まず、自然言語処理の分野で形態素解析のために広く用いられているプログラム(JUMAN)を、医学・医療領域へ特化させるための改良を行なった。形態素解析プログラムが用いる文法等の規則を変更し、診断名・症状・人体部位等の医学的な意味を持った名詞細分類を定義した。また、大規模な病名集を用いて、診断名・人体部位の名称等を表現するための医学用語形態素辞書を追加した。

　次に、形態素をまとめて語を抽出するプログラムを開発した。開発にあたっては情報抽出を指向した新たな品詞分類を設定した。また、語の成り立ちを先頭部分、中間部分、末尾部分に分け、それぞれに出現してもよい形態素の種類や文字列の規則を定義し、その規則に従って隣接する形態素をまとめて語を認識する方式を考案し実装した。これによって、「出血する」という文字列は形態素解析の段階では「出血」という名詞と「する」という動詞に分けられているのが、語抽出の結果「出血する」というひとつの動詞語として抽出されるようになった。

　感染症疾患の臨床的特徴セクションの一部の文を用いて、各品詞の語が正しく抽出されているか、また特に名詞語に関しては医学的意味づけが正しいかどうかを調べ、recall＝(抽出個数-誤抽出数)/真の個数、ならびにprecision＝(抽出個数-誤抽出数)/抽出個数を計算した。その結果、名詞を抽出するrecallが97.6%、precisionが93.8%であった。一方、名詞のより詳細な意味付けのrecallは、症状については88%、部位については50%だった。

　ある電子化内科教科書において、計942個の疾患の臨床的特徴について記述した8617文を分析の材料に用いた。このうちすべての文を、動詞形態素ならびに動詞語の種類と頻度の分析に用いた。また、感染症疾患(疾患数91)の臨床的特徴について記述した958文を、症状語、部位語、助詞、動詞語から成り、症状・部位関係の知識を表すパターンの分析に用いた。

　動詞形態素の種類と頻度の分析に関しては、形態素解析を行なったあとで、まず、動詞形態素の数を500文ごとに数え、新たに出現する動詞形態素の種類数が漸減する傾向を調べた。次に動詞形態素の頻度順の累積出現回数を調べ、動詞形態素の出現回数の95%をみたすには何種類の動詞形態素が必要かを調べた。同様の分析を動詞語についても行なった。

　一方、症状語、部位語、助詞、動詞語から成り、症状・部位関係の知識を表す表現パターンの分析においては、(1)症状語と部位語とが同じ節(文の構成単位で、動詞等の述語を1つ持つもの)に存在するかどうか、(2)症状語または部位語に後続する助詞は何か、という視点から分析を行なった。

　内科学教科書において動詞形態素の種類数は、750種類程度、動詞語では1480種類程度であった。しかし、動詞形態素では出現頻度上位215位までの動詞形態素が、動詞語では413位までの動詞語が、それぞれ全動詞形態素または全動詞語の出現回数の95%を占めていた。動詞形態素でもっとも出現回数が多い動詞形態素は「する」で、全動詞形態素出現回数の15%、動詞語では「みられる」で、全動詞語出現回数の5%であった。

　また、症状と部位との関係を表す文の86%において同じ節の中でその関係が表現されていた。さらに、同じ節の中に存在する症状ならびに部位の後に適切な助詞が後続する場合、87%にそれらの間に関係が存在していた。

　まず、形態素解析の結果の中で特定の種類の情報が含まれる範囲の限定を行なうプログラムを作成した。このプログラムは「〜の場合には」「(疾患名)では」「〜の時は」など、文中の複数の意味的まとまりの間の関係を表現するための表層パターン(文字列、品詞情報、意味情報等を並べてできるパターンのことを表層パターンと呼ぶことにする)を用いて、特定の種類の情報が含まれる範囲の末尾を見つける(以下ではこのような表層パターンを「手がかり表現」と呼ぶことにする)。プログラムは2種類作られ、第一のものは文中の他の部分に対して条件あるいは部位の関係にある部分の末尾を発見し、第二のものは時間表現等の末尾を発見するために作成された。

　次に、3.で得た知見をもとに、特定の医学的概念と密接に関係すると考えられるような表層パターンを「概念パターン」と名付け、人工言語的な形式で定義した。症状と部位との関係をあらわす概念パターンを3種類定義し、それらのパターンを語抽出の結果から探索するプログラムを作成した。

　「手がかり表現」を用いて特定の情報が含まれる範囲の限定を行なうプログラムの検証においては、第一のプログラムの検証には電子化内科教科書の一部の疾患についての記述から臨床的特徴のセクションを取り出して得られた126疾患、357文の記述を、第二のプログラムの検証には東大病院の総合内科外来の初診時記録(カルテ)から選られたおよそ40人の患者についての207文を、それぞれ対象として用いた。そして、対象から手作業で手がかり表現の検出を行い、検出プログラムの出力と比較した。手がかり表現のプログラムによる検出個所数、誤検出個所数、見逃し個所数を数えて、再現率(recall)＝(検出個所数-誤検出個所数)/真の個所数、ならびに正確度(precision)＝(検出個所数-誤検出個所数) 検出個所数を計算した。

　次に、症状と部位との関係についての情報を抽出するプログラムの検証では、感染症の臨床的特徴についての記述(91疾患、958文)からランダムにサンプル文を合計96文採取して対象とし、取り出されるべき概念パターンが対象から正しく取り出されるかどうかを調べた。

　「手がかり表現」を用いた特定の情報が含まれる範囲の限定においては、医学教科書において条件をあらわす手がかり表現についてはrecallが90%でprecisionが79%、部位を表す手がかり表現についてはrecallが93%でprecisionが86%であった。カルテ文においては、時間表現の抽出のrecallが89%、precisionが96%であった。

　また、症状と部位との関係についての情報を抽出するプログラムは、対象から取り出すべきすべてのパターンを検出し、症状ならびに部位の情報をほぼ正しく抽出した。