WO2021090489A1 - 推定方法、推定装置、及び推定プログラム - Google Patents

推定方法、推定装置、及び推定プログラム Download PDF

Info

Publication number
WO2021090489A1
WO2021090489A1 PCT/JP2019/043955 JP2019043955W WO2021090489A1 WO 2021090489 A1 WO2021090489 A1 WO 2021090489A1 JP 2019043955 W JP2019043955 W JP 2019043955W WO 2021090489 A1 WO2021090489 A1 WO 2021090489A1
Authority
WO
WIPO (PCT)
Prior art keywords
time
hospital
acceptance
user
reason
Prior art date
Application number
PCT/JP2019/043955
Other languages
English (en)
French (fr)
Inventor
篤彦 前田
福田　健一
順暎 金
幸雄 菊谷
和昭 尾花
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to PCT/JP2019/043955 priority Critical patent/WO2021090489A1/ja
Priority to JP2021554544A priority patent/JP7287489B2/ja
Priority to US17/775,227 priority patent/US20220384020A1/en
Publication of WO2021090489A1 publication Critical patent/WO2021090489A1/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
    • 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

Definitions

  • the disclosed technology relates to an estimation method, an estimation device, and an estimation program.
  • Non-Patent Document 1 It is known that it takes time to identify a hospital that can accept a patient as one of the problems when transporting a patient to a hospital by an ambulance in response to a request for emergency transport. In particular, when acceptance is refused by the hospital to which the transportation request is made and the hospital to be transferred must be selected again, the time required for transportation may become significantly longer.
  • the general procedure is to first bring the patient into an ambulance and then search for the hospital to which the patient will be transported. Specifically, the ambulance crew may contact the hospital in order or go directly to the hospital in order to find the destination of the patient by themselves. At this time, depending on various factors such as the doctors deployed and the medical treatment situation, the hospital to be transported may not be determined and the patient may be confused (see, for example, Non-Patent Document 2).
  • the disclosed technology was made in view of the above points, and an object of the present invention is to provide an estimation method, an estimation device, and an estimation program that can accurately predict a hospital that is likely to accept a user.
  • a first aspect of the present disclosure is an estimation method for estimating the likelihood that a hospital will accept a user in a first time, wherein the hospital is a user in a second time that is earlier than the first time. Let the computer perform a process including estimating the probability of accepting the user in the first time by associating the reason for refusing the acceptance with the time from the second time to the first time. It is an estimation method.
  • the hospital is searched until a hospital that can accept the hospital is found. In other words, if the acceptance is refused, the process ends once there.
  • the reason may be resolved over time and acceptance may be possible. In other words, by considering the reason for refusal and the passage of time since the reason for refusal was answered, it is possible to improve the accuracy of the estimated value of acceptability at the present time and the estimated value of acceptability at a predetermined time. I paid attention to the point.
  • a case where a patient is transported to a hospital as an emergency facility will be described as an example.
  • an ambulance crew member who is a user, an operator of a service center, or the like selects a hospital to which the patient is transported, and issues a transport request (that is, an acceptance request) to that hospital.
  • a transport request that is, an acceptance request
  • it is not limited to the case of making an acceptance request to a medical institution such as a hospital.
  • a request for acceptance of disaster victims to evacuation facilities, etc. in the event of a disaster, and a request for acceptance of materials to facilities, etc. to which materials are transported are assumed.
  • the present disclosure provides a technique that enables prediction of a facility that is likely to accept a request from a user in order to assist in selecting a facility to accept.
  • FIG. 1 is a block diagram showing the configuration of the selection support device of the present embodiment.
  • the selection support device is an example of the estimation device of the present disclosure.
  • the selection support device 100 includes an input / output unit 110, a calculation unit 120, and a storage unit 130.
  • FIG. 2 is a block diagram showing the hardware configuration of the selection support device 100.
  • the selection support device 100 includes a CPU (Central Processing Unit) 11, a ROM (Read Only Memory) 12, a RAM (Random Access Memory) 13, a storage 14, an input unit 15, a display unit 16, and a communication interface. It has (I / F) 17.
  • the configurations are connected to each other via a bus 19 so as to be communicable with each other.
  • the CPU 11 is a central arithmetic processing unit that executes various programs and controls each part. That is, the CPU 11 reads the program from the ROM 12 or the storage 14, and executes the program using the RAM 13 as a work area. The CPU 11 controls each of the above configurations and performs various arithmetic processes according to the program stored in the ROM 12 or the storage 14. In the present embodiment, the selection support program is stored in the ROM 12 or the storage 14.
  • the ROM 12 stores various programs and various data.
  • the RAM 13 temporarily stores a program or data as a work area.
  • the storage 14 is composed of a storage device such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive), and stores various programs including an operating system and various data.
  • the input unit 15 includes a pointing device such as a mouse and a keyboard, and is used for performing various inputs.
  • the display unit 16 is, for example, a liquid crystal display and displays various types of information.
  • the display unit 16 may adopt a touch panel method and function as an input unit 15.
  • the input unit 15 and the display unit 16 correspond to the input / output unit 110.
  • the communication interface 17 is an interface for communicating with other devices such as terminals, and for example, standards such as Ethernet (registered trademark), FDDI, and Wi-Fi (registered trademark) are used.
  • Ethernet registered trademark
  • FDDI FDDI
  • Wi-Fi registered trademark
  • each functional configuration of the selection support device 100 is realized by the CPU 11 reading the selection support program stored in the ROM 12 or the storage 14, deploying it in the RAM 13, and executing it.
  • the selection support program is an example of the estimation program of the present disclosure.
  • the calculation unit 120 of the selection support device 100 includes a performance data acquisition unit 121, a learning information addition unit 122, a learning unit 123, a prediction data acquisition unit 124, and a prediction information addition unit. It includes 125, a score calculation unit 126, and an output control unit 127.
  • the storage unit 130 includes a performance data storage unit 131 and a prediction model storage unit 132.
  • the actual data acquisition unit 121 acquires actual data related to past acceptance requests from an input device (not shown), an external database, or the like via the input / output unit 110, and stores the actual data in the actual data storage unit 131.
  • the actual data acquisition unit 121 acquires the actual data each time the actual data is received.
  • the actual data D1 is stored in the actual data storage unit 131.
  • FIG. 3 is a diagram showing an example of actual data D1.
  • the actual data D1 is, for example, data in which attribute information, a hospital ID, an acceptance result, and an acceptance refusal reason are associated with each other.
  • Attribute information refers to various information related to an acceptance request from a user.
  • the attribute information is, for example, the date, day, time zone, patient symptom, and medical treatment subject according to the patient's symptom when the emergency transportation is requested.
  • the attribute information may include the weather, the complexion of the patient, the heart rate, and the like. It can also include attribute information about candidate facilities.
  • the hospital ID is identification information of the facility (hospital) to which the patient is transported.
  • the acceptance result is information on whether or not each facility has accepted the acceptance request.
  • the reason for refusal of acceptance is the reason for refusal when acceptance is refused.
  • the reasons for refusal to accept can be entered by selecting from multiple options prepared in advance, and here, there are five types: “during surgery”, “absence of specialist”, “bed full”, “difficulty in treatment”, and "no response". To do.
  • the actual data includes information on the past acceptance request and information indicating the success or failure of acceptance for the acceptance request.
  • the learning information addition unit 122 reads the actual data D1 stored in the actual data storage unit 131, and based on the actual data D1, generates the prediction model generation data D2 used to generate the prediction model. Output to the learning unit 123.
  • FIG. 4 is a diagram showing an example of the prediction model generation data D2. As shown in FIG. 4, the prediction model generation data D2 is data on the time zone, the day of the week, the patient symptom, the hospital ID, the acceptance result, the latest reason for refusal in the clinical department, and the elapsed time from the occurrence of refusal. The generation of the prediction model generation data D2 will be described later.
  • the learning unit 123 executes a process of statistical analysis using the vector obtained from the prediction model generation data D2 and the correct answer label, learns the coefficient vector as the prediction model, and stores it in the prediction model storage unit 132. ..
  • the learning method of the prediction model will be described later.
  • the process of the learning unit 123 may be set in advance so as to be executed periodically (for example, half a month, every month, etc.).
  • the prediction model is stored in the prediction model storage unit 132.
  • the prediction model is used to predict the likelihood that each candidate facility will accept the acceptance request based on the attribute information associated with the newly generated acceptance request.
  • the prediction data acquisition unit 124 acquires the prediction data D3 via the input / output unit 110 and outputs the prediction data D3 to the prediction information addition unit 125.
  • FIG. 5 is a diagram showing an example of prediction data D3.
  • the prediction data D3 is data including, for example, the date and time of the acceptance request, the day of day, the patient's symptom, and the medical treatment subject. In this example, at 22:12 on Friday, September 6, 2019, it is shown that a patient who was observed to have symptoms of acute alcohol poisoning, which is an internal medicine as a medical treatment subject, occurred.
  • the prediction data D3 is acquired for the attribute information regarding the acceptance request including the date and time.
  • the prediction information addition unit 125 generates score calculation data D4 based on the acquired prediction data D3 and the actual data D1 stored in the actual data storage unit 131, and outputs the score calculation data D4 to the score calculation unit 126. ..
  • FIG. 6 is a diagram showing an example of score calculation data D4.
  • the score calculation data D4 is data including, for example, a time zone, a day of the week, a patient symptom, a hospital ID, a previous reason for refusal, and an elapsed time from the occurrence of refusal. The generation of the score calculation data D4 will be described later.
  • the score calculation unit 126 calculates the score value for each hospital based on the score calculation data D4 output from the prediction information addition unit 125 and the prediction model stored in the prediction model storage unit 132.
  • the score value is a value indicating the possibility of being accepted when a request for acceptance is made to a specific facility. The method for calculating the score value will be described later.
  • the score calculation unit 126 is an example of the estimation unit of the present disclosure.
  • the output control unit 127 creates output data based on the score value calculated by the score calculation unit 126, and performs a process of outputting the output data via the input / output unit 110. The output processing will be described later.
  • the action of the selection support device 100 is an example of the estimation method of the present disclosure.
  • FIG. 7 is a flowchart showing the flow of learning processing by the selection support device 100.
  • FIG. 8 is a flowchart showing the flow of the prediction process by the selection support device 100. Each process is performed by the CPU 11 reading the selection support program from the ROM 12 or the storage 14, deploying it in the RAM 13 and executing it.
  • the prediction model is a model for predicting the acceptability of hospital transportation requests, that is, the possibility of accepting acceptance requests. More specifically, in the present embodiment, the generation of the prediction model refers to the process of calculating the coefficient matrix.
  • the coefficient matrix is a matrix for calculating a score value indicating the acceptability of an acceptance request by a hospital, and is a matrix learned by using a vector corresponding coefficient representing a feature amount as a parameter.
  • the coefficient matrix W described below is an example of a first matrix having parameters corresponding to vectors representing the attribute information of the present disclosure as elements.
  • the coefficient matrix V is an example of a second matrix having parameters corresponding to the vector representing the reason for refusal as elements.
  • the learning process may be started at an arbitrary timing, for example, it may be automatically started at regular time intervals, or it may be started by an operator's operation as a trigger. Further, the actual data D1 is acquired in advance by the actual data acquisition unit 121 and stored in the actual data storage unit 131.
  • step S100 the CPU 11 reads the actual data D1 stored in the actual data storage unit 131 as the learning information addition unit 122.
  • step S102 the CPU 11 generates the prediction model generation data D2 used for generating the prediction model based on the actual data D1 as the learning information addition unit 122, and outputs the data D2 to the learning unit 123.
  • the learning information addition unit 122 performs a process of calculating the elapsed time for each line of the actual data D1.
  • elapsed time refer to the past actual data from the date and time of the target line, and from the actual data of the same hospital ID and the same medical treatment subject, acceptance refusal occurs at the date and time before the date and time of the target line. Search for the line you did.
  • the reason for refusal of acceptance and the elapsed time from the date and time of the target row to the date and time of the row obtained as a result of the search are calculated and added to the target row.
  • the date and time before that is, for example, the latest date and time.
  • the 6th line is the target line, and the same hospital ID and the reason for refusal to accept the 4th line, which is the same medical treatment subject, as the latest reason for refusal in the same medical treatment subject in the past performance data from the date and time of the 6th line Extract and calculate the elapsed time.
  • time zone information is calculated from the date and time information of D1, and unnecessary columns are deleted as necessary.
  • the learning information addition unit 122 outputs the prediction model generation data D2 generated in this way to the learning unit 123.
  • the date and time of the target row is an example of the first time of the present disclosure, and the date and time of the row obtained as a result of the search is earlier than the first time of the present disclosure. This is an example of the second time.
  • step S104 the CPU 11 executes a statistical analysis process as the learning unit 123 using the feature vector and the correct answer label obtained from the prediction model generation data D2, and learns the coefficient matrix as the prediction model.
  • the feature vector is simply referred to as a vector below.
  • the learning unit 123 executes statistical analysis in which the acceptance result column (possible / unacceptable) in the prediction model generation data D2 is used as the objective variable and all other information is used as the explanatory variable (vector).
  • the acceptance result column is the correct label indicating whether or not the hospital can accept the hospital.
  • the coefficient matrices W and V for calculating the score value indicating the ease of acceptance by the hospital, that is, the high possibility of accepting the acceptance request are calculated as the prediction model. For example, if the acceptance result column is acceptable, it is labeled as 1, and if it is not acceptable, it is labeled as 0, and statistical analysis is performed using this as the objective variable.
  • a method such as logistic regression analysis, ranking learning, or random forest may be selected according to the purpose.
  • a function f (p, h, ⁇ t, r; W, V) that outputs a large scalar value when the acceptance request is “accepted” is designed.
  • p, h, ⁇ t, and r are all included in the prediction model generation data D2 as vectors or variables.
  • W and V represent a coefficient matrix whose elements are the parameters corresponding to the vectors.
  • the formula for obtaining the primary score value is the following formula (1). ... (1)
  • p i is D ⁇ 1 dimensional vector representing the attribute information of the patient generated in the i-th (or patient acceptance request)
  • h j is the j hospital one-hot encoding the acceptance candidate It is a vector represented by.
  • r i and j are vectors expressing the reasons for refusal of acceptance at the jth hospital that occurred most recently based on the date and time of the acceptance request of the i-th patient in one-hot encoding.
  • ⁇ ti and j are variables representing the elapsed time between them. Since the prediction model generation data D2 is not one-hot encoded, it is appropriately encoded when it is substituted into the above equation (1).
  • W and V are a matrix of parameters to be obtained.
  • the attribute information of the patient consists of 24 types of time zones (every hour) for requesting acceptance, 7 types of days of the week, and 50 types of cases, the number of hospitals that are candidates for acceptance is 30, and the reasons for refusal of acceptance are 5 types. Then, the details of the above equation are shown in the following equation (2). ... (2)
  • Vector p i is the time zone in which i-th patient occurs, generated day, and a vector linked to one-hot encoding respectively the patient cases.
  • FIG. 9 is a diagram showing an example of a vector representing attribute information.
  • Example shown in FIG. 9 shows an example of a vector p 100 the index representing the attribute of No. 100 patients, 100 th patients and examples of the vector r 100, 2 rejection reasons occurring in combination with a second hospital, 2 An example of the vector h 2 representing the second hospital is shown.
  • the coefficient matrices W and V will be described using the parameters of the coefficient matrix W as an example.
  • the vector representing the time zone w 1 , 1, w 2 , 1, ... .. .. , W 24 , 1 parameters.
  • the logistic regression equation for obtaining the acceptance probability pij for determining whether or not to accept a patient by substituting the above-mentioned primary score value s ij into the following logistic function is the following equation (3). ... (3) From the above formula, the probability of acceptance at each hospital for a patient with a specific case that occurs on a specific day of the week and at a specific time zone can be obtained.
  • the coefficient matrices W and V are obtained so that the acceptance probability is high when the correct answer label is acceptable: 1 and the acceptance probability is low when the correct answer label is 0.
  • the coefficient matrices W and V are learned as parameters that take into account the most recent reason for refusal of acceptance in each hospital and the elapsed time when the reason for refusal occurred most recently.
  • step S106 the CPU 11 stores the prediction models learned as the coefficient matrices W and V in the prediction model storage unit 132 as the learning unit 123.
  • the parameters of the first matrix W and the second matrix V are set based on the function that outputs the value indicating the possibility of accepting the user for each hospital and the correct label. Be learned.
  • the parameters of the first matrix W and the second matrix V are learned in the function to output values that are more likely to be accepted if the user is accepted.
  • the function includes a vector ( pi ) representing predetermined attribute information regarding acceptance and a first matrix (W) having parameters corresponding to the vector representing the attribute information as elements.
  • the function is a vector representing the elapsed time from the second time to the first time ( ⁇ ti , j ), a vector representing the reason why the hospital refused acceptance (ri , j ), and a vector representing the reason for refusal.
  • a second matrix (V) with the corresponding parameters as elements.
  • the selection support device 100 makes a prediction by the prediction process shown in FIG. 8 to support the user's selection. This process is started, for example, when a new patient requiring emergency transportation occurs, for example, in response to an input of a start request (acceptance request) from an ambulance crew or a service center operator.
  • step S200 the CPU 11 acquires the prediction data D3 as the prediction data acquisition unit 124 via the input / output unit 110 and outputs the prediction data D3 to the prediction information addition unit 125.
  • Prediction data D3 includes attribute information related to emergency transportation newly requested by the patient as a newly generated acceptance request. More specifically, the attribute information includes, in addition to environmental information such as the date and time and the day of the week, medical treatment subjects according to the symptoms of the person scheduled to be transported (patient), and patient information such as symptoms.
  • An example of the prediction data D3 is as shown in FIG.
  • step S202 the CPU 11 generates the score calculation data D4 as the prediction information addition unit 125 based on the acquired prediction data D3 and the actual data D1 stored in the actual data storage unit 131. It is output to the score calculation unit 126.
  • the prediction data D3 is converted into time zone information as shown in FIG. 10, and unnecessary information is processed.
  • the medical treatment subject of the prediction data D3 at each hospital is the same and before the current time (date and time of the prediction data D3).
  • the reason for refusal of acceptance is extracted from the row obtained as the search result, and the elapsed time from the date and time of the row obtained as the search result to the current date and time is calculated.
  • the date and time before the current time is, for example, the latest date and time.
  • the score calculation data D4 is output to the score calculation unit 126.
  • An example of the score calculation data D4 is as shown in FIG. As described above, the score calculation data D4 includes the attribute information, the elapsed time, and the reason for refusal of acceptance of the hospital for each hospital.
  • the date and time of the prediction data D3 is an example of the first time of the present disclosure
  • the date and time of the line obtained as the search result from the actual data D1 is an example of the second time of the present disclosure.
  • the second time is the time when the hospital recently refused acceptance based on the first time.
  • the oldest rejected time within the predetermined time is set as a new second time. May be good.
  • step S204 the CPU 11 serves as the score calculation unit 126, based on the score calculation data D4 output from the prediction information addition unit 125 and the prediction model stored in the prediction model storage unit 132, for each hospital. Calculate the score value.
  • the score value for each hospital is an example of a value indicating the possibility of acceptance for each hospital in the present disclosure.
  • the score calculation unit 126 acquires the coefficient matrices W and V as the prediction model stored in the prediction model storage unit 132.
  • the attribute information of each row of the score calculation data D4, the hospital ID, and the reason for refusal of acceptance are vectorized in the format of FIG.
  • the vector and the elapsed time are applied to the above equations (2) and (3) for each hospital j using the coefficient matrices W and V which are prediction models, and the acceptance for each hospital is accepted. It is obtained by calculating the probability pij.
  • the acceptance probability represents the acceptability of the request for each hospital, and the higher the acceptance probability, the easier the acceptance request or acceptance.
  • the score value for each hospital j for the patient acceptance request i can be obtained.
  • step S206 the CPU 11 creates output data based on the calculated score value as the output control unit 127, and performs a process of outputting the output data via the input / output unit 110.
  • the output control unit 127 can create as output data a priority list in which the calculated acceptance probabilities are sorted in descending order and prioritized for a plurality of hospitals that are candidates for transportation.
  • the calculated acceptance probability may be used as it is as output data, or it may be used as output data excluding those other than the sorted upper ranks.
  • the hospitals to be displayed may be narrowed down by setting a threshold value for that distance, or the distance may be displayed as a set with the acceptance probability. Good.
  • the estimation method of the present disclosure is executed as an estimation method for estimating the probability that the hospital will accept the user in the first time. This estimates the likelihood of accepting the user in the first time by associating the reason why the hospital refused to accept the user in the second time with the time from the second time to the first time. ..
  • the acceptance of the user is the acceptance of some action of the user with respect to the facility, and refers to, for example, the acceptance of an acceptance request issued from the user to the hospital.
  • FIG. 11 is a diagram showing an example of output data including the calculated acceptance probability.
  • a priority list sorted in descending order from hospitals having a high probability to hospitals having a low probability based on the calculated acceptance probability is shown. The higher the probability of acceptance, the more likely it is that the transport request will be accepted. Therefore, in the priority list of FIG. 11, the hospital CCC with the highest score value of 0.95 is most likely to accept the transfer request. The second most likely to accept the transfer request is the hospital EEE with a score of 0.87, and the third is the hospital FFF with a score of 0.82. If this priority list is output as output data, the ambulance crew or operator who sees the priority list immediately determines that the hospital CCC is most likely to accept the current transport request.
  • the facility name may be output instead of the hospital ID.
  • the emergency personnel or the operator who is the user immediately sends the result to the selection support device 100.
  • the actual data acquisition unit 121 Upon receiving the result, the actual data acquisition unit 121 immediately updates the actual data of the actual data storage unit 131. In this way, the actual data of the actual data storage unit 131 is always kept up-to-date, and the latest information on refusal of acceptance at each hospital can be utilized to improve the prediction accuracy of the acceptance destination.
  • the selection support device 100 of the present embodiment it is possible to accurately predict the hospital that is likely to accept the user.
  • the present invention is not limited to this example.
  • it can be applied to a case where a facility is replaced with a web advertisement, individual features are set as some attribute on the web advertisement side, and the probability that a user having a certain attribute clicks on each web advertisement is obtained.
  • the web advertisement is an example of a predetermined target.
  • various processors other than the CPU may execute the learning process or the prediction process executed by the CPU reading the software (program) in each of the above embodiments.
  • the processors include PLD (Programmable Logic Device) whose circuit configuration can be changed after manufacturing FPGA (Field-Programmable Gate Array), and ASIC (Application Specific Integrated Circuit) for executing ASIC (Application Special Integrated Circuit).
  • An example is a dedicated electric circuit or the like, which is a processor having a circuit configuration designed exclusively for the purpose.
  • the learning process or the prediction process may be executed by one of these various processors, or a combination of two or more processors of the same type or different types (for example, a plurality of FPGAs, and a CPU and an FPGA). It may be executed by the combination of).
  • the hardware structure of these various processors is, more specifically, an electric circuit in which circuit elements such as semiconductor elements are combined.
  • the program is a non-temporary storage medium such as a CD-ROM (Compact Disk Read Only Memory), a DVD-ROM (Digital entirely Disk Online Memory), and a USB (Universal Serial Bus) memory. It may be provided in the form. Further, the program may be downloaded from an external device via a network.
  • Selection support device 110 Input / output unit 120 Calculation unit 121 Actual data acquisition unit 122 Learning information addition unit 123 Learning unit 124 Prediction data acquisition unit 125 Prediction information addition unit 126 Score calculation unit 127 Output control unit 130 Storage unit 131 Actual data Storage 132 Predictive model storage

Abstract

ユーザを受け入れる可能性の高い病院を精度良く予測することができる。　推定方法は、第一の時間における、病院がユーザを受け入れる見込みを推定する推定方法である。推定方法により、第二の時間における、病院がユーザの受け入れを拒否した理由と、第二の時間から第一の時間までの時間と、を関連付けることで第一の時間におけるユーザを受け入れる見込みを推定する。

Description

推定方法、推定装置、及び推定プログラム
　開示の技術は、推定方法、推定装置、及び推定プログラムに関する。
　ユーザに応じて受け入れ先の施設を選ぶ際、ユーザの受け入れが可能な施設を探すのが困難な場合がある。例えば、患者から救急搬送の要請があり、その搬送先の病院を探す場合が考えられる。
　昨今、救急出動件数は増加の傾向にある（非特許文献１参照）。救急搬送の要請に応じて患者を救急車により病院へ搬送する際の課題の１つとして、患者を受け入れ可能な病院を特定するのに時間がかかることが知られている。特に、搬送要求を出した先の病院から受け入れを拒否され、再度搬送先の病院を選択しなければならない場合、搬送に要する時間が顕著に長くなることがある。
　救急搬送においては、一般的にはまず救急車に患者を搬入し、その後に搬送先の病院を探す流れとなる。具体的には、救急隊が患者の搬送先を自分たちで探すため、病院に順番に連絡を入れる、又は病院に直接向かう場合がある。このとき、配備されている医師、及び診療の状況等様々な要因に基づき、搬送先の病院が決まらず患者のたらいまわしが起こる場合もある（例えば非特許文献２参照）。
"平成29年版 消防白書", 総務省,URL:https://www.fdma.go.jp/publication/hakusho/h29/chapter2/section5/45975.html "病院「たらい回し」のニュースに潜む深刻すぎる現実",URL: https://limo.media/articles/-/9406
　このような事象を解決するために、いくつかの対応が考えられる。例えば、ユーザの症状及び通院実績等を基準とした搬入先の候補の病院のリストアップ、並びに複数の病院に搬入可否を問う連絡をメール等で同時に行う、といった対応が考えられる。
　しかしながら、病院をリストアップするだけでは複数の病院に搬入の可否を連絡する必要があり、搬入先の病院を確定するまでに時間を要してしまう。また、複数の病院に搬入の可否を問う連絡を同時にする場合、救急車と病院とがネットワークで接続されており、かつ、病院側の能動的な動作が要求される場合があり、なお課題を有する。
　開示の技術は、上記の点に鑑みてなされたものであり、ユーザを受け入れる可能性の高い病院を精度良く予測できる推定方法、推定装置、及び推定プログラムを提供することを目的とする。
　本開示の第１態様は、第一の時間における、病院がユーザを受け入れる見込みを推定する推定方法であって、前記第一の時間よりも過去である第二の時間における、前記病院がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する、ことを含む処理をコンピュータに実行させる推定方法である。
　開示の技術によれば、ユーザを受け入れる可能性の高い病院を精度良く予測することができる。
本実施形態の選択支援装置の構成を示すブロック図である。 選択支援装置のハードウェア構成を示すブロック図である。 実績データＤ１の一例を示す図である。 予測モデル生成用データＤ２の一例を示す図である。 予測用データＤ３の一例を示す図である。 スコア算出用データＤ４の一例を示す図である。 選択支援装置による学習処理の流れを示すフローチャートである。 選択支援装置による予測処理の流れを示すフローチャートである。 属性情報を表すベクトルの一例を示す図である。 予測用データＤ３の加工例を示す図である。 算出された受け入れ確率を含む出力データの一例を示す図である。
　以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
　まず、本件開示の技術が注目した事項について説明する。前述した従来技術においては、受け入れを可能とする病院が見つかるまで病院の探索を行う。言い換えると、受け入れを拒否された場合、そこで一度処理が終了する。しかしながら、受け入れを拒否する理由によっては、時間の経過でその理由が解消し、受け入れが可能になっている場合もあると想定される。つまり、拒否する理由、拒否する理由を回答されてからの時間の経過、を考慮することにより、現時点での受け入れ可否の推定値、及び所定の時間における受け入れ可否の推定値の高精度化も可能である点について着目した。
　以下、本実施形態の構成について説明する。なお以下では、一例として、施設である病院に患者を救急搬送する場合を例に挙げて説明する。病院に患者を救急搬送する場合、ユーザである救急隊員又はサービスセンタのオペレータ等が搬送先の病院を選択し、その病院に対して搬送要求（すなわち、受け入れ要求）を出す。ただし、病院のような医療機関に受け入れ要求を行う場合に限定されない。例えば、災害時における避難施設等への被災者の受け入れ要求、及び資材の搬送先の施設等への資材の受け入れ要求等が想定される。このように本開示では、受け入れ先の施設の選択を支援するため、ユーザからの要求を受け入れる可能性が高い施設の予測を可能にする技術を提供する。
　図１は、本実施形態の選択支援装置の構成を示すブロック図である。なお、選択支援装置が、本開示の推定装置の一例である。
　図１に示すように、選択支援装置１００は、入出力部１１０と、演算部１２０と、記憶部１３０とを備えている。
　図２は、選択支援装置１００のハードウェア構成を示すブロック図である。
　図２に示すように、選択支援装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６及び通信インタフェース（Ｉ／Ｆ）１７を有する。各構成は、バス１９を介して相互に通信可能に接続されている。
　ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、選択支援プログラムが格納されている。
　ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
　入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。
　表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能してもよい。なお、入力部１５及び表示部１６が、入出力部１１０に対応する。
　通信インタフェース１７は、端末等の他の機器と通信するためのインタフェースであり、例えば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。
　次に、選択支援装置１００の各機能構成について説明する。各機能構成は、ＣＰＵ１１がＲＯＭ１２又はストレージ１４に記憶された選択支援プログラムを読み出し、ＲＡＭ１３に展開して実行することにより実現される。なお、選択支援プログラムが、本開示の推定プログラムの一例である。
　図１に示したように、選択支援装置１００の演算部１２０は、実績データ取得部１２１と、学習用情報付加部１２２と、学習部１２３と、予測データ取得部１２４と、予測用情報付加部１２５と、スコア算出部１２６と、出力制御部１２７とを含んでいる。記憶部１３０は、実績データ記憶部１３１と、予測モデル記憶部１３２とを含んでいる。
　実績データ取得部１２１は、入出力部１１０を介して、図示しない入力デバイス又は外部データベース等から、過去の受け入れ要求に関する実績データを取得し、実績データ記憶部１３１に格納する。実績データ取得部１２１による実績データの取得は、実績データを受け付けるごとに都度行われる。
　実績データ記憶部１３１には、実績データＤ１が記憶されている。図３は、実績データＤ１の一例を示す図である。図３に示すように、実績データＤ１は、例えば、属性情報と、病院ＩＤと、受け入れ結果と、受け入れ拒否理由と、が関連付けられたデータである。属性情報とは、ユーザからの受け入れ要求に関連する種々の情報を言う。救急搬送の場合、属性情報は、例えば、救急搬送の要請があったときの年月日、曜日、時間帯、患者症状、及び患者の症状に応じた診療科目である。また、属性情報には、天候、患者の顔色、及び心拍数等も含まれていてよい。また、候補施設に関する属性情報を含むこともできる。病院ＩＤは、搬送先の施設（病院）の識別情報である。受け入れ結果は、各施設が受け入れ要求を受け入れたか否かの情報である。受け入れ拒否理由は、受け入れが拒否された場合の拒否理由である。受け入れ拒否理由は、例えば、予め準備された複数の選択肢から選んで入力すればよく、ここでは「手術中」「専門医不在」「ベッド満床」「処置困難」及び「応答なし」の５種類とする。このように、実績データは、過去の受け入れ要求に関する情報と、受け入れ要求に対する受け入れの成否を表す情報とを含む。
　学習用情報付加部１２２は、実績データ記憶部１３１に記憶されている実績データＤ１を読み出し、実績データＤ１に基づいて、予測モデルを生成するために用いられる予測モデル生成用データＤ２を生成し、学習部１２３に出力する。図４は、予測モデル生成用データＤ２の一例を示す図である。図４に示すように、予測モデル生成用データＤ２は、時間帯、曜日、患者症状、病院ＩＤ、受け入れ結果、同診療科における直近の拒否理由、及び拒否発生からの経過時間に関するデータである。予測モデル生成用データＤ２の生成については後述する。
　学習部１２３は、予測モデル生成用データＤ２から得られる、ベクトルと、正解ラベルとを用いて、統計分析する処理を実行し、係数ベクトルを予測モデルとして学習し、予測モデル記憶部１３２に格納する。予測モデルの学習手法については後述する。なお、学習部１２３の処理は定期的（例えば、半月、一か月ごと等）に実行しておくように予め設定しておけばよい。
　予測モデル記憶部１３２には、予測モデルが記憶されている。予測モデルは、新たに発生した受け入れ要求に関連する属性情報に基づいて、各候補施設がその受け入れ要求を受け入れる可能性を予測するために使用される。
　予測データ取得部１２４は、入出力部１１０を介して、予測用データＤ３を取得し、予測用情報付加部１２５に出力する。図５は、予測用データＤ３の一例を示す図である。図５に示すように、予測用データＤ３は、例えば、受け入れ要求の日時、曜日、患者症状、及び診療科目を含むデータである。この例では、２０１９年９月６日金曜日の２２時１２分に、診療科目としては内科となる急性アルコール中毒の症状が観察される患者が発生したことを示している。このように、予測用データＤ３は、日時を含む受け入れ要求に関する属性情報について取得されている。
　予測用情報付加部１２５は、取得した予測用データＤ３と、実績データ記憶部１３１に記憶されている実績データＤ１とに基づいて、スコア算出用データＤ４を生成し、スコア算出部１２６に出力する。図６は、スコア算出用データＤ４の一例を示す図である。図６に示すように、スコア算出用データＤ４は、例えば、時間帯、曜日、患者症状、病院ＩＤ、以前の拒否理由、及び拒否発生からの経過時間を含むデータである。スコア算出用データＤ４の生成については後述する。
　スコア算出部１２６は、予測用情報付加部１２５から出力されたスコア算出用データＤ４と、予測モデル記憶部１３２に記憶されている予測モデルとに基づいて、病院ごとのスコア値を算出する。スコア値は、ある特定の施設に受け入れ要求をした場合に受け入れてもらえる可能性を表す値である。スコア値の算出手法については後述する。なお、スコア算出部１２６が、本開示の推定部の一例である。
　出力制御部１２７は、スコア算出部１２６で算出されたスコア値に基づいて出力データを作成し、入出力部１１０を介して、出力する処理を行う。出力処理については後述する。
　次に、選択支援装置１００の作用について説明する。選択支援装置１００の作用が、本開示の推定方法の一例である。
　選択支援装置１００の作用は、選択支援処理は、学習処理と予測処理とに分けられるため、以下それぞれについて説明する。図７は、選択支援装置１００による学習処理の流れを示すフローチャートである。図８は、選択支援装置１００による予測処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から選択支援プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、各処理が行なわれる。
　まず、選択支援装置１００の学習処理について説明する。本実施形態では、選択支援装置１００は、図７に示す学習処理によって予測モデルを学習する。予測モデルは、病院の搬送要求の受け入れやすさ、すなわち受け入れ要求を受け入れる可能性を予測するためのモデルである。より具体的には、本実施形態では、予測モデルの生成は、係数マトリクスを算出する処理を指す。係数マトリクスは、病院による受け入れ要求の受け入れやすさを表すスコア値を算出するための行列であり、特徴量を表すベクトル対応する係数をパラメータとして学習した行列である。以下に説明する係数マトリクスＷが、本開示の属性情報を表すベクトルに対応するパラメータを要素とした第一行列の一例である。係数マトリクスＶが、拒否した理由を表すベクトルに対応するパラメータを要素とした第二行列の一例である。なお、学習処理は、任意のタイミングで開始されてよく、例えば、一定時間ごとに自動的に開始されてもよいし、オペレータの操作をトリガとして開始されてもよい。また、実績データ取得部１２１によって実績データＤ１が予め取得されて、実績データ記憶部１３１に格納されている。
　ステップＳ１００で、ＣＰＵ１１は、学習用情報付加部１２２として、実績データ記憶部１３１に記憶されている実績データＤ１を読み出す。
　ステップＳ１０２で、ＣＰＵ１１は、学習用情報付加部１２２として、実績データＤ１に基づいて、予測モデルを生成するために用いられる予測モデル生成用データＤ２を生成し、学習部１２３に出力する。
　予測モデル生成用データＤ２の生成について説明する。学習用情報付加部１２２は、実績データＤ１の各行について経過時間を算出する処理を行う。経過時間は、対象とした行の日時より過去の実績データを参照し、同じ病院ＩＤ、同じ診療科目の実績データの中から、当該対象とした行の日時のそれ以前の日時に受け入れ拒否が発生した行を探索する。探索の結果得られた行について、その受け入れ拒否理由と、当該対象とした行の日時から探索の結果得られた行の日時までの経過時間を計算し、当該対象とした行に付加する。ここで、それ以前の日時とは、例えば直近の日時である。例として、図３に示したＤ１の６行目に受け入れ拒否と経過時間とを付加する場合について説明する。この場合、６行目を対象の行として、６行目の日時より過去の実績データで同じ病院ＩＤ、及び同じ診療科目である４行目の受け入れ拒否理由を同じ診療科目における直近の拒否理由として抽出し、経過時間を算出する。また、Ｄ１の日時の情報から時間帯情報を算出し、必要に応じて不要な列を削除する。学習用情報付加部１２２は、このようにして生成した予測モデル生成用データＤ２を学習部１２３に出力する。なお、学習処理において、対象とした行の日時が、本開示の第一の時間の一例であり、探索の結果得られた行の日時が、本開示の第一の時間よりも過去である第二の時間の一例である。
　ステップＳ１０４において、ＣＰＵ１１は、学習部１２３として、予測モデル生成用データＤ２から得られる、特徴ベクトルと、正解ラベルとを用いて、統計分析する処理を実行し、係数マトリクスを予測モデルとして学習する。なお、特徴ベクトルは以下では単にベクトルと表記する。
　予測モデルの学習について説明する。本実施形態では、学習部１２３は、予測モデル生成用データＤ２における受け入れ結果のカラム（可／不可）を目的変数とし、その他の情報の全てを説明変数（ベクトル）とした統計分析を実行する。受け入れ結果のカラムが、病院の受け入れの可否を表す正解ラベルとなる。これにより、病院による受け入れやすさ、すなわち受け入れ要求を受け入れる可能性の高さを表すスコア値を算出するための係数マトリクスＷ及びＶを予測モデルとして算出する。例えば、受け入れ結果のカラムが受け入れ可の場合は１、受け入れ不可の場合は０とラベル付けを行い、これを目的変数として統計分析を行う。
　学習部１２３において実行される統計分析としては、例えば、ロジスティック回帰分析、ランキング学習、ランダムフォレスト等の手法を目的に応じて選択すればよい。ここでは、ベクトルに対し、受け入れ要求が「受け入れられる」場合に大きなスカラ値を出力する関数ｆ（ｐ，ｈ，Δｔ，ｒ；Ｗ，Ｖ）を設計する。ここで、ｐ，ｈ，Δｔ，ｒはベクトル又は変数として予測モデル生成用データＤ２に全て含まれている。Ｗ、Ｖはベクトルに対応するパラメータを要素とする係数マトリクスを表す。
　以降ではロジスティック回帰を使った場合の例を示す。まず、一次スコア値を求める式を以下（１）式とする。
Figure JPOXMLDOC01-appb-M000001
                                          ・・・（１）
ここでｐｉはｉ番目に発生した患者（又は患者の受け入れ要求）の属性情報を表すＤ×１次元のベクトルであり、ｈｊは受け入れ先の候補となるｊ個の病院をｏｎｅ－ｈｏｔエンコーディングで表したベクトルである。ｒｉ，ｊはｉ番目に発生した患者の受け入れ要求の日時を基準として直近に発生したｊ番目の病院における受け入れ拒否の理由をｏｎｅ－ｈｏｔエンコーディングで表したベクトルである。Δｔｉ，ｊはその間の経過時間を表す変数である。予測モデル生成用データＤ２は、ｏｎｅ－ｈｏｔエンコーディングされていないので、上記の（１）式に代入する場合には適宜エンコーディングする。ＷとＶとは求めたいパラメータの行列である。
　ここで患者の属性情報は、受け入れ要求を出す時間帯２４種類（１時間ごと）、曜日７種類、及び症例５０種類からなり、受け入れ候補となる病院数は３０、受け入れ拒否の理由は５種類とすると、上記の式の詳細は以下（２）式に示される。
Figure JPOXMLDOC01-appb-M000002
                                                        ・・・（２）
　ベクトルｐｉは、ｉ番目の患者が発生した時間帯、発生した曜日、及び患者症例をそれぞれｏｎｅ－ｈｏｔエンコーディングして連結したベクトルである。図９は、属性情報を表すベクトルの一例を示す図である。図９に示す例は、インデックスが１００番の患者の属性を表したベクトルｐ１００の例、１００番目の患者と２番目の病院との組み合わせで生じる拒否理由のベクトルｒ１００，２の例、２番目の病院を表すベクトルｈ２の例を示している。次に、係数マトリクスＷ及びＶについて、係数マトリクスＷのパラメータを例に説明する。時間帯を表すベクトルについて、ｗ１，１，ｗ２，１，．．．，ｗ２４，１というパラメータを持つ。同様に、曜日を表すベクトルについて、ｗ２４＋１，１，ｗ２４＋２，１，．．．，ｗ２４＋７，１というパラメータを持つ。係数マトリクスＷは、このように属性情報を表すベクトルに対応するパラメータを要素として持つ。同様に、係数マトリクスＶは、病院が受け入れを拒否した理由を表すベクトルに対応するパラメータを要素として持つ。上記の一次スコア値ｓｉｊを以下のロジスティック関数に代入して、患者を受け入れるか否かを判定する受け入れ確率ｐｉｊを求めるロジスティック回帰の式は以下（３）式になる。
Figure JPOXMLDOC01-appb-M000003
                                          ・・・（３）
　以上の式から、特定の曜日、特定の時間帯において発生する、特定の症例の患者に対する各々の病院での受け入れ確率が求まる。正解ラベルに従って、正解ラベルが受け入れ可：１である場合に受け入れ確率が高くなり、受け入れ不可：０である場合に受け入れ確率が低くなるように、係数マトリクスＷ及びＶを求める。これにより、係数マトリクスＷ及びＶが、病院の各々における直近の受け入れ拒否理由、及び直近で当該拒否理由が生じた経過時間を考慮するようなパラメータとして学習される。
　ステップＳ１０６で、ＣＰＵ１１は、学習部１２３として、係数マトリクスＷ及びＶとして学習した予測モデルを予測モデル記憶部１３２に格納する。
　以上の学習処理によって、本開示の予測モデルとして、病院ごとのユーザの受け入れの可能性を示す値を出力する関数と、正解ラベルとに基づいて、第一行列Ｗ及び第二行列Ｖのパラメータが学習される。第一行列Ｗ及び第二行列Ｖのパラメータは、当該関数において、ユーザが受け入れられる場合に受け入れの可能性が高くなる値を出力するように学習される。関数は、上述したように、受け入れに関する所定の属性情報を表すベクトル（ｐｉ）、当該属性情報を表すベクトルに対応するパラメータを要素とした第一行列（Ｗ）を含む。また、関数は、第二の時間から第一の時間までの経過時間（Δｔｉ，ｊ）、病院が受け入れを拒否した理由を表すベクトル（ｒｉ，ｊ）、及び拒否した理由を表すベクトルに対応するパラメータを要素とした第二行列（Ｖ）、を含む。
　以上が選択支援装置１００の学習処理の作用の説明である。
　次に、選択支援装置１００の予測処理の作用について説明する。本実施形態では、選択支援装置１００は、図８に示す予測処理によって予測を行い、ユーザの選択を支援する。この処理は、例えば、新たに救急搬送を要する患者が発生したときに、例えば、救急隊員又はサービスセンタのオペレータからの開始要求（受け入れ要求）の入力に応じて開始される。
　ステップＳ２００で、ＣＰＵ１１は、予測データ取得部１２４として、入出力部１１０を介して、予測用データＤ３を取得し、予測用情報付加部１２５に出力する。
　予測用データＤ３は、新たに発生した受け入れ要求として、新たに患者から要請された救急搬送に関連する属性情報を含む。属性情報としては、より具体的には、日時、曜日などの環境情報に加え、搬送予定者（患者）の症状に応じた診療科目、及び症状などの患者情報を含む。予測用データＤ３の例は図５に示した通りである。
　ステップＳ２０２で、ＣＰＵ１１は、予測用情報付加部１２５として、取得した予測用データＤ３と、実績データ記憶部１３１に記憶されている実績データＤ１とに基づいて、スコア算出用データＤ４を生成し、スコア算出部１２６に出力する。
　スコア算出用データＤ４の生成過程について説明する。まず、予測用データＤ３を図１０のように日時を時間帯の情報に変換し、不要な情報は加工する。次に、実績データ記憶部１３１に記憶されている実績データＤ１を参照し、各病院における、予測用データＤ３の診療科目が同一で、かつ、現在の時間（予測用データＤ３の日時）より以前の日時に受け入れ拒否が発生した行を探索する。探索結果として得られた行から、その受け入れ拒否の理由を抽出し、当該探索結果として得られた行の日時から現在の日時までの経過時間を計算する。現在の時間より以前の日時とは、例えば直近の日時である。直近以外の日時を選ぶ方法としては、直近に受け入れ拒否が発生しており、そのさらに直前にも同じ理由で受け入れ拒否が発生しているならば、連続して発生しているうちの最も古い時間の行を対象としてもよい。この理由には、当該受け入れ困難な状況が発生したなるべく初期の時間を参照するようデータを統一することにより、予測精度を高める狙いがある。そして、図１０のデータを各病院分だけ複製し、各病院のデータと結合して、スコア算出用データＤ４を作成し、スコア算出部１２６にスコア算出用データＤ４を出力する。スコア算出用データＤ４の例は図６に示した通りである。このように、スコア算出用データＤ４は、病院ごとの、属性情報と、経過時間と、病院の受け入れ拒否理由とを含む。なお、予測処理において、予測用データＤ３の日時が本開示の第一の時間の一例であり、実績データＤ１から探索結果として得られた行の日時が本開示の第二の時間の一例である。また上述したように、第二の時間は、第一の時間を基準として病院で直近の受け入れ拒否をされた時間である。また、第二の時間を基準として、所定の時間内に複数回受け入れ拒否されている場合、所定の時間内におけるもっとも過去の受け入れ拒否された時間を新たな第二の時間として設定するようにしてもよい。
　ステップＳ２０４で、ＣＰＵ１１は、スコア算出部１２６として、予測用情報付加部１２５から出力されたスコア算出用データＤ４と、予測モデル記憶部１３２に記憶されている予測モデルとに基づいて、病院ごとのスコア値を算出する。病院ごとのスコア値が、本開示の病院ごとの受け入れの可能性を示す値の一例である。
　スコア値の算出の例を説明する。まず、スコア算出部１２６は、予測モデル記憶部１３２に記憶されている予測モデルとして係数マトリクスＷ及びＶを取得する。ここで、スコア算出用データＤ４の各行の属性情報、病院ＩＤ、及び受け入れ拒否理由を図９の形式にならってベクトルとする。病院ごとのスコア値は、病院ｊごとに、当該ベクトルと経過時間を、予測モデルである係数マトリクスＷ及びＶを用いて上記（２）式及び（３）式に適用して、病院ごとの受け入れ確率ｐｉｊを計算することにより求める。受け入れ確率は、各病院に関する要求の受け入れられやすさを表し、受け入れ確率が高いほど、受け入れ要求か受け入れられやすいことを意味する。以上のように、患者の受け入れ要求ｉに対する病院ｊごとのスコア値が求まる。
　ステップＳ２０６で、ＣＰＵ１１は、出力制御部１２７として、算出されたスコア値に基づいて出力データを作成し、入出力部１１０を介して、出力する処理を行う。
　出力データについて説明する。例えば、出力制御部１２７は、算出された受け入れ確率を降順に並び替えた、搬送先候補である複数の病院に対して優先度付けを行った優先度リストを出力データとして作成できる。ここで、算出された受け入れ確率をそのまま出力データとしてもよいし、ソートした上位以外を除外した出力データとしてもよい。さらに、予め患者が発生した場所と各病院までの距離がわかる場合は、その距離にしきい値を設けて表示する病院を絞ってもよいし、ないしはその距離を受け入れ確率とセットで表示してもよい。
　以上の予測処理によって、本開示の推定方法は、第一の時間における、病院がユーザを受け入れる見込みを推定する推定方法として実行される。これにより、第二の時間における、病院がユーザの受け入れを拒否した理由と、第二の時間から第一の時間までの時間と、を関連付けることで第一の時間におけるユーザを受け入れる見込みを推定する。なお、ユーザの受け入れとは、施設に対するユーザの何らかの行動の受け入れであり、例えば、ユーザから病院に向けて出す受け入れ要求の受け入れ等を指す。
　図１１は、算出された受け入れ確率を含む出力データの一例を示す図である。図１１では、出力データとして、算出された受け入れ確率に基づいて確率が高い病院から低い病院へと降順に並び替えた優先度リストが示されている。受け入れ確率が高い病院ほど、搬送要求が受け入れられる可能性が高いことを示す。従って、図１１の優先度リストは、最も高いスコア値０．９５を有する病院ＣＣＣが最も搬送要求を受け入れる可能性が高い。また、２番目に搬送要求を受け入れる可能性が高いのがスコア値０．８７の病院ＥＥＥで、３番目がスコア値０．８２の病院ＦＦＦであることを示している。この優先度リストを出力データとして出力すれば、優先度リストを見たユーザである救急隊員又はオペレータは、ただちに、現在の搬送要求が受け入れられる可能性が最も高いのが病院ＣＣＣであると判断し、病院ＣＣＣに搬送要求を出すことができる。万一、病院ＣＣＣによって受け入れを拒否された場合でも、すぐに次の候補として２番目の病院ＥＥＥを選択できるので、搬送先の候補を選択するのに要する時間を最小限に抑えることができる。また、ユーザの利便性を高めるため、病院ＩＤの代わりに施設名を出力するようにしてもよい。
　また、上記でいずれかの病院に搬送要求を出して結果が判明した場合、ユーザである救急隊員又はオペレータがただちに結果を選択支援装置１００に送信する。結果を受けて、実績データ取得部１２１により、ただちに実績データ記憶部１３１の実績データが更新される。このようにして、実績データ記憶部１３１の実績データは常に最新に保たれ、各病院における最新の受け入れ拒否の情報を活用して受け入れ先の予測精度を高めることができる。
　以上説明したように本実施形態の選択支援装置１００によれば、ユーザを受け入れる可能性の高い病院を精度良く予測できる。
　また、上述した実施形態では、病院である施設に対するユーザの受け入れ要求が受け入れられる見込みを予測する場合を例に説明したが、この例に限定されない。例えば、施設をウェブ広告に置き換え、個別の特徴量をウェブ広告側の何らかの属性とし、ある属性を持つユーザが各ウェブ広告をクリックする確率を求めるような場合にも適用可能である。この場合、ウェブ広告が、所定の対象の一例である。
　なお、上記各実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した学習処理又は予測処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、学習処理又は予測処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
　また、上記各実施形態では、選択支援プログラムがストレージ１４に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
　以上の実施形態に関し、更に以下の付記を開示する。
　（付記項１）
　メモリと、
　前記メモリに接続された少なくとも１つのプロセッサと、
　を含み、
　前記プロセッサは、
　第一の時間における、病院がユーザを受け入れる見込みを推定する推定装置であって、
　前記第一の時間よりも過去である第二の時間における、前記病院がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する、
　ように構成されている推定装置。
　（付記項２）
　第一の時間における、病院がユーザを受け入れる見込みを推定する推定プログラムであって、
　前記第一の時間よりも過去である第二の時間における、前記病院がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する、
　ことをコンピュータに実行させる推定プログラムを記憶した非一時的記憶媒体。
１００ 選択支援装置
１１０ 入出力部
１２０ 演算部
１２１ 実績データ取得部
１２２ 学習用情報付加部
１２３ 学習部
１２４ 予測データ取得部
１２５ 予測用情報付加部
１２６ スコア算出部
１２７ 出力制御部
１３０ 記憶部
１３１ 実績データ記憶部
１３２ 予測モデル記憶部

Claims (8)

  1. 　第一の時間における、病院がユーザを受け入れる見込みを推定する推定方法であって、
    　前記病院が前記第一の時間よりも過去である第二の時間における、前記病院がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する、
    　ことを含む処理をコンピュータに実行させる推定方法。
  2. 　前記第二の時間は、前記第一の時間を基準として前記病院で直近の受け入れ拒否をされた時間である請求項１記載の推定方法。
  3. 　前記第二の時間を基準として、所定の時間内に複数回受け入れ拒否されている場合、前記所定の時間内におけるもっとも過去の受け入れ拒否された時間を新たな第二の時間として設定する請求項２記載の推定方法。
  4. 　前記関連付けは、予め学習された予測モデルを用い、病院ごとのユーザの受け入れの可能性を示す値を予測することによって行い、
    　前記予測モデルは、
    　ユーザの受け入れの可能性を示す値を出力する関数であって、受け入れに関する所定の属性情報を表すベクトル、前記属性情報を表すベクトルに対応するパラメータを要素とした第一行列、前記第二の時間から前記第一の時間までの経過時間、前記病院が受け入れを拒否した理由を表すベクトル、及び前記拒否した理由を表すベクトルに対応するパラメータを要素とした第二行列、を含む関数と、前記病院の受け入れの可否を表す正解ラベルとに基づいて、前記関数においてユーザが受け入れられる場合に受け入れの可能性が高くなる値を出力するように、前記第一行列及び前記第二行列のパラメータが学習されている請求項１～３の何れか１項記載の推定方法。
  5. 　受け入れ要求が発生した現在の時間を第一の時間とし、前記現在の時間より以前の日時に受け入れ拒否が発生した時間を第二の時間として、
    　日時を含む受け入れ要求に関する属性情報について取得された予測用データと、属性情報と、病院の識別情報と、受け入れ結果と、受け入れ拒否理由と、が関連付けられた実績データとに基づいて、病院ごとの、前記受け入れ要求の属性情報と、前記第二の時間から前記第一の時間までの経過時間と、前記第二の時間における当該病院の受け入れ拒否理由とを含むスコア算出用データを生成し、
    　生成した前記スコア算出用データと、病院ごとの受け入れの可能性を示すスコア値を出力するように予め学習された予測モデルとに基づいて、前記スコア算出用データの前記属性情報、前記経過時間、及び前記受け入れ拒否理由をベクトルとして前記予測モデルに適用して受け入れ確率の計算を行うことで、病院ごとのスコア値を算出する、
    　ことを含む処理をコンピュータに実行させる推定方法。
  6. 　第一の時間における、所定の対象がユーザを受け入れる見込みを推定する推定方法であって、
    　前記第一の時間よりも過去である第二の時間における、前記対象がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する、
    　ことを含む処理をコンピュータに実行させる推定方法。
  7. 　第一の時間における、病院がユーザを受け入れる見込みを推定する推定装置であって、
    　前記第一の時間よりも過去である第二の時間における、前記病院がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する推定部、
    　を含む推定装置。
  8. 　第一の時間における、病院がユーザを受け入れる見込みを推定する推定プログラムであって、
    　前記第一の時間よりも過去である第二の時間における、前記病院がユーザの受け入れを拒否した理由と、前記第二の時間から前記第一の時間までの時間と、を関連付けることで前記第一の時間におけるユーザを受け入れる見込みを推定する、
    　ことをコンピュータに実行させる推定プログラム。
PCT/JP2019/043955 2019-11-08 2019-11-08 推定方法、推定装置、及び推定プログラム WO2021090489A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2019/043955 WO2021090489A1 (ja) 2019-11-08 2019-11-08 推定方法、推定装置、及び推定プログラム
JP2021554544A JP7287489B2 (ja) 2019-11-08 2019-11-08 推定方法、推定装置、及び推定プログラム
US17/775,227 US20220384020A1 (en) 2019-11-08 2019-11-08 Estimating method, estimating device, and estimating program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/043955 WO2021090489A1 (ja) 2019-11-08 2019-11-08 推定方法、推定装置、及び推定プログラム

Publications (1)

Publication Number Publication Date
WO2021090489A1 true WO2021090489A1 (ja) 2021-05-14

Family

ID=75848300

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/043955 WO2021090489A1 (ja) 2019-11-08 2019-11-08 推定方法、推定装置、及び推定プログラム

Country Status (3)

Country Link
US (1) US20220384020A1 (ja)
JP (1) JP7287489B2 (ja)
WO (1) WO2021090489A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110054946A1 (en) * 2009-08-31 2011-03-03 Disruptive Ip, Inc. System and Method of Patient Flow and Treatment Management
JP2012008778A (ja) * 2010-06-24 2012-01-12 Nec Corp 救急搬送支援システム及び端末
JP2016194764A (ja) * 2015-03-31 2016-11-17 株式会社エヌ・ティ・ティ・データ 傷病者受入状況情報表示装置および傷病者受入状況情報表示システム
JP2019021179A (ja) * 2017-07-20 2019-02-07 国立大学法人千葉大学 救急出動支援システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110054946A1 (en) * 2009-08-31 2011-03-03 Disruptive Ip, Inc. System and Method of Patient Flow and Treatment Management
JP2012008778A (ja) * 2010-06-24 2012-01-12 Nec Corp 救急搬送支援システム及び端末
JP2016194764A (ja) * 2015-03-31 2016-11-17 株式会社エヌ・ティ・ティ・データ 傷病者受入状況情報表示装置および傷病者受入状況情報表示システム
JP2019021179A (ja) * 2017-07-20 2019-02-07 国立大学法人千葉大学 救急出動支援システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NTT SERVICE EVOLUTION LABORATORIES, BUSINESS COMMUNICATION, vol. 56, no. 9, 4 September 2019 (2019-09-04), pages 42 - 43 *

Also Published As

Publication number Publication date
JP7287489B2 (ja) 2023-06-06
US20220384020A1 (en) 2022-12-01
JPWO2021090489A1 (ja) 2021-05-14

Similar Documents

Publication Publication Date Title
US11664097B2 (en) Healthcare information technology system for predicting or preventing readmissions
US11810671B2 (en) System and method for providing health information
US8949082B2 (en) Healthcare information technology system for predicting or preventing readmissions
JP6782802B2 (ja) 計算機システム、計算機システムにより実行される方法及びプログラム
US10332631B2 (en) Integrated medical platform
JP6844088B2 (ja) 医療情報提供方法、医療情報提供装置、及びプログラム
Patterson et al. Training and interpreting machine learning algorithms to evaluate fall risk after emergency department visits
EP2896015A1 (en) Clinical dashboard user interface system and method
Bose et al. Machine learning methods for identifying critical data elements in nursing documentation
CN112786198A (zh) 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置
Handly et al. Evaluation of a hospital admission prediction model adding coded chief complaint data using neural network methodology
Mimović et al. Decision-making under uncertainty–the integrated approach of the AHP and Bayesian analysis
Toltzis et al. Evidence-based pediatric outcome predictors to guide the allocation of critical care resources in a mass casualty event
Abduallah et al. DeepSun: Machine-learning-as-a-service for solar flare prediction
Reddy et al. AI-IoT based healthcare prognosis interactive system
Taghipour et al. An integrated framework to evaluate and improve the performance of emergency departments during the COVID-19 pandemic: A mathematical programing approach
CN113643798A (zh) 为失能人员匹配照护人员的方法、装置及计算机设备
JP7023037B2 (ja) 選択支援装置、選択支援方法、データ構造、学習済みモデルおよびプログラム
Hijry et al. Application of machine learning algorithms for patient length of stay prediction in emergency department during Hajj
WO2021090489A1 (ja) 推定方法、推定装置、及び推定プログラム
WO2017007461A1 (en) Integrated medical platform
WO2021090490A1 (ja) 説明作成方法、説明作成装置、及び説明作成プログラム
Blome et al. Ridesharing as an alternative to ambulance transport for voluntary psychiatric patients in the emergency department
Lin et al. Secondary use of electronic health record data for prediction of outpatient visit length in ophthalmology clinics
Murata et al. A novel method for handling pre-existing conditions in prediction models for COVID-19 death

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: 19951649

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021554544

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: 19951649

Country of ref document: EP

Kind code of ref document: A1