CN117693313A - HbA1c风险推定装置、HbA1c风险推定方法以及程序 - Google Patents

Abstract

以往，在HbA1c的测定中，需要采集被测验者的血液，进行生化分析。但在该方法中，需要有创式地将针等刺入被测验者的皮肤，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，通过机器学习生成HbA1c风险推定模型，由此，能根据给定的用户的属性信息和/或无创的生物体信息来无创地推定HbA1c风险。

Description

HbA1c风险推定装置、HbA1c风险推定方法以及程序

技术领域

本发明涉及HbA1c风险推定装置、HbA1c风险推定方法以及程序。

背景技术

血红蛋白是红血球内的蛋白质的1种，担负向全身输送氧的作用。血红蛋白与血中的葡萄糖结合，不可逆地变化为糖化血红蛋白。由于血红蛋白在体内循环120天左右，因此，认为通过测定糖化血红蛋白的比例(HbA1c)，反映凭借空腹时血糖值无法获知的长期的糖代谢、血糖值。根据Ningen Dock学会制定的血液检查中的判定基准，若HbA1c为5.5％以下，则判定为没有异常，若为5.6％以上，则判定为有风险。

以往，在HbA1c的测定中，需要采集被测验者的血液，进行生化分析。然而，在该方法中，需要有创式地将针等刺入被测验者的皮肤，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。

另一方面，在专利文献1中，公开了采集被测验者的尿、将尿中锌值作为指标来无创地推定HbA1c的方法。

在先技术文献

专利文献

专利文献1：JP特开2021-047056

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 Marc h，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 of10years of research and development.Med Devices(Auckl).2012；5：23-30.doi：10.2147/MDER.S29319

发明内容

-发明所要解决的课题-

然而，在专利文献1所记载的方法中，需要采集被测验者的尿，在锌、肌酐量等的测定中存在需要分析装置等课题。

本发明鉴于是上述那样的状况而提出的，本发明的目的在于，提供HbA1c风险推定装置、HbA1c风险推定方法以及程序，其能在不进行采血、采尿的情况下，根据无创的生物体信息极其精度良好且迅速地推定HbA1c对健康的风险。

-用于解决课题的手段-

本发明所涉及的HbA1c风险推定装置特征在于，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HbA1c风险推定模型；和推定处理部，其使用HbA1c风险推定模型，基于给定的用户的属性信息和/或无创的生物体信息来计算给定的用户的HbA1c风险推定值。

特征在于，本发明所涉及的HbA1c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，其基于训练数据集，通过机器学习来生成HbA1c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这些的组合，无创的生物体信息包含BMI、循环血液量、血压、脉搏波数据、心电图数据、以及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HbA1c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，HbA1c风险推定值的推定精度是能以ROC_AUC为0.7以上对风险的有无进行分类的精度。

特征在于，学习处理部执行：在训练数据集中，基于从血液测定出的HbA1c测定值来附加表示有无HbA1c风险的标签，在标签中，在有HbA1c风险的数量与无HbA1c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，以使得减小差。

特征在于，学习处理部基于不同种类的训练数据集，分别通过机器学习来生成第1HbA1c风险推定模型以及第2HbA1c风险推定模型，推定处理部使用第1HbA1c风险推定模型以及第2HbA1c风险推定模型，来计算给定的用户的HbA1c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出的生物体信息，作为给定的用户的生物体信息。

特征在于，除了具备HbA1c风险推定装置以外，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HbA1c风险推定系统。

本发明中的HbA1c风险推定方法的特征在于，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出的HbA1c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HbA1c风险推定模型；和使用HbA1c风险推定模型，基于给定的用户的属性信息和/或无创的生物体信息，来计算给定的用户的HbA1c风险推定值。

本发明中的程序的特征在于，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出的HbA1c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HbA1c风险推定模型；和使用HbA1c风险推定模型，基于给定的用户的属性信息和/或无创的生物体信息，来计算给定的用户的HbA1c风险推定值。

-发明效果-

根据本发明，能提供一种能使用无创的生物体信息通过机器学习来极其精度良好地推定HbA1c对健康的风险的HbA1c风险推定装置、HbA1c风险推定方法以及程序。

附图说明

图1是表示HbA1c风险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HbA1c风险推定装置的硬件结构图。

图4是表示基于机器学习的HbA1c风险推定模型的生成执行步骤的流程图。

图5是HbA1c风险推定时使用的神经网络(NN)的分层构造。

图6是表示HbA1c风险推定处理的执行步骤的流程图。

图7是实施例1中的推定结果的ROC_AUC曲线。

图8是实施例2中的推定结果的ROC_AUC曲线。

具体实施方式

以下，参照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>

参照图1～图6来说明本实施方式所涉及的HbA1c风险推定系统1以及HbA1c风险推定装置30。图1是表示本实施方式所涉及的HbA1c风险推定系统1的概略结构的框图。HbA1c风险推定系统1具备终端装置10、生物体信息测定装置20、HbA1c风险推定装置30以及显示装置39。

在此，所谓“用户”，是指为了无创地得到HbA1c风险的推定值而利用HbA1c风险推定系统的人。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HbA1c测定值作为在HbA1c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HbA1c风险推定装置30输出的信息终端，则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)。另外，身高、体重等也可以通过后述的生物体信息测定装置20来测定。

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，是指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STEC 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，无创的生物体信息可以包含BMI(身体质量指数)、循环血液量、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，还可以包含氧饱和度(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、脉搏血氧仪从红色LED对手指等体的突出的部位照射红色光(～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，由此测定脉搏波数据。

脉搏波数据包含脉搏、弹性指数、末梢血管阻力、加速度脉搏波、b/a、e/a、-d/a、高泽式加速度脉搏波年龄增加指数、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，是指用身高除以在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。末梢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，暗示了急性焦虑性神经症的可能性。

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)、收缩后期再降下波(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。伴随年龄增加，认为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年龄增加指数(b-c-d-e)/a来评价血管的年龄增加。射血分数是在各心跳中从心室送出的血液的比例，与加速度脉搏波年龄增加指数成正比。LVET是左心室射血时间，是在大动脉瓣释放后左室内的血液向大动脉射血的时间。

心电图数据能通过电极的心电图法(ECG)或光电脉搏波法(PPG)进行测定。

心电图数据包含呼吸数、心率、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、心率变动指标LF/HF、总功率的任一者或这些的组合。在此，所谓RR间隔，是指从心电图的QRS波到下一个QRS波的间隔。所谓MxDMn比率，是指时间内最长的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，是指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)例如能通过在两脚、双手、左右额的共计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，则能测定(1)阳极/阴极电导(μS)、(2)阴极/阳极的电导(μS)、(3)在上述(1)中测定的电导与在上述(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， 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)。

在生物体阻抗中包含体脂肪量(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、3额右侧-4右手/SCRC、5左手-6左脚/ΔSCRC-SCRA、9额左侧-10额右侧/SCRC、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(μS/m)、ESG6+13+19(％)、ESG 6+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÷心率)、右额的阻抗指数(3额右侧-4右手/SCRC与9额左侧-10额右侧/SCRC之和)的任一者或这些的组合。

在此，所谓SCR，是指皮肤电导响应(skin conductance response)的简称，所谓ESG，是指电扫描谱图的简称。ESG2+4+15+17的“+”是指由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由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中记载有详细内容。

“1额左侧-2左手/SCRA”是在流过电以使得“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/ASCRC-SCRA”是在“5左手”、“6左脚”间通电成阳极-阴极、阴极-阳极时测定出的电导的差分。

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HbA1c风险推定装置30输出。生物体信息测定装置20可以是配备的测定装置，也可以如可穿戴终端那样是可移动的测定装置。

HbA1c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以及推定数据存储部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HbA1c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，在检体检查信息中还可以包含从血液、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，使用训练数据集来制作HbA1c风险的推定模型。具体地，在推定HbA1c风险的情况下，通过对所取得的训练数据集进行XGBoost等的梯度提升、神经网络以及逻辑回归、或基于这些学习结果的集成学习的机器学习，来学习属性信息以及无创的生物体信息与HbA1c风险的关系。

推定模型存储部36存储由学习处理部35生成的HbA1c风险的推定模型。

在无创的生物体信息中包含BMI、循环血液量、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和/或无创的生物体信息来推定用户的HbA1c风险。然后，将HbA1c风险推定值存储在推定数据存储部38中。

显示装置39能将HbA1c风险推定值和用户的属性信息、无创的生物体信息一起显示。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HbA1c风险推定装置30的硬件结构图。如图3所示那样，HbA1c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HbA1c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HbA1c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，则可以是任意的存贮器，例如能利用记录介质(磁盘、光盘等)、随机存取存储器、闪速存储器、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输入信息，或者向显示装置39进行HbA1c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，HbA1c风险推定装置30能通过市售的台式电脑或笔记本电脑进行安装，利用推定模型的HbA1c风险的推定值的算出所需的时间是数秒。

另外，在HbA1c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。

通过基于包含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HbA1c风险推定模型，由此，能够在不进行血液检查的情况下进行HbA1c风险的推定。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HbA1c是否正常的判定。

<基于机器学习的HbA1c风险推定模型的生成>

图4是表示基于机器学习的HbA1c风险推定模型的生成执行步骤的流程图。

在步骤ST101中，学习处理部35进行输入数据的预处理。具体地，学习处理部35关于通过血液检查得到的HbA1c，将HbA1c5.5％以下变换成0(无风险)，将5.6％以上变换成1(有风险)。此外，在被分类成0的人数和被分类成1的人数偏离而不均衡的情况下，学习处理部35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，可以基于通过血液检查得到的HbA1c来附加表示HbA1c风险的有无的标签(例如上述的0或1)，在该标签中在有HbA1c风险(标签：1)的数量与无HbA1c风险(标签：0)的数量之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。另外，关于性别，将女性设为0，将男性设为1。此外，关于年龄、体重、BMI、循环血液量，直接使用各自的值。

在步骤ST102中，学习处理部35进行基于逻辑回归、神经网络以及梯度提升决策树的机器学习，在步骤ST103中，对基于逻辑回归、神经网络、以及梯度提升决策树的机器学习的学习结果进一步进行集成学习(投票)。

图5是作为HbA1c风险推定模型使用的神经网络(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。NN的构造经由4个层群(Compile A1、Compile A2、Compile A3、Compile B1)按照D维、96维、96维、96维、1维的顺序变换数据。

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”以及进行最佳化处理的“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为0来防止过学习的Dropout层。

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HbA1c风险和通过机器学习推定出的HbA1c风险推定值进行比较，调整逻辑回归的各参数(C、正则化方法、max_iter、solber)，以使得f1分数成为最大。在此，所谓C，是指决定正则化的强度的权衡参数，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(entropy)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、2中选择了liblinear法。

在基于梯度提升回归树的机器学习中，能使用XGBoost、CatBoost、LightBGM等软件库。使将通过血液检查得到的HbA1c值和给定的阈值进行比较而得到的风险值(0：无风险、1：有风险)和通过机器学习推定出的HbA1c风险值进行比较，调整XGBoost的各参数(max_depth、subsample、colsample_bytree、learning_rate)，以使得f1分数成为最大。max_depth是决策树的深度，subsample是在各树中随机提取的样本的比例，coIsample_bytree是在各树中随机提取的列的比例，1earning_rate表示学习率。其中，max_depth在1～10的范围进行调整，subsample在0.1～1.0的范围进行调整，colsample_bytree在0.3～1.0的范围进行调整，learning_rate在0.1～0.7的范围进行调整。

学习处理部35将通过上述的学习处理生成的HbA1c风险推定模型存储在推定模型存储部36中。

另外，上述的机器学习算法是一例，并不限定于这些。

<利用了HbA1c风险推定模型的HbA1c风险的推定>

如图6所示那样，在步骤ST201中，HbA1c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中，HbA1c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。并且，将用户的属性信息和无创的生物体信息存储在用户数据存储部33中。然后，在步骤ST203中，使用存放于推定模型存储部36的HbA1c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HbA1c风险推定值。在步骤ST204中，将所算出的HbA1c风险推定值存储在推定数据存储部38中，在步骤ST205中，将HbA1c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(HbA1c风险推定)>

以下，记载HbA1c风险推定的实施例。其中，本发明中的HbA1c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、循环血液量、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STEC BC-3(Ryobi Systems)进行测定。另外，也可以取代STECBC-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，也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)的测定通过在两脚、双手、左右额的共计6处的电极当中2处间流过微弱的电来进行测定。电压和电流设为1.28V、200μA，电导每1秒测定32毫秒。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，

由STEC BC-3对各被测试者进行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，在对被测试者的左手食指装备2个具备心电图、脉搏波计以及脉搏血氧仪的功能的设备，在额装备电极，在坐在椅子的状态下将双手两脚置于电极板上。

<学习模型1>

在学习模型1中，仅使用图4中的逻辑回归来进行机器学习。由于仅使用逻辑回归，因此，不进行图4中的集成学习。

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，在该模型中不使用属性信息。(A)无创的生物体数据·BMI·血压…舒张期血压、脉压·脉搏波数据…弹性指数、脉搏·心电图数据…心率、LF/HF·生物体阻抗…5左手-6左脚/ΔSCRC-SCRA、左脚的电导、R(Ω)。

此外，在无创的生物体数据中，还包含根据脉压/脉搏的数据、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，如图4所示那样，进行基于逻辑回归、神经网络以及梯度提升的机器学习，对这些学习结果进行基于投票的集成学习，由此制作血中HbA1c风险推定模型。这时，作为无创的生物体数据，选择并使用下述所示的数据。(A)属性信息·年龄、性别(B)无创的生物体数据·体重、BMI、循环血液量·血压…收缩期血压、舒张期血压、平均动脉压·脉搏波数据…弹性指数·心电图数据…心率、LF/HF·生物体阻抗···肌肉量(％)、总水分量(kg)、总水分(％)、心输出量、3额右侧-4右手/SCRC、9额左侧-10额右侧/SCRA、右额的阻抗指数(3额右侧-4右手/SCRC与9额左侧-10额右侧/SCRC之和)、左脚的电导、R(Ω)、1次输出量。

此外，在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氧饱和度(SpO2)推定的氧输送量。

<实施例1>

在实施例1中，使用被测验者321名的(1)属性信息、(2)通过身高体重计、血压计以及STEC 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而得到的HbA1c的训练数据集，经过上述学习模型1的机器学习，来生成HbA1c风险推定模型。

然后，关于HbA1c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0.78，超过了表示能进行良好的分类的0.7。在图7中示出实施例1的推定结果的ROC_AUC曲线。

<实施例2>

在实施例2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STEC 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而得到的HbA1c的训练数据集，经过上述学习模型2的机器学习来生成HbA1c风险推定模型。

然后，使用HbA1c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0.80，成为与表示能进行极其良好的分类的0.8相同的值。在图8示出实施例2的推定结果的ROC_AUC曲线。

(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HbA1c风险的示例，但也可以使用多个学习模型来推定HbA1c风险。

由此，比起用1个学习模型推定HbA1c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，发现若使用BMI作为学习模型的数据集时提升推定精度的事例，因此，也可以在HbA1c风险推定装置中设置推定该BMI的功能部。

通常，不由可穿戴终端等取得BMI，而是根据用户所输入的身高、体重求取，但通过推定该BMI，仅取得生物体信息，由此能取得上述的HbA1c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，已知BMI与用户的腹部的(给定的位置的)斜率有相关。为此，例如，也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斜率，并推定BMI。

此外，也可以与上述同样地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脉搏波数据、氧饱和度。

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，也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进行推定。例如，能基于从设于腕带型的可穿戴终端的与显示面相反一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一侧的面的电极相接、与进行该装备的手相反一侧的手(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，与上述同样地，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，也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，也可以使用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、氧饱和度当中至少1个以上生物体信息)作为示教数据，使用利用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取得部也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，上述的功能性结构只不过是例示，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，为了实现该功能而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，也可以将服务器的功能块移交到其他终端、装置等。相反，也可以将其他终端、装置的功能块移交到服务器等。此外，一个功能块既可以由硬件单体构成，也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。计算机也可以是组装于专用的硬件的计算机。此外，计算机也可以是通过安装各种程序而能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，还由在预先组装于装置主体的状态下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，记录介质也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不仅包含按照其顺序按时间序列进行的处理，还包含不一定按时间序列进行处理，而是并行或单独执行的处理。此外，在本说明书中，系统的用语是指由多个装置、多个单元等构成的整体的装置。

-符号说明-

1 HbA1c风险推定系统

10 终端装置

20 生物体信息测定装置

30 HbA1c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HbAlc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HbAlc风险推定模型；和

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

2.根据权利要求1所述的HbAlc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的任一者或这些的组合，

所述无创的生物体信息包含BMI、循环血液量、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HbAlc风险推定装置，其特征在于，

所述HbAlc风险推定值的推定精度是能以ROC_AUC为0.7以上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HbAlc风险推定装置，其特征在于，

所述HbAlc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HbAlc风险推定模型。

5.根据权利要求4所述的HbAlc风险推定装置，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HbAlc测定值。

6.根据权利要求5所述的HbAlc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HbAlc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，基于从血液测定出的HbAlc测定值来附加表示有无所述HbAlc风险的标签，

在所述标签中，在有所述HbAlc风险的数量与无所述HbAlc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，以使得减小所述差。

8.根据权利要求4～7中任一项所述的HbAlc风险推定装置，其特征在于，

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

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

9.根据权利要求1～8中任一项所述的HbAlc风险推定装置，其特征在于，

所述HbAlc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出的生物体信息，作为所述给定的用户的生物体信息。

10.一种无创HbAlc风险推定系统，其特征在于，具备：

权利要求1～9中任一项所述的所述HbAlc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HbAlc风险推定方法，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出的HbAlc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HbAlc风险推定模型；和

使用所述HbAlc风险推定模型，基于给定的用户的属性信息和/或无创的生物体信息，来计算所述给定的用户的HbAlc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：

存储包含被测验者的属性信息、无创的生物体信息以及从血液测定出的HbAlc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HbAlc风险推定模型；和

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