JP6272555B2 - 計算機システム、及び、情報処理方法 - Google Patents

Description

本発明は、計算機システム、及び、情報処理方法に関する。

従来、症例中の病名の組み合わせを１又は０のベクトルで表現し、本ベクトルの内積に基づく類似度により、病名のクラスターを作る処理が提案されている。この類似度は、共起しやすい病名の組み合わせを表す。

一方、添付文書に対して、病名と医薬品名をサーチして、病名と医薬品の適応関係を特定する処理が提案されている（例えば、特許文献１参照）。

特開２００６−０４０２４６号公報

処方などの診療イベントと病名との関係情報は、病名ごとに関連コストを集計する処理などに必要不可欠である。臨床情報データベースから、病名と診療イベントとの関係テーブルを統計処理により抽出する必要がある。しかし、症例には合併症が混在するため、合併症と診療イベントとの関係を切り分けることが難しい。特に、主疾患と併存する可能性が高い慢性疾患などは、注目する診療イベントと、主疾患及び慢性疾患との共起性の性質が似るため、主疾患と診療イベントとの関係性及び慢性疾患と診療イベントとの関係性を同定することが困難である。

上記課題を解決するために、本発明は、計算機システムであって、プロセッサ、及び、メモリを有し、前記プロセッサは、患者の病気と前記患者に行われた診療イベントとを示す複数の症例を含む臨床情報を取得し、前記病気の名称及び前記診療イベントを表す言葉を示す文献を含む文献情報を取得し、一つの症例が複数の病気の組み合わせを示す頻度を前記臨床情報に基づいて算出して、前記メモリに格納し、前記病気の名称及び前記診療イベントを表す言葉の各々を用いて前記文献情報を分析し、分析結果を前記メモリに格納し、前記診療イベントが行われた病気を判別するための基準を取得し、前記分析結果と前記算出した頻度と前記取得した基準とに基づいて、前記診療イベントが前記病気のために行われたか否かを示す第１の関連情報を求めて、前記メモリに格納し、前記第１の関連情報に基づいて、前記診療イベントと前記病気との関係を示す医療情報を生成する。

本発明によれば、合併症が混在する臨床情報に対しても、病名と診療イベントとの関係を高精度に抽出することが可能となる。上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本実施例の計算機システムの機能を示すブロック図である。 本実施例の計算機システムの物理的な構成を示すブロック図である。 本実施例の計算機システムの処理の概要を示すフローチャートである。 本実施例の臨床情報ＤＢを示す説明図である。 本実施例の医学辞書を示す説明図である。 本実施例の情報利得算出部による処理を示すフローチャートである。 本実施例の情報利得算出部による処理の結果を示す説明図である。 本実施例の情報利得行列を示す説明図である。 本実施例の合併症選択部の処理を示すフローチャートである。 本実施例のモデル構築部による処理を示すフローチャートである。 本実施例の判別分析部による処理を示すフローチャートである。 本実施例の判別分析結果行列を示す説明図である。 本実施例の共起分析部の処理を示すフローチャートである。 本実施例の共起行列を示す説明図である。 本実施例の共起頻度行列を示す説明図である。 本実施例の病名診療イベント関連テーブルを示す説明図である。 本実施例の病名診療イベント関連テーブルを表示する画面を示す説明図である。 本実施例の合併症の合併症評価指標Ｔと指標変化Ｓとを出力する画面を示す説明図である。

以下、医学知識を処理するシステムに関し、特に、臨床情報及び医学文献から医学知識の生成処理に関する本発明の実施例を、図面を用いて説明する。

図１は、本実施例の計算機システム１００の機能を示すブロック図である。

本実施例の計算機システム１００は、臨床情報ＤＢ１０１、医学文献ＤＢ１０２、医学辞書１１３、入力部１１４、症例解析部１０３、医学文献解析部１０４、結果合成部１０６及び出力部１０７を有する。本実施例において、施設において健康診断、及び、手術等の医療行為及び薬の処方を受ける者を患者と記載する。本実施例の患者は、人間及び動物を含む。

また、本実施例の診療イベントは、病名以外の医療を示す言葉であり、例えば、医療行為、処方された薬、及び、用いられる医療器具（カテーテル、胃カメラ）等を含む。また、本実施例の病気は、患者の身体及び精神の不調の状態を示し、例えば、心筋梗塞、糖尿病、胃がん、うつ病、及び、骨折等を含む。

また、本実施例における診療とは、診断、治療及び処方等の医療行為のすべてを示す。さらに、本実施例における施設とは、病院及び診療所のほか、自宅、福祉施設及び救急車内等、医療従事者が医療行為を患者に行う可能性があるすべての場所を含む。

臨床情報ＤＢ１０１は、患者が施設において医療を受けた履歴、及び、患者が罹患した病気の名称等を示す症例を含む。臨床情報ＤＢ１０１は、本実施例の計算機システム１００の運用者又は管理者（以下、オペレータ）等によって更新される。

医学文献ＤＢ１０２は、医療に関する文献の内容を含み、例えば、治療方法が記載された医学書及び論文等の内容を含む。医学辞書１１３は、医療関係の単語を示す。医学文献ＤＢ１０２及び医学辞書１１３は、あらかじめオペレータ等によって更新される。

症例解析部１０３は、臨床情報ＤＢ１０１に基づいて、病名と診療イベントとの適応関係を求める機能部である。ここで、本実施例の適応関係とは、患者が病名が示す病気を罹患された場合、患者に診療イベントが与えられる程度を示し、診療イベントが病気のために行われるか否かを示す。

医学文献解析部１０４は、医学文献ＤＢ１０２に基づき、又は、医学文献ＤＢ１０２及び臨床情報ＤＢ１０１に基づき、病名と診療イベントとの適応関係を求める機能部である。

結果合成部１０６は、症例解析部１０３の処理結果及び医学文献解析部１０４の処理結果を合成する機能部である。出力部１０７は、結果合成部１０６の処理結果に基づいて、本実施例の計算機システム１００のオペレータ又は利用者に、病名と診療イベントとの関係を示す医学知識を出力する機能部である。

入力部１１４は、診療イベントと病名との適応関係を判定するための基準を、オペレータ等から受け付けるための機能部である。

症例解析部１０３は、情報利得算出部１０８及び合併症選択部１０９を含む。情報利得算出部１０８は、臨床情報ＤＢ１０１に基づいて、病名の病気を罹患している患者が診療イベントを受けた頻度を求め、頻度に基づいて病名と診療イベントとの関係を求める機能部である。

合併症選択部１０９は、臨床情報ＤＢ１０１に基づいて、複数の病気が合併症であるかを示す指標（合併症評価指標）を算出する機能部である。

医学文献解析部１０４は、モデル構築部１１０、判別分析部１１１、及び共起分析部１１２を含む。モデル構築部１１０は、医学文献ＤＢ１０２と、入力部１１４からの入力値とに基づいて病名と診療イベントとが関連するかを判定するための判定モデルを生成する機能部である。

判別分析部１１１は、判定モデルと合併症評価指標と医学文献ＤＢ１０２とに基づいて、病名と診療イベントとの適応関係を求める。共起分析部１１２は、医学文献ＤＢ１０２に基づいて、病名と診療イベントとの適応関係を求める。

図２は、本実施例の計算機システム１００の物理的な構成を示すブロック図である。

本実施例の計算機システム１００は、少なくとも一つの計算機によって構成される。計算機システム１００は、プロセッサ１２１、メモリ１２２、補助記憶装置１２３、及び、ＩＯインタフェース１２４を有する。

計算機システム１００は、メモリ１２２に格納されたプログラムをプロセッサが実行することによって、図１に示す症例解析部１０３、医学文献解析部１０４、結果合成部１０６、及び、出力部１０７の機能を実現する。例えば、情報利得算出部１０８は、情報利得算出プログラムによる処理によって機能が実現され、判別分析部１１１は、判別分析プログラムによる処理によって機能が実現される。

メモリ１２２は、不揮発性の記憶素子であるＲＯＭ及び揮発性の記憶素子であるＲＡＭを含む。ＲＯＭは、不変のプログラム（例えば、ＢＩＯＳ）などのデータを格納する。ＲＡＭは、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）のような高速かつ揮発性の記憶素子であり、補助記憶装置１２３に格納されたプログラム及びプログラムの実行時に使用されるデータを一時的に格納する。

補助記憶装置１２３は、例えば、磁気記憶装置（ＨＤＤ）、フラッシュメモリ（ＳＳＤ）等の大容量かつ不揮発性の記憶装置である。また、補助記憶装置１２３は、プロセッサ１２１が実行するプログラム及びプログラムの実行時に使用されるデータ（例えば、後述の合併症評価指標など）を格納する。

本実施例の機能部を実装するためのプログラムは、補助記憶装置１２３から読み出されて、メモリ１２２にロードされて、プロセッサ１２１によって実行される。補助記憶装置１２３は、データとして、臨床情報ＤＢ１０１、医学文献ＤＢ１０２及び医学辞書１１３を格納し、さらに、各機能部による処理結果を格納する。

プロセッサ１２１が実行するプログラムは、リムーバブルメディア（ＣＤ−ＲＯＭ、フラッシュメモリなど）又はネットワークを介して計算機システム１００に提供され、補助記憶装置１２３に格納される。このため、計算機システム１００は、リムーバブルメディアからデータを読み込むインタフェースを有してもよい。

ＩＯインタフェース１２４は、入力装置及び出力装置と接続するためのインタフェースである。ここで入力装置とは、キーボード又はマウスであり、出力装置とは、ディスプレイ又はプリンタである。また、入力装置及び出力装置は、タブレット端末のような一つの装置であってもよい。

本実施例の計算機システム１００のオペレータは、入力装置を介して、計算機システム１００のプログラム及びデータを入力する。また、オペレータ又は利用者は、出力装置を介して、生成された医療情報（本実施例において医学知識）を取得する。

計算機システム１００は、物理的に一つの計算機上で、又は、論理的又は物理的に複数の計算機上で構成される計算機システムであり、前述したプログラムが、同一の計算機上で別個のスレッドで動作してもよく、複数の物理的計算機資源上に構築された仮想計算機上で動作してもよい。

図３は、本実施例の計算機システム１００の処理の概要を示すフローチャートである。

本実施例の計算機システム１００は、三つの方法によって、病名と診療イベントとの関係を示す情報を生成し、これらの情報を用いて医学知識を生成する。具体的には、情報利得算出部１０８が情報利得行列を生成し（１３１）、判別分析部１１１が判別分析結果行列を生成し（１３２）、共起分析部１１２が共起頻度行列を生成する（１３３）。

そして、結果合成部１０６が、情報利得行列、判別分析結果行列及び共起頻度行列を用いて病名診療イベント関連テーブルを生成する（１３４）。病名診療イベント関連テーブルは、病気と診療イベントとの関係を示す医療知識である。

そして、出力部１０７は、病名診療イベント関連テーブルに基づいて生成された情報を、オペレータ、又は、医療関係者に、出力する（１３５）。

なお、本実施例の結果合成部１０６は、情報利得行列、判別分析結果行列及び共起頻度行列の少なくとも一つを用いて病名診療イベント関連テーブルを生成してもよい。特に、本実施例の結果合成部１０６は、判別分析結果行列のみを用いて病名診療イベント関連テーブルを生成することにより、臨床情報ＤＢ１０１及び医学文献ＤＢ１０２の両方を用いて、病名診療イベント関連テーブルを生成することができる。

また、本実施例の結果合成部１０６は、病名診療イベント関連テーブルを生成するために、判別分析結果行列と、さらに、情報利得行列及び共起頻度行列とを用いることによって、病名と診療イベントとの関連を示す制度の高い情報を生成することができる。

図４は、本実施例の臨床情報ＤＢ１０１を示す説明図である。

臨床情報ＤＢ１０１は、診療イベント管理テーブル２０１及び病名管理テーブル２０６を含む。診療イベント管理テーブル２０１は、患者が施設において診療イベントを受けた履歴を示す。病名管理テーブル２０６は、患者の病気の名称を示す。

診療イベント管理テーブル２０１は、症例ＩＤ２０２、患者ＩＤ２０３、日付２０４及び診療イベント名２０５を含む。

症例ＩＤ２０２は、症例に割り当てられるＩＤである。症例ＩＤ２０２は、本実施例のオペレータによって任意に割り当てられる。本実施例における症例とは、患者が施設において受ける一連の診療イベントの履歴であり、例えば、入院における診療イベントの履歴、通院における診療イベントの履歴、及び、応急処置の履歴等を示す。

症例ＩＤは、一連の診療イベントについて一つが割り当てられる。例えば、患者が病院に所定の期間入院する場合、オペレータは、当該所定の期間の入院に一意の症例ＩＤを割り当てる。また、例えば、患者が、宿泊はしないが所定の期間毎日通院する場合、オペレータは、当該所定の期間の通院に一意の症例ＩＤを割り当てる。

患者ＩＤ２０３は、診療イベントを受ける患者に割り当てられるＩＤである。

日付２０４は、診療イベント名２０５が示す診療イベントが開始した日を示す。また、診療イベント名２０５が１日で終了した診療イベントを示す場合、日付２０４は、当該診療イベントが行われた日を示す。例えば、薬の投与が入院期間の二日目に開始した場合、日付２０４は、入院期間の二日目の日を示す。

診療イベント名２０５は、患者に行われた診療イベントを示す。同日に二つ以上の診療イベントが開始された場合、診療イベントごとにレコードが生成されてもよい。診療イベント名２０５は、例えば、注射、検査、手術、処方、及び、処置などである。

病名管理テーブル２０６は、症例ＩＤ２０７、患者ＩＤ２０８、及び、病名２０９を含む。症例ＩＤ２０７は、症例に割り当てられるＩＤである。症例ＩＤ２０７は、症例ＩＤ２０２に対応する。患者ＩＤ２０８は、患者に割り当てられるＩＤである。患者ＩＤ２０８は、患者ＩＤ２０３と対応する。

病名２０９は、症例ＩＤ２０７が示す症例において、患者に診療が与えられる原因である病気の名前である。本実施例における病気とは、内科、外科及び眼科等、すべての医療分野の診療科が扱う病気である。

図５は、本実施例の医学辞書１１３を示す説明図である。

本実施例の医学辞書１１３は、病名と、病名以外の単語とを分類する。医学辞書１１３は、分類３０１及び名称３０２を含む。

分類３０１は、名称３０２の分類を示し、病名と病名以外の分類名とを示す。病名以外の分類名とは、処方名、注射名、検査名、手術名及び処置名などである。名称３０２は、医療において用いられる名称を示す。

情報利得算出部１０８、モデル構築部１１０、判別分析部１１１、及び、共起分析部１１２は、医学辞書１１３を参照することによって、病名を取得し、さらに、病名以外の医療を示す名称から診療イベントを表す言葉を取得する。これによって、本実施例の計算機システム１００は、病名及び診療イベントに相当する名称を、医学辞書１１３に従って定義することができる。

図６は、本実施例の情報利得算出部１０８による処理を示すフローチャートである。

情報利得算出部１０８は、臨床情報ＤＢ１０１から症例データを読み出す（４０１）。ここで、症例データとは、診療イベント管理テーブル２０１の全レコード、及び、病名管理テーブル２０６の全レコードである。情報利得算出部１０８は、ステップ４０１において、症例データをメモリ１２２に読み出す。

次に、情報利得算出部１０８は、読み出した病名管理テーブル２０６において、臨床情報ＤＢ１０１が示す症例の各々が、対象病名ｉを含むかを示すビット列を生成する（４０２）。

ここで、対象病名ｉとは、医学辞書１１３の分類３０１が病名を示す全レコードの、名称３０２が示す病名の中から選択された一つの病名である。情報利得算出部１０８は、ステップ４０２において医学辞書１１３からすべての病名を選択し、選択した病名ごとにビット列を生成する。

具体的には、本実施例の情報利得算出部１０８は、ステップ４０２において、一つの症例ＩＤ２０７に一つのビットを対応させる。情報利得算出部１０８は、一つの症例ＩＤ２０７を示す一つ以上のレコードの病名２０９に、対象病名ｉが含まれる場合、当該症例ＩＤ２０７に対応するビットに１を格納し、対象病名ｉが含まれない場合、当該症例ＩＤ２０７に対応するビットに０を格納する。

図７は、本実施例の情報利得算出部１０８による処理の結果を示す説明図である。

ステップ４０２の結果、情報利得算出部１０８は、図７に示すビット列５０１を生成する。

ステップ４０２の後、情報利得算出部１０８は、対象診療イベントＥが行われた症例を示すビット列５０２と、対象診療イベントＥが行われた症例を示すビット列５０３とを、ビット列５０１を分割することによって生成する（４０３）。

ここで、対象診療イベントＥとは、医学辞書１１３の分類３０１が病名以外である名称３０２から選択された一つの単語である。情報利得算出部１０８は、病名以外の単語である診療イベントの中の一つの対象診療イベントＥごとに、ビット列５０２及びビット列５０３を生成する。

ステップ４０３において情報利得算出部１０８は、具体的には、症例ＩＤ２０７と症例ＩＤ２０２が同じである診療イベント管理テーブル２０１のレコードを特定する。そして、情報利得算出部１０８は、特定したレコードの診療イベント名２０５に対象診療イベントＥが含まれる症例ＩＤ２０７に対応するビットを抽出し、抽出したビットのみを含むビット列５０２を生成する。

また、情報利得算出部１０８は、特定したレコードの診療イベント名２０５に対象診療イベントＥが含まれない症例ＩＤ２０７に対応するビットをビット列５０１から抽出し、抽出したビットのみを含むビット列５０３を生成する。

ステップ４０３の後、情報利得算出部１０８は、病名に対して特に行われる診療イベントを示す情報利得行列を算出する（４０４）。具体的には、情報利得算出部１０８は、確率的コンプレキシティを用い、ビット列５０１から情報利得５０４を算出し、ビット列５０２から情報利得５０５を算出し、ビット列５０３から情報利得５０６を算出する。

情報利得算出部１０８は、情報利得５０４、５０５及び５０６を、以下の式（１）を用いて算出する。

Ｉ（ｉ，Ｅ，ｘ）＝ｍｉｎ｛ｍ１，ｍ‐ｍ１｝＋λ√（ｍｌｏｇｍ）
（ｍ：ビット列に含まれるビットの総数、ｍ１：１の出現数、λ：右項の重み付け） ・・・（１）

ここで、ｘは、情報利得の識別子である。このため、情報利得５０４は、Ｉ（ｉ，Ｅ，１）であり、情報利得５０５は、Ｉ（ｉ，Ｅ，２）であり、情報利得５０６は、Ｉ（ｉ，Ｅ，３）である。情報利得５０４、５０５及び５０６は、病名ｉと診療イベントＥとの２次元の行列である。

なお、情報利得５０４（Ｉ（ｉ，Ｅ，１））は、診療イベントＥに依存せず、病名ｉのみに従って算出される。このため、情報利得算出部１０８は、一つの病名ｉについて算出されたＩ（ｉ，Ｅ，１）の値を、一つの病名ｉとすべての診療イベントＥとの組み合わせによるＩ（ｉ，Ｅ，１）に複製する。

そして、情報利得算出部１０８は、情報利得５０４、５０５及び５０６と式（２）とを用い、情報利得行列ＩＧ（ｉ，Ｅ）を生成する。図７に示す情報利得行列５０７は、式（２）に基づく情報利得行列を示す。

ＩＧ（ｉ，Ｅ）
＝Ｉ（ｉ，Ｅ，１）−（Ｉ（ｉ，Ｅ，２）＋Ｉ（ｉ，Ｅ，３）） ・・・（２）

情報利得行列ＩＧ（ｉ，Ｅ）は、診療イベントＥが病名ｉにのみ特異的であるか（特に多く与えられたか）を表現するための行列である。

算出された情報利得行列ＩＧ（ｉ，Ｅ）の値が大きいほど、病名ｉと診療イベントＥとの組み合わせは、特異的かつ適切な関係であり、診療イベントＥの診療行為は、病名ｉの病気に適用される場合が多い。また、算出された情報利得行列ＩＧ（ｉ，Ｅ）の値が小さいほど、診療イベントＥの診療行為は、病名ｉの病気に適用されることはほとんどないか、診療イベントＥの診療行為は、多くの病気に適用されており、特に病名ｉの病気に多く適用されるわけではない。

例えば輸液は、いずれの病気においても用いられることが多い薬品である。このため、診療イベントＥが輸液である場合、輸液に対して算出された情報利得５０５の値が極端に大きくなる。具体的には、右項（λ√（ｍｌｏｇｍ））が大きくなり、情報利得Ｉ（ｉ，（輸液），２）の値が大きくなり、情報利得行列ＩＧ（ｉ，（輸液））の値が小さくなる。このため、情報利得行列ＩＧ（ｉ，（輸液））が小さい場合、病名ｉと輸液との組み合わせは特異的でない。

情報利得算出部１０８は、算出した情報利得行列ＩＧ（ｉ，Ｅ）を、メモリ１２２又は補助記憶装置１２３に格納する。情報利得算出部１０８が情報利得行列ＩＧ（ｉ，Ｅ）を生成することによって、臨床情報ＤＢ１０１のみに基づいた病名ｉと診療イベントＥとの関連を示す行列を、病名診療イベント関連テーブルの生成に用いることができる。

図８は、本実施例の情報利得行列ＩＧ（ｉ，Ｅ）を示す説明図である。

図８の情報利得行列１１０１は、情報利得行列ＩＧ（ｉ，Ｅ）の例であり、列１１０２は病名であり、行１１０３は診療イベントである。

図９は、本実施例の合併症選択部１０９の処理を示すフローチャートである。

合併症選択部１０９は、ステップ４０１と同じく、臨床情報ＤＢ１０１から症例データをメモリ１２２に読み出す（６０１）。

ステップ６０１の後、合併症選択部１０９は、以下に示す式（３）と症例データとに基づいて、日付ｔ０から経過した日数ｋにおいて病名ｉ１と病名ｉ２とが合併症であると判定できるかを示す指標である合併症評価指標Ｔを算出する（６０２）。合併症選択部１０９は、これによって、病名ｉ１と病名ｉ２とが合併症であるかを判定するための指標を算出できる。

ここで、経過期間ｋは、日数ａ０及び日数ａ１のいずれかの日数である。また、日付ｔ０は、本実施例において診療イベント管理テーブル２０１の日付２０４が示す日付の中で一番早い日付であるが、オペレータによって指定されてもよい。また、日数ａ１＞日数ａ０である。日数ａ０及び日数ａ１はあらかじめオペレータによって入力される。

Ｔ（ｉ１，ｉ２，ｋ）
＝（日付ｔ０から日数ｋが経過するまでの期間において病名ｉ１及び病名ｉ２の両方を含む症例数）／Ｍａｘ（日付ｔ０から日数ｋが経過するまでの期間において病名ｉ１を少なくとも含む症例数，日付ｔ０から日数ｋが経過するまでの期間において病名ｉ２を少なくとも含む症例数）・・・（３）

算出された合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）が１に近いほど、合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）は、病名ｉ１と病名ｉ２との両方が一つの症例に現れることを意味する。このため、合併症評価指標Ｔは、病名ｉ１と病名ｉ２との両方が一つの症例に含まれる頻度を示す。

ここで病名ｉ１と病名ｉ２は、医学辞書１１３の分類３０１が病名である全レコードを特定し、特定したレコードの名称３０２である。また、合併症選択部１０９は、三つ以上の病名について合併症評価指標Ｔを算出してもよい。この場合、合併症選択部１０９は、複数の病名を含む症例数を、少なくとも一つの病名を含む症例数の最大値によって除算することによって、合併症評価指標Ｔを算出する。

合併症選択部１０９は、ステップ６０２において、日付２０４が日付ｔ０から日数ｋが経過するまでの期間に含まれるレコードを、診療イベント管理テーブル２０１において特定し、特定したレコードの症例ＩＤ２０２と症例ＩＤ２０７とが同じ病名管理テーブル２０６のレコードを特定する。そして、合併症選択部１０９は、特定した病名管理テーブル２０６のレコードを用いて、病名ｉ１及び病名ｉ２の両方を含む症例数、病名ｉ１を少なくとも含む症例数、病名ｉ２を少なくとも含む症例数を求める。

合併症選択部１０９は、日数ｋが日数ａ０である場合の合併症評価指標Ｔ（ｉ１，ｉ２，ａ０）と、日数ｋが日数ａ１である場合の合併症評価指標Ｔ（ｉ１，ｉ２，ａ１）とを算出する。合併症選択部１０９は、算出した合併症評価指標Ｔを、メモリ１２２又は補助記憶装置１２３に格納する。

ステップ６０２の後、合併症選択部１０９は、算出した合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）と所定の閾値とを比較し、所定の閾値より高い合併症評価指標Ｔを算出した病名ｉ１と病名ｉ２との組み合わせを合併症の組み合わせとして選択する。そして、合併症選択部１０９は、選択した合併症の組み合わせをメモリ１２２又は補助記憶装置１２３に格納する。

図１０は、本実施例のモデル構築部１１０による処理を示すフローチャートである。

モデル構築部１１０は、病名ｉ１、病名ｉ２及び診療イベントＥのすべてを含む医学文献の文献ファイル（例えば、論文、書籍等の内容を含むファイル）を医学文献ＤＢ１０２から収集する（７０１）。具体的には、医学文献ＤＢ１０２が保持する医学文献のテキストから、病名ｉ１、病名ｉ２及び診療イベントＥのすべての名称が含まれる文献ファイルを、全文検索により特定する。

ここで、病名ｉ１及び病名ｉ２は、医学辞書１１３の分類３０１が病名であるレコードの名称３０２から選択した病名である。また、診療イベントＥは、医学辞書１１３の分類３０１が病名以外の分類であるレコードの名称３０２から選択した名称である。

ステップ７０１の後、モデル構築部１１０は、オペレータが入力した病名ｉ１、病名ｉ２、及び、診療イベントＥの医学的に正しい適応関係を、入力部１１４を介して受け付ける（７０２）。

ここで、オペレータは、診療イベントＥが病名ｉ１のために行われるものである場合、適応関係を示す情報として、例えば、（病名ｉ１，診療イベントＥ）＝１、及び、（病名ｉ２，診療イベントＥ）＝０を入力部１１４を介して入力する。また、オペレータは、診療イベントＥが病名ｉ２のために行われるものである場合、適応関係を示す情報として、例えば、（病名ｉ１，診療イベントＥ）＝０、及び、（病名ｉ２，診療イベントＥ）＝１を、入力部１１４を介して入力する。

ステップ７０２の後、モデル構築部１１０は、合併症選択部１０９により算出された合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）（ｋ＝ａ０，ａ１）を取得し、合併症評価指標Ｔの指標変化Ｓを以下の式（４）を用いて算出する（７０３）。

Ｓ（ｉ１，ｉ２）
＝｜Ｔ（ｉ１，ｉ２，ａ１）−Ｔ（ｉ１，ｉ２，ａ０）｜／Ｔ（ｉ１，ｉ２，ａ０） ・・・（４）

指標変化Ｓ（ｉ１，ｉ２）は、合併症評価指標Ｔの時間変化量である。モデル構築部１１０は、指標変化Ｓを式（４）を用いて算出することによって、合併症の発生状況の変化を、時間の経過に従って示す指標を算出できる。

指標変化Ｓ（ｉ１，ｉ２）が０に近い数値である場合、すなわち、経過期間が日数ａ０から日数ａ１に増え、症例数が増えた場合にも合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）が変化しない場合、病名ｉ１又は病名ｉ２のどちらかが、糖尿病のような慢性疾患の可能性が高い。例えば、心疾患の患者は、高い確率で高血圧又は糖尿病などの慢性疾患を持っている。

一方、指標変化Ｓ（ｉ１，ｉ２）がある所定の閾値以上である場合、病名ｉ１又は病名ｉ２のどちらかが、入院中に起こる急性の合併症である可能性が高い。例えば、手術後に起こる感染症などが例として挙げられる。感染症は、ある所定の割合で起こるが、慢性疾患ほど共起しないため、指標変化Ｓ（ｉ１，ｉ２）の値は大きくなる。

本実施例において、経過期間ｋは、日数ａ０と日数ａ１との二つであるが、経過期間ｋは、三つ以上の日数であってもよい。そして、指標変化Ｓは、合併症評価指標Ｔの時間変化量の平均値、又は、最大値等の統計値であってもよい。

ステップ７０３の後、合併症選択部１０９は、ステップ７０３において算出した指標変化Ｓ（ｉ１，ｉ２）ごと、かつ、ステップ７０１において読み出した文献ファイルごとに、構文解析による以下の方法１〜４を用いて、素性ベクトルを生成する（７０４）。

方法１：第１成分に、病名ｉ１を含む文章の動詞の原型（動詞がｂｅ動詞である場合、補語である形容詞又は名詞）を格納し、第２成分に、病名ｉ１が主語であるか（＝１）、述語であるか（＝０）、それ以外であるか（−１）を示す値を格納し、第３成分に、指標変化Ｓ（ｉ１，ｉ２）を格納する。方法１による素性ベクトルは、（動詞の原型／形容詞／名詞，１／０／−１，Ｓ）の３次元ベクトルである。

方法２：第１成分に、病名ｉ２を含む文章の動詞の原型（動詞がｂｅ動詞である場合、補語である形容詞又は名詞）を格納し、第２成分に、病名ｉ２が主語であるか（＝１）、述語であるか（＝０）、それ以外であるか（−１）を示す値を格納し、第３成分に、指標変化Ｓ（ｉ１，ｉ２）を格納する。方法２による素性ベクトルは、（動詞の原型／形容詞／名詞，１／０／−１，Ｓ）の３次元ベクトルである。

方法３：第１成分に、病名ｉ１と診療イベントＥとの両方を含む文章の動詞の原型（動詞がｂｅ動詞である場合、補語である形容詞又は名詞）を格納し、第２成分に、病名ｉ１が主語であるか（＝１）、述語であるか（＝０）、それ以外であるか（−１）を示す値を格納し、第３成分に、診療イベントＥが主語であるか（＝１）、述語であるか（＝０）、それ以外であるか（−１）を示す値を格納し、第４成分に、指標変化Ｓ（ｉ１，ｉ２）を格納する。方法３による素性ベクトルは、（動詞の原型／形容詞／名詞，１／０／−１，１／０／−１，Ｓ）の４次元ベクトルである。

方法４：第１成分に、病名ｉ２と診療イベントＥとの両方を含む文章の動詞の原型（動詞がｂｅ動詞である場合、補語である形容詞又は名詞）を格納し、第２成分に、病名ｉ２が主語であるか（＝１）、述語であるか（＝０）、それ以外であるか（−１）を示す値を格納し、第３成分に、診療イベントＥが主語であるか（＝１）、述語であるか（＝０）、それ以外であるか（−１）を示す値を格納し、第４成分に、指標変化Ｓ（ｉ１，ｉ２）を格納する。方法４による素性ベクトルは、（動詞の原型／形容詞／名詞，１／０／−１，１／０／−１，Ｓ）の４次元ベクトルである。

ここで、病名ｉ１が”ＳＴ−ｓｅｇｍｅｎｔ ｅｌｅｖａｔｉｏｎ ｍｙｏｃａｒｄｉａｌ ｉｎｆａｒｃｔｉｏｎ （ＳＴＥＭＩ）”であり、病名ｉ２が”ｄｉａｂｅｔｅｓ”であり、診療イベントＥが”ｐｅｒｃｕｔａｎｅｏｕｓ ｃｏｒｏｎａｒｙ ｉｎｔｅｒｖｅｎｔｉｏｎ （ＰＣＩ）”である場合の例を以下に示す。ここで指標変化Ｓ（ｉ１，ｉ２）は、仮に０．１である。

医学文献ＤＢ１０２から取得された文献ファイルが”ＳＴ−ｓｅｇｍｅｎｔ ｅｌｅｖａｔｉｏｎ ｍｙｏｃａｒｄｉａｌ ｉｎｆａｒｃｔｉｏｎ （ＳＴＥＭＩ） ｗｈｏ ｕｎｄｅｒｗｅｎｔ ｐｒｉｍａｒｙ ｐｅｒｃｕｔａｎｅｏｕｓ ｃｏｒｏｎａｒｙ ｉｎｔｅｒｖｅｎｔｉｏｎ （ＰＣＩ）”を含む場合、病名ｉ１が主語であり、動詞が”ｕｎｄｅｒｗｅｎｔ”であり、診療イベントＥが述語である。

このため、モデル構築部１１０は、前述の方法３を用いて、この文章に素性ベクトル（ｕｎｄｅｒｇｏ，１，０，０．１）を生成する。

また、医学文献ＤＢ１０２から取得された文献ファイルが”ｐａｔｉｅｎｔｓ ｗｉｔｈ ｐｒｅｉｎｆａｒｃｔｉｏｎ ＡＰ ｗａｓ ｃｏｎｓｉｓｔｅｎｔｌｙ ｏｂｓｅｒｖｅｄ ａｃｒｏｓｓ ｓｕｂｇｒｏｕｐｓ ｓｔｒａｔｉｆｉｅｄ ｂｙ ｔｏｔａｌ ｉｓｃｈｅｍｉｃ ｔｉｍｅ， ｉｎｉｔｉａｌ Ｔｈｒｏｍｂｏｌｙｓｉｓ Ｉｎ Ｍｙｏｃａｒｄｉａｌ Ｉｎｆａｒｃｔｉｏｎ ｆｌｏｗ ｇｒａｄｅ， ｈｅｍｏｄｙｎａｍｉｃ ｓｔａｔｕｓ， ｉｎｆａｒｃｔ ｌｏｃａｔｉｏｎ， ａｎｄ ｄｉａｂｅｔｅｓ ｍｅｌｌｉｔｕｓ．”を含む場合、病名ｉ２が主語でもなく述語でもなく、動詞が”ｓｔｒａｔｉｆｉｅｄ”である。

このため、モデル構築部１１０は、前述の方法２を用いて、この文章に素性ベクトル（ｓｔｒａｔｉｆｙ，−１，０．１）を生成する。

次に、病名ｉ１が”ｓｔｒｏｋｅ”であり、病名ｉ２が”ＡＭＩ”であり、診療イベントＥが”ＰＣＩ”である場合の例を以下に示す。ここで指標変化Ｓ（ｉ１，ｉ２）は、仮に０．６である。

医学文献ＤＢ１０２から取得された文章が、”Ａｎ ｉｎｈｏｓｐｉｔａｌ ｉｓｃｈｅｍｉｃ ｓｔｒｏｋｅ ｏｃｃｕｒｒｅｄ”である場合、病名ｉ１が主語であり、動詞が”ｏｃｃｕｒｅｄ”である。

このため、モデル構築部１１０は、前述の方法１を用いて、この文章に素性ベクトル（ｏｃｃｕｒｅ，１，０．６）を生成する。

また、医学文献ＤＢ１０２から取得された文章が”Ｐｅｒｃｕｔａｎｅｏｕｓ ｃｏｒｏｎａｒｙ ｉｎｔｅｒｖｅｎｔｉｏｎ （ＰＣＩ） ａｎｄ ｓｔａｔｉｎｓ ｗｅｒｅ ｉｎｄｅｐｅｎｄｅｎｔｌｙ ａｓｓｏｃｉａｔｅｄ ｗｉｔｈ ａ ｒｅｄｕｃｅｄ ｒｉｓｋ ｏｆ ｓｔｒｏｋｅ ａｆｔｅｒ ｄｉｓｃｈａｒｇｅ ｆｒｏｍ ｈｏｓｐｉｔａｌ．”である場合、病名ｉ１が主語であり、動詞が”ａｓｓｏｃｉａｔｅｄ”であり、診療イベントＥが述語である。

このため、モデル構築部１１０は、前述の方法３を用いて、この文章に素性ベクトル（ａｓｓｏｃｉａｔｅ，１，０，０．６）を生成する。

また、医学文献ＤＢ１０２から取得された文章が”Ｉｓｃｈｅｍｉｃ ｓｔｒｏｋｅ ｉｓ ａ ｍｏｒｅ ｃｏｍｍｏｎ ｃｏｍｐｌｉｃａｔｉｏｎ ａｆｔｅｒ ａｎ ＡＭＩ”である場合、病名ｉ１が主語であり、病名ｉ２が述語であり、補語である名詞が”ｃｏｍｐｌｉｃａｔｉｏｎ”である。

このため、モデル構築部１１０は、前述の方法３を用いて、この文章に素性ベクトル（ｃｏｍｐｌｉｃａｉｔｏｎ，１，−１，０．６）を生成する。

ステップ７０４の後、モデル構築部１１０は、病名ｉ１＝診療イベントＥにおける目的変数を１に定め、病名ｉ２＝診療イベントＥにおける目的変数を０に定めることにより、四種類の素性ベクトルに関して判別分析を行い、判別モデルを生成する（７０５）。そして、モデル構築部１１０は、方法１〜４の判別距離の平均で構成する３次元ベクトル又は４次元ベクトルについて判別分析を行い、総合的な判別モデルを生成する。

ステップ７０５において、モデル構築部１１０は、ステップ７０２において受け付けた病名ｉと診療イベントＥとの適応関係（（病名ｉ、診療イベントＥ）＝１又は０）、及び、ステップ７０４において生成した素性ベクトルを用いて、病名ｉと診療イベントＥとが適応しているか（診療イベントＥが病名ｉに対して与えられたか）を判別するための判別モデルを学習する。判別分析は、素性ベクトルが高次元のためサポートベクトルマシンによって行われても良いが、いかなる方法によって行われても良い。

モデル構築部１１０は、具体的には、ステップ７０４において生成した素性ベクトルに、ステップ７０２において受け付けた適応関係を対応させることによって、生成した素性ベクトルを、診療イベントＥと適応関係にある病名ｉを示す素性ベクトルと、診療イベントＥと適応関係にない病名ｉを示す素性ベクトルとに分割する。

そして、モデル構築部１１０は、分割された結果、生成された二つの素性ベクトル群の境界である判別曲線を特定し、メモリ１２２又は補助記憶装置１２３に判別モデルと判別曲線とを格納する。後述する判別分析部１１１は、ここで特定された判別曲線を用いて、生成した素性ベクトルが病名ｉに対して与えられた診療イベントを示す素性ベクトルであるか否かを判定する。

モデル構築部１１０は、ステップ７０５において、ステップ方法１及び方法３によって生成された素性ベクトルに病名ｉ１と診療イベントＥとの適応関係を対応させ、方法２及び方法４によって生成された素性ベクトルに病名ｉ２と診療イベントＥとの適応関係を対応させる。

なお、モデル構築部１１０が判別モデルを生成せず、オペレータが判別モデルを入力してもよい。

図１１は、本実施例の判別分析部１１１による処理を示すフローチャートである。

判別分析部１１１は、医学文献の文献ファイルを最新の医学文献ＤＢ１０２から読み出す（８０１）。

次に、判別分析部１１１は、ステップ６０２において算出された最新の合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）を取得し、取得した合併症評価指標Ｔの中から所定の閾値より大きい合併症評価指標Ｔを特定する。そして、判別分析部１１１は、特定した合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）と、式（４）とを用いて、指標変化Ｓを算出する（８０２）。

なお、臨床情報ＤＢ１０１が更新される場合、ステップ８０２において取得する合併症評価指標Ｔは、モデル構築部１１０がステップ７０３において取得した合併症評価指標Ｔと異なっていても良い。ステップ８０２において、所定の閾値より大きい合併症評価指標Ｔを用いることにより、判別分析部１１１は、合併症である可能性が高い病名ｉ１と病名ｉ２との組み合わせについての素性ベクトルについて、後述する判別分析を行うことができる。

ステップ８０２の後、判別分析部１１１は、ステップ７０２において算出した指標変化Ｓ（ｉ１，ｉ２）ごとに、かつ、ステップ８０１で取り込んだ医学文献の文献ファイルごとに、ステップ７０４と同じ方法によって、構文解析により素性ベクトルを生成する（８０３）。

医学文献ＤＢ１０２が更新されていない場合、ステップ８０３において生成される素性ベクトルの第１成分、及び、第２成分（素性ベクトルが４次元ベクトルの場合第３成分）は、ステップ７０４において生成された素性ベクトルの第１成分、及び、第２成分（素性ベクトルが４次元ベクトルの場合第３成分）と同じである。しかし、ステップ８０３において生成される素性ベクトルとステップ７０４において生成された素性ベクトルとは、最後の成分の指標変化Ｓの値が異なる場合がある。

ステップ８０３の後、判別分析部１１１は、ステップ７０５において生成した判別モデル（病名ｉ１、病名ｉ２及び診療イベントＥについて）の判別曲線を用いて、ステップ８０２において生成した素性ベクトル（病名ｉ１、病名ｉ２及び診療イベントＥについて）の判別分析を行うことによって、病名ｉ１と診療イベントＥとの適応関係、病名ｉ２と診療イベントＥとの適応関係を判別する。

なお、例えば、判別分析部１１１は、ステップ７０４において生成された素性ベクトルと、ステップ８０２において生成した素性ベクトルとを比較し、距離を算出し、算出した距離が所定の距離内である場合、ステップ７０４において生成された素性ベクトルに対応する適応関係（ステップ７０２において受け付けた）を、ステップ８０２において生成した素性ベクトルに適応させてもよい。

判別分析部１１１は、医学文献ＤＢ１０２に基づいて生成された素性ベクトルの成分と判別モデルの成分とを比較することによって、文献ファイルにおける病名と診療ベクトルとの位置及び役割等を、病気と診療ベクトルとの関連を判定するためのパラメータに用いることができる。そして、判別分析部１１１は、より精度よく病気と診療ベクトルとの関連を特定できる。

判別分析部１１１は、病名ｉ１と診療イベントＥとが適応関係にあると判別した場合、診療イベントＥが病名ｉ１のために与えられたものであると判定し、病名ｉ２と診療イベントＥとが適応関係にあると判別した場合、診療イベントＥが病名ｉ２のために与えられたものであると判定する（８０４）。

さらに、ステップ８０４において、判別分析部１１１は、適応関係にある病名ｉと診療イベントＥとの組み合わせに１を割り当て、適応関係にない病名ｉと診療イベントＥとの組み合わせに０を割り当てることにより、病名ｉと診療イベントＥとの適応関係を示す行列（判別分析結果行列）を生成する。判別分析部１１１は、メモリ１２２又は補助記憶装置１２３に判別分析結果行列を格納する。

図１２は、本実施例の判別分析結果行列１２０１を示す説明図である。

図１２に示す判別分析結果行列１２０１（ｒｅｓｕｌｔ（ｉ，Ｅ））は、図１１に示す処理によって生成された行列の例である。列１２０２は、病名ｉであり、行１２０３は、診療イベントＥである。診療イベントＥが病名ｉのために行われたものである場合、成分（ｉ，Ｅ）は１である。また、診療イベントＥが病名ｉのために行われていない場合、成分（ｉ，Ｅ）は０である。

本実施例の判別分析部１１１によれば、最新の臨床情報ＤＢ１０１及び医学文献ＤＢ１０２に基づいて生成された素性ベクトルと、判別モデルとの比較結果によって病名ｉと診療イベントＥとの適応関係を示す判別分析結果行列を生成することにより、新たに入力された情報に基づいて病名ｉと診療イベントＥとの適応関係を求めることができる。

また、モデル構築部１１０及び判別分析部１１１が素性ベクトルの成分に指標変化Ｓなどの合併症の頻度に基づいた値を含めることによって、本実施例の判別分析部１１１は、病気が合併症であるか及び慢性疾患であるか等の病気の特性を、適応関係を判別するためのパラメータに用いることができ、より病気と診療イベントとの関係を精度よく特定することができる。

なお、モデル構築部１１０及び判別分析部１１１は、指標変化Ｓの代わりに合併症評価指標Ｔを素性ベクトルの成分に含めてもよい。

図１３は、本実施例の共起分析部１１２の処理を示すフローチャートである。

共起分析部１１２は、医学文献の文献ファイルを医学文献ＤＢ１０２から取得する（９０１）。

次に、共起分析部１１２は、病名ｉ及び診療イベントＥを同時に含む医学文献の文献ファイル数をカウントし、カウントした結果である共起数（ｉ，Ｅ）を含む共起行列を生成する（９０２）。具体的には、共起分析部１１２は、医学文献ＤＢ１０２が保持する医学文献の文献ファイルの内容を示すテキストに、病名ｉ及び診療イベントＥの用語が含まれるか、全文検索により判定する。

図１４は、本実施例の共起行列を示す説明図である。

図１４に示す共起行列は、列１００１が病名ｉであり、行１００２が診療イベントＥである。病名ｉ及び診療イベントＥに対応するセルは、ステップ９０２において算出された共起数Ｆ（ｉ，Ｅ）を含む。

ステップ９０２の後、共起分析部１１２は、生成した共起行列にもとづいて、病名ｉ及び診療イベントＥごとに、式（５）により共起頻度行列ｃｏ（ｉ，Ｅ）を算出し、共起頻度行列１３０１を生成する（９０３）。

ｃｏ（ｉ，Ｅ）＝Ｆ（ｉ，Ｅ）／ΣＦ（ｉ，Ｅ） ・・・（５）

図１５は、本実施例の共起頻度行列１３０１を示す説明図である。

図１５に示す共起頻度行列１３０１は、ステップ９０３において算出される共起頻度行列ｃｏ（ｉ，Ｅ）の例を示す。列１３０２は病名ｉであり、行１３０３は診療イベントＥである。ステップ９０３の後、図１３に示す処理を終了し、図３に示すステップ１３３を終了する。なお、共起分析部１１２は、生成した共起頻度行列ｃｏ（ｉ，Ｅ）を、メモリ１２２又は補助記憶装置１２３に格納する。

共起分析部１１２が、共起頻度行列ｃｏ（ｉ，Ｅ）を生成することによって、医学文献ＤＢ１０２のみに基づいた病名ｉと診療イベントＥとの関連を示す行列を、病名診療イベント関連テーブルの生成に用いることができる。

情報利得算出部１０８、判別分析部１１１、及び、共起分析部１１２が、各々、情報利得行列、判別分析結果行列、及び、共起頻度行列を生成した後（ステップ１３１、１３２及び１３３の後）、結果合成部１０６は、式（６）により病名診療イベント関連テーブル（Ｒｅｌａｔｉｏｎ（ｉ，Ｅ））を生成する（図３のステップ１３４）。

Ｒｅｌａｔｉｏｎ（ｉ，Ｅ）
＝ＩＧ（ｉ，Ｅ）＋ｒｅｓｕｌｔ（ｉ，Ｅ）＋ｃｏ（ｉ、Ｅ） ・・・（６）

図１６は、本実施例の病名診療イベント関連テーブル１４０１を示す説明図である。

図１６に示す病名診療イベント関連テーブル１４０１は、病名診療イベント関連テーブル（Ｒｅｌａｔｉｏｎ（ｉ，Ｅ））の例である。列１４０２は病名ｉであり、行１４０３は診療イベントＥである。

ステップ１３４の後、出力部１０７は、Ｒｅｌａｔｉｏｎ（ｉ，Ｅ）を出力する。また、出力部１０７は、生成した病名診療イベント関連テーブル１４０１に基づいて、適応関係が所定の基準に該当する病名ｉと診療イベントＥとの組み合わせを、ＩＯインタフェース１２４を介して出力してもよい。これによって、利用者は、病気と診療イベントとの所定の関係を示す医学知識を把握することができる。

図１７は、本実施例の病名診療イベント関連テーブルを表示する画面１８００を示す説明図である。

出力部１０７は、例えば、画面１８００を表示するためのデータを、ＩＯインタフェース１２４を介して出力してもよい。画面１８００は、領域１８０１及び領域１８０２を含む。

領域１８０１は、画面１８００に表示する内容をオペレータに選択させるための領域である。図１７に示す領域１８０１は、情報利得行列、共起頻度行列及び病名診療イベント関連テーブルを選択するための表示を含むが、判別分析結果行列を選択するための表示等を含んでも良い。生成された複数の行列を表示することによって、オペレータは、異なる観点から判定された病名と診療イベントとの関係を把握することができる。

領域１８０２は、領域１８０１において選択された内容を表示するための領域である。領域１８０１において病名診療イベント関連テーブルが選択された場合、領域１８０２は、病名診療イベント関連テーブルの内容を表示する。

さらに、出力部１０７は、判別分析部１１１において算出された合併症評価指標Ｔと指標変化Ｓとを、ＩＯインタフェース１２４を介して出力してもよい。

図１８は、本実施例の合併症の合併症評価指標Ｔと指標変化Ｓとを出力する画面１５００を示す説明図である。

出力部１０７は、例えば、画面１５００を表示するためのデータを、ＩＯインタフェース１２４を介して出力する。画面１５００は、二つの病名（病名ｉ１、病名ｉ２）に関する合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）の時間的な変化量を可視化し、かつ、指標変化Ｓの値を表示する画面の例である。画面１５００は、領域１５０１〜１５０８を含む。

領域１５０１は、病名ｉ１を選択するリストボックスであり、領域１５０２は病名ｉ２を選択するリストボックスである。領域１５０３は、領域１５０１及び１５０２において選択された病名ｉ１及び病名ｉ２について、日付ｔ０から日数ｋまでの合併症評価指標Ｔ（ｉ，Ｅ，ｋ）の値の推移を表示する。

領域１５０４は日数ａ０を設定するための領域であり、領域１５０５は日数ａ１を設定するための領域である。領域１５０４及び１５０５は、例えばテキストボックスである。領域１５０４及び１５０５で設定した日数ａ０、日数ａ１に対して、モデル構築部１１０は、ステップ７０３の処理によって、指標変化Ｓ（ｉ，Ｅ）を算出する。領域１５０６は、算出された指標変化Ｓ（ｉ，Ｅ）を表示する。

画面１５００を参照することによって、オペレータは、病名ｉ１と病名ｉ２との組み合わせ、及び日数ｋごとの合併症評価指標Ｔ（ｉ，Ｅ，ｋ）及び指標変化Ｓ（ｉ，Ｅ）の値を把握でき、病名ｉ１と病名ｉ２とが合併症であるかを判断することができる。

また、領域１５０３のグラフの推移を参照することによって、オペレータは、ステップ８０２において合併症評価指標Ｔと比較する所定の閾値Ｔ０の候補を決めることができる。オペレータは、閾値の候補を決定した場合、領域１５０７に候補を入力し、領域１５０８の登録ボタンをクリックすることで所定の閾値を設定することができる。

例えば、オペレータは、二つの病名の一つに慢性疾患を含む場合の合併症評価指標Ｔ（ｉ，Ｅ，ｋ）の推移と、二つの病名の一つに急性合併症を含む場合の合併症評価指標Ｔ（ｉ，Ｅ，ｋ）の推移を領域１５０３において確認することで、適切な閾値Ｔ０を設定できる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除又は置換をすることが可能である。

また、上記の各構成、機能及び処理部等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル又はファイル等の情報は、メモリ、ハードディスク、若しくはＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、又は、ＩＣカード、若しくはＳＤカード等の記録媒体に置くことができる。

また、図６、図９、図１０、図１１及び図１３に示す処理は、処理ごとに分割された機能部によって実行されてもよい。例えば、判別分析部１１１は、ステップ８０１を実行する読み出し機能部、ステップ８０２を実行する指標変化算出機能部、ステップ８０３を実行する構文解析機能部、及び、ステップ８０４を実行する行列生成機能部に分割されてもよい。

また、制御線及び情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線及び情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

Claims (15)

1. 計算機システムであって、
   プロセッサ、及び、メモリを有し、
   前記プロセッサは、
   患者の病気と前記患者に行われた診療イベントとを示す複数の症例を含む臨床情報を取得し、
   前記病気の名称及び前記診療イベントを表す言葉を示す文献を含む文献情報を取得し、
   一つの症例が複数の病気の組み合わせを示す頻度を前記臨床情報に基づいて算出して、前記メモリに格納し、
   前記病気の名称及び前記診療イベントを表す言葉の各々を用いて前記文献情報を分析し、分析結果を前記メモリに格納し、
   前記診療イベントが行われた病気を判別するための基準を取得し、
   前記分析結果と前記算出した頻度と前記取得した基準とに基づいて、前記診療イベントが前記病気のために行われたか否かを示す第１の関連情報を求めて、前記メモリに格納し、
   前記第１の関連情報に基づいて、前記診療イベントと前記病気との関係を示す医療情報を生成することを特徴とする計算機システム。
2. 請求項１に記載の計算機システムであって、
   前記プロセッサは、第１の病気と第２の病気との両方を示す症例の数を、少なくとも前記第１の病気を示す症例の数で除算することによって、前記頻度を算出することを特徴とする計算機システム。
3. 請求項１に記載の計算機システムであって、
   前記臨床情報は、所定の開始日から複数の異なる経過期間において行われた診療イベントを示す複数の症例を含み、
   前記プロセッサは、
   前記複数の異なる経過期間における症例に基づいて、複数の前記頻度を算出し、
   前記算出した複数の頻度に基づいて頻度の時間変化量を算出し、
   前記分析結果を示す成分と、前記算出した時間変化量を示す成分とを含む素性ベクトルを生成し、
   前記生成した素性ベクトルと前記取得した基準とに基づいて前記第１の関連情報を求めることを特徴とする計算機システム。
4. 請求項３に記載の計算機システムであって、
   前記プロセッサは、
   前記所定の開始日から第１の経過日までの間に行われた診療イベントを示す症例が、前記複数の病気の組み合わせを示す第１の頻度を算出し、
   前記所定の開始日から、前記第１の経過日より遅い第２の経過日の間に行われた診療イベントを示す症例が、前記複数の病気の組み合わせを示す第２の頻度を算出し、
   前記第１の頻度と前記第２の頻度との差分に基づいて、前記時間変化量を算出することを特徴とする計算機システム。
5. 請求項１に記載の計算機システムであって、
   前記文献情報に含まれる文献は、複数の文章を含み、
   前記プロセッサは、
   前記文献情報を分析することによって、前記病気の名称及び前記診療イベントを表す言葉の各々の前記文章における位置を特定し、
   前記特定した位置に基づいて、前記病気の名称及び前記診療イベントを表す言葉の各々の前記文章における役割を示す情報を前記分析結果として生成することを特徴とする計算機システム。
6. 請求項１に記載の計算機システムであって、
   前記プロセッサは、
   前記臨床情報から、病気と診療イベントとを選択し、
   前記臨床情報に含まれる症例の数と、前記選択した病気を示す症例の数と、前記選択した診療イベントを示す症例の数とを特定することによって、前記選択した診療イベントが前記選択した病気に行われることが多いかを示す第２の関連情報を求め、
   前記第１の関連情報と前記第２の関連情報とに基づいて、前記医療情報を生成することを特徴とする計算機システム。
7. 請求項１に記載の計算機システムであって、
   前記プロセッサは、
   前記病気の名称と前記診療イベントを表す言葉とが前記文献情報において共起する頻度を示す第３の関連情報を求め、
   前記第３の関連情報と前記第１の関連情報とに基づいて、前記医療情報を生成することを特徴とする計算機システム。
8. 請求項７に記載の計算機システムであって、
   前記プロセッサは、前記第３の関連情報、及び、前記生成した医療情報を表示するためのデータを生成し、
   前記生成したデータを出力する計算機システム。
9. 請求項１に記載の計算機システムであって、
   前記プロセッサは、
   医療に関する単語を含む医学辞書を取得し、
   前記医学辞書から、前記病気の名称以外の単語を、前記診療イベントを表す言葉として取得することを特徴とする計算機システム。
10. 計算機システムによる情報処理方法であって、
    プロセッサ、及び、メモリを有し、
    前記方法は、
    前記プロセッサが、患者の病気と前記患者に行われた診療イベントとを示す複数の症例を含む臨床情報を取得し、前記病気の名称及び前記診療イベントを表す言葉を示す文献を含む文献情報を取得する情報取得手順と、
    前記プロセッサが、一つの症例が複数の病気の組み合わせを示す頻度を前記臨床情報に基づいて算出して、前記メモリに格納する頻度算出手順と、
    前記プロセッサが、前記病気の名称及び前記診療イベントを表す言葉の各々を用いて前記文献情報を分析し、分析結果を前記メモリに格納する分析手順と、
    前記プロセッサが、前記診療イベントが行われた病気を判別するための基準を取得する基準取得手順と、
    前記プロセッサが、前記分析結果と前記算出した頻度と前記取得した基準とに基づいて、前記診療イベントが前記病気のために行われたか否かを示す第１の関連情報を求めて、前記メモリに格納する第１の情報生成手順と、
    前記プロセッサが、前記第１の関連情報に基づいて、前記診療イベントと前記病気との関係を示す医療情報を生成する医療情報生成手順と、を含むことを特徴とする情報処理方法。
11. 請求項１０に記載の情報処理方法であって、
    前記頻度算出手順は、前記プロセッサが、第１の病気と第２の病気との両方を示す症例の数を、少なくとも前記第１の病気を示す症例の数で除算することによって、前記頻度を算出する手順を含むことを特徴とする情報処理方法。
12. 請求項１０に記載の情報処理方法であって、
    前記臨床情報は、所定の開始日から複数の異なる経過期間において行われた診療イベントを示す複数の症例を含み、
    前記頻度算出手順は、前記プロセッサが、前記複数の異なる経過期間における症例に基づいて、複数の前記頻度を算出する手順を含み、
    前記第１の情報生成手順は、
    前記プロセッサが、前記算出された複数の頻度に基づいて頻度の時間変化量を算出する手順と、
    前記プロセッサが、前記分析結果を示す成分と、前記算出した時間変化量を示す成分とを含む素性ベクトルを生成する手順と、
    前記プロセッサが、前記生成した素性ベクトルと前記取得した基準とに基づいて前記第１の関連情報を求める手順と、を含むことを特徴とする情報処理方法。
13. 請求項１２に記載の情報処理方法であって、
    前記頻度算出手順は、
    前記プロセッサが、前記所定の開始日から第１の経過日までの間に行われた診療イベントを示す症例が、前記複数の病気の組み合わせを示す第１の頻度を算出する手順と、
    前記プロセッサが、前記所定の開始日から、前記第１の経過日より遅い第２の経過日の間に行われた診療イベントを示す症例が、前記複数の病気の組み合わせを示す第２の頻度を算出する手順と、を含み、
    前記第１の情報生成手順は、前記プロセッサが、前記第１の頻度と前記第２の頻度との差分に基づいて、前記時間変化量を算出する手順を含むことを特徴とする情報処理方法。
14. 請求項１０に記載の情報処理方法であって、
    前記文献情報に含まれる文献は、複数の文章を含み、
    前記分析手順は、
    前記プロセッサが、前記文献情報を分析することによって、前記病気の名称及び前記診療イベントを表す言葉の各々の前記文章における位置を特定する手順と、
    前記プロセッサが、前記特定した位置に基づいて、前記病気の名称及び前記診療イベントを表す言葉の各々の前記文章における役割を示す情報を前記分析結果として生成する手順とを含むことを特徴とする情報処理方法。
15. 請求項１０に記載の情報処理方法であって、
    前記方法は、
    前記プロセッサが、前記臨床情報から、病気と診療イベントとを選択する選択手順と、
    前記プロセッサが、前記臨床情報に含まれる症例の数と、前記選択した病気を示す症例の数と、前記選択した診療イベントを示す症例の数とを特定することによって、前記選択した診療イベントが前記選択した病気に行われることが多いかを示す第２の関連情報を求める第２の情報生成手順と、を含み、
    前記医療情報生成手順は、前記プロセッサが、前記第１の関連情報と前記第２の関連情報とに基づいて、前記医療情報を生成する手順を含むことを特徴とする情報処理方法。

Images