JP7581138B2

JP7581138B2 - 健康支援装置、健康支援方法及び健康支援プログラム

Info

Publication number: JP7581138B2
Application number: JP2021110860A
Authority: JP
Inventors: 賢一道庭; 孝浩田中; 耕祐春木; 政博小澤
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2021-07-02
Filing date: 2021-07-02
Publication date: 2024-11-12
Anticipated expiration: 2041-07-02
Also published as: JP2023007790A; US20230005617A1

Description

実施形態は、健康支援装置、健康支援方法及び健康支援プログラムに関する。

近年、精密医療が提唱されている。精密医療は、個人レベルで治療方法を分析し、分析した治療方法の中から最適な治療方法を選択する医療である。生活習慣病の健康指導においても、精密医療と同様に個人レベルの最適な目標設定が望まれている。例えば、糖尿病リスク低減のために５％の減量を全員一律に指導するのではなく、ある人には７％の減量、別の人には３％の減量と、個人の健康状態に合わせて指導することが望まれている。

特開２０２１－６８１７４号公報

実施形態は、健康指導において個人レベルでの疾病予測をすることが可能な健康支援装置、健康支援方法及び健康支援プログラムを提供する。

一態様の健康支援装置は、入力部と、パターン生成部と、因子変化計算部と、リスク予測部とを有する。入力部は、健診データのうちで健診者の生活習慣の改善によって値が変化する第１の因子と、前記健診データのうちで前記健診者の生活習慣の改善による前記第１の因子の値の変化によって値が変化する第２の因子との入力を受け付ける。パターン生成部は、生活習慣の組み合わせパターンを生成する。因子変化計算部は、組み合わせパターンに応じた第１の因子と第２の因子のそれぞれの変化量を計算する。リスク予測部は、少なくとも第２の因子の変化量に基づき、健診者の疾病の発症リスクを示す発症リスク値を予測する。因子変化計算部は、生活習慣の組み合わせパターンと、第１の因子及び第２の因子の変化量との関係を学習した因子変化予測モデルに、生活習慣の組み合わせパターンと、健診者の前記第１の因子の値と、健診者の前記第２の因子の値とを入力して、第１の因子と前記第２の因子のそれぞれの変化量を計算する。

図１は、第１の実施形態に係る健康支援装置の一例の構成を示す図である。図２は、生活習慣の改善の組み合わせパターンの一例を示す図である。図３Ａは、第１の例の因子変化予測モデルの機械学習の概念図である。図３Ｂは、第２の例の因子変化予測モデルの機械学習の概念図である。図３Ｃは、第３の例の因子変化予測モデルの機械学習の概念図である。図４は、健康支援装置のハードウェア構成の一例を示す図である。図５は、第１の実施形態における健康支援装置の動作を示すフローチャートである。図６は、第２の実施形態における因子変化計算部の一例の構成を示す図である。図７Ａは、４０代の男性用の体重変化率テーブルの例を示す図である。図７Ｂは、６０代の男性用の体重変化率テーブルの例を示す図である。図８Ａは、４０代の男性用の第２の因子の変化テーブルの例を示す図である。図８Ｂは、６０代の男性用の第２の因子の変化テーブルの例を示す図である。図９は、第２の実施形態における健康支援装置の動作を示すフローチャートである。

以下、図面を参照して実施形態を説明する。
［第１の実施形態］
図１は、第１の実施形態に係る健康支援装置の一例の構成を示す図である。健康支援装置１は、入力部１００と、探索パターン生成部１２０と、因子変化計算部１３０と、リスク予測部１４０と、ロス計算部１５０と、選択部１６０とを有する。

入力部１００は、健診データ及び目標値の入力を受け付ける。例えば、入力部１００は、ユーザの健康支援装置１の操作により、健診データ及び目標値の入力を受け付けるように構成されていてもよい。ここでの「ユーザ」は、健康支援装置１を使用する人である。ユーザは、健診者自身であってもよいし、医師等の医療従事者であってもよい。この他、入力部１００は、図示しない健康支援装置１の外部の記憶媒体に記憶されている健診データを、通信媒体を介して受け付けるように構成されていてもよい。また、入力部１００は、記憶媒体が健康支援装置１に装着されたことを受けて、この記憶媒体から転送されてくる健診データを受け付けるように構成されていてもよい。

ここで、実施形態の健診データは、生活習慣病のリスクの予測に用いられる因子の検査値を含む。この因子は、第１の因子と、第２の因子を含む。第１の因子は、健診者の生活習慣の改善によって直接的にコントロールできる因子である。例えば、体重は、運動の実施及び食生活の改善によって直接的に変化する。したがって、体重は、第１の因子に含まれる。この他、体脂肪率等も第１の因子に含まれ得る。一方、第２の因子は、健診者の生活習慣の改善によって直接的にコントロールできない因子である。例えば、ＨｂＡ１ｃ（ヘモグロビンＡ１ｃ）は、運動の実施及び食生活の改善によって直接的には変化しない。したがって、ＨｂＡ１ｃは、第２の因子に含まれる。この他、ＧＯＴ（Glutamic Oxaloacetic Transaminase）、ＬＤＬ（Low Density Lipoprotein）、血圧等の各種の生体検査値も第２の因子に含まれ得る。なお、ＨｂＡ１ｃ等は、生活習慣の改善によって直接的にはコントロールできない因子であるが、生活習慣の改善に伴う体重等の変化によって間接的に変化し得る。つまり、第２の因子は、第１の因子の変化によって間接的にコントロールされる因子を含む。

また、目標値は、例えば生活習慣病等の特定の疾病の疾病リスク値をどの程度低減したいかの目標値であり、相対値で指定されてもよいし、絶対値で指定されてもよい。ここで、「疾病リスク値」とは、ある期間内の特定の疾病の発症確率である。例えば、糖尿病の疾病リスクを３０％から２０％に低減したい場合、相対値で指定される場合にはリスク低減目標値（相対値）は、１０（％）である。絶対値で指定される場合にはリスク低減目標値（絶対値）は、２０（％）である。また、目標値は、健診データに含まれる体重等の何れかの因子の変化の目標値であってもよい。因子の変化の目標値は、疾病リスク値の低減目標値と同様に、絶対値で指定されてもよいし、相対値で指定されてもよい。

探索パターン生成部１２０は、生活習慣の改善の探索パターンを生成する。生活習慣の改善の探索パターンは、予め定められた複数の生活習慣の組み合わせパターンである。図２は、生活習慣の改善の組み合わせパターンの一例を示している。図２の例では、生活習慣として、「運動習慣」、「日常の歩行」、「飲酒」の少なくとも３つの項目が示されている。探索パターン生成部１２０は、例えばこれらの生活習慣の「あり」、「なし」を設定することで生活習慣の改善の組み合わせパターンを生成する。例えば、「運動習慣」及び「日常の歩行」については「あり」に設定されたときに生活習慣の改善が図られることを意味する。一方、「飲酒」については「なし」に設定されたときに生活習慣の改善が図られることを意味する。例えば、「Ｎｏ．１」のパターンは、「運動習慣」、「日常の歩行」、「飲酒」は、何れも「なし」に設定されている。このような「Ｎｏ．１」のパターンは、「飲酒」を実施しないことで生活習慣の改善が図られることを意味している。また、例えば、「Ｎｏ．２」のパターンは、「運動習慣」、「日常の歩行」は「なし」、「飲酒」は「あり」に設定されている。このような「Ｎｏ．２」のパターンは、「運動習慣」、「日常の歩行」、「飲酒」による生活習慣の改善が図られないことを意味している。ここで、図２の「なし」は、「運動習慣」、「日常の歩行」、「飲酒」をまったく実施しないことを意味してはいない。図２の「なし」は、疾病リスク値の予測に影響を与えない程度の少量の「運動習慣」、「日常の歩行」、「飲酒」の実施を含むものであってよい。また、図２では、生活習慣の「あり」、「なし」が設定されることで生活習慣の改善のパターンが生成されるとしている。これに対し、さらにそれぞれの生活習慣の量が考慮されて生活習慣の組み合わせパターンが生成されてもよい。例えば、運動習慣の「あり」が「少ない」、「中」、「多い」といった３つのパターンに分けられてもよい。

ここで、探索パターン生成部１２０で生活習慣の探索パターンを生成するために用いられる生活習慣のデータは、例えば探索パターン生成部１２０に記憶されている。この他、生活習慣のデータは、健康支援装置１の外部の記憶媒体に記憶されていてもよい。この場合、探索パターン生成部１２０は、必要に応じて外部の記憶媒体から生活習慣のデータを取得する。

因子変化計算部１３０は、探索パターン生成部１２０で生成された生活習慣の探索パターンに基づいて、健診データに含まれるそれぞれの因子の変化量を計算する。因子変化計算部１３０は、例えば因子の変化量の予測モデルに基づき、因子の変化量を予測する。この因子変化予測モデルは、例えば健診データと探索パターンとを入力として因子毎の変化量を出力するように構成された機械学習モデルである。

因子変化予測モデルの学習方法の例を説明する。図３Ａは、第１の例の因子変化予測モデルの機械学習の概念図である。図３Ａに示すように、因子変化予測モデルにおける機械学習に際しては、学習データ２１０が機械学習部２２０に入力されることで学習が実施される。そして、ある一定量の学習データ２１０を用いた学習が実施されることで因子変化予測モデルとしての学習済みモデル２３０が生成される。

学習データ２１０は、特徴量データと教師データとを含む。特徴量データは、因子の変化の予測に用いられ得る特徴量、具体的には性別、年齢、体重、生体検査値、生活習慣といった特徴量のデータである。生体検査値は、血圧、ＧＯＴ、ＬＤＬといった第１の因子及び第２の因子を含む各種の生体検査値である。また、生活習慣は、前述した「運動習慣」、「日常の歩行」、「飲酒」の有無又は量である。また、教師データは、関連付けられた特徴量による予測対象の因子の実際の変化量である。

機械学習部２２０は、学習データ２１０により、生活習慣の組み合わせパターンと、それによって変化する因子の変化量との関係を学習する。機械学習部２２０における機械学習アルゴリズムは、ニューラルネットワーク、決定木、線形回帰といった特徴量と因子の変化量との関係を学習できる任意の機械学習アルゴリズムであってよい。そして、機械学習部２２０は、ある一定量の学習の結果として生成される学習済みモデル２３０を因子変化予測モデルとして因子変化計算部１３０に記憶させる。機械学習部２２０は、プロセッサと、メモリ等を含むコンピュータで実現され得る。生活習慣の改善に伴う体重の変化により、第２の因子としてのＧＯＴ、ＨｂＡ１ｃ、ＬＤＬといった生体検査値が有意に変化することが例えば、津下一代，「生活習慣介入のエビデンスと実際」，日本内科学会雑誌第105巻第9号，［Online］［令和3年4月28日検索］，インターネットURL：https://www.jstage.jst.go.jp/article/naika/105/9/105_1654/_article/-char/ja/において報告されている。つまり、生活習慣の改善により、体重といった第１の因子と、ＧＯＴ、ＨｂＡ１ｃ、ＬＤＬといった第２の因子としての生体検査値はある割合で変化する。したがって、この因子変化予測モデルに生活習慣の探索パターンと生活習慣の改善前のそれぞれの因子の値が入力されることにより、因子変化予測モデルは、生活習慣の改善に伴って変化するそれぞれの因子の値を出力することになる。例えば、機械学習アルゴリズムがニューラルネットワークである場合、生活習慣の組み合わせパターンと生活習慣の改善前のそれぞれの因子の値とが入力され、生活習慣の改善に伴って変化するそれぞれの因子の値を出力するように、ニューラルネットワークの重み係数やバイアス等のパラメータが訓練される。より詳細には、特徴量データに含まれる因子の値をニューラルネットワークに順伝播して得た予測変化量と、教師データに含まれる実際の変化量との誤差が最小化するようにパラメータが訓練される。この際、生活習慣の組合せパターンも特徴量データとともにニューラルネットワークに入力してパラメータを訓練してもよいし、生活習慣の組合せパターン毎にニューラルネットワークのパラメータを訓練してもよい。

ここで、因子変化予測モデルは、性別毎、年齢層毎といった層別にも生成され得る。この場合、層別に収集された学習データを用いて学習が実施される。図３Ｂは、第２の例の因子変化予測モデルの機械学習の概念図である。

図３Ｂでは、層別化された学習データが、Ｎ（Ｎは自然数）個の学習データ、すなわち学習データ２１１、学習データ２１２、…、２１Ｎで示されている。学習データ２１１、学習データ２１２、…、２１Ｎは、それぞれ、学習データ２１０と同様の特徴量データと教師データとを含む。ただし、学習データ２１１、２１２、…、２１Ｎは、層別化の対象となる特徴量によって層別化されている。例えば、性別によって層別化されている場合、学習データ２１１、学習データ２１２、…、２１Ｎは、それぞれ、性別が共通の学習データである。例えば、学習データ２１１は、性別が男性の学習データのグループであり得る。また、学習データ２１２は性別が女性の学習データのグループであり得る。同様に、年齢層によって層別化されている場合、学習データ２１１、２１２、…、２１Ｎは、それぞれ、年齢が同一の年齢層に含まれる学習データである。例えば、学習データ２１１は、年齢が４０代の学習データのグループであり得る。また、学習データ２１２は性別が６０代の学習データのグループであり得る。

機械学習部２２０は、学習データ２１１、２１２、…、２１Ｎのそれぞれを個別に用いて学習を実施する。そして、機械学習部２２０は、ある一定量の学習の結果として生成される学習済みモデル２３１、２３２、…、２３Ｎを因子変化予測モデルとして因子変化計算部１３０に記憶させる。それぞれの学習済みモデルの学習は、層別化された学習データを用いて実施されている。したがって、それぞれの学習済みモデルは、対応する層の因子の変化量をより学習し得る。因子変化計算部１３０は、学習済みモデル２３１、２３２、…、２３Ｎのうちの入力された健診データと対応する層の学習済みモデルを選択して因子の変化量を予測する。

図３Ｃは、第３の例の因子変化予測モデルの機械学習の概念図である。第３の例は、１つの学習済みモデルで層別化がされる例である。

図３Ｃでは、層別化された学習データが、学習データ２１１、学習データ２１２、…、２１Ｎで示されている。学習データ２１１、学習データ２１２、…、２１Ｎは、第２の例と同様に層別化された学習データである。ただし、第３の例では、層別化して収集された学習データを区別できるように、特徴量データに識別子が追加されている。識別子は、識別番号等であってよい。例えば、学習データ２１１の特徴量データには識別番号１が、学習データ２１２の特徴量データには識別番号２が追加されている。

機械学習部２２０は、学習データ２１１、２１２、…、２１Ｎのそれぞれを用いて学習を実施する。そして、機械学習部２２０は、ある一定量の学習の結果として生成される学習済みモデル２３０を因子変化予測モデルとして因子変化計算部１３０に記憶させる。因子変化計算部１３０は、入力された健診データと同じ識別番号が含まれた特徴量データを学習済みモデルに入力して因子の変化量を予測する。

リスク予測部１４０は、因子変化計算部１３０で予測された因子の変化量に基づいて、探索パターン毎の疾病の疾病リスク値を予測する。リスク予測部１４０は、例えば疾病リスクの予測モデルに基づき、例えばユーザによって指定された疾病の疾病リスク値を予測する。このリスク予測モデルは、例えば健診データを入力として疾病毎の疾病リスク値を出力するように構成された機械学習モデルである。疾病リスクの予測方法としては、一般的に知られている任意の予測方法が用いられ得る。前述したように、生活習慣の改善により、体重といった第１の因子と、ＧＯＴ、ＨｂＡ１ｃ、ＬＤＬといった第２の因子としての生体検査値はある割合で変化する。したがって、このリスク予測モデルに生活習慣の改善に伴う変化後の第１の因子と第２の因子の値が入力されることにより、リスク予測モデルは、生活習慣の改善に伴って変化する疾病リスク値を出力することになる。

ロス計算部１５０は、選択部１６０における選択に用いられる第３のロスＬｏｓｓ３を例えば以下の（式１）に基づいて計算する。
Ｌｏｓｓ３＝Ｌｏｓｓ１＋α×Ｌｏｓｓ２（式１）
ここで、Ｌｏｓｓ１は、リスク予測部１４０で予測された疾病リスク値と、この疾病リスク値と対応する目標値との差分に基づく第１のロスである。また、Ｌｏｓｓ２は、予測に用いられる生活習慣とそれぞれの因子を変更することによる、すなわち生活習慣改善とその改善に伴う因子の変更による第２のロスである。さらにαは、第１のロスＬｏｓｓ１と第２のロスＬｏｓｓ２の重みを調整するパラメータである。
ロス計算部１５０は、第１のロスＬｏｓｓ１を以下の（式２）に基づいて計算する。
ａ）予測された疾病リスク値≦リスク低減目標値のとき
Ｌｏｓｓ１＝０
ｂ）予測された疾病リスク値＞リスク低減目標値のとき
Ｌｏｓｓ１＝（予測された疾病リスク値－リスク低減目標値）^２
（式２）
また、ロス計算部１５０は、第２のロスＬｏｓｓ２を以下の（式３）に基づいて計算する。
Ｌｏｓｓ２＝Σ（Ｘｉ－Ｘｉ＿ｏｒｇ）^２／Ｎｕｍ＿Ｘ（式３）
（式３）のＸｉは予測モデルのｉ（ｉは自然数）番目の入力値の目標値の候補である。また、Ｘｉ＿ｏｒｇは予測モデルのｉ番目の入力値の実際の検査値である。さらに、Ｎｕｍ＿Ｘは、入力値の数である。なお、それぞれの入力値のスケールは、大きく異なっていることがあり得る。この場合、Ｌｏｓｓ２の値は、スケールの大きな入力値の影響を受けやすい。このような特定の入力値の影響を抑制するため、Ｘｉ及びＸｉ＿ｏｒｇの値は例えば０から１の範囲に規格化されてもよい。

また、入力部１００が健診データに含まれる因子の変化の目標値を受け付けた場合、ロス計算部１５０は、以下の（式４）に従ってＬｏｓｓ１を計算してもよい。
Ｌｏｓｓ１＝（Ｆ１－Ｆ２）^２（式４）
ここで、Ｆ１は、入力された因子変化目標値を達成するために必要な因子の変化率である。Ｆ２は、生活習慣改善により達成できる因子の変化率である。例えば、入力された因子変化目標値がＧＯＴの目標値であれば、Ｆ１はＧＯＴ変化目標値を達成するために必要な体重の変化率であり、Ｆ２は生活習慣改善により達成できる体重の変化率であり得る。

選択部１６０は、ロス計算部１５０で計算されたロスを用いて１つ以上の生活習慣の組み合わせパターンを選択する。例えば、（式１）でロスが計算されるときには第３のロスＬｏｓｓ３の値が小さいほど、そのときの生活習慣の組み合わせパターンによって改善される疾病リスク値がリスク低減の目標値に近い又は生活習慣の組み合わせパターンによって改善される因子の生体検査値が目標値に近いことを意味している。したがって、例えば（式１）でロスが計算されるときには、選択部１６０は、生成された探索パターンのうちで第３のロスＬｏｓｓ３の値の小さい順に１つ以上の生活習慣の組み合わせパターンを選択する。ロスの計算によっては、ロスの値が大きいほど、そのときの生活習慣の組み合わせパターンによって改善される疾病リスク値がリスク低減目標値に近い又は生活習慣の組み合わせパターンによって改善される因子の生体検査値が目標値に近いことを意味していることもある。この場合には、選択部１６０は、生成された探索パターンのうちでロスの値の大きい順に１つ以上の生活習慣の組み合わせパターンを選択する。

図４は、健康支援装置１のハードウェア構成の一例を示す図である。健康支援装置１は、例えばプロセッサ３０１と、メモリ３０２と、入力装置３０３と、表示装置３０４と、通信装置３０５と、ストレージ３０６とをハードウェアとして有している。プロセッサ３０１と、メモリ３０２と、入力装置３０３と、表示装置３０４と、通信装置３０５と、ストレージ３０６とは、バス３０７に接続されている。健康支援装置１は、パーソナルコンピュータ（ＰＣ）、スマートフォン、タブレット端末といった端末装置であってよい。

プロセッサ３０１は、健康支援装置１の全体的な動作を制御するプロセッサである。プロセッサ３０１は、例えばストレージ３０６に記憶されている健康支援プログラムを実行することによって、入力部１００と、探索パターン生成部１２０と、因子変化計算部１３０と、リスク予測部１４０と、ロス計算部１５０と、選択部１６０として動作する。プロセッサ３０１は、例えばＣＰＵである。プロセッサ３０１は、ＭＰＵ、ＧＰＵ、ＡＳＩＣ、ＦＰＧＡ等であってもよい。プロセッサ３０１は、単一のＣＰＵ等であってもよいし、複数のＣＰＵ等であってもよい。

メモリ３０２は、ＲＯＭ及びＲＡＭを含む。ＲＯＭは、不揮発性のメモリである。ＲＯＭは、健康支援装置１の起動プログラム等を記憶している。ＲＡＭは、揮発性のメモリである。ＲＡＭは、例えばプロセッサ３０１における処理の際の作業メモリとして用いられる。

入力装置３０３は、タッチパネル、キーボード、マウス等の入力装置である。入力装置３０３の操作がされた場合、操作内容に応じた信号がバス３０７を介してプロセッサ３０１に入力される。プロセッサ３０１は、この信号に応じて各種の処理を行う。入力装置３０３は、例えば健診データ及び目標値の入力に用いられ得る。

表示装置３０４は、液晶ディスプレイ、有機ＥＬディスプレイ等の表示装置である。表示装置３０４は、各種の画像を表示する。

通信装置３０５は、健康支援装置１が外部の機器と通信するための通信装置である。通信装置３０５は、有線通信のための通信装置であってもよいし、無線通信のための通信装置であってもよい。

ストレージ３０６は、例えばフラッシュメモリ、ハードディスクドライブ、ソリッドステートドライブといったストレージである。ストレージ３０６は、健康支援プログラム３０６１等のプロセッサ３０１によって実行される各種のプログラムを記憶している。また、ストレージ３０６は、生活習慣の探索パターンを生成するための生活習慣データ３０６２を記憶している。生活習慣データ３０６２は、例えばそれぞれの生活習慣毎に割り振られたＩＤである。また、ストレージ３０６は、因子変化予測モデル３０６３を記憶している。また、ストレージ３０６は、疾病リスク値の予測に用いられるリスク予測モデル３０６４を記憶している。生活習慣データ３０６２、因子変化予測モデル３０６３及びリスク予測モデル３０６４は、必ずしもストレージ３０６に記憶されている必要はない。例えば、生活習慣データ３０６２、因子変化予測モデル３０６３及びリスク予測モデル３０６４は、健康支援装置１の外部のサーバに記憶されていてもよい。この場合、健康支援装置１は、通信装置３０５を用いてサーバにアクセスすることで必要な情報を取得する。

バス３０７は、プロセッサ３０１と、メモリ３０２と、入力装置３０３と、表示装置３０４と、通信装置３０５と、ストレージ３０６との間のデータのやり取りのためのデータ転送路である。

次に、第１の実施形態における健康支援装置１の動作を説明する。図５は、第１の実施形態における健康支援装置１の動作を示すフローチャートである。図５の処理は、プロセッサ３０１によって実行される。

ステップＳ１において、プロセッサ３０１は、健診データ及び目標値を取得する。健診データは、例えば、表示装置３０４に表示されるＧＵＩ（Graphical User Interface）上でのユーザの入力装置３０３の操作を介して入力されてもよいし、健康支援装置１の外部の記憶媒体を介して入力されてもよい。また、目標値は、例えば、表示装置３０４に表示されるＧＵＩ上でのユーザの入力装置３０３の操作を介して入力されてもよい。

ステップＳ２において、プロセッサ３０１は、生活習慣データ３０６２を参照し、生活習慣の探索パターンを生成する。プロセッサ２０１は、生活習慣データ３０６２から生成され得るすべての生活習慣の組み合わせで探索パターンを生成してもよいし、一部の生活習慣の組み合わせで探索パターンを生成してもよい。

ステップＳ３において、プロセッサ２０１は、探索パターン毎の疾病リスクの予測に用いられる因子の変化量を予測する。例えば、プロセッサ３０１は、因子変化予測モデルに探索パターンと健診データとを入力してそれぞれの因子の変化量を予測する。

ステップＳ４において、プロセッサ３０１は、疾病リスク値を予測する。例えば、プロセッサ３０１は、疾病のリスク予測モデルに変化後の因子の値を入力して探索パターン毎の疾病リスク値を予測する。

ステップＳ５において、プロセッサ３０１は、ロス計算を実施する。例えば、プロセッサ３０１は、（式１）、（式２）、（式３）又は（式１）、（式２）、（式４）に従ってロスを計算する。

ステップＳ６において、プロセッサ３０１は、ユーザに対して提示する生活習慣の組み合わせパターンを選択する。例えば、プロセッサ３０１は、ロスの値の小さい順に１以上の生活習慣の組み合わせパターンを選択する。

ステップＳ７において、プロセッサ３０１は、ユーザに対して結果を提示する。その後、図５の処理は終了する。例えば、プロセッサ３０１は、表示装置３０４の画面上に、選択した生活習慣の組み合わせパターンと、その生活習慣において予測される疾病リスク値とを表示する。疾病リスク値に代えて、疾病リスク値の低減値が表示されてもよいし、体重等の因子の低減目標値及び生活習慣によって改善する因子の値が表示されてもよい。

以上説明したように第１の実施形態によれば、健診者の生活習慣の組み合わせパターンに応じて健診者の生活習慣の改善によって直接的にコントロールできる第１の因子及び健診者の生活習慣の改善によって直接的にコントロールできない第２の因子の変化量がそれぞれ機械学習モデルを用いて予測される。そして、第１の因子及び第２の因子に基づいて疾病リスク値が予測され得る。例えば、生活習慣を改善することで半年後及び１年後といった長期的に体重が減少し、長期的に体重が減少することで生体検査値は改善する。第１の実施形態では、これらの長期的な体重変化、長期的な生体検査値変化が考慮されて疾病リスク値が計算され得る。このようにして第１の実施形態では、疾病リスク値の予測において健診者の生活習慣の改善によって直接的にコントロールできない第２の因子も予測結果に適切に反映されるので、健康指導において個人レベルの最適な生活習慣の目標設定がされ得る。

また、因子の変化の予測に用いられる学習データが層別化されていることにより、より健診者の個人レベルでの第１の因子及び第２の因子の変化量が予測され得る。これにより、健診者に対してより適切な指導が可能である。

［第２の実施形態］
次に、第２の実施形態を説明する。第２の実施形態における因子変化計算部１３０は、探索パターン生成部１２０で生成された生活習慣の探索パターンに基づいて、健診データに含まれるそれぞれの因子の変化量を計算する。図６は、第２の実施形態における因子変化計算部１３０の一例の構成を示す図である。図６に示すように、因子変化計算部１３０は、第１の因子変化計算部１３１と、第２の因子変化計算部１３２とを有していてよい。

第１の因子変化計算部１３１は、生活習慣の探索パターンに基づいて第１の因子の変化量を計算する。第２の因子変化計算部１３２は、第２の因子の変化量を計算する。第２の因子変化計算部１３２は、第１の因子の変化が第２の因子の変化に影響を与え得るときには、第１の因子の変化量に基づいて第２の因子の変化量を計算する。

図７Ａ及び図７Ｂは、第１の因子の変化テーブルの一例としての体重変化率テーブルの例を示す図である。体重変化率は、元の体重からの体重変化を百分率で表した値である。体重変化率テーブルは、生活習慣の改善による体重変化率を表すテーブルである。第２の実施形態において、体重変化率テーブルは、層別に準備されている。図７Ａは、４０代の男性用の体重変化率テーブルの例である。図７Ｂは、６０代の男性用の体重変化率テーブルの例である。体重変化率テーブルは、例えば年齢層毎の及び性別毎の多数人についての生活習慣の改善に伴う体重変化を実測することで生成され得る。他の年齢層別の体重変化率テーブル及び女性用の年齢層別の体重変化率テーブルもさらに準備されてよいことは言うまでもない。

図７Ａ及び図７Ｂでは、体重変化率が、メタボリック症候群該当群と予備群と非該当群の３群に分けられている。第１の因子変化計算部１３１は、体重変化率テーブルを用いて第１の因子としての体重変化率を計算し、計算した体重変化率に基づいて体重の変化量を計算する。体重の変化量は、例えば健診者の体重と体重変化率との積である。ここで、体重変化率テーブルは、生活習慣の量に応じた体重変化率を含んでいてもよい。

図７Ａ及び図７Ｂのテーブルは、体重変化率を計算するためのテーブルとして用いられ得る。図７Ａ及び図７Ｂと同様のテーブルは、第１の因子の種類毎に準備されている。第１の因子変化計算部１３１は、対応する層の第１の因子の変化テーブルを用いてそれぞれの第１の因子の変化量を計算する。

図８Ａ及び図８Ｂは、第２の因子の変化テーブルの例である。図８Ａ及び図８Ｂは、体重変化率と第２の因子の変化率との関連を表すテーブルを示している。第２の実施形態において、第２の因子の変化テーブルは、層別に準備されている。図８Ａは、４０代の男性用の第２の因子の変化テーブルの例である。図８Ｂは、６０代の男性用の第２の因子の変化テーブルの例である。第２の因子の変化テーブルは、例えば年齢層毎の及び性別毎の多数人についての体重変化に伴う生体検査値の変化を実測することで生成され得る。他の年齢層別の第２の因子の変化テーブル及び女性用の年齢層別の第２の因子の変化テーブルもさらに準備されてよいことは言うまでもない。

第２の因子変化計算部１３２は、第１の因子変化計算部１３１で計算される生活習慣の探索パターン毎の第１の因子の変化量に基づいて第２の因子の変化量を計算する。例えば、図８Ａにおいて、体重変化量が－１％から＋１％であるとき、ＧＯＴ、ＨｂＡ１ｃ、ＬＤＬの何れの変化率も０．００％である。一方、体重変化量が－１％から－３％であるとき、ＧＯＴの変化率は－２．００％、ＨｂＡ１ｃの変化率は－１．００％、ＬＤＬの変化率は－３．００％である。

図８Ａ及び図８Ｂのテーブルは、体重変化率から第２の因子の変化量を計算するためのテーブルとして用いられ得る。図８Ａ及び図８Ｂと同様のテーブルは第１の因子の種類毎に準備されている。第２の因子変化計算部１３２は、対応する層の第２の因子の変化テーブルを用いてそれぞれの第２の因子の変化量を計算する。

さらに、因子変化計算部１３０は、探索パターン生成部１２０で生成された生活習慣の探索パターンに応じて因子の変化量を計算する。因子変化計算部１３０は、運動や日常の歩行等の生活習慣の個別の改善パターン毎の変化率を合計することによって計算してもよいし、複数の生活習慣の組み合わせにより変化量を計算してもよい。

健康支援装置１のハードウェア構成としては、基本的には図４の構成が適用され得る。ただし、ストレージ３０６には、第１の因子の変化テーブル及び第２の因子の変化テーブルが記憶され得る。第１の因子の変化テーブル及び第２の因子の変化テーブルは、必ずしもストレージ３０６に記憶される必要はない。

次に、第２の実施形態における健康支援装置１の動作を説明する。図９は、第２の実施形態における健康支援装置１の動作を示すフローチャートである。図９の処理は、プロセッサ３０１によって実行される。

ステップＳ１１において、プロセッサ３０１は、健診データ及び目標値を取得する。健診データは、例えば、表示装置３０４に表示されるＧＵＩ上でのユーザの入力装置３０３の操作を介して入力されてもよいし、健康支援装置１の外部の記憶媒体を介して入力されてもよい。また、目標値は、例えば、表示装置３０４に表示されるＧＵＩ上でのユーザの入力装置３０３の操作を介して入力されてよい。

ステップＳ１２において、プロセッサ３０１は、生活習慣データ３０６２を参照し、生活習慣の探索パターンを生成する。プロセッサ３０１は、生活習慣データ３０６２から生成され得るすべての生活習慣の組み合わせで探索パターンを生成してもよいし、一部の生活習慣の組み合わせで探索パターンを生成してもよい。

ステップＳ１３において、プロセッサ３０１は、探索パターン毎の疾病リスクの予測に用いられる因子の変化量を計算する。第１の因子の変化が第２の因子の変化に影響を与え得るときには、プロセッサ３０１は、先に第１の因子の変化テーブルを用いて第１の因子の変化量を計算し、その後に第２の因子の変化テーブルを用いて第２の因子の変化量を計算する。

ステップＳ１４において、プロセッサ３０１は、疾病リスク値を予測する。例えば、プロセッサ３０１は、疾病のリスク予測モデルに変化後の因子の値を入力して探索パターン毎の疾病リスク値を予測する。

ステップＳ１５において、プロセッサ３０１は、ロス計算を実施する。例えば、プロセッサ３０１は、（式１）、（式２）、（式３）又は（式１）、（式２）、（式４）に従ってロスを計算する。

ステップＳ１６において、プロセッサ３０１は、ユーザに対して提示する生活習慣の組み合わせパターンを選択する。例えば、プロセッサ２０１は、ロスの値の小さい順に１以上の生活習慣の組み合わせパターンを選択する。

ステップＳ１７において、プロセッサ３０１は、ユーザに対して結果を提示する。その後、図９の処理は終了する。例えば、プロセッサ３０１は、表示装置３０４の画面上に、選択した生活習慣の組み合わせパターンと、その生活習慣において予測される疾病リスク値とを表示する。疾病リスク値に代えて、疾病リスク値の低減値が表示されてもよいし、体重等の因子の低減目標値及び生活習慣によって改善する因子の生体検査値が表示されてもよい。

以上説明したように第２の実施形態によれば、健診者の生活習慣の組み合わせパターンに応じて健診者の生活習慣の改善によって直接的にコントロールできる第１の因子及び健診者の生活習慣の改善によって直接的にコントロールできない第２の因子の変化量がそれぞれテーブルに基づいて計算される。そして、第１の実施形態によれば、第１の因子及び第２の因子に基づいて疾病リスク値が予測され得る。このようにして第２の実施形態では、第１の実施形態と同様に、疾病リスク値の予測において健診者の生活習慣の改善によって直接的にコントロールできない第２の因子も予測結果に適切に反映されるので、健康指導において個人レベルの最適な生活習慣の目標設定がされ得る。

また、因子の変化の計算に用いられるテーブルは、性別、年齢等の層別に準備されている。このため、健診者の性別及び年齢等の違いを含めた生活習慣の組み合わせパターンに応じた因子の変化量が計算され得る。これにより、第２の実施形態では第１の実施形態と同様に性別差、年齢差といった層別の因子の変化量をリスク予測に用いることができるので、健診者に対して適切な指導が可能である。

［変形例］
第１の実施形態及び第２の実施形態では、層別化の例として、性別による層別化及び年齢層による層別化が挙げられている。しかしながら、これら以外の層別化が行われてもよい。例えば、層別化は、ある種の投薬の有無による層別化であってもよい。この他に、層別化は、ＢＭＩ(Body Mass Index)の値による層別化であってもよい。また、層別化は、肉類を多く食べる、肉類を多く食べない、ベジタリアンであるといった食生活習慣による層別化であってもよい。さらには、層別化は、家族の肥満者の有無による層別化等の任意の層別化であってよい。これらの層別化は、単独で用いられてもよいし、組み合わせて用いられてもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１健康支援装置、１００入力部、１２０探索パターン生成部、１３０因子変化計算部、１３１第１の因子変化計算部、１３２第２の因子変化計算部、１４０リスク予測部、１５０ロス計算部、１６０選択部、２１０，２１１，２１２，…，２１Ｎ学習データ、２２０機械学習部、２３０，２３１，２３２，…，２３Ｎ学習済みモデル、３０１プロセッサ、３０２メモリ、３０３入力装置、３０４表示装置、３０５通信装置、３０６ストレージ、３０７バス、３０６１健康支援プログラム、３０６２生活習慣データ、３０６３因子変化予測モデル、３０６４リスク予測モデル。

Claims

健診データのうちで健診者の生活習慣の改善によって値が変化する第１の因子と、前記健診データのうちで前記健診者の生活習慣の改善による前記第１の因子の値の変化によって値が変化する第２の因子との入力を受け付ける入力部と、
前記生活習慣の組み合わせパターンを生成するパターン生成部と、
前記組み合わせパターンに応じた前記第１の因子と前記第２の因子のそれぞれの変化量を計算する因子変化計算部と、
前記第１の因子の変化量と前記第２の因子の変化量に基づき、前記健診者の疾病の発症リスクを示す発症リスク値を予測するリスク予測部と、
を具備し、
前記因子変化計算部は、前記生活習慣の組み合わせパターンと、前記第１の因子及び前記第２の因子の変化量との関係を学習した因子変化予測モデルに、前記生活習慣の組み合わせパターンと、前記健診者の前記第１の因子の値と、前記健診者の前記第２の因子の値とを入力して、前記第１の因子と前記第２の因子のそれぞれの変化量を計算する、
健康支援装置。
健診データのうちで健診者の生活習慣の改善によって値が変化する第１の因子と、前記健診データのうちで前記健診者の生活習慣の改善による前記第１の因子の値の変化によって値が変化する第２の因子との入力を受け付ける入力部と、
前記生活習慣の組み合わせパターンを生成するパターン生成部と、
前記組み合わせパターンに応じた前記第１の因子と前記第２の因子のそれぞれの変化量を計算する因子変化計算部と、
前記第１の因子の変化量と前記第２の因子の変化量に基づき、前記健診者の疾病の発症リスクを示す発症リスク値を予測するリスク予測部と、
を具備し、
前記因子変化計算部は、前記生活習慣の組み合わせパターンと、前記第１の因子及び前記第２の因子の変化量との関係を層別に学習した複数の因子変化予測モデルのうちの対応する層の因子変化予測モデルに、前記生活習慣の組み合わせパターンと、前記健診者の前記第１の因子の値と、前記健診者の前記第２の因子の値とを入力して、前記第１の因子と前記第２の因子のそれぞれの変化量を層別に計算する、
健康支援装置。
健診データのうちで健診者の生活習慣の改善によって値が変化する第１の因子と、前記健診データのうちで前記健診者の生活習慣の改善による前記第１の因子の値の変化によって値が変化する第２の因子との入力を受け付ける入力部と、
前記生活習慣の組み合わせパターンを生成するパターン生成部と、
前記組み合わせパターンに応じた前記第１の因子と前記第２の因子のそれぞれの変化量を計算する因子変化計算部と、
前記第１の因子の変化量と前記第２の因子の変化量に基づき、前記健診者の疾病の発症リスクを示す発症リスク値を予測するリスク予測部と、
を具備し、
前記因子変化計算部は、前記生活習慣の組み合わせパターンと、前記第１の因子及び前記第２の因子の変化量との関係を層別に学習した因子変化予測モデルに、前記生活習慣の組み合わせパターンと、対応する層の識別子が付された前記健診者の前記第１の因子の値と、対応する層の識別子が付された前記健診者の前記第２の因子の値とを入力して、前記第１の因子と前記第２の因子のそれぞれの変化量を層別に計算する、
健康支援装置。
健診データのうちで健診者の生活習慣の改善によって値が変化する第１の因子と、前記健診データのうちで前記健診者の生活習慣の改善による前記第１の因子の値の変化によって値が変化する第２の因子との入力を受け付ける入力部と、
前記生活習慣の組み合わせパターンを生成するパターン生成部と、
前記組み合わせパターンに応じた前記第１の因子と前記第２の因子のそれぞれの変化量を計算する因子変化計算部と、
前記第１の因子の変化量と前記第２の因子の変化量に基づき、前記健診者の疾病の発症リスクを示す発症リスク値を予測するリスク予測部と、
を具備し、
前記因子変化計算部は、
前記生活習慣の組み合わせパターンと前記第１の因子の変化量との関係が層別に記録された第１の因子の変化テーブルと、前記第１の因子の変化量と前記第２の因子の変化量との関係が層別に記録された第２の因子の変化テーブルとに基づいて、前記第１の因子と前記第２の因子のそれぞれの変化量を層別に計算する、
健康支援装置。
前記因子変化計算部は、前記健診者の性別で分けて前記第１の因子と前記第２の因子のそれぞれの変化量を計算する、
請求項２乃至４の何れか１項に記載の健康支援装置。
前記因子変化計算部は、前記健診者の年齢層で分けて前記第１の因子と前記第２の因子のそれぞれの変化量を計算する、
請求項２乃至５の何れか１項に記載の健康支援装置。
前記因子変化計算部は、前記健診者の投薬の有無で分けて前記第１の因子と前記第２の因子のそれぞれの変化量を計算する、
請求項２乃至６の何れか１項に記載の健康支援装置。
前記因子変化計算部は、前記健診者の食習慣で分けて前記第１の因子と前記第２の因子のそれぞれの変化量を計算する、
請求項２乃至７の何れか１項に記載の健康支援装置。
前記因子変化計算部は、前記健診者の家族の肥満者の有無で分けて前記第１の因子と前記第２の因子のそれぞれの変化量を計算する、
請求項２乃至８の何れか１項に記載の健康支援装置。
前記第１の因子は、前記健診者の体重を含み、
前記第２の因子は、前記健診者の生体検査値を含む、
請求項１乃至９の何れか１項に記載の健康支援装置。
健診データのうちで健診者の生活習慣の改善によって値が変化する第１の因子と、前記健診データのうちで前記健診者の生活習慣の改善による前記第１の因子の値の変化によって値が変化する第２の因子との入力を受け付けることと、
前記生活習慣の組み合わせパターンを生成することと、
前記生活習慣の組み合わせパターンと、前記第１の因子及び前記第２の因子の変化量との関係を学習した因子変化予測モデルに、前記生活習慣の組み合わせパターンと、前記健診者の前記第１の因子の値と、前記健診者の前記第２の因子の値とを入力して、前記第１の因子と前記第２の因子のそれぞれの変化量を計算することと、
前記第１の因子の変化量と前記第２の因子の変化量に基づき、前記健診者の疾病の発症リスクを示す発症リスク値を予測することと、
を具備するコンピュータが行う健康支援方法。
健診データのうちで健診者の生活習慣の改善によって値が変化する第１の因子と、前記健診データのうちで前記健診者の生活習慣の改善による前記第１の因子の値の変化によって値が変化する第２の因子との入力を受け付けることと、
前記生活習慣の組み合わせパターンを生成することと、
前記生活習慣の組み合わせパターンと、前記第１の因子及び前記第２の因子の変化量との関係を層別に学習した複数の因子変化予測モデルのうちの対応する層の因子変化予測モデルに、前記生活習慣の組み合わせパターンと、前記健診者の前記第１の因子の値と、前記健診者の前記第２の因子の値とを入力して、前記第１の因子と前記第２の因子のそれぞれの変化量を層別に計算することと、
前記第１の因子の変化量と前記第２の因子の変化量に基づき、前記健診者の疾病の発症リスクを示す発症リスク値を予測することと、
を具備するコンピュータが行う健康支援方法。
健診データのうちで健診者の生活習慣の改善によって値が変化する第１の因子と、前記健診データのうちで前記健診者の生活習慣の改善による前記第１の因子の値の変化によって値が変化する第２の因子との入力を受け付けることと、
前記生活習慣の組み合わせパターンを生成することと、
前記生活習慣の組み合わせパターンと、前記第１の因子及び前記第２の因子の変化量との関係を層別に学習した因子変化予測モデルに、前記生活習慣の組み合わせパターンと、対応する層の識別子が付された前記健診者の前記第１の因子の値と、対応する層の識別子が付された前記健診者の前記第２の因子の値とを入力して、前記第１の因子と前記第２の因子のそれぞれの変化量を層別に計算することと、
前記第１の因子の変化量と前記第２の因子の変化量に基づき、前記健診者の疾病の発症リスクを示す発症リスク値を予測することと、
を具備するコンピュータが行う健康支援方法。
健診データのうちで健診者の生活習慣の改善によって値が変化する第１の因子と、前記健診データのうちで前記健診者の生活習慣の改善による前記第１の因子の値の変化によって値が変化する第２の因子との入力を受け付けることと、
前記生活習慣の組み合わせパターンを生成することと、
前記生活習慣の組み合わせパターンと前記第１の因子の変化量との関係が層別に記録された第１の因子の変化テーブルと、前記第１の因子の変化量と前記第２の因子の変化量との関係が層別に記録された第２の因子の変化テーブルとに基づいて、前記第１の因子と前記第２の因子のそれぞれの変化量を層別に計算することと、
前記第１の因子の変化量と前記第２の因子の変化量に基づき、前記健診者の疾病の発症リスクを示す発症リスク値を予測することと、
を具備するコンピュータが行う健康支援方法。
健診データのうちで健診者の生活習慣の改善によって値が変化する第１の因子と、前記健診データのうちで前記健診者の生活習慣の改善による前記第１の因子の値の変化によって値が変化する第２の因子との入力を受け付けることと、
前記生活習慣の組み合わせパターンを生成することと、
前記生活習慣の組み合わせパターンと、前記第１の因子及び前記第２の因子の変化量との関係を学習した因子変化予測モデルに、前記生活習慣の組み合わせパターンと、前記健診者の前記第１の因子の値と、前記健診者の前記第２の因子の値とを入力して、前記第１の因子と前記第２の因子のそれぞれの変化量を計算することと、
前記第１の因子の変化量と前記第２の因子の変化量に基づき、前記健診者の疾病の発症リスクを示す発症リスク値を予測することと、
をコンピュータに実行させるための健康支援プログラム。
健診データのうちで健診者の生活習慣の改善によって値が変化する第１の因子と、前記健診データのうちで前記健診者の生活習慣の改善による前記第１の因子の値の変化によって値が変化する第２の因子との入力を受け付けることと、
前記生活習慣の組み合わせパターンを生成することと、
前記生活習慣の組み合わせパターンと、前記第１の因子及び前記第２の因子の変化量との関係を層別に学習した複数の因子変化予測モデルのうちの対応する層の因子変化予測モデルに、前記生活習慣の組み合わせパターンと、前記健診者の前記第１の因子の値と、前記健診者の前記第２の因子の値とを入力して、前記第１の因子と前記第２の因子のそれぞれの変化量を層別に計算することと、
前記第１の因子の変化量と前記第２の因子の変化量に基づき、前記健診者の疾病の発症リスクを示す発症リスク値を予測することと、
をコンピュータに実行させるための健康支援プログラム。
健診データのうちで健診者の生活習慣の改善によって値が変化する第１の因子と、前記健診データのうちで前記健診者の生活習慣の改善による前記第１の因子の値の変化によって値が変化する第２の因子との入力を受け付けることと、
前記生活習慣の組み合わせパターンを生成することと、
前記生活習慣の組み合わせパターンと、前記第１の因子及び前記第２の因子の変化量との関係を層別に学習した因子変化予測モデルに、前記生活習慣の組み合わせパターンと、対応する層の識別子が付された前記健診者の前記第１の因子の値と、対応する層の識別子が付された前記健診者の前記第２の因子の値とを入力して、前記第１の因子と前記第２の因子のそれぞれの変化量を層別に計算することと、
前記第１の因子の変化量と前記第２の因子の変化量に基づき、前記健診者の疾病の発症リスクを示す発症リスク値を予測することと、
をコンピュータに実行させるための健康支援プログラム。
健診データのうちで健診者の生活習慣の改善によって値が変化する第１の因子と、前記健診データのうちで前記健診者の生活習慣の改善による前記第１の因子の値の変化によって値が変化する第２の因子との入力を受け付けることと、
前記生活習慣の組み合わせパターンを生成することと、
前記生活習慣の組み合わせパターンと前記第１の因子の変化量との関係が層別に記録された第１の因子の変化テーブルと、前記第１の因子の変化量と前記第２の因子の変化量との関係が層別に記録された第２の因子の変化テーブルとに基づいて、前記第１の因子と前記第２の因子のそれぞれの変化量を層別に計算することと、
前記第１の因子の変化量と前記第２の因子の変化量に基づき、前記健診者の疾病の発症リスクを示す発症リスク値を予測することと、
をコンピュータに実行させるための健康支援プログラム。