JP2020086650A - 救急需要予測装置、救急需要予測方法およびプログラム - Google Patents

救急需要予測装置、救急需要予測方法およびプログラム Download PDF

Info

Publication number
JP2020086650A
JP2020086650A JP2018216605A JP2018216605A JP2020086650A JP 2020086650 A JP2020086650 A JP 2020086650A JP 2018216605 A JP2018216605 A JP 2018216605A JP 2018216605 A JP2018216605 A JP 2018216605A JP 2020086650 A JP2020086650 A JP 2020086650A
Authority
JP
Japan
Prior art keywords
learning
emergency
data
prediction
unit
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
Application number
JP2018216605A
Other languages
English (en)
Other versions
JP7087946B2 (ja
Inventor
順暎 金
Junei Kin
順暎 金
社家　一平
Ippei Shake
一平 社家
和昭 尾花
Kazuaki Obana
和昭 尾花
篤彦 前田
Atsuhiko Maeda
篤彦 前田
武本　充治
Mitsuharu Takemoto
充治 武本
幸雄 菊谷
Yukio Kikutani
幸雄 菊谷
浩史 佐藤
Hiroshi Sato
浩史 佐藤
哲生 川野
Tetsuo Kawano
哲生 川野
福田　健一
Kenichi Fukuda
健一 福田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2018216605A priority Critical patent/JP7087946B2/ja
Priority to US17/294,514 priority patent/US12009106B2/en
Priority to PCT/JP2019/043920 priority patent/WO2020105478A1/ja
Publication of JP2020086650A publication Critical patent/JP2020086650A/ja
Application granted granted Critical
Publication of JP7087946B2 publication Critical patent/JP7087946B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

【課題】対象エリア内の救急要請の発生数を効率的に予測する救急需要予測装置、救急需要予測方法及びプログラムを提供する。【解決手段】救急需要予測装置１は、対象エリア内の救急要請の発生数を予測する。救急需要予測装置１は、救急要請が発生した日時の情報と、救急要請が発生した位置の情報と、原因となった傷病の情報とを含む実績データを取得し、学習用の実績データをもとに生成される第１の学習用データを入力として傷病群を出力する第１の学習モデルを生成し、学習用の実績データと第１の学習モデルから出力される傷病群とをもとに生成される第２の学習用データを入力として、単位領域ごとの救急要請の発生数を出力する第２の学習モデルを生成し、予測用の実績データと学習済みの第１の学習モデルから出力される傷病群とをもとに生成される予測用データを、学習済みの第２の学習モデルに入力して、単位領域ごとの救急要請の発生数を予測する。【選択図】図１

Description

この発明の一態様は、救急医療において救急要請の発生数を予測するための救急需要予測装置、救急需要予測方法およびプログラムに関する。
近年の高齢化に伴い、日本では市民の１１９番通報にともなう救急隊出動数が年々増加し、あわせて救急隊出動時間も増加傾向にある。救命救急の現場では数分の遅れが致命的であるが、消防署に配分される予算は限られており、救急隊員数の大幅な増員は望めないため、救急出動時間を削減するための技術開発が急務となっている。
例えば、札幌市では、将来の人口増加の予測を行い、区別（中央区、北区、東区・・・）および５歳階級別（０〜４歳、５〜９歳、１０〜１４歳・・・）の救急搬送数をそれに掛け合わせることで、将来の区別の救急需要を予測し、救急車の最適配置を検討する試みを行っている（非特許文献１）。また総務省も、ビッグデータを用いた救急需要予測および当該予測に基づく救急車の効率配置に関するシステムを導入すると発表している（非特許文献２）。
救急隊の適正配置等に関する研究会（札幌市消防局）、平成２６年度一般財団法人救急振興財団調査研究助成事業「救急需要増加に伴う救急隊の適正配置等に関する研究について」、［online］、２０１５年３月、インターネット<URL: http://www.fasd.or.jp/tyousa/pdf/h26tekisei.pdf> 日本経済新聞電子版、「救急車を効率配置 ビッグデータ活用、需要予測」、［online］、２０１６年１０月２８日、インターネット<URL: https://www.nikkei.com/article/DGXLASFS31H0P_Y6A021C1MM0000/>
これらの非特許文献に記載の技術において、救急車の最適配置を行うためには、細かい地域（丁目、もしくは第３次メッシュ等）レベルでの救急需要予測を行う必要がある。しかし、地域を細分するにつれ、救急要請の発生頻度も減少するため、確率事象として解析することが非常に困難になる。
ここで、救急要請発生数は、様々な環境因子の影響を受けると考えられており、そのような環境因子として、例えば以下のものが挙げられる。
・気温・湿度・気圧等の気候情報（熱中症、偏頭痛、喘息、関節痛など）
・天候情報（降雨による交通事故、積雪による転倒など）
・伝染性のある病気の流行状況（風邪、インフルエンザなと）
・該当地域の特性（繁華街における急性アルコール中毒症など）
様々な環境因子と、それらの影響を受ける傷病群を明らかにすることで、救急需要の推定精度を高めることができると考えられる。しかしながら、一般に、救急搬送データにおいては、傷病分類が非常に細かく区分されているため、多くの傷病において、解析に耐えるだけの出現頻度が得られない。また、救急搬送データは、自治体ごとにフォーマットが異なっており、傷病分類も自治体ごとに様々であり、一般化が容易ではない。
この発明は上記事情に着目してなされたもので、その目的とするところは、救急要請の発生数を高精度かつ効率的に予測する技術を提供することにある。
上記課題を解決するためにこの発明の第１の態様は、対象エリア内の救急要請の発生数を予測する救急需要予測装置にあって、救急要請が発生した日時を表す日時情報と、救急要請が発生した場所を表す位置情報と、救急要請の原因となった傷病を表す傷病情報とを含む実績データを取得する実績データ取得部と、学習用に取得された実績データをもとに生成される第１の学習用データを入力として、上記実績データに含まれる救急要請の原因となった傷病の各々が属する傷病群を出力する、第１の学習モデルを生成する、第１の学習部と、学習用に取得された実績データと、上記第１の学習モデルから出力される傷病群とをもとに生成される第２の学習用データを入力として、救急要請の発生数を出力する、第２の学習モデルを生成する、第２の学習部と、予測用に取得された実績データと、学習済みの上記第１の学習モデルから出力される傷病群とをもとに生成される予測用データを、学習済みの上記第２の学習モデルに入力して、上記対象エリア内の単位領域ごとの救急要請の発生数を予測する、要請発生数予測部と、を具備するようにしたものである。
この発明の第２の態様は、上記第１の態様において、上記実績データに含まれる位置情報に基づいて、上記救急要請が発生した場所の気象に関する情報を含む環境データを取得する、環境データ取得部をさらに具備し、上記第２の学習部が、学習用に取得された環境データをさらに入力として用いて、上記第２の学習モデルを生成し、上記要請発生数予測部が、予測用に取得された環境データを、学習済みの上記第２の学習モデルにさらに入力して、単位領域ごとの救急要請の発生数を予測するようにしたものである。
この発明の第３の態様は、上記第１の態様において、上記実績データに含まれる位置情報に基づいて、上記救急要請が発生した場所の地域統計に関する情報を含む地域データを取得する、地域データ取得部をさらに具備し、上記第２の学習部が、学習用に取得された地域データをさらに入力として用いて、上記第２の学習モデルを生成し、上記要請発生数予測部が、予測用に取得された地域データを、学習済みの上記第２の学習モデルにさらに入力して、単位領域ごとの救急要請の発生数を予測するようにしたものである。
この発明の第４の態様は、上記第１の態様において、上記実績データに含まれる位置情報に基づいて、上記救急要請が発生した場所の地域統計に関する情報を含む地域データを取得する、地域データ取得部と、学習用に取得された地域データを入力として、単位領域ごとの地域特徴量を出力する、第３の学習モデルを生成する、第３の学習部とをさらに具備し、上記第２の学習部が、上記第３の学習モデルから出力される地域特徴量をさらに入力として用いて、上記第２の学習モデルを生成し、上記要請発生数予測部が、学習済みの上記第３の学習モデルから出力される地域特徴量を、学習済みの上記第２の学習モデルにさらに入力して、単位領域ごとの救急要請の発生数を予測するようにしたものである。
この発明の第５の態様は、上記第１の態様において、上記第１の学習モデルが、ニューラルネットワークの第１のレイヤーにより構成され、上記第２の学習モデルが、上記第１のレイヤーの出力を入力とする、上記ニューラルネットワークの第２のレイヤーにより構成されるようにしたものである。
この発明の第６の態様は、上記第１乃至第５の態様のいずれかにおいて、上記要請発生数予測部による予測結果を視覚的に提示するための出力データを生成して出力する、予測結果出力部をさらに具備するようにしたものである。
この発明の第１の態様によれば、日時情報、位置情報および救急要請の原因となった傷病の情報を含む、救急要請の発生に関する実績データをもとに、まず学習用に取得された実績データから第１の学習用データが生成され、第１の学習用データを入力として各傷病が属する傷病群を出力する第１のモデルの学習が行われる。次いで、学習用に取得された実績データと第１のモデルから出力される傷病群とをもとに第２の学習用データが生成され、第２の学習用データを入力として救急要請の発生数を出力する第２のモデルの学習が行われる。こうして得られた学習済みの第１のモデルおよび第２のモデルと、予測用に取得された実績データとを用いることにより、単位領域ごとの救急要請の発生数が予測される。
これにより、取得された救急搬送の実績データが傷病単位では解析に耐えるだけの十分な出現頻度を有していない場合でも、まず実績データをもとに傷病の分類を学習させてから、そのような分類の結果を実績データに反映して解析に用いることができ、限られた実績データを効率的に利用して精度よく救急要請の発生数を予測することができる。また、そのような分類の結果を実績データに反映したものを予測モデルの学習に用いることで、各自治体における傷病分類の違いを吸収し、複数の自治体で共通に利用可能なモデルを容易に構築することができる。
この発明の第２の態様によれば、救急要請が発生した場所の気象に関する情報を含む環境データが取得され、取得された環境データがさらに学習および予測に用いられる。これにより、救急要請の発生実績を各地域の気象に関する情報と関連付けた信頼性の高い学習を行うことができ、またこれにより当該地域の救急要請の発生数を高精度に予測することができる。
この発明の第３の態様によれば、救急要請が発生した場所の地域統計に関する情報を含む地域データが取得され、取得された地域データがさらに学習および予測に用いられる。これにより、救急要請の発生実績を各地域の地域統計に関する情報と関連付けた信頼性の高い学習を行うことができ、またこれにより当該地域の救急要請の発生数を高精度に予測することができる。
この発明の第４の態様によれば、救急要請が発生した場所の地域統計に関する情報を含む地域データが取得され、取得された地域データをもとに単位領域ごとの地域特徴量が抽出されて、抽出された地域特徴量がさらに学習および予測に用いられる。これにより、救急要請の発生実績を各地域に固有の地域統計情報に関する特徴量と関連付けた信頼性の高い学習を行うことができ、またこれにより当該地域の救急要請の発生数を高精度に予測することができる。
この発明の第５の態様によれば、第１の学習モデルがニューラルネットワークの第１のレイヤーにより構成され、第１のレイヤーからの出力が、当該ニューラルネットワークの第２のレイヤーとしての第２の学習モデルに入力される。これにより、別個の処理を要することなく、実績データをニューラルネットワークに入力することで、一括して２つの学習モデルを学習し、更新し、予測を行うことが可能となる。
この発明の第６の態様によれば、救急要請の発生数の予測結果が、当該予測結果を視覚的に提示するための出力データとして出力される。これにより、近い将来に予測される単位領域ごとの救急要請の発生数を容易に把握することができ、適切な対策をより迅速に講じることが可能となる。
すなわちこの発明の各態様によれば、救急要請の発生数を高精度かつ効率的に予測する技術を提供することができる。
図１は、この発明の一実施形態に係る救急需要予測装置の機能構成の第１の例を示すブロック図である。 図２は、図１に示した救急需要予測装置による分類モデルの学習手順の一例を示すフローチャートである。 図３は、図１に示した救急需要予測装置による予測モデルの学習手順の一例を示すフローチャートである。 図４は、図１に示した救急需要予測装置による予測手順の一例を示すフローチャートである。 図５は、救急搬送の実績データの一例を示す図である。 図６Ａは、クラスタリングを用いた傷病群抽出結果の一例を示す図である。 図６Ｂは、クラスタリングを用いた傷病群抽出結果を可視化した例を示す図である。 図７は、予測モデル学習用データの一例を示す図である。 図８は、図１に示した救急需要予測装置による予測結果の一例を示す図である。 図９は、この発明の一実施形態に係る救急需要予測装置の機能構成の第２の例を示すブロック図である。 図１０は、環境データの一例を示す図である。 図１１は、前処理を施した環境データの一例を示す図である。 図１２は、この発明の一実施形態に係る救急需要予測装置の機能構成の第３の例を示すブロック図である。 図１３は、地域データの一例を示す図である。 図１４は、この発明の一実施形態に係る救急需要予測装置の機能構成の第４の例を示すブロック図である。 図１５は、地域性学習用データの一例を示す図である。 図１６は、地域性学習結果の一例を示す図である。 図１７は、この発明の一実施形態に係る救急需要予測装置による学習手順の第２の例を示すフローチャートである。 図１８は、この発明の一実施形態に係る救急需要予測装置による予測手順の第２の例を示すフローチャートである。 図１９は、図１７に示した学習手順で用いられる学習用データの一例を示す図である。 図２０は、図１７に示した学習手順および図１８に示した予測手順におけるデータフローを示す略図である。 図２１Ａは、救急需要予測結果を視覚表示する第１の例を示す図である。 図２１Ｂは、救急需要予測結果を視覚表示する第２の例を示す図である。
以下、図面を参照してこの発明に係わる実施形態を説明する。
［一実施形態］
［実施例１］
（構成）
図１は、この発明の一実施形態に係る救急需要予測装置１の機能構成を示すブロック図である。
救急需要予測装置１は、例えば、各自治体の消防本部によって管理され、過去の単位領域あたりの救急要請の発生数を教師データとして、数時間ないし数日先の単位時間あたり単位領域あたりの救急発生数を推定するもので、例えばサーバコンピュータまたはパーソナルコンピュータにより構成される。
救急需要予測装置１は、ネットワークＮＷを介して、救急データベースＥＭＤＢをはじめとする種々のサーバやデータベースとの間で通信が可能となっている。救急データベースＥＭＤＢは、例えば、指令台や救急隊から入力された救急搬送情報や傷病者情報を含む救急要請の発生実績に関するデータを蓄積している。
ネットワークＮＷは、例えば中継網と、この中継網に対しアクセスするための複数のアクセス網とから構成される。一般的なインターネットのような公衆網や限られた機器などからのみアクセスできるよう制御された閉域網がある。中継網としては例えばインターネットプロトコルを利用した公衆網や閉域網が用いられる。アクセス網としては例えばＬＡＮ（Local Area Network）、無線ＬＡＮ、携帯電話網、有線電話網、ＦＴＴＨ（Fiber To The Home）、ＣＡＴＶ（Cable Television）網が用いられる。
一実施形態に係る救急需要予測装置１は、入出力インタフェースユニット１０と、制御ユニット２０と、記憶ユニット３０とを備えている。
入出力インタフェースユニット１０は、例えば１つ以上の有線または無線の通信インタフェースユニットを含んでおり、外部機器との間で情報の送受信を可能にする。有線インタフェースとしては、例えば有線ＬＡＮが使用され、また無線インタフェースとしては、例えば無線ＬＡＮやＢｌｕｅｔｏｏｔｈ（登録商標）などの小電力無線データ通信規格を採用したインタフェースが使用される。
例えば、入出力インタフェースユニット１０は、制御ユニット２０の制御の下、救急データベースＥＭＤＢにアクセスして、蓄積されたデータを読み出し、読み出したデータを制御ユニット２０に渡す処理を行う。入出力インタフェースユニット１０はまた、キーボードなどの入力デバイス（図示せず）によって入力された指示情報を制御ユニット２０に出力する処理を行うことができる。さらに、入出力インタフェースユニット１０は、制御ユニット２０から出力された学習結果や予測結果を、液晶ディスプレイなどの表示デバイス（図示せず）に出力したり、ネットワークＮＷを介して外部機器に送信する処理を行うことができる。
記憶ユニット３０は、記憶媒体として、例えばＨＤＤ（Hard Disk Drive）またはＳＳＤ（Solid State Drive）等の随時書込および読み出しが可能な不揮発性メモリを用いたものであり、この実施形態を実現するために必要な記憶領域として、プログラム記憶部の他に、分類モデル記憶部３１と、予測モデル記憶部３２と、予測結果記憶部３３とを備えている。
分類モデル記憶部３１は、傷病分類を発生パターンに基づき傷病群に再分類するための分類モデルを記憶するために用いられる。
予測モデル記憶部３２は、過去の実績データに基づいて将来の救急要請の発生数を予測するための予測モデルを記憶するために用いられる。
予測結果記憶部３３は、学習済みの予測モデルを用いて得られた予測結果を記憶するために使用される。
ただし、上記記憶部３１〜３３は必須の構成ではなく、例えば、ＵＳＢメモリなどの外付け記憶媒体や、クラウドに配置されたデータベースサーバ等の記憶装置に設けられたものであってもよい。
制御ユニット２０は、図示しないＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等のハードウェアプロセッサと、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等のメモリとを有し、この実施形態を実施するために必要な処理機能として、搬送データ取得部２１と、搬送データ前処理部２２と、傷病群学習部２３と、予測モデル学習部２４と、要請発生数予測部２５と、出力制御部２６とを備えている。これらの処理機能は、いずれも上記記憶ユニット３０に格納されたプログラムを上記プロセッサに実行させることにより実現される。制御ユニット２０は、また、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（field-programmable gate array）などの集積回路を含む、他の多様な形式で実現されてもよい。
搬送データ取得部２１は、実績データ取得部として機能し、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから、救急隊が出動するごとに記録された過去の救急搬送の実績データ（以下、「搬送データ」と言う。）を取得し、搬送データ前処理部２２に渡す処理を行う。
搬送データ前処理部２２は、受け取った搬送データに対して前処理を施してから、傷病群学習部２３、予測モデル学習部２４または要請発生数予測部２５のいずれかに渡す処理を行う。例えば、搬送データ前処理部２２は、受け取った搬送データをもとに、データを分割し、必要な項目を抽出し、欠損の補完を行い、正規化処理をして、傷病群学習用データ、予測モデル学習用データまたは要請発生数予測用データを作成し、各部２３〜２５に渡す。
傷病群学習部２３は、第１の学習部として機能し、搬送データ前処理部２２から傷病群学習用データを受け取り、同様の発生パターンを示す傷病群を学習して、その学習結果を分類モデル記憶部３１に保存する処理を行う。
予測モデル学習部２４は、第２の学習部として機能し、搬送データ前処理部２２から予測モデル学習用データを受け取り、傷病群ごとの発生数や日時情報から救急要請の総発生数を予測するための予測モデルの学習を行い、その学習結果を予測モデル記憶部３２に保存する処理を行う。
要請発生数予測部２５は、搬送データ前処理部２２から要請発生数予測用データを受け取り、予測モデル記憶部３２に保存された学習済みの予測モデルを読み出し、要請発生数予測用データを予測モデルに入力することによって、単位領域ごとの救急要請の発生数を予測し、その予測結果を予測結果記憶部３３に保存する処理を行う。
出力制御部２６は、要請発生数予測部２５の予測結果をもとに出力データを作成し、入出力インタフェースユニット１０を介して出力する処理を行う。例えば、出力制御部２６は、単位領域ごとの予測数を表示デバイス（図示せず）上に２次元マップとして表示させるための出力データを作成し、表示デバイスに出力することができる。出力制御部２６はまた、分類モデル記憶部３１、予測モデル記憶部３２および予測結果記憶部３３に記憶されたデータに基づいて出力データを作成することもできる。
（動作）
次に、以上のように構成された救急需要予測装置１の動作を説明する。
救急需要予測装置１は、例えば、図示しない入力デバイスを通じて入力されたオペレータ等からの指示信号を受け付けて、学習処理または予測処理を開始することができる。
（１）傷病群の学習処理
傷病群の学習処理の指示信号を受け付けると、救急需要予測装置１は、以下のように、傷病群の分類モデルの学習処理を実行する。
図２は、図１に示した救急需要予測装置１による、傷病群を学習する処理の処理手順と処理内容を示すフローチャートである。
まずステップＳ１０１において、救急需要予測装置１は、搬送データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから搬送データを取得し、取得した搬送データを搬送データ前処理部２２に渡す。このとき、救急需要予測装置１は、取得した搬送データを記憶ユニット３０内に保存するようにしてもよい。
図５は、取得される搬送データの一例を示す。図５に示した搬送データは、レコードを区別するＩＤと、発生日時、出動地域、年代、性別、発生場所、傷病の種別、傷病の部位、傷病の程度等を表す情報を含んでいる。
次いでステップＳ１０２において、救急需要予測装置１は、搬送データ前処理部２２の制御の下、搬送データ取得部２１から受け取った搬送データに対して欠損補完や正規化などの処理を行い、傷病群学習用データを作成して、傷病群学習部２３に渡す。
傷病は、その発生数が特定の年代や性別に偏るもの（例えば多くの病気は高齢者に多くみられるが、熱性けいれん等は若年層に多い）や、気温や気圧、天候などの影響を受けるもの、地域性があるもの（繁華街における急性アルコール中毒、スポーツ施設におけるケガや骨折、交通事故の多発する地域）など、複数の要因の影響を受けると考えられる。これらのメカニズムをデータから学習し、様々な状況で同様の発生パターンを示す傷病群にまとめ上げることで、搬送データをより効率的かつ効果的に活用することができる。図５示した搬送データを例にとると、傷病群学習用データとして、例えば、傷病者の年代・性別等の属性情報や、傷病の発生場所、傷病発生日時などの情報を利用することができる。
次いでステップＳ１０３において、救急需要予測装置１は、傷病群学習部２３の制御の下、傷病群学習用データを用いて、同じような発生パターンを示す傷病群を学習し、その結果を学習済みモデルとして分類モデル記憶部３１に保存する。
傷病群学習部２３は、例えば、傷病間の類似度または距離を算出し、その値をもとに傷病群を抽出することができる。
図６Ａは、そのような学習の一例として、Ｋ−ｍｅａｎｓクラスタリングにより傷病群を抽出した結果を示す。図６Ａに示した例では、まず図５に示した１つ１つの救急搬送データをノードとし、傷病者属性、発生場所、発生日時をノードの値としてＫ−ｍｅａｎｓをかけ、傷病を数十のクラスタに分割した。このクラスタは傷病が発生しやすい状況に相当する。次に各傷病をノード、それぞれのクラスタにおける各傷病の発生数を値とし、再度クラスタリングを行って傷病をグルーピングした。
図６Ｂは、さらに、そのようなクラスタリング結果を、可視化のために多次元尺度構成法を用いて三次元空間上にプロットしたものである。マーカの色および形状が、各傷病が属する傷病群を示している。この例では、例えば熱性けいれん、過呼吸症候群などの子どもや若者に多くみられる症状と、口・食道・胃異物という誤飲に伴うであろう症状が同じ傷病群（白抜きの四角マーカ）に割り当てられていることがわかる。
傷病群学習部２３は、このように抽出された傷病群を、例えば、傷病と傷病群の対応表の形で分類モデル記憶部３１に保存することができる。
なお、学習済みの分類モデルは、一定時間ごとに、一定の条件を満たしたときに、またはオペレータ等の指示に応じて、新たに作成された学習用データを用いて再学習されるように構成することができる。
（２）予測モデルの学習処理
救急需要予測装置１は、上記傷病群の学習処理に続けて、または傷病群の学習処理とは別個に、例えばオペレータから予測モデルの学習指示信号を受け付けることによって、以下のように予測モデルの学習処理を実行する。
図３は、図１に示した救急需要予測装置１による、救急要請の発生数を予測するための予測モデルを学習する処理の処理手順と処理内容を示すフローチャートである。
まずステップＳ２０１において、救急需要予測装置１は、搬送データ取得部２１により取得された搬送データをもとに、搬送データ前処理部２２の制御の下、学習済みの分類モデルを読み出して、傷病群ごとの単位時間あたりの発生数を求めることにより、予測モデル学習用データを作成し、予測モデル学習部２４に渡す。
例えば、搬送データ前処理部２２は、はじめに、搬送データ取得部２１により取得された搬送データを、出動地域情報をもとに単位領域ごとに分割する。ここで単位領域としては、市区町村および丁目レベルなどの行政区画、または緯度経度に基づき算出される地域メッシュなどが考えられる。行政区画と緯度経度の相互変換には、例えばＧｏｏｇｌｅＭａｐｓＡＰＩなどのオンラインサービスを用いることができる。次に、搬送データ前処理部２２は、単位領域ごとに分割された搬送データに基づき、分類モデル記憶部３１に記憶された学習済みの分類モデルを読み出して、学習された傷病群ごとの発生数を単位時間ごとに数え上げる処理を行う。
図７は、そのようにして作成された予測モデル学習用データの一例を示す。図７の例では、単位領域としての「○○町１丁目」について、時間帯別にカウントされた、傷病群ごとの救急要請の発生数とそれらを合計した総発生数が示されている。
次いでステップＳ２０２において、救急需要予測装置１は、予測モデル学習部２４の制御の下、予測モデル学習用データとして図７に示したような単位領域ごと傷病群ごとの発生頻度および日時情報を用いて、予測モデルの教師付き学習を行う。学習には、例えば一般化線形モデルなどの統計手法、もしくはランダムフォレストやニューラルネットワークなどの機械学習手法を用いることができる。
次いでステップＳ２０３において、救急需要予測装置１は、予測モデル学習部２４の制御の下、学習済みの予測モデル、すなわち、得られた最適なモデル構造とパラメータを、予測モデル記憶部３２に保存することができる。
なお、学習済みの予測モデルは、一定時間ごとに、一定の条件を満たしたときに、またはオペレータ等の指示に応じて、新たに作成された学習用データを用いて再学習されるように構成することができる。
（３）予測処理
救急需要予測装置１は、予測処理の指示信号を受け付けると、学習済みの分類モデルおよび予測モデルを用いて、以下のように救急要請の発生数を予測する処理を実行する。
図４は、図１に示した救急需要予測装置１による、救急要請の発生数を予測する処理の処理手順と処理内容を示すフローチャートである。
まずステップＳ３０１において、救急需要予測装置１は、搬送データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから搬送データを取得し、取得した搬送データを搬送データ前処理部２２に渡す。
ここで、一般に救急搬送データがデータベースに収集されるまでにはタイムラグが生じるため、実際に予測処理を行うときには、救急需要予測装置１は、数時間前までの搬送データを救急データベースＥＭＤＢから取得するとともに、直近の搬送データを救急車等から直接収集するように構成することができる。
次いでステップＳ３０２において、救急需要予測装置１は、搬送データ前処理部２２の制御の下、搬送データ取得部２１から受け取った搬送データに対して種々の前処理を行い、予測用データを作成して、要請発生数予測部２５に渡す。例えば、上記のように直近の搬送データを救急車等から直接取得する例では、搬送データ前処理部２２は、救急データベースＥＭＤＢから取得した搬送データと直近の搬送データとを統合し、統合されたデータを単位領域ごとに分割する。次いで搬送データ前処理部２２は、分割した搬送データをもとに、分類モデル記憶部３１に記憶された学習済みの分類モデルを読み出して、傷病群ごとの単位時間あたりの発生数を算出することにより、予測モデルに入力するための予測用データを作成する。
次いでステップＳ３０３において、救急需要予測装置１は、要請発生数予測部２５の制御の下、受け取った予測用データをもとに、予測モデル記憶部３２に記憶された学習済みの予測モデルを読み出して、単位領域ごと（例えばメッシュごと）の任意の時刻の救急要請発生数の予測を行う。
ステップＳ３０４において、救急需要予測装置１は、要請発生数予測部２５の制御の下、予測結果を予測結果記憶部３３に保存する。
図８は、以上のようにして得られる予測結果の一例を示す。時間帯別に予測された、単位領域ごとの救急要請の発生予測数が示されている。
出力制御部２６は、適時に、予測結果記憶部３３に記憶された予測結果を読み出し、読み出した予測結果をもとに出力データを作成して、作成した出力データを表示デバイスや外部機器に出力することができる。要請発生数予測部２５が予測結果を直接出力制御部２６に渡すようにしてもよい。出力制御部２６はまた、オペレータ等の指示に応じて、分類モデル記憶部３１に記憶された対応表や、予測モデル記憶部３２に記憶されたパラメータに基づいて、出力データを作成することもできる。
以上のような学習および予測処理について、一例では、救急需要予測装置１は、時刻ｔn-m 〜ｔn-m+p のｐ組の発生月、曜日や祝日などの情報、時刻帯などの日時に関する情報や、傷病別救急要請発生数を用いて、時刻ｔn 〜ｔn+α における総発生数の総和を予測するモデルを学習する教師付き学習を行うように構成されることができる。例えば、直前２４時間分のデータを用い、３時間後までの発生数を予測する場合、ｔn-24 〜ｔn-1 の学習用データを用い、ｔn 〜ｔn+2 の総発生数の和を予測する問題として解くことができる。
なお、一実施形態では、モデル学習は蓄積されたデータを用いて事前に行い、システム運用中は予測のみを行うようにすることが可能である。また、モデルの再学習は、一定のタイミング（毎週／毎月など）で実施することも可能であり、または予測結果が一定期間の間大きく外れた場合に実施するなども考えられる。
一例として、救急需要予測装置１が、図８に示す予測結果記憶部のテーブルに対して、結果が確定した段階で、搬送データ前処理部２２から実測値を入力し、単位時間における全単位領域の誤差の和を算出しておき、誤差の和を監視するように構成することができる。そして誤差和が閾値を超え続ける場合にアラームを出してシステム運用者に再学習を促す、といった運用を行うことで、再学習のコストを抑えつつ、外界の変化に追従することができる。
［実施例２］
この発明の一実施形態に係る救急需要予測装置１の第２の実施例は、さらに、救急要請の発生場所の環境の情報を表す環境データを学習および予測に用いるようにしたものである。
図９は、そのような実施例２に係る救急需要予測装置１の機能構成を示すブロック図である。なお、同図において図１と同一部分には同一符号を付し、詳細な説明は省略する。
図１に示した装置に比べて、図９に示した救急需要予測装置１は、制御ユニット２０内に、環境データ取得部２２１と、環境データ前処理部２２２とをさらに備えている。また図９の救急需要予測装置１は、ネットワークＮＷを介して、救急データベースＥＭＤＢに加えて環境データベースＥＶＤＢとの間でさらに通信が可能となっている。
環境データ取得部２２１は、例えばオペレータにより入力された学習または予測処理の指示信号を受け付けて、入出力インタフェースユニット１０を介して、環境データベースＥＶＤＢから気象データなどの環境データを取得し、環境データ前処理部２２２に渡す処理を行う。環境データベースＥＶＤＢは、例えば、インターネット上または外部サービスから周辺環境に関する情報を自動でまたはオペレータの手作業により収集する環境データ収集サーバに接続され、収集された環境データを蓄積している。
図１０は、取得される環境データの一例を示す。環境データの一例は、気象庁のホームページから取得される気象データである。図１０では、日時情報とともに種々の気象データが示され、また各データが取得された状況を表す情報が条件１〜３として付加されている。一例として、条件１は、統計のもととなるデータの欠損の有無を示し、条件２は、観測環境の違いを表し、条件３は当該現象が起きたか否かを０／１の値で示す情報である。
環境データ前処理部２２２は、環境データ取得部２２１から受け取った環境データに対し、必要な項目を抽出し、欠損を補完し、正規化処理を行うなどの前処理を行う。図１１にそのような前処理を施した環境データの一例を示す。環境データ前処理部２２２は、前処理を施した環境データを予測モデル学習部２４または要請発生数予測部２５のいずれかに渡す。
予測モデル学習部２４および要請発生数予測部２５は、搬送データ前処理部２２から受け取った学習用データまたは予測用データと、環境データ取得部２２１から受け取った環境データを、時刻情報をもとに突合して、学習および予測処理を行うことができる。
［実施例３］
この発明の一実施形態に係る救急需要予測装置１の第３の実施例は、さらに、救急要請の発生場所の地域統計情報を含む地域データを学習および予測に用いるようにしたものである。
図１２は、そのような実施例３に係る救急需要予測装置１の機能構成を示すブロック図である。なお、同図において図１および図９と同一部分には同一符号を付し、詳細な説明は省略する。
図９に示した装置に比べて、図１２に示した救急需要予測装置１は、制御ユニット２０内に、地域データ取得部３２１と、地域データ前処理部３２２とをさらに備えている。また図１２の救急需要予測装置１は、ネットワークＮＷを介して、救急データベースＥＭＤＢおよび環境データベースＥＶＤＢに加えて、地域データベースＲＳＤＢとの間でさらに通信が可能となっている。
地域データ取得部３２１は、例えばオペレータにより入力された学習または予測処理の指示信号を受け付けて、入出力インタフェースユニット１０を介して、地域データベースＲＳＤＢから地域データを取得し、地域データ前処理部３２２に渡す処理を行う。地域データベースＲＳＤＢは、例えば、インターネット上または外部サービスから地域統計に関する情報を自動でまたはオペレータの手作業により収集する地域データ収集サーバに接続され、収集された地域データを蓄積している。地域データに含まれる地域統計情報としては、地域内の病院や店舗等の施設情報を格納する地図情報や、単位領域ごとの年代別人口情報などが考えられる。
地域データ前処理部３２２は、地域データ取得部３２１から受け取った地域データに対し、単位領域ごとにデータを集約し、インターバル調整や欠損補完を行うなど、地域データの整形を行う。地域データ前処理部３２２は、前処理を施した地域データを予測モデル学習部２４または要請発生数予測部２５のいずれかに渡す。
図１３は、地域データの一例として、性別・年代別の人口推移データを示す。このようなデータは、例えば、携帯電話の各基地局にて収集される端末情報に契約者情報を紐づけることにより作成することが可能である。
なお、時刻ごとの人口分布データでは、プライバシー保護の目的で、閾値以下の人数をマスクし空欄とする場合がある。この場合、地域データ前処理部３２２は、このようなデータに対し、例えば各自治体の作成する推計人口や公募人口に記載の月平均人口を用い、夜間人口の地域総和が月平均人口となるような値を求めて欠損補完を行うことができる。
予測モデル学習部２４および要請発生数予測部２５は、搬送データ前処理部２２から受け取った学習用データまたは予測用データと、環境データ取得部２２１から受け取った環境データと、地域データ取得部３２１から受け取った地域データとを、時刻情報をもとに突合して、学習および予測処理を行うことができる。
なお、実施例３に係る救急需要予測装置１に環境データ取得部２２１および環境データ前処理部２２２を設けず、学習および予測において環境データを使用しないようにすることも可能である。
［実施例４］
この発明の一実施形態に係る救急需要予測装置１の第４の実施例は、さらに、救急要請の発生場所の地域統計情報を表す地域データに基づいて、単位領域ごとの地域性を学習し、その学習結果を上述のような学習および予測に用いるようにしたものである。
図１４は、そのような実施例４に係る救急需要予測装置１の機能構成を示すブロック図である。なお、同図において前記図１、図９および図１２と同一部分には同一符号を付し、詳細な説明は省略する。
図１２に示した装置に比べて、図１４に示した救急需要予測装置１は、制御ユニット２０内の地域性学習部４２１と、記憶ユニット３０内の地域性記憶部４３４とをさらに備えている。
図１４に示した救急需要予測装置１は、実施例３と同様に、地域データ取得部３２１の制御の下、地域データを取得し、地域データ前処理部３２２の制御の下、取得した地域データに対して所定の前処理を行う。地域データ前処理部３２２は、前処理を施した地域データを、予測モデル学習部２４、要請発生数予測部２５または地域性学習部４２１のいずれかに渡す。例えば、地域データ前処理部３２２は、取得した地域データをもとに、学習用地域データを作成して予測モデル学習部２４に渡し、または予測用地域データを作成して要請発生数予測部２５に渡し、または地域性学習用データを作成して地域性学習部４２１に渡すことができる。
地域性学習部４２１は、第３の学習部として機能し、受け取った地域性学習用データをもとに、時間帯別・年代別人口データのほか、領域内の病院や老人ホーム、店舗、学校、スポーツ施設などの数に基づいて、その地域がどのような街区であるかを学習・抽出する処理を行う。
図１５は、地域性学習用データの一例を示す。なお、領域内の施設の種類および数については、ＧｏｏｇｌｅＭａｐｓＡＰＩなどの各種地図サービスにて検索を行うことによって取得することができる。
地域性学習部４２１は、単一の単位領域についての学習を行う場合は機能しないが、様々な単位領域に対して学習を行い、そのパラメータを引き継ぐことで、オフィス街や繁華街などの街区の性質や、成熟住宅街や新興住宅街など住民の性質に対する救急要請発生パターンを抽出することが可能になる。
地域性記憶部４３４は、地域性学習部４２１による学習結果を記憶する。なお、地域性記憶部４３４は、記憶部３１〜３３と同様、必須の構成ではなく、外部の記憶媒体等に置き換えることもできる。
図１６は、地域性学習部４２１による学習結果の一例として、それぞれの領域がオフィス街、繁華街、住宅街等の性質をもちうるかを、人口変動およびそこに存在する施設から推定した結果を示す。
予測モデル学習部２４および要請発生数予測部２５は、地域データ前処理部３２２によって前処理された地域データと、地域性学習部４２１によって抽出された地域性を表す特徴量とをもとに、上述のような学習および予測処理を行うことができる。
なお、実施例４に係る救急需要予測装置１に環境データ取得部２２１および環境データ前処理部２２２を設けず、学習および予測において環境データを使用しないようにすることも可能である。
［実施例５］
上記実施例１に係る救急需要予測装置１は、傷病群の抽出をクラスタリング手法を用いて独立に行ったが、傷病群の抽出と予測モデルの学習を同時に行うことも可能である。
この発明の一実施形態に係る救急需要予測装置１の第５の実施例は、例えばニューラルネットワークにおいて、傷病群学習に相当するレイヤーをモデルに追加することで、傷病群抽出と予測モデルの学習とを同時に行うようにしたものである。
実施例５では、例えば、傷病群の抽出と発生数予測とに、それぞれＬＳＴＭ（Long Short-term Memory）（リカレントニューラルネットワークの一種）レイヤーを用意する。傷病群抽出のためのＬＳＴＭレイヤーには、自治体ごとに定められる傷病種別ごとに、単位時間あたりの救急要請発生数を数え上げたものを入力とすることができる。そして、出力ノード数を、元の傷病分類数に対して小さく（２０〜３０程度）に設定することで、傷病分類を要約する効果を得ることができる。この出力を救急要請発生数予測用のＬＳＴＭレイヤーの入力として設定し、一括で学習を進めることで、発生数予測精度を最大限向上させるような傷病群を抽出することが可能である。
（１）学習処理
図１７は、実施例５に係る救急需要予測装置１による、傷病群および予測モデルの学習処理を示すフローチャートである。実施例５に係る救急需要予測装置１は、図１に示した救急需要予測装置１と機能の実行内容が異なるだけで基本構成は同じである。そこで、以下では、図１に示した救急需要予測装置１の各部の符号を用いて各処理について説明する。
まずステップＳ４０１において、救急需要予測装置１は、搬送データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから搬送データを取得し、取得した搬送データを搬送データ前処理部２２に渡す。
次いでステップＳ４０２において、救急需要予測装置１は、搬送データ前処理部２２の制御の下、搬送データ取得部２１から受け取った搬送データを単位領域ごとに分割し、各自治体の分類に基づく傷病ごとに単位時間あたりの発生数を数え上げて、モデル学習用のデータを作成する。
図１９は、モデル学習用データの一例を示す。傷病群抽出のためのＬＳＴＭレイヤーには、図１９に示すような、自治体ごとに定められる傷病種別ごとに、単位時間あたりの救急要請発生数を数え上げたものを入力とすることができる。
次いでステップＳ４０３において、救急需要予測装置１は、傷病群学習部２３による傷病群学習と、予測モデル学習部２４による予測モデル学習とをまとめて行う。
ステップＳ４０４において、救急需要予測装置１は、学習済みの予測モデルに関するモデル構造およびパラメータを、例えば予測モデル記憶部３２に保存する。
（２）予測処理
図１８は、実施例５に係る救急需要予測装置１による予測処理を示すフローチャートである。やはり、図１に示した救急需要予測装置１の各部の符号を用いて各処理について説明する。
まずステップＳ５０１において、救急需要予測装置１は、搬送データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから搬送データを取得し、取得した搬送データを搬送データ前処理部２２に渡す。実施例１で説明したように、救急需要予測装置１は、実際の予測処理においては、救急搬送データがデータベースに収集されるまでのタイムラグを考慮するため、直近の搬送データを救急車等から直接収集することもできる。
次いでステップＳ５０２において、救急需要予測装置１は、搬送データ前処理部２２の制御の下、搬送データ取得部２１から受け取った搬送データを単位領域ごとに分割し、各自治体の分類に基づく傷病ごとに、単位時間あたりの発生数を数え上げて、予測用のデータを作成する。
ステップＳ５０３において、救急需要予測装置１は、要請発生数予測部２５の制御の下、上記のように学習された学習済みの予測モデルを用いて、予測用のデータをもとに単位領域ごとの救急要請発生数の予測を行う。
ステップＳ５０４において、救急需要予測装置１は、制御ユニット２０の制御の下、要請発生数予測部２５により得られた予測結果を、予測結果記憶部３３に保存する。
さらに、傷病群抽出と同様に、実施例４で説明した地域性の学習も、予測モデルの学習と同時に行ってもよい。この場合、例えばニューラルネットワークを用い、地域性の抽出と救急要請発生数予測を同じモデルに組み込むことで、両者を同時に最適化することが可能である。より詳細には、例えば、地域性学習部４２１を、入力を曜日と時間帯別の年齢別人口分布および領域内の施設情報とし、出力を街区種別に相当する１０〜２０程度のノードとするＬＳＴＭレイヤーとして構成すればよい。
図２０は、このような実施例５に係る、ＬＳＴＭレイヤーを用いた学習モデルにおけるデータフローイメージを示す。図２０の救急需要予測装置１は、傷病群の抽出に、各自治体から得られる傷病種別の発生数のデータを入力とするＬＳＴＭレイヤーを用い、その出力を予測用のＬＳＴＭへの入力として用いている。また同様に、地域性特徴量の抽出にもＬＳＴＭレイヤーを用い、その出力を予測用のＬＳＴＭへの入力として用いている。
［実施例６］
この発明の一実施形態に係る救急需要予測装置１の第６の実施例は、さらに、出力制御部２６が、予測結果出力部として、予測結果を視覚的に表示するための出力データを作成し、出力するようにしたものである。実施例６に係る救急需要予測装置１は、実施例１〜５で説明した救急需要予測装置１のいずれかと同じ機能構成を備えることができる。
図２１Ａおよび図２１Ｂは、実施例６に係る救急需要予測装置１から出力される出力データに基づく表示例として、予測結果をヒートマップ上に可視化した例を示す。これらは、液晶ディスプレイなどの表示デバイス上に表示されることができる。
図２１Ａは、直近のデータに基づいて予測された３時間後の救急需要予測結果を示し、図２１Ｂは、やはり直近のデータに基づいて予測された６時間後の救急需要予測結果を示す。図２１Ａおよび図２１Ｂから、３時間後と６時間後とで、救急要請の発生予測数が高い領域（ヒートマップ上の色の濃いメッシュ）が、左下から右上へと推移している様子が観察される。なお、実施例６に係る救急需要予測装置１は、特定領域における予測値の推移をグラフや図表として描画することで、救急隊の運用検討を支援することもできる。また、実施例６に係る救急需要予測装置１からの予測結果の出力形式は、視覚的表示に限られるものでなく、合成音声をはじめとする多様な形式で出力することが可能である。
（効果）
以上詳述したように、一実施形態に係る救急需要予測装置では、救急医療において、過去の救急要請の発生日時、発生場所を含む搬送データから、近未来の救急要請の発生数を予測することができる。その際、過去の救急搬送データを、単位領域ごとのデータに分割し、該領域における単位時間ごと、傷病種別ごとの発生数を特徴量として算出したのち、同種の環境因子から影響を受ける傷病群を学習して、学習された傷病群ごとの発生数を算出したものを学習用データおよび予測用データとして用いて、学習および予測を行うようにしている。
これにより、取得された救急搬送の実績データが傷病単位では解析に耐えるだけの十分な出現頻度を有していない場合でも、傷病群を学習し、傷病群ごとの発生頻度を算出して解析に用いることで、限られた実績データから精度よく救急要請の発生数を予測することができる。
また上記のように、傷病は、発生数が特定の年代や性別に偏るものや、気温や気圧、天候などの影響を受けるもの、地域性があるものなど、複数の要因に影響を受けると考えられる。一実施形態に係る救急需要予測装置では、これらのメカニズムをデータから学習し、様々な状況で同じような発生パターンを示す傷病群にまとめ上げることによって、人手による分類の違いを吸収し、最適な粒度で傷病別救急要請発生数のデータを取り扱うことができるようになる。
また一般に、風邪やインフルエンザ、熱中症など、気温や天候に影響される病気は多い。さらに、気圧の変化は自律神経を乱し、頭痛や神経痛、もしくは脳卒中など、様々な病気を引き起こすことが知られている。一実施形態に係る救急需要予測装置では、気象データなどの環境データを利用した学習と予測を行うことにより、これらの影響をモデル内に取り込み、予測精度を向上させる効果が期待できる。
また一方、新興住宅街には子育て世帯が集まるなど、住宅街には年齢層や経済力、価値観やライフスタイルが似通った住民が集まることが多い。また病院が含まれる地域では転院搬送に伴う救急出動が一定の割合で発生し、繁華街では夜間に急性アルコール中毒による救急出動要請が増加するなど、救急出動要請には地域性が色濃く反映される。一実施形態に係る救急需要予測装置では、このような地域性を利用した学習と予測を行うことにより、これらの影響をモデル内に取り込み、予測精度を向上させることができる。
さらに、ヒートマップなどを用いて予測結果を可視化できるように出力データを作成し、出力することにより、迅速な対応を要する救急医療の現場において、予測結果を容易かつ効率的に把握できるようになる。また救急要請発生数の時間推移もグラフ等により容易に可視化することができる。これにより、救急隊の数時間先の出動見込みを可視化し、救急隊の運用効率を向上させることが可能となる。
以上のように、一実施形態に係る救急需要予測装置では、過去の救急搬送データから、同じような出現パターンを示す傷病群を抽出し、傷病群ごとの発生数をもとに学習を行うことで、限られた観測データから精度よく救急要請発生数を予測することができる。また一実施形態に係る救急需要予測装置によれば、指令台や救急隊から収集される救急搬送データと、オンラインで収集可能な気象データ、および単位領域ごとの地域特性や単位時間ごとの年齢別人口分布などのデータを組み合わせ、当該領域の救急要請発生数を高精度に推定可能である。さらに、自治体ごとの救急搬送データにおける傷病分類の違いを吸収し、複数の自治体で利用可能なモデルを容易に構築することができる。
［他の実施形態］
なお、この発明は上記実施形態に限定されるものではない。例えば、予測モデル記憶部３２に保存される学習済みのモデルおよびパラメータは、利用する統計解析ツールに応じたパラメータ保存用の処理やファイル形式に従うことができる。同様に、分類モデル記憶部３１、予測結果記憶部３３、地域性記憶部４３４に保存されるデータ形式についても、図示した例に限定されず、任意の形式を用いることができる。
また、傷病群の学習および予測モデルの学習についても、上述した統計手法や機械学習手法だけに限定されず、任意の手法を採用することができる。
気象情報を含む環境データならびに施設情報や人口情報を含む地域データを、予測モデルの学習処理および予測処理に使用するものとして説明したが、これらのデータを傷病群の学習にも用いるようにしてもよい。特に、分類モデルの学習と予測モデルの学習を別個に行う実施例においては、環境データや地域データを用いることで、傷病群の学習がより効率的に行えることが期待される。
また、実施例１〜６で説明した救急需要予測装置１の各機能部は、結合し、同様の構成で置換し、または省略することが可能である。例えば、上述したように、実施例３および４において環境データを使用せず、搬送データと地域データに基づいて学習および予測を行うように構成することも可能である。
あるいは、救急需要予測装置１が備える各機能部２１〜２６を、クラウドコンピュータやエッジルータ等に分散配置し、これらの装置が互いに連携することにより学習および予測を行うようにしてもよい。これにより、各装置の処理負荷を軽減し、処理の効率化を図ることができる。
その他、環境データおよび地域データの種類等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。
要するにこの発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。
１…救急需要予測装置、１０…入出力インタフェースユニット、２０…制御ユニット、２１…搬送データ取得部、２２…搬送データ前処理部、２３…傷病群学習部、２４…予測モデル学習部、２５…要請発生数予測部、２６…出力制御部、３０…記憶ユニット、３１…分類モデル記憶部、３２…予測モデル記憶部、３３…予測結果記憶部、２２１…環境データ取得部、２２２…環境データ前処理部、３２１…地域データ取得部、３２２…地域データ前処理部、４２１…地域性学習部、４３４…地域性記憶部。

Claims (8)

  1. 対象エリア内の救急要請の発生数を予測する救急需要予測装置であって、
    救急要請が発生した日時を表す日時情報と、救急要請が発生した場所を表す位置情報と、救急要請の原因となった傷病を表す傷病情報とを含む実績データを取得する、実績データ取得部と、
    学習用に取得された実績データをもとに生成される第１の学習用データを入力として、前記実績データに含まれる救急要請の原因となった傷病の各々が属する傷病群を出力する、第１の学習モデルを生成する、第１の学習部と、
    学習用に取得された実績データと、前記第１の学習モデルから出力される傷病群とをもとに生成される第２の学習用データを入力として、救急要請の発生数を出力する、第２の学習モデルを生成する、第２の学習部と、
    予測用に取得された実績データと、学習済みの前記第１の学習モデルから出力される傷病群とをもとに生成される予測用データを、学習済みの前記第２の学習モデルに入力して、前記対象エリア内の単位領域ごとの救急要請の発生数を予測する、要請発生数予測部と、
    を具備する救急需要予測装置。
  2. 前記実績データに含まれる位置情報に基づいて、前記救急要請が発生した場所の気象に関する情報を含む環境データを取得する、環境データ取得部をさらに具備し、
    前記第２の学習部が、学習用に取得された環境データをさらに入力として用いて、前記第２の学習モデルを生成し、
    前記要請発生数予測部が、予測用に取得された環境データを、学習済みの前記第２の学習モデルにさらに入力して、単位領域ごとの救急要請の発生数を予測する、
    請求項１に記載の救急需要予測装置。
  3. 前記実績データに含まれる位置情報に基づいて、前記救急要請が発生した場所の地域統計に関する情報を含む地域データを取得する、地域データ取得部をさらに具備し、
    前記第２の学習部が、学習用に取得された地域データをさらに入力として用いて、前記第２の学習モデルを生成し、
    前記要請発生数予測部が、予測用に取得された地域データを、学習済みの前記第２の学習モデルにさらに入力して、単位領域ごとの救急要請の発生数を予測する、
    請求項１に記載の救急需要予測装置。
  4. 前記実績データに含まれる位置情報に基づいて、前記救急要請が発生した場所の地域統計に関する情報を含む地域データを取得する、地域データ取得部と、
    学習用に取得された地域データを入力として、単位領域ごとの地域特徴量を出力する、第３の学習モデルを生成する、第３の学習部とをさらに具備し、
    前記第２の学習部が、前記第３の学習モデルから出力される地域特徴量をさらに入力として用いて、前記第２の学習モデルを生成し、
    前記要請発生数予測部が、学習済みの前記第３の学習モデルから出力される地域特徴量を、学習済みの前記第２の学習モデルにさらに入力して、単位領域ごとの救急要請の発生数を予測する、
    請求項１に記載の救急需要予測装置。
  5. 前記第１の学習モデルが、ニューラルネットワークの第１のレイヤーにより構成され、前記第２の学習モデルが、前記第１のレイヤーの出力を入力とする、前記ニューラルネットワークの第２のレイヤーにより構成される、請求項１に記載の救急需要予測装置。
  6. 前記要請発生数予測部による予測結果を視覚的に提示するための出力データを生成して出力する、予測結果出力部をさらに具備する、請求項１乃至５のいずれか一項に記載の救急需要予測装置。
  7. 対象エリア内の救急要請の発生数を予測する救急需要予測装置が実行する救急需要予測方法であって、
    救急要請が発生した日時を表す日時情報と、救急要請が発生した場所を表す位置情報と、救急要請の原因となった傷病を表す傷病情報とを含む実績データを取得する過程と、
    学習用に取得された実績データをもとに生成される第１の学習用データを入力として、前記実績データに含まれる救急要請の原因となった傷病の各々が属する傷病群を出力する、第１の学習モデルを生成する過程と、
    学習用に取得された実績データと、前記第１の学習モデルから出力される傷病群とをもとに生成される第２の学習用データを入力として、救急要請の発生数を出力する、第２の学習モデルを生成する過程と、
    予測用に取得された実績データと、学習済みの前記第１の学習モデルから出力される傷病群とをもとに生成される予測用データを、学習済みの前記第２の学習モデルに入力して、前記対象エリア内の単位領域ごとの救急要請の発生数を予測する過程と、
    を具備する救急需要予測方法。
  8. 請求項１乃至請求項６の何れかに記載の装置の各部による処理をプロセッサに実行させるプログラム。
JP2018216605A 2018-11-19 2018-11-19 救急需要予測装置、救急需要予測方法およびプログラム Active JP7087946B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2018216605A JP7087946B2 (ja) 2018-11-19 2018-11-19 救急需要予測装置、救急需要予測方法およびプログラム
US17/294,514 US12009106B2 (en) 2018-11-19 2019-11-08 Emergency demand prediction device, emergency demand prediction method, and program
PCT/JP2019/043920 WO2020105478A1 (ja) 2018-11-19 2019-11-08 救急需要予測装置、救急需要予測方法およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018216605A JP7087946B2 (ja) 2018-11-19 2018-11-19 救急需要予測装置、救急需要予測方法およびプログラム

Publications (2)

Publication Number Publication Date
JP2020086650A true JP2020086650A (ja) 2020-06-04
JP7087946B2 JP7087946B2 (ja) 2022-06-21

Family

ID=70773599

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018216605A Active JP7087946B2 (ja) 2018-11-19 2018-11-19 救急需要予測装置、救急需要予測方法およびプログラム

Country Status (2)

Country Link
JP (1) JP7087946B2 (ja)
WO (1) WO2020105478A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020155068A (ja) * 2019-03-22 2020-09-24 東芝情報システム株式会社 状態変動検出装置及び状態変動検出用プログラム
EP3912816A1 (en) 2020-05-18 2021-11-24 Daido Steel Co., Ltd. Metal powder
WO2022249551A1 (ja) * 2021-05-28 2022-12-01 村田機械株式会社 予測装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240005796A1 (en) * 2020-11-05 2024-01-04 Nippon Telegraph And Telephone Corporation Display control device, display control method, and display control program
CN113553764B (zh) * 2021-07-13 2023-08-04 广东工业大学 一种基于深度学习网络的山火预测方法
WO2023144968A1 (ja) * 2022-01-27 2023-08-03 日本電信電話株式会社 表示制御装置、表示制御方法、及び表示制御プログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005284991A (ja) * 2004-03-30 2005-10-13 Fujitsu Fip Corp 救急業務シミュレーションシステム及び方法
JP2007241502A (ja) * 2006-03-07 2007-09-20 Fujitsu General Ltd 緊急通報システム
JP2013092930A (ja) * 2011-10-26 2013-05-16 Seiko Epson Corp 搬送管理システム及び搬送管理方法
JP2018116340A (ja) * 2017-01-16 2018-07-26 株式会社日立製作所 救急情報システム、および救急情報管理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005284991A (ja) * 2004-03-30 2005-10-13 Fujitsu Fip Corp 救急業務シミュレーションシステム及び方法
JP2007241502A (ja) * 2006-03-07 2007-09-20 Fujitsu General Ltd 緊急通報システム
JP2013092930A (ja) * 2011-10-26 2013-05-16 Seiko Epson Corp 搬送管理システム及び搬送管理方法
JP2018116340A (ja) * 2017-01-16 2018-07-26 株式会社日立製作所 救急情報システム、および救急情報管理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"研究開発", 日立評論 第１００巻 第１号, vol. 第100巻, JPN6022016527, 20 January 2018 (2018-01-20), pages 121頁, ISSN: 0004766139 *
三浦英俊: "重回帰分析による名古屋市の救急出動件数の将来予測", アカデミア. 理工学編 : 南山大学紀要, JPN6022016529, March 2016 (2016-03-01), pages 1 - 6, ISSN: 0004766138 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020155068A (ja) * 2019-03-22 2020-09-24 東芝情報システム株式会社 状態変動検出装置及び状態変動検出用プログラム
EP3912816A1 (en) 2020-05-18 2021-11-24 Daido Steel Co., Ltd. Metal powder
WO2022249551A1 (ja) * 2021-05-28 2022-12-01 村田機械株式会社 予測装置

Also Published As

Publication number Publication date
WO2020105478A1 (ja) 2020-05-28
JP7087946B2 (ja) 2022-06-21
US20220020502A1 (en) 2022-01-20

Similar Documents

Publication Publication Date Title
WO2020105478A1 (ja) 救急需要予測装置、救急需要予測方法およびプログラム
Osuteye et al. The data gap: An analysis of data availability on disaster losses in sub-Saharan African cities
King et al. Using social indicators to measure community vulnerability to natural hazards
Prieto-Lara et al. Updating rurality index for small areas in Spain
Merkord et al. Integrating malaria surveillance with climate data for outbreak detection and forecasting: the EPIDEMIA system
Song et al. Fine-scale mapping of an evidence-based heat health risk index for high-density cities: Hong Kong as a case study
Putnam et al. It’s not the heat, it’s the vulnerability: attribution of the 2016 spike in heat-associated deaths in Maricopa County, Arizona
Romanillos et al. The city turned off: Urban dynamics during the COVID-19 pandemic based on mobile phone data
Wang et al. Aggregated responses of human mobility to severe winter storms: An empirical study
JP7315018B2 (ja) 情報処理方法、記憶媒体、及び情報処理装置
Younes et al. How effective are evacuation orders? An analysis of decision making among vulnerable populations in Florida during hurricane Irma
Fraser The Road More Traveled: Evacuation Networks in the US and Japan
Choi et al. Association between ozone and emergency department visits: an ecological study
Li et al. Location intelligence reveals the extent, timing, and spatial variation of hurricane preparedness
Shan et al. Social media-based urban disaster recovery and resilience analysis of the Henan deluge
De Pascale The Social Vulnerability Index: A Literature Review
Dookie et al. From science to science-based: using state-of-the-art climate information to strengthen DRR in Small Island States
Lotfata et al. Spatial association of respiratory health with social and environmental factors: case study of Cook County, Illinois, USA
Swanson et al. Using mobile phone data to evaluate access to essential services following natural hazards
Sun et al. Optimization of evacuation warnings prior to a hurricane disaster
Rolheiser et al. Beyond density: municipal expenditures and the shape and location of development
US12009106B2 (en) Emergency demand prediction device, emergency demand prediction method, and program
Morrissey et al. Spatial access to health services
Kappas GIS and Remote Sensing for Public Health
Patrascu et al. Disparities in access and association between access to critical facilities during day-to-day and disrupted access as a result of storm extreme weather events

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210216

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20220121

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: 20220510

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220523

R150 Certificate of patent or registration of utility model

Ref document number: 7087946

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150