JP5540986B2

JP5540986B2 - プログラム及び診療支援装置

Info

Publication number: JP5540986B2
Application number: JP2010182730A
Authority: JP
Inventors: 美由起水谷
Original assignee: Fuji Xerox Co Ltd; Fujifilm Business Innovation Corp
Current assignee: Fujifilm Business Innovation Corp
Priority date: 2010-08-18
Filing date: 2010-08-18
Publication date: 2014-07-02
Anticipated expiration: 2030-08-18
Also published as: JP2012043113A

Description

本発明は、プログラム及び診療支援装置に関する。

ある傷病を有する患者に対して過去に行われた診療行為（例えば検査、投薬、注射など）の履歴から、当該傷病に関する標準的な診療のプロセス（クリニカルパス）を生成する技術が知られている。クリニカルパスは、例えば、過去の診療履歴において同一の条件（例えば同一の病気）の下で多くの患者に適用された診療項目を抽出することにより求められる。

特許文献１に記載されたシステムでは、あらかじめ医療データ記憶手段に医療行為データ（階層構造を持っていてもよい）が蓄積されている。このシステムは、あらかじめ規定されたフォーマットで複数の医療行為データをグラフ形式などに整理した情報を出力する。このシステムでは、あらかじめ設計された枠組みの中で医療データが蓄積され、特定のフォーマットに沿ってそのデータを集計あるいはグラフ化することで、医療計画の立案支援を行っている。

特開平０９−１８５６５１号公報

診療項目（例えば投薬する具体的な薬剤）は数多く存在しているので、分析の際に、複数の診療項目を１つのグループにまとめ、グループを単位として診療プロセスの分析をしたい場合がある。例えば、同じ目的のために用いられ、互いに代替可能な診療項目が複数存在する場合があり、このような場合は、個々の診療項目が適用されたこと自体よりも、そのような同種の診療項目が適用されたことが分析上重要になることがある。

診療プロセスの分析を目的として診療項目の履歴を記録しているシステムでは、個々の診療項目がそれぞれどのグループに属するかという枠組みの情報が定義されていることがある。このため、蓄積した診療履歴の情報を、それら用意された枠組みに沿って分析したり、その分析に沿ってクリニカルパスを抽出したりすることが可能となる。

ところで、診療報酬請求のために蓄積された診療履歴などのように診療プロセス分析を想定せずに蓄積された診療履歴の情報に対して分析を行う場合や、あらかじめ用意された枠組み以外の分析の枠組みに沿って分析を行おうとする場合がある。このような場合、グループ分けについての枠組みの情報がないので、又は既存の枠組みを使用しないので、分析者がグループ分けの枠組みを規定する必要がある。ここで、診療項目の数は多いので、その中から分析の観点に沿った診療項目の組合せを定義するのは、分析者（例えば医師）にとって大きな負担となることがある。なお、グループにまとめずに、生の診療項目のまま分析を行うことも考えられるが、これではグループにまとめた場合に初めて分かる分析結果は得られない。例えば、個々の診療項目の単位で分析した場合、該当する診療履歴の数が少ないため、分析の際に足切りされて抽出されないパターンが生じる場合もある。

本発明は、分析上ひとまとまりとして扱う診療項目のグループの候補として、実際の分析対象の診療履歴群に即したものを、利用者（分析者）に提供するための仕組みを提供することを目的とする。

請求項１に係る発明は、コンピュータを、患者を識別するための患者識別情報とその患者に適用された診療項目を示す情報とを少なくとも含む複数の診療履歴レコードから、適用された患者の数の合計があらかじめ定めた閾値以上となる診療項目の組合せを抽出する抽出手段、前記抽出手段により抽出された診療項目の組合せを抽出項目候補としてそれぞれ提示し、利用者から、それら抽象項目候補のうち抽象項目として採用するものの選択を受け付ける選択受付手段、前記各診療履歴レコードの各診療項目を、それぞれ当該診療項目に対応する抽象項目に置き換える置き換え手段、診療項目を対応する抽象項目で置き換えた診療履歴レコードを対象に、パターンマイニングを行うパターンマイニング手段、として機能させるためのプログラムである。

請求項２に係る発明は、前記抽出手段は、前記閾値として、前記パターンマイニング手段が前記パターンマイニングで用いる最小サポート値を用いることを特徴とする請求項１に記載のプログラムである。

請求項３に係る発明は、前記抽出手段は、適用された患者の数の合計があらかじめ定めた閾値以上となる診療項目の組合せであっても、当該組合せに含まれる診療項目が同一分類でないものについては抽出しない、ことを特徴とする請求項１に記載のプログラムである。

請求項４に係る発明は、前記各診療履歴レコードには、診療区分の情報が含まれ、前記抽出手段は、同一の診療区分に対応する診療履歴レコード群の中で、適用された患者の数の合計があらかじめ定めた閾値以上となる診療項目の組合せを抽出する、ことを特徴とする請求項１〜３のいずれか１項に記載のプログラムである。

請求項５に係る発明は、患者を識別するための患者識別情報とその患者に適用された診療項目を示す情報とを少なくとも含む複数の診療履歴レコードから、適用された患者の数の合計があらかじめ定めた閾値以上となる診療項目の組合せを抽出する抽出手段と、前記抽出手段により抽出された診療項目の組合せを抽出項目候補としてそれぞれ提示し、利用者から、それら抽象項目候補のうち抽象項目として採用するものの選択を受け付ける選択受付手段と、前記各診療履歴レコードの各診療項目を、それぞれ当該診療項目に対応する抽象項目に置き換える置き換え手段と、診療項目を対応する抽象項目で置き換えた診療履歴レコードを対象に、パターンマイニングを行うパターンマイニング手段と、を備える診療支援装置である。

請求項１又は５に係る発明によれば、分析上ひとまとまりとして扱う診療項目の組合せである抽象項目候補として、実際の分析対象の診療履歴群に即したものを、利用者（分析者）に提供できる。

請求項２に係る発明によれば、パターンマイニングにおいて抽出されない組合せを抽出項目候補として利用者に提示しないようにすることができる。

請求項３に係る発明によれば、利用者に提示する抽出項目候補を分類に即して絞り込むことができる。

請求項４に係る発明によれば、利用者に提示する抽出項目候補を診療区分に即して絞り込むことができる。

診療支援装置の構成の概略の例を示すブロック図である。診療履歴ＤＢのデータ内容の例を示す図である。分類ＤＢのデータ内容の例を示す図である。診療支援装置が行う処理の手順の例を示すフローチャートである。ビットパターンデータの例を示す図である。ビットパターンデータにおいて特定の１つの診療項目に該当する患者の数を説明するための図である。ビットパターンデータにおいて特定の２つの診療項目のいずれかに該当する患者の数を説明するための図である。求められた抽出ノード候補群の例を示す図である。選択された抽出ノードの定義情報の例を示す図である。診療履歴を図式的に表す木構造の例を示す図である。図１０に例示した診療履歴の具体的な診療項目を抽象ノードに置換した結果の例を示す図である。図１１に例示した抽象ノード置換後の診療履歴群から求められた共通パターンの例を示す図である。変形例における診療履歴ＤＢのデータ内容の例を示す図である。変形例における診療支援装置が行う処理の手順の例を示すフローチャートである。

本発明の実施形態の例による診療支援装置は、患者に対して実際に行われた診療プロセスの履歴の分析を支援する装置である。診療プロセスとは、患者の治療において行われる診療行為の集合を意味する。以下では、データ処理の観点からみた場合の、診療プロセスを構成する個々の診療行為のことを診療項目と呼ぶことにする。診療項目は、商品名や一般名で特定される具体的なの薬剤の投与、具体的な注射液の注射、胆嚢超音波検査などといった具体的な種類の検査などといった具体的なレベルから、概念的により上位の様々なレベル（検査、投薬、注射などといった分類のレベル）まで、様々な段階で捉えることが可能である。しかし、ここでは、個々の診療項目が具体的なレベルで記録された診療の履歴データが与えられるものとする。そして、本実施形態の診療支援装置は、それら具体的な診療項目を分析者（例えば医師）の希望する分析の観点から整理して分析する作業の支援を行う。例えば、個別具体的な薬剤「Ａ」及び「Ｂ」を効能の共通性から１つのグループにまとめて取り扱い、例えば診療履歴の中からそのグループ（に属するいずれかの薬剤）を用いたものを見つけ出し、具体的な診療項目ではなくグループを単位として用いて診療履歴の頻出パターンを抽出（パターンマイニング）するなどの分析を支援する。

複数の診療項目を分析の観点から１つのグループにまとめて取り扱うためには、例えば、あらかじめまとめ上げのための規則を作成しておき、その規則に従って診療項目を自動的にグループ化することが考えられる。この方法は、分類の観点が固定的に定まっている場合には有効であるが、分析者（医師など）のそのときどきの目的に応じて分析の観点が変わる場合には対応できない。例えば、分析者が、同じ診療履歴データに対して、薬剤「Ａ」及び「Ｂ」を１つのグループと考えた場合の分析と、薬剤「Ａ」及び「Ｂ」及び「Ｃ」を１つのグループと考えた場合の分析とを、両方同時に、あるいは時をおいて段階的に行いたい場合もあり得る。また、様々なニーズを見越して、様々なまとめ上げのルールをあらかじめ用意しておき、分析者が自分の目的に合致したルールを選択することも考えられる。しかし、例えば「胃癌」という１つの病気でも、その治療に適用される診療項目は８０種類を超え、例えばそれら８０種類の二つ組、三つ組をグループとするとしても、その組合せは１０万程度の膨大な数に上る。このような膨大な中から分析者が自分のニーズにあったものを選択するのは現実的ではない。

そこで、本実施形態の診療支援装置は、実際のパターン分析の対象とする診療履歴データを解析し、その診療履歴データの中で実際にグループにまとめて意味のある診療項目の組合せを求め、その中から分析者に分析に用いたいものを選択させるというアプローチを採る。グループにまとめて意味のある組合せ（グループ）とは、分析対象の診療履歴データの中に十分多く現れる（すなわち、あらかじめ定めた閾値上の数だけ現れる）組合せ（グループ）のことである。特に、この実施形態では、パターンマイニングにおいて指定される最小サポート値を閾値として用いることにより、パターンマイニングで抽出されないような組合せを事前に選択肢から省く。

以下、本実施形態の詳細を説明する。なお、以下では、１以上の診療項目をまとめたグループのことを「抽象ノード」と呼ぶことにする。

図１に、診療支援装置の内部構成の概略の例を示す。診療支援装置１０は、診療履歴ＤＢ（データベース）１００、分類ＤＢ１０２、抽象ノード候補生成部１０４、抽出条件記憶部１０６、抽象ノード選択受付部１０８、抽象ノード定義記憶部１１０、抽象化処理部１１２、抽象化履歴ＤＢ１１４、パターンマイニング部１１６、出力処理部１１８、入力部１２０、および表示部１２２を備える。

入力部１２０は、診療支援装置１０に対する利用者（分析者）による指示などの入力を受け付ける。入力部１２０は、キーボードやマウス、タッチパネルなどの入力装置によって実現されてよい。入力部１２０は、例えば、診療履歴ＤＢ１００内のデータから分析対象とする診療履歴を絞り込む絞り込み条件（以下、分析の母集団を特定する条件という意味で「母集団条件」と呼ぶ）や、パターンマイニング部１１６等で使用される最小サポート値などの入力を受け付ける。入力された最小サポート値は、抽出条件記憶部１０６に記憶される。

パターンマイニングでは，出現頻度が最小サポート値以下の項目はマイニング結果に影響を与えない（すなわちマイニング結果に出現しない）。すなわち、最小サポート値は、マイニングにおける足切りの基準となる閾値である。最小サポート値は、例えば母集団のデータ（患者）の総数に対するパーセンテージ、あるいは絶対データ（患者）数で指定する。例えば、「胃癌」を主病名とする４６名からなる患者集合を母集団とする場合において、最小サポート値を「９０％」に設定すれば、マイニング結果には４１人以上の患者に該当するパターンしか現れない。最小サポート値を「４１人」に設定した場合も同様である。最小サポート値は、分析者がどのような条件でのパターンを抽出して閲覧したいかに応じて定めればよい。ある疾病の概要（例えば典型的な診療プロセス）をつかみたい場合は「９０％」のような指定が考えられる。あるいは、典型的なものに限定せずに比較的網羅的なパターンを見たいが、あまりに少ない人数（例えば１０名未満）でしか見られないパターンは切り捨てたい、といった場合には「１０人」のような指定が考えられる。このように、分析者は、自分の分析の目的に応じて、入力部１２０から最小サポート値を入力する。

表示部１２２は、診療支援装置１０における処理の結果などを表示する。出力処理部１１８からの表示制御情報に従った表示を行う。表示部１２２は、例えば、液晶ディスプレイなどの表示装置により実現される。

診療履歴ＤＢ１００は、患者に対して実施された診療プロセスの履歴の情報を記憶する記憶手段である。この例では、診療履歴ＤＢ１００は、１人の患者の１回の入院から退院までに行われた診療行為およびその実施時期を一単位の診療履歴として記憶する。診療履歴ＤＢ１００は、例えば、医療機関に勤務する医師、看護師、検査技師、およびその他の職員などによる、診療プロセスに関する情報の入力を、図示しない管理装置が受け付けて診療履歴ＤＢ１００に登録することで構築される。

図２に、診療履歴ＤＢ１００のデータ内容の一例を示す。図２の例では、各患者に対して一意的に付与された識別情報である患者ＩＤ（識別子）に対応付けて、主病名、診療項目、及び実施時期の情報を含む。「主病名」は、当該入院における患者の治療対象となる主病の名前を表すものであり、例えば診療報酬算出のために記録される。「診療項目」は、当該患者に対して適用された具体的な診療行為を表す情報である。例えば、「Ｌ」（薬剤の商品名）を投与するという診療行為が行われた場合、診療項目の欄にはその薬剤の名称「Ｌ」が記録される。「実施時期」は、「診療項目」が表す診療行為が行われた時期を表す。図２では、実施時期の値としては、手術日を基準とした値、例えば「手術前日」、「手術当日」、「手術翌日」、「手術後２日目」などが使用されている。図２の表における、患者ＩＤ、主病名、診療項目及び実施時期を含む１つの行のことを以下では診療履歴レコードと呼ぶことにする。診療履歴レコードには、例示した患者ＩＤ、主病名、診療項目及び実施時期以外の情報項目が含まれていてもよい。１人の患者の１回の入院における診療プロセスの履歴は、１以上の診療履歴レコードの組として表現される。

分類ＤＢ１０２は、診療項目の分類情報を記憶したデータベースである。投薬に該当する診療項目については、分類ＤＢ１０２としては、例えば図３に示すような分類情報を記憶したものを用いてもよい。図３の分類情報には、具体的な薬剤の名称（商品名又は一般名など）ごとに、その薬剤の属する大分類、及び中分類の情報が登録されている。図３の例からは、例えば薬剤「Ａ」は、大分類「輸液・栄養製剤」の中の中分類「アシドーシス補正用製剤」に属することがわかる。分類ＤＢ１０２を構築して使用する代わりに、例えば公開されている既存の薬剤ＤＢ（ただし、薬剤の分類の情報を有するもの）を用いてもよい。

抽象ノード候補生成部１０４は、診療履歴ＤＢ１００内の分析対象の診療履歴情報を解析して抽象ノード（診療項目のグループ）の候補を生成する機能モジュールである。抽象ノード候補生成部１０４は、入力部１２０から入力され（抽出条件記憶部１０６に記憶され）た最小サポート値や母集団条件を参照して、抽象ノード候補を生成する。

抽象ノード選択受付部１０８は、抽象ノード候補生成部１０４が生成した各抽象ノード候補の情報を例えば表示部１２２に表示し、入力部１２０を介して分析者から、それら候補の中から実際に使用する抽象ノードの選択を受け付ける。選択された各抽象ノードの情報、例えば各抽象ノードを構成する診療項目の組合せの情報は、抽象ノード定義記憶部１１０に記憶される。

抽象化処理部１１２は、母集団に属する各診療履歴レコードに含まれる各診療項目を、選択された抽象ノードに置き換える処理を行う。このようにして診療項目が対応する抽象ノードに置き換えられた診療履歴レコードのことを以下では抽象化履歴レコードと呼ぶ。抽象化処理部１１２により生成された抽象化履歴レコードは、抽象化履歴ＤＢ１１４に蓄積される。

これら抽象ノード候補生成部１０４、抽象ノード選択受付部１０８及び抽象化処理部１１２が行う処理手順の一例を、図４を参照して説明する。

この手順では、まず抽象ノード候補生成部１０４が、母集団条件及び抽出条件（最小サポート値）を取得する（Ｓ１０）。これらは、パターンマイニングのための条件としてあらかじめ利用者（分析者）から入力されているものとする。

母集団条件は、分析の対象とする診療履歴を絞り込む条件であり、診療履歴に含まれる各データ項目に対する検索条件として指定される。例えば、「胃癌」を主病とする患者の診療履歴を分析の母集団としたい場合は、『主病名＝「胃癌」』という母集団条件を用いればよい。また、「Ａ」という薬剤が投与された患者の診療履歴を母集団としたい場合は、『診療項目＝「Ａ」』という母集団条件を用いればよい。もちろん、複数のデータ項目に対する条件の論理式を母集団条件としてもよい。

抽象ノード候補生成部１０４は、診療履歴ＤＢ１００の中から、母集団条件を満たす診療履歴レコードを抽出する（Ｓ１２）。この抽出処理では、母集団条件を満たす診療履歴レコードを単に抽出してもよいし、母集団条件を満たす診療履歴レコードと同じ患者の同じ入院に対応する診療履歴レコードを抽出してもよい。抽出されたレコード群が、分析の母集団となる。

次に、抽象ノード候補生成部１０４は、抽出された母集団を解析して、組み合わせることで該当患者数が最小サポート値以上となる診療項目を求める。この処理のために、この実施形態では、母集団からビットパターンデータを生成する（Ｓ１４）。

図５にビットパターンデータの一例を示す。この例では、各行が個々の患者を示し、各列が個々の診療項目を示す。行と列の組合せにより特定されるセルは、当該行に対応する患者に対し、当該列に対応する診療項目が適用されたか否かを示す二値ビット値である。すなわち、適用されたことがある場合は当該ビットの値が「１」に設定され、適用されたことがない場合は値「０」に設定される。

Ｓ１４では、抽象ノード候補生成部１０４は、まず全てのビット（セル）が「０」に設定されたビットパターンデータを生成する。そして、母集団内の各診療履歴レコードの患者ＩＤ及び診療項目の値を調べ、ある患者に対してある診療項目が適用されたことを示すレコードを見つけると、ビットパターンデータにおけるその患者とその診療項目との組合せに対応するビットを「１」に設定する。なお、診療履歴レコードに含まれる患者と診療項目の組合せに対応するビットが既に「１」に設定されている場合、そのビットは「１」のままとする。この処理を、母集団内の全ての診療履歴レコードについて行うことで、ビットパターンデータが完成する。

次に、抽象ノード候補生成部１０４は、完成したビットパターンデータから、抽出条件を満たす診療項目の組合せを抽出する（Ｓ１６）。この例では、抽出条件は最小サポート値である。すなわち、１以上の診療項目からなる組合せごとに、その組合せに属する１以上の診療項目に対応するビットが「１」になっている患者の数を集計し、その数が最小サポート値以上である組合せを抽出する。この抽出処理では、組み合わせる診療項目の数に上限を設定しておき、その上限数以下の診療項目からなる組合せのみについて判定を行う。例えば、診療項目３つまでの組合せを対象とする場合、診療項目１つからなる組合せ（診療項目そのもの）、２つからなる組合せ、３つからなる組合せが対象となる。

Ｓ１６の処理を、具体例を用いて説明する。図５に例示した患者１０人の診療履歴を母集団とするビットパターンデータに対して、最小サポート値が５人に設定されている例を考える。この場合、図６に例示するように単一の診療項目「Ａ」のみを考えると、その診療項目に該当する（すなわちビット値が「１」になっている）患者の数は合計３人であり、最小サポート値に満たない。したがって、１つの診療項目「Ａ」からなる組合せは、Ｓ１６では抽出されない。一方、図７に例示するように２つの診療項目「Ａ」と「Ｂ」の組合せでは、それら２つの少なくとも一方に該当する患者は合計５人となり、最小サポート値以上となる。したがって、この例では、診療項目「Ａ」と「Ｂ」の組合せは、Ｓ１６で抽出されることになる。

このように、Ｓ１６では、上限数以下の診療項目数からなる組合せごとに、その組合せの中の少なくとも１つの診療項目に該当する患者の合計数を求め、その合計数が抽出条件を満たせば、すなわち最小サポート値以上であれば、その組合せを抽出する。

ここで、本実施形態では、抽象ノード候補生成部１０４は、このようにした抽出した診療項目の組合せをそのまま抽象ノードの候補とするのではなく、分類ＤＢ１０２を参照することで、同一項目でない診療項目からなる組合せを除外する（Ｓ１８）。例えば、「ビタミン製剤」に属する診療項目「Ｋ」及び「Ｌ」（図３参照）と「消化性潰瘍治療薬」に属する診療項目「Ｑ」との三者からなる組合せがＳ１６で抽出されたとしても、それら３項目の分類は同一ではないので、この組合せはＳ１８で除外される。

なお、図３に示すように分類には複数のレベルが考えられるので、Ｓ１８において分類の同一性をどのレベルで判定するのかを分析者が診療支援装置１０に対して設定できるようにしてもよい。例えば、図３の例では、診療項目「Ｋ」と「Ｍ」とは大分類では同じ「ビタミン製剤」に属するが、中分類では「混合ビタミンＢ群」と「パントテン酸」というように異なった分類になる。したがって、分析者の分析意図に応じて同一性を判定する分類のレベルを指定すればよい。

また、この代わりに、抽象ノード候補生成部１０４が、同一分類と判定した分類レベルを記憶しておき、後で抽象ノード候補を提示する際に、その候補を構成する診療項目がどの分類レベルで同一分類と判定されたかを表示してもよい。

Ｓ１８で、同一分類に属さない診療項目同士の組合せを除外するのは、診療項目の組合せを分類ＤＢ１０２に登録された分類体系に合わせてふるいに掛けることである。分類ＤＢ１０２の分類体系にて同一分類に属する診療項目同士は、１つのグループ（抽象ノード）にまとめて意味のある可能性が高く、逆に同一分類に属さないもの同士はまとめても意味がない可能性が高いので、このようなふるいに掛けることで、分析者に意味のない選択肢を提示する可能性が低くなる。

抽象ノード候補生成部１０４は、分類ＤＢ１０２に基づくふるい処理にて除外されずに残った組合せを、抽象ノード候補として抽象ノード選択受付部１０８に渡す（Ｓ２０）。なお、このとき、各抽象ノード候補には、当該候補に属する診療項目が属する分類の情報を対応づけて渡してもよい。例えば、図３のような大分類と中分類の２レベルの分類体系を採用している場合は、候補に属する各診療項目につき、それぞれ大分類と中分類のそれぞれの該当分類名を抽象ノード選択受付部１０８に渡すなどである。もちろんこれは一例であり、例えば中分類が一致する診療項目同士は当然に大分類も一致するので、このような場合は中分類の分類名のみを当該候補と対応づけるようにしてもよい。また、中分類は一致しないが大分類は一致する診療項目からなる候補については、大分類の分類名のみを当該候補と対応づけるようにしてもよい。

抽象ノード選択受付部１０８は、抽象ノード候補生成部１０４から受け取った各抽象ノード候補を選択肢として、例えば一覧表示などの形で出力処理部１１８を介して表示部１２２に表示する（もちろん表示形態はこれに限らない）。そして、それら各抽象ノード候補の中から、分析者がパターンマイニングにおいて使用するものの選択を受け付ける（Ｓ２２）。

図８に、ある母集団から、選択肢として（ａ）〜（ｈ）の８個の抽象ノード候補が求められた場合の例を示す。この例では、各候補（図８の表の１つ１つの行）には、その候補に属する診療項目とその診療項目が属する分類名の情報が含まれる。この例は、分類の同一性の判定を図３の分類体系での大分類のみに基づき行った場合の例である。このようなリストが、分析者の選択肢として表示部１２２に表示される。なお、大分類と中分類の２段階で同一性の判定が行われた場合、例えば、抽象ノード候補の各診療項目の分類名の表示において、同一分類であると判定された分類レベルを識別できるような表示を行うようにしてもよい。例えば、大分類で同一分類と判定された場合と中分類で同一分類と判定された場合とで分類名の欄の背景又は文字の表示色を変えるなどである。なお、大分類で同一と判定された場合でも、大分類のみならず中分類の分類名をも表示するようにしてもよい。このような各候補又はそれに属する個々の診療項目についての該当分類の表示は、分析者が抽象ノード候補に対して選択を行う際の判断材料となる。図８の例では、候補（ａ）〜（ｃ）は単一の診療項目からなるものであるが、（ｄ）〜（ｈ）は複数の診療項目の組合せとなっている。

なお、図８に示した候補（ｄ）の２つめの診療項目「Ｍ」の分類は「該当分類なし」となっている。これは、診療項目「Ｍ」の分類情報が分類ＤＢ１０２に登録されていないことを意味する。すなわち、図８の例では、「ビタミン製剤（注射）」という分類に該当する診療項目「Ａ」と「該当分類なし」の診療項目「Ｍ」とからなる組合せが抽象ノード候補（ｄ）として抽出されている。このように、本実施形態では、「該当分類なし」の診療項目は、組合せを構成する診療項目が同一分類であるか否かの判定に影響を与えないようにしている。すなわち、組合せに含まれる「該当分類なし」の診療項目以外の診療項目が同一分類に属していれば、その組合せは同一分類であると判定される。

抽象ノード選択受付部１０８は、図８に例示したような抽象ノード候補の情報を表示部１２２に表示し、入力部１２０を介して分析者からの選択を受け付ける。分析者は、各抽象ノード候補に属する診療項目の組合せを参照して、また必要に応じ、それら組合せに該当する分類、又は個々の診療項目の属する分類などの情報を参照して、自分の分析目的に合致する抽象ノード候補を、入力部１２０の操作（例えばポインティングデバイスにより所望の候補を選択する操作）により、正式の抽象ノードとして選択する。抽象ノード選択受付部１０８は、その選択結果を受け取る（Ｓ２２）。また、抽象ノード選択受付部１０８は、選択された各抽象ノードに対して付与するラベルの入力を、入力部１２０を介して分析者から受け付ける。このラベルは、分析者が個々の抽象ノードを識別するために付与する識別名である。なお、分析者が抽象ノードに付与するラベルを入力しない場合に、デフォルト値として当該抽象ノードに属する診療項目の間で一致する分類の名称を当該抽象ノードのラベルとして採用するようにしてもよい。

抽象ノード選択受付部１０８は、このようにして選択されラベル付けされた各抽象ノードの定義情報を、抽象ノード定義記憶部１１０に記憶させる。個々の抽象ノードの定義情報は、例えば、図９に示すように、当該抽象ノードに付与されたラベルと、当該抽象ノードに属する具体的な診療項目のリストの情報を含んでいる。また、この他に、当該抽象ノードに該当する分類、又は当該抽象ノードに属する各診療項目が属する分類、又はそれら分類のレベルなどの情報を含んでもよい。

このようにして分析者により分析に使用する抽象ノードが選択されると、抽象化処理部１１２が、抽象ノード定義記憶部１１０に記憶されたそれら抽象ノードの定義情報を参照して、診療履歴ＤＢ１００内の母集団の各診療履歴レコードを抽象化する（Ｓ２４）。この抽象化では、例えば、診療履歴レコードごとに、そのレコード中の診療項目を診療項目リストに含んだ抽象ノードを抽象ノード定義記憶部１１０から探し、そのような抽象ノードが見つかれば、そのレコード中の診療項目の値をその抽象ノードのラベルに置き換える。診療履歴レコード内の診療項目に対応する抽象ノードが見つからない場合は、そのような置き換えを行わなくてもよい。

例えば、母集団内に図１０に例示する、患者「００１」及び「００５」についての診療プロセス履歴２００及び２０２が含まれていたとする。図示した診療プロセス履歴は、同一患者についての複数の診療履歴レコード（診療履歴レコードは、１つの診療項目についてのレコードである）の集合をツリー表示により模式的に示したものである。これら診療プロセス履歴に対して図９の抽象化ノードへの抽象化処理を行うと、図１１に例示するような抽象化プロセス履歴２００Ａ及び２０２Ａが得られる。抽象化プロセス履歴は、同一患者についての複数の抽象化履歴レコードの集まりである。

このように置き換えられた後の診療履歴レコード（これを抽象化履歴レコードと呼ぶ）は、抽象化履歴ＤＢ１１４に蓄積される。

母集団内のすべての診療履歴レコードについて抽象化が行われると、パターンマイニング部１１６が抽象化履歴ＤＢ１１４内に蓄積された抽象化履歴レコード群を対象としてパターンマイニング処理を行う。例えば、パターンマイニング部１１６は、マイニング手法の一種であるツリーマイニングの手法（参考文献は例えば，M. Zaki. Efficiently mining frequent trees in a forest. 8th ACM SIGKDD Int'l Conf Knowledge Discovery and Data Mining, July, 2002.）などを用いることにより、共通の抽象ノード又は共通の診療項目を含むパターンを抽出する。例えば、図１１の抽象化プロセス履歴２００Ａ及び２０２Ａから、図１２に例示するように、「手術当日に抗生剤及びビタミン製剤を投与する」ことを示す共通パターン３００（「診療履歴パターン＃１」）が抽出される。

このパターンマイニング処理では、最小サポート値として、抽出条件記憶部１０６に記憶された最小サポート値を用いる。すなわち、パターンマイニング部１１６は、この最小サポート値以上のサポート値を持つパターンのみを抽出する。ここで用いる最小サポート値は、抽象ノード候補生成部１０４が抽象ノード候補の抽出の際の足切りに用いた抽出条件と同じものである。

また、パターンマイニング部１１６は、抽出した各共通パターンについてそれぞれその共通パターンに合致するパターンを持つ抽象化履歴の数を、抽象化履歴ＤＢ１１４を参照して求め、その数に応じたスコアを求めてもよい。そして、抽出した共通パターンをスコアの順にソートして表示したり、各共通パターンに対応づけてスコアを表示したりしてもよい。なお、共通パターンのスコアの求め方は上述のようなものに限らない。この代わりに、例えば、出願人による特願２０１０−１４９６９１号（平成２２年６月３０日出願）に開示された手法、すなわち、各共通パターンについてクリニカルパス（個々の病気の診療に対する標準的な診療プロセス）との一致度合いをスコアとして求めるようにしてもよい。

出力処理部１１８は、パターンマイニングの結果を表す表示画像を生成し、表示部１２２に表示する。表示形態は、図１２に例示したようなツリー形状であってもよいし、他の形式であってもよい。

以上説明したように、本実施形態では、パターンマイニングにおいて複数の診療項目の抽象化（グループ化）して取り扱う場合の抽象化のためのルール（すなわち抽象ノード定義）を、パターンマイニングの対象である実際の診療履歴レコードの母集団に基づき求める。また本実施形態では、抽象化して意味のある（すなわちパターンマイニングにおいて足切りされずに抽出されるだけの数だけ出現する）診療項目の組合せのみを候補として抽出し、それら候補から分析者に実際に使用するものを選ばせる。逆に言えば、パターンマイニングの際に抽出されないほど少数しか現れない診療項目の組合せについては、仮に抽象ノードとしてもパターンとしては抽出されないことが分かっているので、候補にはしない。候補の数が少ないほど、分析者の選択作業のための負担は少ない。

以上に説明した実施形態では、Ｓ１６で抽出された診療項目の組合せを、Ｓ１８にて分類ＤＢ１０２を参照して絞り込んだが、このような絞り込みは必ずしも必須のものではない。本実施形態では、Ｓ１６でサポート値が最小サポート値以上の組合せを抽出しており、この抽出処理で抽出される組合せの数が、分析者の選択作業の負担の観点で十分に少数（例えばその数がある閾値以下）である場合もあり、このような場合は分類ＤＢ１０２による絞り込みは不要である。

次に、図１３及び図１４を参照して、変形例を説明する。この変形例では、図１３に示すように、診療履歴レコードに含まれている「診療区分」の情報を利用する。「診療区分」とは、当該診療履歴レコード内の診療項目が適用される状況等の区分を表す情報である。例えば、「http://www.mhlw.go.jp/topics/2010/06/dl/tp0610-1a.pdf」というＵＲＬにて公開された厚生労働省保険局医療課による『平成２２年度「ＤＰＣ導入の影響評価に係る調査」実施説明資料』のｐ１２０〜１３２『「ＤＰＣ導入の影響評価」に係るレセプトデータダウンロード方式によるレセプト情報データ収集について第１０版』におけるｐ１２３に示された「データ区分：(E-5, F-5, EF-5)」を、この変形例における「診療区分」として用いてもよい。このデータ区分には、例えば、「内服」、「頓服」、「外用」などといった投薬の種類、「皮下筋肉内」、「静脈内」などといった注射の種類などといった区分が含まれている。図３に例示した分類情報は薬剤種類（薬効）に基づく分類であったが、この「診療区分」はそれとは異なる観点からの分類コードと捉えてもよい。

この変形例では、抽出ノード候補生成部１０４は、診療区分の異なる診療項目同士の組合せは、抽象ノード候補には選ばない。すなわち、この変形例では、診療区分が異なれば、診療項目が適用される状況が異なるので、そのような適用状況の異なる診療項目同士は抽象化しない。

この変形例の処理手順の例を図１４に示す。図１４において、図４に示した手順のステップと同様の処理に該当するステップについては、同一符号を付して説明を省略する。

図１４の手順では、抽象ノード候補生成部１０４は、母集団を絞り込んだ後（Ｓ１２）、診療区分ごとに、母集団から当該診療区分に該当する診療履歴レコードを抽出し（Ｓ１３）、抽出したレコード群を対象として、Ｓ１４〜Ｓ２０の処理を行うことで、抽象ノード候補を抽出する。このＳ１３〜Ｓ２０の処理を、診療区分ごとに繰り返す。このように、診療区分ごとに、その診療区分に該当するレコードのみから抽象ノード候補を抽出することで、診療区分を跨いだ診療項目の組合せが抽象ノード候補とならないようにしている。このようにして抽象ノード候補が求められた以降の処理Ｓ２２とＳ２４は、図４の例と同様でよい。

この変形例は、抽象ノード候補とする診療項目の組合せを診療区分によりふるいに掛けるものである。図１４の手順では、診療区分によるふるいと、分類ＤＢ１０２の薬効の分類によるふるい（Ｓ１８）の両方を用いて抽象ノード候補を絞り込んだが、診療区分のみを用いる方式も考えられる。

上記実施形態及び変形例では、抽象ノード定義（図９参照）が作成され抽象ノード定義記憶部１１０に記憶されるが、この抽象ノード定義を保存しておき、後の分析で再利用できるようにしてもよい。例えば、いったん作成された抽象ノード定義を辞書データとして保存しておき、分類ＤＢ１０２の分類情報と同様、診療項目の組合せの絞り込みに用いてもよい。すなわち、この場合、Ｓ１６で抽出された診療項目の組合せが分類ＤＢ１０２の分類体系で同一分類でなくても、辞書データ内のいずれかの抽象ノードにおける診療項目の組合せに含まれる場合には、その組合せを除外せずに残す。すなわち、抽象ノード定義の辞書データを、分析者固有の分類情報として利用するのである。分類ＤＢ１０２に複数の分類体系が登録されており、それら複数の分類体系を分析者が個々の分析の際の分析意図に応じて選択利用するような場合、選択した既存の分類体系から漏れる分類を過去の抽象ノード定義の辞書によりカバーする、などの利用方法が考えられる。また、個人用の辞書データが充実してくれば、分類ＤＢ１０２を用いずに、辞書データのみでＳ１８の絞り込みを行ってもよい。

以上に例示した診療支援装置１０は、例えば、汎用のコンピュータに上述の各機能モジュールの処理を表すプログラムを実行させることにより実現される。ここで、コンピュータは、例えば、ハードウエアとして、ＣＰＵ等のマイクロプロセッサ、ランダムアクセスメモリ（ＲＡＭ）およびリードオンリメモリ（ＲＯＭ）等のメモリ（一次記憶）、ＨＤＤ（ハードディスクドライブ）を制御するＨＤＤコントローラ、各種Ｉ／Ｏ（入出力）インタフェース、ローカル・エリア・ネットワークなどのネットワークとの接続のための制御を行うネットワークインタフェース等が、たとえばバスを介して接続された回路構成を有する。また、そのバスに対し、例えばＩ／Ｏインタフェース経由で、ＣＤやＤＶＤなどの可搬型ディスク記録媒体に対する読み取り及び／又は書き込みのためのディスクドライブ、フラッシュメモリなどの各種規格の可搬型の不揮発性記録媒体に対する読み取り及び／又は書き込みのためのメモリリーダライタ、などが接続されてもよい。上に例示した各機能モジュールの処理内容が記述されたプログラムがＣＤやＤＶＤ等の記録媒体を経由して、又はネットワーク等の通信手段経由で、ハードディスクドライブ等の固定記憶装置に保存され、コンピュータにインストールされる。固定記憶装置に記憶されたプログラムがＲＡＭに読み出されＣＰＵ等のマイクロプロセッサにより実行されることにより、上に例示した機能モジュール群が実現される。

１０診療支援装置、１００診療履歴ＤＢ、１０２分類ＤＢ、１０４抽象ノード候補生成部、１０６抽出条件記憶部、１０８抽象ノード選択受付部、１１０抽象ノード定義記憶部、１１２抽象化処理部、１１４抽象化履歴ＤＢ、１１６パターンマイニング部、１１８出力処理部、１２０入力部、１２２表示部。

Claims

コンピュータを、
患者を識別するための患者識別情報とその患者に適用された診療項目を示す情報とを少なくとも含む複数の診療履歴レコードから、適用された患者の数の合計があらかじめ定めた閾値以上となる診療項目の組合せを抽出する抽出手段、
前記抽出手段により抽出された診療項目の組合せを抽出項目候補としてそれぞれ提示し、利用者から、それら抽象項目候補のうち抽象項目として採用するものの選択を受け付ける選択受付手段、
前記各診療履歴レコードの各診療項目を、それぞれ当該診療項目に対応する抽象項目に置き換える置き換え手段、
診療項目を対応する抽象項目で置き換えた診療履歴レコードを対象に、パターンマイニングを行うパターンマイニング手段、
として機能させるためのプログラム。
前記抽出手段は、前記閾値として、前記パターンマイニング手段が前記パターンマイニングで用いる最小サポート値を用いることを特徴とする請求項１に記載のプログラム。
前記抽出手段は、適用された患者の数の合計があらかじめ定めた閾値以上となる診療項目の組合せであっても、当該組合せに含まれる診療項目が同一分類でないものについては抽出しない、
ことを特徴とする請求項１又は２に記載のプログラム。
前記各診療履歴レコードには、診療区分の情報が含まれ、
前記抽出手段は、同一の診療区分に対応する診療履歴レコード群の中で、適用された患者の数の合計があらかじめ定めた閾値以上となる診療項目の組合せを抽出する、
ことを特徴とする請求項１から３のいずれか１項に記載のプログラム。
患者を識別するための患者識別情報とその患者に適用された診療項目を示す情報とを少なくとも含む複数の診療履歴レコードから、適用された患者の数の合計があらかじめ定めた閾値以上となる診療項目の組合せを抽出する抽出手段と、
前記抽出手段により抽出された診療項目の組合せを抽出項目候補としてそれぞれ提示し、利用者から、それら抽象項目候補のうち抽象項目として採用するものの選択を受け付ける選択受付手段と、
前記各診療履歴レコードの各診療項目を、それぞれ当該診療項目に対応する抽象項目に置き換える置き換え手段と、
診療項目を対応する抽象項目で置き換えた診療履歴レコードを対象に、パターンマイニングを行うパターンマイニング手段と、
を備える診療支援装置。