JP7101304B1 - Devices, methods and programs for predicting drug demand in medical institutions - Google Patents
Devices, methods and programs for predicting drug demand in medical institutions Download PDFInfo
- Publication number
- JP7101304B1 JP7101304B1 JP2021165822A JP2021165822A JP7101304B1 JP 7101304 B1 JP7101304 B1 JP 7101304B1 JP 2021165822 A JP2021165822 A JP 2021165822A JP 2021165822 A JP2021165822 A JP 2021165822A JP 7101304 B1 JP7101304 B1 JP 7101304B1
- Authority
- JP
- Japan
- Prior art keywords
- predicted
- prescription information
- disease
- drug
- visit
- 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
- 229940079593 drug Drugs 0.000 title claims abstract description 98
- 239000003814 drug Substances 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 39
- 201000010099 disease Diseases 0.000 claims abstract description 86
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 86
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 description 6
- 238000013277 forecasting method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000000470 constituent Substances 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- YMBXTVYHTMGZDW-UHFFFAOYSA-N loxoprofen Chemical compound C1=CC(C(C(O)=O)C)=CC=C1CC1C(=O)CCC1 YMBXTVYHTMGZDW-UHFFFAOYSA-N 0.000 description 1
- 229960002373 loxoprofen Drugs 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】従来にない、医療機関における薬剤の需要を予測する方法を提供する。【解決手段】装置１００は、薬局が受け取った複数の処方箋に対応する処方情報を取得する（Ｓ２０１）。次いで、装置１００は、同一疾患の治療のために今後当該薬局に再来局する患者による需要と初来局する患者による需要とを区別して別個に予測を行う（Ｓ２０２、Ｓ２０３）。そして、各薬剤に関する予測結果の各日における値に基づいて、最終的な予測需要数量の時系列を薬剤ごとに生成する（Ｓ２０４）。【選択図】図２Kind Code: A1 A novel method for predicting the demand for medicines in medical institutions is provided. A device (100) acquires prescription information corresponding to a plurality of prescriptions received by a pharmacy (S201). Next, the device 100 separately predicts demand by patients who will visit the pharmacy again for treatment of the same disease and demand by patients who visit the pharmacy for the first time (S202, S203). Then, based on the values of the prediction results for each drug for each day, a time series of the final predicted demand quantity is generated for each drug (S204). [Selection drawing] Fig. 2
Description
本発明は、医療機関における薬剤の需要を予測する装置、方法及びそのためのプログラムに関する。 The present invention relates to an apparatus, a method and a program for predicting the demand for a drug in a medical institution.
薬局等の医療機関は、卸売業者等の販売業者から薬剤を仕入れ、来局する患者に対して、当該患者に処方された１又は複数の医薬品を必要に応じて調製し、交付する。医療機関は、患者の求めに応じて薬剤を交付する必要があることから、種類及び量ともに、十分な在庫を確保するよう努める。 Medical institutions such as pharmacies purchase drugs from distributors such as wholesalers, and prepare and deliver one or more drugs prescribed to the patients to the patients who come to the station as needed. Since medical institutions need to deliver drugs according to the needs of patients, we will endeavor to secure sufficient inventory in both types and quantities.
薬剤には、各商品を識別するためのコードが付与されており、薬効成分が同一であっても、たとえば、製造業者が異なれば、別商品として異なるコードが設定されるものもある。実際の流通においては、一定の単位で各商品の販売がなされ、最小注文単位である販売包装単位、販売包装単位の商品を複数梱包した元梱包装単位等がある。これらの包装単位を識別するためのコードも付与されており、ＧＳ１と呼ばれるコード体系が国際的に用いられている。たとえば、「ロキソニン錠６０ｍｇ」を１０錠包装したＰＴＰ包装シート１０枚という販売包装単位にはＧＳ１体系に従ったコードとして「14987081105400」が設定されている。医療機関は、こうしたコードを指定して、必要な種類及び量の商品を仕入れる。 A code for identifying each product is given to the drug, and even if the medicinal ingredients are the same, for example, different manufacturers may set different codes as different products. In actual distribution, each product is sold in a certain unit, and there are a sales packaging unit which is the minimum order unit, a former packaging unit in which a plurality of products in the sales packaging unit are packed, and the like. A code for identifying these packaging units is also given, and a code system called GS1 is used internationally. For example, "14987081105400" is set as a code according to the GS1 system in the sales packaging unit of 10 PTP packaging sheets in which 10 tablets of "Loxonin tablets 60 mg" are packaged. The medical institution specifies such a code to purchase the required type and quantity of goods.
しかしながら、現状において、医療機関はどの種類の薬剤に対してどの程度の需要がいつ発生するかを予測できておらず、過去の経験に基づいて発注処理を行っているため、在庫が不足して急遽配達を依頼したり、逆に過剰の在庫を抱えてしまったりする非効率が発生している。 However, at present, medical institutions cannot predict when and how much demand will be generated for which type of drug, and because they process orders based on past experience, inventory is insufficient. Inefficiencies such as requesting delivery in a hurry or having excess inventory on the contrary have occurred.
特許文献１には、医療機関において、医薬品の出庫の推移を学習し、学習結果に応じて当該医薬品の需要を予測する技術が記載されているものの、発明者らは、新たな着想を見出した。 Although Patent Document 1 describes a technique for learning the transition of drug delivery at a medical institution and predicting the demand for the drug according to the learning result, the inventors have found a new idea. ..
本発明は、このような点に鑑みてなされたものであり、その目的は、従来にない、医療機関における薬剤の需要を予測する装置、方法及びそのためのプログラムを提供することにある。 The present invention has been made in view of these respects, and an object of the present invention is to provide an unprecedented device, method, and program for predicting the demand for a drug in a medical institution.
このような目的を達成するために、本発明の第１の態様は、医療機関における薬剤の需要を予測する方法であって、前記医療機関が受け取った第１の処方箋に対応する処方情報を取得する第１のステップと、前記処方情報に含まれる各薬剤について、前記処方情報に関連づけられた患者の予測来局日及び予測需要数量を算出する第２のステップと、前記第１及び第２のステップを、前記医療機関が受け取った第２の処方箋について繰り返す第３のステップと、前記第１及び第２の処方箋に対応する処方情報に含まれる各薬剤について、初来局の患者の予測来局日及び予測需要数量を算出する第４のステップと、前記第３のステップ及び前記第４のステップにより得られた各薬剤に関する予測需要数量の各日における値に基づいて、予測需要数量の時系列を薬剤ごとに生成する第５のステップとを含む。 In order to achieve such an object, the first aspect of the present invention is a method of predicting the demand for a drug in a medical institution, and acquiring prescription information corresponding to the first prescription received by the medical institution. The first step, the second step of calculating the predicted visit date and the predicted demand quantity of the patient associated with the prescription information for each drug included in the prescription information, and the first and second steps. The third step of repeating the steps for the second prescription received by the medical institution and the predicted visit of the patient at the first visit for each drug included in the prescription information corresponding to the first and second prescriptions. Time series of forecasted demand quantities based on the fourth step of calculating the day and expected demand quantity and the daily values of the forecasted demand quantity for each drug obtained by the third step and the fourth step. Includes a fifth step of producing for each drug.
また、本発明の第２の態様は、第１の態様の方法であって、前記第２のステップは、前記処方情報に含まれる１又は複数の薬剤が用いられる１又は複数の疾患を推定するステップを含み、前記予測来局日及び予測需要数量の少なくとも一方を、疾患別の予測モデルを用いて算出する。 A second aspect of the present invention is the method of the first aspect, wherein the second step estimates one or more diseases in which one or more agents included in the prescription information are used. Including the step, at least one of the predicted arrival date and the predicted demand quantity is calculated using the disease-specific prediction model.
また、本発明の第３の態様は、第１の態様の方法であって、前記第２のステップは、前記処方情報に含まれる１又は複数の薬剤が用いられる単一の疾患を推定するステップと、前記患者が前記疾患に用いる１又は複数の薬剤のために再来局する予測回数を算出するステップと、前記予測回数が０回である場合に予測処理を終了し、前記予測回数が１回以上である場合に次回以降の予測来局日及び前記疾患に用いる１又は複数の薬剤の予測需要数量を算出するステップとを含む。 A third aspect of the present invention is the method of the first aspect, wherein the second step is to estimate a single disease in which one or more drugs contained in the prescription information is used. And the step of calculating the predicted number of times the patient will return to the station for one or more drugs used for the disease, and ending the prediction process when the predicted number of times is 0, and the predicted number of times is once. In the above cases, the step of calculating the predicted arrival date from the next time onward and the predicted demand quantity of one or more drugs used for the disease is included.
また、本発明の第４の態様は、第１の態様の方法であって、前記第２のステップは、前記処方情報に含まれる１又は複数の薬剤が用いられる複数の疾患を推定するステップと、前記複数の疾患のそれぞれについて、前記患者が当該疾患に用いる１又は複数の薬剤のために再来局する予測回数を算出するステップと、前記予測回数が０回である場合に予測処理を終了し、前記予測回数が１回以上である場合に次回以降の予測来局日及び当該疾患に用いる１又は複数の薬剤の疾患別予測需要数量を算出するステップとを含み、前記第２のステップにより算出される予測需要数量は、前記複数の疾患のそれぞれに割り当てられた重みに応じた値を各疾患別予測需要数量に乗じて、前記複数の疾患について合計することにより算出する。 A fourth aspect of the present invention is the method of the first aspect, wherein the second step is a step of estimating a plurality of diseases in which one or a plurality of drugs included in the prescription information is used. For each of the plurality of diseases, the step of calculating the predicted number of times the patient will return to the station for one or more drugs used for the disease, and the prediction process when the predicted number of times is 0 are terminated. Includes the step of calculating the predicted visit date from the next time onward and the predicted demand quantity of one or more drugs used for the disease by disease when the predicted number of times is one or more, and is calculated by the second step. The predicted demand quantity to be calculated is calculated by multiplying the predicted demand quantity for each disease by the value corresponding to the weight assigned to each of the plurality of diseases and summing up the plurality of diseases.
また、本発明の第５の態様は、第３又は第４の態様の方法であって、前記第２のステップにおいて、前記患者の過去の処方情報の少なくとも一部を前記予測回数の算出に用いる。 Further, the fifth aspect of the present invention is the method of the third or fourth aspect, in which at least a part of the past prescription information of the patient is used for calculating the predicted number of times in the second step. ..
また、本発明の第６の態様は、第１から第５のいずれかの態様の方法であって、前記第２のステップは、疾患別の来局履歴を用いて前記予測来局日を算出する。 Further, the sixth aspect of the present invention is the method of any one of the first to fifth aspects, and the second step calculates the predicted visit date using the visit history for each disease. do.
また、本発明の第７の態様は、第１から第６のいずれかの態様の方法であって、前記第２のステップは、前記予測来局日を、次回以降の来局週と来局曜日とを個別に予測した結果に基づいて算出する。 Further, the seventh aspect of the present invention is the method according to any one of the first to sixth aspects, and in the second step, the predicted visit date is set to the next and subsequent visit weeks and visits. Calculated based on the results of individual predictions of the day of the week.
また、本発明の第８の態様は、第１から第７のいずれかの態様の方法であって、前記第２のステップは、疾患別の販売履歴を用いて前記予測需要数量を算出する。 Further, the eighth aspect of the present invention is the method of any one of the first to seventh aspects, and the second step calculates the predicted demand quantity using the sales history for each disease.
また、本発明の第９の態様は、コンピュータに、医療機関における薬剤の需要を予測する方法を実行させるためのプログラムであって、前記方法は、前記医療機関が受け取った第１の処方箋に対応する処方情報を取得する第１のステップと、前記処方情報に含まれる各薬剤について、前記処方情報に関連づけられた患者の予測来局日及び予測需要数量を算出する第２のステップと、前記第１及び第２のステップを、前記医療機関が受け取った第２の処方箋について繰り返す第３のステップと、前記第１及び第２の処方箋に対応する処方情報に含まれる各薬剤について、初来局の患者の予測来局日及び予測需要数量を算出する第４のステップと、前記第３のステップ及び前記第４のステップにより得られた各薬剤に関する予測需要数量の各日における値に基づいて、予測需要数量の時系列を薬剤ごとに生成する第５のステップとを含む。 A ninth aspect of the present invention is a program for causing a computer to execute a method of predicting a drug demand in a medical institution, wherein the method corresponds to a first prescription received by the medical institution. The first step of acquiring the prescription information to be performed, the second step of calculating the predicted visit date and the predicted demand quantity of the patient associated with the prescription information for each drug included in the prescription information, and the first step. The first and second steps are repeated for the second prescription received by the medical institution, and for each drug contained in the prescription information corresponding to the first and second prescriptions, the first visit to the station. Forecast based on the fourth step of calculating the patient's expected visit date and estimated demand quantity, and the estimated demand quantity for each drug obtained by the third step and the fourth step on each day. Includes a fifth step of generating a time series of demand quantities for each drug.
また、本発明の第１０の態様は、医療機関における薬剤の需要を予測する装置であって、前記医療機関が受け取った第１の処方箋に対応する処方情報を取得して、前記処方情報に含まれる各薬剤について、前記処方情報に関連づけられた患者の再来局の予測来局日及び予測需要数量を算出し、予測来局日及び予測需要数量の前記算出を前記医療機関が受け取った第２の処方箋について繰り返し、前記第１及び第２の処方箋に対応する処方情報に含まれる各薬剤について、初来局の患者の予測来局日及び予測需要数量を算出し、得られた各薬剤に関する予測需要数量の各日における値に基づいて、予測需要数量の時系列を薬剤ごとに生成する。 Further, the tenth aspect of the present invention is a device for predicting the demand for a drug in a medical institution, and the prescription information corresponding to the first prescription received by the medical institution is acquired and included in the prescription information. For each drug, the predicted visit date and predicted demand quantity of the patient's return visit associated with the prescription information are calculated, and the calculation of the predicted visit date and predicted demand quantity is received by the medical institution. The prescriptions are repeated, and for each drug included in the prescription information corresponding to the first and second prescriptions, the predicted visit date and the predicted demand quantity of the patient at the first visit are calculated, and the predicted demand for each obtained drug is obtained. Generate a time series of predicted demand quantities for each drug based on the value of the quantity on each day.
本発明の一態様によれば、薬局が受け取った複数の処方箋に対応する処方情報を取得して、今後当該薬局に再来局する患者による需要と初来局する患者による需要とを区別して別個に予測を行うことによって、従来にない、医療機関における薬剤の需要を予測する新たな手法を提供することができる。 According to one aspect of the present invention, prescription information corresponding to a plurality of prescriptions received by a pharmacy is acquired, and the demand by a patient who returns to the pharmacy in the future and the demand by a patient who visits the pharmacy for the first time are distinguished and separately. By making predictions, it is possible to provide a new method for predicting the demand for drugs in medical institutions, which has never existed before.
以下、本発明の実施形態を図面を参照して詳細に説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
図１は、本発明の一実施形態にかかる需要予測装置である。装置１００は、複数の処方箋に対応する処方情報を取得し、当該処方情報に含まれる各薬剤の予測需要数量の時系列を生成する。処方情報は、薬局が受け取った処方箋に記載された二次元コードを、当該薬局に設置された撮像素子を有する機器で撮像して生成し、生成された処方情報を装置１００に有線又は無線で入力することで取得したり、薬局が受け取った処方箋に対応する処方情報を装置１００がＩＰネットワーク等のコンピュータ・ネットワークを介して通信可能な機器から電子的に受信することで取得したりすることができる。予測需要数量の時系列は、各薬剤の日単位の一連の予測需要数量とすることができる。装置１００は、複数の薬局に対して需要予測サービスを提供するサーバであることが好ましい。
FIG. 1 is a demand forecasting device according to an embodiment of the present invention. The
装置１００は、通信インターフェースなどの通信部１０１と、プロセッサ、ＣＰＵ等の処理部１０２と、メモリ、ハードディスク等の記憶装置又は記憶媒体を含む記憶部１０３とを備え、処理部１０２において、各処理を行うためのプログラムを実行することによって構成することができる。装置１００は、１又は複数の装置、コンピュータないしサーバを含むことがある。当該プログラムは、１又は複数のプログラムを含むことがあり、また、コンピュータ読み取り可能な記憶媒体に記録して非一過性のプログラムプロダクトとすることができる。当該プログラムは、記憶部１０３又は装置１００からＩＰネットワークを介してアクセス可能なデータベース１０４等の記憶装置又は記憶媒体に記憶しておき、処理部１０２において実行することができる。以下で記憶部１０３に記憶されるものとして記述されるデータはデータベース１０４に記憶してもよく、またその逆も同様である。
The
図２に、本発明の一実施形態にかかる需要予測方法の概略を示す。装置１００は、薬局が受け取った複数の処方箋に対応する処方情報を取得する（Ｓ２０１）。次いで、装置１００は、同一疾患の治療のために今後当該薬局に再来局する患者による需要と初来局する患者による需要とを区別して別個に予測を行う（Ｓ２０２、Ｓ２０３）。そして、各薬剤に関する予測結果の各日における値の和を算出することで、最終的な予測需要数量の時系列を薬剤ごとに生成する（Ｓ２０４）。図２では、再来局患者に関する予測の次に初来局患者に関する予測を示しているが、順序は問わない。また、図２では、最初に処方情報を取得した上で予測処理を行う順序が示されているが、処方情報は予測処理に必要な際に順次取得するようにしてもよい。また、各日における和を算出することで時系列を生成するものとして説明したが、より一般に、各薬剤に関する予測結果の各日における値に基づいて各日の最終的な予測需要数量を算出することで、予測需要数量の時系列を生成すればよい。
FIG. 2 shows an outline of a demand forecasting method according to an embodiment of the present invention. The
以下では、再来局患者に関する予測をまず説明し、次いで初来局患者に関する予測を説明する。このように再来局患者に関する予測と初来局患者に関する予測を別個に行う理由は、発明者らは、これらの予測は独立性が高いことを見出したことにある。 In the following, the predictions for return-visit patients will be explained first, and then the predictions for first-time visit patients will be explained. The reason for making the predictions for return-visit patients and the predictions for first-time patients separately is that the inventors have found that these predictions are highly independent.
本明細書において説明する各種の予測ないし推定は、いずれも確率的な要素を考慮し、期待値並びに信頼区間の上限及び下限を結果として算出することが好ましい。たとえば、予測時需要数量について、正規分布を仮定することができ、そうすることで、予測需要数量の期待値は、再来局患者に関して予測された期待値と初来局患者に関して予測された期待値の和により求められる。また、正規分布における分散の加法性から、再来局患者に関して得られる分散と初来局患者に関して得られる分散の平方根により、標準偏差が求められ、当該標準偏差を用いて信頼区間が定まる。しかしながら、本明細書において説明する各種の予測ないし推定のすべてにおいて、確率的な要素を考慮しなければならないわけではない。 In each of the various predictions or estimates described herein, it is preferable to consider probabilistic factors and calculate the expected value and the upper and lower limits of the confidence interval as a result. For example, a normal distribution can be assumed for the predicted demand quantity, so that the expected value of the predicted demand quantity is the expected value for the returning patient and the expected value for the first-visit patient. It is calculated by the sum of. Further, from the additiveity of the variance in the normal distribution, the standard deviation is obtained from the square root of the variance obtained for the returning patient and the variance obtained for the first-visit patient, and the confidence interval is determined using the standard deviation. However, it is not necessary to consider probabilistic factors in all of the various predictions or estimates described herein.
再来局患者に関する予測
図３に、本発明の一実施形態にかかる再来局患者に関する需要予測方法の流れを示す。装置１００は、需要予測の対象である薬局が受け取った複数の処方箋のそれぞれに対応する処方情報について、需要予測を行い、それらの結果が一連の予測需要数量として時系列をなす。図３は、各処方箋に対応する処方情報に対して行われる処理を示している。
Forecast for Returning Stations FIG. 3 shows the flow of a demand forecasting method for returning patients according to an embodiment of the present invention. The
まず、装置１００は、取得した処方情報に含まれる１又は複数の薬剤が用いられる疾患を推定する（Ｓ３０１）。処方箋ｒには患者が治療中である疾患ｄについて記載はないものの、患者の１又は複数の疾患を治療するために１又は複数の薬剤が処方されているのであるから、処方情報に含まれる１又は複数の薬剤に基づいて、当該患者の１又は複数の疾患を推定することが理論的に可能である。本実施形態では、一例として、１又は複数の薬剤と各薬剤を用い得る１又は複数の疾患との結びつきの強さとの対応づけを記憶部１０３に記憶しておき、処方情報に含まれる各薬剤に基づいて当該対応づけを参照して、各疾患との結びつきの強さを判定することができる。そして、処方情報に含まれるすべての薬剤について判定した各疾患との結びつきの強さを疾患ごとに合計して、上位Ｎ個（Ｎは１以上の整数）の疾患を患者の疾患として推定すればよい。各薬剤を用い得る１又は複数の疾患との結びつきの強さの値は、たとえば、各薬剤が各疾患に対して過去に用いられた頻度に応じて決定することができる。
First, the
当該対応づけにより保持される薬剤ｍと疾患ｄとの結びつきの強さは、当該強さの値を重みωｍ，ｄとして表すことができる。処方箋ｒに含まれる１又は複数の薬剤の集合をＭｒ、疾患ごとに合計した値ωｄは、次式により表すことができる。 The strength of the connection between the drug m and the disease d maintained by the association can be expressed as the weight ω m, d of the value of the strength. Mr is the set of one or more drugs contained in the prescription r , and the total value ω d for each disease can be expressed by the following equation.
以下の表は、薬剤ｍＡが疾患ｄ１と２．０の強さで結びつき、疾患ｄ２と１．５の強さで結びついており、薬剤ｍＢが疾患ｄ１と３．０の強さで結びつき、疾患d３と強さ１．０の強さで結びついていることを示している。 In the table below, drug mA is associated with disease d1 with a strength of 2.0 , disease d2 with an intensity of 1.5, and drug mAB with a strength of disease d1 and 3.0. It is linked by the strength of the disease d3 and the strength of 1.0.
疾患ごとに合計すれば、疾患ｄ１について５．０、疾患ｄ２について１．５、疾患ｄ３について１．０となる。上位１個を基準とすれば疾患ｄ１が推定され、上位２個を基準とすれば疾患ｄ１及びｄ２が推定される。以下では、上位１個を疾患として推定する例で主に説明する。なお、Ｎ個（Ｎは２以上の整数）の疾患が推定された場合には、それぞれの疾患ｄｎについての疾患別予測需要数量に当該疾患ｄｎに割り当てられた重みωｄｎに応じた値ａｎを乗じて和を算出することで、１つの処方箋ｒに基づく各薬剤の予測需要数量とすることができる。例として、各疾患ｄｎに割り当てられた重みωｄｎに応じた値ａｎは、次式で表すことができる。 The total for each disease is 5.0 for disease d 1 , 1.5 for disease d 2 , and 1.0 for disease d 3 . Disease d1 is estimated based on the top one , and diseases d1 and d2 are estimated based on the top two . In the following, an example of estimating the top one as a disease will be mainly described. When N diseases (N is an integer of 2 or more) are estimated, a value corresponding to the weight ω dn assigned to the disease d n in the predicted demand quantity by disease for each disease d n . By multiplying an by n to calculate the sum, it is possible to obtain the predicted demand quantity of each drug based on one prescription r. As an example, the value an corresponding to the weight ω dn assigned to each disease d n can be expressed by the following equation.
次に、装置１００は、疾患別の予測モデルに処方情報の少なくとも一部を入力して、当該処方情報に関連づけられた患者の再来局回数を予測する（Ｓ２０２）。入力されるデータとしては、年齢、性別、診療科等が挙げられる。０回であれば、予測処理は終了し、ｎ回（ｎは１以上の整数）であれば、１回目の来局日を予測し（Ｓ３０３）、需要数量を予測する（Ｓ３０４）。ｎが２以上であれば必要に応じて２回目からｎ回目の来局日及び需要数量を予測する。たとえば、風邪、インフルエンザ等の急性疾患であれば再来局がなく、初回の来局で治療が完了することがある。糖尿病等の慢性疾患であれば、数回以上の再来局が見込まれる。
Next, the
再来局回数の予測モデルは、教師あり学習によって生成することができ、より具体的には、ＬｉｇｈｔＧＢＭ、ＸＧＢｏｏｓｔ等の勾配ブースティングを用いた教師あり学習により生成することができるが、現在利用可能であり、今後利用可能となる任意の機械学習の手法によって生成すればよい。また、再来局回数の予測モデルは、機械学習により生成されるものに限らず、処方情報の少なくとも一部が入力され、それに応じて、再来局回数が出力される任意のモデルとしてもよい。入力されるデータには、当該処方情報に関連づけられた患者の過去の処方情報の少なくとも一部も含めることがより高い精度を得る上で好ましいことがある。 A model for predicting the number of return visits can be generated by supervised learning, and more specifically, it can be generated by supervised learning using gradient boosting such as LightGBM and XGBoost, but it is currently available. Yes, it can be generated by any machine learning method that will be available in the future. Further, the model for predicting the number of return visits is not limited to the one generated by machine learning, and may be any model in which at least a part of the prescription information is input and the number of return visits is output accordingly. It may be preferable to include at least a part of the patient's past prescription information associated with the prescription information in the input data for higher accuracy.
再来局日の予測についても、機械学習又はその他の現在利用可能であり、今後利用可能となる任意の手法により生成した予測モデルによって行うことができるが、当該処方情報が関連づけられた患者又は当該処方情報が関連づけられた疾患を有する患者の疾患別の過去の来局履歴から得られる来局間隔分布を用いて行うこともできる。来局間隔分布は、日数の単位で算出してもよいが、週数の単位で算出し、さらに来局曜日分布も用いることで、具体的な来局日を予測するようにしてもよい。 Prediction of return dates can also be made by machine learning or other predictive models generated by any currently available and future available method, but the patient or prescription to which the prescription information is associated. It can also be done using the visit interval distribution obtained from the past visit history by disease of patients with the disease to which the information is associated. The visit interval distribution may be calculated in units of days, but may be calculated in units of weeks, and a specific visit date may be predicted by using the visit day distribution.
再来局日の予測は、発明者らの検討から、週数単位の来局間隔の予測と来局曜日の予測は独立性が高いことを用いることが好ましい。これらを別個に予測した結果に基づいて、積事象である再来局日の予測を行うことができる。 From the inventor's examination, it is preferable to use that the prediction of the visit interval in units of weeks and the prediction of the next day of the week have high independence for the prediction of the return visit date. Based on the results of predicting these separately, it is possible to predict the return date, which is a product event.
需要数量の予測についても、機械学習又はその他の現在利用可能であり、今後利用可能となる任意の手法により生成した予測モデルによって行うことができるが、たとえば、当該処方情報が関連づけられた疾患を有する患者に対する疾患別の過去の販売履歴から得られる販売数量分布を用いて行うこともできる。 Demand quantity forecasts can also be made by machine learning or other predictive models generated by any currently available and future available method, for example having the disease to which the prescription information is associated. It can also be performed using the sales volume distribution obtained from the past sales history by disease for patients.
初来局患者に関する予測
初来局患者の来局日及び需要数量は、薬局に関連づけられた過去の処方情報に基づいて、適宜時系列予測アルゴリズムを用いて予測をすればよい。
Prediction of first-visit patients The visit date and demand quantity of first-visit patients may be predicted by using a time-series prediction algorithm as appropriate based on the past prescription information associated with the pharmacy.
薬局に関連づけられた処方情報は、需要予測の対象である薬局が受け取った処方箋に基づくもののほか、当該薬局と関連づけられた別の薬局が受け取った処方箋に基づくものを含んでもよい。たとえば、当該薬局と同一地域の他の１又は複数の薬局が受け取った処方箋に基づく処方情報を用いることで、当該地域における薬剤需要の季節性を判定し、当該季節性に基づいて初来局患者に関する予測を行うことができる。 The prescription information associated with a pharmacy may be based on a prescription received by the pharmacy that is the target of the demand forecast, or may be based on a prescription received by another pharmacy associated with the pharmacy. For example, by using prescription information based on prescriptions received by one or more other pharmacies in the same area as the pharmacy, the seasonality of drug demand in the area is determined, and the first-time patient based on the seasonality. Can make predictions about.
なお、上述の説明では、薬局を例に主に説明しているが、薬局に限らず、医療機関が受け取る処方箋に対応する処方情報を用いることができ、その場合には「来局」と記載した箇所は「来訪」と理解すればよい。 In the above explanation, the explanation is mainly based on a pharmacy as an example, but the prescription information corresponding to the prescription received by the medical institution is not limited to the pharmacy, and in that case, it is described as "visiting the station". You can understand that the part you have visited is a "visit".
上述の実施形態において、「××のみに基づいて」、「××のみに応じて」、「××のみの場合」というように「のみ」との記載がなければ、本明細書においては、付加的な情報も考慮し得ることが想定されていることに留意されたい。また、一例として、「ａの場合にｂする」という記載は、明示した場合を除き、「ａの場合に常にｂする」こと、「ａの直後にｂする」ことを必ずしも意味しないことに留意されたい。また、「Ａを構成する各ａ」という記載は、必ずしもＡが複数の構成要素によって構成されることを意味するものではなく、構成要素が単数であることを含む。 In the above embodiment, unless there is a description of "only" such as "based on XX only", "according to XX only", and "in the case of XX only", in the present specification. Note that it is assumed that additional information may also be considered. Further, as an example, it should be noted that the description "b in the case of a" does not necessarily mean "always b in the case of a" or "b immediately after a", except when explicitly stated. I want to be. Further, the description "each a constituting A" does not necessarily mean that A is composed of a plurality of constituent elements, but includes that the constituent elements are singular.
また、念のため、なんらかの方法、プログラム、端末、装置、サーバ又はシステム（以下「方法等」）において、本明細書で記述された動作と異なる動作を行う側面があるとしても、本発明の各態様は、本明細書で記述された動作のいずれかと同一の動作を対象とするものであり、本明細書で記述された動作と異なる動作が存在することは、当該方法等を本発明の各態様の範囲外とするものではないことを付言する。 Further, just in case, even if some method, program, terminal, device, server or system (hereinafter referred to as "method") has an aspect of performing an operation different from the operation described in the present specification, each of the present inventions. The embodiment is intended for the same operation as any of the operations described in the present specification, and the existence of an operation different from the operation described in the present specification means that the method and the like are described in the present invention. It is added that it is not outside the scope of the embodiment.
また、図２及び３において示される「開始」及び「終了」は、一例を示すものに過ぎず、本実施形態にかかる方法が図示された手順で必ず開始され、図示された手順で必ず終了することを意味するものではない。 Further, the "start" and "end" shown in FIGS. 2 and 3 are merely examples, and the method according to the present embodiment is always started by the illustrated procedure and always ends by the illustrated procedure. It doesn't mean that.
１００ 装置
１０１ 通信部
１０２ 処理部
１０３ 記憶部
１０４ データベース
100
Claims (7)
コンピュータが、前記医療機関が受け取った第１の処方箋に対応する処方情報を取得する第１のステップと、
前記コンピュータが、前記処方情報に含まれる各薬剤について、前記処方情報に関連づけられた患者の予測来訪日及び予測需要数量を算出する第２のステップと、
前記コンピュータが、前記第１及び第２のステップを、前記医療機関が受け取った第２の処方箋について繰り返す第３のステップと、
前記コンピュータが、前記第１及び第２の処方箋に対応する処方情報に含まれる各薬剤について、前記医療機関に関連づけられた過去の処方情報に基づいて、初来訪の患者の予測来局訪日及び予測需要数量を算出する第４のステップと、
前記コンピュータが、前記第３のステップ及び前記第４のステップにより得られた各薬剤に関する予測需要数量の各日における値に基づいて、予測需要数量の時系列を薬剤ごとに生成する第５のステップと
を含み、
前記第２のステップは、
前記コンピュータが、前記処方情報に含まれる１又は複数の薬剤が用いられる単一の疾患を推定するステップと、
前記コンピュータが、前記患者が前記疾患に用いる１又は複数の薬剤のために再来訪する予測回数を算出するステップと、
前記コンピュータが、前記予測回数が０回である場合に予測処理を終了し、前記予測回数が１回以上である場合に次回以降の予測来訪日及び前記疾患に用いる１又は複数の薬剤の予測需要数量を算出するステップと
を含む。 It is a method of predicting the demand for drugs in medical institutions.
The first step in which the computer acquires the prescription information corresponding to the first prescription received by the medical institution, and
The second step in which the computer calculates the predicted visit to Japan and the predicted demand quantity of the patient associated with the prescription information for each drug included in the prescription information.
A third step in which the computer repeats the first and second steps for the second prescription received by the medical institution.
For each drug included in the prescription information corresponding to the first and second prescriptions, the computer predicts the visit to Japan of the patient who first visits Japan based on the past prescription information associated with the medical institution. And the fourth step to calculate the expected demand quantity,
A fifth step in which the computer generates a time series of predicted demand quantities for each drug based on the values of the predicted demand quantities for each drug obtained in the third step and the fourth step on each day. Including and
The second step is
A step in which the computer estimates a single disease in which one or more drugs contained in the prescription information are used.
A step in which the computer calculates the expected number of revisits for the patient for one or more drugs used for the disease.
The computer ends the prediction process when the number of predictions is 0, and when the number of predictions is 1 or more, the prediction demand for the next and subsequent predicted visits to Japan and one or more drugs used for the disease. Steps to calculate the quantity
Including .
コンピュータが、前記医療機関が受け取った第１の処方箋に対応する処方情報を取得する第１のステップと、
前記コンピュータが、前記処方情報に含まれる各薬剤について、前記処方情報に関連づけられた患者の予測来局訪日及び予測需要数量を算出する第２のステップと、
前記コンピュータが、前記第１及び第２のステップを、前記医療機関が受け取った第２の処方箋について繰り返す第３のステップと、
前記コンピュータが、前記第１及び第２の処方箋に対応する処方情報に含まれる各薬剤について、前記医療機関に関連づけられた過去の処方情報に基づいて、初来訪の患者の予測来訪日及び予測需要数量を算出する第４のステップと、
前記コンピュータが、前記第３のステップ及び前記第４のステップにより得られた各薬剤に関する予測需要数量の各日における値に基づいて、予測需要数量の時系列を薬剤ごとに生成する第５のステップと
を含み、
前記第２のステップは、
前記コンピュータが、前記処方情報に含まれる１又は複数の薬剤が用いられる複数の疾患を推定するステップと、
前記複数の疾患のそれぞれについて、
前記コンピュータが、前記患者が当該疾患に用いる１又は複数の薬剤のために再来訪する予測回数を算出するステップと、
前記コンピュータが、前記予測回数が０回である場合に予測処理を終了し、前記予測回数が１回以上である場合に次回以降の予測来訪日及び当該疾患に用いる１又は複数の薬剤の疾患別予測需要数量を算出するステップと
を含み、
前記第２のステップにより算出される予測需要数量は、前記複数の疾患のそれぞれに割り当てられた重みに応じた値を各疾患別予測需要数量に乗じて、前記複数の疾患について合計することにより算出する。 It is a method of predicting the demand for drugs in medical institutions.
The first step in which the computer acquires the prescription information corresponding to the first prescription received by the medical institution, and
The second step in which the computer calculates the predicted visit to Japan and the predicted demand quantity of the patient associated with the prescription information for each drug included in the prescription information.
A third step in which the computer repeats the first and second steps for the second prescription received by the medical institution.
For each drug included in the prescription information corresponding to the first and second prescriptions, the computer predicts the visit to Japan and the predicted demand of the first-visit patient based on the past prescription information associated with the medical institution. The fourth step to calculate the quantity and
A fifth step in which the computer generates a time series of predicted demand quantities for each drug based on the values of the predicted demand quantities for each drug obtained in the third step and the fourth step on each day. When
Including
The second step is
A step in which the computer estimates a plurality of diseases in which one or more drugs contained in the prescription information are used.
For each of the multiple diseases
A step in which the computer calculates the expected number of revisits for the patient for one or more drugs used for the disease.
When the predicted number of times is 0 , the computer ends the prediction process, and when the predicted number of times is 1 or more, the predicted visit to Japan from the next time onward and the disease of one or more drugs used for the disease. Including the step of calculating another forecast demand quantity
The predicted demand quantity calculated by the second step is calculated by multiplying the predicted demand quantity for each disease by the value corresponding to the weight assigned to each of the plurality of diseases and summing up the plurality of diseases. do.
前記第２のステップにおいて、前記患者の過去の処方情報の少なくとも一部を前記予測回数の算出に用いる。 The method according to claim 1 or 2 .
In the second step, at least a part of the patient's past prescription information is used to calculate the predicted number of times.
前記医療機関が受け取った第１の処方箋に対応する処方情報を取得する第１のステップと、
前記処方情報に含まれる各薬剤について、前記処方情報に関連づけられた患者の予測来局訪日及び予測需要数量を算出する第２のステップと、
前記第１及び第２のステップを、前記医療機関が受け取った第２の処方箋について繰り返す第３のステップと、
前記第１及び第２の処方箋に対応する処方情報に含まれる各薬剤について、前記医療機関に関連づけられた過去の処方情報に基づいて、初来訪の患者の予測来訪日及び予測需要数量を算出する第４のステップと、
前記第３のステップ及び前記第４のステップにより得られた各薬剤に関する予測需要数量の各日における値に基づいて、予測需要数量の時系列を薬剤ごとに生成する第５のステップと
を含み、
前記第２のステップは、
前記コンピュータが、前記処方情報に含まれる１又は複数の薬剤が用いられる単一の疾患を推定するステップと、
前記コンピュータが、前記患者が前記疾患に用いる１又は複数の薬剤のために再来訪する予測回数を算出するステップと、
前記コンピュータが、前記予測回数が０回である場合に予測処理を終了し、前記予測回数が１回以上である場合に次回以降の予測来訪日及び前記疾患に用いる１又は複数の薬剤の予測需要数量を算出するステップと
を含む。 A program for causing a computer to execute a method for predicting the demand for a drug in a medical institution.
The first step of acquiring the prescription information corresponding to the first prescription received by the medical institution, and
For each drug included in the prescription information, the second step of calculating the predicted visit to Japan and the predicted demand quantity of the patient associated with the prescription information, and
A third step of repeating the first and second steps for the second prescription received by the medical institution, and
For each drug included in the prescription information corresponding to the first and second prescriptions, the predicted visit to Japan and the predicted demand quantity of the first- visited patient are calculated based on the past prescription information associated with the medical institution. The fourth step to calculate and
Including a fifth step of generating a time series of predicted demand quantity for each drug based on the value of the predicted demand quantity for each drug obtained by the third step and the fourth step on each day. ,
The second step is
A step in which the computer estimates a single disease in which one or more agents contained in the prescription information are used.
A step in which the computer calculates the expected number of revisits for the patient for one or more drugs used for the disease.
The computer ends the prediction process when the number of predictions is 0, and when the number of predictions is 1 or more, the prediction demand for the next and subsequent predicted visits to Japan and one or more drugs used for the disease. Steps to calculate the quantity
Including .
前記医療機関が受け取った第１の処方箋に対応する処方情報を取得する第１のステップと、 The first step of acquiring the prescription information corresponding to the first prescription received by the medical institution, and
前記処方情報に含まれる各薬剤について、前記処方情報に関連づけられた患者の予測来局訪日及び予測需要数量を算出する第２のステップと、 For each drug included in the prescription information, the second step of calculating the predicted visit to Japan and the predicted demand quantity of the patient associated with the prescription information, and
前記第１及び第２のステップを、前記医療機関が受け取った第２の処方箋について繰り返す第３のステップと、 A third step of repeating the first and second steps for the second prescription received by the medical institution, and
前記第１及び第２の処方箋に対応する処方情報に含まれる各薬剤について、前記医療機関に関連づけられた過去の処方情報に基づいて、初来局訪の患者の予測来局訪日及び予測需要数量を算出する第４のステップと、 For each drug included in the prescription information corresponding to the first and second prescriptions, the predicted visit to Japan and the predicted demand quantity of the patient who visited the first visit to Japan based on the past prescription information associated with the medical institution. And the fourth step to calculate
前記第３のステップ及び前記第４のステップにより得られた各薬剤に関する予測需要数量の各日における値に基づいて、予測需要数量の時系列を薬剤ごとに生成する第５のステップと With the fifth step of generating a time series of the predicted demand quantity for each drug based on the value of the predicted demand quantity for each drug obtained by the third step and the fourth step on each day.
を含み、Including
前記第２のステップは、 The second step is
前記コンピュータが、前記処方情報に含まれる１又は複数の薬剤が用いられる複数の疾患を推定するステップと、 A step in which the computer estimates a plurality of diseases in which one or more drugs contained in the prescription information are used.
前記複数の疾患のそれぞれについて、 For each of the multiple diseases
前記コンピュータが、前記患者が当該疾患に用いる１又は複数の薬剤のために再来訪する予測回数を算出するステップと、 A step in which the computer calculates the expected number of revisits for the patient for one or more drugs used for the disease.
前記コンピュータが、前記予測回数が０回である場合に予測処理を終了し、前記予測回数が１回以上である場合に次回以降の予測来訪日及び当該疾患に用いる１又は複数の薬剤の疾患別予測需要数量を算出するステップと When the predicted number of times is 0, the computer ends the prediction process, and when the predicted number of times is 1 or more, the predicted visit to Japan from the next time onward and one or more drugs used for the disease are classified by disease. Steps to calculate the expected demand quantity
を含み、Including
前記第２のステップにより算出される予測需要数量は、前記複数の疾患のそれぞれに割り当てられた重みに応じた値を各疾患別予測需要数量に乗じて、前記複数の疾患について合計することにより算出する。 The predicted demand quantity calculated by the second step is calculated by multiplying the predicted demand quantity for each disease by the value corresponding to the weight assigned to each of the plurality of diseases and summing up the plurality of diseases. do.
前記医療機関が受け取った第１の処方箋に対応する処方情報を取得して、（ａ）前記処方情報に含まれる１又は複数の薬剤が用いられる単一の疾患を推定し、（ｂ）前記患者が前記疾患に用いる１又は複数の薬剤のために再来訪する予測回数を算出し、（ｃ）前記予測回数が０回である場合に予測処理を終了し、前記予測回数が１回以上である場合に、次回以降の予測来訪日及び前記疾患に用いる１又は複数の薬剤の予測需要数量を算出し、
予測来訪日及び予測需要数量の前記算出を前記医療機関が受け取った第２の処方箋について繰り返し、
前記第１及び第２の処方箋に対応する処方情報に含まれる各薬剤について、前記医療機関に関連づけられた過去の処方情報に基づいて、初来訪の患者の予測来訪日及び予測需要数量を算出し、
得られた各薬剤に関する予測需要数量の各日における値に基づいて、予測需要数量の時系列を薬剤ごとに生成する。 A device that predicts the demand for drugs in medical institutions.
The prescription information corresponding to the first prescription received by the medical institution is acquired, (a) a single disease in which one or more drugs contained in the prescription information is used, and (b) the patient. Calculates the predicted number of revisits for one or more drugs used for the disease, (c) ends the prediction process when the predicted number is 0, and the predicted number is 1 or more. In this case, calculate the predicted demand quantity of one or more drugs used for the predicted visit to Japan and the above-mentioned diseases from the next time onward .
Repeating the above calculation of the forecast visit to Japan and the forecast demand quantity for the second prescription received by the medical institution,
For each drug included in the prescription information corresponding to the first and second prescriptions, the predicted visit to Japan and the predicted demand quantity of the first- visited patient are calculated based on the past prescription information associated with the medical institution. Calculate and
A time series of predicted demand quantities is generated for each drug based on the value of the predicted demand quantity for each obtained drug on each day.
前記医療機関が受け取った第１の処方箋に対応する処方情報を取得して、（ａ）前記処方情報に含まれる１又は複数の薬剤が用いられる複数の疾患を推定し、（ｂ）前記複数の疾患のそれぞれについて、前記患者が当該疾患に用いる１又は複数の薬剤のために再来訪する予測回数を算出し、前記予測回数が０回である場合に予測処理を終了し、前記予測回数が１回以上である場合に次回以降の予測来訪日及び当該疾患に用いる１又は複数の薬剤の疾患別予測需要数量を算出し、（ｃ）前記複数の疾患のそれぞれに割り当てられた重みに応じた値を各疾患別予測需要数量に乗じて、前記複数の疾患について合計することにより、前記処方情報に関連づけられた患者の予測需要数量を算出し、 The prescription information corresponding to the first prescription received by the medical institution is acquired, (a) a plurality of diseases in which one or a plurality of drugs contained in the prescription information are used, and (b) the plurality of diseases are estimated. For each of the diseases, the predicted number of times the patient will return for one or more drugs used for the disease is calculated, and when the predicted number is 0, the prediction process is terminated and the predicted number is 1. If the number of visits is more than once, the predicted demand quantity for each disease of one or more drugs used for the next and subsequent visits to Japan and the disease is calculated, and (c) the value according to the weight assigned to each of the multiple diseases. Is multiplied by the predicted demand quantity for each disease and totaled for the plurality of diseases to calculate the predicted demand quantity of the patient associated with the prescription information.
予測来訪日及び予測需要数量の前記算出を前記医療機関が受け取った第２の処方箋について繰り返し、 Repeating the above calculation of the forecast visit to Japan and the forecast demand quantity for the second prescription received by the medical institution,
前記第１及び第２の処方箋に対応する処方情報に含まれる各薬剤について、前記医療機関に関連づけられた過去の処方情報に基づいて、初来訪の患者の予測来訪日及び予測需要数量を算出し、 For each drug included in the prescription information corresponding to the first and second prescriptions, the predicted visit to Japan and the predicted demand quantity of the first-visit patient are calculated based on the past prescription information associated with the medical institution. ,
得られた各薬剤に関する予測需要数量の各日における値に基づいて、予測需要数量の時系列を薬剤ごとに生成する。 A time series of predicted demand quantities is generated for each drug based on the value of the predicted demand quantity for each obtained drug on each day.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021165822A JP7101304B1 (en) | 2021-07-01 | 2021-10-07 | Devices, methods and programs for predicting drug demand in medical institutions |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021110375 | 2021-07-01 | ||
| JP2021165822A JP7101304B1 (en) | 2021-07-01 | 2021-10-07 | Devices, methods and programs for predicting drug demand in medical institutions |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021110375 Division | 2021-07-01 | 2021-07-01 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7101304B1 true JP7101304B1 (en) | 2022-07-14 |
| JP2023008745A JP2023008745A (en) | 2023-01-19 |
Family
ID=87852973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021165822A Active JP7101304B1 (en) | 2021-07-01 | 2021-10-07 | Devices, methods and programs for predicting drug demand in medical institutions |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7101304B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004062607A (en) | 2002-07-30 | 2004-02-26 | Higashi Nihon Medicom Kk | Prescription tabulation system and pharmacist arrangement system |
| JP2007141165A (en) | 2005-11-22 | 2007-06-07 | Chugoku Electric Power Co Inc:The | Reservation time guidance system, reservation time guidance method and program |
| JP2021060821A (en) | 2019-10-07 | 2021-04-15 | 株式会社ファーマクラウド | System, method and program for predicting dosage of medical product |
-
2021
- 2021-10-07 JP JP2021165822A patent/JP7101304B1/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004062607A (en) | 2002-07-30 | 2004-02-26 | Higashi Nihon Medicom Kk | Prescription tabulation system and pharmacist arrangement system |
| JP2007141165A (en) | 2005-11-22 | 2007-06-07 | Chugoku Electric Power Co Inc:The | Reservation time guidance system, reservation time guidance method and program |
| JP2021060821A (en) | 2019-10-07 | 2021-04-15 | 株式会社ファーマクラウド | System, method and program for predicting dosage of medical product |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023008745A (en) | 2023-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190325386A1 (en) | Providing implants for surgical procedures | |
| Hovav et al. | A network flow model for inventory management and distribution of influenza vaccines through a healthcare supply chain | |
| CN109147198B (en) | Self-service medicine selling method and system | |
| US11688497B2 (en) | Systems and methods for predictive data analytics | |
| US20120179481A1 (en) | Recommending Prescription Information | |
| US20180012244A1 (en) | System and method to determine prescription drug benefit eligibility from electronic prescription data streams | |
| JP6159872B2 (en) | Medical data analysis system, medical data analysis method, and storage medium | |
| US9773094B1 (en) | Methods and systems for pharmacy modeling | |
| AU2006231520A1 (en) | Intelligent sales and marketing recommendation system | |
| Fleischhacker et al. | Positioning inventory in clinical trial supply chains | |
| US20200074573A1 (en) | System and method for providing a patient-specific prediction model in a user application for effectiveness determinations | |
| JP2017142658A (en) | Medical information management system | |
| KR20200049606A (en) | Method and system for recommending antidepressants | |
| JP6709483B1 (en) | Systems, methods, and programs for predicting drug dosage | |
| JP2023009004A (en) | Apparatus and method for predicting demand for medicine in medical institution, and program thereof | |
| WO2019049819A1 (en) | Medical information processing system | |
| KR102370556B1 (en) | Funeral system using artificial neural network | |
| JP5724020B1 (en) | Information processing apparatus and program | |
| JP7101304B1 (en) | Devices, methods and programs for predicting drug demand in medical institutions | |
| Radman et al. | Designing a multi-service healthcare network based on the impact of patients’ flow among medical services | |
| JP2021518625A (en) | Systems and methods for quantifying customer engagement | |
| US11741548B1 (en) | Methods and apparatus to estimate costs of prescriptions | |
| US11586997B1 (en) | Value of future adherence | |
| Nadkarni et al. | Predicting resource-dependent maternal health outcomes at a referral hospital in Zanzibar using patient trajectories and mathematical modeling | |
| US11900228B1 (en) | Methods and system to estimate retail prescription waiting time |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211007 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20211007 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220114 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220309 |
|
| 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: 20220527 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220627 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220704 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7101304 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |