CN117678033A - 尿酸值推定装置、尿酸值推定方法以及程序 - Google Patents

Abstract

过去，为了测定尿酸值，需要采集被测验者的血液，生化学地进行分析。但在该方法中，需要有创地在被测验者的皮肤刺入针等，存在对被测验者而言伴随心理上或肉体上的负担这样的课题。根据本发明，基于事前取得的多个被测验者的属性信息、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尿酸值推定模型，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来推定尿酸值。

Description

尿酸值推定装置、尿酸值推定方法以及程序

技术领域

本发明涉及尿酸值推定装置、尿酸值推定方法以及程序。

背景技术

过去，尿酸值的测定中，一般采集被测验者的血液，生化学地进行分析。但在该方法中，需要有创地在被测验者的皮肤刺入针等，存在对被测验者而言伴随心理上或肉体上的负担这样的课题。作为无创地推定尿酸的方法，例如已知专利文献1记载的方法。在专利文献1中公开了从指甲、毛发、皮肤等生物体样本提取尿酸的方法。

现有技术文献

专利文献

专利文献1：JP特开2008-203067

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：MaarekA.Electro interstitial scan system：assessment of10years ofresearch 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

但由于从被测验者回收指甲、毛发、皮肤等组织，需要经过提取工序，因此，在健康诊断等中难以简易且迅速地测定尿酸值。

本发明鉴于上述那样的情况而提出，本发明的目的在于，提供能从无创的生物体信息极其精度良好地推定尿酸的尿酸值推定装置、尿酸值推定方法以及程序。

用于解决课题的手段

本发明所涉及的尿酸值推定装置特征在于，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，其存储尿酸值推定模型；和推定处理部，其使用尿酸值推定模型，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尿酸值推定值。

特征在于，本发明所涉及的尿酸值推定装置还具备：训练数据存储部，其存储训练数据集；和学习处理部，其基于训练数据集，通过机器学习来生成尿酸值推定模型。

特征在于，属性信息包含年龄以及性别的任一者或这些的组合，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、或这些的组合。

特征在于，训练数据集包含被测验者的属性信息、无创的生物体信息以及从血液测定的尿酸测定值。

特征在于，无创的生物体信息还包含氧饱和度(SpO2)。

关于尿酸推定值的推定精度，所推定的尿酸与实际的尿酸的相关系数为0.6以上。

特征在于，推定处理部取代尿酸值推定值而计算尿酸值风险推定值。

特征在于，学习处理部执行：在训练数据集中，基于从血液测定的尿酸测定值来附加表示尿酸值风险的有无的标签，在标签中，在有尿酸值风险的数量与无尿酸值风险的数量的差为给定的值以上的情况下，增加训练数据集中的样本数据，以使得减小差。

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尿酸值风险推定模型以及第2尿酸值风险推定模型，推定处理部使用第1尿酸值风险推定模型以及第2尿酸值风险推定模型，来计算给定的用户的尿酸值风险推定值。

特征在于，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、氧饱和度当中至少1个以上生物体信息，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，除了具备尿酸值推定装置以外，还具备测定无创的生物体信息的生物体信息测定装置，来构成无创尿酸值推定系统。

本发明中的尿酸值推定方法特征在于，包含如下步骤：存储包含被测验者的属性信息、无创的生物体信息以及从血液测定的尿酸的测定值的训练数据集；基于训练数据集，通过机器学习来生成尿酸值推定模型；和使用尿酸值推定模型，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尿酸值推定值。

本发明中的程序特征在于，使计算机执行如下步骤：存储包含被测验者的属性信息、无创的生物体信息以及从血液测定的尿酸的测定值的训练数据集；基于训练数据集，通过机器学习来生成尿酸值推定模型；使用尿酸值推定模型，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尿酸值推定值。

发明的效果

根据本发明，能提供尿酸值推定装置、尿酸值推定方法以及程序，能使用无创的生物体信息通过机器学习极其精度良好地推定尿酸，即，能极其精度良好地推定尿酸对健康的风险的。

附图说明

图1是表示尿酸值推定系统的概略结构的框图。

图2是用于说明ESG(电扫描谱图)的图。

图3是尿酸值推定装置的硬件结构图。

图4是表示基于机器学习的尿酸值推定模型的生成执行步骤的流程图。

图5是尿酸值推定时使用的神经网络的概要图。

图6是表示尿酸值推定处理的执行步骤的流程图。

图7是表示基于机器学习的尿酸值风险推定模型的生成执行步骤的流程图。

图8是表示尿酸值风险推定处理的执行步骤的流程图。

图9是实施例2中的推定结果的ROC AUC曲线。

图10是实施例3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8来说明本实施方式所涉及的尿酸值推定系统1以及尿酸值推定装置30。图1是表示本实施方式所涉及的尿酸值推定系统1的概略结构的框图。尿酸值推定系统1具备终端装置10、生物体信息测定装置20、尿酸值推定装置30和显示装置39。

在此，所谓“用户”，是指为了无创地得到尿酸值的推定值而利用尿酸值推定系统的人。此外，所谓“被测验者”，是指在进行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尿酸测定值作为在尿酸值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尿酸值推定装置30输出的信息终端即可，可以是任何信息终端。例如，能举出包含平板电脑终端、智能手机、可穿戴终端等的便携终端等或PC(Personal Computer，个人计算机)。

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，是指用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ES-TECK BC-3(Ryobi Systems)。这些装置不给用户带来心理上或肉体上的负担，就能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的任一者或这些的组合，进一步包含氧饱和度(SpO2)。

BMI根据身高h[m]以及体重w[kg]通过下述的计算式算出。

BMI＝w/h²[kg/m²]

循环血液量通过下述的Nadler式算出。

<男性的情况>循环血液量[L]＝0.3669×h³+0.03129×w+0.6041

<女性的情况>循环血液量[L]＝0.3561×h³+0.03308×w+0.1833

血压包含收缩期血压、舒张期血压、脉压以及平均动脉压的任一者或这些的组合。

脉压通过下述的式计算。

脉压＝收缩期血压-舒张期血压

平均动脉压通过下述的式计算。

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的部位从红色LED照射红色光(～660nm)，从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、射血分数、LVET、DEI(重拍弹性指数)的任一者或这些的组合。

在此，所谓弹性指数，是用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求取。DEI(重拍弹性指数)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，暗示了急性焦虑型神经症的可能性。

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。射血分数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，是在大动脉瓣解放后左室内的血液向大动脉射血的时间。

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)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、总功率的任一者或这些的组合。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。该值反应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、左右额总计6处电极当中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 间、/>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/SCRA、1额左侧-2左手/ΔSCRC-SCRA、5左手-6左脚/ΔSCRC-SCRA、13左脚-14右脚/SCRC、13左脚-14右脚/SCRA、15右手-16额左侧/ΔSCRC-SCRA、15右手-16额左侧SCRC、19右脚-20左手/ΔSCRC-SCRA、ESG2+4+15+17(μtS/m)、ESG6+13+19(％)、ESG6+8+19+21(％)、ESG6+8+19+21(μS/m)、ESG 9+10(μS/m)、ESG9+10(％)、左脚的电导、R(Ω)、相位角、额路径的介电常数、向额路径的电传导度(9)、单手-单手路径的介电常数、从手到手的电传导度(11、12)、1次输出量(心输出量÷心跳数)、循环血液系数(心输出量×循环血液量)的任一者或这些的组合。

在此，所谓SCR，是皮肤电导响应(skin conductance response)的略称，所谓ESG，是电扫描谱图的略称。ESG2+4+15+17的“+”是指用添附于身体的哪个电极进行的测定。例如，所谓ESG2+4+15+17，如图2所示那样，是指在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(电扫描谱图)的测定方法，在非专利文献2、3中记载有详细的记载。

“1额左侧-2左手/SCRA”是在过电以使得“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/ΔSCRC-SCRA”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。

将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尿酸值推定装置30输出。生物体信息测定装置20可以是放置的测定装置，也可以如可穿戴终端那样是可移动的测定装置。

尿酸值推定装置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被测验者的属性信息、无创的生物体信息和通过血液检查得到的尿酸值等检体检查信息构成的训练数据集，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尿酸值的推定模型。具体地，将所取得的训练数据集标准化，通过神经网络(NN)、XGBoost等梯度提升、线性回归等的机器学习，来学习属性信息以及无创的生物体信息与尿酸的关系。

推定模型存储部36存储由学习处理部35生成的尿酸值的推定模型。

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的任一者或其组合。进而，根据需要包含氧饱和度(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尿酸值。然后，将尿酸值推定值存储到推定数据存储部38。

显示装置39能将尿酸值推定值和用户的属性信息、无创的生物体信息一起进行显示。另外，可以将这些数据显示于用户所保有的终端装置10。

<装置的硬件结构>

图3是尿酸值推定装置30的硬件结构图。如图3所示那样，尿酸值推定装置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尿酸值推定相关的处理。存储器302暂时存储程序以及程序的运算结果。存贮器303存放执行尿酸值推定装置30的处理的程序。存贮器303只要能由计算机读取即可，例如能利用记录介质(磁盘、光盘等)、随机存取存储器、闪速存储器、只读存储器等种种记录介质。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输入信息，或者向显示装置39进行尿酸值推定值的输出。通信端口305在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，尿酸推定装置30能通过市售的桌面PC或笔记本PC安装，利用了推定模型的尿酸的推定值的算出所需的时间是数秒。

另外，在尿酸值推定装置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的无创生物体数据，通过机器学习来生成尿酸值推定模型，由此，不进行血液检查，就能进行尿酸的推定。

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

<基于机器学习的尿酸值推定模型的生成>

图4是表示基于机器学习的尿酸值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将各被测验者的性别的属性信息向One-hot向量变换。此外，学习处理部35将性别以外的属性信息、各被测验者的无创的生物体信息、通过血液检查得到的尿酸的检体检查信息通过yeo-johnson变换、boc-box变换等来进行标准化。

在步骤ST102中，使学习处理部35进行基于神经网络(NN)的机器学习。

图5是作为推定模型而使用的神经网络(NN)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。图5的推定模型经由4个层群(Compile A1～Compile A3、Compile B1)按照D维、96维、96维、96维、1维的顺序对数据进行变换。

此外，如图5所示那样，Compile A1～A3包含进行全连接处理的全连接层“Linear”、进行正则化的“Keranel regulizar”、进行ReLU处理的ReLU层“ReLU”，层群Compile B1包含全连接层、批标准化层、进行最佳化处理的Adam层“Adam”。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，位于他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层以及按学习时的每个迷你批(mini batch)进行标准化的BN(BatchNormalization，批标准化)层。

学习处理部35将通过上述的学习处理生成的尿酸值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。

<利用尿酸值推定模型的尿酸的推定>

图6是表示尿酸值推定处理的执行步骤的流程图。

在步骤ST201，尿酸测定装置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，尿酸测定装置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的尿酸值推定模型，通过推定处理部37算出尿酸值推定值。

在步骤ST204，所算出的尿酸值推定值被存储到推定数据存储部38，在步骤ST205，将尿酸值推定值向显示装置39等外部终端输出，进行显示。

<实施例>

以下记载本申请发明的实施例。但本发明并不限定于以下的实施例。

属性信息包含ID、姓名、年龄、性别，无创的生物体信息包含BMI、血压、脉搏波数据、心电图数据、生物体阻抗以及氧饱和度(SpO2)。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测量，关于血压，通过血压计测定。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ES-TECK BC-3(Ryobi Systems)测定。另外，也可以取代ES-TECK BC-3，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，也可以使用给定的可穿戴终端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、左右额的计6处的电极当中的2处之间流过微弱的电来进行测定。电压和电流分别设为1.28V、200μA，电导对于1秒测定32毫秒期间。在6处的电极中，在2处流过电流，来测定(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)电传导度(μS/m)。

此外，测定肌肉量、体脂肪量、总水分量、相位角、电阻值，还测定在间、/>间通电时的介电常数(μSi)。

通过ES-TECK BC-3，对各被测验者进行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。在进行测定时，在被测验者的左手食指装备具备心电图、脉搏波计以及脉搏血氧仪的功能的设备，在额头装备2个电极，在坐在椅子的状态下将双手双脚置于电极板上。

<学习模型1>

在学习模型1中，如图5所示那样，进行基于神经网络(NN)的机器学习。

这时，作为属性信息以及无创的生物体数据，选择、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、循环血液量·血压…平均动脉压、收缩期血压、舒张期血压、脉压·脉搏波数据…外周血管阻力、脉搏·生物体阻抗…除脂肪体重(kg)、总水分量(kg)、心输出量、R(Ω)、额路径的介电常数、单手-单手路径的介电常数·心电图数据…心跳数

此外，在无创的生物体数据中还包含将心输出量除以心跳数而得到的1次输出量、脉压/脉搏的数据、循环血液量和根据1次输出量计算出的循环血液系数。

<实施例1>

在实施例1中，使用总计被测验者712名的(1)属性信息、(2)通过身高体重计、血压计以及ES-TECK 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尿酸的训练数据集，经过上述学习模型1的机器学习，来生成尿酸值推定模型。

然后，关于尿酸值推定模型的推定精度，通过计算与实际测定的尿酸的相关系数来判定。其结果，成为尿酸值推定值与实际的尿酸的误差的平均：0.14、标准偏差：1.05、标准误差：0.08。尿酸的实测值与预测的尿酸的相关系数为0.63。此外，无相关检验的结果p值不足0.001，在通过本推定模型推定的尿酸值与通过血液检查得到的尿酸值之间有相关关系。如上述那样，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的无创生物体数据，通过机器学习生成尿酸值推定模型，由此，不进行血液检查，就能进行尿酸的推定。

此外，如下述那样，即使是限定无创生物体数据中所含的各数据的数量的情况，也能进行“尿酸值风险”、即尿酸值是否正常的判定。

<基于机器学习的尿酸值风险推定模型的生成>

图7是表示基于机器学习的尿酸值风险推定模型的生成执行步骤的流程图。

在步骤ST301，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尿酸，将尿酸不足7.0mg/dL变换成0(无风险)，将7.0mg/dL以上变换成1(有风险)。此外，在被分类成0的人数与1与被分类成分类的人数偏离而不均衡的情况下，学习处理部35也可以对学习数据运用SMOTE(Chawla，NV.et al.2002)，人工地生成训练样本。即，在输入数据(训练数据集)中，基于通过血液检查得到的尿酸的测定值来附加表示尿酸值风险的有无的标签(例如上述的0或1)，在该标签中，在有尿酸值风险(标签：1)的数量与无尿酸值风险(标签：0)的数量的差为给定的值以上的情况下，增加(生成)训练数据集中的样本数据，以使得减小该差。

在步骤ST302，学习处理部35进行基于逻辑回归或随机森林的机器学习。

在基于逻辑回归的机器学习中，例如能使用在Python的开源机器学习库即Scikit-learn中提供的逻辑回归(Logistic Regression)。此外，根据需要，也可以通过主成分分析来压缩维数。将通过血液检查得到的尿酸值风险和通过机器学习推定的尿酸值风险进行比较，调整逻辑回归的各参数(C、正则化方法、max iter、solber)，以使得f1评分成为最大。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，是指L1正则化或L2正则化，对其进行选择。max iter是反复学习的最大次数。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2、3中选择liblinear法。

在基于随机森林的机器学习中，例如能使用在Python的开源机器学习库即Scikit-learn中提供的随机森林分类器(Random Forest Classifier)。将通过血液检查得到的尿酸值风险和通过机器学习推定的尿酸值风险进行比较，调整随机森林分类器的各参数(max_depth、max_features、n_estimators)，以使得f1评分成为最大。在此，所谓max_depth，是决策树的深度，所谓max_features，指定各个树的随机性。所谓n_estimators，是所构建的决策树的数量。其中，max_depth为无None或1～7，subsample为0.3～0.7，max_features选择“auto”、“sqrt”、“log”当中最优者，n_estimator在10～1000的范围内进行调整。

学习处理部35将通过上述的学习处理生成的尿酸值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。

<利用了尿酸值风险推定模型的尿酸值风险的推定>

如图8所示那样，在步骤ST401，尿酸值推定装置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ST402，尿酸值推定装置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ST403，使用存储于推定模型存储部36的尿酸值风险推定模型，通过推定处理部37算出属于等级0(无风险)或等级1(有风险)的概率、即尿酸值风险推定值。在步骤ST404，将所算出的尿酸值风险推定值存储到推定数据存储部38，在步骤ST405，将尿酸值风险推定值向显示装置39等外部终端输出，进行显示。

<实施例(尿酸值风险推定)>

以下记载尿酸值风险推定的实施例。但本发明中的尿酸值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、性别的任一者或这些的组合，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)的任一者或这些的组合。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测量，关于血压，通过血压计测定。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ES-TECK BC-3(Ryobi Systems)测定。另外，也可以取代ES-TECK 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、左右额的总计6处的电极当中2处间流过微弱的电来进行测定。电压和电流分别设为1.28V、200μA，电导每1秒测定32毫秒期间。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，还测定在间、/>间通电时的介电常数(μSi)。

由ES-TECK BC-3对各被测试者进行脉搏波数据、心电图数据、生物体阻抗以及氧饱和度(SpO2)的测定2分钟。在测定时，在对被测试者的左手食指装备具备心电图、脉搏波计以及脉搏血氧仪的功能的设备，在额头装备2个电极，在坐在椅子的状态下将双手双脚置于电极板上。

<学习模型2>

在学习模型2中，如图7所示那样，进行基于随机森林的机器学习。这时，作为无创的生物体数据，选择、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·体重·血压…舒张期血压·脉搏波数据…加速度脉搏波增龄指数·生物体阻抗…总水分量(kg)、ESG2+4+15+17(μS/m)、ESG9+10(％)、额路径的介电常数、单手-单手路径的介电常数、1次输出量，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，(％)是将实测平均值标度变换成能进行通常测量的范围内的值。此外，无创的生物体数据中，还包含生物体阻抗中所含的心输出量以及根据氧饱和度(SpO2)推定的氧输送量。

<学习模型3>

在学习模型3中，如图7所示那样，进行基于逻辑回归的机器学习。这时，作为无创的生物体数据，选择、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、循环血液量·血压…平均动脉压、脉压·脉搏波数据…外周血管阻力、加速度脉搏波增龄指数、b/a、脉搏·心电图数据…心跳数·生物体阻抗…心输出量、15右手-16额左侧/ΔSCRC-SCRA、ESG9+10(％)、R、额路径的介电常数、循环血液系数

此外，无创的生物体数据中，还包含脉压/脉搏的数据以及根据循环血液量和1次输出量而计算的循环血液系数。

<实施例2>

在实施例2中，使用被测验者321名的(1)属性信息、(2)由身高体重计、血压计以及ES-TECK 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尿酸的训练数据集，经过上述学习模型2的机器学习，来生成尿酸值风险推定模型。

然后，关于尿酸值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0.81，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。

<实施例3>

在实施例3中，使用总计被测验者712名的(1)属性信息、(2)由身高体重计、血压计以及ES-TECK 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尿酸的训练数据集，经过上述学习模型3的机器学习，来生成尿酸值风险推定模型。

然后，关于尿酸值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3的推定结果的ROCAUC曲线在图10示出

(变形例)

在上述的实施方式中，说明了使用学习模型2或学习模型3推定尿酸值风险的示例，但也可以使用多个学习模型来推定尿酸值风险。

由此，比起使用1个学习模型推定尿酸值风险，能更高精度地进行推定。

此外，在上述的实施方式以及实施例中，由于能看到若使用BMI作为学习模型的数据集就提升推定精度的事例，因此，可以在尿酸值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，根据用户所输入的身高、体重求取，通过推定该BMI，仅取得生物体信息就能取得上述的尿酸值风险，因此，对用户而言便利性提升。

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)倾斜度有相关。为此，例如，可以在用户的腹部设置给定的加速度传感器(或者使具备加速度传感器的腕带型的可穿戴终端等碰到腹部)，基于从该加速度传感器输出的数据求取腹部的倾斜度，来推定BMI。

此外，与上述同样，关于脉搏波数据、氧饱和度，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。由于已知有通过心跳经过动脉送来的脉搏波的速度与血压的相关，因此，可以使用测定通过该心跳经过动脉送来的脉搏波的速度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与显示面相反侧的面的电极、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，可以根据通过装备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面的电极相接、并且与进行了该装备的手相反侧的手(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，可以将能在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、氧饱和度当中至少1个以上生物体信息)作为示教数据，使用用种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执行，还能通过软件执行。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，功能块所存在的位置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。计算机可以是装入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，还由以预先装入装置主体的状态提供给用户等的记录介质等构成。程序由于能经由网络发布，因此，记录介质可以是搭载于与网络连接或能连接的计算机或能访问的记录介质。

另外，在本说明书中，记述了记录于记录介质的程序的步骤当然包含按照该顺序在时间序列上进行的处理，但不一定非要在时间序列上进行处理，还包含并列或个别执行的处理。此外，在本说明书中，系统的用语是指由多个装置、多个手段等构成的整体的装置。

附图标记的说明

1尿酸值推定系统

10终端装置

20生物体信息测定装置

30尿酸值推定装置

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 (13)

1.一种尿酸值推定装置，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，其存储尿酸值推定模型；和

推定处理部，其使用所述尿酸值推定模型，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尿酸值推定值。

2.根据权利要求1所述的尿酸值推定装置，其特征在于，

所述属性信息包含年龄以及性别的任一者或这些的组合，

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、以及生物体阻抗的任一者或这些的组合。

3.根据权利要求1或2所述的尿酸值推定装置，其特征在于，

所述尿酸值推定装置还具备：

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尿酸值推定模型。

4.根据权利要求3所述的尿酸值推定装置，其特征在于，

所述训练数据集包含被测验者的属性信息、无创的生物体信息以及从血液测定的尿酸测定值。

5.根据权利要求4所述的尿酸值推定装置，其特征在于，

所述无创的生物体信息还包含氧饱和度即SpO2。

6.根据权利要求4或5所述的尿酸值推定装置，其特征在于，

所述尿酸值推定值与所述尿酸测定值的相关系数为0.6以上。

7.根据权利要求3～6中任一项所述的尿酸值推定装置，其特征在于，

所述训练数据集包含被测验者的无创的生物体信息以及从血液测定的尿酸测定值，

所述推定处理部取代所述尿酸值推定值而计算尿酸值风险推定值。

8.根据权利要求7所述的尿酸值推定装置，其特征在于，

所述学习处理部执行：

在所述训练数据集中，基于从血液测定的尿酸测定值来附加表示所述尿酸值风险的有无的标签，

在所述标签中，在有所述尿酸值风险的数量与无所述尿酸值风险的数量的差为给定的值以上的情况下，增加所述训练数据集中的样本数据，以使得减小所述差。

9.根据权利要求7或8所述的尿酸值推定装置，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尿酸值风险推定模型以及第2尿酸值风险推定模型，

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

10.根据权利要求1～9中任一项所述的尿酸值推定装置，其特征在于，

所述尿酸值推定装置还具备：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、氧饱和度当中至少1个以上生物体信息，

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，作为所述给定的用户的生物体信息。

11.一种无创尿酸值推定系统，其特征在于，具备：

权利要求1～10中任一项所述的所述尿酸值推定装置；和

生物体信息测定装置，其测定无创的生物体信息。

12.一种尿酸值推定方法，其特征在于，包含如下步骤：

存储包含被测验者的属性信息、无创的生物体信息以及从血液测定的尿酸测定值的训练数据集；

基于所述训练数据集，通过机器学习来生成尿酸值推定模型；和

使用所述尿酸值推定模型，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尿酸值推定值。

13.一种程序，其特征在于，使计算机执行如下步骤：

存储包含被测验者的属性信息、无创的生物体信息以及从血液测定的尿酸值的测定值的训练数据集；

基于所述训练数据集，通过机器学习来生成尿酸值推定模型；和

使用所述尿酸值推定模型，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尿酸值推定值。