JP7161688B2 - 手術後感染予測装置、手術後感染予測装置生産方法、手術後感染予測方法およびプログラム - Google Patents
手術後感染予測装置、手術後感染予測装置生産方法、手術後感染予測方法およびプログラム Download PDFInfo
- Publication number
- JP7161688B2 JP7161688B2 JP2018146200A JP2018146200A JP7161688B2 JP 7161688 B2 JP7161688 B2 JP 7161688B2 JP 2018146200 A JP2018146200 A JP 2018146200A JP 2018146200 A JP2018146200 A JP 2018146200A JP 7161688 B2 JP7161688 B2 JP 7161688B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- data
- postoperative
- unit
- electronic medical
- 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
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Description
本発明は、手術後感染予測装置、手術後感染予測装置生産方法、手術後感染予測方法およびプログラムに関する。
手術後感染症の予測に関連して幾つかの技術が提案されている。
例えば、特許文献１に記載の感染症予測システムは、１日の感染症で外来を受診した患者の報告数をゴンベルツ曲線等の成長曲線に適用して、累積患者数の推移を予測する。
また、特許文献２に記載の感染症システムは、「糖尿病」、「肝疾患」等のリスクファクターに対するリスクスコアを示すリスクファクターＤＢ（データベース）と、リスクスコアをリスクレベルに換算するためのリスクレベル判定基準ＤＢとを用いて、医師が入力する患者情報から、患者（被検体）の感染源への抵抗レベルの５段階評価を算出する。
また、特許文献３に記載の侵襲管理方法では、手術前と手術後の血中アディポネクチン濃度を比較する。特許文献３では、術後感染した例では、術後感染しなかった例よりも血中アディポネクチンの低下が著しいとの測定結果が示されている。
例えば、特許文献１に記載の感染症予測システムは、１日の感染症で外来を受診した患者の報告数をゴンベルツ曲線等の成長曲線に適用して、累積患者数の推移を予測する。
また、特許文献２に記載の感染症システムは、「糖尿病」、「肝疾患」等のリスクファクターに対するリスクスコアを示すリスクファクターＤＢ（データベース）と、リスクスコアをリスクレベルに換算するためのリスクレベル判定基準ＤＢとを用いて、医師が入力する患者情報から、患者（被検体）の感染源への抵抗レベルの５段階評価を算出する。
また、特許文献３に記載の侵襲管理方法では、手術前と手術後の血中アディポネクチン濃度を比較する。特許文献３では、術後感染した例では、術後感染しなかった例よりも血中アディポネクチンの低下が著しいとの測定結果が示されている。
手術を行った部位に発生する手術後感染症はＳＳＩ（Surgical Site Infection、手術部位手術後感染）と呼ばれ、高い発生率があり、手術とは切っても切れない関係にある。そこで手術中のデータを活用して、手術後感染症に関して、患者毎の手術後感染予測が重要である。例えば、患者毎の手術後感染症発症有無の予測に基づいて、手術後に抗生物質等の投薬を患者毎に決定し管理することで、手術後感染症が発生するリスクを低減させることができる。
患者の手術後感染症発症予測の際、医療従事者等の人の負担が小さいことが好ましい。例えば、特許文献２に記載されているように医師が入出力端末から患者情報を入力する形態では、医師に患者情報入力の負担が医師に生じる。患者情報の入力作業を不要にできれば、医師の負担を軽減することができる。
患者の手術後感染症発症予測の際、医療従事者等の人の負担が小さいことが好ましい。例えば、特許文献２に記載されているように医師が入出力端末から患者情報を入力する形態では、医師に患者情報入力の負担が医師に生じる。患者情報の入力作業を不要にできれば、医師の負担を軽減することができる。
本発明は、上述の課題を解決することのできる手術後感染予測装置、手術後感染予測装置生産方法、手術後感染予測方法およびプログラムを提供することを目的としている。
本発明の第１の態様によれば、手術後感染予測装置は、電子カルテから患者基本データおよび手術時のデータを取得するデータ取得部と、前記電子カルテから得られたデータに示される、手術時の処方薬及び注射薬のうち少なくとも何れか一方について、薬効に基づくグルーピングを行う薬グルーピング部と、前記薬グルーピング部がグルーピングしたデータを用いて手術後感染症発症の可能性を予測対象者毎に予測する予測部と、前記手術後感染症発症の可能性の予測結果を表示する表示部と、を備える。
本発明の第２の態様によれば、手術後感染予測方法は、手術後感染予測装置が、電子カルテから患者基本データおよび手術時のデータを取得する工程と、前記手術後感染予測装置が、前記電子カルテから得られたデータに示される、手術時の処方薬及び注射薬のうち少なくとも何れか一方について、薬効に基づくグルーピングを行う工程と、前記手術後感染予測装置が、前記薬効に基づくグルーピングを行う工程でグルーピングが行われたデータを用いて手術後感染症発症の可能性を予測対象者毎に予測する工程と、前記手術後感染予測装置が、前記手術後感染症発症の可能性の予測結果を表示する工程と、を含む。
本発明の第３の態様によれば、プログラムは、コンピュータに、電子カルテから患者基本データおよび手術時のデータを取得する工程と、前記電子カルテから得られたデータに示される、手術時の処方薬及び注射薬のうち少なくとも何れか一方について、薬効に基づくグルーピングを行う工程と、前記薬効に基づくグルーピングを行う工程でグルーピングが行われたデータを用いて手術後感染症発症の可能性を予測対象者毎に予測する工程と、前記手術後感染症発症の可能性の予測結果を表示する工程と、を実行させるためのプログラムである。
この発明によれば、患者毎の手術後感染症発症予測を行うための、人の負担を比較的小さくすることができる。
以下、本発明の実施形態を説明するが、以下の実施形態は請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
図１は、実施形態に係る手術後感染予測システムの装置構成を示す概略構成図である。図１に示すように、手術後感染予測システム１は、手術後感染予測装置１００と、予測用電子カルテ提供装置９１０とを備える。
図１は、実施形態に係る手術後感染予測システムの装置構成を示す概略構成図である。図１に示すように、手術後感染予測システム１は、手術後感染予測装置１００と、予測用電子カルテ提供装置９１０とを備える。
手術後感染予測システム１は、電子カルテに記載されたデータを用いて患者毎の手術後感染症発症予測を行う。ここでいう手術後感染とは、手術後に病原体が宿主に進入して定着し、増殖することである。手術後感染症とは、手術後感染症が引き起こす様々な疾患の総称である。手術後感染しても、必ずしも手術後感染症になるわけではない。すなわち、手術後感染しても別段症状が現れない場合がある。
ここでいう手術後感染症発症予測は、患者が手術後に手術後感染症を発症する可能性を患者毎に予測することである。手術後感染予測システム１が、手術後感染症発症予測として、手術後感染症発症確率（患者が手術後感染症を発症する確率）を予測するようにしてもよいし、手術後感染症発症の有無を予測するようにしてもよい。あるいは、手術後感染予測システム１が、手術後感染症発症確率および手術後感染症発症の有無の両方を予測するようにしてもよい。
以下では、手術後感染予測システム１が、ある病院の入院患者を対象に、時系列のタイミング毎の手術後感染発症予測を行う場合を例に説明する。この場合、手術後感染予測システム１によれば、手術後感染症を発症と予測される患者、または、手術後感染症を発症する可能性が高いと予測される患者に対して集中的に抗生物質の投薬等の手術後感染症対策を行うことができる。これにより、患者が手術後感染症を発症するリスクを軽減できる点で、患者の負担を軽減することができ、かつ、院内感染の可能性を低減させることができる。
以下では、手術後感染予測システム１が手術後感染症予測を行う対象者（患者）を予測対象者と称する。
以下では、手術後感染予測システム１が手術後感染症予測を行う対象者（患者）を予測対象者と称する。
手術後感染予測装置１００は、予測対象者の電子カルテから得られるデータを用いて、予測対象者の手術後感染症発症予測を行う。
手術後感染予測装置１００は、例えばパソコン（Personal Computer；ＰＣ）、ワークステーション（Workstation）、または、タブレット（Tablet）端末装置等のコンピュータを用いて構成される。
手術後感染予測装置１００は、例えばパソコン（Personal Computer；ＰＣ）、ワークステーション（Workstation）、または、タブレット（Tablet）端末装置等のコンピュータを用いて構成される。
手術後感染予測装置１００が、手術後感染症を引き起こす病原体の種類毎に手術後感染症発症予測を行うようにしてもよい。あるいは、手術後感染予測装置１００が、複数種類の病原体に共通の手術後感染症発症予測を行う（具体的には、複数種類の病原体のうち少なくとも何れか１種類の病原体によって手術後感染症を発症する可能性を予測する）ようにしてもよい。
実験では、病原体の種類にかかわらず手術後感染症発症の有無については同様の傾向が示されており、この点からすると、手術後感染予測装置１００が、全種類の病原体に共通して予測対象者毎に手術後感染症発症予測を行うことが考えられる。この場合、手術後感染予測装置１００が病原体の種類毎に手術後感染症発症予測を行う場合よりも、手術後感染予測装置１００の処理を簡単にすることができる。また、後述する機械学習装置２００が、手術後感染症発症予測の予測モデルを機械学習する場合、その機械学習の処理についても、病原体の種類毎に機械学習を行う場合よりも簡単にすることができる。
機械学習を、単に学習とも称する。
機械学習を、単に学習とも称する。
ここでいう予測モデルは、入力データと出力データとの関係の推定結果に基づいて、与えられる入力データに対応する出力データを出力する処理の仕組みのことである。ここでの予測モデルの表現方法は特定の方法に限定されない。機械学習の結果として得られる、入力データの入力を受けて出力データを出力するモデルが、予測モデルの例に該当する。
例えば、機械学習装置２００の機械学習の結果が、ニューラルネットワーク（Neural Network）、ランダムフォレスト（Random Forest）、または、サポートベクターマシン（Support Vector Machine）を用いる処理として手術後感染予測装置１００に実装されてもよい。あるいは、機械学習装置２００の機械学習の結果が、回帰分析等の統計的な手法を用いた処理として手術後感染予測装置１００に実装されてもよい。
あるいは、機械学習装置２００の機械学習の結果が反映され、電子カルテのデータの入力に対して手術後感染症発症予測結果を出力する関数、テーブル、プログラム、あるいはこれらの組み合わせが、手術後感染予測装置１００に実装されてもよい。
あるいは、機械学習装置２００の機械学習の結果が反映され、電子カルテのデータの入力に対して手術後感染症発症予測結果を出力する関数、テーブル、プログラム、あるいはこれらの組み合わせが、手術後感染予測装置１００に実装されてもよい。
予測用電子カルテ提供装置９１０は、予測対象者の電子カルテを手術後感染予測装置１００に提供する。病院内で運用されている電子カルテシステムをそのまま予測用電子カルテ提供装置９１０として用いるようにしてもよい。あるいは、電子カルテシステムから電子カルテをサーバにコピーし、そのサーバを予測用電子カルテ提供装置９１０として用いるなど、病院内で運用されている電子カルテシステムとは別に予測用電子カルテ提供装置９１０が設けられていてもよい。
図２は、手術後感染予測装置１００の機能構成を示す概略ブロック図である。図２に示すように、手術後感染予測装置１００は、予測側通信部１１０と、予測側表示部１２０と、予測側操作入力部１３０と、予測側記憶部１７０と、予測側制御部１８０とを備える。予測側制御部１８０は、予測用データ取得部１８１と、前処理部１８２と、予測部１８３とを備える。前処理部１８２は、不実施項目補完部１９１と、年齢別デフォルト値補完部１９２と、薬グルーピング部１９３と、手術グルーピング部１９４と、病名グルーピング部１９５と、特記事項数値化部１９６とを備える。
予測側通信部１１０は、他の装置と通信を行う。特に、予測側通信部１１０は、予測対象者の電子カルテを予測用電子カルテ提供装置９１０から受信する。
予測側表示部１２０は、例えば液晶パネルまたはＬＥＤ（Light Emitting Diode、発光ダイオード）パネル等の表示画面を備え、各種画像を表示する。特に、予測側表示部１２０は、手術後感染予測装置１００が予測対象者について手術後感染症発症の可能性を予測した予測結果を表示する。
予測側表示部１２０は、例えば液晶パネルまたはＬＥＤ（Light Emitting Diode、発光ダイオード）パネル等の表示画面を備え、各種画像を表示する。特に、予測側表示部１２０は、手術後感染予測装置１００が予測対象者について手術後感染症発症の可能性を予測した予測結果を表示する。
予測側操作入力部１３０は、例えばキーボードおよびマウス等の入力デバイスを備え、ユーザ操作を受け付ける。例えば、予測側操作入力部１３０は、予測対象者を指定するユーザ操作、または、手術後感染症発症確率８０％以上など、予測対象者を絞り込むための条件を指定するユーザ操作を受け付ける。また、予測側操作入力部１３０は、手術後感染症発症予測の実行を指示するユーザ操作を受け付ける。
予測側記憶部１７０は、各種データを記憶する。予測側記憶部１７０は、手術後感染予測装置１００が備える記憶デバイスを用いて構成される。
予測側制御部１８０は、手術後感染予測装置１００の各部を制御して各種処理を実行する。予測側制御部１８０は、手術後感染予測装置１００が備えるＣＰＵ（Central Processing Unit、中央処理装置）が予測側記憶部１７０からプログラムを読み出して実行することで構成される。
予測側制御部１８０は、手術後感染予測装置１００の各部を制御して各種処理を実行する。予測側制御部１８０は、手術後感染予測装置１００が備えるＣＰＵ（Central Processing Unit、中央処理装置）が予測側記憶部１７０からプログラムを読み出して実行することで構成される。
予測用データ取得部１８１は、データ取得部の例に該当し、電子カルテからデータを取得する。具体的には、予測用データ取得部１８１は、予測側通信部１１０を制御して予測用電子カルテ提供装置９１０から予測対象者の電子カルテを取得する。予測用データ取得部１８１は、この電子カルテのフォーマットについて既知であり、取得した電子カルテから各項目のデータを読み出す。特に、予測用データ取得部１８１は、電子カルテに記載されたデータのうち、患者基本データおよび手術時のデータの何れか一方または両方を取得する。
ここでいう患者基本データは、電子カルテに記載されたデータのうち、患者の属性情報を示すデータである。患者基本データには、患者の性別、ＢＭＩ、生活習慣、アレルギー、および、障害を示すデータが含まれる。
ここでいう患者基本データは、電子カルテに記載されたデータのうち、患者の属性情報を示すデータである。患者基本データには、患者の性別、ＢＭＩ、生活習慣、アレルギー、および、障害を示すデータが含まれる。
前処理部１８２は、予測用データ取得部１８１が取得したデータに対して前処理を行う。
不実施項目補完部１９１は、予測対象者の電子カルテに示される検査項目のうち不実施の項目がある場合、その項目の値として、不実施を示す値として予め定められた値を挿入する。これにより、予測部１８３は、その項目の検査を実施していないという情報を用いて手術後感染症発症予測を行うことができる。検査を実施したか否かは手術後感染症発症予測に有益な情報と考えられ、予測部１８３が行う手術後感染症発症予測の精度が向上することが期待される。
不実施項目補完部１９１は、予測対象者の電子カルテに示される検査項目のうち不実施の項目がある場合、その項目の値として、不実施を示す値として予め定められた値を挿入する。これにより、予測部１８３は、その項目の検査を実施していないという情報を用いて手術後感染症発症予測を行うことができる。検査を実施したか否かは手術後感染症発症予測に有益な情報と考えられ、予測部１８３が行う手術後感染症発症予測の精度が向上することが期待される。
不実施項目補完部１９１が行う、予測対象者の電子カルテに示される検査項目のうち不実施の項目の値として、不実施を示す値として予め定められた値を挿入する処理を、不実施項目の補完と称する。
不実施項目補完部１９１が、不実施項目の補完を自動的に行うようにしてもよい。あるいは、不実施項目補完部１９１が、予測側表示部１２０を制御して電子カルテの不実施項目の部分を表示させ、手術後感染予測装置１００が受け付けるユーザ操作に従って不実施項目の補完を行うようにしてもよい。
不実施項目補完部１９１が、不実施項目の補完を自動的に行うようにしてもよい。あるいは、不実施項目補完部１９１が、予測側表示部１２０を制御して電子カルテの不実施項目の部分を表示させ、手術後感染予測装置１００が受け付けるユーザ操作に従って不実施項目の補完を行うようにしてもよい。
また不実施項目補完部１９１が、不実施項目の補完に加えて、あるいは代えて、手術後感染症発症予測の予測モデルを選択するようにしてもよい。例えば、全項目数に対する不実施の項目の割合が所定の閾値以下である場合、不実施項目補完部１９１が、不実施の項目のデータを入力として用いる予測モデルを選択するようにしてもよい。全項目数に対する不実施の項目の割合が所定の閾値より多い場合、不実施項目補完部１９１が、不実施の項目のデータを入力として用いない予測モデルを選択するようにしてもよい。
年齢別デフォルト値補完部１９２は、電子カルテに示される測定項目のうち測定が行われていない項目がある場合、その項目の値として、年齢に応じて定められたデフォルト値を補完する。例えば、予測対象者の電子カルテにおけるＢＭＩ（(Body Mass Index、体格指数)の項目が空欄となっている場合、年齢別デフォルト値補完部１９２が、年齢毎のＢＭＩの平均値のうち、予測対象者の年齢における平均値を補完するようにしてもよい。
年齢別デフォルト値補完部１９２が、予測対象者の年齢に応じたデフォルト値を補完することで、年齢にかかわらず一定値のデフォルト値を補完する場合よりも、実際の値に近い値となることが期待される。年齢別デフォルト値補完部１９２によれば、この点で、手術後感染予測装置１００が手術後感染症発症予測を比較的高精度に行えると期待される。
薬グルーピング部１９３は、予測対象者の電子カルテから得られるデータに示される、手術時の処方薬及び注射薬のうち少なくとも何れか一方について、薬効に基づくグルーピングを行う。例えば、薬グルーピング部１９３は、処方薬及び注射薬のうち少なくとも何れか一方について、薬効分類コードの上位２桁の値が同じものを同じグループにグルーピングする。
薬グルーピング部１９３が、処方薬及び注射薬のうち少なくとも何れか一方をグルーピングすることで、手術後感染予測装置１００が同様の薬効を統一的に扱って手術後感染症発症予測を行うことが確実となる。薬グルーピング部１９３によれば、この点で、手術後感染予測装置１００が手術後感染症発症予測を比較的高精度に行えると期待される。
また、後述する機械学習装置２００が手術後感染症発症予測の予測モデルを学習する場合、薬グルーピング部１９３によるグルーピングが行われた学習用データを用いることで、過学習の可能性を低減させることができる。
薬グルーピング部１９３が、処方薬及び注射薬のうち少なくとも何れか一方をグルーピングすることで、手術後感染予測装置１００が同様の薬効を統一的に扱って手術後感染症発症予測を行うことが確実となる。薬グルーピング部１９３によれば、この点で、手術後感染予測装置１００が手術後感染症発症予測を比較的高精度に行えると期待される。
また、後述する機械学習装置２００が手術後感染症発症予測の予測モデルを学習する場合、薬グルーピング部１９３によるグルーピングが行われた学習用データを用いることで、過学習の可能性を低減させることができる。
薬グルーピング部１９３が、このグルーピングを自動的に行うようにしてもよい。あるいは、薬グルーピング部１９３が、予測側表示部１２０を制御して電子カルテにおける処方薬及び注射薬の記載を表示させ、手術後感染予測装置１００が受けるユーザ操作に従ってグルーピングを行うようにしてもよい。
あるいは、薬グルーピング部１９３の処理が、前処理ではなく予測部１８３による手術後感染症発症予測の処理の一部として実行されるようにしてもよい。例えば、予測部１８３が、薬効分類コードの上位２桁の値が同じ薬を区別しない予測モデルを用いて手術後感染症発症予測を行うようにしてもよい。
あるいは、薬グルーピング部１９３の処理が、前処理ではなく予測部１８３による手術後感染症発症予測の処理の一部として実行されるようにしてもよい。例えば、予測部１８３が、薬効分類コードの上位２桁の値が同じ薬を区別しない予測モデルを用いて手術後感染症発症予測を行うようにしてもよい。
手術グルーピング部１９４は、予測対象者の電子カルテから得られるデータに示される手術についてグルーピングを行う。例えば、手術グルーピング部１９４は、ＩＣＤ－１０のコードの上位１桁が同じ手術を同じグループにグルーピングする。なお、ここでいうＩＣＤは、International Statistical Classification of Diseases and Related Health Problems（疾病及び関連保健問題の国際統計分類（国際疾病分類と略される））である。
手術グルーピング部１９４が、手術をグルーピングすることで、手術後感染予測装置１００が同様の手術を統一的に扱って手術後感染症発症予測を行うことが確実となる。手術グルーピング部１９４によれば、この点で、手術後感染予測装置１００が手術後感染症発症予測を比較的高精度に行えると期待される。
また、後述する機械学習装置２００が手術後感染症発症予測の予測モデルを学習する場合、手術グルーピング部１９４によるグルーピングが行われた学習用データを用いることで、過学習の可能性を低減させることができる。
また、後述する機械学習装置２００が手術後感染症発症予測の予測モデルを学習する場合、手術グルーピング部１９４によるグルーピングが行われた学習用データを用いることで、過学習の可能性を低減させることができる。
手術グルーピング部１９４が、このグルーピングを自動的に行うようにしてもよい。あるいは、手術グルーピング部１９４が、予測側表示部１２０を制御して電子カルテにおける手術の記載を表示させ、手術後感染予測装置１００が受けるユーザ操作に従ってグルーピングを行うようにしてもよい。
あるいは、手術グルーピング部１９４の処理が、前処理ではなく予測部１８３による手術後感染症発症予測の処理の一部として実行されるようにしてもよい。例えば、予測部１８３が、ＩＣＤ－１０のコードの上位１桁の値が同じ手術を区別しない予測モデルを用いて手術後感染症発症予測を行うようにしてもよい。
あるいは、手術グルーピング部１９４の処理が、前処理ではなく予測部１８３による手術後感染症発症予測の処理の一部として実行されるようにしてもよい。例えば、予測部１８３が、ＩＣＤ－１０のコードの上位１桁の値が同じ手術を区別しない予測モデルを用いて手術後感染症発症予測を行うようにしてもよい。
病名グルーピング部１９５は、予測対象者の電子カルテから得られるデータに示される病名についてグルーピングを行う。例えば、病名グルーピング部１９５は、病名（例えば、ＤＰＣ（診断群分類）に示される病名）について、ＩＣＤ－１０の大分類に従ってグルーピングを行う。病名グルーピング部１９５が、手術後感染症発症予測に重要な病名として予め定められた病名については、ＩＣＤ－１０の中分類に従ってグルーピングを行うことで、より詳細なグルーピングを行うようにしてもよい。
病名グルーピング部１９５が、病名をグルーピングすることで、手術後感染予測装置１００が同様の病気を統一的に扱って手術後感染症発症予測を行うことが確実となる。病名グルーピング部１９５によれば、この点で、手術後感染予測装置１００が手術後感染症発症予測を比較的高精度に行えると期待される。
また、後述する機械学習装置２００が手術後感染症発症予測の予測モデルを学習する場合、病名グルーピング部１９５によるグルーピングが行われた学習用データを用いることで、過学習の可能性を低減させることができる。
また、後述する機械学習装置２００が手術後感染症発症予測の予測モデルを学習する場合、病名グルーピング部１９５によるグルーピングが行われた学習用データを用いることで、過学習の可能性を低減させることができる。
病名グルーピング部１９５が、このグルーピングを自動的に行うようにしてもよい。あるいは、病名グルーピング部１９５が、予測側表示部１２０を制御して電子カルテにおける病名の記載を表示させ、手術後感染予測装置１００が受けるユーザ操作に従ってグルーピングを行うようにしてもよい。
あるいは、病名グルーピング部１９５の処理が、前処理ではなく予測部１８３による手術後感染症発症予測の処理の一部として実行されるようにしてもよい。例えば、予測部１８３が、病名グルーピング部１９５によるグルーピングで同じグループ属する病名を区別しない予測モデルを用いて、手術後感染症発症予測を行うようにしてもよい。
あるいは、病名グルーピング部１９５の処理が、前処理ではなく予測部１８３による手術後感染症発症予測の処理の一部として実行されるようにしてもよい。例えば、予測部１８３が、病名グルーピング部１９５によるグルーピングで同じグループ属する病名を区別しない予測モデルを用いて、手術後感染症発症予測を行うようにしてもよい。
特記事項数値化部１９６は、予測対象者の電子カルテに示される、アレルギーに関する特記事項の記録回数、および、障害に関する特記事項のうち少なくとも何れか一方の回数を計数することで、特記事項の数値化を行う。
これにより、手術後感染予測装置１００は、予測対象者の電子カルテに記載された特記事項に関するデータを用いて手術後感染症発症予測を行うことができる。手術後感染予測装置１００が、より多くのデータに基づいて手術後感染症発症予測を行う点で、比較的高精度に手術後感染症発症予測を行うことができる。
これにより、手術後感染予測装置１００は、予測対象者の電子カルテに記載された特記事項に関するデータを用いて手術後感染症発症予測を行うことができる。手術後感染予測装置１００が、より多くのデータに基づいて手術後感染症発症予測を行う点で、比較的高精度に手術後感染症発症予測を行うことができる。
特記事項数値化部１９６が、アレルギーに関する特記事項および障害に関する特記事項を抽出するためのキーワードを予め記憶しておく等により、予測対象者の電子カルテに記載されたこれらの特記事項を自動的に分類し計数するようにしてもよい。
あるいは、特記事項数値化部１９６が、予測側表示部１２０を制御して電子カルテにおける特記事項（コメント）の記載を表示させ、手術後感染予測装置１００が受けるユーザ操作に従ってアレルギーに関する特記事項および障害に関する特記事項を抽出し計数するようにしてもよい。
前処理部１８２が行う前処理の各々は、手術後感染予測装置１００に必須ではない。従って、手術後感染予測装置１００が、前処理部１８２の各部のうち一部のみを備えていてもよいし、全部を備えていなくてもよい。
あるいは、特記事項数値化部１９６が、予測側表示部１２０を制御して電子カルテにおける特記事項（コメント）の記載を表示させ、手術後感染予測装置１００が受けるユーザ操作に従ってアレルギーに関する特記事項および障害に関する特記事項を抽出し計数するようにしてもよい。
前処理部１８２が行う前処理の各々は、手術後感染予測装置１００に必須ではない。従って、手術後感染予測装置１００が、前処理部１８２の各部のうち一部のみを備えていてもよいし、全部を備えていなくてもよい。
予測部１８３は、手術後感染症発症予測を実行する。具体的には、予測部１８３は、予測対象者の電子カルテから得られるデータに基づいて手術後感染症発症の可能性を予測対象者毎に予測する。例えば予測部１８３は、予測対象者の手術後感染症発症の予測確率（手術後感染症発症確率）を算出する。
予測部１８３が行う手術後感染症発症予測についてさらに説明する。但し、以下の処理は予測部１８３に必須ではない。従って、予測部１８３が、以下の処理のうち一部のみを行うようにしてもよいし、以下の処理を一つも行わないようにしてもよい。
（１） 予測部１８３が、予測対象者の電子カルテから得られる時系列データの変化量を用いて、手術後感染症発症予測を行う。
ここで、体温など電子カルテに記載される測定データには、個人差がある。これに対して予測部１８３がデータの変化量を用いることで、個人差の影響を低減させることができ、この点で、手術後感染症発症予測を高精度に行うことができる。
（１） 予測部１８３が、予測対象者の電子カルテから得られる時系列データの変化量を用いて、手術後感染症発症予測を行う。
ここで、体温など電子カルテに記載される測定データには、個人差がある。これに対して予測部１８３がデータの変化量を用いることで、個人差の影響を低減させることができ、この点で、手術後感染症発症予測を高精度に行うことができる。
（２） 予測部１８３が、上述した不実施項目補完部１９１が前処理を行ったデータを用いて手術後感染症発症予測を行う。すなわち、予測対象者の電子カルテに示される検査項目のうち不実施の項目がある場合、予測部１８３が、その項目の値として、不実施を示す値として予め定められた値を用いて、手術後感染症発症予測を行う。
（３） 予測部１８３が、上述した年齢別デフォルト値補完部１９２が前処理を行ったデータを用いて手術後感染症発症予測を行う。すなわち、予測対象者の電子カルテに示される測定項目のうち測定が行われていない項目がある場合、予測部１８３が、その項目の値として、年齢に応じて定められたデフォルト値を用いて、手術後感染症発症予測を行う。
（３） 予測部１８３が、上述した年齢別デフォルト値補完部１９２が前処理を行ったデータを用いて手術後感染症発症予測を行う。すなわち、予測対象者の電子カルテに示される測定項目のうち測定が行われていない項目がある場合、予測部１８３が、その項目の値として、年齢に応じて定められたデフォルト値を用いて、手術後感染症発症予測を行う。
（４） 予測部１８３が、上述した薬グルーピング部１９３がグルーピングしたデータを用いて手術後感染症発症予測を行う。
（５） 予測部１８３が、上述した手術グルーピング部１９４がグルーピングしたデータを用いて手術後感染症発症予測を行う。
（６） 予測部１８３が、上述した病名グルーピング部１９５がグルーピングしたデータを用いて手術後感染症発症予測を行う。
（５） 予測部１８３が、上述した手術グルーピング部１９４がグルーピングしたデータを用いて手術後感染症発症予測を行う。
（６） 予測部１８３が、上述した病名グルーピング部１９５がグルーピングしたデータを用いて手術後感染症発症予測を行う。
（７） 予測部１８３が、上述した特記事項数値化部１９６が前処理を行ったデータを用いて手術後感染症発症予測を行う。すなわち、予測部１８３が、予測対象者の電子カルテに示される特記事項の記載回数を示すデータを用いて、手術後感染症発症予測を行う。
（８） 予測部１８３が、予測対象者についてのリハビリオーダ数を用いて手術後感染症発症予測を行う。ここでいうリハビリオーダ数は、患者毎のリハビリテーションの回数である。例えば、担当医が患者毎にリハビリテーション計画を策定し、策定した計画に従ってリハビリテーションの予約を設定し実行する。
リハビリオーダ数と手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者についてのリハビリオーダ数を用いて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
予測対象者についてのリハビリオーダ数は、予測対象者の電子カルテから得られるデータであってもよいし、電子カルテとは別に得られるデータであってもよい。
リハビリオーダ数と手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者についてのリハビリオーダ数を用いて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
予測対象者についてのリハビリオーダ数は、予測対象者の電子カルテから得られるデータであってもよいし、電子カルテとは別に得られるデータであってもよい。
（９） 予測部１８３が、予測対象者についてＢＭＩデータ（ＢＭＩを示すデータ）を用いて手術後感染症発症予測を行う。
ＢＭＩデータと手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者についてＢＭＩデータを用いて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
予測対象者についてのＢＭＩデータは、予測対象者の電子カルテから得られるデータであってもよいし、電子カルテとは別に得られるデータであってもよい。
ＢＭＩデータと手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者についてＢＭＩデータを用いて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
予測対象者についてのＢＭＩデータは、予測対象者の電子カルテから得られるデータであってもよいし、電子カルテとは別に得られるデータであってもよい。
（１０） 予測部１８３が、予測対象者の喫煙経験の有無を示すデータを用いて手術後感染症発症予測を行う。
喫煙の有無と手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者の喫煙経験の有無を示すデータを用いて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
予測対象者の喫煙経験の有無を示すデータは、予測対象者の電子カルテから得られるデータであってもよいし、予測対象者に対するアンケートで得らえたデータなど電子カルテとは別に得られるデータであってもよい。
喫煙の有無と手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者の喫煙経験の有無を示すデータを用いて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
予測対象者の喫煙経験の有無を示すデータは、予測対象者の電子カルテから得られるデータであってもよいし、予測対象者に対するアンケートで得らえたデータなど電子カルテとは別に得られるデータであってもよい。
（１１） 予測部１８３が、予測対象者に対する手術時間の長さに基づいて手術後感染症発症予測を行う。
手術時間の長さと手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者に対する手術時間の長さに基づいて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
予測対象者に対する手術時間の長さを示すデータは、予測対象者の電子カルテから得られるデータであってもよいし、電子カルテとは別に得られるデータであってもよい。
手術時間の長さと手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者に対する手術時間の長さに基づいて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
予測対象者に対する手術時間の長さを示すデータは、予測対象者の電子カルテから得られるデータであってもよいし、電子カルテとは別に得られるデータであってもよい。
（１２） 予測部１８３が、予測対象者についての放射線検査オーダ数に基づいて手術後感染症発症予測を行う。ここでいう放射線検査オーダ数は、患者毎の放射線検査の回数である。例えば、担当医が患者毎に検査治療計画を策定し、策定した計画に従って放射線検査の予約を設定し実行する。
放射線検査オーダ数と手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者についての放射線検査オーダ数に基づいて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
予測対象者についての放射線検査オーダ数を示すデータは、予測対象者の電子カルテから得られるデータであってもよいし、電子カルテとは別に得られるデータであってもよい。
放射線検査オーダ数と手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者についての放射線検査オーダ数に基づいて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
予測対象者についての放射線検査オーダ数を示すデータは、予測対象者の電子カルテから得られるデータであってもよいし、電子カルテとは別に得られるデータであってもよい。
（１３） 予測部１８３が、予測対象者の電子カルテに示される入院時のデータおよび手術前のデータを用いて手術後感染症発症予測を行う。入院時のデータとして、例えば入院から３日間など、入院から所定期間内のデータを用いることができる。手術前のデータとして、例えば手術の３日前から手術の直前までなど、手術前の所定期間内のデータを用いることができる。
手術後感染症発症前に対策を行うために、手術後感染症発症の可能性をなるべく早期に把握できることが好ましい。一方、実験で、入院時のデータのみを用いる場合よりも、入院時のデータと手術前のデータとを用いた場合、あるいは、入院時のデータと手術前のデータと手術後のデータとを用いた方が、手術後感染症発症予測を高精度に行えるとの結果を得られた。
予測部１８３が、予測対象者の電子カルテに示される入院時のデータおよび手術前のデータを用いて手術後感染症発症予測を行うことで、予測部１８３が、比較的高精度に手術後感染症発症予測を行うことができ、かつ、予測結果を参照するユーザは、手術後感染症発症の可能性を比較的早期に把握可能である。
手術後感染症発症前に対策を行うために、手術後感染症発症の可能性をなるべく早期に把握できることが好ましい。一方、実験で、入院時のデータのみを用いる場合よりも、入院時のデータと手術前のデータとを用いた場合、あるいは、入院時のデータと手術前のデータと手術後のデータとを用いた方が、手術後感染症発症予測を高精度に行えるとの結果を得られた。
予測部１８３が、予測対象者の電子カルテに示される入院時のデータおよび手術前のデータを用いて手術後感染症発症予測を行うことで、予測部１８３が、比較的高精度に手術後感染症発症予測を行うことができ、かつ、予測結果を参照するユーザは、手術後感染症発症の可能性を比較的早期に把握可能である。
次に図３を参照して、手術後感染予測システム１の動作について説明する。
図３は、手術後感染予測システム１が手術後感染症発症予測を行う処理手順の例を示す図である。
図３の処理で、予測用電子カルテ提供装置９１０は、予測対象者の電子カルテを手術後感染予測装置１００へ送信する（シーケンスＳ１１１）。手術後感染予測装置１００では、予測側通信部１１０が、予測用電子カルテ提供装置９１０からの電子カルテを受信し、予測用データ取得部１８１が、電子カルテから各項目のデータを読み出す。
図３は、手術後感染予測システム１が手術後感染症発症予測を行う処理手順の例を示す図である。
図３の処理で、予測用電子カルテ提供装置９１０は、予測対象者の電子カルテを手術後感染予測装置１００へ送信する（シーケンスＳ１１１）。手術後感染予測装置１００では、予測側通信部１１０が、予測用電子カルテ提供装置９１０からの電子カルテを受信し、予測用データ取得部１８１が、電子カルテから各項目のデータを読み出す。
次に、前処理部１８２が、予測対象者の電子カルテから得られたデータに対して、上述した前処理を行う（シーケンスＳ１２１）。
予測部１８３は、前処理部１８２が前処理を行ったデータを用いて手術後感染症発症予測を行う（シーケンスＳ１２２）。
予測側表示部１２０は、予測側制御部１８０の制御に従って、手術後感染症発症の予測結果を表示する（シーケンスＳ１２３）。
シーケンスＳ１２３の後、手術後感染予測システム１は、図３の処理を終了する。
予測部１８３は、前処理部１８２が前処理を行ったデータを用いて手術後感染症発症予測を行う（シーケンスＳ１２２）。
予測側表示部１２０は、予測側制御部１８０の制御に従って、手術後感染症発症の予測結果を表示する（シーケンスＳ１２３）。
シーケンスＳ１２３の後、手術後感染予測システム１は、図３の処理を終了する。
手術後感染予測装置１００が手術後感染症発症予測を行うための予測モデルを、機械学習装置の機械学習によって取得するようにしてもよい。この点について説明する。
図４は、手術後感染予測装置生産システム２の装置構成を示す概略構成図である。図４に示すように、手術後感染予測装置生産システム２は、機械学習装置２００と、学習用電子カルテ提供装置９２０とを備える。機械学習装置２００は、手術後感染予測装置１００へ機械学習の結果を提供する。
図４は、手術後感染予測装置生産システム２の装置構成を示す概略構成図である。図４に示すように、手術後感染予測装置生産システム２は、機械学習装置２００と、学習用電子カルテ提供装置９２０とを備える。機械学習装置２００は、手術後感染予測装置１００へ機械学習の結果を提供する。
手術後感染予測装置生産システム２は、手術後感染症発症予測の予測モデルを機械学習にて取得し、得られた予測モデルを手術後感染予測装置１００に実装する。この予測モデルの実装は、手術後感染予測装置１００を生産する工程の例に該当する。手術後感染予測装置１００は、この予測モデルの実装によって、手術後感染症発症予測を実行可能となる。
機械学習装置２００は、予測用電子カルテ提供装置９１０が蓄積する電子カルテから得られるデータを学習用データとして用いて、患者毎の手術後感染症発症予測の予測モデルを機械学習する。機械学習装置２００は、例えばパソコンまたはワークステーション等のコンピュータを用いて構成される。
上述したように、機械学習装置２００が機械学習する予測モデルの表現方法は、特定の方法に限定されない。
機械学習装置２００は、予測用電子カルテ提供装置９１０が蓄積する電子カルテから得られるデータを学習用データとして用いて、患者毎の手術後感染症発症予測の予測モデルを機械学習する。機械学習装置２００は、例えばパソコンまたはワークステーション等のコンピュータを用いて構成される。
上述したように、機械学習装置２００が機械学習する予測モデルの表現方法は、特定の方法に限定されない。
学習用電子カルテ提供装置９２０は、学習用データとして用いるための電子カルテを機械学習装置２００に提供する。病院内で運用されている電子カルテシステムをそのまま学習用電子カルテ提供装置９２０として用いるようにしてもよい。あるいは、電子カルテシステムから電子カルテをサーバにコピーし、そのサーバを学習用電子カルテ提供装置９２０として用いるなど、病院内で運用されている電子カルテシステムとは別に学習用電子カルテ提供装置９２０が設けられていてもよい。
学習用電子カルテ提供装置９２０は、既に退院している患者の電子カルテを機械学習装置２００に提供する。既に退院している患者については手術後感染症発症の有無が確定している。機械学習装置２００は、この手術後感染症発症の有無を正解として教師あり学習を行うことができる。
学習用電子カルテ提供装置９２０は、既に退院している患者の電子カルテを機械学習装置２００に提供する。既に退院している患者については手術後感染症発症の有無が確定している。機械学習装置２００は、この手術後感染症発症の有無を正解として教師あり学習を行うことができる。
図５は、機械学習装置２００の機能構成を示す概略ブロック図である。図５に示すように、機械学習装置２００は、学習側通信部２１０と、学習側表示部２２０と、学習側操作入力部２３０と、学習側記憶部２７０と、学習側制御部２８０とを備える。学習側制御部２８０は、学習用データ取得部２８１と、前処理部１８２と、機械学習実行部２８３とを備える。前処理部１８２は、不実施項目補完部１９１と、年齢別デフォルト値補完部１９２と、薬グルーピング部１９３と、手術グルーピング部１９４と、病名グルーピング部１９５と、特記事項数値化部１９６とを備える。
学習側通信部２１０は、他の装置と通信を行う。特に、予測側通信部１１０は、学習用データとして用いるための電子カルテを学習用電子カルテ提供装置９２０から受信する。
学習側表示部２２０は、例えば液晶パネルまたはＬＥＤパネル等の表示画面を備え、各種画像を表示する。学習側操作入力部２３０は、例えばキーボードおよびマウス等の入力デバイスを備え、ユーザ操作を受け付ける。学習側表示部２２０および学習側操作入力部２３０は、例えば学習側表示部２２０が機械学習開始時の操作画面を表示して学習側操作入力部２３０が機械学習開始指示のユーザ操作を受け付けるなど、機械学習装置２００におけるユーザインタフェースとして機能する。
学習側表示部２２０は、例えば液晶パネルまたはＬＥＤパネル等の表示画面を備え、各種画像を表示する。学習側操作入力部２３０は、例えばキーボードおよびマウス等の入力デバイスを備え、ユーザ操作を受け付ける。学習側表示部２２０および学習側操作入力部２３０は、例えば学習側表示部２２０が機械学習開始時の操作画面を表示して学習側操作入力部２３０が機械学習開始指示のユーザ操作を受け付けるなど、機械学習装置２００におけるユーザインタフェースとして機能する。
学習側記憶部２７０は、各種データを記憶する。例えば、学習側記憶部２７０は、学習側通信部２１０が受信した電子カルテから得られた学習用データを記憶する。学習側記憶部２７０は、機械学習装置２００が備える記憶デバイスを用いて構成される。
学習側制御部２８０は、機械学習装置２００の各部を制御して各種処理を実行する。学習側制御部２８０は、機械学習装置２００が備えるＣＰＵが学習側記憶部２７０からプログラムを読み出して実行することで構成される。
学習側制御部２８０は、機械学習装置２００の各部を制御して各種処理を実行する。学習側制御部２８０は、機械学習装置２００が備えるＣＰＵが学習側記憶部２７０からプログラムを読み出して実行することで構成される。
学習用データ取得部２８１は、機械学習のためのデータを取得する。具体的には、学習用データ取得部２８１は、学習側通信部２１０を制御して、学習用データとして用いるための電子カルテを学習用電子カルテ提供装置９２０から取得する。学習用データ取得部２８１は、この電子カルテのフォーマットについて既知であり、取得した電子カルテから予測用データ取得部１８１の場合と同じ項目のデータを読み出す。学習用データ取得部２８１が読み出すデータは、学習用データとして用いられる。
前処理部１８２およびその各部の機能は、何れも図２の場合と同様であり、図２の場合と同じ符号（１８２、１９１～１９６）を付し、ここでは詳細な説明を省略する。
手術後感染予測装置１００が、前処理部１８２による前処理の一部または全部を行わない場合、機械学習装置２００も、前処理部１８２による前処理のうち手術後感染予測装置１００が行う処理のみを行う。機械学習時と予測実行時とで前処理を同じにすることで、前処理の不一致に起因する予測精度の低下を防止できる。
手術後感染予測装置１００が、前処理部１８２による前処理の一部または全部を行わない場合、機械学習装置２００も、前処理部１８２による前処理のうち手術後感染予測装置１００が行う処理のみを行う。機械学習時と予測実行時とで前処理を同じにすることで、前処理の不一致に起因する予測精度の低下を防止できる。
機械学習実行部２８３は、機械学習を実行する。機械学習実行部２８３が学習する予測モデルの表現方法が特定の方法に限定されないことに対応して、機械学習実行部２８３が行う機械学習は特定の種類の機械学習に限定されない。例えば、例えば、機械学習実行部２８３が、ニューラルネットワーク（Neural Network）、ランダムフォレスト（Random Forest）、または、サポートベクターマシン（Support Vector Machine）の何れかの機械学習方法を用いるようにしてもよい。あるいは、機械学習実行部２８３が、回帰分析等の統計的な手法を用いるようにしてもよい。あるいは、機械学習実行部２８３が、複数の機械学習方法を組み合わせて用いるようにしてもよい。
また、機械学習実行部２８３は、機械学習の際に、予測部１８３について上述した処理を行う。予測部１８３が上述した処理のうち一部のみを行う場合、あるいは、いずれの処理も行わない場合、機械学習実行部２８３も、予測部１８３が行う処理のみを行う。機械学習時と予測実行時とで処理を同じにすることで、処理の不一致に起因する予測精度の低下を防止できる。
さらに、機械学習実行部２８３が、以下の方法で機械学習を行う。
（Ａ） 機械学習実行部２８３は、学習用データとして、手術後感染症発症者と手術後感染症非発症者とが同じ割合（１対１）で含まれるデータ取得対象者グループの電子カルテから得られるデータを用いる。
ここで、一般的には、手術後感染症発症者の割合は、手術後感染症非発症者の割合よりも少ない。これに対して、機械学習実行部２８３が、手術後感染症発症者と手術後感染症非発症者とが同じ割合の学習用データを用いることで、再現率を高めることができる。すなわち、手術後感染予測装置１００を参照する医師等に、手術後感染症を将来発症する患者について手術後感染症非発生との予測を提供してしまう頻度を低減させることができる。
（Ａ） 機械学習実行部２８３は、学習用データとして、手術後感染症発症者と手術後感染症非発症者とが同じ割合（１対１）で含まれるデータ取得対象者グループの電子カルテから得られるデータを用いる。
ここで、一般的には、手術後感染症発症者の割合は、手術後感染症非発症者の割合よりも少ない。これに対して、機械学習実行部２８３が、手術後感染症発症者と手術後感染症非発症者とが同じ割合の学習用データを用いることで、再現率を高めることができる。すなわち、手術後感染予測装置１００を参照する医師等に、手術後感染症を将来発症する患者について手術後感染症非発生との予測を提供してしまう頻度を低減させることができる。
（Ｂ） 機械学習実行部２８３が、電子カルテに示される項目のうち、機械学習を所定回数行って、手術後感染症発症の有無との関連性が所定基準以下とされた項目を除外する。
機械学習実行部２８３が、手術後感染症発症の有無と関連性が低いと判定された項目を除外することで、それ以降の機械学習実行部２８３の処理負荷を低減させることができる。
機械学習実行部２８３が、手術後感染症発症の有無と関連性が低いと判定された項目を除外することで、それ以降の機械学習実行部２８３の処理負荷を低減させることができる。
次に、図６を参照して手術後感染予測装置生産システム２の動作について説明する。
図６は、手術後感染予測装置生産システム２が手術後感染症発症予測の予測モデルを機械学習して手術後感染予測装置１００に実装する処理手順の例を示す図である。
図６の処理で、学習用電子カルテ提供装置９２０は、学習データ用の電子カルテを機械学習装置２００へ送信する（シーケンスＳ２１１）。機械学習装置２００では、学習側通信部２１０が、学習用電子カルテ提供装置９２０からの電子カルテを受信し、学習用データ取得部２８１が、電子カルテから各項目のデータを読み出す。
図６は、手術後感染予測装置生産システム２が手術後感染症発症予測の予測モデルを機械学習して手術後感染予測装置１００に実装する処理手順の例を示す図である。
図６の処理で、学習用電子カルテ提供装置９２０は、学習データ用の電子カルテを機械学習装置２００へ送信する（シーケンスＳ２１１）。機械学習装置２００では、学習側通信部２１０が、学習用電子カルテ提供装置９２０からの電子カルテを受信し、学習用データ取得部２８１が、電子カルテから各項目のデータを読み出す。
次に、前処理部１８２が、予測対象者の電子カルテから得られたデータに対して、上述した前処理を行う（シーケンスＳ２２１）。
機械学習実行部２８３は、前処理部１８２が前処理を行ったデータを用いて機械学習を行う（シーケンスＳ２２２）。
機械学習装置２００は、学習結果として得られた手術後感染症発症予測の予測モデルを手術後感染予測装置１００へ送信して、この予測モデルを手術後感染予測装置１００実装させる（シーケンスＳ２３１）。
シーケンスＳ２３１の後、手術後感染予測装置生産システム２は、図６の処理を終了する。
機械学習実行部２８３は、前処理部１８２が前処理を行ったデータを用いて機械学習を行う（シーケンスＳ２２２）。
機械学習装置２００は、学習結果として得られた手術後感染症発症予測の予測モデルを手術後感染予測装置１００へ送信して、この予測モデルを手術後感染予測装置１００実装させる（シーケンスＳ２３１）。
シーケンスＳ２３１の後、手術後感染予測装置生産システム２は、図６の処理を終了する。
以上のように、予測用データ取得部１８１は、電子カルテからデータを取得する。予測部１８３は、予測用データ取得部１８１が取得したデータに基づいて手術後感染症発症の可能性を予測対象者毎に予測する。予測側表示部１２０は、手術後感染症発症の可能性の予測結果を表示する。
手術後感染予測装置１００によれば、電子カルテを用いて患者毎の手術後感染症発症予測を行うことができ、医療従事者等が手術後感染症発症予測のためにデータを別途用意する必要がない。手術後感染予測装置１００によればこの点で、患者毎の手術後感染症発症予測を行うための、人の負担を比較的小さくすることができる。
手術後感染予測装置１００によれば、電子カルテを用いて患者毎の手術後感染症発症予測を行うことができ、医療従事者等が手術後感染症発症予測のためにデータを別途用意する必要がない。手術後感染予測装置１００によればこの点で、患者毎の手術後感染症発症予測を行うための、人の負担を比較的小さくすることができる。
また、予測部１８３は、電子カルテから得られる時系列データの変化量を用いて、手術後感染症発症の可能性を予測対象者毎に予測する。
体温など電子カルテに記載される測定データには、個人差がある。これに対して予測部１８３がデータの変化量を用いることで、個人差の影響を低減させることができ、この点で、手術後感染症発症予測を高精度に行うことができる。
体温など電子カルテに記載される測定データには、個人差がある。これに対して予測部１８３がデータの変化量を用いることで、個人差の影響を低減させることができ、この点で、手術後感染症発症予測を高精度に行うことができる。
また、予測部１８３は、電子カルテに示される検査項目のうち不実施の項目がある場合、その項目の値として、不実施を示す値として予め定められた値を用いて、手術後感染症発症の可能性を予測対象者毎に予測する。
これにより、予測部１８３は、その項目の検査を実施していないという情報を用いて手術後感染症発症予測を行うことができる。検査を実施したか否かは手術後感染症発症予測に有益な情報と考えられ、予測部１８３が行う手術後感染症発症予測の精度が向上することが期待される。
これにより、予測部１８３は、その項目の検査を実施していないという情報を用いて手術後感染症発症予測を行うことができる。検査を実施したか否かは手術後感染症発症予測に有益な情報と考えられ、予測部１８３が行う手術後感染症発症予測の精度が向上することが期待される。
また、予測部１８３は、電子カルテに示される測定項目のうち測定が行われていない項目がある場合、その項目の値として、年齢に応じて定められたデフォルト値を用いて、手術後感染症発症の可能性を予測対象者毎に予測する。
年齢別デフォルト値補完部１９２が、予測対象者の年齢に応じたデフォルト値を補完することで、年齢にかかわらず一定値のデフォルト値を補完する場合よりも、実際の値に近い値となることが期待される。年齢別デフォルト値補完部１９２によれば、この点で、手術後感染予測装置１００が手術後感染症発症予測を比較的高精度に行えると期待される。
年齢別デフォルト値補完部１９２が、予測対象者の年齢に応じたデフォルト値を補完することで、年齢にかかわらず一定値のデフォルト値を補完する場合よりも、実際の値に近い値となることが期待される。年齢別デフォルト値補完部１９２によれば、この点で、手術後感染予測装置１００が手術後感染症発症予測を比較的高精度に行えると期待される。
また、薬グルーピング部１９３は、電子カルテから得られるデータに示される、手術時の処方薬及び注射薬のうち少なくとも何れか一方について、薬効に基づくグルーピングを行う。予測部１８３は、薬グルーピング部１９３がグルーピングしたデータを用いて、手術後感染症発症の可能性を予測対象者毎に予測する。
薬グルーピング部１９３が、処方薬及び注射薬のうち少なくとも何れか一方をグルーピングすることで、手術後感染予測装置１００が同様の薬効を統一的に扱って手術後感染症発症予測を行うことが確実となる。薬グルーピング部１９３によれば、この点で、手術後感染予測装置１００が手術後感染症発症予測を比較的高精度に行えると期待される。
また、機械学習装置２００が手術後感染症発症予測の予測モデルを学習する場合、薬グルーピング部１９３によるグルーピングが行われた学習用データを用いることで、過学習の可能性を低減させることができる。
薬グルーピング部１９３が、処方薬及び注射薬のうち少なくとも何れか一方をグルーピングすることで、手術後感染予測装置１００が同様の薬効を統一的に扱って手術後感染症発症予測を行うことが確実となる。薬グルーピング部１９３によれば、この点で、手術後感染予測装置１００が手術後感染症発症予測を比較的高精度に行えると期待される。
また、機械学習装置２００が手術後感染症発症予測の予測モデルを学習する場合、薬グルーピング部１９３によるグルーピングが行われた学習用データを用いることで、過学習の可能性を低減させることができる。
また、手術グルーピング部１９４は、電子カルテから得られるデータに示される手術についてグルーピングを行う。予測部１８３は、手術グルーピング部１９４がグルーピングしたデータを用いて、手術後感染症発症の可能性を予測対象者毎に予測する。
手術グルーピング部１９４が、手術をグルーピングすることで、手術後感染予測装置１００が同様の手術を統一的に扱って手術後感染症発症予測を行うことが確実となる。手術グルーピング部１９４によれば、この点で、手術後感染予測装置１００が手術後感染症発症予測を比較的高精度に行えると期待される。
また、機械学習装置２００が手術後感染症発症予測の予測モデルを学習する場合、手術グルーピング部１９４によるグルーピングが行われた学習用データを用いることで、過学習の可能性を低減させることができる。
手術グルーピング部１９４が、手術をグルーピングすることで、手術後感染予測装置１００が同様の手術を統一的に扱って手術後感染症発症予測を行うことが確実となる。手術グルーピング部１９４によれば、この点で、手術後感染予測装置１００が手術後感染症発症予測を比較的高精度に行えると期待される。
また、機械学習装置２００が手術後感染症発症予測の予測モデルを学習する場合、手術グルーピング部１９４によるグルーピングが行われた学習用データを用いることで、過学習の可能性を低減させることができる。
また、病名グルーピング部１９５は、電子カルテから得られるデータに示される病名についてグルーピングを行う。予測部１８３は、病名グルーピング部１９５がグルーピングしたデータを用いて、手術後感染症発症の可能性を予測対象者毎に予測する。
病名グルーピング部１９５が、病名をグルーピングすることで、手術後感染予測装置１００が同様の病気を統一的に扱って手術後感染症発症予測を行うことが確実となる。病名グルーピング部１９５によれば、この点で、手術後感染予測装置１００が手術後感染症発症予測を比較的高精度に行えると期待される。
また、機械学習装置２００が手術後感染症発症予測の予測モデルを学習する場合、病名グルーピング部１９５によるグルーピングが行われた学習用データを用いることで、過学習の可能性を低減させることができる。
病名グルーピング部１９５が、病名をグルーピングすることで、手術後感染予測装置１００が同様の病気を統一的に扱って手術後感染症発症予測を行うことが確実となる。病名グルーピング部１９５によれば、この点で、手術後感染予測装置１００が手術後感染症発症予測を比較的高精度に行えると期待される。
また、機械学習装置２００が手術後感染症発症予測の予測モデルを学習する場合、病名グルーピング部１９５によるグルーピングが行われた学習用データを用いることで、過学習の可能性を低減させることができる。
また、予測部１８３は、電子カルテに示される、アレルギーに関する特記事項の記録回数、および、障害に関する特記事項の記載回数のうち少なくとも何れか一方を示すデータを用いて、手術後感染症発症の可能性を予測対象者毎に予測する。
これにより、手術後感染予測装置１００は、予測対象者の電子カルテに記載されたコメントに関するデータを用いて手術後感染症発症予測を行うことができる。手術後感染予測装置１００が、より多くのデータに基づいて手術後感染症発症予測を行う点で、比較的高精度に手術後感染症発症予測を行うことができる。
これにより、手術後感染予測装置１００は、予測対象者の電子カルテに記載されたコメントに関するデータを用いて手術後感染症発症予測を行うことができる。手術後感染予測装置１００が、より多くのデータに基づいて手術後感染症発症予測を行う点で、比較的高精度に手術後感染症発症予測を行うことができる。
また、予測部１８３は、予測対象者についてのリハビリオーダ数を用いて、手術後感染症発症の可能性を予測対象者毎に予測する。
リハビリオーダ数と手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者についてのリハビリオーダ数を用いて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
リハビリオーダ数と手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者についてのリハビリオーダ数を用いて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
また、予測部１８３は、予測対象者についてＢＭＩを示すデータを用いて、手術後感染症発症の可能性を予測対象者毎に予測する。
ＢＭＩと手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者についてＢＭＩを示すデータを用いて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
ＢＭＩと手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者についてＢＭＩを示すデータを用いて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
また、予測部１８３は、予測対象者の喫煙経験の有無を示すデータを用いて、手術後感染症発症の可能性を予測対象者毎に予測する。
喫煙の有無と手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者の喫煙経験の有無を示すデータを用いて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
喫煙の有無と手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者の喫煙経験の有無を示すデータを用いて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
また、予測部１８３は、予測対象者に対する手術時間の長さに基づいて、手術後感染症発症の可能性を予測対象者毎に予測する。
手術時間の長さと手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者に対する手術時間の長さに基づいて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
手術時間の長さと手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者に対する手術時間の長さに基づいて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
また、予測部１８３は、予測対象者についての放射線検査オーダ数に基づいて、手術後感染症発症の可能性を予測対象者毎に予測する。
放射線検査オーダ数と手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者についての放射線検査オーダ数に基づいて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
放射線検査オーダ数と手術後感染症発症の有無との間に相関性があると考えられる。予測部１８３が、予測対象者についての放射線検査オーダ数に基づいて手術後感染症発症予測を行うことで、手術後感染症発症予測をより高精度に行うことができる。
また、予測部１８３は、電子カルテに示される入院時のデータおよび手術前のデータを用いて、手術後感染症発症の可能性を予測対象者毎に予測する。
予測部１８３が、予測対象者の電子カルテに示される入院時のデータおよび手術前のデータを用いて手術後感染症発症予測を行うことで、予測部１８３が、比較的高精度に手術後感染症発症予測を行うことができ、かつ、予測結果を参照するユーザは、手術後感染症発症の可能性を比較的早期に把握可能である。
予測部１８３が、予測対象者の電子カルテに示される入院時のデータおよび手術前のデータを用いて手術後感染症発症予測を行うことで、予測部１８３が、比較的高精度に手術後感染症発症予測を行うことができ、かつ、予測結果を参照するユーザは、手術後感染症発症の可能性を比較的早期に把握可能である。
また、手術後感染予測装置生産方法は、電子カルテからデータを取得する工程と、学習用データとして電子カルテから得られたデータを用いて、電子カルテの記載事項と手術後感染症発症の可能性との関係を機械学習する工程と、得られた関係を用いて、手術後感染予測装置１００を生産する工程とを含む。
この手術後感染予測装置生産方法によれば、電子カルテを用いて手術後感染症発症予測の予測モデルを機械学習することができ、医療従事者等の人が機械学習のためにデータを別途用意する必要がない。この手術後感染予測装置生産方法によればこの点で、手術後感染症発症予測の予測モデルの機械学習を行うための、人の負担が比較的小さい。
この手術後感染予測装置生産方法によれば、電子カルテを用いて手術後感染症発症予測の予測モデルを機械学習することができ、医療従事者等の人が機械学習のためにデータを別途用意する必要がない。この手術後感染予測装置生産方法によればこの点で、手術後感染症発症予測の予測モデルの機械学習を行うための、人の負担が比較的小さい。
また、上記の手術後感染予測装置生産方法で、学習用データとして、手術後感染症発症者と手術後感染症非発症者とが同じ割合で含まれるデータ取得対象者グループの電子カルテから得られるデータを用いる。
ここで、一般的には、手術後感染症発症者の割合は、手術後感染症非発症者の割合よりも少ない。これに対して、この手術後感染予測装置生産方法では、手術後感染症発症者と手術後感染症非発症者とが同じ割合の学習用データを用いることで、再現率を高めることができる。すなわち、この手術後感染症予測装置生成方法によれば、学習結果を用いる手術後感染予測装置１００、あるいは手術後感染予測装置１００による手術後感染症発症確率の予測を参照する医師等が、手術後感染症を将来発症する患者を手術後感染症非発生と予測する確率を低減させることができる。
ここで、一般的には、手術後感染症発症者の割合は、手術後感染症非発症者の割合よりも少ない。これに対して、この手術後感染予測装置生産方法では、手術後感染症発症者と手術後感染症非発症者とが同じ割合の学習用データを用いることで、再現率を高めることができる。すなわち、この手術後感染症予測装置生成方法によれば、学習結果を用いる手術後感染予測装置１００、あるいは手術後感染予測装置１００による手術後感染症発症確率の予測を参照する医師等が、手術後感染症を将来発症する患者を手術後感染症非発生と予測する確率を低減させることができる。
また、上記の手術後感染予測装置生産方法で、電子カルテに示される項目のうち、機械学習を所定回数行って、手術後感染症発症の有無との関連性が所定基準以下とされた項目を除外する。
この手術後感染予測装置生産方法によれば、手術後感染症発症の有無と関連性が低いと判定された項目を除外することで、それ以降の機械学習の処理負荷を低減させることができる。
この手術後感染予測装置生産方法によれば、手術後感染症発症の有無と関連性が低いと判定された項目を除外することで、それ以降の機械学習の処理負荷を低減させることができる。
次に、９を参照して本発明の実施形態の構成について説明する。
図７は、実施形態に係る手術後感染予測装置の構成の例を示す図である。図７に示す手術後感染予測装置１０は、データ取得部１１と、予測部１２と、表示部１３と、を備える。
かかる構成似て、データ取得部１１は、電子カルテからデータを取得する。予測部１２は、データ取得部１１が取得したデータに基づいて手術後感染症発症の可能性を予測対象者毎に予測する。表示部１３は、手術後感染症発症の可能性の予測結果を表示する。
手術後感染予測装置１０によれば、電子カルテを用いて患者毎の手術後感染症発症予測を行うことができ、医療従事者等の人が手術後感染症発症予測のためにデータを別途用意する必要がない。手術後感染予測装置１０によればこの点で、患者毎の手術後感染症発症予測を行うための、人の負担が比較的小さい。
図７は、実施形態に係る手術後感染予測装置の構成の例を示す図である。図７に示す手術後感染予測装置１０は、データ取得部１１と、予測部１２と、表示部１３と、を備える。
かかる構成似て、データ取得部１１は、電子カルテからデータを取得する。予測部１２は、データ取得部１１が取得したデータに基づいて手術後感染症発症の可能性を予測対象者毎に予測する。表示部１３は、手術後感染症発症の可能性の予測結果を表示する。
手術後感染予測装置１０によれば、電子カルテを用いて患者毎の手術後感染症発症予測を行うことができ、医療従事者等の人が手術後感染症発症予測のためにデータを別途用意する必要がない。手術後感染予測装置１０によればこの点で、患者毎の手術後感染症発症予測を行うための、人の負担が比較的小さい。
なお、予測側制御部１８０および学習側制御部２８０の全部または一部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することで各部の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
上記の実施形態の一部または全部は、以下の付記のようにも記載され得るが、以下には限定されない。
（付記１）
電子カルテからデータを取得するデータ取得部と、
前記データに基づいて手術後感染症発症の可能性を予測対象者毎に予測する予測部と、
前記手術後感染症発症の可能性の予測結果を表示する表示部と、
を備える手術後感染予測装置。
電子カルテからデータを取得するデータ取得部と、
前記データに基づいて手術後感染症発症の可能性を予測対象者毎に予測する予測部と、
前記手術後感染症発症の可能性の予測結果を表示する表示部と、
を備える手術後感染予測装置。
（付記２）
前記予測部は、前記電子カルテから得られる時系列データの変化量を用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１に記載の手術後感染予測装置。
前記予測部は、前記電子カルテから得られる時系列データの変化量を用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１に記載の手術後感染予測装置。
（付記３）
前記予測部は、前記電子カルテに示される検査項目のうち不実施の項目がある場合、その項目の値として、不実施を示す値として予め定められた値を用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１または付記２に記載の手術後感染予測装置。
前記予測部は、前記電子カルテに示される検査項目のうち不実施の項目がある場合、その項目の値として、不実施を示す値として予め定められた値を用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１または付記２に記載の手術後感染予測装置。
（付記４）
前記予測部は、前記電子カルテに示される測定項目のうち測定が行われていない項目がある場合、その項目の値として、年齢に応じて定められたデフォルト値を用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から３の何れか一つに記載の手術後感染予測装置。
前記予測部は、前記電子カルテに示される測定項目のうち測定が行われていない項目がある場合、その項目の値として、年齢に応じて定められたデフォルト値を用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から３の何れか一つに記載の手術後感染予測装置。
（付記５）
前記電子カルテから得られるデータに示される、手術時の処方薬及び注射薬のうち少なくとも何れか一方について、薬効に基づくグルーピングを行う薬グルーピング部を備え、
前記予測部は、前記薬グルーピング部がグルーピングしたデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から４の何れか一つに記載の手術後感染予測装置。
前記電子カルテから得られるデータに示される、手術時の処方薬及び注射薬のうち少なくとも何れか一方について、薬効に基づくグルーピングを行う薬グルーピング部を備え、
前記予測部は、前記薬グルーピング部がグルーピングしたデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から４の何れか一つに記載の手術後感染予測装置。
（付記６）
前記電子カルテから得られるデータに示される手術についてグルーピングを行う手術グルーピング部を備え、
前記予測部は、前記手術グルーピング部がグルーピングしたデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から５の何れか一つに記載の手術後感染予測装置。
前記電子カルテから得られるデータに示される手術についてグルーピングを行う手術グルーピング部を備え、
前記予測部は、前記手術グルーピング部がグルーピングしたデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から５の何れか一つに記載の手術後感染予測装置。
（付記７）
前記電子カルテから得られるデータに示される病名についてグルーピングを行う病名グルーピング部を備え、
前記予測部は、前記病名グルーピング部がグルーピングしたデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から６の何れか一つに記載の手術後感染予測装置。
前記電子カルテから得られるデータに示される病名についてグルーピングを行う病名グルーピング部を備え、
前記予測部は、前記病名グルーピング部がグルーピングしたデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から６の何れか一つに記載の手術後感染予測装置。
（付記８）
前記予測部は、前記電子カルテに示される、アレルギーに関する特記事項の記録回数、および、障害に関する特記事項の記載回数のうち少なくとも何れか一方を示すデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から７の何れか一つに記載の手術後感染予測装置。
前記予測部は、前記電子カルテに示される、アレルギーに関する特記事項の記録回数、および、障害に関する特記事項の記載回数のうち少なくとも何れか一方を示すデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から７の何れか一つに記載の手術後感染予測装置。
（付記９）
前記予測部は、前記予測対象者についてのリハビリオーダ数を用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から８の何れか一つに記載の手術後感染予測装置。
前記予測部は、前記予測対象者についてのリハビリオーダ数を用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から８の何れか一つに記載の手術後感染予測装置。
（付記１０）
前記予測部は、前記予測対象者についてＢＭＩを示すデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から９の何れか一つに記載の手術後感染予測装置。
前記予測部は、前記予測対象者についてＢＭＩを示すデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から９の何れか一つに記載の手術後感染予測装置。
（付記１１）
前記予測部は、前記予測対象者の喫煙経験の有無を示すデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から１０の何れか一つに記載の手術後感染予測装置。
前記予測部は、前記予測対象者の喫煙経験の有無を示すデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から１０の何れか一つに記載の手術後感染予測装置。
（付記１２）
前記予測部は、前記予測対象者に対する手術時間の長さに基づいて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から１１の何れか一つに記載の手術後感染予測装置。
前記予測部は、前記予測対象者に対する手術時間の長さに基づいて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から１１の何れか一つに記載の手術後感染予測装置。
（付記１３）
前記予測部は、前記予測対象者についての放射線検査オーダ数に基づいて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から１２の何れか一つに記載の手術後感染予測装置。
前記予測部は、前記予測対象者についての放射線検査オーダ数に基づいて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から１２の何れか一つに記載の手術後感染予測装置。
（付記１４）
前記予測部は、前記電子カルテに示される入院時のデータおよび手術前のデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から１３の何れか一つに記載の手術後感染予測装置。
前記予測部は、前記電子カルテに示される入院時のデータおよび手術前のデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
付記１から１３の何れか一つに記載の手術後感染予測装置。
（付記１５）
電子カルテからデータを取得する工程と、
学習用データとして前記データを用いて、電子カルテの記載事項と手術後感染症発症の可能性との関係を機械学習する工程と、
得られた前記関係を用いて、付記１から１４の何れか一つに記載の手術後感染予測装置を生産する工程と、
を含む手術後感染予測装置生産方法。
電子カルテからデータを取得する工程と、
学習用データとして前記データを用いて、電子カルテの記載事項と手術後感染症発症の可能性との関係を機械学習する工程と、
得られた前記関係を用いて、付記１から１４の何れか一つに記載の手術後感染予測装置を生産する工程と、
を含む手術後感染予測装置生産方法。
（付記１６）
前記学習用データとして、手術後感染症発症者と手術後感染症非発症者とが同じ割合で含まれるデータ取得対象者グループの電子カルテから得られるデータを用いる、
付記１５に記載の手術後感染予測装置生産方法。
前記学習用データとして、手術後感染症発症者と手術後感染症非発症者とが同じ割合で含まれるデータ取得対象者グループの電子カルテから得られるデータを用いる、
付記１５に記載の手術後感染予測装置生産方法。
（付記１７）
電子カルテに示される項目のうち、前記機械学習を所定回数行って、手術後感染症発症の有無との関連性が所定基準以下とされた項目を除外する、
付記１５または付記１６に記載の手術後感染予測装置生産方法。
電子カルテに示される項目のうち、前記機械学習を所定回数行って、手術後感染症発症の有無との関連性が所定基準以下とされた項目を除外する、
付記１５または付記１６に記載の手術後感染予測装置生産方法。
（付記１８）
手術後感染予測装置が、電子カルテからデータを取得する工程と、
前記手術後感染予測装置が、前記データに基づいて手術後感染症発症の可能性を予測対象者毎に予測する工程と、
前記手術後感染予測装置が、前記手術後感染症発症の可能性の予測結果を表示する工程と、
を含む手術後感染予測方法。
手術後感染予測装置が、電子カルテからデータを取得する工程と、
前記手術後感染予測装置が、前記データに基づいて手術後感染症発症の可能性を予測対象者毎に予測する工程と、
前記手術後感染予測装置が、前記手術後感染症発症の可能性の予測結果を表示する工程と、
を含む手術後感染予測方法。
（付記１９）
コンピュータに、
電子カルテからデータを取得する工程と、
前記データに基づいて手術後感染症発症の可能性を予測対象者毎に予測する工程と、
前記手術後感染症発症の可能性の予測結果を表示する工程と、
を実行させるためのプログラム。
コンピュータに、
電子カルテからデータを取得する工程と、
前記データに基づいて手術後感染症発症の可能性を予測対象者毎に予測する工程と、
前記手術後感染症発症の可能性の予測結果を表示する工程と、
を実行させるためのプログラム。
１ 手術後感染予測システム
２ 手術後感染予測装置生産システム
１０、１００ 手術後感染予測装置
１１ データ取得部
１２、１８３ 予測部
１３ 表示部
１１０ 予測側通信部
１２０ 予測側表示部
１３０ 予測側操作入力部
１７０ 予測側記憶部
１８０ 予測側制御部
１８１ 予測用データ取得部
１８２ 前処理部
１９１ 不実施項目補完部
１９２ 年齢別デフォルト値補完部
１９３ 薬グルーピング部
１９４ 手術グルーピング部
１９５ 病名グルーピング部
１９６ 特記事項数値化部
２００ 機械学習装置
２１０ 学習側通信部
２２０ 学習側表示部
２３０ 学習側操作入力部
２７０ 学習側記憶部
２８０ 学習側制御部
２８１ 学習用データ取得部
２８３ 機械学習実行部
９１０ 予測用電子カルテ提供装置
９２０ 学習用電子カルテ提供装置
２ 手術後感染予測装置生産システム
１０、１００ 手術後感染予測装置
１１ データ取得部
１２、１８３ 予測部
１３ 表示部
１１０ 予測側通信部
１２０ 予測側表示部
１３０ 予測側操作入力部
１７０ 予測側記憶部
１８０ 予測側制御部
１８１ 予測用データ取得部
１８２ 前処理部
１９１ 不実施項目補完部
１９２ 年齢別デフォルト値補完部
１９３ 薬グルーピング部
１９４ 手術グルーピング部
１９５ 病名グルーピング部
１９６ 特記事項数値化部
２００ 機械学習装置
２１０ 学習側通信部
２２０ 学習側表示部
２３０ 学習側操作入力部
２７０ 学習側記憶部
２８０ 学習側制御部
２８１ 学習用データ取得部
２８３ 機械学習実行部
９１０ 予測用電子カルテ提供装置
９２０ 学習用電子カルテ提供装置
Claims (12)
- 電子カルテから患者基本データおよび手術時のデータを取得するデータ取得部と、
前記電子カルテから得られたデータに示される、手術時の処方薬及び注射薬のうち少なくとも何れか一方について、薬効に基づくグルーピングを行う薬グルーピング部と、
前記薬グルーピング部がグルーピングしたデータを用いて手術後感染症発症の可能性を予測対象者毎に予測する予測部と、
前記手術後感染症発症の可能性の予測結果を表示する表示部と、
を備える手術後感染予測装置。 - 前記予測部は、前記電子カルテに示される、アレルギーに関する特記事項の記録回数、障害に関する特記事項の記載回数、手術時における投与薬剤、および術式のデータのうち、少なくとも何れか１つを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
請求項１に記載の手術後感染予測装置。 - 前記予測部は、前記予測対象者についてＢＭＩを示すデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
請求項１または請求項２に記載の手術後感染予測装置。 - 前記予測部は、前記予測対象者の喫煙経験の有無を示すデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
請求項１から３の何れか一項に記載の手術後感染予測装置。 - 前記予測部は、前記予測対象者に対する手術時間の長さに基づいて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
請求項１から４の何れか一項に記載の手術後感染予測装置。 - 前記予測部は、前記予測対象者についての放射線検査の回数に基づいて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
請求項１から５の何れか一項に記載の手術後感染予測装置。 - 前記電子カルテから得られたデータに示される手術についてグルーピングを行う手術グルーピング部を備え、
前記予測部は、前記電子カルテから得られたデータに対して手術についてのグルーピングが行われたデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
請求項１から６の何れか一項に記載の手術後感染予測装置。 - 前記電子カルテから得られたデータに示される病名についてグルーピングを行う病名グルーピング部を備え、
前記予測部は、前記病名グルーピング部がグルーピングしたデータを用いて、前記手術後感染症発症の可能性を予測対象者毎に予測する、
請求項１から７の何れか一項に記載の手術後感染予測装置。 - 前記電子カルテに示される検査項目のうち不実施の検査項目の割合が所定の閾値以下である場合、不実施の検査項目を入力データの項目に含む予測モデルを選択し、前記電子カルテに示される検査項目のうち不実施の検査項目の割合が所定の閾値より多い場合、不実施の検査項目を入力データの項目に含まない予測モデルを選択する不実施項目補完部を備え、
前記予測部は、前記データ取得部が取得したデータ、または、前記データ取得部が取得したデータに基づくデータを前記予測モデルに入力して手術後感染症発症の可能性を予測対象者毎に予測する、
請求項１から８の何れか一項に記載の手術後感染予測装置。 - 電子カルテから患者基本データおよび手術時のデータを取得する工程と、
前記電子カルテから得られたデータに示される、手術時の処方薬及び注射薬のうち少なくとも何れか一方について、薬効に基づくグルーピングを行う工程と、
前記薬グルーピング部がグルーピングしたデータを用いて、手術後感染症発症の可能性を予測対象者毎に予測する工程と、
学習用データとして、前記電子カルテから得られたデータに対してグルーピングが行われた後のデータを用いて、電子カルテの記載事項と手術後感染症発症の可能性との関係を機械学習する工程と、
得られた前記関係を用いて、請求項１から６の何れか一項に記載の手術後感染予測装置を生産する工程と、
を含む手術後感染予測装置生産方法。 - 手術後感染予測装置が、電子カルテから患者基本データおよび手術時のデータを取得する工程と、
前記手術後感染予測装置が、前記電子カルテから得られたデータに示される、手術時の処方薬及び注射薬のうち少なくとも何れか一方について、薬効に基づくグルーピングを行う工程と、
前記手術後感染予測装置が、前記薬効に基づくグルーピングを行う工程でグルーピングが行われたデータを用いて手術後感染症発症の可能性を予測対象者毎に予測する工程と、
前記手術後感染予測装置が、前記手術後感染症発症の可能性の予測結果を表示する工程と、
を含む手術後感染予測方法。 - コンピュータに、
電子カルテから患者基本データおよび手術時のデータを取得する工程と、
前記電子カルテから得られたデータに示される、手術時の処方薬及び注射薬のうち少なくとも何れか一方について、薬効に基づくグルーピングを行う工程と、
前記薬効に基づくグルーピングを行う工程でグルーピングが行われたデータを用いて手術後感染症発症の可能性を予測対象者毎に予測する工程と、
前記手術後感染症発症の可能性の予測結果を表示する工程と、
を実行させるためのプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018146200A JP7161688B2 (ja) | 2018-08-02 | 2018-08-02 | 手術後感染予測装置、手術後感染予測装置生産方法、手術後感染予測方法およびプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018146200A JP7161688B2 (ja) | 2018-08-02 | 2018-08-02 | 手術後感染予測装置、手術後感染予測装置生産方法、手術後感染予測方法およびプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020021371A JP2020021371A (ja) | 2020-02-06 |
| JP7161688B2 true JP7161688B2 (ja) | 2022-10-27 |
Family
ID=69588591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018146200A Active JP7161688B2 (ja) | 2018-08-02 | 2018-08-02 | 手術後感染予測装置、手術後感染予測装置生産方法、手術後感染予測方法およびプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7161688B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230298751A1 (en) * | 2020-04-10 | 2023-09-21 | The University Of Tokyo | Prognosis Prediction Device and Program |
| CN113284577B (zh) * | 2021-05-24 | 2023-08-11 | 康键信息技术（深圳）有限公司 | 药品预测方法、装置、设备及存储介质 |
| CN117133459B (zh) * | 2023-09-12 | 2024-04-09 | 江苏省人民医院（南京医科大学第一附属医院） | 一种基于机器学习的术后颅内感染预测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004515860A (ja) | 2000-12-04 | 2004-05-27 | スリーエム イノベイティブ プロパティズ カンパニー | 医療における外科的処置に付随する感染リスクの管理 |
| CN1973778A (zh) | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
| WO2015141724A1 (ja) | 2014-03-20 | 2015-09-24 | 日本電気株式会社 | 医薬品有害事象抽出方法及び装置 |
-
2018
- 2018-08-02 JP JP2018146200A patent/JP7161688B2/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004515860A (ja) | 2000-12-04 | 2004-05-27 | スリーエム イノベイティブ プロパティズ カンパニー | 医療における外科的処置に付随する感染リスクの管理 |
| CN1973778A (zh) | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
| WO2015141724A1 (ja) | 2014-03-20 | 2015-09-24 | 日本電気株式会社 | 医薬品有害事象抽出方法及び装置 |
Non-Patent Citations (1)
| Title |
|---|
| 大久保 憲，周術期感染の対策 Perioperative infection control，別冊・医学のあゆみ 感染症と感染制御Ｕｐｄａｔｅ，日本，医歯薬出版株式会社，2010年09月21日，29-34頁 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020021371A (ja) | 2020-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chao et al. | Use of telehealth by surgical specialties during the COVID-19 pandemic | |
| Xu et al. | Association of obesity with mortality over 24 years of weight history: findings from the Framingham Heart Study | |
| Angus | Randomized clinical trials of artificial intelligence | |
| Koton et al. | Association of ischemic stroke incidence, severity, and recurrence with dementia in the atherosclerosis risk in communities cohort study | |
| Hojilla et al. | Characterization of HIV preexposure prophylaxis use behaviors and HIV incidence among US adults in an integrated health care system | |
| Agmon et al. | Association between 900 steps a day and functional decline in older hospitalized patients | |
| Edwards et al. | Development and validation of a risk prediction model for in-hospital mortality after transcatheter aortic valve replacement | |
| Gilsanz et al. | Association between birth in a high stroke mortality state, race, and risk of dementia | |
| Stein et al. | Use of health care claims data to study patients with ophthalmologic conditions | |
| Drawz et al. | Concordance between blood pressure in the systolic blood pressure intervention trial and in routine clinical practice | |
| Kessing et al. | Lithium treatment and risk of dementia | |
| JP6608295B2 (ja) | 被験者の健康状態を予測する方法およびシステム | |
| Stolmeier et al. | Utility of laboratory test result monitoring in patients taking oral terbinafine or griseofulvin for dermatophyte infections | |
| Morrison et al. | Cost-effectiveness of artificial intelligence–based retinopathy of prematurity screening | |
| Abbey et al. | Evaluation of screening for retinopathy of prematurity by ROPtool or a lay reader | |
| JP7161688B2 (ja) | 手術後感染予測装置、手術後感染予測装置生産方法、手術後感染予測方法およびプログラム | |
| CN102646157A (zh) | 用药分析器 | |
| Nelson et al. | Osteoporosis and fractures in postmenopausal women using estrogen | |
| Farbman et al. | The role of serial radiographs in the management of pediatric torus fractures | |
| JP2020187687A (ja) | 医用情報処理装置 | |
| Niccolai et al. | Burden of recurrent Chlamydia trachomatis infections in young women: Further uncovering the “hidden epidemic” | |
| Muanda et al. | Association of higher-dose fluoroquinolone therapy with serious adverse events in older adults with advanced chronic kidney disease | |
| Pokorney et al. | Lead extraction and mortality among patients with cardiac implanted electronic device infection | |
| Wang et al. | Changes in cancer screening rates following a new cancer diagnosis in a primary care patient panel | |
| Barbieri et al. | Temporal trends and clinician variability in potassium monitoring of healthy young women treated for acne with spironolactone |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20180803 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210707 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220418 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220510 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220704 |
|
| 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: 20220906 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220929 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7161688 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |