JP2021117528A - 項目推薦システムおよびそのプログラム - Google Patents
項目推薦システムおよびそのプログラム Download PDFInfo
- Publication number
- JP2021117528A JP2021117528A JP2020008364A JP2020008364A JP2021117528A JP 2021117528 A JP2021117528 A JP 2021117528A JP 2020008364 A JP2020008364 A JP 2020008364A JP 2020008364 A JP2020008364 A JP 2020008364A JP 2021117528 A JP2021117528 A JP 2021117528A
- Authority
- JP
- Japan
- Prior art keywords
- items
- item
- recommendation system
- history
- item recommendation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】次に必要な項目や不要となる項目を提示できる項目推薦システムおよびそのプログラムを提供する。【解決手段】項目推薦システムSは、複数項目の項目名と値の履歴情報を格納するシーケンス履歴DB1と、シーケンス履歴DB1から、項目の組み合わせと項目の値の履歴を抽出する抽出処理部2と、項目の組み合わせと値の履歴を用いて、推薦対象に対して、該推薦対象の次の項目の組み合わせを提示する推薦処理部4と、を備える。【選択図】図1
Description
本発明は、項目推薦システムおよびそのプログラムに関する。
ビッグデータという言葉が表すように、我々の身の回りには大量のデータが生成・蓄積され、解析の対象となり、多様な用途に供されている。その中でも、様々な履歴のデータは、蓄積することで単調にデータ量が増加して大容量化するとともに、履歴中のシーケンスを解析することで傾向等を知ることが可能となり、様々な予測や推薦等の広範な需要がある。
大量の履歴データのシーケンスから傾向を抽出する手段として、シーケンシャル・パターン・マイニングと呼ばれる一連の技術が既に多用されている(非特許文献1)。
典型的なシーケンシャル・パターン・マイニングの手法としては、
(a) 多数の項目のシーケンス中に頻繁に出現する項目の出現パターンを抽出する
(b) 特定の一つもしくは複数の項目の値のシーケンスから値の変動のパターンを抽出する
の2種類に大別できる。
典型的なシーケンシャル・パターン・マイニングの手法としては、
(a) 多数の項目のシーケンス中に頻繁に出現する項目の出現パターンを抽出する
(b) 特定の一つもしくは複数の項目の値のシーケンスから値の変動のパターンを抽出する
の2種類に大別できる。
シーケンシャル・パターン・マイニングの具体的な適用例の一つとして、電子カルテの解析による医師による医療行為の支援が考えられる。近年、多くの病院で紙のカルテに代わって電子カルテが用いられている。そのため、医療情報の管理が容易になっただけでなく、電子カルテの様々な二次利用が望まれている。
さらには、病院における電子カルテだけでなく、一般の家庭における高機能な体重計、血圧計、脈拍計測器等による健康・介護等のための生理計測データの収集と、収集した生理計測データを組み合わせることによる医療受診アラート等の応用もある。
さらには、病院における電子カルテだけでなく、一般の家庭における高機能な体重計、血圧計、脈拍計測器等による健康・介護等のための生理計測データの収集と、収集した生理計測データを組み合わせることによる医療受診アラート等の応用もある。
電子カルテと生理計測データを組み合わせたような計測値の変動に対するシーケンシャル・パターン・マイニングにより、(b) の複数の項目の値のシーケンスの変動のパターンを予測し、特徴的なパターンが発生した場合には医療受診アラートを出すような研究も既に進んでいる(図7)。図7に、従来のシーケンシャル・パターン・マイニングの技法(b)の項目の値のシーケンスからの抽出とその応用を示す。
"A survey of sequential pattern mining", Philippe Fournier-Viger, Jerry Chun-Wei Lin, Rage Uday Kiran, Yun Sing Koh, Rincy Thomas, Data Science and Pattern Recognition, Ubiquitous International Volume 1, Number 1, February 2017.
しかし、本発明で初めて開示する(c)項目の出現・消滅が複数の項目の値の変動に依存して動的に変化する場合に、それらの値の変動の組み合わせによって次の項目を予測することができるシーケンシャル・パターン・マイニングの手法はまだない。
これは、上記した従来の (a) の項目の出現パターンの抽出においては、項目の出現順序の頻度に着目しているのみで、項目の出現の変化に対する複数の値の変動の影響を組み込めていないことによる。(b)の項目の値の変動パターンの抽出においては、対象とする一つもしくは複数の項目を固定し、その項目の値の変化に着目してパターンを抽出しているのみで、値の変動する項目が動的に出現・消滅することを前提としていないことによる。
これは、上記した従来の (a) の項目の出現パターンの抽出においては、項目の出現順序の頻度に着目しているのみで、項目の出現の変化に対する複数の値の変動の影響を組み込めていないことによる。(b)の項目の値の変動パターンの抽出においては、対象とする一つもしくは複数の項目を固定し、その項目の値の変化に着目してパターンを抽出しているのみで、値の変動する項目が動的に出現・消滅することを前提としていないことによる。
例えば、医療検査項目の値のシーケンス解析による検査内容の推薦の場合には、患者の状態によって検査項目が時間経過により動的に変化するだけでなく、その変動がそれ以前の検査項目の値の変動に依存している。そのため、従来の(a)や(b)のシーケンシャル・パターン・マイニングの手法では対処できない。
具体的に、肝機能の血液検査の極端に簡略化した例を考えてみる。
具体的に、肝機能の血液検査の極端に簡略化した例を考えてみる。
図8に、後記する本発明の実施例1としている、医療検査データに対するシーケンシャル・パターン・マイニングの技法(c)における、複数の値の変動により項目の出現が動的に変化する場合のパターンと推薦の例を示す。
検査項目のγ-GTP、ALPはそれぞれ基準値範囲 [9-109]、[117-350] 内であり、肝機能を示すGOT(AST)、GPT(ALT)がそれぞれの基準値範囲 [13-33]、[8-42] より高い値に変化した場合に、B型肝炎ウイルスのHBs抗原、C型肝炎ウイルスの感染の有無が分かるHC抗体の検査を行うべきである。また、γ-GTPも高い場合には追加検査ではなく飲酒の指導を行うべきであるとする。
検査項目のγ-GTP、ALPはそれぞれ基準値範囲 [9-109]、[117-350] 内であり、肝機能を示すGOT(AST)、GPT(ALT)がそれぞれの基準値範囲 [13-33]、[8-42] より高い値に変化した場合に、B型肝炎ウイルスのHBs抗原、C型肝炎ウイルスの感染の有無が分かるHC抗体の検査を行うべきである。また、γ-GTPも高い場合には追加検査ではなく飲酒の指導を行うべきであるとする。
その場合、追加で行われるどの検査項目、あるいは不要となる検査項目(例ではLDL)が、それ以前のどの検査項目の値に依存しているのかを抽出する必要がある。これは、従来のGOT、GPT、HBsといったそれぞれの検査項目の時系列のシーケンスの出現頻度だけ見ていても抽出できないし、それぞれの検査項目の値の変動だけ見ていても抽出できない。
言い換えると、従来の上述の(a)に対応する、項目の頻出パターンに着目するだけでは、検査項目の値の特性によるパターン変化を抽出することができず、上述の従来の(b)に対応する、値の変動だけを見ている場合にも、値の変動の予測は可能であっても、次に必要な検査項目や不要となる検査項目は抽出できない。
本発明に係る先行特許文献として、特許文献1〜3がある。
特許文献1は、患者情報に従って予め用意された複数の検査撮像プロトコルから撮像情報を選択する。具体的には、どこを撮影するか選択する。どのように選択するか、その時の患者の情報だけで見ている。しかし、患者の情報の時系列な変化には着目していない。
特許文献2は、項目に合致した病院や検査機関、医薬品、健康食品等を推薦する手法に関するものであるが、項目の値は見ていない。
特許文献1は、患者情報に従って予め用意された複数の検査撮像プロトコルから撮像情報を選択する。具体的には、どこを撮影するか選択する。どのように選択するか、その時の患者の情報だけで見ている。しかし、患者の情報の時系列な変化には着目していない。
特許文献2は、項目に合致した病院や検査機関、医薬品、健康食品等を推薦する手法に関するものであるが、項目の値は見ていない。
特許文献3は、項目の値が取りうる値集合の部分集合に分けて推薦を行っている。しかし、部分集合による累積回数で算出しており、項目のグループの時系列の変化は見ていない。
本発明は上記実状に鑑み創案されたものであり、次に必要な項目や不要となる項目を提示できる項目推薦システムおよびそのプログラムの提供を目的とする。
本発明は上記実状に鑑み創案されたものであり、次に必要な項目や不要となる項目を提示できる項目推薦システムおよびそのプログラムの提供を目的とする。
前記課題を解決するため、第1の本発明の項目推薦システムは、複数の項目とその値の履歴のうちから、前記項目の組み合わせとその値の履歴を抽出する抽出処理部と、前記項目の組み合わせとその値の履歴を用いて、推薦対象に対して、該推薦対象の次の項目の組み合わせを提示する推薦処理部とを備えていることを特徴としている。
第2の本発明の項目推薦システムのプログラムは、複数の項目とその値の履歴のうちから、前記項目の組み合わせとその値の履歴を抽出する抽出ステップと、前記項目の組み合わせとその値の履歴を用いて、推薦対象に対して、該推薦対象の次の項目の組み合わせを提示する推薦ステップとを実行することを特徴としている。
本発明によれば、次に必要な項目や不要となる項目を抽出できる項目推薦システムおよびそのプログラムを提供することができる。
本発明は、複数項目の値の変動に依存して動的に出現が変化する項目の予測に基づいて、推薦対象に次の項目の組み合わせの推薦を行うシステムである。
本発明では、同時に出現する複数の項目をグループとして扱う。グループの要素となる各項目の値をクラス(上位から下位の段階)に分け、各項目の値またはクラスの列をグループの特性ベクトルとする。そして、グループのシーケンスへの特性ベクトルの変動による依存関係を検出する。これにより、推薦対象が次に行うべき項目のグループの変化の予測を行い、新たな項目の追加や現項目の削除等の次に行うべき項目の推薦につなげる。なお、各項目の値のクラス分けは行わず、項目の値そのものを使うことも考えられる。
本発明では、同時に出現する複数の項目をグループとして扱う。グループの要素となる各項目の値をクラス(上位から下位の段階)に分け、各項目の値またはクラスの列をグループの特性ベクトルとする。そして、グループのシーケンスへの特性ベクトルの変動による依存関係を検出する。これにより、推薦対象が次に行うべき項目のグループの変化の予測を行い、新たな項目の追加や現項目の削除等の次に行うべき項目の推薦につなげる。なお、各項目の値のクラス分けは行わず、項目の値そのものを使うことも考えられる。
適用範囲は広く、例えば医療検査において、複数の検査結果の値の時間経過の変動による次の検査項目の予測および検査項目の追加、削除等の推薦等を可能とする。あるいは、製品の不具合等が発生した場合に検査すべき項目の推薦、何らかの事故が発生した場合に事故原因を究明するための検査項目の推薦、あるいは複数の品物の購入金額の高低により次に購入する品物の推薦、さらにはこれまでの成績から次に取得すべき科目の推薦等の適用も考えられる。
以下、本発明の実施形態について、適宜図面を参照しながら詳細に説明する。
以下、本発明の実施形態について、適宜図面を参照しながら詳細に説明する。
図1に、本発明に係る実施形態の項目推薦システムSの全体構成を示す。
実施形態の項目推薦システムSは、同時に発生する複数の項目をグループとして扱う。同時に、グループの要素となる各項目の値を大まかなクラスに分ける。そのクラスの列または値の列を、推薦システムSはそのグループの特性ベクトルとして、グループのシーケンスと、クラスまたは値のグループの特性ベクトルの変動の依存関係の抽出を行い、推薦を行う。
実施形態の項目推薦システムSは、同時に発生する複数の項目をグループとして扱う。同時に、グループの要素となる各項目の値を大まかなクラスに分ける。そのクラスの列または値の列を、推薦システムSはそのグループの特性ベクトルとして、グループのシーケンスと、クラスまたは値のグループの特性ベクトルの変動の依存関係の抽出を行い、推薦を行う。
抽出においては、項目推薦システムSは、まずグループの頻出推移パターンを抽出する。そして、その中でバリアント(変型)となるものを検出し、検出したバリアントの特性ベクトルの変動による分岐因子の分析を行い、対象シーケンスに適用して、次に行うべき項目の推薦を行う。
<項目推薦システムSの全体構成>
図1に示す実施形態の項目推薦システムSは、シーケンス履歴DB1、抽出処理部2、検出処理部3、および推薦処理部4を具備している。
シーケンス履歴DB1には、複数項目の項目名と値の履歴情報が格納されている。
抽出処理部2は、シーケンス履歴DB1から、項目とその値を抽出する。
抽出処理部2は、項目とその値で成る項目グループGhを構成する。そして、抽出処理部2は、項目グループGiの値またはその値のクラスの列で成る特性ベクトルVjを作成する。
図1に示す実施形態の項目推薦システムSは、シーケンス履歴DB1、抽出処理部2、検出処理部3、および推薦処理部4を具備している。
シーケンス履歴DB1には、複数項目の項目名と値の履歴情報が格納されている。
抽出処理部2は、シーケンス履歴DB1から、項目とその値を抽出する。
抽出処理部2は、項目とその値で成る項目グループGhを構成する。そして、抽出処理部2は、項目グループGiの値またはその値のクラスの列で成る特性ベクトルVjを作成する。
そして、抽出処理部2は、項目グループGi、特性ベクトルVjのうちから、頻出推移パターンである項目グループGi、特性ベクトルVjを抽出する。
検出処理部3は、項目グループGiの項目のバリアント(変型)を検出する。例えば、頻出推移パターンである同じ項目グループG1、G2が違う項目グループG3aと項目グループG3bの2つのバリアントを検出する。
推薦処理部4は、検出処理部3で検出したバリアントを用いて、頻出シーケンスの特性ベクトルViの遷移から、対象シーケンスに対して、次に行うべき項目グループG3bを推薦する。
検出処理部3は、項目グループGiの項目のバリアント(変型)を検出する。例えば、頻出推移パターンである同じ項目グループG1、G2が違う項目グループG3aと項目グループG3bの2つのバリアントを検出する。
推薦処理部4は、検出処理部3で検出したバリアントを用いて、頻出シーケンスの特性ベクトルViの遷移から、対象シーケンスに対して、次に行うべき項目グループG3bを推薦する。
<推薦システムSの処理の流れ>
次に、推薦システムSが行う処理の流れを説明する。
図2に、推薦システムSで行われる処理フローを示す。
推薦システムSが行う処理は、ソフトウェア、電子回路等を用いて実現される。
次に、推薦システムSが行う処理の流れを説明する。
図2に、推薦システムSで行われる処理フローを示す。
推薦システムSが行う処理は、ソフトウェア、電子回路等を用いて実現される。
処理の流れとしては、
図2のステップS11で、抽出処理部2は、シーケンスの履歴DB1から、指定または指示された項目とその値を抽出する。なお、抽出する項目は、任意に決められる。
続いて、ステップS12で、抽出処理部2は、項目のグループである項目グループGiを構成し、項目グループGiの各値またはそのクラスに対応した特性ベクトルVjを作成する。
続いて、ステップS13で、抽出処理部2は、項目グループGiの頻出推移パターンとその項目の値またはそのクラスに対応する特性ベクトルVjのシーケンスを抽出する。
図2のステップS11で、抽出処理部2は、シーケンスの履歴DB1から、指定または指示された項目とその値を抽出する。なお、抽出する項目は、任意に決められる。
続いて、ステップS12で、抽出処理部2は、項目のグループである項目グループGiを構成し、項目グループGiの各値またはそのクラスに対応した特性ベクトルVjを作成する。
続いて、ステップS13で、抽出処理部2は、項目グループGiの頻出推移パターンとその項目の値またはそのクラスに対応する特性ベクトルVjのシーケンスを抽出する。
続いて、ステップS14で、検出処理部3は、項目グループGiの頻出推移パターンのバリアントを検出し、異なる項目グループGiの遷移を集約する。この際、バリアントの起因となる特性ベクトルVjの遷移に着目する。
このように、項目グループGiのバリアント(変型)を検出し、特性ベクトルVjの遷移を参照することで、項目グループGiの分岐の原因を明らかにできる。
以上の処理で、推薦対象が次に行うべき項目の組み合わせの推薦を行うためのデータが得られる。
このように、項目グループGiのバリアント(変型)を検出し、特性ベクトルVjの遷移を参照することで、項目グループGiの分岐の原因を明らかにできる。
以上の処理で、推薦対象が次に行うべき項目の組み合わせの推薦を行うためのデータが得られる。
下記のステップS15、S16は、推薦対象に推奨される項目を提示するための処理である。
ステップS15で、推薦処理部4は、項目を提示する推薦対象の対象シーケンス(検査項目グループGg、特性ベクトルVh)に対して、頻出シーケンスのバリアントを用いて頻出シーケンスの特性ベクトルVjから、次に行うべく項目グループGgの推薦候補を抽出する。
ステップS15で、推薦処理部4は、項目を提示する推薦対象の対象シーケンス(検査項目グループGg、特性ベクトルVh)に対して、頻出シーケンスのバリアントを用いて頻出シーケンスの特性ベクトルVjから、次に行うべく項目グループGgの推薦候補を抽出する。
ステップS16で、ステップS15の結果を基に、次に行うべき項目を推薦対象に推薦する。
上記構成によれば、推薦対象に対して、次に行うべき最適な項目の組み合わせまたは最適な項目を推奨できる。
上記構成によれば、推薦対象に対して、次に行うべき最適な項目の組み合わせまたは最適な項目を推奨できる。
<<実施例1>>
図3に、実施例1の医療検査項目への適用例である医療検査推薦システムS1の全体構成を示す。
実施例1の医療検査推薦システムS1は、本発明を医療検査に適用した例である。
実施例1として、図8に示す実施例1の医療検査に適用される医療検査推薦システムS1の例を説明する。
図3に、実施例1の医療検査項目への適用例である医療検査推薦システムS1の全体構成を示す。
実施例1の医療検査推薦システムS1は、本発明を医療検査に適用した例である。
実施例1として、図8に示す実施例1の医療検査に適用される医療検査推薦システムS1の例を説明する。
図8に示す同時に出現しているGOT、GPT、γ-GPT、ALP、LDH、LDL といった血液の検査項目の集合(GOT、GPT、γ-GPT、ALP、LDH、LDL)をグループ G1 とし、検査項目の値のクラスで構成されるグループの特性ベクトルを V1=(N, N, N, N, N, N) とする。
ここで、正常値は N で、異常値は基準値からの相対的な差によって、高い場合には高くなるにつれてH1〜H4と表し、低い場合には低くなるにつれて
L1〜L4 といったクラスで表す。検査項目の値をクラスで表すことで、値の高低のレベルを分かり易く示せる。そして、要素が検査項目の値(クラス)である特性ベクトルを構成する。
ここで、正常値は N で、異常値は基準値からの相対的な差によって、高い場合には高くなるにつれてH1〜H4と表し、低い場合には低くなるにつれて
L1〜L4 といったクラスで表す。検査項目の値をクラスで表すことで、値の高低のレベルを分かり易く示せる。そして、要素が検査項目の値(クラス)である特性ベクトルを構成する。
図4に例として、検査項目の集合(GOT、GPT、γ-GPT)の各値をL3〜H3のクラスで表した特性ベクトルの例を示す。検査項目の値(クラス)を特性ベクトルで表すことで、複数の検査項目の値の推移が複数の次元で表される。そのため、複数の項目の値(クラス)の変化を多次元空間で把握できる。
同様にして、図8に示した例では、同じG1のグループのG1(V2)で、GOTがH1、GPTがH2、それ以外の項目は正常値の範囲とする特性ベクトルV2は、V2=(H1, H2, N, N, N, N)となる。グループG1の特性ベクトルの変化(V1→ V2) に依存して、新たにHBsとHCの検査項目を加え、不要となるLDLの検査項目を外す場合、それに対応して新たなグループG2 (V3)が生成される。
同様にして、図8に示した例では、同じG1のグループのG1(V2)で、GOTがH1、GPTがH2、それ以外の項目は正常値の範囲とする特性ベクトルV2は、V2=(H1, H2, N, N, N, N)となる。グループG1の特性ベクトルの変化(V1→ V2) に依存して、新たにHBsとHCの検査項目を加え、不要となるLDLの検査項目を外す場合、それに対応して新たなグループG2 (V3)が生成される。
グループG2 のGOTが正常値[13−33]より一段階高い95なのでクラスH1である。GPTが正常値[8−42]より三段階高い510なので三段階高いクラスH3である。γ-GPTが正常値[9−109]より一段階高い110なのでクラスH1である。HCが+なのでクラスH1である。それ以外の項目は正常値の範囲なのでNである。そのため、グループG2 に対応する特性ベクトルV3は、V3=(H1, H3, H1, N, N, N, H1) となる。
図4に示すように、GOT、GPT、γ-GPTを含む特性ベクトルVを3次元のNを原点とした3次元空間に表した場合、特性ベクトルV1は長さ0のベクトルであり、特性ベクトルV2は、原点から点(H1, H2, N)に向けたベクトルとして表され、特性ベクトルV3は、原点から点(H1, H3, H1)に向けたベクトルとして表され、V1からV2への変化はV1が長さ0のベクトルのためV2そのもの、V2からV3への変化はV2とV3の差であるのでV3-V2ベクトルで表現される。
例えば、図4において、グループのG1(V1)に対して、グループのG1(V2)のGOT、GPTが異常値H1, H2になったことが差分のベクトルのV2で示されるので、グループのG2では、HBsとHCの検査項目を加え、LDLを不要とする。
例えば、図4において、グループのG1(V1)に対して、グループのG1(V2)のGOT、GPTが異常値H1, H2になったことが差分のベクトルのV2で示されるので、グループのG2では、HBsとHCの検査項目を加え、LDLを不要とする。
このように、ある特性ベクトルの変化がある長さで特定の方向を持ったら、次のグループで対応する新たな項目を加え、対応する既存の項目を不要とする。或いは、ある特性ベクトルがある長さである方向をもったり、そちらの方向に向かい始めたら、次のグループで対応する新たな項目を加え、対応する既存の項目を不要とする。
或いは、ある特性ベクトルが一つ前の特性ベクトルからある方向の範囲内に入っていたら、次のグループで対応する新たな項目を加えたり、対応する既存の項目を不要とする等々、特性ベクトルVjの遷移に応じて方向や長さを容易に認識して、薦めるべき次の項目を決定できる。
このように、適用する分野に応じて、特性ベクトルの変化に対応して、次のグループの項目の追加や削減を任意に決めることができる。
或いは、ある特性ベクトルが一つ前の特性ベクトルからある方向の範囲内に入っていたら、次のグループで対応する新たな項目を加えたり、対応する既存の項目を不要とする等々、特性ベクトルVjの遷移に応じて方向や長さを容易に認識して、薦めるべき次の項目を決定できる。
このように、適用する分野に応じて、特性ベクトルの変化に対応して、次のグループの項目の追加や削減を任意に決めることができる。
なお、基準値やクラス分けは、適用分野によって異なるため、適用分野の専門家、例えば医療分野の場合には医師、検査技師等の意見を取り入れて設定する。基準値やクラス分けは、一度設定した後は基本的には変更はないものとする。また、場合によってはクラス分けをせず、元の値をそのまま使った方がよい場合がある。
さらに、同様のシーケンスを生成する特性ベクトルの要素は、必ずしも全く同一とは限らない。例えば、GOTやGPTのクラスがH3、あるいはH4といったクラスになる場合もあるかもしれないし、ALP が異常値を示す場合もある。つまり、特性ベクトルとして同一ではなくても、類似した特性ベクトルの変動によるシーケンスの遷移の頻度(遷移の回数)を見る機能を取り入れることも想定する。
さらに、同様のシーケンスを生成する特性ベクトルの要素は、必ずしも全く同一とは限らない。例えば、GOTやGPTのクラスがH3、あるいはH4といったクラスになる場合もあるかもしれないし、ALP が異常値を示す場合もある。つまり、特性ベクトルとして同一ではなくても、類似した特性ベクトルの変動によるシーケンスの遷移の頻度(遷移の回数)を見る機能を取り入れることも想定する。
上述のアプローチを実現するためには、まず、同時に出現する複数の項目をグループ化する。そこで、同時に出現する項目の頻度を求め、クラスタリングを行い(項目のグループを作り)、項目グループを構成する。次に、項目グループを単位としたシーケンシャル・パターン・マイニングを行い、項目グループの推移の頻出パターンを抽出する。その際、処理を効率化するため、同一あるいは類似の項目グループが連続して現れる場合には、無視するような機能等の圧縮機能を取り込むことも可能とする。
続いて、項目グループの推移における特性ベクトルの依存性(項目グループの推移への特性ベクトルの影響性)を検出する。この際、前述したように、類似特性ベクトルをまとめる機能も実現する。この抽出結果に基づき、項目グループの推移と対応する特性ベクトルのバリアント中から、次に発生すべき項目グループの予測を行い、推薦対象への次の項目の推薦につなげる(詳細は後記)。
<医療検査推薦システムS1の全体構成>
図3に、医療検査項目推薦への適用例の実施例1の医療検査推薦システムS1を示す。
実施例1の医療検査推薦システムS1は、電子カルテDBもしくは医療検査DB11、抽出処理部12、検出処理部13、および推薦処理部14を具備している。
電子カルテDBもしくは医療検査DB11には、検査を受けた人(以下、被検者と称す)の電子カルテのデータまたは医療検査のデータが格納されている。さらに、家庭における生理計測データが格納されていてもよい。
図3に、医療検査項目推薦への適用例の実施例1の医療検査推薦システムS1を示す。
実施例1の医療検査推薦システムS1は、電子カルテDBもしくは医療検査DB11、抽出処理部12、検出処理部13、および推薦処理部14を具備している。
電子カルテDBもしくは医療検査DB11には、検査を受けた人(以下、被検者と称す)の電子カルテのデータまたは医療検査のデータが格納されている。さらに、家庭における生理計測データが格納されていてもよい。
抽出処理部12は、電子カルテDBもしくは医療検査DB11から、被検者の一部または全部の医療検査項目とその値を検出する。検査項目の抽出は、健康診断、被検者の異常や病気等に応じて、医師等の医療従事者の目的によって変わる。
抽出処理部12は、検査項目とその値で成る検査項目グループGiを構成する。そして、抽出処理部2は、検査項目グループGiの値の列を要素とする特性ベクトルVjを作成する。
抽出処理部12は、検査項目とその値で成る検査項目グループGiを構成する。そして、抽出処理部2は、検査項目グループGiの値の列を要素とする特性ベクトルVjを作成する。
そして、抽出処理部12は、検査項目グループGiと、これに対応する特性ベクトルVjのうちから、頻出推移パターンである検査項目グループGiとその特性ベクトルVjを抽出する。
検出処理部13は、検査項目グループGiのバリアント(変型)を検出する。例えば、図3に示すように、頻出推移パターンである同じ検査項目グループG1、G2が違う項目グループG3aと項目グループG3bの2つのバリアントを、特性ベクトルVjを参照して検出する。
検出処理部13は、検査項目グループGiのバリアント(変型)を検出する。例えば、図3に示すように、頻出推移パターンである同じ検査項目グループG1、G2が違う項目グループG3aと項目グループG3bの2つのバリアントを、特性ベクトルVjを参照して検出する。
以上の抽出処理部12、検出処理部13の処理は、医療検査推薦システムS1において、被験者に次の検査項目を薦める処理を行う前に、予め、終了している処理である。
下記の処理は、被験者に次の検査項目を推薦する処理である。
推薦処理部14は、頻出シーケンス(頻出の検査項目グループGi、特性ベクトルVj)の特性ベクトルVjから、検出処理部13で検出したバリアントを用いて、被検者の対象シーケンスに対して、次に受けるべき検査である検査項目グループG3bを推薦する。
下記の処理は、被験者に次の検査項目を推薦する処理である。
推薦処理部14は、頻出シーケンス(頻出の検査項目グループGi、特性ベクトルVj)の特性ベクトルVjから、検出処理部13で検出したバリアントを用いて、被検者の対象シーケンスに対して、次に受けるべき検査である検査項目グループG3bを推薦する。
<医療検査推薦システムS1の処理の流れ>
次に、上述の医療検査推薦システムS1の処理の流れの詳細について説明する。
図5に、医療検査推薦システムS1で行われる処理フローを示す。
次に、上述の医療検査推薦システムS1の処理の流れの詳細について説明する。
図5に、医療検査推薦システムS1で行われる処理フローを示す。
処理の流れとしては、
図5のステップS21で、抽出処理部12は、医療従事者が入力した、電子カルテDBもしくは医療検査DB11から医療検査項目とその値を抽出する。なお、医療従事者は、直接入力してもよいし、ネットワークを介して入力してもよい。また、抽出処理部12のソフトウェアのコードに予め組み込む構成としてもよい。つまり、医療従事者の入力は任意の形態で行える。
ステップS22で、抽出処理部12は、抽出した医療検査項目のデータから検査項目のグループGiを構成する。検査項目のグループGiに対して、抽出処理部12は、検査項目値またはそのクラスを要素とする特性ベクトルVjを作成する。
図5のステップS21で、抽出処理部12は、医療従事者が入力した、電子カルテDBもしくは医療検査DB11から医療検査項目とその値を抽出する。なお、医療従事者は、直接入力してもよいし、ネットワークを介して入力してもよい。また、抽出処理部12のソフトウェアのコードに予め組み込む構成としてもよい。つまり、医療従事者の入力は任意の形態で行える。
ステップS22で、抽出処理部12は、抽出した医療検査項目のデータから検査項目のグループGiを構成する。検査項目のグループGiに対して、抽出処理部12は、検査項目値またはそのクラスを要素とする特性ベクトルVjを作成する。
ステップS23で、抽出処理部12は、発生頻度等から、検査項目グループGi
ステップS24で、検出処理部13は、ステップS23の抽出結果におけるバリアントの検出を行い、異なる項目グループの遷移を集約する。
ステップS24で、検出処理部13は、ステップS23の抽出結果におけるバリアントの検出を行い、異なる項目グループの遷移を集約する。
図5のステップS21〜S24が、被験者への検査項目の推奨前に、予め、行われている処理である。
以下のステップS25、S26は、被験者へ検査項目を推奨する処理である。
ステップS25で、推薦処理部14は、被験者の対象シーケンスの特性ベクトルから、頻出シーケンスを用いて推薦候補を抽出する。
ステップS26で、推薦処理部14は、ステップS25の結果を基に、被験者に対して、次の医療検査項目を推薦する。
以下のステップS25、S26は、被験者へ検査項目を推奨する処理である。
ステップS25で、推薦処理部14は、被験者の対象シーケンスの特性ベクトルから、頻出シーケンスを用いて推薦候補を抽出する。
ステップS26で、推薦処理部14は、ステップS25の結果を基に、被験者に対して、次の医療検査項目を推薦する。
<医療検査推薦システムS1の詳細処理>
図5のステップS21〜S26の中で、ステップS25、S26の「医療検査項目に即した特性ベクトルVjの変動による依存性の検出および医療検査項目の推薦」の流れの詳細を、以下説明する。
図5のステップS21〜S26の中で、ステップS25、S26の「医療検査項目に即した特性ベクトルVjの変動による依存性の検出および医療検査項目の推薦」の流れの詳細を、以下説明する。
図6A、図6Bに、医療検査推薦システムS1における頻出シーケンスと対象シーケンスの特性ベクトルを用いた推薦の処理の流れを示す。
なお、図6A、図6Bのフローは、図5のステップS25、S26の詳細フローに相当する。
なお、図6A、図6Bのフローは、図5のステップS25、S26の詳細フローに相当する。
図6AのステップS30において、
図5のステップS24までで抽出した項目グループのバリアントを含むng個の頻出シーケンスを[ [G1 1, G1 2, ..., G1 m1](一つ目の項目グループ
), [G2 1, G2 2, ..., G2 m2], ..., [Gng 1, Gng 2, ..., Gng mng](ng個目の項目グループ)]とする。それに対応するnv 個の特性ベクトルのシーケンスを[[V1 1, V1 2, ..., V1 m1](一つ目の特性ベクトル), [V2 1, V2 2, ..., V2 m2], ..., [Vnv 1, Vnv 2, ..., Vnv mnv](nv 個目の特性ベクトル)] と表す。
図5のステップS24までで抽出した項目グループのバリアントを含むng個の頻出シーケンスを[ [G1 1, G1 2, ..., G1 m1](一つ目の項目グループ
), [G2 1, G2 2, ..., G2 m2], ..., [Gng 1, Gng 2, ..., Gng mng](ng個目の項目グループ)]とする。それに対応するnv 個の特性ベクトルのシーケンスを[[V1 1, V1 2, ..., V1 m1](一つ目の特性ベクトル), [V2 1, V2 2, ..., V2 m2], ..., [Vnv 1, Vnv 2, ..., Vnv mnv](nv 個目の特性ベクトル)] と表す。
また、場合によっては、バリアントとしてまとめず図5のステップS23で抽出する頻出グループのシーケンスと特性ベクトルのシーケンスを対象とすることも可能である。
図6AのステップS31において、
推薦対象患者Pの推薦項目(項目GP rとする)の直前項目(推薦の1つ前の項目GP r-1)までの長さ k の医療検査グループとその特性ベクトルのシーケンスをそれぞれ、[GP r-k, GP r-k+1, ..., GP r-1], [VP r-k, VP r-k+1, ..., VP r-1] とする。
図6AのステップS31において、
推薦対象患者Pの推薦項目(項目GP rとする)の直前項目(推薦の1つ前の項目GP r-1)までの長さ k の医療検査グループとその特性ベクトルのシーケンスをそれぞれ、[GP r-k, GP r-k+1, ..., GP r-1], [VP r-k, VP r-k+1, ..., VP r-1] とする。
推薦対象患者Pの医療検査グループのシーケンスと長さkの部分で類似するバリアントを含む頻出グループの推薦対象患者Pのシーケンスの候補を、以下のステップS32〜S44で抽出する。
それらの複数の推薦候補を含む頻出グループのシーケンス[GSg:q 1, GSg:q 2, ..., GSg:q Xg:q-1, GSg:q Xg:q, ..., GSg:q r-1] に対して、コスト、リスク等の評価を行い評価値ESg:q を算出し、各推薦候補のシーケンスSg:q に対してESg:q に基づき順位をつけて推薦候補の項目グループGSq:g Xg:q を医療従事者等に推薦項目として提示する。利用者の要求により、最上位のみを提示することも、利用者が支持する順位まで提示することも選択できる。
本実施例では、推薦対象患者Pの特性ベクトルVPと推薦の特性ベクトルVSvの遡った長さ kにおける類似度により推薦候補となる項目のシーケンスに対応する特性ベクトルのシーケンスを決めるアプローチを示しているが、推薦の特性ベクトルVSvに多変量分析の手法を適用する方法もありうる。また、長さ k の類似度で対応するシーケンスを決める方法も、インデックスを用意する手法や、オートマトンを構成する手法等を使うことも可能である。
<図6A、図6BのステップS32〜S44の処理の詳細>
以下、図6A、図6BのステップS32〜S44の処理の詳細について説明する。
ステップS32では、頻出シーケンスの特性ベクトルの1番目から nv 個目を表す特性ベクトルのシーケンスSvに初期値1を設定する。
ステップS33では、nv 個の頻出特性ベクトルの各シーケンスSvにおける特性ベクトルの1番目からの順番を示す添字Xv に初期値1を設定する。
以下、図6A、図6BのステップS32〜S44の処理の詳細について説明する。
ステップS32では、頻出シーケンスの特性ベクトルの1番目から nv 個目を表す特性ベクトルのシーケンスSvに初期値1を設定する。
ステップS33では、nv 個の頻出特性ベクトルの各シーケンスSvにおける特性ベクトルの1番目からの順番を示す添字Xv に初期値1を設定する。
i<kでない場合には(ステップS37でNo)、iがkになっているのでステップS38に移行し、推薦対象患者Pの特性ベクトルVP r-iに類似した頻出グループの特性ベクトルVSv Xv-i を示すXv に対応した頻出グループのバリアントを含むシーケンスの候補を示すSg と、推薦直前の項目グループを示すXg-1 を検出する。そして、
推薦対象患者Pの項目グループGP r-i ? GSg Xg-i (2)
となる頻出グループGSg Xg-iを検出する。
推薦対象患者Pの項目グループGP r-i ? GSg Xg-i (2)
となる頻出グループGSg Xg-iを検出する。
続いて、ステップS39に移行し、推奨項目グループのシーケンス[GSg:q 1(一番目の項目), GSg:q 2, ..., GSg:q Xg:q-1, GSg:q Xg:q, ..., GSg:q r-1(推薦直前の項目)] に対して、コスト、リスク等の評価を行い評価値ESg:q を算出する。
続いて、図6BのステップS40に移行し、各頻出シーケンスにおける特性ベクトルの順番の添字Xv =Xv +1の演算を行い、各頻出シーケンスにおける次の特性ベクトルに移る。
続いて、図6BのステップS40に移行し、各頻出シーケンスにおける特性ベクトルの順番の添字Xv =Xv +1の演算を行い、各頻出シーケンスにおける次の特性ベクトルに移る。
続いて、図6BのステップS41に移行し、Xv < mSv であるか否か判定し、Xv が頻出シーケンスSvの最後の特性ベクトルになってないか判定する。
Xv < mSv である場合には(ステップS41でYes)、頻出シーケンスSvの最後の特性ベクトルになっていないので、図6AのステップS34に移行する。
Xv < mSv でない場合には(図6BのステップS41でNo)、頻出シーケンスSvの最後の特性ベクトルになっているので、ステップS42に移行し、Sv =Sv +1の演算を行い、次の頻出シーケンスSvに移る。
Xv < mSv である場合には(ステップS41でYes)、頻出シーケンスSvの最後の特性ベクトルになっていないので、図6AのステップS34に移行する。
Xv < mSv でない場合には(図6BのステップS41でNo)、頻出シーケンスSvの最後の特性ベクトルになっているので、ステップS42に移行し、Sv =Sv +1の演算を行い、次の頻出シーケンスSvに移る。
続いて、ステップS43に移行し、Sv <nv であるか否か判定し、推薦対象患者Pの特性ベクトルVP r-iの判定が、頻出特性ベクトルの頻出シーケンスSvの最後(nv)に至ったか判定する。
Sv <nv である場合には(ステップS43でYes)、頻出特性ベクトルの頻出シーケンスSvが最後(nv)に至っないので、ステップS33に移行する。
Sv <nv でない場合には(ステップS43でNo)、頻出特性ベクトルの頻出シーケンスSvの最後(nv)に至ったので、ステップS44に移行し、各Sgq に対してEsq に基づき順位をつけてGSgq Xgq を医療従事者等に推薦項目として提示する(推薦する)。
Sv <nv である場合には(ステップS43でYes)、頻出特性ベクトルの頻出シーケンスSvが最後(nv)に至っないので、ステップS33に移行する。
Sv <nv でない場合には(ステップS43でNo)、頻出特性ベクトルの頻出シーケンスSvの最後(nv)に至ったので、ステップS44に移行し、各Sgq に対してEsq に基づき順位をつけてGSgq Xgq を医療従事者等に推薦項目として提示する(推薦する)。
以上が、医療検査推薦システムS1における推薦の処理の流れである。
上記構成によれば、複数の項目の頻出シーケンスSvの履歴を参照して、推薦対象患者Pに適した次の検査項目の組み合わせを提示できる。
そのため、推薦対象患者Pに最適な次の検査項目を推奨できる。
上記構成によれば、複数の項目の頻出シーケンスSvの履歴を参照して、推薦対象患者Pに適した次の検査項目の組み合わせを提示できる。
そのため、推薦対象患者Pに最適な次の検査項目を推奨できる。
<<実施例2>>
実施例1の医療検査推薦システムS1では、電子カルテDBもしくは医療検査DB11に格納された複数の医療検査項目の値のシーケンスから、推薦対象患者Pの次の医療検査項目の推薦を行うものであった。
実施例2では、電子カルテDBもしくは医療検査DB11に格納された医療検査項目と医療行為の両方が含まれるシーケンスにおいて、医療検査項目の値から推薦対象患者Pの次の医療行為を推薦することもできる。その場合には、項目グループの構成要素が1つで値を持たない医療行為の特性ベクトルが、検査項目グループのシーケンスの中に入っているという扱いをすることで対応可能である。
実施例1の医療検査推薦システムS1では、電子カルテDBもしくは医療検査DB11に格納された複数の医療検査項目の値のシーケンスから、推薦対象患者Pの次の医療検査項目の推薦を行うものであった。
実施例2では、電子カルテDBもしくは医療検査DB11に格納された医療検査項目と医療行為の両方が含まれるシーケンスにおいて、医療検査項目の値から推薦対象患者Pの次の医療行為を推薦することもできる。その場合には、項目グループの構成要素が1つで値を持たない医療行為の特性ベクトルが、検査項目グループのシーケンスの中に入っているという扱いをすることで対応可能である。
<<その他の実施形態>>
本発明は、実施例1、2で説明した医療検査の値等による検査内容の推薦等だけでなく、製品の不具合等が発生した場合に検査すべき項目の推薦、何らかの事故が発生した場合に事故原因を究明するための検査項目の推薦、あるいは複数の品物の購入金額の高低により次に購入する品物の推薦、さらにはこれまでの成績から次に取得すべき科目の推薦等に適用できる。このように、本発明は、様々な応用分野に適用でき、適応可能性が高い。
本発明は、実施例1、2で説明した医療検査の値等による検査内容の推薦等だけでなく、製品の不具合等が発生した場合に検査すべき項目の推薦、何らかの事故が発生した場合に事故原因を究明するための検査項目の推薦、あるいは複数の品物の購入金額の高低により次に購入する品物の推薦、さらにはこれまでの成績から次に取得すべき科目の推薦等に適用できる。このように、本発明は、様々な応用分野に適用でき、適応可能性が高い。
2、12 抽出処理部
3、13 検出処理部
4、14 推薦処理部
S 項目推薦システム
S1 医療検査推薦システム(項目推薦システム)
3、13 検出処理部
4、14 推薦処理部
S 項目推薦システム
S1 医療検査推薦システム(項目推薦システム)
Claims (17)
- 複数の項目とその値の履歴のうちから、前記項目の組み合わせと前記項目の値の履歴を抽出する抽出処理部と、
前記項目の組み合わせと前記値の前記履歴を用いて、推薦対象に対して、該推薦対象の次の項目の組み合わせを提示する推薦処理部とを
備えていることを特徴とする項目推薦システム。 - 請求項1に記載の項目推薦システムにおいて、
前記抽出処理部は、
前記項目の値を高低の段階を示すクラスで表す
ことを特徴とする項目推薦システム。 - 請求項2に記載の項目推薦システムにおいて、
前記抽出処理部は、
前記抽出した項目の組み合わせの頻出の履歴を抽出する
ことを特徴とする項目推薦システム。 - 請求項3に記載の項目推薦システムにおいて、
前記抽出処理部は、
前記頻出の組み合わせの項目の履歴または前記頻出の項目の組み合わせの前記クラスの履歴が同じ場合、データを圧縮する
ことを特徴とする項目推薦システム。 - 請求項3に記載の項目推薦システムにおいて、
前記抽出処理部は、
前記頻出の組み合わせの項目の値または該値の前記クラスの履歴をベクトルで表す
ことを特徴とする項目推薦システム。 - 請求項5に記載の項目推薦システムにおいて、
前記推薦処理部は、
前記ベクトルのうちから、推薦対象の既往の項目の組み合わせの履歴の値または該値の高低の段階を示す前記クラスのベクトルとの類似度、あるいは前記履歴の直前のベクトルと差分との類似度に基づいて、前記推薦対象の次の項目の組み合わせを提示する
ことを特徴とする項目推薦システム。 - 請求項5に記載の項目推薦システムにおいて、
前記抽出処理部は、
前記推薦対象の既往の組み合わせの項目の履歴または前記クラスの履歴が同じ場合、データを圧縮する
ことを特徴とする項目推薦システム。 - 請求項3に記載の項目推薦システムにおいて、
抽出された前記項目の組み合わせの頻出の履歴から、変化を検出して前記項目のバリアント(変型)を見つける検出処理部を備えている
ことを特徴とする項目推薦システム。 - 請求項8に記載の項目推薦システムにおいて、
前記検出処理部は、
前記項目の組み合わせの頻出の履歴で前記項目の値の異常をみつける
ことを特徴とする項目推薦システム。 - 請求項1から請求項9のうちの何れか一項に記載の項目推薦システムにおいて、
前記推薦対象は、
医療検査データまたは電子カルテデータまたは生理計測データを対象とする
ことを特徴とする項目推薦システム。 - 複数の項目とその値の履歴のうちから、前記項目の組み合わせと前記項目の値の履歴を抽出する抽出ステップと、
前記項目の組み合わせと前記値の前記履歴を用いて、推薦対象に対して、該推薦対象の次の項目の組み合わせを提示する推薦ステップとを
実行することを特徴とする項目推薦システムのプログラム。 - 請求項11に記載の項目推薦システムのプログラムにおいて、
前記抽出ステップは、
前記項目の値を高低の段階を示すクラスで表現する
ことを特徴とする項目推薦システムのプログラム。 - 請求項12に記載の項目推薦システムのプログラムにおいて、
前記抽出ステップは、
前記抽出された項目の組み合わせの頻出の履歴を抽出する
ことを特徴とする項目推薦システムのプログラム。 - 請求項13に記載の項目推薦システムのプログラムにおいて、
前記項目の組み合わせの頻出の履歴から、変化を検出して前記項目のバリアント(変型)を見つける検出ステップを実行する
ことを特徴とする項目推薦システムのプログラム。 - 請求項13に記載の項目推薦システムのプログラムにおいて、
前記抽出ステップは、
前記項目の組み合わせの頻出の値または該値の前記クラスの履歴をベクトルで表す
ことを特徴とする項目推薦システムのプログラム。 - 請求項15に記載の項目推薦システムのプログラムにおいて、
前記推薦ステップは、
前記ベクトルのうちから、推薦対象の既往の項目の組み合わせの履歴の値または該値の前記クラスのベクトルとの類似度、あるいは前記履歴の直前のベクトルと差分との類似度に基づいて、前記推薦対象の次の項目の組み合わせを提示する
ことを特徴とする項目推薦システムのプログラム。 - 請求項11から請求項16のうちの何れか一項に記載の項目推薦システムのプログラムにおいて、
前記推薦対象は、
医療検査データまたは電子カルテデータまたは生理計測データを対象とする
ことを特徴とする項目推薦システムのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020008364A JP2021117528A (ja) | 2020-01-22 | 2020-01-22 | 項目推薦システムおよびそのプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020008364A JP2021117528A (ja) | 2020-01-22 | 2020-01-22 | 項目推薦システムおよびそのプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021117528A true JP2021117528A (ja) | 2021-08-10 |
Family
ID=77175623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020008364A Pending JP2021117528A (ja) | 2020-01-22 | 2020-01-22 | 項目推薦システムおよびそのプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021117528A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033799A (zh) * | 2023-09-21 | 2023-11-10 | 腾讯科技(深圳)有限公司 | 资源推荐方法、装置、计算机设备及存储介质 |
-
2020
- 2020-01-22 JP JP2020008364A patent/JP2021117528A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033799A (zh) * | 2023-09-21 | 2023-11-10 | 腾讯科技(深圳)有限公司 | 资源推荐方法、装置、计算机设备及存储介质 |
CN117033799B (zh) * | 2023-09-21 | 2023-12-26 | 腾讯科技(深圳)有限公司 | 资源推荐方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Combining knowledge and data driven insights for identifying risk factors using electronic health records | |
CN107851295B (zh) | 数据分析设备、数据分析方法和存储数据分析程序的存储介质 | |
JP2006277426A (ja) | 成分情報の信頼性評価方法、システム及びプログラム | |
JP5827208B2 (ja) | 文書管理システムおよび文書管理方法並びに文書管理プログラム | |
EP2700049A2 (en) | Predictive modeling | |
US20140350967A1 (en) | System and method for prioritizing risk models and suggesting services based on a patient profile | |
CN108228428B (zh) | 用于输出信息的方法和装置 | |
WO2014030145A2 (en) | Clinical support system and method | |
KR20200048004A (ko) | 사용자 구매 기준 및 상품 리뷰 기반 상품 추천 시스템 및 방법 | |
US10032167B2 (en) | Abnormal pattern analysis method, abnormal pattern analysis apparatus performing the same and storage medium storing the same | |
CN103177179A (zh) | 诊断因素集合确定设备和方法 | |
JP5634599B2 (ja) | データ処理システム、データ処理方法、及び、プログラム | |
Rezaiee-Pajand et al. | An iterative order determination method for time-series modeling in structural health monitoring | |
JP5771060B2 (ja) | 検体分析装置及びデータ処理装置 | |
EP3531425A1 (en) | Similar case search program, similar case search device, and similar case search method | |
EP2585957A1 (en) | State inference in a heterogeneous system | |
Bavarsad et al. | Estimation of the 10-year risk of cardiovascular diseases: using the SCORE, WHO/ISH, and Framingham models in the Shahrekord cohort study in southwestern Iran | |
JP2021117528A (ja) | 項目推薦システムおよびそのプログラム | |
Wirawan et al. | Incorporating transaction lifecycle information in blockchain process discovery | |
CN104462556B (zh) | 问答页面相关问题推荐方法和装置 | |
JP7019339B2 (ja) | 不良原因抽出システム及びその方法 | |
KR20150057674A (ko) | 건강검진 정보 관리 장치 및 방법 | |
Weiss et al. | Managing healthcare costs by peer-group modeling | |
JP4952309B2 (ja) | 負荷分析システム、方法、及び、プログラム | |
Borzecki et al. | Do acute myocardial infarction and heart failure readmissions flagged as potentially preventable by the 3M potentially preventable readmissions software have more process-of-care Problems? |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20200220 |