JP2020021197A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP2020021197A JP2020021197A JP2018143308A JP2018143308A JP2020021197A JP 2020021197 A JP2020021197 A JP 2020021197A JP 2018143308 A JP2018143308 A JP 2018143308A JP 2018143308 A JP2018143308 A JP 2018143308A JP 2020021197 A JP2020021197 A JP 2020021197A
- Authority
- JP
- Japan
- Prior art keywords
- medical institution
- patients
- pattern
- patient
- days
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】来院患者数を予測すること。【解決手段】医療機関支援装置は、所定の連続するＮ（Ｎは２以上の整数）日間における天気のパターンと来院患者数の増減率とを関連付けて患者増減率パターンマスタを生成するマスタ生成部と、来院患者数の予測対象の医療機関におけるＮ日間の天気のパターンが適合する患者増減率パターンマスタを特定し、当該特定した患者増減率パターンマスタと、当該予測対象の医療機関の当該Ｎ日間の最終日前までの来院患者数と、に基づいて、当該予測対象の医療機関の当該Ｎ日間の最終日の来院患者数を予測する患者数予測部と、を備える構成を取る。【選択図】図１
Description
本開示は、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に関する。
病院及び診療所などの医療機関は、当日以降に来院する患者数を予測できれば、事前の準備及び医師の診療時間の調整などにおいて有用である。
例えば、特許文献１には、次のことが開示されている。過去の来院人数及び来院時間と、天候との関係を調べて、その結果を天候関係データとして制御コンピュータに記録しておく。そして、診療日における天候の情報と天候関係データとから来院予定人数、来院予定時間を予想し、その予想を各待機場所に待機すべき搬送車の台数の配分に反映させる。これにより、天候による来院人数及び来院時間のばらつきに対応することができる。
しかしながら、特許文献１では、悪天候時には来院数が少ないといったおおよその傾向しか予測することができない。また、晴天時には必ずしも来院数が多くなるとは限らない。例えば、悪天候日の翌日が晴天の場合、多くの人が他の予定を優先し、来院数が減少する可能性もある。
本開示の目的は、天気のパターンに基づいて、当日以降の来院患者数をより高い精度で予測する医療機関支援装置、方法及びプログラムを提供することにある。
本開示の一態様に係る医療機関支援装置は、所定の連続するＮ（Ｎは２以上の整数）日間における天気のパターンと来院患者数の増減率とを関連付けて患者増減率パターンマスタを生成するマスタ生成部と、来院患者数の予測対象の医療機関におけるＮ日間の天気のパターンが適合する患者増減率パターンマスタを特定し、当該特定した患者増減率パターンマスタと、当該予測対象の医療機関の当該Ｎ日間の最終日前までの来院患者数と、に基づいて、当該予測対象の医療機関の当該Ｎ日間の最終日の来院患者数を予測する患者数予測部と、を備える。
なお、これらの包括的または具体的な態様は、装置、方法、集積回路、コンピュータプログラム、または、記録媒体で実現されてもよく、システム、装置、方法、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。
本開示によれば、天気のパターンに基づいて、当日以降の来院患者数を予測することができる。よって、来院患者数の予測の精度が向上し得る。その結果として、医療機関は混雑状況を予測したうえで人員配置を行ったり、事前準備を行ったりすることが可能となるため、医療サービスの質を向上させることができる。
以下、図面を適宜参照して、本発明の実施の形態について、詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。
なお、添付図面および以下の説明は、当業者が本開示を十分に理解するために提供されるのであって、これらにより特許請求の範囲に記載の主題を限定することは意図されていない。
また、以下の実施の形態において、その構成要素（要素ステップなどを含む）は、特に明示した場合及び原理的に明らかに必須であると考えられる場合などを除き、必ずしも必須のものではない。
（一実施の形態）
＜医療機関支援装置の構成＞
図１は、医療機関支援装置１０の構成例を示す。図１に示すように、医療機関支援装置は、マスタ生成部１００と、患者数予測部２００とを備える。
＜医療機関支援装置の構成＞
図１は、医療機関支援装置１０の構成例を示す。図１に示すように、医療機関支援装置は、マスタ生成部１００と、患者数予測部２００とを備える。
＜マスタ生成部＞
マスタ生成部１００は、複数の医療機関における過去の患者数の増減と、様々な外部環境による要因との相関関係を分析し、その分析結果に関するマスタ情報を生成する。このマスタ情報は、医療機関を来院する患者数を予測するために用いられる。なお、以下、マスタ情報を単に「マスタ」と表現する場合がある。
マスタ生成部１００は、複数の医療機関における過去の患者数の増減と、様々な外部環境による要因との相関関係を分析し、その分析結果に関するマスタ情報を生成する。このマスタ情報は、医療機関を来院する患者数を予測するために用いられる。なお、以下、マスタ情報を単に「マスタ」と表現する場合がある。
マスタ生成部１００は、パターンマスタ生成部１０１、パターンマッチング部１０２、及び、患者増減率算出部１０３を含む。
＜＜パターンマスタ生成部＞＞
パターンマスタ生成部１０１は、所定のＮ日間（Ｎは２以上の整数）における、相関項目及び相関項目値の組み合わせパターンを、パターンマスタ３１０として生成し、記憶部２０に格納する。
パターンマスタ生成部１０１は、所定のＮ日間（Ｎは２以上の整数）における、相関項目及び相関項目値の組み合わせパターンを、パターンマスタ３１０として生成し、記憶部２０に格納する。
相関項目とは、来院患者数の増減の要因に対応する項目であり、例えば、天気、医療機関の稼働（休診）、曜日などである。
相関項目値は、相関項目が取り得る値である。相関項目が「天気」の場合、相関項目値は「晴」、「雨」、「曇」などであってよい。相関項目が「医療機関の稼働」の場合、相関項目値は「稼働」、「休診」などであってよい。相関項目「曜日」の場合、相関項目値は「月」、「火」、「水」、「木」、「金」、「土」、「日」であってよい。なお、パターンマスタ生成部１０１の詳細については後述する。
＜＜パターンマッチング部＞＞
パターンマッチング部１０２は、パターンマスタ３１０に含まれる相関項目に基づいて、疾患種別を決定する。そして、パターンマッチング部１０２は、パターンマスタ３１０にマッチングする場合の疾患種別に適合する来院患者数を算出する。そして、パターンマッチング部１０２は、パターンマスタ３１０と、その算出した疾患種別に適合する来院患者数と、を対応付けた患者数パターンマスタ３２０を生成し、記憶部２０に格納する。なお、パターンマッチング部１０２の詳細については後述する。
パターンマッチング部１０２は、パターンマスタ３１０に含まれる相関項目に基づいて、疾患種別を決定する。そして、パターンマッチング部１０２は、パターンマスタ３１０にマッチングする場合の疾患種別に適合する来院患者数を算出する。そして、パターンマッチング部１０２は、パターンマスタ３１０と、その算出した疾患種別に適合する来院患者数と、を対応付けた患者数パターンマスタ３２０を生成し、記憶部２０に格納する。なお、パターンマッチング部１０２の詳細については後述する。
＜＜患者増減率算出部＞＞
患者増減率算出部１０３は、共通のパターンマスタ３１０から生成された複数の患者数パターンマスタ３２０を分析し、当該共通のパターンマスタ３１０における疾患種別毎の患者数の増減率を算出する。そして、患者増減率算出部１０３は、当該パターンマスタ３１０と、その算出した疾患種別毎の患者数の増減率と、を関連付けて、患者増減率パターンマスタ３３０を生成し、記憶部２０に格納する。なお、患者増減率算出部１０３の詳細については後述する。
患者増減率算出部１０３は、共通のパターンマスタ３１０から生成された複数の患者数パターンマスタ３２０を分析し、当該共通のパターンマスタ３１０における疾患種別毎の患者数の増減率を算出する。そして、患者増減率算出部１０３は、当該パターンマスタ３１０と、その算出した疾患種別毎の患者数の増減率と、を関連付けて、患者増減率パターンマスタ３３０を生成し、記憶部２０に格納する。なお、患者増減率算出部１０３の詳細については後述する。
＜患者数予測部＞
患者数予測部２００は、マスタ生成部１００によって生成された患者増減率パターンマスタ３３０を用いて、予測対象の医療機関の来院患者数を予測する。そして、患者数予測部２００は、予測対象の医療機関に、その予測した患者数（以下「予測患者数」という）を通知する。これにより、予測対象の医療機関は、当日以降の予測患者数を知ることができる。なお、患者数予測部２００の詳細については後述する。
患者数予測部２００は、マスタ生成部１００によって生成された患者増減率パターンマスタ３３０を用いて、予測対象の医療機関の来院患者数を予測する。そして、患者数予測部２００は、予測対象の医療機関に、その予測した患者数（以下「予測患者数」という）を通知する。これにより、予測対象の医療機関は、当日以降の予測患者数を知ることができる。なお、患者数予測部２００の詳細については後述する。
＜パターンマスタ生成部の詳細＞
図２Ａ、図２Ｂを参照して、パターンマスタ生成部１０１の詳細について説明する。
図２Ａ、図２Ｂを参照して、パターンマスタ生成部１０１の詳細について説明する。
図２Ａは、Ｎ＝５であり、相関項目が「天気」、「稼働」及び「曜日」である場合のパターンマスタ３１０の一例である。
相関項目「天気」について、相関項目値の取り得る値が「晴」、「雨」及び「曇」の３パターンであり、Ｎ＝５である場合、その組み合わせは、３５＝２４３パターンとなる。
相関項目「稼働」について、相関項目値の取り得る値が「稼働」及び「休診」の２パターンであり、Ｎ＝５である場合、その組み合わせは、２５＝３２パターンとなる。
相関項目「曜日」について、Ｎ＝５である場合、その組み合わせは、７パターンとなる。
したがって、Ｎ＝５であり、相関項目が「天気」、「稼働」及び「曜日」である場合、パターンマスタ生成部１０１は、２４３×３２×７＝５４４３２パターンのパターンマスタ３１０を生成してよい。
なお、相関項目は「気温」であってもよい。この場合、図２Ｂに示すように、相関項目「気温」について、相関項目値の取り得る値を、「０度から１０度」、「１０度から２０度」、「２０度から３０度」などのように、数値範囲として定義してよい。これは、相関項目値が数値である相関項目「気圧」などについても同様である。
また、図２Ａ、図２Ｂでは、パターンマスタ３１０が複数の相関項目を有しているが、パターンマスタ３１０は、１つの相関項目を有してもよい。
＜パターンマッチング部の詳細＞
図３のフローチャート、図４、図５及び図６を参照して、パターンマッチング部１０２の詳細について説明する。
図３のフローチャート、図４、図５及び図６を参照して、パターンマッチング部１０２の詳細について説明する。
パターンマッチング部１０２は、パターンマスタ生成部１０１によって生成された各パターンマスタ３１０について、Ｓ１０１〜Ｓ１０８を実行する。Ｓ１０１〜Ｓ１０８において処理の対象とするパターンマスタ３１０を「対象パターンマスタ」と呼ぶ。
Ｓ１０２として、パターンマッチング部１０２は、対象パターンマスタ３１０に含まれる相関項目に基づいて、疾患種別を決定する（Ｓ１０２）。
相関項目には、当該相関項目の相関項目値の変化が影響を与えると推定される（つまり相関があると推定される）疾患種別が関連付けられてよい。例えば、相関項目と疾患種別とは次のように関連付けられてよい。
・相関項目「天気」には、疾患種別「急性疾患系」が関連付けられている。
・相関項目「曜日」には、疾患種別「慢性疾患系」が関連付けられている。
・相関項目「気温」には、疾患種別「脳梗塞」及び「熱中症」が関連付けられている。
・相関項目「気圧」には、疾患種別「頭痛」が関連付けられている。
・相関項目「天気」には、疾患種別「急性疾患系」が関連付けられている。
・相関項目「曜日」には、疾患種別「慢性疾患系」が関連付けられている。
・相関項目「気温」には、疾患種別「脳梗塞」及び「熱中症」が関連付けられている。
・相関項目「気圧」には、疾患種別「頭痛」が関連付けられている。
次に、パターンマッチング部１０２は、各医療機関について、Ｓ１０３〜Ｓ１０７を実行する。Ｓ１０３〜Ｓ１０７において処理の対象とする医療機関を「対象医療機関」と呼ぶ。
Ｓ１０４として、パターンマッチング部１０２は、レセプトＤＢ３０から、対象医療機関における、対象パターンマスタ３１０にマッチングするＮ日間分のレセプトデータ４０を抽出する（Ｓ１０４）。レセプトデータ４０には、図４に例示するように、或る日における、病名別の来院患者数が記録されている。したがって、対象パターンマスタ３１０のｎ行目（ｎは１以上の整数）が、Ｎ日間分のレセプトデータ４０のうちのｎ日目のレセプトデータ４０と対応する。
Ｓ１０５として、パターンマッチング部１０２は、Ｓ１０４にて抽出したＮ日間分のレセプトデータ４０について、ｎ日目の疾患種別毎の患者数を算出する（Ｓ１０５）。
例えば、図２Ａに示すように、対象パターンマスタ３１０が相関項目「天気」を含む場合、相関項目「天気」に関連付けられている疾患種別「急性疾患系」に適合する患者数を算出する。例えば、図５に示すように、病名「感冒」、「急性上気道炎」及び「インフルエンザ」などが疾患種別「急性疾患系」に属するとする。この場合、パターンマッチング部１０２は、レセプトデータ４０のｎ日目（図４参照）における病名「感冒」、「急性上気道炎」及び「インフルエンザ」の患者数を合計して、ｎ日目における急性疾患系に属する患者数「３８」を算出する。
また、図２Ａに示すように、対象パターンマスタ３１０が相関項目「曜日」を含む場合、相関項目「曜日」に関連付けられている疾患種別「慢性疾患系」に適合する患者数を算出する。例えば、図５に示すように、病名「２型糖尿病性腎不全」及び「慢性胃腸炎」などが疾患種別「慢性疾患系」に属するとする。この場合、パターンマッチング部１０２は、レセプトデータ４０のｎ日目（図４参照）における「２型糖尿病性腎不全」及び「慢性胃腸炎」の患者数を合計して、ｎ日目における慢性疾患系に属する患者数「６１」を算出する。
Ｓ１０６として、パターンマッチング部１０２は、対象パターンマスタ３１０の１行目からＮ行目までの各ｎ行について、Ｓ１０５にて算出した各ｎ日目における疾患種別に適合する患者数の合計を関連付け、図６に示すような、対象医療機関の患者数パターンマスタ３２０を生成する（Ｓ１０６）。
パターンマッチング部１０２は、全ての医療機関（Ｓ１０７）、及び、全てのパターンマスタ３１０（Ｓ１０８）について処理を実行した後、本処理を終了する（ＥＮＤ）。
以上の処理により、医療機関毎の患者数パターンマスタ３２０が生成される。
＜患者増減率算出部の詳細＞
図７のフローチャート及び図８を参照して、患者増減率算出部１０３の詳細について説明する。
図７のフローチャート及び図８を参照して、患者増減率算出部１０３の詳細について説明する。
患者増減率算出部１０３は、各パターンマスタ３１０について、Ｓ２０１〜Ｓ２０４を実行する。Ｓ２０１〜Ｓ２０４において処理の対象とするパターンマスタ３１０を「対象パターンマスタ」と呼ぶ。
Ｓ２０２として、患者増減率算出部１０３は、対象パターンマスタ３１０が共通している各患者数パターンマスタ３２０について、各ｎ行目における疾患種別毎の患者数の増減率を算出する（Ｓ２０２）。
例えば、患者増減率算出部１０３は、図６に示すように、ｎ＝４行目の急性疾患系患者数が「２０人」、ｎ＝５行目の急性疾患系患者数が「４４人」である場合、ｎ行目における「急性疾患系」の患者増減率を、４４人／２０人×１００％＝２２０％と算出する。
Ｓ２０３として、患者増減率算出部１０３は、Ｓ２０２にて算出した、各患者数パターンマスタ３２０の各ｎ行目における疾患種別毎の患者増減率に基づいて、対象パターンマスタ３１０に適合する患者増減率パターンマスタ３３０を生成する（Ｓ２０３）。
例えば、或る患者数パターンマスタ３２０のｎ行目の急性疾患系の患者増減率が「２２０％」、パターンマスタ３１０が共通している別の患者数パターンマスタ３２０のｎ行目の急性疾患系の患者増減率が「１８０％」である場合、患者増減率算出部１０３は、次のように患者増減率を算出してよい。すなわち、患者増減率算出部１０３は、患者増減率パターンマスタ３３０のｎ行目の急性疾患系の患者増減率を、２２０％と１８０％の平均値である２００％と算出してよい。図８は、このようにして生成された患者増減率パターンマスタ３３０の一例である。
患者増減率算出部１０３は、全てのパターンマスタ３１０について処理を実行した後（Ｓ２０４）、本処理を終了する（ＥＮＤ）。
以上の処理により、パターンマスタ３１０毎の患者増減率パターンマスタ３３０が生成される。
なお、上述の処理において、各医療機関の患者増減率を算出し、各医療機関の患者増減率を平均して患者増減率パターンマスタ３３０の患者増減率を算出しているのは、次の理由による。各医療機関の患者数パターンマスタ３２０の患者数を合計した後、患者増減率を算出した場合、大規模な医療機関の患者数の増減の影響力が大きくなり過ぎ、小規模な医療機関の患者数の増減の影響力が小さくなり過ぎる可能性があるためである。
ただし、上述の算出方法は一例であり、各医療機関の患者数パターンマスタ３２０の患者数を合計した後で、患者増減率を算出してもよい。また、上述では、各医療機関の患者増減率を平均して、患者増減率パターンマスタ３３０の患者増減率を算出しているが、他の統計手法によって患者増減率パターンマスタ３３０の患者増減率を算出してもよい。
また、患者増減率算出部１０３は、Ｓ２０２において、患者数パターンマスタ３２０に応じて、重み付けを行ってもよい。例えば、患者増減率算出部１０３は、患者数パターンマスタ３２０に対応する医療機関の規模、地域（立地）、診療科などに応じて重み付けを行ってもよい。
＜患者数予測部の詳細＞
図９のフローチャート及び図１０を参照して、患者数予測部２００の詳細について説明する。
図９のフローチャート及び図１０を参照して、患者数予測部２００の詳細について説明する。
Ｓ３０１として、患者数予測部２００は、予測対象の医療機関における、（Ｎ−１）日前から当日までのＮ日間分の相関項目値を取得する（Ｓ３０１）。
相関項目「天気」を使用する場合、患者数予測部２００は、Ｎ日間分の天気情報３６０を取得する。患者数予測部２００は、前日までの天気情報３６０を、過去の天気情報３６０を提供する所定のサーバから取得し、当日の天気情報３６０を、当日の天気予報を提供する所定のサーバから取得してよい。
相関項目「稼働」を使用する場合、患者数予測部２００は、レセプトＤＢ３０から、予測対象の医療機関のＮ日間分の稼働情報を取得してよい。或いは、予測対象の医療機関が、稼働情報を直接入力してもよい。
Ｓ３０２として、患者数予測部２００は、Ｓ３０１にて取得したＮ日間分の相関項目値のパターンと適合する患者増減率パターンマスタ３３０を特定する（Ｓ３０２）。
例えば、図１０に示すように、Ｓ３０１にて取得したＮ日間分の天気情報３６０が、「晴」、「晴」、「雨」、「雨」、「曇」であり、稼働情報が「稼働」、「休診」、「稼働」、「稼働」、「稼働」であり、曜日が「火」、「水」、「木」、「金」、「土」である場合、患者数予測部２００は、相関項目値がこれら全てのパターンに適合する患者増減率パターンマスタ３３０を特定する。
Ｓ３０３として、患者数予測部２００は、レセプトＤＢ３０から、予測対象の医療機関のＮ−１日前から１日前までの各日の疾患種別毎の患者数を取得する（Ｓ３０３）。この疾患種別は、患者増減率パターンマスタ３３０における疾患種別と共通である。
Ｓ３０４として、患者数予測部２００は、Ｓ３０２にて特定した患者増減率パターンマスタ３３０と、Ｓ３０３にて抽出したＮ−１日前から１日前までの各日の患者数とに基づいて、当日の予測患者数を算出する（Ｓ３０４）。
例えば、図１０に示すように、予測対象の医療機関の１日前の急性疾患系の患者数が「２０人」であり、患者増減率パターンマスタ３３０の当日に対応する急性疾患系の患者増減率が「２００％」である場合、患者数予測部２００は、当日の急性疾患系の患者数を、２０人×２００％＝４０人と予測する。
例えば、患者数予測部２００は、予測対象の医療機関の（Ｎ−１）日前から１日前まで（Ｎ＝２の場合は１日前のみ）の慢性疾患系の患者数に基づいて、当日の慢性疾患系の患者数を、例えば５０人と予測する。なお、患者数予測部２００は、予測対象の医療機関において慢性疾患系で通院或いは予約している患者数に基づいて、当日の慢性疾患系の患者数を予測してもよい。
そして、患者数予測部２００は、急性疾患系の予測患者数「４０人」と、慢性疾患系の予測患者数「５０人」とを合計し、当日の予測患者数３４０を「９０人」と算出する。なお、慢性疾患系の予測患者数は、天気のパターンに基づいて予測されなくてよい。例えば、慢性疾患系の予測患者数は、曜日のパターンに基づいて予測されてよい。慢性疾患系の患者は、特定の曜日に来院するパターンが考えられるためである。
Ｓ３０５として、患者数予測部２００は、Ｓ３０４にて算出した当日の予測患者数３４０を、予測対象の医療機関（ＰＣ等）へ送信し（Ｓ３０５）、本処理を終了する（ＥＮＤ）。
これにより、予測対象の医療機関は、当日の予測患者数３４０を知ることができる。
＜本実施の形態のまとめ＞
本実施の形態では、医療機関支援装置は、所定の連続するＮ（Ｎは２以上の整数）日間における天気のパターンと来院患者数の増減率とを関連付けて患者増減率パターンマスタを生成するマスタ生成部１００と、来院患者数の予測対象の医療機関におけるＮ日間の天気のパターンが適合する患者増減率パターンマスタを特定し、当該特定した患者増減率パターンマスタと、当該予測対象の医療機関の当該Ｎ日間の最終日前までの来院患者数と、に基づいて、当該予測対象の医療機関の当該Ｎ日間の最終日の来院患者数を予測する患者数予測部２００と、を備える。
本実施の形態では、医療機関支援装置は、所定の連続するＮ（Ｎは２以上の整数）日間における天気のパターンと来院患者数の増減率とを関連付けて患者増減率パターンマスタを生成するマスタ生成部１００と、来院患者数の予測対象の医療機関におけるＮ日間の天気のパターンが適合する患者増減率パターンマスタを特定し、当該特定した患者増減率パターンマスタと、当該予測対象の医療機関の当該Ｎ日間の最終日前までの来院患者数と、に基づいて、当該予測対象の医療機関の当該Ｎ日間の最終日の来院患者数を予測する患者数予測部２００と、を備える。
当該構成によれば、天気のパターンに基づいて、当日以降の来院患者数を予測することができるため、来院患者数の予測の精度が向上し得る。その結果として、医療機関は混雑状況を予測したうえで人員配置を行ったり、事前準備を行ったりすることが可能となるため、医療サービスの質を向上させることができる
＜ハードウェア構成＞
以上、本開示に係る実施形態について図面を参照して詳述してきたが、上述した医療機関支援装置１０の機能は、コンピュータプログラムにより実現され得る。
以上、本開示に係る実施形態について図面を参照して詳述してきたが、上述した医療機関支援装置１０の機能は、コンピュータプログラムにより実現され得る。
図１１は、医療機関支援装置１０の機能をプログラムにより実現するコンピュータのハードウェア構成を示す図である。このコンピュータ２１００は、キーボード又はマウス、タッチパッドなどの入力装置２１０１、ディスプレイ又はスピーカーなどの出力装置２１０２、ＣＰＵ（Central Processing Unit）２１０３、ＲＯＭ（Read Only Memory）２１０４、ＲＡＭ（Random Access Memory）２１０５、ハードディスク装置又はＳＳＤ（Solid State Drive）などの記憶装置２１０６、ＤＶＤ−ＲＯＭ（Digital Versatile Disk Read Only Memory）又はＵＳＢ（Universal Serial Bus）メモリなどの記録媒体から情報を読み取る読取装置２１０７、ネットワークを介して通信を行う送受信装置２１０８を備え、各部はバス２１０９により接続される。
そして、読取装置２１０７は、上記各装置の機能を実現するためのプログラムを記録した記録媒体からそのプログラムを読み取り、記憶装置２１０６に記憶させる。あるいは、送受信装置２１０８が、ネットワークに接続されたサーバ装置と通信を行い、サーバ装置からダウンロードした上記各装置の機能を実現するためのプログラムを記憶装置２１０６に記憶させる。
そして、ＣＰＵ２１０３が、記憶装置２１０６に記憶されたプログラムをＲＡＭ２１０５にコピーし、そのプログラムに含まれる命令をＲＡＭ２１０５から順次読み出して実行することにより、上記各装置の機能が実現される。
例えば、図１に示す、マスタ生成部１００、パターンマスタ生成部１０１、パターンマッチング部１０２、患者増減数算出部１０３、及び患者数予測部２００は、医療機関支援装置１０が備えるＣＰＵ２１０３にて実行されるプログラムであってもよい。また、図１に示す記憶部２０は、ＲＡＭ２１０５及び／又は記憶装置２１０６によって構成されてよい。
上記の実施の形態の説明に用いた各機能ブロックは、典型的には集積回路であるＬＳＩとして実現される。これらは個別に１チップ化されてもよいし、一部または全てを含むように１チップ化されてもよい。ここでは、ＬＳＩとしたが、集積度の違いにより、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。
また、集積回路化の手法はＬＳＩに限るものではなく、専用回路または汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Field Programmable Gate Array）、又は、ＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。
さらには、半導体技術の進歩または派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。バイオ技術の適用等が可能性としてありえる。
本開示の一態様は、医療機関を支援する装置、方法、及びコンピュータプログラムなどに有用である。
１０ 医療機関支援装置
２０ 記憶部
３０ レセプトＤＢ
１００ マスタ生成部
１０１ パターンマスタ生成部
１０２ パターンマッチング部
１０３ 患者増減率算出部
２００ 患者数予測部
２０ 記憶部
３０ レセプトＤＢ
１００ マスタ生成部
１０１ パターンマスタ生成部
１０２ パターンマッチング部
１０３ 患者増減率算出部
２００ 患者数予測部
Claims (5)
- 所定の連続するＮ（Ｎは２以上の整数）日間における天気のパターンと来院患者数の増減率とを関連付けて患者増減率パターンマスタを生成するマスタ生成部と、
来院患者数の予測対象の医療機関におけるＮ日間の天気のパターンが適合する患者増減率パターンマスタを特定し、当該特定した患者増減率パターンマスタと、当該予測対象の医療機関の当該Ｎ日間の最終日前までの来院患者数と、に基づいて、当該予測対象の医療機関の当該Ｎ日間の最終日の来院患者数を予測する患者数予測部と、
を備える、
医療機関支援装置。 - 前記来院患者数の増減率は、天気の変化が影響を与える疾患種別の疾患により来院した患者の数の増減率であり、
前記予測対象の医療機関のＮ日間の最終日前までの来院患者数は、天気と相関を有する疾患種別の疾患により来院した患者の数である、
請求項１に記載の医療機関支援装置。 - 前記マスタ生成部は、
前記所定のＮ日間における、前記天気のパターン、医療機関の稼働パターン及び曜日のパターンと、前記来院患者数の増減率とを関連付けて患者増減率パターンマスタを生成し、
前記患者数予測部は、
前記予測対象の医療機関における、Ｎ日間の天気のパターン、前記予測対象の医療機関の稼働パターン及び曜日のパターンが適合する患者増減率パターンマスタを特定する、
請求項１に記載の医療機関支援装置。 - 所定の連続するＮ（Ｎは２以上の整数）日間における天気のパターンと来院患者数の増減率とを関連付けて患者増減率パターンマスタを生成し、
来院患者数の予測対象の医療機関におけるＮ日間の天気のパターンが適合する患者増減率パターンマスタを特定し、当該特定した患者増減率パターンマスタと、当該予測対象の医療機関の当該Ｎ日間の最終日前までの来院患者数と、に基づいて、当該予測対象の医療機関の当該Ｎ日間の最終日の来院患者数を予測する、
医療機関支援方法。 - 所定の連続するＮ（Ｎは２以上の整数）日間における天気のパターンと来院患者数の増減率とを関連付けて患者増減率パターンマスタを生成し、
来院患者数の予測対象の医療機関におけるＮ日間の天気のパターンが適合する患者増減率パターンマスタを特定し、当該特定した患者増減率パターンマスタと、当該予測対象の医療機関の当該Ｎ日間の最終日前までの来院患者数と、に基づいて、当該予測対象の医療機関の当該Ｎ日間の最終日の来院患者数を予測する、
処理をコンピュータに実行させる、
医療機関支援プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018143308A JP7125300B2 (ja) | 2018-07-31 | 2018-07-31 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018143308A JP7125300B2 (ja) | 2018-07-31 | 2018-07-31 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020021197A true JP2020021197A (ja) | 2020-02-06 |
| JP7125300B2 JP7125300B2 (ja) | 2022-08-24 |
Family
ID=69588518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018143308A Active JP7125300B2 (ja) | 2018-07-31 | 2018-07-31 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7125300B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230160021A (ko) * | 2022-05-16 | 2023-11-23 | (주) 에스알포스트 | 기상 정보에 기반한 일별 환자 수 예측 방법 및 장치 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005115782A (ja) * | 2003-10-09 | 2005-04-28 | Terumo Corp | 患者数予測システム |
| JP2007141165A (ja) * | 2005-11-22 | 2007-06-07 | Chugoku Electric Power Co Inc:The | 予約時間案内システム、予約時間案内方法、及びプログラム |
| JP2014182520A (ja) * | 2013-03-18 | 2014-09-29 | Fujitsu Ltd | 情報処理プログラム、情報処理方法および情報処理装置 |
-
2018
- 2018-07-31 JP JP2018143308A patent/JP7125300B2/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005115782A (ja) * | 2003-10-09 | 2005-04-28 | Terumo Corp | 患者数予測システム |
| JP2007141165A (ja) * | 2005-11-22 | 2007-06-07 | Chugoku Electric Power Co Inc:The | 予約時間案内システム、予約時間案内方法、及びプログラム |
| JP2014182520A (ja) * | 2013-03-18 | 2014-09-29 | Fujitsu Ltd | 情報処理プログラム、情報処理方法および情報処理装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230160021A (ko) * | 2022-05-16 | 2023-11-23 | (주) 에스알포스트 | 기상 정보에 기반한 일별 환자 수 예측 방법 및 장치 |
| KR102686347B1 (ko) | 2022-05-16 | 2024-07-19 | (주)에스알포스트 | 기상 정보에 기반한 일별 환자 수 예측 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7125300B2 (ja) | 2022-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Obradovich et al. | Empirical evidence of mental health risks posed by climate change | |
| Ward et al. | Estimating the impact of the COVID-19 pandemic on diagnosis and survival of five cancers in Chile from 2020 to 2030: a simulation-based analysis | |
| Deng et al. | Cola-GNN: Cross-location attention based graph neural networks for long-term ILI prediction | |
| Wagenaar et al. | The 2014–2015 Ebola virus disease outbreak and primary healthcare delivery in Liberia: Time-series analyses for 2010–2016 | |
| McCarthy et al. | Crowding delays treatment and lengthens emergency department length of stay, even among high-acuity patients | |
| Viera | Odds ratios and risk ratios: what's the difference and why does it matter? | |
| Raftery et al. | Bayesian probabilistic population projections for all countries | |
| Soyiri et al. | An overview of health forecasting | |
| Wargon et al. | A systematic review of models for forecasting the number of emergency department visits | |
| Hempstead et al. | The fragmentation of hospital use among a cohort of high utilizers: implications for emerging care coordination strategies for patients with multiple chronic conditions | |
| Kulstad et al. | Overcrowding is associated with delays in percutaneous coronary intervention for acute myocardial infarction | |
| Fitzgerald et al. | A Queue‐Based Monte Carlo Analysis to Support Decision Making for Implementation of an Emergency Department Fast Track | |
| Zlotnik et al. | Building a decision support system for inpatient admission prediction with the Manchester triage system and administrative check-in variables | |
| Cafri et al. | Predicting risk for adverse health events using random forest | |
| Gayawan | A Poisson regression model to examine spatial patterns in antenatal care utilisation in Nigeria | |
| Bai et al. | Prevalence, incidence and mortality of hypertrophic cardiomyopathy based on a population cohort of 21.9 million in China | |
| CN104969251A (zh) | 综合医疗保健数据生成 | |
| Angelo et al. | Demand forecast and optimal planning of intensive care unit (ICU) capacity | |
| Elalouf et al. | An alternative scheduling approach for improving emergency department performance | |
| Kim et al. | Impact of health insurance status changes on healthcare utilisation patterns: a longitudinal cohort study in South Korea | |
| Huang et al. | Demands for perimenopausal health care in women aged 40 to 60 years—a hospital-based cross-sectional study in Shanghai, China | |
| CN104424361A (zh) | 自动定义热存储和大工作负载 | |
| Hsia et al. | Is emergency department crowding associated with increased “bounceback” admissions? | |
| Hiatt et al. | Epidemiology and control of tuberculosis in the Western Pacific Region: analysis of 2012 case notification data | |
| JP2020021197A (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 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20190704 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20191107 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210713 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220524 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220524 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220620 |
|
| 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: 20220809 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220812 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7125300 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |