JP7384705B2 - 分析装置、分析方法、および分析プログラム - Google Patents

分析装置、分析方法、および分析プログラム Download PDF

Info

Publication number
JP7384705B2
JP7384705B2 JP2020033769A JP2020033769A JP7384705B2 JP 7384705 B2 JP7384705 B2 JP 7384705B2 JP 2020033769 A JP2020033769 A JP 2020033769A JP 2020033769 A JP2020033769 A JP 2020033769A JP 7384705 B2 JP7384705 B2 JP 7384705B2
Authority
JP
Japan
Prior art keywords
data
feature
specific
information
training data
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
JP2020033769A
Other languages
English (en)
Other versions
JP2021135930A (ja
JP2021135930A5 (ja
Inventor
信二 垂水
渉 竹内
ジョージ チャルキディス
俊太郎 由井
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.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2020033769A priority Critical patent/JP7384705B2/ja
Priority to US17/140,455 priority patent/US20210271924A1/en
Publication of JP2021135930A publication Critical patent/JP2021135930A/ja
Publication of JP2021135930A5 publication Critical patent/JP2021135930A5/ja
Application granted granted Critical
Publication of JP7384705B2 publication Critical patent/JP7384705B2/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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade

Description

本発明は、データを分析する分析装置、分析方法、および分析プログラムに関する。
実世界ヘルスケアデータを活用した効果的かつ効率的な診断支援やヘルスケア関連サービスの実現が求められている。従来型のヘルスケアは、臨床知見に基づく統一ガイドラインに則って実施されるが、この知見は全症例の１０％以下の臨床研究にのみ基づくとの報告もあり、本来あるべき個別最適なヘルスケアの実現には至っていなかった。
そこで、最適なヘルスケアサービスを提供するため、実世界ヘルスケアデータ分析に基づき、医師や保健指導者などのサービス提供者を支援する技術の実現が期待されている。特に、個人に実施した医療サービス（投薬、生活習慣指導、介護サービスなど）の効果や質を、実データを活用して評価および予測する技術に注目が集まっている。たとえば、以下の技術が開示されている。
特許文献１には、「投薬効果情報送信装置１７は、電子カルテサーバー１６から患者への投薬終了を表す投薬終了通知が送信された場合に、投薬により患者に表れた投薬効果に関する投薬効果情報を、画像サーバー１４及び電子カルテサーバー１６から収集する。投薬効果情報送信装置１７で収集された投薬効果情報は、投薬効果情報データベース５４に格納される。クライアント端末１８により、薬剤名及び患者の属性情報に基づいて投薬効果情報サーバー５５を検索すると、投薬効果情報サーバー５５は、検索した薬剤の平均的な投薬効果を表す平均投薬効果情報をクライアント端末１８に送信する。クライアント端末１８は、平均投薬効果情報を時系列にモニターに表示する。」との記載がある。
特許文献２には、「プロセッサにより実行可能な命令のセットを記憶する非一時的なコンピュータ可読記憶媒体。命令のセットは、現在の患者に関連するデータの現在の患者のセットを受信し、現在の患者のデータセットを複数の以前の患者データセット（それぞれが以前の患者に対応）と比較し、選択された以前の患者のデータセットと現在の患者のデータセットとの間の類似性のレベルに基づいて、以前の患者のデータセットの１つを選択し、選択した以前の患者のデータセットをユーザーに提供するように動作可能である。」との記載がある。
特開２０１４－７１５９２号公報 国際公開第２０１２／０８０９０６号
医療サービスのような介入手段は、その種類によって実施の頻度が異なるため、過去の実施例が少ない場合、介入手段を訓練データとして当該医療サービスの効果を分析することは容易ではない。特に、複数の医療サービスを組み合わせた場合の効果を分析する場合、この課題は顕著であり、当該の組み合わせと完全に合致する実施例が０件となることもある。このような問題は、医療サービスに限らず、他のサービスでも起こりえる問題である。
本発明は、過去の訓練データとの異同や実施回数にかかわらず、分析精度の向上を図ることを目的とする。
本願において開示される発明の一側面となる分析装置は、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する分析装置であって、入力層、１以上の中間層、および出力層を有し、前記入力層に割り当てられる対象者への実施行為に関する訓練データ群と、前記出力層に割り当てられる前記実施行為前の状態に関する実施行為前正解データ群および前記実施行為後に関する実施行為後正解データ群と、に基づいて学習された学習モデルに、前記訓練データ群の各々の訓練データを入力することにより、前記中間層から第１特徴量データ群を算出する第１算出処理と、前記学習モデルの予測対象データを入力することにより、前記中間層から第２特徴量データを算出する第２算出処理と、前記第１算出処理によって算出された第１特徴量データ群の中から、前記第２算出処理によって算出された第２特徴量データに類似する特定の第１特徴量データを検索する検索処理と、前記検索処理によって検索された特定の第１特徴量データの算出元となる特定の訓練データを前記実施行為に関する訓練データ群から抽出する抽出処理と、前記第１特徴量データ群を複数のクラスタに分類するクラスタリング処理と、前記クラスタリング処理によって分類された複数のクラスタの各々について、前記クラスタ内の第１特徴量データの算出元となる特定の訓練データおよび当該特定の訓練データに対応する特定の実施行為前正解データを含むクラスタリングに関する訓練データと、当該特定の訓練データに対応する特定の実施行為後正解データであるクラスタリングに関する正解データとに基づいて、予測モデルを生成する生成処理と、前記複数のクラスタの中から前記第２特徴量データの所属先クラスタを特定する特定処理と、前記特定処理によって特定された所属先クラスタの予測モデルを前記生成処理によって生成された複数の予測モデルの中から取得する取得処理と、前記取得処理によって取得された予測モデルに前記予測対象データを入力することにより、予測結果データを出力する出力処理と、を実行することを特徴とする。
本発明の代表的な実施の形態によれば、過去の介入手段との異同や実施回数にかかわらず、分析精度の向上を図ることができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。
図１は、実施例１にかかる分析装置によるヘルスケアデータ分析例を示す説明図である。 図２は、分析装置のハードウェア構成例を示すブロック図である。 図３は、未整形ヘルスケア情報の一例を示す説明図である。 図４は、実施例１にかかる分析装置による学習モデル生成処理手順例を示すフローチャートである。 図５は、整形ヘルスケア情報の一例を示す説明図である。 図６は、ニューラルネットワークの一例を示す説明図である。 図７は、ニューラルネットワークの他の例を示す説明図である。 図８は、特徴量情報生成処理手順例を示すフローチャートである。 図９は、実施例１にかかる予測対象未整形ヘルスケア情報の一例を示す説明図である。 図１０は、実施例１にかかる予測対象整形ヘルスケア情報の一例を示す説明図である。 図１１は、実施例１にかかる分析装置による分析処理手順例を示すフローチャートである。 図１２は、統計処理（ステップＳ１１１０）の結果例を示す説明図である。 図１３は、実施例２にかかるクラスタの一例を示す説明図である。 図１４は、図１３に示したクラスタを用いた予測モデルの生成例を示す説明図である。 図１５は、実施例２にかかる分析装置による予測モデル生成処理手順例を示すフローチャートである。 図１６は、実施例２かかる分析装置による予測処理手順例を示すフローチャートである。 図１７は、実施例２にかかる予測対象未整形ヘルスケア情報の一例を示す説明図である。 図１８は、実施例２にかかる予測対象整形ヘルスケア情報の一例を示す説明図である。
＜へルスケア分析例＞
図１は、実施例１にかかる分析装置によるヘルスケアデータ分析例を示す説明図である。（１）分析装置は、訓練データとなる介入手段情報１０１と、正解データ１０２である患者背景情報１０２Ａおよび介入効果情報１０２Ｂの組み合わせと、を取得する。介入手段情報１０１とは、介入手段を示す情報であり、介入手段データの集合である。介入手段情報１０１の各レコードが、患者ごとの介入手段データである。図１では、介入手段情報１０１は、患者ａ～ｃの３人の介入手段データ１０１ａ、１０１ｂ、１０１ｃにより構成される。
介入手段とは、対象者（たとえば、患者や被験者）に介入する医療サービス（投薬、生活指導、介護サービスなど）である。「介入」とは、健康増進、疾病予防、病気の治療などを目的とした健康指導、介助、自立支援、投薬、外科的な処置などを対象者に実施する行為を意味する。介入手段データは、たとえば、投与した医薬品の有無や生活指導といった医療サービスの実施有無（「１」が有り、「０」が無し）を含む。すなわち、介入手段データは、患者に提供された１以上の医療サービスの組み合わせを規定する。
患者背景情報１０２Ａは、患者の背景を示す情報であり、患者ごとの患者背景データの集合である。患者背景情報１０２Ａの各レコードが、患者ごとの患者背景データである。患者背景情報１０２Ａは、患者ａ～ｃの３人の患者背景データ１０２Ａａ、１０２Ａｂ、１０２Ａｃにより構成される。「Ｐｒｅ ＨｂＡ１ｃ」は、介入前のＨｂＡ１ｃの値を示す。
介入効果情報１０２Ｂは、介入効果を示す情報であり、介入効果データの集合である。介入効果とは、介入によりもたらされる結果であり、たとえば、治療アウトカムである。介入効果情報１０２Ｂの各レコードが、患者ごとの介入効果データである。図１では、介入効果情報１０２Ｂは、患者ａ～ｃの３人の介入効果データ１０２Ｂａ、１０２Ｂｂ、１０２Ｂｃにより構成される。「Ｐｏｓｔ ＨｂＡ１ｃ」は、介入後のＨｂＡ１ｃ（ヘモグロビンエーワンシー）の値を示す。
分析装置は、介入手段情報１０１（訓練データ）および正解データ１０２を訓練データセットとしてニューラルネットワーク１０３の入力層１３１および出力層１３３に与えて学習し、学習モデルを生成する。学習モデルは、学習パラメータ（重みパラメータおよびバイアス。ハイパーパラメータを含めてもよい（以下同様）。）が設定されたニューラルネットワーク１０３（以降、学習モデル１０３と称す。）である。
（２）分析装置は、特徴量情報１０４を生成する。特徴量情報１０４は、学習モデル１０３の内部表現である。特徴量情報１０４は、患者ごとの特徴量データの集合である。特徴量データは学習モデル１０３の１以上の中間層の中の特定の中間層１３２を構成する各ニューロンの計算結果である。特徴量データは、ニューロン数分の次元の特徴量空間内の点になる。２人の患者間の患者背景データおよび介入効果データがともに類似すると、２人の患者間の特徴量データも類似する。
また、図１では、中間層１３２のニューロンは３個であるため、特徴量１～３の値を含む特徴量データが患者ごとに計算される。このため、特徴量情報１０４は、患者ａ～ｃの３人の特徴量データ１０４ａ，１０４ｂ，１０４ｃにより構成される。
（３）分析装置は、予測対象介入手段情報１１１内の患者ｚの予測対象介入手段データ１１１ｚを、学習モデル１０３に入力し、学習モデル１０３の特定の中間層１３２から患者ｚの特徴量データ１１４ｚを算出する。
（４）分析装置は、（２）で算出した特徴量情報１０４の中から（３）で算出した特徴量データに類似する特徴量データを検索する。特徴量データは、特定の中間層を構成するニューロン数分の要素（図１では、特徴量１～３の３要素）を持つ１次元ベクトルであるため、特徴量空間内の特徴量データ１１４ｚからのベクトル間距離が所定距離以内である特徴量情報１０４内の特徴量データは、特徴量データ１１４ｚに類似する特徴量データとなる。図１では、特徴量データ１０４ａが特徴量データ１１４に類似する特徴量データに該当したとする（以下、類似特徴量データ１０４ａと称す）。分析装置は、類似特徴量データ１０４ａの算出元となる同一患者ａの介入手段データ１０１ａを取得する。
このように、特徴量データ１１４ｚ，１０４ａが類似するということは、患者ｚの予測対象介入手段データ１１１ｚと、患者ａの介入手段データ１０１ａとが、患者背景と介入効果のふたつの観点で共に類似することを意味する。介入効果を分析する際には、過去に類似した介入を行った事例を分析することが好ましいため、分析装置は患者ｚに対する予測対象介入手段と類似した介入が行われた患者ａの介入手段データ１０１ａ、患者背景情報１０２Ａａ、介入効果情報１０２Ｂａ、を取得する。
患者ｚに対する予測対象介入手段データ１１１ｚの効果や妥当性を分析するため、分析装置が抽出した類似した介入を行った事例を分析する。本例では、介入効果情報１０２Ｂａに基づき介入効果に関する統計情報や推定値を提供したり、患者背景情報１０２Ａａに基づき患者背景に関する統計情報や推定値を提供する。
なお、上述した例では、複数の異なる種類の医療サービス（医薬品処方および生活指導）の適否を示すデータ列として、介入手段情報１０１の介入手段データ１０１ａ～１０１ｃおよび予測対象介入手段情報１１１の予測対象介入手段データ１１１ｚを例示した。複数の異なる種類の医療サービスは、医薬品処方や生活指導に限らず、たとえば、治療や手術もあるため、医薬品処方、生活指導、治療および手術のうち２種類以上の組み合わせでもよい。また、これら以外の医療サービスの２種類以上の組み合わせでもよい。
また、介入手段情報１０１の介入手段データ１０１ａ～１０１ｃおよび予測対象介入手段情報１１１の予測対象介入手段データ１１１ｚは、１種類の医療サービスにおける複数のサービス属性の適否を示すデータ列としてもよい。
また、上述した介入手段情報１０１および予測対象介入手段情報１１１では、サービス属性：医薬品処方として、「医薬品Ａ」、「医薬品Ｂ」、…の処方の有無としたが、「医薬品Ａ→医薬品Ｂ」のように、過去に「医薬品Ａ」を処方していたが「医薬品Ｂ」に変更したというサービス属性が含まれていてもよい。これにより、介入手段情報１０１および予測対象介入手段情報１１１を詳細に規定することができる。
＜分析装置のハードウェア構成例＞
図２は、分析装置のハードウェア構成例を示すブロック図である。分析装置２００は、プロセッサ２０１と、記憶デバイス２０２と、入力デバイス２０３と、出力デバイス２０４と、通信インターフェース（通信ＩＦ）２０５と、を有する。プロセッサ２０１、記憶デバイス２０２、入力デバイス２０３、出力デバイス２０４、および通信ＩＦ２０５は、バス２０６により接続される。プロセッサ２０１は、分析装置２００を制御する。記憶デバイス２０２は、プロセッサ２０１の作業エリアとなる。また、記憶デバイス２０２は、各種プログラムやデータを記憶する非一時的なまたは一時的な記録媒体である。記憶デバイス２０２としては、たとえば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、フラッシュメモリがある。入力デバイス２０３は、データを入力する。入力デバイス２０３としては、たとえば、キーボード、マウス、タッチパネル、テンキー、スキャナがある。出力デバイス２０４は、データを出力する。出力デバイス２０４としては、たとえば、ディスプレイ、プリンタ、スピーカがある。通信ＩＦ２０５は、ネットワークと接続し、データを送受信する。
＜未整形ヘルスケア情報＞
図３は、未整形ヘルスケア情報の一例を示す説明図である。未整形ヘルスケア情報３００は、記憶デバイス２０２に格納されている。また、分析装置２００は、通信ＩＦ２０５を介して通信可能な他のコンピュータに格納されている未整形ヘルスケア情報３００を取得してもよい。
未整形ヘルスケア情報３００は、基本情報３０１と、検査情報３０２と、医薬品情報３０３と、処置情報３０４と、関連サービス情報３０５と、を含む。基本情報３０１とは、個人ＩＤ、生年月日、性別など、患者の基本的な情報である。個人ＩＤは、患者を一意に特定する識別情報である。
検査情報３０２とは、個人ＩＤ、個人ＩＤで特定される患者に対する検査の実施年月日、検査内容を示す実施項目、検査結果など、検査に関する情報である。医薬品情報３０３とは、個人ＩＤ、個人ＩＤで特定される患者に医薬品を使用した実施年月日、当該使用した医薬品を示す実施項目など、医薬品に関する情報である。処置情報３０４とは、個人ＩＤ、個人ＩＤで特定される患者に対する処置の実施年月日、処置の内容を示す実施項目など、処置に関する情報である。関連サービス情報３０５とは、個人ＩＤ、個人ＩＤで特定される患者に対する関連サービスの実施年月日、関連サービスの内容を示す実施項目など、関連サービスに関する情報である。
基本情報３０１、検査情報３０２、医薬品情報３０３、処置情報３０４、および関連サービス情報３０５において、同一個人ＩＤでかつ同一実施年月日のレコードを、未整形ヘルスケアデータと称す。個人ＩＤおよび実施年月日の両方が同一である必要があるため、同一個人ＩＤでも実施年月日が異なれば、それらは異なる未整形ヘルスケアデータとなる。
＜学習モデル生成処理＞
図４は、実施例１にかかる分析装置２００による学習モデル生成処理手順例を示すフローチャートである。分析装置２００は、記憶デバイス２０２または通信可能な他のコンピュータから未整形ヘルスケア情報３００を取得する（ステップＳ４０１）。つぎに、分析装置２００は、未整形ヘルスケア情報３００をデータ整形し、整形ヘルスケア情報を生成する（ステップＳ４０２）。
図５は、整形ヘルスケア情報の一例を示す説明図である。整形ヘルスケア情報５００は、レコードＩＤ５０１と、個人ＩＤ５０２と、介入日５０３と、患者背景情報１０２Ａと、介入手段情報１０１と、介入効果情報１０２Ｂと、を有する。整形ヘルスケア情報５００の各レコードが整形ヘルスケアデータである。
レコードＩＤ５０１は、整形ヘルスケアデータを一意に特定する識別情報である。個人ＩＤ５０２は、未整形ヘルスケア情報３００で規定された個人ＩＤである。介入日５０３は、個人ＩＤ５０２で特定される患者に介入した年月日である。介入日５０３は、未整形ヘルスケア情報３００を構成する基本情報３０１、検査情報３０２、医薬品情報３０３、処置情報３０４、および関連サービス情報３０５のいずれかの実施年月日である。
患者背景情報１０２Ａは、たとえば、性別、年齢、体重、空腹時血糖値のような個人情報を含む。患者背景情報１０２Ａは、たとえば、基本情報３０１から整形される。患者背景情報１０２Ａの各レコードを、患者背景データと称す。
介入手段情報１０１は、たとえば、医薬品Ａ、医薬品Ｂ、処置Ｘ、介護サービスａのような各種介入手段を含む。介入手段情報１０１は、たとえば、医薬品情報３０３、処置情報３０４、および関連サービス情報３０５から整形される。介入手段情報１０１の各レコードを、介入手段データと称す。
介入効果情報１０２Ｂは、たとえば、アウトカム取得日、空腹時血糖値、医療費のような各種介入効果を含む。介入効果情報１０２Ｂは、たとえば、検査情報３０２から整形される。介入効果情報１０２Ｂの各レコードを、介入効果データと称す。
図４に戻り、分析装置２００は、未選択の整形ヘルスケアデータがあるか否かを判断する（ステップＳ４０３）。未選択レコード（整形ヘルスケアデータ）がある場合（ステップＳ４０３：Ｙｅｓ）、分析装置２００は、未選択レコードを選択し（ステップＳ４０４）、選択レコードから介入手段、背景データ、および介入効果データを抽出する（ステップＳ４０５～Ｓ４０６）。
分析装置２００は、抽出した介入手段データを訓練データとし、抽出した背景データおよび介入効果データを正解データとして、ニューラルネットワーク１０３に与え、ニューラルネットワーク１０３の学習パラメータを更新し（ステップＳ４０８）、ステップＳ４０３に戻る。未選択レコードがない場合（ステップＳ４０３：Ｎｏ）、分析装置２００は、ニューラルネットワーク１０３は、最新の学習パラメータが設定された学習モデル１０３となる。これにより、学習モデル生成処理が終了する。
＜ニューラルネットワーク＞
図６は、ニューラルネットワーク１０３の一例を示す説明図である。ニューラルネットワーク１０３は、入力層１３１、１つの中間層１３２、および出力層１３３（１３３Ａ，１３３Ｂ）により構成される。入力層１３１には、介入手段データが入力される。介入手段データを、ｎ次元のベクトルｘとする。
中間層１３２は、学習パラメータとして、重みパラメータＷ１とバイアスｂ１とを有し、下記式（１）の演算を実行する。式（１）の演算結果が、図１に示したような特徴量データとなる。
ｘ２Ａ＝Ｗ１・ｘ＋ｂ１・・・（１）
Ｗ１は、下記式（２）のｍ×ｎ行列で表現される。ただし、式（２）のｖ１ｉ（１≦ｉ≦ｎ）は、ｍ次元列ベクトルである。また、バイアスｂ１も、ｍ次元列ベクトルである。
Ｗ１＝（ｖ１１，ｖ１２，ｖ１３，…，ｖ１ｎ）・・・（２）
第１出力層１３３Ａには、式（１）の実行結果（ｘ２Ａ＝Ｗ１・ｘ＋ｂ１）が入力される。第１出力層１３３Ａは、学習パラメータとして、重みパラメータＷ２とバイアスｂ２とを有し、下記式（３）の演算を実行する。
ｙ１＝Ｗ２・ｘ２Ａ＋ｂ２・・・（３）
Ｗ２は、下記式（４）のｌ×ｎ行列で表現される。ただし、式（４）のｖ２ｉ（１≦ｉ≦ｌ）は、ｌ次元列ベクトルである。また、バイアスｂ２も、ｌ次元列ベクトルである。
Ｗ２＝（ｖ２１，ｖ２２，ｖ２３，…，ｖ２ｌ）・・・（４）
第２出力層１３３Ｂには、式（１）の実行結果（ｘ２Ａ＝Ｗ１・ｘ＋ｂ１）が入力される。第２出力層１３３Ｂは、学習パラメータとして、重みパラメータＷ３とバイアスｂ３とを有し、下記式（５）の演算を実行する。
ｙ２＝Ｗ３・ｘ２Ａ＋ｂ３・・・（５）
Ｗ３は、下記式（６）のｋ×ｎ行列で表現される。ただし、式（６）のｖ３ｉ（１≦ｉ≦ｋ）は、ｋ次元列ベクトルである。また、バイアスｂ３も、ｋ次元列ベクトルである。
Ｗ３＝（ｖ３１，ｖ３２，ｖ３３，…，ｖ３ｋ）・・・（６）
図７は、ニューラルネットワーク１０３の他の例を示す説明図である。図６のニューラルネットワーク１０３の中間層は１層であったのに対し、図７のニューラルネットワークの中間層はｍ層有する。図１の特定の中間層１３２と同様、ｍ層の中間層のうち特定の中間層１３２が特徴量情報１０４を生成する。
＜特徴量情報生成処理＞
図８は、特徴量情報生成処理手順例を示すフローチャートである。分析装置２００は、整形ヘルスケア情報５００に未選択の介入手段データがあるか否かを判断する（ステップＳ８０１）。未選択の介入手段データがある場合（ステップＳ８０１：Ｙｅｓ）、分析装置２００は、整形ヘルスケア情報５００から未選択の介入手段データを取得する（ステップＳ８０２）。
分析装置２００は、取得した介入手段データを、学習モデル１０３に入力する（ステップＳ８０３）。分析装置２００は、学習モデル１０３の特定の中間層１３２により特徴量データを算出して記憶デバイス２０２に格納し、ステップＳ８０１に戻る（ステップＳ８０４）。この算出された特徴量データを、便宜的に第１特徴量データと称す。
ステップＳ８０２で取得された介入手段データが図１に示した介入手段データ１０１ａであれば、第１特徴量データとして特徴量データ１０４ａが算出される。ステップＳ８０１において、未選択の介入手段データがない場合（ステップＳ８０１：Ｎｏ）、特徴量情報生成処理は終了する。このようにして、図１の（２）に示したような特徴量情報１０４が生成される。
＜予測対象未整形ヘルスケア情報＞
図９は、実施例１にかかる予測対象未整形ヘルスケア情報の一例を示す説明図である。予測対象未整形ヘルスケア情報９００は、記憶デバイス２０２に格納されている。また、分析装置２００は、通信ＩＦ２０５を介して通信可能な他のコンピュータに格納されている予測対象未整形ヘルスケア情報９００を取得してもよい。
予測対象未整形ヘルスケア情報９００は、医薬品情報９０３と、処置情報９０４と、関連サービス情報９０５と、を含む。医薬品情報９０３、処置情報９０４、および関連サービス情報９０５は、図３に示した医薬品情報３０３、処置情報３０４、および関連サービス情報３０５と同一項目を有する。また、検査は実施されていないため、予測対象未整形ヘルスケア情報９００には検査情報は含まれない。未整形ヘルスケア情報３００の少なくとも一部を予測対象未整形ヘルスケア情報９００として用いる場合、基本情報３０１および検査情報３０２を除外すればよい。
医薬品情報９０３、処置情報９０４、および関連サービス情報９０５において、同一個人ＩＤでかつ同一実施年月日のレコードを、予測対象未整形ヘルスケアデータと称す。個人ＩＤおよび実施年月日の両方が同一である必要があるため、同一個人ＩＤでも実施年月日が異なれば、それらは異なる予測対象未整形ヘルスケアデータとなる。
図１０は、実施例１にかかる予測対象整形ヘルスケア情報の一例を示す説明図である。予測対象整形ヘルスケア情報１０００は、レコードＩＤ５０１と、個人ＩＤ５０２と、介入日５０３と、予測対象介入手段情報１１１と、を有する。予測対象整形ヘルスケア情報１０００の各レコードが予測対象整形ヘルスケアデータである。
＜分析処理＞
図１１は、実施例１にかかる分析装置２００による分析処理手順例を示すフローチャートである。分析装置２００は、記憶デバイス２０２または通信可能な他のコンピュータから予測対象未整形ヘルスケア情報９００を取得する（ステップＳ１１０１）。つぎに、分析装置２００は、予測対象未整形ヘルスケア情報９００をデータ整形し、予測対象整形ヘルスケア情報１０００を生成する（ステップＳ１１０２）。
分析装置２００は、予測対象整形ヘルスケア情報１０００から予測対象整形ヘルスケアデータを選択する（ステップＳ１１０３）。分析装置２００は、選択した予測対象整形ヘルスケアデータから予測対象介入手段データを抽出する（ステップＳ１１０４）。
なお、分析装置２００は、ステップＳ１１０１～Ｓ１１０４のように介入手段データを取得するのではなく、ユーザ操作により、入力デバイス２０３または通信ＩＦ２０５を介して通信可能な他のコンピュータから、たとえば、「医薬品Ａ ａｎｄ 医薬品Ｘ」のように、介入手段データの入力を受け付けてもよい。
分析装置２００は、抽出した予測対象介入手段データを学習モデル１０３に入力する（ステップＳ１１０５）。分析装置２００は、学習モデル１０３の特定の中間層１３２により特徴量データを算出する（ステップＳ１１０６）。この特徴量データを、ステップＳ８０４の第１特徴量データと区別するため、便宜的に、第２特徴量データと称す。ステップＳ１１０４で取得された予測対象介入手段データが図１に示した予測対象介入手段データ１１１ｚであれば、第２特徴量データとして特徴量データ１１４ｚが算出される。
分析装置２００は、第２特徴量データに類似する特定の第１特徴量データを検索する（ステップＳ１１０７）。具体的には、たとえば、分析装置２００は、第１特徴量データの各々と第２特徴量データとの類似度を算出する。類似度が類似度しきい値以上であれば、その第１特徴量データは、第２特徴量データに類似する特定の第１特徴量データとなる。
類似度は、たとえば、特徴量空間内における第１特徴量データと第２特徴量データとの距離である。算出距離の逆数が類似度しきい値以上であれば、その第１特徴量データは、第２特徴量データに類似する特定の第１特徴量データとなる。
なお、類似度しきい値は、あらかじめ分析装置２００に設定された値でもよく、ユーザ操作により、入力デバイス２０３または通信ＩＦ２０５を介して通信可能な他のコンピュータから受け付けた値でもよい。
分析装置２００は、特定の第１特徴量データに対応する特定のヘルスケアデータを抽出する（ステップＳ１１０８）。具体的には、たとえば、分析装置２００は、特定の第１特徴量データの算出元となる介入手段データを含む整形ヘルスケアデータを、整形ヘルスケア情報５００から抽出する。図１の（５）の例では、特定の第１特徴量データが特徴量データ１０４ａだとすると、特定のヘルスケアデータとして、介入手段情報１０１から介入手段データ１０１ａが抽出される。
このあと、分析装置２００は、統計処理を実行し（ステップＳ１１１０）、統計処理（ステップＳ１１１０）の結果を出力する（ステップＳ１１１１）。統計処理（ステップＳ１１１０）の詳細については後述する。
図１２は、統計処理（ステップＳ１１１０）の結果例を示す説明図である。結果画面１２００は、統計処理（ステップＳ１１１０）の結果を表示する画面である。結果画面は、入力領域１２０１と、出力領域１２０２と、を有する。
入力領域１２０１は、編集ボタン１２１１と、分析ボタン１２１２と、介入手段入力欄１２１３と、しきい値入力欄１２１４と、を有する。編集ボタン１２１１は、押下により介入手段入力欄１２１３およびしきい値入力欄１２１４への文字列の入力を可能にするボタンである。分析ボタン１２１２は、押下により図１１に示した分析処理を実行するためのボタンである。
介入手段入力欄１２１３は、ユーザ操作により、入力デバイス２０３または通信ＩＦ２０５を介して通信可能な他のコンピュータから、たとえば、「医薬品Ａ ａｎｄ 医薬品Ｘ」のように、予測対象介入手段データ１１１ｚの入力を受け付ける入力欄である。しきい値入力欄１２１４は、ユーザ操作により、入力デバイス２０３または通信ＩＦ２０５を介して通信可能な他のコンピュータから、たとえば、「０．８０」のように、類似度を示す数値の入力を受け付ける入力欄である。
出力領域１２０２は、類似介入手段情報１２２１と、類似患者背景情報１２２２と、類似介入効果情報１２２３と、を有する。類似介入手段情報１２２１は、類似介入手段１２３１ごとに、類似度１２３２や症例数１２３３といった情報を有する。類似介入手段１２３１は、介入手段入力欄１２１３に入力された介入手段データが学習モデル１０３に入力された結果、ステップＳ１１０６で特定の中間層１３２から算出された第２特徴量データに類似する特定の第１特徴量データ（ステップＳ１１０７）の算出元となる介入手段データであり、ステップＳ１１０８で抽出される。
類似度１２３２は、介入手段入力欄１２１３に入力された予測対象介入手段データが学習モデル１０３に入力された結果、ステップＳ１１０６で特定の中間層１３２から算出された第２特徴量データと、類似介入手段１２３１との類似度（たとえば、算出距離の逆数）であり、ステップＳ１１０７で算出される。類似介入手段情報１２２１として表示される類似介入手段は、たとえば、その類似度１２３２が類似度しきい値以上となる介入手段データである。
症例数１２３３は、類似介入手段１２３１を介入手段データとして持つ整形ヘルスケアデータの計数値であり、統計処理（ステップＳ１１０９）で算出される。
類似患者背景情報１２２２は、類似介入手段１２３１ごとに、年齢１２４１や体重１２４２、空腹時血糖１２４３といった情報を有する。
年齢１２４１は、類似介入手段から特定される１以上の年齢の統計値（たとえば、平均値±標準偏差）である。具体的には、たとえば、分析装置２００は、類似介入手段１２３１となる介入手段データごとに、当該介入手段データを含む整形ヘルスケアデータ（以下、類似整形ヘルスケアデータ）を整形ヘルスケア情報５００から特定する。分析装置２００は、類似整形ヘルスケアデータごとに、類似整形ヘルスケアデータ内の患者背景データに含まれる年齢を抽出する。分析装置２００は、類似整形ヘルスケアデータごとに抽出した年齢の平均値と標準偏差を算出し、類似患者背景情報１２２２における類似介入手段１２３１に対応する年齢１２４１として表示する。年齢１２４１は、統計処理（ステップＳ１１０９）で算出される。
体重１２４２も年齢１２４１と同様、類似介入手段１２３１から特定される１以上の体重の統計値（たとえば、平均値±標準偏差）である。具体的には、たとえば、分析装置２００は、類似整形ヘルスケアデータごとに、類似整形ヘルスケアデータ内の患者背景データに含まれる体重を抽出する。分析装置２００は、類似整形ヘルスケアデータごとに抽出した体重の平均値と標準偏差を算出し、類似患者背景情報１２２２における類似介入手段１２３１に対応する体重１２４２として表示する。体重１２４２は、統計処理（ステップＳ１１０９）で算出される。
空腹時血糖１２４３も年齢１２４１と同様、類似介入手段１２３１から特定される１以上の介入前の空腹時血糖の統計値（たとえば、平均値±標準偏差）である。具体的には、たとえば、分析装置２００は、類似整形ヘルスケアデータごとに、類似整形ヘルスケアデータ内の背景データに含まれる空腹時血糖を抽出する。分析装置２００は、類似整形ヘルスケアデータごとに抽出した空腹時血糖の平均値と標準偏差を算出し、類似患者背景情報１２２２における類似介入手段１２３１に対応する空腹時血糖１２４３として表示する。空腹時血糖１２４３は、統計処理（ステップＳ１１０９）で算出される。
類似介入効果情報１２２３は、類似介入手段１２３１ごとに、空腹時血糖１２５１や医療費１２５２といった情報を有する。
空腹時血糖１２５１は、類似介入手段１２３１から特定される１以上の介入後の空腹時血糖の統計値（たとえば、平均値±標準偏差）である。具体的には、たとえば、分析装置２００は、類似整形ヘルスケアデータごとに、類似整形ヘルスケアデータ内の介入効果データに含まれる空腹時血糖を抽出する。分析装置２００は、類似整形ヘルスケアデータごとに抽出した空腹時血糖の平均値と標準偏差を算出し、類似介入効果情報１２２３における類似介入手段１２３１に対応する空腹時血糖１２５１として表示する。空腹時血糖１２５１は、統計処理（ステップＳ１１０９）で算出される。
医療費１２５２も空腹時血糖１２５１と同様、類似介入手段から特定される１以上の医療費の統計値（たとえば、平均値±標準偏差）である。具体的には、たとえば、分析装置２００は、類似整形ヘルスケアデータごとに、類似整形ヘルスケアデータ内の介入効果データに含まれる医療費を抽出する。分析装置２００は、類似整形ヘルスケアデータごとに抽出した医療費の平均値と標準偏差を算出し、類似介入効果情報１２２３における類似介入手段に対応する医療費１２５２として表示する。医療費１２５２は、統計処理（ステップＳ１１０９）で算出される。
以上説明したように、実施例１によれば、ある患者ｚに提供された１以上の医療サービスの組み合わせである予測対象介入手段データ１１１ｚと一致しない介入手段データ群から、類似介入手段情報１２２１のような類似した介入を行った事例と、類似介入効果情報１２２３のような当該の事例の介入効果に関する統計情報と、類似背景情報１２２２のような患者背景に関する統計情報（たとえば、平均値や標準偏差）と、を提供することができる。
つぎに、実施例２について説明する。実施例１では、類似した介入を行った事例の情報を提供するため、分析装置２００は、類似した介入を行った事例と、当該の事例の介入効果に関する統計情報と、患者背景に関する統計情報（たとえば、平均値や標準偏差）と、を提供した。実施例２では、似たような介入手段データには、似たような介入効果があるため、分析装置２００は、そのような予測をすることができる予測モデルを生成する。
そして、分析装置２００は、この予測モデルに患者ｚの予測対象介入手段データ１１１ｚと患者ｚの予測対象患者背景データ１１１Ａｚを入力することにより、患者ｚの介入効果データを予測することができる。なお、特に指摘しない限り、実施例２では実施例１で説明した図１～図１０の内容が適用される。また、実施例１と同一構成には同一符号を付し、その説明を省略する。
＜クラスタ＞
図１３は、実施例２にかかるクラスタの一例を示す説明図である。特徴量空間１３００の特徴量データ１０４ａ～１０４ｍは、介入手段データ１０１ａ～１０１ｍが学習モデル１０３に入力された結果、特定の中間層１３２から算出される。クラスタＣ１～Ｃ５は、類似する特徴量データを含む。
＜予測モデル＞
図１４は、図１３に示したクラスタを用いた予測モデルの生成例を示す説明図である。予測モデルＭ１～Ｍ５の生成は、学習モデル１０３の生成と同じように実行される。たとえば、クラスタＣ５の場合、分析装置２００は、クラスタＣ５に所属する特徴量データ１０４ｈ～１０４ｋの算出元となる介入手段データ１０１ｈ～１０１ｋ、患者背景データ１０２Ａｈ～１０２Ａｋをニューラルネットワークの入力層に与え、対応する介入効果データ１０２Ｂｈ～１０２Ｂｋを出力層に与えて学習し、学習パラメータ（重みパラメータおよびバイアス）を取得する。
ニューラルネットワークにこの学習パラメータが設定すると予測モデルＭ５となる。予測モデルＭ１～Ｍ４についても、クラスタＣ１～Ｃ４を用いて、同様に生成される。なお、予測モデルＭ１～Ｍ５は、その他の予測分析モデル、たとえば、線形回帰モデルでもよい。
＜予測モデル生成＞
図１５は、実施例２にかかる分析装置２００による予測モデル生成処理手順例を示すフローチャートである。分析装置２００は、各介入手段データを整形ヘルスケア情報５００から抽出し、学習モデル１０３に入力することで特定の中間層１３２から算出された特徴量データを取得する（ステップＳ１５０１）。これにより、図１３に示したような特徴量データ１０４ａ～１０４ｍが得られる。
分析装置２００は、ステップＳ１５０１で取得された特徴量データ群についてクラスタリングを実行する（ステップＳ１５０２）。たとえば、階層的クラスタリングを実行する場合、分析装置２００は、（１）個々の特徴量データを１つのクラスタとして設定し、（２）クラスタ間の類似度を計算して、最も類似するクラスタを併合し、（３）クラスタ数が所定数に収束するまで、（２）を実行する。（２）のクラスタ間の類似度は、たとえば、最近隣法、最遠隣法、または重心法により算出されたクラスタ間距離の逆数である。これにより、図１３に示したようなクラスタＣ１～Ｃ５が生成される。また、分析装置２００は、ｋ平均法などの非階層的クラスタリングを実行して、クラスタＣ１～Ｃ５を生成してもよい。
分析装置２００は、クラスタごとにクラスタに所属する特徴量データの算出元となる介入手段データを取得する（ステップＳ１５０３）。たとえば、クラスタＣ５の場合、分析装置２００は、クラスタＣ５に所属する特徴量データ１０４ｈ～１０４ｋの算出元となる介入手段データ１０１ｈ～１０１ｋを取得する。
そして、分析装置２００は、クラスタ群のうち未選択クラスタがあるか否かを判断する（ステップＳ１５０４）。未選択クラスタがある場合（ステップＳ１５０４：Ｙｅｓ）、分析装置２００は、未選択クラスタを選択する（ステップＳ１５０５）。
分析装置２００は、選択クラスタの介入手段データごとに、対応する患者背景データおよび介入効果データを整形ヘルスケアデータから抽出する（ステップＳ１５０６）。たとえば、クラスタＣ５の場合、分析装置２００は、介入手段データ１０１ｈ～１０１ｋに対応する患者背景データ１０２Ａｈ～１０２Ａｋ，介入効果データ１０２Ｂｈ～１０２Ｂｋを患者ｈ～ｋのヘルスケアデータから抽出する。
分析装置２００は、選択クラスタについて予測モデルを生成し（ステップＳ１５０７）、ステップＳ１５０４に戻る。たとえば、クラスタＣ５の場合、分析装置２００は、クラスタＣ５に所属する特徴量データ１０４ｈ～１０４ｋの算出元となる介入手段データ１０１ｈ～１０１ｋをニューラルネットワークの入力層に与え、介入手段データ１０１ｈ～１０１ｋに対応する患者背景データ１０２Ａｈ～１０２Ａｋ，介入効果データ１０２Ｂｈ～１０２Ｂｋをニューラルネットワークの出力層に与え、予測モデルＭ５を生成する。
ステップＳ１５０４において、未選択クラスタがない場合（ステップＳ１５０４：Ｎｏ）、予測モデル生成処理が終了する。生成された予測モデル群（たとえば、予測モデルＭ１～Ｍ５）は、記憶デバイス２０２または通信ＩＦ２０５を介して通信可能な他のコンピュータに格納される。
＜予測処理＞
図１６は、実施例２かかる分析装置２００による予測処理手順例を示すフローチャートである。図１７は、実施例２にかかる予測対象未整形ヘルスケア情報の一例を示す説明図である。予測対象未整形ヘルスケア情報１７００は、記憶デバイス２０２に格納されている。また、分析装置２００は、通信ＩＦ２０５を介して通信可能な他のコンピュータに格納されている予測対象未整形ヘルスケア情報１７００を取得してもよい。
予測対象未整形ヘルスケア情報１７００は、基本情報１７０１と、検査情報１７０２と、医薬品情報１７０３と、処置情報１７０４と、関連サービス情報１７０５と、を含む。基本情報１７０１～関連サービス情報１７０５は、図３に示した基本情報３０１～関連サービス情報３０５と同様な情報である。
図１８は、実施例２にかかる予測対象整形ヘルスケア情報の一例を示す説明図である。予測対象整形ヘルスケア情報１８００は、図５に示した整形ヘルスケア情報５００と同様、レコードＩＤ５０１と、個人ＩＤ５０２と、介入日５０３と、患者背景情報１０２Ａと、介入手段情報１０１と、を有する。ただし、予測対象であるため、介入効果情報１０２Ｂは含まれない。患者背景情報１０２Ａには、患者ｚの予測対象患者背景データ１１１Ａｚが含まれる。介入手段情報１０１には、患者ｚの予測対象介入手段データ１１１ｚが含まれる。
図１６に戻り、分析装置２００は、記憶デバイス２０２または通信可能な他のコンピュータから予測対象未整形ヘルスケア情報１７００を取得する（ステップＳ１６０１）。つぎに、分析装置２００は、予測対象未整形ヘルスケア情報１７００をデータ整形し、予測対象整形ヘルスケア情報１８００を生成する（ステップＳ１６０２）。分析装置２００は、予測対象整形ヘルスケア情報１８００から予測対象整形ヘルスケアデータを選択する（ステップＳ１６０３）。分析装置２００は、選択した予測対象整形ヘルスケアデータから予測対象介入手段データおよび予測対象患者背景データを抽出する（ステップＳ１６０４）。ステップＳ１１０５とステップＳ１１０６は、図１１のステップＳ１１０５とステップＳ１１０６と同じ処理であるため、説明を省略する。
なお、分析装置２００は、ステップＳ１６０１～Ｓ１６０４のように介入手段データおよび患者背景データを取得するのではなく、ユーザ操作により、入力デバイス２０３または通信ＩＦ２０５を介して通信可能な他のコンピュータから、たとえば、「医薬品Ａ ａｎｄ 医薬品Ｘ」や「ＳＥＴ 年齢＝７９」のように、介入手段データおよび患者背景データの入力を受け付け、その予測対象介入手段データおよび予測対象患者背景データを学習モデル１０３に入力して、特定の中間層１３２から第２特徴量データを算出してもよい。
ステップＳ１１０６のあと、分析装置２００は、第２特徴量データの所属クラスタを特定する（ステップＳ１６０７）。第２特徴量データの所属クラスタとは、特徴量空間において第２特徴量データを包含するクラスタである。所属クラスタが存在しない場合、分析装置２００は、その旨を出力し、予測対象整形ヘルスケアデータの再選択（または予測対象介入手段データの再入力）を促してもよく、また、第２特徴量データが包含するまでクラスタ総数が減少するようクラスタリングを再実行してもよい。
分析装置２００は、予測モデル群の格納先からステップＳ１６０７で特定したクラスタの予測モデルを取得する（ステップＳ１６０８）。分析装置２００は、取得した予測モデルに、ステップＳ１６０４で抽出した予測対象介入手段データと予測対象患者背景データを入力することにより、予測モデルから予測結果データを出力する（ステップＳ１６１０）。予測結果データは、介入効果データの予測値を含む。これにより、予測処理が終了する。
このように、実施例２によれば、クラスタＣ１～Ｃ５ごとに生成された予測モデルＭ１～Ｍ５から、予測対象介入手段データが該当するクラスタの予測モデルが特定される。したがって、特定した予測モデルを用いることにより、予測対象介入手段データと一致する介入手段データがなくても、予測対象介入手段データと患者背景データから構築された予測モデルに基づき、介入効果データの予測結果を得ることができる。
実施例３について説明する。特に指摘しない限り、実施例３では、実施例１で説明した図１～図１２の内容、および、実施例２で説明した図１３および図１５の内容が適用される。また、実施例１および実施例２と同一構成には同一符号を付し、その説明を省略する。
実施例２では、分析装置２００は、クラスタＣ１～Ｃ５ごとに予測モデルＭ１～Ｍ５を生成した。これに対し、実施例３では、分析装置２００は、図１３に示したようにクラスタＣ１～Ｃ５を生成するが（ステップＳ１５０２）、予測モデルＭ１～Ｍ５を生成（ステップＳ１５０７）せずに、実施例１のように、特定のヘルスケアデータを抽出して（ステップＳ１１０８）、統計処理を実行する（ステップＳ１１０９）。
具体的には、たとえば、分析装置２００は、第２特徴量データの所属先クラスタをクラスタＣ１～Ｃ５から特定する。たとえば、分析装置２００は、第２特徴量データと最も類似する（距離が近い）クラスタを、たとえば、上述した最近隣法、最遠隣法、または重心法により特定する。そして、分析装置２００は、ステップＳ１１０７のように、特定した所属先クラスタ内の第１特徴量データ分群の中から第２特徴量データに類似する特定の第１特徴量データを検索する。これ以降は、分析装置２００は、実施例１と同様、ステップＳ１１０８～Ｓ１１１０を実行する。
このように、実施例３によれば、第２特徴量データとクラスタとの類似度により第２特徴量データの所属先クラスタを特定するため、個々の第１特徴量データとの類似度を算出する必要がない。したがって、計算処理の効率化を図ることができる。
なお、上述した実施例１～実施例３では、医療サービスを用いた分析について説明したが、分析に用いる訓練データセットは、医療機関由来に限定されず、広く健康に関わるものでも良い。たとえば、診療報酬明細書などの医療費支払いに関するデータでもよい。さらに、医療サービスに限らず他のサービスでもよい。たとえば、スポーツ競技の支援サービスに適用してもよい。この場合、介入手段情報１０１は、選手の練習方法や栄養剤の処方となり、患者背景情報１０２Ａは、選手の背景情報となり、介入効果情報１０２Ｂは、筋力や走力といった測定結果となる。
また、工作機械の修理サービスに適用してもよい。この場合、介入手段情報１０１は、修理項目となり、患者背景情報１０２Ａは、工作機械の背景情報（製造年月日、使用年数など）となり、介入効果情報１０２Ｂは、工作機械の部位（たとえばアーム）の可動範囲となる。また、株式投資に適用してもよい。この場合、介入手段情報１０１は、銘柄となり、患者背景情報１０２Ａは、投資家の背景情報（経験年数や投資額など）となり、介入効果情報１０２Ｂは、保有株式数や売買価格となる。
なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。たとえば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、または置換をしてもよい。
また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、たとえば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサがそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。
各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）カード、ＳＤカード、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）の記録媒体に格納することができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。
Ｃ１～Ｃ５ クラスタ
Ｍ１～Ｍ５ 予測モデル
１０１ 介入手段情報
１０２Ａ 患者背景情報
１０２Ａ 介入効果情報
１０２Ｂ 介入効果情報
１０３ 学習モデル
１０４ 特徴量情報
１１１ 予測対象介入手段情報
１１１ｚ 予測対象介入手段データ
１３１ 入力層
１３２ 中間層
１３３ 出力層
２００ 分析装置
２０１ プロセッサ
２０２ 記憶デバイス
５００ 整形ヘルスケア情報
１０００ 予測対象整形ヘルスケア情報
１２３１ 類似介入手段
１２３２ 類似度

Claims (9)

  1. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する分析装置であって、
    前記プロセッサは、
    入力層、１以上の中間層、および出力層を有し、前記入力層に割り当てられる対象者への実施行為に関する訓練データ群と、前記出力層に割り当てられる前記実施行為前の状態に関する実施行為前正解データ群および前記実施行為後に関する実施行為後正解データ群と、に基づいて学習された学習モデルに、前記訓練データ群の各々の訓練データを入力することにより、前記中間層から第１特徴量データ群を算出する第１算出処理と、
    前記学習モデルの予測対象データを入力することにより、前記中間層から第２特徴量データを算出する第２算出処理と、
    前記第１算出処理によって算出された第１特徴量データ群の中から、前記第２算出処理によって算出された第２特徴量データに類似する特定の第１特徴量データを検索する検索処理と、
    前記検索処理によって検索された特定の第１特徴量データの算出元となる特定の訓練データを前記実施行為に関する訓練データ群から抽出する抽出処理と、
    前記第１特徴量データ群を複数のクラスタに分類するクラスタリング処理と、
    前記クラスタリング処理によって分類された複数のクラスタの各々について、前記クラスタ内の第１特徴量データの算出元となる特定の訓練データおよび当該特定の訓練データに対応する特定の実施行為前正解データを含むクラスタリングに関する訓練データと、当該特定の訓練データに対応する特定の実施行為後正解データであるクラスタリングに関する正解データとに基づいて、予測モデルを生成する生成処理と、
    前記複数のクラスタの中から前記第２特徴量データの所属先クラスタを特定する特定処理と、
    前記特定処理によって特定された所属先クラスタの予測モデルを前記生成処理によって生成された複数の予測モデルの中から取得する取得処理と、
    前記取得処理によって取得された予測モデルに前記予測対象データを入力することにより、予測結果データを出力する出力処理と、
    を実行することを特徴とする分析装置。
  2. 請求項１に記載の分析装置であって、
    前記検索処理では、前記プロセッサは、前記第１特徴量データ群の各々の第１特徴量データと前記第２特徴量データとの類似度を算出し、前記類似度に基づいて、前記第１特徴量データ群の中から前記特定の第１特徴量データを検索する、
    ことを特徴とする分析装置。
  3. 請求項２に記載の分析装置であって、
    前記検索処理では、前記プロセッサは、前記類似度が所定のしきい値以上となる第１特徴量データを前記特定の第１特徴量データとして検索する、
    ことを特徴とする分析装置。
  4. 請求項１に記載の分析装置であって、
    前記抽出処理では、前記プロセッサは、前記特定の訓練データに対応する特定の実施行為前正解データおよび前記特定の実施行為後正解データを前記実施行為前正解データ群および前記実施行為後正解データ群から抽出する、
    ことを特徴とする分析装置。
  5. 請求項１に記載の分析装置であって、
    前記プロセッサは、
    前記特定の訓練データに関する統計値を算出する統計処理を実行する、
    ことを特徴とする分析装置。
  6. 請求項１に記載の分析装置であって、
    前記プロセッサは、
    前記特定の実施行為前正解データに関する統計値を算出する統計処理を実行する、
    ことを特徴とする分析装置。
  7. 請求項１に記載の分析装置であって、
    前記プロセッサは、
    前記特定の実施行為後正解データに関する統計値を算出する統計処理を実行する、
    ことを特徴とする分析装置。
  8. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する分析装置が実行する分析方法であって、
    前記分析方法は、
    前記プロセッサが、
    入力層、１以上の中間層、および出力層を有し、前記入力層に割り当てられる対象者への実施行為に関する訓練データ群と、前記出力層に割り当てられる前記実施行為前の状態に関する実施行為前正解データ群および前記実施行為後に関する実施行為後正解データ群と、に基づいて学習された学習モデルに、前記訓練データ群の各々の訓練データを入力することにより、前記中間層から第１特徴量データ群を算出する第１算出処理と、
    前記学習モデルの予測対象データを入力することにより、前記中間層から第２特徴量データを算出する第２算出処理と、
    前記第１算出処理によって算出された第１特徴量データ群の中から、前記第２算出処理によって算出された第２特徴量データに類似する特定の第１特徴量データを検索する検索処理と、
    前記検索処理によって検索された特定の第１特徴量データの算出元となる特定の訓練データを前記実施行為に関する訓練データ群から抽出する抽出処理と、
    前記第１特徴量データ群を複数のクラスタに分類するクラスタリング処理と、
    前記クラスタリング処理によって分類された複数のクラスタの各々について、前記クラスタ内の第１特徴量データの算出元となる特定の訓練データおよび当該特定の訓練データに対応する特定の実施行為前正解データを含むクラスタリングに関する訓練データと、当該特定の訓練データに対応する特定の実施行為後正解データであるクラスタリングに関する正解データとに基づいて、予測モデルを生成する生成処理と、
    前記複数のクラスタの中から前記第２特徴量データの所属先クラスタを特定する特定処理と、
    前記特定処理によって特定された所属先クラスタの予測モデルを前記生成処理によって生成された複数の予測モデルの中から取得する取得処理と、
    前記取得処理によって取得された予測モデルに前記予測対象データを入力することにより、予測結果データを出力する出力処理と、
    を実行することを特徴とする分析方法。
  9. プロセッサに、
    入力層、１以上の中間層、および出力層を有し、前記入力層に割り当てられる対象者への実施行為に関する訓練データ群と、前記出力層に割り当てられる前記実施行為前の状態に関する実施行為前正解データ群および前記実施行為後に関する実施行為後正解データ群と、に基づいて学習された学習モデルに、前記訓練データ群の各々の訓練データを入力することにより、前記中間層から第１特徴量データ群を算出する第１算出処理と、
    前記学習モデルの予測対象データを入力することにより、前記中間層から第２特徴量データを算出する第２算出処理と、
    前記第１算出処理によって算出された第１特徴量データ群の中から、前記第２算出処理によって算出された第２特徴量データに類似する特定の第１特徴量データを検索する検索処理と、
    前記検索処理によって検索された特定の第１特徴量データの算出元となる特定の訓練データを前記実施行為に関する訓練データ群から抽出する抽出処理と、
    前記第１特徴量データ群を複数のクラスタに分類するクラスタリング処理と、
    前記クラスタリング処理によって分類された複数のクラスタの各々について、前記クラスタ内の第１特徴量データの算出元となる特定の訓練データおよび当該特定の訓練データに対応する特定の実施行為前正解データを含むクラスタリングに関する訓練データと、当該特定の訓練データに対応する特定の実施行為後正解データであるクラスタリングに関する正解データとに基づいて、予測モデルを生成する生成処理と、
    前記複数のクラスタの中から前記第２特徴量データの所属先クラスタを特定する特定処理と、
    前記特定処理によって特定された所属先クラスタの予測モデルを前記生成処理によって生成された複数の予測モデルの中から取得する取得処理と、
    前記取得処理によって取得された予測モデルに前記予測対象データを入力することにより、予測結果データを出力する出力処理と、
    を実行させるための分析プログラム。
JP2020033769A 2020-02-28 2020-02-28 分析装置、分析方法、および分析プログラム Active JP7384705B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2020033769A JP7384705B2 (ja) 2020-02-28 2020-02-28 分析装置、分析方法、および分析プログラム
US17/140,455 US20210271924A1 (en) 2020-02-28 2021-01-04 Analyzer, analysis method, and analysis program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020033769A JP7384705B2 (ja) 2020-02-28 2020-02-28 分析装置、分析方法、および分析プログラム

Publications (3)

Publication Number Publication Date
JP2021135930A JP2021135930A (ja) 2021-09-13
JP2021135930A5 JP2021135930A5 (ja) 2022-04-19
JP7384705B2 true JP7384705B2 (ja) 2023-11-21

Family

ID=77463709

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020033769A Active JP7384705B2 (ja) 2020-02-28 2020-02-28 分析装置、分析方法、および分析プログラム

Country Status (2)

Country Link
US (1) US20210271924A1 (ja)
JP (1) JP7384705B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT201800003980A1 (it) 2018-03-26 2019-09-26 Stmicroelectronics Application Gmbh Procedimento di comunicazione, sistema, dispositivi, segnale e veicolo corrispondenti

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017054214A (ja) 2015-09-07 2017-03-16 ヤフー株式会社 判定装置、学習装置、情報配信装置、判定方法及び判定プログラム
JP2019046474A (ja) 2017-08-30 2019-03-22 株式会社シーディーアイ 情報処理装置及びプログラム
WO2020026643A1 (ja) 2018-08-03 2020-02-06 ソニー株式会社 情報処理装置、情報処理方法及び情報処理プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017054214A (ja) 2015-09-07 2017-03-16 ヤフー株式会社 判定装置、学習装置、情報配信装置、判定方法及び判定プログラム
JP2019046474A (ja) 2017-08-30 2019-03-22 株式会社シーディーアイ 情報処理装置及びプログラム
WO2020026643A1 (ja) 2018-08-03 2020-02-06 ソニー株式会社 情報処理装置、情報処理方法及び情報処理プログラム

Also Published As

Publication number Publication date
JP2021135930A (ja) 2021-09-13
US20210271924A1 (en) 2021-09-02

Similar Documents

Publication Publication Date Title
Ricciardi et al. Linear discriminant analysis and principal component analysis to predict coronary artery disease
JP6915282B2 (ja) オープンデータ及び臨床医の入力を用いて患者の治療リスクを評価するシステム及び方法
JP6907831B2 (ja) コンテキストベースの患者類似性の方法及び装置
US8589420B2 (en) Medical information system and program for same
JP5977898B1 (ja) 行動予測装置、行動予測装置の制御方法、および行動予測装置の制御プログラム
CN110291555B (zh) 用于促进对健康状况的计算分析的系统和方法
US20020035486A1 (en) Computerized clinical questionnaire with dynamically presented questions
ul Abideen et al. Docontap: Ai-based disease diagnostic system and recommendation system
JP6177609B2 (ja) 医療カルテシステム及び医療カルテ検索方法
Chou et al. Extracting drug utilization knowledge using self-organizing map and rough set theory
JP6963535B2 (ja) 分析方法、分析装置及びプログラム
JP7384705B2 (ja) 分析装置、分析方法、および分析プログラム
Suraj et al. SMART COVID Navigator, a clinical decision support tool for COVID-19 treatment: design and development study
CN114078593A (zh) 临床决策支持
Cousyn et al. Towards using scientific publications to automatically extract information on rare diseases
CN116312926A (zh) 健康路径推荐方法及相关装置、电子设备和存储介质
Patel et al. Predicting Heart Disease Using Machine Learning Algorithms
Suha et al. A systematic review and future research agenda on detection of polycystic ovary syndrome (PCOS) with computer-aided techniques
JP2019109717A (ja) 傷病別医療費推計装置および方法並びにプログラム
Zhu et al. DCDS: A real-time data capture and personalized decision support system for heart failure patients in skilled nursing facilities
Moradi et al. Detecting factors associated with polypharmacy in general practitioners' prescriptions: A data mining approach
Nazurah et al. HealthyHeart Data Visualization: Predicting Heart Condition Using Machine Learning
Riha et al. Medical guideline as prior knowledge in electronic healthcare record mining
Jahangiri et al. An Improved Naïve Bayes Approach to Diagnose Cardiovascular Disease: A Case Study
Bae Diagnosis Analysis of Patient Process Log Data

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220408

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220408

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230522

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230606

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230802

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: 20231031

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231109

R150 Certificate of patent or registration of utility model

Ref document number: 7384705

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150