近年來，糖尿病患者人數持續增加，2014年達316萬人（厚生勞動省，26年患者調查）。隨著糖尿病的進展，它會引起併發症，導致生活品質下降和醫療費用增加，因此需要持續治療。但問題是，約1%的糖尿病門診患者停止就診，許多病例在出現併發症或病情惡化後又恢復就診。

　因此，東京大學和 NTT 旨在建立一種人工智慧，能夠根據個人的電子病歷數據預測醫療就診的中斷。該模型是根據東京大學的醫學數據分析和臨床患者指導知識以及 NTT corevo 的機器學習知識生成的特徵構建的。

　透過輸入電子病歷資料及其產生的特徵值，我們可以計算預約違約（未到預約門診而導致中止諮詢）和諮詢中斷風險排名（患者根據預約情況進行風險排名）到未來諮詢中斷之日的天數） 。預測兩件事（排名）。當使用2 年至2011 年在東京大學醫院接受糖尿病治療的約2014 名患者的電子病歷數據對該模型進行評估時，該模型顯示出出色的預測性能，預測了900% 的諮詢中斷情況，得到了證實。

　還發現了醫生以前沒有註意到的與患者預約行為相關的新項目，例如預約登記日期、預約日期是星期幾、預約登記日期與預約日期之間的間隔，正在影響預測。根據預測結果，可以縮小需要主動支援的患者範圍，確定何時開始支援，並調整支援程度，從而支持醫生的醫療救治，最終維持和改善患者的病情。這將導致