果関係候補を蓄積する原因候補辞書を生成する。そして、バリアンスが発生した患者の実施記録データと原因候補辞書とを比較して、実施記録データに合致し、かつ、使用頻度が高い因果関係候補をバリアンスが発生した原因候補として表示する。この方法によれば、実施情報や過去に実施した発生原因分析の履歴から、同じバリアンスの症例が少なくても、バリアンスが発生した発生原因の候補を適切に抽出することができる。
しかしながら、特許文献1及び2の方法は、標準的な診療計画と実際の診療との差異であるバリアンスの原因分析支援に関する方法の一例である。そのため、実際に発生した被験者のバリアンスが対象であり、バリアンスが発生する前に被験者のバリアンスを予測してリスクを提示することはできない。なお、ここでは対象としているクリニカルパスの患者を「被験者」と定義し、症例の対象となる被験者以外の患者を「患者」と定義する。
本発明は、バリアンスが発生する前に被験者のバリアンスを予測し、リスクの提示を可能にすることを目的とする。
本発明は、バリアンスが発生する前に被験者のバリアンスを予測し、リスクの提示を可能にすることを目的とする。
そこで、本発明の情報処理装置は、被験者のクリニカルパスに記載された診療計画情報に基づいて患者の診療情報を検索し、前記被験者の診療計画と経過に差異がある患者の症例を特定する検索手段と、前記検索手段による検索により特定された症例の中から、リスク情報に基づいてリスクがあると判定した症例を抽出する抽出手段と、前記抽出手段により抽出された症例を該当する患者の属性毎にクラスタリングするクラスタリング手段と、前記クラスタリング手段によるクラスタリングの結果に基づいて、前記被験者の属性毎に前記リスク情報が示すリスクの関連度を表示する表示手段と、を有する。
本発明によれば、バリアンスが発生する前に被験者のバリアンスを予測し、リスクの提示を可能にすることができる。
以下、本発明を実施するための形態について図面を用いて説明する。
<実施形態1>
図1は、本実施形態におけるバリアンス予測支援装置のハードウェア構成の一例を示す図である。なお、本実施形態におけるバリアンス予測支援装置は、情報処理装置の一例である。CPU101は、マイクロプロセッサであり、バリアンス予測支援処理、画面遷移処理等のための演算、論理判断等を行い、バスに接続された各デバイスを制御する。BUS104は、CPU101が制御対象の各デバイスを指示するためのアドレス信号、コントロール信号を転送したり、各デバイス間のデータを転送したりする。入力部102は、キーボードやタッチパネル等であり、オペレータによる操作を介して各種の指示を受け付ける。表示部103は、液晶ディスプレイ等であり、各種の画面等が表示される。
ROM105は、読出専用の不揮発性メモリである。ROM105は、CPU101が実行するブートプログラム、システムの制御プログラム、各種処理で参照される各種初期データ等を記憶する。CPU101は、ブートプログラムの実行に基づくシステム起動時に初期データをRAM106にロードする。その後、CPU101は、制御プログラムに基づき処理を実行する。CPU101が制御プログラムに基づき処理を実行することによって、バリアンス予測支援装置の機能及び後述するフローチャートに係る処理が実現される。
<実施形態1>
図1は、本実施形態におけるバリアンス予測支援装置のハードウェア構成の一例を示す図である。なお、本実施形態におけるバリアンス予測支援装置は、情報処理装置の一例である。CPU101は、マイクロプロセッサであり、バリアンス予測支援処理、画面遷移処理等のための演算、論理判断等を行い、バスに接続された各デバイスを制御する。BUS104は、CPU101が制御対象の各デバイスを指示するためのアドレス信号、コントロール信号を転送したり、各デバイス間のデータを転送したりする。入力部102は、キーボードやタッチパネル等であり、オペレータによる操作を介して各種の指示を受け付ける。表示部103は、液晶ディスプレイ等であり、各種の画面等が表示される。
ROM105は、読出専用の不揮発性メモリである。ROM105は、CPU101が実行するブートプログラム、システムの制御プログラム、各種処理で参照される各種初期データ等を記憶する。CPU101は、ブートプログラムの実行に基づくシステム起動時に初期データをRAM106にロードする。その後、CPU101は、制御プログラムに基づき処理を実行する。CPU101が制御プログラムに基づき処理を実行することによって、バリアンス予測支援装置の機能及び後述するフローチャートに係る処理が実現される。
RAM106は、読み書き可能なランダムアクセスメモリであって、各デバイスからの各種データを一時記憶する主記憶領域として用いられる。また、RAM106は、処理に必要なデータを記憶する各種ワーク領域を有し、処理中に必要なスタック、処理中に値変更が行われる各種データを記憶する。DISK107は、大容量記憶装置であり、大量のデータを変更可能に記憶する。DISK107は、例えばハードディスク等で構成される。後述する診療情報データベース等はDISK107に格納され、必要に応じて随時内容が変更される。また、診療情報データベースには、患者の電子カルテ等の診療情報が登録される。なお、CPU101により実行される制御プログラムや各種初期データがDISK107に格納される構成としてもよい。この場合、制御プログラムや各種初期データは、必要に応じてCPU101によりRAM106にロードされ、実行或いは参照されることになる。このようにすることで、プログラムや初期データを固定化せず途中で修正可能に構成することができ、柔軟なシステムを実現することができる。
上述した各デバイスを有するバリアンス予測支援装置は、入力部102等からの各種イベントに応じて作動するものである。入力部102等からのインタラプトが供給されるとインタラプト信号がCPU101に送られる。それに伴ってイベントが発生し、イベントに応じてCPU101がROM105又はRAM106内に記憶されている各種命令を読み出して実行することによって各種の制御を行う。
上述した各デバイスを有するバリアンス予測支援装置は、入力部102等からの各種イベントに応じて作動するものである。入力部102等からのインタラプトが供給されるとインタラプト信号がCPU101に送られる。それに伴ってイベントが発生し、イベントに応じてCPU101がROM105又はRAM106内に記憶されている各種命令を読み出して実行することによって各種の制御を行う。
なお、ここでは、バリアンス予測支援装置のCPU101がプログラムを実行することでバリアンス予測支援装置の各種機能が実現されるものとしたが、CPU101と協調して動作するASIC等の制御回路がこれらの機能を実現してもよい。また、CPU101と制御回路との協調によってこれらの機能が実現されてもよい。また、CPU101は単一である必要はなく、複数であってもよい。この場合、複数のCPU101が分散して処理を実行する。また、複数のCPU101は、単一のコンピュータに配置されていてもよいし、物理的に異なる複数のコンピュータに配置されていてもよい。なお、CPU101がプログラムを実行することで実現される機能は、専用の回路によって実現されてもよい。
以降の説明では、患者No.1234である被験者が胃内視鏡的粘膜下層剥離術のため入院するというケースを例に説明する。また、上述したように、以降の説明では、対象としているクリニカルパスの患者を「被験者」と定義し、症例の対象となる被験者以外の患者を「患者」と定義する。図2は、本実施形態におけるバリアンス予測支援装置の処理の一例を示すフローチャートである。
S201において、CPU101は、キーボード、タッチパネル等の入力部102から入力されたクリニカルパスを取得する。本実施形態の場合、CPU101は、例えば図3に示すような入院診療計画書301をクリニカルパスとして取得する。
図3は、本実施形態におけるクリニカルパスの一例である入院診療計画書301の一例を示す図である。例えば入院診療計画書301には、入院時に患者No.1234に渡す胃内視鏡的粘膜下層剥離術の入院から退院までの治療・処置、検査等の診療計画が記載される。例えば入院日に関しては、検査として「レントゲン撮影・心電図の検査、体温・血圧・脈拍を1回/日測定」、食事として「全粥」、安静度として「制限なし」、説明として「手術の説明」が記載される。そして、入院日、手術当日、術後3日まで、退院前日、退院日の治療・処置、検査、食事、安静度、説明についての診療計画が記載される。
S201において、CPU101は、キーボード、タッチパネル等の入力部102から入力されたクリニカルパスを取得する。本実施形態の場合、CPU101は、例えば図3に示すような入院診療計画書301をクリニカルパスとして取得する。
図3は、本実施形態におけるクリニカルパスの一例である入院診療計画書301の一例を示す図である。例えば入院診療計画書301には、入院時に患者No.1234に渡す胃内視鏡的粘膜下層剥離術の入院から退院までの治療・処置、検査等の診療計画が記載される。例えば入院日に関しては、検査として「レントゲン撮影・心電図の検査、体温・血圧・脈拍を1回/日測定」、食事として「全粥」、安静度として「制限なし」、説明として「手術の説明」が記載される。そして、入院日、手術当日、術後3日まで、退院前日、退院日の治療・処置、検査、食事、安静度、説明についての診療計画が記載される。
S202において、CPU101は、入力されたクリニカルパスに記載された被験者の診療計画と実際の経過に差異がある患者の症例を診療情報データベースから検索し、特定した症例についての情報を検索結果として取得する。より具体的に説明すると、CPU101は、入力されたクリニカルパスに記載された被験者の診療計画情報に基づいて診療情報データベースを検索し、前記被験者の診療計画と経過に差異がある患者の症例を特定する。本実施形態では、CPU101が、入院診療計画書301に記載の治療・処置、検査、食事、安静度についての診療計画のスケジュールが一致しない患者の症例を特定し、特定した症例についての情報を検索結果として取得する。例えばCPU101は、検索結果として図4に示すようなバリアンス検索結果401を取得する。
図4は、本実施形態におけるバリアンス検索結果401の一例を示す図である。例えばCPU101は、患者No.1234の診療計画と実際の経過に差異がある患者の症例として、症例1[患者No.1102]、症例2[患者No.1043]、症例3[患者No.0895]についての情報を取得したとする。また、「入院中に死亡した」、「退院後、ある期間内に死亡した」、「ある等級以上の後遺症が残った」を予後不良と定義し、予後不良となった患者の症例を優先的に検索するようにしてもよい。予後不良の定義に関しての詳細については後述する。
図4は、本実施形態におけるバリアンス検索結果401の一例を示す図である。例えばCPU101は、患者No.1234の診療計画と実際の経過に差異がある患者の症例として、症例1[患者No.1102]、症例2[患者No.1043]、症例3[患者No.0895]についての情報を取得したとする。また、「入院中に死亡した」、「退院後、ある期間内に死亡した」、「ある等級以上の後遺症が残った」を予後不良と定義し、予後不良となった患者の症例を優先的に検索するようにしてもよい。予後不良の定義に関しての詳細については後述する。
S203において、CPU101は、バリアンスの検索結果があるか否か、即ち、S202での検索により特定した症例があるか否かを判定し、特定した症例がある場合は処理をS204に進め、症例がない場合は処理を終了する。
S204において、CPU101は、S202において検索して特定した症例の中から医学的知識に基づくリスクルールに応じて、リスクのある症例を抽出する。例えばCPU101は、図5に示すような医学的知識に基づくリスクルール501及び図6に示すような検索された症例の患者の電子カルテ601からリスクのある症例を抽出する。以下、図5及び図6についての詳細とともに、S204の処理についてより具体的に説明する。
図5は、本実施形態における医学的知識に基づくリスクルールの一例を示す図である。例えば、医学的知識に基づくリスクルールは、予後不良、入院診療計画書の治療・処置、検査、食事、安静度、説明の項目毎に設定する。上述したように、予後不良の医学的知識に基づくリスクルールとして、「入院中に死亡した」、「退院後、ある期間内に死亡した」、「ある等級以上の後遺症が残った」を設定すれば、S202でCPU101は、予後不良となった患者の症例を優先的に抽出することができる。また、検査として「検査の結果に異常があった」、「検査が変更又は追加された」を設定する。そして、502に示すように、「検査の結果に異常があった」の詳細として「撮影検査に異常があった」、「体温、血圧、脈拍の測定値が数日間異常であった」を設定する。なお、図5に示す医学的知識に基づくリスクルールは、リスク情報の一例である。
図6は、本実施形態におけるバリアンス検索の結果として出力された患者の電子カルテの記述例を示す図である。図6の例では、例えばS202における検索の結果として特定された症例の患者である患者No.1102の電子カルテの記述例が示されている。電子カルテには、患者情報と治療情報とが記述されている。患者情報としては、患者No.、年齢、性別、BMI、血圧、病歴、家族の病歴等が記述されている。また、治療情報としては、日付、診療項目、内容等が記述されている。本実施形態では、診療項目には診察、検査、治療・処置の何れかが記載されており、内容には診察、検査、治療・処置の詳細及び結果が記載されている。その中には、具体的な検査の結果として、2011/11/29〜2011/12/02の4日間、38.0度の熱が続いたと記載されている。
S204において、CPU101は、S202において検索して特定した症例の中から医学的知識に基づくリスクルールに応じて、リスクのある症例を抽出する。例えばCPU101は、図5に示すような医学的知識に基づくリスクルール501及び図6に示すような検索された症例の患者の電子カルテ601からリスクのある症例を抽出する。以下、図5及び図6についての詳細とともに、S204の処理についてより具体的に説明する。
図5は、本実施形態における医学的知識に基づくリスクルールの一例を示す図である。例えば、医学的知識に基づくリスクルールは、予後不良、入院診療計画書の治療・処置、検査、食事、安静度、説明の項目毎に設定する。上述したように、予後不良の医学的知識に基づくリスクルールとして、「入院中に死亡した」、「退院後、ある期間内に死亡した」、「ある等級以上の後遺症が残った」を設定すれば、S202でCPU101は、予後不良となった患者の症例を優先的に抽出することができる。また、検査として「検査の結果に異常があった」、「検査が変更又は追加された」を設定する。そして、502に示すように、「検査の結果に異常があった」の詳細として「撮影検査に異常があった」、「体温、血圧、脈拍の測定値が数日間異常であった」を設定する。なお、図5に示す医学的知識に基づくリスクルールは、リスク情報の一例である。
図6は、本実施形態におけるバリアンス検索の結果として出力された患者の電子カルテの記述例を示す図である。図6の例では、例えばS202における検索の結果として特定された症例の患者である患者No.1102の電子カルテの記述例が示されている。電子カルテには、患者情報と治療情報とが記述されている。患者情報としては、患者No.、年齢、性別、BMI、血圧、病歴、家族の病歴等が記述されている。また、治療情報としては、日付、診療項目、内容等が記述されている。本実施形態では、診療項目には診察、検査、治療・処置の何れかが記載されており、内容には診察、検査、治療・処置の詳細及び結果が記載されている。その中には、具体的な検査の結果として、2011/11/29〜2011/12/02の4日間、38.0度の熱が続いたと記載されている。
図6の例で示されるように、S202でCPU101が検索して特定した症例の患者である患者No.1102は、体温の測定値が数日間(4日間)異常(38.0度の熱が続いた)であった。そのため、S204において、CPU101は、この症例をリスクのある症例として抽出する。例えば、CPU101は、電子カルテ601に記載の治療情報を順次抽出し、医学的知識に基づくリスクルール501と診療項目毎に照合して一致するものをリスクのある症例として抽出する。本実施形態では、リスクルール「体温の測定値が数日間連続、異常であった」を、具体的に「体温の測定値が3日間連続、平熱より1度以上高かった」と設定する。そのため、患者No.1102の平熱を2011/11/27の36.5度とする場合、体温の測定値が4日間連続、38.0度の熱が続いたのでリスクのある症例とする。このように、CPU101は、S202で特定した症例の患者の電子カルテを参照し、参照した電子カルテに記載されている内容がリスクルールに含まれている場合に、前記症例をリスクがある症例として抽出する。
なお、電子カルテは不図示だが、患者No.1043については撮影検査に異常があり、かつ、薬を変更したので、CPU101は、この症例をリスクのある症例として抽出したとする。また、患者No.0895については治療・処置を追加したので、CPU101は、この症例をリスクのある症例として抽出したとする。
また、医学的知識に基づくリスクルールは傷病毎(症例毎)に設定することができる。また、医学的知識に基づくリスクルールは医師が予め設定することができるし、症例に基づいて自動的に設定することもできる。CPU101は、症例に基づいて医学的知識に基づくリスクルールを自動的に設定する場合、リスクルールを設定するために予め登録されている医学情報を参照して、前記症例に対応するリスクルールを設定するようにしてもよい。
なお、電子カルテは不図示だが、患者No.1043については撮影検査に異常があり、かつ、薬を変更したので、CPU101は、この症例をリスクのある症例として抽出したとする。また、患者No.0895については治療・処置を追加したので、CPU101は、この症例をリスクのある症例として抽出したとする。
また、医学的知識に基づくリスクルールは傷病毎(症例毎)に設定することができる。また、医学的知識に基づくリスクルールは医師が予め設定することができるし、症例に基づいて自動的に設定することもできる。CPU101は、症例に基づいて医学的知識に基づくリスクルールを自動的に設定する場合、リスクルールを設定するために予め登録されている医学情報を参照して、前記症例に対応するリスクルールを設定するようにしてもよい。
S205において、CPU101は、S202で検索して特定した症例に対してS204の処理が終了したか否かを判定し、終了した場合は処理をS206に進め、終了していない場合は処理をS204に戻す。
S206において、CPU101は、S204で抽出したリスクのある症例をリスクルール毎(リスク毎)に集計し、所定の条件に応じて高リスクルールを特定して抽出する。より具体的に説明すると、まず、CPU101は、S204で抽出したリスクのある症例を、リスクルール毎に症例数と退院までの入院期間の延長とに関して集計する。例えば、患者No.1102のリスクのある症例「体温の測定値が4日間連続、38.0度の熱が続いた」は、リスクルール「体温の測定値が数日間連続、異常であった」に属す。そして、リスクルール毎に集計した結果、リスクルール「体温の測定値が数日間連続、異常であった」は、症例数100、入院期間を平均6日間延長という結果になったとする。また、リスクルール「撮影検査に異常があり、かつ、薬を変更した」は、症例数20、入院期間を平均9日間延長、最大15日間延長という結果になったとする。また、リスクルール「治療・処置を追加した」は、症例数10、入院期間を平均15日間延長という結果になったとする。
次に、CPU101は、高リスクルールを取得する条件を設定する。第1の条件は症例数が多いとする。例えば、CPU101は、症例数が平均以上のリスクルールを高リスクルールとして抽出する。リスクルール「体温の測定値が数日間連続、異常であった」は、症例数の平均が50件以上なので、高リスクルールとして抽出する。第2の条件は入院期間(診療期間)が長いとする。例えば、CPU101は、入院期間(診療期間)が平均以上のリスクルールを高リスクルールとして抽出する。リスクルール「治療・処置を追加した」は、入院期間延長の平均が10日以上なので、高リスクルールとして抽出する。第3の条件は入院期間が特に長いとする。例えば、CPU101は、入院期間が平均の2倍以上のリスクルールを高リスクルールとして抽出する。また、上述したように「入院中に死亡した」、「退院後、ある期間内に死亡した」、「ある等級以上の後遺症が残った」を予後不良と定義し、予後不良を最も優先度の高いリスクルールとして抽出するようにしてもよい。
S206において、CPU101は、S204で抽出したリスクのある症例をリスクルール毎(リスク毎)に集計し、所定の条件に応じて高リスクルールを特定して抽出する。より具体的に説明すると、まず、CPU101は、S204で抽出したリスクのある症例を、リスクルール毎に症例数と退院までの入院期間の延長とに関して集計する。例えば、患者No.1102のリスクのある症例「体温の測定値が4日間連続、38.0度の熱が続いた」は、リスクルール「体温の測定値が数日間連続、異常であった」に属す。そして、リスクルール毎に集計した結果、リスクルール「体温の測定値が数日間連続、異常であった」は、症例数100、入院期間を平均6日間延長という結果になったとする。また、リスクルール「撮影検査に異常があり、かつ、薬を変更した」は、症例数20、入院期間を平均9日間延長、最大15日間延長という結果になったとする。また、リスクルール「治療・処置を追加した」は、症例数10、入院期間を平均15日間延長という結果になったとする。
次に、CPU101は、高リスクルールを取得する条件を設定する。第1の条件は症例数が多いとする。例えば、CPU101は、症例数が平均以上のリスクルールを高リスクルールとして抽出する。リスクルール「体温の測定値が数日間連続、異常であった」は、症例数の平均が50件以上なので、高リスクルールとして抽出する。第2の条件は入院期間(診療期間)が長いとする。例えば、CPU101は、入院期間(診療期間)が平均以上のリスクルールを高リスクルールとして抽出する。リスクルール「治療・処置を追加した」は、入院期間延長の平均が10日以上なので、高リスクルールとして抽出する。第3の条件は入院期間が特に長いとする。例えば、CPU101は、入院期間が平均の2倍以上のリスクルールを高リスクルールとして抽出する。また、上述したように「入院中に死亡した」、「退院後、ある期間内に死亡した」、「ある等級以上の後遺症が残った」を予後不良と定義し、予後不良を最も優先度の高いリスクルールとして抽出するようにしてもよい。
S207において、CPU101は、S206で特定して抽出した高リスクルールに対応する症例を、該当する患者の属性毎にクラスタリングする。ここで、属性を示す情報(属性値)は、患者情報と治療情報とであるものとする。例えば、患者情報は、年齢(年代別)、性別、BMI(標準以上/平均/標準以下)、血圧(高血圧/正常血圧/低血圧)、病歴、家族の病歴に関する情報のうち、少なくとも1つ以上を含むものとする。また、治療情報は、手術(開腹、内視鏡、カテーテル等)、投薬に関する情報のうち、少なくとも1つ以上を含むものとする。
図7(a)は、S207でCPU101が患者の属性に応じて症例をクラスタリングした結果の一例を示す図である。例えば、高リスクルールの症例「体温の測定値が4日間連続、38.0度の熱が続いた」に属す患者No.1102については、図6の電子カルテに示される属性値である「50歳代」701、「男性」702、「BMI標準以上」703、「病歴[糖尿病]」704、「A薬投与」705に応じて、症例をクラスタリングする。また、図7(b)は、属性値「50歳代」701、「男性」702、「BMI標準以上」703、「病歴[糖尿病]」704、「A薬投与」705の出現率の一例を示す図である。
図7(a)は、S207でCPU101が患者の属性に応じて症例をクラスタリングした結果の一例を示す図である。例えば、高リスクルールの症例「体温の測定値が4日間連続、38.0度の熱が続いた」に属す患者No.1102については、図6の電子カルテに示される属性値である「50歳代」701、「男性」702、「BMI標準以上」703、「病歴[糖尿病]」704、「A薬投与」705に応じて、症例をクラスタリングする。また、図7(b)は、属性値「50歳代」701、「男性」702、「BMI標準以上」703、「病歴[糖尿病]」704、「A薬投与」705の出現率の一例を示す図である。
S208において、CPU101は、被験者固有のバリアンスを予測してリスクを提示するために、被験者の属性値を取得する。例えば、CPU101は、図8に示すような被験者の電子カルテ801から被験者の属性値を取得する。
図8は、本実施形態における被験者の電子カルテ801の記述例を示す図である。より具体的には、被験者である患者No.1234の電子カルテ801の記述例である。電子カルテには、患者情報と治療情報とが記述されている。治療情報としては、日付、診療項目、内容に関する情報が記述されている。CPU101は、電子カルテ801の患者情報の中から、被験者の属性値として、年齢52から「50歳代」、血圧150/90から「高血圧」といった情報を取得する。また、ここでの属性は、リスクの可能性がある属性を意味しており、本実施形態では、予め「年齢」、「BMI標準以上」、「高血圧」、「病歴」、「家族の病歴」を設定している。
S209において、CPU101は、図9に示すように被験者の属性毎に高リスクルールの頻度(関連度)を表示する。
図9は、被験者の属性毎における高リスクルールの頻度(関連度)を示したバリアンス結果901の一例を示す図である。例えば、バリアンス結果901では、被験者である患者No.1234の属性値「50歳代」、「高血圧」毎に高リスクルール「高熱が3日以上続いた」、「治療・処置を追加した」の頻度(関連度)が表示されている。より具体的には、属性値「50歳代」と高リスクルール「高熱が3日以上続いた」との頻度(関連度)は30%であり、属性値「50歳代」とリスクルール「治療・処置を追加した」との頻度(関連度)は25%であること等が示されている。即ち、CPU101は、被験者の属性と高リスクの症例を持つ患者の属性との頻度(関連度)を表示する。
なお、S209において、CPU101は、被験者の属性毎に最も頻度(関連度)の高い高リスクルールのみを表示するようにしてもよいし、頻度(関連度)の高い順に所定の数だけ高リスクルールを表示するようにしてもよい。
図8は、本実施形態における被験者の電子カルテ801の記述例を示す図である。より具体的には、被験者である患者No.1234の電子カルテ801の記述例である。電子カルテには、患者情報と治療情報とが記述されている。治療情報としては、日付、診療項目、内容に関する情報が記述されている。CPU101は、電子カルテ801の患者情報の中から、被験者の属性値として、年齢52から「50歳代」、血圧150/90から「高血圧」といった情報を取得する。また、ここでの属性は、リスクの可能性がある属性を意味しており、本実施形態では、予め「年齢」、「BMI標準以上」、「高血圧」、「病歴」、「家族の病歴」を設定している。
S209において、CPU101は、図9に示すように被験者の属性毎に高リスクルールの頻度(関連度)を表示する。
図9は、被験者の属性毎における高リスクルールの頻度(関連度)を示したバリアンス結果901の一例を示す図である。例えば、バリアンス結果901では、被験者である患者No.1234の属性値「50歳代」、「高血圧」毎に高リスクルール「高熱が3日以上続いた」、「治療・処置を追加した」の頻度(関連度)が表示されている。より具体的には、属性値「50歳代」と高リスクルール「高熱が3日以上続いた」との頻度(関連度)は30%であり、属性値「50歳代」とリスクルール「治療・処置を追加した」との頻度(関連度)は25%であること等が示されている。即ち、CPU101は、被験者の属性と高リスクの症例を持つ患者の属性との頻度(関連度)を表示する。
なお、S209において、CPU101は、被験者の属性毎に最も頻度(関連度)の高い高リスクルールのみを表示するようにしてもよいし、頻度(関連度)の高い順に所定の数だけ高リスクルールを表示するようにしてもよい。
以上、実施形態1によれば、被験者の診療計画と実際の経過に差異がある患者の症例を検索し、特定した症例の中から医学的知識に基づくリスクルールに応じて、高いリスクがある症例を抽出する。そして、高いリスクがある症例を持つ患者の属性毎にクラスタリングし、被験者の属性と高いリスクがある症例を持つ患者の属性との頻度(関連度)を表示する。そのため、バリアンスが発生する前に被験者のバリアンスを予測し、リスクの提示を可能にすることができる。
<実施形態2>
実施形態1のバリアンス予測支援方法では、クリニカルパスの一例である入院診療計画書に記載された被験者の全体の診療計画を対象に、実際の経過に差異がある患者の症例を検索する場合と、リスクのある症例を抽出する場合とについて説明してきた。実施形態2では、入院診療計画書に記載された被験者の診療計画をフェーズに分けて、処理する場合について説明する。
実施形態2では、図3に示すようなクリニカルパスの一例である入院診療計画書301を、例えば「入院〜手術前」、「手術後〜術後2日目」、「術後3日目〜退院」のフェーズに分ける。なお、フェーズ分けはクリニカルパス毎に定義することができる。そして、クリニカルパスの一例である入院診療計画書301に記載された被験者の診療計画と実際の経過に差異がある患者の症例を検索する。その検索結果として、CPU101が取得した図4に示すようなバリアンス検索結果401からは、どのフェーズでバリアンスが発生したかを特定することができる。図4の例の場合、症例1[患者No.1102]では「手術後〜術後2日目」、症例2[患者No.1043]では「手術後〜術後2日目」、「術後3日目〜退院」、症例3[患者No.0895]では「術後3日目〜退院」にバリアンスが発生したことを示している。
また、リスクのある症例を抽出する場合にフェーズ毎に抽出するか否かを設定することができる。例えば、図10に示すようにリスクのある症例の抽出有無をフェーズ毎に設定することができる。図10は、リスクのある症例の抽出有無に関する設定テーブルの一例を示す図である。この場合、CPU101は、例えば医学的知識に基づくリスクルールが「体温、血圧、脈拍の測定値が数日間異常であった」の場合、「入院〜手術前」、「術後3日目〜退院」ならば、リスクのある症例として抽出する。また、CPU101は、「手術後〜術後2日目」の場合、術後は体温、血圧、脈拍の測定値が異常となる可能性が高いのでリスクのある症例として抽出しない。
実施形態1のバリアンス予測支援方法では、クリニカルパスの一例である入院診療計画書に記載された被験者の全体の診療計画を対象に、実際の経過に差異がある患者の症例を検索する場合と、リスクのある症例を抽出する場合とについて説明してきた。実施形態2では、入院診療計画書に記載された被験者の診療計画をフェーズに分けて、処理する場合について説明する。
実施形態2では、図3に示すようなクリニカルパスの一例である入院診療計画書301を、例えば「入院〜手術前」、「手術後〜術後2日目」、「術後3日目〜退院」のフェーズに分ける。なお、フェーズ分けはクリニカルパス毎に定義することができる。そして、クリニカルパスの一例である入院診療計画書301に記載された被験者の診療計画と実際の経過に差異がある患者の症例を検索する。その検索結果として、CPU101が取得した図4に示すようなバリアンス検索結果401からは、どのフェーズでバリアンスが発生したかを特定することができる。図4の例の場合、症例1[患者No.1102]では「手術後〜術後2日目」、症例2[患者No.1043]では「手術後〜術後2日目」、「術後3日目〜退院」、症例3[患者No.0895]では「術後3日目〜退院」にバリアンスが発生したことを示している。
また、リスクのある症例を抽出する場合にフェーズ毎に抽出するか否かを設定することができる。例えば、図10に示すようにリスクのある症例の抽出有無をフェーズ毎に設定することができる。図10は、リスクのある症例の抽出有無に関する設定テーブルの一例を示す図である。この場合、CPU101は、例えば医学的知識に基づくリスクルールが「体温、血圧、脈拍の測定値が数日間異常であった」の場合、「入院〜手術前」、「術後3日目〜退院」ならば、リスクのある症例として抽出する。また、CPU101は、「手術後〜術後2日目」の場合、術後は体温、血圧、脈拍の測定値が異常となる可能性が高いのでリスクのある症例として抽出しない。
以上、実施形態2によれば、クリニカルパスをフェーズに分けることで、被験者の診療計画と実際の経過に差異がある患者の症例をフェーズ毎に検索することができ、リスクのある症例をフェーズ毎に抽出することができる。
<その他の実施形態>
本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
以上、上述した各実施形態によれば、バリアンスが発生する前に被験者のバリアンスを予測し、リスクの提示を可能にすることができる。
以上、本発明の好ましい形態について詳述したが、本実施形態は係る特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。
101 CPU、102 入力部、103 表示部、104 BUS、105 ROM、106 RAM、107 DISK
Claims (14)
- 被験者のクリニカルパスに記載された診療計画情報に基づいて患者の診療情報を検索し、前記被験者の診療計画と経過に差異がある患者の症例を特定する検索手段と、
前記検索手段による検索により特定された症例の中から、リスク情報に基づいてリスクがあると判定した症例を抽出する抽出手段と、
前記抽出手段により抽出された症例を該当する患者の属性毎にクラスタリングするクラスタリング手段と、
前記クラスタリング手段によるクラスタリングの結果に基づいて、前記被験者の属性毎に前記リスク情報が示すリスクの関連度を表示する表示手段と、
を有する情報処理装置。 - 前記抽出された症例を対応するリスク毎に集計した結果に基づいて、前記リスク情報が示すリスクのうち高リスクと判定されるリスクを特定する特定手段を更に有し、
前記クラスタリング手段は、前記抽出手段により抽出された症例のうち前記特定手段により特定されたリスクに対応する症例を該当する患者の属性毎にクラスタリングする請求項1に記載の情報処理装置。 - 前記特定手段は、前記抽出された症例をリスク毎に症例数に基づいて集計した結果、症例数が所定の条件を満たすリスクを高リスクと判定されるリスクとして特定する請求項2に記載の情報処理装置。
- 前記特定手段は、前記抽出された症例をリスク毎に診療期間に基づいて集計した結果、診療期間が所定の条件を満たすリスクを高リスクと判定されるリスクとして特定する請求項2に記載の情報処理装置。
- 前記クラスタリング手段は、前記抽出された症例を該当する患者の患者情報が示す年齢、性別、BMI、血圧、病歴、家族の病歴のうち少なくとも何れか1つ以上の属性毎にクラスタリングする請求項1乃至4の何れか1項に記載の情報処理装置。
- 前記クラスタリング手段は、前記抽出された症例を該当する患者の治療情報が示す治療の内容に係る属性毎にクラスタリングする請求項1乃至4の何れか1項に記載の情報処理装置。
- 前記抽出手段は、前記特定された症例の患者の診療情報を参照し、前記診療情報が示す診療の内容が前記リスク情報に含まれている場合に、前記症例をリスクがある症例として判定して抽出する請求項1乃至6の何れか1項に記載の情報処理装置。
- 予め登録されている医学情報に基づいて前記リスク情報を症例毎に設定する設定手段を更に有し、
前記抽出手段は、前記特定された症例の中から、前記設定手段により設定されたリスク情報に基づいてリスクがあると判定した症例を抽出する請求項1乃至7の何れか1項に記載の情報処理装置。 - 前記クリニカルパスは、複数のフェーズに分けて定義されており、
前記検索手段は、被験者のクリニカルパスに記載された前記フェーズ毎の診療計画情報に基づいて患者の診療情報を検索し、前記被験者の診療計画と経過に差異がある患者の症例を前記フェーズ毎に特定する請求項1乃至8の何れか1項に記載の情報処理装置。 - 前記検索手段は、前記被験者の診療計画と経過に差異がある患者の症例を前記フェーズ毎に特定する際に、前記症例を抽出するか否かに係る前記フェーズ毎の設定に基づいて特定する請求項9に記載の情報処理装置。
- 前記表示手段は、前記リスク情報が示すリスクのうち前記クラスタリングされた症例に対応するリスクについて、前記被験者の属性毎に関連度を表示する請求項1乃至10の何れか1項に記載の情報処理装置。
- 前記表示手段は、前記関連度が最も高くなるリスクを前記被験者の属性毎に表示する請求項1乃至11の何れか1項に記載の情報処理装置。
- 情報処理装置が実行する情報処理方法であって、
被験者のクリニカルパスに記載された診療計画情報に基づいて患者の診療情報を検索し、前記被験者の診療計画と経過に差異がある患者の症例を特定する検索ステップと、
前記検索ステップによる検索により特定された症例の中から、リスク情報に基づいてリスクがあると判定した症例を抽出する抽出ステップと、
前記抽出ステップにより抽出された症例を該当する患者の属性毎にクラスタリングするクラスタリングステップと、
前記クラスタリングステップによるクラスタリングの結果に基づいて、前記被験者の属性毎に前記リスク情報が示すリスクの関連度を表示する表示ステップと、
を含む情報処理方法。 - コンピュータに、
被験者のクリニカルパスに記載された診療計画情報に基づいて患者の診療情報を検索し、前記被験者の診療計画と経過に差異がある患者の症例を特定する検索ステップと、
前記検索ステップによる検索により特定された症例の中から、リスク情報に基づいてリスクがあると判定した症例を抽出する抽出ステップと、
前記抽出ステップにより抽出された症例を該当する患者の属性毎にクラスタリングするクラスタリングステップと、
前記クラスタリングステップによるクラスタリングの結果に基づいて、前記被験者の属性毎に前記リスク情報が示すリスクの関連度を表示する表示ステップと、
を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015006870A JP2016133892A (ja) | 2015-01-16 | 2015-01-16 | 情報処理装置、情報処理方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015006870A JP2016133892A (ja) | 2015-01-16 | 2015-01-16 | 情報処理装置、情報処理方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2016133892A true JP2016133892A (ja) | 2016-07-25 |
Family
ID=56438163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015006870A Pending JP2016133892A (ja) | 2015-01-16 | 2015-01-16 | 情報処理装置、情報処理方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2016133892A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018124765A (ja) * | 2017-01-31 | 2018-08-09 | セコム株式会社 | 診療情報処理システム、及び診療情報処理プログラム |
JP2019533859A (ja) * | 2016-10-28 | 2019-11-21 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 時間感応性リスク・モデル計算 |
-
2015
- 2015-01-16 JP JP2015006870A patent/JP2016133892A/ja active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019533859A (ja) * | 2016-10-28 | 2019-11-21 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 時間感応性リスク・モデル計算 |
JP7330099B2 (ja) | 2016-10-28 | 2023-08-21 | コーニンクレッカ フィリップス エヌ ヴェ | 時間感応性リスク・モデル計算 |
JP2018124765A (ja) * | 2017-01-31 | 2018-08-09 | セコム株式会社 | 診療情報処理システム、及び診療情報処理プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190156947A1 (en) | Automated information collection and evaluation of clinical data | |
Zhang et al. | Evaluating measures of redundancy in clinical texts | |
US10423758B2 (en) | Computer system and information processing method | |
WO2010082246A1 (ja) | 情報処理装置および情報処理方法 | |
EP3306617A1 (en) | Method and apparatus of context-based patient similarity | |
CN103635908B (zh) | 离开就绪性指标 | |
Steinberg et al. | Patient-reported outcomes in atrial fibrillation research: results of a Clinicaltrials. gov analysis | |
JP5891305B2 (ja) | 診療プロセス分析システム | |
CN106793957B (zh) | 用于预测患者护理未来结果的医疗系统和方法 | |
US20190237200A1 (en) | Recording medium recording similar case retrieval program, information processing apparatus, and similar case retrieval method | |
EP2922018A1 (en) | Medical information analysis program, medical information analysis device, and medical information analysis method | |
Ji-Yu et al. | Predicting the development of surgery-related pressure injury using a machine learning algorithm model | |
US20190392955A1 (en) | System and method for drug interaction prediction | |
JP7161688B2 (ja) | 手術後感染予測装置、手術後感染予測装置生産方法、手術後感染予測方法およびプログラム | |
JP2019510317A (ja) | 検査値のコンテキストによるフィルタリング | |
Shi et al. | Predicting unplanned 7-day intensive care unit readmissions with machine learning models for improved discharge risk assessment | |
WO2015189958A1 (ja) | 分析システムおよび分析方法 | |
JP2016133892A (ja) | 情報処理装置、情報処理方法及びプログラム | |
US11728034B2 (en) | Medical examination assistance apparatus | |
JP2016122397A (ja) | 診断支援装置、診断支援方法及びプログラム | |
JP2021189872A (ja) | 情報処理システム | |
JP2023020667A (ja) | 医療情報処理方法、医療情報処理装置およびプログラム | |
US9916419B2 (en) | Processing electronic documents | |
JP2015170040A (ja) | 情報処理装置、情報処理方法及びプログラム | |
US20200219595A1 (en) | Medical information display apparatus and medical information display system |