WO2022070226A1 - 医療計画支援システム、医療計画支援装置、医療計画支援方法、及び、医療計画支援プログラムが格納された記録媒体 - Google Patents

医療計画支援システム、医療計画支援装置、医療計画支援方法、及び、医療計画支援プログラムが格納された記録媒体 Download PDF

Info

Publication number
WO2022070226A1
WO2022070226A1 PCT/JP2020/036753 JP2020036753W WO2022070226A1 WO 2022070226 A1 WO2022070226 A1 WO 2022070226A1 JP 2020036753 W JP2020036753 W JP 2020036753W WO 2022070226 A1 WO2022070226 A1 WO 2022070226A1
Authority
WO
WIPO (PCT)
Prior art keywords
patient
medical
condition
recommended
medical practice
Prior art date
Application number
PCT/JP2020/036753
Other languages
English (en)
French (fr)
Inventor
遼介 外川
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to US18/022,349 priority Critical patent/US20230326599A1/en
Priority to PCT/JP2020/036753 priority patent/WO2022070226A1/ja
Priority to JP2022553236A priority patent/JPWO2022070226A5/ja
Publication of WO2022070226A1 publication Critical patent/WO2022070226A1/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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices

Definitions

  • the present invention relates to a medical plan support system, a medical plan support device, a medical plan support method, and a recording medium in which a medical plan support program is stored.
  • Patent Document 1 medical data of a patient composed of a plurality of elements and morbidity information specifying either a poorly ill person who has been hospitalized by the patient or a normal person who has never been hospitalized by the patient are provided.
  • the medical data structure including it is disclosed.
  • This data structure modifies the tensor data by changing the weighting of any element of the clinical data according to the weighting rule when the patient is a recovery patient, and the core tensor is similar to the target core tensor. It is used in the process of executing the generated supervised learning.
  • Patent Document 2 is a hypothesis that is composed of a combination of the explanatory variables from training data having an explanatory variable and an objective variable, respectively, classifies any of the training data, and lists hypotheses that satisfy specific conditions.
  • a learning program that produces a set is disclosed. This learning program performs learning to calculate the weight of each of the plurality of hypotheses based on the presence or absence of each of the plurality of hypotheses included in the hypothesis set for each of the training data.
  • a main object of the present invention is to provide a medical planning support system or the like that can support medical staff so as to perform appropriate medical treatment according to the patient's condition.
  • the medical planning support system is based on the acquisition means for acquiring the patient condition information regarding the condition of the first patient, the patient condition information acquired by the acquisition means, and the estimation model.
  • the estimation model comprises an estimation means for estimating the recommended medical practice recommended for the first patient and an output means for outputting the recommended medical practice estimated by the estimation means, and the estimation model is a second patient. This is a model that learns the relationship between the medical treatment performed on the second patient and the medical treatment performed on the second patient and the change in the condition of the second patient due to the medical treatment performed on the second patient. ..
  • the medical planning support method acquires patient condition information regarding the condition of the first patient by an information processing apparatus, and presumes that the acquired patient condition information is used. Based on the model, the recommended medical practice recommended for the first patient is estimated, and the estimated recommended medical practice is output.
  • the estimated model is based on the condition of the second patient and the second patient. It is a model that learned the relationship between the medical treatment performed on the patient and the change in the state of the second patient due to the medical treatment performed on the second patient.
  • the medical planning support program includes an acquisition process for acquiring patient condition information regarding the condition of the first patient, and the acquisition process acquired by the acquisition process.
  • the estimation model was performed on the condition of the second patient, the medical treatment performed on the second patient, and the medical practice performed on the second patient. It is a model that learned the relationship with the change of the state of the second patient by the medical practice.
  • the present invention can also be realized by a computer-readable, non-volatile recording medium in which the medical planning support program (computer program) is stored.
  • a medical planning support system or the like that can support medical staff so as to perform appropriate medical treatment according to the patient's condition can be obtained.
  • An embodiment in which the output unit 16 according to the first embodiment of the present invention displays the patient state information 101 and the medical practice information 102 regarding the patient being treated and the estimated recommended medical practice 104 on the display screen 200 is exemplified. It is a figure. It is a flowchart which shows the operation which the medical plan support system 10 which concerns on 1st Embodiment of this invention estimates the recommended medical practice 104. It is a block diagram which shows the structure of the medical plan support system 40 which concerns on the 2nd Embodiment of this invention. It is a block diagram which shows the structure of the information processing system 900 which can realize the medical plan support system 10 which concerns on 1st Embodiment of this invention, or the medical plan support system 30 which concerns on 2nd Embodiment.
  • the system using the embodiment described later as an example uses a trained model (also referred to as an estimation model) generated by machine learning (for example, deep learning) when estimating a target event from a certain input information. Further, the system can also utilize existing machine learning techniques such as ACIL (Adversarial Cooperative Imitation Learning) and SAiL (Skill Acquisition Learning) shown in Non-Patent Document 1. good.
  • ACIL Advanced Cooperative Imitation Learning
  • SAiL Stress Acquisition Learning
  • ACIL applies AIL (Adversarial Imitation Learning), which is a technology that enables you to input past success cases and imitate the behavior in the success cases, and avoid failures by inputting the failure cases as well. It is a technology that realizes what to do.
  • SAiL is a technology that is provided with a plurality of behavior imitators and can accurately imitate (learn) the behavior of a skilled person by selecting the behavior imitator according to the situation. In the embodiments described later, detailed description of these techniques will be omitted.
  • FIG. 1 is a block diagram showing a configuration of a medical planning support system 10 according to a first embodiment of the present invention.
  • the medical planning support system 10 is a system that supports medical staff so that appropriate medical practices can be determined according to the patient's condition.
  • medical staff includes doctors who perform medical treatment, nurses, physiotherapists, occupational therapists, radiologists, etc. who support doctors according to the instructions of doctors.
  • the medical planning support system 10 provides the patient's condition and its patients with various treatment cases that have been performed in the past, labeled as successful cases in which the patient's condition has improved or failure cases in which the patient's condition has not improved.
  • a trained model also called an estimated model
  • the medical planning support system 10 uses the trained model to estimate the medical practice recommended for the patient according to the condition of the patient being treated.
  • the medical planning support system 10 is composed of at least one information processing device.
  • a management terminal device 20 (also referred to as a display device) and a medical device 30 are communicably connected to the medical plan support system 10.
  • the management terminal device 20 is used when a medical worker who uses the medical plan support system 10 inputs information to the medical plan support system 10 or confirms information output from the medical plan support system 10.
  • a personal computer or other information processing device to be used.
  • the management terminal device 20 includes a display screen 200 that displays information output from the medical planning support system 10.
  • the medical device 30 is, for example, a device that measures a patient's condition such as body temperature and blood pressure, or a device that can adjust the amount of a drug to be administered to the patient.
  • the medical planning support system 10 can collect data representing the patient's condition from the medical device 30.
  • the medical planning support system 10 can also control the operation of the medical device 30 when the doctor performs a medical practice using the medical device 30.
  • the medical plan support system 10 includes an acquisition unit 11, a classification unit 12, an analysis unit 13, a model generation unit 14, an estimation unit 15, and an output unit 16.
  • the acquisition unit 11, the classification unit 12, the analysis unit 13, the model generation unit 14, the estimation unit 15, and the output unit 16 are, in order, an acquisition means, a classification means, an analysis means, a model generation means, an estimation means, and an output means. This is an example.
  • the medical planning support system 10 in order to estimate the recommended medical practice 104, which is the medical practice recommended for the patient under treatment (hereinafter, also referred to as "target patient"), by the medical planning support system 10 according to the present embodiment.
  • the operation of generating or updating (re-learning) the estimation model 140 of the above will be described. After that, the operation of estimating the recommended medical practice 104 for the patient using the estimation model 140 will be described.
  • the medical planning support system 10 generates or generates an estimation model 140 for estimating the medical practice recommended for the patient being treated after acquiring the information for the treatment. The operation until updating will be described.
  • the acquisition unit 11 acquires patient status information 101, medical practice information 102, and status change information 103 regarding past treatment cases to be learned from a computer device or a database (not shown) via a network.
  • the acquisition unit 11 may acquire the patient status information 101, the medical practice information 102, and the status change information 103 on a regular basis, for example.
  • the acquisition unit 11 may acquire the patient state information 101, the medical practice information 102, and the state change information 103 in response to an instruction input by the medical worker via the management terminal device 20, for example.
  • the acquisition unit 11 has, for example, a communication circuit connected to one or a plurality of computer devices or databases for transmitting patient status information 101, medical practice information 102, and status change information 103, and information acquired by the communication circuit. It is equipped with a storage device for storing.
  • the storage device may be the hard disk 904 or the RAM 903 of the information processing system 900 shown in FIG. 9, which will be described later.
  • the patient status information 101 is information representing the history of the status of each patient.
  • the patient's condition includes, for example, body temperature, heart rate, blood pressure, blood condition such as blood oxygen concentration and amount and concentration of substances contained in blood, and urine condition such as urine color, odor and contained substances. , The condition of the stool, etc.
  • the patient's condition or, for example, the state of consciousness such as the level of consciousness obtained when the doctor diagnoses the patient, the state of pain such as the presence or absence of pain and the degree of pain, and the movement of joints such as the range of motion of joints. State, etc.
  • the patient's condition is, for example, the condition of an organ evaluated by a doctor from an image obtained by a medical device such as an X-ray.
  • the patient condition information is not limited to the above as long as it is information on the health condition or biological condition of the patient.
  • the above-mentioned patient condition information may be acquired in a predetermined examination such as a health examination, may be acquired at the time of medical treatment or diagnosis, or may be acquired by a wearable device.
  • FIG. 2 is a diagram illustrating the data of the patient state information 101 according to the present embodiment.
  • the patient state information 101 represents the history (transition) of the patient's state for each patient such as patient A and patient B.
  • the patient state information 101 exemplified in FIG. 2 represents the body temperature, heart rate, blood pressure, blood glucose level, etc. as the patient state, but the patient state represented by the patient state information 101 is not limited to these.
  • the patient state information 101 exemplified in FIG. 2 represents the patient's state with a specific numerical value, but the patient state information 101 represents a patient, for example, whether it is a normal value or an abnormal value for each item. It may represent the state of.
  • the medical practice information 102 is information representing the history of medical practices performed on each patient.
  • medical practices include surgery, medication, radiation therapy, rehabilitation and the like.
  • the medical practice information 102 represents, for example, in the case of an operation, a part of the body that has been operated on, a method of the operation, and the like.
  • the method of surgery is, for example, open surgery, catheter surgery, or the like.
  • the medical practice information 102 represents the type (name, etc.), usage, dosage, etc. of the drug to be administered.
  • the medical practice information 102 represents, for example, in the case of radiotherapy, the type of radiation used such as X-rays, ⁇ -rays, and electron beams, the irradiation location, the irradiation time, and the like.
  • the medical practice information 102 represents a treated body part, a specific type of rehabilitation, and the like.
  • FIG. 3 is a diagram illustrating the medical practice information 102 according to the present embodiment.
  • the medical practice information 102 represents a history of medical actions performed for each patient such as patient A and patient B.
  • the medical practice information 102 illustrated in FIG. 3 indicates that the patient A is being treated with continuous medication.
  • the state change information 103 is information representing the history of changes in the state of each patient.
  • the change in condition represents, for example, whether the patient's condition has improved or worsened, that is, whether the treatment has succeeded or failed. Then, whether the patient's condition has improved or deteriorated can be determined based on the determination criteria defined by using a predetermined KPI (Key Performance Indicator). Further, not only whether the patient has improved or deteriorated, but also when the KPI has not improved or deteriorated by a predetermined value or more, it may be shown that the patient's condition does not change, such as "maintaining the status quo".
  • KPI Key Performance Indicator
  • the KPI various indexes (for example, body temperature, blood pressure, blood glucose level, etc.) indicating the patient's condition described above can be used. Then, the criterion indicates, for example, that the condition has deteriorated when these indicators rise above the predetermined reference value, and that the condition has improved when these indicators fall below the predetermined reference value. It should be as shown.
  • FIG. 4 is a diagram illustrating the state change information 103 according to the present embodiment.
  • the state change information 103 represents the history of improvement or deterioration of the state for each patient such as patient A and patient B.
  • the patient A has a fever at 11:00 on August 24, 2020, and the state is getting worse. Therefore, as shown in the medical practice information 102 illustrated in FIG. 3, a medical practice of administering 2 units of the drug Z to the patient A is performed at 11:10 on August 24, 2020.
  • FIGS. 2 to 4 show that the treatment to administer 2 units of the drug Z to the patient A was successful.
  • the acquisition unit 11 may generate the state change information 103 from the patient state information 101 without acquiring it from the outside.
  • the acquisition unit 11 can obtain a change in the patient's condition from the history of the patient's condition indicated by the patient condition information 101. Then, the acquisition unit 11 may determine whether the patient's condition has improved or deteriorated based on the determination criteria defined in advance using the predetermined KPI given above.
  • the acquisition unit 11 stores the patient status information 101, the medical practice information 102, and the status change information 103 acquired as described above in a storage device (for example, a memory, a hard disk, etc.) (not shown).
  • a storage device for example, a memory, a hard disk, etc.
  • the model generation unit 14 uses the patient state information 101, the medical practice information 102, and the state change information 103 acquired by the acquisition unit 11 as teacher data, and the estimation unit 15 described later estimates the recommended medical practice 104 by machine learning.
  • An estimation model 140 (trained model) to be used is generated.
  • the estimation model 140 is generated by learning the relationship between the past patient's condition and the medical practice performed on the past patient and the change in the patient's condition in the past due to the medical practice.
  • the model generation unit 14 generates or updates the estimation model 140 by the above-mentioned machine learning techniques ACIL and SAiL.
  • the model generation unit 14 performs machine learning by a processor to generate or update an estimation model 140 using the above-mentioned teacher data.
  • the treatment cases to be learned represented by the patient state information 101, the medical practice information 102, and the state change information 103 are based on the determination result of whether the patient's condition has deteriorated or improved, which is indicated by the state change information 103. , Labeled as a success or failure case. As shown in FIGS. 2 to 4, the above-mentioned treatment case in which 2 units of the drug Z is administered to the patient A who has a fever is a successful case.
  • the model generation unit 14 can use the result of estimating the medical practice recommended for the past patient by the estimation unit 15 described later with respect to the teacher data.
  • the estimation unit 15 performs a medical practice recommended for a patient who is being treated with the drug X and the drug Y when the patient has a fever. presume. In this case, as described above, there is a record that the patient's condition is improved by administering 2 units of the drug Z, but the estimation unit 15 estimates the recommended medical practice without referring to this record. do.
  • the model generation unit 14 determines whether the teacher data indicates a success case or a failure case based on the state change information 103.
  • the model generation unit 14 makes the estimation result of the recommended medical practice by the estimation unit 15 closer (similar) to the actual medical practice indicated by the medical practice information 102 when the teacher data shows a successful case.
  • the estimation model 140 is generated or updated.
  • the estimation unit 15 estimates that 1 unit of the drug Z is administered as a recommended medical practice for the teacher data showing a successful case.
  • the model generation unit 14 generates or updates the estimation model 140 so that the estimation unit 15 can estimate as a recommended medical practice to administer 2 units of the actually performed drug Z. That is, the model generation unit 14 generates or updates the estimation model 140 so that the estimation unit 15 can estimate a medical practice that is closer (similar) to the medical practice performed in the successful case.
  • the model generation unit 14 determines that the estimation result of the recommended medical practice by the estimation unit 15 is the actual medical treatment performed by the medical practice information 102. Generate or update the estimation model 140 to be farther (different) from the action.
  • the estimation unit 15 estimates that 1 unit of the drug Z is administered as a recommended medical practice for the teacher data indicating such a failure case.
  • the model generation unit 14 generates or updates the estimation model 140 so that the medical practice similar to the administration of 2 units of the actually performed drug Z is not estimated as the recommended medical practice. do. That is, the model generation unit 14 generates or updates the estimation model 140 so that the estimation unit 15 estimates, for example, a medical practice of administering a drug different from the drug Z as a recommended medical practice.
  • the model generation unit 14 stores the estimation model 140 generated or updated as described above in a non-volatile storage device (not shown).
  • the model generation unit 14 can gradually improve the estimation accuracy by updating the estimation model 140 (also referred to as re-learning) at predetermined time intervals, for example.
  • the classification unit 12 shown in FIG. 1 classifies the medical practices indicated by the medical practice information 102 acquired by the acquisition unit 11 into groups based on their similarity, and inputs the contents of the group to the model generation unit 14.
  • the classification unit 12 is provided with a standard for classification in advance by, for example, a medical worker or the like.
  • the classification unit 12 may input an identifier that can identify the group into the model generation unit 14.
  • the classification unit 12 has the same medical practice using the first drug and the medical practice using the second drug having the same effect as the first drug but different types such as names. Classify into groups. More specifically, the first drug is a brand-name drug, and the second drug is a generic drug.
  • the classification unit 12 may classify medical practices such as surgery, radiotherapy, and rehabilitation treatment into groups based on their similarities.
  • the classification unit 12 may also classify medical practices into groups having a hierarchical structure based on their similarity. For example, the classification unit 12 classifies medical practices performed on cancer patients into large-grained groups such as surgery, medication, and radiation therapy. Then, the classification unit 12 classifies the medical practice into a group having a smaller particle size belonging to a large group, based on, for example, the method of surgery, the type of medicine used, the type of radiation used, and the like.
  • the model generation unit 14 When the above-mentioned group is input from the classification unit 12, the model generation unit 14 generates or updates the estimation model 140 by using the group as a medical practice. In this case, the estimation unit 15 estimates the group of medical practices as the recommended medical practice based on the estimation model 140 generated using the group of medical practices.
  • the combination of a plurality of medical actions affected the patient's state. Analyze whether or not to show. For example, when the analysis unit 13 performs a plurality of medical treatments on a patient at the same timing and as a result, the patient's condition is found to be improved or deteriorated, the combination of these medical treatments is the patient's. It is determined that the condition has been affected. It is assumed that the analysis unit 13 is given in advance a standard for determining that the combination of a plurality of medical practices has influenced the patient's condition, for example, by a medical worker or the like.
  • the combination of a plurality of medical practices is, for example, a medication treatment by a combination of a plurality of medicines.
  • the combination of multiple medical practices may be, for example, a combination of two or more medical practices of surgery, medication, radiation therapy, rehabilitation therapy.
  • the analysis unit 13 finds that a certain combination of medical practices affects the patient's condition as a result of the above analysis, the analysis unit 13 inputs the combination to the model generation unit 14. Combinations are data about the medical practice to be combined.
  • the model generation unit 14 When the above-mentioned combination is input from the analysis unit 13, the model generation unit 14 generates or updates the estimation model 140 by using the combination as a medical practice. In this case, the estimation unit 15 estimates the combination of medical practices as the recommended medical practice based on the estimation model 140 generated using the combination of medical practices.
  • the operation (processing) in which the medical planning support system 10 according to the present embodiment generates the estimation model 140 (performs machine learning) will be described in detail.
  • the acquisition unit 11 acquires the patient status information 101, the medical practice information 102, and the status change information 103 regarding the patient treated in the past (step S101).
  • the estimation unit 15 estimates the medical practice recommended for the patient based on the patient state information 101, the medical practice information 102, and the estimation model 140 regarding the patient acquired by the acquisition unit 11. ).
  • the model generation unit 14 confirms whether or not the state change information 103 indicates that the patient's condition has improved (that is, whether the input treatment case is a success case or a failure case) (step). S103).
  • step S104 When the state change information 103 indicates that the patient's condition is improved (that is, the input treatment case is a successful case) (Yes in step S104), the process proceeds to step S105.
  • the model generation unit 14 generates or updates the estimation model 140 so that the difference between the estimation result of the medical practice recommended for the patient and the implemented medical practice indicated by the medical practice information 102 becomes smaller (step). S105), the whole process is completed.
  • step S104 If the state change information 103 indicates that the patient's condition has not improved (that is, the input treatment case is a failure case) (Yes in step S104), the process proceeds to step S106.
  • the model generation unit 14 generates or updates the estimation model 140 so that the difference between the estimation result of the medical practice recommended for the patient and the implemented medical practice indicated by the medical practice information 102 becomes larger (step). S106), the whole process is completed.
  • the acquisition unit 11 acquires the patient status information 101 and the medical practice information 102 from an external device (not shown) in the same manner as when the medical planning support system 10 generates the estimation model 140. However, the acquisition unit 11 does not acquire this information as the teacher data described above, but is an estimation target for medical practice recommended to be performed on a patient under treatment (also referred to as a first patient). Get as data.
  • the estimation model 140 is generated based on the patient state information 101, the medical practice information 102, and the state change information 103 regarding the patient treated in the past (also referred to as the second patient). ..
  • the acquisition unit 11 acquires the patient state information 101 and the medical practice information 102 regarding the patient being treated, which are input by a medical worker such as a doctor via the management terminal device 20.
  • the aspect of the patient state information 101 and the medical practice information 102 regarding the patient being treated is the same as the patient state information 101 and the medical practice information 102 shown in FIGS. 2 and 3 used for generating the estimation model 140. be.
  • FIG. 6 shows an embodiment in which the output unit 16 according to the present embodiment displays the patient state information 101 and the medical practice information 102 regarding the patient being treated, and the recommended medical practice 104 estimated by the estimation unit 15 on the display screen 200. It is a figure exemplifying.
  • the display screen 200 illustrated in FIG. 6 is displayed by the output unit 16 after the doctor among the medical staff logs in to the medical planning support system 10 with his / her own ID (Identification) via the management terminal device 20. To.
  • the output unit 16 displays the display screen 200 illustrated in FIG. 6 in response to an input operation in which the doctor selects the patient A on a screen (not shown) for selecting one of the patients from the plurality of patients.
  • the output unit 16 outputs at least one of the patient state information 101, the medical practice information 102, and the state change information 103 regarding the target patient.
  • the output unit 16 displays the patient state information 101 and the medical practice information 102 regarding the patient A on the display screen 200 as illustrated in FIG.
  • the patient status information 101 and the medical practice information 102 are information collected from the medical device 30 or a medical worker such as a nurse, in addition to the information input by the input operation by the doctor on the display screen 200 illustrated in FIG. May include information and the like separately input via the management terminal device 20.
  • the patient status information 101 and the medical practice information 102 regarding the patient A under treatment input by the doctor manage the patient status information 101 and the medical practice information 102 by the medical planning support system 10.
  • estimation unit 15 be performed on the patient being treated based on the patient status information 101 and the medical practice information 102 regarding the patient being treated and the estimation model 140 acquired by the acquisition unit 11.
  • Estimate the recommended medical practice 104 which is a medical practice.
  • the estimation unit 15 has a function of estimating the recommended medical practice based on the patient state information 101 and the medical practice information 102 input as teacher data and the estimation model 140.
  • the estimation unit 15 may estimate the medical practice group as the recommended medical practice 104.
  • the estimation unit 15 may estimate the combination of medical practices as the recommended medical practice 104.
  • the medical practice 104 that recommends a combination of medical practices is a series of medical practices including a plurality of medical practices such as "catheter surgery is performed and then the drug X is infused twice a day, morning and evening for one week".
  • the estimation unit 15 outputs the estimated recommended medical practice 104 to the output unit 16. At this time, the estimation unit 15 may output to the output unit 16 together with the reason for estimating the recommended medical practice 104. The estimation unit 15 can output the estimation reason by providing the attention technique in deep learning.
  • the output unit 16 outputs the recommended medical practice estimated by the estimation unit 15.
  • the output unit 16 displays the recommended medical practice 104 input from the estimation unit 15 on the display screen 200 of the management terminal device 20 as a display control unit. That is, the output unit 16 controls the management terminal device 20 so that the recommended medical practice 104 is displayed on the display screen 200 of the management terminal device 20.
  • the output unit 16 displays the recommended medical practice 104 as feedback for the input operation at the timing when the doctor completes the input operation for inputting the patient status information 101 and the medical practice information 102 regarding the patient A on the display screen 200. It may be displayed in.
  • the estimation unit 15 gives the patient A who is being treated with the drug X and the drug Y "1 unit each of the drug X and the drug Y at 9 o'clock and 1 unit of the drug X at 20:00".
  • the recommended medical practice 104 is estimated to indicate "continue to administer the unit”.
  • the output unit 16 has an “approval” button on the display screen 200 in order to prompt an input operation by a doctor indicating whether or not to approve the recommended medical practice 104 displayed on the display screen 200. Is displayed.
  • the output unit 16 is, for example, a medical device 30 used by a doctor to perform a recommended medical action 104 displayed on a display screen 200 when the “approval” button is selected by a doctor by a mouse operation or a touch operation. Control information is generated, and the generated control information is transmitted to the medical device 30.
  • the patient status information 101 and the medical practice information 102 regarding the patient being treated are input via the management terminal device 20 (step S201).
  • the estimation unit 15 estimates the recommended medical practice 104 for the patient based on the input patient state information 101 and medical practice information 102 and the estimation model 140 (step S202).
  • the output unit 16 displays the recommended medical practice 104 estimated by the estimation unit 15 on the display screen 200, and displays information on the display screen 200 indicating whether or not to approve the recommended medical practice 104 and prompting an input operation by a doctor. (Step S203).
  • step S204 If the doctor does not perform an input operation to approve the recommended medical practice 104 on the display screen 200 (No in step S204), the entire process ends.
  • the output unit 16 When the doctor performs an input operation to approve the recommended medical action 104 on the display screen 200 (Yes in step S204), the output unit 16 generates control information of the medical device 30 performing the recommended medical action 104. The generated control information is output to the medical device 30, and the entire process is completed.
  • the medical planning support system 10 can support medical staff so as to perform appropriate medical treatment according to the patient's condition. The reason is that the medical planning support system 10 estimates the recommended medical practice for the patient currently being treated based on the condition of the patient currently being treated and the estimation model 140 generated from the past treatment cases. Because it does.
  • the medical planning support system 10 includes an acquisition unit 11, an estimation model 140, an estimation unit 15, and an output unit 16, and see, for example, FIGS. 1 to 7. And it works as described above. That is, the acquisition unit 11 acquires the patient state information 101 regarding the state of the patient (first patient) being treated.
  • the estimation model 140 learned the relationship between the condition of the past patient (second patient) and the medical treatment performed on the past patient and the change in the condition of the past patient due to the medical treatment performed. It is a model.
  • the estimation unit 15 estimates the recommended medical practice 104 recommended for the patient being treated based on the patient condition information 101 regarding the condition of the patient being treated and the estimation model 140.
  • the medical planning support system 10 can suitably support the treatment of the patient so that the medical staff such as a doctor having insufficient knowledge and experience does not perform inappropriate medical treatment.
  • the medical plan support system 10 has a model generation unit 14 that generates or updates an estimation model 140 based on the patient state information 101, the medical practice information 102, and the state change information 103 regarding past patients. Be prepared.
  • the medical planning support system 10 is based on the patient status information 101 and the medical practice information 102 regarding the past patient and the estimation model 140 by the estimation unit 15, and the past patient. Estimate the recommended medical practice for.
  • the model generation unit 14 updates the estimation model 140 so that the difference between the medical practice actually performed in the successful treatment case and the medical practice estimated by the estimation unit 15 becomes smaller.
  • the model generation unit 14 also updates the estimation model 140 so that the difference between the medical treatment actually performed in the treatment failure case and the medical treatment estimated by the estimation unit 15 becomes larger. That is, since the medical planning support system 10 updates the estimation model 140 by using both the success case and the failure case of the treatment as teacher data, the estimation model 140 that realizes highly accurate estimation can be obtained in a short period of time. Can be built.
  • the medical planning support system 10 when estimating the recommended medical practice using the estimation model 140, there are the following problems. For example, there are a plurality of medical practices having the same effect (that is, similar), such as a generic drug and a generic drug, which have the same effect but different types (names, etc.). When such a plurality of medical practices are treated as separate ones, the number of samples related to each medical practice is reduced, which causes a decrease in the accuracy of teacher data.
  • the medical planning support system 10 includes a classification unit 12 that classifies medical practices into groups based on their similarities and inputs the groups to the model generation unit 14. In the generation of the estimation model 140 and the estimation of the recommended medical practice 104, processing is performed in units of groups. Thereby, the medical plan support system 10 can solve the problem that the accuracy of the teacher data described above is lowered.
  • the medical planning support system 10 analyzes whether or not the combination of a plurality of medical practices affects the patient's condition, and the combination that affects the patient's condition.
  • the medical plan support system 10 can solve the problem that the accuracy of the teacher data described above is lowered.
  • the medical plan support system 10 displays the recommended medical action 104 as feedback when an input operation for inputting the state of the patient being treated or the medical action performed is performed on the display screen 200. do.
  • the medical planning support system 10 can improve the work efficiency of medical staff such as doctors.
  • the medical plan support system 10 displays on the display screen 200 an "approval" button prompting an input operation by a doctor indicating whether or not to approve the recommended medical practice 104 on the display screen 200. Then, when the recommended medical action 104 is approved by the doctor, the medical planning support system 10 generates control information of the medical device 30 that performs the recommended medical action 104, and outputs the control information to the medical device 30. Thereby, the medical planning support system 10 can prevent improper medical practice that is not approved by the doctor from being mistakenly performed.
  • FIG. 8 is a block diagram showing a configuration of the medical planning support system 40 according to the second embodiment of the present invention.
  • the medical plan support system 40 includes an acquisition unit 41, an estimation unit 42 using the estimation model 43, and an output unit 44.
  • the acquisition unit 41, the estimation unit 42, and the output unit 44 are examples of the acquisition means, the estimation means, and the output means in order.
  • the acquisition unit 41 acquires the patient condition information 400 regarding the condition of the first patient.
  • the acquisition unit 41 operates in the same manner as the acquisition unit 11 according to the first embodiment, for example.
  • the first patient is, for example, a patient currently being treated (ie, a target patient), as in the first embodiment.
  • the estimation model 43 is a change in the state of the second patient due to the medical action 432 performed on the second patient's state 431 and the second patient and the medical action 432 performed on the second patient. It is a model generated by learning the relationship with 433.
  • the second patient is, for example, a past patient, as in the first embodiment.
  • the estimation model 43 is, for example, similar to the estimation model 140 according to the first embodiment, for the state 431 of the second patient, the medical practice 432 performed on the second patient, and the second patient. It is a trained model showing the result of machine learning about the relationship with the change 433 of the state of the second patient by the medical practice 432 performed.
  • the second patient state 431 may be, for example, the same information as the patient state information 101 described with reference to FIG. 2 in the first embodiment.
  • the medical practice 432 performed on the second patient may be, for example, the same information as the medical practice information 102 described with reference to FIG. 3 in the first embodiment.
  • the change 433 of the state of the second patient may be, for example, the same information as the state change information 103 described with reference to FIG. 4 in the first embodiment.
  • the estimation unit 42 estimates the recommended medical practice 420 recommended for the first patient based on the patient condition information 400 acquired by the acquisition unit 41 and the estimation model 43. More specifically, the estimation unit 42 estimates the recommended medical practice 420 by operating in the same manner as the estimation unit 15 according to the first embodiment, for example.
  • the output unit 44 outputs the recommended medical practice 420 estimated by the estimation unit 42.
  • the output unit 44 operates in the same manner as the output unit 16 according to the first embodiment, for example.
  • the medical planning support system 40 can support medical staff so as to perform appropriate medical treatment according to the patient's condition. The reason is that the medical planning support system 40 estimates the recommended medical practice for the patient currently being treated based on the condition of the patient currently being treated and the estimation model 43 generated from the past treatment cases. Because it does.
  • Each part of the medical planning support system 10 shown in FIG. 1 or the medical planning support system 40 shown in FIG. 8 in each of the above-described embodiments can be realized by a dedicated HW (HardWale) (electronic circuit). Further, in FIGS. 1 and 8, at least the following configuration can be regarded as a function (processing) unit (software module) of the software program. ⁇ Acquisition units 11 and 41, ⁇ Classification unit 12, ⁇ Analysis Department 13, ⁇ Model generator 14, ⁇ Estimators 15 and 42, -Output units 16 and 44.
  • FIG. 9 illustrates the configuration of an information processing system 900 (computer system) capable of realizing the medical planning support system 10 according to the first embodiment of the present invention or the medical planning support system 40 according to the second embodiment. It is a figure explaining. That is, FIG. 9 is a configuration of at least one computer (information processing device) capable of realizing the medical planning support systems 10 and 40 shown in FIGS. 1 and 8, and can realize each function in the above-described embodiment. Represents a hardware environment.
  • the information processing system 900 shown in FIG. 9 has the following components, but may not include some of the components below.
  • -CPU Central_Processing_Unit
  • -ROM Read_Only_Memory
  • RAM Random_Access_Memory
  • -Hard disk storage device
  • -Communication interface 905 with an external device ⁇ Bus 906 (communication line)
  • a reader / writer 908 that can read / write data stored in a recording medium 907 such as a CD-ROM (Compact_Disc_Read_Only_Memory), -Input / output interface 909 for monitors, speakers, keyboards, etc.
  • CD-ROM Compact_Disc_Read_Only_Memory
  • -Input / output interface 909 for monitors, speakers, keyboards, etc.
  • the information processing system 900 including the above components is a general computer to which these components are connected via the bus 906.
  • the information processing system 900 may include a plurality of CPUs 901, or may include a CPU 901 configured by a multi-core processor.
  • the information processing system 900 may include a GPU (Graphical_Processing_Unit) (not shown) in addition to the CPU 901.
  • the present invention described by taking the above-described embodiment as an example supplies the information processing system 900 shown in FIG. 9 with a computer program capable of realizing the following functions.
  • the function is the above-mentioned configuration in the block configuration diagram (FIGS. 1 and 8) referred to in the description of the embodiment, or the function of the flowchart (FIGS. 5 and 7).
  • the present invention is then achieved by reading, interpreting, and executing the computer program in the CPU 901 of the hardware.
  • the computer program supplied in the apparatus may be stored in a volatile memory (RAM 903) that can be read and written, or a non-volatile storage device such as ROM 902 or a hard disk 904.
  • the procedure for example, there are a method of installing in the apparatus via various recording media 907 such as a CD-ROM, a method of downloading from the outside via a communication line such as the Internet, and the like.
  • the present invention can be regarded as being composed of a code constituting the computer program or a recording medium 907 in which the code is stored.
  • (Appendix 1) Acquisition means for acquiring patient condition information regarding the condition of the first patient, and An estimation means for estimating the recommended medical practice recommended for the first patient based on the patient condition information and the estimation model acquired by the acquisition means, and an estimation means.
  • An output means for outputting the recommended medical practice estimated by the estimation means, and Equipped with The estimation model is a change in the condition of the second patient and the medical treatment performed on the second patient and the medical treatment performed on the second patient. It is a model that learned the relationship with Medical planning support system.
  • the patient condition information regarding the first patient includes a history of the biological condition of the first patient and a history of medical treatment performed on the first patient.
  • the first and second patient states are body temperature, heart rate, blood pressure, blood state, urine state, stool state, organ state, consciousness state, pain state, and joint movement state. Including at least one of The medical planning support system described in Appendix 1 or Appendix 2.
  • the recommended medical practice and the medical practice performed on the first and second patients include at least one of surgery, medication, radiation therapy, and rehabilitation therapy.
  • the medical plan support system according to any one of Supplementary note 1 to Supplementary note 3.
  • the surgery includes the part of the body to be operated on and the method of the operation.
  • the dosing treatment comprises at least one of the type, dosage and administration of the drug to be administered.
  • the radiation therapy includes at least one of the type of radiation used, the location and the irradiation time.
  • the rehabilitation treatment comprises at least one of a body part to be treated and a type of rehabilitation.
  • the estimation means performs the medical treatment recommended for the second patient based on the condition of the second patient, the medical treatment performed for the second patient, and the estimation model.
  • Estimate and The model generation means is When the change in the condition of the second patient indicates that the condition of the second patient has improved, the medical practice recommended for the second patient and the medical practice performed for the second patient.
  • the estimation model was updated so that the difference from the medical practice was small. If the change in the condition of the second patient indicates that the condition of the second patient has not improved, the medical practice recommended for the second patient and the medical practice for the second patient. Update the estimation model to make a greater difference from the medical practice performed, The medical plan support system described in Appendix 6.
  • (Appendix 8) Further provided with a classification means for classifying the medical practices performed on the second patient into groups based on their similarity and inputting the group into the model generation means.
  • the model generation means generates or updates the estimation model based on the group and the change in the condition of the second patient due to the medical practice performed on the second patient.
  • the estimation means estimates the group to which the recommended medical practice belongs.
  • the classification means classifies medical practices performed on the second patient into the group having a hierarchical structure based on the similarity.
  • the classification means includes a first medical practice using the first drug and a second medical practice using a second drug having the same effect as the first drug but different in type. , Classify into the same group, The medical planning support system described in Appendix 8 or Appendix 9.
  • the first drug is a brand-name drug
  • the second drug is a generic drug of the first drug.
  • the output means controls a display device to display the recommended medical practice when an input operation for inputting the patient state information regarding the first patient is performed on the estimation means.
  • the medical plan support system according to any one of Supplementary note 1 to Supplementary note 12.
  • the output means controls the display device to display information prompting an input operation by a doctor indicating whether or not to approve the recommended medical practice.
  • the estimation model is a change in the condition of the second patient and the medical treatment performed on the second patient and the medical treatment performed on the second patient. It is a model that learned the relationship with Medical plan support method.
  • the acquisition process for acquiring patient condition information regarding the condition of the first patient Based on the patient condition information acquired by the acquisition process and the estimation model, an estimation process for estimating the recommended medical practice recommended for the first patient, and an estimation process.
  • the estimation model is a change in the condition of the second patient and the medical treatment performed on the second patient and the medical treatment performed on the second patient. It is a model that learned the relationship with A recording medium containing a medical planning support program.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

医療計画支援システム４０は、第１の患者の状態に関する患者状態情報４００を取得する取得部と、第２の患者の状態４３１及び第２の患者に対して実施された医療行為４３２と第２の患者に対して実施された医療行為による第２の患者の状態の変化４３３との関係を学習したモデルである推定モデル４３と、取得部４１により取得される患者状態情報４００と推定モデル４３とに基づいて、第１の患者に対して推奨される推奨医療行為４２０を推定する推定部４２と、推定部４２により推定される推奨医療行為４２０を出力する出力部４４と、を備えることによって、患者の状態に応じた適切な医療行為を行うように、医療従事者を支援する。

Description

医療計画支援システム、医療計画支援装置、医療計画支援方法、及び、医療計画支援プログラムが格納された記録媒体
　本発明は、医療計画支援システム、医療計画支援装置、医療計画支援方法、及び、医療計画支援プログラムが格納された記録媒体に関する。
　急速に進展している機械学習の技術を利用することによって、医療現場をはじめとする様々な領域に従事する人々を支援することが期待されている。
　特許文献１には、複数の要素から構成される患者の診療データと、患者が入院した経験がある体調不良者または患者が入院したことがない通常者かのいずれかを特定する罹患情報とを含む医療用のデータ構造が開示されている。このデータ構造は、患者が回復患者に該当する場合において、重み付けルールにしたがって、診療データのいずれかの要素の重みを変更してテンソルデータを変更し、ターゲットコアテンソルと類似するようにコアテンソルを生成する教師有学習を実行する処理において用いられる。
　また、特許文献２には、それぞれに説明変数および目的変数を有する訓練データから、当該説明変数の組み合わせにより構成され、当該訓練データのいずれかを分類し、特定の条件を満たす仮説を列挙した仮説集合を生成する学習プログラムが開示されている。この学習プログラムは、当該訓練データそれぞれに対する、当該仮説集合に含まれる複数の仮説それぞれの成立有無に基づき、その複数の仮説それぞれの重みを算出する学習を行う。
特開２０２０－１０１９０１号公報 特開２０２０－０４６８８８号公報
Lu Wang, Wenchao Yu, Wei Wang, Wei Cheng, Martin Renqiang Min, Bo Zong, Xiaofeng He, Hongyuan Zha, Wei Zhang, Haifeng Chen, "Adversarial Cooperative Imitation Learning for Dynamic Treatment Regimes", WWW ‘20, April 20-24, 2020, Taipei, Taiwan, Pages 1785-1795
　医療現場では、通常、ある状態の患者に対する医療行為を、個々の医師の知識や経験に基づいて決定している。このため、医療行為を決定する際の判断基準としての正確性が十分ではなく、例えば知識や経験が不十分な医師等の医療従事者によって不適切な医療行為が行われることにより、患者の状態が改善しない、あるいは悪化する場合がある。特許文献１及び２は、この問題について言及していない。
　本発明の主たる目的は、患者の状態に応じた適切な医療行為を行うように、医療従事者を支援することができる医療計画支援システム等を提供することにある。
　本発明の一態様に係る医療計画支援システムは、第１の患者の状態に関する患者状態情報を取得する取得手段と、前記取得手段により取得される前記患者状態情報と推定モデルとに基づいて、前記第１の患者に対して推奨される推奨医療行為を推定する推定手段と、前記推定手段により推定される前記推奨医療行為を出力する出力手段と、を備え、前記推定モデルは、第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化との関係を学習したモデルである。
　上記目的を達成する他の見地において、本発明の一態様に係る医療計画支援方法は、情報処理装置によって、第１の患者の状態に関する患者状態情報を取得し、取得した前記患者状態情報と推定モデルとに基づいて、前記第１の患者に対して推奨される推奨医療行為を推定し、推定した前記推奨医療行為を出力し、前記推定モデルは、第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化との関係を学習したモデルである。
　また、上記目的を達成する更なる見地において、本発明の一態様に係る医療計画支援プログラムは、第１の患者の状態に関する患者状態情報を取得する取得処理と、前記取得処理により取得される前記患者状態情報と推定モデルとに基づいて、前記第１の患者に対して推奨される推奨医療行為を推定する推定処理と、前記推定処理により推定される前記推奨医療行為を出力する出力処理と、をコンピュータに実行させるためのプログラムであって、前記推定モデルは、第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化との関係を学習したモデルである。
　更に、本発明は、係る医療計画支援プログラム（コンピュータプログラム）が格納された、コンピュータ読み取り可能な、不揮発性の記録媒体によっても実現可能である。
　本発明によれば、患者の状態に応じた適切な医療行為を行うように、医療従事者を支援することができる医療計画支援システム等が得られる。
本発明の第１の実施形態に係る医療計画支援システム１０の構成を示すブロック図である。 本発明の第１の実施形態に係る患者状態情報１０１を例示する図である。 本発明の第１の実施形態に係る医療行為情報１０２を例示する図である。 本発明の第１の実施形態に係る状態変化情報１０３を例示する図である。 本発明の第１の実施形態に係る医療計画支援システム１０が推定モデル１４０を生成する（機械学習を行う）動作（処理）を示すフローチャートである。 本発明の第１の実施形態に係る出力部１６が、治療中の患者に関する患者状態情報１０１及び医療行為情報１０２、及び、推定された推奨医療行為１０４を表示画面２００に表示する態様を例示する図である。 本発明の第１の実施形態に係る医療計画支援システム１０が推奨医療行為１０４を推定する動作を示すフローチャートである。 本発明の第２の実施形態に係る医療計画支援システム４０の構成を示すブロック図である。 本発明の第１の実施形態に係る医療計画支援システム１０あるいは第２の実施形態に係る医療計画支援システム３０を実現可能な情報処理システム９００の構成を示すブロック図である。
　後述する実施形態を一例とするシステムは、ある入力情報から目的の事象を推定する場合において、機械学習（例えば、深層学習）によって生成した学習済モデル（推定モデルとも称する）を用いる。また、当該システムは、非特許文献１に示すＡＣＩＬ（Adversarial Cooperative Imitation Learning：敵対的協調模倣学習）、及び、ＳＡｉＬ（Skill Acquisition Learning：スキル獲得学習）という既存の機械学習の技術を利用してもよい。
　ＡＣＩＬは、過去の成功事例を入力し、成功事例における行動を模倣することを実現する技術であるＡＩＬ（Adversarial Imitation Learning：敵対的模倣学習）を応用し、失敗事例も入力することによって失敗を回避することを実現する技術である。そして、ＳＡｉＬは、複数の行動模倣器を備え、行動模倣器を状況に合わせて選択することによって、熟練者の行動を精度よく模倣（学習）することを実現する技術である。尚、後述する実施形態では、これらの技術の詳細な説明を省略する。
　以下、本発明の実施の形態について図面を参照して詳細に説明する。
　＜第１の実施形態＞
　図１は、本発明の第１の実施の形態に係る医療計画支援システム１０の構成を示すブロック図である。医療計画支援システム１０は、患者の状態に応じた適切な医療行為を決定できるように、医療従事者を支援するシステムである。但し、医療従事者は、医療行為を行う医師、及び、医師の指示に従って医師をサポートする看護師や理学療法士、作業療法士、放射線技師等を含む。
　医療計画支援システム１０は、患者の状態が改善した成功事例あるいは患者の状態が改善しなかった失敗事例としてラベル付けされた、過去に行われた様々な治療事例について、患者の状態及びその患者に対して行われた医療行為に関する情報を用いて、学習済モデル（推定モデルとも称する）を生成する。医療計画支援システム１０は、当該学習済モデルを用いて、治療中の患者の状態に応じて、その患者に対して行うことが推奨される医療行為を推定する。医療計画支援システム１０は、少なくとも１つ以上の情報処理装置によって構成される。
　医療計画支援システム１０には、管理端末装置２０（表示装置とも称する）、及び、医療機器３０が通信可能に接続されている。管理端末装置２０は、医療計画支援システム１０を使用する医療従事者が、医療計画支援システム１０に対して情報を入力したり、医療計画支援システム１０から出力された情報を確認したりする際に使用する、例えばパーソナルコンピュータ、その他の情報処理装置である。管理端末装置２０は、医療計画支援システム１０から出力された情報を表示する表示画面２００を備えている。
　医療機器３０は、例えば、体温や血圧等の患者の状態を測定する機器、あるいは、患者に投薬する医薬品の量を調整可能な機器などである。医療計画支援システム１０は、医療機器３０から患者の状態を表すデータを収集することが可能である。医療計画支援システム１０は、あるいは、医師が医療機器３０を使用した医療行為を行う際に、医療機器３０の動作を制御することが可能である。
　医療計画支援システム１０は、取得部１１、分類部１２、分析部１３、モデル生成部１４、推定部１５、及び、出力部１６を備えている。取得部１１、分類部１２、分析部１３、モデル生成部１４、推定部１５、及び、出力部１６は、順に、取得手段、分類手段、分析手段、モデル生成手段、推定手段、及び、出力手段の一例である。
　次に、本実施形態に係る医療計画支援システム１０が、治療中の患者（以下、「対象患者」ともいう）に対して行うことが推奨される医療行為である推奨医療行為１０４を推定するための推定モデル１４０を生成あるいは更新（再学習）する動作について説明する。その後に、その推定モデル１４０を用いて当該患者に対する推奨医療行為１０４を推定する動作について説明する。
　＜推定モデル１４０を生成（及び更新又は再学習）する動作＞
　まず、本実施形態に係る医療計画支援システム１０が、治療のための情報を取得してから治療中の患者に対して行うことが推奨される医療行為を推定するための推定モデル１４０を生成あるいは更新するまでの動作について説明する。
　取得部１１は、学習対象とする過去の治療事例に関する、患者状態情報１０１、医療行為情報１０２、及び、状態変化情報１０３を、ネットワークを介してコンピュータ装置あるいはデータベース（図示せず）から取得する。取得部１１は、例えば定期的に、患者状態情報１０１、医療行為情報１０２、及び、状態変化情報１０３を取得してもよい。取得部１１は、例えば、医療従事者が管理端末装置２０を介して入力した指示に応じて、患者状態情報１０１、医療行為情報１０２、及び、状態変化情報１０３を取得してもよい。
　取得部１１は、例えば、患者状態情報１０１、医療行為情報１０２、及び、状態変化情報１０３を送信する１つまたは複数のコンピュータ装置あるいはデータベースに接続する通信回路と、当該通信回路によって取得された情報を格納する記憶デバイスとを備える。記憶デバイスは、後述される図９に示す情報処理システム９００のハードディスク９０４あるいはＲＡＭ９０３でもよい。
　患者状態情報１０１は、患者ごとの状態の履歴を表す情報である。但し、患者の状態は、例えば、体温、心拍数、血圧、血中酸素濃度や血中に含まれる物質の量や濃度などの血液の状態、尿の色やにおいや含有物質などの尿の状態、便の状態、等である。患者の状態は、あるいは例えば、医師が患者を診断する際に得られた、意識レベルなどの意識の状態、痛みの有無や痛みの程度などの痛みの状態、関節の可動域などの関節の動きの状態、等である。患者の状態は、あるいは例えば、レントゲン等の医療機器によって得られた画像から医師が評価した臓器の状態等である。尚、患者状態情報は、当該患者の健康状態又は生体状態に関する情報であれば、上記のものに限定されない。
　上述した患者状態情報は、健康診断などの所定の検査において取得されたものでもよいし、診療や診断の際に取得されるものでもよいし、ウェアラブルデバイスにより取得されるものでもよい。
　図２は、本実施形態に係る患者状態情報１０１のデータを例示する図である。患者状態情報１０１は、患者Ａ、患者Ｂといった患者ごとに、患者の状態の履歴（推移）を表す。図２に例示する患者状態情報１０１は、患者の状態として、体温、心拍数、血圧、血糖値等を表すが、患者状態情報１０１が表す患者の状態は、これらに限定されない。
　また、図２に例示する患者状態情報１０１は、患者の状態を具体的な数値で表しているが、患者状態情報１０１は、例えば、各項目に関して正常値か異常値かを表すことによって、患者の状態を表すようにしてもよい。
　医療行為情報１０２は、各患者に対して行われた医療行為の履歴を表す情報である。例えば、医療行為は、手術、投薬治療、放射線治療、リハビリ治療等である。医療行為情報１０２は、例えば手術の場合、手術した体の部位、及び、手術の方法等を表す。手術の方法は、例えば、開腹手術、カテーテル手術等である。医療行為情報１０２は、例えば投薬治療の場合、投薬する薬の種別（名称等）、用法、投与量等を表す。医療行為情報１０２は、例えば放射線治療の場合、Ｘ線、γ線、電子線等の使用する放射線の種別と、照射箇所と、照射時間等とを表す。医療行為情報１０２は、例えばリハビリ治療の場合、治療した体の部位、及び、リハビリの具体的な種別等を表す。
　図３は、本実施形態に係る医療行為情報１０２を例示する図である。医療行為情報１０２は、患者Ａ、患者Ｂといった患者ごとに、行われた医療行為の履歴を表す。図３に例示する医療行為情報１０２は、患者Ａに対して継続的な投薬治療が行われていることを表している。
　状態変化情報１０３は、各患者の状態の変化の履歴を表す情報である。状態の変化とは、例えば、患者の状態が改善したのかあるいは悪化したのか、即ち、治療が成功したのかあるいは失敗したのかを表す。そして、患者の状態が改善したのかあるいは悪化したのかは、所定のＫＰＩ（Key Performance Indicator）を用いて定義された判定基準に基づいて、判定することができる。また、改善したか悪化したかだけでなく、ＫＰＩが所定の値以上改善も悪化もしていない場合には、「現状維持」など患者の状態が変わらないことを示すようにしてもよい。
　ＫＰＩとしては、上述した患者の状態を表す様々な指標（例えば、体温、血圧、血糖値等）が使用可能である。そして当該判定基準は、例えば、これらの指標が所定の基準値以上に上昇した場合、状態が悪化したことを示し、これらの指標が所定の基準値以下に低下した場合、状態が改善したことを示すようにすればよい。
　図４は、本実施形態に係る状態変化情報１０３を例示する図である。状態変化情報１０３は、患者Ａ、患者Ｂといった患者ごとに、状態の改善あるいは悪化の履歴を表す。図４に例示する状態変化情報１０３によれば、患者Ａは、２０２０年８月２４日の１１時に発熱し、状態が悪化している。このため、図３に例示する医療行為情報１０２が示す通り、２０２０年８月２４日の１１時１０分に、患者Ａに対して、医薬品Ｚを２単位投与する医療行為が行われている。この結果、図２に例示する患者状態情報１０１、及び、図４に例示する状態変化情報１０３が示す通り、患者Ａの体温は、２０２０年８月２４日の１９時に平熱まで低下し、状態が改善している。図２乃至図４に例示する上述した例は、患者Ａに対して行われた、医薬品Ｚを２単位投与する治療が成功したことを示している。
　尚、取得部１１は、状態変化情報１０３を外部から取得せずに、患者状態情報１０１から生成するようにしてもよい。取得部１１は、患者状態情報１０１が示す患者の状態の履歴から、患者の状態の変化を求めることができる。そして取得部１１は、事前に与えられた、上述した所定のＫＰＩを用いて定義された判定基準に基づいて、患者の状態が改善したのかあるいは悪化したのかを判定すればよい。
　取得部１１は、上述の通りに取得した、患者状態情報１０１、医療行為情報１０２、及び、状態変化情報１０３を、図示しない記憶デバイス（例えばメモリやハードディスク等）に格納する。
　モデル生成部１４は、取得部１１によって取得された患者状態情報１０１、医療行為情報１０２、及び、状態変化情報１０３を教師データとして、機械学習によって、後述する推定部１５が推奨医療行為１０４を推定する際に用いる推定モデル１４０（学習済モデル）を生成する。推定モデル１４０は、過去の患者の状態及びその過去の患者に対する実施医療行為と、当該実施医療行為による当該過去の患者の状態の変化との関係を学習することにより、生成される。例えば、モデル生成部１４は、上述した機械学習の技術であるＡＣＩＬ及びＳＡｉＬによって、推定モデル１４０を生成あるいは更新する。モデル生成部１４は、プロセッサによって、上述した教師データを用いる推定モデル１４０を生成あるいは更新する機械学習を行う。
　患者状態情報１０１、医療行為情報１０２、及び、状態変化情報１０３によって表される学習対象とする治療事例は、状態変化情報１０３によって示される、患者の状態が悪化したのか改善したのかの判定結果によって、成功事例あるいは失敗事例としてラベル付けされている。上述した、発熱した患者Ａに対して医薬品Ｚを２単位投与した治療事例は、図２乃至図４に示す通り、成功事例である。
　尚、例えば、ある医療行為の後、長い時間が経過してから患者の状態が変化（改善あるいは悪化）したような治療事例では、医療行為と患者の状態との因果関係の見極めが難しい。このような治療事例に関しては、例えば、専門家によって長期的な視点で成功事例か失敗事例かが判定された実証済みの研究データを、教師データとして用いることができる。
　モデル生成部１４は、推定モデル１４０を生成あるいは更新する際に、教師データに関して後述する推定部１５が過去の患者に対して推奨される医療行為を推定した結果を用いることができる。
　例えば、上述した図２及び図３に示す例では、推定部１５は、医薬品Ｘと医薬品Ｙとにより投薬治療が行われている患者が発熱したときにその患者に対して推奨される医療行為を推定する。尚、この場合、上述した通り、医薬品Ｚを２単位投与することによって患者の状態が改善したという実績があるが、推定部１５は、この実績を参照せずに、推奨される医療行為を推定する。
　モデル生成部１４は、状態変化情報１０３に基づいて、教師データが成功事例を示すのか、あるいは失敗事例を示すのかを判定する。モデル生成部１４は、教師データが成功事例を示す場合、推定部１５による推奨される医療行為の推定結果が、医療行為情報１０２が示す実際に行われた医療行為により近くなる（類似する）ように、推定モデル１４０を生成あるいは更新する。
　例えば、成功事例を示す当該教師データに対して、推定部１５が、推奨される医療行為として、医薬品Ｚを１単位投与することを推定したとする。この場合、モデル生成部１４は、推定部１５が実際に行われた医薬品Ｚを２単位投与することを推奨される医療行為として推定できるように、推定モデル１４０を生成あるいは更新する。即ち、モデル生成部１４は、推定部１５が、成功事例において行われた医療行為により近い（類似する）医療行為を推定できるように、推定モデル１４０を生成あるいは更新する。
　また、モデル生成部１４は、教師データが上述した例とは逆に失敗事例を示す場合、推定部１５による推奨される医療行為の推定結果が、医療行為情報１０２が示す実際に行われた医療行為からより遠くなる（異なる）ように、推定モデル１４０を生成あるいは更新する。
　例えば、図２乃至図４に例示する医薬品Ｘ及び医薬品Ｙにより投薬治療が行われている患者が発熱した場合において、当該患者に医薬品Ｚを２単位投与したものの、当該患者の状態が改善しなかったこととする。即ち、この場合の教師データは、失敗事例を示している。
　このような失敗事例を示す当該教師データに対して、推定部１５が、例えば、推奨される医療行為として、医薬品Ｚを１単位投与することを推定したとする。この場合、モデル生成部１４は、このような実際に行われた医薬品Ｚを２単位投与することに類似する医療行為を、推奨される医療行為として推定しないように、推定モデル１４０を生成あるいは更新する。即ち、モデル生成部１４は、推定部１５が、例えば、医薬品Ｚとは異なる医薬品を投与する医療行為を推奨される医療行為として推定するように、推定モデル１４０を生成あるいは更新する。
　モデル生成部１４は、上述の通りに生成あるいは更新した推定モデル１４０を、図示しない不揮発性の記憶デバイスに格納する。モデル生成部１４は、例えば所定時間ごとに、推定モデル１４０を更新（再学習ともいう）することにより、推定精度を漸次向上することができる。
　図１に示す分類部１２は、取得部１１によって取得された医療行為情報１０２が示す医療行為を、その類似性に基づいてグループに分類し、そのグループの内容をモデル生成部１４に入力する。但し、分類部１２には、例えば医療従事者等によって、分類するための基準が事前に与えられていることとする。分類部１２は、例えば、グループを識別可能な識別子をモデル生成部１４に入力してもよい。
　分類部１２は、例えば、第１の医薬品を使用した医療行為と、その第１の薬と効果が同等であって名称等の種別が異なる第２の医薬品を用いた医療行為とを、同一のグループに分類する。より具体的には、第１の医薬品は先発医薬品であり、第２の医薬品は後発医薬品（ジェネリック医薬品）である。
　分類部１２は、このような投薬治療の他、手術、放射線治療、リハビリ治療等の医療行為に関しても、その類似性に基づいてグループに分類すればよい。
　分類部１２は、また、医療行為を、その類似性に基づく階層構造を有するグループに分類してもよい。例えば、分類部１２は、がん患者に対して行われる医療行為を、手術、投薬治療、放射線治療という粒度の大きなグループに分類する。そして、分類部１２は、例えば、手術の方式、使用する医薬品の種別、使用する放射線の種別等に基づいて、医療行為を、大きなグループに属する粒度のより小さなグループに分類する。
　モデル生成部１４は、分類部１２から上述したグループを入力された場合、医療行為として、グループを用いて、推定モデル１４０を生成あるいは更新する。この場合、推定部１５は、医療行為のグループを用いて生成された推定モデル１４０に基づいて、医療行為のグループを推奨される医療行為として推定する。
　図１に示す分析部１３は、取得部１１によって取得された患者状態情報１０１、医療行為情報１０２、及び、状態変化情報１０３において、複数の医療行為の組み合わせが患者の状態に影響を与えたことを示すか否かを分析する。分析部１３は、例えば、患者に対して、同等のタイミングに複数の医療行為を行い、その結果として、患者の状態が改善あるいは悪化したことが認められる場合、それらの医療行為の組み合わせが患者の状態に影響を与えたと判定する。分析部１３には、複数の医療行為の組み合わせが患者の状態に影響を与えたことを示すと判定するための基準が、例えば医療従事者等によって、事前に与えられていることとする。
　複数の医療行為の組み合わせとは、例えば、複数の医薬品の組み合わせによる投薬治療である。複数の医療行為の組み合わせは、あるいは例えば、手術、投薬治療、放射線治療、リハビリ治療のうちの２つ以上の医療行為の組み合わせであってもよい。
　分析部１３は、上述の分析の結果、ある医療行為の組み合わせが、患者の状態に影響を与えたことが判明した場合、その組み合わせをモデル生成部１４に入力する。組み合わせは、組み合わされる医療行為に関するデータである。
　モデル生成部１４は、分析部１３から上述した組み合わせを入力された場合、医療行為として、組み合わせを用いて、推定モデル１４０を生成あるいは更新する。この場合、推定部１５は、医療行為の組み合わせを用いて生成された推定モデル１４０に基づいて、医療行為の組み合わせを推奨される医療行為として推定する。
　次に図５のフローチャートを参照して、本実施形態に係る医療計画支援システム１０が推定モデル１４０を生成する（機械学習を行う）動作（処理）について詳細に説明する。
　取得部１１は、過去に治療した患者に関する患者状態情報１０１、医療行為情報１０２、及び、状態変化情報１０３を取得する（ステップＳ１０１）。推定部１５は、取得部１１によって取得された当該患者に関する患者状態情報１０１、医療行為情報１０２、及び、推定モデル１４０に基づいて、当該患者に対して推奨される医療行為を推定する（ステップＳ１０２）。
　モデル生成部１４は、状態変化情報１０３が、当該患者の状態が改善したことを示すか否か（即ち、入力された治療事例が成功事例であるのか失敗事例であるのか）を確認する（ステップＳ１０３）。
　状態変化情報１０３が、当該患者の状態が改善している（即ち、入力された治療事例が成功事例である）ことを示す場合（ステップＳ１０４でＹｅｓ）、処理はステップＳ１０５に進む。モデル生成部１４は、当該患者に対して推奨される医療行為の推定結果と、医療行為情報１０２が示す実施医療行為との差分がより小さくなるように、推定モデル１４０を生成あるいは更新し（ステップＳ１０５）、全体の処理は終了する。
　状態変化情報１０３が、当該患者の状態が改善していない（即ち、入力された治療事例が失敗事例である）ことを示す場合（ステップＳ１０４でＹｅｓ）、処理はステップＳ１０６に進む。モデル生成部１４は、当該患者に対して推奨される医療行為の推定結果と、医療行為情報１０２が示す実施医療行為との差分がより大きくなるように、推定モデル１４０を生成あるいは更新し（ステップＳ１０６）、全体の処理は終了する。
　＜治療中の患者に対して行うことが推奨される医療行為を推定する動作＞
　次に、本実施形態に係る医療計画支援システム１０が、生成あるいは更新した推定モデル１４０を用いて、治療中の患者に対して行うことが推奨される医療行為を推定する動作について説明する。
　取得部１１は、医療計画支援システム１０が推定モデル１４０を生成するときと同様に、患者状態情報１０１、及び、医療行為情報１０２を、外部の装置（図示せず）から取得する。但し、取得部１１は、これらの情報を、上述した教師データとして取得するのではなく、治療中の患者（第１の患者とも称する）に対して行うことが推奨される医療行為に関する推定対象のデータとして取得する。
　そして上述の通り、過去に治療した患者（第２の患者とも称する）に関する、患者状態情報１０１、医療行為情報１０２、及び、状態変化情報１０３に基づいて推定モデル１４０が生成されていることとする。この場合、取得部１１は、例えば医師等の医療従事者が管理端末装置２０を介して入力した、治療中の患者に関する患者状態情報１０１及び医療行為情報１０２を取得する。治療中の患者に関する患者状態情報１０１、及び、医療行為情報１０２の態様は、図２及び図３に示す、推定モデル１４０の生成に用いた患者状態情報１０１、及び、医療行為情報１０２と同様である。
　図６は、本実施形態に係る出力部１６が、治療中の患者に関する患者状態情報１０１及び医療行為情報１０２、及び、推定部１５によって推定された推奨医療行為１０４を表示画面２００に表示する態様を例示する図である。
　図６に例示する表示画面２００は、医療従事者のうちの医師が、管理端末装置２０を介して医療計画支援システム１０に自分のＩＤ（Identification）でログインしたのちに、出力部１６によって表示される。出力部１６は、複数の患者の中からいずれかの患者を選択する図示しない画面において、医師が患者Ａを選択した入力操作に応じて、図６に例示する表示画面２００を表示する。
　出力部１６は、対象患者に関する患者状態情報１０１と、医療行為情報１０２と、状態変化情報１０３との少なくとも一つを出力する。
　例えば、出力部１６は、表示制御部として、図６に例示する通り、患者Ａに関する、患者状態情報１０１と、医療行為情報１０２とを、表示画面２００に表示する。患者状態情報１０１及び医療行為情報１０２は、図６に例示する表示画面２００において、医師による入力操作によって入力された情報の他、医療機器３０から収集した情報、あるいは、看護師等の医療従事者が管理端末装置２０を介して別途入力した情報等を含んでもよい。
　図６に例示する表示画面２００において、医師によって入力された治療中の患者Ａに関する患者状態情報１０１及び医療行為情報１０２は、医療計画支援システム１０によって、患者状態情報１０１及び医療行為情報１０２を管理するコンピュータ装置あるいはデータベースに格納される。
　推定部１５は、取得部１１によって取得された、治療中の患者に関する患者状態情報１０１及び医療行為情報１０２と、推定モデル１４０とに基づいて、治療中の患者に対して行うことが推奨される医療行為である推奨医療行為１０４を推定する。また、推定部１５は、教師データとして入力された患者状態情報１０１及び医療行為情報１０２と、推定モデル１４０とに基づいて、推奨される医療行為を推定する機能を有する 。
　推定部１５は、推定モデル１４０が分類部１２の上述した動作によって医療行為のグループを用いて生成されている場合、医療行為のグループを推奨医療行為１０４として推定する場合がある。
　推定部１５は、推定モデル１４０が分析部１３の上述した動作によって医療行為の組み合わせを用いて生成されている場合、医療行為の組み合わせを推奨医療行為１０４として推定する場合がある。例えば、医療行為の組み合わせを推奨医療行為１０４は、「カテーテル手術を行い、その後医薬品Ｘを１週間一日朝晩の２回点滴投与する」など、複数の医療行為を含む一連の医療行為である。
　推定部１５は、推定した推奨医療行為１０４を、出力部１６へ出力する。推定部１５は、この際、推奨医療行為１０４を推定した理由もあわせて、出力部１６へ出力してもよい。推定部１５は、深層学習におけるアテンション技術を備えることによって、推定理由を出力することができる。
　出力部１６は、推定部１５により推定される推奨医療行為を出力する。例えば、出力部１６は、表示制御部として、推定部１５から入力された推奨医療行為１０４を、管理端末装置２０における表示画面２００に表示する。すなわち、出力部１６は、管理端末装置２０の表示画面２００に、推奨医療行為１０４を表示するよう、管理端末装置２０を制御する。出力部１６は、表示画面２００において、医師が患者Ａに関する患者状態情報１０１及び医療行為情報１０２を入力する入力操作を完了したタイミングで、その入力操作に対するフィードバックとして、推奨医療行為１０４を表示画面２００に表示するようにしてもよい。
　図６に示す例では、推定部１５は、医薬品Ｘ及び医薬品Ｙによる投薬治療が行われている患者Ａに対して、「９時に医薬品Ｘ、医薬品Ｙを各１単位、２０時に医薬品Ｘを１単位投与することを継続」することを示す推奨医療行為１０４を推定している。推定部１５は、あるいは例えば、リハビリ治療が行われている患者Ｂに対して、「下部体幹を安定させ足関節の背屈の可動域を高めるリハビリ治療を行う」というような推奨医療行為１０４を推定する。
　また、出力部１６は、図６に例示する通り、表示画面２００に表示された推奨医療行為１０４を承認するか否かを示す医師による入力操作を促すために、表示画面２００に「承認」ボタンを表示する。
　出力部１６は、例えば、医師によって当該「承認」ボタンがマウス操作やタッチ操作により選択された場合、医師が表示画面２００に表示されている推奨医療行為１０４を行う際に使用する医療機器３０の制御情報を生成し、生成した当該制御情報を医療機器３０に送信する。
　次に図７のフローチャートを参照して、本実施形態に係る医療計画支援システム１０が推奨医療行為１０４を推定する動作（処理）について詳細に説明する。
　治療中の患者に関する患者状態情報１０１及び医療行為情報１０２が、管理端末装置２０を介して入力される（ステップＳ２０１）。推定部１５は、入力された患者状態情報１０１及び医療行為情報１０２と、推定モデル１４０とに基づいて、当該患者に対する推奨医療行為１０４を推定する（ステップＳ２０２）。
　出力部１６は、推定部１５によって推定された推奨医療行為１０４を表示画面２００に表示するとともに、推奨医療行為１０４を承認するか否かを示す医師による入力操作を促す情報を表示画面２００に表示する（ステップＳ２０３）。
　表示画面２００において、医師により、推奨医療行為１０４を承認する入力操作が行われない場合（ステップＳ２０４でＮｏ）、全体の処理は終了する。表示画面２００において、医師により、推奨医療行為１０４を承認する入力操作が行われた場合（ステップＳ２０４でＹｅｓ）、出力部１６は、推奨医療行為１０４を行う医療機器３０の制御情報を生成し、生成した当該制御情報を医療機器３０に出力し、全体の処理は終了する。
　本実施形態に係る医療計画支援システム１０は、患者の状態に応じた適切な医療行為を行うように、医療従事者を支援することができる。その理由は、医療計画支援システム１０は、現在治療中の患者の状態と、過去の治療事例から生成した推定モデル１４０とに基づいて、現在治療中の患者に対して推奨される医療行為を推定するからである。
　以下に、本実施形態に係る医療計画支援システム１０によって実現される効果について、詳細に説明する。
　医療現場では、通常、ある状態の患者に対する医療行為を、個々の医師の知識や経験に基づいて決定している。このため、医療行為を決定する際の判断基準としての正確性が十分ではなく、例えば知識や経験が不十分な医師等の医療従事者によって不適切な医療行為が行われることにより、患者の状態が改善しない、あるいは悪化する場合がある。
　このような問題に対して、本実施形態に係る医療計画支援システム１０は、取得部１１と、推定モデル１４０と、推定部１５と、出力部１６とを備え、例えば図１乃至図７を参照して上述した通り動作する。即ち、取得部１１は、治療中の患者（第１の患者）の状態に関する患者状態情報１０１を取得する。推定モデル１４０は、過去の患者（第２の患者）の状態及びその過去の患者に対して実施された医療行為と、当該実施医療行為による当該過去の患者の状態の変化との関係を学習したモデルである。そして推定部１５は、治療中の患者の状態に関する患者状態情報１０１と推定モデル１４０とに基づいて、治療中の患者に対して推奨される推奨医療行為１０４を推定する。これにより医療計画支援システム１０は、例えば知識や経験が不十分な医師等の医療従事者が、不適切な医療行為を行わないように、患者の治療を好適に支援することができる。
　また、本実施形態に係る医療計画支援システム１０は、過去の患者に関する患者状態情報１０１と医療行為情報１０２と状態変化情報１０３とに基づいて、推定モデル１４０を生成あるいは更新するモデル生成部１４を備える。医療計画支援システム１０は、推定モデル１４０を生成あるいは更新する過程において、推定部１５により、過去の患者に関する患者状態情報１０１及び医療行為情報１０２と、推定モデル１４０とに基づいて、当該過去の患者に対して推奨される医療行為を推定する。そしてモデル生成部１４は、治療の成功事例において実際に行われた医療行為と推定部１５により推定された医療行為との差分がより小さくなるように、推定モデル１４０を更新する。モデル生成部１４は、あるいは、治療の失敗事例において実際に行われた医療行為と推定部１５により推定された医療行為との差分がより大きくなるように、推定モデル１４０を更新する。即ち、医療計画支援システム１０は、治療の成功事例と失敗事例との両方を教師データとして使用することによって推定モデル１４０を更新するので、精度が高い推定を実現する推定モデル１４０を、短期間で構築することができる。
　また、推奨する医療行為を推定モデル１４０を用いて推定する場合において、次のような課題がある。例えば、先発医薬品と後発医薬品のような、効果は同等であるが種別（名称等）が異なる医薬品があるように、効果が同等である（即ち類似する）複数の医療行為がある。このような複数の医療行為を別々のものとして扱った場合、個々の医療行為に関するサンプル数が少なくなるので、教師データとしての精度が低下する要因となる。このような問題に対して、本実施形態に係る医療計画支援システム１０は、医療行為をその類似性に基づいてグループに分類し、そのグループをモデル生成部１４に入力する分類部１２を備え、推定モデル１４０の生成及び推奨医療行為１０４の推定において、グループを単位とした処理を行う。これにより、医療計画支援システム１０は、上述した教師データとしての精度が低下するという問題を解決することができる。
　また、推奨する医療行為を推定モデル１４０を用いて推定する場合において、次のような別の課題がある。例えばリハビリ治療などでは、複数の医療行為（施術）を組み合わせて実施することによって治療の効果が得られる場合がある。あるいは、複数の医薬品の組み合わせによって、副作用が生じることがある。したがって、単体の医療行為のみに着目した場合、上述した複数の医療行為の組み合わせによる影響を捉えることができず、教師データとしての精度が低下する要因となる。このような問題に対して、本実施形態に係る医療計画支援システム１０は、複数の医療行為の組み合わせが患者の状態に影響を与えたか否かを分析し、患者の状態に影響を与えた組み合わせをモデル生成部１４に入力する分析部１３を備え、推定モデル１４０の生成及び推奨医療行為１０４の推定において、その組み合わせを単位とした処理を行う。これにより、医療計画支援システム１０は、上述した教師データとしての精度が低下するという問題を解決することができる。
　また、本実施形態に係る医療計画支援システム１０は、表示画面２００において治療中の患者の状態や行った医療行為を入力する入力操作が行われたときに、そのフィードバックとして推奨医療行為１０４を表示する。これにより、医療計画支援システム１０は、医師等の医療従事者の作業効率を向上することができる。
　また、本実施形態に係る医療計画支援システム１０は、表示画面２００に推奨医療行為１０４を承認するか否かを示す医師による入力操作を促す「承認」ボタンを、表示画面２００に表示する。そして医療計画支援システム１０は、医師によって推奨医療行為１０４が承認された場合、推奨医療行為１０４を行う医療機器３０の制御情報を生成し、当該制御情報を医療機器３０に出力する。これにより、医療計画支援システム１０は、医師によって承認されていない不適切な医療行為が誤って行われることを回避することができる。
　＜第２の実施形態＞
　図８は、本発明の第２の実施形態に係る医療計画支援システム４０の構成を示すブロック図である。医療計画支援システム４０は、取得部４１、推定モデル４３を使用する推定部４２、及び、出力部４４を備えている。但し、取得部４１、推定部４２、出力部４４は、順に、取得手段、推定手段、出力手段の一例である。
　取得部４１は、第１の患者の状態に関する患者状態情報４００を取得する。取得部４１は、例えば、第１の実施形態に係る取得部１１と同様に動作する。第１の患者は、例えば、第１の実施形態と同様に、現在治療中の患者（すなわち、対象患者）である。
　推定モデル４３は、第２の患者の状態４３１及び第２の患者に対して実施された医療行為４３２と、第２の患者に対して実施された医療行為４３２による第２の患者の状態の変化４３３との関係を学習し、生成されるモデルである。第２の患者は、例えば、第１の実施形態と同様に、過去の患者である。推定モデル４３は、例えば第１の実施形態に係る推定モデル１４０と同様に、第２の患者の状態４３１及び第２の患者に対して実施された医療行為４３２と、第２の患者に対して実施された医療行為４３２による第２の患者の状態の変化４３３との関係について機械学習を行った結果を表す学習済モデルである。
　第２の患者の状態４３１は、例えば、第１の実施形態において図２を参照して説明した患者状態情報１０１と同様な情報であればよい。第２の患者に対して実施された医療行為４３２は、例えば、第１の実施形態において図３を参照して説明した医療行為情報１０２と同様な情報であればよい。第２の患者の状態の変化４３３は、例えば、第１の実施形態において図４を参照して説明した状態変化情報１０３と同様な情報であればよい。
　推定部４２は、取得部４１によって取得された患者状態情報４００と推定モデル４３とに基づいて、第１の患者に対して推奨される推奨医療行為４２０を推定する。推定部４２は、より詳細には、例えば第１の実施形態に係る推定部１５と同様に動作することによって、推奨医療行為４２０を推定する。
　出力部４４は、推定部４２により推定された推奨医療行為４２０を出力する。出力部４４は、例えば第１の実施形態に係る出力部１６と同様に動作する。
　本実施形態に係る医療計画支援システム４０は、患者の状態に応じた適切な医療行為を行うように、医療従事者を支援することができる。その理由は、医療計画支援システム４０は、現在治療中の患者の状態と、過去の治療事例から生成した推定モデル４３とに基づいて、現在治療中の患者に対して推奨される医療行為を推定するからである。
　＜ハードウェア構成例＞
　上述した各実施形態において図１に示した医療計画支援システム１０、あるいは、図８に示した医療計画支援システム４０における各部は、専用のＨＷ（ＨａｒｄＷａｒｅ）（電子回路）によって実現することができる。また、図１及び図８において、少なくとも、下記構成は、ソフトウェアプログラムの機能（処理）単位（ソフトウェアモジュール）と捉えることができる。
・取得部１１及び４１、
・分類部１２、
・分析部１３、
・モデル生成部１４、
・推定部１５及び４２、
・出力部１６及び４４。
　但し、これらの図面に示した各部の区分けは、説明の便宜上の構成であり、実装に際しては、様々な構成が想定され得る。この場合のハードウェア環境の一例を、図９を参照して説明する。
　図９は、本発明の第１の実施形態に係る医療計画支援システム１０あるいは第２の実施形態に係る医療計画支援システム４０を実現可能な情報処理システム９００（コンピュータシステム）の構成を例示的に説明する図である。即ち、図９は、図１及び図８に示した医療計画支援システム１０及び４０を実現可能な少なくとも１つのコンピュータ（情報処理装置）の構成であって、上述した実施形態における各機能を実現可能なハードウェア環境を表す。
　図９に示した情報処理システム９００は、構成要素として下記を備えているが、下記のうちの一部の構成要素を備えない場合もある。
・ＣＰＵ（Ｃｅｎｔｒａｌ＿Ｐｒｏｃｅｓｓｉｎｇ＿Ｕｎｉｔ）９０１、
・ＲＯＭ（Ｒｅａｄ＿Ｏｎｌｙ＿Ｍｅｍｏｒｙ）９０２、
・ＲＡＭ（Ｒａｎｄｏｍ＿Ａｃｃｅｓｓ＿Ｍｅｍｏｒｙ）９０３、
・ハードディスク（記憶装置）９０４、
・外部装置との通信インタフェース９０５、
・バス９０６（通信線）、
・ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ＿Ｄｉｓｃ＿Ｒｅａｄ＿Ｏｎｌｙ＿Ｍｅｍｏｒｙ）等の記録媒体９０７に格納されたデータを読み書き可能なリーダライタ９０８、
・モニターやスピーカ、キーボード等の入出力インタフェース９０９。
　即ち、上記構成要素を備える情報処理システム９００は、これらの構成がバス９０６を介して接続された一般的なコンピュータである。情報処理システム９００は、ＣＰＵ９０１を複数備える場合もあれば、マルチコアにより構成されたＣＰＵ９０１を備える場合もある。情報処理システム９００は、ＣＰＵ９０１に加えてＧＰＵ（Ｇｒａｐｈｉｃａｌ＿Ｐｒｏｃｅｓｓｉｎｇ＿Ｕｎｉｔ）（不図示）を備えてもよい。
　そして、上述した実施形態を例に説明した本発明は、図９に示した情報処理システム９００に対して、次の機能を実現可能なコンピュータプログラムを供給する。その機能とは、その実施形態の説明において参照したブロック構成図（図１及び図８）における上述した構成、或いはフローチャート（図５及び図７）の機能である。本発明は、その後、そのコンピュータプログラムを、当該ハードウェアのＣＰＵ９０１に読み出して解釈し実行することによって達成される。また、当該装置内に供給されたコンピュータプログラムは、読み書き可能な揮発性のメモリ（ＲＡＭ９０３）、または、ＲＯＭ９０２やハードディスク９０４等の不揮発性の記憶デバイスに格納すれば良い。
　また、前記の場合において、当該ハードウェア内へのコンピュータプログラムの供給方法は、現在では一般的な手順を採用することができる。その手順としては、例えば、ＣＤ－ＲＯＭ等の各種記録媒体９０７を介して当該装置内にインストールする方法や、インターネット等の通信回線を介して外部よりダウンロードする方法等がある。そして、このような場合において、本発明は、係るコンピュータプログラムを構成するコード或いは、そのコードが格納された記録媒体９０７によって構成されると捉えることができる。
　以上、上述した実施形態を模範的な例として本発明を説明した。しかしながら、本発明は、上述した実施形態には限定されない。即ち、本発明は、本発明のスコープ内において、当業者が理解し得る様々な態様を適用することができる。
　尚、上述した各実施形態の一部又は全部は、以下の付記のようにも記載されうる。しかしながら、上述した各実施形態により例示的に説明した本発明は、以下には限られない。
　（付記１）
　第１の患者の状態に関する患者状態情報を取得する取得手段と、
　前記取得手段により取得される前記患者状態情報と推定モデルとに基づいて、前記第１の患者に対して推奨される推奨医療行為を推定する推定手段と、
　前記推定手段により推定される前記推奨医療行為を出力する出力手段と、
　を備え、
　前記推定モデルは、第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化との関係を学習したモデルである、
　医療計画支援システム。
　（付記２）
　前記第１の患者に関する前記患者状態情報は、前記第１の患者の生体状態の履歴と前記第１の患者に対して実施された医療行為の履歴とを含む、
　付記１に記載の医療計画支援システム。
　（付記３）
　前記第１及び第２の患者の状態は、体温、心拍数、血圧、血液の状態、尿の状態、便の状態、臓器の状態、意識の状態、痛みの状態、及び、関節の動きの状態の少なくとも一つを含む、
　付記１または付記２に記載の医療計画支援システム。
　（付記４）
　前記推奨医療行為、及び、前記第１及び第２の患者に対して実施された医療行為は、手術、投薬治療、放射線治療、及び、リハビリ治療の少なくとも一つを含む、
　付記１乃至付記３のいずれか一項に記載の医療計画支援システム。
　（付記５）
　前記手術は、手術する体の部位と手術の方法とを含み、
　前記投薬治療は、投薬する薬の種別と用法と投与量との少なくとも一つを含み、
　前記放射線治療は、使用する放射線の種別と照射箇所と照射時間との少なくとも一つを含み、
　前記リハビリ治療は、治療する体の部位とリハビリの種別との少なくとも一つを含む、
　付記４に記載の医療計画支援システム。
　（付記６）
　前記第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化と、に基づいて、前記推定モデルを生成あるいは更新するモデル生成手段をさらに備える、
　付記１乃至付記５のいずれか一項に記載の医療計画支援システム。
　（付記７）
　前記推定手段は、前記第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記推定モデルとに基づいて、前記第２の患者に対して推奨される医療行為を推定し、
　前記モデル生成手段は、
　　前記第２の患者の状態の変化が前記第２の患者の状態が改善したことを示す場合、前記第２の患者に対して推奨される医療行為と、前記第２の患者に対して実施された医療行為との違いが小さくなるように前記推定モデルを更新し、
　　前記第２の患者の状態の変化が前記第２の患者の状態が改善していないことを示す場合、前記第２の患者に対して推奨される医療行為と、前記第２の患者に対して実施された医療行為との違いが大きくなるように前記推定モデルを更新する、
　付記６に記載の医療計画支援システム。
　（付記８）
　前記第２の患者に対して実施された医療行為をその類似性に基づいてグループに分類し、前記グループを前記モデル生成手段に入力する分類手段をさらに備え、
　前記モデル生成手段は、前記グループと、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化と、に基づいて、前記推定モデルを生成あるいは更新し、
　前記推定手段は、前記推奨医療行為が属する前記グループを推定する、
　付記６または付記７に記載の医療計画支援システム。
　（付記９）
　前記分類手段は、前記第２の患者に対して実施された医療行為を、前記類似性に基づく階層構造を有する前記グループに分類する、
　付記８に記載の医療計画支援システム。
　（付記１０）
　前記分類手段は、第１の薬を使用した第１の前記医療行為と、前記第１の薬と効果が同等であって種別が異なる第２の薬を使用した第２の前記医療行為とを、同一の前記グループに分類する、
　付記８または付記９に記載の医療計画支援システム。
　（付記１１）
　前記第１の薬は先発医薬品であり、前記第２の薬は前記第１の薬の後発医薬品である、
　付記１０に記載の医療計画支援システム。
　（付記１２）
　前記第２の患者に対して実施された複数の医療行為の組み合わせが前記第２の患者の状態に影響を与えたか否かを分析し、前記第２の患者の状態に影響を与えた前記組み合わせを前記モデル生成手段に入力する分析手段をさらに備え、
　前記モデル生成手段は、前記第２の患者に対して実施された医療行為として前記組み合わせを使用し、
　前記推定手段は、前記第１の患者に対して推奨される前記組み合わせを推定する、
　付記６乃至付記１１のいずれか一項に記載の医療計画支援システム。
　（付記１３）
　前記出力手段は、前記推定手段に対して前記第１の患者に関する前記患者状態情報を入力する入力操作が行われたときに、前記推奨医療行為を表示するよう表示装置を制御する、
　付記１乃至付記１２のいずれか一項に記載の医療計画支援システム。
　（付記１４）
　前記出力手段は、前記推奨医療行為を承認するか否かを示す医師による入力操作を促す情報を表示するよう前記表示装置を制御する、
　付記１３に記載の医療計画支援システム。
　（付記１５）
　前記出力手段は、前記医師による入力操作が前記推奨医療行為を承認することを示す場合、前記推奨医療行為を行う医療機器の制御情報を生成し、生成した前記制御情報を前記医療機器に出力する、
　付記１４に記載の医療計画支援システム。
　（付記１６）
　第１の患者の状態に関する患者状態情報を取得する取得手段と、
　前記取得手段により取得される前記患者状態情報と推定モデルとに基づいて、前記第１の患者に対して推奨される推奨医療行為を推定する推定手段と、
　前記推定手段により推定される前記推奨医療行為を出力する出力手段と、
を備え、
　前記推定モデルは、第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化との関係を学習したモデルである、
　医療計画支援装置。
　（付記１７）
　情報処理装置によって、
　　第１の患者の状態に関する患者状態情報を取得し、
　　取得した前記患者状態情報と推定モデルとに基づいて、前記第１の患者に対して推奨される推奨医療行為を推定し、
　　推定した前記推奨医療行為を出力し、
　前記推定モデルは、第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化との関係を学習したモデルである、
　医療計画支援方法。
　（付記１８）
　第１の患者の状態に関する患者状態情報を取得する取得処理と、
　前記取得処理により取得される前記患者状態情報と推定モデルとに基づいて、前記第１の患者に対して推奨される推奨医療行為を推定する推定処理と、
　前記推定処理により推定される前記推奨医療行為を出力する出力処理と、
をコンピュータに実行させるためのプログラムであって、
　前記推定モデルは、第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化との関係を学習したモデルである、
　医療計画支援プログラムが格納された記録媒体。
　１０　　医療計画支援システム
　１０１　　患者状態情報
　１０２　　医療行為情報
　１０３　　状態変化情報
　１０４　　推奨医療行為
　１１　　取得部
　１２　　分類部
　１３　　分析部
　１４　　モデル生成部
　１４０　　推定モデル
　１５　　推定部
　１６　　出力部
　２０　　管理端末装置
　２００　　表示画面
　３０　　医療機器
　４０　　医療計画支援システム
　４００　　患者状態情報
　４１　　取得部
　４２　　推定部
　４２０　　推奨医療行為
　４３　　推定モデル
　４３１　　第２の患者の状態
　４３２　　第２の患者に対して実施された医療行為
　４３３　　第２の患者の状態の変化
　４４　　出力部
　９００　　情報処理システム
　９０１　　ＣＰＵ
　９０２　　ＲＯＭ
　９０３　　ＲＡＭ
　９０４　　ハードディスク（記憶装置）
　９０５　　通信インタフェース
　９０６　　バス
　９０７　　記録媒体
　９０８　　リーダライタ
　９０９　　入出力インタフェース

Claims (18)

  1. 　第１の患者の状態に関する患者状態情報を取得する取得手段と、
    　前記取得手段により取得される前記患者状態情報と推定モデルとに基づいて、前記第１の患者に対して推奨される推奨医療行為を推定する推定手段と、
    　前記推定手段により推定される前記推奨医療行為を出力する出力手段と、
    　を備え、
    　前記推定モデルは、第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化との関係を学習したモデルである、
    　医療計画支援システム。
  2. 　前記第１の患者に関する前記患者状態情報は、前記第１の患者の生体状態の履歴と前記第１の患者に対して実施された医療行為の履歴とを含む、
    　請求項１に記載の医療計画支援システム。
  3. 　前記第１及び第２の患者の状態は、体温、心拍数、血圧、血液の状態、尿の状態、便の状態、臓器の状態、意識の状態、痛みの状態、及び、関節の動きの状態の少なくとも一つを含む、
    　請求項１または請求項２に記載の医療計画支援システム。
  4. 　前記推奨医療行為、及び、前記第１及び第２の患者に対して実施された医療行為は、手術、投薬治療、放射線治療、及び、リハビリ治療の少なくとも一つを含む、
    　請求項１乃至請求項３のいずれか一項に記載の医療計画支援システム。
  5. 　前記手術は、手術する体の部位と手術の方法とを含み、
    　前記投薬治療は、投薬する薬の種別と用法と投与量との少なくとも一つを含み、
    　前記放射線治療は、使用する放射線の種別と照射箇所と照射時間との少なくとも一つを含み、
    　前記リハビリ治療は、治療する体の部位とリハビリの種別との少なくとも一つを含む、
    　請求項４に記載の医療計画支援システム。
  6. 　前記第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化と、に基づいて、前記推定モデルを生成あるいは更新するモデル生成手段をさらに備える、
    　請求項１乃至請求項５のいずれか一項に記載の医療計画支援システム。
  7. 　前記推定手段は、前記第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記推定モデルとに基づいて、前記第２の患者に対して推奨される医療行為を推定し、
    　前記モデル生成手段は、
    　　前記第２の患者の状態の変化が前記第２の患者の状態が改善したことを示す場合、前記第２の患者に対して推奨される医療行為と、前記第２の患者に対して実施された医療行為との違いが小さくなるように前記推定モデルを更新し、
    　　前記第２の患者の状態の変化が前記第２の患者の状態が改善していないことを示す場合、前記第２の患者に対して推奨される医療行為と、前記第２の患者に対して実施された医療行為との違いが大きくなるように前記推定モデルを更新する、
    　請求項６に記載の医療計画支援システム。
  8. 　前記第２の患者に対して実施された医療行為をその類似性に基づいてグループに分類し、前記グループを前記モデル生成手段に入力する分類手段をさらに備え、
    　前記モデル生成手段は、前記グループと、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化と、に基づいて、前記推定モデルを生成あるいは更新し、
    　前記推定手段は、前記推奨医療行為が属する前記グループを推定する、
    　請求項６または請求項７に記載の医療計画支援システム。
  9. 　前記分類手段は、前記第２の患者に対して実施された医療行為を、前記類似性に基づく階層構造を有する前記グループに分類する、
    　請求項８に記載の医療計画支援システム。
  10. 　前記分類手段は、第１の薬を使用した第１の前記医療行為と、前記第１の薬と効果が同等であって種別が異なる第２の薬を使用した第２の前記医療行為とを、同一の前記グループに分類する、
    　請求項８または請求項９に記載の医療計画支援システム。
  11. 　前記第１の薬は先発医薬品であり、前記第２の薬は前記第１の薬の後発医薬品である、
    　請求項１０に記載の医療計画支援システム。
  12. 　前記第２の患者に対して実施された複数の医療行為の組み合わせが前記第２の患者の状態に影響を与えたか否かを分析し、前記第２の患者の状態に影響を与えた前記組み合わせを前記モデル生成手段に入力する分析手段をさらに備え、
    　前記モデル生成手段は、前記第２の患者に対して実施された医療行為として前記組み合わせを使用し、
    　前記推定手段は、前記第１の患者に対して推奨される前記組み合わせを推定する、
    　請求項６乃至請求項１１のいずれか一項に記載の医療計画支援システム。
  13. 　前記出力手段は、前記推定手段に対して前記第１の患者に関する前記患者状態情報を入力する入力操作が行われたときに、前記推奨医療行為を表示するよう表示装置を制御する、
    　請求項１乃至請求項１２のいずれか一項に記載の医療計画支援システム。
  14. 　前記出力手段は、前記推奨医療行為を承認するか否かを示す医師による入力操作を促す情報を表示するよう前記表示装置を制御する、
    　請求項１３に記載の医療計画支援システム。
  15. 　前記出力手段は、前記医師による入力操作が前記推奨医療行為を承認することを示す場合、前記推奨医療行為を行う医療機器の制御情報を生成し、生成した前記制御情報を前記医療機器に出力する、
    　請求項１４に記載の医療計画支援システム。
  16. 　第１の患者の状態に関する患者状態情報を取得する取得手段と、
    　前記取得手段により取得される前記患者状態情報と推定モデルとに基づいて、前記第１の患者に対して推奨される推奨医療行為を推定する推定手段と、
    　前記推定手段により推定される前記推奨医療行為を出力する出力手段と、
    を備え、
    　前記推定モデルは、第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化との関係を学習したモデルである、
    　医療計画支援装置。
  17. 　情報処理装置によって、
    　　第１の患者の状態に関する患者状態情報を取得し、
    　　取得した前記患者状態情報と推定モデルとに基づいて、前記第１の患者に対して推奨される推奨医療行為を推定し、
    　　推定した前記推奨医療行為を出力し、
    　前記推定モデルは、第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化との関係を学習したモデルである、
    　医療計画支援方法。
  18. 　第１の患者の状態に関する患者状態情報を取得する取得処理と、
    　前記取得処理により取得される前記患者状態情報と推定モデルとに基づいて、前記第１の患者に対して推奨される推奨医療行為を推定する推定処理と、
    　前記推定処理により推定される前記推奨医療行為を出力する出力処理と、
    をコンピュータに実行させるためのプログラムであって、
    　前記推定モデルは、第２の患者の状態及び前記第２の患者に対して実施された医療行為と、前記第２の患者に対して実施された医療行為による前記第２の患者の状態の変化との関係を学習したモデルである、
    　医療計画支援プログラムが格納された記録媒体。
PCT/JP2020/036753 2020-09-29 2020-09-29 医療計画支援システム、医療計画支援装置、医療計画支援方法、及び、医療計画支援プログラムが格納された記録媒体 WO2022070226A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US18/022,349 US20230326599A1 (en) 2020-09-29 2020-09-29 Medical planning assistance system, medical planning assistance method, and recording medium having stored therein medical planning assistance program
PCT/JP2020/036753 WO2022070226A1 (ja) 2020-09-29 2020-09-29 医療計画支援システム、医療計画支援装置、医療計画支援方法、及び、医療計画支援プログラムが格納された記録媒体
JP2022553236A JPWO2022070226A5 (ja) 2020-09-29 医療計画支援システム、医療計画支援方法、及び、医療計画支援プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/036753 WO2022070226A1 (ja) 2020-09-29 2020-09-29 医療計画支援システム、医療計画支援装置、医療計画支援方法、及び、医療計画支援プログラムが格納された記録媒体

Publications (1)

Publication Number Publication Date
WO2022070226A1 true WO2022070226A1 (ja) 2022-04-07

Family

ID=80951428

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/036753 WO2022070226A1 (ja) 2020-09-29 2020-09-29 医療計画支援システム、医療計画支援装置、医療計画支援方法、及び、医療計画支援プログラムが格納された記録媒体

Country Status (2)

Country Link
US (1) US20230326599A1 (ja)
WO (1) WO2022070226A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220226994A1 (en) * 2020-07-20 2022-07-21 Georgia Tech Research Corporation Heterogeneous graph attention networks for scalable multi-robot scheduling

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180068084A1 (en) * 2016-09-07 2018-03-08 Eclinicalworks, Llc Systems and methods for care program selection utilizing machine learning techniques
JP2018528552A (ja) * 2015-07-10 2018-09-27 ユニヴェルシテ ピエール エ マリー キュリー（パリ シス）Ｕｎｉｖｅｒｓｉｔｅ Ｐｉｅｒｒｅ Ｅｔ Ｍａｒｉｅ Ｃｕｒｉｅ （Ｐａｒｉｓ Ｖｉ） 医療診断支援方法
KR101947725B1 (ko) * 2017-10-13 2019-02-13 고려대학교 산학협력단 암 치료 예측결과 제공 방법 및 시스템
JP2019505897A (ja) * 2015-12-14 2019-02-28 トライセラ インコーポレイテッド ロバストなヘルストラッキングサービス
JP2019047859A (ja) * 2017-09-08 2019-03-28 株式会社吉田製作所 治療検査システム、該治療検査システムの作動方法、治療検査プログラム、及び、記憶媒体
JP2019212034A (ja) * 2018-06-05 2019-12-12 株式会社日立製作所 分析方法、分析装置及びプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018528552A (ja) * 2015-07-10 2018-09-27 ユニヴェルシテ ピエール エ マリー キュリー（パリ シス）Ｕｎｉｖｅｒｓｉｔｅ Ｐｉｅｒｒｅ Ｅｔ Ｍａｒｉｅ Ｃｕｒｉｅ （Ｐａｒｉｓ Ｖｉ） 医療診断支援方法
JP2019505897A (ja) * 2015-12-14 2019-02-28 トライセラ インコーポレイテッド ロバストなヘルストラッキングサービス
US20180068084A1 (en) * 2016-09-07 2018-03-08 Eclinicalworks, Llc Systems and methods for care program selection utilizing machine learning techniques
JP2019047859A (ja) * 2017-09-08 2019-03-28 株式会社吉田製作所 治療検査システム、該治療検査システムの作動方法、治療検査プログラム、及び、記憶媒体
KR101947725B1 (ko) * 2017-10-13 2019-02-13 고려대학교 산학협력단 암 치료 예측결과 제공 방법 및 시스템
JP2019212034A (ja) * 2018-06-05 2019-12-12 株式会社日立製作所 分析方法、分析装置及びプログラム

Also Published As

Publication number Publication date
US20230326599A1 (en) 2023-10-12
JPWO2022070226A1 (ja) 2022-04-07

Similar Documents

Publication Publication Date Title
Gilbody et al. Collaborative care for depression: a cumulative meta-analysis and review of longer-term outcomes
Yao et al. CONFlexFlow: integrating flexible clinical pathways into clinical decision support systems using context and rules
Gold et al. Negative symptoms and the failure to represent the expected reward value of actions: behavioral and computational modeling evidence
Martin et al. Health behavior change and treatment adherence: Evidence-based guidelines for improving healthcare
Majumdar et al. Osteoporosis case manager for patients with hip fractures: results of a cost-effectiveness analysis conducted alongside a randomized trial
Raju et al. Big data, machine learning, and artificial intelligence: a field guide for neurosurgeons
Chen Smart health and wellbeing [Trends & Controversies]
Schnurr et al. Medicine 4.0—interplay of intelligent systems and medical experts
WO2022070226A1 (ja) 医療計画支援システム、医療計画支援装置、医療計画支援方法、及び、医療計画支援プログラムが格納された記録媒体
Ponnusamy et al. Smart healthcare technologies for massive internet of medical things
Tien Deficits of information management associated with schizophrenia: Awareness and associated integrative cognitive functions
Paul et al. Advanced Healthcare Informatics Practice Vis-à-Vis Virtual Reality Implications—A Scientific Overview
Stephenson New class of anti-HIV drugs
Ahmed et al. Case studies on the clinical applications using case-based reasoning
Tyagi et al. Applications of Artificial Intelligence, Metaverse and Data Science for Intelligent Healthcare
Peciña et al. Dynamic feedback between antidepressant placebo expectancies and mood
Lu et al. A clinical decision support system design framework for nursing practice
Spring et al. First steps into the brave new transdiscipline of mobile health
Scheepens et al. Effectiveness of emotional memory reactivation vs control memory reactivation before electroconvulsive therapy in adult patients with depressive disorder: a randomized clinical trial
Petersen Similarity of fuzzy data in a case-based fuzzy system in anaesthesia
Manukova et al. Innovative Concept of Application of Electronic Modeling in Building e-Health Systems
Mondal et al. Cost of Pacing in Pediatric Patients With Postoperative Heart Block After Congenital Heart Surgery
Srinivasaprasad Bibliometric Analysis, Case Analysis and Reappraisal on the Usability and Safety of Medical Devices
Kogan et al. A goal-oriented methodology for treatment of patients with multimorbidity-goal comorbidities (GoCom) proof-of-concept demonstration
Briganti Artificial Intelligence in medical management

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: 20956156

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022553236

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: 20956156

Country of ref document: EP

Kind code of ref document: A1