JP7023037B2 - 選択支援装置、選択支援方法、データ構造、学習済みモデルおよびプログラム - Google Patents

選択支援装置、選択支援方法、データ構造、学習済みモデルおよびプログラム Download PDF

Info

Publication number
JP7023037B2
JP7023037B2 JP2018134132A JP2018134132A JP7023037B2 JP 7023037 B2 JP7023037 B2 JP 7023037B2 JP 2018134132 A JP2018134132 A JP 2018134132A JP 2018134132 A JP2018134132 A JP 2018134132A JP 7023037 B2 JP7023037 B2 JP 7023037B2
Authority
JP
Japan
Prior art keywords
acceptance
past
data
request
attribute information
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
Application number
JP2018134132A
Other languages
English (en)
Other versions
JP2020013255A (ja
Inventor
学 吉田
篤彦 前田
一平 社家
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2018134132A priority Critical patent/JP7023037B2/ja
Priority to PCT/JP2019/026096 priority patent/WO2020017302A1/ja
Priority to US17/260,409 priority patent/US20210264315A1/en
Publication of JP2020013255A publication Critical patent/JP2020013255A/ja
Application granted granted Critical
Publication of JP7023037B2 publication Critical patent/JP7023037B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Description

この発明の一態様は、ユーザからの要求に応じた受入れ先施設の選択を支援する、選択支援装置、選択支援方法、データ構造、学習済みモデルおよびプログラムに関する。
ユーザからの要求に応じて受入れ先施設を選ぶ際、その要求を受け入れる施設を探すのが困難なことがある。例えば、救急搬送の要請があり、その搬送先の病院を探す場合が考えられる。
救急搬送の要請に応じて患者を救急車により病院へ搬送する際の課題の１つとして、患者を受入れ可能な病院を特定するのに時間がかかることが知られている。特に、搬送要求を出した先の病院から受入れを拒否され、再度搬送先の病院を選択しなければならない場合、搬送に要する時間が顕著に長くなることがある。
この課題を解決するために、患者の重症度と症状に基づいて、過去に受け入れ実績のある医療機関のリストを救急隊員が所有する端末に表示する装置（例えば、特許文献１参照）や、患者が救急搬送を要望する際に患者が過去に通院した履歴データも活用できるようにすることで通院実績のある病院を搬送先として特定するシステム（例えば、特許文献２参照）、あらかじめ救急受入れ要求を優先的に行う病院の候補群を設定しておき、各病院へ受け入れ可否の問い合わせメールを一斉送信することで搬送先の病院を短時間で特定するシステム（例えば、特許文献３参照）などが報告されている。
特開２０１６－ ３５６９９号公報 特開２０１４－２１９８５４号公報 特開２００７－１２８２４５号公報
ところが、特許文献１に記載された技術では、搬送要求先の病院候補が複数表示されるため、受け入れ可能な病院の特定には時間がかかる。特許文献２に記載された技術では、通院実績がある病院しか選定されないので、患者の重症度や症状によっては病院側で対応できない可能性がある。特許文献３に記載された技術では、救急車と各病院が通信ネットワークでつながっており、救急支援サーバを通してメールのやりとりができるという前提を必ずしも満たせるとは限らない。
この発明は上記事情に着目してなされたもので、その目的とするところは、ユーザからの要求を受け入れる可能性が高い施設の予測を可能にする技術を提供することにある。
上記課題を解決するためにこの発明の第１の態様は、ユーザからの要求に応じた受入れ先施設の選択を支援する選択支援装置にあって、複数の候補施設の各々における、過去の受入れ要求に対する受入れの成否を表す情報を、上記過去の受入れ要求に関連する属性情報と関連付けた受入れ実績データを取得する、受入れ実績データ取得部と、上記取得された受入れ実績データに基づいて、上記複数の候補施設の各々における上記属性情報に応じた受入れの過去の確率を算出する、過去確率算出部と、上記受入れ実績データおよび上記算出された過去の確率に基づいて、上記複数の候補施設の各々について、新たに発生した受入れ要求に関連する属性情報に応じて当該新たに発生した受入れ要求に対する受入れの可能性を予測するための、上記受入れの成否を表す情報と上記属性情報との関係を表す予測モデルを生成する、学習部と、を具備するようにしたものである。
この発明の第２の態様は、上記第１の態様において、上記複数の候補施設の各々について、上記生成された予測モデルと上記新たに発生した受入れ要求に関連する属性情報とに基づいて、上記新たに発生した受入れ要求に対する受入れの可能性を予測する受入れ可能性予測部と、上記受入れ可能性予測部による予測結果を出力する出力部とをさらに具備するようにしたものである。
この発明の第３の態様は、上記第２の態様において、上記受入れ可能性予測部が、さらに、上記受入れの可能性の高さを表すスコア値を算出し、上記出力部が、上記算出されたスコア値をソートして出力するようにしたものである。
この発明の第４の態様は、上記第１の態様において、上記学習部が、上記属性情報から抽出される複数の特徴のうちの少なくとも１つに着目した、特徴の種類別の上記予測モデルを生成するようにしたものである。
この発明の第５の態様は、上記第１乃至第４の態様のいずれか１つにおいて、上記過去確率算出部が、上記過去の受入れ要求に関連する属性情報から抽出される複数の特徴の各々について、対応する条件で上記複数の候補施設の各々における過去の確率を算出し、上記学習部が、上記受入れの成否を表す情報を目的変数とし、上記複数の特徴または上記過去の確率のうちの少なくとも１つを説明変数として、上記予測モデルを生成するようにしたものである。
この発明の第１の態様によれば、候補施設における過去の受入れ要求に対する受入れの成否を表す情報と、受入れ要求に関連する属性情報とを関連づけた受入れ実績データに基づいて、各候補施設における属性情報に応じた受入れの過去の確率が算出される。そして、受入れ実績データと算出された過去の確率とに基づいて、受入れの成否を表す情報と属性情報との関係を表す予測モデルが生成される。このように生成された予測モデルを用いれば、新たな受入れ要求が発生したときに、その新たな受入れ要求に関連する属性情報に基づいて、新たな受入れ要求に対する各施設の受入れ可能性を予測することができる。予測モデルが過去の統計データに基づいて生成されるので、より信頼性の高い予測を実現することができる。さらに、予測モデルは属性情報を考慮したものであるので、属性情報が受入れの成否に対してどのような寄与をするかの分析にも役立てることができる。
この発明の第２の態様によれば、第１の態様において生成された予測モデルを用いて、新たに発生した受入れ要求に関連する属性情報に基づいて、その新たに発生した受入れ要求に対する候補施設ごとの受入れ可能性が予測され、その予測結果が出力される。これにより、ユーザは、新たに発生した受入れ要求が施設によって受け入れられる可能性について、属性情報を考慮した信頼性の高い予測結果を得ることができる。ユーザは、出力された予測結果を踏まえて、例えば、新たに発生した受入れ要求が受け入れられる可能性が最も高い候補施設を判別し、その施設へと受入れ要求を送ることができる。あるいは、ユーザは、予測結果を数値に変換して種々の演算処理を行うこともできる。
この発明の第３の態様によれば、上記受入れ可能性予測部によって、さらに、新たに発生した受入れ要求に対する候補施設ごとの受入れ可能性の高さを表すスコア値が算出される。これにより、スコア値に基づく演算処理が容易になり、予測結果を様々な形で活用できるようになる。また、上記出力部によって、算出されたスコア値がソートして出力されるので、ユーザが利用しやすい形式でスコア値を出力することができる。また、スコア値に応じて出力を取捨選択することにより、装置の処理負荷を抑えることもできる。ユーザにとっては、スコア値の高い候補施設を見つけることにより、要求が受け入れられる可能性の高い施設を容易に識別することができる。
この発明の第４の態様によれば、上記学習部によって、属性情報から抽出される複数の特徴のうちの少なくとも１つに着目した、特徴の種類別の予測モデルが生成される。これにより、属性情報から抽出される特徴の種類を考慮した、より精度の高い予測モデルが生成される。
この発明の第５の態様によれば、受入れ要求に関連する属性情報から抽出される複数の特徴の各々に対応する条件で、各候補施設における過去の受入れ要求に対する過去の確率が算出され、受入れの成否を表す情報を目的変数とし、上記複数の特徴または過去の確率のうちの少なくとも１つを説明変数として予測モデルが生成される。これにより、属性情報から抽出される特徴の各々が受入れの成否に対してどのように寄与するかを考慮した精密な予測モデルを生成することができる。この予測モデルを用いれば、新たに発生した受入れ要求に関連する属性情報から抽出される特徴の各々に応じて、より条件に合致した、高精度の予測を実現することができる。
すなわちこの発明の各態様によれば、ユーザからの受入れ要求を受け入れる可能性が高い施設の予測を可能にする技術を提供することができる。
図１は、この発明の一実施形態に係る選択支援装置の機能構成を示すブロック図である。 図２は、図１に示した選択支援装置による過去確率算出処理の処理手順と処理内容の一例を示すフロー図である。 図３は、図１に示した選択支援装置による予測モデル生成処理の処理手順と処理内容の一例を示すフロー図である。 図４は、図１に示した選択支援装置によるスコア算出用データ取得処理の処理手順と処理内容の一例を示すフロー図である。 図５は、図１に示した選択支援装置によるスコア算出処理の処理手順と処理内容の一例を示すフロー図である。 図６は、図１に示した選択支援装置によって取得される実績データＤ１の一例を示す図である。 図７は、図１に示した選択支援装置によって算出される過去確率データＤ２の一例を示す図である。 図８は、図１に示した選択支援装置によって取得される予測モデル生成用データＤ３の一例を示す図である。 図９は、図１に示した選択支援装置によって取得される予測用データＤ４の一例を示す図である。 図１０は、図１に示した選択支援装置によって取得されるスコア算出用データＤ５の一例を示す図である。 図１１は、図１に示した選択支援装置によって取得される係数ベクトルＷの一例を示す図である。 図１２は、図１に示した選択支援装置によって算出されるスコア値を含む出力データの一例を示す図である。 図１３Ａは、図１に示した選択支援装置によって取得される予測モデル生成用データＤ３の第２の例を示す図である。 図１３Ｂは、図１に示した選択支援装置によって取得される予測モデル生成用データＤ３の第３の例を示す図である。 図１４Ａは、図１に示した選択支援装置によって取得される係数ベクトルＷの第２の例を示す図である。 図１４Ｂは、図１に示した選択支援装置によって取得される係数ベクトルＷの第３の例を示す図である。
以下、図面を参照してこの発明に係わる実施形態を説明する。
［一実施形態］
（構成）
図１は、この発明の一実施形態に係る、選択支援装置１の機能構成を示すブロック図である。以下では、一例として、ユーザからの受入れ要求として救急搬送の要請があったときに、ユーザまたはオペレータ（例えば、救急隊員またはサービスセンタのオペレータ）等が搬送先の施設を選択し、その施設に対して搬送要求を出す場合を例に挙げて説明する。ただし、受入れ要求はこのような搬送要求だけに限定されるものではなく、要求の受入れ先施設は医療機関に限定されるものではない。
一実施形態に係る選択支援装置１は、例えば、パーソナルコンピュータまたはサーバ装置からなり、救急搬送を要する患者が発生したときに、病院など、搬送先の候補施設が搬送要求を受け入れる可能性を予測するために用いられる予測モデルを生成することによって、ユーザ等が搬送先の施設を選択するのを支援する。選択支援装置１は、ハードウェアとして、入出力インタフェースユニット１０と、制御ユニット２０と、記憶ユニット３０とを備えている。
入出力インタフェースユニット１０は、例えば１つ以上の有線または無線の通信インタフェースユニットを含んでいる。入出力インタフェースユニット１０は、例えばキーボードやマウス等を含む入力デバイス（図示せず）によって入力された種々のデータを制御ユニット２０に入力する。さらに、入出力インタフェースユニット１０は、制御ユニット２０から出力された表示データを、例えば液晶ディスプレイなどの表示デバイス（図示せず）に表示させる。入出力インタフェースユニット１０は、また、通信ネットワークを介して外部サーバもしくは外部データベース等との間で情報の送受信を可能にする。
記憶ユニット３０は、記憶媒体として例えばＨＤＤ（Hard Disc Drive）またはＳＳＤ（Solid State Drive）等の随時書き込みおよび読み出しが可能な不揮発メモリを使用したもので、この実施形態を実現するために必要な記憶領域として、実績データ記憶部３１と、過去確率データ記憶部３２と、予測モデル記憶部３３とを備えている。
実績データ記憶部３１は、過去の受入れ要求に関する情報とそれに対する受入れの成否を表す情報を含む受入れ実績データ、例えば、搬送先の施設の識別情報と、各施設が搬送要求を受け入れたか否かの受入れ結果情報と、搬送要求に関連する属性情報とを関連づけた、実績データＤ１を記憶する。属性情報とは、ユーザからの受入れ要求に関連する種々の情報を言う。例えば、ユーザからの要求が救急搬送の要請である場合、属性情報には、救急搬送の要請があったときの年月日、曜日、時間帯、天候、患者の症状、患者の症状に応じた診療科目、患者の顔色、心拍数などが含まれる（これらの各々を、以下では、「属性情報から抽出される特徴」とも言う。）。また、受入れ実績データは、候補施設に関する属性情報を含むこともできる。例えば、搬送先の施設の識別情報にひも付けられた空きベッド数や専門医師の勤務情報などを取得可能であれば、実績データＤ１に含めることができる。
過去確率データ記憶部３２は、実績データＤ１に基づいて算出される、各施設が搬送要求を受け入れた確率（過去の確率）を表す情報を含む、過去確率データＤ２を記憶する。
予測モデル記憶部３３は、新たに発生した受入れ要求に関連する属性情報に基づいて、各候補施設がその受入れ要求を受け入れる可能性を予測するために使用される、予測モデルを記憶する。
制御ユニット２０は、図示しないＣＰＵ（Central Processing Unit）等のハードウェアプロセッサと、プログラムメモリとを備え、この実施形態における処理機能を実行するために、実績データ取得部２１と、過去確率算出部２２と、予測モデル生成用データ取得部２３と、学習部２４と、予測用データ取得部２５と、過去確率データ取得部２６と、スコア算出部２７と、出力制御部２８とを備えている。これらの各部における処理機能はいずれも、プログラムメモリに格納されたプログラムを上記ハードウェアプロセッサに実行させることによって実現される。なお、これらの処理機能は、プログラムメモリに格納されたプログラムを用いて実現されるのではなく、ネットワークを通して提供されるプログラムを用いて実現されてもよい。
実績データ取得部２１は、入出力インタフェースユニット１０を介して、図示しない入力デバイスや外部データベースなどから、過去の受入れ要求に関する実績データ、例えば、患者に関する情報（例えば症状やバイタルデータ）と環境に関する情報（例えば曜日や時間帯）とを含む実績データＤ１を取得し、実績データ記憶部３１に格納する。
過去確率算出部２２は、記憶ユニット３０の実績データ記憶部３１に記憶されたデータを読み出し、属性情報ごと、または属性情報から抽出される特徴ごとの、過去の要求が受け入れられた確率を表すデータセットＤ２を生成する処理を実行する。過去確率算出部２２は、過去の全データから上記確率を算出してもよいし、前月の１か月分のデータから上記確率を算出してもよいし、その両方を算出しておいてもよい。あるいは、過去確率算出部２２は、過去の任意の時点を含む任意の期間のデータから上記確率を算出してもよい。一例では、過去確率算出部２２は、実績データＤ１を施設（病院）ごとに分割した後、施設ごとに年単位および月単位にさらにデータを分割し、診療科目別および曜日別の過去の確率を算出して、データセットＤ２を取得する。その後、過去確率算出部２２は、取得されたデータセットＤ２を、記憶ユニット３０の過去確率データ記憶部３２に記憶させる。
予測モデル生成用データ取得部２３は、記憶ユニット３０の実績データ記憶部３１および過去確率データ記憶部３２に記憶されているデータを読み出し、予測モデルを生成するために用いられる、予測モデル生成用データＤ３を取得する処理を行う。予測モデル生成用データＤ３については、後でさらに説明する。予測モデル生成用データ取得部２３は、取得した予測モデル生成用データＤ３を学習部２４に出力する。
学習部２４は、予測モデル生成用データＤ３を用いて統計分析する処理を実行する。例えば、学習部２４は、上記予測モデル生成用データＤ３中の患者に関する情報または受入れの過去の確率を特徴ベクトルとし、さらに、当該データセットに含まれる受入れの成否（受入れ拒否、ないしは受入れ可）を示す値を正解ラベルとして用いることによって、上記特徴ベクトルから上記ラベル（受入れ可）の発生しやすさを表すスコア値を算出するためのモデルにかかわる係数ベクトルを算出する処理を実行する。算出された係数ベクトルは、予測モデル記憶部３３にて記憶される。特徴ベクトルに応じて算出された係数ベクトルは、予測モデルとして予測処理に用いることができる。以下では、係数ベクトルが決定（学習）された予測モデルを学習済みモデルとも言う。
予測用データ取得部２５は、新たな受入れ要求が発生したとき、例えば、搬送を要する患者が発生したときに、当該搬送要求に関連する属性情報を表すデータを予測用データＤ４として取得し、過去確率データ取得部２６に出力する。
過去確率データ取得部２６は、取得した予測用データＤ４に基づき、記憶ユニット３０の過去確率データ記憶部３２に記憶された過去確率データＤ２から条件（例えば、患者の症状に応じた診療科目や、曜日）に合致する過去確率データを読み出し、予測用データＤ４とともに、スコア算出用データＤ５として出力する。
スコア算出部２７は、過去確率データ取得部２６から出力されたスコア算出用データＤ５と、予測モデル記憶部３３に記憶されたあらかじめ生成された予測モデルとを用いて、ある特定の施設に搬送要求をした場合に受け入れてもらえる可能性を表すスコア値を算出する。この実施形態では、上記過去確率データを特徴ベクトルとし、予測モデル記憶部３３に記憶された係数ベクトルを用いることでスコア値を算出することができる。
出力制御部２８は、スコア算出部２７で算出されたスコア値に基づいて出力用のデータを作成し、入出力インタフェースユニット１０を介して図示しない表示デバイスや外部端末に出力する処理を行う。例えば、出力制御部２８は、複数の搬送先候補施設の各々について算出されたスコア値に基づき、搬送先の候補施設の優先度付けを行った優先度リストを出力データとして作成することができる。複数の候補施設の各々について算出されたスコア値をそのまま出力データとしてもよいし、ソートした上位の候補施設以外を除外した出力データとしてもよい。
（動作）
次に、以上のように構成された選択支援装置１の動作を、いくつかの実施例を用いて説明する。
（第１の実施例）
（１）過去の確率の算出
図２は、図１に示した選択支援装置１の制御ユニット２０による過去確率算出処理の処理手順と処理内容の一例を示すフロー図である。この処理は、任意のタイミングで開始されてよく、例えば、一定時間ごとに自動的に開始されてもよいし、オペレータの操作をトリガとして開始されてもよい。
ステップＳ２０１において、制御ユニット２０は、実績データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、入力デバイスまたは外部データベース等から、過去の搬送実績に係る実績データＤ１を取得し、実績データ記憶部３１に記憶させる。例えば、キーボードやマウス等を含む入力デバイスを通じてオペレータが手入力により入力したデータを実績データＤ１として取り込むことができる。あるいは、通信を用いた自動収集によりデータの取得が実行されてもよい。図６は、取得される実績データＤ１の一例を示す。実績データＤ１には、搬送先の施設を識別する病院ＩＤのカラムと、その病院に対して搬送要求をした結果を示す受入れ結果カラムとが少なくとも含まれる。実績データＤ１にはさらに、環境情報としての日時、曜日、天候、患者情報としての診療科目、患者の顔色、患者の心拍などが含まれる。また、病院ＩＤにひも付けられた、種々の属性情報を取得可能であれば、それらも実績データＤ１に含めることができる。そのような属性情報には、例えば、全ベッド数、空きベッド数、専門医師の勤務情報、診療科目別の医師の人数など、多種多様な情報を含めることができる。
ステップＳ２０２において、制御ユニット２０は、過去確率算出部２２の制御の下、実績データＤ１を実績データ記憶部３１から読み出し、実績データＤ１の病院ＩＤのカラムを参照し、病院ＩＤのユニークリストを作成し、実績データＤ１を病院ＩＤごとに分割する処理を行う。
続いて、ステップＳ２０３において、過去確率算出部２２は、病院ＩＤごとに分割された各データについて、年単位でデータを抽出する。
次いで、ステップＳ２０４において、年単位で抽出されたデータに基づき、病院ごとに、診療科目別および曜日別の過去の確率を算出する。過去の確率の算出は、搬送要求が行われた回数、いわゆるデータのレコード数を分母とし、そのうちデータにおける受入れ結果のカラムを参照し受け入れ可となっているレコード数を分子としたときの割合であり、０から１の間で算出される。
同様に、ステップＳ２０５において、過去確率算出部２２は、病院ＩＤごとに分割された各データについて、月単位でデータを抽出する。
次いで、ステップＳ２０６において、月単位で抽出されたデータに基づき、診療科目別および曜日別の過去の確率を算出する。過去の確率は、ステップＳ２０４と同様に、０から１の間で算出される。ステップＳ２０３～Ｓ２０４と、ステップＳ２０５～Ｓ２０６は、同時並行して実行されてもよく、順次に実行されてもよい。
ステップＳ２０７において、過去確率算出部２２は、算出された過去の確率を病院ＩＤの上記ユニークリストの対応する病院ＩＤに対して結合し、これを過去確率データＤ２とする。図７は、過去確率データＤ２の一例を示す。過去確率データＤ２には、例えば、候補施設の識別情報としての病院ＩＤと、病院ごとの受入れの過去の確率として、年単位で算出された月曜日の確率、年単位で算出された火曜日の確率・・・、年単位で算出された精神科の確率、年単位で算出された産婦人科の確率・・・、月単位で算出された月曜日の確率、月単位で算出された火曜日の確率・・・、月単位で算出された精神科の確率、月単位で算出された産婦人科の確率・・・が含まれる。なお、年単位および月単位に限るものではなく、四半期単位、週単位、日単位など、任意の時間幅ごとに、上記過去の確率を算出するように構成してもよい。
ステップＳ２０８において、過去確率算出部２２は、得られた過去確率データＤ２を過去確率データ記憶部３２に格納する。
（２）予測モデルの生成（係数ベクトルの算出）
図３は、図１に示した選択支援装置１の制御ユニット２０による予測モデルの生成処理手順と処理内容の一例を示すフロー図である。この実施形態では、予測モデルは、施設による搬送要求の受け入れやすさ、すなわち受入れ要求を受け入れる可能性を予測するためのモデルである。より具体的には、この実施形態では、予測モデルの生成は、施設による搬送要求の受け入れやすさを表すスコア値を算出するために用いられる、特徴ベクトルに対して適用すべき係数ベクトルを算出する処理を指す。なお、この処理は、任意のタイミングで開始されてよく、例えば、一定時間ごとに自動的に開始されてもよいし、オペレータの操作をトリガとして開始されてもよい。
ステップＳ３０１において、制御ユニット２０は、予測モデル生成用データ取得部２３の制御の下、実績データ記憶部３１に記憶された実績データＤ１を読み出す。
同様に、ステップＳＳ０２において、予測モデル生成用データ取得部２３は、過去確率データ記憶部３２に記憶された過去確率データＤ２を読み出す。ステップＳ３０２は、ステップＳ３０１の後に実行されても、ステップＳ３０１と同時並行して実行されても、またはステップＳ３０１の前に実行されてもよい。
ステップＳ３０３において、予測モデル生成用データ取得部２３は、実績データＤ１から特定のカラムの値を参照し、それらの条件に該当する過去確率データを過去確率データＤ２から抽出し、結合して、予測モデル生成用データＤ３を取得する。例えば、予測モデル生成用データ取得部２３は、実績データＤ１から、病院ＩＤカラム、曜日カラム、診療科目カラムの値を参照し、それらの条件に対応する過去確率データを過去確率データＤ２から抽出して、実績データＤ１に結合させ、予測モデル生成用データＤ３を取得する。
図８は、予測モデル生成用データＤ３の一例を示す。予測モデル生成用データＤ３には、例えば、実績データＤ１から抽出された、病院ＩＤ、受入れ結果、日時、曜日、天候、診療科目、患者の顔色、患者の心拍と、過去確率データＤ２から抽出された、曜日の条件が対応する年単位および月単位の確率、ならびに診療科目の条件が対応する年単位および月単位で算出された確率が含まれる。過去確率データＤ２からデータを抽出するために、曜日カラムおよび診療カラムだけでなく、実績データＤ１の天候カラムやその他のカラムを参照するようにしてもよい。
ステップＳ３０４において、学習部２４は、予測モデル生成用データ取得部２３から取得した予測モデル生成用データＤ３に対して統計分析を行い、予測モデルを生成する。この実施形態では、学習部２４は、予測モデル生成用データＤ３における受入れ結果カラム（可／不可）を目的変数とし、その他の情報のすべて、ないしは一部を説明変数（特徴ベクトル）とした統計分析を実行し、施設による受け入れやすさ（受入れ要求を受け入れる可能性の高さ）を表すスコア値を算出するための係数ベクトルを算出する。例えば、受入れ結果カラムが受け入れ可の場合は１、受け入れ不可の場合は０とラベル付けを行い、これを目的変数として分析を行う。なお、上記のように、ベッド数や専門医の情報など、各施設に関連付けられた属性情報がデータＤ３に含まれる場合、それらを学習に用いることもでき、または過去の確率と組み合わせて学習に用いることもできる。
学習部２４において実行される統計分析としては、例えば、ロジスティック回帰分析やランキング学習、ランダムフォレスト等の手法が目的に応じて選択されてよい。ここでは、特徴ベクトルに対し、搬送要求が「受け入れられる」場合に大きなスカラ値を出力する関数ｆ（ｘ；Ｗ）を設計する。ここで、ｘは特徴ベクトル、Ｗは特徴ベクトルに対応する係数ベクトルを表す。特徴ベクトルの変数の数が膨大な場合には、変数選択を行ってもよい。変数選択には、赤池情報量規準（ＡＩＣ：Akaike information criterion）によるステップワイズ法や、Ｌａｓｓｏ等を適用することができる。最終的なパラメータＷは、ニュートンラフソン法（Newton-Raphson method）等を用いて算出することができる。なお、特徴ベクトルがカテゴリカルデータである場合には、ダミー変数化を行ったものを特徴ベクトルとすることができる。また、例えば、受入れ結果カラムが受入れ可の場合は１、受入れ不可の場合は０とラベル付けを行い、これを目的変数として分析を行う。
ステップＳ３０５において、制御ユニット２０は、算出された最終的なパラメータを係数ベクトルＷとして予測モデル記憶部３３に格納する。図１１は、係数ベクトルＷの一例を示す図である。この図では、便宜上、係数ベクトルＷに定数項を含めて表記している。
（３）スコア値の算出
（３－１）スコア算出用データの取得
図４は、図１に示した選択支援装置１の制御ユニット２０によるスコア算出用データ取得処理の処理手順と処理内容の一例を示すフロー図である。この処理は、例えば、新たに救急搬送を要する患者が発生したときに、ユーザまたはオペレータ（例えば、救急隊員またはサービスセンタのオペレータ）からの開始要求の入力に応じて開始される。
ステップＳ４０１において、制御ユニット２０は、予測用データ取得部２５の制御の下、新たに発生した要求に関する予測用データＤ４を取得する。図９は、予測用データＤ４の一例を示す。例えば、予測用データＤ４は、新たに発生した受入れ要求として、新たに要請された救急搬送に関連する属性情報を含み、より具体的には、日時、曜日、天候などの環境情報に加え、搬送予定者（患者）の症状に応じた診療科目や、顔色、心拍などの患者情報を含む。
ステップＳ４０２において、制御ユニット２０は、過去確率データ取得部２６の制御の下、予測用データＤ４の特定のカラムを条件とし、過去確率データ記憶部３２に記憶された過去確率データＤ２から該当するカラムのみを抽出する。例えば、過去確率データ取得部２６は、予測用データＤ４の曜日カラムおよび診療科目カラムを条件として、過去確率データＤ２から該当するカラムを抽出する。
ステップＳ４０３において、制御ユニット２０は、過去確率データ取得部２６の制御の下、過去確率データＤ２から抽出したデータに、上記取得した予測用データＤ４を複製して結合し、これをスコア算出用データＤ５とする。過去確率データＤ２から抽出したデータのレコード数は病院数分あるため、過去確率データＤ２のレコード数分だけ予測用データＤ４が複製して結合される。図１０は、スコア算出用データＤ５の一例を示す。スコア算出用データＤ５には、病院ＩＤと、それぞれの病院に関する、予測用データＤ４から抽出される曜日および診療科目に対応する、過去確率データＤ２から抽出された年単位および月単位の確率が含まれる。
（３－２）スコア算出処理
図５は、図１に示した選択支援装置１の制御ユニット２０によるスコア算出処理の処理手順と処理内容の一例を示すフロー図である。この処理は、通常、上記（３－１）のスコア算出用データの取得処理に続いて実行される。
ステップＳ５０１において、制御ユニット２０は、スコア算出部２７の制御の下、過去確率データ取得部２６から上記のように生成されたスコア算出用データＤ５を取得する。
ステップＳ５０２において、スコア算出部２７は、予測モデル記憶部３３に格納された学習済みの予測モデルとして係数ベクトルＷを取得する。
ステップＳ５０３において、スコア算出部２７は、スコア算出用データＤ５を特徴ベクトルとし、予測モデル記憶部３３から取得した係数ベクトルＷを用いて演算を行うことで、スコア値を算出する。スコア値は、各病院に関する要求の受け入れられやすさを表し、スコア値が高いほど、搬送要求が受け入れられやすいことを意味する。
ここで、特徴ベクトルは、係数ベクトルＷに含まれるカラムと同一のものを指すものとし、係数ベクトルＷに含まれないカラムについては特徴ベクトルとはしない。なお、特徴ベクトルがカテゴリカルデータである場合にはダミー変数化を行ったものを特徴ベクトルとする。
スコア値の演算方法としては、学習部２４で求めた関数ｆ（ｘ；Ｗ）の値は、ｔ（Ｗ）Ｘとあらわせるので、
スコア値＝１／（１＋ｅｘｐ（－（ｔ（Ｗ）Ｘ）））
として算出することができる。ここでｔは転置を示す。
ステップＳ５０４において、制御ユニット２０は、出力制御部２８の制御の下、スコア算出部２７で算出されたスコア値を出力する処理を行う。例えば、出力制御部２８は、算出されたスコア値を降順に並び替えることで、搬送先候補である複数の病院に対して優先度付けを行った優先度リストを出力データとして作成することができる。ここで、算出されたスコア値をそのまま出力データとしてもよいし、ソートした上位以外を除外した出力データとしてもよい。さらに、あらかじめ患者が発生した場所と各病院までの距離がわかる場合は、その距離にしきい値を設けて表示する病院を絞ってもよいし、ないしはその距離をスコア値とセットで表示してもよい。
図１２は、算出されたスコア値を含む出力データの一例を示す。図１２では、出力データとして、算出されたスコア値に基づいてスコアの高いものから低いものへと降順に並び替えた優先度リストが示されている。スコアが高い病院ほど、搬送要求が受け入れられる可能性が高いことを示す。したがって、図１２の優先度リストは、最も高いスコア値０．９５を有する病院ＢＢＢが最も搬送要求を受け入れる可能性が高く、２番目に搬送要求を受け入れる可能性が高いのが病院ＡＡＡ（スコア値０．８７）で、３番目が病院ＥＥＥ（スコア値０．８２）であることを示している。この優先度リストを出力データとすることにより、優先度リストを見たユーザまたはオペレータは、ただちに、現在の搬送要求が受け入れられる可能性が最も高いのが病院ＢＢＢであると判断することができ、病院ＢＢＢに搬送要求を出すことができる。万一、病院ＢＢＢによって受入れを拒否された場合でも、すぐに次の候補として２番目の病院ＡＡＡを選択することができるので、搬送先の候補を選択するのに要する時間を最小限に抑えることができる。ユーザの利便性を高めるため、病院ＩＤの代わりに施設名を出力するようにしてもよい。
（第２の実施例）
この発明の第２の実施例は、診療科目別に学習モデルを生成するようにしたものである。そのため、第２の実施例では、予測モデル生成用データＤ３として、診療科目別に分割されたデータを用いる。
第２の実施例の動作についても、第１の実施例と同様に図２～図５を参照して説明するが、第１の実施例と同じ動作については詳細な説明は省略する。
（１）過去の確率の算出
第１の実施例と同様に、過去確率算出処理は、任意のタイミングで開始されることができる。
図２のステップＳ２０１において、制御ユニット２０は、実績データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、入力デバイスまたは外部データベース等から、過去の搬送実績に係る実績データＤ１を取得し、実績データ記憶部３１に記憶させる。図６は、取得される実績データＤ１の一例を示す。
ステップＳ２０２において、制御ユニット２０は、過去確率算出部２２の制御の下、実績データＤ１を実績データ記憶部３１から読み出し、実績データＤ１の病院ＩＤのカラムを参照し、病院ＩＤのユニークリストを作成し、実績データＤ１を病院ＩＤごとに分割する処理を行う。
続いて、ステップＳ２０３において、過去確率算出部２２は、病院ＩＤごとに分割された各データについて、年単位でデータを抽出する。
次いで、ステップＳ２０４において、年単位で抽出されたデータに基づき、病院ごとに、診療科目別および曜日別の過去の確率を算出する。過去の確率は、第１の実施例と同様に、０から１の間で算出される。
ステップＳ２０５において、過去確率算出部２２は、病院ＩＤごとに分割された各データについて、月単位でデータを抽出する。
次いで、ステップＳ２０６において、月単位で抽出されたデータに基づき、診療科目別および曜日別の過去の確率を算出する。
ステップＳ２０７において、過去確率算出部２２は、算出された過去の確率を病院ＩＤの上記ユニークリストの対応する病院ＩＤに対して結合し、これを過去確率データＤ２とする。図７は、過去確率データＤ２の一例を示す。
ステップＳ２０８において、過去確率算出部２２は、得られた過去確率データＤ２を過去確率データ記憶部３２に格納する。
（２）予測モデルの生成（係数ベクトルの算出）
第１の実施例と同様に、予測モデルの生成処理は、任意のタイミングで開始されることができる。
図３のステップＳ３０１において、制御ユニット２０は、予測モデル生成用データ取得部２３の制御の下、実績データ記憶部３１に記憶された実績データＤ１を読み出す。
同様に、ステップＳＳ０２において、予測モデル生成用データ取得部２３は、過去確率データ記憶部３２に記憶された過去確率データＤ２を読み出す。ステップＳ３０２は、ステップＳ３０１の後に実行されても、ステップＳ３０１と同時並行して実行されても、またはステップＳ３０１の前に実行されてもよい。
次いで、ステップＳ３０３において、予測モデル生成用データ取得部２３は、実績データＤ１から特定のカラムの値を参照し、それらの条件に該当する過去確率データを過去確率データＤ２から抽出し、結合して、予測モデル生成用データＤ３を取得する。例えば、予測モデル生成用データ取得部２３は、実績データＤ１から、病院ＩＤカラム、曜日カラム、診療科目カラムの値を参照し、それらの条件に対応する過去確率データを過去確率データＤ２から抽出して、実績データＤ１に結合させ、予測モデル生成用データＤ３を取得する。
ここで、第１の実施例とは異なり、第２の実施例においては、診療科目別に学習モデルを作るために、診療科目別のデータに分割された予測モデル生成用データＤ３を生成する。
図１３Ａは、予測モデル生成用データＤ３の第２の例として、診療科目別に分割されたデータのうち、産婦人科に該当するデータを示す。図１３Ｂは、予測モデル生成用データＤ３の第３の例として、診療科目別に分割されたデータのうち、精神科に該当するデータを示す。
図３のステップＳ３０４において、この実施例では、診療科目別の予測モデル生成用データＤ３における受入れ結果カラムを目的変数とし、その他の情報のすべて、ないしは一部を説明変数（特徴ベクトル）とした統計分析を実行し、受け入れやすさを表すスコア値を算出するための係数ベクトルＷを算出する。係数ベクトルＷの算出には、第１の実施例と同様の操作を採用できるので、詳細な説明は省略する。
上記処理により、係数ベクトルＷは、診療科目別に算出される。図１４Ａは、係数ベクトルＷの第２の例として、産婦人科に該当する、診療科目別に算出された係数ベクトルを示し、図１４Ｂは、係数ベクトルＷの第３の例として、精神科に該当する、診療科目別に算出された係数ベクトルを示す。
（３）スコア値の算出
（３－１）スコア算出用データの取得
第１の実施例と同様に、スコア算出用データの取得処理は、例えば、新たに救急搬送を要する患者が発生したときに、ユーザまたはオペレータ（例えば、救急隊員またはサービスセンタのオペレータ）からの開始要求の入力に応じて開始される。
図４のステップＳ４０１において、制御ユニット２０は、予測用データ取得部２５の制御の下、新たに発生した要求に関する予測用データＤ４を取得する。図９は、予測用データＤ４の一例を示す。
ステップＳ４０２において、制御ユニット２０は、過去確率データ取得部２６の制御の下、予測用データＤ４の特定のカラムを条件とし、過去確率データ記憶部３２に記憶された過去確率データＤ２から該当するカラムのみを抽出する。
ステップＳ４０３において、制御ユニット２０は、過去確率データ取得部２６の制御の下、過去確率データＤ２から抽出したデータに、上記取得した予測用データＤ４を複製して結合し、これをスコア算出用データＤ５とする。過去確率データＤ２から抽出したデータのレコード数は病院数分あるため、過去確率データＤ２のレコード数分だけ予測用データＤ４が複製して結合される。図１０は、スコア算出用データＤ５の一例を示す。
（３－２）スコア算出処理
第１の実施例と同様に、スコア算出処理は、通常、上記（３－１）のスコア算出用データの取得処理に続いて実行される。
図５のステップＳ５０１において、制御ユニット２０は、スコア算出部２７の制御の下、過去確率データ取得部２６から上記のように生成されたスコア算出用データＤ５を取得する。
ステップＳ５０２において、スコア算出部２７は、予測モデル記憶部３３に格納された学習済みの予測モデルとして係数ベクトルＷを取得する。第２の実施例では、上述のように、診療科目別に係数ベクトルを算出しているため、スコア算出用データＤ５における患者情報の診療科目カラムを参照して、該当する係数ベクトルを予測モデル記憶部３３から選択する。図１０に示した例では、スコア算出用データＤ５の診療科目カラムが精神科を示すので、スコア算出部２７は、図１４Ｂに示した精神科に該当する診療科目別の係数ベクトルを読み出すことになる。
ステップＳ５０３において、スコア算出部２７は、スコア算出用データＤ５を特徴ベクトルとし、予測モデル記憶部３３から取得した診療科目別の係数ベクトルＷを用いて演算を行うことで、スコア値を算出する。スコア値は、各病院に関する要求の受け入れられやすさを表し、スコア値が高いほど、搬送要求が受け入れられやすいことを意味する。
ここで、特徴ベクトルは、係数ベクトルＷに含まれるカラムと同一のものを指すものとし、係数ベクトルＷに含まれないカラムについては特徴ベクトルとはしない。なお、特徴ベクトルがカテゴリカルデータである場合にはダミー変数化を行ったものを特徴ベクトルとする。スコア値の演算方法は、第１の実施例と同じ方法を採用することができる。
ステップＳ５０４において、制御ユニット２０は、出力制御部２８の制御の下、スコア算出部２７で算出されたスコア値を出力する処理を行う。診療科目別の係数ベクトルＷを用いた場合でも、第１の実施例と同様、病院ごとにスコア値が算出される。
（検証）
一実施形態により算出されるスコア値の妥当性を評価するために、平成２９年度１月から１２月までの実績データを用いて検証を行った。全実績データのうち、８割を学習用のデータとし、残り２割を検証用のデータとした。
評価指標としては、受信者応答特性（Receiver Operating Characteristic：ＲＯＣ）曲線に基づく曲線下面積（Area Under the Curve：ＡＵＣ）の値を用いた。ＡＵＣ値は２値分類の精度を表すのに一般によく用いられる、ＲＯＣ曲線に基づく評価指標であり、ＡＵＣ値が大きいほど判別能が高く、正例から負例の順にコンテンツが正しくスコアで順位付けされていることになる。判別能がランダムであるとき、ＡＵＣ値は０．５となる。
より具体的には、ＡＵＣ値は以下の式により算出される。
Figure 0007023037000001
 ただし、
Figure 0007023037000002
 は、
Figure 0007023037000003
 の場合に１を出力し、それ以外の場合に０を出力するステップ関数である。
上記第１の実施例に準じて、学習用のデータを用い、ある病院が受入れ可とする受け入れやすさのスコア値を算出する係数ベクトルを上記実施形態に係る選択支援装置１を用いて求めた。その係数ベクトルと検証用データを用いて、スコア算出部２７でスコア値を算出し、スコア値の精度を評価するためにＡＵＣ値を算出した。その結果、ＡＵＣ値は０．８２と算出された。
上記第２の実施例に準じて、学習用のデータを用い、患者の症状として精神神経科への搬送要求を行った場合に、ある病院が受入れ可とする受け入れやすさのスコア値を算出する係数ベクトルを上記実施形態に係る選択支援装置１を用いて求めた。その係数ベクトルと検証用データを用いて、スコア算出部２７でスコア値を算出し、スコア値の精度を評価するためにＡＵＣ値を算出した。その結果、ＡＵＣ値は０．９７と算出された。
選択支援装置１を用いずにランダムに病院を並び替えた場合は、ＡＵＣ値は０．５となる。
選択支援装置１を用いると、第１の実施例ではＡＵＣ値は０．８２、さらに第２の実施例ではＡＵＣ値は０．９７と改善できていることから、選択支援装置１を用いて求めたスコア値が受け入れやすさの予測に有効であることを示している。
すなわち、搬送要求を行う複数の病院候補がある場合に、患者の状態や病院ごとの過去の確率等を用いて受け入れやすさのスコア値を算出し、そのスコア値を降順に並び替えることで作成される優先度リストの並び順が、上記実施形態に係る選択支援装置１を用いることで精度よく得られることを示している。
（効果）
以上詳述したように、上記実施形態では、選択支援装置１により、各施設における搬送要求の受入れ成否を表す情報と、搬送要求に関連する属性情報（または属性情報から抽出される特徴）とを関連づけた実績データＤ１が取得され、実績データＤ１に基づき、施設ごとに、各々の属性情報（または特徴）に応じた過去の確率が算出される（過去確率データＤ２）。さらに、実績データＤ１と、属性情報（または特徴）に基づいて過去確率データＤ２から抽出される過去の確率とを結合することによって、予測モデル生成用データＤ３が生成される。この予測モデル生成用データＤ３を用いて、搬送要求の受入れ成否を表す情報を目的変数とし、属性情報（もしくは特徴）または算出された過去の確率のうちの少なくとも１つを説明変数とした統計分析により、学習済みモデルが生成される。
このように生成された学習済みモデルは、過去の統計データに基づく信頼性の高いモデルであるとともに、属性情報を考慮した精度の高いモデルでもある。したがって、新たな受入れ要求が発生したときには、その受入れ要求に関連する属性情報（または特徴）に基づき、上記生成された学習済みモデルを用いて、候補施設ごとに受入れ要求が受け入れられる可能性を高い精度で予測することができる。
さらに、新たな受入れ要求が発生したときに、その受入れ要求に関連する属性情報を予測用データＤ４として取得し、予測用データＤ４に含まれる属性情報に基づいて過去確率データＤ２から該当する過去確率データを抽出し、抽出された過去確率データと予測用データＤ４とを結合することによって、スコア算出用データＤ５が取得される。
このスコア算出用データＤ５と、生成された学習済みモデル（係数ベクトル）とを用いることで、候補施設ごとの受入れ要求を受け入れる可能性の高さを表すスコア値が算出される。算出されたスコア値は、予測結果として、候補施設を識別する情報とともに出力される。
このように、予測結果をスコア値として出力することにより、予測結果の演算処理が容易になる。例えば、スコア値の高い順に並べ替えたり、スコア値を所定のしきい値と比較したり、分類してラベルを付与するなど、予測結果を様々な形で活用できるようになる。また、スコア値に応じて予測結果の出力を取捨選択することにより、装置の処理負荷を抑えることもできる。
ユーザまたはオペレータは、出力結果から高いスコア値を有する候補施設を見つけることで、搬送要求が受け入れられやすい施設をただちに識別することができる。これにより、搬送を要する患者が発生したときに、より高いスコア値を有する病院に優先的に搬送要求を出すことができ、候補施設の選択および搬送を効率的に行うことができる。また、万一受入れを拒否された場合にも、次にスコア値の高い病院を選択することにより、すぐに次の施設を搬送要求先として選択できるので、搬送所要時間を最小限に抑えることができる。
上記実施形態では、出力されるスコア値により受入れ可能性の高い施設が容易に判別できるので、複数の候補施設の中からさらに要求送付先を特定する必要がない。また、過去の統計データとして、特定の患者の通院実績を用いていないので、候補施設を不要に限定することもない。これにより、新たに発生した患者自身の通院履歴がない病院であっても、その患者の属性情報から受入れ可能性が高い病院を推薦することができ、より多くの候補施設の中から、より可能性の高い病院を見つけることができる。さらに、救急車と各病院があらかじめ通信ネットワークでつながっていることも要しない。またさらに、上記実施形態に係る各処理は、搬送要求を行う救急隊員またはオペレータに複雑な操作を要求するものでもない。
このように、候補施設の選択を効率的に行い、受入れ先が決まるまでの所要時間を最小限に抑えることで、要求を出したユーザ、例えば、救急搬送を行う救急隊員やオペレータの作業負担の軽減を図ることができ、また、搬送される患者が迅速な処置を受けられるようになるなど、被搬送者の負担も軽減することができる。
さらに、受入れ要求の属性情報から抽出される種々の特徴を考慮して、例えば診療科目ごとに過去確率データを算出して分析に用いることで、詳細な条件に適合する、より精密な学習モデルが生成される。これにより、搬送を必要とする患者が新たに発生したときに、搬送条件により合致する詳細な条件下で生成された学習モデルを用いて、高精度の予測を行うことができる。
［他の実施形態］
なお、この発明は上記実施形態に限定されるものではない。例えば、制御ユニット２０が備える各部の構成や記憶部に記憶されるレコードの構成等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。
また、ユーザからの要求として救急搬送の要請を例に挙げて説明したが、これだけに限定されない。救急搬送以外の迅速な対応が望まれるケース、例えば、患者の症状の急変により転院が必要となった場合の転院先の選択や、災害発生時の被災者の一時収容先の確保など、施設に対して受入れ要求を出す必要のある種々のケースに上記実施形態は適用可能である。受入れ先候補となる施設についても、医療機関に限定されるものではなく、例えば、介護施設、教育施設、宿泊施設、遊戯施設、スポーツ施設、会議室、劇場、イベント会場など、受入れの要求をした場合にその受入れが拒否される可能性のある様々な施設の選択をする場合にも適用可能である。
また、要求に関連する属性情報（特徴）または条件としても多種多様な情報を採用することができる。例えば、受入れ要求として救急搬送の要請があった場合には、環境情報として、早朝／昼間／夜間／午前／午後などの時間帯、平日／休日／祝日などの日単位の情報、天気、気温、湿度などの多様な情報を用いることができ、同様に、患者情報として、患者の性別、年齢、出血の程度、意識レベルなどの多様な情報を用いることができる。その他の属性情報として、救急搬送以外の受入れ要求の場合には、イベントの目的、収容人数、資格保持者の有無、音響設備、予算など、さらに多種多様な情報が想定される。このような多種多様な属性情報のうち、データの抽出条件としていずれの属性情報を採用するかは、あらかじめ所定の基準にしたがって設定されてもよいし、オペレータが適宜選択してもよい。要求の目的に応じて最適な条件を選択することにより、さらなる予測精度の向上が見込まれる。
さらに、選択支援装置１は、救急隊員が直接入力操作可能な装置であってもよいし、クラウド上に配置されたサーバであってもよい。例えば、選択支援装置１がサーバである場合、救急隊員が自身の端末を通じて搬送対象の患者の情報を入力すると、選択支援装置１が、無線ネットワークを通じてその入力された患者の情報を受信するように構成することもできる。そして、選択支援装置１が、上記種々の処理を実行することによって算出したスコア値を含む優先度リストを、無線ネットワークを通じて救急隊員の端末に送信し、救急隊員の端末のディスプレイ上に優先度リストが表示されるようにしてもよい。
またさらに、候補施設ごとに算出されたスコア値に基づいて優先度リストを出力する例を説明したが、出力形式はこれに限定されるものではない。例えば、スコア値の代わりに上位の候補施設名だけを出力してもよいし、受入れ可能性が所定の基準を満たすと判定された施設をマップ上に色分け表示するようにしてもよい。
その他、データＤ１～Ｄ５のデータ構造等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。例えば、過去の要求が受け入れられた確率を表すデータセットＤ２を生成するために、任意の時点を含む任意の期間のデータを用いることができる。上述した様々な属性情報（または特徴）は、学習のために、または学習用の確率（受入れの過去の確率）算出のために、それぞれ単独で用いることもでき、任意の組合せで用いることもできる。例えば、上記実施例では、診療科目と曜日とをそれぞれ単独の条件付けとして確率算出のためのデータを抽出したが、診療科目と曜日の組合せ、診療科目と曜日と天候との組合せなど、任意の組合せ条件を用いて、データを抽出するようにしてもよい。
要するにこの発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。
１…選択支援装置、１０…入出力インタフェースユニット、２０…制御ユニット、２１…実績データ取得部、２２…過去確率算出部、２３…予測モデル生成用データ取得部、２４…学習部、２５…予測用データ取得部、２６…過去確率データ取得部、２７…スコア算出部、２８…出力制御部、３０…記憶ユニット、３１…実績データ記憶部、３２…過去確率データ記憶部、３３…予測モデル記憶部。

Claims (6)

  1. ユーザからの要求に応じた受入れ先施設の選択を支援する、選択支援装置であって、
    複数の候補施設の各々における、過去の受入れ要求に対する受入れの成否を表す情報を、前記過去の受入れ要求に関連する属性情報と関連付けた受入れ実績データを取得する、受入れ実績データ取得部と、
    前記取得された受入れ実績データに基づいて、前記複数の候補施設の各々における前記属性情報に応じた受入れの過去の確率を算出する、過去確率算出部と、
    前記受入れ実績データおよび前記算出された過去の確率に基づいて、前記複数の候補施設の各々について、新たに発生した受入れ要求に関連する属性情報に応じて当該新たに発生した受入れ要求に対する受入れの可能性を予測するための、前記受入れの成否を表す情報と前記属性情報との関係を表す予測モデルを生成する、学習部と、
    を具備し、
    前記過去確率算出部は、前記過去の受入れ要求に関連する属性情報から抽出される複数の特徴ごとに、対応する条件で前記複数の候補施設の各々における過去の確率を算出し、
    前記学習部は、前記受入れの成否を表す情報を目的変数とし、前記過去の確率のうちの少なくとも１つを説明変数として、前記予測モデルを生成する、選択支援装置。
  2. 前記複数の候補施設の各々について、前記生成された予測モデルと前記新たに発生した受入れ要求に関連する属性情報とに基づいて、前記新たに発生した受入れ要求に対する受入れの可能性を予測する、受入れ可能性予測部と、
    前記受入れ可能性予測部による予測結果を出力する、出力部と
    をさらに具備する、請求項１に記載の選択支援装置。
  3. 前記受入れ可能性予測部は、さらに、前記受入れの可能性の高さを表すスコア値を算出し、
    前記出力部は、前記算出されたスコア値をソートして出力する、
    請求項２に記載の選択支援装置。
  4. 前記学習部は、前記属性情報から抽出される複数の特徴のうちの少なくとも１つに着目した、特徴の種類別の前記予測モデルを生成する、請求項１に記載の選択支援装置。
  5. ユーザからの要求に応じた受入れ先施設の選択を支援する選択支援装置が実行する選択支援方法であって、
    複数の候補施設の各々における、過去の受入れ要求に対する受入れの成否を表す情報を、前記過去の受入れ要求に関連する属性情報と関連付けた受入れ実績データを取得する過程と、
    前記取得された受入れ実績データに基づいて、前記複数の候補施設の各々における前記属性情報に応じた受入れの過去の確率を算出する過程と、
    前記受入れ実績データおよび前記算出された過去の確率に基づいて、前記複数の候補施設の各々について、新たに発生した受入れ要求に関連する属性情報に応じて当該新たに発生した受入れ要求に対する受入れの可能性を予測するための、前記受入れの成否を表す情報と前記属性情報との関係を表す予測モデルを生成する過程と、
    を具備し、
    前記過去の確率を算出する過程は、前記過去の受入れ要求に関連する属性情報から抽出される複数の特徴ごとに、対応する条件で前記複数の候補施設の各々における過去の確率を算出する過程を備え、
    前記予測モデルを生成する過程は、前記受入れの成否を表す情報を目的変数とし、前記過去の確率のうちの少なくとも１つを説明変数として、前記予測モデルを生成する過程を備える、選択支援方法。
  6. 請求項１乃至請求項４の何れかに記載の装置の各部による処理をプロセッサに実行させるプログラム。
JP2018134132A 2018-07-17 2018-07-17 選択支援装置、選択支援方法、データ構造、学習済みモデルおよびプログラム Active JP7023037B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2018134132A JP7023037B2 (ja) 2018-07-17 2018-07-17 選択支援装置、選択支援方法、データ構造、学習済みモデルおよびプログラム
PCT/JP2019/026096 WO2020017302A1 (ja) 2018-07-17 2019-07-01 選択支援装置、選択支援方法、データ構造、学習済みモデルおよびプログラム
US17/260,409 US20210264315A1 (en) 2018-07-17 2019-07-01 Selection assistance device, selection assistance method, data structure, learned model, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018134132A JP7023037B2 (ja) 2018-07-17 2018-07-17 選択支援装置、選択支援方法、データ構造、学習済みモデルおよびプログラム

Publications (2)

Publication Number Publication Date
JP2020013255A JP2020013255A (ja) 2020-01-23
JP7023037B2 true JP7023037B2 (ja) 2022-02-21

Family

ID=69164327

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018134132A Active JP7023037B2 (ja) 2018-07-17 2018-07-17 選択支援装置、選択支援方法、データ構造、学習済みモデルおよびプログラム

Country Status (3)

Country Link
US (1) US20210264315A1 (ja)
JP (1) JP7023037B2 (ja)
WO (1) WO2020017302A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11624624B2 (en) * 2020-07-28 2023-04-11 Bayerische Motoren Werke Aktiengesellschaft Methods and apparatuses for predicting user destinations
WO2022137279A1 (ja) * 2020-12-21 2022-06-30 日本電気株式会社 医療施設マッチングシステム、医療施設マッチング方法、及び記録媒体

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120232926A1 (en) 2009-07-16 2012-09-13 Justin Boyle System and method for prediction of patient admission rates
JP2013092930A (ja) 2011-10-26 2013-05-16 Seiko Epson Corp 搬送管理システム及び搬送管理方法
US20140136458A1 (en) 2011-05-17 2014-05-15 The John Hopkins University Hospital unit demand forecasting tool

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3083465B2 (ja) * 1995-09-06 2000-09-04 フクダ電子株式会社 患者情報解析管理システム及び方法
US8655679B2 (en) * 2010-08-06 2014-02-18 Sunjay Berdia System and methods for an intelligent medical practice system employing a learning knowledge base
US9152918B1 (en) * 2012-01-10 2015-10-06 Cerner Innovation, Inc. Resource forecasting using Bayesian model reduction
EP3566201A4 (en) * 2016-12-22 2020-11-25 Xevo Inc. PROCESS AND SYSTEM FOR PROVIDING SERVICES OF ANALYSIS OF ARTIFICIAL INTELLIGENCE (AIA) FOR PERFORMANCE PREDICTION
US20190237203A1 (en) * 2018-01-26 2019-08-01 University Hospitals Cleveland Medical Center Facilitating self-scheduling of medical appointments

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120232926A1 (en) 2009-07-16 2012-09-13 Justin Boyle System and method for prediction of patient admission rates
US20140136458A1 (en) 2011-05-17 2014-05-15 The John Hopkins University Hospital unit demand forecasting tool
JP2013092930A (ja) 2011-10-26 2013-05-16 Seiko Epson Corp 搬送管理システム及び搬送管理方法

Also Published As

Publication number Publication date
WO2020017302A1 (ja) 2020-01-23
JP2020013255A (ja) 2020-01-23
US20210264315A1 (en) 2021-08-26

Similar Documents

Publication Publication Date Title
Mohammadi et al. Data analytics and modeling for appointment no-show in community health centers
US20230054513A1 (en) Systems and methods for healthcare provider dashboards
JP6066825B2 (ja) データ分析装置及び保健事業支援方法
US10943676B2 (en) Healthcare information technology system for predicting or preventing readmissions
JP6623280B2 (ja) 医療システム及びプログラム
JP5977898B1 (ja) 行動予測装置、行動予測装置の制御方法、および行動予測装置の制御プログラム
US20240112794A1 (en) Time-based resource allocation for long-term integrated health computer system
JP2020042761A (ja) 治療経路分析および管理プラットフォーム
US20200105392A1 (en) Healthcare ecosystem methods, systems, and techniques
Damotte et al. Harnessing electronic medical records to advance research on multiple sclerosis
EP3326139A1 (en) Patient coordination system and method
JP7023037B2 (ja) 選択支援装置、選択支援方法、データ構造、学習済みモデルおよびプログラム
CN112908452A (zh) 事件数据建模
Chang et al. Morbidity trajectories as predictors of utilization: multi-year disease patterns in Taiwan's national health insurance program
WO2020036207A1 (ja) 医療用情報処理システム、医療用情報処理装置、および医療用情報処理方法
CN117203714A (zh) 用于疫情追踪和管理的病例筛选和聚类筛选
Noel et al. Real-time estimation of inpatient beds required in emergency departments
JP2007233578A (ja) 調剤薬局情報提供システム
US20200350061A1 (en) Medical information processing system
US20220351846A1 (en) System and method for determining retention of caregivers
Fowler et al. Predicting patient revisits at the University of Virginia health system emergency department
JP6677756B2 (ja) データ分析装置及びプログラム
JP6136169B2 (ja) 退院サマリ編集プログラム、退院サマリ編集装置および退院サマリ編集方法
Lequertier et al. Predicting length of stay with administrative data from acute and emergency care: an embedding approach
KR20220026378A (ko) 심리 상담사 추천 시스템 및 심리 상담사 추천 방법

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201102

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211012

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211209

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: 20220104

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20220121

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220204

R150 Certificate of patent or registration of utility model

Ref document number: 7023037

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150