JP2021064126A - 推論システム、推論方法、推論プログラム、及びデータ構造 - Google Patents

Abstract

【課題】機械学習により処方箋データから処方薬の服薬指導文及び重要度の少なくとも１つを総合的に推論するため、服薬指導文及び重要度の少なくとも１つを高精度で推論する推論システムを提供する。【解決手段】人口知能サーバと、学習用データベースサーバと、コンピュータとがネットワークを介して接続された推論システムにおいて、人口知能サーバは、プロセッサと記憶装置を含み、処方薬の服薬指導文及び重要度の少なくとも１つを推論する。プロセッサは、処方箋データと服薬指導文データとが関連付けられた第1の学習用データ及び処方箋データと処方薬の重要度データとが関連付けられた第２の学習用データの少なくとも１つに基づいて、機械学習により学習済みモデルを生成する機械学習部と、学習済みモデルに入力された推論用の処方箋データから服薬指導文及び重要度の少なくとも１つを推論する推論部と、を備える。【選択図】図２

Description

本発明は、推論システム、推論方法、及び推論プログラムに関し、特に、機械学習により処方箋データから処方薬の服薬指導文及び重要度の少なくとも１つを推論する推論システム、推論方法、推論プログラム、及びデータ構造に関する。

病院やクリニックで診療を受けた患者は、病院やクリニックから発行された処方箋を薬局に持参し、処方箋に基づいて薬剤を受け取り、用法用量についての説明や服薬指導を薬剤師から受ける。

しかしながら、薬剤に関する副作用や注意事項は多岐にわたり、新しい薬剤が次々に上市されるため、経験の浅い薬剤師や新しい薬剤に疎い薬剤師にとって、適切な服薬指導を行ったり、薬剤の重要度に応じて服薬指導を行ったりすることが困難であった。

このような課題に鑑み、薬剤コードをキーとして服薬指示データベースを検索する服薬指示書作成装置が開示されている（特許文献１）。

特開平８−６３５１９号公報

しかしながら、特許文献１に示される服薬指示書作成装置では、服薬指示データベースから検索できるにすぎず、多岐にわたる薬剤の副作用や注意事項から適切な服薬指導文を高精度で推論することはできない。

本発明の推論システムは、プロセッサと記憶装置を含み、前記プロセッサが処方薬の服薬指導文及び重要度の少なくとも１つを推論する推論システムであって、前記プロセッサは、処方箋データと服薬指導文データとが関連付けられた第1の学習用データ及び前記処方箋データと前記処方薬の重要度データとが関連付けられた第２の学習用データの少なくとも１つに基づいて、機械学習により学習済みモデルを生成する機械学習部と、前記学習済みモデルに入力された推論用の処方箋データから前記服薬指導文及び前記重要度の少なくとも１つを推論する推論部と、を備える。

本発明によれば、機械学習により処方箋データから処方薬の服薬指導文及び重要度の少なくとも１つを総合的に推論するため、服薬指導文及び重要度の少なくとも１つを高精度で推論することができる。

本実施形態の推論システムのシステム構成の例を示すブロック図である。 本実施形態の人工知能サーバのシステム構成の例を示すブロック図である。 本実施形態の学習用データベースサーバのシステム構成の例を示すブロック図である。 本実施形態のコンピュータのシステム構成の例を示すブロック図である。 服薬指導文候補データから服薬指導文データを選択し、重要度データを入力する第1の例を示す図である。 服薬指導文候補データから服薬指導文データを選択し、重要度データを入力する第２の例を示す図である。 第１の学習用データとして格納されるデータの例を示す図である。 処方箋データの少なくとの１つを複数のグループに分類することにより拡張された第1の学習用データについて説明する図である。 第２の学習用データとして格納されるデータの例を示す図である。 本実施形態の推論方法の例を示すフローチャートである。 各種データの取得及び前処理、並びに学習済みモデルの生成及び格納の動作の例を示すシーケンス図である。 学習済みモデルによる推論及び推論結果の決定の動作の例を示すシーケンス図である。 コンピュータのディスプレイに表示された推論結果の例を示す図である。

本発明の実施形態の推論システムについて、図面を用いて説明する。図１は、本実施形態の推論システムのシステム構成の例を示すブロック図である。推論システム１は、処方薬の服薬指導文及び重要度の少なくとも１つを推論する。

図１に示すように、推論システム１は、ネットワーク２を介して電気的に接続され、相互に通信可能な人工知能サーバ３、学習用データベースサーバ４、及びコンピュータ（ＰＣ）５を備える。

図２は、本実施形態の人工知能サーバのシステム構成の例を示すブロック図である。図２に示すように、人工知能サーバ３は、プロセッサ２１、記憶装置（例えば、ＲＯＭやＲＡＭやＨＤＤ等）２２、入力装置２３、インターフェース２４、及び出力装置２５を備える。

プロセッサ２１は、ＣＰＵやＭＰＵやＧＰＵ等の制御装置であり、データ取得部３２、機械学習部３４、学習済みモデル格納部３５、及び推論部３６を備える。データ取得部３２、前処理部３３、機械学習部３４、学習済みモデル格納部３５、及び推論部３６はバス（図示せず）により電気的に接続され、相互に通信可能である。

図３は、本実施形態の学習用データベースサーバのシステム構成の例を示すブロック図である。図３に示すように、学習用データベースサーバ４は、プロセッサ３７、学習用データベース４１、記憶装置（例えば、ＲＯＭやＲＡＭやＨＤＤ等）４２、入力装置４３、インターフェース４４、及び出力装置４５を備える。プロセッサ３７は、ＣＰＵやＭＰＵやＧＰＵ等の制御装置であり、データ格納部３８、データ取得部３９、及び前処理部４０を備える。学習用データベース４１は、服薬指導文候補データ４６、処方箋データ４８、第１の学習用データ８０、及び第２の学習用データ８１を含む。処方箋データ４８は、処方薬のデータ（図示せず）、患者の属性データ４８０、処方薬の重要度データ４８１、及び患者の傷病名データ４８２を含む。

服薬指導文候補データ４６は、薬剤データ４７を含み、薬剤ごとに複数の服薬指導文データを格納している。なお、本実施形態では、服薬指導文は、診断項目及び計画項目を含む文章である。一般に、薬歴は、問題指向型診療記録（ＰＯＭＲ；Ｐｒｏｂｌｅｍ Ｏｒｉｅｎｔｅｄ Ｍｅｄｉｃａｌ Ｒｅｃｏｒｄ）に係るＳＯＡＰ方式に従って分類された項目ごとに必要な情報が記録されるものが多い。すなわち、服薬指導内容を薬歴情報に記録する場合においても、ＳＯＡＰ方式に従って服薬指導内容を記録する必要がある。本実施形態では、服薬指導文がＳＯＡＰ方式に従って構成されている。

処方箋データ４８は、処方薬の薬剤データ（薬剤名や薬剤コード）を含み（図示せず）、処方箋データ４８の薬剤データが薬剤データ４７と関連付けられている。これにより、処方箋データ４８は、服薬指導文候補データ４６と関連付けられている。処方箋データ４８の属性データ４８０は、処方箋を発行された患者の属性（年齢や性別等）のデータを含む。処方箋データ４８の傷病名データ４８２は、処方箋を発行された患者の傷病名のデータを含む。傷病名データ４８２は、コンピュータ５又は入力装置４３により医療機関のカルテデータ又は患者の聞き取りから入力される。

処方箋データ４８の重要度データ４８１は、服薬指導における処方薬の重要度（例えば、レベル０〜５）のデータを含む。これにより、処方箋ごとに処方箋データ４８と処方薬の重要度データ４８１とが関連付けられている。また、処方箋データ４８は、処方箋ごとに患者の傷病名データ４８２を含み、重要度データ４８１は、患者の傷病名に応じた処方薬の重要度のデータを含む。これにより、処方箋データ４８の処方薬及び患者の傷病名データが処方薬の重要度データ４８１と関連付けられている。

薬剤データ４７を介して処方箋ごとに服薬指導文候補データ４６から選択された服薬指導データと処方箋データ４８とが関連付けられた第１の学習用データ８０が、学習用データベース４１に格納される。処方箋ごとに処方箋データ４８と処方薬の重要度データ４８１とが関連付けられた第２の学習用データ８１が、学習用データベース４１に格納される。第１の学習用データ８０及び第２の学習用データ８１は、人工知能サーバ３の機械学習部３４の機械学習に用いられるデータである。

なお、図３では、服薬指導文候補データ４６及び処方箋データ４８には、薬剤データ（薬剤名や薬剤コード）が含まれるが、服薬指導文候補データ４６及び処方箋データ４８が薬剤データを含む代わりに、服薬指導文候補データ４６及び処方箋データ４８とは別に薬剤データが学習用データベース４１に格納されて、当該薬剤データが服薬指導文候補データ４６及び処方箋データ４８とそれぞれ関連付けられてもよい。

図４は、本実施形態のコンピュータのシステム構成の例を示すブロック図である。図４に示すように、コンピュータ５は、プロセッサ５０１、記憶装置（例えば、ＲＯＭやＲＡＭやＨＤＤ等）５２２、入力装置５２３、インターフェース５２４、及び出力装置５２５を備える。プロセッサ５０１は、ＣＰＵやＭＰＵやＧＰＵ等の制御装置であり、データ取得部５０２、重要度入力部５０４、選択部５０５、及び決定／修正部５０６を備える。

コンピュータ５は、データ取得部５０２により処方箋データ４８を取得し、処方箋データ４８を出力装置５２５のディスプレイに表示する。そして、コンピュータ５は、ディスプレイに表示された処方箋データ４８を見ながら操作者（例えば、薬剤師）により操作され、重要度入力部５０４により、処方薬の重要度データ４８１を入力する。また、コンピュータ５は、ディスプレイに表示された処方箋データ４８を見ながら操作者（例えば、薬剤師）により操作され、選択部５０５により、服薬指導文候補データ４６から服薬指導文データを選択し、処方箋データ４８と選択された服薬指導文データとを関連付ける。

図５及び図６は、コンピュータ５のディスプレイに表示される処方箋データ４８において、服薬指導文候補データ４６から服薬指導文データを選択し、重要度データ４８１を入力する例を示す図である。図５及び図６に示すように、コンピュータ５のディスプレイには、処方箋データ４８が、患者の属性領域６００，７００、処方薬／用法／用量領域６０１，６０２，７０１，７０２、及び処方薬／重要度領域６０４，７０５に表示される。また、処方箋データ４８の傷病名データ４８２がコンピュータ５の出力装置（ディスプレイ）５２５に表示される。

また、処方薬の薬剤データに対応する服薬指導文候補データ４６が、服薬指導カテゴリー領域６０３，７０３及び服薬指導文候補領域６０５，７０６に表示される。服薬指導カテゴリー領域６０３，７０３には、例えば、「薬効・薬理」、「年齢・性別」、「回避」、「飲み方・保管方法」、「副作用・症状」、及び「生活」のカテゴリーに分類され、カテゴリーごとの服薬指導文候補の数が表示される。服薬指導文候補領域６０５，７０６には、カテゴリーごとの服薬指導文候補の数及び服薬指導文候補６０６Ａ，６０６Ｂ，７０７Ａ，７０７Ｂが表示される。本実施形態では、服薬指導文候補６０６Ａ，６０６Ｂ，７０７Ａ，７０７Ｂ及び選択される服薬指導文は、ＳＯＡＰ方式に従った「Ａ（ａｓｓｅｓｓｍｅｎｔ）：評価」及び「Ｐ（ｐｌａｎ）： 計画（治療）」の２つの項目からなる。

操作者（例えば、薬剤師）は、処方箋データ４８を見ながら、入力装置５２３を操作し、選択部５０５を介して、処方箋データ４８に基づいて服薬指導文候補６０６Ａ，６０６Ｂ，７０７Ａ，７０７Ｂから適切な服薬指導文を選択する。これにより、処方箋データ４８と服薬指導文データとが関連付けられた第１の学習用データ８０が生成され、学習用データベース４１に格納される。また、処方薬に加えて、処方薬の用法、用量、処方履歴、処方種別、診療日、及び診療科名の少なくとも１つを含む処方箋データ４８と服薬指導文データとが関連付けられた第１の学習用データ８０が生成され、学習用データベース４１に格納される。

また、操作者（例えば、薬剤師）は、処方箋データ４８の属性領域６００，７００を見ながら、入力装置５２３を操作し、選択部５０５を介して、処方箋データ４８の患者の属性データ４８０に基づいて服薬指導文候補６０６Ａ，６０６Ｂ，７０７Ａ，７０７Ｂから適切な服薬指導文を選択する。これにより、患者の属性データ４８０を含む処方箋データ４８と服薬指導文データとを関連付けることにより拡張された第１の学習用データ８０が生成され、学習用データベース４１に格納される。

また、操作者（例えば、薬剤師）は、同じ薬剤（同じ薬剤名又は同じ薬剤コード）が同じ患者に対して初回に処方された場合（初診）に適切な服薬指導文であるか、２回目以上の継続して処方された場合（継続）に適切な服薬指導文であるかを判断し、入力装置５２３を操作し、選択部５０５を介して、初診又は／及び継続のチェックボックスを指定したうえで、服薬指導文候補６０６Ａ，６０６Ｂ，７０７Ａ，７０７Ｂから適切な服薬指導文を選択する。これにより、処方履歴を含む処方箋データ４８と服薬指導文データとを関連付けることにより拡張された第１の学習用データ８０が生成され、学習用データベース４１に格納される。

また、操作者（例えば、薬剤師）は、処方箋データ４８を見ながら、入力装置５２３を操作し、重要度入力部５０４を介して、処方箋データ４８の処方薬に基づいて処方薬の重要度データ４８１（レベル：星０〜５）を入力する。これにより、処方箋データ４８と重要度データ４８１とが関連付けられた第２の学習用データ８１が生成され、学習用データベース４１に格納される。

また、操作者（例えば、薬剤師）は、処方箋データ４８の傷病名データ４８２を見ながら、入力装置５２３を操作し、重要度入力部５０４を介して、処方箋データ４８の処方薬に基づいて処方薬の重要度データ４８１（レベル：星０〜５）を入力する。これにより、処方薬に加えて、患者の傷病名データ４８２と重要度データ４８１とが関連付けられた第２の学習用データ８１が生成され、学習用データベース４１に格納される。

図５では、「メイラックス錠１ｍｇ」の処方薬について、「生活」のカテゴリーから服薬指導文候補６０６Ａ，６０６Ｂのうちすべてが継続時に適切な服薬指導文として選択されている。選択は、服薬指導文候補６０６Ａ，６０６Ｂの所定の位置を指定する（例えば、入力装置５２３のマウスでクリックする）ことにより、「追加」の表示が「追加済」と表示されることで実行される。また、「セパゾン錠１ １ｍｇ」及び「メイラックス錠１ｍｇ」の処方薬について、それぞれの重要度として「星４」及び「星３」が入力されている。入力は、処方薬／重要度領域６０４の星マークの所定の位置を指定する（例えば、左から４番目の星マークを入力装置５２３のマウスでクリックする）ことにより、星マークの表示が変化することで実行される。

図６では、「メイラックス錠１ｍｇ」の処方薬について、「生活」のカテゴリーから服薬指導文候補７０７Ａ，７０７Ｂのうち服薬指導文候補７０７Ａが継続時に適切な服薬指導文として選択されており、服薬指導文候補７０７Ｂは不適切な服薬指導文として選択されていない。また、「メイラックス錠１ｍｇ」の処方薬について、重要度として「星０」が入力されている。

図７は、第１の学習用データ８０として格納されるデータの例を示す図である。まず、図３の服薬指導文候補データ４６及び処方箋データ４８が患者や処方箋等を特定するＩＤ５０で関連付けられている。データ取得部３９が、服薬指導文候補データ４６及び処方箋データ４８を取得する。前処理部４０が、薬剤データ４７の薬剤名や薬剤コードに基づいて服薬指導文候補データ４６と処方箋データ４８とを関連付ける。

選択部５０５が、服薬指導文候補データ４６から適切な服薬指導文データを選択すると、前処理部４０により、選択された服薬指導文データ（服薬指導文データ５１及び服薬指導文データ５１を特定する服薬指導文ＩＤ５２）と処方箋データ４８が関連付けられ、第１の学習用データ８０として格納される。また、前処理部４０により、処方箋データ４８に基づいて、薬剤名（薬名）５３、薬剤コード５４、処方履歴５５、用法／用量５６、診療日５７、診療科５８、及び患者属性５９が服薬指導文データ（服薬指導文データ５１及び服薬指導文データ５１を特定する服薬指導文ＩＤ５２）と関連付けられ、第１の学習用データ８０として格納される。関連付けられたデータは、第１の学習用データ８０として学習用データベース４１に格納される。このように、患者の属性データ（患者属性）５９を含む処方箋データ５３〜５９と服薬指導文データ５１，５２とが関連付けられて、第１の学習用データ８０が生成される。

図７では、ＩＤ５０が「１」の第１の学習用データ８０について、複数の処方薬（アムロジン錠５ｍｇ及びクレストール錠５ｍｇ）が処方されており、それぞれの処方薬に２つの服薬指導文データ５１，５２が選択されて、処方箋データ５３〜５９と関連付けられている。これは、1つの処方箋に複数の処方薬が含まれている例である。なお、「アムロジン」及び「クレストール」は登録商標である。

処方履歴５５には、同じ薬剤（同じ薬剤名又は同じ薬剤コード）が同じ患者に対して初回の処方（初診）であるか２回目以上の継続の処方（継続）であるかがデータとして格納される。

用法／用量５６の用法には、処方薬の処方日数（服薬日数）、処方回数（服薬回数）、服薬時点（食前、食後、及び食間等）、投与経路／部位（右眼に点眼、患部に塗布等）、及び投与量等がデータとして格納されており、用量には、１日分、１回分、もしくは１日分の投与量と、１日の投与回数がデータとして格納されている。

本実施形態では、用法／用量５６として、処方薬の処方日数、処方回数、及び処方種別が格納される。例えば、処方種別は、内滴、内服、浸煎、湯、頓服、外用、注射、自費、及び器材等に分類される。

患者属性５９として、患者の年齢、性別、コンプライアンス／アドヒアランス、授乳中か否か、体重、妊娠の有無、既往症、副作用歴、アレルギー歴、併用薬、生活習慣、嗜好、及び家族既往歴が格納される。このように、患者の年齢、性別、コンプライアンス／アドヒアランス、授乳中か否か、体重、妊娠の有無、既往症、副作用歴、アレルギー歴、併用薬、生活習慣、嗜好、及び家族既往歴の少なくとも１つを含む属性データ（患者属性）５９を服薬指導文データ５１，５２と関連付けることにより、第１の学習用データ８０が拡張される。ここで、コンプライアンス／アドヒアランスは、処方薬の服薬に対する患者の遵守度又は積極度を表し、コンピュータ５又は入力装置４３により患者の聞き取りから入力される。

また、図７において、傷病名データ４８２が第１の学習用データ８０として格納されてもよい。この場合、図３において、患者や処方箋等を特定するＩＤ５０により、前処理部４０が、処方箋ごとに処方箋データ４８と傷病名データ４８２とを関連付ける。選択部５０５が、服薬指導文候補データ４６から適切な服薬指導文データを選択すると、前処理部４０により、選択された服薬指導文データ（服薬指導文データ５１及び服薬指導文データ５１を特定する服薬指導文ＩＤ５２）と傷病名データ６１が関連付けられ、第１の学習用データ８０として格納される。

図８は、処方箋データ５３〜５９の少なくとの１つを複数のグループに分類することにより拡張された第１の学習用データ８０について説明する図である。

図８（ａ）に示すように、属性データ（患者属性）５９の年齢６４を複数のグループ（新生児６５、乳幼児６６、小児６７、高齢６８）に分類することにより、第１の学習用データ８０が拡張される。また、コンプライアンス／アドヒアランスを複数のグループ（「未記入：０」、「良い：１」、「普通：２」、「良くない：３」、及び「返答なし：４」）に分類してもよい。また、体重を複数のグループに分類してもよい。また、生活習慣（飲酒や喫煙の頻度及び睡眠時間等）を複数のグループに分類してもよい。このように、属性データ（患者属性）５９を複数のグループに分類することにより、第１の学習用データ８０が拡張される。

図８（ｂ）に示すように、処方日数７５を複数のグループ（「適用なし＝２」、「急性＝１」、及び「慢性＝０」）に分類することにより、第１の学習用データ８０が拡張される。処方種別に頓服や注射等を表すデータが格納されている場合や用法に処方日数（服薬日数）を表すデータが格納されていない場合は、「適用なし」を表すデータ「０」が格納される。また、用法に処方日数（服薬日数）を表すデータが格納されており、処方日数（服薬日数）が所定の日数（例えば、１４日）未満であれば、「急性」を表すデータ「１」が格納され、所定の日数（例えば、１４日）以上であれば、「慢性」を表すデータ「２」が格納される。所定の日数は、処方薬等に応じて変動可能である。また、処方回数を複数のグループに分類することにより、第１の学習用データ８０が拡張されてもよい。

図８（ｃ）に示すように、診療日５７を複数のグループ（季節又は四半期７７、月７８、及び曜日７９）に分類することにより、第１の学習用データ８０が拡張される。診療日５７を季節、四半期、月、及び曜日の少なくとも１つに分類するデータを用いることにより、第１の学習用データ８０が拡張される。

図８（ｄ）に示すように、診療科５８を複数のグループ（複数の診療区分７０）に分類することにより、第１の学習用データ８０が拡張される。所定の基準診療科名が診療科５８の診療科名と部分一致する場合に、一致する部分ごとに診療科名を設定することにより、複数のグループに分類することで、第１の学習用データ８０が拡張される。基準診療科名は、厚生労働省の診療科区分から「科」を除いたものが用いられてもよいし、データベース化された他の診療科区分が用いられてもよい。厚生労働省の診療科区分としては、内（科）、整形外（科）、眼（科）心療内（科）形成外（科）、耳鼻咽喉（科）、及び精神（科）等の診療科区分がある。例えば、図８（ｄ）に示すように、診療科５８が「神経内科」である場合は、基準診療科名「内（科）」と「精神（科）」が「神経内科」と部分一致するため、「神経内科」は複数のグループ「内科」と「精神科」に分類され、診療区分７０には、「内科」と「精神科」を表すデータが格納される。

また、処方薬のデータとして医薬品コードを用い、医薬品コードの一部を抽出することにより、複数のグループに分類することで、第１の学習用データ８０が拡張されてもよい。医薬品コードとして、薬価基準収載医薬品コード又はＹＪコードが用いられてもよい。ＹＪコードを用いる場合、ＹＪコードを上１桁、上２桁、上３桁、上４桁、上５〜７桁目、上８桁目、及び上９桁に分類することにより、第１の学習用データ８０が拡張されてもよい。例えば、ロキソプロフェンナトリウム水和物錠の６０ｍｇ／１錠のＹＪコードは、「１１４９０１９Ｆ１２４２」であるので、「１」、「１１」、「１１４」、「１１４９」、「０１９」、「Ｆ」、及び「１１４９０１９Ｆ１」に分類されることにより、第１の学習用データ８０が拡張される。

このように、処方箋データ５３〜５９を複数のグループに分類することにより、第１の学習用データ８０が拡張される。

図９は、第２の学習用データとして格納されるデータの例を示す図である。まず、図３において、患者や処方箋等を特定するＩＤ５０により、前処理部４０が、処方箋の処方薬ごとに処方箋データ４８と重要度データ４８１とを関連付ける。また、患者や処方箋等を特定するＩＤ５０により、前処理部４０が、処方箋ごとに処方箋データ４８と傷病名データ４８２とを関連付ける。

重要度入力部５０４が、処方薬の重要度データ４８１を入力すると、前処理部４０により、入力された重要度データ６０と処方箋データ４８が関連付けられ、第２の学習用データ８１として格納される。また、前処理部４０により、処方箋データ４８の傷病名データ４８２に基づいて、傷病名データ６１が重要度データ６０と関連付けられ、第２の学習用データ８１として格納される。関連付けられたデータは、第２の学習用データ８１として学習用データベース４１に格納される。このように、処方薬（薬剤名５３、薬剤コード５４）に加えて、傷病名データ６１と重要度データ６０とが関連付けられて、第２の学習用データ８１が生成される。

図９では、ＩＤ５０が「１」の第２の学習用データ８１について、複数の処方薬（アムロジン錠５ｍｇ及びクレストール錠５ｍｇ）が処方されており、それぞれの処方薬に重要度データ６０（「レベル：星５」及び「レベル：星１」）が入力されて、処方箋データ５３，５４と関連付けられている。また、それぞれの処方薬の重要度データ６０（「レベル：星５」及び「レベル：星１」）が傷病名データ６１と関連付けられている。

図１０は、本実施形態の推論方法の例を示すフローチャートである。図１１及び図１２は、本実施形態の推論プログラムにより実行される動作の例を示すシーケンス図である。図１１は、各種データの取得及び前処理、並びに学習済みモデルの生成及び格納の動作の例を示すシーケンス図である。図１２は、学習済みモデルによる推論及び推論結果の決定の動作の例を示すシーケンス図である。推論プログラムは記録媒体に搭載されてもよい。

図１０及び図１１に示すように、ステップＳ１において、コンピュータ５のプロセッサ５０１が、各種データの格納命令を学習用データベースサーバ４へ送信し（１１０）、学習用データベースサーバ４のデータ格納部３８は、各種データの格納命令を実行し（１１１）、コンピュータ５又は入力装置４３から入力された各種データを学習用データベース４１に格納する。格納される各種データには、服薬指導文候補データ４６、薬剤データ４７、処方箋データ４８、属性データ４８０、重要度データ４８１、及び傷病名データ４８２が含まれる。

コンピュータ５のプロセッサ５０１が、各種データの取得命令及び送信命令を学習用データベースサーバ４へ送信する（１１２）。ステップＳ２において、学習用データベースサーバ４のデータ取得部３９は、各種データの取得命令及び送信命令を実行し（１１３）、各種データを学習用データベース４１から取得し、インターフェース４４を介して、各種データをコンピュータ５へ送信する。

ステップＳ３において、コンピュータ５は、データ取得部５０２により各種データを取得し、出力装置５２５のディスプレイに表示する。ステップＳ４において、コンピュータ５の重要度入力部５０４は、処方箋データ４８に基づいて、処方薬の重要度データ４８１を入力する（１１４）。また、コンピュータ５の選択部５０５は、処方箋データ４８に基づいて、服薬指導文候補データ４６から服薬指導文データを選択する（１１４）。

ステップＳ５において、コンピュータ５のプロセッサ５０１が、前処理命令を学習用データベースサーバ４へ送信し（１１５）、学習用データベースサーバ４の前処理部４０は、各種データの関連付け命令を実行する。そして、前処理部４０が、学習用データの生成命令を実行し、服薬指導文候補データ４６から選択された服薬指導データと処方箋データ４８とを関連付けることにより、第１の学習用データ８０を生成する（１１６）。また、前処理部４０が、学習用データの生成命令を実行し、処方箋ごとに処方箋データ４８と処方薬の重要度データ４８１とを関連付けることにより、第２の学習用データ８１を生成する（１１６）。

ステップＳ６において、データ格納部３８が、第１の学習用データ８０及び第２の学習用データ８１を学習用データベース４１に格納し、前処理部４０が、第１の学習用データ８０の拡張命令を実行し（１１７）、第１の学習用データ８０を拡張する。前処理部４０が、患者の属性データ（患者属性）５９と処方箋データ５３〜５８とを関連付けることにより、第１の学習用データ８０をデータ拡張する。前処理部４０が、患者の年齢、性別、コンプライアンス／アドヒアランス、授乳中か否か、体重、妊娠の有無、既往症、副作用歴、アレルギー歴、併用薬、生活習慣、嗜好、及び家族既往歴の少なくとも１つを含む属性データ（患者属性）５９を処方箋データ５３〜５８と関連付けることにより、第１の学習用データ８０をデータ拡張する。

また、前処理部４０が、処方箋データ５３〜５８及び属性データ（患者属性）５９の少なくとの１つを複数のグループに分類することにより、第１の学習用データ８０をデータ拡張する。前処理部４０が、処方薬に加えて、処方薬の用法、用量、処方履歴、処方種別、診療日、診療科名、及び患者の属性データの少なくとも１つを分類することにより、第１の学習用データ８０をデータ拡張する。例えば、前処理部４０が、属性データ（患者属性）５９の年齢６４を複数のグループ（新生児６５、乳幼児６６、小児６７、高齢６８）に分類することにより、第１の学習用データ８０をデータ拡張する。前処理部４０が、処方日数７５を複数のグループ（適用なし＝２、急性＝１、及び慢性＝０）に分類することにより、第１の学習用データ８０をデータ拡張する。前処理部４０が、診療日５７を季節、四半期、月、及び曜日の少なくとも１つに分類するデータを用いることにより、第１の学習用データ８０をデータ拡張する。前処理部４０が、診療科５８を複数のグループ（複数の診療区分７０）に分類することにより、第１の学習用データ８０をデータ拡張する。前処理部４０が、処方薬のデータとして医薬品コードを用い、医薬品コードの一部を抽出することにより、第１の学習用データ８０をデータ拡張する。

ステップＳ７において、前処理部４０が、第１の学習用データ８０のフィルタ処理命令を実行し（１１８）、ＩＤ５０ごとにフィルタ処理を行う。前処理部４０は、処方箋データ５３〜５９が服薬指導文データ５１，５２又は他の処方箋データ５３〜５９と矛盾する場合又は所定の条件を満たす場合に、そのＩＤ５０の服薬指導文データ５１，５２又は処方箋データ５３〜５９を第１の学習用データ８０から除くことにより、フィルタ処理を行う。なお、前処理部４０は、矛盾するデータ部分のみを除外してもよい。この結果、服薬指導文を高精度で推論することができる。

前処理部４０は、処方箋データ５３〜５９のグループが服薬指導文データ、処方薬、処方薬の用法、用量、処方履歴、処方種別、診療日、及び診療科名の少なくとも１つと矛盾する場合又は所定の条件を満たす場合に、そのＩＤ５０の服薬指導文データ５１，５２又は処方箋データ５３〜５９を第１の学習用データ８０から除くことにより、フィルタ処理を行う。

属性データ（患者属性）５９の年齢６４が複数のグループ（新生児６５、乳幼児６６、小児６７、高齢６８）に分類されて、第１の学習用データ８０がデータ拡張されており、分類が、服薬指導文データ５１，５２又は用法／用量５６と矛盾する場合又は所定の条件を満たす場合に、前処理部４０は、服薬指導文データ５１，５２又は処方箋データ５３〜５９を第１の学習用データ８０から除く。例えば、所定のＩＤ５０の年齢６４では新生児６５に分類されているが、服薬指導文データ５１，５２には７５歳以上に関する服薬指導文データ５１，５２が含まれている場合、前処理部４０は、そのＩＤ５０の処方箋データの服薬指導文データ５１，５２を除外する。また、所定のＩＤ５０の年齢６４では高齢６８に分類されているが、服薬指導文データ５１，５２には妊婦又は授乳に関する服薬指導文データ５１，５２が含まれている場合、前処理部４０は、そのＩＤ５０の処方箋データの服薬指導文データ５１，５２を除外する。

また、処方日数７５が複数のグループ（適用なし＝２、急性＝１、及び慢性＝０）に分類されて、第１の学習用データ８０がデータ拡張されており、分類が、服薬指導文データ５１，５２又は用法／用量５６と矛盾する場合又は所定の条件を満たす場合に、前処理部４０は、そのＩＤ５０の服薬指導文データ５１，５２又は処方箋データ５３〜５９を第１の学習用データ８０から除く。例えば、所定のＩＤ５０の処方日数６６では「慢性＝０」に分類されているが、服薬指導文データ５１には「急性」の文字列データが含まれている場合、前処理部４０は、そのＩＤ５０の処方日数７６の分類データを除外する。

また、性別が複数のグループ（男＝１及び女＝２）に分類されて、第１の学習用データ８０がデータ拡張されており、分類が、服薬指導文データ５１，５２又は用法／用量５６と矛盾する場合又は所定の条件を満たす場合に、前処理部４０は、そのＩＤ５０の服薬指導文データ５１，５２又は処方箋データ５３〜５９を第１の学習用データ８０から除く。例えば、所定のＩＤ５０の性別では「女＝２」に分類されているが、服薬指導文データ５１，５２又は用法／用量５６には前立腺に関する服薬指導文のデータが含まれている場合、前処理部４０は、そのＩＤ５０の服薬指導文データ５１，５２又は用法／用量５６から前立腺に関するデータを除外する。

このように、不適切なデータの組み合わせを除外して機械学習を行うことにより、服薬指導文を高精度で推論することができる。矛盾するデータの組み合わせは、服薬指導文データ５１，５２又は処方箋データ４８に基づいて自動的に生成されてもよいし、予め作成されたデータベースとして学習用データベース４１に格納されてもよい。

ステップＳ８において、学習済みモデルが生成される。コンピュータ５のプロセッサ５０１は、機械学習によるモデル生成命令を人工知能サーバ３へ送信する（１２０）。人工知能サーバ３のデータ取得部３２は、インターフェース２４を介して、第１の学習用データ８０及び第２の学習用データ８１の取得命令を学習用データベースサーバ４へ送信し（１２１）、学習用データベースサーバ４は、第１の学習用データ８０及び第２の学習用データ８１の送信命令を実行し、学習用データベース４１に格納された第１の学習用データ８０及び第２の学習用データ８１を、インターフェース４４を介して、人工知能サーバ３へ送信する（１２２）。データ取得部３２は、学習用データベース４１から第１の学習用データ８０及び第２の学習用データ８１を取得し、機械学習部３４は、第１の学習用データ（拡張された第１の学習用データを含む）８０及び第２の学習用データ８１に基づいて、機械学習による学習済みモデルの生成命令を実行する（１２３）。

機械学習部３４は、第１の学習用データ８０に基づいて、ニューラルネットワークにより第１の学習済みモデルを生成する。機械学習部３４は、処方箋データ５３〜５９及び傷病名データ６１を入力層に入力し、服薬指導文データ５１，５２を出力層の正解値として入力するニューラルネットワークにより第１の学習済みモデルを生成する。ニューラルネットワークの中間層には、Ａｆｆｉｎｅ層又はＣｏｎｖｏｌｕｔｉｏｎ層が設けられる。適宜、ダウンサンプリング処理等が行われてもよい。また、中間層の層数、ニューロン数、及び活性化関数は、推論結果が高精度となるように、最適なものが選択される。ニューラルネットワークとして、Ｆｅｅｄ Ｆｏｒｗａｒｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＦＦＮＮ）やＲｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＲＮＮ）等が用いられる。機械学習部３４は、乱数等の所定の値で初期化されたパラメータ（重み）を用いて、処方箋データ５３〜５９及び傷病名データ６１が入力層に入力された際に出力層に出力された値と出力層の正解値（服薬指導文データ５１，５２）との乖離を表すロス関数を算出し、ロス関数の微分値を勾配として、出力層に出力された値と出力層の正解値との乖離が小さくなるように、パラメータ（重み）を変化させることで、第１の学習済みモデルを生成する。

同様に、機械学習部３４は、第２の学習用データ８１に基づいて、ニューラルネットワークにより第２の学習済みモデルを生成する。機械学習部３４は、処方箋データ５３，５４及び傷病名データ６１を入力層に入力し、重要度データ６０を出力層の正解値として入力するニューラルネットワークにより第２の学習済みモデルを生成する。機械学習部３４は、乱数等の所定の値で初期化されたパラメータ（重み）を用いて、処方箋データ５３，５４及び傷病名データ６１が入力層に入力された際に出力層に出力された値と出力層の正解値（重要度データ６０）との乖離を表すロス関数を算出し、ロス関数の微分値を勾配として、出力層に出力された値と出力層の正解値との乖離が小さくなるように、パラメータ（重み）を変化させることで、第２の学習済みモデルを生成する。なお、機械学習部３４は、傷病名データ６１を用いずに、処方箋データ５３，５４から第２の学習済みモデルを生成してもよい。

服薬指導文は、処方薬に応じて選択されるので、処方箋データ５３〜５９と服薬指導文は一定の関係性がある。また、処方薬の重要度は、処方薬に応じて入力されるので、処方箋データ５３，５４と重要度は一定の関係性がある。したがって、処方薬を学習用データとして服薬指導文又は重要度を推論する学習済みモデルを生成することにより、服薬指導文を高精度に推論することができる。特に、１つの処方箋に複数の薬剤が処方されている場合、複数の処方薬の組み合わせを機械学習すれば、より高精度に服薬指導文又は重要度を推論することができる。つまり、第１の学習用データ８０及び第２の学習用データ８１は、少なくとも複数の薬剤名５３又は複数の薬剤コード５４が服薬指導文データ５１，５２又は重要度データ６０と関連付けられていればよい。

また、服薬指導文は、患者の傷病名に応じて選択されるので、傷病名データ６１と服薬指導文は一定の関係性がある。また、処方薬の重要度は、患者の傷病名に応じて入力されるので、傷病名データ６１と重要度は一定の関係性がある。したがって、傷病名データ６１を学習用データとして服薬指導文又は重要度を推論する学習済みモデルを生成することにより、服薬指導文を高精度に推論することができる。

また、処方薬の用法や用量等に応じて、選択される服薬指導文が変化するため、処方箋データ５５〜５８の処方履歴、用法、用量、処方種別、診療日、及び診療科名と服薬指導文は一定の関係性がある。例えば、同じ抗生剤であっても、眼科で処方される場合は麦粒腫に関する服薬指導文となる可能性が高く、婦人科で処方される場合は膀胱炎に関する服薬指導文となる可能性が高くなる。

また、処方履歴５５が初回の場合は、処方薬の効能・効果や保管方法や投薬初期の副作用に関する服薬指導文となる可能性が高く、処方履歴５５が継続の場合は、処方薬の継続の副作用に関する服薬指導文となる可能性が高くなる。

また、季節性のある傷病があったり（例えば、インフルエンザは１月〜２月に流行する）、傷病に応じて患者の行動特性に影響を与える場合があったりするため、診療日５７と服薬指導文は一定の関係性がある。したがって、処方薬に加えて、処方薬の処方履歴、用法、用量、処方種別、診療日、及び診療科名の少なくとも１つを含む処方箋データを第１の学習用データ８０として、服薬指導文を推論する学習済みモデルを生成することにより、服薬指導文を総合的に高精度で推論することができる。

さらに、同じ処方薬であっても、患者の年齢、性別、コンプライアンス／アドヒアランス、授乳中か否か、体重、妊娠の有無、既往症、副作用歴、アレルギー歴、併用薬、生活習慣、嗜好、及び家族既往歴の患者の属性データに応じて服薬指導文が異なる場合がある。したがって、処方薬に加えて、患者の属性データ（患者属性）５９を第１の学習用データ８０として、服薬指導文を推論する学習済みモデルを生成することにより、服薬指導文を高精度で推論することができる。

ステップＳ９において、学習済みモデル格納部３５は、学習済みモデルの格納命令を実行することにより、生成された第１の学習済みモデル及び第２の学習済みモデルを記憶装置２２に記憶させる（１２３）。

ステップＳ１０において、服薬指導文及び重要度の少なくとも１つを推論するステップに進む場合は、ステップＳ９に進み、服薬指導文及び重要度の少なくとも１つを推論するステップに進まない場合は処理を終了する。

図１０及び図１２に示すように、ステップＳ１１において、コンピュータ５のプロセッサ５０１は、入力装置２３により推論用の処方箋データ（患者の属性データ及び傷病名データを含む）を入力し、推論用の処方箋データ（患者の属性データ及び傷病名データを含む）を人工知能サーバ３へ送信する（１２９）。そして、コンピュータ５のプロセッサ５０１は、服薬指導文の推論命令を人工知能サーバ３へ送信する（１３０）。

ステップＳ１２において、推論部３６は、データチェック命令を実行し、コンピュータ５から送信された推論用の処方箋データ（患者の属性データを含む）のデータフォーマットを確認し、正しいデータフォーマットであるか否かを判定する（１３１）。誤ったデータフォーマットである場合は、推論部３６は、その旨を示すデータをコンピュータ５へ送信する。

正しいデータフォーマットである場合は、ステップＳ１３において、推論部３６は、データ前処理命令を実行し、推論用の処方箋データ（患者の属性データ及び傷病名データを含む）を学習時のエンコード方針に従ってエンコードする（１３１）。学習時に用いられていない値が推論用の処方箋データ（患者の属性データ及び傷病名データを含む）に含まれている場合は、推論部３６は、その値を除外するか、所定の条件に従って所定の値を割り当てる。例えば、第１の学習用データ８０の患者の年齢６４の上限が「１００歳」であり、推論用の患者の年齢が「１０３歳」であった場合、推論部３６は、推論用の処方箋データから「１０３歳」の年齢データを除外するか、第１の学習用データ８０の上限である「１００歳」を「１０３歳」の代わりに割り当てる。

ステップＳ１４において、推論部３６は、推論命令を実行し、記憶装置２２に記憶された第１の学習済みモデルを読み出し、推論用の処方箋データ（患者の属性データ及び傷病名データを含む）を第１の学習済みモデルに入力し、第１の学習済みモデルに入力された処方箋データ（患者の属性データ及び傷病名データを含む）から服薬指導文を推論する（１３２）。

この場合、推論部３６は、推論された服薬指導文が、第１の学習済みモデルに入力された処方箋データ（患者の属性データ及び傷病名データを含む）と矛盾する場合に、矛盾する服薬指導文を推論結果から除外する。推論部３６は、矛盾する服薬指導文が出力されないように、出力に対するマスクを生成する。例えば、推論用に入力される患者の属性データの年齢が「７２歳」である場合、新生児、乳幼児、及び小児に関する服薬指導文がマスクされて除外される。また、推論用に入力される患者の属性データの性別が「男」である場合、婦人病に関する服薬指導文がマスクされて除外される。この結果、服薬指導文を高精度で推論することができる。

また、推論部３６は、推論命令を実行し、記憶装置２２に記憶された第２の学習済みモデルを読み出し、推論用の処方箋データ（傷病名データを含む）を第２の学習済みモデルに入力し、第２の学習済みモデルに入力された処方箋データ（傷病名データを含む）から処方薬の重要度を推論する（１３２）。

推論部３６は、インターフェース２４を介して、推論結果の送信命令を実行し、推論結果をコンピュータ５へ送信する（１３３）。

ステップＳ１５において、コンピュータ５のプロセッサ５０１は、送信結果の表示命令を実行し、出力装置５２５（例えば、ディスプレイ）に推論結果を表示させる（１３４）。

図１３は、コンピュータ５のディスプレイに表示された推論結果の例を示す図である。図１３に示すように、画面には、患者属性領域８００、服薬指導文領域８０１、過去処方領域８０３、医療機関／診療科／医師領域８０４、患者情報編集領域８０５、表示数選択領域８０６、及び薬局／薬剤師領域８０７が表示される。

患者属性領域８００には、推論用に入力された患者の属性データが表示される。推論用に入力される患者の属性データは、患者情報編集領域８０５を指定することで編集可能である。服薬指導文領域８０１には、第１の学習済みモデルにより推論された服薬指導文が表示される。表示数選択領域８０６で、服薬指導文の表示数を選択することができる。

図１３では、アムロジン錠５ｍｇの服薬指導文が表示されているが、画面をスクロールすることで、アムロジン錠５ｍｇの他の服薬指導文や他の処方薬の服薬指導文が表示される。表示される服薬指導文の順序は、第１の学習済みモデルにより推論確率が高いと推論された順序である。また、表示される処方薬の順序は、第２の学習済みモデルにより推論された重要度の順序である。このように、出力装置（出力部）５２５は、推論された服薬指導文を推論確率が高い順で表示し、推論された重要度の順で処方薬を表示する。

過去処方領域８０３には、前回処方された処方薬と、前回と今回の処方薬の比較とが、表示される。継続処方の場合は、「変化なし」と表示される。医療機関／診療科／医師領域８０４には、医療機関、診察科（診療科目）、及び医師名が表示される。薬局／薬剤師領域８０７には、薬局名及び薬剤師名が表示される。なお、図１３に表示されていない、推論用の他の処方箋データ（例えば、傷病名、用法、用量、診療日、患者のコンプライアンス／アドヒアランス、授乳中か否か、体重、妊娠の有無、既往症、副作用歴、アレルギー歴、併用薬、生活習慣、嗜好、及び家族既往歴）が表示されてもよい。

ステップＳ１６において、コンピュータ５の入力装置５２３が適切な服薬指導文を指定することにより、コンピュータ５の決定／修正部５０６が服薬指導文の決定命令を実行する（１３５）。図１３では、カーソル等により、推論された服薬指導文（例えば、服薬指導文８０２）が指定されると、服薬指導文の背景の色が変化し、決定／修正部５０６が服薬指導文の決定命令を実行する。また、決定された服薬指導文は、決定／修正部５０６により修正可能である。

ステップＳ１７において、決定／修正部５０６により決定された服薬指導文が服薬指導文データ５１，５２として、推論用の処方箋データ（患者の属性データ及び傷病名データを含む）と関連付けられて、学習用データベース４１の第１の学習用データ８０に格納されたか否かを、コンピュータ５が判定する。学習用データベース４１の第１の学習用データ８０に格納されていない場合は、コンピュータ５のプロセッサ５０１が、決定／修正部５０６により決定された服薬指導文と処方箋データ（患者の属性データ及び傷病名データを含む）とが関連付けられたデータを学習用データベースサーバ４へ送信し（１３６）、学習用データベースサーバ４のデータ格納部３８は、学習用データの格納命令を実行し（１３７）、コンピュータ５から送信されたデータを学習用データベース４１に格納する。これにより、学習用データベース４１の第１の学習用データ８０が増え、服薬指導文をさらに高精度で推論することができる。

決定／修正部５０６により決定された服薬指導文と処方箋データ（患者の属性データ及び傷病名データを含む）とが関連付けられたデータが学習用データベース４１の第１の学習用データ８０に格納されている場合は、処理を終了する。

以上のように、本実施形態によれば、機械学習により処方箋データから処方薬の服薬指導文及び重要度の少なくとも１つを総合的に推論するため、服薬指導文及び重要度の少なくとも１つを高精度で推論することができる。

以上、本発明にかかる実施形態について説明したが、本発明はこれらに限定されるものではなく、請求項に記載された範囲内において変更・変形することが可能である。

本実施形態には、処方箋データ５３〜５９，６１と服薬指導文データ５１，５２とが関連付けられた第1の学習用データ８０及び処方箋データ５３，５４，６１と処方薬の重要度データ６０とが関連付けられた第２の学習用データ８１の少なくとも１つを含む、機械学習用データのデータ構造であって、ニューラルネットワークの入力層に入力可能な処方箋データ５３〜５９，６１と、ニューラルネットワークの出力層の正解値として入力可能な服薬指導文データ５１，５２及び重要度データ６０の少なくとも１つとを備え、機械学習用データは、所定の値で初期化されたパラメータを用いて、処方箋データ５３〜５９，６１が入力層に入力された際に出力層に出力された値と正解値との乖離を表すロス関数の微分値を勾配として、乖離が小さくなるようにパラメータを変化させて学習済みモデルを生成するために用いられることを特徴とするデータ構造を含む。この場合、第１の学習用データ８０は、処方薬（処方箋データ５３，５４）に加えて、処方薬の用法、用量、処方履歴、処方種別、診療日、及び診療科名の少なくとも１つを含む処方箋データ５５〜５８と服薬指導文データ５１，５２とが関連付けられることを特徴とするデータ構造であってもよい。また、第１の学習用データ８０は、処方薬（処方箋データ５３，５４）に加えて、患者の傷病名データ６１と服薬指導文データ５１，５２とが関連付けられることを特徴とするデータ構造であってもよい。また、第２の学習用データ８１は、処方薬（処方箋データ５３，５４）に加えて、患者の傷病名データ６１と重要度データ６０とが関連付けられることを特徴とするデータ構造であってもよい。

本発明は、機械学習により処方箋データから処方薬の服薬指導文及び重要度の少なくとも１つを総合的に推論するため、服薬指導文及び重要度の少なくとも１つを高精度で推論することができる推論システムとして有用である。特に、複数の薬剤を総合的に考慮し服薬指導文及び重要度の少なくとも１つを高精度で推論することができる推論システムとして有用である。

３…人工知能サーバ
４…学習用データベースサーバ
５…コンピュータ
２１，３７，５０１…プロセッサ
２３，４３，５２３…入力装置
２５，４５，５２５…出力装置
３３，４０…前処理部
３４…機械学習部
３６…推論部
４１…学習用データベース
４６…服薬指導文候補データ
８０…第1の学習用データ
８１…第２の学習用データ
４８０…属性データ
４８１…重要度データ
４８２…傷病名データ
５０４…重要度入力部
５０５…選択部
５０６…修正部

Claims (18)

1. プロセッサと記憶装置を含み、前記プロセッサが処方薬の服薬指導文及び重要度の少なくとも１つを推論する推論システムであって、
   前記プロセッサは、
   処方箋データと服薬指導文データとが関連付けられた第1の学習用データ及び前記処方箋データと前記処方薬の重要度データとが関連付けられた第２の学習用データの少なくとも１つに基づいて、機械学習により学習済みモデルを生成する機械学習部と、
   前記学習済みモデルに入力された推論用の処方箋データから前記服薬指導文及び前記重要度の少なくとも１つを推論する推論部と、
   を備えることを特徴とする推論システム。
2. 前記機械学習部は、前記処方薬に加えて、前記処方薬の用法、用量、処方履歴、処方種別、診療日、及び診療科名の少なくとも１つを含む前記処方箋データと前記服薬指導文データとが関連付けられた前記第１の学習用データに基づいて、前記機械学習により前記学習済みモデルを生成することを特徴とする請求項１に記載の推論システム。
3. 前記機械学習部は、前記処方薬に加えて、患者の傷病名データと前記服薬指導文データとが関連付けられた前記第１の学習用データ、及び前記処方薬に加えて、前記傷病名データと前記重要度データとが関連付けられた前記第２の学習用データの少なくとも１つに基づいて、前記機械学習により前記学習済みモデルを生成し、
   前記推論部は、推論用の患者の傷病名データを含む前記推論用の処方箋データを前記学習済みモデルに入力することにより前記重要度を推論することを特徴とする請求項１又は請求項２に記載の推論システム。
4. 前記機械学習部は、患者の属性データを含む前記処方箋データと前記服薬指導文データとを関連付けることにより拡張された前記第１の学習用データに基づいて、前記機械学習により前記学習済みモデルを生成し、
   前記推論部は、推論用の患者の属性データを含む前記推論用の処方箋データを前記学習済みモデルに入力することにより前記服薬指導文を推論することを特徴とする請求項１乃至請求項３に記載の推論システム。
5. 前記機械学習部は、前記患者の年齢、性別、体重、妊娠の有無、授乳中か否か、アドヒアランス、コンプライアンス、既往症、副作用歴、アレルギー歴、併用薬、生活習慣、嗜好、及び家族既往歴の少なくとも１つを含む前記属性データを前記服薬指導文データと関連付けることにより拡張された前記第１の学習用データに基づいて、前記機械学習により前記学習済みモデルを生成することを特徴とする請求項４に記載の推論システム。
6. 前記機械学習部は、前記処方箋データを複数のグループに分類することにより拡張された前記第１の学習用データに基づいて、前記機械学習により前記学習済みモデルを生成することを特徴とする請求項１乃至請求項５の何れか1項に記載の推論システム。
7. 前記機械学習部は、前記用法の処方日数、処方回数、前記診療日を複数の前記グループに分類することにより拡張された前記第１の学習用データに基づいて、前記機械学習により前記学習済みモデルを生成することを特徴とする請求項６に記載の推論システム。
8. 前記機械学習部は、前記診療日を季節、四半期、月、及び曜日の少なくとも１つに分類するデータを用いることにより拡張された前記第１の学習用データに基づいて、前記機械学習により前記学習済みモデルを生成することを特徴とする請求項６又は請求項７に記載の推論システム。
9. 前記機械学習部は、所定の基準診療科名が前記診療科名と部分一致する場合に、一致する部分ごとに前記診療科名を設定することにより、複数の前記グループに分類することで拡張された前記第１の学習用データに基づいて、前記機械学習により前記学習済みモデルを生成することを特徴とする請求項６乃至請求項８に記載の推論システム。
10. 前記機械学習部は、前記処方薬のデータとして医薬品コードを用い、前記医薬品コードの一部を抽出することにより、複数の前記グループに分類することで拡張された前記第１の学習用データに基づいて、前記機械学習により前記学習済みモデルを生成することを特徴とする請求項６乃至請求項９に記載の推論システム。
11. 前記機械学習部は、前記処方箋データが前記服薬指導文データ又は他の前記処方箋データと矛盾する場合又は所定の条件を満たす場合に、前記処方箋データ又は前記服薬指導文データを前記第１の学習用データとして用いずに、前記機械学習により前記学習済みモデルを生成することを特徴とする請求項１乃至請求項１０に記載の推論システム。
12. 前記機械学習部は、前記処方箋データの前記グループが前記服薬指導文データ、前記処方薬、前記処方薬の用法、用量、処方履歴、処方種別、診療日、及び診療科名の少なくとも１つと矛盾する場合又は所定の条件を満たす場合に、前記処方箋データ又は前記服薬指導文データを前記第１の学習用データに用いずに、前記機械学習により前記学習済みモデルを生成することを特徴とする請求項１乃至請求項１０に記載の推論システム。
13. 前記機械学習部は、前記処方箋データを入力層として前記服薬指導文データ又は前記重要度データを出力層とするニューラルネットワークにより前記学習済みモデルを生成する請求項１乃至請求項１２の何れか１項に記載の推論システム。
14. 前記推論部は、推論された前記服薬指導文が、前記学習済みモデルに入力された前記処方箋データの患者の属性データと矛盾する場合又は所定の条件を満たす場合に、矛盾する前記服薬指導文を推論結果から除外することを特徴とする請求項１乃至請求項１３の何れか1項に記載の推論システム。
15. 前記推論された服薬指導文を推論確率が高い順で表示し、前記推論された重要度の順で前記処方薬を表示する出力部を備えることを特徴とする請求項１乃至請求項１４の何れか1項に記載の推論システム。
16. プロセッサが処方薬の服薬指導文及び重要度の少なくとも１つを推論する推論方法であって、
    処方箋データと服薬指導文データとが関連付けられた第1の学習用データ及び前記処方箋データと前記処方薬の重要度データとが関連付けられた第２の学習用データの少なくとも１つに基づいて、機械学習により学習済みモデルを生成するステップと、
    前記学習済みモデルに入力された推論用の処方箋データから前記服薬指導文及び前記重要度の少なくとも１つを推論するステップと、
    を備えることを特徴とする推論方法。
17. プロセッサが処方薬の服薬指導文及び重要度の少なくとも１つを推論するコンピュータで実行される推論システムであって、
    前記コンピュータは、
    処方箋データと服薬指導文データとが関連付けられた第1の学習用データ及び前記処方箋データと前記処方薬の重要度データとが関連付けられた第２の学習用データの少なくとも１つに基づいて、機械学習により学習済みモデルを生成する機械学習機能と、
    前記学習済みモデルに入力された推論用の処方箋データから前記服薬指導文及び前記重要度の少なくとも１つを推論する推論機能と、
    を実現させることを特徴とする推論プログラム。
18. 処方箋データと服薬指導文データとが関連付けられた第1の学習用データ及び前記処方箋データと前記処方薬の重要度データとが関連付けられた第２の学習用データの少なくとも１つを含む、機械学習用データのデータ構造であって、
    ニューラルネットワークの入力層に入力可能な前記処方箋データと、
    前記ニューラルネットワークの出力層の正解値として入力可能な前記服薬指導文データ及び前記重要度データの少なくとも１つとを備え、
    前記機械学習用データは、所定の値で初期化されたパラメータを用いて、前記処方箋データが前記入力層に入力された際に前記出力層に出力された値と前記正解値との乖離を表すロス関数の微分値を勾配として、前記乖離が小さくなるように前記パラメータを変化させて学習済みモデルを生成するために用いられることを特徴とするデータ構造。
    
    

Images