JP4318221B2

JP4318221B2 - 医療情報分析装置、方法及びプログラム

Info

Publication number: JP4318221B2
Application number: JP2004349418A
Authority: JP
Inventors: 義典柳沼
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2004-12-02
Filing date: 2004-12-02
Publication date: 2009-08-19
Anticipated expiration: 2024-12-02
Also published as: JP2006163465A

Description

本発明は、記憶ベース推論(Memory-Based Reasoning)を用いた医療情報分析装置、方法及びプログラムに関し、特に既知医療データから記憶ベース推論により未知医療データの結果を予測する医療情報分析装置、方法及びプログラムに関する。

近年、各種病院では電子カルテやオーダリングシステム、医事会計システムなどの医療情報処理システムが急速な勢いで普及してきている。これらの医療情報処理システムの普及に伴い、医療情報を蓄積するだけでなく、そこに内在する、因果関係や規則性などの価値ある情報を、自動的かつ効率的に抽出して過去の傾向把握や、把握した過去傾向を利用して現在治療中の患者のコストやバリアンスを予測することで、効果的な治療や効率的な病院経営へ役立たせたいという医療情報分析の要望が高まっている。

従来、医療情報分析装置では、医療情報を含む蓄積済みデータを、事前に分析を通して規則性や条件を抽出したモデル構築を行い、そのモデルにより予測を行う機構を医療情報分析装置内に実現する。そして、外部からの入力条件に従い、その予測を行う機構により医療情報の調査対象を予測し、その結果を出力していた。

その際に、分析とモデルの構築には、多変量解析などの統計的手法による分析や、決定木やニューラルネットワークなどの予測分類機構が使用されている。
特開２０００−１５５６８１号公報特開２００３−３２３６０１号公報

しかしながら、このような従来の医療情報分析装置にあっては、ある時点で蓄積されたデータを用いてモデル構築し、構築されたモデルを用いて予測を行うようにしていたため、時間の経過に従って、モデルが最新の状況に当てはまらなくなるのが通常であり、この時点で、分析専門家によるデータの再分析とモデルの再構築の作業が必要となり、コストもかかり、また、この作業が装置の連続的、自動的な運用を妨げていた。

また、予測結果のみを出力し、予測の確からしさを明確に出力しないアルゴリズムを使用する場合も多く、予測結果の柔軟な利用を難しくしていた。さらに、蓄積されたデータを用いてモデルを構築する手法では、蓄積済みのデータが対象としている問題を全て表すと仮定をおくことが通常だが、実際には、当初得られたデータは問題の一部で偏っていたり、あるいは世の中の変化に伴って過去には現れなかったケースが出現したりといった可能性が存在する。しかし、一度構築されたモデルからは、そのような状況、つまり予測自体の信頼性の判断はできなかった。

本発明は、モデル構築を必要とすることなく、電子カルテや医事会計等の条件に対する患者満足度やコスト等の結果をもつ既知事例データから未知事例データの結果を記憶ベース推論により動的に予測する医療情報分析装置、方法及びプログラムを提供することを目的とする。

本発明は、コンピュータにより実行される医療情報解析プログラムを提供する。本発明の医療情報分析プログラムは、コンピュータに、
説明変数と目的変数で構成されるレコードの集合である既知医療データを蓄積したデータベースに蓄積された既知医療データに基づき、目的変数に対し各説明変数が寄与する割合を表す影響度、入力された未知医療データの目的変数値の予測値とその確信度及び予測自体の信頼性尺度を計算して出力する記憶ベース推論ステップと、
記憶ベース推論ステップが出力する影響度を表示する影響度表示ステップと、
予測値が期待される結果と同等と見なせる範囲を示す予測値判定条件、予測値確信度に対する閾値、及び信頼性尺度に対する閾値を事前設定し、記憶ベース推論ステップから出力された未知医療データの予測値とその確信度及び信頼性尺度を比較判定して警告を出力する警告出力ステップと、
を実行させることを特徴とする。

ここで、警告出力ステップは、信頼性尺度が閾値以下の場合、未知医療データは新規出現ケースであり、予測値は参考程度であることを警告する。

警告出力ステップは、
予測値が判定条件を満たさず且つ確信度も閾値以下の場合は、予測値は期待結果と異なり確信度も低いことを警告し、
予測値が判定条件を満たさず且つ確信度が閾値を超えた場合は、予測値は期待結果と異なるが確信度も高いことを警告する。

本発明の医療情報分析プログラムは、更に、
未知医療データの予測結果を時間の経過と共に得られた実際の結果に置き換えた実結果データを入力する実結果データ入力ステップと、
実結果データを既知医療データに追加した第１ケース、実結果データを追加し且つ指定時期以前の既知医療データを削除した第２ケース、実結果データを追加も削除もしない第３ケースのそれぞれについて未知医療データの予測精度を求めて評価する予測結果評価ステップと、
予測結果評価ステップの評価結果による予測精度の最も高いケースに応じてデータベースの既知医療データを更新する既知医療データ更新ステップと、
を備えたことを特徴とする。

既知医療データ更新ステップは、
第１ケースの予測精度が最も高い場合、既知医療データに前記実結果データを追加し、
第２ケースの予測精度が最も高い場合、実結果データを既知医療データに追加すると共に指定時期以前の既知医療データを削除し、
第３ケースの予測精度が最も高い場合、実結果データを破棄する。

本発明が対象とする医療データの説明変数は、電子カルテ、医事会計、オーダリング、検査履歴、患者情報、患者からのアンケート結果、病院側で蓄積しているコストや利益情報を含み、医療データの目的変数は、患者満足度、コストと利益、バリアンス値又は診断群分類である。

記憶ベース推論ステップは、医療データの目的変数となる患者満足度、コストと利益、バリアンス値又は診断群分類につき、医療データの各説明変数が寄与する割合を表す影響度を計算し、影響度表示部にどの説明変数が目的変数に強く影響を与えているかのデータ傾向を表示させる。

本発明の医療情報分析プログラムの別の形態にあっては、
外部から入力された医療データの特定の説明変数値を基準に医療データを分類する医療データ属性分類ステップと、
医療データ属性分類ステップで分類された前記医療データ毎に設けられた記憶ベース推論部、影響度表示部及び警告出力部を備えた複数の医療分析ステップと、
医療データ属性分類ステップの分類に対応した医療分析部の結果を出力する最終結果出力ステップと、
を備えたことを特徴とする。

本発明は、医療情報分析方法を提供する。本発明の医療情報分析方法は、
説明変数と目的変数で構成されるレコードの集合である既知医療データを蓄積したデータベースに蓄積された既知医療データに基づき、目的変数に対し各説明変数が寄与する割合を表す影響度、入力された未知医療データの目的変数値の予測値とその確信度及び予測自体の信頼性尺度を計算して出力する記憶ベース推論ステップと、
記憶ベース推論ステップが出力する影響度を表示する影響度表示ステップと、
予測値が期待される結果と同等と見なせる範囲を示す予測値判定条件、予測値確信度に対する閾値、及び前記信頼性尺度に対する閾値を事前設定し、記憶ベース推論ステップから出力された未知医療データの予測値とその確信度及び信頼性尺度を比較判定して警告を出力する警告出力ステップと、
を備えたことを特徴とする。

本発明は、医療情報分析装置を提供する。本発明の医療情報分析装置は、
説明変数と目的変数で構成されるレコードの集合である既知医療データを蓄積したデータベースと、
データベースに蓄積された既知医療データに基づき、入力された目的変数に対し各説明変数が寄与する割合を表す影響度、目的変数値が未知の未知医療データの目的変数値の予測値とその確信度及び予測自体の信頼性尺度を計算して出力する記憶ベース推論部と、
記憶ベース推論部が出力する影響度を表示する影響度表示部と、
予測値が期待される結果と同等と見なせる範囲を示す予測値判定条件、予測値確信度に対する閾値、及び信頼性尺度に対する閾値を事前設定し、記憶ベース推論部から出力された未知医療データの予測値とその確信度及び信頼性尺度を比較判定して警告を出力する警告出力部と、
を備えたことを特徴とする。

なお、本発明による医療情報分析方法及びプログラムの詳細は、本発明の医療情報解析装置の場合と基本的に同じになる。

本発明によれば、データベースに蓄積した説明変数（条件）と目的変数（結果）から構成される既知医療データに基づき、目的変数に対し各説明変数が寄与する割合を表す影響度を計算して表示することで、着目する目的変数（結果）に対して影響を与えている説明変数値がいずれであるかを知って、医療データの傾向が把握できる。また、現在治療中の患者の最終的な患者満足度、コストや利益、バリアンスなどの目的変数を、未知医療データの記憶に基づく推論により高い精度で予測することが可能となる。

また予測結果として得られた信頼性尺度を評価することで、医療データについて容易に起こりうる新規出現ケースにつき、この予測結果を異常として排除することなく、新規出現ケースであることを警告し、注意を促すことができる。

更に予測結果に対し時間の経過により実際の結果が得られた際に、既知医療データによる予測精度を評価して、実結果データを既知医療データとして追加するか、追加と同時に古い関連データを削除するか、それとも追加も削除もしないかの更新を行うことで、予測精度をより向上させるようにデータベースに蓄積している既知医療データを更新することができる。

図１は本発明による医療情報分析装置の実施形態を示した機能構成のブロック図である。図１において、本発明の医療情報分析装置１０に対してはデータベース１２が設けられ、データベース１２には既知医療データ１４が多数蓄積されている。ここで既知医療データ１４は、説明変数（条件）と目的変数（結果）で構成されるレコードの集合である。

医療情報分析装置１０には、記憶ベース推論部１８、影響度表示部２０、警告出力部２２が設けられている。未知医療データ入力部１６は、医療情報分析装置１０の記憶ベース推論部１８に、説明変数（条件）は特定しているが目的変数（結果）が未知の未知医療データを入力する。

医療情報分析装置１０の記憶ベース推論部１８は、データベース１２に蓄積された既知医療データ１４に基づき、目的変数に対し各説明変数が寄与する割合を表す影響度、入力された目的変数の値が未知の未知医療データの目的変数値の予測値とその信頼度及び予測自体の信頼性尺度を計算して出力する。

影響度表示部２０は、記憶ベース推論部１８が出力する影響度を表示する。更に警告出力部２２は、予測値が期待される結果と同等と見なせる範囲を示す予測値判定条件、予測値確信度に対する閾値、及び信頼性尺度に対する閾値を事前設定した状態で、記憶ベース推論部から出力された未知医療データの予測値とその確信度及び信頼性尺度を比較判定して、必要な警告を出力する。

ここで本発明の医療情報分析装置が処理対象としている医療データを説明する。本発明が対象とする医療データとしては、電子カルテ、医事会計、オーダリング、検査履歴などに含まれるデータを意味し、患者の性別や年齢といった個人情報、クリニカルパスなどの診療計画やそのずれを意味するバリアンス値、診療日時と診療行為や投薬内容、検査内容と結果、所見、診断結果、診断群分類(Diagnosis Procedure Combination：DPC)、更に退院や完治、転院や死亡などの最終的な結果などが含まれる。

また、患者が支払った費用や診療、検査行為に対する保険点数、なども含まれる。さらに、アンケートなどを通して得られる患者満足度や地域診療所からの紹介状の有無と紹介率、そして病院側で蓄積している診療にかかったコストや利益情報なども含まれる。

図１における医療情報分析装置は、例えば図２のようなコンピュータのハードウェア資源により実現される。図２のコンピュータにおいて、ＣＰＵ１００のバス１０１にはＲＡＭ１０２、ハードディスクコントローラ（ソフト）１０４、フロッピィディスクドライバ（ソフト）１１０、ＣＤ−ＲＯＭドライバ（ソフト）１１４、マウスコントローラ１１８、キーボードコントローラ１２２、ディスプレイコントローラ１２６、通信用ボード１３０が接続される。

ハードディスクコントローラ１０４はハードディスクドライブ１０６を接続し、本発明の医療情報分析処理を実行するプログラムをローディングしており、コンピュータの起動時にハードディスクドライブ１０６から必要なプログラムを呼び出して、ＲＡＭ１０２上に展開し、ＣＰＵ１００により実行する。

フロッピィディスクドライバ１１０にはフロッピィディスクドライブ（ハード）１１２が接続され、フロッピィディスク（Ｒ）に対する読み書きができる。ＣＤ−ＲＯＭドライバ１１４に対しては、ＣＤドライブ（ハード）１１６が接続され、ＣＤに記憶されたデータやプログラムを読み込むことができる。

マウスコントローラ１１８はマウス１２０の入力操作をＣＰＵ１００に伝える。キーボードコントローラ１２２はキーボード１２４の入力操作をＣＰＵ１００に伝える。ディスプレイコントローラ１２６は表示部１２８に対して予測結果の表示を行う。通信用ボード１３０は無線を含む通信回線１３２を使用し、ネットワーク内の装置や外部のインターネット上の装置との間で通信を行う。

次に本発明の記憶ベース推論部１８による記憶に基づく推論(Ｍｅｍｏｒｙ-ＢａｓｅｄＲｅａｓｏｎｉｎｇ：以下「ＭＢＲ」という)について、その動作原理を説明する。

図３はＭＢＲの概念図である。図３（Ａ）は多次元空間として説明を簡単にするため２次元空間を表し、各次元が医療データの説明変数を、「＋」や「−」は目的変数値の座標点を意味している。すなわち、既知医療データは、多次元空間における各説明変数Ｘ、Ｙの座標点として表されている。また図３（Ｂ）は座標点２４の未知医療データの予測結果である。

ＭＢＲ予測の基本原理とは、蓄積された既知医療データ中で、未知医療データの座標点２４に近いｋ個の既知医療データ、例えばＫ＝３として座標点２６、２８、３０の既知医療データを探索し、その重み付き加算和により予測値を決定するものである。

図４は既知医療データの例であり、説明変数として性別、年齢、検査Ａ、検査Ｂ、ＤＰＣ名を設定し、目的変数として患者満足度を設定している。

図５は図４の既知医療データに基いてＭＢＲ予測を行う未知医療データ１５であり、説明変数として性別、年齢、検査Ａ、検査Ｂ、ＤＰＣ名を設定しているが、目的変数としての患者満足度は未定である。

記憶ベース推論部１８によるＭＢＲ予測は、次の手順で行われる。
（１）蓄積された既知医療データ１４に対し、ある目的変数における影響度を計算する。
（２）未知医療データ１５と既知医療データ１４の１つ１つの類似度を計算する。
（３）前記（２）で求めた類似度を用いて、既知医療データ１４中から未知医療データ１５に最も類似するｋ個を選択し、類似医療データとする。
（４）得られたｋ個の類似医療データを用い、予測結果を決定する。
（５）得られた予測結果に対して、確信度を計算する。
（６）得られた予測結果に対して、信頼性尺度を計算する。
以下、それぞれについて詳細を説明する。

（影響度の計算）
影響度とは、各説明変数、もしくは各説明変数値が目的変数値に対して与える影響度の強さを、既知医療データから確率計算により求めたものである。この計算方法としては、説明変数ごとに求めるＭＩＣ（ＭｕｔｕａｌＩｎｆｏｒｍａｔｉｏｎＣｏｎｔｅｎｔ）法や、説明変数値ごとに求めるＣＣＦ（Ｃｒｏｓｓ-ＣａｔｅｇｏｒｙＦｅａｔｕｒｅｉｍｐｏｒｔａｎｃｅ）法や、ｎｅｗＣＣＦ（ｎｅｗＣｒｏｓｓ-ＣａｔｅｇｏｒｙＦｅａｔｕｒｅｉｍｐｏｒｔａｎｃｅ）法等の手法が用いられる。それぞれの影響度計算は以下の計算式に従って行われる。

ＭＩＣ法の場合は次式で影響度を計算する。

ここで、cは各目的変数値を、iは説明変数の番号を、vは説明変数の値を、p(v、c)は、説明変数が値vをとり目的変数が値ｃをとる結合確率を表す。

すなわちＭＩＣ法の類似度値とは、相互情報量に従って説明変数ごとに計算される値であり、ある説明変数における目的変数との結合確率の偏りが大きい場合には、予測に重要な説明変数とみて、その時の影響度値ｗを１に近く、逆に結合確率の偏りが小さい場合にはその説明変数は予測には重要でないとみなして、影響度値ｗを０に近くする。

ＣＣＦ法の場合は次式で影響度を計算する。

ここで、cは各目的変数値を、ｉは説明変数の番号を、ｖは説明変数の値を、Ｐ（ｃ|ｖ）は、説明変数が値ｖをとる時に目的変数値ｃをとる確率を表す。

すなわちＣＣＦ法の類似度値とは、説明変数が値ｖをとる時に目的変数の値ｃをとる確率を２乗し、全てのクラスについて合計することを意味する。これにより、説明変数がある値ｖをとる時に、単一の目的変数値ｃを必ずとる場合には影響度は１となり、説明変数値ｖによってどの目的変数値ｃをとる確率も均等の場合には、影響度は最小値：１/Ｎ_c となる。ただしＮ_cは目的変数値の数を示す。

ｎｅｗＣＣＦ法の場合は次式で影響度を計算する。

ここで、ｃは各目的変数値を、ｉは説明変数の番号を、ｖは説明変数の値を、Ｎ_cは目的変数値の数を、Ｐ（ｃ）は目的変数値がｃとなる確率を、Ｐ（ｃ|ｖ）は、説明変数が値ｖをとる時に目的変数が値ｃをとる確率を表す。また、ｑ_v（ｃ）は、説明変数が値ｖをとる時の目的変数値ｃをとる確率の、もともと目的変数値がｃとなる確率に対する比を意味している。

このｎｅｗＣＣＦ法はＣＣＦ法に比べて、
（１）目的変数値の分布偏りの考慮、
（２）ある説明変数値ｖが目的変数値への決定に寄与しない場合には、影響度は０にする、
の２点において改良が施されている。

つまり、ある説明変数値ｖをとる時の目的変数値ｃの分布が全体の目的変数値分布に一致するときに、分子は０となるため影響度は０（最小値）となり、その説明変数値の予測における影響を消し去ることができる。一方、ある説明変数値ｖをとる時に単一の目的変数値ｃしかとらない場合には、影響度値が１.０となるのはＣＣＦ法と変わらない。

図６は、（３）式のｎｅｗＣＣＦ法を用いた場合の説明変数「年齢」における各説明変数値の影響度例を示し、図７は（１）式のＭＩＣ法を用いた場合の各説明変数の影響度値例を示す。

ＭＩＣ法では説明変数につき１つの影響度値が与えられ、ｎｅｗＣＣＦ法では説明変数値ごとに１つの影響度値が与えられる。なお、ＣＣＦ法の場合には、（２）式により影響度が計算されるため、影響度値はｎｅｗＣＣＦ法による計算結果とは異なるものの、形式としては、図７のｎｅｗＣＣＦ法と同様に各説明変数値もしくは説明変数範囲に対し１つの影響度値が求められる。

ＭＩＣ法、ＣＣＦ法、ｎｅｗＣＣＦ法のいずれの場合においても、既知医療データの中に欠損値がある場合には該当レコードを削除してから影響度計算を行う。また、説明変数が数値属性の場合は、説明変数の値ｖは単一の値ではなく、数値範囲を意味する。

（未知医療データと既知医療データの類似度の計算）
類似度とは、医療データ間の類似性の尺度である。次の式（４）（５）によって、未知医療データ１５と各既知医療データとの類似度を求める。

ここでｗ_i（ｖ）は、ＭＩＣ法、ＣＣＦ法、ｎｅｗＣＣＦ法のいずれかで求めた未知医療データ１５のｉ番目の説明変数がｖの時の影響度を表す。即ち、類似度は医療データ間の影響度付き距離の逆数を意味しており、両医療データが似ているほど類似度は高くなる。

なお、既知医療データに欠損値が含まれる場合、未知医療データ１５の該当属性の単一属性間距離を１とし、逆に未知医療データ１５に欠損値が含まれる場合、既知医療データの該当属性の単一属性間距離を０として類似度を計算する。

（既知医療データ中から未知医療データに最も類似するk個の選択）
式（４）（５）に基づき、複数の既知医療データのそれぞれと１データである未知医療データの類似度を求め、最も類似度が高いｋ個を既知医療データから選択し、類似医療データとする。

ここでｋは、以下の方法で決定される。
（１）事前にユーザにより指定される。
（２）既知医療データの一部を未知医療データとみなし、複数のｋ値による予測作業を繰り返し、最も予測正答率が高いｋ値を最適値として自動的に決定する。

図８は、図５の未知医療データ１５に対し、ｋ＝５として選択された類似医療データを示す。

（ｋ個の類似医療データを用いた予測結果の決定）
まず目的変数がカテゴリ値属性の場合を説明する。この場合には、類似医療データを用いて目的変数値ごとの類似度合計Ｔ_cを次の式（６）により求める。ここで、Ｓ_jは選択されたｋ個の類似医療データ中のｊ番目の類似医療データの未知医療データ１５との類似度を意味する。

次に（７）式に従い、得られた各目的変数値におけるＴ_cの内、最大のＴ_cを与える目的変数値ｃを、予測値ｃ_predictとして決定する。

次に目的変数が数値属性の場合を説明する。この場合には、（８）式を用いて予測値ｃ_predictが決定される。ここで、類似医療データ数をｋとし、ｊ番目の類似医療データと未知医療データ１５との間の類似度をＳ_j、ｊ番目の類似医療データの目的変数値をｃ_jとする。

即ち、類似度による重み付き加算和により予測値を決定する。

（予測結果に対し確信度を計算）
確信度とは予測結果の発生確率を表す尺度である。以下のようにして求められる。

まず目的変数がカテゴリ値属性の場合には、各目的変数値の類似度合計に対する、予測結果ｃ_predictの類似度合計の割合として、（９）式により求められる。

また目的変数が数値属性の場合には、同様に、（１０）式により求められる。ここで、σ_cは、目的変数の標準偏差を意味する。

（予測結果に対し信頼性尺度を計算）
予測の信頼性尺度とは未知医療データが以前に現れたことのない新規出現のケースか、あるいは異常値の可能性が高いかを判断するためのものであり、類似事例の平均的な距離や頻度を基準として算出される。その算出方法の詳細は、特許文献２に開示される。

図９は図８の類似データから求められた図５の未知医療データ１５に対する予測結果とその確信度、および信頼性尺度の例を示す。

以上のようにして、ＭＢＲでは、既知医療データ１４の影響度の提示と、既知医療データ１４を用いて未知医療データ１５の予測とその確信度や信頼性尺度が提示可能となる。

次に図１の影響度表示部２０を説明する。影響度表示部２０は、記憶ベース推論部１８で計算した類似度により、どの説明変数のどの値が目的変数に強く影響をあたえているかというデータ傾向を把握するため、記憶ベース推論部１８が出力する影響度をグラフ化して表示する機能である。

図１０は影響度表示部２０により図６に示したｎｅｗＣＣＦ法やＣＣＦ法による影響度の例をグラフ化して表示した例であり、説明変数「年齢」における影響度値と事例件数を表している。

即ち、左側の棒グラフが事例件数、右側の棒グラフが影響度値である。右側の棒グラフの影響度が大きいほど、年齢を年齢別に分けた属性値は目的変数に影響を与えているといえる。ここで、グラフをカラー表示とした場合には、色により目的変数値を表し、どの目的変数値に対して最も強く影響を与えているかが一目で判断できるようにする。

一方、影響度はその特性上、事例件数が少ないほど大きい値となりやすいため、左側棒グラフのように事件件数も合わせて表示し、できるだけ件数が多く、かつ影響度値が高い説明変数値が重要と判断する。

影響度計算方法としてｎｅｗＣＣＦ法やＣＣＦ法を用いた場合には、説明変数値ごとに影響度が得られるが、それを説明変数ごとの影響度として一目で比較するために、図７の各説明変数の影響度期待値を求める。図１１は影響度表示部２０により図７の各説明変数の影響度期待値をグラフ化して表示した例であり、影響度期待値の大きい順に並べている。この図１１の影響度の表示により、説明変数ごとに目的変数に対しての影響の強さ（期待値）がわかる。ここで影響度期待値は以下の式により求める。

ただし、iは説明変数Ａに含まれる説明変数値の番号、Ｉは説明変数Ａに含まれる説明変数値の種類、ｗ_iは、説明変数Ａのｉ番目の説明変数値の影響度値、Ｒ_iは説明変数Ａのｉ番目の説明変数値を持つレコード数を表す。

また欠損値を含む説明変数においても、欠損値も説明変数値の１種と考え、欠損値の影響度値は０とすることで、（１１）式で統一的に扱える。また、数値説明変数の場合には、数値を区分した領域を値として同様に（１１）式で扱う。なお、説明変数ごとに値が得られるＭＩＣ法による影響度でも同様に、図１１は表示可能である。

このような医療データを対象に図４の実施形態にあっては、例えば患者満足度、コストや利益、バリアンス値、ＤＰＣを順に目的変数と指定し、指定された目的変数に強く影響を与えている説明変数や説明変数値といったデータ傾向が記憶ベース推論部１８で求めた影響度を影響度表示部２０によるグラフ化して表示することで、データ傾向を把握可能となる。

次に図１の警告出力部２２の機能を説明する。記憶データ推論部１８で計算された予測の信頼性尺度とは、類似事例の平均的な距離や頻度を基準として、未知医療データの類似事例間距離から算出されるものであり、その未知医療データが以前に現れたことのない、新規出現のケースか否かを判断することに使用可能である。

特に医療データにおいては、次のような状況から新規出現ケースは容易に起こりうる。即ち、症例は多岐に渡るため、一病院の蓄積データとしてあらゆるケースを蓄積することは事実上困難と考えられる。そのため、常に扱ったことがない新しい症例などに遭遇する可能性がある。また、医薬品や医療用機材なども日々進歩しており、毎年のように医薬品や機材が開発される状況では、常に新しい医薬品や機材を使用する可能性がある。

図１２は新規出現事例となる医療データの例であり、Ｎｏ．２０１の医療データは、それ以外の医療データと比較すると、今まで来院したことのない小学生「年齢１２歳」の患者に対して、新しい薬品「ワ」で新しい機材「Ｚ」を使用した例が示されている。

このような新規出現のケースに遭遇した場合において、蓄積している既存医療データ中に新規出現ケースの類似事例が存在しないにも関わらず、その蓄積事例を用いて新規出現ケースの分類や予測を行うことは、誤った結果を出力する可能性が高いため、アラームをあげる工夫が必要である。

新しい症例、医薬品、機材などの出現による新規出現のケースに遭遇する可能性が高い医療分野においては、常に現在扱っている症例と類似の症例が蓄積データ内に存在するか否かを判断すべきであり、信頼性尺度の有効利用が重要である。

図１３はデータベースに蓄積している医療データ内における類似事例の有無を示している。図１３において、説明変数を与える各軸は医療データの説明変数として使用機材名と薬品名を表している。実際には複数の説明変数による多次元空間を意味するが、ここでは便宜上、２次元空間のみを表示している。

図１３において、分析対象とする座標点３２の未知医療データは、類似医療データが蓄積済みの既知医療データ内に存在しており、これら類似医療データを用いた推論結果は妥当と考えられる。一方、分析対象とする座標点３４の未知医療データは、類似医療データが蓄積済み医療データ内には存在していない。すなわち、座標点３４の分析対象となる未知医療データは過去に現れたことのない新規出現のケースであり、蓄積された医療データから得られた推論結果は参考程度に留めるべきである。

このような分析対象の未知医療データに類似する医療データが蓄積済みの既知医療データ内に存在するか否かを判定するための基準が予測の信頼性尺度である。図１３のように、類似医療データが存在する座標点３２の分析対象となる未知医療データでは、予測の信頼性尺度は予測結果３３に示すように「１．０」と高いが、類似の医療データが存在しない座標点３４の分析対象となる未知医療データでは、予測結果３５に示すように予測の信頼性尺度は「０．５」と低くなる。

警告出力部２２は、記憶ベース推論部１８で計算された予測結果の確信度だけでなく、更に信頼性尺度を加えて次のように処理する。
（１）信頼性尺度が閾値以下の場合、未知医療データは新規出現ケースであり、予測値は参考程度であることを警告する。
（２）予測値が判定条件を満たさず且つ確信度も閾値以下の場合は、予測値は期待結果と異なり確信度も低いことを警告する。
（３）予測値が判定条件を満たさず且つ確信度が閾値を超えた場合は、予測値は期待結果と異なるが確信度も高いことを警告する。

ここで、予測値の判定条件とは、予測値が期待される結果と同等とみなせる範囲を意味する。また警告対象の目的変数値とその確信度値、信頼性尺度のそれぞれの閾値、およびその閾値を超えた場合に発する警告内容は事前にユーザが指定する。

図１４（Ａ）は、目的変数として患者満足度を指定し、現在治療中で患者満足度が確定していない患者の未知医療データを入力して患者満足度を記憶ベース推論部１８で予測した場合の予測結果の例である。

このような予測結果について、警告出力部２２は次のように処理する。
（１）患者満足度が「不可」で、その確信度が閾値０.８以上の場合、「このままの治療計画では患者の満足が得られない」と警告する。
（２）信頼性尺度が閾値０.７以下の場合、「この患者は今まで現れたことのないケースなので注意して観察すべし」と警告する。

図１４（Ｂ）は、目的変数として利益を指定し、現在治療中で利益が確定していない患者の未知医療データを入力して利益を記憶ベース推論部１８で予測した場合の予測結果の例である。

このような予測結果について、警告出力部２２は次のように処理する。
（１）利益が負（マイナス）で、その確信度が閾値０.８以上の場合、「このままの治療計画では赤字になる可能性が高い」と警告する。
（２）信頼性尺度が閾値０.７以下の場合、「この患者は今まで現れたことのないケースなので注意して観察すべし」と警告する。

図１４（Ｃ）は、目的変数としてバリアンスを指定し、現在治療中でバリアンスが確定していない患者の未知医療データを入力してバリアンスを記憶ベース推論部１８で予測した場合の予測結果の例である。

このような予測結果について、警告出力部２２は次のように処理する。
（１）バリアンスが閾値１日以上で、その確信度が閾値０.８以上の場合、「このままの治療計画ではクリニカルパスから外れる可能性が高い」と警告する。
（２）信頼性尺度が閾値０.７以下の場合、「この患者は今まで現れたことのないケースなので注意して観察すべし」と警告する。

図１５は図１の医療情報分析装置１０による医療情報分析処理のフローチャートである。この医療情報分析処理にあっては、ステップＳ１でデータベース１２から既知医療データを入力し、ステップＳ２で予測値判定条件、確信度閾値及び信頼性尺度閾値を、ユーザ設定により入力する。続いてステップＳ３で未知医療データを入力し、ステップＳ４で記憶ベース推論部１８による未知データの目的変数となる未知結果の予測を行う。この予測により、ステップＳ５で予測値と確信度及び信頼性尺度を生成して出力する。

続いてステップＳ６で、予測値がステップＳ２で入力した判定条件を満たすか否かチェックする。判定条件を満たしていた場合には、ステップＳ７に進み、確信度が閾値以上か否かチェックする。閾値以上であればステップＳ８に進み、期待した結果としての予測値を出力し、この場合、警告は行わない。ステップＳ７で確信度が閾値未満であった場合には、ステップＳ９において警告として「期待した予測値は得られそうだが信頼度は低い」を出力する。

ステップＳ６で予測値が判定条件を満たしていなかった場合には、ステップＳ１０に進み、確信度が閾値以上か否かチェックする。確信度が閾値以上であれば、ステップＳ１１に進み、警告として「期待結果とは異なる可能性は高い」を警告する。またステップＳ１０で確信度が閾値未満の場合にはステップＳ１２に進み、警告として「期待結果とは異なりそうだが確信度は低い」を警告する。

一方、ステップＳ８、Ｓ９、Ｓ１１またはＳ１２の処理が済んだ後、ステップＳ１３で信頼性尺度を閾値と比較し、信頼性尺度が閾値以上であった場合には処理を終了するが、閾値未満であった場合には、ステップＳ１４で「新規出現ケースであり、予測値は参考程度」であることを警告する。

なお図１５の医療情報分析処理にあっては、図１の医療情報分析装置１０に設けている影響度表示部２０による警告表示の処理に続いては、記憶ベース推論部１８による予測結果に基づく警告処理とは別の処理として、利用者が必要に応じて影響度表示によりデータの警告表示を行わせることになる。

図１６は本発明による医療情報分析装置の他の実施形態を示したブロック図であり、この実施形態にあっては、図１の医療情報分析装置１０から得られた未知医療データの分析結果につき、その後、時間の経過で実際の結果が得られた際に、未知予測データの目的変数（結果）を実際に得られた結果に置き換えた実結果データを使用して、データベース１２の既知医療データの更新を行うようにしたことを特徴とする。

図１６において、この実施形態にあっては、医療情報分析装置１０及びデータベース１２に加え、更に実結果データ入力部４０、予測結果評価部４２及び既知医療データ更新部４４が設けられている。

データベース１２には、既知医療データ１４に加え、予測結果が既に得られている未知医療データ１５、及び予測結果としての予測値とその確信度３６及び信頼性尺度３８のそれぞれが格納されている。医療情報分析装置１０は図１と同じものであり、記憶ベース推論部１８、影響度表示部２０及び警告出力部２２で構成されている。

実結果データ入力部４０は、未知医療データ１５の予測結果が得られた後に、時間の経過と共に得られた実際の結果に基づき、未知医療データ１５の目的関数を実際の結果に置き換えた実結果データを、予測結果評価部４２に入力する。

予測結果評価部４２は、次の３つのケースに分けたデータベース１２の既知医療データ１４の更新を行った状態で、未知医療データ１５の予測精度を求めて評価する。
（１）第１ケースは、実結果データを既知医療データ１４に追加する。
（２）第２ケースは、実結果データを既知医療データ１４に追加し、且つ指定時期以前の既知医療データを削除する。
（３）第３ケースは、既知医療データ１４に対し実結果データの追加も削除も行わない。

このような第１ケース、第２ケース、第３ケースにより、既知医療データ１４を更新した状態で、未知医療データ１５を入力し、医療情報分析装置１０により予測結果を求める。既知医療データ更新部４４は、予測結果評価部４２の評価結果による予測精度の最も高いケースに応じてデータベース１２の既知医療データ１４を更新する。

即ち、第１ケースの予測精度が最も高い場合は既知医療データ１４に実結果データを追加し、第２ケースの予測精度が最も高い場合は実結果データを既知予測データ１４に追加すると共に指定時期以前の既知医療データ即ち関連データを削除し、更に第３ケースの予測制度が最も高い場合は実結果データを既知医療データ１４に追加も削除もせずにそのまま破棄する。

ここで、予測結果評価部４２における予測精度の評価方法としては、交差検定法を用いる。図１７は交差検定法の説明図であり、この例にあっては既知医療データ１４を５分割した場合の交差検定を示している。既知医療データ１４につき５分割した場合には、既知医療データ１４の１箇所をみなし未知医療データ４６とし、残り４箇所をみなし既知医療データ４８として、記憶ベース推論部１８に入力して、予測結果と確信度を求める。

続いて、５分割した既知医療データ１４につき、組合せを変えて５回繰り返し、得られた予測結果に対し実結果データを突き合わせることで、このとき使用した既知医療データ１４の予測精度を測定する。

図１８は図１６の実施形態による既知医療データ更新処理のフローチャートである。図１８において、ステップＳ１で既知医療データと未知医療データを入力し、ステップＳ２で未知医療データについての予測値と確信度及び信頼性尺度の予測結果を入力する。続いてステップＳ３で信頼性尺度の閾値とデータ調査時期を設定する。続いてステップＳ４で実結果データを入力し、予測結果と実結果データの如何に関わらず、予測結果の信頼性尺度が閾値以上であれば実結果データである対象医療データの既知医療データへの追加を行う。

ステップＳ５で信頼性尺度が閾値未満の場合には、ステップＳ６に進み、ケースＡ、Ｂ、Ｃについて既知医療データの予測精度を評価する。ケースＡは第１ケースであり、対象医療データを既知医療データに追加する。ケースＢは第２ケースであり、対象医療データを既知医療データに追加し且つ指定時期以前の既知医療データを削除する。ケースＣは第３ケースであり、対象医療データの追加も削除もなしとする。

このようなステップ６のケースＡ、Ｂ、Ｃについて得られた予測結果についての予測精度に基づき、ステップＳ７でケースＡの予測精度が最も高い場合には、ステップＳ９で対象医療データの既知医療データへの追加を行う。またステップＳ８でケースＢの予測精度が最も高い場合には、ステップＳ１０で対象医療データの既知医療データへの追加を行い、同時に指定期間以前の既知医療データを削除する。一方、ケースＣの予測精度が最も高かった場合には、ステップＳ７、ステップＳ８から、ステップＳ１１に進み、対象医療データを既知医療データに含めずに破棄する。

図１９は本発明による医療情報分析装置の他の実施形態を示したブロック図であり、この実施形態にあっては、医療データをその属性により分類して、分類した医療データごとに医療情報分析処理を実行するようにしたことを特徴する。

図１９において、この実施形態にあってはデータ属性分類部５０が設けられ、データ属性分類部５０は予め指定した説明変数を基準にデータベース１２の既知医療データ１４を分割し、それぞれ対応した医療情報分析部１０−１、１０−２、１０−３に入力する。未知医療データ入力部１６は目的変数が未知の未知医療データを入力するものであり、この未知入力データについても、データ分類部５０において説明変数値を基準に、対応する医療情報分析部１０−１〜１０−３のいずれかに入力される。

データ属性分類部５０による属性分類としては、例えば
（１）病名説明変数の各病名
（２）ＤＰＣ説明変数の各ＤＰＣ名
（３）性別
（４）外来か入院患者か
このようなデータ属性分類の基準となる説明変数の指定は、ユーザが事前に指定するか、あるいは各説明変数値におけるデータの分割と予測の交差検定法による精度評価を通して自動的に決定させる。

データ属性分類部５０にあっては、指定された説明変数値を基準値として、データベース１２の既知医療データ１４及び未知医療データ入力部１６からの未知医療データを分類し、対象となる医療情報分析部１０−１〜１０−３のいずれかに入力して、記憶に基づく推論による予測を行わせる。

医療情報分析部１０−１〜１０−３の構成は図１の医療情報分析装置１０と同じであり、それぞれ記憶ベース推論部１８、影響度表示部２０及び警告出力部２２を備えている。

最終結果出力部５２は、データ属性分類部５０で指定された説明変数値としての基準値に対応する医療情報分析部１０−１〜１０−３のいずれかの分析結果である予測結果、警告及び警告表示を最終結果として出力して表示させるようになる。

また本発明は医療情報分析プログラムを提供するものであり、このプログラムは図１５及び図１８のフローチャートに従った内容をもつ。

なお本、発明は上記の実施形態に限定されず、その目的と利点を損なうことのない適宜の変形を含む。更に本発明は上記の実施形態に示した数値による限定は受けない。

ここで本発明の特徴をまとめて列挙する次の付記のようになる。
（付記）
（付記１）
コンピュータに、
説明変数と目的変数で構成されるレコードの集合である既知医療データを蓄積したデータベースに蓄積された既知医療データに基づき、目的変数に対し各説明変数が寄与する割合を表す影響度、入力された未知医療データの目的変数値の予測値とその確信度及び予測自体の信頼性尺度を計算して出力する記憶ベース推論ステップと、
前記記憶ベース推論ステップが出力する影響度を表示する影響度表示ステップと、
前記予測値が期待される結果と同等と見なせる範囲を示す予測値判定条件、前記予測値確信度に対する閾値、及び前記信頼性尺度に対する閾値を事前設定し、前記記憶ベース推論ステップから出力された未知医療データの予測値とその確信度及び信頼性尺度を比較判定して警告を出力する警告出力ステップと、
を実行させることを特徴とする医療情報分析プログラム。（１）

（付記２）
付記１記載の医療情報分析プログラムに於いて、前記警告出力ステップは、
前記信頼性尺度が閾値以下の場合、前記未知医療データは新規出現ケースであり、予測値は参考程度であることを警告することを特徴とする医療情報分析プログラム。（２）

（付記３）
付記１記載の医療情報分析プログラムに於いて、前記警告出力ステップは、
前記予測値が判定条件を満たさず且つ確信度も閾値以下の場合は、予測値は期待結果と異なり確信度も低いことを警告し、
前記予測値が判定条件を満たさず且つ確信度が閾値を超えた場合は、予測値は期待結果と異なるが確信度も高いことを警告することを特徴とする医療情報分析プログラム。（３）

（付記４）
付記１記載の医療情報分析プログラムに於いて、更に、
前記未知医療データの予測結果を時間の経過と共に得られた実際の結果に置き換えた実結果データを入力する実結果データ入力ステップと、
前記実結果データを既知事例データに追加した第１ケース、前記実結果データを追加し且つ指定時期以前の既知医療データを削除した第２ケース、前記実結果データを追加も削除もしない第３ケースのそれぞれについて前記未知医療データの予測精度を求めて評価する予測結果評価ステップと、
前記予測結果評価ステップの評価結果による予測精度の最も高いケースに応じて前記データベースの既知医療データを更新する既知医療データ更新ステップと、
を備えたことを特徴とする医療情報分析プログラム。（４）

（付記５）
付記４記載の医療情報分析プログラムに於いて、前記既知医療データ更新ステップは、
第１ケースの予測精度が最も高い場合、前記既知医療データに前記実結果データを追加し、
第２ケースの予測精度が最も高い場合、前記実結果データを既知医療データに追加すると共に前記指定時期以前の既知医療データを削除し、
第３ケースの予測精度が最も高い場合、前記実結果データを破棄することを特徴とする医療情報分析プログラム。（５）

（付記６）
付記１に記載の医療情報分析プログラムに於いて、前記医療データの説明変数は、電子カルテ、医事会計、オーダリング、検査履歴、患者情報、患者からのアンケート結果、病院側で蓄積しているコストや利益情報を含み、前記医療データの目的変数は、患者満足度、コストと利益、バリアンス値又は診断群分類であることを特徴とする医療情報分析プログラム。（６）

（付記７）
付記６記載の医療情報分析プログラムに於いて、前記記憶ベース推論ステップは、前記医療データの目的変数となる患者満足度、コストと利益、バリアンス値又は診断群分類につき、医療データの各説明変数が寄与する割合を表す影響度を計算し、前記影響度表示ステップにどの変数が目的変数に強く影響を与えているかのデータ傾向を表示させることを特徴とする医療情報分析プログラム。（７）

（付記８）
付記１記載の医療情報分析プログラムに於いて、
外ステップから入力された医療情報データの特定の説明変数を基準に前記医療情報データを分類する医療データ属性分類ステップと、
前記医療データ属性分類ステップで分類された前記医療情報データ毎に設けられた記憶ベース推論ステップ、影響度表示ステップ及び警告出力ステップを備えた複数の医療分析ステップと、
前記医療データ属性分類ステップの分類に対応した医療分析ステップの結果を出力する最終結果出力ステップと、
を備えたことを特徴とする医療情報分析プログラム。（８）

（付記９）
説明変数と目的変数で構成されるレコードの集合である既知医療データを蓄積したデータベースに蓄積された既知医療データに基づき、目的変数に対し各説明変数が寄与する割合を表す影響度、入力された未知医療データの目的変数値の予測値とその確信度及び予測自体の信頼性尺度を計算して出力する記憶ベース推論ステップと、
前記記憶ベース推論ステップが出力する影響度を表示する影響度表示ステップと、
前記予測値が期待される結果と同等と見なせる範囲を示す予測値判定条件、前記予測値確信度に対する閾値、及び前記信頼性尺度に対する閾値を事前設定し、前記記憶ベース推論ステップから出力された未知医療データの予測値とその確信度及び信頼性尺度を比較判定して警告を出力する警告出力ステップと、
を備えたことを特徴とする医療情報分析方法。（９）

（付記１０）
付記９記載の医療情報分析方法に於いて、前記警告出力ステップは、
前記信頼性尺度が閾値以下の場合、前記未知医療データは新規出現ケースであり、予測値は参考程度であることを警告することを特徴とする医療情報分析方法。

（付記１１）
付記９記載の医療情報分析方法に於いて、前記警告出力ステップは、
前記予測値が判定条件を満たさず且つ確信度も閾値以下の場合は、予測値は期待結果と異なり確信度も低いことを警告し、
前記予測値が判定条件を満たさず且つ確信度が閾値を超えた場合は、予測値は期待結果と異なるが確信度も高いことを警告することを特徴とする医療情報分析方法。

（付記１２）
付記９記載の医療情報分析方法に於いて、更に、
前記未知医療データの予測結果を時間の経過と共に得られた実際の結果に置き換えた実結果データを入力する実結果データ入力ステップと、
前記実結果データを既知医療データに追加した第１ケース、前記実結果データを追加し且つ指定時期以前の既知医療データを削除した第２ケース、前記実結果データを追加も削除もしない第３ケースのそれぞれについて前記未知医療データの予測精度を求めて評価する予測結果評価ステップと、
前記予測結果評価ステップの評価結果による予測精度の最も高いケースに応じて前記データベースの既知医療データを更新する既知医療データ更新ステップと、
を備えたことを特徴とする医療情報分析方法。

（付記１３）
付記９記載の医療情報分析方法に於いて、
外部から入力された医療情報データの特定の説明変数を基準に前記医療情報データを分類する医療データ属性分類ステップと、
前記医療データ属性分類ステップで分類された前記医療情報データ毎に設けられた記憶ベース推論部、影響度表示部及び警告出力部を備えた複数の医療分析ステップと、
前記医療データ属性分類ステップの分類に対応した医療分析部の結果を出力する最終結果出力ステップと、
を備えたことを特徴とする医療情報分析方法。

（付記１４）
説明変数と目的変数で構成されるレコードの集合である既知医療データを蓄積したデータベースに蓄積された既知医療データに基づき、目的変数に対し各説明変数が寄与する割合を表す影響度、入力された未知医療データの目的変数値の予測値とその確信度及び予測自体の信頼性尺度を計算して出力する記憶ベース推論部と、
前記記憶ベース推論部が出力する影響度を表示する影響度表示部と、
前記予測値が期待される結果と同等と見なせる範囲を示す予測値判定条件、前記予測値確信度に対する閾値、及び前記信頼性尺度に対する閾値を事前設定し、前記記憶ベース推論部から出力された未知医療データの予測値とその確信度及び信頼性尺度を比較判定して警告を出力する警告出力部と、
を備えたことを特徴とする医療情報分析装置。（１０）

（付記１５）
付記１４記載の医療情報分析装置に於いて、前記警告出力部は、
前記信頼性尺度が閾値以下の場合、前記未知医療データは新規出現ケースであり、予測値は参考程度であることを警告することを特徴とする医療情報分析装置。

（付記１６）
付記１４記載の医療情報分析装置に於いて、前記警告出力部は、
前記予測値が判定条件を満たさず且つ確信度も閾値以下の場合は、予測値は期待結果と異なり確信度も低いことを警告し、
前記予測値が判定条件を満たさず且つ確信度が閾値を超えた場合は、予測値は期待結果と異なるが確信度も高いことを警告することを特徴とする医療情報分析装置。

（付記１７）
付記１４記載の医療情報分析装置に於いて、更に、
前記未知医療データの予測結果を時間の経過と共に得られた実際の結果に置き換えた実結果データを入力する実結果データ入力部と、
前記実結果データを既知医療データに追加した第１ケース、前記実結果データを追加し且つ指定時期以前の既知医療データを削除した第２ケース、前記実結果データを追加も削除もしない第３ケースのそれぞれについて前記未知医療データの予測精度を求めて評価する予測結果評価部と、
前記予測結果評価部の評価結果による予測精度の最も高いケースに応じて前記データベースの既知医療データを更新する既知医療データ更新部と、
を備えたことを特徴とする医療情報分析装置。

（付記１８）
付記１４記載の医療情報分析装置に於いて、
外部から入力された医療情報データの特定の説明変数を基準に前記医療情報データを分類する医療データ属性分類部と、
前記医療データ属性分類部で分類された前記医療情報データ毎に設けられた記憶ベース推論部、影響度表示部及び警告出力部を備えた複数の医療分析部と、
前記医療データ属性分類部の分類に対応した医療分析部の結果を出力する最終結果出力部と、
を備えたことを特徴とする医療情報分析装置。

本発明による医療情報分析装置の機能構成のブロック図図１の医療情報分析装置が適用されるコンピュータのハードウェア環境の説明図図１の記憶ベース推論部による推論原理を示した多次説明変数空間に目標変数が存在する医療データの説明図図１のデータベースに蓄積している既知医療データの説明図目的変数が未知となる図１の未知医療データの説明図ｎｅｗＣＣＦ法による年齢に対する影響度の例の説明図ＭＩＣ法の影響度の例、またはｎｅｗＣＣＦ法またはＣＣＦ法による影響度期待値の例の説明図図５の未知医療データに対するｋ＝５とした場合の類似医療データの類似度逆数の例の説明図図５の未知医療データの予測値とその確信度及び信頼性尺度の例の説明図図１の影響度表示部でグラフ化した影響度グラフの説明図図１の影響度表示部でグラフ化した影響度期待値グラフの説明図新出現医療データを含む既知医療データの例の説明図類似医療データを持つ医療データと類似医療データを持たない医療データの記憶ベース推認の多変数空間における目標変数の分布状態の説明図目的変数を患者満足度、利益、バリアンスとした場合の予測結果の例の説明図図１の実施形態による医療情報分析処理のフローチャート実結果データに基づき既知医療データを更新する本発明の他の実施形態のブロック図図１６の予測結果評価部により既知医療データを５分割して処理する交差検定法の説明図図１６の実施形態による既知医療データ更新処理のフローチャート既知医療データ及び未知医療データを特定の説明変数を基準に分割して記憶ベースに基づき未知医療データの目的変数を予測する本発明の他の実施形態のブロック図

符号の説明

１０：医療情報分析装置
１０−１〜１０−３：医療情報分析部
１２：データベース
１４：既知医療データ
１５：未知医療データ
１６：未知医療データ入力部
１８：記憶ベース推論部
２０：影響度表示部
２２：警告出力部
２４、３４：未知医療データの座標点
２６、２８．３０、３２：類似医療データの座標点
３６：予測値とその確信度
３８：信頼性尺度
４０：実結果データ入力部
４２：予測結果評価部
４４：既知医療データ更新部
４６：みなし未知医療データ
４８：みなし既知医療データ
５０：データ属性分類部
５２：最終結果出力部

Claims

コンピュータに、
記憶ベース推論部が条件を示す説明変数と結果を示す目的変数で構成されるレコードの集合である既知医療データを蓄積したデータベース記憶部を参照して、既知医療データの目的変数に対し各説明変数が寄与する割合を表す影響度をＭＩＣ法またはＣＣＦ法あるいはｎｅｗＣＣＦ法で計算して求め、前記既知医療データから入力された未知医療データに類似する類似医療データを求めて未知医療データと求めた類似医療データとの類似度による重み付き加算和により目的変数値の予測値を求めて、

但し、
Ｔｃ_{ｐｒｅｄｉｃｔ}は目的変数毎の類似度合計値Ｔｃのうち、最大のＴｃを与える目的変数値ｃを予測値ｃ_{ｐｒｅｄｉｃｔ}として決定したときの類似度の予測値
Ｔｃは目的変数毎の類似度合計
ｃは目的変数値
または

但し、
ｋは類似医療データ数
Ｓｊはｊ番目の類似医療データと未知医療データとの間の類似度
ｃ_ｊはｊ番目の類似医療データの目的変数
σ_ｃは目的変数の標準偏差

により該予測値の発生確率を表す確信度を求め、該確信度の信頼度を示す信頼性尺度を計算して出力する記憶ベース推論ステップと、
影響度表示部が前記記憶ベース推論ステップから出力する影響度を表示する影響度表示ステップと、
警告出力部が前記予測値で期待される結果と同等と見なせる範囲を示す予測値判定条件、前記予測値確信度に対する閾値、及び前記信頼性尺度に対する閾値を事前設定し、前記記憶ベース推論ステップから出力された未知医療データの予測値とその確信度及び信頼性尺度を比較判定して、前記予測値が前記予測値判定条件を満たすか否か、前記確信度が前記予測値確信度に対する閾値を満たすか否か、前記信頼性尺度が前記信頼性尺度に対する閾値を満たすか否かの組合せに応じて事前にユーザが指定をした警告を出力する警告出力ステップと、
を実行させ更に、
実結果データ入力部から前記未知医療データの予測結果を時間の経過と共に得られた実際の結果に置き換えた実結果データを入力する実結果データ入力ステップと、
予測結果評価部が前記実結果データを既知医療データに追加した第１ケース、前記実結果データを追加し且つ指定時期以前の既知医療データを削除した第２ケース、前記実結果データを追加も削除もしない第３ケースのそれぞれについて前記未知医療データの予測精度を求めて評価する予測結果評価ステップと、
既知医療データ更新部が前記予測結果評価ステップの評価結果による予測精度の最も高いケースに応じて前記データベースの既知医療データを更新する既知医療データ更新ステップと、から構成され、
前記既知医療データ更新ステップは既知医療データ更新部が
第１ケースの予測精度が最も高い場合、前記既知医療データに前記実結果データを追加し、
第２ケースの予測精度が最も高い場合、前記実結果データを既知医療データに追加すると共に前記指定時期以前の既知医療データを削除し、
第３ケースの予測精度が最も高い場合、前記実結果データを破棄することを特徴とする医療情報分析プログラム。
請求項１記載の医療情報分析プログラムに於いて、前記警告出力ステップは、
前記信頼性尺度が閾値以下の場合、前記未知医療データは新規出現ケースであり、予測値は参考程度であることを警告することを特徴とする医療情報分析プログラム。
請求項１記載の医療情報分析プログラムに於いて、前記警告出力ステップは、
前記予測値が許容範囲に入っておらず且つ確信度も閾値以下の場合は、予測値は期待結果と異なり確信度も低いことを警告し、
前記予測値が判定条件を満たさず且つ確信度が閾値を超えた場合は、予測値は期待結果と異なるが確信度も高いことを警告することを特徴とする医療情報分析プログラム。
請求項１記載の医療情報分析プログラムに於いて、前記医療データの説明変数は、電子カルテ、医事会計、オーダリング、検査履歴、患者情報、患者からのアンケート結果、病院側で蓄積しているコストや利益情報を含み、前記医療データの目的変数は、患者満足度、コストと利益、バリアンス値又は診断群分類であることを特徴とする医療情報分析プログラム
請求項４記載の医療情報分析プログラムに於いて、前記記憶ベース推論ステップは、前記医療データの目的変数となる患者満足度、コストと利益、バリアンス値又は診断群分類につき、医療データの各説明変数が寄与する割合を表す影響度を計算し、前記影響度表示部にどの変数が目的変数に強く影響を与えているかのデータ傾向を表示させることを特徴とする医療情報分析プログラム。
請求項１記載の医療情報分析プログラムに於いて、
医療データ属性分類部が外部から入力された医療情報データの特定の説明変数を基準に前記医療情報データを分類する医療データ属性分類ステップと、
前記医療データ属性分類ステップで分類された前記医療情報データ毎に設けられた記憶ベース推論部、影響度表示部及び警告出力部を備えた医療情報分析部で医療情報の分析を行う複数の医療分析ステップと、
最終結果出力部が前記医療データ属性分類ステップの分類に対応した医療分析部の結果を出力する最終結果出力ステップと、
を備えたことを特徴とする医療情報分析プログラム。
記憶ベース推論部が条件を示す説明変数と結果を示す目的変数で構成されるレコードの集合である既知医療データを蓄積したデータベース記憶部を参照して、既知医療データの目的変数に対し各説明変数が寄与する割合を表す影響度をＭＩＣ法またはＣＣＦ法あるいはｎｅｗＣＣＦ法で計算して求め、前記既知医療データから入力された未知医療データに類似する類似医療データを求めて未知医療データと求めた類似医療データとの類似度による重み付き加算和により目的変数値の予測値を求めて、

但し、
Ｔｃ_{ｐｒｅｄｉｃｔ}は目的変数毎の類似度合計値Ｔｃのうち、最大のＴｃを与える目的変数値ｃを予測値ｃ_{ｐｒｅｄｉｃｔ}として決定したときの類似度の予測値
Ｔｃは目的変数毎の類似度合計
ｃは目的変数値
または

但し、
ｋは類似医療データ数
Ｓｊはｊ番目の類似医療データと未知医療データとの間の類似度
ｃ_ｊはｊ番目の類似医療データの目的変数
σ_ｃは目的変数の標準偏差
により該予測値の発生確率を表す確信度を求め、該確信度の信頼度を示す信頼性尺度を計算して出力する記憶ベース推論ステップと、
影響度表示部が前記記憶ベース推論ステップから出力する影響度を表示する影響度表示ステップと、
警告出力部が前記予測値で期待される結果と同等と見なせる範囲を示す予測値判定条件、前記予測値確信度に対する閾値、及び前記信頼性尺度に対する閾値を事前設定し、前記記憶ベース推論ステップから出力された未知医療データの予測値とその確信度及び信頼性尺度を比較判定して、前記予測値が前記予測値判定条件を満たすか否か、前記確信度が前記予測値確信度に対する閾値を満たすか否か、前記信頼性尺度が前記信頼性尺度に対する閾値を満たすか否かの組合せに応じて事前にユーザが指定をした警告を出力する警告出力ステップと、
を実行させ更に、
実結果データ入力部から前記未知医療データの予測結果を時間の経過と共に得られた実際の結果に置き換えた実結果データを入力する実結果データ入力ステップと、
予測結果評価部が前記実結果データを既知医療データに追加した第１ケース、前記実結果データを追加し且つ指定時期以前の既知医療データを削除した第２ケース、前記実結果データを追加も削除もしない第３ケースのそれぞれについて前記未知医療データの予測精度を求めて評価する予測結果評価ステップと、
既知医療データ更新部が前記予測結果評価ステップの評価結果による予測精度の最も高いケースに応じて前記データベースの既知医療データを更新する既知医療データ更新ステップと、から構成され、
前記既知医療データ更新ステップは既知医療データ更新部が
第１ケースの予測精度が最も高い場合、前記既知医療データに前記実結果データを追加し、
第２ケースの予測精度が最も高い場合、前記実結果データを既知医療データに追加すると共に前記指定時期以前の既知医療データを削除し、
第３ケースの予測精度が最も高い場合、前記実結果データを破棄することを特徴とする医療情報分析方法。
記憶ベース推論部が条件を示す説明変数と結果を示す目的変数で構成されるレコードの集合である既知医療データを蓄積したデータベース記憶部を参照して、既知医療データの目的変数に対し各説明変数が寄与する割合を表す影響度をＭＩＣ法またはＣＣＦ法あるいはｎｅｗＣＣＦ法で計算して求め、前記既知医療データから入力された未知医療データに類似する類似医療データを求めて未知医療データと求めた類似医療データとの類似度による重み付き加算和により目的変数値の予測値を求めて、

但し、
Ｔｃ_{ｐｒｅｄｉｃｔ}は目的変数毎の類似度合計値Ｔｃのうち、最大のＴｃを与える目的変数値ｃを予測値ｃ_{ｐｒｅｄｉｃｔ}として決定したときの類似度の予測値
Ｔｃは目的変数毎の類似度合計
ｃは目的変数値
または

但し、
ｋは類似医療データ数
Ｓｊはｊ番目の類似医療データと未知医療データとの間の類似度
ｃ_ｊはｊ番目の類似医療データの目的変数
σ_ｃは目的変数の標準偏差
により該予測値の発生確率を表す確信度を求め、該確信度の信頼度を示す信頼性尺度を計算して出力する記憶ベース推論部と、
影響度表示部が前記記憶ベース推論ステップから出力する影響度を表示する影響度表示部と、
警告出力部が前記予測値で期待される結果と同等と見なせる範囲を示す予測値判定条件、前記予測値確信度に対する閾値、及び前記信頼性尺度に対する閾値を事前設定し、前記記憶ベース推論ステップから出力された未知医療データの予測値とその確信度及び信頼性尺度を比較判定して、前記予測値が前記予測値判定条件を満たすか否か、前記確信度が前記予測値確信度に対する閾値を満たすか否か、前記信頼性尺度が前記信頼性尺度に対する閾値を満たすか否かの組合せに応じて事前にユーザが指定をした警告を出力する警告出力部と、
を実行させ更に、
実結果データ入力部から前記未知医療データの予測結果を時間の経過と共に得られた実際の結果に置き換えた実結果データを入力する実結果データ入力ステップと、
予測結果評価部が前記実結果データを既知医療データに追加した第１ケース、前記実結果データを追加し且つ指定時期以前の既知医療データを削除した第２ケース、前記実結果データを追加も削除もしない第３ケースのそれぞれについて前記未知医療データの予測精度を求めて評価する予測結果評価部と、
既知医療データ更新部が前記予測結果評価ステップの評価結果による予測精度の最も高いケースに応じて前記データベースの既知医療データを更新する既知医療データ更新部と、から構成され、
前記既知医療データ更新部は
第１ケースの予測精度が最も高い場合、前記既知医療データに前記実結果データを追加し、
第２ケースの予測精度が最も高い場合、前記実結果データを既知医療データに追加すると共に前記指定時期以前の既知医療データを削除し、
第３ケースの予測精度が最も高い場合、前記実結果データを破棄することを特徴とする医療情報分析装置。