CN114287013A - 检查值预测装置、检查值预测系统、检查值预测方法以及程序 - Google Patents
检查值预测装置、检查值预测系统、检查值预测方法以及程序 Download PDFInfo
- Publication number
- CN114287013A CN114287013A CN202080060900.9A CN202080060900A CN114287013A CN 114287013 A CN114287013 A CN 114287013A CN 202080060900 A CN202080060900 A CN 202080060900A CN 114287013 A CN114287013 A CN 114287013A
- Authority
- CN
- China
- Prior art keywords
- prediction
- value
- user
- check value
- check
- 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
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- 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
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
实施方式的检查值预测装置具有预测部与逆向预测部。预测部通过学习对象用户对于使用包含同一用户的多个检查值的系列数据的第一学习用数据集而进行学习后的第一学习完毕模型输入用户的检查值来预测所述用户的将来的检查值。逆向预测部在被指定了与所述用户的将来的检查值相关的目标值的情况下,对将何种检查值输入到所述第一学习完毕模型时会输出所述指定的所述目标值进行逆向预测。
Description
技术领域
本发明的实施方式涉及检查值预测装置、检查值预测系统、检查值预测方法以及程序。
本申请基于2019年9月25日提出申请的日本部特愿2019-173968号主张优先权,此处引用其内容。
背景技术
以往,已知有如下技术:将每个人的健康诊断的检查值的时间序列数据用作学习用数据来生成检查值的预测模型,向生成的预测模型输入用户的健康诊断的检查值,从而预测用户的将来的检查值。
然而,在以往的技术中,存在用于改善用户的生活习惯的信息提供不充分的情况。
在先技术文献
专利文献
专利文献1:国际公开第2017/204233号
发明内容
发明将要解决的课题
本发明将要解决的课题在于提供能够进行用于改善用户的生活习惯的信息提供的检查值预测装置、检查值预测系统、检查值预测方法以及程序。
用于解决课题的手段
实施方式的检查值预测装置具有预测部与逆向预测部。预测部通过对于第一学习完毕模型输入用户的检查值来预测所述用户的将来的检查值,所述第一学习完毕模型是使用包含同一用户的多个检查值的系列数据的第一学习用数据集而进行学习后的模型。逆向预测部在被指定了与所述用户的将来的检查值相关的目标值的情况下,对将何种检查值输入到所述第一学习完毕模型时会输出所述指定的所述目标值进行逆向预测。
附图说明
图1是表示第一实施方式的检查值预测装置的一个例子的图。
图2是表示预测部以及逆向预测部的构成的一个例子的图。
图3是表示第一数据表的内容的一个例子的图。
图4是表示预测处理的图。
图5是表示第二数据表的内容的一个例子的图。
图6是表示收费管理表的内容的一个例子的图。
图7是表示逆向预测处理的图。
图8是表示改善检查值的逆向预测处理的一个例子的图。
图9是表示改善检查值的逆向预测处理的另一个例子的图。
图10是表示改善检查值的列表显示的一个例子的图。
图11是表示改善检查值的排序显示的一个例子的图。
图12是表示检查值预测处理的一个例子的流程图。
图13是表示检查值逆向预测处理的一个例子的流程图。
图14是表示服务器装置的动作的图。
图15是表示改善检查值的逆向预测处理的一个例子的图。
图16是表示检查值逆向预测处理的一个例子的流程图。
具体实施方式
以下,参照附图对实施方式的检查值预测装置、检查值预测系统、检查值预测方法以及程序进行说明。
检查值预测装置由一个以上的处理器实现。检查值预测装置通过将预测对象用户所就诊的健康诊断的检查值向预测模型输入来预测用户的将来的检查值。预测模型例如是使用包含同一用户的多个检查值的系列数据的第一学习用数据集来学习的模型。另外,检查值预测装置在将对预测对象用户所就诊的健康诊断的检查值进行改善后的值输入到预测模型的情况下,预测用户的将来的检查值如何变化。另外,检查值预测装置在由预测对象用户指定了与将来的检查值相关的目标值的情况下,对将何种检查值输入到预测模型时会输出所指定的目标值进行逆向预测。以下说明的各种检查值涉及一个以上的检查项目。
(第一实施方式)
[整体构成]
图1是以作为第一实施方式的检查值预测装置的一个例子的服务器装置200为中心的构成图。服务器装置200在预测对象用户向客户端装置100输入了开始检查值的预测处理的意图的指示的情况下,从客户端装置100接收该指示而开始预测对象用户的检查值的预测处理。另外,服务器装置200在预测对象用户向客户端装置100输入了开始检查值的逆向预测处理的意图的指示的情况下,从客户端装置100接收该指示而开始预测对象用户的检查值的逆向预测处理。
[客户端装置]
客户端装置100例如是预测对象用户所持有的终端装置。客户端装置100例如具备通信部110、输入部120、显示部130以及处理部140。
通信部110包含NIC(Network Interface Card,网络接口卡)等通信接口、或者无线通信模块。通信部110经由网络与服务器装置200进行通信。网络包含因特网、通信线路、蜂窝网、Wi-Fi网络等。
输入部120例如是按钮、键盘、鼠标等用户接口。输入部120受理预测对象用户的操作。预测对象用户的操作中例如包含输入预测对象用户的当前的检查值的操作以及对预测预测对象用户的将来的检查值时所使用的预测的种类进行指定的操作。输入部120也可以是与显示部130构成为一体的触摸面板。
显示部130例如包含LCD(Liquid Crystal Display,液晶显示屏)、有机EL显示器等显示装置。显示部130例如对表示由服务器装置200执行的预测对象用户的检查值的预测结果的图像进行显示。
处理部140例如具备状态管理部142、初始预测部144、改善预测部146以及改善逆向预测部148。这些构成要素例如通过由CPU等硬件处理器执行程序(软件)来实现。程序是从浏览器、服务器装置200等提供的应用程序、或者浏览器下载的网页所附带的脚本等。这些构成要素中的一部分或者全部可以由LSI、ASIC、FPGA、GPU等硬件(电路部;包含circuitry)实现,也可以通过软件与硬件的协作实现。
状态管理部142管理预测对象用户通过输入部120指定的检查值的预测的种类。预测的种类例如包含初始预测、改善预测以及改善逆向预测。初始预测是预测对象用户在最初阶段进行的将来的检查值的预测。改善预测是以当前的检查值已改善为前提进行的将来的检查值的预测。改善逆向预测是为了使将来的检查值与目标值一致所需的当前的检查值的预测。
初始预测部144在预测对象用户通过输入部120指定的预测的种类为初始预测的情况下,使用通信部110向服务器装置200发送包含输入到输入部120的预测对象用户的检查值且用于基于来自状态管理部142的指示请求初始预测的信息。
改善预测部146在预测对象用户通过输入部120指定的预测的种类为改善预测的情况下,使用通信部110向服务器装置200发送包含输入到输入部120的预测对象用户的检查值且用于基于来自状态管理部142的指示请求改善预测的信息。
改善逆向预测部148在预测对象用户通过输入部120指定的预测的种类为改善逆向预测的情况下,使用通信部110向服务器装置200发送包含输入到输入部120的预测对象用户的检查值且用于基于来自状态管理部142的指示请求改善逆向预测的信息。
[服务器装置]
服务器装置200例如根据来自客户端装置100的请求进行预测对象用户的检查值的预测处理或者逆向预测处理。服务器装置200具有作为网络服务器、应用服务器的功能。服务器装置200例如具备通信部210、处理部220以及存储部230。
通信部210包含NIC(Network Interface Card)等通信接口。通信部210经由网络与客户端装置100进行通信。通信部210例如在从客户端装置100接收到请求初始预测、改善预测、或者改善逆向预测的信息的情况下,向处理部220输出接收到的信息。
处理部220例如具备预测部222与逆向预测部224。这些构成要素例如通过由CPU等硬件处理器执行程序(软件)来实现。这些构成要素中的一部分或者全部可以由LSI、ASIC、FPGA、GPU等硬件(电路部;包含circuitry)实现,也可以通过软件与硬件的协作实现。程序可以预先储存于HDD、闪存等存储装置(具备非暂时性的存储介质的存储装置),也可以储存于DVD、CD-ROM等能够装卸的存储介质(非暂时性的存储介质),通过将存储介质安装于驱动装置来安装。
预测部222在从客户端装置100接收到请求初始预测或者改善预测的信息的情况下,进行检查值的初始预测或者改善预测。在该情况下,预测部222通过向预测模型222M输入从客户端装置100接收到的预测对象用户的检查值,对预测对象用户的将来的检查值进行预测。
逆向预测部224在从客户端装置100接收到对改善逆向预测进行请求的信息的情况下,进行检查值的改善逆向预测。在该情况下,逆向预测部224对将何种检查值输入到预测模型222M时会输出由预测对象用户指定的目标值进行逆向预测。
存储部230例如通过HDD、闪存、RAM(Random Access Memory)等实现。存储部230例如储存第一数据表232、第二数据表234以及收费管理表236。第一数据表232是将预测对象用户与检查值相互建立了对应的数据表。第二数据表234是在预测部222对预测对象用户的将来的检查值进行预测的情况下向预测模型222M输入的检查值与从预测模型222M输出的检查值被相互建立了对应的数据表。收费管理表236是将由预测对象用户执行的预测处理或者逆向预测处理的历史记录与按照每个预测处理的种类对预测对象用户请求的收费内容被相互建立了对应的数据表。
图2是表示预测部222以及逆向预测部224的构成的一个例子的图。预测部222例如具备检查值取得部222A、检查值预测部222B、收费管理部222C以及预测结果输出部222D。
检查值取得部222A从客户端装置100取得学习对象用户输入到客户端装置100的检查值。检查值取得部222A将取得的检查值登记于第一数据表232。检查值取得部222A例如与学习对象用户取得到检查值的年度建立对应地从客户端装置100取得检查值,将取得的检查值与学习对象用户的用户ID建立对应地登记于第一数据表232。在本实施方式中,作为一个例子,检查值取得部222A按每个年度从客户端装置100取得检查值,但也可以按每个检查日从客户端装置100取得检查值。
图3是表示第一数据表232的内容的一个例子的图。第一数据表232例如将每个年度的检查值与用户ID建立了对应。第一数据表232例如在用户在一个年度内多次对健康诊断进行就诊的情况下,也可以将多个检查值与一个年度建立对应。检查值作为检查项目,例如包含最高血压、最低血压、体重、HbA1c、中性脂肪。HbA1c是用于评价糖尿病的疾病风险的指标的一个例子,并且是用于预测利用预测用户的异常的检查项目的一个例子。
检查值预测部222B使用第一数据表232所含的每个年度的检查值学习预测模型222M。预测模型222M是“第一学习完毕模型”的一个例子。检查值预测部222B例如使用与同一用户ID建立了对应的多个检查值进行机器学习,从而学习预测模型222M。检查值预测部222B例如进行将每个年度的检查值中的相对较早的年度(第一时刻)取得的第一检查值作为学习数据、将相对较晚的年度(第二时刻)取得的第二检查值作为正确数据(训练数据)的机器学习,从而学习预测模型222M。将第一检查值与第二检查值建立了对应的数据集是“第一学习数据集”的一个例子。检查值预测部222B也可以取得由其他装置进行了学习处理的预测模型222M。然后,检查值预测部222B通过将由检查值取得部222A取得的当前的检查值向预测模型222M输入,从而预测将来的检查值。
在图4所示的例子中,检查值预测部222B通过进行在学习阶段将输入检查值以及年度的组合作为学习数据、将预测检查值作为正确数据(训练数据)的机器学习,从而学习预测模型222M。输入检查值作为检查项目,例如包含最高血压、最低血压、体重。预测检查值作为检查项目,例如包含HbA1c。
检查值预测部222B通过在执行阶段将由检查值取得部222A取得的当前的检查值向预测模型222M输入,预测将来的检查值。当前的检查值作为检查项目,例如包含最高血压、最低血压、体重。将来的检查值作为检查项目,例如包含HbA1c。检查值预测部222B将使用预测模型222M预测的预测检查值与成为预测源的输入检查值建立对应地登记于第二数据表234。
图5是表示第二数据表234的内容的一个例子的图。在该图所示的例子中,第二数据表234将输入检查值和预测检查值与用户ID建立了对应。输入检查值作为检查项目,例如包含最高血压、最低血压、体重。预测检查值作为检查项目,例如包含HbA1c、中性脂肪。
收费管理部222C基于检查值预测部222B进行的处理的历史记录,决定对预测对象用户请求的收费内容。收费管理部222C将决定的收费内容与检查值预测部222B进行的处理的历史记录一起登记于收费管理表236。
图6是表示收费管理表236的内容的一个例子的图。在图示的例子中,收费管理表236将预测种类与收费内容相对于用户ID建立了对应。预测种类例如包含检查值预测部222B进行的预测处理以及后述的改善检查值逆向预测部224C进行的逆向预测处理。在图示的例子中,在改善检查值逆向预测部224C进行了改善逆向预测的情况下,与检查值预测部222B进行了改善预测的情况相比,对预测对象用户请求的收费金额较大。
预测结果输出部222D将由检查值预测部222B预测的将来的检查值向客户端装置100输出。
逆向预测部224例如具备检查值取得部224A、改善目标值指定部224B、改善检查值逆向预测部224C、收费管理部224D以及预测结果输出部224E。
检查值取得部224A从客户端装置100取得学习对象用户输入到客户端装置100的检查值。检查值取得部224A将取得的检查值向改善目标值指定部224B输出。
改善目标值指定部224B基于从检查值取得部224A取得的检查值指定改善目标值。改善目标值指定部224B例如将使从检查值取得部224A取得的检查值以规定的比率增加或者减少后的值指定为改善目标值。
改善检查值逆向预测部224C对将何种检查值作为改善检查值输入到预测模型222M时会输出由改善目标值指定部224B指定的改善目标值进行逆向预测。
如图7所示,改善检查值逆向预测部224C使用由改善目标值指定部224B指定的改善目标值进行逆向预测处理,从而对改善检查值进行逆向预测。改善目标值的检查项目例如包含HbA1c。改善检查值作为检查项目,例如包含最高血压、最低血压、体重。另外,逆向预测处理的预测结果通常不是唯一确定的,有时会获得多个预测结果。因此,改善检查值逆向预测部224C在获得了多个逆向预测处理的预测结果的情况下,选择提示的预测结果。在该情况下,改善检查值逆向预测部224C例如选择统计上的众数值,考虑成为预测源的检查值的属性而选择预测结果、或随机选择多个预测结果。
图8是表示改善检查值的逆向预测处理的一个例子的图。在该图所示的例子中,改善检查值逆向预测部224C例如参照具有与预测对象用户相同或者类似的属性的其他用户的将来的检查值,提取与由改善目标值指定部224B指定的改善目标值所对应的改善检查值,从而进行逆向预测。其他用户的检查值例如累积了由检查值预测部222B预测的其他用户的将来的检查值。在该图所示的例子中,检查值的检查项目为“最高血压”,作为预测对象用户的“用户A”的当前的检查值“140”被输入到预测模型222M,从而取得从预测模型222M输出的“用户A”的将来的检查值“180”。另外,取得使“用户A”的将来的检查值“180”以规定的比率(图示的例子中是25%左右)减少后的值作为改善目标值“140”。在该例子中,改善检查值逆向预测部224C选择具有与“用户A”相同或者类似的属性的其他用户中的、具有与改善目标值“140”对应的将来的检查值“140”的“用户B”作为比较对象。而且,改善检查值逆向预测部224C参照“用户B”的当前的检查值,对“用户A”的改善检查值进行逆向预测。在该例子中,关于作为检查值的检查项目的一个例子的“最低血压”、“体重”、“HbA1c”、“中性脂肪”中的任一个值,与“用户A”相比,“用户B”都示出良好的值。因此,改善检查值逆向预测部224C将关于“用户B”的“最低血压”、“体重”、“HbA1c”、“中性脂肪”的值作为“用户A”的改善检查值的一个例子进行逆向预测。
图9是表示改善检查值的逆向预测处理的其他一个例子的图。在该图所示的例子中,改善检查值逆向预测部224C例如在由改善目标值指定部224B指定了改善目标值的情况下,网罗式地变更当前的检查值并向预测模型222M输入,将在从预测模型222M输出的检查值与改善目标值一致的情况下输入到预测模型222M的检查值作为改善检查值进行逆向预测。在该图所示的例子中,改善检查值逆向预测部224C对于检查值预测部222B输出指示,网罗式地变更当前的检查值的检查项目中的规定的检查项目并向预测模型222M输入,并变更从预测模型222M输出的将来的检查值。在图示的例子中,改善检查值逆向预测部224C将当前的检查值中的“最高血压”的检查值网罗式地变更为“120”、“110”、“100”、“90”并向预测模型222M输入,使从预测模型222M输出的“HbA1c”的检查值网罗式地变更为“5.8”、“5.4”、“5.1”、“4.9”。然后,改善检查值逆向预测部224C将在“HbA1c”的检查值成为作为“HbA1c”的正常范围(例如小于5.2)的“5.1”的情况下输入到预测模型222M的“最高血压”的检查值“100”作为改善检查值进行逆向预测。
如图10所示,改善检查值逆向预测部224C在逆向预测了多个改善检查值的情况下,例如使多个改善检查值在显示部130进行列表显示。在该情况下,改善检查值逆向预测部224C例如也可以将改善检查值的检查项目中的特定的检查项目的检查值以升序或者降序排列来列表显示改善检查值。
如图11所示,在改善检查值逆向预测部224C逆向预测了多个改善检查值的情况下,例如也可以使多个改善检查值在显示部130上排序显示。在该情况下,改善检查值逆向预测部224C例如也可以基于预测对象用户的用户信息使多个改善检查值排序显示。用户信息例如包含用户的年龄、体重、出生地中的至少一部分。改善检查值逆向预测部224C例如在将多个改善检查值排序显示的情况下,也可以是成为改善检查值的预测源的用户的用户信息与预测对象用户的用户信息的类似度越高,越是提高将改善检查值显示于显示部130的次序。改善检查值逆向预测部224C在对多个改善检查值进行排序显示的情况下,例如也可以提取成为改善检查值的预测源的用户中的、与预测对象用户的出生地相同或者类似的用户的检查值,提高将与提取出的检查值的一致程度较高的改善检查值显示于显示部130的顺序。
收费管理部224D基于逆向预测部224的处理的历史记录,决定向预测对象用户请求的收费内容。收费管理部224D将决定的收费内容与逆向预测部224进行的处理的历史记录一起登记于收费管理表236。
预测结果输出部224E向客户端装置100输出由逆向预测部224逆向预测到的预测对象用户的改善检查值。
[处理流程]
图12是表示检查值预测处理的一个例子的流程图。图12所示的流程图的处理例如在服务器装置200从客户端装置100接收到对预测进行请求的信息的情况下开始。
首先,检查值取得部222A从客户端装置100取得预测对象用户的当前的检查值(步骤S101)。
接下来,检查值预测部222B通过将由检查值取得部222A取得的当前的检查值向预测模型222M输入,对预测对象用户的将来的检查值(步骤S103)进行预测。
接下来,检查值预测部222B将输入到预测模型222M的输入检查值与从预测模型222M输出的预测检查值建立对应地登记于第二数据表234(步骤S105)。
接下来,收费管理部222C判定由检查值预测部222B进行的检查值的预测的种类是否是改善预测(步骤S107)。收费管理部222C在判定为检查值的预测的种类是改善预测的情况下,将改善预测作为处理历史记录登记于收费管理表236(步骤S109)。另一方面,收费管理部222C在判定为检查值的预测的种类不是改善预测的情况下,将初始预测作为处理历史记录登记于收费管理表236(步骤S111)。
之后,预测结果输出部222D将由检查值预测部222B预测出的预测检查值通过通信部210向客户端装置100输出(步骤S113)。
[处理流程]
图13是表示检查值逆向预测处理的一个例子的流程图。图13所示的流程图的处理例如在服务器装置200从客户端装置100接收到对逆向预测的进行请求信息的情况下开始。
首先,检查值取得部224A从客户端装置100取得预测对象用户的当前的检查值(步骤S201)。
接下来,改善目标值指定部224B基于由检查值取得部224A取得的检查值指定改善目标值(步骤S203)。
接下来,改善检查值逆向预测部224C对于检查值预测部222B输出指示,网罗式地变更由检查值取得部224A取得的检查值并向预测模型222M输入,从而对预测检查值进行预测(步骤S205)。
接下来,改善检查值逆向预测部224C判定在步骤S205中预测到的预测检查值与由改善目标值指定部224B指定的改善目标值是否一致(步骤S207)。
改善检查值逆向预测部224C在判定为预测检查值与改善目标值一致的情况下,将输入到预测模型222M的检查值作为改善检查值保存于存储器(步骤S209),使其处理移至步骤S211。改善检查值逆向预测部224C在判定为预测检查值与改善目标值不一致的情况下,不经过步骤S209的处理,而是使该处理移至步骤S211。
接下来,改善检查值逆向预测部224C判定是否已检索了所有数据(步骤S211)。改善检查值逆向预测部224C在判定为未检索所有数据的情况下,使其处理返回步骤S205,在直到检索所有数据为止的期间,重复步骤S205~步骤S211的处理。另一方面,改善检查值逆向预测部224C在判定为检索了所有数据的情况下,使其处理移至步骤S213。
接下来,收费管理部224D将改善逆向预测作为处理历史记录登记于收费管理表236(步骤S213)。
接下来,改善检查值逆向预测部224C选择在步骤209中保存于存储器的改善检查值中的所提示的改善检查值(步骤S215)。
之后,预测结果输出部224E将在步骤S215中由改善检查值逆向预测部224C选择的改善检查值作为逆向预测处理的预测结果通过通信部210向客户端装置100输出(步骤S217)。
[服务器装置的动作]
接下来,对第一实施方式的服务器装置200的动作进行说明。
如图14所示,服务器装置200在通过向预测模型222M输入预测对象用户的当前的检查值而预测将来的检查值的情况下,将当前的检查值以及将来的检查值一览显示于显示部130。在图示的例子中,当前的检查值作为检查项目,例如包含最高血压、最低血压以及体重。另外,将来的检查值作为检查项目,例如包含HbA1c。在图示的例子中,将来的检查值包含按从当前时刻起的经过年数预测到的检查值,这些检查值的时间序列数据作为而图表显示。另外,在图示的例子中,显示部130是触摸面板,将改善按钮B1以及预测按钮B2与预测对象用户的当前的检查值以及将来的检查值的预测结果一并显示。
然后,服务器装置200在进行检查值的改善预测的情况下,首先,受理预测对象用户对改善按钮B1的操作。在图示的例子中,改善当前的检查值的检查项目中的与“体重”相关的参数。接下来,服务器装置200受理预测对象用户对预测按钮B2的操作。其结果,服务器装置200将改善预测的将来的检查值与改善前的将来的检查值一并显示于显示部130。
另外,服务器装置200在进行检查值的改善逆向预测的情况下,首先,受理预测对象用户的将来的检查值的改善操作。在图示的例子中,将表示将来的检查值的时间序列数据的图表中的从当前时刻起算5年后的检查值的标绘点向下方拖拽,将检查值改善至改善目标值。接下来,服务器装置200对将何种检查值作为改善检查值输入到预测模型222M时会输出改善目标值进行逆向预测。在图示的例子中,服务器装置200在当前的检查值的检查项目中指定“体重”作为改善的对象然后对改善检查值进行逆向预测。
根据以上说明的第一实施方式的服务器装置200,学习对象用户对于使用包含将第一时刻取得的检查值与第二时刻取得的检查值建立了对应的多个数据集的学习用数据集而学习的预测模型222M输入预测对象用户的检查值,从而预测对象用户的将来的检查值进行预测。服务器装置200在指定了与预测对象用户的将来的检查值相关的目标值的情况下,对将何种检查值输入到预测模型222M时会输出所指定的目标值进行逆向预测。由此,能够提供逆向预测出的检查值作为用于改善预测对象用户的生活习惯的信息。
另外,服务器装置200参照具有与预测对象用户相同或者类似的属性的其他用户的将来的检查值的参照数据,提取与所指定的目标值对应的检查值,从而进行逆向预测。由此,能够在预测对象用户对检查值进行改善的基础上参照成为模型的其他用户的检查值而对预测对象用户的改善检查值进行逆向预测。
另外,服务器装置200在指定了目标值的情况下网罗式地变更检查值并向预测模型222M输入,基于在从预测模型222M输出的检查值与目标值一致的情况下输入到预测模型222M的检查值而进行逆向预测。由此,即使在预测对象用户对检查值进行改善的基础上未获得成为模型的其他用户的检查值的情况下,也能够对预测对象用户的改善检查值进行逆向预测。
另外,服务器装置200在获得了多个逆向预测的预测结果的情况下,将多个预测结果提示给预测对象用户。由此,能够提供与预测对象用户的偏好相匹配的信息。
另外,服务器装置200在向预测对象用户提示多个预测结果的情况下,成为预测结果源的用户的用户信息与预测对象用户的用户信息的类似度越高,越是提高提示预测结果的次序。由此,能够提供与预测对象用户的偏好更加匹配的信息。
另外,服务器装置200基于预测部222以及逆向预测部224进行的处理的历史记录,决定向预测对象用户请求的收费内容,在进行了逆向预测部224的逆向预测的情况下,与进行预测部222的改善预测的情况相比,增大向预测对象用户请求的收费。由此,能够有效利用逆向预测处理的有用性来决定向预测对象用户请求的收费内容。
(第二实施方式)
以下,对第二实施方式进行说明。与第一实施方式比较,作为第二实施方式的检查值预测装置的一个例子的服务器装置200在使用逆向预测模型进行检查值的改善逆向预测这一点不同。因此,关于构成等引用在第一实施方式中说明过的图以及相关的记载,省略详细的说明。
改善检查值逆向预测部224C在指定了改善目标值的情况下,在登记于第一数据表232的数据中的预测模型222M的学习阶段,进行将被用作正确数据(训练数据)的第二检查值作为学习数据、将被用作学习数据的第一检查值作为正确数据(训练数据)的机器学习,从而学习逆向预测模型222MA。逆向预测模型222MA是“第二学习完毕模型”的一个例子,将第二检查值与第一检查值建立了对应的数据集是“第二学习数据集”的一个例子。改善检查值逆向预测部224C将改善了由检查值预测部222B预测的预测检查值而得的值作为改善目标值向逆向预测模型222MA输入,从而对改善检查值进行逆向预测。
在图15所示的例子中,改善检查值逆向预测部224C在学习阶段进行将由检查值预测部222B预测的预测检查值作为学习数据、将由检查值取得部224A取得的当前的检查值作为正确数据(训练数据)的机器学习,从而学习逆向预测模型222MA。预测检查值作为检查项目,例如包含HbA1c、中性脂肪。当前的检查值作为检查项目,例如包含最高血压。
改善检查值逆向预测部224C在执行阶段将由检查值预测部222B预测的预测检查值向逆向预测模型222MA输入,从而对改善检查值进行逆向预测。预测检查值作为检查项目,例如包含HbA1c、中性脂肪。改善检查值作为检查项目,例如包含最高血压。
[处理流程]
图16是表示检查值逆向预测处理的一个例子的流程图。图16所示的流程图的处理例如在服务器装置200从客户端装置100接收到逆向预测的请求的情况下开始。
首先,检查值取得部224A从客户端装置100取得预测对象用户的当前的检查值(步骤S301)。
接下来,改善目标值指定部224B基于由检查值取得部224A取得的检查值指定改善目标值(步骤S303)。
接下来,改善检查值逆向预测部224C将由改善目标值指定部224B指定的改善目标值向逆向预测模型222MA输入,从而对改善检查值进行逆向预测(步骤S305)。
接下来,收费管理部224D将改善逆向预测作为处理历史记录登记于收费管理表236(步骤S307)。
之后,预测结果输出部224E将由改善检查值逆向预测部224C逆向预测的改善检查值作为预测结果通过通信部210向客户端装置100输出(步骤S309)。
如以上说明那样,根据第二实施方式的服务器装置200,在指定了改善目标值的情况下,使用将使第一检查值与第二检查值建立了对应的多个数据集的输入以及输出与第一学习用数据集调换了的第二学习用数据集学习逆向预测模型222MA。改善检查值逆向预测部224C将改善了由检查值预测部222B预测的预测检查值而得的值作为改善目标值向逆向预测模型222MA输入,从而对改善检查值进行逆向预测。由此,即使在预测对象用户改善检查值时未获得成为模型的其他用户的检查值的情况下,也能够在抑制处理负载的同时对预测对象用户的改善检查值进行逆向预测。
另外,也可以由客户端装置100实现上述的实施方式中的检查值的预测功能。另外,也可以在如下检查值预测系统中实现上述的实施方式中的检查值的预测功能,该检查值预测系统具备由服务器装置200或者客户端装置100构成的检查值预测装置和在与检查值预测装置进行通信的终端装置中动作的应用程序。
虽然说明了本发明的几个实施方式,但这些实施方式是作为例子而提出的,并不意图限定发明的范围。这些实施方式能够以其他各种方式实施,在不脱离发明的主旨的范围内能够进行各种省略、替换、变更。这些实施方式、其变形包含在发明的范围、主旨中,同样包含在权利要求书所记载的发明与其等效的范围中。
工业上的可利用性
本发明能够广泛应用于检查值预测装置、检查值预测系统、检查值预测方法以及程序,能够进行用于改善用户的生活习惯的信息提供。
附图标记说明
100…客户端装置
110…通信部
120…输入部
130…显示部
140…处理部
200…服务器装置
210…通信部
220…处理部
222…预测部
224…逆向预测部
230…存储部。
Claims (12)
1.一种检查值预测装置,具备:
预测部,通过对于第一学习完毕模型输入用户的检查值来预测所述用户的将来的检查值,所述第一学习完毕模型是使用包含同一用户的多个检查值的系列数据的第一学习用数据集而进行学习后的模型;以及
逆向预测部,在被指定了与所述用户的将来的检查值相关的目标值的情况下,对将何种检查值输入到所述第一学习完毕模型时会输出所述指定的所述目标值进行逆向预测。
2.根据权利要求1所述的检查值预测装置,
所述逆向预测部参照具有与所述用户相同或者类似的属性的其他用户的将来的检查值的参照数据,提取与所述指定的目标值对应的检查值,从而进行所述逆向预测。
3.根据权利要求2所述的检查值预测装置,
所述参照数据是累积有由所述预测部预测出的结果的数据。
4.根据权利要求1所述的检查值预测装置,
所述逆向预测部在被指定了所述目标值的情况下,网罗式地变更检查值并输入到所述第一学习完毕模型,基于在从所述第一学习完毕模型输出的检查值与所述目标值一致的情况下输入到所述第一学习完毕模型的检查值,进行所述逆向预测。
5.根据权利要求1所述的检查值预测装置,
所述逆向预测部在被指定了所述目标值的情况下,对于第二学习完毕模型输入所述指定的目标值,从而进行所述逆向预测,所述第二学习完毕模型是使用将所述多个检查值的系列数据的输入以及输出与所述第一学习用数据集调换了的第二学习用数据集而进行学习后的模型。
6.根据权利要求1至5中任一项所述的检查值预测装置,
所述逆向预测部在获得了多个所述逆向预测的预测结果的情况下,将所述多个预测结果提示给所述用户。
7.根据权利要求6所述的检查值预测装置,
所述逆向预测部在将所述多个预测结果提示给所述用户的情况下,成为所述预测结果的源的用户的用户信息与所述用户的用户信息之间的类似度越高,越提高提示所述预测结果的次序。
8.根据权利要求7所述的检查值预测装置,
所述用户信息包含用户的年龄、体重、出生地中的至少一部分。
9.根据权利要求1至8中任一项所述的检查值预测装置,
还具备收费管理部,基于所述预测部以及所述逆向预测部的处理的历史记录决定向所述用户请求的收费内容,所述收费管理部在进行了所述逆向预测部的处理的情况下,与进行了所述预测部的处理的情况相比,增大向所述用户请求的收费。
10.一种检查值预测系统,具备检查值预测装置和在与所述检查值预测装置进行通信的终端装置中动作的应用程序,
所述检查值预测装置具备:预测部,通过对于第一学习完毕模型输入用户的检查值而预测所述用户的将来的检查值,所述第一学习完毕模型是使用包含同一用户的多个检查值的系列数据的第一学习用数据集而进行学习后的模型;以及逆向预测部,在被指定了与所述用户的将来的检查值相关的目标值的情况下,对将何种检查值输入到所述第一学习完毕模型时会输出所述指定的所述目标值进行逆向预测,
所述应用程序使由所述检查值预测装置预测出的所述用户的将来的检查值显示于所述终端装置,受理与所述用户的将来的检查值相关的目标值的输入并向所述检查值预测装置发送。
11.一种检查值预测方法,
由计算机对于第一学习完毕模型输入用户的检查值,从而预测所述用户的将来的检查值,所述第一学习完毕模型是使用包含同一用户的多个检查值的系列数据的第一学习用数据集而进行学习后的模型,
所述计算机在被指定了与所述用户的将来的检查值相关的目标值的情况下,对将何种检查值输入到所述第一学习完毕模型时会输出所述指定的所述目标值进行逆向预测。
12.一种程序,使计算机执行如下处理:
对于第一学习完毕模型输入用户的检查值,从而预测所述用户的将来的检查值,所述第一学习完毕模型是使用包含同一用户的多个检查值的系列数据的第一学习用数据集而进行学习后的模型;以及
在被指定了与所述用户的将来的检查值相关的目标值的情况下,对将何种检查值输入到所述第一学习完毕模型时会输出所述指定的所述目标值进行逆向预测。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-173968 | 2019-09-25 | ||
JP2019173968A JP6790207B1 (ja) | 2019-09-25 | 2019-09-25 | 検査値予測装置、検査値予測システム、検査値予測方法、およびプログラム |
PCT/JP2020/030307 WO2021059774A1 (ja) | 2019-09-25 | 2020-08-07 | 検査値予測装置、検査値予測システム、検査値予測方法、およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114287013A true CN114287013A (zh) | 2022-04-05 |
Family
ID=73455230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080060900.9A Pending CN114287013A (zh) | 2019-09-25 | 2020-08-07 | 检查值预测装置、检查值预测系统、检查值预测方法以及程序 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220183634A1 (zh) |
JP (1) | JP6790207B1 (zh) |
CN (1) | CN114287013A (zh) |
WO (1) | WO2021059774A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102490077B1 (ko) * | 2021-01-28 | 2023-01-18 | 주식회사 피씨티 | 복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템 |
KR102577294B1 (ko) * | 2021-01-28 | 2023-09-13 | 주식회사 피씨티 | 기계학습모델에 기반한 선종 관련 정보 예측 방법 및 시스템 |
WO2023127029A1 (ja) * | 2021-12-27 | 2023-07-06 | 日本電信電話株式会社 | 観察対象選択装置、観察対象選択方法、及びプログラム |
JP7214174B1 (ja) | 2022-05-10 | 2023-01-30 | 株式会社asken | 医療支援装置、医療支援装置の動作方法、及びプログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017040981A (ja) * | 2015-08-17 | 2017-02-23 | 国立大学法人東北大学 | 健康情報処理装置、健康情報処理方法、健康情報処理プログラム、健康情報表示装置、健康情報表示方法、及び健康情報表示プログラム |
JP6901146B2 (ja) * | 2016-05-23 | 2021-07-14 | Necソリューションイノベータ株式会社 | 健康状態予測装置、健康状態予測方法、及びプログラム |
JP6265356B1 (ja) * | 2017-02-15 | 2018-01-24 | 株式会社日本医療データセンター | コンピュータプログラム、端末、方法およびサーバ |
-
2019
- 2019-09-25 JP JP2019173968A patent/JP6790207B1/ja active Active
-
2020
- 2020-08-07 WO PCT/JP2020/030307 patent/WO2021059774A1/ja active Application Filing
- 2020-08-07 CN CN202080060900.9A patent/CN114287013A/zh active Pending
-
2022
- 2022-03-01 US US17/652,946 patent/US20220183634A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP6790207B1 (ja) | 2020-11-25 |
US20220183634A1 (en) | 2022-06-16 |
WO2021059774A1 (ja) | 2021-04-01 |
JP2021051535A (ja) | 2021-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114287013A (zh) | 检查值预测装置、检查值预测系统、检查值预测方法以及程序 | |
CN109658999B (zh) | 慢病检查报告生成方法、装置、设备及存储介质 | |
US10474725B2 (en) | Determining similarities among industries to enhance job searching | |
CN109313939B (zh) | 健康状况预测装置,健康状况预测方法和计算机可读记录介质 | |
CN108122611B (zh) | 一种信息推荐方法、装置及存储介质、程序产品 | |
US20160110826A1 (en) | Forensic system, forensic method, and forensic program | |
US10831841B2 (en) | Determining similarities among job titles to enhance job searching | |
US10599760B2 (en) | Intelligent form creation | |
EP3547327A1 (en) | Feature engineering method, apparatus and system | |
EP2922018A1 (en) | Medical information analysis program, medical information analysis device, and medical information analysis method | |
CN111476029A (zh) | 资源推荐方法和装置 | |
CN116312934A (zh) | 医疗服务推荐方案生成方法、装置、设备及可读存储介质 | |
US20130282628A1 (en) | Method and Apparatus for Performing Dynamic Textual Complexity Analysis Using Machine Learning Artificial Intelligence | |
CN111831708A (zh) | 基于缺失数据的样本分析方法、装置、电子设备及介质 | |
CN109326352B (zh) | 疾病预测方法、装置、终端及存储介质 | |
US10929413B2 (en) | Suggestion-based differential diagnostics | |
CN107766400A (zh) | 文本检索方法及系统 | |
CN113096756A (zh) | 病情演变分类方法、装置、电子设备和存储介质 | |
JP2011060218A (ja) | 回答システム | |
CN108197706B (zh) | 残缺数据深度学习神经网络方法、装置、计算机设备及存储介质 | |
US20170004191A1 (en) | Information processing apparatus and information processing method | |
US20200250777A1 (en) | Free text model explanation heat map | |
Riekert et al. | Factor analysis: a primer for asthma researchers | |
JP5912813B2 (ja) | 特許調査結果評価装置、特許調査結果評価方法、およびプログラム | |
JP2010003097A (ja) | 文書作成支援装置及び文書作成支援プログラム |
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 |