WO2019044620A1 - 医療情報処理システム - Google Patents

医療情報処理システム Download PDF

Info

Publication number
WO2019044620A1
WO2019044620A1 PCT/JP2018/030971 JP2018030971W WO2019044620A1 WO 2019044620 A1 WO2019044620 A1 WO 2019044620A1 JP 2018030971 W JP2018030971 W JP 2018030971W WO 2019044620 A1 WO2019044620 A1 WO 2019044620A1
Authority
WO
WIPO (PCT)
Prior art keywords
patient
outcome
medical record
electronic medical
target patient
Prior art date
Application number
PCT/JP2018/030971
Other languages
English (en)
French (fr)
Inventor
昌洋 林谷
久保　雅洋
茂実 北原
Original Assignee
日本電気株式会社
株式会社Ｋｉｔａｈａｒａ Ｍｅｄｉｃａｌ Ｓｔｒａｔｅｇｉｅｓ Ｉｎｔｅｒｎａｔｉｏｎａｌ
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 日本電気株式会社, 株式会社Ｋｉｔａｈａｒａ Ｍｅｄｉｃａｌ Ｓｔｒａｔｅｇｉｅｓ Ｉｎｔｅｒｎａｔｉｏｎａｌ filed Critical 日本電気株式会社
Priority to US16/643,342 priority Critical patent/US20200350061A1/en
Priority to JP2019539408A priority patent/JP6970414B2/ja
Publication of WO2019044620A1 publication Critical patent/WO2019044620A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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

Definitions

  • the present invention relates to a medical information system, a medical information processing method, and a program operated in an acute care facility.
  • Medical institutions perform a wide range of tasks such as surgery, examinations, and rehabilitation for many patients.
  • the information processing system dedicated to medical institutions supports the work of conventional medical personnel and improves work efficiency.
  • Examples of information processing systems dedicated to medical institutions include a system that converts existing paper medical records into an electronic medical record, and a system that receives medical record information as electronic data from the beginning.
  • the electronic medical record information group of each patient is stored in the server (storage) of the information processing system, called by an authorized medical institution, and used as a conventional paper medical record as needed.
  • An information processing system that handles only collection / presentation of electronic medical records is generally called an electronic medical record system.
  • Patent Document 1 A variety of medical information systems used in medical institutions other than electronic medical record systems, for example, one system is described in Patent Document 1.
  • Patent Literature 1 describes a stroke diagnosis collaboration system.
  • This stroke diagnosis cooperation system stores the medical plan for each patient in a shared database in a server installed on the Internet, and is shared by medical personnel at each facility via a network. According to this system, each patient can receive optimum medical care at each facility widely distributed in the area based on the unified medical plan.
  • the patent document 1 mentions acute care facilities, convalescent rehabilitation care facilities, general medical treatment facilities, care facilities and family doctors as the facilities widely distributed in the area. Therefore, for example, for a certain patient who has been transported to an emergency, after being treated and discharged at the acute care facility, the patient's home doctor can know the medical plan established at the acute care facility. As a result, a good medical environment can be provided to the patient.
  • non-patent document 1 describes the research report of the related medical staff.
  • BBS Breast Balance Scale
  • FIM Frectional Independent Measure
  • each patient can receive optimal medical care at each facility widely distributed in the area based on the unified medical plan.
  • the matters described in Patent Document 1 remain in sharing the medical plan.
  • Non-Patent Document 1 suggests that it is possible to predict that there is a high possibility of being able to be discharged directly home from an acute care hospital according to the BBS score at 2 weeks of onset .
  • this suggested approach can not predict the outcome from the acute care facility in a shorter time than at 2 weeks of onset.
  • An object of the present invention is medical information processing which solves at least one of the above-mentioned several problems and which predicts an outcome destination early from initial information of the patient according to hospitalization of the patient to an acute care facility accompanied by emergency transportation. It is to provide a system.
  • a medical information processing system refers to an input unit for receiving an input of electronic medical record information of a target patient, and an electronic medical record information group of each patient obtained from a hospitalized patient in an acute care facility.
  • the target patient is obtained from the received electronic medical record information of the target patient based on the machine learning unit for machine learning the outcome destination from the acute care facility of each patient and the learning result obtained by the machine learning unit
  • an outcome destination prediction unit that predicts an outcome destination of
  • the machine learning unit refers in advance to the electronic medical record information group of each patient obtained from the hospitalized patient in the acute care facility. Machine-learning the outcome destination from the acute care facility, the input unit accepts input of electronic medical record information of the target patient, and the outcome destination prediction unit based on the learning result obtained by the machine learning unit Based on the received electronic medical record information of the target patient, the destination of the target patient is predicted.
  • a recording medium includes a processor of an information processing system, an input unit that receives an input of electronic medical record information of a target patient, and an electronic medical record information group of each patient obtained from an inpatient of an acute care facility. And the machine learning unit for machine learning the outcome destination from the acute care facility of each patient, and the electronic medical record information of the target patient accepted based on the learning result obtained by the machine learning unit. Then, it operates as an outcome destination prediction unit that predicts the outcome destination of the target patient.
  • the present invention it is possible to provide a medical information processing system that predicts an outcome destination early even from initial information of a patient in accordance with hospitalization of the patient to an acute care facility accompanying emergency transportation.
  • FIG. 1 is a block diagram showing a medical information processing system 1 according to an embodiment of the present invention.
  • the medical information processing system 1 includes at least an input unit 11, an outcome destination prediction unit 20, and a learning unit 30. Further, in the medical information processing system 1, it is assumed that various databases in which each component is configured to be usable as necessary are constructed. The various databases may be external databases instead of internal databases.
  • the medical information processing system 1 is an information processing system, includes a processor and a memory, and operates each component as follows by the outcome prediction program according to the present invention.
  • the input unit 11 sequentially receives an input of electronic medical record information of each patient including a target patient described later, and sequentially registers the input in the electronic medical record database. In addition, the input unit 11 receives an outcome destination prediction request for a target patient from a user (a doctor, a hospital staff, or the like) or another related program.
  • the electronic medical record database may be provided as an internal database in the medical information processing system 1 as illustrated, or an electronic medical record system provided outside may be used as described above.
  • the electronic medical record database (system) may generate an outcome prediction request for the patient each time the electronic medical record information of each patient is updated and stored.
  • the items managed by the electronic medical record database can use items generally used in many hospitals, though not particularly limited. Also, if there is a chart item accumulated in the past, it may be an item unique to the hospital.
  • the structure of the electronic medical record database is not particularly limited, items used in the information processing according to the present invention are illustrated in FIG.
  • the outcome destination prediction unit 20 uses the electronic medical record information of the target patient as primary information based on the electronic medical record information of the patient (target patient) who predicts the outcome destination and the learning result that is machine-learned and accumulated by the learning unit 30. , Predict the destination after hospitalization associated with emergency delivery of the target patient. At this time, the outcome destination prediction unit 20 uses target patient data input to a target patient with acute symptoms as electronic medical record information of the target patient, and obtains it from the electronic medical record information of the patient group used for learning. Refine the outcome based on the machine learning results that are being Although the item of the electronic medical record information includes the disease name and symptoms of the target patient, the contents of all the items are not necessarily essential for the prediction. For example, even if immediately after emergency transportation or when a clear medical condition is unknown, the predicted outcome destination of the target patient is determined based on the learning result machine-learned for the input that the item is not input or unknown. Is desirable.
  • the outcome destination prediction unit 20 classifies the outcome destination of the target patient into a home or a facility with high accuracy of discharge to a home, transfer to a convalescent hospital (also referred to as rehabilitation hospital), or transfer to another facility. May be In addition, the outcome destination prediction unit 20 of the present invention predicts the outcome destination of the target patient using one (one type) machine learning result.
  • the home classified here is a result predicted to be a level at which the corresponding patient can live at home.
  • the recovery stage hospital rehabilitation hospital
  • the other facilities classified here are classified as patients who eventually have difficulty living at home even if they receive rehabilitation.
  • other facilities include medical institutions such as recuperation hospitals, healthcare facilities and nursing homes.
  • the above classification is classified into three categories: home, recovery stage hospital (rehab hospital), and other facilities, but for example, medical facilities such as medical treatment hospitals are extracted as new items from other facilities, home, recovery stage hospital (rehab Hospitals, other medical facilities, and other facilities may be classified into four or more categories.
  • the outcome destination prediction unit 20 acquires the electronic medical record information of the target patient acquired at the present time, and based on the machine learning result classified into multiple classes, the home, recovery stage hospital (rehab hospital And each of the facilities (medical treatment hospital, rehabilitation facility, medical treatment / nursing care facility) is output as a prediction result.
  • the outcome destination prediction unit 20 selects the outcome destination of the target patient in any one of a home, a convalescent hospital (rehabilitation hospital), and each facility, the probability that the home can not be selected as an outcome destination If the condition is higher than the threshold value, you can select the outcome destination from rehabilitation facilities, medical treatment and nursing facilities that satisfy the condition.
  • a convalescent hospital rehabilitation hospital
  • the above classification of outcome is considered to be strongly influenced by several items registered in the electronic patient record of the target patient.
  • the presence or absence of a home, the number of floors, and whether the home is a home or a rent may be parameters that strongly influence the degree of recovery of the patient as to whether or not the outcome is a home.
  • the degree of recovery of the patient may be expected to recover or may not.
  • the learning unit 30 refers to the electronic medical record database and machine-learns the outcome of each patient obtained from the inpatient of the acute care facility about the outcome from the acute care facility for the electronic medical record information group of each patient. Accumulate learning results in a database.
  • the learning unit 30 operates as a machine learning unit. Machine learning is not essential although it is preferable to include disease names and symptoms in the items of electronic medical record information used for learning.
  • the items (parameters) of the electronic medical record information applied to machine learning are, like the items illustrated in FIG. 2, the parameters of hospitalization classification and patient status, as well as economic status, home, address, key person, smoking history, drinking calendar, etc. It is more desirable to use a number of social patient characteristic parameters.
  • the learning unit 30 performs machine learning on the outcome destination after discharge from the electronic medical record information group.
  • the machine learning method is not particularly limited, but a regression method such as SVM (Support Vector Machine), a clustering method such as k-nearest neighbor method, or a neural network method may be used.
  • the machine learning method is, for example, a machine learning method with a high accuracy rate at the outcome destination when using electronic medical record data obtained on the admission day of the hospitalized emergency patient, and is stored by one week after hospitalization. When using electronic medical record data, both machine learning methods with high accuracy rates at the outcome destination may be learned respectively.
  • the learning unit 30 corresponds to a plurality of learning methods so that the learning data used by the outcome destination prediction unit 20 can be switched automatically or by the operation of the user according to the time after the hospitalization progress. Is desirable.
  • Economic situation is a parameter indicating the economic situation of a family sharing a patient or household.
  • Home is a parameter indicating whether a home where a patient or a family sharing a household lives is a homeowner or a renter. Also, it may include how many floors are living spaces.
  • Address is a parameter indicating the area in which a home where a family member sharing a patient or household lives is located.
  • the “key person” is a parameter indicating the presence or absence of an intimate family / friend living with the patient and the relationship with the person. Simply work with the input to the cohabitation family configuration.
  • the social characteristics of each person registered in the “key person” may be received and added to the parameter of machine learning. By thickly collecting this item and using it in conjunction with other items, it can be estimated that a significant difference can be obtained as a mining result as to whether or not home care / home rehabilitation / visiting can be performed.
  • the "smoking history" is a parameter indicating the smoking history of the patient.
  • the “drinking calendar” is a parameter indicating the drinking calendar of the patient.
  • Pet is the type and age of the pet that the patient or cohabiting family keeps. The age of breeding etc. may be included.
  • the item of the electronic medical record database shown in FIG. 2 is an example, and is not limited to the illustrated item.
  • the electronic medical record database may optionally add / change various items to parameterize the items.
  • addition of parameters of social patient characteristics and addition of regionality to an electronic medical record database may be useful for machine learning ahead of outcome.
  • the medical information processing system 1 can predict the outcome destination of the patient at an early stage along with the hospitalization of the patient to the acute care facility accompanying the emergency transportation.
  • FIG. 3 is a flowchart showing the basic flow of the medical information processing system 1 of the present embodiment.
  • FIG. 4 is an example of a flowchart showing a machine learning flow of the medical information processing system 1.
  • FIG. 5 is an example of a flowchart showing an outcome destination prediction flow of the medical information processing system 1.
  • the medical information processing system 1 previously machine-learns the outcome destination after hospitalization accompanied by emergency conveyance about the electronic medical record information group of each patient by the learning unit 10 (F101).
  • the medical information processing system 1 sequentially sets the outcome destination of the target patient based on the result of machine learning from the electronic medical record information of the target patient input along with the admission to the target patient by the emergency destination prediction unit 20. To predict (F102).
  • the medical information processing system 1 can appropriately receive an outcome prediction request from a human or another program, and can predict the outcome by using electronic medical record information of a target patient at that timing as primary information.
  • the user for example, a doctor, a nurse, a social worker
  • the request source can sequentially know the predicted outcome destination based on the current input information. It is possible to know the destination of this outcome immediately after the electronic medical record information of the target patient immediately after the emergency transport is created.
  • FIG. 4 is an example of a flowchart showing a machine learning flow of the medical information processing system 1.
  • the processor of the information processing system to be the medical information processing system 1 sequentially collects electronic medical record information groups to be learned (S101).
  • the processor extracts data of items (features and parameters) of the electronic medical record to be learned from the collected electronic medical record information group (S102).
  • This feature includes the hospital, area, patient address, hospitalization category, presence / absence of home, key persons, etc., as well as patient symptoms, disease names, etc.
  • the processor learns the relationship between the feature (parameter) group and the outcome destination (S103).
  • the processor stores the learning result in the learning database (S104).
  • FIG. 5 is an example of a flowchart showing an outcome destination prediction flow of the medical information processing system 1.
  • the processor of the information processing system to be the medical information processing system 1 receives an outcome destination prediction request for a target patient from the user or another related program (S201).
  • the processor calls up the current electronic medical record information and learning data of the target patient (S202).
  • the processor predicts the outcome of the target patient based on the machine learning result (S203).
  • This prediction process is, for example, discharging the hospital, transferring to a convalescent hospital (rehabilitation hospital), multiclass classification processing with other facilities as classification candidates, based on the learning results for the current patient's electronic medical record information. Good.
  • the prediction process of the outcome destination is appropriately performed through the input unit 11 in response to the request from the user or the like.
  • the medical information processing system 1 can predict the outcome destination of the patient early with the hospitalization of the patient accompanying the emergency transportation.
  • this prediction increases in an earlier and more accurate manner sequentially as the patient's medical condition and various information sequentially input from the initial information are input to the electronic medical record.
  • FIG. 6 is an explanatory view visually showing the advantage of the medical information processing system 1.
  • a social worker or the like can know the predicted outcome destination classified into categories from the early electronic medical record information (for example, even from the initial information) of the target patient.
  • staff members such as social workers
  • patients there is an advantage of being able to shift from treatment in an acute hospital to treatment such as rehabilitation at an early stage.
  • medical expenses can be reduced by making the hospitalization period appropriate.
  • acute hospitals there are benefits to reducing the need to hospitalize recovered patients more than necessary and to run out of beds.
  • the medical information processing system to which the present invention is applied can predict the outcome destination early even from the initial information of the patient as the patient is admitted to the acute care facility during the emergency transportation.
  • Each part of the present system may be realized by appropriately using a combination of hardware, software, and virtualization technology of a computer system (server system) as illustrated in FIGS. 7 and 8.
  • the computer system includes one or more processors and memory tailored to the desired configuration.
  • a program for the guidance system is expanded in the above-mentioned memory in each unit, and hardware such as one or more processors is operated by the execution instruction group and the code group based on this program. If it will be realized. At this time, if necessary, this program may realize each part in cooperation with an operating system, a micro program, a function provided by software such as a driver, and the like.
  • the program data developed in the memory appropriately includes an execution instruction group, a code group, a table file, content data, and the like that cause the processor to operate as one or more of the above-described units.
  • this computer system does not necessarily need to be built as one device, and it is built by so-called thin clients, distributed computing, cloud computing by combining a plurality of servers / computers / virtual machines etc. It is also good.
  • each part of the computer system may be replaced with hardware or firmware (for example, one or more LSIs: large-scale integration, FPGA: field programmable gate array, combination of electronic elements).
  • hardware or firmware for example, one or more LSIs: large-scale integration, FPGA: field programmable gate array, combination of electronic elements.
  • only a part of each part may be replaced with hardware or firmware.
  • this program may be recorded non-temporarily on a recording medium and distributed.
  • the program recorded on the recording medium is read into a memory through a wired, wireless, or recording medium itself to operate a processor or the like.
  • recording media also include storage media, memory devices, storage devices and the like of similar terms.
  • Examples of this recording medium include an optical disk, a magnetic disk, a semiconductor memory device, a hard disk device, and a tape medium.
  • a combination of a volatile module (for example, RAM: Random Access Memory) and a non-volatile module (for example, ROM: Read Only Memory) may be used as the recording medium.
  • the information processing system which operates as a medical information processing system is operated as an input unit, a learning unit, and an outcome destination prediction unit based on the outcome destination prediction program developed in the memory.
  • the medical information processing system according to the present invention can be realized.
  • the recording medium includes an outcome prediction program expanded in the memory and operated by the processor of the information processing system, and the information processing resource includes a learning process, an input process, an outcome
  • the medical information processing system according to the present invention can be constructed by executing the pre-prediction process in a timely manner.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

医療情報処理システムは、対象患者の電子カルテ情報の入力を受け付ける入力部と、急性期医療施設の入院患者から得られる各患者の電子カルテ情報群を参照して、各患者の該急性期医療施設からの転帰先を機械学習する機械学習部と、機械学習部により得られた学習結果に基づいて、受け付けられた対象患者の電子カルテ情報から、対象患者の転帰先を予測する転帰先予測部とを具備する。

Description

医療情報処理システム
　本発明は、急性期対応施設で運用される医療情報システム、医療情報処理方法およびプログラムに関する。
　昨今、医療機関内で情報処理システムが多く使用されている。また、医療機関専用の情報処理システムの開発も活発である。
　医療機関では多くの患者に対して手術や検査、リハビリなどの多岐に亘る業務を行っている。医療機関専用の情報処理システムは、従前の医療関係者の業務をサポートして、作業効率を高めている。
　医療機関専用の情報処理システムには、従前の紙のカルテを電子カルテとして情報化するシステムや、最初からカルテ情報を電子データとして受け付けるシステムなどがある。
　各患者の電子カルテ情報群は、情報処理システムのサーバ（ストレージ）に保存され、権限がある医療機関者によって呼び出され、必要に応じて従前の紙カルテのように使用される。電子カルテの収集／提示のみを扱う情報処理システムは、概ね電子カルテシステムと呼ばれている。
　医療機関で用いられている医療情報システムは、電子カルテシステム以外にも多岐に亘り、例えば特許文献１に一つのシステムが記載されている。
　特許文献１には、脳卒中診断連携システムが記載されている。この脳卒中診断連携システムは、患者ごとの医療計画を、インターネット上に設置したサーバ内の共有データベースに保管し、ネットワークを介して各施設の医療関係者が共有する。この仕組みによれば、各患者は、統一した医療計画に基づいて、地域に広く分布する各施設で最適な医療を受けられる。当該特許文献１は、地域に広く分布する各施設として、急性期医療施設と回復期リハビリ医療施設と一般療養型医療施設と介護施設とかかりつけ医とを挙げている。このため、例えば、救急搬送されたある患者について、急性期医療施設で治療を受けて退院した後に、急性期医療施設で立てられた医療計画を患者のかかりつけ医が知ることができる。結果的に患者にとって良好な医療環境が提供できる。
　この特許文献１にも記載されているように、急性期医療施設は、慢性的に病床が不足している。当該文献によれば、急性期医療施設への入院は８０％が緊急入院である。この緊急入院した患者は、一般的に、急性期治療期間のみ急性期医療施設に入院し、その後の回復期間やリハビリ治療期間は自宅や各種施設に転帰することが多い。一方で、患者に適した転帰先が無く、緊急入院した患者が急性期医療施設への入院を継続することも稀にある。また、回復の見込みが無く、緊急入院した患者が各種施設に転院することもある。
　現在の医療施設の事情を鑑みれば、救急搬送に伴う急性期医療施設への患者の入院に伴い、（１）医師等によって当該患者の医療計画の立案、（２）医療計画に沿った急性期治療期間の治療、（３）インフォームドコンセントによる転帰先の確認、確定、転帰先の施設との転帰スケジュール調整、及び（４）転帰先への移動（退院）、の流れで、患者は急性期医療施設から転帰先に移動することが多い。
　また、急性期医療施設の事情では、必要以上に患者を入院させておくことにはデメリットがある。他方、急性期医療施設は必要な対処を行わずに患者を早期に退院させるわけにはいかない。
　なお、関連する医療関係者の研究報告が非特許文献１に記載されている。当該文献では、発症２週時のBBS（Berg Balance Scale）と急性期病院退院時のFIM（Functional Independence Measure）やBBSとが高い関連性があることを研究報告している。この文献の著者は、発症２週時のBBSが４０点以上あれば急性期病院より直接自宅に退院（自宅療養、自宅リハビリ）できる可能性が高いことを示唆した。
特開２０１０－９０８６号公報
久保田雅史, 山村修, 野々山忠芳, 佐々木伸一, 嶋田誠一郎, 馬場久敏, 栗山勝, "急性期脳梗塞患者の在宅退院とBerg balance scaleの関係", 2010年発行, 神経治療27 Page.573-578
　上記した特許文献１に記載の技術では、各患者は、統一した医療計画に基づいて、地域に広く分布する各施設で最適な医療を受けられる。しかしながら、特許文献１に記載されている事項は、医療計画を共有することに留まっている。
　一方、非特許文献１に記載された報告は、発症２週時のBBSの得点に従って、急性期病院より直接自宅に退院できる可能性が高いことを示す予測が可能であることを示唆している。しかしながら、この示唆の手法では、発症２週時よりも短期間に急性期医療施設からの転帰先を予測することができない。
　本発明の目的は、上記幾つかの課題の少なくとも一つを解決し救急搬送に伴う急性期医療施設への患者の入院に伴い、該患者の初期情報から転帰先を早期に予測する医療情報処理システムを提供することである。
　本発明の一実施形態に係る医療情報処理システムは、対象患者の電子カルテ情報の入力を受け付ける入力部と、急性期医療施設の入院患者から得られる各患者の電子カルテ情報群を参照して、各患者の該急性期医療施設からの転帰先を機械学習する機械学習部と、前記機械学習部により得られた学習結果に基づいて、受け付けられた前記対象患者の電子カルテ情報から、前記対象患者の転帰先を予測する転帰先予測部と、を具備する。
　本発明の一実施形態に係る医療情報処理システムによる医療情報処理方法は、予め、機械学習部によって、急性期医療施設の入院患者から得られる各患者の電子カルテ情報群を参照して、各患者の該急性期医療施設からの転帰先を機械学習し、入力部によって、対象患者の電子カルテ情報の入力を受け付け、転帰先予測部によって、前記機械学習部により得られた学習結果に基づいて、受け付けられた前記対象患者の電子カルテ情報から、前記対象患者の転帰先を予測処理する。
　本発明の一実施形態に係る記録媒体は、情報処理システムのプロセッサーを、対象患者の電子カルテ情報の入力を受け付ける入力部と、急性期医療施設の入院患者から得られる各患者の電子カルテ情報群を参照して、各患者の該急性期医療施設からの転帰先を機械学習する機械学習部と、前記機械学習部により得られた学習結果に基づいて、受け付けられた前記対象患者の電子カルテ情報から、前記対象患者の転帰先を予測する転帰先予測部として動作させる。
　本発明によれば、救急搬送に伴う急性期医療施設への患者の入院に伴い、該患者の初期情報からでも転帰先を早期に予測する医療情報処理システムを提供できる。
本発明に係る第１の実施形態の医療情報処理システム１を示すブロック図である。 電子カルテデータベースの一部項目について例示した説明図である。 本発明に係る第１の実施形態の医療情報処理システム１の基本フローを示すフローチャートである。 本発明に係る第１の実施形態の医療情報処理システム１の概略的な機械学習フローを示すフローチャートである。 本発明に係る第１の実施形態の医療情報処理システム１の転帰先予測フローを示すフローチャートである。 本発明に係る第１の実施形態の医療情報処理システム１が奏する運用上の利点を示す説明図である。 本発明に係る医療情報処理システムの構成例を示すブロック図である。 本発明に係る医療情報処理システムの別の構成例を示すブロック図である。
　本発明の実施形態を図面を参照して説明する。
［実施形態］ 
　図１は、本発明の一実施形態に係る医療情報処理システム１を示すブロック図である。
　医療情報処理システム１は、少なくとも、入力部１１、転帰先予測部２０、学習部３０を含み構成される。また医療情報処理システム１には、各構成要素が必要に応じて利用可能に構成された各種データベースが構築されていることとする。なお各種データベースは、内部データベースとせずとも、外部データベースを用いることとしてもよい。医療情報処理システム１は情報処理システムであり、プロセッサー及びメモリーを内在し、本発明に係る転帰先予測プログラムによって、各構成要素を以下のように動作させる。
　入力部１１は、後述する対象患者を含む各患者の電子カルテ情報の入力を逐次受け付けて電子カルテデータベースに逐次登録する。また、入力部１１は、利用者（医師や病院スタッフなど）若しくは他の関連プログラムから、対象患者の転帰先予測要求を受け付ける。電子カルテデータベースは、図示するように医療情報処理システム１内に内部データベースとして設けてもよいし、上記したように外部に設けられた電子カルテシステムを利用するようにしてもよい。電子カルテデータベース（システム）は、各患者の電子カルテ情報が更新されて保存される毎に該当患者の転帰先予測要求を生成することとしてもよい。電子カルテデータベースで管理される項目は、特に限定しないものの多くの病院で一般的に使用されている項目を使用できる。また過去に蓄積しているカルテ項目があれば、病院独自の項目であっても追加してもよい。電子カルテデータベースの構造については特に限定しないものの、図２に本発明に係る情報処理で用いる項目を例示する。
　転帰先予測部２０は、転帰先を予測する患者（対象患者）の電子カルテ情報と学習部３０で機械学習されて蓄積された学習結果とに基づいて、対象患者の電子カルテ情報を一次情報として、対象患者の救急搬送に伴う入院後の転帰先を予測する。この際、転帰先予測部２０は、対象患者の電子カルテ情報として、急性期症状を伴う対象患者に対して入力された対象患者データを用いて、学習に用いた患者群の電子カルテ情報から得られている機械学習結果に基づいて、転帰先を絞り込む。電子カルテ情報の項目には、対象患者の病名や症状を含むものの、全ての項目の内容が予測に必須となるわけではない。例えば、救急搬送直後や明確な病状が不明であっても、項目が未入力であることや不明との入力に対して機械学習された学習結果に基づいて、対象患者の予測転帰先を決定することが望ましい。
　転帰先予測部２０は、対象患者の転帰先を、自宅への退院、回復期病院（リハビリ病院などとも呼ぶ）への転院、その他施設への転院の何れか確度が高い自宅又は施設に分類してもよい。また、本発明の転帰先予測部２０は、１つの（１種類の）機械学習結果を用いて、対象患者の転帰先を予測する。
　なお、ここで分類される自宅は、該当患者が自宅で生活可能なレベルであることが予測された結果となる。同様に、ここで分類される回復期病院（リハビリ病院）は、患者に適切なリハビリテーション環境を提供して、リハビリを受けたならば最終的に患者が自宅で生活可能なレベルに回復することが予測された結果となる。他方、ここで分類されるその他施設は、リハビリを受けたとしても最終的に自宅での生活が困難となる患者が分類される。例えば、その他施設には、療養病院などの医療機関や、ヘルスケア施設や老人ホームなどが含まれる。
　上記分類は、自宅、回復期病院（リハビリ病院）、その他施設の３分類としたが、その他施設から、例えば療養病院などの医療機関を新たな項目として抽出して、自宅、回復期病院（リハビリ病院）、その他医療施設、その他施設の４分類やそれ以上の分類としてもよい。
　具体的一例では、転帰先予測部２０は、現時点で取得されている対象患者の電子カルテ情報を取得して、多クラス分類されている機械学習結果に基づいて、自宅、回復期病院（リハビリ病院）、及び、それぞれの施設（療養病院、リハビリ施設、療養・介護施設）の何れかを予測結果として出力する。
　別の一例では、転帰先予測部２０は、自宅、回復期病院（リハビリ病院）、及び、それぞれの施設の何れかに対象患者の転帰先を選定する際に、自宅を転帰先に選定できない確率が閾値より高い場合に条件を満たすリハビリ施設、療養・介護施設から転帰先を選定することとすればよい。
　上記転帰先の分類は、対象患者の電子カルテに登録される幾つかの項目に強く影響を受けるものと考察される。例えば、自宅の有無や居住階数、自宅が持家か賃貸かの項目は、転帰先が自宅になるか否かに、患者の回復度合いと共に強く影響を与えるパラメータと成り得る。また、自宅を転帰先とする場合でも、患者の回復度合いが回復の見込みがある場合もあれば、回復の見込みがない場合もある。これらのことを、医療関係者が早期に精確に判断することは困難であるが、急性期医療施設の機械学習結果を用いることで早期から高い精度の予測結果を医療関係者に提供できる。
　学習部３０は、電子カルテデータベースを参照して各患者の電子カルテ情報群について急性期医療施設の入院患者から得られた各患者の該急性期医療施設からの転帰先を機械学習して、学習データベースに学習結果を蓄積する。この学習部３０は、機械学習手段として動作する。機械学習は、病名や症状を学習に用いる電子カルテ情報の項目に含めることが望ましいものの、必須ではない。機械学習にかける電子カルテ情報の項目（パラメータ群）は、図２に例示する項目のように、入院区分や患者状態のパラメータと共に、経済状況、自宅、住所、キーパーソン、喫煙歴、飲酒暦 等の社会的患者特性のパラメータを数多く使用すればより望ましい。学習部３０は、この電子カルテ情報群について、退院後の転帰先を機械学習する。機械学習手法は特に限定しないものの、SVM（Support Vector Machine）等の回帰手法、k近傍法等のクラスタリング手法や、ニューラルネットワーク手法を用いることとしてもよい。また、機械学習手法は、例えば、救急搬送患者の入院の入院日に得られる電子カルテデータを用いた際に転帰先の正解率が高い機械学習手法と、入院後の１週間後までに蓄積される電子カルテデータを用いた際に転帰先の正解率が高い機械学習手法と、の両方をそれぞれ学習しておくこととしてもよい。このように学習部３０は、入院経過後の時期に合わせて転帰先予測部２０が使用する学習データを自動的もしくは利用者の操作によって切り替えられ得るように、複数の学習手法に対応させておくことが望ましい。
　ここで図２に例示した社会的患者特性のパラメータの幾つかを説明する。
　“経済状況”は患者若しくは家計を共通にする家族の経済状況を示すパラメータである。 
　“自宅”は患者若しくは家計を共通にする家族が住む家が持家であるか賃貸であるかを示すパラメータである。また、何階が居住スペースであるかを含めてもよい。 
　“住所”は患者若しくは家計を共通にする家族が住む家がある地域を示すパラメータである。 
　“キーパーソン”は患者と同居している親密な家族／友人の有無及びその人間との関係を示すパラメータである。単純には、同居家族構成に入力で動作する。なお、この“キーパーソン”に登録される各人物についての社会的特性を受け付けて、機械学習のパラメータに加えることとしてもよい。この項目を厚くデータ収集して他の項目と共に使用することで、在宅医療／在宅リハビリ／通院を行えるか否か等に有意な差をマイニング結果として得られるものと推定できる。 
　“喫煙歴”は患者の喫煙歴を示すパラメータである。 
　“飲酒暦”は患者の飲酒暦を示すパラメータである。 
　“ペット”は患者若しくは同居家族が飼うペットの種類とその年齢である。飼育年数等を含めてもよい。
　なお、図２に示す電子カルテデータベースの項目は例であり、図示した項目に限定するものではない。また、電子カルテデータベースは、様々な項目を任意に追加・変更してその項目をパラメータ化してもよい。特に電子カルテデータベースに対する社会的患者特性のパラメータの追加および地域性の追加は、転帰先の機械学習に有益に働くことがある。
　無論、患者の治療が進むにつれて転帰先と各患者の各パラメータとの関連性の確定度が高くなる。
　上記構成によって、医療情報処理システム１は、救急搬送に伴う急性期医療施設への患者の入院に伴い、該患者の転帰先を早期に予測可能になる。
［実施形態の動作説明］ 
　次に、本実施形態に係る医療情報処理システム１の動作を説明する。
　図３は、本実施形態の医療情報処理システム１の基本フローを示すフローチャートである。図４は、医療情報処理システム１の機械学習フローを示すフローチャートの例である。また、図５は、医療情報処理システム１の転帰先予測フローを示すフローチャートの例である。
　まず、基本フローは、次のようになる。 
　医療情報処理システム１は、予め、学習部１０によって、各患者の電子カルテ情報群について救急搬送に伴う入院後の転帰先を機械学習する（Ｆ１０１）。 
　医療情報処理システム１は、逐次、転帰先予測部２０によって、対象患者の救急搬送による入院に伴い入力された対象患者の電子カルテ情報から、機械学習した結果に基づいて、該対象患者の転帰先を予測する（Ｆ１０２）。 
　このフローのように、医療情報処理システム１は、人間もしくは他のプログラムからの転帰先予測要求を適宜受け付けて、そのタイミングの対象患者の電子カルテ情報を一次情報として、転帰先を予測できる。これにより、予測結果である転帰先に基づき、要求元である利用者（例えば、医師、看護師、ソーシャルワーカ）は、現時点の入力情報に基づいて予測された転帰先を逐次知ることができる。この転帰先を知ることは、救急搬送直後の対象患者の電子カルテ情報が作成された直後から可能に成る。
　また、図４は、医療情報処理システム１の機械学習フローを示すフローチャートの例である。
　まず、医療情報処理システム１となる情報処理システムのプロセッサーは、学習対象となる電子カルテ情報群を逐次収集する（Ｓ１０１）。
　次に、プロセッサーは、収集済みの電子カルテ情報群から学習対象とする電子カルテの項目（特徴、パラメータ）のデータを抽出する（Ｓ１０２）。この特徴には、患者の症状、病名などと共に、病院、地域、患者住所、入院区分、自宅有無、キーパーソン、などを含める。
　次に、プロセッサーは、特徴（パラメータ）群と転帰先との関係を学習する（Ｓ１０３）。
　最後に、プロセッサーは、学習結果を学習データベースに蓄積する（Ｓ１０４）。
　この機械学習は、定期的に実施して、最新の学習結果にアップデートすることが望ましい。
　図５は、医療情報処理システム１の転帰先予測フローを示すフローチャートの例である。
　医療情報処理システム１となる情報処理システムのプロセッサーは、利用者若しくは他の関連プログラムから対象患者の転帰先予測要求を受け付ける（Ｓ２０１）。
　次に、プロセッサーは、対象患者の現時点の電子カルテ情報と学習データを呼出す（Ｓ２０２）。
　次に、プロセッサーは、機械学習結果に基づいた対象患者の転帰先を予測処理する（Ｓ２０３）。この予測処理は、例えば、対象患者の現時点の電子カルテ情報について、学習結果に基づいて、退院、回復期病院（リハビリ病院）への転院、その他施設を分類候補とした多クラス分類処理で行えばよい。
　最後に、プロセッサーは、転帰先等を要求元に通知する（Ｓ２０４）。
　この転帰先の予測処理は、入力部１１を介して、使用者等からの要求に適宜応答して行われる。このように情報処理システムを動作させることで、医療情報処理システム１は、救急搬送に伴う患者の入院に伴い、該患者の転帰先を早期に予測できる。また、この予測は、初期情報から逐次的に入力される患者の病状や様々な情報が電子カルテに入力されることで、逐次的に早期且つ高精度に高まる。
　ここで、医療情報処理システム１の利点を説明する。 
　図６は、医療情報処理システム１の利点を視覚的に示す説明図である。 
　図示した既存手法のように、既存のある医療施設における救急搬送で入院した患者は“治療”→“インフォームドコンセント”→“転帰先調整”→“転院先決定”→“退院（転帰先への移動）”の順にルーチン化されたように転院までのフローが確立されている。
　統計上のデータを参照すると、救急外来の多くの入院患者は概ね１４日（２週間）程度で急性期医療施設から転帰可能になっている。現状では、転帰可能な症状になった患者について、受け入れ先施設の担当者と急性期医療施設の担当者とがネゴシエーションしてから転帰している。一方で受け入れ先施設の空き状況などが原因で、結果的に急性期医療施設からの転帰が遅くなる患者も少なからずいる。
　これに対して、本手法を用いることで、例えばソーシャルワーカーなどが対象患者の早期の電子カルテ情報（例えば初期情報からでも）からカテゴリ分類された予測転帰先を知ることが可能になる。結果、ソーシャルワーカーなどのスタッフは、他の病院や施設への転院先調整や様々な準備が早期に開始できる。これは、例えば既存手法のようにインフォームドコンセント後に転院先調整を図ることに対して、転院先調整などの院内の業務フローの並列化が可能になる為である。このことによって、患者が回復した時点で早期に転院することが可能なる。患者にとっては、急性期病院での治療からリハビリ等の治療に早期に移行できるメリットが生まれる。また、患者及び医療制度にとっては、入院期間の適切化によって医療費の削減が図れる。急性期病院にとっても、回復した患者を必要以上に入院させて病床を不足させることを削減できるメリットが生まれる。
　患者にとって、回復期病院（リハビリ病院）に転院するか、その他施設に移動するかは、最終的に自宅に帰れずに何らかの施設に永続的に入所するかに繋がるため、大きな岐路となる。しかし、この重要な帰路についての精確な早期予測は、医療機関従事者にとっても非常に困難である。
　これらのことを、電子カルテ情報を逐次充実させることで、転帰先調整等を早期の予測によって実行可能にする。そして、転帰先調整を前倒で実施する患者の早期退院プランを実行可能にする。
　以上説明したように、本発明を適用した医療情報処理システムは、救急搬送に伴う急性期医療施設への患者の入院に伴い、該患者の初期情報からでも転帰先を早期に予測できる。
　尚、本システムの各部は、図７および図８に例示するようなコンピュータシステム（サーバシステム）のハードウェアとソフトウェア、仮想化技術の組み合わせを適宜用いて実現すればよい。このコンピュータシステムは、所望形態に合わせた、１ないし複数のプロセッサーとメモリーを含む。また、このコンピュータシステムの形態では、各部は、上記メモリーに案内システム用のプログラムが展開され、このプログラムに基づいて１ないし複数のプロセッサー等のハードウェアを実行命令群やコード群で動作させることによって、実現すればよい。この際、必要に応じて、このプログラムは、オペーレティングシステムや、マイクロプログラム、ドライバなどのソフトウェアが提供する機能と協働して、各部を実現することとしてもよい。
　メモリーに展開されるプログラムデータは、プロセッサーを１ないし複数の上述した各部として動作させる実行命令群やコード群、テーブルファイル、コンテンツデータなどを適宜含む。
　また、このコンピュータシステムは、必ずしも一つの装置として構築される必要はなく、複数のサーバ／コンピュータ／仮想マシンなどが組み合わさって、所謂、シンクライアントや、分散コンピューティング、クラウドコンピューティングで構築されてもよい。
　また、コンピュータシステムの一部／全ての各部をハードウェアやファームウェア（例えば、一ないし複数のLSI：Large-Scale Integration、FPGA：Field Programmable Gate Array、電子素子の組み合わせ）で置換することとしてもよい。同様に、各部の一部のみをハードウェアやファームウェアで置換することとしてもよい。
　また、このプログラムは、記録媒体に非一時的に記録されて頒布されても良い。当該記録媒体に記録されたプログラムは、有線、無線、又は記録媒体そのものを介してメモリーに読込まれ、プロセッサー等を動作させる。
　尚、本明細書では、記録媒体には、類似するタームの記憶媒体やメモリー装置、ストレージ装置なども含むこととする。この記録媒体を例示すれば、オプティカルディスクや磁気ディスク、半導体メモリー装置、ハードディスク装置、テープメディアなどが挙げられる。また、記録媒体は、不揮発性であることが望ましい。また、記録媒体は、揮発性モジュール（例えばRAM：Random Access Memory）と不揮発性モジュール（例えばROM：Read Only Memory）の組み合わせを用いることとしてもよい。
　上記形態を別の表現で説明すれば、医療情報処理システムとして動作させる情報処理システムを、メモリーに展開された転帰先予測プログラムに基づき、入力部、学習部、転帰先予測部として動作させることで、その結果、本発明に係る医療情報処理システムを実現できる。
　同様に、上記形態を更に別の表現で説明すれば、記録媒体は、メモリーに展開されて情報処理システムのプロセッサーで動作する転帰先予測プログラムを含み、情報処理リソースに学習工程、入力工程、転帰先予測工程を適時実行させることで、本発明に係る医療情報処理システムを構築できる。
　なお、実施形態を例示して本発明を説明した。しかし、本発明の具体的な構成は前述の実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の変更があってもこの発明に含まれる。例えば、上述した実施形態のブロック構成の分離併合、手順の入れ替えなどの変更は本発明の趣旨および説明される機能を満たせば自由であり、上記説明が本発明を限定するものではない。
　この出願は、２０１７年８月３０日に出願された日本出願特願２０１７－１６５６０７号を基礎とする優先権を主張し、その開示の全てをここに取り込む。
１　　　医療情報処理システム（コンピュータシステム）
１１　　入力部
２０　　転帰先予測部
３０　　学習部

 

Claims (10)

  1. 　対象患者の電子カルテ情報の入力を受け付ける入力部と、
    　急性期医療施設の入院患者から得られる各患者の電子カルテ情報群を参照して、各患者の該急性期医療施設からの転帰先を機械学習する機械学習部と、
    　前記機械学習部により得られた学習結果に基づいて、受け付けられた前記対象患者の電子カルテ情報から、前記対象患者の転帰先を予測する転帰先予測部と、
    を具備することを特徴とする医療情報処理システム。
  2. 　前記転帰先予測部は、前記対象患者の電子カルテ情報を受け付け、前記機械学習部の学習結果を参照し、自宅への退院、回復期病院への転院、その他施設への転院の何れの確度が高いかに基づいて対象患者の転帰先を選定することを特徴とする請求項１に記載の医療情報処理システム。
  3. 　前記転帰先予測部は、自宅、回復期病院、その他施設の何れかに対象患者の転帰先を選定する際に、自宅を転帰先に選定できない確率が閾値より高い場合に条件を満たす回復期病院又はその他施設を選定することを特徴とする請求項１又は２に記載の医療情報処理システム。
  4. 　前記転帰先予測部は、前記対象患者の電子カルテ情報として入力された入院区分が救急の患者について、電子カルテ情報の同居家族構成のデータを少なくとも受け付け、該対象患者の救急搬送に伴う入院後の転帰先の学習結果に基づいて予測し、転帰先を自宅への退院、回復期病院への転院、その他施設への転院に分類することを特徴とする請求項１から３の何れか一項に記載の医療情報処理システム。
  5. 　予め、機械学習部によって、急性期医療施設の入院患者から得られる各患者の電子カルテ情報群を参照して、各患者の該急性期医療施設からの転帰先を機械学習し、
    　入力手段によって、対象患者の電子カルテ情報の入力を受け付け、
    　転帰先予測部によって、前記機械学習部により得られた学習結果に基づいて、受け付けられた前記対象患者の電子カルテ情報から、前記対象患者の転帰先を予測処理する
    ことを特徴とする医療情報処理システムによる医療情報処理方法。
  6. 　転帰先を予測する際に、前記転帰先予測部では、前記対象患者の電子カルテ情報を受け付け、前記機械学習部の学習結果を参照し、自宅への退院、回復期病院への転院、その他施設への転院の何れの確度が高いかに基づいて対象患者の転帰先を選定する
    ことを特徴とする請求項５に記載の医療情報処理方法。
  7. 　転帰先を予測する際に、前記転帰先予測部では、自宅、回復期病院、その他施設の何れかに対象患者の転帰先を選定する際に、自宅を転帰先に選定できない確率が閾値より高い場合に条件を満たす回復期病院又はその他施設を選定することを特徴とする請求項５又は６に記載の医療情報処理方法。
  8. 　転帰先を予測する際に、前記転帰先予測部では、前記対象患者の電子カルテ情報として入力された入院区分が救急の患者について、電子カルテ情報の同居家族構成のデータを少なくとも受け付け、該対象患者の救急搬送に伴う入院後の転帰先の学習結果に基づいて予測し、転帰先を自宅への退院、回復期病院への転院、その他施設への転院に分類することを特徴とする請求項５から７の何れか一項に記載の医療情報処理方法。
  9. 　情報処理システムのプロセッサーを、
    　対象患者の電子カルテ情報の入力を受け付ける入力部と、
    　急性期医療施設の入院患者から得られる各患者の電子カルテ情報群を参照して、各患者の該急性期医療施設からの転帰先を機械学習する機械学習部と、
    　前記機械学習部により得られた学習結果に基づいて、受け付けられた前記対象患者の電子カルテ情報から、前記対象患者の転帰先を予測する転帰先予測部、
    として動作させることを特徴とするプログラムを非一時的に記録した記録媒体。
  10. 　前記転帰先予測部を、前記対象患者の電子カルテ情報を受け付け、前記機械学習部の学習結果を参照し、自宅への退院、回復期病院への転院、その他施設への転院の何れの確度が高いかに基づいて対象患者の転帰先を選定するように動作させることを特徴とする請求項９に記載の記録媒体。
     

     
PCT/JP2018/030971 2017-08-30 2018-08-22 医療情報処理システム WO2019044620A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US16/643,342 US20200350061A1 (en) 2017-08-30 2018-08-22 Medical information processing system
JP2019539408A JP6970414B2 (ja) 2017-08-30 2018-08-22 医療情報処理システム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-165607 2017-08-30
JP2017165607 2017-08-30

Publications (1)

Publication Number Publication Date
WO2019044620A1 true WO2019044620A1 (ja) 2019-03-07

Family

ID=65525360

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/030971 WO2019044620A1 (ja) 2017-08-30 2018-08-22 医療情報処理システム

Country Status (3)

Country Link
US (1) US20200350061A1 (ja)
JP (1) JP6970414B2 (ja)
WO (1) WO2019044620A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210113042A (ko) * 2020-03-05 2021-09-15 가톨릭대학교 산학협력단 환자의 정보를 기반으로 재원기간을 예측하는 장치, 방법 및 프로그램
JP2022024768A (ja) * 2020-07-28 2022-02-09 トヨタ自動車株式会社 提示システム、提示方法およびプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003122857A (ja) * 2001-10-12 2003-04-25 Dainippon Pharmaceut Co Ltd 診療施設選定システム
JP2015501027A (ja) * 2011-10-14 2015-01-08 ザ トラスティーズ オブ ザ ユニバーシティ オブ ペンシルバニア 急性期後ケアの委託先紹介のための退院決定支援システム
US20150363568A1 (en) * 2014-06-17 2015-12-17 RightCare Solutions, Inc. Systems and methods for assessing patient readmission risk and selecting post-acute care intervention

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150016000A (ko) * 2013-08-02 2015-02-11 삼성전기주식회사 무선통신 단말기 및 그 제어방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003122857A (ja) * 2001-10-12 2003-04-25 Dainippon Pharmaceut Co Ltd 診療施設選定システム
JP2015501027A (ja) * 2011-10-14 2015-01-08 ザ トラスティーズ オブ ザ ユニバーシティ オブ ペンシルバニア 急性期後ケアの委託先紹介のための退院決定支援システム
US20150363568A1 (en) * 2014-06-17 2015-12-17 RightCare Solutions, Inc. Systems and methods for assessing patient readmission risk and selecting post-acute care intervention

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HASHIMOTO, YOICHIRO: "Network of Therapy and Care for Stroke", IGAKU NO AYUMI - PARADIGM SHIFT OF CEREBRAL STROKE, October 2008 (2008-10-01), pages 60 - 66, ISSN: 0039-2359 *
HYOHDOH, YUKI: "Establishment of model for predicting return home for convalescent patient who is hospitalized in rehabilitation ward", JAPAN JOURNAL OF MEDICAL INFORMATICS, vol. 35, pages 400 - 403, ISSN: 1347-8508 *
KIMURA, TAKASHI: "Analysis of pathological result for convalescent patient who has cerebrovascular disease and is hospitalized in rehabilitation ward", JAPAN JOURNAL OF MEDICAL INFORMATICS, vol. 35, pages 372 - 373, ISSN: 1347-8508 *
NAKAYAMA, HIROFUMI: "Basic law on measures against cerebral stroke", DEVELOPMENT AND PROBLEM AFTER ESTABLISHMENT -, JAPANESE CLINIC (EXTRA ISSUE)-NEWEST CLINICAL STROKE, vol. 72, no. 5 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210113042A (ko) * 2020-03-05 2021-09-15 가톨릭대학교 산학협력단 환자의 정보를 기반으로 재원기간을 예측하는 장치, 방법 및 프로그램
KR102510992B1 (ko) * 2020-03-05 2023-03-16 가톨릭대학교 산학협력단 환자의 정보를 기반으로 재원기간을 예측하는 장치, 방법 및 프로그램
JP2022024768A (ja) * 2020-07-28 2022-02-09 トヨタ自動車株式会社 提示システム、提示方法およびプログラム
JP7354955B2 (ja) 2020-07-28 2023-10-03 トヨタ自動車株式会社 提示システム、提示方法およびプログラム

Also Published As

Publication number Publication date
JP6970414B2 (ja) 2021-11-24
JPWO2019044620A1 (ja) 2020-10-01
US20200350061A1 (en) 2020-11-05

Similar Documents

Publication Publication Date Title
US11264128B2 (en) Machine-learning framework for coordinating and optimizing healthcare resource utilization and delivery of healthcare services across an integrated healthcare system
Barnes et al. Real-time prediction of inpatient length of stay for discharge prioritization
US11256876B2 (en) Gap in care determination using a generic repository for healthcare
Alanazi Identification and prediction of chronic diseases using machine learning approach
Dunn Reduced access block causes shorter emergency department waiting times: An historical control observational study
Kovalchuk et al. Distributed data-driven platform for urgent decision making in cardiological ambulance control
Ojha et al. Proposed application of big data analytics in healthcare at Maharaja Yeshwantrao Hospital
US20060282302A1 (en) System and method for managing healthcare work flow
Martin et al. Implementation of complex adaptive chronic care: the P atient J ourney R ecord system (PaJR)
JP7011339B2 (ja) 医療情報処理システム
Toerper et al. Cardiac catheterization laboratory inpatient forecast tool: a prospective evaluation
WO2020071540A1 (ja) マッチング支援装置、マッチング支援方法、記憶媒体
US20220238215A1 (en) Workflow Predictive Analytics Engine
Reddy et al. Digitalisation: the future of health care
Kobayashi et al. Impact on length of stay of a hospital medicine emergency department boarder service
WO2019044620A1 (ja) 医療情報処理システム
Li et al. Managing outpatient flow via an artificial intelligence enabled solution
Kamalanathan et al. Improving the patient discharge planning process through knowledge management by using the Internet of Things
Bishop et al. Improving patient flow during infectious disease outbreaks using machine learning for real-time prediction of patient readiness for discharge
Ganesh et al. Formal methods, artificial intelligence, big-data analytics, and knowledge engineering in medical care to reduce disease burden and health disparities
Khalifa Reducing emergency department crowding using health analytics methods: designing AnEvidence based decision algorithm
Ahamad et al. Apollo Hospital's Proposed Use of Big Data Healthcare Analytics
DeLia Mortality, disenrollment, and spending persistence in medicaid and CHIP
Dorgham et al. A decision support system for smart health care
Wu et al. IoT for Elderly, Aging and eHealth

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: 18851964

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019539408

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18851964

Country of ref document: EP

Kind code of ref document: A1