JP2024034529A - 情報処理装置、情報処理方法、及び情報処理プログラム - Google Patents

情報処理装置、情報処理方法、及び情報処理プログラム Download PDF

Info

Publication number
JP2024034529A
JP2024034529A JP2022138808A JP2022138808A JP2024034529A JP 2024034529 A JP2024034529 A JP 2024034529A JP 2022138808 A JP2022138808 A JP 2022138808A JP 2022138808 A JP2022138808 A JP 2022138808A JP 2024034529 A JP2024034529 A JP 2024034529A
Authority
JP
Japan
Prior art keywords
model
prediction
data
information
information processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2022138808A
Other languages
English (en)
Inventor
大記 古川
翔太郎 三沢
竜示 狩野
大和 鑓水
友紀 谷口
智子 大熊
浩平 小野田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujifilm Corp filed Critical Fujifilm Corp
Priority to JP2022138808A priority Critical patent/JP2024034529A/ja
Priority to US18/457,331 priority patent/US20240071619A1/en
Publication of JP2024034529A publication Critical patent/JP2024034529A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

【課題】特定の対象に関する情報を表す情報データに含まれる項目毎に、適切な重要度を導出することができる情報処理装置、情報処理方法、及び情報処理プログラムを提供する。【解決手段】第１データを入力とし、第１予測タスクを遂行する第１モデルと、第２データを入力とし、前記第１予測タスクと異なる第２予測タスクを遂行する第２モデルとを少なくとも含む複数のモデルと、少なくとも１つのプロセッサと、を備え、前記プロセッサは、特定の対象に関する情報を表す情報データを取得し前記情報データに基づいて、前記複数のモデルから予測に用いる選択モデルを選択し、前記選択モデルを用いて、前記情報データに含まれる項目毎に前記特定の対象に対する重要度を導出する。【選択図】図１１

Description

本開示は、情報処理装置、情報処理方法、及び情報処理プログラムに関する。
特定の対象に関する情報を表す情報データに含まれる項目毎に、機械学習モデルを用いて得られた特定の対象に対する重要度を導出する技術が知られている。このような重要度として、例えば、機械学習モデルにおける出力データの導出に対する入力データの寄与度が挙げられる。寄与度を導出するための技術としては、ＬＩＭＥ（Local Interpretable Model-agnostic Explanations）等の手法が挙げられる。
例えば、特許文献１には、人物に係る単語データを入力とし、その人物に対する評価を出力する予測モデルに対する、単語毎の寄与度を導出する技術が開示されている。
特開２０２０－１１３２１８号公報
ところで、特定の対象の状態等に応じて、適用すべき機械学習モデルが異なる場合がある。そのため、適切ではない機械学習モデルを適用して特定の対象に対する重要度を導出した場合、導出された重要度が適切とはいえない場合があった。
本開示は、上記の事情を鑑みてなされたものであり、特定の対象に関する情報を表す情報データに含まれる項目毎に、適切な重要度を導出することができる情報処理装置、情報処理方法、及び情報処理プログラムを提供することを目的とする。
上記目的を達成するために本開示の第１の態様の情報処理装置は、第１データを入力とし、第１予測タスクを遂行する第１モデルと、第２データを入力とし、第１予測タスクと異なる第２予測タスクを遂行する第２モデルとを少なくとも含む複数のモデルと、少なくとも１つのプロセッサと、を備え、プロセッサは、特定の対象に関する情報を表す情報データを取得し、情報データに基づいて、複数のモデルから予測に用いる選択モデルを選択し、選択モデルを用いて、情報データに含まれる項目毎に特定の対象に対する重要度を導出する。
第２の態様の情報処理装置は、第１の態様の情報処理装置において、プロセッサは、情報データを第１モデルに入力させ、第１予測タスクに係わる出力結果を取得し、出力結果に基づいて、第１モデルまたは第２モデルのいずれかを選択モデルとして選択する。
第３の態様の情報処理装置は、第１の態様の情報処理装置において、プロセッサは、第１予測タスクは、第１状態になる確率を導出するタスクであり、第２予測タスクは、第１状態と異なる第２状態に係わるタスクであり、プロセッサは、第１状態になる確率が閾値を超える場合、第１モデルを選択モデルとして選択し、第１状態になる確率が閾値以下の場合、第２モデルを選択モデルとして選択する。
第４の態様の情報処理装置は、第１の態様の情報処理装置において、情報データは、複数の文書データを含む文書データ群であり、文書データ群を第１モデルに入力させ、第１予測タスクに係わる出力結果を取得し、出力結果に基づいて、第１モデルまたは第２モデルのいずれかを選択モデルとして選択し、選択モデルを用いて、文書データ群に含まれる文書データ毎の選択モデルにおける重要度を導出する。
第５の態様の情報処理装置は、第１の態様の情報処理装置において、第１データは、複数の患者の各々に対応付けられた複数の第１医療情報データであり、特定の対象は、特定の患者であり、情報データは、特定の患者が対応付けられた複数の第２医療情報データであり、項目は、複数の第２医療情報データの各々である。
第６の態様の情報処理装置は、第１の態様の情報処理装置において、第１予測タスク及び第２予測タスクの各々は、医療に関連するタスクである。
第７の態様の情報処理装置は、第６の態様の情報処理装置において、第１予測タスクは、死亡予測タスクであり、第２予測タスクは、長期入院予測タスクまたは合併症予測タスクである。
また、上記目的を達成するために本開示の第８の態様の情報処理方法は、第１データを入力とし、第１予測タスクを遂行する第１モデルと、第２データを入力とし、第１予測タスクと異なる第２予測タスクを遂行する第２モデルとを少なくとも含む複数のモデルと、少なくとも１つのプロセッサと、を備えた情報処理装置のプロセッサが実行する情報処理方法であって、特定の対象に関する情報を表す情報データを取得し、情報データに基づいて、複数のモデルから予測に用いる選択モデルを選択し、選択モデルを用いて、情報データに含まれる項目毎に特定の対象に対する重要度を導出する。
また、上記目的を達成するために本開示の第９の態様の情報処理プログラムは、第１データを入力とし、第１予測タスクを遂行する第１モデルと、第２データを入力とし、第１予測タスクと異なる第２予測タスクを遂行する第２モデルとを少なくとも含む複数のモデルと、少なくとも１つのプロセッサと、を備えた情報処理装置のプロセッサに、特定の対象に関する情報を表す情報データを取得し、情報データに基づいて、複数のモデルから予測に用いる選択モデルを選択し、選択モデルを用いて、情報データに含まれる項目毎に特定の対象に対する重要度を導出する処理を実行させるためのものである。
本開示によれば、特定の対象に関する情報を表す情報データに含まれる項目毎に、適切な重要度を導出することができる。
実施形態の情報処理システムにおける全体の構成の一例を概略的に表した構成図である。 患者情報の一例について説明するための図である。 第１実施形態の情報処理装置の構成の一例を示すブロック図である。 死亡予測モデルの入力及び出力を説明するための図である。 死亡予測モデルの学習フェーズにおける処理の概要を示す図である。 長期入院予測モデルの入力及び出力を説明するための図である。 長期入院予測モデルの学習フェーズにおける処理の概要を示す図である。 第１実施形態の情報処理装置の構成の一例を表す機能ブロック図である。 第１実施形態の情報処理装置の作用を説明するための図である。 第１実施形態の情報処理装置の作用を説明するための図である。 第１実施形態の情報処理装置による情報処理の流れの一例を表したフローチャートである。 表示部に文書データを表示させた状態の一例を示す図である。 第２実施形態の情報処理装置が備えるストレージの構成の一例を示すブロック図である。 第２実施形態の情報処理装置の構成の一例を表す機能ブロック図である。 第２実施形態の情報処理装置の作用を説明するための図である。 第２実施形態の情報処理装置の作用を説明するための図である。 死亡予測評価値に対する重みと長期入院予測結果に対する重みとを説明するための図である。 第２実施形態の情報処理装置による情報処理の流れの一例を表したフローチャートである。 第２実施形態の情報処理装置の作用を説明するための図である。
以下、図面を参照して本開示の実施形態を詳細に説明する。なお、本実施形態は本開示の技術を限定するものではない。
［第１実施形態］
まず、本実施形態の情報処理システムにおける、全体の構成の一例について説明する。図１には、本実施形態の情報処理システム１における、全体の構成の一例を表す構成図が示されている。図１に示すように、本実施形態の情報処理システム１は、情報処理装置１０及び患者情報ＤＢ（DataBase）１４を備える。情報処理装置１０及び患者情報ＤＢ１４は、ネットワーク９を介して有線通信または無線通信により接続されている。
患者情報ＤＢ１４には、複数の患者に関する患者情報１５が記憶される。患者情報ＤＢ１４は、汎用コンピュータにデータベース管理システム（DataBase Management system：ＤＢＭＳ）の機能を提供するソフトウェアプログラムがインストールされたサーバ装置等に備えられた、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、及びフラッシュメモリ等の記憶媒体によって実現される。
一例として本実施形態の患者情報１５は、特定の患者の診療に係わる文書を表す文書データ１５Ｄである。図２に示すように、文書データ１５Ｄは、例えば、カルテ情報や、患者プロファイル情報、及び検査結果情報を含む。なお、本実施形態において「文書」とは、単語及び文の少なくとも一方を構成要素とした情報である。例えば、文書は、１つの単語のみを含んでいてもよいし、また、複数の文を含んでいてもよい。図２に示した例では、カルテ情報である文書データ１５Ｄとして、「９／５Ｓ」、「９／５Ｏ」、「９／５Ａ」、「９／７Ｏ」、及び「９／７Ｐ」の５つが図示されている。また、患者プロファイル情報である文書データ１５Ｄとして、「年齢・性別」及び「既往症」の２つが図示されている。また、検査結果情報の文書データ１５Ｄとして、「アルブミン」（アルブミンの検査値）、及び「尿素・窒素」（尿素の検査値と窒素の検査値）の２つが図示されている。
患者情報１５は、特定の患者毎に、患者を識別するための識別情報と対応付けられて患者情報ＤＢ１４に記憶されている。
本実施形態の特定の患者が、本開示の特定の対象の一例であり、本実施形態の患者情報１５が、本開示の情報データの一例であり、本実施形態の文書データ１５Ｄが、本開示の項目の一例である。
情報処理装置１０は、特定の患者の患者情報１５に基づいて、詳細を後述する（図９、図１０参照）死亡予測モデル３２及び長期入院予測モデル３３のうち、特定の患者の診療に関する予測に用いるのに適切なモデルを選択し、選択したモデルを用いて、医師等のユーザに情報を提供する装置である。
図３に示すように本実施形態の情報処理装置１０は、制御部２０、記憶部２２、通信Ｉ／Ｆ（Interface)部２４、操作部２６、及び表示部２８を備えている。制御部２０、記憶部２２、通信Ｉ／Ｆ部２４、操作部２６、及び表示部２８はシステムバスやコントロールバス等のバス２９を介して相互に各種情報の授受が可能に接続されている。
本実施形態の制御部２０は、情報処理装置１０の全体の動作を制御する。制御部２０は、プロセッサであり、ＣＰＵ（Central Processing Unit）２０Ａを備える。また、制御部２０は、後述する記憶部２２と接続される。なお、制御部２０は、ＧＰＵ（Graphics Processing Unit）を備えても良い。
操作部２６は、特定の患者の予後予測に関する指示や各種情報等をユーザが入力するために用いられる。操作部２６は特に限定されるものではなく、例えば、各種スイッチ、タッチパネル、タッチペン、及びマウス等が挙げられる。表示部２８は、死亡予測結果１６、文書データ１５Ｄ、及び各種情報等を表示する。なお、操作部２６と表示部２８とを一体化してタッチパネルディスプレイとしてもよい。
通信Ｉ／Ｆ部２４は、無線通信または有線通信により、ネットワーク９を介して患者情報ＤＢ１４との間で各種情報の通信を行う。情報処理装置１０は、患者情報ＤＢ１４から患者情報１５を、通信Ｉ／Ｆ部２４を介して無線通信または有線通信により受信する。
記憶部２２は、ＲＯＭ（Read Only Memory）２２Ａ、ＲＡＭ（Random Access Memory）２２Ｂ、ストレージ２２Ｃを備える。ＲＯＭ２２Ａには、ＣＰＵ２０Ａにより実行される各種のプログラム等が予め記憶されている。ＲＡＭ２２Ｂは、各種データを一時的に記憶する。ストレージ２２Ｃは、ＣＰＵ２０Ａで実行される情報処理プログラム３０、死亡予測モデル３２、長期入院予測モデル３３、及びその他の各種情報等が記憶される。ストレージ２２Ｃは不揮発性の記憶部であり、例えば、ＨＤＤやＳＳＤ等が挙げられる。
本実施形態の死亡予測モデル３２は、図４に示すように患者情報１５を入力すると、死亡予測結果１６として、患者が死亡状態となる確率、具体的には死亡確率を死亡予測結果１６として出力するモデルである。本実施形態の死亡状態が、本開示の第１状態の一例であり、本実施形態の死亡予測モデル３２が、本開示の第１モデルの一例である。
一例として図５に示すように、本実施形態の死亡予測モデル３２は、学習フェーズにおいて、訓練データまたは教師データとも呼ばれる第１学習データ９０を与えられて学習される。第１学習データ９０は、学習用患者情報９５と、正解死亡予測結果９６Ｃとの組である。第１学習データ９０は、ある患者の診療に係わる複数の学習用文書データ９５Ｄを含む。正解死亡予測結果９６Ｃは、例えば、その患者の予後を実際に観察した結果から得られた死亡確率である。具体的には、実際に死亡した患者の死亡確率を１（１００％））」、「死亡しなかった患者の死亡確率を０（０％）」とする。なお、死亡確率については、１００％及び０％に限らず、種々の調整が可能である。例えば、死亡までの期間が長い場合は死亡確率を１００％から低下させる等としてもよい。なお、本形態に限定されず、正解死亡予測結果９６Ｃとして、例えば、医師が学習用文書データ９５Ｄを参照して、その患者に対して実際に下した死亡確率を用いてもよい。
学習フェーズにおいて、死亡予測モデル３２には、学習用患者情報９５が学習用文書データ９５Ｄ毎にベクトル化されて入力される。死亡予測モデル３２は、学習用患者情報９５に対して学習用死亡予測結果９６を出力する。学習用死亡予測結果９６及び正解死亡予測結果９６Ｃに基づいて、損失関数を用いた死亡予測モデル３２の損失演算がなされる。そして、損失演算の結果に応じて死亡予測モデル３２の各種係数の更新設定がなされ、更新設定にしたがって、死亡予測モデル３２が更新される。
学習フェーズにおいては、学習用患者情報９５の死亡予測モデル３２への入力、死亡予測モデル３２からの学習用死亡予測結果９６の出力、損失演算、更新設定、及び死亡予測モデル３２の更新の上記一連の処理が、第１学習データ９０が交換されつつ繰り返し行われる。上記一連の繰り返しは、正解死亡予測結果９６Ｃに対する学習用死亡予測結果９６の予測精度が、予め定められた設定レベルまで達した場合に終了される。このようにして、学習済みの死亡予測モデル３２が生成される。
一方、本実施形態の長期入院予測モデル３３は、図６に示すように患者情報１５を入力すると、長期入院予測結果１８として、患者が長期入院状態となる確率、具体的には長期入院確率を長期入院予測結果１８として出力するモデルである。本実施形態の長期入院状態が、本開示の第２状態の一例であり、本実施形態の長期入院予測モデル３３が、本開示の第２モデルの一例である。
一例として図７に示すように、本実施形態の長期入院予測モデル３３は、学習フェーズにおいて、訓練データまたは教師データとも呼ばれる第２学習データ９１を与えられて学習される。第２学習データ９１は、学習用患者情報９５と、正解長期入院予測結果９８Ｃとの組である。第２学習データ９１は、ある患者の診療に係わる複数の学習用文書データ９５Ｄを含む。正解長期入院予測結果９８Ｃは、医師が学習用文書データ９５Ｄを参照して、その患者の実際の入院日数等から得られた長期入院確率である。なお、上述の死亡予測モデル３２の学習に用いる第１学習データ９０に含まれる学習用患者情報９５と、長期入院予測モデル３３の学習に用いる第２学習データ９１に含まれる学習用患者情報９５とは、同一であってもよいし、異なっていてもよく、また、一部が同一であってもよい。
学習フェーズにおいて、長期入院予測モデル３３には、学習用患者情報９５が学習用文書データ９５Ｄ毎にベクトル化されて入力される。長期入院予測モデル３３は、学習用患者情報９５に対して学習用長期入院予測結果９８を出力する。学習用長期入院予測結果９８及び正解長期入院予測結果９８Ｃに基づいて、損失関数を用いた長期入院予測モデル３３の損失演算がなされる。そして、損失演算の結果に応じて長期入院予測モデル３３の各種係数の更新設定がなされ、更新設定にしたがって、長期入院予測モデル３３が更新される。
学習フェーズにおいては、学習用患者情報９５の長期入院予測モデル３３への入力、長期入院予測モデル３３からの学習用長期入院予測結果９８の出力、損失演算、更新設定、及び長期入院予測モデル３３の更新の上記一連の処理が、第２学習データ９１が交換されつつ繰り返し行われる。上記一連の繰り返しは、正解長期入院予測結果９８Ｃに対する学習用長期入院予測結果９８の予測精度が、予め定められた設定レベルまで達した場合に終了される。このようにして、学習済みの長期入院予測モデル３３が生成される。
さらに、図８には、本実施形態の情報処理装置１０の構成の一例の機能ブロック図が示されている。図８に示すように情報処理装置１０は、取得部４０、モデル選択部４２、文書抽出部４４、重要度導出部４６、及び表示制御部４８を備える。一例として本実施形態の情報処理装置１０は、制御部２０のＣＰＵ２０Ａがストレージ２２Ｃに記憶されている情報処理プログラム３０を実行することにより、ＣＰＵ２０Ａが取得部４０、モデル選択部４２、文書抽出部４４、重要度導出部４６、及び表示制御部４８として機能する。
取得部４０は、患者情報ＤＢ１４から予測対象である特定の患者の患者情報１５を取得する。一例として、本実施形態の取得部４０は、予後予測を行う対象となる特定の患者を表す患者識別情報を受け付けると、受け付けた患者識別情報に応じた患者情報１５を、ネットワーク９を介して患者情報ＤＢ１４から取得する。取得部４０は、取得した患者情報１５を、モデル選択部４２及び文書抽出部４４に出力する。
モデル選択部４２は、患者情報１５に基づいて、死亡予測モデル３２及び長期入院予測モデル３３のうち、予測に用いる選択モデルを選択する。なお、ここでは、死亡予測モデル３２及び長期入院予測モデル３３のうち、モデル選択部４２によって選択されるモデルを「選択モデル」という。
具体的には、図９及び図１０に示すように、一例として、本実施形態のモデル選択部４２は、患者情報１５に含まれる全ての文書データ１５Ｄをベクトル化して、死亡予測モデル３２に入力し、出力された患者情報単位の死亡予測結果１６Ａを取得する。すなわち、モデル選択部４２は、死亡予測モデル３２を用いて、患者情報単位の死亡予測結果１６Ａを導出する。モデル選択部４２は、導出した患者情報単位の死亡予測結果１６Ａが閾値を超える場合、死亡予測モデル３２を選択モデルとして選択する。また、モデル選択部４２は、患者情報単位の死亡予測結果１６Ａが閾値以下の場合、長期入院予測モデル３３を選択モデルとして選択する。なお、図９及び図１０に示した例では、死亡予測モデル３２及び長期入院予測モデル３３のいずれを選択するかの基準となる閾値を「３０％」としているが、具体的な閾値の値については、特に限定されず、死亡確率が高いか否かを判断するための値であればよい。すなわち、モデル選択部４２は、患者情報単位の死亡予測結果１６Ａに基づいて、死亡確率が高いと予測される場合、死亡予測モデル３２を選択し、死亡確率が高くないと予測される場合、長期入院予測モデル３３を選択する。
モデル選択部４２は、上記のようにして選択した選択モデルを表す情報を重要度導出部４６に出力する。
文書抽出部４４は、患者情報１５から文書データ１５Ｄを、予め定められた基準に基づいて抽出する。一例として本実施形態の文書抽出部４４は、患者情報１５に含まれる１つの文を１つの文書データ１５Ｄとして、単文単位で文書データ１５Ｄを抽出する。なお、患者情報１５から文書データ１５Ｄを抽出するための上記基準は特に限定されず、例えば、対応付けられている日付が同日であることを基準としてもよい。この場合、例えば、図９及び図１０に示した例では、「９／５：Ａ，９／５：Ｐ，９／５：Ｓ，９／５：Ｏ」が１つの文書データ１５Ｄとして抽出される。文書抽出部４４は、抽出した文書データ１５Ｄを、重要度導出部４６に出力する。
重要度導出部４６は、文書データ１５Ｄ毎に、死亡予測モデル３２及び長期入院予測モデル３３のうち、モデル選択部４２によって選択された選択モデルに入力し、出力された予測結果を取得する。具体的には重要度導出部４６は、選択モデルが死亡予測モデル３２の場合、図９に示すように、文書データ１５Ｄをベクトル化して、死亡予測モデル３２に入力させ、出力された文書単位の死亡予測結果１６Ｄを取得する。一方、重要度導出部４６は、選択モデルが長期入院予測モデル３３の場合、図１０に示すように、文書データ１５Ｄをベクトル化して、長期入院予測モデル３３に入力させ、出力された文書単位の長期入院予測結果１８Ｄを取得する。
重要度導出部４６は、取得した文書単位の死亡予測結果１６Ｄまたは文書単位の長期入院予測結果１８Ｄに基づいて、特定の患者に対する重要度を導出する。本実施形態の重要度は、文書データ１５Ｄを入力した場合の選択モデルの出力に対して相関関係を有する。本実施形態では、文書データ１５Ｄを入力とし、選択モデルから出力された百分率で表された確率を少数に直した値を重要度として採用している。例えば、文書単位の死亡予測結果１６Ｄが９０％の場合の重要度は「０．９」であり、文書単位の死亡予測結果１６Ｄが３０％の場合の重要度は「０．３」であり、文書単位の長期入院予測結果１８Ｄが９０％の場合の重要度は「０．９」である。そのため、本実施形態の重要度は、０以上、１以下の値となる。なお、本実施形態では、重要度を具体的な数値として表しているが、例えば、「高」、「中」、及び「低」等で表すようにしてもよい。重要度導出部４６は、文書データ１５Ｄ毎に導出した重要度を表示制御部４８に出力する。
表示制御部４８は、文書データ１５Ｄ毎の重要度に基づいて、患者情報１５に含まれる全ての複数の文書データ１５Ｄから、表示対象とする文書データ１５Ｄを特定する。例えば、表示制御部４８は、重要度が高い順に所定の数の文書データ１５Ｄを、表示対象として特定する。また、表示制御部４８は、重要度が所定値以上の文書データ１５Ｄを、表示対象として特定する。なお、表示制御部４８は、表示対象の特定において、Beam Searchの手法を用いて、文書データ１５Ｄを１つずつ選択してもよい。この場合、表示制御部４８は、まず、表示優先度が最も高い第１表示優先度を付与する文書データ１５Ｄとして、患者情報１５に含まれる全ての文書データ１５Ｄのうちから、重要度のランキングにおいて上位Ｋ個の文書データ１５Ｄを抽出する。そして、抽出した文書データ１５Ｄに、他の文書データ１５Ｄを加えて、重要度を元にランキングし、上位Ｋ個の文書データ１５Ｄに、第１表示優先度の次に高い、第２表示優先度を付与する。この処理を、所定の数の文書データ１５Ｄを特定するか、または、表示優先度を付与した全ての文書データ１５Ｄの長さを加算した全長が、所定の長さとなるまで繰り返す。
また、表示制御部４８は、重要度に基づいて、文書データ１５Ｄを表示する表示順序を特定する。例えば、表示制御部４８は、重要度が高い順に、表示優先度が高くなるように表示順序を特定する。なお、表示制御部４８は、表示順序として、文書データ１５Ｄに対応付けられている日時に基づいた時系列順を採用してもよい。表示順序を時系列順とする場合、日時が新しいものほど、表示優先度が高くなる。また、重要度に応じた順序と、時系列順とを組み合わせた表示順序を採用してもよい。なお、この場合、文書データ１５Ｄが長いほど、文書データ１５Ｄを読むユーザに係る負担が大きくなるため、文書データ１５Ｄの長さをペナルティとして加えてもよい。具体的には、文書データ１５Ｄの長さが長くなるほど大きくなるペナルティを加えてもよい。
なお、表示対象及び表示順序の少なくとも一方について予め定められている場合、表示制御部４８は、表示対象及び表示順序のうち、予め定められていない方の特定を行えばよく、両方とも予め定められている場合は、表示対象の特定及び表示順序の特定を省略してもよい。例えば、表示対象を全ての文書データ１５Ｄとすることが予め定められている場合、表示制御部４８は、表示順序のみを特定すればよい。また、表示対象を上記の方法で特定し、表示順序は別の方法を用いて特定する他、表示対象は別の方法で特定し、表示順序のみを上記の方法で特定してもよい。例えば、医療文書として電子カルテ、放射線検査報告書、及び看護録等があった場合に、表示対象を電子カルテに限定してすべて表示し、その電子カルテを特定した表示順序で並び替えてもよい。また、表示対象を特定する方法として、表示対象として特定した文書データ１５Ｄを、表示対象としなかった文書データ１５Ｄよりも強調して表示する形態としてもよい。例えば、表示対象として特定した文書データ１５Ｄをハイライトして表示し、表示対象としなかった文書はグレーアウトされるようにしてもよい。
また、表示制御部４８は、表示対象として特定した文書データ１５Ｄを、特定した表示順序で表示部２８に表示させる制御を行う。
次に、本実施形態の情報処理装置１０の作用について図面を参照して説明する。図１１には、本実施形態の情報処理装置１０において実行される情報処理の流れの一例を表したフローチャートが示されている。本実施形態の情報処理装置１０は、一例として、操作部２６により行われた、ユーザの開始指示等に基づいて、制御部２０のＣＰＵ２０Ａが、ストレージ２２Ｃに記憶されている情報処理プログラム３０を実行することにより、図１１に一例を示した情報処理を実行する。
図１１のステップＳ１００で取得部４０は、上述したようにユーザが、操作部２６を用いて指定した患者識別情報を受け付ける。次のステップＳ１０２で取得部４０は、上述したように、患者識別情報に対応付けられている患者情報１５を患者情報ＤＢ１４からネットワーク９を介して取得する。
次のステップＳ１０４でモデル選択部４２は、上述したように、患者情報１５に含まれる全ての文書データ１５Ｄを死亡予測モデル３２に入力して、患者情報単位の死亡予測結果１６Ａを導出する。
次のステップＳ１０６でモデル選択部４２は、上述したように、患者情報単位の死亡予測結果１６Ａである死亡確率が閾値を超えるか否か判定する。図９に示したように、死亡確率が閾値を超える場合、ステップＳ１０６の判定が肯定判定となり、ステップＳ１０８へ移行する。この場合、モデル選択部４２は、死亡予測モデル３２を選択モデルとして選択する。
ステップＳ１０８で文書抽出部４４は、上述したように、上記ステップＳ１０２で取得した患者情報１５から文書データ１５Ｄを１つ抽出する。次のステップＳ１１０で重要度導出部４６は、上述したように、重要度として、文書単位の死亡予測結果１６Ｄを導出する。具体的には、重要度導出部４６は、上記ステップＳ１０８で抽出した文書データ１５Ｄを死亡予測モデル３２に入力させ、出力された文書単位の死亡予測結果１６Ｄを重要度として取得する。
次のステップＳ１１２で文書抽出部４４は、患者情報１５に含まれる全ての文書データ１５Ｄについて、死亡予測を行ったか否かを判定する。未だ全ての文書データ１５Ｄについて死亡予測を行っていない場合、ステップＳ１１２の判定が否定判定となり、ステップＳ１０８に戻り、ステップＳ１０８及びＳ１１０の処理を繰り返す。一方、全ての文書データ１５Ｄについて、死亡予測を行った場合、ステップＳ１１２の処理が肯定判定となり、ステップＳ１２０へ移行する。
一方、上記ステップＳ１０６において、図１０に示したように、患者情報単位の死亡予測結果１６Ａである死亡確率が閾値以下の場合、ステップＳ１０６の判定が否定判定となり、ステップＳ１１４へ移行する。この場合、モデル選択部４２は、長期入院予測モデル３３を選択モデルとして選択する。
ステップＳ１１４で文書抽出部４４は、上述したように、重要度として、文書単位の長期入院予測結果１８Ｄを導出する。具体的には、重要度導出部４６は、上記ステップＳ１１４で抽出した文書データ１５Ｄを長期入院予測モデル３３に入力させ、出力された文書単位の長期入院予測結果１８Ｄを重要度として取得する。
次のステップＳ１１８で文書抽出部４４は、患者情報１５に含まれる全ての文書データ１５Ｄについて、長期入院予測を行ったか否かを判定する。未だ全ての文書データ１５Ｄについて長期入院予測を行っていない場合、ステップＳ１１８の判定が否定判定となり、ステップＳ１１４に戻り、ステップＳ１１４及びＳ１１６の処理を繰り返す。一方、全ての文書データ１５Ｄについて、長期入院予測を行った場合、ステップＳ１１８の処理が肯定判定となり、ステップＳ１２０へ移行する。
ステップＳ１２０で表示制御部４８は、上述したように、患者情報１５に含まれる全ての文書データ１５Ｄから表示対象の特定を行い、また、表示対象とした文書データ１５Ｄの表示順序を特定する。
次のステップＳ１２２で表示制御部４８は、上述したように表示対象とした文書データ１５Ｄに応じた文書を特定した表示順序で表示部２８に表示させる。図１２には、表示部２８に表示対象とした文書データ１５Ｄを特定した表示順序で表示させた状態の一例を示す。図１２に示した文書データ１５Ｄ１～１５Ｄ３では、文書データ１５Ｄ１の重要度が最も高く、文書データ１５Ｄ３の重要度が最も低い。このように上記ステップＳ１２０で特定した表示対象の文書データ１５Ｄを、特定した表示順序で表示部２８に表示することにより、特定の患者の診療に関して、有用な情報が、重要度が高い順でユーザに提供される。ステップＳ１２２の処理が終了すると図１１に示した情報処理が終了する。
このように本実施形態の情報処理装置１０は、患者情報１５を入力とし、死亡予測タスクを遂行する死亡予測モデル３２と、患者情報１５を入力とし、長期入院予測タスクを推敲する長期入院予測モデル３３と、を備える。
取得部４０は、特定の患者に関する情報を表す患者情報１５を取得し、モデル選択部４２は、死亡予測モデル３２から出力された患者情報単位の死亡予測結果１６Ａに基づいて、死亡予測モデル３２及び長期入院予測モデル３３から予測に用いる選択モデルを選択する。また、重要度導出部４６は、選択モデルから出力された文書単位の死亡予測結果１６Ｄまたは文書単位の長期入院予測結果１８Ｄに応じて重要度を導出する。
これにより、本実施形態の情報処理装置１０によれば、特定の患者に関する情報を表す患者情報１５に含まれる文書データ１５Ｄ毎に、特定の患者に対する適切な重要度を導出することができる。
なお、本実施形態では、死亡予測を行う死亡予測モデル３２と、長期入院予測を行う長期入院予測モデル３３とを用いる形態について説明したが、本形態に限定されない。例えば、長期入院予測モデル３３に代えて、または、長期入院予測モデル３３と共に、合併症について予測する合併症予測モデルを用いてもよい。死亡予測モデル３２、長期入院予測モデル３３、及び合併症モデルの３つの機械学習モデルを用いる場合、上述の閾値を２つ設ければよい。
［第２実施形態］
図１３～図１９を参照して、本実施形態の情報処理装置１０について説明する。なお、本実施形態の情報処理装置１０は、第１実施形態の情報処理装置１０と同様の構成を含むため、同様の構成については、その旨を記し、詳細な説明は省略する。
まず、本実施形態の情報処理装置１０の構成について説明する。図１３に示すように、本実施形態の情報処理装置１０では、第１実施形態の情報処理プログラム３０（図３参照）に代えて、ストレージ２２Ｃに情報処理プログラム３０Ａが記憶されている。
さらに、図１４には、本実施形態の情報処理装置１０の構成の一例の機能ブロック図が示されている。図１４に示すように情報処理装置１０は、取得部５０、文書抽出部５２、第１評価値導出部５４、第２評価値導出部５６、重み導出部５８、重要度導出部６０、及び表示制御部６２を備える。一例として本実施形態の情報処理装置１０は、制御部２０のＣＰＵ２０Ａがストレージ２２Ｃに記憶されている情報処理プログラム３０Ａを実行することにより、ＣＰＵ２０Ａが、取得部５０、文書抽出部５２、第１評価値導出部５４、第２評価値導出部５６、重み導出部５８、重要度導出部６０、及び表示制御部６２として機能する。
取得部５０は、第１実施形態の取得部４０と同様に、患者情報ＤＢ１４から予測対象である特定の患者の患者情報１５を取得する。また、取得部５０は、取得した患者情報１５を、文書抽出部５２及び重み導出部５８に出力する。
文書抽出部５２は、第１実施形態の文書抽出部４４と同様に、患者情報１５から文書データ１５Ｄを、予め定められた基準に基づいて抽出する。また、文書抽出部５２は、抽出した文書データ１５Ｄを、第１評価値導出部５４及び第２評価値導出部５６に出力する。
第１評価値導出部５４は、図１５に示すように、患者情報１５に含まれる文書データ１５Ｄ毎に死亡予測モデル３２の入力として、死亡予測に係わる文書単位の死亡予測結果１６Ｄに対する死亡予測評価値を導出する。
第１評価値導出部５４は、図１５に示すように、文書データ１５Ｄをベクトル化して、死亡予測モデル３２に入力させ、出力された文書単位の死亡予測結果１６Ｄを取得する。また、第１評価値導出部５４は、文書単位の死亡予測結果１６Ｄを評価する死亡予測評価値１７を導出する。一例として、本実施形態の死亡予測評価値１７は、文書単位の死亡予測結果１６Ｄである百分率で表された死亡確率を少数に直した値を採用している。なお、死亡予測評価値１７は、本形態に限定されず、文書単位の死亡予測結果１６Ｄと相関する評価値であればよい。第１評価値導出部５４は、導出した死亡予測評価値１７を重要度導出部６０に出力する。
第２評価値導出部５６は、図１６に示すように、文書データ１５Ｄをベクトル化して、長期入院予測モデル３３に入力させ、出力された文書単位の長期入院予測結果１８Ｄを取得する。また、第１評価値導出部５４は、文書単位の長期入院予測結果１８Ｄを評価する長期入院予測評価値１９を導出する。一例として、本実施形態の長期入院予測評価値１９は、文書単位の長期入院予測結果１８Ｄである百分率で表された長期入院確率を少数に直した値を採用している。なお、長期入院予測評価値１９は、本形態に限定されず、文書単位の長期入院予測結果１８Ｄと相関する評価値であればよい。第２評価値導出部５６は、導出した長期入院予測評価値１９を重要度導出部６０に出力する。
重み導出部５８は、患者情報単位の死亡予測結果１６Ａに基づいて、死亡予測評価値１７及び長期入院予測評価値１９の各々に対する重み付けに用いる重みを導出する。重み導出部５８は、導出した重みを重要度導出部６０に出力する。
重要度導出部６０は、重み導出部５８が導出した重みにより重み付けされた死亡予測評価値１７及び長期入院予測評価値１９により、文書データ１５Ｄ毎に、特定の患者に対する重要度を導出する。
ここで、本実施形態において重み導出部５８が導出する「重み」及び重要度導出部６０が導出する重要度について図１７を参照して説明する。一例として、本実施形態では、患者が長期入院状態になることよりも、死亡状態となることを重要としている。そのため、「重み」は、図１７に示すように、患者情報単位の死亡予測結果１６Ａを基準として、予め定められている。図１７に示すように、患者情報単位の死亡予測結果１６Ａである死亡確率が高くなるほど、死亡予測評価値１７（死亡予測）に対する重みが大きくなる。また、患者情報単位の死亡予測結果１６Ａである死亡確率が高くなるほど、長期入院予測評価値１９（長期入院予測）に対する重みが大きくなる。
重要度導出部６０は、下記（１）式に基づいて、重要度を導出する。
重要度＝（ｍｉｎ（１，γ×患者情報単位の死亡確率）×死亡予測評価値）＋λ×（１－ｍｉｎ値）×長期入院予測評価値 ・・・（１）
上記（１）式における「ｍｉｎ（１，γ×患者情報単位の死亡確率）」が死亡予測評価値１７に対する重みであり、「λ×（１－ｍｉｎ値）」が長期入院予測評価値１９に対する重みである。
なお、上記（１）式における「患者情報単位の死亡確率」は、患者情報単位の死亡予測結果１６Ａである百分率で表された死亡確率を少数に直した値である。
また、上記（１）式における「γ」及び「λ」は、ハイパパラメータである。γは、死亡予測結果を重視する度合いを表しており、図１７における「長期入院予測結果」と「死亡予測結果」との境界となる境界線の傾きを制御するパラメータである。γが大きいほど、図１７における「死亡予測結果」の割合が大きくなり、死亡予測結果（死亡予測評価値１７）を重視する度合いが大きくなる。図１７では、γ＝２の場合を示している。γ＝２では、患者情報単位の死亡予測結果１６Ａが５０％以上の場合、長期入院予測評価値１９に対する重みが「０」となり、長期入院予測評価値１９は重要度の導出に用いられない。
一方、λは、死亡予測結果と、長期入院予測結果とのバランスをとるための係数である。例えば、文書単位の死亡予測結果１６Ｄである死亡確率は０％～３０％の範囲内の値であることが多く、長期入院単位の長期入院予測結果１８Ｄである長期入院確率は２０％～１００％の範囲内の値であることが多いとする。上記（１）式において、λを用いなかった場合、長期入院確率の方が死亡確率よりも大きな値を示すことが多いため、長期入院予測結果（長期入院予測評価値１９）が重視されてしまうことになる。そこで、λをハイパパラメータとして用いることにより、死亡予測結果（死亡予測評価値１７）と、長期入院予測結果（長期入院予測評価値１９）とのバランスをとっている。例えば、λは、人手により定められてもよい。また例えば、λは、死亡予測評価値１７の統計値を、長期入院予測評価値１９の平均値で割った値としてもよい。なお、この場合の統計値としては、例えば、平均値や、中央値が挙げられる。
表示制御部６２は、第１実施形態の表示制御部４８と同様に、文書データ１５Ｄ毎の重要度に基づいて、患者情報１５に含まれる全ての複数の文書データ１５Ｄから、表示対象とする文書データ１５Ｄを特定する。また、表示制御部６２は、重要度に基づいて、文書データ１５Ｄを表示する表示順序を特定する。また、表示制御部６２は、表示対象として特定した文書データ１５Ｄを、特定した表示順序で表示部２８に表示させる制御を行う。
次に、本実施形態の情報処理装置１０の作用について図面を参照して説明する。図１８には、本実施形態の情報処理装置１０において実行される情報処理の流れの一例を表したフローチャートが示されている。本実施形態の情報処理装置１０は、一例として、操作部２６により行われた、ユーザの開始指示等に基づいて、制御部２０のＣＰＵ２０Ａが、ストレージ２２Ｃに記憶されている情報処理プログラム３０Ａを実行することにより、図１８に一例を示した情報処理を実行する。
図１８のステップＳ２００で取得部５０は、第１実施形態の情報処理のステップＳ１００（図１１参照）と同様に、ユーザが、操作部２６を用いて指定した患者識別情報を受け付ける。次のステップＳ２０２で取得部５０は、第１実施形態の情報処理のステップＳ１０２（図１１参照）と同様に、患者識別情報に対応付けられている患者情報１５を患者情報ＤＢ１４からネットワーク９を介して取得する。
次のステップＳ２０４で重み導出部５８は、第１実施形態の情報処理のステップＳ１０４（図１１参照）と同様に、患者情報１５に含まれる全ての文書データ１５Ｄを死亡予測モデル３２に入力して、患者情報単位の死亡予測結果１６Ａを導出する。
次のステップＳ２０６で重み導出部５８は、上述したように、患者情報単位の死亡予測結果１６Ａに基づいて、死亡予測評価値１７及び長期入院予測評価値１９の各々に対する重み付けに用いる重みを導出する。具体的な本実施形態の重み導出部５８は、死亡予測評価値１７に対する重み「ｍｉｎ（１，γ×患者情報単位の死亡確率）」と、長期入院予測評価値１９に対する重み「λ×（１－ｍｉｎ値）」とを導出する。
次のステップＳ２０８で文書抽出部５２は、第１実施形態の情報処理のステップＳ１０８またはＳ１１４（図１１参照）と同様に、上記ステップＳ２０２で取得した患者情報１５から文書データ１５Ｄを１つ抽出する。
次のステップＳ２１０で第１評価値導出部５４は、上述したように、文書データ１５Ｄを死亡予測モデル３２に入力させ、出力された文書単位の死亡予測結果１６Ｄに基づいて、死亡予測評価値１７を導出する。
次のステップＳ２１２で第２評価値導出部５６は、上述したように、文書データ１５Ｄを長期入院予測モデル３３に入力させ、出力された文書単位の長期入院予測結果１８Ｄに基づいて、長期入院予測評価値１９を導出する。
次のステップＳ２１４で重要度導出部６０は、上述したように、文書データ１５Ｄ毎に、特定の患者に対する重要度を導出する。具体的には、重要度導出部６０は、上記ステップＳ２０６で導出した重みと、上記ステップＳ２１０で導出した死亡予測評価値１７と、上記ステップＳ２１２で導出した長期入院予測評価値１９と、を用いて、上記（１）式により、文書データ１５Ｄ毎に、特定の患者に対する重要度を導出する。
図１９には、ハイパパラメータであるγ及びλが共に１であり、また、死亡予測結果１６Ａである死亡確率が６０％である場合の文書データ１５Ｄ１～文書データ１５Ｄ３の重要度６１１～６１３が示されている。この場合、死亡予測評価値１７に対する重みは、「ｍｉｎ（１，１×０．６）＝０．６」である。また、長期入院予測評価値１９に対する重みは、「１×（１－０．６）＝０．４」である。
図１９に示した例では、文書データ１５Ｄ１の場合、死亡予測評価値１７１が０．４、長期入院予測評価値１９１が０．７であるため、重要度６１１は、０．６×０．４＋０．４×０．７＝０．５２となる。また、文書データ１５Ｄ２の場合、死亡予測評価値１７２が０．６、長期入院予測評価値１９２が０．１であるため、重要度６１２は、０．６×０．６＋０．４×０．１＝０．４０となる。また、文書データ１５Ｄ３の場合、死亡予測評価値１７３が０．２、長期入院予測評価値１９３が０．９であるため、重要度６１３は、０．６×０．２＋０．４×０．９＝０．４８となる。
次のステップＳ２１６で重要度導出部６０は、患者情報１５に含まれる全ての文書データ１５Ｄについて、特定の患者に対する重要度を導出したか否かを判定する。未だ全ての文書データ１５Ｄについて特定の患者に対する重要度を導出していない場合、ステップＳ２１６の判定が否定判定となり、ステップＳ２０８に戻り、ステップＳ２０８～Ｓ２１４の処理を繰り返す。一方、全ての文書データ１５Ｄについて特定の患者に対する重要度を導出した場合、ステップＳ２１６の判定が肯定判定となり、ステップＳ２１８へ移行する。
ステップＳ２１８で表示制御部６２は、上述したように、患者情報１５に含まれる全ての文書データ１５Ｄから表示対象の特定を行い、また、表示対象とした文書データ１５Ｄの表示順序を特定する。例えば、表示順序を重要度６１が高い順とした場合、図１９に示した例では、表示制御部６２は、文書データ１５Ｄ１の表示順序を最も高い１番とし、文書データ１５Ｄ３の表示順序を２番とし、文書データ１５Ｄ２の表示順序を３番と特定する。
次のステップＳ２２０で表示制御部６２は、上述したように表示対象とした文書データ１５Ｄに応じた文書を特定した表示順序で表示部２８に表示させる。このように上記ステップＳ２１８で特定した表示対象の文書データ１５Ｄを、特定した表示順序で表示部２８に表示することにより、特定の患者の診療に関して、有用な情報が、重要度が高い順でユーザに提供される。ステップＳ２２０の処理が終了すると図１８に示した情報処理が終了する。
このように、本実施形態の情報処理装置１０は、患者情報１５を入力とし、死亡予測タスクを遂行する死亡予測モデル３２と、患者情報１５を入力と、を備える。取得部５０は、特定の患者に関する情報を表す患者情報１５を取得する。第１評価値導出部５４は、患者情報１５に含まれる文書データ１５Ｄ毎に死亡予測モデル３２の入力として、文書単位の死亡予測結果１６Ｄに対する死亡予測評価値１７を導出する。第２評価値導出部５６は、患者情報１５に含まれる文書データ１５Ｄ毎に長期入院予測モデル３３の入力として、文書単位の長期入院予測結果１８Ｄに対する長期入院予測評価値１９を導出する。重み導出部５８は、患者情報１５を死亡予測モデル３２の入力として、患者情報単位の死亡予測結果１６Ａを取得し、死亡予測評価値１７及び長期入院予測評価値１９の各々を、患者情報単位の死亡予測結果１６Ａに応じた重みにより重み付けする。
これにより、本実施形態の情報処理装置１０によれば、特定の患者に関する情報を表す患者情報１５に含まれる文書データ１５Ｄ毎に、特定の患者に対する適切な重要度を導出することができる。
なお、本形態では重要度導出部６０が文書データ１５Ｄ毎に重要度を導出する形態について説明したが、重要度を導出せずに、重み導出部５８が導出した重みに応じて、表示対象とする死亡予測に係わる文書データ１５Ｄ、及び表示順序の少なくとも一方を特定する形態としてもよい。また、重要度を導出せずに、重み導出部５８が導出した重みに応じて、表示対象とする長期入院予測に係わる文書データ１５Ｄ、及び表示順序の少なくとも一方を特定する形態としてもよい。
なお、上記第１及び第２実施形態では本開示の特定の対象の一例として、特定の患者を採用したが、特定の対象は、これに限定されるものではない。例えば、特定の企業、特定のペット、及び特定の商品等でもよい。また、上記各形態では、本開示の第１予測タスクを、特定の患者の診療に係わる診療サマリを生成するタスクにおける、死亡予測タスクとし、本開示の第１モデルを死亡予測モデル３２とし、かつ本開示の第２予測タスクを、長期入院予測タスクとし、本開示の第２モデルを長期入院予測モデル３３とした形態について説明したが、これらに限定されるものではない。
例えば、本開示の第１予測タスクを、特定の企業における社内文書の要約を生成するタスクにおける文書が役員向けの文書として採用される採用確率を出力するタスクとし、本開示の第１モデルをその採用確率を出力する役員向け文書採用モデルとしてもよい。この場合、本開示の第２予測タスクを、文書が部門内向けの文書として採用される採用確率を出力するタスクとし、本開示の第２モデルをその採用確率を出力する部門文書採用モデルとしてもよい。また、この場合、特定の企業に対する重要度を導出すればよい。
なお、本開示の第１予測タスク（第１モデル）と、第２予測タスク（第２モデル）とでは、より第１予測タスクの方が、第２予測タスクよりも特定の対象に対して重要視されるタスクである。上記第１及び第２実施形態では、「死亡」の方が、「長期入院」よりも重要であるため、死亡予測タスクを本開示の第１タスクの一例としており、長期入院予測タスクを本開示の第２タスクの一例としている。
また、第１及び第２実施形態では、死亡予測モデル３２及び長期入院予測モデル３３という２つの予測モデルを用いる形態について説明したが、３つ以上の予測モデルを用いる形態であってもよい。
また、上記形態において、例えば、取得部４０、モデル選択部４２、文書抽出部４４、重要度導出部４６、及び表示制御部４８といった各種の処理と、取得部５０、文書抽出部５２、第１評価値導出部５４、第２評価値導出部５６、重み導出部５８、重要度導出部６０、及び表示制御部６２と行った各種の処理との各々を実行する処理部（processing unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（processor）を用いることができる。上記各種のプロセッサには、前述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：PLD）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせや、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。
複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアント及びサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：SoC）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。
更に、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）を用いることができる。
また、上記各実施形態では、情報処理プログラム３０または情報処理プログラム３０Ａが記憶部２２のストレージ２２Ｃに予め記憶（インストール）されている態様を説明したが、これに限定されない。情報処理プログラム３０及び情報処理プログラム３０Ａの各々は、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）、及びＵＳＢ（Universal Serial Bus）メモリ等の記録媒体に記録された形態で提供されてもよい。また、情報処理プログラム３０及び情報処理プログラム３０Ａの各々は、ネットワークを介して外部装置からダウンロードされる形態としてもよい。つまり、本実施形態で説明したプログラム(プログラム製品)は、記録媒体で提供するほか、外部のコンピュータから配信する形態であっても良い。
以上の上記実施形態に関し、更に以下の付記を開示する。
（付記１）
第１データを入力とし、第１予測タスクを遂行する第１モデルと、第２データを入力とし、前記第１予測タスクと異なる第２予測タスクを遂行する第２モデルとを少なくとも含む複数のモデルと、
少なくとも１つのプロセッサと、を備え、
前記プロセッサは、
特定の対象に関する情報を表す情報データを取得し、
前記情報データに基づいて、前記複数のモデルから予測に用いる選択モデルを選択し、
前記選択モデルを用いて、前記情報データに含まれる項目毎に前記特定の対象に対する重要度を導出する
情報処理装置。
（付記２）
前記プロセッサは、
前記情報データを前記第１モデルに入力させ、前記第１予測タスクに係わる出力結果を取得し、
前記出力結果に基づいて、前記第１モデルまたは前記第２モデルのいずれかを前記選択モデルとして選択する
付記１に記載の情報処理装置。
（付記３）
前記第１予測タスクは、第１状態になる確率を導出するタスクであり、
前記第２予測タスクは、前記第１状態と異なる第２状態に係わるタスクであり、
前記プロセッサは、
前記第１状態になる確率が閾値を超える場合、前記第１モデルを選択モデルとして選択し、
前記第１状態になる確率が閾値以下の場合、前記第２モデルを選択モデルとして選択する
付記１または付記２に記載の情報処理装置。
（付記４）
前記情報データは、複数の文書データを含む文書データ群であり、
前記文書データ群を前記第１モデルに入力させ、前記第１予測タスクに係わる出力結果を取得し、
前記出力結果に基づいて、前記第１モデルまたは前記第２モデルのいずれかを前記選択モデルとして選択し、
前記選択モデルを用いて、前記文書データ群に含まれる文書データ毎に前記特定の対象に対する重要度を導出する
付記１から付記３のいずれか１つに記載の情報処理装置。
（付記５）
第１データは、複数の患者の各々に対応付けられた複数の第１医療情報データであり、
特定の対象は、特定の患者であり、情報データは、特定の患者が対応付けられた複数の第２医療情報データであり、項目は、複数の第２医療情報データの各々である
付記１に記載の情報処理装置。
（付記６）
前記第１予測タスク及び前記第２予測タスクの各々は、医療に関連するタスクである
付記１から付記５のいずれか１つに記載の情報処理装置。
（付記７）
前記第１予測タスクは、死亡予測タスクであり、
前記第２予測タスクは、長期入院予測タスクまたは合併症予測タスクである
付記６に記載の情報処理装置。
（付記８）
第１データを入力とし、第１予測タスクを遂行する第１モデルと、第２データを入力とし、第１予測タスクと異なる第２予測タスクを遂行する第２モデルとを少なくとも含む複数のモデルと、少なくとも１つのプロセッサと、を備えた情報処理装置のプロセッサが実行する情報処理方法であって、
特定の対象に関する情報を表す情報データを取得し、
情報データに基づいて、複数のモデルから予測に用いる選択モデルを選択し、
選択モデルを用いて、情報データに含まれる項目毎に特定の対象に対する重要度を導出する
情報処理方法。
（付記９）
第１データを入力とし、第１予測タスクを遂行する第１モデルと、第２データを入力とし、第１予測タスクと異なる第２予測タスクを遂行する第２モデルとを少なくとも含む複数のモデルと、少なくとも１つのプロセッサと、を備えた情報処理装置のプロセッサに、
特定の対象に関する情報を表す情報データを取得し、
情報データに基づいて、複数のモデルから予測に用いる選択モデルを選択し、
選択モデルを用いて、情報データに含まれる項目毎に特定の対象に対する重要度を導出する
処理を実行させるための情報処理プログラム。
（付記１０）
第１データを入力とし、第１予測タスクを遂行する第１モデルと、第２データを入力とし、前記第１予測タスクと異なる第２予測タスクを遂行する第２モデルとを少なくとも含む複数のモデルと、
少なくとも１つのプロセッサと、を備え、
前記プロセッサは、
予測対象である情報データを取得し、
前記情報データに含まれる項目データ毎に前記第１モデルの入力として、前記第１予測に係わる第１出力結果に対する第１評価値を導出し、
前記情報データに含まれる項目データ毎に前記第２モデルの入力として、前記第２予測に係わる第２出力結果に対する第２評価値を導出し、
前記情報データを前記第１モデルの入力として、前記第１予測に係わる第３出力結果を取得し、
前記第１評価値及び前記第２評価値を、前記第３出力結果に応じた重みにより重み付けする
情報処理装置。
（付記１１）
重み付けされた前記第１評価値及び前記第２評価値により、前記項目毎に、前記特定の対象に対する重要度を導出する
付記１０に記載の情報処理装置。
（付記１２）
第１データを入力とし、第１予測タスクを遂行する第１モデルと、第２データを入力とし、前記第１予測タスクと異なる第２予測タスクを遂行する第２モデルとを少なくとも含む複数のモデルと、少なくとも１つのプロセッサと、を備えた情報処理装置のプロセッサが実行する情報処理方法であって、
予測対象である情報データを取得し、
前記情報データに含まれる項目データ毎に前記第１モデルの入力として、前記第１予測に係わる第１出力結果に対する第１評価値を導出し、
前記情報データに含まれる項目データ毎に前記第２モデルの入力として、前記第１予測に係わる第２出力結果に対する第２評価値を導出し、
前記情報データを前記第１モデルの入力として、前記第１予測に係わる第３出力結果を取得し、
前記第１評価値及び前記第２評価値を、前記第３出力結果に応じた重みにより重み付けする
情報処理方法。
（付記１３）
第１データを入力とし、第１予測タスクを遂行する第１モデルと、第２データを入力とし、前記第１予測タスクと異なる第２予測タスクを遂行する第２モデルとを少なくとも含む複数のモデルと、少なくとも１つのプロセッサと、を備えた情報処理装置のプロセッサに、
予測対象である情報データを取得し、
前記情報データに含まれる項目データ毎に前記第１モデルの入力として、前記第１予測に係わる第１出力結果に対する第１評価値を導出し、
前記情報データに含まれる項目データ毎に前記第２モデルの入力として、前記第１予測に係わる第２出力結果に対する第２評価値を導出し、
前記情報データを前記第１モデルの入力として、前記第１予測に係わる第３出力結果を取得し、
前記第１評価値及び前記第２評価値を、前記第３出力結果に応じた重みにより重み付けする
処理を実行させるための情報処理プログラム。
１ 情報処理システム
９ ネットワーク
１０ 情報処理装置
１４ 患者情報ＤＢ
１５ 患者情報、１５Ｄ、１５Ｄ１～１５Ｄ３ 文書データ
１６、死亡予測結果、１６Ａ 患者情報単位の死亡予測結果、１６Ｄ 文書単位の死亡予測結果
１７、１７１～１７３ 死亡予測評価値
１８ 長期入院予測結果、１８Ｄ 文書単位の長期入院予測結果
１９、１９１～１９３ 長期入院予測評価値
２０ 制御部、２０Ａ ＣＰＵ
２２ 記憶部、２２Ａ ＲＯＭ、２２Ｂ ＲＡＭ、２２Ｃ ストレージ
２４ 通信Ｉ／Ｆ部
２６ 操作部
２８ 表示部
２９ バス
３０、３０Ａ 情報処理プログラム
３２ 予後予測モデル
３３ 長期入院予測モデル
４０ 取得部
４２ モデル選択部
４４ 文書抽出部
４６ 重要度導出部
４８ 表示制御部
５０ 取得部
５２ 文書抽出部
５４ 第１評価値導出部
５６ 第２評価値導出部
５８ 重み導出部
６０ 重要度導出部
６１１～６１３ 重要度
６２ 表示制御部
９０ 第１学習データ
９１ 第２学習データ
９５ 学習用患者情報、９５Ｄ 学習用文書データ
９６ 学習用死亡予測結果、９６Ｃ 正解死亡予測結果
９８ 学習用長期入院予測結果、９８Ｃ 正解死亡予測結果

Claims (9)

  1. 第１データを入力とし、第１予測タスクを遂行する第１モデルと、第２データを入力とし、前記第１予測タスクと異なる第２予測タスクを遂行する第２モデルとを少なくとも含む複数のモデルと、
    少なくとも１つのプロセッサと、を備え、
    前記プロセッサは、
    特定の対象に関する情報を表す情報データを取得し、
    前記情報データに基づいて、前記複数のモデルから予測に用いる選択モデルを選択し、
    前記選択モデルを用いて、前記情報データに含まれる項目毎に前記特定の対象に対する重要度を導出する
    情報処理装置。
  2. 前記プロセッサは、
    前記情報データを前記第１モデルに入力させ、前記第１予測タスクに係わる出力結果を取得し、
    前記出力結果に基づいて、前記第１モデルまたは前記第２モデルのいずれかを前記選択モデルとして選択する
    請求項１に記載の情報処理装置。
  3. 前記第１予測タスクは、第１状態になる確率を導出するタスクであり、
    前記第２予測タスクは、前記第１状態と異なる第２状態に係わるタスクであり、
    前記プロセッサは、
    前記第１状態になる確率が閾値を超える場合、前記第１モデルを選択モデルとして選択し、
    前記第１状態になる確率が閾値以下の場合、前記第２モデルを選択モデルとして選択する
    請求項１に記載の情報処理装置。
  4. 前記情報データは、複数の文書データを含む文書データ群であり、
    前記文書データ群を前記第１モデルに入力させ、前記第１予測タスクに係わる出力結果を取得し、
    前記出力結果に基づいて、前記第１モデルまたは前記第２モデルのいずれかを前記選択モデルとして選択し、
    前記選択モデルを用いて、前記文書データ群に含まれる文書データ毎に前記特定の対象に対する重要度を導出する
    請求項１に記載の情報処理装置。
  5. 前記第１データは、複数の患者の各々に対応付けられた複数の第１医療情報データであり、
    前記特定の対象は、特定の患者であり、前記情報データは、前記特定の患者が対応付けられた複数の第２医療情報データであり、前記項目は、前記複数の第２医療情報データの各々である
    請求項１に記載の情報処理装置。
  6. 前記第１予測タスク及び前記第２予測タスクの各々は、医療に関連するタスクである
    請求項１に記載の情報処理装置。
  7. 前記第１予測タスクは、死亡予測タスクであり、
    前記第２予測タスクは、長期入院予測タスクまたは合併症予測タスクである
    請求項６に記載の情報処理装置。
  8. 第１データを入力とし、第１予測タスクを遂行する第１モデルと、第２データを入力とし、前記第１予測タスクと異なる第２予測タスクを遂行する第２モデルとを少なくとも含む複数のモデルと、少なくとも１つのプロセッサと、を備えた情報処理装置の前記プロセッサが実行する情報処理方法であって、
    特定の対象に関する情報を表す情報データを取得し、
    前記情報データに基づいて、前記複数のモデルから予測に用いる選択モデルを選択し、
    前記選択モデルを用いて、前記情報データに含まれる項目毎に前記特定の対象に対する重要度を導出する
    情報処理方法。
  9. 第１データを入力とし、第１予測タスクを遂行する第１モデルと、第２データを入力とし、前記第１予測タスクと異なる第２予測タスクを遂行する第２モデルとを少なくとも含む複数のモデルと、少なくとも１つのプロセッサと、を備えた情報処理装置の前記プロセッサに、
    特定の対象に関する情報を表す情報データを取得し、
    前記情報データに基づいて、前記複数のモデルから予測に用いる選択モデルを選択し、
    前記選択モデルを用いて、前記情報データに含まれる項目毎に前記特定の対象に対する重要度を導出する
    処理を実行させるための情報処理プログラム。
JP2022138808A 2022-08-31 2022-08-31 情報処理装置、情報処理方法、及び情報処理プログラム Pending JP2024034529A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022138808A JP2024034529A (ja) 2022-08-31 2022-08-31 情報処理装置、情報処理方法、及び情報処理プログラム
US18/457,331 US20240071619A1 (en) 2022-08-31 2023-08-28 Information processing apparatus, information processing method, and information processing program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022138808A JP2024034529A (ja) 2022-08-31 2022-08-31 情報処理装置、情報処理方法、及び情報処理プログラム

Publications (1)

Publication Number Publication Date
JP2024034529A true JP2024034529A (ja) 2024-03-13

Family

ID=89998233

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022138808A Pending JP2024034529A (ja) 2022-08-31 2022-08-31 情報処理装置、情報処理方法、及び情報処理プログラム

Country Status (2)

Country Link
US (1) US20240071619A1 (ja)
JP (1) JP2024034529A (ja)

Also Published As

Publication number Publication date
US20240071619A1 (en) 2024-02-29

Similar Documents

Publication Publication Date Title
CN109147931B (zh) 电脑辅助医疗法、非暂态电脑可读取存储媒体及医疗系统
US7917377B2 (en) Patient data mining for automated compliance
US7801839B2 (en) Method for training a learning-capable system
US20120271612A1 (en) Predictive modeling
US7668826B2 (en) Predicting apparatus, predicting method, and computer product
JP5977898B1 (ja) 行動予測装置、行動予測装置の制御方法、および行動予測装置の制御プログラム
JP4318221B2 (ja) 医療情報分析装置、方法及びプログラム
JP6177609B2 (ja) 医療カルテシステム及び医療カルテ検索方法
Hans et al. Boosting distributional copula regression
De Neve et al. A Mann–Whitney type effect measure of interaction for factorial designs
JP2024034529A (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
Li et al. InterVA4: An R package to analyze verbal autopsy data
JP6301853B2 (ja) 経年変化予測システム
JP2021135930A (ja) 分析装置、分析方法、および分析プログラム
JP2024035034A (ja) 情報処理装置、学習装置、情報処理システム、情報処理方法、学習方法、情報処理プログラム、及び学習プログラム
Bruckers et al. Cluster analysis for repeated data with dropout: Sensitivity analysis using a distal event
US20240070545A1 (en) Information processing apparatus, learning apparatus, information processing system, information processing method, learning method, information processing program, and learning program
Shruthi et al. Diabetes prediction using machine learning technique
US11875901B2 (en) Registration apparatus, registration method, and recording medium
Budiana et al. Bayesian Additive Regression Tree Application for Predicting Maternity Recovery Rate of Group Long-Term Disability Insurance
JP2024034528A (ja) モデル生成装置、文書生成装置、モデル生成方法、文書生成方法、及びプログラム
EP4235683A1 (en) Health improvement path search device and health improvement path search method
Sarathchandra An Improved Machine Learning Framework for Cardiovascular Disease Prediction
Zhao et al. Time-varying coefficient models with ARMA–GARCH structures for longitudinal data analysis
JP2023103763A (ja) Ａｉ学習データ作成支援システム、ａｉ学習データ作成支援方法およびａｉ学習データ作成支援プログラム