JP2022104493A - 情報処理方法、情報処理装置及びコンピュータプログラム - Google Patents

Abstract

【課題】患者の健康関連情報に基づいて、当該患者の健康状態に関連する診療科又は医用学習コンテンツを特定することができる情報処理方法を提供する。【解決手段】データベースに記録された患者の健康関連情報を取得し、前記健康関連情報が入力された場合、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定するための情報を出力する総合診療学習モデル１５に、前記データベースから取得した前記健康関連情報を入力することによって、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定する。【選択図】図２

Description

本発明は、情報処理方法、情報処理装置及びコンピュータプログラムに関する。

特許文献１には、医療装置を用いて患者からデータを探知し、ニューラルネットワークを用いて患者の健康の初期評価を行う自動診断システムが開示されている。

特表２００６－５０７８７５号公報

しかしながら特許文献１には、患者の健康関連情報に基づいて、当該患者の健康状態に関連する診療科を特定する技術は開示されていない。
特許文献１には、患者の健康関連情報に基づいて、当該患者の治療又は診断するために必要な医学情報等、当該患者の健康状態に関連する医用学習コンテンツを特定する技術は開示されていない。

本開示の目的は、患者の健康関連情報に基づいて、当該患者の健康状態に関連する診療科又は医用学習コンテンツを特定することができる情報処理方法、情報処理装置及びコンピュータプログラムを提供する。

本開示に係る情報処理方法は、データベースに記録された患者の健康関連情報を取得し、前記健康関連情報が入力された場合、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定するための情報を出力する総合診療学習モデルに、前記データベースから取得した前記健康関連情報を入力することによって、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定する。

本開示に係る情報処理装置は、データベースに記録された患者の健康関連情報を取得する取得部と、前記健康関連情報が入力された場合、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定するための情報を出力する総合診療学習モデルと、前記データベースから取得した前記健康関連情報を前記総合診療学習モデルに入力することによって、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定する処理を実行する処理部とを備える。

本開示に係るコンピュータプログラムは、データベースに記録された患者の健康関連情報を取得し、前記健康関連情報が入力された場合、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定するための情報を出力する総合診療学習モデルに、前記データベースから取得した前記健康関連情報を入力することによって、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定する処理をコンピュータに実行させる。

本開示によれば、患者の健康関連情報に基づいて、当該患者の健康状態に関連する診療科又は医用学習コンテンツを特定することができる情報処理方法、情報処理装置及びコンピュータプログラムを提供する。

実施形態１に係る情報処理システムの構成例を示す模式図である。 実施形態１に係る情報処理装置の構成例を示すブロック図である。 実施形態１に係る情報処理装置の機能ブロック図である。 データベースに記録される患者基本情報の一例を示す概念図である。 データベースに記録される医療関係者属性情報の一例を示す概念図である。 データベースに記録される診療情報の一例を示す概念図である。 データベースに記録される健康関連情報の一例を示す概念図である。 医療関連情報ＤＢのレコードレイアウトを示す概念図である。 医用学習コンテンツの一例を示す概念図である。 分類テーブルの一例を示す概念図である。 総合診療学習モデルの構成例を示す概念図である。 専門医学習モデルの構成例を示す概念図である。 実施形態１に係る健康関連情報の収集処理手順を示すフローチャートである。 実施形態１に係る診断支援の処理手順を示すフローチャートである。 総合医療学習モデル及び専門医学習モデルの再学習処理手順を示すフローチャートである。 実施形態２に係る総合診療学習モデルの構成例を示す概念図である。 実施形態２に係る専門医学習モデルの構成例を示す概念図である。 実施形態３に係る情報処理手順を示すフローチャートである。 実施形態３に係る仮想ミーティングルームを示す概念図である。 実施形態６に係る医用学習コンテンツの提供処理手順を示すフローチャートである。 実施形態６に係るコンテンツ提供画面を示す模式図である。 疾病基礎情報の一例を示す概念図である。 病院情報の一例を示す概念図である。 実施形態９に係るフィードバック情報データベースの一例を示す概念図である。 実施形態１０に係るデータベースに記録される医療関係者属性情報の一例を示す概念図である。 実施形態１０に係る病院情報の一例を示す概念図である。 実施形態１０に係る所定感染症に対処するための情報処理手順を示すフローチャートである。 実施形態１０に係る人員表示画像の一例を示す模式図である。 実施形態１１に係る健康関連情報のモニタリング処理手順を示すフローチャートである。 実施形態１１に係るフィードバック情報の収集及び学習モデルの再学習の処理手順を示すフローチャートである。 実施形態１３に係るＶＲ医科大学ＡＩの構成を示すブロック図である。 実施形態１３に係るＶＲ医科大学ＡＩへの情報入力を示す概念図である。

本発明の実施形態に係る情報処理方法、情報処理装置及びコンピュータプログラムの具体例を、以下に図面を参照しつつ説明する。なお、本発明はこれらの例示に限定されるものではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。また、以下に記載する実施形態の少なくとも一部を任意に組み合わせてもよい。

（実施形態１）
図１は、実施形態１に係る情報処理システムの構成例を示す模式図である。実施形態１に係る情報処理システムは、健康状態の診断を支援し、医療システムの効率的なデジタルトランスフォーメーション（DX: Digital transformation）を推進することにより、医療サービスを網羅的に一元管理するためのシステムである。本システムは、現実社会での医科大学総合病院と同等に運営可能な仮想医科大学総合病院の構築に資するシステムである。

実施形態１に係る情報処理装システムは、情報処理装置１を備える。情報処理装置１には通信線を介して患者端末装置２、医師端末装置４が接続されている。また、患者が装着するウェアラブル端末３は、患者端末装置２に無線接続されている。

図２は、実施形態１に係る情報処理装置１の構成例を示すブロック図である。情報処理装置１は、処理部１１、記憶部１２、通信部１３を備えたコンピュータである。なお、情報処理装置１は複数のコンピュータからなるマルチコンピュータであってもよく、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。情報処理装置１の各種機能は、複数のサーバ、パーソナルコンピュータ、ソフトウェアプログラム（外部サーバのＡＩ、スマートフォンにダウンロードさせるアプリケーションプログラムを含む）等の装置及びプログラムの協動により実現するように構成してもよい。実施形態１に係る情報処理装置１の構成方法は特に限定されるものではない。

処理部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General-purpose computing on graphics processing units）、ＴＰＵ（Tensor Processing Unit）等の演算処理装置を有する。処理部１１は、記憶部１２に記憶されたコンピュータプログラム１４を読み出して実行することにより、本実施形態１に係る情報処理装置１として機能し、患者の健康状態の診断を支援する処理を実行する。

通信部１３は、通信に関する処理を行うための処理回路、通信回路等を含み、当該情報処理装置１に接続された患者端末装置２、医師端末装置４との間で情報の送受信を行う。

記憶部１２は、ハードディスク、ＥＥＰＲＯＭ（Electrically Erasable Programmable
ROM）、フラッシュメモリ等の記憶装置である。記憶部１２は、処理部１１が、患者の健康状態の診断を支援する処理を実行するために必要なコンピュータプログラム１４を記憶している。また、記憶部１２は、患者基本情報、医療関係者属性情報、医療関係者による医用学習コンテンツの視聴履歴（医用学習コンテンツの提供履歴）、診察情報、患者の健康関連情報を記憶するデータベース１２ａを含む。データベース１２ａは、分散型データベースとして構成してもよい。分散型データベースはブロックチェーンを含み、記録されるべき情報の全部若しくは一部、又は記録されるべき情報のハッシュ値をブロックチェーンに記録するとよい。更に、記憶部１２は、総合診療学習モデル１５及び専門医学習モデル１６を規定する各種パラメータ、医療関連情報ＤＢ１７、医用学習コンテンツＤＢ１８及び分類テーブル１９を記憶している。以下、作図の便宜上、総合診療学習モデル１５及び専門医学習モデル１６を、適宜、総合診療ＡＩ及び専門医ＡＩと呼ぶ。なお、医療関連情報ＤＢ１７、医用学習コンテンツＤＢ１８及び分類テーブル１９が記憶する情報のハッシュ値をブロックチェーンに記録しておいてもよい。
更にまた、記憶部１２は、総合診療学習モデル１５及び専門医学習モデル１６の生成及び再学習を行うために必要な学習用データセット２０を記憶する。

コンピュータプログラム１４は、コンピュータを本実施形態１に係る情報処理装置１として機能させるためのプログラムである。コンピュータプログラム１４は、患者の健康状態の診断を支援する処理をコンピュータに実行させるためのものである。より具体的には、コンピュータプログラム１４は、患者の健康状態に関連する診療科を特定して診断を行うと共に、患者の健康状態に関連する医用学習コンテンツ及び医療関連情報を特定し、診断結果、並びに特定された医用学習コンテンツ及び医療関連情報を、担当の医療関係者へ提供する処理を実行する。

なお、コンピュータプログラム１４は、記録媒体１０にコンピュータ読み取り可能に記録されている態様でも良い。記憶部１２は、図示しない読出装置によって記録媒体１０から読み出されたコンピュータプログラム１４を記憶する。記録媒体１０はフラッシュメモリ等の半導体メモリ、光ディスク、磁気ディスク、磁気光ディスク等である。また、通信網に接続されている図示しない外部サーバから本実施形態に係るコンピュータプログラム１４をダウンロードし、記憶部１２に記憶させる態様であってもよい。

図３は、実施形態１に係る情報処理装置１の機能ブロック図である。情報処理装置１の処理部１１は、記憶部１２が記憶するコンピュータプログラム１４を実行することによって、総合診療ＡＩ（総合診療学習モデル１５）、複数の診療科に特化した専門医ＡＩ（専門医学習モデル１６）、看護師ＡＩ２１、臨床検査技師ＡＩ２２、栄養管理師ＡＩ２３、介護士ＡＩ２４として機能する。複数の専門医ＡＩには、例えば、内科の医療を学習した（内科）専門医ＡＩ、外科の医療を学習した（外科）専門医ＡＩ、放射線科の医療を学習した（放射線科）専門医ＡＩ、循環器科の医療を学習した（循環器科）専門医ＡＩ、心臓血管外科の医療を学習した（心臓血管外科）専門医ＡＩ等が含まれる。

総合診療ＡＩは、患者の健康状態を診断すると共に、当該患者の健康状態に関連する診療科を特定することができる。また、総合診療ＡＩは、専門性を要しない範囲において患者の健康状態を診断することができる。更に、総合診療ＡＩは、患者を診断及び治療するために有用な医療知識を学習するための医用学習コンテンツを特定することができる。
後述するように、診断結果及び医用学習コンテンツには、各種医療関連情報が関連付けられており、情報処理装置１は総合診療ＡＩの診断結果等に基づいて、患者の診察及び治療に有用な医療関連情報を特定することができる。

専門医ＡＩは、患者の健康状態を診断することができる。専門医ＡＩは、特定の診療科において、総合診療ＡＩよりも精度良く患者を診断することができる。また、専門医ＡＩは、患者を診断及び治療するために有用な医療知識を学習するための医用学習コンテンツを特定することができる。
更に、情報処理装置１は、上記同様、専門医ＡＩの診断結果等に基づいて、患者の診察及び治療に有用な医療関連情報を特定することができる。

情報処理装置１は、主に総合診療ＡＩ及び専門医ＡＩによる患者の診断結果、特定された医用学習コンテンツ、及び医療関連情報を、当該患者を診察及び治療する医療関係者へ送信することによって、診断及び治療支援を行う。

なお、総合診療ＡＩ及び複数の専門医ＡＩは仮想医科大学Ｖ１で活動する。医療関係者は仮想医科大学Ｖ１で総合診療ＡＩ及び専門医ＡＩと交流することができる。
看護師ＡＩ２１及び臨床検査技師ＡＩ２２はコメディカルチームＡＩ２０ａを構成し、コメディカル仮想専門校Ｖ２で活動する。医療関係者はコメディカル仮想専門校Ｖ２で看護師ＡＩ２１及び臨床検査技師ＡＩ２２と交流することができる。
栄養管理師ＡＩ２３及び介護士ＡＩ２４はヘルスケアチームＡＩ２０ｂを構成し、ヘルスケア仮想専門校Ｖ３で活動する。医療関係者はヘルスケア仮想専門校Ｖ３で栄養管理師ＡＩ２３及び介護士ＡＩ２４と交流することができる。患者は、自己診断及び在宅医療における健康管理のためのヘルスケアチームＡＩ２０ｂのサポートを受けることで、病気を予防することができる。

なお、仮想医科大学Ｖ１、コメディカル仮想専門校Ｖ２、ヘルスケア仮想専門校Ｖ３における各種ＡＩ、及び複数の医療関係者同士の交流は、ビデオチャット、ＺＯＯＭ、ＡＩスピーカ、仮想ミーティングルーム等を介して行ってもよい。

仮想医科大学Ｖ１、コメディカル仮想専門校Ｖ２、ヘルスケア仮想専門校Ｖ３においては、医療分野の教授、講師、研究員等が活動する。
仮想医科大学Ｖ１、コメディカル仮想専門校Ｖ２、ヘルスケア仮想専門校Ｖ３においては、授業、ゼミ、セミナー、フォーラム、学会、研究発表会等が行われる。
仮想医科大学Ｖ１、コメディカル仮想専門校Ｖ２、ヘルスケア仮想専門校Ｖ３においては、患者の診断、治療方法、検査（目的、方法）及び関連新薬、処置（目的、方法）及び関連新薬、手術（目的、方法）及び関連新薬、薬（効用、副作用）及び関連新薬、画像診断（判断基準等）、治験情報、小型カメラ（診断、取り扱い）の問題点等に関する情報が得られる。
仮想医科大学Ｖ１、コメディカル仮想専門校Ｖ２、ヘルスケア仮想専門校Ｖ３においては、医療関係者は専門外の授業、ゼミ、セミナー等を受講することができ、フォーラム、学会、研究発表会等に参加し、他の診療科に係る医療知識を習得することができる。医療関係者はキャリアアップが可能である。医療関係者は他の医療関係者及びＡＩと質疑応答することもできる。医療関係者は、仮想ミーティングルームで意見交換、症例検討会を行うことができる。
つまり、医療関係者は、仮想医科大学Ｖ１、コメディカル仮想専門校Ｖ２、ヘルスケア仮想専門校Ｖ３において、世界中のどこでも２４時間いつでも何度でも必要な医療知識を取得することが可能である。

図４は、データベース１２ａに記録される患者基本情報の一例を示す概念図である。患者基本情報は、例えば、患者ＩＤ、患者の氏名、住所、生年月日（年齢）、家族情報、職業、趣味、スポーツ、資産、パスポート情報、診察カード情報、マイナンバー情報、認証情報、保険証情報、免許証情報、決済情報等を含む。家族情報は、例えば家族の患者ＩＤ、患者との関係を示す続柄情報等を含む。認証情報は、患者の顔、指紋、筆跡、声紋、虹彩、静脈パターン等の生体認証情報、パスワード等を含む。決済情報は、クレジットカード、デビットカード、電子マネー、仮想通貨による決済に必要な情報を含む。決済情報は、本実施形態１に係る情報処理装置１の利用料金の決済に用いられる。これらの情報はブロックチェーンに記録してもよい。情報処理装置１は、当該装置を使用する患者を必要に応じて適宜のタイミングで認証する。

図５は、データベース１２ａに記録される医療関係者属性情報の一例を示す概念図である。医療関係者属性情報は、例えば、医療関係者ＩＤ、医療関係者の氏名、自宅住所、職場住所、生年月日（年齢）、診療科、キャリア、専門分野、資格及び所属学会、決済情報等を含む。診療科の情報には、医師が、総合診療医であるか否か、特定の専門医であるか否かを判別するための情報が含まれる。キャリアは、出身大学、留学先、勤務場所、役職等の情報を含む。決済情報は、本実施形態１に係る情報処理装置１の利用料金の決済に用いられる。これらの情報はブロックチェーンに記録してもよい。
また、医療関係者属性情報の医療関係者ＩＤには、医療関係者による医用学習コンテンツの視聴履歴（提供履歴）が関連付けられている。医用学習コンテンツの視聴履歴（提供履歴）は、情報処理装置１による医用学習コンテンツの提供先である医療関係者の医療関係者ＩＤ、当該医療関係者ＩＤが示す医療関係者に提供した医用学習コンテンツのレコード番号、提供日時等の情報を対応付けたレコードを含む。
更に、データベース１２ａは、医療関係者の基本情報として、当該医療関係者を認証するための認証情報を医療関係者ＩＤに関連付けて記憶する。認証情報は、医療関係者の顔、指紋、筆跡、声紋、虹彩、静脈パターン等の生体認証情報、パスワード等を含む。なお、医療関係者を認証するための認証情報はブロックチェーンに記録してもよい。情報処理装置１は、当該装置を使用する医療関係者を必要に応じて適宜のタイミングで認証する。

図６は、データベース１２ａに記録される診察情報の一例を示す概念図である。図６Ａに示すように、診察情報は、患者に対して行われた診察結果である。診察情報は、例えば、医療関係者ＩＤ、患者ＩＤ、総合診療学習ＡＩの診断結果、専門医ＡＩの診断結果、総合診断ＡＩが特定した医用学習コンテンツ、専門医ＡＩが特定した医用学習コンテンツ、医療関係者による診察日、医師による診断結果、医師により判断された診療科を示す情報（以下、診療科情報と呼ぶ。）、フィードバック情報を対応付けて記憶する。フィードバック情報は、医療関係者から提供されるものであり、医師端末装置４から情報処理装置１へ送信される情報である。フィードバック情報は、総合診療ＡＩ及び専門医ＡＩによる診断結果、特定された診療科及び医用学習コンテンツ等に対する評価を含む。例えば、フィードバック情報は、総合診療ＡＩ及び専門医ＡＩによる診断結果が適切であったか否か、又は正しい診断結果を示す情報を含む。フィードバック情報は、総合診療ＡＩ及び専門医ＡＩによって特定された診療科が適切であったか否か、又は正しい診療科を示す情報を含む。更に、フィードバック情報は、総合診療ＡＩ及び専門医ＡＩによって特定された医用学習コンテンツが適切であったか否か、又は医療関係者が所望していた医用学習コンテンツを示す情報を含む。これらの情報はブロックチェーンに記録してもよい。
なお、フィードバック情報は、患者が装着する２４時間対応のウェアラブル端末３から収集する情報であってもよい。処理部１１は、ウェアラブル端末３から収集する情報を解析することによって、総合診療ＡＩ及び専門医ＡＩによる診断結果の評価を算出する。

図６Ｂは、フィードバック情報の他の例を示す概念図である。フィードバック情報として、総合診療学習モデル１５及び専門医学習モデル１６を点数評価した情報を含むように構成してもよい。例えば、図６Ｂに示すように、総合診療学習モデル１５及び専門医学習モデル１６の診断精度、診断確度、診断理由、治療手段を点数で評価するとよい。また総合評価を行ってもよい。点数は、例えば１～５点で評価する。点数「１」は問題外、点数「２」はやや問題有り、点数「３」は普通、点数４「ほぼ間違い無し」、点数「５」はパーフェクト等の評価を表す。
情報処理装置１は、点数によって重み付けをして、総合診療学習モデル１５及び専門医学習モデル１６を再学習させるとよい。例えば、総合診療学習モデル１５が出力した診断結果情報、即ちある疾病分類コードに該当する確度に対する評価が高い場合、出力される当該診断結果情報の確度がより高くなるように、総合診療学習モデル１５の各種パラメータを調整する。逆に、疾病分類コードに該当する確度に対する評価が低い場合、出力される当該診断結果情報の確度がより低くなるように、総合診療学習モデル１５の各種パラメータを調整する。同様に、専門医学習モデル１６が出力した診断結果情報、即ちある疾病分類コードに該当する確度に対する評価が高い場合、出力される当該診断結果情報の確度がより高くなるように、専門医学習モデル１６の各種パラメータを調整する。逆に、疾病分類コードに該当する確度に対する評価が低い場合、出力される当該診断結果情報の確度がより低くなるように、専門医学習モデル１６の各種パラメータを調整する。

図７は、データベース１２ａに記録される健康関連情報の一例を示す概念図である。患者の健康関連情報は、例えば、診療情報、活動情報、体組成等情報、体質等情報、既往歴情報、薬情報、体調情報、生活習慣情報、認知機能テスト結果情報、感染症関連情報等を含む。情報処理装置１は、これらの情報を患者端末装置２及び病院のサーバコンピュータから収集し、患者ＩＤに対応付けてデータベース１２ａに記録する。健康関連情報は、基本的に患者端末装置２から収集する。ただし、電子カルテ、医用画像等の情報は、病院のサーバコンピュータから直接収集するように構成してもよい。情報処理装置１が病院のサーバコンピュータから情報を収集する際、患者端末装置２を介した認証処理によって、情報収集権限を認証するようにするとよい。

診療情報は、患者の電子カルテ、医用画像等を含む。電子カルテ及び医用画像は患者の過去の診療情報である。医用画像は、Ｘ線画像、ＣＴ画像、ＭＲＩ画像、ＰＥＴ画像、骨シンチグラフィ画像、超音波画像等を含む。情報処理装置１は、例えば診療情報を記憶する病院のサーバコンピュータから取得し、記憶部１２に記憶する。また、患者端末装置２が病院のサーバから診療情報を取得し、取得した診療情報を情報処理装置１に提供するように構成してもよい。

活動情報は、患者の移動による活動状態を示す位置情報及び日時情報、例えばＧＮＳＳ（Global Navigation Satellite System）による測位情報を含む。また、活動情報は、患者の四肢の動きによる活動状態を示す加速度情報、患者の心拍情報、体温情報、血圧情報、血糖値情報、睡眠深度情報等を含む。これらの活動情報は、ＧＰＳ、加速度センサ、気圧センサ、方位磁気センサ、心拍モニタセンサ、光学センサ等の各種センサを備えるウェアラブル端末３から患者端末装置２を介して収集することができる。ウェアラブル端末３としては、リストバンド型装置、指輪型装置、スマートグラス、スマートコンタクトレンズ等、任意の装置を利用することができる。患者端末装置２はこれらの情報をウェアラブル端末３から取得し、情報処理装置１に提供する。なお、ウェアラブル端末３及び患者端末装置２は、２４時間対応で上記活動情報を収集し、取得した情報を情報処理装置１に提供することができる。また、患者端末装置２を通じて活動情報を情報処理装置１に提供する例を説明したが、いうまでもなくウェアラブル端末３はルータ等を通じて直接的に活動情報を情報処理装置１に提供するように構成してもよい。ウェアラブル端末３は通信ネットワークに接続されていれば、世界中のどこでからでも活動情報を情報処理装置１に提供することができる。

体組成等情報は、骨密度、体脂肪率、筋肉量等の体組成、身長、体重、基礎代謝量等の情報を含む。患者端末装置２はこれらの情報を、患者端末装置２と無線通信が可能な体組成測定装置から取得し、情報処理装置１に提供する。

体質等情報は、アレルギー、血液型、ＨＬＡ型、遺伝子情報、人種等の情報を含む。
既往歴情報は、過去に罹患した病気の病名、入院歴、手術歴等の情報を含む。患者端末装置２は、患者操作によって入力されたこれらの情報を取得し、情報処理装置１に提供する。

薬情報は、過去に医師によって作成された処方箋、処方薬の服用歴、市販薬の服用歴、服用時の副作用等の情報を含む。患者端末装置２はこれらの情報を電子お薬手帳から取得し、情報処理装置１に提供する。患者端末装置２は、患者操作によって入力されたこれらの情報を取得し、情報処理装置１に提供するようにしてもよい。

体調情報は、患者の睡眠状態、食欲、熱、吐き気、下痢、腹痛等の情報を含む。患者端末装置２は、患者操作によって入力されたこれらの情報を取得し、情報処理装置１に提供する。

生活習慣情報は、朝、昼、夜の食事習慣、飲酒習慣、喫煙、コーヒーを習慣的に飲むかどうか等の情報を含む。患者端末装置２は、患者操作によって入力されたこれらの情報を取得し、情報処理装置１に提供する。

認知機能テスト結果情報は、所定の認知機能テストの採点結果、点数履歴を含む。患者端末装置２は、適宜のタイミングで認知機能テスト問題を患者に提供し、入力された回答に基づいて採点を行い、認知機能テスト問題の採点結果（点数）履歴の情報を情報処理装置１に提供する。

感染症関連情報等は、所定の感染症に関するワクチン接種歴、ＰＣＲ検査結果、抗体検査結果、抗原検査結果、免疫機能検査等を含む。患者端末装置２は、患者操作によって入力されたこれらの情報を取得し、情報処理装置１に提供する。

また、図７に示した健康関連情報は、データベース１２ａに記録されるが、健康関連情報に保存期限を適宜設定してもよい。例えば、体温等は１週間又は数週間程度の保存期限を設定し、処理部１１は、保存期限経過後はデータベース１２ａから削除するように構成してもよい。なお、医師の判断で、情報処理装置１に設定される健康関連情報の保存期限を延長できるように構成してもよい。情報処理装置１は、健康関連情報の各情報と保存期限とを対応付けて記憶している。医師は、医師端末装置４を介して、保存期限の変更を情報処理装置１に要求することができる。情報処理装置１は医師端末装置４から保存期限の変更を受け付けた場合、保存期限を変更する。誤って保存期限が短縮されたままになると、診断支援に支障が生ずる虞があるため、情報処理装置１は保存期限の延長のみを行う構成が好ましい。もちろん、場合によっては、情報処理装置１は、保存期間を短縮できるように構成してもよいし、医師の判断及び操作で、データベース１２ａに記録された健康関連情報を削除できるように構成してもよい。
更に、情報処理装置１は、保存期限が過ぎた健康関連情報を完全に削除するのではなく、アーカイブ情報として記録するように構成してもよい。

図８は、医療関連情報ＤＢ１７のレコードレイアウトを示す概念図である。医療関連情報ＤＢ１７は、例えば、医療関連情報を格納する。医療関連情報は、例えば一般的医学情報、医療関連の論文、医薬品データシート、医療機器情報等を含む。医療関連情報は、例えば文字データ、画像データ、音声データ、動画データであるが、データ形式は特に限定されるものではない。
医療関連情報ＤＢ１７は、例えば「レコード番号」列、「分類」列、「情報源」列、「年月日」列、「専門分野」列、「医療関連情報」列、「評価」列を有する。「分類」列には、医療関連情報の種類、例えば、論文、医薬情報、医療機器情報等の種類が格納される。「情報源」列及び「年月日」列には、医療関連情報の出所と、医療関連情報が公表された年月日を示す情報が格納される。「専門分野」列には、例えば関連する診療科を示す情報が格納される。「医療関連情報」列には、医療関連情報、又は当該医療関連情報の所在を示す情報が格納される。「評価」列には、当該医療関連情報の良否を示す評価が格納されている。評価は、例えば、当該医療関連情報を利用した医療関係者からのフィードバックにより得られる情報である。
処理部１１は、ウェブクローリング処理によって、ウェブ上のあらゆる医療関連情報を収集し、分類、情報源、公表年月日、専門分野等を分析し、医療関連情報ＤＢ１７に格納する。つまり、処理部１１は、医療に関するあらゆるデータの一元管理を行い、医療関連情報ＤＢ１７に記録する。処理部１１は、あらゆる医療関連情報と、あらゆる専門の診療科との連携を図ることができ、高度かつ効率的な医療サービスを提供することができる。
なお、医療関係者は、医師端末装置４を介して医療関連情報ＤＢ１７にアクセスし、所望の情報を検索し、ダウンロードできるように構成してもよい。

図９は、医用学習コンテンツの一例を示す概念図である。医用学習コンテンツＤＢ１８は、例えば、医用学習コンテンツを格納する。医用学習コンテンツは、例えば、医学、薬学、医療機器の操作方法等を学習するためのｅラーニングコンテンツである。ｅラーニングコンテンツには、動画データ、テキスト画像データ等が含まれる。また、医用学習コンテンツには、診療科又は専門分野に依存しない基礎的内容の学習コンテンツと、診療科又は専門分野に関連付けられる専門的内容の学習コンテンツが含まれる。なお、医用学習コンテンツのデータ形式は特に限定されるものではなく、音声データ等であってもよい。また、医用学習コンテンツは、ＡＲ（augmented reality）又はＶＲ（virtual reality）技術を活用したコンテンツを含んでもよい。例えば、医用学習コンテンツは、ＡＲ又はＶＲ技術を拡張した仮想実技に係るコンテンツを含んでも良い。当該医用学習コンテンツは、仮想空間又は拡張現実空間に患者の３Ｄモデル、医療器具、医療機器等を生成し、医療関係者による医療器具又は医療機器の操作又は手技を受け付け、操作又は手技に応じた結果を示す患者の３Ｄモデルを生成する。医療関係者は仮想空間又は拡張現実空間で手技、医療器具及び医療機器の取り扱いを演習することができる。医療機器には、ＥＣＭＯ（Extra Corporeal Membrane Oxygenation）と呼ばれる体外式膜型人工肺装置が含まれ、医用学習コンテンツは、ＥＣＭＯの操作、ＥＣＭＯの装着方法等の実技に関するコンテンツを含んでもよい。
医用学習コンテンツＤＢ１８は、例えば「レコード番号」列、「分類」列、「作成者」列、「年月日」列、「診療科」列、「専門分野」列、「医用学習コンテンツ」列、「評価」列を有する。「分類」列には、医用学習コンテンツの種類、例えば、医学、薬学、医療機器等の種類が格納される。「作成者」列及び「年月日」列には、医用学習コンテンツの作成者と、医用学習コンテンツが公表された年月日を示す情報が格納される。「診療科」列には、例えば関連する診療科を示す情報が格納され、「専門分野」列には、例えば関連する専門分野を示す情報が格納される。特に、専門的内容の学習コンテンツについては、「診療科」列及び「専門分野」列に、当該学習コンテンツを学習するのに適した医療関係者の診療科又は専門分野を示す情報が格納される。基礎的内容の学習コンテンツについては、「診療科」列及び「専門分野」列に、当該学習コンテンツを学習するのに適した医療関係者の診療科又は専門分野を問わないことを示す情報が格納される。「医用学習コンテンツ」列には、医用学習コンテンツ、又は当該医用学習コンテンツの所在を示す情報が格納される。「評価」列には、当該医用学習コンテンツの良否を示す評価が格納されている。評価は、例えば、当該医用学習コンテンツを利用した医療関係者からのフィードバックにより得られる情報である。

図１０は、分類テーブル１９の一例を示す概念図である。分類テーブル１９は、「診断結果」列、「医用学習コンテンツの分類」列、「医療関連情報の分類」列を含み、総合学習モデル及び専門医学習モデル１６による診断結果と、医用学習コンテンツと、医療関連情報との関係性を示すレコードが格納されている。「診断結果」列には、例えば疾病分類コードが格納される。「医用学習コンテンツの分類」列には、当該疾病分類コードが示す疾病に関連する医用学習コンテンツに付与される分類が格納される。「医療関連情報の分類」列には、当該疾病分類コードが示す疾病に関連する医療関連情報に付与される分類が格納される。

＜総合診療学習モデル１５＞
図１１は、総合診療学習モデル１５の構成例を示す概念図である。総合診療学習モデル１５は、予め教師データを用いた機械学習又は深層学習等により、患者の健康関連情報から患者の健康状態に係る診断結果情報及び診療科情報を出力すると共に、健康関連情報及び医療関係者属性情報から患者の健康状態に関連する医用学習コンテンツを特定するための情報（以下、医用学習コンテンツ特定情報と呼ぶ）を出力するように学習された学習済のモデルである。医用学習コンテンツ特定情報は、例えば医用学習用コンテンツの分類を示す情報である。総合診療学習モデル１５は、入力値に対して所定の演算を行い、演算結果を出力するものであり、記憶部１２にはこの演算を規定する関数の係数及び閾値等のデータが総合診療学習モデル１５として記憶される。総合診療学習モデル１５として記憶されたデータを読み込むことによって、処理部１１は、患者の健康状態を診断し、患者の健康状態に関連する診療科及び医用学習コンテンツを特定するための演算処理を実行することが可能になる。
本実施形態１において総合診療学習モデル１５の学習処理は、情報処理装置１が行う。ただし学習処理は、情報処理装置１以外の装置が行ってもよい。この場合に学習された総合診療学習モデル１５に係るデータは、コンピュータプログラム１４と同様に、通信ネットワークを介した配信の態様で提供されてもよく、記録媒体１０に記録された態様で提供されてもよい。

本実施形態１において総合診療学習モデル１５は、例えば、医用画像を除く患者の健康関連情報が入力される第１入力層１５ａと、医用画像が入力される第２入力層１５ｂと、医療関係者属性情報が入力される第３入力層１５ｃと、医用画像の特徴量を抽出する特徴抽出層１５ｄと、健康関連情報の特徴量を抽出する第１中間層１５ｅと、健康関連情報及び医療関係者属性情報の特徴量を抽出する第２中間層１５ｆと、特徴抽出によって導出された患者の健康状態に係る診断結果情報及び診療科情報を出力する第１出力層１５ｇと、患者の健康状態に関連する医用コンテンツを特定するための情報を出力する第２出力層１５ｈとを有するニューラルネットワークである。

ニューラルネットワークの第１入力層１５ａは、健康関連情報である電子カルテ、活動情報、体組成等情報、体質等情報、既往歴情報、薬情報、体調情報、生活習慣情報、認知機能テスト結果情報、感染症関連情報等がそれぞれ入力される複数のノードを有し、入力された各データを第１中間層１５ｅに受け渡す。
第１入力層１５ａに入力される情報は、非画像データである。なお、健康関連情報は、データベース１２ａに記録された過去から現在にわたる患者の健康に関連する情報であるが、過去の状態が現在の健康状態に与える影響はさまざまである。そこで、過去の情報には、現在から情報収集時点の時間差に応じた１未満の重み付けを与える前処理を実行するとよい。また、患者の活動情報といった時系列情報は、１日平均の徒歩移動距離、歩数、運動量の程度（弱、中、強）、高血圧、低血圧等、患者の活動情報を表す数値に変換して情報量を削減する前処理を実行するとよい。
なお、第１入力層１５ａに、データベース１２ａに記録された体調情報に加え、患者の現在の体調情報を入力するように構成してもよい。具体的には、情報処理装置１は、患者端末装置２に体調情報の入力を要求する。患者端末装置２は、患者による体調情報の入力を受け付け、受け付けた体調情報を情報処理装置１へ送信する。情報処理装置１は、患者端末装置２から送信された患者の現在の体調情報を受信し、受信した体調情報を第１入力層１５ａに入力する。

ニューラルネットワークの第２入力層１５ｂは、医用画像に係る各画素の画素値が入力される複数のノードを有し、入力された画素値を特徴抽出層１５ｄに受け渡す。

特徴抽出層１５ｄは、医用画像の特徴量を抽出する複数のノードを有し、抽出した特徴量を第１中間層１５ｅに受け渡す。例えば、特徴抽出層１５ｄは、第２入力層１５ｂから入力された各画素の画素値を畳み込むコンボリューション層と、コンボリューション層で畳み込んだ画素値をマッピングするプーリング層とが交互に連結された構成を有し、医用画像の画素情報を圧縮しながら最終的に医用画像の特徴量を抽出する。

第１中間層１５ｅは、複数のノードからなる層を複数有する。各層は入力されたデータから患者の健康状態に関連する特徴量を抽出しながら前段から後段の層へ順々に受け渡し、最後段の層は、患者の健康状態に関連する疾病分類コード、診察の要否、緊急度、薬の要否に係るデータ、患者の健康状態に関連する診療科情報を第１出力層１５ｇに受け渡す。疾病分類コードは、例えば国際疾病分類（ICD:International Classification of Diseases）である。また、第１中間層１５ｅは、抽出した患者の健康状態に関連する特徴量を第２中間層１５ｆに受け渡す。

第１出力層１５ｇは、複数の疾病分類コードにそれぞれ対応する複数のノードを備え、各ノードはそれぞれの疾病に該当する確信度を出力する。
また、出力層１４ｃは、診察の要否を示すニューロンを備え、該ニューロンは、診察が必要である確信度を出力する。
更に、出力層１４ｃは、緊急度を示すニューロンを備え、該ニューロンは、緊急である確信度を出力する。
更にまた、出力層１４ｃは、薬の要否を示すニューロンを備え、該ニューロンは、薬の服用を要する確信度を出力する。
更にまた、出力層１４ｃは、複数の診療科にそれぞれ対応する複数のノードを備え、各ノードは、患者の健康状態がそれぞれの診療科に該当する確信度を出力する。
上記した各確信度は、例えば０以上、１以下の少数で表され、その値が大きいほど出力結果が確かであることを示す。また、上記した各ノード及び出力データの内容は一例であり、特に限定されるものではない。

ニューラルネットワークの第３入力層１５ｃは、医療関係者属性情報、例えば、医療関係者ＩＤ、医療関係者の氏名、自宅住所、職場住所、生年月日、診療科、専門分野、資格及び所属学会等がそれぞれ入力される複数のノードを有し、入力された各データを第２中間層１５ｆに受け渡す。

第２中間層１５ｆは、複数のノードからなる層を複数有する。各層は入力されたデータから患者の健康状態及び医療関係者に関連する特徴量を抽出しながら前段から後段の層へ順々に受け渡し、最後段の層は、患者の健康状態及び医療関係者の属性に関連する医用学習用コンテンツを特定するための情報を第２出力層１５ｈに受け渡す。

第２出力層１５ｈは、医用学習コンテンツ特定情報、例えば複数の医用学習用コンテンツの分類にそれぞれ対応する複数のノードを備え、各ノードはそれぞれの医用学習用コンテンツが医療関係者に有用であることの確信度を出力する。
上記した各確信度は、例えば０以上、１以下の少数で表され、その値が大きいほど出力結果が確かであることを示す。また、上記した各ノード及び出力データの内容は一例であり、特に限定されるものではない。

なお、本実施形態１では一つの学習モデルで総合診療学習モデル１５を構成する例を説明したが、複数の学習モデルで総合診療学習モデル１５を構成してもよい。

また、総合診療学習モデル１５を複数の学習モデルで構成する場合、一部の学習モデルを外部のコンピュータに備えてもよい。

なお本実施形態１においては、総合診療学習モデル１５がニューラルネットワークである例を説明したが、ＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、又は、回帰木等の構成のモデルであってもよい。

＜総合診療学習モデル１５の学習方法＞
まず、処理部１１は、データベース１２ａから、教師データの元になる健康関連情報、医療関係者属性情報、総合診療医の診断結果、及び総合診療医により判断された診療科情報を収集する。具体的には、処理部１１は、診察情報を参照することによって、総合診療医の判断による診断結果及び診療科情報を抽出し、当該診断結果及び診療科情報に関連付けられている患者ＩＤ及び医療関係者ＩＤをキーにして、当該患者及び医療関係者の健康関連情報及び医療関係者属性情報を抽出する。なお、ある医師が総合診療医であるかは、医療関係者属性情報を参照すれば判別することができる。そして、処理部１１は、複数の健康関連情報及び医療関係者属性情報に対して、総合診療医の診断結果に基づく疾病分類コード、診察の要否、緊急度及び薬の要否、総合診療医の判断による診療科情報、関連する医用学習コンテンツ特定情報を示す教師データを付与することによって学習用データセット２０を生成する。次いで、処理部１１は、生成した学習用データセット２０を用いて、学習前のニューラルネットワークモデルを機械学習又は深層学習させることによって、総合診療学習モデル１５を生成する。
具体的には、処理部１１は、学習用データに含まれる健康関連情報を学習前のニューラルネットワークモデルに入力し、特徴抽出層１５ｄ、第１中間層１５ｅ及び第２中間層１５ｆでの演算処理を経て、第１出力層１５ｇ及び第２出力層１５ｈから出力される診断結果情報と、診療科情報と、医用学習コンテンツ特定情報とを取得する。そして、処理部１１は、第１出力層１５ｇ及び第２出力層１５ｈから出力された診断結果情報、診療科情報及び医用学習コンテンツ特定情報と、教師データが示す診断結果情報、診療科情報及び医用学習コンテンツ特定情報と比較し、第１出力層１５ｇ及び第２出力層１５ｈから出力されるデータが正解値に近づくように、特徴抽出層１５ｄ、第１中間層１５ｅ及び第２中間層１５ｆでの演算処理に用いるパラメータを最適化する。当該パラメータは、例えばノード間の重み（結合係数）などである。パラメータの最適化の方法は特に限定されないが、例えば処理部１１は最急降下法等を用いて各種パラメータの最適化を行う。
また、特徴抽出層１５ｄ及び第１中間層１５ｅを先に学習し、次いで第２中間層１５ｆを学習するようにしてもよい。

情報処理装置１は、学習用データセット２０に含まれる多数の患者の健康関連情報、医療関係者属性情報、医用学習コンテンツ特定情報に基づいて上記の処理を繰り返し行うことによって、学習済の総合診療学習モデル１５を得る。

＜専門医学習モデル１６＞
図１２は、専門医学習モデル１６の構成例を示す概念図である。専門医学習モデル１６は、予め教師データを用いた機械学習又は深層学習等により、患者の健康関連情報から患者の健康状態に係る、専門の診療科における診断結果情報を出力すると共に、健康関連情報及び医療関係者属性情報から患者の健康状態に関連する医用学習コンテンツ特定情報を出力するように学習された学習済のモデルである。専門医学習モデル１６は、入力値に対して所定の演算を行い、演算結果を出力するものであり、記憶部１２にはこの演算を規定する関数の係数及び閾値等のデータが専門医学習モデル１６として記憶される。専門医学習モデル１６として記憶されたデータを読み込むことによって、処理部１１は、患者の健康状態を診断し、患者の健康状態に関連する医用学習コンテンツを特定するための演算処理を実行することが可能になる。
本実施形態１において専門医学習モデル１６の学習処理は、情報処理装置１が行う。ただし学習処理は、情報処理装置１以外の装置が行ってもよい。この場合に学習された専門医学習モデル１６に係るデータは、コンピュータプログラム１４と同様に、通信ネットワークを介した配信の態様で提供されてもよく、記録媒体１０に記録された態様で提供されてもよい。

本実施形態１において専門医学習モデル１６は、例えば、医用画像を除く患者の健康関連情報が入力される第１入力層１６ａと、医用画像が入力される第２入力層１６ｂと、医療関係者属性情報が入力される第３入力層１６ｃと、医用画像の特徴量を抽出する特徴抽出層１６ｄと、健康関連情報の特徴量を抽出する第１中間層１６ｅと、健康関連情報及び医療関係者属性情報の特徴量を抽出する第２中間層１６ｆと、特徴抽出によって導出された患者の健康状態に係る診断結果情報を出力する第１出力層１６ｇと、患者の健康状態に関連する医用コンテンツを特定するための情報を出力する第２出力層１６ｈとを有するニューラルネットワークである。

ニューラルネットワークの第１入力層１６ａは、健康関連情報である電子カルテ、活動情報、体組成等情報、体質等情報、既往歴情報、薬情報、体調情報、生活習慣情報、認知機能テスト結果情報、感染症関連情報等がそれぞれ入力される複数のノードを有し、入力された各データを第１中間層１６ｅに受け渡す。
第１入力層１６ａに入力される情報は、非画像データである。なお、健康関連情報は、データベース１２ａに記録された過去から現在にわたる患者の健康に関連する情報であるが、過去の状態が現在の健康状態に与える影響はさまざまである。そこで、過去の情報には、現在から情報収集時点の時間差に応じた１未満の重み付けを与える前処理を実行するとよい。また、患者の活動情報といった時系列情報は、１日平均の徒歩移動距離、歩数、運動量の程度（弱、中、強）、高血圧、低血圧等、患者の活動情報を表す数値に変換して情報量を削減する前処理を実行するとよい。
なお、第１入力層１６ａに、データベース１２ａに記録された体調情報に加え、患者の現在の体調情報を入力するように構成してもよい。具体的には、情報処理装置１は、患者端末装置２に体調情報の入力を要求する。患者端末装置２は、患者による体調情報の入力を受け付け、受け付けた体調情報を情報処理装置１へ送信する。情報処理装置１は、患者端末装置２から送信された患者の現在の体調情報を受信し、受信した体調情報を第１入力層１６ａに入力する。

ニューラルネットワークの第２入力層１６ｂは、医用画像に係る各画素の画素値が入力される複数のノードを有し、入力された画素値を特徴抽出層１６ｄに受け渡す。

特徴抽出層１６ｄは、医用画像の特徴量を抽出する複数のノードを有し、抽出した特徴量を第１中間層１６ｅに受け渡す。例えば、特徴抽出層１６ｄは、第２入力層１６ｂから入力された各画素の画素値を畳み込むコンボリューション層と、コンボリューション層で畳み込んだ画素値をマッピングするプーリング層とが交互に連結された構成を有し、医用画像の画素情報を圧縮しながら最終的に医用画像の特徴量を抽出する。

第１中間層１６ｅは、複数のノードからなる層を複数有する。各層は入力されたデータから患者の健康状態に関連する特徴量を抽出しながら前段から後段の層へ順々に受け渡し、最後段の層は、患者の健康状態に関連する疾病分類コード、診察の要否、緊急度、薬の要否に係るデータを第１出力層１６ｇに受け渡す。疾病分類コードは、例えば国際疾病分類（ICD: International Classification of Diseases）である。また、第１中間層１６ｅは、抽出した患者の健康状態に関連する特徴量を第２中間層１６ｆに受け渡す。

第１出力層１６ｇは、複数の疾病分類コードにそれぞれ対応する複数のノードを備え、各ノードはそれぞれの疾病に該当する確信度を出力する。
また、出力層１４ｃは、診察の要否を示すニューロンを備え、該ニューロンは、診察が必要である確信度を出力する。
更に、出力層１４ｃは、緊急度を示すニューロンを備え、該ニューロンは、緊急である確信度を出力する。
更にまた、出力層１４ｃは、薬の要否を示すニューロンを備え、該ニューロンは、薬の服用を要する確信度を出力する。
上記した各確信度は、例えば０以上、１以下の少数で表され、その値が大きいほど出力結果が確かであることを示す。また、上記した各ノード及び出力データの内容は一例であり、特に限定されるものではない。

ニューラルネットワークの第３入力層１６ｃは、医療関係者属性情報、例えば、医療関係者ＩＤ、医療関係者の氏名、自宅住所、職場住所、生年月日、診療科、専門分野、資格及び所属学会等がそれぞれ入力される複数のノードを有し、入力された各データを第２中間層１６ｆに受け渡す。

第２中間層１６ｆは、複数のノードからなる層を複数有する。各層は入力されたデータから患者の健康状態及び医療関係者に関連する特徴量を抽出しながら前段から後段の層へ順々に受け渡し、最後段の層は、患者の健康状態及び医療関係者の属性に関連する医用学習用コンテンツを特定するための情報を第２出力層１６ｈに受け渡す。

第２出力層１６ｈは、複数の医用学習用コンテンツの分類にそれぞれ対応する複数のノードを備え、各ノードはそれぞれの医用学習用コンテンツが医療関係者に有用であることの確信度を出力する。
上記した各確信度は、例えば０以上、１以下の少数で表され、その値が大きいほど出力結果が確かであることを示す。また、上記した各ノード及び出力データの内容は一例であり、特に限定されるものではない。

なお、本実施形態１では一つの学習モデルで専門医学習モデル１６を構成する例を説明したが、複数の学習モデルで専門医学習モデル１６を構成してもよい。

また、専門医学習モデル１６を複数の学習モデルで構成する場合、一部の学習モデルを外部のコンピュータに備えてもよい。

なお本実施形態１においては、専門医学習モデル１６がニューラルネットワークである例を説明したが、ＳＶＭ、ベイジアンネットワーク、又は、回帰木等の構成のモデルであってもよい。

＜専門医学習モデル１６の学習方法＞
まず、処理部１１は、データベース１２ａから、教師データの元になる健康関連情報及び医療関係者属性情報を収集する。具体的には、処理部１１は、診察情報を参照することによって、特定の専門医の判断による診断結果を抽出し、当該診断結果に関連付けられている患者ＩＤ及び医療関係者ＩＤをキーにして、当該患者及び医療関係者の健康関連情報及び医療関係者属性情報を抽出する。なお、ある医師が特定の専門医であるかは、医療関係者属性情報を参照すれば判別することができる。そして、処理部１１は、複数の健康関連情報及び医療関係者属性情報に対して、専門医の診断結果に基づく疾病分類コード、診察の要否、緊急度及び薬の要否、関連する医用学習コンテンツ特定情報を示す教師データを付与することによって学習用データセット２０を生成する。次いで、処理部１１は、生成した学習用データセット２０を用いて、学習前のニューラルネットワークモデルを機械学習又は深層学習させることによって、専門医学習モデル１６を生成する。
具体的には、処理部１１は、学習用データに含まれる健康関連情報を学習前のニューラルネットワークモデルに入力し、特徴抽出層１６ｄ、第１中間層１６ｅ及び第２中間層１６ｆでの演算処理を経て、第１出力層１６ｇ及び第２出力層１６ｈから出力される診断結果情報と、医用学習コンテンツ特定情報とを取得する。そして、処理部１１は、第１出力層１６ｇ及び第２出力層１６ｈから出力された診断結果情報、及び医用学習コンテンツ特定情報と、教師データが示す診断結果情報、及び医用学習コンテンツ特定情報と比較し、第１出力層１６ｇ及び第２出力層１６ｈから出力されるデータが正解値に近づくように、特徴抽出層１６ｄ、第１中間層１６ｅ及び第２中間層１６ｆでの演算処理に用いるパラメータを最適化する。当該パラメータは、例えばノード間の重み（結合係数）などである。パラメータの最適化の方法は特に限定されないが、例えば処理部１１は最急降下法等を用いて各種パラメータの最適化を行う。
また、特徴抽出層１６ｄ及び第１中間層１６ｅを先に学習し、次いで第２中間層１６ｆを学習するようにしてもよい。

情報処理装置１は、学習用データセット２０に含まれる多数の患者の健康関連情報、医療関係者属性情報、医用学習コンテンツ特定情報に基づいて上記の処理を繰り返し行うことによって、学習済の専門医学習モデル１６を得る。

図１３は、実施形態１に係る健康関連情報の収集処理手順を示すフローチャートである。情報処理装置１の処理部１１は、患者端末装置２又は医療機関のサーバコンピュータから診療情報を収集する（ステップＳ１１１）。

患者端末装置２は、定期的に活動情報、体組成情報を情報処理装置１へ送信する。情報処理装置１の処理部１１は、患者端末装置２から送信された活動情報及び体組成情報を収集する（ステップＳ１１２、ステップＳ１１３）。

また、患者端末装置２は、定期的に又は情報が更新される都度、体質等情報、既往歴情報、薬情報、体調情報、生活習慣情報、感染症情報を情報処理装置１へ送信する。情報処理装置１の処理部１１は、患者端末装置２から送信された、これらの情報を収集する（ステップＳ１１４～ステップＳ１１９）。

更に、患者端末装置２は、定期的に認知機能テスト問題に基づいて認知機能テストを実行し、患者の回答を採点し、認知機能テスト結果を情報処理装置１へ送信する。情報処理装置１の処理部１１は、患者端末装置２から送信された認知機能テスト結果を収集する（ステップＳ１２０）。

次いで、健康関連情報を収集した情報処理装置１の処理部１１は、収集した各情報を患者ＩＤと対応付けてデータベース１２ａに記録する（ステップＳ１２１）。

なお、上記の各種健康関連情報の収集タイミングは、情報の種類に応じて適宜決定すればよく、特に限定されるものではない。

図１４は、実施形態１に係る診断支援の処理手順を示すフローチャートである。医師端末装置４は、医療関係者ＩＤ及び患者ＩＤを含み診断支援を要求する診断支援要求情報を情報処理装置１へ送信する。情報処理装置１は、医師端末装置４から診断支援要求情報を受信した場合、以下の処理を実行する。まず、情報処理装置１の処理部１１は、診断対象である患者の患者ＩＤをキーにして、データベース１２ａから健康関連情報を取得する（ステップＳ１３１）。なお、処理部１１は、必要に応じて健康関連情報の改ざん、変更がなされてないか否かを確認する。また、処理部１１は、所定の基本的な問診事項を患者端末装置２へ送信し、患者端末装置２を介して患者の現在の体調を示す体調情報を取得するように構成してもよい。

次いで、処理部１１は、取得した健康関連情報を総合診療学習モデル１５に入力することによって、患者の健康状態に関する診断を実行すると共に（ステップＳ１３２）、患者の健康状態に関連する診療科を特定する（ステップＳ１３３）。例えば、処理部１１は、最も確信度が高い診療科を特定する。

次いで、処理部１１は、ステップＳ１３３で特定された診療科の専門医学習モデル１６に、取得した健康関連情報を入力することによって、特定の診療科における患者の健康状態を診断する（ステップＳ１３４）。そして、処理部１１は、総合診療学習モデル１５及び専門医学習モデル１６による診断結果を医療関係者へ提供する（ステップＳ１３５）。例えば、処理部１１は、診断結果を医師端末装置４へ送信する。
なお、処理部１１は、総合診療学習モデル１５から出力される疾病分類コードが示す疾病名称及び確信度を医師端末装置４へ送信するとよい。また、処理部１１は、確信度が高い複数の疾病分類コードが示す疾病名称と、各疾病分類コードに係る確信度とを医師端末装置４へ送信するように構成してもよい。更に、処理部１１は、専門医学習モデル１６による診断結果のみを医師端末装置４へ送信するように構成してもよい。

また、上記説明では、特定された一つの専門医学習モデル１６を特定して診断結果を算出する例を説明したが、複数の専門医学習モデル１６を用いて診断結果を算出してもよい。例えば、処理部１１は、総合診療学習モデル１５から出力される確信度が高い複数の診療科を特定する。処理部１１は、特定された複数の専門医学習モデル１６に取得した健康関連情報を入力することによって、特定の複数の診療科における患者の健康状態を診断する。処理部１１は、複数の専門医学習モデル１６から出力される診断結果の内、確信度が高い一又は複数の疾病分類コードが示す疾病名称を、医師端末装置４へ送信するとよい。
また、特定された複数の専門医学習モデル１６から出力される各疾病分類コードに係る確信度に、総合診療学習モデル１５から出力される当該専門医学習モデル１６に係る診療科の確信度を重み付けし、複数の疾病分類コードが示す疾病名称及び重み付けされた確信度を医師端末装置４へ送信するように構成してもよい。
より詳細には、処理部１１は、総合診療学習モデル１５が出力する診療科情報に基づいて、第１の専門医学習モデル１６と、第２の専門医学習モデル１６を特定したとする。第１の専門医学習モデル１６が適切な確信度を、第１確信度、第２の専門医学習モデル１６が適切な確信度を第２確信度とする。第１の専門医学習モデル１６は、確信度が高い第１の疾病分類コードと、第２の疾病分類コードを特定し、同様にして第２の専門医学習モデル１６は、確信度が高い第１の疾病分類コードと、第２の疾病分類コードを特定したとする。この場合、処理部１１は、第１の専門医学習モデル１６から出力される第１の疾病分類コードに係る確信度に第１確信度を乗算し、第２の専門医学習モデル１６から出力される第１の疾病分類コードに係る確信度に第２確信度を乗算して、第１の疾病分類コードに係る重み付け確信度を算出する。同様にして、処理部１１は、第１の専門医学習モデル１６から出力される第２の疾病分類コードに係る確信度に第１確信度を乗算し、第２の専門医学習モデル１６から出力される第２の疾病分類コードに係る確信度に第２確信度を乗算して、第１の疾病分類コードに係る重み付け確信度を算出する。

次いで、処理部１１は、健康関連情報及び医療関係者属性情報を総合診療学習モデル１５及びステップＳ１３３で特定された専門医学習モデル１６に入力することによって、出力される医用学習コンテンツ特定情報に基づいて、患者の健康状態の診断に有用な医用学習コンテンツを特定する（ステップＳ１３６）。当該医用学習コンテンツは、患者の健康状態と、当該患者を診察する医療関係者の属性とに基づいて特定されるものであるため、当該医療関係者が正に必要としている医療学習コンテンツを精度良く特定することができる。ステップＳ１３６ｂにおいて処理部１１は、有用である確信度が高いものから順に複数の医用学習コンテンツを特定する。また、処理部１１は、医用学習コンテンツの提供先である医療関係者の医療関係者ＩＤに対応付けられた視聴履歴又は提供履歴を参照し、視聴済みの医用学習コンテンツを除外し、有用である確信度が高いものから順に複数の医用学習コンテンツを特定してもよい。なお、処理部１１は、有用である確信度が所定値以上の医用学習コンテンツについては、未視聴であっても、有用な医用学習コンテンツとして特定するようにしてもよい。また、処理部１１は、未視聴である場合、値が大きく、視聴済みである場合、値が低い評価値と、有用である確信度との相加平均、相乗平均、重み付け平均、その他の評価関数を用いて、医療関係者に提供すべき有用な医用学習コンテンツを特定するように構成してもよい。

そして、処理部１１は、ステップＳ１３６で特定された医療学習コンテンツのリスト及び医療関係者による医療学習コンテンツの視聴履歴を特定された医用学習コンテンツを医療関係者へ提供する（ステップＳ１３７）。医療関係者は、医師端末装置４を用いて、情報処理装置１から提供された医療学習コンテンツ及び視聴履歴を参照し、所望の医用学習コンテンツを選択することができる。医師端末装置４は、医療関係者によって選択された医用学習コンテンツを示す情報を情報処理装置１へ送信する。

処理部１１は、医師端末装置４から送信された情報を受信し、該情報が示す医用学習コンテンツを医療関係者へ提供する（ステップＳ１３８）。例えば、処理部１１は、医師端末装置４へ、診断結果に関連する医用学習コンテンツであって、医療関係者によって選択された医用学習コンテンツを送信する。医用学習コンテンツの提供方法は特に限定されるものでは無く、ビデオチャット、ＺＯＯＭ、ＡＩスピーカ、仮想ミーティングルーム等を介して医用学習コンテンツを提供してもよい。
また、処理部１１は、医用学習コンテンツの提供を受けた医療関係者から、医用学習コンテンツの作成者、医用学習コンテンツの内容に詳しい者への連絡依頼を受け付けるように構成してもよい。医療関係者と、上記作成者等との接続方法は特に限定されるものでは無い。メールアドレス、ソーシャルネットワークにおけるＩＤ、ハンドルネームを両者に提供するようにしてもよいし、仮想ミーティングルーム、音声通話接続、ビデオ通話接続を提供するように構成してもよい。

そして、処理部１１は、医療関係者に対する医用学習コンテンツの提供履歴をデータベース１２ａに記憶する（ステップＳ１３９）。詳細には、処理部１１は、医用学習コンテンツのレコード番号と、当該医用学習コンテンツを提供した医療関係者を示す医療関係者ＩＤと、提供日時とを対応付けて、データベース１２ａに記憶する。

次いで、処理部１１は、総合診療学習モデル１５及び専門医学習モデル１６から出力される診断結果と、ステップＳ１３５で特定された医用学習コンテンツをキーにして分類テーブル１９を参照し、当該診断結果及び医用学習コンテンツと関連のある医療関連情報の分類を特定し、医療関連情報ＤＢ１７から診断結果等に関連する医用関連情報を読み出す（ステップＳ１４０）。

そして、処理部１１は、医用関連情報を医療関係者へ提供する（ステップＳ１４１）。例えば、処理部１１は、医師端末装置４へ、診断結果に関連する医療関連情報を送信する。医用関連情報の提供方法は特に限定されるものでは無く、ビデオチャット、ＺＯＯＭ、ＡＩスピーカ、仮想ミーティングルーム等を介して医用関連情報を提供してもよい。

なお、診断結果、医用学習コンテンツ及び医療関連情報の提供方法、提供タイミング、提供順序は特に限定されるものではない。
また、処理部１１は、総合診療学習モデル１５又は専門医学習モデル１６の診断結果を患者端末装置２へ送信してもよい。

＜再学習処理＞
図１５は、総合医療学習モデル及び専門医学習モデル１６の再学習処理手順を示すフローチャートである。処理部１１は、診断結果、医用学習コンテンツ及び医療関連情報を提供した医療関係者から、当該診断結果、医用学習コンテンツ及び医療関連情報に対する評価を含むフィードバック情報を取得する（ステップＳ１５１）。受信したフィードバック情報は、診察情報として記憶部１２に蓄積される。

次いで、処理部１１は、取得したフィードバック情報に基づいて、総合診療学習モデル１５及び専門医学習モデル１６を再学習させるための学習用データセット２０を生成する（ステップＳ１５２）。具体的には、フィードバック対象となった診断結果等を得たときに総合診療学習モデル１５及び専門医学習モデル１６に入力した健康関連情報及び医療関係者属性情報に、フィードバック情報によって生成される教師データを付与することによって、学習用データセット２０を生成することができる。
フィードバック情報が、適切な又は正しい診断結果及び診療科を示す情報を含んでいる場合、当該診断結果及び診療科を正解とする教師データを生成すればよい。
フィードバック情報が、適切な又は望ましい医用学習コンテンツを示すデータを含んでいる場合、当該医用学習コンテンツを正解とする教師データを生成すればよい。フィードバック情報が、医用学習コンテンツの適否を示すデータを含んでいる場合、再学習前の総合診療学習モデル１５及び専門医学習モデル１６から出力される医用学習コンテンツの評価を訂正したものを正解とする教師用データを生成すればよい。

以上の通り、本実施形態１に係る情報処理装置１等によれば、総合診療学習モデル１５により、患者の健康関連情報に基づいて、総合診療の観点から患者の健康状態を診断すると共に、当該患者の健康状態に関連する診療科又は医用学習コンテンツを特定することができる。

また、総合診療学習モデル１５によって特定された専門医学習モデル１６により、患者の健康状態をより正確に診断し、当該患者の健康状態に関連する医用学習コンテンツを特定することができる。

更に、患者の診察を行う医療関係者属性情報を総合診療学習モデル１５及び専門医学習モデル１６に入力することによって、より医療関係者が必要とする医用学習コンテンツ及び医療関連情報をより精度良く特定することができる。

なお、仮想医科大学Ｖ１、コメディカル仮想専門校Ｖ２、ヘルスケア仮想専門校Ｖ３が連携し、患者をモニタリングすることにより、患者ないし健常者の予防医療に役立てることもできる。そのために、スポーツ療養士等を活用するとよい。情報処理装置１は、健常者に対して予防医療サービスを提供し、健康増進サービスを提供することが可能である。

また、データベース１２ａに各種情報をそのまま記録する実施形態を説明したが、匿名加工して情報を記録するように構成するとよい。

更に、情報処理装置１が総合診療学習モデル１５及び専門医学習モデル１６等の学習モデルを備える例を説明したが、情報処理装置１を構成する学習モデルの一部を外部のコンピュータで実現し、連携するように構成してもよい。

更に、ユーザが利用するいわゆるｅお薬手帳と連携し、医薬に関する情報を収集して活用するように構成してもよい。また、情報処理装置１によって算出された各種情報を、患者のｅお薬手帳へ送信して記録するように構成してもよい。また、情報処理装置１は、患者からの医薬に関する問合せ情報と、当該患者のｅお薬手帳に記録されている情報とを取得し、薬の効用、飲み合わせ、副作用等の情報を、患者に提供するように構成してもよい。

（実施形態２）
実施形態２に係る情報処理装置１は、医療関係者からの質問に対して回答を出力することができる点が実施形態１と異なる。情報処理装置１のその他の構成は、実施形態１に係る情報処理装置１と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。

図１６は、実施形態２に係る総合診療学習モデル２１５の構成例を示す概念図である。実施形態２に係る総合学習モデルは、実施形態１と同様の第１入力層１５ａと、第２入力層１５ｂと、第３入力層１５ｃと、特徴抽出層１５ｄと、第１中間層１５ｅと、第２中間層１５ｆと、第１出力層１５ｇと、第２出力層１５ｈとを有し、更に、第４入力層１５ｉと、第３中間層１５ｊと、第３出力層１５ｋとを有するニューラルネットワークである。

ただし、実施形態２に係る第２中間層１５ｆは、医用学習用コンテンツ特定情報を第２出力層１５ｈに受け渡すと共に、患者の健康状態及び医療関係者に関連する特徴量を第３中間層１５ｊへ出力する。

第４入力層１５ｉと、第３中間層１５ｊと、第３出力層１５ｋは、例えば、再帰型ニューラルネットワーク（RNN;Recurrent Neural Network）の一種であるＬＳＴＭ（Long Short-Term Memory）を構成しており、医療関係者からの質問に対する回答を対話的に生成するモデルである。

第４入力層１５ｉは、ニューラルネットワークの第４入力層１５ｉは、医療関係者からの質問を示す情報が入力される複数のノードを有し、入力された各データを第３中間層１５ｊに受け渡す。

第３中間層１５ｊは、複数のノードからなる層を複数有する。第３中間層１５ｊには、第４入力層１５ｉに入力された質問に関する情報と、第２中間層１５ｆから出力された患者の健康状態及び医療関係者の属性に係る情報が入力される。第３中間層１５ｊは入力されたデータから、医療関係者の質問、患者の健康状態及び医療関係者の属性に関連する特徴量を抽出しながら前段から後段の層へ順々に受け渡し、最後段の層は、医療関係者の質問に対する回答に係る情報を第３出力層１５ｋに受け渡す。
第３出力層１５ｋは医療関係者の質問に対する回答を示す情報を出力する。

実施形態２に係る総合診療学習モデル２１５の、第４入力層１５ｉと、第３中間層１５ｊと、第３出力層１５ｋは、総合診療科医と、他の医療関係者との対話を含む学習用データセット２０を用いて機械学習させることによって生成することができる。

図１７は、実施形態２に係る専門医学習モデル２１６の構成例を示す概念図である。実施形態２に係る専門医学習モデル２１６は、実施形態１と同様の第１入力層１６ａと、第２入力層１６ｂと、第３入力層１６ｃと、特徴抽出層１６ｄと、第１中間層１６ｅと、第２中間層１６ｆと、第１出力層１６ｇと、第２出力層１６ｈとを有し、更に、第４入力層１６ｉと、第３中間層１６ｊと、第３出力層１６ｋとを有するニューラルネットワークである。

ただし、実施形態２に係る第２中間層１６ｆは、医用学習用コンテンツ特定情報を第２出力層１６ｈに受け渡すと共に、患者の健康状態及び医療関係者に関連する特徴量を第３中間層１６ｊへ出力する。

第４入力層１６ｉと、第３中間層１６ｊと、第３出力層１６ｋは、例えば、再帰型ニューラルネットワークを構成しており、医療関係者からの質問に対する回答を対話的に生成するモデルである。

第４入力層１６ｉは、ニューラルネットワークの第４入力層１６ｉは、医療関係者からの質問を示す情報が入力される複数のノードを有し、入力された各データを第３中間層１６ｊに受け渡す。

第３中間層１６ｊは、複数のノードからなる層を複数有する。第３中間層１６ｊには、第４入力層１６ｉに入力された質問に関する情報と、第２中間層１６ｆから出力された患者の健康状態及び医療関係者の属性に係る情報が入力される。第３中間層１６ｊは入力されたデータから、医療関係者の質問、患者の健康状態及び医療関係者の属性に関連する特徴量を抽出しながら前段から後段の層へ順々に受け渡し、最後段の層は、医療関係者の質問に対する回答に係る情報を第３出力層１６ｋに受け渡す。
第３出力層１６ｋは医療関係者の質問に対する回答を示す情報を出力する。

実施形態２に係る専門医学習モデル２１６の、第４入力層１６ｉと、第３中間層１６ｊと、第３出力層１６ｋは、専門医と、他の医療関係者との対話を含む学習用データセット２０を用いて機械学習させることによって生成することができる。

実施形態２に係る情報処理装置１等によれば、総合診療学習モデル２１５及び専門医学習モデル２１６は、医療関係者の医学、患者の診断結果等に関する質問に対して、回答を出力することができる。総合診療学習モデル２１５及び専門医学習モデル２１６は、患者の健康関連情報、医療関係者の属性を加味して、回答を出力することができるため、医療関係者が診療している患者、医療関係者自身の属性に応じた回答を出力することができる。

（実施形態３）
実施形態３に係る情報処理装置１は、総合診療学習モデル２１５又は専門医学習モデル１６のアバター３０６，３０７が存在する仮想ミーティングルームＶＲを提供することができる点が実施形態１と異なる。情報処理装置１のその他の構成は、実施形態２に係る情報処理装置１と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。

図１８は、実施形態３に係る情報処理手順を示すフローチャート、図１９は、実施形態３に係る仮想ミーティングルームＶＲを示す概念図である。生成する仮想ミーティングルームＶＲの個数は特に限定されるものではない。情報処理装置１の処理部１１は、仮想ミーティングルームＶＲを生成する（ステップＳ３１１）。また、処理部１１は、総合診療学習モデル２１５に対応するアバター３０６を仮想ミーティングルームＶＲ内に生成し（ステップＳ３１２）、一又は複数の専門医学習モデル１６に対応するアバター３０７を仮想ミーティングルームＶＲ内に生成する（ステップＳ３１３）。以下、総合診療学習モデル２１５に対応するアバター３０６及び専門医学習モデル１６に対応するアバター３０７を総称してＡＩ医師のアバター３０６，３０７と呼ぶ。
なお、看護師ＡＩ２１、臨床検査技師ＡＩ２２、栄養管理師ＡＩ２３、介護士ＡＩ２４のアバターを仮想ミーティングルームに生成してもよい。

次いで、処理部１１は、仮想ミーティングルームＶＲへの入室を受け付ける（ステップＳ３１４）。具体的には、医療関係者は医師端末装置４を操作することによって、仮想ミーティングルームＶＲへの入室を要求することができる。医師端末装置４は、仮想ミーティングルームＶＲへの入室を要求する入室要求情報及び医療関係者ＩＤを情報処理装置１へ送信する。情報処理装置１は、医師端末装置４から送信された入室要求情報及び医療関係者ＩＤを受信することによって、仮想ミーティングルームＶＲへの入室を受け付ける。

仮想ミーティングルームＶＲへの入室を受け付けた場合、処理部１１は、医療関係者ＩＤに対応するアバター３０５を仮想ミーティングルームＶＲ内に生成する（ステップＳ３１５）。なお、処理部１１は、仮想ミーティングルームＶＲへの入室を受け付ける際、医療関係者の認証処理を行い、認証された場合に仮想ミーティングルームＶＲへの入室を許可するように構成するとよい。医療関係者には、例えば医師、学生、看護師、医療従事者、聴講生、教授、研究員等が含まれ、実施形態１で説明した通り、認証情報には、医療関係者の顔、指紋、筆跡、声紋、虹彩、静脈パターン等の生体認証情報、パスワード等が含まれる。

処理部１１は、医療関係者から医師端末装置４を介してアバター３０５の操作を受け付ける（ステップＳ３１６）。例えば、処理部１１は、仮想ミーティングルームＶＲ内におけるアバター３０５の移動指示を受け付けた場合、受け付けた移動指示に従ってアバター３０５を仮想ミーティングルームＶＲ内で移動させる。なお、ＡＩ医師のアバター３０６，３０７も適宜、仮想ミーティングルームＶＲ内を移動させてもよい。

また、処理部１１は、医療関係者から医師端末装置４を介して発話内容を受け付ける（ステップＳ３１７）。

処理部１１は、医療関係者のアバター３０５が発話を行った際、当該アバター３０５に対面しているアバター３０５，３０６，３０７が対話相手として特定し、医療関係者がＡＩ医師のアバター３０６，３０７に質問しているか否かを判定する（ステップＳ３１８）。

ＡＩ医師のアバター３０６，３０７に質問していると判定した場合（ステップＳ３１８：ＹＥＳ）、処理部１１は、質問したアバター３０６，３０７に対応する医療関係者ＩＤに対応付けられた患者の健康関連情報及び医療関係者属性情報を、対話相手の総合診療学習モデル２１５又は専門医学習モデル１６に入力することによって、回答を生成する（ステップＳ３１９）。そして、処理部１１は、総合診療学習モデル２１５又は専門医学習モデル１６から出力された回答を、ＡＩ医師のアバター３０６，３０７の発話内容として、発話者へ送信し（ステップＳ３２０）、処理をステップＳ３１６へ戻す。つまり、情報処理装置１は、質問を発した医療関係者の医師端末装置４へ、当該質問に対する回答を送信する。医師端末装置４においては、ＡＩ医師のアバター３０６，３０７の発話内容を示すテキスト文字が、ＡＩ画像のアバター３０６，３０７付近に噴き出し画像等によって表示される。

ＡＩ医師のアバター３０６，３０７以外のアバター３０５に質問していると判定した場合（ステップＳ３１８：ＮＯ）、処理部１１は、ステップＳ３１７で受け付けた発話内容を、対話相手へ送信し（ステップＳ３２１）、処理をステップＳ３１６へ戻す。

詳細は省略するが、処理部１１は、医師端末装置４から仮想ミーティングルームＶＲからの退出を受け付けた場合、医療関係者のアバター３０５を消滅させる。

なお、ＡＩ医師のアバター３０６，３０７からの回答を得た医療関係者に対して、課金処理を実行するように構成してもよい。

また、医療関係者は、仮想ミーティングルームＶＲにおいて講演、授業等を行うこともできる。他の医療関係者は、当該講演、授業を視聴することができる。講演、授業の視聴に対して課金処理を実行するように構成してもよい。

以上の通り、本実施形態３に係る情報処理装置１等によれば、医療関係者はアバター３０５として仮想ミーティングルームＶＲに入出し、他の医療関係者、ＡＩ医師との対話により、医療情報を入手することができる。

なお、情報処理装置１は、上記した仮想ミーティングルームＶＲとして、ミーティングルームを３次元で表現した３Ｄ仮想ミーティングルームを生成して提供するように構成してもよい。

（実施形態４）
実施形態４に係る情報処理装置１は、総合診療学習モデル１５及び専門医学習モデル１６が更に、要検査情報を出力するように構成した点が実施形態１～実施形態３と異なる。情報処理装置１のその他の構成は、実施形態１～３に係る情報処理装置１と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。

総合診療学習モデル１５の第１出力層１５ｇは、正確な診断を行うために必要な検査内容に係る複数の検査項目にそれぞれ対応する複数のノードを備え、各ノードはそれぞれの検査項目に係る検査を必要とする確信度、即ち要検査情報を出力する。

総合診療学習モデル１５の生成方法は、実施形態１で説明した方法と同様であり、総合診療医の診断結果に、必要な検査項目を示す情報が含まれている点が異なるのみである。処理部１１は、複数の健康関連情報及び医療関係者属性情報に対して、総合診療医の診断結果に基づく疾病分類コード、診察の要否、緊急度及び薬の要否、必要な検査内容を示す要検査情報、総合診療医の判断による診療科情報、関連する医用学習コンテンツ特定情報を示す教師データを付与することによって学習用データセット２０を生成する。次いで、処理部１１は、生成した学習用データセット２０を用いて、学習前のニューラルネットワークモデルを機械学習又は深層学習させることによって、総合診療学習モデル１５を生成する。

専門医学習モデル１６の第１出力層１６ｇは、正確な診断を行うために必要な検査内容に係る複数の検査項目にそれぞれ対応する複数のノードを備え、各ノードはそれぞれの検査項目に係る検査を必要とする確信度、即ち要検査情報を出力する。

専門医学習モデル１６の生成方法は、実施形態１で説明した方法と同様であり、専門医の診断結果に、必要な検査項目を示す情報が含まれている点が異なるのみである。処理部１１は、複数の健康関連情報及び医療関係者属性情報に対して、専門医の診断結果に基づく疾病分類コード、診察の要否、緊急度及び薬の要否、必要な検査内容を示す要検査情報、総合診療医の判断による診療科情報、関連する医用学習コンテンツ特定情報を示す教師データを付与することによって学習用データセット２０を生成する。次いで、処理部１１は、生成した学習用データセット２０を用いて、学習前のニューラルネットワークモデルを機械学習又は深層学習させることによって、専門医学習モデル１６を生成する。

情報処理装置１は、総合診療学習モデル１５から出力される要検査情報と、総合診療学習モデル１５によって特定された専門医学習モデル１６から出力される要検査情報とを、医師端末装置４へ送信する。

実施形態４に係る情報処理装置１によれば、医療関係者は総合診療学習モデル１５及び専門医学習モデル１６から出力される要検査情報を参考にして、患者に適切な検査を実施することができる。医療関係者は、医師端末装置４を介して検査結果を情報処理装置１へ送信することができる。情報処理装置１は、追加で行われた検査結果を含む患者の健康関連情報を総合診療学習モデル１５及び専門医学習モデル１６に入力することによって、診断結果の精度をより向上させることができる。

検査項目は、例えばＰＥＴ検査、超音波検査、ＣＴ検査、ＭＲＩ検査、血管造影検査等の各種医用画像撮影検査、血液検査である。
１回目の診断結果は、例えば、十二指腸潰瘍の確信度が８０％、逆流性食道炎の確信度が１５％、感染性胃腸炎の確信度が５％であったとする。追加検査後の２回目の診断結果は、例えば十二指腸潰瘍の確信度が４０％、逆流性食道炎の確信度が０％、感染性胃腸炎の確信度が６０％のようになる。

実施形態４に係る情報処理装置１によれば、必要な検査を追加で行い、より精度良く患者の健康状態を診断することができる。

（実施形態５）
実施形態５に係る情報処理装置１は、ｅラーニングコンテンツ（医用学習コンテンツ）の内容が実施形態１～実施形態４と異なる。情報処理装置１のその他の構成は、実施形態１～４に係る情報処理装置１と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。

実施形態５に係る情報処理装置１は、世界中のどこでも２４時間いつでも何度でも受講及び参加することができるバーチャル教室を提供することができる装置である。例えば、情報処理装置１は、バーチャル総合医科大学として、講義室、実験室、サロン等のバーチャル教室を提供する。

バーチャル総合医科大学において、医療関連の学識、医療機器の扱い方等を教える者と、学ぶ者とがアバターとして参加する。教える者は、例えば、世界各国の大学教授、医局員、研究員、世界の権威、その他、医療の専門科である。学ぶ者は、医師、学生、看護師、医療従事者、聴講生、教授、研究員等である。以下、教える者を、教授等と呼び、学ぶ者を学生等と呼ぶ。
バーチャル総合医科大学に参加する教授等には、定常的に参加するメンバーと、単発で参加するビジターとが存在する。同様に、バーチャル総合医科大学に参加する学生等にも、定常的に参加するメンバーと、単発で参加するビジターがある。

バーチャル総合医科大学では、ｅラーニングコースが提供される。ｅラーニングコースには、例えば以下のようなコースがある。

１．医科大学コース
情報処理装置１は、医科大学コースに係るｅラーニングコンテンツを学生等に提供する。学生等は、医科大学コースに係るｅラーニングコンテンツを学習することができる。
学生等は、通常６年間の授業を短縮して単位を取得することが可能であり、働きながら学ぶこともできる。
情報処理装置１は、医科大学コースのｅラーニングコンテンツに関連するテスト（以下、医科大学ＡＩテストと呼ぶ）を提供する。学生等は医科大学ＡＩテストを受けることができる。情報処理装置１は、医科大学ＡＩテストの解答を受信し、採点し、学生等を評価することができる。医科大学ＡＩテストには、前期テスト、後期テスト、あるいは年４回の定期テスト等がある。

２．専門分野コース
情報処理装置１は、各種専門分野コースに係るｅラーニングコンテンツを学生等に提供する。学生等は、専門分野コースに係るｅラーニングコンテンツを学習し、それぞれの専門分野の知識を得ることができ、診断、診療に役立てることができる。
特に、本実施形態５の学生等は医療関係者の一種であり、実施形態１～４と同様、医療関係者属性情報を総合診療学習モデル１５及び専門医学習モデル１６に入力することによって、ｅラーニングコンテンツを選択すればよい。なお、実際の診療経験が無く、担当患者の健康関連情報が無い学生等の場合、一般的患者の健康関連情報をダミーデータとして、総合診療学習モデル１５及び専門医学習モデル１６に入力するように構成するとよい。つまり、学生等の医療関係者属性情報と、ダミーデータである健康関連情報とを総合診療学習モデル１５及び専門医学習モデル１６に入力することによって、当該学生に有用な医用学習コンテンツを選択するように構成するとよい。
情報処理装置１は、専門分野コースのｅラーニングコンテンツに関連するテスト（以下、専門分野ＡＩテストと呼ぶ）を提供する。学生等は専門分野ＡＩテストを受けることができる。情報処理装置１は、専門分野ＡＩテストの解答を受信し、採点し、学生等を評価することができる。

３．実技コース
情報処理装置１は、実技コースに係るｅラーニングコンテンツを学生等に提供する。学生等は、実技コースに係るｅラーニングコンテンツを学習し、手術、処置方法、各種医療機器、医療器具等の使い方等、医療の実技を学ぶことができる。ｅラーニングコンテンツは、実施形態１と同様、仮想実技に係る内容であってもよい。
情報処理装置１は、実技コースのｅラーニングコンテンツに関連するテスト（以下、実技ＡＩテストと呼ぶ）を提供する。学生等は実技ＡＩテストを受けることができる。情報処理装置１は、実技ＡＩテストの解答を受信し、採点し、学生等を評価することができる。
実技コースのｅラーニングコンテンツを提供することにより、学生が学習（及び医師等が再学習）することで知識・手技等を習得し、自己評価及び医療サービスのレベルアップに役立てられる。

４．サロンコース
情報処理装置１は、サロンコースに係るｅラーニングコンテンツを学生等に提供すると共に、医療従事者同士の意見交換の仮想サロンを提供する。サロンコースに係るｅラーニングコンテンツも専門分野コースと同様、学生等の医療関係者属性情報を総合診療学習モデル１５及び専門医学習モデル１６に入力することによって、ｅラーニングコンテンツを選択すればよい。学生等は、サロンコースに係るｅラーニングコンテンツを学習する。また、教授等、学生等は、仮想サロンにアバターとして入室し、意見交換を行うことができ、学生等は教授等から診断、診療等についての助言が得られる。
処理部１１は、医用学習コンテンツを提供する際、仮想サロンへの入室を受け付けるように構成すると良い。そして、処理部１１は、複数の学生等から仮想サロンへの入室を受け付けた際、同じ医用学習コンテンツを視聴する学生等のアバターを生成し、同一の仮想サロンに入出されるとよい。同じ医用学習コンテンツを視聴した学生等同士が意見交換を行うことができる。なお、診療科又は専門性が共通する医用学習コンテンツを視聴した学生等のアバターを同一の仮想サロンへ入出させるように構成してもよい。学生等に提供される医用学習コンテンツは、学生等の診療科又は専門性を考慮して選択されているため、同一の仮想サロンに参加する学生等は属性が共通しており、情報交換が容易である。

５．学会コース
情報処理装置１は、仮想教室を提供し、学会コースに係るｅラーニングコンテンツを学生等に提供する。学生等は、サロンコースに係るｅラーニングコンテンツを学習する。また、教授等は、仮想教室にアバターとして入室し、医療セミナー、研究発表等を行い、学生等は、当該医療セミナー、研究発表等を聴講することができる。学生等は、時間、場所の制限が無く、世界中、どこでも２４時間いつでも何度でも視聴することができる。

実施形態５に係る情報処理装置１によれば、世界中のどこでも２４時間いつでも何度でも受講及び参加することができるバーチャル教室、ｅラーニングコンテンツ、意見交換、研究発表の場等を提供することができる。

また、実施形態５に係る情報処理装置１は、学生等が視聴等した医用学習コンテンツ、学生等が履修した医科大学コース、専門分野コース、実技コース等に関する情報を、リアルの医科大学へ提供するように構成してもよい。
学生等は医用学習コンテンツ等により、医療の知識を学習し、医療の実技を習得することができる。また、医科大学において単位を取得することができる。
更に、本実施形態によれば、リアルの医科大学、総合病院、医師等との連携により、医療サービスの充実及び補完が可能となる。

なお、上記した医科大学コースには、博士課程コースを含めてもよい。また、薬学部コースを設けてもよい。また、学生等は、ｅラーニングコースに加え、現実社会の医科大学、総合病院等での実技を学ぶことが望ましい。

（実施形態６）
実施形態６に係る情報処理装置１は、ｅラーニングコンテンツ（医用学習コンテンツ）の提供方法が実施形態１～６と異なる。情報処理装置１のその他の構成は、実施形態１～４に係る情報処理装置１と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。

図２０は、実施形態６に係る医用学習コンテンツの提供処理手順を示すフローチャート、図２１は、実施形態６に係るコンテンツ提供画面６０１を示す模式図である。医師端末装置４は、医療関係者ＩＤ及び患者ＩＤを含み医用学習コンテンツを要求する学習コンテンツ要求情報を情報処理装置１へ送信する。なお、まだ担当患者が無い場合、ダミーの患者ＩＤを含む学習コンテンツ要求情報を情報処理装置１へ送信すればよい。情報処理装置１は、医師端末装置４から学習コンテンツ要求情報を受信した場合、以下の処理を実行する。まず、情報処理装置１の処理部１１は、診断対象である患者の患者ＩＤをキーにして、データベース１２ａから健康関連情報を取得する（ステップＳ６３１）。データベース１２ａは、ダミーの患者ＩＤに対応付けて、典型的な患者の健康関連情報を記憶している。受信した学習コンテンツ要求情報に含まれる患者ＩＤがダミーの患者ＩＤである場合、情報処理装置１は、当該患者ＩＤに対応する典型的な患者の健康関連情報をデータベース１２ａから読み出す。

また、処理部１１は、記憶部１２から、医療関係者ＩＤに対応付けられた医療関係者属性情報を取得する（ステップＳ６３２）。

次いで、処理部１１は、健康関連情報及び医療関係者属性情報を総合診療学習モデル１５に入力することによって、出力される医用学習コンテンツ特定情報に基づいて、当該患者を診察する医療関係者の属性を踏まえ、患者の健康状態の診断に有用な医用学習コンテンツ（以下、第１医用学習コンテンツと呼ぶ。）を特定する（ステップＳ６３３）。なお、医用学習コンテンツＤＢは、第１医用学習コンテンツに対応する第１動画を含むｅラーニングコンテンツを記憶している。第１医用学習コンテンツは、基礎的内容の学習コンテンツであることが望ましい。

また処理部１１は、健康関連情報及び医療関係者属性情報を専門医学習モデル１６に入力することによって、出力される医用学習コンテンツ特定情報に基づいて、当該患者を診察する医療関係者の属性を踏まえ、患者の健康状態の診断に有用な医用学習コンテンツ（以下、第２医用学習コンテンツと呼ぶ。）を特定する（ステップＳ６３４）。なお、処理部１１は、実施形態１と同様の方法で特定される、患者の健康状態に関連する診療科に関連する専門医学習モデル１６を用いるとよい。また、医用学習コンテンツＤＢは、第２医用学習コンテンツに対応する第２動画を含むｅラーニングコンテンツ、仮想実技を含むｅラーニングコンテンツを記憶している。第２医用学習コンテンツは、診療科又は専門分野に関連付けられた専門的内容の学習コンテンツであることが望ましい。

ステップＳ６３４の処理を次いで、処理部１１は、第１医用学習コンテンツに対応する第１動画を含むｅラーニングコンテンツを医用学習コンテンツＤＢ１８から読み出し、医師端末装置４へ送信する（ステップＳ６３５）。具体的には、処理部１１は、第１医用学習コンテンツ選択画面６１０を含むコンテンツ提供画面６０１を医師端末装置４へ送信する。コンテンツ提供画面６０１には、総合診療学習モデル１５を用いて選択された、有用である確度が高い複数の第１医用学習コンテンツに係る第１動画のサムネイル画像６１０ａを含む。医療関係者は、サムネイル画像６１０ａを選択することによって、第１動画を視聴することができる。また、コンテンツ提供画面６０１はサロン等のバーチャル教室へ入室するための入室ボタン６１０ｂを含む。医療関係者は、入室ボタン６１０ｂを選択することによって、仮想サロン等のバーチャル教室に入室することができる。処理部１１は、類似の第１医用学習コンテンツを提供した医療関係者が同じバーチャル教室に入室するように構成するとよい。

また、処理部１１は、第２医用学習コンテンツに対応する２動画を含むｅラーニングコンテンツ、仮想実技を含むｅラーニングコンテンツを医用学習コンテンツＤＢ１８から読み出し、医師端末装置４へ選択可能に送信する（ステップＳ６３６）。具体的には、処理部１１は、第２医用学習コンテンツ選択画面６２０を含むコンテンツ提供画面６０１を医師端末装置４へ送信する。コンテンツ提供画面６０１には、専門医学習モデル１６を用いて選択された、有用である確度が高い複数の第２医用学習コンテンツに係る第２動画のサムネイル画像６２０ａと、複数の第２医用学習コンテンツに係る仮想実技の内容を表したサムネイル画像６２０ｂを含む。医療関係者は、サムネイル画像６２０ａを選択することによって、第２動画を視聴することができる。また、医療関係者はサムネイル画像６２０ｂを選択することによって仮想実技の演習を行うことができる。また、コンテンツ提供画面６０１はサロン等のバーチャル教室へ入室するための入室ボタン６２０ｃを含む。医療関係者は、入室ボタン６２０ｃを選択することによって、仮想サロン等のバーチャル教室に入室することができる。処理部１１は、類似の第２医用学習コンテンツを提供した医療関係者が同じバーチャル教室に入室するように構成するとよい。

医療関係者は、情報処理装置１によって特定及び提供された第１動画を視聴することができる。また、医療関係者は、情報処理装置１によって特定及び提供された第２動画又は仮想実技を選択して視聴し、又は実技演習を行うことができる。

更に、処理部１１は、実施形態１同様、第１及び第２医用学習コンテンツと関連のある医療関連情報の分類を特定し、医療関連情報ＤＢ１７から診断結果等に関連する医用関連情報を読み出して医療関係者へ提供する（ステップＳ６３７）。

実施形態６に係る情報処理装置１によれば、医療関係者の診療科、専門性、担当している患者に関連のある医用学習コンテンツを特定して、医療関係者に提供することができる。特に、基礎的内容である第１医用学習コンテンツの第１動画を医療関係者に提供することができる。また、専門的内容である第２医用学習コンテンツの第２動画又は仮想実技環境を医療関係者に提供することができる。

（実施形態７）
実施形態７に係る情報処理装置１の記憶部１２は疾病基礎情報１２ｂ及び病院情報１２ｃを記憶する。情報処理装置１は、患者を問診し、総合診療学習モデル１５及び専門医学習モデル１６から出力された患者の健康状態に係る診断結果情報及び診療科情報を医療関係者及び患者に提供するように構成してもよい。また、当該診療科を有する病院の情報を患者に提供するように構成してもよい。

図２２は、疾病基礎情報１２ｂの一例を示す概念図である。記憶部１２は、複数の疾病分類コード毎に、疾病分類コード、当該コードが属する分類の見出し、当該コードに対応する病名、当該疾病を診断するための問診事項、当該疾病の治療に適した診療科、患者用説明文書を対応付けて記憶している。患者用説明文書は、疾病の原因、症状、治療方法等の情報を一般人が理解し易いように説明した文書である。また、患者用説明文書に、典型的な医療情報、患者に対するアドバイスを含めてもよい。例えば、糖尿病の医療情報として、糖尿病の病期（ステージ表添付）、自覚症状、検査内容、治療方法の一覧を含めてもよい。
情報処理装置１は、疾病基礎情報１２ｂの問診事項を参照することによって、必要に応じて患者に問診を行い、診断結果情報及び診療科情報の精度を向上させることができる。また、情報処理装置１は、疾病基礎情報１２ｂの患者用説明文章によって、診断結果に係る疾病を説明した文章を患者に提供することができる。

図２３は、病院情報１２ｃの一例を示す概念図である。記憶部１２は、複数の病院ＩＤ毎に、パスワード、病院の名称、住所、診療科、医師のプロフィール情報、診療時間、連絡先、病院の端末装置へ情報を送信するための通信用アドレスを対応付けて記憶している。情報処理装置１は、病院情報１２ｃを参照することによって、患者に対する診断結果に適した病院を紹介することができる。

情報処理装置１の処理部１１は、ステップＳ１３１～Ｓ１３４において、患者の健康状態を診断する際、所定の基本的な問診事項を患者端末装置２へ送信し、患者端末装置２を介して患者の現在の体調を示す自己体調情報を取得するように構成してもよい。当該問診事項は標準的なものであり、例えば体温、食欲、吐き気、頭痛、めまいの有無等の基本的な情報を質問する内容が患者端末装置２に表示される。患者は、患者端末装置２に問診事項に対する回答を自己体調情報として入力する。患者端末装置２は、入力された自己体調情報を情報処理装置１へ送信し、情報処理装置１は患者端末装置２から送信された自己体調情報を取得する。

そして、処理部１１は、データベース１２ａから健康関連情報に加え、上記の通り取得した自己体調情報を健康関連情報に加えて総合診療学習モデル１５及び専門医学習モデル１６に入力することによって、患者の健康状態に係る診断結果情報及び診療科情報を出力させる。

次いで、処理部１１は、診断結果に基づいて、追加問診の要否を判断する。例えば、専門医学習モデル１６が出力する確信度が所定値未満の疾病が複数あり、確信度を向上させ得る追加の問診事項がある場合、情報処理装置１は、追加問診要と判定する。具体的には、情報処理装置１は、疾病基礎情報１２ｂを参照して、各疾病に係る問診事項を読み出し、未取得の情報の有無を判定すればよい。

追加問診要と判定した場合、処理部１１は、追加の問診事項を患者端末装置２へ送信し、追加の自己体調情報を取得する。

なお、追加問診を繰り返しても、確信度が所定値を越えない場合もあるため、追加問診の回数を所定回数以下に制限するとよい。追加問診要と判定された場合であっても、追加問診の回数が所定回数に達している場合、次の診断処理へ進めるとよい。

追加問診不要と判定した場合、取得した直近の自己体調情報を含む健康関連情報を総合診療学習モデル１５及び専門医学習モデル１６に入力することによって、より精度のよい診断結果情報及び診療科情報を得ることができる。

一方で処理部１１は、特定された診断結果情報に基づいて疾病基礎情報１２ｂから当該診断結果に対応する患者用説明文章を読み出し、読み出した患者用説明文書を患者に提供する。
また、処理部１１は、診療科情報に基づいて病院情報１２ｃから患者の治療に適した病院又は医師を特定し、特定された病院又は医師の情報を患者に提供する。処理部１１は、患者基本情報に含まれる患者の住所の情報と、病院情報１２ｃに含まれる病院又は医師の住所の情報とに基づいて、患者の治療に適した病院又は医師であって、患者の住所に近い病院又は医師の情報を患者に提供するように構成してもよい。更に、処理部１１は、健康関連情報の活動情報に含まれる患者の位置情報と、病院情報１２ｃに含まれる病院又は医師の住所の情報とに基づいて、患者の治療に適した病院又は医師であって、患者の住所に近い病院又は医師の情報を患者に提供するように構成してもよい。活動情報を用いる場合、処理部１１は、外出中の患者の現在地に近い病院に関する情報を提供することができる。
処理部１１は、メンバーに限定せず、患者の症状、地域、希望等に応じて、病院又は医師の情報、医師を紹介する情報を提供する。

また、患者は、利用したい病院の地域を予め情報処理装置１に登録しておいてもよい。情報処理装置１の処理部１１は、登録されている地域の中から、患者の治療に適した病院又は医師を特定し、当該病院又は医師の情報を患者に提供することができる。地域の各病院及び医師との連携を強化することができる。

実施形態７に係る情報処理装置１によれば、患者を問診することによって、より精度の良い、患者の健康状態に係る診断結果情報及び診療科情報を算出し、医療関係者及び患者に提供することができる。また、患者の治療に適した病院又は医師に関する情報を患者に提供することができる。

（実施形態８）
実施形態８に係る情報処理装置１は、患者の状態が緊急である場合、救急病院に患者の情報を送信する点が実施形態１～実施形態７と異なる。

実施形態８に係る情報処理装置１の記憶部１２は、実施形態７と同様の病院情報１２ｃを記憶する。実施形態８に係る病院情報１２ｃは、救急病院の連絡先を含む。

実施形態８に係る総合診療学習モデル１５及び専門医学習モデル１６は、実施形態１で説明した通り、患者の容体が緊急である確信度を出力するように構成されている。情報処理装置１の処理部１１は、適宜のタイミング、例えば新たな健康関連情報が情報処理装置１へアップロードされた際、総合診療学習モデル１５及び専門医学習モデル１６に健康関連情報を入力することによって、診断結果情報及び診療科情報を出力させる。そして、処理部１１は、総合診療学習モデル１５又は専門医学習モデル１６から出力される緊急度の情報に基づいて、患者の容体が緊急である確信度が所定値以上であるか否かを判断する。患者の容体が緊急である確信度が所定値以上である場合、処理部１１は、病院情報１２ｃを参照し、患者の住所又は患者の現在地に急行することが可能な救急病院の連絡先を特定し、当該連絡先を用いて救急病院に、患者の情報と、健康関連情報と、診断結果情報及び診療科情報とを送信する。なお、処理部１１は、患者の所在地の情報を救急病へ送信し、救急車の手配を要請するように構成してもよい。患者の所在地は、患者基本情報に含まれる住所又は健康関連情報の活動情報に含まれる患者の位置情報である。なお、患者の所在地としては現在地を示す当該位置情報が好適である。

実施形態８に係る情報処理装置１によれば、患者の容体が緊急である場合、最寄りの救急病に患者の情報等を提供することができる。

なお、病院情報１２ｃは各病院、緊急病院における当直医の情報を含み、処理部１１は当直医が存在する最寄りの病院に患者の情報等を提供するように構成してもよい。ＶＲ医科総合大学内の救急班（科）（当直医）等が、患者の対応に当たるようにしてもよい。

また病院情報１２ｃは病院及び医師が所在する国を示す国情報、対応可能な言語を示す対応言語情報を含み、患者基本情報も患者の所在国及び使用言語を含むように構成してもよい。処理部１１は、病院の国情報及び対応言語情報と、患者基本情報に含まれる患者の所在国及び使用言語とに基づいて、患者の使用言語に対応可能な病院又は医師に関する情報を当該患者に提供する。
また、処理部１１は、処理部１１は、病院の国情報及び対応言語情報と、患者基本情報に含まれる患者の所在国及び使用言語と、健康関連情報の活動情報に含まれる患者の現在地とに基づいて、患者の使用言語に対応可能であって、患者が通院可能な病院又は医師に関する情報を当該患者に提供するように構成してもよい。更に、処理部１１は、患者の使用言語に対応可能であって、オンライン診療が可能な病院又は医師に関する情報を当該患者に提供するように構成してもよい。この場合、通信不可能であっても患者は、自身の使用言語で対応可能な病院又は医師で診療を受けることができる。
なお、処理部１１が同時通訳機能を有する場合、病院及び医師の対応言語情報、患者の使用言語に拘わらず、診断結果情報及び診療科情報に応じた病院及び医師を患者に提供するように構成してもよい。

更に、サービス提供対象の複数の国（地域）に対応した、複数の情報処理装置１を設置し、複数の情報処理装置１が互いに連携して上記サービスを提供するように構成してもよい。例えば、第１の情報処理装置１は、主に第１国の患者及び医師に関する情報を蓄積及び学習し、第２の情報処理装置１は、主に第２国の患者及び医師に関する情報を蓄積及び学習する。各情報処理装置１は、患者に適した病院又は医師に関する情報を提供する際、他の一又は複数の情報処理装置１の病院情報１２ｃを参照することによって、国を超えて患者に医療サービスを提供することが可能となる。

（実施形態９）
実施形態９に係る情報処理装置１は、総合診療学習モデル１５及び専門医学習モデル１６へのフィードバック方法が実施形態１～８と異なる。情報処理装置１のその他の構成は、実施形態１に係る情報処理装置１と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。

実施形態９に係る記憶部１２は、総合診療学習モデル１５及び専門医学習モデル１６を再学習させるための情報を蓄積するフィードバック情報データベースを記憶する。

図２４は、実施形態９に係るフィードバック情報データベースの一例を示す概念図である。フィードバック情報データベースは、フィードバック情報である医師の診断内容と、総合診療学習モデル１５及び専門医学習モデル１６の診断結果等と、ＡＩ診断に用いた健康関連情報及び医療関係者属性情報と、フィードバック情報である評価情報とを対応付けて記憶する。医師の診断内容及び評価情報は、総合診療学習モデル１５及び専門医学習モデル１６を利用した医師からのフィードバック情報であり、医療関係者は医師端末装置４を介して情報処理装置１へ当該フィードバック情報を送信する。情報処理装置１は、医師端末装置４から送信されたフィードバック情報をフィードバック情報に記録する。

図２４に示す「ＡＩの診断」列は、総合診療学習モデル１５及び専門医学習モデル１６による診断結果情報及び診療科情報を示す情報を格納する。「使用情報」は、当該診断結果情報及び診療科情報を得るために、総合診療学習モデル１５及び専門医学習モデル１６に入力した健康関連情報及び医療関係者属性情報を格納する。「医師の診断」は、総合診療学習モデル１５及び専門医学習モデル１６の診断対象である患者に対する医師の視点からの診断結果と、医師が適切と判断した診療科とを示す情報を格納する。当該診断結果は患者の疾病を示す情報である。「評価」列は、総合診療学習モデル１５及び専門医学習モデル１６から出力された診断結果情報及び診療科情報に対する評価を点数評価した数値を記憶する。点数評価は、診断結果情報に対する点数と、診療科情報に対する点数とを含む。なお、総合評価としての点数を含んでもよい。点数は、例えば１～５点で評価する。点数は大きい程、評価が高いものとする。数字の「５」は一例である。また、「評価」列は、総合診療学習モデル１５及び専門医学習モデル１６から出力される診断結果情報及び診療科情報の内容に関する疑問点及び問題点を表した文字情報を含んでもよい。総合診療学習モデル１５及び専門医学習モデル１６を再学習させる際、技術担当者がこれらの情報を参考にして情報処理装置１を運用することができる。

情報処理装置１は、フィードバック情報データベースに蓄積された情報に基づいて、総合診療学習モデル１５及び専門医学習モデル１６を再学習又は追加学習させる。情報処理装置１は、点数によって重み付けをして、総合診療学習モデル１５及び専門医学習モデル１６を再学習させるとよい。

例えば、処理部１１は、総合診療学習モデル１５が出力した診断結果情報、即ちある疾病分類コードに該当する確度に対する評価が高い場合、出力される当該診断結果情報の確度がより高くなるように、総合診療学習モデル１５の各種パラメータを調整する。逆に、処理部１１は、疾病分類コードに該当する確度に対する評価が低い場合、出力される当該診断結果情報の確度がより低くなるように、総合診療学習モデル１５の各種パラメータを調整する。同様に、処理部１１は、専門医学習モデル１６が出力した診断結果情報、即ちある疾病分類コードに該当する確度に対する評価が高い場合、出力される当該診断結果情報の確度がより高くなるように、専門医学習モデル１６の各種パラメータを調整する。逆に、処理部１１は、疾病分類コードに該当する確度に対する評価が低い場合、出力される当該診断結果情報の確度がより低くなるように、専門医学習モデル１６の各種パラメータを調整する。

また、処理部１１は、総合診療学習モデル１５が出力した診療科情報、即ち患者の診察及び治療に適した診療科の確度に対する評価が高い場合、出力される当該診療科情報の確度がより高くなるように、総合診療学習モデル１５の各種パラメータを調整する。逆に、処理部１１は、診療科情報の確度に対する評価が低い場合、出力される当該診断結果情報の確度がより低くなるように、総合診療学習モデル１５の各種パラメータを調整する。

実施形態９によれば、総合診療学習モデル１５及び専門医学習モデル１６が出力する診断結果情報及び診療科情報の精度を、フィードバック情報を用いて向上させることができる。
なお、上記したフィードバック情報は一例であり、総合診療学習モデル１５又は専門医学習モデル１６から出力される診断結果情報及び診療科情報の正誤又は適否を示す情報であれば、その生成方法、入手方法、再学習タイミングは特に限定されるものではない。

（実施形態１０）
実施形態１０に係る情報処理装置１は、ＣＯＶＩＤ－１９、ＳＡＲＳ、ＭＥＲＳ等のパンデミック感染症、集団食中毒、その他の緊急性を要する所定感染症への対処を支援することができる点が実施形態１～９と異なる。情報処理装置１のその他の構成は、実施形態１～９に係る情報処理装置１と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。以下、一例として所定感染症がＣＯＶＩＤ－１９である場合を説明する。

図２５は、実施形態１０に係るデータベース１２ａに記録される医療関係者属性情報の一例を示す概念図である。実施形態１０に係るデータベース１２ａには、実施形態１と同様の医療関係者属性を記憶している。ただし、実施形態１０に係る医療関係者属性情報は、所定感染症に対処するために必要な知識及び技能の習得状況に関する情報、医療従事可能な地域及び時間帯の情報を含む。例えば、データベース１２ａは、ＰＣＲ検査の知識（座学）を習得しているか否か、ＰＣＲ検査の実技を習得しているか否か、ワクチン接種の知識を習得しているか否か、ワクチン接種の実技を習得しているか否か、ＥＣＭＯ（体外式膜型人工肺）に関する知識を習得しているか否か、ＥＣＭＯの取扱実技を習得しているか否か等を示す情報と、各種知識及び実技を習得した年月日を示す情報と、所定感染症に対処するために医療従事可能な地域を示す情報と、医療従事可能な時間帯を示す情報とを、医療関係者ＩＤに対応付けて記憶するように構成してある。医療従事可能な時間帯は、医療関係者が現在既に勤務している時間帯と、要請に応じて追加的に又は臨時で勤務可能な時間帯を示す情報を含む。要請に応じて勤務可能な時間帯を有する医療関係者は、医療逼迫時に補助要員として医療体制をバックアップすることが可能な人員である。なお、ＰＣＲ検査は一例であり、抗原検査、抗体検査等に必要な知識及び技能の習得状況に関する情報も、医療関係者ＩＤに対応付けて記憶するようにしてもよい。

また、データベース１２ａは、複数の医療関係者それぞれの医用学習コンテンツの視聴履歴を記憶しているが、当該視聴履歴には所定感染症に関連する医用学習コンテンツの視聴履歴が含まれる。医用学習コンテンツには、例えば、ＣＯＶＩＤ－１９のような所定感染症に関連するものとして、ＰＣＲ検査に関するコンテンツ、抗原検査に関するコンテンツ、抗体検査に関するコンテンツ、ワクチン接種に関するコンテンツ、ＥＣＭＯの取り扱いに関するコンテンツ、その他、所定感染症に対処するために必要なコンテンツが含まれる。

図２６は、実施形態１０に係る病院情報１２ｃの一例を示す概念図である。記憶部１２は、実施形態１０に係る病院情報１２ｃとして、複数の病院ＩＤ毎に、パスワード、病院の名称、住所、診療科、医師のプロフィール情報、診療時間、所定感染症への対応可否、確保病床数、病床使用率、所定感染症に関する治療及び各種検査にようする料金、連絡先、病院の端末装置へ情報を送信するための通信用アドレスを対応付けて記憶している。情報処理装置１は、病院情報１２ｃを参照することによって、患者に対する診断結果に適した病院、所定感染症に対応可能な病院を紹介することができる。処理部１１は、定期的に各種医療機関のコンピュータから、所定感染症への対応可否、病床数、病床使用率、料金等の情報を取得し、病院情報１２ｃを更新している。

図２７は、実施形態１０に係る所定感染症に対処するための情報処理手順を示すフローチャート、図２８は、実施形態１０に係る人員表示画像の一例を示す模式図である。処理部１１は、実施形態１～９で説明したような医用学習コンテンツの提供処理に加えて、以下の処理を実行する。処理部１１は、所定感染症が拡大しているか否かを判定する（ステップＳ１０１１）。処理部１１は、外部のコンピュータから所定感染症の感染者数等の情報を取得し、所定感染症の拡大の有無を判定すればよい。また、処理部１１は、患者端末装置２から収集した健康関連情報、医療機関のサーバコンピュータから収集した診療情報等に基づいて、所定感染症の拡大の有無を判定するようにしてもよい。

所定感染症が拡大していないと判定した場合（ステップＳ１０１１：ＮＯ）、処理部１１は処理を終える。所定感染症が拡大していると判定した場合（ステップＳ１０１１：ＹＥＳ）、処理部１１は、所定感染症に関する医用学習コンテンツを医療関係者の端末へ送信する（ステップＳ１０１２）。そして、処理部１１は、医療関係者に対する医用学習コンテンツの提供履歴をデータベース１２ａに記憶する（ステップＳ１０１３）。医用学習コンテンツの提供方法の詳細は実施形態１で説明した通りである。医用学習コンテンツにはＶＲ（仮想）実技も含まれる。医用学習コンテンツの提供先は、医師のみならず、医学生、薬学生、看護学生等の学生、理学療法士、薬剤師等が含まれる。これらの医療関係者に対して、所定感染症に係る研修を実施することができる。
なお、処理部１１は、習得度確認テスト等を実施し、各種技能について認定を行うように構成してもよい。例えば、情報処理装置１は、習得度確認テストを、医療関係者へ提供し、解答を採点し、所定の正答率である場合、所定感染症に対処するための特定の知識を習得したと認定する。

なお、所定感染症に対処するための実技については、医療関係者はリアルな医科大学、総合病院等の医療施設で学習ないし習得する。所定感染症に対処するための実技を学習した医療関係者は、その情報を情報処理装置１へ送信することによって、データベース１２ａに登録することができる。

次いで、処理部１１は、外部から所定感染症に対処するための要員に関する問合せの有無を判定する（ステップＳ１０１４）。情報処理装置１は、外部の端末装置から送信される問合せ情報を受信するように構成してある。具体的には、外部の端末装置は、所定感染症に対処するために必要な医療関係者の人数、勤務地域及び勤務時間に関する情報を情報処理装置１へ送信する。また、端末装置は、必要とする医療関係者が習得している知識及び実技、資格等を具体的に指定することもできる。情報処理装置１の処理部１１は、当該端末装置から送信されたかかる情報を受信する。

所定感染症に対処するための要員に関する問合せがあったと判定した場合（ステップＳ１０１４：ＹＥＳ）、処理部１１は、問合せに係る特定地域（勤務地域）及び勤務時間で従事でき、所定感染症に対処可能な医療関係者の情報をデータベース１２ａから抽出する（ステップＳ１０１５）。具体的な知識及び実技の習得、資格等を要求されている場合、処理部１１は、問合せに係る特定地域（勤務地域）及び勤務時間で従事でき、要求された所定感染症に関する知識及び技能を習得した医療関係者の情報をデータベース１２ａから抽出する。そして、処理部１１は、抽出した医療関係者の情報を問合せ元の端末装置へ送信する（ステップＳ１０１６）。

処理部１１は、ステップＳ１０１６において、図２８に示すように、要請に応じて勤務可能な各地域の医療関係者の人数をグラフで表示した人員表示画像を問合せ元の端末装置へ送信するように構成してもよい。人員表示画像は、日本地図と、要請があれば勤務可能な医療関係者の人数を地域毎（例えば都道府県毎）に表示した棒グラフとを含む地図グラフである。棒グラフは一例であり、補助要員の人数を円の大きさで表示する地図グラフ、補助要員の人数に応じて色分けした地図グラフであってもよい。
地図グラフは、各地域又は各地域のグラフが選択操作された場合、例えばタッチ操作、クリック操作等された場合、当該地域における補助要員の詳細が表示されるように構成してもよい。例えば、東京都が選択操作された、要請に応じて東京都で勤務可能な補助要員の人数、資格を表示するようにするとよい。勤務可能な時間帯、勤務可能地域のより詳細な情報、補助要員の人数を表示するように構成してもよい。

ステップＳ１０１４において要員に関する問合せが無いと判定した場合（ステップＳ１０１４：ＮＯ）、又はステップＳ１０１６の処理を終えた場合、処理部１１は、所定感染症の検査、治療等に関する一般人からの問合せの有無を判定する（ステップＳ１０１７）。具体的には、一般人の端末装置は、所定感染症に係る検査、治療可能等が可能な医療機関の問合せに関する情報を情報処理装置１へ送信する。この際、端末装置は一般人の住所等の位置情報を情報処理装置１へ送信するように構成するとよい。なお、当該一般人の健康関連情報が記憶部１２に記憶されている場合、住所等の情報の送信は不要である。情報処理装置１の処理部１１は、当該端末装置から送信されたかかる情報を受信する。

一般人からの問合せが無いと判定した場合（ステップＳ１０１７：ＮＯ）、処理部１１は処理を終える。一般人からの問合せがあったと判定した場合（ステップＳ１０１７：ＹＥＳ）、処理部１１は、当該一般人の住所をキーにして、当該一般人が受診できる病院を病院情報１２ｃから抽出する（ステップＳ１０１８）。そして、処理部１１は抽出した病院の情報を問合せ元の端末装置へ送信する（ステップＳ１０１９）。病院の情報には、病院の名称、住所、病床数、使用率、料金に関する情報が含まれる。

なお、情報処理装置１は、当該情報処理装置１のユーザの健康関連情報を常時収集しており、収集した情報に基づいて所定感染症が疑われる場合、問合せが無くても、ステップＳ１０１８及びステップＳ１０１９の処理を実行するように構成してもよい。
なお、情報処理装置１は、所定感染症対策に関連する最新情報を常時収集して記憶部１２に蓄積するように構成するとよい。例えば、情報処理装置１は、所定感染症の予防に必要なマスクの取り扱い、手洗い、アルコール消毒の方法、適切なアルコール濃度、３密、空気清浄機又は空気殺菌装置（マイナスイオン空気清浄機、オゾン殺菌可能な空気清浄機、ＯＨラジカルを含む微粒子イオンを放出することができる空気清浄機等）、抗ウィルス効果を有する光触媒、紫外線等による、所定感染症に対する様々な対策に関する情報を記憶部１２に記憶している。そして、情報処理装置１は、ステップＳ１０１９において、所定感染症対策に関する詳細説明の情報を提供するように構成するとよい。なお、当該情報の提供タイミングは特に限定されるものでは無く、情報処理装置１は、任意のタイミングで提供することができ、一般ユーザからの問合せに応じて情報提供を行ってもよいし、自由に情報検索を行うことができるポータルサイトを提供する形態でもよい。また、必要に応じて、保健所、公的機関、その他の組織へ上記情報を提供するように構成してもよい。

実施形態１０によれば、所定感染症に対処するために必要又は有用な情報を提供することができる。具体的には、所定感染症の感染拡大が生じているような医療逼迫時において、所定感染症に対処することができる補助要員を研修し、医療従事者の不足を補い、医療体制をバックアップすることができる。
また、必要に応じて保健所及び公的機関での人員不足をバックアップすることもできる。

なお、本実施形態１０では、主に感染症に対処するための情報処理方法を説明したが、無差別テロ事件、原子力事故によって薬物又は放射能被曝した多数の患者、その他の事故、災害等によって負傷した患者の応急処置及び治療等、緊急性を要する任意の怪我及び疾病に対して本発明を適用することができる。

（実施形態１１）
実施形態１１に係る情報処理装置１は、学習モデルを再学習させるためのフィードバック情報の収集、患者のモニタリングに関する処理が実施形態１～１０と異なる。情報処理装置１のその他の構成は、実施形態１～１０に係る情報処理装置１と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。

情報処理装置１は、実施形態１で説明した通り、ウェアラブル端末３によって、健康関連情報を常時収集している。しかし、自動的に収集できない健康関連情報もある。例えば、実施形態１１で説明した所定感染症に関するＰＣＲ検査の有無、ワクチン接種の有無、所定感染症の罹患の有無、所定感染症に罹患した後の経過、ワクチン接種後の経過等の情報は、必ずしも自動的に適切なタイミングで収集できない。そこで、実施形態１１に係る情報処理装置１は能動的にモニタリング情報を収集する。

図２９は、実施形態１１に係る健康関連情報のモニタリング処理手順を示すフローチャートである。処理部１１は、適宜のタイミングで、モニタリング情報の提供を促す情報を、患者の端末へ送信する（ステップＳ１１１０）。そして、処理部１１は、モニタリング情報の提供を促された患者から提供される情報を収集する処理をステップＳ１１１１～ステップＳ１１２１で実行する。ステップＳ１１１１～ステップＳ１１２１の処理は、実施形態１で説明したステップＳ１１１～ステップＳ１２１と同様であるため、詳細な説明を省略する。かかる処理によって、情報処理装置１は、患者から能動的にモニタリング情報を収集し、モニタリングすることができる。患者をモニタリングすることによって、情報処理装置１は、手術後、退院後、患者の緊急性のある状況等、症状に応じた追跡が可能になる。例えば、ＰＣＲ検査の有無、ワクチン接種の有無、所定感染症の罹患の有無、所定感染症に罹患した後の経過にアナフィラキシーショックが生じていないかどうかを追跡することができる。ＰＣＲ検査後の無症状者、軽症者を追跡することができる。

また、情報処理装置１は、実施形態１で説明した通り、総合診療学習モデル１５及び専門医学習モデル１６による診断結果を医療関係者へ提供し又は医用学習コンテンツを提供した後、総合診療ＡＩ及び専門医ＡＩによる診断結果、特定された診療科及び医用学習コンテンツ等に対する評価を含むフィードバック情報を医療関係者から収集している。
しかし、医療関係者から提供されるフィードバック情報を受動的に収集するのみでは、フィードバック情報を十分に収集することができない。そこで、実施形態１１に係る情報処理装置１は能動的にフィードバック情報を収集する。

図３０は、実施形態１１に係るフィードバック情報の収集及び学習モデルの再学習の処理手順を示すフローチャートである。処理部１１は、総合診療学習モデル１５及び専門医学習モデル１６による診断結果を医療関係者へ提供し又は医用学習コンテンツを提供した後、適宜のタイミングで、フィードバック情報の提供を促す情報を、医師端末装置４へ送信する（ステップＳ１１５０）。そして、処理部１１は、フィードバック情報の提供を促された医療関係者から提供されるフィードバック情報取得し（ステップＳ１１５１）、学習用データセットを生成し（ステップＳ１１５２）、総合診療学習モデル１５及び専門医学習モデル１６を再学習させる（ステップＳ１１５３）。ステップＳ１１５１～ステップＳ１１５３の処理は、実施形態１で説明したステップＳ１５１～ステップＳ１５３と同様であるため、詳細な説明を省略する。

実施形態１１によれば、情報処理装置１は、患者の状態を能動的に追跡することができる。なお、情報処理装置１は、ＰＣＲ検査を受けた患者を追跡し、所定感染症の検査数、検査結果（陽性又は陰性、変異型）、症状（無症状、軽症、中等症、重症）、状況（自宅、ホテル、医療施設）、患者のいる医療機関の医療体制（医師、看護師の過不足）、病床数等をモニタリングするように構成してもよい。患者の状況（位置）はＧＰＳ情報で推定することができる。
また、ワクチン接種後の患者の症状（発熱、副作用、アナフィラキシー、その他）、状況（投与後の感染の有無等）を取得し、総合的かつ一元的な医療サービスネットワークを実現するように情報処理装置１を構成してもよい。その後の感染状況等を把握することで、感染防止及びアナフィラキシー等の副作用等について、迅速な判断及び対応が可能である。
更に、情報処理装置１は、所定感染症に係るワクチンを製造した製薬会社の情報、患者の過去の感染の有無、男女の別、年齢、ワクチン接種後の感染の有無、感染時期、発熱、副作用等の症状、アナフィラキシー等の副作用を追跡ないしモニタリングするように構成してもよい。
更にまた、情報処理装置１は、放射能被曝者、放射能被曝の疑いのある者に対して、症状、様子等を追跡ないしモニタリングするように構成してもよい。
更に、情報処理装置１は、患者の過去のＢＣＢ接種の有無、インフルエンザ感染の有無及び時期、非新型コロナウィルスへの感染歴、生活環境（単身生活であるか否か、家族構成、職場環境等）に関する情報を健康関連情報として収集するように構成してもよい。情報処理装置１は、これらの情報を含む健康関連情報を収集及び解析することによって、所定感染症対策に有用な情報を提供することが可能になる。

また、医療関係者からフィードバック情報を能動的に収集することができ、総合診療学習モデル１５及び専門医学習モデル１６をより効果的に再学習させることができる。

このように、情報処理装置１は、患者又は医療従事者からの情報提供を促すことによって、迅速かつ総合的な情報収集が可能となり、一元的な医療サービスが可能となる。ＧＰＳを活用することにより、患者の位置情報、状況（自宅か、医療施設内か等）を把握することもできる。

なお、本実施形態１１に係る患者のモニタリング処理は、新薬の治験においても利用することができる。
更に、情報処理装置１は、患者の健康状態をモニタリングして健康関連情報を収集することにより、実施形態１１で説明した所定感染症の状況、医療の逼迫状況を把握することができる。情報処理装置１は、モニタリングにより得られた健康関連情報に基づいて、感染状況を分析（解析）し、将来の感染状況を予測（シミュレート）することができ、かかる解析結果及びシミュレーション結果に応じて、緊急事態宣言若しくはロックダウン、又はこれらの解除の判断を行うことができる。また、情報処理装置１は、モニタリングにより得られた健康関連情報に基づいて、最適な検査体制、医療体制の構築に必要な情報を算出及び出力することができ、検査体制及び医療体制をの構築などへの迅速な対応が可能になる。例えば、情報処理装置１は、日本各地における所定感染症の状況、病院の病床数及び使用率、所定感染症に対応できる病院、実施形態１１で説明した補助要員の数等を把握し、補助要員の配置、追加が必要な病床数等を分析することができる。
このように、本実施形態に係る情報処理装置１は、所定感染症対策に有効かつ有益なシステムである。

（実施形態１２）
実施形態１２に係る情報処理装置１は、医用学習コンテンツの内容が実施形態１～実施形態１１と異なる。情報処理装置１のその他の構成は、実施形態１～１１に係る情報処理装置１と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。

実施形態１２に係る情報処理装置１は、医療関係者のうち、特に看護師又は看護師資格を取得しようとする学生に対して、いわゆる特定行為研修制度に関連する医用学習コンテンツを提供するように構成されている。特定行為は、診療の補助であり、看護師が手順書により行う場合には、実践的な理解力、思考力及び判断力並びに高度かつ専門的な知識及び技能が特に必要とされる次の３８行為をいう。
具体的には、情報処理装置１は、経口用気管チューブ又は経鼻用気管チューブの位置の調整、侵襲的陽圧換気の設定の変更、非侵襲的陽圧換気の設定の変更、人工呼吸管理がなされている者に対する鎮静薬の投与量の調整、人工呼吸器からの離脱、気管カニューレの交換、一時的ペースメーカの操作及び管理、一時的ペースメーカリードの抜去、経皮的心肺補助装置の操作及び管理、大動脈内バルーンパンピングからの離脱を行うときの補助の頻度の調整、心嚢ドレーンの抜去、低圧胸腔内持続吸引器の吸引圧の設定及びその変更、胸腔ドレーンの抜去、腹腔ドレーンの抜去（腹腔内に留置された穿刺針の抜針を含む。）、胃ろうカテーテル若しくは腸ろうカテーテル又は胃ろうボタンの交換、膀胱ろうカテーテルの交換、中心静脈カテーテルの抜去、末梢留置型中心静脈注射用カテーテルの挿入、褥瘡又は慢性創傷の治療における血流のない壊死組織の除去、創傷に対する陰圧閉鎖療法、創部ドレーンの抜去、直接動脈穿刺法による採血、橈骨動脈ラインの確保、急性血液浄化療法における血液透析器又は血液透析 濾 過器の操作及び管理、持続点滴中の高カロリー輸液の投与量の調整、脱水症状に対する輸液による補正、感染徴候がある者に対する薬剤の臨時の投与、インスリンの投与量の調整、硬膜外カテーテルによる鎮痛剤の投与及び投与量の調整、持続点滴中のカテコラミンの投与量の調整、持続点滴中のナトリウム、カリウム又はクロールの投与量の調整、持続点滴中の降圧剤の投与量の調整、持続点滴中の糖質輸液又は電解質輸液の投与量の調整、持続点滴中の利尿剤の投与量の調整、抗けいれん剤の臨時の投与、抗精神病薬の臨時の投与、抗不安薬の臨時の投与、抗癌剤その他の薬剤が血管外に漏出したときのステロイド薬の局所注射及び投与量の調整に関する医用学習コンテンツを提供することができる。
なお、情報処理装置１の処理部１１は、上記医用学習コンテンツそれぞれの視聴及び習得の有無を確認し、医療関係者ＩＤに対応付けて記憶部１２に記憶するように構成するとよい。習得の有無については、例えば、情報処理装置１は、習得度確認テストを、医療関係者へ提供し、解答を採点し、所定の正答率である場合、単位を認定するように構成すればよい。情報処理装置１は、上記医用学習コンテンツの履修に係る情報を、特定行為研修制度を利用する外部の任意の機関に送信することによって、特定行為の研修を支援することができる。

実施形態１２によれば、看護師の特定行為研修制度に係る研修を支援することができる。

（実施形態１３）
実施形態１３に係る情報処理装置１は、画像、音声、テキスト等の様々な種類の医療情報を「より詳細」に取得することにより、総合的かつ網羅的により高度な医療サービスネットワーク実現することを目指すものであり、ＤＸ化推進により、診断、検査、治療、手術、学習、医療関係者及び患者からのフィードバック情報、モニタリング情報など、ありとあらゆる医療情報を「一元管理」し、マルチモーダルＡＩ技術を応用することで、より最適な医療サービスが図れるシステムを提供する点が実施形態１～１２と異なる。情報処理装置１のその他の構成は、実施形態１～１２に係る情報処理装置１と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。

図３１は、実施形態１３に係るＶＲ医科大学ＡＩ１３００の構成を示すブロック図、図３２は、実施形態１３に係るＶＲ医科大学ＡＩ１３００への情報入力を示す概念図である。実施形態１３に係るＶＲ医科大学ＡＩ１３００は、診療ＡＩ１３１０、コメディカルＡＩ１３２０、及びヘルスケアＡＩ１３３０を備える。ＶＲ医科大学ＡＩ１３００は、実施形態１で説明した総合診療ＡＩ１５、専門医ＡＩ１６と同様の学習モデルで構成される。コメディカルＡＩ１３２０は、実施形態１で説明した看護師ＡＩ２１、臨床検査技師ＡＩ２２と同様の学習モデルで構成される。ヘルスケアＡＩ１３３０は実施形態１で説明した栄養管理ＡＩ２３、看護師ＡＩ２４と同様の学習モデルで構成される。

診療ＡＩ１３１０、コメディカルＡＩ１３２０、及びヘルスケアＡＩ１３３０には、図３１及び図３２に示すように、医療に関するありとあらゆる画像データ、音声データ、テキストデータ、動画データ、各種医療情報、ありたあらゆる任意の外部ＡＩが出力するデータが入力され、診療ＡＩ１３１０、コメディカルＡＩ１３２０、及びヘルスケアＡＩ１３３０は医療に係る最適解を出力する。画像データ、音声データ、動画データは、任意の医療検査装置により得られるデータである。音声データ及び動画データには、医療関係者が発話した音声のデータ、手技を撮影した動画を含めてもよい。画像及びテキストデータには、論文の情報、新薬の治験情報、講義メモ、スライドデータ等を含めてもよい。
最適解の内容は特に限定されるものでは無く、実施形態１で説明したような患者の健康状態に係る診断結果、最適な診療科、医用学習コンテンツに係る情報はもちろん、患者に適した治療方法、医薬、拡大する所定感染症への対処方法、緊急事態宣言発令及び解除のタイミング等を出力するように構成してもよい。また、ＶＲ医科大学ＡＩ１３００は、吸収及び学習した医療情報を教授できるように構成してもよい。
診療ＡＩ１３１０、コメディカルＡＩ１３２０、及びヘルスケアＡＩ１３３０を学習させるための訓練データは、過去から現在にわたる各種医療情報、カルテ情報、過去に発生したパンデミック、災害、事故に関する情報等を収集及び解析することによって生成することができる。

実施形態１３に係るＶＲ医科大学ＡＩ１３００によれば、ＤＸ化推進により、ありとあらゆる医療情報を「一元管理」することで、最適な医療サービスを提供することができる。

実施形態１～１３に共通する効果であるが、ＶＲ医療、オンライン化、ＤＸ化、あらゆる医療情報の一元管理により、医療機関及び患者共に負荷が低減され、少なからずとも二酸化炭素の排出を削減することができる。つまり、本実施形態１～１３は、環境に優しい取り組みが可能なシステムである。
また、疾病には、言うまでも無く精神疾患等が含まれ、健康関連情報には心身面に関わる情報も当然に含まれている。従って、本実施形態１～１３の情報処理装置１を活用することによって、患者又は健常者の心身面の健康をモニタリングすることもできる。情報処理装置１は、心身面で健康を害している患者について、適切な診療科、医療情報を出力することができ、パワハラ、セクハラ等のあらゆる人権問題の解決にも役立てることができる。例えば、情報処理装置１は、実施形態１～実施形態１２で説明した患者と同様にして従業員の健康状態をモニタリングすることができる。情報処理装置１は、リモートワークを行っている従業員の健康関連情報を収集し、収集された健康関連情報に基づいて、従業員の労働作業状況（動作、体温、血圧、心拍、血中酸素濃度、声色、その他、心身に関連する情報）と、当該従業員の心身の健康状態と、を把握することができ、従業員が行っている作業、上司等の他の従業員から受ける指示、当該他の従業員への報告、対話等のあり方についての研究に役立つ情報を出力することができる。かかる情報を活用して、従業員の勤務環境改善等の対策を講じることで、企業（組織）として、リモートワーク作業の能率向上及び生産性の向上を図ることができる。
以上の通り、本実施形態１～１３のシステムはＥＳＧに適合するシステムである。

１ 情報処理装置
２ 患者端末装置
３ ウェアラブル端末
４ 医師端末装置
１０ 記録媒体
１１ 処理部
１２ 記憶部
１２ａ データベース
１３ 通信部
１４ コンピュータプログラム
１５ 総合診療学習モデル
１６ 専門医学習モデル
１７ 医療関連情報ＤＢ
１８ 医用学習コンテンツＤＢ
１９ 分類テーブル
２０ 学習用データセット
２１ 看護師ＡＩ
２２ 臨床検査技師ＡＩ
２３ 栄養管理師ＡＩ
２４ 介護士ＡＩ
Ｖ１ 仮想医科大学
Ｖ２ コメディカル仮想専門校
Ｖ３ ヘルスケア専門校
ＶＲ 仮想ミーティングルーム

実施形態１１によれば、情報処理装置１は、患者の状態を能動的に追跡することができ
る。なお、情報処理装置１は、ＰＣＲ検査を受けた患者を追跡し、所定感染症の検査数、
検査結果（陽性又は陰性、変異型）、症状（無症状、軽症、中等症、重症）、状況（自宅
、ホテル、医療施設）、患者のいる医療機関の医療体制（医師、看護師の過不足）、病床
数等をモニタリングするように構成してもよい。患者の状況（位置）はＧＰＳ情報で推定
することができる。
また、ワクチン接種後の患者の症状（発熱、副作用、アナフィラキシー、その他）、状
況（投与後の感染の有無等）を取得し、総合的かつ一元的な医療サービスネットワークを
実現するように情報処理装置１を構成してもよい。その後の感染状況等を把握することで
、感染防止及びアナフィラキシー等の副作用等について、迅速な判断及び対応が可能であ
る。
更に、情報処理装置１は、所定感染症に係るワクチンを製造した製薬会社の情報、患者
の過去の感染の有無、男女の別、年齢、ワクチン接種後の感染の有無、感染時期、発熱、
副作用等の症状、アナフィラキシー等の副作用を追跡ないしモニタリングするように構成
してもよい。
更にまた、情報処理装置１は、放射能被曝者、放射能被曝の疑いのある者に対して、症
状、様子等を追跡ないしモニタリングするように構成してもよい。
更に、情報処理装置１は、患者の過去のＢＣＧ接種の有無、インフルエンザ感染の有無
及び時期、非新型コロナウィルスへの感染歴、生活環境（単身生活であるか否か、家族構
成、職場環境等）に関する情報を健康関連情報として収集するように構成してもよい。情
報処理装置１は、これらの情報を含む健康関連情報を収集及び解析することによって、所
定感染症対策に有用な情報を提供することが可能になる。

Claims (20)

1. データベースに記録された患者の健康関連情報を取得し、
   前記健康関連情報が入力された場合、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定するための情報を出力する総合診療学習モデルに、前記データベースから取得した前記健康関連情報を入力することによって、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定する
   情報処理方法。
2. 前記総合診療学習モデルは、
   前記健康関連情報及び医療関係者の属性を示す医療関係者属性情報が入力された場合、前記患者の健康状態及び前記医療関係者に関連する医用学習コンテンツを特定するための情報を出力する学習済みモデルであり、
   前記医療関係者の属性を示す医療関係者属性情報を取得し、
   前記総合診療学習モデルに、前記データベースから取得した前記健康関連情報、及び取得した医療関係者属性情報を入力することによって、前記患者の健康状態及び前記医療関係者に関連する医用学習コンテンツを特定する
   請求項１に記載の情報処理方法。
3. 前記医療関係者の属性は該医療関係者が属する診療科又は専門分野を含み、
   前記医用学習コンテンツは、基礎的内容の学習コンテンツと、診療科又は専門分野に関連付けられた専門的内容の学習コンテンツを含み、
   前記総合診療学習モデルを用いて、前記患者の健康状態及び前記医療関係者の診療科又は専門分野に応じた前記医用学習コンテンツを特定する
   請求項２に記載の情報処理方法。
4. 前記健康関連情報が入力された場合、前記患者の健康状態に係る特定の診療科における診断結果を出力する、診療科毎に異なる複数の専門医学習モデルを用意し、
   前記総合診療学習モデルを用いて特定された診療科の前記専門医学習モデルに、前記データベースから取得した前記健康関連情報を入力することによって、前記患者の健康状態を診断する
   請求項１～請求項３のいずれか１項に記載の情報処理方法。
5. 前記専門医学習モデルは、
   前記健康関連情報が入力された場合、更に前記患者の健康状態に関連する特定の診療科における医用学習コンテンツを特定するための情報を出力する学習済みモデルであり、
   前記総合診療学習モデルを用いて特定された診療科の前記専門医学習モデルに、前記データベースから取得した前記健康関連情報を入力することによって、前記患者の健康状態に関連する医用学習コンテンツを特定する
   請求項４に記載の情報処理方法。
6. 前記専門医学習モデルは、
   前記健康関連情報、及び医療関係者の属性を示す医療関係者属性情報が入力された場合、前記患者の健康状態及び前記医療関係者に関連する医用学習コンテンツを特定するための情報を出力する学習済みモデルであり、
   前記医療関係者の属性を示す医療関係者属性情報を取得し、
   前記専門医学習モデルに、前記データベースから取得した前記健康関連情報、取得した医療関係者属性情報を入力することによって、前記患者の健康状態及び前記医療関係者に関連する医用学習コンテンツを特定する
   請求項５に記載の情報処理方法。
7. 前記医療関係者の属性は該医療関係者が属する診療科又は専門分野を含み、
   前記医用学習コンテンツは、基礎的内容の学習コンテンツと、診療科又は専門分野に関連付けられた専門的内容の学習コンテンツを含み、
   前記専門医学習モデルを用いて、前記患者の健康状態及び前記医療関係者の診療科又は専門分野に応じた前記医用学習コンテンツを特定する
   請求項６に記載の情報処理方法。
8. 特定された診療科又は医用学習コンテンツに対する評価を含むフィードバック情報を取得し、
   取得したフィードバック情報に基づいて、前記総合診療学習モデルを再学習させる
   請求項１～請求項７のいずれか１項に記載の情報処理方法。
9. フィードバック情報の提供を促す情報を出力する
   請求項８に記載の情報処理方法。
10. 健康関連情報の提供を促す情報を出力し、
    患者から提供される健康関連情報を取得して前記データベースに記録する
    請求項１～請求項９のいずれか１項に記載の情報処理方法。
11. 前記健康関連情報は、
    病院から提供される前記患者の過去の診療情報、前記患者の活動状態を測定するウェアラブル端末によって検出された情報、前記患者の活動情報、前記患者の体組成情報、前記患者の体質情報、既往歴、医薬の服用歴、医薬に対する副作用情報、前記患者の体調情報、前記患者の生活習慣情報、認知機能テスト結果情報、又は感染症関連情報を含む
    請求項１～請求項１０のいずれか１項に記載の情報処理方法。
12. 前記医用学習コンテンツはｅラーニングコンテンツを含む
    請求項１～請求項１１のいずれか１項に記載の情報処理方法。
13. 前記医用学習コンテンツは仮想実技を含む
    請求項１～請求項１２のいずれか１項に記載の情報処理方法。
14. 特定された前記医用学習コンテンツを医療関係者に提供する
    請求項１～請求項１３のいずれか１項に記載の情報処理方法。
15. 医療関係者に対する前記医用学習コンテンツの提供履歴を記憶し、
    記憶した提供履歴に基づいて、前記医用学習コンテンツの視聴履歴を医療関係者に提供する
    請求項１～請求項１４のいずれか１項に記載の情報処理方法。
16. 前記健康関連情報が入力された場合、前記患者の健康状態に関連する特定の診療科における医用学習コンテンツを特定するための情報を出力する専門医学習モデルを用意し、
    前記総合診療学習モデルにより出力された情報により特定される第１医用学習コンテンツに対応する第１動画を医師端末に出力し、
    前記専門医学習モデルにより出力された情報により特定される第２医用学習コンテンツに対応する前記特定の診療科に関する第２動画又は前記特定の診療科に関する仮想実技を選択可能に医師端末に出力する
    請求項１～請求項１５のいずれか１項に記載の情報処理方法。
17. ＰＣＲ検査、ワクチン接種、体外式膜型人工肺に係る情報を含み、感染症に対処するための情報を含む医用学習コンテンツを複数の医療関係者に提供する
    請求項１～請求項１６のいずれか１項に記載の情報処理方法。
18. 医療関係者の識別情報と、該医療関係者が医療従事可能な地域を示す地域情報と、感染症に対処するための情報を含む医用学習コンテンツの視聴履歴とを対応付けて記憶し、
    特定の地域で医療従事可能であり、かつ感染症に対処するための医用学習コンテンツを視聴した医療関係者に関する情報を提供する
    請求項１７に記載の情報処理方法。
19. データベースに記録された患者の健康関連情報を取得する取得部と、
    前記健康関連情報が入力された場合、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定するための情報を出力する総合診療学習モデルと、
    前記データベースから取得した前記健康関連情報を前記総合診療学習モデルに入力することによって、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定する処理を実行する処理部と
    を備える情報処理装置。
20. データベースに記録された患者の健康関連情報を取得し、
    前記健康関連情報が入力された場合、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定するための情報を出力する総合診療学習モデルに、前記データベースから取得した前記健康関連情報を入力することによって、前記患者の健康状態に関連する診療科又は医用学習コンテンツを特定する
    処理をコンピュータに実行させるためのコンピュータプログラム。

Images