CN117677849A - 肌酐风险推定装置、肌酐风险推定方法以及程序 - Google Patents

Abstract

过去，在肌酐的测定中，需要采集受试者的血液，并用生物化学方法进行分析。但在该方法中，需要有创地对受试者的皮肤刺针等，存在对受试者而言伴有心理上或肉体上的负担的课题。根据本发明，基于事前取得的多个受试者的属性信息、无创的生物体信息以及血液检查的检查数据，通过机器学习来生成肌酐风险推定模型，由此能根据给定的用户的属性信息以及无创的生物体信息，无创地推定肌酐风险。

Description

肌酐风险推定装置、肌酐风险推定方法以及程序

技术领域

本发明涉及肌酐风险推定装置、肌酐风险推定方法以及程序。

背景技术

肌酐是作为对肌肉的能量的供给源的肌酐磷酸的代谢产物。通常从肌肉组织向血中放出，由肾脏的小球过滤后，向尿中排出。据此，血中的肌酐量被有效利用为评价肾功能的指标。

过去，在肌酐的测定中，需要采集受试者的血液，并用生物化学方法进行分析。但在该方法中，需要有创地对受试者的皮肤刺针等，存在对受试者而言伴有心理上或肉体上的负担这样的课题。

另一方面，在专利文献1中，公开了通过激光系统传感器系统级芯片来无创地测定血液中的肌酐浓度水平的技术。

现有技术文献

专利文献

专利文献1：JP特表2020-520768

非专利文献

非专利文献1：Psychology Research and Behavior Management 2011：481-86、Summary of the clinical investigations E.S.Teck Complex March，20，2010要旨

非专利文献2：R.N.Chua，Y.W.Hau，C.M.Tiew and W.L.Hau，″Investigation ofAttention Deficit/Hyperactivity Disorder Assessment Using ElectroInterstitial Scan Based on Chronoamperometry Technique,″in IEEE Access，vol.7，pp.144679-144690，2019，doi：10.1109/ACCESS.2019.2938095.

非专利文献3：Maarek A.Electro interstitial scan system：assessment of10 years of research and development.Med Devices(Auckl).2012；5：23-30.doi：10.2147/MDER.S29319

发明内容

发明要解决的课题

但在专利文献1中，并未公开肌酐的具体的测定方法。

本发明鉴于这样的事情而提出，本发明的目的在于，提供肌酐风险推定装置、肌酐风险推定方法以及程序，不进行采血、采尿，就能根据无创的生物体信息，以极其良好的精度迅速地推定肌酐对健康的风险。

用于解决课题的手段

本发明所涉及的肌酐风险推定装置的特征在于，具备：信息取得部，其取得给定的用户的属性信息以及无创的生物体信息；推定模型存储部，其存储肌酐风险推定模型；推定处理部，其使用肌酐风险推定模型，基于给定的用户的属性信息及/或无创的生物体信息来计算给定的用户的肌酐风险推定值。

本发明所涉及的肌酐风险推定装置的特征在于，还具备：训练数据存储部，其存储训练数据集；和学习处理部，其基于训练数据集，通过机器学习来生成肌酐风险推定模型。

特征在于，属性信息包含年龄以及性别的任一者或它们的组合，无创的生物体信息包含BMI、血压、脉搏波数据、心电图数据、生物体阻抗或它们的组合。

特征在于，训练数据集包含受试者的属性信息、无创的生物体信息、以及从血液测定的肌酐测定值。

特征在于，无创的生物体信息还包含氧饱和度(SpO2)。

特征在于，肌酐风险推定值的推定精度是能根据ROC_AUC为0.7以上来对风险的有无进行分类的精度。

特征在于，学习处理部在训练数据集中，基于从血液测定的肌酐测定值来附加表示肌酐风险的有无的标签，在标签中，在有肌酐风险的数量与无肌酐风险的数量的差为给定的值以上的情况下，使训练数据集中的样本数据增加，以便使差减小。

特征在于，学习处理部基于不同的种类的训练数据集，分别通过机器学习来生成第1肌酐风险推定模型以及第2肌酐风险推定模型，推定处理部使用第1肌酐风险推定模型以及第2肌酐风险推定模型来计算给定的用户的肌酐风险推定值。

特征在于，还具备：生物体信息推定部，其推定生物体信息中所含的BMI、血压、脉搏波数据、心电图数据以及生物体阻抗、氧饱和度当中的至少1个以上的生物体信息，信息取得部取得由生物体信息推定部推定的生物体信息，作为给定的用户的生物体信息。

特征在于，除了肌酐风险推定装置，还具备测定无创的生物体信息的生物体信息测定装置，来构成无创肌酐风险推定系统。

本发明中的肌酐风险推定方法的特征在于，包含如下步骤：存储包含受试者的属性信息、无创的生物体信息以及从血液测定的肌酐的测定值在内的训练数据集；基于训练数据集，通过机器学习来生成肌酐风险推定模型；和使用肌酐风险推定模型，基于给定的用户的属性信息及/或无创的生物体信息来计算给定的用户的肌酐风险推定值。

本发明中的程序使计算机执行如下步骤：存储包含受试者的属性信息、无创的生物体信息以及从血液测定的肌酐的测定值在内的训练数据集；基于训练数据集，通过机器学习来生成肌酐风险推定模型；和使用肌酐风险推定模型，基于给定的用户的属性信息及/或无创的生物体信息来计算给定的用户的肌酐风险推定值。

发明效果

根据本发明，能提供肌酐风险推定装置、肌酐风险推定方法以及程序，能使用无创的生物体信息通过机器学习以极其良好的精度来推定肌酐对健康的风险。

附图说明

图1是表示肌酐风险推定系统的概略结构的框图。

图2是用于说明ESG(电子扫描图)的图。

图3是肌酐风险推定装置的硬件结构图。

图4是表示基于机器学习的肌酐风险推定模型的生成执行步骤的流程图。

图5是在男性的肌酐风险推定时使用的神经网络(NN)的分层构造。

图6是在女性的肌酐风险推定时使用的神经网络(NN)的分层构造。

图7是表示肌酐风险推定处理的执行步骤的流程图。

图8是实施例1中的推定结果的ROC_AUC曲线。

图9是实施例2中的推定结果的ROC_AUC曲线。

具体实施方式

以下参考附图来说明实施方式。另外，实施方式是例示，本发明并不限定于下述的结构。

<装置的功能>

参考图1～图7来说明本实施方式所涉及的肌酐风险推定系统1以及肌酐风险推定装置30。图1是表示本实施方式所涉及的肌酐风险推定系统1的概略结构的框图。肌酐风险推定系统1具备终端装置10、生物体信息测定装置20、肌酐风险推定装置30和显示装置39。

在此，所谓“用户”，是指为了无创地得到肌酐风险的推定值而利用肌酐风险推定系统的人。此外，所谓“受试者”，是指在经过给定的手续和同意的基础上提供年龄、性别等属性信息、无创的生物体信息以及从血液测定的肌酐测定值来作为在肌酐风险推定系统中利用的训练数据集的人。

终端装置10只要是能输入用户的属性信息(姓名、ID、年龄、性别等)且能将所输入的信息经过有线或无线的通信网络向肌酐风险推定装置30输出的信息终端，就可以是任何的信息终端。例如，能举出包含平板电脑终端、智能手机、可穿戴终端等在内的便携终端等或PC(Personal Computer，个人计算机)。另外，身高、体重等可以由后述的生物体信息测定装置20测定。

生物体信息测定装置20测定用户的无创的生物体信息。在此，所谓无创的生物体信息，是通过不需要向皮肤内或向身体的开口部插入器具的方法取得的生物体信息。无创的生物体信息能利用市售的身高计、体重计、血压计、脉搏血氧仪、脉搏波计、心电图计、阻抗测定机、电流皮肤测定机等来测定。此外，还能利用能同时测定脉搏波数据、心电图数据、生物体阻抗、氧饱和度(SpO2)的ESTEC BC-3(Ryobi Systems)。这些装置能在不给用户带来心理上或肉体上的负担的情况下测定无创的生物体数据。

在本发明的实施方式中，无创的生物体信息包含BMI(身体质量指数)、血压、脉搏波数据、心电图数据以及生物体阻抗中的任一者或它们的组合，可以进一步包含氧饱和度(SpO2)。

BMI用身高h[m]以及体重w[kg]通过下述的计算式算出。

BMI＝w/h²[kg/m²]

血压包含收缩期血压、舒张期血压、脉压以及平均动脉压中的任一者或它们的组合。

脉压通过下述式子计算。

脉压＝收缩期血压-舒张期血压

平均动脉压通过下述式子计算。

平均动脉压＝舒张期血压+脉压×1/3

由脉搏波计、脉搏血氧仪对手指等身体的突出部位从红色发光二极管(Red LED)照射红色光(～660nm)，从红外发光二极管(IR LED)照射近红外光(～905nm)，对该透过光进行光电晶体管测定，由此来测定脉搏波数据。

脉搏波数据包含脉搏、弹性指数、外周血管阻力、加速度脉搏波、b/a、e/a、-d/a、高泽式加速度脉搏波增龄指数、射血率、LVET、DEI(重搏弹性指数)中的任一者或它们的组合。

在此，所谓弹性指数，是身高除以指尖容积脉搏波中从收缩期的峰值到检测到舒张期的峰值为止的时间而得到的数值。外周血管阻力通过平均动脉压/心输出量×80来求取。DEI(重搏弹性指数)是表示舒张期血管的弹性的指标，能由PWV测定装置测定。0.3～0.7为正常，在0.3以下有高血压或动脉硬化的可能性，在0.7以上暗示了急性焦虑神经症的可能性。

加速度脉搏波是指尖容积脉搏波(photoplethysmogram：PTG)的二次微分波(second derivative of photoplethysmogram：SDPTG)。加速度脉搏波由初始阳性波(a波)、初始阴性波(b波)、收缩中期再上升波(c波)、收缩后期再下降波(d波)以及舒张初始阳性波(e波)构成，上述b/a、e/a、-d/a通过各波高的比例来计算。由于伴随增龄能看到b/a的上升以及c/a、d/a、e/a的降低，因此，能通过高泽式加速度脉搏波增龄指数(b-c-d-e)/a来评价血管的增龄。射血率是在各心跳中从心室送出的血液的比例，与加速度脉搏波增龄指数成正比。LVET是左心室射血时间，是主动脉瓣释放后左室内的血液向主动脉射血的时间。

心电图数据能通过基于电极的心电图法(ECG)或光电脉搏波法(PPG)来测定。

心电图数据包含呼吸数、心跳数、RR间隔、RR间隔的标准偏差、MxDMn比率、低频带的功率谱、高频带的功率谱、心跳数变动指标LF/HF、总功率中的任一者或它们的组合。在此，所谓RR间隔，是心电图的从QRS波到下一QRS波的间隔。所谓MxDMn比率，是时间内最长的RR间隔与最短的RR间隔的比，是不规则的心跳的指数。所谓总功率，是2分钟的分钟测定中的频率0～0.4Hz(VLF，LF，HF)的功率谱的总功率的计算值。该值反映交感神经活动占据主要地位的自主神经系统活动整体。

通过用心电图计算功率谱密度，能计算高频的功率谱比例(0.1875～0.50Hz：HF)、低频的功率谱比例(0.05～0.1875Hz：LF)、LF/HF比、超低频带的功率谱比例(0～0.05Hz：VLF)。

生物体的阻抗(电导，conductance)例如能通过在双脚、双手、左右额共计6处电极当中的2处之间流过微弱的电来进行测定。若在6处的电极中在2处流过电流，就能测定(1)阳极/阴极电导(μS)、(2)阴极/阳极的电导(μS)、(3)上述(1)中测定的电导与上述(2)中测定的电导的差分(ΔSCRA-SCRC)、(4)电导率(μS/m)。此外，还能同时测定肌肉量、体脂肪量、总水分量、相位角、电阻值。此外，还能测定在右手左手间、右额/>左额间通电时的介电常数(μSi)。优选从6处电极利用22模式的通电性来测定生物体的阻抗(电导)。

生物体阻抗包含体脂肪量(kg)、体脂肪量(％)、除脂肪体重、除脂肪率、肌肉量、总水分量(kg)、总水分量(％)、细胞内水分量(％)、心输出量、1额左侧-2左手/SCR A、1额左侧-2左手/ΔSCR C-SCR A、5左手-6左脚/SCR C、5左手-6左脚/ΔSCR C-SCR A、7右手-8右脚/SCR C、7右手-8右脚/SCR A、13左脚-14右脚/SCR C、13左脚-14右脚/SCR A、15右手-16额左侧/ΔSCR C-SCR A、15右手-16额左侧SCR C、15右手-16额左侧SCR A、19右脚-20左手/ΔSCR C-SCR A、ESG2+4+15+17(μS/m)、ESG6+13+19(％)、ESG6+8+19+21(％)、ESG6+8+19+21(μS/m)、ESG9+10(μS/m)、ESG9+10(％)、左脚的电导、R(Ω)、相位角、额路径的介电常数、向额路径的电导率(9)、单手-单手路径的介电常数、从手到手的电导率(11，12)、1次输出量(心输出量÷心跳数)、双手脚阻抗(5左手-6左脚/SCR C与7右手-8右脚/SCR的合计值)中的任一者或它们的组合。

在此，所谓SCR，是皮肤电导反应(skin conductance response)的略称，所谓ESG，是电子扫描图的略称。ESG2+4+15+17的“+”的意思是指用添附于身体的哪个电极进行测定的。例如，所谓ESG2+4+15+17，如图2所示那样，意思是指用从左手向左额通电时的左手、从右手向右额通电时的右手、从右手向左额通电时的右手、从左手向右额通电时的左手测定出的电导的平均值。关于这些电导，在非专利文献1中有详细的记载。另外，关于ESG(电子扫描图)的测定方法，在非专利文献2、3中记载有详细情况。

“1额左侧-2左手/SCR A”是在流过电流以使得“1额左侧”成为阴极、“2左手”成为阳极方向时测定的路径的电导(或传导性)，“5左手-6左脚/ΔSCR C-SCR A”是在“5左手”、“6左脚”间通电成阳极-阴极、阴极-阳极时测定的电导的差分。

关于BMI以及血压，能由身高体重计、血压计测定。此外，在无创的生物体信息中可以包含通过SpO2以及心输出量计算的氧输送量。

所测定的无创的生物体信息经过有线或无线的通信网络向肌酐风险推定装置30输出。生物体信息测定装置20可以是备置的测定装置，也可以如可穿戴终端那样是可移动的测定装置。

肌酐风险推定装置30具备第1取得部31、第2取得部32、用户数据存储部33、训练数据存储部34、学习处理部35、推定模型存储部36、推定处理部37和推定数据存储部38。第1取得部31通过终端装置10取得用户的属性信息。此外，第2取得部32通过生物体信息测定装置20取得用户的无创的生物体信息。

用户数据存储部33存储由第1取得部31以及第2取得部32取得的用户的属性信息和无创的生物体信息。

训练数据存储部34存储多个由事前取得的多个受试者的属性信息、无创的生物体信息、和通过血液检查得到的肌酐等检体检查信息构成的训练数据集，来作为用于机器学习的训练数据集。另外，在检体检查信息中可以进一步包含从血液、尿、大便等得到的检查信息。

学习处理部35取得存储于训练数据存储部34的训练数据集，使用训练数据集来作成肌酐风险的推定模型。具体地，在推定肌酐风险的情况下，通过对所取得的训练数据集进行基于神经网络以及逻辑回归或它们的学习结果的集成学习的机器学习，来对属性信息以及无创的生物体信息与肌酐风险的关系进行学习。

推定模型存储部36存储由学习处理部35生成的肌酐风险的推定模型。

在无创的生物体信息中包含BMI、血压、脉搏波数据、心电图数据以及生物体阻抗中的任一者或它们的组合。进而，根据需要而包含氧饱和度(SpO2)。

推定处理部37使用由学习处理部35生成的推定模型，基于给定的用户的属性信息及/或无创的生物体信息，来推定用户的肌酐风险。然后，将肌酐风险推定值存储到推定数据存储部38。

显示装置39能将肌酐风险推定值同用户的属性信息、无创的生物体信息一起进行显示。另外，这些数据可以显示于用户所保有的终端装置10。

<装置的硬件结构>

图3是肌酐风险推定装置30的硬件结构图。如图3所示那样，肌酐风险推定装置30由具有一个或多个处理器301、存储器302、存贮器303、输入输出端口304和通信端口305的计算机300构成。处理器301通过执行程序来进行与本实施方式所涉及的肌酐推定相关的处理。存储器302临时存储程序以及程序的运算结果。存贮器303存放执行肌酐风险推定装置30的处理的程序。存贮器303只要能由计算机读取，就可以是任何的存贮器，例如能利用记录介质(磁盘、光盘等)、随机存取存储器、闪存类型存储器、只读存储器等各种记录介质。输入输出端口304通过终端装置10以及生物体信息测定装置20来输入信息，或向显示装置39进行肌酐推定值的输出。通信端口305与未图示的其他计算机等信息终端之间进行数据的收发。通信的方法能利用无线通信、有线通信。另外，肌酐风险推定装置30能通过市售的桌面PC或笔记本PC来安装，利用推定模型的肌酐风险的推定值的算出所需的时间是数秒钟。

另外，在肌酐风险推定装置30的处理器301中，在进行动作时，上述的第1取得部31、第2取得部32、学习处理部35、推定处理部37等发挥功能。

基于包含BMI(身体质量指数)、血压、脉搏波数据、心电图数据以及生物体阻抗等在内的无创生物体数据，通过机器学习来生成肌酐推定模型，由此，不进行血液检查，就能进行肌酐的推定。

此外，如下述所示那样，即使是限定了无创生物体数据中所含的各数据的数量的情况，也能进行肌酐是否正常的判定。

<基于机器学习的肌酐风险推定模型的生成>

图4是表示基于机器学习的肌酐风险推定模型的生成执行步骤的流程图。

在步骤ST101，学习处理部35进行输入数据的前处理。具体地，学习处理部35对于通过血液检查得到的肌酐，在男性的情况下将肌酐1.00mg/dL以下变换成0(无风险)，将1.01mg/dL以上变换成1(有风险)，在女性的情况下，将肌酐0.70mg/dL以下变换成0(无风险)，将0.71mg/dL以上变换成1(有风险)。此外，学习处理部35也可以在被分类成0的人数和被分类成1的人数发生背离而不均衡的情况下，对学习数据运用SMOTE(Chawla，NV.etal.2002)，人工地生成训练样本。

在步骤ST102，学习处理部35进行基于逻辑回归以及神经网络(NN)的机器学习。在此，图4中的NN_1是作为男性的肌酐风险推定模型而使用的神经网络，NN_2是作为女性的肌酐风险推定模型而使用的神经网络。对应于性别来使用任一神经网络。

图5是作为男性的肌酐风险推定模型而使用的神经网络(NN_1)的构造。D是检查项目的数量。NN的构造经由4个层群(Compile A1、Compile A2、CompileA3、Compile B1)按照D维、64维、64维、64维、1维的顺序来变换数据。

此外，Compile A1、A2、A3包含进行全连接处理的全连接层“Linear”、进行正则化的“Kernel Regularizer”、进行ReLU处理的“ReLU”层，层群Compile B1包含进行全连接处理的全连接层“Linear”以及进行最优化处理的“Adagrad”层。层群Compile A1的全连接层的输入单元相当于输入层，层群Compile B1的输出单元相当于输出层，位于它们之间的单元相当于中间层(隐藏层)。中间层包含将一部分输入值抑制在0来防止过学习的Dropout层。

图6是作为女性的肌酐风险推定模型而使用的神经网络(NN_2)的构造。长方形表示进行数据的变换的层群，圆角长方形表示输入输出数据。D是检查项目的数量。NN的构造经由3个层群(Compile A1、Compile A2、Compile A3、Compile B1)，按照D维、64维、64维、1维的顺序来变换数据。

此外，Compile A1、A2包含进行全连接处理的全连接层“Linear”、进行正则化的“Kernel Regularizer”、进行ReLU处理的“ReLU“层，层群Compile B1包含进行全连接处理的全连接层“Linear”以及进行最优化处理的“Adagrad”层。层群Compile A1的全连接层的输入单元相当于输入层，层群Compile B1的输出单元相当于输出层，位于它们之间的单元相当于中间层(隐藏层)。在中间层中包含将一部分输入值抑制在0来防止过学习的Dropout层。

在基于逻辑回归的机器学习中，能使用在Python的开源机器学习库即Scikit-learn中提供的逻辑回归(Logistic Regression)。此外，也可以根据需要，通过主成分分析将维数压缩。将通过血液检查得到的肌酐的风险与通过机器学习推定的肌酐风险的推定值进行比较，调整逻辑回归的各参数(C、正则化方法、max_iter、solber)，以使得f1得分成为最大。在此，所谓C，是决定正则化的强度的折衷参数，值越大则正则化强度越弱。所谓正则化方法，意思是指L1正则化或L2正则化，可对其进行选择。max_iter是反复进行学习的最大次数。在solber中，选择将交叉熵误差最小化的收敛方法(例如L-BFGS法、牛顿CG法、liblinear、sag以及saga)。另外，在下述的实施例1中选择liblinear法。

学习处理部35将通过上述的学习处理生成的肌酐风险推定模型存储到推定模型存储部36。

另外，上述的机器学习算法是一例，并不限定于这些。

<利用了肌酐风险推定模型的肌酐风险的推定>

如图7所示那样，在步骤ST201，肌酐风险推定装置30的第1取得部31通过终端装置10取得用户的属性信息。在步骤ST202，肌酐风险推定装置30的第2取得部32取得用户的无创的生物体信息。然后，将用户的属性信息和无创的生物体信息存储到用户数据存储部33。然后，在步骤ST203，使用存放于推定模型存储部36的肌酐风险推定模型，由推定处理部37算出属于等级0(无风险)或等级1(有风险)的概率、即肌酐风险概率。在步骤ST204，将所算出的肌酐风险推定值存储于推定数据存储部38，在步骤ST205，将肌酐风险推定值向显示装置39等外部终端输出，并进行显示。

<实施例(肌酐风险推定)>

以下记载肌酐风险推定的实施例。但本发明中的肌酐风险推定的方式并不限定于以下的实施例。

在属性信息中包含ID、姓名、年龄、性别中的任一者或它们的组合，在无创的生物体信息中包含BMI、血压、脉搏波数据、心电图数据、生物体阻抗以及氧饱和度(SpO2)中的任一者或它们的组合。关于成为BMI的算出基准的身高、体重，分别通过身高计以及体重计进行测量，关于血压，通过血压计进行测定。此外，关于脉搏波数据、心电图数据、生物体阻抗、氧饱和度(SpO2)，通过ESTEC BC-3(Ryobi Systems)进行测定。另外，也可以取代ESTEC BC-3而组合使用市售的脉搏波计、心电图计、阻抗测定装置、脉搏血氧仪。此外，可以使用给定的可穿戴终端来取得上述的无创的生物体信息。

生物体阻抗(电导)的测定通过在双脚、双手、左右额共计6处的电极当中的2处间流过微弱的电来进行测定。电压和电流设为1.28V、200μA，电导每1秒进行32毫秒钟的测定。在6处的电极中在2处流过电流，测定(1)阳极/阴极电导(μS)、(2)阴极/阳极的电导(μS)、(3)上述(1)中测定的电导与上述(2)中测定的电导的差分(ΔSCRA-SCRC)、(4)电导率(μS/m)。

此外，测定肌肉量、体脂肪量、总水分量、相位角以及电阻值，还测定在右手左手间、右额/>左额间通电时的介电常数(μSi)。

由ESTEC BC-3对各受试者进行2分钟的脉搏波数据、心电图数据、生物体阻抗以及氧饱和度(SpO2)的测定。在测定时，在受试者的左手食指佩戴具备心电图、脉搏波计以及脉搏血氧仪的功能的设备，在额头佩戴2个电极，在坐在椅子的状态下将双手双脚置于电极板之上。

<学习模型1>

如图4所示那样，在学习模型1中，进行基于逻辑回归以及神经网络(NN_1或NN_2)的机器学习，对它们的学习结果进行基于堆叠的集成学习，由此来作成肌酐风险推定模型。

这时，作为属性信息以及无创的生物体数据，选择并使用下述所示的数据。(A)属性信息·性别(B)无创的生物体数据·BMI·血压…脉压·脉搏波数据…d/a·心电图数据…呼吸数·生物体阻抗…1额左侧-2左手/ΔSCRC-SCR A、5左手-6左脚/SCR C、7右手-8右脚/SCR A、15右手-16额左侧SCRA、ESG2+4+15+17(μS/m)、ESG6+8+19+21(μS/m)、ESG9+10(％)、R(Ω)，在此，ESG9+10是在图2所示的部位测定的阻抗的平均值。[μS/m]是实测平均值的单位，[％]是在通常可测量的范围内对实测平均值进行比例变换而得到的值。

此外，无创的生物体数据进一步包含根据生物体阻抗中所含的心输出量以及氧饱和度(SpO2)推定的氧输送量。

<学习模型2>

在学习模型2中，仅使用图4中的神经网络(NN_1或NN_2)进行机器学习。另外，由于仅使用神经网络，因此，不进行集成学习。这时，作为无创的生物体数据，选择并使用下述所示的数据。另外，在学习模型2中，在属性信息中不含性别，但在神经网络NN_1或NN_2的选择中使用与性别相关的信息。(A)属性信息·年龄(B)无创的生物体数据·血压…收缩期血压、脉压·脉搏波数据…弹性指数、e/a·心电图数据…呼吸数、心跳数·生物体阻抗…体脂肪量(％)、除脂肪体重(kg)、除脂肪率(％)、总水分(％)、心输出量、双手脚阻抗(5左手-6左脚/SCR C与7右手-8右脚/SCR C的合计值)、ESG9+10(％)。

此外，无创的生物体数据中还包含心输出量除以心跳数而得到的1次输出量，进而包含根据生物体阻抗中所含的心输出量和氧饱和度(SpO2)推定的氧输送量。

<实施例1>

在实施例1中，使用共计468名男性受试者的(1)属性信息、(2)通过身高体重计、血压计以及ESTEC BC-3测定的无创的生物体信息、以及(3)通过与无创的生物体信息测定同日进行的血液检查得到的肌酐的训练数据集，经过上述学习模型1的机器学习，来生成肌酐风险推定模型。

然后，关于肌酐风险推定模型的推定精度，通过ROC_AUC曲线来评价推定结果。其结果，ROC_AUC示出0.75，超过表示能进行良好的分类的0.7。将实施例1的推定结果的ROC_AUC曲线在图8示出。

<实施例2>

在实施例2中，使用共计244名女性受试者的(1)属性信息、(2)通过身高体重计、血压计以及ESTEC BC-3测定的无创的生物体信息、以及(3)通过与无创的生物体信息测定同日进行的血液检查得到的肌酐的训练数据集，经过上述学习模型2的机器学习，来生成肌酐风险推定模型。

然后，关于肌酐风险推定模型的推定精度，通过ROC_AUC曲线来评价推定结果。其结果，ROC_AUC示出0.83，超过表示能进行极其良好的分类的0.8。将实施例2的推定结果的ROC_AUC曲线在图9示出。

(变形例)

在上述的实施方式中，说明了使用学习模型1或学习模型2来推定肌酐风险的示例，但也可以使用多个学习模型来推定肌酐风险。

由此，相比使用1个学习模型来推定肌酐风险，能以更高的精度进行推定。

此外，在上述的实施方式以及实施例中，作为学习模型的数据集，能看到使用BMI时推定精度得到提升的事例，因此，可以在肌酐风险推定装置中设置推定该BMI的功能部。

BMI一般不由可穿戴终端等取得，而根据用户所输入的身高、体重来求取，但通过推定该BMI，仅取得生物体信息就能取得上述的肌酐风险，因此，对用户而言便利性得到提升。

BMI的推定方法并没有特别限定，例如，BMI已知与用户的腹部的(给定的位置的)倾斜度存在相关性。因此，例如，可以在用户的腹部设置给定的加速度传感器(或者将具备加速度传感器的腕带型的可穿戴终端等抵接在腹部)，基于从该加速度传感器输出的数据来求取腹部的倾斜度，从而推定BMI。

此外，与上述同样，关于脉搏波数据、氧饱和度，也可以使用具备脉搏波传感器或中氧浓度传感器的腕带型的可穿戴终端等来推定。

此外，与上述同样，关于血压，也可以使用腕带型的可穿戴终端等来推定。由于已知通过心跳经过动脉送来的脉搏波的速度与血压存在相关性，因此，可以使用对通过该心跳经过动脉送来的脉搏波的速度进行测定的给定的传感器来推定血压。

此外，与上述同样，关于心电图数据，也可以使用腕带型的可穿戴终端等来推定。例如，能基于从设于腕带型的可穿戴终端的显示面的相反侧的面的电极和设于显示面侧的电极得到的数据来推定心电图数据。具体地，可以根据通过佩戴腕带型的可穿戴终端的手(例如左手)的手腕与设于上述相反侧的面的电极相接且进行该佩戴的手的相反侧的手(例如右手)的指尖与设于上述显示面侧的电极相接而得到的数据，来推定心电图数据。

此外，与上述同样，关于生物体阻抗，也可以使用具备各种电极的腕带型的可穿戴终端等来推定生物体阻抗。例如，可以使用腕带型的可穿戴终端等，基于从胸部和手腕得到的生物体信息来推定生物体阻抗。

另外，可以将能由可穿戴终端取得的生物体信息和上述的推定对象的生物体信息(BMI、血压、脉搏波数据、心电图数据、以及生物体阻抗、氧饱和度当中的至少1个以上的生物体信息)作为示教数据，使用通过各种机器学习算法生成的分类器，来推定上述的推定对象的生物体信息。

另外，在该情况下，上述的第2取得部可以取得所推定的生物体信息。

(其他)

此外，例如，上述的一系列处理能通过硬件来执行，还能通过软件来执行。换言之，上述的功能结构只是例示，并没有特别限定。即，在信息处理系统中具备能将上述的一系列处理作为整体来执行的功能即足够，为了实现该功能使用怎样的功能块并不特别限定于上述的示例。此外，功能块所存在的场所也并不特别限定于图1，可以是任意的。例如，可以将服务器的功能块移交到其他终端、装置等。反之，也可以将其他终端、装置的功能块移交到服务器等。此外，一个功能块可以由硬件单体构成，可以由软件单体构成，也可以由它们的组合构成。

在通过软件执行一系列处理的情况下，构成该软件的程序从网络、记录介质安装到计算机等。计算机可以是组装到专用的硬件的计算机。此外，计算机可以是能通过安装各种程序来执行各种功能的计算机，例如除了服务器以外，还可以是通用的智能手机、个人计算机。

包含这样的程序的记录介质不仅由为了对用户等提供程序而与装置主体分开分发的未图示的可移动介质构成，还由以预先组装到装置主体的状态提供给用户等的记录介质等构成。由于程序能经由网络分发，因此，记录介质可以是搭载于已与网络连接或能与网络连接的计算机、或者能访问上述计算机的记录介质。

另外，在本说明书中，描述记录于记录介质的程序的步骤当然包含按照该顺序以时间序列进行的处理，但不一定非要按时间序列进行处理，还包含并列或个别执行的处理。此外，在本说明书中，系统的用语的意思是指由多个装置、多个部件等构成的整体的装置。

附图标记说明

1肌酐风险推定系统

10终端装置

20生物体信息测定装置

30肌酐风险推定装置

31第1取得部

32第2取得部

33用户数据存储部

34训练数据存储部

35学习处理部

36推定模型存储部

37推定处理部

38推定数据存储部

39显示装置

300计算机

301处理器

302存储器

303存贮器

304输入输出端口

305通信端口

Claims (12)

1.一种肌酐风险推定装置，其特征在于，具备：

信息取得部，其取得给定的用户的属性信息以及无创的生物体信息；

推定模型存储部，其存储肌酐风险推定模型；和

推定处理部，其使用所述肌酐风险推定模型，基于所述给定的用户的属性信息及/或无创的生物体信息，来计算所述给定的用户的肌酐风险推定值。

2.根据权利要求1所述的肌酐风险推定装置，其特征在于，

所述属性信息包含年龄以及性别中的任一者或它们的组合，

所述无创的生物体信息包含BMI、血压、脉搏波数据、心电图数据以及生物体阻抗中的任一者或它们的组合。

3.根据权利要求1或2所述的肌酐风险推定装置，其特征在于，

所述肌酐风险推定值的推定精度是能根据ROC_AUC为0.7以上来对风险的有无进行分类的精度。

4.根据权利要求1～3中任一项所述的肌酐风险推定装置，其特征在于，

所述肌酐风险推定装置还具备：

训练数据存储部，其存储训练数据集；和

学习处理部，其基于所述训练数据集，通过机器学习来生成所述肌酐风险推定模型。

5.根据权利要求4所述的肌酐风险推定装置，其特征在于，

所述训练数据集包含受试者的属性信息、无创的生物体信息以及从血液测定的肌酐测定值。

6.根据权利要求5所述的肌酐风险推定装置，其特征在于，

所述无创的生物体信息还包含氧饱和度即SpO2。

7.根据权利要求4～6中任一项所述的肌酐风险推定装置，其特征在于，

所述学习处理部执行：

在所述训练数据集中，基于从血液测定的肌酐测定值来附加表示所述肌酐风险的有无的标签，

在所述标签中，在有所述肌酐风险的数量与没有所述肌酐风险的数量的差为给定的值以上的情况下，使所述训练数据集中的样本数据增加，以便使所述差减小。

8.根据权利要求4～7中任一项所述的肌酐风险推定装置，其特征在于，

所述学习处理部基于不同的种类的训练数据集，分别通过机器学习来生成第1肌酐风险推定模型以及第2肌酐风险推定模型，

所述推定处理部使用所述第1肌酐风险推定模型以及所述第2肌酐风险推定模型来计算所述给定的用户的肌酐风险推定值。

9.根据权利要求1～8中任一项所述的肌酐风险推定装置，其特征在于，

所述肌酐风险推定装置还具备：

生物体信息推定部，其推定所述生物体信息中所含的BMI、血压、脉搏波数据、心电图数据以及生物体阻抗、氧饱和度当中的至少1个以上的生物体信息，

所述信息取得部取得由所述生物体信息推定部推定的生物体信息，来作为所述给定的用户的生物体信息。

10.一种无创肌酐风险推定系统，其特征在于，具备：

权利要求1～9中任一项记载的所述肌酐风险推定装置；和

生物体信息测定装置，其测定无创的生物体信息。

11.一种肌酐风险推定方法，其特征在于，包含如下步骤：

存储包含受试者的属性信息、无创的生物体信息以及从血液测定的肌酐测定值在内的训练数据集；

基于所述训练数据集，通过机器学习来生成肌酐风险推定模型；和

使用所述肌酐风险推定模型，基于给定的用户的属性信息及/或无创的生物体信息，来计算所述给定的用户的肌酐风险推定值。

12.一种程序，其特征在于，使计算机执行如下步骤：

存储包含受试者的属性信息、无创的生物体信息、以及从血液测定的肌酐的测定值在内的训练数据集；

基于所述训练数据集，通过机器学习来生成肌酐风险推定模型；和

使用所述肌酐风险推定模型，基于给定的用户的属性信息及/或无创的生物体信息，来计算所述给定的用户的肌酐风险推定值。