JP2022141335A - 情報処理システム - Google Patents
情報処理システム Download PDFInfo
- Publication number
- JP2022141335A JP2022141335A JP2021041579A JP2021041579A JP2022141335A JP 2022141335 A JP2022141335 A JP 2022141335A JP 2021041579 A JP2021041579 A JP 2021041579A JP 2021041579 A JP2021041579 A JP 2021041579A JP 2022141335 A JP2022141335 A JP 2022141335A
- Authority
- JP
- Japan
- Prior art keywords
- processing unit
- data
- patient
- information
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 136
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 208000024891 symptom Diseases 0.000 claims description 34
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000013500 data storage Methods 0.000 description 36
- 201000010099 disease Diseases 0.000 description 32
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 32
- 239000003814 drug Substances 0.000 description 23
- 238000000034 method Methods 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 18
- 229940079593 drug Drugs 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 206010019233 Headaches Diseases 0.000 description 11
- 231100000869 headache Toxicity 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000011282 treatment Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010000097 Abdominal tenderness Diseases 0.000 description 2
- 229940121710 HMGCoA reductase inhibitor Drugs 0.000 description 2
- 208000019695 Migraine disease Diseases 0.000 description 2
- 206010028813 Nausea Diseases 0.000 description 2
- 206010039677 Scintillating scotoma Diseases 0.000 description 2
- 206010039729 Scotoma Diseases 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 206010027599 migraine Diseases 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 230000008693 nausea Effects 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 201000008450 Intracranial aneurysm Diseases 0.000 description 1
- 101100284914 Mus musculus Higd1c gene Proteins 0.000 description 1
- 229960001138 acetylsalicylic acid Drugs 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】医療従事者の診断を支援する情報処理システムを提供することを目的とする。【解決手段】医療従事者を支援する情報処理システムであって,電子カルテのデータおよび/または検査のデータを用いて患者を分類する分類処理部と,処理対象とする患者と,分類処理部で分類したグループとの距離を推定する距離推定処理部と,処理対象とする患者とグループとの関係を表示する表示処理部と,を有する情報処理システムである。【選択図】 図1
Description
本発明は,医療従事者を支援する情報処理システムに関する。
医師や歯科医師などの医療従事者が患者の疾患に対する診断を行う場合,患者から症状などを聴取した問診の結果や,各種の検査の結果などに基づいて行う。また近時,コンピュータ技術の発達に伴い,医療従事者の診断を支援する各種のコンピュータシステムが注目されている。これらの一例として,非特許文献1および非特許文献2がある。
Ubie株式会社,"AI問診ユビー",[online],インターネット<URL:https://intro.dr-ubie.com/>
株式会社プレシジョン,"診療支援システムCurrent Decision Support",[online],インターネット<URL:https://www.cds.ai/docs>
非特許文献1および非特許文献2に記載のコンピュータシステムは,患者に対して所定の問診や質問を行うことで,患者の疾患を推定するものである。
しかし,医療従事者にとって,患者の疾患を推定することの重要性は高くはない。とくに,救急外来では,医師であっても患者の疾患の診断がつかないことも多く,患者の疾患を推定することよりも,その患者を入院させるべきなのか,帰宅させてもよいのか,あるいは,死亡のリスクが高いのか否かといった判断がより重要である。
すなわち,非特許文献1および非特許文献2に記載のように,患者の疾患を推定するコンピュータシステムは複数あるものの,それらは医療従事者,とくに救急外来の医療従事者にとってその業務に用いることができるようなものではなっていない。
本発明者らは,上記課題に鑑み,医療従事者,特に救急外来の医療従事者を支援する情報処理システムを発明した。
第1の発明は,医療従事者を支援する情報処理システムであって,電子カルテのデータおよび/または検査のデータを用いて患者を分類する分類処理部と,処理対象とする患者と,前記分類処理部で分類したグループとの距離を推定する距離推定処理部と,前記処理対象とする患者と前記グループとの関係を表示する表示処理部と,を有する情報処理システムである。
本発明のように構成することで,処理対象とする患者とそのグループとの距離が近いかを医療従事者は視認することができ,その結果,当該患者に入院させるべきなのか,帰宅させてもよいのか,あるいは,死亡のリスクが高いのか否かといった判断をすることができる。
上述の発明において,前記分類処理部は,前記グループの緊急度を算出し,前記表示処理部は,前記緊急度に応じた色情報に基づいて,前記グループを表示する,情報処理システムのように構成することができる。
本発明のようにグループの緊急度に応じた色情報によって,医療従事者の視認性を高めることができる。
上述の発明において,前記表示処理部は,前記距離推定処理部で算出した距離に応じた長さで,前記処理対象とする患者と前記グループとを図示化して表示する,情報処理システムのように構成することができる。
本発明のように,医療従事者は,処理対象とする患者と,グループとの近さを距離で表すことで,当該患者とグループとの類似度を容易に認識することができる。
上述の発明において,前記表示処理部は,あらかじめ定めた閾値以下または閾値未満の距離であるグループを表示する,あるいは,あらかじめ定めた閾値以下または未満の個数のグループを表示する,情報処理システムのように構成することができる。
グループの数は,多くなることが考えられる。そのため,本発明のように,構成することで,必要なグループの数に絞って表示をすることができる。
上述の発明において,前記グループとして,症状,バイタル,既往歴,内服歴のいずれか一以上を含む,情報処理システムのように構成することができる。
医療従事者による入院させるべきなのか,帰宅させてもよいのか,あるいは,死亡のリスクが高いのか否かといった判断については,これらの情報,特に症状については判断の影響が高い。そのため,本発明の情報をグループとして用いることが好ましい。
上述の発明において,前記分類処理部は,前記グループにおいて,所定の基準を充足する症状であって,前記患者の電子カルテのデータの症状に含まれる症状を典型的所見として判定し,前記表示処理部は,前記典型的所見を表示する,情報処理システムのように構成することができる。
上述の発明において,前記分類処理部は,前記グループにおいて,前記所定の基準を充足する症状であって,前記患者の電子カルテのデータの症状に含まれない症状を非典型的所見として判定し,前記表示処理部は,前記非典型的所見を表示する,情報処理システムのように構成することができる。
これらの発明のように,典型的所見,非典型的所見を表示することで,グループと当該患者との症状の観点からの合致性を表示することができる。そのため,医療従事者はこれらの情報を視認することで,当該患者を入院させるべきなのか,帰宅させてもよいのか,あるいは,死亡のリスクが高いのか否かといった判断につなげることができる。
第1の発明は,本発明のプログラムをコンピュータに読み込ませて実行することで実現することができる。すなわち,コンピュータを,電子カルテのデータおよび/または検査のデータを用いて患者を分類する分類処理部,処理対象とする患者と,前記分類処理部で分類したグループとの距離を推定する距離推定処理部,前記処理対象とする患者と前記グループとの関係を表示する表示処理部,として機能させる情報処理プログラムのように構成することができる。
本発明の情報処理システムを用いることで,医療従事者,特に救急外来の医療従事者にとって必要な情報が提供され,自らの判断の一助とすることができる。患者の疾患ではなく,今すぐ入院させる必要があるか,帰宅させてもよいのか,あるいは死亡のリスクが高いか否かといった判断をすることについて支援をすることができる。
本発明の情報処理システム1の全体の処理機能の一例を図1のブロック図に示す。また本発明の情報処理システム1を実現するコンピュータのハードウェア構成の一例を図2に示す。なお,以下の説明では医療従事者が医師の場合であることを例に説明するが,歯科医師などの他の医療従事者の場合であっても同様に実現することができる。
本発明の情報処理システム1は,本発明の処理を実行するコンピュータ(スマートフォンやタブレット型コンピュータなどの可搬型通信端末を含む)であり,主に,医療機関や研究機関(大学,研究所など)などで利用されるコンピュータシステムであることが好ましいが,それに限定するものではない。
情報処理システム1で用いるコンピュータは,プログラムの演算処理を実行するCPUなどの演算装置70と,情報を記憶するRAMやハードディスクなどの記憶装置71と,ディスプレイ(画面)などの表示装置72と,キーボードやポインティングデバイス(マウスやテンキーなど)などの入力装置73と,演算装置70の処理結果や記憶装置71に記憶する情報をインターネットやLANなどのネットワークを介して送受信する通信装置74とを有している。コンピュータ上で実現する各機能(各手段)は,その処理を実行する手段(プログラムやモジュールなど)が演算装置70に読み込まれることでその処理が実行される。各機能は,記憶装置71に記憶した情報をその処理において使用する場合には,該当する情報を当該記憶装置71から読み出し,読み出した情報を適宜,演算装置70における処理に用いる。また,図1の情報処理システム1は一台のコンピュータで実現される場合を示したが,複数のコンピュータに,その機能が分散配置されていてもよい。コンピュータには,サーバやパーソナルコンピュータ,ワークステーションなど各種の情報処理装置が含まれる。また,いわゆるクラウド形式であってもよい。
コンピュータがタッチパネルディスプレイを備えている場合には,表示装置72と入力装置73とが一体的に構成されていてもよい。タッチパネルディスプレイは,たとえばタブレット型コンピュータやスマートフォンなどの可搬型通信端末などで利用されることが多いが,それに限定するものではない。タッチパネルディスプレイは,そのディスプレイ上で,直接,所定の入力デバイス(タッチパネル用のペンなど)や指などによって入力を行える点で,表示装置72と入力装置73の機能が一体化した装置である。
本発明における各手段は,その機能が論理的に区別されているのみであって,物理上あるいは事実上は同一の領域を為していてもよい。また,本発明で説明する処理は一例に過ぎず,その処理プロセスを適宜,変更することが可能である。
また,情報処理システム1は,医療機関や研究機関などで利用するほかのコンピュータシステム,たとえば電子カルテシステムなどに搭載され,その一部として実現されていてもよい。
情報処理システム1は,対象データ記憶部20と構造化処理部21と分類処理部22と距離推定処理部23と表示処理部24とを有する。
対象データ記憶部20は,後述する分類処理部22における処理に用いるデータを記憶する。対象データ記憶部20には,たとえば電子カルテデータ記憶部201,検査データ記憶部202などが含まれていてよいが,それらに限定するものではない。
電子カルテデータ記憶部201は,患者の電子カルテのデータを記憶する。好ましくは患者の属性(氏名,年齢,性別などの患者個人のデータ)のほか,バイタルに関するデータ,電子カルテの自由記載欄に関するデータなどを記憶している。バイタルに関するデータとしては,たとえば拡張期血圧,収縮期血圧,体温,脈拍,呼吸数,SpO2(経皮的動脈血酸素飽和度)などが一例としてあげられるが,それらに限定されるものではない。また,患者の属性としては,氏名,年齢,性別などが一例としてあげられる。電子カルテのデータとしては,さらに,たとえばJTAS(Japan Triage and Acuity Scale:緊急度)を記憶していてもよい。
電子カルテの自由記載欄には医療従事者が患者から聞き取った内容が,たとえばテキストデータなどで自由入力される。
また,電子カルテデータ記憶部201には,看護師が記録する看護記録のデータを記憶していてもよい。電子カルテデータ記憶部201には,後述する構造化処理部21において電子カルテの医師の自由記載欄を構造化したデータを,当該患者の電子カルテのデータ,好ましくは自由記載欄のデータに対応づけて記憶していてもよい。
検査データ記憶部202は,患者の各種検査のデータを記憶する。検査データとしては,たとえば血液検査,心電図検査,超音波検査,カテーテル検査,遺伝子検査などの各種の検査結果が含まれる。またレントゲン検査,CT検査,MRI検査などの画像データが記憶されていてもよい。さらに,聴診器で集音した音データ,臓器などの音データが記憶されていてもよい。加えて,遺伝子検査における遺伝子データが記憶されていてもよい。
対象データ記憶部20に記憶されるデータとしては,電子カルテデータ記憶部201に記憶されている医療機関で管理している電子カルテのデータ,検査データ記憶部202のほか,当該医療機関の外部(自治体・企業・公的機関・個人等が利用しているサービスシステムやアプリケーションシステムなど)から取得したデータを記憶していてもよい。たとえば,地域医療連携ネットワークを介して,地域の他の医療機関や自治体,企業などから当該患者の電子カルテのデータや検査データ,健康診査データ,請求データを取得して記憶してもよい。また,医療機関や薬局ごとに記録している個人健康医療介護情報を,他の医療機関や薬局,あるいは患者自身のコンピュータや外部アプリケーションから取得をしてもよい。さらに,救急隊が利用するコンピュータシステムから,救急搬送中の患者のバイタルのデータなどを取得して記憶してもよい。外部のコンピュータからデータを取得する場合には,図示しないデータ取得部を介して対象データ記憶部20に記憶する。
構造化処理部21は,対象データ記憶部20に記憶するデータのうち,構造化されていないデータを構造化する。
たとえば電子カルテデータ記憶部201に記憶する電子カルテに記録されるデータとしては,大別して,「自由記載欄」のデータと「オーダリング」のデータとがある。「自由記載欄」のデータとは,医師が患者を診察した際のデータであって,一般的には患者から聴取した主訴,現病歴,既往歴,内服薬などのほか,臨床疾患,所見,経過などのデータが含まれる。主訴とは患者による症状の訴えであり,現病歴とは,主訴がいつからどのように始まり,どのような経過をとってきたのか,などを示すデータであり,主訴に付随するデータである。既往歴とは患者の過去の病歴であり,内服薬は患者が日頃から服用している薬剤を示すデータである。また臨床疾患とは,医師が患者の病状に対して最適と想起して自由記載欄に記録した病名または患者の病名を正確に反映した病名である。所見とは,患者を診療した医師による見解を示すデータであり,経過とは患者に対してどのような実施処置や処方をしたかを示すデータである。
電子カルテに記録される「オーダリング」のデータとは,保険疾患,医師が看護師や薬剤師などに対して行う,患者に対する処置や検査,処方する薬剤などの指示内容のデータであり,いわゆるレセプトのデータと同じ意義を有するデータである。この患者に対する処置や検査が実施処置であり,処方する薬剤のデータが実施処方である。そして保険疾患とは,保険診療を行うために,患者に対して便宜的に付した疾患である。保険疾患は,必ずしも臨床疾患とは一致しておらず,かけ離れていることも多い。そのため,保険疾患だけからではその患者の実際の疾患(臨床疾患)は,医師であっても正確に特定できないことが多い。
電子カルテには臨床的に重要な情報を含む「自由記載欄」のデータと,保険請求の観点から重要な「オーダリング」のデータとがあるが,「自由記載欄」のデータは医師の自由入力によって記録されるため,そのデータは構造化されていない。たとえばテキスト入力によって,自由な文章などが自由な表現形態などによって入力される。
構造化処理部21は,対象データ記憶部20に記憶するデータ,たとえば電子カルテの「自由記載欄」に記録されたテキストデータについて,係り受け解析,文脈解析などの自然言語解析処理や,辞書情報(図示せず)などを参照して,自由入力されたテキストデータを構造化し,構造化データとする。構造化データは,当該患者の電子カルテの自由記載欄に対応づけて電子カルテデータ記憶部201に記憶させてもよい。構造化処理部21におけるテキストデータの構造化処理にはさまざまな技術を用いることができ,その限定はない。
また構造化処理部21は,辞書情報を参照して,表記揺らぎ処理を実行してもよい。表記揺らぎ処理とは,同一の事象に対して複数の表記がある場合,それを標準的な表記に統一する処理である。
自然言語解析処理に用いるコンピュータシステムとしては,たとえばマイクロソフト社が提供するMircosoft AzureのLUIS(Language Understanding)を用いることができるが,それに限定するものではない。
テキストデータの構造化とは,自由入力されたテキストデータに基づいて,あらかじめ定められた情報種別ごとにその内容を標準化された形にすることである。たとえばテーブル形式で保持される。テキストデータを構造化する一つの処理としては,次のような処理がある。
電子カルテデータ記憶部201の電子カルテの「自由記載欄」に記録されたテキストデータに基づいて,文,文節,段落などの所定のテキストデータの単位に付与されたタグを,辞書情報の参照や,文脈解析などの自然言語解析処理を用いて,標準化タグ付きのテキストデータ(情報種別ごとのテキストデータの分類)に分割をする。それぞれの情報種別で抽出すべき対象データが,医学用語の辞書を記憶した医学用語辞書で定められているので,それぞれの情報種別のテキストデータにおいて,辞書情報の医学用語辞書を参照して,あらかじめ定められた抽出すべき対象データを抽出する。そして,抽出した対象データの前後所定範囲内,たとえば前後15文字以内に「関連性の高い情報」(以下,「関連データ」という)があるか探索し,ある場合にはそれらを後述する症状や病名に対する陽性陰性表現や付加情報(備考欄)として抽出し,対応づけて構造化データとして標準化したテーブルに格納する。
たとえば,情報種別として「現病歴」,「既往歴」,「内服薬」,「身体所見」,「来院後経過」などがあり,それらに対応する対象データとして,情報種別「現病歴」には「症状」,情報種別「既往歴」には既往歴としての「病名」,情報種別「内服薬」には「薬剤名」,情報種別「来院後経過」には診断名としての「病名」などがある。そして情報種別の対象データごとに,どのような関連データを抽出するかをあらかじめ対応づけて記憶している。なお,関連データについては任意に設定することができ,たとえば上述のLUISを用いて,自動的に,情報種別の対象データごとに,関連データを抽出してもよい。そして,情報種別ごとにテーブルが生成され,このテーブルには,対象データと関連データとが格納される。たとえば情報種別「現病歴」のテーブルには,「症状」とそれに対する陽性陰性表現が対応づけて格納される。どのような情報種別を設けるか,その情報種別に対して対象データ,関連データをどのように設定するかは,任意に設定することができるが,一般的な医師,看護師の記録ではある程度統一された情報種別セットが存在する。
構造化処理部21において以上のような処理を行うことで,自由記載欄などに入力されたテキストデータについて,構造化することができる。なお,自由記載欄を構造化する処理については上述の処理に限定するものではない。
構造化処理部21は,電子カルテデータ記憶部201の電子カルテの「自由記載欄」のテキストデータにおいて,辞書情報における医学用語辞書の医学用語の参照,辞書情報のタグパターンの辞書に記憶する情報種別を示すタグの参照,「自由記載欄」に入力されたテキストデータに対する文脈解析などの自然言語解析処理によって情報種別があることを検出すると,その情報種別に対応するテーブル,たとえば情報種別「現病歴」のテーブル,情報種別「既往歴」のテーブル,情報種別「内服薬」のテーブル,情報種別「身体所見」のテーブル,情報種別「来院後経過」のテーブルがすでに生成されているか否かを判定する。そして,検出した情報種別に対応するテーブルが生成されていない場合には,そのテーブルを生成する。また情報種別のテキストデータごとに自然言語解析処理や,辞書情報における医学用語辞書を参照して対象データを抽出し,対象データに基づいて関連データを探索し,抽出する。そして,生成した情報種別のテーブルに対象データと関連データとを振り分けて格納する。
一方,検出した情報種別に対応するテーブルがすでにある場合には,情報種別のテキストデータごとに自然言語解析処理や,辞書情報における医学用語辞書を参照して対象データを抽出し,対象データに基づいて関連データを探索して抽出する。そして,検出した情報種別に対応するテーブルに,抽出した対象データと関連データとを振り分けて格納する。情報種別に対応するテーブルの有無は,情報種別とテーブルとの対応関係をあらかじめ設定しておき,その対応関係に基づいて,テーブルが生成されているか否かを判定することができる。
検出した対象データや関連データについて,辞書情報を参照し,その対象データや関連データが症状名,病名,薬剤名を示す表現の有無を判定し,これらのいずれかである場合には,辞書情報で一致する文字列を特定し,検出した対象データや関連データを,辞書情報であらかじめ定めた標準的な表記や標準的なコードを追加または変更し,その表記を統一する処理を実行してもよい。
たとえば情報種別「現病歴」のテキストデータに対して自然言語解析処理技術を用いて対象データとして「頭が痛い」を検出した場合,辞書情報を参照し,標準的な症状名として「頭痛」に変更するとともに,その陽性陰性表現として「+」であることを判定し,情報種別「現病歴」のテーブルに「頭痛」,「+」を対応づけて格納する。同様に,情報種別「内服薬」のテキストデータに対して自然言語解析処理技術を用いて対象データとして「アスピリン」,「スタチン」を検出した場合,辞書情報を参照し,標準的な薬剤名として「バイアスピリン」,「スタチン」とし,またそれらのコード(薬効分類コード)を追加して,情報種別「内服薬」のテーブルに対応づけて格納する。
構造化処理部21は,上述のように「自由記載欄」に記録されたテキストデータから抽出した各情報種別における対象データや関連データを標準的な表記に変更し,またコードを追加して,それぞれの情報種別のテーブルに振り分けて格納する。
たとえば電子カルテの自由記載欄に,図4(a)のようにテキストデータが入力された場合には,構造化処理部21は,情報種別を示すタグとして「S:」で情報種別「現病歴」を,「内服:」で情報種別「内服薬」を,「O:」で情報種別「身体所見」を,「A/P:」で情報種別「来院後経過」を検出する。また,「心筋梗塞でカテーテル治療後。」のテキストデータに対する文脈解析により,情報種別「既往歴」を検出する。そして検出した情報種別から次の情報種別までの間のテキストデータを,最初に検出した情報種別のテキストデータとして切り出す(物理的に切り出すほか,処理対象として特定する場合も含む)。すなわち,「S:」の検出によって情報種別「現病歴」を検出し,「心筋梗塞でカテーテル治療後。」のテキストデータに対する文脈解析により,情報種別「既往歴」を検出する。そして,情報種別「現病歴」と情報種別「既往歴」との間にあるテキストデータを,情報種別「現病歴」に対応するテキストデータとして分割をする。情報種別ごとにテキストデータを切り出した状態を模式的に示すのが図4(b)である。
なお,情報種別を示すタグについては,上述のほか,たとえば「現病歴」を「♯」で表記をするなど,任意の文字列,記号などを用いてもよい。
分割した情報種別「現病歴」に対応するテキストデータから自然言語解析処理や辞書情報における医学用語辞書を参照して,対象データを抽出する。対象データは情報種別ごとに対応づけられているので,たとえば情報種別「現病歴」における対象データ「症状」を抽出する。この際に,具体的なテキストデータとして「症状」が含まれているか否かではなく,「症状」に相当する医学用語があるかを,辞書情報における医学用語辞書を参照して抽出する。そして抽出した対象データ「症状」から所定範囲内にある陽性陰性表現を抽出する。そして,抽出した「症状」に陽性陰性表現を対応づけてテーブルに格納する。
このように分割した情報種別ごとに対象データを振り分けて,構造化情報としてテーブルに格納することで,図4(c)のように情報種別ごとのテーブルができる。
構造化処理部21における処理は,上述の処理に限定されるのではなく,さまざまな自然言語解析処理によって実現できる。たとえば,中間層が多数の層からなるニューラルネットワークの各層のニューロン間の重み付け係数が最適化された学習モデルを参照して機械学習を実行する深層学習(ディープラーニング)による自然言語解析処理を用いてもよい。この場合,学習モデルに対して,電子カルテデータ記憶部201の電子カルテの「自由記載欄」に記録されたテキストデータを入力し,その出力値として構造化データを出力してもよい。学習モデルとしては,電子カルテの「自由記載欄」のテキストデータを入力値とし,それに対する構造化データを正解データとして与えたものを用いることができる。
また深層学習や機械学習を用いたAI(人工知能)あるいはそれらを用いないAIにより自然言語解析処理を実行してもよい。またSVM(support vector machine)などの機械学習であってもよい。
上述の辞書情報は,症状名,病名,薬剤名などの表記の揺らぎを判定するための表記揺らぎ辞書,否定表現や曖昧表現などのパターンテーブルの辞書,電子カルテや看護記録などの情報処理システム1の目的に応じた,頻出する略語や特異的なタグパターンの辞書(たとえば「主訴:」,「A/P」など),医学用語などの医学用語辞書などを記憶する。医学用語辞書には,対象データとする医学用語,対象データとした医学用語に対応する関連データを抽出する条件や表現,表記を記憶していてもよい。
とくに,構造化処理部21は,辞書情報における医学用語辞書を参照することで,構造化データとする対象データを抽出する。医学用語辞書は,標準的な医学用語を記憶する辞書であり,さらに,その周囲の関連性の高いテキストデータを抽出するので,構造化して抽出されるデータには,たとえば医療機関のスタッフ同士の情報共有目的での患者属性情報などの,明らかに非医学的情報記載が含まれないこととなる。
症状名,病名,薬剤名についての表記揺らぎ辞書としては,たとえば症状名,病名,薬剤名に対する標準表記,コード,表記パターンを記憶する。図5では,病名についての表記揺らぎ辞書の一例を示しており,標準病名,ICDコード(国際標準コード),病名変換コード(国内汎用カルテコード),表記パターンを対応づけて記憶している場合を示している。また,図6では,薬剤名についての表記揺らぎ辞書の一例を示しており,標準薬剤名,一般名,薬効分類コード,表記パターンを対応づけて記憶している場合を示している。
辞書情報は,上記に限定するものではなく,テキストデータに基づいて構造化処理を実行するために必要な辞書を適宜備えればよい。
構造化処理部21で構造化したデータの一例を図7に示す。構造化されたデータは,テーブル形式で記憶されていることが好ましいが,それに限定するものではない。またデータベースで記憶していてもよいし,それ以外の記憶形式であってもよい。図7(a)は標準症状名とその有無を示す構造化データであり,図7(b)は標準化既往歴名とそれに対応する情報(備考)を示す構造化データであり,図7(c)は標準化情報薬名とそれに対応する薬効分類コードを示す構造化データであり,図7(d)は標準化診断名とそれに対応する情報(備考)を示す構造化データである。
なお,上述の構造化処理部21における構造化処理では,情報種別として「主訴」が含まれていないが,情報種別「主訴」が含まれていてもよい。その場合,ほかの情報種別の場合の処理と同様,情報種別「主訴」に対応するタグ,たとえば「#」が設定されており,ほかの情報種別と同様の処理を実行することで,主訴に関するテキストデータを構造化データにすることができる。
分類処理部22は,構造化処理部21で構造化処理されたデータ,電子カルテデータ記憶部201に記憶したデータ,検査データ記憶部202に記憶したデータなどを用いて分類処理,たとえばクラスタリング処理を行うことで,クラスタリング処理の対象とする各患者(好ましくは全患者)をグループに分類する。分類処理部22で用いるクラスタリングにはさまざまな方法を用いることができ,単純連結法,完全連結法,郡平均法,ウォード法などの階層クラスタリング,k-means法,DBSCAN,スペクトラルクラスタリング,混合ガウスモデルなどの非階層クラスタリング,Deep Clusterなどの深層学習を用いたクラスタリングなど,任意の方法で行うことができる。グループは,患者自体のグループ化であって,たとえば似たような属性を有する患者をグループ化する。ここで属性とは,症状,バイタル,既往歴,内服歴など,患者を分類するための情報であればよい。
分類処理部22は,分類したグループについて,重症度の高い疾患が含まれているリスクがどの程度あるかを,あらかじめ定めたアルゴリズムによって計算し,その計算値に基づいて,グループの緊急度を算出する。緊急度の算出は,疾患に紐付いているJTASや厚生労働省の救急搬送における重症度・緊急度などの基準,または既存の緊急度を予測するモデルなどを用いて算出することができる。緊急度は,あらかじめ複数の段階,たとえば3段階に分けられており,各閾値と計算値とを比較することで,緊急度の高い順,たとえば高,中,低などに分類する。
分類処理部22における処理は,任意のタイミングで行われていることがよい。たとえば後述の距離推定処理部23において,処理対象の患者と,グループとの距離を推定する処理の前に実行されていることが好ましい。
また分類処理部22は,当該患者に対する典型的所見,非典型的所見を判定し,表示してもよい。分類処理部22は,各グループにおける,一定頻度以上で見られる症状,画像所見,検査所見,既往歴などと,当該患者の電子カルテデータ記憶部201に記憶された症状,画像所見,検査所見,既往歴などとを比較し,一致するもの(完全に一致しなくても同種の症状,画像所見,検査所見,既往歴などを含めばよい)を典型的所見と判定する。また,各グループにおける,一定頻度以上で見られる症状,画像所見,検査所見,既往歴などと,当該患者の電子カルテデータ記憶部201に記憶された症状,画像所見,検査所見,既往歴などとを比較し,一致しないもの(同種の症状,画像所見,検査所見,既往歴などを含まないもの)を非典型的所見と判定する。そして判定した典型的所見,非典型的所見を表示する。
典型的所見,非典型的所見としては,所見が存在することを示す陽性所見だけではなく,所見が存在しないことを示す陰性所見も含まれる。たとえば,主訴が頭痛の患者が病歴として閃輝暗点を伴わず,頭痛と嘔気があり,既往歴に偏頭痛,身体所見に腹部に圧痛があるとき,偏頭痛を診断に多く含むグループと一致する典型的所見として頭痛と嘔気を判定し,非典型的所見として閃輝暗点がないこと,腹部圧痛を判定する。そしてこれらの典型的所見,非典型的所見を表示する。
距離推定処理部23は,本発明の情報処理システム1を用いて,処理対象の患者,たとえば救急隊によって救急外来に搬送された患者に対して,当該患者の構造化処理されたデータ,電子カルテデータ記憶部201に記憶したデータ,検査データ記憶部202に記憶したデータを用いて,分類処理部22であらかじめ分類されたグループとの距離を推定する。当該患者とグループとの距離は,ユークリッド距離,マハラノビス距離,コサイン距離など任意の算出方法を用いることができる。なお,距離推定処理部23は,分類処理部22で分類したグループ同士の距離を推定してもよい。この場合,グループにおける患者の特徴に基づいて,グループ同士の距離を推定することができる。
表示処理部24は,距離推定処理部23で推定した,処理対象の患者とグループの距離とが近いグループを図示化して,コンピュータの表示装置72に表示させる。なお,多次元データを図示する際には,主成分分析(PCA)やt-SNE,LLE(Locally Linear Embedding)などの次元削減手法を用いてもよい。
表示処理部24は,たとえば処理対象の患者を中心に,距離が近いグループを,相関図として表示する。この場合,グループ同士は,線でつなぎ,その線の長さは,距離推定処理部23で推定した距離に応じた長さとする。また,グループについて,分類処理部22で算出したグループの緊急度に応じた色で表示する。たとえば緊急度が高のグループは赤色,緊急度が中のグループは黄色,緊急度が低のグループは緑色で表示をする。表示処理部24は,あらかじめ定めた閾値以下または未満の距離であるグループを表示する,あるいはあらかじめ定めた閾値以下または未満の個数のグループを表示する。
図8に表示処理部24が表示する表示画面100の一例を示す。表示画面100の電子カルテの自由記載欄101にテキストデータが入力されて,所定の操作,たとえばリターンキーの押下がされる,改行がされるなどの任意のタイミングで,バイタルや属性データの入力欄102にデータが入力されるなどの任意のタイミングで,構造化処理部21における構造化処理が実行される。そして,距離推定処理部23は,当該患者の構造化処理されたデータ,電子カルテデータ記憶部201に記憶したデータ,検査データ記憶部202に記憶したデータを用いて,分類処理部22であらかじめ分類されたグループとの距離を推定する推定処理を実行し,表示処理部24における表示処理が行われることが好ましい。表示処理部24では,当該患者とグループとの関係性を示す図を表示欄103に表示する。また,表示画面100では,患者から所定の閾値以下以下の距離にあるグループのうち所定数以下のグループにおける典型的所見,非典型的所見を表示するように構成してもよい。典型的所見,非典型的所見の表示欄104は,表示欄103の内側に表示されていてもよい。
なお,表示処理部24は,処理対象の患者とグループとを相関図として表示することが好ましいが,それに限定をするものではなく,たとえば表形式,テキスト形式など,ほかの表示形式で表示をしてもよい。
つぎに本発明の情報処理システム1の処理プロセスの一例を図3のフローチャートを用いて説明する。
医師は,所定の操作を行うことで,本発明の情報処理システム1を起動する。そして,患者に対して問診や所定のバイタルデータのチェックなどを行うことで取得したデータを,表示画面100の対応する入力欄101,102に逐次,入力を行う(S100)。
たとえば,バイタルデータとして,表示画面100の入力欄102に,拡張期血圧「144mmHg」,収縮期血圧「77mmHg」,体温「36.6℃」,脈拍「91bpm」,呼吸数「24回」,SpO2「98%」,JTAS「2」,性別「女」,年齢「75才」が入力され,また,電子カルテの自由記載欄101に主訴として「主訴:頭痛」が記載されたとする。なお,「主訴:」は情報種別「主訴」を識別するためのタグであったとする。なお,情報種別を識別するためのタグは,任意のタグを用いることができ,たとえば「#」のような記号であってもよい。
このように入力されたデータは,逐次,電子カルテデータ記憶部201,検査データ記憶部202などに記憶される。なおデータの入力は,検査機器などから自動的に入力されてもよい。また表示画面100の自由記載欄101,入力欄102に対する入力は,音声などによって入力されてもよい。
構造化処理部21は,電子カルテの自由記載欄101に入力されたテキストデータ「主訴:頭痛」に対して構造化処理を実行し(S110),構造化したデータにする。たとえば「主訴」として「頭痛」を構造化したデータとして電子カルテデータ記憶部201に記憶させる。なお,構造化したデータ,情報種別「主訴」に対応づけられた「頭痛」は,電子カルテデータ記憶部201に,逐次,記憶される。
分類処理部22は,クラスタリング処理の対象とする患者,好ましくは全患者の構造化処理されたデータ,電子カルテデータ記憶部201に記憶したデータ,検査データ記憶部202に記憶したデータなどを抽出し(S120),分類処理部22におけるクラスタリング処理を実行して,グループごとに患者を分類する(S130)。また,分類処理部22は,各グループの緊急度を算出する。
つぎに,処理対象とする患者,たとえば救急搬送された患者と各グループとの距離を,距離推定部が推定し(S140),所定の閾値以下または所定の個数以下のグループを,患者を中心に相関図として表示をする(S150)。たとえば,図8の場合,表示画面100の表示欄103に,患者を中心に,グループとの距離が所定の閾値以下のグループである,偏頭痛,群発頭痛,脳梗塞,脳動脈瘤,外傷について,距離の長さに応じて表示している。また,分類処理部22で算出した緊急度が,脳梗塞,脳動脈瘤が高いので赤色で,それ以外は緊急度が低いので緑色で表示をしている。
さらに表示処理部24では,距離が近いグループのうち所定数(図8では3)のグループについて,それぞれのグループにおける典型的所見,非典型的所見を表形式で表示している。
このような表示画面100,特に表示欄103の相関図を医師などの医療従事者が視認することによって,一目で,当該患者に関連性のあるグループを認識することができ,また緊急度の有無も認識することができる。
分類処理部22におけるクラスタリング処理,距離推定処理部23における距離推定処理としては,それらの処理を実行するサーバに各データを入力値として送り,当該サーバにおいて所定のアルゴリズムによる処理を実行させ,その出力値としてグループ,距離,典型的所見,非典型的所見などを出力値として,当該サーバから受け付ける場合も含まれる。受け付けた出力値の一部または全部について,表示処理部24が表示する。
なお,本明細書では,主として疾患が「頭痛」の場合を説明したが,ほかの疾患であっても同様に処理ができることは当然である。
本発明の情報処理システム1を用いることで,医療従事者,特に救急外来の医療従事者にとって必要な情報が提供され,自らの判断の一助とすることができる。患者の疾患ではなく,今すぐ入院させる必要があるか,帰宅させてもよいのか,あるいは死亡のリスクが高いか否かといった判断をすることについて支援をすることができる。
1:情報処理システム
20:対象データ記憶部
21:構造化処理部
22:分類処理部
23:距離推定処理部
24:表示処理部
70:演算装置
71:記憶装置
72:表示装置
73:入力装置
74:通信装置
100:表示画面
101:電子カルテの自由記載欄
102:バイタルデータ,属性データなどの入力欄
103:患者に関連性のあるグループの表示欄
104:典型的所見,非典型的所見の表示欄
201:電子カルテデータ記憶部
202:検査データ記憶部
20:対象データ記憶部
21:構造化処理部
22:分類処理部
23:距離推定処理部
24:表示処理部
70:演算装置
71:記憶装置
72:表示装置
73:入力装置
74:通信装置
100:表示画面
101:電子カルテの自由記載欄
102:バイタルデータ,属性データなどの入力欄
103:患者に関連性のあるグループの表示欄
104:典型的所見,非典型的所見の表示欄
201:電子カルテデータ記憶部
202:検査データ記憶部
Claims (8)
- 医療従事者を支援する情報処理システムであって,
電子カルテのデータおよび/または検査のデータを用いて患者を分類する分類処理部と,
処理対象とする患者と,前記分類処理部で分類したグループとの距離を推定する距離推定処理部と,
前記処理対象とする患者と前記グループとの関係を表示する表示処理部と,
を有することを特徴とする情報処理システム。 - 前記分類処理部は,
前記グループの緊急度を算出し,
前記表示処理部は,
前記緊急度に応じた色情報に基づいて,前記グループを表示する,
ことを特徴とする請求項1に記載の情報処理システム。 - 前記表示処理部は,
前記距離推定処理部で算出した距離に応じた長さで,前記処理対象とする患者と前記グループとを図示化して表示する,
ことを特徴とする請求項1または請求項2に記載の情報処理システム。 - 前記表示処理部は,
あらかじめ定めた閾値以下または閾値未満の距離であるグループを表示する,あるいは,あらかじめ定めた閾値以下または未満の個数のグループを表示する。
ことを特徴とする請求項1から請求項3のいずれかに記載の情報処理システム。 - 前記グループとして,症状,バイタル,既往歴,内服歴のいずれか一以上を含む,
ことを特徴とする情報処理システム。 - 前記分類処理部は,
前記グループにおいて,所定の基準を充足する症状であって,前記患者の電子カルテのデータの症状に含まれる症状を典型的所見として判定し,
前記表示処理部は,
前記典型的所見を表示する,
ことを特徴とする請求項1から請求項5のいずれかに記載の情報処理システム。 - 前記分類処理部は,
前記グループにおいて,前記所定の基準を充足する症状であって,前記患者の電子カルテのデータの症状に含まれない症状を非典型的所見として判定し,
前記表示処理部は,
前記非典型的所見を表示する,
ことを特徴とする請求項1から請求項6のいずれかに記載の情報処理システム。 - コンピュータを,
電子カルテのデータおよび/または検査のデータを用いて患者を分類する分類処理部,
処理対象とする患者と,前記分類処理部で分類したグループとの距離を推定する距離推定処理部,
前記処理対象とする患者と前記グループとの関係を表示する表示処理部,
として機能させることを特徴とする情報処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021041579A JP2022141335A (ja) | 2021-03-15 | 2021-03-15 | 情報処理システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021041579A JP2022141335A (ja) | 2021-03-15 | 2021-03-15 | 情報処理システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022141335A true JP2022141335A (ja) | 2022-09-29 |
Family
ID=83402701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021041579A Pending JP2022141335A (ja) | 2021-03-15 | 2021-03-15 | 情報処理システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022141335A (ja) |
-
2021
- 2021-03-15 JP JP2021041579A patent/JP2022141335A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cabitza et al. | Unintended consequences of machine learning in medicine | |
JP6825389B2 (ja) | ヘルスケア・リスク推定システム及び方法 | |
US10095761B2 (en) | System and method for text extraction and contextual decision support | |
Saeed et al. | Multiparameter Intelligent Monitoring in Intensive Care II: a public-access intensive care unit database | |
RU2686627C1 (ru) | Автоматическое создание ориентированной на показатели продольной области для просмотра показателей пациента | |
AU2019240633A1 (en) | System for automated analysis of clinical text for pharmacovigilance | |
Huddar et al. | Predicting complications in critical care using heterogeneous clinical data | |
Chan et al. | Deep learning algorithms to identify documentation of serious illness conversations during intensive care unit admissions | |
US20110295595A1 (en) | Document processing, template generation and concept library generation method and apparatus | |
Awrahman et al. | A review of the role and challenges of big data in healthcare informatics and analytics | |
Davazdahemami et al. | A deep learning approach for predicting early bounce-backs to the emergency departments | |
Sheeran et al. | A framework for big data technology in health and healthcare | |
JP7315165B2 (ja) | 診断支援システム | |
JP2021189872A (ja) | 情報処理システム | |
Nair et al. | Automated clinical concept-value pair extraction from discharge summary of pituitary adenoma patients | |
Savova et al. | Natural language processing: applications in pediatric research | |
JP2022141335A (ja) | 情報処理システム | |
JP2022074260A (ja) | 診断支援システム | |
Liu et al. | Constructing large scale cohort for clinical study on heart failure with electronic health record in regional healthcare platform: challenges and strategies in data reuse | |
JP2022141322A (ja) | 情報処理システム | |
US11940986B1 (en) | Determining repair status information using unstructured textual repair data in response to natural language queries | |
JP2022180080A (ja) | 情報処理システム | |
Varshini et al. | Extraction of Meaningful Information from Unstructured Clinical Notes Using Web Scraping | |
US20230317291A1 (en) | Clinical Contextual Insight and Decision Support Visualization Tool | |
US20240156415A1 (en) | Diagnosis support system and diagnosis support apparatus |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240222 |