JP6743116B2 - 審査支援システム、審査支援方法及び審査支援プログラム - Google Patents

Description

本発明は、レセプトの審査を支援する審査支援システム、審査支援方法及び審査支援プログラムに関する。

近年、医療分野においてもコンピュータを活用しての事務の効率化が進められている。そして、診療報酬の請求についても、レセプト電算処理システムを導入して、請求事務の効率化、ＩＴ化が検討されている（例えば、非特許文献１を参照。）。ここで、レセプト電算処理システムとは、診療報酬の請求を、紙のレセプトに代えて、オンライン又は電子媒体に収録した電子レセプトにより提出を行なう仕組みである。そして、医療機関、審査支払機関及び保険者を通じて一貫した整合性があるシステムを構築し、業務量の軽減と事務処理の迅速化、ペーパーレス化を実現することを目的としている。

このような審査を支援するためのレセプト二次点検支援システムも検討されている（例えば、非特許文献２を参照。）。このレセプト二次点検支援システムでは、電子レセプトを対象とした単月点検、横覧点検、縦覧点検、突合点検等を行ない、点検結果の集計帳票を出力する。

医療保険制度においては、患者に対して医療行為を行なった医療機関は、実施した医療行為の内容とその請求額に関する診療報酬点数が記載された電子レセプトを作成する。そして、作成した電子レセプトを、ネットワークを介してレセプト電算処理システムに送信することにより、健康保険組合や自治体等の保険者に対して請求を行なう。この場合、医療機関と保険者との間には審査支払機関が存在する。

この審査支払機関は、医療機関からレセプト電算処理システムに送信された電子レセプトについて審査を行なう。具体的には、審査支払機関は、医療機関から提出された電子レセプトについて、点数算定の誤り等の事務的な審査や、診療内容等の妥当性の審査を行なう。

そして、審査支払機関は、審査結果を医療機関及び保険者に送信する。この場合、保険者は、審査結果について二次点検を行なう。具体的には、保険者は、レセプト二次点検支援システムを利用して、単月点検、横覧点検、縦覧点検、突合点検等の点検ロジックにより、電子レセプトの機械抽出を行なう。そして、レセプト二次点検支援システムは、電子レセプトにおいて、機械抽出された請求について付せん情報を付加する。

医療機関において、審査結果に不服がある場合には、審査支払機関に対して、異議申立を行なう。また、保険者は、必要に応じて、再審査の申出を審査支払機関に送信する。
この場合、審査支払機関では、再審査の申出により、再審査を行なう。この再審査の結果として、原審どおり、査定、返戻の何れかが判断される。

また、審査対象を効率的に特定するための審査管理方法も検討されている（例えば、特許文献１を参照。）。この文献に記載された技術では、レセプト評価システムの管理コンピュータは、複数の項目に対して項目毎に数量データ分布を算出し、所定統計量以上の項目を抽出する。次に、加重関数データ記憶部に記録された加重関数を用いてポイントを算出し、レセプト毎の合計ポイントを算出し、合計ポイントが高い所定件数のレセプトを抽出する。

更に、ルールを用いて重点的に点検すべきレセプトを抽出するレセプト点検支援方法も検討されている（例えば、特許文献２を参照。）。この文献に記載された技術では、再審査請求の実績データの請求内容を示す請求文言を、医薬品名や診療行為名を含むレセプトコードキーワードと請求文言に含まれる文言キーワードで検索し、その組合せパターンからレセプト抽出ルールを作成する。また、再審査実績の結果や点数を元に、効率化のための指標を算出する。

特開２００５−２４２４７２号公報 特開２００８−１３４７５６号公報

社会保険診療報酬支払基金、「レセプト電算処理システム 電子レセプトの作成手引き−医科−」、［online］、［平成３０年１２月３日検索］、インターネット、＜ＵＲＬ：http://www.ssk.or.jp/seikyushiharai/rezept/iryokikan/iryokikan_02.files/jiki_i01.pdf＞ みずほ情報総研株式会社、「レセプト二次点検支援システム レセプトＯｎｅ」、［online］、［平成３０年１２月３日検索］、インターネット、＜https://www.mizuho-ir.co.jp/solution/government/busisupport/system/medical/nijitenken/index.html＞

膨大なレセプトの審査を人手で行なう場合には、作業負担が大きかった。また、レセプトには、多様な情報が大量に含まれており、これらの組み合わせにより審査を行なう場合には、すべての組み合わせを網羅するルールベースのシステムの構築は困難である。

上記課題を解決する審査支援システムは、審査結果に関連付けられたレセプトを記録したレセプト情報記憶部と、複数の予測モデルを記録する学習結果記憶部と、レセプトを評価する制御部とを備える。そして、前記制御部が、前記レセプト情報記憶部に記録されたレセプトの明細に含まれる項目値を組み合わせた複数の特徴量に対して審査結果を関連付けた複数の教師データ群を生成し、前記複数の教師データ群を用いて、各特徴量から審査結果を予測する各個別予測モデルを生成して、前記学習結果記憶部に記録し、審査対象レセプトを取得した場合、前記学習結果記憶部に記録された各個別予測モデルを用いて、前記審査対象レセプトについて複数の個別予測結果を算出し、前記複数の個別予測結果に基づいて、前記審査対象レセプトの審査結果についての総合予測結果を算出する。

本発明によれば、レセプトの審査を支援することができる。

本実施形態の審査支援システムの説明図。 本実施形態のハードウェア構成の説明図。 本実施形態で用いる情報の説明図であって、（ａ）はレセプトファイル、（ｂ）は付せん情報、（ｃ）は補正情報、（ｄ）は査定情報、（ｅ）は学習項目の説明図。 本実施形態で用いる教師データの説明図であって、査定内容、エラー事由コードに対して、（ａ）は傷病名と明細との組合せ、（ｂ）は明細に含まれる「回数」及び日付情報、（ｃ）は明細に含まれる「数量」及び日付情報、（ｄ）は明細とコメントとの組合せ、（ｅ）は明細同士の組合せ及び日付情報、（ｆ）は診療科毎の各明細の内容の出現率、（ｇ）は医療機関毎の各明細の内容の出現率、（ｈ）は各個別予測モデルの予測結果を用いる場合の説明図。 本実施形態の処理手順の説明図。 本実施形態の処理手順の説明図。 本実施形態の処理手順の説明図。

図１〜図７に従って、審査支援システム、審査支援方法及び審査支援プログラムの一実施形態を説明する。本実施形態では、電子レセプトの明細に含まれる項目値に対して、査定情報を関連付けた教師データを用いて学習し、項目値からエラー事由や査定の可能性を予測するための予測モデルを生成する。そして、審査支払機関において、新たな評価対象レセプトを取得した場合、予測モデルを用いて、エラー事由や査定内容を予測する。
図１に示すように、ネットワークを介して接続されたユーザ端末１０、支援サーバ２０を用いる。

（ハードウェア構成例）
図２は、ユーザ端末１０、支援サーバ２０等として機能する情報処理装置Ｈ１０のハードウェア構成例である。

情報処理装置Ｈ１０は、通信装置Ｈ１１、入力装置Ｈ１２、表示装置Ｈ１３、記憶部Ｈ１４、プロセッサＨ１５を有する。なお、このハードウェア構成は一例であり、他のハードウェアを有していてもよい。

通信装置Ｈ１１は、他の装置との間で通信経路を確立して、データの送受信を実行するインタフェースであり、例えばネットワークインタフェースカードや無線インタフェース等である。

入力装置Ｈ１２は、利用者等からの入力を受け付ける装置であり、例えばマウスやキーボード等である。表示装置Ｈ１３は、各種情報を表示するディスプレイやタッチパネル等である。

記憶部Ｈ１４は、ユーザ端末１０、支援サーバ２０の各種機能を実行するためのデータや各種プログラムを格納する記憶装置（例えば、後述する教師情報記憶部２３、学習結果記憶部２４）である。記憶部Ｈ１４の一例としては、ＲＯＭ、ＲＡＭ、ハードディスク等がある。

プロセッサＨ１５は、記憶部Ｈ１４に記憶されるプログラムやデータを用いて、ユーザ端末１０、支援サーバ２０における各処理（例えば、後述する制御部２１における処理）を制御する。プロセッサＨ１５の一例としては、例えばＣＰＵやＭＰＵ等がある。このプロセッサＨ１５は、ＲＯＭ等に記憶されるプログラムをＲＡＭに展開して、各種処理に対応する各種プロセスを実行する。例えば、プロセッサＨ１５は、ユーザ端末１０、支援サーバ２０のアプリケーションプログラムが起動された場合、後述する各処理を実行するプロセスを動作させる。

プロセッサＨ１５は、自身が実行するすべての処理についてソフトウェア処理を行なうものに限られない。例えば、プロセッサＨ１５は、自身が実行する処理の少なくとも一部についてハードウェア処理を行なう専用のハードウェア回路（例えば、特定用途向け集積回路：ＡＳＩＣ）を備えてもよい。すなわち、プロセッサＨ１５は、（１）コンピュータプログラム（ソフトウェア）に従って動作する１つ以上のプロセッサ、（２）各種処理のうち少なくとも一部の処理を実行する１つ以上の専用のハードウェア回路、或いは（３）それらの組み合わせ、を含む回路（circuitry）として構成し得る。プロセッサは、ＣＰＵ並びに、ＲＡＭ及びＲＯＭ等のメモリを含み、メモリは、処理をＣＰＵに実行させるように構成されたプログラムコード又は指令を格納している。メモリすなわちコンピュータ可読媒体は、汎用又は専用のコンピュータでアクセスできるあらゆる利用可能な媒体を含む。

（各情報処理装置の機能）
図１のユーザ端末１０は、電子レセプトの点検や審査を行なう担当者が利用するコンピュータ端末である。このユーザ端末１０は、ネットワークを介して、各医療機関に設置された医療機関端末から取得した電子レセプトの点検や審査に用いられる。

支援サーバ２０は、電子レセプトの点検や審査を支援するためのコンピュータシステムである。この支援サーバ２０は、制御部２１、レセプト情報記憶部２２、教師情報記憶部２３、学習結果記憶部２４、審査対象記憶部２５を備えている。

この制御部２１は、後述する処理（学習段階、取得段階、予測段階、評価段階等を含む処理）を行なう。このための審査支援プログラムを実行することにより、制御部２１は、学習部２１１、取得部２１２、予測部２１３、評価部２１４等として機能する。

学習部２１１は、教師データを用いて、エラー事由や査定内容（査定結果を含む）を予測するための予測モデルを生成する処理を実行する。
取得部２１２は、審査対象のレセプトファイルや審査結果を、ユーザ端末１０から取得する処理を実行する。

予測部２１３は、予測モデルを用いて、審査対象の電子レセプトにおけるエラー事由や査定内容を予測する処理を実行する。この予測部２１３は、エラー事由又は査定内容の候補を特定するための予測基準値に関するデータを保持している。更に、この予測部２１３は、類似する電子レセプトを特定するために、二つの電子レセプトに含まれる項目値の差分（距離）を算出する距離算出手段を備える。

評価部２１４は、予測結果と審査結果とを比較して、予測モデルの修正を提案する処理を実行する。この評価部２１４は、予測モデルの調整を提案するための調整基準値に関するデータを保持している。

図３に示すように、レセプト情報記憶部２２には、各医療機関から取得し、既に審査された電子レセプト（医科、ＤＰＣ、歯科、調剤）に関するレセプト情報２２０が記録される。このレセプト情報２２０は、レセプトファイル２２１、付せん情報２２２、補正情報２２３、査定情報２２４を含む。付せん情報２２２は、レセプトファイル２２１の点検時に必要に応じて付加される。補正情報２２３は、レセプトファイル２２１が補正された場合に付加される。査定情報２２４は、レセプトファイル２２１が審査された場合に付加される。ここで、付せん情報２２２、査定情報２２４を審査結果情報として用いる。

図３（ａ）に示すように、レセプトファイル２２１は、医療機関情報、レセプト共通情報、保険情報、傷病名情報、摘要欄情報、合計情報を含んで構成される。
医療機関情報には、審査支払機関コード、都道府県、点数表、医療機関コード、医療機関名称、請求年月等に関する情報が含まれる。

レセプト共通情報には、受付番号、レセプト種別、診療年月、氏名、男女区分、生年月日、カルテ番号、診療科等に関する情報が含まれる。ここで、受付番号は、医療機関から取得したレセプトファイル２２１を特定するための識別子である。

保険情報は、保険者レコード、公費レコードを含んで構成される。保険者レコードには、保険者番号、被保険者証等の記号、被保険者証等の番号、診療実日数等に関する情報が記録される。公費レコードには、負担者番号、受給者番号、任意給付区分、診療実日数、合計点数、公費、公費給付対象外来一部負担、公費給付対象入院一部負担等に関する情報が記録される。

傷病名情報は、傷病名レコードを含んで構成される。この傷病名レコードには、傷病名コード、診療開始日、転帰区分、修飾語コード、傷病名称、主傷病等に関する情報が記録される。

摘要欄情報は、投薬、注射、処置、手術等の診療識別に対して一連番号が付与されており、診療行為レコード、医薬品レコード、特定器材レコード、コメントレコード等の明細から構成される。診療行為レコードには、診療識別、負担区分、診療行為コード、数量、点数、回数、コメント、実施日等に関する情報が記録される。医薬品レコードには、診療識別、負担区分、医薬品コード、使用量、点数、回数、コメント、実施日等に関する情報が記録される。特定器材レコードには、診療識別、負担区分、特定器材コード、使用量、点数、回数、単位コード、商品名及び規格又はサイズ、コメント、実施日等に関する情報が記録される。コメントレコードには、診療識別、負担区分、コメントコード、文字データに関するコメント情報が記録される。
合計情報は、請求点数の合計に関する情報である。

図３（ｂ）に示すように、付せん情報２２２には、受付番号、付せん内容、疑義種別、請求内容に関する情報が含まれる。受付番号は、医療機関から取得したレセプトファイル２２１を特定するための識別子である。付せん内容は、診療行為についての疑義について、エラー内容を示すエラー事由コードやエラーメッセージである。例えば、診療回数が基準回数を超えて算定されていることの確認や、画像診断の算定について確認を促す情報が記録される。疑義種別は、疑義を特定した点検方法に関する情報である。請求内容は、レセプトファイル２２１において、付せんが付加された請求内容である。

図３（ｃ）に示すように、補正情報２２３には、受付番号、請求内容、補正内容に関する情報が含まれる。受付番号は、医療機関から取得したレセプトファイル２２１を特定するための識別子である。請求内容は、レセプトファイル２２１において、請求された内容である。補正内容は、レセプトファイル２２１において、補正された請求内容である。レセプトファイル２２１に対して補正情報２２３により修正された内容により、審査対象が特定される。

図３（ｄ）に示すように、査定情報２２４には、受付番号、請求内容、査定内容等に関する情報が含まれる。受付番号は、医療機関から取得したレセプトファイル２２１を特定するための識別子である。請求内容は、レセプトファイル２２１において、請求された請求内容である。査定内容は、レセプトファイル２２１に対する審査の結果（全部査定、一部査定、請求どおり、点数変更、査定点数）等である。
なお、本実施形態では、受付番号により、付せん情報２２２〜査定情報２２４をレセプトファイル２２１に関連付けたが、これらを関連付けるための情報は、受付番号に限定されるものではない。

教師情報記憶部２３には、エラー事由や査定内容の発生の確からしさを予測する予測モデルを生成するための学習処理に用いる教師データが記録される。本実施形態では、レセプトファイル２２１、付せん情報２２２、補正情報２２３、査定情報２２４に含まれる項目を用いて、教師データ（データセット）を作成する。本実施形態では、機械学習により、エラー事由や査定内容に影響を与える可能性があるレセプト項目の組み合わせ（特徴量）を複数、選定する。

本実施形態では、図３（ｅ）に示すように、学習項目としては、レセプトファイル２２１に含まれる医療機関情報、診療科情報、傷病名情報、摘要欄情報、付せん情報２２２のエラー事由コード、補正情報２２３の補正内容、査定情報２２４の査定内容を用いる。

図４を用いて、この学習項目を用いた特徴量からなる複数の教師データ（教師データ群）を例示する。
図４（ａ）に示すように、教師データ５０１では、レセプトファイル２２１に記録された傷病名と明細（診療行為コード、医薬品コード、特定器材コード）との組み合わせ（第１の特徴量）、付せん情報２２２のエラー事由コード、査定情報２２４の査定内容を用いる。この場合、傷病名コードと明細との組み合わせから、エラー事由、査定内容の発生確率を予測する個別予測モデルが生成される。

図４（ｂ）に示すように、教師データ５０２では、レセプトファイル２２１に記録された明細に含まれる「回数」及び日付情報（実施日）の組み合わせ（第２の特徴量）、付せん情報２２２のエラー事由コード、査定情報２２４の査定内容を用いる。この場合、明細に含まれる「回数」及び日付情報から、エラー事由、査定内容の発生確率を予測する個別予測モデルが生成される。

図４（ｃ）に示すように、教師データ５０３では、レセプトファイル２２１に記録された明細に含まれる「数量」及び日付情報（実施日）の組み合わせ（第３の特徴量）、付せん情報２２２のエラー事由コード、査定情報２２４の査定内容を用いる。この場合、明細に含まれる「数量」及び日付情報から、エラー事由、査定内容の発生確率を予測する個別予測モデルが生成される。

図４（ｄ）に示すように、教師データ５０４では、レセプトファイル２２１に記録された明細（診療行為コード、医薬品コード、特定器材コード）と、コメントレコードに含まれる情報との組み合わせ（第４の特徴量）、付せん情報２２２のエラー事由コード、査定情報２２４の査定内容を用いる。この場合、明細とコメントとの組合せから、エラー事由、査定内容の発生確率を予測する個別予測モデルが生成される。

図４（ｅ）に示すように、教師データ５０５では、レセプトファイル２２１に記録された明細（診療行為コード、医薬品コード、特定器材コード）同士の組合せ及び日付情報（実施日）の組み合わせ（第５の特徴量）、付せん情報２２２のエラー事由コード、査定情報２２４の査定内容を用いる。この場合、明細同士の組合せ及び日付情報から、エラー事由、査定内容の発生確率を予測する個別予測モデルが生成される。

図４（ｆ）に示すように、教師データ５０６では、レセプトファイル２２１に記録された診療科及び各明細（診療行為コード、医薬品コード、特定器材コード）の出現率の組み合わせ（第６の特徴量）、付せん情報２２２のエラー事由コード、査定情報２２４の査定内容を用いる。この場合、診療科毎の各明細の内容の出現率から、エラー事由、査定内容の発生確率を予測する個別予測モデルが生成される。

図４（ｇ）に示すように、教師データ５０７では、レセプトファイル２２１に記録された医療機関及び各明細（診療行為コード、医薬品コード、特定器材コード）の出現率の組み合わせ（第７の特徴量）、付せん情報２２２のエラー事由コード、査定情報２２４の査定内容を用いる。この場合、医療機関毎の各明細の内容の出現率から、エラー事由、査定内容の発生確率を予測する個別予測モデルが生成される。

図４（ｈ）に示すように、教師データ５０８では、図４（ａ）〜（ｇ）の各個別予測モデルの予測結果の組み合わせ（第８の特徴量）、付せん情報２２２のエラー事由コード、査定情報２２４の査定内容を用いる。この場合、各個別予測モデルの予測結果を総合して、エラー事由、査定内容の発生確率を予測する総合予測モデルが生成される。
更に、各特徴量に関連付けて、各教師データを用いた機械学習において使用する学習手法を記録しておく。

学習結果記憶部２４には、上述した図４（ａ）〜図４（ｈ）を用いて、機械学習により生成した予測モデル（個別予測モデル、総合予測モデル）が記録される。
更に、学習結果記憶部２４には、分類予測モデル及ぶグループ情報が記録される。

分類予測モデルは、類似レセプトをグループ分けするために、教師なし学習により生成される。この分類予測モデルを用いることにより、レセプトファイルが属するグループ識別子を算出することができる。
グループ情報は、グループ識別子に対して、レセプト情報記憶部２２に記録された各レセプトファイル２２１の受付番号が関連付けられている。

審査対象記憶部２５には、審査対象レセプト、予測結果を記録する。このレセプトファイル（審査対象レセプト）は、ユーザ端末１０から新たに取得した場合に記録され、予測結果は後述する予測段階で記録される。審査対象レセプトの内容は、レセプト情報記憶部２２に記録されるレセプトファイル２２１と同じである。

予測結果は、各審査対象レセプトについてのエラー事由や査定内容の発生確率である。

上記のように構成されたシステムにおいて、電子レセプトの審査を支援する処理手順を説明する。
（学習段階の審査支援処理）
図５を用いて、学習段階の審査支援処理を説明する。
まず、支援サーバ２０の制御部２１は、教師データの生成処理を実行する（ステップＳ１−１）。具体的には、制御部２１の学習部２１１は、電子レセプトの審査において、エラー事由や査定内容が発生する可能性がある項目を特定する。本実施形態では、上述したように、傷病名と明細との組み合わせ、明細に含まれる回数及び日付、明細に含まれる数量及び日付、明細及びコメントの組み合わせ、明細同士の組み合わせ及び日付を、付せんや査定内容に影響する特徴量として用いる。そして、学習部２１１は、レセプト情報記憶部２２に記録されたレセプト情報２２０を用いて、各特徴量について、学習項目の項目値を組み合わせた教師データ（データセット）を生成し、教師情報記憶部２３に記録する。

次に、支援サーバ２０の制御部２１は、教師情報記憶部２３に記録された各特徴量について、順次、以下の処理を繰り返す。
ここでは、支援サーバ２０の制御部２１は、個別予測モデルの作成処理を実行する（ステップＳ１−２）。具体的には、制御部２１の学習部２１１は、教師情報記憶部２３に記録された教師データ（データセット）に対して、この特徴量に関連付けられた学習手法を用いて、エラー事由や査定内容を予測するための個別予測モデルを生成する。そして、学習部２１１は、生成した個別予測モデルを学習結果記憶部２４に記録する。

次に、支援サーバ２０の制御部２１は、出現率を用いた個別予測モデルの作成処理を実行する（ステップＳ１−３）。ここでは、診療者（診療科、医療機関）毎の明細内容の出現率を用いた個別予測モデルを作成する。

まず、診療科毎の明細内容の出現率を用いた個別予測モデルを作成する。具体的には、制御部２１の学習部２１１は、レセプト情報記憶部２２に記録された各レセプトファイル２２１において、診療科毎に、所定期間の明細（診療行為コード、医薬品コード、特定器材コード）の出現率を算出する。次に、学習部２１１は、この所定期間のレセプトファイル２２１に対する付せん情報２２２や査定情報２２４を取得する。次に、学習部２１１は、明細内容毎の出現率と、エラー事由コード、査定内容と関連付けた教師データセットを作成する。次に、学習部２１１は、作成した教師データセットに対して、この特徴量に関連付けられた学習手法を用いて、エラー事由や査定内容を予測するための個別予測モデルを生成する。

次に、医療機関毎の明細内容の出現率を用いた個別予測モデルを作成する。具体的には、制御部２１の学習部２１１は、レセプト情報記憶部２２に記録された各レセプトファイル２２１において、医療機関毎に、所定期間の明細（診療行為コード、医薬品コード、特定器材コード）の出現率を算出する。次に、学習部２１１は、この所定期間のレセプトファイル２２１に対する付せん情報２２２や査定情報２２４を取得する。次に、学習部２１１は、明細内容毎の出現率と、エラー事由コード、査定内容と関連付けた教師データセットを作成する。次に、学習部２１１は、作成した教師データセットに対して、この特徴量に関連付けられた学習手法を用いて、学習項目からエラー事由コード（付せん情報）や査定内容を予測するための個別予測モデルを生成する。

次に、支援サーバ２０の制御部２１は、総合予測モデルの作成処理を実行する（ステップＳ１−４）。具体的には、制御部２１の学習部２１１は、レセプト情報記憶部２２に記録されたレセプトファイル２２１に対して、学習結果記憶部２４に記録された各個別予測モデルを適用して個別予測結果を算出する。次に、各個別予測結果及び、エラー事由コード、査定内容を関連付けた教師データ（データセット）を作成する。次に、学習部２１１は、作成した教師データを用いて、この特徴量に関連付けられた学習手法を用いて、個別予測結果からエラー事由や査定内容を予測するための総合予測モデルを生成する。

次に、支援サーバ２０の制御部２１は、レセプトのグループ化処理を実行する（ステップＳ１−５）。具体的には、制御部２１の学習部２１１は、レセプト情報記憶部２２において、付せん情報２２２や査定情報２２４が関連付けられているレセプトファイル２２１を抽出する。そして、学習部２１１は、抽出したレセプトファイル２２１に対して、教師なし学習を行なうことにより、類似レセプトを所定数のグループに分ける分類予測モデルを生成し、学習結果記憶部２４に記録する。

更に、学習部２１１は、抽出した各レセプトファイル２２１に、分類予測モデルを適用し、各レセプトファイル２２１が属するグループのグループ識別子を算出する。そして、学習部２１１は、グループ識別子、各レセプトファイル２２１の受付番号を関連付けたグループ情報を生成し、学習結果記憶部２４に記録する。

（予測段階の審査支援処理）
図６を用いて、予測段階の審査支援処理を説明する。この処理は、新たな電子レセプトを審査する場合に実行される。

まず、支援サーバ２０の制御部２１は、審査対象の取得処理を実行する（ステップＳ２−１）。具体的には、制御部２１の取得部２１２は、ユーザ端末１０から審査対象のレセプトファイルを取得し、審査対象記憶部２５に記録する。例えば、特定の診療年月の複数のレセプトを取得し、記録する。

次に、支援サーバ２０の制御部２１は、審査対象記憶部２５に記録されたレセプトファイルにおいて、順次、審査対象レセプトを特定し、以下の処理を実行する。
まず、支援サーバ２０の制御部２１は、個別予測モデル毎に予測結果の算出処理を実行する（ステップＳ２−２）。具体的には、制御部２１の予測部２１３は、学習結果記憶部２４に記録されている各個別予測モデルを、審査対象レセプトに適用し、エラー事由コード、査定内容についての予測値（発生確率）を算出し、個別予測モデルの識別情報に関連付けてメモリに仮記憶する。この処理を、学習結果記憶部２４に記録されたすべての個別予測モデルについて繰り返す。

次に、支援サーバ２０の制御部２１は、総合予測モデルによる総合評価処理を実行する（ステップＳ２−３）。具体的には、制御部２１の予測部２１３は、メモリに仮記憶された個別予測結果を、総合予測モデルに適用し、総合予測結果（エラー事由や査定内容の発生確率）を算出する。そして、予測部２１３は、算出した総合予測結果を、審査対象レセプトに関連付けて審査対象記憶部２５に記録する。

次に、支援サーバ２０の制御部２１は、エラー又は査定の候補かどうかについての予測処理を実行する（ステップＳ２−４）。具体的には、制御部２１の予測部２１３は、総合予測結果において、エラー事由コード、査定内容の発生確率が予測基準値よりも高い場合には、エラー又は査定の候補と予測する。

ここで、エラー又は査定の候補でないと予測した場合（ステップＳ２−４において「ＮＯ」の場合）、支援サーバ２０の制御部２１は、この審査対象レセプトについての処理を終了する。

一方、エラー又は査定の候補と予測した場合（ステップＳ２−４において「ＹＥＳ」の場合）、支援サーバ２０の制御部２１は、類似グループの特定処理を実行する（ステップＳ２−５）。具体的には、制御部２１の予測部２１３は、審査対象レセプトに分類予測モデルを適用し、類似グループのグループ識別子を特定する。

次に、支援サーバ２０の制御部２１は、類似レセプトの抽出処理を実行する（ステップＳ２−６）。具体的には、制御部２１の予測部２１３は、特定したグループ識別子に属するレセプトファイル２２１を、レセプト情報記憶部２２から抽出する。そして、予測部２１３は、抽出した各レセプトファイル２２１に含まれる項目値と、審査対象レセプトの項目値との距離を、距離算出手段を用いて算出する。次に、予測部２１３は、距離が近い順番に、所定数のレセプトファイル２２１をレセプト情報記憶部２２から抽出する。そして、予測部２１３は、エラー又は査定の候補のレセプト、抽出した類似レセプトをユーザ端末１０に出力する。
そして、審査対象記憶部２５に記録されたすべてのレセプトファイルについて、上記処理を終了するまで繰り返す。

（モデル評価処理）
図７を用いて、モデル評価処理を説明する。この処理は、支援サーバ２０において、審査支援処理を行なった電子レセプトについて、審査結果を取得した場合に実行される。

まず、支援サーバ２０の制御部２１は、審査結果の取得処理を実行する（ステップＳ３−１）。具体的には、制御部２１の取得部２１２は、ユーザ端末１０から、審査対象記憶部２５に記録されたレセプトファイルについての審査結果（付せん情報、査定情報）を取得する。

次に、支援サーバ２０の制御部２１は、審査結果と予測結果との比較処理を実行する（ステップＳ３−２）。具体的には、制御部２１の評価部２１４は、審査結果を取得した審査対象レセプトの受付番号を用いて、審査対象記憶部２５から予測結果を取得する。そして、評価部２１４は、審査結果と予測結果とを比較して、一致又は不一致を判定する。

次に、支援サーバ２０の制御部２１は、予測モデルのチューニング処理を実行する（ステップＳ３−３）。具体的には、制御部２１の評価部２１４は、審査結果と予測結果との不一致の割合が調整基準値以上の場合には、予測モデルのチューニング指示をユーザ端末１０に出力する。

本実施形態によれば、以下のような効果を得ることができる。
（１）本実施形態においては、支援サーバ２０の制御部２１は、教師データの生成処理（ステップＳ１−１）、個別予測モデルの作成処理（ステップＳ１−２）を実行する。エラー事由や査定内容が発生する要因は多様であるが、多角的に電子レセプトにおけるエラー事由や査定内容の発生を予測するための複数の個別予測モデルを生成することができる。

（２）本実施形態においては、支援サーバ２０の制御部２１は、出現率を用いた個別予測モデルの作成処理を実行する（ステップＳ１−３）。診療者（診療科や医療機関）毎の所定の摘要の出現率は、エラー事由や査定内容に影響が大きいため、特徴的に生じるエラー事由や査定の発生を予測するための予測モデルを生成することができる。

（３）本実施形態においては、支援サーバ２０の制御部２１は、総合予測モデルの作成処理を実行する（ステップＳ１−４）。そして、支援サーバ２０の制御部２１は、総合予測モデルによる総合評価処理を実行する（ステップＳ２−３）。これにより、多様な側面から個別に予測したエラー事由や査定内容の発生可能性を、総合して評価することができる。

（４）本実施形態においては、支援サーバ２０の制御部２１は、レセプトのグループ化処理を実行する（ステップＳ１−５）。これにより、類似する電子レセプトを分類することができる。

（５）本実施形態においては、支援サーバ２０の制御部２１は、個別予測モデル毎に予測結果の算出処理を実行する（ステップＳ２−２）。これにより、審査対象レセプトについて、多様な側面から、エラー事由や査定内容の発生を予測することができる。

（６）本実施形態においては、エラー又は査定の候補と予測した場合（ステップＳ２−４において「ＹＥＳ」の場合）、支援サーバ２０の制御部２１は、類似グループの特定処理（ステップＳ２−５）、類似レセプトの抽出処理（ステップＳ２−６）を実行する。これにより、類似レセプトを参照して、エラー又は査定の候補を確認することができる。
（７）本実施形態においては、支援サーバ２０の制御部２１は、モデル評価処理を実行する。これにより、予測モデルを、審査結果状況に応じてチューニングすることができる。

本実施形態は、以下のように変更して実施することができる。本実施形態及び以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。

・上記実施形態では、レセプトファイル２２１に含まれる医療機関情報、診療科情報、傷病名情報、摘要欄情報、回数情報、数量情報、コメント情報、付せん情報２２２のエラー事由コード、補正情報２２３の補正内容、査定情報２２４の査定内容を学習項目として用いる。学習に用いる教師データは、レセプトファイルに含まれる項目値そのものだけではなく、項目値から算出される値（代表値や統計値等の関数値）を用いてもよい。

・上記実施形態では、支援サーバ２０の制御部２１は、教師データの生成処理を実行する（ステップＳ１−１）。ここでは、個別予測モデルの学習に用いる教師データの特徴量として、傷病名と明細との組み合わせ、明細に含まれる回数及び日付、明細に含まれる数量及び日付、明細及びコメントの組み合わせ、明細同士の組み合わせ及び日付を用いる。学習に用いる教師データは、これらの組み合わせに限定されるものではなく、レセプトファイルに含まれる多様な項目やそれらの組み合わせを用いることができる。また、レセプトファイルに含まれる項目値を加工した値を教師データとして用いてもよい。例えば、診療行為の実施日の間隔のように、レセプトファイル２２１に含まれる情報から算出される情報を用いてもよい。

・上記実施形態では、支援サーバ２０の制御部２１は、審査対象のレセプトファイルや審査結果を、ユーザ端末１０から取得する。情報の取得元は、ユーザ端末１０に限定されるものではない。例えば、レセプト電算処理システムや、保険者のレセプト管理システムから取得してもよい。

・上記実施形態では、学習結果記憶部２４には、グループ情報が記録される。このグループ情報では、付せん情報２２２や査定情報２２４が関連付けられているレセプトファイル２２１をグループ化して、グループ識別子に関連付けて、各レセプトファイル２２１の受付番号が記録される。ここで、レセプト情報記憶部２２に記録された各レセプトファイル２２１に対して分類予測モデルを適用し、受付番号に関連付けて記録してもよい。この場合には、付せん情報２２２や査定情報２２４が関連付けられていないレセプトファイル２２１についても類似レセプトとして用いることができる。

・上記実施形態では、支援サーバ２０の制御部２１は、個別予測モデルの作成処理（ステップＳ１−２）、出現率を用いた個別予測モデルの作成処理（ステップＳ１−３）、総合予測モデルの作成処理（ステップＳ１−４）を実行する。ここで、すべての予測モデルを機械学習により生成する必要はなく、部分的に他の手法（例えば、統計手法）を用いてもよい。例えば、総合予測においては、個別予測結果を統計的に評価して、エラー事由や査定内容を予測するようにしてもよい。

・上記実施形態では、本発明を、審査支払機関において、新たな評価対象レセプトを取得した場合、予測モデルを用いて、エラー事由や査定内容を予測する場合に用いる。適用対象は、これに限定されるものではない。
例えば、審査支払機関の再審査業務に適用してもよい。この場合には、過去の再審査結果を教師データとして用いて学習し、当月の再審査請求データから査定対象を予測することにより、再審査業務を効率化する。
また、保険者の再審査請求業務に適用してもよい。この場合には、審査支払機関が行なった過去の保険者の再審査結果を教師データとして用いて学習し、毎月の審査の結果データから再審査請求対象を予測することにより、再審査請求業務を効率化する。
また、医療機関の請求業務に適用してもよい。この場合には、審査支払機関が行なった過去の審査結果を教師データとして用いて学習し、毎月の請求データの中から査定されやすいレセプトを事前に予測することにより、請求業務を効率化する。
また、医療機関の再審査の請求業務に適用してもよい。この場合には、審査支払機関が行なった過去の医療機関の再審査の結果を教師データとして用いて学習し、毎月の審査の結果データから再審査請求対象を予測し、再審査請求業務を効率化する。

１０…ユーザ端末、２０…支援サーバ、２１…制御部、２１１…学習部、２１２…取得部、２１３…予測部、２１４…評価部、２２…レセプト情報記憶部、２３…教師情報記憶部、２４…学習結果記憶部、２５…審査対象記憶部。

Claims (6)

1. 審査結果に関連付けられたレセプトを記録したレセプト情報記憶部と、
   複数の予測モデルを記録する学習結果記憶部と、
   レセプトを評価する制御部とを備えた審査支援システムであって、
   前記制御部が、
   前記レセプト情報記憶部に記録されたレセプトの明細に含まれるレセプト項目を用いた異なる組み合わせ毎に、前記組み合わせに用いた項目の項目値からなる複数の特徴量に対して審査結果を関連付けた複数の教師データ群を生成し、
   前記複数の教師データ群を用いて、各特徴量から審査結果を予測する各個別予測モデルを前記組み合わせ毎に生成して、前記学習結果記憶部に記録し、
   審査対象レセプトを取得した場合、前記学習結果記憶部に記録された各個別予測モデルを用いて、前記審査対象レセプトの明細に含まれるレセプト項目について、前記組み合わせ毎に複数の個別予測結果を算出し、
   前記組み合わせ毎に算出したすべての個別予測結果に基づいて、前記審査対象レセプトの審査結果についての総合予測結果を算出することを特徴とする審査支援システム。
2. 前記制御部が、
   前記レセプト情報記憶部に記録されたレセプトに、前記学習結果記憶部に記録された個別予測モデルを適用して、複数の個別予測結果を算出し、
   前記複数の個別予測結果と、前記レセプト情報記憶部に記録された審査結果とを用いて、総合予測結果を算出するための総合予測モデルを生成することを特徴とする請求項１に記載の審査支援システム。
3. 前記制御部が、
   前記レセプト情報記憶部に記録されたレセプトにおいて、診療者毎に前記レセプトの各明細の項目値の出現率を算出し、
   前記出現率と、前記レセプト情報記憶部に記録された審査結果とを用いて、前記個別予測モデルを生成することを特徴とする請求項１又は２に記載の審査支援システム。
4. 前記制御部が、
   前記レセプト情報記憶部に記録されたレセプトをグループ化するための分類予測モデルを生成し、
   前記分類予測モデルを用いて、前記審査対象レセプトが属するグループを予測し、
   前記レセプト情報記憶部から、前記予測したグループに属するレセプトであって、前記審査対象レセプトに類似したレセプトを抽出して出力することを特徴とする請求項１〜３の何れか一項に記載の審査支援システム。
5. 審査結果に関連付けられたレセプトを記録したレセプト情報記憶部と、
   複数の予測モデルを記録する学習結果記憶部と、
   レセプトを評価する制御部とを備えた審査支援システムを用いて、レセプト審査を支援する方法であって、
   前記制御部が、
   前記レセプト情報記憶部に記録されたレセプトの明細に含まれるレセプト項目を用いた異なる組み合わせ毎に、前記組み合わせに用いた項目の項目値からなる複数の特徴量に対して審査結果を関連付けた複数の教師データ群を生成し、
   前記複数の教師データ群を用いて、各特徴量から審査結果を予測する各個別予測モデルを前記組み合わせ毎に生成して、前記学習結果記憶部に記録し、
   審査対象レセプトを取得した場合、前記学習結果記憶部に記録された各個別予測モデルを用いて、前記審査対象レセプトの明細に含まれるレセプト項目について、前記組み合わせ毎に複数の個別予測結果を算出し、
   前記組み合わせ毎に算出したすべての個別予測結果に基づいて、前記審査対象レセプトの審査結果についての総合予測結果を算出することを特徴とする審査支援方法。
6. 審査結果に関連付けられたレセプトを記録したレセプト情報記憶部と、
   複数の予測モデルを記録する学習結果記憶部と、
   レセプトを評価する制御部とを備えた審査支援システムを用いて、レセプト審査を支援するためのプログラムであって、
   前記制御部を、
   前記レセプト情報記憶部に記録されたレセプトの明細に含まれるレセプト項目を用いた異なる組み合わせ毎に、前記組み合わせに用いた項目の項目値からなる複数の特徴量に対して審査結果を関連付けた複数の教師データ群を生成し、
   前記複数の教師データ群を用いて、各特徴量から審査結果を予測する各個別予測モデルを前記組み合わせ毎に生成して、前記学習結果記憶部に記録し、
   審査対象レセプトを取得した場合、前記学習結果記憶部に記録された各個別予測モデルを用いて、前記審査対象レセプトの明細に含まれるレセプト項目について、前記組み合わせ毎に複数の個別予測結果を算出し、
   前記組み合わせ毎に算出したすべての個別予測結果に基づいて、前記審査対象レセプトの審査結果についての総合予測結果を算出する手段として機能させることを特徴とする審査支援プログラム。

Images