JP2022059448A - 診療支援システム - Google Patents

診療支援システム Download PDF

Info

Publication number
JP2022059448A
JP2022059448A JP2020167217A JP2020167217A JP2022059448A JP 2022059448 A JP2022059448 A JP 2022059448A JP 2020167217 A JP2020167217 A JP 2020167217A JP 2020167217 A JP2020167217 A JP 2020167217A JP 2022059448 A JP2022059448 A JP 2022059448A
Authority
JP
Japan
Prior art keywords
information
inspection
test
value
medical care
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
Application number
JP2020167217A
Other languages
English (en)
Inventor
優大 山▲崎▼
Yuta Yamazaki
龍勲 朴
Yong-Hun Park
亘佑 有田
Kosuke Arita
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.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems 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 Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Priority to JP2020167217A priority Critical patent/JP2022059448A/ja
Priority to US17/484,002 priority patent/US20220108801A1/en
Publication of JP2022059448A publication Critical patent/JP2022059448A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • 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
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

【課題】患者の診療支援を柔軟に行うこと。【解決手段】実施形態に係る診療支援システムは、算出部と、生成部と、導出部とを備える。算出部は、複数の患者の診療情報に含まれる各検査項目の検査値間の相関関係に基づいて、１又は複数の結果項目の検査値から他の検査項目の検査値が取り得る値を統計的に導出可能な変換関数を算出する。生成部は、既定の検査項目の検査値から患者の状態に関する情報推論する学習済モデルに対し、対象患者の診療情報に含まれる検査項目の検査値を入力して得られた推論結果に基づいて、前記対象患者の診療を支援するための支援情報を生成する。導出部は、前記対象患者の診療情報に含まれる検査項目が前記既定の検査項目の要件を満たさない場合に、前記変換関数に基づいて、前記対象患者の診療情報に含まれる検査項目の検査値から不足分の検査項目の検査値を導出する。また、生成部は、前記導出部で導出された前記不足分の検査項目の検査値を用いて、前記学習済モデルに前記対象患者の状態に関する情報を推論させる。【選択図】図３

Description

本明細書等に開示の実施形態は、診療支援システムに関する。
従来、医療施設では、患者の疾患に応じた診療科の医師（専門医）のもと検査や治療が行われている。また、近年では、過去の患者の診療情報（検査結果等）を機械学習等の技術で解析することで得られたモデルを用いて、診療の対象となる対象患者の疾患の状態や転化のリスク等を推論する臨床意思決定支援システム（Clinical Decision Support（ＣＤＳ） Systems）等の支援技術が提案されている。
ところで、診療科の専門医は、専門とする分野の疾患に関しては適切に発見できるものの、専門外の分野の疾患に関しては早期に発見することは困難である。そこで、上述した支援技術を用いることで、専門外の分野の疾患の早期発見を図ることが考えられるが、診療科が異なると検査種類が異なるため、他の診療科用の支援技術を容易に利用することはできない。
特表２０１６－５０２６５０号公報
本明細書等に開示の実施形態が解決しようとする課題の一つは、患者の診療支援を柔軟に行うことである。ただし、本明細書等に開示の実施形態により解決される課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を、本願明細書に開示の実施形態が解決する他の課題として位置づけることもできる。
実施形態に係る診療支援システムは、算出部と、生成部と、導出部とを備える。算出部は、複数の患者の診療情報に含まれる各検査項目の検査値間の相関関係に基づいて、１又は複数の結果項目の検査値から他の検査項目の検査値が取り得る値を統計的に導出可能な変換関数を算出する。生成部は、既定の検査項目の検査値から患者の状態に関する情報を推論する学習済モデルに対し、対象患者の診療情報に含まれる検査項目の検査値を入力して得られた推論結果に基づいて、前記対象患者の診療を支援するための支援情報を生成する。導出部は、前記対象患者の診療情報に含まれる検査項目が前記既定の検査項目の要件を満たさない場合に、前記変換関数に基づいて、前記対象患者の診療情報に含まれる検査項目の検査値から不足分の検査項目の検査値を導出する。また、生成部は、前記導出部で導出された前記不足分の検査項目の検査値を用いて、前記学習済モデルに前記対象患者の状態に関する情報を推論させる。
図１は、第１の実施形態に係る診療支援システムの構成例を示す図である。 図２は、第１の実施形態に係る診療支援装置の構成の一例を示す図である。 図３は、第１の実施形態に係る診療支援装置の処理回路が有する構成要素の一例を示す図である。 図４は、第１の実施形態の第１取得機能が取得したサンプルデータの一例を示す図である。 図５は、第１の実施形態に係る変換関数によって導出される確率分布の状態を模式的に示す図である。 図６は、第１の実施形態の第１取得機能が取得したサンプルデータの一例を示す図である。 図７は、第１の実施形態に係る変換関数テーブルのデータ構成の一例を示す図である。 図８は、第１の実施形態に係る変換関数テーブルのデータ構成の他の例を示す図である。 図９は、第１の実施形態に係る変換機能の動作例を説明するための図である。 図１０は、第１の実施形態の変換関数によって導出される検査値の範囲を説明するための図である。 図１１は、第１の実施形態に係る診療情報テーブルの一例を示す図である。 図１２は、第１の実施形態に係る支援情報テーブルの一例を示す図である。 図１３は、第１の実施形態に係る表示構成情報のデータ構成の一例を示す図である。 図１４は、第１の実施形態の表示機能が表示する画面の一例を示す図である。 図１５は、第１の実施形態の診療支援装置が実行する変換関数算出処理の一例を示すフローチャートである。 図１６は、第１の実施形態の診療支援装置が実行する診療支援処理の一例を示すフローチャートである。 図１７は、第２の実施形態に係る診療支援装置の処理回路が有する構成要素の一例を示す図である。 図１８は、第２の実施形態の診療支援装置が実行する学習処理の一例を示すフローチャートである。
以下、図面を参照しながら、診療支援装置の実施形態について説明する。
［第１の実施形態］
図１は、第１の実施形態に係る診療支援システムの構成例を示す図である。図１に示すように、診療支援システム１は、診療ＤＢ１０と、診療支援装置２０と、推論装置３０とを有する。診療ＤＢ１０、診療支援装置２０及び推論装置３０は、例えば病院等の医療施設に設置され、院内ネットワーク等のネットワークＮ１を介して互いに通信可能に接続される。
診療ＤＢ１０及び推論装置３０は、例えば医療施設内に存在する診療科毎に設けられる。図１では、第１の診療科Ａと第２の診療科Ｂとに、診療ＤＢ１０（１０ａ、１０ｂ）及び推論装置３０（３０ａ、３０ｂ）をそれぞれ設けた例を示している。例えば、第１の診療科Ａは呼吸器内科であり、第２の診療科Ｂは循環器内科である。
診療ＤＢ１０は、複数の患者の診療情報を記憶するデータベースを含んで構成される。診療ＤＢ１０は、電子カルテシステムやＰＡＣＳ（Picture Archiving and Communication System）、放射線部門システム、検体検査システムといった種々の医療情報システムから種々の診療情報を取得し、取得した診療情報を管理する統合管理装置である。なお、図１では、各診療科に専用の診療ＤＢ１０を設けた例を示しているが、これに限らず、単一又は複数の記憶装置によって構成される診療ＤＢ１０を、全ての診療科で共用する形態としてもよい。
診療ＤＢ１０は、患者の各々を識別する患者ＩＤに関連付けて当該患者に関する診療情報を記憶する。診療情報には、例えば検査情報、医用画像、文書情報等が含まれる。検査情報は、各種の検査によって得られた検査値を含む。具体的には、検査情報は、検査が行われた日付、検査の種別を示す検査項目、検査値等の情報群で構成される。
検査情報には、例えば診療科の各々で共通の検査項目の他、診療科に固有の検査項目が含まれる。共通の検査項目は、例えば血圧、心拍数、体温等の患者の身体の状態を表す基本的な検査項目が挙げられる。固有の検査項目は、診療科毎に異なり、例えば循環器内科の場合には、ＮＴ－ｐｒｏＢＮＰ、心筋トロポニンＩ、ＣＴＲ（心胸郭比：Cardio-Thoracic Ratio）等の検査項目が挙げられる。
医用画像は、Ｘ線ＣＴ装置で取得されたＸ線ＣＴ画像、ＭＲＩ装置で取得されたＭＲＩ画像、Ｘ線装置で取得されたＸ線画像、マンモグラフィ装置で取得されたマンモグラフィ画像等、各種の医用モダリティで取得された患者の画像である。医用画像には、例えば、医用モダリティの種別や撮像部位等の付加情報と関連付けて記憶される。また、医用画像は、その医用画像が取得された日付を示す情報と関連付けて記憶される。
文書情報は、電子カルテやレポートデータ等の患者の身体に関する状態に関する検査値等の情報を記録した文書データである。文書情報は、その文書情報が記録された日付を示す情報等と関連付けて記憶される。なお、以下では、医用画像や文書情報に含まれた患者の身体に関する状態を検査値ともいう。
推論装置３０は、臨床意思決定支援システム（Clinical Decision Support（ＣＤＳ） Systems）や、コンピュータ診断支援システム（Computer-Aided Diagnosis（ＣＡＤ） system）等に係る装置である。推論装置３０は、例えば、ＰＣ（Personal Computer）やワークステーション、サーバ等のコンピュータ機器によって実現される。また、推論装置３０は、クラウドコンピューティングを利用した、複数のコンピュータ機器（クラウド）で実現されてもよい。
推論装置３０は、ロジスティック回帰、ニューラルネットワーク、ディープラーニング等の機械学習アルゴリズムによって作成された学習済モデルＭ１（図３参照）を記憶する。学習済モデルＭ１は、規定の検査項目の検査値が入力されると、その検査差から、疾患名や罹患の可能性を定量的に示す転化のリスク値等の患者の状態に関する情報を推論するように予め学習されている。ここで、学習時に使用（入力）する入力データの検査項目に、診療科に固有の検査項目を含めることで、各診療科が取り扱う分野に特化した学習済モデルＭ１を作成することができる。本実施形態では、各診療科用に特化された学習済モデルＭ１が、推論装置３０に記憶されているものとする。具体的には、推論装置３０ａには、第１の診療科用に特化された学習済モデルＭ１が記憶され、推論装置３０ｂには、第２の診療科用に特化された学習済モデルＭ１が記憶される。
推論装置３０は、例えば診療科内の端末装置や診療支援装置２０等から、入力データとなる検査項目の検査値の入力を受け付けると、その受け付けた検査項目の検査値を学習済モデルＭ１に入力する。そして、推論装置３０は、学習済モデルＭ１で推論された疾患名等の推論結果を入力元の装置に出力する。なお、推論装置３０は、自装置にアクセスした装置に対し、入力データの検査項目、つまり推論結果の導出に用いた検査項目をアクセス元の装置に通知する構成としてもよい。
診療支援装置２０は、診療ＤＢ１０に記憶された複数の患者の診療情報を用いて、後述する変換関数を算出するための処理を実行する。また、診療支援装置２０は、推論装置３０に記憶された学習済モデルＭ１を用いて、対象となる患者（以下、対象患者ともいう）の診断や診療（以下、総称して診療ともいう）を支援するための処理を実行する。
診療支援装置２０は、例えば、ＰＣやワークステーション、サーバ等のコンピュータ機器によって実現される。また、診療支援装置２０は、クラウドコンピューティングを利用した、複数のコンピュータ機器（クラウド）で実現されてもよい。
次に、上述した診療支援装置２０の構成について説明する。図２は、診療支援装置２０の構成の一例を示す図である。図２に示すように、診療支援装置２０は、入力インタフェース２１と、ディスプレイ２２と、通信インタフェース２３と、記憶回路２４と、処理回路２５とを有する。入力インタフェース２１、ディスプレイ２２、通信インタフェース２３、記憶回路２４、及び処理回路２５は、互いに接続される。
入力インタフェース２１は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路２５に出力する。例えば、入力インタフェース２１は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、音声入力回路等により実現される。
また、入力インタフェース２１は、診療支援装置２０本体と無線通信可能なタブレット端末等で構成されてもよい。また、入力インタフェース２１は、マウスやキーボード等の物理的な操作部品を備えるものだけに限られない。例えば、診療支援装置２０とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路２５へ出力する電気信号の処理回路も、入力インタフェース２１の例に含まれる。
ディスプレイ２２は、各種の情報を表示する。例えば、ディスプレイ２２は、処理回路２５による制御の下、処理回路２５による処理結果を表示する。また、ディスプレイ２２は、入力インタフェース２１を介して操作者から各種指示や各種設定等を受け付けるためのＧＵＩ（Graphical User Interface）を表示する。例えば、ディスプレイ２２は、液晶ディスプレイやＣＲＴ（Cathode Ray Tube）ディスプレイである。ディスプレイ２２は、デスクトップ型でもよいし、診療支援装置２０本体と無線通信可能なタブレット端末等で構成されてもよい。
通信インタフェース２３は、ネットワークＮ１に接続された外部装置と通信を行うためのインタフェースである。例えば、処理回路２５は、通信インタフェース２３によって、診療ＤＢ１０や推論装置３０等との間で各種データの授受を行うことができる。
記憶回路２４は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。例えば、記憶回路２４は、診療支援装置２０に含まれる回路がその機能を実現するためのプログラムを記憶する。また、記憶回路２４は、後述する変換関数を保持するための変換関数テーブルＴ１（図３参照）等の各種のデータや情報を記憶する。
処理回路２５は、診療支援装置２０の処理全体を制御する。また、本実施形態に係る処理回路２５は、図３に示すように、第１取得機能２５１、算出機能２５２、第２取得機能２５３、変換機能２５４、生成機能２５５、表示構成機能２５６、及び表示機能２５７を有する。
図３は、診療支援装置２０の処理回路２５が有する構成要素の一例を示す図である。例えば、図３に示す処理回路２５の構成要素である第１取得機能２５１、算出機能２５２、第２取得機能２５３、変換機能２５４、生成機能２５５、表示構成機能２５６、及び表示機能２５７が実行する各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶回路２４に記憶されている。処理回路２５は、各プログラムを記憶回路２４から読み出し、実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路２５は、図３に示す各機能を有することとなる。
なお、図３では単一の処理回路２５によって、第１取得機能２５１、算出機能２５２、第２取得機能２５３、変換機能２５４、生成機能２５５、表示構成機能２５６、及び表示機能２５７が実現されるものとしたが、複数の独立したプロセッサを組み合わせて処理回路２５を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしてもよい。また、処理回路２５が有する各処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。
また、処理回路２５は、ネットワークＮ１を介して接続された外部装置のプロセッサを利用して、機能を実現することとしてもよい。例えば、処理回路２５は、記憶回路２４から各機能に対応するプログラムを読み出して実行するとともに、診療支援装置２０とネットワークＮ１を介して接続されたサーバ群（例えばクラウド）を計算資源として利用することにより、図３に示す各機能を実現する。
なお、図３では、処理回路２５の機能以外の要素として、診療情報Ｄ１、変換関数テーブルＴ１、及び学習済モデルＭ１を図示している。ここで、診療情報Ｄ１は、診療ＤＢ１０（診療ＤＢ１０ａ、診療ＤＢ１０ｂ）に記憶された診療情報である。また、変換関数テーブルＴ１は、記憶回路２４等に保持された後述する変換関数を格納するための記憶部である。また、学習済モデルＭ１は、推論装置３０（推論装置３０ａ、推論装置３０ｂ）に記憶された学習済モデルである。
第１取得機能２５１は、診療ＤＢ１０に記憶された複数の患者の診療情報Ｄ１を、変換関数算出用のサンプルデータとして取得する。第１取得機能２５１は、診療ＤＢ１０ａと診療ＤＢ１０ｂとの両方に記憶された診療情報Ｄ１を取得してもよいし、何れか一方に記憶された診療情報Ｄ１を取得してもよい。
また、第１取得機能２５１は、所定の条件に該当する診療情報Ｄ１を取得してもよい。例えば、第１取得機能２５１は、特定の患者ＩＤに係る診療情報Ｄ１を取得してもよい。また、例えば、第１取得機能２５１は、疾患名が同一又は類似する患者の診療情報Ｄ１を取得してもよい。
なお、診療情報Ｄ１の取得に係る条件は任意に設定することが可能であるとする。また、第１取得機能２５１は、算出機能２５２と協働することで、取得の対象とする診療情報Ｄ１の条件を切り替える構成としてもよい。
算出機能２５２は、算出部の一例である。算出機能２５２は、第１取得機能２５１によって取得された複数の患者の診療情報Ｄ１（サンプルデータ）に基づいて、診療情報Ｄ１に含まれる１又は複数の検査項目の検査値から他の検査項目の検査値が取り得る値を統計的に導出可能な変換関数を算出する。変換関数は、例えば機械学習によって学習された学習済モデルや、単回帰分析又は重回帰分析のモデル式等である。
具体的には、算出機能２５２は、診療情報Ｄ１に含まれる各検査項目の検査値間の関係性を機械学習等の手法を用いて分析することで、任意の検査項目の検査値が取り得る値の確率分布を、他の検査項目の検査値から導出可能な変換関数を算出する。ここで、変換関数の算出方法は特に問わないものとするが、検査項目の種別や検査値の特性に応じた方法（アルゴリズム）で変換関数を算出することが好ましい。例えば、算出機能２５２は、以下に説明する算出方法（第１～第３の算出方法）を用いて変換関数を算出してもよい。
（第１の算出方法）
第１の算出方法では、算出機能２５２は、同一の日付が付された同一日の診療情報Ｄ１（検査情報）の各々を患者毎に収集し、収集した診療情報Ｄ１を、変換関数を算出するためのデータセットとする。
ここで、例えば、第１取得機能２５１が取得したサンプルデータが図４の内容であったとする。図４は、第１取得機能２５１が取得したサンプルデータの一例を示す図である。この場合、算出機能２５２は、「０１．０１」、「０１．０２」、「０１．１０」、「０１．１１」、「０１．１３」、「０２．０１」、及び「０２．０３」の各日に取得された検査情報の各々をデータセットとする。なお、算出機能２５２は、複数の患者の同一日の検査情報が混在しないよう、患者ＩＤ毎に独立したデータとする設定を行うものとする。
次いで、算出機能２５２は、データセットに設定した検査情報の各々に含まれる各検査項目の検査値間の関係性を、線形回帰モデルやニューラルネットワーク等の機械学習手法を用いて学習する。そして、算出機能２５２は、検査情報に含まれる各検査項目の検査値間の相関関係に基づいて、変換元となる検査項目の検査値から、変換先となる他の検査項目の検査値を確率的に導出可能な変換関数を算出する。
例えば、下記式（１）に示すように、ある検査項目ｘ2の検査値を入力した場合に、他の検査項目ｘ1の検査値が出力される確率分布をＰ（ｘ1｜ｘ2）とすると、算出機能２５２は、このＰ（ｘ1｜ｘ2）を導出可能な変換関数ｆ（ｘ2）を算出する。
Ｐ（ｘ1｜ｘ2）＝ｆ（ｘ2） …（１）
一例として、検査情報を構成する「血圧」、「ＮＴ－ｐｒｏＢＮＰ」、「心筋トロポニンＩ」の３つの検査項目のうち、「心筋トロポニンＩ」をｘ1、「ＮＴ－ｐｒｏＢＮＰ」をｘ2とする。この場合、算出機能２５２は、ＮＴ－ｐｒｏＢＮＰの検査値に対して、心筋トロポニンＩの検査値が取り得る値の確率分布Ｐ（心筋トロポニンＩ｜ＮＴ－ｐｒｏＢＮＰ）を導出可能な変換関数ｆ（ＮＴ－ｐｒｏＢＮＰ）を算出する。
図５は、変換関数（ｘ2）によって導出される確率分布Ｐ（ｘ1｜ｘ2）の状態を模式的に示す図である。図５では、横軸を入力対象の検査項目ｘ2の検査値、縦軸を出力対象の検査項目ｘ1の検査値としている。
また、ｘ1－ｘ2空間の背景に示す濃淡は検査項目ｘ1の検査値の確率分布を表しており、濃度が高い領域ほど出現する確率が高いことを意味している。なお、ｘ1－ｘ2空間内に示す破線Ｌ１は、検査項目ｘ1の各値で確率が最大となる検査項目ｘ2の値の分布を近似した回帰式である。
図５に示すように、変換関数ｆ（ｘ2）用いることで、検査項目ｘ2の検査値から、検査項目ｘ1の検査値が取り得る値の確率分布Ｐ（ｘ1｜ｘ2）を特定することができる。つまり、変換関数ｆ（ｘ2）は、入力された検査項目ｘ2の検査値から、検査項目ｘ1の検査値が取り得る値とその確率（以下、信頼度ともいう）とを出力することができる。
また、算出機能２５２は、検査情報を構成する複数の検査項目を網羅的に組み合わせ、当該検査項目の組み合わせ毎に変換関数を算出する。
例えば、図４の例の場合、算出機能２５２は、検査情報を構成する３つの検査項目「血圧」、「ＮＴ－ｐｒｏＢＮＰ」、「心筋トロポニンＩ」のうち、何れか１つ又は２つの検査項目の検査値から、他の１つの検査項目の検査値の確率分布を導出可能な変換関数を算出する。この場合、算出機能２５２は、９個の変換関数を算出する。なお、２つの検査項目ｘ2、ｘ3の検査値から、残り１つの検査項目ｘ1の検査値の確率分布を導出する変換関数は、例えば上記式（１）と同様に下記式（２）で表すことができる。
Ｐ（ｘ1｜ｘ2、ｘ3）＝ｆ（ｘ2、ｘ3） …（２）
なお、算出機能２５２は、学習済モデルＭ１に入力する入力データの種別に基づいて、変換関数の算出に係る検査項目の組み合わせを決定してもよい。例えば、学習済モデルＭ１の入力データが検査項目「血圧」、「ＮＴ－ｐｒｏＢＮＰ」の場合、算出機能２５２は、この検査項目「血圧」と「ＮＴ－ｐｒｏＢＮＰ」との確率分布を導出可能な変換関数を算出すればよい。
そして、算出機能２５２は、算出した変換関数を変換関数テーブルＴ１に記憶する。また、算出機能２５２は、変換関数の算出時に取得した精度や、変換関数の算出に使用した検査情報の条件等を、変換関数に関連付けて記憶する。
ここで、精度は、検査項目ｘ1の実際の検査値と、変換関数によって導出（推定）された検査項目ｘ1の検査値との確率誤差である。精度は、例えば正規分布等の確率モデルに基づいて算出することができる。
また、検査情報の条件は、変換関数の算出に使用した検査情報のデータ特性や、データセットに含まれる検査情報の数（記録数）、同一日としてカウントした日数、検査項目の個数（検査項目数）、患者数等である。検査情報のデータ特性は、変換関数の算出に使用した検査情報の患者ＩＤや、疾患名等を挙げることができる。疾患名は、例えば患者ＩＤに関連付けられた記載情報から判別してもよいし、患者ＩＤに関連付けられた他の情報（例えば、医師の診断結果が記録された情報等）から判別してもよい。
なお、本実施形態では、上述した検査情報の条件を、下記式（３）で算出した指標値「頻度」を用いて表すものとする。
頻度＝総記録数÷（日数×検査項目数×患者数） …（３）
（第２の算出方法）
第２の算出方法では、算出機能２５２は、時系列的に連続する診療情報Ｄ１を患者毎に収集し、収集した診療情報Ｄ１の時系列データを、変換関数を算出するためのデータセットとする。
ここで、例えば、第１取得機能２５１が取得したサンプルデータが図４の内容であったとすると、算出機能２５２は、日付「０１．０１」、「０１．０２」で取得された患者ＩＤ：０００１の検査情報群を１つの時系列データとする。また、同様に、算出機能２５２は、日付「０２．０１」、「０２．０３」で取得された患者ＩＤ：０００２の検査情報群を１つの時系列データとする。なお、患者ＩＤ：０００３の検査情報は３日分存在するが、患者ＩＤ：０００１、０００２と条件を同じにするため、「０１．１０」と「０１．１１」、「０１．１１」と「０１．１３」、「０１．１０」と「０１．１３」の検査情報群のそれぞれを１つの時系列データとすることが好ましい。
次いで、算出機能２５２は、検査情報に含まれる各検査項目の検査値間の関係性を、時系列データを取り扱うことが可能な回帰型ニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）等の機械学習手法を用いて学習する。そして、算出機能２５２は、検査情報に含まれる各検査項目の検査値間の相関関係に基づいて、変換元となる検査項目の検査値から、変換先となる他の検査項目の検査値を確率的に導出可能な変換関数を算出する。
この場合、例えば変換関数は、例えば下記式（４）で表すことができる。
Ｐ（ｘ1 t｜ｘ2 t、ｘ1 t-1、ｘ2 t-1）＝ｆ（ｘ2 t、ｘ1 t-1、ｘ2 t-1） …（４）
変換関数ｆ（ｘ2 t、ｘ1 t-1、ｘ2 t-1）は、検査項目ｘ2の日時ｔの時点での検査値ｘ2 t、日時ｔ－１の時点での検査値ｘ2 t-1と、他の検査項目ｘ1の日時ｔ－１の時点での検査値ｘ1 t-1とから、他の検査項目ｘ1の日時ｔの時点での検査値ｘ1 tが取り得る値の確率分布Ｐ（ｘ1 t｜ｘ2 t、ｘ1 t-1、ｘ2 t-1）を導出するものとなっている。
また、算出機能２５２は、第１の方法と同様に、検査情報を構成する複数の検査項目を網羅的に組み合わせ、当該検査項目の組み合わせ毎に変換関数を算出する。
なお、算出機能２５２は、学習済モデルＭ１に入力する入力データの種別に基づいて、変換関数の算出に係る検査項目の組み合わせを決定してもよい。また、上記の例では、二日分の検査情報を１つの時系列データとしたが、これに限らず、３日分以上の検査情報を１つの時系列データをして変換関数を算出してもよい。
そして、算出機能２５２は、算出した変換関数を変換関数テーブルＴ１に記憶する。また、算出機能２５２は、第１の方法と同様に、変換関数の算出時に取得した精度や、変換関数の算出に使用した検査情報の条件等を、変換関数に関連付けて記憶する。なお、本実施形態では、上述した検査情報の条件を、下記式（３）で算出した指標値「頻度」を用いて表すものとする。
（第３の算出方法）
更に、算出機能２５２は、非構造化データである画像情報についても、当該画像情報から所定の検査項目の検査値の確率分布を導出可能な変換関数を算出する。ここで、「非構造化データ」とは、検査値を直接取り扱うことができないデータを意味する。例えば、検査情報を構成する各検査項目の検査値については、当該検査値を直接読み出すことができるため「構造化データ」と定義することができる。一方で、画像情報や記載情報については、検査値を抽出するための処理が必要となるため「非構造化データ」となる。以下では、非構造化データから変換関数を算出する方法を第３の算出方法として説明する。
第３の算出方法では、算出機能２５２は、同一の日付が付された同一日の画像情報と検査情報との組の各々を、変換関数を算出するためのデータセットとする。
例えば、第１取得機能２５１が取得したサンプルデータが図６の内容であったとする。ここで、図６は、第１取得機能２５１が取得したサンプルデータの一例を示す図である。
この場合、算出機能２５２は、「０１．０１」及び「０２．０３」の各日に取得された画像情報とＣＴＲの検査値との各組を、変換関数を算出するためのデータセットとする。なお、算出機能２５２は、複数の患者の同一日の検査情報が混在しないよう、患者ＩＤ毎に独立したデータとする設定を行うものとする。
次いで、算出機能２５２は、処理単位とした画像情報とＣＴＲの検査値との関係性を、取り扱うことが可能なディープラーニング等の機械学習手法を用いて学習する。そして、算出機能２５２は、算出機能２５２は、画像情報とＣＴＲの検査値との間の相関関係に基づいて、変換元となる画像情報から、変換先となるＣＴＲの検査値を確率的に導出可能な変換関数を算出する。かかる変換関数を用いることで、ＣＴＲの検査値が取り得る値の確率分布を、画像情報から導出することができる。
なお、上述の例では、画像情報から導出する検査項目をＣＴＲとしたが、検査情報に含まれる検査項目であればこれに限らないものとする。但し、導出する検査項目は、医用画像と無関係な検査項目とならないよう、医用画像に取得された医用モダリティの種別や、撮像部位等に関係する検査項目とすることが好ましい。
第３の算出方法で算出される変換関数は、例えば下記式（５）で表すことができる。
Ｐ（ｘ1｜ｘimg）＝ｆ（ｘimg） …（５）
ここで、変換関数ｆ（ｘimg）は、画像情報ｘimgの検査値から、検査情報に含まれたＣＴＲ等の検査項目ｘ1の検査値が取り得る値の確率分布Ｐ（ｘ1｜ｘimg）を導出するものとなっている。
なお、画像情報ｘimgの検査値は、画像情報自体であってもよいし、画像情報に前処理を施した処理結果であってもよい。後者の場合、例えば、画像情報ｘimgの検査値は、公知の技術等により画像情報から抽出した特徴量等としてもよい。
そして、算出機能２５２は、生成した変換関数を変換関数テーブルＴ１に記憶する。また、算出機能２５２は、変換関数を算出時に取得した精度や、変換関数の算出に使用した画像情報の条件等を、変換関数に関連付けて記憶する。
また、算出機能２５２は、上記と同様の手法により、同一の日付が付された同一日の記載情報と検査情報との組についても変換関数を算出することができる。但し、この場合には、記載情報に含まれた患者の身体の状態を表す検査項目や検査値等の文言と、検査情報の検査値との相関関係（又は共起関係）を取り扱うことが可能な自然言語処理や機械学習手法を用いて学習を行うものとする。この場合、記載情報から抽出する文言や用語は予め設定おく形態としてもよい。
以上、３つの算出方法について説明したが、これらの算出方法は組み合わせて使用することも可能である。例えば、第１の算出方法に第３の算出方法を組み合わせることで、検査項目ｘ2の検査値と画像情報ｘimgとから、検査項目ｘ1の検査値が取り得る値の確率分布を導出可能な変換関数を算出してもよい。また、例えば、記載情報から検査値等の文言を抽出し、抽出した情報を検査項目ｘ2やｘ3等の検査値とすることで、上述した第１の算出方法や第２の算出方法と組み合わせて使用してもよい。
図７は、変換関数テーブルＴ１のデータ構成の一例を示す図である。図７に示すように、変換関数テーブルＴ１は、「ＩＤ」、「出力」、「入力」、「変換関数」、「精度」、及び「頻度」等のデータ項目を有する。
ここで、「ＩＤ」欄には、変換関数テーブルＴ１に登録された変換関数の各々を識別するための識別番号が格納される。「出力」欄には、変換関数によって出力される変換後の検査項目が格納される。「入力」欄には、変換関数に入力する検査項目や非構造化データ（画像情報、記載情報）の種別等が格納される。「変換関数」欄には、算出機能２５２で算出された変換関数や、変換関数が記憶された記憶先のアドレスが格納される。「精度」欄には、変換関数の算出時に取得された精度の値が格納される。「頻度」欄には、上記式（３）によって算出された頻度の値が格納される。
また、図８は、変換関数テーブルＴ１のデータ構成の他の例を示す図である。図８の変換関数テーブルＴ１は、図７で説明した変換関数テーブルＴ１のデータ構成に「サンプルデータ」のデータ項目を追加したものである。この「データ特性」欄には、変換関数の算出時に使用された診療情報Ｄ１（サンプルデータ）に係る条件が格納される。例えば、特定の患者や特定の疾患名に係る診療情報Ｄ１に限定して変換関数が算出された場合には、その限定条件を示す情報が「サンプルデータ」欄に格納される。
このように、診療支援装置２０では、第１取得機能２５１及び算出機能２５２によって、複数の患者の診療情報Ｄ１に含まれた各種検査値の相関関係から、任意の種別の検査値から他の種別の検査値が取り得る値の確率分布を導出可能な変換関数を算出する。かかる変換関数を用いることで、例えば、一部の検査項目の検査値が不足しているような場合に、他の検査項目の検査値から不足分の検査項目の検査値が取り得る値等を導出することができる。
ところで、診療情報Ｄ１が、第１の診療科Ａに設けられた診療ＤＢ１０ａから取得されたものである場合には、この診療情報Ｄ１を同診療科の推論装置３０ａに記憶された学習済モデルＭ１に適用（入力）することで、同診療科の診療範囲に即した疾患名等の推論結果を得ることができる。
また、診療ＤＢ１０ａの診療情報Ｄ１を、第２の診療科Ｂの推論装置３０ｂに記憶された学習済モデルＭ１に適用することで、第２の診療科Ｂの診療範囲に即した疾患名やリスクを得ることができるため、患者の状態を多角的に診療することが可能となる。
しかしながら、診療ＤＢ１０ｂから得られた診療情報Ｄ１を、第２の診療科Ｂの推論装置３０ｂに記憶された学習済モデルＭ１に適用した場合、疾患名の推定に使用する入力データの項目が異なるため、推論結果を導き出せない可能性がある。
そこで、診療支援装置２０では、学習済モデルＭ１の推論に必要な入力データの項目の一部が不足するような場合に、上述した変換関数を用いることで、診療情報Ｄ１に含まれる既存の検査項目の検査値から、不足分の検査項目の検査値を補うための処理を実行する。そして、診療支援装置２０では、診療情報Ｄ１に含まれた既存の検査値と、変換関数を用いて導出した変換後の検査値とを学習済モデルＭ１に入力して得られた推論結果に基づいて、対象患者の診療を支援するための支援情報を生成し、当該支援情報を提供するための処理を実行する。以下、これらの処理に係る診療支援装置２０の機能について説明する。
第２取得機能２５３は、対象患者の診療情報Ｄ１を診療ＤＢ１０から取得する。例えば、第２取得機能２５３は、第１の診療科Ａの診療ＤＢ１０ａから、対象患者の診療情報Ｄ１の取得を行う。
対象患者は、例えば入力インタフェース２１や通信インタフェース２３等を介して、対象となる患者の患者ＩＤが入力されることで指定される。なお、対象患者の診療情報Ｄ１は、１つに限らず複数（複数日）の診療情報Ｄ１を取得してもよい。また、対象患者は一人に限らず複数人が指定されてもよい。第２取得機能２５３によって取得された対象患者の診療情報Ｄ１は、変換機能２５４と生成機能２５５とに出力される。
変換機能２５４は、導出部の一例である。変換機能２５４は、生成機能２５５と協働することで、対象患者の診療情報Ｄ１に含まれる既存の検査項目の検査値から、他の検査項目の検査値を導出（変換）するための変換処理を実行する。
具体的には、変換機能２５４は、後述する生成機能２５５から不足分の検査項目が通知されると、変換関数テーブルＴ１に記憶された変換関数に基づき、診療情報Ｄ１に含まれる既存の検査項目の検査値から、不足分の検査項目の検査値を導出する。
以下、変換機能２５４の動作例について説明する。図９は、変換機能２５４の動作例を説明するための図である。なお、図９では、変換関数テーブルＴ１に記憶された変換関数の一部を示している。
例えば、不足分の検査項目がｘ1であった場合、変換機能２５４は、変換関数テーブルＴ１から、「出力」欄に検査項目ｘ1が登録され、且つ診療情報Ｄ１に含まれた既存の検査項目が「入力」欄に登録された変換関数を検索する。ここで、例えば、既存の検査項目としてｘ2とｘ3とが診療情報Ｄ１に含まれる場合、変換機能２５４は、図９の変換関数テーブルＴ１から、ＩＤ：１～３の変換関数を特定する。
上記したように、検索条件に該当する変換関数が複数個存在した場合、変換機能２５４は、それらの変換関数に関連付けて記憶された精度や頻度に基づいて、変換関数を一つ選択する。例えば、変換機能２５４は、精度の値が最も高い変換関数を選択してもよいし、頻度の値が最も高い変換関数を選択してもよい。
また、変換機能２５４は、例えば下記式（５）を用いることで、精度と頻度とから重み付き精度を算出し、この算出結果に基づいて変換関数を一つ選択する形態としてもよい。
重み付き精度＝精度×頻度の逆数 …（５）
上記式（５）算出される重み付き精度は、値が小さいほど精度が高いことを意味する。図９では、上記式（５）で算出された重み付き精度を示している。この場合、変換機能２５４は、重み付き精度の値が最も小さい変換関数、つまりＩＤ：３の変換係数を選択することで、精度がより高い変換関数を用いて不足分の検査項目の検査値を導出することができる。
なお、重み付き精度は、下記式（６）に基づき算出してもよい。この場合、算出される重み付き精度は、値が大きいほど精度が高いことを意味するため、変換機能２５４は、重み付き精度の値が最も大きい変換関数を選択することが好ましい。
重み付き精度＝精度×頻度 …（６）
次いで、変換機能２５４は、選択した変換関数を用いて、不足分の検査項目の検査値を導出する。具体的には、変換機能２５４は、対象患者の診療情報Ｄ１に含まれた既存の検査項項目から、選択した変換関数の「入力」欄に規定された検査項目の検索値を読み出し、変換関数に入力する。
変換関数は、変換元の検査項目の検査値が入力されると、変換先となる検査項目の検査値が取り得る値を確率変数として出力（導出）することができる。
図１０は、変換関数によって導出される確率変数の範囲を説明するための図である。ここで、図１０は、変換関数によって導出される確率分布の状態を模式的に示す図である。横軸は、入力の対象となる検査項目ｘiの検査値、縦軸を出力の対象となる検査項目ｘoの検査値を示している。なお、図１０では、検査項目ｘiが画像情報から抽出される特徴量、検査項目ｘoがＣＴＲであるとして説明を進める。
例えば、検査項目ｘiの検査値が位置Ｐ１に該当する場合、変換関数によって導出される検査項目ｘoの検査値は、位置Ｐ１での確率分布の範囲であらゆる値を取り得ることになる。そこで、変換機能２５４は、検査項目ｘoの検査値を、確率分布の範囲内で一又は複数個に絞り込むための処理を行う。
例えば、変換関数によって導出される検査値を一つに絞り込む場合、変換機能２５４は、確率が最大となる検査項目ｘoの検査値を導出結果（変換結果）として取得する。図１０の場合、変換機能２５４は、位置Ｐ１に対応する破線Ｌ１上の検査項目ｘoの検査値「５３」を導出結果として取得する。
また、例えば、変換関数によって導出される検査値を複数個出力する場合、変換機能２５４は、確率が閾値Ｔｈp以上となる範囲（図中矢印の範囲）を設定し、この範囲内で検査項目ｘoの検査値の最大値と、最小値と、確率が最大となる検査値とを導出結果として取得する。図１０の場合、検査項目ｘoの検査値の最大値は「６３」、最小値は「４３」、確率が最大の検査値は「５３」となる。なお、本実施形態では、変換機能２５４は、変換関数から検査値を複数個導出するものとして説明する。
そして、変換機能２５４は、不足分の検査項目について導出した検査値の各々を生成機能２５５に出力する。具体的には、変換機能２５４は、不足分の検査項目について導出した検査値と、当該検査値の確率分布上での特性を示す特性情報とを対応付けて生成機能２５５に出力する。ここで、特性情報は、例えば、上述した最大値や最小値、確率が最大の検査値等であることを示すものである。
なお、変換機能２５４は、対象患者の診療情報Ｄ１に含まれた日付の日数に応じて、検索する変換関数を絞り込む形態としてもよい。例えば、対象患者の診療情報Ｄ１が単一の日付で構成される場合には、変換機能２５４は、上述した第１の算出方法や第３の算出方法で算出された変換関数に絞り込んでもよい。また、対象患者の診療情報Ｄ１が２日以上の日付で構成される場合には、変換機能２５４は、上述した第２の算出方法で算出された変換関数に絞り込んでもよい。
図３に戻り、生成機能２５５は、生成部の一例である。生成機能２５５は、適用対象の学習済モデルＭ１に対し、対象患者の診療情報Ｄ１に含まれる検査項目の検査値を入力することで得られる推論結果に基づいて、対象患者の診療を支援するための支援情報を生成する。
ここで、適用対象の学習済モデルＭ１は、入力インタフェース２１や通信インタフェース２３を介して指定されてもよいし、予め設定されていてもよい。本実施形態では、適用対象の学習済モデルＭ１が、推論装置３０ｂに記憶された学習済モデルＭ１であるとして説明する。
具体的には、生成機能２５５は、第２取得機能２５３から入力された診療情報Ｄ１に含まれる検査項目と、適用対象の学習済モデルＭ１への入力データの要件（検査項目）とを比較する。比較の結果、対象患者の診療情報Ｄ１に含まれる検査項目が学習済モデルＭ１の要件を満たさない場合、つまり対象患者の診療情報Ｄ１に不足分の検査項目が存在した場合、生成機能２５５は、不足分の検査項目を変換機能２５４に通知する。変換機能２５４では、上述した変換関数を用いることで、生成機能２５５から通知された不足分の検査項目の検査値を既存の検査項目の検査値から導出し、その導出結果を生成機能２５５に入力する。
生成機能２５５は、変換機能２５４から不足分の検査項目の検査値等を取得すると、対象患者の診療情報Ｄ１に含まれる既存の検査項目の検査値と、変換機能２５４から取得した検査項目の検査値等とを統合した診療情報テーブルを生成する。
図１１は、診療情報テーブルの一例を示す図である。診療情報テーブルは、記憶回路２４等に保持された、対象患者の診療情報Ｄ１等を格納するための記憶部である。図１１では、対象患者を３名（患者ＩＤ：１００１、１００２、１００３）とした例を示している。また、図１１では、診療情報Ｄ１に含まれた既存の検査項目として「血圧」と「画像情報」とが含まれた場合の例を示している。
例えば、学習済モデルＭ１の入力データとして、検査項目「血圧」と「ＣＴＲ」との検査値が規定されている場合、図１１に示す診療情報Ｄ１ではＣＴＲが不足分の検査項目となる。この場合、生成機能２５５は、変換機能２５４に不足分の検査項目「ＣＴＲ」を通知する。また、この場合、変換機能２５４は、上述の第３の算出方法で算出された変換関数を用いることで、診療情報Ｄ１に含まれた既存の画像情報から不足分の検査項目「ＣＴＲ」の検査値を導出するための処理を実行する。
生成機能２５５は、変換機能２５４から検査項目「ＣＴＲ」の検査値の導出結果を取得すると、図１１に示すように、対応する対象患者の診療情報Ｄ１と統合し、診療情報テーブルに記憶する。図１１では、診療情報Ｄ１に含まれた既存の検査項目「血圧」、「画像情報」と、変換機能２５４で導出された検査項目「ＣＴＲ」とをハッチングの線種を変えて示している。また、検査項目「ＣＴＲ」の検査値が検査項目「画像情報」に由来することを矢印で示している。
ここで、変換機能２５４で導出された検査値が複数個である場合、図１１に示すように、検査値の各々が診療情報テーブルに登録されることになる。具体的には、図１１では、各検査値の特性情報に基づき、確率が最大の検査値を「推定」、確率が閾値Ｔｈp以上の範囲で最小の検査値を「最小」、確率が閾値Ｔｈp以上の範囲で最大の検査値を「最大」として示している。
生成機能２５５は、対象患者の診療情報Ｄ１及び変換機能２５４の導出結果を診療情報テーブルに記憶すると、検査項目「血圧」、「ＣＴＲ」の各検査値を学習済モデルＭ１に入力し、学習済モデルＭ１の推論結果を取得する。より詳細には、生成機能２５５は、検査項目「ＣＴＲ」の検査値の特性毎に、その検査値を検査項目「血圧」の検査値とともに学習済モデルＭ１に入力することで、学習済モデルＭ１の推論結果を、検査項目「ＣＴＲ」の検査値の特性毎に取得する。
学習済モデルＭ１では、例えば血圧とＣＴＲとの検査値が入力されると、両検査値の関係性から推論した疾患の名称（疾患名）と、その疾患に罹患している可能性や発生率を定量的に表したリスク値とを推論結果として出力する。そして、生成機能２５５は、学習済モデルＭ１で推論された検査値の特性毎の推論結果に基づいて支援情報を生成し、生成した支援情報を支援情報テーブルに登録する。
図１２は、支援情報テーブルの一例を示す図である。支援情報テーブルは、記憶回路２４等に記憶された支援情報を保持するための記憶部である。
図１２の支援情報テーブルでは、図１１の診療情報テーブルに示した検査項目「血圧」と「ＣＴＲ」との各検査値を、学習済モデルＭ１に入力することで得られた支援情報を示している。例えば、患者ＩＤ：１００１の対象患者に着目すると、この対象患者の検査項目「血圧」及び「ＣＴＲ」の検査値から、疾患名「心不全」が推論されたことを示している。また、「ＣＴＲ（推定）」、「ＣＴＲ（最小）」及び「ＣＴＲ（最大）」の各検査値について推論されたリスク値が、疾患名に関連付けて登録されている。
ここで、「リスク（推定）」は、「ＣＴＲ（推定）」の検査値から推論されたリスク値を意味する。また、「リスク（最小）」及び「リスク最小のときのＣＴＲ」には、「ＣＴＲ（最小）」と「ＣＴＲ（最大）」とについて推論されたリスク値のうち、小さい方のリスク値と、当該リスク値に対応するＣＴＲの検査値とが登録される。図１２の例では、ＣＴＲの検査値が４５のときリスク値が最小となることを意味している。また、「リスク（最大）」及び「リスク最大のときのＣＴＲ」には、「ＣＴＲ（最小）」と「ＣＴＲ（最大）」とについて推論されたリスク値のうち、大きい方のリスク値と、当該リスク値に対応するＣＴＲの検査値とが登録される。図１２の例では、ＣＴＲの検査値が６３のときリスク値が最大となることを意味している。
なお、「ＣＴＲ（推定）」の検査値から推論されたリスク値が最小となる場合には、「リスク（最小）」の項目にそのリスク値を登録し、「リスク最小のときのＣＴＲ」の項目に「ＣＴＲ（推定）」の検査値を登録する形態としてもよい。また、「ＣＴＲ（推定）」の検査値から推論されたリスク値が最大のときも同様に登録する形態としてもよい。
表示構成機能２５６は、診療情報テーブル及び支援情報テーブルに登録された診療情報Ｄ１や支援情報等に基づいて、後述する表示機能２５７が表示する画面の基となる表示構成テーブルを生成する。
具体的には、表示構成機能２５６は、診療情報テーブルの登録内容と支援情報テーブルの登録内容とに基づき、両テーブルの登録内容を再構成した表示構成テーブルを生成する。
図１３は、表示構成テーブルのデータ構成の一例を示す図である。図１３に示すように、表示構成テーブルは、図１１に示した診療情報テーブルの登録内容と、図１２に示した支援情報テーブルの登録内容とを、対象患者の患者ＩＤ及び日付に基づいて対応付けたものとなっている。つまり、表示構成テーブルには、対象患者から取得された既存の検査項目「血圧」及び「画像情報」の検査値と、変換機能２５４で導出された「ＣＴＲ」の検査値と、これらの検査値から推論された対象患者の推論結果とが含まれる。
また、図１３では、診療情報テーブルに登録された検査項目「ＣＴＲ」の登録内容を再構成した例を示している。具体的には、図１３では、図１１に示した検査項目「ＣＴＲ」のうち、確率が最も高い「ＣＴＲ（推定）」の検査値のみを登録した例を示している。また、図１３では、「ＣＴＲ（推定）」の検査値に関連付けて、その検査値の確率を「信頼度」として登録している。
また、図１３では、患者ＩＤが「１００１」の対象患者について推論された三つの疾患名「心不全」、「肺がん」、及び「糖尿病」を並べて配置した例を示している。これらの疾患名は、例えばそれぞれ異なる診療科の学習済モデルＭ１から推論されたものであってもよいし、単一の学習済モデルＭ１から推論されたものであってもよい。何れの場合であっても、診療支援装置２０では、不足分の検査項目が存在した場合に、変換関数を用いて不足分の検査項目の検査値を導出することができるため、各種の学習済モデルＭ１に柔軟に対応することができる。
なお、表示構成機能２５６が生成する表示構成テーブルは、図１３の例に限らないものとする。例えば、リスク値が閾値以下の推論結果（疾患名）については表示構成情報から除外する形態としてもよい。また、図１１に示した「ＣＴＲ（最小）」、「ＣＴＲ（最大）」の検査値も表示構成テーブルに登録する形態としてもよい。
表示機能２５７は、出力部の一例である。表示機能２５７は、表示構成機能２５６が生成した表示構成テーブルに基づいて、対象患者の診療を支援するための画面をディスプレイ２２に表示させる。
図１４は、表示機能２５７が表示する画面の一例を示す図である。なお、図１４は、図１３の表示構成テーブルに登録された患者ＩＤ：１００１に関する画面である。
図１４に示すように、画面Ｇ１は、第１の領域Ｇ１１から第４の領域Ｇ１４を有する。第１の領域Ｇ１１には、表示構成テーブルに登録された対象患者の患者ＩＤが表示される。
第２の領域Ｇ１２には、表示構成テーブルに登録された既存の診療情報Ｄ１（検査情報、画像情報等）が表示される。図１４では、血圧の検査値と、画像情報であるレントゲン画像とを表示した例を示している。なお、図１４では、血圧の検査値を時系列データとして示しているが、特定の日付の検査値のみを表示する形態としてもよい。
第３の領域Ｇ１３には、表示構成テーブルに登録された変換関数の導出結果が推定情報として表示される。図１４では、推定情報として、変換元の検査項目（画像情報）である「レントゲン」と、変換後の検査項目である「ＣＴＲ」と、その検査値（推定）、（最小）、（最大）とを表示した例を示している。
第４の領域Ｇ１４には、表示構成テーブルに登録された学習済モデルの推論結果が疾患リスクとして表示される。図１４では、疾患リスクとして、推論された疾患名の各々と当該疾患名のリスク値とを横棒グラフで表示した例を示している。
ここで、横棒グラフは、リスク（推定）の項目のリスク値に基づくものとなっており、リスク（最小）とリスク（最大）とのリスク値の範囲を、横棒グラフに重畳したゲージＧ１４ａによって表している。つまり、表示機能２５７は、学習済モデルＭ１によって推論された複数の疾患名及びリスク値を比較可能な状態で表示させる。
また、表示機能２５７は、リスク値の大きさに応じて横棒グラフの表示形態を相違させる。具体的には、表示機能２５７は、リスク値が閾値（例えば７０％）以上となる場合、そのリスク値を表す横棒グラフを、リスク値が閾値未満の横棒グラフよりも強調して表示させる。これにより、画面Ｇ１を見る医師等のユーザは、リスク値が高い疾患名を容易に認識することができる。
また、表示機能２５７は、例えば操作者が操作するマウスポインタＰＯがゲージＧ１４ａに移動すると、このゲージＧ１４ａが規定するリスク（最小）とリスク（最大）とのリスク値をウィンドウＧ１５にポップアップ表示させる。
このように、表示機能２５７は、対象患者の診療情報Ｄ１に含まれた既存の検査項目の検査値と、変換機能２５４で導出された検査項目の検査値とを識別可能に表示させる。また、表示機能２５７は、変換機能２５４で導出された検査項目の検査値の、導出元となった既存の検査項目を識別可能に表示させる。また、表示機能２５７は、検査値の入力によって推論された対象患者の疾患名とそのリスク値を比較可能な状態で表示させる。
これにより、診療支援装置２０では、画面Ｇ１を見る医師等のユーザに対し、対象患者が罹患している可能性のある疾患名及びリスク値を容易に把握させることができるため、対象患者の診療支援を効率的に行うことができる。また、診療支援装置２０では、適用対象とした学習済モデルＭ１での推論に、どの検査項目の検査値が不足したのかを容易にユーザに把握させることができる。したがって、医師等のユーザは、推論された疾患名やリスク値等に応じて、不足した検査項目の検査を追加で実施したりする等の判断を画面Ｇ１に基づいて行うことができる。
なお、表示機能２５７が表示する画面は、図１４に示した画面例に限らず、他の表示形態で表示させてもよい。例えば、表示機能２５７は、図１３に示した表示構成テーブルをディスプレイ２２に表示させてもよい。表示構成テーブルを表示させる場合も、表示機能２５７は、リスク値に応じて疾患名等を強調して表示させることが好ましい。また、表示の対象となる対象患者は、入力インタフェース２１等を介して切り替えることが可能であるとする。
以下、診療支援装置２０の動作について説明する。図１５は、診療支援装置２０が実行する変換関数算出処理の一例を示すフローチャートである。
まず、第１取得機能２５１は、診療ＤＢ１０に記憶された過去の患者の診療情報Ｄ１をサンプルデータとして取得すると、その取得したサンプルデータを算出機能２５２に入力する（ステップＳ１１）。
ここで、サンプルデータの取得元となる診療ＤＢ１０は、特に問わず、例えば、特定の診療科（例えば、第１の診療科Ａ）の診療ＤＢ１０であってもよいし、診療科の各々に設けられた診療ＤＢ１０の全てであってもよい。
また、第１取得機能２５１は、診療ＤＢ１０に記憶された全ての診療情報Ｄ１をサンプルデータとして取得してもよいし、条件に該当する診療情報Ｄ１のみをサンプルデータとして取得してもよいし。サンプルデータの取得条件としては、例えば、特定の患者（患者ＩＤ）や疾患名等の、特性情報に係る条件が挙げられる。サンプルデータの取得条件は、入力インタフェース２１や通信インタフェース２３を介して指示されてもよいし、予め設定されたものであってもよい。例えば、疾患名毎にサンプルデータを取得する設定としてもよい。
また、第１取得機能２５１がサンプルデータを取得するタイミングは特に問わず、任意のタイミングで取得することができる。例えば、第１取得機能２５１は、入力インタフェース２１を介して指示を受け付けると、サンプルデータの取得を開始してもよい。また、例えば、第１取得機能２５１は、予め設定されたスケジュールでサンプルデータの取得を行う形態としてもよい。後者の場合、スケジュールには、例えば１日に１回や、１週間に１回等の実行タイミングを設定することができる。
続いて、算出機能２５２は、入力されたサンプルデータに含まれる各検査項目の検査値間の相関関係に基づき、上述した変換関数を検査項目の組み合わせ毎に算出する（ステップＳ１２）。そして、算出機能２５２は、算出した変換関数を変換関数テーブルＴ１に記憶し（ステップＳ１３）、本処理を終了する。
上述した変換関数算出処理により、各種の変換関数が変換関数テーブルＴ１に格納されることになる。
図１６は、診療支援装置２０が実行する診療支援処理の一例を示すフローチャートである。なお、本処理の前提として、変換関数テーブルＴ１には各種の変換関数が格納済であるとする。
まず、第２取得機能２５３は、対象患者の患者ＩＤが登録された診療ＤＢ１０から、対象患者の診療情報Ｄ１を取得すると、取得した診療情報Ｄ１を変換機能２５４と生成機能２５５とに入力する（ステップＳ２１）。
ここで、対象患者の患者ＩＤは、例えば入力インタフェース２１や通信インタフェース２３を介して、医師等の操作者から指示される。なお、対象患者の患者ＩＤが複数の診療ＤＢ１０（例えば、診療ＤＢ１０ａ、１０ｂ）に登録されている場合には、第２取得機能２５３は、診療ＤＢ１０の各々から診療情報Ｄ１を取得してもよいし、取得先となる診療ＤＢ１０（診療科）を操作者に選択させる形態としてもよい。
生成機能２５５は、診療情報Ｄ１が入力されると、この診療情報Ｄ１に含まれる検査項目と、推論装置３０（学習済モデルＭ１）での推論に必要な入力データの検査項目とを比較し、不足分の検査項目が存在するか否かを判定する。ここで、不足分の検査項目が存在した場合、生成機能２５５は、不足分の検査項目を変換機能２５４に通知する。
なお、不足分の検査項目が存在しない場合には、生成機能２５５は、診療情報Ｄ１に含まれた既存の検査項目の検査値を学習済モデルＭ１に入力し、学習済モデルＭ１に疾患名等を推論させる。この場合の処理は従来のＣＤＳシステムやＣＡＤのシステム構成と同様であるため説明を省略する。
変換機能２５４は、不足分の検査項目が存在すると、変換関数テーブルＴ１に格納された変換関数に基づき、診療情報Ｄ１に含まれる既存の検査項目の検査値から、不足分の検査項目の検査値を導出する変換処理を実行する（ステップＳ２２）。
続いて、生成機能２５５は、診療情報Ｄ１に含まれる既存の検査項目の検査値と、ステップＳ２２で導出された不足分の検査項目の検査値とを学習済モデルＭ１に入力する（ステップＳ２３）。次いで、生成機能２５５は、学習済モデルＭ１が出力する推論結果に基づいて支援情報を生成する（ステップＳ２４）。
続いて、表示構成機能２５６は、診療情報Ｄ１、ステップＳ２２で導出された変換後の検査値、ステップＳ２４で生成された支援情報等に基づき表示用画面を構成するための表示構成テーブルを生成する（ステップＳ２５）。そして、表示機能２５７は、表示構成テーブルに応じた表示用画面（例えば、画面Ｇ１）を表示し（ステップＳ２６）、本処理を終了する。
このように、診療支援装置２０は、複数の患者の診療情報Ｄ１に含まれる各検査項目の検査値間の相関関係に基づいて、１又は複数の結果項目の検査値から他の検査項目の検査値が取り得る値を統計的に導出可能な変換関数を算出する。また、診療支援装置２０は、既定の検査項目の検査値から患者の状態に関する情報を推論する学習済モデルＭ１に対し、対象患者の診療情報Ｄ１に含まれる検査項目の検査値を入力して得られた推論結果に基づいて、対象患者の診療を支援するための支援情報を生成する。また、診療支援装置２０は、対象患者の診療情報Ｄ１に含まれる検査項目が、学習済モデルＭ１に入力する既定の検査項目の要件を満たさない場合には、変換関数に基づいて、対象患者の診療情報Ｄ１に含まれる検査項目の検査値から不足分の検査項目の検査値を導出し、この導出された前記不足分の検査項目の検査値を用いて、学習済モデルＭ１に対象患者の状態に関する情報を推論させる。
これにより、診療支援装置２０では、例えば、対象患者の診療情報Ｄ１に含まれる検査項目が、学習済モデルＭ１の要件を満たさない場合であっても、変換関数に基づき導出した検査項目の検査値を用いて、学習済モデルＭ１の推論結果を得ることができる。また、変換関数は、各検査項目の検査値間の相関関係に基づき算出されたものであるため、診療支援装置２０では、統計的に有意な検査値を導出することができる。
このように、診療支援装置２０では、適用先の学習済モデルＭ１の仕様に応じて、不足分の検査結果を対象患者の診療情報Ｄ１から自動で補うことができる。したがって、診療支援装置２０では、追加の検査を実施することなく、適用先の学習済モデルＭ１の推論結果を得ることができるため、患者の診療支援を柔軟に行うことできる。これにより、診療支援システム１では、例えば対象患者が受診する診療科以外の他の診療科の学習済モデルＭ１を用いて、対象患者の疾患名やリスク値等の推論結果を容易に得ることができるため、疾患の早期発見等に寄与することができる。
なお、上述した実施形態は、各装置が有する構成又は機能の一部を変更することで、適宜に変形して実施することも可能である。そこで、以下では、上述した実施形態に係るいくつかの変形例を他の実施形態として説明する。なお、以下では、上述した実施形態と異なる点を主に説明することとし、既に説明した内容と共通する点については詳細な説明を省略する。また、以下で説明する変形例は、個別に実施されてもよいし、適宜組み合わせて実施されてもよい。
（変形例１）
上述の実施形態では、診療支援装置２０が、変換関数の算出に係る処理と、当該変換関数を用いた検査値の導出の係る処理とを行う形態としたが、これら処理の各々を異なる装置で実行する形態としてもよい。
この場合、変換関数の算出に係る処理を実行する装置（以下、診療情報処理装置という）は、図２と同様のハードウェア構成を備えるとともに、上述した第１取得機能２５１及び算出機能２５２を有する。また、変換関数を用いた検査値の導出に係る処理を実行する装置（以下、診療支援装置という）は、図２と同様のハードウェア構成を備えるとともに、上述した第２取得機能２５３、変換機能２５４、生成機能２５５、表示構成機能２５６、及び表示機能２５７を有する。
つまり、本変形例に係る診療支援システム１では、診療支援装置は、診療情報処理装置が算出した変換関数を用いて、不足分の検査項目の検査値を対象患者の診療情報Ｄ１から導出する。これにより、本変形例に係る診療支援システム１では、上述した実施形態と同様の作用及び効果を奏することができるため、患者の診療支援を柔軟に行うことできる。
（変形例２）
上述の実施形態では、診療支援装置２０は、入力インタフェース２１を介して、対象患者や学習済モデルＭ１等の指定入力を受け付ける形態としたが、これに限らず、診療支援装置２０以外の外部装置から対象患者や学習済モデルＭ１等の指定入力を受け付ける形態としてもよい。例えば、診療支援装置２０は、通信インタフェース２３を介して、第１の診療科Ａや第２の診療科Ｂに設けられた図示しない端末装置から対象患者や学習済モデルＭ１等の指定入力を受け付けてもよい。また、例えば、診療支援装置２０の第２取得機能２５３は、外部装置から送信された対象患者の診療情報Ｄ１を、通信インタフェース２３を介して取得する形態としてもよい。
また、上述の実施形態では、表示機能２５７が、対象患者の診療情報Ｄ１、変換機能２５４の導出結果（変換結果）、及び生成機能２５５が生成した支援情報（支援情報テーブル）の内容を、ディスプレイ２２に表示出力する形態としたが、これら情報の出力方法は表示に限定されるものではない。
例えば、表示機能２５７は、表示構成テーブルに基づく画面を、記憶回路２４等に出力（記憶）する形態としてもよい。また、表示機能２５７は、表示構成テーブルに基づく画面を、通信インタフェース２３を介して外部装置に出力（送信）する形態としてもよい。
また、出力対象のデータは表示構成テーブルに基づく画面に限らないものとする。例えば生成機能２５５が生成した診療情報テーブルや支援情報テーブルを、ディスプレイ２２や外部装置に出力する形態としてもよい。この場合、生成機能２５５は、表示機能２５７と協働等することで、出力部の一例として機能してもよい。
（変形例３）
上述の実施形態では、診療支援装置２０は、診療科（第１の診療科Ａ，第２の診療科Ｂ）の各々に設けられた診療ＤＢ１０及び推論装置３０を用いて、対象患者の状態に関する情報を推論する形態を説明した。しかしながら診療支援システム１の構成はこれに限定されないものとする。例えば、診療支援装置２０は、病院等の医療施設の各々に設けられた診療ＤＢ１０及び推論装置３０を用いて、対象患者の状態に関する情報を推論する形態としてもよい。
［第２の実施形態］
上述した実施形態では、学習済モデルＭ１は予め学習済であるとして説明したが、診療支援装置２０で実行される一連する処理の過程で学習処理を行う形態としてもよい。以下、この形態に係る診療支援装置２０について説明する。なお、第１の実施形態と同様の要素については同一の符号を付与し説明を省略する。
図１７は、第２の実施形態に係る診療支援装置２０の処理回路２５が有する構成要素の一例を示す図である。本実施形態に係る処理回路２５は、図３説明した各機能に加えて、学習機能２５８を有する。かかる学習機能２５８は、例えばコンピュータによって実行可能なプログラムの形態で記憶回路２４に記憶されている。
学習機能２５８は、学習部の一例である。学習機能２５８は、学習済モデルＭ１の学習処理を実行する。具体的には、学習機能２５８は、第２取得機能２５３が取得した診療情報に含まれる検査項目の検査値と、当該検査値から変換機能２５４が導出した他の検査項目の検査値とを学習用データとすることで、学習済モデルＭ１の追加学習（ファインチューニング等）を実行する。この場合、教師データ（疾患名等）は、例えば、診療支援装置２０の操作者によって入力されたものや、表示機能２５７が表示した推論結果の中から選択されたものを使用することができる。
なお、学習機能２５８への診療情報の入力は、図中の破線で示すように、第１取得機能２５１が行う構成としてもよい。また、追加学習の対象となる学習済モデルＭ１は特に問わず、任意に設定することが可能である。
次に、図１８を参照して、本実施形態の診療支援装置２０の動作について説明する。ここで、図１８は、本実施形態の診療支援装置２０が実行する学習処理の一例を示すフローチャートである。
まず、第２取得機能２５３は、診療ＤＢ１０から、学習用の診療情報を取得し、当該診療情報を変換機能２５４と学習機能２５８とに入力する（ステップＳ３１）。ここで、学習用の診療情報は、特に問わず、例えば上述した対象患者の診療情報であってもよい。
変換機能２５４は、生成機能２５５と協働することで、学習対象の学習済モデルＭ１の入力パラメータとなる検査項目のうち、不足分の検査項目の検査値をステップＳ３１で入力された診療情報から導出（変換）する。そして、変換機能２５４は、変換した検査項目の検査値を学習機能２５８に入力する（ステップＳ３２）。
続いて、学習機能２５８は、診療情報に含まれる検査項目の検査値と、変換機能２５４で変換された検査項目の検査値とに基づき、学習済モデルＭ１の追加学習を行う学習処理を実行する（ステップＳ３３）。
これにより、本実施形態に係る診療支援システム１では、変換機能２５４の導出結果を学習済モデルＭ１の学習に利用することができる。したがって、本実施形態に係る診療支援システム１では、各診療科に特化した学習済モデルＭ１の専門性を維持できるとともに、最新の診療情報を用いて学習済モデルの追加学習を行うことができる。
なお、上述した実施形態では、診療支援装置２０が備える機能構成を、処理回路２５によって実現する場合の例を説明したが、実施形態はこれに限られない。例えば、本明細書における機能構成は、ハードウェアのみ、又は、ハードウェアとソフトウェアとの混合によって同機能を実現するものであっても構わない。
また、上述した説明で用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサが例えばＣＰＵである場合、プロセッサは記憶回路２４に保存されたプログラムを読み出し実行することで機能を実現する。一方、プロセッサが例えばＡＳＩＣである場合、記憶回路２４にプログラムを保存する代わりに、当該機能がプロセッサの回路内に論理回路として直接組み込まれる。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。更に、各図における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。
ここで、プロセッサによって実行されるプログラムは、ＲＯＭ（Read Only Memory）や記憶回路等に予め組み込まれて提供される。なお、このプログラムは、これらの装置にインストール可能な形式又は実行可能な形式のファイルでＣＤ（Compact Disk）－ＲＯＭ、ＦＤ（Flexible Disk）、ＣＤ－Ｒ（Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記憶媒体に記録されて提供されてもよい。また、このプログラムは、インターネット等のネットワークに接続されたコンピュータ上に格納され、ネットワーク経由でダウンロードされることにより提供又は配布されてもよい。例えば、このプログラムは、上述した各機能部を含むモジュールで構成される。実際のハードウェアとしては、ＣＰＵが、ＲＯＭ等の記憶媒体からプログラムを読み出して実行することにより、各モジュールが主記憶装置上にロードされて、主記憶装置上に生成される。
以上説明した少なくとも１つの実施形態によれば、患者の診療支援をより柔軟に行うことができる。
いくつかの実施形態（変形例）を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、実施形態同士の組み合わせを行うことができる。これらの実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
１ 診療支援システム
１０、１０ａ、１０ｂ 診療ＤＢ
２０ 診療支援装置
３０、３０ａ、３０ｂ 推論装置
２５１ 第１取得機能
２５２ 算出機能
２５３ 第２取得機能
２５４ 変換機能
２５５ 生成機能
２５６ 表示構成機能
２５７ 表示機能
２５８ 学習機能
Ａ 第１の診療科
Ｂ 第２の診療科

Claims (13)

  1. 複数の患者の診療情報に含まれる各検査項目の検査値間の相関関係に基づいて、１又は複数の結果項目の検査値から他の検査項目の検査値が取り得る値を統計的に導出可能な変換関数を算出する算出部と、
    既定の検査項目の検査値から患者の状態に関する情報を推論する学習済モデルに対し、対象患者の診療情報に含まれる検査項目の検査値を入力して得られた推論結果に基づいて、前記対象患者の診療を支援するための支援情報を生成する生成部と、
    前記対象患者の診療情報に含まれる検査項目が前記既定の検査項目の要件を満たさない場合に、前記変換関数に基づいて、前記対象患者の診療情報に含まれる検査項目の検査値から不足分の検査項目の検査値を導出する導出部と、
    を有し、
    前記生成部は、前記導出部で導出された前記不足分の検査項目の検査値を用いて、前記学習済モデルに前記対象患者の状態に関する情報を推論させる診療支援システム。
  2. 前記導出部は、前記変換関数によって導出される、前記不足分の検査項目の検査値が取り得る値の確率分布から、確率が最大となる値を前記不足分の検査項目の検査値として導出する、請求項１に記載の診療支援システム。
  3. 前記導出部は、前記変換関数によって導出される、前記不足分の検査項目の検査値が取り得る値の確率分布のうち、確率が閾値以上となる範囲から最小と最大の値をそれぞれ前記不足分の検査項目の検査値として導出する、請求項２に記載の診療支援システム。
  4. 前記生成部は、前記導出部で導出された検査値の各々を前記学習済モデルに入力して、当該検査値の特性毎に前記対象患者の状態に関する情報を推論させる、請求項３に記載の診療支援システム。
  5. 前記生成部が生成した前記支援情報を出力する出力部を更に備える、請求項１に記載の診療支援システム。
  6. 前記出力部は、前記支援情報に基づく画面を表示出力させる、請求項５に記載の診療支援システム。
  7. 前記出力部は、前記対象患者の診療情報に含まれる前記検査項目の検査値と、前記導出部で導出された前記不足分の検査項目の検査値と、前記支援情報の内容とを同一の画面内に表示させる、請求項６に記載の診療支援システム。
  8. 前記算出部は、前記診療情報に含まれる検査項目を網羅的に組み合わせ、当該検査項目の組み合わせ毎に前記変換関数を算出する、請求項１に記載の診療支援システム。
  9. 前記算出部は、同一日に作成された前記診療情報を前記患者毎に収集し、収集した前記診療情報を用いて前記変換関数を算出する、請求項１に記載の診療支援システム。
  10. 前記算出部は、時系列的に連続する前記診療情報を前記患者毎に収集し、収集した前記診療情報を用いて前記変換関数を算出する、請求項１に記載の診療支援システム。
  11. 前記算出部は、前記診療情報に含まれる画像情報と、当該画像情報に関係する検査項目の検査値との相関関係に基づいて、前記画像情報から前記検査項目の検査値が取り得る値の確率分布を導出可能な変換関数を算出する、請求項１に記載の診療支援システム。
  12. 前記算出部は、前記診療情報に含まれる記載情報に記載された文言と、当該文言に関係する検査項目の検査値との相関関係に基づいて、前記文言から前記検査項目の検査値が取り得る値の確率分布を導出可能な変換関数を算出する、請求項１に記載の診療支援システム。
  13. 前記対象患者の前記診療情報に含まれる検査項目の検査値と、前記導出部が導出した前記不足分の検査項目との検査値とに基づき、前記学習済モデルの学習処理を実行する学習部を更に備える、請求項１に記載の診療支援システム。
JP2020167217A 2020-10-01 2020-10-01 診療支援システム Pending JP2022059448A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2020167217A JP2022059448A (ja) 2020-10-01 2020-10-01 診療支援システム
US17/484,002 US20220108801A1 (en) 2020-10-01 2021-09-24 Diagnosis and treatment support system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020167217A JP2022059448A (ja) 2020-10-01 2020-10-01 診療支援システム

Publications (1)

Publication Number Publication Date
JP2022059448A true JP2022059448A (ja) 2022-04-13

Family

ID=80932372

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020167217A Pending JP2022059448A (ja) 2020-10-01 2020-10-01 診療支援システム

Country Status (2)

Country Link
US (1) US20220108801A1 (ja)
JP (1) JP2022059448A (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7441391B1 (ja) 2023-08-21 2024-03-01 株式会社医療情報技術研究所 大規模言語モデルを用いた電子カルテシステム
WO2024079957A1 (ja) * 2022-10-14 2024-04-18 株式会社島津製作所 診療支援方法、診療支援用プログラム、および診療支援システム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040122702A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Medical data processing system and method
US9451886B2 (en) * 2009-04-22 2016-09-27 Rodrigo E. Teixeira Probabilistic parameter estimation using fused data apparatus and method of use thereof
WO2020006571A1 (en) * 2018-06-29 2020-01-02 pulseData Inc. Machine learning systems and methods for predicting risk of renal function decline

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024079957A1 (ja) * 2022-10-14 2024-04-18 株式会社島津製作所 診療支援方法、診療支援用プログラム、および診療支援システム
JP7441391B1 (ja) 2023-08-21 2024-03-01 株式会社医療情報技術研究所 大規模言語モデルを用いた電子カルテシステム

Also Published As

Publication number Publication date
US20220108801A1 (en) 2022-04-07

Similar Documents

Publication Publication Date Title
US10192640B2 (en) Fractional flow reserve decision support system
JP7335240B2 (ja) 病状診断のための機械学習法などの機械学習法において使用する新規特徴の発見
CN108784655A (zh) 针对医疗患者的快速评估和后果分析
JPWO2019150813A1 (ja) データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム
JP2018067303A (ja) 診断支援方法、プログラム、及び装置
US20100217094A1 (en) Point-of-care enactive medical system and method
Gao et al. Chest X-ray image analysis and classification for COVID-19 pneumonia detection using Deep CNN
US20220108801A1 (en) Diagnosis and treatment support system
Kanikar et al. Prediction of cardiovascular diseases using support vector machine and Bayesien classification
Sharma et al. Classification of heart disease from MRI images using convolutional neural network
JP7238705B2 (ja) 診療支援方法、診療支援システム、学習モデルの生成方法、および、診療支援プログラム
JP2021114139A (ja) 医用情報処理装置及び医用情報処理プログラム
JP2021532888A (ja) 医用画像の処理
JP2020181289A (ja) 医用情報処理装置、オーダリングシステム及びプログラム
JP7486318B2 (ja) 医用情報処理装置、医用情報処理方法、および医用情報処理プログラム
JP7341686B2 (ja) 医用情報収集装置
Thomas et al. Artificial Intelligence of Things for Early Detection of Cardiac Diseases
JP2021533491A (ja) 画像プロセッサの制御
JP2021068188A (ja) 診断支援方法および診断支援システム
JP6971774B2 (ja) 医用情報処理装置及び医用情報処理方法
US12094592B2 (en) Analysis support apparatus, analysis support system, and analysis support method
US11819314B2 (en) Medical apparatus and test assisting method
Kishore et al. Smart Healthcare Monitoring System Using IoT Technology
US20220102013A1 (en) Medical service support device and medical service support system
Samhitha et al. Disease Identification and Detection using Machine Learning

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230904

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240705

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240709

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240905

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20241008