JP2021117528A - 項目推薦システムおよびそのプログラム - Google Patents

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。

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。

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。

特願2013-552305号公報 特願2001-059078号公報 特願2000-111909号公報

"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。

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。

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。

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。

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。

本発明に係る実施形態の項目推薦システムの全体構成を示す図。 推薦システムで行われる処理フローを示す図。 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の全体構成を示す図。 検査項目の集合GOT、GPT、γ-GPTの各値をＬ３〜Ｈ３で表した特性ベクトルの例を示す図。 医療検査推薦システムで行われる処理フローを示す図。 医療検査推薦システム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図。 医療検査推薦システム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図。 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図。 本発明の実施例１のシーケンシャル・パターン・マイニングの技法(ｃ)の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図。

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。

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。

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。

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Ｇ_hを構成する。そして、抽出処理部２は、項目グループＧ_iの値またはその値のクラスの列で成る特性ベクトルＶ_jを作成する。

そして、抽出処理部２は、項目グループＧ_i、特性ベクトルＶ_jのうちから、頻出推移パターンである項目グループＧ_i、特性ベクトルＶ_jを抽出する。
検出処理部３は、項目グループＧ_i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Ｇ_3aと項目グループＧ_3b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Ｖ_i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Ｇ_3b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。

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Ｇ_iを構成し、項目グループＧ_iの各値またはそのクラスに対応した特性ベクトルＶ_j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Ｇ_i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Ｖ_j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Ｇ_i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Ｇ_i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Ｖ_jの遷移に着目する。
このように、項目グループＧ_iのバリアント(変型)を検出し、特性ベクトルＶ_jの遷移を参照することで、項目グループＧ_i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Ｇ_g、特性ベクトルＶ_h)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Ｖ_jから、次に行うべく項目グループＧ_g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。

＜＜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。

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。

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。

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Ｖ_j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。

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。

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Ｇ_iを構成する。そして、抽出処理部２は、検査項目グループＧ_iの値の列を要素とする特性ベクトルＶ_jを作成する。

そして、抽出処理部１２は、検査項目グループＧ_iと、これに対応する特性ベクトルＶ_jのうちから、頻出推移パターンである検査項目グループＧ_iとその特性ベクトルＶ_jを抽出する。
検出処理部１３は、検査項目グループＧ_i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Ｇ_3aと項目グループＧ_3bの２つのバリアントを、特性ベクトルＶ_j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Ｇ_i、特性ベクトルＶ_j)の特性ベクトルＶ_j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Ｇ_3b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。

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Ｇ_iを構成する。検査項目のグループＧ_i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Ｖ_j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。

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。

＜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Ｖ_j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。

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], ..., [G^ng ₁, G^ng ₂, ..., G^ng _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], ..., [V^nv ₁, V^nv ₂, ..., V^nv _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G^P _rとする)の直前項目(推薦の１つ前の項目G^P _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、[G^P _r-k, G^P _r-k+1, ..., G^P _r-1], [V^P _r-k, V^P _r-k+1, ..., V^P _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[G^Sg:q ₁, G^Sg:q ₂, ..., G^Sg:q _Xg:q-1, G^Sg:q _Xg:q, ..., G^Sg:q _r-1] に対して、コスト、リスク等の評価を行い評価値E_Sg:q を算出し、各推薦候補のシーケンスS_g:q に対してE_Sg:q に基づき順位をつけて推薦候補の項目グループG^Sq: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V^Pと推薦の特性ベクトルV^Sv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V^Sv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S_v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S_vにおける特性ベクトルの１番目からの順番を示す添字X_v 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V^P _r-iに類似した頻出グループの特性ベクトルV^Sv _Xv-i を示すX_v 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S_g と、推薦直前の項目グループを示すX_g-1 を検出する。そして、
推薦対象患者Pの項目グループG^P _r-i ？ G^Sg _Xg-i (２)
となる頻出グループG^Sg _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[G^Sg:q ₁(一番目の項目), G^Sg:q ₂, ..., G^Sg:q _Xg:q-1, G^Sg:q _Xg:q, ..., G^Sg: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E_Sg: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X_v ＝X_v ＋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、X_v < mSv であるか否か判定し、X_v が頻出シーケンスS_vの最後の特性ベクトルになってないか判定する。
X_v < mSv である場合には(ステップＳ４１でＹes)、頻出シーケンスS_v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。
X_v < 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S_v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S_v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V^P _r-iの判定が、頻出特性ベクトルの頻出シーケンスS_v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S_v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S_vの最後(nv)に至ったので、ステップＳ４４に移行し、各S_gq に対してE_sq に基づき順位をつけてG^Sgq _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S_v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。

＜＜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。

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)

Claims (17)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。
15. 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。
16. 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。
17. 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。

Images