JP7479604B2 - 機械学習を用いた退院日予測方法及び装置 - Google Patents
機械学習を用いた退院日予測方法及び装置 Download PDFInfo
- Publication number
- JP7479604B2 JP7479604B2 JP2019141844A JP2019141844A JP7479604B2 JP 7479604 B2 JP7479604 B2 JP 7479604B2 JP 2019141844 A JP2019141844 A JP 2019141844A JP 2019141844 A JP2019141844 A JP 2019141844A JP 7479604 B2 JP7479604 B2 JP 7479604B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- discharge date
- information
- hospitalization
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims description 27
- 238000010801 machine learning Methods 0.000 title claims description 13
- 238000004458 analytical method Methods 0.000 claims description 33
- 230000000474 nursing effect Effects 0.000 claims description 32
- 238000003066 decision tree Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000002354 daily effect Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000011282 treatment Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000001356 surgical procedure Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000011882 arthroplasty Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011883 total knee arthroplasty Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
本発明は、病院において入院病棟の病床の効率を向上するために、種々のデータから機械学習によってより正確な退院日を予測する予測方法及び装置に関するものである。
日本において少子高齢化に伴い医療ニーズが増大していく中で、医療費の増大及び医療従事者の不足が深刻な社会課題となっている。この背景のもと、病院は医療リソースを維持したままで病院における看護業務や病床管理業務のオペレーション効率を向上させることが求められている。
病院における医療費のうち、最大を占めているものは、入院医療費である。従来の入院医療費を計算する方法として、入院期間中の診療行為の費用を積算して、入院医療費を計算する出来高払い制度がある。さらに、入院期間中に医療資源を最も投入した「傷病名」と、入院期間中に提供される手術、処置、化学療法などの「診療行為」の組み合わせにより分類される患者群であるＤＰＣ（Ｄｉａｇｎｏｓｉｓ Ｐｒｏｃｅｄｕｒｅ Ｃｏｍｂｉｎａｔｉｏｎ：診断群分類）ごとに設定される１日当たりの定額医療費（包括評価部分）と出来高払い制度（出来高評価部分）の合計額を入院医療費とするＤＰＣ制度がある。
しかし、従来の出来高払い制度に比べＤＰＣ制度においては在院日数が増えるほど一日当たりの点数が逓減するため、病院は増収を目指すために在院日数の短縮によって回転率を上げつつ稼働率を保たなければいけなくなった。
しかし、従来の出来高払い制度に比べＤＰＣ制度においては在院日数が増えるほど一日当たりの点数が逓減するため、病院は増収を目指すために在院日数の短縮によって回転率を上げつつ稼働率を保たなければいけなくなった。
オペレーション効率を向上させ入院患者の稼働率を上げるためには、入院患者の退院日を予測し、病床管理を効率化させることが必要であり、様々な研究がされている。しかしながら、入院患者の回復状態などによりバリアンスが発生することもあり、入院患者の退院日を予測することが難しい場合がある。
前述のとおり１日当たりの診療報酬額は入院期間によって異なり，入院期間Ｉ（各ＤＰＣの２５パーセンタイル値に相当する在院日数まで），入院期間ＩＩ（入院期間Ｉを超え平均在院日数まで），入院期間ＩＩＩ（入院期間ＩＩを超え平均在院日数＋２×標準偏差まで）の３段階の逓減性が採用されている。そこで従来は在院日数予測の参考値として平均在院日数である入院期間ＩＩを用いていたが、入院患者の症例や重症度、施設類ごとによって予測結果とのバリアンスが発生していた。（非特許文献１参照）
そこで、従来の予測の問題点を解消するために特定の疾患に対して退院長期化の原因や在院日数について研究を行っていた。（非特許文献２～４参照）
また、これまでの特定疾患の研究だけに留まらず、ＤＰＣ情報及び重症度、医療・看護必要度を用いて作成された自己組織化マップによる予測についての研究も行われている。（非特許文献５参照）
しかし、自己組織化マップによる予測は、重症度、医療・看護必要度を用いているが、モニタリング及び処置などを記録したＡ項目の合計点、患者の状態などを記録したＢ項目の合計点のみ使用しており、処置・観察項目を考慮できていない。また、入院初日のデータを用いて予測を行うため、入院中の患者の変化に対応する予測が難しいと考えられる。
自己組織化マップによる研究の後、Ｗｅｂシステム化を試みているが、システムでの予測を行う際には入院情報や患者情報を使用していないため個人に適した予測結果が算出されないといった問題点が存在した。（非特許文献６参照）
首相官邸 医療・介護情報の分析・検討ワーキンググループ（第２回）資料３ ＤＰＣデータに基づく病院類型別の在院日数のバラツキの分析（厚生労働省提出資料）https://www.kantei.go.jp/jp/singi/shakaihoshoukaikaku/wg_dai2/siryou3.pdf
人工膝関節全置換術後患者における術後入院期間予測のノモグラム,苑田会人工関節センター病院https://www.jstage.jst.go.jp/article/cjpt/2013/0/2013_1127/_pdf/-char/ja
整形外科患者の入院期間に影響を及ぼす要因,新宮市立医療センター，臨床研究支援センターhttps://www.jstage.jst.go.jp/article/jjsnr/38/3/38_20150722346/_pdf/-char/ja
ディシジョンツリー分析を用いた人工股関節全置換術後在院日数予測モデルの構築https://www.jstage.jst.go.jp/article/cjpt/2013/0/2013_0125/_pdf/-char/ja
DPC データおよび重症度、医療・看護必要度を用いた 在院日数の推定,兵庫県立大学,神戸大学医学部附属病院リハビリテーション部, 神戸大学大学院医学研究科https://www.u-hyogo.ac.jp/mba/pdf/SBR/6-2/095.pdf
データマイニングにおける二値データ解析--決定木とロジスティック回帰分析,流通経済大学, 奥 喜正,本村 猛能,前鶴 政和,内桶 誠二http://id.nii.ac.jp/1473/00003031/
上述したように、入院期間ＩＩの平均在院日数を基にした予測や自己組織化マップを利用した予測はＤＰＣを導入する病院において稼働率を上げるための参考値となってきた。しかし、それらは入院患者の症例や重症度、施設類ごとの変化についての考慮はできない。また、算出された予測日数から業務で多忙な看護師が退院日を判断し、日々手入力することは困難であり、退院日を判断することが難しいため、未入力が発生していた。
また、入院中の処置・観察項目の変化なども考慮されていないため、入院中の患者の変化に対応した日々の予測は困難であった。
さらに、入院情報や患者情報を使用していないため個人単位での予測が難しく入院患者の稼働率向上には限界があった。
本発明は、このような課題を解決するためになされたものであり、ＤＰＣ情報、医療・看護必要度評価情報、個人データなどの病院総合システムのデータを基に、機械学習を用いて予測モデル化することで、入院患者個人単位の退院日を変化に応じて日々予測することができる予測方法、予測装置を提供することを目的とする。
上記課題を解決するために、本発明に関わる退院日予測方法及び装置は、以下のものを提供する。
（１）分析データとしてＤＰＣ情報などの一般的共通情報、かつ重症度、医療・看護必要度評価情報などの日々入力する情報、及び患者情報などの個人ごとに異なる情報の三種を利用することを特徴とした退院日予測方法。
本発明によれば、患者一人一人に対応した予測を行うことができる。
（１）分析データとしてＤＰＣ情報などの一般的共通情報、かつ重症度、医療・看護必要度評価情報などの日々入力する情報、及び患者情報などの個人ごとに異なる情報の三種を利用することを特徴とした退院日予測方法。
本発明によれば、患者一人一人に対応した予測を行うことができる。
（２）（１）に記載した三種のデータを用いて、機械学習を利用し予測モデルを作成して退院日の予測を行う（１）記載の退院日予測方法。
本発明によれば、医師や看護師が行う予測より早いタイミングで、より正確な予測ができる。
本発明によれば、医師や看護師が行う予測より早いタイミングで、より正確な予測ができる。
（３）（２）における予測モデル作成に用いた機械学習アルゴリズムは、ＣＨＡＩＤアルゴリズムであり、決定木分析による予測モデルを作成して入院日数を予測する請求項２項記載の退院日予測方法。
本発明によれば、データセットが多い場合の計算時間の短縮と量的変数を利用した予測ができる。
本発明によれば、データセットが多い場合の計算時間の短縮と量的変数を利用した予測ができる。
（４）（１）におけるデータは予測モデルの作成及び予測を行う際には追加で変数を作成し、一部をフラグ型の変数へと変換することを特徴とする（３）記載の退院日予測方法。
本発明によれば、分析結果の解釈が行いやすくなる。また、数値データしか取り扱えない機械学習などに対し、数値変換(ダミー変数化)してしまうと数値データとして誤って処理されてしまうことを防ぐことができる。
本発明によれば、分析結果の解釈が行いやすくなる。また、数値データしか取り扱えない機械学習などに対し、数値変換(ダミー変数化)してしまうと数値データとして誤って処理されてしまうことを防ぐことができる。
（５）分析データとしてＤＰＣ情報などの一般的共通情報、重症度、医療・看護必要度評価情報などの日々入力する情報、患者情報などの個人ごとに異なる情報の三種を利用し、決定木分析モデルを通して出力された入院日数予測結果をサーバへ格納し、電子カルテシステムが入院日数予測結果を取得することで結果を表示する退院日予測装置。
本発明によれば、入院患者個人単位の入院日数を変化に応じて日々予測することができる。
本発明によれば、入院患者個人単位の入院日数を変化に応じて日々予測することができる。
（６）退院日予測結果を自動的に入力することで、医師や看護師の退院日を予測する業務を支援するための（５）記載の退院日予測装置。
本発明によれば、医師や看護師の退院日予測業務の負荷を軽減し、退院日未入力を防ぐことができるができる。
本発明によれば、医師や看護師の退院日予測業務の負荷を軽減し、退院日未入力を防ぐことができるができる。
（７）入院情報、患者情報、ＤＰＣ情報を記憶する患者情報記憶部、重症度、医療・看護必要度を記憶する看護必要度記憶部、上記の２つの記憶部から出力されたデータを基に機械学習を行い作成されたモデルを利用して入院日数を予測するＡＩ退院日予測部、ＡＩ退院日予測部から出力されたデータを受け取り、予測退院日を表示させる予測退院日表示部を備えた請求項５項記載の退院日予測装置。
本発明によれば、従来に比べて精度が高く入院患者個人単位の退院日を変化に応じて日々予測することで病院のベットコントロールの効率化を図ることができる。
本発明によれば、従来に比べて精度が高く入院患者個人単位の退院日を変化に応じて日々予測することで病院のベットコントロールの効率化を図ることができる。
本発明は、ＤＰＣコードによって行っていた入院日数の算出を、病院総合システムの持つＤＰＣ情報などの一般的共通情報、かつ重症度、医療・看護必要度評価情報などの日々入力する情報、及び患者情報などの個人ごとに異なる情報の三種のデータなどを使用して、機械学習による分析モデルを利用することで、従来に比べてより精度が高く入院患者個人単位の退院日を変化に応じて日々予測することができ、病院のベットコントロールの効率化を図ることができる退院日予測方法、退院日予測装置を提供する。
予測モデル作成おいては急性期病棟２年分のデータを使用して作成することで病院全体を対象としたほとんどの患者を対象に予測ができる。
また、予測モデルで使用されていない変数のデータを取り除いて退院予測日を算出することにより、性能の低い学習器を１つずつ順番に構築し組み合わせて、高性能な学習器を作る勾配ブースティングやニューラルネットワークを多層にして用いることで、データに含まれる特徴を段階的により深く学習するディープラーニングなどを使用するより計算量を削減し、処理の高速化を図ることができる。
また、予測モデルで使用されていない変数のデータを取り除いて退院予測日を算出することにより、性能の低い学習器を１つずつ順番に構築し組み合わせて、高性能な学習器を作る勾配ブースティングやニューラルネットワークを多層にして用いることで、データに含まれる特徴を段階的により深く学習するディープラーニングなどを使用するより計算量を削減し、処理の高速化を図ることができる。
入院患者一覧画面ではモニタリング及び処置などを記録したＡ項目の合計点、患者の状態などを記録したＢ項目の合計点、手術等の医学的状況を記録したＣ項目の算定可能期間を表示し、退院予定照会画面で医師が予測した退院予定日、看護師が予測した退院予定日、ＡＩ予測の退院予定日の３つを参照することにより、より精度の高い退院日を予測することができる。
さらに、病院総合システムと連携し、退院予測患者数と入院予約患者数を対比することで効率的な病床コントロールを行うことができる。また、曜日ごとの平均入院患者数と比較を行うことで、緊急入院患者を想定した空き病床数を確保することができ、稼働率を下げることなく運用を行うことができる。
一週間の予測結果を俯瞰的に表示し、７日間の退院予測患者数と入院予約患者数を病棟の業務量の参考値として使用し、直近５日間の退院予測患者数と入院予約患者数を入退院促進の参考値として病床コントロールを行う。
このように退院予測患者数と入院予約患者数を段階的に確認することで、入院患者の稼働率を下げることなく回転率を上げることが容易になる。（図６参照）
一週間の予測結果を俯瞰的に表示し、７日間の退院予測患者数と入院予約患者数を病棟の業務量の参考値として使用し、直近５日間の退院予測患者数と入院予約患者数を入退院促進の参考値として病床コントロールを行う。
このように退院予測患者数と入院予約患者数を段階的に確認することで、入院患者の稼働率を下げることなく回転率を上げることが容易になる。（図６参照）
以下、本発明を実施するための形態について説明する。なお、実施形態の説明は例示であり、本発明は以下の説明に限定されない。
図１における本発明に係る手順の実施例を示す。図１は、本実施形態の退院日予測プログラム及び退院日予測装置のフローチャート図である。
看護師は患者入院時にはステップＳ１入院情報の入力を行い、患者の個人情報等を記録する。
看護師は３営業日以内にステップＳ２のＤＰＣ情報を入力する。
看護師は日々の看護業務において変化をチェックしステップＳ３に重症度、医療・看護必要度評価情報の入力を行う。
ステップＳ４として、ステップＳ１、Ｓ２、Ｓ３にて入力した情報が記録された電子診療レコードから図３の予測モデル作成に必要なデータを抽出する。
ステップＳ５で、ＡＩ分析用ＰＣは抽出されたデータを受け取る。本実施例では、夜間に１日分の図３に示すデータをバッチ処理によりＡＩ分析用ＰＣに受け渡しを行っている。
受け取ったデータをステップＳ６として加工を行い、複数の変数についての派生データを生成する。加工を行う内容は、図２における本発明に係る装置の実施例にて説明を行う。
本実施例では、ＣＨＡＩＤによる決定木分析を用いる。ステップＳ６にて加工されたデータを利用しＣＨＡＩＤを用いて決定木分析モデルの作成を行う。（ステップＳ７）
ステップＳ７にて作成された決定木分析モデルはＡＩ分析用ＰＣに配置され、ステップＳ１、Ｓ２、Ｓ３で日々入力されたデータを決定木分析モデルへと入力することで入院日数の予測結果が出力される。（ステップＳ８）
ステップＳ８にて出力された予測結果のデータは院内の病院総合システムへと取り込まれる。取り込まれた入院日数の予測結果は画面に表示するにあたり退院予測日へと変換が行われる。（ステップＳ９）
変換された退院予測日は、患者個々の退院予測日として病院総合システムにて表示される。（ステップＳ１０）さらに、医師及び、看護師の入力した退院予定日との比較をすることができる。
また、図６で示す通り各日の退院予測数の集計と入院の予約患者数の対比をする画面を表示することができる。（ステップＳ１１）
医師及び看護師は、ステップＳ１０、Ｓ１１の画面を参考に入退院促進を行う。（ステップＳ１２）これにより本発明は効率的な病床管理業務のサポートを行うことができる。そして、病院の入院患者稼働率の向上に寄与することができる。
続いて、図２における本発明に係る装置の実施例を示す。
図２は、本実施形態の退院日予測プログラム及び退院日予測装置の概略構成図である。それぞれの記憶部などの装置は、特に図示しないが、ＣＰＵ、ＲＡＭ、ハードディスク、入出力装置、通信手段等を備えた一般的なコンピュータである。
図２は、本実施形態の退院日予測プログラム及び退院日予測装置の概略構成図である。それぞれの記憶部などの装置は、特に図示しないが、ＣＰＵ、ＲＡＭ、ハードディスク、入出力装置、通信手段等を備えた一般的なコンピュータである。
図２においてはそれぞれのデータが貯められたサーバ、及びデータベース５、データベース６からデータを出力しＡＩ分析用ＰＣ３でＡＩデータ７の取り込みを行っている。
患者情報記憶部９と、看護必要度記憶部１０はネットワークを介して、患者の受付・照会・登録処理が行われる患者受付処理部、医師による電子カルテ作成処理などが行われる診察処理部、あるいは患者の医事会計処理を行う医事会計処理部など（いずれも図示せず） にも接続されており、全体として病院総合システム２を形成している。
図３においては図２の患者情報記憶部９と、看護必要度記憶部１０のそれぞれに保存されたデータからＡＩ分析用ＰＣ３へと渡されるデータの内容を示している。これらのデータは日々の看護業務の際に入力され保存されている。
これらのデータは予測モデルの作成を行う前に変数の作成を行い、ＭＤＣ（Ｍａｊｏｒ Ｄｉａｇｎｏｓｔｉｃ Ｃａｔｅｇｏｒｙ：主要診断群）コードごとにモデルの作成を行う。
まず変数の作成にあたり、看護支援登録日の空白を入院日で埋め、看護支援登録時間を出力する。また看護支援登録時間の空白を”００:００:００“で埋める。
看護支援登録日が入院日より以前になっているデータを除外する。
入院日と看護支援登録日との差を変数として作成し、２日以上乖離しているレコードを除外する。
日勤、準夜・深夜区分が空白になっているものを準深に置き換える。
入院日、評価日からそれぞれの曜日を算出し変数を作成する。
包括状態にあるＤＰＣコードの先頭２桁をＭＤＣコードとして切り出す。
包括状態にあるＤＰＣコードの１桁目から６桁目までを疾患コードとして切り出す。
包括状態にあるＤＰＣコードの７桁目を病態等分類として切り出す。
包括状態にあるＤＰＣコードの８桁目を年齢・出生時体重等として切り出す。
包括状態にあるＤＰＣコードの９桁目から１０桁目までを手術として切り出す。
包括状態にあるＤＰＣコードの１１桁目を手術・処理等１として切り出す。
包括状態にあるＤＰＣコードの１２桁目を手術・処理等２として切り出す。
包括状態にあるＤＰＣコードの１３桁目を副傷病として切り出す。
包括状態にあるＤＰＣコードの１４桁目を重症度等として切り出す。
包括状態にあるＤＰＣコードの１桁目から６桁目までを疾患コードとして切り出す。
包括状態にあるＤＰＣコードの７桁目を病態等分類として切り出す。
包括状態にあるＤＰＣコードの８桁目を年齢・出生時体重等として切り出す。
包括状態にあるＤＰＣコードの９桁目から１０桁目までを手術として切り出す。
包括状態にあるＤＰＣコードの１１桁目を手術・処理等１として切り出す。
包括状態にあるＤＰＣコードの１２桁目を手術・処理等２として切り出す。
包括状態にあるＤＰＣコードの１３桁目を副傷病として切り出す。
包括状態にあるＤＰＣコードの１４桁目を重症度等として切り出す。
生年月日と入院日の差を計算し、入院時の年齢を変数として作成する。入院時の年齢を１０歳区切りで世代分けし、入院時の年齢層として変数を作成する。入院日から入院月を算出して変数を作成する。
入院日を月の上旬、中旬、下旬に分け旬_入院日として変数を作成する。
評価日を月の上旬、中旬、下旬に分け旬_評価日として変数を作成する。
評価日を月の上旬、中旬、下旬に分け旬_評価日として変数を作成する。
評価日と退院日の差から実際の入院期間を算出し変数を作成する。患者番号が重複しているものを削除し、入院期間ＩＩがｎｕｌｌになっているものを除外する。実際の入院期間が入院期間IIIより長い長期入院患者のレコードを除外する。
カテゴリ型変数をフラグ型の変数へ変換する。
看護必要度のＡ項目、Ｂ項目、Ｃ項目のそれぞれの評価項目に対して前日との比較を行った変数を作成する。モニタリング及び処置などを記録したＡ項目の合計点、患者の状態などを記録したＢ項目の合計点、手術等の医学的状況を記録したＣ項目の合計点の総計が０の場合は真、それ以外は偽となるフラグ型の変数を作成する。
加工されたデータは８割を学習用に使用し、残りの２割をテスト用のデータとして使用する。
図４では加工が行われたデータを目的変数と説明変数に分けて示している。
目的変数は予測装置から予測が行われる部分であり、説明変数は目的変数を説明するための変数となる。
目的変数は予測装置から予測が行われる部分であり、説明変数は目的変数を説明するための変数となる。
本実施例では、ＣＨＡＩＤによる決定木分析を用いる。決定木は、特定の特徴がよく現れるようなデータのかたまりを見つけ、その分類ルールを生成する機械学習の手法であり、目的変数と説明変数を設定し、目的変数の特徴的な領域が固まって存在するようなデータグループを見つけていく。ＣＨＡＩＤでは一度に複数の分岐ができ分岐の指標にはカイ２乗統計量が使われる。
決定木分析においてＣＨＡＩＤとＣＡＲＴとＣ５．０のアルゴリズムは一般的に利用されているが、ＣＡＲＴはデータセットが多いと計算時間が長くなる傾向がある。また、Ｃ５．０は扱える目的変数が質的変数のみである。そのためＣＨＡＩＤを使うことにより大量のデータセットを短時間で計算し、量的変数を予測することを可能にしている。
また、本実施例ではプロセスを段階的ではなく徹底的な全数探索を行うことで、単一のペアのみが残るまで任意の類似ペアをマージするＥｘｈａｕｓｔｉｖｅ ＣＨＡＩＤを利用する。これにより任意の分岐停止基準のもとで最善の分岐が保証される。
決定木で生成されるツリーの深さは最大２０に設定し、分岐した枝葉の親枝葉が最小レコード数２、小枝葉は最小レコード数１になった時点で分岐を停止するように設定する。
本実施例では、このような決定木に入力するデータは、患者情報記憶部９と、看護必要度記憶部１０に保存された図３のデータから上述の加工を行い、説明変数と目的変数に分類した図４のデータである。ＣＨＡＩＤの具体的な計算方法は、非特許文献６など、公知の技法を用い、これによってモデル化を行う。ここでいうモデル化とは、変数間の定量的な関係を定式化した数理モデルを構築することを指し、そのモデルを用いることで一方の変数から他方の変数の状態を計算することができる。
図５では、本実施例において作成されたモデルの決定木の一部である。例示されているのはＭＤＣコード０２の眼科であり、手術有無という説明変数によって最初の分岐が行われていることがわかる。
決定木モデルはＭＤＣコード別に作成され、本実施例においては図２のＡＩ分析用ＰＣ３に配置される。
本実施例では、夜間に１日分の図３に示すデータをバッチ処理によりＡＩ分析用ＰＣ３に受け渡し、それぞれの決定木へデータを通すことで入院日数の予測結果を出力している。ここでは日々予測結果を出力することで、入院中の処置・観察項目の変化など考慮され、入院中の患者の変化に対応できる予測が可能になっている。
出力された予測結果のデータは院内の病院総合システム２へと取り込まれる。取り込まれたデータは入院日数から退院日へと変換され患者個々の退院予測日として表示されるほか、医師及び、看護師の入力した退院予定日との比較をすることができる。
また、図６で示す通り各日の退院予測数の集計と入院の予約患者数の対比をすることで効率的な病床管理業務のサポートを行うことができる。これにより病院の入院患者稼働率の向上に寄与することができる。
なお、医療制度の改定により看護必要度項目が変更になった場合、使用されるデータは上述した実施形態の看護必要度項目に限らない。
また、本発明について上述した実施形態に基づいて説明したが、本発明は上記実施形態に限定されない。例えば、本発明は、上記の実施形態で説明したフローチャートの処理手順が開示する分析方法であるとしてもよい。また、一台の分析装置において各手段による処理を実行させたが、このような態様に限らず、複数の分析装置にて各手段を分散して実行させてもよい。
図１において、
Ｓ１ 入院情報の入力ステップ
Ｓ２ ＤＰＣ情報の入力ステップ
Ｓ３ 重症度、医療・看護必要度評価情報の入力ステップ
Ｓ４ 予測モデル作成に必要なデータの抽出ステップ
Ｓ５ ＡＩ分析用ＰＣが抽出されたデータを受け取るステップ
Ｓ６ 複数の変数についての派生データを生成するステップ
Ｓ７ ＣＨＡＩＤによる決定木分析モデルを作成するステップ
Ｓ８ 入院日数の予測結果の出力ステップ
Ｓ９ 退院予測日へと変換するステップ
Ｓ１０ 退院予測日として病院総合システムにて表示するステップ
Ｓ１１ 退院予測数の集計と入院の予約患者数の対比をする画面を表示するステップ
Ｓ１２ 医師及び看護師がＳ１０とＳ１１の画面を参考に入退院促進するステップ、を、それぞれ表し、
図２において、
１ システム構成
２ 病院総合システム
３ ＡＩ分析用ＰＣ
４ 電子カルテシステム
５ 電子診療レコード データベース
６ 重症度、医療・看護必要度評価システム データベース
７ ＡＩデータ
８ 退院日予測モデル
９ 患者情報記憶部
１０ 看護必要度記憶部
を表す。
Ｓ１ 入院情報の入力ステップ
Ｓ２ ＤＰＣ情報の入力ステップ
Ｓ３ 重症度、医療・看護必要度評価情報の入力ステップ
Ｓ４ 予測モデル作成に必要なデータの抽出ステップ
Ｓ５ ＡＩ分析用ＰＣが抽出されたデータを受け取るステップ
Ｓ６ 複数の変数についての派生データを生成するステップ
Ｓ７ ＣＨＡＩＤによる決定木分析モデルを作成するステップ
Ｓ８ 入院日数の予測結果の出力ステップ
Ｓ９ 退院予測日へと変換するステップ
Ｓ１０ 退院予測日として病院総合システムにて表示するステップ
Ｓ１１ 退院予測数の集計と入院の予約患者数の対比をする画面を表示するステップ
Ｓ１２ 医師及び看護師がＳ１０とＳ１１の画面を参考に入退院促進するステップ、を、それぞれ表し、
図２において、
１ システム構成
２ 病院総合システム
３ ＡＩ分析用ＰＣ
４ 電子カルテシステム
５ 電子診療レコード データベース
６ 重症度、医療・看護必要度評価システム データベース
７ ＡＩデータ
８ 退院日予測モデル
９ 患者情報記憶部
１０ 看護必要度記憶部
を表す。
Claims (4)
- 分析データとしてＤＰＣ情報を含む一般的共通情報、かつ重症度、医療・看護必要度評価情報を含む日々入力する情報、及び患者情報を含む個人ごとに異なる情報の三種のデータをコンピューターが利用して、前記日々入力する情報の入力を契機として退院日の予測を行う退院日予測方法であって、
前記三種のデータを用いて、機械学習を利用しＭＤＣコード毎の予測モデルを作成して退院日の予測を行うことを特徴とした退院日予測方法。 - 前記予測モデル作成に用いた機械学習アルゴリズムは、ＣＨＡＩＤアルゴリズムであり、決定木分析による予測モデルを作成して入院日数を予測する請求項１項記載の退院日予測方法。
- 前記三種のデータは予測モデルの作成及び予測を行う際には追加で変数を作成し、一部をフラグ型の変数へと変換することを特徴とする請求項２項記載の退院日予測方法。
- 分析データとしてＤＰＣ情報を含む一般的共通情報、かつ重症度、医療・看護必要度評価情報を含む日々入力する情報、及び患者情報を含む個人ごとに異なる情報の三種のデータをコンピューターが利用して、前記日々入力する情報の入力を契機として退院日の予測を行い、決定木分析モデルを通して出力された入院日数予測結果をサーバへ格納し、電子カルテシステムが入院日数予測結果を取得することで結果を表示する退院日予測装置であって、
入院情報、患者情報、ＤＰＣ情報を記憶する患者情報記憶部、重症度、医療・看護必要度を記憶する看護必要度記憶部、上記の２つの記憶部から出力されたデータを基に機械学習を行いＭＤＣコード毎の作成されたモデルを利用して入院日数を予測するＡＩ退院日予測部、ＡＩ退院日予測部から出力されたデータを受け取り、予測退院日を表示させる予測退院日表示部を備えた退院日予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019141844A JP7479604B2 (ja) | 2019-07-31 | 2019-07-31 | 機械学習を用いた退院日予測方法及び装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019141844A JP7479604B2 (ja) | 2019-07-31 | 2019-07-31 | 機械学習を用いた退院日予測方法及び装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021026358A JP2021026358A (ja) | 2021-02-22 |
| JP7479604B2 true JP7479604B2 (ja) | 2024-05-09 |
Family
ID=74664748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019141844A Active JP7479604B2 (ja) | 2019-07-31 | 2019-07-31 | 機械学習を用いた退院日予測方法及び装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7479604B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569907B (zh) * | 2021-06-11 | 2024-07-09 | 陆馨雨 | 疾病治疗费用预测方法、系统、介质及终端 |
| JP7442217B1 (ja) | 2022-09-05 | 2024-03-04 | 株式会社政策基礎研究所 | プログラム、情報処理方法、および情報処理装置 |
| KR102717252B1 (ko) * | 2023-02-17 | 2024-10-15 | 주식회사 뷰노 | 치료 장소 입실 가능성 예측 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013008159A (ja) | 2011-06-23 | 2013-01-10 | Toshio Kobayashi | 医療データ解析方法、医療データ解析装置およびプログラム |
| WO2017126109A1 (ja) | 2016-01-22 | 2017-07-27 | 大塚製薬株式会社 | 情報管理システム及び情報管理方法 |
-
2019
- 2019-07-31 JP JP2019141844A patent/JP7479604B2/ja active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013008159A (ja) | 2011-06-23 | 2013-01-10 | Toshio Kobayashi | 医療データ解析方法、医療データ解析装置およびプログラム |
| WO2017126109A1 (ja) | 2016-01-22 | 2017-07-27 | 大塚製薬株式会社 | 情報管理システム及び情報管理方法 |
Non-Patent Citations (2)
| Title |
|---|
| 熊岡 穣，DPCデータおよび重症度、医療・看護必要度を用いた在院日数の推定，商大ビジネスレビュー，第6巻, 第2号，2016年09月30日，p.95-109 |
| 菖蒲澤 幸子，病院に貢献する ＤＷＨの有用性 ＤＷＨからの「重症度、医療・看護必要度」データ分析を用いた病床管理，月刊新医療 New Medicine in Japan，第43巻，株式会社エム・イー振興協会，2016年02月01日，p.49-52 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021026358A (ja) | 2021-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11664097B2 (en) | Healthcare information technology system for predicting or preventing readmissions | |
| Nazari et al. | A fuzzy inference-fuzzy analytic hierarchy process-based clinical decision support system for diagnosis of heart diseases | |
| Mohammed et al. | Novel technique for reorganisation of opinion order to interval levels for solving several instances representing prioritisation in patients with multiple chronic diseases | |
| US8949082B2 (en) | Healthcare information technology system for predicting or preventing readmissions | |
| Khalifa et al. | Utilizing health analytics in improving the performance of healthcare services: A case study on a tertiary care hospital | |
| US8515777B1 (en) | System and method for efficient provision of healthcare | |
| US11646105B2 (en) | Patient predictive admission, discharge, and monitoring tool | |
| Duma et al. | An ad hoc process mining approach to discover patient paths of an Emergency Department | |
| JP7479604B2 (ja) | 機械学習を用いた退院日予測方法及び装置 | |
| JP7430295B2 (ja) | 個体慢性疾患進行リスク可視化評価方法及びシステム | |
| US20120065987A1 (en) | Computer-Based Patient Management for Healthcare | |
| Alipour-Vaezi et al. | Prioritizing and queueing the emergency departments’ patients using a novel data-driven decision-making methodology, a real case study | |
| Apornak et al. | Human resources optimization in hospital emergency using the genetic algorithm approach | |
| Gül et al. | Forecasting patient length of stay in an emergency department by artificial neural networks | |
| US9117183B2 (en) | Real-time predictive simulation modeling | |
| Hunter-Zinck et al. | Predicting emergency department orders with multilabel machine learning techniques and simulating effects on length of stay | |
| JP2019101612A (ja) | 病床管理業務支援システム | |
| Ala et al. | Alternative mathematical formulation and hybrid meta-heuristics for patient scheduling problem in health care clinics | |
| CN112908452A (zh) | 事件数据建模 | |
| Hernandez-Boussard et al. | Relationship of Affordable Care Act implementation to emergency department utilization among young adults | |
| Ouyang et al. | The impact of emergency department crowding on admission decisions and patient outcomes | |
| Hunt et al. | Better outcomes at lower costs? The effect of public health expenditures on hospital efficiency | |
| Alnsour et al. | Predicting patient length of stay using artificial intelligence to assist healthcare professionals in resource planning and scheduling decisions | |
| McGarvey et al. | Measuring efficiency of community health centers: a multi-model approach considering quality of care and heterogeneous operating environments | |
| Mutegeki et al. | Interpretable machine learning-based triage for decision support in emergency care |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20220711 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20220718 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220731 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220719 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230905 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230912 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231112 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240123 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240319 |
|
| 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: 20240409 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240415 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7479604 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |