JP2019185522A - 分析システム及び分析方法 - Google Patents

Abstract

【課題】過学習を低減し、計算時間を削減可能な診療効果を記述するモデルを作成する。【解決手段】分析システムであって、分析対象の期間及び疾患を受け付ける入力部と、発症イベントを抽出するイベント検出部と、前記イベント検出部が抽出した発症イベントの時期と、前記診療行為及び施策の実施時期との時系列関係を算出する関係抽出部と、前記算出された時系列関係と、前記診療行為及び施策の実施量とに基づいて、前記時系列関係を考慮した診療行為及び施策の特徴量を生成する特徴生成部と、前記診療行為及び施策の履歴と患者の検査結果を含む臨床データとから、医療の質を表す指標値を算出する指標算出部と、前記抽出された診療行為及び施策の特徴量を説明変数とし、前記算出された指標値を目的変数として、前記指標値が良好な診療行為及び施策を抽出する効果抽出部と、を備える。【選択図】図１

Description

本発明は、医療分野において、診療行為や施策の効果を分析する分析システムに関する。

少子高齢化などの人口構造の急速な変化によって、医療費の急速な増加に対して持続可能な医療提供体制の構築が喫緊の課題である。様々なステークホルダがいる中で、医療の質の担保と医療費の適正化を両立する新たな制度立案のためには、エビデンスに基づく制度設計が必要である。蓄積されたデータの利活用は世界的な動きになっており、データ分析はエビデンス生成の有効な手段の一つとして考えられている。データ分析により抽出した、効果が高く有効な診療行為や施策にインセンティブを与えることによって、質が高い医療提供体制を構築できる。現在行われている有効性分析では、診療行為の実施の有無や提供量に応じて分析が行われている。

本技術分野の背景技術として、以下の先行技術がある。特許文献１（特開２０１４−２１５７６１号公報）には、市場の情勢変化の構造と影響を定量的に分析でき、機会の損失や投資の失敗を減らす可能性が高くなり、経済に効率性をもたらすことを可能にする分析技術が記載されている。

また、非特許文献１では、Naive Bayesとbinary logistic regressionを用いて、糖尿病のリスク因子を抽出する技術が記載されている。

特開２０１４−２１５７６１号公報

B. Lee et al., "Identification of Type 2 Diabetes Risk Factors Using Phenotypes Consisting of Anthropometry and Triglycerides based on Machine Learning", IEEE J. of Biomedical and Health Informatics, vol. 20. No.1 Jan. 2016

早期診療の重要性が認知されていることからも分かるように、実施有無に加えて、時系列の情報も考慮して効果が高く有効な診療行為や施策を見える化することは重要である。これにより、診療行為や施策への早期の参加勧奨などの対策をとることができ、効果が高い医療提供体制を構築できる。しかし、実施有無に加えて早期診療の観点を考慮するためには、以下の課題があった。一つ目は、早期発見・早期治療を考慮した分析のため、発症日と診療行為や施策の実施日との関係を，欠損などがあるReal World Dataから高精度に抽出することは難しい。そのため、一つのデータベースではデータに欠損がある場合でも，発症イベントを適確に検知することが重要である。また、早期発見・早期治療を考慮した分析のためには，診療行為や施策の実施日を発症日からの相対時間として抽出することも重要である。二つ目の課題は、実施有無に加えて，時系列成分を新たに追加考慮して有効な診療行為や施策の抽出は、データスパース性や計算時間の観点から困難である。

前述した非特許文献１は、検査値ベースで糖尿病のリスク因子を抽出する方法を開示するが、診療行為や施策の有無や、その時系列情報が考慮されていない。また、前述の特許文献１は、ＫＰＩの変化点を検知して、その因果関係を抽出するシステムを開示するが、因果関係の時間的な変化が考慮されていない。

以上のように、実施有無の観点に加えて、早期発見・早期治療の観点から時系列情報も考慮した、効果が高く有効な診療行為や施策の効果の因子を抽出するためには、従来開示されている技術では十分な効果を得ることが困難であった。

そこで本発明では、実施有無の観点に加えて、早期発見・早期治療の観点から時系列情報を考慮した、効果が高く有効な診療行為や施策の効果因子を抽出する技術を提供する。

本願において開示される発明の代表的な一例を示せば以下の通りである。すなわち、
診療行為及び施策の効果を分析する分析システムであって、所定の処理を実行する演算装置と、前記演算装置に接続された記憶デバイスとを有する計算機によって構成され、分析対象の期間及び疾患を受け付ける入力部と、発症イベントを抽出するイベント検出部と、前記イベント検出部が抽出した発症イベントの時期と、前記診療行為及び施策の実施時期との時系列関係を算出する関係抽出部と、前記関係抽出部が算出した時系列関係と、前記診療行為及び施策の実施量とに基づいて、前記時系列関係を考慮した診療行為及び施策の特徴量を生成する特徴生成部と、前記診療行為及び施策の履歴と患者の検査結果を含む臨床データとから、医療の質を表す指標値を算出する指標算出部と、前記特徴生成部が抽出した診療行為及び施策の特徴量を説明変数とし、前記指標算出部が算出した指標値を目的変数として、前記指標値が良好な診療行為及び施策を抽出する効果抽出部と、を備えることを特徴とする。

本発明の一態様によれば、過学習を低減し計算時間を削減可能な診療効果を記述するモデルを作成できる。前述した以外の課題、構成及び効果は、以下の実施例の説明によって明らかにされる。

本発明の実施例の診療行為・施策効果分析システムの構成図である。 本実施例の診療行為・施策効果分析システムのハードウエア構成図である。 本実施例の診療行為・施策効果分析システムが実行する処理の概要のフローチャートである。 図３に示す処理の一部（Ｓ３０２〜Ｓ３０５）のシーケンス図である。 条件設定・処理結果表示画面の例を示す図である。 ステップＳ３０２の詳細なフローチャートである。 診療行為データの例を示す図である。 臨床データの例を示す図である。 発症知識データの例を示す図である。 本発明の実施例の診療行為・施策効果分析システムの別例の構成図である。 発症日管理テーブルの例を示す図である。 ステップＳ３０３の詳細なフローチャートである。 図１２に示す処理の一部（Ｓ３０３１〜Ｓ３０３２）のシーケンス図である。 診療行為時系列情報テーブルを生成する処理を示す図である。 診療行為特徴量テーブルの例を示す図である。 ステップＳ３０６の詳細なフローチャートである。 条件設定・処理結果表示画面の例を示す図である。

＜実施例１＞
図１は、本発明の実施例の診療行為・施策効果分析システムの構成図である。

本システムは、外部ＤＢ連携部１０３と、発症イベント検出部１０４と、発症知識データベース１０５と、発症−診療行為関係抽出部１０６と、発症時系列情報畳み込み部１０７と、評価指標算出部１０８と、診療効果抽出部１０９と、画面構成処理部１１０と、入力部１１１と、表示部１１２とを有する。外部ＤＢ連携部１０３は本システム外にあるデータベースと連携する機能であり、例えば、外部ＤＢ連携部１０３は、診療行為データベース１０１や臨床データベース１０２に蓄積されたデータを取得するが、他のデータベースと連携してもよい。

入力部１１１は、ユーザからの入力を受けるインターフェースである。表示部１１２は、プログラムの実行結果をユーザが視認可能な形式で出力するインターフェースである。

本システムのハードウエア構成を説明する。図２は、本実施例の診療行為・施策効果分析システムのハードウエア構成図である。

入力装置２００は、入力部１１１を構成するキーボードやマウスやペンタブレットなどであり、ユーザからの入力を受けるインターフェースである。出力装置２０１は、表示部１１２を構成する液晶表示装置やＣＲＴ（Ｃａｔｈｏｄｅ−Ｒａｙ Ｔｕｂｅ）などのディスプレイ装置であり、プログラムの実行結果をユーザが視認可能な形式で出力するインターフェースである。出力装置２０１は、プリンタなど紙媒体に出力する装置でもよい。なお、診療行為・施策効果分析システムにネットワークを介して接続された端末が入力装置２００及び出力装置２０１を提供してもよい。

中央処理装置２０３は、プログラムを実行するプロセッサ（演算装置）である。具体的には、プロセッサがプログラムを実行することによって、外部ＤＢ連携部１０３と、発症イベント検出部１０４と、発症−診療行為関係抽出部１０６と、発症時系列情報畳み込み部１０７と、評価指標算出部１０８と、診療効果抽出部１０９と、画面構成処理部１１０とが実現される。なお、プロセッサがプログラムを実行して行う処理の一部を、他の形式の（例えばハードウエアによる）演算装置（例えば、ＦＰＧＡ）で実行してもよい。

メモリ２０２は、不揮発性の記憶素子であるＲＯＭ及び揮発性の記憶素子であるＲＡＭを含む。ＲＯＭは、不変のプログラム（例えば、ＢＩＯＳ）などを格納する。ＲＡＭは、ＤＲＡＭ（Dynamic Random Access Memory）のような高速かつ揮発性の記憶素子であり、プロセッサ１１が実行するプログラム及びプログラムの実行時に使用されるデータを一時的に格納する。

補助記憶装置２０４は、例えば、磁気記憶装置（ＨＤＤ）、フラッシュメモリ（ＳＳＤ）等の大容量かつ不揮発性の記憶装置である。補助記憶装置２０４は、中央処理装置２０３がプログラムの実行時に使用するデータ及び中央処理装置２０３が実行するプログラムを格納する。具体的には、補助記憶装置２０４は、発症知識データベース１０５を格納する。なお、発症知識データベース１０５の一部又は全部は、プログラムの実行に伴い、メモリ２０２に短期的に格納される。また、プログラムは、補助記憶装置２０４から読み出されて、メモリにロードされて、中央処理装置２０３によって実行される。

診療行為・施策効果分析システムは、図示を省略するが、所定のプロトコルに従って、他の装置との通信を制御する通信インターフェースを有する。

中央処理装置２０３が実行するプログラムは、リムーバブルメディア（ＣＤ−ＲＯＭ、フラッシュメモリなど）又はネットワークを介して診療行為・施策効果分析システムに導入され、非一時的記憶媒体である不揮発性の補助記憶装置２０４に格納される。このため、診療行為・施策効果分析システムは、リムーバブルメディアからデータを読み込むインターフェースを有するとよい。

診療行為・施策効果分析システムは、物理的に一つの計算機上で、又は、論理的又は物理的に構成された複数の計算機上で構成される計算機システムであり、複数の物理的計算機資源上に構築された仮想計算機上で動作してもよい。

図３に、本実施例のシステムが実行する処理の概要のフローチャートであり、図４は、図３に示す処理の一部（Ｓ３０２〜Ｓ３０５）のシーケンス図である。

まず、表示部１１２が条件設定・処理結果表示画面（図５）を表示すると、ユーザは、入力部１１１を介して、分析対象の疾患（病名）とＱＩ指標と期間を入力する（Ｓ３０１）。

次に、発症イベント検出部１０４は、発症知識データベース１０５を参照して、ステップＳ３０１にて入力された分析対象の期間における、入力された病名に対応する診療行為や検査の情報を、診療行為データベース１０１及び臨床データベース１０２から抽出する（Ｓ３０２）。すなわち、ステップＳ３０２では、当該病名を発症した可能性がある患者の情報（発症イベント）を抽出される。ステップＳ３０２の処理の詳細は、図６で詳述する。

次に、発症−診療行為関係抽出部１０６は、診療行為データベース１０１に蓄積された各診療行為や施策について、Ｓ３０２で抽出された発症イベントの時期との時系列関係（例えば、時間の前後関係を示す相対日時）を算出する（Ｓ３０３）。ステップＳ３０３の処理の詳細は、図１２で詳述する。

次に、発症時系列情報畳み込み部１０７が、Ｓ３０３で処理された各診療行為や施策に対して、Ｓ３０３で算出された時系列情報及び各診療行為や施策の実施量を考慮した特徴量を生成する（Ｓ３０４）。

次に、評価指標算出部１０８が、診療行為データベース１０１と臨床データベース１０２から、医療の質を評価する指標値を算出する（Ｓ３０５）。

最後に、診療効果抽出部１０９が、Ｓ３０４にて生成された診療行為や施策の特徴量と、Ｓ３０５にて算出された指標値の特徴量の初期値とを説明変数とし、Ｓ３０５にて算出された効果の特徴量（例えば、指標値）を目的変数として、効果が高い診療行為や施策を抽出する（Ｓ３０６）。ステップＳ３０６の処理の詳細は、図１６で詳述する。なお、指標値の特徴量の初期値は、分析対象の期間における指標値の変化量を把握するために使用され、患者間で基礎的数値の差を埋めることができる。なお、患者間で基礎的数値の差がなければ、初期値を用いる必要はない。

図５は、ステップＳ３０１において、表示部１１２が表示する条件設定・処理結果表示画面の例を示す図である。

条件設定・処理結果表示画面は、条件設定領域５０１及び処理結果提示領域５０２を含む。条件設定領域５０１には、本システムによる処理を実行するための「有効性分析」ボタン５０１１と、分析条件を設定するためのプルダウンによる選択肢入力欄を表示する。図示した例では、糖尿病患者の２０１３年から２０１６年のデータを用いて、血糖コントロールに影響を及ぼす効果が高い診療行為や施策を抽出する条件が設定されている。

次に、図６を参照して、ステップＳ３０２の詳細について説明する。

まず、発症イベント検出部１０４は、外部ＤＢ連携部１０３を介して、診療行為データベース１０１から対象患者の診療行為や施策のデータを取得し、臨床データベース１０２から臨床データを取得する（Ｓ３０２１）。

図７に示すように、診療行為データは、患者属性（患者コード、性別、年齢など）、診療行為（処方された薬剤や検査内容など）及び実施日を含む。診療行為データは、医療機関が行う診療行為の他、診療行為以外の施策（例えば、健康指導、食事指導、定期的な運動など）も含むとよい。図８に示すように、臨床データは、患者コード、検査実施日及び検査値を含む。なお、診療行為データベース１０１は、患者に対して行われた全ての診療行為や施策が正しく入力されているとは限らず、欠落を含む場合がある。また、臨床データベース１０２に記録されている検査は、患者が定期的に受けていない場合がある。すなわち、診療行為データベース１０１及び臨床データベース１０２のいずれも、入力漏れがある可能性がある。

次に、発症イベント検出部１０４は、発症の定義に基づいて、臨床データから発症日候補を抽出する（Ｓ３０２２）。糖尿病の例では、クリニカルガイドラインにて定義されているように、ＨｂＡ１ｃの値が６．５％以上が閾値であり、患者コードＰ０の患者の発症日候補として１４年７月を抽出し、患者コードＰ１の発症日候補として１３年５月を抽出する。

次に、発症イベント検出部１０４は、発症知識データベース１０５から抽出した発症知識データと合致する診療行為や施策について、絶対日（実施日）及び患者コードを抽出する（Ｓ３０２３）。発症知識データは、図９に示すように、疾病と診療行為や施策との関係が記録されており、具体的には、糖尿病と関連する診療行為としてＤＰＰ４阻害薬の処方、ＳＧＬＴ２阻害薬の処方、及びＨｂＡ１ｃ検査が記録されている。

本実施例では、予め発症知識データベース１０５を登録しているが、診療行為データ及び臨床データを用いて、疾患と関連する診療行為や施策を抽出してもよい。例えば、図１０に示すように発症知識生成部１１３を設け、発症知識生成部１１３が、診療行為データと臨床データを参照して、疾患と関連する診療行為や施策を抽出し、発症知識データベース１０５してもよい。具体的には、診療行為データの病名と相関が高い診療行為や施策を抽出したり、臨床データの発症定義（例えば、ＨｂＡ１ｃの値が６．５％以上）と相関が高い診療行為や施策を抽出する。図７から図９に図示したデータを用いると、（Ｐ０、ＤＰＰ４、１３／５／１）、（Ｐ０、ＳＧＬＴ２、１３／６／１）、（Ｐ１、ＨｂＡ１ｃ検査、１４／５／１）を抽出できる。体温測定は発症知識データに定義されていないため、ステップＳ３０２３では抽出されない。

次に、Ｓ３０２２で抽出された発症日候補とＳ３０２３で抽出された絶対日から、患者毎に最も古い日時を疾患の発症時期に決定する（Ｓ３０２４）。本例では、患者コードＰ０の患者は、ガイドラインの定義に従うとＨｂＡ１ｃの値が６．５％以上になった１４年７月１日が発症日となるが、Ｓ３０２３にて抽出したＤＰＰ４阻害薬の処方日が１３年５月１日であるため、１３年５月１日を発症日として発症日管理テーブル（図１１）に記録する。

次に、ステップＳ３０３の詳細を説明する。図１２は、ステップＳ３０３の詳細なフローチャートであり、図１３は、図１２に示す処理の一部（Ｓ３０３１〜Ｓ３０３２）のシーケンス図である。

まず、発症−診療行為関係抽出部１０６は、発症イベント検出部１０４から、患者ごとの発症日（例えば、図１１に示す発症日管理テーブル）を取得する（Ｓ３０３１）。

次に、発症−診療行為関係抽出部１０６は、外部ＤＢ連携部１０３を介して臨床データベース１０２にアクセスし、対象患者の診療行為や施策とその絶対日を取得する（Ｓ３０３２）。図７に示す例では、（Ｐ０、ＤＰＰ４、１３／５／１）、（Ｐ０、ＳＧＬＴ２、１３／６／１）、（Ｐ１、ＨｂＡ１ｃ検査、１４／５／１）、（Ｐ１、体温測定、１４／５／１）を取得する。

最後に、発症−診療行為関係抽出部１０６は、各患者の診療行為や施策毎に、発症日から実施日までの相対日を計算する（Ｓ３０３３）。計算された相対日は、図１４に示す診療行為時系列情報テーブルに記録される。

次に、ステップＳ３０４の詳細について二つの方法を説明する。一つ目は早期診療の重要性に着目した方法であり、二つ目は継続的な診療行為や施策の実施の重要性に着目した方法である。

一つ目の方法では、早期診療の重要性に着目し、発症時系列情報畳み込み部１０７が、説明変数のデータセットを生成する際、同じ行為であっても早期に実施した診療行為や施策のインスタンスに重み付けをして加算する。これによって、早期診断・治療を重視しつつ時系列成分を圧縮した説明変数のデータセットを生成する。具体的には、以下の数式１を用いて、診療行為や施策ｊ毎に特徴量Ｘｉｊを算出する。数式１によると、発症日から実施日までの相対日が小さい診療行為や施策の特徴量Ｘｉｊが大きくなり、早期診断・早期治療に貢献した診療行為や施策に大きな重み付けができる。

なお、Ｍ（ｉ）は患者ｉにおける糖尿病を発症した日、診療行為や施策の群Ａ＝｛Ａ１，Ａ２，…，ＡＪ｝（例えば、Ａ１＝ＤＰＰ４、Ａ２＝ＳＧＬＴ２）とすると、糖尿病発症日からの相対日Ｒｉｊ（ｔ）を算出でき、重み付け要素となる単調減少関数ｆ（ｔ）を乗じて算出できる。

二つ目の方法では、継続的に実施されている診療行為や施策が重要である点に着目し、発症時系列情報畳み込み部１０７が、説明変数のデータセットを生成する際、同じ行為であっても継続して実施された診療行為や施策のインスタンスに重み付けをして加算する。これによって、治療行為の継続性を重視しつつ時系列成分を圧縮した説明変数のデータセットを生成する。具体的には、以下の数式２を用いて、診療行為や施策ｊ毎に特徴量Ｘｉｊを算出する。数式２によると、定期的な間隔で多数回実施される診療行為や施策の特徴量Ｘｉｊが大きくなり、複数回行われる診療行為や施策でも不定期な間隔や一時期に集中して実施される特徴量Ｘｉｊが小さくなり、継続性が病状改善に貢献した診療行為や施策に大きな重み付けができる。なお、数式２でも、Ｒｉｊ（ｔ）は数式１と同じに定義され、時間の経過と共に減少する単調減少関数ｆ（ｔ）を要素として、重み付けをする。

ステップＳ３０４によって算出される特徴量は、図１５に示す診療行為特徴量テーブルに記録される。図１５に示すように、数式２で計算される特徴量は、時系列で整理された診療行為や施策の時間的な近さ（早期診断）と継続性と回数とを考慮して、時系列成分を圧縮して生成されるものである。

次に、ステップＳ３０５の詳細を説明する。ステップＳ３０５で計算される評価指標は、医療の質を評価する指標であり、Ｑｕａｌｉｔｙ Ｉｎｄｉｃａｔｏｒなどと呼ばれている。例えば、糖尿病の分野では、糖尿病患者のＨｂＡ１ｃの血糖コントロールが６．５％未満の患者割合などが使われる。そのため、評価指標算出部１０８は、外部ＤＢ連携部１０３を介して、臨床データベース１０２から臨床データを取得し、ＨｂＡ１ｃの値が６．５％以上であれば１となり、６．５％未満であれば０となるように評価指標を算出する。

最後に、図１６を参照して、ステップＳ３０６の詳細を説明する。

まず、診療効果抽出部１０９は、発症時系列情報畳み込み部１０７が生成した診療行為や施策の特徴量（図１５に示す診療行為特徴量テーブル）を取得する（Ｓ３０６１）。

次に、評価指標算出部１０８を介して、効果の特徴量の初期値を取得する（Ｓ３０６２）。図示した例では、条件設定・処理結果表示画面（図５）において対象期間を２０１３年からと指定しているため、２０１３年の評価指標を取得する。なお、前述したように、指標値の特徴量の初期値は任意に使用すればよい。

次に、Ｓ３０６１の結果とＳ３０６２の結果とを統合して、患者毎の特徴量ベクトルを作成する（Ｓ３０６３）。このように、説明変数として利用される特徴ベクトルを生成することによって既存の選択手法を利用可能となり、システムへの実装が容易になる。

次に、評価指標算出部１０８を介して、効果の特徴量の最終結果を取得する（Ｓ３０６４）。図示した例では、条件設定・処理結果表示画面（図５）において対象期間を２０１６年までと指定しているため、２０１６年の評価指標を取得する。

最後に、効果の特徴量の最終結果に影響を及ぼす特徴を、Ｓ３０６３にて生成した特徴量ベクトルから選択する（Ｓ３０６５）。具体的には、Ｓ３０６３で出力する特徴量ベクトルを説明変数とし、Ｓ３０６４にて出力される変数を目的変数として、線形回帰モデル（binary logistic regressionなど）や非線形モデル（Random Forest, Gradient Boostなど）などの特徴選択手法を用いて選択する。

画面構成処理部１１０は、このような手順によって計算された高い効果の診療行為や施策を、表示部１１２に表示するための表示データを生成する。例えば、図１７に示すように、演算結果を処理結果提示領域５０２に表示する。図１７によると、評価指標に最も影響がある診療行為や施策は、ＳＧＬＴ２阻害薬であることが分かる。

発症時系列情報畳み込み部１０７が実行する処理（Ｓ３０４）は、本発明の実施例で最も重要である。本実施例では、「実施有無に加えて、時系列成分も考慮して有効な診療行為や施策を抽出する」という課題に対して、説明変数のデータセットを生成する際に、同じ行為であっても早期に実施したイベントのインスタンスに重み付けをして加算することで、時系列成分を圧縮しつつ早期診断・早期治療の観点を考慮した説明変数のデータセットを生成する。このステップＳ３０４の処理は、「早期実施」という概念を導入するにあたり、ステップＳ３０２とステップＳ３０３の処理を同時に導入することによって実現可能になる。

以上に説明したように、本発明の実施例によると、分析対象の期間及び疾患を受け付ける入力部１１１と、発症イベントを抽出する発症イベント検出部１０４と、発症イベント検出部１０４が抽出した発症イベントの時期と、診療行為及び施策の実施時期との時系列関係（相対日）を算出する発症−診療行為関係抽出部１０６と、発症−診療行為関係抽出部１０６が算出した時系列関係と、診療行為及び施策の実施回数とに基づいて、時系列関係を考慮した診療行為及び施策の特徴量を生成する発症時系列情報畳み込み部１０７と、診療行為及び施策の履歴（診療行為データベース１０１）と患者の検査結果を含む臨床データ（臨床データベース１０２）とから、医療の質を表す指標値を算出する評価指標算出部１０８と、列関係を考慮した診療行為及び施策の特徴量を生成するが抽出した診療行為及び施策の特徴量を説明変数とし、評価指標算出部１０８が算出した指標値を目的変数として、指標値が良好で効果が高い診療行為及び施策を抽出する診療効果抽出部１０９と、を備えるので、一つの機関で作成されたデータベースでは発症イベントが欠損している場合でも、発症イベントを適確に推測し、発症イベントと診療行為や施策の実施日との相対的時間を算出できる。そして、説明変数の数を増さずに時系列成分を説明変数に反映することによって、過学習を低減し、計算時間を削減可能な診療効果を記述するモデルを作成できる。

また、発症時系列情報畳み込み部１０７は、発症イベントと時間的に近いタイミングで実施した診療行為及び施策に大きな値を与えるように（例えば、前述した数式１を用いて）特徴量を生成するので、早期発見・早期治療などの時系列関係を考慮した効果が高い診療行為や施策を抽出できる。

また、発症時系列情報畳み込み部１０７は、継続的に実施された診療行為及び施策に大きな値を与えるように、（例えば、前述した数式２を用いて）特徴量を生成するので、継続性を考慮した効果が高い診療行為や施策を抽出できる。

また、診療行為及び施策と疾病との関係を含む知識データを記録する発症知識データベース１０５と、診療行為及び施策の履歴（診療行為データベース１０１）と臨床データベース１０２とから疾患と関連する診療行為及び施策を抽出して、発症知識データベース１０５に記録する発症知識生成部１１３とを備えるので、疾患と関連する診療行為や施策を自動的に抽出できる。

また、診療効果抽出部１０９は、発症時系列情報畳み込み部１０７が抽出した診療行為の特徴量、及び、評価指標算出部１０８が抽出した分析対象の期間の初期における指標値を説明変数とし、評価指標算出部１０８が抽出した分析対象の期間の終期における指標値を目的変数として、指標値が良好で効果が高い診療行為及び施策を抽出するので、分析対象の期間における指標値の変化を適確に把握できる。

なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。例えば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加・削除・置換をしてもよい。

また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等により、ハードウエアで実現してもよく、プロセッサがそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。

各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に格納することができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。

本発明は、医療分野における病院情報システム技術に関し、特に、診療行為や施策の効果の分析を支援する技術として有用である。

１０１ 診療行為データベース
１０２ 臨床データベース
１０３ 外部ＤＢ連携部
１０４ 発症イベント検出部
１０５ 発症知識データベース
１０６ 発症-診療行為関係抽出部
１０７ 発症時系列情報畳み込み部
１０８ 評価指標算出部
１０９ 診療効果抽出部
１１０ 画面構成処理部
１１１ 入力部
１１２ 表示部
１１３ 発症知識生成部
２００ 入力装置
２０１ 出力装置
２０２ メモリ
２０３ 中央処理装置
２０４ 補助記憶装置

Claims (14)

1. 診療行為及び施策の効果を分析する分析システムであって、
   所定の処理を実行する演算装置と、前記演算装置に接続された記憶デバイスとを有する計算機によって構成され、
   分析対象の期間及び疾患を受け付ける入力部と、
   発症イベントを抽出するイベント検出部と、
   前記イベント検出部が抽出した発症イベントの時期と、前記診療行為及び施策の実施時期との時系列関係を算出する関係抽出部と、
   前記関係抽出部が算出した時系列関係と、前記診療行為及び施策の実施量とに基づいて、前記時系列関係を考慮した診療行為及び施策の特徴量を生成する特徴生成部と、
   前記診療行為及び施策の履歴と患者の検査結果を含む臨床データとから、医療の質を表す指標値を算出する指標算出部と、
   前記特徴生成部が抽出した診療行為及び施策の特徴量を説明変数とし、前記指標算出部が算出した指標値を目的変数として、前記指標値が良好な診療行為及び施策を抽出する効果抽出部と、を備えることを特徴とする分析システム。
2. 請求項１に記載の分析システムであって、
   前記特徴生成部は、発症イベントと時間的に近いタイミングで実施した診療行為及び施策に大きな値を与えて特徴量を生成することを特徴とする分析システム。
3. 請求項２に記載の分析システムであって、
   前記特徴生成部は、前記関係抽出部が算出した時系列関係をＲｉｊ（ｔ）として、下式を用いて特徴量を生成することを特徴とする分析システム。
   下式において、ｉは患者を、ｊは診療行為及び施策を、ｔは時間を表し、ｆ（ｔ）は時間の経過と共に減少する単調減少関数である。
   

   
4. 請求項１に記載の分析システムであって、
   前記特徴生成部は、継続的に実施された診療行為及び施策に大きな値を与えて特徴量を生成することを特徴とする分析システム。
5. 請求項４に記載の分析システムであって、
   前記特徴生成部は、前記関係抽出部が算出した時系列関係をＲｉｊ（ｔ）として、下式を用いて特徴量を生成することを特徴とする分析システム。
   下式において、ｉは患者を、ｊは診療行為及び施策を、ｔは時間を表し、ｆ（ｔ）は時間の経過と共に減少する単調減少関数である。
   

   
6. 請求項１に記載の分析システムであって、
   前記記憶デバイスは、診療行為及び施策と疾病との関係を含む知識データを記録しており、
   前記イベント検出部は、前記知識データを参照して、発症イベントの時期を抽出するものであって、
   前記分析システムは、前記診療行為及び施策の履歴と前記臨床データとから疾患と関連する診療行為及び施策を抽出して、知識データに記録する知識生成部を備えることを特徴とする分析システム。
7. 請求項１に記載の分析システムであって、
   前記効果抽出部は、前記特徴生成部が抽出した診療行為の特徴量、及び、前記指標算出部が抽出した前記分析対象の期間の初期における指標値を説明変数とし、前記指標算出部が抽出した前記分析対象の期間の終期における指標値を目的変数として、前記指標値が良好な診療行為及び施策を抽出することを特徴とする分析システム。
8. 計算機が診療行為及び施策の効果を分析する分析方法であって、
   前記計算機は、所定の処理を実行する演算装置と、前記演算装置に接続された記憶デバイスとを有し、
   前記方法は、
   前記演算装置が、分析対象の期間及び疾患を受け付ける入力手順と、
   前記演算装置が、発症イベントを抽出するイベント検出手順と、
   前記演算装置が、前記イベント検出手順で抽出された発症イベントの時期と、前記診療行為及び施策の実施時期との時系列関係を算出する関係抽出手順と、
   前記演算装置が、前記関係抽出手順で算出された時系列関係と、前記診療行為及び施策の実施量とに基づいて、前記時系列関係を考慮した診療行為及び施策の特徴量を生成する特徴生成手順と、
   前記演算装置が、前記診療行為及び施策の履歴と患者の検査結果を含む臨床データとから、医療の質を評価する指標値を算出する指標算出手順と、
   前記演算装置が、前記特徴生成手順で抽出された診療行為及び施策の特徴量を説明変数とし、前記指標算出手順で算出された指標値を目的変数として、前記指標値が良好な診療行為及び施策を抽出する効果抽出手順と、を含むことを特徴とする分析方法。
9. 請求項８に記載の分析方法であって、
   前記特徴生成手順では、前記演算装置が、発症イベントと時間的に近いタイミングで実施した診療行為及び施策に大きな値を与えて特徴量を生成することを特徴とする分析方法。
10. 請求項９に記載の分析方法であって、
    前記特徴生成手順では、前記演算装置が、前記関係抽出手順で算出された時系列関係をＲｉｊ（ｔ）として、下式を用いて特徴量を生成することを特徴とする分析方法。
    下式において、ｉは患者を、ｊは診療行為及び施策を、ｔは時間を表し、ｆ（ｔ）は時間の経過と共に減少する単調減少関数である。
    

    
11. 請求項８に記載の分析方法であって、
    前記特徴生成手順では、前記演算装置が、継続的に実施された診療行為及び施策に大きな値を与えて特徴量を生成することを特徴とする分析方法。
12. 請求項１１に記載の分析方法であって、
    前記特徴生成手順では、前記演算装置が、前記関係抽出手順で算出された時系列関係をＲｉｊ（ｔ）として、下式を用いて特徴量を生成することを特徴とする分析方法。
    下式において、ｉは患者を、ｊは診療行為及び施策を、ｔは時間を表し、ｆ（ｔ）は時間の経過と共に減少する単調減少関数である。
    

    
13. 請求項８に記載の分析方法であって、
    前記記憶デバイスは、診療行為及び施策と疾病との関係を含む知識データを記録しており、
    前記イベント検出手順では、前記演算装置が、前記知識データを参照して、発症イベントの時期を抽出するものであって、
    前記分析方法は、前記演算装置が、前記診療行為及び施策の履歴と前記臨床データとから疾患と関連する診療行為及び施策を抽出して、知識データとして記録する知識生成手順を含むことを特徴とする分析方法。
14. 請求項８に記載の分析方法であって、
    前記効果抽出手順では、前記演算装置が、前記特徴生成手順で抽出された診療行為の特徴量、及び、前記指標算出手順で抽出された前記分析対象の期間の初期における指標値を説明変数とし、前記指標算出手順で抽出された前記分析対象の期間の終期における指標値を目的変数として、前記指標値が良好な診療行為及び施策を抽出することを特徴とする分析方法。

Images