JP7355303B2 - レセプトデータ有意性判定プログラム、レセプトデータ有意性判定方法、及び、情報処理装置 - Google Patents

Description

本発明は、レセプトデータ有意性判定プログラム、レセプトデータ有意性判定方法、及び、情報処理装置に関する。

病院等の医療機関において用いられる医事管理システムは、医師又は看護師等により入力される診療記録、看護記録及びオペ情報等を含む電子カルテ情報に基づき、レセプトデータを生成し出力する機能を備えることがある。「レセプト」は、医療機関が保険機関に提出する月ごとの診療報酬明細書である。

レセプトデータは、保険機関において精査され、誤ったレセプトが存在する場合には、当該レセプトが医療機関に差し戻される。保険機関から差し戻されるレセプトは、過剰請求となるレセプトが主であり、診療報酬の算定漏れのあるレセプトについては差し戻されない場合が多い。従って、医療機関では、診療結果によって算定できる診療報酬をチェック漏れにより見逃した場合、本来得られるはずの医療収益が得られないことになる。

医事管理システムにより生成されるレセプトデータには、数千項目以上の項目が存在することがあるため、医療事務担当者が保険機関への提出前にレセプトデータを漏れなく精査（チェック）することは困難である。

ところで、医事管理システムから出力された修正前のレセプトと電子カルテ情報とに基づき、算定漏れの可能性があるかどうかを機械学習等のＡＩ（Artificial Intelligence）を用いて検知する手法も知られている。

国際公開第２００８／０４７８３５号パンフレット

上述した機械学習を用いる手法では、レセプトデータから学習対象の算定項目ごとにデータを抽出し、有意差がある診療項目を選択して機械学習を行なうことで、精度の高いレセプト算定漏れ検知モデルを生成することができる。

しかし、算定項目には性別又は年齢等に限定される項目が存在することがあり、算定項目には無関係な診療項目が、有意性のある項目として選択されてしまうことがある。例えば、男性（例えば成人男性）特有の算定項目について学習を行なう際に、有意差判定のデータとして、女性又は小児のレセプトデータが利用される場合が挙げられる。このような場合、算定項目には無関係な診療項目が含まれる学習データによる機械学習によって、レセプト算定漏れ検出の精度が低下することがある。

１つの側面では、本発明は、レセプトデータに含まれる診療項目の有意性を適切に判定することを目的の１つとする。

１つの側面では、レセプトデータ有意性判定プログラムは、コンピュータに、以下の処理を実行させてよい。前記処理は、複数のレセプトに関する第１データから、レセプトの算定項目を抽出する条件に従って第２データを抽出してよい。前記処理は、前記第１データ又は前記第２データから第１算定項目を請求したデータを抽出した第３データと、前記第２データのうちの前記第１算定項目を請求したデータを外したデータからランダムに抽出した第４データとに基づき、前記第３データ及び前記第４データに含まれる複数の第１診療項目についての、前記第１算定項目に関する有意差を判定する判定処理を行なってよい。前記処理は、前記第３データ及び前記第４データから、前記判定処理により有意差があると判定した１以上の第２診療項目を抽出した学習データを生成してよい。

１つの側面では、レセプトデータに含まれる診療項目の有意性を適切に判定することができる。

一実施形態に係るシステムの一例を説明するための図である。 一実施形態に係るレセプト算定漏れ検知システムの処理の一例を簡単に説明するための図である。 一実施形態に係る算定漏れ検知システムの機能構成例を示すブロック図である。 入力データの一例を示す図である。 一実施形態の比較例に係るシステムによる機械学習の一例を説明する図である。 一実施形態の比較例に係るシステムによるレセプト算定漏れ検知の機械学習の一例を説明する図である。 一実施形態に係る検知システム（生成部）による学習データの生成処理の一例を説明する図である。 ルール適用済データの一例を示す図である。 算定項目請求済データの一例を示す図である。 有意差算出用データの一例を示す図である。 有意差判定処理の一例を説明するための図である。 学習データの一例を示す図である。 判定データの一例を示す図である。 一実施形態に係る検知システムの学習処理の動作例を説明するフローチャートである。 一実施形態に係る検知システムの判定処理の動作例を説明するフローチャートである。 検知システムの機能を実現するコンピュータのハードウェア（ＨＷ）構成例を示すブロック図である。

以下、図面を参照して本発明の実施の形態を説明する。ただし、以下に説明する実施形態は、あくまでも例示であり、以下に明示しない種々の変形又は技術の適用を排除する意図はない。例えば、本実施形態を、その趣旨を逸脱しない範囲で種々変形して実施することができる。なお、以下の説明で用いる図面において、同一符号を付した部分は、特に断らない限り、同一若しくは同様の部分を表す。

〔１〕一実施形態
〔１－１〕システムの説明
図１は、一実施形態に係るシステム１の一例を説明するための図である。図１に示すように、システム１は、医事管理システム１ａ、及び、レセプト算定漏れ検知システム（以下、単に「検知システム」と表記する場合がある）１０を備えてよい。

医事管理システム１ａは、例えば、病院等の医療機関で利用される、医療事務等の業務を管理、支援するためのシステムである。医事管理システム１ａは、例えば、診療報酬請求事務の業務の出力として、複数のレセプトを含むレセプト情報１ｂを生成し、検知システム１０に出力してよい。

医事管理システム１ａには、医師、看護師、医療スタッフ等により、レセプトに関する情報が入力されてよい。

また、システム１は、電子カルテ情報１ｃを備え、電子カルテ情報１ｃの情報を検知システム１０に出力してよい。電子カルテ情報１ｃには、医師、看護師、医療スタッフ等により、診療記録１ｄ、看護記録、オペ記録等の複数の電子カルテに関する情報が入力されてよい。電子カルテ情報１ｃは、例えば、医事管理システム１ａに格納されてもよいし、他のシステムに格納されてもよい。

検知システム１０は、入力されるレセプト情報１ｂ及び電子カルテ情報１ｃに基づき、ＡＩ１１によりレセプト算定漏れの検知を行ない、検知結果１２を出力する。検知結果１２は、一例として、レセプト情報１ｂに含まれる各々のレセプトについての診療報酬の算定漏れの確率を示す情報を含んでよい。

例えば、システム１において、医療事務担当者等のオペレータ、又は、医事管理システム１ａ等のシステムは、検知結果１２に基づき、レセプト情報１ｂを修正した修正後レセプト情報１ｅを生成し、修正後レセプト情報１ｅを保険機関に提出する。

図２は、一実施形態に係るレセプト算定漏れ検知システム２の処理の一例を簡単に説明するための図である。検知システム２は、図１に示す検知システム１０の一例である。

図２に示すように、検知システム２による処理は、例示的に、検知モデル２３を作成するモデル作成フェーズ２Ａと、作成した検知モデル２３を用いて算定漏れ候補レコメンド２６を出力するモデル適用フェーズ２Ｂと、を含んでよい。

（モデル作成フェーズ２Ａ）
検知システム２は、モデル作成フェーズ２Ａにおいて、過去の算定実績２１に基づき、機械学習部２２による機械学習を実行し、検知モデル２３を生成する。例えば、検知システム３は、機械学習部２２により、図２に符号（ｉ）で示すように、算定実績２１から得られる算定項目ごとに異なる算定ルールを学習してよい。

算定実績２１は、例えば、複数のレセプトを含むレセプト情報２１ａと、複数の電子カルテを含む電子カルテ情報２１ｂと、を備えてよい。例えば、検知システム２は、図２に符号（ii）で示すように、電子カルテ情報２１ｂのテキストから学習用の情報、例えば数値及び文字列等を抽出するために、電子カルテ情報２１ｂに対して自然言語処理技術を用いた言語処理を行なってよい。

また、算定実績２１は、正解（教師）データ、例えば正解ラベルとしての算定結果を含んでよい。算定結果は、例えば、レセプト情報２１ａ及び電子カルテ情報２１ｂに含まれるデータについて算定された算定項目２１ｃを示す情報を含んでよい。このように、算定実績２１は、符号（iii）で示すように、学習データセットの一例である。

検知システム２は、後述する手法により、複数のレセプト情報２１ａ及び複数の電子カルテ情報２１ｂから、算定項目２１ｃに関する所定の条件に基づき、機械学習に利用する適切なデータを抽出してよい。

機械学習部２２は、学習データセットを学習する。例えば、機械学習部２２は、所定回数の学習が実行された場合、又は、ニューラルネットワークの出力値と正解データとの誤差が所定値よりも小さくなった場合に学習を終了する。そして、機械学習部２２は、各種パラメータ等を検知モデル２３として保存する。

（モデル適用フェーズ２Ｂ）
検知システム２は、モデル適用フェーズ２Ｂにおいて、新規の修正前レセプト２４と、新規の電子カルテ２５とを検知モデル２３に入力することで、算定漏れ候補レコメンド２６を取得する。

算定漏れ候補レコメンド２６は、図２に示すように、例示的に、対象患者、検知日、算定漏れ項目、及び、算定漏れ確率の項目を含んでよい。対象患者は、算定漏れが検知された修正前レセプト２４及び電子カルテ２５における患者の氏名であってよい。検知日は、算定漏れが検知された日時のタイムスタンプであってよい。算定漏れ項目は、算定漏れが検知された算定項目２１ｃ、例えばラベルを示す情報である。算定漏れ確率は、算定漏れ項目において算定漏れが発生している確率を示す情報である。

〔１－２〕機能構成例
図３は、一実施形態に係る算定漏れ検知システム３の機能構成例を示すブロック図である。図３に示すように、検知システム３は、例示的に、通信部３１、メモリ部３２、及び、制御部３３を備えてよい。

通信部３１は、図示しないネットワークを介して、他のコンピュータ又はサーバ等の情報処理装置との間で情報の通信を行なう。通信部３１は、例えば、オペレータが利用する情報処理装置から、学習フェーズ（モデル作成フェーズ）で用いるデータ、判定フェーズ（モデル適用フェーズ）で用いるデータ等の種々のデータを受信してよい。また、通信部３１は、情報処理装置に、学習結果、判定結果等の種々の情報を送信してもよい。

メモリ部３２は、記憶領域の一例であり、検知システム３が利用する種々のデータを記憶する。図３に示すように、メモリ部３２は、例示的に、入力データ３２ａ、抽出ルール３２ｂ、ルール適用済データ３２ｃ、算定項目請求済データ３２ｄ、有意差算出用データ３２ｅ、学習データ３２ｆ、検知モデル３２ｇ、及び、判定データ３２ｈを記憶可能であってよい。

以下の説明では、便宜上、メモリ部３２が記憶するデータ３２ａ～３２ｆ及び３２ｈのそれぞれをテーブル形式のデータとして説明するが、これに限定されるものではなく、ＤＢ（Database）又は配列等の種々のデータ形式であってよい。

制御部３３は、機械学習に関する種々の制御を行なう。図１に示すように、制御部３３は、例示的に、取得部３３ａ、生成部３３ｂ、学習部３３ｃ、及び、判定部３３ｄを備えてよい。

取得部３３ａは、例えば、通信部３１を介して入力されるデータに基づき入力データ３２ａを取得し、取得した入力データ３２ａをメモリ部３２に格納してよい。入力データ３２ａは、学習フェーズで用いられるデータであり、例えば、図２に示すレセプト情報２１ａ、電子カルテ情報２１ｂ、及び、算定項目２１ｃの情報に基づいてよい。

入力データ３２ａは、複数のレセプトに関する第１データの一例であり、例えば、通信部３１を介して外部、例えば図示しない端末等の情報処理装置から入力される複数のデータに基づき取得（例えば受信又は生成）されてよい。情報処理装置の一例としては、図１の説明において示した医事管理システム１ａ、及び、電子カルテ情報１ｃを出力するシステムのうちの一方又は双方が挙げられる。

図４は、入力データ３２ａの一例を示す図である。図４に示すように、入力データ３２ａは、例示的に、ＩＤ、ラベル、性別、年齢、及び、診療項目１～診療項目Ｎ（Ｎは１以上の整数）の項目を含んでよい。

ＩＤは、レセプト算定漏れの学習対象のデータ、換言すれば、１つのエントリを識別する識別情報である。例えば、ＩＤは、レセプト情報２１ａのエントリの識別情報であってもよい。

ラベルは、エントリごとに、算定漏れの検知対象とする算定項目に該当するか否か、換言すれば、算定項目の請求の有無を示す情報である。ラベルは、正解データの一例であり、例えば、算定項目２１ｃの情報に基づき設定されてよい。図４の例では、ラベルには各エントリが「算定項目１」に該当するか否かを示す情報が設定されている。

「算定項目１」は、検知対象の算定項目であり、第１算定項目の一例である。なお、一実施形態では、検知対象として「算定項目１」に着目した入力データ３２ａの一例を示すが、これに限定されるものではない。メモリ部３２は、検知対象として他の算定項目に着目した入力データ３２ａ（他の算定項目に該当するか否かを示すラベルを含む入力データ３２ａ）を記憶してもよい。

性別及び年齢は、レセプトに係る診療対象者の性別及び年齢を示す情報である。例えば、性別及び年齢は、レセプト情報２１ａ及び電子カルテ情報２１ｂに基づき設定されてよい。

診療項目１～診療項目Ｎは、エントリのデータが関連する１以上の第１診療項目の一例であり、説明変数項目の一例である。診療項目には、診療報酬の請求に関する種々の項目が設定されてよい。例えば、診療項目１～診療項目Ｎは、レセプト情報２１ａに基づき設定されてよい。

また、取得部３３ａは、例えば、通信部３１を介して入力されるデータに基づき判定データ３２ｈを取得し、取得した判定データ３２ｈをメモリ部３２に格納してよい。判定データ３２ｈは、判定フェーズで用いられるデータであり、例えば、図２に示す新規の修正前レセプト２４及び新規の電子カルテ２５の情報に基づいてよい。判定データ３２ｈは、例えば、入力データ３２ａのうちのラベル（正解データ）を除外したデータ構造を有してよい。

生成部３３ｂは、入力データ３２ａに基づき、学習データ３２ｆを生成する。以下、生成部３３ｂによる学習データ３２ｆの生成処理の一例を説明する。

図５は、一実施形態の比較例に係るシステム１００による機械学習の一例を説明する図である。図５に示すように、システム１００は、各ラベルのデータが大量に存在するデータ１１０を用いて学習１２０を実行することで、モデル１３０を生成する。図５の例では、データ１１０が大量に存在するため、説明変数項目が多い場合であっても適切に学習１２０を行なうことができる。

図６は、一実施形態の比較例に係るシステム２００によるレセプト算定漏れ検知の機械学習の一例を説明する図である。図６に示すように、入力データ３２ａには、算定項目（ラベル）ごとのデータ（図６の例では算定項目１に該当するデータ）が少量しか存在しない場合がある。算定項目１に該当するデータが少量であるため、大量の診療項目（説明変数項目）がある場合、システム２００は、適切な学習を行なうことが困難となる。

そこで、システム２００は、入力データ３２ａからデータ抽出処理（符号ａ参照）を行ない、入力データ３２ａから、算定項目請求済データ２１０及び有意差算出用データ２２０を抽出する。算定項目請求済データ２１０は、入力データ３２ａのうちの検知対象の算定項目を請求した、例えば「算定項目１を請求した」データのみを抽出（符号ｂ参照）したデータである。有意差算出用データ２２０は、入力データ３２ａのうちの、「算定項目１を請求した」データ、以外のデータから、ランダムで抽出したデータである（符号ｃ参照）。

システム２００は、各診療項目の有意差判定処理（符号ｄ参照）を行ない、入力データ３２ａのうちの「有意差あり」の診療項目のみを学習データ２３０として利用して学習（符号ｆ参照）を行なうことで、検知モデル２４０を生成する。

このように、比較例に係るシステム２００は、学習に有効な診療項目のみを抽出することで、学習させる診療項目数を削減することができる。図６の例では、システム２００は、「有意差あり」の診療項目として、「診療項目１」～「診療項目Ｎ」のうちの「診療項目２」及び「診療項目４」のみを抽出したデータを学習データ２３０として利用する。これにより、精度の高いレセプト算定漏れの検知モデル２４０を生成することができる。

しかしながら、算定項目には、性別又は年齢等に限定される項目が存在することがあり、算定項目には無関係な診療項目が、有意性のある項目として選択されてしまうことがある。例えば、成人男性特有の算定項目について学習（符号ｆ参照）を行なう際に、有意差判定のデータ２２０として、女性又は小児のレセプトデータがランダム抽出される場合がある。このような場合、算定項目には無関係な診療項目が「有意差あり」として抽出（符号ｅ参照）される可能性がある。このように、検知対象の算定項目には関係の無い診療項目が学習データ２３０に含まれることで、レセプト算定漏れ検出の精度が低下することがある。

図７は、一実施形態に係る検知システム３（生成部３３ｂ）による学習データ３２ｆの生成処理の一例を説明する図である。

図７に示すように、生成部３３ｂは、入力データ３２ａから、抽出ルール３２ｂに基づきデータ抽出処理（符号Ａ参照）を行ない、ルール適用済データ３２ｃを生成し、メモリ部３２に格納してよい。

抽出ルール３２ｂは、入力データ３２ａからレセプトの算定項目を抽出する条件の一例であり、図７に例示するように、算定項目ごとに、入力データ３２ａからデータ（エントリ）を抽出するためのルールを示す。抽出ルール３２ｂは、例えば、予め検知システム３に設定されてよい。

ルールは、例えば、算定項目に対応する属性の制限を含んでよい。属性とは、例えば、対象患者の性別及び年齢の一方又は双方を含んでよい。属性の制限とは、例えば、性別の区分、年齢の範囲、等の指定を含んでよい。図７の例では、「算定項目１」のルールは、性別：男性、且つ、年齢：２０歳以上である。なお、属性としては、性別及び年齢に限定されるものではなく、種々の項目を含んでよい。また、抽出ルール３２ｂでは、例えば、少なくとも１つ又は全ての属性の制限が設定されないというルール（「算定項目２」及び「算定項目５」参照）が許容されてもよい。

例えば、生成部３３ｂは、入力データ３２ａから、検知対象の算定項目の抽出ルール３２ｂを満たすエントリを抽出することで、ルール適用済データ３２ｃを生成してよい。ルール適用済データ３２ｃは、第２データの一例である。

図８は、ルール適用済データ３２ｃの一例を示す図である。図８の例では、生成部３３ｂは、図７の抽出ルール３２ｂのうちの「算定項目１」に対応する、性別：男性、且つ、年齢：２０歳以上のルールに従い、入力データ３２ａから該当するデータ（エントリ）のみを抽出した場合を示す。図８に例示するように、ルール適用済データ３２ｃは、図４に示す入力データ３２ａから、「算定項目１」に対応するルールが適用されて抽出されたデータ（エントリ）を含むものとなる。換言すれば、ルール適用済データ３２ｃは、入力データ３２ａにおいて、当該ルールの対象外である「ID002」、「ID004」、「ID005」、「ID010」のデータ（エントリ）が除外されたデータであるといえる。

このように、生成部３３ｂは、算定項目ごとに、対象の年齢、性別等の条件を予め設定しておき、診療項目ごとの有意差判定を実施する前に、年齢、性別等に基づいて、利用するレセプトデータを選択するのである。

以上のように、生成部３３ｂは、複数のレセプトに関する入力データ３２ａから、レセプトの算定項目を抽出する抽出ルール３２ｂに従ってルール適用済データ３２ｃを抽出する抽出部の一例である。

図７に例示するように、生成部３３ｂは、上述のように生成したルール適用済データ３２ｃから、第３データの一例である算定項目請求済データ３２ｄと、第４データの一例である有意差算出用データ３２ｅとを抽出し、メモリ部３２に格納してよい。

図９は、算定項目請求済データ３２ｄの一例を示す図である。算定項目請求済データ３２ｄは、ルール適用済データ３２ｃから検知対象の「算定項目に該当する」（算定項目を請求した）データのみを抽出したデータである。図９の例では、算定項目請求済データ３２ｄは、ルール適用済データ３２ｃから算定項目１に該当する「ID001」、「ID003」、「ID006」、「ID008」のデータのみを抽出したデータである（図７の符号Ｂ参照）。

なお、生成部３３ｂは、入力データ３２ａから検知対象の「算定項目に該当する」（算定項目を請求した）データのみを抽出して算定項目請求済データ３２ｄを生成してもよい。検知対象の算定項目を請求したデータは、検知対象の算定項目の抽出ルール３２ｂに合致するデータであるためである。

図１０は、有意差算出用データ３２ｅの一例を示す図である。有意差算出用データ３２ｅは、ルール適用済データ３２ｃから、抽出ルール３２ｂで絞られ、且つ、検知対象の「算定項目に該当しない」（算定項目を請求しない）データのみをランダムで（図１０の例では全て）抽出したデータである。換言すれば、有意差算出用データ３２ｅは、ルール適用済データ３２ｃのうちの検知対象の算定項目を請求したデータを外したデータからランダムに抽出したデータである。図１０の例では、有意差算出用データ３２ｅは、ルール適用済データ３２ｃから算定項目１に該当しない「ID007」、「ID009」のデータのみを抽出したデータとなる（図７の符号Ｃ参照）。

図７に例示するように、生成部３３ｂは、算定項目請求済データ３２ｄ及び有意差算出用データ３２ｅに基づき、各診療項目の有意差判定処理（符号Ｄ参照）を行なう。

図１１は、有意差判定処理の一例を説明するための図である。図１１に示すように、生成部３３ｂは、過去の算定実績から、検知対象の算定項目（診療行為）が算定された際に診断されている診療項目、例えば病名及び他の診療行為等の関係性を検定する。過去の算定実績としては、例えば、算定項目請求済データ３２ｄ及び有意差算出用データ３２ｅが用いられてよい。

図１１では、検知対象の算定項目として「特別食加算」を例に挙げ、診療項目として、傷病名：前腕骨折、頭痛、糖尿病に関係する各項目を例に挙げて説明する。図１１に示すように、生成部３３ｂは、検知対象の算定項目である「特別食加算」について、診療項目ごとに、傷病名に関する診療項目があるか否か（有無）、及び、「特別食加算」が算定されたか否かに基づき、関係性の有無を検定（判定）してよい。「特別食加算」が算定されたか否かは、算定された場合は算定項目請求済データ３２ｄ、算定されなかった場合は有意差算出用データ３２ｅから取得できる。

例えば、生成部３３ｂは、図１１に示すように、診療項目の有無、及び、算定項目が算定されたか否かの組み合わせに該当するデータ（エントリ）数をそれぞれ集計し、集計結果に基づき、関係性があるか否か、換言すれば、有意差があるか否かを判定してよい。

有意差の有無の判定は、有意差検定等の種々の手法が用いられてよい。例えば、生成部３３ｂは、診療項目があり、且つ、算定項目が算定された場合の集計数、当該集計数と他のいずれか１つ以上の集計数の合計との割合、等の少なくとも一方に基づき、有意差の有無を判定してもよい。

図１１に例示するように、生成部３３ｂは、糖尿病の診療項目について、下記（ｉ）の集計数が閾値を超えた、及び／又は、下記（ｉ）の集計数と下記（ii）～（iv）のいずれか１つ以上の集計数の合計との割合が閾値を超えた場合、有意差ありと判定してよい。なお、生成部３３ｂは、上記以外の組み合わせに基づき、有意差の有無を判定してもよい。
（ｉ）糖尿病あり且つ算定された場合の集計数“800”
（ii）糖尿病なし且つ算定された場合の集計数“1200”
（iii）糖尿病あり且つ算定されなかった場合の集計数“500”
（iv）糖尿病なし且つ算定されなかった場合の集計数“10000”

一方、図１１に例示するように、生成部３３ｂは、前腕骨折及び頭痛のそれぞれの診療項目について、有意差の有無の判定を行ない、関係性がない、換言すれば、有意差がないと判定してよい。

以上のように、判定処理は、算定項目請求済データ３２ｄ及び有意差算出用データ３２ｅに基づき、算定項目請求済データ３２ｄ及び有意差算出用データ３２ｅに含まれる複数の診療項目についての、検知対象の算定項目に関する有意差を判定する処理といえる。このため、生成部３３ｂは、有意差の判定処理を実行する有意差判定部の一例である。

なお、一実施形態に係る検知システム３は、生成部３３ｂによる有意差の判定処理の結果を出力してもよい。有意差の判定処理結果の出力としては、例えば、モニタ等の出力装置への表示、メモリ部３２又は記憶装置等への格納、通信部３１を介した検知システム３外部（例えば情報処理装置）への送信、等が挙げられる。

このように、検知システム３は、例えば、複数の診療項目についての、検知対象の算定項目に関する有意差（有意性）を判定する有意差判定装置と捉えられてもよい。

図７に例示するように、生成部３３ｂは、算定項目請求済データ３２ｄ及び有意差算出用データ３２ｅのうちの、有意差判定処理において「有意差あり」と判定した診療項目のみを抽出して（符号Ｅ参照）、学習データ３２ｆを生成してよい。そして、生成部３３ｂは、学習データ３２ｆをメモリ部３２に格納してよい。算定項目請求済データ３２ｄ及び有意差算出用データ３２ｅのうちの「有意差あり」と判定した診療項目は、１以上の第２診療項目の一例である。

なお、生成部３３ｂは、ルール適用済データ３２ｃのうちの「有意差あり」と判定した診療項目のみを抽出することで学習データ３２ｆを生成してもよい。

図１２は、学習データ３２ｆの一例を示す図である。図１２の例では、図１１に示す傷病名：前腕骨折、頭痛に関する診療項目がそれぞれ「診療項目２」、「診療項目４」であり、傷病名：糖尿病に関する診療項目が「診療項目１」である場合を想定する。また、図１２の例では、「診療項目３」、「診療項目５」～「診療項目Ｎ」についても、有意差判定処理において「有意差あり」と判定された場合を想定する。

図１２に示すように、学習データ３２ｆは、ルール適用済データ３２ｃから、「有意差あり」と判定された「診療項目１」、「診療項目３」、「診療項目５」～「診療項目Ｎ」を抽出したデータとなる。換言すれば、学習データ３２ｆは、ルール適用済データ３２ｃから、「有意差なし」と判定された「診療項目２」、「診療項目４」を除外したデータとなる。

このように、生成部３３ｂは、学習データ３２ｆを生成する学習データ生成部の一例である。

以上のように、生成部３３ｂは、検知対象の算定項目と関係性が高い診療項目を学習データ３２ｆに設定することで、後述する学習部３３ｃにより汎用的な検知モデル３２ｇを構築することができる。このとき、生成部３３ｂは、国の定義等を学習データ３２ｆの生成に利用することを抑止してよい。

また、生成部３３ｂは、有意差算出用データ３２ｅを用いた有意差判定処理により、検知対象の算定項目（例えば算定項目１）に関する同条件のデータについての有意差（有意性）を判定するため、関係のない診療項目が「有意差あり」と判定される件数を削減できる。

図７の説明に戻り、学習部３３ｃは、図２に示す機械学習部２２の一例であり、生成部３３ｂが生成した学習データ３２ｆに基づき、検知モデル３２ｇの機械学習、例えば検知モデル３２ｇの作成又は更新を行ってよい。検知モデル３２ｇの機械学習は、学習データ３２ｆを機械学習の推論に入力することで実施されてよい。

例えば、学習部３３ｃは、学習指示の入力に応じて、学習データ３２ｆを機械学習に入力して、機械学習の推論結果と教師データ（ラベル）との誤差に基づいて、当該誤差が小さくなるように学習を行なう。一例として、学習部３３ｃは、判定精度が高くなるように機械学習のパラメータを学習する。

学習部３３ｃは、所定回数の学習を実行した場合、又は、誤差が所定値よりも小さくなった場合に学習を終了し、各種パラメータ等を検知モデル３２ｇとしてメモリ部３２に記憶してよい。学習方法は、誤差逆伝播法等の様々な手法を採用することができる。

このように、学習部３３ｃは、学習データ３２ｆを用いて、レセプトの診療報酬の算定漏れを検知するための検知モデル３２ｇの機械学習を行なうモデル学習部の一例である。

判定部３３ｄは、学習部３３ｃによる検知モデル３２ｇの学習後に、新規の判定データ３２ｈを入力とした、学習済みの検知モデル３２ｇによる判定結果（検知結果）を取得する。判定データ３２ｈは、第５データの一例である。判定部３３ｄは、判定結果に基づき、算定漏れ候補レコメンドを出力してよい。

図１３は、判定データ３２ｈの一例を示す図である。図１３に示すように、判定データ３２ｈは、例示的に、属性（例えば性別、年齢）、並びに、複数の診療項目を含んでよい。

例えば、判定部３３ｄは、メモリ部３２を参照し、学習済みの検知モデル３２ｇを用いて、判定データ３２ｈに対して算定漏れ検知を実行する。例えば、判定部３３ｄは、判定データ３２ｈを、学習済みの検知モデル３２ｇを用いて構築した機械学習の推論プロセスに入力して判定結果を取得し、取得した判定結果に基づき、算定漏れ候補レコメンドを出力してよい。例えば、判定部３３ｄは、図２に示す算定漏れ候補レコメンド２６のように、対象患者、検知日、算定漏れ項目、及び、算定漏れ確率の少なくとも１つの項目を含む算定漏れ候補レコメンドを出力してよい。

算定漏れ候補レコメンドの出力としては、例えば、モニタ等の出力装置への表示、メモリ部３２又は記憶装置等への格納、通信部３１を介した検知システム３外部（例えば情報処理装置）への送信、等が挙げられる。

このように、判定部３３ｄは、学習済みの検知モデル３２ｇを用いて、複数のレセプトに関する判定データ３２ｈの診療報酬の算定漏れ検知を行なう検知部の一例である。

以上のように、一実施形態に係る検知システム３によれば、有意差判定処理により、検知対象の算定項目と関係のない（関係の小さい）診療項目が「有意差あり」と判定される件数を削減できる。これにより、レセプト算定漏れの検知精度低下を低減させることができ、診療報酬の算定漏れを防ぐことができるため、医療収益を改善させることができる。

〔１－３〕動作例
以下、上述した検知システム３の動作例を、フローチャートを参照しながら説明する。

〔１－３－１〕学習処理（モデル作成フェーズ）
図１４は、一実施形態に係る検知システム３の学習処理の動作例を説明するフローチャートである。

図１４に例示するように、検知システム３の制御部３３において、取得部３３ａは、オペレータ等が利用する情報処理装置から通信部３１を介して入力される学習用のデータに基づき、入力データ３２ａを取得し（ステップＳ１）、メモリ部３２に格納する。取得部３３ａは、入力データ３２ａを取得すると、生成部３３ｂに学習データ３２ｆの生成指示を通知してもよい。学習用のデータには、レセプト情報、電子カルテ情報及び算定項目（正解データ）の情報が含まれてよい。入力データ３２ａは、図４に例示するように、ラベル、属性（例えば性別、年齢）、並びに、複数の診療項目を含んでよい。

生成部３３ｂは、取得部３３ａから生成指示が入力されると、抽出ルール３２ｂのうちの検知対象の算定項目のルールに合致するデータを入力データ３２ａから抽出することでルール適用済データ３２ｃを生成し（ステップＳ２）、メモリ部３２に格納する。

生成部３３ｂは、ルール適用済データ３２ｃから、算定項目請求済データ３２ｄ及び有意差算出用データ３２ｅを生成（抽出）し（ステップＳ３）、メモリ部３２に格納する。例えば、生成部３３ｂは、ルール適用済データ３２ｃ又は入力データ３２ａから、検知対象の「算定項目に該当する」（算定項目を請求した）データのみを抽出することで算定項目請求済データ３２ｄを生成してよい。また、生成部３３ｂは、ルール適用済データ３２ｃから、抽出ルール３２ｂで絞られ、且つ、検知対象の「算定項目に該当しない」（算定項目を請求しない）データのみをランダムで抽出することで、有意差算出用データ３２ｅを生成してよい。

生成部３３ｂは、算定項目請求済データ３２ｄ及び有意差算出用データ３２ｅを用いて有意差判定処理を実行する（ステップＳ４）。例えば、生成部３３ｂは、有意差判定処理において、検知対象の算定項目と、複数の診療項目の各々との関係性の有無を判定することで、各診療項目が算定項目に関係するか否か、換言すれば有意差があるか否かを判定してよい。

生成部３３ｂは、有意差判定処理の処理結果に基づき、入力データ３２ａ、ルール適用済データ３２ｃ、又は、算定項目請求済データ３２ｄ及び有意差算出用データ３２ｅから学習データ３２ｆを生成し（ステップＳ５）、メモリ部３２に格納する。学習データ３２ｆは、入力データ３２ａのうちの、検知対象の抽出ルール３２ｂに該当するエントリのみを含み、且つ、診療項目が、有意差判定処理において有意差があると判定された診療項目に制限されたデータとなる。

学習部３３ｃは、学習データ３２ｆを用いた機械学習により、検知モデル３２ｇを生成して（ステップＳ６）、メモリ部３２に格納し、モデル作成フェーズの処理が終了する。なお、モデル作成フェーズでは、取得部３３ａ、生成部３３ｂ及び学習部３３ｃは、検知対象の算定項目ごとに、ステップＳ１～Ｓ６の処理を実行してよい。

〔１－３－２〕判定処理（モデル適用フェーズ）
図１５は、一実施形態に係る検知システム３の判定処理の動作例を説明するフローチャートである。

図１５に例示するように、取得部３３ａは、オペレータ等が利用する情報処理装置から通信部３１を介して入力される検知対象のデータに基づき、判定データ３２ｈを取得し（ステップＳ１１）、メモリ部３２に格納する。取得部３３ａは、判定データ３２ｈを取得すると、判定部３３ｄに判定指示を通知してもよい。検知対象のデータには、レセプト情報及び電子カルテ情報の情報が含まれてよい。

判定部３３ｄは、例えば、取得部３３ａから判定指示が入力されると、メモリ部３２を参照し、学習済み検知モデル３２ｇを用いて、判定対象の判定データ３２ｈを判定する（ステップＳ１２）。例えば、判定部３３ｄは、検知モデル３２ｇを適用した機械学習の推論プロセスに判定データ３２ｈを入力し、機械学習からの出力を判定結果として取得してよい。

判定部３３ｄは、判定結果に基づき、算定漏れ候補レコメンドを生成して（ステップＳ１３）、出力し（ステップＳ１４）、モデル適用フェーズの処理が終了する。

〔１－４〕ハードウェア構成例
一実施形態に係る検知システム３は、例えば、仮想サーバ（ＶＭ；Virtual Machine）、又は、物理サーバ等のコンピュータ（情報処理装置）により実現されてもよい。また、検知システム３の機能は、１台のコンピュータにより実現されてもよいし、２台以上のコンピュータにより実現されてもよい。さらに、検知システム３の機能のうちの少なくとも一部は、クラウド環境により提供されるＨＷ（Hardware）リソース及びＮＷ（Network）リソースを用いて実現されてもよい。

図１６は、検知システム３の機能を実現するコンピュータ３０のハードウェア（ＨＷ）構成例を示すブロック図である。検知システム３の機能を実現するＨＷリソースとして、複数のコンピュータが用いられる場合は、各コンピュータが図１６に例示するＨＷ構成を備えてよい。

図１６に示すように、コンピュータ３０は、ＨＷ構成として、例示的に、プロセッサ３０ａ、メモリ３０ｂ、記憶部３０ｃ、ＩＦ（Interface）部３０ｄ、ＩＯ（Input / Output）部３０ｅ、及び読取部３０ｆを備えてよい。

プロセッサ３０ａは、種々の制御や演算を行なう演算処理装置の一例である。プロセッサ３０ａは、コンピュータ３０内の各ブロックとバス３０ｉで相互に通信可能に接続されてよい。なお、プロセッサ３０ａは、複数のプロセッサを含むマルチプロセッサであってもよいし、複数のプロセッサコアを有するマルチコアプロセッサであってもよく、或いは、マルチコアプロセッサを複数有する構成であってもよい。

プロセッサ３０ａとしては、例えば、ＣＰＵ、ＭＰＵ、ＧＰＵ、ＡＰＵ、ＤＳＰ、ＡＳＩＣ、ＦＰＧＡ等の集積回路（ＩＣ；Integrated Circuit）が挙げられる。なお、プロセッサ３０ａとして、これらの集積回路の２以上の組み合わせが用いられてもよい。ＣＰＵはCentral Processing Unitの略称であり、ＭＰＵはMicro Processing Unitの略称である。ＧＰＵはGraphics Processing Unitの略称であり、ＡＰＵはAccelerated Processing Unitの略称である。ＤＳＰはDigital Signal Processorの略称であり、ＡＳＩＣはApplication Specific ICの略称であり、ＦＰＧＡはField-Programmable Gate Arrayの略称である。

メモリ３０ｂは、種々のデータやプログラム等の情報を格納するＨＷの一例である。メモリ３０ｂとしては、例えばＤＲＡＭ（Dynamic Random Access Memory）等の揮発性メモリ、及び、ＰＭ（Persistent Memory）等の不揮発性メモリ、の一方又は双方が挙げられる。

記憶部３０ｃは、種々のデータやプログラム等の情報を格納するＨＷの一例である。記憶部３０ｃとしては、ＨＤＤ（Hard Disk Drive）等の磁気ディスク装置、ＳＳＤ（Solid State Drive）等の半導体ドライブ装置、不揮発性メモリ等の各種記憶装置が挙げられる。不揮発性メモリとしては、例えば、フラッシュメモリ、ＳＣＭ（Storage Class Memory）、ＲＯＭ（Read Only Memory）等が挙げられる。

また、記憶部３０ｃは、コンピュータ３０の各種機能の全部若しくは一部を実現するプログラム３０ｇ（レセプトデータ有意性判定プログラム）を格納してよい。

例えば、検知システム３のプロセッサ３０ａは、記憶部３０ｃに格納されたプログラム３０ｇをメモリ３０ｂに展開して実行することにより、図３に例示する検知システム３（例えば通信部３１及び制御部３３）としての機能を実現できる。また、図３に例示するメモリ部３２は、メモリ３０ｂ及び記憶部３０ｃの少なくとも１つが有する記憶領域により実現されてよい。さらに、図３に示す判定部３３ｄは、メモリ３０ｂ及び記憶部３０ｃの少なくとも１つが有する記憶領域に、有意差の判定結果、算定漏れ候補レコメンド等の情報を出力し格納してもよい。

ＩＦ部３０ｄは、ネットワークとの間の接続及び通信の制御等を行なう通信ＩＦの一例である。例えば、ＩＦ部３０ｄは、イーサネット（登録商標）等のＬＡＮ（Local Area Network）、或いは、ＦＣ（Fibre Channel）等の光通信等に準拠したアダプタを含んでよい。当該アダプタは、無線及び有線の一方又は双方の通信方式に対応してよい。例えば、検知システム３は、ＩＦ部３０ｄを介して、図示しない情報処理装置と相互に通信可能に接続されてよい。図３に例示する通信部３１の少なくとも一部の機能は、ＩＦ部３０ｄにより実現されてよい。また、例えば、プログラム３０ｇは、当該通信ＩＦを介して、ネットワークからコンピュータ３０にダウンロードされ、記憶部３０ｃに格納されてもよい。

ＩＯ部３０ｅは、入力装置、及び、出力装置、の一方又は双方を含んでよい。入力装置としては、例えば、キーボード、マウス、タッチパネル等が挙げられる。出力装置としては、例えば、モニタ、プロジェクタ、プリンタ等が挙げられる。例えば、図３に示す判定部３３ｄは、ＩＯ部３０ｅの出力装置に判定結果を出力し表示させてもよい。

読取部３０ｆは、記録媒体３０ｈに記録されたデータやプログラムの情報を読み出すリーダの一例である。読取部３０ｆは、記録媒体３０ｈを接続可能又は挿入可能な接続端子又は装置を含んでよい。読取部３０ｆとしては、例えば、ＵＳＢ（Universal Serial Bus）等に準拠したアダプタ、記録ディスクへのアクセスを行なうドライブ装置、ＳＤカード等のフラッシュメモリへのアクセスを行なうカードリーダ等が挙げられる。なお、記録媒体３０ｈにはプログラム３０ｇが格納されてもよく、読取部３０ｆが記録媒体３０ｈからプログラム３０ｇを読み出して記憶部３０ｃに格納してもよい。

記録媒体３０ｈとしては、例示的に、磁気／光ディスクやフラッシュメモリ等の非一時的なコンピュータ読取可能な記録媒体が挙げられる。磁気／光ディスクとしては、例示的に、フレキシブルディスク、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ブルーレイディスク、ＨＶＤ（Holographic Versatile Disc）等が挙げられる。フラッシュメモリとしては、例示的に、ＵＳＢメモリやＳＤカード等の半導体メモリが挙げられる。

上述したコンピュータ３０のＨＷ構成は例示である。従って、コンピュータ３０内でのＨＷの増減（例えば任意のブロックの追加や削除）、分割、任意の組み合わせでの統合、又は、バスの追加若しくは削除等は適宜行なわれてもよい。例えば、検知システム３において、ＩＯ部３０ｅ及び読取部３０ｆの少なくとも一方は、省略されてもよい。

〔２〕その他
上述した一実施形態に係る技術は、以下のように変形、変更して実施することができる。

例えば、図３に示す検知システム３が備える通信部３１及び制御部３３は、併合してもよく、それぞれ分割してもよい。図３に示す制御部３３が備える取得部３３ａ、生成部３３ｂ、学習部３３ｃ及び判定部３３ｄは、任意の組み合わせで併合してもよく、それぞれ分割してもよい。

また、図３に示す検知システム３は、複数の装置がネットワークを介して互いに連携することにより、各処理機能を実現する構成であってもよい。一例として、通信部３１はＷｅｂサーバ、制御部３３はアプリケーションサーバ、メモリ部３２はＤＢサーバ、等であってもよい。この場合、Ｗｅｂサーバ、アプリケーションサーバ及びＤＢサーバが、ネットワークを介して互いに連携することにより、検知システム３としての各処理機能を実現してもよい。

〔３〕付記
以上の実施形態に関し、さらに以下の付記を開示する。

（付記１）
複数のレセプトに関する第１データから、レセプトの算定項目を抽出する条件に従って第２データを抽出し、
前記第１データ又は前記第２データから第１算定項目を請求したデータを抽出した第３データと、前記第２データのうちの前記第１算定項目を請求したデータを外したデータからランダムに抽出した第４データとに基づき、前記第３データ及び前記第４データに含まれる複数の第１診療項目についての、前記第１算定項目に関する有意差を判定する判定処理を行ない、
前記第３データ及び前記第４データから、前記判定処理により有意差があると判定した１以上の第２診療項目を抽出した学習データを生成する、
処理をコンピュータに実行させる、レセプトデータ有意性判定プログラム。

（付記２）
前記判定処理において、前記第１算定項目の請求の有無と、前記複数の診療項目の各々の診断の有無とに基づき、前記第１算定項目の請求に関連性のある前記１以上の第２診療項目を判定する、
処理を前記コンピュータに実行させる、付記１に記載のレセプトデータ有意性判定プログラム。

（付記３）
前記第１データは、前記複数のレセプトの各々について、前記第１算定項目の請求の有無を示す正解データと、前記複数の診療項目とを含み、
前記判定処理において、前記第１算定項目の請求の有無、及び、前記複数の診療項目の各々の診断の有無のそれぞれの組み合わせの集計結果に基づき、前記１以上の第２診療項目を判定する、
処理を前記コンピュータに実行させる、付記２に記載のレセプトデータ有意性判定プログラム。

（付記４）
前記第１データは、前記複数のレセプトの各々について、診療対象者に関する属性情報を含み、
前記条件は、前記属性情報に関する条件であり、
前記第２データの抽出は、前記第１データから、前記条件を満たす属性情報を有するデータを抽出することを含む、
付記１～付記３のいずれか１項に記載のレセプトデータ有意性判定プログラム。

（付記５）
前記学習データを用いて、前記レセプトの診療報酬の算定漏れを検知するための検知モデルの機械学習を行なう、
処理を前記コンピュータに実行させる、付記１～付記４のいずれか１項に記載のレセプトデータ有意性判定プログラム。

（付記６）
学習済みの前記検知モデルを用いて、複数のレセプトに関する第５データの診療報酬の算定漏れ検知を行なう、
処理を前記コンピュータに実行させる、付記５に記載のレセプトデータ有意性判定プログラム。

（付記７）
複数のレセプトに関する第１データから、レセプトの算定項目を抽出する条件に従って第２データを抽出し、
前記第１データ又は前記第２データから第１算定項目を請求したデータを抽出した第３データと、前記第２データのうちの前記第１算定項目を請求したデータを外したデータからランダムに抽出した第４データとに基づき、前記第３データ及び前記第４データに含まれる複数の第１診療項目についての、前記第１算定項目に関する有意差を判定する判定処理を行ない、
前記第３データ及び前記第４データから、前記判定処理により有意差があると判定した１以上の第２診療項目を抽出した学習データを生成する、
処理をコンピュータが実行する、レセプトデータ有意性判定方法。

（付記８）
前記判定処理において、前記第１算定項目の請求の有無と、前記複数の診療項目の各々の診断の有無とに基づき、前記第１算定項目の請求に関連性のある前記１以上の第２診療項目を判定する、
処理を前記コンピュータが実行する、付記７に記載のレセプトデータ有意性判定方法。

（付記９）
前記第１データは、前記複数のレセプトの各々について、前記第１算定項目の請求の有無を示す正解データと、前記複数の診療項目とを含み、
前記判定処理において、前記第１算定項目の請求の有無、及び、前記複数の診療項目の各々の診断の有無のそれぞれの組み合わせの集計結果に基づき、前記１以上の第２診療項目を判定する、
処理を前記コンピュータが実行する、付記８に記載のレセプトデータ有意性判定方法。

（付記１０）
前記第１データは、前記複数のレセプトの各々について、診療対象者に関する属性情報を含み、
前記条件は、前記属性情報に関する条件であり、
前記第２データの抽出は、前記第１データから、前記条件を満たす属性情報を有するデータを抽出することを含む、
付記７～付記９のいずれか１項に記載のレセプトデータ有意性判定方法。

（付記１１）
前記学習データを用いて、前記レセプトの診療報酬の算定漏れを検知するための検知モデルの機械学習を行なう、
処理を前記コンピュータが実行する、付記７～付記１０のいずれか１項に記載のレセプトデータ有意性判定方法。

（付記１２）
学習済みの前記検知モデルを用いて、複数のレセプトに関する第５データの診療報酬の算定漏れ検知を行なう、
処理を前記コンピュータが実行する、付記１１に記載のレセプトデータ有意性判定方法。

（付記１３）
複数のレセプトに関する第１データから、レセプトの算定項目を抽出する条件に従って第２データを抽出する抽出部と、
前記第１データ又は前記第２データから第１算定項目を請求したデータを抽出した第３データと、前記第２データのうちの前記第１算定項目を請求したデータを外したデータからランダムに抽出した第４データとに基づき、前記第３データ及び前記第４データに含まれる複数の第１診療項目についての、前記第１算定項目に関する有意差を判定する判定処理を行なう有意差判定部と、
前記第３データ及び前記第４データから、前記判定処理により有意差があると判定した１以上の第２診療項目を抽出した学習データを生成する学習データ生成部と、を備える、情報処理装置。

（付記１４）
前記有意差判定部は、前記第１算定項目の請求の有無と、前記複数の診療項目の各々の診断の有無とに基づき、前記第１算定項目の請求に関連性のある前記１以上の第２診療項目を判定する、
付記１３に記載の情報処理装置。

（付記１５）
前記第１データは、前記複数のレセプトの各々について、前記第１算定項目の請求の有無を示す正解データと、前記複数の診療項目とを含み、
前記有意差判定部は、前記第１算定項目の請求の有無、及び、前記複数の診療項目の各々の診断の有無のそれぞれの組み合わせの集計結果に基づき、前記１以上の第２診療項目を判定する、
付記１４に記載の情報処理装置。

（付記１６）
前記第１データは、前記複数のレセプトの各々について、診療対象者に関する属性情報を含み、
前記条件は、前記属性情報に関する条件であり、
前記抽出部は、前記第１データから、前記条件を満たす属性情報を有するデータを抽出する、
付記１３～付記１５のいずれか１項に記載の情報処理装置。

（付記１７）
前記学習データを用いて、前記レセプトの診療報酬の算定漏れを検知するための検知モデルの機械学習を行なうモデル学習部、を備える
付記１３～付記１６のいずれか１項に記載の情報処理装置。

（付記１８）
学習済みの前記検知モデルを用いて、複数のレセプトに関する第５データの診療報酬の算定漏れ検知を行なう検知部、を備える
付記１７に記載の情報処理装置。

１ システム
１ａ 医事管理システム
１０、２、３ レセプト算定漏れ検知システム
２１ 算定実績
２１ａ レセプト
２１ｂ 電子カルテ
２１ｃ 算定項目
２２ 機械学習部
２３、３２ｇ 検知モデル
２４ 新規修正前レセプト
２５ 新規電子カルテ
２６ 算定漏れ候補レコメンド
３０ コンピュータ
３１ 通信部
３２ メモリ部
３２ａ 入力データ
３２ｂ 抽出ルール
３２ｃ ルール適用済データ
３２ｄ 算定項目請求済データ
３２ｅ 有意差算出用データ
３２ｆ 学習データ
３２ｈ 判定データ
３３ 制御部
３３ａ 取得部
３３ｂ 生成部
３３ｃ 学習部
３３ｄ 判定部

Claims (8)

1. 複数のレセプトに関する第１データから、レセプトの算定項目を抽出する条件に従って第２データを抽出し、
   前記第１データ又は前記第２データから第１算定項目を請求したデータを抽出した第３データと、前記第２データのうちの前記第１算定項目を請求したデータを外したデータからランダムに抽出した第４データとに基づき、前記第３データ及び前記第４データに含まれる複数の第１診療項目についての、前記第１算定項目に関する有意差を判定する判定処理を行ない、
   前記第３データ及び前記第４データから、前記判定処理により有意差があると判定した１以上の第２診療項目を抽出した学習データを生成する、
   処理をコンピュータに実行させる、レセプトデータ有意性判定プログラム。
2. 前記判定処理において、前記第１算定項目の請求の有無と、前記複数の診療項目の各々の診断の有無とに基づき、前記第１算定項目の請求に関連性のある前記１以上の第２診療項目を判定する、
   処理を前記コンピュータに実行させる、請求項１に記載のレセプトデータ有意性判定プログラム。
3. 前記第１データは、前記複数のレセプトの各々について、前記第１算定項目の請求の有無を示す正解データと、前記複数の診療項目とを含み、
   前記判定処理において、前記第１算定項目の請求の有無、及び、前記複数の診療項目の各々の診断の有無のそれぞれの組み合わせの集計結果に基づき、前記１以上の第２診療項目を判定する、
   処理を前記コンピュータに実行させる、請求項２に記載のレセプトデータ有意性判定プログラム。
4. 前記第１データは、前記複数のレセプトの各々について、診療対象者に関する属性情報を含み、
   前記条件は、前記属性情報に関する条件であり、
   前記第２データの抽出は、前記第１データから、前記条件を満たす属性情報を有するデータを抽出することを含む、
   請求項１～請求項３のいずれか１項に記載のレセプトデータ有意性判定プログラム。
5. 前記学習データを用いて、前記レセプトの診療報酬の算定漏れを検知するための検知モデルの機械学習を行なう、
   処理を前記コンピュータに実行させる、請求項１～請求項４のいずれか１項に記載のレセプトデータ有意性判定プログラム。
6. 学習済みの前記検知モデルを用いて、複数のレセプトに関する第５データの診療報酬の算定漏れ検知を行なう、
   処理を前記コンピュータに実行させる、請求項５に記載のレセプトデータ有意性判定プログラム。
7. 複数のレセプトに関する第１データから、レセプトの算定項目を抽出する条件に従って第２データを抽出し、
   前記第１データ又は前記第２データから第１算定項目を請求したデータを抽出した第３データと、前記第２データのうちの前記第１算定項目を請求したデータを外したデータからランダムに抽出した第４データとに基づき、前記第３データ及び前記第４データに含まれる複数の第１診療項目についての、前記第１算定項目に関する有意差を判定する判定処理を行ない、
   前記第３データ及び前記第４データから、前記判定処理により有意差があると判定した１以上の第２診療項目を抽出した学習データを生成する、
   処理をコンピュータが実行する、レセプトデータ有意性判定方法。
8. 複数のレセプトに関する第１データから、レセプトの算定項目を抽出する条件に従って第２データを抽出する抽出部と、
   前記第１データ又は前記第２データから第１算定項目を請求したデータを抽出した第３データと、前記第２データのうちの前記第１算定項目を請求したデータを外したデータからランダムに抽出した第４データとに基づき、前記第３データ及び前記第４データに含まれる複数の第１診療項目についての、前記第１算定項目に関する有意差を判定する判定処理を行なう有意差判定部と、
   前記第３データ及び前記第４データから、前記判定処理により有意差があると判定した１以上の第２診療項目を抽出した学習データを生成する学習データ生成部と、を備える、情報処理装置。

Images