特許ウォッチ

公開番号2024061599
公報種別公開特許公報(A)
公開日2024-05-07
出願番号2023095902
出願日2023-06-09
発明の名称階層図ニューラルネットワークに基づく疾患診療過程異常識別システム
出願人個人
代理人個人
主分類G16H 10/60 20180101AFI20240425BHJP(特定の用途分野に特に適合した情報通信技術)
要約【課題】本発明は階層図ニューラルネットワークに基づく疾患診療過程異常識別システムを提供する。
【解決手段】
データ収集モジュール、データ前処理モジュール、階層図ニューラルネットワーク構築モジュール、診療過程異常スコア算出モジュール及び診療過程異常識別適用モジュールを含む。本発明は、階層図ニューラルネットワークモデル構築及び訓練方法を提出し、複雑な縦方向電子カルテデータに対してモデリング分析を行い、時系列情報及び共起情報の融合利用を実現する。本発明は、疾患診療過程異常を診療イベント異常、受診異常及び患者異常の3つの階層に分け、低階層、細粒度の診療イベント階層から高階層、粗粒度の患者階層に分け、診療過程異常の階層化定量化及び総合評価方法を設計し、かつ診療過程異常の分類方法を提供し、診療が具体的にどの回でどの診療ステップで発生するかを精確に位置決めする。
【選択図】図1
特許請求の範囲【請求項１】
階層図ニューラルネットワークに基づく疾患診療過程異常識別システムであって、データ収集モジュール、データ前処理モジュール、階層図ニューラルネットワーク構築モジュール、診療過程異常スコア算出モジュール及び診療過程異常識別適用モジュールを含み、
前記データ収集モジュールは、患者の基本情報及び患者診療データを収集することに用いられ、
前記データ前処理モジュールは、前記データ収集モジュールで収集されたデータに対して前処理を行い、診療イベント集合、受診集合及び患者集合を構築することに用いられ、
前記階層図ニューラルネットワーク構築モジュールは、診療過程階層ネットワーク構築サブモジュール、ノード初期ベクトル表現取得サブモジュール及びモデル構築及び訓練サブモジュールを含み、
前記診療過程階層ネットワーク構築サブモジュールは、診療イベント、受診、患者の３つの階層を含む診療過程階層ネットワークを構築することに用いられ、具体的に、診療イベント集合、受診集合及び患者集合をノード集合として構成し、毎回の受診と今回の受診に発生した全ての診療イベントを接続して診療イベント受診エッジ集合を構成し、各患者と当該患者の全ての受診を接続して受診患者エッジ集合を構成し、診療イベント受診エッジ集合と受診患者エッジ集合とをエッジ集合として構成し、前記ノード集合と前記エッジ集合とが共に診療過程階層ネットワークを構成し、
前記ノード初期ベクトル表現取得サブモジュールは、階層化表現学習方法を採用して診療イベントノード、受診ノード及び患者ノードの初期ベクトル表現を取得することに用いられ、具体的に、電子カルテ内の毎回受診における診療イベントを時間に応じて配列し、単語ポケットモデルを利用して訓練を行い、診療イベントノード初期ベクトル表現を取得し、順に診療イベント長短期記憶自己エンコーダモデル及び受診長短期記憶自己エンコーダモデルを用いて受診ノード初期ベクトル表現及び患者ノード初期ベクトル表現を取得し、
前記モデル構築及び訓練サブモジュールは、各階層のノード初期ベクトル表現に基づいて階層図ニューラルネットワークモデルを構築し、グラフアテンションメカニズムを利用して複数の階層の総合訓練を行い、
前記診療過程異常スコア算出モジュールは、階層図ニューラルネットワーク訓練結果に基づいて異常値を階層的に算出し、診療過程異常を層ごとに識別することであって、具体的には、
ある回の受診について、診療イベント集合における各診療イベントとこの回の受診的内積を算出し、活性化した後に各診療イベントの出現確率を取得し、すなわち、診療イベント異常値であり、
下限閾値及び上限閾値を定義し、かつ二種の診療イベント異常判断方式を以下のように定義し、診療イベント異常値が下限閾値よりも小さく、かつ当該診療イベントがこの回の受診に出現した場合、意外イベントであり、診療イベント異常値が上限閾値よりも大きく、かつ当該診療イベントがこの回の受診に出現しない場合、消失イベントであり、
階層図ニューラルネットワークに基づいて再構成されたノード隣接マトリックスから、再構成された診療イベントと受診との接続関係を抽出し、再構成診療イベント受診隣接マトリックスを構築し、同時に再構成された受診と患者との接続関係を抽出し、再構成受診患者隣接マトリックスを構築し、原及び再構成診療イベント受診隣接マトリックス、原及び再構成受診患者隣接マトリックス、ノード初期ベクトル表現及び訓練されたノードベクトル表現に基づいて、受診ノード異常値及び患者ノード異常値を算出し、かつそれぞれの異常値閾値とそれぞれ比較し、異常ノードであるか否かを判断し、
前記診療過程異常識別適用モジュールは、患者構造化データを前処理した後に診療イベントノード、受診ノード及び患者ノードに分け、異なるノードの初期ベクトル表現を算出し、訓練されたノードベクトル表現を階層図ニューラルネットワークモデルを利用して取得し、かつノード初期ベクトル表現と組み合わせて各階層のノード異常値を算出し、異常ノードを見つける
ことを特徴とする階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。
続きを表示（約 1,600 文字）【請求項２】
前記診療イベントノード初期ベクトル表現は、診療イベントノードをワンホットエンコードし、単語ポケットモデルを利用して診療イベントノードのワンホットエンコード結果を訓練することにより取得され、具体的に、
診療イベントノードのワンホットエンコードを取得し、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、観察ウィンドウの長さがＬであり、順に各診療イベントノードの前、後の各Ｌ個の診療イベントノードを単語ポケットモデルの入力ノードとし、各入力ノードにいずれも入力重みマトリックスを乗算しかつ加算して隠し層ベクトルを取得し、隠し層ベクトルに出力重みマトリックスを乗算し、さらにｓｏｆｔｍａｘを用いて活性化処理した後に診療イベントノードの予測値を取得し、
診療イベントノードの再構成損失を用いて訓練を行い、単語ポケットモデルの入力重みマトリックスを取得し、訓練終了後、診療イベントノードのワンホットエンコードと入力重みマトリックスを乗算して診療イベントノード初期ベクトル表現を取得する
ことを特徴とする請求項１に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。
【請求項３】
前記受診ノード初期ベクトル表現の取得は具体的に、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、診療イベント長短期記憶自己エンコーダモデルを構築し、診療イベントシーケンスを入力し、診療イベントノードの再構成損失を用いて訓練を行い、訓練完成後、診療イベント長短期記憶自己エンコーダモデルのエンコーダを用いて診療イベントシーケンスを一定の長さのベクトルにエンコードし、受診ノード初期ベクトル表現を取得する
ことを特徴とする請求項１に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。
【請求項４】
前記患者ノード初期ベクトル表現の取得は具体的に、患者を単位として時系列に応じて受診ノードを配列して受診シーケンスを生成し、受診長短期記憶自己エンコーダモデルを構築し、受診シーケンスを入力し、受診ノードの再構成損失を用いて訓練を行い、訓練完成後、受診長短期記憶自己エンコーダモデルのエンコーダを用いて受診シーケンスを一定の長さのベクトルにエンコードし、患者ノード初期ベクトル表現を取得する
ことを特徴とする請求項１に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。
【請求項５】
前記モデル構築及び訓練サブモジュールにおいて、Ｌ２ノルムを利用して階層図ニューラルネットワークを経過した後のノードベクトル表現及び初期ベクトル表現の図ノード再構成損失を算出し、交差エントロピを利用して図関係再構成損失を算出し、図ノード再構成損失及び図関係再構成損失を利用して階層図ニューラルネットワークモデルを訓練する
ことを特徴とする請求項１に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。
【請求項６】
前記階層図ニューラルネットワークモデルの訓練過程において、ノード初期ベクトル表現及びノード隣接マトリックスを階層図ニューラルネットワークに入力し、前記階層図ニューラルネットワークが複数層のグラフアテンション層を有し、あるノードに対して、各層のグラフアテンション層は、その隣り合うノードと自体との間の類似係数を１つずつ算出し、類似係数により当該層のアテンション係数を算出し、当該層のアテンション係数を利用して当該ノードの当該層でのノードベクトル表現を更新し、当該ノードが全ての層グラフアテンション訓練を経った後、当該ノードに対応するノードベクトル表現を取得する
ことを特徴とする請求項５に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、医療健康情報技術分野に属し、具体的に階層図ニューラルネットワークに基づく疾患診療過程異常識別システムに関する。
続きを表示（約 3,300 文字）【背景技術】
【０００２】
臨床診療過程において、同じ診断を有する患者であっても、異なる臨床症状及び疾患進行軌跡を有する。患者の異質性により、同じ診断の患者は、差異が巨大な診療過程を有することを引き起こす。なお、医療従事者は、臨床ガイドに要求された診療解決手段おおび介入措置に対する了解が不足であり、臨床ガイドに対する依存性が不足であり、及び診療過程に関する医療費及び医療保険償還などの原因により、診療過程の差異を引き起こすと同時、不正確なまたは不適当な医療行為をも導入し、患者の治療効果低下及び医療費増加などの問題を引き起こす。したがって、実際の医療シナリオでは、差異が巨大な診療過程において異常な診療行為を識別し、医療従事者が患者の病状変化に基づいてタイムリー、正確な診療解決手段を調整することを支援し、診療品質を向上し、治療予後を改善することに役たち、診療行為を規範し、医療保険費を制御することに役立つ。
【０００３】
従来の診療過程における異常識別解決手段は主として、（１）ガウス分布に基づく方法であって、データがガウス分布に従うと仮定し、診療行為のサンプル値に対して周波数分布図を作成し、平均値に３倍標準差を加減算した以外のサンプルを異常データとしてマークする。このような方法は、データ自体が正規性を備える必要があり、かつ平均値及び分散自体がいずれも異常値にとても敏感であり、影響を受けやすい。なお、当該方法は、単一の受診イベントのみを処理することができず、複数種類の診療データを同時に利用することができず、かつ縦方向電子カルテの時系列情報を無視する。（２）テーマモデルに基づく方法であって、電子カルテデータを受診を単位として分割し、テーマモデルを用いて毎回受診するテーマをマイニングすることにより、所定のテーマの特定の診療イベントの出現確率、及び所定の受診の特定のテーマの出現確率を取得する。確率を乗算することで、所定の受診の特定の診療イベントの出現確率を取得し、この確率に基づいて診療イベントが異常であるか否かを判断することができる。当該方法は、診療過程時間次元の情報を無視し、診療イベントの間には時間前後順序があり、受診の間にも時間前後順序がある。（３）ベイジアンネットワークに基づく方法であって、各診療イベントを１つのノードとし、ベイジアンネットワークを構築することにより各ノードに異常識別を行いかつ異常スコア値を与える。異常検出を行った後、各ノードの異常スコア値はいずれも現在時刻及び過去時刻の情報を総合したものである。当該方法におけるノード異常の初期スコアは、専門家注釈に依存し、主観性が大きく、かつ取得コストが高い。なお、当該方法は、異なる受診イベントの間の時系列情報を利用することができない。
【０００４】
電子カルテデータは複雑であり、人口統計学、バイオマーカー及び臨床特徴などの多次元データを含むだけでなく、かつ複雑な縦方向時系列情報を有し、患者は複数回の受診情報を有し、異なる時間には異なる診療イベントを有する。従来方法は、複雑な縦方向電子カルテデータを処理することが困難であり、異なる受診データの間の関係を利用することができない。なお、臨床診療過程において、正常診療過程から大きく逸脱する異常患者に加えて、異常は一回の受診イベント異常、または受診過程における単一の診療イベント異常と表現することもできる。一回の診療イベントの出現の有無及び出現の前後順序のみに基づいて当該診療イベントに異常があるか否かを直接判断することができず、当該診療イベントを患者のこの回の受診イベントに入れて、さらに患者の全ての診療記録に入れて総合的に判断する必要がある。
【発明の概要】
【発明が解決しようとする課題】
【０００５】
従来技術の不足について、本発明は、階層図ニューラルネットワークに基づく疾患診療過程異常識別システムを提出する。
【課題を解決するための手段】
【０００６】
本発明の目的は、以下の技術的解決手段によって実現される。
【０００７】
（１）患者の基本情報及び患者診療データを収集するためのデータ収集モジュールと、
（２）データ収集モジュールで収集されたデータに対して前処理を行い、診療イベント集合、受診集合及び患者集合を構築するデータ前処理モジュールと、
（３）診療イベント、受診、患者の３つの階層を含む診療過程階層ネットワークを構築するための診療過程階層ネットワーク構築サブモジュールと、
階層化表現学習方法を採用して診療イベントノード、受診ノード及び患者ノードの初期ベクトル表現を取得するノード初期ベクトル表現取得サブモジュールと、
各階層のノード初期ベクトル表現に基づいて階層図ニューラルネットワークモデルを構築し、グラフアテンションメカニズムを利用して複数の階層の総合訓練を行うモデル構築及び訓練サブモジュールと、
を含む階層図ニューラルネットワーク構築モジュールと、
（４）階層図ニューラルネットワーク訓練結果に基づいて異常値を階層的に算出し、診療過程異常を層ごとに識別する診療過程異常スコア算出モジュールと、
（５）患者構造化データを前処理した後に診療イベントノード、受診ノード及び患者ノードに分け、異なるノードの初期ベクトル表現を算出し、訓練されたノードベクトル表現を階層図ニューラルネットワークモデルを利用して取得し、かつノード初期ベクトル表現と組み合わせて各階層のノード異常値を算出し、異常ノードを見つける診療過程異常識別適用モジュールと、
を含む、階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。
【０００８】
さらに、前記診療過程階層ネットワーク構築サブモジュールにおいて、診療イベント集合、受診集合及び患者集合をノード集合として構成し、毎回の受診と今回の受診に発生した全ての診療イベントを接続して診療イベント受診エッジ集合を構成し、各患者と当該患者の全ての受診を接続して受診患者エッジ集合を構成し、診療イベント受診エッジ集合と受診患者エッジ集合とをエッジ集合として構成し、前記ノード集合と前記エッジ集合とが共に診療過程階層ネットワークを構成する。
【０００９】
さらに、前記ノード初期ベクトル表現取得サブモジュールにおいて、毎回受診における診療イベントを時間に応じて配列し、単語ポケットモデルを利用して訓練を行い、診療イベントノード初期ベクトル表現を取得し、順に診療イベント長短期記憶自己エンコーダモデル及び受診長短期記憶自己エンコーダモデルを用いて受診ノード初期ベクトル表現及び患者ノード初期ベクトル表現を取得する。
【００１０】
さらに、前記診療イベントノード初期ベクトル表現は、診療イベントノードをワンホットエンコードし、単語ポケットモデルを利用して診療イベントノードのワンホットエンコード結果を訓練することにより取得され、具体的に、
診療イベントノードのワンホットエンコードを取得し、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、観察ウィンドウの長さがＬであり、順に各診療イベントノードの前、後の各Ｌ個の診療イベントノードを単語ポケットモデルの入力ノードとし、各入力ノードにいずれも入力重みマトリックスを乗算しかつ加算して隠し層ベクトルを取得し、隠し層ベクトルに出力重みマトリックスを乗算し、さらにｓｏｆｔｍａｘを用いて活性化処理した後に診療イベントノードの予測値を取得し、
診療イベントノードの再構成損失を用いて訓練を行い、単語ポケットモデルの入力重みマトリックスを取得し、訓練終了後、診療イベントノードのワンホットエンコードと入力重みマトリックスを乗算して診療イベントノード初期ベクトル表現を取得する。
（【００１１】以降は省略されています）

関連特許