JP5737591B2 - Acute medical demand forecasting system and acute medical demand forecasting program - Google Patents
Acute medical demand forecasting system and acute medical demand forecasting program Download PDFInfo
- Publication number
- JP5737591B2 JP5737591B2 JP2012027193A JP2012027193A JP5737591B2 JP 5737591 B2 JP5737591 B2 JP 5737591B2 JP 2012027193 A JP2012027193 A JP 2012027193A JP 2012027193 A JP2012027193 A JP 2012027193A JP 5737591 B2 JP5737591 B2 JP 5737591B2
- Authority
- JP
- Japan
- Prior art keywords
- prefecture
- patients
- data
- target area
- population
- 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.)
- Active
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Description
本発明は、対象地域における傷病別発生患者数、傷病別在院患者数などの急性期量需要を予測することで、医療施設の事業設立計画を支援するシステム、並びに、プログラムに関するものである。 The present invention relates to a system and a program for supporting a business establishment plan of a medical facility by predicting demand for acute quantity such as the number of patients by disease and disease and the number of patients hospitalized by disease and disease in a target area.
特許文献１、２には、対象とする病院の将来の利用患者数を地域特性および地形特性を考慮して予測する病院利用者数予測システムが開示されている。また、特許文献３には周辺競合医療機関を考慮し、傷病別の患者数を予測することのできる患者数予測システムが開示されている。
現在、医療改革の一環として病院の機能分化が進んでいる。第四次医療法改正によって、病院の病床が急性期を対象とした「一般」と慢性期を対象とした「療養」に区分されている。各地域において新たに病院を開設する、あるいは、既存の病院において病床数の拡大を図る場合、このような病床区分に応じた患者数の需要予測を基にして計画を行う必要がある。 Currently, hospitals are undergoing functional differentiation as part of medical reform. According to the fourth revision of the Medical Law, hospital beds are divided into “general” for the acute phase and “medical treatment” for the chronic phase. When newly opening hospitals in each region or expanding the number of beds in existing hospitals, it is necessary to make a plan based on the demand forecast of the number of patients according to such bed categories.
特許文献４には、このような病床区分に応じた患者数の需要予測を行うことを目的として、全病床を対象として、患者の在院日数に応じて急性期と慢性期を按分し、患者需要予測を行う医療機関の急性期医療需要予測システムが開示されている。
In
しかしながら、特許文献４に開示される急性期医療需要予測システムでは、急性期、慢性期については在院日数で按分することで結果を出力可能なものの、傷病の種類別、さらには年齢別による特性までは結果に反映させることができない。
However, in the acute medical demand forecasting system disclosed in
ところで、現在、主な急性期病院では、ＤＰＣ（Diagnosis Procedure Combination：
診断群分類）に従った包括方式の診療報酬制度が採用されている。この診療報酬制度では、急性期医療を対象とした医療機関について、診療報酬を受領するためのＤＰＣデータが収集されている。
By the way, at the current acute hospitals, DPC (Diagnosis Procedure Combination:
Comprehensive medical fee system according to the diagnosis group classification). In this medical fee system, DPC data for receiving medical fees is collected for medical institutions targeted for acute medical care.
本発明では、このＤＰＣデータを活用することで、傷病の種類別、さらには年齢別の急性期需要予測を行うことを目的としている。 The object of the present invention is to make an acute demand forecast for each type of injury and disease and further for each age by utilizing this DPC data.
本発明に係る急性期医療需要予測システムは、
第１〜第３データベースを記憶する記憶手段と、第１〜第５処理を実行する制御手段と、対象地域を指定可能な入力手段と、を備え、
第１データベースは、傷病別の患者数を算出可能なデータを記憶し、
第２データベースは、都道府県別の人口データ、メッシュ毎の人口関連データを記憶し、
第３データベースは、傷病・都道府県別の全発生患者数を算出可能なデータを記憶し、
第１処理は、第１データベースに基づいて算出された傷病別の患者数と、第２データベースに記憶する都道府県別の人口データに基づいて、傷病別の患者発生率を算出し、
第２処理は、第２データベースに記憶する都道府県別の人口データと、第１処理で算出された傷病別の患者発生率に基づいて、傷病・都道府県別の患者発生数を算出し、
第３処理は、第２処理で算出された傷病・都道府県別の発生患者数と、第３データベースに基づいて算出される傷病・都道府県別の全発生患者数に基づいて、傷病・都道府県別の補正係数を算出し、
第４処理は、入力された対象地域に対応するメッシュの人口関連データに基づいて、対象地域の人口を予測し、
第５処理は、第４処理で予測された対象地域の人口と、第１処理で算出された傷病別の患者発生率と、第３処理で算出された対象地域の都道府県に対応する傷病・都道府県別の補正係数に基づいて、対象地域の傷病別発生患者数を算出することを特徴とする。
The acute medical demand forecasting system according to the present invention,
Comprising storage means for storing the first to third databases, control means for executing the first to fifth processes, and input means for designating the target area,
The first database stores data capable of calculating the number of patients by injury and illness,
The second database stores population data by prefecture, population-related data for each mesh,
The third database stores data that can be used to calculate the total number of patients by disease / disease / prefecture,
The first process calculates the patient incidence by injury and disease based on the number of patients by injury and disease calculated based on the first database and the population data by prefecture stored in the second database.
The second process calculates the number of patients by disease / prefecture based on the population data by prefecture stored in the second database and the patient incidence by wound / illness calculated in the first process.
The third process is based on the number of outbreaks by injury / illness / prefecture calculated in the second process and the total number of outbreaks by injury / illness / prefecture calculated based on the third database. Calculate another correction factor,
The fourth process predicts the population of the target area based on the mesh population related data corresponding to the input target area,
The fifth process consists of the population of the target area predicted in the fourth process, the patient incidence rate for each wound calculated in the first process, and the disease / illness corresponding to the prefecture in the target area calculated in the third process. Based on the correction coefficient for each prefecture, the number of patients who are injured by disease in the target area is calculated.
さらに本発明に係る急性期医療需要予測システムにおいて、
第１データベースは、年齢別に患者数を算出可能なデータを記憶し、
第２データベースは、都道府県別の人口データを年齢別に記憶し、
第５処理は、対象地域の傷病別発生患者数を年齢別に算出することを特徴とする。
Furthermore, in the acute medical demand prediction system according to the present invention,
The first database stores data capable of calculating the number of patients by age,
The second database stores population data by prefecture by age,
The fifth process is characterized in that the number of injured patients in the target area is calculated according to age.
さらに本発明に係る急性期医療需要予測システムにおいて、
第３データベースは、傷病・医療機関別に患者数と平均在院日数を記憶し、
制御手段は、第６、第７処理を実行し、
第６処理は、第３データベースに記憶する傷病・医療機関別の患者数と平均在院日数に基づいて、傷病・都道府県別の平均在院日数を算出し、
第７処理は、第５処理で算出された対象地域の傷病別発生患者数と、第６処理で断出された対象地域の都道府県に対応する傷病・都道府県別の平均在院日数に基づいて、対象地域の傷病別在院患者数を算出することを特徴とする。
Furthermore, in the acute medical demand prediction system according to the present invention,
The third database stores the number of patients and average length of hospital stay for each sick and medical institution,
The control means executes the sixth and seventh processes,
The sixth process calculates the average length of hospitalization by injury / illness / prefecture based on the number of patients and average length of hospitalization by injury / illness / medical institution stored in the third database,
The seventh process is based on the number of patients in each target area calculated in the fifth process, and the average number of days of hospitalization by wound / disease / prefecture corresponding to the prefecture in the target area determined in the sixth process. And calculating the number of inpatients according to injury and illness in the target area.
また本発明に係る急性期医療需要予測システムは、
第１〜第３データベースに記憶するデータに基づいて、第１〜第５処理をコンピュータにて演算可能とする急性期医療需要予測プログラムであって、
第１データベースは、傷病別の患者数を算出可能なデータを記憶し、
第２データベースは、都道府県別の人口データ、メッシュ毎の人口関連データを記憶し、
第３データベースは、傷病・都道府県別の全発生患者数を算出可能なデータを記憶し、
第１処理は、第１データベースに基づいて算出された傷病別の患者数と、第２データベースに記憶する都道府県別の人口データに基づいて、傷病別の患者発生率を算出し、
第２処理は、第２データベースに記憶する都道府県別の人口データと、第１処理で算出された傷病別の患者発生率に基づいて、傷病・都道府県別の患者発生数を算出し、
第３処理は、第２処理で算出された傷病・都道府県別の発生患者数と、第３データベースに基づいて算出される傷病・都道府県別の全発生患者数に基づいて、傷病・都道府県別の補正係数を算出し、
第４処理は、入力された対象地域に対応するメッシュの人口関連データに基づいて、対象地域の人口を予測し、
第５処理は、第４処理で予測された対象地域の人口と、第１処理で算出された傷病別の患者発生率と、第３処理で算出された対象地域の都道府県に対応する傷病・都道府県別の補正係数に基づいて、対象地域の傷病別発生患者数を算出することを特徴とする。
The acute medical demand forecasting system according to the present invention is
Based on the data stored in the first to third databases, an acute medical demand prediction program capable of calculating the first to fifth processes by a computer,
The first database stores data capable of calculating the number of patients by injury and illness,
The second database stores population data by prefecture, population-related data for each mesh,
The third database stores data that can be used to calculate the total number of patients by disease / prefecture,
The first process calculates the patient incidence by injury and disease based on the number of patients by injury and disease calculated based on the first database and the population data by prefecture stored in the second database.
The second process calculates the number of patients by disease / prefecture based on the population data by prefecture stored in the second database and the patient incidence by wound / illness calculated in the first process.
The third process is based on the number of outbreaks by injury / illness / prefecture calculated in the second process and the total number of outbreaks by injury / illness / prefecture calculated based on the third database. Calculate another correction factor,
The fourth process predicts the population of the target area based on the mesh population related data corresponding to the input target area,
The fifth process consists of the population of the target area predicted in the fourth process, the patient incidence rate for each wound calculated in the first process, and the disease / illness corresponding to the prefecture in the target area calculated in the third process. Based on the correction coefficient for each prefecture, the number of patients who are injured by disease in the target area is calculated.
本発明によれば、第１のデータベースに記憶するデータ（ＤＰＣデータ）に基づいて、対象地域に関する傷病別発生患者数を予測することが可能となっている。特に、本発明では、患者数が上位３００種類に限られているＤＰＣデータについて、別途、公表されている全傷病別傷病・都道府県別の全発生患者数を算出可能なデータを第３データベースとして利用することで、地域の病床構成を考慮した補正係数を算出し、予測精度の向上が図られている。 According to the present invention, based on data (DPC data) stored in the first database, it is possible to predict the number of patients who have been injured by disease and disease related to the target area. In particular, in the present invention, for the DPC data in which the number of patients is limited to the top 300 types, the third database is data that can separately calculate the total number of outbreak patients according to all injuries and diseases / states By using it, a correction coefficient is calculated in consideration of the local bed configuration, and the prediction accuracy is improved.
さらに本発明では、第１データベース、第２データベースに記憶する各種データを年齢別に記憶しておくことにより、病床別発生患者数を年齢別に予測することを可能としている。 Furthermore, in the present invention, by storing various data stored in the first database and the second database by age, it is possible to predict the number of patients generated by bed according to age.
さらに本発明では、対象地域における傷病別在院患者数を算出可能とするものであり、今後の平均在院日数の短縮にも対応した将来予測を行うことが可能となる。 Furthermore, in the present invention, it is possible to calculate the number of inpatients classified by injury and illness in the target area, and it is possible to make a future prediction corresponding to a reduction in the average number of hospitalization days in the future.
本発明に係る急性期医療需要予測システムについて図を参照しつつ説明を行う。図１は、本発明の実施形態に係る急性期医療需要予測システムの算出処理を示すフロー図である。本実施形態に係る急性期医療予測システムは、ＤＰＣデータ（ＤＢ１）、国勢調査データ（ＤＢ２）、厚生労働省による公表データ（ＤＢ３）の３つのデータベースを使用して、Ｓ１０１からＳ１０７に示す各種値を算出する演算を実行する。本実施形態では、最終的にＳ１０５に示す対象地域についてＭＤＣ・年齢別患者発生数（Ｓ１０５）を算出することを目的としている。さらには、当該対象地域についてＭＤＣ別在院患者数（Ｓ１０７）を算出され、急性期医療の予測に利用される。 The acute medical demand prediction system according to the present invention will be described with reference to the drawings. FIG. 1 is a flowchart showing a calculation process of an acute medical demand prediction system according to an embodiment of the present invention. The acute phase medical prediction system according to the present embodiment uses three databases, DPC data (DB1), national census data (DB2), and data published by the Ministry of Health, Labor and Welfare (DB3), and uses the various values shown in S101 to S107. Execute the calculation to calculate. The purpose of this embodiment is to finally calculate the number of MDC / age-specific patient occurrences (S105) for the target area shown in S105. Furthermore, the number of hospitalized patients per MDC (S107) is calculated for the target area and used for prediction of acute care.
図２には本発明の実施形態に係る急性期医療需要予測システムの構成を示すブロック図が示されている。本実施形態の急性期医療需要予測システムは、パーソナルコンピュータなど一般的な情報処理装置を利用することが可能である。本実施形態の急性期医療需要システム２０は、ＣＰＵ２１、ハードディスク２２、ＲＡＭ２３、インターフェイス２４を
備えて構成されている。
FIG. 2 is a block diagram showing the configuration of the acute medical demand prediction system according to the embodiment of the present invention. The acute medical demand prediction system of the present embodiment can use a general information processing apparatus such as a personal computer. The acute
記憶手段として機能するハードディスク２２は、図１に示す３つのデータベースＤＢ１〜ＤＢ３、並びに、これらデータベースＤＢ１〜ＤＢ３に基づいて演算を行うプログラム（本発明における急性期医療予測プログラム）を記憶している。ＣＰＵ２１は、記憶するデータベースＤＢ１〜ＤＢ３に基づいて各種演算を行う。途中並びに最終的な演算結果はＲＡＭ２３に格納される。ＣＰＵ２１とＲＡＭ２３は、本発明における制御手段を構成している。入力手段２５は、急性期医療需要予測システムに対して、必要な各種データを入力可能であり、キーボード、マウスなどで構成される。本実施形態では、新たな医療機関が設置される地域といったような、予測を行う対象地域を指定するために使用される。
The
このような急性期医療需要予測システム２０で演算された予測結果は、インターフェイス２４を介して、モニター２６あるいはプリンター２７などの出力手段に出力され、ユーザーに対して視覚的な予測結果を提供する。予測結果は、テーブル上に数値を示した表、あるいは、数値をグラフ化するなど各種形態で出力することが可能である。
The prediction result calculated by the acute medical
以上、急性期医療予測システム２０の概略について説明を行ったが、次にこの急性期医療予測システム２０で用いる各種データベースＤＢ１〜ＤＢ３の内容について説明する。図３は、本発明の実施形態に係るＤＰＣデータのデータ構成を示す図であり、図４は、本発明の実施形態に係る年齢階級人口データ（第２データベース：国勢調査データの一部）を示す図であり、図５は、本発明の実施形態に係る国勢調査データ（第２データベース）のメッシュ構成を説明するための図であり、図６は、本発明の実施形態に係る公表データ（第３データベース）のデータ構成を示す図である。
The outline of the acute
ＤＰＣ（Diagnosis Procedure Combination：診断群分類）は、開始当初から参加医療
機関の診療結果の一部（ＤＰＣ分類における患者数上位３００種類）が公表されている。図１には、このＤＰＣデータについて、本実施形態で利用するデータ部分の一例が示されている。ＤＰＣデータは、詳細な傷病分類を規定したＤＰＣ分類と、ＤＰＣ分類を１８種類の傷病別（医療器官別）に分類したＭＤＣ分類（本発明における「傷病別」に相当）を有している。図に示す「狭心症、慢性虚血性心疾患」がＤＰＣ分類に、「循環器系疾患」がＭＤＣ分類に相当している。さらに、ＤＰＣデータには、年齢別の患者数（図の例では、６ヶ月分の統計）を有して構成されている。
As for DPC (Diagnosis Procedure Combination: diagnosis group classification), some of the medical results of participating medical institutions (the top 300 patients in the DPC classification) have been published from the beginning. FIG. 1 shows an example of a data portion used in the present embodiment for this DPC data. The DPC data has a DPC classification that defines detailed injury and disease classification, and an MDC classification (corresponding to “injury and disease classification” in the present invention) in which the DPC classification is classified into 18 types of injury and disease (by medical organ). “Angina pectoris, chronic ischemic heart disease” shown in the figure corresponds to the DPC classification, and “cardiovascular disease” corresponds to the MDC classification. Furthermore, the DPC data includes the number of patients by age (in the example of the figure, statistics for 6 months).
図２には、年齢別、都道府県別の人口データが掲載されている。このデータは政府によって実行される国勢調査データの一部であって、図には平成１７年のデータが示されている。本実施形態で使用する国勢調査データは、この年齢別、都道府県別の人口データ以外に、図６に示されるメッシュ構成毎の人口関連データが使用される。図では、関東地方のメッシュ構成が示されている。軽度１°、緯度が４０′毎に区画した１次メッシュが示されている。この１次メッシュは、それを８×８（約１０ｋｍ四方）に区分した２次メッシュで構成され、さらには、２次メッシュを１０×１０（約１ｋｍ四方）に区分した３次メッシュ、さらには、３次メッシュを２×２（約０．５ｋｍ四方）に区分した４次メッシュで構成されている。各メッシュにはそこに居住する人口が性別、年齢階級別に集計されている。 FIG. 2 shows population data by age and prefecture. This data is part of the census data carried out by the government, and the data for 2005 is shown in the figure. As the census data used in the present embodiment, population-related data for each mesh configuration shown in FIG. 6 is used in addition to the population data by age and prefecture. In the figure, the mesh structure of the Kanto region is shown. A primary mesh with a slight degree of 1 ° and a latitude divided by 40 'is shown. This primary mesh is composed of a secondary mesh that is divided into 8 × 8 (about 10 km squares), a tertiary mesh that is divided into 10 × 10 (about 1 km square), and further It is composed of a quaternary mesh obtained by dividing the ternary mesh into 2 × 2 (about 0.5 km square). In each mesh, the population living there is tabulated by gender and age group.
本実施形態では、このような国勢調査データ中の、人口関連データを使用して各メッシュについて将来の人口予測が行われる。なお、国勢調査データには、このメッシュに対応した人口関連データ以外に、都道府県別の各年齢毎の出生率、生残率、移動率といった仮定値が集計されており、この都道府県別の仮定値を利用することで、さらに精度の高い人口予測を行うことが可能である。 In the present embodiment, the future population is predicted for each mesh using the population-related data in such census data. In addition to the population-related data corresponding to this mesh, the census data also includes hypothetical values such as the birth rate, survival rate, and migration rate for each age by prefecture. By using the value, it is possible to perform population prediction with higher accuracy.
また、本実施形態の急性期医療予測システムでは、厚生労働省によって公表される公表データを使用して、より精度の高い予測を行うこととしている。前述したＤＰＣデータ（図３）は、患者数が上位３００種類のＤＰＣ分類に限って公表されている。そのため、３００種類以外のＤＰＣ分類の数（年齢別の患者数）は、カウント対象外とされており、ＤＰＣデータのみでは精度の高い予測を行うことが困難である。 In the acute medical prediction system according to the present embodiment, more accurate prediction is performed using published data published by the Ministry of Health, Labor and Welfare. The aforementioned DPC data (FIG. 3) is published only for the top 300 types of DPC classifications. Therefore, the number of DPC classifications other than 300 types (number of patients by age) is excluded from the count target, and it is difficult to perform highly accurate prediction only with DPC data.
そのため、本実施形態の急性期医療需要予測システムでは、ＤＰＣデータに加え、厚生労働省が公表する公表データ（医療機関別、ＭＤＣ別の退院患者数）を使用して補正を行っている。この公表データは、ＤＰＣデータが上位３００種であったのと異なり、ＭＤＣ別の全退院患者数が含まれているため、これを利用して補正を行うことで予測精度の向上が図られる。また、この公表データには、医療機関別の平均在院日数も含まれているため、対象地域におけるＭＤＣ別在院患者数を算出する際には、これを使用することとしている。 For this reason, in the acute medical demand prediction system of the present embodiment, correction is performed using published data (number of discharged patients by medical institution and by MDC) published by the Ministry of Health, Labor and Welfare in addition to DPC data. Unlike the top 300 types of DPC data, this published data includes the total number of discharged patients for each MDC, and therefore the prediction accuracy can be improved by making corrections using this. In addition, since the published data includes the average length of hospital stay by medical institution, this is used when calculating the number of hospitalized patients by MDC in the target area.
では、図１のフロー図に戻って、本発明の急性期医療需要予測システムの演算の詳細について説明を行う。まず、ＤＰＣデータをＭＤＣ別に集計し、年齢・ＭＤＣ別の患者数が算出される。この年齢・ＭＤＣ別の患者数は、全国における患者数である。図７には、この集計結果が表で示されている。一方、図４に示す年齢階級人口データからは、年齢別の人口総数を集計することが可能である。こちらも同様に全国における年齢別のデータである。これらの集計結果に基づいて、ＭＤＣ・年齢別の患者発生率が下記に示す式（１）によって算出される（Ｓ１０１）。
ＭＤＣ・年齢別の患者発生率 ＝ ＭＤＣ・年齢別患者数÷年齢別の人口総数
・・・（１）
Now, returning to the flowchart of FIG. 1, the details of the calculation of the acute medical demand prediction system of the present invention will be described. First, DPC data is tabulated by MDC, and the number of patients by age / MDC is calculated. The number of patients by age and MDC is the number of patients in the whole country. FIG. 7 shows the tabulation results in a table. On the other hand, from the age group population data shown in FIG. 4, it is possible to add up the total population by age. This is also data by age in the same way nationwide. Based on these tabulated results, patient incidence by MDC and age is calculated by the following equation (1) (S101).
Incidence of patients by MDC and age = Number of patients by MDC and age ÷ Total population by age
... (1)
図８には、この式（１）によって求められたＭＤＣ・年齢別の患者発生率の一部が表で示されている。一方、国勢調査データには、年齢・都道府県別の人口（都道府県別の年齢階級人口）が含まれている。Ｓ１０２では、下記に示す式（２）を使用して、ＭＤＣ・年齢・都道府県別に患者発生数を算出する。図９には、この式（２）によって求められたＭＤＣ・年齢・都道府県別の発生患者数の一部が表で示されている。
ＭＤＣ・年齢・都道府県別の発生患者数
＝ ＭＤＣ・年齢別の患者発生率×年齢・都道府県別の人口 ・・・（２）
FIG. 8 is a table showing a part of the MDC / age-specific patient incidence determined by this equation (1). On the other hand, the census data includes the population by age and prefecture (the age group population by prefecture). In S102, the number of patient occurrences is calculated for each MDC, age, and prefecture using the following equation (2). FIG. 9 is a table showing a part of the number of patients generated by MDC / age / prefecture determined by the equation (2).
Number of outbreak patients by MDC / age / prefecture = patient incidence by MDC / age x population by age / prefecture (2)
Ｓ１０３では、補正係数の算出が行われる。この補正係数は、ＤＰＣデータが患者数上位３００種類であることを鑑みた補正を行う係数であって、ＤＰＣデータとは別に公表されている公表データ（ＤＢ３）を使用して算出される値である。図６に示されるように、この公表データ中には、各医療機関・ＭＤＣ毎に退院患者数が集計されている。本実施形態では、この退院患者数を発生患者数とみなして演算を行うこととしている。ＤＰＣデータと異なり、この公表データでは、全患者が対象となるため、全発生患者数とみなすことが可能である。 In S103, a correction coefficient is calculated. This correction coefficient is a coefficient for correcting DPC data in consideration of the top 300 types of patients, and is a value calculated using published data (DB3) published separately from DPC data. is there. As shown in FIG. 6, the number of discharged patients is tabulated for each medical institution / MDC in this published data. In the present embodiment, the number of discharged patients is regarded as the number of outbreak patients and the calculation is performed. Unlike DPC data, this published data covers all patients and can therefore be considered as the total number of patients.
図６に示されるように、北海道におけるＭＤＣ０１（神経系疾患）の全発生患者数は、Ａの範囲の退院患者数を合計した数として集計される。図１０には、このように公表データを集計することで得られたＭＤＣ・都道府県別の全発生患者数が示されている。一方、Ｓ１０２において式（２）で得られたＭＤＣ・年齢・都道府県別の発生患者数を年齢で集計することで、ＤＰＣデータに基づくＭＤＣ・都道府県別の発生患者数が集計できる。公表データに基づく全発生患者数をＤＰＣデータに基づく発生患者数で除する（式（３））ことで、ＭＤＣ・都道府県別の補正係数が算出される。図１１には、この式（３）によって求められたＭＤＣ・都道府県別の補正係数の一部が表で示されている。
ＭＤＣ・都道府県別の補正係数
＝ ＭＤＣ・都道府県別の全発生患者数÷ＭＤＣ・都道府県別の発生患者数・・・（３）
As shown in FIG. 6, the total number of patients with MDC01 (nervous system disease) in Hokkaido is counted as the total number of discharged patients in the range of A. FIG. 10 shows the total number of outbreak patients by MDC / prefecture obtained by counting the published data in this way. On the other hand, by summing up the number of MDC / age / prefecture-occurring patients obtained by the equation (2) in S102 by age, the number of patients generated by MDC / prefecture based on DPC data can be summed up. By dividing the total number of patients based on the published data by the number of patients based on the DPC data (Formula (3)), a correction coefficient for each MDC / prefecture is calculated. FIG. 11 is a table showing a part of the correction coefficient for each MDC / prefecture determined by the equation (3).
Correction coefficient for each MDC / prefecture = total number of patients with MDC / prefecture ÷ number of patients with MDC / prefecture (3)
Ｓ１０４では、国勢調査データに基づいて、将来の年齢階級別の人口予測が行われる。また、本実施形態では、入力手段から指定された対象地域に対する人口予測が行われる。この対象地域は、例えば、新たな医療機関の建設に伴い、当該医療機関の建設場所に対応した地域が選定される。具体的には、図５で説明したメッシュ区分中、建設場所に対応する１次〜３次のメッシュが選定される。メッシュ選定にあたっては、建設場所からの距離に加え、川や橋、道路などの地形情報を考慮して選定することが好ましい。このように選定されたメッシュについて、国勢調査データ中の人口、各年齢毎の出生率、生存率といった人口関連データに基づいて、選定された対象地域に対する人口推移（例えば５年ごと）が予測される。この予測は、メッシュ毎の人口関連データのみならず、国勢調査によって集計された都道府県別の移動率を考慮することとしてもよい。 In S104, the future population by age group is predicted based on the national census data. In the present embodiment, population prediction is performed for the target area designated by the input unit. For example, with the construction of a new medical institution, an area corresponding to the construction location of the medical institution is selected as the target area. Specifically, the primary to tertiary meshes corresponding to the construction site are selected during the mesh division described with reference to FIG. In selecting a mesh, it is preferable to select in consideration of terrain information such as rivers, bridges and roads in addition to the distance from the construction site. For the mesh selected in this way, the population transition (for example, every 5 years) for the selected target area is predicted based on the population-related data such as the population in the census data, the birth rate for each age, and the survival rate. . This prediction may take into account not only the population-related data for each mesh but also the movement rates by prefecture, which are tabulated by the national census.
Ｓ１０５では、Ｓ１０１にて得られたＭＤＣ・年齢別の患者発生率と、Ｓ１０３で得られたＭＤＣ・都道府県別の補正係数と、Ｓ１０４で得られた対象地域における年齢別の人口予測に基づいて、対象地域におけるＭＤＣ・年齢別発生患者発生数が算出（予測）される。具体的には、下記に示す式（４）を用いて算出される。なお、補正係数は、指定された対象地域に対応した都道府県のものが使用される。
対象地域のＭＤＣ・年齢別の発生患者数
＝ ＭＤＣ・年齢別の患者発生率×年齢別の人口予測×ＭＤＣ別の補正係数・・・（４）
In S105, based on the MDC / age-specific patient incidence rate obtained in S101, the MDC / prefecture-specific correction coefficient obtained in S103, and the age-specific population forecast in the target area obtained in S104. The number of occurrences of MDC / age-specific patients in the target area is calculated (predicted). Specifically, it is calculated using equation (4) shown below. In addition, the thing of the prefecture corresponding to the designated object area is used for a correction coefficient.
Number of patients affected by MDC and age in the target area = Patient incidence by MDC and age x Population forecast by age x Correction coefficient by MDC (4)
以上、本実施形態では、ＤＰＣデータに記憶する傷病・年齢別の患者数と、国勢調査データに基づいて、予測対象地域におけるＭＤＣ・年齢別の発生患者数を予測することを可能としている。その際、ＤＰＣデータが上位患者数３００種類のＭＤＣに限定されたものであることを補正するため、ＭＤＣ・都道府県別の全発生患者数を算出可能とする公表データを利用した補正係数を使用することで、予測の精度向上が図られている。なお、本実施形態では、最終的な結果（対象地域のＭＤＣ・年齢別の発生患者数）を年齢別に算出しているが、ＭＤＣ別でのみ発生患者数を算出することとしても良い。その場合、ＤＰＣデータ（ＤＢ１）、国勢調査データ中の人口データ（ＤＢ２）は必ずしも年齢別に用意する必要はない。 As described above, in the present embodiment, it is possible to predict the number of patients generated by MDC / age in the prediction target area based on the number of patients by disease / age and age stored in the DPC data and the national census data. At that time, in order to correct the fact that the DPC data is limited to the top 300 patients with MDC, a correction factor using published data that can calculate the total number of patients with MDC / prefecture is used. By doing so, the prediction accuracy is improved. In the present embodiment, the final result (the number of patients generated by MDC and age in the target area) is calculated for each age. However, the number of patients generated may be calculated only for each MDC. In that case, the DPC data (DB1) and the population data (DB2) in the census data need not be prepared for each age group.
このような予測に基づいて得られたある対象地域、あるＭＤＣにおける予測結果を図１２、図１３に示しておく。図１２には、年齢別の発生患者数予測結果が示されている。また、図１３には、発生患者数予測結果と他のモデルによる予測結果の比較が示されている。図１３中、ＤＰＣモデルは、本実施形態の急性期医療需要予測システムによる予測結果に相当したものであり、また、図１２の各年齢を合計した値となっている。 Prediction results in a certain target area and a certain MDC obtained based on such prediction are shown in FIGS. FIG. 12 shows the predicted number of occurrence patients by age. Further, FIG. 13 shows a comparison between the number of occurrence patient prediction results and the prediction results of other models. In FIG. 13, the DPC model corresponds to the prediction result by the acute medical demand prediction system of the present embodiment, and is a value obtained by summing up the ages of FIG.
図１３中、患者調査一般病床モデルでは、全病床を対象とした全病床対象モデルに対し、入院期間の長い療養病床（慢性期相当）利用者を除いた患者を予測したものとなっている。この患者調査一般病床モデル（特許文献４で使用しているモデル）では、実態として一般病床に入院している慢性期相当の病態の患者も一部含まれているため、本実施形態のＤＰＣモデルよりも発生患者数が多く予測された結果となっている。一方、本実施形態で使用したＤＰＣデータは、急性期の病院のみを対象とて集計されたデータであるため、精度の高い予測で発生患者数の予測が可能とされている。 In FIG. 13, the patient survey general bed model predicts patients excluding the user who has a long hospitalization period (equivalent to the chronic stage) with respect to the entire bed target model for all beds. This patient survey general bed model (the model used in Patent Document 4) includes a part of patients with a disease state corresponding to the chronic phase who are hospitalized in the general bed as a matter of fact, so the DPC model of this embodiment The number of outbreaks is predicted to be higher than that. On the other hand, since the DPC data used in the present embodiment is data collected only for hospitals in the acute phase, it is possible to predict the number of patients with high accuracy.
以上、本実施形態では、対象地域におけるＭＤＣ・年齢別の発生患者数の予測を行うこととしたが、この予測に基づいて対象地域におけるＭＤＣ別の在院患者数を予測することも可能である。 As described above, in the present embodiment, the number of occurrence patients by MDC / age in the target area is predicted, but based on this prediction, the number of hospitalized patients by MDC in the target area can also be predicted. .
このＭＤＣ別の在院患者数は、図１に示されるように厚生労働省によって公表される公
表データ（ＣＢ３）を使用して算出されるＭＤＣ・都道府県別の平均在院日数（Ｓ１０６）を用いて算出される。図６に示されるように公表データには、ＭＤＣ・医療機関別に平均在院日数が記録されている。ここでは、この平均在院日数をも利用することで、対象地域のＭＤＣ別の在院患者数が算出される。
The number of hospitalized patients by MDC is calculated using the average number of hospitalized days by MDC and prefecture (S106) calculated using published data (CB3) published by the Ministry of Health, Labor and Welfare as shown in FIG. Is calculated. As shown in FIG. 6, in the published data, the average length of stay for each MDC / medical institution is recorded. Here, the number of hospitalized patients for each MDC in the target area is calculated by using this average length of hospitalization.
一般に在院患者数（１日あたり入院している患者数）は、以下の式（Ａ）によって求めることが可能である。
在院患者数 ＝ １日あたりの発生患者数×平均在院日数 ・・・（Ａ）
医療機関における在院患者数は、大幅な変動を伴うことは少ないことを理由として、式（Ａ）における１日あたりの発生患者数は、退院患者数に略等しいと見なすことが可能である。したがって、ＭＤＣ・都道府県別の在院患者数は、図６に示す公表データ（ＤＢ３）から、ＭＤＣ・都道府県別に式（５）を演算することで算出される。
ＭＤＣ・都道府県別の在院患者数 ＝ Σ（退院患者数×平均在院日数）・・・（５）
一方、ＭＤＣ・都道府県別の発生患者数は、この公表データから、退院患者数をＭＤＣ・都道府県別に集計することで算出される。したがって、ＭＤＣ・都道府県別の平均在院日数は、式（５）の結果を利用することで算出することが可能である。
ＭＤＣ・都道府県別の平均在院日数
＝ ＭＤＣ・都道府県別の在院患者数÷ＭＤＣ都道府県別の発生患者数・・・（６）
Generally, the number of hospitalized patients (the number of patients hospitalized per day) can be obtained by the following formula (A).
Number of patients in hospital = number of patients per day x average number of hospital days ... (A)
Because the number of hospitalized patients at medical institutions is rarely accompanied by significant fluctuations, the number of patients per day in equation (A) can be considered to be approximately equal to the number of discharged patients. Therefore, the number of hospitalized patients for each MDC / prefecture is calculated by calculating Expression (5) for each MDC / prefecture from the published data (DB3) shown in FIG.
Number of inpatients by MDC / prefecture = Σ (number of discharged patients x average length of hospital stay) (5)
On the other hand, the number of outbreak patients by MDC / prefecture is calculated from the published data by counting the number of discharged patients by MDC / prefecture. Therefore, the average length of stay for each MDC / prefecture can be calculated by using the result of equation (5).
Average length of hospital stay by MDC / prefecture = Number of hospitalized patients by MDC / prefecture ÷ Number of outbreak patients by MDC / prefecture (6)
Ｓ１０６では、このような過程を経てＭＤＣ・都道府県別の平均在院日数が得られる。Ｓ１０６の演算結果と、Ｓ１０５の演算結果を乗算する（式（７））ことで、対象地域におけるＭＤＣ別の在院患者数が算出することが可能である。その際、式（６）で得られたＭＤＣ・都道府県別の平均在院日数については、対象地域に対する都道府県の値が使用され、また、式（４）で得られた対象地域のＭＤＣ・年齢別の発生患者数については、年齢別のものを合計した値が使用される。
対象地域のＭＤＣ別の在院患者数 ＝
対象地域の平均在院日数×対象地域のＭＤＣの発生患者数 ・・・（７）
In S106, the average length of stay for each MDC / prefecture is obtained through such a process. By multiplying the calculation result of S106 and the calculation result of S105 (equation (7)), the number of hospitalized patients by MDC in the target area can be calculated. At that time, for the average length of hospital stay for each MDC / prefecture obtained by Equation (6), the value of the prefecture for the target region is used, and the MDC of the target region obtained by Equation (4) is used. As for the number of patients by age, the total value for each age is used.
Number of inpatients by MDC in the target area =
Average length of hospital stay in the target area x Number of patients with MDC in the target area (7)
Ｓ１０６での平均在院日数が年齢別に算出できないことを理由として、この式（７）による対象地域のＭＤＣ別の在院患者数も年齢別に算出することができないが、このようにＭＤＣ別の在院患者数を予測可能とすることで、急性期医療の医療機関に対する将来のニーズを把握することが可能となる。 Because the average length of hospital stay in S106 cannot be calculated for each age, the number of hospital patients for each MDC in the target area according to this equation (7) cannot also be calculated for each age. By making it possible to predict the number of hospital patients, it will be possible to grasp the future needs of medical institutions for acute care.
なお、本発明はこれらの実施形態のみに限られるものではなく、それぞれの実施形態の構成を適宜組み合わせて構成した実施形態も本発明の範疇となるものである。 Note that the present invention is not limited to these embodiments, and embodiments configured by appropriately combining the configurations of the respective embodiments also fall within the scope of the present invention.
２０…情報処理システム（コンピュータ）、２１…ＣＰＵ（中央演算部）、２２…ハードディスク（記憶手段）、２３…ＲＡＭ（一時記憶手段）、２４…インターフェイス、２５…入力手段、２６…モニター、２７…プリンター 20 ... Information processing system (computer), 21 ... CPU (central processing unit), 22 ... Hard disk (storage means), 23 ... RAM (temporary storage means), 24 ... Interface, 25 ... Input means, 26 ... Monitor, 27 ... printer
Claims (4)
第１データベースは、傷病別の患者数を算出可能なデータを記憶し、
第２データベースは、都道府県別の人口データ、メッシュ毎の人口関連データを記憶し、
第３データベースは、傷病・都道府県別の全発生患者数を算出可能なデータを記憶し、
第１処理は、第１データベースに基づいて算出された傷病別の患者数と、第２データベースに記憶する都道府県別の人口データに基づいて、傷病別の患者発生率を算出し、
第２処理は、第２データベースに記憶する都道府県別の人口データと、第１処理で算出された傷病別の患者発生率に基づいて、傷病・都道府県別の患者発生数を算出し、
第３処理は、第２処理で算出された傷病・都道府県別の発生患者数と、第３データベースに基づいて算出される傷病・都道府県別の全発生患者数に基づいて、傷病・都道府県別の補正係数を算出し、
第４処理は、入力された対象地域に対応するメッシュの人口関連データに基づいて、対象地域の人口を予測し、
第５処理は、第４処理で予測された対象地域の人口と、第１処理で算出された傷病別の患者発生率と、第３処理で算出された対象地域の都道府県に対応する傷病・都道府県別の補正係数に基づいて、対象地域の傷病別発生患者数を算出することを特徴とする
急性期医療需要予測システム。 Comprising storage means for storing the first to third databases, control means for executing the first to fifth processes, and input means for designating the target area,
The first database stores data capable of calculating the number of patients by injury and illness,
The second database stores population data by prefecture, population-related data for each mesh,
The third database stores data that can be used to calculate the total number of patients by disease / prefecture,
The first process calculates the patient incidence by injury and disease based on the number of patients by injury and disease calculated based on the first database and the population data by prefecture stored in the second database.
The second process calculates the number of patients by disease / prefecture based on the population data by prefecture stored in the second database and the patient incidence by wound / illness calculated in the first process.
The third process is based on the number of outbreaks by injury / illness / prefecture calculated in the second process and the total number of outbreaks by injury / illness / prefecture calculated based on the third database. Calculate another correction factor,
The fourth process predicts the population of the target area based on the mesh population related data corresponding to the input target area,
The fifth process consists of the population of the target area predicted in the fourth process, the patient incidence rate for each wound calculated in the first process, and the disease / illness corresponding to the prefecture in the target area calculated in the third process. An acute medical demand forecasting system that calculates the number of patients in each target area by injury and illness based on a correction factor for each prefecture.
第２データベースは、都道府県別の人口データを年齢別に記憶し、
第５処理は、対象地域の傷病別発生患者数を年齢別に算出することを特徴とする
請求項１に記載の急性期医療需要予測システム。 The first database stores data capable of calculating the number of patients by age,
The second database stores population data by prefecture by age,
5. The acute medical demand prediction system according to claim 1, wherein the fifth process calculates the number of patients in the target area according to age and disease.
制御手段は、第６、第７処理を実行し、
第６処理は、第３データベースに記憶する傷病・医療機関別の患者数と平均在院日数に基づいて、傷病・都道府県別の平均在院日数を算出し、
第７処理は、第５処理で算出された対象地域の傷病別発生患者数と、第６処理で断出された対象地域の都道府県に対応する傷病・都道府県別の平均在院日数に基づいて、対象地域の傷病別在院患者数を算出することを特徴とする
請求項１または請求項２に記載の急性期医療需要予測システム。 The third database stores the number of patients and average length of hospital stay for each sick and medical institution,
The control means executes the sixth and seventh processes,
The sixth process calculates the average length of hospitalization by injury / illness / prefecture based on the number of patients and average length of hospitalization by injury / illness / medical institution stored in the third database,
The seventh process is based on the number of patients in each target area calculated in the fifth process, and the average number of days of hospitalization by wound / disease / prefecture corresponding to the prefecture in the target area determined in the sixth process. The acute medical demand forecasting system according to claim 1 or 2, wherein the number of inpatients classified by injury and disease in the target area is calculated.
第１データベースは、傷病別の患者数を算出可能なデータを記憶し、
第２データベースは、都道府県別の人口データ、メッシュ毎の人口関連データを記憶し、
第３データベースは、傷病・都道府県別の全発生患者数を算出可能なデータを記憶し、
第１処理は、第１データベースに基づいて算出された傷病別の患者数と、第２データベースに記憶する都道府県別の人口データに基づいて、傷病別の患者発生率を算出し、
第２処理は、第２データベースに記憶する都道府県別の人口データと、第１処理で算出された傷病別の患者発生率に基づいて、傷病・都道府県別の患者発生数を算出し、
第３処理は、第２処理で算出された傷病・都道府県別の発生患者数と、第３データベースに基づいて算出される傷病・都道府県別の全発生患者数に基づいて、傷病・都道府県別の補正係数を算出し、
第４処理は、入力された対象地域に対応するメッシュの人口関連データに基づいて、対
象地域の人口を予測し、
第５処理は、第４処理で予測された対象地域の人口と、第１処理で算出された傷病別の患者発生率と、第３処理で算出された対象地域の都道府県に対応する傷病・都道府県別の補正係数に基づいて、対象地域の傷病別発生患者数を算出することを特徴とする
急性期医療需要予測プログラム。 Based on the data stored in the first to third databases, an acute medical demand prediction program capable of calculating the first to fifth processes by a computer,
The first database stores data capable of calculating the number of patients by injury and illness,
The second database stores population data by prefecture, population-related data for each mesh,
The third database stores data that can be used to calculate the total number of patients by disease / prefecture,
The first process calculates the patient incidence by injury and disease based on the number of patients by injury and disease calculated based on the first database and the population data by prefecture stored in the second database.
The second process calculates the number of patients by disease / prefecture based on the population data by prefecture stored in the second database and the patient incidence by wound / illness calculated in the first process.
The third process is based on the number of outbreaks by injury / illness / prefecture calculated in the second process and the total number of outbreaks by injury / illness / prefecture calculated based on the third database. Calculate another correction factor,
The fourth process predicts the population of the target area based on the mesh population related data corresponding to the input target area,
The fifth process consists of the population of the target area predicted in the fourth process, the patient incidence rate for each wound calculated in the first process, and the disease / illness corresponding to the prefecture in the target area calculated in the third process. An acute medical demand forecasting program characterized by calculating the number of patients in each target area based on the correction factor for each prefecture.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012027193A JP5737591B2 (en) | 2012-02-10 | 2012-02-10 | Acute medical demand forecasting system and acute medical demand forecasting program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012027193A JP5737591B2 (en) | 2012-02-10 | 2012-02-10 | Acute medical demand forecasting system and acute medical demand forecasting program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2013164721A JP2013164721A (en) | 2013-08-22 |
| JP5737591B2 true JP5737591B2 (en) | 2015-06-17 |
Family
ID=49176035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012027193A Active JP5737591B2 (en) | 2012-02-10 | 2012-02-10 | Acute medical demand forecasting system and acute medical demand forecasting program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5737591B2 (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017004419A (en) * | 2015-06-15 | 2017-01-05 | 清水建設株式会社 | Medical data analysis system and medical data analysis program |
| JP6697621B1 (en) * | 2019-09-26 | 2020-05-20 | 株式会社インテージヘルスケア | Estimating device, estimating system, estimating method, and program |
| CN113539509B (en) * | 2020-04-21 | 2022-06-07 | 香港理工大学深圳研究院 | Method, device, terminal equipment and medium for predicting risk of newly-developed infectious disease |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006252092A (en) * | 2005-03-10 | 2006-09-21 | Shimizu Corp | Acute care demand prediction system of medical institution |
| JP2007141165A (en) * | 2005-11-22 | 2007-06-07 | Chugoku Electric Power Co Inc:The | Reservation time guidance system, reservation time guidance method and program |
| JP2008299392A (en) * | 2007-05-29 | 2008-12-11 | Takenaka Komuten Co Ltd | System for determining number of sickbed in medical institution and method for evaluating medical center using the same system |
-
2012
- 2012-02-10 JP JP2012027193A patent/JP5737591B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2013164721A (en) | 2013-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yaghoubi et al. | The projected economic and health burden of uncontrolled asthma in the United States | |
| Ivorra et al. | Be-codis: A mathematical model to predict the risk of human diseases spread between countries—validation and application to the 2014–2015 ebola virus disease epidemic | |
| Zhang et al. | The impact of client choice on preventive healthcare facility network design | |
| Cardoso et al. | Modeling the demand for long-term care services under uncertain information | |
| Houle et al. | Household context and child mortality in rural South Africa: the effects of birth spacing, shared mortality, household composition and socio-economic status | |
| Comas-Herrera et al. | Future costs of dementia-related long-term care: exploring future scenarios | |
| Mueller et al. | Patients' functioning as predictor of nursing workload in acute hospital units providing rehabilitation care: a multi-centre cohort study | |
| Amouzou et al. | How well does LiST capture mortality by wealth quintile? A comparison of measured versus modelled mortality rates among children under-five in Bangladesh | |
| JP6159872B2 (en) | Medical data analysis system, medical data analysis method, and storage medium | |
| Zhang et al. | Trends and projections of universal health coverage indicators in Ghana, 1995-2030: A national and subnational study | |
| Norström et al. | Per capita alcohol consumption and alcohol-related harm in Belarus, 1970–2005 | |
| JP5737591B2 (en) | Acute medical demand forecasting system and acute medical demand forecasting program | |
| JP6282783B2 (en) | Analysis system and analysis method | |
| Gilmour et al. | Burden of disease in Japan: using national and subnational data to inform local health policy | |
| JP2006252092A (en) | Acute care demand prediction system of medical institution | |
| de Cos Juez et al. | Application of neural networks to the study of the influence of diet and lifestyle on the value of bone mineral density in post-menopausal women | |
| Goli et al. | Economic returns of family planning and fertility decline in India, 1991–2061 | |
| Dolot et al. | Impact of out-of-pocket expenditure on physical therapy utilization for nonspecific low back pain: secondary analysis of the medical expenditure panel survey data | |
| van Eijndhoven et al. | Modeling the impact of patient treatment preference on health outcomes in relapsing-remitting multiple sclerosis | |
| Hossain et al. | The influence of rurality on the volume of non-urgent emergency department visits | |
| Zhang et al. | The role of socioeconomic status gradients for the child's developmental health | |
| JP2006146762A (en) | Patient number prediction system for medical institution | |
| JP2020035322A (en) | Medical care demand prediction system and medical care demand prediction program | |
| Shagam | Untangling factors associated with country-specific COVID-19 incidence, mortality and case fatality rates during the first quarter of 2020 | |
| Jones | The development of the Economic impacts of Smoking In Pregnancy (ESIP) model for measuring the impacts of smoking and smoking cessation during pregnancy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140730 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20150218 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150325 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150408 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5737591 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |