JP2020042761A - 治療経路分析および管理プラットフォーム - Google Patents

Abstract

【課題】治療経路分析および管理プラットフォームを提供する。【解決手段】治療経路分析を実行し、リソースを管理するためのシステム１００は、ネットワーク１０６を介し、病院情報システムのコンピューティング装置１０４と通信することができるサービスコンピューティング装置１０２を含む。サービスコンピューティング装置１０２は、治療経路の視覚化、治療経路についての予測リスクプロファイルを表示するディスプレイ１１８をさらに含む。病院情報システムコンピューティング装置１０４は、様々な種類のデータをデータ管理プログラム１２０に送信することができる。【選択図】図１

Description

本発明は、概して、コンピュータ技術に関する。

臨床経路とも呼ばれる治療経路は、治療プロセスに標準化を提供することによってヘルスケアにおける品質を管理するために使用される。単一の治療経路は、関与する専門家による様々な最適化された介入治療が証拠に基づいて定義されている、患者の特定のグループについていくつかのトピックに関する複数の臨床ガイドラインを参照することができる。患者の治療のための治療経路の使用は、臨床診療における変動を減少させ、患者に対する結果を全体的に改善することを示している。例えば、治療経路は、治療管理を標準化し、患者の治療におけるリスク、重複、および変動を減らすことによって臨床プロセスを改善するために使用することができる。

個々の患者ごとに、適切に考えられた治療経路は、多くの異なる専門分野と看護機能との間の相乗効果を提供することができ、この特定の患者に「類似する」患者にとって最良の方法であると思われる予測可能な行動を含み得る。しかしながら、個人の治療には多数の変動の可能性があるために、最も効果的な治療経路を決定することは困難である。治療経路の使用は、急性治療および在宅治療などの様々な状況における結果を最適化することができ、そして病院再入院、患者の病気再発などの発生率を減少させるのに役立ち得る。さらに、治療経路を使用することによって、様々な高価なヘルスケアリソースを管理することを通じて患者治療の効率を改善することができる。

いくつかの実施形態は、システムが過去の複数の患者の入院に対する複数の治療経路パターンに基づいて複数の治療経路患者プロファイルモデルを生成することができる構成および技術を含む。例えば、各治療経路患者プロファイルモデルは、訓練された分類子を含み得る。さらに、システムは、新しい患者の入院に関連する情報を受け取り、新しい患者の入院に関連する受け取った情報から特徴を生成することができる。システムは、新しい患者の入院に関連する受け取った情報から生成された特徴を複数の治療経路患者プロファイルモデルに入力して、各治療経路を経験した患者との類似性の量に基づいてそれぞれの治療経路に分類されるそれぞれの確率を得ることができる。さらに、システムは、グラフィカルユーザインターフェース（ＧＵＩ）内の少なくとも１つの治療経路パターンに関連する情報をディスプレイに提示することができる。

詳細な説明は、添付の図面を参照して説明される。図面において、参照番号の左端の数字は、その参照番号が最初に現れる図を特定する。異なる図における同じ参照番号の使用は、類似のまたは同一のアイテムまたは特徴を示す。

いくつかの実施形態による、治療経路分析を実行しリソースを管理するためのシステムの例示的アーキテクチャを示す図である。 いくつかの実施形態による、患者のグループについてのマイニングされた治療経路パターンの例示的なデータ構造を示す図である。 いくつかの実施形態による、入院および治療経路の関連付けの例示的なデータ構造を示す図である。 いくつかの実施形態による、再入院をもたらす結果の例示的なデータ構造を示す図である。 いくつかの実施形態による、例示的な特徴の例示的なデータ構造を示す図である。 いくつかの実施形態による、生成された特徴を有する例示的な入院の例示的なデータ構造を示す図である。 いくつかの実施形態による、頻度に基づいて治療経路をクラスタ化するための例示的なプロセスを示す流れ図である。 いくつかの実施態様による、診断から処置への遷移を含む生起行列の例示的なデータ構造を示す図である。 いくつかの実施態様による、図８の生起行列の例示的なヒートマップを示す図である。 いくつかの実施態様による、バイクラスタ化の後の図８の生起行列の例示的なデータ構造を示す図である。 いくつかの実施形態による、バイクラスタ化の後の図１０の生起行列の例示的なヒートマップを示す図である。 いくつかの実施形態による、バイクラスタ化を使用して生成された特徴を有する入院の例示的なデータ構造を示す図である。 いくつかの実施形態による、バイクラスタ化のための例示的なプロセスを示す流れ図である。 いくつかの実施形態による、治療経路患者プロファイルモデルを生成するための例示的なプロセスを示す流れ図である。 いくつかの実施形態による、比較有効性分析の例示的な視覚化を示す図である。 いくつかの実施形態による、バイナリ予測アプリケーションのための訓練段階のための例示的なプロセスを示す流れ図である。 いくつかの実施形態による、バイナリ予測アプリケーションの予測段階のための例示的なプロセスを示す流れ図である。 いくつかの実施形態による、入院期間（ＬＯＳ）予測のための例示的なプロセスを示す流れ図である。 いくつかの実施形態による、次の医療介入を決定するための例示的なプロセスを示す流れ図である。 いくつかの実施形態による、次の医療介入のための比較有効性分析の視覚化を含む例示的なＧＵＩを示す図である。 いくつかの実施形態による、予測リソース利用率を決定するための例示的なプロセスを示す流れ図である。

本明細書におけるいくつかの実施形態は、治療経路を決定し、患者のリスクを予測し、関連するリソースを管理するための分析アプリケーションを提供する治療経路分析プラットフォームのための技術および構成を対象としている。例えば、治療経路は、治療経路内の固有のパターンを発見するためにデータマイニングおよび機械学習技術を使用して集団レベルで分析されてもよい。さらに、本明細書の技術は、ユーザが、病院の再入院、入院後発生合併症、入院期間、死亡の可能性などの様々なリスクとの個々の治療経路の関連付けを決定し視覚化することを可能にする。したがって、本明細書の実施形態は、各治療経路を経験した患者と類似していると分類された患者のそれぞれの確率を決定するために機械学習の使用に基づいて新たに入院した患者をその患者に最適な治療経路とマッチングする問題を解決できる。例えば、確率が高ければ高いほど、その患者は特定の治療経路を経験したことのある患者と同様の結果をもたらす可能性が高い。さらに、１つまたは複数の治療経路および関連する結果の比較視覚化を提供することができるＧＵＩを使用することによって、医療専門家は、新しい患者ごとに最適な治療経路を教育的かつ包括的に決定するために本明細書のシステムを使用することができる。

治療経路分析プラットフォームは、治療経路を決定し、データ管理プログラム、データマイニングプログラム、およびコア分析プログラムなどの複数の予測および処方分析アプリケーションを可能にし、分析アプリケーションに情報を提供するための１つまたは複数のプログラムを含み得る。例えば、データ管理プログラムは、複数の異なる健康情報システムからデータを受け取って統合することができ、さらに、受け取ったデータに対してデータ前処理、正規化などを実行することができる。

データマイニングプログラムは、頻度に基づいて治療経路を決定し、個々のデータソースから特徴を生成するために、頻出パターンマイニング技術を治療経路データに適用することができる。さらに、データマイニングプログラムは、病院の再入院、入院後発生合併症（ＨＡＣ）、および入院期間（ＬＯＳ）など、関心のある治療結果を要約することができる。コア分析プログラムは、治療経路パターン認識モジュール、治療経路患者プロファイルモデルビルダ、および治療経路比較有効性分析ロジックを含み得る。

コア分析プログラムは、予測分析アプリケーションおよび／または処方分析アプリケーションと相互作用することができる。例えば、予測分析アプリケーションは、院内感染予測アプリケーション、病院再入院予測アプリケーション、救急部門の来院予測アプリケーション、および／または入院期間予測アプリケーションを含み得る。さらに、処方分析アプリケーションは、病院用ベッド管理ロジック、スタッフ計画ロジック、および次の医療介入推奨ロジックを含み得る。これらの機能のそれぞれは、以下にさらに詳細に説明される。

さらに、本明細書のいくつかの例は、治療経路分析プラットフォーム上で重要な分析アプリケーションを実行するための複数の技術を提供する。したがって、本明細書の治療経路分析プラットフォームは、患者が経験した介入治療の全体像を提供し、様々な分析アプリケーションが、そうでなければ分離されたデータを患者にとって適切な治療経路を決定するための動作に変えることを可能にする。例えば、プラットフォームは、再入院などの関心のある結果と高度に相関する治療経路パターンを分析することができる。さらに、治療経路分析プラットフォームは、データマイニングおよび機械学習ベースの分析を使用して、いくつかの異なるデータソースにわたるパターンを分析し、治療経路患者プロファイルモデルを構築し、次の介入行動を推奨することなどによって、患者リスクを軽減し、病院または他のヘルスケア組織の業務を改善し得る。

いくつかの例では、治療経路分析プラットフォームは、電子健康記録（ＥＨＲ）システム、入院、退院、転院（ＡＤＴ）システム、登録および請求システム、臨床情報システム、病院リソース管理システムなどの複数の多様な健康情報システムからのデータを統合することができる。データ統合プロセスは分析指向であり得る。さらに、治療経路分析プラットフォームによってサポートされる分析アプリケーションは、院内感染リスク予測、病院再入院リスク予測、救急部門の来院予測、入院期間（ＬＯＳ）予測、次の医学的介入推奨、病院用ベッド管理、スタッフ計画を含み得るがこれらに限定されない。

いくつかの実施形態では、システムは、複数の過去の患者の入院についての複数の治療経路パターンに基づいて複数の治療経路患者プロファイルモデルを生成することができる。例えば、各治療経路患者プロファイルモデルは、治療経路を経験した患者の主な特徴を表す訓練された分類子を含み得る。さらに、システムは、新たな患者の入院に関する情報を収集および分析することができ、新たな患者の入院に関する収集情報から特徴を生成することができる。システムは、新しい患者の入院に関する収集情報から生成された特徴を複数の治療経路患者プロファイルモデルに入力して、各治療経路を経験した患者と類似するそれぞれの確率を得ることができる。システムは、生成された確率を使用して、新しい患者の入院に対して可能な限り最良の次の介入治療を決定することができる。さらに、システムは、複数の治療経路におけるパターンおよびリスクを分析し、分析したパターンを複数の予測モデルに入力して、患者のリスクを軽減し、患者の入院期間を予測するのを助けることができる。システムは、ヘルスケアリソースを管理する際に使用するために、予測された入院期間をヘルスケアリソース管理システムに入力することができる。さらに、システムは、少なくとも１つの治療経路パターンに関連する情報をディスプレイ上のグラフィックユーザインターフェース（ＧＵＩ）に提示することができる。

本明細書に記載のプラットフォームおよびシステムは、スタンドアロンソリューションとして使用することができ、または病院ケア管理および運営管理のために他の機能を提供する既存のシステムと統合することができる。説明の目的で、いくつかの例示的な実施形態は、患者に適した治療経路を決定し、対応する視覚化をユーザインターフェースに提供する１つまたは複数のコンピューティング装置の環境で説明されている。しかしながら、本明細書における実施形態は、提供された特定の例に限定されず、本明細書の開示に照らして当業者が理解することができるように、他のタイプのデータ分析技術、他のタイプのヘルスケア環境、他のシステムアーキテクチャ、他のグラフィック効果などに拡張することができる。

図１は、いくつかの実施形態による、治療経路分析を実行し、リソースを管理するためのシステム１００の例示的アーキテクチャを示す。システム１００は、１つまたは複数のネットワーク１０６を介するなどして、１つまたは複数の病院情報システムのコンピューティング装置１０４と通信することができる少なくとも１つのサービスコンピューティング装置１０２を含む。いくつかの例では、サービスコンピューティング装置１０２および／または病院情報システムコンピューティング装置１０４は、１つまたは複数のサーバ、パーソナルコンピュータ、または任意の数の方法で具現化され得る他のタイプのコンピューティング装置を含み得る。例えば、パーソナルコンピュータの場合、プログラム、他の機能構成要素、およびデータ記憶装置の少なくとも一部は、パーソナルコンピュータ上で実装されてもよく、および／またはクラウドベースのストレージ、クラウドベースの処理などを介してネットワークロケーションで部分的に実装されてもよい。あるいは、サーバの場合、プログラム、他の機能構成要素、およびデータ記憶装置の少なくとも一部は、他のコンピュータアーキテクチャを追加的または代替的に使用することができるが、スタンドアロンサーバなどの少なくとも１つのサーバ、またはサーバクラスタの中の１つまたは複数のサーバ、サーバファームまたはデータセンター、クラウドホストコンピューティングサービスなどに実装することができる。

図示の例では、サービスコンピューティング装置１０２は、１つまたは複数のプロセッサ１１２、１つまたは複数の通信インターフェース（Ｉ／Ｆ）１１４、１つまたは複数のコンピュータ可読媒体１１６、およびディスプレイ１１８を含むか、またはそれらと関連付けられ得る。各プロセッサ１１２は、単一の処理ユニットまたは複数の処理ユニットとすることができ、単一または複数のコンピューティングユニット、または複数の処理コアを含み得る。プロセッサ１１２は、１つまたは複数の中央処理装置、マイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタル信号プロセッサ、状態機械、論理回路、グラフィック処理装置、システムオンチップ、および／または動作命令に基づいて信号を操作する任意の装置として実装することができる。例えば、プロセッサ１１２は、本明細書に記載のアルゴリズムおよびプロセスを実行するように特別にプログラムまたは構成された任意の適切なタイプの１つまたは複数のハードウェアプロセッサおよび／または論理回路とすることができる。プロセッサ１１２は、コンピュータ可読媒体１１６に格納された、本明細書に記載の機能を実行するようにプロセッサ１１２をプログラムすることができるコンピュータ可読命令を取り出して実行するように構成されてもよい。

コンピュータ可読媒体１１６は、コンピュータ可読命令、データ構造、プログラムモジュール、または他のデータなどの情報を記憶するための任意のタイプの技術で実装された揮発性および不揮発性メモリおよび／または削除可能および削除不可能な媒体を含み得る。例えば、コンピュータ可読媒体１１６は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ、または他のメモリ技術、光記憶装置、固体記憶装置、磁気テープ、磁気ディスク記憶装置、ＲＡＩＤ記憶システム、記憶アレイ、ネットワーク接続ストレージ、ストレージエリアネットワーク、クラウドストレージ、所望の情報を格納するために使用することができ、かつコンピューティングデバイスによってアクセスすることができる任意の他の媒体を含むことができるが、それらに限定されない。サービスコンピューティング装置１０２の構成に応じて、コンピュータ可読媒体１１６は、言及される場合、エネルギー、搬送波信号、電磁波、および／または信号自体などの媒体を除外する非一時的コンピュータ可読媒体である限りにおいて、有形の非一時的媒体であり得る。場合によっては、コンピュータ可読媒体１１６は、サービスコンピューティング装置１０２と同じ場所にあってもよいが、他の例では、コンピュータ可読媒体１１６は、サービスコンピューティング装置１０２から部分的に離れていてもよい。

コンピュータ可読媒体１１６は、プロセッサ１１２によって実行可能な任意の数の機能構成要素を格納するために使用することができる。多くの実施形態では、これらの機能構成要素は、プロセッサ１１２によって実行可能であり、実行されると、サービスコンピューティングデバイス１０２への本明細書に起因する動作を実行するようにプロセッサ１１２を具体的にプログラムする命令またはプログラムを含む。コンピュータ可読媒体１１６に格納されている機能構成要素は、データ管理プログラム１２０、データマイニングプログラム１２２、コア分析プログラム１２４、１つまたは複数の予測分析アプリケーション１２６、および１つまたは複数の処方分析アプリケーション１２８、を含むことができ、これらのそれぞれについては以下でさらに説明する。

サービスコンピューティング装置１０２のコンピュータ可読媒体１１６内に維持される追加の機能構成要素は、サービスコンピューティング装置１０２の様々な機能を制御および管理することができるオペレーティングシステム（図１には示されていない）を含み得る。場合によっては、機能構成要素は、コンピュータ可読媒体１１６の記憶部分に格納され、コンピュータ可読媒体１１６のローカルメモリ部分にロードされ、１つまたは複数のプロセッサ１１２によって実行されてもよい。多数の他のソフトウェアおよび／またはハードウェア構成は、本明細書の開示の恩恵を受ける当業者に明らかであろう。

さらに、コンピュータ可読媒体１１６は、本明細書に記載の機能およびサービスを実行するために使用される複数のデータ構造１３０を含み得るデータを記憶することができる。例えば、コンピュータ可読媒体１１６は、病院情報システムコンピューティング装置１０４から受信したデータを格納することができ、テーブル、データベース、ヒートマップ、および受信データから生成され得るような他のデータ構造を格納することができる。さらに、コンピュータ可読媒体１１６は、受信データおよびデータ構造１３０を使用して生成および訓練することができる１つまたは複数の機械学習モデル１３２を記憶することができる。データ構造１３０および機械学習モデル１３２の追加の説明は以下に含まれる。

サービスコンピューティング装置１０２はまた、プログラム、ドライバなどを含み得る他の機能構成要素およびデータ、ならびに機能構成要素によって使用または生成される他のデータも含み得るかまたは維持し得る。さらに、サービスコンピューティング装置１０２は、他の多くの論理構成要素、プログラム構成要素、および物理構成要素を含むことができ、そのうちの上記のものは、本明細書の説明に関連する単なる例である。

サービスコンピューティング装置１０２は、治療経路の視覚化、１つまたは複数の選択された治療経路、および以下でさらに説明する選択された治療経路についての予測リスクプロファイル、を含むグラフィックユーザインターフェース（ＧＵＩ）（図１には示さない）を提示するためのディスプレイ１１８をさらに含むか、またはそうでなければディスプレイ１１８と通信し得る。医療専門家または他のユーザは、選択された患者および選択された医療施設、例えば病院または他の医療機関に対する最適な治療経路を決定するためにディスプレイ１１８上のＧＵＩを実行し対話する。

さらに、いくつかの例では、本明細書で説明される動作の第１の部分は、サービスコンピューティング装置１０２のうちの第１の部分によって実行することができ、動作の別の部分は、サービスコンピューティング装置１０２のうちの第２の部分によって実行することができる。一例として、１つまたは複数の第１のサービスコンピューティング装置１０２は、データ管理プログラム１２０、データマイニングプログラム１２２、およびコア分析プログラム１２４を実行し、１つまたは複数の第２のサービスコンピューティング装置１０２は、予測分析アプリケーション１２６および処方分析アプリケーション１２８を実行することができる。あるいは、もちろん、他の例では、単一のサービスコンピューティング装置１０２を使用することができる。多数の他の変形が本明細書の開示の利益を受ける当業者に明らかであろう。

通信インターフェース１１４は、１つまたは複数のネットワーク１０６を介するなどして他の様々な装置との通信を可能にするための１つまたは複数のインターフェースおよびハードウェア構成要素を含み得る。したがって、通信インターフェース１１４は、病院情報システムコンピューティング装置１０４と通信するためにネットワーク１０６への接続を提供する１つまたは複数のポートを含むか、または１つまたは複数のポートに結合することができる。例えば、通信インターフェース１１４は、１つまたは複数のＬＡＮ（ローカルエリアネットワーク）、ＷＡＮ（ワイドエリアネットワーク）、インターネット、ケーブルネットワーク、セルラーネットワーク、無線ネットワーク（例えばＷｉ−Ｆｉ）および有線ネットワーク（例えば、光ファイバ、イーサネット（登録商標）、ファイバチャネル）、直接接続、ならびに以下にさらに列挙されるようなＢＬＵＥＴＯＯＴＨ（登録商標）などの近距離通信のうちの１つまた複数を介した通信を可能にすることができる。

１つまたは複数のネットワーク１０６は、イントラネットなどのＬＡＮ、インターネットなどのＷＡＮ、セルラーネットワークなどの無線ネットワーク、Ｗｉ−Ｆｉなどのローカル無線ネットワーク、ＢＬＵＥＴＯＯＴＨ（登録商標）などの近距離無線通信、光ファイバ、イーサネット（登録商標）、ファイバチャネル、または他の任意のそのようなネットワークを含む有線ネットワーク、直接有線接続、またはそれらの任意の組み合わせ、を含む任意の種類のネットワークを含み得る。したがって、１つまたは複数のネットワーク１０６は、有線および／または無線通信技術の両方を含み得る。そのような通信に使用される構成要素は、ネットワークの種類、選択された環境、またはその両方に少なくとも部分的に依存し得る。そのようなネットワークを介して通信するためのプロトコルは周知であり、本明細書では詳細に説明しない。したがって、サービスコンピューティング装置１０２および病院情報システムコンピューティング装置１０４は、有線または無線接続、およびそれらの組み合わせを使用して１つまたは複数のネットワーク１０６を介して通信することができる。

いくつかの例では、病院情報システムコンピューティング装置１０４は、上述のサービスコンピューティング装置１０２と同様のハードウェア構成（図１には示さない）を有し得る。例えば、病院情報システムコンピューティング装置１０４は、上述のプロセッサ１１２の任意の例、上述の通信インターフェース１１４の任意の例、および上述のコンピュータ可読媒体１１６の任意の例を含み得る。

病院情報システムコンピューティング装置１０４は、様々な異なる病院情報システムのコンピューティング装置を含むことができ、そのいくつかの例は図１に示されている。したがって、図示の例では、病院情報システムコンピューティング装置１０４は、１つまたは複数の電子健康記録（ＥＨＲ）コンピューティング装置１３６、１つまたは複数の入院、退院、転院（ＡＤＴ）システムコンピューティング装置１３８、１つまたは複数の登録および請求システムコンピューティング装置１４０、１つまたは複数の臨床情報システムコンピューティング装置１４２、１つまたは複数の病院リソース管理システムコンピューティング装置１４４などを含む。

病院情報システムコンピューティング装置１０４は、様々な種類のデータをサービスコンピューティング装置１０２上で実行されているデータ管理プログラム１２０に送信することができる。データ管理プログラム１２０によって受信され得るデータの例には、電子健康記録システムコンピューティング装置１３６によって提供され得る個々の患者に関する詳細な患者データなどのＥＨＲ情報１４６、患者の入院および病院などからの退院に関連する入院、退院、転院システムコンピューティング装置１３８によって提供され得るＡＤＴ情報１４８、登録および請求システムコンピューティング装置１４０によって提供され得る登録および請求情報１５０、臨床情報システムコンピューティング装置１４２によって提供され得る個々の患者についてのラボ情報１５２、放射線情報１５４、手術情報１５６、および薬局情報１５８などの臨床情報、および病院リソース管理システムコンピューティング装置１４４によって提供され得る様々な病院リソースに関するリソース情報１６０が含まれる。

データ管理プログラム１２０は、医療機関に採用されている複数の健康情報システムコンピューティング装置１０４からデータ１４６−１６０を受信する。後述するように、受信データは、分析アプリケーション１２６および／または１２８によって使用され得る、特徴と呼ばれる候補予測子を導出するために使用され得る任意の情報を含み得る。データ管理プログラム１２０は、病院情報システムコンピューティング装置１０４からデータ１４６−１６０を受信することができ、受信したデータを１つまたは複数のデータ構造１３０に格納することができるデータ管理プログラム１２０のプログラムモジュールであり得るデータインジェスタ１６２を含み得る。

さらに、データ管理プログラム１２０は、様々な異なる健康情報システムコンピューティング装置から受信したデータを統合してソースに関係なくデータを一緒に使用することを可能にするデータ管理プログラム１２０のプログラムモジュールであり得るデータインテグレータ１６４を含み得る。例えば、データインテグレータ１６４は、複数の多様な健康情報システムからのデータを統合することができる。一例として、データがデータマイニングプロセスにおいて都合よく使用可能になる前に、異なるソースからのデータは、結合、マージ、相関付け、またはそうでなければ統合される必要があり得る。いくつかの例では、データ統合プロセスは、以下でさらに説明するように、分析指向であり得る。

さらに、データ管理プログラム１２０は、データタイプに応じて、受信データを様々な統一フォーマットなどに正規化してデータマイニングプログラム１２２によるデータのさらなる使用を可能にすることができるデータ管理プログラム１２０のプログラムモジュールであり得るデータノーマライザ１６６を含み得る。例えば、データ標準化、クレンジング、および他のタイプのデータ正規化を使用することができ、これは、組織内でのＥＨＲシステムの進化、人的要因（例えば異なる人々が同じ種類のデータをわずかに異なるように入力することがある）などに起因するデータフォーマットの相違などに対処することができる。例えば、ＭＳ−ＤＲＧ（医療重症度ＤＲＧ）またはＡＰＲ−ＤＲＧ（全患者向けＤＲＧ）などの異なる診断関連グループ（ＤＲＧ）コードを使用することができる。例えば、同じ病院などの同じ保健機関で診断および処置に国際疾病分類−９（ＩＣＤ−９）およびＩＣＤ−１０コードの両方を使用するのが一般的な場合がある。さらに、場合によっては、同じ種類のラボテスト結果に対して異なる単位を使用することができる。このような状況では、データ標準化および正規化が行われ、データから知識と洞察が得られる前に正確性が保証される。したがって、データノーマライザ１６６は、様々なソースからのデータを、特定のデータタイプに対して予め指定されていることがある（例えば指定された）正規化フォーマットに自動的に正規化することができる。

データマイニングプログラム１２２は、データ管理プログラム１２０によって記憶された統合正規化データを要約することができる。例えば、データマイニングプログラム１２２は、コア分析プログラム１２４によって実行されるコア分析の基礎として働く基礎データマイニングタスクを実行することができる。データマイニングプログラムは、３つのサブプログラム（プログラムモジュールとも呼ばれる）、すなわち治療経路マイナ１６８、結果ジェネレータ１７０および特徴ジェネレータ１７２を含み得る。

データマイニングプログラム１２２は、データ構造１３０内の受信データにアクセスするために治療経路マイナ１６８を実行することができる。治療経路マイナ１６８は、頻度シーケンシャルパターンマイニング技術をデータ構造１３０内の統合正規化データに適用して、患者のグループが受けた一連の臨床的介入を決定することができる。例えば、選択された患者のグループは、同じＤＲＧコードを有するか、さもなければ同じ分類基準によって、例えば１つまたは複数の特定の特徴を共通に有することによって定義される複数の患者であり得る。したがって、選択された患者のグループは、１つまたは複数のユーザ定義基準に基づいて、または１つまたは複数のデフォルト基準に基づいて構成可能であり得る。

ヘルスケアデータにおける固有の大きな変動は、治療経路パターンに関連するデータをマイニングするためのモデリングおよび計算上の課題を提起する。例えば、何千ものラボテスト、診断コード、手順コード、薬の種類などがある。さらに、同じ種類の介入事象であっても、患者は異なる期間および結果を経験する可能性がある。

治療経路マイナ１６８は、次の治療推奨、リスク予測および予防などのようなアクションを可能にする分析アプリケーション１２６の基礎を形成するためにデータをマイニングするように構成されてもよい。ヘルスケアデータの大量の変動に伴う１つの問題は、各イベントが対応する期間で記録された場合に、少数のインスタンスにのみ関連付けられた多数のパターンが生じることである。この問題を克服するために、治療経路マイナ１６８は、患者が入院中に経験する主な介入治療をカバーする研究→診断→処置のシーケンスとして治療経路をモデル化することができる。ラボ→診断→処置のシーケンスは、「フロー」と呼ばれることがあり、ラボ→診断、または診断→処置などのサブシーケンスは、「遷移」と呼ばれることがある。以下に説明する図２は、治療経路マイナ１６８によって決定された同じＤＲＧコードを有する患者のグループについてのマイニングされた治療経路パターンの例を示す。

さらに、治療経路マイナ１６８は、入院と治療経路パターンとの間の関連付けを決定し、この情報を別のデータ構造に格納するように構成されてもよい。以下に説明する図３は、入院と治療経路との間の関連付けを含む例示的なデータ構造を示す。

結果ジェネレータ１７０は、分析アプリケーション１２６および／または１２８によって使用され得る結果ベースの治療経路パターン分析を実行することができる。例えば、データマイニングプログラム１２２の結果ジェネレータ１７０は、分析ターゲットを決定するために実行されてもよい。分析ターゲットは、分析結果と呼ばれることがある。結果の例には、院内感染予測に使用することができる院内感染、病院の再入院リスク予測に使用することができる期間（例えば、３０日、６０日など）内の患者の再入院、およびＬＯＳ予測に使用することができる入院期間が含まれ得る。

本明細書におけるいくつかの例は、院内感染および再入院を表すためにバイナリ変数を使用することができる。すなわち、入院ごとに、患者が入院中に関心のある感染症のタイプを取得した場合、この入院についての対応する結果変数は１であり、そうでなければ０である。同様に、入院ごとに、退院後の所定期間内に患者が病院に再入院した場合、この入院についての対応する結果変数は１であり、そうでなければ０である。以下にさらに説明するように、図４は、再入院の結果データ構造の例を示す。さらに、入院期間は、退院日と入院日との間の差として計算することができ、結果変数はＹとして表すことができる。分析中のＫ回の入院については、ＹはＫの長さのベクトルとすることができる。

さらに、データマイニングプログラム１２２は、マイニングされたデータから特徴を抽出する特徴ジェネレータ１７２を含む。例えば、コア分析プログラムは、治療経路患者プロファイルモデルを構築するために抽出された特徴を使用することができる。治療経路患者プロファイルは、一組の患者特性と、各治療経路パターンに特有の特性間の相互作用とを含み得る。患者の特徴は、患者の人口統計情報、遺伝情報、健康歴、病歴などを含み得る。患者特性のうちの少なくともいくつかは、治療経路患者プロファイルモデルを生成および訓練するための特徴として使用することができる。性別や年齢に基づいたいくつかの単純なアドホック基準を使用するのではなく、治療経路患者プロファイルを使用すると、コア分析プログラムは、新たに入院した患者がどの治療経路を経験する可能性が最も高いかを正確に判断することができる。これは、医療専門家が次の介入治療を決定するのを助けるだけでなく、ベッド、スタッフ、機器、および他のリソースなどの病院リソースを管理するために病院を支援することもできる。治療経路患者プロファイルモデルは、決定された特徴に基づいて機械学習モデルとして生成され訓練されてもよい。治療経路患者プロファイルモデルを生成することのさらなる詳細は、コア分析プログラム１２４に関して以下に説明される。

コア分析プログラム１２４による治療経路患者プロファイルモデルの構築を容易にするために、データマイニングプログラム１２２の特徴ジェネレータ１７２は、各入院レベルで潜在的な患者の特性、すなわち特徴を生成することができる。特徴ジェネレータ１７２は、主に各個別のデータソース、例えばＥＨＲシステム、ＡＤＴシステム、臨床情報システムなどから特徴を生成することができる。これらは基本的特徴と呼ばれることがある。後述する図５は、データマイニングプログラム１２２の特徴ジェネレータ１７２によって生成された潜在的な特徴を含む例示的なデータ構造を示す。本明細書で論じられるように、図５の情報は、患者の各入院中に取得され得るか、そうでなければ患者の各入院に関連し得る情報である。各入院に関連し得る追加の情報は、入院の日時および各入院に関連するＤＲＧコードを含み得る。

治療経路関連特徴などのクロスデータソース特徴は、コア分析プログラム１２４に含まれる治療経路パターン認識モジュール１７４によって生成されてもよい。治療経路パターン認識モジュール１７４によって生成された特徴は、予測分析アプリケーション１２６によっても使用することができる。

コア分析プログラム１２４は、分析アプリケーション１２６および１２８をサポートする分析構成要素を含み得る。コア分析プログラム１２４は、予測に使用することができる治療経路パターン認識モジュール１７４、治療経路患者プロファイルモデルビルダ、および治療経路比較有効性分析モジュール１７８を含み得る。治療経路パターン認識モジュール１７４は、マイニングされた治療経路のパターンを決定し、決定されたパターンを予測分析アプリケーション１２６に使用するために実行されてもよい。例えば、治療経路パターン認識モジュール１７４は、以下でさらに説明される院内感染リスク予測アプリケーション１８０、病院再入院リスク予測アプリケーション１８２、救急部門の来院予測アプリケーション１８４、および／または入院期間（ＬＯＳ）予測アプリケーション１８６によって使用されてもよい。

いくつかの例では、マイニングされた治療経路は、関心のあるターゲットを予測するためのカテゴリ変数（例えば、院内感染、病院への再入院、救急部門の来院など）として扱われてもよい。本明細書の実施形態は、マイニングされた治療経路パターンに基づいて予測分析アプリケーション１２６に有用である特徴を生成するための２つの方法を含む。例えば、治療経路パターン認識モジュールは、２つのカテゴリの特徴、すなわちバイナリである第１のカテゴリ、およびマルチクラスである第２のカテゴリを生成することができる。シーケンス粒度に関しては、生成された特徴は、治療経路の各遷移と同様にフロー全体と関連し得る。バイナリ特徴については、治療経路パターン認識モジュール１７４は、治療経路の頻度に基づいて治療経路をクラスタ化することができる。マルチクラスカテゴリ特徴については、治療経路パターン認識モジュール１７４は、治療経路をグループにクラスタ化するためにバイクラスタ化技術を適用することができる。

バイナリ特徴について、治療経路パターン認識モジュール１７４は、治療経路を頻繁な治療経路とまれな治療経路とにクラスタ化することによって、治療経路の頻度に基づいて治療経路をクラスタ化することができる。場合によっては、これらは通常の治療経路および特別な治療経路に対応し得る。特定の治療経路パターンに関連する入院数が閾値数を超える場合、その治療経路パターンは頻繁に分類されることがあり、そうでなければ、その治療経路パターンはまれに分類される。異なるＤＲＧに基づくなど、様々な異なる患者のグループについては、異なる患者のグループに対する入院数が大幅に変化する可能性があるため、しきい値の数が異なり得る。患者の各グループに対する適切な閾値を決定するために、本明細書におけるいくつかの実施形態は、潜在的特徴と関心のある予測対象ｙとの間の相互情報、例えば再入院ラベルに基づく経験則を使用し得る。

一例として、選択された患者のグループについて、合計Ｋ回の入院があり、Ｋ回の入院は、対応する頻度ｆ_１、ｆ_２、ｆ_３、・・・、ｆ_ｎで、ｐ_１、ｐ_２、ｐ_３、・・・、ｐ_ｎで示されるｎ個の異なる治療経路パターンを通過したと仮定する。いくつかのマイニングされた経路パターンの例示的なデータ構造は、図２に関して以下で説明される。さらに、頻度数閾値ｔに対して、ｆ_ｉ≧ｔである場合、対応する治療経路パターンｐ_ｉは頻度として扱われる。ｆ_ｉ＜ｔの場合、対応するパターンｐ_ｉはめったにないものとして扱われる。頻繁なパターンのセットはＦとして示されることがあり、一方、低頻度のパターンのセットはＦ^ｃとして示されることがある。関心のある選択された入院ｋについて、選択された入院が治療経路パターンｐ_ｊを受けたと仮定する。ｐ_ｊ∈Ｆの場合、ｘ_ｋ＝１で示すようにこの入院に１を割り当てる。そうでなければ、ｘ_ｋ＝０である。さらに、頻度数閾値をｔとしたときに生成されるバイナリベクトルとして、Ｘ（ｔ）＝｛ｘ_１、ｘ_２、・・・、ｘ_ｋ｝を表す。これらのＫ回の入院について、対応する予測対象、例えばこの例では再入院ラベルは、Ｙ＝｛ｙ_１、ｙ_２、・・・、ｙ_Ｋ｝である。さらに、Ｘ（ｔ）とＹとの間の相互情報は、Ｉ（Ｙ、Ｘ（ｔ））として表される。最も多くの情報を得るために、治療経路パターン認識モジュール１７４は、ｔ^＊＝ａｒｇｍａｘ（Ｉ（Ｙ、Ｘ（ｔ）））のように閾値ｔ^＊を選択することができる。

相互情報は周知の概念であり、２つのバイナリベクトルＹとＸ（ｔ）に対して、それらの相互情報は数１と等しい。ここで、ｎ_ｉｊは、ｉ＝０、１、およびｊ＝０、１、およびｎ_ｉ＝ｎ_ｉ０＋ｎ_ｉ１、ｎ_ｊ＝ｎ_０ｊ＋ｎ_１ｊに対して、（ｉ、ｊ）に等しいペアの数（ｘ_ｋ、ｙ_ｋ）である。Ｘ（ｔ）はｔに依存するので、相互情報、および相互情報を最大にするしきい値ｔ^＊は、それらの対応する相互情報およびＹと共にＸ（ｔ）の全ての可能な値を列挙することによって選択され得る。この例では、頻度ｆ_１、ｆ_２、ｆ_３、・・・、ｆ_ｎがｎ個あり、Ｘ（ｔ）の可能な値は、ｔを各ｆ_ｉに順番に等しく設定することによって得られる。

さらに、異なるＤＲＧコードを有する患者のグループのような異なる患者のグループに対しては、ｔ^＊は異なり得る。インデックス入院のグループについて生成された特徴は、以下の図６に関して説明するように、データ構造に追加することができる。加えて、治療経路頻度に基づくクラスタ化を通じて特徴を生成するための例示的なプロセスは、図７に関して以下に説明される。

図７に関連して説明するように、上記のプロセスは、治療経路の全体の流れの頻度を検討する。本明細書の他の例では、予測対象に関する情報は、各遷移内、例えばラボ→診断および診断→処置にあり得る。したがって、バイナリ特徴は、各遷移にも基づいて作成され得る。全フローベースの特徴を生成するための上記に図７に関連して説明したものと同様のプロセスは、遷移から特徴を生成するために適用することができる。例えば、治療経路パターン認識モジュール１７４は、最初に、ラボ→診断および診断→処置の各遷移について、患者のグループに対して別々に全てのパターンを考慮することができる。遷移ごとに、治療経路パターン認識モジュール１７４は、相互情報に基づいて最適閾値を決定することができる。次に、治療経路パターン認識モジュール１７４は、各入院についてバイナリ特徴を生成するために最適閾値を適用することができる。

場合によっては、バイナリ特徴は、基本的すぎて、所望のレベルの精度を生み出すのに十分に識別可能ではないことがある。したがって、本明細書における実施形態は、バイクラスタ化技術を適用することによってよりきめ細かい特徴を生成するための代替方法を適用することができる。コクラスタ化、２モードクラスタ化、またはブロッククラスタ化とも呼ばれるバイクラスタ化は、２次元を同時にクラスタ化する。例えば、バイクラスタ化は、行列の行と列の両方の同時クラスタ化を可能にし得る。一例として、ｍ個の異なるラボテストおよびｎ個の異なる診断のセットを考えると、特定のラボテストおよび特定の診断の各ペアを経験した患者の入院数は、ｍ×ｎの行列を形成する。バイクラスタ化アルゴリズムは、ラボテストのサブセット（行）が診断のサブセット（列）と高度に関連し得るが他の診断（列）と高度に関連しないように、ｍ×ｎ行列の行および列を再配列することができる。すなわち、ラボテストの特定のサブセットを経験したことのある患者は、特定の診断のサブセットを受けることができるが、他の診断を受けることはめったにない。したがって、バイクラスタ化アルゴリズムは、２つの変数を同時に分析することによってパターンを探すことができる。スペクトルクラスタ化、ブロッククラスタ化、相互関係のある双方向のクラスタ化など、様々な異なるバイクラスタ化アルゴリズムを本明細書の例に適用することができる。

一例として、治療経路パターン認識モジュール１７４は、治療経路内の各遷移、すなわちラボテスト→診断、診断→処置を考慮することができる。すなわち、同時に分析される２次元は、１）ラボテスト→診断または２）診断→処置のいずれかである。患者のグループに関連する大量の異なるラボテスト、診断コードおよび処置コードがあり得るが、いくつかの遷移は互いに「類似している」と見なされ得る。類似性は、３つの選択肢、ａ）遷移における２つの要素の共起、ｂ）遷移の頻度および／またはｃ）遷移の応答率、の観点から測定することができる。

選択肢ａ）に関して、治療経路パターン認識モジュール１７４は、遷移における２つの要素（すなわち、ラボテストと診断コードまたは診断コードと処置コード）の共起を表すために生起行列を使用することができる。生起行列では、行と列は遷移の２つの次元を表す。対応する行および対応する列からの遷移がデータに現れる場合、セルの値は１になる。それ以外の場合、セルの値は０になる。

選択肢ｂ）の場合、治療経路パターン認識モジュール１７４は、遷移頻度行列を使用することができる。遷移頻度行列を得るために、生起行列内の各セルは、対応する遷移を経た入院の数によって置き換えられてもよい。

選択肢ｃ）では、治療経路パターン認識モジュール１７４は、遷移応答率行列を使用することができる。予測対象がバイナリ特徴、例えば再入院リスクのものである場合、応答率は、同じ遷移を有する入院のグループに対して肯定的な結果（例えば再入院）を有する入院の割合として定義することができる。予測対象が入院期間（ＬＯＳ）である場合、応答率はそのグループの平均入院期間として定義することができる。応答率行列を生成するために、生起行列内の各セルは、対応する遷移を経た入院の応答率によって置き換えられてもよい。

治療経路パターン認識モジュール１７４は、ブロック内の遷移が「類似」であると見なされ、一方、異なるブロック間の遷移が大きな変動を示し得るように、治療経路内の遷移をブロックにクラスタ化するためにこれらの行列にバイクラスタ化技術を適用することができる。各ブロックは、新しいカテゴリ、例えば新しい特徴を表し得る。

以下にさらに説明するように、図８は、行が患者のグループに対する診断コードを表し、列が処置コードを表す例示的な生起行列を示す。さらに、治療経路パターン認識モジュール１７４は、ディスプレイ１１８のユーザインターフェースに提示するなどして、この生起行列の視覚化を提供するためにヒートマップを生成することができる。ヒートマップの例は、図９に関連して以下で説明される。

スペクトルクラスタ化などのバイクラスタ化アルゴリズムを適用した後、元の生起行列の行および列を再配置して、遷移が複数のクラスタにクラスタ化されるようにすることができる。後述する図１０は、４つのクラスタを有する例示的な生起行列を示す。４つのクラスタは、ｃ１、ｃ２、ｃ３、およびｃ４としてラベル付けされ、これら４つのクラスタは、新しい特徴として使用することができる。入院が遷移を経た場合（例えば、Ｄ：５→Ｐ：１）、対応するクラスタｃ１はこの入院に対して１の値を有し、残りのクラスタｃ２、ｃ３、およびｃ４は０の値を有し得る。以下に説明するように、図１１は、データのバイクラスタ化後の生起行列に対応する例示的なヒートマップを示し、バイクラスタ化特徴の視覚化を可能にするためにディスプレイ１１８のユーザインターフェースに提示されてもよい。加えて、以下に説明するように、図１２は、治療経路パターン認識モジュール１７４によって生成され得るバイクラスタ化によって生成された特徴を有する入院の例示的なデータ構造を示す。

さらに、上記の例は、生起行列に基づいて遷移をクラスタ化することを説明している（すなわち、上述の選択肢（ａ））。しかしながら、治療経路パターン認識モジュール１７４はまた、機械学習モデル１３２で使用するための追加の特徴を提供するために、遷移頻度行列（すなわち、上述の選択肢（ｂ））および遷移応答率行列（すなわち、上述の選択肢（ｃ））に基づいて遷移をクラスタ化することもできる。以下に説明するように、図１３は、いくつかの実装形態による、治療経路をバイクラスタ化することによって特徴を生成するための例示的なプロセスを示す。生成された特徴は、以下にさらに説明するように、分析アプリケーション１２６および／または１２８のために後に使用することができる。

治療経路患者プロファイルモデルビルダ１７６は、過去の患者の各頻繁な治療経路についてプロファイルを生成するために実行することができる。例えば、患者が新しく入院したときに、病院がその患者が経験する可能性が最も高いと思われる治療経路および入院期間などの特定の重要な予測を下すことができる場合、予測は、医療従事者が次の介入治療ステップを決定するのを助けることができ、また、病院で使用されることなどによってベッド、スタッフ、医療機器、医療用品などの病院リソースを管理して病院の運営を合理化することを助けることもできる。

治療経路患者プロファイルモデルビルダ１７６は、過去の患者が経験した各頻繁な治療経路についてプロファイルを構築し記憶するようにサービスコンピューティング装置１０２を構成するように実行することができる。治療経路患者プロファイルは、重要であると決定された患者特性のセット、ならびに各治療経路パターンに対して固有であるかそうでなければ異なるこれらの患者特性間の相互作用を含み得る。患者特性は、患者の人口統計情報、遺伝情報、健康歴、入院前の病歴などを含み得る。これらの特性は、単なるアドホックな選択ではなく、教師付き機械学習モデル１３２を使用して受信データから抽出された共通パターンであり得る。例えば、患者が新たに入院したとき、病院が新たな患者に対して可能な治療経路をより正確に予測することができるように、この新たな患者についての特徴の同じセットが抽出され、各治療経路パターンについて治療経路患者プロファイルモデルと比較される。システムに格納されたプロファイルを用いて、本明細書の実施形態は、入院、退院、転院（ＡＤＴ）システムにリアルタイムでアクセスできないにも関わらず入院期間、患者治療要件などを正確に予測するという課題を克服することができる。

本明細書中のいくつかの例では、治療経路患者プロファイルモデルを構築することは、機械学習分類器または他の適切な機械学習モデル１３０を訓練することによって実行することができる。例えば、治療経路患者プロファイルモデルビルダ１７６は、各頻繁な治療経路（例えば、上記の治療経路マイナ１６８によって頻繁な治療経路として既に分類されている治療経路）についての治療経路患者プロファイルモデルとしてそれぞれの分類子を構築することができる。治療経路マイナ１６８によってマイニングされた治療経路、ならびにデータマイニングプログラム１２２内の特徴ジェネレータ１７２によって生成された特徴は、治療経路患者プロファイルモデルビルダ１７６への入力として使用することができる。

一例として、治療経路患者プロファイルモデルビルダ１７６は、治療経路パターンｐを選択し、この治療経路パターンを経験した入院を検索することができる。例えば、ｎ（ｐ）個のそのような入院があると仮定する。治療経路患者プロファイルモデルビルダ１７６は、数２のような第１の特徴行列として、図５に関連して以下に説明するデータ構造からこれらのｎ（ｐ）回の入院についての特徴を検索する。

治療経路患者プロファイルモデルビルダ１７６は、このパターンを経験していない、すなわち選択されたパターン以外のパターンに関連付けられている他のｎ（ｐ）個の入院をランダムに選択することができる。これらのランダムに選択された入院は否定的な例を表し、パターンｐの入院は肯定的な例を表す。治療経路患者プロファイルモデルビルダ１７６は、これらの否定的な例に対する特徴を数３のような第２の特徴行列として取り出すことができる。

治療経路患者プロファイルモデルビルダ１７６は、肯定的な例と否定的な例の両方に対する特徴を数４のような単一の特徴行列として積み重ねることができる。

治療経路患者プロファイルモデルビルダ１７６は、最初のｎ（ｐ）要素がそれぞれ「１」として示され、最後のｎ（ｐ）要素がそれぞれ「０」として示される長さ２ｎ（ｐ）のラベルベクトルを作成することができる。治療経路患者プロファイルモデルビルダ１７６は、ラベルベクトルをＹ＝［１，１，．．，１，０，０，．．，０］^Ｔとして表すことができる。

治療経路患者プロファイルモデルビルダ１７６は、組み合わせ特徴行列Ｘ_{２ｎ（ｐ）×ｑ}およびラベルベクトルＹ上でバイナリ分類子を訓練し、最良の分類性能の機械学習分類子モデルを選択されたパターンの治療経路患者プロファイルモデルとして格納することができる。本明細書の例では、訓練された分類子モデルは本質的に患者からの特性のセットの関数であり得る。実際の実施形態では、新しいデータを予測するために使用することができる訓練されたモデルを用いる予測方法があり得る。治療経路患者プロファイルモデルビルダ１７６は、上述した治療経路マイナによって識別された各頻繁なパターンについてプロセスを繰り返すことができる。

治療経路患者プロファイルモデルとして使用される機械学習モデル１３２は、ロジスティック回帰モデル、ランダムフォレストモデル、サポートベクトルマシン（ＳＶＭ）モデル、勾配ブーストマシンモデルなどの多くの一般的に使用される分類モデルのうちのいずれでもよい。以下にさらに説明するように、図１４は、いくつかの実施形態による、治療経路患者プロファイルモデルを生成するための例示的なプロセスを示す。

比較有効性分析モジュール１７８は、再入院の可能性、院内感染の可能性、死亡の可能性など、関連する結果の可能性などについての洞察を提供するため、ならびに品質または結果に基づいてサポートされていない不適切な変動を発見し、軽減するために実行することができる。比較有効性分析モジュール１７８は、最初に患者のグループを選択することによって比較有効性分析を行うように実行されてもよい。例えば、患者のグループは同じＤＲＧコードを有してもよく、または他の特定の特性を共通に有してもよい。比較有効性分析モジュール１７８は、例えば図２に関して説明したデータ構造にアクセスすることによって、この患者のグループに関連するマイニングされた治療経路を検索することができる。

比較有効性分析モジュール１７８は、再入院、死亡率、入院期間、費用などのようなリスクおよび費用のセットを、それらに対する予測された確率を決定するためにさらに指定し、各治療経路パターンに関連付けられた入院について指定された各測定値の分布を計算することができる。さらに、比較有効性分析モジュール１７８は、各測定値分布について要約統計を計算することができる。例えば、要約統計は、平均値、標準偏差、中央値、または他の関心のある統計値を含み得る。

さらに、比較有効性分析モジュール１７８は、異なる治療経路について指定された測定値について決定された統計の視覚化を生成し、その視覚化をグラフィックユーザインターフェース（ＧＵＩ）に提示することができる。一例として、スパイダチャートを使用して、異なる治療経路パターンについて異なる確率を視覚化し比較することができる。以下にさらに説明するように、図１５は、１つの治療経路が他のものよりも優れた全体的な結果を提供し得るかどうかを判定するために様々な治療経路を比較するのに使用され得る例示的な視覚化を示す。

図１に示すように、システム１００は、予測分析アプリケーション１２６と処方分析アプリケーション１２８との少なくとも２つのカテゴリのアプリケーションをサポートする治療経路分析プラットフォームを提供する。この例に示す例示的なアプリケーションは、院内感染リスク予測アプリケーション１８０、再入院リスク予測アプリケーション１８２、救急部門の来院予測アプリケーション１８４、入院期間（ＬＯＳ）予測アプリケーション１８６、次の医療介入推奨アプリケーション１９２、病床管理アプリケーション１８８、およびスタッフ計画アプリケーション１９０を含む。

一例として、院内感染リスク予測アプリケーション１８０、再入院リスク予測アプリケーション１８２、および救急部門の来院予測アプリケーション１８４について、バイナリ分類モデルを最初に訓練し、次に新しい患者の関心対象を予測するために訓練済みモデルを使用することができる。さらに、ＬＯＳ予測アプリケーション１８６について、処理は連続変数予測問題として扱われてもよい。

一例として、関心のある予測対象をｙとする。院内感染リスク予測アプリケーション１８０、再入院リスク予測アプリケーション１８２、および救急部門の来院予測アプリケーション１８４について、ｙはバイナリであり得る。一方、ＬＯＳ予測アプリケーション１８６について、ｙは正の連続変数であり得る。院内感染リスク予測アプリケーション１８０、再入院リスク予測アプリケーション１８２、および救急部門の来院予測アプリケーション１８４の間の類似性のために、このグループのアプリケーションをサポートし強化するためのプロセスは、治療経路パターン認識モジュール１７４の結果に基づいて、概して同じバイナリ予測問題として扱われてもよい。一方、後述するように、ＬＯＳ予測アプリケーションのアプリケーションは、治療経路患者プロファイルモデルビルダによって決定された治療経路患者プロファイルモデルを使用することができる。

さらに、次の医療介入推奨アプリケーション１９２は、治療経路患者プロファイルモデルビルダ１７６および比較有効性分析モジュール１７８の出力の直接の適用を使用して実行されてもよい。さらに、他の処方分析アプリケーション、病床管理アプリケーション１８８、およびスタッフ計画アプリケーション１９０は、病院のリソース管理に関するものである。リソース管理を成功させるための要因の１つは、需要を正確に予測する能力である。したがって、ＬＯＳ予測アプリケーション１８６の出力は、これらのアプリケーションに対する入力として使用することができる。

バイナリ予測アプリケーション（すなわち、院内感染リスク予測アプリケーション１８０、病院再入院リスク予測アプリケーション１８２、および救急部門の来院予測アプリケーション１８４）は、２つの段階、すなわち訓練段階と予測段階とを含む。

訓練段階では、予測対象を特定することができる。例えば、予測対象は、院内感染の可能性、病院の再入院の可能性、または救急部門の来院の可能性のうちの１つまたは複数であり得る。さらに、アプリケーションは、患者のグループを選択し、データ構造にアクセスして、データ管理プログラム１２０およびデータマイニングプログラム１２２によって提供された対応するデータを取得することができる。さらに、結果ジェネレータ１７０は、結果ラベルベクトルを生成するために、例えば図１および図４に関連して説明したように実行することができる。さらに、治療経路マイナ１６８は、選択された患者のグループ内の患者に関連する治療経路パターンを特定するために、図１および図２に関連して説明したように実行することができる。

さらに、特徴ジェネレータ１７２は、選択された患者のグループ内の患者に対する基本的特徴を生成するために、図１、図６および図７に関連して説明したように実行することができる。さらに、治療経路パターンに基づく高度なクロスソース特徴は、治療経路パターン認識モジュール１７４を実行することによって生成される。一例として、高度なクロスソース特徴を生成するための技術は、患者のグループ内の患者の入院に対する治療経路を抽出し、治療経路パターン認識モジュール１７４によって決定された治療経路パターンからこの治療経路のバイナリ特徴を検索し、この治療経路のマルチクラスカテゴリ特徴を検索し、この患者のグループの両方のタイプの特徴を出力することを含み得る。さらに、アプリケーションは、基本特徴と高度特徴を統合して特徴行列を形成することができる。

アプリケーションは、特徴行列および結果ラベルベクトルを使用して、バイナリ機械学習分類子を訓練および相互検証することができる。アプリケーションは、それぞれのアプリケーションによる予測段階で使用するための最良の性能で分類器モデルを記憶することができる。上述のように、アプリケーションは、院内感染リスク予測アプリケーション１８０、病院再入院リスク予測アプリケーション１８２、または救急部門の来院予測アプリケーション１８４のうちの１つとすることができる。訓練のためのプロセスの例示的な流れは、図１６に関連して以下に説明される。

さらに、バイナリ予測アプリケーション（すなわち、院内感染リスク予測アプリケーション１８０、病院再入院リスク予測アプリケーション１８２、または救急部門の来院予測アプリケーション１８４のうちの１つ）の予測段階中に、アプリケーションは、予測のために新しい患者の入院、退院などを入力として受け取ることができる。それに応答して、特徴ジェネレータ１７２は、特定の患者に対する基本的な特徴を生成するために、図１、図６および図７に関連して上述したように実行することができる。さらに、治療経路パターン認識モジュール１７４は、高度な特徴を生成するために実行されてもよい。一例として、治療経路パターン認識モジュールは、この新たな患者の入院のための治療経路を抽出し、治療経路パターン認識モジュールによって抽出されたパターンからこの治療経路のためのバイナリ特徴を検索し、治療経路パターン認識モジュールによってマイニングされたパターンからこの治療経路のためのマルチクラスカテゴリ特徴を検索し、この入院または退院のための両方のタイプの特徴を出力することができる。

バイナリーアプリケーションは、この入院または退院のための特徴の全セットを生成するために、基本特徴と高度特徴とを統合することができる。アプリケーションは、選択された入院または退院の結果の確率を決定するために、生成された特徴の全セットをそれぞれのアプリケーションの訓練された機械学習予測モデルに入力し、訓練された機械学習予測モデルを使用して決定された予測確率を出力することができる。予測のためのプロセスの例示的なフローは、以下に説明するように、図１７に関連して示される。上述したように、プロセスは、院内感染リスク予測アプリケーション１８０、病院再入院リスク予測アプリケーション１８２、または救急部門の来院予測アプリケーション１８４のうちのいずれかを使用して実行することができる。

いくつかの例では、入院期間（ＬＯＳ）予測アプリケーション１８６は、２つの非パラメトリック推定方法のうちの少なくとも１つを実行するように構成することができる。例えば、本明細書における推定方法は、ＬＯＳの分布のいかなる仮定にも依存しない。治療経路患者プロファイルモデルビルダ１７６によって構築された治療経路患者プロファイルモデルのセットは、ＬＯＳを予測するために使用することができる。これらの２つの方法は似ているが、第２の方法は追加のステップがあり、より良い性能を得るために計算コストが高くなる。

例えば、第１の方法は、最も可能性の高い治療経路の経験的分布を使用して、新しい患者の入院についての入院期間を予測することができる。第２の方法は、可能性のある全ての治療経路の分布の重み付き混合を使用する。ＬＯＳ予測アプリケーション１８６の出力は、病床管理アプリケーション１８８およびスタッフ計画アプリケーション１９０などの他のアプリケーションで使用されるさらなる推定のための柔軟性を提供するために、平均値または中央値などの単一の統計値ではなく、特定の患者についての予測されたＬＯＳの分布であってもよい。

ＬＯＳ予測アプリケーション１８６を実行する場合、ＬＯＳ予測アプリケーション１８６は、新しい患者の入院を入力として受信し、特定の入院についての基本的な特徴を生成するために、例えば図１、図６および図７に関連して上述したように特徴ジェネレータ１７２を実行することによって、この入院のための特徴を生成することができる。ＬＯＳ予測アプリケーション１８６は、この入院についての特徴に基づいて予測を生成するために、保存された治療経路患者プロファイルモデルを一つずつ使用することができる。したがって、各モデルについて、確率が生成され得る。例えば、治療経路患者プロファイルモデルが全部でｎ個あり、予測確率がｐ_１、ｐ_２，．．．，ｐ_ｎであるとする。この時点で、ＬＯＳ予測アプリケーション１８６は、上述の第１の方法または第２の方法のいずれかを実行することができる。

第１の方法を実行する場合、ＬＯＳ予測アプリケーション１８６は、治療経路ｋに関連付けられた過去の入院のＬＯＳの経験的分布を計算することができ、ｐ_ｋ＝ｍａｘ（ｐ_１、ｐ_２，．．．，ｐ_ｎ）であり、この入院についてのＬＯＳの予測としての治療経路ｋのためのＬＯＳの分布を出力することができる。一方、第２の方法を実行する場合、ＬＯＳ予測アプリケーション１８６は、各治療経路について重みを計算することができる。例えば、各治療経路についての重みは、数５に基づいて計算することができ、ここで、ｉ＝１，．．．，ｎであり、ｗ_ｉは、治療経路ｉの重みである。ＬＯＳ予測アプリケーション１８６は、各治療経路に関連する過去の入院のＬＯＳの経験的分布も計算することができる。過去の入院のＬＯＳの経験的分布について、ＬＯＳ予測アプリケーション１８６は、カーネル密度推定または他の適切な推定技術を適用するように構成することができる。例えば、治療経路ｉに対するＬＯＳの分布がｆ_ｉ（ｘ）であると仮定する。ＬＯＳ予測アプリケーション１８６は、計算された重みと経験的分布に基づいて重み付き混合分布を計算することができる。一例としては数６であり、Ｆ（ｘ）は重み付き混合分布である。最後に、ＬＯＳ予測アプリケーション１８６は、この入院に対するＬＯＳの予測として重み付き混合分布Ｆ（ｘ）を出力することができる。２つの方法を含むプロセスの流れ図は、図１８に関連して以下で説明される。

次の医療介入推奨アプリケーション１９２は、治療経路患者プロファイルモデルおよび治療経路比較有効性分析の直接適用に基づいて次の推奨される医療介入を決定することができる。治療経路患者プロファイルを使用して新たに入院した患者について最も可能性の高い治療経路を予測する手順は、選択された患者の入院についての特徴を生成するためにデータマイニングプログラム１２２の特徴ジェネレータ１７２を実行することを含み得る。次の医療介入推奨アプリケーション１９２は、この入院について生成された特徴に基づいて予測を生成するために、生成された特徴を、保存された治療経路患者プロファイルモデルへの入力として一つずつ入力することができる。各治療経路患者プロファイルモデルについて、確率が生成され得る。この確率は、この入院が特定の治療経路をたどる可能性がどの程度あるかを示し得る。次の医療介入推奨アプリケーション１９２は、生成された全ての確率をランク付けし、最高の確率を有する上位ｋ個のモデルを出力することができる。

ｋの値は、ユーザによって構成可能であり得る。したがって、ｋは１または１より大きい何らかの整数であり得る。２つ以上の最も可能性の高い治療経路を出力することによって、次の医療介入推奨アプリケーション１９２は、医療専門家の意見において、治療経路比較有効性分析モジュール１７８によって提供される洞察に基づく異なるリスク間で最も適切なトレードオフを含み得る治療経路を選択する際に医療専門家に柔軟性を与える。

この新たな入院についての上位ｋ個の最も可能性の高い治療経路に加えて、これらの上位ｋ個の治療経路について関連するリスクおよびコストメトリックも決定することができ、これは医療従事者が次の介入治療について情報に基づいた決定を下すのにも役立つ可能性がある。このプロセスの流れ図は、図１９に関連して以下に説明される。さらに、予測の視覚化を可能にし、最適な治療経路を選択するためのグラフィックユーザインターフェース（ＧＵＩ）が、図２０に関連して以下に説明される。

病床管理アプリケーション１８８およびスタッフ計画アプリケーション１９０は、ＬＯＳ予測アプリケーション１８６の出力を入力として受け取ることができる。本明細書のいくつかの例では、特定のリソース（例えば、病院用ベッド、病院スタッフ、病院設備など）についての需要予測は、個々の患者のＬＯＳ予測の集約に基づいて決定することができる。上述のように、ＬＯＳ予測アプリケーション１８６は、各入院について予測されたＬＯＳの分布を出力するように構成することができる。これらの複数の分布の集約を実行するために、病床管理アプリケーション１８８および／またはスタッフ計画アプリケーション１９０は、最初に、各新しい患者について、ＬＯＳが少なくともｉ日であるという推定確率を決定することができる。一例として、これらの患者からｉ日目の特定のリソースの需要に対する構成可能な百分位数、例えば５０番目、７５番目、または９０番目の百分位数を採用することができる。例えば、リソース管理に対する保守的なアプローチが望まれる場合、より高い百分位数、例えば９０番目の百分位数を採用することができる。一方、リソース管理に対するより楽観的なアプローチが望まれる場合、より低い百分位数、例えば５０番目の百分位数（すなわち中央値）を採用することができる。

一例として、ユーザは、病床管理アプリケーション１８８またはスタッフ計画アプリケーション１９０のうちの１つを実行することができ、リソースを共有する１日（０日目）についての新しい患者の入院のグループを入力として受け取ることができる。さらに、図１に関連して上述したＬＯＳ予測アプリケーション１８６は、グループ内の各入院についてのＬＯＳ分布を決定するために、入院ごとに実行することができる。さらに、アプリケーションは、各個々のＬＯＳが少なくともｉである確率を推定することができる。一例として、合計Ｍ人の新たな患者がおり、各個々の患者の入院ｍについて、ＬＯＳが少なくともｉであると推定される確率は、ｘ_ｍ（ｉ）であると仮定する。加えて、アプリケーションは、選択された日ｉにおける新しい患者の入院からの総需要の特定の百分位数Ｄ_ｉを計算することができ、そのＬＯＳが少なくともｉである場合、ｍ番目の入院がこの総計に寄与する。一例として、Ｄ_ｉは、期待値ｘ_ｍ（ｉ）、ｍ＝１，２，．．．，Ｍを有するＭ個の独立したバイナリ（０／１）確率変数の合計の特定の百分位数として計算することができる。

アプリケーションは、受信した新たな患者の入院に基づいて、１つまたは複数の選択された日数ｉについてリソースの予測需要Ｄ_ｉを出力することができる。さらに、アプリケーションは、予測された需要に基づいて少なくとも１つの動作を実行することができる。例えば、病床管理アプリケーション１８８が実行されている場合、病床管理アプリケーション１８８は、ベッドについての予測された需要に基づいて必要な数のベッドを予約することができる。同様に、スタッフ計画アプリケーション１９０が実行されている場合、スタッフ計画アプリケーション１９０は、それらの時間における要員配置の予測された需要に基づいて、特定の時間に働くように必要な数のスタッフ従業員をスケジュールすることができる。リソース管理のためのプロセスを示す例示的な流れ図は、図２１に関連して以下に説明される。

図２は、いくつかの実施態様による、患者のグループについてマイニングされた治療経路パターンの例示的なデータ構造２００を示す。上述のように、データ構造２００は、図１に関連して上述したデータマイニングプログラム１２２の治療経路マイナ１６８によって生成されてもよい。治療経路マイナ１６８は、患者が入院中に経験する主な介入治療をカバーするラボ→診断→処置のシーケンスとして治療経路をモデル化することができる。図２の例では、データ構造２００は、検出パターン２０２、それぞれのパターンに対応するラボテスト２０４、それぞれのパターンに対応する診断コード２０６、それぞれのパターンに対応する処置コード２０８、およびそれぞれのパターンの頻度２１０を含む。

図３は、いくつかの実施態様による入院および治療経路の関連付けの例示的なデータ構造３００を示す。データ構造３００は、上述したように、データマイニングプログラム１２２の治療経路マイナ１６８によって生成され、コア分析プログラムによって使用されてもよい。例えば、治療経路マイナ１６８は、病院への入院と図２に関連して上述したデータ構造２００で決定された治療経路パターンとの間の関連付けを決定するように構成されてもよく、また、これらの関連付けを図３のデータ構造３００に格納することができる。したがって、データ構造３００は、病院への特定の患者の入院を示す入院識別子３０２、および特定の入院が対応する患者に提供された治療経路を示す治療経路パターン３０４を含む。

図４は、いくつかの実施形態による再入院をもたらす結果の例示的なデータ構造４００を示す。データ構造４００は、図１に関連して上述したように、データマイニングプログラム１２２の結果発生器１７０によって生成することができる。本明細書におけるいくつかの例は、院内感染および再入院を表すためにバイナリ変数を使用することができる。すなわち、各入院について、退院後の所定の期間内に患者が病院に再入院した場合、この入院について対応する結果変数は１であり、そうでない場合は０である。

図示の例では、入院識別子（ＩＤ）は４０２で示され、対応する結果は４０４で示される。この例では、結果は再入院である。さらに、上述したように、他の種類の結果がデータ構造４００に含まれてもよい。例えば、患者が入院中に関心のある種類の感染にかかった場合（図４には示さず）、この入院についての対応する結果変数は１であり、そうでなければ０である。

図５は、いくつかの実施形態による例示的な特徴の例示的なデータ構造５００を示す。データ構造５００は、図１に関連して上述したデータマイニングプログラム１２２の特徴ジェネレータ１７２によって生成することができる。上述したように、コア分析プログラム１２４による治療経路患者プロファイルモデルの構築を容易にするために、特徴ジェネレータ１７２は各入院レベルで潜在的な患者特徴を生成することができる。特徴ジェネレータ１７２は、主に各個別のデータソース、例えばＥＨＲシステム、ＡＤＴシステム、臨床情報システムなどから特徴を生成することができる。これらは基本的特徴と呼ばれることがある。図示の例では、データ構造５００は、５０２で示すような特徴のカテゴリと、５０４で示すような各カテゴリに対応する特徴のリストとを含む。カテゴリ５０２の例には、人口統計学的特徴、利用特徴、および全体的な健康状態および病歴の特徴が含まれ得る。

図６は、いくつかの実施形態による、生成された特徴を有する例示の入院の例示のデータ構造６００を示す。データ構造６００は、図１に関して上述したように、インデックス入院のグループについて生成されてもよい。この例では、データ構造６００は、それぞれの入院番号６０２、入院番号に対するそれぞれのＤＲＧコード６０４、それぞれの入院番号に対するそれぞれの治療経路パターン６０６、頻度パターンとして分類されるパターンの閾値数を示す、６０８で示される値ｔ^＊、およびパターンが頻発するときに１であり、パターンが頻発しないときに０であり得るフロー特徴６１０を含む。

図７、１３、１４、および１６−２０は、いくつかの実施形態による例示的なプロセスを示す流れ図である。プロセスは、動作のシーケンスを表す論理フロー図におけるブロックの集まりとして示され、その一部または全部はハードウェア、ソフトウェア、またはそれらの組み合わせで実装することができる。ソフトウェアの文脈では、ブロックは、１つまたは複数のプロセッサによって実行されると、列挙された動作を実行するようにプロセッサをプログラムする、１つまたは複数のコンピュータ可読媒体に格納されたコンピュータ実行可能命令を表し得る。一般に、コンピュータ実行可能命令は、特定の機能を実行するかまたは特定のデータタイプを実装するルーチン、プログラム、オブジェクト、構成要素、データ構造などを含む。ブロックが記載されている順序は、限定して解釈されるべきではない。説明されたブロックのうちの任意の数を任意の順序でおよび／または並行して組み合わせてプロセスまたは代替プロセスを実装することができ、全てのブロックを実行する必要はない。議論の目的のために、プロセスは、本明細書の例に記載されている環境、システム、および装置を参照して説明されているが、プロセスは、多種多様な他の環境、システム、および装置で実装することができる。

図７は、いくつかの実施形態による、頻度に基づいて治療経路をクラスタ化するための例示的なプロセス７００を示す流れ図である。いくつかの例では、プロセス７００は、治療経路パターン認識モジュール１７４および上述した他のモジュールを実行することなどにより、サービスコンピューティング装置１０２または他の適切なコンピューティング装置によって実行することができる。

７０２において、コンピューティング装置は、少なくとも１つの共有された特性を有する過去の患者の入院（例えば、同じＤＲＧコードを有する過去の患者の入院）のグループを選択することができる。例えば、Ｋ人そのような患者の入院があり得る。

７０４において、これらのＫ人の患者の入院について、コンピューティング装置は、対応する治療経路パターンｐ_１、ｐ_２、ｐ_３，．．．，ｐ_ｎおよび関連する頻度ｆ_１、ｆ_２、ｆ_３，．．．，ｆ_ｎを取り出すことができる。例えば、治療経路マイナは、関連する頻度ｆ_１、ｆ_２、ｆ_３，．．．，ｆ_ｎを有するｎ個の治療経路パターンを以前に決定し、図２に関連して上述したデータ構造２００を生成したかもしれない。

７０６において、コンピューティング装置は、閾値ｔについて、ｆ_ｉ≧ｔの場合、パターンｐｉを通過した全ての入院患者に値１を割り当て、それ以外の場合は、値０を割り当てる。

７０８において、コンピューティング装置は、割り当てられた値に基づいてバイナリ特徴ベクトルを生成することができる。例えば、コンピューティング装置は、閾値がｔに設定されたときに生成されるバイナリ特徴ベクトルとして、Ｘ（ｔ）＝｛ｘ_１、ｘ_２，．．．，ｘ_Ｋ｝を表すことができる。

７１０において、コンピューティング装置は、この患者のグループについての結果ラベルを検索することができる。例えば、データマイニングプログラムの結果ジェネレータは、例えば、図１および図４に関連して上述したように、対応する予測対象に対する結果ラベルを以前に決定したかもしれない。この例では、結果ラベルがＹ＝｛ｙ_１、ｙ_２，．．．，ｙ_Ｋ｝であると仮定する。

７１２において、コンピューティング装置は、パターン頻度について最適化された閾値ｔ^＊を見つけ得る。特徴ベクトルとＹとの間の相互情報を最大にするために、式ｔ^＊＝ａｒｇｍａｘ（相互情報（Ｙ、Ｘ（ｔ）））を適用することができる。コンピューティング装置は、これらのＫ人の患者について対応する特徴ベクトルを保持することができる：Ｘ（ｔ^＊）＝｛ｘ_１、ｘ_２，．．．，ｘ_Ｋ｝。

７１４において、コンピューティング装置は、処理すべき患者の他のグループがあるかどうかを判断することができる。もしあれば、プロセスは７０２に戻り、そうでなければ、プロセスは７１６へ進む。

７１６において、コンピューティング装置は、全てのグループについての全ての患者の入院についてのバイナリ特徴ベクトルを組み合わせることができる。患者の入院の全てのグループについて生成された特徴は、図６に関連して説明されたように、データ構造に追加することができる。

７１８において、コンピューティング装置は、予測モデルで使用するための特徴ベクトルを出力することができる。

図８は、いくつかの実施態様による、診断から処置への遷移を含む生起行列８００の例示的なデータ構造を示す。この例示的な生起行列では、行８０２は、コードＤ：１からＤ：１０のような診断コードを表し、列８０４は、患者の入院のグループについてのコードＰ：１からＰ：１０のような処置コードを表す。生起行列８００は、バイクラスタ化が適用される前のそれぞれの遷移を表す。

図９は、いくつかの実施態様による、図８の生起行列８００の例示的なヒートマップ９００を示す。この例では、ブロック９０２は、生起行列８００内の「１」の各位置に配置され、ブロックは、生起行列８００内の「０」の位置には配置されていない。ヒートマップは、バイクラスタ化が適用される前のそれぞれの遷移を表す。

図１０は、いくつかの実施態様による、バイクラスタ化の後の図８の生起行列８００の例示的なデータ構造を示す。この生起行列８００の例では、行８０２は、コードＤ：１からＤ：１０のような診断コードを表し続け、列８０４は、患者のグループについてのコードＰ：１からＰ：１０のような処置コードを表し続ける。スペクトルクラスタ化などのバイクラスタ化アルゴリズムを適用した後、生起行列８００の行８０２および列８０４は、生起行列８００内の遷移が４つのクラスタ１００２、１００４、１００６および１００８にクラスタ化されるように再配置される。これらの４つのクラスタはそれぞれ、ｃ１、ｃ２、ｃ３、およびｃ４としてラベル付けされ、これら４つのクラスタは新しい特徴として使用することができる。例えば、入院が遷移（例えば、Ｄ：５→Ｐ：１）を経た場合、対応するクラスタｃ１はこの入院に対して１の値を持ち、残りのクラスタｃ２、ｃ３、およびｃ４は０の値を持つことになる。

図１１は、いくつかの実施態様による、バイクラスタ化の後の図１０の生起行列８００の例示的なヒートマップ１１００を示す。この例では、ブロック１１０２は、図１０の生起行列８００内の「１」の各位置に配置され、ブロックは、図１０の生起行列８００内の「０」の位置に配置されていない。

図１２は、いくつかの実装による、バイクラスタ化を使用して生成された特徴を有する入院の例示的なデータ構造１２００を示す。この例では、治療経路パターン認識モジュール１７４は、図８および図１０に関連して上述した生起行列８００などの生起行列に基づいて遷移をクラスタ化することができる。他の例では、治療経路パターン認識モジュールは、図１に関連して上述したように、遷移頻度行列または遷移応答率行列に基づいて遷移をクラスタ化することができる。図示の例では、データ構造１２００は、入院番号１２０２、クラスタｃ１に対応する診断→処置の対応する特徴１２０４、クラスタｃ２に対応する診断→処置の対応する特徴１２０６、クラスタｃ３に対応する診断→処置の対応する特徴１２０８、およびクラスタｃ４に対応する診断→処置の対応する特徴１２１０、を含む。

図１３は、いくつかの実施形態による、バイクラスタ化のための例示的なプロセス１３００を示す流れ図である。いくつかの例では、プロセス１３００は、図１に関連して上述した治療経路パターン認識モジュール１７４を実行することなどにより、サービスコンピューティング装置１０２または他の適切なコンピューティング装置によって実行することができる。

１３０２において、コンピューティング装置は、例えば同じＤＲＧコードまたは１つまたは複数の他の共有特性を有する過去の患者の入院などの過去の患者の入院のグループを選択することができる。

１３０４において、コンピューティング装置は、治療経路マイナによってマイニングされた対応する治療経路パターンを取り出すことができ、例えば、ｎ個の頻度ｆ_１、ｆ_２、ｆ_３，．．．，ｆ_ｎの治療経路パターンｐ_１、ｐ_２、ｐ_３，．．．，ｐ_ｎがあると仮定する。

１３０６において、コンピューティング装置は、治療経路の遷移（例えば、ラボテストから診断、または診断から処置）を選択することができる。

１３０８において、コンピューティング装置は、治療経路パターンに基づいて、この遷移における２つの要素の共起行列を生成することができる。

１３１０において、コンピューティング装置は、治療経路パターンに基づいて、この遷移における２つの要素の頻度行列を生成することができる。

１３１２において、コンピューティング装置は、例えば、図１および図４に関連して上述したように、結果発生器１７０によって以前に生成されたように、この患者のグループについての結果ラベルを取り出すことができる。

１３１４において、コンピューティング装置は、行列内の各セルに関連付けられた治療経路パターンおよび患者の入院の結果に基づいて、この遷移における２つの要素の応答率行列を生成することができる。

１３１６において、コンピューティング装置は、各行列をバイクラスタ化し、各ブロックにラベル（例えば、１または０）を割り当てることができる。

１３１８において、コンピューティング装置は、図１２に示すデータ構造のように、すなわち、入院がバイクラスタ化に対応する遷移を経た場合、特徴として扱われているバイクラスタ化に基づいて、グループ内の各患者についての特徴を生成することができる。

１３２０において、コンピューティング装置は、処理すべき他の遷移があるかどうかを判断することができる。もしあれば、プロセスは１３０６に戻り、そうでなければ、プロセスは１３２２へ進む。

１３２２において、コンピューティング装置は、処理すべき患者の他のグループがあるかどうかを判断することができる。もしあれば、プロセスは１３０２に戻り、そうでなければ、プロセスは１３２４へ進む。

１３２４において、コンピューティング装置は、全ての入院についてバイナリ特徴ベクトルを結合することができる。インデックス入院のグループについて生成された特徴は、図１２に関連して説明したように、データ構造に追加することができる。

１３２６において、コンピューティング装置は、予測モデルで使用するための特徴ベクトルを出力することができる。

図１４は、いくつかの実施形態による、治療経路患者プロファイルモデルを生成するための例示的なプロセス１４００を示す流れ図である。いくつかの例では、プロセス１４００は、図１に関連して上述した治療経路患者プロファイルモデルビルダ１７６を実行することにより、サービスコンピューティング装置１０２または他の適切なコンピューティング装置によって実行することができる。

１４０２において、コンピューティング装置は、格納されたデータ構造にアクセスして、治療経路マイナによってマイニングされた頻繁な治療経路、入院および治療経路関連データ構造、ならびに特徴生成モジュールおよび／または治療経路パターン認識モジュールによって生成された特徴データ構造を入力として取得することができる。

１４０４において、コンピューティング装置は、頻繁な治療経路から治療経路パターンｐを選択することができる。

１４０６において、コンピューティング装置は、（例えば、上記の図３に示されるように）入院治療経路関連データ構造を介して、選択された治療経路ｐに関連付けられた入院ＩＤを取り出すことができる。例えば、ｎ（ｐ）個のそのような入院があり得る。さらに、コンピューティング装置は、これらのｎ（ｐ）個の入院についての特徴を取り出し、数７のように、上述のような特徴行列（ベクトル）を生成することができる。

１４０８において、コンピューティング装置は、ｐ以外のパターンに関連付けられているｎ（ｐ）個の入院をランダムに選択し、対応する特徴を決定することができる。コンピューティング装置は、数８のように、上述のようなこれらのランダムに選択された入院について第２特徴行列（ベクトル）を生成することができる。

１４１０において、コンピューティング装置は、第１の特徴行列と第２の特徴行列とを積み重ねて、結合行列を作成することができる。例えば、結合行列は、数９として表すことができる。

コンピューティング装置は、それぞれ「１」として示される最初のｎ（ｐ）個の要素およびそれぞれ「０」として示される最後のｎ（ｐ）個の要素を有する長さ２ｎ（ｐ）のラベルベクトルをさらに作成することができる。治療経路患者プロファイルモデルビルダ１７６はさらに、ラベルベクトルをＹ＝Ｙ［１，１，．．．，１，０，０，．．．，０］^Ｔと表すことができる。

１４１２において、コンピューティング装置は、結合特徴行列およびラベルベクトルＹを使用して機械学習分類子を訓練し、相互検証することができる。

１４１４において、コンピューティング装置は、Ｍ（ｐ）として選択された治療経路パターンｐについて最良の性能を有する分類子モデル、すなわち、選択されたパターンについての治療経路患者プロファイルモデルを記憶することができる。

１４１６において、コンピューティング装置は、処理すべき他のパターンがあるかどうかを判断することができる。もしあれば、プロセスは１４０４に戻り、そうでなければ、プロセスは１４１８に進む。

１４１８において、コンピューティング装置は、プロセスを完了することができる。

図１５は、いくつかの実施形態による、比較有効性分析の例示的な視覚化１５００を示す。この例では、スパイダチャートが視覚化１５００として表されているが、他の種類の視覚化を使用することもできる。視覚化１５００は、１５０２に示すような救急部門（ＥＤ）への来院確率に関するメトリック、１５０４に示すような死亡確率に関するメトリック、１５０６に示すような平均入院期間（ＬＯＳ）に関するメトリック、１５０８で示すようなＬＯＳの標準偏差に関するメトリック、および再入院確率１５１０に関するメトリックを含む。第１の治療経路についてのメトリックの第１の分布が１５１２で示され、第２の治療経路のメトリックの第２の分布が１５１４で示される。さらに、この例では５つのメトリックおよび２つの治療経路が示されているが、本明細書の開示の利益を享受する当業者には明らかなように、他の例では、より多いまたは少ない数のメトリックおよび治療経路が示され得る。

図１６は、いくつかの実施形態による、バイナリ予測アプリケーションの訓練段階のための例示的なプロセス１６００を示す流れ図である。いくつかの例では、プロセス１６００は、院内感染リスク予測アプリケーション１８０、病院再入院リスク予測アプリケーション１８２、または救急部門への来院予測アプリケーション１８４のうちの１つを実行することなどにより、サービスコンピューティング装置１０２または他の適切なコンピューティング装置によって実行することができる。

１６０２において、コンピューティング装置は、予測対象を指定することができる。例えば、予測対象は、院内感染の可能性、再入院の可能性、または救急部門の来院の可能性のうちの１つまたは複数であり得る。

１６０４において、コンピューティング装置は、患者の入院のグループを選択し、データ構造にアクセスして、データ管理プログラム１２０およびデータマイニングプログラム１２２によって提供された対応するデータを取得することができる。

１６０６において、コンピューティング装置は、選択された患者のグループ内の患者に対する結果ラベルベクトルを生成することができる。例えば、結果発生器１７０は、結果ラベルベクトルを生成するために例えば図１および図４に関連して上述したように実行することができる。

１６０８において、コンピューティング装置は、選択された患者のグループ内の患者に関連する治療経路パターンをマイニングすることができる。例えば、治療経路マイナ１６８は、選択された患者のグループ内の患者に関連する治療経路パターンを識別するために、図１および図２に関連して上述したように実行することができる。

１６１０において、コンピューティング装置は、選択された患者のグループ内の患者についての基本的特徴を生成することができる。例えば、特徴ジェネレータ１７２は、選択された患者のグループ内の患者に対する基本的特徴を生成するために、図１、図６および図７に関して上述したように実行することができる。

１６１２において、コンピューティング装置は、治療経路パターンに基づいて高度なクロスソース特徴を生成することができる。一例として、高度なクロスソース特徴を生成するための技術は、それぞれの患者の入院について治療経路を抽出すること、治療経路パターン認識モジュール１７４によって決定された治療経路パターンからこの治療経路についてのバイナリ特徴を取り出すこと、治療経路パターン認識モジュール１７４によって決定された治療経路パターンからのこの治療経路についてのマルチクラスカテゴリ特徴を取り出すこと、およびこの患者の入院に関する両方のタイプの特徴の出力すること、を含み得る。

１６１４において、コンピューティング装置は、基本特徴と高度な特徴とを統合して、特徴行列を形成することができる。

１６１６において、コンピューティング装置は、特徴行列および結果ラベルベクトルを使用して、バイナリ機械学習分類子を訓練および相互検証することができる。

１６１８において、コンピューティング装置は、院内感染リスク予測アプリケーション１８０、再入院リスク予測アプリケーション１８２、または救急部門の来院予測アプリケーション１８４のそれぞれによって予測段階で使用するための最良の性能を有する分類子モデルを記憶することができる。

図１７は、いくつかの実施形態による、バイナリ予測アプリケーションの予測段階のための例示的なプロセス１７００を示す流れ図である。いくつかの例では、プロセス１７００は、院内感染リスク予測アプリケーション１８０、病院再入院リスク予測アプリケーション１８２、または救急部門への来院予測アプリケーション１８４のうちの１つを実行することなどにより、サービスコンピューティング装置１０２または他の適切なコンピューティング装置によって実行することができる。

１７０２において、コンピューティング装置は、予測のために新しい患者の入院または退院を入力として受信することができる。退院の場合には、対応する患者の入院を見つけて入力として使用することができる。

１７０４において、コンピューティング装置は、この入院のための基本的特徴を生成することができる。例えば、特徴ジェネレータ１７２は、特定の患者についての基本的特徴を生成するために、図１、図６および図７に関連して上述したように実行することができる。

１７０６において、コンピューティング装置は、新しい患者のための高度な特徴を生成することができる。例えば、コンピューティング装置は、高度な特徴を生成するために治療経路パターン認識モジュール１７４を実行することができる。一例として、治療経路パターン認識モジュールは、この新しい患者の入院についての治療経路を抽出し、治療経路パターン認識モジュールによって抽出されたパターンからこの治療経路についてのバイナリ特徴を取り出し、治療経路パターン認識モジュールによってマイニングされたパターンからこの治療経路についてのマルチクラスカテゴリ特徴を取り出し、この入院または退院のための両方のタイプの特徴を出力することができる。

１７０８において、コンピューティング装置は、この入院または退院のための特徴の全セットを生成するために、基本特徴と高度な特徴とを統合することができる。

１７１０において、コンピューティング装置は、選択された入院に対する結果の確率を決定するために、生成された特徴の全セットをそれぞれのアプリケーションについて訓練された機械学習予測モデルに入力し、訓練された機械学習予測モデルを使用して決定された予測確率を出力することができる。

図１８は、いくつかの実施形態による、入院期間（ＬＯＳ）予測のための例示的なプロセス１８００を示す流れ図である。いくつかの例では、プロセス１８００は、入院期間予測アプリケーション１８６を実行することにより、サービスコンピューティング装置１０２または他の適切なコンピューティング装置によって実行することができる。

１８０２において、コンピューティング装置は、新しい患者の入院を入力として受信することができる。

１８０４において、コンピューティング装置は、この入院についての特徴を生成することができる。例えば、上述した技術を使用して、特徴ジェネレータ１７２は、特定の入院についての基本的な機能を生成するために、図１、図６および図７に関連して上述したように実行することができる。いくつかの例では、高度な特徴は、例えば図１６および図１７に関連して上述したように生成することができる。

１８０６において、コンピューティング装置は、保存された治療経路患者プロファイルモデルを１つずつ使用して、この入院についての特徴に基づいて予測を生成することができる。各モデルに対して、確率が生成され得る。治療経路患者プロファイルモデルが全部でｎ個あり、予測された確率がｐ_１、ｐ_２，．．．，ｐ_ｎであるとする。１８０６に続いて、プロセスは、ブロック１８０８および１８１０を含む第１の方法１８０７、またはブロック１８１２、１８１４、１８１６、および１８１８を含む第２の方法１８１１を実行することができる。

１８０８において、コンピューティング装置は、治療経路ｋに関連付けられた過去の入院のＬＯＳの経験的分布を計算することができ、ここで、ｐ_ｋ＝ｍａｘ（ｐ_１、ｐ_２，．．．，ｐ_ｎ）である。

１８１０において、コンピューティング装置は、この入院についてのＬＯＳの予測として、治療経路ｋについてのＬＯＳの分布を出力することができる。

１８１２において、コンピューティング装置は、予測確率に少なくとも部分的に基づいて、各治療経路についての重みを計算することができる。例えば、各治療経路の重みは、数１０に基づいて計算することができ、ここで、ｗ_ｉは選択された治療経路の重みである。

１８１４において、コンピューティング装置は、各治療経路に関連する過去の入院のＬＯＳの経験的分布を計算することができる。例えば、治療経路ｉについてのＬＯＳの分布がｆ_ｉ（ｘ）であると仮定する。

１８１６において、コンピューティング装置は、計算された重みと経験的分布とに基づいて重み付き混合分布を計算することができる。一例として、数１１であり、Ｆ（ｘ）は重み付き混合分布である。

１８１８において、コンピューティング装置は、この入院についてのＬＯＳの予測として重み付き混合分布Ｆ（ｘ）を出力することができる。

図１９は、いくつかの実施形態による、次の医療介入を決定するための例示的なプロセス１９００を示す流れ図である。いくつかの例では、プロセス１９００は、次の医療介入推奨アプリケーション１９２を実行することにより、サービスコンピューティング装置１０２または他の適切なコンピューティング装置によって実行することができる。

１９０２において、コンピューティング装置は、新しい患者の入院を入力として受信することができる。

１９０４において、コンピューティング装置は、この入院についての特徴を生成することができる。例えば、コンピューティング装置は、データマイニングプログラム１２２の特徴ジェネレータ１７２を実行して、上述のようにこの入院についての特徴を生成することができる。

１９０６において、コンピューティング装置は、生成された特徴を保存された治療経路患者プロファイルモデルに１つずつ入力して、この入院に対して生成された特徴に基づいて予測を生成することができる。例えば、新しい患者の入院に関連する受信情報から生成された特徴は、各治療経路を経験した患者との類似性の量に基づいてそれぞれの治療経路に分類されるそれぞれの確率を得るために複数の治療経路患者プロファイルモデルに入力することができる。したがって、確率は各治療経路患者プロファイルモデルに対して生成される。

１９０８において、コンピューティング装置は、生成された全ての確率をランク付けし、最高の確率を有する上位ｋ個のモデルを出力することができる。

１９１０において、コンピューティング装置は、ユーザによる対話および／または選択を可能にするためにＧＵＩに上位ｋ個の確率を提示することができる。例示的なＧＵＩは、図２０に関連して以下に説明される。

１９１２において、コンピューティング装置は、ＧＵＩを介して、新しい患者の入院に対応する患者についての治療経路のユーザ選択を受信し、選択された治療経路に基づいて患者のための次の医学的介入として少なくとも１つの処置を出力することを含む、患者のための選択された治療経路を出力することができる。

図２０は、いくつかの実施形態による、次の医療介入のための比較有効性分析の視覚化を含む例示的なＧＵＩ２０００を示す。この例では、ＧＵＩ２０００は、氏名、年齢、性別などの患者情報２００２を含む。さらに、ＧＵＩ２０００は、選択された患者について治療経路分析プラットフォームによって実行された分析の結果の視覚化を提供する３つの領域を含む。

第１の領域２００４は、類似の患者のパターンを示すサンキーダイアグラム２００６として、類似の患者のための治療経路についての結果を示す。例えば、「類似の」患者は、２００２で識別された選択された患者と同じＤＲＧコードを有する患者を参照することができるが、他の例では他のマッチング特性を使用することができる。サンキーダイアグラムは、複数の治療経路構成要素間、すなわちラボ２００８から診断２０１０、処置２０１２、結果２０１４へと進む。複数のバンド２０１６は、これらの治療経路構成要素のそれぞれとバンドの相対的な高さとの間に延び、それぞれの治療経路構成要素を経験した患者の数を示し得る。例えば、ラボ２００８は、５つの異なるラボアクション、すなわち、Ｌ：ＮＡ（ラボ作業は行われなかった）、Ｌ：ＬＡ４、ＬＡ１６、Ｓ４０（３つの異なるラボ作業が行われた）、Ｌ：Ｓ３７（コードＳ３７で示される特定のラボ作業が行われた）、Ｌ：ＬＡ１６（コードＬＡ１６で示される特定のラボ作業が行われた）、およびＬ：ＬＡ４（コードＬＡ４で示される特定のラボ作業が行われた）、に分けられる。

１つまたは複数のバンド２０１６は、ラボアクションのそれぞれから延びており、バンドの相対的な高さは、構成要素２００８、２０１０、２０１２、および２０１４の同じ治療経路の組み合わせを経験した患者の数に基づいてもよい。この例では、２つの診断２０１０、すなわちコードＤ：０３８９のラベルが付けられた第１の診断とコードＤ：０３８４２のラベルが付けられた第２の診断のみが含まれる。さらに、２つの処置２０１２、すなわちアクションがとられなかった第１の処置Ｐ：ＮＡと、コードＰ：３８９３を有する第２の処置と、が示されている。さらに、２つの結果２０１４、すなわち、再入院なし（ＲｅＡｄｍ：０）または再入院（ＲｅＡｄｍ：１）が示されている。この例では、第１のバンド２０１８および第２のバンド２０２０は、再入院をもたらさない最も可能性の高い治療経路を示し、これは、例えば、図１９に関連して説明されたプロセス１９００において識別された最高ランクの治療経路に対応し得る。

ＧＵＩ２０００の左下は、治療経路患者プロファイルモデルに基づく２つの最も可能性の高い治療経路２０１８および２０２０を含む領域２０２２を含む。さらに、ＧＵＩ２０００の右下は、２つの最も可能性の高い治療経路２０１８および２０２０について関連するメトリックの比較を視覚化する領域２０２４を含む。この例では、最も可能性の高い治療経路パターンはパターンＡとして参照され、サンキーダイアグラムの対応するフローはバンド２０２０としてハイライトされる。さらに、２番目に可能性が高い治療経路パターンはパターンＢとして参照され、サンキーダイアグラムのバンド２０１８に対応する。

したがって、領域２０２２において、パターンＡについて、それぞれのコードに対応する記述を含むように治療経路構成要素をより詳細に表すことができる。例えば、２０３０に示すように、治療経路パターンＡは、ラボ→診断→処置を含み、ラボは、２０３２に示すようにラボがないことを示すＬ：ＮＡであり、診断は、２０３４に示すようにＤ：０３８９敗血症ＮＯＳであると示され、処置は、２０３６に示すようにＰ：３８９３静脈カテーテルＮＥＣであると示される。２０３８に示されるように、ユーザは、選択した患者にパターンＡの治療経路を適用するようにユーザが望むならば、パターンＡを選択するために仮想コントロールをクリックするか、そうでなければ選択することができる。同様に、治療経路パターンＢについて２０４０に示されるように、ラボは、２０４２に示すようにラボがないことを示すＬ：ＮＡであり、診断は、２０４４に示すようにＤ：０３８９敗血症ＮＯＳであると示され、処置は、２０４６に示すようにＰ：ＮＡ処置がないと示される。２０４８に示すように、ユーザは、選択した患者にパターンＢの治療経路を適用するようにユーザが望むならば、パターンＢを選択するために仮想コントロールをクリックするか、そうでなければ選択することができる。一例として、患者に対する特定の治療経路をユーザが選択することによって、次の医療介入推奨アプリケーションに患者に対する選択された治療経路を出力させることができ、これは選択された治療経路に基づいて患者に対する次の医療介入として少なくとも１つの処置を出力することを含み得る。

加えて、メトリック比較を示す領域２０２４は、図１５の視覚化に関連して上述した５つのメトリックを含み得る。したがって、この例のメトリックは、２０５０に示すような平均ＬＯＳ、２０５２に示すようなＬＯＳの標準偏差、２０５４に示すような再入院確率、２０５６に示すようなＥＤ来院確率、および２０５８に示すような死亡率を含む。さらに、この例では棒グラフが使用されているが、他の例では、図１５に関連して上述したスパイダチャート１５００など、他のタイプの視覚化を使用することができる。

図２１は、いくつかの実施形態による、リソース利用を決定するための例示的なプロセス２１００を示す流れ図である。いくつかの例では、プロセス２１００は、病床管理アプリケーション１８８またはスタッフ計画アプリケーション１９０のうちの１つを実行することなどにより、サービスコンピューティング装置１０２または他の適切なコンピューティング装置によって実行することができる。

２１０２において、コンピューティング装置は、リソースを共有する１日（０日目）の新しい患者の入院のグループを入力として受信することができる。

２１０４において、コンピューティング装置は、新しい患者の入院について受信した情報に基づいて、入院ごとに予測ＬＯＳを決定することができる。例えば、コンピューティング装置は、グループ内の各入院についてのＬＯＳ分布を決定するために、各入院に対して図１に関連して上述したＬＯＳ予測アプリケーション１８６を実行することができる。

２１０６において、コンピューティング装置は、百分位数レベルを指定し、そのＬＯＳが少なくともｉ日であるという推定確率を決定することができる。一例として、合計Ｍ人の新しい患者がいると仮定し、次いで各個々の患者の入院ｍについて、そのＬＯＳが少なくともｉであるという推定確率はｘ_ｍ（ｉ）であり得る。

２１０８において、コンピューティング装置は、ｉ日目の新しい患者の入院からの需要の指定された百分位数Ｄ_ｉを計算することができる。一例として、Ｄ_ｉは、期待値ｘｍ（ｉ）、ｍ＝１，２，．．．，Ｍを有するＭ個の独立したバイナリ（０／１）確率変数の合計の指定された百分位数である。

２１１０において、コンピューティング装置は、受信した新たな患者の入院に基づいて、１つまたは複数の選択された日数ｉにおけるリソースについての予測需要Ｄ_ｉを出力することができる。

２１１２において、コンピューティング装置は、予測需要に基づいてアクションを実行することができる。例えば、コンピューティング装置が病床管理アプリケーション１８８を実行している場合、病床管理アプリケーション１８８は、ベッドに対する予測需要に基づいて必要な数のベッドを予約するために実行することができる。同様に、スタッフ計画アプリケーション１９０が実行されている場合、スタッフ計画アプリケーション１９０は、その時間における要員配置の予測需要に基づいて、指定された時間に働くように必要な数のスタッフ従業員をスケジュールすることができる。

本明細書に記載の例示的なプロセスは、説明の目的で提供されたプロセスの単なる例である。本明細書の開示に照らして、多数の他の変形が当業者には明らかであろう。さらに、本明細書における開示は、プロセスを実行するための適切なフレームワーク、アーキテクチャ、および環境のいくつかの例を説明しているが、本明細書における実施形態は、示され説明された特定の例に限定されない。さらに、本開示は、図面で説明され示されるように、様々な例示的な実施形態を提供する。しかしながら、本開示は、本明細書で説明および図示された実施形態に限定されず、当業者に知られているように、または知られるようになるように、他の実施形態に拡張することができる。

本明細書に記載の様々な命令、プロセス、および技術は、コンピュータ可読媒体に格納され本明細書のプロセッサによって実行されるプログラムなど、コンピュータ実行可能命令の一般的な文脈で考えることができる。一般に、プログラムは、特定のタスクを実行するため、または特定の抽象データ型を実装するためのコンピュータ可読命令、ルーチン、モジュール、アプリケーション、オブジェクト、構成要素、データ構造、実行可能コードなどを含む。これらのプログラムなどは、ネイティブコードとして実行されてもよく、または仮想マシンまたは他のジャストインタイムコンパイル実行環境などでダウンロードされ実行されてもよい。通常、プログラムの機能は、様々な実施形態において望まれるように組み合わせるか分散させることができる。これらのプログラムおよび技術の実施形態は、コンピュータ記憶媒体に記憶されるか、または何らかの形態の通信媒体を介して送信されてもよい。

主題は構造的特徴および／または方法論的行為に特有の言語で説明されているが、添付の特許請求の範囲に規定された主題は必ずしも説明された特定の特徴または行為に限定されないことを理解されたい。むしろ、特定の特徴および行為は、特許請求の範囲を実施する例示的な形態として開示されている。

Claims (20)

1. ディスプレイと、
   前記ディスプレイと通信する１つまたは複数のプロセッサと、
   実行可能命令を保持する１つまたは複数の非一時的コンピュータ可読媒体と、
   を含み、
   前記実行可能命令は、前記１つまたは複数のプロセッサによって実行されると、下記を含む動作を実行するように前記１つまたは複数のプロセッサをプログラムする、
   下記に基づいて、複数の治療経路患者プロファイルモデルを生成するステップ、
   過去の複数の患者の入院に対する複数の治療経路パターンを特定するステップ、
   閾値よりも高い頻度を有する前記治療経路パターンのサブセットを選択するステップ、
   前記サブセット内の前記治療経路パターンに対する特徴のそれぞれのセットを生成するステップ、
   特徴の前記それぞれのセットを使用して、前記サブセット内の各治療経路パターンについて訓練された分類子としてそれぞれの治療経路患者プロファイルモデルを訓練するステップ、
   新しい患者の入院に関連する情報を受け取るステップ、
   前記新しい患者の入院に関連する前記受け取った情報から特徴を生成するステップ、
   前記新しい患者の入院に関連する前記受け取った情報から生成された前記特徴を前記複数の治療経路患者プロファイルモデルに入力して、各治療経路を経験した患者との類似性の量に基づいてそれぞれの治療経路に分類されるそれぞれの確率を得るステップ、
   前記それぞれの確率に基づいてそれぞれの治療経路パターンをランク付けするステップ、及び、
   前記ランク付けに基づいてグラフィカルユーザインターフェース（ＧＵＩ）内の少なくとも１つの治療経路パターンに関連する情報を前記ディスプレイに提示するステップ、
   システム。
2. 前記ランク付けに基づいて前記ＧＵＩ内の少なくとも１つの治療経路パターンに関連する情報を提示するステップは、下記を含む、
   ラボ情報、診断情報、および処置情報を含む、少なくとも１つの最高ランクの治療経路パターンに関連する情報を提示するステップ、
   請求項１に記載のシステム。
3. 前記動作は、下記をさらに含む、
   前記ＧＵＩを介して、前記新しい患者の入院に対応する患者についての治療経路パターンのユーザ選択を受け取るステップ、および、
   前記選択された治療経路パターンに基づいて、前記患者に対する次の医療介入として少なくとも１つの処置を出力することによって、前記新しい患者の入院に対する前記選択された治療経路パターンに関連する情報を出力するステップ、
   請求項１に記載のシステム。
4. 前記動作は、下記をさらに含む、
   前記受け取った情報から生成された前記特徴を前記複数の治療経路患者プロファイルモデルに入力することに基づいて、前記新しい患者の入院についての入院期間の確率を、下記のうちの少なくとも１つとして決定するステップ、
   それぞれの治療経路パターンに関連する過去の入院の入院期間の経験的分布、または、
   前記サブセット内の個々の治療経路パターンの重みを決定し、前記個々の治療経路パターンに関連する過去の入院の入院期間の前記経験的分布を決定し、前記経験的分布と前記決定された重みから重み付き混合分布を決定する、ことに基づいて決定された入院期間の重み付き混合分布、
   請求項１に記載のシステム。
5. 前記動作は、下記をさらに含む、
   複数の新しい患者について入院期間分布を決定するステップ、
   前記複数の新しい患者の入院について決定された入院期間分布に基づいて病院リソースに対する需要を決定するステップ、および、
   前記決定された需要に基づいて少なくとも１つのスケジューリング動作を実行するステップ、
   請求項４に記載のシステム。
6. 前記サブセット内の前記治療経路に対する特徴のそれぞれのセットを生成するステップは、
   前記関連する治療経路パターンの頻度に基づいて前記過去の患者の入院についてバイナリ特徴ベクトルを生成し、前記関連する治療経路パターンが第１の閾値を超える頻度を有する場合は第１の値を割り当て、そうでない場合は前記第１の値とは異なる第２の値を割り当てるステップと、
   前記過去の複数の患者の入院に対する結果ラベルを決定するステップと、
   前記特徴ベクトルと前記結果ラベルとの間の相互情報を最大にするために、前記サブセット内の前記治療経路パターンのそれぞれについて、治療経路パターン頻度に対する最適化された閾値を決定するステップと、
   を含む、
   請求項１に記載のシステム。
7. 前記サブセット内の前記治療経路に対する特徴のそれぞれのセットを生成するステップは、下記を含む、
   前記治療経路パターンの前記サブセット内の各治療経路パターンについて、前記治療経路パターン内の遷移を選択し、各遷移内の２つの要素の共起行列、各遷移内の前記２つの要素の頻度行列、または各遷移内の前記２つの要素の応答率行列、のうちの少なくとも１つを生成するステップ、
   それぞれの前記共起行列、前記頻度行列、または前記応答率行列のうちの少なくとも１つに対してバイクラスタ化を実行して、それぞれのバイクラスタを取得するステップ、および、
   前記それぞれの患者の入院がバイクラスタに対応する遷移を経た場合、前記治療経路パターンに対応するそれぞれの患者の入院について前記特徴を生成するステップ、
   請求項１に記載のシステム。
8. １つまたは複数のプロセッサによって、過去の複数の患者の入院に対する複数の治療経路パターンに基づいて複数の治療経路患者プロファイルモデルを生成するステップであって、各治療経路患者プロファイルモデルは、訓練された分類子を含む、ステップと、
   前記１つまたは複数のプロセッサによって、新しい患者の入院に関連する情報を受け取るステップと、
   前記１つまたは複数のプロセッサによって、前記新しい患者の入院に関連する前記受け取った情報から特徴を生成するステップと、
   前記１つまたは複数のプロセッサによって、前記新しい患者の入院に関連する前記受け取った情報から生成された前記特徴を前記複数の治療経路患者プロファイルモデルに入力して、各治療経路を経験した患者との類似性の量に基づいてそれぞれの治療経路に分類されるそれぞれの確率を得るステップと、
   前記１つまたは複数のプロセッサによって、グラフィカルユーザインターフェース（ＧＵＩ）内の少なくとも１つの治療経路パターンに関連する情報をディスプレイに提示するステップと、
   を含む方法。
9. 前記ＧＵＩ内の少なくとも１つの治療経路に関連する情報を提示するステップは、下記を含む、
   前記それぞれの確率に基づいてそれぞれの治療経路パターンをランク付けするステップ、および、
   ラボ情報、診断情報、および処置情報を含む、少なくとも１つの最高ランクの治療経路に関連する情報を提示するステップ、
   請求項８に記載の方法。
10. 前記ＧＵＩを介して、前記新しい患者の入院に対応する患者についての治療経路パターンのユーザ選択を受け取るステップと、
    前記選択された治療経路パターンに基づいて、前記患者に対する次の医療介入として少なくとも１つの処置を出力することによって、前記新しい患者の入院に対する前記選択された治療経路パターンに関連する情報を出力するステップと、
    を含む請求項８に記載の方法。
11. 前記複数の治療経路患者プロファイルモデルを下記によって生成するステップをさらに含む、
    前記過去の複数の患者の入院に対する複数の治療経路パターンを特定するステップ、
    閾値よりも高い頻度を有する前記治療経路パターンのサブセットを選択するステップ、
    前記サブセット内の前記治療経路パターンに対する特徴のそれぞれのセットを生成するステップ、および、
    特徴の前記それぞれのセットを使用して、前記サブセット内の各治療経路パターンについて訓練された前記分類子としてそれぞれの治療経路患者プロファイルモデルを訓練するステップ、
    請求項８に記載の方法。
12. 前記サブセット内の前記治療経路に対する特徴のそれぞれのセットを生成するステップは、下記を含む、
    前記関連する各治療経路パターンの頻度に基づいて前記過去の患者の入院についてバイナリ特徴ベクトルを生成し、前記関連する治療経路パターンが第１の閾値を超える頻度を有する場合は第１の値を割り当て、そうでない場合は前記第１の値とは異なる第２の値を割り当てるステップ、
    前記過去の複数の患者の入院に対する結果ラベルを決定するステップ、および、
    前記特徴ベクトルと前記結果ラベルとの間の相互情報を最大にするために、前記サブセット内の前記治療経路パターンのそれぞれについて、治療経路パターン頻度に対する最適化された閾値を決定するステップ、
    請求項１１に記載の方法。
13. 前記受け取った情報から生成された前記特徴を前記複数の治療経路患者プロファイルモデルに入力することに基づいて、前記新しい患者の入院についての入院期間の確率を、下記のうちの少なくとも１つとして決定するステップ、
    それぞれの治療経路パターンに関連する過去の入院の入院期間の経験的分布、または、
    前記サブセット内の個々の治療経路パターンの重みを決定し、前記個々の治療経路パターンに関連する過去の入院の入院期間の前記経験的分布を決定し、前記経験的分布と前記決定された重みから重み付き混合分布を決定する、ことに基づいて決定された入院期間の重み付き混合分布、
    をさらに含む請求項８に記載の方法。
14. 複数の新しい患者について入院期間分布を決定するステップと、
    前記複数の新しい患者の入院について決定された入院期間分布に基づいて病院リソースに対する需要を決定するステップと、
    前記決定された需要に基づいて少なくとも１つのスケジューリング動作を実行するステップと、
    をさらに含む請求項１３に記載の方法。
15. 命令を格納する１つまたは複数の非一時的コンピュータ可読媒体であって、
    前記命令は、１つまたは複数のプロセッサによって実行されると、下記を含む動作を実行するように前記１つまたは複数のプロセッサをプログラムする、
    過去の複数の患者の入院に対する複数の治療経路パターンに基づいて複数の治療経路患者プロファイルモデルを生成するステップであって、各治療経路患者プロファイルモデルは、訓練された分類子を含む、ステップ、
    新しい患者の入院に関連する情報を受け取るステップと、
    前記新しい患者の入院に関連する前記受け取った情報から特徴を生成するステップ、
    前記新しい患者の入院に関連する前記受け取った情報から生成された前記特徴を前記複数の治療経路患者プロファイルモデルに入力して、前記新しい患者の入院がそこに分類されるかどうかに関する前記治療経路患者プロファイルモデルのそれぞれの確率を得るステップ、
    前記それぞれの確率に少なくとも部分的に基づいて、グラフィカルユーザインターフェース（ＧＵＩ）内の少なくとも１つの治療経路パターンに関連する情報をディスプレイに提示するステップ、
    非一時的コンピュータ可読媒体。
16. 前記ＧＵＩ内の少なくとも１つの治療経路に関連する情報を提示するステップは、下記を含む、
    前記それぞれの確率に基づいてそれぞれの治療経路パターンをランク付けするステップ、および、
    ラボ情報、診断情報、および処置情報を含む、少なくとも１つの最高ランクの治療経路に関連する情報を提示するステップ、
    請求項１５に記載の１つまたは複数の非一時的コンピュータ可読媒体。
17. 前記動作は、下記をさらに含む、
    前記ＧＵＩを介して、前記新しい患者の入院に対応する患者についての治療経路パターンのユーザ選択を受け取るステップ、および、
    前記選択された治療経路パターンに基づいて、前記患者に対する次の医療介入として少なくとも１つの処置を出力することによって、前記新しい患者の入院に対する前記選択された治療経路パターンに関連する情報を出力するステップ、
    請求項１６に記載の１つまたは複数の非一時的コンピュータ可読媒体。
18. 前記複数の治療経路患者プロファイルモデルを生成するステップは、下記を含む、
    前記過去の複数の患者の入院に対する複数の治療経路パターンを特定するステップ、
    閾値よりも高い頻度を有する前記治療経路パターンのサブセットを選択するステップ、
    前記複数の治療経路パターンに対する特徴のそれぞれのセットを生成するステップ、および、
    特徴の前記それぞれのセットを使用して、前記サブセット内の各治療経路パターンについて訓練された前記分類子としてそれぞれの治療経路患者プロファイルモデルを訓練するステップ、
    請求項１６に記載の１つまたは複数の非一時的コンピュータ可読媒体。
19. 前記動作は、下記をさらに含む、
    前記受け取った情報から生成された前記特徴を前記複数の治療経路患者プロファイルモデルに入力することに基づいて、前記新しい患者の入院についての入院期間の確率を、下記のうちの少なくとも１つとして決定するステップ、
    それぞれの治療経路パターンに関連する過去の入院の入院期間の経験的分布、または、
    前記サブセット内の個々の治療経路パターンの重みを決定し、前記個々の治療経路パターンに関連する過去の入院の入院期間の前記経験的分布を決定し、前記経験的分布と前記決定された重みから重み付き混合分布を決定する、ことに基づいて決定された入院期間の重み付き混合分布、
    請求項１５に記載の１つまたは複数の非一時的コンピュータ可読媒体。
20. 前記動作は、下記をさらに含む、
    複数の新しい患者について入院期間分布を決定するステップ、
    前記複数の新しい患者の入院について決定された入院期間分布に基づいて病院リソースに対する需要を決定するステップ、
    前記決定された需要に基づいて少なくとも１つのスケジューリング動作を実行するステップ、
    請求項１９に記載の１つまたは複数の非一時的コンピュータ可読媒体。
    

Images