JP7538516B2 - 医薬品の調剤量を予測するためのシステム、方法、およびプログラム - Google Patents

Description

本発明は、医薬品の調剤量を予測するためのシステム、方法、およびプログラムに関する。

従来から医薬品発注システムが存在していた（特許文献１等）。

従来の医薬品発注システムを用いる薬局の発注者は、調剤実績を別途管理するシステムおよび在庫情報を別途管理するシステムを参照して、その日の調剤実績および在庫情報に基づいて発注量を決定していた。

特開２００１－４３２７９号公報

しかしながら、発注者が、その日の調剤実績および在庫情報に基づいて医薬品の発注量を決定するのでは、適切な医薬品の発注が達成できておらず、過剰な在庫状態または不足する在庫状態を招いていた。

本発明は、上記事情に鑑みてなされたものであり、適切な医薬品の発注を支援することが可能な、医薬品の調剤量を予測するためのシステム等を提供することを目的とする。

本発明は、例えば、以下の項目を提供する。
（項目１）
医薬品の調剤量を予測するためのコンピュータシステムであって、
薬局に関するデータを取得する取得手段と、
前記薬局に関するデータに基づいて、前記薬局における医薬品の将来の調剤量を予測する予測手段と、
前記予測された調剤量を出力する出力手段と
を備えるコンピュータシステム。
（項目２）
前記薬局に関するデータは、前記医薬品を調剤した日の月を含む、項目１に記載のコンピュータシステム。
（項目３）
前記薬局に関するデータは、前記日の曜日をさらに含む、項目２に記載のコンピュータシステム。
（項目４）
前記薬局に関するデータは、前記日の１週間後が休日であることを示す翌週休日フラグをさらに含む、項目２または項目３に記載のコンピュータシステム。
（項目５）
前記薬局に関するデータは、前記日の１週間前が休日であることを示す前週休日フラグ、前記日が休日であることを示す当日休日フラグ、前記日の翌日が休日であることを示す翌日休日フラグのうちの少なくとも１つをさらに含む、項目２～４のいずれか一項に記載のコンピュータシステム。
（項目６）
前記薬局に関するデータは、前記日の１週間前が休日であることを示す前週休日フラグと、前記日が休日であることを示す当日休日フラグと、前記日の翌日が休日であることを示す翌日休日フラグとをさらに含む、項目２～４のいずれか一項に記載のコンピュータシステム。
（項目７）
前記予測手段は、学習済モデルを用いて前記薬局における医薬品の調剤量を予測し、前記学習済モデルは、前記薬局に関するデータに基づいて学習処理がなされたモデルである、項目１～６のいずれか一項に記載のシステム。
（項目８）
前記学習済モデルは、線形回帰モデルであり、
前記予測手段は、前記薬局に関するデータを前記線形回帰モデルの説明変数に入力することにより、前記医薬品の将来の調剤量を得る、項目７に記載のコンピュータシステム。（項目９）
前記予測手段は、少なくとも１日後～３日後の３日間の前記医薬品の調剤量を予測する、項目１～８のいずれか一項に記載のコンピュータシステム。
（項目１０）
前記取得手段は、医薬品の在庫データをさらに取得し、
前記コンピュータシステムは、前記予測された調剤量と、前記在庫データとに基づいて、前記医薬品を発注すべき量の推奨値を予測する第２の予測手段をさらに備え、
前記出力手段は、前記予測された発注すべき量の推奨値を出力する、項目１～９のいずれか一項に記載のコンピュータシステム。
（項目１１）
前記第２の予測手段は、
前記医薬品の現在の在庫量から前記予測された調剤量を減算した値と、前記医薬品の適正在庫量とを比較することと、
前記医薬品の現在の在庫量から前記予測された調剤量を減算した値が前記医薬品の適正在庫量を下回る場合に、前記医薬品を発注すべき量の推奨値を予測することと
を行うように構成されている、項目１０に記載のコンピュータシステム。
（項目１２）
医薬品の調剤量を予測するための方法であって、
薬局に関するデータを取得することと、
前記薬局に関するデータに基づいて、前記薬局における医薬品の将来の調剤量を予測することと、
前記予測された調剤量を出力することと
を含む方法。
（項目１３）
医薬品の調剤量を予測するためのプログラムであって、前記プログラムは、プロセッサ部を備えるシステムにおいて実行され、前記プログラムは、
薬局に関するデータを取得することと、
前記薬局に関するデータに基づいて、前記薬局における医薬品の将来の調剤量を予測することと、
前記予測された調剤量を出力することと
を含む処理を前記プロセッサ部に実行させる、プログラム。
（項目１４）
医薬品の調剤量を予測するために用いられるモデルを構築するためのコンピュータシステムであって、
薬局に関するデータを取得する取得手段と、
前記薬局に関するデータを教師データとして学習する学習手段と
を備えるコンピュータシステム。
（項目１５）
前記薬局に関するデータは、４日前～９０日前の期間内のデータを含む、項目１４に記載のコンピュータシステム。
（項目１６）
医薬品の調剤量を予測するために用いられるモデルを構築するための方法であって、
薬局に関するデータを取得することと、
前記薬局に関するデータを教師データとして学習することと
を含む方法。
（項目１７）
医薬品の調剤量を予測するために用いられるモデルを構築するためのプログラムであって、前記プログラムは、プロセッサ部を備えるシステムにおいて実行され、前記プログラムは、
薬局に関するデータを取得することと、
前記薬局に関するデータを教師データとして学習することと
を含む処理を前記プロセッサ部に実行させる、プログラム。

本発明によれば、医薬品の調剤量を予測するためのシステム等を提供することができる。このシステムを医薬品発注システムに利用することにより、適切な発注量を推奨することができ、医薬品の適切な発注を支援することができる。

医薬品の発注を支援するためのサービスを利用する調剤薬局の端末装置に表示される画面の一例を示す図。 医薬品の調剤量を予測するためのコンピュータシステム１００の構成の一例を示す図。 医薬品の調剤量を予測するためのコンピュータシステム１００の具体的な構成の一例を示す図。 データベース部２００に格納される調剤データのデータ構成の一例を示す図。 データベース部２００に格納される調剤データのデータ構成の別の一例を示す図。 プロセッサ部１２０の構成の一例を示す図。 プロセッサ部１２０の代替実施形態であるプロセッサ部１２０’の構成の一例を示す図。 予測手段１２２が利用し得るニューラルネットワーク１２２０の構造の一例を示す図。 医薬品の調剤量を予測するためのコンピュータシステム１００における処理の一例を示すフローチャート。 医薬品の調剤量を予測するためのコンピュータシステム１００における処理の一例を示すフローチャート。 医薬品の調剤量を予測するためのコンピュータシステム１００における処理の一例を示すフローチャート。

以下、図面を参照しながら、本発明の実施の形態を説明する。

１．医薬品の発注を支援するための新たなサービス
本発明の発明者は、医薬品の発注を支援するための新たなサービスを開発した。そのサービスの１つは、発注すべき医薬品を決定することを支援するために、調剤薬局における将来の調剤量を発注者に提示するサービスである。このサービスでは、例えば、発注日の次の日に調剤され得る医薬品の調剤量が発注者に提示される。発注者は、このサービスを利用することにより、将来の調剤量を考慮して発注量を決定することができるようになる。これにより、発注の精度が向上し、過剰な在庫状態または不足する在庫状態を回避することができる。

このサービスでは、さらに、発注すべき医薬品の発注量の推奨値を発注者に提示することもできる。発注者は、このサービスを利用することにより、発注業務にかかる負担を削減することができる。

図１は、医薬品の発注を支援するためのサービスを利用する調剤薬局の端末装置に表示される画面の一例を示す。例えば、調剤薬局の端末装置は、医薬品の発注を支援するためのサービスを利用するために、医薬品の発注を支援するためのアプリケーションをインストールして、そのアプリケーションを起動するか、医薬品の発注を支援するためのウェブアプリケーションを提供するサーバにアクセスして、そのウェブアプリケーションを起動することができる。すなわち、調剤薬局の端末装置は、医薬品の発注を支援するためのサービスをオフラインでまたはオンラインで利用することができる。

調剤薬局の発注業務は、欠品・過剰在庫を防ぎ適正在庫を保つように毎日行われる定期業務である。発注者は、当日の営業終了後に、医薬品を発注することになる。

図１に示される画面１０は、医薬品を発注するための画面である。画面１０には、その日に調剤された医薬品が、発注すべき医薬品として自動的に表示される。これにより、発注者は、医薬品リストから発注すべき医薬品をピックアップする必要がない。また、発注する医薬品の抜け漏れも防止される。

画面１０は、医薬品情報表示欄１１と、当日調剤量表示欄と１２と、在庫量表示欄１３と、予測調剤量表示欄１４とを備える。画面１０はさらに、医薬品毎に、チェックボックス１５と、数量入力欄１６と、発注先入力欄１７とを備える。画面１０はまた、発注実行ボタン１８を備える。

医薬品情報表示欄１１には、各医薬品の情報が表示される。医薬品の情報は、例えば、医薬品名、包装単位（包装）、包装単位あたりの薬価（包装薬価）、販売会社、薬価等の販売される医薬品に関する情報である。例えば、図１に示される例では、医薬品名「ザイザル錠５ｍｇ」について、包装単位が１０錠×１０ＰＴＰであり、包装単位当たりの薬価が８７８０円であり、ＧＳＫ社が販売し、１錠当たり８７．８円であることが表示されている。

当日調剤量表示欄１２には、各医薬品のその日の調剤量が表示される。例えば、図１に示される例では、「アラミスト点鼻液２７．５μｇ５６噴霧用」のその日の調剤量が１キットであり、「クラリスロマイシン錠２００ｍｇ『トーワ』」のその日の調剤量が１４錠であり、「ザイザル錠５ｍｇ」のその日の調剤量が７錠であり、「シングレア錠１０ｍｇ」のその日の調剤量が７錠であることが表示されている。発注者は、画面１０の当日調剤量表示欄１２を見るだけで、調剤実績を別途管理するシステムに自らアクセスすることなく、その日の調剤実績を確認することができる。

在庫量表示欄１３には、各医薬品のその日の在庫量、すなわち、その日の営業終了後の在庫量が表示される。在庫量は、例えば、絶対量として表示されてもよいし、適正在庫量に対する相対量として表示されてもよい。図１に示される例では、適正在庫量に対する相対量として表示されている。例えば、図１に示される例では、「アラミスト点鼻液２７．５μｇ５６噴霧用」のその日の在庫量が（適正在庫量－１キット）であり、「クラリスロマイシン錠２００ｍｇ『トーワ』」のその日の在庫量が（適正在庫量＋１２錠）であり、「ザイザル錠５ｍｇ」のその日の在庫量が（適正在庫量－７錠）であり、「シングレア錠１０ｍｇ」のその日の在庫量が（適正在庫量－７錠）であることが表示されている。発注者は、画面１０の在庫量表示欄１３を見るだけで、在庫情報を別途管理するシステムに自らアクセスすることなく、その日の在庫量を確認することができる。なお、適正在庫量は、医薬品毎に設定される値であり、発注者によって設定されることができる。

予測調剤量表示欄１４には、各医薬品の次の日の予測調剤量が表示される。例えば、図１に示される例では、「アラミスト点鼻液２７．５μｇ５６噴霧用」の次の日の予測調剤量が３キットであり、「クラリスロマイシン錠２００ｍｇ『トーワ』」の次の日の予測調剤量が５錠であり、「ザイザル錠５ｍｇ」の次の日の予測調剤量が１８錠であり、「シングレア錠１０ｍｇ」の次の日の予測調剤量が１０錠であることが表示されている。発注者は、画面１０の予測調剤量表示欄１４を見るだけで、次の日の予測調剤量を確認することができる。

チェックボックス１５は、画面１０に表示された発注すべき医薬品から実際に発注する医薬品を選択するために操作される。例えば、チェックボックス１５にチェックすることにより、その医薬品が発注対象となる。

数量入力欄１６は、発注する医薬品の数量を入力するための欄である。数量入力欄１６には、例えば、キー入力によって数量を入力するようにしてもよいし、プルダウンリストから数量を選択することによって数量を入力するようにしてもよい。

発注先入力欄１７は、発注する医薬品の発注先を入力するための欄である。発注先入力欄１７には、例えば、キー入力によって発注先を入力するようにしてもよいし、プルダウンリストから発注先を選択することによって発注先を入力するようにしてもよい。

発注実行ボタン１８は、発注を実行するために操作されるボタンである。例えば、チェックボックス１５、数量入力欄１６、および発注先入力欄１７を用いて、発注する医薬品ならびにその発注量および発注先を決定したうえで発注実行ボタン１８を操作すると、医薬品の発注が実行される。

発注のために必要な情報が画面１０に集約されているため、発注者は、画面１０を利用するだけで医薬品の発注業務を完遂することができる。発注者は、例えば、当日調剤量表示欄１２に表示された調剤量と、在庫量表示欄１３に表示された在庫量と、予測調剤量表示欄１４に表示された予測調剤量とを考慮して、画面１０に表示された発注すべき医薬品をどの程度発注するかを簡単に決定することができる。これにより、発注業務に要する時間を削減することができる。また、発注の精度が向上し、過剰な在庫状態または不足する在庫状態を回避することができる。

別の例では、医薬品の発注すべき量の推奨値が数量入力欄１６にデフォルトで表示されるようにしてもよい。これにより、発注者は、デフォルトで表示された推奨値を承諾するだけで、簡単に発注を行うことができ、これもまた、発注業務に要する時間の削減、および、過剰な在庫状態または不足する在庫状態を回避につながる。

上述した医薬品の発注を支援するための新たなサービスは、例えば、以下に説明する医薬品の調剤量を予測するためのコンピュータシステムによって実現され得る。

２．医薬品の調剤量を予測するためのコンピュータシステムの構成
図２Ａは、医薬品の調剤量を予測するためのコンピュータシステム１００の構成の一例を示す。

コンピュータシステム１００は、データベース部２００に接続されている。また、コンピュータシステム１００は、少なくとも１つの薬局端末装置３００にネットワーク４００を介して接続されている。

ネットワーク４００は、任意の種類のネットワークであり得る。ネットワーク４００は、例えば、インターネットであってもよいし、ＬＡＮであってもよい。ネットワーク４００は、有線ネットワークであってもよいし、無線ネットワークであってもよい。

コンピュータシステム１００の一例は、医薬品の発注を支援するための新たなサービスを提供するサービスプロバイダに設置されているコンピュータ（例えば、サーバ装置）であるが、これに限定されない。薬局端末装置３００の一例は、調剤薬局に設置されているコンピュータ（例えば、端末装置）であるが、これに限定されない。例えば、薬局端末装置３００は、ネットワークを介して、調剤データを管理するレセプトコンピュータシステム（図示せず）に接続され得る。レセプトコンピュータシステムは、例えば、薬局端末装置３００が接続されている調剤薬局のローカルネットワーク内に位置してもよいし、調剤薬局のローカルネットワーク外に位置してもよい。後者の場合には、レセプトコンピュータシステムは、ネットワーク４００を介して薬局端末装置３００に接続されることができる。ここで、コンピュータ（サーバ装置または端末装置）は、任意のタイプのコンピュータであり得る。例えば、端末装置は、スマートフォン、タブレット、パーソナルコンピュータ、スマートグラス等の任意のタイプの端末装置であり得る。

データベース部２００には、例えば、少なくとも１つの薬局端末装置３００から送信された薬局に関するデータが格納され得る。

図２Ｂは、医薬品の調剤量を予測するためのコンピュータシステム１００の具体的な構成の一例を示す。

コンピュータシステム１００は、インターフェース部１１０と、プロセッサ部１２０と、メモリ１３０部とを備える。

インターフェース部１１０は、コンピュータシステム１００の外部と情報のやり取りを行う。コンピュータシステム１００のプロセッサ部１２０は、インターフェース部１１０を介して、コンピュータシステム１００の外部から情報を受信することが可能であり、コンピュータシステム１００の外部に情報を送信することが可能である。インターフェース部１１０は、任意の形式で情報のやり取りを行うことができる。

インターフェース部１１０は、例えば、コンピュータシステム１００に情報を入力することを可能にする入力部を備える。入力部が、どのような態様でコンピュータシステム１００に情報を入力することを可能にするかは問わない。例えば、入力部がタッチパネルである場合には、ユーザがタッチパネルにタッチすることによって情報を入力するようにしてもよい。あるいは、入力部がマウスである場合には、ユーザがマウスを操作することによって情報を入力するようにしてもよい。あるいは、入力部がキーボードである場合には、ユーザがキーボードのキーを押下することによって情報を入力するようにしてもよい。あるいは、入力部がマイクである場合には、ユーザがマイクに音声を入力することによって情報を入力するようにしてもよい。あるいは、入力部がカメラである場合には、カメラが撮像した情報を入力するようにしてもよい。あるいは、入力部がデータ読み取り装置である場合には、コンピュータシステム１００に接続された記憶媒体から情報を読み取ることによって情報を入力するようにしてもよい。あるいは、入力部が受信器である場合、受信器がネットワークを介してコンピュータシステム１００の外部から情報を受信することにより入力してもよい。

インターフェース部１１０は、例えば、コンピュータシステム１００から情報を出力することを可能にする出力部を備える。出力部が、どのような態様でコンピュータシステム１００から情報を出力することを可能にするかは問わない。例えば、出力部が表示画面である場合、表示画面に情報を出力するようにしてもよい。あるいは、出力部がスピーカである場合には、スピーカからの音声によって情報を出力するようにしてもよい。あるいは、出力部がデータ書き込み装置である場合、コンピュータシステム１００に接続された記憶媒体に情報を書き込むことによって情報を出力するようにしてもよい。あるいは、出力部が送信器である場合、送信器がネットワークを介してコンピュータシステム１００の外部に情報を送信することにより出力してもよい。例えば、インターフェース部１１０の出力部は、ネットワーク４００を介して薬局端末装置３００に情報を送信し、薬局端末装置３００の出力部（例えば、表示画面）に情報を表示させることができる。例えば、薬局端末装置３００の表示画面に、図１の画面１０等の画面を表示させることができる。インターフェース部１１０の出力部は、例えば、プロセッサ部１２０によって予測された調剤量を出力することができる。一実施形態では、インターフェース部１１０の出力部は、例えば、プロセッサ部１２０によって予測された医薬品を発注すべき量の推奨値を出力することができる。

プロセッサ部１２０は、コンピュータシステム１００の処理を実行し、かつ、コンピュータシステム１００全体の動作を制御する。プロセッサ部１２０は、メモリ部１３０に格納されているプログラムを読み出し、そのプログラムを実行する。これにより、コンピュータシステム１００を所望のステップを実行するシステムとして機能させることが可能である。プロセッサ部１２０は、単一のプロセッサによって実装されてもよいし、複数のプロセッサによって実装されてもよい。

メモリ部１３０は、コンピュータシステム１００の処理を実行するために必要とされるプログラムやそのプログラムの実行に必要とされるデータ等を格納する。メモリ部１３０は、医薬品の調剤量を予測するための処理をプロセッサ部１２０に行わせるためのプログラム（例えば、後述する図６、図７、図８に示される処理を実現するプログラム）を格納してもよい。ここで、プログラムをどのようにしてメモリ部１３０に格納するかは問わない。例えば、プログラムは、メモリ部１３０にプリインストールされていてもよい。あるいは、プログラムは、ネットワークを経由してダウンロードされることによってメモリ部１３０にインストールされるようにしてもよい。この場合、ネットワークの種類は問わない。メモリ部１３０は、任意の記憶手段によって実装され得る。

データベース部２００は、例えば、薬局に関するデータを格納し得る。データベース部２００は、各薬局の薬局端末装置３００または付随するレセプトコンピュータシステムによってネットワーク４００を介して送信された薬局に関するデータを格納し得る。

薬局に関するデータは、例えば、薬局での調剤に関する調剤データを含む。調剤データは、例えば、どの薬局が、どの患者に対して、いつ、何の医薬品を、どのくらい調剤したかのデータを含み、各薬局のレセプトコンピュータシステムによって調剤毎に生成される。調剤データは、例えば、薬局ＩＤ、患者ＩＤ、調剤日時、医薬品ＩＤ、調剤量を含み得る。例えば、調剤日時は、任意の単位であり得、秒単位であってもよいし、分単位であってもよいし、時間単位であってもよいし、日単位であってもよいし、週単位であってもよいが、日単位の調剤量予測を行うためには、日単位であることが好ましい。例えば、医薬品ＩＤは、医薬品と１対１で対応付けられる調剤単位コードであり得、例えば、ＹＪコードであり得る。

調剤データは、調剤した日の月（１月、２月、３月、・・・等）、曜日（日、月、火、水、・・・等）をさらに含み得る。

調剤データは、休日フラグをさらに含み得る。休日フラグは、特定の日が休日であることを示すフラグである。休日フラグは、例えば、調剤した日（調剤日）が休日であることを示す当日休日フラグ、調剤日の１週間後が休日であることを示す翌週休日フラグ、調剤日の１週間前が休日であることを示す前週休日フラグ、調剤日の翌日が休日であることを示す翌日休日フラグ、調剤日の前日が休日であることを示す前日休日フラグを含む。ここで、休日とは、法律で定められた一般的な意味での休日に加えて、薬局が業務を休む日（店休日）も含み得る。

薬局に関するデータは、例えば、調剤した日の気象情報（例えば、気温、湿度等）、調剤した日の花粉の飛散量、調剤した日の特定の疾病の患者数（例えば、インフルエンザ患者数）、その特定の疾病がウイルス性である場合にはウイルス型（例えば、インフルエンザウイルス型）を含み得る。例えば、インフルエンザ患者数は、国立感染症研究所によって公開されている情報を用いることができる。薬局に関するデータは、例えば、薬局の位置情報／立地条件（例えば、駅からの距離、病院からの距離等）、薬局周辺の病院の位置情報／立地条件（例えば、駅からの距離、周辺の人口密度等）を含み得る。

データベース部２００は、例えば、発注データをさらに格納するようにしてもよい。発注データは、発注毎に生成されるデータである。発注データは、例えば、発注単位コード、発注日時、発注量、発注先等を含む。発注単位コードは、包装単位（発注単位）と１対１で対応付けられるコードであり、例えば、ＧＴＩＮ（Ｇｌｏｂａｌ Ｔｒａｄｅ Ｉｔｅｍ Ｎｕｍｂｅｒ）コードまたはＪＡＮコードであり得る。

データベース部２００は、例えば、在庫データをさらに格納するようにしてもよい。在庫データは、例えば、薬局の現在の在庫量および適正在庫量を示す情報を含む。現在の在庫量は、例えば、初期在庫量と、調剤データと、発注データとに基づいて算出され得る。例えば、調剤データによって出庫量が分かり、在庫データによって入庫量が分かることから、初期在庫量と、入庫量および出庫量との関係を累積的に計算することにより、現在の在庫量が算出される。これにより、頻繁な在庫チェックを行う必要がなくなり、在庫管理の手間が削減されることになる。もちろん、現在の在庫量は、実際の在庫チェックの結果であってもよい。適正在庫量は、医薬品毎に設定される値であり、各薬局によって設定されることができる。

図３Ａは、データベース部２００に格納される調剤データのデータ構成の一例を示す。図３Ａでは、調剤毎に生成される調剤データ３１０の一例を示す。

例えば、レセプトコンピュータシステムが、調剤毎にＩＤ（図３Ａに示される例では、8ze2g4、ixd6f3、v89smz等）を付与してデータ３１０を生成する。例えば、レセプトコンピュータシステムは、入力されたレセプトデータを構文解析することにより、調剤データ３１０を生成することができる。生成された調剤データ３１０は、データベース部２００に送られ、調剤毎に格納される。各調剤データ３１０は、例えば、調剤日時、薬局ＩＤ、医薬品ＩＤ、患者ＩＤ、調剤量の項目を含む。

図３Ｂは、データベース部２００に格納される調剤データのデータ構成の別の一例を示す。図３Ｂでは、図３Ａに示される調剤データ３１０を薬局毎にかつ医薬品毎に集約したデータ３２０を示す。

図３Ｂに示される例では、薬局ＩＤ：5DJ1の薬局の調剤データ３１０、薬局ＩＤ：J7F5の薬局の調剤データ３１０、薬局ＩＤ：E1XHの薬局の調剤データ３１０が集約されている。調剤量小計は、その薬局でその日に調剤された特定の医薬品の合計調剤量を表している。

上述したデータの例は一例であり、データベース部２００は、他の任意のデータを格納し得る。

図２Ａおよび図２Ｂに示される例では、データベース部２００は、コンピュータシステム１００の外部に設けられているが、本発明はこれに限定されない。データベース部２００の少なくとも一部をコンピュータシステム１００の内部に設けることも可能である。このとき、データベース部２００の少なくとも一部は、メモリ部１３０を実装する記憶手段と同一の記憶手段によって実装されてもよいし、メモリ部１３０を実装する記憶手段とは別の記憶手段によって実装されてもよい。いずれにせよ、データベース部２００の少なくとも一部は、コンピュータシステム１００のための格納部として構成される。データベース部２００の構成は、特定のハードウェア構成に限定されない。例えば、データベース部２００は、単一のハードウェア部品で構成されてもよいし、複数のハードウェア部品で構成されてもよい。例えば、データベース部２００は、コンピュータシステム１００の外付けハードディスク装置として構成されてもよいし、ネットワークを介して接続されるクラウド上のストレージとして構成されてもよい。

例えば、コンピュータシステム１００がデータベース部２００から調剤データを受信する代わりに、コンピュータシステム１００は、レセプトコンピュータシステム（図示せず）にインターフェース部１１０を介して接続され、レセプトコンピュータシステムから直接調剤データを受信することも本発明の範囲内である。

図４Ａは、プロセッサ部１２０の構成の一例を示す。

プロセッサ部１２０は、取得手段１２１と、予測手段１２２とを備える。

取得手段１２１は、薬局に関するデータを取得するように構成されている。薬局に関するデータは、例えば、調剤データを含む。調剤データは、例えば、どの薬局が、どの患者に対して、いつ、何の医薬品を、どのくらい調剤したかのデータを含む。調剤データは、例えば、図３Ａを参照して上述したようなデータ構成または図３Ｂを参照して上述したようなデータ構成を有し得る。

取得手段１２１は、例えば、薬局に関するデータに付与されるタイムスタンプまたは調剤データ内の調剤日時を用いてフィルタリングし、過去の所定日時または所定期間内の薬局に関するデータのみを取得するようにしてもよい。例えば、取得手段１２１は、調剤日前１週間～１年間の薬局に関するデータ、例えば、調剤日前１４日間の薬局に関するデータ、調剤日前３０日間の薬局に関するデータ、調剤日前６０日間の薬局に関するデータ、調剤日前９０日間の薬局に関するデータ、または、調剤日前１８０日間の薬局に関するデータのみを取得することができる。例えば、取得手段１２１は、調剤日４日前～１週間の薬局に関するデータ、例えば、調剤日４日前～１４日前の間の薬局に関するデータ、調剤日４日前～３０日前の間の薬局に関するデータ、調剤日４日前～６０日前の間の薬局に関するデータ、調剤日４日前～９０日前の間の薬局に関するデータ、または、調剤日４日前～１８０日前の間の薬局に関するデータのみを取得することができる。例えば、取得手段１２１は、調剤日前９０日間の薬局に関するデータ、または、調剤日４日前～９０日前の間の薬局に関するデータを取得することが好ましい。９０日が医薬品を処方可能な最大日数であり、９０日前までが調剤の傾向を最もよく反映しており、９０日前までの薬局に関するデータを学習に用いることにより、後述する予測手段１２２による予測の精度が、向上するからである。

取得手段１２１は、例えば、データベース部２００に格納されている薬局に関するデータを通信インターフェース部１１０を介して取得するようにしてもよい。あるいは、取得手段１２１は、通信インターフェース部１１０を介して薬局端末装置３００または付随するレセプトコンピュータシステムから受信された薬局に関するデータを取得するようにしてもよい。取得された薬局に関するデータは、決定手段１２２に渡される。

取得手段１２１はさらに、発注データを取得するように構成され得る。発注データは、発注毎に生成されるデータである。取得手段１２１はさらに、調剤薬局の在庫を示す情報を含む在庫データを取得するように構成され得る。在庫データは、例えば、在庫をチェックする毎に生成され得るデータであってもよいし、例えば、初期在庫量と、調剤データと、発注データとに基づいて算出されるデータであってもよい。取得手段１２１は、例えば、発注データまたは在庫データ内の日時の情報を用いてフィルタリングし、特定の日時または期間の発注データまたは在庫データのみを取得するようにしてもよい。これにより、医薬品を発注しようとする日現在の在庫データのみを扱うことができるようになり、後続の処理負荷が軽減される。

取得手段１２１は、例えば、データベース部２００に格納されている発注データおよび／または在庫データを通信インターフェース部１１０を介して取得するようにしてもよい。取得された発注データおよび在庫データは、後の処理のために変換手段１２３に渡され得る。

予測手段１２２は、例えば、取得手段１２１が取得した薬局に関するデータに基づいて、薬局における医薬品の調剤量を予測するように構成されている。

一実施形態において、予測手段１２２は、例えば、機械学習を用いて、薬局における医薬品の調剤量を予測することができる。予測手段１２２は、例えば、線形回帰モデルを利用した機械学習によって薬局における医薬品の調剤量を予測するようにしてもよい。線形回帰モデルは、取得手段１２１によって取得されたデータを使用して予め学習処理がなされた学習済みモデルである。線形回帰モデルは、各医薬品について定義され得る。

例えば、医薬品ｉの線形回帰モデルｙ_ｉは、
ｙ_ｉ＝ｗ_１ｘ_１＋ｗ_２ｘ_２＋・・・＋ｗ_ｋｘ_ｋ＋α
で表される。取得手段１２１によって取得されたデータに基づく学習処理では、例えば、薬局に関するデータのうちの調剤日の月、調剤日の曜日、調剤日に関する休日フラグを説明変数ｘ_ｋとし、薬局に関するデータのうちの調剤量小計を目的変数ｙ_ｉとして、係数ｗ_ｋを決定することにより、学習済モデルが構築される。例えば、或る調剤日の月、曜日、休日フラグを説明変数ｘ_ｋとし、その調剤日の翌日の調剤量小計を目的変数ｙ_ｉとして、構築された学習済モデルは、翌日の調剤量を予測することが可能な学習済モデルとなる。例えば、或る調剤日の月、曜日、休日フラグを説明変数ｘ_ｋとし、その調剤日の翌々日の調剤量小計を目的変数ｙ_ｉとして、構築された学習済モデルは、翌々日の調剤量を予測することが可能な学習済モデルとなる。このように、調剤量を予測したい将来の日に応じて、学習に用いる調剤量小計を変えることにより、所望の将来の日の調剤量を予測することが可能な学習済モデルを構築することができる。このとき、特定の薬局から取得された薬局に関するデータを用いて、その薬局特有の学習済モデル（専用学習済モデル）を構築するようにしてもよいし、不特定の薬局から取得された薬局に関するデータを用いて、一般的な学習済モデル（汎用学習済モデル）を構築するようにしてもよい。例えば、学習処理では、薬局に関するデータに対して前処理を施したうえで、前処理を施された薬局に関するデータを用いて学習済みモデルを構築するようにしてもよい。前処理として、任意の処理を行うことができる。例えば、休日フラグの有無に基づいて、目的変数に用いられる調剤量小計を増減させるようにしてもよい。これにより、例えば、月末や年末等の時期的な要因で薬剤の需要および必要在庫量が特異的に変動することに対応した、より精緻な予測が可能になり得る。

例えば、翌日の調剤量を予測することが可能な学習済の線形回帰モデルの説明変数に、運用段階で得られたその日の薬局に関するデータを入力すると、翌日の予測調剤量が出力され得る。例えば、翌々日の調剤量を予測することが可能な学習済の線形回帰モデルの説明変数に、運用段階で得られたその日の薬局に関するデータを入力すると、翌々日の予測調剤量が出力され得る。

予測手段１２２は、例えば、ニューラルネットワークを利用した機械学習によって薬局における医薬品の調剤量を予測するようにしてもよい。ニューラルネットワークは、各医薬品について定義され得る。

図５は、予測手段１２２が利用し得るニューラルネットワーク１２２０の構造の一例を示す。

ニューラルネットワーク１２２０は、入力層と、少なくとも１つの隠れ層と、出力層とを有する。ニューラルネットワーク１２２０の入力層のノード数は、入力されるデータの次元数に対応する。ニューラルネットワーク３００の隠れ層は、任意の数のノードを含むことができる。ニューラルネットワーク１２２０の出力層のノード数は、出力されるデータの次元数に対応する。例えば、医薬品の翌日の調剤量を予測する場合、出力層のノード数は１となる。例えば、医薬品の翌日の調剤量、２日後の調剤量、３日後の調剤量を予測する場合、出力層のノード数は３となる。

ニューラルネットワーク１２２０は、取得手段１２１が取得したデータを使用して予め学習処理がなされ得る。学習処理は、取得手段１２１が取得したデータを使用して、ニューラルネットワーク１２２０の隠れ層の各ノードの重み係数を計算する処理である。学習処理では、例えば、薬局に関するデータ（例えば、医薬品を調剤した日の月、医薬品を調剤した日の曜日、医薬品を調剤した日の翌週休日フラグ、医薬品を調剤した日の前週休日フラグ、医薬品を調剤した日の当日休日フラグ、医薬品を調剤した日の翌日休日フラグ、医薬品を調剤した日の調剤量小計等）を入力用教師データとし、その翌日の調剤量小計を出力用教師データとして、所定期間内（例えば、９０日間、または４日前～９０日前までの８７日間等）の複数のデータを使用してニューラルネットワーク１２２０の隠れ層の各ノードの重み係数を計算することにより、翌日の調剤量を予測することが可能な学習済モデルを構築することができる。学習処理では、例えば、医薬品を調剤した日の薬局に関するデータを入力用教師データとし、その翌日の調剤量小計と、２日後の調剤量小計と、３日後の調剤量小計とを出力用教師データとして、所定期間内の複数のデータを使用してニューラルネットワーク１２２０の隠れ層の各ノードの重み係数を計算することにより、翌日、２日後、および３日後の調剤量をそれぞれ予測することが可能な学習済モデルを構築することができる。このとき、特定の薬局から取得された薬局に関するデータを用いて、その薬局特有の学習済モデル（専用学習済モデル）を構築するようにしてもよいし、不特定の薬局から取得された薬局に関するデータを用いて、一般的な学習済モデル（汎用学習済モデル）を構築するようにしてもよい。

例えば、医薬品ＩＤ：622144801で表されるロサルタンカリウム錠２５ｍｇ「アメル」について、図３Ｂに示されるデータを用いて、翌日の調剤量を予測することが可能な学習済モデルを構築する場合、薬局ＩＤ：5DJ1で表される薬局Ａに特有の学習済モデルを構築するための（入力用教師データ，出力用教師データ）の組は、（２０１９年９月１０日の薬局Ａに関するデータ，２０１９年９月１１日の薬局Ａでの調剤量小計）、（２０１９年９月９日の薬局Ａに関するデータ，２０１９年９月１０日の薬局Ａでの調剤量小計）、・・・（２０１９年６月１２日の薬局Ａに関するデータ，２０１９年６月１３日の薬局Ａでの調剤量小計）等であり得る。また、この場合、一般的な学習済モデルを構築するための（入力用教師データ，出力用教師データ）の組は、（２０１９年９月１０日の薬局Ａに関するデータ，２０１９年９月１１日の薬局Ａでの調剤量小計）、（２０１９年９月１０日の薬局Ｂに関するデータ，２０１９年９月１１日の薬局Ｂでの調剤量小計）、・・・（２０１９年９月９日の薬局Ａに関するデータ，２０１９年９月１０日の調剤量小計）、（２０１９年９月９日の薬局Ｂに関するデータ，２０１９年９月１０日の薬局Ｂでの調剤量小計）、・・・（２０１９年６月１２日の薬局Ａに関するデータ，２０１９年６月１３日の薬局Ａでの調剤量小計）、（２０１９年６月１２日の薬局Ｂに関するデータ，２０１９年６月１３日の薬局Ｂでの調剤量小計）、・・・等であり得る。

例えば、医薬品ＩＤ：622144801で表されるロサルタンカリウム錠２５ｍｇ「アメル」について、図３Ｂに示されるデータを用いて、翌日、２日後、および３日後の調剤量を予測することが可能な学習済モデルを構築する場合、薬局ＩＤ：5DJ1で表される薬局Ａに特有の学習済モデルを構築するための［入力用教師データ，出力用教師データ］の組は、［２０１９年９月８日の薬局Ａに関するデータ，（２０１９年９月９日の薬局Ａでの調剤量小計、２０１９年９月１０日の薬局Ａでの調剤量小計、２０１９年９月１１日の薬局Ａでの調剤量小計）］、［２０１９年９月７日の薬局Ａに関するデータ，（２０１９年９月８日の薬局Ａでの調剤量小計、２０１９年９月９日の薬局Ａでの調剤量小計、２０１９年９月１０日の薬局Ａでの調剤量小計）］、・・・［２０１９年６月１０日の薬局Ａに関するデータ，（２０１９年６月１１日の薬局Ａでの調剤量小計、２０１９年６月１２日の薬局Ａでの調剤量小計、２０１９年６月１３日の薬局Ａでの調剤量小計）］等であり得る。また、この場合、一般的な学習済モデルを構築するための［入力用教師データ，出力用教師データ］の組は、［２０１９年９月８日の薬局Ａに関するデータ，（２０１９年９月９日の薬局Ａでの調剤量小計、２０１９年９月１０日の薬局Ａでの調剤量小計、２０１９年９月１１日の薬局Ａでの調剤量小計）］、［２０１９年９月８日の薬局Ｂに関するデータ，（２０１９年９月９日の薬局Ａでの調剤量小計、２０１９年９月１０日の薬局Ｂでの調剤量小計、２０１９年９月１１日の薬局Ｂでの調剤量小計）］、・・・［２０１９年９月７日の薬局Ａに関するデータ，（２０１９年９月８日の薬局Ａでの調剤量小計、２０１９年９月９日の薬局Ａでの調剤量小計、２０１９年９月１０日の薬局Ａでの調剤量小計）］、［２０１９年９月７日の薬局Ｂに関するデータ，（２０１９年９月８日の薬局Ｂでの調剤量小計、２０１９年９月９日の薬局Ｂでの調剤量小計、２０１９年９月１０日の薬局Ｂでの調剤量小計）］、・・・［２０１９年６月１０日の薬局Ａに関するデータ，（２０１９年６月１１日の薬局Ａでの調剤量小計、２０１９年６月１２日の薬局Ａでの調剤量小計、２０１９年６月１３日の薬局Ａでの調剤量小計）］、［２０１９年６月１０日の薬局Ｂに関するデータ，（２０１９年６月１１日の薬局Ｂでの調剤量小計、２０１９年６月１２日の薬局Ｂでの調剤量小計、２０１９年６月１３日の薬局Ｂでの調剤量小計）］、・・・等であり得る。

例えば、翌日の調剤量を予測することが可能な学習済のニューラルネットワーク１２２０の入力層に、運用段階で得られたその日の薬局に関するデータを入力すると、出力層に翌日の調剤量が出力され得る。例えば、翌日、２日後、および３日後の調剤量を予測することが可能な学習済のニューラルネットワーク１２２０の入力層に、運用段階で得られたその日の薬局に関するデータを入力すると、出力層に翌日の調剤量、２日後の調剤量、３日後の調剤量が出力され得る。

例えば、「医薬品を調剤した日の月」を入力データに用いることにより、季節を考慮して医薬品の調剤量を予測するようになる。季節を考慮することは、例えば、季節性の病気に効く医薬品の調剤量を予測する際に特に有用である。季節性の病気に効く医薬品は、季節によって必要とする患者の数が変動するからである。例えば、「医薬品を調剤した日の曜日」を入力データに用いることにより、患者の行動を考慮して医薬品の調剤量を予測するようになる。概して、週明けの月曜日等の休日明けは、薬局の患者数が増える傾向がある。このような、曜日に関連した患者の行動を考慮に入れることにより、予測の精度を向上させることができる。例えば、「休日フラグ」を入力データに用いることにより、薬局の休業日を考慮して医薬品の調剤量を予測するようになる。薬局の休業日には調剤量がゼロになるため、そのような調剤量がゼロになる特異日を考慮に入れることにより、予測の精度を向上させることができる。例えば、「休日フラグ」のうち「翌週休日フラグ」を入力データに用いることにより、上述した薬局の休業日に加えて、患者の変則的な行動を考慮して医薬品の調剤量を予測するようになる。例えば、定期的な調剤を受けている患者は、１週間後が祝日等により休日となる場合には、医薬品がまだ残っているにもかかわらず調剤を受けることがある。このような患者の変則的な行動までも考慮に入れることができるため、予測の精度を向上させることができる。例えば、「休日フラグ」のうち「前日休日フラグ」を入力データに用いることにより、上述した薬局の休業日に加えて、患者の行動を考慮して医薬品の調剤量を予測するようになる。上述したように、休日明けは、薬局の患者数が増える傾向があるため、休日に関連した患者の行動を考慮に入れることにより、予測の精度を向上させることができる。

学習に用いられる薬局に関するデータをコンピュータシステム１００が取得するタイミングは問わない。例えば、コンピュータシステム１００は、定期的（例えば、１日毎、７日毎、１４日毎、３０日毎、９０日毎、１８０日毎等）に薬局に関するデータを薬局端末装置３００から取得するようにしてもよいし、不定期に（例えば、薬局において医薬品が調剤され、レセプトのデータが薬局端末装置３００によって生成されたとき）に薬局に関するデータを薬局端末装置３００から取得するようにしてもよい。例えば、コンピュータシステム１００は、一度学習処理が完了した後は、学習に用いられる薬局に関するデータを取得しないようにしてもよいし、学習済モデルの更新のために、学習に用いられる薬局に関するデータを取得し続けるようにしてもよい。

予測手段１２２によって予測された調剤量は、インターフェース部１１０を介して、コンピュータシステム１００の外部に出力される。一例において、予測手段１２２によって予測された調剤量は、インターフェース部１１０を介して、薬局端末装置３００に送信され、薬局端末装置３００の出力部（例えば、表示画面）に表示されることができる。例えば、予測された調剤量は、図１の画面１０の予測調剤量表示欄１４に表示され得る。これにより、発注者は、医薬品を発注する際に将来の予測調剤量を考慮することができ、発注の精度が向上する。

図４Ｂは、プロセッサ部１２０の代替実施形態であるプロセッサ部１２０’の構成の一例を示す。図４Ｂでは、図４Ａに示される要素と同一の要素に同じ参照番号を付し、ここでは説明を省略する。図４Ｂに示されるプロセッサ部１２０’は、図４Ａに示される構成に加えて、第２の予測手段１２３を備えている構成である。

第２の予測手段１２３は、取得手段１２１によって取得された在庫データと、予測手段１２２によって予測された調剤量とに基づいて、医薬品を発注すべき量の推奨値を予測する。第２の予測手段１２３は、例えば、在庫データが示す現在の在庫量と、適正在庫量と、予測された調剤量とに基づいて、医薬品を発注すべき量の推奨値を予測することができる。適正在庫量は、医薬品毎に設定される値であり、各薬局によって設定されることができる。

第２の予測手段１２３は、例えば、予測された調剤量を現在の在庫量から減算した値と、適正在庫量とを比較し、予測された調剤量を現在の在庫量から減算した値が、適正在庫量を下回る場合に、医薬品を発注すべき量の推奨値を予測するように構成され得る。予測された調剤量を現在の在庫量から減算した値が適正在庫量を下回る場合には、将来の医薬品の調剤により、適正在庫量を下回ることが想定されるからである。

第２の予測手段１２３は、例えば、現在の在庫量と、適正在庫量_０と、予測された調剤量とを用いて、発注すべき量の推奨値を予測することができる。例えば、発注すべき量の推奨値Ｅは、現在の在庫量Ｓ_１と、適正在庫量Ｓ_０と、予測された調剤量Ｓ_Ｅを用いて、Ｅ＝Ｓ_Ｅ＋（Ｓ_０－Ｓ_１）＋α
と表され得る。ここで、αは、適正在庫量に対してどれだけ余裕を持つかの指標であり、医薬品毎に各薬局によって設定され得る値である。

第２の予測手段１２３によって予測された推奨値は、インターフェース部１１０を介して、コンピュータシステム１００の外部に出力される。一例において、第２の予測手段１２３によって予測された推奨値は、インターフェース部１１０を介して、薬局端末装置３００に送信され、薬局端末装置３００の出力部（例えば、表示画面）に表示されることができる。例えば、予測された推奨値は、図１の画面１０の数量入力欄１６にデフォルトで表示され得る。このとき、例えば、推奨値を発注単位に変換して表示するようにしてもよい。発注者は、デフォルトで表示された推奨値を承諾するだけで、簡単に発注を行うことができ、発注業務に要する時間を削減することができるようになる。

なお、上述したコンピュータシステム１００の各構成要素は、単一のハードウェア部品で構成されていてもよいし、複数のハードウェア部品で構成されていてもよい。複数のハードウェア部品で構成される場合は、各ハードウェア部品が接続される態様は問わない。各ハードウェア部品は、無線で接続されてもよいし、有線で接続されてもよい。本発明のコンピュータシステム１００は、特定のハードウェア構成には限定されない。プロセッサ部１２０、１２０’をデジタル回路ではなくアナログ回路によって構成することも本発明の範囲内である。本発明のコンピュータシステム１００の構成は、その機能を実現できる限りにおいて上述したものに限定されない。

３．医薬品の調剤量を予測するためのコンピュータシステムの処理
図６は、医薬品の調剤量を予測するためのコンピュータシステム１００における処理の一例を示す。処理６００は、コンピュータシステム１００のプロセッサ部１２０において実行される。以下では、薬局Ａで調剤され得る医薬品ａの調剤量を予測する場合を例に説明する。

ステップＳ６０１では、プロセッサ部１２０の取得手段１２１が、薬局Ａに関するデータを取得する。薬局Ａに関するデータは、例えば、薬局Ａでの医薬品ａの調剤に関する調剤データ、例えば、薬局Ａにおいて、予測処理を行う日に、医薬品ａが、どのくらい調剤されたかのデータを含む。薬局Ａに関するデータは、例えば、予測処理を行う日（医薬品ａを調剤した日）の月、医薬品ａを調剤した日の曜日、医薬品ａを調剤した日の翌週休日フラグ、医薬品ａを調剤した日の前週休日フラグ、医薬品ａを調剤した日の当日休日フラグ、医薬品ａを調剤した日の翌日休日フラグ、医薬品ａを調剤した日の調剤量小計等を含み得るがこれらに限定されない。

取得手段１２１は、例えば、薬局に関するデータに付与されるタイムスタンプまたは調剤データ内の調剤日時を用いてフィルタリングし、予測処理を行う日の薬局Ａに関するデータを取得することができる。取得手段１２１は、例えば、データベース部２００に格納されている薬局Ａに関するデータを通信インターフェース部１１０を介して取得するようにしてもよい。あるいは、取得手段１２１は、通信インターフェース部１１０を介して薬局Ａの薬局端末装置３００または付随するレセプトコンピュータシステムから受信された薬局Ａに関するデータを取得するようにしてもよい。取得された薬局Ａに関するデータは、予測手段１２２に渡される。

ステップＳ６０２では、プロセッサ部１２０の予測手段１２２が、ステップＳ６０１で取得された薬局Ａに関するデータに基づいて、医薬品ａの調剤量を予測する。

予測手段１２２は、例えば、機械学習によって薬局における医薬品ａの調剤量を予測する。利用される学習済モデルは、薬局に関するデータに基づいて学習処理がなされたモデルであり得る。学習済モデルは、薬局Ａに対して個別に構築された専用学習済モデルであってもよいし、複数の薬局全体のために構築された汎用学習済モデルであってもよい。専用学習済モデルは、その薬局に関するデータに基づいて学習処理を施されているので、その薬局に特化した予測をすることができ、概して、精度は、汎用学習済モデルよりも高い。

機械学習は、例えば、線形回帰モデルを利用した機械学習であってもよいし、ニューラルネットワークを利用した機械学習であってもよい。例えば、機械学習によって構築された学習済モデルに、ステップＳ６０１で取得された薬局Ａに関するデータを入力すると、医薬品ａの調剤量が出力され得る。例えば、翌日の調剤量を予測するように構築された学習済モデルの出力は、医薬品ａの翌日の調剤量となり、翌日、２日後、３日後の調剤量を予測するように構築された学習済モデルの出力は、医薬品ａの翌日の調剤量、医薬品ａの２日後の調剤量、および医薬品ａの３日後の調剤量となる。

予測手段１２１は、例えば、機械学習に代えて、任意の統計分析、例えば、回帰分析によって薬局Ａにおける医薬品の調剤量を予測することができる。

医薬品ａの調剤量が予測されると、ステップＳ６０３では、プロセッサ部１２０が、医薬品ａの調剤量をインターフェース部１１０に渡し、インターフェース部１１０の出力部を介して、医薬品ａの調剤量を出力する。

一例において、予測手段１２２によって予測された調剤量は、インターフェース部１１０を介して、薬局端末装置３００に送信され、薬局端末装置３００の出力部（例えば、表示画面）に表示されることができる。

複数の医薬品のそれぞれについて、ステップＳ６０１～ステップＳ６０３を繰り返すことにより、複数の医薬品のそれぞれについての予測調剤量を出力することができる。これにより、例えば、複数の医薬品の予測調剤量を考慮して、発注すべき医薬品を決定することができるようになる。

ステップＳ６０１～ステップＳ６０３を行った後に、後述する学習処理と同様の処理を行うことにより、学習モデルを更新するようにしてもよい。これにより、学習モデルが薬局の状態の経時的変化に対応するように調節され、予測の精度を向上させることができる。

上述した処理６００の各ステップＳ６０１～ステップＳ６０３が行われるタイミングは問わない。例えば、コンピュータシステム１００が薬局端末装置３００から予測調剤量のリクエストを受信したことに応答して、ステップＳ６０１～ステップＳ６０３を行うようにすることができる。例えば、定期的（例えば、１時間、１２時間、１日、１週間、１月、３月、６月、１年等）または不定期（例えば、薬局において医薬品が調剤され、レセプトのデータが薬局端末装置３００に入力されたとき）にステップＳ６０１が行われることにより、コンピュータシステム１００の取得手段１２１が薬局に関するデータを取得しておき、コンピュータシステム１００が薬局端末装置３００から予測調剤量のリクエストを受信したことに応答して、そのときに取得してある薬局に関するデータを用いて、ステップＳ６０２およびステップＳ６０３を行うようにすることができる。例えば、定期的（例えば、１時間、１２時間、１日、１週間、１月、３月、６月、１年等）または不定期（例えば、薬局において医薬品が調剤され、レセプトのデータが薬局端末装置３００に入力されたとき）にステップＳ６０１～ステップＳ６０２が行われることにより、コンピュータシステム１００の予測手段１２２が医薬品の調剤量を予測しておき、薬局端末装置３００から予測調剤量のリクエストを受信したことに応答して、そのときに予測してある医薬品の調剤量を出力するように、ステップＳ６０３を行うようにすることができる。

図７は、医薬品の調剤量を予測するためのコンピュータシステム１００における処理の一例を示す。処理７００は、コンピュータシステム１００のプロセッサ部１２０において実行される。処理７００は、医薬品を発注すべき量の推奨値を予測して出力するための処理である。以下では、薬局Ａで調剤され得る医薬品ａの発注すべき量の推奨値を予測して出力する場合を例に説明する。

ステップＳ７０１では、プロセッサ部１２０の取得手段１２１が、薬局Ａに関するデータを取得する。ステップＳ７０１は、ステップＳ６０１と同様の処理であるため、ここでは説明を省略する。

ステップＳ７０２では、プロセッサ部１２０の取得手段１２１が、薬局Ａの医薬品ａの在庫データを取得する。在庫データは、例えば、在庫をチェックする毎に生成され得るデータであってもよいし、例えば、初期在庫量と、調剤データと、発注データとに基づいて算出されるデータであってもよい。

取得手段１２１は、例えば、在庫データ内の日時の情報を用いてフィルタリングし、予測処理を行う日の在庫データのみを取得するようにしてもよい。取得手段１２１は、例えば、データベース部２００に格納されている在庫データを通信インターフェース部１１０を介して取得するようにしてもよい。あるいは、取得手段１２１は、通信インターフェース部１１０を介して薬局Ａの薬局端末装置３００から受信された在庫データを取得するようにしてもよい。取得された在庫データは、第２の予測手段１２３に渡される。

ステップＳ７０３では、プロセッサ部１２０の予測手段１２２が、ステップＳ７０１で取得された薬局Ａに関するデータに基づいて、医薬品ａの調剤量を予測する。ステップＳ７０３は、ステップＳ６０２と同様の処理であるため、ここでは説明を省略する。

ステップＳ７０４では、プロセッサ部１２０の第２の予測手段１２３が、ステップＳ７０３で予測された調剤量と、ステップＳ７０２で取得された在庫データとに基づいて、医薬品ａを発注すべき量の推奨値を予測する。第２の予測手段１２３は、例えば、在庫データが示す医薬品ａの現在の在庫量と、医薬品ａの適正在庫量と、ステップＳ７０３で予測された調剤量とに基づいて、医薬品ａを発注すべき量の推奨値を予測することができる。適正在庫量は、医薬品毎に設定される値であり、各薬局によって設定されることができる。

ステップＳ７０４では、例えば、第２の予測手段１２３が、予測された調剤量を医薬品ａの現在の在庫量から減算した値と、医薬品ａの適正在庫量とを比較し、予測された調剤量を医薬品ａの現在の在庫量から減算した値が、医薬品ａの適正在庫量を下回る場合に、医薬品ａを発注すべき量の推奨値を予測するようにしてもよい。予測された調剤量を医薬品ａの現在の在庫量から減算した値が医薬品ａの適正在庫量以上である場合には、そもそも医薬品ａを発注する必要がないと考えられるため、第２の予測手段１２３は、医薬品ａを発注すべき量の推奨値を予測しなくてもよいが、それでもなお医薬品ａを発注すべき量の推奨値を予測するようにしてもよい。

例えば、医薬品ａの発注すべき量の推奨値Ｅ_ａは、医薬品ａの現在の在庫量Ｓ_１ａと、医薬品ａの適正在庫量Ｓ_０ａと、医薬品ａの予測された調剤量Ｓ_Ｅａを用いて、
Ｅ_ａ＝Ｓ_Ｅａ＋（Ｓ_０ａ－Ｓ_１ａ）＋α_ａ
と表され得る。ここで、α_ａは、医薬品ａの適正在庫量に対してどれだけ余裕を持つかの指標であり、各薬局によって設定され得る値である。

医薬品ａを発注すべき量の推奨値が予測されると、ステップＳ７０５では、プロセッサ部１２０が、医薬品ａを発注すべき量の推奨値をインターフェース部１１０に渡し、インターフェース部１１０の出力部を介して、医薬品ａを発注すべき量の推奨値を出力する。

一例において、第２の予測手段１２３によって予測された推奨値は、インターフェース部１１０を介して、薬局端末装置３００に送信され、薬局端末装置３００の出力部（例えば、表示画面）に表示されることができる。

複数の医薬品のそれぞれについて、ステップＳ７０１～ステップＳ７０５を繰り返すことにより、複数の医薬品のそれぞれについての発注すべき量の推奨値を出力することができる。これにより、例えば、複数の医薬品の発注すべき量の推奨値を考慮して、発注すべき医薬品の発注量を決定することができるようになる。

上述した処理７００の各ステップＳ７０１～ステップＳ７０５が行われるタイミングは問わない。任意のタイミングで各ステップＳ７０１～ステップＳ６０５を行うことができる。

図８は、医薬品の調剤量を予測するためのコンピュータシステム１００における処理の一例を示す。処理８００は、医薬品の調剤量を予測するために用いられるモデルを構築するための処理であり、コンピュータシステム１００のプロセッサ部１２０において実行される。

ステップＳ８０１では、プロセッサ部１２０の取得手段１２１が、薬局に関するデータを取得する。薬局に関するデータは、例えば、調剤データを含む。調剤データは、例えば、どの薬局が、どの患者に対して、いつ、何の医薬品を、どのくらい調剤したかのデータを含む。調剤データは、例えば、図３Ａを参照して上述したようなデータ構成を有するデータであってもよいし、図３Ｂを参照して上述したようなデータ構成を有するデータであってもよい。図３Ａを参照して上述したようなデータである場合には、プロセッサ部１２０は、図３Ｂを参照して上述したような薬局毎にかつ医薬品毎に集約したデータとなるように、取得された薬局に関するデータに前処理を施すことができる。

薬局に関するデータは、例えば、医薬品を調剤した日の月、医薬品を調剤した日の曜日、医薬品を調剤した日の翌週休日フラグ、医薬品を調剤した日の前週休日フラグ、医薬品を調剤した日の当日休日フラグ、医薬品を調剤した日の翌日休日フラグ、医薬品を調剤した日の調剤量小計等を含み得るがこれらに限定されない。

取得手段１２１は、例えば、薬局に関するデータに付与されるタイムスタンプまたは調剤データ内の調剤日時を用いてフィルタリングし、過去の所定日時または所定期間内の薬局に関するデータのみを取得するようにしてもよい。例えば、取得手段１２１は、調剤日前１週間～１年間の薬局に関するデータ、例えば、調剤日前１４日間の薬局に関するデータ、調剤日前３０日間の薬局に関するデータ、調剤日前６０日間の薬局に関するデータ、調剤日前９０日間の薬局に関するデータ、または、調剤日前１８０日間の薬局に関するデータのみを取得することができる。例えば、取得手段１２１は、調剤日４日前～１週間の薬局に関するデータ、例えば、調剤日４日前～１４日前の間の薬局に関するデータ、調剤日４日前～３０日前の間の薬局に関するデータ、調剤日４日前～６０日前の間の薬局に関するデータ、調剤日４日前～９０日前の間の薬局に関するデータ、または、調剤日４日前～１８０日前の間の薬局に関するデータのみを取得することができる。例えば、取得手段１２１は、調剤日前９０日間の薬局に関するデータ、または、調剤日４日前～９０日前の間の薬局に関するデータを取得することが好ましい。９０日が医薬品を処方可能な最大日数であり、９０日前までが調剤の傾向を最もよく反映しており、９０日前までの薬局に関するデータをステップＳ８０２で用いることにより、構築されるモデルによる予測の精度が、向上するからである。

取得手段１２１は、例えば、データベース部２００に格納されている薬局に関するデータを通信インターフェース部１１０を介して取得するようにしてもよい。あるいは、取得手段１２１は、通信インターフェース部１１０を介して薬局端末装置３００または付随するレセプトコンピュータシステムから受信された薬局に関するデータを取得するようにしてもよい。

取得手段１２１は、例えば、専用学習済モデルを構築する場合には、特定の薬局に関するデータのみを取得するようにしてもよいし、汎用学習済モデルを構築する場合には、複数の薬局に関するデータを取得するようにしてもよい。取得された薬局に関するデータは、決定手段１２２に渡される。

ステップＳ８０２では、プロセッサ部１２０が、ステップＳ８０１で取得された薬局に関するデータを教師データとして学習する。これにより、医薬品の調剤量を予測するために用いられるモデル（学習済モデル）が構築される。

例えば、線形回帰モデルを利用して学習済モデルを構築する場合、例えば、医薬品ｉの線形回帰モデルｙ_ｉは、
ｙ_ｉ＝ｗ_１ｘ_１＋ｗ_２ｘ_２＋・・・＋ｗ_ｋｘ_ｋ＋α
で表される。ステップＳ８０２では、プロセッサ部１２０は、例えば、ステップＳ８０１で取得された薬局に関するデータのうちの調剤日の月、調剤日の曜日、調剤日の翌週休日フラグ、調剤日の前週休日フラグ、調剤日の当日休日フラグ、調剤日の翌日休日フラグのうちの少なくとも１つを説明変数ｘ_ｋとし、薬局に関するデータのうちの調剤量小計を目的変数ｙ_ｉとして、係数ｗ_ｋを決定することにより、学習済モデルを構築することができる。例えば、目的変数ｙ_ｉとして、調剤日の翌日の調剤量小計を用いると、構築された学習済モデルは、翌日の調剤量を予測することが可能な学習済モデルとなる。例えば、目的変数ｙ_ｉとして、調剤日の２日後の調剤量小計を用いると、構築された学習済モデルは、翌々日の調剤量を予測することが可能な学習済モデルとなる。このように、調剤量を予測したい将来の日に応じて、学習に用いる調剤量小計を変えることにより、所望の将来の日の調剤量を予測することが可能な学習済モデルを構築することができる。

例えば、ニューラルネットワークを利用して学習済モデルを構築する場合、ステップＳ８０２では、プロセッサ部１２０は、ステップＳ８０１で取得された薬局に関するデータのうちの調剤日の月、調剤日の曜日、調剤日の翌週休日フラグ、調剤日の前週休日フラグ、調剤日の当日休日フラグ、調剤日の翌日休日フラグ、医調剤日の調剤量小計のうちの少なくとも１つを入力用教師データとし、薬局に関するデータのうちの特定の日の調剤量小計を出力用教師データとして、ニューラルネットワークの隠れ層の各ノードの重み係数を計算することにより、学習済モデルを構築することができる。例えば、出力用教師データとして、調剤日の翌日の調剤量小計を用いると、構築された学習済モデルは、翌日の調剤量を予測することが可能な学習済モデルとなる。例えば、出力用教師データとして、調剤日の翌日の調剤量小計、２日後の調剤量小計、および３日後の調剤量小計を用いると、構築された学習済モデルは、翌日、２日後、および３日後の調剤量を予測することが可能な学習済モデルとなる。このように、調剤量を予測したい将来の日に応じて、学習に用いる調剤量小計を変えることにより、所望の将来の日の調剤量を予測することが可能な学習済モデルを構築することができる。

例えば、「医薬品を調剤した日の月」を入力データに用いることにより、季節を考慮して医薬品の調剤量を予測するようになる。季節を考慮することは、例えば、季節性の病気に効く医薬品の調剤量を予測する際に特に有用である。季節性の病気に効く医薬品は、季節によって必要とする患者の数が変動するからである。例えば、「医薬品を調剤した日の曜日」を入力データに用いることにより、患者の行動を考慮して医薬品の調剤量を予測するようになる。概して、週明けの月曜日等の休日明けは、薬局の患者数が増える傾向がある。このような、曜日に関連した患者の行動を考慮に入れることにより、予測の精度を向上させることができる。例えば、「休日フラグ」を入力データに用いることにより、薬局の休業日を考慮して医薬品の調剤量を予測するようになる。薬局の休業日には調剤量がゼロになるため、そのような調剤量がゼロになる特異日を考慮に入れることにより、予測の精度を向上させることができる。例えば、「休日フラグ」のうち「翌週休日フラグ」を入力データに用いることにより、上述した薬局の休業日に加えて、患者の変則的な行動を考慮して医薬品の調剤量を予測するようになる。例えば、定期的な調剤を受けている患者は、１週間後が祝日等により休日となる場合には、医薬品がまだ残っているにもかかわらず調剤を受けることがある。このような患者の変則的な行動までも考慮に入れることができるため、予測の精度を向上させることができる。例えば、「休日フラグ」のうち「前日休日フラグ」を入力データに用いることにより、上述した薬局の休業日に加えて、患者の行動を考慮して医薬品の調剤量を予測するようになる。上述したように、休日明けは、薬局の患者数が増える傾向があるため、休日に関連した患者の行動を考慮に入れることにより、予測の精度を向上させることができる。

上述した例では、特定の順序で処理が行われることを説明したが、各処理の順序は説明されたものに限定されず、論理的に可能な任意の順序で行われ得る。

図６、図７を参照して上述した例では、図６、図７、図８に示される各ステップの処理は、プロセッサ部１２０とメモリ部１３０に格納されたプログラムとによって実現することが説明されたが、本発明はこれに限定されない。図６、図７、図８に示される各ステップの処理のうちの少なくとも１つは、制御回路などのハードウェア構成によって実現されてもよい。

上述した例では、コンピュータシステム１００が、薬局端末装置３００にネットワーク４００を介して接続されるコンピュータ（例えば、サーバ装置）である場合を例に説明したが、本発明は、これに限定されない。コンピュータシステム１００は、プロセッサ部を備える任意の情報処理装置であり得る。例えば、コンピュータシステム１００は、薬局端末装置３００であり得る。この場合、コンピュータシステム１００が利用できるデータは、その薬局に関するデータに限られるため、コンピュータシステム１００によって構築される学習済モデルは、その薬局特有の専用学習済モデルとなり得る。

本発明は、上述した実施形態に限定されるものではない。本発明は、特許請求の範囲によってのみその範囲が解釈されるべきであることが理解される。当業者は、本発明の具体的な好ましい実施形態の記載から、本発明の記載および技術常識に基づいて等価な範囲を実施することができることが理解される。

本発明は、適切な医薬品の発注を支援することが可能な、医薬品の調剤量を予測するためのシステム等を提供するものとして有用である。

１０ 画面
１００ コンピュータシステム
１１０ インターフェース部
１２０ プロセッサ部
１３０ メモリ部

Claims (4)

1. 医薬品の発注を支援するためのコンピュータシステムであって、
   薬局に関するデータを取得する手段と、
   前記薬局に関するデータに基づいて、前記薬局における医薬品の将来の調剤量を予測する手段と、
   前記予測された調剤量に基づいて、前記薬局の当日の営業終了後に前記医薬品を発注する必要があるか否かを予測する手段と
   を備え、
   前記薬局に関するデータは、前記医薬品を調剤した日の１週間後が休日であることを示す翌週休日フラグを含み、
   前記調剤量を予測する手段は、学習済モデルを用いて、前記調剤量を予測し、前記学習済モデルは、少なくとも前記薬局に関するデータと前記医薬品を調剤した日の調剤量小計とを教師データとする学習処理によって構築され、前記学習処理は、前記教師データに対する前処理を含み、前記前処理は、前記医薬品を調剤した日の翌週休日フラグの有無に基づいて、前記学習処理に用いられる前記医薬品を調剤した日の調剤量小計を増減させることを含む、コンピュータシステム。
2. 前記医薬品を発注する必要があると予測された場合に、前記医薬品を発注すべき量の推奨値を予測する手段をさらに備える、請求項１に記載のコンピュータシステム。
3. 医薬品の発注を支援するための方法であって、前記方法は、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記方法は、
   前記プロセッサ部が、薬局に関するデータを取得することと、
   前記プロセッサ部が、前記薬局に関するデータに基づいて、前記薬局における医薬品の将来の調剤量を予測することと、
   前記プロセッサ部が、前記予測された調剤量に基づいて、前記薬局の当日の営業終了後に前記医薬品を発注する必要があるか否かを予測することと
   を含み、
   前記薬局に関するデータは、前記医薬品を調剤した日の１週間後が休日であることを示す翌週休日フラグを含み、
   前記調剤量を予測することは、学習済モデルを用いて、前記調剤量を予測することを含み、前記学習済モデルは、少なくとも前記薬局に関するデータと前記医薬品を調剤した日の調剤量小計とを教師データとする学習処理によって構築され、前記学習処理は、前記教師データに対する前処理を含み、前記前処理は、前記医薬品を調剤した日の翌週休日フラグの有無に基づいて、前記学習処理に用いられる前記医薬品を調剤した日の調剤量小計を増減させることを含む、方法。
4. 医薬品の発注を支援するためのプログラムであって、前記プログラムは、プロセッサ部を備えるシステムにおいて実行され、前記プログラムは、
   薬局に関するデータを取得することと、
   前記薬局に関するデータに基づいて、前記薬局における医薬品の将来の調剤量を予測することと、
   前記予測された調剤量に基づいて、前記薬局の当日の営業終了後に前記医薬品を発注する必要があるか否かを予測することと
   を含む処理を前記プロセッサ部に実行させ、
   前記薬局に関するデータは、前記医薬品を調剤した日の１週間後が休日であることを示す翌週休日フラグを含み、
   前記調剤量を予測することは、学習済モデルを用いて、前記調剤量を予測することを含み、前記学習済モデルは、少なくとも前記薬局に関するデータと前記医薬品を調剤した日の調剤量小計とを教師データとする学習処理によって構築され、前記学習処理は、前記教師データに対する前処理を含み、前記前処理は、前記医薬品を調剤した日の翌週休日フラグの有無に基づいて、前記学習処理に用いられる前記医薬品を調剤した日の調剤量小計を増減させることを含む、プログラム。