JP4404609B2 - 医療事故サポートシステム - Google Patents

Description

本発明は、病院等における過去に発生した医療事故を客観的に適切に分析するとともに、将来の医療事故を低減、予防するための医療事故サポートシステムに関する。

従来、病院等において医療事故が発生した場合には、事故報告書をもとに、上司または委員会等で内容を検討し対応を行ってきた。このため、事故対応の時間的遅れや、事故内容の報告者の偏り及び判断者の知識の偏りに起因して、必ずしも最適な対策が講じられてきたとは限らず、かつ、事故対応の基準も必ずしも明確ではなかった。したがって、どのような状況の下で事故が発生しやすくなるか、その発生確率はどの程度か、それに応じて事故の発生を未然に防ぐには、患者や医療・看護従事者の状態、就業状況等を勘案してどのような対策が有効か、等を、客観的かつ定量的な判断情報として得ることは困難であった。また、このような点に着目して、医療事故発生防止のために種々の情報を総合的に集約、解析できるようにしたシステムは未だ見当たらない。

そこで本発明は、上記のような現状に鑑み、病院等における過去に発生した医療事故を客観的にかつ総合的に適切に分析してデータベースを構築できるとともに、それに基づいて将来の医療事故を、種々の情報を総合的に勘案して、確実に低減、予防できるようにした医療事故サポートシステムを提供することにある。

上記課題を解決するために、本発明に係る医療事故サポートシステムは、医療事故の記録、解析、発生確率予測等を行う手段としてコンピュータを用いたシステムからなり、
（Ａ）医療・看護従事者および患者の客観属性および個人特性からなる事故客観属性と、事故報告書、対策検討書に記述された事項に基づいて自然言語で入力された、発生した医療事故の内容、原因、事故発生時の患者と医療・看護従事事故当事者の状況、採られた対策とを、記録して登録する事故登録処理部と、
（Ｂ）該事故登録処理部における事故客観属性の主成分分析を行って主成分得点を算出するとともに、前記事故登録処理部における事故記録の記述文について、予め多数の事故例が登録されている事故登録辞書データベースを参照しつつ形態素解析を行い、単語出現頻度を考慮して主成分分析を行って事故履歴の主成分得点を算出し、両主成分得点を突き合わせて重回帰分析を行うことにより事故パターンを算出し、算出された全事故パターンを将来発生し得る事故パターンとして集約した事故予測テーブルを作成する事故解析処理部と、
（Ｃ）作成された前記事故予測テーブルと、下記のステップにて推定された患者と医療・看護従事者の個人特性および就業状況を含む個人状況とを突き合わせ、予め設定した比較基準に基づいて、前記事故予測テーブルの中から、現状実際に発生し得る事故パターンを抽出することにより現状実際に発生し得る事故を予測する事故予測処理部と、
を有することを特徴とするものからなる。

この医療事故サポートシステムにおいて、前記事故解析システム部は、さらに、事故記録と、過去に作成された事故予測テーブルとの相関を算出し、その事故記録に対応する事故パターンを算出することができる。

また、前記事故登録システム部または／および前記事故解析システム部は、発生した医療事故の報告記述文の言語解析を行い、該言語解析結果を前記事故パターンの算出に使用することができる。

前記事故解析システム部が、前記言語解析結果が前記事故パターンの算出に不十分なものであると判定したときには、その不備を補う指示を発するようにすることができる。不備を補った後、再度同じ処理を行えばよい。

上記言語解析は、たとえば、予め作成した自然言語の基準テーブルと照合して形態素解析することにより行うことができる。

前記患者および／または医療・看護従事者の個人特性は、次のように推定することができる。すなわち、患者および／または医療・看護従事者の個人特性を、
（ａ）各個人が使用した言語群の中の単語をコンピュータにより予め設定されたテキストに照合することによってそれぞれ形態素として抽出し、該抽出した形態素を予め設定した群からなる複数の要因に分類するとともに、要因別に設定された因子得点を集計して要因別に重み付けを行い、その個人が基本的に有している内的価値観を、前記重み付けされた各要因の線型モデルとして求め、
（ｂ）その個人に特定の評価対象が与えられたときの該評価対象に対するその個人の言語活動から、使用された単語をコンピュータにより予め設定されたテキストに照合することによってそれぞれ形態素として抽出し、該抽出した形態素を予め設定した群からなる複数の要因に分類するとともに、要因別に設定された因子得点を集計して要因別に重み付けを行い、その個人がその時に有している対象評価価値観を、前記重み付けされた各要因の線型モデルとして求め、
（ｃ）前記内的価値観および対象評価価値観の各線型モデルを、各々単独で表記することにより各価値観を個別に推定し、または／および、実質的に同一の次元領域に表記することにより各価値観を含む総合的な個人特性を推定する、
個人特性推定システムにより推定することができる。

あるいは、前記患者および／または医療・看護従事者の個人特性を、
（ｄ）各個人が使用した言語群の中の単語をコンピュータにより予め設定されたテキストに照合することによってそれぞれ形態素として抽出し、該抽出した形態素を予め設定した群からなる複数の要因に分類するとともに、要因別に設定された因子得点を集計して要因別に重み付けを行い、その個人が基本的に有している内的価値観を、前記重み付けされた各要因の線型モデルとして求め、
（ｅ）その個人に特定の評価対象が与えられたときの該評価対象に対するその個人の言語活動から、使用された単語をコンピュータにより予め設定されたテキストに照合することによってそれぞれ形態素として抽出し、該抽出した形態素を予め設定した群からなる複数の要因に分類するとともに、要因別に設定された因子得点を集計して要因別に重み付けを行い、その個人がその時に有している対象評価価値観を、前記重み付けされた各要因の線型モデルとして求め、
（ｆ）個人の五感の少なくとも一つの感覚に対する刺激をランダムに付与し、付与された刺激に対する反応を検知し、反応結果と反応時間からその個人の処理能力を含むその時の処理適性を線型モデルとして求め、
（ｇ）前記内的価値観、対象評価価値観および処理適性の各線型モデルを、各々単独で表記することにより各価値観および処理適性を個別に推定し、または／および、実質的に同一の次元領域に表記することにより各価値観および処理適性を含む総合的な個人特性・能力を推定する、
個人特性推定システムにより推定することができる。

上記のような本発明に係る医療事故サポートシステムにおいては、従来の単なる事故報告書、対策検討書の形態ではなく、医療事故を客観的な事項に沿って正確に記録し整理されたデータのデータベースとして構築でき、さらに、種々の要因と関連付けた事故パターンとして解析できる。そして、各事故パターンを集約した事故予測テーブルを参照して、個人属性や就業状態等との関連から、客観的な基準によって、現状における事故発生確率とその内容を、ほぼリアルタイムに近い形態で予測することが可能になる。

したがって、本発明に係る医療事故サポートシステムによれば、事前に的確な事故発生確率とその内容を把握できるので、医療事故の発生を未然に防ぐことが可能になり、医療事故を大幅に低減、あるいは実質的に皆無に近い状態にすることが可能となる。

また、個人属性等と関連付けて解析することから、現状の医療・看護従事者の適性や現在の就業状態の適否等を、医療事故発生低減、予防の観点から、適切に判断することも可能となり、医療・看護従事者およびそれらの管理者の双方にとって、極めて的確かつ有用な情報が得られることになる。

以下に、本発明に係る医療事故サポートシステムの望ましい実施の形態を、図面を参照して説明する。
本発明に係る医療事故サポートシステムは、コンピュータを用いて、発生した医療事故の登録を容易にかつ客観的な基準事項に基づいて行うことができるとともに、その解析、事故パターンを集約した事故予測テーブルの作成、事故予測テーブルと現状の状態を参照して事故発生予測を行うことができる。つまり、本発明に係る医療事故サポートシステムは、事故登録の簡便化と平行して、自然言語による登録と言語解析からの事故レベル推定、再登録サポート、予測等を行うことを特徴としている。

より具体的には、
（１）Ｗｅｂ画面での事故登録の簡易化
（２）自然言語による事故登録内容からの事故当事者の技術の水準推定
（３）登録後の事故リアルタイム解析（過去の事故履歴データベースと連動）
（４）自然言語による不十分な事故登録内容の場合の再入力のシステムサポート
（５）事故レポート作成
（６）勤務予定等と連動した事故タイミングと内容の予測
を、個人別に行うことができることを特徴としている。

本発明に係る医療事故サポートシステムにおける、事故表記・予測のための基本データ構造は、たとえば図１に示すように構成されている。つまり、医療・看護従事者（図１では、簡略化のため医療従事者と表示）１０１と患者１０２の客観属性および個人特性と、発生した医療事故の内容１０３を含むデータ構造である。

また、本発明に係る医療事故サポートシステムのシステム構成は、基本的には、処理部とデータベース部から構成されている。たとえば図２に示すように、事故登録システム１０４、事故解析システム１０５、事故予測システム１０６等の処理部と、事故履歴データベース（以下、ＤＢと表記することもある。）１０７、従業員（医療・看護従事者）属性ＤＢ１０８、従業員就業ＤＢ１０９、事故内容を記録するために客観的な必要記録事項を予めまとめた事故登録辞書ＤＢ１１０等のデータベース部から構成されている。

上記処理部における事故登録システムでは、事故内容に関する客観情報の登録、及び自然言語による事故「内容」「原因」「状況」「対策」の登録を行う。これらは、予め準備した事故報告書、対策検討書等に記入してもらった事項に基づいて行われるが、客観情報として登録するため、自然言語の形態で行われ、たとえば、形態素解析した状態にて行われる。すなわち、
・患者属性
・事故当事者属性
・事故内容
・事故原因
・自然言語による事故「内容」「原因」「状況」「対策」の入力
等が行われる。

事故登録の自然言語による登録を終了すると、リアルタイムで言語解析を行い、登録内容に不備が認められる場合、「事故再登録」が指示されるようにすることが好ましい。その場合には、再登録が必要な項目に対して、参照語彙群が表示され、登録内容をリードするようにすることが好ましい。

上記自然言語による事故登録と併せて、上記事故解析システムについて、図３を参照しながら説明する。すなわち、過去の事故履歴から、事故内容の主成分分析を行い、事故内容主成分得点から事故パターンを算出し、各事故パターンを集約した事故予測テーブルを作成する。たとえば図３に示すように、事故の客観属性１１１の主成分分析１１２を行い、主成分得点算出１１３を行う。一方、「事故内容」記述文１１４、「事故原因」記述文１１５、「事故状況」記述文１１６、「事故対策」記述文１１７について、事故登録辞書ＤＢ１１０を参照しつつ形態素解析１１８を行い、単語出現頻度１１９等を考慮して主成分分析１２０を行い、主成分得点算出１２１を行う。事故客観属性１１１の主成分得点と事故履歴の主成分得点から重回帰分析１２２を行い、事故パターン算出１２３を行う。算出された各事故パターンを集約することにより、事故予測テーブル作成１２４を行う。

また、事故のリアルタイム解析を行って、上記事故予測テーブル作成１２４に集約された各事故パターンが適切か否かを検証し、不備が有る場合には、再登録を指示するようにすることができる。すなわち、入力された事故客観属性及び自然文章からなる各記述文から、上記事故予測テーブル１２４を使用して事故パターンを算出しその適否を判断する。より具体的には、たとえば図４に示すように、「事故内容」記述文１１４、「事故原因」記述文１１５、「事故状況」記述文１１６、「事故対策」記述文１１７の形態素解析１１８の結果と、事故客観属性１１１との間の、事故予測テーブル１２４を使用した相関（相関行列）の算出１２５を行い、事故パターン算出１２６を行う。そして、事故パターン算出が適切に行われたか否かが判断され（判断ステップ１２７）、適切に行われた場合にはそれを登録する。また、適切に行われなかった場合には、たとえば事故イレギュラー登録アラーム１２８を発し、登録再入力指示１２９を行うようにすることができ、再入力によって適正化された事故パターンを登録すればよい。このとき、併せて、たとえば上司へのレポートを出力させることもできる（ステップ１３０）。

このように作成された事故予測テーブル１２４を参照して、患者と医療・看護従事者の個人属性および就業状況等を含む個人状況から、現状の事故発生確率とその事故内容を、事故予測システム１０６で予測することができる。たとえば、従業員就業ＤＢから、医療・介護内容に従った予測リストを算出することができ、医療事故予防に供することができる。予測リストは、
・医療従業者本人用
・医療従業者管理者用
を出力でき、自己管理資料、管理者用資料として使用できる。

この事故予測には、患者および／または医療・看護従事者の個人属性を客観的に推定し、その推定データを使用できる。

このような個人の特性や能力を推定プログラムとして、たとえば以下のようなプログラムを採用できる（以下のプログラムを本明細書ではＹＲＭと呼ぶ）。このＹＲＭ（個人特性・能力推定）手法について説明する。このＹＲＭで推定された個人特性・能力は、その分析対象者に対する医療・看護業務従事の適正判断や修正すべき特性や能力の判断等に供することができ、その個人に対しても、あるいは、管理者に対しても、最適な情報を提供して、判断や実行等に供することができる。

上記ＹＲＭは、コンピュータを用いて、
（ａ）各個人が使用した言語群の中の単語をコンピュータにより予め設定されたテキストに照合することによってそれぞれ形態素として抽出し、該抽出した形態素を予め設定した群からなる複数の要因に分類するとともに、要因別に設定された因子得点を集計して要因別に重み付けを行い、その個人が基本的に有している内的価値観を、前記重み付けされた各要因の線型モデルとして求め、
（ｂ）その個人に特定の評価対象が与えられたときの該評価対象に対するその個人の言語活動から、使用された単語をコンピュータにより予め設定されたテキストに照合することによってそれぞれ形態素として抽出し、該抽出した形態素を予め設定した群からなる複数の要因に分類するとともに、要因別に設定された因子得点を集計して要因別に重み付けを行い、その個人がその時に有している対象評価価値観を、前記重み付けされた各要因の線型モデルとして求め、
（ｃ）前記内的価値観および対象評価価値観の各線型モデルを、各々単独で表記することにより各価値観を個別に推定し、または／および、実質的に同一の次元領域に表記することにより各価値観を含む総合的な個人特性を推定するプログラムである。

あるいは、コンピュータを用いて、（ｄ）各個人が使用した言語群の中の単語をコンピュータにより予め設定されたテキストに照合することによってそれぞれ形態素として抽出し、該抽出した形態素を予め設定した群からなる複数の要因に分類するとともに、要因別に設定された因子得点を集計して要因別に重み付けを行い、その個人が基本的に有している内的価値観を、前記重み付けされた各要因の線型モデルとして求め、
（ｅ）その個人に特定の評価対象が与えられたときの該評価対象に対するその個人の言語活動から、使用された単語をコンピュータにより予め設定されたテキストに照合することによってそれぞれ形態素として抽出し、該抽出した形態素を予め設定した群からなる複数の要因に分類するとともに、要因別に設定された因子得点を集計して要因別に重み付けを行い、その個人がその時に有している対象評価価値観を、前記重み付けされた各要因の線型モデルとして求め、
（ｆ）個人の五感の少なくとも一つの感覚に対する刺激をランダムに付与し、付与された刺激に対する反応を検知し、反応結果と反応時間からその個人の処理能力を含むその時の処理適性を線型モデルとして求め、
（ｇ）前記内的価値観、対象評価価値観および処理適性の各線型モデルを、各々単独で表記することにより各価値観および処理適性を個別に推定し、または／および、実質的に同一の次元領域に表記することにより各価値観および処理適性を含む総合的な個人特性・能力を推定するプログラムである。

この個人特性・能力推定方法においては、まず、個人が有している内的価値観を線型モデルとして求めることができ、たとえば、自己表現している単語（形態素）の分析から、心理学的な表記要素を含む線型モデルとして求めることができ、それに基づいてその個人の行動プロセスの推定まで可能となる。また、与えられた対象を表記していると考えられる単語（形態素）の分析から、対象評価価値観を線型モデルとして求めることができ、それに基づいてその個人の行動の動機を推定することが可能となる。また、付与された刺激、たとえば与えられた情報に対する処理の物理的属性（たとえば、処理の速さ）から、処理能力を含む処理適性を、とくにその個人の処理パターンを線型モデルとして求めることができ、さらに、加算能力等の単純負荷に対する処理能力を線型モデルとして求めることにより、そこからたとえば、ストレスや情報処理に関する安定性等を抽出することまで可能となる。

そして、これら個人の内的価値観、対象評価価値観、処理適性をすべて線型モデルとして表記することが可能であるから、各特性を個別に分析、表記できることは勿論のこと、とくに、同一の次元領域に、たとえば、一つの個人特性図として、すべてを含めて総合的に表記することが可能となる。つまり、個人に対して、行動パターン、行動の動機、処理パターン、ストレスや安定性等を含めた、心理的な行動開始から実際の行動に至るまでのプロセスを総合的にかつ的確に推定可能となり、各個人に対する属性や能力判断に現実に活用できる有効な情報が提供される。

以下に、内的価値観、対象評価価値観および処理適性の各線型モデルを、各々個別に求める方法の実施態様について説明し、続いて、これらの特性を実質的に同一の次元領域に表記することにより各価値観および処理適性を含む総合的な個人特性を推定する方法について説明する。

図５は、コンピュータに入力設定されている、自分を表現する語彙を羅列したアンケート表の一例を示している。図５に示したアンケート表Ｈ１は、長年の試行錯誤の繰り返しにより抽出した語彙を選択、羅列したものであり、実際に数万人規模で個人の内的価値観の抽出に使用したアンケート表である。

この表Ｈ１における各語彙は、内的価値観を代表的に表記する複数の要因に分類されるとともに、各語彙には各要因別に因子得点が付与されている。この複数の要因への分類、要因別の因子得点の付与は、全国的母集団から、統計処理されて演算されている。

各要因は、たとえば、図６にも示すように、次の６つに設定される。
ｙｐ１：野心的要因
ｙｐ２：真面目要因
ｙｐ３：きさく要因
ｙｐ４：大人しい要因
ｙｐ５：優しい世話好き要因
ｙｐ６：明るい外交要因

上記のようなアンケート表に対する各個人毎のアンケート採取結果から、前記因子得点により各語彙を各要因別に重み付けしたテーブルを作成し、個人別に、その重み付けテーブルにおける因子得点を集計することにより、各要因別に重み付けを行うことができる。すなわち、その個人の内的価値観ＹＰを、
ＹＰ＝ｙｐ１＋ｙｐ２＋ｙｐ３＋ｙｐ４＋ｙｐ５＋ｙｐ６
で表し、線型モデルとして求めることが可能になる。この実施態様では、内的価値観ＹＰをｙｐ１〜ｙｐ６の６次元の因子得点による線型モデルとして求めているが、これに限定されない。
このように、まず、個人の内的価値観ＹＰに関する個人特性が、コンピュータを用いて抽出可能となる。

また、同様に、与えられた対象に対する対象評価価値観ＯＶＡに関する個人特性が、コンピュータを用いて抽出可能となる。
たとえば、図７に、コンピュータに入力設定されている、ある対象が与えられた場合にその対象を表現する語彙を羅列したアンケート表の一例を示す。図７に示したアンケート表Ｈ２は、長年の試行錯誤の繰り返しにより抽出した語彙を選択、羅列したものであり、実際に数万人規模で個人の対象評価価値観の抽出に使用したアンケート表である。

この表Ｈ２における各語彙は、対象評価価値観を代表的に表記する複数の要因に分類されるとともに、各語彙には各要因別に因子得点が付与されている。この複数の要因への分類、要因別の因子得点の付与は、全国的母集団から、統計処理されて演算されている。

各要因は、たとえば、図８にも示すように、次の７つに設定される。
ｏｖａ１：Decorative（装飾的意味合いの強い価値要因）
ｏｖａ２：Fun （即時的な”Ｆｕｎ”追求要因）
ｏｖａ３：Pragmatics（実用主義的要因）
ｏｖａ４：Heartful（ものに所属する思い出・愛情要因）
ｏｖａ５：Healthy （家庭を中心に相反するくつろぎ要因）
ｏｖａ６：Self Saving （自分自身をＳａｖｅする要因）
ｏｖａ７：Feed（食要因）

上記のようなアンケート表に対する各個人毎のアンケート採取結果から、前記因子得点により各語彙を各要因別に重み付けしたテーブルを作成し、個人別に、その重み付けテーブルにおける因子得点を集計することにより、各要因別に重み付けを行うことができる。すなわち、その個人の対象評価価値観ＯＶＡを、
ＯＶＡ＝ｏｖａ１＋ｏｖａ２＋ｏｖａ３＋ｏｖａ４＋ｏｖａ５＋ｏｖａ６
＋ｏｖａ７
で表し、線型モデルとして求めることが可能になる。この実施態様では、対象評価価値観ＯＶＡをｏｖａ１〜ｏｖａ７の７次元の因子得点による線型モデルとして求めているが、これに限定されない。
このように、個人の対象評価価値観ＯＶＡに関する個性も、コンピュータを用いて抽出可能となる。

上記においては、各個人毎のアンケート採取結果からのみ、個人の内的価値観ＹＰ、対象評価価値観ＯＶＡに関する個性を抽出するようにしたが、インターネット等の情報伝達手段を介して入手した情報から、各個人の個性を抽出することも可能である。たとえば、情報伝達手段（たとえば、インターネット）を介して個人情報を入手し、入手した個人からのランダムな情報を形態素解析し（つまり、得られた情報中の語彙を、各々、各語句が意味をなす最小単位である形態素に変換し）、得られた各形態素を予め設定しておいた意味辞書に照合して、個人別の使用言語に関する意味テーブルを作成する。そして、作成した個人の意味テーブルと、既に求めておいた上述した内的価値観抽出方法または対象評価価値観抽出方法における他人の線型モデルおよびその線型モデルを作成するための重み付けテーブルにおける集計結果の相関関係とを比較照合する。ぴったりのものがあれば、その相関関係からその個人の線型モデルを、アンケート集計結果がなくても抽出することが可能になり、類似のものがあれば、その類似の相関関係からその個人の線型モデルを推定することが可能になる。この抽出あるいは推定結果から、その個人の内的価値観あるいは対象評価価値観を、線型モデルとして推定、抽出することが可能になる。

上記のように線型モデルとして求められた内的価値観に関する個人特性から、対象に対する個人の行動プロセスを推定し、線型モデルとして求められた対象評価価値観に関する個人特性から、対象に対する個人の行動動機を推定することが可能になり、その個人に対する好適な手法の自動提示することが可能になる。このような推定内的価値観、対象評価価値観から求められた好適な手法の自動提示は、それら各々のみでも、カウンセリングに適用できる。

上記ＹＲＭにおいては、上記のような内的価値観、対象評価価値観の推定に加え、個人の処理適性が線型モデルとして求められ、これら特性が含む総合的な個人特性（情報処理能力）まで推定され得る。

上記ＹＲＭにおいて処理適性は、個人の五感の少なくとも一つの感覚に対する刺激をランダムに付与し、付与された刺激に対する反応を検知し、反応結果と反応時間からその個人の処理能力を含むその時の処理適性を線型モデルとして求められる。このような処理適性を線型モデルは、たとえば次のような処理能力を検査するための処理能力検査装置によって求めることができる。図９は、コンピュータを用いた処理能力検査装置の基本構成の一例を示している。図１０は、上記処理能力検査を、単純負荷試験としての、クレペリン検査に適用した場合の刺激付与手段部および反応検知手段部の一構成例を示している。

図９に示す、個人の被検者の付与刺激に対する処理能力を検査するための処理能力検査装置１には、被検者の五感のうちたとえば視覚、聴覚、触覚の少なくとも一つの感覚に対する刺激をランダムに繰り返して被検者に付与する刺激付与手段２と、繰り返し付与された刺激に対する被検者の反応を検知する反応検知手段３と、繰り返し付与された刺激に対する被検者の反応に要する時間を計測する反応時間計測手段４と、被検者の反応結果および反応時間計測手段４による計測結果を記録する記録手段５と、記録手段５による記録結果を、付与された刺激と関連付けて、被検者の反応特性を分析する分析手段６とが設けられている。また、必要に応じて、記録手段５からの記録情報、および分析手段６からの分析結果情報を、画面表示またはプリントアウトする表示手段７が設けられている。分析手段６からの分析結果情報は、表示手段７を介して、あるいは直接的に、たとえば転送手段８を介してホストコンピュータ９に送ることも可能になっている。

刺激付与手段２は、被検者の視覚、聴覚、触覚に訴える刺激を発生したり課題を提示したりする。この刺激付与手段２による刺激の付与は、たとえば、被検者が反応するまで続行し、被検者の反応後、次の刺激を付与し、この動作を連続的に繰り返し行うことにより実行することができる。刺激の種類は、ランダムに変化させ、付与された刺激に対し被検者の反応特性を把握できるようにする。

反応検知手段３は、繰り返し付与された刺激に対する被検者の反応を、適当な反応入力装置（たとえば、ペンタッチ入力装置）により入力させ、入力された反応を読み取る。たとえば、単純負荷試験として、本発明における処理能力検査、推定をクレペリン検査に適用した例を図１０に示すが、画面１１に刺激提示領域１２（課題提示領域）を設定し、この領域１２に、クレペリン検査における乱数列の隣接する２つの数字を表示する。刺激提示領域１２の下部には、反応入力領域１３、たとえば感圧センサ付きの反応入力領域１３を設定し、この領域１３に、付与された刺激（課題）に対する反応（解答）を、たとえばペン入力装置からなる反応入力装置１４を用いて被検者が入力する。被検者による入力開始後、あるいは入力途中で若しくは入力完了後、２つの数字のうち右側の数字を左側に移動し、右側の数字提示領域には次の新たな数字を提示して、クレペリン検査における数列の組み合わせを一つ右側に移動し、次の課題を提示する。この操作を順次繰り返すことにより、従来の用紙を用いて行っていたクレペリン検査と同等の課題提示を行うことが可能になる。

反応時間計測手段４では、繰り返し付与された刺激に対する被検者の反応に要する時間を計測するが、上記のようなクレペリン検査における、２つの数字の和を計算する単純な課題では、被検者は計算が終わってから解答するので、いわゆる「書きながら考える」ことはしないと考えられるから、解答（反応）の開始時点までの時間を計測するのが妥当である。したがって、反応が開始されれば、数列を次の課題に移行させればよい。

記録手段５では、被検者の反応結果（解答結果）を記録するとともに、各刺激付与毎に反応に要した時間、つまり、反応時間計測手段４による計測結果を記録する。本実施態様では、この記録手段５による記録情報を、そのままの生データの形でも表示手段７により表示あるいはプリントアウト可能となっている。実際には、上記反応検知手段３による検知、反応時間計測手段４による計測、および記録手段５による記録は、実質的に同時といってもよいほど極短時間に行われるので、この記録手段５による記録完了と同時に次の刺激への移行を行えばよい。

分析手段６では、記録手段５による記録結果を、付与された刺激と関連付けて、被検者の反応特性を分析する。たとえば上記クレペリン検査においては、解答の正否を判断するとともに、各所定時間毎に提示された数列に対する解答の総量を分析し、かつ、各数列毎の（各所定時間毎の）処理速度の分布や分散、つまり、所定の短い時間内において処理速度がどのように変化したか、また、その変化の度合いはどのような大きさであったかが、分析される。分析手段６による分析結果は、表示手段７により表示あるいはプリントアウト可能となっている。分析手段６による分析結果の情報を転送手段８を介してホストコンピュータ９に送れば、複数人の検査データをホストコンピュータ９でまとめてさらに詳しい分析を行うことが可能になる。また、分析手段６による分析結果の情報を刺激付与手段２にフィードバックするようにすれば、たとえば、分析手段６による分析結果に応じて刺激付与手段２による刺激付与方法を適切に変化させるようにすれば、目標とする検査をさらに精度を高めた条件で行うことも可能になる。

上記のような構成を有する処理能力検査装置においては、従来の装置では得ることができなかった、短い時間的要素の入った検査情報が、精度良く得られ、得られた情報に基づいて、従来成し得なかった能率や能力の変化特性を分析することができる。

たとえば従来の作業能率検査では、主として紙の上に印刷された課題を順次解いていく方法が用いられており、被験者の反応は、一定の時間、たとえば一分間の間隔毎にまとめて分析されていた。もちろんこの従来方法でも、被験者の作業能率特性をある程度評価することは可能であったが、次のような点が問題点として指摘される。
（１）課題毎の処理時間を正確に捉えることはできず、ある時間、たとえば１分間における平均処理時間としてしか捉えることができない。そのため、課題の種類に応じた反応特性等を把握することはできなかった。
（２）各課題を解くために必要な時間の分散を推定することができない。
（３）持続的な注意力が途切れる様子や時間、周期等を判断することができない。
（４）持続的な注意力が途切れる場合、どのぐらいの時間で注意力が回復するのかを判断することができない。
（５）注意力を持続している時と注意力が途切れた時との間にどの程度の処理能力差があるのか推定できない。

しかし上記のような処理能力検査装置では、これらの問題をすべて解消可能となる。すなわち、上記（１）については、たとえばクレペリン検査では、すべての課題が均質であるという保証はなく、３＋６と８＋４とでは繰り上がりの有無によって計算時間が若干異なると考えられ、平均処理時間を推定するためには個々の課題を処理する時間を正確に測定しなければ判断できず、従来の方法では判断できないが、本実施態様に係る処理能力検査装置では、個々の課題処理時間が各々正確に測定されるので平均処理時間は正確に演算され、しかも個人差や課題の種類に関連付けて個々の課題処理時間の変化の程度まで正確に測定される。

また、上記（２）については、たとえば２人の人が一定時間に同じ処理量をこなしたとしても、それぞれの課題をほぼ同じ処理時間で処理時間の分散の小さい人と、処理時間の分散の大きい人とでは、処理能力の特性が異なると考えられる。このような差異は、従来の方法では判断できないが、本実施態様に係る処理能力検査装置では、課題の種類や一定の時間内における課題処理速度の変化に関連付けて、分布や分散が正確に測定される。

また、上記（３）、（４）、（５）についても、本実施態様に係る処理能力検査装置では、課題に対する正否、課題処理速度の時間的変化が正確に測定されるので、注意力の持続時間、注意力の途切れる時、その回復状態が、精度良く、個々の被検者に応じた特性として正確に測定される。

上記のような、従来の方法では把握できなかった詳細な分析情報まで正確に測定できる上記処理能力検査装置は、視覚刺激のみならず、聴覚や触覚まで含めた複合的な刺激付与に対しても適用できる。すなわち、図１１に示すように、視覚刺激提示手段２１、聴覚刺激付与手段２２、触覚刺激付与手段２３を備え、これら手段２１、２２、２３から付与される刺激を任意に組み合わせて、複合刺激付与２４を行うことができる。各刺激付与手段２１、２２、２３からの刺激は、実質的に同時に付与してもよく、順次付与してもよく、それらをランダムに組み合わせてもよい。また、一つの感覚刺激付与手段内で、複合的な刺激、つまり複数種の刺激を実質的に同時にあるいは順次付与してもよい。

さらに、複数種の刺激を付与し、被検者の注意力がどのように分散されるかの特性等も測定可能である。たとえば車の運転行為を考えた場合、種々の感覚情報に囲まれながら、刻々変化する状況に対処して適切な行動をとる必要がある。このような状況下における作業能力を評価するためには、単純な作業課題を遂行している際に、他の情報課題を検知、処理できるか否かを調べればよい。たとえば図１２に複数の視覚刺激を付与する場合の例を示す。この例は、前述のクレペリン検査に加え、クレペリン検査における課題提示領域１２の上部に、複数の発光領域３１を設け、被検者は、課題提示領域１２に提示された２つの数字の和を計算している間に、点滅した発光部の位置を答えるようにしたものである。発光部の位置、発光時間、強度を変化させることで注意を分散しなければならない状況での情報処理能力を評価することができる。図１２（Ａ）に示した構成は、反応領域１３にクレペリン検査の答えと、発光領域３１の発光位置との両方を反応入力装置１４によって入力するようにしたものであり、図１２（Ｂ）に示した構成は、画面下部に、発光領域３１における発光部の個数と同数の解答領域３２を設け、発光領域３１における発光位置と同じ位置にクレペリン検査の答えを入力させるようにしたものである。いずれも、複数の視覚刺激に対し実質的に同時に反応しなければならないようにしたものであり、注意力の分散に関する被験者の特性を測定できる。

このように、上記処理能力検査装置では、従来の方法では測定し得なかった、とくに時間的要素を加味した個々の被験者の処理能力特性を精度良く、かつ、正確に測定できるようになる。したがって、上記処理能力検査装置は、前記例示したクレペリン検査に限らず、視覚刺激、聴覚刺激、触覚刺激が個々にあるいは複合的に付与されるあらゆる分野の処理能力特性の評価に幅広く応用できる。

上記のような処理能力検査装置を用いて、たとえば、単純負荷試験として、単純反応作業１分間、加算作業を３分間を３回行い、それぞれの問の回答時間や解をテキストファイルとして記憶し、それからたとえば、次のように単純統計量、ミス率、基本指標を算出して、個人別の変数を求め、それら変数を使用して個人別の処理適性に関する主成分を線型モデルとして表記することが可能である。

たとえば上記のように３回行われた単純負荷試験の作業から、単純統計量、ミス率および基本指標を求める。単純統計量、ミス率としては、たとえば次のように求める。
・回答間平均時間
・同上標準偏差
・同上変動係数
・同上最大値と最小値
・回答数
さらに、
・ミス回答数
・ミス回答率
などを求める。

また、基本指標は、たとえば次のように求める。
・第１回目加算平均時間−単純反応平均時間
・第２回目加算平均時間−単純反応平均時間
・第３回目加算平均時間−単純反応平均時間
・第２回目加算平均時間÷第１回目加算平均時間
・第３回目加算平均時間÷第１回目加算平均時間
・（第２回目加算平均時間−単純反応平均時間）÷（第１回目加算平均時間−単純反応平均時間）
・（第３回目加算平均時間−単純反応平均時間）÷（第１回目加算平均時間−単純反応平均時間）

以上の処理により、個人別の変数を求め、それら変数を使用して個人別の処理適性に関する主成分分析を行う。分析には、たとえば次の７つの成分を抽出する。このような手法により、個人別に、主成分得点として線型モデルとして表記可能となる。
・第１成分：情報処理能力
・第２成分：正確性
・第３成分：演算ミス
・第４成分：演算力
・第５成分：学習能力
・第６成分：単純反応安定性
・第７成分：総合能力

上記ＹＲＭにおいては、図１３に基本構成を示すように、上記のように求められた個人の処理適性（ＴＣ）と、前述した内的価値観に関する個人特性（ＹＰ）と、対象評価価値観に関する個人特性（ＯＶＡ）とを、それぞれ線型モデルとして表記でき、判断対象に応じて適切に選択した成分に対して、とくに同一次元領域ＡＲに表記することが可能である。これによって、従来の手法ではなし得なかった、より適切な、総合的な個人の特性、能力の推定が可能となる。

本発明に係る医療事故サポートシステムは、医療事故の予防が望まれるあらゆる病院、診療所、公共機関などに採用して極めて有用なシステムである。

本発明に係る医療事故サポートシステムにおける、事故表記・予測のための基本データ構造例を示す説明図である。 本発明に係る医療事故サポートシステムの基本システム構成例を示すブロック図である。 図２のシステムの一部の詳細を示すブロック図である。 図２のシステムの一部の望ましい形態例を示すブロック図である。 ＹＲＭに用いる内的価値観に関するアンケートの一例を示す、コンピュータに入力設定される表を表した図である。 ＹＲＭにおける内的価値観に関する要因例を表した図である。 ＹＲＭに用いる対象評価価値観に関するアンケートの一例を示す、コンピュータに入力設定される表を表した図である。 ＹＲＭにおける対象評価価値観に関する要因例を表した図である。 ＹＲＭにおける処理適性の推定に用いる処理能力検査装置の一例を示す概略構成図である。 ＹＲＭにおける処理適性の推定をクレペリン検査に適用した場合の一例を示す、処理能力検査装置の画面の正面図である。 処理能力検査装置において複合刺激付与手段を用いる場合の概略構成図である。 処理能力検査装置をクレペリン検査に適用し、かつ、複数の刺激を付与する場合の画面の正面図である。 ＹＲＭの基本構成を示すブロック図である。

符号の説明

Ｈ１ 内的価値観に関するアンケート表
Ｈ２ 対象評価価値観に関するアンケート表
ＹＰ 内的価値観
ＯＶＡ 対象評価価値観
ＴＣ 処理適性
ＡＲ 同一次元領域
ｙｐ１〜ｙｐ６ 内的価値観に関する要因
ｏｖａ１〜ｏｖａ７ 対象評価価値観に関する要因
１ 処理能力検査装置
２ 刺激付与手段
３ 反応検知手段
４ 反応時間計測手段
５ 記録手段
６ 分析手段
７ 表示手段
８ 転送手段
９ ホストコンピュータ
１１ 画面
１２ 刺激提示領域
１３ 反応入力領域
１４ 反応入力装置
２１ 視覚刺激提示手段
２２ 聴覚刺激付与手段
２３ 触覚刺激付与手段
２４ 複合刺激付与（手段）
３１ 発光領域
３２ 解答領域
１０１ 医療従事者（の客観属性および個人特性）
１０２ 患者（の客観属性および個人特性）
１０３ 医療事故内容
１０４ 事故登録システム
１０５ 事故解析システム
１０６ 事故予測システム１０６
１０７ 事故履歴データベース
１０８ 従業員（医療・看護従事者）属性データベース
１０９ 従業員就業データベース
１１０ 事故登録辞書データベース
１１１ 事故客観属性
１１２ 主成分分析（ステップ）
１１３ 主成分得点算出（ステップ）
１１４ 「事故内容」記述文
１１５ 「事故原因」記述文
１１６ 「事故状況」記述文
１１７ 「事故対策」記述文
１１８ 形態素解析（ステップ）
１１９ 単語出現頻度
１２０ 主成分分析（ステップ）
１２１ 主成分得点算出（ステップ）
１２２ 重回帰分析（ステップ）
１２３ 事故パターン算出（ステップ）
１２４ 事故予測テーブル作成（ステップ）
１２５ 相関（相関行列）算出（ステップ）
１２６ 事故パターン算出（ステップ）
１２７ 事故パターン算出判断ステップ
１２８ 事故イレギュラー登録アラーム
１２９ 登録再入力指示（ステップ）
１３０ 上司へのレポート出力（ステップ）

Claims (1)

1. 医療事故の記録、解析、発生確率予測等を行う手段としてコンピュータを用いたシステムからなり、
   （Ａ）医療・看護従事者および患者の客観属性および個人特性からなる事故客観属性と、事故報告書、対策検討書に記述された事項に基づいて自然言語で入力された、発生した医療事故の内容、原因、事故発生時の患者と医療・看護従事事故当事者の状況、採られた対策とを、記録して登録する事故登録処理部と、
   （Ｂ）該事故登録処理部における事故客観属性の主成分分析を行って主成分得点を算出するとともに、前記事故登録処理部における事故記録の記述文について、予め多数の事故例が登録されている事故登録辞書データベースを参照しつつ形態素解析を行い、単語出現頻度を考慮して主成分分析を行って事故履歴の主成分得点を算出し、両主成分得点を突き合わせて重回帰分析を行うことにより事故パターンを算出し、算出された全事故パターンを将来発生し得る事故パターンとして集約した事故予測テーブルを作成する事故解析処理部と、
   （Ｃ）作成された前記事故予測テーブルと、下記のステップにて推定された患者と医療・看護従事者の個人特性および就業状況を含む個人状況とを突き合わせ、予め設定した比較基準に基づいて、前記事故予測テーブルの中から、現状実際に発生し得る事故パターンを抽出することにより現状実際に発生し得る事故を予測する事故予測処理部と、
   を有することを特徴とする医療事故サポートシステム。
   患者および／または医療・看護従事者の個人特性の推定：
   （ａ）各個人が使用した言語群の中の単語をコンピュータにより予め設定されたテキストに照合することによってそれぞれ形態素として抽出し、該抽出した形態素を予め設定した群からなる複数の要因に分類するとともに、要因別に設定された因子得点を集計して要因別に重み付けを行い、その個人が基本的に有している内的価値観を、前記重み付けされた各要因の線型モデルとして求め、
   （ｂ）その個人に特定の評価対象が与えられたときの該評価対象に対するその個人の言語活動から、使用された単語をコンピュータにより予め設定されたテキストに照合することによってそれぞれ形態素として抽出し、該抽出した形態素を予め設定した群からなる複数の要因に分類するとともに、要因別に設定された因子得点を集計して要因別に重み付けを行い、その個人がその時に有している対象評価価値観を、前記重み付けされた各要因の線型モデルとして求め、
   （ｃ）前記内的価値観および対象評価価値観の各線型モデルを、各々単独で表記することにより各価値観を個別に推定し、または／および、実質的に同一の次元領域に表記することにより各価値観を含む総合的な個人特性を推定する。

Images