JP2023140506A - 情報処理装置、情報処理方法およびプログラム - Google Patents

Abstract

【課題】生体パラメータの予測精度の傾向を把握することが可能な情報処理装置、情報処理方法およびプログラムを提供する。
【解決手段】セントラルモニタ２００は、患者に関する情報および医療従事者に関する情報の少なくとも一方を含む対象者情報と、前記患者の生体パラメータに関する測定情報と、前記医療従事者が予測した前記患者の前記生体パラメータに関する予測情報とを取得する取得部２１１と、前記対象者情報と、前記予測情報および前記測定情報の乖離度との関係を解析する解析部２１５と、前記対象者情報と前記乖離度との関係を表す解析情報を出力する出力部２１６とを含む。
【選択図】図５

Description

本発明は、情報処理装置、情報処理方法およびプログラムに関する。

病院等の医療機関では、たとえば、心拍数等の患者の生体パラメータの経時変化が測定される（特許文献１等）。医師等の医療従事者は、たとえば、この生体パラメータの変化を確認しながら、今後の患者の状態を予測して各患者の治療を行う。

特表２０１７－５０３５６９号公報

生体パラメータの変化の予測精度は、患者の年代および疾患等によって異なり、さらに、医療従事者の診療科および経験年数等によっても異なる。このような予測精度の傾向を把握することにより、医療機関は、各患者により適切な治療を施すことが可能となる。

そこで本発明では、生体パラメータの予測精度の傾向を把握することが可能な情報処理装置、情報処理方法およびプログラムを提供することを目的とする。

本発明の上記課題は、以下の手段によって解決される。

本発明に係る情報処理装置は、患者に関する情報および医療従事者に関する情報の少なくとも一方を含む対象者情報と、前記患者の生体パラメータに関する測定情報と、前記医療従事者が予測した前記患者の前記生体パラメータに関する予測情報とを取得する取得部と、前記対象者情報と、前記予測情報および前記測定情報の乖離度との関係を解析する解析部と、前記対象者情報と前記乖離度との関係を表す解析情報を出力する出力部とを備える。

本発明に係る情報処理装置では、対象者情報と、予測情報および測定情報の乖離度との関係が解析され、解析情報が出力されるので、医療従事者等のユーザーは、患者および医療従事者の少なくとも一方と、乖離度の大きさとの関係を確認することができる。よって、生体パラメータの予測精度の傾向を把握することが可能となる。

本発明の一実施形態に係る情報処理システムの全体構成の一例を表す図である。 図１に示したベッドサイドモニタの構成の一例を表すブロック図である。 図１に示したセントラルモニタの構成の一例を表すブロック図である。 図３に示した表示部に表示される画面の一例を表す図である。 図３に示した制御部の機能の一例を表すブロック図である。 （Ａ）（Ｂ）は、図４に示した出力部から出力される解析情報の一例を表す図である。 図１に示したセントラルモニタの処理の一例を表すフローチャートである。 変形例１に係るセントラルモニタの処理の一例を表すフローチャートである。 （Ａ）（Ｂ）は、図８に示したセントラルモニタから出力される解析情報の一例を表す図である。 変形例２に係る情報処理システムの全体構成の一例を表す図である。 図１０に示した情報処理システムの全体構成の他の例を表す図である。

以下、図面を参照して、本発明の一実施形態に係る情報処理装置および情報処理システムについて詳細に説明する。なお、図面において、同一の要素には同一の符号を付し、重複する説明を省略する。

＜実施形態＞
［情報処理システム１の構成］
図１は、情報処理システム１の概略構成図である。情報処理システム１は、たとえば、ベッドサイドモニタ１００およびセントラルモニタ２００を含んでいる。セントラルモニタ２００およびベッドサイドモニタ１００は、有線または無線のネットワークにより相互に通信可能に接続されている。ネットワークは、たとえばＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）等である。ネットワークの通信規格として、たとえば、イーサネット（登録商標）、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、または５Ｇを利用し得る。たとえば、一のセントラルモニタ２００に、複数のベッドサイドモニタ１００が接続されている。ここでは、セントラルモニタ２００が、本発明の情報処理装置の一具体例に対応する。

（ベッドサイドモニタ１００）
図２は、ベッドサイドモニタ１００のハードウェア構成のブロック図である。ベッドサイドモニタ１００は、たとえば、制御部１１０、記憶部１２０、通信部１３０、センサ１４０、表示部１５０および入力部１６０を含んでいる。これらの構成要素はバスにより相互に接続されている。なお、一部の構成要素は、無線通信によりバスに接続され得る。ベッドサイドモニタ１００は、たとえば、患者のベッドごと、または患者の部屋ごと等に設けられ得る。

制御部１１０は、たとえばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）およびＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）により構成され、ベッドサイドモニタ１００の各構成要素を制御するとともに、各種演算を行う。制御部１１０は、センサ１４０により測定された生体パラメータをセントラルモニタ２００へ通信部１３０により送信する。センサ１４０により測定される生体パラメータは、たとえば、心臓、血圧、呼吸、循環、脳、体温および血液等に関するパラメータであり、具体的には、心拍数（ＨＲ）、動脈血酸素飽和度（ＳｐＯ２）、非観血式血圧（ＮＩＢＰ）、呼吸数（ｒＲＥＳＰ）、観血式血圧（ＡＲＴ）、中心静脈圧（ＣＶＰ）、局所脳酸素飽和度（ｒＳＯ２）、吸入中酸素濃度（ＦｉＯ２）、呼気二酸化炭素分圧（ＲＲ（ＣＯ２））、呼気終末二酸化炭素分圧（ｅｔＣＯ２）、動脈血酸素分圧（ＰａＯ２）、動脈血二酸化炭素分圧（ＰａＣＯ２）、Ｐ／Ｆ比（Ｐ／Ｆ Ｒａｔｉｏ）、酸性度（ＰＨ）、連続心拍出量（ＣＣＯ）および体温等である。

制御部１１０は、センサ１４０により測定された生体パラメータに異常が検出されたとき、当該異常を報知するアラームをセントラルモニタ２００へ通信部１３０により送信してもよい。アラームが報知する異常には、たとえば、測定された生体パラメータの異常、センサ１４０を構成する測定機器（デバイスや素子）を含む装置等の異常、患者に装着されたセンサ１４０が外れた等の装着状態の異常、および電波切れやノイズ混入等の測定環境の異常等が含まれる。

制御部１１０は、センサ１４０により測定された各患者の生体パラメータに関する測定情報をセントラルモニタ２００へ送信する。この測定情報は、たとえば、患者を特定する特定情報と関連付けられている。特定情報には、たとえば患者のベッド番号、患者のＩＤ、およびベッドサイドモニタ１００のＩＰアドレス等が含まれる。

記憶部１２０は、たとえばＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）により構成され、オペレーティングシステムを含む各種プログラムおよび各種データを記憶する。

通信部１３０は、ベッドサイドモニタ１００とセントラルモニタ２００とを通信可能に接続するためのインターフェースである。通信部１３０は、たとえば入力端子、アンテナ、およびフロントエンド回路等により構成され得る。

センサ１４０は、生体パラメータを検出するデバイスまたは素子である。センサ１４０には、たとえば、心電図測定用電極、およびＳｐＯ２プローブ等が含まれる。ベッドサイドモニタ１００は、複数のセンサ１４０を有していてもよい。センサ１４０は、ベッドサイドモニタ１００に着脱可能に構成されていてもよい。

表示部１５０は、センサ１４０により測定された患者の生体パラメータを視覚により認識可能に表示（出力）する。生体パラメータは、たとえば、表示部１５０に数値、波形およびグラフ等により表示される。表示部１５０は、たとえば液晶ディスプレイ等により構成され得る。

入力部１６０は、ユーザーからの各種入力を受け付ける。入力部１６０を介して、たとえば、医師および看護師等の医療従事者がベッドサイドモニタ１００に各種情報を入力する。入力部１６０は、たとえば、操作ボタン、マウス、またはキーボード等により構成されている。表示部１５０および入力部１６０は一体的に構成されていてもよく、たとえば、これらがタッチパネル式のディスプレイ等により構成されていてもよい。

（セントラルモニタ２００）
図３は、セントラルモニタ２００のハードウェア構成のブロック図である。セントラルモニタ２００は、制御部２１０、記憶部２２０、通信部２３０、表示部２４０、および入力部２５０を含む。これらの構成要素はバスにより相互に接続されている。これらの構成要素の基本構成は、ベッドサイドモニタ１００の対応する構成要素の基本構成と同様であるため重複する説明は省略する。セントラルモニタ２００は、たとえば、各ベッドサイドモニタ１００から受信された複数の患者の生体パラメータを集約して表示可能に構成されており、ナースステーション等に配置されている。

制御部２１０は、各ベッドサイドモニタ１００から、センサ１４０により測定された患者の生体パラメータに関する測定情報および患者の特定情報を通信部２３０により受信する。具体的な制御部２１０の機能については、後述する。制御部２１０は、各ベッドサイドモニタ１００から、アラームを受信し、このアラームに関するアラーム情報を表示部２４０等に出力してもよい。

記憶部２２０は、測定情報および特定情報を、受信した時間と対応付けて記憶する。測定情報は、特定情報と対応付けて記憶され得る。また、記憶部２２０は、医師等の医療従事者が予測した患者の生体パラメータに関する予測情報を記憶する。予測情報は、たとえば、入力部２５０により、医療従事者から入力される。医療従事者は、たとえば、現在の患者の状態に基づいて、予測情報を入力する。医療従事者は、センサ１４０により測定された患者の現在の生体パラメータの値を参照して、予測情報を入力してもよい。

図４は、予測情報が表示された画面（画面２４１）の一例を表している。この画面２４１には、医療従事者である医師Ａが患者Ｂの各生体パラメータを予測した予測情報が表示されている。医師Ａは、８月３１日７時にセンサ１４０により測定された患者ＢのＡＲＴ、ＣＶＰ、ＰａＯ２およびＰａＣＯ２の値に基づいて、９月１日７時、９月２日７時および９月３日７時における患者ＢのＡＲＴ、ＣＶＰ、ＰａＯ２およびＰａＣＯ２を各々予測している。即ち、医師Ａは、基準日時である８月３１日７時の２４時間後、４８時間後および７２時間後の患者Ｂの生体パラメータに関する予測情報（予測値）を入力している。たとえば、画面２４１には、この予測情報に対応する日時（以下、予測日時という。）に測定された患者Ｂの生体パラメータに関する測定情報が表示される。図４では、９月１日７時、９月２日７時および９月３日７時に、センサ１４０により測定された患者ＢのＡＲＴ、ＣＶＰ、ＰａＯ２およびＰａＣＯ２の値（実測値）が表示されている。

記憶部２２０には、各患者に関する患者情報が記憶されていてもよい。患者情報は、たとえば、患者の状態および経歴等に関する情報であり、患者の性別、年齢、体形、喫煙歴、基礎疾患、既往歴、身長、体重、入院理由、集中治療室等への入室理由、病名、投薬状況、肺炎の発症状況および手術の実施状況等である。記憶部２２０には、各医療従事者に関する医療従事者情報が記憶されていてもよい。医療従事者情報は、たとえば、医療従事者の状態および経歴等に関する情報であり、医療従事者の診療科および経験年数等である。

通信部２３０は、各ベッドサイドモニタ１００に接続するためのインターフェースである。通信部２３０により、セントラルモニタ２００がさらに他の装置に接続可能に構成されていてもよい。

表示部２４０は、複数のベッドサイドモニタ１００から制御部２１０が受信した各患者の生体パラメータを集約して表示（出力）する。入力部２５０は、医療従事者等のユーザーからの各種入力を受け付ける。医療従事者は、この入力部２５０を介して、各患者の予測情報を入力する。ユーザーは、たとえば、予測情報としてキーボード等から数値を入力してもよく、マウス等を使用してグラフ等の所定の位置または領域を選択してもよい。

図５は、制御部２１０の機能構成の一例を示すブロック図である。セントラルモニタ２００では、たとえば、制御部２１０が記憶部２２０に記憶されたプログラムを読み込んで処理を実行することによって、取得部２１１、分類部２１２、種類指定部２１３、算出部２１４、解析部２１５および出力部２１６として機能する。

取得部２１１は、対象者情報、測定情報および予測情報を取得する。対象者情報は、患者に関する患者情報および医療従事者に関する医療従事者情報の少なくとも一方を含んでいる。患者情報は、センサ１４０により生体パラメータが測定された患者、即ち、測定情報の被測定者（たとえば、図４の患者Ｂ）に関する情報である。医療従事者情報は、この被測定者の所定の日時の測定情報に基づいて、将来の生体パラメータの予測を行った医療従事者、即ち、予測情報の予測者（たとえば、図４の医師Ａ）に関する情報である。対象者情報は、患者情報および医療従事者情報を含んでいることが好ましい。これにより、取得する情報量が増え、より精度の高い解析を行うことが可能となる。

測定情報は、上記のように、センサ１４０により測定された患者の生体パラメータに関する情報であり、たとえば、生体パラメータの測定値（実測値）である（図４参照）。取得部２１１が取得する測定情報は、たとえば、測定日時（または測定時刻）等の情報を含んでいる。この測定情報は、取得部２１１が取得する予測情報の予測日時近傍に測定された生体パラメータに関する情報を含んでいることが好ましい。

予測情報は、上記のように、医療従事者が予測した患者の生体パラメータに関する情報であり、たとえば、生体パラメータの予測値である（図４参照）。取得部２１１が取得する予測情報は、たとえば、基準日時（または基準時刻）等に関する情報を含んでいる。基準日時は、たとえば、入力部２５０により予測情報が入力された日時である。基準日時は、予測の根拠となる患者の生体パラメータの測定日時であってもよい。予測情報は、予測日時に関する情報を含んでいてもよい。予測情報は、患者の将来の状態を表す生体パラメータの指標であればよく、たとえば、臨床のガイドラインの値などの目標値であってもよい。ガイドラインの目標値は、各種学会のガイドラインの値であってもよく、各施設がこの各種学会のガイドラインの値を変更した値であってもよい。

この予測情報は、生体パラメータの経時変化の予測に関する情報を含んでいることが好ましく、たとえば、基準日時から第１の時間後の第１予測情報および第２の時間後の第２予測情報を含んでいることが好ましい。第１の時間は、たとえば２４時間であり、第２の時間は、たとえば７２時間である（図４参照）。このとき、測定情報は、基準日時から第１の時間後に測定された第１測定情報および第２の時間後に測定された第２測定情報を含むことが好ましい。即ち、取得部２１１が取得する測定情報は、第１予測情報および第２予測情報の予測日時に測定された第１測定情報および第２測定情報を含むことが好ましい（図４参照）。これにより、測定情報および予測情報の乖離度の経時変化を確認することが可能となる。予測情報は、さらに、他の予測日時の予測情報を複数含んでいてもよく、測定情報は、さらに、他の日時に測定された測定情報を含んでいてもよい。

取得部２１１は、複数の種類の生体パラメータに関する測定情報および予測情報を取得することが好ましい。これにより、取得する情報量が増え、より精度の高い解析を行うことが可能となる。

取得部２１１は、たとえば、複数の対象者情報、複数の測定情報および複数の予測情報を取得する。対象者情報、測定情報および予測情報は、生体パラメータが測定される患者（たとえば、図４の患者Ｂ）および予測を行う医療従事者（たとえば、図４の医師Ａ）の関係に基づいて、互いに関連付けられている。

分類部２１２は、取得部２１１により取得された対象者情報を複数のカテゴリーに分類する。分類部２１２は、たとえば、複数の対象者情報各々に含まれる患者情報を複数のカテゴリーに分類し、複数の対象者情報各々に含まれる医療従事者情報を複数のカテゴリーに分類する。分類部２１２は、たとえば、患者の性別、年齢、体形、喫煙歴、基礎疾患、既往歴、身長、体重、入院理由、集中治療室等への入室理由、病名、投薬状況、肺炎の発症状況および手術の実施状況等に応じて、患者情報を複数のカテゴリーに分類する。分類部２１２は、たとえば、医療従事者の診療科および経験年数等に応じて、医療従事者情報を複数のカテゴリーに分類する。

分類部２１２は、たとえば、ユーザーからの指示に基づいて、対象者情報を分類するためのカテゴリーを決定する。ユーザーは、たとえば、入力部２５０を介して指示を入力する。これにより、ユーザーは、用途に応じて自在にカテゴリーを決定することができる。カテゴリーは、予め決定されていてもよく、分類部２１２が、統計学または機械学習等を用いて、カテゴリーを決定してもよい。分類部２１２は、対象者情報に含まれる数値または属性等に応じてカテゴリーを決定してもよい。数値は、たとえば、患者の年齢および医療従事者の経験年数等であり、属性は、患者の疾患および医療従事者の診療科等である。

種類指定部２１３は、取得部２１１により取得された測定情報および予測情報について、生体パラメータの種類を指定する。種類指定部２１３は、たとえば、ユーザーからの指示に基づいて、生体パラメータの種類を指定する。ユーザーは、たとえば、入力部２５０を介して指示を入力する。種類指定部２１３により指定された種類の生体パラメータに関する測定情報および予測情報を取得部２１１が取得するようにしてもよい。生体パラメータの種類を指定することにより、よりユーザーの用途に沿った解析を行うことが可能となる。

算出部２１４は、取得部２１１により取得された予測情報および測定情報の乖離度を算出する。乖離度は、医療従事者による患者の生体パラメータの予測精度を表す指標である。乖離度が大きいとき、予測精度が低いことを表し、乖離度が小さいとき、予測精度が高いことを表す。乖離度は、たとえば、予測情報および測定情報の差分である。複数の差分が算出可能であるとき、乖離度は、複数の差分の中央値および平均値等であってもよい。算出部２１４は、たとえば、種類指定部２１３により指定された種類の生体パラメータに関する予測情報および測定情報の乖離度を算出する。

算出部２１４は、たとえば、所定の予測日時の予測情報と、この予測日時に測定された測定情報との乖離度を算出する。たとえば、算出部２１４は、予測日時９月１日７時のＡＲＴの予測値１１０と、９月１日７時に測定されたＡＲＴの測定値１０２との差分（+８）を算出する（図４参照）。上記のように、取得部２１１が第１予測情報および第２予測情報と、第１測定情報および第２測定情報とを取得したとき、算出部２１４は、第１予測情報および第１測定情報の第１乖離度と、第２予測情報および第２測定情報の第２乖離度とを算出する。

算出部２１４は、生体パラメータ毎に正規化して乖離度を算出してもよい。算出部２１４は、各生体パラメータに重みづけを行い、複数種類の生体パラメータの乖離度が考慮された複合乖離度を算出してもよい。この複合乖離度は、たとえば、以下のように算出する。まず、各生体パラメータについてベクトル空間の重みを設定した後、各生体パラメータ軸の単体乖離度を算出し、単体乖離度からベクトル空間上における点を求める。この点から原点までのベクトル長が、複合乖離度として算出される。

セントラルモニタ２００は、算出部２１４により算出された乖離度の大きさが所定の値を超えるときに報知する機能を有してもよい。当該機能は、たとえば、ユーザーの設定によりオン／オフを切り替えられ、このオン／オフは、たとえば、生体パラメータ毎に設定可能に構成されている。これにより、ユーザーは、特に注目したいパラメータのみにアラートを設定することができる。また、少なくとも一つの生体パラメータの乖離度の大きさが所定の値をこえるときに、報知を行うようにしてもよい。このような報知機能より、医療従事者は、予測情報と測定情報との乖離に気が付きやすくなり、早期に治療計画の変更等の対応を行うことができる。報知がなされる乖離度の大きさおよびスレッショルド（閾値）は、たとえば、生体パラメータ毎に設定される。

上記の報知は、たとえば、表示部２４０に注意喚起のメッセージを表示、または、当該乖離度の表示方法（たとえば数値の色を変える、背景色を変える、等）の変更等によりなされてもよい。関係者の端末に注意喚起のメールを送信することにより報知がなされてもよく、あるいは、スピーカー等からアラーム音を発することにより報知がなされてもよい。

解析部２１５は、取得部２１１により取得された対象者情報と、算出部２１４により算出された乖離度との関係を解析する。具体的には、解析部２１５は、対象者情報に含まれる患者情報および医療従事者情報と、乖離度の大きさとの関係を解析する。解析部２１５は、たとえば、分類部２１２により分類された対象者情報のカテゴリー毎に、対象者情報と乖離度との関係を解析する。これにより、患者または医療従事者の各カテゴリーと、予測精度との関係を解析することができる。算出部２１４により、第１乖離度および第２乖離度が算出されたとき、解析部２１５は、対象者情報と第１乖離度との関係を解析するとともに、対象者情報と第２乖離度との関係を解析する。これにより、対象者情報と、短期的な予測および長期的な予測各々の精度との関係を解析することができる。

出力部２１６は、解析部２１５により解析された対象者情報と乖離度との関係を表す解析情報を出力する。出力部２１６は、たとえば、分類部２１２により分類されたカテゴリー毎に、解析情報を出力する。この解析情報を確認することにより、医療従事者等のユーザーは、対象者情報の属するカテゴリー毎に予測精度の高低を把握することが可能となる。解析情報は、たとえば、乖離度の信頼区間に関する情報を含んでいる（たとえば、後述の図６（Ａ））。信頼区間は、たとえば、９５％信頼区間である。解析情報は、乖離度の程度、即ち、予測精度に応じた段階評価に関する情報を含んでいてもよい（たとえば、後述の図６（Ｂ））。

図６（Ａ）（Ｂ）は、出力部２１６により出力される解析情報の一例を示している。図６（Ａ）（Ｂ）では、カテゴリー１の患者の生体パラメータに対するカテゴリー２，３の医療従事者の予測精度が示されている。予測された生体パラメータの種類は、ＡＲＴ、ＣＶＰ、ＰａＯ２およびＰａＣＯ２である。図６（Ａ）では、この生体パラメータについて、基準日時から２４時間後および７２時間後の予測情報および測定情報の乖離度が示されている。図６（Ａ）中、かっこ外の値は、予測情報および測定情報の差分の中央値であり、かっこ内の値は、この差分の９５％信頼区間である。図６（Ｂ）中、評価Ａ，Ｂは、乖離度の程度に応じた段階評価であり、評価Ａの方が評価Ｂよりも乖離度の程度が小さい、即ち、予測精度が高いことを表す。段階評価は、たとえば、５段階でなされる。評価は、たとえば、解離度の中央値および９５％信頼区間に基づいて決定される。

患者のカテゴリー１および医療従事者のカテゴリー２，３は、たとえば、下記である。

（患者のカテゴリー１）
年齢：６５才以上
性別：男性
集中治療室等への入室理由：心臓系の手術後
投薬状況：所定薬剤
基礎疾患：高血圧
（医療従事者のカテゴリー２）
診療科：心臓外科医
経験年数：１０年以上
（医療従事者のカテゴリー３）
診療科：集中治療医
経験年数：１０年以上。

本実施形態のセントラルモニタ２００では、このように対象者情報と乖離度との関係を表す解析情報が出力されるので、医療従事者等のユーザーは、患者および医療従事者の少なくとも一方と、乖離度の大きさとの関係を確認することができる。詳細は後述するが、これにより、生体パラメータの予測精度の傾向を把握することが可能となる。

セントラルモニタ２００は、出力する解析情報において、乖離度が大きいとき、報知を行ってもよい。上記の報知は、たとえば、表示部２４０に注意喚起のメッセージを表示、または、当該乖離度またはカテゴリーの表示方法（たとえば数値の色を変える、背景色を変える、等）の変更等によりなされてもよい。報知がなされる乖離度の大きさおよびスレッショルド（閾値）は、たとえば、生体パラメータ毎に設定される。

［セントラルモニタ２００の処理方法］
次に、図６（Ａ）とともに図７を用いて、セントラルモニタ２００による対象者情報、測定情報および予測情報の解析処理、即ち、セントラルモニタ２００による情報処理方法について説明する。

図７は、セントラルモニタ２００の解析処理を示すフローチャートである。本フローチャートは、セントラルモニタ２００の制御部２１０により、プログラムに従い実行され得る。

まず、制御部２１０は、対象者情報、測定情報および予測情報を取得する（ステップＳ１０１、Ｓ１０２）。制御部２１０は、対象者情報、測定情報および予測情報を同時に取得してもよく、測定情報および予測情報を取得した後に、対象者情報を取得してもよい。

次に、制御部２１０は、生体パラメータの種類の指定を受け付ける（ステップＳ１０３）。たとえば、制御部２１０は、ユーザーから入力部２５０を介して、ＡＲＴ、ＣＶＰ、ＰａＯ２およびＰａＣＯ２の指定を受け付ける（図６（Ａ））。

次に、制御部２１０は、ステップＳ１０３で指定された種類の生体パラメータについて、ステップＳ１０２で取得した測定情報および予測情報の乖離度を算出する（ステップＳ１０４）。制御部２１０は、たとえば、基準日時から２４時間後および７２時間後各々のＡＲＴの予測値から、基準日時から２４時間後および７２時間後各々のＡＲＴの測定値を引き、これらの差分を算出する（図６（Ａ））。この乖離度の大きさが所定の値を超えるとき、制御部２１０は、たとえば、表示部２４０を用いて報知する。

次に、制御部２１０は、複数のカテゴリーを決定し、この複数のカテゴリーに対象者情報を分類する（ステップＳ１０５）。制御部２１０は、たとえば、ユーザーからの入力部２５０を介した指示に基づいて、患者情報を、年齢、性別、集中治療室等への入室理由および投薬状況に応じて分類し、医療従事者情報を、診療科および経験年数に応じて分類する。

次に、制御部２１０は、ステップＳ１０５で分類したカテゴリー毎に、対象者情報と乖離度との関係を解析する（ステップＳ１０６）。乖離度は、ステップＳ１０４で算出されたものを用いる。制御部２１０は、たとえば、カテゴリー毎に乖離度の中央値および９５％信頼区間を求めて解析する（図６（Ａ））。

この後、制御部２１０は、ステップＳ１０６で解析した解析情報を出力し（ステップＳ１０７）、処理を終了する。制御部２１０は、たとえば、図６（Ａ）に示した画面を表示部２４０に表示させることにより、解析情報を出力する。

［セントラルモニタ２００および情報処理システム１の作用効果］
本実施形態のセントラルモニタ２００および情報処理システム１では、このように対象者情報と乖離度との関係を表す解析情報が出力されるので、医療従事者等のユーザーは、患者および医療従事者の少なくとも一方と、乖離度の大きさとの関係を確認することができる。よって、生体パラメータの予測精度の傾向を把握することが可能となる。以下、この作用効果について説明する。

たとえば、７２歳、男性、心臓バイパス手術後の患者、即ち、患者のカテゴリー１に属する患者が集中治療室に入室し、主治医（心臓外科医）と集中治療医との間で、集中治療室からの退室日について意見の相違があったとき、医療従事者等のユーザーは、図６（Ａ）に示した解析情報を利用することができる。たとえば、主治医は、基準日時から２４時間後に患者の集中治療室からの退室を提案し、集中治療医は、基準日時から４８時間以上は、集中治療室で呼吸管理をしながら患者の様子を観察することを提案している。

図６（Ａ）に示した解析情報から、ユーザーは以下のことを確認できる。ＡＲＴの予測については、心臓外科医（カテゴリー２）が低め、集中治療医（カテゴリー３）が高めに予測する傾向があり、予測のばらつき（９５％信頼区間）は心臓外科医の方が小さい。ＣＶＰの予測は、基準日時から２４時間後では、心臓外科医と集中治療医との間に差は見られないものの、基準日時から７２時間後では、心臓外科医の方が乖離度およびばらつきが大きくなる。ＰａＯ２の予測は、心臓外科医および集中治療医ともに、基準日時から２４時間後ではばらつきが大きいが、基準日時から７２時間後では、ばらつきが小さくなる。ここでは、集中治療医の方が、ややばらつきが小さい。ＰａＣＯ２の予測は、基準日時から２４時間後では、心臓外科医の方が集中治療医に比べて、乖離度およびばらつきが大きいが、基準日時から７２時間後では、心臓外科医と集中治療医との間に差は見られない。セントラルモニタ２００は、乖離度の大きさが所定の値を超えるとき、たとえば、表示部２４０を用いて報知する。

このような図６（Ａ）に示した解析情報から、カテゴリー１に属する患者の呼吸状態（たとえば、ＰａＯ２およびＰａＣＯ２）については、心臓外科医よりも集中治療医の方が、予測精度が高くなる傾向が把握できる。また、血圧（ＡＲＴ）については、集中治療医よりも心臓外科医の方が、予測のばらつきが小さい。したがって、ユーザーは、この解析情報を用いることにより、たとえば、呼吸管理については集中治療医の意見を尊重し、血圧管理については主治医（心臓外科医）の意見を尊重するなど、適切な方針を見出しやすくなる。

また、このように患者のカテゴリー毎および医療従事者のカテゴリー毎に予測精度を導くことにより、予測精度の高い患者のカテゴリーおよび医療従事者のカテゴリーを見つけやすくなる。たとえば、この予測精度の高いカテゴリーのデータを教師データとして用いることにより、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）技術を利用した患者の状態の予測にも役立てることが可能となる。

さらに、予測精度の高いカテゴリーに属する医療従事者から、他の医療従事者へと、生体パラメータの変化の着眼点などの教育が可能となり、各医療機関全体の予測精度を効果的に向上させることが可能となる。また予測精度の低いカテゴリーに属するパラメータ（ex. 医療従事者）については、予測精度に関するレポートを自動又は手動で作成することにより、スタッフ教育に役立てることや院内プロトコルの改善に役立てることもできる。また、予測値、実測値、及びその乖離度に関するデータを蓄積し、蓄積したデータを用いて解析アルゴリズムの改良を図り、予測精度を向上することもできる。

また、乖離度の大きくなる傾向のある患者のカテゴリー、つまり、医療従事者による予測が困難な患者のカテゴリーを確認しておくことにより、医療従事者は、患者により適切なケアを行うことが可能となる。たとえば、このようなカテゴリーに属する患者については、より入念に患者の急変に備える、あるいは、経験豊富なスタッフ（例えば看護師）を担当させるなどの対応を行うことができる。特に、集中治療室など、あらゆる疾患および年齢の患者が入室する医療現場では、この解析情報を有効利用することができる。

さらに、乖離度の小さくなる傾向のある患者のカテゴリー、つまり、医療従事者が比較的高い精度で予測可能な患者のカテゴリーを確認しておくことにより、たとえば、医療機関内で適切な人員配置を行うことが可能となる。たとえば、このようなカテゴリーに属する患者については、若手の医師に判断権限を委譲し、より予測が困難なカテゴリーの患者にベテランの医師を割り当てることができる。また、病態等によっては医師から看護師や薬剤師へのタスクの委譲を行っても良い。また、予測が非常に困難なカテゴリーの患者については、看護師についてもベテランを割り当てたり、複数人でのアセスメントを行える体制を整えても良い。

加えて、各医療機関の解析情報を比較することにより、各医療機関での予測精度の偏りを発見しやすくなり、他施設の解析情報を有効に利用することが可能となる。

以上説明したように、セントラルモニタ２００では、対象者情報と乖離度との関係を表す解析情報が出力されるので、医療従事者等のユーザーは、患者および医療従事者の少なくとも一方と、乖離度の大きさとの関係を確認することができる。よって、生体パラメータの予測精度の傾向を把握することが可能となる。

以下、上記実施形態で説明した情報処理システム１の変形例を説明する。なお、以下では、説明の重複を避けるため、上記実施形態で説明した情報処理システム１の各構成と同様の構成については詳細な説明を省略する。

＜変形例１＞
図８は、上記図７で説明した制御部２１０による解析処理の他の例を表すフローチャートである。この制御部２１０は、対象者情報と乖離度との関係を解析した後（ステップＳ２０５）、対象者情報を分類するカテゴリーを決定する（ステップＳ２０６）。この点において、変形例１に係る情報処理システム１は、上記実施形態で説明した情報処理システム１と異なる。

まず、制御部２１０は、上記図７で説明したステップＳ１０１～Ｓ１０４と同様にして、ステップＳ２０１～Ｓ２０４の処理を行い、乖離度を算出する。次に、制御部２１０は、対象者情報と乖離度との関係を解析する（ステップＳ２０５）。

次に、制御部２１０は、ステップＳ２０５で解析された対象者情報と乖離度との関係に基づいて、複数のカテゴリーを決定する（ステップＳ２０６）。換言すれば、分類部２１２は、解析部２１５により解析された対象者情報と乖離度との関係に基づいて、複数のカテゴリーを決定する。分類部２１２は、たとえば、乖離度の大きさと相関を有する対象者情報の特性を見つけ、この特性に応じて複数のカテゴリーを決定する。分類部２１２は、たとえば、機械学習または統計学等を用いて複数のカテゴリーを決定する。

次に、制御部２１０は、ステップＳ２０６で決定した複数のカテゴリーに、複数の対象者情報各々を分類する（ステップＳ２０７）。この後、制御部２１０は、ステップＳ２０５で解析した解析情報をカテゴリー毎に出力して（ステップＳ２０７）処理を終了する。

このようなセントラルモニタ２００を有する情報処理システム１でも、上記実施形態で説明したのと同様に、対象者情報と乖離度との関係を表す解析情報が出力されるので、医療従事者等のユーザーは、患者および医療従事者の少なくとも一方と、乖離度の大きさとの関係を確認することができる。よって、生体パラメータの予測精度の傾向を把握することが可能となる。

図９（Ａ）（Ｂ）は、上記変形例１に係るセントラルモニタ２００により出力された解析情報の一例を示している。図９（Ａ）では、年代および集中治療室への入室理由の異なる各カテゴリーの患者について、予測精度が比較されている。図９（Ｂ）では、集中治療室への入室理由の異なる各カテゴリーの患者について、集中治療医および外科医の予測精度が比較されている。予測された生体パラメータの種類は、ＳｐＯ２、ＰａＯ２、ＰａＣＯ２、ＰＨ、ｅｔＣＯ２およびＲＲである。図９（Ａ）（Ｂ）中、評価Ａ～Ｅは、乖離度の程度に応じた段階評価であり、評価Ａが最も乖離度の程度が小さい、即ち、予測精度が高く、評価Ｅが最も乖離度の程度が大きい、即ち、予測精度が低いことを表す。

このような図９（Ａ）（Ｂ）に示した解析情報から、医療従事者等のユーザーは、患者の年代、患者の集中治療室への入室理由および医療従事者の診療科に起因する予測精度の高低を把握することが可能となる。換言すれば、ユーザー自身が、患者および医療従事者のどのような特性によって、予測精度の高低が左右されるのかの見当がつかない場合であっても、対象者情報のカテゴリー毎に、予測精度を比較することができる。

＜変形例２＞
図１０および図１１は、上記図１で説明した情報処理システム１の他の例を示す概略構成図である。情報処理システム１は、さらに、生体情報管理サーバ３００および電子カルテサーバ４００を含んでいてもよく（図１０）、さらに、呼吸器５００を含んでいてもよい（図１１）。

生体情報管理サーバ３００および電子カルテサーバ４００は、有線または無線のネットワークによりベッドサイドモニタ１００およびセントラルモニタ２００に接続されている。生体情報管理サーバ３００および電子カルテサーバ４００に、複数のセントラルモニタ２００が接続されていてもよい。

生体情報管理サーバ３００は、たとえば、各ベッドサイドモニタ１００で測定された患者の生体パラメータに関する測定情報を取得し、記憶する。この生体情報管理サーバ３００が、上記実施形態で説明したセントラルモニタ２００の取得部２１１、分類部２１２、種類指定部２１３、算出部２１４、解析部２１５および出力部２１６の機能を有していてもよい。即ち、生体情報管理サーバ３００が、本発明の情報処理装置の一具体例であってもよい。なお、各装置間の通信を中継する図示しない任意の装置が適宜含まれてもよく、当該中継装置が送信データを適宜変換などしてもよい。

電子カルテサーバ４００には、複数の患者の電子カルテ情報が記憶されている。電子カルテサーバ４００は、たとえば、生体情報管理サーバ３００に患者情報を送信する。

呼吸器５００は、いわゆる人工呼吸器であり、各ベッドサイドモニタ１００に接続されている。呼吸器５００は、セントラルモニタ２００、生体情報管理サーバ３００および電子カルテサーバ４００と直接通信可能に接続されていてもよい。呼吸器５００で測定された生体パラメータ、呼吸器５００の設定および呼吸器５００のアラーム情報等は、生体情報管理サーバ３００に送信される。呼吸器５００が、上述のセントラルモニタ２００の入力部２５０と同様に機能してもよい。情報処理システム１は、呼吸器５００に加えて、血液ガスの測定装置およびスポットチェックモニタ等の測定装置を有していてもよく、呼吸器５００に代えて他の生体パラメータを測定する測定装置を有していてもよい。

このような情報処理システム１でも、上記実施形態で説明したのと同様に、対象者情報と乖離度との関係を表す解析情報が出力されるので、医療従事者等のユーザーは、患者および医療従事者の少なくとも一方と、乖離度の大きさとの関係を確認することができる。よって、生体パラメータの予測精度の傾向を把握することが可能となる。

以上、本発明の実施形態について詳細に説明したが、本発明は上述した実施形態に限定されない。たとえば、上述した実施形態においてプログラムにより実現される機能の一部または全部を回路等のハードウェアにより実現してもよい。

また、上述した制御部２１０は、全ての機能を有していなくてもよく、他の機能を有していてもよい。上述した制御部２１０の取得部２１１、分類部２１２、種類指定部２１３、算出部２１４、解析部２１５および出力部２１６の機能の一部または全部が、生体情報管理サーバ３００または電子カルテサーバ４００に設けられていてもよい。

また、生体情報管理サーバ３００、電子カルテサーバ４００または呼吸器５００が、上述したセントラルモニタ２００の制御部２１０、記憶部２２０、通信部２３０、表示部２４０、および入力部２５０の一部または全部と同様の機能を有していてもよい。

また、上述した実施形態では、セントラルモニタ２００が本発明の情報処理装置の一具体例に対応する例を説明したが、ベッドサイドモニタ１００が本発明の情報処理装置の一具体例に対応してもよい。たとえば、ベッドサイドモニタ１００の制御部１１０が、上述の制御部２１０と同様に機能してもよい。ベッドサイドモニタ１００およびセントラルモニタ２００がともに、本発明の情報処理装置の一具体例に対応してもよい。

また、上述したフローチャートは、一部のステップを省略してもよく、他のステップが追加されてもよい。また、各ステップの一部は同時に実行されてもよく、一つのステップが複数のステップに分割されて実行されてもよい。さらに、各ステップの順序が異なっていてもよい。たとえば、図７のステップＳ１０２の処理の前にステップＳ１０３の処理が実行されてもよい。

１ 情報処理システム、
１００ ベッドサイドモニタ、
１１０ 制御部、
１２０ 記憶部、
１３０ 通信部、
１４０ センサ、
１５０ 表示部、
２００ ベッドサイドモニタ、
２１０ 制御部、
２２０ 記憶部、
２３０ 通信部、
２４０ 表示部、
２５０ 入力部。

Claims (12)

1. 患者に関する情報および医療従事者に関する情報の少なくとも一方を含む対象者情報と、前記患者の生体パラメータに関する測定情報と、前記医療従事者が予測した前記患者の前記生体パラメータに関する予測情報とを取得する取得部と、
   前記対象者情報と、前記予測情報および前記測定情報の乖離度との関係を解析する解析部と、
   前記対象者情報と前記乖離度との関係を表す解析情報を出力する出力部と
   を備える情報処理装置。
2. 前記予測情報は、基準日時から第１の時間後の第１予測情報および第２の時間後の第２予測情報を含み、
   前記測定情報は、前記基準日時から前記第１の時間後に測定された第１測定情報および前記第２の時間後に測定された第２測定情報を含み、
   前記解析部は、前記対象者情報と、前記第１予測情報および前記第１測定情報の第１乖離度との関係を解析するとともに、前記対象者情報と、前記第２予測情報および前記第２測定情報の第２乖離度との関係を解析する請求項１に記載の情報処理装置。
3. 前記対象者情報を複数のカテゴリーに分類する分類部をさらに有する請求項１または２に記載の情報処理装置。
4. 前記解析部は、前記カテゴリー毎に、前記対象者情報と前記乖離度との関係を解析する請求項３に記載の情報処理装置。
5. 前記分類部は、ユーザーからの指示に基づいて、複数の前記カテゴリーを決定する請求項４に記載の情報処理装置。
6. 前記分類部は、前記解析部により解析された前記対象者情報と前記乖離度との関係に基づいて、複数の前記カテゴリーを決定し、
   前記出力部は、前記カテゴリー毎に前記解析情報を出力する請求項３に記載の情報処理装置。
7. 前記生体パラメータの種類を指定する種類指定部をさらに有し、
   前記解析部は、前記対象者情報と、指定された前記種類の前記生体パラメータに関する前記予測情報および前記測定情報の前記乖離度との関係を解析する請求項１～６のいずれかに記載の情報処理装置。
8. 前記乖離度は、前記予測情報と前記測定情報との差分である請求項１～７のいずれかに記載の情報処理装置。
9. 前記解析情報は、前記乖離度の信頼区間に関する情報を含む請求項１～８のいずれかに記載の情報処理装置。
10. 前記解析情報は、前記乖離度の程度に応じた段階評価に関する情報を含む請求項１～９のいずれかに記載の情報処理装置。
11. 患者に関する情報および医療従事者に関する情報の少なくとも一方を含む対象者情報と、前記患者の生体パラメータに関する測定情報と、前記医療従事者が予測した前記患者の前記生体パラメータに関する予測情報とを取得することと、
    前記対象者情報と、前記予測情報および前記測定情報の乖離度との関係を解析することと、
    前記対象者情報と前記乖離度との関係を表す解析情報を出力することと
    を含む情報処理方法。
12. 請求項１１に記載の情報処理方法をコンピューターに実行させるためのプログラム。