WO2025182005A1 - 傷病名推定装置、傷病名推定方法および記録媒体 - Google Patents

傷病名推定装置、傷病名推定方法および記録媒体

Info

Publication number
WO2025182005A1
WO2025182005A1 PCT/JP2024/007522 JP2024007522W WO2025182005A1 WO 2025182005 A1 WO2025182005 A1 WO 2025182005A1 JP 2024007522 W JP2024007522 W JP 2024007522W WO 2025182005 A1 WO2025182005 A1 WO 2025182005A1
Authority
WO
WIPO (PCT)
Prior art keywords
injury
illness
name
patient
estimation
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/JP2024/007522
Other languages
English (en)
French (fr)
Inventor
照生 宮野
識史 尾田
玲未 沼尻
雅洋 久保
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
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 NEC Corp filed Critical NEC Corp
Priority to PCT/JP2024/007522 priority Critical patent/WO2025182005A1/ja
Publication of WO2025182005A1 publication Critical patent/WO2025182005A1/ja
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

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

Definitions

  • This disclosure relates to an injury/illness name estimation device, etc.
  • Investigations into the illness or injury suffered by a patient may be conducted to determine the use of medication or to confirm the details of medical fees claimed on prescriptions.
  • Investigations into the illness or injury suffered by a patient may be conducted by an entity that is unable to directly check the entries in the medical record.
  • an investigation into an illness or injury is conducted by an entity that is unable to directly check the entries in the medical record, for example, there is often a lack of information to identify the illness or injury suffered by the patient. In such cases, the investigation is conducted by inferring the illness or injury suffered by the patient based on information that the investigating entity can obtain, or information that can be obtained from sources other than the medical record.
  • the disease name inference system of Patent Document 1 generates a learning model through machine learning based on learning data that associates prescription drugs and disease name data from prescription data. The disease name inference system of Patent Document 1 then infers the name of the disease for which the prescription drug is intended from the prescription data input into the learning model.
  • Patent Document 1 may not be accurate enough in estimating the illness or injury a patient is suffering from.
  • the present disclosure aims to provide an injury or illness name estimation device that can improve the accuracy of estimating the injury or illness that a patient is suffering from.
  • an illness or injury name estimation device comprises an acquisition means for acquiring medical accounting data, an extraction means for extracting time-series medical information for each patient from the medical accounting data, an estimation means for estimating the name of each patient's illness or injury based on the acquired time-series medical information for each patient using an estimation model that estimates the name of a patient's illness or injury from the time-series medical information, and an output means for outputting information related to the estimated illness or injury name.
  • a method for estimating the name of an illness or injury acquires medical accounting data, extracts time-series medical information for each patient from the medical accounting data, estimates the name of an illness or injury for each patient based on the acquired time-series medical information for each patient using an estimation model that estimates the name of a patient's illness or injury from the time-series medical information, and outputs information related to the estimated name of the illness or injury.
  • a recording medium non-temporarily records an illness or injury name estimation program that causes a computer to execute the following processes: acquiring medical accounting data; extracting time-series medical information for each patient from the medical accounting data; estimating the name of each patient's illness or injury based on the acquired time-series medical information for each patient using an estimation model that estimates the name of the patient's illness or injury from the time-series medical information; and outputting information related to the estimated illness or injury name.
  • This disclosure makes it possible to improve the accuracy of estimating the illness or injury a patient is suffering from.
  • FIG. 1 is a diagram illustrating an example of the configuration of a medical information system according to the present disclosure.
  • 1 is a diagram illustrating an example of the configuration of an injury/illness name estimation device according to the present disclosure.
  • FIG. 10 is a diagram showing an example of an estimation result of an injury or illness name in the present disclosure.
  • FIG. 10 is a diagram showing an example of an estimation result of an injury or illness name in the present disclosure.
  • FIG. 10 is a diagram showing an example of an estimation result of an injury or illness name in the present disclosure.
  • FIG. 10 is a diagram showing an example of an estimation result of an injury or illness name in the present disclosure.
  • FIG. 2 is a diagram illustrating an example of an operation flow of the injury/illness name estimation device according to the present disclosure.
  • 1 is a diagram illustrating an example of a hardware configuration of an injury/illness name estimation device according to the present disclosure.
  • FIG. 1 is a diagram showing an example of the configuration of a medical information system.
  • the medical information system includes, for example, an injury/illness name estimation device 10, a medical accounting device 20, a medical data management device 30, and a terminal device 40.
  • the injury/illness name estimation device 10 is connected to the medical accounting device 20, for example, via a network.
  • the injury/illness name estimation device 10 is also connected to the terminal device 40, for example, via a network.
  • the medical accounting device 20 is also connected to the medical data management device 30, for example, via a network.
  • the numbers of medical accounting devices 20, medical data management devices 30, and terminal devices 40 can be set as appropriate.
  • the medical information system estimates the name of a patient's illness or injury based on medical accounting data. For example, when medication is prescribed for a patient, the medical information system estimates the name of the illness or injury for which the medication is prescribed based on medical accounting data. For example, the medical information system estimates the name of the illness or injury that is the main cause of the symptoms for which the medication is prescribed as the name of the illness or injury for which the medication is prescribed. In other words, the medical information system estimates the name of the illness or injury for which treatment is actually being performed.
  • the illness or injury for which treatment is actually being performed is, for example, the illness or injury that is causing the symptoms for which treatment is being performed.
  • the illness or injury for which treatment is actually being performed may, for example, be the main illness.
  • the illness or injury that is the primary cause of the symptoms is the illness or injury that is causing the pain.
  • a patient with colon cancer may experience severe lower back pain.
  • a doctor may prescribe a compress containing an analgesic and anti-inflammatory agent to a patient experiencing severe lower back pain due to colon cancer as a medication for the lower back pain.
  • the illness or injury that is the primary cause of the symptoms is colon cancer.
  • the claim for medical insurance payment may be submitted using the actual symptoms as the illness or injury.
  • a compress containing an analgesic and anti-inflammatory agent is covered by insurance for lower back pain, but colon cancer is not.
  • the claim for medical insurance payment is submitted for the medication for lower back pain, but the illness or injury that is the primary cause of the symptoms is, for example, colon cancer.
  • the medical information system estimates the actual illness or injury for which the medication is prescribed.
  • a medical information system estimates the name of an illness or injury based on chronological medical information contained in medical accounting data.
  • Medical accounting data is, for example, data used to bill patients for medical expenses.
  • Medical accounting data includes, for example, medical information about patients.
  • Patient medical information includes, for example, the details of medical procedures performed on the patient and information about the date the procedures were performed.
  • the details of medical procedures include, for example, the name of the patient's illness or injury, examination, surgery, testing, injections, medication, treatment, rehabilitation, counseling, and the details of meals provided to the patient.
  • the details of medical procedures may include information indicating the body part to be treated.
  • Treatment procedures include, for example, irradiation with radiation, shock waves, or ultraviolet light, suction, removal, excision, or suturing.
  • Medical accounting data also includes data extracted from a portion of the medical accounting data.
  • medical accounting data may be receipt or prescription data.
  • a receipt is also called, for example, a medical fee statement, a dispensing fee statement, or a visiting nursing care fee statement.
  • Chronological medical information is, for example, information indicating the chronological order of medical procedures performed during the treatment period for an injury or illness, as well as the details of the procedures.
  • the medical procedures performed in this order include a physical examination, an abdominal X-ray, a colonoscopy, a biopsy, radiation therapy, administration of an anti-cancer drug, and prescription of an anti-inflammatory analgesic compress for lower back pain
  • the chronological medical information is information listing the details of the medical procedures in the above order.
  • the anti-inflammatory analgesic compress may be treated as a prescription for lower back pain, for example.
  • radiation therapy and administration of an anti-cancer drug have been performed, it is highly likely that the lower back pain is caused by colon cancer.
  • the medical information system would estimate that the illness or disease suffered by a patient who has been prescribed an anti-inflammatory analgesic for lower back pain is colon cancer. In this way, the medical information system would estimate, for example, the name of the illness or disease that is the primary cause of the symptoms experienced by a patient who has been prescribed medication.
  • Chronological medical information may also be information indicating the date and time of each medical procedure performed during the treatment period for an injury or illness, as well as the details of the medical procedure. Time-series medical information is not limited to the above.
  • FIG. 2 is a diagram showing an example of the configuration of the injury/illness name estimation device 10.
  • the injury/illness name estimation device 10 basically comprises an acquisition unit 11, an extraction unit 12, an estimation unit 13, and an output unit 15.
  • the injury/illness name estimation device 10 may also further comprise, for example, a generation unit 14 and a storage unit 16.
  • the acquisition unit 11 acquires medical accounting data.
  • the medical accounting data includes, for example, the date on which a medical procedure was performed and the details of the medical procedure.
  • the acquisition unit 11 acquires, for example, medical accounting data for each patient whose illness or injury is to be estimated.
  • the acquisition unit 11 may also acquire at least one of electronic medical record data and test data.
  • the acquisition unit 11 acquires medical accounting data from, for example, the medical accounting device 20.
  • the acquisition unit 11 may acquire information specifying a patient whose name of an injury or illness is to be estimated.
  • the information specifying the patient whose name of an injury or illness is to be estimated is, for example, information specifying data to be used to estimate the name of the injury or illness.
  • the acquisition unit 11 acquires information specifying a medication as information specifying the patient whose name of an injury or illness is to be estimated.
  • the name of the injury or illness from which the patient is suffering is estimated based on the medical accounting data of the patient for whom the specified medication has been prescribed.
  • the medication is specified using, for example, one or more pieces of information from the name of the medication, the name of the pharmaceutical company, the active ingredient, and the use of the medication.
  • the medication may also be specified using information other than the above.
  • the acquisition unit 11 may also acquire information specifying a patient whose name of an injury or illness is to be estimated.
  • the information specifying a patient whose name of an injury or illness is to be estimated is, for example, one or more pieces of information from the patient's gender, age, medical history, the hospital where the patient is receiving treatment, the medical department where the patient is receiving treatment, the health insurance they are enrolled in, and the medications they are prescribed.
  • the information specifying a patient whose name of an injury or illness is to be estimated is not limited to the above.
  • the acquisition unit 11 may, for example, acquire information specifying the target for which the name of the injury or illness is to be estimated from the terminal device 40.
  • the extraction unit 12 extracts chronological medical information from the medical accounting data of each patient.
  • the extraction unit 12 extracts chronological medical information based on, for example, the details of medical procedures recorded in the medical accounting data and the dates of those medical procedures.
  • Medical procedures include, for example, examinations, surgeries, injections, tests, medication, and rehabilitation.
  • the details of medical procedures are, for example, information about at least one of the body part that is the subject of the medical treatment and what was done during the treatment. For example, if a polyp that has developed in the large intestine is removed, the details of the medical procedure are colon polypectomy surgery.
  • the details of medical procedures are not limited to the above.
  • Time-series medical information is, for example, a chronological history of medical procedures performed on each patient.
  • Time-series medical information includes, for example, the content of the medical procedures and the order in which they were performed.
  • Time-series medical information may also include the content of the medical procedures, the order in which they were performed, and the intervals or dates and times between the medical procedures.
  • the extraction unit 12 extracts medical information from the medical accounting data using, for example, an extraction model.
  • the extraction model uses, for example, a dictionary containing terms related to medical procedures, the contents of medical procedures, and body parts, and converts the medical accounting data and each of the terms included in the dictionary into an embedding vector.
  • the extraction model extracts terms related to medical information from the medical accounting data based on, for example, the Euclidean distance or cosine similarity between the embedding vector converted from the medical accounting data and the embedding vector converted from the terms included in the dictionary.
  • the extraction unit 12 then generates time-series medical information using the dates associated with the terms and the extracted terms related to medical procedures.
  • Word2Vec for example, can be used for the conversion to a feature vector.
  • Other language models may also be used for the conversion to a feature vector.
  • the extraction of medical information may be performed using a language model.
  • a language model For example, a large-scale language model is used to extract the medical information.
  • the extraction unit 12 for example, outputs a prompt to the language model requesting that the medical information be extracted from the medical accounting data and output in chronological order.
  • the extraction unit 12 then obtains the chronological medical information as output of the language model, for example.
  • GPT-2 Generative Pre-trained Transformer-2
  • GPT-3, GPT-3.5 or GPT-4 can be used as the language model for extracting the medical information.
  • the language model used to extract medical information may be T5 (Text-to-Text Transfer Transformer), BERT (Bidirectional Encoder Representations from Transformers), RoBERTa (Robustly optimized BERT approach), or ELECTRA (Efficiently Learning an Encoder that Classifies Token Replacements Accurately).
  • Language models used to extract medical information are not limited to the above.
  • the extraction unit 12 extracts medical accounting data for each medical expense account for the same patient. Also, for example, if medical accounting data is compiled by medical visit, the extraction unit 12 extracts medical accounting data for each medical visit by the same patient. Also, for example, if medical accounting data is compiled by period, the extraction unit 12 extracts medical accounting data for the same patient for each of multiple periods. Also, for example, if medical accounting data is compiled by hospitalization, and a patient has repeated admissions and discharges, the extraction unit 12 extracts medical accounting data for each hospitalization of the patient. Also, for example, if a patient has been transferred to another hospital, the extraction unit 12 extracts medical accounting data for each hospital where the patient received treatment.
  • the extraction unit 12 may extract time-series medical information from the medical accounting data corresponding to the specified target. For example, when the name of a medication is specified, the extraction unit 12 extracts time-series medical information from the medical accounting data of patients who have been prescribed the specified medication. Also, for example, when a target patient is specified, the extraction unit 12 extracts time-series medical information from the medical accounting data of patients who match the specified content. For example, when the medical department in which the patient is receiving treatment is specified, the extraction unit 12 extracts time-series medical information from the medical accounting data of patients who are receiving treatment in the specified medical department.
  • the estimation unit 13 uses an estimation model to estimate the name of the patient's illness or injury based on the time-series medical information extracted by the extraction unit 12.
  • the name of the patient's illness or injury estimated by the estimation unit 13 using the estimation model is, for example, the name of the illness or injury that is the main cause of the symptoms the patient is experiencing.
  • the estimation model is a machine learning model that estimates the name of the patient's illness or injury from the time-series medical information.
  • the estimation unit 13 estimates the name of the patient's illness or injury by, for example, using the time-series medical information extracted by the extraction unit 12 as input to the estimation model and obtaining the name of the patient's illness or injury as output from the estimation model.
  • the estimation unit 13 estimates the name of the patient's illness or injury using, for example, an estimation model generated by a system external to the illness or injury name estimation device 10.
  • the estimation unit 13 may also estimate the name of the patient's illness or injury using an estimation model generated by the generation unit 14. The method of generating an estimation model will be described later.
  • the estimation unit 13 for example, converts each piece of time-series medical information into a feature vector. Then, the estimation unit 13 uses, for example, the feature vector converted from the time-series medical information as input to an estimation model, and estimates the name of the patient's illness or injury.
  • Word2Vec can be used to convert the time-series medical information into a feature vector and to convert the output of the estimation model into the name of an illness or injury.
  • a language model other than Word2Vec may also be used to convert the time-series medical information into a feature vector and to convert the output of the estimation model into the name of an illness or injury.
  • the estimation unit 13 may use an estimation model to estimate candidate names of the patient's illness or injury.
  • the estimation unit 13 uses an estimation model to estimate multiple names of illness or injury as candidates for the patient's illness or injury.
  • the estimation unit 13 estimates, as candidate names of the patient's illness or injury, names for which the accuracy of the estimation by the estimation model is equal to or higher than a standard.
  • the accuracy of the estimation of the name of the illness or injury is, for example, the probability of each name of the illness or injury output by the estimation model.
  • the accuracy of the estimation of the name of the illness or injury is the probability that each patient's illness or injury corresponds to each name of the illness or injury when the estimation model classifies the name of the patient's illness or injury.
  • the standard for estimating candidate names of illness or injury is set, for example, using a value of accuracy that, when the standard is exceeded, the name of the illness or injury can be considered correct.
  • the estimation unit 13 may estimate, as candidate names of the patient's illness or injury, names for which the accuracy of the estimation by the estimation model is ranked from the top to a predetermined rank.
  • the predetermined ranking is set, for example, so that a person using the estimation results of candidate illness/injury names can verify the candidate illness/injury names and select the correct one from the candidate illness/injury names.
  • the estimation unit 13 may estimate, as candidate illness/injury names for the patient, illness/injury names whose estimation accuracy using the estimation model is above a standard and whose estimation accuracy is in the top half of a predetermined ranking.
  • the estimation unit 13 may estimate the name of an illness or injury for each of multiple symptoms that the patient is experiencing. For example, the estimation unit 13 uses an estimation model to estimate the name of an illness or injury for each of multiple symptoms that the patient is experiencing. In this case, the estimation unit 13 estimates the name of the patient's illness or injury using, for example, an estimation model that estimates multiple illness or injury names from time-series medical information included in the medical accounting data.
  • the estimation unit 13 may estimate the name of the injury or illness that has developed as a complication.
  • the estimation unit 13 uses an estimation model to estimate the name of the injury or illness that is the source of the complication that the patient has developed, and the name of the injury or illness that has developed as a complication.
  • the estimation model estimates the name of the injury or illness that is the source of the complication and the name of the injury or illness that has developed as a complication, for example, from time-series medical information included in the medical accounting data. For example, if a patient is prescribed a drug to control blood sugar levels and a drug to suppress arteriosclerosis at the same time, there is a high possibility that the patient has developed arteriosclerosis as a complication of diabetes, along with diabetes.
  • the estimation model estimates that arteriosclerosis has developed as a complication of diabetes, based on the time-series medical information included in the medical accounting data.
  • the estimation unit 13 may also estimate the name of the injury or illness that has developed as a complication based on multiple injury or illness names estimated by the estimation model. For example, the estimation unit 13 compares multiple injury or illness names included in the estimation results of the estimation model with a list containing names of injuries or illnesses related to complications.
  • the list including names of injuries or illnesses related to complications is, for example, a list that associates the names of injuries or illnesses that are the source of complications with the names of injuries or illnesses that have developed as complications.
  • the estimation unit 13 estimates that the injury or illness names are the names of injuries or illnesses that are the source of complications and the names of injuries or illnesses that have developed as complications.
  • the estimation unit 13 may estimate the name of the illness or injury using the prescription history of multiple medications. For example, the estimation unit 13 estimates the name of the patient's illness or injury by further using the prescription history of multiple medications as input to the estimation model. The prescription history of multiple medications may be included in chronological medical information. The estimation unit 13 may also estimate the name of the patient's illness or injury by using the prescription history of multiple medications as input to the estimation model. In this case, for example, the estimation model estimates the name of the illness or injury using information indicating the prescription order of multiple medications as the prescription history. For example, if a patient who has been prescribed medication to control blood sugar levels is newly prescribed a kidney medication, the patient may have developed kidney damage as a complication of diabetes. In such a case, the estimation model estimates that the patient has developed diabetes. In such a case, the estimation model may also estimate that the patient has developed kidney dysfunction as a complication of diabetes. The prescription history may also include the prescribed amount of each medication.
  • the estimation unit 13 may further use the symptom description to estimate the name of the patient's illness or injury.
  • the estimation unit 13 further uses the symptom description as input to an estimation model to estimate the name of the patient's illness or injury.
  • the estimation unit 13 may also estimate the name of the patient's illness or injury using the symptom description as chronological medical information.
  • the estimation unit 13 estimates the name of the patient's illness or injury using the symptom description written by a doctor for each patient for each month as chronological medical information.
  • the estimation unit 13 estimates the name of the patient's illness or injury using the chronological symptom description as input to an estimation model.
  • the symptom description is, for example, an explanation of the content of a medical procedure.
  • the symptom description may, for example, include an explanation of the legitimacy of a medical procedure in a medical fee claim.
  • the symptom description may include a description of why the medical procedure or the materials used were medically necessary.
  • the symptom description is, for example, created by a doctor.
  • the symptom description is included, for example, in medical receipt data.
  • the symptom description may also be included in medical accounting data.
  • the estimation unit 13 may further use the patient's test data to estimate the name of the illness or injury.
  • the estimation unit 13 further uses the test data as input to an estimation model to estimate the name of the patient's illness or injury.
  • the estimation unit 13 may also estimate the name of the patient's illness or injury using time-series test data as time-series medical information.
  • the estimation unit 13 estimates the name of the patient's illness or injury using time-series test data as input to an estimation model. For example, if a patient who has been prescribed an antipyretic analgesic is undergoing an antigen test for the new coronavirus, the patient is likely to have a viral infection. In such a case, the estimation model estimates that the name of the illness or injury for which the antipyretic analgesic is prescribed is a viral infection.
  • the estimation model may estimate the name of the patient's illness or injury using the amount of medical expenses for the patient included in the medical accounting data.
  • the estimation unit 13 estimates the name of the patient's illness or injury by further using the amount of medical expenses for the patient as input to the estimation model.
  • the amount of medical expenses for the patient may be time-series data on the amount of medical expenses.
  • the estimation unit 13 estimates the name of the patient's illness or injury using the time-series amount of medical expenses as time-series medical treatment information.
  • the estimation unit 13 estimates the name of the patient's illness or injury using the time-series amount of medical expenses as input to the estimation model.
  • the amount of medical expenses may also be insurance points used in calculating medical fees.
  • the insurance points may be time-series data on insurance points.
  • the cost required for treatment may vary greatly depending on the illness or injury. For this reason, using the amount of medical expenses to estimate the name of the illness or injury can improve the accuracy of the estimation of the name of the illness or injury.
  • the estimation unit 13 may compare the time-series medical information with the list to estimate the name of the patient's illness or injury. For example, the estimation unit 13 compares a list in which illness or injury names are associated with the order of medical procedures with the time-series medical information extracted by the extraction unit 12. The estimation unit 13 then estimates, as the name of the patient's illness or injury, the name of the illness or injury associated with the order of medical procedures that matches the order of medical procedures in the time-series medical information.
  • the generation unit 14 When generating an estimation model in the illness or injury name estimation device 10, the generation unit 14 generates, for example, the estimation model.
  • the generation unit 14 generates the estimation model, for example, by learning the relationship between the time-series medical information included in the medical accounting data and the patient's actual illness or injury name.
  • the generation unit 14 may generate the estimation model using the patient's illness or injury name identified from the detailed symptom description as a label.
  • the generation unit 14 converts each piece of time-series medical information and the name of the injury or illness into a feature vector. Then, the generation unit 14 generates an estimation model using, for example, the feature vector converted from the time-series medical information and the feature vector converted from the name of the injury or illness as training data. In other words, the estimation model is generated by learning the relationship between the feature vector converted from the time-series medical information and the feature vector converted from the name of the injury or illness through machine learning. For example, Word2Vec can be used for the conversion to a feature vector. A language model other than Word2Vec may also be used for the conversion to a feature vector.
  • the estimation model is generated, for example, by deep learning using a recurrent neural network. The learning algorithm for generating the estimation model is not limited to the above. The estimation model may also be generated by a system external to the injury or illness name estimation device 10.
  • the generation unit 14 converts each piece of time-series medical information and the name of the injury or illness that is the source of the complication and the name of the injury or illness that has developed as a complication into feature vectors.
  • the generation unit 14 uses, for example, the feature vectors converted from each piece of time-series medical information and the feature vectors converted from the name of the injury or illness that is the source of the complication and the name of the injury or illness that has developed as a complication as training data to generate an estimation model that estimates the name of the injury or illness that has developed as a complication.
  • the estimation model is generated by learning, by machine learning, the relationship between, for example, the feature vectors converted from each piece of time-series medical information and the feature vectors converted from the name of the injury or illness that is the source of the complication and the name of the injury or illness that has developed as a complication.
  • the generation unit 14 When the estimation model estimates the name of an illness or injury using multiple medication prescription histories, the generation unit 14 generates the estimation model using training data including, for example, feature vectors converted from medical information including multiple medication prescription histories. Furthermore, when the estimation model estimates the name of an illness or injury using additional patient test data, the generation unit 14 converts, for example, each piece of test data into a feature vector. The generation unit 14 then generates the estimation model using, for example, feature vectors converted from each piece of time-series medical information, feature vectors converted from the test data, and feature vectors converted from the name of the illness or injury, as training data.
  • the generation unit 14 converts, for example, the amount of the patient's medical expenses into a feature vector.
  • the generation unit 14 then generates the estimation model using, for example, feature vectors converted from the amount of the patient's medical expenses, feature vectors converted from the test data, and feature vectors converted from the name of the illness or injury, as training data.
  • the output unit 15 outputs information regarding the name of the illness or injury estimated by the estimation unit 13. That is, the output unit 15 outputs the estimation results regarding the name of the illness or injury estimated by the estimation unit 13 using the estimation model. For example, the output unit 15 outputs the name of the illness or injury of each patient estimated by the estimation unit 13.
  • the output unit 15 may, for example, output the medical information of the patient along with the name of the illness or injury of each patient estimated by the estimation unit 13.
  • the output unit 15 may also output the accuracy of the estimation along with the name of the illness or injury of each patient estimated by the estimation unit 13.
  • the output unit 15 may also output multiple names of illness or injury as candidate names of illness or injury based on the accuracy of the name of the illness or injury of each patient estimated by the estimation unit 13.
  • the output unit 15 may output, for each medication prescribed for the patient, the name of the illness or injury estimated by the estimation unit 13 for each patient to whom the medication is prescribed.
  • the output unit 15 may output the number of patients for each name of illness or injury for each patient to whom the medication is prescribed based on the estimation results of the estimation unit 13.
  • the output unit 15 may output the percentage of the number of patients for each illness or injury for whom the medication was prescribed, based on the estimation results of the estimation unit 13.
  • the output unit 15 outputs information regarding the illness or injury estimated by the estimation unit 13 to the terminal device 40, for example.
  • the output unit 15 When the estimation model estimates the name of an injury or illness that has developed as a complication, the output unit 15 outputs, for example, information regarding the name of the injury or illness that has developed as a complication.
  • the output unit 15 may also output the name of the injury or illness that is the source of the complication and the name of the injury or illness that has developed as a complication.
  • the output unit 15 may also output multiple injury or illness names estimated by the estimation unit 13 using the estimation model.
  • the output unit 15 when the name of the illness or injury included in the medical accounting data differs from the name of the illness or injury estimated by the estimation unit 13, the output unit 15 outputs information indicating that the name of the illness or injury differs. For example, for a patient for whom the name of the illness or injury included in the medical accounting data differs from the name of the illness or injury estimated by the estimation unit 13, the output unit 15 outputs the name of the illness or injury included in the medical accounting data and the name of the illness or injury estimated by the estimation unit 13.
  • the output unit 15 may output, for each name of the illness or injury included in the medical accounting data, the proportion of the number of patients with each name of the illness or injury estimated by the estimation unit 13.
  • the output unit 15 may output, for each medication, the name of the illness or injury estimated by the estimation unit 13 for each patient to whom the medication was prescribed.
  • the memory unit 16 stores, for example, data related to the estimation of the name of an injury or illness.
  • the memory unit 16 stores, for example, medical accounting data acquired by the acquisition unit 11.
  • the memory unit 16 also stores, for example, time-series medical information extracted by the extraction unit 12.
  • the memory unit 16 also stores, for example, the name of a patient's injury or illness estimated by the estimation unit 13.
  • the memory unit 16 stores, for example, an extraction model.
  • the memory unit 16 also stores, for example, an estimation model.
  • the extraction model and the estimation model may each be stored in a storage means other than the memory unit 16.
  • Figure 3 shows an example of the estimated result of the name of an injury or illness output by the output unit 15.
  • the example of the estimated result of the name of an injury or illness in Figure 3 shows the estimated result of the name of an injury or illness for a patient who has been prescribed a compress containing an anti-inflammatory analgesic.
  • "patient name” and "name of injury or illness” are associated.
  • "Patient name” is, for example, the patient's name.
  • “Patient name” may also be the patient's identification number.
  • “Name of injury or illness” is the name of the injury or illness of each patient estimated by the estimation unit 13.
  • the person in charge of investigating the name of an injury or illness can easily determine the injury or illness that is the main cause of the symptoms that the patient is experiencing.
  • Figure 4 is an example of the estimated results of the percentage of illnesses and injuries for which medication is prescribed, output by the output unit 15.
  • the example of the estimated results in Figure 4 shows the percentage of illnesses and injuries for which a compress containing an anti-inflammatory analgesic was prescribed.
  • name of illness and injury is associated with “percentage (%).”
  • name of illness and injury is the name of the illness or injury for which medication is prescribed.
  • percentage (%) shows the proportion of patients with each illness and injury to the total number of patients for whom medication was prescribed, expressed as a percentage.
  • FIG. 5 shows an example of an estimation result output by the output unit 15 when multiple candidates for the name of an injury or illness are estimated.
  • FIG. 5 shows an example of an estimation result when the estimation model estimates multiple candidates for the name of an injury or illness.
  • "Patient Name” is associated with "Candidate 1,” “Candidate 2,” and “Candidate 3.”
  • “Patient Name” is, for example, the patient's name.
  • “Patient Name” may also be the patient's identification number.
  • “Candidate 1,” “Candidate 2,” and “Candidate 3" are each candidate names for the name of the injury or illness.
  • the output unit 15 outputs, for example, the name of the injury or illness for which the accuracy of the estimation by the estimation model is above a standard as the estimation result for the name of the injury or illness suffered by the patient.
  • the output unit 15 may further output the accuracy of each candidate estimation by the estimation model.
  • a "-" indicates that there were fewer than three illnesses for which the accuracy of the estimation model was above the standard. For example, for patient "H,” the only illnesses for which the accuracy of the estimation model was above the standard were “influenza” and "novel coronavirus infection,” so candidate 3 is indicated by a "-.”
  • FIG. 6 shows an example of the estimation results output by the output unit 15 when multiple illnesses that a patient is suffering from are estimated.
  • FIG. 6 shows an example of the results of estimating the illness name for each symptom when a patient has multiple symptoms.
  • "Patient Name” is associated with "Illness 1" and "Illness 2.”
  • "Patient Name” is, for example, the patient's name.
  • "Patient Name” may also be the patient's identification number.
  • "Illness 1" and “Illness 2" are illnesses that the patient may be suffering from.
  • FIG. 6 shows an example of the estimation results output by the output unit 15 when multiple illnesses that a patient is suffering from are estimated.
  • Illness 2 is a complication of "Illness 1."
  • estimation results for two illnesses are shown, but estimation results for three or more illnesses may also be shown.
  • the estimation unit 13 estimates three or more illnesses using an estimation model.
  • the medical accounting device 20 is, for example, a device that generates medical receipts from a patient's medical information.
  • the medical accounting device 20 may calculate medical expenses to be billed to the patient based on the patient's medical information.
  • the medical accounting device 20 for example, acquires the patient's medical information from the medical data management device 30.
  • the medical accounting device 20 then generates medical receipts based on the patient's medical information.
  • the medical accounting device 20 may also generate prescription data based on the patient's medical information.
  • the functions of the medical accounting device 20 are not limited to those described above.
  • the medical accounting device 20 stores medical accounting data.
  • the medical accounting device 20, for example, stores medical treatment information about patients.
  • the medical accounting device 20 may also store medical expense accounting data, receipts, and prescription data.
  • the medical accounting device 20 outputs the stored data to, for example, the acquisition unit 11 of the injury/illness name estimation device 10.
  • the medical data management device 30 is, for example, a device that stores patient medical information.
  • Patient medical information includes electronic medical records and test data. Information in the electronic medical records is entered by, for example, doctors, nurses, laboratory technicians, physical therapists, and counselors.
  • the medical data management device 30 may also store information on one or more items of the patient's injury or illness information, complication information, biomarkers, disease status, guideline score, medical history, effects, and test results, in addition to information contained in the electronic medical record.
  • the terminal device 40 is, for example, a terminal device used by a person investigating the name of a patient's illness or injury.
  • the terminal device 40 acquires information about the patient's illness or injury from, for example, the output unit 15 of the illness or injury name estimation device 10.
  • the terminal device 40 then outputs information about the patient's illness or injury to, for example, a display device (not shown).
  • the person who investigates the name of a patient's illness or injury is, for example, a person in charge of investigating the use of medicine at a pharmaceutical company, pharmacy, or pharmaceutical wholesaler.
  • the person who investigates the name of a patient's illness or injury may also be a person in charge of checking the details of medical fees.
  • a person in charge of checking the details of medical fees may be, for example, a person from a health insurance association.
  • the person who investigates the name of a patient's illness or injury may also be a medical professional.
  • a medical professional may be, for example, a doctor, nurse, or pharmacist.
  • a medical professional may also be a person who performs audits within a hospital. Medical professionals are not limited to the above.
  • the terminal device 40 may acquire information specifying the target whose injury or illness name is to be estimated.
  • the information specifying the target whose injury or illness name is to be estimated is, for example, input into the terminal device 40 by a person investigating the patient's injury or illness name.
  • the terminal device 40 may acquire, for example, information specifying the medication whose injury or illness name is to be estimated.
  • the terminal device 40 may also acquire information specifying the patient whose injury or illness name is to be estimated.
  • the terminal device 40 outputs, for example, information specifying the target whose injury or illness name is to be estimated to the acquisition unit 11 of the injury or illness name estimation device 10.
  • Figure 7 is a diagram showing an example of the operational flow for the process for estimating the name of an injury or illness for each of multiple patients in the injury or illness name estimation device 10.
  • the acquisition unit 11 acquires medical accounting data (step S11).
  • the acquisition unit 11 acquires the medical accounting data from, for example, the medical accounting device 20.
  • the extraction unit 12 extracts chronological medical information for each patient from the medical accounting data (step S12).
  • the estimation unit 13 uses an estimation model to estimate the name of the illness or injury for each patient based on the acquired time-series medical information for each patient (step S13).
  • the estimation model is a machine learning model that estimates the name of the illness or injury for a patient from the time-series medical information.
  • the output unit 15 outputs information regarding the estimated names of injuries and illnesses (step S15).
  • step S14 if there are patients for whom estimation of the illness or injury name has not been completed (No in step S14), the process returns to step S12, and the extraction unit 12 extracts chronological medical information from the medical accounting data for each patient for whom extraction of chronological medical information has not been completed.
  • the illness/injury name estimation device 10 extracts time-series medical information from medical accounting data. Furthermore, the estimation unit 13 of the illness/injury name estimation device 10 uses an estimation model to estimate the name of each patient's illness/injury based on the acquired time-series medical information for each patient.
  • the estimation model is a machine learning model that estimates the name of a patient's illness/injury from the time-series medical information.
  • the illness/injury name estimation device 10 then outputs information related to the estimated name of each patient's illness/injury.
  • the illness/injury name estimation device 10 can support decision-making based on the illness/injury that is the main cause of the patient's symptoms.
  • the injury/illness name estimation device 10 can accurately estimate the name of an injury or illness without directly using information from an electronic medical record, for example, by estimating the name of an injury or illness using medical information extracted from medical accounting data. Therefore, by using the injury/illness name estimation device 10, it is possible to accurately estimate the name of an injury or illness while protecting the patient's personal information, for example.
  • the illness or injury name estimation device 10 can accurately estimate the name of the illness or injury that is the main cause of the patient's symptoms by estimating the name of the illness or injury based on time-series medical information. Furthermore, the illness or injury name estimation device 10 can easily understand the use of medication by, for example, outputting the proportion of each illness or injury that is the target of a prescribed medication as an estimation result. Furthermore, by estimating the multiple illnesses and injuries that a patient is suffering from based on time-series medical data, the illness or injury name estimation device 10 can estimate the name of an illness or injury that has developed as a complication, for example.
  • the processes in the injury/illness name estimation device 10 may be distributed and executed among multiple information processing devices connected via a network.
  • the processes in the extraction unit 12 and estimation unit 13 and the generation unit 14 may be performed in different information processing devices.
  • the processes in the extraction unit 12 and estimation unit 13 may be performed in different information processing devices.
  • the information processing device on which each process in the injury/illness name estimation device 10 is performed can be set as appropriate.
  • FIG. 8 shows an example of the configuration of a computer 100 that executes a computer program that performs each process in the injury/illness name estimation device 10.
  • the computer 100 comprises a CPU (Central Processing Unit) 101, memory 102, a storage device 103, an input/output I/F (Interface) 104, and a communication I/F 105.
  • CPU Central Processing Unit
  • CPU 101 reads and executes computer programs that perform each process from storage device 103.
  • CPU 101 may be configured as a combination of multiple CPUs.
  • CPU 101 may also be configured as a combination of a CPU and another type of processor.
  • CPU 101 may be configured as a combination of a CPU and a GPU (Graphics Processing Unit).
  • Memory 102 is configured from DRAM (Dynamic Random Access Memory) or the like, and temporarily stores computer programs executed by CPU 101 and data being processed.
  • Storage device 103 stores computer programs executed by CPU 101.
  • Storage device 103 is configured from, for example, a non-volatile semiconductor storage device. Other storage devices such as a hard disk drive may also be used for storage device 103.
  • Input/output I/F 104 is an interface that accepts input from operators and outputs display data, etc.
  • Communication I/F 105 is an interface that sends and receives data to and from other information processing devices.
  • the medical accounting device 20, medical data management device 30, and terminal device 40 can also be configured in the same way as the computer 100.
  • the computer programs used to execute each process can also be stored and distributed on a computer-readable recording medium that non-temporarily records data.
  • recording media examples include magnetic tape for recording data and magnetic disks such as hard disks.
  • Optical disks such as CD-ROMs (Compact Disc Read Only Memory) can also be used as recording media.
  • Non-volatile semiconductor storage devices can also be used as recording media.
  • the estimation means estimates names of injuries and illnesses that have developed as complications using the estimation model that estimates names of multiple injuries and illnesses of the patient from time-series medical information; the output means outputs information relating to the name of the injury or illness occurring as a complication.
  • the output means outputs information indicating that the names of the injury or illness included in the medical accounting data are different from the names of the injury or illness estimated by the estimation means. 3.
  • the injury or illness name estimation device according to claim 1 or 2.
  • the estimation means estimates the name of the illness or injury by using a drug prescription history as the time-series medical information. 4. An injury or illness name estimation device according to any one of appendices 1 to 3.
  • the estimation means estimates the name of an injury or illness for which a medicine is prescribed using the estimation model,
  • the output means outputs, for each of the medicines, information regarding the name of an illness or injury of a patient for whom the medicine is prescribed. 5.
  • An injury or illness name estimation device according to any one of appendices 1 to 4.
  • the estimation means further uses detailed symptom descriptions to estimate the name of the injury or illness. 6.
  • An injury or illness name estimation device according to any one of appendices 1 to 5.
  • the estimation means estimates the name of the illness or injury by further using the amount of medical expenses of the patient included in the medical accounting data. 7. An injury or illness name estimation device according to any one of appendices 1 to 6.
  • the estimation means further uses test data of the patient to estimate the name of the injury or illness.
  • An injury or illness name estimation device according to any one of appendices 1 to 7.
  • Appendix 9 9. The injury or illness name estimation device according to any one of appendices 1 to 8, further comprising: a generation means for generating the estimation model by learning the relationship between time-series medical information and the patient's actual injury or illness name through machine learning.
  • the generating means generates the estimation model using the name of the illness or injury identified from the symptom description as the actual name of the illness or injury of the patient.
  • [Appendix 11] Acquire medical accounting data, Extracting time-series medical information for each patient from the medical accounting data; Based on the acquired time-series medical information of each of the patients, an estimation model is used to estimate the name of the patient's illness or injury from the time-series medical information; and Outputting information about the estimated injury or illness name of each of the patients.
  • Injury and disease name estimation method
  • Appendix 12 A process for obtaining medical accounting data; A process of extracting time-series medical information for each patient from the medical accounting data; A process of estimating the name of an injury or illness of each patient using an estimation model that estimates the name of an injury or illness of a patient from the time-series medical information based on the acquired time-series medical information of each patient; and a recording medium for non-temporarily recording an injury or illness name estimation program that causes a computer to execute a process of outputting information about the estimated injury or illness name of each patient.

Landscapes

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

Abstract

傷病名推定装置は、取得部と、抽出部と、推定部と、出力部を備える。取得部は、治医事会計データを取得する。抽出部は、医事会計データから、患者それぞれの時系列の診療情報を抽出する。推定部は、時系列の診療情報から患者の傷病名を推定する推定モデルを用いて、取得した患者それぞれの時系列の診療情報を基に、患者それぞれの傷病名を推定する。出力部は、推定した傷病名に関する情報を出力する。傷病名推定装置は、例えば、医事会計データから患者の傷病名を推定することで、患者が発症している症状の主原因となっている傷病に基づいた意思決定を支援することができる。

Description

傷病名推定装置、傷病名推定方法および記録媒体
　本開示は、傷病名推定装置等に関する。
　薬の用途の把握またはレセプトによる診療報酬の請求内容の確認のため、患者が罹患している傷病の調査が行われることがある。患者が罹患している傷病の調査は、例えば、カルテの記載を直接、確認することができない主体によって行われることもある。カルテの記載を、直接、確認できない主体が傷病の調査を行う場合には、例えば、患者が罹患している傷病を特定するための情報が不足している場合が多い。このような場合には、調査する主体が取得可能な情報を基に、カルテ以外から取得できる情報を基に、患者が罹患している傷病を推定することによって調査が行われる。
　特許文献１の傷病名推論システムは、処方箋データの処方薬と傷病名データとが関連付けられた学習データを基に、機械学習により学習モデルを生成する。そして、特許文献１の傷病名推論システムは、学習モデルに入力された処方箋データから処方薬の対象となる傷病名を推論する。
特開第２０２１－６０９３２号公報
　特許文献１に記載された技術では、患者が罹患している傷病の推定精度が十分ではない場合がある。
　本開示は、上記の課題を解決するため、患者が罹患している傷病の推定精度を向上することができる傷病名推定装置を提供することを目的とする。
　上記の課題を解決するため、本開示の一態様に係る傷病名推定装置は、医事会計データを取得する取得手段と、医事会計データから、患者それぞれの時系列の診療情報を抽出する抽出手段と、取得した患者それぞれの時系列の診療情報を基に、時系列の診療情報から患者の傷病名を推定する推定モデルを用いて、患者それぞれの傷病名を推定する推定手段と、推定した傷病名に関する情報を出力する出力手段とを備える。
　本開示の一態様に係る傷病名推定方法は、医事会計データを取得し、医事会計データから、患者それぞれの時系列の診療情報を抽出し、取得した患者それぞれの時系列の診療情報を基に、時系列の診療情報から患者の傷病名を推定する推定モデルを用いて、患者それぞれの傷病名を推定し、推定した傷病名に関する情報を出力する。
　本開示の一態様に係る記録媒体は、医事会計データを取得する処理と、医事会計データから、患者それぞれの時系列の診療情報を抽出する処理と、取得した患者それぞれの時系列の診療情報を基に、時系列の診療情報から患者の傷病名を推定する推定モデルを用いて、患者それぞれの傷病名を推定する処理と、推定した傷病名に関する情報を出力する処理とをコンピュータに実行させる傷病名推定プログラムを非一時的に記録する。
　本開示によると、患者が罹患している傷病の推定精度を向上することができる。
本開示における医療情報システムの構成の一例を示す図である。 本開示における傷病名推定装置の構成の一例を示す図である。 本開示における傷病名の推定結果の一例を示す図である。 本開示における傷病名の推定結果の一例を示す図である。 本開示における傷病名の推定結果の一例を示す図である。 本開示における傷病名の推定結果の一例を示す図である。 本開示における傷病名推定装置の動作フローの一例を示す図である。 本開示における傷病名推定装置のハードウェアの構成の一例を示す図である。
　本開示の実施形態について図を参照して詳細に説明する。図１は、医療情報システムの構成の一例を示す図である。医療情報システムは、例えば、傷病名推定装置１０と、医事会計装置２０と、医療データ管理装置３０と、端末装置４０を備える。傷病名推定装置１０は、例えば、ネットワークを介して、医事会計装置２０と接続する。また、傷病名推定装置１０は、例えば、ネットワークを介して、端末装置４０と接続する。また、医事会計装置２０は、例えば、ネットワークを介して、医療データ管理装置３０と接続する。医事会計装置２０、医療データ管理装置３０および端末装置４０は、それぞれ複数であってもよい。医事会計装置２０、医療データ管理装置３０および端末装置４０の数は、適宜、設定され得る。
　医療情報システムは、例えば、医事会計データを基に、患者の傷病名を推定する。例えば、医療情報システムは、例えば、患者に対して薬が処方されている場合に、医事会計データを基に、薬の処方の対象とされている傷病の傷病名を推定する。例えば、医療情報システムは、薬の処方の対象とされている傷病の傷病名として、薬の処方の対象となる症状の主原因となっている傷病の傷病名を推定する。すなわち、医療情報システムは、例えば、実際に治療が行われている傷病の傷病名を推定する。実際に治療が行われている傷病は、例えば、治療の対象となる症状を生じさせている傷病である。実際に治療が行われている傷病は、例えば、主病であってもよい。
　例えば、患者の痛みを緩和する治療を行う場合に、症状の主原因となっている傷病は、痛みを発生させている傷病である。例えば、大腸癌に罹患している場合に、患者は、腰痛を強く感じることがある。医師は、大腸癌によって腰痛を強く感じる患者に、腰痛に対する薬として鎮痛消炎症剤を含有する湿布を処方する場合がある。この場合において、症状の主原因となっている傷病は、大腸癌である。また、薬の代金に対して保険からの診療報酬の支払いを申請する場合に、症状の主原因となっている傷病は、保険の適用対象外であるとき、表れている症状を傷病名として診療報酬の支払い申請が行われることがある。例えば、鎮痛消炎症剤を含有する湿布は、腰痛に対しては保険の適用対象であるのに対し、大腸癌は、適用対象外であるとする。この場合において、診療報酬の支払い申請は、腰痛に対する薬として行われるが、症状の主原因となっている傷病は、例えば、大腸癌である。このような場合に、医療情報システムは、例えば、薬が実際にどのような傷病に対して処方されているのかを推定する。
　医療情報システムは、例えば、医事会計データに含まれる時系列の診療情報を基に、傷病名を推定する。医事会計データは、例えば、患者への医療費の診療報酬の支払い請求を行うためのデータである。医事会計データは、例えば、患者に対する診療情報を含む。患者の診療情報は、例えば、患者に対して行われた診療行為の内容と、当該診療行為が行われた日に関する情報を含む。診療行為の内容は、例えば、患者の傷病名、診察、手術、検査、注射、投薬、治療ための処置、リハビリテーション、カウンセリングおよび患者に提供される食事の内容を示す情報である。診療行為の内容は、治療の対象となる身体部位を示す情報を含んでいてもよい。治療のための処置は、例えば、放射線、衝撃波もしくは紫外線の照射、吸引、除去、切除、または、縫合である。治療のための処置は上記に限られない。診療行為は、上記に限られない。また、医事会計データは、医事会計データの一部を抽出したデータを含む。例えば、医事会計データは、レセプトまたは処方箋のデータであってもよい。レセプトは、例えば、診療報酬明細書、調剤報酬明細書または訪問看護療養費明細書ともよばれる。
　時系列の診療情報は、例えば、傷病の治療期間において行われた診療行為の時系列上における順番と、診療行為の内容を示す情報である。例えば、診察、腹部のレントゲン検査、大腸の内視鏡検査、生体検査、放射線治療、抗がん剤の投与、腰痛に対する消炎鎮痛剤の湿布の処方が診療行為として順に行われた場合に、時系列の診療情報は、上述の順に診療行為の内容を並べた情報である。この場合において、消炎鎮痛剤の湿布は、例えば、腰痛に対する処方として診療報酬が行われ得る。しかし、例えば、放射線治療および抗がん剤の投与が行われていることから、腰痛は、大腸癌に起因している可能性が高い。このような場合に、医療情報システムは、腰痛に対して消炎鎮痛剤が処方された患者が罹患している傷病を、大腸癌として推定する。このように、医療情報システムは、例えば、薬が処方された患者が発症している症状の主原因となっている傷病の傷病名を推定する。時系列の診療情報は、例えば、傷病の治療期間において行われた診療行為それぞれの日時と、診療行為の内容を示す情報であってもよい。時系列の診療情報は、上記に限られない。
　ここで、傷病名推定装置１０の構成の一例について説明する。図２は、傷病名推定装置１０の構成の一例を示す図である。傷病名推定装置１０は、基本構成として、取得部１１と、抽出部１２と、推定部１３と、出力部１５を備える。また、傷病名推定装置１０は、例えば、生成部１４と、記憶部１６をさらに備えていてもよい。
　取得部１１は、医事会計データを取得する。医事会計データは、例えば、診療行為が行われた日付と、診療行為の内容を含む。取得部１１は、例えば、傷病名を推定する対象となる患者それぞれの医事会計データを取得する。取得部１１は、電子カルテのデータおよび検査データの少なくとも一方をさらに取得してもよい。取得部１１は、例えば、医事会計装置２０から、医事会計データを取得する。
　取得部１１は、傷病名を推定する対象を指定する情報を取得してもよい。傷病名を推定する対象を指定する情報は、例えば、傷病名の推定に用いるデータを指定する情報である。例えば、取得部１１は、傷病名を推定する対象を指定する情報として、薬を指定する情報を取得する。この場合において、指定された薬が処方された患者の医事会計データを基に、患者が罹患している傷病の傷病名の推定が行われる。薬の指定は、例えば、薬の名称、製薬会社名、有効成分および薬の用途のうち１つまたは複数の情報を用いて行われる。薬の指定は、上記以外の情報を用いて行われてもよい。また、取得部１１は、罹患している傷病の傷病名を推定する対象の患者を指定する情報を取得してもよい。傷病名を推定する対象の患者を指定する情報は、例えば、患者の性別、年齢、既往症、治療を受けている病院、治療を受けている診療科、加入している健康保険および処方されている薬のうち１つまたは複数の情報を用いて行われる。傷病名を推定する対象の患者を指定する情報は、上記に限られない。取得部１１は、例えば、端末装置４０から、傷病名を推定する対象を指定する情報を取得してもよい。
　抽出部１２は、例えば、患者それぞれの医事会計データから、時系列の診療情報を抽出する。抽出部１２は、例えば、医事会計データに記録されている診療行為の内容と、当該診療行為の日付を基に、時系列の診療情報を抽出する。診療行為は、例えば、診察、手術、注射、検査、投薬およびリハビリテーションである。診療行為の内容は、例えば、診療の対象となる身体部位、及び、診療において行ったことの少なくとも一方に関する情報である。例えば、大腸に生じたポリープの切除を行った場合に、診療行為の内容は、大腸のポリープ切除手術である。診療行為の内容は、上記に限られない。
　時系列の診療情報は、例えば、患者それぞれに対して行われた診療行為の時系列の履歴である。時系列の診療情報は、例えば、診療行為の内容と、診療行為の順番とを含む。また、時系列の診療情報は、診療行為の内容と、診療行為の順番と、診療行為の間隔または日時を含んでいてもよい。
　抽出部１２は、例えば、抽出モデルを用いて、医事会計データから診療情報を抽出する。抽出モデルは、例えば、診療行為と、診療行為の内容と、身体部位に関する用語が含まれる辞書を用いて、抽出モデルは、医事会計データと、辞書に含まれる用語それぞれを埋め込みベクトルに変換する。抽出モデルは、例えば、医事会計データから変換された埋め込みベクトルと、辞書に含まれる用語から変換された埋め込みベクトルのユークリッド距離またはコサイン類似度を基に、医事会計データから診療情報に関する用語を抽出する。そして、抽出部１２は、用語に関連付けられている日付と、抽出された診療行為に関する用語とを用いて、時系列の診療情報を生成する。また、特徴ベクトルへの変換には、例えば、Ｗｏｒｄ２Ｖｅｃを用いることができる。特徴ベクトルへの変換には、他の言語モデルが用いられてもよい。
　また、診療情報の抽出は、言語モデルを用いて行われてもよい。診療情報の抽出には、例えば、大規模言語モデルが用いられる。抽出部１２は、例えば、言語モデルに対して、医事会計データから診療情報を抽出し、時系列の順に出力することを要求するプロンプトを出力する。そして、抽出部１２は、例えば、言語モデルの出力として、時系列の診療情報を取得する。診療情報を抽出する言語モデルには、例えば、ＧＰＴ－２（Generative Pre-trained Transformer-2）、ＧＰＴ－３、ＧＰＴ－３．５またはＧＰＴ－４を用いることができる。また、診療情報を抽出する言語モデルには、Ｔ５（Text-to-Text Transfer Transformer）、ＢＥＲＴ（Bidirectional Encoder Representations from Transformers）、ＲｏＢＥＲＴａ（Robustly optimized BERT approach）、または、ＥＬＥＣＴＲＡ（Efficiently Learning an Encoder that Classifies Token Replacements Accurately）を用いてもよい。診療情報の抽出に用いる言語モデルには、上記に限られない。
　例えば、医事会計データが会計ごとに集計される場合に、抽出部１２は、同一の患者に対する医療費の会計それぞれについての医事会計データを抽出する。また、例えば、医事会計データが受診ごとに集計される場合に、抽出部１２は、同一の患者による受診それぞれについての医事会計データを抽出する。また、例えば、医事会計データが期間ごとに集計される場合に、抽出部１２は、複数の期間それぞれにおける同一の患者についての医事会計データを抽出する。また、例えば、医事会計データが入院ごとに集計される場合に、患者が入退院を繰り返しているとき、抽出部１２は、当該患者の入院それぞれにおける医事会計データを抽出する。また、例えば、患者が転院している場合に、抽出部１２は、患者が診療を受けた病院それぞれにおける医事会計データを抽出する。
　傷病名を推定する対象を指定する情報を取得部１１が取得する場合に、抽出部１２は、指定された対象に対応する医事会計データから、時系列の診療情報を抽出してもよい。例えば、薬の名称が指定された場合に、抽出部１２は、指定された薬が処方されている患者の医事会計データから時系列の診療情報を抽出する。また、例えば、対象となる患者が指定された場合に、抽出部１２は、指定された内容に該当する患者の医事会計データから時系列の診療情報を抽出する。例えば、患者が診療を受けている診療科が指定されている場合に、抽出部１２は、指定された診療科において診療を受けている患者の医事会計データから時系列の診療情報を抽出する。
　推定部１３は、推定モデルを用いて、抽出部１２が抽出した時系列の診療情報を基に、患者の傷病名を推定する。推定部１３が推定モデルを用いて推定する患者の傷病名は、例えば、患者が発症している症状の主原因となっている傷病の傷病名である。推定モデルは、時系列の診療情報から患者の傷病名を推定する機械学習モデルである。推定部１３は、例えば、抽出部１２が抽出した時系列の診療情報を推定モデルの入力とし、患者の傷病名を推定モデルからの出力として得ることで患者の傷病名を推定する。
　推定部１３は、例えば、傷病名推定装置１０の外部のシステムで生成された推定モデルを用いて、患者の傷病名を推定する。推定部１３は、生成部１４が生成する推定モデルを用いて、患者の傷病名を推定してもよい。推定モデルを生成する方法については、後述する。
　推定部１３は、例えば、時系列の診療情報それぞれを特徴ベクトルに変換する。そして、推定部１３は、例えば、時系列の診療情報から変換された特徴ベクトルを推定モデルの入力として、患者の傷病名を推定する。時系列の診療情報の特徴ベクトルへの変換および推定モデルの出力の傷病名への変換には、例えば、Ｗｏｒｄ２Ｖｅｃを用いることができる。時系列の診療情報の特徴ベクトルへの変換および推定モデルの出力の傷病名への変換には、Ｗｏｒｄ２Ｖｅｃ以外の言語モデルを用いてもよい。
　推定部１３は、推定モデルを用いて、患者の傷病名の候補を推定してもよい。例えば、推定部１３は、推定モデルを用いて、患者の傷病名の候補として、複数の傷病名を推定する。推定部１３は、例えば、推定モデルによる傷病名の推定の確度が基準以上の傷病名を、患者の傷病名の候補として推定する。傷病名の推定の確度は、例えば、推定モデルが出力する、傷病名それぞれの確率である。すなわち、傷病名の推定の確度は、推定モデルが患者の傷病名を分類する場合おいて、患者それぞれの傷病が傷病名それぞれに該当する確率である。傷病名の候補として推定する基準は、例えば、基準を超えた場合に、傷病名が正しいとし得る確度の値を用いて設定される。また、推定部１３は、推定モデルによる傷病名の推定の確度が上位から所定の順位までの傷病名を、患者の傷病名の候補として推定してもよい。所定の順位は、例えば、傷病名の候補の推定結果を用いる担当者が、傷病名の候補を検証して、傷病名の候補から正しい傷病名を選択可能な数となるように設定される。推定部１３は、推定モデルによる傷病名の推定の確度が基準以上、かつ、傷病名の推定の確度が上位から所定の順位までの傷病名を、患者の傷病名の候補として推定してもよい。
　推定部１３は、患者が発症している複数の症状それぞれの傷病名を推定してもよい。例えば、推定部１３は、推定モデルを用いて、患者が発症している複数の症状それぞれの傷病名を推定する。この場合において、推定部１３は、例えば、医事会計データに含まれる時系列の診療情報から、複数の傷病名を推定する推定モデルが用いて、患者の傷病名を推定する。
　推定部１３は、合併症として発症している傷病名を推定してもよい。例えば、推定部１３は、推定モデルを用いて、患者が発症している合併症の元になる傷病の傷病名と、合併症として発症している傷病の傷病名とを推定する。推定モデルは、例えば、医事会計データに含まれる時系列の診療情報から、合併症の元になる傷病の傷病名と、合併症として発症している傷病の傷病名とを推定する。例えば、血糖値をコントロールする薬と、動脈硬化を抑制する薬が同時に処方されている場合に、糖尿病とともに、糖尿病の合併症として動脈硬化を発症している可能性が高い。この場合に、推定モデルは、医事会計データに含まれる時系列の診療情報から、糖尿病の合併症として、動脈硬化を発症していると推定する。また、推定部１３は、推定モデルが推定する複数の傷病名を基に、合併症として発症している傷病名を推定してもよい。例えば、推定部１３は、推定モデルの推定結果に含まれる複数の傷病名と、合併症に関する傷病名を含むリストとを照合する。合併症に関する傷病名を含むリストは、例えば、合併症の元になる傷病の傷病名と、合併症として発症している傷病の傷病名とを関連付けたリストである。推定部１３は、推定モデルの推定結果に含まれる複数の傷病名が、合併症に関する傷病名を含むリストに含まれている場合に、当該傷病名を合併症の元になる傷病の傷病名と、合併症として発症している傷病の傷病名であると推定する。
　推定部１３は、複数の薬の処方履歴を用いて傷病名を推定してもよい。例えば、推定部１３は、複数の薬の処方履歴を推定モデルの入力としてさらに用いて患者の傷病名を推定する。複数の薬の処方履歴は、時系列の診療情報に含まれ得る。また、推定部１３は、複数の薬の処方履歴を推定モデルの入力として用いて患者の傷病名を推定してもよい。この場合において、例えば、推定モデルは、複数の薬の処方の順番を示す情報を処方履歴として用いて傷病名を推定する。例えば、血糖値をコントロールする薬が処方された患者に対して、新たに腎臓の治療薬が処方された場合に、患者は、糖尿病の合併症として腎臓障害を発症している可能性がある。このような場合に、推定モデルは、患者が糖尿病を発症していることを推定する。また、このような場合に、推定モデルは、糖尿病の合併症として、腎機能障害を発症していると推定してもよい。また、処方履歴には、薬それぞれの処方量が含まれ得る。
　推定部１３は、症状詳記をさらに用いて、傷病名を推定してもよい。例えば、推定部１３は、症状詳記を推定モデルの入力としてさらに用いて患者の傷病名を推定する。また、推定部１３は、症状詳記を時系列の診療情報として、患者の傷病名を推定してもよい。例えば、推定部１３は、医師が患者それぞれについて月ごとに記載する症状詳記を時系列の診療情報として用いて、患者の傷病名を推定する。例えば、推定部１３は、時系列の症状詳記を推定モデルの入力として患者の傷病名を推定する。症状詳記は、例えば、診療行為の内容の説明である。症状詳記には、例えば、診療報酬の請求において、診療行為の正当性の説明が記載されている。例えば、症状詳記には、診療行為または使用された材料が医学的に必要であった理由が記載されている。症状詳記は、例えば、医師によって作成される。症状詳記は、例えば、レセプトのデータに含まれる。症状詳記は、医事会計データに含まれていてもよい。
　推定部１３は、患者の検査データをさらに用いて傷病名を推定してもよい。例えば、推定部１３は、検査データを推定モデルの入力としてさらに用いて患者の傷病名を推定する。また、推定部１３は、時系列の検査データを時系列の診療情報として、患者の傷病名を推定してもよい。例えば、推定部１３は、時系列の検査データを推定モデルの入力として患者の傷病名を推定する。例えば、解熱鎮痛剤が処方されている患者に、新型コロナウィルスの抗原検査が行われている場合に、当該患者は、ウィルス感染症である可能性が高い。このような場合に、推定モデルは、解熱鎮痛剤の処方の対象となる傷病名がウィルス感染症であると推定する。
　推定モデルは、医事会計データに含まれる、患者の医療費の額を用いて傷病名を推定してもよい。例えば、推定部１３は、患者の医療費の額を推定モデルの入力としてさらに用いて患者の傷病名を推定する。患者の医療費の額は、医療費の額の時系列データであってもよい。例えば、推定部１３は、時系列の医療費の額を時系列の診療情報として、患者の傷病名を推定する。推定部１３は、時系列の医療費の額を推定モデルの入力として患者の傷病名を推定する。また、医療費の額は、診療報酬の算定に用いる保険点数であってもよい。保険点数は、保険点数の時系列データであってもよい。例えば、傷病によって治療に要する費用が大きく異なる場合がある。このため、医療費の額を傷病名の推定に用いることで、傷病名の推定の精度が向上し得る。
　推定部１３は、時系列の診療情報と、リストを比較して、患者の傷病名を推定してもよい。推定部１３は、例えば、診療行為の順番に傷病名が関連付けられたリストと、抽出部１２が抽出した時系列の診療情報とを比較する。そして、推定部１３は、時系列の診療情報における診療行為の順番と一致する診療行為の順番に関連付けられた傷病名を患者の傷病名として推定する。
　傷病名推定装置１０において推定モデルを生成する場合に、生成部１４は、例えば、推定モデルを生成する。生成部１４は、例えば、医事会計データに含まれる時系列の診療情報と、患者の実際の傷病名との関係を学習することによって推定モデルを生成する。生成部１４は、症状詳記から特定される傷病名を患者の傷病名をラベルとして用いて推定モデルを生成してもよい。
　生成部１４は、例えば、時系列の診療情報それぞれと、傷病名を特徴ベクトルに変換する。そして、生成部１４は、例えば、時系列の診療情報から変換された特徴ベクトルと、傷病名から変換された特徴ベクトルとを学習データとして用いて推定モデルを生成する。すなわち、推定モデルは、時系列の診療情報から変換された特徴ベクトルと、傷病名から変換された特徴ベクトルとの関係を機械学習によって学習することによって生成される。特徴ベクトルへの変換には、例えば、Ｗｏｒｄ２Ｖｅｃを用いることができる。特徴ベクトルへの変換には、Ｗｏｒｄ２Ｖｅｃ以外の言語モデルを用いてもよい。推定モデルは、例えば、再帰型ニューラルネットワークを用いた深層学習によって生成される。推定モデルを生成する学習アルゴリズムは、上記に限られない。また、推定モデルは、傷病名推定装置１０の外部のシステムで生成されてもよい。
　推定モデルが合併症の傷病名を推定する場合に、生成部１４は、例えば、時系列の診療情報それぞれと、合併症の元になる傷病の傷病名および合併症として発症している傷病の傷病名とを特徴ベクトルに変換する。そして、生成部１４は、例えば、時系列の診療情報それぞれから変換された特徴ベクトルと、合併症の元になる傷病の傷病名および合併症として発症している傷病の傷病名それぞれから変換された特徴ベクトルとを学習データとして用いて、合併症として発症している傷病の傷病名を推定する推定モデルを生成する。すなわち、この場合において、推定モデルは、例えば、時系列の診療情報それぞれから変換された特徴ベクトルと、合併症の元になる傷病の傷病名および合併症として発症している傷病の傷病名それぞれから変換された特徴ベクトルの関係を機械学習によって学習することで生成される。
　推定モデルが複数の薬の処方履歴を用いて傷病名を推定する場合に、生成部１４は、例えば、複数の薬の処方履歴が含まれる診療情報から変換した特徴ベクトルを含む学習データを用いて推定モデルを生成する。また、推定モデルが患者の検査データをさらに用いて傷病名を推定する場合に、生成部１４は、例えば、検査データそれぞれを特徴ベクトルに変換する。そして、生成部１４は、例えば、時系列の診療情報それぞれから変換された特徴ベクトルと、検査データから変換された特徴ベクトルと、傷病名から変換された特徴ベクトルとを学習データとして用いて推定モデルを生成する。また、推定モデルが患者の医療費の額を用いて傷病名を推定する場合に、生成部１４は、例えば、患者の医療費の額を特徴ベクトルに変換する。そして、生成部１４は、例えば、患者の医療費の額から変換された特徴ベクトルと、検査データから変換された特徴ベクトルと、傷病名から変換された特徴ベクトルとを学習データとして用いて推定モデルを生成する。
　出力部１５は、推定部１３が推定した傷病名に関する情報を出力する。すなわち、出力部１５は、推定部１３が推定モデルを用いて推定した傷病名に関する推定結果を出力する。例えば、出力部１５は、推定部１３が推定した患者それぞれの傷病名を出力する。出力部１５は、例えば、推定部１３が推定した患者それぞれの傷病名とともに、患者の診療情報を出力してもよい。また、出力部１５は、推定部１３が推定した患者それぞれの傷病名とともに、推定の確度をさらに出力してもよい。また、出力部１５は、推定部１３が推定した患者それぞれの傷病名の確度を基に、複数の傷病名を傷病名の候補として出力してもよい。出力部１５は、患者に処方される薬ごとに、薬が処方された患者それぞれについて推定部１３が推定した傷病名を出力してもよい。出力部１５は、推定部１３の推定結果を基に、薬が処方された患者について、傷病名ごとの人数を出力してもよい。出力部１５は、推定部１３の推定結果を基に、薬が処方された患者について、傷病名ごとの人数の割合を出力してもよい。出力部１５は、例えば、端末装置４０に、推定部１３が推定した傷病名に関する情報を出力する。
　推定モデルが合併症として発症している傷病名を推定する場合に、出力部１５は、例えば、合併症として発症している傷病名に関する情報を出力する。また、出力部１５は、合併症の元になる傷病の傷病名と、合併症として発症している傷病の傷病名とを出力してもよい。また、出力部１５は、推定部１３が推定モデルを用いて推定する複数の傷病名を出力してもよい。
　出力部１５は、例えば、医事会計データに含まれる傷病名と、推定部１３が推定した傷病名が異なっている場合に、傷病名が異なっていることを示す情報を出力する。例えば、出力部１５は、医事会計データに含まれる傷病名と、推定部１３が推定した傷病名が異なっている患者について、医事会計データに含まれる傷病名と、推定部１３が推定した傷病名とを出力する。また、医事会計データに含まれる傷病名と、推定部１３が推定した傷病名が異なっている場合に、出力部１５は、医事会計データに含まれる傷病名ごとに、推定部１３が推定した傷病名それぞれの患者数の割合を出力してもよい。医事会計データに含まれる傷病名と、推定部１３が推定した傷病名が異なっている場合に、出力部１５は、薬ごとに、当該薬が処方された患者それぞれについて、推定部１３が推定した傷病名を出力してもよい。
　記憶部１６は、例えば、傷病名の推定に関するデータを保存する。記憶部１６は、例えば、取得部１１が取得する医事会計データを保存する。また、記憶部１６は、例えば、抽出部１２が抽出する時系列の診療情報を保存する。また、記憶部１６は、例えば、推定部１３が推定する患者の傷病名を保存する。記憶部１６は、例えば、抽出モデルを保存する。また、記憶部１６は、例えば、推定モデルを保存する。抽出モデルおよび推定モデルそれぞれは、記憶部１６以外の記憶手段に保存されてもよい。
　図３は、出力部１５が出力する傷病名の推定結果の例を示す。図３の傷病名の推定結果の例は、消炎鎮痛剤を含有する湿布が処方された患者についての傷病名の推定結果を示す。図３の推定結果の例では、「患者名」と「傷病名」が関連付けられている。「患者名」は、例えば、患者の氏名である。「患者名」は、患者の識別番号であってもよい。「傷病名」は、推定部１３が推定した患者それぞれの傷病名である。図３の傷病名の推定結果の例に示すような傷病名の推定結果を参照することで、傷病名を調査する担当者は、患者が発症している症状の主原因となっている傷病を把握することが容易になる。
　図４は、出力部１５が出力する薬が処方された傷病の割合の推定結果の例である。図４の推定結果の例は、消炎鎮痛剤を含有する湿布が処方された傷病の割合を示す。図４の推定結果の例では、「傷病名」と「割合（％）」が関連付けられている。図４の例において「傷病名」は、薬の処方の対象となる傷病名である。また、「割合（％）」では、薬が処方された患者の総数に対する、それぞれの傷病の患者の人数の割合が、パーセントを単位として示されている。
　図５は、傷病名の候補を複数、推定する場合において出力部１５が出力する推定結果の例である。図５は、推定モデルが傷病名について複数の候補を推定する場合における推定結果の例である。図５の推定結果の例では、「患者名」と、「候補１」、「候補２」および「候補３」とが関連付けられている。「患者名」は、例えば、患者の氏名である。「患者名」は、患者の識別番号であってもよい。「候補１」、「候補２」および「候補３」は、それぞれ傷病名の候補である。例えば、患者「Ｈ」が罹患している傷病の傷病名は、「新型コロナウィルス感染症」、「インフルエンザ」または「発熱（風邪症状）」のいずれかである可能性が高いことを示している。出力部１５は、例えば、推定モデルによる推定の確度が基準以上の傷病名を、患者が罹患している傷病の傷病名の推定結果として出力する。図５の推定結果の例において、出力部１５は、推定モデルによる推定における候補それぞれの推定の確度をさらに出力してもよい。また、図５の例において、「－」は、推定モデルによる推定の確度が基準以上の傷病名が、３つに満たなかったことを示す。例えば、患者「Ｈ」では、推定モデルによる推定の確度が基準以上の傷病名が「インフルエンザ」と「新型コロナウィルス感染症」のみであるため、候補３は、「－」で示されている。
　図６は、患者が罹患している複数の傷病を推定した場合において出力部１５が出力する推定結果の例である。図６は、患者が複数の症状を発症している場合において、症状それぞれの傷病名を推定した結果の例である。図６の推定結果の例では、「患者名」と、「傷病１」および「傷病２」とが関連付けられている。「患者名」は、例えば、患者の氏名である。「患者名」は、患者の識別番号であってもよい。また、図６の推定結果の例において、「傷病１」および「傷病２」は、患者が罹患している可能性のある傷病である。図６の推定結果の例において、例えば、「傷病２」は、「傷病１」の合併症である。図６の推定結果の例では、罹患している２つの傷病の推定結果が示されているが、罹患している３つ以上の傷病の推定結果が示されてもよい。この場合に、推定部１３は、推定モデルを用いて３つ以上の傷病を推定する。
　医事会計装置２０は、例えば、患者の診療情報からレセプトを生成する装置である。医事会計装置２０は、患者の診療情報を基に、患者に請求する医療費を算出してもよい。医事会計装置２０は、例えば、医療データ管理装置３０から患者の診療情報を取得する。そして、医事会計装置２０は、患者の診療情報を基に、レセプトを生成する。また、医事会計装置２０は、患者の診療情報を基に、処方箋データを生成してもよい。医事会計装置２０が有する機能は、上記に限られない。
　医事会計装置２０は、例えば、医事会計データを保存する。医事会計装置２０は、例えば、患者についての診療情報を保存する。また、医事会計装置２０は、医療費の会計データ、レセプトおよび処方箋データをさらに保存してもよい。医事会計装置２０は、例えば、傷病名推定装置１０の取得部１１に、保存しているデータを出力する。
　医療データ管理装置３０は、例えば、患者の診療情報を保存する装置である。患者の診療情報は、電子カルテおよび検査データである。電子カルテの情報は、例えば、医師、看護師、検査技師、理学療法士およびカウンセラーによって入力される。また、医療データ管理装置３０は、電子カルテに記載されている以外の、患者の傷病情報、合併症情報、バイオマーカー、疾病ステータス、ガイドラインスコア、医療履歴、効果および検査結果のうち、１つまたは複数の項目の情報を保存してもよい。
　端末装置４０は、例えば、患者の傷病名を調査する人物が用いる端末装置である。端末装置４０は、例えば、傷病名推定装置１０の出力部１５から、患者の傷病に関する情報を取得する。そして、端末装置４０は、例えば、図示しない表示装置に、患者の傷病名に関する情報を出力する。
　患者の傷病名を調査する人物は、例えば、製薬会社、薬局または医薬品卸会社において、薬の用途を調査する担当者である。患者の傷病名を調査する人物は、診療報酬の内容をチェックする担当者であってもよい。診療報酬の内容をチェックする担当者は、例えば、健康保険組合の人物である。また、患者の傷病名を調査する人物は、医療関係者であってもよい。医療関係者は、例えば、医師、看護師または薬剤師である。医療関係者は、病院内において監査を行う人物であってもよい。医療関係者は、上記に限られない。
　端末装置４０は、傷病名を推定する対象を指定する情報を取得してもよい。傷病名を推定する対象を指定する情報は、例えば、端末装置４０に、患者の傷病名を調査する人物によって入力される。端末装置４０は、例えば、傷病名を推定する対象の薬を指定する情報を取得する。また、端末装置４０は、傷病名を推定する対象の患者を指定する情報を取得してもよい。端末装置４０は、例えば、傷病名推定装置１０に取得部１１に、傷病名を推定する対象を指定する情報を出力する。
　傷病名推定装置１０において傷病名を推定する処理の例について説明する。図７は、傷病名推定装置１０において複数の患者それぞれの傷病名を推定する処理における動作フローの例を示す図である。
　取得部１１は、医事会計データを取得する（ステップＳ１１）。取得部１１は、例えば、医事会計装置２０から、医事会計データを取得する。
　医事会計データが取得されると、抽出部１２は、医事会計データから、患者それぞれの時系列の診療情報を抽出する（ステップＳ１２）。
　医事会計データから時系列の診療情報が抽出されると、推定部１３は、推定モデルを用いて、取得した記患者それぞれの時系列の診療情報を基に、患者それぞれの傷病名を推定する（ステップＳ１３）。推定モデルは、時系列の診療情報から患者の傷病名を推定する機械学習モデルである。
　対象となる患者すべてについて傷病名の推定が終わっている場合に（ステップＳ１４でＹｅｓ）、出力部１５は、推定した傷病名に関する情報を出力する（ステップＳ１５）。
　ステップＳ１４において、傷病名の推定が終わっていない患者がいる場合に（ステップＳ１４でＮｏ）、ステップＳ１２に戻り、抽出部１２は、時系列の診療情報の抽出が終わっていない患者それぞれについて、医事会計データから時系列の診療情報を抽出する。
　傷病名推定装置１０は、医事会計データから時系列の診療情報を抽出する。また、傷病名推定装置１０は、推定部１３は、推定モデルを用いて、取得した記患者それぞれの時系列の診療情報を基に、患者それぞれの傷病名を推定する。推定モデルは、時系列の診療情報から患者の傷病名を推定する機械学習モデルである。そして、傷病名推定装置１０は、推定した患者それぞれの傷病名に関する情報を出力する。このように、患者それぞれの時系列の診療情報を基に、患者の傷病名を推定することで、例えば、診療において行われた行為間の関係を基に傷病名を推定することができるので、傷病名推定装置１０は、患者の傷病名の推定の精度を向上することができる。また、傷病名推定装置１０は、例えば、医事会計データから患者の傷病名を推定することで、患者が発症している症状の主原因となっている傷病の傷病に基づいた意思決定を支援することができる。
　また、傷病名推定装置１０は、例えば、医事会計データから抽出した診療情報を用いて傷病名を推定することで、電子カルテの情報を直接、用いなくても傷病名を精度よく推定することができる。このため、傷病名推定装置１０を用いることで、例えば、患者の個人情報を保護しつつ、傷病名を精度よく推定することができる。
　また、傷病名推定装置１０は、例えば、薬が処方された患者の傷病名を推定する場合に、時系列の診療情報を基に傷病名を推定することで、患者が発症している症状の主原因となっている傷病の傷病名を精度よく推定することができる。また、傷病名推定装置１０は、例えば、薬の処方の対象となる傷病ごとの割合を推定結果として出力することで、薬の用途の把握を容易にすることができる。また、時系列の診療データを基に患者が罹患している複数の傷病を推定することで、傷病名推定装置１０は、例えば、合併症として発症している傷病の傷病名を推定することができる。
　傷病名推定装置１０における各処理は、ネットワークを介して接続されている複数の情報処理装置において分散されて実行されてもよい。例えば、抽出部１２および推定部１３と、生成部１４における処理は、別の情報処理装置において行われてもよい。また、例えば、抽出部１２と、推定部１３における処理は、別の情報処理装置において行われてもよい。傷病名推定装置１０における各処理をいずれの情報処理装置において行うかは、適宜、設定され得る。
　傷病名推定装置１０における各処理は、コンピュータプログラムをコンピュータで実行することによって実現することができる。図８は、傷病名推定装置１０における各処理を行うコンピュータプログラムを実行するコンピュータ１００の構成の例を示したものである。コンピュータ１００は、ＣＰＵ（Central Processing Unit）１０１と、メモリ１０２と、記憶装置１０３と、入出力Ｉ／Ｆ（Interface）１０４と、通信Ｉ／Ｆ１０５を備える。
　ＣＰＵ１０１は、記憶装置１０３から各処理を行うコンピュータプログラムを読み出して実行する。ＣＰＵ１０１は、複数のＣＰＵの組み合わせによって構成されていてもよい。また、ＣＰＵ１０１は、ＣＰＵと他の種類のプロセッサの組み合わせによって構成されていてもよい。例えば、ＣＰＵ１０１は、ＣＰＵとＧＰＵ（Graphics Processing Unit）の組み合わせによって構成されていてもよい。メモリ１０２は、ＤＲＡＭ（Dynamic Random Access Memory）等によって構成され、ＣＰＵ１０１が実行するコンピュータプログラムや処理中のデータが一時記憶される。記憶装置１０３は、ＣＰＵ１０１が実行するコンピュータプログラムを記憶している。記憶装置１０３は、例えば、不揮発性の半導体記憶装置によって構成されている。記憶装置１０３には、ハードディスクドライブ等の他の記憶装置が用いられてもよい。入出力Ｉ／Ｆ１０４は、作業者からの入力の受付および表示データ等の出力を行うインタフェースである。通信Ｉ／Ｆ１０５は、他の情報処理装置との間でデータの送受信を行うインタフェースである。また、医事会計装置２０、医療データ管理装置３０および端末装置４０もコンピュータ１００と同様の構成とすることができる。
　各処理の実行に用いられるコンピュータプログラムは、データを非一時的に記録するコンピュータ読み取り可能な記録媒体に格納して頒布することもできる。記録媒体としては、例えば、データ記録用磁気テープや、ハードディスクなどの磁気ディスクを用いることができる。また、記録媒体としては、ＣＤ-ＲＯＭ（Compact Disc Read Only Memory）等の光ディスクを用いることもできる。不揮発性の半導体記憶装置を記録媒体として用いてもよい。
　上記の実施形態の一部または全部は、以下の付記のようにも記載されうるが、以下には限られない。
［付記１］
　医事会計データを取得する取得手段と、
　前記医事会計データから、患者それぞれの時系列の診療情報を抽出する抽出手段と、
　取得した前記患者それぞれの時系列の診療情報を基に、時系列の診療情報から患者の傷病名を推定する推定モデルを用いて、前記患者それぞれの傷病名を推定する推定手段と、
　推定した前記患者それぞれの傷病名に関する情報を出力する出力手段と
　を備える傷病名推定装置。
［付記２］
　前記推定手段は、時系列の診療情報から患者の複数の傷病名を推定する前記推定モデルを用いて、合併症として発症している傷病名を推定し、
　前記出力手段は、前記合併症として発症している傷病名に関する情報を出力する、
　付記１に記載の傷病名推定装置。
［付記３］
　前記出力手段は、前記医事会計データに含まれる傷病名と、前記推定手段が推定した傷病名が異なっている場合に、傷病名が異なっていることを示す情報を出力する、
　付記１または２に記載の傷病名推定装置。
［付記４］
　前記推定手段は、薬の処方履歴を前記時系列の診療情報として用いて、前記傷病名を推定する、
　付記１から３いずれかに記載の傷病名推定装置。
［付記５］
　前記推定手段は、前記推定モデルを用いて、薬の処方の対象となる傷病名を推定し、
　前記出力手段は、前記薬ごとに、前記薬が処方された患者の傷病名に関する情報を出力する、
　付記１から４いずれかに記載の傷病名推定装置。
［付記６］
　前記推定手段は、症状詳記をさらに用いて、前記傷病名を推定する、
　付記１から５いずれかに記載の傷病名推定装置。
［付記７］
　前記推定手段は、前記医事会計データに含まれる患者の医療費の額をさらに用いて、前記傷病名を推定する、
　付記１から６いずれかに記載の傷病名推定装置。
［付記８］
　前記推定手段は、前記患者の検査データをさらに用いて、前記傷病名を推定する、
　付記１から７いずれかに記載の傷病名推定装置。
［付記９］
　時系列の診療情報と、患者の実際の傷病名との関係を機械学習によって学習することによって前記推定モデルを生成する生成手段
　をさらに備える付記１から８いずれかに記載の傷病名推定装置。
［付記１０］
　前記生成手段は、症状詳記から特定される傷病名を前記患者の実際の傷病名として用いて前記推定モデルを生成する、
　付記９に記載の傷病名推定装置。
［付記１１］
　医事会計データを取得し、
　前記医事会計データから、患者それぞれの時系列の診療情報を抽出し、
　取得した前記患者それぞれの時系列の診療情報を基に、時系列の診療情報から患者の傷病名を推定する推定モデルを用いて、前記患者それぞれの傷病名を推定し、
　推定した前記患者それぞれの傷病名に関する情報を出力する、
　傷病名推定方法。
［付記１２］
　医事会計データを取得する処理と、
　前記医事会計データから、患者それぞれの時系列の診療情報を抽出する処理と、
　取得した前記患者それぞれの時系列の診療情報を基に、時系列の診療情報から患者の傷病名を推定する推定モデルを用いて、前記患者それぞれの傷病名を推定する処理と、
　推定した前記患者それぞれの傷病名に関する情報を出力する処理と
　をコンピュータに実行させる傷病名推定プログラムを非一時的に記録する記録媒体。
　また、上述した付記１に従属する付記２から１０に記載した構成の一部または全ては、付記１１、付記１２に対しても付記２から１０と同様の従属関係により従属し得る。さらには、付記１、付記１１、付記１２に限らず、上述した各実施の形態から逸脱しない範囲において、様々なハードウェア、ソフトウェア、ソフトウェアを記録するための種々の記録手段、またはシステムに対しても同様に、付記として記載した構成の一部または全てを従属させ得る。
　以上、実施の形態を参照して本開示を説明したが、本開示は上述の実施の 形態に限定されるものではない。本開示の構成や詳細には、本開示のスコープ内で当業者が理解し得る様々な変更をすることができる。そして、各実施の形態は、適宜他の実施の形態と組み合わせることができる。
　１０　　傷病名推定装置
　１１　　取得部
　１２　　抽出部
　１３　　推定部
　１４　　生成部
　１５　　出力部
　１６　　記憶部
　２０　　医事会計装置
　３０　　医療データ管理装置
　４０　　端末装置
　１００　　コンピュータ
　１０１　　ＣＰＵ
　１０２　　メモリ
　１０３　　記憶装置
　１０４　　入出力Ｉ／Ｆ
　１０５　　通信Ｉ／Ｆ

Claims (20)

  1. 　医事会計データを取得する取得手段と、
    　前記医事会計データから、患者それぞれの時系列の診療情報を抽出する抽出手段と、
    　取得した前記患者それぞれの時系列の診療情報を基に、時系列の診療情報から患者の傷病名を推定する推定モデルを用いて、前記患者それぞれの傷病名を推定する推定手段と、
    　推定した前記傷病名に関する情報を出力する出力手段と
    　を備える傷病名推定装置。
  2. 　前記推定手段は、時系列の診療情報から患者の複数の傷病名を推定する前記推定モデルを用いて、合併症として発症している傷病名を推定し、
    　前記出力手段は、前記合併症として発症している傷病名に関する情報を出力する、
    　請求項１に記載の傷病名推定装置。
  3. 　前記出力手段は、前記医事会計データに含まれる傷病名と、前記推定手段が推定した傷病名が異なっている場合に、傷病名が異なっていることを示す情報を出力する、
    　請求項１または２に記載の傷病名推定装置。
  4. 　前記推定手段は、薬の処方履歴を前記時系列の診療情報として用いて、前記傷病名を推定する、
    　請求項１から３いずれかに記載の傷病名推定装置。
  5. 　前記推定手段は、前記推定モデルを用いて、薬の処方の対象となる傷病名を推定し、
    　前記出力手段は、前記薬ごとに、前記薬が処方された患者の傷病名に関する情報を出力する、
    　請求項１から４いずれかに記載の傷病名推定装置。
  6. 　前記推定手段は、症状詳記をさらに用いて、前記傷病名を推定する、
    　請求項１から５いずれかに記載の傷病名推定装置。
  7. 　前記推定手段は、前記医事会計データに含まれる患者の医療費の額をさらに用いて、前記傷病名を推定する、
    　請求項１から６いずれかに記載の傷病名推定装置。
  8. 　前記推定手段は、前記患者の検査データをさらに用いて、前記傷病名を推定する、
    　請求項１から７いずれかに記載の傷病名推定装置。
  9. 　時系列の診療情報と、患者の実際の傷病名との関係を機械学習によって学習することによって前記推定モデルを生成する生成手段
    　をさらに備える請求項１から８いずれかに記載の傷病名推定装置。
  10. 　前記生成手段は、症状詳記から特定される傷病名を前記患者の実際の傷病名として用いて前記推定モデルを生成する、
    　請求項９に記載の傷病名推定装置。
  11. 　医事会計データを取得し、
    　前記医事会計データから、患者それぞれの時系列の診療情報を抽出し、
    　取得した前記患者それぞれの時系列の診療情報を基に、時系列の診療情報から患者の傷病名を推定する推定モデルを用いて、前記患者それぞれの傷病名を推定し、
    　推定した前記傷病名に関する情報を出力する、
    　傷病名推定方法。
  12. 　時系列の診療情報から患者の複数の傷病名を推定する前記推定モデルを用いて、合併症として発症している傷病名を推定し、
    　前記合併症として発症している傷病名に関する情報を出力する、
    　請求項１１に記載の傷病名推定方法。
  13. 　前記医事会計データに含まれる傷病名と、推定した傷病名が異なっている場合に、傷病名が異なっていることを示す情報を出力する、
    　請求項１１または１２に記載の傷病名推定方法。
  14. 　前記推定モデルは、薬の処方履歴を前記時系列の診療情報として用いて、前記傷病名を推定する、
    　請求項１１から１３いずれかに記載の傷病名推定方法。
  15. 　前記推定モデルを用いて、薬の処方の対象となる傷病名を推定し、
    　前記薬ごとに、前記薬が処方された患者の傷病名に関する情報を出力する、
    　請求項１１から１４いずれかに記載の傷病名推定方法。
  16. 　前記推定モデルは、症状詳記をさらに用いて、前記傷病名を推定する、
    　請求項１１から１５いずれかに記載の傷病名推定方法。
  17. 　前記推定モデルは、前記医事会計データに含まれる患者の医療費の額をさらに用いて、前記傷病名を推定する、
    　請求項１１から１６いずれかに記載の傷病名推定方法。
  18. 　前記推定モデルは、前記患者の検査データをさらに用いて、前記傷病名を推定する、
    　請求項１１から１７いずれかに記載の傷病名推定方法。
  19. 　時系列の診療情報と、患者の実際の傷病名との関係を機械学習によって学習することによって前記推定モデルを生成する、
    　請求項１１から１８いずれかに記載の傷病名推定方法。
  20. 　医事会計データを取得する処理と、
    　前記医事会計データから、患者それぞれの時系列の診療情報を抽出する処理と、
    　取得した前記患者それぞれの時系列の診療情報を基に、時系列の診療情報から患者の傷病名を推定する推定モデルを用いて、前記患者それぞれの傷病名を推定する処理と、
    　推定した前記傷病名に関する情報を出力する処理と
    　をコンピュータに実行させる傷病名推定プログラムを非一時的に記録する記録媒体。
PCT/JP2024/007522 2024-02-29 2024-02-29 傷病名推定装置、傷病名推定方法および記録媒体 Pending WO2025182005A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/007522 WO2025182005A1 (ja) 2024-02-29 2024-02-29 傷病名推定装置、傷病名推定方法および記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/007522 WO2025182005A1 (ja) 2024-02-29 2024-02-29 傷病名推定装置、傷病名推定方法および記録媒体

Publications (1)

Publication Number Publication Date
WO2025182005A1 true WO2025182005A1 (ja) 2025-09-04

Family

ID=96920192

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2024/007522 Pending WO2025182005A1 (ja) 2024-02-29 2024-02-29 傷病名推定装置、傷病名推定方法および記録媒体

Country Status (1)

Country Link
WO (1) WO2025182005A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021060932A (ja) * 2019-10-09 2021-04-15 株式会社イーエムシステムズ 傷病名推論システム、傷病名推論方法、傷病名推論プログラム、及びデータ構造

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021060932A (ja) * 2019-10-09 2021-04-15 株式会社イーエムシステムズ 傷病名推論システム、傷病名推論方法、傷病名推論プログラム、及びデータ構造

Similar Documents

Publication Publication Date Title
Kweon et al. Publicly shareable clinical large language model built on synthetic clinical notes
US20250232872A1 (en) Assistant System Using Multimodal Multitask Medical Machine-Learned Models to Perform Image Processing to Answer Natural Language Queries
Ommaya et al. Care-centered clinical documentation in the digital environment: solutions to alleviate burnout
Feldman et al. Management of patients with a musculoskeletal pain condition that is likely chronic: results from a national cross sectional survey
US20180233237A1 (en) Apparatus and method for processing and/or providing healthcare information and/or healthcare-related information with or using an electronic healthcare record and information regarding and/or obtained with or from electronic interactive activity, information, content, or media
Ciciurkaite et al. The incomplete medicalization of obesity: physician office visits, diagnoses, and treatments, 1996-2014
Ng et al. Deprescribing: what are the views and factors influencing this concept among patients with chronic diseases in a developed Asian community?
Kahlenberg et al. Time and cost of diagnosis for symptomatic femoroacetabular impingement
Kochmann et al. Direct to consumer mobile teledermatology apps: an exploratory study
Ankrah et al. A review of the Ghana National Health Insurance Scheme claims database: possibilities and limits for drug utilization research
US11940986B1 (en) Determining repair status information using unstructured textual repair data in response to natural language queries
Wuerdeman et al. How accurate is information that patients contribute to their Electronic Health Record?
Tiao et al. Ambulatory surgery centers significantly decrease total health care expenditures in primary anterior cruciate ligament reconstruction
Myers et al. Evaluating Retrieval-Augmented Generation vs. Long-Context Input for Clinical Reasoning over EHRs
Dykes et al. Adequacy of evolving national standardized terminologies for interdisciplinary coded concepts in an automated clinical pathway
Roganović Developing a consent checklist for AI in dentistry: Thematic analysis and pilot survey validation
US20230326610A1 (en) High validity real-world evidence study with deep phenotyping
Kable et al. An evaluation of discharge documentation for people with dementia discharged home from hospital–A cross-sectional pilot study
Vawdrey et al. Enhancing electronic health records to support clinical research
Spaans et al. Healthcare reimbursement costs of children with type 1 diabetes in the Netherlands, a observational nationwide study (Young Dudes-4)
Kim Patient Medical Record
CN116864150A (zh) 医疗预问诊辅助信息生成方法、装置、设备及存储介质
Dysinger A hybrid value-based lifestyle medicine practice model
JP2003308392A (ja) 医薬品と病名の関連付け装置並びに同方法
Kaloyanova et al. Extracting Data from General Practitioners' XML Reports in Bulgarian Healthcare to Comply with ISO/EN 13606

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: 24927285

Country of ref document: EP

Kind code of ref document: A1