JP2019091324A - 医療情報処理装置及びプログラム - Google Patents

Abstract

【課題】対象者から得たデータに基づいて対象者への処方を提示する装置において、処方の過不足を低減する。【解決手段】医療情報処理装置１は、人体に関するデータを取得するデータ取得手段と、取得データを蓄積するデータ蓄積手段と、蓄積データを解析し、当該蓄積データと少なくとも処方を行う時期及び内容との対応パターンを学習することで推論に用いる識別器を生成する機械学習を行う処方学習手段と、識別器と取得データを用いて、少なくとも処方を行うべき時期を含む処方内容を推論する処方推論手段と、推論した処方内容を出力する出力手段と、を備える。【選択図】図６

Description

本発明は、医療情報処理装置及びプログラムに関する。

医療従事者等による対象者（患者等）への処方の決定を支援する技術として、例えば、下記特許文献１〜３に記載されたようなものが提案されている。
特許文献１に記載の診断支援装置は、医用画像を解析して特性値を算出し、その特性値から診断名の推論と該推論の信頼度を求め、特性値が既定の基準を満たさない場合において、あらかじめ保持している、次に行うべき医療行為を提示する、というものである。
また、特許文献２に記載の健康管理システムは、個人のバイタルデータ及びライフスタイルデータから疾病あるいはリスクの予測、適正運動処方、適正食事処方のいずれかを推論するものである。
また、特許文献３に記載の健康指導システムは、問診データ、食生活データ、運動活動データから食事の摂取カロリー、栄養素の摂取量、各種運動の消費カロリーを求め（生活状況データと呼ぶ）、蓄積された生活状況データをもとに食生活と運動生活における最適な生活習慣改善メニューを作成するものである。

特許第５７４４６３１号公報 特開平１１−０４７０９６号公報 特開平０７−１７５４０４号公報

近年、高齢化に伴う医療費の高騰が社会問題化してきている。一方で、医療財源・医療資源は限られており、全体に対して診療あるいは治療をできるだけ過不足なく行うことが求められている。
しかし、上記特許文献１〜３に記載されたような技術は、蓄積データと処方とを対応付けた学習を行うものではなく、データの解析結果をガイドライン等予め決められた指標に照らし合わせて処方を決定するものとなっている。このため、解析の結果、同じような状態と判断した対象者には、処方の時期と種類を一律に設定することとなってしまう。しかし、対象者の詳細な状態は様々であるため、その処方が過剰になる者と不十分な者とが出てきてしまう。過剰な処方を行えばその分だけ医療費が無駄にかかってしまうことになるし、処方が足りなければ医療の質が足りていないということになる。

こうした事態を解消するためには、処方の導出の仕方を調節することになる。しかし、処方が過剰になる者を少なくするように調節すれば、処方が不十分になる者が増え、反対に、処方が不十分になる者を少なくするように調節すれば、処方が過剰になる者が増えてしまう。
つまり、従来の処方決定を支援する技術では、処方の個別最適化が十分ではなかったため、医療費増大と医療の質低下とのトレードオフが生じてしまっていた。

本発明は、上記課題に鑑みてなされたものであり、対象者から得たデータに基づいて対象者への処方を提示する装置において、処方の過不足を低減することを目的とする。

前記の問題を解決するために、本発明は、
人体に関するデータを取得するデータ取得手段と、
前記データ取得手段が取得した取得データを蓄積するデータ蓄積手段と、
前記データ蓄積手段が蓄積している蓄積データを解析し、当該蓄積データの中から当該蓄積データと少なくとも処方を行う時期及び内容との対応パターンを自律的に見つけ出し、推論に用いる識別器を生成する処方学習手段と、
前記処方学習手段が生成した前記識別器と前記取得データを用いて、少なくとも処方を行うべき時期を含む処方内容を推論する処方推論手段と、
前記処方推論手段が推論した処方内容を出力する出力手段と、を備えることを特徴とする。

本発明によれば、対象者個々の状態にあった処方を行うことができるため、処方の過不足が低減され、処方が一般的な基準よりも多く必要とする対象者と、あまり必要としない対象者とのすみわけを実施することができる。その結果、医療費増大と医療の質向上との両立を図ることができる。

本発明の実施形態に係る医療情報処理装置の構成を表すブロック図である。 図１の医療情報処理装置が実行する学習処理を表すフローチャートである。 図１の医療情報処理装置が実行する処方提示処理を表すフローチャートである。 図１の医療情報処理装置における推論処理条件の設定例である。 図１の医療情報処理装置おけるデータの入力条件の設定例である。 図１の医療情報処理装置が実行する処方提示処理を表す概念図である。 図１の医療情報処理装置による処方の提示例である。 図１の医療情報処理装置における結果の入力例である。

以下、図を参照して本発明の実施の形態について詳細に説明する。ただし、発明の範囲は、図示例に限定されるものではない。

〔医療情報処理装置の構成〕
まず、本実施形態に係る医療情報処理装置１の構成について説明する。図１は、医療情報処理装置１の構成を表すブロック図である。
医療情報処理装置１は、入力された又は発生させたデータとその取得方法、及び発生イベントを取得・蓄積し、取得データ群と、次の処方を行う時期とその種類の対応を学習し、その学習結果に基づいて、将来イベントを防ぐための次の処方を行う時期とその種類を推論するものである。
また、医療情報処理装置１は、健診／検診、外来診療、救急、入院（病棟）、リハビリテーション、介護、在宅診療等、様々な場面で用いることが可能であるが、特に健診／検診において有用なものとなっている。

医療情報処理装置１は、ＰＣや携帯端末、あるいは専用の装置として構成されており、図１に示したように、制御部１１や、入力部１２、記憶部１３、出力部１４等を備えている。各部１１〜１４はバス１５によって接続されている。
また、本実施形態における医療情報処理装置１は、これらの他に、操作部１６を備えている。

制御部１１は、ＣＰＵ、ＲＡＭ等で医療情報処理装置１の各部の動作を統括的に制御するように構成されている。具体的には、記憶部１３に記憶されている各種プログラムを読み出してＲＡＭに展開し、当該プログラムに従って各種処理を実行する。

入力部１２は、外部（各種医療機器（単純Ｘ線、ＭＭＧ、ＵＳ、ＣＴ、ＭＲＩ等）や、画像保存通信システム（ＰＡＣＳ）、電子カルテ装置、その他のシステム）から人体に関する各種データを入力するためのものである。
入力部１２は、ネットワークインターフェース等で構成され、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、インターネット等の通信ネットワークを介して有線又は無線で接続された外部からデータを受信するように構成するのが好ましいが、ＵＳＢメモリーやＳＤカード等を差し込むことが可能なポート等で構成することもできる。

記憶部１３は、ＨＤＤ（Hard Disk Drive）や半導体メモリー等により構成され、後述する機械学習をはじめとする各種処理を実行するためのプログラムや、当該プログラムの実行に必要なパラメーター、ファイル等を記憶している。
また、記憶部１３には、外部から取得したデータや、自身が推論することにより生成したデータを記憶しておくためのデータベースが構築されている。
データベースに蓄積可能なデータの具体例としては、例えば、医用画像（単純Ｘ線／ＵＳ／ＣＴ／ＭＲＩ／ＰＥＴ／ＲＩ／内視鏡／ＩＶＲ／病理等）、写真（体表（顔、皮膚等）、排出物（排泄物、おう吐物）、食事、部屋の様子等）、バイタルデータ（パルスオキシ、心電図）、血液検査、尿検査、問診、記録（看護記録、日記等）等が挙げられる。
なお、データベースは、記憶部１３とは別の記憶手段に設けるようにしてもよい。

また、この医療情報処理装置１が医療機関等での使用に供さる前の状態では、記憶部１３には、初期のパラメーターが記憶されている。
その後、医療情報処理装置１が稼働し、データベースへのデータの蓄積が進み、後述する学習処理が実行される度にパラメーターが更新されるようになっている。
なお、初期のパラメーターは、他の装置に予め学習させておいたものを用いるようにしてもよい。

出力部１４は、本医療情報処理装置１が処理した情報を出力するためのものである。
また、出力部１４は、例えば、処理結果を表示するための表示装置や、処理結果を印刷するためのプリンターそのものとしてもよいし、これらと接続するためのコネクターとしてもよい。また、他のシステム等と通信するためのネットワークインターフェースや、ＵＳＢメモリー等の各種メディアのポートとしてもよい。
なお、入力部１２が出力部１４を兼ねるようにしてもよい。

操作部１６は、各種キーを備えたキーボードやマウス等のポインティングデバイス、あるいは表示装置に取り付けられたタッチパネル等でユーザーが操作可能に構成され、キーボードに対するキー操作やマウス操作、あるいはタッチパネルに対するタッチ操作の位置に応じて入力された操作信号を制御部１１に出力する。
なお、携帯端末を有線又は無線で接続し、この携帯端末の液晶表示パネルを上記出力部１４、タッチパネルやボタンを操作部１６として用いてもよい。

次に、この医療情報処理装置１の動作について具体的に説明する。図２には医療情報処理装置１が実行する学習処理を表すフローチャートであり、図３は医療情報処理装置１が実行する処方提示処理を表すフローチャートである。

上述したように構成された医療情報処理装置１の制御部１１は、例えば、外部からデータが入力されたこと、操作部１６に処理の開始を指示する操作がなされたこと等を契機として、図２のフローチャートで表される学習処理を実行するようになっている。
この学習処理は、医療情報処理装置１の開発・製造時や、後述する処方提示処理の合間等に行われる処理である。

学習処理では、まず、人体に関するデータを取得する（ステップＳ１１）し、その取得データを蓄積する（ステップＳ１２）。具体的には、入力部１２や操作部１６等から入力された複数種類の入力データや、発生したイベントに関する情報のうちの少なくともいずれかを記憶部１３のデータベースに蓄積する。
ここで、「イベント」とは、対象者の状態が現状の状態から逸脱することを指す。具体的には、未病の状態から発病することや、完治あるいは寛解した状態から病気が再発すること、救急搬送されている状態から重篤状態に陥ること等である。
なお、改善への変化する場合、すなわち、発病している状態から完治あるいは寛解する場合や、何らかの不良状態から安静にする場合等も「イベント」に含まれる。
この処理を実行することにより、制御部１１及び入力部１２は、本発明におけるデータ取得手段をなすとともに、制御部１１及び記憶部１３は、本発明におけるデータ蓄積手段をなす。

この処理で取得可能なデータには、例えば、画像データと、テキストデータと、がある。入力する際には、このいずれかであってもよいが、両方を含むのが好ましい。
画像データには、単純Ｘ線画像、ＵＳ画像、ＣＴ画像，ＭＲＩ画像、病理画像等が含まれる。
一方、テキストデータには、測定値データと主観データ等が含まれる。
測定値データには、例えば、身長や体重、血液検査、尿検査、歩数計、パルスオキシ、心電図等が含まれる。
主観データには、例えば、問診票の記載内容、医療従事者がつけた記録内容、患者がつけた日記等が含まれる。

なお、開発・製造時に行われる最初の学習処理では、こうしたデータを医療機関等から大量に集め、入力部１２に入力することで、データベースを構築する。
また、二回目以降に実行される学習処理では、当該処理の前に後述する処方提示処理が行われることとなり、この処方提示処理において、データの取得・蓄積が行われるため、ステップＳ１１，１２の処理は行わなくてもよい。

ところで、上記データとなり得る様々な情報を一元的に収集・蓄積するには、入力部１２を備えておくだけでは不十分なケースがある。例えば、学習に必要な情報のデータは外部の電子カルテ装置に記録、蓄積されていくが、電子カルテ装置と本医療情報処理装置１との通信において、入力項目を直接デジタルデータとして授受するプロトコルが無い、といったケースがそれに当たる。
この場合には、電子カルテ装置の表示画面に出力されている映像情報を本医療情報処理装置１へ直接入力（映像キャプチャ）し、入力された映像からユーザーの操作パターンを学習することで、電子カルテ装置に記録されているテキストや画像を取得する機構を設けてもよい。

具体的には、画面のレイアウトと変化パターンを学習し、確定ボタンや送信ボタン等、その画面に映っているデータが確定したタイミングを検知できるようにし、検知時には、直前の映像データを用いて所定の領域から所望のデータを取得する。ここで、テキストデータに変換したい場合は一般的な光学文字認識（ＯＣＲ）ソフト等を用いてもよい。
このようにすれば、直接デジタルデータを授受できない場合であっても、学習データ取得が可能となる上、電子カルテ装置等の他システムで一度入力したデータを本情報処理装置１に再度入力して推論処理を実行するという入力の手間を省くこともできる。

データを蓄積した後は、蓄積データを用いて機械学習を行う（ステップＳ１３）。具体的には、データベースに蓄積している蓄積データを解析し、当該蓄積データの中から当該蓄積データと少なくとも処方を行う時期及び内容との対応パターンを自律的に見つけ出し、推論に用いるパラメーター（識別器）を生成する。すなわち、制御部１１及び記憶部１３は、本発明における処方学習手段をなす。
なお、様々な組み合わせのデータ群を用いて機械学習を行い、複数種類のパラメーターを生成しておくのが好ましい。

また、機械学習として、その一種である深層学習（ディープラーニング）を行うことも可能である。すなわち、多層構造のニューラルネットワークを用いて学習を行う。
従来型の機械学習では、開発者が識別する特徴を定義・設計する必要があったが、深層学習は特徴抽出機能も備えると言われており、人間の観点に依存しない特徴の生成による精度向上が期待される。

また、医療情報処理装置１の制御部１１は、例えば、外部からデータが入力されたこと、操作部１６に処理の開始を指示する操作がなされたこと等を契機として、図３のフローチャートで表される処方提示処理を実行するようになっている。

処方提示処理では、まず、上述した学習処理におけるステップＳ１１，Ｓ１２と同じ処理、すなわち、人体に関するデータの取得（ステップＳ２１）、及び取得データの蓄積（ステップＳ２２）を行う。

データを蓄積した後は、推論処理条件を設定する（ステップＳ２３）。具体的には、複数種類の取得データの中から、推論に用いるデータを選択する。
選択の仕方としては、例えば、範囲、種別、蓄積期間等でデータを絞る方法が挙げられる。
範囲は、例えば、蓄積されている全ての人のデータ、同一人のみのデータ、同一の属性を持つ人のデータ等である。ここで、「同一の属性」とは、例えば、同一年代（４０代、５０代、４５歳〜６５歳、等）、同一性別、同一の検査結果範囲（例えばＢＭＩ≧２５）等が挙げられる。
種別は、例えば、診療科、画像データ、測定値データ、主観データ等である。
蓄積期間は、例えば、蓄積開始からの全期間のデータ、直近数年（例えば５年、１０年等）のデータ等である。
なお、期間については、数値の入力欄Ｅを設けて、任意の指定期間（例えば２０１２年〜２０１６年等）を指定できるようにしてもよい。

また、出力部１４を表示装置で構成している、あるいは出力部１４に表示装置を接続している場合には、表示装置の表示部１７に、図４に示したような、項目ごとの選択肢（範囲、種別、期間等）が一覧表示された範囲指定画面を表示し、ユーザーにそれを見ながら選択させるようにすることもできる。
また、各項目から特定の指向性を持つようにデータを選び出した複数の組み合わせをそれぞれプリセットＰ（例えば、全データ、病院外、健康診断、精密検査等）にしておき、そのプリセットを選択するようにすれば、項目ごとに選択肢を選ぶ作業が不要になる。
特に、操作部１６をタッチパネルとして表示装置の表示部１７に取り付けておけば、表示部１７に表示された選択肢やプリセットの表示に触れるだけで設定できるので、推論処理条件の設定がより容易になる。

推論処理条件を設定した後は、データの入力条件（特に今回取得した分）を設定する（ステップＳ２４）。この処理では、例えば画像データを入力する場合、入力する画像データの読影レポートや特徴等を入力する。具体的には、例えば図５に示したように、表示装置に画像データに基づく画像を表示し、注目領域を図形Ｓで囲むことで指示する。なお、図には、指示する図形Ｓとして楕円形を例示したが、その形状は、矩形、円形、多角形、自由曲線等任意である。
なお、画像データには、異なるモダリティから得られた少なくとも二種類の画像データを含めるのが好ましい。
また、注目領域は、別の装置で既に設定済みの領域情報を適用するようにしてもよい。例えば、複数の図形Ｓが初期状態で表示され、そのうちユーザーによって選択され任意の図形Ｓを注目領域としてもよい。

また、この段階でデータが欠損している場合には、ユーザーが入力することができる。すなわち、操作部１６になされた操作に基づく入力を、取得データとすることが可能である。
欠損データの代わりとして入力するデータとしては、標準値（正常値）、統計値等を選択することができる。統計値は、例えば、特定の年代や性別で集計された値から算出した値である。

入力条件を設定した後は、処方内容を推論する（ステップＳ２５）。具体的には、図６に示したように、上記学習処理を実行することによって生成したパラメーターと取得データを用いて、少なくとも処方を行うべき時期を含む処方内容を推論する。具体的には、生成したパラメーターに取得データを当てはめることで、処方内容が得られる。すなわち、制御部１１は、本発明における処方推論手段をなす。
なお、処方内容として、処方の種類（検査条件を含む。例えば単純Ｘ線検査であれば撮影条件のことである。）を併せて推論するようにしてもよい。
また、複数種類のパラメーターを格納している場合には、複数種類のパラメーターと取得データを用いて、複数種類の処方内容を推論するようにしてもよい。

ところで、撮影条件は、通常、医師の好みや思考特性によらず、被検者の体格、過去診療記録等を参考にして決定されるため、個別最適（診断性能向上と被ばく線量抑制のトレードオフ解決）には至りきらないという問題があった。
そこで、問診、過去検査、ＢＭＩ、医師の好み等から撮影条件を推論するようにしてもよい。
このようにすれば、こうしたトレードオフを解決する個別最適を実現することができる。

推論処理を実行した後は、推論した処方内容を提示する（ステップＳ２６）。本実施形態では、出力部１４を構成する、又は出力部１４に接続された表示装置の表示部１７に処方を表示することにより提示する。
例えば図７に示したように、次回の検査日や訪問日（例えば６カ月後等）、次回の検査項目（例えばマンモグラフィー、超音波等）等を提示する。 なお、図７には患者や健康診断の受診者に対する処方の提示例を示したが、医療従事者等を対象とする処方を提示するようにしてもよい。
この処理を行うことにより、制御部１１及び出力部１４（表示装置）は、本発明における出力手段として機能する。

本実施形態の医療情報処理装置１においては、入力に対してなされる提示の組み合わせとして、以下のようなものを想定している。
・放射線画像、問診結果、血液検査結果の入力に対して、次の検査までの期間と検査の種類を提示する（投薬期間、健診間隔）。なお、放射線画像を入力する場合、次の検査までの期間と検査の種類に加え、検査条件も提示するようにしてもよい。
・マンモグラフィ及び／又は超音波及び又は問診の入力に対して、次の検査までの期間と検査の種類を提示する。
・介護レポートや各種センサーの入力に対して、巡回タイミングと予定行動（検査、処置、等）を提示する。
・各種バイタル及び検査結果の入力に対し、巡回タイミングを提示する（ＩＣＵ内で用いる場合等）。
・病理画像の入力に対し、断端追加切除を提示する（既にイベントが起こってしまっている場合）。
・健康診断結果の入力に対し、次回の追加検査のタイミングを提示する。

なお、乳がん等の初期診療では、問診、触診、ＭＭＧ検査、ＵＳ検査のいずれか又はその組合せを実施し、その上で次の処方を決定することになる。このため、初期診療において発見された所見が悪性の可能性が高いと判断された場合には、より侵襲性の高い細胞診や組織診等の追加診断を行ってその良悪性を判断することになるが、こうした追加診断を過度に行うと、患者の身体的、金銭的、心理的負担をいずれも増大させてしまうことになる。一方、追加診断を過度に抑制すると、がんを見落としてしまうことになりかねない。こうしたトレードオフの解消は医療現場における大きな課題となっている。
そこで、上述したような後日行う処方の内容を提示する以外に、この後すぐ（同日）に行う処方の内容（例えば、細胞診の要否や組織診の要否等）を提示するケースがあってもよい。

また、処方を提示する際には、処方内容に関連する情報、具体的には、提示した処方内容を推論するに至った理由等を併せて提示するようにしてもよい。このようにすれば、提示結果だけを伝えられる場合に比べ、対象者が納得し易い。

また、本実施形態の処方提示処理においては、処方等を提示した後、結果（ふり返り）の入力を受け付けるようにしている（ステップＳ２７）。具体的には、図８に示したように、対象者の最終的な結果（どのような病気になったか、あるいは完治したか等）や、これまで行ってきた一連の処置が結果的に良かったか否か等を入力する。
結果が良かったと入力された場合には、一連の処置がうまくいったケースのデータとして蓄積し、結果が悪かったと入力された場合には、一連の処置が失敗したケースのデータとしてデータベースに蓄積する。こうすることで、適切に処置できたパターンを学習していくことが可能となる。
なお、これまでの処方が良くなかった旨の内容を入力した場合には、改善点（いつ、どのような処置を実施すべきであった等）を入力・蓄積できるようにし、それを学習に反映させるようにしてもよい。

本実施形態の医療情報処理装置１は、従来のような、あらかじめ保持している情報（例えば、学会等の検討に基づいて策定されたガイドライン（診療指針、標準治療））に照らし合わせて処方を導き出すのではなく、蓄積された情報を用いて機械学習を行うことにより生成されたパラメーターを用いて処方内容を推論する。パラメーターは、対象者ごとに異なるため、同じような状態のデータが入力されても、処方内容は対象者ごとに変わってくる。すなわち、本実施形態の医療情報処理装置１は、対象者の詳細な状態の差を加味した最適な処方内容を提示することができる。

ところで、特性が同じような対象人体（患者や被検者）に対して医師が処方を行う場合、医師の属性（学閥、専門科、国（文化））の違いによって処方内容が変わることがある。
そこで、上記実施形態に係る医療情報処理装置１においては、学習や推論を医師が持つ属性ごとに分けて実施するようにしてもよい。
その場合には、ステップＳ２６において推論に使用した学習済みデータの属性（例えば△△大学病院系等）を合わせて提示するようにしてもよいし、更に、複数の学習データから推論された複数の推論結果（△△大学病院系の結果と○○病院系の結果の両面提示等）を提示するようにしてもよい。
このようにすれば、ユーザーの納得度が増すことが期待できる。

また、一般的な病院の特性上、ある病院に勤務する医師の全てが同じ属性を持つ医師とは限らず、厳密に医師一人ずつに属性を付与した上でこの医療情報処理処理１の運用を行うことは現実的ではない。その結果、正しい属性データを持った学習データが集積される可能性は低くなることが予想され、そのデータを用いた学習では、良好な推論精度は得られない可能性が高い。
そこで、ユーザーから入力された画像や情報を入力として、蓄積済みデータとの類似度を算出し、その類似性が乏しい入力データは別属性をもつデータとして蓄積するようにしてもよい。
このようにすれば、精度の高い推論処理を実現するための高品質な学習データ蓄積が可能となる。

また、上記実施形態に係る医療情報処理装置１を主に用いることになる医師にとって、時間のない多忙な中で正確なデジタルデータとして診療記録を残すモチベーションは低いことが多い。例えば、自筆の紙カルテを記録すれば診療には差し支えないし、電子カルテを用いたとしても、本人が識別可能な記号等の記載でまかなう可能性は否定できない。また、選択式ではない平文のテキスト入力では誤字脱字の可能性もある。

そこで、正確なデジタルデータ提供の見返りとして、ユーザーに有用な取り計らいをすることを機能として組み込んでもよい。
例えば、正確なアノテーションを画像に記録した場合、確定診断を入力した場合、等に応じてポイントを加算し、そのポイントに応じてインセンティブを設定する。インセンティブは例えば、次回の装置購入時の値引きや、新製品の試行期間や回数の延長である。
正確なアノテーションかどうかの判定は、すでに蓄積された、正確なアノテーションであると確定しているデータ群と、今回入力されたデータの類似度を計算し、その類似度が高い場合に正確なアノテーションであると判断してもよいし、アノテーション記録時間（開始から終了まで）を計測し、その時間が長い場合は正確なアノテーションとしてもよい。
これにより、医師のモチベーションが向上し、正確なデジタルデータとしての学習データを収集することができる。

また、ユーザーが上記実施形態に係る医療情報処理装置１を使用する際、操作性や視認性が悪いとユーザーが感じた場合、ユーザーはイラつき、記録をやめてしまうリスクがある。この要因には、製品設計の不備、ユーザー利用環境の悪化、ユーザーの体調不調等、複数の要因が考えられる。学習データの蓄積もできない上に、推論処理も利用されないとなると、患者や被検者にとって不利益が生じる。
そうなると、たとえユーザーに有用な取り計らいをする機能を持たせ、ユーザーの入力に対するモチベーションを高めたとしても、それがうまく機能しなくなってしまうことになる。

そこで、ユーザー操作（マウスポインタの軌跡や速度）、使用機能、アプリ状況（応答時間等)の記録を入力としてユーザーのイラつき度合いを推論し、その推論結果が悪い場合に所定の処置を行うようにしてもよい。
所定の処置は、カスタマーサポートへ自動的に連絡するようにしてもよいし、イラつき度合いが良好な（イライラしなかった）別のユーザーが使用している画面レイアウトへの変更を推薦してもよいし、ユーザーへ休憩を促してもよい。
これにより、ユーザーのイラつきを抑止し、ユーザーに本医療情報処理装置１を正しく使用してもらうことができる。

なお、以上の説明では、本発明に係るプログラムのコンピューター読み取り可能な媒体としてＨＤＤや半導体メモリーを使用した例を開示したが、この例に限定されない。
その他のコンピューター読み取り可能な媒体として、フラッシュメモリ等の不揮発性メモリー、ＣＤ−ＲＯＭ等の可搬型記録媒体を適用することが可能である。
また、本発明に係るプログラムのデータを通信回線を介して提供する媒体として、キャリアウェーブ（搬送波）も本発明に適用される。

１ 医療情報処理装置
１１ 制御部
１２ 入力部
１３ 記憶部
１４ 出力部
１５ バス
１６ 操作部
１７ 表示部
Ｅ 入力欄
Ｐ プリセット
Ｓ 図形

Claims (11)

1. 人体に関するデータを取得するデータ取得手段と、
   前記データ取得手段が取得した取得データを蓄積するデータ蓄積手段と、
   前記データ蓄積手段が蓄積している蓄積データを解析し、当該蓄積データの中から当該蓄積データと少なくとも処方を行う時期及び内容との対応パターンを自律的に見つけ出し、推論に用いる識別器を生成する処方学習手段と、
   前記処方学習手段が生成した前記識別器と前記取得データを用いて、少なくとも処方を行うべき時期を含む処方内容を推論する処方推論手段と、
   前記処方推論手段が推論した処方内容を出力する出力手段と、を備えることを特徴とする医療情報処理装置。
2. 前記処方推論手段は、前記処方内容として、処方の種類を併せて推論することを特徴とする請求項１に記載の医療情報処理装置。
3. 前記出力手段は、前記処方推論手段が推論した処方内容を表示可能な表示装置であることを特徴とする請求項１又は２に記載の医療情報処理装置。
4. 前記出力手段が出力した推論内容を前記処方推論手段が推論するに至った理由を提示する理由提示手段を備えることを特徴とする請求項１から３のいずれか一項に記載の医療情報処理装置。
5. ユーザーが操作可能な操作部を備え、
   前記データ取得手段は、前記操作部になされた操作に基づく入力を、前記取得データとすることが可能であることを特徴とする請求項１から４のいずれか一項に記載の医療情報処理装置。
6. 前記処方学習手段は、機械学習に用いる前記蓄積データを異ならせることにより、複数種類の識別機を生成可能であり、
   前記処方推論手段は、複数種類の前記識別器と前記取得データを用いて、複数種類の前記処方内容を推論可能であることを特徴とする請求項１から５のいずれか一項に記載の医療情報処理装置。
7. 前記取得データには、少なくとも画像データとテキストデータが含まれることを特徴とする請求項１から６のいずれか一項に記載の医療情報処理装置。
8. 前記画像データには、異なるモダリティから得られた少なくとも二種類の画像データが含まれることを特徴とする請求項７に記載の医療情報処理装置。
9. 前記処方の種類には、検査条件が含まれることを特徴とする請求項１から８のいずれか一項に記載の医療情報処理装置。
10. 前記処方学習手段は、前記機械学習として、深層学習を行うことを特徴とする請求項１から９のいずれか一項に記載の医療情報処理装置。
11. コンピューターに、
    人体に関するデータを取得する処理と、
    前記データ取得手段が取得した取得データを蓄積する処理と、
    前記データ蓄積手段が蓄積している蓄積データに基づいて、当該蓄積データと少なくとも処方を行う時期および内容との対応パターンを学習することで推論に用いる識別器を生成する機械学習を行う処理と、
    前記処方学習手段が生成した識別器と前記取得データを用いて、少なくとも処方を行うべき時期を含む処方内容を推論する処理と、を実行させることを特徴とするプログラム。

Images