JP6713178B1 - レセプト点検装置、方法、及びプログラム - Google Patents

Abstract

【課題】レセプトにおける診療行為と傷病名との組み合わせの点検の精度を向上させる。【解決手段】受付部５２が、点検対象のレセプトデータを受け付け、判定部５４が、診療行為と傷病名との組み合わせからなる複数の学習データを学習した診療行為と傷病名との１対１の組み合せ毎の適正確率で表される基本ルールと、少なくとも点検済みのレセプトデータに含まれる傷病名及び診療行為以外の情報である属性情報との関連を学習することにより、基本ルールの適正確率が更新された更新ルール４１，４２に基づいて、点検対象のレセプトデータに含まれる診療行為に組み合せられた傷病名が適正か否かを判定し、提示部５６が、更新ルール４１，４２において、適正ではないと判定された診療行為に組み合せられた傷病名のうち、更新された適正確率が高い順に所定個を、その診療行為に適応する傷病名の候補として提示する。【選択図】図２

Description

本発明は、レセプト点検装置、レセプト点検方法、及びレセプト点検プログラムに関する。

一般に、日本の全ての医療機関では、診療行為や薬剤に対する保険請求を行う際に「レセプト」と呼ばれる診療報酬明細書を作成する。作成したレセプトは、審査支払機関に送られ、一時審査を受け、内容に不備があった場合には、支払を拒否又は減額される。この支払いの拒否及び減額は、それぞれ「返戻」及び「査定」と呼ばれる。実際、医療機関では、提出したレセプトの返戻及び査定の処置を避けるため、レセプトを審査支払機関に送る前に、医療機関の医師や医療事務員等の専門家による目視による点検や、既存の診療報酬明細書点検の支援システムを利用した点検が行われている。レセプトの点検では、診療行為に適応する傷病名がレセプトに正しく記載されているか、処方した薬剤に適応する傷病名がレセプトに正しく記載されているか、法定の診療行為の回数であるか、法定の薬剤の回数や量であるか等が点検される。

医療機関又は保険者におけるレセプトの内容点検に関する技術が提案されている（例えば、特許文献１参照）。特許文献１に記載の技術では、傷病と当該傷病に適応する医薬品とを組み合わせた傷病−医薬品組み合わせ情報、及び、傷病と当該傷病に適応する診療行為とを組み合わせた傷病−診療行為組み合わせ情報を記憶しておく。そして、レセプトに含まれている傷病及び投与された医薬品に基づいて、レセプトに含まれている傷病と医薬品との組み合わせが、傷病−医薬品組み合わせ情報に一致しているか否かを判定する。また、レセプトに含まれている傷病及び実施された診療行為に基づいて、レセプトに含まれている傷病と診療行為との組み合わせが、傷病−診療行為組み合わせ情報に一致しているか否かを判定する。

また、決定木などの機械学習やデータマイニングの手法をレセプト点検支援の分野に適用する方法もある。レセプトに誤りがあるかどうかのルールを作成するため、過去の点検の結果、誤りがあると判定されたレセプトと誤りがないと判定されたレセプトとから、決定木などの機械学習の手法を適用することで、誤りのあるレセプトと誤りがないレセプトとを区別するルールを作成する。誤りのあるレセプトと誤りのないレセプトとを区別するルールとは、傷病名とその傷病名に適応する診療行為とを関連付けた組み合わせや、傷病名とその傷病名に適応する医薬品とを関連付けた組み合わせであり、過去の点検前のレセプトと点検済みのレセプトとの差分から、それらの組み合わせが抽出される。

また、機械学習やデータマイニングでは、グラフィカルモデルと呼ばれるグラフパターンが利用される。上記の従来技術にグラフィカルモデルを適用する場合、例えば、図２１に示すように、傷病名を示すノードと、診療行為を示すノードとの２つのノードと、２つのノード間を繋ぐベクトルとから成る単純なグラフパターンが利用される。

図２１の例では、過去のレセプトに記載されている傷病名「子宮内膜症」をノードＳＹ１とし、過去のレセプトにおける傷病名「子宮内膜症」の出現頻度をノードＳＹ１の確率変数としている。また、過去のレセプトに記載されている診療行為「超音波検査（断層撮影法）（胸腹部）」をノードＳＩ２とし、過去のレセプトにおける診療行為「超音波検査（断層撮影法）（胸腹部）」の出現頻度をノードＳＩ２の確率変数としている。このように、診療行為と傷病名との組み合わせを単純なグラフパターンで表現し、このグラフパターンを利用して、点検対象のレセプトに記載されている診療行為と傷病名との組み合わせを点検することができる。

また、点検対象のレセプトに、データベースに記憶されていないルールが存在する場合でも、レセプトに記載されている診療行為に適応する傷病名を予測するための機械学習やデータマイニングのアルゴリムの１つとして、相互関連付け規則学習がある（例えば、非特許文献１参照）。相互関連付け規則学習では、診療行為と傷病名又は薬剤との組み合せ毎に、その組み合わせが適正か否かを示す適正確率が導出される。

特開２０００−１１０３８号公報

Rakesh Agrawal, Ramakrishnan Srikant, "Fast Algorithms for Mining Association Rules." Proc. of 20th Intl. Conf. on VLDB, 1994, 487-499.

しかしながら、上記のような単純なグラフパターンを用いた相互関連付け規則学習により得られるルールでは、十分な点検精度を達成することができない場合がある。それは、レセプトのデータ量が増えることで、レセプトに、稀少な傷病と、その傷病に関連付けられた稀少な診療行為や薬剤との組み合わせが含まれる場合が生じる。このような稀少な組み合わせについて、相互関連付け規則学習のアルゴリズムで導出される適正確率は低い値となる可能性が高く、点検対象のレセプトにこの稀少な組み合わせが存在する場合、適正確率が低いことにより、レセプトの修正が必要である旨の点検結果が出力される場合がある。

このような誤った点検結果が出力される可能性を含む支援システムを利用している場合、レセプト全件に対して、医師や医療事務員等の点検者による目視確認が必要となる。また、修正内容を検討するために、参考図書や厚生労働省等から提供されている資料を参照しつつ、レセプトを１枚ずつ点検することとなり、膨大な時間がかかり、点検者の負荷が大きい、という問題がある。

本発明は、上記の点に鑑みてなされたものであり、レセプトにおける診療行為と傷病名との組み合わせの点検の精度を向上させることができるレセプト点検装置、方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、本発明に係るレセプト点検装置は、点検対象のレセプトデータを受け付ける受付部と、診療行為と傷病名との組み合わせからなる複数の学習データを学習した診療行為と傷病名との１対１の組み合せ毎の適正確率で表される基本ルールと、少なくとも点検済みのレセプトデータに含まれる傷病名及び診療行為以外の情報である属性情報との関連を学習することにより、前記適正確率が更新された更新ルールに基づいて、前記点検対象のレセプトデータに含まれる診療行為に組み合せられた傷病名が適正か否かを判定する判定部と、前記判定部で前記組み合せが適正ではないと判定された場合に、前記更新ルールにおいて、前記適正ではないと判定された診療行為に組み合せられた傷病名のうち、更新された前記適正確率が高い順に所定個を傷病名候補として提示する提示部と、を含んで構成される。

また、本発明に係るレセプト点検装置は、前記更新ルールを学習する学習部を更に含んで構成することができる。

また、前記学習部は、前記基本ルールに含まれる診療行為と傷病名との組み合わせと、前記点検前のレセプトデータと前記属性情報が関連する点検済みのレセプトデータとの差分に応じて、前記基本ルールの適正確率を更新することができる。

また、前記学習部は、前記基本ルールに含まれる組み合せの前記傷病名が、前記属性情報が関連する点検済みのレセプトデータに存在する場合に前記基本ルールの適正確率を増加させ、存在しない場合に前記基本ルールの適正確率を減少させるように更新することができる。

また、前記学習部は、前記属性情報と前記傷病名又は前記診療行為との関連を示す統計的指標に基づいて、前記診療行為と前記傷病名との組み合せを示すグラフパターンを生成し、前記グラフパターンに基づいて、前記基本ルールの適正確率を更新することができる。

また、前記学習部は、前記属性情報と前記傷病名又は前記診療行為との相関値と、前記基本ルールの診療行為と傷病名との１対１の組み合せとに基づいて、前記診療行為と前記傷病名との１対多、多対１、又は多対多の組み合せを示す前記グラフパターンを生成し、前記グラフパターンに含まれる前記傷病名と前記診療行為との組み合わせからなる複数の学習データを学習した診療行為と傷病名との組み合せ毎の適正確率を、前記更新ルールの適正確率として算出することができる。

また、前記診療行為は、患者に処方された薬剤を含む。また、前記属性情報は、患者の性別、年齢、及び診療科の少なくとも１つを含むことができる。

また、本発明に係るレセプト点検方法は、受付部が、点検対象のレセプトデータを受け付け、判定部が、診療行為と傷病名との組み合わせからなる複数の学習データを学習した診療行為と傷病名との１対１の組み合せ毎の適正確率で表される基本ルールと、少なくとも点検済みのレセプトデータに含まれる傷病名及び診療行為以外の情報である属性情報との関連を学習することにより、前記適正確率が更新された更新ルールに基づいて、前記点検対象のレセプトデータに含まれる診療行為に組み合せられた傷病名が適正か否かを判定し、前記提示部が、前記判定部で前記組み合せが適正ではないと判定された場合に、前記更新ルールにおいて、前記適正ではないと判定された診療行為に組み合せられた傷病名のうち、更新された前記適正確率が高い順に所定個を傷病名候補として提示する方法である。

また、本発明に係るレセプトプログラムは、コンピュータを、上記のレセプト点検装置を構成する各部として機能させるためのプログラムである。

本発明に係るレセプト点検装置、方法、及びプログラムによれば、レセプトにおける診療行為と傷病名との組み合わせの点検の精度を向上させることができる。

本実施形態に係るレセプト点検装置のハードウェア構成を示すブロック図である。 本実施形態に係るレセプト点検装置の機能構成の例を示すブロック図である。 レセプトデータを表示した一例を示す図である。 レセプトデータのＵＫＥファイルの一例である。 支持度、信頼度、及びリフトの算出結果の一例を示す図である。 基本ルールの一例を示す図である。 更新ルールの一例を示す図である。 適正確率の更新過程の一例を示す図である。 傷病名と診療行為との１対多の複雑グラフパターンを持つ更新ルールの一例を示す図である。 傷病名と診療行為との１対多の複雑グラフパターンを持つ更新ルールの一例を示す図である。 診療行為と傷病名との１対多の複雑グラフパターンを持つ更新ルールの一例を示す図である。 診療行為と傷病名との１対多の複雑グラフパターンを持つ更新ルールの一例を示す図である。 点検結果を表示するための詳細画面の一例を示す図である。 点検結果を含むレセプトデータを帳票形式で出力した一例を示す図である。 点検結果を含むレセプトデータを帳票形式で出力した一例を示す図である。 学習処理の一例を示すフローチャートである。 第１更新処理の一例を示すフローチャートである。 第２更新処理の一例を示すフローチャートである。 点検処理の一例を示すフローチャートである。 基本ルールと更新ルールとの比較結果の一例を示す図である。 診療行為と傷病名との単純なグラフパターンの一例を示す図である。

以下、本発明の実施形態の一例を、図面を参照しつつ説明する。本実施形態では、レセプトの点検項目のうち、診療行為に適応する傷病名がレセプトに正しく記載されているか、処方した薬剤に適応する傷病名がレセプトに正しく記載されているかの点に着目したレセプト点検装置について説明する。なお、本実施形態では、薬剤の処方も含めて「診療行為」と表記することとし、以下で説明する診療行為と傷病名との組み合わせが適正か否かの点検は、上記の処方した薬剤に適応する傷病名がレセプト上に正しく記載されているかの点検を含む概念であるものとする。

図１は、本実施形態に係るレセプト点検装置１０のハードウェア構成を示すブロック図である。図１に示すように、レセプト点検装置１０は、ＣＰＵ（Central Processing Unit）１２、メモリ１４、記憶装置１６、入力装置１８、出力装置２０、記憶媒体読取装置２２、及び通信Ｉ／Ｆ（Interface）２４を有する。各構成は、バス２６を介して相互に通信可能に接続されている。

記憶装置１６には、後述するレセプト点検処理を実行するためのレセプト点検プログラムが格納されている。ＣＰＵ１２は、中央演算処理ユニットであり、各種プログラムを実行したり、各構成を制御したりする。すなわち、ＣＰＵ１２は、記憶装置１６からプログラムを読み出し、メモリ１４を作業領域としてプログラムを実行する。ＣＰＵ１２は、記憶装置１６に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。

メモリ１４は、ＲＡＭ（Random Access Memory）により構成され、作業領域として一時的にプログラム及びデータを記憶する。記憶装置１６は、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等により構成され、オペレーティングシステムを含む各種プログラム及び各種データを格納する。

入力装置１８は、例えば、キーボードやマウス等の、各種の入力を行うための装置である。出力装置２０は、例えば、ディスプレイやプリンタ等の、各種の情報を出力するための装置である。出力装置２０として、タッチパネルディスプレイを採用することにより、入力装置１８として機能させてもよい。記憶媒体読取装置２２は、ＣＤ（Compact Disc）−ＲＯＭ、ＤＶＤ（Digital Versatile Disc）−ＲＯＭ、ブルーレイディスク、ＵＳＢ（Universal Serial Bus）メモリ等の各種の記憶媒体に記憶されたデータの読み込みや、記憶媒体に対するデータの書き込み等を行う。

通信Ｉ／Ｆ２４は、他の機器と通信するためのインタフェースであり、例えば、イーサネット（登録商標）、ＦＤＤＩ又はＷｉ−Ｆｉ（登録商標）等の規格が用いられる。

次に、本実施形態に係るレセプト点検装置１０の機能構成について説明する。

図２は、レセプト点検装置１０の機能構成の例を示すブロック図である。図２に示すように、レセプト点検装置１０は、機能構成として、生成部３２と、第１更新部３４と、第２更新部３６と、受付部５２と、判定部５４と、提示部５６とを含む。また、レセプト点検装置１０の所定の記憶領域には、更新ルールＤＢ（Database）４０が記憶される。各機能構成は、ＣＰＵ１２が記憶装置１６に記憶されたレセプト点検プログラムを読み出し、メモリ１４に展開して実行することにより実現される。なお、生成部３２、第１更新部３４、及び第２更新部３６は、本発明の学習部の一例である。

生成部３２は、過去のレセプトデータであって、点検前のレセプトデータと、点検済みのレセプトデータとのデータセットを入力として受け付ける。図３に、レセプトデータの一例を示す。なお、図３は、ある患者についてのレセプトデータを出力装置２０であるディスプレイに表示した場合の例である。実際に入力されるレセプトデータは、図４に示すようなＵＫＥファイルである。レセプトデータには、診療年月、患者番号、性別、年齢、入外区分、審査機関、患者氏名、生年月日、入院日、診療科、傷病名、傷病分類コード、開始日、転帰、診療行為（医薬品を含む）、実施日、点数、回数等の情報が含まれる。以下では、レセプトデータに含まれる情報のうち、診療行為及び傷病名以外の情報を「属性情報」という。

生成部３２は、受け付けた各レセプトデータに含まれる診療行為と傷病名との可能な組み合わせを学習データとして抽出する。可能な組み合わせとは、傷病名の開始日から転帰日又は転帰していない場合には現時点までの期間に実施日が含まれる診療行為と傷病名との組み合わせである。生成部３２は、抽出した複数の学習データを属性情報毎に学習して、診療行為と傷病名との１対１の組み合せ毎の初期の適正確率で表される基本ルールを生成する。属性情報毎に学習するとは、後述する第１更新部３４で入力値Ｓ^ｉとして用いる属性情報の種類毎に学習データを分類して、その分類毎に基本ルールを生成することである。例えば、属性情報が「診療科＝婦人科、性別＝女性、年齢＝４０代」であるレセプトデータから抽出した学習データから、その属性情報についての基本ルールが生成される。

具体的には、生成部３２は、過去の点検済みのレセプトデータに含まれる診療行為（ＳＩ）と傷病名（ＳＹ）との組み合わせの適正度を示す指標として、以下の（１）式〜（３）式に示す支持度、信頼度、及びリフトを算出する。

支持度は、医師が診療行為（ＳＩ）と傷病名（ＳＹ）との組み合わせを選択したレセプトの割合を表す。信頼度は、傷病名（ＳＹ）を診断した医師が、診療行為（ＳＩ）を選択したレセプトの割合を表す。リフトは、診療行為（ＳＩ）を選択した医師が、傷病名（ＳＹ）を診断したレセプトの割合に対する、傷病名（ＳＹ）を診断した医師が、診療行為（ＳＩ）を選択したレセプトの割合を表す。図５に、支持度、信頼度、及びリフトの算出結果の一例を示す。

生成部３２は、診療行為と傷病名との組み合わせ毎に算出した支持度、信頼度、及びリフトに基づいて、組み合せ毎の適正確率を算出する。例えば、生成部３２は、支持度、信頼度、及びリフトの各値を０〜１で正規化し、各組み合わせについて算出された信頼度の正規化後の値を適正確率として算出する。なお、支持度が所定値以下の場合には、その信頼度を算出しないようにしてもよく、この場合、適正確率は０とする。生成部３２は、診療行為と傷病名との組み合わせに、算出した適正確率を対応付けて、図６に示すような基本ルール４５を属性情報毎に生成する。

第１更新部３４は、基本ルール４５に含まれる診療行為と傷病名との組み合わせと、その基本ルール４５と属性情報が関連する点検済みのレセプトデータとの差分に応じて、基本ルール４５の適正確率を更新する。具体的には、第１更新部３４は、基本ルール４５に含まれる診療行為と傷病名との組み合わせの傷病名が、属性情報が関連する点検済みのレセプトデータに存在する場合に基本ルール４５の適正確率を増加させ、存在しない場合に基本ルール４５の適正確率を減少させるように更新する。

診療行為と傷病名との１対１の組み合せ、すなわち、図２１に示すような単純なグラフパターンを利用した相互関連付け規則学習のアルゴリズムで生成された基本ルールに基づいて、レセプトに記載された診療行為に適応する傷病名（以下、「適応病名」という）を抽出する場合、不適切なルールで組み合せられた適応病名を抽出してしまう問題が生じる。そのような問題を回避し、より適正な適応病名を抽出するため、第１更新部３４では、小規模データ用学習を導入する。

本実施形態における小規模データ用学習では、相互関連付け規則学習により生成された基本ルール４５の適正確率が更新され、適応病名の抽出に対する正解ルールを与えることなく、環境から与えられる状態を元にして、レセプトデータに含まれる属性情報に応じた正しい適応病名の決定を学習するものである。

具体的には、第１更新部３４は、ｉ番目のレセプトデータの属性情報から、入力値Ｓ^ｉを抽出する。例えば、Ｓ^ｉは（診療科、性別、年齢）とすることができる。また、第１更新部３４は、入力値Ｓ^ｉについて生成された基本ルール４５の診療行為と傷病名との組み合わせ（以下、「適応可能見込みルール」という）、及び、その適正確率を抽出する。ここで抽出される適応可能見込みルールに含まれる傷病名は、ｉ番目のレセプトに記載された診療行為の適応病名候補となる。

第１更新部３４は、抽出した適応可能見込みルールを診療行為毎に分類し、診療行為毎に、適正確率が高い順に、適応可能見込みルールに含まれる傷病名を並び替え、適応病名候補としてリストアップする。第１更新部３４は、適正確率の高い順にリストアップされた適応病名候補に基づいて、下記（４）式に示すように、評価関数Ｑ^ｉを定義する。

評価関数の初期値Ｑ^ｉ _０は、［０，１］でランダムに設定される。ａ_{ｉ，ｊ，ｋ}＝ａ_{ｉ，ｊ＋（Ｊ−１）＊ｋ}は、適正確率Ｗ_{ｉ，ｊ，ｋ}が高い順にリストアップされた適応病名候補を表す。ｋは、高い順に並び替えられた適応病名候補リストからＪ個の適応病名候補を抜き出す処理の繰り返し回数を表す。ｊは、抜き出された適応病名候補のサブリストの順番を表す。また、ｒ_{ｉ，ｊ，ｋ＋１}は、適応病名候補ａ_{ｉ，ｊ，ｋ}に関連付けられた適正確率Ｗ_{ｉ，ｊ，ｋ}の更新量であり、下記（５）式及び（６）式で表される。

すなわち、ｉ番目の点検済みレセプトデータに適応病名候補ａ_{ｉ，ｊ，ｋ}が記載されていれば、更新量ｒ_{ｉ，ｊ，ｋ＋１}は正の値をとり、適正確率Ｗ_{ｉ，ｊ，ｋ＋１}は増加する。一方、ｉ番目の点検済みレセプトデータに適応病名候補ａ_{ｉ，ｊ，ｋ}が記載されていなければ、更新量ｒ_{ｉ，ｊ，ｋ＋１}は負の値をとり、適正確率Ｗ_{ｉ，ｊ，ｋ}は減少する。評価関数Ｑ^ｉは、更新量ｒ_{ｉ，ｊ，ｋ}の総和として表され、第１更新部３４は、更新量の総和が０、又は、Ｑ^ｉが一定の値に収束するまで更新処理を繰り返す。

第１更新部３４は、更新処理の終了後、更新された適正確率の高い順に適応病名候補を並び替え、上位Ｎ（例えば、Ｎ＝５）番以内の高い適正確率を持つ適応病名候補について、基本ルール４５の適応病名候補に対応付けられている適正確率を、上記の更新処理で更新された適正確率に置き換えて、図７に示すように、更新ルール４１を生成する。

図８に、入力値Ｓ^ｉ＝（診療科＝婦人科、性別＝女性、年齢＝４０代）に基づいて抽出された適応可能見込みルールについて、診療行為「子宮頸管粘液採取」に対する適応病名候補の適正確率の更新過程を示す。基本ルール４５から抽出された適応可能見込みルールの適正確率が高い順に、「子宮腟部びらん」、「子宮頸癌」、「卵巣のう腫」、「卵巣癌」、及び「卵巣腫瘍」の上位Ｊ個（Ｊ＝５，ｋ＝０）の適応病名候補、及びそれぞれの適正確率が抽出される。抽出された適正確率が（４）式〜（６）式の評価関数に代入され、点検済みのレセプトデータとの比較で、傷病名が一致すれば、選定成功と判断して１をとり、適正確率は更新量分増加する。一方、一致する傷病名がなければ、選定失敗と判断して０をとり、適正確率は更新量分減少する。

次の更新処理（ｋ＝１）で、改めて上位Ｊ個の適正確率が抽出され、更新量の総和分で、評価関数の値を更新する。ｋ＞１で、評価関数がある一定の値に収束するまで、更新量の総和分の更新が行われる。ここで、評価関数は、下記に示すように、すなわち、最大でＪ個の（適正確率が上位Ｊ位以内の値をとる）傷病名がリストアップされるように適応病名候補がリストアップされる。

なお、上記の更新処理の終了は、例えば、１枚のレセプトで、評価関数が０に収束するまでとしてもよいし、更新量の総和が適切に算出できる区切りの時点までとしてもよい。

第１更新部３４は、図７に示すように更新された第１更新ルール４１を更新ルールＤＢ４０に記憶する。

第２更新部３６は、属性情報と傷病名又は診療行為との関連を示す統計的指標に基づいて、診療行為と傷病名との組み合せを示すグラフパターンを生成し、グラフパターンに基づいて、基本ルール４５の適正確率を更新する。具体的には、第２更新部３６は、属性情報と傷病名又は診療行為との相関値と、基本ルール４５の診療行為と傷病名との１対１の組み合せとに基づいて、診療行為と傷病名との１対多、多対１、又は多対多の組み合せを示す複雑グラフパターンを生成する。そして、第２更新部３６は、複雑グラフパターンに含まれる傷病名と診療行為との組み合わせからなる複数の学習データを学習した診療行為と傷病名との組み合せ毎の適正確率を、更新ルールの適正確率として算出する。

膨大なレセプトデータを対象とする場合、１対１の単純グラフパターンを持つルールから適応病名候補をリストアップするのではなく、１対多や多対多の組み合せを考慮に入れ、適応病名候補をリストアップする必要がある。それは、１対１の単純グラフパターンを持つルールを用いた相互関連付け規則学習では、過去のレセプトデータに含まれるあらゆる診療行為と傷病名との１対１の組み合わせを学習データとするため、処理負荷が大きい。これらの１対１の組み合わせの中には、診療行為と傷病名との不適切な組み合せや、適正な適応病名候補を抽出することが困難な稀少な組み合せなどが含まれる。このような組み合わせを含む場合、適正な適応病名候補がリストアップされない可能性がある。

そこで、第２更新部３６は、膨大な量のレセプトデータを用い、１対多、多対１、又は多対多の、複数の１対１ルールが組み合わされた複雑なグラフパターンを持つルールを生成する大規模データ用学習を導入する。

本実施形態での大規模データ用学習では、相互関連付け規則学習によって生成された基本ルール４５と、レセプトデータのある属性情報との相関値などの統計的指標を算出する。そして、高い統計的指標を示す組み合せのみを抽出し、その組み合わせを示す単純グラフパターンを結合させて、複雑なグラフパターンで構造化し、稀少な組み合わせに対しても、適正な適応病名候補をリストアップする。

具体的に、属性情報として「診療科」を用いる場合を例に説明する。第２更新部３６は、点検済みのレセプトデータの各々を診療科毎にクラスタリングし、診療科毎に、レセプトデータにおける出現頻度の高い順に診療行為を並べ替える。第２更新部３６は、Ｐｅａｒｓｏｎ相関、ｘ^２統計量、Ｊａｃｃｅａｒｄ係数等を用い、診療科と診療行為間の相関値を算出する。これらの相関値から、レセプトデータ内の診療行為と診療科との相関性を見ることができる。

下記（７）式に、Ｐｅａｒｓｏｎ相関による相関値Ｒを示す。

ここで、Ｘは、任意の診療行為を表し、Ｘの上にオーバーラインを付した記号は、レセプトデータに記載されている診療行為の出現頻度の平均を表す。Ｙは、任意の診療科を表し、Ｙの上にオーバーラインを付した記号は、レセプトデータ上に記載される診療科の出現頻度の平均を表す。

次に、下記（８）式に、ｘ^２の統計値を示す。

（８）式は、診療科と診療行為間で関連性がないことを仮定し、その仮定の下での診療行為の出現頻度Ｘと実際の出現頻度Ｙとの差から、相関値を算出する手法である。詳細には、期待値として、診療科と診療行為間で関連性がないことを仮定し、各診療行為の出現頻度Ｘを算出し、実際にその診療科で行われた診療行為の出現頻度Ｙとの差を求め、（８）式のｘ^２を求め、ｘ^２からｐ−値を求める。ｐ−値＜５％で、ｘ^２は大きい値をとり、漸近的にｘ^２分布に従うことを意味する。本実施形態では、「漸近的にｘ^２分布に従う＝相関性がある」とし、ｐ−値を相関値とする。

次に、下記（９）式に、Ｊａｃｃａｒｄ係数による相関値Ｊを示す

これは、少なくとも診療行為Ｘ及び診療科Ｙのどちらか１つが記載されているレセプトデータに対する、両方が記載されているレセプトデータの割合を表す。分母の値が、分子の値に近づけば近づくほど、診療行為と診療科には相関があることを意味する。

第２更新部３６は、診療科と診療行為間の相関値を閾値処理し、閾値を満たす診療行為を抽出し、頻度パターン成長アルゴリズム（参考文献：J. Han, H. Pei, and Y. Yin, "Mining Frequent Patterns without Candidate Generation." In: Proc. Conf. on the Management of Data (SIGMOD’00, Dallas, TX). ACM Press, New York, NY, USA 2000）を用い、所定回（例えば、５回）以上の頻度を持つ２つ以上の診療行為間の組み合わせを抽出する。第２更新部３６は、抽出した診療行為をノード、抽出した診療行為間の組み合わせをベクトルとする複雑グラフパターンを生成する。

第２更新部３６は、診療行為と傷病名間の相関値を算出し、相関値が閾値を満たす傷病名をノードとして複雑グラフパターンに加え、診療行為間の組み合わせと統合する。第２更新部３６は、複雑グラフパターンに基づいて、相互関連付け規則学習を行い、基本ルールの適正確率を更新する。

まず、複雑グラフパターンの生成について、具体的には、第２更新部３６は、生成部３２により相互関連付け規則学習のアルゴリズムで生成された、傷病名と診療行為間との１対１の基本ルールのうち、相関性の高い（例えば、相関値が閾値以上の）診療行為と傷病名との１対１の基本ルールのみを抽出し、頻度パターン成長アルゴリズムにより、図９及び図１０に示すような、診療行為と傷病名間との１対多の組み合わせを示す複雑グラフパターンを持つ更新ルールを抽出する。

図９及び図１０は、診療科「眼科」に関連する診療行為が記載されているレセプトデータを用い、第２更新部３６で生成した、診療行為と傷病名との１対多の複雑グラフパターンを持つ更新ルールの一例を示す。図９は、診療行為「スリットＭ（前眼部）」を示すノードＳＩ３、診療行為「非観血的連続血圧測定」を示すノードＳＩ４、診療行為「水晶体再建術（眼内レンズを挿入）（縫着レンズを挿入）」を示すノードＳＩ５に紐付けられた傷病名「白内障」を示すノードＳＹ６を含む、診療行為と傷病名との１対多の複雑グラフパターンである。これは、さらに、診療行為「矯正視力（１以外）」及び診療行為「精密眼底（両）」等の複数の診療行為に紐付けられた、複雑グラフパターンを形成する可能性を持つ。

また、図１０は、診療行為「スリットＭ（前眼部）」を示すノードＳＩ３、及び診療行為「鼻涙管ブジー法」を示すノードＳＩ７に紐付けられた傷病「先天性鼻涙管閉塞症」を示すノードＳＹ８を含む、診療行為と傷病名との１対多の複雑グラフパターンである。

次に、適正確率の更新について、第２更新部３６は、相関値に基づいて抽出した基本ルールの適正確率（信頼度）を初期の適正確率として取得する。そして、第２更新部３６は、例えば、図１１に示すような複雑グラフパターンを抽出した場合、レセプトデータから、診療行為「超音波検査（心臓超音波検査）（経胸壁心エコー法）」（ＳＩ１３）−傷病名「アトピー性皮膚炎」（ＳＹ１４）、診療行為「超音波検査（心臓超音波検査）（経胸壁心エコー法）」（ＳＩ１３）−傷病名「アトピー性皮膚炎」（ＳＹ１４）−傷病名「湿疹」（ＳＹ１５）、診療行為「超音波検査（心臓超音波検査）（経胸壁心エコー法）」（ＳＩ１３）−傷病名「アトピー性皮膚炎」（ＳＹ１４）−傷病名「湿疹」（ＳＹ１５）−傷病名「皮脂欠乏症」（ＳＹ１６）の順に、それぞれのパターンの出現頻度を算出する。そして、第２更新部３６は、出現頻度の総和をとって、それぞれのパターンについて算出した出現頻度を正規化し、正規化した値を、診療行為「超音波検査（心臓超音波検査）（経胸壁心エコー法）」（ＳＩ１３）−傷病名「アトピー性皮膚炎」（ＳＹ１４）、「超音波検査（心臓超音波検査）（経胸壁心エコー法）」（ＳＩ１３）−傷病名「湿疹」（ＳＹ１５）、「超音波検査（心臓超音波検査）（経胸壁心エコー法）」（ＳＩ１３）−傷病名「皮脂欠乏症」（ＳＹ１６）のそれぞれの基本ルールについて、更新された適正確率とする。

なお、上記の複雑グラフパターンは、診療科毎に複数の傷病間について生成することも可能である。具体的には、第２更新部３６は、診療科毎に、生成部３２により相互関連付け規則学習のアルゴリズムで生成された、傷病名と診療行為間との１対１の基本ルールを抽出する。例えば、図１２左図に示すように、診療行為「ＣＴ撮影（頭部）」（ＳＩ９）に紐付けられた傷病名「認知症」（ＳＹ１０）、傷病名「脳腫瘍」（ＳＹ１１）、及び、傷病名「慢性硬膜下血腫」（ＳＹ１２）のそれぞれの単純グラフパターンを示す基本ルール（ＳＩ９−ＳＹｉ、（ｉ＝１０，．．．，Ｎ））を全て抽出し、図１２右図に示すように、診療行為と傷病名との１対多の複雑グラフパターンを生成する。

第２更新部３６は、診療行為「ＣＴ撮影（頭部）」（ＳＩ９）について抽出した各基本ルールの初期の適正確率をＷ_ｉとし、基本ルールを、初期の適正確率Ｗ_ｉの高い順に並び替える。また、第２更新部３６は、初期の適正確率Ｗ_ｉの総和をとって、各基本ルールの初期の適正確率Ｗ_ｉを正規化する。第２更新部３６は、正規化した初期の適正確率Ｗ_ｉを、診療行為「ＣＴ撮影（頭部）」（ＳＩ９）と、それに紐付けられた傷病名との１対１の組み合せのそれぞれについての、更新された適正確率とする。

図９及び図１０に示すように、１つの傷病名に対して複数の診療行為を対応付けた複雑グラフパターンを生成することもできるし、図１１及び図１２に示すように、１つの診療行為に対して複数の傷病名を対応付けた複雑グラフパターンを生成することもできる。したがって、多対多の診療行為と傷病名との組み合わせを示す複雑グラフパターンの生成も可能である。診療行為と傷病名との１対１の組み合わせの場合に比べ、１対多又は多対多の場合の方が、より適正な適応病名候補リストを生成することができる。

第２更新部３６は、図７に示すように更新された第２更新ルール４２、及び生成した複雑グラフパターンを更新ルールＤＢ４０に記憶する。

受付部５２は、点検対象のレセプトデータを受け付ける。

判定部５４は、更新ルールＤＢ４０に記憶された第１更新ルール４１及び第２更新ルール４２に基づいて、受付部５２で受け付けられた点検対象のレセプトデータに含まれる診療行為と傷病名との組み合せが適正か否かを判定する。

具体的には、判定部５４は、点検対象のレセプトデータから、可能な診療行為と傷病名との組み合わせを抽出する。判定部５４は、抽出した組み合わせの各々について、第１更新ルール４１及び第２更新ルール４２に該当するか否かを判定する。判定部５４は、第１更新ルール４１及び第２更新ルール４２のいずれにも該当する組み合わせを、修正不要であると判定し、第１更新ルール４１又は第２更新ルールのいずれかに該当しない組み合わせを、修正要であると判定する。なお、第１更新ルール４１及び第２更新ルール４１の各々に該当する場合とは、診療行為と傷病名との組み合わせが、第１更新ルール４１及び第２更新ルール４２の各々に存在する場合、又は、第１更新ルール４１及び第２更新ルール４２の各々に含まれる組み合わせのうち、適正確率が所定値以上の組み合わせの何れかと一致する場合等とすることができる。

提示部５６は、判定部５４で修正要と判定された組み合せについて、修正要と判定する元となった第１更新ルール４１又は第２更新ルール４２において、点検対象のレセプトデータに含まれる診療行為と組み合わされている傷病名のうち、更新された適正確率が高い順に所定個（例えば、上位５個）の傷病名を適応病名候補として提示する。

例えば、提示部５６は、点検対象のレセプトデータとして、ある患者のレセプトデータが指定された場合、そのレセプトデータに含まれる診療行為のリストをディスプレイに表示する（図示省略）。表示されたリストからいずれかの診療行為が選択されると、提示部５６は、図１３に示すような詳細画面７０をディスプレイに表示する。図１３の例では、詳細画面７０には、選択された診療行為が表示される診療行為表示領域７２と、点検対象のレセプトデータに含まれる傷病名であって、選択された診療行為との組み合わせが可能な傷病名のリストが表示される傷病名表示領域７４と、適応病名候補のリストが表示される適応病名表示領域７６と、傷病名の修正を反映する際に選択される修正ボタン７８と、修正を行わない場合に選択される修正不要ボタン８０と、詳細画面を閉じる際に選択される閉じるボタン８２とが含まれる。

傷病名表示領域７４には、傷病名と、その傷病名と診療行為表示領域７２に表示された診療行為との組み合わせについての判定部５４による修正要か不要かの判定結果、その傷病名をレセプトデータから削除する際に選択されチェックボックスが含まれる。また、傷病名表示領域７４は、任意のテキストデータの入力などにより、直接傷病名を修正可能としてもよい。

適応病名表示領域７６には、診療行為表示領域７２に表示された診療行為の適応病名候補として、第１更新ルール４１又は第２更新ルール４２から抽出された適正確率が上位所定個（例えば、上位５個）の適応病名候補が、その適正確率と共に表示される。例えば、第２更新ルール４２として、図１２右図に示すような複雑グラフパターンが抽出されて適正確率が更新されている場合、適応病名表示領域７６には、複雑グラフパターンにおいて、診療行為「ＣＴ撮影（頭部）」（ＳＩ９）と紐付く傷病名のうち、第２更新部３６で更新された適正確率が上位所定個（例えば、上位５個）の適応病名候補、及びその適正確率を表示する。また、適応病名表示領域７６には、各適応病名候補を点検対象のレセプトデータに追加する際に選択されるチェックボックスも含まれる。

提示部５６は、傷病名表示領域７４のいずれかのチェックボックスがチェックされた状態で修正ボタン７８が選択されると、点検対象のレセプトデータから、チェックされたチェックボックスに対応する傷病名を削除する。また、提示部５６は、適応病名表示領域７６のいずれかのチェックボックスがチェックされた状態で修正ボタン７８が選択されると、点検対象のレセプトデータに、チェックされたチェックボックスに対応する適応病名候補を、傷病名として追加する。また、提示部５６は、修正ボタン７８が選択されると、点検対象のレセプトデータに、修正が行われたことを示すフラグを付与すると共に、修正された内容を特定可能な状態で記憶する。また、提示部５６は、修正不要ボタン８０が選択されると、点検対象のレセプトデータに、点検の結果、修正不要であったことを示すフラグを付与する。

また、提示部５６は、点検済みの点検対象のレセプトデータを、図１４に示すような帳票の形式で出力してもよい。帳票には、レセプトデータの情報が記載されると共に、破線部に示すように、修正内容を記載することができる。また、提示部５６は、詳細画面７０に代えて、又は詳細画面７０と共に、図１５に示すような帳票を出力してもよい。この場合、帳票には、破線部に示すように、判定部５４で修正要と判定された診療行為と傷病名との組み合わせについて、適応病名候補とその適正確率とを記載することができる。

次に、本実施形態に係るレセプト点検装置１０の作用について説明する。

図１６は、レセプト点検装置１０のＣＰＵ１２により実行される学習処理の流れを示すフローチャートである。また、図１９は、レセプト点検装置１０のＣＰＵ１２により実行される点検処理の流れを示すフローチャートである。ＣＰＵ１２が記憶装置１６からレセプト点検プログラムを読み出して、メモリ１４に展開して実行することにより、ＣＰＵ３２がレセプト点検装置１０の各機能構成として機能し、図１６に示す学習処理、及び図１９に示す点検処理を含むレセプト点検処理が実行される。

まず、ステップＳ１２で、生成部３２が、過去のレセプトデータであって、点検前のレセプトデータと、点検済みのレセプトデータとのデータセットを入力として受け付ける。

次に、ステップＳ１４で、生成部３２が、受け付けた各レセプトデータに含まれる診療行為と傷病名との可能な組み合わせを学習データとして抽出し、抽出した複数の学習データを属性情報毎に学習して、診療行為と傷病名との１対１の組み合せ毎の初期の適正確率で表される基本ルール４５を生成する。

次に、ステップＳ１６で、第１更新部３４が、第１更新処理を実行する。ここで、図１７を参照して、第１更新処理について説明する。

ステップＳ１６２で、第１更新部３４が、ｉ番目のレセプトデータの属性情報から、入力値Ｓ^ｉ（例えば、Ｓ^ｉ＝（診療科、性別、年齢））を抽出し、入力値Ｓ^ｉについて生成された基本ルール４５から適応可能見込みルールと、その適正確率を抽出する。

次に、ステップＳ１６４で、第１更新部３４が、抽出した適応可能見込みルールを診療行為毎に分類し、診療行為毎に、適正確率が高い順に、適応可能見込みルールに含まれる傷病名を並び替え、適応病名候補としてリストアップする。

次に、ステップＳ１６６で、第１更新部３４が、適正確率の高い順にリストアップされた適応病名候補に基づいて、（４）式に示すように、評価関数Ｑ^ｉを定義する。次に、ステップＳ１６８で、（５）式及び（６）式により、適正確率を更新する。

次に、ステップＳ１７０で、第１更新部３４が、更新量の総和が０、又は、Ｑ^ｉが一定の値に収束したか否かを判定する。収束した場合には、処理はステップＳ１７２へ移行し、集束していない場合には、処理はステップＳ１６４に戻る。

ステップＳ１７２では、第１更新部３４が、更新された適正確率の高い順に適応病名候補を並び替え、上位Ｎ（例えば、Ｎ＝５）番以内の高い適正確率を持つ適応病名候補について、基本ルール４５の適応病名候補に対応付けられている適正確率を、上記の更新処理で更新された適正確率に置き換えて、図７に示すように、更新ルール４１を生成し、更新ルールＤＢ４０に記憶する。そして、第１更新処理を終了し、図１６に示す学習処理に戻る。

次に、ステップＳ１８で、第２更新部３４が、第２更新処理を実行する。ここで、図１８を参照して、第２更新処理について説明する。

ステップＳ１８２で、第２更新部３６が、点検済みのレセプトデータの各々を特定の属性情報（ここでは、「診療科」とする）の種類毎にクラスタリングし、診療科毎に、レセプトデータにおける出現頻度の高い順に診療行為を並べ替える。そして、第２更新部３６が、例えば、（７）式、（８）式、又は（９）式を用い、診療科と診療行為間の相関値を算出する。

次に、ステップＳ１８４で、第２更新部３６が、診療科と診療行為間の相関値を閾値処理し、閾値を満たす診療行為を抽出し、頻度パターン成長アルゴリズムを用い、所定回（例えば、５回）以上の頻度を持つ２つ以上の診療行為間の組み合わせを抽出する。そして、第２更新部３６が、抽出した診療行為をノード、抽出した診療行為間の組み合わせをベクトルとする複雑グラフパターンを生成する。さらに、第２更新部３６が、診療行為と傷病名間の相関値を算出し、相関値が閾値を満たす傷病名をノードとして複雑グラフパターンに加え、診療行為間の組み合わせと統合する。

次に、ステップＳ１８６で、第２更新部３６が、複雑グラフパターンに基づいて、相互関連付け規則学習を行い、基本ルール４５の適正確率を更新する。

次に、ステップＳ１８８で、第２更新部３６が、図７に示すように更新された第２更新ルール４２、及び生成した複雑グラフパターンを更新ルールＤＢ４０に記憶する。そして、第２更新処理を終了し、図１６に示す学習処理自体も終了する。

次に、図１９に示す点検処理について説明する。

ステップＳ３２で、受付部５２が、点検対象のレセプトデータを受け付ける。

次に、ステップＳ３４で、判定部５４が、点検対象のレセプトデータから、可能な診療行為と傷病名との組み合わせを抽出し、抽出した組み合わせが、更新ルールＤＢ４０に記憶された第１更新ルール４１に該当するか否かを判定する。第１更新ルール４１に該当する場合には、処理はステップＳ３８へ移行し、該当しない場合には、処理はステップＳ３６へ移行する。

ステップＳ３６では、提示部５６が、第１更新ルール４１において、点検対象のレセプトデータに含まれる診療行為と組み合わされている傷病名のうち、更新された適正確率が高い順に所定個（例えば、上位５個）の傷病名を適応病名候補として抽出する。

ステップＳ３８では、判定部５４が、上記ステップＳ３４で点検対象のレセプトデータから抽出された、可能な診療行為と傷病名との組み合わせが、更新ルールＤＢ４０に記憶された第２更新ルール４２に該当するか否かを判定する。第２更新ルール４２に該当しない場合には、処理はステップＳ４０へ移行する。

ステップＳ４０では、提示部５６が、第２更新ルール４１において、点検対象のレセプトデータに含まれる診療行為と組み合わされている傷病名のうち、更新された適正確率が高い順に所定個（例えば、上位５個）の傷病名を適応病名候補として抽出する。

点検対象のレセプトデータから抽出された、可能な診療行為と傷病名との組み合わせの各々について、上記ステップＳ３４〜Ｓ４０の処理が終了すると、ステップＳ４２へ移行する。ステップＳ４２では、提示部５６が、点検対象のレセプトデータに含まれる診療行為のリストをディスプレイに表示し、表示されたリストからいずれかの診療行為が選択されたことを契機に、例えば図１３に示すような詳細画面７０を表示する。詳細画面７０には、上記ステップＳ３４又はＳ３８の判定結果、及び上記ステップＳ３６又はＳ４０で抽出された適応病名候補のリストが含まれる。そして、点検処理は終了する。

以上説明したように、本実施形態に係るレセプト点検装置によれば、１対１の単純グラフパターンを用いた相互関連付け規則学習により得られるルールにおける、診療行為と傷病名との組み合わせ毎の適正確率を、少なくとも点検済みのレセプトデータに含まれる診療行為及び傷病名以外の情報である属性情報との関連を学習することにより更新する。これにより、適正確率が適正化され、レセプトにおける診療行為と傷病名との組み合わせの点検の精度を向上させることができる。その結果、医療機関での医療事務の効率化、省力化、及び高度化に貢献することができる。また、レセプトに記載された診療行為に対する傷病名に修正の必要があると判定された場合には、更新された適正確率に基づいて候補となる傷病名を提示するため、病院やクリニックでの医療事務の非効率な業務が低減する。

図２０は、上述した入力値Ｓ^ｉ＝（診療科＝婦人科、性別＝女性、年齢＝４０代）の点検前のレセプトデータと、点検済みのレセプトデータとについて、第１更新部により更新した更新ルールと基本ルールとを比較した結果である。適応病名検出率は、基本ルール又は更新ルールを参照し、点検前のレセプトデータの診療行為に対して適応可能な傷病名を検出したレセプトの割合を表す。選定成功率は、適応病名候補リストに、点検前のレセプトデータの診療行為と適正に適応可能な傷病名がランクインし、点検済みのレセプトデータの適応病名と一致したレセプトデータの割合を表す。図２０に示すように、基本ルールを更新することにより、適応病名検出率は、３９．３％から５８．４％へ向上し、選定成功率も、２９．３％から７５．６％へ向上した。

なお、上記実施形態では、更新ルールとして、第１更新部により更新された更新ルール４１と、第２更新部により更新された更新ルール４２との両方を用いる場合について説明したが、いずれか一方のみを用いるようにしてもよい。

また、上記実施形態では、更新された適正確率を含む更新ルールを予め記憶しておく場合について説明したが、これに限定されない。例えば、適応病名候補を提示する際に、基本ルールの初期の適正確率を更新した適正確率を算出してもよい。

具体的に、診療行為のリストを入力として、傷病の組を出力するシステムの場合について説明する。入力された診療行為のリストをＴ_{ｉｎｐｕｔ}＝［ｔ_１，ｔ_２，．．．，ｔ_ｎ］とし、それに対してある傷病名の組Ｄ＝［ｄ_１，ｄ_２，．．．，ｄ_ｎ］を仮定する。ただし、ｄ_ｊ∈Δ（Δは傷病名全ての集合）、ｔ_ｉ∈Ｔ（Ｔは診療行為全ての集合）である。この組の傷病が全て診断され、リスト内の診療行為が行われる確率は、下記（１０）式である。

診療行為リストＴ_{ｉｎｐｕｔ}に対して、候補となる傷病名の組は、診療行為リストＴ_{ｉｎｐｕｔ}に含まれる診療行為全てに対してリレーションを持つ傷病名が最低１個含まれるように選定する。診療行為ｔ_ｉに対して候補となった傷病名ｄ_ｊの組全てに対して、（１０）式に示す確率を算出し、その確率を、診療行為ｔ_ｉと傷病名ｄ_ｊとの組み合せについての更新された適正確率とする。適応病名候補リストとして選定する傷病名は、上記実施形態と同様に、算出した適正確率、すなわち更新された適正確率が上位所定個（例えば、上位５個）の傷病名を選定すればよい。

なお、上記実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行したレセプト点検処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Field-Programmable Gate Array）等の製造後に回路構成を変更可能なＰＬＤ（Programmable Logic Device）、及びＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、レセプト点検処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

また、上記実施形態では、レセプト点検プログラムが記憶装置に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ＵＳＢメモリ等の記憶媒体に記録された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

１０ レセプト点検装置
１２ ＣＰＵ
１４ メモリ
１６ 記憶装置
１８ 入力装置
２０ 出力装置
２２ 記憶媒体読取装置
２４ 通信Ｉ／Ｆ
２６ バス
３２ 生成部
３４ 第１更新部
３６ 第２更新部
４０ 更新ルールＤＢ
４１、４２ 更新ルール
４５ 基本ルール
５２ 受付部
５４ 判定部
５６ 提示部
７０ 詳細画面
７２ 診療行為表示領域
７４ 傷病名表示領域
７６ 適応病名表示領域
７８ 修正ボタン
８０ 修正不要ボタン
８２ 閉じるボタン

Claims (10)

1. 点検対象のレセプトデータを受け付ける受付部と、
   診療行為と傷病名との組み合わせからなる複数の学習データを学習した診療行為と傷病名との１対１の組み合せ毎の適正確率で表される基本ルールと、少なくとも点検済みのレセプトデータに含まれる傷病名及び診療行為以外の情報である属性情報との関連を学習して、前記基本ルールの適正確率を更新することにより生成された更新ルールに基づいて、前記点検対象のレセプトデータに含まれる診療行為に組み合せられた傷病名が適正か否かを判定する判定部と、
   前記判定部で前記組み合せが適正ではないと判定された場合に、前記更新ルールにおいて、前記適正ではないと判定された診療行為に組み合せられた傷病名のうち、更新された前記適正確率が高い順に所定個を傷病名候補として提示する提示部と、
   を含むレセプト点検装置。
2. 前記更新ルールを生成する学習部を更に含む請求項１に記載のレセプト点検装置。
3. 前記学習部は、前記基本ルールに含まれる診療行為と傷病名との組み合わせと、前記基本ルールと前記属性情報が関連する点検済みのレセプトデータとの差分に応じて、前記基本ルールの適正確率を更新する請求項２に記載のレセプト点検装置。
4. 前記学習部は、前記基本ルールに含まれる組み合せの前記傷病名が、前記属性情報が関連する点検済みのレセプトデータに存在する場合に前記基本ルールの適正確率を増加させ、存在しない場合に前記基本ルールの適正確率を減少させるように更新する請求項３に記載のレセプト点検装置。
5. 前記学習部は、前記属性情報と前記傷病名又は前記診療行為との関連を示す統計的指標に基づいて、前記診療行為と前記傷病名との組み合せを示すグラフパターンを生成し、前記グラフパターンに基づいて、前記基本ルールの適正確率を更新する請求項２に記載のレセプト点検装置。
6. 前記学習部は、前記属性情報と前記傷病名又は前記診療行為との相関値と、前記基本ルールの診療行為と傷病名との１対１の組み合せとに基づいて、前記診療行為と前記傷病名との１対多、多対１、又は多対多の組み合せを示す前記グラフパターンを生成し、前記グラフパターンに含まれる前記傷病名と前記診療行為との組み合わせからなる複数の学習データを学習した診療行為と傷病名との組み合せ毎の適正確率を、前記更新ルールの適正確率として算出する請求項５に記載のレセプト点検装置。
7. 前記診療行為は、患者に処方された薬剤を含む請求項１〜請求項６のいずれか１項に記載のレセプト点検装置。
8. 前記属性情報は、患者の性別、年齢、及び診療科の少なくとも１つを含む請求項１〜請求項７のいずれか１項に記載のレセプト点検装置。
9. 受付部が、点検対象のレセプトデータを受け付け、
   判定部が、診療行為と傷病名との組み合わせからなる複数の学習データを学習した診療行為と傷病名との１対１の組み合せ毎の適正確率で表される基本ルールと、少なくとも点検済みのレセプトデータに含まれる傷病名及び診療行為以外の情報である属性情報との関連を学習して、前記基本ルールの適正確率を更新することにより生成された更新ルールに基づいて、前記点検対象のレセプトデータに含まれる診療行為に組み合せられた傷病名が適正か否かを判定し、
   提示部が、前記判定部で前記組み合せが適正ではないと判定された場合に、前記更新ルールにおいて、前記適正ではないと判定された診療行為に組み合せられた傷病名のうち、更新された前記適正確率が高い順に所定個を傷病名候補として提示する
   レセプト点検方法。
10. コンピュータを、請求項１〜請求項８のいずれか１項に記載のレセプト点検装置を構成する各部として機能させるためのレセプト点検プログラム。