JP2022115607A - 情報処理装置、情報処理方法及びプログラム - Google Patents

Abstract

【課題】施設ごとの患者数を精度よく推定するための技術を提供する。【解決手段】情報処理装置は、命令を記憶するメモリと、１つ以上のプロセッサと、を備える。命令は、１つ以上のプロセッサによって実行された場合に、情報処理装置に、複数の医療施設のそれぞれについて、特定の疾患グループに含まれる複数の疾患のそれぞれの患者数と、複数の疾患の少なくとも１つに関連する複数の薬剤のそれぞれの使用量とを含む訓練データを取得することと、訓練データを使用して機械学習を行うことによって、特定の疾患グループに固有のモデルであって、薬剤の使用量を特徴量とし疾患の患者数を目的変数とするモデルを生成することと、を行わせる。【選択図】図５

Description

本発明は、情報処理装置、情報処理方法及びプログラムに関する。

製薬会社が医療施設に対して営業活動を行う際に、各医療施設における疾患ごとの患者数を把握することが有用である。特許文献１には、薬剤の販売量から対象疾患の患者数を推定する技術が記載されている。

特開２０１８－９２４９０号公報

特許文献１に記載された技術では、複数の施設全体での対象疾患の患者数を推定可能であるものの、施設ごとの患者数を精度よく推定することは困難であった。本発明の１つの側面は、施設ごとの患者数を精度よく推定するための技術を提供することを目的とする。

一部の実施形態では、情報処理装置であって、命令を記憶するメモリと、１つ以上のプロセッサと、を備え、前記命令は、前記１つ以上のプロセッサによって実行された場合に、前記情報処理装置に、複数の医療施設のそれぞれについて、特定の疾患グループに含まれる複数の疾患のそれぞれの患者数と、前記複数の疾患の少なくとも１つに関連する複数の薬剤のそれぞれの使用量とを含む訓練データを取得することと、前記訓練データを使用して機械学習を行うことによって、前記特定の疾患グループに固有のモデルであって、薬剤の使用量を特徴量とし疾患の患者数を目的変数とするモデルを生成することと、を行わせる、情報処理装置が提供される。

上記手段により、施設ごとの患者数を精度よく推定できる。

一部の実施形態に係る情報処理装置の構成例を説明するブロック図。 一部の実施形態の学習フェーズのための機能例を説明するブロック図。 一部の実施形態の推定フェーズのための機能例を説明するブロック図。 一部の実施形態で使用されるデータの例を説明する図。 一部の実施形態で使用されるモデルの例を説明する図。 一部の実施形態で使用されるモデルの例を説明する図。 一部の実施形態の学習フェーズを説明するフローチャート。 一部の実施形態の推定フェーズを説明するフローチャート。 第１変形例のモデルを説明する図。 第２変形例のスペシャルモデルの例を説明する図。 第２変形例の推定フェーズを説明する図。

以下、添付図面を参照して実施形態を詳しく説明する。なお、以下の実施形態は特許請求の範囲に係る発明を限定するものではなく、また実施形態で説明されている特徴の組み合わせの全てが発明に必須のものとは限らない。実施形態で説明されている複数の特徴のうち二つ以上の特徴は任意に組み合わされてもよい。また、同一若しくは同様の構成には同一の参照番号を付し、重複した説明は省略する。

図１のブロック図を参照して、本発明の一部の実施形態に係る情報処理装置１００のハードウェア構成について説明する。情報処理装置１００は、特定の疾患グループに含まれる複数の疾患のそれぞれの患者数を医療施設ごとに推定するためのモデルを作成する機械学習（以下、学習フェーズという）と、当該モデルを使用した患者数の推定（以下、推定フェーズという）との両方を実行可能である。以下の実施形態において、特定の疾患の患者とは、特定の疾患を罹患し、実際に医療施設で治療を受けている（例えば、薬剤を摂取している）人のことである。医療施設とは、人に対して医療行為を提供する施設のことであり、例えば病院、クリニック、診療所などを含む。疾患グループとは、関連する複数の疾患で構成されたグループのことである。

情報処理装置１００は、例えばパーソナルコンピュータやワークステーション、スマートフォン、タブレットデバイスなどの情報処理装置で実現される。情報処理装置１００は、単体の装置で実現されてもよいし、ネットワークを介して相互に接続された複数の装置で実現されてもよい。学習フェーズと推定フェーズとは、同一の情報処理装置１００によって行われてもよいし、別個の情報処理装置１００によって行われてもよい。

情報処理装置１００は、図１に示す各構成要素を有する。プロセッサ１０１は、情報処理装置１００全体の動作を制御する。プロセッサ１０１は、例えばＣＰＵ（Central Processing Unit）や、ＣＰＵとＧＰＵ（Graphics Processing Unit）との組み合わせなどによって実現される。メモリ１０２は、情報処理装置１００の動作に用いられるプログラムや一時データなどを記憶する。メモリ１０２は、例えばＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）などによって実現される。

入力装置１０３は、情報処理装置１００のユーザが情報処理装置１００への入力を行うために用いられ、例えばマウスやキーボードなどによって実現される。出力装置１０４は、情報処理装置１００のユーザが情報処理装置１００からの出力を確認するために用いられ、例えばディスプレイなどの出力装置やスピーカなどの音響装置によって実現される。通信装置１０５は、情報処理装置１００が他の装置と通信する機能を提供し、例えばネットワークカードなどで実現される。他の装置との通信は有線通信であってもよいし、無線通信であってもよい。記憶装置１０６は、情報処理装置１００の処理に使用されるデータを記憶するために用いられ、例えばＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）などによって実現される。

図２のブロック図を参照して、情報処理装置１００が学習フェーズを実行するための機能構成について説明する。情報処理装置１００は、学習フェーズを実行する場合に、図２に示す機能ブロックを有してもよい。

訓練データ生成部２０１は、機械学習で使用される訓練データを生成する。機械学習部２０２は、訓練データ生成部２０１によって生成された訓練データを使用して機械学習を行うことによって、特定の疾患グループに含まれる複数の疾患のそれぞれの患者数を医療施設ごとに推定するモデルを生成する。図２の機能ブロックの動作の詳細については後述する。

図３のブロック図を参照して、情報処理装置１００が推定フェーズを実行するための機能構成について説明する。情報処理装置１００は、推定フェーズを実行する場合に、図３に示す機能ブロックを有してもよい。

疾患グループ選択部３０１は、患者数を推定する対象の疾患グループを選択する。モデル取得部３０２は、疾患グループ選択部３０１によって選択された疾患グループに固有のモデルを取得する。このモデルは、学習フェーズで生成されたものであってもよい。薬剤使用量取得部３０３は、患者数を推定する対象の医療施設における薬剤の使用量を取得する。薬剤の使用は、医療施設における薬剤の投与、医療施設における薬剤の処方、医療施設が発行した処方箋に従う外部施設（例えば、薬局）における薬剤の販売を含むいかなる態様であってもよい。医療施設の付近に位置する外部施設の薬剤の販売量を当該医療施設の薬剤の使用量とみなしてもよい。患者数推定部３０４は、取得したモデルに個別の医療施設の薬剤の使用量を適用することによって、疾患グループに含まれる複数の疾患のそれぞれについて、当該医療施設の患者数を推定する。図３の機能ブロックの動作の詳細については後述する。

図２及び図３の各機能ブロックは、例えばメモリ１０２に記憶されたプログラムに含まれる命令をプロセッサ１０１が実行することによって実現されてもよい。これにかえて、図２及び図３の機能ブロックの少なくとも一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）のような専用集積回路によって実現されてもよい。

図４を参照して、学習フェーズ及び推定フェーズで使用されるデータについて説明する。これらのデータは、記憶装置１０６に記憶されてもいてもよく、情報処理装置１００の各機能ブロックは使用時にこれらのデータを記憶装置１０６から読み出してもよい。これにかえて、これらのデータは、外部の記憶装置に記憶されていてもよく、情報処理装置１００の各機能ブロックは使用時に外部の記憶装置からこれらのデータを受信してもよい。

医療施設データ４００は、個別の医療施設における複数の薬剤のそれぞれの使用量と、当該医療施設における複数の疾患のそれぞれの患者数とを表す。医療施設データ４００は、例えば医療施設への聞き取り調査や、健保レセプトの分析によって生成されてもよい。医療施設データ４００は、医療施設ごとにエントリを有する。

カラム４０１は、医療施設を一意に識別するための識別子を表す。カラム４０２は、個別の医療施設における複数の薬剤のそれぞれの使用量を表す。使用量は、有効成分量、総重量、錠数、薬価などのような、使用量に有意な相関を有する任意の量として表されてもよい。カラム４０３は、各医療施設における複数の疾患のそれぞれの患者数を表す。１人の患者に対して同一種類の薬剤が複数回使用されることがあるため、患者数は典型的には延べ人数である。これにかえて、患者数は実人数で表されてもよい。薬剤の使用量及び患者数は、特定の時間長（例えば、１か月間）における値であってもよい。

医療施設データ４００において、薬剤は、いかなる基準で分類されてもよい。例えば、薬剤は、有効成分によって分類されてもよい。この場合に、例えば有効成分が「メトホルミン」であれば、強度（例えば、５００ｍｇや２５０ｍｇ）によらず同じ薬剤に分類され、先発薬であるか後発薬であるかによらず同じ薬剤に分類される。有効成分が「メトホルミン」以外（例えば、「エタネルセプト」）であれば、別の薬剤に分類される。薬剤は、有効成分及び強度の組み合わせによって分類されてもよい。この場合に、例えば有効成分が「メトホルミン」であり且つ強度が５００ｍｇであれば、先発薬であるか後発薬であるかによらず同じ薬剤に分類される。有効成分が同じ「メトホルミン」であっても、強度が「２５０ｍｇ」であれば、「５００ｍｇのメトホルミン」とは別の薬剤に分類される。薬剤は、有効成分、強度及び先後発の組み合わせによって分類されてもよい。この場合に、例えば有効成分が「メトホルミン」であり且つ強度が５００ｍｇであり且つ先発薬であれば、同じ薬剤に分類される。「５００ｍｇのメトホルミン」であっても、後発薬であれば、先発薬とは別の薬剤に分類される。

疾患は、いかなる粒度で分類されてもよい。例えば、疾患は、ＩＣＤ（the International Statistical Classification of Diseases and Related Health Problems）‐１０コード（例えば、「Ｍ６００」）に従って分類されてもよいし、関連する複数のＩＣＤ‐１０コードを統合した単位（例えば、「関節リウマチ」）に従って分類されてもよい。

適応症データ４１０は、薬剤の有効性が確かめられた疾患（いわゆる適応症）を表す。医療施設データ４００は、例えば製薬会社や行政機関が提供する情報に基づいて生成されてもよい。適応症データ４１０は、薬剤ごとにエントリを有する。

カラム４１１は、薬剤を一意に識別するための識別子を表す。カラム４１２は、各薬剤の適応症を表す。薬剤Ａのように１つの適応症のみを有する薬剤もあれば、薬剤Ｂのように複数の適応症を有する薬剤もある。以下の説明において、１つの適応症のみを有する薬剤を専用薬剤と呼び、複数の適応症を有する薬剤を汎用薬剤と呼ぶこともある。専用薬剤・汎用薬剤の区別は、疾患の粒度によって変わりうる。カラム４１２に示される適応症の粒度は、医療施設データ４００のカラム４０３に示される疾患の粒度と同じである。

薬剤使用量データ４２０は、医療施設における複数の薬剤のそれぞれの使用量を表す。薬剤使用量データ４２０は、例えば医療施設への聞き取り調査や、調剤レセプトの分析、薬品の売上データの分析によって生成されてもよい。薬剤使用量データ４２０は、医療施設ごとにエントリを有する。カラム４２１及びカラム４２２は、カラム４０１及びカラム４０１と同様であるため、説明を省略する。薬剤使用量データ４２０に含まれる医療施設の各疾患の患者数は不明であるとする。そのため、これらの医療施設について、複数の薬剤の使用量に基づいて各疾患の患者数が推定される。

続いて、図５を参照して、学習フェーズによって作成されるモデル５００の一例について説明する。一部の実施形態では、生成されるモデル５００は、線形回帰モデルである。これにかえて、ニューラルネットワークなどの他のモデルが使用されてもよい。モデル５００の特徴量５０１は、薬剤の使用量である。特徴量５０１は、モデル５００への入力データである。複数の薬剤のそれぞれの使用量が特徴量５０１として使用される。モデル５００の目的変数５０３は、疾患の患者数である。モデル５００の目的変数５０３は、モデル５００からの出力データである。複数の疾患のそれぞれの患者数が目的変数５０３として使用される。モデル５００のパラメータ５０２は、特徴量５０１と目的変数５０３との間の関係を規定する係数である。パラメータ５０２は、重みと呼ばれることもある。モデル５００では、複数の特徴量５０１のそれぞれから、複数の目的変数５０３のそれぞれに個別にパラメータ５０２が割り当てられる。機械学習部２０２は、医療施設データ４００を訓練データとして使用して機械学習を行うことによって、モデル５００のパラメータ５０２を決定する。

機械学習部２０２は、疾患グループごとにモデル５００を生成する。そのため、モデル５００は、疾患グループに固有のモデルであるといえる。例えば、疾患Ｘ～疾患Ｚの３つの疾患で１つの特定の疾患グループが構成されるとする。この場合に、疾患Ｘ～Ｚのそれぞれの患者数を目的変数５０３とし、疾患Ｘ～Ｚの少なくとも１つに関連する薬剤Ａ～Ｅのそれぞれの使用量を特徴量５０１とするモデル（図５のモデル５００）が、この特定の疾患グループに固有のモデルとなる。疾患に関連する薬剤とは、例えば図４の適応症データ４１０で表されるような当該疾患を適応症に含む薬剤であってもよい。

図６は、モデル５００を表形式で表した図である。図６のセルが図５の矢印に１対１対応する。例えば、薬剤Ａの使用量と疾患Ｘの患者数との間のパラメータを示すセル６０１は、図５の矢印５０４に対応する。

続いて、図７を参照して、情報処理装置１００が学習フェーズを実行する動作例について説明する。この動作の開始時に、情報処理装置１００が医療施設データ４００及び適応症データ４１０を利用可能であるとする。図７の動作は、情報処理装置１００のユーザからの指示に従って開始されてもよい。

ステップＳ７０１で、訓練データ生成部２０１は、疾患グループを特定するための起点となる薬剤（以下、起点薬剤）を選択する。起点薬剤は、情報処理装置１００のユーザからの指示に従って選択されてもよい。起点薬剤は、医療施設データ４００のカラム４０２で表される薬剤と同じ分類であってもよいし、その上位又は下位の分類であってもよい。

ステップＳ７０２で、訓練データ生成部２０１は、起点薬剤に関連する複数の疾患を含む疾患グループを特定する。例えば、起点薬剤として「ヒュミラ」が選択された場合に、自己免疫疾患に関連する複数の疾患（関節リウマチ、クローン病など）を含む疾患グループが特定される。ここで特定される複数の疾患は、医療施設データ４００のカラム４０３で表される疾患の粒度と同じであってもよい。起点薬剤に関連する複数の疾患とは、適応症データ４１０に表されるような起点薬剤の適応症であってもよい。例えば、医療施設データ４００のカラム４０３で表される疾患のうち、疾患Ｘ～疾患Ｚが特定されたとする。

ステップＳ７０３で、訓練データ生成部２０１は、ステップＳ７０２で特定された複数の疾患の何れかに関連する薬剤を特定する。ここで特定される複数の薬剤は、医療施設データ４００のカラム４０２で表される薬剤の粒度と同じであってもよい。疾患に関連する薬剤とは、適応症データ４１０で表される適応症を有する薬剤であってもよい。疾患Ｘ～疾患Ｚについて、医療施設データ４００のカラム４０２で表される薬剤のうち、薬剤Ａ～薬剤Ｅが特定される。

ステップＳ７０４で、訓練データ生成部２０１は、医療施設データ４００から、ステップＳ７０２で特定された疾患グループに含まれる複数の疾患のそれぞれの患者数と、ステップＳ７０３で特定された複数の薬剤のそれぞれの使用量とを抽出することによって、訓練データを生成する。訓練データにおいて、薬剤の使用量が特徴量となり、疾患の患者数が目的変数となる。

ステップＳ７０５で、機械学習部２０２は、ステップＳ７０４で生成された訓練データを使用して機械学習を行うことによって、モデル５００を作成する。具体的に、機械学習部２０２は、モデル５００のパラメータ５０２を決定する。パラメータ５０２の決定アルゴリズムについては既存のものと同じであってもよいため、詳細な説明を省略する。

上述のステップＳ７０１～Ｓ７０５を実行することによって、１つの疾患グループに固有のモデルが生成される。情報処理装置１００は、別の疾患グループに固有のモデルを生成するために、上述のステップＳ７０１～Ｓ７０５を繰り返し実行してもよい。また、図７の方法では、起点薬剤を使用して疾患グループが特定された。これにかえて、情報処理装置１００のユーザによって、１つの疾患グループを構成する複数の疾患が特定されてもよい。

続いて、図８を参照して、情報処理装置１００が推定フェーズを実行する動作例について説明する。この動作の開始時に、情報処理装置１００がモデル５００及び薬剤使用量データ４２０を利用可能であるとする。図８の動作は、情報処理装置１００のユーザからの指示に従って開始されてもよいし、定期的に（例えば、薬剤使用量データ４２０が更新されるごとに）開始されてもよい。

ステップＳ８０１で、疾患グループ選択部３０１は、推定対象となる疾患を含む疾患グループを選択する。情報処理装置１００のユーザからの指示に従って選択されてもよいし、事前の設定に従って選択されてもよい。疾患グループが複数選択された場合に、それぞれの疾患グループに対して以下のステップＳ８０２～Ｓ８０４が実行される。このステップで選択される疾患グループは、学習フェーズで生成されたモデルの疾患グループに対応する。

ステップＳ８０２で、モデル取得部３０２は、選択された疾患グループに固有のモデルを取得する。モデルは、情報処理装置１００の記憶装置１０６から読み出されてもよいし、情報処理装置１００とは異なる外部の記憶装置から読み出されてもよい。

ステップＳ８０３で、薬剤使用量取得部３０３は、モデルの特徴量として使用される複数の薬剤のそれぞれの使用量を取得する。具体的に、薬剤使用量取得部３０３は、薬剤使用量データ４２０のうち、モデルの特徴量として使用されるカラムを抽出する。この医療施設ごとの薬剤の使用量を表す行列をＭとする。Ｍの各行は医療施設に対応し、Ｍの各列は薬剤の使用量に対応する。

ステップＳ８０４で、患者数推定部３０４は、モデルを使用して医療施設ごと及び疾患ごとの患者数を推定する。モデルを表す行列をＷとする。図６に示すように、Ｗの各行は、薬剤の使用量に対応し、Ｗの各列は患者数に対応する。患者数の推定値は、Ｍ×Ｗによって算出される。Ｍ×Ｗの各行は、医療施設に対応し、Ｍ×Ｗの各列は、患者数に対応する。

上述の実施形態によれば、個別の医療施設における薬剤の使用量の分布に応じて、精度よく患者数を推定可能である。また、医療施設データ４００から、１つの疾患グループに含まれる複数の疾患の患者数と、これらの複数の疾患に関連する薬剤の使用量とを抽出することによって生成された訓練データを使用して機械学習が行われる。そのため、医療施設データ４００全体を訓練データとして機械学習を行う場合と比較して、モデルの精度を向上できる。

＜第１変形例＞
上述の実施形態の変形例について説明する。以下、上述の実施形態との相違点を中心に説明し、説明しない事項については上述の実施形態と同様であってもよい。

上述の実施形態では、特定の疾患グループが疾患Ｘ～Ｚで構成され、これらの疾患に関連する薬剤が薬剤Ａ～Ｅであった。これらの薬剤のうち、一部の薬剤（薬剤Ｂ）は疾患Ｘ～Ｚのすべてに関連し、その他の薬剤は疾患Ｘ～Ｚの一部のみに関連する。この変形例で、機械学習部２０２は、この事前知識を利用して機械学習を行う。

例えば、図９では、モデル５００のパラメータ５０２を示す矢印のうち、個別の薬剤と、複数の疾患のうち当該個別の薬剤に関連しない疾患とを関連付ける矢印を破線で示す。例えば、図４の適応症データ４１０に示すように、薬剤Ａは、疾患Ｘ～疾患Ｚのうち、疾患Ｘのみに関連する。そのため、薬剤Ａから疾患Ｘに向かう矢印のみが実線で示され、薬剤Ａから疾患Ｙ及び疾患Ｚに向かう矢印が破線で示される。機械学習部２０２は、機械学習の際に、破線で示されるペアに関連するパラメータにペナルティを課す。例えば、機械学習部２０２は、これらのパラメータの値を常にゼロにしてもよい。これにかえて、機械学習部２０２は、これらのパラメータに上限を与えてもよい。

このようにペナルティを課すことによって、機械学習の精度をさらに向上できる。

＜第２変形例＞
上述の実施形態の変形例について説明する。以下、上述の実施形態との相違点を中心に説明する。説明されない事項については上述の実施形態と同様であってもよい。上述の実施形態では、推定フェーズにおいて、疾患グループが同一であれば、推定対象の複数の医療施設に対して同一のモデル（例えば、モデル５００）を使用した。この変形例では、このモデルを医療施設ごとに個別に調整した後に患者数を推定する。以下の説明において、モデル５００のように、１つの特定の疾患グループに固有であり、患者数の推定に使用されるモデルをグローバルモデルと呼ぶ。この変形例では、グローバルモデルを調整するためのスペシャルモデルを機械学習によってさらに生成する。図４の適応症データ４１０に示されるように、薬剤は、専用薬剤（例えば、薬剤Ａ、Ｃ、Ｅ、Ｇ）と、汎用薬剤（例えば、薬剤Ｂ、Ｄ）とに分類される。この変形例では、この事前知識を利用してスペシャルモデルを生成する。

学習フェーズにおいて、訓練データ生成部２０１は、図７のステップＳ７０３の後に、１つの特定の疾患グループに含まれる複数の疾患のうちの２つ以上の疾患に関連する１つの汎用薬剤と、この１つの汎用薬剤に関連する２つ以上の疾患の何れか１つのみに関連する１つ以上の専用薬剤とのそれぞれの薬剤の使用量と、この２つ以上の疾患のそれぞれの患者数とを含む訓練データを取得する。この訓練データは、ステップＳ７０４で生成された訓練データの部分集合となる。

例えば、上述の実施形態と同様に、特定の疾患グループが疾患Ｘ～Ｚで構成されるとする。まず、訓練データ生成部２０１は、疾患Ｘ～Ｚのうちの２つ以上の疾患に関連する薬剤Ｂ及びＤのうちの１つの薬剤Ｄを選択する。続いて、訓練データ生成部２０１は、この薬剤Ｄが関連する疾患Ｙ及びＺの何れか１つのみに関連する薬剤Ｃ及びＥを特定する。訓練データ生成部２０１は、医療施設データ４００から、薬剤Ｃ～Ｅ並びに疾患Ｙ及びＺに対応するカラムを抽出することによって、訓練データを取得する。

その後、機械学習部２０２は、この訓練データを使用して機械学習を行うことによって、図１０に示されるような、薬剤Ｃ～Ｅのそれぞれの使用量を特徴量１００１とし、疾患Ｙ及びＺのそれぞれの患者数を目的変数１００３とするモデル１０００を生成する。モデル１０００は、上述のスペシャルモデルである。モデル１０００のパラメータ１００２は、特徴量１００１と目的変数１００３との間の関係を規定する係数である。モデル１０００は線形回帰モデルである。これにかえて、ニューラルネットワークなどの他のモデルが使用されてもよい。モデル１０００は、選択された１つの汎用薬剤（上記の例では、薬剤Ｄ）に対して生成される。そのため、モデル１０００は、１つの汎用薬剤Ｄに固有のモデルであるといえる。機械学習部２０２は、別の汎用薬剤Ｂについても固有のスペシャルモデルを生成できる。

推定フェーズでは、図８のステップＳ８０３とステップＳ８０４との間に、スペシャルモデルを使用することによって、ステップＳ８０２で読み出されたグローバルモデルを調整する。調整方法について、図１１を参照して具体的に説明する。図１１のモデル５００は、上述のように、疾患Ｘ～Ｚで構成された疾患グループに固有のグローバルモデルを表形式で表したものである。モデル５００に対応する行列をＷとする。また、モデル１１００は、汎用薬剤Ｂに固有のスペシャルモデルを表形式で表したものである。モデル１１００に対応する行列をＭとする。モデル１０００は、汎用薬剤Ｄに固有のスペシャルモデルを表形式で表したものである。モデル１０００に対応する行列をＮとする。

患者数推定部３０４は、患者数を推定する１つの医療施設（薬剤使用量データ４２０の１つのエントリ）を選択し、選択された特定の医療施設に関して、モデル１１００の特徴量として使用される複数の薬剤Ａ～Ｃ及びＥのそれぞれの使用量を取得する。具体的に、患者数推定部３０４は、薬剤使用量データ４２０のうち、モデル１１００の特徴量として使用されるカラムを抽出する。この特定の医療施設の薬剤の使用量を表す行ベクトルをＵとする。患者数推定部３０４は、モデル１１００を使用して、この特定の医療施設における汎用薬剤Ｂに関連する疾患Ｘ～Ｚの患者数を推定する。この患者数は、Ｕ×Ｍによって算出される。この推定数を表す列ベクトル１１０１をＰとする（すなわち、Ｐ＝Ｕ×Ｍ）。この列ベクトル１１０１は、１つの特定の医療施設において汎用薬剤Ｂが使用された複数の疾患Ｘ～Ｚの患者数の比率（Ｐｂｘ：Ｐｂｙ：Ｐｂｚ）を表していると考えられる。

そこで、患者数推定部３０４は、モデル５００のうち、汎用薬剤Ｂの行のパラメータの比率が、列ベクトル１１０１の患者数の比率に一致するように、モデル５００の汎用薬剤Ｂの行のパラメータを調整する。例えば、患者数推定部３０４は、汎用薬剤Ｂと疾患Ｘとの間の係数Ｗｂｘを、Ｒｂｘ＝（Ｗｂｘ＋Ｗｂｙ＋Ｗｂｚ）×Ｐｂｘ／（Ｐｂｘ＋Ｐｂｙ＋Ｐｂｚ）に置き換える。同様に、患者数推定部３０４は、モデル５００のＷｂｙ及びＷｂｚをＲｂｙ及びＲｂｚに置き換える。

また、患者数推定部３０４は、選択された特定の医療施設に関して、モデル１０００の特徴量として使用される複数の薬剤Ｃ～Ｅのそれぞれの使用量を取得する。この特定の医療施設の薬剤の使用量を表す行ベクトルをＶとする。患者数推定部３０４は、モデル１０００を使用して、この特定の医療施設における汎用薬剤Ｄに関連する疾患Ｙ及びＺの患者数を推定する。この患者数は、Ｖ×Ｎによって算出される。この推定数を表す列ベクトル１１０２をＱとする。この列ベクトル１１０２は、１つの特定の医療施設において汎用薬剤Ｄが使用された複数の疾患Ｙ及びＺの患者数の比率（Ｑｄｙ：Ｑｄｚ）を表していると考えられる。

そこで、患者数推定部３０４は、モデル５００のうち、汎用薬剤Ｄの行のパラメータの比率が、列ベクトル１１０２の患者数の比率に一致するように、モデル５００の汎用薬剤Ｄの行のパラメータを調整する。例えば、患者数推定部３０４は、汎用薬剤Ｄと疾患Ｙとの間の係数Ｗｄｙを、Ｒｄｙ＝（Ｗｄｙ＋Ｗｄｚ）×Ｑｄｙ／（Ｑｄｙ＋Ｑｄｚ）に置き換える。同様に、患者数推定部３０４は、モデル５００のＷｄｚをＲｄｚに置き換える。

以上のような調整を行うことによって得られたモデルをモデル１１０３とする。列ベクトルＵ及びＶは医療施設ごとに異なるため、モデル１１０３も医療施設ごとに異なる。患者数推定部３０４は、上述のステップＳ８０４において、モデル５００の代わりにモデル１１０３を使用して患者数の推定を行う。

このように汎用薬剤に固有のモデルを使用することによって、患者数の推定の精度をさらに向上できる。

発明は上記の実施形態に制限されるものではなく、発明の要旨の範囲内で、種々の変形・変更が可能である。

１００ 情報処理装置、５００ モデル

Claims (9)

1. 情報処理装置であって、
   命令を記憶するメモリと、
   １つ以上のプロセッサと、を備え、前記命令は、前記１つ以上のプロセッサによって実行された場合に、前記情報処理装置に、
   複数の医療施設のそれぞれについて、特定の疾患グループに含まれる複数の疾患のそれぞれの患者数と、前記複数の疾患の少なくとも１つに関連する複数の薬剤のそれぞれの使用量とを含む訓練データを取得することと、
   前記訓練データを使用して機械学習を行うことによって、前記特定の疾患グループに固有のモデルであって、薬剤の使用量を特徴量とし疾患の患者数を目的変数とするモデルを生成することと、
   を行わせる、情報処理装置。
2. 前記複数の疾患は、特定の薬剤に関連する疾患である、請求項１に記載の情報処理装置。
3. 前記機械学習において、前記複数の薬剤のうちの個別の薬剤と、前記複数の疾患のうちの当該個別の薬剤に関連しない疾患とを関連付けるパラメータに対してペナルティが課される、請求項１又は２に記載の情報処理装置。
4. 前記モデルは第１モデルであり、
   前記命令は、前記１つ以上のプロセッサによって実行された場合に、前記情報処理装置に、
   前記複数の疾患のうちの２つ以上の疾患に関連する１つの汎用薬剤と、前記１つの汎用薬剤に関連する前記２つ以上の疾患の何れか１つのみに関連する１つ以上の専用薬剤とのそれぞれの薬剤の使用量と、前記２つ以上の疾患のそれぞれの患者数とを含む、前記訓練データの部分集合を取得することと、
   前記訓練データの前記部分集合を使用して機械学習を行うことによって、前記１つの汎用薬剤に固有の第２モデルであって、薬剤の使用量を特徴量とし患者数を目的変数とする第２モデルを生成すること、
   をさらに行わせる、請求項１乃至３の何れか１項に記載の情報処理装置。
5. 情報処理装置であって、
   命令を記憶するメモリと、
   １つ以上のプロセッサと、を備え、前記命令は、前記１つ以上のプロセッサによって実行された場合に、前記情報処理装置に、
   特定の疾患グループに固有のモデルであって、薬剤の使用量を特徴量とし疾患の患者数を目的変数とするモデルを取得することと、
   特定の医療施設について、複数の薬剤のそれぞれの使用量を取得することと、
   前記特定の医療施設について取得された薬剤の使用量を前記モデルに適用することによって、前記特定の疾患グループに含まれる複数の疾患のそれぞれについて患者数を推定することと、
   を行わせる、情報処理装置。
6. 前記モデルは第１モデルであり、
   前記命令は、前記１つ以上のプロセッサによって実行された場合に、前記情報処理装置に、
   前記複数の疾患のうちの２つ以上の疾患に関連する１つの汎用薬剤に固有の第２モデルであって、薬剤の使用量を特徴量とし患者数を目的変数とする第２モデルを取得すること、
   前記第２モデルを使用することによって前記第１モデルを調整することと、
   をさらに行わせる、請求項５に記載の情報処理装置。
7. 請求項１乃至６の何れか１項に記載の情報処理装置の前記１つ以上のプロセッサによって実行される前記命令を含むプログラム。
8. 情報処理装置が実行する情報処理方法であって、
   複数の医療施設のそれぞれについて、特定の疾患グループに含まれる複数の疾患のそれぞれの患者数と、前記複数の疾患の少なくとも１つに関連する複数の薬剤のそれぞれの使用量とを含む訓練データを取得することと、
   前記訓練データを使用して機械学習を行うことによって、前記特定の疾患グループに固有のモデルであって、薬剤の使用量を特徴量とし疾患の患者数を目的変数とするモデルを生成することと、
   を有する、情報処理方法。
9. 情報処理装置が実行する情報処理方法であって、
   特定の疾患グループに固有のモデルであって、薬剤の使用量を特徴量とし疾患の患者数を目的変数とするモデルを取得することと、
   特定の医療施設について、複数の薬剤のそれぞれの使用量を取得することと、
   前記特定の医療施設について取得された薬剤の使用量を前記モデルに適用することによって、前記特定の疾患グループに含まれる複数の疾患のそれぞれについて患者数を推定することと、
   を有する、情報処理方法。

Images