JP7260315B2 - 服薬指導支援装置および服薬指導支援システム - Google Patents

服薬指導支援装置および服薬指導支援システム Download PDF

Info

Publication number
JP7260315B2
JP7260315B2 JP2019018750A JP2019018750A JP7260315B2 JP 7260315 B2 JP7260315 B2 JP 7260315B2 JP 2019018750 A JP2019018750 A JP 2019018750A JP 2019018750 A JP2019018750 A JP 2019018750A JP 7260315 B2 JP7260315 B2 JP 7260315B2
Authority
JP
Japan
Prior art keywords
character string
vector
learning model
patient
instructional
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
JP2019018750A
Other languages
English (en)
Other versions
JP2020042758A (ja
Inventor
莫東 談
祐一郎 清水
直幸 六車
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.)
PHC Holdings Corp
Original Assignee
PHC Holdings 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 PHC Holdings Corp filed Critical PHC Holdings Corp
Publication of JP2020042758A publication Critical patent/JP2020042758A/ja
Application granted granted Critical
Publication of JP7260315B2 publication Critical patent/JP7260315B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Medical Treatment And Welfare Office Work (AREA)

Description

本開示は、薬剤とともに患者に提供されるべき服薬指導文書を作成する支援を行う服薬指導支援装置および服薬指導支援システムに関する。
処方箋に基づいて薬剤師が患者に薬を渡すとき、薬に関する情報の提供を行うことが義務づけられている。このような行為は一般に服薬指導と呼ばれる。薬に関する情報には、薬効や服薬方法、保管方法、服薬の意義、禁忌等、様々な情報が含まれる。薬剤師による服薬指導では、薬に関する情報の全てが患者に伝えられる必要はなく、患者に必要な情報のみが抽出されて提供されることが望ましい。
服薬指導の際には、患者から処方箋を受け取った薬剤師は、処方箋に基づいて薬を用意するとともに、その薬に関する様々な情報の中から、その患者に必要な情報を素早く抽出する必要がある。しかしながら、薬に関する様々な情報の中から、患者に必要な情報を素早く抽出することは容易ではなく、薬剤師の技量によっては、必ずしも患者に最適な服薬指導を行えていない場合がある。これらの事情から、薬剤師の技量によらず、様々な情報の中から患者に必要な情報を抽出して、好適な服薬指導を行うことが要望されている。
服薬指導を支援するシステムとして、例えば特許文献１に開示された技術がある。特許文献１には、患者に対して行われるべき最適な服薬指導方針データおよびその確信度を服薬指導上のルールＩＤと共に迅速に出力することができる服薬指導支援システムが開示されている。
特開平８－２７２８８２号公報
特許文献１に開示された技術では、患者に関する各種データに基づいて服薬指導方針の推論を行い、推論した服薬指導方針の妥当性を示す確信度データを生成するものの、服薬指導方針の内容そのものについての検討は行っていない。このため、推論した服薬指導方針の妥当性が低い場合には適切な服薬指導方針を出力することができない。
本開示の目的は、薬に関する様々な情報の中から患者に必要な情報を抽出して、患者に適した服薬指導を行うことができる服薬指導支援装置および服薬指導支援システムを提供することである。
本発明の服薬指導支援装置は、患者に関する患者データおよび薬剤に対応した服薬指導用の複数の文字列に基づいて、患者ベクトルおよび複数の文字列ベクトルを生成するベクトル生成部と、前記患者ベクトルおよび複数の前記文字列ベクトルの入力に対して、前記患者ベクトルとの類似度が大きい順に前記複数の文字列ベクトルを出力する、または、前記文字列ベクトル毎に、前記文字列ベクトルに対応する文字列が前記患者ベクトルに対応する患者にとって必要な情報を含む度合いを示す確信度を出力するように学習処理が施された学習モデルを生成する学習モデル生成部と、前記学習モデルから前記類似度が大きい順に並べ替えられて出力された前記複数の文字列ベクトルのそれぞれに対応する前記複数の文字列から、上位所定数の前記文字列ベクトルに対応する前記文字列を抽出する、または、前記学習モデルから出力された前記確信度に基づいて前記複数の文字列から前記文字列を抽出する文字列抽出部と、を有する。
本発明の服薬指導支援システムは、患者に関する患者データおよび薬剤に対応した服薬指導用の複数の文字列に基づいて、患者ベクトルおよび複数の文字列ベクトルを生成するベクトル生成部と、前記患者ベクトルおよび複数の前記文字列ベクトルの入力に対して、前記患者ベクトルとの類似度が大きい順に前記複数の文字列ベクトルを出力する、または、前記文字列ベクトル毎に、前記文字列ベクトルに対応する文字列が前記患者ベクトルに対応する患者にとって必要な情報を含む度合いを示す確信度を出力するように学習処理が施された学習モデルを生成する学習モデル生成部と、前記学習モデルから前記類似度が大きい順に並べ替えられて出力された前記複数の文字列ベクトルのそれぞれに対応する前記複数の文字列から、上位所定数の前記文字列ベクトルに対応する前記文字列を抽出する、または、前記学習モデルから出力された前記確信度に基づいて前記複数の文字列から前記文字列を抽出する文字列抽出部と、抽出された前記文字列が、薬剤師により作成される服薬指導文書に使用された回数に基づいて、前記文字列に対応する前記文字列ベクトルに対する重み付け値を決定する重み付け部と、を有する複数の服薬指導支援装置と、サーバ装置と、前記複数の服薬指導支援装置と前記サーバ装置とを接続している所定のネットワークと、を有し、前記サーバ装置は、複数の前記服薬指導支援装置から送信された前記重み付け値に基づいて、それぞれの服薬指導支援装置において用いられる前記学習モデルを生成または更新する。
本発明によれば、薬に関する様々な情報の中から患者に必要な情報を抽出して、患者に適した服薬指導を行うことができる。
服薬指導支援装置を含む服薬指導支援システムの構成例を示す図 服薬指導支援装置のハードウェア構成の一例を示す図 第１の実施の形態における服薬指導支援装置の機能構成の一例を示すブロック図 添付文書について例示した図 患者データに基づく患者ベクトルの生成について例示した図 指導文に基づく指導文ベクトルの生成について例示した図 指導文表示部による表示画面を例示した図 重み付け部による重み付けの例について説明するための図 第２の実施の形態における服薬指導支援装置の機能構成の一例を示すブロック図 第３の実施の形態に係る服薬指導支援装置の機能構成の一例を示すブロック図 第３の実施の形態において用いられる教師データを例示した図 第３の実施の形態における学習モデルの概念図 第４の実施の形態における教師データを例示した図 第５の実施の形態に係る服薬指導支援装置の機能構成を示すブロック図 第６の実施の形態に係る服薬指導支援装置の機能構成を示すブロック図 第６の実施の形態の教師データを生成するための収集データの例を示す図 図１５に示す収集データに基づいて生成された処方箋教師データの例を示す図 図１５に示す収集データに基づいて生成された処方箋教師データの例を示す図 図１５に示す収集データに基づいて生成された処方箋教師データの例を示す図 処方箋教師データの他の例を示す図 処方箋教師データの他の例を示す図 チェック欄および指導文を表示させるためのボタンの表示例を示す図
以下、本発明の各実施の形態について図面を参照して詳細に説明する。ただし、必要以上に詳細な説明、例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明等は省略する場合がある。以下の説明及び参照される図面は、当業者が本発明を理解するために提供されるものであって、本発明の請求の範囲を限定するためのものではない。
（第１の実施の形態）
まず、本発明の第１の実施の形態に係る服薬指導支援装置１０について説明する。
＜システム構成＞
図１は、服薬指導支援装置１０を含む服薬指導支援システム１の構成例を示す図である。図１に示すように、服薬指導支援システム１は、薬局Ｐに設置された服薬指導支援装置１０と、この服薬指導支援装置１０と通信ネットワークＮを介して接続された服薬指導支援サーバ２０と、を有する。図１に示すように、服薬指導支援システム１において、複数の服薬指導支援装置１０が複数の薬局Ｐにそれぞれ設置されることが想定されている。服薬指導支援システム１に含まれる服薬指導支援装置１０の数及び服薬指導支援装置１０が設置される薬局の数については、本発明では特に限定しない。
服薬指導支援装置１０は、薬局Ｐに勤務する薬剤師が操作する端末であり、例えばＰＣ（Personal Comupter）やタブレット端末等の一般的なコンピュータである。服薬指導支援装置１０は、薬局Ｐを訪れた患者が有する処方箋に関する情報と、その患者に関する情報とに基づいて、薬剤師が薬剤とともに患者に提供するべき服薬指導文書を作成するための支援を行う。なお、本明細書において、服薬指導とは、薬剤師が患者に対して、その患者に処方された薬剤に関する情報提供を行うことを意味しており、服薬指導文書とは、薬剤に関する情報を含む文章等の文字列が記載された文書を意味する。服薬指導文書に記載された文章等の文字列を、以下では指導文と記載する。
服薬指導支援サーバ２０は、複数の薬局Ｐに設置された服薬指導支援装置１０と、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、またはインターネット回線等の通信ネットワークＮを介して接続されているサーバ装置である。服薬指導支援サーバ２０は、例えばクラウドサーバである。服薬指導支援サーバ２０は、複数の服薬指導支援装置１０において服薬指導文書の作成時に使用された情報を、通信ネットワークＮを介して服薬指導支援装置１０から受信し、図示しない記憶装置に記憶する。また、服薬指導支援サーバ２０は、服薬指導支援装置１０からの要求に応じて、服薬指導支援装置１０における服薬指導文書の作成時に使用される情報を、通信ネットワークＮを介して服薬指導支援装置１０に送信する。
＜服薬指導支援装置１０の構成＞
図２は、服薬指導支援装置１０のハードウェア構成の一例を示す図である。
服薬指導支援装置１０は、例えば、ＣＰＵ１０１、ＲＯＭ１０２、ＲＡＭ１０３、外部記憶装置１０４、通信インターフェイス１０５、入力装置１０６、および出力装置１０７等を備えたコンピュータである。外部記憶装置１０４の例としては、ＨＤＤ、ＳＳＤ、またはフラッシュメモリ等が挙げられる。通信インターフェイス１０５の例としては、ＬＡＮ回線用の通信コントローラ等が挙げられる。入力装置１０６の例としては、キーボード、マウス、タッチパネル、スキャナ、バーコードリーダ等が挙げられる。出力装置１０７の例としては、ＣＲＴや液晶等のディスプレイ装置、プリンタ等が挙げられる。
服薬指導支援装置１０の後述する各機能は、例えば、ＣＰＵ１０１がＲＯＭ１０２、ＲＡＭ１０３、及び外部記憶装置１０４等に記憶された処理プログラムや各種データを参照することによって実現される。但し、上記した各機能の一部または全部は、ソフトウェアによる処理に代えて、またはソフトウェアによる処理と共に、専用のハードウェア回路による処理によって実現されてもよい。
図３は、第１の実施の形態における服薬指導支援装置１０の機能構成の一例を示すブロック図である。
図３に示すように、服薬指導支援装置１０は、処方箋データ取得部１１、薬剤情報文書データ取得部１２、薬剤情報文書データベース（ＤＢ）１３、患者データ取得部１４、患者ＤＢ１５、ベクトル生成部１６、学習モデル生成部１７、学習モデルＤＢ１８、指導文抽出部１９、順位付け部１１０、指導文表示部１１１、選択受付部１１２、服薬指導文書データ生成部１１３、重み付け部１１４を有する。
図１に示すように、服薬指導支援装置１０は薬局Ｐに設置されており、薬局Ｐに勤務する薬剤師によって操作される。医師から入手した処方箋を持った患者が薬局Ｐを訪れると、薬剤師は、入力装置１０６（図２参照）を用いて、処方箋に記載された処方箋に関する情報（以下、処方箋データと記載する）を服薬指導支援装置１０に入力する。服薬指導支援装置１０への処方箋データの入力方法は、例えば薬剤師がマウス、キーボード、タッチパネル等を用いて直接入力する方法の他、処方箋に記載された、処方箋データを表すバーコードや２次元コード等をスキャナ（リーダ装置）等でスキャンする方法等が採用されうる。
処方箋データ取得部１１は、入力された処方箋データを取得する。処方箋データには、例えば、その処方箋を有する患者の氏名、生年月日、性別、保険者番号等の情報等の患者に関する情報、および、その患者に処方された薬剤の名称、分量、使用部位、使用時点、使用量等の薬剤に関する情報が含まれる。
薬剤情報文書データ取得部１２は、処方箋データに基づいて、患者に処方された薬剤に対応する全指導文に関するデータを薬剤情報文書ＤＢ１３から取得する。指導文とは、薬剤に関する情報提供のための薬剤情報文書に記載された文章である。薬剤情報文書とは、薬事法第５２条に規定される記載事項が記載された添付文書や、くすりのしおり（登録商標）、任意の薬剤情報提供書等、例えば薬剤を製造する医薬品メーカー等から提供されたり、薬剤師の有志によって提供されたりしたものである。
薬剤情報文書は、複数の項目を含み、各項目には、小項目が含まれうる。薬剤情報文書の各項目または小項目には、１または複数の文章、または単語の羅列等の文字列が含まれる。この薬剤情報文書に含まれる文字列を、本明細書では指導文と記載している。この指導文は、本発明における服薬指導用の文字列の一例である。薬剤情報文書の一例としての添付文書には、例えば、「名称」、「禁忌」、「効能・効果」、「用法・用量」、「慎重投与」、「重要な基本的注意」、「相互作用」、「副作用」等の項目が含まれる。これらの各項目には、小項目が含まれうる他、薬剤の性質について説明する指導文、および／または薬剤の使用方法や注意点等に関する指導文等が含まれる。
図４は、添付文書について例示した図である。図４に示す例では、「禁忌」、「慎重投与」、「重要な基本的注意」、「相互作用」、「副作用」等の各項目には、それぞれ複数の指導文（図４では（１）、（２）、（３）・・・等で示される）が含まれている。これらの複数の指導文には、特定の患者には必要がない内容のものも含まれているため、薬局Ｐにおいて、特定の患者に対する服薬指導のために提供される服薬指導文書を作成するには、その患者に必要な内容の指導文が抽出されることが望ましい。
そこで、本実施の形態に係る服薬指導支援装置１０では、以下説明するように、患者に合わせて必要な情報を含む指導文を抽出して提供するようにしている。患者に合わせて必要な情報を含む指導文を抽出する具体的な方法については、後述する。
図３の説明に戻る。患者データ取得部１４は、処方箋データおよび患者ＤＢ１５に基づいて、患者に関する情報（以下、患者データと称する）を取得する。患者データには、患者の氏名、生年月日、性別、疾患、保険者番号等の患者本人に関する情報や、その患者に対する過去の調剤内容や指導履歴等の薬歴情報等が含まれうる。患者ＤＢ１５には、患者本人に関する情報と、その患者の薬歴情報とが関連づけられてデータベース化されている。ただし、服薬指導支援装置１０において用いられる患者データとしては、患者本人に関する情報と、その患者の薬歴情報が全て含まれる必要はなく、その一部のみが用いられてもよい。本実施の形態では、患者データには例えば性別、年齢等の情報が少なくとも含まれる。患者ＤＢ１５に登録されていない新たな患者が薬局Ｐを訪れた場合、薬剤師によって、例えば患者から患者データに関する聞き取りを行い、新規患者データを患者ＤＢ１５に登録する作業等が行われてもよい。
ベクトル生成部１６は、薬剤情報文書データ取得部１２が取得した指導文に関するデータ、および患者データ取得部１４が取得した患者データに基づいて、指導文ベクトルおよび患者ベクトルを生成する。指導文ベクトルとは、薬剤情報文書に含まれる各指導文をベクトル変換したものであり、患者ベクトルとは、患者データの各項目の内容をベクトル変換したものである。指導文および患者データをベクトル変換する具体例な方法としては、例えば文章あるいは患者データ中に含まれる単語の出現回数をカウントするBag of Wordsや、単語そのものをベクトル変換するWord2Vec等が採用されうる。より精度のよいベクトル変換のため、医療用語辞書等を用いて学習された学習モデルを用いてもよい。なお、指導文ベクトルは本発明の文字列ベクトルの一例である。
図５は、患者データおよび指導文のベクトル変換の例について説明するための図である。図５Ａは患者データに基づく患者ベクトルの生成について例示した図であり、図５Ｂは指導文に基づく指導文ベクトルの生成について例示した図である。
図５Ａでは、患者データの項目として、「年齢」、「性別」、「妊婦」、「授乳」、「新規」、「アレルギー」、「併用薬」、「高血圧」、「腎機能障害」、「肝機能障害」、「前回同じ指導済み」等が設けられている。「データ内容」行は各項目に対応した内容を示し、このデータ内容をベクトル変換したものが「ベクトル値」行に示されている。図５Ａに示す例では、年齢および性別を除いて、単にデータ内容が「あり」または「ＹＥＳ」である項目のベクトル値を「１」、データ内容が「なし」または「ＮＯ」である項目のベクトル値を「０」とした場合について例示している。このような方法により、患者データの項目数と同じ次元を有する患者ベクトルが生成される。
なお、ここでは、患者データの項目数と同じ次元を有するように患者ベクトルを生成したが、よりユニークに表現するために次元を拡張してもよい。例えばＥｎｔｉｔｙ Ｅｍｂｅｄｄｉｎｇｓ（Entity Embeddings of Categorical Variables）という手法を用いれば、患者データの各項目を任意の次元に拡張して表現することができる。
図５Ｂでは、図４に例示した薬剤情報文書の項目「重要な基本的注意」に例示した指導文（１）から（３）をベクトル変換した例が示されている。図５Ｂに示すように、指導文（１）には、「両側性」、「腎動脈狭窄」、「患者」、「使用」、「避ける」等の単語が出現しており、この場合これらの各単語の出現回数がカウントされ、カウント値がベクトル値に対応している。このような方法により、単語数と同じ次元を有する指導文ベクトルが生成される。なお、図５Ｂでは指導文中に出現する単語の一部のみ示しているが、実際には全ての単語について出現回数のカウントが行われる。
各指導文から単語を抽出する方法については、例えば既知の形態素解析の手法を適用することができる。また、１つの単語として扱われるべき単語が複数に分割されることを防止するため、例えば医療用語辞書等を併用して形態素解析を行うことが望ましい。具体的には、例えば「間質性肺炎」という単語が「間」、「質性」、「肺炎」等と３つの単語に分割されてしまうと精度のよい指導文ベクトルを生成するためには好適ではないため、「間質性肺炎」が１つの単語として登録された医療用語辞書を用いることでこれを防止する例が挙げられる。
また、図５Ｂに示す例では、各単語の出現回数をそのままベクトル値として使用する方法（Bag-of-Words）が採用されているが、本発明はこれに限定されず、他の方法を採用してもよい。例えば、ＴＦ－ＩＤＦ等、より文章中の特徴的な単語を評価するような手法を採用することができる。また、Word2vec等、単語毎に意味をベースにベクトル変換を行い、指導文に出現する全単語のベクトルに基づいて指導文ベクトルを生成するようにしてもよい。
図３の説明に戻る。学習モデル生成部１７は、ベクトル生成部１６が生成した患者ベクトルおよび指導文ベクトルを教師データとして機械学習を行い、学習モデルを生成する。より具体的には、学習モデル生成部１７が用いる教師データは、複数の患者に対応する患者ベクトルと、過去にそれぞれの患者に対して提供された指導文に対応する指導文ベクトルとが互いに対応づけられた教師データである。
本第１の実施の形態において、学習モデル生成部１７が生成する学習モデルは、患者ベクトルおよび複数の指導文ベクトルの入力に対して、その患者ベクトルとの類似の度合いが大きい順に指導文ベクトルを並べ替えて出力するように学習されたモデルである。
患者ベクトルと指導文ベクトルとの類似の度合いは、例えばベクトル間の類似度を算出することにより判断される。類似度の算出方法としては、例えばコサイン類似度等の既知の手法が採用されうる。コサイン類似度とは、正規化したベクトル同士の内積を用いて算出する、２つのベクトル同士の成す角度の近さを示す値である。コサイン類似度では、２つのベクトル同士の向きが近いほど１に近い値となり、これらのベクトルが類似していることが示される。学習モデル生成部１７にて生成された学習モデルは、学習モデルＤＢ１８に登録され、必要に応じて指導文抽出部１９に読み出される。
なお、学習モデルＤＢ１８には、通信ネットワークＮを介して服薬指導支援サーバ２０（図１参照）から、後述の再学習により新規作成または更新された学習モデルが送信される。学習モデルＤＢ１８は、新規作成または更新された学習モデルを受信すると、登録された学習モデルを新たに受信した学習モデルで随時更新する。
学習モデル生成部１７による学習モデルの生成は、例えば薬局Ｐにおける服薬指導支援装置１０の稼働前に行われていることが望ましいが、本発明では必ずしも服薬指導支援装置１０の稼働前に学習モデルの生成が行われていなくてもよい。すなわち、薬局Ｐにおいて服薬指導支援装置１０が稼働した状態で、新たな患者の患者ベクトルと、その患者に対して薬剤師が作成した指導文の指導文ベクトルとを新たな教師データとして、随時学習モデルを更新し続ける（任意のタイミングで追加学習、もしくは再学習する）ような形態を採用してもよい。
上記説明では、服薬指導支援装置１０が学習モデル生成部１７を有している例について説明したが、学習モデル生成部１７は、服薬指導支援装置１０内に存在しなくてもよい。すなわち、学習モデル生成部１７は、例えば通信ネットワークＮを介して通信可能な他の装置内、例えば服薬指導支援サーバ２０内に存在してもよい。この場合、服薬指導支援装置１０は、モデル生成に必要な情報（患者ベクトルおよび指導文ベクトル）を通信ネットワークＮを介して服薬指導支援サーバ２０に伝達して学習モデルを生成するというような形態を採用してもよい。
指導文抽出部１９は、学習モデルＤＢ１８から読み出した学習モデルを用いて、薬剤情報文書中の項目毎に、患者に提供する服薬指導文書に含まれるべき指導文を抽出する。具体的には、指導文抽出部１９は、ベクトル生成部１６から、新たな患者ベクトルと、その患者に処方された薬剤の薬剤情報文書に含まれる全指導文の指導文ベクトルとを取得し、全指導文の指導文ベクトルを項目毎の指導文ベクトルに分類する。そして、指導文抽出部１９は、患者ベクトルと項目毎の指導文ベクトルとを学習モデルに入力し、患者ベクトルとの類似度が大きい順に並べ替えられた指導文ベクトルの出力を得る。そして、指導文抽出部１９は、出力された指導文ベクトルの上位所定数（例えば１つ）の指導文ベクトルに対応する指導文を抽出する。これにより、指導文抽出部１９は、薬剤情報文書に含まれる指導文の中から、項目毎に、患者との関連性が大きい指導文を抽出することができる。例えば図４に例示した薬剤情報文書の場合、指導文抽出部１９は、項目「禁忌」から１つ、「効能・効果」から１つ、「用法・用量」から１つ、というように指導文を抽出することができる。
順位付け部１１０は、学習モデルＤＢ１８から読み出した学習モデルを用いて、指導文抽出部１９が薬剤情報文書の項目毎に抽出した指導文の順位付けを行う。具体的には、順位付け部１１０は、患者ベクトルと、項目毎に抽出された指導文ベクトルと、を学習モデルに入力し、患者ベクトルとの類似度が大きい順に並べ替えられた指導文ベクトルの出力を得る。これにより、順位付け部１１０は、より患者にとって関連性が高い項目の指導文を、より上位に順位付けすることができる。
指導文表示部１１１は、指導文抽出部１９によって抽出された項目毎の指導文を、順位付け部１１０によって順位付けされた順位の通りに、出力装置１０７（図２参照）に表示させる。図６は、出力装置１０７がディスプレイ装置である場合の、指導文表示部１１１による表示画面を例示した図である。
図６では、表示画面２００内に指導文表示欄２０１が表示された例が示されている。指導文表示欄２０１には、複数の項目の指導文が順位付けされた順番で表示されている。図６では、項目毎のフィルタ機能により、例えば薬剤師によって選択された項目のみ表示されるようになっている。また、指導文表示欄２０１には、「キーワード」列が設けられており、その指導文が抽出される根拠となった単語が表示されている。このようなキーワードの抽出方法としては、例えば抽出された指導文の指導文ベクトルと、学習モデル生成のための教師データに用いられた患者データの項目名（「性別」、「妊婦」等）をベクトル変換したものとの類似度を算出し、指導文ベクトルとの類似度が大きい項目名をキーワードとする方法が採用されうる。このような方法を用いたキーワードの抽出は、例えば指導文表示部１１１によって実行されればよい。
選択受付部１１２は、指導文表示部１１１が表示した複数項目の指導文のうち、薬剤師が患者に提供するべきと判断したものの選択を受け付ける。薬剤師による選択は、例えば図２に示す入力装置１０６（マウス、キーボード、タッチパネル等）によって行われればよい。
服薬指導文書データ生成部１１３は、選択受付部１１２が受け付けた薬剤師の選択に基づいて、選択された指導文を含む服薬指導文書データを生成する。服薬指導文書データは、指導文抽出部１９によって項目毎に抽出され、順位付け部１１０によって項目毎に順位づけされた指導文のうち、薬剤師によって選択された指導文が記載された文書データである。服薬指導文書データ生成部１１３は、生成した服薬指導文書データを出力装置１０７（図２参照、例えばプリンタ等）へ出力する。これにより、例えば服薬指導文書データが印刷されて、薬剤とともに患者に提供される。なお、服薬指導文書データは印刷されるのではなく、例えば患者の有する携帯端末等に表示されてもよい。
また、服薬指導文書データ生成部１１３は、生成した服薬指導文書データを、患者ＤＢ１５において、患者の薬歴データと関連づけて登録するようにしてもよい。
なお、本実施の形態では、服薬指導文書データ生成部１１３が生成した服薬指導文書データに含まれる指導文は、添付文書、くすりのしおり、または薬剤情報提供書に基づく文章（または文字列）であり、必ずしも患者にとってわかりやすい文章とは限らない。患者にとってわかりやすい文章が記載された服薬指導文書を提供するため、服薬指導文書データ生成部１１３は、指導文の文章形式を例えば口語体に変換する口語体変換処理を行ってもよい。
口語体変換処理には、例えばsequence to sequence（seq2seq）等の機械学習モデルを用いることができる。口語体変換処理に用いられる学習モデルを生成するための教師データには、例えば医療用語辞書が用いられることが好適である。このような処理により、平易でわかりやすい指導文が記載された服薬指導文書を患者に対して提供することができる。ここで、服薬指導支援装置１０における機械学習の設計を容易にするため、順位付け部１１０によって順位付けされた順に、口語体変換処理を１文ずつ行うようにすることが好適である。
一方、重み付け部１１４は、選択受付部１１２が受け付けた、薬剤師による指導文の選択または非選択に基づいて、学習モデル生成部１７における学習モデル生成の際に使用される教師データに対する重み付け値を設定する。図７は、重み付け部１１４による重み付けの例について説明するための図である。
図７には、重み付け前の教師データと、重み付け部１１４による重み付け後の教師データと、が例示されている。図７に示す例では、教師データに含まれる３つの指導文（文１、文２、文３）のうち、文１が非選択、文２および文３が選択された場合が示されている。図７に示す例では、文１は非選択であったため、文１に出現する全ての単語に対応したベクトル値（上記した指導文ベクトル）には０．５倍の重み付けがなされる。これにより、例えば重み付け前における、文１に含まれる単語１のベクトル値「５」は、重み付け後においては「２．５」となっている。同様に、文１に含まれる他の単語についても、ベクトル値が全て０．５倍されている。
一方、文２および文３は選択されていたため、文２および文３に出現する全ての単語には２倍の重み付けがなされる。これにより、例えば重み付け前における、文２に含まれる単語２のベクトル値「３」は、重み付け後においては「６」となっている。同様に、文２および文３に含まれる他の単語についても、ベクトル値が全て２倍されている。
このように、重み付け部１１４は、指導文が薬剤師によって選択されたか否かに基づいて、指導文ベクトルのベクトル値に対して重み付けを行う。なお、上記例では選択された場合２倍、選択されなかった場合０．５倍の重み付けを行っていたが、本発明はこれに限定されず、重み付けの量については適宜設定されればよい。
重み付け部１１４においてなされた重み付け後の教師データは、学習モデル生成部１７に入力される。学習モデル生成部１７は、重み付け後の教師データを用いて再学習を行い、学習モデルを更新して新たな学習モデルを学習モデルＤＢ１８に登録する。また、重み付け部１１４においてなされた重み付け後の教師データは、通信ネットワークＮを介して服薬指導支援サーバ２０（図１参照）へ送信されてもよい。重み付け部１１４においてなされた重み付けに関する情報と、重み付けされていない教師データとが服薬指導支援サーバ２０に対して送信されてもよい。
服薬指導支援サーバ２０では、送信された教師データ（および重み付けに関する情報）が記憶されるとともに、重み付けされた教師データを用いた再学習により新たな学習モデルが生成される、または既存の学習モデルが更新される。服薬指導支援サーバ２０において新規作成または更新された学習モデルは、通信ネットワークＮを介して、必要に応じて上記説明した学習モデルＤＢ１８に送信される。
服薬指導支援サーバ２０は、複数の薬局Ｐから重み付けに関する情報および教師データを収集し、学習データを更新するサーバ装置であることが望ましい。服薬指導支援サーバ２０は、全店舗からの情報および教師データに基づいて、全店舗で使用可能な学習モデルを生成してもよいし、一部の薬局Ｐから収集した情報および教師データに基づいて、一部の薬局Ｐに適合した学習モデルを生成してもよい。一部の薬局Ｐとは、例えば一店舗だけでもよいし、ある地域内に存在する複数の店舗であってもよい。また、店舗毎ではなく、薬剤師の識別情報を併せて収集し、薬剤師毎に学習モデルを生成するようにしてもよい。このように複数の学習モデルを生成しておくことで、服薬指導支援装置１０において、店舗、地域、または薬剤師に最適化された学習モデルを用いて、より患者に適した服薬指導文書を作成することができるようになる。
以上説明したように、本発明の第１の実施の形態に係る服薬指導支援装置１０は、患者ベクトルと指導文ベクトルとに基づいて学習モデルを生成し、この学習モデルを用いて、薬剤情報文書の項目毎に、患者ベクトルと類似度が大きい指導文ベクトルに対応する指導文を抽出する。そして、対応する指導文ベクトルの患者ベクトルとの類似度に基づいて、項目毎に抽出された指導文を順位付けする。
このため、患者にとって関連性が高く、重要な内容を含む指導文が、項目毎に抽出される。また、項目毎の順位付けもされているので、抽出された指導文の中でもどの指導文がより重要であるのかがわかりやすい。さらに、項目毎に指導文の抽出を行っているため、例えば全指導文から患者にとって重要なものを抽出する場合と比較して、項目毎の重要な情報を含む指導文が抽出されずに漏れてしまう事態を回避しやすい。これにより、服薬指導支援装置１０は、薬剤師による服薬指導文書の作成を好適に支援することができる。
なお、上記説明において、学習モデル生成部１７は、ベクトル同士の類似度を算出して類似する指導文ベクトルを出力するような学習モデルを生成していたが、本発明はこれに限定されない。例えばあらかじめ患者ベクトルおよび指導文ベクトルにクラスタリングを行って患者クラスタと指導文クラスタとを生成しておき、クラスタ同士の類似度を算出して類似するクラスタを出力するような学習モデルを生成してもよい。この場合、例えば指導文抽出部１９は、出力された指導文クラスタの例えば中心に位置する指導文ベクトルに対応する指導文を抽出するようにすればよい。なお、指導文抽出部１９が、学習モデルを用いて得られた指導文クラスタからどの指導文ベクトルを抽出するか、については本発明では特に限定しない。
（第２の実施の形態）
次に、本発明の第２の実施の形態について説明する。図８は、第２の実施の形態における服薬指導支援装置１０Ａの機能構成の一例を示すブロック図である。第２の実施の形態では、学習モデル生成部により生成される学習モデルが上記説明した第１の実施の形態と異なっている。このため、以下では、第２の実施の形態における、学習モデル生成部１７Ａの第１の実施の形態の学習モデル生成部１７とは異なる動作について説明し、第１の実施の形態と同じ動作を行う構成については説明を省略する。
本第２の実施の形態において、学習モデル生成部１７Ａが生成する学習モデルは、ある患者の患者ベクトルの入力に対して、その患者ベクトルと類似する患者ベクトルとあらかじめ対応づけられた指導文ベクトルが出力されるように学習処理が施されたモデルである。患者ベクトルとあらかじめ対応づけられた指導文ベクトルとは、ある患者ベクトルに対応する患者に対して過去に提供された指導文に対応する指導文ベクトルを意味する。
学習モデル生成部１７Ａは、第１の実施の形態と同様に、複数の患者に対応する患者ベクトルと、それぞれの患者に対して過去に提供された指導文の指導文ベクトルと、を教師データとして、このような学習モデルを生成すればよい。患者ベクトル同士の類似の度合いについても、第１の実施の形態と同様に、コサイン類似度等の既知の手法により判断されればよい。このように生成された学習モデルは、学習モデルＤＢ１８Ａに登録される。
このように生成された学習モデルを用いて、以後の服薬指導支援装置１０Ａにおける処理が実行される。すなわち、指導文抽出部１９が学習モデルを用いて新たな患者に提供する指導文を項目毎に抽出し、順位付け部１１０が項目毎の指導文の順位付けを行い、指導文表示部１１１が順位付けの通りに指導文を表示する。そして、選択受付部１１２が薬剤師の選択を受け付け、服薬指導文書データ生成部１１３が選択された指導文を含む服薬指導文書データを生成する。重み付け部１１４は薬剤師の選択に基づいて教師データに重み付けを行い、服薬指導支援サーバ２０に重み付け情報または教師データを送信する。
以上説明したように、本発明の第２の実施の形態に係る服薬指導支援装置１０Ａでは、入力された患者ベクトルと類似する患者ベクトルにあらかじめ対応づけられた指導文ベクトルを出力するように学習処理が施された学習モデルが生成される。このため、服薬指導支援装置１０Ａによれば、過去に様々な患者に対して提供した服薬指導文書の蓄積を活かして、新たな患者に対して最適な指導文を含む服薬指導文書を作成するための支援を行うことができる。
なお、上記説明した第２の実施の形態では、患者ベクトルの入力に対して、その患者ベクトルと類似する患者ベクトルとあらかじめ対応づけられた指導文ベクトルが出力されるように学習処理が施された学習モデルが生成されると説明した。しかしながら、例えば、患者ベクトルの入力に対して、その患者ベクトルと類似する患者ベクトルが出力されるように学習処理が施された学習モデルが生成されるようにしてもよい。この場合、複数の患者に対して過去に提供された指導文があらかじめ登録されたデータベースを用意しておき、指導文抽出部１９は、このデータベースを参照することで、新たな患者の患者ベクトルを学習モデルに入力したときに出力された患者ベクトルに対応する患者に対して提供された指導文を新たな患者に提供する指導文として抽出することができる。
（第３の実施の形態）
次に、本発明の第３の実施の形態について説明する。図９は、第３の実施の形態に係る服薬指導支援装置１０Ｂの機能構成の一例を示すブロック図である。
上記説明した第１の実施の形態では、学習モデル生成部１７の生成した学習モデルを用いて、指導文抽出部１９が項目毎に指導文を抽出し、順位付け部１１０が抽出された指導文の順位付けを行っていた。以下説明する第３の実施の形態では、指導文の項目毎の抽出と、順位付けとが一度に（１ステップで）行われる。これを実現するため、第３の実施の形態に係る服薬指導支援装置１０Ｂは、ベクトル生成部１６Ｂと、学習モデル生成部１７Ｂと、指導文抽出部１９Ｂと、重み付け部１１４Ｂと、を有する。また、第３の実施の形態に係る服薬指導支援装置１０Ｂは、第１の実施の形態の服薬指導支援装置１０が有する順位付け部１１０を有していない。
本第３の実施の形態において、学習モデル生成部１７Ｂが生成する学習モデルは、ある患者の患者ベクトルと、その患者に処方された薬剤に対応する全指導文の指導文ベクトルと、の入力に対して、指導文ベクトル毎の確信度を出力するように学習処理が施されたモデルである。なお、本明細書において、確信度とは、ある指導文が、ある患者に対して必要な情報を含む度合い（確からしさ）を示す値である。確信度についての詳細は後述する。このように生成された学習モデルは、学習モデルＤＢ１８Ｂに登録される。
このような学習モデルを生成するために、本第３の実施の形態では、複数の患者の患者ベクトルと、各患者に処方された薬剤に関する全指導文の指導文ベクトルと、を含み、患者に提供された服薬指導文書において各指導文が使用されたか否かを示す情報があらかじめ付与された教師データが用いられる。
図１０は、第３の実施の形態において用いられる教師データを例示した図である。図１０に示すように、教師データには、薬剤に関する情報、患者データ、指導文、および重要度が含まれる。なお、重要度とは、各指導文が患者に提供された服薬指導文書において使用されたか否かを示す情報（ラベル）であり、使用された指導文については重要度が「１」、使用されなかった指導文については重要度が「０」となっている。
図１０に示すような教師データは、ベクトル生成部１６Ｂによってベクトル変換される。本第３の実施の形態において、ベクトル生成部１６Ｂによる指導文のベクトル変換には、単語毎のベクトル変換であるWord2vecが用いられる。具体的には、ベクトル生成部１６Ｂは、形態素解析により指導文から単語を抽出し、Word2vecを用いて単語のベクトル変換を行う。これにより指導文に含まれる単語を変換した単語ベクトルが生成される。この単語ベクトルの次元は、単語数には依存せず、あらかじめ決めた固定の次元である。次元を大きくすると、指導文を表現する性能が上がることが知られており、例えば２００次元等とすればよい。そして、ベクトル生成部１６Ｂは、指導文に含まれる全単語ベクトルに基づいて指導文ベクトルを生成する。単語ベクトルに基づいて指導文ベクトルを生成するには、例えば指導文に含まれる単語ベクトルの平均を取ればよい。
このような教師データを用いて、学習モデル生成部１７Ｂは、以下のような学習モデルを生成する。本第３の実施の形態において、学習モデル生成部１７Ｂは、複数の予測モデルの集合としての学習モデルを生成する。図１１は、第３の実施の形態における学習モデルの概念図である。
図１１に示す例では、４つの予測モデルが生成されている。図１１に示す例では、それぞれの予測モデルには、教師データに基づいて、例えば患者データの各項目、または指導文に含まれる単語ベクトルを説明変数とし、重要度を目的変数とする決定木が含まれる。例えば予測モデル１では、ルートノードで「性別」について分類され、その下の子ノードで「併用薬」、あるいは「年齢」について分類されている。また、予測モデル２では、ルートノードで「成分［ｎ］」（指導文ベクトル内のｎ個目の成分（要素）ベクトル）について分類され、その下の子ノードで「肝機能障害」、あるいは「性別」について分類されている。
図１１に示すように、学習モデル生成部１７Ｂが生成する学習モデルは、複数の予測モデルが出力した重要度の平均値を算出し、この平均値を確信度として出力している。上記のように、重要度は０または１の値であるため、確信度は０以上１以下の値をとる。図１１の例では、４つの予測モデルの出力する重要度が１，０，１，１であるため、確信度は０．７５となる。
複数の予測モデルが出力する重要度は、患者データおよび指導文の一部の要素（患者データの項目または指導文の単語）のみを考慮して予測された重要度である。このため、複数の予測モデルが出力する重要度の平均値である確信度は、患者データおよび指導文の全要素を考慮して予測されており、ある指導文が、ある患者に対して必要な情報を含む度合い（確からしさ）を示す値となる。
なお、図１１に示す例では、４つの予測モデルが学習モデルに含まれていたが、実際にはより多くの予測モデルが生成されることが望ましい。確信度の精度を確保するためには、少なくとも、患者データの全ての項目を説明変数として含むだけの予測モデルが生成されることが望ましい。また、図１１に示す例では、各予測モデルの決定木に含まれるノードの数は３つであったが、各決定木にはより多くのノードが含まれてもよい。
指導文抽出部１９Ｂは、このように生成された学習モデルを用いて、患者に提供すべき指導文を抽出する。具体的には、指導文抽出部１９Ｂは、新たに患者ベクトルと、その患者に処方された薬剤の薬剤情報文書に含まれる全指導文の指導文ベクトルとを取得すると、新たな患者ベクトルと各指導文ベクトルとを学習モデルに入力し、その指導文ベクトルの確信度の出力を得る。
ここで、指導文抽出部１９Ｂは、ある指導文ベクトルの確信度が所定の閾値以上である場合には、入力された指導文ベクトルに対応する指導文が、入力された患者ベクトルに対応する患者にとって重要である、と判定し、当該指導文を選択する。また、指導文抽出部１９Ｂは、ある指導文ベクトルの確信度が所定の閾値より小さい場合には、入力された指導文ベクトルに対応する指導文が、入力された患者ベクトルに対応する患者にとって重要ではない、と判定し、当該指導文を選択しない。指導文抽出部１９Ｂは、全ての指導文ベクトルに対してこのような判定を行い、選択された指導文ベクトルに対応する指導文を抽出する。このように抽出された指導文は、患者に提供すべき（患者にとって重要な）可能性が高い指導文である。
なお、所定の閾値としては、例えば０．５等の値が採用されうる。また、統計的解析手法を用いることで、動的に閾値を決定するようにしてもよい。具体的には、学習モデルから出力された確信度の頻度分布に対し、判別分析２値化法（大津の手法）やMaxEntropy法を用いて、頻度分布の谷の値を閾値とする方法がある。これにより学習モデルの出力特性に応じて、適切な指導文の抽出を行うことができる。
指導文抽出部１９Ｂは、上記説明した指導文の抽出を、薬剤情報文書の項目毎に行う。そして、指導文抽出部１９Ｂは、抽出した指導文に対して、確信度の大きさに基づく順位付けを行う。これにより、第３の実施の形態に係る服薬指導支援装置１０Ｂでは、第１の実施の形態に係る服薬指導支援装置１０（図１参照）における指導文抽出部１９による指導文の抽出と、順位付け部１１０による順位付けと、を一度に行うことができるようになる。
なお、上記説明では、指導文の確信度の出力を得るために図１１に示すランダムフォレスト分類器を用いたが、他の方法を採用してもよい。具体的には、ＳＧＤ（Stochastic Gradient Descent）、ＳＶＭ（Support Vector Machine）、ＮＮ（Neural Network）やＣＮＮ（Convolutional Neural Network）のどれか、あるいはその組み合わせにより構成された分類器を用いてもよい。
一方、重み付け部１１４Ｂは、選択受付部１１２が受け付けた薬剤師による指導文の選択結果に基づいて、学習モデル生成部１７Ｂにおける学習モデル生成の際に使用される教師データに対する重み付けを設定する。
重み付け部１１４Ｂは、薬剤師により選択された指導文と、その指導文に関連する薬剤に関する情報、患者データ、および重要度を教師データ内に複数回登録させることで、該当指導文の重み付けを実現する。つまり、重み付け部１１４Ｂは、新たに薬剤師に選択された指導文と、その指導文に対する薬剤に関する情報、患者データ、および重要度を取得する。そして、重み付け部１１４Ｂは、その指導文の重要度が「１」であった場合（その指導文が既に選択されていた場合）は、その指導文を再度教師データに追加する。これにより、同一の指導文およびその指導文に関連する薬剤に関する情報、患者データ、および重要度が教師データ内に重複して存在するようになる。従って、その教師データを用いて生成された学習モデルが、重複して存在する指導文の確信度を高く出力するような重み付けが可能となる。
追加する指導文の個数は、薬剤師によって選択された回数と同じにしてもよいし、選択された回数と比例させるようにしてもよい。追加する指導文の個数を選択された回数と比例させる場合、選択された回数を指導文毎に別途管理すればよい。また、緩やかな重み付けを実施する場合は、選択回数と指導文をと関連付けて管理しておき、選択回数の常用対数に比例させるようにしてもよい。すなわち、例えば１０回選択されたときにその指導文を教師データに追加するようにしてもよい。また重み付け部１１４Ｂは、薬剤師に選択された指導文の重要度が「０」であった場合は、教師データに追加せず、該当する指導文の重要度を「１」に上書き設定する。
重み付け部１１４Ｂにおいてこのようになされた重み付け後の教師データは、学習モデル生成部１７Ｂに入力される。学習モデル生成部１７Ｂは、重み付け後の教師データを用いて再学習を行い、学習モデルを更新して新たな学習モデルを学習モデルＤＢ１８Ｂに登録する。また、重み付け部１１４Ｂによって更新した教師データは服薬指導支援サーバ２０に送信されてもよい。更新された教師データを受信した服薬指導支援サーバ２０の動作に関しては、上記した第１の実施の形態と同様である。
以上説明したように、本発明の第３の実施の形態に係る服薬指導支援装置１０Ｂでは、ある患者の患者ベクトルと、その患者に処方された薬剤に対応する全指導文の指導文ベクトルと、の入力に対して、指導文ベクトル毎の確信度を出力するように学習処理が施されたモデルが生成される。そして、新たに患者ベクトルと、その患者に処方された薬剤の薬剤情報文書に含まれる全指導文の指導文ベクトルとが入力されると、新たな患者ベクトルと各指導文ベクトルとを学習モデルに入力し、その指導文ベクトルの確信度の出力を得る。これにより、患者に対して必要な情報を含む度合いが大きい指導文を抽出できるとともに、確信度に基づいて抽出した指導文の順位付けを行うことができる。
（第４の実施の形態）
次に、本発明の第４の実施の形態について説明する。本第４の実施の形態では、同じ内容の異なる指導文が複数抽出されることが防止される。なお、本第４の実施の形態の服薬指導支援装置の機能構成については、図９を参照して説明した第３の実施の形態の服薬指導支援装置１０Ｂと同様である。
以下、本第４の実施の形態における服薬指導支援装置の特徴的な動作について、具体例を挙げて説明する。例えば薬剤情報文書の「副作用」という項目において、指導文の出典（添付文書、くすりのしおり、薬剤情報提供書等）によっては、例えば以下のようにほぼ同一内容で異なる表記の指導文が存在しうる。
・主な副作用として、発疹、食欲不振、吐き気、嘔吐、下痢などが報告されています。
・主な副作用は、食欲不振、吐き気、嘔吐、下痢等です。
・副作用：食欲不振、吐き気、嘔吐、下痢
本第４の実施の形態では、以下のような構成により、これらのようにほぼ同一内容で異なる表記の指導文が複数抽出されることを防止する。
図１２は、第４の実施の形態における教師データを例示した図である。図１２に例示した本第４の実施の形態における教師データには、図１０に例示した第３の実施の形態における教師データに加えて、「グループ番号」が付与されている。この「グループ番号」は、同一内容の指導文に対してあらかじめ付与されたラベルである（本発明のグループラベルの一例である）。
第４の実施の形態において、学習モデル生成部１７Ｂは、グループ番号を加味して学習モデルを生成する。具体的には、学習モデル生成部１７Ｂは、上記第３の実施の形態にて説明したランダムフォレスト分類器を、multi label classifier等を用いてマルチラベル型分類器に拡張することで、学習モデルを生成する。この学習モデルは、患者ベクトルと指導文ベクトルとの入力に対して、確信度とグループ番号とを出力する。
第４の実施の形態において、指導文抽出部１９Ｂは、確信度が所定の閾値以上の指導文についてグループ番号を参照し、同じグループ番号の指導文が複数あった場合、最も確信度が大きい指導文のみを抽出し、他を破棄する。これにより、ほぼ同一内容で異なる表記の指導文が複数抽出されることを防止することができる。
また、薬剤情報文書ＤＢ１３には、薬剤師の有志によって提供されるような任意の文書も含まれるため、ベテラン薬剤師の作成した文書や、ベテラン薬剤師が選択した文書を、優先的に抽出したいというような場合がある。このように特定の文書を優先して抽出したい場合にも、第４の実施の形態を拡張することで対応が可能である。
具体的には、教師データに「グループ番号」とともに、「優先度」を付与する。「優先度」とは、大きい値ほど優先度合いが高くなる値であり、ベテラン薬剤師が選択した等、その後優先的に抽出されるべき指導文に設定される値である。優先度の例としては、特定の薬剤師が選択した回数等、任意の値が設定されうる。それまで選択されたことがない指導文の優先度は、「０」に設定される。
学習モデル生成部１７Ｂは、このようにグループ番号と優先度が付与された教師データを用いて、グループ番号と優先度を加味した学習モデルを生成する。このように生成された学習モデルは、患者ベクトルと指導文ベクトルとの入力に対して、確信度とグループ番号と優先度を出力する。指導文抽出部１９Ｂは、学習モデルの出力結果に対し、優先度が設定されている（０でない）指導文については、優先度の値を用いて確信度に対して優先処理を行うことで、優先度が設定された指導文を抽出する可能性を高くすることができる。
なお、優先処理の具体例としては、優先度の大きさによって決まる値を確信度に対して加算する等の方法がある。具体例としては、優先度×固定値（例えば０．１）を確信度に加算すればよい。指導文抽出部１９Ｂは、このような優先処理を学習モデルの出力後に実施するため、優先度が変更された場合（新たに特定の薬剤師による指導文の選択があった場合）でも再学習が不要である。このため、上記拡張は容易に実現が可能である。
教師データにおいて、同一内容の指導文にグループ番号を付与するためには、教師データとして用いられる指導文の中から同一内容の指導文を抽出する必要がある。同一内容の指導文の抽出方法としては、例えば以下のような方法がある。すなわち、あらかじめ全ての指導文の指導文ベクトルを算出しておき、特定の２つの指導文ベクトル間の類似度（コサイン類似度等）を算出する。そして、全ての組み合わせの類似度を算出し、類似度が所定の閾値以上の組み合わせを同一内容の指導文と判断する。
この際、類似度算出の演算量削減のため、指導文ベクトルの次元削減や正規化を行ってもよい。
また、同一内容の指導文ベクトルがあるか否かに基づいて、重み付けを行うようにしてもよい。図７を参照して説明したように、指導文に含まれる単語毎に重み付けをする場合、特定の２つの指導文ベクトル同士の距離（スカラー値）に基づいて、指導文に含まれる単語全体に距離に応じたベクトル値を加算すればよい。また、図１０を参照して説明したように、指導文毎に重み付けをする場合、重要度として「０」か「１」かを追加する代わりに、距離に応じた値を重要度として設定すればよい。
なお、指導文ベクトル間の距離に応じた値ｙの一例としては、例えば距離を正規化し、その変数をｘ（０～１）としたとき、ｙ＝－ｘ＋１で与えられる値とすればよい。すなわち、ｙは指導文ベクトル同士の類似度が大きいほど１に近く、小さいほど０に近くなるような値である。
このような重み付けにより、同一内容の指導文とそうでない指導文とで、重み付けに差を付けられるため、例えば類似する指導文が同時に抽出されにくくしたり、反対に類似する指導文が同時に抽出されやすくしたりすることができる。また、抽出結果の指導文を表示画面に表示する際に、同一内容の指導文を強調して表示したり、１つの指導文が選択されたときに同一内容の他の指導文を同時に選択したりする等の制御が可能となる。
（第５の実施の形態）
さらに、本発明の第５の実施の形態について説明する。図１３は、第５の実施の形態に係る服薬指導支援装置１０Ｃの機能構成を示すブロック図である。図１３に示すように、第５の実施の形態に係る服薬指導支援装置１０Ｃは、図９に示す第３の実施の形態に係る服薬指導支援装置１０Ｂの機能構成に加えて、第２学習モデル生成部１１５、第２学習モデルＤＢ１１６、および第２指導文抽出部１１７を有する。また、第５の実施の形態に係る服薬指導支援装置１０Ｃが有する薬剤情報文書データ取得部１２Ｃ、患者データ取得部１４Ｃ、およびベクトル生成部１６Ｃは、第３の実施の形態にて説明した薬剤情報文書データ取得部１２、患者データ取得部１４、およびベクトル生成部１６Ｂとは動作が異なっている。以下では、これらの詳細について説明する。
第５の実施の形態では、以下のような場合を想定する。例えばある薬剤を処方された患者が、その薬剤とは別の薬剤を使用していることが、薬剤師の問診やお薬手帳等によって発覚することがある。以下では処方された薬剤を主薬剤と記載し、別の薬剤を併用薬剤と記載する。このような場合、患者に対して提供する服薬指導文書には、主薬剤と併用薬剤とを併用した場合の注意事項を含む指導文が記載されることが望ましい。
主薬剤と併用薬剤とを併用した場合の注意事項を含む指導文を抽出するためには、例えば主薬剤の指導文全体を併用薬剤の薬名でテキスト検索する方法が考えられる。しかしながら、薬名には頻繁に表記揺れが存在するため、単にテキスト検索しただけでは漏れが生じる可能性がある。表記揺れの具体例としては、例えば「ムンプスワクチン」と「おたふくかぜワクチン」、または「イソニアジド」と「抗結核薬」のような例が挙げられる。
本第５の実施の形態では、主薬剤の他に併用薬剤を使用する患者に対して、薬剤情報文書データ取得部１２Ｃが、主薬剤の全指導文を取得した際に、主薬剤との併用時に注意が必要な併用薬剤の名称と、その注意事項を含む指導文と、を抽出する。主薬剤の全指導文のうち、併用時に注意が必要な併用薬剤の名称は、例えば薬剤情報文書が添付文書である場合、項目「相互作用」内の小項目「併用禁忌」や「併用注意」に含まれる「薬剤名」等に記載されている。また、主薬剤の全指導文のうち、併用時に注意が必要な併用薬剤の注意事項は、例えば薬剤情報文書が添付文書である場合、項目「相互作用」内の小項目「併用禁忌」や「併用注意」に含まれる「臨床症状・措置方法」等に記載されている。
以下の説明において、薬剤情報文書データ取得部１２Ｃが取得した、主薬剤との併用時に注意が必要な併用薬剤の名称を「注意併用薬剤名」、その注意事項を含む指導文を「注意指導文」と記載する。以後の処理において、「注意併用薬剤名」とその薬剤に関する「注意指導文」とは互いに関連づけられて用いられる。
一方、患者データ取得部１４Ｃは、患者データに加えて、例えば問診やお薬手帳等から、患者が使用する併用薬剤の名称を取得する。以下の説明において、患者が使用する併用薬剤の名称を、「使用併用薬剤名」と記載する。
ベクトル生成部１６Ｃには、患者データ取得部１４Ｃから患者データと使用併用薬剤名とが入力される。また、ベクトル生成部１６Ｃには、薬剤情報文書データ取得部１２Ｃから全指導文と、注意併用薬剤名と、注意指導文とが入力される。これにより、ベクトル生成部１６Ｃは、患者ベクトルと、使用併用薬剤名ベクトルと、全指導文の指導文ベクトルと、注意併用薬剤名ベクトルとを生成する。本第５の実施の形態では、これらのベクトル変換には、それぞれの単語ベクトルを生成する方法（word2vec等）が用いられる。
この際、ベクトル生成部１６Ｃは、医療用語辞書を学習させたモデルを使用してベクトル変換を行うことにより、薬剤の名称だけではなく、薬剤名を構成する各単語の意味を含む使用併用薬剤名ベクトルと、注意併用薬剤名ベクトルとを生成する。
ベクトル生成部１６Ｃが生成した各ベクトルのうち、患者ベクトルおよび全指導文の指導文ベクトルは、上記第３の実施の形態と同様に、学習モデル生成部１７Ｂおよび指導文抽出部１９Ｂに入力される。
一方、使用併用薬剤名ベクトルおよび注意併用薬剤名ベクトルは、第２学習モデル生成部１１５に入力される。そして、第２学習モデル生成部１１５は、使用併用薬剤名ベクトルとの類似度が大きい注意指導文ベクトルを出力するように学習された第２学習モデルを生成する。ここで、各薬剤名ベクトルは、薬剤名を構成する各単語の意味を含んでいるため、表記揺れによる同一薬剤の抽出漏れを最小限に抑えることができる。類似度の算出方法については、上記第１の実施の形態と同様であるため説明を省略する。第２学習モデルは、第２学習モデルＤＢ１１６に登録される。
第２指導文抽出部１１７は、第２学習モデルに使用併用薬剤名ベクトルを入力して類似度が大きい注意併用薬剤名ベクトルの出力を得、出力された注意併用薬剤名ベクトルの注意併用薬剤名に関連づけられた注意指導文を抽出する。
指導文表示部１１１Ｃは、指導文抽出部１９Ｂが抽出した指導文と、第２指導文抽出部１１７が抽出した指導文とを表示する。以後の処理については上記説明した各実施の形態の服薬指導支援装置と同様である。
以上説明したように、第５の実施の形態に係る服薬指導支援装置１０Ｃでは、患者が使用する使用併用薬剤名に基づく使用併用薬剤名ベクトルと、主薬剤の指導文の中からあらかじめ抽出された、注意が必要な注意併用薬剤名に基づく注意併用薬剤名ベクトルと、に基づいて、入力された使用併用薬剤名ベクトルと類似度が大きい注意併用薬剤名ベクトルを出力するように学習された第２学習モデルを生成し、この第２学習モデルを用いて、主薬剤の指導文の中から、患者が使用する使用併用薬剤に関する注意事項を含む指導文を抽出する。この際、薬剤名のベクトル変換では単語の意味を考慮したベクトル変換が行われているため、表記揺れにより、主薬剤の指導文の中から、使用併用薬剤に関する指導文が抽出できない事態を回避することができる。
なお、第５の実施の形態では、第２指導文抽出部１１７の抽出した指導文には、上記第３の実施の形態にて説明した確信度が算出されていない。このため、第５の実施の形態では、確信度に基づいて、抽出された指導文の順位付けを行うことができない。しかしながら、第２指導文抽出部１１７の抽出した指導文に基づいて、学習モデルＤＢ１８Ｂに登録された学習モデルを用いて確信度の算出を行うことにより、第２指導文抽出部１１７の抽出した指導文の順位付けを行うようにしてもよい。また、指導文抽出部１９Ｂが抽出した指導文の中に、第２指導文抽出部１１７の抽出した指導文と同一内容のものが含まれているか否かを確認し、含まれていない場合にのみ第２指導文抽出部１１７の抽出した指導文を指導文抽出部１９Ｂが抽出した指導文に追加するようにしてもよい。
（第６の実施の形態）
さらに、本発明の第６の実施の形態について説明する。図１４は、第６の実施の形態に係る服薬指導支援装置１０Ｄの機能構成を示すブロック図である。
上記説明した各実施の形態では、処方箋データに含まれる薬剤に関する情報に基づいて、薬剤毎に患者にとって重要な指導文を抽出する形態について説明した。本第６の実施の形態では、薬剤毎にではなく、処方箋毎に指導文を抽出する形態について説明する。
図１４に示すように、第６の実施の形態の服薬指導支援装置１０Ｄは、第３の実施の形態に係る服薬指導支援装置１０Ｂの機能構成（図９参照）に加えて、教師データＤＢ１１８、第３学習モデル生成部１１９、第３指導文抽出部１２０、および第３学習モデルＤＢ１２１を有する。また、第６の実施の形態の服薬指導支援装置１０Ｄは、第３の実施の形態に係る服薬指導支援装置１０Ｂの選択受付部１１２とは動作が異なる選択受付部１１２Ｄを有する。
教師データＤＢ１１８には、過去の処方箋データに対して指導文抽出部１９Ｂが抽出した指導文に基づく教師データがあらかじめ格納されている。本第６の実施の形態における教師データを、以下では処方箋教師データと称する。処方箋教師データは、例えば以下のようにして生成される。
図１５は、第６の実施の形態の処方箋教師データを生成するための収集データの例を示す図である。収集データは、過去の処方箋データ、その処方箋データに対して、指導文抽出部１９Ｂから出力されたデータ（以下、抽出部出力データと称する）、および、薬剤師によって付けられた順位（以下、薬剤師順位と称する）を示す薬剤師順位データを含む。
図１５に示すように、処方箋データは、過去のある処方箋に対応するデータ、例えば患者名、およびその患者に対して処方された複数の薬剤名を含む。また、抽出部出力データは、当該処方箋データに対して過去に指導文抽出部１９Ｂが出力したデータである。抽出部出力データには、指導文抽出部１９Ｂにより抽出された所定数（図１５では３つ）の指導文、および指導文毎の確信度が含まれる。抽出部出力データには、指導文そのものが含まれていてもよいし、指導文を識別する識別情報のみが含まれていてもよい。また、薬剤師順位データは、当該処方箋に対して指導文抽出部１９Ｂが抽出した所定数の指導文のうち、実際に薬剤師が選択した指導文と、選択した指導文のそれぞれに対して薬剤師が付けた順位とを示すデータである。薬剤師順位データは、例えば選択受付部１１２Ｄにより生成される。
図１５には、３つの薬剤（薬剤１～３）が記載された患者１の処方箋に基づく収集データの例が示されている。図１５に示す例では、例えば薬剤１については３種類の指導文１－１～１－３が抽出されており、それぞれ指導文ベクトルの確信度は１、０．９、０．８である。また、薬剤２についても３種類の指導文２－１～２－３が抽出されており、それぞれ指導文ベクトルの確信度は０．９、０．８、０．７である。また、薬剤３についても３種類の指導文３－１～３－３が抽出されており、それぞれ指導文ベクトルの確信度は１、０．９、０．８である。そして、薬剤師は、この処方箋において、指導文１－１を１位に、指導文２－２を２位に、指導文３－１を３位に、それぞれ順位付けており、その他の指導文については選択しなかったとする。収集データにおいて、薬剤師が選択しなかった指導文については、順位付けがなされておらず、薬剤師順位データが「－」で示されている。
このような収集データに基づいて、処方箋教師データが生成される。図１６Ａ～図１６Ｃは、図１５に示す収集データに基づいて生成された処方箋教師データの例を示す図である。
図１６Ａ～図１６Ｃに示すように、処方箋教師データは、２つの指導文に対応する、患者名、指導文、確信度、薬剤師順位、および優劣ラベルを含む。優劣ラベルは、２つの指導文同士の優劣を示している。
本第６の実施の形態では、過去の処方箋データに対して抽出された全ての指導文における、２つの指導文同士の組み合わせの全てに対応する処方箋教師データがそれぞれ独立して生成される。
優劣ラベルは、薬剤師順位に基づいて決定される。図１６Ａに示すように、特定の２つの指導文のいずれにも薬剤師順位が与えられている場合、より薬剤師順位が高い指導文１－１に優劣ラベル「１」が、より薬剤師順位が低い指導文２－２に優劣ラベル「０」が付与される。
また、図１６Ｂおよび図１６Ｃに示すように、一方の指導文には薬剤師順位が与えられ、他方の指導文には薬剤師順位が与えられていない場合、薬剤師順位が与えられていない方の指導文に付与される優劣ラベルの値は、常に「０」である。従って、図１６Ｂに示すように、指導文２－２には順位が与えられているが、指導文３－２には順位が与えられていない場合、指導文２－２に優劣ラベル「１」が、指導文３－２には優劣ラベル「０」が、それぞれ付与される。
また、図１６Ｃに示すように、指導文１－２、指導文１－３ともに順位がつけられていない（すなわち過去に薬剤師によって選択されていない）場合には、いずれの指導文に対しても優劣ラベル「０」が付与される。
また、確信度を優劣ラベルに反映するようにしてもよい。すなわち、例えば図１６Ａ、図１６Ｂおよび図１６Ｃに示すように、決定した優劣ラベルの値に対して、対応する指導文の確信度を掛けることで、確信度を考慮した優劣ラベルを各指導文に付与するようにしてもよい。具体的には、図１６Ａに示す例では、指導文１－１の確信度が「１」、優劣ラベルが「１」であるため、確信度を考慮した場合の優劣ラベルは「１」となる。また図１６Ｂに示す例では、指導文２－２の確信度が「０．８」、優劣ラベルが「１」であるので、確信度を考慮した場合の優劣ラベルは「０．８」となる。さらに図１６Ｃに示す例では、優劣ラベルがともに「０」であるため、確信度の値に関わらず、確信度を考慮した場合の優劣ラベルは「０」となる。このようにすることで、確信度の高い指導文の優劣ラベルを相対的に高くする制御が可能となる。
以上説明したように、処方箋教師データは、過去の処方箋データに対して抽出された全ての指導文のうち、特定の２つの指導文同士の優劣（薬剤師順位の高低）を示している。
なお、上記したように、本第６の実施の形態では、過去の処方箋データに対して抽出された全ての指導文における、２つの指導文の組み合わせの全てに対応する処方箋教師データがあらかじめ生成される必要がある。例えば図１５の収集データのように、９個の指導文が抽出されている場合、９Ｃ２＝３６個の組み合わせに対応する３６個の処方箋教師データが生成される。ただし、予測モデルの出力する優劣ラベルの精度を確保するためには、２つの指導文のデータ内での順序を区別する必要があり、９Ｐ２＝７２個の組み合わせの処方箋教師データが生成される。
このようにして生成された処方箋教師データが、教師データＤＢ１１８に格納されている。
第３学習モデル生成部１１９は、教師データＤＢ１１８に格納された処方箋教師データを用いて学習モデルを生成する。第３学習モデル生成部１１９が生成する学習モデルは、新たな処方箋データが入力された際に、新たな処方箋に記載された複数の薬剤に対応する複数の指導文の中から、患者にとって重要な指導文を出力するように学習処理が施されたモデルである。
第３学習モデル生成部１１９による学習モデルの生成は、学習モデル生成部１７Ｂによる学習モデルの生成と同様、例えば薬局Ｐにおける服薬指導支援装置１０Ｄの稼働前に行われていることが望ましい。しかしながら、薬局Ｐにおいて服薬指導支援装置１０Ｄが稼働した状態で、新たな処方箋データに対する抽出部出力データおよび薬剤師順位データが新たに生成された場合、これを新たな処方箋教師データとして用いて、随時第３学習モデルＤＢ１２１の学習モデルを更新し続ける（任意のタイミングで追加学習、もしくは再学習する）ような形態を採用してもよい。
第３指導文抽出部１２０は、このように生成された学習モデルを用いて、患者に提供すべき指導文を抽出する。具体的には、第３指導文抽出部１２０は、新たに入力された処方箋データに基づき、当該処方箋データに対して抽出された指導文を取得する。そして、第３指導文抽出部１２０は、学習モデルを用いて、取得した指導文における、全ての２つの指導文の組み合わせでの指導文の優劣を判定し、上位所定数の指導文を抽出する。
このような構成により、第６の実施の形態に係る服薬指導支援装置１０Ｄは、薬剤毎にではなく、処方箋毎に、患者にとって重要な指導文を抽出することができる。これにより、処方箋にて処方されている薬剤同士の相互関係を考慮した指導文を患者に提供することができる。また、薬剤師によって選択されなかった指導文についても、処方箋教師データにおいて除外せず、優劣ラベル「０」を持つ要素として扱っているため、より実態に即した指導文の選択を行うことができる。
このような構成により、例えば以下のような効果が得られる。薬剤によっては、他の薬剤と併用してはならないもの（併用禁忌）や、他の薬剤との併用によって相互作用が生じるものがある。処方箋に記載された薬剤にこのような併用禁忌や相互作用がある場合、薬剤毎に指導文抽出を行った場合、併用禁忌や相互作用に関する指導文が抽出されないことがある。しかしながら、同様の組み合わせの薬剤が記載された過去の処方箋に対して、薬剤師が併用禁忌や相互作用を考慮した指導文の選択（順位付け）を行っている可能性が高い。このことから、第６の実施の形態に係る服薬指導支援装置１０Ｄでは、過去の処方箋毎に薬剤師が順位付けした結果に基づいて学習モデルを生成するため、薬剤毎の抽出では抽出されなかった指導文が抽出されることが期待される。
（第６の実施の形態の変形例）
上記説明した第６の実施の形態では、新たに入力された処方箋データに基づき、処方箋データに対して抽出された全ての指導文において、２つの指導文の組み合わせの全てに対応する処方箋教師データに基づき、学習モデルを生成していた。従って、第３指導文抽出部１２０による指導文の抽出の際には、全ての２つの指導文の組み合わせの優劣を判定してから、上位所定数の指導文を抽出していた。
本変形例では、生成した学習モデルを利用した優劣ラベル予測時の演算量を低減するため、あらかじめ所定数の指導文間における優劣を判定することができる学習モデルを生成する例について説明する。
本変形例においては、処方箋教師データとして、所定数の指導文間の優劣を示す教師データが教師データＤＢ１１８に格納されている。図１７Ａおよび図１７Ｂは、処方箋教師データの他の例を示す図である。図１７Ａおよび図１７Ｂに示す処方箋教師データは、図１５に示す収集データに基づいて生成されたものである。
図１７Ａに示す例では、所定数を３とした場合、すなわち３個の指導文のそれぞれに対して、薬剤師順位データに基づく優劣ラベルが付与された処方箋教師データが示されている。本変形例では、所定数の指導文間の優劣を示す必要があるため、優劣ラベルには例えば０から１までの間の任意の数が使用される。図１７Ａに示す例では、薬剤師順位が１位である指導文１－１に対して優劣ラベル「１」が付与されている。また、薬剤師順位が２位である指導文２－２に対して優劣ラベル「０．５」が付与されている。また、薬剤師順位が３位（全部で３個なので最下位）である指導文３－１に対しては優劣ラベル「０」が付与されている。この場合、処方箋教師データは、これら３行の順序すべてのパターンを考慮した３！＝６通り生成される。
一方、図１７Ｂに示す例では、所定数を１００とした場合、すなわち１００個の指導文のそれぞれに対して、薬剤師順位データに基づく優劣ラベルが付与された処方箋教師データが示されている。図１７Ｂに示す例では、薬剤師順位が３位である指導文３－１が最下位ではなく、薬剤師により選択されていない指導文１－１，２－２，３－１以外の全ての指導文がより下位である。このため、図１７Ａに示す例では、薬剤師順位が１位である指導文１－１に対して優劣ラベル「１」が付与されている。また、薬剤師順位が２位である指導文２－２に対して優劣ラベル「０．９」が付与されている。また、薬剤師順位が３位である指導文３－１に対しては優劣ラベル「０．８」が付与されている。さらに、それ以外の全ての指導文に対しては優劣ラベル「０」が付与されている。優劣ラベルの値は相対値であり、薬剤師順位を反映する任意の値に設定されればよい。ただし、異なる処方箋に対する複数の処方箋教師データ間においては、同様の設定方法を採用する必要がある。
図１５に示す収集データには、全部で９個の指導文しか含まれていないため、図１７Ｂに示す例では、１００個の指導文を含む処方箋教師データを生成するためには、９１個の指導文が足りていない。これを補うため、足りない指導文には空のデータを付与する。空のデータとは、図１７Ｂの最下段に例示するような、指導文およびその識別情報、確信度、および優劣ラベルが全て０のデータである。また、処方箋教師データは、指導文の順序を考慮して並べ替えたデータも利用するので、図１７Ｂに示す例では、９！＝３６２，８８０通りのデータが生成される。
第３学習モデル生成部１１９は、このように生成された処方箋教師データに基づいて、複数の指導文間の優劣を出力できる学習モデルを生成する。これにより、本変形例では、演算処理量を上記説明した第６の実施の形態と比較して、演算量を低減することができる。
（第７の実施の形態）
上記説明した第１の実施の形態において、薬剤師による指導文の選択または非選択に基づいて、教師データの重み付けを行い、重み付け後の教師データを用いて、学習モデル生成部１７が再学習を行っていた。このような構成において、薬剤師が選択しなかった指導文に１未満の重み付けがなされることにより、薬剤師が選択しなかった指導文の順位付けが大きく下がっていくことがある。順位付けが下がると、その指導文が表示される優先順位が下がり、薬剤師の目に触れにくくなるため、例えその指導文が実際にはある患者にとって重要な指導文であったとしても、薬剤師によって選択されにくくなってしまう。
本第７の実施の形態では、このような事態に対応するため、以下のような構成を採用する。なお、本第７の実施の形態の服薬指導支援装置の機能構成については、図３を参照して説明した第１の実施の形態の服薬指導支援装置１０と同様である。
指導文表示部１１１は、順位付け部１１０が行った順位付けに従って項目毎に上位所定数の指導文を表示する指導文表示欄２０１に加えて、指導文毎に薬剤師による選択を受け付けるチェック欄２０２を表示させる。また、指導文表示部１１１は、表示画面２００内に、指導文を表示させるための表示要素（ボタン等）を表示する。図１８は、チェック欄２０２および指導文を表示させるためのボタン２１０の表示例を示す図である。薬剤師が入力装置１０６を介してボタン２１０を選択すると、現在指導文表示欄２０１に表示されている指導文より少し下位の指導文が指導文表示欄２０１に表示される。
薬剤師は、今の患者に対しては選択はしないが、患者によっては重要であるため順位を下げたくないと考える指導文に対して、入力装置１０６を介してチェック欄２０２をチェックすることができる。薬剤師によりチェックがなされると、チェックされた指導文に対しては、順位が下がらないような処理がなされる。具体的には、例えば重み付け部１１４が、薬剤師がチェックした指導文に対して１倍以上の重み付けをすればよい。
また、薬剤師は、現在指導文表示欄２０１に表示されている指導文より下位の指導文に対してチェック付けを行いたい場合には、ボタン２１０を押下する。これにより、現在より少し下位の指導文が指導文表示欄２０１に表示され、薬剤師がチェック付けを行うことができるようになる。
なお、薬剤師によってはチェック付けを行わない、あるいはチェック付けできることを薬剤師が知らない場合がある。これに対処するため、表示画面２００内に他の指導文を閲覧できること、および重要な指導文について順位を下げない操作を行えることを報知する文章や記号等を表示してもよい。
また、薬剤師が順位を下げたくないと考える指導文に対してチェックするのではなく、薬剤師が複数の指導文の順位を直接編集できるようにしてもよい。
以上のような構成により、薬剤師が選択しなかった指導文の順位が大きく下がり、薬剤師の目に触れにくくなる事態を回避できる。
本開示は、服薬指導に必要な情報を含む指導文が記載された服薬指導文書を作成する支援を行う服薬指導支援装置に有用である。
１ 服薬指導支援システム
１０、１０Ａ，１０Ｂ，１０Ｃ，１０Ｄ 服薬指導支援装置
１１ 処方箋データ取得部
１２，１２Ｃ 薬剤情報文書データ取得部
１３ 薬剤情報文書ＤＢ
１４，１４Ｃ 患者データ取得部
１５ 患者ＤＢ
１６，１６Ｂ，１６Ｃ ベクトル生成部
１７，１７Ａ，１７Ｂ 学習モデル生成部
１８，１８Ａ，１８Ｂ 学習モデルＤＢ
１９，１９Ｂ 指導文抽出部
２０ 服薬指導支援サーバ
１０４ 外部記憶装置
１０５ 通信インターフェイス
１０６ 入力装置
１０７ 出力装置
１１０ 順位付け部
１１１，１１１Ｃ 指導文表示部
１１２，１１２Ｄ 選択受付部
１１３ 服薬指導文書データ生成部
１１４，１１４Ｂ 重み付け部
１１５ 第２学習モデル生成部
１１６ 第２学習モデルＤＢ
１１７ 第２指導文抽出部
１１８ 教師データＤＢ
１１９ 第３学習モデル生成部
１２０ 第３指導文抽出部
１２１ 第３学習モデルＤＢ
２００ 表示画面
２０１ 指導文表示欄
２０２ チェック欄
２１０ ボタン
Ｎ 通信ネットワーク

Claims (17)

  1. 患者に関する患者データおよび薬剤に対応した服薬指導用の複数の文字列に基づいて、患者ベクトルおよび複数の文字列ベクトルを生成するベクトル生成部と、
    前記患者ベクトルおよび複数の前記文字列ベクトルの入力に対して、
    前記患者ベクトルとの類似度が大きい順に前記複数の文字列ベクトルを出力する、または、
    前記文字列ベクトル毎に、前記文字列ベクトルに対応する文字列が前記患者ベクトルに対応する患者にとって必要な情報を含む度合いを示す確信度を出力する
    ように学習処理が施された学習モデルを生成する学習モデル生成部と、
    前記学習モデルから前記類似度が大きい順に並べ替えられて出力された前記複数の文字列ベクトルのそれぞれに対応する前記複数の文字列から、上位所定数の前記文字列ベクトルに対応する前記文字列を抽出する、または、
    前記学習モデルから出力された前記確信度に基づいて前記複数の文字列から前記文字列を抽出する
    文字列抽出部と、
    を有する、服薬指導支援装置。
  2. 前記文字列があらかじめ複数の項目に分類されている場合に、前記文字列抽出部は、新たな患者ベクトルの入力に基づいて、前記複数の項目のうち、所定の項目毎に所定数の前記文字列を抽出する、
    請求項１に記載の服薬指導支援装置。
  3. 前記学習モデル生成部が、前記類似度が大きい順に前記複数の文字列ベクトルを出力するように学習処理が施された学習モデルを生成する場合に、前記文字列抽出部により抽出された前記文字列が薬剤師により作成される服薬指導文書に使用されたか否かに基づいて、前記文字列に対応する前記文字列ベクトルに対する重み付け値を決定する重み付け部、
    をさらに有し、
    前記学習モデル生成部は、前記重み付け値に基づいて前記学習モデルを更新する、
    請求項１または２に記載の服薬指導支援装置。
  4. 前記学習モデルが前記類似度が大きい順に前記複数の文字列ベクトルを出力する場合に、前記学習モデルに基づいて、抽出された所定数の前記文字列の順位付けを行う順位付け部をさらに有する、
    請求項１から３のいずれか一項に記載の服薬指導支援装置。
  5. 前記文字列抽出部が抽出した前記文字列を、前記順位付け部が順位付けした順位の通りに表示させる文字列表示部をさらに有する、
    請求項４に記載の服薬指導支援装置。
  6. 前記文字列表示部は、前記文字列が抽出される根拠となった単語を、前記文字列とともに表示させる、
    請求項５に記載の服薬指導支援装置。
  7. 文字列表示部は、複数の項目についてフィルタ機能を備え、前記フィルタ機能により選択された項目のみを表示させる、
    請求項５または６に記載の服薬指導支援装置。
  8. 抽出された前記文字列の文章形式を変換する文章変換部をさらに有する、
    請求項１に記載の服薬指導支援装置。
  9. 前記学習モデル生成部は、複数の前記患者ベクトル同士の類似度を算出し、前記患者ベクトルの入力に対して類似度が大きい患者ベクトルにあらかじめ対応づけられた文字列ベクトルが出力されるように学習処理が施された学習モデルを生成する、
    請求項１に記載の服薬指導支援装置。
  10. 前記学習モデル生成部が、前記文字列ベクトル毎に、前記確信度を出力するように学習処理が施された学習モデルを生成する場合に、前記文字列抽出部により抽出された前記文字列が、薬剤師により作成される服薬指導文書に使用された回数に基づいて、前記文字列に対応する前記文字列ベクトルに対する重み付け値を決定する重み付け部、
    をさらに有し、
    前記学習モデル生成部は、前記重み付け値に基づいて前記学習モデルを更新する、
    請求項１に記載の服薬指導支援装置。
  11. 前記学習モデル生成部は、前記文字列ベクトルの内容を示唆するグループを示すグループラベルが付与された教師データを用いて、前記確信度に加えて前記グループラベルを出力するように学習処理が施された前記学習モデルを生成し、
    前記文字列抽出部は、同一内容を示すグループラベルが付与された前記文字列ベクトルのうち、確信度が大きい順に所定数の文字列ベクトルに対応する文字列を抽出する、
    請求項１０に記載の服薬指導支援装置。
  12. 前記学習モデル生成部は、前記文字列が優先して使用される度合いを示す優先度を示す優先ラベルがさらに付与された教師データを用いて、前記確信度に加えて前記グループラベルおよび前記優先ラベルを出力するように学習処理が施された前記学習モデルを生成し、
    前記文字列抽出部は、同一内容を示すグループラベルが付与された前記文字列ベクトルのうち、前記優先度に基づき重み付けを行った前記確信度が大きい順に所定数の文字列ベクトルに対応する文字列を抽出する、
    請求項１１に記載の服薬指導支援装置。
  13. 第２学習モデル生成部と、
    第２抽出部と、
    をさらに有し、
    前記患者が主薬剤に加えて併用薬剤を使用する場合に、前記ベクトル生成部は、
    前記患者が使用する併用薬剤の名称である使用併用薬剤名に基づいて使用併用薬剤名ベクトルを生成し、かつ、
    前記主薬剤の前記文字列に含まれる、前記主薬剤との併用時に注意が必要な併用薬剤の名称である注意併用薬剤名に基づいて注意併用薬剤名ベクトルを生成し、
    前記第２学習モデル生成部は、前記併用薬剤名ベクトルの入力に対して、入力された前記併称薬剤名ベクトルとの類似度が大きい前記注意併用薬剤名ベクトルを出力するように学習処理が施された第２学習モデルを生成し、
    前記第２抽出部は、前記第２学習モデルを用いて、前記併用薬剤名ベクトルの入力に対して出力された前記注意併用薬剤名ベクトルに対応する前記注意併用薬剤名とあらかじめ関連づけられた注意事項を表す文字列を、前記主薬剤の前記文字列から注意併用薬指導文として抽出する、
    請求項１に記載の服薬指導支援装置。
  14. 第３学習モデル生成部と、
    第３抽出部と、
    をさらに有し、
    第３学習モデル生成部は、過去の複数の処方箋に記載された薬剤に対応する文字列の中から前記文字列抽出部が記載された薬剤に対応する文字列の中から抽出した複数の文字列、および当該複数の文字列間の優劣を示す優劣ラベルを含む処方箋教師データに基づいて、新たな処方箋に記載された薬剤に対応する文字列の順位付けを行い、上位所定数の文字列を抽出するように学習処理が施された第３学習モデルを生成し、
    前記第３抽出部は、前記第３学習モデルを用いて、新たな処方箋に記載された薬剤に対応する文字列から上位所定数の文字列を抽出する、
    請求項１０に記載の服薬指導支援装置。
  15. 前記優劣ラベルは、薬剤師により当該複数の文字列の少なくとも一部に対して与えられた薬剤師順位に基づいて付与される、
    請求項１４に記載の服薬指導支援装置。
  16. 薬剤師の操作を受け付ける受付部をさらに有し、
    前記重み付け部は、所定数の前記文字列のうち、前記薬剤師の操作によって選択された前記文字列の順位が下がらないように重み付け値を設定する、
    請求項３に記載の服薬指導支援装置。
  17. 患者に関する患者データおよび薬剤に対応した服薬指導用の複数の文字列に基づいて、患者ベクトルおよび複数の文字列ベクトルを生成するベクトル生成部と、前記患者ベクトルおよび複数の前記文字列ベクトルの入力に対して、前記患者ベクトルとの類似度が大きい順に前記複数の文字列ベクトルを出力する、または、前記文字列ベクトル毎に、前記文字列ベクトルに対応する文字列が前記患者ベクトルに対応する患者にとって必要な情報を含む度合いを示す確信度を出力するように学習処理が施された学習モデルを生成する学習モデル生成部と、前記学習モデルから前記類似度が大きい順に並べ替えられて出力された前記複数の文字列ベクトルのそれぞれに対応する前記複数の文字列から、上位所定数の前記文字列ベクトルに対応する前記文字列を抽出する、または、前記学習モデルから出力された前記確信度に基づいて前記複数の文字列から前記文字列を抽出する文字列抽出部と、抽出された前記文字列が、薬剤師により作成される服薬指導文書に使用された回数に基づいて、前記文字列に対応する前記文字列ベクトルに対する重み付け値を決定する重み付け部と、を有する複数の服薬指導支援装置と、
    サーバ装置と、
    前記複数の服薬指導支援装置と前記サーバ装置とを接続している所定のネットワークと、
    を有し、
    前記サーバ装置は、複数の前記服薬指導支援装置から送信された前記重み付け値に基づいて、それぞれの服薬指導支援装置において用いられる前記学習モデルを生成または更新する、
    服薬指導支援システム。
JP2019018750A 2018-09-06 2019-02-05 服薬指導支援装置および服薬指導支援システム Active JP7260315B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018166648 2018-09-06
JP2018166648 2018-09-06

Publications (2)

Publication Number Publication Date
JP2020042758A JP2020042758A (ja) 2020-03-19
JP7260315B2 true JP7260315B2 (ja) 2023-04-18

Family

ID=69798459

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019018750A Active JP7260315B2 (ja) 2018-09-06 2019-02-05 服薬指導支援装置および服薬指導支援システム

Country Status (1)

Country Link
JP (1) JP7260315B2 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7458000B2 (ja) * 2019-03-26 2024-03-29 国立大学法人埼玉大学 支援情報提供システム、支援情報提供装置、支援情報提供方法及びプログラム
JP7358090B2 (ja) * 2019-07-03 2023-10-10 キヤノンメディカルシステムズ株式会社 オーダ作成支援装置及びオーダ作成支援方法
JP7270791B2 (ja) * 2020-10-07 2023-05-10 三菱電機Ｉｔソリューションズ株式会社 服薬指導支援装置、服薬指導支援方法、および、服薬指導支援プログラム
JP7093821B2 (ja) * 2020-10-07 2022-06-30 三菱電機Ｉｔソリューションズ株式会社 服薬指導支援装置、服薬指導支援方法、および、服薬指導支援プログラム
JP7323241B2 (ja) * 2020-12-11 2023-08-08 株式会社Ｔｒホールディングス 服薬指導情報提供システム
EP4404047A1 (en) * 2023-01-20 2024-07-24 Rotas Italia S.r.l. Method and system for digital printing of images on physical supports

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100125615A1 (en) 2001-05-02 2010-05-20 Qed Solutions, Inc. Processing drug data
JP2016122253A (ja) 2014-12-24 2016-07-07 株式会社サンクスネット 服薬関連情報出力装置、分析サーバ、服薬関連情報出力システム、服薬関連情報出力装置の動作方法、服薬関連情報出力装置の動作プログラム、分析サーバの動作方法、ならびに分析サーバの動作プログラム
JP2018132859A (ja) 2017-02-14 2018-08-23 ジャパンモード株式会社 情報判別システム及び方法、情報判別プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100125615A1 (en) 2001-05-02 2010-05-20 Qed Solutions, Inc. Processing drug data
JP2016122253A (ja) 2014-12-24 2016-07-07 株式会社サンクスネット 服薬関連情報出力装置、分析サーバ、服薬関連情報出力システム、服薬関連情報出力装置の動作方法、服薬関連情報出力装置の動作プログラム、分析サーバの動作方法、ならびに分析サーバの動作プログラム
JP2018132859A (ja) 2017-02-14 2018-08-23 ジャパンモード株式会社 情報判別システム及び方法、情報判別プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
神崎 洋治 YOUJI KOUZAKI，最新 人工知能がよ～くわかる本 Artificial Intelligence，第1版，株式会社秀和システム，2016年07月07日，p.137-141

Also Published As

Publication number Publication date
JP2020042758A (ja) 2020-03-19

Similar Documents

Publication Publication Date Title
JP7260315B2 (ja) 服薬指導支援装置および服薬指導支援システム
US11664097B2 (en) Healthcare information technology system for predicting or preventing readmissions
CN111753543B (zh) 药物推荐方法、装置、电子设备及存储介质
US11011266B2 (en) Health provider matching service
JP6652986B2 (ja) 危険行動予測装置、予測モデル生成装置および危険行動予測用プログラム
US7672987B2 (en) System and method for integration of medical information
US20110295622A1 (en) Healthcare Information Technology System for Predicting or Preventing Readmissions
Ferdousi et al. Digital twins for well-being: an overview
CN102227730A (zh) 基于小工具的应用中临床元素提取、保持和传送的系统和方法
JP6646184B2 (ja) 検索用資料情報記憶装置
Xiang et al. Time-sensitive clinical concept embeddings learned from large electronic health records
CN114765075A (zh) 药品推荐方法、装置及系统、电子设备及存储介质
CN113724814B (zh) 一种分诊方法、装置、计算设备及存储介质
CN113724830B (zh) 基于人工智能的用药风险检测方法及相关设备
Akhtyamova et al. Adverse drug extraction in twitter data using convolutional neural network
CN116997974A (zh) 医疗的自动化个性化建议
RU2752792C1 (ru) Система для поддержки принятия врачебных решений
US20240312583A1 (en) Creating multiple prioritized clinical summaries using artificial intelligence
Veladas et al. Aiding clinical triage with text classification
JP2018197926A (ja) ソフトウェア及び薬歴作成支援装置
Bushinak et al. Recognizing the electronic medical record data from unstructured medical data using visual text mining techniques
US20220293253A1 (en) Systems and methods using natural language processing to improve computer-assisted coding
US20230059693A1 (en) Data analysis system and data analysis method
Grogan et al. Nursing documentation in digital solutions
Kushwah et al. Novel E-Focused Crawler and Enhanced k-mean (n-gram) clustering technique for Automatic classification of attribute level customer healthcare sentiments.

Legal Events

Date Code Title Description
RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20190704

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20191107

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211020

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220930

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221018

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221202

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230124

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230308

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: 20230328

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230406

R150 Certificate of patent or registration of utility model

Ref document number: 7260315

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150