检体采集的呼叫时间预测系统以及方法与流程

1.本发明涉及检体采集的呼叫时间预测系统以及方法。


背景技术：

2.检体采集辅助系统特别是与医疗机构中的采血业务有关，是通过检体采集的患者受理、检体采集的患者呼叫、与检查委托相对应的检体容器的准备、条形码向检体容器的粘贴、检体采集的结束管理等这样的检体采集的周边业务的自动化以及统一管理来对检体采集业务进行辅助的系统。
3.通常，在受理检体采集的同时对患者分配编号，患者通过该编号被呼叫从而理解轮到了自己的顺序。
4.一般的检体采集辅助系统在受理检体采集的时间点不向患者提供何时会被呼叫的信息。因此，只要不是依靠医疗机构的工作人员的机智向患者提供大概何时会被呼叫的信息，或者患者不根据自身的经验预测大概什么时候会被呼叫，则患者会在不知道何时会被呼叫的情况下在候诊室等待呼叫。
5.如果是不拥挤的时间段，则数分钟左右被呼叫，但如果是上午的拥挤的时间段，则患者有时在候诊室等待呼叫30分钟以上，负担大。对此，已知有预测运算采血等待时间的系统(例如，参照专利文献1)。
6.现有技术文献
7.专利文献
8.专利文献1：日本专利4156813号公报


技术实现要素：

9.发明所要解决的课题
10.在专利文献1所公开的技术中，由于检体采集业务的运用变更等，等待时间的预测精度降低。
11.本发明的目的在于提供一种能够提高呼叫患者采集检体的时间的预测精度的呼叫时间预测系统以及方法。
12.用于解决课题的手段
13.为了达成上述目的，本发明的一例的呼叫时间预测系统具备第一处理器，该第一处理器基于表示采集检体的患者的受理时间的受理时间信息、表示从所述患者采集的所述检体的类别的检体类别信息、表示所述患者的受理顺序的受理编号、表示所述患者是住院患者还是外来患者的住院外来区分信息、在所述受理时间的检体采集的呼叫等待的患者数中的至少一个以上，通过机器学习来预测呼叫所述患者采集检体的时间。
14.发明效果
15.根据本发明，能够提高呼叫患者采集检体的时间的预测精度。通过以下的实施方式的说明，上述以外的课题、结构及效果变得明确。
附图说明
16.图1是考虑了定期更新机器学习模型的情况的检体采集的呼叫时间预测系统的概略图。
17.图2是用于使用机器学习模型来预测检体采集的呼叫时间的信息。
18.图3是用于通过与图2一起使用来构建机器学习模型的信息。
19.图4是用于构建机器学习模型的参数设定画面。
20.图5是在受理检体采集时向患者发行的检体采集受理单。
21.图6是在受理检体采集后显示患者的呼叫等待状态一览的预测时间引导监视画面。
22.图7是考虑了不会定期更新机器学习模型的情况的检体采集的呼叫时间预测系统的概略图。
23.图8是具有检体采集候诊室的进入管理功能的检体采集的呼叫时间预测系统的概略图。
具体实施方式
24.以下，使用附图对本发明的第一～第三实施方式的呼叫时间预测系统的结构和动作进行说明。本实施方式所要解决的课题之一在于，使患者能够有效地利用从检体采集受理到呼叫为止的等待时间。在本实施方式中，通过在受理检体采集时提示何时被呼叫的预测时间，能够促使患者有效地利用等待时间。另外，本实施方式所要解决的另一个课题在于，避免检体采集候诊室中的拥挤。通过事先提示检体采集的呼叫预测时间，如果呼叫时间接近，则引导患者聚集到检体采集场所。有助于近来的新型冠状病毒感染症的避免感染所要求的避免三密，从而谋求减轻医疗从业者和患者的感染风险。
25.(第一实施方式)
26.以下，按照图1来说明本发明的实施方式。
27.图1是本发明的第一实施方式的检体采集的呼叫时间预测系统10的整体概略图，考虑了定期地更新机器学习模型的情况。
28.呼叫时间预测系统10由以下构成：受理部102，其负责受理检体采集的患者；呼叫部104，其向该患者通知检体采集的顺序已到；存储部103，其保管与患者的受理和呼叫相关的信息；预测部101，其通过机器学习来预测从检体采集受理到呼叫的时间；以及显示部105，对预测结果进行监视器显示(例如，用浏览器显示)。
29.本发明的检体采集的呼叫时间预测系统10设想通过与检体采集辅助系统20进行协作或者通过成为该检体采集辅助系统的一部分来对患者提示检体采集的呼叫预测时间。
30.在与检体采集辅助系统20进行协作时，受理部102和呼叫部104属于检体采集辅助系统20侧，存储部103和预测部101属于呼叫时间预测系统10侧。检体采集辅助系统20和呼叫时间预测系统10经由医疗设施内lan(local area network：局域网)或互联网而连接，相互交换信息。显示部105属于呼叫时间预测系统10侧，但设置场所假定为受理部102、呼叫部104附近，经由医疗设施内lan或因特网从存储部103取得数据。
31.接受了检体采集指示的患者向检体采集场所移动，操作所配备的受理部102来在检体采集的等待队列中进行自身的登记。根据医疗设施，有时病历的取出与检体采集受理
相联动，在该情况下，受理部102接受来自病历系统的指示而将患者自动登记到检体采集的等待队列中。
32.与向等待队列的登记联动地，受理部102对存储部103发送受理信息110，并通知已受理了患者。
33.图2表示通过受理信息110，存储部103得到的与受理部102关联的数据的一览。受理信息110中至少包含患者识别信息301，该患者识别信息301用于识别被受理了检体采集的患者。
34.对于患者识别信息301，优选为使用了患者id或受理编号以及日期的双重关键字。需要取得与之后从呼叫部104接受的同一患者的数据的链接，即使是同一患者也需要能够与其他日期的数据进行区分。
35.作为存储部103必须得到的信息，具有检体采集的受理时间302。检体采集的受理时间302包括受理部102受理患者时的年月日时分秒的信息。另外，也可以从该信息取得星期、节日的信息并利用。并且，为了表示是该天的何时左右的数据，例如如果是1：30：00pm，则如13.5那样用实数表现24小时也是有效的。
36.关于受理时间302，可以通过受理信息110提供作为信息的发送方的受理部102的时间，取而代之，也可以使用作为接收方的存储部103的时间。在存在多个受理部102的情况下，考虑到各自的时钟未取得同步的情况，反倒是统一利用接收方的内部时钟不会在前后关系上产生偏差，因此是优选的。
37.而且，在受理部102受理了检体采集时，如果在存储部103取得/保存的数据中，除了患者识别信息301、受理时间302以外，还包含来自该患者的采集预定检体的检体类别信息303、表示该患者在系统上的受理顺序的受理编号304、区分该患者是外来/住院的区分信息305、该患者被受理的时间点的等待检体采集呼叫的患者数306、对患者发出了检体采集指示的委托源信息310的一部分或者全部，则预测部101的呼叫时间的预测精度进一步提高。这些数据不一定需要经由受理信息110直接提供，例如可以使用患者识别信息301从其他场所(服务器、系统等)提供或者参照。
38.检体类别信息303是成为检体采集对象的检体的类别信息。通过参照该字段，例如能够判断血清检体、全血检体、血浆检体中的哪个检体成为采集的对象，或者哪几个种类的检体为采集的对象。
39.受理编号304是在临床检查信息系统侧在检体采集日当天第几个受理的信息。在无法获得该信息的情况下，或者在多个系统间无法统一编号的情况下，存储部103侧可以在内部对该天的第几个进行计数并作为受理编号304进行保存、利用。
40.区分信息305是患者的属性信息之一，表示被受理了检体采集的患者是住院患者还是外来患者。在住院患者和外来患者的呼叫模式存在差异的情况下是有效的。
41.等待患者数306表示在被受理了检体采集的患者之前有多少等待的患者。在无法获得该信息的情况下，可以由存储部103侧在内部进行计数来保存、利用。另外，在无法得到准确的人数的情况下，即便使用存在10％左右或10人左右的误差的人数来进行代替，也能够充分确保预测精度，所以即使有一些差异也将该数值作为等待患者数306来使用。
42.委托源信息310是医疗机构内的哪个部门向患者发出了检体采集指示的信息。在根据委托源的部门从而提前被呼叫等部门的呼叫模式存在差异的情况下能够期待效果。
43.存储部103在收到受理信息110之后，进一步对预测部101发出预测指示111。
44.预测部101能够直接参照通过受理信息110收到的信息和基于该信息进行加工后的信息，使用已构建的机器学习模型来预测检体采集的呼叫时间。预测部101将预测结果112提供给存储部103，将预测结果112存储在存储部103中。在存储部103中进行保管的理由是为了之后评价预测结果与实际的呼叫时间偏离了何种程度，这关系到改良。
45.存储部103使用预测结果信息113将呼叫时间预测结果返回给受理部102。另外，预测结果112的时间用实数表现，预测结果信息113的时间如1：30：00pm那样表现。
46.受理部102在用于向患者通知受理完成的图5的检体采集受理单600上，除了打印受理日期时间601、患者姓名602、受理编号603之外，还打印检体采集的呼叫预测时间604，从而通知呼叫的预测时间。在打印呼叫预测时间604时，根据过去的状况来打印预测精度605。例如，通过以“呼叫预测时间与实际呼叫时间之间的误差收敛于
±
4分钟内的概率为80％”的方式一并记载预测精度605，患者能够理解预测的程度。
47.患者能够基于该呼叫预测时间604的信息，暂时离开检体采集候诊室来完成其他事情，如果时间到达则返回。能够期待患者的等待时间的有效利用和患者的压力减轻。而且，通过引导使得离开候诊室的患者增加，这有助于作为最近的新型冠状病毒感染症的共同课题的三密避免，期待减轻患者彼此的感染风险。
48.呼叫部104在由受理部102完成了检体采集受理的患者的顺序到来时，将该患者的受理编号显示在监视器，促使患者向检体采集场所移动。与此同时，呼叫部104将呼叫信息114发送到存储部103，通知该患者被呼叫。
49.呼叫信息114至少包含用于识别被呼叫的患者的患者识别信息301。能够将患者识别信息301作为关键字来取得与受理信息110的链接，计算为了构建必要的预测部101的机器学习模型而所需的特征量，一并保存在存储部103中。与此同时，在存储部103必须取得的信息中具有呼叫时间308(图3)。该信息以患者被呼叫采集检体时的时间、年月日时分秒为前提。但是，由于呼叫部104的规格的关系，有时是患者被呼叫后移动并到达检体采集场所的时间。在这种情况下，尽管预测精度有所降低，但是足够用于预测，因此可以直接作为呼叫时间308而用于预测。
50.关于呼叫时间308，可以通过呼叫信息114提供作为信息的发送方的呼叫部104的时间，取而代之，也可以使用作为接收方的存储部103的时间。由于考虑了受理部102与呼叫部104的时钟未取得同步的情况，所以反倒是利用接收方的内部时钟不会在前后关系上产生偏差，因此是优选的。
51.评价部106在属于设定部107的图4所示的参数设定画面500中被指定为机器学习模型重构的开始时间501的时间到来时，使用存储部103中保管的信息来构建、更新机器学习模型。通常，优选设定为检体采集业务已结束的业务结束后的深夜的时间段。
52.另外，在构建机器学习模型时，将保管在存储部103的数据中的从预测对象日(今天)的前一天起被指定为学习期间502的期间的数据用作学习数据。通常，指定14天～84天左右。具有期间越长则预测精度越提高的倾向，但由于检体采集业务的运用变更，在途中检体采集的呼叫模式有时发生变化的情况下，直到预测追随变化为止的期间变长，其间的预测精度降低。相反，虽然期间越短则预测精度越降低，但是直到预测结果追随呼叫模式的变化为止的期间变短。
53.并且，能够通过勾选自动设置按钮503使其有效来使学习期间502的设定自动化。评价部106通过被指定为判断指标504的方法来评价预测部101预测出的呼叫时间。例如，在指定了“误差收敛于4分钟以内的概率”的情况下，根据预测出的呼叫时间与实际的呼叫时间之差来计算误差收敛于
±
4分钟以内的患者相当于全体患者的多少的比率，比率越高则判断为越良好，即预测精度越高。使学习期间502以7天、14天、
…
84天这样以7天为刻度自动地变化来构建机器学习模型，在最终日将作为指标的“呼叫预测时间与实际的呼叫时间的误差收敛于
±
4分钟以内的概率”为最佳的设定自动地设定为学习期间502。之后，重构预测部101所使用的机器学习模型，并用于第二天以后的预测。
54.通常，在医疗机构为了改善业务而重新评估检体采集业务，以某一天为边界使呼叫提前的情况下，由于在刚重新评估业务后使用业务重新评估紧前的数据来进行学习，因此预测精度会暂时恶化。但是，在导入了本系统的情况下，在刚重新评估业务后自动缩短学习期间502，尽量提高业务重新评估紧后的数据比率来进行学习，从而能够期待恶化期间变短的效果。另外，当在重新评估紧后经过了一定程度的期间时，也能够自动地延长学习期间502从而期待预测精度提高的效果。
55.显示部105是具备用于显示监视器画面的显示器的终端(pc：personal computer(个人计算机)、便携终端、便携电话等)，监视器画面用于在候诊室等向患者通知图6的预测时间引导监视器画面700所示的等待采集检体的患者的呼叫状况。在监视器画面上显示经由监视器显示信息115而得到的当前的日期时间701、等待采集检体的患者的受理编号702、各受理编号的呼叫状态703、各受理编号的受理时间704、各受理编号的呼叫预测时间705、各受理编号的呼叫实绩时间706、呼叫预测的预测精度707，并适时更新信息。
56.当前的日期时间701表示现在是什么时间，其有助于等待呼叫的患者与自身的呼叫预测时间705进行比较来掌握之后几分钟被呼叫。
57.受理编号702表示横向一列的信息是哪个患者的信息。
58.状态703显示呼叫的状况。以如下方式改变表述来通知状态：如果是已受理了检体采集但还未被呼叫的状况，则为“等待呼叫”；如果是已经发来了检体采集的呼叫的状况，则为“已呼叫”；如果是刚发来检体采集的呼叫后，则为“呼叫中”。关于“呼叫中”和“已呼叫”，例如如1分钟后那样，在一定时间后自动切换表述的方法是容易的方法，但是如果能够得到检体采集已开始的信息，则也可以基于该信息从“呼叫中”切换为“已呼叫”。另外，也可以根据状态703来变更表述的文字颜色、背景颜色。另外，也能够代替字符串而使用记号或图，易于理解地进行研究。
59.受理时间704显示各受理编号的检体采集的受理时间。可以设为能够选择是仅显示时分还是包含时分秒来显示。
60.呼叫预测时间705显示各受理编号的检体采集的呼叫预测时间。可以设为能够选择是仅显示时分还是包含时分秒来显示。另外，也可以设为之后几分钟、几秒被呼叫这样的剩余时间的表述。
61.在对等待采集检体的患者发来呼叫时显示呼叫实绩时间706。可以设为能够选择是仅显示时分还是包含时分秒来显示。相对于已被呼叫的患者本人来说，该信息对于此后被呼叫的患者更加有益。能够掌握在自己之前被呼叫的患者相对于呼叫时间预测系统10的呼叫预测时间705呼叫延迟或者提前了何种程度来作为参考。
62.预测精度707是从过去的状况得到的呼叫预测时间705的精度。例如，如“呼叫预测时间与实际呼叫时间之间的误差收敛于
±
4分钟内的概率为80％”那样，向等待呼叫的患者提示预测为正确值的程度，从而寻求患者理解预测有时会有偏差。关于在此显示的预测精度707，能够利用通过参数设定画面500的判断指标504指定的指标(例如，误差4分钟)和由评价部106计算出的概率(例如，80％)。
63.本实施方式的特征也可以总结如下。
64.如图1所示，呼叫时间预测系统10至少具备第一处理器(预测部101)。第一处理器(预测部101)根据用于表示要采集检体的患者的受理时间的受理时间信息(受理时间302)、表示从患者采集的检体的类别的检体类别信息303、表示患者的受理顺序的受理编号304、表示患者是住院患者还是外来患者的住院外来区分信息305、在受理时间302的检体采集的呼叫等待患者数(等待患者数306)中的至少1个以上，通过机器学习(人工智能)来预测患者被呼叫采集检体的时间。由此，患者能够有效地利用采集检体前的等待时间。
65.详细地说，如图2以及图3所示，呼叫时间预测系统10具备存储部103(图1)，该存储部103存储受理时间信息(受理时间302)、检体类别信息303、受理编号304、住院外来区分信息305、等待呼叫的患者数(等待患者数306)、患者被呼叫的时间的实测值(呼叫时间308)中的至少一个以上。第一处理器(预测部101)基于存储在存储部103的数据进行机器学习，以预测患者被呼叫采集检体的时间。由此，能够将患者被呼叫采集检体的时间的预测值与实测值进行比较来重构机器学习模型。此外，存储部103由存储器、hdd(hard disk drive：硬盘驱动器)等存储装置构成。
66.具体而言，第一处理器(评价部106，图1)多次改变机器学习的学习期间502(图4)，针对每个学习期间构建临时的机器学习模型，决定患者被呼叫的时间的预测值与实测值之差成为作为预测精度指标(判断指标504，图4)的阈值以内的概率最高的临时机器学习模型的学习期间。然后，第一处理器(评价部106，图1)在设定了所决定的学习期间之后，重构在业务中使用的机器学习模型。由此，能够自动地设定机器学习的学习期间来重构机器学习模型。
67.呼叫时间预测系统10具备输出装置(受理部102的打印机、显示部105的显示器、图1)。第一处理器(评价部106，图1)计算用于表示患者被呼叫的时间的预测值与实测值之差成为阈值以内的概率的预测精度。输出装置输出患者被呼叫的时间的预测值(图5中的呼叫预测时间604、图6中的呼叫预测时间705)、作为预测精度指标的阈值(图5中的预测精度605的4分钟、图6中的预测精度707的4分钟)以及预测精度(图5中的预测精度605的80％、图6中的预测精度707的80％)。
68.由此，患者能够确认被呼叫采集检体的时间的预测值及其精度。另外，在本实施方式中，输出装置是打印机或显示器。由此，患者能够视觉辨认被呼叫的时间的预测值及其精度。
69.在本实施方式中，第一处理器(预测部101，图1)根据至少包含呼叫等待患者数(等待患者数306，图2)的存储部103的数据，通过机器学习来预测患者被呼叫采集检体的时间。详细而言，第一处理器(预测部101、图1)根据至少包含呼叫等待患者数(等待患者数306、图2)和受理时间信息(受理时间302、图2)的存储部103的数据，通过机器学习来预测患者被呼叫采集检体的时间。更详细而言，第一处理器(预测部101、图1)根据至少包含呼叫等待患者
数(等待患者数306、图2)、受理时间信息(受理时间302、图2)和受理编号304的存储部103的数据，通过机器学习来预测患者被呼叫采集检体的时间。根据本发明人的见解，按照呼叫等待患者数(等待患者数306)、受理时间信息(受理时间302)、受理编号304的顺序，对预测精度造成的影响由大到小。
70.呼叫时间预测系统10具备用于设定机器学习的学习期间的设定部107(图1)。设定部107例如由输入装置(键盘、鼠标等)、显示器构成。第一处理器在显示器显示参数设定画面500(图4)，经由输入装置针对参数设定画面500的每个输入项目接受输入值。由此，能够容易地设定机器学习的学习期间。
71.呼叫时间预测系统10具备用于受理采集检体的患者的受理部102(图1)。受理部102例如由输入装置(触摸面板的触摸传感器等)、显示器(触摸面板的显示器等)、打印检体采集受理单600的打印机构成。由此，患者能够自己完成检体采集的受理。
72.呼叫时间预测系统10具备用于呼叫采集检体的患者的呼叫部104(图1)。呼叫部104例如由显示器构成。由此，能够向患者通知检体采集顺序已到。
73.如以上说明的那样，根据本实施方式，能够提高患者被呼叫采集检体的时间的预测精度。
74.(第二实施方式)
75.以下，按照图7说明本发明的另一实施方式。
76.图7是本发明的第二实施方式的检体采集的呼叫时间预测系统10的整体概略图，考虑了继续使用已构建的机器学习模型的情况。
77.呼叫时间预测系统10由负责受理采集检体的患者的受理部102和通过机器学习来预测从检体采集受理到呼叫为止的时间的预测部101构成。
78.本发明的检体采集的呼叫时间预测系统10通过与检体采集辅助系统20进行协作或者成为检体采集辅助系统20的一部分来对患者假定检体采集的呼叫预测时间。
79.在与检体采集辅助系统20进行协作的情况下，受理部102位于检体采集辅助系统20侧，预测部101位于呼叫时间预测系统10侧。检体采集辅助系统20和呼叫时间预测系统10经由医疗设施内lan或互联网连接，相互交换信息。
80.收到检体采集指示的患者向检体采集场所移动，操作所配备的受理部102将自身登记到检体采集的等待队列中。根据医疗设施，有时病历的取出与检体采集受理联动，在该情况下，受理部102接收来自病历系统的指示而将患者自动登记到检体采集的等待队列中。
81.与向等待队列的登记联动地，受理部102对预测部101发送受理信息110，提供与所受理的患者关联的信息。
82.如图2所示，预测部101通过受理信息110获得与受理部102关联的数据。受理信息110中至少包含用于识别被受理了检体采集的患者的患者识别信息301。
83.关于患者识别信息301，优选为使用了患者id和日期或者使用了受理编号和日期的双重关键字。
84.作为预测部101必须得到的信息，具有检体采集的受理时间302。检体采集的受理时间302包含受理部102受理了患者时的年月日时分秒的信息。另外，也可以从该信息取得星期、节日的信息并利用。而且，为了表示是该天的何时左右的数据，例如如果是1：30：00pm，则如13.5那样用实数来表现24小时也是有效的。关于受理时间302，可以通过受理信
息110提供作为信息的发送方的受理部102的时间，取而代之，也可以使用作为接收方的预测部101的时间。在存在多个受理部102的情况下，还考虑各自的时钟未取得同步的情况，因此，反倒是利用接收方的内部时钟使得前后关系不会产生偏差，因此是优选的。
85.并且，在受理部102受理了检体采集时，如果在预测部101得到的数据中，除了患者识别信息301、受理时间302以外，还包含从该患者要采集的预定检体的检体类别信息303、表示该患者在系统上的受理顺序的受理编号304、用于区分该患者是外来/住院的区分信息305、受理了该患者的时间点的检体采集呼叫等待患者数306、对患者发出了检体采集指示的委托源信息310的一部分或全部，则预测部101的呼叫时间的预测精度进一步提高。这些数据不一定需要经由受理信息110直接提供，例如也可以使用患者识别信息301从其他场所提供或者参照。
86.检体类别信息303是成为检体采集对象的检体的类别信息。通过参照该字段，能够判断例如血清样本、全血样本、血浆样本中的哪个样本成为采集对象。
87.受理编号304是在临床检查信息系统侧在检体采集日当天第几个受理的信息。在无法获得该信息的情况下，或者在多个系统间无法统一编号的情况下，预测部101侧可以在内部对该天的第几个进行计数并作为受理编号304进行保存、利用。
88.区分信息305是患者的属性信息之一，表示被受理了检体采集的患者是住院患者还是外来患者。在住院患者和外来患者的呼叫模式存在差异的情况下是有效的。
89.等待患者数306表示在被受理了检体采集的患者之前有多少等待的患者。在无法获得该信息的情况下，可以由存储部103侧在内部进行计数来保存、利用。另外，在无法得到准确的人数的情况下，即便使用存在10％左右或10人左右的误差的人数来进行代替，也能够充分确保预测精度，所以即使有一些差异也将该数值作为等待患者数306来使用。
90.委托源信息310是医疗机构内的哪个部门向患者发出了检体采集指示的信息。在根据委托源的部门从而提前被呼叫等部门的呼叫模式存在差异的情况下能够期待效果。
91.预测部101根据通过受理信息110取得的信息和基于该信息进行加工后的信息，使用已构建完的机器学习模型来预测检体采集的呼叫时间。将预测结果经由预测结果信息113发送到受理部102。
92.受理部102在用于向患者通知受理完成的图5的检体采集受理单600上，除了打印受理日期时间601、患者姓名602、受理编号603之外，还打印检体采集的呼叫预测时间604，从而通知呼叫的预测时间。在打印呼叫预测时间时，根据过去的状况来打印预测精度605。例如，通过以“呼叫预测时间与实际呼叫时间之间的误差收敛于
±
4分钟内的概率为80％”的方式一并记载预测精度，患者能够理解预测的程度。
93.患者能够基于该呼叫时间预测信息，暂时离开检体采集候诊室来完成其他事情，如果时间到达则返回。能够期待患者的等待时间的有效利用和患者的压力减轻。而且，通过引导使得离开候诊室的患者增加，这有助于作为最近的新型冠状病毒感染症的共同课题的三密避免，期待减轻患者彼此的感染风险。
94.(第三实施方式)
95.以下，按照图8进一步说明本发明的另一实施方式。
96.图8是本发明的第三实施方式的将图1的检体采集的呼叫时间预测系统10应用于检体采集候诊室的出入患者数管理的例子。
97.受理部102设置在检体采集候诊室的外侧。完成了检体采集受理的患者接收图5的检体采集受理单600，掌握自己的检体采集呼叫是在何时，在何时来到检体采集室即可。
98.在检体采集候诊室的入口设置有进入门803，只有满足一定条件的患者及其陪伴者能够进入。因此，通过受理部102进行了检体采集受理的患者在受理后，在采血候诊室以外的场所度过时间。
99.在进入门803的前方设置有患者识别部802。如果在检体采集受理单600上用条形码打印了受理编号或患者id等患者识别符，则患者识别部802能够使用条形码读取器自动识别患者。
100.进入管理部801将从患者识别部802得到的患者识别信息301作为关键字来访问存储部103，取得该患者的检体采集的呼叫预测时间。如果成为呼叫预测时间的一定时间内，例如成为呼叫预测时间的4分钟前，则允许进入从而打开进入门803，促使患者进入采血候诊室。在未到达一定时间内的情况下(该情况下，呼叫预测时间的4分钟前)，促使在时间到来后再次尝试进入。
101.另外，如图6所示，通过在预测时间引导监视器画面700的受理患者的状态703的列中显示“可进入候诊室”那样的可以进入候诊室的意思，能够引导哪个患者能够进入候诊室。在该情况下，引导监视器画面700优选设置在候诊室外。
102.本实施方式的特征也可以总结如下。
103.如图8所示，呼叫时间预测系统10具备：传感器(患者识别部802)，其检测用于表示识别患者的信息的患者识别信息301；门(进入门803)，其设置在候诊室；以及第二处理器(进入管理部801)。第二处理器(进入管理部801)以如下方式来控制门(进入门803)：根据与患者识别信息301对应的患者被呼叫的时间的预测值和当前时间，判定患者能否进入候诊室内，在判定为能够进入的情况下打开门，在判定为不能进入的情况下关闭门。由此，能够抑制候诊室的拥挤。
104.根据以上的方法，将等待采集检体的患者进入候诊室限定为从呼叫预测时间起一定时间以内的患者和陪伴者，从而缓和候诊室内的拥挤，并实现近来的新型冠状病毒感染症的感染风险的降低。
105.此外，本发明并不限于上述实施方式，包括各种变形例。例如，上述实施方式是为了容易理解地说明本发明而详细说明的实施方式，并不限于必须具备所说明的全部结构。另外，能够将某实施方式的一部分结构置换为其他实施方式的结构，另外，也能够对某实施方式的结构添加其他实施方式的结构。另外，关于各实施方式的一部分结构，能够进行其他结构的追加、删除、置换。
106.此外，上述各结构、功能等的一部分或全部例如可以通过集成电路进行设计等以硬件来实现。另外，上述各结构、功能等也可以通过由处理器解释并执行用于实现各个功能的程序而以软件来实现。实现各功能的程序、表、文件等信息能够放置在存储器、硬盘、ssd(solid state drive：固态硬盘)等记录装置、或者ic卡、sd卡、dvd等记录介质中。
107.例如，也可以由集成电路来构成预测部101或进入管理部801。由此，与处理器执行软件来进行处理相比，处理速度提高。并且，在第三实施方式中，第二处理器(进入管理部801)与第一处理器(预测部101)是分开的，但也可以一体构成。
108.在上述实施方式中，预测部101、存储部103、评价部106、设定部107作为一个服务
器(图1)的功能来实现，但也可以作为多个服务器各自的功能来实现。
109.此外，本发明的实施方式也可以是以下的方式。
110.(1)一种检体采集的呼叫时间预测系统10，其具备：等待采集检体的患者的受理部102；以及预测部101，其通过机器学习来预测被呼叫采集检体的时间，预测部101根据对该患者进行了检体采集受理的受理时间信息(受理时间302)、从该患者采集的预定检体的检体类别信息303、表示该患者在系统上的受理顺序的受理编号304、区分该患者是住院患者还是外来患者的住院外来区分信息305、以及在受理了该患者的时间点的等待检体采集呼叫的患者数(等待患者数306)中的任意一个以上，来预测该患者被呼叫采集检体的时间。
111.(2)在(1)的检体采集的呼叫时间预测系统10中，该呼叫时间预测系统10具备：呼叫部104，其呼叫检体采集患者；以及存储部103，其存储与该患者关联的信息，存储部103保管对该患者进行了检体采集受理的受理时间信息(受理时间302)、从该患者采集的预定检体的检体类别信息303、表示该患者在系统上的受理顺序的受理编号304、区分该患者是住院患者还是外来患者的住院外来区分信息305、在受理了该患者的时间点的等待检体采集呼叫的患者数(等待患者数306)、该患者被呼叫的呼叫时间信息(呼叫时间308)中的任意一个以上，预测部101基于存储部103中存储的信息，为了预测患者呼叫时间而进行学习。
112.(3)在(2)的检体采集的呼叫时间预测系统中，该呼叫时间预测系统10具备：设定部107，其定义(设定)在学习模型构建中使用的学习用数据的期间(学习期间502)；以及价部106，其将呼叫时间的预测结果与实测时间进行比较来评价预测精度，在预测部101重构学习模型之前，评价部106自动地切换学习期间来构建临时的学习模型，将该呼叫时间预测值与实测结果进行比较、评价，在设定部107自动地设定预测精度进一步提高的学习期间，预测部101在重构学习模型时，能够自动设定更适当的学习期间。
113.(4)在(2)的检体采集的呼叫时间预测系统10中，该呼叫时间预测系统10具备：设定部107，其定义(设定)预测精度的指标(判断指标504)；评价部106，其通过所定义的指标来计算预测精度；以及显示部105，其对多个待采血患者的呼叫预测状况进行监视器显示，在受理部102或显示部105提示患者的检体采集预测时间时，一并提示由设定部107定义的预测精度的指标(判断指标504)和由评价部106计算出的预测精度605。
114.(5)在(2)的检体采集的呼叫时间预测系统10中，该呼叫时间预测系统10具备：进入管理部801，其判断已受理了检体采集的患者是否可以进入候诊室内；患者识别部802，其获得该患者的患者识别信息；进入门部(进入门803)，其为了分离检体采集候诊室和其他区域而配置，进入管理部801基于从患者识别部802获得的患者识别信息，从存储部103获得该患者的检体采集预测时间(呼叫预测时间705)，基于该信息判断能否进入，进入门部(进入门803)在能够进入的情况下打开门，在不可进入的情况下关闭门，从而控制检体采集候诊室的人的出入。
115.根据(1)～(5)，能够进行从检体采集受理到检体采集呼叫为止的更高精度的预测。作为能够容易实现的预测方法之一，考虑基于过去的直到呼叫为止的等待时间的实绩，将同一时间段的平均值作为预测值的方法。在使用该方法时，在我方的评价中，预测值与实测值的误差收敛于
±
3分钟以内的是全部检体的13％～67％。与此相对，在以本发明进行预测时，能够得到65％～91％的更良好的结果。
116.附图标记的说明
117.10呼叫时间预测系统
118.20检体采集辅助系统
119.101预测部
120.102受理部
121.103存储部
122.104呼叫部
123.105显示部
124.106评价部
125.107设定部
126.110受理信息
127.111预测指示
128.112预测结果
129.113预测结果信息
130.114呼叫信息
131.115监视器显示信息
132.301患者识别信息
133.302受理时间
134.303检体类别信息
135.304受理编号
136.305住院外来区分信息
137.306等待患者数
138.308呼叫时间
139.310委托源信息
140.500参数设定画面
141.501机器学习模型重构的开始时间
142.502学习期间
143.503自动设定按钮
144.504判断指标
145.600检体采集受理单
146.601受理日期时间
147.602患者姓名
148.603受理编号
149.604呼叫预测时间
150.605预测精度
151.700预测时间引导监视器画面
152.701当前的日期时间
153.702受理编号
154.703状态
155.704受理时间
156.705呼叫预测时间
157.706呼叫实绩时间
158.707预测精度
159.801进入管理部
160.802患者识别部
161.803进入门。

技术特征：
1.一种检体采集的呼叫时间预测系统，其特征在于，所述呼叫时间预测系统具备第一处理器，该第一处理器基于表示采集检体的患者的受理时间的受理时间信息、表示从所述患者采集的所述检体的类别的检体类别信息、表示所述患者的受理顺序的受理编号、表示所述患者是住院患者还是外来患者的住院外来区分信息、在所述受理时间的等待呼叫采集检体的患者数中的至少一个以上，通过机器学习来预测所述患者被呼叫采集检体的时间。2.根据权利要求1所述的检体采集的呼叫时间预测系统，其特征在于，所述呼叫时间预测系统具备存储部，该存储部存储所述受理时间信息、所述检体类别信息、所述受理编号、所述住院外来区分信息、所述等待呼叫的患者数、所述患者被呼叫的时间的实测值中的至少一个以上，所述第一处理器进行基于所述存储部中存储的数据来预测所述患者被呼叫采集检体的时间的机器学习。3.根据权利要求2所述的检体采集的呼叫时间预测系统，其特征在于，所述第一处理器多次改变所述机器学习的学习期间，在每个所述学习期间构筑临时的机器学习模型，所述第一处理器决定所述患者被呼叫的时间的预测值与实测值之差在作为预测精度指标的阈值以内的概率最高的所述临时的机器学习模型的所述学习期间，所述第一处理器在设定了所决定的所述学习期间后，重构在业务中利用的所述机器学习模型。4.根据权利要求3所述的检体采集的呼叫时间预测系统，其特征在于，所述呼叫时间预测系统具备输出装置，所述第一处理器计算用于表示所述患者被呼叫的时间的预测值与实测值之差在所述阈值以内的概率的预测精度，所述输出装置输出所述患者被呼叫的时间的预测值、作为所述预测精度指标的所述阈值以及所述预测精度。5.根据权利要求1所述的检体采集的呼叫时间预测系统，其特征在于，所述呼叫时间预测系统具备：传感器，其检测患者识别信息，该患者识别信息表示用于识别所述患者的信息；门，其设置在候诊室；以及第二处理器，其根据与所述患者识别信息对应的所述患者被呼叫的时间的预测值和当前时间，判定所述患者可否进入候诊室内，并以在判定为能够进入时将所述门打开，在判定为不能进入时将所述门关闭的方式控制所述门。6.根据权利要求2所述的检体采集的呼叫时间预测系统，其特征在于，所述第一处理器根据至少包含所述等待呼叫的患者数的所述数据，通过机器学习来预测所述患者被呼叫采集检体的时间。7.根据权利要求6所述的检体采集的呼叫时间预测系统，其特征在于，所述第一处理器根据至少包含所述受理时间信息的所述数据，通过机器学习来预测所述患者被呼叫采集检体的时间。8.根据权利要求7所述的检体采集的呼叫时间预测系统，其特征在于，
所述第一处理器根据至少包含所述受理编号的所述数据，通过机器学习来预测所述患者被呼叫采集检体的时间。9.根据权利要求2所述的检体采集的呼叫时间预测系统，其特征在于，所述呼叫时间预测系统具备受理部，该受理部进行采集所述检体的所述患者的受理。10.根据权利要求9所述的检体采集的呼叫时间预测系统，其特征在于，所述呼叫时间预测系统具备呼叫部，该呼叫部呼叫采集所述检体的所述患者。11.根据权利要求3所述的检体采集的呼叫时间预测系统，其特征在于，所述呼叫时间预测系统具备设定部，该设定部设定所述机器学习的学习期间。12.根据权利要求4所述的检体采集的呼叫时间预测系统，其特征在于，所述输出装置是打印机或显示器。13.一种检体采集的呼叫时间预测方法，其特征在于，所述呼叫时间预测方法包含如下工序：基于表示采集检体的患者的受理时间的受理时间信息、表示从所述患者采集的所述检体的类别的检体类别信息、表示所述患者的受理顺序的受理编号、表示所述患者是住院患者还是外来患者的住院外来区分信息、在所述受理时间的等待呼叫采集检体的患者数中的至少一个以上，通过机器学习来预测所述患者被呼叫采集检体的时间。

技术总结
提供一种能够提高患者被呼叫采集检体的时间的预测精度的呼叫时间预测系统以及方法。呼叫时间预测系统(10)具备第一处理器，即预测部(101)。第一处理器基于表示采集检体的患者的受理时间的受理时间信息即受理时间(302)、表示从患者采集的检体的类别的检体类别信息(303)、表示患者的受理顺序的受理编号(304)、表示患者是住院患者还是外来患者的住院外来区分信息(305)、在受理时间(302)的等待呼叫采集检体的患者数即等待患者数(306)中的至少一个以上，通过机器学习来预测患者被呼叫采集检体的时间。体的时间。体的时间。


技术研发人员：高桥贤一 田坂正纲
受保护的技术使用者：株式会社日立高新技术
技术研发日：2022.01.31
技术公布日：2023/10/15