JP7164843B2 - 医療記録問題リスト生成 - Google Patents

医療記録問題リスト生成 Download PDF

Info

Publication number
JP7164843B2
JP7164843B2 JP2019564975A JP2019564975A JP7164843B2 JP 7164843 B2 JP7164843 B2 JP 7164843B2 JP 2019564975 A JP2019564975 A JP 2019564975A JP 2019564975 A JP2019564975 A JP 2019564975A JP 7164843 B2 JP7164843 B2 JP 7164843B2
Authority
JP
Japan
Prior art keywords
medical
computer
candidate
attributes
disease
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2019564975A
Other languages
English (en)
Other versions
JP2020522062A (ja
Inventor
デバラコンダ、マーシー
メサウド、サーファ
ツォウ、チン－フェイ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of JP2020522062A publication Critical patent/JP2020522062A/ja
Application granted granted Critical
Publication of JP7164843B2 publication Critical patent/JP7164843B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、一般に、医療記録に関し、より詳細には、電子医療記録からの自動的医療記録問題リスト生成に関する。
現行の技術は、医療処置に関連して収集されることが可能な患者情報のタイプおよび量を大幅に拡大してきた。電子健康記録（ＥＨＲ）システムに記憶された電子医療記録（ＥＭＲ）は、様々な目的で、かつ様々なフォーマットで多数のソースからの患者データを含む。ＥＨＲシステムに記憶された縦断的（longitudinal）患者記録、またはＥＭＲは、構造化されたデータ・エントリに加えて、数百の臨床メモ、および数千の半構造化されたデータ・エントリを含むことが可能である。そのような臨床メモは、患者ケアのために使用されることが意図される情報だけでなく、料金請求目的または法的な目的などの他の目的で入力される情報も含むことが可能である。故に、より多くの患者情報の収集が患者ケアに関して有益であるものの、収集されたデータの量は、患者ケア提供者が、所望される情報または必要な情報を適時に把握すること、および探し出すことを困難にする可能性がある。
増大した量の患者データと並んで、患者の医療問題リストが、患者の処置およびケアにおいてますます重要になっている。問題リストは、数十年前から配置されており、患者ケアの際に医師に迅速なアクセス・ポイントを提供することが可能であり、医師に自らの患者について全包括的に考えるように促すことが可能であり、医療問題を見過ごすリスクを低減することが可能である。しかし、問題リストを中心に患者記録を編成することが一般的に受け入れられた慣行となっているものの、正確かつ最新の問題リストの作成および維持は、いくつかの課題をもたらす。例えば、問題リストは、すべての医師によって使用されるわけではなく、更新される可能性も、されない可能性もある。さらに、問題リストにおいて提供される詳細のレベルは、一様ではなく、医師の選好に大方、依存する。
近年、臨床医の認知的負荷を減らすべく患者記録の自動的要約に向けられた研究が行われている。例えば、自然言語技術および機械学習技術が、電子健康記録からのデータを要約すること、精製すること、および合成することを試みるのに使用されてきた。そのような方法が問題リストの自動的生成に成功する度合は様々であった。
しかし、そのような方法は、不正確な測定または限定された臨床上の有用性、あるいはその両方を問題として抱えている可能性がある。ＥＨＲから向上した精度で問題リストを自動的に生成する必要性が存在し続けている。
本発明の１つまたは複数の実施形態において、医療問題リストを生成するためのコンピュータによって実施される方法が、提供される。方法の限定的でない例は、プロセッサによって、複数の疾病カテゴリを受信することを含む。また、方法は、プロセッサによって、複数の最上レベル疾病カテゴリを含む疾病カテゴリ・セットを定義することも含み、疾病カテゴリ・セットは、少なくとも部分的に複数の疾病カテゴリに基づく。また、方法は、プロセッサによって、電子患者記録訓練セットから複数の候補訓練問題を抽出することも含む。また、方法は、プロセッサによって、候補訓練問題のそれぞれを複数の最上レベル疾病カテゴリに割り当てることも含む。また、方法は、プロセッサによって、機械学習技術によって電子患者記録訓練セットから最上レベル疾病カテゴリのそれぞれに関する疾病カテゴリ・モデルを生成することも含む。本発明のこの実施形態は、向上した精度を有し、かつより少ない度合で見逃される問題または患者の医療問題を反映しない候補問題を有する問題リストを提供することが可能である。
本発明の１つまたは複数の実施形態によれば、医療問題リストを生成するためのコンピュータ・プログラム製品が提供される。コンピュータ・プログラム製品は、処理回路によって読み取られることが可能であり、かつ方法を実行するために処理回路によって実行されるようにプログラム命令を記憶するコンピュータ可読記憶媒体を含む。方法の限定的でない例は、複数の疾病カテゴリを受信することを含む。また、方法は、複数の最上レベル疾病カテゴリを含む疾病カテゴリ・セットを定義することも含み、疾病カテゴリ・セットは、少なくとも部分的に複数の疾病カテゴリに基づく。また、方法は、電子患者記録訓練セットから複数の候補訓練問題を抽出することも含む。また、方法は、候補訓練問題のそれぞれを複数の最上レベル疾病カテゴリに割り当てることも含む。また、方法は、機械学習技術によって電子患者記録訓練セットから最上レベル疾病カテゴリのそれぞれに関する疾病カテゴリ・モデルを生成することも含む。本発明のこの実施形態は、向上した精度を有し、かつより少ない度合で見逃される問題または患者の医療問題を反映しない候補問題を有する問題リストを提供することが可能である。
本発明の１つまたは複数の実施形態によれば、医療問題リストを生成するための処理システムが、１つまたは複数のタイプのメモリと通信しているプロセッサを含む。限定的でない例において、プロセッサは、複数の疾病カテゴリを受信するように構成される。また、プロセッサは、複数の最上レベル疾病カテゴリを含む疾病カテゴリ・セットを定義するようにも構成され、疾病カテゴリ・セットは、少なくとも部分的に複数の疾病カテゴリに基づく。また、プロセッサは、電子患者記録訓練セットから複数の候補訓練問題を抽出するようにも構成される。また、プロセッサは、候補訓練問題のそれぞれを複数の最上レベル疾病カテゴリに割り当てるようにも構成される。また、プロセッサは、機械学習技術によって電子患者記録訓練セットから最上レベル疾病カテゴリのそれぞれに関する疾病カテゴリ・モデルを生成するようにも構成される。本発明のこの実施形態は、向上した精度を有し、かつより少ない度合で見逃される問題または患者の医療問題を反映しない候補問題を有する問題リストを提供することが可能である。
本発明の１つまたは複数の実施形態において、疾病カテゴリ・モデルを生成するためのコンピュータによって実施される方法が、提供される。方法の限定的でない例は、プロセッサによって、最上レベル疾病カテゴリを受信することを含む。また、方法は、プロセッサによって、電子患者記録訓練セットから複数の候補訓練問題を抽出することも含む。また、方法は、プロセッサによって、候補訓練問題のそれぞれを最上レベル疾病カテゴリに割り当てることも含む。また、方法は、プロセッサによって、機械学習技術によって、割り当てられた訓練学習問題に基づいて、最上レベル疾病カテゴリに関する疾病カテゴリ・モデルを生成することも含む。本発明のこの実施形態は、向上した精度を有し、かつより少ない度合で見逃される問題または患者の医療問題を反映しない候補問題を有する問題リストを生成するためのシステムを提供することが可能である。
本発明の１つまたは複数の実施形態によれば、疾病カテゴリ・モデルを生成するための処理システムが、１つまたは複数のタイプのメモリと通信しているプロセッサを含む。限定的でない例において、プロセッサは、最上レベル疾病カテゴリを受信するように構成される。また、プロセッサは、電子患者記録訓練セットから複数の候補訓練問題を抽出するようにも構成される。また、プロセッサは、候補訓練問題のそれぞれを最上レベル疾病カテゴリに割り当てるようにも構成される。また、プロセッサは、機械学習技術によって割り当てられた候補訓練問題に基づいて、最上レベル疾病カテゴリに関する疾病カテゴリ・モデルを生成するようにも構成される。本発明のこの実施形態は、向上した精度を有し、かつより少ない度合で見逃される問題または患者の医療問題を反映しない候補問題を有する問題リストを作成するためのシステムを提供することが可能である。
本明細書において説明される排他的な権利の詳細は、本明細書に添付される特許請求の範囲において指摘され、かつ明確に特許請求される。本発明の実施形態の前述、およびその他の特徴および利点は、添付の図面と併せて解釈される以下の詳細な説明から明白となろう。
本発明の実施形態によるクラウド・コンピューティング環境を示す図である。 本発明の実施形態による抽象化モデル層を示す図である。 本発明の１つまたは複数の実施形態によるコンピュータ・システムを示す図である。 本発明の１つまたは複数の実施形態による例示的なシステムを示す図である。 本発明の１つまたは複数の実施形態による可能な複数のカテゴリを有するカテゴリ属性から生成された例示的なツリーを示す図である。 本発明の１つまたは複数の実施形態による可能な複数のカテゴリを有するカテゴリ属性から生成された別の例示的なツリーを示す図である。 本発明の１つまたは複数の実施形態による例示的な方法を示すフローチャートである。 本発明の１つまたは複数の実施形態による別の例示的な方法を示すフローチャートである。 本発明の１つまたは複数の実施形態によるさらに別の例示的な方法を示すフローチャートである。
本明細書において示される図は、例示である。本発明の思想を逸脱することなく、図、および図において説明される動作に多くの変形形態が存在することが可能である。例えば、アクションは、異なる順序で実行されることが可能であり、またはアクションは、追加されること、削除されること、または変形されることが可能である。また、「結合された」という術語、およびこの術語の変形形態は、２つの要素間に通信パスを有することを表し、それらの要素間に介在する要素／接続のまったくないそれらの要素間の直接の接続を暗示するわけではない。これらの変形形態のすべては、本明細書の一部分であると見なされる。
添付の図、および開示される実施形態の後段の詳細な説明において、図に示される様々な要素には、２桁または３桁の参照符号が与えられる。少数の例外を除いて、各参照符号の左端の数字は、その参照符号の要素が最初に示される図に対応する。
本発明の様々な実施形態は、関連する図面を参照して本明細書において説明される。本発明の代替の実施形態が、本発明の範囲を逸脱することなく考案されることが可能である。後段の説明および図面において要素間に様々な接続および可能な関係（例えば、上、下、隣接する、その他の）が提示される。これらの接続または位置関係、あるいはその両方は、特に明記しない限り、直接であることも、間接的であることも可能であり、本発明は、これに関して限定的であることは意図されない。したがって、エンティティの結合は、直接の結合または間接的な結合を指すことが可能であり、エンティティ間の位置関係は、直接の位置関係であること、または間接的な位置関係であることが可能である。さらに、本明細書において説明される様々なタスクおよびプロセス・ステップは、本明細書において詳細に説明されることのないさらなるステップまたは機能を有する、より包括的な手続きまたはプロセスに組み込まれることが可能である。
以下の定義および略語が、特許請求の範囲および本明細書の解釈のために使用されるものとする。本明細書において使用される、「備える」、「備えた」、「含む」、「含んだ」、「有する」、「有した」、「包含する」もしくは「包含した」、またはこれらの他の任意の変形は、排他的ではない包含を範囲に含むことを意図する。例えば、要素のリストを備える構成物、混合体、プロセス、方法、製品、または装置は、必ずしもそれらの要素だけに限定されるわけではなく、明示的にリストアップされず、そのような構成物、混合体、プロセス、方法、製品、または装置に本来的でもない他の要素を含むことが可能である。
さらに、「例示的な」という術語は、「例、実例、または例示の役割をする」を意味するように本明細書において使用される。本明細書において「例示的な」として説明されるいずれの実施形態または設計も、必ずしも、他の実施形態または他の設計に優って好ましいとも、有利であるとも解釈されるべきではない。「少なくとも１つの」および「１つまたは複数の」という術語は、１つ以上の任意の整数、すなわち、１つ、２つ、３つ、４つ、その他を含むものと解釈されてよい。「複数」という術語は、２つ以上の任意の整数、すなわち、２つ、３つ、４つ、５つ、などを含むものと解釈されてよい。「接続」という術語は、間接的な「接続」と直接の「接続」の両方を含んでよい。
「約」、「実質的に」、「おおよそ」、およびこれらの変形は、本出願の申請の時点で利用可能であった機器に基づく特定の数量の測定に関連する誤差の度合を含むことを意図する。例えば、「約」は、所与の値の±８％もしくは±５％、または±２％の範囲を含むことが可能である。
簡明のため、本発明の態様を作成すること、および使用することと関係する従来の技術は、本明細書において詳細に説明されることも、説明されないことも可能である。特に、本明細書において説明される様々な技術的特徴を実施するコンピューティング・システムおよび特定のコンピュータ・プログラムの様々な態様は、よく知られている。したがって、簡明のため、多くの従来の実施上の詳細は、よく知られたシステムまたはプロセスあるいはその両方の詳細を提供することなしに、本明細書において簡単にだけ述べられる、または省略される。
本説明は、クラウド・コンピューティングに関する詳細な説明を含むものの、本明細書に記載される教示の実施は、クラウド・コンピューティング環境に限定されないことをあらかじめ理解されたい。むしろ、本発明の実施形態は、現在、知られている、または後に開発される他の任意のタイプのコンピューティング環境と併せて実施されることが可能である。
クラウド・コンピューティングは、最小限の管理労力、またはサービス・プロバイダとの最小限の対話で迅速にプロビジョニングされ、かつリリースされることが可能である構成可能なコンピューティング・リソース（例えば、ネットワーク、ネットワーク帯域幅、サーバ、処理、メモリ、ストレージ、アプリケーション、仮想マシン、およびサービス）の共有されるプールに対する好都合な、オンデマンドのネットワーク・アクセスを可能にするためのサービス・デリバリのモデルである。このクラウド・モデルは、少なくとも５つの特徴と、少なくとも３つのサービス・モデルと、少なくとも４つの展開モデルとを含むことが可能である。
特徴は、以下のとおりである。
オンデマンド・セルフ・サービス：クラウド・コンシューマが、サービスのプロバイダとの人のやりとりを要求することなしに、必要に応じて自動的に、サーバ時間およびネットワーク・ストレージなどのコンピューティング能力を一方的にプロビジョニングすることが可能である。
ブロード・ネットワーク・アクセス：能力が、ネットワーク上で利用可能であり、かつ異種のシン・クライアント・プラットフォームまたはシック・クライアント・プラットフォーム（例えば、モバイル電話、ラップトップ、およびＰＤＡ）による使用を促進する標準機構を通じてアクセスされる。
リソース・プーリング：プロバイダのコンピューティング・リソースは、様々な物理リソースおよび仮想リソースが、デマンドに応じて動的に割り当てられること、および再割当てされることが行われて、マルチテナント・モデルを使用して複数のコンシューマに役立てられるようにプールされる。コンシューマが、一般に、プロビジョニングされるリソースの厳密なロケーションをまったく管理しておらず、それについての知識も有さないが、抽象性のより高いレベルにおいてロケーション（例えば、国、州、またはデータセンタ）を指定することができる可能性があるという点で、ロケーション独立の感覚が存在する。
迅速な伸縮性：能力が、急速にスケールアウトするように、かつ急速にスケールインすべく迅速に解放されるように、一部の事例において自動的に、迅速に、かつ伸縮的にプロビジョニングされることが可能である。コンシューマには、プロビジョニングのために利用可能な能力は、しばしば、無制限であるように見え、かつ任意の時点で任意の数量で購入されることが可能である。
測定されるサービス：クラウド・システムが、サービスのタイプ（例えば、ストレージ、処理、帯域幅、およびアクティブ・ユーザ・アカウント）に適切な抽象性の何らかのレベルで測定能力を活用することによって、リソース使用を自動的に制御し、かつ最適化する。リソース使用率が、監視され、制御され、かつ報告されて、利用されるサービスのプロバイダとコンシューマの両方に透明性を提供することが可能である。
サービス・モデルは、以下のとおりである。
ソフトウェア・アズ・ア・サービス（ＳａａＳ）：コンシューマに提供される能力は、クラウド・インフラストラクチャ上で実行されるプロバイダのアプリケーションを使用することである。アプリケーションは、ウェブ・ブラウザ（例えば、ウェブ・ベースの電子メール）などのシン・クライアント・インターフェースを通じて様々なクライアント・デバイスからアクセス可能である。コンシューマは、限られたユーザ特有のアプリケーション構成設定を可能な例外として、ネットワーク、サーバ、オペレーティング・システム、ストレージ、または個々のアプリケーション能力さえも含め、基礎をなすクラウド・インフラストラクチャを管理することも、制御することもしない。
プラットフォーム・アズ・ア・サービス（ＰａａＳ）：コンシューマに提供される能力は、プロバイダによってサポートされるプログラミング言語およびツールを使用して作成された、コンシューマによって作成された、または獲得されたアプリケーションをクラウド・インフラストラクチャ上に展開することである。コンシューマは、ネットワーク、サーバ、オペレーティング・システム、またはストレージを含め、基礎をなすクラウド・インフラストラクチャを管理することも、制御することもしないが、展開されるアプリケーション、および、場合により、アプリケーションをホストする環境構成を管理する。
インフラストラクチャ・アズ・ア・サービス（ＩａａＳ）：コンシューマに提供される能力は、コンシューマが、オペレーティング・システムと、アプリケーションとを含むことが可能な任意のソフトウェアを展開すること、および実行することができる場合に、処理、ストレージ、ネットワーク、およびその他の基礎的なコンピューティング・リソースをプロビジョニングすることである。コンシューマは、基礎をなすクラウド・インフラストラクチャを管理することも、制御することもしないが、オペレーティング・システム、ストレージ、展開されるアプリケーション、および、場合により、選定されたネットワーキング構成要素（例えば、ホスト・ファイアウォール）の限られた制御を管理する。
展開モデルは、以下のとおりである。
プライベート・クラウド：クラウド・インフラストラクチャは、専ら組織のために運用される。クラウド・インフラストラクチャは、組織またはサードパーティによって管理されることが可能であり、かつ敷地内に存在することも、敷地外に存在することも可能である。
コミュニティ・クラウド：クラウド・インフラストラクチャは、いくつかの組織によって共有され、かつ共有される関心（例えば、任務、セキュリティ要件、ポリシー、およびコンプライアンス考慮事項）を有する特定のコミュニティをサポートする。クラウド・インフラストラクチャは、組織またはサードパーティによって管理されることが可能であり、かつ敷地内に存在することも、敷地外に存在することも可能である。
パブリック・クラウド：クラウド・インフラストラクチャは、一般公衆または大きい業界グループに提供され、かつクラウド・サービスを販売する組織によって所有される。
ハイブリッド・クラウド：クラウド・インフラストラクチャは、固有のエンティティのままであるが、データ移植性およびアプリケーション移植性（例えば、クラウド間の負荷分散のためのクラウド・バースティング）を可能にする標準化された、または専有の技術によって一緒に結び付けられた２つ以上のクラウド（プライベート、コミュニティ、またはパブリック）の合成である。
クラウド・コンピューティング環境は、ステートレスであること、低結合、モジュール性、および意味相互運用性に焦点を合わせて、サービス指向である。クラウド・コンピューティングの中核には、互いに接続されたノードのネットワークを含むインフラストラクチャがある。
次に図１を参照すると、本発明の１つまたは複数の実施形態による例示のクラウド・コンピューティング環境５０が示される。図示されるとおり、クラウド・コンピューティング環境５０は、例えば、携帯情報端末（ＰＤＡ）もしくはセルラ電話５４Ａ、デスクトップ・コンピュータ５４Ｂ、ラップトップ・コンピュータ５４Ｃ、または自動車コンピュータ・システム５４Ｎ、あるいはその組合せなどの、クラウド・コンシューマによって使用されるローカル・コンピューティング・デバイスが通信相手とすることが可能な、１つまたは複数のクラウド・コンピューティング・ノード１０を含む。ノード１０は、互いに通信することが可能である。ノード１０は、前段で説明されるプライベート・クラウド、コミュニティ・クラウド、パブリック・クラウド、またはハイブリッド・クラウド、あるいはその組合せなどの、１つまたは複数のネットワークにおいて、物理的に、または仮想でグループ化されることが可能である（図示せず）。このことは、クラウド・コンピューティング環境５０が、インフラストラクチャ、プラットフォーム、またはソフトウェア、あるいはその組合せを、クラウド・コンシューマがローカル・コンピューティング・デバイス上にリソースを保持する必要のないサービスとして提供することを可能にする。図１に示されるコンピューティング・デバイス５４Ａ～Ｎのタイプは、単に例示であることが意図されること、ならびにコンピューティング・ノード１０およびクラウド・コンピューティング環境５０は、任意のタイプのネットワークまたはネットワーク・アドレス指定可能な接続、あるいはその両方を介して任意のタイプのコンピュータ化されたデバイスと通信することが可能である（例えば、ウェブ・ブラウザを使用して）ことが理解される。
次に図２を参照すると、本発明の１つまたは複数の実施形態によるクラウド・コンピューティング環境５０（図１）によって提供される機能抽象化層のセットが示される。図２に示される構成要素、層、および機能は、単に例示であることが意図され、本発明の実施形態は、これらに限定されないことをあらかじめ理解されたい。図示されるとおり、以下の層および対応する機能が提供される。
ハードウェアおよびソフトウェア層６０が、ハードウェア構成要素と、ソフトウェア構成要素とを含む。ハードウェア構成要素の例は、メインフレーム６１、ＲＩＳＣ（縮小命令セット・コンピュータ）アーキテクチャ・ベースのサーバ６２、サーバ６３、ブレード・サーバ６４、ストレージ・デバイス６５、ならびにネットワークおよびネットワーキング構成要素６６を含む。一部の実施形態において、ソフトウェア構成要素は、ネットワーク・アプリケーション・サーバ・ソフトウェア６７と、データベース・ソフトウェア６８とを含む。
仮想化層７０が、仮想エンティティの以下の例、すなわち、仮想サーバ７１、仮想ストレージ７２、仮想プライベート・ネットワークを含む仮想ネットワーク７３、仮想アプリケーションおよびオペレーティング・システム７４、および仮想クライアント７５が提供されることが可能な抽象化層を提供する。
一例において、管理層８０が、後段で説明される機能を提供することが可能である。リソース・プロビジョニング８１が、クラウド・コンピューティング環境内でタスクを実行するのに利用されるコンピューティング・リソースおよびその他のリソースの動的調達を提供する。測定および価格設定８２が、クラウド・コンピューティング環境内でリソースが利用されるにつれての費用追跡、およびこれらのリソースの消費に関する料金請求またはインボイス送付を提供する。一例において、これらのリソースは、アプリケーション・ソフトウェア・ライセンスを含むことが可能である。セキュリティが、クラウド・コンシューマおよびタスクに関する身元検証、ならびにデータおよびその他のリソースに関する保護を提供する。ユーザ・ポータル８３が、コンシューマおよびシステム管理者にクラウド・コンピューティング環境へのアクセスを提供する。サービス・レベル管理８４が、要求されるサービス・レベルが満たされるようにクラウド・コンピューティング・リソース割当ておよび管理を提供する。サービス・レベル合意（ＳＬＡ）計画および履行８５が、ＳＬＡにより将来の要求が予期されるクラウド・コンピューティング・リソースの事前準備および調達を提供する。
作業負荷層９０が、クラウド・コンピューティング環境が利用されることが可能な機能の例を提供する。この層から提供されることが可能な作業負荷および機能の例は、マッピングおよびナビゲーション９１、ソフトウェア開発およびライフサイクル管理９２、仮想教室教育デリバリ９３、データ・アナリティクス処理９４、トランザクション処理９５、および医療問題リスト生成９６を含む。
次に図３を参照すると、分散クラウド環境またはクラウド・サービス・ネットワークに含められたクラウド・コンピューティング・ノード１００の概略図が、本発明の１つまたは複数の実施形態により示される。クラウド・コンピューティング・ノード１００は、適切なクラウド・コンピューティング・ノードの一例に過ぎず、本明細書において説明される本発明の実施形態の使用または機能の範囲について何ら限定を示唆することを意図するものではない。いずれにしても、クラウド・コンピューティング・ノード１００は、実装されることが可能であり、または前述した機能の任意の機能を実行することが可能であり、あるいはその両方が可能である。
クラウド・コンピューティング・ノード１００において、他の多数の汎用または専用のコンピューティング・システム環境またはコンピューティング・システム構成で動作可能なコンピュータ・システム／サーバ１２が存在する。コンピュータ・システム／サーバ１２と一緒に使用するのに適することが可能なよく知られたコンピューティング・システム、コンピューティング環境、またはコンピューティング構成、あるいはその組合せの例は、パーソナル・コンピュータ・システム、サーバ・コンピュータ・システム、シン・クライアント、シック・クライアント、ハンドヘルド・デバイスもしくはラップトップ・デバイス、マルチプロセッサ・システム、マイクロプロセッサ・ベースのシステム、セットトップ・ボックス、プログラマブル家庭用電子機器、ネットワークＰＣ、ミニコンピュータ・システム、メインフレーム・コンピュータ・システム、ならびに以上のシステムもしくはデバイスのいずれかを含む分散クラウド・コンピューティング環境、および類似するものを含むが、これらには限定されない。
コンピュータ・システム／サーバ１２は、コンピュータ・システムによって実行される、プログラム・モジュールなどのコンピュータ・システム実行可能命令の一般的な脈絡で説明されることが可能である。一般に、プログラム・モジュールは、特定のタスクを実行する、または特定の抽象データ型を実装するルーチン、プログラム、オブジェクト、構成要素、ロジック、データ構造などを含むことが可能である。コンピュータ・システム／サーバ１２は、タスクが、通信ネットワークを通じて結び付けられた遠隔処理デバイスによって実行される、分散クラウド・コンピューティング環境において実施されることが可能である。分散クラウド・コンピューティング環境において、プログラム・モジュールは、メモリ・ストレージ・デバイスを含む、ローカル・コンピュータ・システム記憶媒体と遠隔コンピュータ・システム記憶媒体の両方に配置されることが可能である。
図３に図示されるとおり、クラウド・コンピューティング・ノード１００におけるコンピュータ・システム／サーバ１２は、汎用コンピューティング・デバイスの形態で示される。コンピュータ・システム／サーバ１２の構成要素は、１つもしくは複数のプロセッサもしくは処理ユニット１６、システム・メモリ２８、ならびにシステム・メモリ２８を含む様々なシステム構成要素をプロセッサ１６に結合するバス１８を含むことが可能であるが、以上には限定されない。
バス１８は、様々なバス・アーキテクチャのいずれかを使用するメモリ・バスもしくはメモリ・コントローラ、周辺バス、アクセラレーテッド・グラフィックス・ポート、およびプロセッサ・バスもしくはローカル・バスを含め、いくつかのタイプのバス構造のいずれかの構造のうちの１つまたは複数を表す。例として、限定としてではなく、そのようなアーキテクチャは、インダストリ・スタンダード・アーキテクチャ（ＩＳＡ）バス、マイクロ・チャネル・アーキテクチャ（ＭＣＡ）バス、エンハンストＩＳＡ（ＥＩＳＡ）バス、ビデオ・エレクトロニクス・スタンダーズ・アソシエーション（ＶＥＳＡ）ローカル・バス、およびペリフェラル・コンポーネント・インターコネクト（ＰＣＩ）バスを含む。
コンピュータ・システム／サーバ１２は、通常、様々なコンピュータ・システム可読媒体を含む。そのような媒体は、コンピュータ・サーバ／システム１２によってアクセス可能である任意の利用可能な媒体であることが可能であり、かつそのような媒体は、揮発性媒体と不揮発性媒体、取外し可能な媒体と取外し可能でない媒体の両方を含む。
システム・メモリ２８は、ランダム・アクセス・メモリ（ＲＡＭ）３０またはキャッシュ・メモリ３２、あるいはその両方などの揮発性メモリの形態でコンピュータ・システム可読媒体を含むことが可能である。コンピュータ・システム／サーバ１２は、その他の取外し可能な／取外し可能でない、揮発性／不揮発性のコンピュータ・システム記憶媒体をさらに含むことが可能である。単に例として、ストレージ・システム３４が、取外し可能でない、不揮発性の磁気媒体（図示されず、通常、「ハードドライブ」と呼ばれる）から読み取るため、およびそのような媒体に書き込むために提供されることが可能である。図示されないものの、取外し可能な、不揮発性の磁気ディスク（例えば、「フロッピー（Ｒ）・ディスク」）から読み取るため、およびそのようなディスクに書き込むための磁気ディスク・ドライブ、およびＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、もしくは他の光媒体などの取外し可能な、不揮発性の光ディスクから読み取るため、およびそのようなディスクに書き込むための光ディスク・ドライブが提供されることが可能である。そのような実例において、各媒体は、１つまたは複数のデータ媒体インターフェースによってバス１８に接続されることが可能である。後段でさらに示され、説明されるとおり、メモリ２８は、本発明の実施形態の機能を実行するように構成されたプログラム・モジュールのセット（例えば、少なくとも１つのプログラム・モジュール）を有する少なくとも１つのプログラム製品を含むことが可能である。
プログラム・モジュール４２のセット（例えば、少なくとも１つのプログラム・モジュール）を有するプログラム／ユーティリティ４０、ならびにオペレーティング・システム、１つまたは複数のアプリケーション・プログラム、他のプログラム・モジュール、およびプログラム・データが、例として、限定としてではなく、メモリ２８に記憶されることが可能である。オペレーティング・システム、１つもしくは複数のアプリケーション・プログラム、他のプログラム・モジュール、およびプログラム・データのそれぞれ、または以上の何らかの組合せは、ネットワーキング環境の実装形態を含むことが可能である。プログラム・モジュール４２は、一般に、本発明の一部の実施形態により、１つもしくは複数の機能または方法、あるいはその組合せを実行する。
また、コンピュータ・システム／サーバ１２は、キーボード、ポインティング・デバイス、ディスプレイ２４、その他などの１つもしくは複数の外部デバイス１４、ユーザがコンピュータ・システム／サーバ１２と対話することを可能にする１つもしくは複数のデバイス、またはコンピュータ・システム／サーバ１２が他の１つまたは複数のコンピュータ・デバイスと通信することを可能にする任意のデバイス（例えば、ネットワーク・カード、モデム、その他）、あるいはその組合せと通信することも可能である。そのような通信は、入出力（Ｉ／Ｏ）インターフェース２２を介して行われることが可能である。さらに、コンピュータ・システム／サーバ１２は、ネットワーク・アダプタ２０を介してローカル・エリア・ネットワーク（ＬＡＮ）、汎用ワイド・エリア・ネットワーク（ＷＡＮ）、または公共ネットワーク（例えば、インターネット）あるいはその組合せの１つまたは複数のネットワークと通信することが可能である。図示されるとおり、ネットワーク・アダプタ２０は、バス１８を介してコンピュータ・システム／サーバ１２のその他の構成要素と通信する。図示されないものの、他のハードウェア構成要素またはソフトウェア構成要素、あるいはその両方が、コンピュータ・システム／サーバ１２と併せて使用されることが可能である。例は、マイクロコード、デバイス・ドライバ、冗長な処理ユニット、外部ディスク・ドライブ・アレイ、ＲＡＩＤシステム、テープ・ドライバ、およびデータ・アーカイブ・ストレージ・システム、その他を含むが、以上には限定されない。
次に本発明の態様の概要を参照すると、本発明の実施形態が、電子医療記録から生成される改良された問題リストを提供する。
ヘルスケアにおいて長年、必要とされてきたのが、患者のケアに関係のある臨床上の考慮事項の正確なリストである。現在、問題リストは、診療所または病院の管理職員または看護職員によって頻繁に生成される。そのようなリストは、患者の健康記録の臨床上の要約の一部分として使用されることが可能である。電子問題リストは、医療患者に関連するデータの量が、デジタル医療データ獲得および記憶を通じて増加するにつれ、患者の問題の概要に関して医療専門家によってますます頼りにされる。しかし、このようにして生成される問題リストは、普通、料金請求目的であることが意図され、したがって、信頼が置けず、かつ不完全である度合が高い可能性がある。
向上した精度を有する問題リストは、問題非依存性の属性（problem agnostic attributes）に加えて、問題特有の属性を分析すること、および複数の疾病特有の学習モデルにおいてそのような属性を、抽出された候補問題リストと一緒に処理することを通じて、生成されることが可能である。疾病特有の学習モデルは、本発明の一部の実施形態において、変形された交互意思決定ツリー・アルゴリズムを用いて、自動的に生成されることが可能である。問題特有の属性の使用、および疾病特有のモデルの適用を通じて、識別された医療問題のより高い精度を有する問題リストが生成されることが可能である。本発明の一部の実施形態において、疾病カテゴリの定義されたセットの各カテゴリに関する個々のモデルを構築することは、疾病のそのカテゴリに関してだけでなく、患者記録全体とのかかわりで患者に関しても、より高い精度を実現することが可能である。本明細書において使用される、「医療問題」は、患者の生活の質に関係のある医療上の決定、または医療専門家による監視および管理が患者の健康に有益である可能性がある医療上の決定、あるいはその両方を意味するものと理解される。例示的な医療問題は、患者の生活の質に影響を及ぼす慢性病、除外されていない識別診断、家族歴において識別されるリスク要因、解決されていない医療診断、積極的な医療診断、および類似するものを含む。本発明の実施形態は、所与の患者に関して、いずれの医学的な問題および診断が医療問題と見なされるか、およびいずれの医学的な問題および診断が問題ではないと見なされるかを指定する例を含め、グラウンドトゥルース例を含む医療エキスパートからの情報で訓練されたシステムを含む。
次に、より詳細な説明を参照すると、図４が、本発明の１つまたは複数の実施形態による医療記録問題リスト生成のための例示的なシステム２００を示す。例示的なシステム２００は、ＥＭＲデータベース２０２を含む。ＥＭＲデータベース２０２は、構造化されたデータ２１４と、構造化されていないデータまたは半構造化されたデータ２１２、あるいはその両方２１２を含む、電子医療記録を含むことが可能である。ＥＭＲデータベース２０２は、候補生成モジュール２０４と通信することが可能である。
本発明の一部の実施形態において、候補問題生成モジュール２０４は、候補医療問題を生成する。候補医療問題は、医療専門家が、患者に医療ケアを提供する過程において積極的に管理することも、監視することもしない、医療問題、解決された医学的な問題もしくは決定、および解決されていない医学的な問題もしくは決定を含むことが可能である。候補問題生成モジュール２０４は、構造化されたデータ２１４からも、構造化されていないデータまたは半構造化されたデータ２１２、あるいはその両方２１２からも抽出することを含め、ＥＭＲデータベース２０２から医療概念を抽出する臨床要因抽出エンジン２１６を含むことが可能である。臨床要因抽出エンジン２１６は、自然言語処理（ＮＬＰ）を使用することなどの、信頼される技術によってＥＭＲデータベースから医療概念を抽出することが可能である。医療概念抽出の後に、本発明の一部の実施形態において、抽出された概念を、医療オントロジ２１８において候補医療問題に分類すべく、またはマップすべく、規則ベースの、または学習ベースのモデルが続くことが可能である。本発明の一部の実施形態において、医療オントロジ２１８は、候補問題生成モジュール２０４に含められることが可能である。図示されない、本発明の一部の実施形態において、医療オントロジ２１８は、候補生成モジュール２０４の外部にある。
医療オントロジは、知られており、１つまたは複数の医療標準団体によって確立されること、定義されること、分類整理されること、または維持されることが可能であり、候補問題生成モジュールは、現在、知られているか、将来、開発されるか、ローカルで記憶されているか、外部システムにおける無線接続もしくは有線接続を介してアクセスされるかにかかわらず、標準化された医療概念の任意の医療オントロジもしくは医療辞書を含むことが可能である。本発明の一部の実施形態において、医療オントロジ２１８は、複数の概念一意識別子（ＣＵＩ）２１８を含む。本明細書において使用される「ＣＵＩ」は、医療問題、医学的な不調、投薬、検査室結果、および類似するものなどの、医学的に関係した問題を識別する合意された、または承認された意味術語を提供する標準化された用語を含む。ＵＭＬＳは、例えば、２０，０００を超えるＣＵＩを含む。本発明の実施形態において使用されることが可能なＣＵＩの別の例示的なソースは、米国国立医学図書館の統合医学用語システム、ＵＭＬＳメタシソーラス（Ｒ）を通じて獲得されることが可能な医療コード（ＳＮＯＭＥＤコード）の体系化された命名法を含むが、これには限定されない。本発明の一部の実施形態において、候補医療問題は、処理全体を通じて知られているＣＵＩにより分類される。例示的な候補医療問題は、一意の不調、投薬、検査室結果、その他のＣＵＩを含むことが可能である。
例えば、一部の実施形態において、ＵＭＬＳなどの医療オントロジが、医療術語を識別し、かつ候補医療術語を適切なＣＵＩで分類すべく、電子医療記録における構造化されたデータおよび構造化されていないデータに適用される。候補医療問題は、例えば、一意の不調、投薬、または検査室結果のＣＵＩを含むことが可能である。
医療記録問題リスト生成に関する例示的なシステム２００は、属性生成モジュール２０６を含むことも可能である。属性生成モジュール２４２は、候補生成モジュール２０４と通信することが可能であり、かつＥＭＲデータベースから導き出された複数の候補医療問題を受信することが可能である。各候補医療問題に関して、属性生成モジュール２４２は、１つまたは複数の属性、および対応する属性点数を生成することが可能である。本発明の一部の実施形態において、属性生成モジュール２０６において生成される属性は、問題非依存性の属性２４２と、問題特有の属性２４２とを含む。そのような属性および属性点数は、情報抽出、テキスト・セグメント化、および関係識別などの、いくつかの知られている技術を適用することによって生成されることが可能である。情報抽出は、例えば、ＣＵＩ認識信頼度と、用語頻度とを含むことが可能である。テキスト・セグメント化は、例えば、臨床メモ内のセクション、および候補医療問題がそれらのセクション内のどこで出現するかの識別を含むことが可能である。テキスト・セグメント化方法は、例えば、セクションの名前などの、非数値属性を識別することが可能である。関係識別技術は、候補医療問題と投薬、検査室試験結果、および類似したものの間の関係を識別すべく、潜在的意味分析を実行することが可能である。問題非依存性の属性２２０および問題特有の属性２２２は、例えば、用語頻度および逆文書頻度などの標準情取出し測度を組み込んだ語彙属性、候補医療問題と投薬、手続き、および検査室試験結果の間の関係を記述する医療属性、例えば、ＳＮＯＭＥＤ ＣＯＲＥにおける使用フィールドに関連した医療問題の前の確率を捕捉する頻度属性、例えば、候補問題が言及されているメモ・タイプおよびセクション・タイプを含む構造属性、および患者の電子医療記録において言及される様々な候補問題の分布を記述する時間属性、ならびに前述した属性のより高次の組合せを含むことが可能である。前述した属性のより高次の組合せを例外として、前述した属性のほとんどは、問題非依存性の属性２２０を含む。
問題特有の属性２２２は、１つまたは複数の属性を組み合わせることによって生成されることが可能な、より高次の属性を含むことが可能である。例えば、頻度属性という用語は、複数のより高次の属性を生成すべく、アサーション・タイプ、メモ・タイプ、メモ・セクション・タイプ、および時間次元における移動する時間枠と互いに関係付けられることが可能である。もたらされる例示的なより高次の属性は、「この３ヶ月内に経過メモにおける評価および計画セクションにおいて高血圧が確認されるものと記載される回数」を含むことが可能である。そのような問題特有の属性２２２は、データ生成プロセスの複雑さをよりよく捕捉することが可能である。
本発明の一部の実施形態において、属性生成モジュール２０６は、生成される属性の次元を縮小する。例えば、より高次の属性の生成は、２３４の属性を数百万に増加させるなど、属性の数を大幅に増加させることが可能である。このため、多数のそのような組み合わされた属性を使用することは、一部の事例において、データ・セットに過剰適合する。本発明の一部の実施形態において、次元縮小は、データ・セットの過剰適合に関係のある問題を緩和するのに有益である。属性の次元は、知られている技術によって縮小されることが可能である。例えば、自動エンコーダが、次元を縮小すべく、かつ開始属性の階層依存関係を捕捉する医療問題の一般的な表現を学習すべく、使用されることが可能である。自動エンコーダは、開始属性の分散表現を学習すべく、自らの入力を出力として再現するようにニューラル・ネットワーク構造を使用することが可能な教師なし属性構築技術である。本発明の一部の実施形態において、ノイズ除去自動エンコーダが、属性の次元を縮小すべく使用される。例えば、ノイズ除去自動エンコーダは、ノイズのある入力から属性の堅牢な表現を学習することが可能である。本発明の一部の実施形態において、深層自動エンコーダに組み込まれた複数の積層自動エンコーダが、属性の次元を縮小すべく使用される。
一部の実施形態において、システム２００は、疾病カテゴリ採点モジュール２０８を含む。疾病カテゴリ採点モジュール２０８は、疾病カテゴリ・テンプレート２５０ａ、２５０ｂ、２５０ｃ、．．．２５０ｎのセットを含むことが可能である。本発明の一部の実施形態において、セットの中の疾病カテゴリ・テンプレートは、それぞれ、疾病カテゴリ分類リストからの最上レベル・カテゴリを表す。一部の実施形態において、疾病カテゴリ分類リストは、例えば、国際疾病分類改訂第９版（ＩＣＤ－９）、またはＩＣＤ－１０を含む、疾病および関連保健問題の国際統計分類からの分類リストなどの単一ツリー階層を含む。疾病カテゴリ分類リストのすべて、または一部が、疾病カテゴリ・テンプレートのセットにおいて使用されることが可能である。例えば、ＩＣＤ－９からの最上レベル・カテゴリを使用する実施形態において、疾病カテゴリ・モデルの以下のセット、すなわち、１．症状、徴候、および不明確な症状、２．皮膚および皮下組織の疾患、３．尿路性器系の疾患、４．感染症および寄生虫症、５．呼吸器系の疾患、６．新生物、７．筋骨格系および結合組織の疾患、８．内分泌，栄養および代謝疾患、９．循環器系の疾患、１０．先天奇形、１１．神経系の疾患、１２．感覚器官の疾患、１３．消化器系の疾患、１４．負傷および中毒、１５．血液および造血器の疾患、１６．精神障害、１７．その他が使用されることが可能である。この実施形態において、「その他」というカテゴリは、ＩＣＤ－９コードが直ちに、または自動的に割り当てられることが可能でない問題、および有意でない数のサンプル、もしくは指定された閾値を下回る数のサンプルを包含する最上レベルのＩＣＤ－９カテゴリを含み、これらは、この例において、「外傷および補足分類」、「出生前の期間に由来するいくつかの状態」、および「妊娠、分娩、および産褥期の併発症」を含む。
本発明の一部の実施形態において、疾病カテゴリ採点モジュール２０８は、複数の候補問題が、電子患者記録訓練セットから抽出され、かつＩＣＤ－９コードから導き出されたセットなどの疾病カテゴリ・セットからの最上レベル疾病カテゴリに割り当てられる訓練段階を使用することによって、疾病カテゴリ・モデル２５０ａ．．．２５０ｎのセットを作成する。機械学習が、疾病カテゴリ・モジュールを生成すべく使用されることが可能である。一部の実施形態において、疾病カテゴリの各カテゴリごとに別個の機械学習モデルが使用される。一部の実施形態において、疾病カテゴリ採点モジュール２０８は、大きいセットの属性から疾病カテゴリ・モデルのそれぞれに関して有用な属性を自動的に識別する。本明細書において使用される「有用な属性」は、医療問題である候補問題と医療問題でない候補問題を区別するために最も有用であると統計的に判定される属性を表す属性のセットを含む。
本発明の一部の実施形態において、疾病カテゴリ採点モジュール２０６は、各属性に関する属性点数を生成する。属性点数は、複数の採点プロセスを使用して生成されることが可能であり、採点プロセスの選択は、属性の性質に依存することが可能である。属性点数は、例えば、属性の頻度、属性の重要度、許容可能な標準に対するパーセンテージ、投薬の量、投薬強度、投薬の使用の長期性などの数値属性または非数値属性を表すことが可能である。一部の実施形態において、属性は、採点プロセスが適用される前に分類され、各属性に適用されるタイプ採点プロセスは、属性カテゴリに基づいて変えることができる。一部の実施形態において、属性採点プロセスの選択は、少なくとも部分的に疾病カテゴリ・モデルに依存する。例えば、各疾病カテゴリ・モデルが、セットの中のその他の疾病カテゴリ・モデルと同一の、または異なる属性採点プロセスの関連付けられたセットを有することが可能である。
本発明の一部の実施形態において、疾病カテゴリ採点モジュール２０８の各疾病カテゴリ・モデル２５０ａ．．．２５０ｎは、各候補医療問題に関する最終の組み合わされた属性点数をもたらすべく、そのモデルに関連する属性点数を使用して各属性を正規化すること、フィルタリングすること、および各属性に重み付けすることが可能である。各属性の重み付けは、機械学習技術を使用して決定されることが可能である。
機械学習技術を使用する前述した技術、プロセス、およびシステム構成要素のそれぞれは、時とともに動的に変化することが可能である。例えば、ただし、限定としてではなく、属性の重み付けは、機械学習プロセスが、標準化された医療概念によって分類された候補医療問題が電子医療記録に関連付けられた患者の医療問題である尤度を反映するように最良の重み付けパラメータを改良するにつれ、時とともに動的に変化することが可能である。例えば、機械学習プロセスは、医療記録の構造内の候補医療問題属性の位置に基づいて、属性点数の重み付けを動的に増加させることが可能である。別の例として、機械学習プロセスは、フィードバックに応答して候補医療問題属性が電子医療記録内で出現するのがどれだけ新しいかに基づいて、属性点数の重み付けを動的に増加させること、または減少させることが可能であり、かつ経験的なテキスト化およびモデル化を使用することが可能である。このため、本発明の一部の実施形態において、プロセスおよびモデルは、ＣＵＩによって分類される候補医療問題を患者の医療問題により正確に整合させるべく動的に進化することが可能である。
また、医療記録問題リスト生成のためのシステム２００は、グループ化モジュール２６０を含むことも可能である。本発明の一部の実施形態において、グループ化モジュール２６０は、疾病カテゴリ・モデルのそれぞれから採点された医療問題を受信する。本発明の一部の実施形態において、グループ化モジュール２６０は、知られている医療問題分類階層に基づいて、緊密に関係する問題をマージすること、およびクラスタ化することが可能である。例えば、各疾病特有の問題において生成される問題の組み合わされたリストからもたらされる問題リストが、問題の臨床上の類似点に基づいて、グループ化モジュール２６０においてグループ化されることが可能である。例えば、糖尿病とＩＩ型糖尿病が、一方が他方の特定の形態であるため、簡潔な医療問題リストを作成する目的でグループ化されて、単一の問題にされることが可能である。一部の実施形態において、例えば、限定としてではなく、グループ化モジュール２６０は、影響を受ける身体部分、処置において使用される薬物、および類似するものなどの問題の特性に基づいて、ＵＭＬＳによって提供される「ｉｓａ」関係、および知られている技術からのクラスタリング技術を使用する。他の多くのＵＭＬＳ関係が、緊密に関係する医療概念に関して使用されることが可能であり、かつ当業者には直ちに知られまたは認識され、あるいは知られかつ認識されよう。
グループ化モジュール２６０は、或る閾値を下回る基準を有する候補医療問題が最終の医療問題リストに含められないように、採点された医療問題にフィルタを適用することが可能である。例えば、候補医療問題に対応する候補医療問題に関する最終の組み合わされた属性点数が閾値を下回っている場合、その候補医療問題は、フィルタリングされて除かれる。フィルタリング閾値は、例えば、医療問題リストに含められる医療問題の合計数を増加させるべく、もしくは減少させるべく、結果出力の量を変更すべく、またはユーザによって所望される他の目的を実現すべく、手動で設定されること、または自動的に調整されることが可能である。本発明の一部の実施形態において、グループ化し、かつフィルタリングした後、グループ化モジュールは、医療問題リストを生成する。本発明の一部の実施形態において、グループ化モジュールは、反復の各回において、前の反復の回からもたらされる最高の点数の、または最高の重み付けがされた医療問題だけを使用して、複数回の反復を実行する。
一部の実施形態において、疾病カテゴリ・モデル２５０ａ．．．２５０ｎは、変形された交互意思決定ツリー（ＡＤＴ）アルゴリズムを通じて生成されることが可能である。一部の実施形態において、問題特有の属性２２２が、教師なし属性選択を使用して各疾病カテゴリ内で選択される。例えば、問題特有の属性２２２は、複数の訓練属性をカテゴリの層にすること、および次に、変形されたＡＤＴアルゴリズムを通じて各カテゴリ内で埋め込まれた教師なし属性選択を実行することによって選択されることが可能である。ＡＤＴは、予測ノードとスプリッタ・ノードという２つのノードの間で交互する。意思決定ツリーの場合とは異なり、ＡＤＴにおいて、インスタンスは、複数のパスを通って移動することが可能であり、予測は、それらのパスに沿ったすべての予測ノード値の合計の符号によって行われる。ＡＤＴにおける各決定ノードは、二値分類器である。疾病カテゴリ特有のモデルを自動的に生成するのに、マルチクラス・スプリッタ・ノードが、変形されたＡＤＴを生成すべくＡＤＴに含められることが可能である。マルチクラス・スプリッタ・ノードは、各インスタンスを可能なカテゴリのうちの１つに分類することが可能である。例えば、スプリッタ・ノードは、以下の形態の規則を有することが可能である、すなわち、
ｉｆ（前提条件＝真）ｔｈｅｎ
ｓｗｉｔｃｈ（条件）
ｃａｓｅ ｃｉ：ｒｅｔｕｒｎ ａｉ
ｅｌｓｅ ｒｅｔｕｒｎ ０
ここで、ｃｉは、可能な疾病カテゴリのうちの１つであり、ａｉは、
Figure 0007164843000001
を使用して計算される、予測ノードにおける予測値であり、
ここで、Ｗ＋（．）およびＷ－（．）は、それぞれ、前提条件および条件を満足させる正および負の各訓練例の重みの合計である。各反復ステップｔに関して、カテゴリ・スプリッタ・ノードは、訓練誤差Ｚｔ、
Figure 0007164843000002
を有し、
ここで、ｐは、ステップｔにおける前提条件であり、Ｃは、カテゴリ条件であり、ｃｉは、Ｃにおける有効なカテゴリである。図５は、従来のＡＤＴを使用して可能な複数のカテゴリを有するカテゴリ属性から生成された例示的なツリーを示す。図６は、変形されたＡＤＴを使用して同一のカテゴリ属性から生成された例示的なツリーを示す。図５および図６に示されるとおり、従来のＡＤＴを使用して、同一の属性が複数回、選択されることが可能であり、同一の属性が選択されるたびに二値分割を実行する一方で、変形されたＡＤＴを使用して、カテゴリ属性が、各カテゴリに関して１つの予測ノードを生成するマルチクラス分割を実行する。一部の実施形態において、学習プロセスにおいて早期にデータが層をなすようにするようにモデルを誘導すべく訓練誤差を計算する際、前の重みがカテゴリ属性に割り当てられることが可能である。
図７は、本発明の１つまたは複数の実施形態による医療問題リストを生成するための例示的な方法３００を示すフローチャートである。方法３００は、ブロック３０２に示されるとおり、電子医療記録から医療概念を抽出することを含む。また、方法３００は、ブロック３０４に示されるとおり、オントロジに基づいて医療概念から候補医療問題を生成することも含む。また、方法３００は、ブロック３０６に示されるとおり、各候補医療問題に関して、１つまたは複数の属性を生成することも含む。また、方法３００は、ブロック３０８に示されるとおり、属性点数を生成すること、または各属性に関する属性値を抽出することも含む。また、方法３００は、ブロック３１０に示されるとおり、複数の疾病カテゴリ・モデルに複数の候補問題、属性、および属性点数を適用することも含む。また、方法３００は、ブロック３１２に示されるとおり、疾病カテゴリ・モデルに基づいて、各候補医療問題を受け付けるべきか、または却下すべきかを判定することも含む。また、方法３００は、ブロック３１４に示されるとおり、受け付けられた問題をグループ化することも含む。また、方法３００は、ブロック３１６に示されるとおり、受け付けられた問題を含む医療問題リストを生成することも含む。
図８は、本発明の１つまたは複数の実施形態による疾病カテゴリ・モデルを生成するための例示的な方法４００を示すフローチャートである。方法４００は、ブロック４０２に示されるとおり、複数の最上レベル疾病カテゴリを含む疾病カテゴリ・セットを定義することを含む。また、方法４００は、ブロック４０４に示されるとおり、電子患者記録訓練セットから複数の候補訓練問題を抽出することも含む。また、方法４００は、ブロック４０６に示されるとおり、各候補訓練問題を、疾病カテゴリ・セットからの最上レベル疾病カテゴリに割り当てることも含む。また、方法４００は、ブロック４０８に示されるとおり、機械学習を使用して電子患者記録訓練セットから各最上レベル疾病カテゴリに関する疾病カテゴリ・モデルを生成することも含む。
図９は、本発明の１つまたは複数の実施形態による疾病カテゴリ・モデルのそれぞれに関する有用な属性を識別するための例示的な方法５００を示すフローチャートを示す。例示的な方法５００は、ブロック５０２に示されるとおり、複数の属性、および電子医療記録から導き出された訓練データのセットに対して、ＡＮＯＶＡを使用して一変量属性選択を実行することを含む。また、方法５００は、ブロック５０６に示されるとおり、閾値を超える格付けされた属性を選択することも含む。また、方法５００は、ブロック５０８に示されるとおり、ピアソンの相関を使用して冗長な属性を取り除くことも含む。また、方法５００は、ブロック５１０に示されるとおり、薬剤クラスを使用することによって薬剤特有の属性を問題クラス関連付けに追加することも含む。また、方法５００は、ブロック５１２に示されるとおり、問題カテゴリを使用して患者属性を問題カテゴリ共起点数に追加することも含む。
本発明は、統合の可能な任意の技術的詳細レベルにおけるシステム、方法、またはコンピュータ・プログラム製品、あるいはその組合せであってよい。コンピュータ・プログラム製品は、プロセッサに本発明の態様を実行させるためのコンピュータ可読プログラム命令を有する１つ（または複数）のコンピュータ可読記憶媒体を含んでよい。
コンピュータ可読記憶媒体は、命令実行デバイスによって使用されるように命令を保持すること、および記憶することが可能な有形のデバイスであることが可能である。コンピュータ可読記憶媒体は、例えば、電子ストレージ・デバイス、磁気ストレージ・デバイス、光ストレージ・デバイス、電磁ストレージ・デバイス、半導体ストレージ・デバイス、または以上の任意の適切な組合せであってよいが、これらには限定されない。コンピュータ可読記憶媒体のより具体的な例の網羅的でないリストは、以下、すなわち、ポータブル・コンピュータ・ディスケット、ハードディスク、ランダム・アクセス・メモリ（ＲＡＭ）、読取り専用メモリ（ＲＯＭ）、消去可能なプログラマブル読取り専用メモリ（ＥＰＲＯＭもしくはフラッシュ・メモリ）、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ）、ポータブル・コンパクト・ディスク読取り専用メモリ（ＣＤ－ＲＯＭ）、デジタル・バーサタイル・ディスク（ＤＶＤ）、メモリ・スティック、フロッピー（Ｒ）・ディスク、パンチカード、もしくは命令が記録されている溝の中の隆起構造などの機械的に符号化されたデバイス、および以上の任意の適切な組合せを含む。本明細書において使用されるコンピュータ可読記憶媒体は、電波もしくは他の自由に伝播する電磁波、導波路もしくは他の伝送媒体を伝播する電磁波（例えば、光ファイバ・ケーブルを通過する光パルス）、または配線を通して伝送される電気信号などの、一過性の信号自体であると解釈されるべきではない。
本明細書において説明されるコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体からそれぞれのコンピューティング／処理デバイスにダウンロードされること、またはネットワーク、例えば、インターネット、ローカル・エリア・ネットワーク、ワイド・エリア・ネットワーク、または無線ネットワーク、あるいはその組合せを介して外部コンピュータもしくは外部ストレージ・デバイスにダウンロードされることが可能である。ネットワークは、銅伝送ケーブル、伝送光ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ、またはエッジ・サーバ、あるいはその組合せを含んでよい。各コンピューティング／処理デバイスにおけるネットワーク・アダプタ・カードまたはネットワーク・インターフェースが、ネットワークからコンピュータ可読プログラム命令を受信し、そのコンピュータ可読プログラム命令を、それぞれのコンピューティング／処理デバイス内のコンピュータ可読記憶媒体に記憶するために転送する。
本発明の動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セット・アーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、集積回路のための構成データ、またはＳｍａｌｌｔａｌｋ（Ｒ）、Ｃ＋＋、もしくは類似したものなどのオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語もしくは類似したプログラミング言語などの従来の手続き型プログラミング言語を含め、１つまたは複数のプログラミング言語の任意の組合せで書かれたソース・コードもしくはオブジェクト・コードであってよい。コンピュータ可読プログラム命令は、完全にユーザのコンピュータ上で、部分的にユーザのコンピュータ上で、スタンドアロンのソフトウェア・パッケージとして、部分的にユーザのコンピュータ上で、かつ部分的に遠隔コンピュータ上で、または完全に遠隔コンピュータもしくは遠隔サーバの上で実行されてよい。完全に遠隔コンピュータもしくは遠隔サーバの上で実行されるシナリオにおいて、遠隔コンピュータは、ローカル・エリア・ネットワーク（ＬＡＮ）もしくはワイド・エリア・ネットワーク（ＷＡＮ）を含む、任意のタイプのネットワークを通じてユーザのコンピュータに接続されてよく、または接続は、外部コンピュータに対して行われてよい（例えば、インターネット・サービス・プロバイダを使用してインターネットを通じて）。一部の実施形態において、例えば、プログラマブル論理回路、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、またはプログラマブル・ロジック・アレイ（ＰＬＡ）を含む電子回路が、本発明の態様を実行するためにその電子回路を個人設定すべく、コンピュータ可読プログラム命令の状態情報を利用することによってコンピュータ可読プログラム命令を実行してよい。
本発明の態様は、本発明の実施形態による方法、装置（システム）、およびコンピュータ・プログラム製品のフローチャートまたはブロック図、あるいはその両方を参照して本明細書において説明される。フローチャートまたはブロック図、あるいはその両方の各ブロック、ならびにフローチャートまたはブロック図、あるいはその両方におけるブロックの組合せは、コンピュータ可読プログラム命令によって実装されることが可能であることが理解されよう。
これらのコンピュータ可読プログラム命令は、コンピュータまたは他のプログラマブル・データ処理装置のプロセッサを介して実行される命令が、フローチャートまたはブロック図、あるいはその両方の１つまたは複数のブロックにおいて指定される機能／動作を実施するための手段を作り出すべく、汎用コンピュータ、専用コンピュータ、または他のプログラマブル・データ処理装置のプロセッサに提供されてマシンを作り出すものであってよい。また、これらのコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体に記憶された命令により、フローチャートまたはブロック図、あるいはその両方の１つまたは複数のブロックにおいて指定される機能／動作の態様を実施する命令を含む製品を作り出すべく、コンピュータ可読記憶媒体に記憶されて、コンピュータ、プログラマブル・データ処理装置、または他のデバイス、あるいはその組合せに特定の様態で機能するように指示するものであってもよい。
また、コンピュータ可読プログラム命令は、コンピュータ、他のプログラマブル・データ処理装置、または他のデバイスの上で実行される命令が、フローチャートまたはブロック図、あるいはその両方の１つまたは複数のブロックにおいて指定される機能／動作を実施するように、コンピュータによって実施されるプロセスを作り出すべく、コンピュータ、他のプログラマブル・データ処理装置、または他のデバイスにロードされて、コンピュータ、他のプログラマブル・データ処理装置、または他のデバイスの上で一連の動作ステップを実行させるものであってもよい。
図におけるフローチャートおよびブロック図は、本発明の様々な実施形態によるシステム、方法、およびコンピュータ・プログラム製品の可能な実装形態のアーキテクチャ、機能、および動作を示す。これに関して、フローチャートまたはブロック図における各ブロックは、指定された論理機能を実施するための１つまたは複数の実行可能命令を備える、命令のモジュール、セグメント、または一部分を表すことが可能である。一部の代替の実装形態において、ブロックに記載される機能は、図に記載される順序を外れて生じてよい。例えば、連続して示される２つのブロックが、実際には、実質的に同時に実行されてよく、またはそれらのブロックが、関与する機能に依存して、時として、逆の順序で実行されてよい。また、フローチャートまたはブロック図、あるいはその両方の各ブロック、ならびにフローチャートまたはブロック図、あるいはその両方におけるブロックの組合せは、指定された機能もしくは動作を実行する、または専用ハードウェア命令とコンピュータ命令の組合せを実行する専用ハードウェア・ベースのシステムによって実装されることが可能であることにも留意されたい。
本明細書において使用される術語は、特定の実施形態を説明することのみを目的としており、限定することは意図していない。本明細書において使用される「ある」および「その」という単数形は、脈絡がそうでないことを明確に示すのでない限り、複数形も含むことを意図している。「含む」または「含め」という術語、あるいはその両方は、本明細書において使用される場合、明記される特徴、整数、ステップ、動作、要素、または構成要素、あるいはその組合せの存在を明示するが、他の１つまたは複数の特徴、整数、ステップ、動作、要素、構成要素、または以上のグループ、あるいはその組合せの存在も追加も排除しないことがさらに理解されよう。
添付の特許請求の範囲におけるすべてのミーンズまたはステップ・プラス・ファンクション要素の対応する構造、材料、動作、および均等物は、具体的に特許請求されているように他の特許請求される要素と組み合わせて機能を実行するための任意の構造、材料、または動作を含むことを意図する。本発明の説明は、例示および説明の目的で提示されているが、網羅的であることも、説明される形態における本発明に限定されることも意図されない。多くの変形形態および変更形態が、本発明の範囲および思想を逸脱することなく、当業者には明白となろう。実施形態は、本発明の原理、および実際的な応用を最もよく説明するため、ならびに当業者が、企図される特定の用途に適するように様々な変形を伴って様々な実施形態を理解することを可能にするために選択され、説明されている。
本明細書において示されるフローチャートは、一例に過ぎない。本発明の実施形態の思想を逸脱することなく、この図、またはこの図に記載されるステップ（もしくは動作）の多くの変更形態が存在することが可能である。例えば、ステップは、異なる順序で実行されることが可能であり、またはステップが、追加されること、削除されること、もしくは変形されることが可能である。これらの変更形態のすべてが、特許請求される発明の一部分であると見なされる。
本発明の様々な実施形態の説明は、例示の目的で提示されてきたが、網羅的であることも、説明される実施形態に限定されることも意図していない。多くの変形形態および変更形態が、説明される実施形態の範囲および思想を逸脱することなく、当業者には明白となろう。本明細書において使用される術語は、実施形態の原理、実際的な応用、もしくは市場で見られる技術に優る技術的改良を最もよく説明すべく、または当業者が、本明細書において説明される実施形態を理解することを可能にすべく、選択されている。

Claims (14)

  1. 医療問題リストを生成するためのコンピュータによって実施される方法であって、
    プロセッサによって、
    複数の疾病カテゴリを受信すること、
    複数の最上レベル疾病カテゴリを含む疾病カテゴリ・セットを定義することであって、前記疾病カテゴリ・セットは、少なくとも部分的に前記複数の疾病カテゴリに基づく、前記定義すること、
    電子健康記録システムに記憶された電子医療記録である電子患者記録訓練セットから複数の候補訓練問題を、医療オントロジを使用して抽出することであって、前記医療オントロジは複数の概念一意識別子を含み、該概念一意識別子は、医学的に関係した問題を識別する合意されたまたは承認された意味術語を提供する標準化された用語を含み、前記医療オントロジを使用して、前記電子患者記録訓練セット中の前記用語を識別し、且つ該用語が前記概念一意識別子により分類され、及び、前記候補訓練問題は、医療専門家が、患者に医療ケアを提供する過程において積極的に関与することも、監視することもしない医療問題、解決された医学的な問題若しくは決定、又は解決されていない医学的な問題若しくは決定を含む、前記抽出すること、
    前記候補訓練問題のそれぞれを前記複数の最上レベル疾病カテゴリに割り当てること、
    機械学習技術によって前記電子患者記録訓練セットから前記複数の最上レベル疾病カテゴリのそれぞれに関する疾病カテゴリ・モデルを生成すること、および
    前記複数の最上レベル疾病カテゴリのそれぞれに関する前記疾病カテゴリ・モデルに電子医療記録データを適用することによって、前記医療問題リストを生成すること
    を含む、前記方法。
  2. 複数の採点された候補医療問題を生成すべく前記複数の最上レベル疾病カテゴリのそれぞれに関する前記疾病カテゴリ・モデルに電子患者データ・セットを適用することをさらに含む、請求項１に記載のコンピュータによって実施される方法。
  3. 少なくとも部分的に前記採点された候補医療問題に基づいて医療問題リストを生成することをさらに含む、請求項２に記載のコンピュータによって実施される方法。
  4. 前記電子患者データ・セットは、複数の候補医療問題と、各候補医療問題に関連する複数の属性とを備える、請求項３に記載のコンピュータによって実施される方法。
  5. 前記複数の属性のうちの少なくともいくつかは、問題特有の属性である、請求項４に記載のコンピュータによって実施される方法。
  6. 前記機械学習技術は、複数のカテゴリのそれぞれにおける複数の訓練属性のそれぞれを使用すること、および前記複数のカテゴリの各カテゴリごとに１つの予測モデルを生成する二値分割またはマルチクラス分割を実行することを含む、請求項１に記載のコンピュータによって実施される方法。
  7. 候補問題リストから閾値を下回る点数を有するすべての候補医療問題を取り除くべく前記採点された候補医療問題をフィルタリングすることであって、前記閾値は、前記電子医療記録データに基づく学習された値である、前記フィルタリングすることをさらに含む、請求項２に記載のコンピュータによって実施される方法。
  8. 医療問題リストを生成するためのコンピュータ・プログラムであって、
    プロセッサに、請求項１～７のいずれか１項に記載の方法の各ステップを実行させる前記コンピュータ・プログラム。
  9. 医療問題リストを生成するための処理システムであって、
    １つまたは複数のタイプのメモリと通信しているプロセッサを備え、前記プロセッサは、請求項１～７のいずれか１項に記載の方法の各ステップを実行する前記処理システム。
  10. 医療カテゴリ・モデルを生成するためのコンピュータによって実施される方法であって、
    プロセッサによって、
    複数の最上レベル疾病カテゴリを受信すること、
    電子健康記録システムに記憶された電子医療記録である電子患者記録訓練セットから複数の候補訓練問題を、医療オントロジを使用して抽出することであって、前記医療オントロジは複数の概念一意識別子を含み、該概念一意識別子は、医学的に関係した問題を識別する合意されたまたは承認された意味術語を提供する標準化された用語を含み、前記医療オントロジを使用して、前記電子患者記録訓練セット中の前記用語を識別し、且つ該用語が前記概念一意識別子により分類され、及び、前記候補訓練問題は、医療専門家が、患者に医療ケアを提供する過程において積極的に関与することも、監視することもしない医療問題、解決された医学的な問題若しくは決定、又は解決されていない医学的な問題若しくは決定を含む、前記抽出すること、
    前記候補訓練問題のそれぞれを前記複数の最上レベル疾病カテゴリに割り当てること、
    機械学習技術によって前記割り当てられた候補訓練問題に基づいて、前記複数の最上レベル疾病カテゴリのそれぞれに関する疾病カテゴリ・モデルを生成すること、および
    前記複数の最上レベル疾病カテゴリのそれぞれに関する前記疾病カテゴリ・モデルに電子医療記録データを適用することによって、医療問題リストを生成すること
    を含む、前記方法。
  11. 前記プロセッサによって、
    複数の属性、および複数の電子医療記録から導き出された訓練データのセットに対して一変量属性選択を実行すること、
    少なくとも部分的に前記一変量属性選択に基づいて、複数の格付けされた属性を作成すること、
    閾値を超える格付けを備える格付けされた属性を選択すること、ならびに
    ピアソン相関を使用して冗長な属性を取り除くこと
    をさらに含む、請求項１０に記載のコンピュータによって実施される方法。
  12. 前記プロセッサによって、薬剤特有の属性を特定することをさらに含む、請求項１１に記載のコンピュータによって実施される方法。
  13. 前記プロセッサによって、患者属性を特定することをさらに含む、請求項１１に記載のコンピュータによって実施される方法。
  14. 医療カテゴリ・モデルを生成するための処理システムであって、
    １つまたは複数のタイプのメモリと通信しているプロセッサを備え、前記プロセッサは、請求項１０～１３のいずれか１項に記載の方法の各ステップを実行する前記処理システム。
JP2019564975A 2017-06-01 2018-05-30 医療記録問題リスト生成 Active JP7164843B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/611,144 2017-06-01
US15/611,144 US11081215B2 (en) 2017-06-01 2017-06-01 Medical record problem list generation
PCT/IB2018/053845 WO2018220550A1 (en) 2017-06-01 2018-05-30 Medical record problem list generation

Publications (2)

Publication Number Publication Date
JP2020522062A JP2020522062A (ja) 2020-07-27
JP7164843B2 true JP7164843B2 (ja) 2022-11-02

Family

ID=64454558

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019564975A Active JP7164843B2 (ja) 2017-06-01 2018-05-30 医療記録問題リスト生成

Country Status (4)

Country Link
US (1) US11081215B2 (ja)
JP (1) JP7164843B2 (ja)
CN (1) CN110651332A (ja)
WO (1) WO2018220550A1 (ja)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11139048B2 (en) * 2017-07-18 2021-10-05 Analytics For Life Inc. Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions
US11062792B2 (en) 2017-07-18 2021-07-13 Analytics For Life Inc. Discovering genomes to use in machine learning techniques
US11488713B2 (en) * 2017-08-15 2022-11-01 Computer Technology Associates, Inc. Disease specific ontology-guided rule engine and machine learning for enhanced critical care decision support
JP2019118461A (ja) * 2017-12-28 2019-07-22 株式会社 ディー・エヌ・エー 情報処理装置及び情報処理プログラム
US11152121B2 (en) * 2019-01-31 2021-10-19 International Business Machines Corporation Generating clinical summaries using machine learning
US11749384B2 (en) * 2021-01-29 2023-09-05 Merative Us L.P. Code point resolution using natural language processing and metathesaurus
CN112800283B (zh) * 2021-01-29 2023-03-14 重庆恒真维实医药科技有限公司 一种基于药代动力学的医学数据库的建立方法
IL281746B2 (en) * 2021-03-22 2023-08-01 Mor Research Applic Ltd Machine learning models for designating subjects for the purpose of treatment and/or assessment
CN113076430B (zh) * 2021-04-19 2024-01-30 北京搜狗科技发展有限公司 一种基于医疗问题的数据处理方法及装置
CN113345577B (zh) * 2021-06-18 2022-12-20 北京百度网讯科技有限公司 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质
CN115938593B (zh) * 2023-03-10 2023-06-02 武汉大学人民医院（湖北省人民医院） 病历信息的处理方法、装置、设备及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080201280A1 (en) 2007-02-16 2008-08-21 Huber Martin Medical ontologies for machine learning and decision support
JP2009093309A (ja) 2007-10-05 2009-04-30 Hitachi Ltd バリアンス原因フィルタリングシステム
JP2014512624A (ja) 2011-04-20 2014-05-22 ザ クリーブランド クリニック ファウンデーション 予測モデリング
JP2016181255A (ja) 2015-03-23 2016-10-13 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 個別化予測モデルを用いた、個人レベルのリスク・ファクタの識別およびランク付け
US20170140114A1 (en) 2015-11-13 2017-05-18 Cerner Innovation, Inc. Machine learning clinical decision support system for risk categorization

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7127407B1 (en) 1999-04-29 2006-10-24 3M Innovative Properties Company Method of grouping and analyzing clinical risks, and system therefor
US20020147615A1 (en) 2001-04-04 2002-10-10 Doerr Thomas D. Physician decision support system with rapid diagnostic code identification
US20060129427A1 (en) * 2004-11-16 2006-06-15 Health Dialog Services Corporation Systems and methods for predicting healthcare related risk events
US7801841B2 (en) * 2005-06-20 2010-09-21 New York University Method, system and software arrangement for reconstructing formal descriptive models of processes from functional/modal data using suitable ontology
US8005643B2 (en) * 2007-06-26 2011-08-23 Endeca Technologies, Inc. System and method for measuring the quality of document sets
US20100145720A1 (en) * 2008-12-05 2010-06-10 Bruce Reiner Method of extracting real-time structured data and performing data analysis and decision support in medical reporting
CN102222153A (zh) 2010-01-27 2011-10-19 洪文学 中医机器问诊数量化辩证诊断方法
US9002769B2 (en) * 2012-07-03 2015-04-07 Siemens Aktiengesellschaft Method and system for supporting a clinical diagnosis
AU2014223375B2 (en) 2013-03-01 2017-05-25 Solventum Intellectual Properties Company Systems and methods for requesting medical information
US10380497B2 (en) * 2014-02-13 2019-08-13 Conduent Business Services, Llc Methods and systems for analyzing healthcare data
US11488690B2 (en) 2014-02-21 2022-11-01 Intelligent Medical Objects, Inc. System and method for problem list reconciliation in an electronic medical record
US11710554B2 (en) 2014-03-26 2023-07-25 Steward Health Care System Llc Method for diagnosis and documentation of healthcare information
US10133847B2 (en) 2014-06-10 2018-11-20 International Business Machines Corporation Automated medical problem list generation from electronic medical record
US10311206B2 (en) 2014-06-19 2019-06-04 International Business Machines Corporation Electronic medical record summary and presentation
CN105912846A (zh) 2016-04-07 2016-08-31 南京小网科技有限责任公司 基于云计算和医学知识库技术的智能医疗辅助决策系统
CN106682095B (zh) 2016-12-01 2019-11-08 浙江大学 基于图的主题描述词预测及排序方法
CN106777971A (zh) 2016-12-15 2017-05-31 杭州卓健信息科技有限公司 一种智能导诊方法及其装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080201280A1 (en) 2007-02-16 2008-08-21 Huber Martin Medical ontologies for machine learning and decision support
JP2009093309A (ja) 2007-10-05 2009-04-30 Hitachi Ltd バリアンス原因フィルタリングシステム
JP2014512624A (ja) 2011-04-20 2014-05-22 ザ クリーブランド クリニック ファウンデーション 予測モデリング
JP2016181255A (ja) 2015-03-23 2016-10-13 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 個別化予測モデルを用いた、個人レベルのリスク・ファクタの識別およびランク付け
US20170140114A1 (en) 2015-11-13 2017-05-18 Cerner Innovation, Inc. Machine learning clinical decision support system for risk categorization

Also Published As

Publication number Publication date
WO2018220550A1 (en) 2018-12-06
JP2020522062A (ja) 2020-07-27
US11081215B2 (en) 2021-08-03
US20180349555A1 (en) 2018-12-06
CN110651332A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
JP7164843B2 (ja) 医療記録問題リスト生成
US11581070B2 (en) Electronic medical record summary and presentation
US10133847B2 (en) Automated medical problem list generation from electronic medical record
US11232365B2 (en) Digital assistant platform
Song et al. Robust clinical marker identification for diabetic kidney disease with ensemble feature selection
Jensen et al. Mining electronic health records: towards better research applications and clinical care
US11847411B2 (en) Obtaining supported decision trees from text for medical health applications
US11532387B2 (en) Identifying information in plain text narratives EMRs
US20210183526A1 (en) Unsupervised taxonomy extraction from medical clinical trials
Hunter-Zinck et al. Predicting emergency department orders with multilabel machine learning techniques and simulating effects on length of stay
US11200985B2 (en) Utilizing unstructured literature and web data to guide study design in healthcare databases
US11694815B2 (en) Intelligent ranking of sections of clinical practical guidelines
CN114360711A (zh) 通过句法-语义对准和话语分析进行的基于多案例的推理
Baechle et al. A framework for the estimation and reduction of hospital readmission penalties using predictive analytics
US11823775B2 (en) Hashing electronic records
US20200219617A1 (en) Apparatus and method for initial information gathering from patients at the point of care
US11443384B2 (en) Intelligent policy covery gap discovery and policy coverage optimization
US11301772B2 (en) Measurement, analysis and application of patient engagement
Lee et al. Multi-site best practice discovery: from free text to standardized concepts to clinical decisions
US11942226B2 (en) Providing clinical practical guidelines
US11456082B2 (en) Patient engagement communicative strategy recommendation
CN113688854A (zh) 数据处理方法、装置及计算设备
US11481561B2 (en) Semantic linkage qualification of ontologically related entities
US20170286631A1 (en) Text analytics on relational medical data
US20240071623A1 (en) Patient health platform

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200526

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201021

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20211015

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211019

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20220112

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220112

RD12 Notification of acceptance of power of sub attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7432

Effective date: 20220112

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20220113

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20220502

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220527

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220606

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20220606

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: 20220928

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20220930

RD14 Notification of resignation of power of sub attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7434

Effective date: 20220930

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221006

R150 Certificate of patent or registration of utility model

Ref document number: 7164843

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150