CN112512417A - 痴呆症风险的呈现系统以及方法 - Google Patents

痴呆症风险的呈现系统以及方法 Download PDF

Info

Publication number
CN112512417A
CN112512417A CN201980050854.1A CN201980050854A CN112512417A CN 112512417 A CN112512417 A CN 112512417A CN 201980050854 A CN201980050854 A CN 201980050854A CN 112512417 A CN112512417 A CN 112512417A
Authority
CN
China
Prior art keywords
user
brain
risk
score
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980050854.1A
Other languages
English (en)
Inventor
青山裕纪
笠井航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Splink Inc
Original Assignee
Splink Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Splink Inc filed Critical Splink Inc
Publication of CN112512417A publication Critical patent/CN112512417A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Neurology (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Neurosurgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Hematology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Nuclear Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

提供一种用于呈现用户的痴呆症风险的痴呆症风险呈现系统(10)。呈现系统具有：第一数据库(17)，其将包含样本脑状态数据(17d)及样本认知力数据(17e)中的至少一方的样本脑健康数据(17a)与个体特性(17b)建立关联，所述样本脑状态数据(17d)是与样本对象者的脑的状态有关的数据，所述样本认知力数据(17e)是与所述样本对象者的作为脑的功能的认知力有关的数据，所述个体特性(17b)包含样本对象者的年龄、性别以及身体信息中的至少一方；第一识别部(11)，其识别包含用户脑状态数据(41)和用户认知力数据(61)中的至少任一方的用户脑健康数据(18a)；第二识别部(12)，其识别用户个体特性(43)；以及风险呈现部(30)，其呈现表示用户的从过去到现在的用户脑健康数据的推移的经年推移线(52)以及与痴呆症相关的风险线(54)。

Description

痴呆症风险的呈现系统以及方法
技术领域
本发明涉及一种用于呈现用户的痴呆症风险的系统以及方法。
背景技术
在日本特开2016-22310号公报中记载了提供痴呆症风险判定系统的内容，该痴呆症风险判定系统能够在极早的阶段判定痴呆症的潜在风险，能够提供延缓痴呆症的发病的预防机会。该系统具备：生物体数据检测传感器，其获取被检者的睡眠时的生物体数据；睡眠数据生成装置，其根据由生物体数据检测传感器获取到的被检者的生物体数据，来生成包含伴随时间经过的被检者的睡眠深度及身体动作变化的睡眠数据；以及痴呆症风险判定装置，其具备针对与规定的痴呆症有关的症状存储有从实际的发病患者得到的各症状特有的睡眠数据的存储部，将由睡眠数据生成装置生成的被检者的睡眠数据与存储在存储部中的各症状的睡眠数据进行比较，来根据被检者的睡眠数据判定三种痴呆症风险。
发明内容
以往，关于痴呆症，已知在发病初期(不仅包括实际发病的状态，还包括怀疑发病的状态)，通过使运动量、饮酒量等生活习惯变得合理或实施适当的治疗，能够抑制该病症的发展。因此，希望在早期掌握痴呆症发病的可能性或发病后的发展程度。与此同时提出了一种用于掌握痴呆症的发病以及发展的风险(以下简称为“痴呆症风险”)的各种系统。
在根据上述的睡眠数据来判定痴呆症的风险的系统中，根据睡眠时的状态来推测用户的脑的功能，基于其推测结果来识别出痴呆症风险。因此，痴呆症风险的精度也受到该推测的精度的影响，因此存在难以恰当地识别痴呆症风险的问题。在单纯地呈现出痴呆症风险的有无的情况下存在以下问题：对于没有足够的知识的人来说，难以恰当地理解该痴呆症风险的内容。因此，谋求一种能够高精度地识别痴呆症风险并且能够以易于理解的形式来呈现的系统以及方法。
本发明的一个方式是一种系统，其具有：第一数据库，其将包含样本脑状态数据及样本认知力数据中的至少任一方的样本脑健康数据与个体特性建立关联，样本脑状态数据是与样本对象者的脑的状态有关的数据，样本认知力数据是与样本对象者的作为脑的功能的认知力有关的数据，个体特性包含样本对象者的年龄、性别以及身体信息中的至少一方；第一识别部，其识别包含用户脑状态数据和用户认知力数据中的至少任一方的用户脑健康数据，用户脑状态数据是与用户的脑的状态有关的数据，用户认知力数据是与用户的作为脑的功能的认知力有关的数据；第二识别部，其识别用户的个体特性即用户个体特性；以及风险呈现部，其呈现表示用户的从过去到现在的用户脑健康数据的推移的经年推移线以及与痴呆症有关的风险线，经年推移线是基于过去和现在的用户脑健康数据而得到的，风险线是基于与对应于用户个体特性的个体特性相关联的样本脑健康数据、参照该样本脑健康数据的与年龄相应的推移所决定的。
在该系统中，将包含与成为风险判定的对象的用户的脑状态有关的数据(用户脑状态数据)以及用户认知力数据中的至少任一方的用户脑健康数据(脑的健康状态的数据)同与样本对象者的同样的脑的健康状态有关的数据(样本脑健康数据)进行比较，来识别痴呆症风险，所述用户认知力数据是与用户的作为脑的功能的认知力有关的数据。与脑状态有关的数据是基于影响认知力的脑状态的定量参数这种直接的数据，而不是根据用户的脑波、动作等推测出的脑功能这种间接的数据，是与脑状态有关的数据这种直接的数据。获取认知力数据的认知力测试实现了作为痴呆症风险的判断基准的内容的充实，能够高精度地判断脑功能的状态。认知力测试的一例记载于本申请人已申请的日本特愿2018-33652中。因而，通过将包含这些数据中的任一方或双方的用户脑健康数据与样本脑健康数据进行比较，能够高精度地识别痴呆症风险。
并且，通过以将与年龄相应的线即经年推移线同风险线进行比较的形式来呈现痴呆症风险，用户等不仅能够掌握用户的痴呆症风险的大小，还能够同时掌握用户的痴呆症风险的倾向(是否恶化、是否改善、是否抑制了恶化等)。因此，即使在用户或管理用户的健康的人等(以下，在统称的情况下称为“用户等”)不具有足够的知识的情况下，也能够根据本系统所呈现的信息来直观地掌握痴呆症风险的大小。
风险呈现部也可以包括第一得分呈现部，所述第一得分呈现部呈现表示用户的痴呆症风险的得分或与得分相应的符号，所述得分或与得分相应的符号是基于用户脑健康数据同与对应于用户个体特性的个体特性相关联的样本脑健康数据的比较结果而得到的。通过将痴呆症风险呈现为得分或与得分相应的符号(以下称为“得分等”)，用户等能够进一步直观地掌握用户的痴呆症风险的大小。
该系统也可以还具有预测部，所述预测部基于经年推移线来预测经年预测线，所述经年预测线表示用户的从现在到将来的预测的用户脑健康数据的推移，风险呈现部包括预测呈现部，所述预测呈现部除了呈现经年推移线和风险线之外，还呈现经年预测线。通过以能够与风险线进行比较的方式呈现从现在到未来的痴呆症风险的推移的预测即经年预测线，用户等能够更加准确地掌握用户的痴呆症风险的倾向。
风险呈现部也可以包括第二得分呈现部，所述第二得分呈现部以与经年预测线一起或代替经年预测线的方式呈现表示用户的将来的痴呆症风险的得分或与得分相应的符号，所述得分或与得分相应的符号是基于经年预测线上的第一年龄的用户脑健康数据同与对应于对用户个体特性加入第一年龄所得到的个体特性的个体特性相关联的样本脑健康数据的比较结果而得到的。风险呈现部也可以与经年预测线分开地预想或预测用户的将来的第一年龄的用户脑健康数据，并呈现表示用户的将来的痴呆症风险的得分或与得分相应的符号，所述得分或与得分相应的符号是基于所预测出的该用户脑健康数据同与对应于对用户个体特性加入第一年龄所得到的个体特性的个体特性相关联的样本脑健康数据的比较结果而得到的。
在第一数据库中，也可以将样本脑健康数据与个体特性及生活特性建立关联，所述生活特性包括样本对象者的生活习惯和生活环境中的至少一方，另外，该系统也可以还具有第三识别部，所述第三识别部识别用户的生活特性即用户生活特性，预测部基于经年推移线、以及与对应于用户个体特性的个体特性、对应于用户生活特性的生活特性及年龄相关联的样本脑健康数据，来预测经年预测线。在识别经年预测线时，如果参照用户生活特性，则能够识别可靠性高的经年预测线(乃至痴呆症风险的倾向)。由此，用户等能够更加准确地掌握用户的痴呆症风险的倾向。
风险呈现部也可以包括第三得分呈现部，所述第三得分呈现部以与经年预测线一起或代替经年预测线的方式呈现表示用户的将来的痴呆症风险的得分或与得分相应的符号，所述得分或与得分相应的符号是基于经年预测线上的第一年龄的用户脑健康数据同与对应于对用户个体特性加入第一年龄所得到的个体特性的个体特性、及对应于用户生活特性的生活特性相关联的样本脑健康数据的比较结果而得到的。风险呈现部也可以与经年预测线分开地预测与由用户指定的或任意选择出的用户生活特性对应的用户脑健康数据，并呈现表示用户的将来的痴呆症风险的得分或与得分相应的符号，所述得分或与得分相应的符号是基于所预测出的该用户脑健康数据同与对应于用户生活特性的生活特性相关联的样本脑健康数据的比较结果而得到的。
也可以是，预测部包括比较预想部，所述比较预想部针对同一用户识别基于第一用户生活特性的第一经年预测线和基于第二用户生活特性的第二经年预测线，风险呈现部包括比较呈现部，所述比较呈现部以能够比较的方式并排地或连续地呈现第一经年预测线和第二经年预测线。用户等能够直观地掌握与生活特性的变动相应的经年预测线(乃至痴呆症风险)的变动。由此，用户等能够具体地掌握应该改善的生活特性，因此能够激励用户等改善生活特性。
风险呈现部也可以包括第四得分呈现部，所述第四得分呈现部呈现表示与第一经年预测线对应的用户的将来的痴呆症风险的第一得分以及表示与第二经年预测线对应的用户的将来的痴呆症风险的第二得分。基于各个经年预测线上的第一年龄的用户脑健康数据同与对应于对用户个体特性加入第一年龄所得到的个体特性的个体特性、及对应于各个用户生活特性的生活特性相关联的样本脑健康数据的比较结果，来计算各个得分。风险呈现部也可以与经年预测线分开地预测基于各个用户生活特性的用户的将来的痴呆症风险，并呈现表示这些风险的第一得分和第二得分。
样本脑状态数据和用户脑状态数据既可以包含表示脑的整体容量或脑的至少一个规定区域的容量的数据，也可以包含脑图像、脑血流、脑波，还可以包含其它的直接或间接地表示脑的状态的信息、例如血液生物标记物等信息。
本发明的另一方式是一种用于呈现痴呆症风险的方法。在该方法中使用能够参照第一数据库的系统，所述第一数据库将包含样本脑状态数据及样本认知力数据中的至少任一方的样本脑健康数据与个体特性建立关联，所述样本脑状态数据是与样本对象者的脑的状态有关的数据，所述样本认知力数据是与样本对象者的作为脑的功能的认知力有关的数据，所述个体特性包含所述样本对象者的年龄、性别以及身体信息中的至少一方，所述方法包括以下步骤。
1.识别包含用户脑状态数据和用户认知力数据中的至少任一方的用户脑健康数据，所述用户脑状态数据是与用户的脑的状态有关的数据，所述用户认知力数据是与用户的作为脑的功能的认知力有关的数据；
2.识别用户的个体特性即用户个体特性；以及
3.风险呈现步骤，通过表示用户的从过去到现在的用户脑健康数据的推移的经年推移线以及与痴呆症有关的风险线来呈现风险，所述经年推移线是基于过去和现在的用户脑健康数据而得到的，所述风险线是基于与对应于用户个体特性的个体特性相关联的样本脑健康数据、参照该样本脑健康数据的与年龄相应的推移所决定的。
该方法也可以还包括以下步骤：呈现表示用户的痴呆症风险的得分或与得分相应的符号，所述得分或与得分相应的符号是基于用户脑健康数据同与对应于用户个体特性的个体特性相关联的样本脑健康数据的比较结果而得到的。
该方法也可以还包括预测步骤，在所述预测步骤中，基于经年推移线来预测经年预测线，所述经年预测线表示用户的从现在到将来的预测的用户脑健康数据的推移，风险呈现步骤包括以下步骤：除了呈现经年推移线和风险线之外，还呈现经年预测线。另外，该方法也可以还包括以下步骤：以与经年预测线一起或代替经年预测线的方式呈现表示用户的将来的痴呆症风险的得分或与得分相应的符号，所述得分或与得分相应的符号是基于经年预测线上的第一年龄的用户脑健康数据同与对应于对用户个体特性加入第一年龄所得到的个体特性的个体特性相关联的样本脑健康数据的比较结果而得到的。
在第一数据库中，也可以将样本脑健康数据与个体特性及生活特性建立关联，所述生活特性包括样本对象者的生活习惯和生活环境中的至少一方。另外，也可以是，该方法还包括识别用户的生活特性即用户生活特性的步骤，预测步骤包括以下步骤：基于经年推移线、以及与对应于用户个体特性的个体特性、对应于用户生活特性的生活特性及年龄相关联的样本脑健康数据，来预测经年预测线。
另外，该方法也可以还包括以下步骤：以与经年预测线一起或代替经年预测线的方式呈现表示用户的将来的痴呆症风险的得分或与得分相应的符号，所述得分或与得分相应的符号是基于经年预测线上的第一年龄的用户脑健康数据同与对应于对用户个体特性加入第一年龄所得到的个体特性的个体特性、及对应于用户生活特性的生活特性相关联的样本脑健康数据的比较结果而得到的。该方法也可以与经年预测线分开地预想由用户指定的或任意选择出的第一年龄的用户脑健康数据，并呈现表示用户的将来的痴呆症风险的得分或与得分相应的符号，所述得分或与得分相应的符号是基于该用户脑健康数据同与对应于对用户个体特性加入第一年龄所得到的个体特性、及对应于用户生活特性的生活特性相关联的样本脑健康数据的比较结果而得到的。
也可以是，预测步骤包括以下步骤：针对同一用户预测基于第一用户生活特性的第一经年预测线和基于第二用户生活特性的第二经年预测线，风险呈现步骤包括以下步骤：以能够比较的方式并排地或连续地呈现第一经年预测线和第二经年预测线。该方法也可以包括以下步骤：呈现与第一经年预测线上的第一年龄对应的得分以及与第二经年预测线上的第一年龄对应的得分。该方法也可以呈现基于由用户指定的或任意的用户生活特性预测出的与痴呆风险有关的多个得分。
本发明的其它应对方案之一是具有用于使计算机作为上述系统进行工作的命令的程序(程序产品)。也可以将程序(程序产品)记录在任意的记录介质中来提供。
附图说明
图1是示出痴呆症风险的呈现系统的概要结构的图。
图2是示出从呈现系统提供的报告的一例的图。
图3是对在将痴呆症风险呈现为经年推移的情况下参照的脑状态数据进行标绘所得到的曲线图，纵轴表示海马部体积，横轴表示年龄。
图4是与图3同样地对脑状态数据进行标绘所得到的曲线图，一并示出95％CI的范围。
图5是包括具备估计宽度的经年预测线的输出的一例。
图6是示出变更了生活特性时的报告的显示内容的变动的一例，图6的(a)示出每天饮酒的情况，图6的(b)示出每周饮酒2-3天的情况。
图7是示出变更了生活特性时的报告的显示内容的变动的其它例，图7的(a)示出每天饮酒的情况，图7的(b)示出每周饮酒2-3天的情况。
图8是示出从呈现系统提供的报告的其它例的图。
图9是示出测定脑的健康状态的检查或测试的例子的图。
图10是继图9之后示出测定脑的健康状态的检查或测试的例子的图。
图11是示出呈现系统的动作的概要的流程图。
具体实施方式
图1示出了包括呈现痴呆症的风险的装置(系统)的系统的一例。该系统1包括：医院3，其包括MRI(Magnetic Resonance Imaging：磁共振成像)装置(MRI)3a；信息终端(个人计算机、平板终端)2，其进行与用户有关的各种信息的输入以及与痴呆症风险有关的报告50的输出(显示)；以及信息提供装置(痴呆症风险呈现装置、痴呆症风险呈现系统、呈现系统)10，其对经由因特网9从MRI 3a和平板2接收到的信息进行处理，并发送包含痴呆症风险及其它信息的报告50。在本例中，呈现系统10包括存储器、CPU等计算机资源，安装在能够经由因特网(云)9输入输出信息的服务器7中，但呈现系统10既可以与用户的信息终端2一体化，也可以通过有线或无线方式与信息终端2连接，呈现系统10既可以设置在医院3的内部，呈现系统10的各功能的一部分或全部也可以分散地安装在包括用户终端2的多个信息处理装置中。
MRI 3a获取与用户的脑状态有关的数据(用户脑状态数据)，并将该用户脑状态数据41发送到呈现系统10。获取用户脑状态数据41的装置不限于MRI 3a，只要是具备能够识别作为痴呆症风险的判断对象的用户的用户脑状态数据的结构的装置即可。例如，也可以是CT(Computed Tomography：计算机断层扫描)检查装置、超声波检查装置等，还可以是FDG、SPECT等测定脑功能(脑血流)的装置以及测定脑波、血液生物标记物等的装置，能够由这些装置测定的信息也可以包含在与脑状态有关的数据中。另外，作为与脑状态有关的数据，在不使用脑的形状、容量而使用脑内的规定的蛋白质的量的情况下，也可以使用PET(Positron Emission Tomography：正电子发射断层扫描)图像获取装置等。呈现系统10既可以使用从MRI 3a得到的脑状态数据41，也可以使用事先获得并存储到用户库18中的脑状态数据41。
以下，作为脑状态数据41，说明使用了海马部的容量(海马部体积)的值的例子，但脑状态数据41不限定于此。在此，“脑的状态”是指脑的整体的状态或者影响认知力的脑的区域(例如海马部、缘上回、角回、额上回、额中回、额下回、前扣带回皮质等)的状态。所谓“状态”，除了能够列举脑的整体或脑的规定区域的容量和形状之外，还能够列举脑内的规定的蛋白质(例如，淀粉样蛋白β等)的量等。脑状态数据(与脑状态有关的数据、与脑的状态有关的数据)41包含基于脑的状态的定量参数，例如包含上述的脑的状态本身(即，脑的整体或规定的区域的形状)、或者将脑的容量或大小进行数值化而得到的数据。脑状态数据41既可以是与单一的脑状态有关的数据，也可以是与多种脑状态有关的数据。具体地说，例如，脑状态数据41既可以包含海马部的量，也可以包含基于海马部的量和脑内的淀粉样蛋白β的量通过规定的计算式获得的值。
向呈现系统10输入与用户有关的信息并从呈现系统10接收包含用户的痴呆症风险的信息的报告50的平板2具备触摸面板2a(输入输出部)。针对来自呈现系统10的个体特性的查询42，经由触摸面板2a输入用户的个体特性43，针对生活特性的查询44，经由触摸面板2a输入用户的生活特性45，另外，经由触摸面板2a对个体特性43或生活特性45变更。另外，在触摸面板2a上呈现认知力测试的问题60，包含针对认知力测试的回答的认知力数据61被输入到呈现系统10。在触摸面板2a上还显示包含痴呆症风险的呈现的报告50。
用于输入输出这些信息的用户终端不限定于具有触摸面板2a的平板2。用户终端只要具备能够识别作为痴呆症风险的判断对象的用户的个体特性并能够呈现痴呆症风险的结构即可。例如，也可以不使用平板，而使用个人计算机、智能手机等。另外，也可以代替作为将输出部和输入部一体化的输入输出部的触摸面板，而采用独立的输出部和输入部。具体地说，作为输入部，可以采用键盘、麦克风等，作为输出部，可以采用显示器、扬声器、打印设备等。
另外，用户终端的输入部和输出部未必配置在同一装置中，也可以不配置在房间内等相互接近的位置。例如，也可以将作为用户终端的输出部的显示器、扬声器、打印设备等配置在医疗用工作站，该医疗用工作站设置在与设置有MRI装置等的场所不同的场所。
作为呈现系统10进行工作的服务器7包括存储器(数据存储部、数据存储区域)16和处理器(CPU)8，其中，该处理器(CPU)8通过被加载存储器16中存储的程序(程序产品)19来作为各种功能(功能单元、功能部)进行动作。存储器16包括数据库(第一数据库)17和用户库18，其中，该数据库(第一数据库)17包括样本脑健康数据17a，该样本脑健康数据17a包括样本脑状态数据17d和样本认知力数据17e中的至少任一方，该样本脑状态数据17d是与样本对象者的脑的状态有关的数据，该样本认知力数据17e是与样本对象者的作为脑的功能的认知力有关的数据，该用户库18存储有用户的脑健康数据(用户脑健康数据)18a。
数据库17还包括个体特性17b，且与个体特性17b相关联地存储有样本脑健康数据17a，该个体特性17b包括样本对象者的年龄、性别以及身体信息中的至少一方。数据库17还包括生活特性17c，且与生活特性17c相关联地存储有样本脑健康数据17a，该生活特性17c包括样本对象者的生活习惯和生活环境中的至少一方。
在此，“样本对象者”不仅包括患有痴呆症(包括轻度痴呆症)的人和怀疑患有痴呆症的人，还包括未患有痴呆症的健康者。个体特性17b包括年龄、性别以及身体信息中的至少一方。另外，个体特性17b中包括的“身体信息”是指能够定量地示出的身体的信息。具体地说，例如能够列举身高、体重、体脂率、BMI、胆固醇值等。
生活特性17c包括生活习惯和生活环境中的至少一方。“生活习惯”是指在生活中影响痴呆症风险的增减的习惯。具体地说，例如能够列举运动量、饮食量和种类、睡眠时间的长度和质量、通讯量和频率、趣味活动量和频率、饮酒量和频率、吸烟量和频率等。“生活环境”是指在生活中影响痴呆症风险的增减的环境。具体地说，例如能够列举住所(居住环境)、职业、学历、年收入、同居人的人数等。
在数据库17中，以与样本对象者的个体特性17b及生活特性17c相关联的形式存储有样本脑健康数据17a，该样本脑健康数据17a包含与样本对象者的脑的状态有关的数据(样本脑状态数据)17d以及与样本对象者的认知力测试的结果有关的数据(样本认知力数据)17e。在用户库18中，除了存储有最新(现在)的用户脑健康数据18a之外，还存储有过去获取到的用户脑健康数据18a，该用户脑健康数据18a包含与用户的脑状态有关的数据(用户脑状态数据)41以及与用户的认知力有关的数据(用户认知力数据)61。在用户库18中也可以存储有各用户的个体特性(用户个体特性)43和生活特性(用户生活特性)45。呈现系统10将与成为风险判定的对象的用户的脑的健康状态有关的数据(用户脑健康数据)18a同与样本对象者的脑状态有关的数据(样本脑状态数据)17a进行比较，来识别痴呆症风险。
在此，与脑状态有关的数据17a和41是基于影响认知力的脑状态的定量参数这种直接的数据。即，在该痴呆症风险呈现系统10中，不使用如以往的系统那样根据用户的脑波、动作等推测出的脑的功能这种间接的数据，而是使用与脑状态有关的数据这种直接的数据。由此，在该呈现系统10中，在痴呆症风险的识别中不会受到与脑的功能有关的推测精度的影响。其结果，根据该呈现系统10，与以往的系统相比能够高精度地识别痴呆症风险。
呈现系统10具有用于获取(识别)用户脑健康数据18a的第一识别部11，该用户脑健康数据18a包含用户脑状态数据41和用户认知力数据61中的至少任一方，其中，该用户脑状态数据41是与用户的脑的状态有关的数据，该用户认知力数据61是与用户的作为脑的功能的认知力有关的数据。第一识别部11包括获取用户脑状态数据41的输入部(输入功能、输入单元)14和获取用户认知力数据61的输入部(输入功能、输入单元)15。认知力数据输入部15向用户的终端2发送认知力测试60，根据其回答来识别用户认知力数据61。认知力数据输入部15不限定于来自终端2的直接的信息输入，也可以通过经由纸介质进行输入或经由医生、其他专家提供信息等，来间接地获取与用户有关的信息。在其它信息的识别(获取、输入)中也同样。
认知力测试60的一例是评价每五个认知力范畴的功能。认知力范畴包括短期记忆、作业记忆、执行功能、空间认知以及计算。短期记忆表示在短时间内保持所记忆的内容并想起来的能力，据说与脑的海马部有关。作业记忆是“记住电话号码，按下该号码的按钮打电话”之类的以不同形式操作所保持的记忆的能力，据说与脑的前额叶、侧头头顶部等有关。执行功能是料理的“过程”、“与状况相应的材料的变更”等维持并更新规则来控制行动或思考的能力，据说特别是与脑的前额叶有关。空间认知是瞬间掌握并理解图形和物体在空间中朝向哪个方向的能力，据说与脑的头顶叶有关。计算是进行四则运算的能力，据说与脑的各种区域有关，但特别是与脑的侧头头顶部有关。
认知力数据输入部15进行认知力测试60，获取这些认知力范畴各自的评价来作为用户认知力数据61。认知力数据61能够作为通过对每个认知力范畴的评价进行如后述那样的统计处理来高精度地判断脑的功能的指标。
呈现系统10还包括：第二识别部(个体特性输入部、第二输入单元)12，其识别(获取)用户的个体特性即用户个体特性43；以及第三识别部(生活特性输入部，第三输入单元)13，其识别(获取)用户的生活特性即用户生活特性45。个体特性输入部12也可以向用户终端2发送与个体特性有关的问诊表(调查表)42，根据针对该问诊表42的回答来识别各用户的个体特性43。在预先制作了与用户有关的电子病历等的情况下，个体特性输入部12也可以基于该电子病历等的记载来识别用户个体特性43。
生活特性输入部13也可以向用户终端2发送与生活特性有关的问诊表(调查表)44，根据针对该问诊表44的回答来识别各用户的生活特性45。在预先制作了与用户有关的电子病历等的情况下，生活特性输入部13也可以基于该电子病历等的记载来识别用户生活特性45。
呈现系统10还包括：识别预测部(预测部、预测功能、预测单元)20，其识别各用户当前患痴呆症的风险并预想将来的风险；以及风险呈现部(风险呈现功能、风险呈现单元)30，其向用户呈现包含痴呆症的风险的信息。识别预测部20包括识别现状的风险的现状风险识别部21、预测将来的风险的预测部22以及将风险变换为得分的得分计算部23。
现状风险识别部21识别表示用户的从过去到现在的用户脑健康数据18a的推移的经年推移线以及与痴呆症有关的风险线，并经由风险呈现部30输出到用户终端2，所述经年推移线是基于过去和现在的用户脑健康数据18a而得到的，所述风险线是基于与对应于用户个体特性43的个体特性17b相关联的样本脑健康数据17a、参照该样本脑健康数据17a的与年龄相应的推移所决定的。
现状风险识别部21从数据库17获取与对应于用户个体特性43的个体特性17b相关联的样本脑状态数据17d以及样本认知力数据17e。之后，进行该样本脑状态数据17d与用户脑状态数据41的比较以及该样本认知力数据17e与用户认知力数据61的比较。然后，可以基于它们的比较结果来识别用户的痴呆症风险。如上所述，样本脑状态数据17d和用户脑状态数据41不限定于海马部，也可以是脑的整体容量或脑的至少一个规定区域的容量。
预测部22基于经年推移线来预测表示用户的从现在到将来的预测的用户脑健康数据的推移的经年预测线，除了能够经由风险呈现部30呈现经年推移线和风险线之外，还能够经由风险呈现部30呈现经年预测线。得分计算部23能够基于现状或将来的预测出的用户脑健康数据18a同与对应于用户个体特性43的个体特性17b相关联的样本脑健康数据17a的比较结果，来求出表示用户的痴呆症风险的得分或与得分相应的符号，并经由风险呈现部30进行呈现。
风险呈现部30包括：图表显示部31，其对经年推移线、经年预测线、风险线等进行图表或图形显示；以及得分呈现部32，其显示所求出的得分。图表显示部31包括：预测呈现部31a，其进行包括经年预测线在内的预测显示；以及比较呈现部31b，其显示对改变了生活特性后的多个情况进行仿真所得到的结果。得分呈现部32包括：第一得分呈现部32a，其显示现状的风险的得分(包括所对应的符号等)；第二得分呈现部32b，其显示预测出的风险的得分等；第三得分呈现部32c，其显示包含生活特性地预测出的风险的得分等；以及第四得分呈现部32d，其显示对改变生活特性后的情况进行仿真所得到的风险的得分等。
图2示出由呈现系统10向用户提供的报告50的一例。该报告50既可以是在进行了痴呆症风险的判断时在用户终端2中呈现的画面或数字数据，也可以是音频文件，还可以是经由用户终端2或不经由用户终端2而通过邮寄等向用户提供的印刷物、册子等。报告50包括脑图像显示区域59、经年推移显示区域51、得分显示区域57以及生活特性显示区域58，在各区域中呈现与痴呆症风险或用户生活特性有关的信息。
具体地说，在脑图像显示区域59中显示由MRI 3a获取到的用户脑状态数据41中包含的用户的脑的图像。在经年推移显示区域51中，经由呈现部30显示曲线图(图表)，来作为由风险识别预测部20识别出的痴呆症风险。该曲线图示出样本脑状态数据与用户脑状态数据的比较结果。在该曲线图中包括经年推移线52、经年预测线53以及风险线54。
在得分显示区域57中，显示用A～D以及F的字母示出的综合风险判定所涉及的等级55、用数字示出的脑年龄56a以及长期预测所涉及的符号即箭头56b，来作为由风险识别预测部20识别出的痴呆症风险。另外，在得分显示区域57中显示与等级55有关的图例56c。根据基于样本脑状态数据17d与用户脑状态数据41的比较结果以及样本认知力数据17e与用户认知力数据61的比较结果而得到的得分，来确定该等级55的值、脑年龄56a的值以及箭头56b的斜率。等级A表示脑功能高，等级B表示脑功能是标准的，等级C表示脑功能下降，等级D表示应该注意脑功能的下降。等级F表示已经由于脑功能的下降而开始治疗。
在生活特性显示区域58中显示用户生活特性45。该用户生活特性45反映经由触摸面板2a变更后的结果。
此外，通过这样的显示形式来呈现痴呆症风险的方法只是一例。即，通过呈现系统10呈现痴呆症风险的方法不限定于这样的结构，只要是呈现用户的脑健康数据18a同与用户的个体特性和/或生活特性相关联的样本脑健康数据17a的比较结果的方法即可。例如，也可以适当变更画面(报告)50的布局。另外，也可以仅进行与曲线图或得分有关的显示。另外，也可以仅显示与得分有关的显示中的等级、脑年龄以及箭头中的任一个或两个。也可以以与上述显示完全不同的形式进行呈现，例如也可以使用户的脑的图像以及具有与用户相同的个体特性且处于理想的健康状态的样本对象者的脑的图像并排显示。另外，也可以通过声音来呈现结果。
进一步说明经年推移显示区域51中的显示内容。在该报告50中，在经年推移显示区域51中显示纵轴为海马部体积、横轴为年龄的曲线图，来作为痴呆症风险。该曲线图包括经年推移线52、经年预测线53以及风险线54。经年推移线52表示用户的从过去到现在的用户脑状态数据41的推移。经年预测线53表示用户的从现在到将来的预测的用户脑状态数据41的推移。风险线54用于表示用户等应该警戒的痴呆症风险的程度，将曲线图中的区域分割为基准范围54a和需要注意区域54b。
用户等将经年推移线52的斜率及经年预测线53的斜率与风险线54的斜率进行对比，或者参照经年推移线52的位置和经年预测线53的位置(具体地说，是处于基准范围54a的范围内还是处于需要注意区域54b的范围内)，来掌握用户的痴呆症风险的大小、痴呆症风险的倾向。
在制作经年推移线52和经年预测线53的处理时，首先，用户脑状态识别部14识别用户的现在和过去的脑状态数据41。具体地说，用户脑状态识别部14根据在过去(在本实施方式中为用户41岁时)和现在(痴呆症风险判断时(在本实施方式中为用户45岁时))使用MRI 3a获取到的用户的脑的剖面图像，使用规定的算法来计算海马部体积。作为规定的算法，可以使用以下技术：基于使用神经网络生成的图像的经年的生成模型来预测海马部体积。为了进一步提高精度，也可以加入与生活所见的相关性高的生物标记物数据信息。
风险识别预测部20的现状风险识别部21基于用户脑状态识别部14所识别出的用户脑状态41，来识别与用户的脑的状态有关的经年推移线52。
具体地说，如图3所示，首先，现状风险识别部21在纵轴为海马部体积、横轴为年龄的曲线图上标绘用户过去(41岁)的海马部体积和用户现在(45岁)的海马部体积。之后，风险识别部21通过用线段将它们进行连接来生成经年推移线52。风险识别部21基于用户个体特性43，从数据库17获取与对应于该用户个体特性43的个体特性17b相关联的样本脑状态数据17d。
用户的一例具有男性这种个体特性43。风险识别部21获取关联有男性这种个体特性17b的样本脑状态数据(即，海马部体积)17d。接着，风险识别部21参照基于个体特性识别出的样本脑状态数据17d的与年龄相应的推移，来决定风险线54。
图3的纵轴为海马部体积，横轴为年龄，且标绘了根据个体特性17b提取出的样本脑状态数据17d。图3中的黑圆和白圆表示一个一个的样本脑状态数据17d，白圆表示属于饮酒量多的组的样本脑状态数据17d，黑圆表示其它样本脑状态数据17d。在图中，用实线示出了表示包括饮酒量多的组在内的所提取出的样本脑状态数据17d的海马部体积的平均的第一平均线66，用虚线示出了表示只有饮酒量多的组的样本脑状态数据17d的海马部体积的平均的第二平均线67。这样的统计处理既可以事先进行，也可以由风险识别部21进行。
风险识别部21在比第一平均线66靠下方的位置处生成用虚线表示的风险线54。具体地说，生成基于比第一平均线66的各值x1低2σ(“σ”表示每个年龄的海马部体积(样本脑状态数据)的标准偏差。)的值(x1-2σ)的线(表示下位2.3％的线)，并将该线识别为风险线54。
此外，本发明的风险线54的识别方法不限定于这样的方法，只要是基于与对应于用户个体特性的个体特性相关联的样本脑状态数据17d、参照该样本脑状态数据的与年龄相应的推移来决定的方法即可。例如，在与本实施方式同样地用户个体特性为男性的情况下，也可以不基于关联有男性这种个体特性的所有样本脑状态数据17d，而基于这些样本脑状态数据17d中的与对应于用户生活特性45的生活特性17c相关联的样本脑状态数据17d的平均线来确定风险线54。具体地说，也可以基于第二平均线67来确定风险线54，该第二平均线67是只有饮酒量多的组的倾向线。
另外，例如也可以不将基于相对于平均线的各值为(-2σ)的值的线设为风险线54，而将平均线本身设为风险线54。另外，也可以使用不同的值(例如，相对于平均线的各值为(-3σ)的值)生成风险线54。另外，也可以不基于像这样统计出的数据来生成风险线54，而单纯参照数据的位次等生成风险线54。具体地说，例如也可以以与对应于用户个体特性的个体特性相关联的样本脑状态数据17d中的规定位次的数据(例如，下位3位以内的数据)为基准，来生成风险线54。
接着，风险识别预测部20的预测部22基于经年推移线52，来预测(计算)表示用户的从现在到将来的预测的用户脑健康数据的推移的经年预测线53。预测部22包括以下功能：基于经年推移线52、以及与对应于用户个体特性43的个体特性17b、对应于用户生活特性45的生活特性17c及年龄相关联的样本脑健康数据17a，来预测经年预测线53。
预测部22基于用户生活特性45，根据与对应于该用户生活特性45的生活特性17c相关联的样本脑状态数据17d、在本例中为用户的饮酒量多这种个体特性的样本脑状态数据(白圆)17d的第二平均线67，来生成经年预测线53。具体地说，预测部22参照从作为用户脑状态数据41的基准的年龄(在本实施方式中为最新的时间点的年龄即45岁)起直到规定年龄(在本实施方式中为50岁)为止的第二平均线67的推移，以作为经年推移线52的基准的年龄为起点，来生成追溯与第二平均线67的推移同样的推移的线，来作为经年预测线53。
此外，在本实施方式中，在识别经年预测线53时，参照了用户生活特性45。这是为了识别可靠性高的经年预测线(乃至痴呆症风险的倾向)。然而，本发明的经年预测线的识别方法不限定于这样的方法，只要是基于经年推移线52进行识别的方法即可。例如，也可以识别经年推移线52的斜率，使用该斜率生成经年预测线53并进行识别。另外，只要是基于与对应于用户生活特性45的生活特性17c相关联的样本脑状态数据17d、参照该样本脑状态数据17d的与年龄相应的推移来决定的方法即可。例如，不仅可以参照与仅一个生活特性17c有关的样本脑状态数据17d，而且可以参照与两个以上的生活特性17c有关的样本脑状态数据17d。
在与年龄z的不确定数量的多个样本对象者相关地用以下的式(1)表示由“样本脑状态数据”、“样本认知力数据”及“用户个人特性”这三个因子中的至少一个因子构成的评价用因子x的回归式、并且与年龄z的不确定数量的多个样本对象者中的具有规定的生活特性(例如有饮酒习惯)的样本对象者相关地用以下的式(2)表示评价用因子x的回归式的情况下，基于此次时间点t的评价用因子xt，按照以下的式(3)来预测下次时间点t+1(t表示5年、10年等离散的时间。)的评价用因子xt+1。
x＝β0+β1z(β0、β1是回归系数)···(1)
x’＝β0’+β1’z(β0’、β1’是回归系数)···(2)
xt+1＝xt+{具有IF生活特性的THEN(xt+1’-xt’)ELSE(xt+1-xt)}
···(3)
风险呈现部30的进行图表显示的预测呈现部31a在报告50的经年推移显示区域51中以能够比较的方式并排地显示经年推移线52、经年预测线53以及风险线54。预测呈现部31a也可以以包括表示样本脑状态数据17d的标绘点、第一平均线66以及第二平均线67的方式进行显示，但为了使用户等容易观察而将它们删除。预测呈现部31a也可以对风险线54的上侧的基准范围54a和下侧的需要注意区域54b附加不同的颜色。另外，预测呈现部31a在曲线图的横轴上标绘作为经年推移线52和经年预测线53的基准的年龄(在本实施方式中为41岁、45岁、50岁)。
在本实施方式中，经年预测线53处于风险线54的上侧意味着用以下的式(4)表示的评价用因子x的累积密度函数cdf(x|μ，σ)在未来时间点t+1的值cdf(xt+1|μt+1，σt+1)大于2σ。
cdf(x|μ，σ)＝(1/2){1+erf(x-μ)/(2σ2)1/2})
(erf是误差函数)…(4)
预测部22也可以用表示概率高的区域的估计宽度53w来示出经年预测线53。如图4所示，第一平均线66和第二平均线67包含误差，分别通过线66a和67a示出95％CI(Confidence Interval，置信区间)。也可以是，预测部22针对各用户的经过最终时间点t，以未来的时间点t+1的相同年龄的第二平均线67的估计宽度来求出经年预测线53的估计宽度53w，预测呈现部31a将该估计宽度53w显示在经年推移显示区域51中。
图5示出了使用估计宽度53w表示经年预测线53的不同的例子。在该例中示出以下内容：在未来的时间点t+1，痴呆症风险的估计宽度53w暗示了有可能低于从pre-MCI(轻度痴呆症(Mild Cognitive Impairment)的前阶段)到MCI为止的风险线54，在概率上可能存在达到AD(Alzheimer's Disease，阿尔茨海默型痴呆症)的风险性。
这样，在呈现系统10中，以同作为与年龄相应的线的经年推移线52、经年预测线53及风险线54进行比较的形式来呈现出痴呆症风险。由此，用户等不仅能够掌握用户的痴呆症风险的大小，还能够同时掌握用户的痴呆症风险的倾向(是否恶化、是否改善、是否抑制了恶化等)。
呈现系统10的预测部22还包括比较预想部22a，该比较预想部22a针对同一用户识别基于第一用户生活特性45的第一经年预测线53和基于第二用户生活特性45的第二经年预测线53a。在由用户等变更了用户生活特性45的情况下，与痴呆症风险有关的显示内容也根据该变更内容发生变动。因此，呈现系统10包括比较预想部22a和比较呈现部31b，其中，该比较预想部22a对改变了用户生活特性45后的结果进行仿真，该比较呈现部31b以能够比较的方式并排或连续地呈现其结果。
图6示出了变更用户生活特性45后经年预测线53发生了变化的两种报告50。在图6的(a)所示的报告50中，生活特性显示区域58中的饮酒量的内容被设定为“每天”，在图6的(b)所示的报告50中，生活特性显示区域58中的饮酒量的内容被变更为“每周2～3次”。其结果，在图6的(b)所示的报告50中示出以下情况：经年推移显示区域51中显示的经年预测线53a与图6的(a)的报告50中示出的经年预测线53相比靠上侧且具有离开风险线54的斜率，痴呆症的风险降低。
在比较预想部22a中，当用户生活特性45的饮酒量的内容从“每天”变更为“每周2～3次”时，从在图3中提取出的样本脑状态数据17d中提取饮酒量少的样本并求出新的平均线(第三平均线，未图示)，基于该平均线，通过与经年预测线53同样的处理来生成新的经年预测线53a。比较呈现部31b既可以将以前的条件的第一经年预测线53和下一个条件的第二经年预测线53a呈现为不同的报告50，也可以以能够参照的方式在报告50的内部并排地呈现第一经年预测线53和第二经年预测线53a。比较呈现部31b也可以以能够比较的方式连续地显示第一经年预测线53和第二经年预测线53a。具体地说，也可以在经过规定时间后不显示第一经年预测线53，之后在用户等掌握着第一经年预测线53的大致形状的时间内显示第二经年预测线53a。
比较预想部22a和比较呈现部31b也可以使用户生活特性45的条件改变任意次而不限于改变两次，来求出经年预测线53并进行呈现。通过该功能，用户等能够使用呈现系统10直观地掌握与生活特性45的变动相应的痴呆症风险的变动。由此，用户等能够具体地掌握应该改善的生活特性，因此能够激励用户等改善生活特性。
该呈现系统10的风险识别预测部20包括将痴呆症风险换算成得分的得分计算部23，风险呈现部30包括基于得分来呈现痴呆症风险的得分呈现部32。得分计算部23将用户脑状态数据41及用户认知力数据61与基于用户个体特性43和用户生活特性45识别出的样本脑状态数据17d及样本认知力数据17e进行比较，基于其比较结果来分配得分，并且决定基于该得分的等级、脑年龄及所对应的符号。
例如，也可以将之前用式(4)示出的样本脑状态数据17d等的评价用因子x的累积密度函数cdf(x丨μ，σ)的本次时间点t的值cdf(xt丨μt，σt)定义为得分S。也可以根据该得分S包含在多个数值范围(例如0.0＜S≤0.25、0.25＜S≤0.50、0.50＜S≤0.75、0.75＜S≤1.0这四个数值范围)的各个数值范围中的哪一个数值范围来决定等级55。另外，得分计算部23也可以包括功能23a，该功能23a通过参照将得分S的各种值或多个数值范围的各个数值范围与多个脑年龄的各个脑年龄建立关联所得到的表格，来决定脑年龄56a。
另外，得分计算部23也可以包括功能23b，该功能23b基于评价用因子x的累积密度函数cdf(x丨μ，σ)的未来时间点t+1的值cdf(xt+1丨μt+1，σt+1)相对于该本次时间点t的值cdf(xt丨μt，σt)的偏差，来决定与得分对应的符号56b。在该偏差为正值或者为规定的正值以上的情况下，存在风险降低的可能性，在该偏差为负值或者为规定的负值以下的情况下，存在风险上升的可能性，在该偏差为0或者其大小小于规定的正值且大于规定的负值的情况下，判定为风险没有变化。然后，根据风险的“有可能降低”、“有可能上升”以及“无变化”的区别，来决定与得分S对应的符号56b。
决定符号的功能23b也可以包括以下功能：基于评价用因子x的未来时间点t+1的值cdf(xt+1丨μt+1，σt+1)是与总体的(-2σ，(表示下位2.3％的阈值))等价的0.023以上还是比0.023小，来决定与得分S对应的长期预测的符号56b。
此外，作为得分的计算方法，不限定于如上述的使用了累积密度函数的方法那样利用参数的模型化的方法。例如，也可以是利用了非参数的位次的方法。具体地说，也可以使用利用了平均等级、中位秩、近似等的各种分位数的计算方法。
呈现系统10的得分呈现部32在平板2的触摸面板2a或报告50中显示(输出)基于得分决定的等级55、脑年龄56a、箭头56b以及与等级有关的图例56c。这样，在呈现系统10中，将痴呆症风险呈现为得分或与得分相应的符号。由此，用户等能够直观地掌握用户的痴呆症风险的大小。
得分计算部23也可以除了包括计算现在的痴呆症风险的得分并经由第一得分呈现部32a显示的功能之外，还包括计算用户的将来、例如一年后的痴呆症风险的得分的功能23c。计算将来的得分的功能23c也可以基于经年预测线53上的第一年龄的用户脑健康数据18a同与对应于对用户个体特性43加入第一年龄所得到的个体特性17b的个体特性相关联的样本脑健康数据17a的比较结果，求出表示用户的将来的痴呆症风险的得分，并通过第二得分呈现部32b以与经年预测线53一起或代替经年预测线53的方式输出所计算出的得分或与得分相应的符号。
计算将来的得分的功能23c也可以基于经年预测线53上的第一年龄的用户脑健康数据18a同与对应于对用户个体特性43加入第一年龄所得到的个体特性的个体特性17b、及对应于用户生活特性45的生活特性17c相关联的样本脑健康数据17a的比较结果，求出表示用户的将来的痴呆症风险的得分，并通过第三得分呈现部32c以与经年预测线53一起或者代替经年预测线53的方式输出所计算出的得分或与得分相应的符号。计算将来的得分的功能23c也可以包括以下功能：代替经年预测线53上的用户脑健康数据18a，而基于由用户指定的或任意选择出的用户脑健康数据18a来计算得分。
计算将来的得分的功能23c也可以包括使用户生活特性45变更并确认得分如何变化的仿真功能23d。该功能23d基于反映了第一用户生活特性45的第一经年预测线53上的第一年龄的用户脑健康数据18a同与对应于对用户个体特性43加入第一年龄所得到的个体特性的个体特性17b、及对应于第一用户生活特性45的生活特性17c相关联的样本脑健康数据17a的比较结果，来计算表示用户的将来的痴呆症风险的第一得分。并且，该功能23d根据基于第二用户生活特性45的第二经年预测线53a上的第一年龄的用户脑健康数据18a同与对应于对用户个体特性加入第一年龄所得到的个体特性43的个体特性17b、及对应于第二用户生活特性45的生活特性17c相关联的样本脑健康数据17a的比较结果，来计算表示用户的将来的痴呆症风险的第二得分。第四得分呈现部32d也可以以与经年预测线一起或者代替经年预测线的方式输出第一得分和第二得分、或者与它们相应的符号。在由用户等变更了用户生活特性的情况下，与痴呆症风险有关的显示内容也根据该变更内容发生变动。
在图7的(a)所示的报告50中，生活特性显示区域58中的饮酒量的内容为“每天”，在图7的(b)所示的报告50中，饮酒量的内容被变更为“每周2～3次”。在这些报告50中，用得分来显示将来的某个时间点、例如一年后的痴呆症风险，通过将饮酒量的内容从“每天”变更为“每周2～3次”，经年预测线53改变，作为比较对象的样本脑健康数据17a从“饮酒量多的组”替换为“饮酒量少的组”。在该情况下，综合风险判定55从“B”替换为“A”，脑年龄56a变得年轻，长期预测符号56b也变为平坦的方向。
这样，在呈现系统10中，能够根据用户生活特性45的变更，将将来的痴呆症风险输出为得分或等级等。因此，用户等能够直观地掌握与生活特性的变动相应的痴呆症风险的变动。由此，用户等能够具体地掌握应该改善的生活特性，因此能够激励用户等改善生活特性。
图8示出了表示痴呆症风险的不同类型的报告的例子。与上述同样地，从呈现系统10的风险呈现部30输出该报告50。报告50除了包括得分显示区域57和用户脑状态数据41的经年推移显示区域51之外，还包括用户认知力数据61的解析结果显示区域75和用户认知力数据61的经年推移显示区域71。得分显示区域57除了包括等级55和脑年龄56a之外，还包含CQ得分(Cognitive Quotient Score：认知商数得分)76的显示。CQ得分76是根据各认知功能测试得到的综合的个人认知力和脑功能的得分，如果将平均值设定为100、将标准偏差设定为15，则成为与IQ(智力指数)及其它认知力测试的得分具有兼容性的标度。CQ得分(cq)76通过以下的式(5)来求出。
Figure BDA0002924114130000231
Figure BDA0002924114130000232
变量xi是认知力测试60的各范畴的评价结果，在该报告50中是短期记忆、作业记忆、执行功能、空间认知、计算的各功能的测试结果。认知力测试60中包括的测试项目(范畴)不限定于这些，既可以是顺背、倒背、计算、斯特鲁测试、心理旋转(Mental Rotation)的组合，也可以是其它测试项目的组合。在式(5)中，将针对各测试项目(范畴)的得分进行正态分布的标准化(z)之后进行求和所得到的得分设为综合得分(cq、CQ得分)76。
在该报告50中，使用式(4)所示的累积密度函数来求出相同年龄的累积密度函数cdf(cq丨μ，σ)77，根据包括所计算出的CQ得分76的数值范围来求出等级55。例如在假定了平均值为100、标准偏差为15的正态分布时，将偏差值(标准分数)超过了110的“Above”的区域设定为等级A，将偏差值为80-110的“平均和低平均”的区域设定为等级B，将偏差值为70-79的“低”的区域设定为等级C，将偏差值小于70的“非常低”的区域设定为等级D。
此外，认知力测试不限定于这些测试，也可以按照图9和图10所列的测定脑的健康状态(包括认知功能的状态以及脑疾病及精神疾病的有无及程度)的检查或测试以及其它相同形式的检查或测试来评价得分。
在报告50的解析结果显示区域75中包括雷达图78，该雷达图78表示认知力测试60的各项目(短期记忆、作业记忆、执行功能、空间认知、计算)的结果以及相同年龄的标准。在用户认知力数据61的经年推移显示区域71中示出用户认知力数据61的各项目(短期记忆、作业记忆、执行功能、空间认知、计算)的经年推移线72a～72e以及作为风险线的相同年龄段的标准线74a～74e。
在报告50的经年推移显示区域51中，除了示出用户脑状态数据41的经年推移线52和风险线54之外，还基于用户个体特性43示出相同年龄段的平均推移线65。根据这些显示，用户通过观察报告50，能够明确地掌握痴呆症的风险以及脑的健康状态的经过。
在图11中使用流程图来示出上述呈现系统10的处理的概要。在步骤101中，由第一识别部11识别(获取)包含用户脑状态数据41和用户认知力数据61中的至少任一方的用户脑健康数据18a，该用户脑状态数据41是与用户的脑的状态有关的数据，该用户认知力数据61是与用户的作为脑的功能的认知力有关的数据。在步骤102中，由第二识别部(个体特性输入部)12识别(获取)用户的个体特性即用户个体特性43。在步骤103中，呈现系统10判断是否请求了预测处理，如果没有请求预测处理，则在步骤104中，风险呈现部30通过表示用户的从过去到现在的用户脑健康数据18a的推移的经年推移线52以及与痴呆症有关的风险线54，来呈现风险，所述经年推移线52是基于过去和现在的用户脑健康数据18a而得到的，风险线54是基于与对应于用户个体特性43的个体特性17b相关联的样本脑健康数据17a、参照样本脑健康数据的与年龄相应的推移所决定的。
在步骤105中，风险呈现部30还呈现表示用户的痴呆症风险的得分55或与得分相应的符号，得分55或与得分相应的符号是基于用户脑健康数据18a同与对应于用户个体特性43的个体特性17b相关联的样本脑健康数据17a的比较结果而得到的。进而，在步骤106中，风险呈现部30制作包括这些信息的报告50并提供给用户。该阶段的报告50是不包括经年预测线的报告。
如果在步骤103中请求预测处理，则在步骤107中，呈现系统10进一步判断是否输入用户生活特性。如果输入了用户生活特性45，则在步骤108中由第三识别部(生活特性输入部)13识别(获取)用户的生活特性即用户生活特性45。在步骤109中，风险识别预测部20的预测部22基于经年推移线52、以及与对应于用户个体特性43的个体特性17b、对应于用户生活特性45的生活特性17c及年龄相关联的样本脑健康数据17a，来预测(计算)经年预测线53。在步骤108没有输入用户生活特性45的情况下，在步骤109中，预测部22基于经年推移线52以及与个体特性17b相关联的样本脑健康数据17a，来生成经年预测线53。
在步骤110中，风险呈现部30除了呈现经年推移线52和风险线54之外，还呈现经年预测线53。在步骤111中，得分计算部23基于经年预测线53上的第一年龄的用户脑健康数据18a同与对应于对用户个体特性43加入第一年龄所得到的个体特性的个体特性17b、及对应于用户生活特性45的生活特性17c相关联的样本脑健康数据17a的比较结果，来计算表示用户的将来的痴呆症风险的得分55，风险呈现部30以与经年预测线53一起或代替经年预测线53的方式呈现得分55或与得分相应的符号。在步骤108中没有输入用户生活特性45的情况下，在步骤110中，得分计算部23基于与个体特性17b相关联的样本脑健康数据17a来计算得分55。
在步骤112，呈现系统10判断是否提供了不同的(下一个)用户生活特性45。在提供了不同的用户生活特性45的情况下，返回到步骤108，获取不同的生活特性(第二用户生活特性)45，进行与上述同样的处理。在步骤109中，预测与第二用户生活特性45有关的第二经年预测线53a，在步骤110中，以能够比较的方式并排或连续地呈现与上次的生活特性(第一用户生活特性)45有关的第一经年预测线53以及与第二用户生活特性45有关的第二经年预测线53a。在步骤111中，计算与第二用户生活特性45有关的第二经年预测线53a上的第二得分55，以与经年预测线53和53a一起、或者代替经年预测线53和53a的方式将第二得分55以能够同与第一用户生活特性45有关的第一经年预测线53上的第一得分55比较的状态呈现。
如果在步骤112中没有输入下一个用户生活特性，则在步骤113中判断是否正在执行多个预测，如果没有执行多个预测，则在步骤114中，风险呈现部30制作包括经年推移线52、经年预测线53、风险线54以及得分55等的报告50并提供给用户。如果生成了多个经年预测线53，则在步骤115中，风险呈现部30制作包括进行仿真得到的多个经年预测线53以及多个得分55等的报告50并提供给用户。
此外，在本实施方式中，在进行与痴呆症风险有关的得分分配时，参照用户生活特性，使用了脑状态数据和认知力数据。这是为了识别可靠性的得分(乃至痴呆症风险)。然而，本发明的得分分配方法不限定于这样的方法，只要基于用户脑状态数据同与对应于用户个体特性的个体特性相关联的样本脑状态数据的比较结果来进行得分分配即可。例如，也可以不参照生活特性，也可以不使用认知力数据而仅使用脑状态数据。
另外，也可以如图2所示的报告50那样，与得分显示区域57一起设置经年推移显示区域51，在该经年推移显示区域51中显示基于脑状态数据的痴呆症风险等情况下，仅参照认知力数据求出显示在得分显示区域57中的得分55等。
如以上所说明的那样，在呈现系统10中，将与成为风险判定的对象的用户的脑状态有关的数据(用户脑状态数据)同包含与样本对象者的脑状态有关的数据(样本脑状态数据)的脑健康数据进行比较，来识别痴呆症风险。与脑状态有关的数据是基于影响认知力的脑状态的定量参数这种直接的数据。即，在该痴呆症风险呈现系统10中，能够不使用如以往的系统那样根据用户的脑波、动作等推测出的脑功能这种间接的数据，而使用与脑状态有关的数据这种直接的数据。
由此，在该呈现系统10中，在痴呆症风险的识别中受到与脑功能有关的推测精度的影响的情况少。其结果，根据该呈现系统10，与以往的系统相比能够高精度地识别痴呆症风险。
另外，在该呈现系统10中，能够将识别出的痴呆症风险以用户脑状态数据与样本脑状态数据的比较结果的形式呈现给用户等。由此，根据该呈现系统10，即使在用户等不具有足够的知识的情况下，也能够直观地掌握痴呆症风险的大小。另外，呈现系统10能够以将与年龄相应的线即经年推移线同风险线进行比较的形式来呈现痴呆症风险。因此，用户等不仅能够掌握用户的痴呆症风险的大小，还能够同时掌握用户的痴呆症风险的倾向(是否恶化、是否改善、是否抑制了恶化等)。另外，能够以与风险线进行比较的方式来呈现从现在到未来的痴呆症风险的推移的预测线即经年预测线，用户等能够更准确地掌握用户的痴呆症风险的倾向。
另外，呈现系统10在识别经年预测线时，能够参照一个或多个用户生活特性，用户等能够识别可靠性高的经年预测线(乃至痴呆症风险的倾向)，并且更准确地掌握用户的痴呆症风险的倾向。进而，通过以能够比较的形式呈现与多个用户生活特性相关的经年预测线，用户等能够直观地掌握与生活特性的变动相应的经年预测线(乃至痴呆症风险)的变动。由此，用户等能够具体地掌握应该改善的生活特性，因此能够激励用户等改善生活特性。
并且，呈现系统10能够将痴呆症风险呈现为得分等。用户等在识别得分等时，如果参照用户生活特性，则能够识别可靠性高的得分等(乃至痴呆症风险)。由此，用户等能够更准确地掌握用户的痴呆症风险的倾向。另外，由于用户等能够具体地掌握应该改善的生活特性，因此能够激励用户等改善生活特性。
上述公开了一种痴呆症风险呈现系统，用于呈现用户的痴呆症风险，其特征在于，具备：数据存储部，其将样本脑状态数据与个体特性建立关联来进行存储，所述样本脑状态数据是与样本对象者的脑的状态有关的数据，所述个体特性包含所述样本对象者的年龄、性别及身体信息中的至少一方；用户脑状态识别部，其识别用户脑状态数据，所述用户脑状态数据是与所述用户的脑的状态有关的数据；用户个体特性识别部，其识别所述用户的个体特性即用户个体特性；风险识别部，其将所述用户脑状态数据同与对应于所述用户个体特性的所述个体特性相关联的所述样本脑状态数据进行比较；以及风险呈现部，其呈现由所述风险识别部得到的比较结果。也可以是，所述样本脑状态数据和所述用户脑状态数据是示出脑的整体容量或脑的至少一个规定区域的容量的数据，所述风险识别部识别基于过去的所述用户脑状态数据和现在的所述用户脑状态数据而得到的、表示所述用户的从过去到现在的所述用户脑状态数据的推移的经年推移线，所述风险识别部识别基于与对应于所述用户个体特性的所述个体特性相关联的所述样本脑状态数据、参照该样本脑状态数据的与年龄相应的推移所决定的风险线，所述风险呈现部以能够比较的方式并排地呈现所述经年推移线和所述风险线。
也可以是，所述风险识别部识别所述经年推移线和所述风险线，并且基于所述经年推移线来识别表示所述用户的从现在到将来的预测的所述用户脑状态数据的推移的经年预测线，所述风险呈现部以能够比较的方式并排地呈现所述经年推移线、所述经年预测线以及所述风险线。也可以是，系统具备用户生活特性识别部，该用户生活特性识别部识别用户生活特性，该用户生活特性是包括所述用户的生活习惯和生活环境中的至少一方的生活特性，所述数据存储部将所述样本脑状态数据与所述个体特性及所述样本对象者的所述生活特性建立关联来进行存储，所述风险识别部基于与对应于所述用户生活特性的所述生活特性相关联的所述样本脑状态数据来识别表示该样本脑状态数据的与年龄相应的推移的倾向线，基于所述倾向线和所述经年推移线来识别所述经年预测线。也可以是，在所述用户生活特性被变更的情况下，所述风险识别部基于变更后的所述用户生活特性再次识别所述经年预测线，所述风险呈现部将基于变更前的所述用户生活特性识别出的所述经年预测线和基于变更后的所述用户生活特性识别出的所述经年预测线以能够比较的方式并排地呈现或者以能够比较的方式连续地呈现。
也可以是，所述风险识别部基于所述用户脑状态数据同与对应于所述用户个体特性的所述个体特性相关联的所述样本脑状态数据的比较结果，将所述用户的所述痴呆症风险识别为得分，所述风险呈现部呈现所述得分或与所述得分相应的符号。也可以是，系统具备用户生活特性识别部，该用户生活特性识别部识别所述用户的生活特性即用户生活特性，所述数据存储部将所述样本脑状态数据与所述个体特性及包含所述样本对象者的生活习惯和生活环境中的至少一方的生活特性建立关联来进行存储，所述风险识别部基于所述用户脑状态数据同与对应于所述用户个体特性的所述个体特性相关联的所述样本脑状态数据、及与对应于所述用户生活特性的所述生活特性相关联的所述样本脑状态数据的比较结果，将所述用户的所述痴呆症风险识别为得分。
也可以是，系统具备用户生活特性识别部，该用户生活特性识别部识别所述用户的生活特性即用户生活特性，所述数据存储部将所述样本脑状态数据与所述个体特性及包含所述样本对象者的生活习惯和生活环境中的至少一方的生活特性建立关联来进行存储，在所述用户生活特性被变更的情况下，所述风险识别部基于变更后的所述用户生活特性再次识别所述得分，所述风险呈现部将基于变更前的所述用户生活特性识别出的所述得分或与所述得分相应的符号以及基于变更后的所述用户生活特性识别出的所述得分或与所述得分相应的符号以能够比较的方式并排地呈现或者以能够比较的方式连续地呈现。
上述公开了一种痴呆症风险呈现方法，用于呈现用户的痴呆症风险，其特征在于，包括以下步骤：数据存储部将样本脑状态数据与个体特性建立关联来进行存储，所述样本脑状态数据是与样本对象者的脑的状态有关的数据，所述个体特性包含所述样本对象者的年龄、性别及身体信息中的至少一方；用户脑状态识别部识别用户脑状态数据，所述用户脑状态数据是与所述用户的脑的状态有关的数据；用户个体特性识别部识别所述用户的个体特性即用户个体特性；风险识别部将所述用户脑状态数据同与对应于所述用户个体特性的所述个体特性相关联的所述样本脑状态数据进行比较；以及风险呈现部呈现由所述风险识别部得到的比较结果。
以上，对图示的实施方式进行了说明，但本发明不限于这样的方式。例如，在上述实施方式的呈现系统中，作为与脑状态有关的数据，使用海马部的容量(海马部体积)的值。另外，在痴呆症风险的判断时，除了参照用户个体特性之外，还参照用户生活特性。然而，本发明的痴呆症风险呈现系统并不限定于这样的结构，只要是基于个体特性进行脑状态数据的比较来判断痴呆症风险的系统即可。例如，既可以代替海马部的容量而使用与脑整体或其它区域有关的值，也可以不参照生活特性。另外，关于其它的本领域技术人员能够想到的变更，按照权利要求书示出的范围，包含在本发明的范围内。

Claims (18)

1.一种系统，具有：
第一数据库，其将包含样本脑状态数据及样本认知力数据中的至少任一方的样本脑健康数据与个体特性建立关联，所述样本脑状态数据是与样本对象者的脑的状态有关的数据，所述样本认知力数据是与所述样本对象者的作为脑的功能的认知力有关的数据，所述个体特性包含所述样本对象者的年龄、性别以及身体信息中的至少一方；
第一识别部，其识别包含用户脑状态数据和用户认知力数据中的至少任一方的用户脑健康数据，所述用户脑状态数据是与用户的脑的状态有关的数据，所述用户认知力数据是与所述用户的作为脑的功能的认知力有关的数据；
第二识别部，其识别所述用户的个体特性即用户个体特性；以及
风险呈现部，其呈现表示所述用户的从过去到现在的所述用户脑健康数据的推移的经年推移线以及与痴呆症有关的风险线，所述经年推移线是基于过去和现在的所述用户脑健康数据而得到的，所述风险线是基于与对应于所述用户个体特性的所述个体特性相关联的所述样本脑健康数据、参照该样本脑健康数据的与年龄相应的推移所决定的。
2.根据权利要求1所述的系统，其特征在于，
所述风险呈现部包括第一得分呈现部，所述第一得分呈现部呈现表示所述用户的痴呆症风险的得分或与所述得分相应的符号，所述得分或与所述得分相应的符号是基于所述用户脑健康数据同与对应于所述用户个体特性的所述个体特性相关联的所述样本脑健康数据的比较结果而得到的。
3.根据权利要求1或2所述的系统，其特征在于，
还具有预测部，所述预测部基于所述经年推移线来预测经年预测线，所述经年预测线表示所述用户的从现在到将来的预测的所述用户脑健康数据的推移，
所述风险呈现部包括预测呈现部，所述预测呈现部除了呈现所述经年推移线和所述风险线之外，还呈现所述经年预测线。
4.根据权利要求3所述的系统，其特征在于，
所述风险呈现部包括第二得分呈现部，所述第二得分呈现部以与所述经年预测线一起或代替所述经年预测线的方式呈现表示所述用户的将来的痴呆症风险的得分或与所述得分相应的符号，所述得分或与所述得分相应的符号是基于所述经年预测线上的第一年龄的所述用户脑健康数据同与对应于对所述用户个体特性加入所述第一年龄所得到的个体特性的所述个体特性相关联的所述样本脑健康数据的比较结果而得到的。
5.根据权利要求3或4所述的系统，其特征在于，
在所述第一数据库中，将所述样本脑健康数据与所述个体特性及生活特性建立关联，所述生活特性包括所述样本对象者的生活习惯和生活环境中的至少一方，
所述系统还具有第三识别部，所述第三识别部识别所述用户的生活特性即用户生活特性，
所述预测部基于所述经年推移线、以及与对应于所述用户个体特性的所述个体特性、对应于所述用户生活特性的所述生活特性及年龄相关联的所述样本脑健康数据，来预测所述经年预测线。
6.根据权利要求5所述的系统，其特征在于，
所述风险呈现部包括第三得分呈现部，所述第三得分呈现部以与所述经年预测线一起或代替所述经年预测线的方式呈现表示所述用户的将来的痴呆症风险的得分或与所述得分相应的符号，所述得分或与所述得分相应的符号是基于所述经年预测线上的第一年龄的所述用户脑健康数据同与对应于对所述用户个体特性加入所述第一年龄所得到的个体特性的所述个体特性、及对应于所述用户生活特性的所述生活特性相关联的所述样本脑健康数据的比较结果而得到的。
7.根据权利要求5或6所述的系统，其特征在于，
所述预测部包括比较预想部，所述比较预想部针对同一用户识别基于第一所述用户生活特性的第一所述经年预测线和基于第二所述用户生活特性的第二所述经年预测线，
所述风险呈现部包括比较呈现部，所述比较呈现部以能够比较的方式并排地或连续地呈现所述第一经年预测线和所述第二经年预测线。
8.根据权利要求7所述的系统，其特征在于，
所述风险呈现部包括第四得分呈现部，所述第四得分呈现部以与所述第一经年预测线及所述第二经年预测线一起、或者代替所述第一经年预测线及所述第二经年预测线的方式呈现：
表示所述用户的将来的痴呆症风险的第一得分或与所述第一得分相应的符号，所述第一得分或与所述第一得分相应的符号是基于所述第一经年预测线上的第一年龄的所述用户脑健康数据同与对应于对所述用户个体特性加入所述第一年龄所得到的个体特性的所述个体特性、及对应于所述第一用户生活特性的所述生活特性相关联的所述样本脑健康数据的比较结果而得到的；以及
表示所述用户的将来的痴呆症风险的第二得分或与所述第二得分相应的符号，所述第二得分或与所述第二得分相应的符号是基于所述第二经年预测线上的第一年龄的所述用户脑健康数据同与对应于对所述用户个体特性加入所述第一年龄所得到的个体特性的所述个体特性、及对应于所述第二用户生活特性的所述生活特性相关联的所述样本脑健康数据的比较结果而得到的。
9.根据权利要求1至8中的任一项所述的系统，其特征在于，
所述样本脑状态数据和所述用户脑状态数据包含表示脑的整体容量、脑的至少一个规定区域的容量、脑图像、脑波以及脑血流中的至少任一方的数据。
10.一种方法，用于使用能够参照第一数据库的系统来呈现痴呆症的风险，所述第一数据库将包含样本脑状态数据及样本认知力数据中的至少任一方的样本脑健康数据与个体特性建立关联，所述样本脑状态数据是与样本对象者的脑的状态有关的数据，所述样本认知力数据是与所述样本对象者的作为脑的功能的认知力有关的数据，所述个体特性包含所述样本对象者的年龄、性别以及身体信息中的至少一方，所述方法包括以下步骤：
识别包含用户脑状态数据和用户认知力数据中的至少任一方的用户脑健康数据，所述用户脑状态数据是与用户的脑的状态有关的数据，所述用户认知力数据是与所述用户的作为脑的功能的认知力有关的数据；
识别所述用户的个体特性即用户个体特性；以及
风险呈现步骤，通过表示所述用户的从过去到现在的所述用户脑健康数据的推移的经年推移线以及与痴呆症有关的风险线来呈现风险，所述经年推移线是基于过去和现在的所述用户脑健康数据而得到的，所述风险线是基于与对应于所述用户个体特性的所述个体特性相关联的所述样本脑健康数据、参照该样本脑健康数据的与年龄相应的推移所决定的。
11.根据权利要求10所述的方法，其特征在于，
还包括以下步骤：呈现表示所述用户的痴呆症风险的得分或与所述得分相应的符号，所述得分或与所述得分相应的符号是基于所述用户脑健康数据同与对应于所述用户个体特性的所述个体特性相关联的所述样本脑健康数据的比较结果而得到的。
12.根据权利要求10或11所述的方法，其特征在于，
还包括预测步骤，在所述预测步骤中，基于所述经年推移线来预测经年预测线，所述经年预测线表示所述用户的从现在到将来的预测的所述用户脑健康数据的推移，
所述风险呈现步骤包括以下步骤：除了呈现所述经年推移线和所述风险线之外，还呈现所述经年预测线。
13.根据权利要求12所述的方法，其特征在于，
还包括以下步骤：以与所述经年预测线一起或代替所述经年预测线的方式呈现表示所述用户的将来的痴呆症风险的得分或与所述得分相应的符号，所述得分或与所述得分相应的符号是基于所述经年预测线上的第一年龄的所述用户脑健康数据同与对应于对所述用户个体特性加入所述第一年龄所得到的个体特性的所述个体特性相关联的所述样本脑健康数据的比较结果而得到的。
14.根据权利要求12或13所述的方法，其特征在于，
在所述第一数据库中，将所述样本脑健康数据与所述个体特性及生活特性相关联，所述生活特性包括所述样本对象者的生活习惯和生活环境中的至少一方，
该方法还包括识别所述用户的生活特性即用户生活特性的步骤，
所述预测步骤包括以下步骤：基于所述经年推移线、以及与对应于所述用户个体特性的所述个体特性、对应于所述用户生活特性的所述生活特性及年龄相关联的所述样本脑健康数据，来预测所述经年预测线。
15.根据权利要求14所述的方法，其特征在于，
还包括以下步骤：以与所述经年预测线一起或代替所述经年预测线的方式呈现表示所述用户的将来的痴呆症风险的得分或与所述得分相应的符号，所述得分或与所述得分相应的符号是基于所述经年预测线上的第一年龄的所述用户脑健康数据同与对应于对所述用户个体特性加入所述第一年龄所得到的个体特性的所述个体特性、及对应于所述用户生活特性的所述生活特性相关联的所述样本脑健康数据的比较结果而得到的。
16.根据权利要求14或15所述的方法，其特征在于，
所述预测步骤包括以下步骤：针对同一用户预测基于第一所述用户生活特性的第一所述经年预测线和基于第二所述用户生活特性的第二所述经年预测线，
所述风险呈现步骤包括以下步骤：以能够比较的方式并排或连续地呈现所述第一经年预测线和所述第二经年预测线。
17.根据权利要求16所述的方法，其特征在于，还包括以下步骤：
以与所述第一经年预测线及所述第二经年预测线一起、或者代替所述第一经年预测线及所述第二经年预测线的方式呈现：
表示所述用户的将来的痴呆症风险的第一得分或与所述第一得分相应的符号，所述第一得分或与所述第一得分相应的符号是基于所述第一经年预测线上的第一年龄的所述用户脑健康数据同与对应于对所述用户个体特性加入所述第一年龄所得到的个体特性的所述个体特性、及对应于所述第一用户生活特性的所述生活特性相关联的所述样本脑健康数据的比较结果而得到的；以及
表示所述用户的将来的痴呆症风险的第二得分或与所述第二得分相应的符号，所述第二得分或与所述第二得分相应的符号是基于所述第二经年预测线上的第一年龄的所述用户脑健康数据同与对应于对所述用户个体特性加入所述第一年龄所得到的个体特性的所述个体特性、及对应于所述第二用户生活特性的所述生活特性相关联的所述样本脑健康数据的比较结果而得到的。
18.一种程序，具有用于使计算机作为根据权利要求1至9中的任一项所述的系统进行工作的命令。
CN201980050854.1A 2018-07-31 2019-07-31 痴呆症风险的呈现系统以及方法 Pending CN112512417A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018143199A JP6644335B2 (ja) 2018-07-31 2018-07-31 認知症リスク提示システム、及び、認知症リスク提示方法
JP2018-143199 2018-07-31
PCT/JP2019/030056 WO2020027213A1 (ja) 2018-07-31 2019-07-31 認知症リスクの提示システムおよび方法

Publications (1)

Publication Number Publication Date
CN112512417A true CN112512417A (zh) 2021-03-16

Family

ID=69230829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980050854.1A Pending CN112512417A (zh) 2018-07-31 2019-07-31 痴呆症风险的呈现系统以及方法

Country Status (6)

Country Link
US (1) US20210296001A1 (zh)
EP (1) EP3831290A4 (zh)
JP (1) JP6644335B2 (zh)
CN (1) CN112512417A (zh)
IL (1) IL280428B (zh)
WO (1) WO2020027213A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7568423B2 (ja) * 2019-05-10 2024-10-16 キヤノンメディカルシステムズ株式会社 診断支援装置
JP2022117356A (ja) * 2021-01-29 2022-08-10 株式会社リコー 脳機能評価システム、方法およびプログラム
WO2023053462A1 (ja) * 2021-10-01 2023-04-06 株式会社CogSmart 認知症予防支援装置、認知症予防支援プログラムおよび認知症予防支援方法
US12053288B2 (en) * 2022-04-22 2024-08-06 NeuroGeneces Inc. Sensing system with features for determining and predicting brain age and other electrophysiological metrics of a subject
CN115295124B (zh) * 2022-09-30 2023-01-20 北京智精灵科技有限公司 一种多模态的认知提升方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020059031A1 (en) * 2000-11-13 2002-05-16 Tokai University Educational System Dementia test apparatus, dementia test server, dementia test client and dementia test system
CN101843524A (zh) * 2009-03-26 2010-09-29 奥林巴斯株式会社 生活习惯病预防装置以及生活习惯病预防方法
JP2013165765A (ja) * 2012-02-14 2013-08-29 Toshiba Corp 画像診断支援装置及び画像診断支援方法
US20170206654A1 (en) * 2016-01-14 2017-07-20 Toshiba Medical Systems Corporation Image processing apparatus, image processing method, and computer program product
KR20180002234A (ko) * 2016-06-29 2018-01-08 원시스템주식회사 치매 조기 진단을 위한 스마트 검사장치 및 그 방법

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4739746B2 (ja) * 2004-12-27 2011-08-03 株式会社ディー・ディー・エス 肌評価方法及び肌評価装置
JP2010256471A (ja) * 2009-04-22 2010-11-11 Aiphone Co Ltd フォーカス調整装置
WO2011040473A1 (ja) * 2009-09-29 2011-04-07 大日本印刷株式会社 医用画像処理方法、装置およびプログラム
JP5641629B1 (ja) * 2013-10-31 2014-12-17 株式会社アラヤ・ブレイン・イメージング 個人特性予測システム、個人特性予測方法及びプログラム
JP6411111B2 (ja) 2014-07-24 2018-10-24 タイオー株式会社 認知症リスク判定システム
US20160051178A1 (en) * 2014-08-20 2016-02-25 Virginia Institute of Neuropsychiatry System and method for calculating brain volume
US20200321129A1 (en) * 2016-05-23 2020-10-08 Nec Solution Innovators, Ltd. Health condition prediction apparatus, health condition prediction method, and computer-readable recording medium
JP6893081B2 (ja) 2016-08-31 2021-06-23 クリナップ株式会社 開口部構造および微細気泡発生装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020059031A1 (en) * 2000-11-13 2002-05-16 Tokai University Educational System Dementia test apparatus, dementia test server, dementia test client and dementia test system
CN101843524A (zh) * 2009-03-26 2010-09-29 奥林巴斯株式会社 生活习惯病预防装置以及生活习惯病预防方法
JP2013165765A (ja) * 2012-02-14 2013-08-29 Toshiba Corp 画像診断支援装置及び画像診断支援方法
US20170206654A1 (en) * 2016-01-14 2017-07-20 Toshiba Medical Systems Corporation Image processing apparatus, image processing method, and computer program product
KR20180002234A (ko) * 2016-06-29 2018-01-08 원시스템주식회사 치매 조기 진단을 위한 스마트 검사장치 및 그 방법

Also Published As

Publication number Publication date
US20210296001A1 (en) 2021-09-23
JP6644335B2 (ja) 2020-02-12
EP3831290A1 (en) 2021-06-09
EP3831290A4 (en) 2022-04-20
JP2020018424A (ja) 2020-02-06
IL280428A (en) 2021-03-01
WO2020027213A1 (ja) 2020-02-06
IL280428B (en) 2021-07-29

Similar Documents

Publication Publication Date Title
JP6679017B1 (ja) 認知症リスクの提示システムおよび方法
CN112512417A (zh) 痴呆症风险的呈现系统以及方法
CN108784655B (zh) 针对医疗患者的快速评估和后果分析
US11081213B2 (en) Personalizing patient pathways based on individual preferences, lifestyle regime, and preferences on outcome parameters to assist decision making
US20220172841A1 (en) Methods of identifying individuals at risk of developing a specific chronic disease
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
JP7466914B2 (ja) 健康度ポジショニングマップおよび健康関数を作成する方法、システム、およびプログラム、ならびにそれらの使用方法
US11529105B2 (en) Digital twin updating
JP2017519303A (ja) 患者及び臨床医を支援するために、共有される、患者中心の意思決定サポートツールを用いるシステム及び方法
Yu et al. Joint modeling for cognitive trajectory and risk of dementia in the presence of death
US20200203020A1 (en) Digital twin of a person
Wu et al. MLE and Bayesian inference of age-dependent sensitivity and transition probability in periodic screening
JP7173482B2 (ja) ヘルスケアデータ分析システム、ヘルスケアデータ分析方法およびヘルスケアデータ分析プログラム
JP2009205464A (ja) 医療情報処理装置、医療情報処理方法、及び医療情報処理プログラム
Wang et al. Analysis of survey on menstrual disorder among teenagers using Gaussian copula model with graphical lasso prior
Cabitza et al. Who wants accurate models? arguing for a different metrics to take classification models seriously
JP7485512B2 (ja) 医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム
CN112598090A (zh) 健康画像的方法、装置、设备和系统
Hubbard et al. A semiparametric censoring bias model for estimating the cumulative risk of a false-positive screening test under dependent censoring
US8666766B2 (en) System and methods for simulating future medical episodes
EP3886107A1 (en) Document creation device, method and program
Cho et al. Investigation of influential factors of predicting individuals' use and non-use of fitness and diet apps on smartphones: application of the machine learning algorithm (XGBoost)
Maria et al. Obesity Risk Prediction Using Machine Learning Approach
Johnson et al. Effects of simplifying choice tasks on estimates of taste heterogeneity in stated-choice surveys
JP4499542B2 (ja) 医療情報処理装置、および、プログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40045648

Country of ref document: HK