JP6722927B2 - 医薬品の流通を支援するためのシステム、方法およびプログラム - Google Patents

Description

本発明は、医薬品の流通を支援するためのシステム等に関し、より具体的には、薬局における医薬品の在庫量または在庫レベルを予測するためのシステム、複数の薬局のうち医薬品の購入可能性の高い薬局を予測するためのシステム、および／または、これらのシステムを備える統合型システム等に関する。

一般的な商品（例えば、食品、衣料品等）は、販売時点情報管理システム、いわゆるＰＯＳシステムを用いて在庫管理を行うことができる（例えば、特許文献１）。一般的な商品は、その識別子（例えば、バーコード）を読み取ることによって、「入」および「出」の情報（すなわち、入荷および販売の情報）の両方を把握することができるからである。

特開平１１−８６１３５号公報

これに対して、医薬品は、一般的な商品と異なり、その在庫管理が難しい。医薬品は、処方箋の内容により、例えば、錠剤単位で販売される。錠剤単位にはバーコードが付されていないため、「出」の情報をＰＯＳシステム等を用いて把握することができない。「出」の情報を把握するためには、販売情報を手入力する必要があるが、これは煩わしい。このように、医薬品では、「入」の情報を把握できたとしても「出」の情報を把握することができないため、在庫管理を適切に行うことができず、医薬品の効率的な流通が妨げられていた。

また、医薬品には使用期限がある。使用期限切れの医薬品は廃棄されるため、使用期限が切迫している医薬品を廃棄するくらいなら安くでもいいから売ってしまいたいというニーズが存在する。しかしながら、使用期限が切迫している医薬品でも買いたいという需要を見出せなければ、使用期限が切迫している医薬品は売れず、これもまた、医薬品の効率的な流通を妨げていた。

本発明は、これらの事情に鑑みてなされたものであり、医薬品の流通を支援するためのシステム等を提供することを課題とする。より具体的には、本発明は、薬局における医薬品の在庫量または在庫レベルを予測するためのシステム、複数の薬局のうち医薬品の購入可能性の高い薬局を予測するためのシステム、および／または、これらのシステムを備える統合型システム等を提供することを課題とする。

本発明の薬局における医薬品の在庫量または在庫レベルを予測するためのシステムは、薬局に関するデータを受信するための受信手段と、前記薬局に関するデータに基づいて、前記薬局における医薬品の在庫量または在庫レベルを予測する予測手段と、前記予測された在庫量または在庫レベルを示す情報を出力する出力手段とを備える。

一実施形態において、前記薬局に関するデータは、前記医薬品の最終調剤日を含む。

一実施形態において、前記薬局に関するデータは、前記医薬品の調剤回数をさらに含む。

一実施形態において、前記薬局に関するデータは、前記医薬品を調剤された患者数をさらに含む。

一実施形態において、前記薬局に関するデータは、前記医薬品の価格、および前記医薬品の薬価収集医薬品コードの薬効分類番号のうちの少なくとも１つをさらに含む。

一実施形態において、前記受信された薬局に関するデータから、前記医薬品の最終調剤日、前記医薬品の調剤回数、前記医薬品を調剤された患者数のうちの少なくとも１つを算出するための算出手段をさらに備える。

一実施形態において、前記予測手段は、学習済モデルを用いて前記薬局における医薬品の在庫量または在庫レベルを予測し、前記学習済モデルは、前記薬局に関するデータに基づいて学習処理がなされたモデルである。

本発明の薬局における医薬品の在庫量または在庫レベルを予測するための方法は、薬局に関するデータを受信することと、前記薬局に関するデータに基づいて、前記薬局における医薬品の在庫量または在庫レベルを予測することと、前記予測された在庫量または在庫レベルを示す情報を出力することとを含む。

本発明の薬局における医薬品の在庫量または在庫レベルを予測するためのプログラムは、プロセッサ部を備えるシステムにおいて実行され、前記プログラムは、薬局に関するデータを受信することと、前記薬局に関するデータに基づいて、前記薬局における医薬品の在庫量または在庫レベルを予測することと、前記予測された在庫量または在庫レベルを示す情報を出力することとを含む処理を前記プロセッサ部に実行させる。

本発明の薬局における医薬品の在庫量または在庫レベルを予測するために用いられるモデルを構築するためのシステムは、薬局に関するデータを受信するための受信手段と、前記薬局に関するデータと前記薬局における前記医薬品の実際の在庫量または在庫レベルとを教師データとして学習する学習手段とを備える。

本発明の薬局における医薬品の在庫量または在庫レベルを予測するために用いられるモデルを構築するための方法は、薬局に関するデータを受信することと、前記薬局に関するデータと前記薬局における前記医薬品の実際の在庫量または在庫レベルとを教師データとして学習することとを含む。

本発明の薬局における医薬品の在庫量または在庫レベルを予測するために用いられるモデルを構築するためのプログラムは、プロセッサ部を備えるシステムにおいて実行され、前記プログラムは、薬局に関するデータを受信することと、前記薬局に関するデータと前記薬局における前記医薬品の実際の在庫量または在庫レベルとを教師データとして学習することとを含む処理を前記プロセッサ部に実行させる。

本発明の複数の薬局のうち医薬品の購入可能性の高い薬局を予測するためのシステムは、薬局に関するデータを受信するための受信手段と、前記複数の薬局のそれぞれについて、前記薬局に関するデータに基づいて、前記薬局が前記医薬品を購入する確率を予測する予測手段と、前記予測された確率が高い薬局を示す情報を出力する手段とを備える。

一実施形態において、前記薬局に関するデータは、前記医薬品の最終調剤日、前記医薬品の調剤回数、および、前記医薬品の価格情報を含む。

一実施形態において、前記薬局に関するデータは、前記医薬品を調剤された患者数および前記医薬品の有効期限からの残日数のうちの少なくとも１つをさらに含む。

一実施形態において、前記医薬品の価格情報は、前記医薬品の価格、前記医薬品の価格に対する値引き額、および、前記医薬品の価格に対する値引き率のうちの少なくとも１つを含む。

一実施形態において、前記薬局に関するデータは、前記医薬品の状態、および前記医薬品の薬価収集医薬品コードの薬効分類番号のうちの少なくとも１つをさらに含む。

一実施形態において、前記受信された薬局に関するデータから、前記医薬品の最終調剤日、前記医薬品の調剤回数、および、前記医薬品の価格情報、前記医薬品を調剤された患者数、前記医薬品の有効期限からの残日数のうちの少なくとも１つを算出するための算出手段をさらに備える。

一実施形態において、前記予測手段は、学習済モデルを用いて前記薬局が前記医薬品を購入する確率を予測し、前記学習済モデルは、前記薬局に関するデータに基づいて学習処理がなされたモデルである。

本発明の複数の薬局のうち医薬品の購入可能性の高い薬局を予測するための方法は、薬局に関するデータを受信することと、前記複数の薬局のそれぞれについて、前記薬局に関するデータに基づいて、前記薬局が前記医薬品を購入する確率を予測することと、前記予測された確率が高い薬局を示す情報を出力することとを含む。

本発明の複数の薬局のうち医薬品の購入可能性の高い薬局を予測するためのプログラムは、プロセッサ部を備えるシステムにおいて実行され、前記プログラムは、薬局に関するデータを受信することと、前記複数の薬局のそれぞれについて、前記薬局に関するデータに基づいて、前記薬局が前記医薬品を購入する確率を予測することと、前記予測された確率が高い薬局を示す情報を出力することとを含む処理を前記プロセッサ部に実行させる。

本発明の複数の薬局のうち医薬品の購入可能性の高い薬局を予測するために用いられるモデルを構築するためのシステムは、薬局に関するデータを受信するための受信手段と、前記薬局に関するデータと前記薬局が前記医薬品を購入した実績とを教師データとして学習する学習手段とを備える。

本発明の複数の薬局のうち医薬品の購入可能性の高い薬局を予測するために用いられるモデルを構築するための方法は、薬局に関するデータを受信することと、前記薬局に関するデータと前記薬局が前記医薬品を購入した実績とを教師データとして学習することとを含む。

本発明の複数の薬局のうち医薬品の購入可能性の高い薬局を予測するために用いられるモデルを構築するためのプログラムは、プロセッサ部を備えるシステムにおいて実行され、前記プログラムは、薬局に関するデータを受信することと、前記薬局に関するデータと前記薬局が前記医薬品を購入した実績とを教師データとして学習することとを含む処理を前記プロセッサ部に実行させる。

本発明の医薬品の流通を支援するためのシステムは、薬局に関するデータを蓄積するためのデータ蓄積システムと、前記薬局に関するデータを利用するためのデータ利用システムとを備え、前記データ利用システムは、上述した薬局における医薬品の在庫量または在庫レベルを予測するためのシステムおよび上述した複数の薬局のうち医薬品の購入可能性の高い薬局を予測するためのシステムのうちの少なくとも一方を含む、在庫管理支援システム。

本発明によれば、医薬品の流通を支援するためのシステム等を提供することができ、より具体的には、薬局における医薬品の在庫量または在庫レベルを予測するためのシステム、複数の薬局のうち医薬品の購入可能性の高い薬局を予測するためのシステム、および／または、これらのシステムを備える統合型システム等を提供することができる。

薬局間で在庫情報を共有するためのサービスにおけるフローの一例を概略的に示す図。 薬局２０Ａの端末装置に表示される画面の一例を示す図。 薬局２０Ａの端末装置に表示される画面の一例を示す図。 医薬品の購入可能性が高い薬局を知らせるサービスにおけるフローの一例を概略的に示す図。 医薬品の流通を支援するためのシステム１００の構成の一例を示す図。 薬局における医薬品の在庫量または在庫レベルを予測するための機能、および／または、医薬品を購入する可能性の高い薬局を予測するため機能を達成するためのシステム１００の構成の一例を示す図。 予測手段１２１が利用し得るニューラルネットワーク１２１０の構造の一例を示す図。 データベース部２００に格納されている薬局に関する情報の構成一例を示す図。 データベース部２００に格納されている薬局に関する情報の構成一例を示す図。 データベース部２００に格納されている薬局に関する情報の構成一例を示す図。 医薬品の流通を支援するためのシステム１００における処理の一例を示すフローチャート。 医薬品の流通を支援するためのシステム１００における処理の一例を示すフローチャート。

（定義）
本明細書において、「在庫量」は、在庫の数量を示し、在庫を定量的に表す。在庫の数量は、絶対数量であってもよいし、相対数量であってもよい。好ましくは、在庫の数量は、絶対数量である。例えば、在庫量を絶対数量とすることで、在庫量は、直感的にわかりやすいデータとなる。

本明細書において、「在庫レベル」は、在庫の程度を示し、在庫を定性的に表す。例えば、在庫レベルは、在庫が有るか在庫がないかの２段階であり得る。例えば、在庫レベルは、在庫が有るか、在庫があまりないか、在庫がないか等の多段階であり得る。在庫レベルにおける各段階は、他店の在庫または過去の在庫等との比較によって相対的に決定されてもよいし、絶対的に決定されてもよい。例えば、在庫レベルにおける各段階を絶対的に決定することで、在庫レベルは、直感的にわかりやすいデータとなる。

以下、図面を参照しながら、本発明の実施の形態を説明する。

１．医薬品の流通を支援するための新たなサービス
（薬局間在庫共有サービス）
本発明の発明者は、医薬品の流通を支援するための新たなサービスを開発した。そのサービスの１つは、薬局間で在庫情報を共有するためのサービスである。薬局は、このサービスを利用することにより、他の薬局がどの程度の在庫を有しているかを知ることができるようになる。これは、例えば、或る医薬品について在庫が不足している薬局が、その医薬品の在庫を豊富に有している薬局を知りたいときに有用である。或る医薬品について在庫が不足している薬局は、その医薬品の在庫を豊富に有している薬局を特定し、その薬局に対して購入意図を伝え、その薬局からその医薬品を購入することができる。薬局から直接医薬品を購入することは、概して、医薬品卸業者にその医薬品を発注して購入するよりも安くかつ早く医薬品を入手することができる。一般的に、薬局間で取引をした方が現場の実情を考慮して安く取引できる傾向があり、また、医薬品卸業者に発注して医薬品を購入すると、医薬品の納品まで時間がかかるからである。これにより、薬局は、不足する在庫を即座に補うことができ、医薬品の効率的な流通がより促進される。

図１Ａは、薬局間で在庫情報を共有するためのサービスにおけるフローの一例を概略的に示す図である。図１Ａでは、サービスプロバイダ１０と、薬局２０との間のフローを説明する。図１Ａでは、３つの薬局２０Ａ〜２０Ｃしか示されていないが、薬局２０の数は、２以上の任意の数であり得る。薬局２０には、例えば、このサービスを利用している薬局全体が含まれてもよく、例えば、このサービスを利用している特定のエリア内の薬局が含まれてもよく、例えば、このサービスを利用している特定のグループ（例えば、薬剤師会等）内の薬局が含まれてもよい。

サービスプロバイダ１０は、薬局間で在庫情報を共有するためのサービスを提供する。サービスプロバイダ１０は、例えば、薬局間で在庫情報を共有するためのサービスを利用するためのネットワークサイト（例えば、インターネットサイト）を提供し、サービス利用者がそのサイトにアクセスすることを可能にする。

薬局２０Ａ〜２０Ｃは、例えば、このサービスを利用するために会員登録を行った薬局である。薬局２０Ａ〜２０Ｃは、薬局の店舗データを登録している。

ステップＳ１０１では、薬局２０Ａ〜２０Ｃはそれぞれ、その薬局に関する情報をサービスプロバイダ１０に提供する。薬局に関する情報は、例えば、その薬局で扱ったレセプト（調剤報酬明細書）のデータを含む。レセプト自体には、個人情報が含まれているため、個人情報をハッシュ化または削除したうえで、レセプトのデータをサービスプロバイダ１０に提供することが好ましい。

薬局２０Ａ〜２０Ｃからサービスプロバイダ１０に提供されるレセプトのデータには、例えば、「いつ」「どの医薬品を」「どのくらい」処方したかを示す情報が含まれている。レセプトのデータには、例えば、個人情報をハッシュ化された患者の情報（例えば、氏名の一部、性別、生年月日）が含まれてもよい。

薬局に関する情報には、例えば、その薬局が扱う医薬品の価格（薬価）が含まれてもよい。

サービスプロバイダ１０は、薬局２０Ａ〜２０Ｃから受信した薬局に関する情報を利用して、薬局間で在庫情報を共有するためのサービスを提供する。

ステップＳ１０２では、薬局２０Ａは、特定の医薬品の在庫情報をサービスプロバイダ１０に要求する。このとき、薬局２０Ａは、在庫情報を要求する薬局の範囲を指定するようにしてもよい。例えば、このサービスを利用している薬局全体を指定するようにしてもよいし、例えば、このサービスを利用している特定のエリア内の薬局を指定するようにしてもよいし、例えば、このサービスを利用している特定のグループ（例えば、薬剤師会等）内の薬局を指定するようにしてもよいし、このサービスを利用している薬局のうち、特定の条件を満たす薬局を指定するようにしてもよい。

サービスプロバイダ１０は、ステップＳ１０２での要求に応答して、ステップＳ１０３で、特定の医薬品の在庫情報を薬局２０Ａに提供する。例えば、サービスプロバイダ１０は、薬局２０Ａによって指定された範囲内の薬局の在庫情報を提供するようにしてもよい。

在庫情報は、例えば、○△×等の段階的な指標で表される定性的な情報であってもよいし、数量で表される定量的な情報であってもよい。

サービスプロバイダ１０から提供された在庫情報により、薬局２０Ａは、他の薬局に特定の医薬品がどれほど在庫しているかを知ることができる。

例えば、在庫情報が、薬局２０Ａが特定の医薬品の在庫を欠いており、薬局２０Ｂが在庫を有していることを示す場合、ステップＳ１０４で、薬局２０Ａは、薬局２０Ｂに対して、その医薬品の購入意図を伝達する。購入意図は、公知の意思伝達手段を用いて伝達され得る。例えば、購入意図は、電話、電子メール、ファクシミリ、郵便、ＳＮＳ等であり得るが、電話等の即時の伝達手段が好ましい。

薬局２０Ｂが薬局２０Ａの購入意図を確認し、これに応じると、ステップＳ１０５で、特定の医薬品が薬局２０Ｂから薬局２０Ａに販売される。

このようにして、薬局２０Ａは、在庫が不足している医薬品を、その医薬品の在庫を有している他の薬局から入手することができる。薬局２０Ａは、医薬品卸業者に発注して納品してもらうよりも概して早く特定の医薬品を入手することができる。例えば、薬局２０Ｂが地理的に近い場所にあれば、なお一層早くなる。これにより、医薬品の効率的な流通が促進される。

上述したステップＳ１０２およびステップＳ１０３は、例えば、図１Ｂおよび図１Ｃに示される画面を介して行われてもよい。

図１Ｂおよび図１Ｃは、薬局２０Ａの端末装置に表示される画面の一例を示す図である。

図１Ｂおよび図１Ｃは、例えば、薬局２０Ａが、薬局２０Ａの端末装置を利用してサービスプロバイダ１０が提供するサイトにログインした後に表示される画面である。ここでは、特定のグループ（ここでは、架空のＸＹＺ薬剤師会）に属する薬局間で在庫情報を共有するための画面が示されている。

図１Ｂおよび図１Ｃに示される画面１１は、医薬品名称入力欄１２、検索ボタン１３、および在庫情報表示欄１４を備えている。

例えば、図１Ｃに示されるように、医薬品名称入力欄１２に「ロキソニン（登録商標）錠」と入力し、検索ボタン１３をクリックすると、在庫情報表示欄１４にＸＹＺ薬剤師会に属する複数の薬局における「ロキソニン（登録商標）錠」の在庫情報が表示される。例えば、ＡＡＢＢファーマシーは、ロキソニン（登録商標）錠６０ｍｇを１４．５円／錠で販売しており、在庫を有していること、ＤＥＦ薬局は、ロキソニン（登録商標）錠６０ｍｇを１４．５円／錠で販売しており、在庫を有していないこと、おくすりＧＨＩは、ロキソニン（登録商標）錠６０ｍｇを１４．５円／錠で販売しており、在庫をあまり有していないこと、ＪＫＬ調剤薬局は、ロキソニン（登録商標）錠６０ｍｇを１４．５円／錠で販売しており、在庫を有していることが在庫情報表示欄１４に表示されている。

在庫情報表示欄１４を確認することにより、他の薬局がどの程度の在庫を有しているかを知ることができる。

このとき、例えば、薬局名を選択すると、その薬局の連絡先情報が表示されるようにしてもよい。これにより、薬局の連絡先情報を調べる手間が排除され得る。例えば、薬局名を選択すると、その薬局に購入意図を伝達するための画面に遷移するようにしてもよい。これにより、個別に連絡する手間が排除され得る。

（期限切迫品販売サービス）
新たなサービスの他の１つは、医薬品の購入可能性が高い薬局を知らせるサービスである。これは、例えば、医薬品卸業者向けのサービスである。医薬品には、使用期限があり、使用期限を過ぎた医薬品は廃棄されることになる。廃棄は損失であるためで、廃棄されるくらいなら安くでもいいから売ってしまいたいのが医薬品卸業者の常である。このサービスは、医薬品卸業者に、或る医薬品を購入する可能性の高い薬局を知らせるサービスである。医薬品卸業者は、このサービスを利用することにより、或る医薬品をどの薬局が買ってくれそうかを知ることができ、使用期限が切迫している医薬品をその薬局に割引価格で販売するようにセールス活動することができるようになる。使用期限が切迫している医薬品をやみくもにセールス活動するよりも、購入確率の高い薬局に絞ってセールス活動することにより、使用期限が切迫している医薬品が売れる可能性が高まる。これにより、使用期限が切迫している医薬品すらも流通するようになり、医薬品の効率的な流通がより促進される。

図１Ｄは、医薬品の購入可能性が高い薬局を知らせるサービスにおけるフローの一例を概略的に示す図である。図１Ｄでは、サービスプロバイダ１０’と、薬局２０と、医薬品卸業者３０との間のフローを説明する。図１Ｄでは、１つの医薬品卸業者３０しか示されていないが、医薬品卸業者３０の数は、１以上の任意の数であり得る。図１Ｄでは、２つの薬局２０Ａおよび２０Ｂしか示されていないが、薬局２０の数は、２以上の任意の数であり得る。薬局２０には、例えば、このサービスを利用している薬局全体が含まれてもよく、例えば、このサービスを利用している特定のエリア内の薬局が含まれてもよく、例えば、このサービスを利用している特定のグループ（例えば、薬剤師会等）内の薬局が含まれてもよい。

サービスプロバイダ１０’は、医薬品の購入可能性が高い薬局を知らせるサービスを提供する。サービスプロバイダ１０’は、例えば、医薬品の購入可能性が高い薬局を知らせるサービスを利用するためのネットワークサイト（例えば、インターネットサイト）を提供し、サービス利用者がそのサイトにアクセスすることを可能にする。サービスプロバイダ１０’は、図１Ａを参照して上述したサービスプロバイダ１０と異なる実体として説明されているが、サービスプロバイダ１０と同一実体であってもよい。

サービスプロバイダ１０’は、例えば、薬局間で医薬品の売買を行うためのサービスも提供することができる。サービスプロバイダ１０’は、例えばこのサービスのために、ネットショッピングサイト、または、オークションサイトを提供することができる。薬局２０は、このサービスを利用すると、容易に他の薬局と医薬品の売買を行うことができる。

薬局２０Ａおよび薬局２０Ｂは、図１Ａを参照して上述した薬局２０と同様に、例えば、このサービスを利用するために会員登録を行った薬局である。

ステップＳ１１１では、薬局２０Ａ〜２０Ｂはそれぞれ、その薬局に関する情報をサービスプロバイダ１０’に提供する。薬局に関する情報は、例えば、その薬局で扱ったレセプト（調剤報酬明細書）のデータを含む。レセプトのデータには、個人情報が含まれているため、個人情報をハッシュ化または削除したうえで、レセプトのデータをサービスプロバイダ１０’に提供することが好ましい。

薬局２０Ａ〜２０Ｂからサービスプロバイダ１０’に提供されるレセプトのデータには、例えば、「いつ」「どの医薬品を」「どのくらい」処方したかを示す情報が含まれている。レセプトのデータには、例えば、個人情報をハッシュ化された患者の情報（例えば、氏名の一部、性別、生年月日）が含まれてもよい。

薬局に関する情報は、例えば、薬局間で行われた医薬品の取引に関するデータを含む。薬局間で行われた医薬品の取引に関するデータは、例えば、サービスプロバイダ１０’が提供する薬局間で医薬品の売買を行うためのサービスを介して取得された売買に関するデータであってもよいし、例えば、サービスプロバイダ１０’が提供する薬局間で医薬品の売買を行うためのサービスとは別で行われた売買に関するデータであってもよい。薬局間で行われた医薬品の取引に関するデータは、例えば、「いくらで」「どのくらいの値引きで」「どのくらい期限が切迫している」医薬品が売買されたかの情報を含み得る。

サービスプロバイダ１０’は、薬局２０Ａ〜２０Ｂから受信した薬局に関する情報を利用して、医薬品の購入可能性が高い薬局を知らせるサービスを提供する。

ステップＳ１１２では、医薬品卸業者３０は、特定の医薬品の購入可能性が高い薬局の情報をサービスプロバイダ１０’に要求する。このとき、医薬品卸業者３０は、特定の医薬品の購入可能性が高い薬局の情報を要求する薬局の範囲を指定するようにしてもよい。例えば、このサービスを利用している薬局全体を指定するようにしてもよいし、例えば、このサービスを利用している特定のエリア内の薬局を指定するようにしてもよいし、例えば、このサービスを利用している特定のグループ（例えば、薬剤師会等）内の薬局を指定するようにしてもよいし、このサービスを利用している薬局のうち、特定の条件を満たす薬局を指定するようにしてもよい。

サービスプロバイダ１０’は、ステップＳ１１２での要求に応答して、ステップＳ１１３で、特定の医薬品の購入可能性が高い薬局の情報を医薬品卸業者３０に提供する。例えば、サービスプロバイダ１０’は、医薬品卸業者３０によって指定された範囲内の薬局のうち、特定の医薬品の購入可能性が高い薬局の情報を提供するようにしてもよい。

特定の医薬品の購入可能性が高い薬局の情報は、例えば、最も購入可能性が高い薬局の名称で表されてもよいし、購入可能性が所定の閾値（例えば５０〜８０％、例えば、６０％、７０％、８０％等）を超える可能性を有する薬局の名称で表されてもよい。特定の医薬品の購入可能性が高い薬局の情報は、例えば、医薬品卸業者３０によって指定された範囲内の薬局の全てについて、０％〜１００％の購入確率で表されてもよい。

サービスプロバイダ１０’から提供された購入可能性の情報により、医薬品卸業者３０は、複数の薬局のうち、どの薬局が特定の医薬品を買ってくれそうかを知ることができる。

例えば、購入可能性の情報が、特定の医薬品（例えば、使用期限が迫っている医薬品）について、薬局２０Ａが最も購入可能性が高いことを示す場合、ステップＳ１１４で、医薬品卸業者３０は、薬局２０Ａに対して、その医薬品のセールス活動を行うことができる。医薬品卸業者３０は、例えば、薬局２０Ａを訪問してセールス活動をしてもよいし、電話によってセールス活動をしてもよいし、ダイレクトメールによってセールス活動をしてもよい。このとき、医薬品卸業者３０は、使用期限までの日数に応じて、適宜販売価格を値引きすることが好ましい。

ステップＳ１１５で、薬局２０Ａが特定の医薬品の販売価格および使用期限の切迫状況を受け入れると、医薬品卸業者３０から薬局２０Ａにその医薬品が販売される。

このようにして、医薬品卸業者３０は、使用期限が切迫している医薬品について、その医薬品の購入確率が高い薬局に対してセールス活動することができ、使用期限が切迫している医薬品が売れる可能性を高めることができる。これにより、使用期限が切迫している医薬品すらも流通するようになり、医薬品の効率的な流通が促進される。

上述した医薬品の流通を支援するための新たなサービスは、例えば、以下に説明する医薬品の流通を支援するためのシステムによって実現され得る。

２．医薬品の流通を支援するためのシステムの構成
図２は、医薬品の流通を支援するためのシステム１００の構成の一例を示す。

システム１００は、データベース部２００に接続されている。また、システム１００は、少なくとも１つの薬局端末装置３００と、少なくとも１つの医薬品卸業者端末装置４００とにネットワーク５００を介して接続されている。

ネットワーク５００は、任意の種類のネットワークであり得る。ネットワーク５００は、例えば、インターネットであってもよいし、ＬＡＮであってもよい。ネットワーク５００は、有線ネットワークであってもよいし、無線ネットワークであってもよい。

システム１００の一例は、図１Ａおよび図１Ｄに示されるサービスプロバイダ１０または１０’に設置されているコンピュータ（例えば、サーバ装置）であるが、これに限定されない。薬局端末装置３００の一例は、図１Ａおよび図１Ｄに示される薬局２０に設置されているコンピュータ（例えば、端末装置）であるが、これに限定されない。医薬品卸業者端末装置４００の一例は、図１Ｄに示される医薬品卸業者３０に設置されているコンピュータ（例えば、端末装置）であるが、これに限定されない。ここで、コンピュータ（サーバ装置または端末装置）は、任意のタイプのコンピュータであり得る。例えば、端末装置は、スマートフォン、タブレット、パーソナルコンピュータ、スマートグラス等の任意のタイプの端末装置であり得る。

システム１００は、例えば、薬局における医薬品の在庫量または在庫レベルを予測するための機能、および／または、医薬品を購入する可能性の高い薬局を予測するため機能を有する。これらの機能のための構成は後述する。

システム１００は、さらに、薬局間で医薬品の売買を行わせるための機能を有してもよい。システム１００は、薬局間で医薬品の売買を行わせるための機能のために、公知の任意の構成を有することができる。例えば、システム１００は、いわゆるネットショッピングを可能にする公知の任意の構成を有することができ、医薬品のネットショッピングを可能にすることができる。例えば、システム１００は、いわゆるネットオークションを可能にする公知の任意の構成を有することができ、医薬品のネットオークションを可能にすることができる。システム１００は、薬局間での医薬品の売買で得られた取引データをデータベース部２００に格納することができる。

データベース部２００には、例えば、薬局端末装置３００から送信された薬局に関する情報が格納され得る。また、データベース部２００には、例えば、薬局間での医薬品の売買で得られた取引データが格納され得る。

図２に示される例では、データベース部２００は、システム１００の外部に設けられているが、本発明はこれに限定されない。データベース部２００をシステム１００の内部に設けることも可能である。このとき、データベース部２００は、システム１００のメモリ部を実装する記憶手段と同一の記憶手段によって実装されてもよいし、システム１００のメモリ部を実装する記憶手段とは別の記憶手段によって実装されてもよい。いずれにせよ、データベース部２００は、システム１００のための格納部として構成される。データベース部２００の構成は、特定のハードウェア構成に限定されない。例えば、データベース部２００は、単一のハードウェア部品で構成されてもよいし、複数のハードウェア部品で構成されてもよい。例えば、データベース部２００は、システム１００の外付けハードディスク装置として構成されてもよいし、ネットワークを介して接続されるクラウド上のストレージとして構成されてもよい。

図３は、薬局における医薬品の在庫量または在庫レベルを予測するための機能、および／または、医薬品を購入する可能性の高い薬局を予測するため機能を達成するためのシステム１００の構成の一例を示す。

システム１００は、受信手段１１０と、プロセッサ部１２０と、送信手段１３０と、メモリ部１４０とを備えている。

受信手段１１０は、システム１００の外部からデータを受信することが可能であるように構成されている。受信手段１１０は、例えば、薬局端末装置３００または医薬品卸業者端末装置４００からネットワーク５００を介してデータを受信してもよいし、システム１００に接続された記憶媒体（例えば、ＵＳＢメモリ、光ディスク等）またはデータベース部２００からデータを受信してもよい。受信手段１１０によって受信されたデータは、後続処理のためにプロセッサ部１２０に渡される。

受信手段１１０は、例えば、データベース部２００に格納されている薬局に関する情報を受信する。薬局に関する情報は、例えば、レセプトのデータを含む。薬局に関する情報は、例えば、薬局間で行われた医薬品の取引に関するデータも含む。薬局に関する情報は、例えば、薬局の連絡先情報も含み得る。

受信手段１１０は、例えば、特定の医薬品の在庫情報のリクエストを薬局端末装置３００からネットワーク５００を介して受信するようにしてもよい。受信手段１１０は、例えば、特定の医薬品の購入可能性の情報のリクエストを医薬品卸業者端末装置４００からネットワーク５００を介して受信するようにしてもよい。

プロセッサ部１２０は、システム１００全体の動作を制御する。プロセッサ１２０は、メモリ部１４０に格納されているプログラムを読み出し、そのプログラムを実行する。これにより、システム１００を所望のステップを実行する装置として機能させることが可能である。プロセッサ部１２０は、単一のプロセッサによって実装されてもよいし、複数のプロセッサによって実装されてもよい。プロセッサ部１２０によって処理されたデータは、送信手段１３０に渡される。

プロセッサ部１２０は、予測手段１２１を少なくとも備える。

予測手段１２１は、例えば、受信手段１１０が受信した薬局に関する情報に基づいて、予測するように構成されている。

例えば、予測手段１２１は、受信手段１１０が受信した薬局に関する情報に基づいて薬局における医薬品の在庫量または在庫レベルを予測するように構成され得る。

一実施形態において、予測手段１２１は、例えば、機械学習によって薬局における医薬品の在庫量または在庫レベルを予測することができる。予測手段１２１は、例えば、サポートベクターマシン（ＳＶＭ）を利用した機械学習によって薬局における医薬品の在庫量または在庫レベルを予測するようにしてもよい。サポートベクターマシンは、受信手段１１０が受信したデータを使用して予め学習処理がなされた学習済みモデルを利用する。

予測手段１２１は、例えば、ニューラルネットワークを利用した機械学習によって薬局における医薬品の在庫量または在庫レベルを予測するようにしてもよい。

図４は、予測手段１２１が利用し得るニューラルネットワーク１２１０の構造の一例を示す。

ニューラルネットワーク１２１０は、入力層と、少なくとも１つの隠れ層と、出力層とを有する。ニューラルネットワーク１２１０の入力層のノード数は、入力されるデータの次元数に対応する。ニューラルネットワーク１２１０の出力層のノード数は、出力されるデータの次元数に対応する。ここでは、出力されるデータは、医薬品の在庫量であるかまたは医薬品の在庫レベルであるため、出力層のノード数は１である。ニューラルネットワーク３００の隠れ層は、任意の数のノードを含むことができる。

ニューラルネットワーク１２１０は、受信手段１１０が受信したデータを使用して予め学習処理がなされ得る。学習処理は、受信手段１１０が受信したデータを使用して、ニューラルネットワーク１２１０の隠れ層の各ノードの重み係数を計算する処理である。学習処理では、例えば、所定期間内の薬局に関する情報（例えば、特定の医薬品の「最終調剤日」、特定の医薬品の「調剤回数」、特定の医薬品を調剤された「患者数」、特定の医薬品の「価格」、特定の医薬品の「薬価収集医薬品コードの薬効分類番号」）を入力用教師データとし、その所定期間後の在庫量または在庫レベルを出力用教師データとして、複数の所定期間のデータを使用してニューラルネットワーク１２１０の隠れ層の各ノードの重み係数を計算する。特定の医薬品の「最終調剤日」、特定の医薬品の「調剤回数」、特定の医薬品を調剤された「患者数」、特定の医薬品の「価格」、特定の医薬品の「薬価収集医薬品コードの薬効分類番号」は、例えば、レセプトのデータを集計して得られるデータであってもよいし、別のソースから得られるデータであってもよい。ここでいう「患者数」は、正確な値ではなく推定値であることが想定される。レセプトのデータでは、個人情報がハッシュ化または削除されており、正確な患者数を導出できないからである。例えば、同姓同名で、同一生年月日の二人の患者の情報は同様の態様でハッシュ化されるため、レセプトのデータを集計して得られるデータでは、一人の患者として扱われ得る。

例えば、出力用教師データは、或る閾値を基準として、実際の在庫量または在庫レベルが閾値より多ければ「１」とし、閾値以下であれば「０」とすることができる。これにより、学習済のニューラルネットワーク１２１０は、０〜１の値を出力するようになる。出力された０〜１の値は、在庫レベルを表し得る。ここで、或る閾値は、医薬品ごとに適宜定められ得る値である。

例えば、出力用教師データは、実際の在庫量を表す数値とすることができる。これにより、学習済のニューラルネットワーク１２１０は、数値で出力するようになる。出力された数値は、在庫量を表し得る。

例えば、所定期間を１月とすると、（入力用教師データ，出力用教師データ）の組は、（過去１月間の薬局に関する情報，現在の在庫量または在庫レベル）、（過去１月〜過去２月間の薬局に関する情報，過去１月前の在庫量または在庫レベル）、（過去２月〜過去３月間の薬局に関する情報，過去２月前の在庫量または在庫レベル）・・・等であり得る。

このような学習済のニューラルネットワーク１２１０の入力層に、運用段階で得られた現在〜過去１月間の薬局に関する情報を入力すると、出力層に現在の在庫量または在庫レベルが出力され得る。

例えば、特定の医薬品の「最終調剤日」を入力データに用いることにより、その医薬品を最近調剤したか否か等を考慮して在庫量または在庫レベルを予測するようになる。これは、薬剤師が経験上行っている在庫管理に通じており、高精度の予測につながる。例えば、特定の医薬品の「最終調剤日」に加えて、特定の医薬品の「調剤回数」も入力データに用いることにより、その医薬品の調剤頻度等を考慮して在庫量または在庫レベルを予測するようになる。これも、薬剤師が経験上行っている在庫管理に通じており、高精度の予測につながる。例えば、特定の医薬品の「最終調剤日」および「調剤回数」に加えて、特定の医薬品を調剤された「患者数」もさらに入力データに用いることによって、多くの患者が必要としている医薬品であるか否か等を考慮した予測をすることができるようになる。これも、薬剤師が経験上行っている在庫管理に通じており、高精度の予測につながる。

上述した例では所定期間を１月としたが、特定の期間は、例えば、１週間、１月、３月、６月、１年等の任意の期間であり得る。

学習に用いられる薬局に関する情報をシステム１００が受信するタイミングは問わない。例えば、システム１００は、定期的（例えば、上記所定期間毎）に薬局に関する情報を薬局端末装置３００から受信するようにしてもよいし、不定期に（例えば、薬局において医薬品が調剤され、レセプトのデータが薬局端末装置３００に入力されたとき）に薬局に関する情報を薬局端末装置３００から受信するようにしてもよい。例えば、システム１００は、一度学習処理が完了した後は、学習に用いられる薬局に関する情報を受信しないようにしてもよいし、学習済モデルの更新のために、学習に用いられる薬局に関する情報を受信するようにしてもよい。

別の実施形態において、予測手段１２１は、例えば、統計分析、例えば、回帰分析によって医薬品の在庫量または在庫レベルを予測することができる。回帰分析は、例えば、単回帰分析である。例えば、過去の在庫量の推移に基づいて、単回帰分析を行って回帰式を求めることにより、医薬品の在庫量を予測することができ、あるいは、過去の在庫レベルの推移に基づいて、単回帰分析を行って回帰式を求めることにより、医薬品の在庫レベルを予測することができる。回帰分析は、例えば、重回帰分析であり得る。単回帰分析よりも、重回帰分析の方が高精度で医薬品の在庫量または在庫レベルを予測することができる点で好ましい。例えば、過去の在庫量または在庫レベルの推移に加えて、薬局に関する情報（例えば、特定の医薬品の「最終調剤日」、特定の医薬品の「調剤回数」、特定の医薬品を調剤された「患者数」、特定の医薬品の「価格」、特定の医薬品の「薬価収集医薬品コードの薬効分類番号」）に基づいて、重回帰分析を行って回帰式を求めることにより、医薬品の在庫量または在庫レベルを予測することができる。

予測手段１２１は、上述した例で挙げられた薬局に関する情報の他に、薬局に関する他の任意の情報を用いて学習処理をなされることができる。薬局に関する他の任意の情報は、例えば、データベース部２００に格納されている情報であってもよいし、薬局端末装置３００から受信される情報であってもよい。

プロセッサ部１２０は、例えば、予測手段１２１によって予測された医薬品の在庫量を、ユーザが容易に認識可能な情報（例えば、在庫レベル）に変換する処理をさらに行うようにしてもよい。例えば、プロセッサ部１２０は、予測手段１２１によって予測された医薬品の在庫量を、「○」（在庫を有している）、「△」（在庫があまりない）、「×」（在庫がない）のいずれかに変換することができる。このとき、プロセッサ部１２０は、例えば、０≦予測された医薬品の在庫量＜０．３の場合に「×」に変換し、０．３≦予測された医薬品の在庫量＜０．７の場合に「△」に変換し、０．７≦予測された医薬品の在庫量≦１の場合に「○」に変換する。なお、これらの数値および記号は一例であり、任意の数値および記号を用いることができる。

プロセッサ部１２０は、例えば、予測手段１２１によって予測された医薬品の在庫レベルを、ユーザが容易に認識可能な情報（例えば、在庫量）に変換する処理をさらに行うようにしてもよい。例えば、プロセッサ部１２０は、予測手段１２１によって予測された医薬品の在庫レベルに所定の係数を乗じて、在庫量を算出することができる。例えば、所定の係数は、その薬局のその医薬品の最大在庫量であり、プロセッサ部１２０は、予測された医薬品の在庫レベルに最大在庫量を乗じることにより、在庫量を算出することができる。

プロセッサ部１２０は、例えば、予測手段１２１によって予測された医薬品の在庫量または在庫レベルに基づいて、複数の薬局のうち、在庫を有している少なくとも１つの薬局を決定する処理を行うようにしてもよい。例えば、プロセッサ部１２０は、予測手段１２１からの出力が所定の閾値を超える少なくとも１つの薬局を、在庫を有している薬局として決定することができる。このとき、所定の閾値は、固定値であってもよいし、変動値であってもよい。変動値である場合には、例えば、医薬品ごとに変動する値であり得る。

予測手段１２１は、例えば、受信手段１１０が受信した薬局に関する情報に基づいて薬局における医薬品の在庫量または在庫レベルを予測することに加えて、または、受信手段１１０が受信した薬局に関する情報に基づいて薬局における医薬品の在庫量または在庫レベルを予測することに代えて、受信手段１１０が受信した薬局に関する情報に基づいて薬局が特定の医薬品を購入する確率を予測するように構成され得る。

一実施形態において、予測手段１２１は、例えば、機械学習によって医薬品の購入確率を予測することができる。予測手段１２１は、例えば、サポートベクターマシン（ＳＶＭ）を利用した機械学習によって医薬品の購入確率を予測するようにしてもよい。サポートベクターマシンは、受信手段１１０が受信したデータを使用して予め学習処理がなされた学習済みモデルを利用する。

予測手段１２１は、例えば、ニューラルネットワークを利用した機械学習によって医薬品の購入確率を予測するようにしてもよい。例えば、予測手段１２１は、図４に示されるニューラルネットワーク１２１０と同様の構造を有するニューラルネットワークを利用し得る。

学習処理では、例えば、所定期間内の薬局に関する情報（例えば、特定の医薬品の「最終調剤日」、特定の医薬品の「調剤回数」、特定の医薬品を調剤された「患者数」、特定の医薬品の「薬価収集医薬品コードの薬効分類番号」、特定の医薬品の「価格情報」、特定の医薬品の「有効期限からの残日数」、特定の医薬品の「状態」）を入力用教師データとし、その所定期間内にその薬局がその医薬品を購入したか否かを出力用教師データとして、複数の所定期間のデータを使用してニューラルネットワークの隠れ層の各ノードの重み係数を計算する。特定の医薬品の「最終調剤日」、特定の医薬品の「調剤回数」、特定の医薬品を調剤された「患者数」、特定の医薬品の「薬価収集医薬品コードの薬効分類番号」は、例えば、レセプトのデータを集計して得られるデータであってもよいし、別のソースから得られるデータであってもよい。ここでいう「患者数」は、正確な値ではなく推定値であることが想定される。レセプトのデータでは、個人情報がハッシュ化または削除されており、正確な患者数を導出できないからである。特定の医薬品の「価格情報」、特定の医薬品の「有効期限からの残日数」、特定の医薬品の「状態」は、例えば、薬局間で行われた医薬品の取引に関するデータを集計して得られるデータであってもよいし、別のソースから得られるデータであってもよい。ここでいう医薬品の「価格情報」は、医薬品の価格に関する情報であり得、例えば、医薬品の価格（例えば、卸値）、医薬品の価格に対する値引き額、医薬品の価格に対する値引き率のうちの少なくとも１つを含み得る。

出力用教師データは、所定期間内に、その薬局がその医薬品を購入した場合に「１」とし、購入しなかった場合に「０」とすることができる。これにより、学習済のニューラルネットワークは、０〜１の値を出力するようになる。薬局が医薬品を購入したか否かは、例えば、薬局間で行われた医薬品の取引に関するデータから判定することができる。例えば、薬局間で行われた医薬品の取引に関するデータは、取引が成立したときに生成される、医薬品を購入した薬局名を示すデータを含むことができ、このデータを参照することにより、薬局が医薬品を購入したか否かを判定することができる。

例えば、所定期間を１月とすると、（入力用教師データ，出力用教師データ）の組は、（過去１月間の薬局に関する情報，過去１月間内にその薬局が特定の医薬品を購入したか否か）、（過去１月〜過去２月間の薬局に関する情報，過去１月〜過去２月間内にその薬局が特定の医薬品を購入したか否か）、（過去２月〜過去３月間の薬局に関する情報，過去１月〜過去２月間内にその薬局が特定の医薬品を購入したか否か）・・・等であり得る。

このような学習済のニューラルネットワークの入力層に、運用段階で得られた現在〜過去１月間の薬局に関する情報を入力すると、出力層に現在の薬局が医薬品を購入する確率が出力され得る。

例えば、特定の医薬品の「最終調剤日」、特定の医薬品の「調剤回数」、および特定の医薬品の「価格情報」を入力データに用いることにより、その医薬品が回転率の良い医薬品であるか否か、その医薬品の価格は安いのか否か等を考慮して医薬品の購入確率を予測するようになる。これは、医薬品卸業者および薬剤師が経験上行っている医薬品取引に通じており、高精度の予測につながる。例えば、上記に加えて、特定の医薬品を調剤された「患者数」もさらに入力データに用いることによって、多くの患者が必要としている医薬品であるか否か、すなわち、その医薬品が回転率の良い医薬品であるか否か等を考慮した予測をすることができるようになる。例えば、上記に加えて、特定の医薬品の「有効期限からの残日数」も入力データに用いることにより、その医薬品が期間切迫品であるか否か等を考慮して医薬品の購入確率を予測するようになる。これにより、期間切迫品であっても購入してくれそうな薬局を予測することが可能になる。

上述した例では所定期間を１月としたが、特定の期間は、例えば、１週間、１月、３月、６月、１年等の任意の期間であり得る。

学習に用いられる薬局に関する情報をシステム１００が受信するタイミングは問わない。例えば、システム１００は、定期的（例えば、上記所定期間毎）に薬局に関する情報を薬局端末装置３００から受信するようにしてもよいし、不定期に（例えば、薬局において医薬品が調剤され、レセプトのデータが薬局端末装置３００に入力されたとき、薬局から医薬品の販売の申出があったとき、薬局間で医薬品の取引が行われたとき等）に薬局に関する情報を薬局端末装置３００から受信するようにしてもよい。例えば、システム１００は、一度学習処理が完了した後は、学習に用いられる薬局に関する情報を受信しないようにしてもよいし、学習済モデルの更新のために、学習に用いられる薬局に関する情報を受信するようにしてもよい。

別の実施形態において、予測手段１２１は、例えば、統計分析、例えば、回帰分析によって医薬品の購入確率を予測することができる。回帰分析は、例えば、単回帰分析である。例えば、過去の医薬品の価格の推移に基づいて、単回帰分析を行って回帰式を求めることにより、医薬品の購入確率を予測することができる。回帰分析は、例えば、重回帰分析であり得る。単回帰分析よりも、重回帰分析の方が高精度で医薬品の購入確率を予測することができる点で好ましい。例えば、過去の医薬品の価格の推移に加えて、薬局に関する情報（例えば、特定の医薬品の「最終調剤日」、特定の医薬品の「調剤回数」、特定の医薬品を調剤された「患者数」、特定の医薬品の「薬価収集医薬品コードの薬効分類番号」、特定の医薬品の「価格情報」、特定の医薬品の「有効期限からの残日数」、特定の医薬品の「状態」）に基づいて、重回帰分析を行って回帰式を求めることにより、医薬品の購入確率を予測することができる。

予測手段１２１は、上述した例で挙げられた薬局に関する情報の他に、薬局に関する他の任意の情報を用いて学習処理をなされることができる。薬局に関する他の任意の情報は、例えば、データベース部２００に格納されている情報であってもよいし、薬局端末装置３００および／または医薬品卸業者端末装置４００から受信される情報であってもよい。

プロセッサ部１２０は、例えば、予測手段１２１によって予測された医薬品の購入確率に基づいて、複数の薬局のうち、購入確率が最も高い薬局を決定する処理をさらに行うようにしてもよい。あるいは、プロセッサ部１２０は、例えば、予測手段１２１によって予測された医薬品の購入確率に基づいて、複数の薬局のうち、購入確率が所定の閾値を超える少なくとも１つの薬局を決定する処理をさらに行うようにしてもよい。このとき、所定の閾値は、固定値であってもよいし、変動値であってもよい。変動値である場合には、例えば、医薬品ごとに変動する値であり得る。

再び図３を参照して、出力手段１３０は、システム１００の外部にデータを出力することが可能であるように構成されている。出力手段１３０がどのような態様でシステム１００から情報を出力することを可能にするかは問わない。例えば、出力手段１３０がデータ書き込み装置である場合、システム１００に接続された記憶媒体またはデータベース部２００に情報を書き込むことによって情報を出力するようにしてもよい。あるいは、出力手段１３０が送信器である場合、送信器がネットワーク５００を介してシステム１００の外部に（例えば、薬局端末装置３００および／または医薬品卸業者端末装置４００に）情報を送信することにより出力してもよい。出力手段１３０は、ローカルに情報を出力してもよく、例えば、出力手段１３０が表示画面である場合、表示画面に情報を出力するようにしてもよいし、出力手段１３０がスピーカである場合には、スピーカからの音声によって情報を出力するようにしてもよい。

出力手段１３０は、例えば、プロセッサ部１２０の予測手段１２１によって予測された薬局における医薬品の在庫量または在庫レベルを示す情報を出力し得る。出力手段１３０は、例えば、予測手段１２１からの出力、例えば、０〜１の値または他の数値をそのまま出力するようにしてもよいし、プロセッサ部１２０がユーザが容易に認識可能な情報（例えば、在庫レベル）に変換したものを出力するようにしてもよい。出力手段１３０は、例えば、薬局における医薬品の在庫レベルを示す情報を「○」（在庫を有している）、「△」（在庫があまりない）、「×」（在庫がない）のいずれかで出力することができる。出力手段１３０は、例えば、複数の薬局のうち、在庫を有していると決定された薬局情報（例えば、薬局名）を出力するようにしてもよい。例えば、上述した例で「○」または「△」を示す薬局の情報を出力するようにしてもよいし、医薬品の在庫レベルが「○」を示す薬局の情報のみを出力するようにしてもよい。

出力手段１３０が予測手段１２１からの出力をそのまま出力する場合には、出力を受信した装置、例えば、薬局端末装置３００がユーザが容易に認識可能な情報に変換するようにしてもよい。

出力手段１３０は、例えば、プロセッサ部１２０の予測手段１２１によって予測された医薬品の購入確率に基づいて決定された、医薬品の購入確率が高い薬局を示す情報を出力し得る。出力手段１３０は、例えば、複数の薬局のうち購入確率が最も高い薬局の情報（例えば、薬局名）を出力するようにしてもよい。あるいは、出力手段１３０は、例えば、複数の薬局のうち購入確率が所定の閾値を超える少なくとも１つの薬局の情報（例えば、薬局名）を出力するようにしてもよい。

出力手段１３０は、例えば、プロセッサ部１２０の予測手段１２１によって予測された医薬品の購入確率をそのまま出力するようにしてもよい。この場合、出力を受信した装置、例えば、医薬品卸業者端末装置４００が医薬品の購入確率が高い薬局を決定することができる。

メモリ部１４０には、システム１００における処理を実行するためのプログラムやそのプログラムの実行に必要とされるデータ等が格納されている。メモリ部１４０には、例えば、薬局における医薬品の在庫量または在庫レベルを予測するための処理のためのプログラム（例えば、後述する図６に示される処理を実現するプログラム）および／または複数の薬局のうち、医薬品を購入する可能性の高い薬局を予測するための処理のためのプログラム（例えば、後述する図７に示される処理を実現するプログラム）が格納されている。メモリ部１４０には、任意の機能を実装するアプリケーションが格納されていてもよい。例えば、薬局間で医薬品の売買を行わせるための機能のためのプログラムが格納され得る。例えば、データベース部に格納されたデータを集計して薬局に関する情報を取得するためのプログラムが格納され得る。例えば、受信した薬局に関する情報に基づいて、学習済モデルを構築するためのプログラムが格納され得る。ここで、プログラムをどのようにしてメモリ部１４０に格納するかは問わない。例えば、プログラムは、メモリ部１４０にプリインストールされていてもよい。あるいは、プログラムは、ネットワーク５００を経由してダウンロードされることによってメモリ部１４０にインストールされるようにしてもよい。メモリ部１４０は、任意の記憶手段によって実装され得る。

図３に示される例では、システム１００の各構成要素がシステム１００内に設けられているが、本発明はこれに限定されない。システム１００の各構成要素のいずれかがシステム１００の外部または遠隔に設けられることも可能である。例えば、プロセッサ部１２０、メモリ部１４０のそれぞれが別々のハードウェア部品で構成されている場合には、各ハードウェア部品が任意のネットワークを介して接続されてもよい。このとき、ネットワークの種類は問わない。各ハードウェア部品は、例えば、ＬＡＮを介して接続されてもよいし、無線接続されてもよいし、有線接続されてもよい。システム１００は、特定のハードウェア構成には限定されない。例えば、プロセッサ部１２０をデジタル回路ではなくアナログ回路によって構成することも本発明の範囲内である。システム１００の構成は、その機能を実現できる限りにおいて上述したものに限定されない。

上述した例では、プロセッサ１２０の予測手段１２１が、薬局における医薬品の在庫量または在庫レベルを予測するように構成されることに加えて、またはこれに代えて、受信手段１１０が受信した薬局に関する情報に基づいて薬局が特定の医薬品を購入する確率を予測するように構成されることを説明したが、本発明はこれに限定されない。薬局における医薬品の在庫量または在庫レベルを予測するための構成および薬局が特定の医薬品を購入する確率を予測する構成が、複数のプロセッサ部に分散される構成も本発明の範囲内である。このとき複数のプロセッサ部は、同一場所に存在する必要はなく、相互に遠隔に存在し得る。

図５Ａは、データベース部２００に格納されている薬局に関する情報の構成一例を示す。図５Ａでは、薬局端末装置３００から受信されるレセプトのデータから、レセプト毎に生成されるデータ５１０の一例を示す。

システム１００は、薬局端末装置３００からレセプトのデータを受信する度に、そのレセプト毎にＩＤを付与してデータ５１０を生成する。生成されたデータ５１０は、データベース部２００に送られ、レセプト毎に格納される。各データ５１０は、created_at、amount、days、dosage、dispensing_date、fake_pt、medicine_code等の項目を有する。amountは、処方された医薬品の量を示し、daysにdosageを乗じた数である。daysは、処方日数を示している。dosageは、１日服用量を示している。dispensing_dateは、調剤日を示し、患者に医薬品が渡された日を表している。fake_ptは、患者の氏名の一部、性別、生年月日をハッシュ化することによって生成されたハッシュ値を示す。medicine_codeは、レセプト電算処理システム用コードであり、医薬品の種類を示す。

図５Ｂは、データベース部２００に格納されている薬局に関する情報の構成一例を示す。図５Ｂでは、データ５１０から、薬局毎かつ医薬品毎に生成されるデータ５２０の一例を示す。

データ５１０が生成されると、システム１００は、薬局毎かつ医薬品毎にデータ５２０を生成し、または、データ５２０を更新する。生成または更新されたデータ５２０は、データベース部２００に送られ、薬局毎かつ医薬品毎に格納される。各データ５２０は、medicine_code、pharmacy_id、dispensing_date、fake_pt、recept_rx_key、status等の項目を有する。medicine_codeは、レセプト電算処理システム用コードであり、医薬品の種類を示す。pharmacy_idは、薬局毎に割り当てられたＩＤを示す。dispensing_dateは、患者に医薬品が渡された日のリストを示す。fake_ptは、患者の氏名の一部、性別、生年月日をハッシュ化することによって生成されたハッシュ値のリストを示す。recept_rx_keyは、データ５２０が基づいたデータ５１０のＩＤのリストを示す。ここでは、例えば、ＩＤ：02bd0c09e-42c5-610463198のデータ５２０が、ＩＤ：1a2b3c4のデータ５１０、ＩＤ：3ss45s1のデータ５１０、ＩＤ：6rt98j3のデータ５１０・・・に基づいて生成／更新されたことを示している。statusは、医薬品の在庫状態を示し、例えば、IN_USE（回転在庫）、RESERVED（不動在庫）、NO_STOCK（在庫なし）のいずれかの状態を示し得る。

図５Ｃは，データベース部２００に格納されている薬局に関する情報の構成一例を示す。図５Ｃでは、薬局間で行われる医薬品の取引において生成されるデータであって、販売に出された医薬品毎に生成されるデータ５３０の一例を示す。

薬局端末装置３００から医薬品の販売の申出があると、システム１００は、その医薬品の取引についてのデータ５３０を医薬品毎に生成する。生成されたデータ５３０は、データベース部２００に送られ、医薬品毎に格納される。データ５３０は、取引の状況に応じて更新され得る。各データ５２０は、created_at、medicine_code、medicine_price、discount_price、discount_rate、expiration_date、condition、status、buyer_pharmacy_id等の項目を有する。created_atは、医薬品が販売に出された日時を示す。medicine_codeは、レセプト電算処理システム用コードであり、医薬品の種類を示す。medicine_priceは、販売に出された価格を示す。これは、例えば、薬価（例えば、医薬品卸業者から提供される卸値）と、discount_priceの分だけ異なり得る。discount_priceは、薬価（例えば、卸値）に対する値下げ額を示す。discount_rateは、薬価（例えば、卸値）に対する値下げ率（％）を示す。expiration_dateは、医薬品の使用期限月の初日を示す。conditionは、医薬品の状態を示し、例えば、USED（パッケージ開封済）およびNEW（新品）のいずれかの状態を示し得る。statusは、取引の状態を示し、例えば、OPEN（販売中）、DEALING（購入手続中）、CLOSE（取引終了）、CANCEL（取り消し）のいずれかの状態を示し得る。buyer_pharmacy_idは、取引において医薬品を購入した薬局のＩＤを示す。まだ購入されていないときはnullが格納される。buyer_pharmacy_idの値を参照することによって、その医薬品が取引において購入されたか否かを判断することができる。buyer_pharmacy_idの値は、医薬品の購入確率を予測するためのモデルに学習処理を施すときの出力用教師データのために利用され得る。

上述したデータの例は一例であり、データベース部２００は、他の任意のデータを格納し得る。

３．医薬品の流通を支援するためのシステムの処理
図６は、医薬品の流通を支援するためのシステム１００における処理の一例を示す。図６に示される例では、薬局における医薬品の在庫量または在庫レベルを予測するための処理６００を説明する。

ステップＳ６０１では、システム１００の受信手段１１０が、薬局に関する情報を受信する。薬局に関する情報は、例えば、データベース部２００に格納されており、受信手段１１０は、データベース部２００から薬局に関する情報を受信する。薬局に関する情報は、例えば、ネットワーク５００を介してシステム１００の外部から受信されるようにしてもよい。

受信手段１１０は、受信した薬局に関する情報をプロセッサ部１２０に渡し、プロセッサ部１２０は、薬局に関する情報を受信する。

薬局に関する情報は、例えば、特定の医薬品について、最終調剤日、調剤回数、患者数、価格、薬価収集医薬品コードの薬効分類番号を含み得るが、これらに限定されない。

薬局に関する情報は、例えば、データベース部２００に格納されているデータ５２０を集計して算出されるデータであってもよい。例えば、最終調剤日は、dispensing_dateの項目内の最新の日時から算出され得る。例えば、調剤回数は、recept_rx_keyの項目内のＩＤの数を数えることによって算出され得る。例えば、患者数は、fake_ptの項目内のハッシュ値の数を数えることによって算出され得る。

薬局に関する情報を算出する処理は、例えば、システム１００のプロセッサ１２０によって行われてもよいし、プロセッサ１２０とは別個のプロセッサによって行われてもよいし、システム１００の外部で行われてもよい。システム１００のプロセッサ１２０または別個のプロセッサによって行われる場合、例えば、受信手段１１０が受信したレセプトのデータから薬局に関する情報が算出される。

プロセッサ部１２０が薬局に関する情報を受信すると、ステップＳ６０２では、プロセッサ部１２０の予測手段１２１の予測手段１２１が、薬局に関する情報に基づいて、薬局における医薬品の在庫量または在庫レベルを予測する。

予測手段１２１は、例えば、機械学習によって薬局における医薬品の在庫量または在庫レベルを予測する。利用される学習済モデルは、薬局に関する情報に基づいて学習処理がなされたモデルであり得る。学習済モデルは、複数の薬局のそれぞれに対して個別に構築された専用学習済モデルであってもよいし、複数の薬局全体のために構築された汎用学習済モデルであってもよい。専用学習済モデルは、その薬局に関する情報に基づいて学習処理を施されているので、その薬局に特化した予測をすることができ、精度が、汎用学習済モデルより高いが、コストも汎用学習済モデルより高い。

機械学習は、例えば、サポートベクターマシン（ＳＶＭ）を利用した機械学習であってもよいし、ニューラルネットワークを利用した機械学習であってもよい。例えば、ニューラルネットワークを利用する場合、薬局に関する情報を学習済のニューラルネットワークの入力層に入力すると、医薬品の在庫量または在庫レベルが出力層に出力され得る。

予測手段１２１は、例えば、機械学習に代えて、任意の統計分析、例えば、回帰分析によって薬局における医薬品の在庫量または在庫レベルを予測することができる。

医薬品の在庫量または在庫レベルが予測されると、プロセッサ部１２０は、医薬品の在庫量または在庫レベルを示す情報を出力手段１４０に渡し、ステップＳ６０３では、出力手段１４０が医薬品の在庫量または在庫レベルを示す情報を出力する。

プロセッサ部１２０は、予測手段１２１によって予測された医薬品の在庫量を、ユーザが容易に認識可能な情報(例えば、在庫レベル）に変換する処理を行ったうえで、ユーザが容易に認識可能な情報を出力手段１４０に渡すようにしてもよいし、プロセッサ部１２０は、予測手段１２１によって予測された医薬品の在庫レベルを、ユーザが容易に認識可能な情報(例えば、在庫量）に変換する処理を行ったうえで、ユーザが容易に認識可能な情報を出力手段１４０に渡すようにしてもよい。ユーザが容易に認識可能な情報は、例えば、○△×等の段階的な指標であってもよいし、絶対在庫量を示す数値であってもよいし、在庫を有している薬局の情報（例えば、薬局名）であってもよい。

複数の薬局のそれぞれについて、ステップＳ６０１〜ステップＳ６０３を繰り返すことにより、複数の薬局のそれぞれについての在庫量または在庫レベルを示す情報を出力することができる。これにより、複数の薬局の在庫量または在庫レベルを相互に比較することができるようになる。

ステップＳ６０１〜ステップＳ６０３では、薬局に関する情報は、医薬品の入荷に関する情報を含む必要がない。従って、薬局では、例えば、レセプトのデータを管理しさえすれば医薬品の入荷に関する情報を管理する必要がなく、薬局での医薬品の在庫管理が単純化される。

ステップＳ６０１〜ステップＳ６０３を行った後に、上述した学習処理と同様の処理を行うことにより、上述した学習モデルを更新するようにしてもよい。これにより、学習モデルが薬局の状態の経時的変化に対応するように調節され、予測の精度を向上させることができる。

上述した処理６００の各ステップＳ６０１〜ステップＳ６０３が行われるタイミングは問わない。例えば、薬局端末装置３００から在庫情報のリクエストを受信したことに応答して、ステップＳ６０１〜ステップＳ６０３を行うようにすることができる。例えば、定期的（例えば、１時間、１２時間、１日、１週間、１月、３月、６月、１年等）または不定期（例えば、薬局において医薬品が調剤され、レセプトのデータが薬局端末装置３００に入力されたとき）にステップＳ６０１が行われることにより、システム１００の受信手段１１０が薬局に関する情報を受信しておき、薬局端末装置３００から在庫情報のリクエストを受信したことに応答して、そのときに受信してある薬局に関する情報を用いて、ステップＳ６０２およびステップＳ６０３を行うようにすることができる。例えば、定期的（例えば、１時間、１２時間、１日、１週間、１月、３月、６月、１年等）または不定期（例えば、薬局において医薬品が調剤され、レセプトのデータが薬局端末装置３００に入力されたとき）にステップＳ６０１〜ステップＳ６０２が行われることにより、システム１００の予測手段１２１が医薬品の在庫量または在庫レベルを予測しておき、薬局端末装置３００から在庫情報のリクエストを受信したことに応答して、そのときに予測してある医薬品の在庫量または在庫レベルを示す情報を出力するように、ステップＳ６０３を行うようにすることができる。

図７は、医薬品の流通を支援するためのシステム１００における処理の一例を示す。図７に示される例では、複数の薬局のうち、医薬品を購入する可能性の高い薬局を予測するための処理７００を説明する。

ステップＳ７０１では、システム１００の受信手段１１０が、薬局に関する情報を受信する。薬局に関する情報は、例えば、データベース部２００に格納されており、受信手段１１０は、データベース部２００から薬局に関する情報を受信する。薬局に関する情報は、例えば、ネットワーク５００を介してシステム１００の外部から受信されるようにしてもよい。

受信手段１１０は、受信した薬局に関する情報をプロセッサ部１２０に渡し、プロセッサ部１２０は、薬局に関する情報を受信する。

薬局に関する情報は、例えば、特定の医薬品について、最終調剤日、調剤回数、患者数、価格情報（例えば、価格、価格に対する値引き額、価格に対する値引き率）、有効期限からの残日数、状態、薬価収集医薬品コードの薬効分類番号を含み得るが、これらに限定されない。

薬局に関する情報は、例えば、データベース部２００に格納されているデータ５２０を集計して算出されるデータであってもよい。例えば、最終調剤日は、dispensing_dateの項目内の最新の日時から決定され得る。例えば、調剤回数は、recept_rx_keyの項目内のＩＤの数を数えることによって決定され得る。例えば、患者数は、fake_ptの項目内のハッシュ値の数を数えることによって決定され得る。

薬局に関する情報は、例えば、データベース部２００に格納されているデータ５３０を集計して算出されるデータであってもよい。例えば、価格情報のうちの価格は、medicine_priceの項目の値にdiscount_priceの項目の値を加算することによって算出される。例えば、価格情報のうちの価格に対する値引き額は、discount_priceの項目の値から算出される。例えば、価格情報のうちの価格に対する値引き率は、discount_rateの項目の値から算出される。例えば、有効期限からの残日数は、expiration_dateの項目の日時と現在の日時との差分を取ることによって算出される。

薬局に関する情報を算出する処理は、例えば、システム１００のプロセッサ１２０によって行われてもよいし、プロセッサ１２０とは別個のプロセッサによって行われてもよいし、システム１００の外部で行われてもよい。システム１００のプロセッサ１２０または別個のプロセッサによって行われる場合、例えば、受信手段１１０が受信したレセプトのデータおよび／または薬局間で行われた医薬品の取引に関するデータから薬局に関する情報が算出される。

プロセッサ部１２０が、複数の薬局のそれぞれについて薬局に関する情報を受信すると、ステップＳ７０２では、プロセッサ部１２０の予測手段１２１の予測手段１２１が、複数の薬局のそれぞれについて、薬局に関する情報に基づいて、薬局が医薬品を購入する確率を予測する。

予測手段１２１は、例えば、機械学習によって薬局が医薬品を購入する確率を予測する。利用される学習済モデルは、薬局に関する情報に基づいて学習処理がなされたモデルであり得る。学習済モデルは、複数の薬局のそれぞれに対して個別に構築された専用学習済モデルであってもよいし、複数の薬局全体のために構築された汎用学習済モデルであってもよい。専用学習済モデルは、その薬局に関する情報に基づいて学習処理を施されているので、その薬局に特化した予測をすることができ、精度が、汎用学習済モデルより高いが、コストも汎用学習済モデルより高い。

機械学習は、例えば、サポートベクターマシン（ＳＶＭ）を利用した機械学習であってもよいし、ニューラルネットワークを利用した機械学習であってもよい。例えば、ニューラルネットワークを利用する場合、薬局に関する情報を学習済のニューラルネットワークの入力層に入力すると、薬局が医薬品を購入する確率が出力層に出力され得る。

予測手段１２１は、例えば、機械学習に代えて、任意の統計分析、例えば、回帰分析によって薬局が医薬品を購入する確率を予測することができる。

薬局が医薬品を購入する確率が予測されると、プロセッサ部１２０は、医薬品を購入する確率が高い薬局を示す情報を出力手段１４０に渡し、ステップＳ７０３では、出力手段１４０が医薬品を購入する確率が高い薬局を示す情報を出力する。

プロセッサ部１２０は、予測手段１２１によって予測された医薬品の購入確率に基づいて、複数の薬局のうち、購入確率が最も高い薬局を決定する処理を行ったうえで、医薬品を購入する確率が高い薬局を示す情報を出力手段１４０に渡すようにしてもよい。あるいは、プロセッサ部１２０は、例えば、予測手段１２１によって予測された医薬品の購入確率に基づいて、複数の薬局のうち、購入確率が所定の閾値を超える少なくとも１つの薬局を決定する処理を行ったうえで、医薬品を購入する確率が高い薬局を示す情報を出力手段１４０に渡すようにしてもよい。

出力手段１４０は、例えば、薬局端末装置３００に医薬品の医薬品を購入する確率が高い薬局を示す情報を送信し、これにより、医薬品卸業者端末装置４００の使用者は、複数の薬局のうち、どの薬局が医薬品を買ってくれそうかを把握することが可能になる。

ステップＳ７０１〜Ｓ７０３を行った後に、上述した学習処理と同様の処理を行うことにより、上述した学習モデルを更新するようにしてもよい。これにより、学習モデルが薬局の状態の経時的変化に対応するように調節され、予測の精度を向上させることができる。

上述した処理７００の各ステップＳ７０１〜ステップＳ７０３が行われるタイミングは問わない。例えば、医薬品卸業者端末装置４００から医薬品の購入可能性の情報のリクエストを受信したことに応答して、ステップＳ７０１〜ステップＳ７０３を行うようにすることができる。例えば、定期的（例えば、１時間、１２時間、１日、１週間、１月、３月、６月、１年等）または不定期（例えば、薬局において医薬品が調剤され、レセプトのデータが薬局端末装置３００に入力されたとき、薬局から医薬品の販売の申出があったとき、薬局間で医薬品の取引が行われたとき等）にステップＳ７０１が行われることにより、システム１００の受信手段１１０が薬局に関する情報を受信しておき、医薬品卸業者端末装置４００から医薬品の購入可能性の情報のリクエストを受信したことに応答して、そのときに受信してある薬局に関する情報を用いて、ステップＳ７０２およびステップＳ７０３を行うようにすることができる。例えば、定期的（例えば、１時間、１２時間、１日、１週間、１月、３月、６月、１年等）または不定期（例えば、薬局において医薬品が調剤され、レセプトのデータが薬局端末装置３００に入力されたとき、薬局から医薬品の販売の申出があったとき、薬局間で医薬品の取引が行われたとき等）にステップＳ７０１〜ステップＳ７０２が行われることにより、システム１００の予測手段１２１が医薬品の購入確率を予測しておき、医薬品卸業者端末装置４００から医薬品の購入可能性の情報のリクエストを受信したことに応答して、そのときに予測してある医薬品の購入確率を示す情報を出力するように、ステップＳ７０３を行うようにすることができる。

図６、図７を参照して上述した例では、図６、図７に示される各ステップの処理は、プロセッサ部１２０とメモリ部１４０に格納されたプログラムとによって実現することが説明されたが、本発明はこれに限定されない。図６、図７に示される各ステップの処理のうちの少なくとも１つは、制御回路などのハードウェア構成によって実現されてもよい。

本発明は、上述した実施形態に限定されるものではない。本発明は、特許請求の範囲によってのみその範囲が解釈されるべきであることが理解される。当業者は、本発明の具体的な好ましい実施形態の記載から、本発明の記載および技術常識に基づいて等価な範囲を実施することができることが理解される。

本発明は、医薬品の流通を支援するためのシステム等を提供し、より具体的には、薬局における医薬品の在庫量または在庫レベルを予測するためのシステム、複数の薬局のうち医薬品の購入可能性の高い薬局を予測するためのシステム、および／または、これらのシステムを備える統合型システム等を提供するものとして有用である。

１０、１０’ サービスプロバイダ
２０ 薬局
３０ 医薬品卸業者
１００ システム
２００ データベース部
３００ 薬局端末装置
４００ 医薬品卸業者端末装置
５００ ネットワーク

Claims (12)

1. 薬局における医薬品の在庫量または在庫レベルを予測するためのシステムであって、
   薬局に関するデータを受信するための受信手段であって、前記薬局に関するデータは、前記医薬品の最終調剤日を含む、受信手段と、
   前記薬局に関するデータに基づいて、前記薬局における医薬品の在庫量または在庫レベルを予測する予測手段と、
   前記予測された在庫量または在庫レベルを示す情報を出力する出力手段と
   を備えるシステム。
2. 前記薬局に関するデータは、前記医薬品の調剤回数をさらに含む、請求項１に記載のシステム。
3. 前記薬局に関するデータは、前記医薬品を調剤された患者数をさらに含む、請求項２に記載のシステム。
4. 前記薬局に関するデータは、前記医薬品の価格、および前記医薬品の薬価収集医薬品コードの薬効分類番号のうちの少なくとも１つをさらに含む、請求項３に記載のシステム。
5. 薬局における医薬品の在庫量または在庫レベルを予測するためのシステムであって、
   薬局に関するデータを受信するための受信手段と、
   前記受信された薬局に関するデータから、少なくとも前記医薬品の最終調剤日を算出するための算出手段と
   前記算出された医薬品の最終調剤日に基づいて、前記薬局における医薬品の在庫量または在庫レベルを予測する予測手段と、
   前記予測された在庫量または在庫レベルを示す情報を出力する出力手段と
   を備えるシステム。
6. 前記予測手段は、学習済モデルを用いて前記薬局における医薬品の在庫量または在庫レベルを予測し、前記学習済モデルは、前記薬局に関するデータに基づいて学習処理がなされたモデルである、請求項１〜５のいずれか一項に記載のシステム。
7. 薬局における医薬品の在庫量または在庫レベルを予測するための方法であって、前記方法は、プロセッサ部を備えるシステムにおいて実行され、前記方法は、
   前記プロセッサ部が、薬局に関するデータを受信することであって、前記薬局に関するデータは、前記医薬品の最終調剤日を含む、ことと、
   前記プロセッサ部が、前記薬局に関するデータに基づいて、前記薬局における医薬品の在庫量または在庫レベルを予測することと、
   前記プロセッサ部が、前記予測された在庫量または在庫レベルを示す情報を出力することと
   を含む方法。
8. 薬局における医薬品の在庫量または在庫レベルを予測するためのプログラムであって、前記プログラムは、プロセッサ部を備えるシステムにおいて実行され、前記プログラムは、
   薬局に関するデータを受信することであって、前記薬局に関するデータは、前記医薬品の最終調剤日を含む、ことと、
   前記薬局に関するデータに基づいて、前記薬局における医薬品の在庫量または在庫レベルを予測することと、
   前記予測された在庫量または在庫レベルを示す情報を出力することと
   を含む処理を前記プロセッサ部に実行させる、プログラム。
9. 薬局における医薬品の在庫量または在庫レベルを予測するために用いられるモデルを構築するためのシステムであって、
   薬局に関するデータを受信するための受信手段であって、前記薬局に関するデータは、前記医薬品の最終調剤日を含む、受信手段と、
   前記薬局に関するデータと前記薬局における前記医薬品の実際の在庫量または在庫レベルとを教師データとして学習する学習手段と
   を備えるシステム。
10. 薬局における医薬品の在庫量または在庫レベルを予測するために用いられるモデルを構築するための方法であって、
    薬局に関するデータを受信することであって、前記薬局に関するデータは、前記医薬品の最終調剤日を含む、ことと、
    前記薬局に関するデータと前記薬局における前記医薬品の実際の在庫量または在庫レベルとを教師データとして学習することと
    を含む方法。
11. 薬局における医薬品の在庫量または在庫レベルを予測するために用いられるモデルを構築するためのプログラムであって、前記プログラムは、プロセッサ部を備えるシステムにおいて実行され、前記プログラムは、
    薬局に関するデータを受信することであって、前記薬局に関するデータは、前記医薬品の最終調剤日を含む、ことと、
    前記薬局に関するデータと前記薬局における前記医薬品の実際の在庫量または在庫レベルとを教師データとして学習することと
    を含む処理を前記プロセッサ部に実行させる、プログラム。
12. 医薬品の流通を支援するためのシステムであって、
    薬局に関するデータを蓄積するためのデータ蓄積システムと、
    前記薬局に関するデータを利用するためのデータ利用システムと
    を備え、
    前記データ利用システムは、請求項１〜６のいずれか一項に記載のシステムを含む、在庫管理支援システム。