WO2016157314A1 - 計算機システム、及び、情報処理方法 - Google Patents

計算機システム、及び、情報処理方法 Download PDF

Info

Publication number
WO2016157314A1
WO2016157314A1 PCT/JP2015/059703 JP2015059703W WO2016157314A1 WO 2016157314 A1 WO2016157314 A1 WO 2016157314A1 JP 2015059703 W JP2015059703 W JP 2015059703W WO 2016157314 A1 WO2016157314 A1 WO 2016157314A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
medical
disease
indicating
processor
Prior art date
Application number
PCT/JP2015/059703
Other languages
English (en)
French (fr)
Inventor
木戸　邦彦
洋子 大瀧
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to EP15887467.7A priority Critical patent/EP3276570A4/en
Priority to JP2017508847A priority patent/JP6272555B2/ja
Priority to US15/510,375 priority patent/US10423758B2/en
Priority to PCT/JP2015/059703 priority patent/WO2016157314A1/ja
Publication of WO2016157314A1 publication Critical patent/WO2016157314A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Definitions

  • the present invention relates to a computer system and an information processing method.
  • Information related to medical events such as prescriptions and disease names is indispensable for the process of counting related costs for each disease name. It is necessary to extract a relationship table between disease names and medical events from a clinical information database by statistical processing. However, since complications are mixed in cases, it is difficult to separate the relationship between complications and medical events. Especially for chronic diseases that are highly likely to coexist with the main disease, the co-occurrence of the main medical event and the main disease and the chronic disease is similar, so the relationship between the main disease and the clinical event and the chronic disease It is difficult to identify the relationship between and clinical events.
  • the present invention is a computer system, which includes a processor and a memory, and the processor displays a plurality of cases indicating a patient's disease and a medical event performed on the patient.
  • Obtaining clinical information including, obtaining literature information including literature indicating the name of the disease and a word representing the medical event, and calculating a frequency indicating a combination of a plurality of diseases based on the clinical information.
  • Storing the information in the memory analyzing the document information using each of the disease name and the words representing the medical event, storing the analysis result in the memory, and determining the disease in which the medical event has occurred.
  • the relationship between a disease name and a medical event can be extracted with high accuracy even for clinical information in which complications are mixed. Problems, configurations, and effects other than those described above will be clarified by the following description of embodiments.
  • FIG. 1 is a block diagram showing functions of the computer system 100 of this embodiment.
  • the computer system 100 includes a clinical information DB 101, a medical literature DB 102, a medical dictionary 113, an input unit 114, a case analysis unit 103, a medical literature analysis unit 104, a result synthesis unit 106, and an output unit 107.
  • a person who receives a medical examination and medical prescription such as surgery and a medicine prescription at a facility is described as a patient.
  • the patients of this embodiment include humans and animals.
  • the medical treatment event of this embodiment is a word indicating medical care other than the disease name, and includes, for example, medical practice, prescribed medicine, and medical instruments (catheter, gastrocamera) used.
  • the disease of a present Example shows the state of a patient's physical and mental disorder, For example, myocardial infarction, diabetes, stomach cancer, depression, a fracture, etc. are included.
  • the medical treatment in this embodiment indicates all medical actions such as diagnosis, treatment, and prescription.
  • the facilities in the present embodiment include not only hospitals and clinics but also all places where medical workers may perform medical treatments on patients, such as homes, welfare facilities, and ambulances.
  • the clinical information DB 101 includes cases in which the patient has received medical care at the facility, and the name of the disease that the patient suffered from.
  • the clinical information DB 101 is updated by an operator or administrator (hereinafter referred to as an operator) of the computer system 100 of the present embodiment.
  • the medical literature DB 102 includes the content of medical literature, and includes, for example, the content of medical books and papers describing treatment methods.
  • the medical dictionary 113 shows medical-related words.
  • the medical literature DB 102 and the medical dictionary 113 are updated in advance by an operator or the like.
  • the case analysis unit 103 is a functional unit that obtains an adaptive relationship between a disease name and a medical event based on the clinical information DB 101.
  • the adaptive relationship of the present embodiment indicates the degree to which a medical event is given to the patient when the patient suffers from the disease indicated by the disease name, and indicates whether or not the medical event is performed for the disease.
  • the medical literature analysis unit 104 is a functional unit that obtains an adaptive relationship between a disease name and a medical event based on the medical literature DB 102 or based on the medical literature DB 102 and the clinical information DB 101.
  • the result synthesis unit 106 is a functional unit that synthesizes the processing result of the case analysis unit 103 and the processing result of the medical literature analysis unit 104.
  • the output unit 107 is a functional unit that outputs medical knowledge indicating the relationship between a disease name and a medical event to an operator or user of the computer system 100 according to the present embodiment based on the processing result of the result synthesis unit 106.
  • the input unit 114 is a functional unit for receiving, from an operator or the like, a criterion for determining an adaptive relationship between a medical event and a disease name.
  • the case analysis unit 103 includes an information gain calculation unit 108 and a complication selection unit 109.
  • the information gain calculation unit 108 is a functional unit that obtains the frequency at which a patient suffering from a disease with a disease name has received a medical event based on the clinical information DB 101 and obtains the relationship between the disease name and the medical event based on the frequency. .
  • the complication selection unit 109 is a functional unit that calculates an index (complication evaluation index) indicating whether a plurality of diseases is a complication based on the clinical information DB 101.
  • the medical literature analysis unit 104 includes a model construction unit 110, a discriminant analysis unit 111, and a co-occurrence analysis unit 112.
  • the model construction unit 110 is a functional unit that generates a determination model for determining whether a disease name and a medical event are related based on the medical literature DB 102 and input values from the input unit 114.
  • the discriminant analysis part 111 calculates
  • the co-occurrence analysis unit 112 obtains an adaptive relationship between a disease name and a medical event based on the medical literature DB 102.
  • FIG. 2 is a block diagram showing a physical configuration of the computer system 100 of this embodiment.
  • the computer system 100 of this embodiment is configured by at least one computer.
  • the computer system 100 includes a processor 121, a memory 122, an auxiliary storage device 123, and an IO interface 124.
  • the computer system 100 implements the functions of the case analysis unit 103, the medical literature analysis unit 104, the result synthesis unit 106, and the output unit 107 illustrated in FIG. 1 by the processor executing the program stored in the memory 122.
  • the function of the information gain calculation unit 108 is realized by processing by the information gain calculation program
  • the function of the discriminant analysis unit 111 is realized by processing by the discriminant analysis program.
  • the memory 122 includes a ROM that is a nonvolatile storage element and a RAM that is a volatile storage element.
  • the ROM stores data such as an invariant program (for example, BIOS).
  • the RAM is a high-speed and volatile storage element such as a DRAM (Dynamic Random Access Memory), and temporarily stores a program stored in the auxiliary storage device 123 and data used when the program is executed.
  • the auxiliary storage device 123 is a large-capacity non-volatile storage device such as a magnetic storage device (HDD) or a flash memory (SSD). Further, the auxiliary storage device 123 stores a program executed by the processor 121 and data (for example, a complication evaluation index described later) used when the program is executed.
  • HDD magnetic storage device
  • SSD flash memory
  • the program for implementing the functional unit of this embodiment is read from the auxiliary storage device 123, loaded into the memory 122, and executed by the processor 121.
  • the auxiliary storage device 123 stores the clinical information DB 101, the medical literature DB 102, and the medical dictionary 113 as data, and further stores the processing results by each functional unit.
  • the program executed by the processor 121 is provided to the computer system 100 via a removable medium (CD-ROM, flash memory, etc.) or a network, and stored in the auxiliary storage device 123. Therefore, the computer system 100 may have an interface for reading data from a removable medium.
  • the IO interface 124 is an interface for connecting to an input device and an output device.
  • the input device is a keyboard or a mouse
  • the output device is a display or a printer.
  • the input device and the output device may be one device such as a tablet terminal.
  • the operator of the computer system 100 of this embodiment inputs the program and data of the computer system 100 via the input device.
  • the operator or user acquires the generated medical information (medical knowledge in the present embodiment) via the output device.
  • the computer system 100 is a computer system that is physically configured on one computer, or logically or physically on a plurality of computers, and the above-described program operates in separate threads on the same computer. Alternatively, it may operate on a virtual machine built on a plurality of physical computer resources.
  • FIG. 3 is a flowchart showing an outline of processing of the computer system 100 of this embodiment.
  • the computer system 100 generates information indicating the relationship between a disease name and a medical event by three methods, and generates medical knowledge using these information. Specifically, the information gain calculation unit 108 generates an information gain matrix (131), the discriminant analysis unit 111 generates a discriminant analysis result matrix (132), and the co-occurrence analysis unit 112 generates a co-occurrence frequency matrix. (133).
  • the result synthesis unit 106 generates a disease name medical care event related table using the information gain matrix, the discriminant analysis result matrix, and the co-occurrence frequency matrix (134).
  • the disease name medical event related table is medical knowledge indicating a relationship between a disease and a medical event.
  • the output unit 107 outputs the information generated based on the disease name medical event related table to the operator or the medical staff (135).
  • the result synthesis unit 106 may generate a disease name medical event association table using at least one of an information gain matrix, a discriminant analysis result matrix, and a co-occurrence frequency matrix.
  • the result synthesizing unit 106 generates the disease name medical event related table using only the discriminant analysis result matrix, thereby using both the clinical information DB 101 and the medical literature DB 102 to generate the disease name medical event related table. Can be generated.
  • the result synthesis unit 106 uses the discriminant analysis result matrix, the information gain matrix, and the co-occurrence frequency matrix to generate the disease name medical event relation table, thereby obtaining the disease name and the medical event. It is possible to generate highly institutional information that shows the relationship between
  • FIG. 4 is an explanatory diagram showing the clinical information DB 101 of this embodiment.
  • the clinical information DB 101 includes a medical event management table 201 and a disease name management table 206.
  • the medical event management table 201 shows a history of patients receiving medical events at the facility.
  • the disease name management table 206 indicates the names of the patient's diseases.
  • the medical event management table 201 includes a case ID 202, a patient ID 203, a date 204, and a medical event name 205.
  • Case ID 202 is an ID assigned to a case.
  • the case ID 202 is arbitrarily assigned by the operator of this embodiment.
  • the case in this embodiment is a history of a series of medical events that the patient receives at the facility, and includes, for example, a history of medical events in hospitalization, a history of medical events in hospital visits, and a history of first aid treatment.
  • One case ID is assigned to a series of medical events. For example, when a patient stays in a hospital for a predetermined period, the operator assigns a unique case ID to the hospitalization for the predetermined period. For example, when a patient does not stay but visits a hospital every day for a predetermined period, the operator assigns a unique case ID to the hospital for the predetermined period.
  • Patient ID 203 is an ID assigned to a patient who receives a medical event.
  • the date 204 indicates the date when the medical event indicated by the medical event name 205 is started.
  • the medical event name 205 indicates a medical event that ends in one day
  • the date 204 indicates the date on which the medical event is performed. For example, if drug administration starts on the second day of the hospitalization period, the date 204 indicates the second day of the hospitalization period.
  • the medical event name 205 indicates a medical event performed on the patient. When two or more medical events are started on the same day, a record may be generated for each medical event.
  • the medical event name 205 is, for example, injection, examination, surgery, prescription, and treatment.
  • the disease name management table 206 includes a case ID 207, a patient ID 208, and a disease name 209.
  • the case ID 207 is an ID assigned to a case.
  • Case ID 207 corresponds to case ID 202.
  • patient ID 208 is an ID assigned to a patient.
  • Patient ID 208 corresponds to patient ID 203.
  • the disease name 209 is a name of a disease that is a cause of giving medical care to the patient in the case indicated by the case ID 207.
  • the disease in this embodiment is a disease handled by medical departments in all medical fields such as internal medicine, surgery, and ophthalmology.
  • FIG. 5 is an explanatory diagram showing the medical dictionary 113 of the present embodiment.
  • the medical dictionary 113 of this embodiment classifies disease names and words other than disease names.
  • the medical dictionary 113 includes a classification 301 and a name 302.
  • the classification 301 indicates the classification of the name 302, and indicates a disease name and a classification name other than the disease name.
  • Classification names other than disease names include prescription names, injection names, examination names, surgery names, and treatment names.
  • a name 302 indicates a name used in medical treatment.
  • the information gain calculation unit 108, the model construction unit 110, the discriminant analysis unit 111, and the co-occurrence analysis unit 112 obtain a disease name by referring to the medical dictionary 113, and further perform medical treatment from a name indicating medical treatment other than the disease name. Get words that describe the event.
  • the computer system 100 of this embodiment can define names corresponding to disease names and medical events according to the medical dictionary 113.
  • FIG. 6 is a flowchart showing processing by the information gain calculation unit 108 of the present embodiment.
  • the information gain calculation unit 108 reads out case data from the clinical information DB 101 (401).
  • the case data is all records in the medical treatment event management table 201 and all records in the disease name management table 206.
  • the information gain calculation unit 108 reads the case data into the memory 122.
  • the information gain calculation unit 108 generates a bit string indicating whether each case indicated by the clinical information DB 101 includes the target disease name i in the read disease name management table 206 (402).
  • the target disease name i is one disease name selected from among the disease names indicated by the name 302 in all records in which the classification 301 of the medical dictionary 113 indicates the disease name.
  • the information gain calculation unit 108 selects all disease names from the medical dictionary 113 and generates a bit string for each selected disease name.
  • the information gain calculation unit 108 of the present embodiment associates one bit with one case ID 207 in step 402.
  • the information gain calculation unit 108 stores 1 in the bit corresponding to the case ID 207 and includes the target disease name i. If not, 0 is stored in the bit corresponding to the case ID 207.
  • FIG. 7 is an explanatory diagram showing a result of processing by the information gain calculation unit 108 of the present embodiment.
  • step 402 the information gain calculation unit 108 generates the bit string 501 shown in FIG.
  • the information gain calculation unit 108 divides the bit string 501 into a bit string 502 indicating a case where the target medical event E is performed and a bit string 503 indicating a case where the target medical event E is performed. Generate (403).
  • the target medical treatment event E is one word selected from the name 302 whose classification 301 in the medical dictionary 113 is other than the disease name.
  • the information gain calculation unit 108 generates a bit string 502 and a bit string 503 for each target medical event E among medical events that are words other than the disease name.
  • the information gain calculation unit 108 specifically identifies a record in the medical event management table 201 in which the case ID 207 and the case ID 202 are the same. Then, the information gain calculation unit 108 extracts a bit corresponding to the case ID 207 including the target medical event E in the medical event name 205 of the identified record, and generates a bit string 502 including only the extracted bit.
  • the information gain calculation unit 108 extracts the bit corresponding to the case ID 207 in which the target medical event E is not included in the medical event name 205 of the identified record from the bit string 501 and generates a bit string 503 including only the extracted bit. .
  • the information gain calculation unit 108 calculates an information gain matrix indicating a medical treatment event that is particularly performed on the disease name (404). Specifically, the information gain calculation unit 108 calculates the information gain 504 from the bit string 501, calculates the information gain 505 from the bit string 502, and calculates the information gain 506 from the bit string 503 using probabilistic complexity.
  • the information gain calculation unit 108 calculates the information gains 504, 505, and 506 using the following equation (1).
  • I (i, E, x) min ⁇ m1, m ⁇ m1 ⁇ + ⁇ (mlogm) (M: total number of bits included in bit string, number of occurrences of m1: 1, ⁇ : weighting of right term) (1)
  • the information gain 504 is I (i, E, 1)
  • the information gain 505 is I (i, E, 2)
  • the information gain 506 is I (i, E, 3).
  • the information gains 504, 505, and 506 are two-dimensional matrices of the disease name i and the medical event E.
  • the information gain 504 (I (i, E, 1)) is not dependent on the medical treatment event E and is calculated only according to the disease name i. For this reason, the information gain calculation unit 108 uses the value of I (i, E, 1) calculated for one disease name i as I (i, E, 1) based on a combination of one disease name i and all the medical events E. Duplicate in 1).
  • the information gain calculation unit 108 generates the information gain matrix IG (i, E) using the information gains 504, 505, and 506 and the equation (2).
  • An information gain matrix 507 illustrated in FIG. 7 represents an information gain matrix based on Expression (2).
  • IG (i, E) I (i, E, 1)-(I (i, E, 2) + I (i, E, 3)) (2)
  • the information gain matrix IG (i, E) is a matrix for expressing whether the medical treatment event E is specific only to the disease name i (particularly given).
  • infusion is a drug that is often used in any disease.
  • the value of the information gain 505 calculated for the infusion becomes extremely large.
  • the right term ( ⁇ (mlogm)) increases, the value of the information gain I (i, (infusion), 2) increases, and the value of the information gain matrix IG (i, (infusion)) Get smaller.
  • the information gain matrix IG (i, (infusion)) is small, the combination of the disease name i and the infusion is not specific.
  • the information gain calculation unit 108 stores the calculated information gain matrix IG (i, E) in the memory 122 or the auxiliary storage device 123.
  • the information gain calculation unit 108 generates the information gain matrix IG (i, E), so that the matrix indicating the relationship between the disease name i and the medical event E based only on the clinical information DB 101 is used to generate the disease name medical event related table. Can be used.
  • FIG. 8 is an explanatory diagram showing the information gain matrix IG (i, E) of the present embodiment.
  • the 8 is an example of the information gain matrix IG (i, E), the column 1102 is a disease name, and the row 1103 is a medical event.
  • FIG. 9 is a flowchart showing the processing of the complication selecting unit 109 of the present embodiment.
  • the complication selection unit 109 reads the case data from the clinical information DB 101 to the memory 122 as in step 401 (601).
  • the complication selection unit 109 can determine that the disease name i1 and the disease name i2 are complications in the number of days k elapsed from the date t0 based on the following formula (3) and case data: A complication evaluation index T, which is an index indicating the above, is calculated (602). Thus, the complication selection unit 109 can calculate an index for determining whether the disease name i1 and the disease name i2 are complications.
  • the elapsed period k is either the number of days a0 or the number of days a1.
  • the date t0 is the earliest date among the dates indicated by the date 204 in the medical care event management table 201 in this embodiment, but may be specified by the operator.
  • the number of days a0 and the number of days a1 are input in advance by the operator.
  • T (i1, i2, k) (Number of cases including both disease name i1 and disease name i2 in the period from date t0 until the number of days k has passed) / Max (number of cases including at least disease name i1 in the period from date t0 until the number of days k has elapsed, date The number of cases including at least the disease name i2 in the period from t0 to the number of days k) (3)
  • the complication evaluation index T indicates the frequency with which both the disease name i1 and the disease name i2 are included in one case.
  • the disease name i1 and the disease name i2 are all the records 302 in which the classification 301 of the medical dictionary 113 is a disease name, and are the names 302 of the identified records. Further, the complication selection unit 109 may calculate the complication evaluation index T for three or more disease names. In this case, the complication selection unit 109 calculates the complication evaluation index T by dividing the number of cases including a plurality of disease names by the maximum value of the number of cases including at least one disease name.
  • the complication selection unit 109 identifies records included in the period from the date t0 until the number k of days elapses from the date t0 in the medical care event management table 201, and the case ID 202 and the case ID 207 of the identified records Identifies the records of the same disease name management table 206. Then, the complication selecting unit 109 obtains the number of cases including both the disease name i1 and the disease name i2, the number of cases including at least the disease name i1, and the number of cases including at least the disease name i2 using the records of the specified disease name management table 206. .
  • the complication selection unit 109 includes a complication evaluation index T (i1, i2, a0) when the number of days k is the number of days a0, and a complication evaluation index T (i1, i2, a1) when the number of days k is the number of days a1. ) Is calculated.
  • the complication selection unit 109 stores the calculated complication evaluation index T in the memory 122 or the auxiliary storage device 123.
  • the complication selection unit 109 compares the calculated complication evaluation index T (i1, i2, k) with a predetermined threshold value, and calculates a complication evaluation index T higher than the predetermined threshold name i1. And the disease name i2 are selected as a combination of complications.
  • the complication selection unit 109 stores the selected combination of complications in the memory 122 or the auxiliary storage device 123.
  • FIG. 10 is a flowchart showing processing by the model construction unit 110 of the present embodiment.
  • the model construction unit 110 collects a medical literature document file (for example, a file containing the contents of a paper, a book, etc.) including all of the disease name i1, the disease name i2, and the medical treatment event E from the medical literature DB 102 (701). Specifically, a document file including all the names of the disease name i1, the disease name i2, and the medical treatment event E is specified by full-text search from the text of the medical document held in the medical document DB 102.
  • a medical literature document file for example, a file containing the contents of a paper, a book, etc.
  • a document file including all the names of the disease name i1, the disease name i2, and the medical treatment event E is specified by full-text search from the text of the medical document held in the medical document DB 102.
  • the disease name i1 and the disease name i2 are disease names selected from the record name 302 whose classification 301 in the medical dictionary 113 is the disease name.
  • the medical event E is a name selected from the record name 302 in which the classification 301 of the medical dictionary 113 is a classification other than the disease name.
  • the model construction unit 110 receives the medically correct adaptive relationship of the disease name i1, the disease name i2, and the medical treatment event E input by the operator via the input unit 114 (702).
  • the change S is calculated using the following equation (4) (703).
  • the index change S (i1, i2) is a time change amount of the complication evaluation index T.
  • the model construction unit 110 can calculate an index indicating the change in the occurrence status of complications over time by calculating the index change S using Expression (4).
  • the index change S (i1, i2) is a numerical value close to 0, that is, when the elapsed period increases from the number of days a0 to the number of days a1, and the number of cases increases, the complication evaluation index T (i1, i2, k) If it does not change, either disease name i1 or disease name i2 is likely a chronic disease such as diabetes. For example, patients with heart disease have a high probability of having a chronic disease such as hypertension or diabetes.
  • the index change S (i1, i2) is greater than or equal to a predetermined threshold, it is highly likely that either the disease name i1 or the disease name i2 is an acute complication that occurs during hospitalization. For example, an infection that occurs after surgery is given as an example. Infectious diseases occur at a predetermined rate, but do not co-occur as much as chronic diseases, and thus the value of the index change S (i1, i2) increases.
  • the elapsed period k is two, the number of days a0 and the number of days a1, but the elapsed period k may be three or more days.
  • the index change S may be an average value of the time change amount of the complication evaluation index T or a statistical value such as a maximum value.
  • the complication selection unit 109 uses the following methods 1 to 4 by syntactic analysis for each index change S (i1, i2) calculated in step 703 and for each document file read in step 701. Then, a feature vector is generated (704).
  • the feature vector according to method 1 is a three-dimensional vector of (verb prototype / adjective / noun, 1/0 / -1, S).
  • the feature vector according to method 2 is a three-dimensional vector of (verb prototype / adjective / noun, 1/0 / -1, S).
  • the feature vector according to method 3 is a four-dimensional vector of (verb prototype / adjective / noun, 1/0 / -1, 1/0 / -1, S).
  • Method 4 Store the original form of the verb of the sentence including both the disease name i2 and the medical event E in the first component (if the verb is a be verb, an adjective or noun that is a complement), and store the disease name in the second component
  • the feature vector according to method 4 is a four-dimensional vector of (verb prototype / adjective / noun, 1/0 / -1, 1/0 / -1, S).
  • the disease name i1 is “ST-segment elaboration myocardial information (STEMI)”
  • the disease name i2 is “diabetes”
  • the medical event E is “percutaneous coronary intervention (PCI)”
  • the index change S (i1, i2) is temporarily 0.1.
  • the document file acquired from the medical literature DB 102 includes “ST-segment elevation myocardial information (STEMI) who underwent primary percutaneous intervention (PCI)” and the main word is ent.
  • Event E is a predicate.
  • the model construction unit 110 generates a feature vector (undergo, 1, 0, 0.1) in this sentence using the method 3 described above.
  • medical literature literature file obtained from the DB102 is "patients with preinfarction AP was consistently observed across subgroups stratified by total ischemic time, initial Thrombolysis In Myocardial Infarction flow grade, hemodynamic status, infarct location, and diabetes mellitus.” If you include the The disease name i2 is neither a subject nor a predicate, and the verb is “stratified”.
  • the model construction unit 110 generates a feature vector (stratification, ⁇ 1, 0.1) in this sentence using the method 2 described above.
  • the index change S (i1, i2) is assumed to be 0.6.
  • model construction unit 110 uses the method 1 described above to generate a feature vector (occure, 1,0.6) for this sentence.
  • the model construction unit 110 generates a feature vector (associate, 1, 0, 0.6) in this sentence using the method 3 described above.
  • the sentence acquired from the medical literature DB 102 is “Ischemic stroke is a more common com- plication after an AMI”
  • the disease name i1 is the subject
  • the disease name i2 is a predicate
  • the noun that is a complement is “complication”.
  • the model construction unit 110 generates a feature vector (complicaton, 1, ⁇ 1, 0.6) in this sentence using the method 3 described above.
  • the discriminant model is generated (705). Then, the model construction unit 110 performs a discriminant analysis on the three-dimensional vector or the four-dimensional vector that is configured by the average of the discriminant distances of the methods 1 to 4, and generates a comprehensive discriminant model.
  • the discriminant model for discriminating whether the disease name i and the medical event E are adapted (whether the medical event E is given to the disease name i) is learned.
  • the discriminant analysis may be performed by a support vector machine because the feature vector has a high dimension, but may be performed by any method.
  • the model construction unit 110 associates the feature vector generated in step 704 with the adaptive relationship received in step 702, and converts the generated feature vector into the disease name i that has an adaptive relationship with the medical event E.
  • the feature vector is divided into a feature vector indicating a disease name i that does not have an adaptive relationship with the medical treatment event E.
  • the model construction unit 110 identifies a discriminant curve that is a boundary between the two feature vector groups generated as a result of the division, and stores the discriminant model and the discriminant curve in the memory 122 or the auxiliary storage device 123.
  • the discriminant analysis unit 111 to be described later determines whether or not the generated feature vector is a feature vector indicating a medical treatment event given to the disease name i, using the discriminant curve specified here.
  • step 705 the model construction unit 110 associates the feature vector generated by step method 1 and method 3 with the adaptive relationship between the disease name i1 and the medical event E, and assigns the disease name to the feature vector generated by method 2 and method 4.
  • the adaptive relationship between i2 and medical event E is made to correspond.
  • model construction unit 110 may not generate the discrimination model, and the operator may input the discrimination model.
  • FIG. 11 is a flowchart showing processing by the discriminant analysis unit 111 of this embodiment.
  • the discriminating / analyzing unit 111 reads a literature file of medical literature from the latest medical literature DB 102 (801).
  • the discriminant analysis unit 111 acquires the latest complication evaluation index T (i1, i2, k) calculated in step 602, and complications larger than a predetermined threshold from the acquired complication evaluation indexes T.
  • the evaluation index T is specified.
  • the discriminant analysis unit 111 calculates the index change S using the identified complication evaluation index T (i1, i2, k) and the equation (4) (802).
  • the complication evaluation index T acquired in step 802 may be different from the complication evaluation index T acquired by the model construction unit 110 in step 703.
  • the discriminant analysis unit 111 discriminates a feature vector for a combination of a disease name i1 and a disease name i2 that is likely to be a complication, which will be described later. Analysis can be performed.
  • the discriminant analysis unit 111 uses the same method as in step 704 for each index change S (i1, i2) calculated in step 702 and for each medical literature document file imported in step 801. A feature vector is generated by the analysis (803).
  • the first component and the second component of the feature vector generated in step 803 are the features generated in step 704. It is the same as the first component and the second component of the vector (the third component when the feature vector is a four-dimensional vector). However, the feature vector generated in step 803 and the feature vector generated in step 704 may have different values of the index change S of the last component.
  • the discriminant analysis unit 111 uses the discriminant curve of the discriminant model (for disease name i1, disease name i2, and medical event E) generated in step 705, and uses the feature vector (disease name i1, disease name i2) generated in step 802. Discriminant analysis of the disease name i1 and the medical event E and the adaptive relationship between the disease name i2 and the medical event E are discriminated.
  • the discriminant analysis unit 111 compares the feature vector generated in step 704 with the feature vector generated in step 802, calculates the distance, and if the calculated distance is within a predetermined distance,
  • the adaptation relationship (accepted in step 702) corresponding to the feature vector generated in 704 may be adapted to the feature vector generated in step 802.
  • the discriminant analysis unit 111 compares the component of the feature vector generated based on the medical literature DB 102 with the component of the discriminant model, thereby determining the position and role of the disease name and the medical vector in the literature file, and the disease and the medical vector. It can be used as a parameter for determining the relationship between Then, the discriminant analysis unit 111 can specify the relationship between the disease and the medical care vector with higher accuracy.
  • the discriminant analysis unit 111 determines that the medical event E is given for the disease name i1, and the disease name i2 and the medical event E are If it is determined that there is an adaptive relationship, it is determined that the medical treatment event E is given for the disease name i2 (804).
  • the discriminant analysis unit 111 assigns 1 to the combination of the disease name i and the medical event E that are in an adaptive relationship, and assigns 0 to the combination of the disease name i and the medical event E that are not in an adaptive relationship, A matrix (discriminant analysis result matrix) indicating an adaptive relationship between the disease name i and the medical treatment event E is generated.
  • the discriminant analysis unit 111 stores the discriminant analysis result matrix in the memory 122 or the auxiliary storage device 123.
  • FIG. 12 is an explanatory diagram showing a discriminant analysis result matrix 1201 of the present embodiment.
  • a discriminant analysis result matrix 1201 (result (i, E)) shown in FIG. 12 is an example of a matrix generated by the processing shown in FIG.
  • Column 1202 is the disease name i
  • row 1203 is the medical event E.
  • the component (i, E) is 1.
  • the component (i, E) is 0.
  • the adaptive relationship between the disease name i and the medical event E is shown by the comparison result between the feature vector generated based on the latest clinical information DB 101 and the medical literature DB 102 and the discriminant model.
  • the discriminant analysis result matrix By generating the discriminant analysis result matrix, the adaptive relationship between the disease name i and the medical treatment event E can be obtained based on the newly input information.
  • the discriminant analysis unit 111 of the present embodiment enables the disease to be a complication.
  • the characteristics of the disease such as whether it is a chronic disease or the like can be used as a parameter for discriminating the adaptive relationship, and the relationship between the disease and the medical event can be more accurately identified.
  • model construction unit 110 and the discriminant analysis unit 111 may include the complication evaluation index T in the feature vector component instead of the index change S.
  • FIG. 13 is a flowchart showing the processing of the co-occurrence analysis unit 112 of the present embodiment.
  • the co-occurrence analysis unit 112 acquires a medical literature document file from the medical literature DB 102 (901).
  • the co-occurrence analysis unit 112 counts the number of medical literature documents including the disease name i and the medical treatment event E at the same time, and generates a co-occurrence matrix including the co-occurrence number (i, E) that is the counted result. (902). Specifically, the co-occurrence analysis unit 112 determines whether the text indicating the contents of the medical literature document file stored in the medical literature DB 102 includes the term “disease name i” and the term “medical event E” by full-text search.
  • FIG. 14 is an explanatory diagram showing the co-occurrence matrix of this example.
  • column 1001 is the disease name i
  • row 1002 is the medical event E.
  • the cell corresponding to the disease name i and the medical event E includes the co-occurrence number F (i, E) calculated in step 902.
  • the co-occurrence analysis unit 112 calculates a co-occurrence frequency matrix co (i, E) by Equation (5) for each disease name i and medical event E based on the generated co-occurrence matrix.
  • An occurrence frequency matrix 1301 is generated (903).
  • FIG. 15 is an explanatory diagram showing a co-occurrence frequency matrix 1301 of the present embodiment.
  • a co-occurrence frequency matrix 1301 shown in FIG. 15 shows an example of the co-occurrence frequency matrix co (i, E) calculated in step 903.
  • Column 1302 is the disease name i, and row 1303 is the medical event E.
  • step 903 the process shown in FIG. 13 is ended, and step 133 shown in FIG. 3 is ended.
  • the co-occurrence analyzing unit 112 stores the generated co-occurrence frequency matrix co (i, E) in the memory 122 or the auxiliary storage device 123.
  • the co-occurrence analysis unit 112 generates a co-occurrence frequency matrix co (i, E), thereby generating a matrix indicating the relationship between the disease name i and the medical event E based only on the medical literature DB 102 in the disease name medical event-related table. Can be used for generation.
  • the result synthesis unit 106 After the information gain calculation unit 108, the discriminant analysis unit 111, and the co-occurrence analysis unit 112 generate an information gain matrix, a discriminant analysis result matrix, and a co-occurrence frequency matrix, respectively (after steps 131, 132, and 133) ), The result synthesis unit 106 generates a disease name medical event relation table (Relation (i, E)) according to the equation (6) (step 134 in FIG. 3).
  • Relation (i, E) a disease name medical event relation table
  • FIG. 16 is an explanatory diagram showing a disease name medical event association table 1401 of the present embodiment.
  • FIG. 16 is an example of a disease name medical event related table (Relation (i, E)).
  • Column 1402 is the disease name i, and row 1403 is the medical event E.
  • the output unit 107 outputs Relation (i, E). Further, the output unit 107 may output the combination of the disease name i and the medical event E for which the adaptive relationship falls within a predetermined standard via the IO interface 124 based on the generated disease name medical event relation table 1401. . Accordingly, the user can grasp medical knowledge indicating a predetermined relationship between a disease and a medical event.
  • FIG. 17 is an explanatory diagram showing a screen 1800 for displaying a disease name medical care event related table of the present embodiment.
  • the output unit 107 may output data for displaying the screen 1800 via the IO interface 124, for example.
  • Screen 1800 includes an area 1801 and an area 1802.
  • the area 1801 is an area for allowing the operator to select the content to be displayed on the screen 1800.
  • An area 1801 illustrated in FIG. 17 includes a display for selecting an information gain matrix, a co-occurrence frequency matrix, and a disease name medical event association table, but may include a display for selecting a discriminant analysis result matrix. By displaying the plurality of generated matrices, the operator can grasp the relationship between the disease name and the medical treatment event determined from different viewpoints.
  • the area 1802 is an area for displaying the content selected in the area 1801.
  • the area 1802 displays the contents of the disease name medical event related table.
  • the output unit 107 may output the complication evaluation index T and the index change S calculated by the discriminant analysis unit 111 via the IO interface 124.
  • FIG. 18 is an explanatory view showing a screen 1500 for outputting a complication evaluation index T and an index change S of complications of the present embodiment.
  • the output unit 107 outputs data for displaying the screen 1500 via the IO interface 124, for example.
  • Screen 1500 is an example of a screen that visualizes a temporal change amount of complication evaluation index T (i1, i2, k) relating to two disease names (disease name i1, disease name i2) and displays the value of index change S. It is. Screen 1500 includes areas 1501-1508.
  • Area 1501 is a list box for selecting disease name i1
  • area 1502 is a list box for selecting disease name i2.
  • the area 1503 displays the transition of the value of the complication evaluation index T (i, E, k) from the date t0 to the number of days k for the disease name i1 and the disease name i2 selected in the areas 1501 and 1502.
  • Area 1504 is an area for setting the number of days a0
  • area 1505 is an area for setting the number of days a1.
  • Regions 1504 and 1505 are, for example, text boxes.
  • the model construction unit 110 calculates an index change S (i, E) by the processing in step 703.
  • An area 1506 displays the calculated index change S (i, E).
  • the operator grasps the combination of the disease name i1 and the disease name i2, and the value of the complication evaluation index T (i, E, k) and the index change S (i, E) for each number of days k. It is possible to determine whether the disease name i1 and the disease name i2 are complications.
  • the operator can determine a candidate of a predetermined threshold value T0 to be compared with the complication evaluation index T in Step 802.
  • the operator can set the predetermined threshold by inputting the candidate in the area 1507 and clicking a registration button in the area 1508.
  • the operator changes the complication evaluation index T (i, E, k) when one of two disease names includes a chronic disease, and the complication when one of two disease names includes an acute complication.
  • T0 By confirming the transition of the evaluation index T (i, E, k) in the area 1503, an appropriate threshold T0 can be set.
  • this invention is not limited to the above-mentioned Example, Various modifications are included.
  • the above-described embodiments have been described in detail for easy understanding of the present invention, and are not necessarily limited to those having all the configurations described.
  • a part of the configuration of one embodiment can be replaced with the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of one embodiment.
  • each of the above-described configurations, functions, processing units, and the like may be realized by hardware by designing a part or all of them with, for example, an integrated circuit.
  • Each of the above-described configurations, functions, and the like may be realized by software by interpreting and executing a program that realizes each function by the processor.
  • Information such as a program, a table, or a file for realizing each function can be placed in a recording device such as a memory, a hard disk, or an SSD (Solid State Drive), or a recording medium such as an IC card or an SD card.
  • the discriminant analysis unit 111 includes a reading function unit that executes step 801, an index change calculation function unit that executes step 802, a syntax analysis function unit that executes step 803, and a matrix generation function unit that executes step 804. It may be divided.
  • control lines and information lines indicate what is considered necessary for the explanation, and not all the control lines and information lines on the product are necessarily shown. Actually, it may be considered that almost all the components are connected to each other.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Tourism & Hospitality (AREA)
  • Child & Adolescent Psychology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)

Abstract

　プロセッサは、患者の病気と前記患者に行われた診療イベントとを示す複数の症例を含む臨床情報を取得し、前記病気の名称及び前記診療イベントを表す言葉を示す文献を含む文献情報を取得し、一つの症例が複数の病気の組み合わせを示す頻度を前記臨床情報に基づいて算出し、前記病気の名称及び前記診療イベントを表す言葉の各々を用いて前記文献情報を分析し、前記診療イベントが行われた病気を判別するための基準を取得し、前記分析結果と前記算出した頻度と前記取得した基準とに基づいて、前記診療イベントが前記病気のために行われたか否かを示す第１の関連情報を求め、前記第１の関連情報に基づいて、前記診療イベントと前記病気との関係を示す医療情報を生成する。

Description

計算機システム、及び、情報処理方法
　本発明は、計算機システム、及び、情報処理方法に関する。
　従来、症例中の病名の組み合わせを１又は０のベクトルで表現し、本ベクトルの内積に基づく類似度により、病名のクラスターを作る処理が提案されている。この類似度は、共起しやすい病名の組み合わせを表す。
　一方、添付文書に対して、病名と医薬品名をサーチして、病名と医薬品の適応関係を特定する処理が提案されている（例えば、特許文献１参照）。
特開２００６－０４０２４６号公報
　処方などの診療イベントと病名との関係情報は、病名ごとに関連コストを集計する処理などに必要不可欠である。臨床情報データベースから、病名と診療イベントとの関係テーブルを統計処理により抽出する必要がある。しかし、症例には合併症が混在するため、合併症と診療イベントとの関係を切り分けることが難しい。特に、主疾患と併存する可能性が高い慢性疾患などは、注目する診療イベントと、主疾患及び慢性疾患との共起性の性質が似るため、主疾患と診療イベントとの関係性及び慢性疾患と診療イベントとの関係性を同定することが困難である。
　上記課題を解決するために、本発明は、計算機システムであって、プロセッサ、及び、メモリを有し、前記プロセッサは、患者の病気と前記患者に行われた診療イベントとを示す複数の症例を含む臨床情報を取得し、前記病気の名称及び前記診療イベントを表す言葉を示す文献を含む文献情報を取得し、一つの症例が複数の病気の組み合わせを示す頻度を前記臨床情報に基づいて算出して、前記メモリに格納し、前記病気の名称及び前記診療イベントを表す言葉の各々を用いて前記文献情報を分析し、分析結果を前記メモリに格納し、前記診療イベントが行われた病気を判別するための基準を取得し、前記分析結果と前記算出した頻度と前記取得した基準とに基づいて、前記診療イベントが前記病気のために行われたか否かを示す第１の関連情報を求めて、前記メモリに格納し、前記第１の関連情報に基づいて、前記診療イベントと前記病気との関係を示す医療情報を生成する。
　本発明によれば、合併症が混在する臨床情報に対しても、病名と診療イベントとの関係を高精度に抽出することが可能となる。上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
本実施例の計算機システムの機能を示すブロック図である。 本実施例の計算機システムの物理的な構成を示すブロック図である。 本実施例の計算機システムの処理の概要を示すフローチャートである。 本実施例の臨床情報ＤＢを示す説明図である。 本実施例の医学辞書を示す説明図である。 本実施例の情報利得算出部による処理を示すフローチャートである。 本実施例の情報利得算出部による処理の結果を示す説明図である。 本実施例の情報利得行列を示す説明図である。 本実施例の合併症選択部の処理を示すフローチャートである。 本実施例のモデル構築部による処理を示すフローチャートである。 本実施例の判別分析部による処理を示すフローチャートである。 本実施例の判別分析結果行列を示す説明図である。 本実施例の共起分析部の処理を示すフローチャートである。 本実施例の共起行列を示す説明図である。 本実施例の共起頻度行列を示す説明図である。 本実施例の病名診療イベント関連テーブルを示す説明図である。 本実施例の病名診療イベント関連テーブルを表示する画面を示す説明図である。 本実施例の合併症の合併症評価指標Ｔと指標変化Ｓとを出力する画面を示す説明図である。
　以下、医学知識を処理するシステムに関し、特に、臨床情報及び医学文献から医学知識の生成処理に関する本発明の実施例を、図面を用いて説明する。
　図１は、本実施例の計算機システム１００の機能を示すブロック図である。
　本実施例の計算機システム１００は、臨床情報ＤＢ１０１、医学文献ＤＢ１０２、医学辞書１１３、入力部１１４、症例解析部１０３、医学文献解析部１０４、結果合成部１０６及び出力部１０７を有する。本実施例において、施設において健康診断、及び、手術等の医療行為及び薬の処方を受ける者を患者と記載する。本実施例の患者は、人間及び動物を含む。
　また、本実施例の診療イベントは、病名以外の医療を示す言葉であり、例えば、医療行為、処方された薬、及び、用いられる医療器具（カテーテル、胃カメラ）等を含む。また、本実施例の病気は、患者の身体及び精神の不調の状態を示し、例えば、心筋梗塞、糖尿病、胃がん、うつ病、及び、骨折等を含む。
　また、本実施例における診療とは、診断、治療及び処方等の医療行為のすべてを示す。さらに、本実施例における施設とは、病院及び診療所のほか、自宅、福祉施設及び救急車内等、医療従事者が医療行為を患者に行う可能性があるすべての場所を含む。
　臨床情報ＤＢ１０１は、患者が施設において医療を受けた履歴、及び、患者が罹患した病気の名称等を示す症例を含む。臨床情報ＤＢ１０１は、本実施例の計算機システム１００の運用者又は管理者（以下、オペレータ）等によって更新される。
　医学文献ＤＢ１０２は、医療に関する文献の内容を含み、例えば、治療方法が記載された医学書及び論文等の内容を含む。医学辞書１１３は、医療関係の単語を示す。医学文献ＤＢ１０２及び医学辞書１１３は、あらかじめオペレータ等によって更新される。
　症例解析部１０３は、臨床情報ＤＢ１０１に基づいて、病名と診療イベントとの適応関係を求める機能部である。ここで、本実施例の適応関係とは、患者が病名が示す病気を罹患された場合、患者に診療イベントが与えられる程度を示し、診療イベントが病気のために行われるか否かを示す。
　医学文献解析部１０４は、医学文献ＤＢ１０２に基づき、又は、医学文献ＤＢ１０２及び臨床情報ＤＢ１０１に基づき、病名と診療イベントとの適応関係を求める機能部である。
　結果合成部１０６は、症例解析部１０３の処理結果及び医学文献解析部１０４の処理結果を合成する機能部である。出力部１０７は、結果合成部１０６の処理結果に基づいて、本実施例の計算機システム１００のオペレータ又は利用者に、病名と診療イベントとの関係を示す医学知識を出力する機能部である。
　入力部１１４は、診療イベントと病名との適応関係を判定するための基準を、オペレータ等から受け付けるための機能部である。
　症例解析部１０３は、情報利得算出部１０８及び合併症選択部１０９を含む。情報利得算出部１０８は、臨床情報ＤＢ１０１に基づいて、病名の病気を罹患している患者が診療イベントを受けた頻度を求め、頻度に基づいて病名と診療イベントとの関係を求める機能部である。
　合併症選択部１０９は、臨床情報ＤＢ１０１に基づいて、複数の病気が合併症であるかを示す指標（合併症評価指標）を算出する機能部である。
　医学文献解析部１０４は、モデル構築部１１０、判別分析部１１１、及び共起分析部１１２を含む。モデル構築部１１０は、医学文献ＤＢ１０２と、入力部１１４からの入力値とに基づいて病名と診療イベントとが関連するかを判定するための判定モデルを生成する機能部である。
　判別分析部１１１は、判定モデルと合併症評価指標と医学文献ＤＢ１０２とに基づいて、病名と診療イベントとの適応関係を求める。共起分析部１１２は、医学文献ＤＢ１０２に基づいて、病名と診療イベントとの適応関係を求める。
　図２は、本実施例の計算機システム１００の物理的な構成を示すブロック図である。
　本実施例の計算機システム１００は、少なくとも一つの計算機によって構成される。計算機システム１００は、プロセッサ１２１、メモリ１２２、補助記憶装置１２３、及び、ＩＯインタフェース１２４を有する。
　計算機システム１００は、メモリ１２２に格納されたプログラムをプロセッサが実行することによって、図１に示す症例解析部１０３、医学文献解析部１０４、結果合成部１０６、及び、出力部１０７の機能を実現する。例えば、情報利得算出部１０８は、情報利得算出プログラムによる処理によって機能が実現され、判別分析部１１１は、判別分析プログラムによる処理によって機能が実現される。
　メモリ１２２は、不揮発性の記憶素子であるＲＯＭ及び揮発性の記憶素子であるＲＡＭを含む。ＲＯＭは、不変のプログラム（例えば、ＢＩＯＳ）などのデータを格納する。ＲＡＭは、ＤＲＡＭ（Ｄｙｎａｍｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）のような高速かつ揮発性の記憶素子であり、補助記憶装置１２３に格納されたプログラム及びプログラムの実行時に使用されるデータを一時的に格納する。
　補助記憶装置１２３は、例えば、磁気記憶装置（ＨＤＤ）、フラッシュメモリ（ＳＳＤ）等の大容量かつ不揮発性の記憶装置である。また、補助記憶装置１２３は、プロセッサ１２１が実行するプログラム及びプログラムの実行時に使用されるデータ（例えば、後述の合併症評価指標など）を格納する。
　本実施例の機能部を実装するためのプログラムは、補助記憶装置１２３から読み出されて、メモリ１２２にロードされて、プロセッサ１２１によって実行される。補助記憶装置１２３は、データとして、臨床情報ＤＢ１０１、医学文献ＤＢ１０２及び医学辞書１１３を格納し、さらに、各機能部による処理結果を格納する。
　プロセッサ１２１が実行するプログラムは、リムーバブルメディア（ＣＤ－ＲＯＭ、フラッシュメモリなど）又はネットワークを介して計算機システム１００に提供され、補助記憶装置１２３に格納される。このため、計算機システム１００は、リムーバブルメディアからデータを読み込むインタフェースを有してもよい。
　ＩＯインタフェース１２４は、入力装置及び出力装置と接続するためのインタフェースである。ここで入力装置とは、キーボード又はマウスであり、出力装置とは、ディスプレイ又はプリンタである。また、入力装置及び出力装置は、タブレット端末のような一つの装置であってもよい。
　本実施例の計算機システム１００のオペレータは、入力装置を介して、計算機システム１００のプログラム及びデータを入力する。また、オペレータ又は利用者は、出力装置を介して、生成された医療情報（本実施例において医学知識）を取得する。
　計算機システム１００は、物理的に一つの計算機上で、又は、論理的又は物理的に複数の計算機上で構成される計算機システムであり、前述したプログラムが、同一の計算機上で別個のスレッドで動作してもよく、複数の物理的計算機資源上に構築された仮想計算機上で動作してもよい。
　図３は、本実施例の計算機システム１００の処理の概要を示すフローチャートである。
　本実施例の計算機システム１００は、三つの方法によって、病名と診療イベントとの関係を示す情報を生成し、これらの情報を用いて医学知識を生成する。具体的には、情報利得算出部１０８が情報利得行列を生成し（１３１）、判別分析部１１１が判別分析結果行列を生成し（１３２）、共起分析部１１２が共起頻度行列を生成する（１３３）。
　そして、結果合成部１０６が、情報利得行列、判別分析結果行列及び共起頻度行列を用いて病名診療イベント関連テーブルを生成する（１３４）。病名診療イベント関連テーブルは、病気と診療イベントとの関係を示す医療知識である。
　そして、出力部１０７は、病名診療イベント関連テーブルに基づいて生成された情報を、オペレータ、又は、医療関係者に、出力する（１３５）。
　なお、本実施例の結果合成部１０６は、情報利得行列、判別分析結果行列及び共起頻度行列の少なくとも一つを用いて病名診療イベント関連テーブルを生成してもよい。特に、本実施例の結果合成部１０６は、判別分析結果行列のみを用いて病名診療イベント関連テーブルを生成することにより、臨床情報ＤＢ１０１及び医学文献ＤＢ１０２の両方を用いて、病名診療イベント関連テーブルを生成することができる。
　また、本実施例の結果合成部１０６は、病名診療イベント関連テーブルを生成するために、判別分析結果行列と、さらに、情報利得行列及び共起頻度行列とを用いることによって、病名と診療イベントとの関連を示す制度の高い情報を生成することができる。
　図４は、本実施例の臨床情報ＤＢ１０１を示す説明図である。
　臨床情報ＤＢ１０１は、診療イベント管理テーブル２０１及び病名管理テーブル２０６を含む。診療イベント管理テーブル２０１は、患者が施設において診療イベントを受けた履歴を示す。病名管理テーブル２０６は、患者の病気の名称を示す。
　診療イベント管理テーブル２０１は、症例ＩＤ２０２、患者ＩＤ２０３、日付２０４及び診療イベント名２０５を含む。
　症例ＩＤ２０２は、症例に割り当てられるＩＤである。症例ＩＤ２０２は、本実施例のオペレータによって任意に割り当てられる。本実施例における症例とは、患者が施設において受ける一連の診療イベントの履歴であり、例えば、入院における診療イベントの履歴、通院における診療イベントの履歴、及び、応急処置の履歴等を示す。
　症例ＩＤは、一連の診療イベントについて一つが割り当てられる。例えば、患者が病院に所定の期間入院する場合、オペレータは、当該所定の期間の入院に一意の症例ＩＤを割り当てる。また、例えば、患者が、宿泊はしないが所定の期間毎日通院する場合、オペレータは、当該所定の期間の通院に一意の症例ＩＤを割り当てる。
　患者ＩＤ２０３は、診療イベントを受ける患者に割り当てられるＩＤである。
　日付２０４は、診療イベント名２０５が示す診療イベントが開始した日を示す。また、診療イベント名２０５が１日で終了した診療イベントを示す場合、日付２０４は、当該診療イベントが行われた日を示す。例えば、薬の投与が入院期間の二日目に開始した場合、日付２０４は、入院期間の二日目の日を示す。
　診療イベント名２０５は、患者に行われた診療イベントを示す。同日に二つ以上の診療イベントが開始された場合、診療イベントごとにレコードが生成されてもよい。診療イベント名２０５は、例えば、注射、検査、手術、処方、及び、処置などである。
　病名管理テーブル２０６は、症例ＩＤ２０７、患者ＩＤ２０８、及び、病名２０９を含む。症例ＩＤ２０７は、症例に割り当てられるＩＤである。症例ＩＤ２０７は、症例ＩＤ２０２に対応する。患者ＩＤ２０８は、患者に割り当てられるＩＤである。患者ＩＤ２０８は、患者ＩＤ２０３と対応する。
　病名２０９は、症例ＩＤ２０７が示す症例において、患者に診療が与えられる原因である病気の名前である。本実施例における病気とは、内科、外科及び眼科等、すべての医療分野の診療科が扱う病気である。
　図５は、本実施例の医学辞書１１３を示す説明図である。
　本実施例の医学辞書１１３は、病名と、病名以外の単語とを分類する。医学辞書１１３は、分類３０１及び名称３０２を含む。
　分類３０１は、名称３０２の分類を示し、病名と病名以外の分類名とを示す。病名以外の分類名とは、処方名、注射名、検査名、手術名及び処置名などである。名称３０２は、医療において用いられる名称を示す。
　情報利得算出部１０８、モデル構築部１１０、判別分析部１１１、及び、共起分析部１１２は、医学辞書１１３を参照することによって、病名を取得し、さらに、病名以外の医療を示す名称から診療イベントを表す言葉を取得する。これによって、本実施例の計算機システム１００は、病名及び診療イベントに相当する名称を、医学辞書１１３に従って定義することができる。
　図６は、本実施例の情報利得算出部１０８による処理を示すフローチャートである。
　情報利得算出部１０８は、臨床情報ＤＢ１０１から症例データを読み出す（４０１）。ここで、症例データとは、診療イベント管理テーブル２０１の全レコード、及び、病名管理テーブル２０６の全レコードである。情報利得算出部１０８は、ステップ４０１において、症例データをメモリ１２２に読み出す。
　次に、情報利得算出部１０８は、読み出した病名管理テーブル２０６において、臨床情報ＤＢ１０１が示す症例の各々が、対象病名ｉを含むかを示すビット列を生成する（４０２）。
　ここで、対象病名ｉとは、医学辞書１１３の分類３０１が病名を示す全レコードの、名称３０２が示す病名の中から選択された一つの病名である。情報利得算出部１０８は、ステップ４０２において医学辞書１１３からすべての病名を選択し、選択した病名ごとにビット列を生成する。
　具体的には、本実施例の情報利得算出部１０８は、ステップ４０２において、一つの症例ＩＤ２０７に一つのビットを対応させる。情報利得算出部１０８は、一つの症例ＩＤ２０７を示す一つ以上のレコードの病名２０９に、対象病名ｉが含まれる場合、当該症例ＩＤ２０７に対応するビットに１を格納し、対象病名ｉが含まれない場合、当該症例ＩＤ２０７に対応するビットに０を格納する。
　図７は、本実施例の情報利得算出部１０８による処理の結果を示す説明図である。
　ステップ４０２の結果、情報利得算出部１０８は、図７に示すビット列５０１を生成する。
　ステップ４０２の後、情報利得算出部１０８は、対象診療イベントＥが行われた症例を示すビット列５０２と、対象診療イベントＥが行われた症例を示すビット列５０３とを、ビット列５０１を分割することによって生成する（４０３）。
　ここで、対象診療イベントＥとは、医学辞書１１３の分類３０１が病名以外である名称３０２から選択された一つの単語である。情報利得算出部１０８は、病名以外の単語である診療イベントの中の一つの対象診療イベントＥごとに、ビット列５０２及びビット列５０３を生成する。
　ステップ４０３において情報利得算出部１０８は、具体的には、症例ＩＤ２０７と症例ＩＤ２０２が同じである診療イベント管理テーブル２０１のレコードを特定する。そして、情報利得算出部１０８は、特定したレコードの診療イベント名２０５に対象診療イベントＥが含まれる症例ＩＤ２０７に対応するビットを抽出し、抽出したビットのみを含むビット列５０２を生成する。
　また、情報利得算出部１０８は、特定したレコードの診療イベント名２０５に対象診療イベントＥが含まれない症例ＩＤ２０７に対応するビットをビット列５０１から抽出し、抽出したビットのみを含むビット列５０３を生成する。
　ステップ４０３の後、情報利得算出部１０８は、病名に対して特に行われる診療イベントを示す情報利得行列を算出する（４０４）。具体的には、情報利得算出部１０８は、確率的コンプレキシティを用い、ビット列５０１から情報利得５０４を算出し、ビット列５０２から情報利得５０５を算出し、ビット列５０３から情報利得５０６を算出する。
　情報利得算出部１０８は、情報利得５０４、５０５及び５０６を、以下の式（１）を用いて算出する。
　Ｉ（ｉ，Ｅ，ｘ）＝ｍｉｎ｛ｍ１，ｍ‐ｍ１｝＋λ√（ｍｌｏｇｍ）
　　（ｍ：ビット列に含まれるビットの総数、ｍ１：１の出現数、λ：右項の重み付け）　　・・・（１）
　ここで、ｘは、情報利得の識別子である。このため、情報利得５０４は、Ｉ（ｉ，Ｅ，１）であり、情報利得５０５は、Ｉ（ｉ，Ｅ，２）であり、情報利得５０６は、Ｉ（ｉ，Ｅ，３）である。情報利得５０４、５０５及び５０６は、病名ｉと診療イベントＥとの２次元の行列である。
　なお、情報利得５０４（Ｉ（ｉ，Ｅ，１））は、診療イベントＥに依存せず、病名ｉのみに従って算出される。このため、情報利得算出部１０８は、一つの病名ｉについて算出されたＩ（ｉ，Ｅ，１）の値を、一つの病名ｉとすべての診療イベントＥとの組み合わせによるＩ（ｉ，Ｅ，１）に複製する。
　そして、情報利得算出部１０８は、情報利得５０４、５０５及び５０６と式（２）とを用い、情報利得行列ＩＧ（ｉ，Ｅ）を生成する。図７に示す情報利得行列５０７は、式（２）に基づく情報利得行列を示す。
　ＩＧ（ｉ，Ｅ）
　　＝Ｉ（ｉ，Ｅ，１）－（Ｉ（ｉ，Ｅ，２）＋Ｉ（ｉ，Ｅ，３））　・・・（２）
　情報利得行列ＩＧ（ｉ，Ｅ）は、診療イベントＥが病名ｉにのみ特異的であるか（特に多く与えられたか）を表現するための行列である。
　算出された情報利得行列ＩＧ（ｉ，Ｅ）の値が大きいほど、病名ｉと診療イベントＥとの組み合わせは、特異的かつ適切な関係であり、診療イベントＥの診療行為は、病名ｉの病気に適用される場合が多い。また、算出された情報利得行列ＩＧ（ｉ，Ｅ）の値が小さいほど、診療イベントＥの診療行為は、病名ｉの病気に適用されることはほとんどないか、診療イベントＥの診療行為は、多くの病気に適用されており、特に病名ｉの病気に多く適用されるわけではない。
　例えば輸液は、いずれの病気においても用いられることが多い薬品である。このため、診療イベントＥが輸液である場合、輸液に対して算出された情報利得５０５の値が極端に大きくなる。具体的には、右項（λ√（ｍｌｏｇｍ））が大きくなり、情報利得Ｉ（ｉ，（輸液），２）の値が大きくなり、情報利得行列ＩＧ（ｉ，（輸液））の値が小さくなる。このため、情報利得行列ＩＧ（ｉ，（輸液））が小さい場合、病名ｉと輸液との組み合わせは特異的でない。
　情報利得算出部１０８は、算出した情報利得行列ＩＧ（ｉ，Ｅ）を、メモリ１２２又は補助記憶装置１２３に格納する。情報利得算出部１０８が情報利得行列ＩＧ（ｉ，Ｅ）を生成することによって、臨床情報ＤＢ１０１のみに基づいた病名ｉと診療イベントＥとの関連を示す行列を、病名診療イベント関連テーブルの生成に用いることができる。
　図８は、本実施例の情報利得行列ＩＧ（ｉ，Ｅ）を示す説明図である。
　図８の情報利得行列１１０１は、情報利得行列ＩＧ（ｉ，Ｅ）の例であり、列１１０２は病名であり、行１１０３は診療イベントである。
　図９は、本実施例の合併症選択部１０９の処理を示すフローチャートである。
　合併症選択部１０９は、ステップ４０１と同じく、臨床情報ＤＢ１０１から症例データをメモリ１２２に読み出す（６０１）。
　ステップ６０１の後、合併症選択部１０９は、以下に示す式（３）と症例データとに基づいて、日付ｔ０から経過した日数ｋにおいて病名ｉ１と病名ｉ２とが合併症であると判定できるかを示す指標である合併症評価指標Ｔを算出する（６０２）。合併症選択部１０９は、これによって、病名ｉ１と病名ｉ２とが合併症であるかを判定するための指標を算出できる。
　ここで、経過期間ｋは、日数ａ０及び日数ａ１のいずれかの日数である。また、日付ｔ０は、本実施例において診療イベント管理テーブル２０１の日付２０４が示す日付の中で一番早い日付であるが、オペレータによって指定されてもよい。また、日数ａ１＞日数ａ０である。日数ａ０及び日数ａ１はあらかじめオペレータによって入力される。
　Ｔ（ｉ１，ｉ２，ｋ）
　　＝（日付ｔ０から日数ｋが経過するまでの期間において病名ｉ１及び病名ｉ２の両方を含む症例数）／Ｍａｘ（日付ｔ０から日数ｋが経過するまでの期間において病名ｉ１を少なくとも含む症例数，日付ｔ０から日数ｋが経過するまでの期間において病名ｉ２を少なくとも含む症例数）・・・（３）
　算出された合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）が１に近いほど、合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）は、病名ｉ１と病名ｉ２との両方が一つの症例に現れることを意味する。このため、合併症評価指標Ｔは、病名ｉ１と病名ｉ２との両方が一つの症例に含まれる頻度を示す。
　ここで病名ｉ１と病名ｉ２は、医学辞書１１３の分類３０１が病名である全レコードを特定し、特定したレコードの名称３０２である。また、合併症選択部１０９は、三つ以上の病名について合併症評価指標Ｔを算出してもよい。この場合、合併症選択部１０９は、複数の病名を含む症例数を、少なくとも一つの病名を含む症例数の最大値によって除算することによって、合併症評価指標Ｔを算出する。
　合併症選択部１０９は、ステップ６０２において、日付２０４が日付ｔ０から日数ｋが経過するまでの期間に含まれるレコードを、診療イベント管理テーブル２０１において特定し、特定したレコードの症例ＩＤ２０２と症例ＩＤ２０７とが同じ病名管理テーブル２０６のレコードを特定する。そして、合併症選択部１０９は、特定した病名管理テーブル２０６のレコードを用いて、病名ｉ１及び病名ｉ２の両方を含む症例数、病名ｉ１を少なくとも含む症例数、病名ｉ２を少なくとも含む症例数を求める。
　合併症選択部１０９は、日数ｋが日数ａ０である場合の合併症評価指標Ｔ（ｉ１，ｉ２，ａ０）と、日数ｋが日数ａ１である場合の合併症評価指標Ｔ（ｉ１，ｉ２，ａ１）とを算出する。合併症選択部１０９は、算出した合併症評価指標Ｔを、メモリ１２２又は補助記憶装置１２３に格納する。
　ステップ６０２の後、合併症選択部１０９は、算出した合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）と所定の閾値とを比較し、所定の閾値より高い合併症評価指標Ｔを算出した病名ｉ１と病名ｉ２との組み合わせを合併症の組み合わせとして選択する。そして、合併症選択部１０９は、選択した合併症の組み合わせをメモリ１２２又は補助記憶装置１２３に格納する。
　図１０は、本実施例のモデル構築部１１０による処理を示すフローチャートである。
　モデル構築部１１０は、病名ｉ１、病名ｉ２及び診療イベントＥのすべてを含む医学文献の文献ファイル（例えば、論文、書籍等の内容を含むファイル）を医学文献ＤＢ１０２から収集する（７０１）。具体的には、医学文献ＤＢ１０２が保持する医学文献のテキストから、病名ｉ１、病名ｉ２及び診療イベントＥのすべての名称が含まれる文献ファイルを、全文検索により特定する。
　ここで、病名ｉ１及び病名ｉ２は、医学辞書１１３の分類３０１が病名であるレコードの名称３０２から選択した病名である。また、診療イベントＥは、医学辞書１１３の分類３０１が病名以外の分類であるレコードの名称３０２から選択した名称である。
　ステップ７０１の後、モデル構築部１１０は、オペレータが入力した病名ｉ１、病名ｉ２、及び、診療イベントＥの医学的に正しい適応関係を、入力部１１４を介して受け付ける（７０２）。
　ここで、オペレータは、診療イベントＥが病名ｉ１のために行われるものである場合、適応関係を示す情報として、例えば、（病名ｉ１，診療イベントＥ）＝１、及び、（病名ｉ２，診療イベントＥ）＝０を入力部１１４を介して入力する。また、オペレータは、診療イベントＥが病名ｉ２のために行われるものである場合、適応関係を示す情報として、例えば、（病名ｉ１，診療イベントＥ）＝０、及び、（病名ｉ２，診療イベントＥ）＝１を、入力部１１４を介して入力する。
　ステップ７０２の後、モデル構築部１１０は、合併症選択部１０９により算出された合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）（ｋ＝ａ０，ａ１）を取得し、合併症評価指標Ｔの指標変化Ｓを以下の式（４）を用いて算出する（７０３）。
　Ｓ（ｉ１，ｉ２）
　　＝｜Ｔ（ｉ１，ｉ２，ａ１）－Ｔ（ｉ１，ｉ２，ａ０）｜／Ｔ（ｉ１，ｉ２，ａ０）　・・・（４）
　指標変化Ｓ（ｉ１，ｉ２）は、合併症評価指標Ｔの時間変化量である。モデル構築部１１０は、指標変化Ｓを式（４）を用いて算出することによって、合併症の発生状況の変化を、時間の経過に従って示す指標を算出できる。
　指標変化Ｓ（ｉ１，ｉ２）が０に近い数値である場合、すなわち、経過期間が日数ａ０から日数ａ１に増え、症例数が増えた場合にも合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）が変化しない場合、病名ｉ１又は病名ｉ２のどちらかが、糖尿病のような慢性疾患の可能性が高い。例えば、心疾患の患者は、高い確率で高血圧又は糖尿病などの慢性疾患を持っている。
　一方、指標変化Ｓ（ｉ１，ｉ２）がある所定の閾値以上である場合、病名ｉ１又は病名ｉ２のどちらかが、入院中に起こる急性の合併症である可能性が高い。例えば、手術後に起こる感染症などが例として挙げられる。感染症は、ある所定の割合で起こるが、慢性疾患ほど共起しないため、指標変化Ｓ（ｉ１，ｉ２）の値は大きくなる。
　本実施例において、経過期間ｋは、日数ａ０と日数ａ１との二つであるが、経過期間ｋは、三つ以上の日数であってもよい。そして、指標変化Ｓは、合併症評価指標Ｔの時間変化量の平均値、又は、最大値等の統計値であってもよい。
　ステップ７０３の後、合併症選択部１０９は、ステップ７０３において算出した指標変化Ｓ（ｉ１，ｉ２）ごと、かつ、ステップ７０１において読み出した文献ファイルごとに、構文解析による以下の方法１～４を用いて、素性ベクトルを生成する（７０４）。
　方法１：第１成分に、病名ｉ１を含む文章の動詞の原型（動詞がｂｅ動詞である場合、補語である形容詞又は名詞）を格納し、第２成分に、病名ｉ１が主語であるか（＝１）、述語であるか（＝０）、それ以外であるか（－１）を示す値を格納し、第３成分に、指標変化Ｓ（ｉ１，ｉ２）を格納する。方法１による素性ベクトルは、（動詞の原型／形容詞／名詞，１／０／－１，Ｓ）の３次元ベクトルである。
　方法２：第１成分に、病名ｉ２を含む文章の動詞の原型（動詞がｂｅ動詞である場合、補語である形容詞又は名詞）を格納し、第２成分に、病名ｉ２が主語であるか（＝１）、述語であるか（＝０）、それ以外であるか（－１）を示す値を格納し、第３成分に、指標変化Ｓ（ｉ１，ｉ２）を格納する。方法２による素性ベクトルは、（動詞の原型／形容詞／名詞，１／０／－１，Ｓ）の３次元ベクトルである。
　方法３：第１成分に、病名ｉ１と診療イベントＥとの両方を含む文章の動詞の原型（動詞がｂｅ動詞である場合、補語である形容詞又は名詞）を格納し、第２成分に、病名ｉ１が主語であるか（＝１）、述語であるか（＝０）、それ以外であるか（－１）を示す値を格納し、第３成分に、診療イベントＥが主語であるか（＝１）、述語であるか（＝０）、それ以外であるか（－１）を示す値を格納し、第４成分に、指標変化Ｓ（ｉ１，ｉ２）を格納する。方法３による素性ベクトルは、（動詞の原型／形容詞／名詞，１／０／－１，１／０／－１，Ｓ）の４次元ベクトルである。
　方法４：第１成分に、病名ｉ２と診療イベントＥとの両方を含む文章の動詞の原型（動詞がｂｅ動詞である場合、補語である形容詞又は名詞）を格納し、第２成分に、病名ｉ２が主語であるか（＝１）、述語であるか（＝０）、それ以外であるか（－１）を示す値を格納し、第３成分に、診療イベントＥが主語であるか（＝１）、述語であるか（＝０）、それ以外であるか（－１）を示す値を格納し、第４成分に、指標変化Ｓ（ｉ１，ｉ２）を格納する。方法４による素性ベクトルは、（動詞の原型／形容詞／名詞，１／０／－１，１／０／－１，Ｓ）の４次元ベクトルである。
　ここで、病名ｉ１が”ＳＴ－ｓｅｇｍｅｎｔ　ｅｌｅｖａｔｉｏｎ　ｍｙｏｃａｒｄｉａｌ　ｉｎｆａｒｃｔｉｏｎ　（ＳＴＥＭＩ）”であり、病名ｉ２が”ｄｉａｂｅｔｅｓ”であり、診療イベントＥが”ｐｅｒｃｕｔａｎｅｏｕｓ　ｃｏｒｏｎａｒｙ　ｉｎｔｅｒｖｅｎｔｉｏｎ　（ＰＣＩ）”である場合の例を以下に示す。ここで指標変化Ｓ（ｉ１，ｉ２）は、仮に０．１である。
　医学文献ＤＢ１０２から取得された文献ファイルが”ＳＴ－ｓｅｇｍｅｎｔ　ｅｌｅｖａｔｉｏｎ　ｍｙｏｃａｒｄｉａｌ　ｉｎｆａｒｃｔｉｏｎ　（ＳＴＥＭＩ）　ｗｈｏ　ｕｎｄｅｒｗｅｎｔ　ｐｒｉｍａｒｙ　ｐｅｒｃｕｔａｎｅｏｕｓ　ｃｏｒｏｎａｒｙ　ｉｎｔｅｒｖｅｎｔｉｏｎ　（ＰＣＩ）”を含む場合、病名ｉ１が主語であり、動詞が”ｕｎｄｅｒｗｅｎｔ”であり、診療イベントＥが述語である。
　このため、モデル構築部１１０は、前述の方法３を用いて、この文章に素性ベクトル（ｕｎｄｅｒｇｏ，１，０，０．１）を生成する。
　また、医学文献ＤＢ１０２から取得された文献ファイルが”ｐａｔｉｅｎｔｓ　ｗｉｔｈ　ｐｒｅｉｎｆａｒｃｔｉｏｎ　ＡＰ　ｗａｓ　ｃｏｎｓｉｓｔｅｎｔｌｙ　ｏｂｓｅｒｖｅｄ　ａｃｒｏｓｓ　ｓｕｂｇｒｏｕｐｓ　ｓｔｒａｔｉｆｉｅｄ　ｂｙ　ｔｏｔａｌ　ｉｓｃｈｅｍｉｃ　ｔｉｍｅ，　ｉｎｉｔｉａｌ　Ｔｈｒｏｍｂｏｌｙｓｉｓ　Ｉｎ　Ｍｙｏｃａｒｄｉａｌ　Ｉｎｆａｒｃｔｉｏｎ　ｆｌｏｗ　ｇｒａｄｅ，　ｈｅｍｏｄｙｎａｍｉｃ　ｓｔａｔｕｓ，　ｉｎｆａｒｃｔ　ｌｏｃａｔｉｏｎ，　ａｎｄ　ｄｉａｂｅｔｅｓ　ｍｅｌｌｉｔｕｓ．”を含む場合、病名ｉ２が主語でもなく述語でもなく、動詞が”ｓｔｒａｔｉｆｉｅｄ”である。
　このため、モデル構築部１１０は、前述の方法２を用いて、この文章に素性ベクトル（ｓｔｒａｔｉｆｙ，－１，０．１）を生成する。
　次に、病名ｉ１が”ｓｔｒｏｋｅ”であり、病名ｉ２が”ＡＭＩ”であり、診療イベントＥが”ＰＣＩ”である場合の例を以下に示す。ここで指標変化Ｓ（ｉ１，ｉ２）は、仮に０．６である。
　医学文献ＤＢ１０２から取得された文章が、”Ａｎ　ｉｎｈｏｓｐｉｔａｌ　ｉｓｃｈｅｍｉｃ　ｓｔｒｏｋｅ　ｏｃｃｕｒｒｅｄ”である場合、病名ｉ１が主語であり、動詞が”ｏｃｃｕｒｅｄ”である。
　このため、モデル構築部１１０は、前述の方法１を用いて、この文章に素性ベクトル（ｏｃｃｕｒｅ，１，０．６）を生成する。
　また、医学文献ＤＢ１０２から取得された文章が”Ｐｅｒｃｕｔａｎｅｏｕｓ　ｃｏｒｏｎａｒｙ　ｉｎｔｅｒｖｅｎｔｉｏｎ　（ＰＣＩ）　ａｎｄ　ｓｔａｔｉｎｓ　ｗｅｒｅ　ｉｎｄｅｐｅｎｄｅｎｔｌｙ　ａｓｓｏｃｉａｔｅｄ　ｗｉｔｈ　ａ　ｒｅｄｕｃｅｄ　ｒｉｓｋ　ｏｆ　ｓｔｒｏｋｅ　ａｆｔｅｒ　ｄｉｓｃｈａｒｇｅ　ｆｒｏｍ　ｈｏｓｐｉｔａｌ．”である場合、病名ｉ１が主語であり、動詞が”ａｓｓｏｃｉａｔｅｄ”であり、診療イベントＥが述語である。
　このため、モデル構築部１１０は、前述の方法３を用いて、この文章に素性ベクトル（ａｓｓｏｃｉａｔｅ，１，０，０．６）を生成する。
　また、医学文献ＤＢ１０２から取得された文章が”Ｉｓｃｈｅｍｉｃ　ｓｔｒｏｋｅ　ｉｓ　ａ　ｍｏｒｅ　ｃｏｍｍｏｎ　ｃｏｍｐｌｉｃａｔｉｏｎ　ａｆｔｅｒ　ａｎ　ＡＭＩ”である場合、病名ｉ１が主語であり、病名ｉ２が述語であり、補語である名詞が”ｃｏｍｐｌｉｃａｔｉｏｎ”である。
　このため、モデル構築部１１０は、前述の方法３を用いて、この文章に素性ベクトル（ｃｏｍｐｌｉｃａｉｔｏｎ，１，－１，０．６）を生成する。
　ステップ７０４の後、モデル構築部１１０は、病名ｉ１＝診療イベントＥにおける目的変数を１に定め、病名ｉ２＝診療イベントＥにおける目的変数を０に定めることにより、四種類の素性ベクトルに関して判別分析を行い、判別モデルを生成する（７０５）。そして、モデル構築部１１０は、方法１～４の判別距離の平均で構成する３次元ベクトル又は４次元ベクトルについて判別分析を行い、総合的な判別モデルを生成する。
　ステップ７０５において、モデル構築部１１０は、ステップ７０２において受け付けた病名ｉと診療イベントＥとの適応関係（（病名ｉ、診療イベントＥ）＝１又は０）、及び、ステップ７０４において生成した素性ベクトルを用いて、病名ｉと診療イベントＥとが適応しているか（診療イベントＥが病名ｉに対して与えられたか）を判別するための判別モデルを学習する。判別分析は、素性ベクトルが高次元のためサポートベクトルマシンによって行われても良いが、いかなる方法によって行われても良い。
　モデル構築部１１０は、具体的には、ステップ７０４において生成した素性ベクトルに、ステップ７０２において受け付けた適応関係を対応させることによって、生成した素性ベクトルを、診療イベントＥと適応関係にある病名ｉを示す素性ベクトルと、診療イベントＥと適応関係にない病名ｉを示す素性ベクトルとに分割する。
　そして、モデル構築部１１０は、分割された結果、生成された二つの素性ベクトル群の境界である判別曲線を特定し、メモリ１２２又は補助記憶装置１２３に判別モデルと判別曲線とを格納する。後述する判別分析部１１１は、ここで特定された判別曲線を用いて、生成した素性ベクトルが病名ｉに対して与えられた診療イベントを示す素性ベクトルであるか否かを判定する。
　モデル構築部１１０は、ステップ７０５において、ステップ方法１及び方法３によって生成された素性ベクトルに病名ｉ１と診療イベントＥとの適応関係を対応させ、方法２及び方法４によって生成された素性ベクトルに病名ｉ２と診療イベントＥとの適応関係を対応させる。
　なお、モデル構築部１１０が判別モデルを生成せず、オペレータが判別モデルを入力してもよい。
　図１１は、本実施例の判別分析部１１１による処理を示すフローチャートである。
　判別分析部１１１は、医学文献の文献ファイルを最新の医学文献ＤＢ１０２から読み出す（８０１）。
　次に、判別分析部１１１は、ステップ６０２において算出された最新の合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）を取得し、取得した合併症評価指標Ｔの中から所定の閾値より大きい合併症評価指標Ｔを特定する。そして、判別分析部１１１は、特定した合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）と、式（４）とを用いて、指標変化Ｓを算出する（８０２）。
　なお、臨床情報ＤＢ１０１が更新される場合、ステップ８０２において取得する合併症評価指標Ｔは、モデル構築部１１０がステップ７０３において取得した合併症評価指標Ｔと異なっていても良い。ステップ８０２において、所定の閾値より大きい合併症評価指標Ｔを用いることにより、判別分析部１１１は、合併症である可能性が高い病名ｉ１と病名ｉ２との組み合わせについての素性ベクトルについて、後述する判別分析を行うことができる。
　ステップ８０２の後、判別分析部１１１は、ステップ７０２において算出した指標変化Ｓ（ｉ１，ｉ２）ごとに、かつ、ステップ８０１で取り込んだ医学文献の文献ファイルごとに、ステップ７０４と同じ方法によって、構文解析により素性ベクトルを生成する（８０３）。
　医学文献ＤＢ１０２が更新されていない場合、ステップ８０３において生成される素性ベクトルの第１成分、及び、第２成分（素性ベクトルが４次元ベクトルの場合第３成分）は、ステップ７０４において生成された素性ベクトルの第１成分、及び、第２成分（素性ベクトルが４次元ベクトルの場合第３成分）と同じである。しかし、ステップ８０３において生成される素性ベクトルとステップ７０４において生成された素性ベクトルとは、最後の成分の指標変化Ｓの値が異なる場合がある。
　ステップ８０３の後、判別分析部１１１は、ステップ７０５において生成した判別モデル（病名ｉ１、病名ｉ２及び診療イベントＥについて）の判別曲線を用いて、ステップ８０２において生成した素性ベクトル（病名ｉ１、病名ｉ２及び診療イベントＥについて）の判別分析を行うことによって、病名ｉ１と診療イベントＥとの適応関係、病名ｉ２と診療イベントＥとの適応関係を判別する。
　なお、例えば、判別分析部１１１は、ステップ７０４において生成された素性ベクトルと、ステップ８０２において生成した素性ベクトルとを比較し、距離を算出し、算出した距離が所定の距離内である場合、ステップ７０４において生成された素性ベクトルに対応する適応関係（ステップ７０２において受け付けた）を、ステップ８０２において生成した素性ベクトルに適応させてもよい。
　判別分析部１１１は、医学文献ＤＢ１０２に基づいて生成された素性ベクトルの成分と判別モデルの成分とを比較することによって、文献ファイルにおける病名と診療ベクトルとの位置及び役割等を、病気と診療ベクトルとの関連を判定するためのパラメータに用いることができる。そして、判別分析部１１１は、より精度よく病気と診療ベクトルとの関連を特定できる。
　判別分析部１１１は、病名ｉ１と診療イベントＥとが適応関係にあると判別した場合、診療イベントＥが病名ｉ１のために与えられたものであると判定し、病名ｉ２と診療イベントＥとが適応関係にあると判別した場合、診療イベントＥが病名ｉ２のために与えられたものであると判定する（８０４）。
　さらに、ステップ８０４において、判別分析部１１１は、適応関係にある病名ｉと診療イベントＥとの組み合わせに１を割り当て、適応関係にない病名ｉと診療イベントＥとの組み合わせに０を割り当てることにより、病名ｉと診療イベントＥとの適応関係を示す行列（判別分析結果行列）を生成する。判別分析部１１１は、メモリ１２２又は補助記憶装置１２３に判別分析結果行列を格納する。
　図１２は、本実施例の判別分析結果行列１２０１を示す説明図である。
　図１２に示す判別分析結果行列１２０１（ｒｅｓｕｌｔ（ｉ，Ｅ））は、図１１に示す処理によって生成された行列の例である。列１２０２は、病名ｉであり、行１２０３は、診療イベントＥである。診療イベントＥが病名ｉのために行われたものである場合、成分（ｉ，Ｅ）は１である。また、診療イベントＥが病名ｉのために行われていない場合、成分（ｉ，Ｅ）は０である。
　本実施例の判別分析部１１１によれば、最新の臨床情報ＤＢ１０１及び医学文献ＤＢ１０２に基づいて生成された素性ベクトルと、判別モデルとの比較結果によって病名ｉと診療イベントＥとの適応関係を示す判別分析結果行列を生成することにより、新たに入力された情報に基づいて病名ｉと診療イベントＥとの適応関係を求めることができる。
　また、モデル構築部１１０及び判別分析部１１１が素性ベクトルの成分に指標変化Ｓなどの合併症の頻度に基づいた値を含めることによって、本実施例の判別分析部１１１は、病気が合併症であるか及び慢性疾患であるか等の病気の特性を、適応関係を判別するためのパラメータに用いることができ、より病気と診療イベントとの関係を精度よく特定することができる。
　なお、モデル構築部１１０及び判別分析部１１１は、指標変化Ｓの代わりに合併症評価指標Ｔを素性ベクトルの成分に含めてもよい。
　図１３は、本実施例の共起分析部１１２の処理を示すフローチャートである。
　共起分析部１１２は、医学文献の文献ファイルを医学文献ＤＢ１０２から取得する（９０１）。
　次に、共起分析部１１２は、病名ｉ及び診療イベントＥを同時に含む医学文献の文献ファイル数をカウントし、カウントした結果である共起数（ｉ，Ｅ）を含む共起行列を生成する（９０２）。具体的には、共起分析部１１２は、医学文献ＤＢ１０２が保持する医学文献の文献ファイルの内容を示すテキストに、病名ｉ及び診療イベントＥの用語が含まれるか、全文検索により判定する。
　図１４は、本実施例の共起行列を示す説明図である。
　図１４に示す共起行列は、列１００１が病名ｉであり、行１００２が診療イベントＥである。病名ｉ及び診療イベントＥに対応するセルは、ステップ９０２において算出された共起数Ｆ（ｉ，Ｅ）を含む。
　ステップ９０２の後、共起分析部１１２は、生成した共起行列にもとづいて、病名ｉ及び診療イベントＥごとに、式（５）により共起頻度行列ｃｏ（ｉ，Ｅ）を算出し、共起頻度行列１３０１を生成する（９０３）。
　ｃｏ（ｉ，Ｅ）＝Ｆ（ｉ，Ｅ）／ΣＦ（ｉ，Ｅ）　・・・（５）
　図１５は、本実施例の共起頻度行列１３０１を示す説明図である。
　図１５に示す共起頻度行列１３０１は、ステップ９０３において算出される共起頻度行列ｃｏ（ｉ，Ｅ）の例を示す。列１３０２は病名ｉであり、行１３０３は診療イベントＥである。ステップ９０３の後、図１３に示す処理を終了し、図３に示すステップ１３３を終了する。なお、共起分析部１１２は、生成した共起頻度行列ｃｏ（ｉ，Ｅ）を、メモリ１２２又は補助記憶装置１２３に格納する。
　共起分析部１１２が、共起頻度行列ｃｏ（ｉ，Ｅ）を生成することによって、医学文献ＤＢ１０２のみに基づいた病名ｉと診療イベントＥとの関連を示す行列を、病名診療イベント関連テーブルの生成に用いることができる。
　情報利得算出部１０８、判別分析部１１１、及び、共起分析部１１２が、各々、情報利得行列、判別分析結果行列、及び、共起頻度行列を生成した後（ステップ１３１、１３２及び１３３の後）、結果合成部１０６は、式（６）により病名診療イベント関連テーブル（Ｒｅｌａｔｉｏｎ（ｉ，Ｅ））を生成する（図３のステップ１３４）。
　Ｒｅｌａｔｉｏｎ（ｉ，Ｅ）
　　＝ＩＧ（ｉ，Ｅ）＋ｒｅｓｕｌｔ（ｉ，Ｅ）＋ｃｏ（ｉ、Ｅ）　・・・（６）
　図１６は、本実施例の病名診療イベント関連テーブル１４０１を示す説明図である。
　図１６に示す病名診療イベント関連テーブル１４０１は、病名診療イベント関連テーブル（Ｒｅｌａｔｉｏｎ（ｉ，Ｅ））の例である。列１４０２は病名ｉであり、行１４０３は診療イベントＥである。
　ステップ１３４の後、出力部１０７は、Ｒｅｌａｔｉｏｎ（ｉ，Ｅ）を出力する。また、出力部１０７は、生成した病名診療イベント関連テーブル１４０１に基づいて、適応関係が所定の基準に該当する病名ｉと診療イベントＥとの組み合わせを、ＩＯインタフェース１２４を介して出力してもよい。これによって、利用者は、病気と診療イベントとの所定の関係を示す医学知識を把握することができる。
　図１７は、本実施例の病名診療イベント関連テーブルを表示する画面１８００を示す説明図である。
　出力部１０７は、例えば、画面１８００を表示するためのデータを、ＩＯインタフェース１２４を介して出力してもよい。画面１８００は、領域１８０１及び領域１８０２を含む。
　領域１８０１は、画面１８００に表示する内容をオペレータに選択させるための領域である。図１７に示す領域１８０１は、情報利得行列、共起頻度行列及び病名診療イベント関連テーブルを選択するための表示を含むが、判別分析結果行列を選択するための表示等を含んでも良い。生成された複数の行列を表示することによって、オペレータは、異なる観点から判定された病名と診療イベントとの関係を把握することができる。
　領域１８０２は、領域１８０１において選択された内容を表示するための領域である。領域１８０１において病名診療イベント関連テーブルが選択された場合、領域１８０２は、病名診療イベント関連テーブルの内容を表示する。
　さらに、出力部１０７は、判別分析部１１１において算出された合併症評価指標Ｔと指標変化Ｓとを、ＩＯインタフェース１２４を介して出力してもよい。
　図１８は、本実施例の合併症の合併症評価指標Ｔと指標変化Ｓとを出力する画面１５００を示す説明図である。
　出力部１０７は、例えば、画面１５００を表示するためのデータを、ＩＯインタフェース１２４を介して出力する。画面１５００は、二つの病名（病名ｉ１、病名ｉ２）に関する合併症評価指標Ｔ（ｉ１，ｉ２，ｋ）の時間的な変化量を可視化し、かつ、指標変化Ｓの値を表示する画面の例である。画面１５００は、領域１５０１～１５０８を含む。
　領域１５０１は、病名ｉ１を選択するリストボックスであり、領域１５０２は病名ｉ２を選択するリストボックスである。領域１５０３は、領域１５０１及び１５０２において選択された病名ｉ１及び病名ｉ２について、日付ｔ０から日数ｋまでの合併症評価指標Ｔ（ｉ，Ｅ，ｋ）の値の推移を表示する。
　領域１５０４は日数ａ０を設定するための領域であり、領域１５０５は日数ａ１を設定するための領域である。領域１５０４及び１５０５は、例えばテキストボックスである。領域１５０４及び１５０５で設定した日数ａ０、日数ａ１に対して、モデル構築部１１０は、ステップ７０３の処理によって、指標変化Ｓ（ｉ，Ｅ）を算出する。領域１５０６は、算出された指標変化Ｓ（ｉ，Ｅ）を表示する。
　画面１５００を参照することによって、オペレータは、病名ｉ１と病名ｉ２との組み合わせ、及び日数ｋごとの合併症評価指標Ｔ（ｉ，Ｅ，ｋ）及び指標変化Ｓ（ｉ，Ｅ）の値を把握でき、病名ｉ１と病名ｉ２とが合併症であるかを判断することができる。
　また、領域１５０３のグラフの推移を参照することによって、オペレータは、ステップ８０２において合併症評価指標Ｔと比較する所定の閾値Ｔ０の候補を決めることができる。オペレータは、閾値の候補を決定した場合、領域１５０７に候補を入力し、領域１５０８の登録ボタンをクリックすることで所定の閾値を設定することができる。
　例えば、オペレータは、二つの病名の一つに慢性疾患を含む場合の合併症評価指標Ｔ（ｉ，Ｅ，ｋ）の推移と、二つの病名の一つに急性合併症を含む場合の合併症評価指標Ｔ（ｉ，Ｅ，ｋ）の推移を領域１５０３において確認することで、適切な閾値Ｔ０を設定できる。
　なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除又は置換をすることが可能である。
　また、上記の各構成、機能及び処理部等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル又はファイル等の情報は、メモリ、ハードディスク、若しくはＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記録装置、又は、ＩＣカード、若しくはＳＤカード等の記録媒体に置くことができる。
　また、図６、図９、図１０、図１１及び図１３に示す処理は、処理ごとに分割された機能部によって実行されてもよい。例えば、判別分析部１１１は、ステップ８０１を実行する読み出し機能部、ステップ８０２を実行する指標変化算出機能部、ステップ８０３を実行する構文解析機能部、及び、ステップ８０４を実行する行列生成機能部に分割されてもよい。
　また、制御線及び情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線及び情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

Claims (15)

  1. 　計算機システムであって、
    　プロセッサ、及び、メモリを有し、
    　前記プロセッサは、
    　患者の病気と前記患者に行われた診療イベントとを示す複数の症例を含む臨床情報を取得し、
    　前記病気の名称及び前記診療イベントを表す言葉を示す文献を含む文献情報を取得し、
    　一つの症例が複数の病気の組み合わせを示す頻度を前記臨床情報に基づいて算出して、前記メモリに格納し、
    　前記病気の名称及び前記診療イベントを表す言葉の各々を用いて前記文献情報を分析し、分析結果を前記メモリに格納し、
    　前記診療イベントが行われた病気を判別するための基準を取得し、
    　前記分析結果と前記算出した頻度と前記取得した基準とに基づいて、前記診療イベントが前記病気のために行われたか否かを示す第１の関連情報を求めて、前記メモリに格納し、
    　前記第１の関連情報に基づいて、前記診療イベントと前記病気との関係を示す医療情報を生成することを特徴とする計算機システム。
  2. 　請求項１に記載の計算機システムであって、
    　前記プロセッサは、第１の病気と第２の病気との両方を示す症例の数を、少なくとも前記第１の病気を示す症例の数で除算することによって、前記頻度を算出することを特徴とする計算機システム。
  3. 　請求項１に記載の計算機システムであって、
    　前記臨床情報は、所定の開始日から複数の異なる経過期間において行われた診療イベントを示す複数の症例を含み、
    　前記プロセッサは、
    　前記複数の異なる経過期間における症例に基づいて、複数の前記頻度を算出し、
    　前記算出した複数の頻度に基づいて頻度の時間変化量を算出し、
    　前記分析結果を示す成分と、前記算出した時間変化量を示す成分とを含む素性ベクトルを生成し、
    　前記生成した素性ベクトルと前記取得した基準とに基づいて前記第１の関連情報を求めることを特徴とする計算機システム。
  4. 　請求項３に記載の計算機システムであって、
    　前記プロセッサは、
    　前記所定の開始日から第１の経過日までの間に行われた診療イベントを示す症例が、前記複数の病気の組み合わせを示す第１の頻度を算出し、
    　前記所定の開始日から、前記第１の経過日より遅い第２の経過日の間に行われた診療イベントを示す症例が、前記複数の病気の組み合わせを示す第２の頻度を算出し、
    　前記第１の頻度と前記第２の頻度との差分に基づいて、前記時間変化量を算出することを特徴とする計算機システム。
  5. 　請求項１に記載の計算機システムであって、
    　前記文献情報に含まれる文献は、複数の文章を含み、
    　前記プロセッサは、
    　前記文献情報を分析することによって、前記病気の名称及び前記診療イベントを表す言葉の各々の前記文章における位置を特定し、
    　前記特定した位置に基づいて、前記病気の名称及び前記診療イベントを表す言葉の各々の前記文章における役割を示す情報を前記分析結果として生成することを特徴とする計算機システム。
  6. 　請求項１に記載の計算機システムであって、
    　前記プロセッサは、
    　前記臨床情報から、病気と診療イベントとを選択し、
    　前記臨床情報に含まれる症例の数と、前記選択した病気を示す症例の数と、前記選択した診療イベントを示す症例の数とを特定することによって、前記選択した診療イベントが前記選択した病気に行われることが多いかを示す第２の関連情報を求め、
    　前記第１の関連情報と前記第２の関連情報とに基づいて、前記医療情報を生成することを特徴とする計算機システム。
  7. 　請求項１に記載の計算機システムであって、
    　前記プロセッサは、
    　前記病気の名称と前記診療イベントを表す言葉とが前記文献情報において共起する頻度を示す第３の関連情報を求め、
    　前記第３の関連情報と前記第１の関連情報とに基づいて、前記医療情報を生成することを特徴とする計算機システム。
  8. 　請求項７に記載の計算機システムであって、
    　前記プロセッサは、前記第３の関連情報、及び、前記生成した医療情報を表示するためのデータを生成し、
    　前記生成したデータを出力する計算機システム。
  9. 　請求項１に記載の計算機システムであって、
    　前記プロセッサは、
    　医療に関する単語を含む医学辞書を取得し、
    　前記医学辞書から、前記病気の名称以外の単語を、前記診療イベントを表す言葉として取得することを特徴とする計算機システム。
  10. 　計算機システムによる情報処理方法であって、
    　プロセッサ、及び、メモリを有し、
    　前記方法は、
    　前記プロセッサが、患者の病気と前記患者に行われた診療イベントとを示す複数の症例を含む臨床情報を取得し、前記病気の名称及び前記診療イベントを表す言葉を示す文献を含む文献情報を取得する情報取得手順と、
    　前記プロセッサが、一つの症例が複数の病気の組み合わせを示す頻度を前記臨床情報に基づいて算出して、前記メモリに格納する頻度算出手順と、
    　前記プロセッサが、前記病気の名称及び前記診療イベントを表す言葉の各々を用いて前記文献情報を分析し、分析結果を前記メモリに格納する分析手順と、
    　前記プロセッサが、前記診療イベントが行われた病気を判別するための基準を取得する基準取得手順と、
    　前記プロセッサが、前記分析結果と前記算出した頻度と前記取得した基準とに基づいて、前記診療イベントが前記病気のために行われたか否かを示す第１の関連情報を求めて、前記メモリに格納する第１の情報生成手順と、
    　前記プロセッサが、前記第１の関連情報に基づいて、前記診療イベントと前記病気との関係を示す医療情報を生成する医療情報生成手順と、を含むことを特徴とする情報処理方法。
  11. 　請求項１０に記載の情報処理方法であって、
    　前記頻度算出手順は、前記プロセッサが、第１の病気と第２の病気との両方を示す症例の数を、少なくとも前記第１の病気を示す症例の数で除算することによって、前記頻度を算出する手順を含むことを特徴とする情報処理方法。
  12. 　請求項１０に記載の情報処理方法であって、
    　前記臨床情報は、所定の開始日から複数の異なる経過期間において行われた診療イベントを示す複数の症例を含み、
    　前記頻度算出手順は、前記プロセッサが、前記複数の異なる経過期間における症例に基づいて、複数の前記頻度を算出する手順を含み、
    　前記第１の情報生成手順は、
    　前記プロセッサが、前記算出された複数の頻度に基づいて頻度の時間変化量を算出する手順と、
    　前記プロセッサが、前記分析結果を示す成分と、前記算出した時間変化量を示す成分とを含む素性ベクトルを生成する手順と、
    　前記プロセッサが、前記生成した素性ベクトルと前記取得した基準とに基づいて前記第１の関連情報を求める手順と、を含むことを特徴とする情報処理方法。
  13. 　請求項１２に記載の情報処理方法であって、
    　前記頻度算出手順は、
    　前記プロセッサが、前記所定の開始日から第１の経過日までの間に行われた診療イベントを示す症例が、前記複数の病気の組み合わせを示す第１の頻度を算出する手順と、
    　前記プロセッサが、前記所定の開始日から、前記第１の経過日より遅い第２の経過日の間に行われた診療イベントを示す症例が、前記複数の病気の組み合わせを示す第２の頻度を算出する手順と、を含み、
    　前記第１の情報生成手順は、前記プロセッサが、前記第１の頻度と前記第２の頻度との差分に基づいて、前記時間変化量を算出する手順を含むことを特徴とする情報処理方法。
  14. 　請求項１０に記載の情報処理方法であって、
    　前記文献情報に含まれる文献は、複数の文章を含み、
    　前記分析手順は、
    　前記プロセッサが、前記文献情報を分析することによって、前記病気の名称及び前記診療イベントを表す言葉の各々の前記文章における位置を特定する手順と、
    　前記プロセッサが、前記特定した位置に基づいて、前記病気の名称及び前記診療イベントを表す言葉の各々の前記文章における役割を示す情報を前記分析結果として生成する手順とを含むことを特徴とする情報処理方法。
  15. 　請求項１０に記載の情報処理方法であって、
    　前記方法は、
    　前記プロセッサが、前記臨床情報から、病気と診療イベントとを選択する選択手順と、
    　前記プロセッサが、前記臨床情報に含まれる症例の数と、前記選択した病気を示す症例の数と、前記選択した診療イベントを示す症例の数とを特定することによって、前記選択した診療イベントが前記選択した病気に行われることが多いかを示す第２の関連情報を求める第２の情報生成手順と、を含み、
    　前記医療情報生成手順は、前記プロセッサが、前記第１の関連情報と前記第２の関連情報とに基づいて、前記医療情報を生成する手順を含むことを特徴とする情報処理方法。
PCT/JP2015/059703 2015-03-27 2015-03-27 計算機システム、及び、情報処理方法 WO2016157314A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP15887467.7A EP3276570A4 (en) 2015-03-27 2015-03-27 Computer system and information processing method
JP2017508847A JP6272555B2 (ja) 2015-03-27 2015-03-27 計算機システム、及び、情報処理方法
US15/510,375 US10423758B2 (en) 2015-03-27 2015-03-27 Computer system and information processing method
PCT/JP2015/059703 WO2016157314A1 (ja) 2015-03-27 2015-03-27 計算機システム、及び、情報処理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/059703 WO2016157314A1 (ja) 2015-03-27 2015-03-27 計算機システム、及び、情報処理方法

Publications (1)

Publication Number Publication Date
WO2016157314A1 true WO2016157314A1 (ja) 2016-10-06

Family

ID=57004877

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/059703 WO2016157314A1 (ja) 2015-03-27 2015-03-27 計算機システム、及び、情報処理方法

Country Status (4)

Country Link
US (1) US10423758B2 (ja)
EP (1) EP3276570A4 (ja)
JP (1) JP6272555B2 (ja)
WO (1) WO2016157314A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018124765A (ja) * 2017-01-31 2018-08-09 セコム株式会社 診療情報処理システム、及び診療情報処理プログラム
JP2018169795A (ja) * 2017-03-30 2018-11-01 株式会社日立製作所 情報処理装置、これにおける画面表示方法及び分析処理プログラム
JP7433541B2 (ja) 2021-08-27 2024-02-19 之江実験室 多中心医学診断知識グラフ表示学習方法及びシステム

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11698890B2 (en) 2018-07-04 2023-07-11 Monday.com Ltd. System and method for generating a column-oriented data structure repository for columns of single data types
US11436359B2 (en) 2018-07-04 2022-09-06 Monday.com Ltd. System and method for managing permissions of users for a single data type column-oriented data structure
US11775890B2 (en) 2019-11-18 2023-10-03 Monday.Com Digital processing systems and methods for map-based data organization in collaborative work systems
US11829953B1 (en) 2020-05-01 2023-11-28 Monday.com Ltd. Digital processing systems and methods for managing sprints using linked electronic boards
EP4143732A1 (en) 2020-05-01 2023-03-08 Monday.com Ltd. Digital processing systems and methods for enhanced collaborative workflow and networking systems, methods, and devices
US11481288B2 (en) 2021-01-14 2022-10-25 Monday.com Ltd. Digital processing systems and methods for historical review of specific document edits in collaborative work systems
US11741071B1 (en) 2022-12-28 2023-08-29 Monday.com Ltd. Digital processing systems and methods for navigating and viewing displayed content
US11886683B1 (en) 2022-12-30 2024-01-30 Monday.com Ltd Digital processing systems and methods for presenting board graphics
US11893381B1 (en) 2023-02-21 2024-02-06 Monday.com Ltd Digital processing systems and methods for reducing file bundle sizes

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004265135A (ja) * 2003-02-28 2004-09-24 Sanyo Electric Co Ltd 診療支援システム、診療支援装置、及び診療支援サーバ
JP2008083928A (ja) * 2006-09-27 2008-04-10 Gifu Univ 医療情報抽出装置、及び医療情報抽出プログラム
JP2013239158A (ja) * 2012-04-19 2013-11-28 Toshiba Corp 医療情報検索支援装置及び医療情報検索支援システム
JP2014120094A (ja) * 2012-12-19 2014-06-30 Toshiba Corp 医療情報検索システム及び医療情報検索装置
JP2014228907A (ja) * 2013-05-20 2014-12-08 株式会社日立製作所 情報構造化システム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4516809B2 (ja) 2004-06-23 2010-08-04 財団法人日本医薬情報センター 添付文書適応症コード変換方法
US20130103417A1 (en) * 2010-06-30 2013-04-25 Hitachi, Ltd. Medical Care Support System and Method Of Supporting Medical Care
US20130218596A1 (en) * 2012-02-16 2013-08-22 dbMotion Ltd. Method And System For Facilitating User Navigation Through A Computerized Medical Information System
US20130268290A1 (en) * 2012-04-02 2013-10-10 David Jackson Systems and methods for disease knowledge modeling
KR20140107714A (ko) * 2013-02-25 2014-09-05 한국전자통신연구원 건강 관리 시스템 및 그것의 건강 정보 제공 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004265135A (ja) * 2003-02-28 2004-09-24 Sanyo Electric Co Ltd 診療支援システム、診療支援装置、及び診療支援サーバ
JP2008083928A (ja) * 2006-09-27 2008-04-10 Gifu Univ 医療情報抽出装置、及び医療情報抽出プログラム
JP2013239158A (ja) * 2012-04-19 2013-11-28 Toshiba Corp 医療情報検索支援装置及び医療情報検索支援システム
JP2014120094A (ja) * 2012-12-19 2014-06-30 Toshiba Corp 医療情報検索システム及び医療情報検索装置
JP2014228907A (ja) * 2013-05-20 2014-12-08 株式会社日立製作所 情報構造化システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3276570A4 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018124765A (ja) * 2017-01-31 2018-08-09 セコム株式会社 診療情報処理システム、及び診療情報処理プログラム
JP2018169795A (ja) * 2017-03-30 2018-11-01 株式会社日立製作所 情報処理装置、これにおける画面表示方法及び分析処理プログラム
JP7433541B2 (ja) 2021-08-27 2024-02-19 之江実験室 多中心医学診断知識グラフ表示学習方法及びシステム

Also Published As

Publication number Publication date
EP3276570A4 (en) 2018-11-07
JP6272555B2 (ja) 2018-01-31
US20170286604A1 (en) 2017-10-05
JPWO2016157314A1 (ja) 2017-06-08
US10423758B2 (en) 2019-09-24
EP3276570A1 (en) 2018-01-31

Similar Documents

Publication Publication Date Title
JP6272555B2 (ja) 計算機システム、及び、情報処理方法
Kim et al. Medical informatics research trend analysis: a text mining approach
JP2018060529A (ja) コンテキストベースの患者類似性の方法及び装置
Gerstmair et al. Intelligent image retrieval based on radiology reports
JP2020035036A (ja) 試験計画策定支援装置、試験計画策定支援方法及びプログラム
CN109074858A (zh) 没有明显准标识符的去识别的健康护理数据库的医院匹配
Mathers et al. Cluster analysis of patients with ocular surface disease, blepharitis, and dry eye
KR20170133692A (ko) 의료 기록 문서에서의 의료 단어의 연관 규칙 생성 방법 및 그 장치
JP6177609B2 (ja) 医療カルテシステム及び医療カルテ検索方法
JP7437386B2 (ja) 医療記録を分類する方法
Koyuncugil et al. Donor research and matching system based on data mining in organ transplantation
Saeed et al. Impact of data mining techniques to analyze health care data
Agrawal et al. A machine learning approach for quality assurance of snomed ct
JP4250285B2 (ja) 疾病別診療報酬明細書分析システム
Sakib et al. A novel approach on machine learning based data warehousing for intelligent healthcare services
WO2022079593A1 (en) A system and a way to automatically monitor clinical trials - virtual monitor (vm) and a way to record medical history
CN111971754B (zh) 医学信息处理装置、医学信息处理方法及存储介质
Yee et al. Big data: Its implications on healthcare and future steps
Kakulapati et al. Machine learning analysis of topic modeling re-ranking of clinical records
JP2021135930A (ja) 分析装置、分析方法、および分析プログラム
JP6867147B2 (ja) 医療情報記憶装置、医療情報検索装置、医療情報記憶方法、医療情報記憶プログラム、及びコンピュータ読取可能な記録媒体
US9916419B2 (en) Processing electronic documents
KR102484681B1 (ko) 임상 의사 결정의 방법 및 시스템
Cui Ontology-guided health information extraction, organization, and exploration
GB2573512A (en) Database and associated method

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: 15887467

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2017508847

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15510375

Country of ref document: US

REEP Request for entry into the european phase

Ref document number: 2015887467

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2015887467

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE