WO2023214547A1 - プログラム、情報処理装置及び情報処理方法 - Google Patents

プログラム、情報処理装置及び情報処理方法 Download PDF

Info

Publication number
WO2023214547A1
WO2023214547A1 PCT/JP2023/016880 JP2023016880W WO2023214547A1 WO 2023214547 A1 WO2023214547 A1 WO 2023214547A1 JP 2023016880 W JP2023016880 W JP 2023016880W WO 2023214547 A1 WO2023214547 A1 WO 2023214547A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
patient
factor
factors
learning model
Prior art date
Application number
PCT/JP2023/016880
Other languages
English (en)
French (fr)
Inventor
享宏 牛田
修一 青野
千尋 竹之下
弘紀 福原
拓也 佐藤
佑太 浅野
Original Assignee
日本臓器製薬株式会社
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 日本臓器製薬株式会社 filed Critical 日本臓器製薬株式会社
Publication of WO2023214547A1 publication Critical patent/WO2023214547A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • 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
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • the present invention relates to a program, an information processing device, and an information processing method.
  • the purpose of the present disclosure is to provide a program etc. that can present information regarding psychosocial factors in chronic pain.
  • a program acquires patient response information to questions regarding chronic pain and patient information of the patient, and outputs factor information regarding psychosocial factors when the response information and patient information are input.
  • the computer is caused to perform a process of inputting the acquired response information and patient information into a learning model trained to do so, and outputting factor information regarding psychosocial factors.
  • a second aspect of the present disclosure is a program according to the first aspect that outputs the factor information including the level of psychosocial factors according to the degree of involvement of psychosocial factors in chronic pain.
  • a third aspect of the present disclosure is the program according to the first or second aspect, in which the answer information includes a question regarding anxiety, a question regarding depression, a question regarding self-efficacy, a question regarding insomnia, and a question regarding degree of pain impairment in life. , answers to at least two questions selected from questions regarding motor function, questions regarding pain, and questions regarding suicidal thoughts.
  • a fourth aspect of the present disclosure is a program according to any one of the first to third aspects, in which the patient information includes the patient's age, the patient's gender, the patient's medical history, and the patient's history of psychiatric visits. , the patient's prescription drug history, the patient's weight change, a family member's illness, a family member's history of psychiatric visits, a family member's accompanying status, and employment status.
  • a fifth aspect of the present disclosure is a program according to any one of the first to fourth aspects, which acquires a level of organic factors according to the degree of involvement of organic factors in chronic pain, and A map based on the level of the psychological factor and the level of the psychosocial factor is output.
  • a sixth aspect of the present disclosure is that the program according to any one of the first to fifth aspects learns to further output factor information regarding organic factors when answer information and patient information are input.
  • the acquired response information and patient information are input into the learning model, and factor information regarding psychosocial factors and organic factors is output.
  • An eighth aspect of the present disclosure is the program according to any one of the first to seventh aspects, wherein the learning model includes a first model including a neural network and a second model including a decision tree; The factor information is acquired based on the outputs of the first model and the second model.
  • a ninth aspect of the present disclosure is, in the program according to any one of the first to eighth aspects, outputting the factor information by the learning model among a plurality of items included in the answer information and patient information. Get the contribution items that contributed to.
  • a tenth aspect of the present disclosure is a program according to any one of the first to ninth aspects, which acquires a diagnosis name candidate according to the cause information, and combines the acquired diagnosis name candidate and the cause information. Output in association.
  • the information processing device 1 adjusts parameters using, for example, gradient descent to optimize the loss function in the second model 1212, and sequentially learns and integrates decision trees. Note that in order to prevent so-called overfitting (overfitting), the information processing device 1 does not use all explanatory variables when optimizing the loss function, but uses a randomly determined number of explanatory variables. Select and use. The information processing device 1 completes learning when the loss function satisfies a predetermined criterion, for example. Through the above-described processing, it is possible to construct the second model 1212 that has been trained to be able to appropriately output classification information on the level of psychosocial factors for response information and patient information.
  • the information processing device 1 finally determines one psychosocial factor based on the level of the psychosocial factor output from the first model 1211 and the level of the psychosocial factor output from the second model 1212. Determine the level.
  • the information processing device 1 can determine the final level of the psychosocial factor based on the average value of each level output from the first model 1211 and the second model 1212.
  • the information processing device 1 may perform predetermined weighting on the outputs of the first model 1211 and the second model 1212.
  • the information processing device 1 weights the output from the model with higher level estimation accuracy.
  • the information processing device 1 may follow the priorities of the first model 1211 and the second model 1212 and adopt the output data of the model with higher priority as the final psychosocial factor level.
  • the first learning model 121 is not limited to a combination of two models, and may be configured to identify the level of a psychosocial factor using one model, or may be configured by combining three or more models. .
  • the first learning model 121 is not limited to one that is generated and trained by the information processing device 1.
  • the information processing device 1 may receive the learned first learning model 121 from a communicably connected external server and store it in the storage unit 12 .
  • the first learning model 121 may be stored in the storage unit 22 of the user terminal 2.
  • the control unit 11 of the information processing device 1 transmits a question for obtaining answer information and patient information to the user terminal 2 based on the information stored in the question DB 122 (step S11).
  • the control unit 11 acquires response information and patient information through the user terminal 2 (step S12).
  • step S11 and step S12 the control unit 11 provides the user terminal 2 with an input screen including a list of questions and answer options for receiving input of answer information and patient information, and uses the input screen to provide answer information. and patient information may be obtained.
  • the user terminal 2 displays the input screen received from the information processing device 1 on the display unit 24.
  • the patient inputs answers to a plurality of questions included in a predetermined questionnaire, that is, answer information and patient information, to the input screen through the operation unit 25.
  • the user terminal 2 transmits the received response information and patient information to the information processing device 1.
  • the user terminal 2 may receive response information and patient information from a patient through an input terminal device that is communicatively connected to the user terminal 2.
  • the control unit 11 identifies contributing items that contributed to the output of the level of psychosocial factors by the first learning model 121, from among the plurality of items included in the answer information and patient information input to the first learning model 121. (Step S15).
  • a contribution item may be information indicating an answer to a question, or may be a question associated with information indicating an answer.
  • the processing entity of each process in the above flowchart is not limited. For example, part or all of the processing in FIG. 5 may be executed by the user terminal 2. Furthermore, the information processing device 1 is not limited to displaying a result screen including factor information on the display unit 24 of the user terminal 2, but can output a result screen including factor information to a device other than the user terminal 2, and display the result screen on a device other than the user terminal 2. It may be displayed.
  • FIG. 6 is a schematic diagram showing an example of a result screen in the first embodiment.
  • the result screen displayed on the display section 24 includes a factor information display section 241 that displays factor information and a contribution item display section 242 that displays contribution items.
  • the result screen displays, for example, a patient ID for identifying a patient, and an answer ID for identifying answer information and patient information.
  • the information processing device 1 causes the contribution item display section 242 to display the acquired contribution items.
  • the contribution item display unit 242 displays the contribution items in descending order of contribution.
  • the contribution item display section 242 may display the degree of contribution related to the contribution item in association with the contribution item.
  • the contribution item display section 242 may display contribution items or distribution of contribution degrees for all input items using, for example, a graph or a table.
  • information suggesting psychosocial factors in chronic pain can be estimated with high accuracy using the first learning model 121.
  • the first learning model 121 can improve the estimation accuracy of factor information by being trained by a plurality of models. Even a doctor who does not specialize in pain can recognize the involvement of psychosocial factors from the diagnosis stage by using the factor information provided by the information processing device 1, thereby suitably supporting the doctor's medical treatment. be able to.
  • the first learning model 121 By using, as input elements to the first learning model 121, patient information indicating answers to questions regarding the patient's background in addition to response information indicating answers to questions for identifying the causes of chronic pain. 1 learning model 121 can be improved. By setting questions for obtaining answer information by combining a plurality of question items, it is possible to analyze the patient's condition from multiple angles. Furthermore, by visualizing and displaying the contributing items that contributed to the predictions made by the model, it is possible to efficiently understand patient characteristics that influence the expression of psychosocial factors.
  • the control unit 11 of the information processing device 1 executes the same processing as steps S11 to S15 shown in FIG. Obtain the level of output psychosocial factors and identify contributing items.
  • FIG. 8 is a schematic diagram showing an example of a result screen in the second embodiment.
  • the result screen includes a factor information display section 241 that displays factor information and a contribution item display section 242 that displays contribution items.
  • the factor information display section 241 displays the level of psychosocial factors and the level of organic factors.
  • factor information related to organic factors can be presented, so that pain factors in chronic pain can be understood in a complex manner.
  • the factor information can be easily grasped visually by being displayed in a map format, for example. By displaying psychosocial factors and organic factors in association, it is possible to more clearly recognize the patient's condition.
  • the second learning model 123 is used to estimate factor information regarding psychosocial factors and factor information regarding organic factors.
  • the information processing device 1 of the third embodiment stores a second learning model 123 in the storage unit 12.
  • FIG. 9 is an explanatory diagram showing an overview of the second learning model 123 in the third embodiment.
  • the second learning model 123 is a machine learning model that receives response information and patient information as input and outputs factor information regarding psychosocial factors and factor information regarding organic factors.
  • the second learning model 123 is similar to the first learning model 121 of the first embodiment, except that it outputs factor information regarding organic factors in addition to factor information regarding psychosocial factors.
  • the second learning model 123 in the third embodiment is composed of a first model 1231 and a second model 1232, similarly to the first embodiment.
  • the first model 1231 and the second model 1232 each receive response information and patient information as input, and output the level of psychosocial factors and the level of organic factors.
  • the first model 1231 and the second model 1232 have the same configuration as the first embodiment except that the details of the output information are different.
  • the first model 1231 and the second model 1232 may be configured to include a plurality of output layers corresponding to the psychosocial factor level and the organic factor level, respectively.
  • the first model 1231 and the second model 1232 may be configured to include a model whose output is the level of psychosocial factors and a model whose output is the level of organic factors.
  • the second learning model 123 is not limited to outputting the level of psychosocial factors and the level of organic factors separately, but may be configured to output a combination of the level of psychosocial factors and the level of organic factors. There may be. That is, the second learning model 123 uses the response information and patient information as input and indicates a combination of the psychosocial factor level and the organic factor level (for example, psychosocial factor level 2 and organic factor level 2). Output information.
  • the information processing device 1 considers the levels of the psychosocial factors and organic factors in each of the first model 1231 and the second model 1232, and determines the final levels of the psychosocial factors and organic factors.
  • the control unit 11 inputs the obtained answer information and patient information into the second learning model 123 and obtains the level of psychosocial factors and the level of organic factors output from the second learning model 123 (step S23 ). Specifically, the control unit 11 inputs the response information and patient information to the first model 1231 and the second model 1232, respectively. Then, the control unit 11 obtains the psychosocial factor level and the organic factor level output from the first model 1231 and the second model 1232, respectively.
  • the control unit 11 determines the final level of psychosocial factors and organic factors according to a predetermined rule based on the level of psychosocial factors and the level of organic factors output from the first model 1231 and the second model 1232, respectively.
  • the level of is determined (step S24).
  • the control unit 11 contributes to the output of the level of psychosocial factors and the level of organic factors by the second learning model 123 among the plurality of items included in the answer information and patient information input to the second learning model 123.
  • the contributing items are identified (step S25).
  • the control unit 11 executes the same processing as steps S19 to S20 shown in FIG. 7, and generates a result screen including the acquired levels of psychosocial factors and organic factors (step S26).
  • the resulting screen is sent to the user terminal 2 (step S27).
  • the control unit 11 displays the result screen on the display unit 24 of the user terminal 2, and ends the series of processing.
  • FIG. 8 is shown as a schematic diagram showing an example of the result screen in the second embodiment.
  • the third learning model 124 is used to estimate diagnostic name candidates and treatment information.
  • differences between the first embodiment and the third embodiment will be mainly explained, and detailed explanations of configurations common to these will be omitted.
  • the diagnostic name candidate is information for suggesting a diagnosis name for chronic pain, and includes, for example, one or more diagnostic names that can be candidates.
  • the treatment information is information for suggesting a treatment method for chronic pain, and includes, for example, information indicating one or more treatment methods that can be candidates.
  • the input elements to the third learning model 124 may further include factor information regarding organic factors.
  • the third learning model 124 may receive factor information regarding psychosocial factors and organic factors output from the second learning model 123 as input.
  • the third learning model 124 may receive as input factor information regarding psychosocial factors outputted from the first learning model 121 and factor information regarding organic factors based on a doctor's diagnosis or the like.
  • the output layer of the third learning model 124 outputs diagnostic name candidates and treatment information.
  • the third learning model 124 may have a configuration including a plurality of output layers corresponding to each output item.
  • the third learning model 124 may have a configuration including a plurality of models each having each output item as an output.
  • the information processing device 1 uses training data in which a plurality of response information, patient information, factor information regarding psychosocial factors and, if necessary, organic factors are associated with labels indicating diagnostic name candidates and treatment information. Based on this, a third learning model 124 is generated. As a result, the third learning model is trained to appropriately output identification results of diagnostic name candidates and treatment information based on answer information, patient information, and factor information regarding psychosocial factors and organic factors as necessary. 124 can be constructed. The information processing device 1 stores the generated third learning model 124 in the storage unit 12.
  • the control unit 11 of the information processing device 1 performs third learning on the answer information and patient information acquired in step S12 of FIG. 5 and the factor information regarding psychosocial factors (level of psychosocial factors) acquired in step S14. Input into the model 124 (step S31).
  • the control unit 11 acquires the diagnosis name candidates and treatment information output from the third learning model 124 (step S32).
  • the control unit 11 generates a screen including the acquired diagnosis candidate and treatment information, and factor information regarding psychosocial factors (step S33).
  • the control unit 11 transmits the generated screen to the user terminal 2 (step S34), displays it on the display unit 24 of the user terminal 2, and ends the series of processing.
  • FIG. 13 is a schematic diagram showing an example of a screen including diagnosis name candidates and treatment information in the fourth embodiment.
  • FIG. 13 shows an example in which diagnostic name candidates and treatment information are further displayed on the result screen (see FIG. 8) described in the second embodiment.
  • the screen includes a diagnosis name display section 244 that displays diagnosis name candidates and a treatment method display section 245 that displays treatment methods.
  • the screen may further include a history display section 243.
  • the information processing device 1 When the information processing device 1 acquires the diagnosis name candidate and treatment method output from the third learning model 124, the information processing device 1 causes the diagnosis name display unit 244 to display text indicating the acquired diagnosis name candidate, and also displays the acquired treatment method. The text shown is displayed on the treatment method display section 245. As shown in FIG. 13, factor information regarding psychosocial factors and organic factors, and diagnostic name candidates and treatment information corresponding to the factor information are displayed in association with each other on the screen.
  • diagnosis name display section 244 and treatment method display section 245 are not limited to being included in the result screen, but may be configured to be displayed on a separate screen.
  • the information processing device 1 of the fifth embodiment provides correction information for correcting the level of the psychosocial factor, which is factor information regarding the psychosocial factor output using the first learning model 121. received from the doctor.
  • the information processing device 1 retrains the first learning model 121 based on the received correction information.
  • FIG. 14 is a flowchart illustrating an example of a processing procedure executed by the information processing device 1 of the fifth embodiment.
  • the control unit 11 of the information processing device 1 acquires correction information for the level of psychosocial factors through the user terminal 2 (step S41).
  • step S41 the control unit 11 receives a correction input for correcting the level of the psychosocial factor displayed as the estimation result of the first learning model 121, using the result screen illustrated in FIG. 6, for example. Further, if the displayed level of the psychosocial factor is incorrect, the control unit 11 receives an input of the correct level of the psychosocial factor.
  • the control unit 11 retrains the first learning model 121 using the correction information for the level of the psychosocial factor, and updates the first learning model 121 (step S42). Specifically, the control unit 11 performs relearning using the answer information and patient information input to the first learning model 121 and correction information for the level of psychosocial factors as training data, and Update. The control unit 11 optimizes the parameters so that the level of the psychosocial factors output from the first learning model 121 approximates the corrected level of the psychosocial factors, and regenerates the first learning model 121.
  • the first learning model 121, the second learning model 123, and/or the third learning model 124 can be optimized through the operation of the information processing system 100.
  • FIG. 15 is a diagram showing an example of the content of information stored in the question DB 122 of the sixth embodiment.
  • the questions include questions for obtaining cognitive function information, and questions regarding each question item regarding cognitive function (hereinafter referred to as , also referred to as ⁇ questions regarding cognitive function'').
  • Cognitive function questions include questions to test for possible cognitive decline (disorientation) in patients. Questions regarding cognitive function include, for example, questions asking about the date, season, place name, facility name, etc. regarding the day or place on which the question is being asked. When a patient's cognitive function has deteriorated, the reliability of answers to questions is lower than when the patient's cognitive function has not deteriorated, so there is a risk that the estimation accuracy of factor information will decrease.
  • the presence or absence of a possibility of cognitive function decline is determined in advance through the question. The presence or absence of a possibility of cognitive function decline corresponds to the presence or absence of a possibility of a decline in the estimation accuracy of factor information.
  • the information processing device 1 automatically determines whether there is a possibility of cognitive decline, for example, based on the number of correct answers or the correct answer rate of the patient to questions.
  • the information processing device 1 calculates the number of correct answers or the correct answer rate of the patient by comparing the patient's answers to the questions regarding cognitive function and the correct answers set in advance. If the calculated number of correct answers or correct answer rate is equal to or greater than a preset threshold, the information processing device 1 determines that there is no possibility of cognitive function deterioration, that is, there is no possibility of deterioration of the estimation accuracy of factor information.
  • the information processing device 1 determines that there is a possibility of cognitive function deterioration, that is, there is a possibility of deterioration of the estimation accuracy of factor information.
  • the possibility of cognitive function decline and the possibility of decline in the estimation accuracy of factor information are not limited to two classifications of yes or no, but are classified into multiple levels based on, for example, the probability according to the number of correct answers or the rate of correct answers. may be done.
  • the method for determining the possibility of cognitive function decline is not limited to the above example, and may be determined using, for example, a machine learning model trained to estimate the possibility of cognitive function decline according to answers to questions. .
  • the first learning model 121 or the second learning model 123 may be configured to further include cognitive function information related to a question regarding cognitive function as an input element, and further output the possibility of cognitive function decline.
  • the questions regarding cognitive function may be configured to be used only for determining the possibility of cognitive function decline. That is, in estimating various factor information, cognitive function information representing answers to questions regarding cognitive function is not used, but response information representing answers to questions other than questions regarding cognitive function and patient information are used. Good too.
  • FIG. 16 is a flowchart illustrating an example of a processing procedure executed by the information processing device of the sixth embodiment.
  • the control unit 11 determines whether there is a possibility of cognitive function decline based on the acquired cognitive function information (step S53).
  • Step S53 corresponds to a process of determining whether there is a possibility that the estimation accuracy of the factor information will decrease.
  • the control unit 11 determines whether there is a possibility of cognitive function decline, for example, by determining whether the number of correct answers or the rate of correct answers of the patient to the questions is greater than or equal to a predetermined value.
  • control unit 11 executes, for example, the processes from step S13 to step S17 shown in FIG.
  • the control unit 11 generates a result screen including the determination result of whether there is a possibility of cognitive function decline in step S53, and transmits it to the user terminal 2.
  • FIG. 17 is a schematic diagram showing an example of a result screen in the sixth embodiment.
  • the result screen displayed on the display unit 24 includes a determination result display unit 246 that displays the determination result as to whether there is a possibility of cognitive decline.
  • the determination result display section 246 displays a document such as "Possibility of cognitive function decline (possibility of disorientation)", for example.
  • the possibility of cognitive function decline means that there is a possibility of a decline in the estimation accuracy of factor information.
  • the information processing device 1 determines that there is a possibility of cognitive function decline
  • the information processing device 1 causes the determination result display section 246 to display a predetermined document.
  • the information processing device 1 may display the determination result display section 246 only when determining that there is a possibility of cognitive function decline.
  • the determination result display section 246 functions as a notification section that notifies the user that there is a possibility of cognitive function decline. The user can clearly understand from the information displayed on the determination result display section 246 that there is a possibility that the patient has a decline in cognitive function and that there is a possibility that the estimation accuracy of the factor information may decline.
  • Information processing system 1 Information processing device 11 Control unit 12 Storage unit 13 Communication unit 121 First learning model 122 Question DB 123 Second learning model 124 Third learning model 1P program 1A recording medium 2 user terminal 21 control section 22 storage section 23 communication section 24 display section 25 operation section

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

慢性疼痛における心理社会的要因に関する情報を提示することができるプログラム等を提供する。　プログラムは、慢性疼痛に関する質問に対する患者の回答情報及び前記患者の患者情報を取得し、回答情報及び患者情報を入力した場合に心理社会的要因に関する要因情報を出力するよう学習された学習モデルに、取得した回答情報及び患者情報を入力して心理社会的要因に関する要因情報を出力する処理をコンピュータに実行させる。

Description

プログラム、情報処理装置及び情報処理方法
　本発明は、プログラム、情報処理装置及び情報処理方法に関する。
　慢性疼痛とは、３ヶ月を超えて持続又は再発する、生物学的、心理的、及び社会的要因等、多要因性の疼痛である。慢性疼痛には様々な分類があり、侵害受容性疼痛、神経障害性疼痛、痛覚変調性疼痛等がある。疼痛は器質的要因だけでなく、心理社会的要因など様々な要因により修飾され、病態を複雑にし、慢性化・難治化を引き起こす場合が多い。
　一方で、医師の診断の補助を目的とした診断システムの開発が行われている。
特開２０２０－６４４３５号公報
厚生労働行政推進調査事業費補助金（慢性の痛み政策研究事業）「慢性疼痛診療システムの均てん化と痛みセンター診療データベースの活用による医療向上を目指す研究」研究班（監修）、慢性疼痛治療ガイドライン作成ワーキンググループ（編集）、「慢性疼痛診療ガイドライン」、真興交易（株）医書出版部、２０２１年７月１０日
　慢性疼痛の診療においては、痛みの要因を把握することが重要である。しかし、痛みを専門としない医師にとって、慢性疼痛における心理社会的要因を把握することは容易ではない。
　本開示の目的は、慢性疼痛における心理社会的要因に関する情報を提示することができるプログラム等を提供することである。
　本開示の第１の態様に係るプログラムは、慢性疼痛に関する質問に対する患者の回答情報及び前記患者の患者情報を取得し、回答情報及び患者情報を入力した場合に心理社会的要因に関する要因情報を出力するよう学習された学習モデルに、取得した回答情報及び患者情報を入力して心理社会的要因に関する要因情報を出力する処理をコンピュータに実行させる。
　本開示の第２の態様は、第１の態様に係るプログラムにおいて、慢性疼痛における心理社会的要因の関与度合いに応じた心理社会的要因のレベルを含む前記要因情報を出力する。
　本開示の第３の態様は、第１又は第２の態様に係るプログラムにおいて、前記回答情報は、不安に関する質問、抑うつに関する質問、自己効力感に関する質問、不眠に関する質問、疼痛生活障害度に関する質問、運動機能に関する質問、痛みに関する質問及び希死念慮に関する質問から選ばれる少なくとも２つに対する回答を含む。
　本開示の第４の態様は、第１～第３の態様のいずれか１つに係るプログラムにおいて、前記患者情報は、患者の年齢、患者の性別、患者の既往症、患者の精神科の通院歴、患者の処方薬歴、患者の体重変化、家族の病気、家族の精神科の通院歴、家族の付き添い状況及び就労状況から選ばれる少なくとも１つを含む。
　本開示の第５の態様は、第１～第４の態様のいずれか１つに係るプログラムにおいて、慢性疼痛における器質的要因の関与度合いに応じた器質的要因のレベルを取得し、取得した器質的要因のレベルと、前記心理社会的要因のレベルとに基づくマップを出力する。
　本開示の第６の態様は、第１～第５の態様のいずれか１つに係るプログラムにおいて、回答情報及び患者情報を入力した場合に、さらに器質的要因に関する要因情報を出力するよう学習された前記学習モデルに、取得した回答情報及び患者情報を入力して心理社会的要因及び器質的要因に関する要因情報を出力する。
　本開示の第７の態様は、第１～第６の態様のいずれか１つに係るプログラムにおいて、出力した前記要因情報に対する修正を受け付け、前記学習モデルに入力した回答情報及び患者情報と、修正後の前記要因情報とに基づく再学習を行い、前記学習モデルを更新する。
　本開示の第８の態様は、第１～第７の態様のいずれか１つに係るプログラムにおいて、前記学習モデルはニューラルネットワークを含む第１モデルと、決定木を含む第２モデルとを含み、前記第１モデル及び第２モデルの出力に基づき前記要因情報を取得する。
　本開示の第９の態様は、第１～第８の態様のいずれか１つに係るプログラムにおいて、前記回答情報及び患者情報に含まれる複数の項目のうち、前記学習モデルによる前記要因情報の出力に寄与した寄与項目を取得する。
　本開示の第１０の態様は、第１～第９の態様のいずれか１つに係るプログラムにおいて、前記要因情報に応じた診断名候補を取得し、取得した診断名候補と前記要因情報とを関連付けて出力する。
　本開示の第１１の態様は、第１～第１０の態様のいずれか１つに係るプログラムにおいて、前記要因情報に応じた治療方法を取得し、取得した治療方法と前記要因情報とを関連付けて出力する。
　本開示の第１２の態様は、第１～第１１の態様のいずれか１つに係るプログラムにおいて、さらに認知機能に関する質問に対する患者の回答を含む認知機能情報を取得し、取得した前記認知機能情報に基づいて、前記要因情報の出力精度低下の可能性を判定する。
　本開示の第１３の態様は、第１２の態様のプログラムにおいて、前記認知機能情報に基づいて、前記患者の認知機能低下の可能性を判定し、前記認知機能低下の可能性の判定結果に基づいて、前記要因情報の出力精度低下の可能性を判定する。
　本開示の第１４の態様は、第１２又は第１３の態様のプログラムにおいて、判定した前記要因情報の出力精度低下の可能性を、前記要因情報に関連付けて出力する。
　本開示の第１５の態様に係る情報処理装置は、慢性疼痛に関する質問に対する患者の回答情報及び前記患者の患者情報を取得し、回答情報及び患者情報を入力した場合に心理社会的要因に関する要因情報を出力するよう学習された学習モデルに、取得した回答情報及び患者情報を入力して心理社会的要因に関する要因情報を出力する処理を実行する制御部を備える。
　本開示の第１６の態様に係る情報処理方法は、慢性疼痛に関する質問に対する患者の回答情報及び前記患者の患者情報を取得し、回答情報及び患者情報を入力した場合に心理社会的要因に関する要因情報を出力するよう学習された学習モデルに、取得した回答情報及び患者情報を入力して心理社会的要因に関する要因情報を出力する処理をコンピュータが実行する。
　本開示によれば、慢性疼痛における心理社会的要因に関する情報を提示することができる。
第１実施形態の情報処理システムの概要図である。 情報処理システムの構成例を示すブロック図である。 質問ＤＢに記憶される情報の内容例を示す図である。 第１学習モデルの概要を示す説明図である。 第１実施形態における要因情報の取得処理手順の一例を示すフローチャートである。 第１実施形態における結果画面の一例を示す模式図である。 第２実施形態における要因情報の取得処理手順の一例を示すフローチャートである。 第２実施形態における結果画面の一例を示す模式図である。 第３実施形態における第２学習モデルの概要を示す説明図である。 第３実施形態における要因情報の取得処理手順の一例を示すフローチャートである。 第４実施形態における第３学習モデルの概要を示す説明図である。 第４実施形態の情報処理装置が実行する処理手順の一例を示すフローチャートである。 第４実施形態における診断名候補及び治療情報を含む画面の一例を示す模式図である。 第５実施形態の情報処理装置が実行する処理手順の一例を示すフローチャートである。 第６実施形態の質問ＤＢ１２２に記憶される情報の内容例を示す図である。 第６実施形態の情報処理装置が実行する処理手順の一例を示すフローチャートである。 第６実施形態における結果画面の一例を示す模式図である。
　本開示をその実施の形態を示す図面を参照して具体的に説明する。
（第１実施形態）
　図１は、第１実施形態の情報処理システム１００の概要図である。情報処理システム１００は、情報処理装置１及びユーザ端末２を備える。情報処理装置１及びユーザ端末２は、例えばＬＡＮ（Local Area Network）又はインターネット等のネットワークＮを介して通信可能に接続されている。
　情報処理装置１は、種々の情報処理、情報の送受信が可能な装置であり、例えばサーバコンピュータ、パーソナルコンピュータ、又は量子コンピュータ等である。情報処理装置１はユーザ端末２と同じ施設（病院等）に設置されたローカルサーバであってもよく、インターネット等を介してユーザ端末２に通信接続されたクラウドサーバであってもよい。
　ユーザ端末２は、医師等の医療従事者が使用する情報処理端末装置であり、例えばパーソナルコンピュータ、スマートフォン、タブレット端末等である。情報処理システム１００に含まれるユーザ端末２は１つに限らず複数であってもよい。
　なお情報処理装置１とユーザ端末２とは別個の装置に限られず、例えば情報処理装置１とユーザ端末２とが共通する１台の処理装置であってもよい。
　情報処理装置１は、後述する学習モデルを用いて、ユーザ端末２において受け付けた慢性疼痛に関する質問に対する患者の回答に応じた心理社会的要因に関する要因情報を生成し、ユーザ端末２へ出力する。医療従事者は、ユーザ端末２を用いて、患者の慢性疼痛における心理社会的要因を示唆する情報を確認することができる。
　心理社会的要因に関する要因情報とは、患者の慢性疼痛における心理社会的要因の関与に関する情報である。本実施形態では一例として、心理社会的要因に関する要因情報は、心理社会的要因の関与度合いに応じて複数の段階に分類される心理社会的要因のレベルを含むものとする。心理社会的要因のレベルは、例えばレベル０～４の５段階に分類され、数値が大きい程心理社会的要因の関与度合いが高いことを示す。心理社会的要因の関与度合いの高さは、痛みの専門医（例えば、痛みを専門とする整形外科医、麻酔科医、精神科医、心療内科医など）による介入の必要性の高さに対応する。
　なお心理社会的要因に関する要因情報は、心理社会的要因のレベルに限定されず、心理社会的要因の有無であってもよく、心理社会的要因の関与率であってもよい。
　慢性疼痛の要因には、上述の心理社会的要因を含む非器質的要因と、器質的要因とが含まれる。非器質的要因とは、意欲、抑うつ度、健康や生活への不安、家族生活や学校・仕事場のストレス等、年齢や環境、社会的立場まで考慮したストレス環境による心因性の要因である。一方、器質的要因とは、神経、筋肉を含めた軟部組織や骨等の運動器の各組織において病理的・解剖的な異常が生じたことにより引き起こされる疾患・疾病による要因である。例えば痛みを専門としない一般整形外科医、内科医又は一次医療機関の医師等にとって、心理社会的要因の絡む慢性疼痛患者の診療は、患者における痛みの要因として心理社会的要因が含まれるかどうかの診断の初期段階から専門外の知識を要するため容易ではない。整形外科又はペインクリニックの他、精神科又は心療内科の痛みの専門家らによる集学的な治療が慢性疼痛に対し有効であるが、そのような治療は時間と費用を要し、また治療が実施可能な施設に限りがある。
　情報処理システム１００は、ユーザ、特に上述の様な痛みを専門としない医師に対し、慢性疼痛における心理社会的要因の関与を示唆する情報を提供することで、医師における痛みの診療を好適に支援することができる。なお情報処理システム１００のユーザは痛みを専門としない医師に限らず、その他医療従事者であってもよく、痛みの専門家であってもよい。
　図２は、情報処理システム１００の構成例を示すブロック図である。
　情報処理装置１は、制御部１１、記憶部１２及び通信部１３を備える。情報処理装置１は、複数台のコンピュータで構成し分散処理する構成でもよく、１台のサーバ内に設けられた複数の仮想マシンによって実現されていてもよく、クラウドサーバを用いて実現されていてもよい。
　制御部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等を用いたプロセッサを備える。制御部１１は、内蔵するＲＯＭ（Read Only Memory）又はＲＡＭ（Random Access Memory）等のメモリ、クロック、カウンタ等を用い、各構成部を制御して処理を実行する。
　記憶部１２は、例えばハードディスク、フラッシュメモリ、ＳＳＤ（Solid State Drive）等の不揮発性メモリを備える。記憶部１２は、情報処理装置１に接続された外部記憶装置であってもよい。記憶部１２は、制御部１１が参照する各種プログラム及びデータを記憶する。記憶部１２に記憶されるプログラムには、要因情報の生成に関する処理をコンピュータに実行させるためのプログラム１Ｐが含まれる。
　記憶部１２に記憶されるプログラム（プログラム製品）は、記録媒体にコンピュータ読み取り可能に記録されている態様でもよい。記憶部１２は、不図示の読出装置によって記録媒体１Ａから読み出されたプログラムを記憶する。記録媒体１Ａは、例えば磁気ディスク、光ディスク、半導体メモリ等である。また、通信ネットワークに接続されている外部サーバからプログラムをダウンロードし、記憶部１２に記憶させてもよい。プログラム１Ｐは、単一のコンピュータプログラムでも複数のコンピュータプログラムにより構成されるものでもよく、また、単一のコンピュータ上で実行されても通信ネットワークによって相互接続された複数のコンピュータ上で実行されてもよい。
　記憶部１２はまた、第１学習モデル１２１及び質問ＤＢ（Data Base ：データベース）１２２を記憶する。第１学習モデル１２１は、所定の訓練データを学習済みの機械学習モデルである。第１学習モデル１２１は、人工知能ソフトウェアの一部を構成するプログラムモジュールとしての利用が想定される。記憶部１２は、第２学習モデル１２３及び／又は第３学習モデル１２４を記憶していてもよい。第２学習モデル１２３及び第３学習モデル１２４については他の実施形態で詳述する。
　通信部１３は、ネットワークＮを介して外部装置と通信するための通信モジュールを備える。制御部１１は、通信部１３を介してユーザ端末２との間でデータを送受信する。
　情報処理装置１の構成は上述の例に限定されず、例えばユーザの操作を受け付けるための操作部、各種情報を表示するための表示部等を備えてもよい。
　ユーザ端末２は、制御部２１、記憶部２２、通信部２３、表示部２４及び操作部２５を備える。
　制御部２１は、一又は複数のＣＰＵ、ＧＰＵ等を用いたプロセッサを備える。制御部２１は、内蔵するＲＯＭ又はＲＡＭ等のメモリ、クロック、カウンタ等を用い、各構成部を制御して処理を実行する。
　記憶部２２は、例えばハードディスク、フラッシュメモリ、ＳＳＤ等の不揮発性メモリを備える。記憶部２２は、制御部２１が参照する各種プログラム及びデータを記憶する。
　通信部２３は、通信に関する処理を行うための通信モジュールである。制御部２１は、通信部２３を介して情報処理装置１との間でデータを送受信する。
　表示部２４は、例えば液晶ディスプレイ又は有機ＥＬ（electroluminescence）ディスプレイ等のディスプレイ装置を備える。表示部２４は、制御部２１からの指示に従って各種の情報を表示する。操作部２５は、ユーザの操作を受け付けるインタフェースである。操作部２５は、例えばキーボード、ディスプレイ内蔵のタッチパネルデバイス、スピーカ及びマイクロフォン等を備える。操作部２５は、ユーザからの操作入力を受け付け、操作内容に応じた制御信号を制御部２１へ送出する。
　図３は、質問ＤＢ１２２に記憶される情報の内容例を示す図である。質問ＤＢ１２２は、慢性疼痛患者に対する質問に関する情報を格納するデータベースである。
　本実施形態の情報処理装置１は、慢性疼痛に関する質問に対する患者の回答を示す回答情報及び患者情報を取得し、取得した回答情報及び患者情報を後述する第１学習モデル１２１へ与えることにより、心理社会的要因に関する要因情報を推定する。慢性疼痛に関する質問には、慢性疼痛における心理社会的要因の関与の可能性を判定するための質問が含まれている。質問ＤＢ１２２には、上記回答情報及び患者情報を取得するための質問に関する情報が格納されている。質問ＤＢ１２２は、例えば質問項目、質問内容、及び回答の選択肢等の情報を対応付けて記憶している。
　回答情報を得るための質問には、慢性疼痛の要因を特定するための質問であって、慢性疼痛の状態に関する多面的な質問が含まれている。具体的には、痛みの状態を直接的に問う質問と、痛みに直接的には関係しない例えば心理的な状態を問う質問とが含まれている。図３に示す例にて、回答情報を得るための質問には、例えば不安、抑うつ、自己効力感、不眠、疼痛生活障害度、運動機能及び痛み等の各質問項目に関する質問が含まれている。痛みに関する質問には、例えば痛みの部位、痛みの原因、痛みの増悪因子、痛みの緩和因子及び痛みの日内変動等に関する質問が含まれている。なお、回答情報は、上述した全ての質問項目に関する質問に対する回答を含むことで後述する要因情報をより高精度に推定することができ好適であるが、上述した質問項目に関する質問から選択される少なくとも２つに対する回答を含むものであってもよい。
　回答情報を得るための質問にはさらに、希死念慮に関する質問が含まれてもよい。患者における希死念慮の有無は、心理社会的要因のレベルの高低に大きく影響すると考えられることから、希死念慮に関する質問を加えることにより、要因情報の推定精度の向上効果が期待される。
　患者情報を得るための質問には、患者に関する質問、特に患者の背景に関する質問が含まれている。図３に示す例にて、患者情報を得るための質問には、例えば患者の属性（例えば年齢、性別等）、既往症、精神科の通院歴及び処方薬歴、体重変化、家族の病気及び精神科の通院歴、来院時の家族の付き添い状況、並びに就労状況（収入源）等の各質問項目に関する質問が含まれている。なお、患者情報は、上述した全ての質問項目に関する質問に対する回答を含むことで後述する要因情報をより高精度に推定することができ好適であるが、上述した質問項目に関する質問から選択される少なくとも１つに対する回答を含むものであってもよい。
　質問内容には、各質問項目に係る質問が記憶されている。回答には、各質問への回答として設定される選択肢（候補となる回答の内容）が記憶されている。なお図３に示す質問内容等は単なる例示であり、質問ＤＢ１２２に記憶される情報は上記の例に限定されない。
　図４は、第１学習モデル１２１の概要を示す説明図である。第１学習モデル１２１は、慢性疼痛に関する質問に対する患者の回答情報及び患者に関する患者情報を入力として、心理社会的要因に関する要因情報を出力する機械学習モデルである。
　情報処理装置１は、所定の訓練データを学習する機械学習を行って第１学習モデル１２１を事前に生成しておく。そして情報処理装置１は、患者から受け付けた回答情報及び患者情報を第１学習モデル１２１に入力し、心理社会的要因に関する要因情報を出力する。
　第１学習モデル１２１に入力される回答情報及び患者情報は、例えば診療時に所定の質問票に対する患者の回答を受け付けることで取得される。患者は、質問票に含まれている各質問内容に対し、予め設定されている複数の選択肢の中から当てはまる項目を選択することで、質問に回答する。各質問内容に対する選択結果は回答情報及び患者情報に対応する。回答情報及び患者情報は、選択項目であるものに限らず、患者から文字入力を受け付けることで取得されるテキストデータを含んでもよい。回答情報及び患者情報は、選択項目であるものに限らず、患者から文字入力を受け付けることで取得されるテキストデータを含んでもよい。回答情報及び患者情報は、問診に対する患者の回答に応じた選択肢を医師等の医療従事者が入力することにより取得してもよい。患者情報は、看護記録又は予め登録されたカルテデータ等から取得してもよい。
　回答情報を得るための質問及び患者情報を得るための質問の合計数は、例えば５０個未満、４５個未満等、所定数未満とすることが好ましい。質問項目数を所定数未満とすることで、比較的短時間で効率的に回答を収集することができる。
　第１学習モデル１２１から出力される要因情報は、レベル０～４のいずれかで示される心理社会的要因の関与度合いのレベルである。
　本実施形態の第１学習モデル１２１は、一例として第１モデル１２１１及び第２モデル１２１２により構成される。第１モデル１２１１及び第２モデル１２１２はそれぞれ異なる学習アルゴリズムにより構築されたモデルであり、いずれも回答情報及び患者情報を入力として心理社会的要因に関する要因情報を出力する。情報処理装置１は、第１モデル１２１１及び第２モデル１２１２それぞれにおける要因情報を考慮し、最終的な要因情報を決定する。
　第１モデル１２１１は、例えばニューラルネットワークより構築される。第１モデル１２１１は、回答情報及び患者情報の入力を受け付ける入力層と、当該回答情報及び患者情報の特徴量を抽出する中間層（隠れ層）と、レベルを示す情報を出力する出力層とを有する。中間層は、入力されたそれぞれの値の特徴量を抽出する複数のノードを有し、各種パラメータを用いて抽出された特徴量を出力層に受け渡す。出力層は、例えば全結合層により構成され、中間層から出力された特徴量に基づいてレベルを示す情報を出力する。
　第１モデル１２１１への入力となる回答情報及び患者情報はそれぞれ、例えばテキストデータとして入力層へ入力されてもよく、回答を含む質問票等の画像データとして入力層へ入力されてもよい。回答情報及び患者情報として、フリーテキストの入力を受け付けた場合には、例えばテキストマイニングによる所定の前処理を施したデータを第１モデル１２１１へ入力してもよい。
　第１モデル１２１１の出力層は、設定されているレベルに各々対応する複数のノードを有する。出力層の各ノードは、各レベルに対する確度をスコアとして出力する。情報処理装置１は、スコアが最も高いレベル、あるいはスコアが閾値以上であるレベルを出力層の出力値とすることができる。なお出力層は、それぞれのレベルの確度を出力する複数の出力ノードを有する代わりに、最も確度の高いレベルを出力する１個の出力ノードを有してもよい。
　第２モデル１２１２は、例えばＸＧＢｏｏｓｔ（eXtreme Gradient Boosting ）により構築される。ＸＧＢｏｏｓｔは、勾配ブースティングと、ランダムフォレストとを組み合わせたアンサンブル学習の手法である。第２モデル１２１２は、複数の決定木（弱学習器）を構築し、１つ前までの決定木の情報を用いて新たな決定木を構築していくブースティングを行うよう構成されている。具体的には、１つ前の決定木では予測できなかった誤差（損失関数の勾配）を目的変数として新たな決定木が構築される。各決定木において、入力データは根から枝に行く途中で条件により分類され、末端の葉ノードに辿り着くと、当該末端の葉ノードに与えられた値が予測値として出される。
　第２モデル１２１２の出力は、心理社会的要因のレベルの分類結果である。第２モデル１２１２は、回答情報及び患者情報を入力した場合に、設定されている各レベルに対する確度を出力する。第２モデル１２１２は、確度が閾値以上であるレベルを出力値とすることができる。
　第１モデル１２１１及び第２モデル１２１２それぞれは、過去の診療において取得された複数の患者に係る回答情報及び患者情報と、心理社会的要因のレベルを示すラベルとが対応付けられた訓練データを用意し、当該訓練データを用いて未学習のモデルを機械学習させることにより生成することができる。正解となる心理社会的要因のレベルは、痛みの専門家等により判定されたレベルを用いてよい。正解となるレベルの判定は、複数の痛みの専門家により集学的に行われることが望ましい。
　情報処理装置１は、第１モデル１２１１の学習にあたり、訓練データに含まれる複数の回答情報及び患者情報を学習前のニューラルネットワークモデルの入力層に入力し、中間層での演算処理を経て、出力層から出力されるレベルを取得する。そして、情報処理装置１は、出力層から出力されたレベルと、訓練データに含まれるレベルとを比較し、出力層から出力されるレベルが正解値に近づくように、例えば誤差逆伝播法を用いて各種パラメータを最適化する。当該パラメータは、例えばニューロン間の重み（結合係数）等である。情報処理装置１は、例えば正解値との誤差が所定基準を満たすことにより学習を完了する。上述の処理により、回答情報及び患者情報に対し心理社会的要因のレベルの分類情報を適切に出力可能に学習された第１モデル１２１１を構築することができる。
　また情報処理装置１は、第２モデル１２１２の学習にあたり、訓練データに含まれる複数の回答情報及び患者情報を用い、第１の決定木を構築する。情報処理装置１は、入力データを第１の決定木に当てはめ、入力データと葉ノードに含まれる予測値との第１の残差を求める。次いで情報処理装置１は、得られた第１の残差を用い、同様の手順により第２の決定木を構築し、第１の残差と葉ノードに含まれる予測値との第２の残差を求める。第１の決定木と第２の決定木とを合成することでより精度が高くなるよう、第２の決定木が構築される。情報処理装置１は、以下同様の手順により決定木を逐次的に構築する。
　情報処理装置１は、第２モデル１２１２における損失関数を最適化するよう、例えば勾配降下法を用いパラメータを調整し、決定木を逐次的に学習、統合する。なお、情報処理装置１は、いわゆるオーバーフィッティング（過学習）を防止するため、損失関数を最適化する際、全ての説明変数を使用するのではなく、ランダムに決定された割合で説明変数の数を選定して用いる。情報処理装置１は、例えば損失関数が所定基準を満たすことにより学習を完了する。上述の処理により、回答情報及び患者情報に対し心理社会的要因のレベルの分類情報を適切に出力可能に学習された第２モデル１２１２を構築することができる。
　情報処理装置１は、第１モデル１２１１から出力される心理社会的要因のレベルと、第２モデル１２１２から出力される心理社会的要因のレベルとに基づき、最終的に１つの心理社会的要因のレベルを決定する。情報処理装置１は、一例として、第１モデル１２１１及び第２モデル１２１２から出力される各レベルの平均値に基づき、最終的な心理社会的要因のレベルを決定することができる。情報処理装置１は、第１モデル１２１１及び第２モデル１２１２の出力に対し、所定の重み付けを行ってもよい。情報処理装置１は、レベルの推定精度の高い方のモデルからの出力に対し多くの重み付けを行う。あるいは、情報処理装置１は、第１モデル１２１１及び第２モデル１２１２の優先度に従い、優先度の高いモデルの出力データを最終的な心理社会的要因のレベルとして採用してもよい。
　情報処理装置１は、心理社会的要因のレベルに基づき、心理社会的要因の有無の分類結果を出力してもよい。情報処理装置１は、例えば第１学習モデル１２１からの出力がレベル０又はレベル１の場合は心理社会的要因なし、レベル２以上の場合は心理社会的要因ありと分類することができる。
　なお第１モデル１２１１及び第２モデル１２１２それぞれは、心理社会的要因の有無を示す２値の分類結果を出力するよう構成されてもよく、心理社会的要因の関与率を示す連続値を出力するよう構成されてもよい。
　上記では、第１モデル１２１１がニューラルネットワークであり、第２モデル１２１２がＸＧＢｏｏｓｔである例を説明したが、第１モデル１２１１及び第２モデル１２１２の構成は限定されるものではない。第１モデル１２１１及び第２モデル１２１２は、回答情報及び患者情報に対し、心理社会的要因のレベルを識別可能であればよい。第１モデル１２１１及び第２モデル１２１２は、例えばＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Network）、ＳＶＭ（Support Vector Machine）、Ｔｒａｎｓｆｏｒｍｅｒ、ロジスティクス回帰、ランダムフォレスト等の他の学習アルゴリズムを用いてもよい。
　第１学習モデル１２１は２つのモデルを組み合わせるものに限らず、１つのモデルにより心理社会的要因のレベルを識別するように構成されてもよく、３つ以上のモデルを組み合わせて構成されてもよい。
　第１学習モデル１２１は、情報処理装置１により生成され、学習されるものに限られない。情報処理装置１は、通信可能に接続された外部サーバから学習済みの第１学習モデル１２１を受信し、記憶部１２に記憶してもよい。第１学習モデル１２１は、ユーザ端末２の記憶部２２に記憶されてもよい。
　図５は、第１実施形態における要因情報の取得処理手順の一例を示すフローチャートである。以下の各フローチャートにおける処理は、情報処理装置１の記憶部１２に記憶するプログラム１Ｐに従って制御部１１により実行されてもよく、制御部１１に備えられた専用のハードウェア回路（例えばＦＰＧＡ又はＡＳＩＣ）により実現されてもよく、それらの組合せによって実現されてもよい。
　情報処理装置１の制御部１１は、質問ＤＢ１２２に記憶する情報に基づき、回答情報及び患者情報を得るための質問をユーザ端末２へ送信する（ステップＳ１１）。制御部１１は、ユーザ端末２を通じて回答情報及び患者情報を取得する（ステップＳ１２）。
　ステップＳ１１及びステップＳ１２では制御部１１は、例えば回答情報及び患者情報の入力を受け付けるための質問及び回答選択肢の一覧を含む入力画面をユーザ端末２へ提供し、当該入力画面を利用して回答情報及び患者情報を取得してもよい。ユーザ端末２は、情報処理装置１から受信した入力画面を表示部２４へ表示する。患者は、所定の質問票に含まれる複数の質問に対する回答、すなわち回答情報及び患者情報を、操作部２５を通じて入力画面へ入力する。ユーザ端末２は、受け付けた回答情報及び患者情報を情報処理装置１へ送信する。ユーザ端末２は、ユーザ端末２に通信接続されている入力端末装置を通じて患者からの回答情報及び患者情報を受け付けてもよい。
　なお制御部１１は、ユーザ端末２を通じて回答情報及び患者情報を取得するものに限らず、例えば他の入力端末装置を通じて患者により入力された回答情報又は患者情報を直接的に受信してもよく、電子カルテシステム等にアクセスすることにより回答情報又は患者情報を取得してもよい。
　制御部１１は、取得した回答情報及び患者情報を第１学習モデル１２１に入力して、第１学習モデル１２１から出力される心理社会的要因のレベルを取得する（ステップＳ１３）。詳細には制御部１１は、回答情報及び患者情報を第１モデル１２１１及び第２モデル１２１２それぞれに入力して、第１モデル１２１１及び第２モデル１２１２それぞれから出力される心理社会的要因のレベルを取得する。
　制御部１１は、第１モデル１２１１及び第２モデル１２１２それぞれから出力される心理社会的要因のレベルに基づき、所定ルールに従い最終的な心理社会的要因のレベルを決定する（ステップＳ１４）。
　制御部１１は、第１学習モデル１２１に入力された回答情報及び患者情報に含まれる複数の項目のうち、第１学習モデル１２１による心理社会的要因のレベルの出力に寄与した寄与項目を特定する（ステップＳ１５）。寄与項目は、寄与した質問に対応付けられる質問項目である他に、質問に対する回答を示す情報であってもよく、回答を示す情報に対応付けられる質問であってもよい。
　寄与項目の特定手法は限定されるものではないが、例えば制御部１１は、ＳＨＡＰ（SHapley Additive exPlanation）、ＬＩＭＥ（Local Interpretable Model-Agnostic Explanations）等を用いて、各項目に対応する入力データの寄与度を算出する。寄与度が大きい程、心理社会的要因のレベルの分類に及ぼす影響が大きいことを示す。制御部１１は、例えば算出した寄与度が所定値以上である項目を寄与項目（寄与指標）として特定することができる。寄与項目は、寄与度が高いものから順に所定数の項目又は寄与度が最大であった項目としてもよい。
　制御部１１は、取得した心理社会的要因のレベル及び寄与項目を含む結果画面を生成する（ステップＳ１６）。制御部１１は、生成した結果画面をユーザ端末２へ送信し（ステップＳ１７）、ユーザ端末２の表示部２４へ表示させ、一連の処理を終了する。
　上述のフローチャートにおける各処理の処理主体は限定されるものではない。例えば図５における処理の一部又は全部は、ユーザ端末２で実行されてもよい。また、情報処理装置１は、要因情報を含む結果画面をユーザ端末２の表示部２４へ表示させるものに限らず、ユーザ端末２以外の装置に要因情報を含む結果画面を出力し、結果画面を表示させてもよい。
　図６は、第１実施形態における結果画面の一例を示す模式図である。表示部２４に表示される結果画面には、要因情報を表示する要因情報表示部２４１と、寄与項目を表示する寄与項目表示部２４２とが含まれている。さらに図６に示す例にて、結果画面には、例えば患者を識別するための患者ＩＤと、回答情報及び患者情報を識別するための回答ＩＤとが表示されている。
　情報処理装置１は、第１学習モデル１２１から出力される心理社会的要因のレベルを取得した場合、取得した心理社会的要因のレベルを要因情報表示部２４１に表示させる。要因情報表示部２４１は、例えばテキスト、グラフ、又はマーク等の態様により心理社会的要因のレベルを表示してもよい。
　また情報処理装置１は、取得した寄与項目を寄与項目表示部２４２に表示させる。複数の寄与項目を取得した場合、寄与項目表示部２４２は、寄与度の高いものから順に並べて寄与項目を表示する。寄与項目表示部２４２は、寄与項目に対応付けて寄与項目に係る寄与度を表示してもよい。寄与項目表示部２４２は、例えばグラフ又は表等を用いて、寄与項目又は全ての入力項目に係る寄与度の分布を表示してもよい。
　結果画面にはさらに、図６に示すように、患者の心理社会的要因のレベルの履歴を表示する履歴表示部２４３が含まれてもよい。情報処理装置１は、例えば、患者ＩＤに対応付けて過去に取得した心理社会的要因のレベルの推定結果を時系列順に記憶部１２に記憶しておく。情報処理装置１は、心理社会的要因のレベルの推定に際し受け付けた患者ＩＤに基づき、当該患者ＩＤに係る心理社会的要因のレベルの時系列データを記憶部１２から読み出し、読み出した心理社会的要因のレベルを時系列順に履歴表示部２４３に表示させる。
　本実施形態によれば、第１学習モデル１２１を用いて慢性疼痛における心理社会的要因を示唆する情報を精度よく推定することができる。第１学習モデル１２１は、複数のモデルにより学習されることで要因情報の推定精度を向上することができる。痛みを専門としない医師であっても、情報処理装置１から提供される要因情報を用いて心理社会的要因の関与を診断の段階から認識することができるため、医師の診療を好適に支援することができる。
　第１学習モデル１２１への入力要素として、慢性疼痛の要因を特定するための質問への回答を示す回答情報に加えて、患者の背景に関する質問への回答を示す患者情報を用いることにより、第１学習モデル１２１の推定精度を向上し得る。回答情報を得るための質問は、複数の質問項目を組み合わせて設定されることにより、患者の状態を多面的に解析することができる。また、モデルによる予測に寄与した寄与項目を可視化して表示することで、心理社会的要因の発現に影響を及ぼしている患者の特徴を効率的に把握することができる。
（第２実施形態）
　第２実施形態では、心理社会的要因に関する要因情報に加えて、器質的要因に関する要因情報を取得する。以下では主に第１実施形態との相違点を説明し、第１実施形態と共通する構成についてはその詳細な説明を省略する。
　器質的要因に関する要因情報とは、患者の慢性疼痛における器質的要因の関与に関する情報である。本実施形態では一例として、器質的要因に関する要因情報は、器質的要因の関与度合いに応じて複数の段階に分類される器質的要因のレベルを含むものとする。器質的要因のレベルは、一例として、レベル０～４の５段階に分類され、数値が大きい程器質的要因の関与度合いが高いことを示す。
　図７は、第２実施形態における要因情報の取得処理手順の一例を示すフローチャートである。
　情報処理装置１の制御部１１は、図５に示したステップＳ１１～ステップＳ１５と同様の処理を実行し、回答情報及び患者情報を第１学習モデル１２１に入力して、第１学習モデル１２１から出力される心理社会的要因のレベルを取得し、寄与項目を特定する。
　制御部１１は、慢性疼痛における器質的要因のレベルを取得する（ステップＳ１８）。制御部１１は、例えば、ユーザ端末２を通じて、医師の診断等による器質的要因のレベルの入力又は選択を受け付けることにより、器質的要因のレベルを取得してもよい。なお制御部１１は、例えば電子カルテシステムを通じて器質的要因のレベルを取得してもよい。
　制御部１１は、取得した心理社会的要因のレベル、器質的要因のレベル及び寄与項目を含む結果画面を生成する（ステップＳ１９）。制御部１１は、生成した結果画面をユーザ端末２へ送信し（ステップＳ２０）、ユーザ端末２の表示部２４へ表示させ、一連の処理を終了する。
　図８は、第２実施形態における結果画面の一例を示す模式図である。結果画面には、要因情報を表示する要因情報表示部２４１と、寄与項目を表示する寄与項目表示部２４２とが含まれている。第２実施形態における結果画面では、要因情報表示部２４１は、心理社会的要因のレベル及び器質的要因のレベルを表示する。
　情報処理装置１は、第１学習モデル１２１から出力される心理社会的要因のレベルと、ユーザ端末２から受信した器質的要因のレベルとを対応付けて要因情報表示部２４１に表示させる。情報処理装置１は、例えば縦軸を心理社会的要因のレベル、横軸を器質的要因のレベルとするマップ（グラフ）を生成する。マップ上における患者の各レベルに対応する位置に丸印等のオブジェクトを表示させることにより、患者の心理社会的要因のレベル及び器質的要因のレベルが認識可能に示される。なお要因情報表示部２４１は、テキスト、マーク等の態様により心理社会的要因のレベル及び器質的要因のレベルを表示してもよい。
　情報処理装置１は、要因情報表示部２４１に表示されるマップ上に、心理社会的要因及び器質的要因のレベルの時系列データを表示させてもよい。この場合、例えば時系列順に心理社会的要因及び器質的要因のレベルを示すオブジェクトの種類又は表示色を異ならせる等により、心理社会的要因及び器質的要因のレベルの時系列変化を認識可能に表示させることが好ましい。
　本実施形態によれば、心理社会的要因に関する要因情報に加えて、器質的要因に関する要因情報を提示することができるため、慢性疼痛における痛みの要因を複合的に把握することができる。要因情報は、例えばマップ形式で表示されることで視覚的に容易に把握できる。心理社会的要因と器質的要因とを対応付けて表示することで、患者の状態をより明確に認識することができる。
（第３実施形態）
　第３実施形態では、第２学習モデル１２３を用いて心理社会的要因に関する要因情報及び器質的要因に関する要因情報を推定する。以下では主に第１実施形態及び第２実施形態との相違点を説明し、これらと共通する構成についてはその詳細な説明を省略する。
　第３実施形態の情報処理装置１は、記憶部１２に第２学習モデル１２３を記憶している。図９は、第３実施形態における第２学習モデル１２３の概要を示す説明図である。第２学習モデル１２３は、回答情報及び患者情報を入力として、心理社会的要因に関する要因情報と、器質的要因に関する要因情報とを出力する機械学習モデルである。第２学習モデル１２３は、心理社会的要因に関する要因情報に加えて器質的要因に関する要因情報を出力すること以外は、第１実施形態の第１学習モデル１２１と同様である。
　上述の通り、器質的要因に関する要因情報とは慢性疼痛における器質的要因の関与に関する情報であり、例えば器質的要因のレベル、器質的要因の有無、器質的要因の関与率等の情報を含む。以下では、第２学習モデル１２３を用いて、心理社会的要因のレベルと、器質的要因のレベルとを出力する例を説明する。
　第３実施形態における第２学習モデル１２３は、第１実施形態と同様に、第１モデル１２３１及び第２モデル１２３２により構成される。第１モデル１２３１及び第２モデル１２３２はそれぞれ、回答情報及び患者情報を入力として、心理社会的要因のレベル及び器質的要因のレベルを出力する。第１モデル１２３１及び第２モデル１２３２は、出力情報の詳細が異なる点以外は第１実施形態と同様の構成である。
　第１モデル１２３１及び第２モデル１２３２は、心理社会的要因のレベル及び器質的要因のレベルそれぞれに対応する複数の出力層を備える構成であってもよい。第１モデル１２３１及び第２モデル１２３２は、心理社会的要因のレベルを出力とするモデルと、器質的要因のレベルを出力とするモデルとを備える構成であってもよい。
　第２学習モデル１２３は、心理社会的要因のレベルと、器質的要因のレベルとを別々に出力するものに限らず、心理社会的要因のレベル及び器質的要因のレベルの組み合わせを出力する構成であってもよい。すなわち第２学習モデル１２３は、回答情報及び患者情報を入力として、心理社会的要因のレベル及び器質的要因のレベルの組み合わせ（例えば心理社会的要因のレベル２且つ器質的要因のレベル２）を示す情報を出力する。
　情報処理装置１は、第１モデル１２３１及び第２モデル１２３２それぞれにおける心理社会的要因及び器質的要因のレベルを考慮し、最終的な心理社会的要因及び器質的要因のレベルを決定する。
　情報処理装置１は、複数の患者に係る回答情報及び患者情報と、心理社会的要因のレベル及び器質的要因のレベルを示すラベルとが対応付けられた訓練データに基づき、第２学習モデル１２３を生成する。これにより、回答情報及び患者情報に対し心理社会的要因のレベル及び器質的要因のレベルの分類情報を適切に出力可能に学習された第２学習モデル１２３を構築することができる。
　図１０は、第３実施形態における要因情報の取得処理手順の一例を示すフローチャートである。
　情報処理装置１の制御部１１は、図５に示したステップＳ１１～ステップＳ１２と同様の処理を実行し、質問を送信し（ステップＳ２１）、回答情報及び患者情報を取得する（ステップＳ２２）。
　制御部１１は、取得した回答情報及び患者情報を第２学習モデル１２３に入力して、第２学習モデル１２３から出力される心理社会的要因のレベル及び器質的要因のレベルを取得する（ステップＳ２３）。詳細には制御部１１は、回答情報及び患者情報を第１モデル１２３１及び第２モデル１２３２それぞれに入力する。そして制御部１１は、第１モデル１２３１及び第２モデル１２３２それぞれから出力される心理社会的要因のレベル及び器質的要因のレベルを取得する。
　制御部１１は、第１モデル１２３１及び第２モデル１２３２それぞれから出力される心理社会的要因のレベル及び器質的要因のレベルに基づき、所定ルールに従い最終的な心理社会的要因のレベル及び器質的要因のレベルを決定する（ステップＳ２４）。
　制御部１１は、第２学習モデル１２３に入力された回答情報及び患者情報に含まれる複数の項目のうち、第２学習モデル１２３による心理社会的要因のレベル及び器質的要因のレベルの出力に寄与した寄与項目を特定する（ステップＳ２５）。
　制御部１１は、図７に示したステップＳ１９～ステップＳ２０と同様の処理を実行し、取得した心理社会的要因のレベル及び器質的要因のレベルを含む結果画面を生成し（ステップＳ２６）、生成した結果画面をユーザ端末２へ送信する（ステップＳ２７）。制御部１１は、結果画面をユーザ端末２の表示部２４へ表示させ、一連の処理を終了する。第３実施形態における結果画面の一例を示す模式図としては、例えば、第２実施形態における結果画面の一例を示す模式図として示した図８が挙げられる。
　本実施形態によれば、第２学習モデル１２３により心理社会的要因に関する要因情報に加えて、器質的要因に関する要因情報を同時に推定することができる。第２学習モデル１２３を用いて心理社会的要因及び器質的要因を示唆する情報を容易且つ精度よく提供することができるため、本情報処理システム１００の利便性を向上し、医師における慢性疼痛の診療をより好適に支援することができる。
（第４実施形態）
　第４実施形態では、第３学習モデル１２４を用いて診断名候補及び治療情報を推定する。以下では主に第１実施形態から第３実施形態との相違点を説明し、これらと共通する構成についてはその詳細な説明を省略する。
　図１１は、第４実施形態における第３学習モデル１２４の概要を示す説明図である。第３学習モデル１２４は、回答情報、患者情報及び心理社会的要因に関する要因情報を入力として、診断名候補及び治療情報を出力する機械学習モデルである。
　診断名候補とは、慢性疼痛に対する診断名を示唆するための情報であり、例えば候補となり得る一又は複数の診断名を含む。治療情報とは、慢性疼痛に対する治療方法を示唆するための情報であり、例えば候補となり得る一又は複数の治療方法を示す情報を含む。
　第３学習モデル１２４は、例えばニューラルネットワークより構築される。第３学習モデル１２４は、回答情報、患者情報及び要因情報の入力を受け付ける入力層と、入力データの特徴量を抽出する中間層と、診断名候補及び治療情報を示す情報を出力する出力層とを有する。
　第３学習モデル１２４へ入力される回答情報及び患者情報は、第１学習モデル１２１へ入力される回答情報及び患者情報と同様である。第３学習モデル１２４へ入力される心理社会的要因に関する要因情報は、第１学習モデル１２１から出力された心理社会的要因に関する要因情報である。
　第３学習モデル１２４への入力要素にはさらに、器質的要因に関する要因情報が含まれていてもよい。この場合、第３学習モデル１２４は、第２学習モデル１２３から出力された心理社会的要因及び器質的要因に関する要因情報を入力とするものであってもよい。あるいは第３学習モデル１２４は、第１学習モデル１２１から出力された心理社会的要因に関する要因情報と、医師の診断等による器質的要因に関する要因情報とを入力とするものであってもよい。
　第３学習モデル１２４の出力層は、診断名候補及び治療情報を出力する。第３学習モデル１２４は、各出力項目に対応する複数の出力層を備える構成であってもよい。第３学習モデル１２４は、各出力項目を出力とする複数のモデルを備える構成であってもよい。
　情報処理装置１は、複数の回答情報、患者情報、並びに心理社会的要因及び必要に応じて器質的要因に関する要因情報と、診断名候補及び治療情報を示すラベルとが対応付けられた訓練データに基づき、第３学習モデル１２４を生成する。これにより、回答情報、患者情報、並びに心理社会的要因及び必要に応じて器質的要因に関する要因情報に対し、診断名候補及び治療情報の識別結果を適切に出力可能に学習された第３学習モデル１２４を構築することができる。情報処理装置１は、生成した第３学習モデル１２４を記憶部１２に記憶する。
　なお第３学習モデル１２４は、機械学習モデルに限られず、ルールベースの手法や特定の数式によって診断名候補及び治療情報を導出するものであってもよい。
　また本実施形態は診断名候補及び治療情報の両方を取得するものに限らず、診断名候補及び治療情報のいずれかを取得するものであってもよい。第３学習モデル１２４は、診断名候補及び治療情報のいずれか一方を出力する構成であってもよい。
　図１２は、第４実施形態の情報処理装置１が実行する処理手順の一例を示すフローチャートである。
　情報処理装置１の制御部１１は、図５のステップＳ１２で取得した回答情報及び患者情報と、ステップＳ１４で取得した心理社会的要因に関する要因情報（心理社会的要因のレベル）とを第３学習モデル１２４に入力する（ステップＳ３１）。
　制御部１１は、第３学習モデル１２４から出力される診断名候補及び治療情報を取得する（ステップＳ３２）。
　制御部１１は、取得した診断名候補及び治療情報と、心理社会的要因に関する要因情報とを含む画面を生成する（ステップＳ３３）。制御部１１は、生成した画面をユーザ端末２へ送信し（ステップＳ３４）、ユーザ端末２の表示部２４へ表示させ、一連の処理を終了する。
　図１３は、第４実施形態における診断名候補及び治療情報を含む画面の一例を示す模式図である。図１３では、第２実施形態で説明した結果画面（図８参照）により、診断名候補及び治療情報をさらに表示する例を示す。画面には、要因情報表示部２４１及び寄与項目表示部２４２に加えて、診断名候補を表示する診断名表示部２４４及び治療方法を表示する治療方法表示部２４５が含まれている。画面にはさらに、履歴表示部２４３が含まれてもよい。
　情報処理装置１は、第３学習モデル１２４から出力された診断名候補及び治療方法を取得した場合、取得した診断名候補を示すテキストを診断名表示部２４４に表示させるとともに、取得した治療方法を示すテキストを治療方法表示部２４５に表示させる。図１３に示すように、画面を通じて心理社会的要因及び器質的要因に関する要因情報と、当該要因情報に応じた診断名候補及び治療情報とが対応付けて表示される。
　なお診断名表示部２４４及び治療方法表示部２４５は結果画面に含まれるものに限らず、別画面にて表示される構成であってもよい。
　本実施形態によれば、心理社会的要因及び必要に応じて器質的要因に関する要因情報に加えて、当該要因情報に応じた診断名候補及び治療情報を示唆する情報を提示することができるため、医師における痛みの診療をより好適に支援することができる。
（第５実施形態）
　第５実施形態では、第１学習モデル１２１を再学習する構成を説明する。以下では主に第１実施形態から第４実施形態との相違点を説明し、これらと共通する構成についてはその詳細な説明を省略する。
　第５実施形態の情報処理装置１は、第１学習モデル１２１を用いて出力した心理社会的要因に関する要因情報である心理社会的要因のレベルに対し、心理社会的要因のレベルを修正する修正情報を医師から受け付ける。情報処理装置１は、受け付けた修正情報に基づき第１学習モデル１２１を再学習する。
　図１４は、第５実施形態の情報処理装置１が実行する処理手順の一例を示すフローチャートである。
　情報処理装置１の制御部１１は、ユーザ端末２を通じて心理社会的要因のレベルに対する修正情報を取得する（ステップＳ４１）。ステップＳ４１では制御部１１は、例えば図６で例示した結果画面を利用して、第１学習モデル１２１の推定結果として表示した心理社会的要因のレベルを修正する修正入力を受け付ける。さらに制御部１１は、表示した心理社会的要因のレベルが誤りである場合には、正しい心理社会的要因のレベルの入力を受け付ける。
　制御部１１は、心理社会的要因のレベルに対する修正情報を用いて第１学習モデル１２１の再学習を行い、第１学習モデル１２１を更新する（ステップＳ４２）。具体的には、制御部１１は、第１学習モデル１２１に入力した回答情報及び患者情報と、心理社会的要因のレベルに対する修正情報とを訓練データとする再学習を行い、第１学習モデル１２１を更新する。制御部１１は、第１学習モデル１２１から出力される心理社会的要因のレベルが修正後の心理社会的要因のレベルに近似するようパラメータを最適化し、第１学習モデル１２１を再生成する。
　なお再学習する学習モデルは第１学習モデル１２１に限らず、第２学習モデル１２３、第３学習モデル１２４であってもよい。情報処理装置１は、心理社会的要因に関する要因情報に代えて又は心理社会的要因に関する要因情報に加えて器質的要因に関する要因情報に対する修正情報を受け付け、受け付けた器質的要因に関する要因情報に対する修正情報に基づき、第２学習モデル１２３を再学習してもよい。情報処理装置１は、診断名候補及び／又は治療方法に対する修正情報を受け付け、受け付けた診断名候補及び／又は治療方法に対する修正情報に基づき、第３学習モデル１２４を再学習してもよい。
　本実施形態によれば、本情報処理システム１００の運用を通じて第１学習モデル１２１、第２学習モデル１２３及び／又は第３学習モデル１２４を最適化することができる。
（第６実施形態）
　第６実施形態では、質問項目の詳細が異なる。以下では主に第１実施形態から第５実施形態との相違点を説明し、これらと共通する構成についてはその詳細な説明を省略する。
　図１５は、第６実施形態の質問ＤＢ１２２に記憶される情報の内容例を示す図である。図１５では、第１実施形態の図３とは異なる質問項目のみを示す。第６実施形態では、図１５に示すように、質問として、第１実施形態で例示した項目に加えて、認知機能情報を得るための質問であって、認知機能に関する各質問項目に関する質問（以下、「認知機能に関する質問」とも称する。）が含まれている。
　認知機能に関する質問には、患者の認知機能低下（見当識障害）の可能性を検査するための質問が含まれている。認知機能に関する質問には、例えば、質問が行なわれている日や場所に関して、日付、季節、地名、施設名等を問う質問が含まれる。患者の認知機能が低下している場合には、認知機能が低下していない場合に比べて質問に対する回答の信頼度が低下するため、要因情報の推定精度が低下するおそれがある。本実施形態では、認知機能に関する質問を加えることにより、当該質問を通じて、予め認知機能低下の可能性の有無を判定する。認知機能低下の可能性の有無は、要因情報の推定精度低下の可能性の有無に相当する。
　認知機能低下の可能性の有無は、例えば質問に対する患者の正答数又は正答率に基づいて、情報処理装置１が自動的に判定する。情報処理装置１は、認知機能に関する質問への患者の回答と、予め設定される正解とを比較することにより、患者の正答数又は正答率を算出する。算出した正答数又は正答率が予め設定される閾値以上である場合、情報処理装置１は、認知機能低下の可能性がなく、すなわち要因情報の推定精度低下の可能性がないと判定する。算出した正答数又は正答率が予め設定される閾値未満である場合、情報処理装置１は、認知機能低下の可能性があり、すなわち要因情報の推定精度低下の可能性があると判定する。認知機能低下の可能性及び要因情報の推定精度低下の可能性は、有り又は無しの２分類に限らず、例えば正答数又は正答率に応じた可能性の高さに基づいて、複数レベルに分類されてもよい。
　認知機能低下の可能性の判定方法は上述の例に限定されず、例えば質問への回答に応じて認知機能低下の可能性を推定するよう学習された機械学習モデルを用いて判定してもよい。第１学習モデル１２１又は第２学習モデル１２３は、認知機能に関する質問に係る認知機能情報を入力要素にさらに含み、認知機能低下の可能性をさらに出力するよう構成されてもよい。
　なお、認知機能に関する質問は、認知機能低下の可能性の判定にのみ用いられる構成であってもよい。すなわち、各種要因情報の推定には、認知機能に関する質問に対する回答を表す認知機能情報は用いられず、認知機能に関する質問以外の質問への回答を表す回答情報及び患者情報が用いられる構成であってもよい。
　図１６は、第６実施形態の情報処理装置が実行する処理手順の一例を示すフローチャートである。
　情報処理装置１の制御部１１は、図５に示したステップＳ１１～ステップＳ１２と同様の処理を実行し、質問を送信し（ステップＳ５１）、回答情報、認知機能情報及び患者情報を取得する（ステップＳ５２）。質問には認知機能の各質問項目に関する質問が含まれており、取得される回答にはそれら質問への回答が含まれる。
　制御部１１は、取得した認知機能情報に基づいて、認知機能低下の可能性の有無を判定する（ステップＳ５３）。ステップＳ５３は、要因情報の推定精度低下の可能性の有無の判定処理に対応する。制御部１１は、例えば質問に対する患者の正答数又は正答率が所定値以上であるか否かを判定することにより、認知機能低下の可能性の有無を判定する。
　以降、制御部１１は、例えば図５に示したステップＳ１３～ステップＳ１７の処理を実行する。制御部１１は、ステップＳ５３における認知機能低下の可能性の有無の判定結果を含む結果画面を生成し、ユーザ端末２へ送信する。
　図１７は、第６実施形態における結果画面の一例を示す模式図である。表示部２４に表示される結果画面には、認知機能低下の可能性の有無の判定結果を表示する判定結果表示部２４６が含まれている。判定結果表示部２４６は、例えば「認知機能低下の可能性あり（見当識障害の可能性あり）」のような文書を表示する。認知機能低下の可能性が有ることは、要因情報の推定精度低下の可能性が有ることを意味する。
　情報処理装置１は、認知機能低下の可能性が有ると判定した場合、所定の文書を判定結果表示部２４６に表示させる。情報処理装置１は、認知機能低下の可能性が有ると判定した場合にのみ、判定結果表示部２４６を表示させてもよい。この場合、判定結果表示部２４６は、認知機能低下の可能性があることを通知する通知部として機能する。ユーザは、判定結果表示部２４６に表示される情報により、患者に認知機能低下の可能性が有り、要因情報の推定精度低下の可能性が有ることを明確に把握することができる。
　本実施形態によれば、より多様な質問に対する回答を収集することにより、要因情報の推定精度を向上するとともに、要因情報の推定に対する信頼性を向上することができる。
　今回開示した実施の形態は、全ての点で例示であって、制限的なものではないと考えられるべきである。各実施例にて記載されている技術的特徴は互いに組み合わせることができ、本発明の範囲は、請求の範囲内での全ての変更及び請求の範囲と均等の範囲が含まれることが意図される。
　各実施形態に示すシーケンスは限定されるものではなく、矛盾の無い範囲で、各処理手順はその順序を変更して実行されてもよく、また並行して複数の処理が実行されてもよい。各処理の処理主体は限定されるものではなく、矛盾の無い範囲で、各装置の処理を他の装置が実行してもよい。
　各実施形態に記載した事項は相互に組み合わせることが可能である。また、請求の範囲に記載した独立請求項及び従属請求項は、引用形式に関わらず全てのあらゆる組み合わせにおいて、相互に組み合わせることが可能である。
　１００　情報処理システム
　１　情報処理装置
　１１　制御部
　１２　記憶部
　１３　通信部
　１２１　第１学習モデル
　１２２　質問ＤＢ
　１２３　第２学習モデル
　１２４　第３学習モデル
　１Ｐ　プログラム
　１Ａ　記録媒体
　２　ユーザ端末
　２１　制御部
　２２　記憶部
　２３　通信部
　２４　表示部
　２５　操作部

Claims (16)

  1. 　慢性疼痛に関する質問に対する患者の回答情報及び前記患者の患者情報を取得し、
    　回答情報及び患者情報を入力した場合に心理社会的要因に関する要因情報を出力するよう学習された学習モデルに、取得した回答情報及び患者情報を入力して心理社会的要因に関する要因情報を出力する
    　処理をコンピュータに実行させるプログラム。
  2. 　慢性疼痛における心理社会的要因の関与度合いに応じた心理社会的要因のレベルを含む前記要因情報を出力する、
    　請求項１に記載のプログラム。
  3. 　前記回答情報は、不安に関する質問、抑うつに関する質問、自己効力感に関する質問、不眠に関する質問、疼痛生活障害度に関する質問、運動機能に関する質問、痛みに関する質問及び希死念慮に関する質問から選ばれる少なくとも２つに対する回答を含む、
    　請求項１又は請求項２に記載のプログラム。
  4. 　前記患者情報は、患者の年齢、患者の性別、患者の既往症、患者の精神科の通院歴、患者の処方薬歴、患者の体重変化、家族の病気、家族の精神科の通院歴、家族の付き添い状況及び就労状況から選ばれる少なくとも１つを含む、
    　請求項１から請求項３のいずれか１項に記載のプログラム。
  5. 　慢性疼痛における器質的要因の関与度合いに応じた器質的要因のレベルを取得し、
    　取得した器質的要因のレベルと、前記心理社会的要因のレベルとに基づくマップを出力する、
    　請求項１から請求項４のいずれか１項に記載のプログラム。
  6. 　回答情報及び患者情報を入力した場合に、さらに器質的要因に関する要因情報を出力するよう学習された前記学習モデルに、取得した回答情報及び患者情報を入力して心理社会的要因及び器質的要因に関する要因情報を出力する、
    　請求項１から請求項５のいずれか１項に記載のプログラム。
  7. 　出力した前記要因情報に対する修正を受け付け、
    　前記学習モデルに入力した回答情報及び患者情報と、修正後の前記要因情報とに基づく再学習を行い、前記学習モデルを更新する、
    　請求項１から請求項６のいずれか１項に記載のプログラム。
  8. 　前記学習モデルはニューラルネットワークを含む第１モデルと、決定木を含む第２モデルとを含み、前記第１モデル及び第２モデルの出力に基づき前記要因情報を取得する、
    　請求項１から請求項７のいずれか１項に記載のプログラム。
  9. 　前記回答情報及び患者情報に含まれる複数の項目のうち、前記学習モデルによる前記要因情報の出力に寄与した寄与項目を取得する、
    　請求項１から請求項８のいずれか１項に記載のプログラム。
  10. 　前記要因情報に応じた診断名候補を取得し、
    　取得した診断名候補と前記要因情報とを関連付けて出力する、
    　請求項１から請求項９のいずれか１項に記載のプログラム。
  11. 　前記要因情報に応じた治療方法を取得し、
    　取得した治療方法と前記要因情報とを関連付けて出力する、
    　請求項１から請求項１０のいずれか１項に記載のプログラム。
  12. 　さらに認知機能に関する質問に対する患者の回答を含む認知機能情報を取得し、
    　取得した前記認知機能情報に基づいて、前記要因情報の出力精度低下の可能性を判定する、
    　請求項１から請求項１１のいずれか１項に記載のプログラム。
  13. 　前記認知機能情報に基づいて、前記患者の認知機能低下の可能性を判定し、
    　前記認知機能低下の可能性の判定結果に基づいて、前記要因情報の出力精度低下の可能性を判定する、
    　請求項１２に記載のプログラム。
  14. 　判定した前記要因情報の出力精度低下の可能性を、前記要因情報に関連付けて出力する、
    　請求項１２又は請求項１３に記載のプログラム。
  15. 　慢性疼痛に関する質問に対する患者の回答情報及び前記患者の患者情報を取得し、
    　回答情報及び患者情報を入力した場合に心理社会的要因に関する要因情報を出力するよう学習された学習モデルに、取得した回答情報及び患者情報を入力して心理社会的要因に関する要因情報を出力する
    　処理を実行する制御部を備える
    　情報処理装置。
  16. 　慢性疼痛に関する質問に対する患者の回答情報及び前記患者の患者情報を取得し、
    　回答情報及び患者情報を入力した場合に心理社会的要因に関する要因情報を出力するよう学習された学習モデルに、取得した回答情報及び患者情報を入力して心理社会的要因に関する要因情報を出力する
    　処理をコンピュータが実行する情報処理方法。
     
PCT/JP2023/016880 2022-05-02 2023-04-28 プログラム、情報処理装置及び情報処理方法 WO2023214547A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022076300 2022-05-02
JP2022-076300 2022-05-02

Publications (1)

Publication Number Publication Date
WO2023214547A1 true WO2023214547A1 (ja) 2023-11-09

Family

ID=88646484

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/016880 WO2023214547A1 (ja) 2022-05-02 2023-04-28 プログラム、情報処理装置及び情報処理方法

Country Status (2)

Country Link
TW (1) TW202406511A (ja)
WO (1) WO2023214547A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007000970A1 (ja) * 2005-06-27 2007-01-04 Ono Pharmaceutical Co., Ltd. 疼痛治療剤
WO2019225577A1 (ja) * 2018-05-22 2019-11-28 オムロンヘルスケア株式会社 リスク管理装置、リスク管理方法及びリスク管理プログラム
JP2020177707A (ja) * 2019-03-27 2020-10-29 株式会社 バイオミメティクスシンパシーズ 勃起不全患者のためのプログラム及びシステム
JP2021096775A (ja) * 2019-12-19 2021-06-24 富士通株式会社 学習方法、学習プログラムおよび情報処理装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007000970A1 (ja) * 2005-06-27 2007-01-04 Ono Pharmaceutical Co., Ltd. 疼痛治療剤
WO2019225577A1 (ja) * 2018-05-22 2019-11-28 オムロンヘルスケア株式会社 リスク管理装置、リスク管理方法及びリスク管理プログラム
JP2020177707A (ja) * 2019-03-27 2020-10-29 株式会社 バイオミメティクスシンパシーズ 勃起不全患者のためのプログラム及びシステム
JP2021096775A (ja) * 2019-12-19 2021-06-24 富士通株式会社 学習方法、学習プログラムおよび情報処理装置

Also Published As

Publication number Publication date
TW202406511A (zh) 2024-02-16

Similar Documents

Publication Publication Date Title
US20200111578A1 (en) Methods and systems for software clinical guidance
US11144825B2 (en) Interpretable deep learning framework for mining and predictive modeling of health care data
US10943676B2 (en) Healthcare information technology system for predicting or preventing readmissions
KR20220004639A (ko) 개인 맞춤식 디지털 치료 방법 및 디바이스
Morton et al. EHR acceptance factors in ambulatory care: a survey of physician perceptions
US20140095201A1 (en) Leveraging Public Health Data for Prediction and Prevention of Adverse Events
US11640403B2 (en) Methods and systems for automated analysis of behavior modification data
EP1393254A1 (en) Systems and methods for adaptive medical decision support
US20200388360A1 (en) Methods and systems for using artificial neural networks to generate recommendations for integrated medical and social services
KR20200123574A (ko) 학습 기반의 증상 및 질환 관리 장치 및 방법
US20210375443A1 (en) System and Method Associated with Determining Physician Attribution Related to In-Patient Care Using Prediction-Based Analysis
WO2019246032A1 (en) System and method for providing a neurological assessment of a subject
Bien et al. What influence do courses at medical school and personal experience have on interest in practicing family medicine?–Results of a student survey in Hessia
Hwang et al. How artificial intelligence (AI) supports nursing education: Profiling the roles, applications, and trends of AI in nursing education research (1993–2020)
CN112542242A (zh) 数据转换/症状评分
Gustafson et al. Increasing understanding of patient needs during and after hospitalization
KR102516351B1 (ko) 산재노동자를 위한 재활 프로그램 세트 추천 방법, 장치 및 시스템
US20210151148A1 (en) Action planner systems and methods to simulate and create a recommended action plan for a physician and a care team, optimized by outcome
WO2023214547A1 (ja) プログラム、情報処理装置及び情報処理方法
JP2020204910A (ja) 情報処理装置、情報処理方法、プログラム及び学習済みモデル
Haraldsson et al. The use of predictive models in dynamic treatment planning
WO2019123726A1 (ja) 指導支援システム、指導支援方法及び指導支援プログラム
JP7044929B1 (ja) プログラム、情報処理方法及び情報処理装置
KR102419322B1 (ko) 산업 근로 환경 관련 질환요인에 대한 노출 위험도 기반 산업재해 진단 시뮬레이터 시스템
JP6737489B1 (ja) 情報処理装置、情報処理方法及びプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23799477

Country of ref document: EP

Kind code of ref document: A1