JP6272555B2 - 計算機システム、及び、情報処理方法 - Google Patents
計算機システム、及び、情報処理方法 Download PDFInfo
- Publication number
- JP6272555B2 JP6272555B2 JP2017508847A JP2017508847A JP6272555B2 JP 6272555 B2 JP6272555 B2 JP 6272555B2 JP 2017508847 A JP2017508847 A JP 2017508847A JP 2017508847 A JP2017508847 A JP 2017508847A JP 6272555 B2 JP6272555 B2 JP 6272555B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- disease
- medical
- indicating
- processor
- 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.)
- Expired - Fee Related
Links
Images
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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
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)。
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。
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)
(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)
=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)
=(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)
=|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)
=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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2015/059703 WO2016157314A1 (ja) | 2015-03-27 | 2015-03-27 | 計算機システム、及び、情報処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2016157314A1 JPWO2016157314A1 (ja) | 2017-06-08 |
JP6272555B2 true JP6272555B2 (ja) | 2018-01-31 |
Family
ID=57004877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017508847A Expired - Fee Related JP6272555B2 (ja) | 2015-03-27 | 2015-03-27 | 計算機システム、及び、情報処理方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10423758B2 (ja) |
EP (1) | EP3276570A4 (ja) |
JP (1) | JP6272555B2 (ja) |
WO (1) | WO2016157314A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021220058A1 (en) | 2020-05-01 | 2021-11-04 | Monday.com Ltd. | Digital processing systems and methods for enhanced collaborative workflow and networking systems, methods, and devices |
JP6815605B2 (ja) * | 2017-01-31 | 2021-01-20 | セコム株式会社 | 診療情報処理システム、及び診療情報処理プログラム |
JP2018169795A (ja) * | 2017-03-30 | 2018-11-01 | 株式会社日立製作所 | 情報処理装置、これにおける画面表示方法及び分析処理プログラム |
US11698890B2 (en) | 2018-07-04 | 2023-07-11 | Monday.com Ltd. | System and method for generating a column-oriented data structure repository for columns of single data types |
US11436359B2 (en) | 2018-07-04 | 2022-09-06 | Monday.com Ltd. | System and method for managing permissions of users for a single data type column-oriented data structure |
US20210150135A1 (en) | 2019-11-18 | 2021-05-20 | Monday.Com | Digital processing systems and methods for integrated graphs in cells of collaborative work system tables |
US11829953B1 (en) | 2020-05-01 | 2023-11-28 | Monday.com Ltd. | Digital processing systems and methods for managing sprints using linked electronic boards |
US11397847B1 (en) | 2021-01-14 | 2022-07-26 | Monday.com Ltd. | Digital processing systems and methods for display pane scroll locking during collaborative document editing in collaborative work systems |
CN113434626B (zh) | 2021-08-27 | 2021-12-07 | 之江实验室 | 一种多中心医学诊断知识图谱表示学习方法及系统 |
US11741071B1 (en) | 2022-12-28 | 2023-08-29 | Monday.com Ltd. | Digital processing systems and methods for navigating and viewing displayed content |
US11886683B1 (en) | 2022-12-30 | 2024-01-30 | Monday.com Ltd | Digital processing systems and methods for presenting board graphics |
US11893381B1 (en) | 2023-02-21 | 2024-02-06 | Monday.com Ltd | Digital processing systems and methods for reducing file bundle sizes |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004265135A (ja) | 2003-02-28 | 2004-09-24 | Sanyo Electric Co Ltd | 診療支援システム、診療支援装置、及び診療支援サーバ |
JP4516809B2 (ja) | 2004-06-23 | 2010-08-04 | 財団法人日本医薬情報センター | 添付文書適応症コード変換方法 |
JP2008083928A (ja) | 2006-09-27 | 2008-04-10 | Gifu Univ | 医療情報抽出装置、及び医療情報抽出プログラム |
WO2012002287A1 (ja) * | 2010-06-30 | 2012-01-05 | 株式会社日立製作所 | 診療支援システム及び診療支援方法 |
US20130218596A1 (en) * | 2012-02-16 | 2013-08-22 | dbMotion Ltd. | Method And System For Facilitating User Navigation Through A Computerized Medical Information System |
US20130268290A1 (en) * | 2012-04-02 | 2013-10-10 | David Jackson | Systems and methods for disease knowledge modeling |
CN104011765A (zh) * | 2012-04-19 | 2014-08-27 | 株式会社东芝 | 医疗信息检索支援装置以及医疗信息检索支援系统 |
JP2014120094A (ja) | 2012-12-19 | 2014-06-30 | Toshiba Corp | 医療情報検索システム及び医療情報検索装置 |
KR20140107714A (ko) * | 2013-02-25 | 2014-09-05 | 한국전자통신연구원 | 건강 관리 시스템 및 그것의 건강 정보 제공 방법 |
JP6101563B2 (ja) * | 2013-05-20 | 2017-03-22 | 株式会社日立製作所 | 情報構造化システム |
-
2015
- 2015-03-27 US US15/510,375 patent/US10423758B2/en not_active Expired - Fee Related
- 2015-03-27 WO PCT/JP2015/059703 patent/WO2016157314A1/ja active Application Filing
- 2015-03-27 JP JP2017508847A patent/JP6272555B2/ja not_active Expired - Fee Related
- 2015-03-27 EP EP15887467.7A patent/EP3276570A4/en not_active Ceased
Also Published As
Publication number | Publication date |
---|---|
EP3276570A1 (en) | 2018-01-31 |
EP3276570A4 (en) | 2018-11-07 |
JPWO2016157314A1 (ja) | 2017-06-08 |
WO2016157314A1 (ja) | 2016-10-06 |
US10423758B2 (en) | 2019-09-24 |
US20170286604A1 (en) | 2017-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6272555B2 (ja) | 計算機システム、及び、情報処理方法 | |
US11464455B2 (en) | Method and apparatus of context-based patient similarity | |
JP5939141B2 (ja) | プログラム及び診療記録検索装置 | |
KR101897080B1 (ko) | 의료 기록 문서에서의 의료 단어의 연관 규칙 생성 방법 및 그 장치 | |
Gerstmair et al. | Intelligent image retrieval based on radiology reports | |
RU2697764C1 (ru) | Итерационное построение разделов истории болезни | |
JP2020035036A (ja) | 試験計画策定支援装置、試験計画策定支援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 | |
CN114141377A (zh) | 一种建立诊断规则库的方法、诊断信息审核的方法及设备 | |
US20210202111A1 (en) | Method of classifying medical records | |
CN102067140A (zh) | 用于系谱分析的系统、方法和计算机程序产品 | |
Agrawal et al. | A machine learning approach for quality assurance of snomed ct | |
JP4250285B2 (ja) | 疾病別診療報酬明細書分析システム | |
JP5602177B2 (ja) | 医療支援システム、及び医療支援プログラム | |
WO2022079593A1 (en) | A system and a way to automatically monitor clinical trials - virtual monitor (vm) and a way to record medical history | |
CN111971754B (zh) | 医学信息处理装置、医学信息处理方法及存储介质 | |
JP6245571B2 (ja) | データ構造、データ生成装置、その方法及びプログラム | |
Yee et al. | Big data: Its implications on healthcare and future steps | |
JP6867147B2 (ja) | 医療情報記憶装置、医療情報検索装置、医療情報記憶方法、医療情報記憶プログラム、及びコンピュータ読取可能な記録媒体 | |
EP3654339A1 (en) | Method of classifying medical records | |
JP2021135930A (ja) | 分析装置、分析方法、および分析プログラム | |
US9916419B2 (en) | Processing electronic documents | |
KR102484681B1 (ko) | 임상 의사 결정의 방법 및 시스템 | |
GB2573512A (en) | Database and associated method | |
Najjar et al. | A novel mixed values k-prototypes algorithm with application to health care databases mining |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170222 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20171212 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20171228 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6272555 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |