JP7010267B2 - リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム - Google Patents
リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム Download PDFInfo
- Publication number
- JP7010267B2 JP7010267B2 JP2019073961A JP2019073961A JP7010267B2 JP 7010267 B2 JP7010267 B2 JP 7010267B2 JP 2019073961 A JP2019073961 A JP 2019073961A JP 2019073961 A JP2019073961 A JP 2019073961A JP 7010267 B2 JP7010267 B2 JP 7010267B2
- Authority
- JP
- Japan
- Prior art keywords
- risk
- vector
- feature vector
- search
- calculated
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Description
以下、本発明の第1の実施形態を図面に基づいて説明する。図1は、第1の実施形態によるリスク対策解析システムの機能構成例を示すブロック図である。図1に示すように、第1の実施形態によるリスク対策解析システムは、その機能構成として、特徴ベクトル算出部11、リスク予測部12、リスク低減ベクトル特定部13および対策情報生成部14を備えている。また、第1の実施形態によるリスク対策解析システムは、記憶媒体として、リスク予測モデル記憶部21および解析対象データ記憶部22を備えている。
V’=Vf+(1-T)*Vs (Tは0≦T<1の任意の値)
ここで、パラメータTの値は、コンピュータがランダムに1つを選択するようにしてもよいし、ランダムに複数を選択するようにしてもよい。あるいは、ユーザが任意にパラメータTの値を指定できるようにしてもよい。
次に、本発明の第2の実施形態を図面に基づいて説明する。図7は、第2の実施形態によるリスク対策解析システムの機能構成例を示すブロック図である。なお、この図7において、図1に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。
w1=exp(Vf,Vs1)/{exp(Vf,Vs1)+exp(Vf,Vs2)+exp(Vf,Vs3)}
w2=exp(Vf,Vs2)/{exp(Vf,Vs1)+exp(Vf,Vs2)+exp(Vf,Vs3)}
w3=exp(Vf,Vs3)/{exp(Vf,Vs1)+exp(Vf,Vs2)+exp(Vf,Vs3)}
Vr-=Vf+{(w1・Vs1)+(w2・Vs2)+(w3・Vs3)}
Vr-1=Vf+Vs1
Vr-2=Vf+Vs2
Vr-3=Vf+Vs3
Vr-=(w1・Vr-1)+(w2・Vr-2)+(w3・Vr-3)
Vr-1’=Vf+(1-T)*Vs1 (Tは0≦T≦1の任意の値)
Vr-2’=Vf+(1-T)*Vs2 (Tは0≦T≦1の任意の値)
Vr-3’=Vf+(1-T)*Vs3 (Tは0≦T≦1の任意の値)
12 リスク予測部
13,13’ リスク低減ベクトル特定部
14 対策情報生成部
15 探索トピック指定部
16 探索トピック特定部
17 予測トピック指定部
18 予測トピック特定部
21 リスク予測モデル記憶部
22 解析対象データ記憶部
23 対策予測モデル記憶部
Claims (11)
- 解析対象データを解析し、解析対象の特徴を表す特徴ベクトルを算出する特徴ベクトル算出部と、
上記特徴ベクトル算出部により算出された特徴ベクトルを、学習済みのリスク予測モデルに入力し、予測対象物に関するリスクレベルを予測するリスク予測部と、
上記特徴ベクトル算出部により算出された特徴ベクトルと探索用ベクトルとを用いて所定の演算を行った結果として得られる演算後ベクトルを上記リスク予測モデルに対して入力し、その結果得られるリスクレベルが、上記特徴ベクトルを上記リスク予測モデルに入力した場合に得られるリスクレベルよりも小さくなるという条件を満たす探索用ベクトルを探索し、上記条件を満たす探索用ベクトルと上記特徴ベクトルとに基づいて演算されるベクトルをリスク低減ベクトルとして特定するリスク低減ベクトル特定部と、
複数の上記解析対象データについて上記特徴ベクトル算出部により算出される複数の特徴ベクトルの中から、上記リスク低減ベクトルと同一の特徴ベクトルおよび近似する特徴ベクトルを特定し、特定した特徴ベクトルに対応する解析対象データを用いて、当該解析対象データまたは当該解析対象データに含まれる文章または単語をリスク対策に関する情報として生成する対策情報生成部とを備え、
上記リスク予測モデルは、上記特徴ベクトルが入力された際に上記予測対象物に関するリスクレベルを出力するように、教師データを用いた機械学習処理により生成されている
ことを特徴とするリスク対策解析システム。 - 上記リスク低減ベクトル特定部は、上記特徴ベクトル算出部により算出された特徴ベクトルと探索トピックとを学習済みの対策予測モデルに入力し、上記特徴ベクトルと上記探索トピックとに基づき特定される探索範囲に含まれる上記探索用ベクトルを用いて上記リスク低減ベクトルの探索を行い、
上記対策予測モデルは、上記探索トピックと上記特徴ベクトルとが入力された際にそれらに応じた探索範囲を出力するように、教師データを用いた機械学習処理により生成されている
ことを特徴とする請求項1に記載のリスク対策解析システム。 - ユーザからの上記探索トピックに関する指定を受け付ける探索トピック指定部を更に備え、
上記リスク低減ベクトル特定部は、上記特徴ベクトル算出部により算出された特徴ベクトルと、上記探索トピック指定部により受け付けられた探索トピックとを上記学習済みの対策予測モデルに入力する
ことを特徴とする請求項2に記載のリスク対策解析システム。 - 上記解析対象データを解析することによって上記探索トピックを特定する探索トピック特定部を更に備え、
上記リスク低減ベクトル特定部は、上記特徴ベクトル算出部により算出された特徴ベクトルと、上記探索トピック特定部により特定された探索トピックとを上記学習済みの対策予測モデルに入力する
ことを特徴とする請求項2に記載のリスク対策解析システム。 - 上記解析対象データを解析することによって上記探索トピックを特定する探索トピック特定部を更に備え、
上記リスク低減ベクトル特定部は、上記特徴ベクトル算出部により算出された特徴ベクトルと、上記探索トピック特定部により特定された探索トピックとは異なる探索トピックとを上記学習済みの対策予測モデルに入力する
ことを特徴とする請求項2に記載のリスク対策解析システム。 - 上記リスク低減ベクトル特定部は、複数の探索トピックごとに上記対策予測モデルにより特定される探索範囲に含まれる上記探索用ベクトルと、上記特徴ベクトル算出部により算出された特徴ベクトルとを用いて、上記複数の探索トピックごとに探索を行い、上記複数の探索トピックについてそれぞれ探索された探索用ベクトルと、上記特徴ベクトル算出部により算出された特徴ベクトルとを用いて、所定の重み付け加算を行うことによって算出されるベクトルをリスク低減ベクトルとして特定する
ことを特徴とする請求項2に記載のリスク対策解析システム。 - 上記リスク低減ベクトル特定部は、
特定の探索トピックが入力された場合、当該入力された探索トピックと上記特徴ベクトル算出部により算出された特徴ベクトルとを学習済みの対策予測モデルに入力し、上記対策予測モデルにより特定される探索範囲に含まれる上記探索用ベクトルと上記特徴ベクトル算出部により算出された特徴ベクトルとを用いて上記リスク低減ベクトルを特定し、
上記特定の探索トピックが入力されていない場合、上記複数の探索トピックごとに上記対策予測モデルにより特定される探索範囲に含まれる上記探索用ベクトルと、上記特徴ベクトル算出部により算出された特徴ベクトルとを用いて、上記複数の探索トピックごとに探索を行い、上記複数の探索トピックについてそれぞれ探索された探索用ベクトルと、上記特徴ベクトルとに基づいて演算されるベクトルとを用いて所定の重み付け加算を行うことによってリスク低減ベクトルを特定する
ことを特徴とする請求項6に記載のリスク対策解析システム。 - 上記リスク予測部は、上記特徴ベクトル算出部により算出された特徴ベクトルと予測トピックとを学習済みのリスク予測モデルに入力し、上記予測対象物に関して上記予測トピックに応じたリスクレベルを予測し、
上記リスク予測モデルは、上記特徴ベクトルと上記予測トピックとが入力された際にそれらに応じたリスクレベルを出力するように、教師データを用いた機械学習処理により生成されている
ことを特徴とする請求項2に記載のリスク対策解析システム。 - 解析対象データを解析することによって得られる解析対象の特徴を表す特徴ベクトルを入力して予測対象物に関するリスクレベルを出力するように学習済みのリスク予測モデルに適用された特徴ベクトル、および、リスク予測モデルから出力されたリスクレベルを取得するリスク情報取得部と、
上記リスク情報取得部により取得された特徴ベクトルと探索用ベクトルとを用いて所定の演算を行った結果として得られる演算後ベクトルを上記リスク予測モデルに対して入力し、その結果得られるリスクレベルが、上記リスク情報取得部により取得されたリスクレベルよりも小さくなるという条件を満たす探索用ベクトルを探索し、上記条件を満たす探索用ベクトルと上記特徴ベクトルとに基づいて演算されるベクトルをリスク低減ベクトルとして特定するリスク低減ベクトル特定部と、
複数の上記解析対象データを解析することによって得られる複数の特徴ベクトルの中から、上記リスク低減ベクトルと同一の特徴ベクトルおよび近似する特徴ベクトルを特定し、特定した特徴ベクトルに対応する解析対象データを用いて、当該解析対象データまたは当該解析対象データに含まれる文章または単語をリスク対策に関する情報として生成する対策情報生成部とを備えた
ことを特徴とするリスク対策解析システム。 - 予測対象物について起こり得るリスクとそれに対する対策とをコンピュータによって解析する方法であって、
上記コンピュータの特徴ベクトル算出部が、解析対象データを解析し、解析対象の特徴を表す特徴ベクトルを算出する第1のステップと、
上記コンピュータのリスク予測部が、上記特徴ベクトル算出部により算出された特徴ベクトルを、上記特徴ベクトルが入力された際に上記予測対象物に関するリスクレベルを出力するように教師データを用いて機械学習済みのリスク予測モデルに入力し、上記予測対象物に関するリスクレベルを予測する第2のステップと、
上記コンピュータのリスク低減ベクトル特定部が、上記特徴ベクトル算出部により算出された特徴ベクトルと探索用ベクトルとを用いて所定の演算を行った結果として得られる演算後ベクトルを上記リスク予測モデルに対して入力し、その結果得られるリスクレベルが、上記特徴ベクトルを上記リスク予測モデルに入力した場合に得られるリスクレベルよりも小さくという条件を満たす探索用ベクトルを探索し、上記条件を満たす探索用ベクトルと上記特徴ベクトルとに基づいて演算されるベクトルをリスク低減ベクトルとして特定する第3のステップと、
上記コンピュータの対策情報生成部が、複数の上記解析対象データについて上記特徴ベクトル算出部により算出される複数の特徴ベクトルの中から、上記リスク低減ベクトルと同一の特徴ベクトルおよび近似する特徴ベクトルを特定し、特定した特徴ベクトルに対応する解析対象データを用いて、当該解析対象データまたは当該解析対象データに含まれる文章または単語をリスク対策に関する情報として生成する第4のステップとを有することを特徴とするリスク対策解析方法。 - 予測対象物について起こり得るリスクとそれに対する対策とを解析するようにコンピュータを機能させるためのプログラムであって、
解析対象データを解析し、解析対象の特徴を表す特徴ベクトルを算出する特徴ベクトル算出手段、
上記特徴ベクトル算出手段により算出された特徴ベクトルを、上記特徴ベクトルが入力された際に上記予測対象物に関するリスクレベルを出力するように教師データを用いて機械学習済みのリスク予測モデルに入力し、上記予測対象物に関するリスクレベルを予測するリスク予測手段、
上記特徴ベクトル算出手段により算出された特徴ベクトルと探索用ベクトルとを用いて所定の演算を行った結果として得られる演算後ベクトルを上記リスク予測モデルに対して入力し、その結果得られるリスクレベルが、上記特徴ベクトルを上記リスク予測モデルに入力した場合に得られるリスクレベルよりも小さくなるという条件を満たす探索用ベクトルを探索し、上記条件を満たす探索用ベクトルと上記特徴ベクトルとに基づいて演算されるベクトルをリスク低減ベクトルとして特定するリスク低減ベクトル特定手段、および
複数の上記解析対象データについて上記特徴ベクトル算出手段により算出される複数の特徴ベクトルの中から、上記リスク低減ベクトルと同一の特徴ベクトルおよび近似する特徴ベクトルを特定し、特定した特徴ベクトルに対応する解析対象データを用いて、当該解析対象データまたは当該解析対象データに含まれる文章または単語を、上記リスク予測手段により予測されたリスクに対する対策に関する情報として生成する対策情報生成手段、
として上記コンピュータを機能させるためのリスク対策解析用プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019073961A JP7010267B2 (ja) | 2019-04-09 | 2019-04-09 | リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム |
PCT/JP2020/003945 WO2020208912A1 (ja) | 2019-04-09 | 2020-02-03 | リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019073961A JP7010267B2 (ja) | 2019-04-09 | 2019-04-09 | リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020173525A JP2020173525A (ja) | 2020-10-22 |
JP7010267B2 true JP7010267B2 (ja) | 2022-01-26 |
Family
ID=72750561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019073961A Active JP7010267B2 (ja) | 2019-04-09 | 2019-04-09 | リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7010267B2 (ja) |
WO (1) | WO2020208912A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022250143A1 (ja) * | 2021-05-28 | 2022-12-01 | 国立研究開発法人理化学研究所 | 疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置 |
JP7333549B2 (ja) * | 2021-05-28 | 2023-08-25 | 国立研究開発法人理化学研究所 | 疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013508859A (ja) | 2009-10-19 | 2013-03-07 | セラノス, インコーポレイテッド | 統合型の保健データ取得および分析システム |
WO2016035336A1 (ja) | 2014-09-03 | 2016-03-10 | 日本電気株式会社 | 休職予測システム、予測ルール学習装置、予測装置、休職予測方法及びコンピュータ読み取り可能記録媒体 |
JP2018019611A (ja) | 2016-08-01 | 2018-02-08 | パナソニック インテレクチュアル プロパティ コーポレーション オブアメリカPanasonic Intellectual Property Corporation of America | ペット向けリード型バイタル計測装置 |
-
2019
- 2019-04-09 JP JP2019073961A patent/JP7010267B2/ja active Active
-
2020
- 2020-02-03 WO PCT/JP2020/003945 patent/WO2020208912A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013508859A (ja) | 2009-10-19 | 2013-03-07 | セラノス, インコーポレイテッド | 統合型の保健データ取得および分析システム |
WO2016035336A1 (ja) | 2014-09-03 | 2016-03-10 | 日本電気株式会社 | 休職予測システム、予測ルール学習装置、予測装置、休職予測方法及びコンピュータ読み取り可能記録媒体 |
JP2018019611A (ja) | 2016-08-01 | 2018-02-08 | パナソニック インテレクチュアル プロパティ コーポレーション オブアメリカPanasonic Intellectual Property Corporation of America | ペット向けリード型バイタル計測装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2020173525A (ja) | 2020-10-22 |
WO2020208912A1 (ja) | 2020-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shamout et al. | Machine learning for clinical outcome prediction | |
US10430690B1 (en) | Machine learning predictive labeling system | |
Guidotti et al. | A survey of methods for explaining black box models | |
US10354204B2 (en) | Machine learning predictive labeling system | |
US10521734B2 (en) | Machine learning predictive labeling system | |
De Vine et al. | Medical semantic similarity with a neural language model | |
Cherkassky et al. | Learning from data: concepts, theory, and methods | |
Sulieman et al. | Classifying patient portal messages using Convolutional Neural Networks | |
JP6915809B2 (ja) | 事象予測装置、予測モデル生成装置および事象予測用プログラム | |
Srinivas et al. | Survey on prediction of heart morbidity using data mining techniques | |
JP2020042659A (ja) | 認知症予測装置、予測モデル生成装置および認知症予測用プログラム | |
Kamila et al. | Pareto-based multi-objective optimization for classification in data mining | |
JP2000339351A (ja) | 選択的に関連させられたデータベースレコードの識別のためのシステム | |
WO2020208912A1 (ja) | リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム | |
Rijcken et al. | Topic modeling for interpretable text classification from EHRs | |
Kaswan et al. | AI-based natural language processing for the generation of meaningful information electronic health record (EHR) data | |
Pargent et al. | Predictive modeling with psychological panel data | |
Sun et al. | Interpretable time-aware and co-occurrence-aware network for medical prediction | |
Sahlaoui et al. | A review on simulation-based metamodeling in emergency healthcare: methodology, applications, and future challenges | |
Tao et al. | Can online consumer reviews signal restaurant closure: A deep learning-based time-series analysis | |
Soriano et al. | DNER Clinical (named entity recognition) from free clinical text to Snomed-CT concept | |
Das et al. | A semi-automated coding scheme for occupational injury data: An approach using Bayesian decision support system | |
JP6509391B1 (ja) | 計算機システム | |
Samir et al. | Sentiment analysis model for Airline customers’ feedback using deep learning techniques | |
Püschel et al. | Comparison of Discrete Choice and Machine Learning Models for Simultaneous Modeling of Mobility Tool Ownership in Agent-Based Travel Demand Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20191118 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210624 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210624 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210720 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210907 |
|
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: 20211209 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211227 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7010267 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |