JP2008210414A

JP2008210414A - System and method for generating medical doctor profile related to prescription practice using self-conformity prediction model

Info

Publication number: JP2008210414A
Application number: JP2008145848A
Authority: JP
Inventors: Richard D Pollack; ディーポーラックリチャード; Brian Wynne; ウインブライアン
Original assignee: IMS Health Inc
Current assignee: Iqvia Inc
Priority date: 2008-06-03
Filing date: 2008-06-03
Publication date: 2008-09-11

Abstract

<P>PROBLEM TO BE SOLVED: To provide a computer unit capable of predicting a prescription practice of a medical doctor, by analyzing a history database of a vertical prescription data acquired form a retail pharmacy. <P>SOLUTION: The computer unit is linked to the history database of the vertical prescription data acquired form the retail pharmacy, determines the propriety as to possibility of tracking on the database a patient to be confidential related to a specified prescription, compares a medication amount and a prescription product in the specified prescription, with a medication amount and a prescription product in other prescription for the patient to be confidential in the database, when the patient can be tracked, classifies the specified prescription, based on a change in the medication amount or prescribed medication between the specified prescription and the other prescription, as one of a plurality of different prescription classifications based on a corresponding number of classification variables, counts total number of the prescriptions, generates a prediction model related to the classification variables, based on the total number of the prescriptions, in response to generation of a market event, and displays the prediction of the prescription practice of the medical doctor to issue warning. <P>COPYRIGHT: (C)2008,JPO&INPIT

Description

本発明は、医師に対する処方請求ヒストリを分析するとともにそのような医師の処方のプロファイルを構成するシステム及び方法に関する。 The present invention relates to a system and method for analyzing a prescription request history for a physician and constructing such a physician's prescription profile.

製薬販売表示は、典型的には、各カバー区域の医師についての情報に基づくテリトリー呼出しプランと、そのような医師が典型的に処方する製薬生成物の範囲とを決定する。この情報は、医師の専門分野、宣伝の成果に対する医師の応答、製薬生成物の市場シェアにおける医師のランキング、全市場量における医師のランキング及び製薬生成物の処方量における医師のランキングを含むことができる。この情報に関する観察されたパターンに基づいて、医師についての更なる特性が、「新たな生成物の早期採用者」のように良好にモデル化されており、それは、利用できるようになって直ぐに新たな生成物を処方する傾向にある医師、すなわち、「ブランド信仰者」(brand loyalist)と称されており、それは、競合する製薬入手可能性に直面したとしても特定ブランドの製薬を処方しつづける医師をいう。 The pharmaceutical sales label typically determines the territory call plan based on information about the doctors in each covered area and the range of pharmaceutical products that such doctors typically prescribe. This information may include physician specialization, physician response to advertising results, physician ranking in pharmaceutical product market share, physician ranking in total market volume, and physician ranking in pharmaceutical product prescription. it can. Based on the observed pattern of this information, further characteristics about physicians are well modeled as “early adopters of new products”, which will become new as soon as they become available. Doctors who tend to prescribe certain products, i.e. `` brand loyalists '', who continue to prescribe certain brands of pharmaceuticals even in the face of competing pharmaceutical availability Say.

上記情報は、医師によって書かれた処方箋から取得できるが、その情報は、所定の期間に亘る医師の治療実務、又は、互いに相違する患者タイプに適合されるそのような実務に対して洞察を与えない。そのような対象は、医師の患者人口内で、例えば、各医師の処方動作のデータベースの形成によって医師の治療実務の更に詳細な理解を必要とし、この場合、識別されていない患者を追跡して、医師が特定の治療分野で処方する方法を理解することができる。 The above information can be obtained from a prescription written by a physician, but the information provides insight into the physician's treatment practices over a given period of time or such practices adapted to different patient types. Absent. Such subjects require a more detailed understanding of the physician's treatment practices within the physician's patient population, for example, by creating a database of each physician's prescription behavior, in which case tracking unidentified patients Can understand how doctors prescribe in specific therapeutic areas.

新たな縦処方データベース(longitudinal prescription database: LRx)の導入によって、処方の新たな複数の分類：新たな治療開始、治療変更、滴定増加、滴定減少、追加治療、継続治療等が開発されている。これらの分類の開発は、２００１年８月２９日に出願された発明の名称が”SYSTEM AND METHOD FOR GENERATING PHYSICIANS PROFILES CONCERNING PRESCRIPTION THERAPY PRACTICE”である通常的に譲り受けられた出願番号０９／９４１，４９６に詳細に記載されており、参照することによってここに組み込まれる。 With the introduction of a new longitudinal prescription database (LRx), several new prescription classifications have been developed: new treatment initiation, treatment change, titration increase, titration decrease, additional treatment, and continuous treatment. The development of these classifications was found in commonly assigned application number 09 / 941,496, whose title was “SYSTEM AND METHOD FOR GENERATING PHYSICIANS PROFILES CONCERNING PRESCRIPTION THERAPY PRACTICE” filed on August 29, 2001. It has been described in detail and is incorporated herein by reference.

処方データのこれら新たな分類によって、所定の市場において医師がどのように処方するかを識別する機能が著しく向上している。各分類のカウントは、個々の生成物レベル及び市場レベルで利用でき、市場シェアを各カテゴリ内で計算することができる。さらに、互いに相違する分類間での比較は、処方行為に洞察を与える。時間に亘るこれら変数の各々の変化を追跡する機能を組み合わせることによって、複数の新たな変数を、処方データの上記新たな分類から計算することができる。 These new classifications of prescription data significantly improve the ability of physicians to identify how to prescribe in a given market. A count for each classification is available at the individual product level and market level, and market share can be calculated within each category. Furthermore, comparisons between different categories give insight into prescribing behavior. By combining the ability to track changes in each of these variables over time, multiple new variables can be calculated from the new classification of prescription data.

例えば、新たな治療開始シェアや継続治療シェアのような連続的な変数を用いて、一般的に結果(outcome)又は独立した変数(variable)と称される他の変数との関係の程度にアクセスすることができる。医師の処方実務の観察の際に、独立した変数を、医師の処方実務に関連したイベントの発生の可能性、例えば、特定の処方生成物の市場量の変化とすることができる。統計的な分析の重要な形態は、変数の予測的な影響、すなわち、ある変数が他の変数の結果に影響を及ぼす程度であり、例えば、新たな治療開始の際の変化がどのように生成物の市場シェアに影響を及ぼすかである。これら連続的な変数を用いて、医師の処方行為を予測し、例えば、従来既知の記号論理回帰モデルを使用する。しかしながら、これら連続的な変数の分析の際に問題が生じるおそれがある。しばしば、ＬＲｘデータのサンプルが小さく、データの分布に異常があり又は歪みがあるおそれがあり、これによって、そのようなデータの有用性が減少する。さらに、有用性があるようにするために、記号論理回帰モデルで用いられる連続的な変数の予測的な影響を線形的にする必要がある。予測的な精度は、連続的な変数が結果と安定した線形関係を有しない場合には悪くなるおそれがあり、上記連続的な変数の多くは、独立した変数とそのような線形的な関係を示さない。独立した変数と安定した線形関係を有しない連続的な変数を、予測値を向上するために複数の分類又は「レベル」を有する分類の変数に変換することができる。しかしながら、連続的な変数に対するデータの分布は、ある変数から他の変数に著しく変化するおそれがあり、これによって、最適レベル数を選択するとともに分類のデータへの変換を行うプロセスが複雑になる。 For example, using continuous variables such as a new treatment start share or continuous treatment share, access the degree of relationship to other variables, commonly referred to as outcomes or independent variables. can do. In observing the physician's prescription practices, the independent variable may be the likelihood of an event related to the physician's prescription practices, for example, a change in the market volume of a particular prescription product. An important form of statistical analysis is the predictive impact of variables, i.e. the extent to which one variable affects the outcome of another variable, e.g. how changes at the start of a new treatment are generated. It affects the market share of goods. These continuous variables are used to predict physician prescribing behavior, for example, using a conventionally known symbolic logic regression model. However, problems can arise when analyzing these continuous variables. Often, samples of LRx data are small and the distribution of the data may be abnormal or distorted, thereby reducing the usefulness of such data. Furthermore, in order to be useful, the predictive impact of continuous variables used in the symbolic regression model needs to be linear. Predictive accuracy can be worse if continuous variables do not have a stable linear relationship with the results, and many of the above continuous variables have such linear relationships with independent variables. Not shown. A continuous variable that does not have a stable linear relationship with an independent variable can be converted to a variable of a classification with multiple classifications or “levels” to improve the predicted value. However, the distribution of data for continuous variables can change significantly from one variable to another, which complicates the process of selecting the optimal number of levels and converting to classification data.

したがって、利用できる処方データを分析できる技術が従来から必要とされており、それは、連続的な変数データを、互いに相違するデータ分布に適合する有用な分類の変数に変換できるようにすることを含む。 Thus, there is a conventional need for techniques that can analyze available prescription data, including allowing continuous variable data to be transformed into useful categories of variables that fit different data distributions. .

本発明の目的は、所定の期間に亘って複数の医師の処方実務を分析する技術を提供することである。 An object of the present invention is to provide a technique for analyzing prescription practices of a plurality of doctors over a predetermined period.

本発明の他の目的は、医師の処方実務を理解する際に製薬販売表示を助けることができる処方活動分析ツールを提供することである。 Another object of the present invention is to provide a prescription activity analysis tool that can assist pharmaceutical sales labeling in understanding physician prescribing practices.

本発明の他の目的は、医師の処方実務に関連する所定のイベントの発生の可能性を評価する技術を提供することである。 Another object of the present invention is to provide a technique for evaluating the possibility of occurrence of a predetermined event related to a doctor's prescription practice.

本発明の他の目的は、医師の処方行為の予測モデルにおける利用の際に連続的な変数を分類の変数に変換する技術を提供することである。 Another object of the present invention is to provide a technique for converting a continuous variable into a classification variable when used in a predictive model of a doctor's prescription action.

本発明の他の目的は、最良の予測精度を保証するよう分類の変数レベル数を最適化する技術を提供することである。 Another object of the present invention is to provide a technique for optimizing the number of variable levels of a classification so as to guarantee the best prediction accuracy.

ここの開示を参照することによって明らかになる本発明のこれら及び他の目的は、関心のある特定の治療分野における一人以上の医師によって発行される識別されない患者の処方に関連する医師プロファイルを発生するシステム及び方法によって達成される。 These and other objects of the present invention, which will become apparent by reference to the present disclosure, generate a physician profile related to unidentified patient prescriptions issued by one or more physicians in a particular therapeutic area of interest. Achieved by the system and method.

データは、分析のためにシステムによって受信され、それは、少なくとも一人の医師によって少なくとも一人の識別されない患者に発行される処方に対応する一つ以上の連続的な変数を有する。連続的な変数は、複数のレベルを有する分類の変数に変換される。この変換は、予め設定された範囲のレベルの各々に対して実行される。統計的な関係の程度は、独立した変数を伴う分類の変数、すなわち、関心のある治療分野の医師の処方実務に関連するイベントの発生の確率に対して測定される。この測定ステップは、分類の変数の予め設定された範囲のレベルの各レベルに対して実行される。プロセスの後の段階は、医師の処方実務に関連するイベントの発生と統計的に最重要な関係を有する予め設定されたレベルの複数レベルの一つを識別する。 Data is received by the system for analysis, which has one or more continuous variables corresponding to prescriptions issued to at least one unidentified patient by at least one physician. A continuous variable is converted into a variable of classification having multiple levels. This conversion is performed for each of a preset range of levels. The degree of statistical relationship is measured with respect to the classification variables with independent variables, ie the probability of the occurrence of events related to the prescribing practices of the physician of interest in the treatment field of interest. This measuring step is performed for each level of the preset range of levels of the classification variable. A later stage in the process identifies one of a plurality of pre-set levels that have a statistically most significant relationship with the occurrence of events related to the physician's prescription practices.

連続的な変数を分類の変数に変換するステップ、分類の変数と独立した変数との関係の程度を測定するステップ、及び独立した変数を伴う統計的に最重要な関係を有する予め設定された数のレベルの一つを識別するステップが、連続的な変数の各々に対して繰り返される。プロセスは、任意のレベル数で統計的に重要でない分類の変数の破棄も有する。後のステップは、これまで説明したようにして決定した分類の変数及びレベル数を用いた予測モデルを実行することによって、医師の処方実務に関連するイベントの発生の可能性を評価する。 Converting a continuous variable into a classification variable, measuring the degree of relationship between the classification variable and the independent variable, and a preset number having a statistically most significant relationship with the independent variable The step of identifying one of the levels is repeated for each successive variable. The process also has the discard of variables of any level number that are not statistically significant. A later step evaluates the likelihood of the occurrence of an event related to the physician's prescription practice by executing a predictive model using the classification variables and number of levels determined as described above.

一実施の形態において、予め設定された範囲のレベルは、２レベルと５レベルとの間にある。連続的な変数を分類の変数にそれぞれ変換するプロセスは、累積的な割合分布関数の使用を有することができる。 In one embodiment, the preset range of levels is between 2 and 5 levels. The process of converting each continuous variable into a classification variable can have the use of a cumulative percentage distribution function.

好適には、イベントの発生の確率を伴う分類の変数の統計的な関係の程度を測定するステップは、記号論理回帰モデルの実行と、分類の変数及び各レベル数に対応するｐ値の計算を有することができる。統計的な最重要性を有する分類の変数のレベル数を識別するステップは、ｐ値に関連した最低のものを有する分類の変数の各レベル数の決定を具える。 Preferably, the step of measuring the degree of statistical relationship of the classification variables with the probability of the occurrence of the event comprises running a symbolic regression model and calculating the p-value corresponding to the classification variables and the number of each level. Can have. The step of identifying the number of levels of a categorical variable with statistical significance comprises determining the number of levels of each of the categorical variables having the lowest associated with a p-value.

本発明によれば、上記目的を満足し、連続的な変数を、最適レベル数を有する分類のデータに変換できることを含む、医師のグループの長期間の処方実務を分析できる従来技術の必要性を満足する。さらに、分類の変数の各レベルの予測値を個別に測定することができ、その結果、モデル結果が更に直接的で理解可能に説明される。本発明の他の態様、性質及び種々の利点を、添付図面及び実施の形態を参照して明らかにする。 According to the present invention, there is a need for a prior art technique that can analyze the long-term prescription practice of a group of doctors, including the ability to satisfy the above objectives and convert continuous variables into classification data having an optimal number of levels. Satisfied. In addition, the predicted values for each level of the classification variable can be measured individually, so that the model results are explained in a more direct and understandable manner. Other aspects, properties and various advantages of the present invention will become apparent with reference to the accompanying drawings and embodiments.

図１を参照すると、処方データを処理するシステムの実施の形態を示し、一般にシステム１０と示す。システム１０は、処理用の情報の複数のソースを利用することができる。ユーザは、抗うつ療法や血圧管理療法のようなインターネット１２の特定治療分野又は市場の情報を提供する。ユーザは、調査１４に含まれるべき所定の処方生成物の情報も提供することができる。期間情報１６、すなわち、「観察期間」は、処方の調合をモニタすべき期間を特定するようユーザによって選択することができる。特定の処方の情報は、処方データすなわち小売り薬局処方データ１８に含まれ、そのデータは、履歴非識別患者処方データ(historical de-identified patient prescription data)を有し、典型的には、ディスクドライブやテープのような大容量記憶装置に格納される。この入力情報は、キーボード、マウス、ディスクドライブ等の入力装置２０でシステムによって受信される。 Referring to FIG. 1, an embodiment of a system for processing prescription data is shown, generally designated as system 10. The system 10 can utilize multiple sources of information for processing. The user provides information on specific treatment areas or markets on the Internet 12, such as antidepressant therapy and blood pressure management therapy. The user can also provide information on certain prescription products to be included in the survey 14. The period information 16, or “observation period”, can be selected by the user to specify the period over which the prescription formulation is to be monitored. Specific prescription information is included in prescription data, i.e. retail pharmacy prescription data 18, which includes historical de-identified patient prescription data, typically disk drives, It is stored in a mass storage device such as a tape. This input information is received by the system at an input device 20 such as a keyboard, mouse, disk drive or the like.

システム１０は、小売り薬局からの長い処方データ(longitudinal prescription data)、処方する医師のような情報を提供する大容量記憶装置１８に格納された小売り薬局処方データ、調合された処方生成物の名称、投薬量、補充情報、すなわち、補充が許可されたか否かの表示、供給日数、すなわち、患者が補充を必要とする日数、及び調合が行われた日を用いる。小売り薬局処方データ１８は、「識別されない」(de-identified)患者識別番号の下で、一人の患者に対する上記情報を分類する。識別されていない患者識別番号は、患者に対する個人情報を何ら提供しないので、患者の名前を置換するとともに患者の機密を保護する識別子となる。この情報によって、システムは、未知であるとしても、ある特定の患者に対する所定の時間に亘る処方治療を追跡することができる。したがって、「患者」又は「患者データ」がここに記載されているときは常に、患者の同一性及び個人情報は、患者の記録の機密を保持するために締め出される（すなわち、患者は「識別されない。」）。識別されない患者の識別は、識別されない患者の年齢及び性別を含むこともできる。 System 10 includes longitudinal prescription data from retail pharmacies, retail pharmacy prescription data stored in mass storage 18 that provides prescribing physician-like information, names of formulated prescription products, The dosage, supplement information, i.e. an indication of whether or not supplementation is allowed, the number of days of supply, i.e. the number of days the patient needs to be supplemented, and the date on which the preparation was made are used. Retail pharmacy prescription data 18 classifies the above information for a single patient under a “de-identified” patient identification number. An unidentified patient identification number does not provide any personal information for the patient, so it is an identifier that replaces the patient's name and protects the patient's confidentiality. With this information, the system can track prescription treatment over a given time for a particular patient, even if it is unknown. Thus, whenever “patient” or “patient data” is described herein, patient identity and personal information is locked out to keep patient records confidential (ie, patients are not “identified” ") Identification of an unidentified patient can also include the age and gender of the unidentified patient.

ここでは、小売り薬局処方データの使用について説明するが、ファーマシーベネフィットマネージャ(Pharmacy Benefit Manager: PBM)処方請求データ、メールオーダ処方データ又はデータソースの組合せのような他のデータ構造を容易に用いることができる。 This section describes the use of retail pharmacy prescription data, but other data structures such as Pharmacy Benefit Manager (PBM) prescription request data, mail order prescription data, or a combination of data sources can be easily used. it can.

複数の処理ルーチンは、システム１０の（破線で示されるような）ＣＰＵ２２によって実行される。処方カテゴライザ２４、データ計算機２６、フィルタ２８及び予測モデル３０は、（図示しない）ＲＡＭのようなダイナミックコンピュータメモリに格納されるＣＯＢＯＬのような言語のソフトウェアプログラムを実行するコンピュータの中央処理ユニットによる一連のデータ処理動作を実行する。本発明によって実行される集中的なデータ処理のために、コンピュータを、ＩＢＭ９６７２メインフレームコンピュータのようなメインフレームコンピュータとする。ＳＡＳ^ＴＭやＳＰＳＳ^ＴＭのようなソフトウェアパッケージをコンピュータにインストールして、統計的な計算を行うことができる。これらソフトウェアパッケージは、後に説明するように処方データを処理するとともに予測モデルを展開するのに用いられる。他の等価なソフトウェアパッケージを用いることもできる。入力データは、処方カテゴライザ２４によって受信され、そのカテゴライザは、先ず、処方分類プロセスに含むために識別されない患者の各々が「追跡可能」であるか否か考察する。一旦追跡可能であることが確認されると、処方カテゴライザ２４は、識別されない患者の各々に対する特定の処方の投薬量及び処方生成物と、そのような識別されない患者の識別番号に対する他の処方の投薬量及び処方生成物とを比較し、特定の処方と他の処方との間の投薬量又は処方した投薬の変化に基づく特定の処方の分類を行う。各処方を、システムによって以下の分類例に分類することができる。（１）新たな処方開始（２）処方変更（３）追加処方（共存:concomitant）（４）滴定減少（５）滴定増加（６）処方継続。当業者は、他の分類を追加できることを理解する（参照することによってここに組み込まれる２００１年８月２９日に出願された発明の名称が”SYSTEM AND METHOD FOR GENERATING PHYSICIANS PROFILES CONCERNING PRESCRIPTION THERAPY PRACTICES”であるTolleなどによる米国特許出願番号０９／９４１，４９６に記載されている新たな処方開始、処方変更、追加処方、滴定減少、滴定増加、処方継続等の処方分類方法。）。分類された処方データは、医師の処方行為を観察する際の有用な情報を提供する。 The plurality of processing routines are executed by the CPU 22 (as indicated by the dashed lines) of the system 10. The prescription categorizer 24, data calculator 26, filter 28 and prediction model 30 are a series of processing by a central processing unit of a computer executing a software program in a language such as COBOL stored in a dynamic computer memory such as RAM (not shown). Perform data processing operations. For the intensive data processing performed by the present invention, the computer is a mainframe computer such as the IBM9672 mainframe computer. A software package such as SAS ^™ or SPSS ^™ can be installed on a computer to perform statistical calculations. These software packages are used to process the prescription data and develop the prediction model as will be described later. Other equivalent software packages can also be used. Input data is received by the prescription categorizer 24, which first considers whether each of the patients not identified for inclusion in the prescription classification process is “traceable”. Once confirmed to be traceable, the prescription categorizer 24 may determine the dosage and prescription product of a particular prescription for each unidentified patient and other prescription medications for such unidentified patient identification numbers. The amount and formulation product are compared and a classification of a particular formulation is made based on the dosage between a particular formulation and other formulations or changes in the prescribed medication. Each prescription can be classified into the following classification examples by the system. (1) New prescription start (2) Prescription change (3) Additional prescription (co-existence: concomitant) (4) Titration decrease (5) Titration increase (6) Prescription continued. Those skilled in the art understand that other classifications can be added (the name of the invention filed on August 29, 2001, incorporated herein by reference, is “SYSTEM AND METHOD FOR GENERATING PHYSICIANS PROFILES CONCERNING PRESCRIPTION THERAPY PRACTICES”). Formulation classification methods such as new prescription start, prescription change, additional prescription, titration decrease, titration increase, and prescription continuation described in US Patent Application No. 09 / 941,496 by Tolle et al.) The classified prescription data provides useful information in observing a doctor's prescription behavior.

複数の連続的な変数を、計数データを取得するために上記分類の総数を選択的に取得するデータ計算機２６によって実行されるようなルーチンによって計算することができる。データ計算機２６は、比や時間上で観察されるデータ傾向のような上記変数の関数である新たな変数を計算することもできる。データ計算機２６によって計算される処方データは連続的である。ここで用いられる一般的には従来理解される連続的な変数は、本来量的な変数となり、所定の範囲で任意の値をとることができる。したがって、連続的な値がプロットされると、ポイント間の距離が有意義となる。データ計算機２６によって計算することができる連続的な変数の例は、（ａ）分類のパーセンテージシェア、例えば、医師に対する新たな処方開始のパーセンテージシェア、処方生成物に対する連続した処方のパーセンテージシェア（ｂ）計数データ、例えば、生成物に対する新たな処方開始の総数、新たな処方開始シェアと連続した処方シェアとの間の差（ｃ）傾向データ、例えば、所定の期間に亘る新たな処方開始シェアの変化である。 A plurality of continuous variables can be calculated by a routine such as that performed by the data calculator 26 that selectively obtains the total number of classifications to obtain count data. The data calculator 26 can also calculate new variables that are a function of the above variables such as ratios and data trends observed over time. The prescription data calculated by the data calculator 26 is continuous. The continuous variable generally used here is a quantitative variable by nature, and can take any value within a predetermined range. Thus, when continuous values are plotted, the distance between points becomes significant. Examples of continuous variables that can be calculated by the data calculator 26 are: (a) the percentage share of the classification, eg, the percentage share of the new prescription start for the physician, the percentage share of the continuous prescription for the prescription product (b) Count data, for example, the total number of new prescription starts for the product, the difference between the new prescription start share and the continuous prescription share (c) trend data, eg, change in new prescription start share over a given period It is.

データ計算機２６によるルーチン実行の例を、ここで説明する。例えば、”DRUG#1”を有する関心のある特定の市場に対する医師の処方実務を、複数の新規の連続的な変数を計算することによって観察することができる（現存する利用できるデータによって、全市場シェアを医師に対して決定することができ、すなわち、”DRUG#1”の全市場シェアは、関心のある市場の全ての処方生成物の処方総数に対するDRUG#1の総数の比として計算される。）。これまで説明したようにして決定した新規の分類を用いることによって、他の市場シェア情報を決定することができる。例えば、DRUG#1の新たな処方シェアを、関心のある市場の全ての処方生成物の新たな処方開始の総数に対するDRUG#1の新たな処方開始の数の比として計算することができる。DRUG#1に対する処方変更シェアは、関心のある市場の全ての処方生成物の処方変更の総数に対するDRUG#1の処方変更の数の比として計算される。同様に、市場シェア情報を、DRUG#1からの処方変更シェア、DRUG#1に対する滴定増加、DRUG#1に対する滴定減少、新たな共存処方等に対して計算することができる。 An example of routine execution by the data calculator 26 will now be described. For example, physician prescribing practices for a particular market of interest with “DRUG # 1” can be observed by calculating several new continuous variables (with existing available data, Shares can be determined for physicians, ie the total market share of “DRUG # 1” is calculated as the ratio of the total number of DRUG # 1 to the total number of prescriptions for all prescription products in the market of interest .) By using the new classification determined as described above, other market share information can be determined. For example, DRUG # 1's new prescription share can be calculated as the ratio of DRUG # 1's new prescription start to the total number of new prescription starts for all prescription products in the market of interest. The prescription change share for DRUG # 1 is calculated as the ratio of the number of prescription changes for DRUG # 1 to the total number of prescription changes for all prescription products in the market of interest. Similarly, market share information can be calculated for a prescription change share from DRUG # 1, a titration increase for DRUG # 1, a titration decrease for DRUG # 1, a new co-prescription, and the like.

これまで説明したように、小売り薬局データ１８のような処方データはしばしば、誤りを含んだ散乱パターンを有する傾向にある少数のサンプル内で利用できる。予測モデル３０の予測精度を向上するために、連続的な変数を、フィルタ２８で分類的な変数に変換する。これまで説明したように、一実施の形態において、連続的な変数は、処方カテゴライザ２４及びデータ計算機２６によって計算される。連続的な変数は、小売り薬局処方データ１８から直接供給されるようなシステム１０に対する他のソース入力からフィルタ２８に供給される。 As explained so far, prescription data such as retail pharmacy data 18 is often available in a small number of samples that tend to have scatter patterns that contain errors. In order to improve the prediction accuracy of the prediction model 30, the continuous variable is converted into a categorical variable by the filter 28. As described above, in one embodiment, continuous variables are calculated by the prescription categorizer 24 and the data calculator 26. Continuous variables are supplied to filter 28 from other source inputs to system 10 such as those supplied directly from retail pharmacy prescription data 18.

フィルタ２８は、変換すべき全ての連続的な変数を識別するルーチンを有し、そのルーチンは、その後、累積的な割合分布関数のような関数を用いて連続的な変数をそれぞれ分類的な変数に変換する。フィルタ２８によって実行されるステップを、以下詳細に説明する。 The filter 28 has a routine that identifies all the continuous variables to be converted, which routine then uses a function such as a cumulative percentage distribution function to each separate the continuous variables into categorical variables. Convert to The steps performed by the filter 28 will be described in detail below.

従来既知のように、分類的な変数は複数のレベルを有する。従来既知のように、「レベル」は、分類的な変数内の細分数として規定される。例えば、分類「新たな処方開始シェア」は、二つのレベル、例えば、「ハイ」と「ロー」とを有する。データの分布に応じて、分類の変数を、三つのレベル、例えば、「ハイ」、「ロー」及び「中間」によって更に良好に表すことができる。最適数のレベルの決定に対する最初の繰返しとして、フィルタ２８は、連続的な変数を、そのような二つのレベルを有する分類の変数に変換する。また、フィルタ２８は、連続的な変数を、他のレベルを有する分類の変数に変換する。本実施の形態によれば、フィルタ２８は、連続的な変数を、三つのレベルを有する分類の変数、四つのレベルを有する分類の変数及び五つのレベルを有する分類の変数に変換する。 As is known in the art, categorical variables have multiple levels. As is known in the art, a “level” is defined as a subdivision within a categorical variable. For example, the classification “new prescription start share” has two levels, for example, “high” and “low”. Depending on the distribution of the data, the classification variables can be better represented by three levels, for example “high”, “low” and “intermediate”. As the first iteration for the determination of the optimal number of levels, the filter 28 converts the continuous variable into a variable of classification having such two levels. The filter 28 also converts continuous variables into variables with classifications having other levels. According to the present embodiment, the filter 28 converts the continuous variable into a classification variable having three levels, a classification variable having four levels, and a classification variable having five levels.

フィルタ２８は、種々のレベルの各々を有する分類の変数を予測モデル３０に供給して、分類の変数の統計的な関係、例えば、市場シェアのような独立した変数を有するDRUG#!に対する新たな処方開始シェアの目安を決定する。好適には、予測モデル３０は、従来既知の記号論理回帰モデル又は多名記号論理回帰モデルを使用して、ｐ値を決定する。フィルタ２８は、種々のレベルの各々に対する予測モデル３０によって計算されたｐ値を受信し、結果を分析する。フィルタ２８は、後に説明するように統計的に最下位を示さない分類的な変数を破棄する。データが破棄されない場合、フィルタ２８は、既に算出したｐ値に基づいて、最もよくデータの分布を表す分類の最適のレベル数を識別する。好適には、最適なレベル数を、最小のｐ値を示す分類の変数に対する各レベル数として決定する。一旦、各変数に対して最適レベル数が選択されると、予測モデル３０は、最適化された分類の変数を用いて再び実行して、医師の処方実務に関連するイベントの発生の確率、例えば、特定の処方生成物の市場シェアの変化を評価し、後に詳細に説明するように、一連の警告メッセージを含む医師プロファイルデータ出力３２を発生する。 The filter 28 supplies a classification variable having each of the various levels to the predictive model 30 so that a new relationship to DRUG #! With an independent variable such as a statistical relationship of the classification variable, eg, market share, is provided. Determine the prescription share. Preferably, the predictive model 30 determines the p-value using a conventionally known symbolic logic regression model or a multinomial symbolic regression model. Filter 28 receives the p-value calculated by predictive model 30 for each of the various levels and analyzes the results. As will be described later, the filter 28 discards categorical variables that do not statistically indicate the lowest level. If the data is not discarded, the filter 28 identifies the optimal number of levels for the classification that best represents the distribution of data based on the already calculated p-value. Preferably, the optimal number of levels is determined as the number of levels for each of the classification variables exhibiting the smallest p-value. Once the optimal number of levels is selected for each variable, the predictive model 30 runs again using the optimized classification variables to determine the probability of the occurrence of an event related to the physician's prescription practice, eg, Evaluate changes in market share for a particular prescription product and generate a physician profile data output 32 that includes a series of warning messages, as will be described in detail below.

本発明のよって実施される手順を、図２〜３に関連して説明する。ステップ１００において、分析に利用できる全ての連続的な変数が、識別され及び受信される（図２）。ステップ１０２において、第１の連続する変数を、分析のために選択する。一実施の形態において、連続する変数から分類の変数への変換を行って、第１のレベル数すなわちＮ_ｍｉｎを有する分類の変数を生成する。したがって、ステップ１０４において、レベル数ＮにＮ_ｍｉｎが最初に設定される。例えば、Ｎ_ｍｉｎ＝２に対して、新たな処方開始シェアの二つのレベルすなわち「ハイ」及び「ロー」が存在する。ステップ１０６で変換ステップが生じる。本実施の形態において、累積的な割合分布関数を用いて、データを、ローレベルの新たな処方開始シェア及びハイレベルの新たな処方開始シェアに振り分ける。 The procedure performed by the present invention is described with reference to FIGS. In step 100, all continuous variables available for analysis are identified and received (FIG. 2). In step 102, a first continuous variable is selected for analysis. In one embodiment, a transformation from a continuous variable to a classification variable is performed to generate a classification variable having a first level number, N _min . Accordingly, in step 104, N _min is initially set as the number of levels N. For example, for N _min = 2, there are two levels of new prescription share, “high” and “low”. In step 106, a conversion step occurs. In the present embodiment, data is distributed to a new prescription start share at a low level and a new prescription start share at a high level using a cumulative ratio distribution function.

以下の表１は、DRUG#1に対する連続的な変数の新たな処方開始シェアを、三つのレベルを有するすなわちＮ＝３である分類の変数に変換するステップ１０６のプロセスを示す。第１欄は、互いに相違する２０人の医師の新たな処方開始シェアをリストする。第１の医師に対して、DRUG#1に対する新たな処方開始シェアは、関心のある市場に対して２．４８％の新たな処方開始である。第２の医師に対して、DRUG#1に対する新たな処方開始シェアが５．７０％になる、等々。

Table 1 below shows the process of step 106, which converts the new prescription start share of the continuous variable for DRUG # 1 into a variable of the classification having three levels, ie N = 3. The first column lists the new prescription start shares of 20 doctors that are different from each other. For the first physician, the new prescription share for DRUG # 1 is 2.48% new prescription start for the market of interest. For the second doctor, the new prescription share for DRUG # 1 will be 5.70%, and so on.

表１の例において、累積的な割合分布を用いて、市場シェアを比較的均等な三つのものに振り分ける。この場合、第１レベル、すなわち、DRUG#1に対する低い市場シェアを２．４８〜１０．５８％とする。第２のレベル、すなわち、DRUG#1に対する中間の市場シェアは、１０．５８〜１４．８８％の市場シェアを有する。第３のレベル、すなわち、DRUG#1に対する高い市場シェアは、１４．８８％より大きい全ての市場シェアを有する。全ての市場シェアの値は、次のように変換される。第５欄で示したように、第１レベルにある任意の値は、１に変換される。第２レベルにある任意の値は、２に変換される。第３レベルにある任意の値は、３に変換される。例えば、２８．９３％の値は３に変換される。その理由は、それが「ハイ」の範囲にあるからである。 In the example of Table 1, the market share is divided into three relatively equal ones using a cumulative percentage distribution. In this case, the low market share for the first level, that is, DRUG # 1, is 2.48 to 10.58%. The second level, the intermediate market share for DRUG # 1, has a market share of 10.58-14.88%. The third level, the high market share for DRUG # 1, has all market shares greater than 14.88%. All market share values are converted as follows: As shown in the fifth column, any value at the first level is converted to 1. Any value at the second level is converted to 2. Any value at the third level is converted to 3. For example, a value of 28.93% is converted to 3. The reason is that it is in the “high” range.

ステップ１０８において、Ｎレベルを有する分類の変数の予測値がテストされる。特に、このステップは、独立した変数を伴う（Ｎレベルを有する）分類の変数の統計的な関係の程度を測定する。予測モデル３０は、従来既知のような記号論理回帰モデル又は多名記号論理回帰モデルを用いて、独立した変数を伴う分類の変数及び各レベル数の統計的な程度を計算する。モデルの独立した変数は、関心のある市場の医師の処方実務に関連するイベントの発生の確率となる。そのようなイベントの例は、（１）変化、例えば、生成物に対するパーセンテージ市場シェアの全体に亘る損失、又は（２）新たな生成物の低い取り込み。独立した変数を、３以下のレベルの分類とすることができる。 In step 108, the predicted value of the variable of the classification having N levels is tested. In particular, this step measures the degree of statistical relationship of the classification variables (with N levels) with independent variables. The prediction model 30 calculates a statistical variable of the classification variable with independent variables and the statistical degree of each level using a symbolic logic regression model or a multinomial symbolic regression model as conventionally known. An independent variable in the model is the probability of the occurrence of an event related to the prescribing practices of the physician in the market of interest. Examples of such events are (1) changes, for example, loss over the entire percentage market share for the product, or (2) low uptake of new product. Independent variables can be classified into levels of 3 or less.

記号論理回帰を用いて、イベントの発生する確率を評価する。したがって、ステップ１０８の出力はｐ値となる。イベントが発生する確率を
ｐｒｏｂ（ｅｖｅｎｔ）＝１／（１＋ｅ^−ｚ）［１］
と表現することができる。この場合、ｅを、自然対数の底とし、Ｚを、
Ｚ＝Ｂ_０＋Ｂ_１Ｘ_１＋Ｂ_２Ｘ_２＋．．．＋Ｂ_ＰＸ_Ｐ［２］
で表現される線形的な組合せとする。 Evaluate the probability of an event using symbolic logic regression. Therefore, the output of step 108 is a p value. Prob (event) = 1 / (1 + e ^−z ) [1]
It can be expressed as In this case, e is the base of the natural logarithm, Z is
Z = B ₀ + B ₁ X ₁ + B ₂ X ₂ +. . . + B _P _XP [2]
A linear combination expressed by

イベントを、例えば、DRUG#1（独立した変数）に対する市場シェアの変化とすることができる。式［２］において、Ｘを、独立した分類の変数とし、Ｂをモデル係数とする（最初に、式［２］は、分類の変数の最適レベル数を算出する一つの独立した変数Ｘを有することができる。次のステップは、後に説明するように複数の独立した変数Ｘを具体化することができる。）。既知の方法によれば、既に説明したように、ＳＡＳ^ＴＭやＳＰＳＳ^ＴＭのような統計的なソフトウェア上で標準的な記号論理回帰モデルを実行することによって、係数を付与することができる。 The event can be, for example, a change in market share for DRUG # 1 (independent variable). In Equation [2], let X be an independent classification variable and B be a model coefficient. (First, Equation [2] has one independent variable X that calculates the optimal number of levels of the classification variable. (The next step can instantiate multiple independent variables X, as will be explained later.) According to known methods, as already explained, the coefficients can be applied by running a standard symbolic regression model on statistical software such as SAS ^™ or SPSS ^™ .

本実施の形態によれば、レベルの範囲を、２レベルと５レベルとの間、すなわち、Ｎ_ｍｉｎ＝２とＮ_ｍｉｎ＝５との間となる。ステップ１１０において、レベル数が５未満である場合、変換プロセスが繰り返される。最大でも５レベルが各変数に対してテストされる。更に多くのレベルを有することによって、予測精度が悪くなるおそれがある。その理由は、予測モデルにおいて更に高い自由度が用いられるからである。従来既知のように、自由度は、自由に変化する観察数（又はスコア）である。変化するスコアの自由が制約される度に、自由度が用いられる。分類の変数のレベルは、そのような制約を構成する。例えば、変数が三つのレベルを有する場合、三つの自由度が用いられる。レベル数が変数内で増大すると、更に高い自由度が用いられる。更に多くのレベル数を有すると、予測精度が悪くなるおそれがある。その理由は、更に多くの自由度が用いられるからである。その結果、更に多くの制約が予測モデルに課される。数学的な必要性により、更に多くのレベルを用いると、モデルの予測パワーを制約し、結局、分類の変換の正の利益を無効にする。 According to the present embodiment, the level range is between 2 and 5 levels, that is, between N _min = 2 and N _min = 5. In step 110, if the number of levels is less than 5, the conversion process is repeated. A maximum of 5 levels are tested for each variable. Further, by having many levels, the prediction accuracy may deteriorate. The reason is that a higher degree of freedom is used in the prediction model. As is known in the art, the degree of freedom is the number of observations (or scores) that change freely. The degree of freedom is used whenever the changing score freedom is constrained. The level of the classification variable constitutes such a constraint. For example, if a variable has three levels, three degrees of freedom are used. As the number of levels increases within the variable, a higher degree of freedom is used. If the number of levels is larger, the prediction accuracy may be deteriorated. The reason is that more degrees of freedom are used. As a result, more constraints are imposed on the prediction model. Due to the mathematical need, using more levels constrains the predictive power of the model and eventually invalidates the positive benefits of classification transformations.

分類の変数のレベル数が、その繰返しに対して５未満である場合、ステップ１１２において、レベル数Ｎが１増大し、Ｎ＋１レベルを有する分類の変数を形成するために、ステップ１０６の変換プロセスを繰り返す。ステップ１０６，１０８は、２，３，４，５レベルを有する分類の変数が第１の連続的な変数に対して計算されるまで繰り返される。ステップ１１０でレベル数が５を超えると、繰返しプロセスが終了し、データフローｇステップ１２０で継続される（図３参照）。連続的な変数を分類の変数に変換するステップ（ステップ１０６）及び独立した変数を伴う分類の変数の統計的な関係の程度を測定するステップ（ステップ１０８）は、個別の繰返しループで進行する。例えば、先ず、レベルの一つごとに対する分類の変数を計算し、次いで、分類の変数の予測値の測定ステップを、レベルの一つごとに実行することができる。他の実施の形態によれば、レベルの一つごとに対する分類の変数を連続的に変換することができる。 If the number of levels of the classification variable is less than 5 for that iteration, in step 112, the number of levels N is increased by 1, and the transformation process of step 106 is performed to form a classification variable having N + 1 levels. repeat. Steps 106 and 108 are repeated until a categorical variable having levels 2, 3, 4, and 5 is calculated for the first continuous variable. If the number of levels exceeds 5 at step 110, the iterative process ends and continues at data flow g step 120 (see FIG. 3). The steps of converting continuous variables into classification variables (step 106) and measuring the degree of statistical relationship of classification variables with independent variables (step 108) proceed in separate iteration loops. For example, first, the classification variable for each level can be calculated, and then the step of measuring the predicted value of the classification variable can be performed for each level. According to another embodiment, classification variables for each level can be continuously converted.

ステップ１２０において、分類の変数のレベルの各々のｐ値を分析して、それが統計的に重要であるか否か、すなわち、独立した変数に対して少なくとも統計的な最下位(minimum statistical significance)を有するか否かを決定する。ステップ１２０において、任意のレベル数における変数に対するｐ値が０．０５以下である場合、変数は、統計的に重要である、したがって、予測値を有すると考えられ、プロセスがステップ１２２に進行する。変数に対するｐ値が０．０５以下である場合、その変数がステップ１２４で破棄される。本実施の形態において、０．０５のp値を用いたが、統計的な重要性に対するしきい値として、他のｐ値を用いることができる。 In step 120, the p-value at each level of the classification variable is analyzed to determine whether it is statistically significant, i.e., at least the statistical statistical significance for the independent variable. To determine whether or not In step 120, if the p-value for a variable at any level number is less than or equal to 0.05, the variable is considered statistically significant and therefore has a predicted value, and the process proceeds to step 122. If the p value for the variable is less than or equal to 0.05, the variable is discarded at step 124. In the present embodiment, a p value of 0.05 is used, but other p values can be used as thresholds for statistical significance.

ステップ１２２において、分類の変数のレベルの各々に対する確率レベルの各々、ｐレベルが分析され、ｐ値に関連した最低のものを有するレベル数が、最適レベル数と考えられる。例えば、３レベルＮ＝３を有するDRUG#1に対する新たな処方開始シェアがｐ＝０．０４を有し、５レベルＮ＝５を有する場合、ステップ１０２で決定したようにｐ＝０．００１となる。ステップ１２２において、DRUG#1に対する新たな処方開始シェアに対して５レベルが用いられる。 At step 122, each of the probability levels for each of the levels of the classification variable is analyzed for the p level, and the number of levels having the lowest one associated with the p value is considered the optimal level number. For example, if the new prescription share for DRUG # 1 with 3 levels N = 3 has p = 0.04 and 5 levels N = 5, then p = 0.001 as determined in step 102 Become. In step 122, 5 levels are used for the new prescription start share for DRUG # 1.

図３を更に参照すると、ステップ１２６は、全ての変数がテストされたか否か決定する。他の変数をテストすべき場合、プロセスはステップ１１４（図２）に進行し、次の連続的な変数が選択され、分類決定プロセス、すなわち、ステップ１０４〜１２４が次の変数の各々に対して繰り返される。 Still referring to FIG. 3, step 126 determines whether all variables have been tested. If other variables are to be tested, the process proceeds to step 114 (FIG. 2), the next sequential variable is selected, and the classification determination process, ie, steps 104-124, are performed for each of the next variables. Repeated.

個々の変数に対する分類決定プロセスの結果、最適レベル数の最初の決定が、分類の変数の各々に対して個別に決定される。さらに、統計的に重要でない、すなわち、最低予測パワーを有する複数の変数が破棄される。所定の変数が他の変数に依存することができるので、所定の変数を破棄するプロセスは、残りの変数の予測値を変更することができる。したがって、ステップ１３０は、分類決定プロセスの更なる最適化であり、この場合、全ての変数の全てのレベルが、予測精度を最良にするために互いに関連して評価される。したがって、ステップ１０２〜１２６が、以下の変更を伴って、既に説明したのとほぼ同様に繰り返される。例えば、式［２］は、一つの独立した変数ではなく複数の独立した変数Ｘを組み込むことができる。特に、全ての変数に亘る全ての置換及びレベルの組合せは、順次繰り返してテストされ、最低のｐ値によって規定された最良の精度に到達する。ステップ１３０でレベルが更に適合された後、予測モデル３０がステップ１３２〜１３４で実行されて、独立した変数の発生の確率、すなわち、医師の処方実務に関連したイベントを評価する。記号論理回帰モデルである予測モデルは、ステップ１０２〜１２４で取得されるとともにステップ１３０で洗練された分類の変数のレベルを用いて実行される。このようなステップ１３２のプロセスによって、式［２］で表される係数Ｂ_０，Ｂ_１，Ｂ_２．．．Ｂ_ｐのような一連のモデル係数を生成する。 As a result of the classification determination process for individual variables, an initial determination of the optimal number of levels is determined for each of the classification variables individually. In addition, variables that are not statistically significant, i.e., have the lowest predicted power, are discarded. Since a given variable can depend on other variables, the process of discarding a given variable can change the predicted value of the remaining variables. Thus, step 130 is a further optimization of the classification determination process, where all levels of all variables are evaluated in relation to each other to optimize prediction accuracy. Accordingly, steps 102-126 are repeated in substantially the same manner as already described, with the following changes. For example, equation [2] can incorporate multiple independent variables X rather than one independent variable. In particular, all permutations and level combinations across all variables are iteratively tested to reach the best accuracy defined by the lowest p-value. After the levels are further adapted at step 130, the predictive model 30 is executed at steps 132-134 to evaluate the probability of occurrence of independent variables, i.e., events related to the physician's prescription practices. A predictive model, which is a symbolic regression model, is executed using the levels of the classification variables obtained in steps 102-124 and refined in step 130. By such a process of step 132, the coefficients B ₀ , B ₁ , B ₂ . . . A series of model coefficients such as B _p is generated.

ステップ１３４において、既に生成されたモデル係数が、各医師に対する各データに順次適用されて、式［１］に記載したような医師の処方実務に関連したイベントの発生の確率を評価する。例えば、ステップ１３４において、例えば新たな処方開始シェア及び傾向、連続した処方シェア及び傾向並びに滴定ダウンシェア及び傾向に対して利用できるデータに基づいて、特定の医師が、翌月の特定の治療において６５％までダウンする傾向を有することがわかる。 In step 134, the already generated model coefficients are sequentially applied to each data for each doctor to evaluate the probability of the occurrence of an event related to the doctor's prescription practice as described in equation [1]. For example, in step 134, a particular physician may be 65% in a particular treatment the next month based on data available for new prescription start shares and trends, consecutive prescription shares and trends, and titration down shares and trends, for example. It turns out that it has a tendency to go down.

ステップ１３６において、確率のパーセンテージ値が警告メッセージに関連したテーブルを参照しながら、一連の警告メッセージを、ステップ１３４で発生した確率に基づいて生成する。したがって、既に説明したように、医師が、特定の治療において６５％までダウンする傾向を有することがわかる。確率に関連して、５０％は、偶然に発生するイベントに等しいと考えられ、５０％より上は、イベントが生じる傾向にあり（すなわち、偶然より上である。）、５０％より下は、イベントが生じない傾向にある。上記例に続いて説明すると、６５％は、偶然に発生するイベントより１５％高く、したがって、（全ての値が５０％を超えるとして、）データベースにおいて値にフラグが立てられる。特定の医師の翌月における処方の傾向がダウンすることを知らせる警告メッセージが発生する。そのような警告メッセージは、処方分野において販売義務を有する販売表示に搬送される。 In step 136, a series of warning messages is generated based on the probabilities that occurred in step 134, with reference to a table of probability percentage values associated with the warning messages. Thus, as already explained, it can be seen that physicians tend to go down to 65% in certain treatments. In relation to probability, 50% is considered to be equal to an event that happens by chance, above 50% there is a tendency for events to occur (ie, above accidental), and below 50%, Events tend not to occur. Continuing with the above example, 65% is 15% higher than the event that happens by chance, so the value is flagged in the database (assuming all values exceed 50%). A warning message is generated to inform the prescribing tendency of the specific doctor in the following month. Such warning messages are conveyed to sales indications that have sales obligations in the prescription field.

警告メッセージ及びそれを開始するイベントは、以下の通りである。
（１）「新たな処方開始が、この地理的な領域の他の医師の平均より遥かに下である。この医師は、多数の患者の治療を行わない」は、この医師の新たな治療開始が地理的領域の平均よりｘ％低いという確率が高いことのよって生じる。
（２）「薬剤師は、１２／０１／００のようなDRUG#1からDRUG#2までの急速な変更を突然示す。」このメッセージは、処方変更の増大に起因する市場シェアの効果の可能性が高いことによって示される。
（３）「DRUG#2からDRUG#1への変更が、新たなDRUG#2開始における減少に組み合わされる。医師は、DRUG#2からセカンドライン処方に変更する可能性が最も高い。」かかる宣言は、以下の状況下で出現する。新たな処方開始の減少及び処方変更の増大によって生じる市場シェアの降下の高い確率。 The warning message and the event that initiates it are as follows.
(1) “The start of a new prescription is far below the average of other doctors in this geographical area. This doctor does not treat a large number of patients” Is caused by a high probability of x% lower than the average of the geographical area.
(2) “The pharmacist suddenly shows a rapid change from DRUG # 1 to DRUG # 2 like 12/01/00.” This message may be a market share effect due to increased prescribing changes. Is indicated by high.
(3) “The change from DRUG # 2 to DRUG # 1 is combined with a decrease at the beginning of the new DRUG # 2. Doctors are most likely to change from DRUG # 2 to second line prescriptions.” Appears under the following circumstances: High probability of a drop in market share caused by a decrease in new prescriptions and an increase in prescription changes.

本発明は、上記実施の形態に限定されるものではなく、幾多の変更及び変形が可能である。 The present invention is not limited to the above-described embodiment, and many changes and modifications can be made.

本発明によるシステムの実施の形態のブロック図である。1 is a block diagram of an embodiment of a system according to the present invention. 本発明による手順の一部を示すフローチャートである。It is a flowchart which shows a part of procedure by this invention. 本発明による手順の他の部分を示すフローチャートである。6 is a flowchart showing another part of the procedure according to the present invention.

Claims

小売薬局から取得した縦処方データの履歴データベースの分析により医師の処方実務を予測するコンピュータ装置であって、
（ａ）小売薬局から取得した縦処方データの履歴データベースにリンクし、前記医師によって前記データベースに書き込まれた特定の処方に関連して秘匿すべき患者が追跡可能であるか否かを決定し、前記患者が追跡可能である場合、前記特定の処方に対する投薬量及び処方生成物と、前記データベースの当該秘匿すべき患者に対する他の処方の投薬量及び処方生成物とを比較し、対応する数の分類変数に基づく複数の異なる数の処方分類の一つとして、前記特定の処方と前記他の処方との間の投薬量又は処方した投薬の変化に基づいて前記特定の処方を分類する処方分類手段と、
（ｂ）前記ステップ（ａ）の分類による処方の総数を計数する計数手段と、
（ｃ）市場イベントの発生に応答して前記処方の総数に基づいて分類変数に関連する予測モデルを生成し、医師の処方実務の予測を発生する予測モデル生成手段と、
（ｄ）前記市場イベントの発生に応答して発生した医師の処方実務の予測を表示して警告する警報発生手段とを具えることを特徴とするコンピュータ装置。 A computer device that predicts a doctor's prescription practice by analyzing a historical database of longitudinal prescription data obtained from a retail pharmacy,
(A) link to a historical database of longitudinal prescription data obtained from a retail pharmacy and determine whether the patient to be kept secret in connection with a particular prescription written to the database by the physician can be tracked; If the patient is traceable, the dosage and prescription product for the particular prescription is compared with the dosage and prescription product of the other prescription for the patient to be concealed in the database and a corresponding number of A prescription classification means for classifying the specific prescription as one of a plurality of different prescription classifications based on a classification variable based on a dosage or a change in prescription dosage between the specific prescription and the other prescription When,
(B) counting means for counting the total number of prescriptions according to the classification of the step (a);
(C) a prediction model generating means for generating a prediction model associated with the classification variable based on the total number of the prescriptions in response to the occurrence of a market event, and generating a prediction of a doctor's prescription practice;
(D) A computer device comprising alarm generation means for displaying and warning a prediction of a doctor's prescription practice that occurred in response to the occurrence of the market event.