The 28th Annual Conference of the Japanese Society for Artificial Intelligence, 2014
- 1 -
薬品調剤履
関
確率的構造解析
基
く
適応症
推定
Determining the Efficacy of Drugs based on
Analyzing Stochastic Structure under Personal Drug History
若杉
徹
*1
高橋
勲男
*2
Toru Wakasugi Isao Takahashi
*1
東邦薬品株式会社
*2
株式会社ＮＴＴ
タ数理
Toho Pharmaceutical Co., Ltd. NTT DATA Mathematical Systems Inc.
To improve the cost-effectiveness of medical care, we are setting a goal to develop the AI-programmed system that makes out prescriptions. It is not possible for the system to know how a doctor selects an appropriate effect-efficacy for a patient at the time of writing a prescription. We studied to determine the efficacy of drugs having diverse potencies by only personal drug history, using the hybrid method of Probabilistic Latent Semantics Analysis (PLSA) and Nonnegative Matrix Factorization (NMF).
1.
じめに
日本 師数 OECD加盟国 均 3.1人 人口 1,000人 当 対 日本 2.2人 あ こ 国全体
OECD 加 盟 国 均 約 12 万 人 少 い 2006
2014 度 一般会計予算案 税 50 兆 対 社
会保 関係費 療 護 金等 出 31 兆 税 62％ 占 高 齢 化 進 行 共 患 者 数 増 加 税 減 少 見 込 状 況 患者 数 増 加 対応 や
く 師数 増や いくこ い
こ 々 療 マン 向 求 ボ タ 開 発 検 討 始 手 始 薬 品 投与 薬剤師 指示 師 う 調剤履 タベ
用い 処方箋発行 自動化 こ 目指
調剤履 け 処方箋 発行 自動化 適 応 症 複 数 あ 薬 品 適 応 症 選 択 問 題
処方箋発行 自動化 実現 第一歩 本論 文 調剤履 調剤さ 薬品 適応 症 推 定 手 法 提案
2.
確率的構造解析
2.1 PLSAとNMF
Probabilistic Latent Semantic Analysis(PLSA:確 率 的 潜在 意
味解析) 単語 文書 共起頻度 背景 存在 仮 定 ベ 統 計 基 い 抽出 文 書分 類 試
手法 あ [1] PLSA 文書分類 け く
含 う 2 間 同時 分類 手法 応用 こ 例えば ID-POS タ 対 顧客 商品 分類 試 い 応用研究 行わ い [2][3]
文書 単語 PLSA
図 1 PLSA 以 定式化 EM 用 い 対 数 尤 度 最 大 化 タ | | 求 [1]
, = ∑
�
| |
= ∑ ∑ n , �
log ,
�
図 1 PLSA
Nonnegative Matrix Factorization(NMF:非負値行列分解)
与え 非負値行列 2 非負値行列 分解 手法 あ 非負値行列 分解 2 非負値行列
以 定式 化 復法 用 い 対数尤 度 最大化 タ 求 [4]
≈ ∑
= ∑ ∑ log − +
PLSA NMF 異 手法 あ 同 目的関数 最適化
い こ 示さ 単独 適 用 場合 う局所 解 抜け出 精度 高 こ 図 2
手法 提案さ い [4][5]
図 2 PLSA NMF 手法
d z
w
P(d|z) P(w|z)
N
P(z) D
PLSA
NMF
P(w|z),P(d|z)←C,H n(w, d)
s回 s回
t回 P(w|z),P(d|z)→C,H
連絡先：若杉 徹，東邦薬品株式会社 ン ン開発 ェ ，[email protected]
The 28th Annual Conference of the Japanese Society for Artificial Intelligence, 2014
- 2 -
本 研 究 手 法 加 え 初 期 値 設 定 や 束 定 工夫 施 大規模 タ 耐え 実装 1 あ ㈱NTT タ数理 開発 汎用 タマ ニ ン Visual Mining Studio 含 い 二 ソ
タ ン [6] 適応症 推定 採用
2.2 適応症 推定
師 患 者 病 状 把 握 異 適 応 症 持 薬 品 マ チン 作業 行い 処方箋 調剤 薬剤師 指示
こ 処方箋 発行 自動化 適応症 複数 あ 薬品 適応症 選択 問題
適 応 症 患 者 薬 品 手法 適 用 得 | | 用い
| = | ∑ ,
�
| = | ∑ ,
�
得 本研究 処方箋 処方さ 薬品 処方箋 適応症 以 う 推定
| = ∑ | ′ ′| �′
= arg max�
� |
3.
適応症
推定と評価
提 案 適 応 症 推 定 正 さ 評 価 処 方 箋 解釈 容易 花粉症 皮膚疾患 いう 2 個 適応症 持
性 疾 患治 療 薬 調剤 履 分析 対 象 期 間 限定さ 花粉症罹患患者 2 ~5 9 ~11
性 疾 患治 療薬 う一 適 応症 調 剤さ 皮 膚 疾 患 罹 患 患 者 容 易 分 析 用 い 調 剤 履
2012 全 国 796 店 舗 集 さ ニ 患 者 数
2,655,694人 調剤受付回数 10,813,602回 い こ
う 十 分 調 剤 患 者 数 多 い ン い 1剤以 含 調剤 処方箋数:485,984 選択
(i) 1剤以 含 調剤 処方箋数:220,639 (ii)
1剤以 含 調 剤 処方箋数:177,112 (iii)
ン 1剤以 含 調剤 処方箋数:86,232 (iv) ン い 1 剤以 含 調剤 処方箋数:485,984 4 場合 分け
手法 適用 適応症 推定 確率構 造 求 い 確率構造 タ数 2 20
PLSA NMF 学習回数 20回 全体 繰 返 回数
10 回 各 タ 5回 | | 初
期値 与え 乱数 変え 推定 行 各確率構造 タ数2 20 AIC 図 3 通 あ い 確率構造 AIC 最 良 タ数 4 あ
図 3 タ数 AIC
各 タ 構 出 現 確 率 高 い 薬 剤 特 徴 付 け 試 表 1 通 あ 花粉症 タ 点鼻薬や点眼薬 皮膚疾患 タ 軟膏 小児 タ 他 老人
去痰剤 見 大 特徴 あ
表 1各 タ 特徴 け
(i) (ii) (iii) (iv)
Z1 花粉症 小児 小児 小児
Z2 他老人 花粉症 皮膚疾患 花粉症
Z3 皮膚疾患 皮膚疾患 花粉症 皮膚疾患
Z4 小児 他老人 他老人 他老人
次 タ 期待通 適応症 表 い 確認 例えば推定 適応症 確 花粉症 あ ば 2 ~5 9
~11 処方箋数 多く 季節性 観測さ あ
確率構造 用 い 処方 箋 適応症 推定 花粉症 適応症 推定さ 処方箋 調剤回数 時系列
季節性 確認 行 こ 図 4 通 あ
花 粉症 タ 季節 性 観 測さ 花粉 症 皮膚疾患 良く分 い こ わ (i)や(ii) う 個 処 方 箋 得 確 率 構 造 あ 同 様 適応症 推定 いうこ 性疾患治療薬 全体 適 確率構造 得 い 可能性 あ 一 方 ン 季節性 あ 皮膚疾患 同様 季節 性 あ う 見受け あ く分 い い う あ
図 4 各確率構造 推定 適応症 対 処方箋数推移
確 率 構 造 用 い 適 応 症 推 定 妥 当 あ う 検証 各確率構造 用い (a)
1剤以 含 処方箋 (b) 1剤以 含 処方箋
(c) ン 1剤以 含 処方箋 3 適応
The 28th Annual Conference of the Japanese Society for Artificial Intelligence, 2014
- 3 -
症 正例 各 確率 構造 適 応症 予 測
Precision Recall 計算 評価
(a) (b) (c) い (i) (ii) (iii) い
確 率 構 造 予 測 出 来 い 場 合 あ こ 対 象 処方 箋 確率 構造 学習 時 薬剤 構 さ い こ 意 味 例 えば(a) 適 応 症
(ii) 予 測 処 方 箋
併用 い薬剤 処方箋 あ 場合 適応症 推 定 い 予測 場合
確率構造 対応表 表 2 通 あ
表 2 予測 場合 確率構造 対応
(i) (ii) (iii) (iv) (a) - 22,552 22,729 0
(b) 19,261 - 19,353 0
(c) 6,987 6,973 - 0
合計 26,248 29,525 42,082 0
ン い う 番 く 処 方 さ 処 方さ ばさ ほ 多 く 薬 剤 併 用さ 可 能 性 高 考 え (iii) (ii) (i) 予測 処 方 箋 数 少 く 妥 当 あ 一 方 (b) 対 (i)
(iii) 予 測 件数 ほ 差 いこ
単剤 処 方 多 い 固 併用薬 存 在 可能性 あ
各 確 率構造 毎 Precision Recall 図 5 図 6 図 7 通 あ
図 5 (a) 予測 場合 Precision Recall
図 6 (b) 予測 場合 Precision Recall
図 7 (c) 予測 場合 Precision Recall
い 確 率 構造 適 応 症 対 Precision 高い 一方 (a) 小児 (c) 花粉症 Recall 低い こ 小 児 感 冒 的 症 状 花 粉 症 あ う 断 い場 合 あ 風 邪 へ 処 方 併 や ン 低 容 量 用 い 予 測 く い 考 え
点 けば 確率構造 あ Precision
やRecall 高く 特 (iv) 確率構造 い 良い評価 得 い こ わ
以 こ 既 知 特 定 薬 剤 あ
性疾患治療薬 け 適応症 確率的構造 手法 抽 出 い 考 え 本 研 究 提 案 適 応 症 推 定 手 法 用 い ば 未 知 性 疾 患 治 療 薬 例 えば 将来 的 認 可さ 性疾 患治 療 薬 対
処方箋 適応症 推定 考え
4.
今後
予定
性 疾 患 治 療 薬 以 外 適 応 症 複 数 存 在 薬 品 例 えば精 神 神経 用剤 抗生 物 質等 回 手法 再 現 性 確認 適 応症 複数 あ 薬 品 適 応 症 調 剤履
推測 手法 確立 行 い 回 タ 解 釈 目視 行 薬剤 効用 効能 タ 解釈
自動化 課題 あ
同時 調剤 履 タ ン 時系列 変化 推測 手法 検討 い こ 慢性疾患患者 処方箋発行 自 動化 可能 いく 思わ
参考文献
[1] Hofmann Thomas: Probabilistic latent semantic indexing, In Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval, pp. 50-57, ACM, 1999.
[2] Hofmann Thomas: Unsupervised learning by probabilistic latent semantic analysis, Machine learning, 42(1-2), pp.177-196, 2001.
[3] 石垣司 竹中毅 本村陽一: 確率的潜在意味解析 用い
大規模ID-POS 顧客 ン 統合利用 顧客 -商 品 同 時 分 類, 信 学 技 報, Vol.109, No.461,
NC2009-160, pp.425-430, 2010.
[4] Ding, Chris, Tao Li and, Wei Peng: Nonnegative matrix factorization and probabilistic latent semantic indexing: Equivalence chi-square statistic, and a hybrid method, Proceedings of the national conference on artificial intelligence, Vol. 21, No. 1, MIT Press, 2006.
[5] 澤田敬治: 動画共 け 投稿 ン 解析,
The Second Forum on Data Engineering and Information Management DEIM Forum 2010, 電子情報通信学会, 2010.
[6] 株式会社 NTT タ数理 : Visual Mining Studio
