WO2018073895A1 - 類似症例検索プログラム、類似症例検索装置および類似症例検索方法 - Google Patents

類似症例検索プログラム、類似症例検索装置および類似症例検索方法 Download PDF

Info

Publication number
WO2018073895A1
WO2018073895A1 PCT/JP2016/080850 JP2016080850W WO2018073895A1 WO 2018073895 A1 WO2018073895 A1 WO 2018073895A1 JP 2016080850 W JP2016080850 W JP 2016080850W WO 2018073895 A1 WO2018073895 A1 WO 2018073895A1
Authority
WO
WIPO (PCT)
Prior art keywords
variable
patient
analysis
patient data
value
Prior art date
Application number
PCT/JP2016/080850
Other languages
English (en)
French (fr)
Inventor
江朗 勝田
Original Assignee
富士通株式会社
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 富士通株式会社 filed Critical 富士通株式会社
Priority to JP2018546072A priority Critical patent/JPWO2018073895A1/ja
Priority to EP16919338.0A priority patent/EP3531425A4/en
Priority to PCT/JP2016/080850 priority patent/WO2018073895A1/ja
Publication of WO2018073895A1 publication Critical patent/WO2018073895A1/ja
Priority to US16/294,477 priority patent/US20190237200A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9038—Presentation of query results
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • the present invention relates to a similar case search program, a similar case search device, and a similar case search method.
  • a clinical path operation support system that generates and presents a clinical path that is a standard medical process has been proposed.
  • the proposed clinical path management support system classifies various cases registered in the database into a plurality of case groups, and generates a clinical path for each case group.
  • the clinical path operation support system searches for a case group similar to the clinical information of the target patient and presents a clinical path corresponding to the case group.
  • a similar case search device that improves the search accuracy of similar cases has been proposed.
  • the proposed similar case retrieval apparatus determines the similarity between the input case input by the user and each case registered in the database according to the first collation criterion, and extracts a set of similar cases similar to the input case.
  • the similar case retrieval apparatus calculates statistical information of features related to the extracted similar cases, and presents the extracted similar cases and statistical information to the user.
  • the similar case retrieval apparatus receives an input of the second collation criterion from the user, and narrows down similar cases according to the second collation criterion.
  • a treatment plan support system that supports the formulation of a treatment plan for a target patient based on medical images.
  • the proposed treatment planning support system searches for similar cases similar to the clinical information of the target patient, and extracts medical images captured in the similar cases from the database.
  • the treatment planning support system generates and displays a predicted medical image indicating the change prediction of the diseased part of the target patient based on the extracted medical image of the similar case.
  • the information processing system searching for and analyzing similar cases from the database is useful for supporting medical treatment of a target patient by a doctor.
  • a database is created for each medical institution, many cases are accumulated in one medical institution (for example, a large hospital), whereas cases accumulated in another medical institution (for example, a small clinic) are stored. There are few. If the number of cases stored in the database is small, the accuracy of similar case analysis may be reduced, and the usefulness of analysis results may be reduced.
  • an object of the present invention is to provide a similar case search program, a similar case search apparatus, and a similar case search method that enable acquisition of a highly accurate similar case analysis result.
  • a similar case search program for causing a computer to execute the following processing.
  • Analysis results indicating the disease state progress or treatment effect analyzed with respect to the patient data of the first patient, and variables included in the patient data of a plurality of second patients referred in the analysis of the disease state progress or treatment effect A plurality of analysis histories each including variable statistical information indicating the distribution of the values of.
  • the designation of the patient data of the third patient is accepted.
  • the score of each of the plurality of analysis histories is calculated.
  • the analysis results of some of the analysis histories are output.
  • a similar case search device having a storage unit and a processing unit is provided.
  • a similar case search method executed by a computer is provided.
  • FIG. 1 is a diagram illustrating an example of a similar case retrieval apparatus according to the first embodiment.
  • the similar case retrieval apparatus 10 according to the first embodiment is used in an information processing system that supports medical treatment of a patient by a doctor.
  • the similar case search apparatus 10 can utilize knowledge obtained by referring to patient data of other patients similar to the patient data of the target patient.
  • the similar case retrieval apparatus 10 is used in the following scenes.
  • the patient data (similar cases) of other patients similar to the patient data of the target patient are searched from the database, and the target patient's medical care is referred to with reference to the similar cases that have been searched.
  • the analysis result may include information related to the prediction of the disease state progress of the target patient, information related to the prediction of treatment effect when a certain treatment method is selected, and the like.
  • the accuracy of such similar case analysis is low, and the usefulness of the analysis results may be reduced.
  • the similar case search apparatus 10 does not share patient data itself, but allows an analysis history of similar case analysis performed at a certain medical institution to be shared with other medical institutions.
  • the similar case search apparatus 10 can search and refer to the analysis history that matches the patient data of the target patient from the shared analysis history even in a medical institution with a small number of accumulated cases.
  • the similar case retrieval apparatus 10 includes a storage unit 11 and a processing unit 12.
  • the storage unit 11 may be a volatile semiconductor memory such as a RAM (Random Access Memory) or a non-volatile storage such as an HDD (Hard Disk Drive) or a flash memory.
  • the processing unit 12 is, for example, a processor such as a CPU (Central Processing Unit) or a DSP (Digital Signal Processing). However, the processing unit 12 may include an electronic circuit for a specific application such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).
  • the processor executes a program stored in a memory such as a RAM.
  • the program includes a similar case search program for executing processing to be described later.
  • a set of processors may be referred to as a “multiprocessor” or “processor”.
  • the storage unit 11 stores a plurality of analysis histories including the analysis histories 13a and 13b.
  • Each of the plurality of analysis histories includes an analysis result and variable statistical information.
  • the analysis result indicates a disease state progress state or treatment effect analyzed with respect to patient data of the subject patient.
  • the variable statistical information indicates a distribution of values of variables included in the patient data of other patients referred to when analyzing the disease state progress or treatment effect.
  • the variable statistical information may indicate a maximum value, a minimum value, an average value, a median value, a standard deviation, and the like of the value of the variable. When the variable takes a finite number of discrete values, the variable statistical information may indicate the appearance ratio of each value.
  • the analysis history 13a includes an analysis result 14a and variable statistical information 15a.
  • the analysis history 13b includes an analysis result 14b and variable statistical information 15b.
  • the plurality of analysis histories stored in the storage unit 11 are acquired from the outside of the similar case search apparatus 10.
  • the plurality of analysis histories are generated by a medical institution device having many accumulated cases such as a large-scale hospital.
  • the analysis history 13a is generated as follows.
  • patient data 18a, 18b, and the like are retrieved from the database held by the medical institution as similar cases similar to the patient data 17 of the target patient.
  • Each of the patient data 17, 18a, and 18b includes a variable value.
  • Variables may include patient attribute items such as age and sex, and test items such as blood glucose level and blood pressure.
  • the patient data 18 a and 18 b are searched based on the similarity of the value of the variable with the patient data 17.
  • the analysis result 14a is generated by referring to the patient data 18a, 18b and the like in the medical institution holding the database.
  • the variable statistical information 15a is generated by statistically processing the values of variables included in the patient data 18a, 18b and the like in the medical institution that holds the database.
  • the analysis history 13a does not include the contents of the patient data 17, 18a, 18b.
  • the processing unit 12 accepts designation of patient data 19 of another target patient.
  • the patient data 19 is specified from a medical institution that is different from the medical institution that generated the analysis histories 13a and 13b.
  • the patient data 19 is specified from a medical institution with a small number of accumulated cases such as a small clinic.
  • the similar case search apparatus 10 may be installed outside a medical institution that designates patient data 19 or may be held by a medical institution that designates patient data 19.
  • the similar case search device 10 receives patient data 19 from, for example, a device held by a small clinic.
  • the patient data 19 includes variable values in the same manner as the patient data 17, 18a, 18b and the like.
  • the processing unit 12 compares the value of the variable in the patient data 19 with the distribution indicated by the variable statistical information of each of the plurality of analysis histories stored in the storage unit 11. For example, the processing unit 12 determines whether the value of the variable of the patient data 19 is within the distribution range indicated by each variable statistical information.
  • the processing unit 12 calculates a score of each analysis history based on the comparison result. A score 16a is calculated for the analysis history 13a, and a score 16b is calculated for the analysis history 13b.
  • the processing unit 12 selects a part of the analysis histories from the plurality of analysis histories stored in the storage unit 11 according to the calculated score, and outputs the analysis results included in the selected analysis histories. For example, the processing unit 12 outputs an analysis result of an analysis history having a score equal to or higher than a threshold or an analysis result of a predetermined number of analysis histories from a higher score. When the score of the analysis history 13a is the highest, at least the analysis result 14a is output. The output analysis result is transmitted, for example, to a device that designates the patient data 19 as a response to the patient data 19.
  • variable statistical information indicating the characteristics of the similar case referred to at that time is added to the analysis result generated in the past similar case analysis. Accumulated as analysis history. Then, the patient data of the target patient and the variable statistical information are compared, and a past analysis result suitable for the target patient is extracted.
  • each analysis history does not include the patient data of the target patient used when the analysis history is generated or the patient data itself of similar cases. Therefore, it is not necessary to provide patient data itself created by a certain medical institution outside the medical institution, and personal information protection and security can be improved.
  • FIG. 2 is a diagram illustrating an example of an information processing system according to the second embodiment.
  • the information processing system according to the second embodiment is a medical information processing system that supports medical treatment of a patient by a doctor.
  • This information processing system makes it possible to share useful information among a plurality of medical institutions while considering personal information protection and security.
  • the information processing system includes terminal devices 31 and 41 and server devices 100 and 200.
  • the terminal device 31 and the server device 100 are installed in the medical institution 30.
  • the terminal device 41 is installed in the medical institution 40.
  • the server device 200 is installed in a facility outside the medical institutions 30 and 40 such as a data center.
  • the terminal device 41 and the server device 100 can access the server device 200 via the network 50.
  • the network 50 is a wide area data network such as the Internet, for example.
  • the medical institution 30 is a medical institution that holds clinical information of a large number of patients such as large-scale hospitals.
  • the terminal device 31 is a terminal device used by medical personnel such as doctors in the medical institution 30 and is, for example, a client computer.
  • the terminal device 31 can access the server device 100 via the local network of the medical institution 30.
  • the server apparatus 100 is a server apparatus that manages a database that stores clinical information of patients undergoing medical care at the medical institution 30, and is, for example, a server computer.
  • the server device 100 performs similar case analysis in response to a request from the terminal device 31.
  • the server device 100 accepts designation of the target patient from the terminal device 31.
  • the server apparatus 100 searches the database of the server apparatus 100 for clinical information of other patients similar to the clinical information of the target patient as similar cases.
  • the server apparatus 100 refers to similar cases to predict the future pathological progress and treatment effect of the target patient, and provides the prediction result to the terminal apparatus 31. Thereby, decision making, such as selection of the treatment method with respect to an object patient, can be supported.
  • the server apparatus 100 transmits the pathological progress prediction result and the therapeutic effect prediction result to the server apparatus 200. Communication between the server apparatus 100 and the server apparatus 200 may be protected by a cryptographic processing technique.
  • the medical institution 40 is a medical institution that holds clinical information of a small number of patients as compared with the medical institution 30 such as a small clinic.
  • the terminal device 41 is a terminal device used by medical personnel such as doctors in the medical institution 40, and is a client computer, for example.
  • the terminal device 41 stores clinical information of a patient who is receiving medical care at the medical institution 40.
  • the server device may manage a database of clinical information.
  • the terminal device 41 acquires from the server device 200 a disease state progression prediction result and a treatment effect prediction result that are highly likely to be suitable for a target patient undergoing medical care at the medical institution 40.
  • the information processing system according to the second embodiment enables the disease state progress prediction result and the treatment effect prediction result generated by the medical institution 30 to be reused via the server device 200. Thereby, decision making, such as selection of a treatment method, can be supported also for the target patient of the medical institution 40.
  • the server device 200 corresponds to the similar case search device 10 of the first embodiment.
  • the “clinical information” described in the second embodiment corresponds to the patient data of the first embodiment.
  • hardware and software of the server apparatuses 100 and 200 will be described.
  • FIG. 3 is a block diagram illustrating a hardware example of the server apparatus.
  • the server apparatus 100 includes a CPU 101, a RAM 102, an HDD 103, an image signal processing unit 104, an input signal processing unit 105, a medium reader 106, and a communication interface 107.
  • the unit included in the server apparatus 100 is connected to a bus.
  • the CPU 101 is a processor including an arithmetic circuit that executes program instructions.
  • the CPU 101 loads at least a part of the program and data stored in the HDD 103 into the RAM 102 and executes the program.
  • the CPU 101 may include a plurality of processor cores, the server apparatus 100 may include a plurality of processors, and the processes described below may be executed in parallel using a plurality of processors or processor cores.
  • a set of processors may be referred to as a “multiprocessor” or “processor”.
  • the RAM 102 is a volatile semiconductor memory that temporarily stores programs executed by the CPU 101 and data used by the CPU 101 for calculations.
  • the server device 100 may include a type of memory other than the RAM, or may include a plurality of memories.
  • the HDD 103 is a non-volatile storage device that stores an OS (Operating System), software programs such as middleware and application software, and data.
  • OS Operating System
  • server device 100 may include other types of storage devices such as a flash memory and an SSD (Solid State Drive), and may include a plurality of nonvolatile storage devices.
  • the image signal processing unit 104 outputs an image to the display 104 a connected to the server device 100 in accordance with a command from the CPU 101.
  • Various types of displays such as a CRT (Cathode Ray Tube) display, a liquid crystal display (LCD), a plasma display, and an organic EL (OEL: Organic Electro-Luminescence) display can be used as the display 104a.
  • the input signal processing unit 105 acquires an input signal from the input device 105 a connected to the server apparatus 100 and outputs it to the CPU 101.
  • the input device 105a a mouse, a touch panel, a touch pad, a pointing device such as a trackball, a keyboard, a remote controller, a button switch, or the like can be used.
  • a plurality of types of input devices may be connected to the server apparatus 100.
  • the medium reader 106 is a reading device that reads a program and data recorded on the recording medium 106a.
  • the recording medium 106a for example, a magnetic disk, an optical disk, a magneto-optical disk (MO), a semiconductor memory, or the like can be used.
  • Magnetic disks include flexible disks (FD: Flexible Disk) and HDDs.
  • Optical discs include CD (Compact Disc) and DVD (Digital Versatile Disc).
  • the medium reader 106 copies the program or data read from the recording medium 106 a to another recording medium such as the RAM 102 or the HDD 103, for example.
  • the read program is executed by the CPU 101, for example.
  • the recording medium 106a may be a portable recording medium and may be used for distributing programs and data.
  • the recording medium 106a and the HDD 103 may be referred to as computer-readable recording media.
  • the communication interface 107 is an interface that is connected to the network 50 and communicates with other devices via the network 50.
  • the communication interface 107 is preferably a wired communication interface connected to a communication device such as a switch with a cable.
  • a wireless communication interface connected to the base station via a wireless link may be used.
  • the terminal devices 31 and 41 and the server device 200 can also be mounted using the same hardware as the server device 100.
  • the CPU included in the server device 200 corresponds to the processing unit 12 described in the first embodiment.
  • the RAM or HDD included in the server device 200 corresponds to the storage unit 11 described in the first embodiment.
  • FIG. 4 is a block diagram illustrating an example of functions of the server apparatus.
  • the server device 100 includes a clinical information database 111, a related variable storage unit 112, a similar case search unit 113, a disease state progression prediction unit 114, a treatment effect prediction unit 115, a disease state progression library generation unit 116, and a treatment effect library generation unit 117.
  • the clinical information database 111 and the related variable storage unit 112 are implemented using a storage area secured in the RAM 102 or the HDD 103, for example.
  • the similar case search unit 113, the disease state progression prediction unit 114, the treatment effect prediction unit 115, the disease state progression library generation unit 116, and the treatment effect library generation unit 117 are implemented using program modules executed by the CPU 101, for example.
  • the clinical information database 111 stores clinical information of each of a plurality of patients.
  • Clinical information is input by a healthcare professional such as a doctor.
  • the clinical information for each patient includes the values of multiple variables.
  • Variables include attribute items that indicate patient attributes such as gender and age, test items such as blood glucose level and blood pressure that can be obtained by measurement or diagnosis, items that indicate whether treatment methods have been adopted, and changes in the patient's condition such as the period of no recurrence There is an item that indicates.
  • the related variable storage unit 112 stores related variable information indicating the relationship between two variables.
  • the relationship between two variables can be determined from the correlation between the value taken by one variable and the value taken by the other variable. The stronger the correlation, the greater the relationship.
  • related variables other variables that are highly relevant can be referred to as related variables. Which variable becomes the related variable for a certain variable may be defined in advance from the nature of each variable. Further, which variable is a related variable with respect to a certain variable may be determined by the server device 100 analyzing clinical information stored in the clinical information database 111.
  • an appropriate algorithm is selected depending on whether or not each variable takes a finite number of discrete values.
  • the following algorithm can be used. Pearson's chi-square test. Fisher's exact test. Mann-Whitney-Wilcoxon test. Student's t test. Welch's t test. Kruskal-Wallis test. Analysis of variance (ANOVA). A method using Kendall's rank correlation coefficient. A method using Spearman's rank correlation coefficient. A method using Pearson's product moment correlation coefficient. Method using MIC (Maximal Information Coefficient).
  • the p-value or correlation coefficient is calculated as an index value of relevance by the algorithm as described above. A set of variables whose relevance index value is greater than or equal to a predetermined threshold value or an input threshold value is determined to be highly relevant.
  • the similar case search unit 113 searches the clinical information database 111 for similar cases similar to the clinical information of the target patient in response to a request from the terminal device 31. At this time, the similar case search unit 113 receives the designation of the variable from the terminal device 31 together with the designation of the target patient.
  • the similar case search unit 113 refers to the related variable information stored in the related variable storage unit 112, identifies the related variable corresponding to the specified variable, and selects the specified variable and the related variable.
  • the similar case search unit 113 calculates the degree of similarity with the clinical information of the target patient using only the value of the selected variable among the various variable values included in each clinical information. This is because each clinical information includes miscellaneous variable values that are not related to the disease of the target patient, and thus calculating the similarity using all the variable values may reduce the accuracy. is there.
  • a medical worker such as a doctor can find a similar case from the viewpoint of the disease of interest by selecting one or more variables related to the disease of the target patient.
  • related variables related to the specified variable are searched and the related variables are also used to calculate the similarity. used.
  • the similarity for example, Pearson's product-moment correlation coefficient, Kendall's rank correlation coefficient, Spearman's rank correlation coefficient, cosine similarity, MIC, and the like can be used.
  • the degree of similarity is higher as the value of the selected variable is closer to that of the target patient.
  • the similar case search unit 113 classifies clinical information whose similarity is greater than or equal to a predetermined threshold or the threshold input from the terminal device 31 into similar cases similar to the clinical information of the target patient.
  • the similar case search unit 113 classifies other clinical information into comparative cases.
  • the pathological progress prediction unit 114 generates a pathological progress prediction result by predicting the future pathological progress of the target patient by analyzing a set of similar cases and a set of comparative cases. For predicting the progression of the disease state, the value of a variable related to the change in the disease state contained in the similar case and the comparative case is used. In the example described below, a relapse-free period, which is the number of days that have passed without a recurrence of a disease from a reference date such as a treatment start date or a complete cure date, is used as a variable related to a disease state change.
  • the pathological progress prediction result includes a pathological progress graph and a prognosis to be described later.
  • the pathological progression graph includes a curve corresponding to a similar case and a curve corresponding to a comparative case. Coordinates (x, y) on the curve corresponding to similar cases indicate that the proportion of cases in which the disease has not recurred when x days have elapsed from the reference date among the similar cases is y%.
  • the coordinates (x, y) on the curve corresponding to the comparative case indicate that the percentage of cases in which the disease has not recurred at the time when x days have elapsed from the reference date among the comparative cases is y%.
  • the predicted prognosis is a result of predicting whether the prognosis of the target patient is “good”, “bad”, or “unknown”. If the relapse-free period of similar cases is significantly longer than that of the comparative case, the predicted prognosis is “good”. If the recurrence-free period of similar cases is significantly shorter than that of comparative cases, the predicted prognosis is “poor”. If there is no significant difference in recurrence-free period between similar and comparative cases, the predicted prognosis is “unknown”.
  • the disease state progression prediction unit 114 transmits the disease state progression prediction result to the terminal device 31 for display.
  • the treatment effect prediction unit 115 accepts designation of one or more variables related to the treatment method from the terminal device 31. Then, the treatment effect prediction unit 115 determines what treatment method each similar case employs based on the value of the designated variable, and classifies the similar cases into a plurality of groups according to the treatment method. A medical staff such as a doctor selects a treatment method variable used as a classification standard. Then, for each group, the treatment effect prediction unit 115 analyzes the similar cases belonging to the group in comparison with other similar cases, thereby determining the future pathological progress of the target patient when the treatment method is selected. A predicted therapeutic effect prediction result is generated.
  • the therapeutic effect prediction result includes a therapeutic effect graph, which will be described later, and a predicted prognosis for each treatment method.
  • the treatment effect graph includes a plurality of curves corresponding to a plurality of treatment methods.
  • the coordinates (x, y) on the curve corresponding to a certain treatment method indicate that the proportion of cases in which the disease has not recurred after x days from the reference date among similar cases in which the treatment method has been adopted is y% It shows that there is.
  • Each curve is a monotonically decreasing curve.
  • the predicted prognosis is a result of predicting whether the prognosis of the target patient when a certain treatment method is adopted is “good”, “bad”, or “unknown”.
  • the comparative case used to predict the prognosis corresponding to a certain treatment method is a similar case employing other treatment methods.
  • the therapeutic effect prediction unit 115 transmits the therapeutic effect prediction result to the terminal device 31 and displays it.
  • the disease state progression library generation unit 116 generates statistical information of similar cases used by the disease state progression prediction unit 114 to generate a disease state progression prediction result.
  • the statistical information indicates the distribution of values between similar cases for each of the variables (variables specified from the terminal device 31 and related variables) used by the similar case search unit 113 for calculating the similarity.
  • the distribution of variable values may be represented by maximum value, minimum value, average, standard deviation, median value, and the like. In addition, the distribution of variable values may be expressed by the appearance ratio of each value. Then, the disease state progression library generation unit 116 associates the disease state progression prediction result generated by the disease state progression prediction unit 114 with the statistical information, and transmits the result to the server device 200 as information on the disease state progression prediction library.
  • the treatment effect library generation unit 117 generates statistical information of similar cases used by the treatment effect prediction unit 115 to generate a treatment effect prediction result for each group corresponding to the treatment method.
  • the statistical information indicates a distribution of values among similar cases belonging to each group for each variable used by the similar case search unit 113 for calculating the similarity.
  • the treatment effect library generation unit 117 associates the treatment effect prediction result generated by the treatment effect prediction unit 115 with the statistical information, and transmits the result to the server device 200 as information on the treatment effect prediction library.
  • the server device 200 includes a library storage unit 211, a library registration unit 212, a disease state progression library search unit 213, and a treatment effect library search unit 214.
  • the library storage unit 211 is mounted using, for example, a storage area secured in the RAM or HDD of the server device 200.
  • the library registration unit 212, the disease state progression library search unit 213, and the treatment effect library search unit 214 are implemented using, for example, program modules executed by the CPU of the server device 200.
  • the library storage unit 211 stores a disease state progression prediction library and a treatment effect prediction library.
  • the pathological progression prediction library includes pathological progress prediction results generated at any medical institution (medical institution 30 or other medical institution equivalent thereto) and statistical information of similar cases referred to when the pathological progress prediction results are generated.
  • the treatment effect prediction library stores a set of treatment effect prediction results generated at any medical institution and statistical information of similar cases referred to when the treatment effect prediction results are generated.
  • the disease state progression prediction library and the treatment effect prediction library do not include information that can identify individual patients such as clinical information of the target patient itself or similar referred cases themselves.
  • the library registration unit 212 receives from the server apparatus 100 (or a server apparatus of another medical institution) a pathological progress prediction result to which statistical information is added as a history of similar case analysis. Then, the library registration unit 212 adds the disease state progression prediction result to the disease state progression prediction library in the library storage unit 211. Further, the library registration unit 212 receives from the server device 100 (or a server device of another medical institution) a therapeutic effect prediction result to which statistical information is added as a history of similar case analysis. Then, the library registration unit 212 adds the treatment effect prediction result to the treatment effect prediction library in the library storage unit 211.
  • the disease state progression library search unit 213 acquires the clinical information of the target patient from the terminal device 41 (or another terminal device). Then, the disease state progression library search unit 213 compares the statistical information included in the disease state progression prediction library in the library storage unit 211 with the values of variables included in the clinical information of the target patient, and matches each disease state progression prediction result. Calculate the rate. The disease state progression library search unit 213 sorts the disease state progression prediction results included in the disease state progression prediction library in descending order of the coincidence rate, and the disease state progression having a predetermined number of disease state progression prediction results or a coincidence rate equal to or higher than the threshold value from the one with the highest coincidence rate Extract prediction results. The disease state progression library search unit 213 outputs the extracted list of disease state progression prediction results to the terminal device 41 (or another terminal device).
  • the treatment effect library search unit 214 acquires clinical information of the target patient from the terminal device 41 (or another terminal device). Then, the treatment effect library search unit 214 compares the statistical information included in the treatment effect prediction library in the library storage unit 211 with the values of variables included in the clinical information of the target patient, and matches each treatment effect prediction result. Calculate the rate. The treatment effect library search unit 214 sorts the treatment effect prediction results included in the treatment effect prediction library in descending order of the match rate, and the treatment effect prediction results or the match rate with a match rate greater than or equal to a threshold value from the one with the highest match rate Extract prediction results. The therapeutic effect library search unit 214 outputs a list of extracted therapeutic effect prediction results to the terminal device 41 (or another terminal device).
  • the clinical information of the target patient acquired from the terminal device 41 or the like includes only the values of variables designated by medical personnel such as doctors of the medical institution 40.
  • the statistical information added to each disease state progress prediction result and treatment effect prediction result shows only the distribution of variables used for the search for similar cases. Therefore, in calculating the coincidence rate, values are compared for variables that exist in common in the clinical information and statistical information of the target patient.
  • FIG. 5 is a diagram illustrating an example of a clinical information table.
  • the clinical information table 121 is stored in the clinical information database 111.
  • the clinical information table 121 has a patient ID item and a plurality of variables.
  • Variables include variables indicating patient attributes, variables indicating test values obtained by measurement or diagnosis, variables indicating treatment methods, variables indicating pathological changes, and the like.
  • the clinical information table 121 includes items of sex and age.
  • variables indicating test values the clinical information table 121 includes items of exercise frequency, HbA1c, and eGFR.
  • the clinical information table 121 includes items of insulin treatment and GLP1 treatment.
  • the clinical information table 121 includes an item of a relapse-free period.
  • Patient identification information is registered in the patient ID item.
  • “male” or “female” is registered.
  • the age item a non-negative integer indicating age is registered.
  • the exercise frequency item “low”, “normal” or “high” indicating the frequency of exercise is registered.
  • HbA1c a non-negative real number indicating the concentration of hemoglobin to which glucose in blood is bound is registered.
  • eGFR a non-negative real number indicating the waste discharge ability of the kidney is registered.
  • a flag indicating whether or not insulin injection is performed as a treatment method is registered. “1” indicates that insulin injection is performed, and “0” indicates that insulin injection is not performed.
  • the GLP1 treatment item a flag indicating whether or not GLP1 injection is performed as a treatment method is registered. “1” indicates that GLP1 injection is performed, and “0” indicates that GLP1 injection is not performed.
  • insulin injection and GLP1 injection may be used in combination. The number of days that have elapsed since the disease has not recurred from the reference date is registered in the item of the recurrence-free period.
  • the proportional scale is a variable that is meaningful not only in the difference between the two values (eg, the values at different times of the same patient) but also in the ratio between the two.
  • An example of a proportional scale is weight.
  • the interval scale is a variable that is meaningful only in the difference between the two values and in the ratio between the two values.
  • An example of an interval scale is body temperature.
  • An ordinal scale is a variable that has meaning only in the magnitude relationship between the two values and has no meaning in the difference or ratio between the two values.
  • An example of an ordinal scale is a stage indicating the degree of disease progression.
  • a nominal scale is a variable that simply indicates a division and has no meaning in comparing different values.
  • An example of a nominal scale is blood type.
  • FIG. 6 is a diagram illustrating an example of a related variable table.
  • the related variable table 122 is stored in the related variable storage unit 112.
  • the related variable table 122 has items of variables and related variables.
  • a variable name of a variable that may be specified from the terminal device 31 when searching for similar cases is registered.
  • variable names of one or more other variables related to the specified variable are registered.
  • the correspondence between variables and related variables can be manually defined based on the properties of each variable, or can be calculated by the server apparatus 100 by analyzing the clinical information table 121.
  • FIG. 7 is a diagram illustrating an example of a disease state progression prediction table.
  • the disease state progression prediction table 221 is stored in the library storage unit 211.
  • the contents of the pathological progress prediction table 221 correspond to a pathological progress prediction library.
  • the pathological condition prediction table 221 includes items of analysis ID, number of variable selections, number of similar cases, number of comparison cases, median of similar cases, median of comparison cases, p value, prediction prognosis, and graph.
  • identification information for identifying the executed similar case analysis is registered.
  • the number of variables (designated variables and related variables) selected when searching for similar cases is registered in the variable selection number field.
  • the number of similar cases determined to be similar to the clinical information of the target patient is registered.
  • the number of comparative cases that are cases other than similar cases (cases determined not to be similar to the clinical information of the target patient) are registered in the item of the number of comparative cases.
  • the median value of recurrence-free period of similar cases is registered in the item of median value of similar cases.
  • the median non-recurrence period of similar cases is 50% from the top when similar cases are sorted in ascending or descending order of recurrence periods (for example, 50th when the number of similar cases is 100) It is a recurrence-free period of the case.
  • the median value of the recurrence-free period of the comparative case is registered in the item of the median value of the comparative case.
  • the median relapse-free period of comparative cases is the relapse-free period of similar cases ranked 50% from the top when the comparative cases are sorted in ascending or descending order of relapse-free periods.
  • an index value indicating a correlation between a group to which the case belongs (whether the case is a similar case or a comparative case) and the recurrence-free period of the case is registered.
  • the p value is a real number between 0 and 1. The p value decreases as there is a significant difference in the recurrence-free period between similar cases and comparative cases.
  • “good”, “bad”, or “unknown” is registered as the prognosis.
  • an image indicating a disease state progression graph described later is registered.
  • Prognosis can be predicted as follows. If the p-value is less than or equal to a threshold value (eg, 0.05) and the median value of similar cases is greater than the median value of comparative cases, the prognosis is predicted to be “good”. If the p-value is less than or equal to the threshold and the median value of similar cases is less than or equal to the median value of comparative cases, the prognosis is predicted to be “bad”. If the p-value is greater than the threshold, the prognosis is predicted to be “unknown”. That is, if the relapse-free period of a case similar to the subject patient is significantly longer than that of other cases, the prognosis is good. In addition, if the relapse-free period of a case similar to the target patient is significantly shorter than that of other cases, the prognosis is poor.
  • a threshold value eg, 0.05
  • FIG. 8 is a diagram illustrating an example of a case statistics table.
  • the case statistics table 222 is stored in the library storage unit 211 in association with the disease state progression prediction table 221.
  • the case statistics table 222 has items of analysis ID, variable name, variable type, and distribution.
  • analysis ID item an analysis ID corresponding to any record in the disease state progression prediction table 221 is registered.
  • variable name item the name of the variable selected when searching for similar cases is registered.
  • variable type item one of “proportional scale”, “interval scale”, “order scale”, and “nominal scale” is registered as the type of variable.
  • the variable type can be determined from the variable name.
  • the server apparatus 100 or the server apparatus 200 may hold information indicating the correspondence between variable names and variable types.
  • the distribution item information for specifying the distribution of the values of variables included in similar cases is registered.
  • the first quartile (a value located 25% from the bottom of the distribution), the third quartile (a value located 75% from the bottom of the distribution), and the like may be further registered.
  • the maximum value max 13
  • the statistical information registered in the case statistical table 222 is compared with the clinical information of the target patient when using the disease state progression prediction library.
  • the pathological progression library search unit 213 calculates a matching rate for each variable that appears in common in the statistical information and the clinical information of the target patient.
  • the disease state progression library search unit 213 determines whether the value of the target patient belongs to the range indicated by the distribution of statistical information. For example, the disease state progression library search unit 213 determines whether the value of the target patient falls between the maximum value and the minimum value. However, the standard upper limit value and the reference lower limit value are determined using standard deviation so that abnormal values in the distribution are removed, and it is determined whether the value of the target patient falls between the reference upper limit value and the reference lower limit value. May be. When the value of the target patient belongs to the range indicated by the distribution of statistical information, the matching rate of the variable is “1”, and when it does not belong, the matching rate of the variable is “0”.
  • the pathological progression library search unit 213 determines between the pathological progress prediction result corresponding to the statistical information and the clinical information of the target patient from the matching rate of each variable appearing in common in the statistical information and the clinical information of the target patient.
  • the overall matching rate of is calculated.
  • the numerator of the calculation formula for calculating the overall matching rate is the total matching rate for each variable.
  • the denominator of the calculation formula for calculating the overall matching rate is the number of variables appearing in the statistical information (that is, the number of variables selected in the pathological progression prediction table 221) and the number of variables included in the clinical information of the target patient. Whichever is larger.
  • FIG. 9 is a diagram illustrating an example of a disease state progression graph.
  • the pathological progress graph 223 is an example of a pathological progress graph registered in the graph item of the pathological progress prediction table 221.
  • the horizontal axis of the disease state progression graph 223 is a recurrence-free period
  • the vertical axis of the disease state progression graph 223 is a case ratio.
  • the pathological progression graph 223 includes a monotonically decreasing curve corresponding to similar cases and a monotonically decreasing curve corresponding to comparative cases. Coordinates (x, y) on the curve corresponding to the similar cases indicate that the ratio of cases having a recurrence-free period of x days or more among the similar cases is y.
  • the coordinates (x, y) on the curve corresponding to the comparative case indicate that the proportion of cases having a recurrence-free period of x days or more among the comparative cases is y.
  • the recurrence-free period of similar cases is significantly shorter than that of the comparative cases.
  • FIG. 10 is a diagram illustrating an example of a treatment effect prediction table.
  • the therapeutic effect prediction table 224 is stored in the library storage unit 211.
  • the contents of the treatment effect prediction table 224 correspond to a treatment effect prediction library.
  • the treatment effect prediction table 224 includes items of analysis ID, treatment method, variable selection number, number of similar cases, number of comparison cases, median value of similar cases, median value of comparison cases, p value, prediction prognosis, and graph.
  • the analysis ID is the same as the disease state progress prediction table 221.
  • the name of the adopted treatment method that is, the name of each group (treatment method group) when similar cases are classified according to the treatment method is registered.
  • the number of variable selections is the same as in the disease state progression prediction table 221.
  • the number of cases belonging to the treatment method group is registered.
  • the number of cases not belonging to the treatment method group (cases belonging to other treatment method groups) among the similar cases retrieved from the clinical information of the target patient is registered in the comparison case number item.
  • the median of the recurrence-free period of cases belonging to the treatment method group is registered.
  • the median value of recurrence-free periods of cases belonging to other treatment method groups is registered in the item of median value of comparative cases.
  • an index value indicating a correlation between whether or not a case belongs to the treatment method group and a recurrence-free period is registered.
  • the p value decreases as there is a significant difference in the recurrence-free period between the treatment method group and other treatment method groups.
  • predicted prognosis a prognosis predicted when the treatment method is adopted is registered.
  • the graph item an image indicating a therapeutic effect graph described later is registered.
  • FIG. 11 is a diagram illustrating an example of the case statistics table for each treatment.
  • the treatment case statistics table 225 is associated with the treatment effect prediction table 224 and stored in the library storage unit 211.
  • the treatment-specific case statistics table 225 includes items of analysis ID, treatment method, variable name, variable type, and distribution.
  • analysis ID item an analysis ID corresponding to any record in the treatment effect prediction table 224 is registered.
  • treatment method item a treatment method corresponding to any record in the treatment effect prediction table 224 is registered.
  • the variable name and variable type are the same as those in the case statistics table 222.
  • the distribution item information indicating the distribution of variable values included in cases belonging to the treatment method group is registered.
  • the statistical information registered in the treatment-specific case statistics table 225 is compared with the clinical information of the target patient when using the treatment effect prediction library.
  • the treatment effect library search unit 214 calculates a matching rate for each variable that appears in common in the statistical information and the clinical information of the target patient. For variables whose variable type is proportional scale or interval scale, the matching rate is “1” when the value of the target patient belongs to the range indicated by the distribution of statistical information, and the matching rate is “ 0 ”. For variables whose variable type is an ordinal scale or nominal scale, the appearance rate corresponding to the value of the target patient is regarded as the matching rate of the variable.
  • the treatment effect library search unit 214 determines between the treatment effect prediction result corresponding to the statistical information and the clinical information of the target patient from the matching rate of each variable that appears in common in the statistical information and the clinical information of the target patient.
  • the overall matching rate of is calculated.
  • the numerator of the calculation formula for calculating the overall matching rate is the total matching rate for each variable.
  • the denominator of the calculation formula for calculating the overall matching rate is the number of variables appearing in the statistical information (that is, the number of variables selected in the treatment effect prediction table 224) and the number of variables included in the clinical information of the target patient. Whichever is larger.
  • One treatment effect prediction result is a prediction result for one treatment method group, and corresponds to one record of the treatment effect prediction table 224 specified by the combination of the analysis ID and the treatment method.
  • FIG. 12 is a diagram illustrating an example of a treatment effect graph.
  • the therapeutic effect graph 226 is an example of a therapeutic effect graph registered in the graph item of the therapeutic effect prediction table 224. As described above, the horizontal axis of the therapeutic effect graph 226 is a relapse-free period, and the vertical axis of the therapeutic effect graph 226 is a case ratio.
  • the treatment effect graph 226 includes a plurality of monotonically decreasing curves corresponding to a plurality of treatment method groups.
  • the coordinates (x, y) on the curve corresponding to a certain treatment method group indicate that the proportion of cases having a recurrence-free period of x days or more among cases belonging to the treatment method group is y.
  • the therapeutic effect graph 226 shown in FIG. 9 shows a treatment method using both insulin injection and GLP1 injection, a treatment method in which only insulin injection is performed, a treatment method in which only GLP1 injection is performed, and a treatment method in which neither insulin injection nor GLP1 injection is performed.
  • the effect of (observation) is shown.
  • the relapse-free period is the longest when insulin injection and GLP1 injection are used in combination.
  • the recurrence-free period when only insulin injection is performed is the second longest.
  • the recurrence-free period for follow-up is the third longest. The shortest recurrence period when only GLP1 injection is given.
  • FIG. 13 is a diagram illustrating an example of a search result screen.
  • the server device 200 when receiving the clinical information of the target patient from the terminal device 41, the server device 200 searches for a disease state progression prediction result with a high coincidence rate from the disease state progression prediction library, and performs a treatment with a high coincidence rate from the treatment effect prediction library Search effect prediction results. Then, the server device 200 transmits to the terminal device 41 a list of pathological progress prediction results with a high match rate and a list of treatment effect prediction results with a high match rate. On the display of the terminal device 41, one or both of a list of pathological progress prediction results and a list of therapeutic effect prediction results are displayed.
  • the search result screen 227 is an example of a screen displayed on the display of the terminal device 41. Here, a case where only a list of pathological condition prediction results is displayed is shown.
  • the list of treatment effect prediction results can also be displayed in the same manner as the search result screen 227.
  • the terminal device 41 may switch between a list of pathological condition prediction results and a list of treatment effect prediction results according to user input. Further, the terminal device 41 may separately receive a list of pathological condition prediction results and a list of treatment effect prediction results from the server device 200.
  • the search result screen 227 displays a list having items of rank, analysis ID, number of cases, p-value, prediction prognosis, coincidence rate, and graph.
  • the rank is the order when the pathological progress prediction results are sorted in descending order of the match rate.
  • the analysis ID is described in the disease state progression prediction table 221.
  • the number of cases is the number of similar cases described in the disease state progression prediction table 221.
  • the p value and the predicted prognosis are described in the disease state progression prediction table 221.
  • the coincidence rate is the coincidence rate calculated by the disease state progression library search unit 213.
  • the item of the graph has a link to the disease state progression graph. When this link is selected, the terminal device 41 displays an image of the disease state progression graph acquired from the server device 200 on the display.
  • the item of a treatment method is added to a list.
  • the number of cases indicates the number of cases belonging to the treatment method group.
  • FIG. 14 is a flowchart illustrating a procedure example of similar case search.
  • the similar case search unit 113 receives the designation of the target patient and the designation of one or more variables from the terminal device 31.
  • the similar case search unit 113 acquires the patient ID of the target patient and the variable name of one or more variables input by the doctor or the like from the terminal device 31.
  • the similar case search unit 113 searches the related variable table 122 stored in the related variable storage unit 112 for a related variable corresponding to the variable specified in step S10.
  • the similar case search unit 113 selects a designated variable and a related variable.
  • the similar case search unit 113 extracts the clinical information of the target patient specified in step S10 from the clinical information table 121 stored in the clinical information database 111.
  • the similar case search unit 113 calculates the similarity between the clinical information of the target patient and each of the other cases of the clinical information database 111 based on the value of the variable selected in step S11.
  • the similar case search unit 113 classifies the other cases stored in the clinical information database 111 into similar cases and comparative cases according to the similarity in step S12. For example, the similar case search unit 113 determines a case having a similarity degree equal to or greater than a threshold value as a similar case, and determines a case having a similarity degree less than the threshold value as a comparative case.
  • the threshold value may be input by a doctor or the like.
  • the disease state progression prediction unit 114 generates a disease state progression graph 223 by analyzing the relapse-free period of similar cases and the relapse-free period of comparative cases. For example, the pathological condition prediction unit 114 sorts the similar cases in ascending or descending order of the recurrence-free period, calculates the percentage y of similar cases whose recurrence-free period is x days or more, and calculates a curve corresponding to the similar cases To do.
  • the pathological condition prediction unit 114 sorts the comparative cases in ascending or descending order of the recurrence-free period, calculates the ratio y of comparative cases whose recurrence-free period is x days or more, and calculates a curve corresponding to the comparative case To do.
  • the disease state progression prediction unit 114 calculates the median of the recurrence-free period of similar cases and the median of the recurrence-free period of comparative cases. Further, the pathological condition prediction unit 114 calculates a p-value indicating whether there is a significant difference between the recurrence-free period of similar cases and the recurrence-free period of comparative cases. Then, the pathological condition prediction unit 114 predicts the prognosis (“good”, “bad”, or “unknown”) of the target patient based on the median value of similar cases, the median value of comparative cases, and the p value. The disease state progression prediction unit 114 transmits the disease state progression prediction result including the disease state progression graph 223 and the prediction prognosis to the terminal device 31.
  • the treatment effect prediction unit 115 accepts designation of a variable related to a treatment method from the terminal device 31. For example, the treatment effect prediction unit 115 acquires a variable name input by a doctor or the like. (S17) The treatment effect prediction unit 115 classifies the similar cases into a plurality of treatment method groups with different adopted treatment methods according to the value of the variable designated in step S16. A combination of a plurality of prescriptions and follow-up observation are also recognized as one treatment method.
  • the treatment effect prediction unit 115 analyzes the recurrence-free period of cases belonging to the treatment method group for each treatment method group, and generates a treatment effect graph 226. For example, the treatment effect prediction unit 115 sorts the cases for each treatment method group in ascending or descending order of the recurrence period, and calculates the ratio y of cases having a recurrence period of x days or more among the cases belonging to the treatment method group. A curve corresponding to the treatment method group is calculated.
  • the treatment effect prediction unit 115 calculates the median of the recurrence-free period of cases belonging to the treatment method group and the median value of the recurrence-free periods of other similar cases. In addition, the treatment effect prediction unit 115 indicates for each treatment method group whether or not there is a significant difference between the recurrence-free period of cases belonging to the treatment group and the recurrence-free period of other similar cases. Is calculated. Then, for each treatment method group, the treatment effect prediction unit 115 applies the treatment method based on the median value of cases belonging to the treatment method group, the median value of other similar cases, and the p value. Predict the prognosis. The therapeutic effect prediction unit 115 transmits the therapeutic effect prediction result including the therapeutic effect graph 226 and the predicted prognosis to the terminal device 31.
  • FIG. 15 is a flowchart (continued) illustrating an example of a procedure for searching for similar cases.
  • the disease state progression library generation unit 116 extracts the values of the variables selected in step S11 from the similar cases in step S13.
  • the pathological progression library generating unit 116 generates value distribution information for each of the variables selected in step S11, and uses the information as statistical information corresponding to the pathological progress prediction result.
  • the value distribution information may include the appearance ratio of each value.
  • the value distribution information may include statistical indices such as maximum value, minimum value, average, standard deviation, and median.
  • the treatment effect library generation unit 117 selects one treatment method.
  • the treatment effect library generation unit 117 obtains the values of the variables selected in step S11 from cases where the treatment method selected in step S22 is adopted (cases belonging to the treatment method group corresponding to the treatment method). Extract.
  • the treatment effect library generation unit 117 generates value distribution information for each of the variables selected in step S11, and statistical information corresponding to the treatment effect prediction results generated for the treatment method selected in step S22. To do.
  • the value distribution information may include the appearance ratio of each value.
  • the value distribution information may include statistical indices such as maximum value, minimum value, average, standard deviation, and median.
  • the treatment effect library generation unit 117 determines whether all treatment methods have been selected in step S22. When all the treatment methods are selected, the process proceeds to step S26, and when there is an unselected treatment method, the process proceeds to step S22.
  • the disease state progression library generation unit 116 associates the disease state progression prediction results of steps S14 and S15 with the statistical information of step S21 and transmits the results to the server device 200.
  • the therapeutic effect library generation unit 117 associates the therapeutic effect prediction results in steps S18 and S19 with the statistical information in step S24, and transmits them to the server device 200.
  • the pathological progress prediction result is registered in the pathological progress prediction table 221 and the statistical information corresponding to the pathological progress prediction result is registered in the case statistics table 222.
  • the treatment effect prediction result is registered in the treatment effect prediction table 224, and statistical information corresponding to the treatment effect prediction result is registered in the treatment-specific case statistics table 225.
  • FIG. 16 is a flowchart illustrating an exemplary procedure for reusing analysis results.
  • the server device 200 receives the clinical information of the target patient from the terminal device 41.
  • a variable appearing in the clinical information that is, a variable used for library search is selected by a medical staff such as a doctor who operates the terminal device 41.
  • the disease state progression library search unit 213 selects one disease state progression prediction result registered in the disease state progression prediction table 221.
  • the pathological progression library search unit 213 extracts distribution information about variables appearing in the clinical information of the target patient from the statistical information corresponding to the pathological progress prediction result selected in Step S31 from the case statistical table 222.
  • the disease state progression library search unit 213 For each variable appearing in the clinical information of the target patient, the disease state progression library search unit 213 compares the value included in the clinical information with the distribution information extracted in step S32, and calculates a matching rate for each variable. To do.
  • the pathological progression library search unit 213 divides the total matching rate for each variable by the larger of the number of variables appearing in the clinical information of the target patient and the number of variable selections indicated by the pathological progress prediction result, thereby obtaining the overall matching rate. Is calculated.
  • the pathological progression library search unit 213 determines whether all pathological progress prediction results have been selected in step S31. When all the disease state progress prediction results are selected, the process proceeds to step S35, and when there is an unselected disease state progress prediction result, the process proceeds to step S31.
  • the disease state progression library search unit 213 sorts the disease state progression prediction results in descending order of match rate. Then, the disease state progression library search unit 213 extracts a predetermined number of disease state progression prediction results or disease state progression prediction results having a coincidence rate equal to or higher than a threshold value as a search result from the one with a higher agreement rate.
  • the threshold value of the coincidence rate may be input by a doctor or the like.
  • the therapeutic effect library search unit 214 selects one therapeutic effect prediction result registered in the therapeutic effect prediction table 224.
  • the treatment effect library search unit 214 extracts distribution information about variables appearing in the clinical information of the target patient from the treatment case statistics table 225 among the statistical information corresponding to the treatment effect prediction result selected in step S36. To do.
  • the treatment effect library search unit 214 For each variable appearing in the clinical information of the target patient, the treatment effect library search unit 214 compares the value included in the clinical information with the distribution information extracted in step S37, and calculates the matching rate for each variable. To do.
  • the therapeutic effect library search unit 214 divides the total matching rate for each variable by the larger of the number of variables appearing in the clinical information of the target patient and the number of variable selections indicated by the therapeutic effect prediction result, thereby obtaining an overall matching rate. Is calculated.
  • the therapeutic effect library search unit 214 determines whether all the therapeutic effect prediction results have been selected in step S36. When all the treatment effect prediction results are selected, the process proceeds to step S40, and when there is an unselected treatment effect prediction result, the process proceeds to step S36.
  • the therapeutic effect library search unit 214 sorts the therapeutic effect prediction results in descending order of match rate. Then, the treatment effect library search unit 214 extracts, as search results, a predetermined number of treatment effect prediction results or treatment effect prediction results having a match rate equal to or higher than a threshold value from the one with the higher match rate.
  • the threshold value of the coincidence rate may be input by a doctor or the like.
  • the disease state progression library search unit 213 transmits the list of disease state progression prediction results extracted in step S35 to the terminal device 41.
  • the therapeutic effect library search unit 214 transmits the list of therapeutic effect prediction results extracted in step S40 to the terminal device 41.
  • the list of disease state progression prediction results and the list of treatment effect prediction results may be transmitted together, or may be transmitted separately in response to a request from the terminal device 41.
  • the similarity referred to at that time is the pathological condition prediction result or the treatment effect prediction result generated for a specific target patient in a medical institution such as a large-scale hospital.
  • Statistical information indicating case characteristics is added and registered in the library. Then, the clinical information and statistical information of another target patient are compared, and a disease state progression prediction result and a treatment effect prediction result that are highly likely to be compatible with the other target patient are searched from the library.
  • medical institutions such as small-scale clinics with a small number of accumulated cases can acquire highly accurate pathological condition prediction results and treatment effect prediction results.
  • the library does not include the clinical information itself of the target patient used at the time of analysis or the clinical information itself that is a similar case. Therefore, even if the library is shared, each medical institution does not have to provide clinical information in the medical institution outside, and personal information protection and security can be improved.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

精度の高い類似症例分析結果を取得できるようにする。　記憶部（１１）は、分析結果と変数統計情報とをそれぞれ含む分析履歴（１３ａ，１３ｂ，…）を記憶する。分析結果（１４ａ）は、患者データ（１７）に関して分析された病態進行状況または治療効果を示す。変数統計情報（１５ａ）は、病態進行状況または治療効果の分析の際に参照された患者データ（１８ａ，１８ｂ）に含まれる変数の値の分布を示す。処理部（１２）は、患者データ（１９）に含まれる変数の値と分析履歴（１３ａ，１３ｂ，…）それぞれの変数統計情報が示す分布との比較に基づいて、分析履歴（１３ａ，１３ｂ，…）のスコア（１６ａ，１６ｂ，…）を算出する。処理部（１２）は、スコア（１６ａ，１６ｂ，…）に応じて分析履歴（１３ａ，１３ｂ，…）のうち一部の分析履歴の分析結果を出力する。

Description

類似症例検索プログラム、類似症例検索装置および類似症例検索方法
　本発明は類似症例検索プログラム、類似症例検索装置および類似症例検索方法に関する。
　情報処理技術の発達に伴い、医療分野では医師による患者の診療を支援する情報処理システムが用いられるようになっている。例えば、測定された検査値や採用された治療方法などを示す臨床情報を様々な患者についてデータベースに登録しておき、対象患者の臨床情報に類似する他の患者の臨床情報を類似症例としてデータベースから検索する情報処理システムが考えられる。類似症例を参照することで、病態進行の予測や治療方法の選択など、対象患者に対する医師の意思決定を支援することができる。
　例えば、標準的な診療プロセスであるクリニカルパスを生成し提示するクリニカルパス運用支援システムが提案されている。提案のクリニカルパス運用支援システムは、データベースに登録された様々な症例を複数の症例グループに分類し、症例グループ毎にクリニカルパスを生成しておく。クリニカルパス運用支援システムは、対象患者の臨床情報に類似する症例グループを検索し、当該症例グループに対応するクリニカルパスを提示する。
　また、例えば、類似症例の検索精度を向上させる類似症例検索装置が提案されている。提案の類似症例検索装置は、ユーザが入力した入力症例とデータベースに登録された各症例との類似性を第１の照合基準に従って判定し、入力症例に類似した類似症例の集合を抽出する。類似症例検索装置は、抽出した類似症例に関する特徴の統計情報を算出し、抽出した類似症例と統計情報とをユーザに提示する。類似症例検索装置は、ユーザから第２の照合基準の入力を受け付け、第２の照合基準に従って類似症例を絞り込む。
　また、例えば、医療画像に基づいて対象患者の診療計画を策定することを支援する治療計画支援システムが提案されている。提案の治療計画支援システムは、対象患者の臨床情報に類似する類似症例を検索し、類似症例で撮像された医療画像をデータベースから抽出する。治療計画支援システムは、抽出した類似症例の医療画像に基づいて、対象患者の疾患部分の変化予測を示す予測医療画像を生成して表示する。
特開２００３－３３１０５５号公報 特開２００８－４７１５４号公報 特開２０１１－５０８３３１号公報 特開２０１４－２３３６１１号公報
　上記のように、情報処理システムがデータベースから類似症例を検索して分析することは、医師による対象患者の診療を支援する上で有用である。しかし、医療機関毎にデータベースを作成すると、ある医療機関（例えば、大規模病院）では蓄積される症例が多いのに対し、別の医療機関（例えば、小規模診療所）では蓄積される症例が少ないことがある。データベースに蓄積される症例が少ないと、類似症例分析の精度が低くなり分析結果の有用性が低下するおそれがある。一方で、ある医療機関で診療を受けた患者の臨床情報そのものを当該医療機関の外部に存在するデータベースに登録して共有することは、個人情報保護やセキュリティの観点から好ましくない場合がある。
　１つの側面では、本発明は、精度の高い類似症例分析結果を取得できるようにする類似症例検索プログラム、類似症例検索装置および類似症例検索方法を提供することを目的とする。
　１つの態様では、コンピュータに以下の処理を実行させる類似症例検索プログラムが提供される。第１の患者の患者データに関して分析された病態進行状況または治療効果を示す分析結果と、病態進行状況または治療効果の分析の際に参照された複数の第２の患者の患者データに含まれる変数の値の分布を示す変数統計情報と、をそれぞれ含む複数の分析履歴を取得する。第３の患者の患者データの指定を受け付ける。第３の患者の患者データに含まれる変数の値と複数の分析履歴それぞれの変数統計情報が示す変数の値の分布との比較に基づいて、複数の分析履歴それぞれのスコアを算出し、スコアに応じて複数の分析履歴のうち一部の分析履歴の分析結果を出力する。
　また、１つの態様では、記憶部と処理部とを有する類似症例検索装置が提供される。また、１つの態様では、コンピュータが実行する類似症例検索方法が提供される。
　１つの側面では、精度の高い類似症例分析結果を取得できる。
　本発明の上記および他の目的、特徴および利点は本発明の例として好ましい実施の形態を表す添付の図面と関連した以下の説明により明らかになるであろう。
第１の実施の形態の類似症例検索装置の例を示す図である。 第２の実施の形態の情報処理システムの例を示す図である。 サーバ装置のハードウェア例を示すブロック図である。 サーバ装置の機能例を示すブロック図である。 臨床情報テーブルの例を示す図である。 関連変数テーブルの例を示す図である。 病態進行予測テーブルの例を示す図である。 症例統計テーブルの例を示す図である。 病態進行グラフの例を示す図である。 治療効果予測テーブルの例を示す図である。 治療別症例統計テーブルの例を示す図である。 治療効果グラフの例を示す図である。 検索結果画面の例を示す図である。 類似症例検索の手順例を示すフローチャートである。 類似症例検索の手順例を示すフローチャート（続き）である。 分析結果再利用の手順例を示すフローチャートである。
　以下、本実施の形態を図面を参照して説明する。
　［第１の実施の形態］
　第１の実施の形態を説明する。
　図１は、第１の実施の形態の類似症例検索装置の例を示す図である。
　第１の実施の形態の類似症例検索装置１０は、医師による患者の診療を支援する情報処理システムに用いられる。特に、類似症例検索装置１０は、対象患者の患者データに類似する他の患者の患者データを参照して得られる知見を活用できるようにする。
　例えば、類似症例検索装置１０は、以下のような場面において使用される。大規模病院など蓄積した症例が多い医療機関では、対象患者の患者データに類似する他の患者の患者データ（類似症例）をデータベースから検索し、検索された類似症例を参照して対象患者の診療に有用な分析結果を得ることができる。分析結果には、対象患者の病態進行予測に関する情報や、ある治療方法を選択した場合の治療効果予測に関する情報などが含まれることもある。しかし、小規模診療所など蓄積した症例が少ない医療機関では、このような類似症例分析の精度が低くなり分析結果の有用性が低下するおそれがある。その一方で、ある医療機関で作成された患者データそのものを他の医療機関と共有することは、個人情報保護やセキュリティの観点から難しい場合がある。
　そこで、類似症例検索装置１０は、患者データそのものは共有せず、ある医療機関で行われた類似症例分析の分析履歴を他の医療機関と共有できるようにする。そして、類似症例検索装置１０は、蓄積した症例が少ない医療機関においても、共有される分析履歴の中から対象患者の患者データに適合する分析履歴を検索して参照できるようにする。
　類似症例検索装置１０は、記憶部１１および処理部１２を有する。記憶部１１は、ＲＡＭ（Random Access Memory）などの揮発性半導体メモリでもよいし、ＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの不揮発性ストレージでもよい。処理部１２は、例えば、ＣＰＵ（Central Processing Unit）やＤＳＰ（Digital Signal Processor）などのプロセッサである。ただし、処理部１２は、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの特定用途の電子回路を含んでもよい。プロセッサは、ＲＡＭなどのメモリに記憶されたプログラムを実行する。プログラムには、後述する処理を実行させる類似症例検索プログラムが含まれる。複数のプロセッサの集合を「マルチプロセッサ」または「プロセッサ」と言うこともある。
　記憶部１１は、分析履歴１３ａ，１３ｂを含む複数の分析履歴を記憶する。複数の分析履歴はそれぞれ、分析結果と変数統計情報とを含む。分析結果は、対象患者の患者データに関して分析された病態進行状況または治療効果を示す。変数統計情報は、病態進行状況または治療効果を分析する際に参照された他の患者の患者データに含まれる変数の値の分布を示す。変数統計情報は、変数の値の最大値・最小値・平均・中央値・標準偏差などを示してもよい。また、その変数が有限個の離散的な値をとる場合、変数統計情報は、各値の出現割合を示してもよい。分析履歴１３ａは、分析結果１４ａおよび変数統計情報１５ａを含む。分析履歴１３ｂは、分析結果１４ｂおよび変数統計情報１５ｂを含む。
　記憶部１１に記憶される複数の分析履歴は、類似症例検索装置１０の外部から取得される。例えば、これら複数の分析履歴は、大規模病院など蓄積した症例が多い医療機関の装置によって生成される。一例として、分析履歴１３ａは以下のようにして生成される。
　ある医療機関では、その医療機関が保持するデータベースから、対象患者の患者データ１７に類似する類似症例として患者データ１８ａ，１８ｂなどが検索される。患者データ１７，１８ａ，１８ｂはそれぞれ変数の値を含む。変数には、年齢や性別などの患者の属性項目や、血糖値や血圧などの検査項目が含まれ得る。患者データ１８ａ，１８ｂは、患者データ１７との間の変数の値の類似性に基づいて検索される。分析結果１４ａは、上記データベースを保持する医療機関において、患者データ１８ａ，１８ｂなどを参照して生成される。変数統計情報１５ａは、上記データベースを保持する医療機関において、患者データ１８ａ，１８ｂなどに含まれる変数の値を統計処理して生成される。分析履歴１３ａには、患者データ１７，１８ａ，１８ｂの内容そのものは含まれない。
　処理部１２は、別の対象患者の患者データ１９の指定を受け付ける。患者データ１９は、分析履歴１３ａ，１３ｂなどを生成した医療機関とは異なる医療機関から指定され、例えば、小規模診療所など蓄積した症例が少ない医療機関から指定される。類似症例検索装置１０は、患者データ１９を指定する医療機関の外部に設置されていてもよいし、患者データ１９を指定する医療機関が保持していてもよい。類似症例検索装置１０は、例えば、小規模診療所が保持する装置から患者データ１９を受信する。
　患者データ１９は、患者データ１７，１８ａ，１８ｂなどと同様に変数の値を含む。処理部１２は、患者データ１９の変数の値と記憶部１１に記憶された複数の分析履歴それぞれの変数統計情報が示す分布とを比較する。例えば、処理部１２は、患者データ１９の変数の値が各変数統計情報が示す分布の範囲内に入っているか判定する。処理部１２は、比較結果に基づいて、各分析履歴のスコアを算出する。分析履歴１３ａに対してはスコア１６ａが算出され、分析履歴１３ｂに対してはスコア１６ｂが算出される。
　処理部１２は、算出したスコアに応じて、記憶部１１に記憶された複数の分析履歴のうち一部の分析履歴を選択し、選択した分析履歴に含まれる分析結果を出力する。例えば、処理部１２は、スコアが閾値以上である分析履歴の分析結果またはスコアが高い方から所定個の分析履歴の分析結果を出力する。分析履歴１３ａのスコアが最も高い場合、少なくとも分析結果１４ａが出力される。出力された分析結果は、例えば、患者データ１９に対する応答として患者データ１９を指定した装置に送信される。
　第１の実施の形態の類似症例検索装置１０によれば、過去の類似症例分析で生成された分析結果に対して、その際に参照された類似症例の特徴を示す変数統計情報が付加されて分析履歴として蓄積される。そして、対象患者の患者データと変数統計情報とが比較され、対象患者に適合する過去の分析結果が抽出される。
　これにより、手元のデータベースに十分な症例が蓄積されていなくても、精度の高い分析結果を取得できるようになる。例えば、蓄積した症例が多い医療機関で行われた類似症例分析の分析結果のうち別の対象患者に適合する分析結果を、蓄積した症例が少ない医療機関が取得することが可能となる。また、各分析履歴には、その分析履歴を生成した際に使用された対象患者の患者データや類似症例の患者データそのものは含まれない。よって、ある医療機関で作成された患者データそのものを当該医療機関の外部に提供しなくてよく、個人情報保護やセキュリティを向上させることができる。
　［第２の実施の形態］
　次に、第２の実施の形態を説明する。
　図２は、第２の実施の形態の情報処理システムの例を示す図である。
　第２の実施の形態の情報処理システムは、医師による患者の診療を支援する医療用情報処理システムである。この情報処理システムは、個人情報保護やセキュリティを考慮しつつ、複数の医療機関の間で有用な情報を共有できるようにする。
　第２の実施の形態の情報処理システムは、端末装置３１，４１およびサーバ装置１００，２００を含む。端末装置３１およびサーバ装置１００は、医療機関３０に設置されている。端末装置４１は、医療機関４０に設置されている。サーバ装置２００は、データセンタなど医療機関３０，４０の外部の施設に設置されている。端末装置４１やサーバ装置１００は、ネットワーク５０を介してサーバ装置２００にアクセスすることができる。ネットワーク５０は、例えば、インターネットなどの広域データネットワークである。
　医療機関３０は、例えば、大規模病院など多数の患者の臨床情報を保持している医療機関である。端末装置３１は、医療機関３０内で医師などの医療従事者が使用する端末装置であり、例えば、クライアントコンピュータである。端末装置３１は、医療機関３０のローカルネットワークを介してサーバ装置１００にアクセスすることができる。サーバ装置１００は、医療機関３０で診療を受けている患者の臨床情報を格納したデータベースを管理するサーバ装置であり、例えば、サーバコンピュータである。
　サーバ装置１００は、端末装置３１からの要求に応じて類似症例分析を行う。類似症例分析では、サーバ装置１００は、端末装置３１から対象患者の指定を受け付ける。すると、サーバ装置１００は、対象患者の臨床情報に類似する他の患者の臨床情報を類似症例として、サーバ装置１００のデータベースから検索する。サーバ装置１００は、類似症例を参照して対象患者の今後の病態進行および治療効果を予測し、予測結果を端末装置３１に提供する。これにより、対象患者に対する治療方法の選択などの意思決定を支援することができる。また、サーバ装置１００は、類似症例分析を行う毎に、病態進行予測結果や治療効果予測結果をサーバ装置２００に送信する。サーバ装置１００とサーバ装置２００との間の通信は、暗号処理技術によって保護されていてもよい。
　医療機関４０は、例えば、小規模診療所など医療機関３０と比べて少数の患者の臨床情報を保持している医療機関である。端末装置４１は、医療機関４０内で医師などの医療従事者が使用する端末装置であり、例えば、クライアントコンピュータである。端末装置４１は、医療機関４０で診療を受けている患者の臨床情報を記憶する。ただし、医療機関３０と同様にサーバ装置が臨床情報のデータベースを管理してもよい。
　ここで、医療機関４０では蓄積している臨床情報が少ないため、医療機関４０が保持する臨床情報のみを用いて医療機関３０と同様の類似症例分析を行っても、病態進行予測結果や治療効果予測結果の精度が低くなるおそれがある。そこで、端末装置４１は、医療機関４０で診療を受けている対象患者に適合する可能性の高い病態進行予測結果や治療効果予測結果を、サーバ装置２００から取得する。すなわち、第２の実施の形態の情報処理システムは、サーバ装置２００を介して、医療機関３０で生成された病態進行予測結果や治療効果予測結果を再利用できるようにする。これにより、医療機関４０の対象患者についても治療方法の選択などの意思決定を支援することができる。
　なお、サーバ装置２００は、第１の実施の形態の類似症例検索装置１０に対応する。第２の実施の形態で説明する「臨床情報」は、第１の実施の形態の患者データに対応する。
　次に、サーバ装置１００，２００のハードウェアおよびソフトウェアを説明する。
　図３は、サーバ装置のハードウェア例を示すブロック図である。
　サーバ装置１００は、ＣＰＵ１０１、ＲＡＭ１０２、ＨＤＤ１０３、画像信号処理部１０４、入力信号処理部１０５、媒体リーダ１０６および通信インタフェース１０７を有する。サーバ装置１００が有する上記ユニットは、バスに接続されている。
　ＣＰＵ１０１は、プログラムの命令を実行する演算回路を含むプロセッサである。ＣＰＵ１０１は、ＨＤＤ１０３に記憶されたプログラムやデータの少なくとも一部をＲＡＭ１０２にロードし、プログラムを実行する。なお、ＣＰＵ１０１は複数のプロセッサコアを備えてもよく、サーバ装置１００は複数のプロセッサを備えてもよく、以下で説明する処理を複数のプロセッサまたはプロセッサコアを用いて並列に実行してもよい。また、複数のプロセッサの集合を「マルチプロセッサ」または「プロセッサ」と言うことがある。
　ＲＡＭ１０２は、ＣＰＵ１０１が実行するプログラムやＣＰＵ１０１が演算に用いるデータを一時的に記憶する揮発性の半導体メモリである。なお、サーバ装置１００は、ＲＡＭ以外の種類のメモリを備えてもよく、複数個のメモリを備えてもよい。
　ＨＤＤ１０３は、ＯＳ（Operating System）やミドルウェアやアプリケーションソフトウェアなどのソフトウェアのプログラム、および、データを記憶する不揮発性の記憶装置である。なお、サーバ装置１００は、フラッシュメモリやＳＳＤ（Solid State Drive）などの他の種類の記憶装置を備えてもよく、複数の不揮発性の記憶装置を備えてもよい。
　画像信号処理部１０４は、ＣＰＵ１０１からの命令に従って、サーバ装置１００に接続されたディスプレイ１０４ａに画像を出力する。ディスプレイ１０４ａとしては、ＣＲＴ（Cathode Ray Tube）ディスプレイ、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）、プラズマディスプレイ、有機ＥＬ（ＯＥＬ：Organic Electro-Luminescence）ディスプレイなど様々な種類のディスプレイを用いることができる。
　入力信号処理部１０５は、サーバ装置１００に接続された入力デバイス１０５ａから入力信号を取得し、ＣＰＵ１０１に出力する。入力デバイス１０５ａとしては、マウスやタッチパネルやタッチパッドやトラックボールなどのポインティングデバイス、キーボード、リモートコントローラ、ボタンスイッチなどを用いることができる。また、サーバ装置１００に、複数の種類の入力デバイスが接続されていてもよい。
　媒体リーダ１０６は、記録媒体１０６ａに記録されたプログラムやデータを読み取る読み取り装置である。記録媒体１０６ａとして、例えば、磁気ディスク、光ディスク、光磁気ディスク（ＭＯ：Magneto-Optical disk）、半導体メモリなどを使用できる。磁気ディスクには、フレキシブルディスク（ＦＤ：Flexible Disk）やＨＤＤが含まれる。光ディスクには、ＣＤ（Compact Disc）やＤＶＤ（Digital Versatile Disc）が含まれる。
　媒体リーダ１０６は、例えば、記録媒体１０６ａから読み取ったプログラムやデータを、ＲＡＭ１０２やＨＤＤ１０３などの他の記録媒体にコピーする。読み取られたプログラムは、例えば、ＣＰＵ１０１によって実行される。なお、記録媒体１０６ａは可搬型記録媒体であってもよく、プログラムやデータの配布に用いられることがある。また、記録媒体１０６ａやＨＤＤ１０３を、コンピュータ読み取り可能な記録媒体と言うことがある。
　通信インタフェース１０７は、ネットワーク５０に接続され、ネットワーク５０を介して他の装置と通信を行うインタフェースである。通信インタフェース１０７は、好ましくは、スイッチなどの通信装置とケーブルで接続される有線通信インタフェースである。ただし、基地局と無線リンクで接続される無線通信インタフェースを用いてもよい。
　なお、端末装置３１，４１やサーバ装置２００も、サーバ装置１００と同様のハードウェアを用いて実装することができる。サーバ装置２００が有するＣＰＵは、第１の実施の形態で説明した処理部１２に対応する。サーバ装置２００が有するＲＡＭまたはＨＤＤは、第１の実施の形態で説明した記憶部１１に対応する。
　図４は、サーバ装置の機能例を示すブロック図である。
　サーバ装置１００は、臨床情報データベース１１１、関連変数記憶部１１２、類似症例検索部１１３、病態進行予測部１１４、治療効果予測部１１５、病態進行ライブラリ生成部１１６および治療効果ライブラリ生成部１１７を有する。臨床情報データベース１１１および関連変数記憶部１１２は、例えば、ＲＡＭ１０２またはＨＤＤ１０３に確保した記憶領域を用いて実装される。類似症例検索部１１３、病態進行予測部１１４、治療効果予測部１１５、病態進行ライブラリ生成部１１６および治療効果ライブラリ生成部１１７は、例えば、ＣＰＵ１０１が実行するプログラムモジュールを用いて実装される。
　臨床情報データベース１１１は、複数の患者それぞれの臨床情報を記憶する。臨床情報は、医師などの医療従事者によって入力される。各患者の臨床情報は、複数の変数の値を含む。変数としては、性別や年齢など患者の属性を示す属性項目、血糖値や血圧など測定または診断によって値が得られる検査項目、治療方法の採用の有無を示す項目、無再発期間など患者の病態変化を示す項目などが存在する。
　関連変数記憶部１１２は、２つの変数の間の関連性を示す関連変数情報を記憶する。２つの変数の間の関連性は、一方の変数がとる値と他方の変数がとる値との間の相関関係から判断することができる。相関関係が強いほど関連性が大きいと言える。ある変数にとって、関連性の大きい他の変数のことを関連変数と言うことができる。ある変数に対して何れの変数が関連変数になるかは、各変数の性質から予め定義しておいてもよい。また、ある変数に対して何れの変数が関連変数になるかは、サーバ装置１００が、臨床情報データベース１１１に記憶された臨床情報を分析することで判定してもよい。
　臨床情報から２つの変数の間の関連性を判定するアルゴリズムとしては、各変数が有限個の離散的値をとるか否かに応じて適切なアルゴリズムが選択される。一例として、以下のようなアルゴリズムを使用することができる。Ｐｅａｒｓｏｎのカイ二乗検定。Ｆｉｓｈｅｒの直接確率検定。Ｍａｎｎ－Ｗｈｉｔｎｅｙ－Ｗｉｌｃｏｘｏｎ検定。Ｓｔｕｄｅｎｔのｔ検定。Ｗｅｌｃｈのｔ検定。Ｋｒｕｓｋａｌ－Ｗａｌｌｉｓ検定。分散分析（ＡＮＯＶＡ：Analysis Of Variance）。Ｋｅｎｄａｌｌの順位相関係数を用いる方法。Ｓｐｅａｒｍａｎの順位相関係数を用いる方法。Ｐｅａｒｓｏｎの積率相関係数を用いる方法。ＭＩＣ（Maximal Information Coefficient）を用いる方法。上記のようなアルゴリズムによって、関連性の指標値としてｐ値または相関係数が算出される。関連性の指標値が所定の閾値または入力された閾値以上である変数の組が、関連性が大きいと判定される。
　類似症例検索部１１３は、端末装置３１からの要求に応じて、臨床情報データベース１１１から対象患者の臨床情報に類似する類似症例を検索する。このとき、類似症例検索部１１３は、対象患者の指定と併せて変数の指定を端末装置３１から受け付ける。類似症例検索部１１３は、関連変数記憶部１１２に記憶された関連変数情報を参照して、指定された変数に対応する関連変数を特定し、指定された変数とその関連変数を選択する。
　類似症例検索部１１３は、各臨床情報に含まれる様々な変数の値のうち選択した変数の値のみを用いて、対象患者の臨床情報との間の類似度を算出する。これは、各臨床情報には対象患者の疾患に関係しない雑多な変数の値が含まれているため、全ての変数の値を用いて類似度を算出するとその精度が低下するおそれがあるためである。医師などの医療従事者は、対象患者の疾患に関係する１以上の変数を選択することで、着目する疾患の観点から類似症例を見つけることができる。ただし、類似度の算出に使用する変数の全てを医療従事者が明示的に指定することは煩雑であるため、指定された変数に関連する関連変数が検索されて関連変数も類似度の算出に使用される。
　類似度としては、例えば、Ｐｅａｒｓｏｎの積率相関係数、Ｋｅｎｄａｌｌの順位相関係数、Ｓｐｅａｒｍａｎの順位相関係数、コサイン類似度、ＭＩＣなどを用いることができる。選択された変数の値が対象患者のものに近い臨床情報ほど類似度は高くなる。そして、類似症例検索部１１３は、類似度が所定の閾値または端末装置３１から入力された閾値以上である臨床情報を、対象患者の臨床情報に類似する類似症例に分類する。一方、類似症例検索部１１３は、他の臨床情報を比較症例に分類する。
　病態進行予測部１１４は、類似症例の集合と比較症例の集合とを対比して分析することで、対象患者の今後の病態進行を予測した病態進行予測結果を生成する。病態進行の予測には、類似症例および比較症例に含まれる病態変化に関する変数の値を使用する。以降説明する例では、病態変化に関する変数として、治療開始日や完治日などの基準日から疾患が再発せずに経過した日数である無再発期間を使用するものとする。
　病態進行予測結果には、後述する病態進行グラフと予測予後が含まれる。病態進行グラフは、類似症例に対応する曲線と比較症例に対応する曲線とを含む。類似症例に対応する曲線上の座標（ｘ，ｙ）は、類似症例のうち基準日からｘ日経過した時点で疾患が再発していない症例の割合がｙ％であることを示している。比較症例に対応する曲線上の座標（ｘ，ｙ）は、比較症例のうち基準日からｘ日経過した時点で疾患が再発していない症例の割合がｙ％であることを示している。この２つの曲線は単調減少曲線である。予測予後は、対象患者の予後が「良好」、「不良」、「不明」の何れであるか予測した結果である。類似症例の無再発期間が比較症例より有意に長い場合、予測予後は「良好」になる。類似症例の無再発期間が比較症例より有意に短い場合、予測予後は「不良」になる。類似症例と比較症例の間に無再発期間の有意な差がない場合、予測予後は「不明」になる。病態進行予測部１１４は、病態進行予測結果を端末装置３１に送信して表示させる。
　治療効果予測部１１５は、端末装置３１から治療方法に関する１以上の変数の指定を受け付ける。すると、治療効果予測部１１５は、指定された変数の値に基づいて各類似症例がどの様な治療方法を採用しているか判定し、類似症例を治療方法に応じて複数のグループに分類する。分類基準として使用する治療方法の変数は、医師などの医療従事者が選択することになる。そして、治療効果予測部１１５は、グループ毎に、当該グループに属する類似症例と他の類似症例とを対比して分析することで、その治療方法を選択した場合の対象患者の今後の病態進行を予測した治療効果予測結果を生成する。
　治療効果の予測には、類似症例に含まれる病態変化に関する変数の値を使用する。以降説明する例では無再発期間を使用するものとする。治療効果予測結果には、後述する治療効果グラフと治療方法毎の予測予後が含まれる。治療効果グラフは、複数の治療方法に対応する複数の曲線を含む。ある治療方法に対応する曲線上の座標（ｘ，ｙ）は、その治療方法が採用された類似症例のうち基準日からｘ日経過した時点で疾患が再発していない症例の割合がｙ％であることを示している。各曲線は単調減少曲線である。予測予後は、ある治療方法を採用した場合の対象患者の予後が「良好」、「不良」、「不明」の何れであるか予測した結果である。ある治療方法に対応する予後を予測するために使用する比較症例は、それ以外の治療方法を採用した類似症例である。治療効果予測部１１５は、治療効果予測結果を端末装置３１に送信して表示させる。
　病態進行ライブラリ生成部１１６は、病態進行予測部１１４が病態進行予測結果を生成するために使用した類似症例の統計情報を生成する。統計情報は、類似症例検索部１１３が類似度の算出に使用した変数（端末装置３１から指定された変数およびその関連変数）それぞれについて、類似症例の間の値の分布を示す。変数の値の分布は、最大値・最小値・平均・標準偏差・中央値などによって表現されることがある。また、変数の値の分布は、各値の出現割合によって表現されることがある。そして、病態進行ライブラリ生成部１１６は、病態進行予測部１１４が生成した病態進行予測結果とその統計情報を対応付けて、病態進行予測ライブラリの情報としてサーバ装置２００に送信する。
　治療効果ライブラリ生成部１１７は、治療方法に対応するグループ毎に、治療効果予測部１１５が治療効果予測結果を生成するために使用した類似症例の統計情報を生成する。統計情報は、類似症例検索部１１３が類似度の算出に使用した変数それぞれについて、各グループに属する類似症例の間の値の分布を示す。そして、治療効果ライブラリ生成部１１７は、治療効果予測部１１５が生成した治療効果予測結果とその統計情報を対応付けて、治療効果予測ライブラリの情報としてサーバ装置２００に送信する。
　サーバ装置２００は、ライブラリ記憶部２１１、ライブラリ登録部２１２、病態進行ライブラリ検索部２１３および治療効果ライブラリ検索部２１４を有する。ライブラリ記憶部２１１は、例えば、サーバ装置２００が有するＲＡＭまたはＨＤＤに確保した記憶領域を用いて実装される。ライブラリ登録部２１２、病態進行ライブラリ検索部２１３および治療効果ライブラリ検索部２１４は、例えば、サーバ装置２００が有するＣＰＵが実行するプログラムモジュールを用いて実装される。
　ライブラリ記憶部２１１は、病態進行予測ライブラリおよび治療効果予測ライブラリを記憶する。病態進行予測ライブラリは、何れかの医療機関（医療機関３０またはこれに相当する他の医療機関）で生成された病態進行予測結果と当該病態進行予測結果の生成時に参照された類似症例の統計情報との組を蓄積したものである。治療効果予測ライブラリは、何れかの医療機関で生成された治療効果予測結果と当該治療効果予測結果の生成時に参照された類似症例の統計情報との組を蓄積したものである。病態進行予測ライブラリおよび治療効果予測ライブラリには、対象患者の臨床情報そのものや参照された類似症例そのものなど患者個人を特定できるような情報は含まれない。
　ライブラリ登録部２１２は、サーバ装置１００（または、他の医療機関のサーバ装置）から、類似症例分析の履歴として統計情報が付加された病態進行予測結果を受信する。すると、ライブラリ登録部２１２は、病態進行予測結果をライブラリ記憶部２１１内の病態進行予測ライブラリに追加する。また、ライブラリ登録部２１２は、サーバ装置１００（または、他の医療機関のサーバ装置）から、類似症例分析の履歴として統計情報が付加された治療効果予測結果を受信する。すると、ライブラリ登録部２１２は、治療効果予測結果をライブラリ記憶部２１１内の治療効果予測ライブラリに追加する。
　病態進行ライブラリ検索部２１３は、端末装置４１（または、他の端末装置）から対象患者の臨床情報を取得する。すると、病態進行ライブラリ検索部２１３は、ライブラリ記憶部２１１内の病態進行予測ライブラリに含まれる統計情報と対象患者の臨床情報に含まれる変数の値とを比較して、各病態進行予測結果の一致率を算出する。病態進行ライブラリ検索部２１３は、病態進行予測ライブラリに含まれる病態進行予測結果を一致率の降順にソートし、一致率が大きい方から所定数の病態進行予測結果または一致率が閾値以上の病態進行予測結果を抽出する。病態進行ライブラリ検索部２１３は、抽出した病態進行予測結果のリストを端末装置４１（または、他の端末装置）に対して出力する。
　治療効果ライブラリ検索部２１４は、端末装置４１（または、他の端末装置）から対象患者の臨床情報を取得する。すると、治療効果ライブラリ検索部２１４は、ライブラリ記憶部２１１内の治療効果予測ライブラリに含まれる統計情報と対象患者の臨床情報に含まれる変数の値とを比較して、各治療効果予測結果の一致率を算出する。治療効果ライブラリ検索部２１４は、治療効果予測ライブラリに含まれる治療効果予測結果を一致率の降順にソートし、一致率が大きい方から所定数の治療効果予測結果または一致率が閾値以上の治療効果予測結果を抽出する。治療効果ライブラリ検索部２１４は、抽出した治療効果予測結果のリストを端末装置４１（または、他の端末装置）に対して出力する。
　なお、端末装置４１などから取得する対象患者の臨床情報には、医療機関４０の医師などの医療従事者が指定した変数の値のみが含まれる。一方、各病態進行予測結果および治療効果予測結果に付加された統計情報は、類似症例の検索に使用された変数についての分布のみ示している。そこで、一致率を算出するにあたっては、対象患者の臨床情報と統計情報とに共通して存在する変数について値を比較することになる。
　図５は、臨床情報テーブルの例を示す図である。
　臨床情報テーブル１２１は、臨床情報データベース１１１に記憶されている。臨床情報テーブル１２１は、患者ＩＤの項目および複数の変数を有する。変数には、患者の属性を示す変数、測定または診断により得られる検査値を示す変数、治療方法を示す変数、病態変化を示す変数などが含まれる。属性を示す変数の例として、臨床情報テーブル１２１は性別および年齢の項目を有する。検査値を示す変数の例として、臨床情報テーブル１２１は運動頻度、ＨｂＡ１ｃおよびｅＧＦＲの項目を有する。治療方法を示す変数の例として、臨床情報テーブル１２１はインスリン治療およびＧＬＰ１治療の項目を有する。病態変化を示す変数の例として、臨床情報テーブル１２１は無再発期間の項目を有する。
　患者ＩＤの項目には、患者の識別情報が登録される。性別の項目には、「男性」または「女性」が登録される。年齢の項目には、年齢を示す非負整数が登録される。運動頻度の項目には、運動の頻度を示す「少ない」、「普通」または「多い」が登録される。ＨｂＡ１ｃの項目には、血液中のブドウ糖が結合したヘモグロビンの濃度を示す非負実数が登録される。ｅＧＦＲの項目には、腎臓の老廃物排出能力を示す非負実数が登録される。
　インスリン治療の項目には、治療方法としてインスリン注射が行われているか否かを示すフラグが登録される。「１」はインスリン注射が行われていることを示し、「０」はインスリン注射が行われていないことを示す。ＧＬＰ１治療の項目には、治療方法としてＧＬＰ１注射が行われているか否かを示すフラグが登録される。「１」はＧＬＰ１注射が行われていることを示し、「０」はＧＬＰ１注射が行われていないことを示す。なお、治療方法としてインスリン注射とＧＬＰ１注射が併用されることもある。無再発期間の項目には、基準日から疾患が再発せずに経過した日数が登録される。
　ここで、臨床情報に含まれる様々な変数は、比例尺度、間隔尺度、順序尺度および名義尺度に分類することができる。比例尺度は、２つの値（例えば、同じ患者の異なる時点の値）を比較するにあたり、両者の差だけでなく両者の比にも意味のある変数である。比例尺度の例として体重が挙げられる。間隔尺度は、２つの値を比較するにあたり、両者の差のみに意味があり両者の比には意味がない変数である。間隔尺度の例として体温が挙げられる。順序尺度は、２つの値を比較するにあたり、両者の大小関係のみに意味があり両者の差や比には意味がない変数である。順序尺度の例として疾患の進行度を示すステージが挙げられる。名義尺度は、単なる区分を示しており異なる値を比較することに意味がない変数である。名義尺度の例として血液型が挙げられる。
　図６は、関連変数テーブルの例を示す図である。
　関連変数テーブル１２２は、関連変数記憶部１１２に記憶されている。関連変数テーブル１２２は、変数および関連変数の項目を有する。変数の項目には、類似症例を検索する際に端末装置３１から指定されることのある変数の変数名が登録される。関連変数の項目には、指定された変数に関連する１以上の他の変数の変数名が登録される。前述のように、変数と関連変数との対応は、各変数の性質に基づいて人手で定義することもできるし、臨床情報テーブル１２１を分析することでサーバ装置１００が算出することもできる。
　図７は、病態進行予測テーブルの例を示す図である。
　病態進行予測テーブル２２１は、ライブラリ記憶部２１１に記憶されている。病態進行予測テーブル２２１の内容は、病態進行予測ライブラリに相当する。病態進行予測テーブル２２１は、分析ＩＤ、変数選択数、類似症例数、比較症例数、類似症例の中央値、比較症例の中央値、ｐ値、予測予後およびグラフの項目を有する。
　分析ＩＤの項目には、実行された類似症例分析を識別する識別情報が登録される。変数選択数の項目には、類似症例を検索する際に選択された変数（指定された変数およびその関連変数）の数が登録される。類似症例数の項目には、対象患者の臨床情報に類似すると判定された類似症例の数が登録される。比較症例数の項目には、類似症例以外の症例（対象患者の臨床情報に類似しないと判定された症例）である比較症例の数が登録される。
　類似症例の中央値の項目には、類似症例の無再発期間の中央値が登録される。類似症例の無再発期間の中央値は、類似症例を無再発期間の昇順または降順にソートしたときに、上から５０％の順位（例えば、類似症例数が１００である場合は５０番目）の類似症例の無再発期間である。比較症例の中央値の項目には、比較症例の無再発期間の中央値が登録される。比較症例の無再発期間の中央値は、比較症例を無再発期間の昇順または降順にソートしたときに、上から５０％の順位の類似症例の無再発期間である。
　ｐ値の項目には、症例が属するグループ（症例が類似症例であるか比較症例であるか）とその症例の無再発期間との間の相関関係を示す指標値が登録される。ｐ値は０以上１以下の実数である。類似症例と比較症例の間で無再発期間に有意な差があるほどｐ値は小さくなる。予測予後の項目には、予後として「良好」、「不良」および「不明」の何れかが登録される。グラフの項目には、後述する病態進行グラフを示す画像が登録される。
　予後は以下のように予測することができる。ｐ値が閾値（例えば、０．０５）以下であり、かつ、類似症例の中央値が比較症例の中央値より大きい場合、予後は「良好」であると予測される。ｐ値が閾値以下であり、かつ、類似症例の中央値が比較症例の中央値以下である場合、予後は「不良」であると予測される。ｐ値が閾値より大きい場合、予後は「不明」であると予測される。すなわち、対象患者に類似する症例の無再発期間が他の症例よりも有意に長い場合、予後は良好である。また、対象患者に類似する症例の無再発期間が他の症例よりも有意に短い場合、予後は不良である。
　図８は、症例統計テーブルの例を示す図である。
　症例統計テーブル２２２は、病態進行予測テーブル２２１と関連付けられてライブラリ記憶部２１１に記憶されている。症例統計テーブル２２２は、分析ＩＤ、変数名、変数タイプおよび分布の項目を有する。分析ＩＤの項目には、病態進行予測テーブル２２１の何れかのレコードに対応する分析ＩＤが登録される。変数名の項目には、類似症例の検索の際に選択された変数の名称が登録される。変数タイプの項目には、変数の種類として「比例尺度」、「間隔尺度」、「順序尺度」および「名義尺度」の何れかが登録される。変数タイプは変数名から判断することができる。サーバ装置１００またはサーバ装置２００は、変数名と変数タイプの対応関係を示す情報を保持していてもよい。
　分布の項目には、類似症例に含まれる変数の値の分布を特定するための情報が登録される。変数タイプが比例尺度または間隔尺度である変数については、最大値・最小値・平均・標準偏差・中央値などが登録される。第１四分位数（分布の下から２５％に位置する値）や第３四分位数（分布の下から７５％に位置する値）などが更に登録されてもよい。例えば、ＨｂＡ１ｃについて、最大値ｍａｘ＝１３、最小値ｍｉｎ＝７、平均μ＝８．７７、標準偏差σ＝０．６５が分布情報として登録される。変数タイプが順序尺度または名義尺度である変数については、各値の出現割合が登録される。例えば、性別について、男性＝７０％、女性＝３０％が分布情報として登録される。
　症例統計テーブル２２２に登録された統計情報は、病態進行予測ライブラリを利用する際に対象患者の臨床情報と比較される。病態進行ライブラリ検索部２１３は、統計情報と対象患者の臨床情報とに共通して現れる変数毎に一致率を算出する。
　変数タイプが比例尺度または間隔尺度である変数については、病態進行ライブラリ検索部２１３は、対象患者の値が統計情報の分布が示す範囲に属しているか判定する。例えば、病態進行ライブラリ検索部２１３は、対象患者の値が最大値と最小値の間に収まっているか判定する。ただし、分布中の異常値が除去されるように、標準偏差などを用いて基準上限値と基準下限値を決定し、対象患者の値が基準上限値と基準下限値の間に収まっているか判定してもよい。対象患者の値が統計情報の分布が示す範囲に属している場合はその変数の一致率が「１」になり、属していない場合はその変数の一致率が「０」になる。
　変数タイプが順序尺度または名義尺度である変数については、病態進行ライブラリ検索部２１３は、対象患者の値に対応する出現割合をその変数の一致率とみなす。例えば、図８に示すように性別の分布が男性＝７０％、女性＝３０％である場合、性別が男性である対象患者にとっての一致率は「０．７」となる。
　そして、病態進行ライブラリ検索部２１３は、統計情報と対象患者の臨床情報とに共通して現れる各変数の一致率から、その統計情報に対応する病態進行予測結果と対象患者の臨床情報との間の全体の一致率を算出する。全体の一致率を算出する算出式の分子は、変数毎の一致率の合計である。全体の一致率を算出する算出式の分母は、統計情報に現れる変数の数（すなわち、病態進行予測テーブル２２１に記載された変数選択数）と対象患者の臨床情報に含まれる変数の数のうち何れか大きい方である。
　図９は、病態進行グラフの例を示す図である。
　病態進行グラフ２２３は、病態進行予測テーブル２２１のグラフの項目に登録される病態進行グラフの一例である。前述のように、病態進行グラフ２２３の横軸は無再発期間であり、病態進行グラフ２２３の縦軸は症例割合である。病態進行グラフ２２３は、類似症例に対応する単調減少の曲線と比較症例に対応する単調減少の曲線とを含む。類似症例に対応する曲線上の座標（ｘ，ｙ）は、類似症例のうち無再発期間がｘ日以上である症例の割合がｙであることを示している。比較症例に対応する曲線上の座標（ｘ，ｙ）は、比較症例のうち無再発期間がｘ日以上である症例の割合がｙであることを示している。図９の例では、類似症例の無再発期間は比較症例と比べて有意に短い。
　図１０は、治療効果予測テーブルの例を示す図である。
　治療効果予測テーブル２２４は、ライブラリ記憶部２１１に記憶されている。治療効果予測テーブル２２４の内容は、治療効果予測ライブラリに相当する。治療効果予測テーブル２２４は、分析ＩＤ、治療方法、変数選択数、類似症例数、比較症例数、類似症例の中央値、比較症例の中央値、ｐ値、予測予後およびグラフの項目を有する。
　分析ＩＤは病態進行予測テーブル２２１と同様である。治療方法の項目には、採用された治療方法の名称、すなわち、治療方法に応じて類似症例を分類したときの各グループ（治療方法グループ）の名称が登録される。変数選択数は病態進行予測テーブル２２１と同様である。類似症例数の項目には、その治療方法グループに属する症例の数が登録される。比較症例数の項目には、対象患者の臨床情報から検索された類似症例のうち、当該治療方法グループに属さない症例（他の治療方法グループに属する症例）の数が登録される。
　類似症例の中央値の項目には、その治療方法グループに属する症例の無再発期間の中央値が登録される。比較症例の中央値の項目には、他の治療方法グループに属する症例の無再発期間の中央値が登録される。ｐ値の項目には、症例がその治療方法グループに属するか否かと無再発期間との間の相関関係を示す指標値が登録される。その治療方法グループと他の治療方法グループの間で無再発期間に有意な差があるほどｐ値は小さくなる。予測予後の項目には、その治療方法を採用した場合に予測される予後が登録される。グラフの項目には、後述する治療効果グラフを示す画像が登録される。
　図１１は、治療別症例統計テーブルの例を示す図である。
　治療別症例統計テーブル２２５は、治療効果予測テーブル２２４と関連付けられてライブラリ記憶部２１１に記憶されている。治療別症例統計テーブル２２５は、分析ＩＤ、治療方法、変数名、変数タイプおよび分布の項目を有する。分析ＩＤの項目には、治療効果予測テーブル２２４の何れかのレコードに対応する分析ＩＤが登録される。治療方法の項目には、治療効果予測テーブル２２４の何れかのレコードに対応する治療方法が登録される。変数名および変数タイプは症例統計テーブル２２２と同様である。
　分布の項目には、その治療方法グループに属する症例に含まれる変数の値の分布を示す情報が登録される。治療別症例統計テーブル２２５に登録された統計情報は、治療効果予測ライブラリを利用する際に対象患者の臨床情報と比較される。治療効果ライブラリ検索部２１４は、統計情報と対象患者の臨床情報とに共通して現れる変数毎に一致率を算出する。変数タイプが比例尺度または間隔尺度である変数については、対象患者の値が統計情報の分布が示す範囲に属している場合は一致率が「１」になり、属していない場合は一致率が「０」になる。変数タイプが順序尺度または名義尺度である変数については、対象患者の値に対応する出現割合をその変数の一致率とみなす。
　そして、治療効果ライブラリ検索部２１４は、統計情報と対象患者の臨床情報とに共通して現れる各変数の一致率から、その統計情報に対応する治療効果予測結果と対象患者の臨床情報との間の全体の一致率を算出する。全体の一致率を算出する算出式の分子は、変数毎の一致率の合計である。全体の一致率を算出する算出式の分母は、統計情報に現れる変数の数（すなわち、治療効果予測テーブル２２４に記載された変数選択数）と対象患者の臨床情報に含まれる変数の数のうち何れか大きい方である。なお、１つの治療効果予測結果は、１つの治療方法グループについての予測結果であり、分析ＩＤと治療方法の組によって特定される治療効果予測テーブル２２４の１つのレコードに対応する。
　図１２は、治療効果グラフの例を示す図である。
　治療効果グラフ２２６は、治療効果予測テーブル２２４のグラフの項目に登録される治療効果グラフの一例である。前述のように、治療効果グラフ２２６の横軸は無再発期間であり、治療効果グラフ２２６の縦軸は症例割合である。治療効果グラフ２２６は、複数の治療方法グループに対応する複数の単調減少の曲線を含む。ある治療方法グループに対応する曲線上の座標（ｘ，ｙ）は、その治療方法グループに属する症例のうち無再発期間がｘ日以上である症例の割合がｙであることを示している。
　図９に示した治療効果グラフ２２６は、インスリン注射とＧＬＰ１注射を併用する治療方法、インスリン注射のみ行う治療方法、ＧＬＰ１注射のみ行う治療方法、および、インスリン注射もＧＬＰ１注射も行わない治療方法（経過観察）の効果を示している。図９の例では、インスリン注射とＧＬＰ１注射を併用した場合の無再発期間が最も長い。また、インスリン注射のみ行った場合の無再発期間が２番目に長い。また、経過観察の場合の無再発期間が３番目に長い。ＧＬＰ１注射のみ行った場合の無再発期間が最も短い。
　図１３は、検索結果画面の例を示す図である。
　前述のように、サーバ装置２００は、端末装置４１から対象患者の臨床情報を受信すると、病態進行予測ライブラリから一致率の高い病態進行予測結果を検索し、治療効果予測ライブラリから一致率の高い治療効果予測結果を検索する。そして、サーバ装置２００は、一致率の高い病態進行予測結果のリストと一致率の高い治療効果予測結果のリストを端末装置４１に送信する。端末装置４１のディスプレイには、病態進行予測結果のリストと治療効果予測結果のリストの一方または両方が表示される。
　検索結果画面２２７は、端末装置４１のディスプレイに表示される画面の例である。ここでは、病態進行予測結果のリストのみ表示する場合を示している。治療効果予測結果のリストも、検索結果画面２２７と同様の態様で表示することが可能である。端末装置４１は、ユーザ入力に応じて病態進行予測結果のリストと治療効果予測結果のリストを切り替えて表示するようにしてもよい。また、端末装置４１は、サーバ装置２００から、病態進行予測結果のリストと治療効果予測結果のリストを別個に受信するようにしてもよい。
　検索結果画面２２７には、順位、分析ＩＤ、症例数、ｐ値、予測予後、一致率およびグラフの項目を有する一覧表が表示されている。順位は、病態進行予測結果を一致率の高い順にソートしたときの順番である。分析ＩＤは、病態進行予測テーブル２２１に記載されたものである。症例数は、病態進行予測テーブル２２１に記載された類似症例数である。ｐ値および予測予後は、病態進行予測テーブル２２１に記載されたものである。一致率は、病態進行ライブラリ検索部２１３によって算出された一致率である。グラフの項目には、病態進行グラフへのリンクが張られている。このリンクが選択されると、端末装置４１は、サーバ装置２００から取得した病態進行グラフの画像をディスプレイに表示する。
　なお、治療効果予測結果を表示する場合、一覧表には治療方法の項目が追加される。また、その場合、症例数はその治療方法グループに属する症例の数を示すことになる。
　次に、サーバ装置１００，２００それぞれの処理手順について説明する。
　図１４は、類似症例検索の手順例を示すフローチャートである。
　（Ｓ１０）類似症例検索部１１３は、端末装置３１から対象患者の指定と１以上の変数の指定を受け付ける。例えば、類似症例検索部１１３は、医師などが入力した対象患者の患者ＩＤと１以上の変数の変数名とを端末装置３１から取得する。
　（Ｓ１１）類似症例検索部１１３は、関連変数記憶部１１２に記憶された関連変数テーブル１２２から、ステップＳ１０で指定された変数に対応する関連変数を検索する。類似症例検索部１１３は、指定された変数と関連変数を選択する。
　（Ｓ１２）類似症例検索部１１３は、臨床情報データベース１１１に記憶された臨床情報テーブル１２１から、ステップＳ１０で指定された対象患者の臨床情報を抽出する。類似症例検索部１１３は、ステップＳ１１で選択した変数の値に基づいて、対象患者の臨床情報と臨床情報データベース１１１の他の症例それぞれとの間の類似度を算出する。
　（Ｓ１３）類似症例検索部１１３は、臨床情報データベース１１１に記憶された他の症例を、ステップＳ１２の類似度に応じて類似症例と比較症例に分類する。例えば、類似症例検索部１１３は、類似度が閾値以上である症例を類似症例と判定し、類似度が閾値未満の症例を比較症例と判定する。閾値は、医師などに入力させてもよい。
　（Ｓ１４）病態進行予測部１１４は、類似症例の無再発期間および比較症例の無再発期間を分析して病態進行グラフ２２３を生成する。例えば、病態進行予測部１１４は、類似症例を無再発期間の昇順または降順にソートし、無再発期間がｘ日以上である類似症例の割合ｙを算出して、類似症例に対応する曲線を算出する。また、病態進行予測部１１４は、比較症例を無再発期間の昇順または降順にソートし、無再発期間がｘ日以上である比較症例の割合ｙを算出して、比較症例に対応する曲線を算出する。
　（Ｓ１５）病態進行予測部１１４は、類似症例の無再発期間の中央値と比較症例の無再発期間の中央値を算出する。また、病態進行予測部１１４は、類似症例の無再発期間と比較症例の無再発期間との間に有意な差があるか否かを示すｐ値を算出する。そして、病態進行予測部１１４は、類似症例の中央値、比較症例の中央値およびｐ値に基づいて、対象患者の予後（「良好」、「不良」または「不明」）を予測する。病態進行予測部１１４は、病態進行グラフ２２３や予測予後を含む病態進行予測結果を端末装置３１に送信する。
　（Ｓ１６）治療効果予測部１１５は、端末装置３１から治療方法に関する変数の指定を受け付ける。例えば、治療効果予測部１１５は、医師などが入力した変数名を取得する。
　（Ｓ１７）治療効果予測部１１５は、ステップＳ１６で指定された変数の値に応じて、類似症例を、採用された治療方法が異なる複数の治療方法グループに分類する。なお、複数の処方の組み合わせや経過観察も、１つの治療方法として認識される。
　（Ｓ１８）治療効果予測部１１５は、治療方法グループ毎にその治療方法グループに属する症例の無再発期間を分析し、治療効果グラフ２２６を生成する。例えば、治療効果予測部１１５は、治療方法グループ毎に症例を無再発期間の昇順または降順にソートし、その治療方法グループに属する症例のうち無再発期間がｘ日以上である症例の割合ｙを算出して、その治療方法グループに対応する曲線を算出する。
　（Ｓ１９）治療効果予測部１１５は、治療方法グループ毎に、その治療方法グループに属する症例の無再発期間の中央値と、他の類似症例の無再発期間の中央値とを算出する。また、治療効果予測部１１５は、治療方法グループ毎に、その治療グループに属する症例の無再発期間と他の類似症例の無再発期間との間に有意な差があるか否かを示すｐ値を算出する。そして、治療効果予測部１１５は、治療方法グループ毎に、その治療方法グループに属する症例の中央値、他の類似症例の中央値およびｐ値に基づいて、その治療方法を採用した場合の対象患者の予後を予測する。治療効果予測部１１５は、治療効果グラフ２２６や予測予後を含む治療効果予測結果を端末装置３１に送信する。
　図１５は、類似症例検索の手順例を示すフローチャート（続き）である。
　（Ｓ２０）病態進行ライブラリ生成部１１６は、ステップＳ１１で選択された変数それぞれの値を、ステップＳ１３の類似症例から抽出する。
　（Ｓ２１）病態進行ライブラリ生成部１１６は、ステップＳ１１で選択された変数それぞれについて値の分布の情報を生成し、病態進行予測結果に対応する統計情報とする。値の分布の情報には、各値の出現割合が含まれてもよい。また、値の分布の情報には、最大値・最小値・平均・標準偏差・中央値などの統計指標が含まれてもよい。
　（Ｓ２２）治療効果ライブラリ生成部１１７は、治療方法を１つ選択する。
　（Ｓ２３）治療効果ライブラリ生成部１１７は、ステップＳ１１で選択された変数それぞれの値を、ステップＳ２２で選択した治療方法が採用された症例（その治療方法に対応する治療方法グループに属する症例）から抽出する。
　（Ｓ２４）治療効果ライブラリ生成部１１７は、ステップＳ１１で選択された変数それぞれについて値の分布の情報を生成し、ステップＳ２２で選択した治療方法について生成された治療効果予測結果に対応する統計情報とする。値の分布の情報には、各値の出現割合が含まれてもよい。また、値の分布の情報には、最大値・最小値・平均・標準偏差・中央値などの統計指標が含まれてもよい。
　（Ｓ２５）治療効果ライブラリ生成部１１７は、ステップＳ２２で全ての治療方法を選択したか判断する。全ての治療方法を選択した場合はステップＳ２６に処理が進み、未選択の治療方法がある場合はステップＳ２２に処理が進む。
　（Ｓ２６）病態進行ライブラリ生成部１１６は、ステップＳ１４，Ｓ１５の病態進行予測結果とステップＳ２１の統計情報とを対応付けて、サーバ装置２００に送信する。治療効果ライブラリ生成部１１７は、ステップＳ１８，Ｓ１９の治療効果予測結果とステップＳ２４の統計情報とを対応付けて、サーバ装置２００に送信する。
　サーバ装置２００では、病態進行予測結果が病態進行予測テーブル２２１に登録され、病態進行予測結果に対応する統計情報が症例統計テーブル２２２に登録される。また、治療効果予測結果が治療効果予測テーブル２２４に登録され、治療効果予測結果に対応する統計情報が治療別症例統計テーブル２２５に登録される。
　図１６は、分析結果再利用の手順例を示すフローチャートである。
　（Ｓ３０）サーバ装置２００は、端末装置４１から対象患者の臨床情報を受信する。この臨床情報に現れる変数、すなわち、ライブラリ検索に使用する変数は、端末装置４１を操作する医師などの医療従事者によって選択されている。
　（Ｓ３１）病態進行ライブラリ検索部２１３は、病態進行予測テーブル２２１に登録されている病態進行予測結果を１つ選択する。
　（Ｓ３２）病態進行ライブラリ検索部２１３は、ステップＳ３１で選択した病態進行予測結果に対応する統計情報のうち、対象患者の臨床情報に現れる変数についての分布の情報を症例統計テーブル２２２から抽出する。
　（Ｓ３３）病態進行ライブラリ検索部２１３は、対象患者の臨床情報に現れる変数それぞれについて、その臨床情報に含まれる値とステップＳ３２で抽出した分布の情報とを比較して変数毎の一致率を算出する。病態進行ライブラリ検索部２１３は、変数毎の一致率の合計を、対象患者の臨床情報に現れる変数の数と病態進行予測結果が示す変数選択数のうち大きい方で割ることで、全体の一致率を算出する。
　（Ｓ３４）病態進行ライブラリ検索部２１３は、ステップＳ３１で全ての病態進行予測結果を選択したか判断する。全ての病態進行予測結果を選択した場合はステップＳ３５に処理が進み、未選択の病態進行予測結果がある場合はステップＳ３１に処理が進む。
　（Ｓ３５）病態進行ライブラリ検索部２１３は、病態進行予測結果を一致率の高い順にソートする。そして、病態進行ライブラリ検索部２１３は、一致率の高い方から所定個の病態進行予測結果または一致率が閾値以上の病態進行予測結果を検索結果として抽出する。一致率の閾値は、医師などに入力させてもよい。
　（Ｓ３６）治療効果ライブラリ検索部２１４は、治療効果予測テーブル２２４に登録されている治療効果予測結果を１つ選択する。
　（Ｓ３７）治療効果ライブラリ検索部２１４は、ステップＳ３６で選択した治療効果予測結果に対応する統計情報のうち、対象患者の臨床情報に現れる変数についての分布の情報を治療別症例統計テーブル２２５から抽出する。
　（Ｓ３８）治療効果ライブラリ検索部２１４は、対象患者の臨床情報に現れる変数それぞれについて、その臨床情報に含まれる値とステップＳ３７で抽出した分布の情報とを比較して変数毎の一致率を算出する。治療効果ライブラリ検索部２１４は、変数毎の一致率の合計を、対象患者の臨床情報に現れる変数の数と治療効果予測結果が示す変数選択数のうち大きい方で割ることで、全体の一致率を算出する。
　（Ｓ３９）治療効果ライブラリ検索部２１４は、ステップＳ３６で全ての治療効果予測結果を選択したか判断する。全ての治療効果予測結果を選択した場合はステップＳ４０に処理が進み、未選択の治療効果予測結果がある場合はステップＳ３６に処理が進む。
　（Ｓ４０）治療効果ライブラリ検索部２１４は、治療効果予測結果を一致率の高い順にソートする。そして、治療効果ライブラリ検索部２１４は、一致率の高い方から所定個の治療効果予測結果または一致率が閾値以上の治療効果予測結果を検索結果として抽出する。一致率の閾値は、医師などに入力させてもよい。
　（Ｓ４１）病態進行ライブラリ検索部２１３は、ステップＳ３５で抽出した病態進行予測結果のリストを端末装置４１に送信する。治療効果ライブラリ検索部２１４は、ステップＳ４０で抽出した治療効果予測結果のリストを端末装置４１に送信する。病態進行予測結果のリストと治療効果予測結果のリストは、合わせて送信してもよいし、端末装置４１からの要求に応じて別個に送信してもよい。
　第２の実施の形態の情報処理システムによれば、大規模病院などの医療機関において特定の対象患者に対して生成された病態進行予測結果や治療効果予測結果に、その際に参照された類似症例の特徴を示す統計情報が付加されてライブラリに登録される。そして、別の対象患者の臨床情報と統計情報とが比較され、当該別の対象患者に適合する可能性の高い病態進行予測結果や治療効果予測結果がライブラリから検索される。これにより、蓄積した症例が少ない小規模診療所のなどの医療機関も、精度の高い病態進行予測結果や治療効果予測結果を取得することが可能となる。また、ライブラリには、分析時に使用された対象患者の臨床情報そのものや類似症例である臨床情報そのものは含まれない。よって、ライブラリを共有しても、各医療機関はその医療機関内の臨床情報を外部に提供しなくてよく、個人情報保護やセキュリティを向上させることができる。
　上記については単に本発明の原理を示すものである。更に、多数の変形や変更が当業者にとって可能であり、本発明は上記に示し、説明した正確な構成および応用例に限定されるものではなく、対応する全ての変形例および均等物は、添付の請求項およびその均等物による本発明の範囲とみなされる。
　１０　類似症例検索装置
　１１　記憶部
　１２　処理部
　１３ａ，１３ｂ　分析履歴
　１４ａ，１４ｂ　分析結果
　１５ａ，１５ｂ　変数統計情報
　１６ａ，１６ｂ　スコア
　１７，１８ａ，１８ｂ，１９　患者データ

Claims (6)

  1. 　コンピュータに、
    　第１の患者の患者データに関して分析された病態進行状況または治療効果を示す分析結果と、前記病態進行状況または治療効果の分析の際に参照された複数の第２の患者の患者データに含まれる変数の値の分布を示す変数統計情報と、をそれぞれ含む複数の分析履歴を取得し、
    　第３の患者の患者データの指定を受け付け、
    　前記第３の患者の患者データに含まれる前記変数の値と前記複数の分析履歴それぞれの前記変数統計情報が示す前記変数の値の分布との比較に基づいて、前記複数の分析履歴それぞれのスコアを算出し、前記スコアに応じて前記複数の分析履歴のうち一部の分析履歴の前記分析結果を出力する、
    　処理を実行させる類似症例検索プログラム。
  2. 　前記複数の第２の患者の患者データおよび前記第３の患者の患者データはそれぞれ複数の変数の値を含み、前記変数統計情報は前記複数の変数それぞれの値の分布を示し、
    　前記スコアは、前記複数の変数のうち、前記第３の患者の患者データに含まれる値が前記変数統計情報の分布が示す範囲に属している変数の個数に応じて算出される、
    　請求項１記載の類似症例検索プログラム。
  3. 　前記変数統計情報が示す前記変数は、前記第１の患者の患者データと前記複数の第２の患者の患者データそれぞれとの間の類似度の判定に使用された変数である、
    　請求項１記載の類似症例検索プログラム。
  4. 　前記複数の第２の患者の患者データはそれぞれ、前記第１の患者の患者データとの間で判定された類似度が閾値以上である類似症例データである、
    　請求項１記載の類似症例検索プログラム。
  5. 　第１の患者の患者データに関して分析された病態進行状況または治療効果を示す分析結果と、前記病態進行状況または治療効果の分析の際に参照された複数の第２の患者の患者データに含まれる変数の値の分布を示す変数統計情報と、をそれぞれ含む複数の分析履歴を記憶する記憶部と、
    　第３の患者の患者データの指定を受け付け、前記第３の患者の患者データに含まれる前記変数の値と前記複数の分析履歴それぞれの前記変数統計情報が示す前記変数の値の分布との比較に基づいて、前記複数の分析履歴それぞれのスコアを算出し、前記スコアに応じて前記複数の分析履歴のうち一部の分析履歴の前記分析結果を出力する処理部と、
    　を有する類似症例検索装置。
  6. 　情報処理システムが実行する類似症例検索方法であって、
    　第１の患者の患者データを用いて複数の第２の患者の患者データを検索し、
    　前記複数の第２の患者の患者データを参照して前記第１の患者の患者データに関する病態進行状況または治療効果を示す分析結果を生成し、また、前記複数の第２の患者の患者データに含まれる変数の値の分布を示す変数統計情報を生成し、
    　前記分析結果および前記変数統計情報を対応付けた分析履歴をデータベースに保存することで、前記データベースに複数の分析履歴を蓄積させ、
    　第３の患者の患者データが指定されると、前記第３の患者の患者データに含まれる前記変数の値と前記複数の分析履歴それぞれの前記変数統計情報が示す前記変数の値の分布との比較に基づいて、前記複数の分析履歴それぞれのスコアを算出し、
    　前記スコアに応じて前記複数の分析履歴のうち一部の分析履歴の前記分析結果を出力する、
    　類似症例検索方法。
PCT/JP2016/080850 2016-10-18 2016-10-18 類似症例検索プログラム、類似症例検索装置および類似症例検索方法 WO2018073895A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2018546072A JPWO2018073895A1 (ja) 2016-10-18 2016-10-18 類似症例検索プログラム、類似症例検索装置および類似症例検索方法
EP16919338.0A EP3531425A4 (en) 2016-10-18 2016-10-18 PROGRAM TO SEARCH FOR SIMILAR CASES, DEVICE TO SEARCH FOR SIMILAR CASES AND METHOD FOR SEARCHING FOR SIMILAR CASES
PCT/JP2016/080850 WO2018073895A1 (ja) 2016-10-18 2016-10-18 類似症例検索プログラム、類似症例検索装置および類似症例検索方法
US16/294,477 US20190237200A1 (en) 2016-10-18 2019-03-06 Recording medium recording similar case retrieval program, information processing apparatus, and similar case retrieval method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2016/080850 WO2018073895A1 (ja) 2016-10-18 2016-10-18 類似症例検索プログラム、類似症例検索装置および類似症例検索方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/294,477 Continuation US20190237200A1 (en) 2016-10-18 2019-03-06 Recording medium recording similar case retrieval program, information processing apparatus, and similar case retrieval method

Publications (1)

Publication Number Publication Date
WO2018073895A1 true WO2018073895A1 (ja) 2018-04-26

Family

ID=62019310

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/080850 WO2018073895A1 (ja) 2016-10-18 2016-10-18 類似症例検索プログラム、類似症例検索装置および類似症例検索方法

Country Status (4)

Country Link
US (1) US20190237200A1 (ja)
EP (1) EP3531425A4 (ja)
JP (1) JPWO2018073895A1 (ja)
WO (1) WO2018073895A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614570A (zh) * 2018-11-15 2019-04-12 北京英视睿达科技有限公司 预测断面水质参数数据的方法及装置
JP2020042761A (ja) * 2018-09-11 2020-03-19 株式会社日立製作所 治療経路分析および管理プラットフォーム
JP2021089574A (ja) * 2019-12-04 2021-06-10 キヤノンメディカルシステムズ株式会社 医療情報処理装置及びプログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110942814B (zh) * 2019-11-28 2023-10-27 正雅齿科科技(上海)有限公司 一种壳状牙齿矫治器佩戴信息的统计方法及统计系统
CN113345557A (zh) * 2020-03-03 2021-09-03 北京悦熙兴中科技有限公司 一种数据处理方法和系统
CN111477321B (zh) * 2020-03-11 2023-06-09 北京大学第三医院（北京大学第三临床医学院） 具有自学习能力的治疗效果预测系统及治疗效果预测终端

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004288047A (ja) * 2003-03-24 2004-10-14 Fujitsu Ltd 診療支援システム及び診療支援プログラム
JP2005346239A (ja) * 2004-06-01 2005-12-15 Ntt Data Corp 類似症例検索システム及びプログラム
WO2016147290A1 (ja) * 2015-03-16 2016-09-22 富士通株式会社 情報分析プログラム、情報分析方法および情報分析装置
WO2016147289A1 (ja) * 2015-03-16 2016-09-22 富士通株式会社 情報分析プログラム、情報分析方法および情報分析装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1414343B1 (en) * 2001-07-11 2009-06-03 CNS Response, Inc. Method for predicting outcome of treatments

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004288047A (ja) * 2003-03-24 2004-10-14 Fujitsu Ltd 診療支援システム及び診療支援プログラム
JP2005346239A (ja) * 2004-06-01 2005-12-15 Ntt Data Corp 類似症例検索システム及びプログラム
WO2016147290A1 (ja) * 2015-03-16 2016-09-22 富士通株式会社 情報分析プログラム、情報分析方法および情報分析装置
WO2016147289A1 (ja) * 2015-03-16 2016-09-22 富士通株式会社 情報分析プログラム、情報分析方法および情報分析装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3531425A4 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020042761A (ja) * 2018-09-11 2020-03-19 株式会社日立製作所 治療経路分析および管理プラットフォーム
US11152119B2 (en) 2018-09-11 2021-10-19 Hitachi, Ltd. Care path analysis and management platform
CN109614570A (zh) * 2018-11-15 2019-04-12 北京英视睿达科技有限公司 预测断面水质参数数据的方法及装置
CN109614570B (zh) * 2018-11-15 2023-04-18 北京英视睿达科技股份有限公司 预测断面水质参数数据的方法及装置
JP2021089574A (ja) * 2019-12-04 2021-06-10 キヤノンメディカルシステムズ株式会社 医療情報処理装置及びプログラム
JP7458762B2 (ja) 2019-12-04 2024-04-01 キヤノンメディカルシステムズ株式会社 医療情報処理装置及びプログラム

Also Published As

Publication number Publication date
EP3531425A4 (en) 2019-10-16
JPWO2018073895A1 (ja) 2019-06-24
EP3531425A1 (en) 2019-08-28
US20190237200A1 (en) 2019-08-01

Similar Documents

Publication Publication Date Title
WO2018073895A1 (ja) 類似症例検索プログラム、類似症例検索装置および類似症例検索方法
US11714837B2 (en) Synonym discovery
US20140257846A1 (en) Identifying potential audit targets in fraud and abuse investigations
Kumar et al. Medical big data mining and processing in e-healthcare
US20070156451A1 (en) System and method for portable display of relevant healthcare information
JP6187474B2 (ja) 医療情報解析プログラム、医療情報解析装置、および医療情報解析方法
JP2005515000A (ja) 臨床判断をサポートするシステム
Ryan et al. A machine learning approach to predict deep venous thrombosis among hospitalized patients
WO2016147290A1 (ja) 情報分析プログラム、情報分析方法および情報分析装置
CN112420202A (zh) 数据的处理方法、装置及设备
WO2014196087A1 (ja) 診療プロセス分析システム
Passos et al. Precision psychiatry: the future is now
CN103098061A (zh) 临床状态时间线
US20240233952A1 (en) Systems and Methods for Continuous Cancer Treatment and Prognostics
Qiu et al. Estimating disease burden using Internet data
JP6384130B2 (ja) 情報処理装置及び情報処理プログラム
WO2016147289A1 (ja) 情報分析プログラム、情報分析方法および情報分析装置
Wang et al. Nationwide hospital admission data statistics and disease-specific 30-day readmission prediction
Ploner et al. Using gradient boosting with stability selection on health insurance claims data to identify disease trajectories in chronic obstructive pulmonary disease
Kolamunnage-Dona et al. Time-dependent efficacy of longitudinal biomarker for clinical endpoint
JP6609969B2 (ja) 検索結果予測プログラム、検索結果予測方法及び検索結果予測装置
WO2023007699A1 (ja) 医療サービス提供主体情報を提供するシステム、情報処理装置、方法及びプログラム
Pise An introduction to big data analytics techniques in healthcare
JP6094140B2 (ja) 診断プログラム、診断履歴作成方法、及び電子カルテ
WO2019220486A1 (ja) 情報処理システム、情報処理方法および情報処理プログラム

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: 16919338

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2018546072

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2016919338

Country of ref document: EP

Effective date: 20190520