JP7467033B2

JP7467033B2 - Medical information processing device

Info

Publication number: JP7467033B2
Application number: JP2019108388A
Authority: JP
Inventors: 佑介狩野; 杏莉佐藤
Original assignee: Canon Medical Systems Corp
Current assignee: Canon Medical Systems Corp
Priority date: 2018-07-04
Filing date: 2019-06-11
Publication date: 2024-04-15
Anticipated expiration: 2039-06-11
Also published as: JP2020013555A

Description

本発明の実施形態は、診療情報処理装置に関する。 An embodiment of the present invention relates to a medical information processing device.

従来、医療の現場では、心不全等の突発的な病状急変が患者に発生することがある。例えば、患者が先天性心疾患患児である場合には、予期せぬ突発的な病状急変に遭遇することは稀ではない。このような病状急変は、後から病状やカルテを振り返ればその前兆が認められることもあるが、実際の診断時点では気付けないことも多い。 Traditionally, in the medical field, patients may experience sudden changes in their condition, such as heart failure. For example, when a patient is a child with congenital heart disease, it is not uncommon to encounter an unexpected sudden change in condition. Although warning signs of such a sudden change in condition may be recognized by reviewing the patient's symptoms and medical records later, it is often not noticed at the time of actual diagnosis.

この原因としては、例えば、小児の診療データが、基準値の高さや月齢及び年齢によるベースラインの違いによって、生データの観察では変化が見えづらいことが挙げられる。また、例えば、小児の診療データは、体動や啼泣の影響をセンサが拾いやすいためにデータの外れ値が多く、単純な閾値等での病状悪化の検出では誤検出が多く発生するという問題もある。 One reason for this is that, for example, in pediatric medical data, changes are difficult to see by observing raw data due to differences in baselines based on the height of the reference value and on the age of the patient in months and years. In addition, for example, in pediatric medical data, sensors tend to pick up the effects of body movement and crying, leading to many outliers in the data, and there is also the problem that detecting a worsening condition using a simple threshold value often results in many false positives.

特表２０１５－５０１０５８号公報JP 2015-501058 A

本発明が解決しようとする課題は、病状急変の前兆をより正確に予測することである。 The problem that this invention aims to solve is to more accurately predict the signs of a sudden change in a patient's condition.

実施形態に係る診療情報処理装置は、取得部と、生成部とを備える。取得部は、被検体に関する診療データのうち、前記被検体の所定の状態変化の発生時点から所定期間だけ遡った時点以前の特定の期間内の診療データを取得する。生成部は、前記特定の期間内の診療データに関する情報に基づいて、予測対象の被検体に関する診療の実施時点から前記所定期間後における当該被検体の前記所定の状態変化の発生に関する情報を出力する学習済みモデルを生成するための学習用データを生成する。 The medical information processing device according to the embodiment includes an acquisition unit and a generation unit. The acquisition unit acquires, from among medical data relating to a subject, medical data within a specific period prior to a point a specific period prior to the occurrence of a specific change in the subject's condition. The generation unit generates learning data for generating a trained model that outputs information relating to the occurrence of the specific change in the subject's condition within the specific period after the time medical treatment for the subject to be predicted is performed, based on information relating to the medical data within the specific period.

図１は、第１の実施形態に係る診療情報処理装置の構成例を示す図である。FIG. 1 is a diagram illustrating an example of the configuration of a medical information processing apparatus according to the first embodiment. 図２は、第１の実施形態に係る処理回路によって行われる学習時及び運用時の処理を示す図である。FIG. 2 is a diagram showing processes during learning and operation performed by the processing circuit according to the first embodiment. 図３は、第１の実施形態に係る診療データの一例として用いられるＮＥＷＳを示す図である。FIG. 3 is a diagram showing NEWS used as an example of medical data according to the first embodiment. 図４は、第１の実施形態に係る診療データの一例として用いられる管理図の異常判定ルールの一例を示す図である。FIG. 4 is a diagram showing an example of an abnormality determination rule for a control chart used as an example of medical data according to the first embodiment. 図５は、第１の実施形態に係る処理回路によって行われる学習時の処理に関する第１の例を示す図である。FIG. 5 is a diagram showing a first example of a process during learning performed by the processing circuit according to the first embodiment. 図６は、第１の実施形態に係る処理回路によって行われる学習時の処理に関する第２の例を示す図である。FIG. 6 is a diagram showing a second example of the process during learning performed by the processing circuit according to the first embodiment. 図７は、第１の実施形態に係る処理回路によって行われる学習時の処理に関する第３の例を示す図である。FIG. 7 is a diagram showing a third example of the process during learning performed by the processing circuit according to the first embodiment. 図８は、第１の実施形態に係る制御機能によってディスプレイに表示される画面の一例を示す図である。FIG. 8 is a diagram showing an example of a screen displayed on a display by the control function according to the first embodiment. 図９は、第１の実施形態に係る診療情報処理装置によって行われる学習時の処理の処理手順を示すフローチャートである。FIG. 9 is a flowchart showing the procedure of the learning process performed by the medical information processing apparatus according to the first embodiment. 図１０は、第１の実施形態に係る診療情報処理装置によって行われる運用時の処理の処理手順を示すフローチャートである。FIG. 10 is a flowchart showing the processing procedure of the processing during operation performed by the medical information processing apparatus according to the first embodiment. 図１１は、第２の実施形態に係る処理回路によって行われる学習時及び運用時の処理を示す図である。FIG. 11 is a diagram showing the processes during learning and operation performed by the processing circuit according to the second embodiment. 図１２は、第２の実施形態に係る処理回路によって行われる学習時の処理に関する例を示す図である。FIG. 12 is a diagram showing an example of a process during learning performed by the processing circuit according to the second embodiment. 図１３は、第２の実施形態に係る処理回路によって行われる学習時の処理に関する例を示す図である。FIG. 13 is a diagram showing an example of a process during learning performed by the processing circuit according to the second embodiment. 図１４は、第２の実施形態に係る診療情報処理装置によって行われる学習時の処理の処理手順を示すフローチャートである。FIG. 14 is a flowchart showing the procedure of a learning process performed by the medical information processing apparatus according to the second embodiment. 図１５は、第２の実施形態に係る診療情報処理装置によって行われる運用時の処理の処理手順を示すフローチャートである。FIG. 15 is a flowchart showing the procedure of processing during operation performed by the medical information processing apparatus according to the second embodiment.

以下、図面を参照しながら、診療情報処理装置の実施形態について詳細に説明する。なお、以下の実施形態では、被検体が患者である場合の例を説明する。 Below, an embodiment of the medical information processing device will be described in detail with reference to the drawings. Note that in the following embodiment, an example will be described in which the subject is a patient.

（第１の実施形態）
図１は、第１の実施形態に係る診療情報処理装置の構成例を示す図である。 First Embodiment
FIG. 1 is a diagram illustrating an example of the configuration of a medical information processing apparatus according to the first embodiment.

例えば、図１に示すように、本実施形態に係る診療情報処理装置１００は、ネットワーク２００を介して、電子カルテシステム３００や放射線部門システム４００、検体検査システム５００等と通信可能に接続される。例えば、診療情報処理装置１００及び各システムは病院等に設置され、院内ＬＡＮ等のネットワーク２００によって相互に接続される。 For example, as shown in FIG. 1, the medical information processing device 100 according to this embodiment is communicatively connected to an electronic medical record system 300, a radiology department system 400, a specimen testing system 500, and the like via a network 200. For example, the medical information processing device 100 and each system are installed in a hospital or the like, and are interconnected by a network 200 such as an in-hospital LAN.

電子カルテシステム３００は、患者に対して実施された処方や看護記録等に関する診療データを生成して管理するシステムである。放射線部門システム４００は、患者に対して実施されたバイタルや画像検査等に関する診療データを生成して管理するシステムである。検体検査システム５００は、患者に対して実施された検体検査等に関する診療データを生成して管理するシステムである。ここで、各システムは、患者に対して診療が行われるごとに、新しい診療データを生成し、生成した診療データを診療情報処理装置１００に送信する。例えば、各システムは、新しい診療データを生成するごとに、診療情報処理装置１００からの要求に応じて、又は、自発的に、生成した診療データを診療情報処理装置１００に送信する。 The electronic medical record system 300 is a system that generates and manages medical data related to prescriptions, nursing records, etc., performed on patients. The radiology department system 400 is a system that generates and manages medical data related to vital signs, imaging tests, etc., performed on patients. The specimen testing system 500 is a system that generates and manages medical data related to specimen tests, etc., performed on patients. Here, each system generates new medical data every time medical treatment is performed on a patient, and transmits the generated medical data to the medical information processing device 100. For example, each time new medical data is generated, each system transmits the generated medical data to the medical information processing device 100 in response to a request from the medical information processing device 100, or spontaneously.

診療情報処理装置１００は、ネットワーク２００を介して、電子カルテシステム３００、放射線部門システム４００、及び検体検査システム５００から各種の診療データを取得し、取得した診療データを用いて各種の情報処理を行う。例えば、診療情報処理装置１００は、ワークステーションやパーソナルコンピュータ、タブレット端末等のコンピュータ機器によって実現される。 The medical information processing device 100 acquires various medical data from the electronic medical record system 300, the radiology department system 400, and the specimen testing system 500 via the network 200, and performs various information processing using the acquired medical data. For example, the medical information processing device 100 is realized by computer equipment such as a workstation, a personal computer, or a tablet terminal.

具体的には、診療情報処理装置１００は、ＮＷ（network）インタフェース１１０と、記憶回路１２０と、入力インタフェース１３０と、ディスプレイ１４０と、処理回路１５０とを有する。 Specifically, the medical information processing device 100 has a NW (network) interface 110, a memory circuit 120, an input interface 130, a display 140, and a processing circuit 150.

ＮＷインタフェース１１０は、処理回路１５０に接続されており、診療情報処理装置１００と各システムとの間で行われる各種データの伝送及び通信を制御する。具体的には、ＮＷインタフェース１１０は、各システムから診療データを受信し、受信した診療データを処理回路１５０に出力する。例えば、ＮＷインタフェース１１０は、ネットワークカードやネットワークアダプタ、ＮＩＣ（Network Interface Controller）等によって実現される。 The NW interface 110 is connected to the processing circuit 150 and controls the transmission and communication of various data between the medical information processing device 100 and each system. Specifically, the NW interface 110 receives medical data from each system and outputs the received medical data to the processing circuit 150. For example, the NW interface 110 is realized by a network card, a network adapter, a NIC (Network Interface Controller), etc.

記憶回路１２０は、処理回路１５０に接続されており、各種データを記憶する。具体的には、記憶回路１２０は、各システムから受信した診療データを記憶する。例えば、記憶回路１２０は、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子や、ハードディスク、光ディスク等によって実現される。 The memory circuitry 120 is connected to the processing circuitry 150 and stores various data. Specifically, the memory circuitry 120 stores medical data received from each system. For example, the memory circuitry 120 is realized by a semiconductor memory element such as a random access memory (RAM) or a flash memory, a hard disk, an optical disk, etc.

入力インタフェース１３０は、処理回路１５０に接続されており、操作者から各種指示及び各種情報の入力操作を受け付ける。具体的には、入力インタフェース１３０は、操作者から受け付けた入力操作を電気信号へ変換して処理回路１５０に出力する。例えば、入力インタフェース１３０は、トラックボール、スイッチボタン、マウス、キーボード、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、及び音声入力回路等によって実現される。なお、本明細書において、入力インタフェース１３０は、マウス、キーボード等の物理的な操作部品を備えるものだけに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を制御回路へ出力する電気信号の処理回路も入力インタフェース１３０の例に含まれる。 The input interface 130 is connected to the processing circuit 150 and accepts various instructions and various information input operations from the operator. Specifically, the input interface 130 converts the input operation received from the operator into an electrical signal and outputs it to the processing circuit 150. For example, the input interface 130 is realized by a trackball, a switch button, a mouse, a keyboard, a touchpad that performs input operations by touching the operation surface, a touch screen in which a display screen and a touchpad are integrated, a non-contact input circuit using an optical sensor, and a voice input circuit. Note that in this specification, the input interface 130 is not limited to only those that have physical operating parts such as a mouse and a keyboard. For example, an electrical signal processing circuit that receives an electrical signal corresponding to an input operation from an external input device provided separately from the device and outputs this electrical signal to a control circuit is also included as an example of the input interface 130.

ディスプレイ１４０は、処理回路１５０に接続されており、各種情報及び各種画像を表示する。具体的には、ディスプレイ１４０は、処理回路１５０から送られる各種情報及び各種画像のデータを表示用の電気信号に変換して出力する。例えば、ディスプレイ１４０は、液晶モニタやＣＲＴ（Cathode Ray Tube）モニタ、タッチパネル等によって実現される。なお、ディスプレイ１４０は、表示部の実現手段の一例である。 The display 140 is connected to the processing circuit 150 and displays various information and images. Specifically, the display 140 converts the data of various information and images sent from the processing circuit 150 into electrical signals for display and outputs them. For example, the display 140 is realized by a liquid crystal monitor, a CRT (Cathode Ray Tube) monitor, a touch panel, etc. The display 140 is an example of a means for realizing the display unit.

処理回路１５０は、入力インタフェース１３０を介して操作者から受け付けた入力操作に応じて、診療情報処理装置１００の構成要素を制御する。具体的には、処理回路１５０は、ＮＷインタフェース１１０から出力される診療データを記憶回路１２０に記憶させる。また、処理回路１５０は、記憶回路１２０から診療データを読み出し、ディスプレイ１４０に表示する。 The processing circuitry 150 controls the components of the medical information processing device 100 in response to input operations received from an operator via the input interface 130. Specifically, the processing circuitry 150 stores the medical data output from the NW interface 110 in the memory circuitry 120. The processing circuitry 150 also reads out the medical data from the memory circuitry 120 and displays it on the display 140.

以上、本実施形態に係る診療情報処理装置１００の全体構成について説明した。このような構成のもと、本実施形態に係る診療情報処理装置１００は、患者に発生する所定の状態変化の前兆を予測するための機能を有している。ここでいう所定の状態変化は、例えば、診療上の好ましくない状態変化や望ましくない状態変化であり、具体的な例として、例えば、病状急変や、治療の副作用発生、術後感染のような治療対象の疾患とは直接関係のない理由での状態悪化等が含まれる。 The overall configuration of the medical information processing device 100 according to this embodiment has been described above. With this configuration, the medical information processing device 100 according to this embodiment has a function for predicting the signs of a specific condition change occurring in a patient. The specific condition change here is, for example, an undesirable or undesirable condition change in medical treatment, and specific examples include a sudden change in the condition, the occurrence of side effects from treatment, and a worsening of the condition for reasons that are not directly related to the disease being treated, such as a postoperative infection.

例えば、このような機能の一例として、血行動態悪化の自動モニタリングにおいて、誤検出によるアラート疲れを防ぐために、過去の所定の時間内のバイタルサイン不安定指標（ＶＩＸ）からその患者のＶＩＸ閾値を計算し、ＶＩＸ閾値が所定の割合を超える場合に、患者が悪化していると判定する技術が提案されている。この技術では、ＶＩＸを計算するモデルは、例えば、ロジスティック回帰モデル等であり、異なる患者部分母集団から、異なるパラメータに基づいて導出される。 For example, one example of such a function is a technology proposed for automatic monitoring of hemodynamic deterioration, which calculates a patient's vital sign instability index (VIX) threshold from the patient's VIX within a specified time period in the past, and determines that the patient is deteriorating if the VIX threshold exceeds a specified percentage, in order to prevent alert fatigue due to false positives. In this technology, the model for calculating the VIX is, for example, a logistic regression model, and is derived from different patient subpopulations based on different parameters.

しかしながら、このような病状悪化を予測するモデルは、バイタルサインや検体検査データなどをそのまま入力としているため、例えば、小児の診療データのように外れ値が多い診療データが用いられる場合には、誤検出が生じることがあり得る。また、このような病状悪化を予測するモデルは、病状悪化を判定するための閾値を過去の時間から計算しているが、閾値を計算しているデータが正常時のデータなのかを考慮していないため、正しく病状悪化が判定できないこともあり得る。 However, such models for predicting worsening conditions use vital signs and specimen test data as input as is, and so may result in false positives when medical data with many outliers, such as pediatric medical data, is used. In addition, such models for predicting worsening conditions calculate a threshold value for determining whether the condition has worsened from past time, but do not take into account whether the data used to calculate the threshold value is normal data, and so may not be able to correctly determine whether the condition has worsened.

このようなことから、本実施形態に係る診療情報処理装置１００は、患者の所定の状態変化の前兆をより正確に予測することができるように構成されている。なお、本実施形態では、所定の状態変化を、病状急変とした場合の例を説明する。 For this reason, the medical information processing device 100 according to this embodiment is configured to more accurately predict the signs of a specific change in a patient's condition. Note that in this embodiment, an example will be described in which the specific change in condition is a sudden change in the patient's condition.

具体的には、診療情報処理装置１００は、予測対象の患者に関する診療の実施時点以前の診療データに関する情報の入力を受け付けて当該実施時点から所定期間後における当該患者の病状急変の発生に関する情報を出力する学習済みモデルを用いて、病状急変の前兆を予測する。 Specifically, the medical information processing device 100 predicts the signs of a sudden change in the patient's condition using a trained model that accepts input of information related to medical data prior to the time medical treatment for the patient being predicted is performed and outputs information related to the occurrence of a sudden change in the patient's condition a specified period after the time of the treatment.

本実施形態では、診療情報処理装置１００は、予測対象の患者に関する診療の実施時点以前の特定の期間内の診療データに関する情報の入力を受け付けて当該患者に病状急変が発生する確率を出力する学習済みモデル（予測モデル）を構築する。そして、診療情報処理装置１００は、患者に対する診療が行われるごとに、構築した学習済みモデルを用いて、当該患者の病状急変の発生を予測する。ここで、本実施形態では、学習済みモデルに入力される情報は、上記特定の期間内の診療データから算出された統計的特徴量である。 In this embodiment, the medical information processing device 100 constructs a trained model (prediction model) that accepts input of information related to medical data within a specific period prior to the time medical treatment is performed for the patient to be predicted, and outputs the probability that the patient will experience a sudden change in his/her condition. Then, each time medical treatment is performed for the patient, the medical information processing device 100 predicts the occurrence of a sudden change in the patient's condition using the trained model that has been constructed. Here, in this embodiment, the information input to the trained model is a statistical feature calculated from the medical data within the specific period.

このような構成によれば、本実施形態では、特定の期間内の診療データから算出された統計的特徴量を用いることで、例えば、小児の診療データのように外れ値が多いデータが用いられる場合でも、心不全等の病状急変の前兆をより正確に予測することができる。以下、このような診療情報処理装置１００の構成について詳細に説明する。 In this configuration, in this embodiment, by using statistical features calculated from medical data within a specific period, it is possible to more accurately predict the signs of a sudden change in the condition of a patient, such as heart failure, even when data with many outliers, such as pediatric medical data, is used. The configuration of this medical information processing device 100 will be described in detail below.

なお、本実施形態では、診療情報処理装置１００が、日単位で患者の病状急変の発生を予測する場合の例を説明する。すなわち、本実施形態では、学習済みモデルが、予測対象の患者に関する診療の実施日又は当該実施日以前の対象期間内の診療データに関する情報の入力を受け付けて、当該実施日から所定日数後における当該患者の病状急変の発生に関する情報を出力する場合の例を説明する。また、本実施形態では、病状急変の発生に関する情報が、病状急変が発生する確率である場合の例を説明する。 In this embodiment, an example is described in which the medical information processing device 100 predicts the occurrence of a sudden change in a patient's condition on a daily basis. That is, in this embodiment, an example is described in which the trained model accepts input of information regarding medical data on the date of treatment for the patient to be predicted or within a target period prior to the date of treatment, and outputs information regarding the occurrence of a sudden change in the patient's condition a specified number of days after the date of treatment. Also, in this embodiment, an example is described in which the information regarding the occurrence of a sudden change in the condition is the probability of the sudden change in the condition occurring.

まず、本実施形態では、記憶回路１２０が、予測対象の患者に関する診療の実施日又は当該実施日以前の対象期間内の統計的特徴量の入力を受け付けて当該実施日から所定日数後に当該患者に病状急変が発生する確率を出力するように機能付けられた学習済みモデルを記憶する。なお、記憶回路１２０は、記憶部の一例である。 First, in this embodiment, the memory circuitry 120 stores a trained model that is functionalized to accept input of statistical features on the date of treatment for the patient to be predicted or within a target period prior to the date of treatment, and to output the probability that the patient will experience a sudden change in condition a predetermined number of days after the date of treatment. Note that the memory circuitry 120 is an example of a memory unit.

また、本実施形態では、処理回路１５０が、第１の取得機能１５１と、第２の取得機能１５２と、生成機能１５３と、学習機能１５４と、制御機能１５５とを有する。なお、第１の取得機能１５１は、第１の取得部の一例である。また、第２の取得機能１５２は、第２の取得部及び取得部の一例である。また、生成機能１５３は、生成部の一例である。また、学習機能１５４は、学習部の一例である。また、制御機能１５５は、制御部の一例である。 In this embodiment, the processing circuit 150 has a first acquisition function 151, a second acquisition function 152, a generation function 153, a learning function 154, and a control function 155. The first acquisition function 151 is an example of a first acquisition unit. The second acquisition function 152 is an example of a second acquisition unit and an acquisition unit. The generation function 153 is an example of a generation unit. The learning function 154 is an example of a learning unit. The control function 155 is an example of a control unit.

第１の取得機能１５１は、患者に関する診療データを取得する。 The first acquisition function 151 acquires medical data related to the patient.

具体的には、第１の取得機能１５１は、電子カルテシステム３００、放射線部門システム４００、及び検体検査システム５００によって新しい診療データが生成されるごとに、生成された診療データを各システムから取得し、記憶回路１２０に記憶させる。これにより、電子カルテシステム３００、放射線部門システム４００、及び検体検査システム５００によって生成された診療データが、記憶回路１２０に随時追加され、蓄積される。 Specifically, each time new medical data is generated by the electronic medical record system 300, the radiology department system 400, and the specimen testing system 500, the first acquisition function 151 acquires the generated medical data from each system and stores it in the memory circuitry 120. As a result, the medical data generated by the electronic medical record system 300, the radiology department system 400, and the specimen testing system 500 is added to and accumulated in the memory circuitry 120 as needed.

そして、本実施形態では、処理回路１５０は、上述した学習済みモデルを生成する学習時の処理と、生成された学習済みモデルを利用する運用時の処理とを行う。ここで、例えば、処理回路１５０は、予め決められたタイミング（例えば、予め決められた時間間隔で定期的に）又は操作者から学習開始の指示を受け付けたタイミングで、学習時の処理を行う。また、例えば、処理回路１５０は、電子カルテシステム３００、放射線部門システム４００、及び検体検査システム５００から新しい診療データを取得したタイミングで、運用時の処理を行う。 In this embodiment, the processing circuit 150 performs a learning process to generate the above-mentioned trained model, and an operation process to use the generated trained model. Here, for example, the processing circuit 150 performs the learning process at a predetermined timing (for example, periodically at a predetermined time interval) or when an instruction to start learning is received from an operator. Also, for example, the processing circuit 150 performs an operation process when new medical data is obtained from the electronic medical record system 300, the radiology department system 400, and the specimen testing system 500.

図２は、第１の実施形態に係る処理回路１５０によって行われる学習時及び運用時の処理を示す図である。 Figure 2 is a diagram showing the processing performed by the processing circuit 150 during learning and operation according to the first embodiment.

まず、学習時の処理について説明する。 First, let me explain the learning process.

学習時には、第２の取得機能１５２が、患者に関する診療データのうち、病状急変の発生時点から所定期間だけ遡った時点以前の特定の期間内の診療データを取得する。 During learning, the second acquisition function 152 acquires medical data relating to the patient from a specific period of time prior to the occurrence of the sudden change in the patient's condition, a predetermined period of time prior to that point.

例えば、図２の上側に示すように、学習時には、第２の取得機能１５２は、患者に関する病状急変の有無を示す急変情報と、患者に関する診療データのうち、病状急変の発生日から所定日数だけ遡った日又は当該遡った日以前の対象期間内の診療データとを取得する。 For example, as shown in the upper part of FIG. 2, during learning, the second acquisition function 152 acquires sudden change information indicating whether or not there has been a sudden change in the patient's condition, and medical data relating to the patient that is within a target period that is a predetermined number of days prior to the date on which the sudden change in the patient's condition occurred, or that is prior to that date.

具体的には、第２の取得機能１５２は、予め決められたタイミング又は操作者から学習開始の指示を受け付けたタイミングで、記憶回路１２０に蓄積されている複数の患者の診療データを取得し、さらに、診療データを取得した患者に関する病状急変の有無を示す急変情報を取得する。ここで、急変情報は、記憶回路１２０に患者ごとに記憶されており、各患者に病状急変が発生した際に、後述する制御機能１５５によって更新される。 Specifically, the second acquisition function 152 acquires the medical data of multiple patients stored in the memory circuitry 120 at a predetermined timing or when an instruction to start learning is received from the operator, and further acquires sudden change information indicating whether or not there has been a sudden change in the medical condition of the patient for whom the medical data has been acquired. Here, the sudden change information is stored in the memory circuitry 120 for each patient, and is updated by the control function 155 described below when a sudden change in the medical condition occurs for each patient.

そして、生成機能１５３が、第２の取得機能１５２によって取得された特定の期間内の診療データに関する情報に基づいて、予測対象の患者に関する診療の実施時点以前の特定の期間内の診療データに関する情報の入力を受け付けて当該実施時点から所定期間後における当該患者の病状急変の発生に関する情報を出力する学習済みモデルを生成するための学習用データを生成する。 Then, the generation function 153 generates learning data for generating a trained model that accepts input of information regarding medical data within a specific period prior to the time point at which medical treatment is performed for the patient to be predicted, based on information regarding the medical data within a specific period acquired by the second acquisition function 152, and outputs information regarding the occurrence of a sudden change in the patient's condition a specified period after the time point at which the treatment is performed.

例えば、生成機能１５３は、対象期間内の診療データから算出された統計的特徴量及び急変情報を含むデータを、予測対象の患者に関する診療の実施日又は当該実施日以前の対象期間内の統計的特徴量の入力を受け付けて当該実施日から所定日数後に当該患者に病状急変が発生する確率を出力する学習済みモデルを生成するための学習用データとして生成する。 For example, the generation function 153 generates data including statistical features and sudden change information calculated from medical data within a target period as learning data for generating a trained model that accepts input of statistical features within a target period on or before the date of medical treatment for a patient to be predicted, and outputs the probability that the patient will experience a sudden change in condition a specified number of days after the date of treatment.

具体的には、生成機能１５３は、第２の取得機能１５２によって取得された対象期間内の各種の診療データ（図２に示す診療データＡ、Ｂ、Ｃ等）から、診療データごとに、各種の統計的特徴量（図２に示す統計的特徴量ａ、ｂ、ｃ等）を算出する。そして、生成機能１５３は、算出した各種の統計的特徴量と、第２の取得機能１５２によって取得された急変情報とを患者ごとに対応付けたデータを学習用データとして生成する。 Specifically, the generation function 153 calculates various statistical features (such as statistical features a, b, c shown in FIG. 2) for each medical data from various medical data during the target period (such as medical data A, B, C shown in FIG. 2) acquired by the second acquisition function 152. The generation function 153 then generates data as learning data in which the calculated various statistical features are associated with the sudden change information acquired by the second acquisition function 152 for each patient.

ここで、診療データは、例えば、バイタルサインの計測値や、観察項目の計測値、検体検査の計測値、画像計測値等である。ここで、バイタルサインの計測値は、例えば、脈拍、血圧（収縮期血圧、拡張期血圧、平均血圧）、呼吸数、体温、ＳｐＯ₂（動脈血酸素飽和度）等である。また、観察項目の計測値は、体重、尿量、Ｉｎ／Ｏｕｔバランス（水分摂取量、水分***量、又は両者の差分）等である。また、検体検査の計測値は、例えば、Ｈｂ（ヘモグロビン）、ＢＮＰ（brain natriuretic peptide：ヒト脳性ナトリウム利尿ペプチド）、ＮＴｐｒｏＢＮＰ（N-terminal pro-brain natriuretic peptide：ヒト脳性ナトリウム利尿ペプチド前駆体Ｎ末端フラグメント）、ＨＡＮＰ（human atrial natriuretic peptide：ヒト心房性ナトリウム利尿ペプチド）、ＢＵＮ（尿素窒素）、Ｃｒｅ（血清クレアチニン）、Ｌａｃ（ラクテート）、ＢＥ（base excess：ベースエクセス）、ｐＯ₂（酸素分圧）、ｐＣＯ₂（二酸化炭素分圧）、ｐＨ（水素イオン濃度）等である。また、画像計測値は、例えば、胸部レントゲンの心胸郭比（ＣＴＲ：cardio-thoracic ratio）、心エコーの左室駆出率（ＬＶＥＦ：left ventricular ejection fraction）等である。 Here, the medical data includes, for example, measurements of vital signs, measurements of observation items, measurements of specimen tests, image measurements, etc. Here, the measurements of vital signs include, for example, pulse, blood pressure (systolic blood pressure, diastolic blood pressure, mean blood pressure), respiratory rate, body temperature, _SpO2 (arterial oxygen saturation), etc. Furthermore, the measurements of observation items include, for example, weight, urine volume, In/Out balance (water intake, water excretion, or the difference between the two), etc. The measurement values of the specimen test include, for example, Hb (hemoglobin), BNP (brain natriuretic peptide), NTproBNP (N-terminal pro-brain natriuretic peptide), HANP (human atrial natriuretic peptide), BUN (urea nitrogen), Cre (serum creatinine), Lac (lactate), BE (base excess), _pO2 (oxygen partial pressure), _pCO2 (carbon dioxide partial pressure), pH (hydrogen ion concentration), etc. The image measurement values include, for example, the cardio-thoracic ratio (CTR) of a chest X-ray, and the left ventricular ejection fraction (LVEF) of an echocardiogram.

なお、例えば、数値以外で表される診療データが、機械学習で用いられるカテゴリ変数として、学習データにさらに加えられてもよい。例えば、数値以外で表される診療データは、患者背景や、介入実施状況、スコア、ルールに関する情報である。ここで、患者背景に関する情報は、例えば、年齢、性別、病名等である。また、介入実施状況に関する情報は、例えば、投薬、呼吸管理等である。また、スコアに関する情報は、例えば、National Early Warning Score（ＮＥＷＳ）等である。また、ルールに関する情報は、例えば、品質管理等で用いられる管理図の異常判定ルール等である。 For example, medical data expressed as values other than numerical values may be added to the learning data as categorical variables used in machine learning. For example, medical data expressed as values other than numerical values is information related to the patient background, intervention implementation status, scores, and rules. Here, the information related to the patient background is, for example, age, sex, disease name, etc. Furthermore, the information related to the intervention implementation status is, for example, medication, respiratory management, etc. Furthermore, the information related to the score is, for example, the National Early Warning Score (NEWS), etc. Furthermore, the information related to the rules is, for example, anomaly determination rules for control charts used in quality control, etc.

図３は、第１の実施形態に係る診療データの一例として用いられるＮＥＷＳを示す図である。 Figure 3 is a diagram showing NEWS used as an example of medical data in the first embodiment.

例えば、図３に示すように、ＮＥＷＳは、患者に発生しているリスクのレベルを示すスコアであり、呼吸数（Respiration Rate）、酸素飽和度（Oxygen Saturations）、酸素投与（Any Supplemental Oxygen）、体温（Temperature）、収縮期血圧（Systolic BP（blood pressure））、心拍数（Heart Rate）、意識レベル（Level of Consciousness）の７種類の生理学的パラメータ（PHYSIOLOGICAL PARAMETERS）の値に応じて０～３の４段階に定義されている。 For example, as shown in Figure 3, NEWS is a score that indicates the level of risk occurring to a patient, and is defined as one of four levels (0 to 3) according to the values of seven PHYSIOLOGICAL PARAMETERS: respiration rate, oxygen saturations, any supplemental oxygen, temperature, systolic blood pressure (systolic BP), heart rate, and level of consciousness.

図４は、第１の実施形態に係る診療データの一例として用いられる管理図の異常判定ルールの一例を示す図である。 Figure 4 shows an example of an anomaly determination rule for a control chart used as an example of medical data according to the first embodiment.

例えば、図４に示すように、管理図の異常判定ルールは、連続する複数のデータ値における異常を判定するためのルールであり、異常とみなされるデータ値の分布を表す複数のパターンがそれぞれルールとして定義される。 For example, as shown in Figure 4, the anomaly determination rules for a control chart are rules for determining anomalies in multiple consecutive data values, and multiple patterns that represent the distribution of data values that are considered to be anomalous are each defined as a rule.

例えば、図４に示す例では、ルール１は、１個のデータ値が領域Ａを越えている（管理外れ）パターンであり、ルール２は、９個のデータ値が中心線に対して同じ側にある（連）パターンである。また、ルール３は、６個のデータ値が増加、又は減少している（上昇傾向／下降傾向）パターンであり、ルール４は、１４個のデータ値が交互に増減しているパターンである。また、ルール５は、連続する３個のデータ値中、２個のデータ値が領域Ａ又はそれを超えた領域にある（管理境界線に接近している）パターンであり、ルール６は、連続する５点中、４点が領域Ｂ又はそれを超えた領域にある（中心化傾向）パターンである。また、ルール７は、連続する１５点が領域Ｃに存在する（中心化傾向）パターンであり、ルール８は、連続する８点が領域Ｃを超えた領域にあるパターンである。管理図の異常判定ルールでは、このような複数のパターンのうちのいずれかにデータ値の分布が合致した場合に、異常であると判定される。 For example, in the example shown in FIG. 4, rule 1 is a pattern in which one data value exceeds area A (out of control), rule 2 is a pattern in which nine data values are on the same side of the center line (run). Rule 3 is a pattern in which six data values increase or decrease (upward trend/downward trend), and rule 4 is a pattern in which 14 data values increase and decrease alternately. Rule 5 is a pattern in which two of three consecutive data values are in area A or beyond it (approaching the control boundary line), and rule 6 is a pattern in which four of five consecutive points are in area B or beyond it (central tendency). Rule 7 is a pattern in which 15 consecutive points are in area C (central tendency), and rule 8 is a pattern in which eight consecutive points are in an area beyond area C. In the abnormality determination rules for the control chart, if the distribution of data values matches any of these multiple patterns, it is determined to be abnormal.

また、上述した各種の診療データから算出される統計的特徴量は、例えば、平均値、中心値、最頻値のような中心的傾向を表す特徴量や、最大値、最小値等である。また、例えば、統計的特徴量は、分散、標準偏差、四分位範囲、外れ値を除いた場合のデータの分布を箱ひげ図で表した場合にひげの長さで示される範囲、変動係数のようなバラつきを表す特徴量である。また、例えば、統計的特徴量は、尖度、歪度のような分布を表す特徴量である。また、例えば、統計的特徴量は、共分散、相関係数、自己相関のようなデータ間の関係性を表す統計量である。また、例えば、統計的特徴量は、パワースペクトルの特定周波数成分のような周波数に関する特徴量である。また、例えば、統計的特徴量は、患者の体調の良し悪しを段階的に定義したレベルのような看護記録に関するものでもよい。 The statistical features calculated from the various medical data described above are, for example, features that represent central tendencies such as the mean, median, and mode, as well as maximum and minimum values. For example, the statistical features are features that represent variation such as variance, standard deviation, interquartile range, the range indicated by the length of the whiskers when the distribution of data excluding outliers is represented in a box-and-whisker plot, and the coefficient of variation. For example, the statistical features are features that represent distribution such as kurtosis and skewness. For example, the statistical features are statistics that represent relationships between data such as covariance, correlation coefficient, and autocorrelation. For example, the statistical features are features related to frequencies such as specific frequency components of a power spectrum. For example, the statistical features may be related to nursing records such as levels that define the good and bad physical condition of a patient.

なお、統計的特徴量は、上述した特徴量に基づいて計算される特徴量であってもよい。例えば、統計的特徴量は、変化量、変化率、二階差分のような時間的変化を表す特徴量である。また、例えば、統計的特徴量は、単純移動平均、加重移動平均、指数移動平均のような時間的変化のトレンドを表す特徴量である。 The statistical feature may be a feature calculated based on the above-mentioned feature. For example, the statistical feature is a feature representing a change over time, such as the amount of change, the rate of change, or the second-order difference. Also, for example, the statistical feature is a feature representing a trend of a change over time, such as a simple moving average, a weighted moving average, or an exponential moving average.

そして、学習機能１５４が、患者に関する診療の実施時点以前の診療データに関する情報及び当該患者に関する所定の状態変化の発生に関する情報を学習用データとした機械学習によって、前述した学習済みモデルを生成する。 Then, the learning function 154 generates the above-mentioned trained model by machine learning using information on medical data relating to the patient before the time of medical treatment and information on the occurrence of a specified change in condition relating to the patient as training data.

例えば、学習機能１５４は、患者に関する対象期間内の診療データから算出された統計的特徴量及び当該患者に関する病状急変の有無を示す急変情報を学習用データとした機械学習によって、前述した学習済みモデルを生成する。 For example, the learning function 154 generates the above-mentioned trained model by machine learning using statistical features calculated from medical data for a patient during a target period and sudden change information indicating whether or not the patient's condition has suddenly changed as training data.

具体的には、学習機能１５４は、生成機能１５３によって生成された学習用データを用いて、ロジスティック回帰、Neural Network等のアルゴリズムに基づく機械学習を行うことによって、学習済みモデルを生成する。そして、学習機能１５４は、生成した学習済みモデルを記憶回路１２０に記憶させる。このとき、学習機能１５４は、以前に作成した学習済みモデルが既に記憶回路１２０に記憶されていた場合には、記憶されている学習済みモデルを新しく作成した学習済みモデルで置き換える。 Specifically, the learning function 154 generates a trained model by performing machine learning based on algorithms such as logistic regression and neural network using the learning data generated by the generation function 153. Then, the learning function 154 stores the generated trained model in the memory circuitry 120. At this time, if a previously created trained model has already been stored in the memory circuitry 120, the learning function 154 replaces the stored trained model with the newly created trained model.

ここで、本実施形態に係る処理回路１５０によって行われる学習時の処理に関する具体的な例を説明する。なお、ここでは、前述した所定日数を６日とし、病状急変が発生する確率を当該病状急変の６日前に予測する場合の例を説明する。この場合には、学習機能１５４によって、予測対象の患者に関する診療の実施日から６日後に当該患者に病状急変が発生する確率を出力するように機能付けられた学習モデルが生成される。 Here, a specific example of the processing during learning performed by the processing circuit 150 according to this embodiment will be described. Note that here, an example will be described in which the aforementioned predetermined number of days is six days, and the probability of a sudden change in the patient's condition occurring six days before the sudden change in the patient's condition occurs. In this case, the learning function 154 generates a learning model that is functionalized to output the probability of a sudden change in the patient's condition occurring six days after the date of medical treatment for the patient to be predicted.

図５は、第１の実施形態に係る処理回路１５０によって行われる学習時の処理に関する第１の例を示す図である。 Figure 5 is a diagram showing a first example of the processing during learning performed by the processing circuit 150 according to the first embodiment.

ここで、第１の例は、対象期間を、病状急変の発生日から６日だけ遡った日に含まれる一定期間とした場合の例である。なお、ここでは、一定期間を１日間とした場合の例を説明するが、一定期間は１日間に限られず、例えば、１２時間や１週間であってもよい。 The first example is a case where the target period is a fixed period that is included in the period six days prior to the date of the sudden change in the patient's condition. Note that, although an example where the fixed period is one day is described here, the fixed period is not limited to one day and may be, for example, 12 hours or one week.

この場合には、例えば、図５に示すように、第２の取得機能１５２は、患者に関する診療データＡ及び診療データＢそれぞれについて、病状急変の発生日から６日だけ遡った日の１日間の診療データと、当該患者に関する病状急変の有無を示す急変情報とを取得する。 In this case, for example, as shown in FIG. 5, the second acquisition function 152 acquires, for each of the medical data A and B relating to the patient, one day of medical data going back six days from the day of the sudden change in the patient's condition, and sudden change information indicating whether or not the patient's condition has suddenly changed.

そして、生成機能１５３は、診療データＡ及び診療データＢそれぞれについて、第２の取得機能１５２によって取得された１日間の診療データから、中央値、四分位範囲等の各種の統計的特徴量を算出する。また、生成機能１５３は、算出した統計的特徴量と、第２の取得機能１５２によって取得された急変情報とを患者ごとに対応付けたデータを学習用データとして生成する。 Then, the generation function 153 calculates various statistical features such as the median and the interquartile range from the one-day medical data acquired by the second acquisition function 152 for each of the medical data A and the medical data B. The generation function 153 also generates data that associates the calculated statistical features with the sudden change information acquired by the second acquisition function 152 for each patient as learning data.

そして、学習機能１５４は、生成機能１５３によって生成された学習用データを用いて、ロジスティック回帰、Neural Network等のアルゴリズムに基づく機械学習を行うことによって、学習済みモデルを生成する。 Then, the learning function 154 uses the learning data generated by the generation function 153 to perform machine learning based on algorithms such as logistic regression and neural network to generate a trained model.

これにより、第１の例では、予測対象の患者に関する診療の実施日の１日間の統計的特徴量の入力を受け付けて当該実施日から６日後に当該患者に病状急変が発生する確率を出力する学習済みモデルが生成される。 As a result, in the first example, a trained model is generated that accepts input of statistical features for one day on the day of medical treatment for the patient to be predicted, and outputs the probability that the patient will experience a sudden change in condition six days after the treatment date.

図６は、第１の実施形態に係る処理回路１５０によって行われる学習時の処理に関する第２の例を示す図である。 Figure 6 is a diagram showing a second example of the processing during learning performed by the processing circuit 150 according to the first embodiment.

ここで、第２の例は、対象期間を、病状急変の発生日から６日だけ遡った日以前の異なる期間とし、各期間を、病状急変の発生日から６日だけ遡った日の一定期間を含むように設定した場合の例である。なお、ここでは、一定期間を１日間とした場合の例を説明するが、一定期間は１日間に限られず、例えば、１２時間や１週間であってもよい。 Here, the second example is an example in which the target periods are different periods up to and including a day six days prior to the day on which the sudden change in condition occurred, and each period is set to include a certain period six days prior to the day on which the sudden change in condition occurred. Note that, although an example in which the certain period is one day is described here, the certain period is not limited to one day, and may be, for example, 12 hours or one week.

この場合には、例えば、図６に示すように、第２の取得機能１５２は、患者に関する診療データＡ及び診療データＢそれぞれについて、病状急変の発生日から６日だけ遡った日の１日間の診療データと、６日だけ遡った日及びその前日の２日間の診療データと、６日だけ遡った日、その前日及び前々日の３日間の診療データと、当該患者に関する病状急変の有無を示す急変情報とを取得する。 In this case, for example, as shown in FIG. 6, the second acquisition function 152 acquires, for each of the medical data A and B relating to the patient, one day of medical data going back six days from the day on which the sudden change in the patient's condition occurred, two days of medical data going back six days and the day before that, and three days of medical data going back six days, the day before that, and the day before that, as well as sudden change information indicating whether or not there has been a sudden change in the patient's condition.

そして、生成機能１５３は、診療データＡ及び診療データＢそれぞれについて、第２の取得機能１５２によって取得された１日間の診療データ、２日間の診療データ、及び３日間の診療データそれぞれから、中央値、四分位範囲等の各種の統計的特徴量を算出する。また、生成機能１５３は、算出した統計的特徴量と、第２の取得機能１５２によって取得された急変情報とを患者ごとに対応付けたデータを学習用データとして生成する。 The generation function 153 then calculates various statistical features such as the median and interquartile range from the one-day, two-day, and three-day medical data acquired by the second acquisition function 152 for each of the medical data A and medical data B. The generation function 153 also generates data as learning data in which the calculated statistical features are associated with the sudden change information acquired by the second acquisition function 152 for each patient.

これにより、第２の例では、予測対象の患者に関する診療の実施日の１日間の統計的特徴量、その前日を含む２日間の統計的特徴量、及び、さらに前々日を含む３日間の統計的特徴量の入力を受け付けて当該実施日から６日後に当該患者に病状急変が発生する確率を出力する学習済みモデルが生成される。 As a result, in the second example, a trained model is generated that accepts input of statistical features for one day on the day of treatment for the patient to be predicted, statistical features for two days including the day before that, and statistical features for three days including the day before that, and outputs the probability that the patient's condition will suddenly change six days after the treatment date.

図７は、第１の実施形態に係る処理回路１５０によって行われる学習時の処理に関する第３の例を示す図である。 Figure 7 is a diagram showing a third example of the processing during learning performed by the processing circuit 150 according to the first embodiment.

ここで、第３の例は、対象期間を、病状急変の発生日から６日だけ遡った日以前の複数の異なる期間の中から統計的特徴量に応じて選択された期間とした場合の例である。なお、ここでは、各期間を１日間とした場合の例を説明するが、各期間は１日間に限られず、例えば、１２時間や１週間であってもよい。 Here, the third example is an example in which the target period is a period selected from a number of different periods preceding the day six days prior to the day on which the sudden change in the condition occurred, according to the statistical features. Note that, although an example in which each period is one day is described here, each period is not limited to one day, and may be, for example, 12 hours or one week.

この場合には、例えば、図７に示すように、第２の取得機能１５２は、患者に関する診療データＡ及び診療データＢそれぞれについて、病状急変の発生日から６日だけ遡った日の１日間の診療データと、７日だけ遡った日の１日間の診療データと、８日だけ遡った日の１日間の診療データと、当該患者に関する病状急変の有無を示す急変情報とを取得する。なお、ここでは、連続した３日間の診療データを取得する場合の例を説明するが、診療データを取得する期間は必ずしも連続している必要はなく、不連続な期間であってもよい。 In this case, as shown in FIG. 7, for example, the second acquisition function 152 acquires, for each of the medical data A and B relating to the patient, one day of medical data going back six days from the day of the sudden change in the patient's condition, one day of medical data going back seven days, one day of medical data going back eight days, and sudden change information indicating whether or not there has been a sudden change in the patient's condition. Note that, although an example of acquiring medical data for three consecutive days is described here, the period for acquiring medical data does not necessarily have to be consecutive and may be a discontinuous period.

そして、生成機能１５３は、診療データＡ及び診療データＢそれぞれについて、第２の取得機能１５２によって取得された６日前の１日間の診療データ、７日前の１日間の診療データ、及び８日前の１日間の診療データそれぞれから、中央値、四分位範囲等の各種の統計的特徴量を算出する。その後、生成機能１５３は、算出された各種の統計的特徴量ごとに、３つの期間のうちのいずれかの期間を選択する。例えば、生成機能１５３は、３つの期間のうち、統計的特徴量の値が最も大きい期間を、選択する期間として決定する。また、生成機能１５３は、選択した期間の統計的特徴量と、第２の取得機能１５２によって取得された急変情報とを患者ごとに対応付けたデータを学習用データとして生成する。 Then, the generation function 153 calculates various statistical features such as the median and the interquartile range for each of the medical data A and medical data B from the medical data for one day six days ago, the medical data for one day seven days ago, and the medical data for one day eight days ago acquired by the second acquisition function 152. After that, the generation function 153 selects one of the three periods for each of the calculated statistical features. For example, the generation function 153 determines the period with the largest value of the statistical feature among the three periods as the period to be selected. In addition, the generation function 153 generates data in which the statistical features of the selected period are associated with the sudden change information acquired by the second acquisition function 152 for each patient as learning data.

これにより、第３の例では、予測対象の患者に関する診療の実施日の１日間、その前日の１日間、及び前々日の１日間の中から統計的特徴量に応じて選択された期間の統計的特徴量の入力を受け付けて当該実施日から６日後に当該患者に病状急変が発生する確率を出力する学習済みモデルが生成される。 As a result, in the third example, a trained model is generated that accepts input of statistical features for a period selected from one day on the day of treatment for the patient to be predicted, one day the day before, and one day before that, depending on the statistical features, and outputs the probability that the patient's condition will suddenly change six days after the treatment date.

図２に戻って、次に、運用時の処理について説明する。 Returning to Figure 2, we will now explain the processing that occurs during operation.

運用時には、第２の取得機能１５２が、患者に関する診療の実施時点以前の診療データを取得する。具体的には、運用時には、第２の取得機能１５２は、患者に関する診療の実施時点以前の特定の期間内の診療データを取得する。 During operation, the second acquisition function 152 acquires medical data relating to the patient prior to the time medical treatment is performed. Specifically, during operation, the second acquisition function 152 acquires medical data relating to the patient within a specific period prior to the time medical treatment is performed.

例えば、図２の下側に示すように、運用時には、第２の取得機能１５２は、患者に関する診療の実施日又は当該実施日以前の対象期間内の診療データを取得する。 For example, as shown in the lower part of FIG. 2, during operation, the second acquisition function 152 acquires medical data for a patient on the date of medical treatment or within a target period prior to the date of treatment.

具体的には、第２の取得機能１５２は、第１の取得機能１５１によって新しい診療データが取得された場合に、記憶回路１２０に記憶されている当該新しい診療データの患者に関する診療データのうち、当該新しい診療データの診療の実施日又は当該実施日以前の対象期間内の診療データを取得する。 Specifically, when new medical data is acquired by the first acquisition function 151, the second acquisition function 152 acquires, from among the medical data related to the patient of the new medical data stored in the memory circuit 120, medical data that is within the target period on or before the date of treatment of the new medical data.

そして、制御機能１５５が、前述した学習済みモデルに対して、第２の取得機能１５２によって取得された診療データに関する情報を入力することで、当該実施時点から所定期間後における当該患者の病状急変の発生に関する情報を出力させるように制御する。 Then, the control function 155 inputs information about the medical data acquired by the second acquisition function 152 into the trained model described above, thereby controlling the model to output information about the occurrence of a sudden change in the patient's condition after a specified period from the time of implementation.

例えば、制御機能１５５は、患者に関する診療の実施日又は当該実施日以前の対象期間内の診療データから算出された統計的特徴量を前述した学習済みモデルに入力することで、当該実施日から所定日数後に当該患者に病状急変が発生する確率を出力させるように制御する。 For example, the control function 155 inputs statistical features calculated from medical data on the date of medical treatment for a patient or within a target period prior to the date of treatment into the trained model described above, and controls the model to output the probability that the patient's condition will suddenly change a specified number of days after the date of treatment.

具体的には、制御機能１５５は、第２の取得機能１５２によって取得された対象期間内の各種の診療データから、診療データごとに、各種の統計的特徴量を算出する。その後、制御機能１５５は、算出した統計的特徴量を記憶回路１２０に記憶されている学習済みモデルに入力することで、新しい診療データの診療の実施日から所定日数後に当該新しい診療データの患者に病状急変が発生する確率を出力させる。そして、制御機能１５５は、学習済みモデルから出力された確率を予測結果として記憶回路１２０に記憶させる。 Specifically, the control function 155 calculates various statistical features for each medical data from various medical data within the target period acquired by the second acquisition function 152. Thereafter, the control function 155 inputs the calculated statistical features into the trained model stored in the memory circuitry 120, thereby outputting the probability that a sudden change in the condition of the patient of the new medical data will occur a predetermined number of days after the date of treatment of the new medical data. Then, the control function 155 stores the probability output from the trained model in the memory circuitry 120 as a prediction result.

例えば、図５に示した第１の例のように、予測対象の患者に関する診療の実施日の１日間の統計的特徴量の入力を受け付ける学習済みモデルが生成されている場合には、第２の取得機能１５２が、新しい診療データに関する診療の実施日の１日間の診療データを取得する。この場合に、制御機能１５５は、第２の取得機能１５２によって取得された１日間の診療データから、中央値、四分位範囲等の各種の統計的特徴量を算出し、算出した統計的特徴量を学習済みモデルに入力することで、病状急変が発生する確率を出力させる。 For example, as in the first example shown in FIG. 5, when a trained model that accepts input of statistical features for one day on the day medical treatment is performed for the patient to be predicted has been generated, the second acquisition function 152 acquires medical data for one day on the day medical treatment is performed for the new medical data. In this case, the control function 155 calculates various statistical features such as the median and interquartile range from the one-day medical data acquired by the second acquisition function 152, and inputs the calculated statistical features into the trained model to output the probability of a sudden change in the patient's condition.

また、例えば、図６に示した第２の例のように、予測対象の患者に関する診療の実施日の１日間の統計的特徴量、その前日を含む２日間の統計的特徴量、及び、さらに前々日を含む３日間の統計的特徴量の入力を受け付ける学習済みモデルが生成されている場合には、第２の取得機能１５２が、新しい診療データに関する診療の実施日の１日間の診療データ、その前日を含む２日間の診療データ、及び、さらに前々日を含む３日間の診療データを取得する。この場合に、生成機能１５３は、第２の取得機能１５２によって取得された１日間の診療データ、２日間の診療データ、及び３日間の診療データそれぞれから、中央値、四分位範囲等の各種の統計的特徴量を算出し、算出した統計的特徴量を学習済みモデルに入力することで、病状急変が発生する確率を出力させる。 Also, for example, as in the second example shown in FIG. 6, when a trained model is generated that accepts input of statistical features for one day on the day of medical treatment for the patient to be predicted, statistical features for two days including the day before, and statistical features for three days including the day before that, the second acquisition function 152 acquires medical data for one day on the day of medical treatment for the new medical data, medical data for two days including the day before, and medical data for three days including the day before that. In this case, the generation function 153 calculates various statistical features such as the median and interquartile range from each of the one-day medical data, two-day medical data, and three-day medical data acquired by the second acquisition function 152, and inputs the calculated statistical features into the trained model to output the probability of a sudden change in the condition.

また、例えば、図７に示した第３の例のように、予測対象の患者に関する診療の実施日の１日間、その前日の１日間、及び前々日の１日間の中から統計的特徴量に応じて選択された期間の統計的特徴量の入力を受け付ける学習済みモデルが生成されている場合には、第２の取得機能１５２が、新しい診療データに関する診療の実施日の１日間の診療データ、その前日の１日間の診療データ、及び前々日の１日間の診療データを取得する。この場合に、生成機能１５３は、第２の取得機能１５２によって取得された６日前の１日間の診療データ、７日前の１日間の診療データ、及び８日前の１日間の診療データそれぞれから、中央値、四分位範囲等の各種の統計的特徴量を算出し、算出した統計的特徴量に応じて選択した期間の統計的特徴量を学習済みモデルに入力することで、病状急変が発生する確率を出力させる。 Also, for example, as in the third example shown in FIG. 7, when a trained model is generated that accepts input of statistical features for a period selected from the one day on the day of medical treatment for the patient to be predicted, the one day before, and the one day before that according to the statistical features, the second acquisition function 152 acquires the one day of medical data for the day on which medical treatment for the new medical data is performed, the one day before, and the one day before that. In this case, the generation function 153 calculates various statistical features such as the median and quartile range from the one day of medical data 6 days ago, the one day of medical data 7 days ago, and the one day of medical data 8 days ago acquired by the second acquisition function 152, and inputs the statistical features for the period selected according to the calculated statistical features into the trained model, thereby outputting the probability of a sudden change in the condition.

そして、制御機能１５５は、患者に関する診療の実施時点以前の診療データに関する情報と、当該実施時点から所定期間後における当該患者の病状急変の発生に関する情報とをディスプレイ１４０に表示する。 Then, the control function 155 displays on the display 140 information related to the medical data of the patient before the medical treatment was performed, and information related to the occurrence of a sudden change in the patient's condition a predetermined period after the medical treatment was performed.

例えば、制御機能１５５は、患者に関する診療の実施日又は当該実施日以前の対象期間内の診療データから算出された統計的特徴量と、当該実施日から所定日数後に当該患者に病状急変が発生する確率を示す情報とディスプレイ１４０に表示する。 For example, the control function 155 displays on the display 140 statistical features calculated from medical data on the date of medical treatment for the patient or within a target period prior to the date of treatment, and information indicating the probability that the patient's condition will suddenly change a specified number of days after the date of treatment.

具体的には、制御機能１５５は、統計的特徴量を学習済みモデルに入力した結果、病状急変が発生する確率が学習済みモデルから出力されると、当該確率を示す情報と、当該確率の根拠となった対象期間内の統計的特徴量に関する情報とをディスプレイ１４０に表示する。 Specifically, when the control function 155 inputs the statistical features into the trained model and the trained model outputs the probability of a sudden change in the condition, it displays on the display 140 information indicating the probability and information regarding the statistical features within the target period on which the probability is based.

図８は、第１の実施形態に係る制御機能１５５によってディスプレイ１４０に表示される画面の一例を示す図である。 Figure 8 shows an example of a screen displayed on the display 140 by the control function 155 according to the first embodiment.

例えば、図８に示すように、制御機能１５５は、病状急変が発生する確率を示す情報（図８に示す「発生確率８５％」）と、当該確率の根拠となった対象期間内の統計的特徴量（図８に示す心拍数（Ｐｕｌｓｅ）、呼吸数（Ｒｅｓｐｉｒａｔｉｏｎ））の経時的な推移を示す情報（図８に示す黒い点をプロットした折れ線グラフ）をディスプレイ１４０に表示する。このとき、例えば、図７に示した第３の例のように、統計的特徴量に応じて期間が選択される場合には、統計的特徴量ごとに期間が異なることもある。そのような場合には、例えば、制御機能１５５は、各統計的特徴量を、表示される期間が合うように位置をずらして重ねて表示する。 For example, as shown in FIG. 8, the control function 155 displays on the display 140 information indicating the probability of a sudden change in the condition ("Occurrence probability 85%" shown in FIG. 8) and information indicating the time-dependent changes in the statistical features (heart rate (Pulse) and respiration rate (Respiration) shown in FIG. 8) within the target period on which the probability is based (a line graph plotting black dots shown in FIG. 8). At this time, for example, as in the third example shown in FIG. 7, when a period is selected according to the statistical features, the period may differ for each statistical feature. In such a case, for example, the control function 155 displays each statistical feature by shifting its position so that the displayed periods match.

なお、図８では、病状急変が発生する確率の根拠となった統計的特徴量について、対象期間内だけでなく、対象期間以外の期間についても経時的な推移を示す情報を表示した場合の例を示している。この場合には、例えば、制御機能１５５は、表示した情報の中で、対象期間内の統計的特徴量に関する情報を強調して表示する。 Note that FIG. 8 shows an example of a case where information is displayed showing the time-dependent changes in the statistical features that are the basis for the probability of a sudden change in the condition, not only during the target period but also during periods outside the target period. In this case, for example, the control function 155 highlights information about the statistical features during the target period among the displayed information.

また、図８では、統計的特徴量が中央値であり、統計的特徴量の経時的な変化を示す情報として、当該中央値を示す折れ線グラフを表示する場合の例を示しているが、例えば、統計的特徴量が中央値でない場合には、折れ線グラフで表現できないこともあり得る。そのような場合には、統計的特徴量の経時的な変化を示す情報は、折れ線グラフ以外の形態で表示されてもよい。例えば、図８に折れ線グラフと一緒に示しているような箱ひげ図の箱で、統計的特徴量を表示してもよい。 Also, FIG. 8 shows an example in which the statistical feature is a median, and a line graph showing the median is displayed as information showing the change in the statistical feature over time; however, for example, if the statistical feature is not a median, it may not be possible to express it in a line graph. In such cases, the information showing the change in the statistical feature over time may be displayed in a form other than a line graph. For example, the statistical feature may be displayed as a box in a box-and-whisker plot, as shown together with the line graph in FIG. 8.

また、制御機能１５５は、記憶回路１２０に記憶されている予測結果を参照して、病状急変が発生する確率の経時的な推移を示す情報（図８に示す白い点をプロットした折れ線グラフ）を表示する。ここで、例えば、制御機能１５５は、記憶回路１２０に記憶されている予測結果を参照して、当日から所定日数後に病状急変が発生する確率を示す情報を表示する。または、制御機能１５５は、当日に病状急変が発生する確率を示す情報を表示してもよい。そして、例えば、制御機能１５５は、最新の確率が所定の閾値を超えていた場合には、その確率を強調表示する。 The control function 155 also refers to the prediction results stored in the memory circuitry 120 and displays information indicating the change over time in the probability of a sudden change in the condition (a line graph plotted with white dots as shown in FIG. 8). Here, for example, the control function 155 refers to the prediction results stored in the memory circuitry 120 and displays information indicating the probability of a sudden change in the condition occurring a predetermined number of days from the current day. Alternatively, the control function 155 may display information indicating the probability of a sudden change in the condition occurring on the current day. And, for example, if the latest probability exceeds a predetermined threshold, the control function 155 highlights that probability.

さらに、制御機能１５５は、学習済みモデルから出力された確率に対して当該病状急変が実際に発生したか否かを入力する操作を操作者から受け付け、入力された結果を急変情報にフィードバックする。 Furthermore, the control function 155 accepts an input operation from the operator indicating whether or not a sudden change in the condition has actually occurred based on the probability output from the trained model, and feeds back the input result to the sudden change information.

例えば、制御機能１５５は、病状急変が発生する確率を示す情報とともに、当該病状急変が発生したことを受け付けるためのボタン（図８に示す「発生」）と、当該病状急変が発生しなかったことを受け付けるためのボタン（図８に示す「未発生」）を表示し、各ボタンを選択する操作を操作者から受け付ける。そして、制御機能１５５は、受け付けた結果を、記憶回路１２０に記憶されている急変情報に反映する。 For example, the control function 155 displays information indicating the probability of a sudden change in medical condition, as well as a button for accepting that the sudden change in medical condition has occurred ("Occurred" in FIG. 8) and a button for accepting that the sudden change in medical condition has not occurred ("Not Occurred" in FIG. 8), and accepts an operation to select each button from the operator. Then, the control function 155 reflects the accepted result in the sudden change information stored in the memory circuitry 120.

なお、例えば、制御機能１５５は、患者の診療データに基づいて、病状急変が実際に発生したか否かを判別し、判別した結果を急変情報にフィードバックしてもよい。例えば、制御機能１５５は、記憶回路１２０に記憶されている診療データを参照して、患者に治療介入の予定や緊急の処置（手術等）が行われたことを特定した場合に、病状急変が実際に発生したと判別する。 For example, the control function 155 may determine whether or not a sudden change in the patient's condition has actually occurred based on the patient's medical data, and feed the determination result back to the sudden change information. For example, the control function 155 may determine that a sudden change in the patient's condition has actually occurred when it determines that the patient is scheduled for medical intervention or has undergone emergency treatment (such as surgery) by referring to the medical data stored in the memory circuitry 120.

ここで、例えば、制御機能１５５は、複数の患者について、図８に示した画面に含まれる情報を簡略した情報を並べて一覧表示し、表示した一覧の中でいずれかの患者を指定する操作を操作者から受け付けた場合に、指定された患者について、図８に示した画面を表示する。この場合に、例えば、制御機能１５５は、簡略化した情報については、病状急変の確率が閾値以上となっている患者の情報のみを絞り込んで表示してもよいし、全ての患者の情報を表示しつつ、病状急変の確率が閾値以上となっている患者の情報が強調されるように、当該患者の情報にフラグ等を付けて表示してもよい。 Here, for example, the control function 155 displays a list of simplified information for multiple patients that is the same as the information included in the screen shown in FIG. 8, and when an operation to specify a patient from the displayed list is received from the operator, the control function 155 displays the screen shown in FIG. 8 for the specified patient. In this case, for example, the control function 155 may display the simplified information by narrowing down to only the information of patients whose probability of a sudden change in condition is equal to or greater than a threshold, or may display the information of all patients while attaching a flag or the like to the information of the patient whose probability of a sudden change in condition is equal to or greater than a threshold so that the information of the patient is highlighted.

以上、処理回路１５０が有する各処理機能について説明した。例えば、処理回路１５０は、プロセッサによって実現される。この場合に、処理回路１５０が有する処理機能は、コンピュータによって実行可能なプログラムの形態で記憶回路１２０に記憶されている。そして、処理回路１５０は、記憶回路１２０から各プログラムを読み出して実行することで、各プログラムに対応する機能を実現する。換言すると、各プログラムを読み出した状態の処理回路１５０は、図１の処理回路１５０に示された各機能を有することとなる。なお、図１では、単一のプロセッサによって各処理機能が実現されるものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。また、処理回路１５０が有する処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。また、図１に示す例では、単一の記憶回路１２０が各処理機能に対応するプログラムを記憶するものとして説明したが、複数の記憶回路を分散して配置して、処理回路が個別の記憶回路から対応するプログラムを読み出す構成としても構わない。 Above, each processing function possessed by the processing circuit 150 has been described. For example, the processing circuit 150 is realized by a processor. In this case, the processing functions possessed by the processing circuit 150 are stored in the storage circuit 120 in the form of a program executable by a computer. Then, the processing circuit 150 realizes the function corresponding to each program by reading each program from the storage circuit 120 and executing it. In other words, the processing circuit 150 in a state in which each program has been read has each function shown in the processing circuit 150 of FIG. 1. Note that in FIG. 1, it has been described that each processing function is realized by a single processor, but it is also possible to configure a processing circuit by combining multiple independent processors, and each processor executes a program to realize the function. In addition, the processing functions possessed by the processing circuit 150 may be appropriately distributed or integrated and realized in a single or multiple processing circuits. In addition, in the example shown in FIG. 1, it has been described that a single storage circuit 120 stores a program corresponding to each processing function, but it is also possible to configure multiple storage circuits to be distributed and arranged so that the processing circuit reads out the corresponding program from each storage circuit.

例えば、第１の取得機能１５１が電子カルテシステム３００、放射線部門システム４００、及び検体検査システム５００から診療データを取得する処理は、例えば、処理回路１５０が第１の取得機能１５１に対応する所定のプログラムを記憶回路１２０から読み出して実行することにより実現される。 For example, the process in which the first acquisition function 151 acquires medical data from the electronic medical record system 300, the radiology department system 400, and the specimen testing system 500 is realized by, for example, the processing circuitry 150 reading out a specific program corresponding to the first acquisition function 151 from the memory circuitry 120 and executing it.

また、例えば、第２の取得機能１５２、生成機能１５３、学習機能１５４、及び制御機能１５５によって行われる学習時の処理及び運用時の処理は、以下のように実現される。 Furthermore, for example, the learning process and operation process performed by the second acquisition function 152, the generation function 153, the learning function 154, and the control function 155 are realized as follows.

図９は、第１の実施形態に係る診療情報処理装置１００によって行われる学習時の処理の処理手順を示すフローチャートである。 Figure 9 is a flowchart showing the processing steps of the learning process performed by the medical information processing device 100 according to the first embodiment.

例えば、図９に示すように、学習時には、第２の取得機能１５２が、予め決められたタイミング又は操作者から学習開始の指示を受け付けたタイミングで（ステップＳ１１１，Ｙｅｓ）、記憶回路１２０を参照して、複数の患者について、急変情報と、対象期間内の診療データとを取得する（ステップＳ１１２）。 For example, as shown in FIG. 9, during learning, the second acquisition function 152 refers to the memory circuitry 120 at a predetermined timing or when an instruction to start learning is received from the operator (step S111, Yes) to acquire sudden change information and medical data within the target period for multiple patients (step S112).

その後、生成機能１５３が、第２の取得機能１５２によって取得された対象期間内の診療データから統計的特徴量を算出し（ステップＳ１１３）、当該統計的特徴量と急変情報とを患者ごとに対応付けたデータを学習用データとして生成する（ステップＳ１１４）。 Then, the generation function 153 calculates statistical features from the medical data within the target period acquired by the second acquisition function 152 (step S113), and generates data in which the statistical features and sudden change information are associated for each patient as learning data (step S114).

そして、学習機能１５４が、生成機能１５３によって生成された学習用データを用いた機械学習によって、学習済みモデルを生成する（ステップＳ１１５）。 Then, the learning function 154 generates a trained model by machine learning using the learning data generated by the generation function 153 (step S115).

ここで、上述したステップＳ１１１及びＳ１１２の処理は、例えば、処理回路１５０が第２の取得機能１５２に対応する所定のプログラムを記憶回路１２０から読み出して実行することにより実現される。また、上述したステップＳ１１３及びＳ１１４の処理は、例えば、処理回路１５０が生成機能１５３に対応する所定のプログラムを記憶回路１２０から読み出して実行することにより実現される。また、上述したステップＳ１１５の処理は、例えば、処理回路１５０が学習機能１５４に対応する所定のプログラムを記憶回路１２０から読み出して実行することにより実現される。 The above-mentioned steps S111 and S112 are realized, for example, by the processing circuitry 150 reading out a predetermined program corresponding to the second acquisition function 152 from the storage circuitry 120 and executing it. The above-mentioned steps S113 and S114 are realized, for example, by the processing circuitry 150 reading out a predetermined program corresponding to the generation function 153 from the storage circuitry 120 and executing it. The above-mentioned step S115 is realized, for example, by the processing circuitry 150 reading out a predetermined program corresponding to the learning function 154 from the storage circuitry 120 and executing it.

図１０は、第１の実施形態に係る診療情報処理装置１００によって行われる運用時の処理の処理手順を示すフローチャートである。 Figure 10 is a flowchart showing the processing steps during operation performed by the medical information processing device 100 according to the first embodiment.

例えば、図１０に示すように、運用時には、第２の取得機能１５２が、第１の取得機能１５１によって新しい診療データが取得された場合に（ステップＳ１２１，Ｙｅｓ）、記憶回路１２０を参照して、当該新しい診療データの患者について、対象期間内の診療データを取得する（ステップＳ１２２）。 For example, as shown in FIG. 10, during operation, when new medical data is acquired by the first acquisition function 151 (step S121, Yes), the second acquisition function 152 refers to the memory circuit 120 to acquire medical data within the target period for the patient of the new medical data (step S122).

その後、制御機能１５５が、第２の取得機能１５２によって取得された対象期間内の診療データから統計的特徴量を算出し（ステップＳ１２３）、当該統計的特徴量を記憶回路１２０に記憶されている学習済みモデルに入力することで、病状急変が発生する確率を出力させる（ステップＳ１２４）。 Then, the control function 155 calculates statistical features from the medical data during the target period acquired by the second acquisition function 152 (step S123), and inputs the statistical features into the trained model stored in the memory circuitry 120 to output the probability of a sudden change in the condition (step S124).

そして、制御機能１５５は、統計的特徴量の推移を示す情報と、学習済みモデルから出力された病状急変の発生確率を示す情報とをディスプレイ１４０に表示する（ステップＳ１２５）。 Then, the control function 155 displays on the display 140 information indicating the trend of the statistical features and information indicating the probability of occurrence of a sudden change in the condition output from the trained model (step S125).

ここで、上述したステップＳ１２１及びＳ１２２の処理は、例えば、処理回路１５０が第２の取得機能１５２に対応する所定のプログラムを記憶回路１２０から読み出して実行することにより実現される。また、上述したステップＳ１２３～Ｓ１２５の処理は、例えば、処理回路１５０が制御機能１５５に対応する所定のプログラムを記憶回路１２０から読み出して実行することにより実現される。 The processes of steps S121 and S122 described above are realized, for example, by the processing circuitry 150 reading out a predetermined program corresponding to the second acquisition function 152 from the memory circuitry 120 and executing it. Also, the processes of steps S123 to S125 described above are realized, for example, by the processing circuitry 150 reading out a predetermined program corresponding to the control function 155 from the memory circuitry 120 and executing it.

上述したように、第１の実施形態では、第１の取得機能１５１が、患者に関する診療データを取得する。 As described above, in the first embodiment, the first acquisition function 151 acquires medical data related to the patient.

そして、学習時には、第２の取得機能１５２が、患者に関する病状急変の有無を示す急変情報と、患者に関する診療データのうち、病状急変の発生日から所定日数だけ遡った日又は当該遡った日以前の対象期間内の診療データとを取得する。また、生成機能１５３が、対象期間内の診療データから算出された統計的特徴量及び急変情報を含むデータを、予測対象の患者に関する診療の実施日又は当該実施日以前の対象期間内の統計的特徴量の入力を受け付けて当該実施日から所定日数後に当該患者に病状急変が発生する確率を出力する学習済みモデルを生成するための学習用データとして生成する。また、学習機能１５４が、患者に関する対象期間内の診療データから算出された統計的特徴量及び当該患者に関する病状急変の有無を示す急変情報を学習用データとした機械学習によって、前述した学習済みモデルを生成する。 During learning, the second acquisition function 152 acquires sudden change information indicating whether or not the patient's condition has suddenly changed, and, among the medical data relating to the patient, medical data for a period that is a predetermined number of days prior to the date of the sudden change in condition or for a period prior to the date. The generation function 153 generates data including the statistical features calculated from the medical data within the period as learning data for generating a trained model that accepts input of statistical features for the date of treatment for the patient to be predicted or for a period prior to the date of treatment, and outputs the probability that the patient will experience a sudden change in condition a predetermined number of days after the date of treatment. The learning function 154 generates the trained model described above by machine learning using the statistical features calculated from the medical data for the patient within the period and the sudden change information indicating whether or not the patient's condition has suddenly changed as learning data.

一方、運用時には、第２の取得機能１５２が、患者に関する病状急変の有無を示す急変情報と、患者に関する診療データのうち、病状急変の発生日から所定日数だけ遡った日又は当該遡った日以前の対象期間内の診療データとを取得する。また、制御機能１５５が、患者に関する診療の実施日又は当該実施日以前の対象期間内の診療データから算出された統計的特徴量を前述した学習済みモデルに入力することで、当該実施日から所定日数後に当該患者に病状急変が発生する確率を出力させるように制御する。また、制御機能１５５は、患者に関する診療の実施日又は当該実施日以前の対象期間内の診療データから算出された統計的特徴量と、当該実施日から所定日数後に当該患者に病状急変が発生する確率を示す情報とディスプレイ１４０に表示する。 On the other hand, during operation, the second acquisition function 152 acquires sudden change information indicating whether or not there has been a sudden change in the patient's condition, and, among the medical data relating to the patient, medical data for a date a predetermined number of days prior to the date of the sudden change in the patient's condition or within a target period prior to the date. In addition, the control function 155 inputs the statistical feature amount calculated from the medical data relating to the patient on the date of medical treatment or within a target period prior to the date of treatment into the trained model described above, thereby controlling to output the probability that the patient's condition will suddenly change a predetermined number of days after the date of treatment. In addition, the control function 155 displays on the display 140 the statistical feature amount calculated from the medical data relating to the patient on the date of medical treatment or within a target period prior to the date of treatment, and information indicating the probability that the patient's condition will suddenly change a predetermined number of days after the date of treatment.

したがって、第１の実施形態によれば、特定の対象期間内の診療データから算出された統計的特徴量を用いることで、例えば、小児の診療データのように外れ値が多いデータが用いられる場合でも、心不全等の病状急変の前兆をより正確に予測することができる。 Therefore, according to the first embodiment, by using statistical features calculated from medical data within a specific target period, it is possible to more accurately predict the signs of a sudden change in the condition of a disease such as heart failure, even when data with many outliers, such as medical data of children, is used.

（第２の実施形態）
なお、上述した第１の実施形態では、学習済みモデルに入力される情報が、患者に関する診療の実施時点以前の特定の期間内の診療データから算出された統計的特徴量である場合の例を説明したが、実施形態はこれに限られない。 Second Embodiment
In the first embodiment described above, an example was described in which the information input to the trained model is a statistical feature calculated from medical data within a specific period prior to the time medical treatment for the patient was performed, but the embodiment is not limited to this.

例えば、学習済みモデルに入力される情報は、患者に関する診療の実施時点以前の特定の期間内の診療データから算出された統計的特徴量と、患者ごとに決められた基準期間内の診療データから算出された統計的特徴量との相対値であってもよい。 For example, the information input to the trained model may be a relative value between a statistical feature calculated from medical data for a specific period prior to the time medical treatment was administered to the patient and a statistical feature calculated from medical data for a reference period determined for each patient.

例えば、学習済みモデルに入力される情報は、対象期間内の診療データから算出された統計的特徴量と、患者ごとに決められた基準期間内の診療データから算出された統計的特徴量との相対値であってもよい。以下では、このような場合の例を第２の実施形態として説明する。なお、第２の実施形態では、第１の実施形態と異なる点を主に説明することとし、第１の実施形態と共通する内容については詳細な説明を省略する。 For example, the information input to the trained model may be a relative value between a statistical feature calculated from medical data within a target period and a statistical feature calculated from medical data within a reference period determined for each patient. An example of such a case will be described below as the second embodiment. Note that in the second embodiment, differences from the first embodiment will be mainly described, and detailed description of contents common to the first embodiment will be omitted.

図１１は、第２の実施形態に係る処理回路１５０によって行われる学習時及び運用時の処理を示す図である。 Figure 11 is a diagram showing the processing performed by the processing circuit 150 during learning and operation according to the second embodiment.

例えば、図１１の上側に示すように、学習時には、第２の取得機能１５２が、第１の実施形態と同様に、患者に関する病状急変の有無を示す急変情報と、患者に関する診療データのうち、病状急変の発生日から所定日数だけ遡った日又は当該遡った日以前の対象期間内の診療データとを取得する。 For example, as shown in the upper part of FIG. 11, during learning, the second acquisition function 152, like the first embodiment, acquires sudden change information indicating whether or not there has been a sudden change in the patient's condition, and medical data relating to the patient, including medical data for a period that is a predetermined number of days prior to the date of the sudden change in the patient's condition or that is within a target period prior to that date.

ここで、本実施形態では、第２の取得機能１５２は、さらに、患者に関する診療データのうち、患者ごとに決められた基準期間内の診療データを取得する。 Here, in this embodiment, the second acquisition function 152 further acquires, from among the medical data related to the patient, medical data within a reference period determined for each patient.

具体的には、第２の取得機能１５２は、記憶回路１２０に蓄積されている診療データに基づいて、患者ごとに特有の基準値（ベースライン値）に相当する診療データの期間を基準期間として決定し、決定した基準期間内の診療データを取得する。 Specifically, the second acquisition function 152 determines a period of medical data that corresponds to a reference value (baseline value) specific to each patient based on the medical data stored in the memory circuit 120 as a reference period, and acquires the medical data within the determined reference period.

そして、生成機能１５３が、対象期間内の診療データから算出された統計的特徴量と、基準期間内の診療データから算出された統計的特徴量との相対値、及び急変情報を含むデータを、予測対象の患者に関する診療の実施日又は当該実施日以前の対象期間内の統計的特徴量の入力を受け付けて当該実施日から所定日数後に当該患者に病状急変が発生する確率を出力する学習済みモデルを生成するための学習用データとして生成する。 Then, the generation function 153 generates data including the relative values between the statistical features calculated from the medical data within the target period and the statistical features calculated from the medical data within the reference period, and information on sudden changes, as learning data for generating a trained model that accepts input of statistical features within the target period on or before the date of medical treatment for the patient to be predicted, and outputs the probability that the patient will experience a sudden change in condition a specified number of days after the date of treatment.

具体的には、生成機能１５３は、第２の取得機能１５２によって取得された対象期間内の各種の診療データ（図１１に示す診療データＡ、Ｂ、Ｃ等）から、診療データごとに、各種の統計的特徴量（図１１に示す統計的特徴量ａ、ｂ、ｃ等）を算出する。さらに、生成機能１５３は、第２の取得機能１５２によって取得された基準期間内の各種の診療データ（図１１に示す診療データＡ、Ｂ、Ｃ等）から、診療データごとに、各種の統計的特徴量（図１１に示す統計的特徴量ａ、ｂ、ｃ等）を算出する。そして、生成機能１５３は、各統計的特徴量について、対象期間の統計的特徴量と基準期間の統計的特徴量との相対値を算出し、算出した相対値と、第２の取得機能１５２によって取得された急変情報とを患者ごとに対応付けたデータを学習用データとして生成する。 Specifically, the generating function 153 calculates various statistical features (such as statistical features a, b, and c shown in FIG. 11 ) for each medical data from various medical data (such as medical data A, B, and C shown in FIG. 11 ) during the target period acquired by the second acquiring function 152. Furthermore, the generating function 153 calculates various statistical features (such as statistical features a, b, and c shown in FIG. 11 ) for each medical data from various medical data (such as medical data A, B, and C shown in FIG. 11 ) during the reference period acquired by the second acquiring function 152. Then, the generating function 153 calculates the relative value between the statistical feature of the target period and the statistical feature of the reference period for each statistical feature, and generates data in which the calculated relative value is associated with the sudden change information acquired by the second acquiring function 152 for each patient as learning data.

そして、学習機能１５４が、患者に関する対象期間内の診療データから算出された統計的特徴量と、基準期間内の診療データから算出された統計的特徴量との相対値、及び当該患者に関する病状急変の有無を示す急変情報を学習用データとした機械学習によって、前述した学習済みモデルを生成する。 Then, the learning function 154 generates the above-mentioned trained model by machine learning using the relative values between the statistical features calculated from the medical data for the patient in the target period and the statistical features calculated from the medical data for the reference period, and the sudden change information indicating whether or not there is a sudden change in the patient's condition, as learning data.

図１２及び１３は、第２の実施形態に係る処理回路１５０によって行われる学習時の処理に関する例を示す図である。 Figures 12 and 13 are diagrams showing an example of the learning process performed by the processing circuit 150 according to the second embodiment.

ここで、本例は、対象期間を、病状急変の発生日から６日だけ遡った日に含まれる一定期間とした場合の例である。なお、ここでは、一定期間を１日間とした場合の例を説明するが、一定期間は１日間に限られず、例えば、１２時間や１週間であってもよい。 In this example, the target period is a fixed period that is included in the period six days prior to the date of the sudden change in the patient's condition. Note that, although an example is described here in which the fixed period is one day, the fixed period is not limited to one day and may be, for example, 12 hours or one week.

この場合には、例えば、図１２に示すように、第２の取得機能１５２は、患者に関する診療データＡについて、病状急変の発生日から６日だけ遡った日の１日間の診療データと、当該患者に関する病状急変の有無を示す急変情報とを取得する。 In this case, for example, as shown in FIG. 12, the second acquisition function 152 acquires, for the medical data A relating to the patient, one day of medical data from the day six days prior to the day on which the sudden change in the patient's condition occurred, and sudden change information indicating whether or not the patient's condition has suddenly changed.

また、第２の取得機能１５２は、さらに、患者に関する診療データＡについて、患者ごとに、基準期間を決定し、決定した基準期間内の診療データを取得する。 The second acquisition function 152 further determines a reference period for each patient for the medical data A related to the patient, and acquires the medical data within the determined reference period.

ここで、例えば、基準期間は、図１３に示すように、現在から遡って、一定期間内で診療データの値が最も安定している期間である（図１３に示す破線で囲んだ期間）。例えば、基準期間は、平均値や中央値等のトレンドを表す特徴量の変動が最も小さくなる期間や、分散や四分位範囲等のバラつきを表す特徴量が最も小さくなる期間等である。なお、例えば、基準期間は、患者の前回の入院期間の退院直前の期間や、入院直後の期間等であってもよい。また、例えば、基準期間は、診療データの長期の変化にトレンドがある場合には、トレンドに基づいて予測された外挿値を含む期間であってもよい。 Here, for example, the reference period is a period during which the values of the medical data are most stable within a certain period going back from the present, as shown in FIG. 13 (the period surrounded by the dashed line in FIG. 13). For example, the reference period is a period during which the fluctuation of a feature value representing a trend, such as the mean or median, is smallest, or a period during which a feature value representing variation, such as variance or interquartile range, is smallest. Note that, for example, the reference period may be the period immediately before discharge from the patient's previous hospitalization, or the period immediately after hospitalization. Furthermore, for example, when there is a trend in the long-term changes in the medical data, the reference period may be a period that includes an extrapolated value predicted based on the trend.

そして、生成機能１５３は、診療データＡについて、第２の取得機能１５２によって取得された対象期間の診療データ及び基準期間の診療データそれぞれから、中央値、四分位範囲等の各種の統計的特徴量を算出する。その後、生成機能１５３は、対象期間内の診療データから算出された統計的特徴量と、基準期間内の診療データから算出された統計的特徴量との相対値を算出する。例えば、生成機能１５３は、引き算や割り算等の計算によって、相対値を算出する。また、生成機能１５３は、算出した相対値と、第２の取得機能１５２によって取得された急変情報とを患者ごとに対応付けたデータを学習用データとして生成する。 Then, the generation function 153 calculates various statistical features such as the median and the interquartile range for the medical data A from each of the medical data for the target period and the medical data for the reference period acquired by the second acquisition function 152. After that, the generation function 153 calculates the relative value between the statistical feature calculated from the medical data in the target period and the statistical feature calculated from the medical data in the reference period. For example, the generation function 153 calculates the relative value by calculation such as subtraction or division. Furthermore, the generation function 153 generates data that associates the calculated relative value with the sudden change information acquired by the second acquisition function 152 for each patient as learning data.

これにより、本例では、予測対象の患者に関する診療の実施日の１日間の統計的特徴量と、患者ごとに決められた基準期間内の診療データから算出された統計的特徴量との相対値の入力を受け付けて当該実施日から６日後に当該患者に病状急変が発生する確率を出力する学習済みモデルが生成される。 As a result, in this example, a trained model is generated that accepts input of the relative values between the statistical features for one day on the day of treatment for the patient to be predicted and the statistical features calculated from the medical data within a reference period determined for each patient, and outputs the probability that the patient's condition will suddenly change six days after the treatment date.

図１１に戻って、次に、運用時の処理について説明する。 Returning to Figure 11, we will now explain the processing that occurs during operation.

例えば、図１１の下側に示すように、運用時には、第２の取得機能１５２が、第１の実施形態と同様に、患者に関する診療の実施日又は当該実施日以前の対象期間内の診療データを取得する。 For example, as shown in the lower part of FIG. 11, during operation, the second acquisition function 152 acquires medical data for the patient on the date of medical treatment or within the target period prior to the date of treatment, as in the first embodiment.

そして、制御機能１５５が、患者に関する診療の実施日又は当該実施日以前の対象期間内の診療データから算出された統計的特徴量と、基準期間内の診療データから算出された統計的特徴量との相対値を前述した学習済みモデルに入力することで、当該実施日から所定日数後に当該患者に病状急変が発生する確率を出力させるように制御する。 Then, the control function 155 inputs the relative values of the statistical features calculated from the medical data on the date of the medical treatment for the patient or within the target period before the date of the treatment, and the statistical features calculated from the medical data within the reference period, into the trained model described above, thereby controlling the output of the probability that the patient's condition will suddenly change a specified number of days after the date of the treatment.

具体的には、制御機能１５５は、第２の取得機能１５２によって取得された対象期間内の各種の診療データ及び基準期間内の診療データそれぞれから、診療データごとに、各種の統計的特徴量を算出する。その後、制御機能１５５は、対象期間の統計的特徴量と基準期間の統計的特徴量との相対値を算出し、算出した相対値を記憶回路１２０に記憶されている学習済みモデルに入力することで、新しい診療データの診療の実施日から所定日数後に当該新しい診療データの患者に病状急変が発生する確率を出力させる。そして、制御機能１５５は、学習済みモデルから出力された確率を予測結果として記憶回路１２０に記憶させる。 Specifically, the control function 155 calculates various statistical features for each medical data from the various medical data within the target period and the medical data within the reference period acquired by the second acquisition function 152. The control function 155 then calculates the relative value between the statistical feature value for the target period and the statistical feature value for the reference period, and inputs the calculated relative value into the trained model stored in the memory circuitry 120, thereby outputting the probability that a sudden change in the condition of the patient of the new medical data will occur a predetermined number of days after the date of treatment of the new medical data. The control function 155 then stores the probability output from the trained model in the memory circuitry 120 as a prediction result.

例えば、図１２に示した例のように、予測対象の患者に関する診療の実施日の１日間の統計的特徴量と、患者ごとに決められた基準期間内の診療データから算出された統計的特徴量との相対値の入力を受け付ける学習済みモデルが生成されている場合には、第２の取得機能１５２が、新しい診療データに関する診療の実施日の１日間の診療データと、患者ごとに決められた基準期間内の診療データとを取得する。この場合に、制御機能１５５は、第２の取得機能１５２によって取得された１日間の診療データ及び基準期間の診療データそれぞれから、中央値、四分位範囲等の各種の統計的特徴量を算出し、さらに、それぞれの特徴量の相対値を算出し、算出した相対値を学習済みモデルに入力することで、病状急変が発生する確率を出力させる。 For example, as shown in the example of FIG. 12, when a trained model is generated that accepts input of the relative values between the statistical feature values for one day on the day of medical treatment for the patient to be predicted and the statistical feature values calculated from the medical data within a reference period determined for each patient, the second acquisition function 152 acquires the medical data for one day on the day of medical treatment for the new medical data and the medical data within the reference period determined for each patient. In this case, the control function 155 calculates various statistical feature values such as the median and the interquartile range from each of the one-day medical data and the medical data for the reference period acquired by the second acquisition function 152, and further calculates the relative values of each feature value and inputs the calculated relative values into the trained model to output the probability of a sudden change in the condition.

そして、制御機能１５５は、第１の実施形態と同様に、患者に関する診療の実施日又は当該実施日以前の対象期間内の診療データから算出された相対値と、当該実施日から所定日数後に当該患者に病状急変が発生する確率を示す情報とディスプレイ１４０に表示する。 Then, as in the first embodiment, the control function 155 displays on the display 140 a relative value calculated from the medical data on the date of medical treatment for the patient or within the target period prior to the date of treatment, and information indicating the probability that the patient's condition will suddenly change a specified number of days after the date of treatment.

例えば、上述した第２の取得機能１５２、生成機能１５３、学習機能１５４、及び制御機能１５５によって行われる学習時の処理及び運用時の処理は、以下のように実現される。 For example, the learning process and operation process performed by the second acquisition function 152, generation function 153, learning function 154, and control function 155 described above are realized as follows.

図１４は、第２の実施形態に係る診療情報処理装置１００によって行われる学習時の処理の処理手順を示すフローチャートである。 Figure 14 is a flowchart showing the processing steps of the learning process performed by the medical information processing device 100 according to the second embodiment.

例えば、図１４に示すように、学習時には、第２の取得機能１５２が、予め決められたタイミング又は操作者から学習開始の指示を受け付けたタイミングで（ステップＳ２１１，Ｙｅｓ）、記憶回路１２０を参照して、複数の患者について、急変情報と、対象期間内の診療データとを取得する（ステップＳ２１２）。 For example, as shown in FIG. 14, during learning, the second acquisition function 152 refers to the memory circuitry 120 at a predetermined timing or when an instruction to start learning is received from the operator (step S211, Yes) to acquire sudden change information and medical data within the target period for multiple patients (step S212).

さらに、第２の取得機能１５２は、患者ごとに、診療データに基づいて基準期間を決定し、基準期間内の診療データを取得する（ステップＳ２１３）。 Furthermore, the second acquisition function 152 determines a reference period for each patient based on the medical data, and acquires the medical data within the reference period (step S213).

その後、生成機能１５３が、第２の取得機能１５２によって取得された対象期間内の診療データから統計的特徴量を算出し（ステップＳ２１４）、さらに、基準期間内の診療データから統計的特徴量を算出する（ステップＳ２１５）。 Then, the generation function 153 calculates statistical features from the medical data within the target period acquired by the second acquisition function 152 (step S214), and further calculates statistical features from the medical data within the reference period (step S215).

その後、生成機能１５３は、対象期間の統計的特徴量と基準期間の統計的特徴量との相対値を算出し（ステップＳ２１６）、算出した相対値と急変情報とを患者ごとに対応付けたデータを学習用データとして生成する（ステップＳ２１７）。 Then, the generation function 153 calculates the relative value between the statistical feature of the target period and the statistical feature of the reference period (step S216), and generates data in which the calculated relative value and the sudden change information are associated for each patient as learning data (step S217).

そして、学習機能１５４が、生成機能１５３によって生成された学習用データを用いた機械学習によって、学習済みモデルを生成する（ステップＳ２１８）。 Then, the learning function 154 generates a trained model by machine learning using the learning data generated by the generation function 153 (step S218).

ここで、上述したステップＳ２１１～Ｓ２１３の処理は、例えば、処理回路１５０が第２の取得機能１５２に対応する所定のプログラムを記憶回路１２０から読み出して実行することにより実現される。また、上述したステップＳ２１４～Ｓ２１７の処理は、例えば、処理回路１５０が生成機能１５３に対応する所定のプログラムを記憶回路１２０から読み出して実行することにより実現される。また、上述したステップＳ２１８の処理は、例えば、処理回路１５０が学習機能１５４に対応する所定のプログラムを記憶回路１２０から読み出して実行することにより実現される。 The above-mentioned steps S211 to S213 are realized, for example, by the processing circuitry 150 reading out a predetermined program corresponding to the second acquisition function 152 from the storage circuitry 120 and executing it. The above-mentioned steps S214 to S217 are realized, for example, by the processing circuitry 150 reading out a predetermined program corresponding to the generation function 153 from the storage circuitry 120 and executing it. The above-mentioned step S218 is realized, for example, by the processing circuitry 150 reading out a predetermined program corresponding to the learning function 154 from the storage circuitry 120 and executing it.

図１５は、第２の実施形態に係る診療情報処理装置１００によって行われる運用時の処理の処理手順を示すフローチャートである。 Figure 15 is a flowchart showing the processing steps during operation performed by the medical information processing device 100 according to the second embodiment.

例えば、図１５に示すように、運用時には、第２の取得機能１５２が、第１の取得機能１５１によって新しい診療データが取得された場合に（ステップＳ２２１，Ｙｅｓ）、記憶回路１２０を参照して、当該新しい診療データの患者について、対象期間内の診療データを取得する（ステップＳ２２２）。 For example, as shown in FIG. 15, during operation, when new medical data is acquired by the first acquisition function 151 (step S221, Yes), the second acquisition function 152 refers to the memory circuit 120 to acquire medical data within the target period for the patient of the new medical data (step S222).

さらに、第２の取得機能１５２は、当該新しい診療データの患者について、診療データに基づいて基準期間を決定し、基準期間内の診療データを取得する（ステップＳ２２３）。 Furthermore, the second acquisition function 152 determines a reference period for the patient of the new medical data based on the medical data, and acquires the medical data within the reference period (step S223).

その後、制御機能１５５が、第２の取得機能１５２によって取得された対象期間内の診療データから統計的特徴量を算出し（ステップＳ２２４）、さらに、基準期間内の診療データから統計的特徴量を算出する（ステップＳ２２５）。 Then, the control function 155 calculates statistical features from the medical data within the target period acquired by the second acquisition function 152 (step S224), and further calculates statistical features from the medical data within the reference period (step S225).

その後、制御機能１５５は、対象期間の統計的特徴量と基準期間の統計的特徴量との相対値を算出し（ステップＳ２２６）、算出した相対値を記憶回路１２０に記憶されている学習済みモデルに入力することで、病状急変が発生する確率を出力させる（ステップＳ２２７）。 Then, the control function 155 calculates the relative value between the statistical feature of the target period and the statistical feature of the reference period (step S226), and inputs the calculated relative value into the trained model stored in the memory circuitry 120, thereby outputting the probability of a sudden change in the condition (step S227).

そして、制御機能１５５は、統計的特徴量の推移を示す情報と、学習済みモデルから出力された病状急変の発生確率を示す情報とをディスプレイ１４０に表示する（ステップＳ２２８）。 Then, the control function 155 displays on the display 140 information indicating the trend of the statistical features and information indicating the probability of occurrence of a sudden change in the condition output from the trained model (step S228).

ここで、上述したステップＳ２２１～Ｓ２２３の処理は、例えば、処理回路１５０が第２の取得機能１５２に対応する所定のプログラムを記憶回路１２０から読み出して実行することにより実現される。また、上述したステップＳ２２４～Ｓ２２８の処理は、例えば、処理回路１５０が制御機能１５５に対応する所定のプログラムを記憶回路１２０から読み出して実行することにより実現される。 The above-mentioned steps S221 to S223 are realized, for example, by the processing circuitry 150 reading out a predetermined program corresponding to the second acquisition function 152 from the storage circuitry 120 and executing it. The above-mentioned steps S224 to S228 are realized, for example, by the processing circuitry 150 reading out a predetermined program corresponding to the control function 155 from the storage circuitry 120 and executing it.

上述したように、第２の実施形態では、学習済みモデルに入力される情報を、対象期間内の診療データから算出された統計的特徴量と、患者ごとに決められた基準期間内の診療データから算出された統計的特徴量との相対値としている。 As described above, in the second embodiment, the information input to the trained model is the relative value between the statistical feature calculated from the medical data within the target period and the statistical feature calculated from the medical data within a reference period determined for each patient.

したがって、第２の実施形態によれば、患者ごとに基準値が異なるような場合でも、心不全等の病状急変の前兆をより正確に予測することができる。 Therefore, according to the second embodiment, even when the reference values differ for each patient, it is possible to more accurately predict the signs of a sudden change in the condition of a patient, such as heart failure.

（他の実施形態）
なお、上述した各実施形態では、診療情報処理装置１００が、日単位で患者の病状急変の発生を予測する場合の例を説明したが、実施形態はこれに限られない。例えば、診療情報処理装置１００は、時単位で患者の病状急変の発生を予測してもよい。 Other Embodiments
In the above-described embodiments, the medical information processing device 100 predicts the occurrence of a sudden change in the patient's condition on a daily basis, but the embodiment is not limited to this. For example, the medical information processing device 100 may predict the occurrence of a sudden change in the patient's condition on an hourly basis.

その場合には、例えば、学習済みモデルは、予測対象の患者に関する診療の実施時点以前の診療データとして、時間で表される特定の期間内の診療データを入力し、当該実施時点から所定時間後における患者の病状急変の発生に関する情報を出力する。 In that case, for example, the trained model inputs medical data from a specific period of time, expressed in hours, as medical data prior to the time of medical treatment for the patient to be predicted, and outputs information regarding the occurrence of a sudden change in the patient's condition a specified time after the time of treatment.

また、第２の取得機能１５２は、学習時には、病状急変の発生時点から所定時間だけ遡った時点以前の特定の期間内の診療データを取得し、運用時には、患者に関する診療の実施時点以前の診療データとして、時間で表される特定の期間内の診療データを取得する。 In addition, the second acquisition function 152, during learning, acquires medical data from a specific period of time prior to a point that is a predetermined time prior to the occurrence of a sudden change in the patient's condition, and during operation, acquires medical data from a specific period of time expressed in hours as medical data prior to the time medical treatment was provided for the patient.

この場合に、例えば、診療情報処理装置１００は、運用時に、病状急変の予測に用いる診療データの期間を一部が重複するようにずらしながら、当該期間よりも短い時間間隔で患者の病状急変の発生を予測するようにしてもよい。 In this case, for example, during operation, the medical information processing device 100 may shift the period of medical data used to predict a sudden change in the patient's condition so that they partially overlap, and predict the occurrence of a sudden change in the patient's condition at a time interval shorter than that period.

具体的には、この場合には、制御機能１５５が、第２の取得機能１５２が診療データを取得する特定の期間よりも短い時間間隔で、患者の病状急変に関する情報を学習済みモデルに出力させることによって病状急変を予測する。例えば、制御機能１５５は、８時間ごとに、患者の病状急変に関する情報を学習済みモデルに出力させる。 Specifically, in this case, the control function 155 predicts a sudden change in the patient's condition by causing the trained model to output information regarding a sudden change in the patient's condition at time intervals shorter than the specific period during which the second acquisition function 152 acquires medical data. For example, the control function 155 causes the trained model to output information regarding a sudden change in the patient's condition every eight hours.

また、第２の取得機能１５２が、制御機能１５５が病状急変を予測するごとに、診療データを取得する期間を一部が重複するようにずらしながら、診療データを取得する。例えば、第２の取得機能１５２は、制御機能１５５が８時間ごとに病状急変を予測する場合には、２４時間分の診療データを取得することで、１６時間分の診療データを重複させながら、診療データを取得する。 In addition, each time the control function 155 predicts a sudden change in the condition, the second acquisition function 152 acquires the medical data while shifting the period for acquiring the medical data so that some of the data overlaps. For example, when the control function 155 predicts a sudden change in the condition every 8 hours, the second acquisition function 152 acquires 24 hours' worth of medical data, thereby acquiring 16 hours' worth of medical data while overlapping the medical data.

また、上述した各実施形態では、病状急変の発生に関する情報が、病状急変が発生する確率である場合の例を説明したが、実施形態はこれに限られない。 In addition, in each of the above-described embodiments, an example has been described in which the information regarding the occurrence of a sudden change in medical condition is the probability of the occurrence of a sudden change in medical condition, but the embodiments are not limited to this.

例えば、病状急変の発生に関する情報は、病状急変の有無を示す情報であってもよい。 For example, information regarding the occurrence of a sudden change in medical condition may be information indicating whether or not there has been a sudden change in medical condition.

この場合には、例えば、学習済みモデルが、入力された診療データに基づいて病状急変が発生する確率を導出した後に、導出した確率の大きさに応じて病状急変の有無を判定し、判定結果を出力する。そして、制御機能１５５が、学習済みモデルから出力された判定結果に基づいて、病状急変の有無を示す情報をディスプレイ１４０に表示する。 In this case, for example, the trained model derives the probability of a sudden change in the condition based on the input medical data, and then determines whether or not there is a sudden change in the condition depending on the magnitude of the derived probability, and outputs the determination result. Then, the control function 155 displays information indicating whether or not there is a sudden change in the condition on the display 140 based on the determination result output from the trained model.

または、例えば、学習済みモデルは上述した各実施形態と同様に病状急変が発生する確率を出力し、制御機能１５５が、学習済みモデルから出力された確率の大きさに応じて病状急変の有無を判定し、その判定結果に基づいて、病状急変の有無を示す情報をディスプレイ１４０に表示してもよい。 Alternatively, for example, the trained model may output the probability of a sudden change in the condition occurring as in each of the above-described embodiments, and the control function 155 may determine whether or not there is a sudden change in the condition depending on the magnitude of the probability output from the trained model, and based on the determination result, display information indicating whether or not there is a sudden change in the condition on the display 140.

この場合に、例えば、学習済みモデル又は制御機能１５５は、導出した確率が所定の閾値（例えば、１０％等）未満である場合は、病状急変が無いと判定し、導出した確率が当該閾値以上である場合は、病状急変が有ると判定する。 In this case, for example, the trained model or control function 155 determines that there is no sudden change in the condition if the derived probability is less than a predetermined threshold (e.g., 10%), and determines that there is a sudden change in the condition if the derived probability is equal to or greater than the threshold.

または、例えば、病状急変の発生に関する情報は、病状急変が発生する確かさの度合いを示すスコアであってもよい。 Or, for example, the information regarding the occurrence of a sudden change in medical condition may be a score indicating the degree of certainty that a sudden change in medical condition will occur.

この場合には、例えば、学習済みモデルが、入力された診療データに基づいて病状急変が発生する確率を導出した後に、導出した確率の大きさを示すスコアを算出して出力する。そして、制御機能１５５が、学習済みモデルから出力されたスコアを示す情報をディスプレイ１４０に表示する。 In this case, for example, the trained model derives the probability of a sudden change in the condition based on the input medical data, and then calculates and outputs a score indicating the magnitude of the derived probability. Then, the control function 155 displays information indicating the score output from the trained model on the display 140.

または、例えば、学習済みモデルは上述した各実施形態と同様に病状急変が発生する確率を出力し、制御機能１５５が、学習済みモデルから出力された確率の大きさを示すスコアを算出し、算出したスコアを示す情報をディスプレイ１４０に表示してもよい。 Alternatively, for example, the trained model may output the probability of a sudden change in the condition occurring as in each of the above-described embodiments, and the control function 155 may calculate a score indicating the magnitude of the probability output from the trained model, and display information indicating the calculated score on the display 140.

または、例えば、確率からスコアを算出するのではなく、初めから病状急変をスコアで学習するようにしてもよい。その場合には、学習機能１５４が、スコアを学習用データに含めた機械学習を行うことによって、スコアを病状急変の発生に関する情報として出力する学習済みモデルを生成してもよい。 Alternatively, for example, instead of calculating the score from the probability, the sudden change in the condition may be learned from the beginning using the score. In that case, the learning function 154 may perform machine learning that includes the score in the learning data, thereby generating a learned model that outputs the score as information regarding the occurrence of a sudden change in the condition.

なお、例えば、学習済みモデル又は制御機能１５５は、スコアの代わりに、高／中／低のような複数の度合いを用いて、確率の大きさを示すようにしてもよい。 For example, the learned model or control function 155 may indicate the magnitude of the probability using multiple degrees such as high/medium/low instead of a score.

また、上述した各実施形態では、運用時に、制御機能１５５が、１つの時点で学習済みモデルから出力された病状急変の発生に関する情報をディスプレイ１４０に表示させる場合の例を説明したが、実施形態はこれに限られない。 In addition, in each of the above-described embodiments, an example has been described in which the control function 155 displays information on the occurrence of a sudden change in medical condition output from the trained model at a single point in time on the display 140 during operation, but the embodiments are not limited to this.

例えば、制御機能１５５は、１つの時点で学習済みモデルから出力された情報に加えて、その直前の複数の時点で学習済みモデルから出力された情報に基づいて、病状急変の発生に関する情報をディスプレイ１４０に表示させてもよい。すなわち、制御機能１５５は、１つの時点における予測結果だけでなく、その直前の複数の時点における予測結果も加味して、病状急変の発生を予測する。 For example, the control function 155 may display information regarding the occurrence of a sudden change in the condition on the display 140 based on information output from the trained model at one time point, as well as information output from the trained model at multiple time points immediately prior to that time point. In other words, the control function 155 predicts the occurrence of a sudden change in the condition by taking into account not only the prediction result at one time point, but also the prediction results at multiple time points immediately prior to that time point.

この場合に、例えば、制御機能１５５は、１つの時点で学習済みモデルから出力された確率を、その直前の複数の時点で学習済みモデルから出力された確率に基づいて補正して、ディスプレイ１４０に表示させる。 In this case, for example, the control function 155 corrects the probability output from the trained model at one point in time based on the probabilities output from the trained model at multiple immediately preceding points in time, and displays it on the display 140.

例えば、制御機能１５５は、１つの時点で学習済みモデルから出力された確率と、その直前の複数の時点で学習済みモデルから出力された確率との平均値を算出して、ディスプレイ１４０に表示させる。このとき、制御機能１５５は、複数の時点に基づく平均値のみを表示させてもよいし、１つの時点における確率と、複数の時点に基づく平均値とを同時に表示させてもよい。 For example, the control function 155 calculates the average value of the probability output from the trained model at one time point and the probabilities output from the trained model at multiple time points immediately preceding that point, and displays the calculated value on the display 140. At this time, the control function 155 may display only the average value based on multiple time points, or may simultaneously display the probability at one time point and the average value based on multiple time points.

または、例えば、制御機能１５５は、前述したように、病状急変の発生に関する情報として、病状急変の有無を示す情報を表示させる場合に、１つの時点における確率だけではなく、その直前の複数の時点における確率を加味して、病状急変の有無を判定するようにしてもよい。 Or, for example, as described above, when the control function 155 displays information indicating whether or not there is a sudden change in the condition as information regarding the occurrence of a sudden change in the condition, it may determine whether or not there is a sudden change in the condition by taking into account not only the probability at a single point in time, but also the probability at multiple points in time immediately preceding that point in time.

この場合に、例えば、制御機能１５５は、１つの時点における確率と、その直前の複数の時点における確率とに基づいて、複数の確率が連続して所定の閾値（例えば、１０％等）以上となっていた場合に、病状急変が有ると判定し、それ以外の場合に、病状急変が無いと判定する。または、例えば、制御機能１５５は、複数の確率が連続して増加していた場合に病状急変が有ると判定し、それ以外の場合に病状急変が無いと判定してもよい。 In this case, for example, the control function 155 determines that there is a sudden change in the condition if multiple probabilities are consecutively equal to or greater than a predetermined threshold (e.g., 10%) based on the probability at one time point and the probabilities at multiple time points immediately preceding that, and determines that there is no sudden change in the condition in other cases. Alternatively, for example, the control function 155 may determine that there is a sudden change in the condition if multiple probabilities are consecutively increasing, and determine that there is no sudden change in the condition in other cases.

ここで、例えば、制御機能１５５は、前述したように、複数の患者について、図８に示した画面に含まれる情報を簡略した情報を並べて一覧表示する場合には、病状急変が有ると判定した患者を一覧上で強調して表示するようにしてもよい。 For example, as described above, when displaying a list of simplified information for multiple patients that is included in the screen shown in FIG. 8, the control function 155 may highlight patients who are determined to have experienced a sudden change in their condition in the list.

また、上述した各実施形態では、学習済みモデルに入力される診療データに関する情報が、統計的特徴量又は統計的特徴量の相対値である場合の例を説明したが、実施形態はこれに限られない。例えば、学習済みモデルに入力される診療データに関する情報は、診療データ自体であってもよい。すなわち、この場合には、学習モデルが、入力された診療データから統計的特徴量を算出するようにさらに機能付けられていている。そして、この場合には、制御機能１５５が、診療データを学習モデルに入力することで、病状急変が発生する確率を出力させる。 In addition, in each of the above-mentioned embodiments, an example has been described in which the information on the medical data input to the trained model is a statistical feature or a relative value of a statistical feature, but the embodiments are not limited to this. For example, the information on the medical data input to the trained model may be the medical data itself. That is, in this case, the training model is further provided with a function to calculate a statistical feature from the input medical data. In this case, the control function 155 inputs the medical data into the training model, thereby outputting the probability of a sudden change in the condition occurring.

また、上述した各実施形態では、１つの診療情報処理装置１００で学習と運用とを行う場合の例を説明したが、実施形態はこれに限られない。例えば、学習済みモデルを生成する学習時の処理は、診療情報処理装置１００とは別の装置（以下、モデル生成装置と呼ぶ）で行うようにしてもよい。例えば、モデル生成装置は、電子カルテシステム３００、放射線部門システム４００、及び検体検査システム５００によって生成された診療データを随時取得して蓄積し、定期的に、学習済みモデルを生成又は更新する。この場合には、モデル生成装置が、学習済みモデルの生成で用いられる急変情報を記憶し、診療情報処理装置１００は、実際に発生したか否かを示す情報をモデル生成装置にフィードバックする。そして、診療情報処理装置１００は、予め決められたタイミング又は操作者からモデル取得の指示を受け付けたタイミングで、モデル生成装置から学習済みモデルを取得して、記憶回路１２０に記憶させる。 In addition, in each of the above-mentioned embodiments, an example in which learning and operation are performed by one medical information processing device 100 has been described, but the embodiment is not limited to this. For example, the learning process for generating a trained model may be performed by a device (hereinafter referred to as a model generation device) other than the medical information processing device 100. For example, the model generation device acquires and accumulates medical data generated by the electronic medical record system 300, the radiology department system 400, and the specimen testing system 500 at any time, and periodically generates or updates a trained model. In this case, the model generation device stores the sudden change information used in generating the trained model, and the medical information processing device 100 feeds back information indicating whether or not the sudden change has actually occurred to the model generation device. Then, the medical information processing device 100 acquires the trained model from the model generation device at a predetermined timing or at a timing when an instruction to acquire the model is received from the operator, and stores the trained model in the memory circuitry 120.

また、上述した各実施形態では、診療情報処理装置１００が予測する所定の状態変化を病状急変とした場合の例を説明したが、実施形態はこれに限られない。例えば、診療情報処理装置１００は、各実施形態で説明した方法と同様の方法により、治療の副作用発生や、術後感染のような治療対象の疾患とは直接関係のない理由での状態悪化等の他の状態変化を予測することも可能である。 In addition, in each of the above-described embodiments, an example has been described in which the specified condition change predicted by the medical information processing device 100 is a sudden change in the condition, but the embodiment is not limited to this. For example, the medical information processing device 100 can also predict other condition changes, such as the occurrence of side effects from treatment or a worsening of the condition for reasons that are not directly related to the disease being treated, such as postoperative infection, using a method similar to that described in each embodiment.

また、上述した各実施形態では、本明細書における第１の取得部、第２の取得部、生成部、学習部、及び制御部を、それぞれ、処理回路１５０の第１の取得機能１５１、第２の取得機能１５２、生成機能１５３、学習機能１５４、及び制御機能１５５によって実現する場合の例を説明したが、実施形態はこれに限られない。例えば、本明細書における第１の取得部、第２の取得部、生成部、学習部、及び制御部は、実施形態で述べた第１の取得機能１５１、第２の取得機能１５２、生成機能１５３、学習機能１５４、及び制御機能１５５によって実現する他にも、ハードウェアのみ、又は、ハードウェアとソフトウェアとの混合によって同機能を実現するものであっても構わない。 In addition, in each of the above-mentioned embodiments, examples have been described in which the first acquisition unit, second acquisition unit, generation unit, learning unit, and control unit in this specification are realized by the first acquisition function 151, second acquisition function 152, generation function 153, learning function 154, and control function 155 of the processing circuit 150, respectively, but the embodiments are not limited to this. For example, the first acquisition unit, second acquisition unit, generation unit, learning unit, and control unit in this specification may be realized by the first acquisition function 151, second acquisition function 152, generation function 153, learning function 154, and control function 155 described in the embodiments, or may be realized by hardware alone or a combination of hardware and software.

なお、上述した説明で用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサは、記憶回路１２０に保存されたプログラムを読み出して実行することで、機能を実現する。なお、記憶回路１２０にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むように構成しても構わない。この場合は、プロセッサは回路内に組み込まれたプログラムを読み出して実行することで機能を実現する。また、本実施形態のプロセッサは、単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて一つのプロセッサとして構成され、その機能を実現するようにしてもよい。 The term "processor" used in the above description means, for example, a circuit such as a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), an Application Specific Integrated Circuit (ASIC), a programmable logic device (for example, a Simple Programmable Logic Device (SPLD), a Complex Programmable Logic Device (CPLD), and a Field Programmable Gate Array (FPGA)). The processor realizes its function by reading and executing a program stored in the memory circuit 120. Instead of storing a program in the memory circuit 120, the processor may be configured to directly incorporate the program into the circuit. In this case, the processor realizes its function by reading and executing the program incorporated in the circuit. The processor of this embodiment is not limited to being configured as a single circuit, but may be configured as a single processor by combining multiple independent circuits to realize its function.

ここで、プロセッサによって実行されるプログラムは、ＲＯＭ（Read Only Memory）や記憶回路等に予め組み込まれて提供される。なお、このプログラムは、これらの装置にインストール可能な形式又は実行可能な形式のファイルでＣＤ（Compact Disk）－ＲＯＭ、ＦＤ（Flexible Disk）、ＣＤ－Ｒ（Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記憶媒体に記録されて提供されてもよい。また、このプログラムは、インターネット等のネットワークに接続されたコンピュータ上に格納され、ネットワーク経由でダウンロードされることにより提供又は配布されてもよい。例えば、このプログラムは、上述した各機能部を含むモジュールで構成される。実際のハードウェアとしては、ＣＰＵが、ＲＯＭ等の記憶媒体からプログラムを読み出して実行することにより、各モジュールが主記憶装置上にロードされて、主記憶装置上に生成される。 Here, the program executed by the processor is provided in advance in a ROM (Read Only Memory) or a storage circuit. The program may be provided in a format that can be installed in these devices or in a format that can be executed, recorded on a computer-readable storage medium such as a CD (Compact Disk)-ROM, FD (Flexible Disk), CD-R (Recordable), or DVD (Digital Versatile Disk). The program may also be provided or distributed by being stored on a computer connected to a network such as the Internet and downloaded via the network. For example, the program is composed of modules including each of the functional units described above. In terms of actual hardware, the CPU reads and executes the program from a storage medium such as a ROM, and each module is loaded onto the main storage device and generated on the main storage device.

以上説明した少なくとも１つの実施形態によれば、病状急変の前兆をより正確に予測することができる。 According to at least one of the embodiments described above, it is possible to more accurately predict the signs of a sudden change in the patient's condition.

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これらの実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。 Although several embodiments of the present invention have been described, these embodiments are presented as examples and are not intended to limit the scope of the invention. These embodiments can be implemented in various other forms, and various omissions, substitutions, and modifications can be made without departing from the gist of the invention. These embodiments and their modifications are within the scope of the invention and its equivalents as set forth in the claims, as well as the scope and gist of the invention.

１００診療情報処理装置
１５０処理回路
１５１第１の取得機能
１５２第２の取得機能
１５３生成機能
１５４学習機能
１５５制御機能 100 Medical information processing device 150 Processing circuit 151 First acquisition function 152 Second acquisition function 153 Generation function 154 Learning function 155 Control function

Claims

被検体に関する診療データのうち、前記被検体の所定の状態変化の発生時点から所定期間だけ遡った時点以前の特定の期間内の診療データと、前記被検体ごとに決められた基準期間内の診療データとを取得する取得部と、
前記特定の期間内の診療データ及び前記基準期間内の診療データそれぞれから統計的特徴量を算出し、前記特定の期間内の診療データから算出された統計的特徴量と前記基準期間内の診療データから算出された統計的特徴量との相対値を算出し、算出された相対値に基づいて、予測対象の被検体に関する診療の実施時点以前の前記特定の期間内の診療データから算出された統計的特徴量と前記基準期間内の診療データから算出された統計的特徴量との相対値の入力を受け付けて当該実施時点から前記所定期間後における当該被検体の前記所定の状態変化の発生に関する情報を出力する学習済みモデルを生成するための学習用データを生成する生成部と
を備える、診療情報処理装置。 an acquisition unit that acquires, from among medical data relating to a subject, medical data within a specific period preceding a time point that is a predetermined period prior to the occurrence of a predetermined change in condition of the subject, and medical data within a reference period determined for each of the subjects;
and a generation unit that calculates statistical features from each of the medical data within the specific period and the medical data within the reference period, calculates a relative value between the statistical feature calculated from the medical data within the specific period and the statistical feature calculated from the medical data within the reference period, and generates learning data for generating a trained model that accepts an input of the relative value between the statistical feature calculated from the medical data within the specific period prior to a time point at which medical treatment is performed on a subject to be predicted and the statistical feature calculated from the medical data within the reference period, based on the calculated relative value, and outputs information regarding an occurrence of the predetermined change in condition of the subject after the predetermined period from the time point at which the medical treatment is performed.

前記取得部は、前記被検体に関する前記所定の状態変化の有無を示す急変情報をさらに取得し、
前記生成部は、前記特定の期間内の診療データから算出された統計的特徴量と前記基準期間内の診療データから算出された統計的特徴量との相対値及び前記急変情報を含むデータを、前記学習用データとして生成する、
請求項１に記載の診療情報処理装置。 The acquisition unit further acquires sudden change information indicating the presence or absence of the predetermined state change regarding the subject,
The generation unit generates, as the learning data, data including a relative value between a statistical feature calculated from the medical data within the specific period and a statistical feature calculated from the medical data within the reference period and the sudden change information.
The medical information processing device according to claim 1 .

前記特定の期間は、前記所定の状態変化の発生日から所定日数だけ遡った日に含まれる一定期間である、
請求項１又は２に記載の診療情報処理装置。 The specific period is a certain period that is included in a predetermined number of days prior to the date on which the predetermined state change occurred.
The medical information processing device according to claim 1 .

前記特定の期間は、前記所定の状態変化の発生日から所定日数だけ遡った日以前の複数の異なる期間であり、各期間が、前記遡った日に含まれる一定期間を含むように設定されている、
請求項１又は２に記載の診療情報処理装置。 The specific period is a plurality of different periods that are a predetermined number of days prior to the date on which the predetermined state change occurred, and each period is set to include a certain period that is included in the preceding date.
The medical information processing device according to claim 1 .

前記特定の期間は、前記所定の状態変化の発生日から所定日数だけ遡った日以前の複数の異なる期間の中から前記診療データに関する情報に応じて選択された期間である、
請求項１又は２に記載の診療情報処理装置。 The specific period is a period selected from a plurality of different periods preceding a predetermined number of days from the occurrence date of the predetermined condition change according to information on the medical data.
The medical information processing device according to claim 1 .

被検体に関する診療の実施時点以前の特定の期間内の診療データと、前記被検体ごとに決められた基準期間内の診療データとを取得する取得部と、
前記特定の期間内の診療データ及び前記基準期間内の診療データそれぞれから統計的特徴量を算出し、前記特定の期間内の診療データから算出された統計的特徴量と前記基準期間内の診療データから算出された統計的特徴量との相対値を算出し、予測対象の被検体に関する診療の実施時点以前の前記特定の期間内の診療データから算出された統計的特徴量と前記基準期間内の診療データから算出された統計的特徴量との相対値の入力を受け付けて当該実施時点から所定期間後における当該被検体の所定の状態変化の発生に関する情報を出力する学習済みモデルに対して、前記算出された相対値を入力することで、前記被検体に関する診療の実施時点から前記所定期間後における当該被検体の前記所定の状態変化の発生に関する情報を出力させるように制御する制御部と
を備える、診療情報処理装置。 An acquisition unit that acquires medical data for a specific period before a medical treatment is performed on a subject and medical data for a reference period determined for each subject;
and a control unit that calculates statistical features from each of the medical data within the specific period and the medical data within the reference period, calculates a relative value between the statistical feature features calculated from the medical data within the specific period and the statistical feature features calculated from the medical data within the reference period, and inputs the calculated relative value into a trained model that accepts an input of the relative value between the statistical feature features calculated from the medical data within the specific period prior to the time of performance of a medical treatment on a subject to be predicted and the statistical feature features calculated from the medical data within the reference period, and outputs information regarding the occurrence of a predetermined change in condition of the subject after a predetermined period from the time of performance of the medical treatment on the subject, thereby controlling the trained model to output information regarding the occurrence of the predetermined change in condition of the subject after the predetermined period from the time of performance of the medical treatment on the subject.

被検体に関する診療の実施時点以前の前記特定の期間内の診療データから算出された統計的特徴量と前記基準期間内の診療データから算出された統計的特徴量との相対値及び当該被検体に関する前記所定の状態変化の発生に関する情報を学習用データとした機械学習によって、前記学習済みモデルを生成する学習部をさらに備える、
請求項６に記載の診療情報処理装置。 a learning unit that generates the trained model by machine learning using a relative value between a statistical feature calculated from medical data in the specific period before the implementation of medical care on the subject and a statistical feature calculated from medical data in the reference period, and information on the occurrence of the predetermined condition change on the subject as training data.
The medical information processing device according to claim 6.

前記制御部は、前記学習済みモデルから出力された情報に対して前記状態変化が実際に発生したか否かを入力する操作を操作者から受け付け、入力された結果を前記所定の状態変化の発生に関する情報にフィードバックする、
請求項７に記載の診療情報処理装置。 The control unit receives an operation from an operator to input whether or not the state change has actually occurred in response to the information output from the trained model, and feeds back the input result to information regarding the occurrence of the predetermined state change.
The medical information processing device according to claim 7.

被検体に関する診療の実施時点以前の特定の期間内の診療データ及び前記被検体ごとに決められた基準期間内の診療データそれぞれから統計的特徴量を算出し、前記特定の期間内の診療データから算出された統計的特徴量と前記基準期間内の診療データから算出された統計的特徴量との相対値を算出し、算出された相対値と、予測対象の被検体に関する診療の実施時点以前の前記特定の期間内の診療データから算出された統計的特徴量と前記基準期間内の診療データから算出された統計的特徴量との相対値の入力を受け付けて当該実施時点から所定期間後における当該被検体の所定の状態変化の発生に関する情報を出力する学習済みモデルに対して前記算出された相対値を入力することによって取得された、前記被検体に関する診療の実施時点から前記所定期間後における当該被検体の所定の状態変化の発生に関する情報とをディスプレイに表示する制御部
を備える、診療情報処理装置。 a control unit that calculates statistical features from medical data for a specific period before a medical treatment is performed on a subject and from medical data for a reference period determined for each of the subjects, calculates a relative value between the statistical features calculated from the medical data for the specific period and the statistical features calculated from the medical data for the reference period, and displays on a display the calculated relative value and information regarding the occurrence of a predetermined change in the condition of the subject after a specified period from the time of performance of the medical treatment on the subject, the information being acquired by inputting the calculated relative value into a trained model that accepts an input of a relative value between the statistical features calculated from the medical data for the specific period before a medical treatment is performed on a subject to be predicted and the statistical features calculated from the medical data for the reference period, and outputs information regarding the occurrence of a predetermined change in the condition of the subject after a specified period from the time of the performance.

前記制御部は、前記所定の状態変化の発生に関する情報の根拠となった診療データに関する情報を前記ディスプレイに表示する、
請求項９に記載の診療情報処理装置。 The control unit displays, on the display, information regarding medical data that is the basis of the information regarding the occurrence of the predetermined condition change.
The medical information processing device according to claim 9 .

前記制御部は、前記所定の状態変化の発生に関する情報の根拠となった診療データに関する情報の経時的な推移を示す情報を前記ディスプレイに表示する、
請求項１０に記載の診療情報処理装置。 The control unit displays, on the display, information indicating a time-dependent transition of information regarding the medical data on which the information regarding the occurrence of the predetermined condition change is based.
The medical information processing device according to claim 10.

前記所定の状態変化の発生に関する情報は、前記所定の状態変化が発生する確率、前記所定の状態変化の有無を示す情報、又は、前記所定の状態変化が発生する確かさの度合いを示すスコアである、
請求項１～１１のいずれか一つに記載の診療情報処理装置。 The information regarding the occurrence of the predetermined state change is a probability of the occurrence of the predetermined state change, information indicating the presence or absence of the predetermined state change, or a score indicating the degree of certainty that the predetermined state change will occur.
The medical information processing device according to any one of claims 1 to 11.