JP7287489B2

JP7287489B2 - 推定方法、推定装置、及び推定プログラム

Info

Publication number: JP7287489B2
Application number: JP2021554544A
Authority: JP
Inventors: 篤彦前田; 健一福田; 順暎金; 幸雄菊谷; 和昭尾花
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2019-11-08
Filing date: 2019-11-08
Publication date: 2023-06-06
Anticipated expiration: 2039-11-08
Also published as: JPWO2021090489A1; US20220384020A1; WO2021090489A1

Description

開示の技術は、推定方法、推定装置、及び推定プログラムに関する。

ユーザに応じて受け入れ先の施設を選ぶ際、ユーザの受け入れが可能な施設を探すのが困難な場合がある。例えば、患者から救急搬送の要請があり、その搬送先の病院を探す場合が考えられる。

昨今、救急出動件数は増加の傾向にある（非特許文献１参照）。救急搬送の要請に応じて患者を救急車により病院へ搬送する際の課題の１つとして、患者を受け入れ可能な病院を特定するのに時間がかかることが知られている。特に、搬送要求を出した先の病院から受け入れを拒否され、再度搬送先の病院を選択しなければならない場合、搬送に要する時間が顕著に長くなることがある。

救急搬送においては、一般的にはまず救急車に患者を搬入し、その後に搬送先の病院を探す流れとなる。具体的には、救急隊が患者の搬送先を自分たちで探すため、病院に順番に連絡を入れる、又は病院に直接向かう場合がある。このとき、配備されている医師、及び診療の状況等様々な要因に基づき、搬送先の病院が決まらず患者のたらいまわしが起こる場合もある（例えば非特許文献２参照）。

"平成29年版消防白書", 総務省,URL:https://www.fdma.go.jp/publication/hakusho/h29/chapter2/section5/45975.html "病院「たらい回し」のニュースに潜む深刻すぎる現実",URL: https://limo.media/articles/-/9406

このような事象を解決するために、いくつかの対応が考えられる。例えば、ユーザの症状及び通院実績等を基準とした搬入先の候補の病院のリストアップ、並びに複数の病院に搬入可否を問う連絡をメール等で同時に行う、といった対応が考えられる。

しかしながら、病院をリストアップするだけでは複数の病院に搬入の可否を連絡する必要があり、搬入先の病院を確定するまでに時間を要してしまう。また、複数の病院に搬入の可否を問う連絡を同時にする場合、救急車と病院とがネットワークで接続されており、かつ、病院側の能動的な動作が要求される場合があり、なお課題を有する。

開示の技術は、上記の点に鑑みてなされたものであり、ユーザを受け入れる可能性の高い病院を精度良く予測できる推定方法、推定装置、及び推定プログラムを提供することを目的とする。

本開示の第１態様は、第一の時間における、病院がユーザを受け入れる見込みを推定する推定方法であって、前記第一の時間よりも過去である第二の時間における、前記病院がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する、ことを含む処理をコンピュータに実行させる推定方法である。

開示の技術によれば、ユーザを受け入れる可能性の高い病院を精度良く予測することができる。

本実施形態の選択支援装置の構成を示すブロック図である。選択支援装置のハードウェア構成を示すブロック図である。実績データＤ１の一例を示す図である。予測モデル生成用データＤ２の一例を示す図である。予測用データＤ３の一例を示す図である。スコア算出用データＤ４の一例を示す図である。選択支援装置による学習処理の流れを示すフローチャートである。選択支援装置による予測処理の流れを示すフローチャートである。属性情報を表すベクトルの一例を示す図である。予測用データＤ３の加工例を示す図である。算出された受け入れ確率を含む出力データの一例を示す図である。

以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。

まず、本件開示の技術が注目した事項について説明する。前述した従来技術においては、受け入れを可能とする病院が見つかるまで病院の探索を行う。言い換えると、受け入れを拒否された場合、そこで一度処理が終了する。しかしながら、受け入れを拒否する理由によっては、時間の経過でその理由が解消し、受け入れが可能になっている場合もあると想定される。つまり、拒否する理由、拒否する理由を回答されてからの時間の経過、を考慮することにより、現時点での受け入れ可否の推定値、及び所定の時間における受け入れ可否の推定値の高精度化も可能である点について着目した。

以下、本実施形態の構成について説明する。なお以下では、一例として、施設である病院に患者を救急搬送する場合を例に挙げて説明する。病院に患者を救急搬送する場合、ユーザである救急隊員又はサービスセンタのオペレータ等が搬送先の病院を選択し、その病院に対して搬送要求（すなわち、受け入れ要求）を出す。ただし、病院のような医療機関に受け入れ要求を行う場合に限定されない。例えば、災害時における避難施設等への被災者の受け入れ要求、及び資材の搬送先の施設等への資材の受け入れ要求等が想定される。このように本開示では、受け入れ先の施設の選択を支援するため、ユーザからの要求を受け入れる可能性が高い施設の予測を可能にする技術を提供する。

図１は、本実施形態の選択支援装置の構成を示すブロック図である。なお、選択支援装置が、本開示の推定装置の一例である。

図１に示すように、選択支援装置１００は、入出力部１１０と、演算部１２０と、記憶部１３０とを備えている。

図２は、選択支援装置１００のハードウェア構成を示すブロック図である。

図２に示すように、選択支援装置１００は、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）１１、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）１２、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６及び通信インタフェース（Ｉ／Ｆ）１７を有する。各構成は、バス１９を介して相互に通信可能に接続されている。

ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、選択支援プログラムが格納されている。

ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）又はＳＳＤ（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。

入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。

表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能してもよい。なお、入力部１５及び表示部１６が、入出力部１１０に対応する。

通信インタフェース１７は、端末等の他の機器と通信するためのインタフェースであり、例えば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。

次に、選択支援装置１００の各機能構成について説明する。各機能構成は、ＣＰＵ１１がＲＯＭ１２又はストレージ１４に記憶された選択支援プログラムを読み出し、ＲＡＭ１３に展開して実行することにより実現される。なお、選択支援プログラムが、本開示の推定プログラムの一例である。

図１に示したように、選択支援装置１００の演算部１２０は、実績データ取得部１２１と、学習用情報付加部１２２と、学習部１２３と、予測データ取得部１２４と、予測用情報付加部１２５と、スコア算出部１２６と、出力制御部１２７とを含んでいる。記憶部１３０は、実績データ記憶部１３１と、予測モデル記憶部１３２とを含んでいる。

実績データ取得部１２１は、入出力部１１０を介して、図示しない入力デバイス又は外部データベース等から、過去の受け入れ要求に関する実績データを取得し、実績データ記憶部１３１に格納する。実績データ取得部１２１による実績データの取得は、実績データを受け付けるごとに都度行われる。

実績データ記憶部１３１には、実績データＤ１が記憶されている。図３は、実績データＤ１の一例を示す図である。図３に示すように、実績データＤ１は、例えば、属性情報と、病院ＩＤと、受け入れ結果と、受け入れ拒否理由と、が関連付けられたデータである。属性情報とは、ユーザからの受け入れ要求に関連する種々の情報を言う。救急搬送の場合、属性情報は、例えば、救急搬送の要請があったときの年月日、曜日、時間帯、患者症状、及び患者の症状に応じた診療科目である。また、属性情報には、天候、患者の顔色、及び心拍数等も含まれていてよい。また、候補施設に関する属性情報を含むこともできる。病院ＩＤは、搬送先の施設（病院）の識別情報である。受け入れ結果は、各施設が受け入れ要求を受け入れたか否かの情報である。受け入れ拒否理由は、受け入れが拒否された場合の拒否理由である。受け入れ拒否理由は、例えば、予め準備された複数の選択肢から選んで入力すればよく、ここでは「手術中」「専門医不在」「ベッド満床」「処置困難」及び「応答なし」の５種類とする。このように、実績データは、過去の受け入れ要求に関する情報と、受け入れ要求に対する受け入れの成否を表す情報とを含む。

学習用情報付加部１２２は、実績データ記憶部１３１に記憶されている実績データＤ１を読み出し、実績データＤ１に基づいて、予測モデルを生成するために用いられる予測モデル生成用データＤ２を生成し、学習部１２３に出力する。図４は、予測モデル生成用データＤ２の一例を示す図である。図４に示すように、予測モデル生成用データＤ２は、時間帯、曜日、患者症状、病院ＩＤ、受け入れ結果、同診療科における直近の拒否理由、及び拒否発生からの経過時間に関するデータである。予測モデル生成用データＤ２の生成については後述する。

学習部１２３は、予測モデル生成用データＤ２から得られる、ベクトルと、正解ラベルとを用いて、統計分析する処理を実行し、係数ベクトルを予測モデルとして学習し、予測モデル記憶部１３２に格納する。予測モデルの学習手法については後述する。なお、学習部１２３の処理は定期的（例えば、半月、一か月ごと等）に実行しておくように予め設定しておけばよい。

予測モデル記憶部１３２には、予測モデルが記憶されている。予測モデルは、新たに発生した受け入れ要求に関連する属性情報に基づいて、各候補施設がその受け入れ要求を受け入れる可能性を予測するために使用される。

予測データ取得部１２４は、入出力部１１０を介して、予測用データＤ３を取得し、予測用情報付加部１２５に出力する。図５は、予測用データＤ３の一例を示す図である。図５に示すように、予測用データＤ３は、例えば、受け入れ要求の日時、曜日、患者症状、及び診療科目を含むデータである。この例では、２０１９年９月６日金曜日の２２時１２分に、診療科目としては内科となる急性アルコール中毒の症状が観察される患者が発生したことを示している。このように、予測用データＤ３は、日時を含む受け入れ要求に関する属性情報について取得されている。

予測用情報付加部１２５は、取得した予測用データＤ３と、実績データ記憶部１３１に記憶されている実績データＤ１とに基づいて、スコア算出用データＤ４を生成し、スコア算出部１２６に出力する。図６は、スコア算出用データＤ４の一例を示す図である。図６に示すように、スコア算出用データＤ４は、例えば、時間帯、曜日、患者症状、病院ＩＤ、以前の拒否理由、及び拒否発生からの経過時間を含むデータである。スコア算出用データＤ４の生成については後述する。

スコア算出部１２６は、予測用情報付加部１２５から出力されたスコア算出用データＤ４と、予測モデル記憶部１３２に記憶されている予測モデルとに基づいて、病院ごとのスコア値を算出する。スコア値は、ある特定の施設に受け入れ要求をした場合に受け入れてもらえる可能性を表す値である。スコア値の算出手法については後述する。なお、スコア算出部１２６が、本開示の推定部の一例である。

出力制御部１２７は、スコア算出部１２６で算出されたスコア値に基づいて出力データを作成し、入出力部１１０を介して、出力する処理を行う。出力処理については後述する。

次に、選択支援装置１００の作用について説明する。選択支援装置１００の作用が、本開示の推定方法の一例である。

選択支援装置１００の作用は、選択支援処理は、学習処理と予測処理とに分けられるため、以下それぞれについて説明する。図７は、選択支援装置１００による学習処理の流れを示すフローチャートである。図８は、選択支援装置１００による予測処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から選択支援プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、各処理が行なわれる。

まず、選択支援装置１００の学習処理について説明する。本実施形態では、選択支援装置１００は、図７に示す学習処理によって予測モデルを学習する。予測モデルは、病院の搬送要求の受け入れやすさ、すなわち受け入れ要求を受け入れる可能性を予測するためのモデルである。より具体的には、本実施形態では、予測モデルの生成は、係数マトリクスを算出する処理を指す。係数マトリクスは、病院による受け入れ要求の受け入れやすさを表すスコア値を算出するための行列であり、特徴量を表すベクトル対応する係数をパラメータとして学習した行列である。以下に説明する係数マトリクスＷが、本開示の属性情報を表すベクトルに対応するパラメータを要素とした第一行列の一例である。係数マトリクスＶが、拒否した理由を表すベクトルに対応するパラメータを要素とした第二行列の一例である。なお、学習処理は、任意のタイミングで開始されてよく、例えば、一定時間ごとに自動的に開始されてもよいし、オペレータの操作をトリガとして開始されてもよい。また、実績データ取得部１２１によって実績データＤ１が予め取得されて、実績データ記憶部１３１に格納されている。

ステップＳ１００で、ＣＰＵ１１は、学習用情報付加部１２２として、実績データ記憶部１３１に記憶されている実績データＤ１を読み出す。

ステップＳ１０２で、ＣＰＵ１１は、学習用情報付加部１２２として、実績データＤ１に基づいて、予測モデルを生成するために用いられる予測モデル生成用データＤ２を生成し、学習部１２３に出力する。

予測モデル生成用データＤ２の生成について説明する。学習用情報付加部１２２は、実績データＤ１の各行について経過時間を算出する処理を行う。経過時間は、対象とした行の日時より過去の実績データを参照し、同じ病院ＩＤ、同じ診療科目の実績データの中から、当該対象とした行の日時のそれ以前の日時に受け入れ拒否が発生した行を探索する。探索の結果得られた行について、その受け入れ拒否理由と、当該対象とした行の日時から探索の結果得られた行の日時までの経過時間を計算し、当該対象とした行に付加する。ここで、それ以前の日時とは、例えば直近の日時である。例として、図３に示したＤ１の６行目に受け入れ拒否と経過時間とを付加する場合について説明する。この場合、６行目を対象の行として、６行目の日時より過去の実績データで同じ病院ＩＤ、及び同じ診療科目である４行目の受け入れ拒否理由を同じ診療科目における直近の拒否理由として抽出し、経過時間を算出する。また、Ｄ１の日時の情報から時間帯情報を算出し、必要に応じて不要な列を削除する。学習用情報付加部１２２は、このようにして生成した予測モデル生成用データＤ２を学習部１２３に出力する。なお、学習処理において、対象とした行の日時が、本開示の第一の時間の一例であり、探索の結果得られた行の日時が、本開示の第一の時間よりも過去である第二の時間の一例である。

ステップＳ１０４において、ＣＰＵ１１は、学習部１２３として、予測モデル生成用データＤ２から得られる、特徴ベクトルと、正解ラベルとを用いて、統計分析する処理を実行し、係数マトリクスを予測モデルとして学習する。なお、特徴ベクトルは以下では単にベクトルと表記する。

予測モデルの学習について説明する。本実施形態では、学習部１２３は、予測モデル生成用データＤ２における受け入れ結果のカラム（可／不可）を目的変数とし、その他の情報の全てを説明変数（ベクトル）とした統計分析を実行する。受け入れ結果のカラムが、病院の受け入れの可否を表す正解ラベルとなる。これにより、病院による受け入れやすさ、すなわち受け入れ要求を受け入れる可能性の高さを表すスコア値を算出するための係数マトリクスＷ及びＶを予測モデルとして算出する。例えば、受け入れ結果のカラムが受け入れ可の場合は１、受け入れ不可の場合は０とラベル付けを行い、これを目的変数として統計分析を行う。

学習部１２３において実行される統計分析としては、例えば、ロジスティック回帰分析、ランキング学習、ランダムフォレスト等の手法を目的に応じて選択すればよい。ここでは、ベクトルに対し、受け入れ要求が「受け入れられる」場合に大きなスカラ値を出力する関数ｆ（ｐ，ｈ，Δｔ，ｒ；Ｗ，Ｖ）を設計する。ここで、ｐ，ｈ，Δｔ，ｒはベクトル又は変数として予測モデル生成用データＤ２に全て含まれている。Ｗ、Ｖはベクトルに対応するパラメータを要素とする係数マトリクスを表す。

以降ではロジスティック回帰を使った場合の例を示す。まず、一次スコア値を求める式を以下（１）式とする。

・・・（１）

ここでｐ_ｉはｉ番目に発生した患者（又は患者の受け入れ要求）の属性情報を表すＤ×１次元のベクトルであり、ｈ_ｊは受け入れ先の候補となるｊ個の病院をｏｎｅ－ｈｏｔエンコーディングで表したベクトルである。ｒ_ｉ，ｊはｉ番目に発生した患者の受け入れ要求の日時を基準として直近に発生したｊ番目の病院における受け入れ拒否の理由をｏｎｅ－ｈｏｔエンコーディングで表したベクトルである。Δｔ_ｉ，ｊはその間の経過時間を表す変数である。予測モデル生成用データＤ２は、ｏｎｅ－ｈｏｔエンコーディングされていないので、上記の（１）式に代入する場合には適宜エンコーディングする。ＷとＶとは求めたいパラメータの行列である。

ここで患者の属性情報は、受け入れ要求を出す時間帯２４種類（１時間ごと）、曜日７種類、及び症例５０種類からなり、受け入れ候補となる病院数は３０、受け入れ拒否の理由は５種類とすると、上記の式の詳細は以下（２）式に示される。

・・・（２）

ベクトルｐ_ｉは、ｉ番目の患者が発生した時間帯、発生した曜日、及び患者症例をそれぞれｏｎｅ－ｈｏｔエンコーディングして連結したベクトルである。図９は、属性情報を表すベクトルの一例を示す図である。図９に示す例は、インデックスが１００番の患者の属性を表したベクトルｐ_１００の例、１００番目の患者と２番目の病院との組み合わせで生じる拒否理由のベクトルｒ_{１００，２}の例、２番目の病院を表すベクトルｈ_２の例を示している。次に、係数マトリクスＷ及びＶについて、係数マトリクスＷのパラメータを例に説明する。時間帯を表すベクトルについて、ｗ_１，１，ｗ_２，１，．．．，ｗ_２４，１というパラメータを持つ。同様に、曜日を表すベクトルについて、ｗ_{２４＋１，１}，ｗ_{２４＋２，１}，．．．，ｗ_{２４＋７，１}というパラメータを持つ。係数マトリクスＷは、このように属性情報を表すベクトルに対応するパラメータを要素として持つ。同様に、係数マトリクスＶは、病院が受け入れを拒否した理由を表すベクトルに対応するパラメータを要素として持つ。上記の一次スコア値ｓ_ｉｊを以下のロジスティック関数に代入して、患者を受け入れるか否かを判定する受け入れ確率ｐ_ｉｊを求めるロジスティック回帰の式は以下（３）式になる。

・・・（３）
以上の式から、特定の曜日、特定の時間帯において発生する、特定の症例の患者に対する各々の病院での受け入れ確率が求まる。正解ラベルに従って、正解ラベルが受け入れ可：１である場合に受け入れ確率が高くなり、受け入れ不可：０である場合に受け入れ確率が低くなるように、係数マトリクスＷ及びＶを求める。これにより、係数マトリクスＷ及びＶが、病院の各々における直近の受け入れ拒否理由、及び直近で当該拒否理由が生じた経過時間を考慮するようなパラメータとして学習される。

ステップＳ１０６で、ＣＰＵ１１は、学習部１２３として、係数マトリクスＷ及びＶとして学習した予測モデルを予測モデル記憶部１３２に格納する。

以上の学習処理によって、本開示の予測モデルとして、病院ごとのユーザの受け入れの可能性を示す値を出力する関数と、正解ラベルとに基づいて、第一行列Ｗ及び第二行列Ｖのパラメータが学習される。第一行列Ｗ及び第二行列Ｖのパラメータは、当該関数において、ユーザが受け入れられる場合に受け入れの可能性が高くなる値を出力するように学習される。関数は、上述したように、受け入れに関する所定の属性情報を表すベクトル（ｐ_ｉ）、当該属性情報を表すベクトルに対応するパラメータを要素とした第一行列（Ｗ）を含む。また、関数は、第二の時間から第一の時間までの経過時間（Δｔ_ｉ，ｊ）、病院が受け入れを拒否した理由を表すベクトル（ｒ_ｉ，ｊ）、及び拒否した理由を表すベクトルに対応するパラメータを要素とした第二行列（Ｖ）、を含む。

以上が選択支援装置１００の学習処理の作用の説明である。

次に、選択支援装置１００の予測処理の作用について説明する。本実施形態では、選択支援装置１００は、図８に示す予測処理によって予測を行い、ユーザの選択を支援する。この処理は、例えば、新たに救急搬送を要する患者が発生したときに、例えば、救急隊員又はサービスセンタのオペレータからの開始要求（受け入れ要求）の入力に応じて開始される。

ステップＳ２００で、ＣＰＵ１１は、予測データ取得部１２４として、入出力部１１０を介して、予測用データＤ３を取得し、予測用情報付加部１２５に出力する。

予測用データＤ３は、新たに発生した受け入れ要求として、新たに患者から要請された救急搬送に関連する属性情報を含む。属性情報としては、より具体的には、日時、曜日などの環境情報に加え、搬送予定者（患者）の症状に応じた診療科目、及び症状などの患者情報を含む。予測用データＤ３の例は図５に示した通りである。

ステップＳ２０２で、ＣＰＵ１１は、予測用情報付加部１２５として、取得した予測用データＤ３と、実績データ記憶部１３１に記憶されている実績データＤ１とに基づいて、スコア算出用データＤ４を生成し、スコア算出部１２６に出力する。

スコア算出用データＤ４の生成過程について説明する。まず、予測用データＤ３を図１０のように日時を時間帯の情報に変換し、不要な情報は加工する。次に、実績データ記憶部１３１に記憶されている実績データＤ１を参照し、各病院における、予測用データＤ３の診療科目が同一で、かつ、現在の時間（予測用データＤ３の日時）より以前の日時に受け入れ拒否が発生した行を探索する。探索結果として得られた行から、その受け入れ拒否の理由を抽出し、当該探索結果として得られた行の日時から現在の日時までの経過時間を計算する。現在の時間より以前の日時とは、例えば直近の日時である。直近以外の日時を選ぶ方法としては、直近に受け入れ拒否が発生しており、そのさらに直前にも同じ理由で受け入れ拒否が発生しているならば、連続して発生しているうちの最も古い時間の行を対象としてもよい。この理由には、当該受け入れ困難な状況が発生したなるべく初期の時間を参照するようデータを統一することにより、予測精度を高める狙いがある。そして、図１０のデータを各病院分だけ複製し、各病院のデータと結合して、スコア算出用データＤ４を作成し、スコア算出部１２６にスコア算出用データＤ４を出力する。スコア算出用データＤ４の例は図６に示した通りである。このように、スコア算出用データＤ４は、病院ごとの、属性情報と、経過時間と、病院の受け入れ拒否理由とを含む。なお、予測処理において、予測用データＤ３の日時が本開示の第一の時間の一例であり、実績データＤ１から探索結果として得られた行の日時が本開示の第二の時間の一例である。また上述したように、第二の時間は、第一の時間を基準として病院で直近の受け入れ拒否をされた時間である。また、第二の時間を基準として、所定の時間内に複数回受け入れ拒否されている場合、所定の時間内におけるもっとも過去の受け入れ拒否された時間を新たな第二の時間として設定するようにしてもよい。

ステップＳ２０４で、ＣＰＵ１１は、スコア算出部１２６として、予測用情報付加部１２５から出力されたスコア算出用データＤ４と、予測モデル記憶部１３２に記憶されている予測モデルとに基づいて、病院ごとのスコア値を算出する。病院ごとのスコア値が、本開示の病院ごとの受け入れの可能性を示す値の一例である。

スコア値の算出の例を説明する。まず、スコア算出部１２６は、予測モデル記憶部１３２に記憶されている予測モデルとして係数マトリクスＷ及びＶを取得する。ここで、スコア算出用データＤ４の各行の属性情報、病院ＩＤ、及び受け入れ拒否理由を図９の形式にならってベクトルとする。病院ごとのスコア値は、病院ｊごとに、当該ベクトルと経過時間を、予測モデルである係数マトリクスＷ及びＶを用いて上記（２）式及び（３）式に適用して、病院ごとの受け入れ確率ｐ_ｉｊを計算することにより求める。受け入れ確率は、各病院に関する要求の受け入れられやすさを表し、受け入れ確率が高いほど、受け入れ要求か受け入れられやすいことを意味する。以上のように、患者の受け入れ要求ｉに対する病院ｊごとのスコア値が求まる。

ステップＳ２０６で、ＣＰＵ１１は、出力制御部１２７として、算出されたスコア値に基づいて出力データを作成し、入出力部１１０を介して、出力する処理を行う。

出力データについて説明する。例えば、出力制御部１２７は、算出された受け入れ確率を降順に並び替えた、搬送先候補である複数の病院に対して優先度付けを行った優先度リストを出力データとして作成できる。ここで、算出された受け入れ確率をそのまま出力データとしてもよいし、ソートした上位以外を除外した出力データとしてもよい。さらに、予め患者が発生した場所と各病院までの距離がわかる場合は、その距離にしきい値を設けて表示する病院を絞ってもよいし、ないしはその距離を受け入れ確率とセットで表示してもよい。

以上の予測処理によって、本開示の推定方法は、第一の時間における、病院がユーザを受け入れる見込みを推定する推定方法として実行される。これにより、第二の時間における、病院がユーザの受け入れを拒否した理由と、第二の時間から第一の時間までの時間と、を関連付けることで第一の時間におけるユーザを受け入れる見込みを推定する。なお、ユーザの受け入れとは、施設に対するユーザの何らかの行動の受け入れであり、例えば、ユーザから病院に向けて出す受け入れ要求の受け入れ等を指す。

図１１は、算出された受け入れ確率を含む出力データの一例を示す図である。図１１では、出力データとして、算出された受け入れ確率に基づいて確率が高い病院から低い病院へと降順に並び替えた優先度リストが示されている。受け入れ確率が高い病院ほど、搬送要求が受け入れられる可能性が高いことを示す。従って、図１１の優先度リストは、最も高いスコア値０．９５を有する病院ＣＣＣが最も搬送要求を受け入れる可能性が高い。また、２番目に搬送要求を受け入れる可能性が高いのがスコア値０．８７の病院ＥＥＥで、３番目がスコア値０．８２の病院ＦＦＦであることを示している。この優先度リストを出力データとして出力すれば、優先度リストを見たユーザである救急隊員又はオペレータは、ただちに、現在の搬送要求が受け入れられる可能性が最も高いのが病院ＣＣＣであると判断し、病院ＣＣＣに搬送要求を出すことができる。万一、病院ＣＣＣによって受け入れを拒否された場合でも、すぐに次の候補として２番目の病院ＥＥＥを選択できるので、搬送先の候補を選択するのに要する時間を最小限に抑えることができる。また、ユーザの利便性を高めるため、病院ＩＤの代わりに施設名を出力するようにしてもよい。

また、上記でいずれかの病院に搬送要求を出して結果が判明した場合、ユーザである救急隊員又はオペレータがただちに結果を選択支援装置１００に送信する。結果を受けて、実績データ取得部１２１により、ただちに実績データ記憶部１３１の実績データが更新される。このようにして、実績データ記憶部１３１の実績データは常に最新に保たれ、各病院における最新の受け入れ拒否の情報を活用して受け入れ先の予測精度を高めることができる。

以上説明したように本実施形態の選択支援装置１００によれば、ユーザを受け入れる可能性の高い病院を精度良く予測できる。

また、上述した実施形態では、病院である施設に対するユーザの受け入れ要求が受け入れられる見込みを予測する場合を例に説明したが、この例に限定されない。例えば、施設をウェブ広告に置き換え、個別の特徴量をウェブ広告側の何らかの属性とし、ある属性を持つユーザが各ウェブ広告をクリックする確率を求めるような場合にも適用可能である。この場合、ウェブ広告が、所定の対象の一例である。

なお、上記各実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した学習処理又は予測処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－ＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（ＰｒｏｇｒａｍｍａｂｌｅＬｏｇｉｃＤｅｖｉｃｅ）、及びＡＳＩＣ（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、学習処理又は予測処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

また、上記各実施形態では、選択支援プログラムがストレージ１４に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（ＣｏｍｐａｃｔＤｉｓｋＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（ＤｉｇｉｔａｌＶｅｒｓａｔｉｌｅＤｉｓｋＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、及びＵＳＢ（ＵｎｉｖｅｒｓａｌＳｅｒｉａｌＢｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

以上の実施形態に関し、更に以下の付記を開示する。

（付記項１）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
第一の時間における、病院がユーザを受け入れる見込みを推定する推定装置であって、
前記第一の時間よりも過去である第二の時間における、前記病院がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する、
ように構成されている推定装置。

（付記項２）
第一の時間における、病院がユーザを受け入れる見込みを推定する推定プログラムであって、
前記第一の時間よりも過去である第二の時間における、前記病院がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する、
ことをコンピュータに実行させる推定プログラムを記憶した非一時的記憶媒体。

１００選択支援装置
１１０入出力部
１２０演算部
１２１実績データ取得部
１２２学習用情報付加部
１２３学習部
１２４予測データ取得部
１２５予測用情報付加部
１２６スコア算出部
１２７出力制御部
１３０記憶部
１３１実績データ記憶部
１３２予測モデル記憶部

Claims

第一の時間における、病院がユーザを受け入れる見込みを推定する推定方法であって、
前記病院が前記第一の時間よりも過去である第二の時間における、前記病院がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する、
ことを含む処理をコンピュータに実行させる推定方法。
前記第二の時間は、前記第一の時間を基準として前記病院で直近の受け入れ拒否をされた時間である請求項１記載の推定方法。
前記第二の時間を基準として、所定の時間内に複数回受け入れ拒否されている場合、前記所定の時間内におけるもっとも過去の受け入れ拒否された時間を新たな第二の時間として設定する請求項２記載の推定方法。
前記関連付けは、予め学習された予測モデルを用い、病院ごとのユーザの受け入れの可能性を示す値を予測することによって行い、
前記予測モデルは、
ユーザの受け入れの可能性を示す値を出力する関数であって、受け入れに関する所定の属性情報を表すベクトル、前記属性情報を表すベクトルに対応するパラメータを要素とした第一行列、前記第二の時間から前記第一の時間までの経過時間、前記病院が受け入れを拒否した理由を表すベクトル、及び前記拒否した理由を表すベクトルに対応するパラメータを要素とした第二行列、を含む関数と、前記病院の受け入れの可否を表す正解ラベルとに基づいて、前記関数においてユーザが受け入れられる場合に受け入れの可能性が高くなる値を出力するように、前記第一行列及び前記第二行列のパラメータが学習されている請求項１～３の何れか１項記載の推定方法。
受け入れ要求が発生した現在の時間を第一の時間とし、前記現在の時間より以前の日時に受け入れ拒否が発生した時間を第二の時間として、
日時を含む受け入れ要求に関する属性情報について取得された予測用データと、属性情報と、病院の識別情報と、受け入れ結果と、受け入れ拒否理由と、が関連付けられた実績データとに基づいて、病院ごとの、前記受け入れ要求の属性情報と、前記第二の時間から前記第一の時間までの経過時間と、前記第二の時間における当該病院の受け入れ拒否理由とを含むスコア算出用データを生成し、
生成した前記スコア算出用データと、病院ごとの受け入れの可能性を示すスコア値を出力するように予め学習された予測モデルとに基づいて、前記スコア算出用データの前記属性情報、前記経過時間、及び前記受け入れ拒否理由をベクトルとして前記予測モデルに適用して受け入れ確率の計算を行うことで、病院ごとのスコア値を算出する、
ことを含む処理をコンピュータに実行させる推定方法。
第一の時間における、所定の対象がユーザを受け入れる見込みを推定する推定方法であって、
前記第一の時間よりも過去である第二の時間における、前記対象がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する、
ことを含む処理をコンピュータに実行させる推定方法。
第一の時間における、病院がユーザを受け入れる見込みを推定する推定装置であって、
前記第一の時間よりも過去である第二の時間における、前記病院がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する推定部、
を含む推定装置。
第一の時間における、病院がユーザを受け入れる見込みを推定する推定プログラムであって、
前記第一の時間よりも過去である第二の時間における、前記病院がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する、
ことをコンピュータに実行させる推定プログラム。