JP7365747B1 - 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム - Google Patents

Abstract

【課題】本発明は階層図ニューラルネットワークに基づく疾患診療過程異常識別システムを提供する。【解決手段】データ収集モジュール、データ前処理モジュール、階層図ニューラルネットワーク構築モジュール、診療過程異常スコア算出モジュール及び診療過程異常識別適用モジュールを含む。本発明は、階層図ニューラルネットワークモデル構築及び訓練方法を提出し、複雑な縦方向電子カルテデータに対してモデリング分析を行い、時系列情報及び共起情報の融合利用を実現する。本発明は、疾患診療過程異常を診療イベント異常、受診異常及び患者異常の３つの階層に分け、低階層、細粒度の診療イベント階層から高階層、粗粒度の患者階層に分け、診療過程異常の階層化定量化及び総合評価方法を設計し、かつ診療過程異常の分類方法を提供し、診療が具体的にどの回でどの診療ステップで発生するかを精確に位置決めする。【選択図】図１

Description

本発明は、医療健康情報技術分野に属し、具体的に階層図ニューラルネットワークに基づく疾患診療過程異常識別システムに関する。

臨床診療過程において、同じ診断を有する患者であっても、異なる臨床症状及び疾患進行軌跡を有する。患者の異質性により、同じ診断の患者は、差異が巨大な診療過程を有することを引き起こす。なお、医療従事者は、臨床ガイドに要求された診療解決手段おおび介入措置に対する了解が不足であり、臨床ガイドに対する依存性が不足であり、及び診療過程に関する医療費及び医療保険償還などの原因により、診療過程の差異を引き起こすと同時、不正確なまたは不適当な医療行為をも導入し、患者の治療効果低下及び医療費増加などの問題を引き起こす。したがって、実際の医療シナリオでは、差異が巨大な診療過程において異常な診療行為を識別し、医療従事者が患者の病状変化に基づいてタイムリー、正確な診療解決手段を調整することを支援し、診療品質を向上し、治療予後を改善することに役たち、診療行為を規範し、医療保険費を制御することに役立つ。

従来の診療過程における異常識別解決手段は主として、（１）ガウス分布に基づく方法であって、データがガウス分布に従うと仮定し、診療行為のサンプル値に対して周波数分布図を作成し、平均値に３倍標準差を加減算した以外のサンプルを異常データとしてマークする。このような方法は、データ自体が正規性を備える必要があり、かつ平均値及び分散自体がいずれも異常値にとても敏感であり、影響を受けやすい。なお、当該方法は、単一の受診イベントのみを処理することができず、複数種類の診療データを同時に利用することができず、かつ縦方向電子カルテの時系列情報を無視する。（２）テーマモデルに基づく方法であって、電子カルテデータを受診を単位として分割し、テーマモデルを用いて毎回受診するテーマをマイニングすることにより、所定のテーマの特定の診療イベントの出現確率、及び所定の受診の特定のテーマの出現確率を取得する。確率を乗算することで、所定の受診の特定の診療イベントの出現確率を取得し、この確率に基づいて診療イベントが異常であるか否かを判断することができる。当該方法は、診療過程時間次元の情報を無視し、診療イベントの間には時間前後順序があり、受診の間にも時間前後順序がある。（３）ベイジアンネットワークに基づく方法であって、各診療イベントを１つのノードとし、ベイジアンネットワークを構築することにより各ノードに異常識別を行いかつ異常スコア値を与える。異常検出を行った後、各ノードの異常スコア値はいずれも現在時刻及び過去時刻の情報を総合したものである。当該方法におけるノード異常の初期スコアは、専門家注釈に依存し、主観性が大きく、かつ取得コストが高い。なお、当該方法は、異なる受診イベントの間の時系列情報を利用することができない。

電子カルテデータは複雑であり、人口統計学、バイオマーカー及び臨床特徴などの多次元データを含むだけでなく、かつ複雑な縦方向時系列情報を有し、患者は複数回の受診情報を有し、異なる時間には異なる診療イベントを有する。従来方法は、複雑な縦方向電子カルテデータを処理することが困難であり、異なる受診データの間の関係を利用することができない。なお、臨床診療過程において、正常診療過程から大きく逸脱する異常患者に加えて、異常は一回の受診イベント異常、または受診過程における単一の診療イベント異常と表現することもできる。一回の診療イベントの出現の有無及び出現の前後順序のみに基づいて当該診療イベントに異常があるか否かを直接判断することができず、当該診療イベントを患者のこの回の受診イベントに入れて、さらに患者の全ての診療記録に入れて総合的に判断する必要がある。

従来技術の不足について、本発明は、階層図ニューラルネットワークに基づく疾患診療過程異常識別システムを提出する。

本発明の目的は、以下の技術的解決手段によって実現される。

（１）患者の基本情報及び患者診療データを収集するためのデータ収集モジュールと、
（２）データ収集モジュールで収集されたデータに対して前処理を行い、診療イベント集合、受診集合及び患者集合を構築するデータ前処理モジュールと、
（３）診療イベント、受診、患者の３つの階層を含む診療過程階層ネットワークを構築するための診療過程階層ネットワーク構築サブモジュールと、
階層化表現学習方法を採用して診療イベントノード、受診ノード及び患者ノードの初期ベクトル表現を取得するノード初期ベクトル表現取得サブモジュールと、
各階層のノード初期ベクトル表現に基づいて階層図ニューラルネットワークモデルを構築し、グラフアテンションメカニズムを利用して複数の階層の総合訓練を行うモデル構築及び訓練サブモジュールと、
を含む階層図ニューラルネットワーク構築モジュールと、
（４）階層図ニューラルネットワーク訓練結果に基づいて異常値を階層的に算出し、診療過程異常を層ごとに識別する診療過程異常スコア算出モジュールと、
（５）患者構造化データを前処理した後に診療イベントノード、受診ノード及び患者ノードに分け、異なるノードの初期ベクトル表現を算出し、訓練されたノードベクトル表現を階層図ニューラルネットワークモデルを利用して取得し、かつノード初期ベクトル表現と組み合わせて各階層のノード異常値を算出し、異常ノードを見つける診療過程異常識別適用モジュールと、
を含む、階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。

さらに、前記診療過程階層ネットワーク構築サブモジュールにおいて、診療イベント集合、受診集合及び患者集合をノード集合として構成し、毎回の受診と今回の受診に発生した全ての診療イベントを接続して診療イベント受診エッジ集合を構成し、各患者と当該患者の全ての受診を接続して受診患者エッジ集合を構成し、診療イベント受診エッジ集合と受診患者エッジ集合とをエッジ集合として構成し、前記ノード集合と前記エッジ集合とが共に診療過程階層ネットワークを構成する。

さらに、前記ノード初期ベクトル表現取得サブモジュールにおいて、毎回受診における診療イベントを時間に応じて配列し、単語ポケットモデルを利用して訓練を行い、診療イベントノード初期ベクトル表現を取得し、順に診療イベント長短期記憶自己エンコーダモデル及び受診長短期記憶自己エンコーダモデルを用いて受診ノード初期ベクトル表現及び患者ノード初期ベクトル表現を取得する。

さらに、前記診療イベントノード初期ベクトル表現は、診療イベントノードをワンホットエンコードし、単語ポケットモデルを利用して診療イベントノードのワンホットエンコード結果を訓練することにより取得され、具体的に、
診療イベントノードのワンホットエンコードを取得し、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、観察ウィンドウの長さがＬであり、順に各診療イベントノードの前、後の各Ｌ個の診療イベントノードを単語ポケットモデルの入力ノードとし、各入力ノードにいずれも入力重みマトリックスを乗算しかつ加算して隠し層ベクトルを取得し、隠し層ベクトルに出力重みマトリックスを乗算し、さらにｓｏｆｔｍａｘを用いて活性化処理した後に診療イベントノードの予測値を取得し、
診療イベントノードの再構成損失を用いて訓練を行い、単語ポケットモデルの入力重みマトリックスを取得し、訓練終了後、診療イベントノードのワンホットエンコードと入力重みマトリックスを乗算して診療イベントノード初期ベクトル表現を取得する。

さらに、前記受診ノード初期ベクトル表現の取得は具体的に、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、診療イベント長短期記憶自己エンコーダモデルを構築し、診療イベントシーケンスを入力し、診療イベントノードの再構成損失を用いて訓練を行い、訓練完成後、診療イベント長短期記憶自己エンコーダモデルのエンコーダを用いて診療イベントシーケンスを一定の長さのベクトルにエンコードし、受診ノード初期ベクトル表現を取得する。

さらに、前記患者ノード初期ベクトル表現の取得は具体的に、患者を単位として時系列に応じて受診ノードを配列して受診シーケンスを生成し、受診長短期記憶自己エンコーダモデルを構築し、受診シーケンスを入力し、受診ノードの再構成損失を用いて訓練を行い、訓練完成後、受診長短期記憶自己エンコーダモデルのエンコーダを用いて受診シーケンスを一定の長さのベクトルにエンコードし、患者ノード初期ベクトル表現を取得する。

さらに、前記モデル構築及び訓練サブモジュールにおいて、Ｌ２ノルムを利用して階層図ニューラルネットワークを経過した後のノードベクトル表現及び初期ベクトル表現の図ノード再構成損失を算出し、交差エントロピを利用して図関係再構成損失を算出し、図ノード再構成損失及び図関係再構成損失を利用して階層図ニューラルネットワークモデルを訓練する。

さらに、前記階層図ニューラルネットワークモデルの訓練過程において、ノード初期ベクトル表現及びノード隣接マトリックスを階層図ニューラルネットワークに入力し、前記階層図ニューラルネットワークが複数層のグラフアテンション層を有し、あるノードに対して、各層のグラフアテンション層は、その隣り合うノードと自体との間の類似係数を１つずつ算出し、類似係数により当該層アテンション係数を算出し、当該層アテンション係数を利用して当該ノードの当該層でのノードベクトル表現を更新し、当該ノードが全ての層グラフアテンション訓練を経った後、当該ノードに対応するノードベクトル表現を取得する。

さらに、前記診療過程異常スコア算出モジュールにおいて、ある回の受診について、診療イベント集合における各診療イベントとこの回の受診の内積を算出し、活性化した後に各診療イベントの出現確率を取得し、すなわち、診療イベント異常値であり、
下限閾値及び上限閾値を定義し、かつ二種の診療イベント異常判断方式を定義し、診療イベント異常値が下限閾値よりも小さく、かつ当該診療イベントがこの回の受診に出現した場合、意外イベントであり、診療イベント異常値が上限閾値よりも大きく、かつ当該診療イベントがこの回の受診に出現しない場合、消失イベントである。

さらに、前記診療過程異常スコア算出モジュールにおいて、階層図ニューラルネットワークに基づいて再構成されたノード隣接マトリックスから、再構成された診療イベントと受診との接続関係を抽出し、再構成診療イベント受診隣接マトリックスを構築し、同時に再構成された受診と患者との接続関係を抽出し、再構成受診患者隣接マトリックスを構築し、原及び再構成診療イベント受診隣接マトリックス、原及び再構成受診患者隣接マトリックス、ノード初期ベクトル表現及び訓練されたノードベクトル表現に基づいて、受診ノード異常値と患者ノード異常値を算出し、かつそれぞれの異常値閾値とそれぞれ比較し、異常ノードであるか否かを判断する。

本発明の有益な効果としては、本発明は、階層図ニューラルネットワークモデル構築及び訓練方法を提出し、複雑な縦方向電子カルテデータに対してモデリング分析を行い、時系列情報及び共起情報の融合利用を実現する。本発明は、疾患診療過程異常を診療イベント異常、受診異常及び患者異常の３つの階層に分け、低階層、細粒度の診療イベント階層から高階層、粗粒度の患者階層に分け、診療過程異常の階層化定量化及び総合評価方法を設計し、かつ診療過程異常の分類方法を提供し、診療が具体的にどの回でどの診療ステップで発生するかを精確に位置決めする。

本発明の実施例による疾患診療過程異常識別システム構成図である。 本発明の実施例による診療過程階層ネットワーク構成図である。 本発明の実施例による単語ポケットモデルＣＢＯＷ構成図である。 本発明の実施例による診療イベント長短期記憶自己エンコーダ構成図である。 本発明の実施例による階層図ニューラルネットワークモデル構成図である。

本発明の上記目的、特徴及び利点をより分かりやすくするために、以下、図面を参照して本発明の実施形態を詳細に説明する。

本発明を十分に理解するために、以下の説明では、多くの具体的な詳細が記載されているが、本発明は、ここで説明するものとは異なる他の方式で実施することもでき、当業者は、本発明の意味合いに違反することなく、同様の拡張を行うことができるため、本発明は、以下に開示される具体的な実施例に限定されない。

本発明の実施例は、階層図ニューラルネットワークに基づく疾患診療過程異常識別システムを提供し、図１に示すように、当該システムは、データ収集モジュール、データ前処理モジュール、階層図ニューラルネットワーク構築モジュール、診療過程異常スコア算出モジュール及び診療過程異常識別適用モジュールを含む。各モジュールの具体的な機能が下記の通りである。

一、データ収集モジュールは、患者の基本情報及び患者診療データを収集する階ためのものであり、患者診療データは、患者受診情報及び診断、実験室検証、医学検査、手術ならびに薬物使用データを含む。

二、データ前処理モジュールは、データ収集モジュールで収集されたデータに対して前処理を行う。実験室検証データは、正常参照範囲に基づいて、実験室検証の結果を低、高及び正常という三種の結果類別に分け、実験室検証名称、結果類別を保留する。医学検査、手術データを簡単な自然言語処理技術で処理し、検査部位、類別及び手術名称を保留する。診断集合、検証集合、手術集合及び薬物使用集合を取得し、前記診断集合、検証集合、手術集合及び薬物使用集合を合併して診療イベント集合を構成し、診療イベント集合における元素を診療イベントと呼ぶ。患者受診情報を受診集合として構成し、患者を患者集合として構成する。

三、階層図ニューラルネットワーク構築モジュールは、診療過程階層ネットワーク構築サブモジュール、ノード初期ベクトル表現取得サブモジュール、モデル構築及び訓練サブモジュールを含み、以下、各サブモジュールの実現過程を詳細に説明する。
（１）診療過程階層ネットワーク構築サブモジュール
図２に示すように、診療イベント、受診、患者の３つの階層を含む診療過程階層ネットワークを構築する。診療イベント集合が

であり、受診集合が

であり、患者集合が

であり、ここで、Ｎ^Ｅ、Ｎ^Ｖ、Ｎ^Ｐがそれぞれ診療イベント数、受診数及び患者数を表す。診療イベント集合、受診集合及び患者集合は共にノード集合

を構成し、ノード個数がＮ^Ｎ＝Ｎ^Ｅ＋Ｎ^Ｖ＋Ｎ^Ｐである。
毎回の受診と今回の受診に発生した全ての診療イベントを接続して診療イベント受診エッジ集合

を構成する。各患者と当該患者の全ての受診を接続して受診患者エッジ集合

を構成する。診療イベント受診エッジ集合と受診患者エッジ集合とが共にエッジ集合

を構成する。ノード集合Ｎとエッジ集合Ｓとが共に診療過程階層ネットワークＧ＝（Ｎ，Ｓ）を構成する。
（２）ノード初期ベクトル表現取得サブモジュール
電子カルテ内の毎回受診における診療イベントを時系列に応じて配列し、単語ポケットモデルＣＢＯＷを利用して訓練し、診療イベントノード初期ベクトル表現を取得する。診療イベントノード初期ベクトル表現を診療イベント長短期記憶自己エンコーダモデルに入力し、診療イベントノードの再構成損失を用いて訓練を行い、受診ノード初期ベクトル表現を取得する。受診ノード初期ベクトル表現を受診長短期記憶自己エンコーダモデルに入力し、受診ノードの再構成損失を用いて訓練を行い、患者ノード初期ベクトル表現を取得する。具体的に、
まず、全ての診療イベントノードをワンホットエンコードし、そして単語ポケットモデルＣＢＯＷを用いて診療イベントノードのワンホットエンコード結果を訓練する。図３に示すように、診療イベントノードＥ_ｉのワンホットエンコード結果は長さがＮ^Ｅのベクトルであり、Ｏ_ｉと記する。受診を単位として、毎回受診における診療イベントノードを受診時系列に応じて１つの診療イベントシーケンスとして配列する。観察ウィンドウの長さがＬであり、順に各診療イベントノードの前のＬ個の診療イベントノードと後のＬ個の診療イベントノードを入力ノードとし、診療イベントノードの前または後のＬ個未満の診療イベントノードの場合、欠いている診療イベントノードを０ベクトルで填充し、各入力ノードに何れも入力重みマトリックスＷを乗算しかつ加算して隠し層ベクトルＨを取得する。

隠し層ベクトルＨに出力重みマトリックスＷ′を乗算し、さらにｓｏｆｔｍａｘを用いて活性化処理した後に診療イベントノードＥ_ｉの予測値Ｏ_ｉ′を取得する。診療イベントノードの再構成損失Ｌ_{ｒｅｃ－ＣＢＯＷ}算出式が下記の通りである。

ここで、ｏ_ｉｊがＯ_ｉにおける第ｊ次元の値であり、ｏ_ｉｊ′がＯ_ｉ′における第ｊ次元の値である。Ａｄａｍ最適化器を用いて逆方向に伝播して単語ポケットモデル訓練を行い、単語ポケットモデルの重みマトリックスＷを取得する。観察ウィンドウの長さ２、３、５として訓練効果が高い単語ポケットモデルを訓練することを試みる。訓練終了後、診療イベントノードＥ_ｉの初期ベクトル表現

は、診療イベントノードのワンホットエンコードＯ_ｉ及び入力重みマトリックスＷによって取得され、算出式は下記の通りである。

全ての診療イベントノード初期ベクトル表現Ｂ_Ｅを取得した後、診療イベントノードを受診を単位として時系列に応じて診療イベントシーケンス

として配列し、Ｔがこの回の受診における診療イベントの数であり、ここで、診療イベントノードＥ_ｉの初期ベクトル表現が

である。図４に示すように、診療イベント長短期記憶自己エンコーダモデルを構築して、診療イベントシーケンスを入力して訓練する。診療イベント長短期記憶自己エンコーダモデルをエンコーダＦ_{Ｅｎｃｏｄｅｒ}とデコーダＦ_{Ｄｅｃｏｄｅｒ}の２つの部分に分け、潜在ベクトルＣによって接続し、各部分が全て長短期記憶ユニットＬＳＴＭで構成される。エンコーダ及びデコーダにおいて長短期記憶ユニットの数が同じであり、ユニットの数を変更することにより、異なる長さの診療イベント入力シーケンス及び診療イベント出力シーケンスをサポートする。診療イベントシーケンスをエンコーダに入力した後、潜在ベクトルＣを取得し、そして潜在ベクトルＣをデコーダの入力とし、潜在ベクトルＣをデコードし、再構成された診療イベントシーケンス

を徐々に出力し、診療イベントノードの再構成損失Ｌ_{ｒｅｃ－ＬＳＴＭ}を用いて診療イベント長短期記憶自己エンコーダモデルを訓練する。

ここで、

がＬ２ノルムであり、

が診療イベントノードＥ_ｉ′の初期ベクトル表現である。訓練完成後、エンコーダ部分を用いて原診療イベントシーケンスをエンコードし、取得された潜在ベクトルＣは長さが

と同じベクトルであり、当該ベクトルを当該診療イベントシーケンスによって代表される受診ノード初期ベクトル表現Ｂ_Ｖとする。受診ノード初期ベクトル表現Ｂ_Ｖを取得した後、受診ノード初期ベクトル表現の取得方法に従って、患者ノード初期ベクトル表現を取得する。患者を単位として時系列に応じて患者の受診を配列して受診シーケンスを生成し、受診長短期記憶自己エンコーダモデルを構築し、受診ノードの再構成損失を用いて訓練を行う。訓練完成後、エンコーダを用いて受診シーケンスを一定の長さのベクトルにエンコードし、患者ノード初期ベクトル表現Ｂ_ｐを取得する。
これまでのところ、診療イベントノード、受診ノード及び患者ノードの初期ベクトル表現を取得する。
（３）モデル構築及びサブモジュール訓練
各階層のノード初期ベクトル表現に基づいて階層図ニューラルネットワークモデルを構築し、グラフアテンションメカニズムを利用して訓練を行う。Ｌ２ノルムを利用して階層図ニューラルネットワークを経過した後のノードベクトル表現及び初期ベクトル表現の図ノード再構成損失を算出する。交差エントロピを利用して図関係再構成損失を算出する。２つの部分の再構成損失を用いて階層図ニューラルネットワークモデルを訓練する。
第１のステップで、階層図ニューラルネットワークを図５に示すように構築する。階層図ニューラルネットワークにおけるノード初期ベクトル表現は、診療イベントノード初期ベクトル表現、受診ノード初期ベクトル表現及び患者ノード初期ベクトル表現で構成され、ノード初期ベクトル表現

は、ベクトルをスプライシングする。診療イベント受診エッジ集合Ｓ^ＥＶに基づいて診療イベント受診隣接マトリックスＡ_ＥＶを構築する。受診患者エッジ集合Ｓ^ＶＰに基づいて受診患者隣接マトリックスＡ_ＶＰを構築する。エッジ集合Ｓに基づいて階層図ニューラルネットワークにおけるノード隣接マトリックスＡを構築し、ノード隣接マトリックスＡの情報は、診療イベント受診隣接マトリックスＡ_ＥＶと受診患者隣接マトリックスＡ_ＶＰにおける情報で構成される。階層図ニューラルネットワークは、Ｍ層のグラフアテンション層と再構成損失の２つの部分で構成される。
第２のステップで、階層図ニューラルネットワークを訓練する。ノード初期ベクトル表現Ｂとノード隣接マトリックスＡを階層図ニューラルネットワークに入力し、グラフアテンションメカニズムを用いてノード初期ベクトル表現を更新する。ノードＮ_ｉの初期ベクトル表現Ｂ_ｉに対して、第ｍ層のグラフアテンション層のノードベクトル表現が

である。ノードＮ_ｉ及びその隣り合うノードＮ（Ｎ_ｉ）に対して、各層のグラフアテンション層は、隣り合うノード

とそれ自身の間の類似係数

を１つずつ算出し、

ここで、Ｗ^ｍが第ｍ層の共有パラメータであり、ノードベクトル表現に対して線形マッピングを行い、第１の層が入力するのは、ノードＮ_ｉの初期ベクトル表現

である。

がマッピング関数であり、ベクトルから実数へのマッピングを実現し、単層ニューラルネットワークによって実現できる。第ｍ層のアテンション係数

の算出式が下記の通りであり、

ここで、

が活性化関数である。
アテンション係数を用いて

を更新し、算出式は以下の通りであり、

ここで、

が活性化関数であり、

がノードＮ_ｊの第ｍ層でのノードベクトル表現である。ノードＮ_ｉがＭ層グラフアテンション訓練を経った後、ノードベクトル表現

を取得する。全てのノードに対してＭ層のグラフアテンション訓練を行い、総体ノードベクトル表現Ｚ^Ｍを取得し、Ｚ^Ｍをは更新後の診療イベントノードベクトル表現

、受診ノードベクトル表現

及び患者ノードベクトル表現

で構成され、

である。
訓練されたノードベクトル表現及び初期ベクトル表現の図ノード再構成損失をＬ２ノルムを利用して算出し、診療イベントノード再構成損失が

であり、受診ノード再構成損失が

であり、患者ノード再構成損失が

である。
交差エントロピを利用して図関係再構成損失を算出し、階層図ニューラルネットワークに基づいて取得されたノードベクトル表現は、階層図ニューラルネットワークを再構成し、再構成された隣接マトリックス

が下記の通りであり、

ここで、（Ｚ^Ｍ）^ＴがＺ^Ｍの転置マトリックスであり、

がｓｉｇｍｏｉｄ活性化関数である。図関係再構成損失Ｌ_{ｒｅｃ－Ａ}を算出し、

ここで、

である。
第３のステップでは、図ノード再構成損失と図関係再構成損失に基づいて階層図ニューラルネットワークモデルの総体損失関数を構築する。総体損失関数Ｌが下記の通りであり、

ここで、α、βが異なる損失項の重要性を調整するハイパーパラメータであり、デフォルトでは０．１に設定される。患者診療データを利用して階層図ニューラルネットワークモデル訓練を行い、モデルパラメータを特定する。

四、診療過程異常スコア算出モジュール
階層図ニューラルネットワーク訓練結果に基づいて異常値を階層的に算出し、診療過程異常を層ごとに識別する。隣り合うノードの間の関係に基づいて異常値を算出し、かつ異常値に基づいてノードが異常であるか否かを判断する。
ある回の受診Ｖ_ｊに対して、診療イベント集合Ｅにおける各診療イベントと受診Ｖ_ｊの内積を算出し、活性化後に、当該診療イベントの出現確率を取得し、すなわち、当該診療イベントの異常値である。診療イベントノードＥ_ｉの異常値

の算出式が下記の通りであり、

ここで、

がｓｉｇｍｏｉｄ活性化関数である。
下限閾値θ_ｌｏｗ及び上限閾値θ_ｕｐを定義し、θ_ｌｏｗとθ_ｕｐの値が実験に基づいて設定し、または経験に基づいてそれをθ_ｌｏｗ＝０．０１、θ_ｕｐ＝０．９に設定し、かつ二種の診療イベント異常判断方式を以下のように定義する。意外イベント：

、かつＥ_ｉが受診Ｖ_ｊに出現した場合、当該診療イベントの発生率がとても低いが、イベントが発生した。消失イベント：

、かつＥ_ｉが受診Ｖ_ｊに出現していない場合、当該診療イベントの発生率がとても高いが、イベントが発生していない。
再構成された診療イベントと受診との接続関係を再構成された隣接マトリックス

から抽出し、再構成診療イベント受診隣接マトリックス

を構築する。再構成された受診と患者の接続関係を抽出し、再構成受診患者隣接マトリックス

を構築する。受診ノードＶ_ｊの異常値

の算出式が下記の通りであり、

患者ノードＰ_ｋの異常値

の算出式が下記の通りであり、

ここで、

がｓｉｇｍｏｉｄ活性化関数であり、

、

はＥ_ｉとＶ_ｊの接続関係がそれぞれ

に対応する値であり、

はＶ_ｊとＰ_ｋの接続関係がそれぞれ

に対応する値であり、

は受診Ｖ_ｊにおける診療イベントの数であり、

は患者Ｐ_ｋの受診数であり、

は、異なる損失項重要性を調整するハイパーパラメータである。受診ノードに対して、ノード異常値が設定された異常値閾値θ_ｖよりも大きい時、当該ノードが異常であると判断される。患者ノードに対して、ノード異常値が設定された異常値閾値θ_ｐよりも大きい時、当該ノードが異常であると判断される。θ_ｖ及びθ_ｐがそれぞれ受診ノード及び患者ノードの異常値閾値であり、その値が実験に基づいて設定される。

五、診療過程異常識別適用モジュール
患者構造化データを前処理した後に診療イベントノード、受診ノード及び患者ノードに分け、診療イベントノードをワンホットエンコードした後に訓練された単語ポケットモデルに入力し、診療イベントノード初期ベクトル表現を取得する。診療イベントノード初期ベクトル表現を訓練された診療イベント長短期記憶自己エンコーダモデルにおけるエンコーダに入力し、受診ノード初期ベクトル表現を取得する。同様に、受診ノード初期ベクトル表現を訓練された受診長短期記憶自己エンコーダモデルのエンコーダに入力し、患者ノード初期ベクトル表現を取得する。
各ノードを階層図ニューラルネットワークモデルに入力し、更新後の診療イベントベクトル表現、受診ベクトル表現及び患者ベクトル表現を取得する。更新後のベクトル表現と更新前のベクトル表現を用いて各階層のノード異常値を算出し、閾値と比較し、異常のノードを見つける。

本発明は、階層化表現学習方法を採用して診療イベントノード、受診ノード及び患者ノードの初期ベクトル表現を取得する。先ず、単語ポケットモデルを用いて診療イベントノードの初期ベクトル表現を取得する。そして、順に診療イベント長短期記憶自己エンコーダモデル及び受診長短期記憶自己エンコーダモデルを用いて受診ノード初期ベクトル表現及び患者ノード初期ベクトル表現を取得する。診療イベントと受診の時系列情報を保留するだけではなく、かつ各階層ベクトル表現が何れも前の層の情報を含む。

本発明は、階層図ニューラルネットワークモデルを提出し、モデルは、診療イベント、受診、患者の３つの階層の情報及び階層の間の互相関係を含み、グラフアテンションメカニズム及び４つの再構成損失により階層図ニューラルネットワークに対して複数の階層の総合訓練を行う。

本発明は、階層図ニューラルネットワークモデルに基づき、疾患診療過程異常を診療イベント異常、受診異常及び患者異常の３つの階層の異常に分け、診療過程異常の階層化定量化及び総合評価方法を設計する。各階層のノードは全て隣り合うノードの間の関係に基づいて異常値を算出し、かつ診療イベント異常の分類方法を提供し、診療が具体的にどの回でどの診療ステップで発生するかを精確に位置決めする。

以上の記載は本発明の好ましい実施形態だけであり、本発明は好ましい実施例で以上のように開示されているが、本発明を限定するものではない。当業者は本発明の技術的解決手段の範囲から逸脱することなく、上記開示された方法及び技術内容を利用して本発明の技術的解決手段に対して多くの可能な変動及び修飾を行い、又は同等変化の等価実施例に修正することができる。したがって、本発明の技術的解決手段の内容から逸脱せず、本発明の技術的思想に基ついて以上の実施例に対して行われたいかなる簡単な修正、同等変化及び修飾は、いずれも依然として本発明の技術的解決手段の保護範囲内に属する。

Claims (6)

1. 階層図ニューラルネットワークに基づく疾患診療過程異常識別システムであって、データ収集モジュール、データ前処理モジュール、階層図ニューラルネットワーク構築モジュール、診療過程異常スコア算出モジュール及び診療過程異常識別適用モジュールを含み、
   前記データ収集モジュールは、患者の基本情報及び患者診療データを収集することに用いられ、
   前記データ前処理モジュールは、前記データ収集モジュールで収集されたデータに対して前処理を行い、診療イベント集合、受診集合及び患者集合を構築することに用いられ、
   前記階層図ニューラルネットワーク構築モジュールは、診療過程階層ネットワーク構築サブモジュール、ノード初期ベクトル表現取得サブモジュール及びモデル構築及び訓練サブモジュールを含み、
   前記診療過程階層ネットワーク構築サブモジュールは、診療イベント、受診、患者の３つの階層を含む診療過程階層ネットワークを構築することに用いられ、具体的に、診療イベント集合、受診集合及び患者集合をノード集合として構成し、毎回の受診と今回の受診に発生した全ての診療イベントを接続して診療イベント受診エッジ集合を構成し、各患者と当該患者の全ての受診を接続して受診患者エッジ集合を構成し、診療イベント受診エッジ集合と受診患者エッジ集合とをエッジ集合として構成し、前記ノード集合と前記エッジ集合とが共に診療過程階層ネットワークを構成し、
   前記ノード初期ベクトル表現取得サブモジュールは、階層化表現学習方法を採用して診療イベントノード、受診ノード及び患者ノードの初期ベクトル表現を取得することに用いられ、具体的に、電子カルテ内の毎回受診における診療イベントを時間に応じて配列し、単語ポケットモデルを利用して訓練を行い、診療イベントノード初期ベクトル表現を取得し、順に診療イベント長短期記憶自己エンコーダモデル及び受診長短期記憶自己エンコーダモデルを用いて受診ノード初期ベクトル表現及び患者ノード初期ベクトル表現を取得し、
   前記モデル構築及び訓練サブモジュールは、各階層のノード初期ベクトル表現に基づいて階層図ニューラルネットワークモデルを構築し、グラフアテンションメカニズムを利用して複数の階層の総合訓練を行い、
   前記診療過程異常スコア算出モジュールは、階層図ニューラルネットワーク訓練結果に基づいて異常値を階層的に算出し、診療過程異常を層ごとに識別することであって、具体的には、
   ある回の受診について、診療イベント集合における各診療イベントとこの回の受診的内積を算出し、活性化した後に各診療イベントの出現確率を取得し、すなわち、診療イベント異常値であり、
   下限閾値及び上限閾値を定義し、かつ二種の診療イベント異常判断方式を以下のように定義し、診療イベント異常値が下限閾値よりも小さく、かつ当該診療イベントがこの回の受診に出現した場合、意外イベントであり、診療イベント異常値が上限閾値よりも大きく、かつ当該診療イベントがこの回の受診に出現しない場合、消失イベントであり、
   階層図ニューラルネットワークに基づいて再構成されたノード隣接マトリックスから、再構成された診療イベントと受診との接続関係を抽出し、再構成診療イベント受診隣接マトリックスを構築し、同時に再構成された受診と患者との接続関係を抽出し、再構成受診患者隣接マトリックスを構築し、原及び再構成診療イベント受診隣接マトリックス、原及び再構成受診患者隣接マトリックス、ノード初期ベクトル表現及び訓練されたノードベクトル表現に基づいて、受診ノード異常値及び患者ノード異常値を算出し、かつそれぞれの異常値閾値とそれぞれ比較し、異常ノードであるか否かを判断し、
   前記診療過程異常識別適用モジュールは、患者構造化データを前処理した後に診療イベントノード、受診ノード及び患者ノードに分け、異なるノードの初期ベクトル表現を算出し、訓練されたノードベクトル表現を階層図ニューラルネットワークモデルを利用して取得し、かつノード初期ベクトル表現と組み合わせて各階層のノード異常値を算出し、異常ノードを見つける
   ことを特徴とする階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。
2. 前記診療イベントノード初期ベクトル表現は、診療イベントノードをワンホットエンコードし、単語ポケットモデルを利用して診療イベントノードのワンホットエンコード結果を訓練することにより取得され、具体的に、
   診療イベントノードのワンホットエンコードを取得し、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、観察ウィンドウの長さがＬであり、順に各診療イベントノードの前、後の各Ｌ個の診療イベントノードを単語ポケットモデルの入力ノードとし、各入力ノードにいずれも入力重みマトリックスを乗算しかつ加算して隠し層ベクトルを取得し、隠し層ベクトルに出力重みマトリックスを乗算し、さらにｓｏｆｔｍａｘを用いて活性化処理した後に診療イベントノードの予測値を取得し、
   診療イベントノードの再構成損失を用いて訓練を行い、単語ポケットモデルの入力重みマトリックスを取得し、訓練終了後、診療イベントノードのワンホットエンコードと入力重みマトリックスを乗算して診療イベントノード初期ベクトル表現を取得する
   ことを特徴とする請求項１に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。
3. 前記受診ノード初期ベクトル表現の取得は具体的に、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、診療イベント長短期記憶自己エンコーダモデルを構築し、診療イベントシーケンスを入力し、診療イベントノードの再構成損失を用いて訓練を行い、訓練完成後、診療イベント長短期記憶自己エンコーダモデルのエンコーダを用いて診療イベントシーケンスを一定の長さのベクトルにエンコードし、受診ノード初期ベクトル表現を取得する
   ことを特徴とする請求項１に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。
4. 前記患者ノード初期ベクトル表現の取得は具体的に、患者を単位として時系列に応じて受診ノードを配列して受診シーケンスを生成し、受診長短期記憶自己エンコーダモデルを構築し、受診シーケンスを入力し、受診ノードの再構成損失を用いて訓練を行い、訓練完成後、受診長短期記憶自己エンコーダモデルのエンコーダを用いて受診シーケンスを一定の長さのベクトルにエンコードし、患者ノード初期ベクトル表現を取得する
   ことを特徴とする請求項１に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。
5. 前記モデル構築及び訓練サブモジュールにおいて、Ｌ２ノルムを利用して階層図ニューラルネットワークを経過した後のノードベクトル表現及び初期ベクトル表現の図ノード再構成損失を算出し、交差エントロピを利用して図関係再構成損失を算出し、図ノード再構成損失及び図関係再構成損失を利用して階層図ニューラルネットワークモデルを訓練する
   ことを特徴とする請求項１に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。
6. 前記階層図ニューラルネットワークモデルの訓練過程において、ノード初期ベクトル表現及びノード隣接マトリックスを階層図ニューラルネットワークに入力し、前記階層図ニューラルネットワークが複数層のグラフアテンション層を有し、あるノードに対して、各層のグラフアテンション層は、その隣り合うノードと自体との間の類似係数を１つずつ算出し、類似係数により当該層のアテンション係数を算出し、当該層のアテンション係数を利用して当該ノードの当該層でのノードベクトル表現を更新し、当該ノードが全ての層グラフアテンション訓練を経った後、当該ノードに対応するノードベクトル表現を取得する
   ことを特徴とする請求項５に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。

Images