WO2012001920A1 - 医療情報からの異常イベント抽出装置、方法及びプログラム - Google Patents

医療情報からの異常イベント抽出装置、方法及びプログラム Download PDF

Info

Publication number
WO2012001920A1
WO2012001920A1 PCT/JP2011/003587 JP2011003587W WO2012001920A1 WO 2012001920 A1 WO2012001920 A1 WO 2012001920A1 JP 2011003587 W JP2011003587 W JP 2011003587W WO 2012001920 A1 WO2012001920 A1 WO 2012001920A1
Authority
WO
WIPO (PCT)
Prior art keywords
side effect
information
abnormal
abnormal score
score vector
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.)
Ceased
Application number
PCT/JP2011/003587
Other languages
English (en)
French (fr)
Inventor
遼平 藤巻
森永　聡
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.)
NEC Corp
Original Assignee
NEC Corp
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 NEC Corp filed Critical NEC Corp
Priority to JP2012522452A priority Critical patent/JP5900333B2/ja
Priority to US13/806,939 priority patent/US9269118B2/en
Publication of WO2012001920A1 publication Critical patent/WO2012001920A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage

Definitions

  • the present invention relates to an abnormal event extraction device, a method, and a program for extracting abnormal events from medical information.
  • Drugs used in the market often have side effects that could not be found only by testing at the time of development. For this reason, it is important to conduct research to quickly find side effects that occur in the market and manage side effect information in order to manage the safety of pharmaceuticals and improve pharmaceuticals.
  • Non-Patent Document 1 describes a method for detecting a pair of a drug and a side effect using a method such as Bayesian Confidence Propagation Neural Network, Gamma-Poissonshrinker, Reporting Odds Ratio.
  • a method such as Bayesian Confidence Propagation Neural Network, Gamma-Poissonshrinker, Reporting Odds Ratio.
  • information including a “medicine-side effect” pair is automatically extracted from a side effect DB in which a large amount of information is stored, and based on the occurrence probability of the pair, Detect side effects.
  • Patent Document 1 describes a clinical trial execution management system for total management of clinical trials.
  • an exclusion criterion that indicates an abnormal value of data, occurrence of a side effect, or the like is defined. Then, whether or not a side effect has occurred is determined based on whether or not an abnormal value has occurred and the findings of a doctor.
  • Patent Document 2 describes a method for identifying and predicting drug side effects.
  • an ADE (Advance Drug Events) rule is defined in advance.
  • the inspection value is not included in the range of the normal inspection value in the ADE rule, it is determined that the inspection value is abnormal, and a warning process is performed.
  • Both the system described in Patent Document 1 and the method described in Patent Document 2 detect anomalies by comparing a predefined rule with an inspection value.
  • both the system described in Patent Document 1 and the method described in Patent Document 2 can detect an abnormality only in relation to a predefined rule. Therefore, it is difficult to detect a potential abnormality for an unknown rule that is not defined.
  • Non-Patent Document 1 when detecting side effects of pharmaceuticals by the method described in Non-Patent Document 1, there is a problem that unknown side effects that have not been reported cannot be detected. For example, when it takes time for a side effect to be reflected in the side effect DB after the side effect is found in the market, detection of the side effect is delayed.
  • an object of the present invention is to provide an abnormal event extraction device from medical information, an abnormal event extraction method from medical information, and an abnormal event extraction program from medical information that can extract unknown side effects of medicines from medical information.
  • An apparatus for extracting an abnormal event from medical information includes an abnormal score calculating means for calculating an abnormal score, which is information indicating the anomaly of medical data, based on the specificity of each medical data, and information obtained by integrating the abnormal score.
  • An abnormal score vector generating means for generating at least one abnormal score vector, and an abnormal score vector that determines a probability of a side effect indicated by the abnormal score vector based on a predetermined rule and satisfies the predetermined probability
  • a side effect detecting means for detecting side effect as information indicating a side effect.
  • the method for extracting abnormal events from medical information calculates an abnormal score, which is information indicating the anomaly of medical data, based on the specificity of each medical data, and an abnormal score vector that is information obtained by integrating the abnormal scores. At least one of the above, determining the probability of a side effect indicated by an abnormal score vector based on a predetermined rule, and detecting an abnormal score vector satisfying a predetermined condition as information indicating a side effect.
  • the abnormal event extraction program from medical information integrates an abnormal score, which is information indicating abnormality of medical data, into the computer based on the specificity of each medical data, Abnormal score vector creation processing for creating at least one abnormal score vector, which is the information, and the probability of a side effect indicated by the abnormal score vector is determined based on a predetermined rule, and the probability satisfies a predetermined condition
  • a side effect detection process for detecting an abnormal score vector as information indicating a side effect is executed.
  • unknown side effects of medicines can be extracted from medical information.
  • FIG. 5 is a flowchart showing an example of the operation of the side effect detection apparatus 100 provided with the side effect detection means 104.
  • 6 is a flowchart showing an example of the operation of the side effect detection apparatus 100 including the extended side effect detection means 108.
  • FIG. It is a block diagram which shows the example of the side effect detection apparatus in the 3rd Embodiment of this invention. It is explanatory drawing which shows the example of the abnormal score vector production
  • the medical information includes a plurality of data, and each data is vector data having a plurality of items related to medical treatment.
  • each data is vector data having a plurality of items related to medical treatment.
  • each item in the data xn may be written as xnd.
  • Each item xnd in the data xn can take an arbitrary value (real value, discrete value, symbol value, etc.).
  • Examples of the item xnd include symbol values such as the name and sex of the administered drug, real values such as the prescription amount of the drug and test values in the blood test, and discrete values such as the number of drugs administered, age, and medical expenses.
  • side effect / severity information information indicating the presence or absence of a side effect on the data xn and the severity
  • yn (yn1,..., YnDy).
  • Dy indicates the number of items of side effect / severity information.
  • each information in the side effect / severity information yn may be written as ynd.
  • Each information ynd indicating the presence / absence or severity of side effects can take any value.
  • Examples of the side effect / severity information ynd include a symbol value indicating the presence or absence of a side effect, a discrete value indicating the severity of the side effect, and a real value indicating the severity of the side effect.
  • FIG. FIG. 1 is a block diagram illustrating an example of an apparatus for extracting abnormal events from medical information (hereinafter, referred to as a side effect detection apparatus in the description of each embodiment) in the first embodiment of the present invention.
  • the side effect detection device 100 includes an input device 101, an input data storage unit 102, an abnormal score vector generation unit 103, a side effect detection unit 104, and an output device 105.
  • the input device 101 inputs input data 106. Further, the output device 105 outputs a side effect detection result 107.
  • the input device 101 is a device for inputting the input data 106.
  • the input device 101 stores input data 106 received from an external device in the input data storage unit 102.
  • the input data 106 in addition to medical information, parameters required in the subsequent analysis processing, information indicating the presence / absence and severity of a side effect on the data xn (that is, side effect / severity information yn)
  • data necessary for the operation of the side effect detection apparatus 100 is included.
  • the input data storage unit 102 stores input data 106.
  • the input data storage unit 102 is realized by, for example, a magnetic disk.
  • FIG. 2 is an explanatory diagram showing an example of the abnormality score vector generation means 103 in the present embodiment.
  • the abnormality score vector generation means 103 includes abnormality detection means 1_111 to abnormality detection means M_112 (hereinafter referred to as abnormality detection means) and abnormality score integration means 115.
  • M represents the number of abnormality detection means.
  • M is an integer of 1 or more.
  • Each abnormality detection means calculates an abnormality score 1_113 to an abnormality score M_114 (hereinafter referred to as an abnormality score), which are scores calculated as a result of abnormality detection, based on the medical information in the input data 106, respectively.
  • the abnormal score integrating unit 115 generates an abnormal score vector based on the plurality of calculated abnormal scores.
  • the abnormality score vector is information obtained by integrating the abnormality scores calculated by the abnormality detection means.
  • the operation of the abnormality detection unit and the abnormality score integration unit 115 will be described in detail.
  • the anomaly detection means calculates an anomaly score of each data xn in the medical information using an arbitrary anomaly detection method. Specifically, the abnormality detection means calculates an abnormality score of xn of each data based on the specificity indicated by each data xn in the medical information.
  • the anomaly score is specifically information representing the anomaly of each data xn. For example, the larger the value, the higher the anomaly, the higher the real value, the discrete value indicating the occurrence of an anomaly, It is expressed in an arbitrary format such as a symbol value representing a degree.
  • Specific examples of the abnormal score include a score that represents an outlier, a score that represents a change point, a score that represents the likelihood of side effects when supervised learning is used, and the like.
  • the abnormal score also includes a value indicating whether or not a predetermined pattern indicating abnormality exists (for example, 1 if present, 0 if not present).
  • abnormality detection methods include outlier detection technology, change point detection technology, classification technology, regression technology, and a method for determining whether or not a specific rule is met.
  • the outlier detection technique is a technique for extracting unique information from the same kind of series data. For example, it is assumed that data [x1, x2,..., X10] is receipt data related to administration of a certain medicine. Here, when only x2 indicates that the medical cost is abnormally high, a technique for extracting x2 is an outlier detection technique. Further, there is a method in which the data xn (or a part thereof) is handled as a multidimensional vector and outlier detection is performed on a plurality of items of data crossing x ⁇ N.
  • the change point detection technique is a technique for detecting a rapidly changing point from time series data. For example, it is assumed that the data [x1, x2, x3] is receipt data that is continuous in time regarding the administration of a certain medicine. In such a situation, a technique for detecting that the prescription amount of the drug rapidly decreases or that the prescription amount of another drug rapidly increases is a change point detection technique.
  • the classification technique is a technique for classifying other data based on a classification model.
  • a classification technique for example, there is a method of creating a classification model with data x ⁇ N including the presence or absence of a certain side effect as y ⁇ N and determining the presence or absence of a side effect in the remaining data based on the classification model.
  • the regression technique is a technique for determining other data based on a regression model.
  • a regression technique for example, there is a method in which a regression model is created with data x ⁇ N including the severity of a certain side effect as y ⁇ N, and the severity of the side effect in the remaining data is determined based on the regression model. It is done.
  • the data xn is specified as “there is a high possibility of a side effect if an emergency medical practice is performed immediately after prescription of a certain drug” What is necessary is just to judge whether it agrees with this rule.
  • the data for example, receipt data relating to the administration of a pharmaceutical product
  • the method for calculating the abnormality score for example, outlier detection
  • one of the abnormality detection means is the abnormality detection means m, and the number of abnormality scores calculated by the abnormality detection means m for the data x ⁇ N is Km.
  • tmkn 1 means that smk and xn are linked
  • tmkn 0 means that smk and xn are not linked, respectively.
  • the correspondence between the abnormal score and the data xn is not limited to one-to-one correspondence.
  • One abnormality score may correspond to a plurality of data xn. That is, a plurality of elements in the index vector tmk may be 1.
  • the abnormality detection unit m calculates one abnormality score for the plurality of data xn. For example, it is assumed that data [x1, x2, x3] is temporally continuous data about a certain person.
  • the abnormality detection unit m performs abnormality detection on the d-th dimension series [x1d ⁇ x2d ⁇ x3d]
  • one abnormality score is calculated for the data [x1, x2, x3]. become.
  • the anomaly score integrating means 115 creates information (that is, an anomaly score vector) that integrates the anomaly scores calculated by the anomaly detection means. Specifically, when the abnormal score vector is wi, the dimension of the abnormal score vector is Dw, and the number of output abnormal score vectors is Nw, the abnormal score integrating unit 115 uses an arbitrary method to calculate the abnormal score 1_113.
  • the abnormal score integrating means 115 also generates an abnormal score index vector (hereinafter referred to as ui) associated with the abnormal score vector wi.
  • the abnormal score integrating means 115 may constitute the abnormal score vector wi by arranging, for example, the abnormal scores associated with the data xn as vectors. Other methods for creating the abnormal score vector will be described later.
  • the side effect detection means 104 detects a side effect of each data included in the medical information. Specifically, the side effect detection unit 104 performs side effect detection on w ⁇ Dw using an arbitrary method.
  • the side effect detection unit 104 may detect, as the side effect data, the data indicated by the abnormal score vector having higher abnormality from the abnormal score vector created by the abnormal score integration unit 115 as the information indicating the side effect, for example. Further, the side effect detecting means 104 may present the abnormality score vector in descending order of the probability of showing a side effect as compared with a predetermined condition.
  • the side effect detection means 104 may calculate the probability of a side effect by a weighted sum of abnormal score vectors wi (hereinafter referred to as a side effect score), and present the abnormal score vector in a ranking format of the side effect score. Further, the side effect detection means 104 may detect an abnormal score vector having a side effect score larger than a predetermined threshold as information indicating a side effect.
  • the data associated with the abnormal score vector wi can be identified by referring to the index vector ui of the abnormal score associated with the abnormal score vector wi and the index vector tmk of the data xn.
  • the side effect detection means 104 may learn a classification model for an abnormal score vector associated with data having side effects and an abnormal score vector associated with data without side effects. At this time, the side effect detection means 104 may determine the presence or absence (probability) of side effects on the remaining data based on the classification model.
  • the side effect detection means 104 labels each Dw abnormal score vector based on the associated input data. In this way, for example, with respect to the abnormal score vectors w1, w2, and w3, the abnormal score vector w1 is “with side effects”, the abnormal score vector w2 is “with no side effects”, and the abnormal score vector w3 is with or without side effects. Can be obtained.
  • the side effect detection means 104 learns a classification model for determining the presence or absence of a side effect using the abnormal score vector labeled “with side effect” and the abnormal score vector labeled “without side effect”. .
  • the classification model is arbitrary, and examples thereof include a logistic regression model, a naive Bayes model, and a decision tree.
  • the side effect detection means 104 uses the learned classification model to determine the presence or absence of a side effect of an abnormal score vector that is not linked to the presence or absence of a side effect.
  • the learning method used by the side effect detection means 104 is not limited to supervised learning.
  • the side effect detection means 104 may use, for example, a semi-supervised learning method that learns a classification model by simultaneously using data labeled with or without side effects and unlabeled data. Examples of semi-supervised classification learning include Laplace support vector machines.
  • the side effect detection means 104 may learn a regression model of severity for an abnormal score vector associated with data having side effects and an abnormal score vector associated with data without side effects. At this time, the side effect detection means 104 may extract an abnormal score vector in which the conditional expected value is greater than or equal to a predetermined value based on the regression model.
  • the side effect detection means 104 may read input data associated with the abnormal score vector from the input data storage unit 102 and use it for side effect detection as necessary. For example, if there is a difference in the probability of occurrence of side effects depending on gender and age, the side effect detection means 104 may read information representing gender and age from the input data storage unit 102 and perform side effect detection using the read information. Good. Thus, the accuracy of the side effect detection can be improved by using the data in the input data storage unit 102 associated with the abnormality score vector.
  • the side effect detection means 104 may create a basic statistic for the data xn as a side effect detection result.
  • the statistics for the data xn include, for example, the gender ratio, age ratio, height and weight distribution of the input data associated with the abnormal score vector suspected of side effects, the distribution of the administered drug, the average value and variance of medical costs, etc. .
  • the abnormal score integrating unit 115 creates one type of abnormal score vector according to a specific calculation method, and the side effect detecting unit 104 performs side effect detection on the generated abnormal score vector has been described.
  • the abnormality score vector created by the abnormality score integration unit 115 is not limited to one type.
  • the side effect detection means 104 may be not only one but multiple.
  • FIG. 3 is an explanatory view showing another example of the side effect detection means.
  • the extended side effect detection means 108 illustrated in FIG. 3 includes side effect detection means 1_123 to side effect detection means L_124 and a side effect detection result integration means 125.
  • L indicates the number of side effect detection means.
  • the abnormal score vector generation means 103 creates L types of abnormal score vectors 1_121 to L_122.
  • Each of the side effect detection means 1_123 to the side effect detection means L_124 performs side effect detection by an arbitrary method based on the abnormality score vector corresponding to each created by the abnormality score integration means 115.
  • the types of abnormal score vectors and the side effect detection methods targeted by the side effect detection means 1_123 to the side effect detection means L_124 may be determined in advance.
  • the abnormal score integrating means 115 creates L types of abnormal score vectors
  • information on the abnormal score vectors used by the side effect detecting means 1_123 to the side effect detecting means L_124 is determined in advance, and the abnormal score integrating means 115 Then, an abnormal score vector may be created based on the information.
  • the method of creating the abnormal score vector is arbitrary for each of the abnormal score vector 1_121 to the abnormal score vector L_122, and may be different or the same.
  • the abnormal score integrating means 115 not only creates an abnormal score vector by simply vectorizing the abnormal score, but also considers cross terms (two or more multiplication terms) of the abnormal scores 1 to M.
  • An anomaly score vector may be created.
  • the abnormal score integrating unit 115 may generate an abnormal score vector by applying a projection such as principal component analysis to a vector in which abnormal scores are arranged. Note that the projection method may be different for the abnormal score vector 1 to the abnormal score vector L.
  • the side effect detection result integration unit 125 integrates the side effect detection results of the side effect detection unit 1_123 to the side effect detection unit L_124 to generate a final side effect detection result. Specifically, the side effect detection result integration unit 125 outputs L judgment values (hereinafter, referred to as side effect detection results 1 to L) output from the side effect detection units 1_123 to the side effect detection unit L_124. For example, a final side effect detection result is generated based on a binary value indicating whether a side effect is suspected or a value of a determination function.
  • the side effect detection result integration unit 125 may calculate, for example, a weighted sum of L determination values and present the calculation result in a ranking format. Further, the side effect detection result integrating unit 125 may learn a function representing the likelihood of a side effect using a vector in which L judgment values output as the side effect detection results 1 to L are arranged and a corresponding side effect label. Good. However, in this case, the side effect label may not be present in all vectors.
  • the side effect detection unit 104 illustrated in FIG. 2 and the extended side effect detection unit 108 illustrated in FIG. 3 are compared, the side effect detection unit 104 creates an abnormal score vector according to a specific calculation method, Side effects are detected for the abnormal score vector.
  • the side effect detection means 1_123 to the side effect detection means L_124 perform side effect detection for each of the abnormal score vectors created by L different calculation methods.
  • the side effect detection result integrating unit 125 integrates the side effect detection results to generate a final side effect detection result.
  • the abnormal score integrating unit 115 generates different abnormal score vectors for each age and gender
  • the side effect detection result integrating unit 125 generates the side effect detection results created by the side effect detecting unit 1_123 to the side effect detecting unit L_124 for each age and gender.
  • the side effect detection result integration unit 125 creates a side effect detection result ranked from the most suspicious side effect. In this way, for example, when the method of manifesting side effects differs depending on the age and sex, it becomes possible to estimate the most suspected side effect for each age and sex.
  • the output device 105 outputs the side effect detection result 107 created by the side effect detection means 104 or the extended side effect detection means 108.
  • the abnormality score vector generation means 103 (more specifically, the abnormality detection means 1_111 to the abnormality detection means M_112 and the abnormality score integration means 115) and the side effect detection means 104 are a computer that operates according to a program (side effect detection program). Implemented by the CPU. Similarly, the abnormal score vector generation unit 103 and the extended side effect detection unit 108 (more specifically, the side effect detection unit 1_123 to the side effect detection unit L_124 and the side effect detection result integration unit 125) operate according to a program (side effect detection program). This is realized by the CPU of the computer.
  • the program is stored in a storage unit (not shown) of the side effect detection device 100, and the CPU reads the program, and according to the program, the abnormal score vector generation unit 103 and the side effect detection unit 104, or abnormal score vector generation
  • the means 103 and the extended side effect detection means 108 may operate.
  • abnormality score vector generation means 103 (more specifically, the abnormality detection means 1_111 to the abnormality detection means M_112 and the abnormality score integration means 115) and the side effect detection means 104 are each realized by dedicated hardware. It may be.
  • the abnormal score vector generation unit 103 and the extended side effect detection unit 108 (more specifically, the side effect detection unit 1_123 to the side effect detection unit L_124 and the side effect detection result integration unit 125) are realized by dedicated hardware, respectively. May be.
  • FIG. 4 is a flowchart showing an example of the operation of the side effect detection apparatus 100 provided with the side effect detection means 104.
  • the input device 101 stores the data in the input data storage unit 102 (step S100).
  • each abnormality detection means calculates an abnormality score based on the input data 106 (step S101).
  • the abnormality score is not calculated from 1 to M (No in step S102)
  • each abnormality detection unit repeats the abnormality score calculation process.
  • the abnormal score integrating unit 115 generates an abnormal score vector based on the calculated abnormal scores 1 to M (step S103).
  • the side effect detection means 104 performs side effect detection on the abnormal score vector (step S104).
  • the side effect detection means 104 causes the output device 105 to output a side effect detection result (step S105).
  • FIG. 5 is a flowchart illustrating an example of the operation of the side effect detection apparatus 100 including the extended side effect detection unit 108 illustrated in FIG.
  • the process from step S100 to S102 in which the input data 106 is input and each abnormality detection means calculates the abnormality score is the same as the process in FIG.
  • the abnormal score integrating means 115 When the abnormal score is calculated, the abnormal score integrating means 115 generates L types of abnormal score vectors (step S106).
  • the extended side effect detection means 108 (more specifically, each side effect detection means 1_123 to side effect detection means L_124) performs side effect detection on each abnormal score vector (step S107).
  • the extended side effect detection means 108 performs side effect detection processing for the remaining abnormal score vectors.
  • the side effect detection result integration unit 125 integrates the side effect detection results (step S109). Then, the side effect detection result integration unit 125 causes the output device 105 to output the side effect detection result (step S105).
  • the extended side effect detection means 108 performs the first to Lth side effect detection (steps S106 to S108 in FIG. 5), and
  • the side effect detection result integration unit 125 integrates the side effect detection result (step S109 in FIG. 5), and is different from the process in FIG. 4 (that is, the process performed by the side effect detection unit 104).
  • the abnormality detection means calculates the abnormality score of each data xn based on the specificity of each data. Further, the abnormal score integrating means 115 integrates the abnormal scores and creates an abnormal score vector. Thereafter, the side effect detection means 104 determines the probability of the side effect indicated by the abnormal score vector based on a predetermined rule (for example, a weighted sum of abnormal scores, a classification model, or a regression model).
  • a predetermined rule for example, a weighted sum of abnormal scores, a classification model, or a regression model.
  • the side effect detection unit 104 detects an abnormal score vector whose probability satisfies a predetermined condition (for example, a predetermined threshold, a learning result of a classification model or a regression model) as information indicating a side effect (for example, a target Extract anomalous score vectors or present them in a ranking format).
  • a predetermined condition for example, a predetermined threshold, a learning result of a classification model or a regression model
  • a side effect for example, a target Extract anomalous score vectors or present them in a ranking format.
  • the nature of the data common to various side effects (for example, the prescription amount changes suddenly when side effects occur, medical costs increase rapidly, Etc.) can be detected. That is, each information is characterized using an abnormal score, and side effects are detected based on the information. Therefore, not only known side effects recorded in the side effect DB but also unrecorded side effects can be detected. Therefore, for example, it is possible to detect an unknown side effect that cannot be detected only by epidemiological knowledge such as “what side effect occurs in a certain medicinal group”.
  • medical record information In general, medical record information, receipt information, health checkup information, diagnosis group classification (DPC) information, etc., describe the disease that has occurred, but not whether it is a side effect. Is almost. Therefore, it is difficult to use such information for detection of side effects with a general side effect detection technique.
  • DPC diagnosis group classification
  • FIG. FIG. 6 is a block diagram illustrating an example of an abnormal event extraction device (side effect detection device) from medical information according to the second embodiment of the present invention.
  • the side effect detection apparatus 200 in the present embodiment includes an input device 101, an input data storage unit 102, an abnormal score vector generation unit 103, a side effect detection unit 104, a feature extraction unit 201, and an output device 202.
  • the input device 101 inputs input data 106. Further, the output device 202 outputs a side effect detection result 203.
  • the side effect detection apparatus 200 in the present embodiment is different from the side effect detection apparatus 100 in the first embodiment in that the feature extraction unit 201 is provided. Further, the output device 105 and the side effect detection result 107 of the side effect detection device 100 in the first embodiment are different from each other in that the output device 202 and the side effect detection result 203 are replaced in the side effect detection device 200 in the present embodiment. About another structure, it is the same as that of 1st Embodiment.
  • the output device 202 has a function of outputting a result extracted by the feature extraction unit 201 described later, in addition to the function of the output device 105 in the first embodiment.
  • the side effect detection result 203 includes a result extracted by the feature extraction unit 201 in addition to the content of the side effect detection result 107 in the first embodiment.
  • the feature extraction unit 201 performs feature extraction on the side effect detection result by an arbitrary method based on the side effect detection result detected by the side effect detection unit 104 or the input data read from the input data storage unit 102. That is, the feature extraction unit 201 extracts a characteristic element from an abnormal score vector detected as information indicating a side effect or input data specified by the abnormal score vector.
  • extracting characteristic elements include an abnormal score vector in which side effects are suspected and a method of extracting characteristic elements of input data associated therewith.
  • a method using principal component analysis will be described as an example of a method for extracting characteristic elements.
  • the feature extraction unit 201 applies principal component analysis to an abnormal score vector in which a side effect is suspected as a side effect detection result, and extracts a vector element having a large principal component score as a characteristic element.
  • the abnormal score vector in which a side effect is suspected includes an abnormal score vector determined as a side effect and an abnormal score vector having a higher ranking of the side effect detection result.
  • the method by which the feature extraction unit 201 extracts characteristic elements is not limited to the above method.
  • the feature extraction unit 201 includes elements that are characteristically different between an abnormal score vector in which side effects are suspected and an abnormal score vector with a low possibility of side effects, and between input data associated with these abnormal score vectors. Elements having characteristic differences may be extracted as characteristic elements.
  • As a specific method of extracting elements that are characteristically different perform principal component analysis of data with suspicious side effects and data with low possibility of side effects, extract characteristic elements with high principal component scores, Furthermore, there is a method of extracting elements that are not common to both.
  • the feature extraction unit 201 performs discriminant analysis between data with a suspicious side effect and data with a low possibility of a side effect, and extracts an element with a large absolute value of the projection vector, whereby a characteristic element May be extracted.
  • the abnormal score vector generation means 103, the side effect detection means 104, and the feature extraction means 201 are realized by a CPU of a computer that operates according to a program (side effect detection program). Further, each of the abnormal score vector generation unit 103, the side effect detection unit 104, and the feature extraction unit 201 may be realized by dedicated hardware.
  • FIG. 7 is a flowchart illustrating an example of the operation of the side effect detection apparatus 200 according to the second embodiment.
  • the processing from step S100 to S104 in which the input data 106 is input and the side effect detection is performed is the same as the processing of steps S100 to S104 in FIG.
  • the feature extraction unit 201 extracts a feature from the side effect detection result or the input data 106 (step S200). Then, the feature extraction unit 201 causes the output device 202 to output the side effect detection result and the feature extraction result (step S105). As described above, the operation of the side effect detection apparatus 200 is different from the operation of the side effect detection apparatus 100 only in that a process for extracting features (step S200 in FIG. 7) is included.
  • the feature extraction unit 201 extracts a characteristic element from the abnormal score vector detected as information indicating a side effect or the input data 106 specified by the abnormal score vector.
  • characteristic points are extracted not only from data with suspicious side effects and abnormal score vectors at that time, but also from the data. Therefore, it is possible to provide useful information for the user to finally analyze side effects. This can be said to be particularly effective when the purpose is to detect unknown side effects, since the user does not know the characteristics in advance.
  • FIG. FIG. 8 is a block diagram showing an example of an abnormal event extraction device (side effect detection device) from medical information according to the third embodiment of the present invention.
  • the side effect detection apparatus 300 in this embodiment includes an input device 101, an input data storage unit 102, an abnormal score vector generation unit 301, an extended side effect detection unit 302, an extended feature extraction unit 303, and a side effect detection result storage unit 304.
  • the input device 101 inputs input data 106. Further, the output device 202 outputs a side effect detection result 203.
  • the feedback input device 306 inputs feedback information 307.
  • the side effect detection apparatus 300 in this embodiment is different from the side effect detection apparatus 200 in the second embodiment in that it includes a side effect detection result storage unit 304, a feedback storage unit 305, and a feedback input device 306.
  • the abnormal score vector generation unit 103, the side effect detection unit 104, and the feature extraction unit 201 in the second embodiment are the same as the abnormal score vector generation unit 301, the extended side effect detection unit 302, and the extended feature in the side effect detection apparatus 300 in the present embodiment. They differ from each other in that the extraction means 303 is replaced.
  • the side effect detection device 300 according to the third embodiment differs from the side effect detection device 200 according to the second embodiment in that the feedback input device 306 inputs the feedback information 307. About another structure, it is the same as that of 2nd Embodiment.
  • the feedback information 307 is information used for analysis of side effects. For example, information based on the user's knowledge and empirical rules, information indicating a viewpoint for analyzing side effects, a processing method for calculating an abnormal score, and input Arbitrary information such as a processing method for extracting characteristic elements from the obtained information is included. Further, the information included in the feedback information 307 may include information for identifying a process in which the information is used and a means for performing the process. Specifically, the feedback information 307 is used in each process performed by the abnormal score vector generation unit 301, the extended side effect detection unit 302, and the extended feature extraction unit 303. Therefore, specific examples of the feedback information 307 will be described in the description of the abnormal score vector generation unit 301, the extended side effect detection unit 302, and the extended feature extraction unit 303, which will be described later.
  • the feedback input device 306 is a device for inputting feedback information 307. Specifically, the feedback input device 306 stores, for example, feedback information 307 input by the user in the feedback storage unit 305. The feedback input device 306 also stores analysis information stored in a side effect detection result storage unit 304 (to be described later) in the feedback storage unit 305 as feedback information.
  • the feedback storage unit 305 stores feedback information 307.
  • the feedback storage unit 305 is realized by, for example, a magnetic disk.
  • the side effect detection result storage unit 304 stores the side effect result detected by the extended side effect detection unit 302 and the characteristic elements extracted by the extended feature extraction unit 303. Note that these pieces of information stored in the side effect detection result storage unit 304 are input to the feedback input device 306 as feedback information.
  • FIG. 9 is an explanatory diagram illustrating an example of the abnormality score vector generation unit 301 in the present embodiment.
  • the abnormality score vector generation unit 301 includes a first feedback reflection unit 311, an abnormality detection unit 1 — 111 to an abnormality detection unit M — 112 (that is, an abnormality detection unit), and an abnormality score integration unit 115. That is, the abnormality score vector generation unit 301 in the present embodiment is different from the abnormality score vector generation unit 103 in the first embodiment in that it includes a first feedback reflection unit 311.
  • the abnormality score vector generation unit 301 calculates an abnormality score for each abnormality detection unit by using both information stored in the input data storage unit 102 and information stored in the feedback storage unit 305. This is different from the first embodiment in that an instruction is given.
  • the first implementation is that the first feedback reflecting means 311 reads feedback information from the feedback storage unit 305 and reflects the information to each abnormality detecting means and abnormality score integrating means 115 using an arbitrary method. Different from form. Hereinafter, the processing of the first feedback reflection means 311 will be described.
  • the first feedback reflecting means 311 controls the operation of the abnormality detecting means based on the feedback information 307. Specifically, when feedback information 307 is input as information used when creating an abnormal score (for example, information that has already been analyzed or a processing method for calculating an abnormal score), the first feedback is reflected. The means 311 causes the abnormality detection means to create an abnormality score based on the information. Note that the first feedback reflecting unit 311 controlling the operation of the abnormality detecting unit based on the feedback information 307 may be described as the first feedback reflecting unit 311 reflecting the feedback information.
  • Examples of a method in which the first feedback reflection means 311 reflects feedback information include addition of a new abnormality detection means and deletion of an abnormality detection means currently used.
  • the addition of a new abnormality detection means means that a new process for detecting an abnormality score is added.
  • the deletion of the currently used abnormality detection means means that a part of the abnormality score detection process that has been performed so far is not performed.
  • the first feedback reflection unit 311 adds the abnormality detection unit.
  • (1) [“definition of new abnormality detection means” and “addition”] is input to the feedback input device 306 and stored in the feedback storage unit 305.
  • feedback information 307 (2) [“reflection of feedback”] is input at the same time as the additional timing or at another timing
  • the first feedback reflection means 311 is triggered by this input, It is determined that an abnormality detection unit is added.
  • the determination method in the case of deletion is the same as the above method.
  • the feedback information 307 the information indicated by (1) is input, and when the information indicated by (2) is not input, only the information indicated by (1) is accumulated. Then, at the timing when the information shown in (2) is input, a plurality of information shown in (1) is reflected at a time. However, the information to be reflected may be selected at the timing of inputting the information shown in (2).
  • the first feedback reflection unit 311 uses each of the information stored in the input data storage unit 102 and the information stored in the feedback storage unit 305 for each abnormality detection unit. You may give the instruction
  • the first feedback reflecting means 311 reflects the feedback information
  • information on the presence / absence of the side effect and the severity is given as feedback information for data determined to have a suspicious side effect in the side effect detection result 203.
  • the accuracy of abnormality detection can be improved.
  • the first feedback reflection means 311 may refer to the side effect detection result and give information on the presence or absence of the side effect and the severity to the abnormality score vector. Specifically, the first feedback reflection unit 311 may associate new side effect / severity information yn with the data xn associated with the abnormal score vector wi.
  • various effects can be obtained by the first feedback reflecting means 311 reflecting the feedback information in the generation process of the abnormal score vector.
  • side effect detection processing from a new viewpoint ie, detection of new side effects
  • reduction of false detection rate of side effects ie, detection of new side effects
  • targeted side effect detection processing for example, constructing an abnormal score vector that is effective only for a specific medicinal group Is possible.
  • FIG. 10 is an explanatory diagram showing an example of the extended side effect detection means 302 in the present embodiment.
  • the extended side effect detection unit 302 includes a second feedback reflection unit 321 and a side effect detection unit 104.
  • the extended side effect detection unit 302 in this embodiment is different from the side effect detection unit 104 in the first embodiment in that it includes a second feedback reflection unit 321.
  • the second feedback reflection unit 321 is different from the first embodiment in that the feedback information is read from the feedback storage unit 305 and reflected on the side effect detection unit 104 using an arbitrary method.
  • the process of the second feedback reflecting means 321 will be described.
  • the second feedback reflection unit 321 controls the operation of the side effect detection unit 104 based on the feedback information 307. Specifically, when information used when detecting a side effect (for example, information that has already been analyzed or information indicating a viewpoint for detecting a side effect) is input as feedback information 307, the second feedback reflection unit 321 is used. Causes the extended side effect detection means 302 to detect side effects based on the information. Note that the second feedback reflection unit 321 controlling the operation of the side effect detection unit 104 based on the feedback information 307 may be described as the second feedback reflection unit 321 reflecting the feedback information.
  • the side effect detection result 203 determines that the side effect is suspicious (high probability), and the presence or absence of the side effect and the severity information are used as feedback information.
  • the side effect detection unit 104 learns a classification model for an abnormal score vector associated with data having side effects and an abnormal score vector associated with data without side effects
  • the “side effect with side effect” is set as a learning target. Data "increases. Therefore, the accuracy of the classification model can be improved.
  • the second feedback reflection unit 321 may label the data for which the presence or absence of the side effect is determined.
  • the data to be labeled may be a part of the data. By giving such a label, it becomes clear whether there is a side effect on each data, so that the accuracy of the classification model can be improved.
  • the present invention can be similarly applied to other models such as a regression model and a ranking model that the side effect detection means 104 learns by using the side effect label and severity.
  • the accuracy of the side effect detection can be improved by using the analyzed information for detecting the side effect (for example, using it as learning data for the side effect detection model and correcting the ranking of the side effect detection result). it can.
  • the side effect detection means 104 stores the side effect detection result in the side effect detection result storage unit 304.
  • FIG. 11 is an explanatory diagram showing an example of the extended feature extraction unit 303 in the present embodiment.
  • the extended feature extraction unit 303 includes a third feedback reflection unit 331 and a feature extraction unit 201.
  • the extended feature extraction unit 303 in the present embodiment is different from the feature extraction unit 201 in the second embodiment in that a third feedback reflection unit 331 is provided.
  • the third feedback reflection unit 331 is different from the second embodiment in that the feedback information is read from the feedback storage unit 305 and reflected on the feature extraction unit 201 using an arbitrary method.
  • the process of the third feedback reflection unit 331 will be described.
  • the third feedback reflection means 331 controls the operation of the extended feature extraction means 303 based on the feedback information 307. Specifically, information used when extracting characteristic elements from input data or side effect detection results (for example, information that has already been analyzed or a processing method for extracting characteristic elements from input information) is used. When the feedback information 307 is input, the third feedback reflection unit 331 causes the extended feature extraction unit 303 to detect characteristic elements from the information based on the information. Note that the third feedback reflection unit 331 controlling the operation of the extended feature extraction unit 303 based on the feedback information 307 may be described as the third feedback reflection unit 331 reflecting the feedback information.
  • Examples of a method in which the third feedback reflection means 331 reflects the feedback information include addition of a new feature extraction means and deletion of the currently used feature extraction means.
  • the addition of a new feature extracting means means adding a new process for extracting a characteristic element.
  • the deletion of the currently used feature extraction means means that a part of the characteristic element extraction process that has been performed so far is not performed.
  • the third feedback reflection unit 331 adds a new feature extraction unit or deletes the currently used feature extraction unit.
  • the first feedback reflection unit 311 adds a new abnormality detection unit or uses the current extraction unit. This is the same as the method for deleting the abnormality detecting means. For example, when a new processing method for extracting a characteristic element is input as feedback information, the third feedback reflection unit 331 may add a new feature extraction unit.
  • the third feedback reflecting means 331 uses, as feedback information, information on the presence / absence of a side effect and severity (for example, information that is important or non-important for an abnormal score or a side effect detection result, contraindication information, etc.) as feature extraction means. 201 may be given.
  • the feature extraction unit 201 can display the presence or absence of side effects or seriousness information. It is possible to perform feature extraction based on (for example, discriminant analysis).
  • the feature extraction unit 201 when the feature extraction unit 201 performs a process of extracting a difference between data having a suspicious side effect and data having a low possibility of a side effect as a feature, the presence / absence of the side effect and the severity information are characterized as feedback information. It is effective to give to the extraction means 201.
  • the feature extraction unit 201 uses data that is suspected to have side effects and that has side effects and data that has low possibility of side effects and no side effects. This makes it possible to extract features.
  • the feature extraction unit 201 stores information indicating the extracted feature in the side effect detection result storage unit 304.
  • the abnormal score vector generation unit 103 in the second embodiment is the abnormal score vector generation unit 301
  • the side effect detection unit 104 is the extended side effect detection unit 302
  • the feature extraction unit 201 is the extended feature extraction unit 303.
  • the side effect detection apparatus 300 in the present embodiment may have a configuration in which at least a part of the above is replaced. In this case, if each replaced means (specifically, the abnormal score vector generation means 301, the extended side effect detection means 302, and the extended feature extraction means 303) performs the processing described in the present embodiment using the feedback information. Good.
  • the abnormal score vector generating unit 103 may be replaced with the abnormal score vector generating unit 301
  • the side effect detecting unit 104 may be replaced with the extended side effect detecting unit 302.
  • Abnormal score vector generation means 301 (more specifically, first feedback reflection means 311, abnormality detection means 1 — 111 to abnormality detection means M — 112 (ie, abnormality detection means), abnormality score integration means 115), and extended side effect detection Means 302 (more specifically, second feedback reflection means 321 and side effect detection means 104), extended feature extraction means 303 (more specifically, third feedback reflection means 331 and feature extraction means 201), Is realized by a CPU of a computer that operates according to a program (side effect detection program). Further, each of the abnormal score vector generation unit 301, the extended side effect detection unit 302, and the extended feature extraction unit 303 may be realized by dedicated hardware.
  • FIG. 12 is a flowchart illustrating an example of the operation of the side effect detection apparatus 300 according to the third embodiment.
  • the operation of the side effect detection apparatus 300 in the present embodiment is different from the operation of the side effect detection apparatus 200 in the second embodiment in that it has a feedback process. That is, the processes from step S100 to S105 in which the input data 106 is input and the side effect detection is performed are the same as the processes in steps S100 to S105 in FIG.
  • the first feedback reflection unit 311 determines whether feedback information for the abnormal score calculation process is stored in the feedback storage unit 305. Judgment is made (step S300). When there is feedback information for the abnormality score calculation process (Yes in Step S300), the first feedback reflection unit 311 reflects the feedback information in the abnormality detection unit (Step S301), and performs the processes after Step S101.
  • the first feedback reflection unit 311 determines whether feedback information for the abnormal score vector calculation process is stored in the feedback storage unit 305 (Ste S302).
  • the first feedback reflecting unit 311 reflects the feedback information in the abnormal score integrating unit 115 (step S303), and performs the processes after step S103. .
  • the second feedback reflection unit 321 determines whether feedback information for the side effect detection is stored in the feedback storage unit 305 (step S304). ). If there is feedback information for detecting a side effect (Yes in step S304), the second feedback reflection unit 321 reflects the feedback information in the side effect detection unit 104 (step S305), and performs the processing after step S104.
  • the third feedback reflection unit 331 determines whether feedback information for feature extraction is stored in the feedback storage unit 305 (step S306). If feedback information for feature extraction exists (Yes in step S306), the third feedback reflection unit 331 reflects the feedback information in the feature extraction unit 201 (step S307), and performs the processing from step S200 onward.
  • step S306 the process is terminated without reflecting the feedback information.
  • the abnormality detection means when the feedback input device 306 inputs the feedback information 307, the abnormality detection means, the extended side effect detection means 302, and the extended feature extraction means 303 are processed by each means.
  • each process is performed based on the information.
  • the abnormality detection unit creates an abnormality score based on the information.
  • the abnormal score integrating unit 115 creates an abnormal score vector based on the information.
  • the extended side effect detection unit 302 detects a side effect based on the information.
  • the extended feature extraction unit 303 When the information used when performing feature extraction is input as feedback information, the extended feature extraction unit 303 performs feature extraction based on the information. As described above, by using the feedback information, it is possible to improve the efficiency of extracting a side effect from a large amount of accumulated information.
  • FIG. 13 is a block diagram showing an example of the minimum configuration of the abnormal event extracting apparatus according to the present invention.
  • the abnormal event extraction apparatus (for example, the side effect detection apparatus 100) according to the present invention uses an abnormal score (for example, an abnormal score smk) that is information indicating abnormality of medical data (for example, data xn), and the specificity of each medical data.
  • an abnormal score for example, an abnormal score smk
  • Abnormal score calculation means 81 (for example, abnormality detection means) that calculates based on the above, and abnormal score vector creation means for creating at least one abnormality score vector (for example, abnormality score vector wi) that is information obtained by integrating the abnormality scores 82 (for example, abnormal score integrating means 115) and the probability of side effects (for example, the presence or absence of side effects) indicated by the abnormal score vector based on a predetermined rule (for example, weighted sum of abnormal scores, classification model, regression model) Judgment is made and the probability is determined in advance (for example, a predetermined threshold, a learning result of a classification model or a regression model).
  • a side effect detecting means 83 for detecting the information indicating the side effects (e.g., side effects detecting means 104).
  • the abnormal event extraction device includes a feature extraction unit (for example, a feature extraction unit 201) that extracts an abnormal score vector detected as information indicating a side effect or a feature of medical data specified by the abnormal score vector. It may be. With such a configuration, it is possible to provide users with useful information when analyzing unknown side effects.
  • a feature extraction unit for example, a feature extraction unit 201 that extracts an abnormal score vector detected as information indicating a side effect or a feature of medical data specified by the abnormal score vector. It may be.
  • the abnormal event extraction device may include feedback information input means (for example, feedback input device 306) for inputting feedback information (for example, feedback information 307) that is information used for side effect analysis. Then, the feedback information input means creates, as feedback information, information used when calculating the abnormal score (for example, already analyzed information or a processing method for calculating the abnormal score) and an abnormal score vector. Information used in the event (for example, information on the presence / absence or severity of side effects) and information used in detecting the side effects (for example, information that has already been analyzed or information indicating the viewpoint for detecting side effects) When the information used when the abnormality score calculation unit 81 calculates the abnormality score is input as feedback information, the abnormality score vector is calculated based on the information.
  • feedback information input means for example, feedback input device 306
  • feedback information for example, feedback information 307
  • the feedback information input means creates, as feedback information, information used when calculating the abnormal score (for example, already analyzed information or a processing method for calculating the abnormal score) and an abnormal score
  • the feedback information input means inputs information used when extracting features as feedback information (for example, information that has already been analyzed or a processing method that extracts characteristic elements from the input information),
  • the feature extraction unit may extract features based on the information.
  • the feedback information input means inputs information indicating a new process for detecting an abnormal score as information used when calculating the abnormal score, and the abnormal score calculation means 81 receives the process as feedback information.
  • the abnormality score may be calculated based on the processing.
  • the abnormal event extraction device may include a side effect integration unit (for example, a side effect detection result integration unit 125) that integrates a plurality of pieces of information indicating side effects.
  • the abnormal score vector creating unit 82 generates a plurality of abnormal score vectors (for example, abnormal score vector 1_121 to abnormal score vector L_122), and the side effect detecting unit 83 (for example, side effect detecting unit 1_123 to side effect detecting unit L_124).
  • the probability of side effects is determined for each abnormality score vector based on at least one rule, and the side effect integration unit integrates the abnormal score vectors detected as information indicating side effects by the side effect detection unit 83 (for example, L Based on the determination value, a final side effect detection result may be generated).
  • the abnormal score calculation unit 81 uses an outlier detection method or a change point detection method (for longitudinal series data or cross-sectional multiple item data), so that Specific medical data may be extracted from the inside.
  • the side effect detection unit 83 labels the abnormal score vector based on the medical data linked to the abnormal score vector, and uses the labeled abnormal score vector to determine the probability of the side effect And the abnormal score vector classified into information indicating a side effect may be detected using the classification model.
  • At least one abnormality score vector which is information obtained by integrating the abnormality score
  • an abnormality score calculation unit that calculates an abnormality score that is information indicating abnormality of the medical data based on the specificity of each medical data
  • Two or more abnormal score vector generating means, and the probability of the side effect indicated by the abnormal score vector is determined based on a predetermined rule, and an abnormal score vector satisfying a predetermined condition is used as information indicating a side effect.
  • An apparatus for extracting abnormal events from medical information comprising: a side effect detecting means for detecting.
  • Additional remark 2 The abnormal event extraction apparatus of Additional remark 1 provided with the characteristic extraction means which extracts the abnormal score vector detected as information which shows a side effect, or the characteristic of the medical data specified by the said abnormal score vector.
  • the feedback information input means which inputs the feedback information which is information used for the analysis of a side effect
  • the said feedback information input means The information used when calculating an abnormal score as feedback information
  • An abnormal score Input at least one of information used when creating a vector and information used when detecting a side effect
  • the abnormal score calculating means uses feedback information as information used when calculating the abnormal score If the information is used as feedback information, the abnormal score vector creating means calculates an abnormal score based on the information. An abnormal score vector is created, and the side effect detection means detects the side effect. If the information used to is input as feedback information, the abnormal event extraction apparatus Supplementary Note 1 or 2, wherein detecting the side effects based on the information.
  • a feedback information input means inputs the information used when extracting a feature as feedback information, and the feature extraction means, when the information used when extracting a feature is input as feedback information,
  • the abnormal event extraction device according to supplementary note 3, wherein features are extracted based on the information.
  • a feedback information input means inputs the information which shows the new process which detects an abnormal score as information used when calculating an abnormal score
  • the abnormal score calculation means inputs the said process as feedback information
  • the abnormal event extraction device according to supplementary note 3 or supplementary note 4, which calculates an abnormal score based on the processing when it is performed.
  • an abnormality score vector preparation means produces
  • a side effect detection means is abnormal based on at least 1 or more types of rule The probability of a side effect is determined for each score vector, and the side effect integration unit integrates the abnormal score vector detected as information indicating a side effect by the side effect detection unit according to any one of appendix 1 to appendix 5.
  • Abnormal event extraction device
  • the abnormal score calculation means uses any one of supplementary notes 1 to 6 to extract unique medical data from the same kind of medical data by using an outlier detection method or a change point detection method.
  • the side effect detection means classifies the abnormal score vector based on the medical data linked to the abnormal score vector, and uses the labeled abnormal score vector to determine the probability of the side effect
  • the abnormal event extraction device according to any one of Supplementary Note 1 to Supplementary Note 7, which learns a model and detects an abnormal score vector classified into information indicating a side effect using the classification model.
  • An abnormality score that is information indicating abnormality of medical data is calculated based on the specificity of each medical data, and at least one abnormality score vector that is information obtained by integrating the abnormality scores is created. From the medical information, the probability of side effects indicated by the abnormal score vector is determined based on a predetermined rule, and an abnormal score vector satisfying a predetermined condition is detected as information indicating side effects. Abnormal event extraction method.
  • Additional remark 11 The abnormal event extraction method of Additional remark 10 which extracts the abnormal score vector detected as information which shows a side effect, or the characteristic of the medical data specified by the said abnormal score vector.
  • the abnormal event extraction program of Additional remark 12 which makes a computer perform the characteristic extraction process which extracts the abnormal score vector detected as information which shows a side effect, or the characteristic of the medical data specified by the said abnormal score vector .
  • the present invention is preferably applied to an abnormal event extraction apparatus that extracts an abnormal event from medical information.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Toxicology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

　異常スコア算出手段は、医療データの異常性を示す情報である異常スコアを、各医療データの特異性に基づいて算出する。異常スコアベクトル作成手段は、異常スコアを統合した情報である異常スコアベクトルを少なくとも一つ以上作成する。また、副作用検出手段は、異常スコアベクトルが示す副作用の蓋然性を所定の規則に基づいて判断し、その蓋然性が予め定められた条件を満たす異常スコアベクトルを、副作用を示す情報として検出する。

Description

医療情報からの異常イベント抽出装置、方法及びプログラム
　本発明は、医療情報から異常イベントを抽出する医療情報からの異常イベント抽出装置、方法及びプログラムに関する。
　市場で利用される医薬品には、開発時の検査だけでは発見できなかった副作用が存在する場合が多い。このため、市場で発生する副作用を迅速に発見するための調査及び副作用情報の管理を行う事は、医薬品の安全性管理や、医薬品を改善するために重要である。
　現在、医薬品に副作用が発生した場合、各医療機関が国などへ副作用の報告を行う必要がある。副作用の報告がなされると、その情報は、副作用報告データベース（副作用ＤＢ）に蓄積される。副作用ＤＢに蓄積された副作用の報告全てを人間がチェックし、処理することは難しいため、これらの報告の中から医薬品の副作用を特定する方法が提案されている。
　非特許文献１には、Bayesian Confidence Propagation Neural Network、Gamma-Poisson Shrinker、Reporting Odds Ratioなどの方法を用いて、医薬品と副作用とのペアを検出する方法が記載されている。非特許文献１に記載された方法では、膨大な情報が記憶された副作用ＤＢから、「医薬品－副作用」のペアを含む情報を自動的に抽出し、そのペアの発生確率に基づいて、医薬品の副作用を検出する。
　また、特許文献１には、臨床試験をトータル管理する臨床試験実施管理システムが記載されている。特許文献１に記載されたシステムでは、データの異常値や副作用の発生等を示す除外基準を定めておく。そして、副作用が発生したか否かについては、異常値の発生有無や医師の所見に基づいて判断される。
　また、特許文献２には、薬物副作用を識別及び予想する方法が記載されている。特許文献２に記載された方法では、ＡＤＥ（Ａｄｖｅｒｓｅ　Ｄｒｕｇ　Ｅｖｅｎｔｓ）ルールを予め定義しておく。そして、検査値がＡＤＥルールにおける正常検査値の範囲内に含まれていない場合、検査値は異常であると判断され、警告処理が行われる。
特開２００２－１５０６１号公報 特開２００２－３４２４８４号公報
独立行政法人　医薬品医療機器総合機構、"データマイニング手法の導入に関する検討結果報告書"、［online］、［平成２２年５月２１日検索］、インターネット〈URL：http://www.info.pmda.go.jp/kyoten_iyaku/file/dm-report20.pdf〉
　特許文献１に記載されたシステムや特許文献２に記載された方法のいずれも、予め定義されたルールと検査値とを比較することで、異常を検出するものである。言い換えると、特許文献１に記載されたシステムや特許文献２に記載された方法のいずれも、予め定義されたルールとの関係でしか異常を検知すること出来ない。そのため、定義されていない未知のルールに対する潜在的な異常を検出することは困難である。
　また、非特許文献１に記載された方法で医薬品の副作用を検出する場合、報告されていない未知の副作用については検出できないという問題がある。例えば、市場で副作用が発見されてからその副作用が副作用ＤＢに反映されるまでに時間を要する場合、副作用の検出が遅れてしまうことになる。
　そこで、本発明は、医療に関する情報から医薬品の未知の副作用を抽出できる医療情報からの異常イベント抽出装置、医療情報からの異常イベント抽出方法及び医療情報からの異常イベント抽出プログラムを提供することを目的とする。
　本発明による医療情報からの異常イベント抽出装置は、医療データの異常性を示す情報である異常スコアを、各医療データの特異性に基づいて算出する異常スコア算出手段と、異常スコアを統合した情報である異常スコアベクトルを少なくとも一つ以上作成する異常スコアベクトル作成手段と、異常スコアベクトルが示す副作用の蓋然性を所定の規則に基づいて判断し、その蓋然性が予め定められた条件を満たす異常スコアベクトルを、副作用を示す情報として検出する副作用検出手段とを備えたことを特徴とする。
　本発明による医療情報からの異常イベント抽出方法は、医療データの異常性を示す情報である異常スコアを、各医療データの特異性に基づいて算出し、異常スコアを統合した情報である異常スコアベクトルを少なくとも一つ以上作成し、異常スコアベクトルが示す副作用の蓋然性を所定の規則に基づいて判断し、その蓋然性が予め定められた条件を満たす異常スコアベクトルを、副作用を示す情報として検出することを特徴とする。
　本発明による医療情報からの異常イベント抽出プログラムは、コンピュータに、医療データの異常性を示す情報である異常スコアを、各医療データの特異性に基づいて算出する異常スコア算出処理、異常スコアを統合した情報である異常スコアベクトルを少なくとも一つ以上作成する異常スコアベクトル作成処理、および、異常スコアベクトルが示す副作用の蓋然性を所定の規則に基づいて判断し、その蓋然性が予め定められた条件を満たす異常スコアベクトルを、副作用を示す情報として検出する副作用検出処理を実行させることを特徴とする。
　本発明によれば、医療に関する情報から医薬品の未知の副作用を抽出できる。
本発明の第１の実施形態における副作用検出装置の例を示すブロック図である。 異常スコアベクトル生成手段１０３の例を示す説明図である。 副作用検出手段の他の例を示す説明図である。 副作用検出手段１０４を備えた副作用検出装置１００の動作の例を示すフローチャートである。 拡張副作用検出手段１０８を備えた副作用検出装置１００の動作の例を示すフローチャートである。 本発明の第２の実施形態における副作用検出装置の例を示すブロック図である。 第２の実施形態における副作用検出装置２００の動作の例を示すフローチャートである。 本発明の第３の実施形態における副作用検出装置の例を示すブロック図である。 異常スコアベクトル生成手段３０１の例を示す説明図である。 拡張副作用検出手段３０２の例を示す説明図である。 拡張特徴抽出手段３０３の例を示す説明図である。 第３の実施形態における副作用検出装置３００の動作の例を示すフローチャートである。 本発明による医療情報からの異常イベント抽出装置の最小構成の例を示すブロック図である。
　以下、本発明の実施形態を図面を参照して説明する。なお、以下の説明では、医療に関する情報が含まれる副作用報告、カルテ、レセプト、健康診断情報、ＤＰＣ（Diagnosis Procedure Combination）などを総称して医療情報と記す。
　医療情報には複数のデータが含まれ、各データは、医療に関する複数の項目を持つベクトルデータとする。ここで、項目数をＤｘとしたとき、医療情報におけるｎ番目のデータをｘｎ＝（ｘｎ１，…，ｘｎＤｘ）と記す。また、データｘｎにおける各項目をｘｎｄと記すこともある。
　データｘｎにおける各項目ｘｎｄは、任意の値（実数値、離散値、シンボル値等）をとることができる。項目ｘｎｄの例として、投与した医薬品名や性別などのシンボル値、医薬品の処方量や血液検査における検査値などの実数値、医薬品の投与回数や年齢、医療費などの離散値が挙げられる。
　また、データｘｎに対する副作用の有無や、重篤度を表す情報（以下、副作用・重篤度情報と記す。）をｙｎ＝（ｙｎ１，…，ｙｎＤｙ）と記す。ただし、Ｄｙは、副作用・重篤度情報の項目数を示す。なお、副作用・重篤度情報ｙｎにおける各情報をｙｎｄと記すこともある。
　副作用の有無や重篤度などを示す各情報ｙｎｄは、任意の値をとる事ができる。副作用・重篤度情報ｙｎｄの例として、副作用の有無を表すシンボル値、副作用の重篤度を表す離散値、副作用の重篤度を表す実数値などが挙げられる。
　さらに、データｘｎにおける長さＮのデータ列をｘ＾Ｎ＝ｘ１，…，ｘＮと定義し、副作用・重篤度情報ｙｎにおける長さＮのデータ列をｙ＾Ｎ＝ｙ１，…，ｙＮと定義する。
実施形態１．
　図１は、本発明の第１の実施形態における医療情報からの異常イベント抽出装置（以下、各実施形態の説明では、副作用検出装置と記す。）の例を示すブロック図である。本実施形態における副作用検出装置１００は、入力装置１０１と、入力データ記憶部１０２と、異常スコアベクトル生成手段１０３と、副作用検出手段１０４と、出力装置１０５とを備えている。入力装置１０１は、入力データ１０６を入力する。また、出力装置１０５は、副作用検出結果１０７を出力する。
　入力装置１０１は、入力データ１０６を入力するための装置である。入力装置１０１は、例えば、外部装置から受信した入力データ１０６を、入力データ記憶部１０２に記憶させる。
　ここで、入力データ１０６には、医療情報の他、以降の分析処理で必要とされるパラメータや、データｘｎに対する副作用の有無や重篤度を示す情報（すなわち、副作用・重篤度情報ｙｎ）など、副作用検出装置１００の動作に必要なデータが含まれる。
　入力データ記憶部１０２は、入力データ１０６を記憶する。入力データ記憶部１０２は、例えば、磁気ディスク等により実現される。
　図２は、本実施形態における異常スコアベクトル生成手段１０３の例を示す説明図である。異常スコアベクトル生成手段１０３は、異常検出手段１＿１１１～異常検出手段Ｍ＿１１２（以下、異常検出手段と記す。）と、異常スコア統合手段１１５とを含む。ここで、Ｍは異常検出手段の数を表す。なお、Ｍは１以上の整数である。各異常検出手段は、入力データ１０６における医療情報をもとに、それぞれ、異常検出の結果として算出されるスコアである異常スコア１＿１１３～異常スコアＭ＿１１４（以下、異常スコアと記す。）を算出する。また、異常スコア統合手段１１５は、算出された複数の異常スコアをもとに、異常スコアベクトルを生成する。ここで、異常スコアベクトルとは、異常検出手段により算出された各異常スコアを統合した情報である。以下、異常検出手段及び異常スコア統合手段１１５の動作について詳述する。
　異常検出手段は、任意の異常検出手法を用いて、医療情報における各データｘｎの異常スコアを算出する。具体的には、異常検出手段は、医療情報における各データｘｎが示す特異性に基づいて、各データのｘｎの異常スコアを算出する。異常スコアとは、具体的には、各データｘｎの異常性を表す情報のことであり、例えば、値が大きい程異常度が高い実数値、異常発生の有無を示す離散値、異常の種類や度合いを表すシンボル値など、任意の形式で表現される。異常スコアの具体的な例として、外れ値を表すスコア、変化点を表すスコア、教師付学習を利用した場合の副作用らしさを表すスコアなどが挙げられる。また、異常スコアには、異常性を示す所定のパターンが存在するか否かを示す値（例えば、存在する場合には１、存在しない場合には０など）も含まれる。
　異常検出手法の具体的な例として、外れ値検出技術や、変化点検出技術、分類技術、回帰技術、特定のルールに一致するか否かを判定する方法などが挙げられる。外れ値検出技術とは、同種の系列データの中から特異な情報を抽出する技術である。例えば、データ［ｘ１，ｘ２，…，ｘ１０］が、ある医薬品の投与に関するレセプトデータであるとする。ここで、ｘ２のみが異常に医療費が高いことを示す場合、このｘ２を抽出する技術が外れ値検出技術である。また、データｘｎ（または、その一部）を多次元ベクトルとして扱い、ｘ＾Ｎに対して横断的な複数項目データに対して外れ値検出を行う方法も挙げられる。
　変化点検出技術とは、時系列データからの急激に変化する点を検出する技術である。例えば、データ［ｘ１，ｘ２，ｘ３］が、ある医薬品の投与に関する時間的に連続したレセプトデータであるとする。このような状況において、その医薬品の処方量が急激に減少する、あるいは、別の医薬品の処方量が急激に増加することを検出する技術が、変化点検出技術である。
　また、分類技術とは、分類モデルに基づいて、他のデータを分類する技術である。分類技術として、例えば、ある副作用の有無を含むデータｘ＾Ｎをｙ＾Ｎとして分類モデルを作成し、その分類モデルに基づいて残りのデータにおける副作用の有無を判定する方法が挙げられる。回帰技術とは、回帰モデルに基づいて、他のデータを判定する技術である。回帰技術として、例えば、ある副作用の重篤度を含むデータｘ＾Ｎをｙ＾Ｎとして回帰モデルを作成し、その回帰モデルに基づいて残りのデータにおける副作用の重篤度を判定する方法が挙げられる。
　特定のルールに一致するか否かを判定するには、例えば、データｘｎが、「ある薬の処方直後に緊急の医療行為を行った場合には副作用の可能性が高い」と定められた特定のルールに一致するか否かを判断すればよい。
　なお、異常検出手段が異常検出処理を行う対象のデータ（例えば、医薬品の投与に関するレセプトデータ）及び異常スコアを算出する方法（例えば、外れ値検出）は、異常検出手段ごとに予め定められる。
　以下の説明では、異常検出手段のうちの１つを異常検出手段ｍとし、データｘ＾Ｎに対して、異常検出手段ｍが算出する異常スコアの数をＫｍとする。このとき、異常検出手段ｍが算出した異常スコアを、ｓｍｋ（ただし、ｋ＝１，…，Ｋｍ）と記す。また、異常スコアｓｍｋに紐付けられたデータｘｎのインデックスベクトルを、ｔｍｋ＝（ｔｍｋ１，…，ｔｍｋＮ）と記す。ここで、インデックスベクトルの要素をｔｍｋｎとしたとき、ｔｍｋｎ＝１とは、ｓｍｋとｘｎとが紐づいていることを、ｔｍｋｎ＝０とは、ｓｍｋとｘｎとが紐づいていないことを、それぞれ表す。
　ただし、異常スコアとデータｘｎとの対応は、１対１対応に限られない。複数のデータｘｎに対して１つの異常スコアが対応していてもよい。すなわち、インデックスベクトルｔｍｋにおける複数の要素が１になってもよい。この場合、具体的には、異常検出手段ｍが、複数のデータｘｎに対して１つの異常スコアを算出する。例えば、データ［ｘ１，ｘ２，ｘ３］が、ある人物についての時間的に連続したデータであるとする。ここで、異常検出手段ｍがｄ番目の次元の系列［ｘ１ｄ→ｘ２ｄ→ｘ３ｄ］に対して異常検出を行う場合、データ［ｘ１，ｘ２，ｘ３］に対して１つの異常スコアが算出されることになる。
　異常スコア統合手段１１５は、各異常検出手段が算出した異常スコアを統合した情報（すなわち、異常スコアベクトル）を作成する。具体的には、異常スコアベクトルをｗｉ、異常スコアベクトルの次元をＤｗ、出力される異常スコアベクトルの数をＮｗとしたとき、異常スコア統合手段１１５は、任意の方法を用いて、異常スコア１＿１１３（ｓ１１，…，ｓ１Ｋ１）から、異常スコアＭ＿１１４（ｓＭ１、…、ｓＭＫＭ）を統合することにより、異常スコアベクトルｗｉ＝（ｗｉ１，…，ｗｉＤｗ）を作成する。ただし、ｉ＝１、…、Ｎｗである。また、異常スコア統合手段１１５は、異常スコアベクトルｗｉに紐づいた異常スコアのインデックスベクトル（以下、ｕｉと記す。）を併せて生成する。なお、以下の説明では、異常スコア統合手段１１５が作成した異常スコアベクトルを、ｗ＾Ｄｗ＝ｗ１，…，ｗＤｗと表すこともある。
　異常スコア統合手段１１５は、例えば、データｘｎに紐づいた異常スコアをベクトルとして並べることにより、異常スコアベクトルｗｉを構成してもよい。なお、異常スコアベクトルを作成するその他の方法については後述する。
　副作用検出手段１０４は、医療情報に含まれる各データの副作用を検出する。具体的には、副作用検出手段１０４は、ｗ＾Ｄｗに対して任意の方法を用いて副作用検出を行う。副作用検出手段１０４は、副作用を示す情報として、例えば、異常スコア統合手段１１５が作成した異常スコアベクトルの中から、より異常性の高い異常スコアベクトルが示すデータを副作用データとして検出してもよい。また、副作用検出手段１０４は、所定の条件と比較して副作用を示す蓋然性が高い順に異常スコアベクトルを提示してもよい。
　例えば、副作用検出手段１０４は、副作用の蓋然性を、異常スコアベクトルｗｉの加重和（以下、副作用スコアと記す。）で算出し、その副作用スコアのランキング形式で異常スコアベクトルを提示してもよい。また、副作用検出手段１０４は、所定の閾値より大きい副作用スコアを持つ異常スコアベクトルを、副作用を示す情報として検出してもよい。なお、異常スコアベクトルｗｉに紐づいたデータは、異常スコアベクトルｗｉに紐づいた異常スコアのインデックスベクトルｕｉ及びデータｘｎのインデックスベクトルｔｍｋを参照することで特定できる。
　他にも、副作用検出手段１０４は、副作用のあるデータと紐づいた異常スコアベクトルと、副作用のないデータと紐づいた異常スコアベクトルに対して分類モデルを学習してもよい。このとき、副作用検出手段１０４は、その分類モデルに基づき、残りのデータに対して副作用の有無（蓋然性）を判定してもよい。
　ここで、上記分類モデルの学習方法について、具体的な動作を説明する。まず、副作用検出手段１０４は、Ｄｗ個の異常スコアベクトルそれぞれに対して、紐づいている入力データをもとにラベル付けを行う。こうすることにより、例えば、異常スコアベクトルｗ１，ｗ２，ｗ３に対して、異常スコアベクトルｗ１は、「副作用あり」、異常スコアベクトルｗ２は、「副作用なし」、異常スコアベクトルｗ３は、副作用の有無が紐づいていない、という結果を得ることが出来る。次に、副作用検出手段１０４は、「副作用あり」とラベル付けされた異常スコアベクトルと、「副作用なし」とラベル付けされた異常スコアベクトルを用いて、副作用の有無を判定する分類モデルを学習する。分類モデルは任意であり、例えば、ロジスティック回帰モデル、ナイーブベイズモデル、決定木などが分類モデルとして挙げられる。次に、副作用検出手段１０４は、学習した分類モデルを用いて、副作用の有無が紐づいていない異常スコアベクトルの副作用の有無を判定する。
　なお、本例では、上述のように教師付学習による学習方法を利用する場合について説明した。ただし、副作用検出手段１０４が利用する学習方法は、教師付学習に限定されない。副作用検出手段１０４は、例えば、副作用の有無がラベル付けされたデータと、ラベル付けされていないデータを同時に利用して分類モデルを学習する半教師付の学習方法を利用してもよい。半教師付の分類学習として、例えば、ラプラス・サポートベクトルマシンが挙げられる。
　また、副作用検出手段１０４は、副作用のあるデータと紐づいた異常スコアベクトルと、副作用のないデータと紐づいた異常スコアベクトルに対して重篤度の回帰モデルを学習してもよい。このとき、副作用検出手段１０４は、その回帰モデルに基づいて、条件付期待値が所定の値以上になる異常スコアベクトルを抽出してもよい。
　なお、副作用検出手段１０４は、必要に応じて、入力データ記憶部１０２から異常スコアベクトルと紐づいた入力データを読み込み、副作用検出に利用してもよい。例えば、性別及び年齢で副作用の発現確率に差がある場合、副作用検出手段１０４は、入力データ記憶部１０２から性別及び年齢を表す情報を読み取り、読み取った情報を利用して副作用検出を行ってもよい。このように、異常スコアベクトルに紐づいた入力データ記憶部１０２のデータを利用することで、副作用検出の精度を高めることができる。
　また、副作用検出手段１０４は、副作用の検出結果として、データｘｎに対する基本的な統計量を作成するようにしてもよい。データｘｎに対する統計量として、例えば、副作用が疑われる異常スコアベクトル紐づいた入力データの男女比、年齢比、身長や体重の分布、投与薬剤の分布、医療費の平均値や分散などが挙げられる。
　上記説明では、異常スコア統合手段１１５が、ある特定の算出方法に従って１種類の異常スコアベクトルを作成し、副作用検出手段１０４が、作成された異常スコアベクトルに対して副作用検出を行う場合について説明した。ただし、異常スコア統合手段１１５が作成する異常スコアベクトルは、１種類に限定されない。また、副作用検出手段１０４は、１つだけでなく、複数存在してもよい。
　図３は、副作用検出手段の他の例を示す説明図である。図３に例示する拡張副作用検出手段１０８は、副作用検出手段１＿１２３～副作用検出手段Ｌ＿１２４と、副作用検出結果統合手段１２５とを備えている。ここで、Ｌは、副作用検出手段の数を示す。また、異常スコアベクトル生成手段１０３は、Ｌ種類の異常スコアベクトル１＿１２１～異常スコアベクトルＬ＿１２２を作成する。
　各副作用検出手段１＿１２３～副作用検出手段Ｌ＿１２４は、異常スコア統合手段１１５が作成したそれぞれに対応する異常スコアベクトルに基づき、任意の方法で副作用検出を行う。なお、各副作用検出手段１＿１２３～副作用検出手段Ｌ＿１２４が対象とする異常スコアベクトルの種類及び副作用検出方法は、予め定めておけばよい。また、異常スコア統合手段１１５がＬ種類の異常スコアベクトルを作成する場合、各副作用検出手段１＿１２３～副作用検出手段Ｌ＿１２４が利用する異常スコアベクトルについての情報を予め定めておき、異常スコア統合手段１１５は、その情報に基づいて異常スコアベクトルを作成すればよい。このとき、異常スコアベクトルの作成方法は、異常スコアベクトル１＿１２１～異常スコアベクトルＬ＿１２２ごと任意であり、異なっていてもよく、同一であってもよい。
　また、この場合、異常スコア統合手段１１５は、異常スコアを単純にベクトル化して異常スコアベクトルを作成するだけでなく、異常スコア１～Ｍのクロス項（２つ以上の乗算の項）まで考慮して異常スコアベクトルを作成してもよい。他にも、異常スコア統合手段１１５は、異常スコアを並べたベクトルに主成分分析などの射影を適用して異常スコアベクトルを生成してもよい。なお、射影の方法は異常スコアベクトル１～異常スコアベクトルＬで異なっていてもよい。
　副作用検出結果統合手段１２５は、副作用検出手段１＿１２３～副作用検出手段Ｌ＿１２４それぞれの副作用検出結果を統合して、最終的な副作用検出結果を生成する。具体的には、副作用検出結果統合手段１２５は、各副作用検出手段１＿１２３～副作用検出手段Ｌ＿１２４による副作用検出結果（以下、副作用検出結果１～Ｌと記す。）として出力されたＬ個の判定値（例えば、副作用が疑われるか否かを示すバイナリ値、判定関数の値）に基づいて、最終的な副作用検出結果を生成する。
　副作用検出結果統合手段１２５は、例えば、Ｌ個の判定値の重み付き和を算出し、その算出結果をランキング形式で提示してもよい。また、副作用検出結果統合手段１２５は、副作用検出結果１～Ｌとして出力されるＬ個の判定値を並べたベクトル及び対応する副作用のラベルを利用して、副作用らしさを表す関数を学習してもよい。ただし、この場合、副作用のラベルは、全てのベクトルに存在しなくてもよい。
　以上のことから、図２に例示する副作用検出手段１０４と、図３に例示する拡張副作用検出手段１０８とを比較すると、副作用検出手段１０４は、ある特定の算出方法に従って異常スコアベクトルを作成し、その異常スコアベクトルに対して副作用検出を行う。一方、拡張副作用検出手段１０８では、副作用検出手段１＿１２３～副作用検出手段Ｌ＿１２４がＬ種類の異なる算出方法によって作成された異常スコアベクトルそれぞれに対して副作用検出を実施する。そして、副作用検出結果統合手段１２５が、各副作用検出の結果を統合して、最終的な副作用検出結果を生成する。
　ここで、図３に例示する構成による動作の具体例について説明する。例えば、異常スコア統合手段１１５が年代や性別ごとに異なる異常スコアベクトルを生成し、副作用検出結果統合手段１２５が、各年代及び性別ごとに副作用検出手段１＿１２３～副作用検出手段Ｌ＿１２４が作成した副作用検出結果を統合する。そして、副作用検出結果統合手段１２５が、最も副作用の疑わしいものから順位づけをした副作用検出結果を作成する。このようにすることで、例えば、年代や性別によって副作用の発現の仕方が異なる場合に、年代や性別ごとに最も副作用の疑わしいものを推測することが可能になる。
　出力装置１０５は、副作用検出手段１０４又は拡張副作用検出手段１０８が作成した副作用検出結果１０７を出力する。
　異常スコアベクトル生成手段１０３（より具体的には、異常検出手段１＿１１１～異常検出手段Ｍ＿１１２と、異常スコア統合手段１１５）と、副作用検出手段１０４とは、プログラム（副作用検出プログラム）に従って動作するコンピュータのＣＰＵによって実現される。同様に、異常スコアベクトル生成手段１０３と、拡張副作用検出手段１０８（より詳しくは、副作用検出手段１＿１２３～副作用検出手段Ｌ＿１２４と、副作用検出結果統合手段１２５）とは、プログラム（副作用検出プログラム）に従って動作するコンピュータのＣＰＵによって実現される。例えば、プログラムは、副作用検出装置１００の記憶部（図示せず）に記憶され、ＣＰＵは、そのプログラムを読み込み、プログラムに従って、異常スコアベクトル生成手段１０３及び副作用検出手段１０４、または、異常スコアベクトル生成手段１０３及び拡張副作用検出手段１０８として動作してもよい。
　また、異常スコアベクトル生成手段１０３（より具体的には、異常検出手段１＿１１１～異常検出手段Ｍ＿１１２と、異常スコア統合手段１１５）と、副作用検出手段１０４とは、それぞれが専用のハードウェアで実現されていてもよい。同様に、異常スコアベクトル生成手段１０３と、拡張副作用検出手段１０８（より詳しくは、副作用検出手段１＿１２３～副作用検出手段Ｌ＿１２４と、副作用検出結果統合手段１２５）とは、それぞれが専用のハードウェアで実現されていてもよい。
　次に、本実施形態における副作用検出装置の動作を説明する。図４は、副作用検出手段１０４を備えた副作用検出装置１００の動作の例を示すフローチャートである。まず、入力装置１０１は、入力データ１０６が入力されると、そのデータを入力データ記憶部１０２へ記憶させる（ステップＳ１００）。次に、各異常検出手段が、入力データ１０６をもとに、それぞれ異常スコアを算出する（ステップＳ１０１）。異常スコアが１からＭまで算出されていない場合（ステップＳ１０２におけるＮｏ）、各異常検出手段は、異常スコアの算出処理を繰り返す。一方、異常スコアが１からＭまで算出された場合（ステップＳ１０２におけるＹｅｓ）、異常スコア統合手段１１５は、算出された異常スコア１～異常スコアＭに基づいて、異常スコアベクトルを生成する（ステップＳ１０３）。そして、副作用検出手段１０４が、異常スコアベクトルに対する副作用検出を実施する（ステップＳ１０４）。最後に、副作用検出手段１０４は、出力装置１０５に、副作用検出結果を出力させる（ステップＳ１０５）。
　また、図５は、図３に例示する拡張副作用検出手段１０８を備えた副作用検出装置１００の動作の例を示すフローチャートである。入力データ１０６が入力され、各異常検出手段が異常スコアを算出するステップＳ１００～Ｓ１０２までの処理は、図４における処理と同様である。
　異常スコアが算出されると、異常スコア統合手段１１５は、Ｌ種類の異常スコアベクトルを生成する（ステップＳ１０６）。拡張副作用検出手段１０８（より具体的には、各副作用検出手段１＿１２３～副作用検出手段Ｌ＿１２４）は、各異常スコアベクトルに対して副作用検出を行う（ステップＳ１０７）。異常スコアベクトル１＿１２１～異常スコアベクトルＬ＿１２２全てに対する副作用検出が完了していない場合（ステップＳ１０８におけるＮｏ）、拡張副作用検出手段１０８は、残りの異常スコアベクトルに対する副作用検出処理を行う。一方、異常スコアベクトル１＿１２１～異常スコアベクトルＬ＿１２２全てに対する副作用検出が完了した場合（ステップＳ１０８におけるＹｅｓ）、副作用検出結果統合手段１２５は、各副作用検出結果を統合する（ステップＳ１０９）。そして、副作用検出結果統合手段１２５は、出力装置１０５に、副作用検出結果を出力させる（ステップＳ１０５）。
　すなわち、副作用検出装置１００が拡張副作用検出手段１０８を備えている場合、拡張副作用検出手段１０８が１番目からＬ番目までの副作用検出を実施する（図５におけるステップＳ１０６～Ｓ１０８）点、及び、その副作用検出結果を副作用検出結果統合手段１２５が統合する（図５におけるステップＳ１０９）点において、図４における処理（すなわち、副作用検出手段１０４が実施する処理）と異なる。
　以上のように、本実施形態によれば、異常検出手段が、各データｘｎの異常スコアを、各データの特異性に基づいて算出する。また、異常スコア統合手段１１５が、異常スコアを統合して異常スコアベクトルを作成する。その後、副作用検出手段１０４が、異常スコアベクトルが示す副作用の蓋然性を所定の規則（例えば、異常スコアの重み付き和、分類モデルや回帰モデル）に基づいて判断する。そして、副作用検出手段１０４は、その蓋然性が予め定められた条件（例えば、所定の閾値、分類モデルや回帰モデルの学習結果）を満たす異常スコアベクトルを、副作用を示す情報として検出する（例えば、対象の異常スコアベクトルを抽出する、または、ランキング形式で提示する、など）。このような構成により、医療に関する情報から医薬品の未知の副作用を抽出できる。そのため、市場で発生し得る医薬品の副作用を迅速に検出することが可能になる。
　具体的には、医療情報のデータを異常スコアで表現することにより、様々な副作用に共通するデータの性質（例えば、副作用が発生すると処方量が急激に変化する、医療費が急激に増加する、など）に基づいて副作用を検出することが出来る。すなわち、異常スコアを用いて各情報を特徴づけ、これらの情報に基づいて副作用検出を行うため、副作用ＤＢに記録された既知の副作用だけでなく、記録されていない副作用を検出する事が可能となる、そのため、例えば、「ある薬効群にはどういう副作用が発生するか」というような疫学的な知見だけでは検出できない未知の副作用を検出することが可能になる。
　また、一般的に、カルテ情報、レセプト情報、健康診断情報、診断群分類（ＤＰＣ）情報などには、発生した疾病は記載されていても、それが副作用か否かまでは記載されていないことがほとんどである。そのため、一般的な副作用検出技術では、副作用の検出にこれらの情報を活用することは困難である。しかし、本実施形態によれば、副作用ＤＢの情報だけでなく、カルテ、レセプトなど多様な医療情報を利用することができるため、市場で発生した副作用を迅速に発見することが可能になる。
実施形態２．
　図６は、本発明の第２の実施形態における医療情報からの異常イベント抽出装置（副作用検出装置）の例を示すブロック図である。なお、第１の実施形態と同様の構成については、図１と同一の符号を付し、説明を省略する。本実施形態における副作用検出装置２００は、入力装置１０１と、入力データ記憶部１０２と、異常スコアベクトル生成手段１０３と、副作用検出手段１０４と、特徴抽出手段２０１と、出力装置２０２とを備えている。入力装置１０１は、入力データ１０６を入力する。また、出力装置２０２は、副作用検出結果２０３を出力する。
　すなわち、本実施形態における副作用検出装置２００は、特徴抽出手段２０１を備えている点において第１の実施形態における副作用検出装置１００と異なる。また、第１の実施形態における副作用検出装置１００の出力装置１０５及び副作用検出結果１０７が、本実施形態における副作用検出装置２００では出力装置２０２及び副作用検出結果２０３に置き換わっている点で両者は異なる。それ以外の構成については、第１の実施形態と同様である。
　出力装置２０２は、第１の実施形態における出力装置１０５の機能に加えて、後述する特徴抽出手段２０１が抽出した結果を出力する機能を持つ。また、副作用検出結果２０３には、第１の実施形態における副作用検出結果１０７の内容に加えて、特徴抽出手段２０１が抽出した結果が含まれる。
　特徴抽出手段２０１は、副作用検出手段１０４が検出した副作用検出結果、または、入力データ記憶部１０２から読み込んだ入力データをもとに、任意の方法で副作用検出結果に対する特徴抽出を行う。すなわち、特徴抽出手段２０１は、副作用を示す情報として検出された異常スコアベクトル、または、その異常スコアベクトルによって特定される入力データから特徴的な要素を抽出する。
　特徴的な要素を抽出する具体的な例として、副作用が疑われる異常スコアベクトルや、それに紐づく入力データの特徴的な要素を抽出する方法が挙げられる。特徴的な要素を抽出する方法の一例として、主成分分析を利用する方法について説明する。特徴抽出手段２０１は、副作用検出結果として副作用が疑われる異常スコアベクトルに対して主成分分析を適用し、主成分スコアの大きいベクトル要素を特徴的な要素として抽出する。ここで、副作用が疑われる異常スコアベクトルには、副作用と判定された異常スコアベクトルや、副作用検出結果のランキングが上位の異常スコアベクトルが含まれる。
　なお、特徴抽出手段２０１が特徴的な要素を抽出する方法は、上記方法に限定されない。特徴抽出手段２０１は、例えば、副作用が疑われる異常スコアベクトルと副作用の可能性が低い異常スコアベクトルとの間で特徴的に差のある要素、及び、これらの異常スコアベクトルに紐づく入力データ間で特徴的に差のある要素を、特徴的な要素として抽出してもよい。特徴的に差のある要素を抽出する具体的な方法としては、副作用の疑わしいデータと副作用の可能性が低いデータのそれぞれ主成分分析を行い、主成分スコアの高い特徴的な要素を抽出し、さらに両者に「共通しない」要素を抽出する方法が挙げられる。
　他にも、特徴抽出手段２０１は、副作用の疑わしいデータと、副作用の可能性の低いデータとの間で判別分析を行い、その射影ベクトルの絶対値が大きな要素を取り出すことで、特徴的な要素を抽出してもよい。
　異常スコアベクトル生成手段１０３と、副作用検出手段１０４と、特徴抽出手段２０１とは、プログラム（副作用検出プログラム）に従って動作するコンピュータのＣＰＵによって実現される。また、異常スコアベクトル生成手段１０３と、副作用検出手段１０４と、特徴抽出手段２０１とは、それぞれが専用のハードウェアで実現されていてもよい。
　次に、本実施形態における副作用検出装置の動作を説明する。図７は、第２の実施形態における副作用検出装置２００の動作の例を示すフローチャートである。入力データ１０６が入力され、副作用検出が行われるステップＳ１００～Ｓ１０４までの処理は、図４におけるステップＳ１００～Ｓ１０４の処理と同様である。
　副作用検出手段１０４が副作用を検出すると、特徴抽出手段２０１は、副作用検出結果または入力データ１０６から特徴の抽出を行う（ステップＳ２００）。そして、特徴抽出手段２０１は、副作用検出結果及び特徴抽出結果を出力装置２０２に出力させる（ステップＳ１０５）。以上のように、副作用検出装置２００の動作は、副作用検出装置１００の動作と比較して、特徴を抽出する処理（図７におけるステップＳ２００）が含まれている点でのみ相違する。
　以上のように、本実施形態では、特徴抽出手段２０１が、副作用を示す情報として検出された異常スコアベクトル、または、その異常スコアベクトルによって特定される入力データ１０６から特徴的な要素を抽出する。具体的には、本実施形態では、単に副作用の疑わしいデータや、その時の異常スコアベクトルだけでなく、そのデータに特徴的な点を抽出する。そのため、ユーザが最終的に副作用を分析するための有用な情報を提供する事が可能となる。これは、未知の副作用の検出を目的とする際には、ユーザにもその特徴は事前にわからないため、特に効果が高いと言える。
実施形態３．
　図８は、本発明の第３の実施形態における医療情報からの異常イベント抽出装置（副作用検出装置）の例を示すブロック図である。なお、第２の実施形態と同様の構成については、図１と同一の符号を付し、説明を省略する。本実施形態における副作用検出装置３００は、入力装置１０１と、入力データ記憶部１０２と、異常スコアベクトル生成手段３０１と、拡張副作用検出手段３０２と、拡張特徴抽出手段３０３と、副作用検出結果記憶部３０４と、フィードバック記憶部３０５と、フィードバック入力装置３０６と、出力装置２０２とを備えている。入力装置１０１は、入力データ１０６を入力する。また、出力装置２０２は、副作用検出結果２０３を出力する。また、フィードバック入力装置３０６は、フィードバック情報３０７を入力する。
　すなわち、本実施形態における副作用検出装置３００は、副作用検出結果記憶部３０４と、フィードバック記憶部３０５と、フィードバック入力装置３０６とを備えている点において第２の実施形態における副作用検出装置２００と異なる。また、第２の実施形態における異常スコアベクトル生成手段１０３、副作用検出手段１０４及び特徴抽出手段２０１が、本実施形態における副作用検出装置３００では異常スコアベクトル生成手段３０１、拡張副作用検出手段３０２及び拡張特徴抽出手段３０３に置き換わっている点で両者は異なる。また、第３の実施形態における副作用検出装置３００では、フィードバック入力装置３０６がフィードバック情報３０７を入力する点で第２の実施形態における副作用検出装置２００と異なる。それ以外の構成については、第２の実施形態と同様である。
　フィードバック情報３０７は、副作用の分析に用いられる情報であり、例えば、ユーザの知識や経験則に基づく情報や、副作用を分析する観点を示す情報、異常スコアを算出するための処理方法や、入力された情報から特徴的な要素を抽出する処理方法など、任意の情報が含まれる。また、フィードバック情報３０７に含まれる情報には、その情報が用いられる処理や、その処理が行われる手段を識別する情報が含まれていてもよい。具体的には、フィードバック情報３０７は、異常スコアベクトル生成手段３０１、拡張副作用検出手段３０２及び拡張特徴抽出手段３０３が行う各処理で使用される。そのため、フィードバック情報３０７の具体例については、後述する異常スコアベクトル生成手段３０１、拡張副作用検出手段３０２及び拡張特徴抽出手段３０３の説明において記載する。
　フィードバック入力装置３０６は、フィードバック情報３０７を入力するための装置である。具体的には、フィードバック入力装置３０６は、例えば、ユーザが入力するフィードバック情報３０７を、フィードバック記憶部３０５に記憶させる。また、フィードバック入力装置３０６は、後述する副作用検出結果記憶部３０４に記憶された分析情報もフィードバック情報としてフィードバック記憶部３０５に記憶させる。
　フィードバック記憶部３０５は、フィードバック情報３０７を記憶する。フィードバック記憶部３０５は、例えば、磁気ディスク等により実現される。
　副作用検出結果記憶部３０４は、拡張副作用検出手段３０２が検出した副作用の結果、及び、拡張特徴抽出手段３０３が抽出した特徴的な要素を記憶する。なお、副作用検出結果記憶部３０４に記憶されたこれらの情報は、フィードバック情報としてフィードバック入力装置３０６に入力される。
　図９は、本実施形態における異常スコアベクトル生成手段３０１の例を示す説明図である。異常スコアベクトル生成手段３０１は、第一フィードバック反映手段３１１と、異常検出手段１＿１１１～異常検出手段Ｍ＿１１２（すなわち、異常検出手段）と、異常スコア統合手段１１５とを含む。すなわち、本実施形態における異常スコアベクトル生成手段３０１は、第１の実施形態における異常スコアベクトル生成手段１０３と比較して、第一フィードバック反映手段３１１を有する点において異なる。
　また、異常スコアベクトル生成手段３０１が、各異常検出手段に対して、入力データ記憶部１０２に記憶された情報及びフィードバック記憶部３０５に記憶された情報の両方の情報を使って、異常スコアを算出させる指示を行う点において、第１の実施形態と異なる。また、第一フィードバック反映手段３１１が、フィードバック記憶部３０５からフィードバック情報を読み込み、各異常検出手段および異常スコア統合手段１１５へ、その情報を任意の方法を用いて反映させる点において、第１の実施形態と異なる。以下、第一フィードバック反映手段３１１の処理について説明する。
　第一フィードバック反映手段３１１は、フィードバック情報３０７に基づいて、異常検出手段の動作を制御する。具体的には、異常スコアを作成する際に用いられる情報（例えば、既に分析済みの情報や、異常スコアを算出するための処理方法）がフィードバック情報３０７として入力された場合に、第一フィードバック反映手段３１１は、異常検出手段に、その情報に基づいて異常スコアを作成させる。なお、第一フィードバック反映手段３１１がフィードバック情報３０７に基づいて異常検出手段の動作を制御することを、第一フィードバック反映手段３１１がフィードバック情報を反映する、と記すこともある。
　第一フィードバック反映手段３１１がフィードバック情報を反映する方法の例として、新しい異常検出手段の追加や、現在利用している異常検出手段の削除が挙げられる。ここで、新しい異常検出手段の追加とは、異常スコアを検出する新たな処理を追加することを意味する。また、現在利用している異常検出手段の削除とは、今まで行われていた異常スコアの検出処理の一部を行わないようにすることを意味する。フィードバックの反映処理として異常検出手段の追加や削除が行われる場合、フィードバック反映前後で、利用される異常検出手段の数と種類が変更になり（すなわち、異常スコアを検出する処理が変更になり）、最終的に生成される異常スコアベクトルも変更になる。
　ここで、第一フィードバック反映手段３１１が、異常検出手段を追加する動作の一例を説明する。例えば、ユーザ等の指示により、フィードバック情報３０７として、（１）［「新しい異常検出手段の定義」及び「追加」］という情報がフィードバック入力装置３０６に入力され、フィードバック記憶部３０５に記憶される。次に、追加のタイミングと同時、または、別のタイミングで、（２）［「フィードバックの反映」］というフィードバック情報３０７が入力されると、この入力をトリガとして、第一フィードバック反映手段３１１は、異常検出手段の追加を行うと判断する。削除の場合の判断方法も上記の方法と同様である。なお、本例の場合、フィードバック情報３０７として、（１）で示す情報が入力され、（２）で示す情報が入力されない場合、（１）で示す情報のみが蓄積されていく。そして、（２）で示す情報が入力されタイミングで、（１）で示す複数の情報が一度に反映される。ただし、（２）で示す情報を入力するタイミングで、反映させる情報を選択してもよい。
　他にも、第一フィードバック反映手段３１１は、各異常検出手段に対して、入力データ記憶部１０２に記憶された情報及びフィードバック記憶部３０５に記憶された情報の両方の情報を使って、異常スコアを算出させる指示を行ってもよい。具体的には、例えば、「ある２つの薬剤を同時に飲んだ場合には副作用の危険が高い」というフィードバック情報が入力されたとする。この場合に、第一フィードバック反映手段３１１は、該当するデータの異常スコアベクトルを高く補正できるよう、各異常検出手段に指示を行ってもよい。異常スコアベクトル生成手段３０１（より具体的には、各異常検出手段）へ、このようなフィードバック情報の反映処理を行うことで、第一フィードバック反映手段３１１は、新しい異常検出手段を追加することなく、新しい異常スコアベクトルを定義することが出来る。
　第一フィードバック反映手段３１１がフィードバック情報を反映する方法の他の例として、副作用の有無や重篤度の情報を、副作用検出結果２０３で副作用が疑わしいと判定されたデータに対するフィードバック情報として与えることが挙げられる。このような情報を、副作用の有無や重篤度の情報を利用する異常検出手段へ反映することによって、異常検出の精度を向上させることができる。
　さらに、第一フィードバック反映手段３１１は、副作用検出結果を参照し、異常スコアベクトルに対して、副作用の有無や重篤度の情報を与えてもよい。具体的には、第一フィードバック反映手段３１１は、異常スコアベクトルｗｉに紐づいているデータｘｎに、新たな副作用・重篤度情報ｙｎを関連付けてもよい。
　以上のように、第一フィードバック反映手段３１１が異常スコアベクトルの生成処理にフィードバック情報を反映させることで、様々な効果を得ることが出来る。例えば、新しい観点からの副作用検出処理（すなわち、新しい副作用の検出）、副作用の誤検出率の低減、狙いを絞った副作用の検出処理（例えば、特定の薬効群にのみ有効な異常スコアベクトルを構成する）などが可能になる。
　図１０は、本実施形態における拡張副作用検出手段３０２の例を示す説明図である。拡張副作用検出手段３０２は、第二フィードバック反映手段３２１と、副作用検出手段１０４とを含む。本実施形態における拡張副作用検出手段３０２は、第１の実施形態における副作用検出手段１０４と比較して、第二フィードバック反映手段３２１を有する点において異なる。また、第二フィードバック反映手段３２１が、フィードバック記憶部３０５からフィードバック情報を読み込み、副作用検出手段１０４へ、その情報を任意の方法を用いて反映させる点において、第１の実施形態と異なる。以下、第二フィードバック反映手段３２１の処理について説明する。
　第二フィードバック反映手段３２１は、フィードバック情報３０７に基づいて、副作用検出手段１０４の動作を制御する。具体的には、副作用を検出する際に用いられる情報（例えば、既に分析済みの情報や、副作用を検出する観点を示す情報）がフィードバック情報３０７として入力された場合に、第二フィードバック反映手段３２１は、拡張副作用検出手段３０２に、その情報に基づいて副作用を検出させる。なお、第二フィードバック反映手段３２１がフィードバック情報３０７に基づいて副作用検出手段１０４の動作を制御することを、第二フィードバック反映手段３２１がフィードバック情報を反映する、と記すこともある。
　第二フィードバック反映手段３２１がフィードバック情報を反映する方法の例として、副作用検出結果２０３で副作用が疑わしい（蓋然性が高い）と判定されたデータに、副作用の有無や重篤度の情報をフィードバック情報として含めることが挙げられる。例えば、副作用検出手段１０４が、副作用のあるデータと紐づいた異常スコアベクトルと、副作用のないデータと紐づいた異常スコアベクトルに対して分類モデルを学習する際、学習対象とする「副作用のあるデータ」が増加する。そのため、分類モデルの精度を向上させることが出来る。また、第二フィードバック反映手段３２１は、副作用の有無を判断したデータにラベル付けを行ってもよい。なお、ラベル付けする対象のデータは一部であってもよい。このようなラベルを付与することで、各データに対する副作用の有無が明確になるため、分類モデルの精度を向上させることが出来る。
　以上、副作用検出手段１０４が、分類モデルを学習する場合について説明した。他にも、回帰モデルや、ランキングモデルなど、副作用検出手段１０４が副作用のラベルや重篤度を利用して学習する他のモデルに関しても同様に適用できる。このように、分析された情報を副作用検出に利用する（例えば、副作用検出モデルの学習データとして利用する、副作用検出結果のランキングの補正に利用する）ことにより、副作用検出の精度を向上させることができる。
　また、副作用検出手段１０４は、副作用の検出結果を、副作用検出結果記憶部３０４に記憶させる。
　図１１は、本実施形態における拡張特徴抽出手段３０３の例を示す説明図である。拡張特徴抽出手段３０３は、第三フィードバック反映手段３３１と、特徴抽出手段２０１とを含む。本実施形態における拡張特徴抽出手段３０３は、第２の実施形態における特徴抽出手段２０１と比較して、第三フィードバック反映手段３３１を有する点において異なる。また、第三フィードバック反映手段３３１が、フィードバック記憶部３０５からフィードバック情報を読み込み、特徴抽出手段２０１へその情報を任意の方法を用いて反映させる点において、第２の実施形態と異なる。以下、第三フィードバック反映手段３３１の処理について説明する。
　第三フィードバック反映手段３３１は、フィードバック情報３０７に基づいて、拡張特徴抽出手段３０３の動作を制御する。具体的には、入力データ又は副作用検出結果から特徴的な要素を抽出する際に用いられる情報（例えば、既に分析済みの情報や、入力された情報から特徴的な要素を抽出する処理方法）がフィードバック情報３０７として入力された場合に、第三フィードバック反映手段３３１は、拡張特徴抽出手段３０３に、その情報に基づいて上記情報の中から特徴的な要素を検出させる。なお、第三フィードバック反映手段３３１がフィードバック情報３０７に基づいて拡張特徴抽出手段３０３の動作を制御することを、第三フィードバック反映手段３３１がフィードバック情報を反映する、と記すこともある。
　第三フィードバック反映手段３３１がフィードバック情報を反映する方法の例として、新しい特徴抽出手段の追加や、現在利用している特徴抽出手段の削除が挙げられる。ここで、新しい特徴抽出手段の追加とは、特徴的な要素を抽出する新たな処理を追加することを意味する。また、現在利用している特徴抽出手段の削除とは、今まで行われていた特徴的な要素の抽出処理の一部を行わないようにすることを意味する。なお、第三フィードバック反映手段３３１が新しい特徴抽出手段の追加や、現在利用している特徴抽出手段の削除を行う方法は、第一フィードバック反映手段３１１が、新しい異常検出手段の追加や、現在利用している異常検出手段の削除を行う方法と同様である。例えば、フィードバック情報として、特徴的な要素を抽出する新たな処理方法が入力された場合、第三フィードバック反映手段３３１が新しい特徴抽出手段を追加してもよい。
　また、第三フィードバック反映手段３３１は、フィードバック情報として、副作用の有無や重篤度の情報（例えば、異常スコアや副作用検出結果に対して重要又は非重要という情報、禁忌情報など）を特徴抽出手段２０１に与えてもよい。このような情報を与えることにより、例えば、もとの入力データに副作用の有無や重篤度情報が含まれていない場合であっても、特徴抽出手段２０１が副作用の有無や重篤度情報に基づく特徴抽出（例えば、判別分析など）を行うことが可能になる。
　また、例えば、特徴抽出手段２０１が副作用の疑わしいデータと副作用の可能性が低いデータの間の差を特徴として抽出する処理を行う場合にも、フィードバック情報として副作用の有無や重篤度情報を特徴抽出手段２０１に与えることは有効である。フィードバック情報として副作用の有無や重篤度情報を特徴抽出手段２０１に与えることにより、特徴抽出手段２０１が、副作用が疑わしくかつ副作用有りのデータと、副作用の可能性が低くかつ副作用無しのデータを重要視して、特徴抽出を行うことが可能になる。
　また、特徴抽出手段２０１は、抽出した特徴を示す情報を、副作用検出結果記憶部３０４に記憶させる。
　なお、上記説明では、第２の実施形態における異常スコアベクトル生成手段１０３を異常スコアベクトル生成手段３０１に、副作用検出手段１０４を拡張副作用検出手段３０２に、特徴抽出手段２０１を拡張特徴抽出手段３０３に、それぞれ全て置き換えた場合について説明した。ただし、本実施形態における副作用検出装置３００は、少なくとも上記の一部を置き換えた構成であってもよい。その場合、置き換えられた各手段（具体的には、異常スコアベクトル生成手段３０１、拡張副作用検出手段３０２及び拡張特徴抽出手段３０３）が、フィードバック情報を用いて本実施形態で説明した処理を行えばよい。
　また、本実施形態の説明について、第２の実施形態と比較して説明したが、第１の実施形態における副作用検出装置１００に対してフィードバック処理を行うようにしてもよい。具体的には、異常スコアベクトル生成手段１０３を異常スコアベクトル生成手段３０１に、副作用検出手段１０４を拡張副作用検出手段３０２にそれぞれ置き換えればよい。
　異常スコアベクトル生成手段３０１（より具体的には、第一フィードバック反映手段３１１と、異常検出手段１＿１１１～異常検出手段Ｍ＿１１２（すなわち、異常検出手段）と、異常スコア統合手段１１５）と、拡張副作用検出手段３０２（より具体的には、第二フィードバック反映手段３２１と、副作用検出手段１０４）と、拡張特徴抽出手段３０３（より具体的には、第三フィードバック反映手段３３１と、特徴抽出手段２０１）とは、プログラム（副作用検出プログラム）に従って動作するコンピュータのＣＰＵによって実現される。また、異常スコアベクトル生成手段３０１と、拡張副作用検出手段３０２と、拡張特徴抽出手段３０３とは、それぞれが専用のハードウェアで実現されていてもよい。
　次に、本実施形態における副作用検出装置の動作を説明する。図１２は、第３の実施形態における副作用検出装置３００の動作の例を示すフローチャートである。本実施形態における副作用検出装置３００の動作は、第２の実施形態における副作用検出装置２００の動作と比較して、フィードバックの処理を有する点で相違する。すなわち、入力データ１０６が入力され、副作用検出が行われるステップＳ１００～Ｓ１０５までの処理は、図７におけるステップＳ１００～Ｓ１０５の処理と同様である。
　副作用の検出結果及び特徴の抽出結果が副作用検出結果記憶部３０４に記憶されると、第一フィードバック反映手段３１１は、異常スコア算出処理に対するフィードバック情報がフィードバック記憶部３０５に記憶されているか否かを判断する（ステップＳ３００）。異常スコア算出処理に対するフィードバック情報が存在する場合（ステップＳ３００におけるＹｅｓ）、第一フィードバック反映手段３１１は、フィードバック情報を異常検出手段に反映させ（ステップＳ３０１）、ステップＳ１０１以降の処理を行う。
　異常スコア算出処理に対するフィードバック情報が存在しない場合（ステップＳ３００におけるＮｏ）、第一フィードバック反映手段３１１は、異常スコアベクトル算出処理に対するフィードバック情報がフィードバック記憶部３０５に記憶されているか否かを判断する（ステップＳ３０２）。異常スコアベクトル算出処理に対するフィードバック情報が存在する場合（ステップＳ３０２におけるＹｅｓ）、第一フィードバック反映手段３１１は、フィードバック情報を異常スコア統合手段１１５に反映させ（ステップＳ３０３）、ステップＳ１０３以降の処理を行う。
　異常スコアベクトル算出処理に対するフィードバック情報が存在しない場合（ステップＳ３０２におけるＮｏ）、第二フィードバック反映手段３２１は、副作用検出に対するフィードバック情報がフィードバック記憶部３０５に記憶されているか否かを判断する（ステップＳ３０４）。副作用検出に対するフィードバック情報が存在する場合（ステップＳ３０４におけるＹｅｓ）、第二フィードバック反映手段３２１は、フィードバック情報を副作用検出手段１０４に反映させ（ステップＳ３０５）、ステップＳ１０４以降の処理を行う。
　副作用検出に対するフィードバック情報が存在しない場合（ステップＳ３０４におけるＮｏ）、第三フィードバック反映手段３３１は、特徴抽出に対するフィードバック情報がフィードバック記憶部３０５に記憶されているか否かを判断する（ステップＳ３０６）。特徴抽出に対するフィードバック情報が存在する場合（ステップＳ３０６におけるＹｅｓ）、第三フィードバック反映手段３３１は、フィードバック情報を特徴抽出手段２０１に反映させ（ステップＳ３０７）、ステップＳ２００以降の処理を行う。
　一方、特徴抽出に対するフィードバック情報が存在しない場合（ステップＳ３０６におけるＮｏ）、フィードバック情報を反映させずに処理を終了する。
　以上のように、本実施形態によれば、フィードバック入力装置３０６が、フィードバック情報３０７を入力すると、異常検出手段、拡張副作用検出手段３０２、及び、拡張特徴抽出手段３０３は、各手段が処理を行う際に用いられる情報がフィードバック情報として入力された場合に、その情報に基づいて各処理を行う。具体的には、異常検出手段は、異常スコアを算出する際に用いられる情報がフィードバック情報として入力された場合に、その情報に基づいて異常スコアを作成する。異常スコア統合手段１１５は、異常スコアベクトルを作成する際に用いられる情報がフィードバック情報として入力された場合に、その情報に基づいて異常スコアベクトルを作成する。拡張副作用検出手段３０２は、副作用を検出する際に用いられる情報がフィードバック情報として入力された場合に、その情報に基づいて副作用を検出する。拡張特徴抽出手段３０３は、特徴抽出を行う際に用いられる情報がフィードバック情報として入力された場合に、その情報に基づいて特徴抽出を行う。このように、フィードバック情報を用いることで、蓄積された膨大な情報から副作用を抽出する作業を効率化できる。
　次に、本発明による、医療情報からの異常イベント抽出装置（以下、単に異常イベント抽出装置と記す。）の最小構成の例を説明する。図１３は、本発明による異常イベント抽出装置の最小構成の例を示すブロック図である。本発明による異常イベント抽出装置（例えば、副作用検出装置１００）は、医療データ（例えば、データｘｎ）の異常性を示す情報である異常スコア（例えば、異常スコアｓｍｋ）を、各医療データの特異性に基づいて算出する異常スコア算出手段８１（例えば、異常検出手段）と、異常スコアを統合した情報である異常スコアベクトル（例えば、異常スコアベクトルｗｉ）を少なくとも一つ以上作成する異常スコアベクトル作成手段８２（例えば、異常スコア統合手段１１５）と、異常スコアベクトルが示す副作用の蓋然性（例えば、副作用の有無）を所定の規則（例えば、異常スコアの重み付き和、分類モデルや回帰モデル）に基づいて判断し、その蓋然性が予め定められた条件（例えば、所定の閾値、分類モデルや回帰モデルの学習結果）を満たす異常スコアベクトルを、副作用を示す情報として検出する副作用検出手段８３（例えば、副作用検出手段１０４）とを備えている。
　そのような構成により、医療に関する情報から医薬品の未知の副作用を抽出できる。
　また、異常イベント抽出装置が、副作用を示す情報として検出された異常スコアベクトル、または、その異常スコアベクトルによって特定される医療データの特徴を抽出する特徴抽出手段（例えば、特徴抽出手段２０１）を備えていてもよい。このような構成にすることで、未知の副作用を分析する際の有用な情報をユーザに提供することが可能になる。
　また、異常イベント抽出装置が、副作用の分析に用いられる情報であるフィードバック情報（例えば、フィードバック情報３０７）を入力するフィードバック情報入力手段（例えば、フィードバック入力装置３０６）を備えていてもよい。そして、フィードバック情報入力手段が、フィードバック情報として、異常スコアを算出する際に用いられる情報（例えば、既に分析済みの情報や、異常スコアを算出するための処理方法）と、異常スコアベクトルを作成する際に用いられる情報（例えば、副作用の有無や重篤度の情報）と、副作用を検出する際に用いられる情報（例えば、既に分析済みの情報や、副作用を検出する観点を示す情報）のうちの少なくとも一つの情報を入力し、異常スコア算出手段８１が、異常スコアを算出する際に用いられる情報がフィードバック情報として入力された場合に、その情報に基づいて異常スコアを算出し、異常スコアベクトル作成手段８２が、異常スコアベクトルを作成する際に用いられる情報がフィードバック情報として入力された場合に、その情報に基づいて異常スコアベクトルを作成し、副作用検出手段８３が、副作用を検出する際に用いられる情報がフィードバック情報として入力された場合に、その情報に基づいて副作用を検出してもよい。
　また、フィードバック情報入力手段が、フィードバック情報として、特徴を抽出する際に用いられる情報（例えば、既に分析済みの情報や、入力された情報から特徴的な要素を抽出する処理方法）を入力し、特徴抽出手段が、特徴を抽出する際に用いられる情報がフィードバック情報として入力された場合、その情報に基づいて特徴を抽出してもよい。
　また、フィードバック情報入力手段が、異常スコアを算出する際に用いられる情報として、異常スコアを検出する新たな処理を示す情報を入力し、異常スコア算出手段８１が、その処理がフィードバック情報として入力された場合に、その処理に基づいて異常スコアを算出してもよい。
　また、異常イベント抽出装置が、副作用を示す複数の情報を統合する副作用統合手段（例えば、副作用検出結果統合手段１２５）を備えていてもよい。そして、異常スコアベクトル作成手段８２が、複数の異常スコアベクトル（例えば、異常スコアベクトル１＿１２１～異常スコアベクトルＬ＿１２２）を生成し、副作用検出手段８３（例えば、副作用検出手段１＿１２３～副作用検出手段Ｌ＿１２４）が、少なくとも１種類以上の規則に基づいて異常スコアベクトルごとに副作用の蓋然性を判断し、副作用統合手段が、副作用検出手段８３により副作用を示す情報として検出された異常スコアベクトルを統合（例えば、Ｌ個の判定値に基づいて、最終的な副作用検出結果を生成）してもよい。
　また、異常スコア算出手段８１が、（縦断的な系列データに対して、または、横断的な複数項目データに対して）外れ値検出手法または変化点検出手法を用いることにより、同種の医療データの中から特異な医療データを抽出してもよい。
　また、副作用検出手段８３が、異常スコアベクトルに紐づいている医療データに基づいてその異常スコアベクトルにラベル付けを行い、ラベル付けされた異常スコアベクトルを用いて、副作用の蓋然性を判断する分類モデルを学習し、その分類モデルを用いて副作用を示す情報に分類された異常スコアベクトルを検出してもよい。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）医療データの異常性を示す情報である異常スコアを、各医療データの特異性に基づいて算出する異常スコア算出手段と、前記異常スコアを統合した情報である異常スコアベクトルを少なくとも一つ以上作成する異常スコアベクトル作成手段と、前記異常スコアベクトルが示す副作用の蓋然性を所定の規則に基づいて判断し、当該蓋然性が予め定められた条件を満たす異常スコアベクトルを、副作用を示す情報として検出する副作用検出手段とを備えたことを特徴とする医療情報からの異常イベント抽出装置。
（付記２）副作用を示す情報として検出された異常スコアベクトル、または、当該異常スコアベクトルによって特定される医療データの特徴を抽出する特徴抽出手段を備えた付記１記載の異常イベント抽出装置。
（付記３）副作用の分析に用いられる情報であるフィードバック情報を入力するフィードバック情報入力手段を備え、前記フィードバック情報入力手段は、フィードバック情報として、異常スコアを算出する際に用いられる情報と、異常スコアベクトルを作成する際に用いられる情報と、副作用を検出する際に用いられる情報のうちの少なくとも一つの情報を入力し、異常スコア算出手段は、異常スコアを算出する際に用いられる情報がフィードバック情報として入力された場合に、当該情報に基づいて異常スコアを算出し、異常スコアベクトル作成手段は、異常スコアベクトルを作成する際に用いられる情報がフィードバック情報として入力された場合に、当該情報に基づいて異常スコアベクトルを作成し、副作用検出手段は、副作用を検出する際に用いられる情報がフィードバック情報として入力された場合に、当該情報に基づいて副作用を検出する付記１または付記２記載の異常イベント抽出装置。
（付記４）フィードバック情報入力手段は、フィードバック情報として、特徴を抽出する際に用いられる情報を入力し、特徴抽出手段は、特徴を抽出する際に用いられる情報がフィードバック情報として入力された場合、当該情報に基づいて特徴を抽出する付記３記載の異常イベント抽出装置。
（付記５）フィードバック情報入力手段は、異常スコアを算出する際に用いられる情報として、異常スコアを検出する新たな処理を示す情報を入力し、異常スコア算出手段は、前記処理がフィードバック情報として入力された場合に、当該処理に基づいて異常スコアを算出する付記３または付記４記載の異常イベント抽出装置。
（付記６）副作用を示す複数の情報を統合する副作用統合手段を備え、異常スコアベクトル作成手段は、複数の異常スコアベクトルを生成し、副作用検出手段は、少なくとも１種類以上の規則に基づいて異常スコアベクトルごとに副作用の蓋然性を判断し、前記副作用統合手段は、前記副作用検出手段により副作用を示す情報として検出された異常スコアベクトルを統合する付記１から付記５のうちのいずれか１つに記載の異常イベント抽出装置。
（付記７）異常スコア算出手段は、外れ値検出手法または変化点検出手法を用いることにより、同種の医療データの中から特異な医療データを抽出する付記１から付記６のうちのいずれか１つに記載の異常イベント抽出装置。
（付記８）副作用検出手段は、異常スコアベクトルに紐づいている医療データに基づいて当該異常スコアベクトルにラベル付けを行い、ラベル付けされた異常スコアベクトルを用いて、副作用の蓋然性を判断する分類モデルを学習し、当該分類モデルを用いて副作用を示す情報に分類された異常スコアベクトルを検出する付記１から付記７のうちのいずれか１つに記載の異常イベント抽出装置。
（付記９）異常スコア算出手段は、予め定められたルールに一致するか否かを判定することにより特異な情報を抽出する付記１から付記６のうちのいずれか１つに記載の異常イベント抽出装置。
（付記１０）医療データの異常性を示す情報である異常スコアを、各医療データの特異性に基づいて算出し、前記異常スコアを統合した情報である異常スコアベクトルを少なくとも一つ以上作成し、前記異常スコアベクトルが示す副作用の蓋然性を所定の規則に基づいて判断し、当該蓋然性が予め定められた条件を満たす異常スコアベクトルを、副作用を示す情報として検出することを特徴とする医療情報からの異常イベント抽出方法。
（付記１１）副作用を示す情報として検出された異常スコアベクトル、または、当該異常スコアベクトルによって特定される医療データの特徴を抽出する付記１０記載の異常イベント抽出方法。
（付記１２）コンピュータに、医療データの異常性を示す情報である異常スコアを、各医療データの特異性に基づいて算出する異常スコア算出処理、前記異常スコアを統合した情報である異常スコアベクトルを少なくとも一つ以上作成する異常スコアベクトル作成処理、および、前記異常スコアベクトルが示す副作用の蓋然性を所定の規則に基づいて判断し、当該蓋然性が予め定められた条件を満たす異常スコアベクトルを、副作用を示す情報として検出する副作用検出処理を実行させるための医療情報からの異常イベント抽出プログラム。
（付記１３）コンピュータに、副作用を示す情報として検出された異常スコアベクトル、または、当該異常スコアベクトルによって特定される医療データの特徴を抽出する特徴抽出処理を実行させる付記１２記載の異常イベント抽出プログラム。
　以上、実施形態及び実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　この出願は、２０１０年６月２８日に出願された日本特許出願２０１０－１４６６８０を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　本発明は、医療情報から異常イベントを抽出する異常イベント抽出装置に好適に適用される。
１００，２００，３００　副作用検出装置
１０１　入力装置
１０２　入力データ記憶部
１０３　異常スコアベクトル生成手段
１０４　副作用検出手段
１０５，２０２　出力装置
１０８　拡張副作用検出手段
１１１，１１２　異常検出手段
１１５　異常スコア統合手段
１２３，１２４　副作用検出手段
１２５　副作用検出結果統合手段
２０１　特徴抽出手段
３０１　異常スコアベクトル生成手段
３０２　拡張副作用検出手段
３０３　拡張特徴抽出手段
３０４　副作用検出結果記憶部
３０５　フィードバック記憶部
３０６　フィードバック入力装置
３１１　第一フィードバック反映手段
３２１　第二フィードバック反映手段
３３１　第三フィードバック反映手段

Claims (10)

  1. 　医療データの異常性を示す情報である異常スコアを、各医療データの特異性に基づいて算出する異常スコア算出手段と、
    　前記異常スコアを統合した情報である異常スコアベクトルを少なくとも一つ以上作成する異常スコアベクトル作成手段と、
    　前記異常スコアベクトルが示す副作用の蓋然性を所定の規則に基づいて判断し、当該蓋然性が予め定められた条件を満たす異常スコアベクトルを、副作用を示す情報として検出する副作用検出手段とを備えた
    　ことを特徴とする医療情報からの異常イベント抽出装置。
  2. 　副作用を示す情報として検出された異常スコアベクトル、または、当該異常スコアベクトルによって特定される医療データの特徴を抽出する特徴抽出手段を備えた
    　請求項１記載の異常イベント抽出装置。
  3. 　副作用の分析に用いられる情報であるフィードバック情報を入力するフィードバック情報入力手段を備え、
    　前記フィードバック情報入力手段は、フィードバック情報として、異常スコアを算出する際に用いられる情報と、異常スコアベクトルを作成する際に用いられる情報と、副作用を検出する際に用いられる情報のうちの少なくとも一つの情報を入力し、
    　異常スコア算出手段は、異常スコアを算出する際に用いられる情報がフィードバック情報として入力された場合に、当該情報に基づいて異常スコアを算出し、
    　異常スコアベクトル作成手段は、異常スコアベクトルを作成する際に用いられる情報がフィードバック情報として入力された場合に、当該情報に基づいて異常スコアベクトルを作成し、
    　副作用検出手段は、副作用を検出する際に用いられる情報がフィードバック情報として入力された場合に、当該情報に基づいて副作用を検出する
    　請求項１または請求項２記載の異常イベント抽出装置。
  4. 　フィードバック情報入力手段は、フィードバック情報として、特徴を抽出する際に用いられる情報を入力し、
    　特徴抽出手段は、特徴を抽出する際に用いられる情報がフィードバック情報として入力された場合、当該情報に基づいて特徴を抽出する
    　請求項３記載の異常イベント抽出装置。
  5. 　フィードバック情報入力手段は、異常スコアを算出する際に用いられる情報として、異常スコアを検出する新たな処理を示す情報を入力し、
    　異常スコア算出手段は、前記処理がフィードバック情報として入力された場合に、当該処理に基づいて異常スコアを算出する
    　請求項３または請求項４記載の異常イベント抽出装置。
  6. 　副作用を示す複数の情報を統合する副作用統合手段を備え、
    　異常スコアベクトル作成手段は、複数の異常スコアベクトルを生成し、
    　副作用検出手段は、少なくとも１種類以上の規則に基づいて異常スコアベクトルごとに副作用の蓋然性を判断し、
    　前記副作用統合手段は、前記副作用検出手段により副作用を示す情報として検出された異常スコアベクトルを統合する
    　請求項１から請求項５のうちのいずれか１項に記載の異常イベント抽出装置。
  7. 　異常スコア算出手段は、外れ値検出手法または変化点検出手法を用いることにより、同種の医療データの中から特異な医療データを抽出する
    　請求項１から請求項６のうちのいずれか１項に記載の異常イベント抽出装置。
  8. 　副作用検出手段は、異常スコアベクトルに紐づいている医療データに基づいて当該異常スコアベクトルにラベル付けを行い、ラベル付けされた異常スコアベクトルを用いて、副作用の蓋然性を判断する分類モデルを学習し、当該分類モデルを用いて副作用を示す情報に分類された異常スコアベクトルを検出する
    　請求項１から請求項７のうちのいずれか１項に記載の異常イベント抽出装置。
  9. 　医療データの異常性を示す情報である異常スコアを、各医療データの特異性に基づいて算出し、
    　前記異常スコアを統合した情報である異常スコアベクトルを少なくとも一つ以上作成し、
    　前記異常スコアベクトルが示す副作用の蓋然性を所定の規則に基づいて判断し、当該蓋然性が予め定められた条件を満たす異常スコアベクトルを、副作用を示す情報として検出する
    　ことを特徴とする医療情報からの異常イベント抽出方法。
  10. 　コンピュータに、
    　医療データの異常性を示す情報である異常スコアを、各医療データの特異性に基づいて算出する異常スコア算出処理、
    　前記異常スコアを統合した情報である異常スコアベクトルを少なくとも一つ以上作成する異常スコアベクトル作成処理、および、
    　前記異常スコアベクトルが示す副作用の蓋然性を所定の規則に基づいて判断し、当該蓋然性が予め定められた条件を満たす異常スコアベクトルを、副作用を示す情報として検出する副作用検出処理
    　を実行させるための医療情報からの異常イベント抽出プログラム。
PCT/JP2011/003587 2010-06-28 2011-06-23 医療情報からの異常イベント抽出装置、方法及びプログラム Ceased WO2012001920A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2012522452A JP5900333B2 (ja) 2010-06-28 2011-06-23 医療情報からの異常イベント抽出装置、方法及びプログラム
US13/806,939 US9269118B2 (en) 2010-06-28 2011-06-23 Device, method, and program for extracting abnormal event from medical information

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2010-146680 2010-06-28
JP2010146680 2010-06-28

Publications (1)

Publication Number Publication Date
WO2012001920A1 true WO2012001920A1 (ja) 2012-01-05

Family

ID=45401664

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2011/003587 Ceased WO2012001920A1 (ja) 2010-06-28 2011-06-23 医療情報からの異常イベント抽出装置、方法及びプログラム

Country Status (3)

Country Link
US (1) US9269118B2 (ja)
JP (1) JP5900333B2 (ja)
WO (1) WO2012001920A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015079705A1 (ja) 2013-11-28 2015-06-04 富士フイルム株式会社 診療情報処理装置および方法並びにプログラム

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10587487B2 (en) * 2015-09-23 2020-03-10 International Business Machines Corporation Selecting time-series data for information technology (IT) operations analytics anomaly detection
JP6647824B2 (ja) * 2015-09-25 2020-02-14 三菱重工業株式会社 異常診断システム及び異常診断方法
US10452665B2 (en) * 2017-06-20 2019-10-22 Vmware, Inc. Methods and systems to reduce time series data and detect outliers
CN113869387B (zh) * 2021-09-18 2024-09-06 平安科技（深圳）有限公司 基于人工智能技术的异常医保报销识别方法及系统
CN113822365B (zh) * 2021-09-28 2023-09-05 北京恒生芸泰网络科技有限公司 基于区块链技术的医疗数据存储及大数据挖掘方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007122418A (ja) * 2005-10-28 2007-05-17 Bioinformatics Institute For Global Good Inc 予測方法、予測装置および予測プログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002015061A (ja) 2000-04-28 2002-01-18 Ifusion Technologies Inc 臨床試験実施管理システム
US6993402B2 (en) 2001-02-28 2006-01-31 Vigilanz Corporation Method and system for identifying and anticipating adverse drug events
US20110082867A1 (en) * 2009-10-06 2011-04-07 NeX Step, Inc. System, method, and computer program product for analyzing drug interactions

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007122418A (ja) * 2005-10-28 2007-05-17 Bioinformatics Institute For Global Good Inc 予測方法、予測装置および予測プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YASUHIDE MIURA ET AL.: "Denshi Karute kara no Fukusayo Kankei no Jido Chushutsu", PROCEEDINGS OF THE 16TH ANNUAL MEETING OF THE ASSOCIATION FOR NATURAL LANGUAGE PROCESSING, 8 March 2010 (2010-03-08), pages 78 - 81 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015079705A1 (ja) 2013-11-28 2015-06-04 富士フイルム株式会社 診療情報処理装置および方法並びにプログラム

Also Published As

Publication number Publication date
US9269118B2 (en) 2016-02-23
JPWO2012001920A1 (ja) 2013-08-22
US20130166572A1 (en) 2013-06-27
JP5900333B2 (ja) 2016-04-06

Similar Documents

Publication Publication Date Title
Dev et al. A predictive analytics approach for stroke prediction using machine learning and neural networks
JP5900334B2 (ja) フィードバック情報を用いた医療情報からの異常イベント抽出装置、方法およびプログラム
US11748384B2 (en) Determining an association rule
US20200161005A1 (en) Location-based medical scan analysis system
JP5900333B2 (ja) 医療情報からの異常イベント抽出装置、方法及びプログラム
US20160012544A1 (en) Insurance claim validation and anomaly detection based on modus operandi analysis
WO2022251462A1 (en) Unsupervised anomaly detection with self-trained classification
Dalakleidi et al. Comparative assessment of statistical and machine learning techniques towards estimating the risk of developing type 2 diabetes and cardiovascular complications
US20170316180A1 (en) Behavior prediction apparatus, behavior prediction apparatus controlling method, and behavior prediction apparatus controlling program
Boididou et al. Learning to detect misleading content on twitter
US20250285761A1 (en) Clinical decision support system using phenotypic features
Duggal et al. Impact of selected pre-processing techniques on prediction of risk of early readmission for diabetic patients in India
Reetz et al. Expert system based fault diagnosis for railway point machines
AU2019206078A1 (en) Intelligent persona generation
Mondal et al. Predictive analytics for chronic disease management: A machine learning approach to early intervention and personalised treatment
Janaraniani et al. Heart attack prediction using machine learning
Rogers et al. Optimizing the implementation of clinical predictive models to minimize national costs: sepsis case study
Verma et al. A machine learning-based predictive model for 30-day hospital readmission prediction for COPD patients
CN111383726B (zh) 电子病历数据处理方法、装置、电子设备及可读介质
Sajid et al. A new approach of anomaly detection in shopping center surveillance videos for theft prevention based on RLCNN model
CN118475919B (zh) 基于子模型性能的模型验证
Bhupalem et al. Accurate machine learning algorithms for monkey pox detection
Hisham et al. Suicide prediction using machine learning techniques and interactive visualization of suicide information
Bhatia Digital Twin-Inspired Anxiety Detection for Smart Office Healthcare
JP7349383B2 (ja) 特性分析システム及び特性分析方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11800392

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2012522452

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 13806939

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 11800392

Country of ref document: EP

Kind code of ref document: A1