JP2001508573A

JP2001508573A - 治療結果を予測する方法および装置

Info

Publication number: JP2001508573A
Application number: JP53236998A
Authority: JP
Inventors: コマノア，ロレイン; エム．マイナー，ジェイムズ
Original assignee: カイロンコーポレイション
Priority date: 1997-01-15
Filing date: 1998-01-13
Publication date: 2001-06-26
Also published as: EP0953177A1; WO1998032088A1; AU6023798A; US5860917A

Abstract

(57)【要約】疾患を患っている患者の、その疾患のための治療療法への応答を評価する方法、ソフトウェア、およびシステムが示される。１つの局面では、疾患を患っている患者を処置するための処置療法の有用性を評価する、本発明の方法、システム、およびソフトウェアが提供される。上記局面の１つの実施形態では、処置療法の有用性を記述する統計モデルに関する少なくとも１つの診断変数の値が決定される。統計モデルは、判別およびロジスティック分析を含むように適合されている、強化された相似距離最小二乗（ＳＭＩＬＥＳ）分析を用いて導出される。次いで、診断変数の値はモデルに適用され、患者を処置する際の処置療法の推定有用性を提供する。ここに記載される方法、ソフトウェア、および装置を用いて、患者応答性の強力で統計学的に有意なモデルであって、処置変数の間の複雑な相互作用を簡略化しすぎる脆い現在の処置応答予測方法に関連する問題点を低減するモデルは、患者および臨床医が、治療を決定するのを助け得る。

Description

【発明の詳細な説明】治療結果を予測する方法および装置発明の背景発明の分野本発明は、観測された事象と、そのような観測された事象と推定上の統計関係を持つ１つ以上の因子との相関を評価するためのソフトウェア、方法、および装置に関する。より具体的には、本明細書に記載されるソフトウェア、方法、および装置は、治療的療法を用いて処置されている患者に関する可能性の高い治療結果の予測に関する。背景疾患の処置に対する統計的方法の適用は、近代医学の偉大な成功談の１つである。統計的方法論を用いることにより、医師および科学者は、何世紀にわたって人類を悩ませた多種多様の病気に関する原因、作用、および処置を確認することができた。従って、例えば、先進国では、コレラのような疾患は、主に、それらの疾患に関連する様々なリスクおよび処置因子の統計的解析を用いて、それらの疾患の原因および処置を理解することによって撲滅された。医学に対する統計的方法の特に重要な適用の１つは、疾患を処置するための療法の効力の評価、および処置療法に対するある特定の患者の応答(response)の可能性を決定するための統計モデルの使用である。癌、心臓疾患、およびＢ型肝炎（「ＨＢＶ」）、Ｃ型肝炎（「ＨＣＶ」）、および後天性免疫不全症候群（「ＡＩＤＳ」）を含むウイルス性感染症等の多くの疾患に関する処置療法が、潜在的に問題のある結果を有する、費用、ライフスタイルの変化、および／または身体的不快感の面で、処置を受ける患者の側に多くの犠牲を必要とするので、後者の適用は特に重要である。例えば、ＨＢＶの治療選択肢は、不快な副作用があり、高価なインターフェロン−α（「ＩＦＮα」）処置のコースに主に限られている。実際、ＨＢＶのためのＩＦＮα処置を受けている患者の中には、たとえその処置が効力を示していても、処置の副作用に苦しめられ、治療を完全に止めることを選択するものもいる。さらに、ＨＢＶに苦しめられている人の約１／３のみが、ＩＦＮα処置に肯定的な応答を示す（DiBisceglie、Fongら、1993年）。処置療法の副作用があまり大きくない場合でも、統計的方法は、処置選択肢を評価する際に医師および患者を補助するために使用され得る。従って、ある処置療法の成功の可能性を評価するための方法に対するアクセスを、ある疾患に苦しめられている患者にその療法を決定する前に持っていることは、臨床医にとって多大な利益である。特に、ＨＢＶはモデリングが難しい疾患である。この難しさは、少なくとも部分的に、ＨＢＶ病原体とその宿主との相互作用という非常に複雑な性質による。この複雑な相互作用の局面には、特定の段階の宿主のライフサイクルの間の宿主の血流におけるＨＢＶレベルの変動、ＨＢＶに対する宿主の性別の影響、ＨＢＶに対する宿主の環境の影響、ＨＢＶと、ＡＩＤＳまたはマラリア等の宿主が感染し得る他のウイルスとの間の相互作用が含まれる（CoveneyおよびHighfield、Bl umberg、1994年）。従って、ＨＢＶ処置に関する治療結果の予測のどのようなモデルも、ウイルス−宿主システム内の様々な非常に複雑な相互作用を考慮しなければならない。一般的に、医療用途に使われる統計的方法は、疾患のために処置されている患者から収集された臨床変数を、それらの患者に関して予想される処置結果と関連づける、いわゆるロジスティック回帰方法に限定されてきた。ロジスティック回帰方法は、関連の情報によって影響を受けるような、定義された結果の確率を推定するために使用される。典型的には、これらの方法は、処置結果をモデリングするために使用されるＳ字状ロジスティック確率関数（DillonおよびGoldstein 、1984年）を利用する。モデルのパラメータの値は、最尤推定方法を用いて決定される。最尤推定手順の使用と合わせたロジスティック確率関数の非線形性は、ロジスティック回帰方法を複雑にする。従って、このような方法は、研究されている様々な臨床変数間の相互作用が存在する複雑なモデルに対してしばしば効果がない。さらに、ロジスティック方法と、最尤方法とを合わせることにより、ロジスティックモデルの認証が、モデルの真の能力を過大評価し得る遡及的予測に限定される。ロジスティックモデルは、研究されている臨床変数間の相互作用を考慮するために判別解析と組み合わせられ、それによって、患者のカテゴリ（例えば、応答者(responder)および未応答者）間を判別するのに効果的な線形統計モデルが提供され得る。しばしば、これらのモデルは、研究されている臨床データの多変量の積を含み、純粋なロジスティックモデルに一般的に使用される方法の改変を利用する。さらに、組み合わせられたロジスティック／判別モデルは、遡及的統計的方法に加えて見込み統計的方法を用いて認証され、それによって、モデルの予測能力のより正確な査定が提供され得る。しかし、これらの組み合わせられたモデルは、限られた程度の臨床変数間の相互作用にのみ有効であり、その結果、多くの適用には不十分である。さらに、純粋なロジスティックモデルと、組み合わせられたロジスティック／判別回帰モデルとの両方が、臨床変数または臨床変数の積を可能性の高い処置結果の推定に相関させるように設計される。ある患者の臨床変数と、その患者の可能性の高い処置結果との関係には有用性があるが、臨床医は、臨床検査結果の集合よりも患者に関心があることが理解されるであろう。従って、治療結果を予測する際に一般的に用いられる従来のロジスティック回帰のまさに基礎が疑問視されなければならない。従って、必要なのは、患者の変数間の複雑な相互作用を統計的にロバストな形態でモデリングする特定の処置療法の可能性の高い処置結果を予測するための統計的に有意なモデルを提供するための方法である。さらに、臨床医および患者に、考慮されている療法の下での成功処置結果の確率に関する統計的に有意な推定を提供することによって、処置療法を選択する際に臨床医および患者を補助する方法およびシステムを提供する必要性がある。発明の要旨本発明によって、疾患に苦しめられている患者の、疾患のための治療的療法に対する応答を評価するための方法、ソフトウェア、およびシステムが提供される。本明細書に記載される方法、ソフトウェア、および装置を用いて、処置選択肢を決定する際に患者および臨床医を補助するために、処置療法に対する患者の応答性に関するロバストで統計的に有意なモデルが展開され、利用される。従って、本発明により、脆性で、処置変数間の複雑な相互作用を過度に単純化する現在の処置応答予測方法に関連する問題が低減されることがわかるだろう。ある局面において、本発明は、疾患に苦しめられている患者を処置するための処置療法の有用性を評価するための方法、システム、およびソフトウェアを提供する。本発明の方法のある実施形態では、処置療法の有用性を表す統計モデルに関係する少なくとも１つの診断変数の値が決定される。統計モデルは、疾患に苦しめられている個人の、問題の処置療法に対する応答を分類するのに有効な判別関数を用いて導出される。この判別関数は、少なくとも部分的には、診断変数と、問題の療法で処置された患者のデータ集合とに基づく。処置療法を用いて処置されている個人の処置結果の確率を割当てるために、判別関数を用いたロジスティック回帰が次に行われる。診断変数の値が次にモデルに適用され、それによって、患者を処置する際の処置療法の推定有用性が提供される。本発明のこの局面のある実施形態によれば、推定には、予測の可能性の高い処置結果スコアが含まれる。別の実施形態によれば、判別関数が多項式関数を含み得る。また別の実施形態では、判別関数は、データ集合の相似距離最小二乗（ＳＭＩＬＥＳ）解析を用いて展開される。本発明のこの局面を用いて解析され得る処置療法を持つ具体的な疾患には、ＨＢＶ、ＨＣＶ、およびＡＩＤＳが含まれる。別の局面においては、本発明は、哺乳類における疾患を処置するための処置療法に対する可能性の高い応答の統計モデルを作成するための方法、システム、およびソフトウェアを提供する。本発明の方法のある実施形態では、疾患を表し、研究中の処置療法を用いて処置されている個人の少なくとも１つの標本母集団が得られる。母集団、疾患、または処置療法に関係する、疾患と推定上の関係を持つ少なくとも１つの変数が決定される。このデータから、処置療法に対する可能性の高い応答のモデルが導出される。導出ステップには、データを標準化するステップ、上記の方法を用いてデータを処理するステップ、予備モデルをロバスト化するステップ、およびロジスティック解析を用いてモデルの結果を解析し、それによって処置療法に対する応答の統計モデルが提供されるステップが含まれる。ある実施形態では、データを標準化するステップには、データの平均値および標準偏差を計算するステップ、各データ点から平均値を減算するステップ、およびその差を標準偏差で割り算するステップが含まれる。本発明のこの局面の別の実施形態では、元のデータを増加させるために空データが使用される。さらに別の実施形態では、データ集合から判別関数を導出するために使用されるＳＭＩＬＥＳ解析には、患者ベクトルの集合（この集合からノードの集合が導出される）を規定することが含まれる。患者ベクトルとノードとの間の距離が決定される（その距離から相似値の集合が導出される）。相似値は、回帰解析に供され、回帰解析から、予測結果値の集合が導出される。これらの予測結果値は、重み係数の集合を提供するために回帰推定され、モデルをロバスト化する。これは、ある実施形態では、リッジ回帰を用いて行われる。ある実施形態では、相似値が、単調減少関数を用いて規定される。この関数は、を含む関数群から選択され得る（Ｄ_ijはｉ番目の患者ベクトルとｊ番目のノードとの間の差であり、α、β、γおよびδは、適切な係数である）。ある具体的な実施形態では、αは、上記データの標準偏差の二乗が約１．５ｓであるように選択される（ｓは、上記統計モデルにおける変数の数である）。さらに別の局面においては、本発明は、哺乳類における疾患を処置するための療法の効力を決定するための検査スケジュールを最適化するための方法、ソフトウェア、およびシステムを提供する。ある実施形態では、方法には、少なくとも２つの期間の処置療法を示す統計モデルを評価することが含まれる。統計モデルは、上記の方法を用いて導出され、それによって、方法の効力を予測するための最適な検査スケジュールが決定される。本発明の上記および他の局面と利点とが、添付の図面に関連して以下の説明を読むことにより、より明白となるであろう。図面の簡単な説明図１は、本発明による、患者に関する治療的療法の可能性の高い結果を予測するための統計モデルを作成するための方法を示すフローチャートである。図２は、図１のステップ１０４をより詳細に示すフローチャートである。図３は、図２のステップ２０２をより詳細に示すフローチャートである。図４は、図２のステップ２０４をより詳細に示すフローチャートである。図５は、本発明に従って構築された「患者ベクトル」および「ノード」の図示である。図６は、本発明によるコンピュータシステムの模式図である。図７Ａおよび図７Ｂは、時間の関数として、ＨＢＶを処置するための治療的療法の可能性の高い結果を決定する際の臨床変数の相対差を理解するための、本発明の方法の使用法を示す。図７Ａは、処置の０ヶ月目における処置モデルの結果を表す。図７Ｂは、処置の１ヶ月目における処置モデルの結果を表す。具体的な実施形態の説明本発明により、疾患を処置するための処置療法に対する患者の応答性の可能性を評価するための方法、装置、およびソフトウェアが提供される。本明細書に例示されるような方法、装置、およびソフトウェアを用いて、患者の応答性が、処置されている患者を苦しめる疾患用の処置療法の適用の前およびその間に評価され、それによって、ある具体的な処置療法に関連するリスク、負担、および利益に関する重要な情報が患者および臨床医に提供され得る。従って、本明細書に例示される方法、装置、およびソフトウェアは、患者および臨床医の両方に対して、患者の処置選択肢のより正確な査定を可能とすることにより、患者の生活の質および処置の成功の可能性の向上に貢献し得ることが理解される。第１の局面において、本発明は、哺乳類における疾患を処置するための処置療法に対する患者の可能性の高い応答の統計モデルを作成するための方法を提供する。本明細書に使用されるように、「処置療法」は、患者の疾患状態に関連する症状を治癒または低減させるための治療プロトコルと定義される。典型的には、患者はヒトであるが、患者は、イヌ、ネコ、ウシ、ヒツジ、ウマ、またはブタ（これらに限定されることはない）等のあらゆる哺乳類であり得ることが理解される。処置されている疾患は、そのために処置療法が規定され得るあらゆる病気であることが理解される。疾患の例には、癌、ウイルス性感染症、真菌類感染症、細菌性感染症、慢性疼痛、および変性疾患が含まれる（これらに限定されることはない）。ある実施形態では、本発明の方法が、Ｂ型肝炎ウイルス（「ＨＢＶ」）、Ｃ型肝炎ウイルス（「ＨＣＶ」）、および後天性免疫不全症候群（「ＡＩＤＳ」）の処置に対する患者の応答性をモデリングするために適用される。さらに、本明細書に記載される方法は、処置療法または他の与えられた刺激過程に対する植物（例えば、作物）、非哺乳類、または哺乳類の生物等の複雑なシステムの応答の予測に関連して使用され得る。１００において本発明のこの第１の局面による方法のある実施形態を示す図１を参照すると、疾患の処置療法に対する患者の応答性を予測するための統計モデルの展開が、ステップ１０２の臨床データの収集により開始される。これには、要因解析等の様々な実験計画法の使用が含まれ得る。本明細書に使用されるように、「臨床データ」（本明細書では「臨床変数」とも呼ばれる）は、患者の応答性の予測モデルの展開に有用性のあるあらゆる情報であり得る。このデータは、１人以上の患者または個人の直接的診察から収集され得る。あるいは、既存のデータベースから得られ得る。データは、統計的に有意なモデルを作成するために十分な個人の母集団（「標本母集団」）から収集される。標本母集団の大きさは、展開されている予測モデルの詳細に左右され、統計学および医学分野の当業者に公知の方法を用いて決定され得る。常にではないが、典型的には、ステップ１０２で収集されたデータは、処置されている疾患の病因学または症状に対して、なんらかの生化学的、生物物理的、遺伝的、または他の機械論的関係を有する。従って、収集されるべきデータの実際の選択は、医学分野の当業者にはよく知られているように、処置されている疾患に左右されることが明らかである。さらに、収集されたデータは、連続または準連続的（例えば、酵素濃度）で、デジタル化されたデータ（例えば、心電図記録または磁気共鳴画像）である値、または性別のような個別データ、または、参考尺（例えば、痛みの度合い）を用いて導出された値を含み得る。ステップ１０２で収集されたデータ例には、年齢、性別、血球数（例えば、白血球または赤血球数またはヘマトクリット）、抗体または抗原の存在および／または濃度、酵素濃度、抗原決定基の有無（例えば、後天性免疫不全症候群に対するＣＤ４の有無）、疾患の進行の度合い（例えば、疾患の段階）、悪液質（衰弱）の有無、患者に与えられている薬物の投与量、痛みの度合い、遺伝標識の有無、（患者または感染生物における）遺伝子突然変異の有無、疾患の家族歴、および疾患の身体的症状の有無およびそのような症状の度合い（例えば、繊維症の度合い）が含まれる（しかし、これらに限定されることはない）。上記のように、検査される臨床変数の選択は、処置されている疾患に左右され、そのようなデータを得るために必要とされる材料および方法と同様に、医学分野の当業者にはよく知られている。データが収集されると、ステップ１０２で得られたデータを用いて、ステップ１０４において「判別関数」が構築され、このステップは、図２に関連して以下により詳細に説明される。本明細書に使用されるように、「判別関数」という用語は、数学関数、または独立変数の集合に基づいて個人を互いに排他的および網羅的な群に分類するために統計的に効果的となるように決定される構築物を意味し（DillonおよびGoldstein、1984年）、以下により詳細に説明される。独立変数の集合は、典型的には、ステップ１０２で収集されたデータを含む。ロバスト化された判別関数の展開および初期認証に続いて、判別関数が、判別関数を展開するために使用された標本母集団とは無関係の第２の標本母集団にモデルを適用することによって、ステップ１０６においてさらに認証される。モデルは次に、予測の性能を査定するためにステップ１０８において評価される。ステップ１１０においてモデルに非常に信頼がおけると決定されれば、プロセスが終了する。そうでなければ、追加のデータが収集され、新しい判別式が展開されるステップ１０２へプロセスが戻る。モデルの性能の決定は、統計学分野の当業者には公知の方法を用いて達成され得る。図２の２００では、本発明のある実施形態による、判別関数（図１のステップ１０４）の展開に関連するステップを示す。ステップ２０２で始まり、ステップ１０２で収集されたデータが、異なる物理量を表す変数が比較され得るように標準化される。標準化のプロセスにより、広い動的範囲を持つデータの評価が可能となり、その結果、データ解析が容易になる。ステップ３０４では、各変数集合の平均および標準偏差が決定され、標準化変数の集合は、最初に、ある特定の変数の平均値を、上記変数の値の集合の各値から減算することによって計算される。次に、その差が、上記変数の値の集合の標準偏差によって割り算される。回帰解析の結果を評価するためにステップ３０６において、任意のアウトライアーおよび／または残差解析が行われ得る。これらの解析には、変数および効果の順位付け、節減を達成するためのモデルの段階的単純化、アウトライアー処理、および／または残差パターンの解析が含まれ得る（しかし、これらに限定されることはない）。この手順の例は、以下の実施例においても提供される。再び図２を参照すると、標準化データは次に、判別解析を用いてステップ２０４において処理され、それによって、研究されている処置療法に対する患者の可能性の高い処置応答を予測するための判別関数が得られる。用いられる判別関数は、処置療法の様々な結果間を判別するのに効果的な任意の関数であり得る。３つ以上の結果が同様に取り扱われ得るが、通常、起こり得る結果は応答者または未応答者である。ある実施形態では、判別関数には、多項式関数が含まれる。そのような関数は、一般的に、対の相互作用を越える統計モデルの変数間の相互作用の影響が最小であるシステムに有用である。多項式変数はまた、一般的に、計算の複雑さの面でより効率的である。従って、多項式判別関数は、中程度の複雑さを持つモデルに有用であると認識される。しかし、時には、多項式判別関数は、変数間の相互作用がより複雑であるモデルを導出するために使用され得る（例えば、そのように作成されたモデルの予測結果が、対の相互作用を越える変数間の相互作用の影響がモデルの予測能力に対して相対的影響をほとんど持たない場合に結果を決定するために使用される）。判別関数を導出するために有用な関数のさらに他の種類は、統計学分野の当業者には明らかであろう。別の実施形態では、判別関数が相似距離最小二乗（「ＳＭＩＬＥＳ」）解析を用いて導出される。ＳＭＩＬＥＳ解析は、相似したプロファイルを持つエンティティがモデリングされている療法に対して相似した応答を持つという仮定を前提としている。本発明の状況では、「エンティティ」とは、処置されている患者であり、「プロファイル」は、ステップ１０２で収集された臨床データによって定義されるような患者の臨床プロファイルである。個々の患者の臨床情報に対して直接的に回帰解析を行うよりも、ＳＭＩＬＥＳ解析は、患者の臨床情報間の相似点に関する回帰分析を含む。これを行うためには、ＳＭＩＬＥＳモデルは、臨床情報および各患者の応答が単一の数学的オブジェクトとして扱われるオブジェクト指向回帰を用いる。数学的に相似したオブジェクト（モデルに含まれる患者または被験体）は、処置に対して同じまたは非常に相似した応答を持つ確率が高い。逆に、相似していないオブジェクトは、処置に対して同じまたは非常に相似した応答を持つ確率が低い。意図的に、ＳＭＩＬＥＳモデルは、オブジェクトが、一貫した予測パターンが生じるように共に働くことを要求する。従って、雑音（すなわち、偽りの、または誤った臨床情報）の影響がフィルタにかけられ取り除かれる傾向がある。これにより、モデルの性能に対する非典型的な患者のプロファイル（アウトライアー）の影響が低減される。さらに、このようなアプローチは、様々な臨床量の予測とは対照的に、患者間の相似点および差異を強調することによって臨床医療行為と適合性があると認識される。ある実施形態（図４に４００で示される）においては、ベクトル解析が、各患者の臨床プロファイルの多変量情報を整理するための方法として使用される。スクトルの各成分は、ステップ１０２において上記患者のために決定された具体的な臨床変数の値である。すなわち、肝臓酵素濃度、性別インディケータ、ノデル（Knodell）肝生検スコア）であり、ｎは、患者を描写するために使用されている臨床変数の数である。よって規定される。う用語は、実質的に統計的に区別不能（すなわち、性質が非常に似ており、統計的に異なるとは考えられない）ではないエンティティを意味する。ノードの集合ことが理解されるだろう。別の実施形態では、不確定結果予測値（すなわち、応答／未応答の５０％の可能性）以外が同一のプロファイルを有する「零」患者ベクトルの第２の集合が構されることを望まずに、このような増加により、以下に説明される前向く予測プロセスの間に、「楽観的」およびアウトライアー結果の可能性を低減することにより、より優れたモデルの安定性が提供される。さらに、そのような増加により、以下に説明されるように、ノードの集合から導出される基底関数の集合の望ましくない残差の影響が最小限に抑えられる。「幻影患者ベクトル」の集合の使用は、可能性の高い処置結果の最終予測に全く影響しない。なぜなら、そのようなベクトルは真の不確定結果を表すのでベクトルが「情報中立的」であるからである。て得られる。ｉ番目およびｊ番目の患者およびノードの臨床変数をそれぞれ表す。この距離は、図５に５００で示され、図５では、軸５０２、５０４、および５０６を含む座標系が、患者ベクトル５０８およびノード５１０を規定するために用いられる。距遠く離れている場合には、ベクトルの差の二乗の大きさは大きい。従って、患者ｉの臨床プロファイルが患者ｊの臨床プロファイルに相似すればするほど、ベクトルの差の二乗の大きさが小さくなり、これら２人の患者が処置に対して同じ、または相似した応答を持つ可能性がより大きくなる。図４を続けて参照すると、ステップ４０６において、相似スコアＳ_ijが、ステップ４０４で決定されたベクトルの距離から計算され、この相似スコアは、局所基底関数（この関数から統計モデルが構築される）を含む。方程式（１）で決される。理解されるように、相違と相似との間に相反関係が存在する。ある実施形態では、Ｓ_ijは、距離Ｄ_ijの単調減少関数である。適切な単調減少関数の例には、が含まれるが、これらに限定されることはない。ここでは、α、β、γ、および εは係数であり、αおよびεは共にゼロより大きい。さらに他の適切な関数が、として含む。すなわち、である（MinorおよびMamini、1996年）。本発明のある実施形態では、方程式（１）で決定された相違が、以下の方程式、を用いて相似スコアに変換される。σは、局所基底関数間の重なりの度合いを制御し、それによって基底関数の非直交性が制御される統計パラメータである。本発明のある実施形態では、σは、モデルで考慮される臨床変数の数に約１．５倍、すなわち、σ≒１．５ｓである。時には、σは、患者間のみならず、臨床変数間でも異なり得る（すなわち、σは、ベクトルとして扱われ得る）。ＥＫＧ記録またはＭＲ画像等の分野においてなど、利用可能なデータが「密」または準連続的である場合には、σはまた、空間的位置の関数であり得る。一般的に、σの値は、局所基底関数間で強い相関（重なり）を提供するように選択されるべきである。しかし、全ての患者に一定の予測結果確率が生じ得るので、過度に強い相関を避ける注意が成されるべきである。しかし、少なすぎる相関は、データを過剰に適合させ（overfit）、無用で、統計的に無意味な雑音を含むモードを生成する傾向がある。どのような特定の演算理論にも制限されることを望まずに、本発明に記載されるような非直交局所基底関数の使用が、統計モデリングに固有の背景統計雑音のクラッタから統計的に有意な情報のパターンを識別するのに非常に効果的であることがわかった。非直交関数を用いるアプローチは、直交基底関数が、統計モデルを作成するためにほぼ普遍的に使用される統計学分野において独特であると認識される。ステップ４０８では、相似スコアの回帰解析が、予測処置結果スコアおよびモデルを構築するために使用されるノードを重みづけする係数を得るために行われる。ある実施形態では、線形回帰解析（Kshirsager、1972年）が、方程式（３）：を用いて、ｊ番目の患者Δ_jに関する判別関数の最適化推定を提供するために行Ｉ₁は、切片である。方程式（２）におけるＳ_ijの式を用いることにより、が得られる。ある実施形態では、重みＷ_iを決定するための回帰が、いわゆるリッジ回帰技術（Huber 1981年、Minor 1996年）を用いてノード間の非直交性を保持する技術を用いて行われる。このような回帰は、市販の統計解析ソフトウェアを用いて行われ得る。ステップ４１０では、第２の回帰が、冗長ノードを排除し、それによって方程式（３）および（４）に示されるのと同じ形式を持つが、最小の数のノードを使用する節減モデルを得るために行われる。ある実施形態ではリッジ回帰技術は、段階的回帰のために用いられる。図２に戻って、ＳＭＩＬＥＳ／判別解析が終了する際に、作成されたモデルがステップ２０６で「ロバスト化される」。本明細書に使用されるように、「ロバスト化される」という用語は、モデルが、そのモデルの基礎となる仮定からの小さな逸脱に対して妥当に統計的に鈍感であるようにする、ある処置モデルに対する追加の処理を意味する（Huber、1981年）。ある実施形態では、ステップ２０４のＳＭＩＬＥＳ／判別解析のロバスト化は、ｉ番目の患者の実際の結果が任意に０．５（すなわち、不確定）に設定される上記のＳＭＩＬＥＳ／判別解析が行われる見込み予測プロセスを用いて行われる。この「削除された」患者に関するを用いて計算される。ここでは、Δ_iは上記のように決定され、ｈ_jは、比例因を用いて決定するためにロジスティック変換において使用され得る適合判別関数である。ここでは、δは、統計パラメータであり、Ｉ₂は、切片である。パラメータδおよび切片Ｉ₂は、ロジスティック回帰技術を用いて適合され、それによって、ｉ番目の患者の応答の計算された確率が最適化される。あるいは、処置結を用いて評価され得る。ここでは、δ’は、統計パラメータであり、Ｉ₃は、切片である（上記のδおよびＩ₂に類似している）。判別子Δは、ニューラルネットワーク表示を用いて評価され得る（MinorおよびNamini、1996年）。さらに、判別子が、ベクトル表示：を用いて、上記の二値の応答者／未応答者結果より複雑な結果を表すために一般化され得ることが、統計学分野の当業者には理解されるであろう。ここでは、Δ₁ ,...,Δ_nの各々が、方程式（３）および（４）に関して上に説明されてような判別子であり、ｎは可能な結果の数である。これは、単一の多重入力／多重出力ニューラルネットワークまたはｎ個の単一ニューラルネットワークを用いて行われ得る。この時点で、モデルは、標準統計技術を用いて評価され、それによって、モデルが統計的に有意な見込み予測を提供するか否かが決定され得る。モデルがそのような予測を提供できない場合には、仮定およびデータの再評価が行われ、それによって、上記の方法を用いて新しいモデルが展開され得る。モデルが、見込み予測に関して満足のいく性能を提供すれば、モデルが独立データ集合（すなわち、モデルの展開に使用されていないデータ集合）に対して試験されるステップ１０６（図１を再び参照）が行われる。ステップ１０８では、モデルの性能の第２の評価が、統計的有意性を持つ新しいデータ集合の可能性の高い処置結果を予測する能力に関して行われる。ステップ１１０では、モデルの信頼性が評価される。独立データ集合に関する予測が統計的に有意ではない場合には、モデルが再評価される（追加または新しいデータが収集されるステップ１０２で始まる）。あるいは、データは、実質的に元の形式で保持され、モデルが、上記のようにステップ１０４で再び展開され得る。予測が統計的に有意である場合には、モデル展開のプロセスが終了する。モデルの結果は、モデリングされた処置療法に対する患者の可能性の高い応答を評価するのに適した任意のフォーマットで表され得る。ある実施形態では、結果は、１が治療法に対する応答の最も高い可能性を示し、０が治療法に対する未応答の最も高い可能性を示すスケーリングされた数値を用いて表される。０と１との間のスコアは、処置に対して応答する（または応答しない）という推定の可能性を表す。より具体的な実施形態によれば、０．０〜１．０のスコア範囲における約０．６を越えるスコアは、可能性の高い応答者を示し、約０．４より少ないスコアは、可能性の高い未応答者を示すとみなされる。０．４と約０．６との間のスコアは、不確定（すなわち、このような患者に対するモデルの予測能力が、可能性と有意に異なることがない）であるとみなされる。モデルの結果を表すための他の方法は、統計学および医学分野の当業者にはよく知られている。統計学および医学分野の当業者は、任意の医学処置療法を説明するために用いられるデータ集合が、ある疾患の可能性のある全ての呈示を含んでいる可能性が低いことを理解するであろう。なぜなら、そのような呈示の全てがデータ集合に示されていることを我々は確信できないからである。従って、処置に対する患者の応答性をモデリングするために使用されるあらゆる統計方法論に関して、モデルが、可能性の高い患者全てを包含するのに十分大きいデータ集合に関して作成されたか否かに関する先天的な不確定性が存在する。しかし、本明細書に記載される本発明の方法により、元来モデルを作成するために使用されたデータ集合においては考慮されなかった臨床変数および処置応答を示す患者を扱うように容易かつ迅速に適応させられる「生きた」モデルが提供される。これらの患者の各々からのデータは、患者ベクトルとして示され、モデルが、この新しい患者ベクトルを考慮するために、上記の方法を用いて再構成される。従って、モデルが、より多くの数の患者に関する処置応答を予測するために使用されるにつれて、予測力が向上することがわかる。別の局面では、本発明は、本発明に従って構築されたモデルを用いて決定されるような、処置療法に対する患者の可能性の高い応答の評価に従った、疾患に対する患者の処置方法を含む。本発明のこの局面のある実施形態によれば、本発明に従って構築された統計モデルに関係する少なくとも１つの診断変数が、処置療法に対する患者の可能性の高い応答の予測を得るためにモデルに適用される。統計モデルに提供される診断変数の値は、公知の方法および材料を用いて（例えば、直接的な物理的検査、生検解析、患者から採取された試料の化学分析、または家系等によって）得られ得る。そのようにして得られた値は、モデルの呈示と一貫した任意の様式でモデルに与えられ得る。例えば、モデルがコンピュータプログラムとして示される場合には、臨床変数の値は、キー入力、データベースからの電子的な取り出し、ペンベースの入力、またはキーボードまたはタッチスクリーンを用いて行われる選択等によって与えられ得る。時には、モデルは、臨床変数の値が手で記入され、スコア表またはスコアを参照して決定された結果が数学的計算によって（卓上計算機の使用等によって）決定されるワークシートとして表され得る。予測が得られた後は、患者のための処置過程を決定する際に医師および患者を補助するために使用され得る。評価における因子には、典型的には、年齢、費用、そのために患者が処置を受けているかもしれない他の状況、ライフスタイルへの影響、および援助の利用可能度等の他の因子に加えて、処置療法に対する患者の推定の応答が含まれる。一般的には、これらの選択肢は、臨床医と相談して患者によって再検討される。決定に至ると、処置がそれに応じて行われる。例えば、ＡＩＤＳまたはＨＩＶに苦しむ患者の場合は、処置選択肢に、ヌクレオシド類似体（例えば、ｄｄＩまたはＡＺＴ）、あるいはプロテアーゼ阻害薬を苦しんでいる患者に投与する決定が含まれ得る。医学分野では周知のように、処置療法に対する患者の応答性を予測する因子は、疾患の過程または処置の過程の間に変化し得る。従って、処置結果予測にとって最も有意な具体的な臨床変数は、経時的に変化し得る。例えば、以下により詳細に説明されるように、インターフェロン−αを用いたＢ型肝炎ウイルスを処置するための処置結果予測の臨床変数の有意性は、処置の開始（０ヶ月目）から一月の処置（１ヶ月目）で変化することがわかった。表５および表６と、図７Ａおよび図７Ｂに示されるように、本発明の方法を用いた予測モデルの場合には、処置の開始（０ヶ月目）では、患者に観測された繊維症の度合が、そのモデルに関する２番目に最も有意な臨床変数としてランクづけられたが、１ヶ月目では、繊維症が、８番目に最も有意な臨床変数としてランクづけられたことがわかった。また、一月より後に得られたデータを用いてモデルによって行われたさらなる予測は、１月目で行われた予測と比較して、統計的により信頼のおけるものではなかった。このような情報は、どの臨床検査を求め、可能性の高い処置結果または処置の向上を示すものとして、どの検査結果に最も注意を払うかを決定する際に、臨床医および患者にとって重要となり得る。さらに、統計モデルの予測能力は、経時的な、関連性のある臨床変数の繰り返し測定を用いても向上しないかもしれない。例えば、ある具体的な処置療法の下で処置されている患者に関する処置結果を予測する統計モデルの能力は、処置過程の期間における１つ以上の後の時点で収集されたデータと対比して、処置の最初に収集された患者データに関して向上し得る。しかし、時には、予測モデルにおける、より最近のデータの使用は、より正確な処置結果予測をもたらさない。すなわち、処置を開始してから３ヶ月目で得られたデータを使用した予測結果計算が、処置の１ヶ月後に得られたデータを用いた場合と比べて、より正確な予測を提供しないかもしれない。収集された追加のデータが、処置に対する患者の可能性の高い応答性に関するより正確な査定を提供しない場合には、処置の後の時点での追加の検査の時間、起こり得る不快感および／またはリスク、および費用に対して患者に耐えるように要求することが回避され得ることが理解されるだろう。従って、予測モデルの性能が、より多くの臨床データを収集することによって向上され得る期間の知識を持つことにより、患者の快適さが向上され、臨床検査に関連する患者のリスク（肝生検に関連する死亡率および罹病率等）が減少され、費用が減少され得る。このような情報はまた、高価な検査結果を得る必要が低減され得るので、新しい薬物および処置開発の薬理経済学において有用である。これらの問題は、処置予測モデルを展開するための上記の方法が少なくとも２つの異なる期間に行われ、そのように作成されたモデルから最適な検査スケジュールの決定が成される本発明のある実施形態によって取り組まれる。このような決定は、臨床データが得られる異なる期間に作成されたモデルの予測能力を比較し、もしあれば、どの時点が、統計的に有意な臨床変数の１つまたは複数が連続的モデル間で変化する時点、または連続的モデルが予測能力に統計的に有意な向上をもたらさない時点を示すかを決定することによって行われ得る。このような終点が見つかれば、臨床医および患者は、監視されている臨床変数間で焦点を変える、または処置結果に対する予測を行うことに関して、その終点を過ぎる追加の検査をなしで済ますことを決定し得る。もちろん、追加の臨床検査は、他の処置問題点を監視および／または決定する（例えば、処置の向上を決定する）ために必要であり得る。ある実施形態では、本発明は、１つまたは複数のコンピュータシステムに格納される、および／または１つまたは複数のコンピュータシステムによって操作されるデータに関与する様々な処理ステップを用いる。これらのステップは、物理量の物理的操作を必要とする。通常（必ずではないが）、これらの量は、格納される、転送される、組み合わせられる、比較される、あるいは操作されることが可能な電気または磁気信号の形態をとる。時には、主に一般的な慣例が理由で、これらの信号を、ビット、値、要素、変数、記号、またはデータ構造等と呼ぶと便利である。しかし、これらおよび類似の用語の全てが、適切な物理量に関連するものであり、単に、これらの量に適用された便利なラベルであることを覚えておく必要がある。さらに、行われる操作は、しばしば、識別、実行、または比較等の用語で呼ばれる。本発明の一部を形成する、本明細書に記載される動作の何れにおいても、これらの動作は機械動作である。本発明の動作を行うのに有用な機械には、汎用デジタルコンピュータまたは他の類似の装置が含まれる。全ての場合に、コンピュータを動作させる際の動作方法と、計算自体の方法との区別が記憶されているべきである。本発明は、電気的または他の物理的な信号を処理し、それによって他の所望の物理的な信号を生成する際のコンピュータを動作させるための方法ステップに関する。本発明はまた、これらの動作を行うための装置に関する。この装置は、要求される目的のために特別に構築され得る、あるいは、コンピュータに格納されたコンピュータプログラムによって選択的に起動または再構成された汎用コンピュータであり得る。本明細書に示されるプロセスは、どのような特定のコンピュータまたは他の装置にも本質的に関係していない。具体的には、様々な汎用機械が、本明細書の教示に従って書かれたプログラムを用いて使用され得、あるいは、必要とされる方法ステップを行うためのより専門的装置を構築するとより便利であり得る。様々なこれらの機械に対して要求される構造は、以下に示される説明から明らかとなるであろう。その上、本発明はさらに、様々なコンピュータ実行動作を行うためのプログラム命令を含むコンピュータ読み出し可能媒体に関する。媒体およびプログラム命令は、本発明の目的のために特別に設計および構築されたものであり得る、あるいは、コンピュータソフトウェア分野の当業者に周知で、入手可能な種類のものであり得る。コンピュータ読み出し可能媒体例には、ハードディスク、フロッピーディスク、および磁気テープ等の磁気媒体、ＣＤ−ＲＯＭディスク等の光学媒体、フロプティカルディスク等の磁気光学媒体、および読み出し専用メモリ装置（ＲＯＭ）およびランダムアクセスメモリ（ＲＡＭ）等のプログラム命令を格納する、および行うために特別に構成されたハードウェア装置が含まれる（ただし、これらに限定されることはない）。プログラム命令の例には、コンパイラによって作成されたような機械コード、およびインタープリタを用いてコンピュータによって実行され得るよりハイレベルなコードを含むファイルの両方が含まれる。本明細書に記載されるコンピュータ実行方法が、情報科学分野では周知の技術および装置を用いて、コンピュータシステム上でコンピュータプログラム命令を実行するために実施され得る。本明細書に使用されるように、「コンピュータシステム」という用語は、データおよび命令を処理装置と交換するための１つ以上のデータ記憶装置（限定されることはないが、ＲＡＭ、ＲＯＭ、ＣＤ−ＲＯＭ、およびハードディスク等を含む）と接続された、データおよび命令を処理するための処理装置（中央処理装置（ＣＰＵ））を含むと定義される。データ記憶装置は、専用的（すなわち、処理装置に直接接続されている）でもよく、遠隔的（すなわち、コンピュータネットワーク上で処理装置に接続されている）でもよい。コンピュータネットワーク上で処理装置に接続された遠隔データ記憶装置は、ある具体的なワークステーション上での実行のために、プログラム命令を処理装置に送ることが可能であり得ることが理解される。さらに、処理装置は、１つ以上の追加の処理装置と、同じ物理的な構造（例えば、並列プロセッサにおいて）を通して、またはコンピュータネットワーク（例えば、分散プロセッサ）上で接続され得る。このような遠隔的に接続されたデータ記憶装置およびプロセッサの使用は、情報科学分野の当業者にはよく知られている。本明細書に使用されるような「コンピュータネットワーク」という用語は、互いに通信し得る１組のコンピュータシステムを相互接続する１組の通信チャネルを含むと定義される。通信チャネルは、ツイストペア線、同軸ケーブル、光ファイバ、衛星リンク、またはデジタルマイクロ波無線（ただし、これらに限定されることはない）等の伝送媒体を含み得る。コンピュータシステムは、大きな、または「広い」領域にわたって（例えば、数十、数百、または数千マイルにわたって（すなわち、広域ネットワークＷＡＮ））、あるいはローカルエリアネットワーク（例えば、数フィートから数百フィートにわたって（すなわちＬＡＮ））上で分散され得る。さらに、様々なローカルエリアおよび広域ネットワークが、コンピュータシステムの統合ネットワークを形成するために組み合わせられ得る。このようなコンピュータネットワークの連合の一例は、「インターネット」である。上記の装置および材料が、コンピュータハードウェアおよびソフトウェア分野の当業者にはよく知られている。図６の６００は、本発明による典型的なコンピュータベースシステムを示す。コンピュータには、中央処理装置（ＣＰＵ）、または並列プロセッサまたは分散プロセッサを含むマルチプロセッサ（ただし、これに限定されることはない）等の、演算を行うのに効果的な処理装置６０２が含まれる。プロセッサ６０２は、ランダムアクセスメモリ（ＲＡＭ）および読み出し専用メモリ等の一次メモリ６０４に接続される。典型的には、ＲＡＭには、プロセッサ６０２上で現在動作しているプロセスのためのプログラミング命令およびデータ（分散オブジェクトおよびその関連のデータおよび命令を含む）が含まれる。ＲＯＭには、典型的には、基本動作命令（機能を行うためにコンピュータによって使用されるデータおよびオブジェクト）が含まれる。さらに、ハードディスク、ＣＤＲＯＭ、磁気光学（フロプティカル）ドライブ、またはテープドライブ等の二次記憶装置６０８が、プロセッサ６０２と双方向的に接続される。二次記憶装置６０８には、一般的に、追加のプログラミング命令（すなわち、アドレス空間が、例えば仮想メモリ等のためにプロセッサによってアクセスされ得るが、典型的にはプロセッサによって活発に使用されていないデータおよびオブジェクト）が含まれる。上記のコンピュータはさらに、キーボードおよびポインタデバイス（例えば、マウスまたはスタイラス）等の入力媒体を典型的に含む入力／出力源６１０を含む。コンピュータ６００はまた、ネットワーク接続６１２を含む。追加の大容量記憶装置（不図示）は、ネットワーク接続６１２を介してＣＰＵ６０２に接続されてもよい。上記のハードウェアおよびソフトウェア要素と、ネットワーク装置とが、標準設計および構造のものであることが当業者には理解されるであろう。実施例以下の実施例は、本発明を例示し、当業者による本発明の理解および実施を助けるために本発明の具体的な局面を説明する。しかし、この実施例は、どの様にも本発明を限定するものとして解釈されるべきではない。Ｂ型肝炎の処置に関するインターフェロン−α療法結果予測値の解析（ＨＢＶ）上記の方法を、インターフェロン−α（ＩＦＮα）処置に応答する可能性の高いＨＢＶ患者を予測するためのモデルを決定するために適用した。本発明の方法を用いて得られた結果を、次に、ＩＦＮα処置の効力についての以前の研究から得られたデータ集合に関する同じ処置療法の二段階ロジスティックモデルと比較した（Hoofnagle、Petersら、1988年；DiBisceglie、Fongら、1993年）。表１は、モデルに使用された臨床データの変数をリストする。これらの変数は、治療法を考慮されるＨＢＶ感染患者に関して一般的に記録される臨床情報を表すように選択され、標準的方法および材料を用いて得られた。考慮された臨床変数には、肝臓酵素アミノトランスフェラーゼ（[ＡＬＴ]）およびアスパラギン酸塩アミノトランスフェラーゼ（[ＡＳＴ]）の血清濃度、血清ＨＢＶＤＮＡ濃度（[ ＨＢＶＤＮＡ]）、組織活動の測定(Knodellスコア）、年齢、性別、およびインターフェロン投与量が含まれた。肝生検が、治療の１ヶ月だけ後（すなわち、１ヶ月目）ではなく、典型的には処置前（すなわち、０ヶ月目）に行われることを考えると、Knodellスコアは、１ヶ月目では入手可能ではなかった。自然対数（１ｎ）変換を、全ての酵素およびＨＢＶＤＮＡ濃度に適用した。０より大きい値を必要とする対数変換を行うために、ＨＢＶＤＮＡレベルを決定するために使用されるｂＤＮＡアッセイ（カリフォルニア州エメリービルのChiron Corpora tionより市販されている）の０．７ＭＥｑの定量化限界点を下回る全ての血清ＨＢＶＤＮＡ値を、０．７Ｍｅｑ（これは、ChironのｂＤＮＡアッセイに用いられる単位であり、このモデルに取り入れられた）に設定した。臨床データは、肝臓酵素および血清ＨＢＶＤＮＡの測定の両方に関して、０ヶ月目と１ヶ月目の両方で入手可能であった。このデータを、１ヶ月目で決定された濃度の自然対数と、０ヶ月目で決定された濃度の自然対数との比として定義される「正規化」自然対数として、モデルに取り入れた。例えば、である。ここでは、[ＡＳＴ₁]は、１ヶ月目のＡＳＴ濃度であり、[ＡＳＴ₀]は、０ヶ月目のＡＳＴ濃度である。このような比は、処置に対するこれらの臨床変数の変化を反映し、その結果、インターフェロン処置に対する患者の応答の測定を提供する。ロバスト性および数値的性質を向上させるために、全ての変数（Ｖで表されある。二段階ロジスティック回帰モデルに関しては、異なる集合の変数を、０ヶ月目および１ヶ月目に含んだ。０ヶ月目では、モデルに使用された変数には、ｌｎ（[ＡＬＴ]）、性別、および繊維症が含まれ、１ヶ月目では、二段階ロジスティック回帰モデルには、１ヶ月目の正規化ｌｎ（[ＨＢＶＤＮＡ]）、性別、１ヶ月目の正規化ｌｎ（[ＡＳＴ]）、および繊維症が含まれた。全ての利用可能な変数を、０ヶ月目および１ヶ月目の両方で、本発明の二段階ＳＭＩＬＥＳ／判別ロジスティック回帰モデルに含めた。ｂＤＮＡアッセイ結果および肝臓酵素測定等の連続的独立変数を、応答者判別のKshirsager回帰方法に従って使用し、性別等のカテゴリー的独立変数を、Kshirsager回帰解析（Kshirsager、1972年）の適合性を向上させるために使用した。観測された応答を正確に表現したモデルを作成するために必要とされる変数の最小集合を決定するために、公知の方法（Mill er、1990年）を用いて、段階的回帰を表１に示される変数に関して行った。二段階ロジスティック解析においては、この集合は、臨床変数およびそれらの対の相互作用を含み、ＳＭＩＬＥＳ方法に関しては、この集合は、最小数の冗長度を持つ患者（すなわち、臨床プロファイルが、近隣の患者のプロファイルによって規定されるほど近かった患者）の部分集合に関する全ての変数を含んでいた。二段階ロジスティックモデルに関して、方程式：を用いてある患者ｊ（Δ_j）に関する判別関数の最適化推定を決定するために、回帰解析を行った。ここでは、Ｉは、切片であり、Ｖ_ijは、患者ｊの臨床データであり、Ｗ_iは、重みづけパラメータであり、ｓは、臨床変数Ｖの総数である。最適化を行うために、切片Ｉ、および臨床データ集合において誤りの予測を最小限に押さえたパラメータの集合ｗを、線形回帰解析（Kshirsager、1972年）を用いて決定した。従って、ｊ番目の患者に関する０ヶ月目についての判別関数は、であるとわかった。ここでは、ＡＬＴ_0jは、０ヶ月目のＡＬＴの濃度であり、Ｇ_j は性別であり、Ｆ_jは、患者ｊの繊維症スコアである。ｊ番目の患者に関する１ヶ月目についての判別関数は、であることがわかった。ここでは、ＨＢＶ_0jおよびＨＢＶ_1jが、それぞれ０ヶ月目および１ヶ月目の患者ｊのＨＢＶＤＮＡ濃度である。方程式（９）および方程式（１０）の判別関数の各々の見込み値を、データ集合から各患者の結果を次々と除去し、削除された患者に関して応答と未応答とを判別した予測値を見込み計算することで生成した。この様に、見込み判別値の集合を、上記の判別関数を対応する確率に転換するためにロジスティック変換が使用される解析の第２段階中に決定した。これは、方程式：に関するＩ₂およびｍの値を決定することによって行った。この方程式を、データ集合から除去された患者ｊの応答の計算された確率のための従来の方法を用いて最適化した。従って、ｊ番目の患者に関する０ヶ月目および１ヶ月目の応答に関する確率を、方程式（９）および方程式（１０）を方程式（１１）に代入し、方程式：をそれぞれ導く最適化を行うことによって決定した。上記のような本発明の方法を用いて、ＩＦＮα処置の治療結果を予測するための統計モデルを提供するために、上で参照された患者データを処理した。最終の、ロバスト化されたモデルは、下の表２に示される切片および患者ベクトルの節減「基本集合」を、関連の係数および統計的有意性の測定と共に含んでいた。「ＮＮ_i」と表示される量は、データ集合中の個々の患者である。上にリストされた患者ベクトルを用いて、患者ｊに関する０ヶ月目および１ヶ月目の応答の確率は、であると決定された。見込みケース（上記）および遡及的ケース（すなわち、無関係のデータ集合に対する）の両方の方法論の予測結果が、下の表３で提供される。合計８３のデータポイントが、これらの解析に含まれた。結果を、０ヶ月目および１ヶ月目に関するパラメータを用いて、正確な予測の割合として示す。二段階ロジスティック回帰モデルは、０ヶ月目における応答者の６１％および未応答者の７６％を（見込みによって）正確に予測した。１ヶ月目では、より高い率（６９％の正確さ）の応答者の予測が得られたが、未応答者の予測（７７％の正確さ）に関しては向上が見られなかった。対照的に、ＳＭＩＬＥＳ方法は、両方の時点において、応答者および未応答者の両方で、より高い予測率をもたらした（０ヶ月目では、７７％の正確さで予測された応答者および８７％の正確さで予測された未応答者、そして１ヶ月目では、正確に予測された８６％の応答者および９２％の未応答者）。表３に示されるように、２段階ロジスティック回帰モデルに対するＳＭＩＬＥＳ法による相対的な向上は、１ヶ月目の変数を考慮すると特に、応答者の見込み予測に関して最も大きかった。比較のために、両方の予後モデルの正しく予測された遡及パーセンテージを判定した。これらの結果は、表の左側に示される。期待通り、正しく予測された遡及値は、両方のモデルの応答者および非応答者について、より高かった。言うまでもなく、遡及分析が、この遡及分析が得られるデータセットに適合されることを考えると、これらの値は、必ずしも実際的な予測結果を提供するわけではない。より実際的な予測結果は、より強力な（robust）予期分析により提供される。それでも、ＳＭＩＬＥＳ法は、０ヶ月目で応答者の９２％および非応答者の９７％を正確に予測し、且つ、１ヶ月目で応答者の９６％および非応答者の９７％を正確に予測する顕著な精度を提供した。０．２未満の確率（応答なしの可能性が強い）、０．８を上回る確率（応答の可能性が強い）、および０．２〜０．８の確率（その中間）により規定された応答確率範囲の各々の範囲内の患者数とそれに対応するエラーの比が、２段階モデルと、本発明の方法を用いて展開されたモデルとの両方について、表４に示される。結果は、０ヶ月目では、低い（＜０．２０）応答確率での２段階ロジスティック回帰モデルの全エラーの比が６％であったことを示しており、患者が結局は、応答者である可能性を約６％しか有していないことを示している。中間範囲（０．２０〜０．８０）では、０ヶ月目の応答確率の全エラーの比は約４０％であり、この応答確率範囲では、コイン投げとほとんど同じくらいであることを示している。高い（＞０．８０）応答確率では、データセットから利用可能な患者数が少なすぎたため、エラーの比の統計学的に有意な判定を行うことができなかった（ＮＤ）。上記表１のデータの場合と同様に、１ヶ月目での、低応答確率および中間応答確率についての２段階ロジスティック回帰モデルの全エラーの比は、０ヶ月目と比べて向上しなかった（それぞれ、約６％および約４０％）。しかし、高応答確率範囲では、５人中５人の患者が、応答者として正確に予測された。これは、１ヶ月目の２段階ロジスティック回帰モデルが、この範囲では十分に機能していることを意味している。これらの結果は、２段階ロジスティックモデルが、０ヶ月目および１ヶ月目の両方での低応答確率を有する非応答者の予測と、１ヶ月目での高応答確率を有する応答者の予測とについて十分に機能することを示している。しかし、２段階ロジスティック回帰モデルは、中間の応答確率範囲の患者の応答を予測する能力が制限される。残念なことに、患者の過半数は、２段階ロジスティック回帰モデルにより、中間の応答確率範囲に分類された（０ヶ月目では８２人中４９人、１ヶ月目では８２人中４４人）。特に１ヶ月目の全エラーの比がより低いことと、中間の応答確率範囲から低および高応答確率範囲への患者の分布の増加とにより証明されるように、より信頼性のある予測は、ＳＭＩＬＥＳ法で得られた。０ヶ月目では、低い範囲および中間の範囲での応答確率のエラーの比は、２段階ロジスティック回帰モデルの応答確率と同様であった（それぞれ５％および約４０％）。しかし、０ヶ月目の２段階ロジスティック回帰モデルと比べて、より多くの患者が低応答確率範囲に分類され、より少ない患者が中間の応答確率範囲に分類された。高応答範囲確率では、６人中６人の患者が、応答者として正確に予測されており、これは、０ヶ月目では、ＳＭＩＬＥＳ法が、この範囲で十分に機能していることを意味している。１ヶ月目では、ＳＭＩＬＥＳ法の全エラーの比は、低応答確率範囲および中間の応答確率範囲の両方について、より低く、それぞれ２％および約３０％に低下している。さらに、１ヶ月目では、ＳＭＩＬＥＳ法により、より多くの患者が低および高応答確率範囲に分布され、より少ない患者が中間確率範囲に分類された。１ヶ月目の高応答確率を有する応答者の予測において、ＳＭＩＬＥＳ法の能力は、２段階ロジスティック回帰モデルの能力よりも上であった。０．８０を上回る応答確率で分類された１７人の患者のうち１６人がＳＭＩＬＥＳ法で応答者として正しく予測されており、エラーの比は、ほんの６％であった。これは、１ヶ月目でＳＭＩＬＥＳ法により可能性のある応答者の範囲で予測された患者が、最終的には、実際に応答者である可能性を94％有することを示している。ＳＭＩＬＥＳ法のより優れた能力はまた、個々の患者のより正確な予測に見られ得る。表５は、応答者６人および非応答者２人を含む８人の個々の患者の見込み予測および臨床プロファイルをリストにしている（Ｍ₀およびＭ₁はそれぞれ０ヶ月目および１ヶ月目を示し、「ＡＳＴ」はｌｎ（［ＡＳＴ］）を示し、「ＨＢＶ」はｌｎ（［ＨＢＶＤＮＡ］）を示し、「Ｆｉｂ」は線維症を示す）。この８人のサブセットは、２段階モデルが０ヶ月で予測することが最も難しい患者グループであり、０．４５〜０．５５の応答確率の範囲内に分類された患者グループであった。これら８人の患者は、明らかに中間の応答確率範囲内にあったため、２段階ロジスティックモデルは、これらの患者が０ヶ月で応答者であるか非応答者であるかを予測することができなかった。１人（患者２３）を除くすべての患者について、１ヶ月目の２段階ロジスティックモデルの予測は、０ヶ月目の予測に対して向上しなかった。２段階ロジスティック回帰モデルは、最終的にＩＦＮα処置に応答した患者である患者２３については、１ヶ月目でより高い応答確率を予測した。しかし、２段階ロジスティック回帰モデルはまた、同様に最終的に応答者であった患者１０について、１ヶ月目でより低い応答確率を予測した。従って、これら８人の患者のほとんどについての２段階モデルの予測は良く言ってもあいまいであり、悪く言えば誤りである。対照的に、ＳＭＩＬＥＳ法を用いて８人の患者全員について０ヶ月目に行われた予測は正確であった。６人中６人の患者は、応答者であると正しく予測され、２人中２人の患者は、非応答者であると正しく予測された。予測は、１ケ月目ではさらに優れており、８人中７人の患者が正しく予測された。しかし、ＳＭＩＬＥＳ法は、最終的には非応答者であった患者５１については、誤って、より高い応答確率を予測した。それでも、ＳＭＩＬＥＳ法を用いて行われた予測は、０ヶ月目および１ヶ月目の両方で、これら８人の患者のほとんどについて正しく、臨床変数の間でいかなる明らかな単変量傾向がない場合でも、正しかった。ＳＭＩＬＥＳ法を用いて、応答確率が増加する患者のシーケンスについて行われた予測が、図７に示される。比較しやすくするために、臨床変数は、ｙ軸上に示されるのと同じ原点およびスケールを有するように標準化された。この例示では、共通の原点（即ち、ゼロ）は、標準化された臨床変数の各々についての平均値であり、共通のスケールは、臨床変数の各々についての標準偏差の単位で規定され、異なる臨床変数間の直接の比較を可能にする。応答者対非応答者のデータの比較により、最も高い応答確率を有する患者が、臨床変数の値がデータセットの平均から最も離れている臨床プロファイルを有していることが示される。逆に、最も低い応答確率を有する患者は、臨床変数の値がデータセットの平均に最も近い臨床プロファイルを有している。０ヶ月目（図７Ａ）および１ヶ月目（図７Ｂ）の両方で、最も高い応答確率を有する患者は、肝酵素（ＡＳＴおよびＡＬＴ）とノデルスコアの４つの成分のうちの３つ（線維症、小葉炎症、および門脈周囲炎症）について平均値よりも高い値を有し、ＨＢＶＤＮＡレベルについて平均値よりも低い値を有する。従って、これらの臨床変数は、非応答と応答とを区別する際に最も有用である。臨床変数のサブセット（門脈炎症、年齢、１ヶ月目の正規化されたＡＳＴおよびＡＬＴ）は、応答しない患者および応答する患者の両方について、平均値に近い値を示す。１ヶ月目のモデルは、中間の応答性確率を有する患者について、標準化された臨床変数間の分散がより少ないという点で、０ヶ月目のモデルとは異なる。例えば、５０％の応答確率点では、値は、０ヶ月目ではおよそ−０．２〜０．５の範囲であるが、１ヶ月目ではわずか−０．３〜０．３の範囲であった。１ヶ月目の標準化された臨床変数のこのより少ない分散は、０ヶ月目と比べて、１ヶ月目の応答を予測する際のＳＭＩＬＥＳ法の感度がより高いことを示している。従って、１ヶ月目で入手可能な追加の臨床情報は、応答の予測を向上する。本発明の２段階ロジスティック回帰モデルおよびＳＭＩＬＥＳ回帰モデルへの各臨床変数の相対的な寄与を、仮想パラメータ法により評価し、どの臨床変数（単数または複数）が、可能性のある応答の判定に最も影響を及ぼすかを判定した。この分析は、以下の方法を用いて行われた。１に設定された「仮想パラメータ」α₁を、各患者ベクトルについて各臨床変数Ｐ₁に割り当てた。以下の偏導関数を決定することにより、各仮想パラメータの影響を、結果として得られる判別関数Δ₁（α₁，Ｐ₁）について判定し、それにより、各患者ベクトルに対応する偏導関数の、結果として得られるベクトルを得た。結果として得られるこのベクトルから、各患者について結果として得られる各ベクトルの外積の和を含む行列が構成された。この行列の逆行列を得、この逆行列の対角成分にσ²を掛け、Δの残差平方和を患者数で割って、おおよそのＦ分布を得た。Ｆ分布から、標準の方法を用いて、各臨床変数のおおよそのｐ値が決定され得、モデルにおいて使用された各臨床変数の有意性のランク付けを得た。２段階モデル（表６）およびＳＭＩＬＥＳ法（表７）について、以下の表６および表７に結果が示される。表６を参照して、０ヶ月目で、２段階ロジスティック回帰モデルの予測結果に最も大きな影響を及ぼす臨床変数は、ｌｎ（［ＡＬＴ］）であった。性別および線維症もまた、２段階ロジスティック回帰モデルの予測結果にとって重要であったが、血清ＨＢＶＤＮＡレベルおよび組織学的活性の他の測定値、などの変数は、０ヶ月目では、モデルに統計学的に有意な程度には影響を及ぼさなかった。１ヶ月目では、正規化されたｌｎ（［ＨＢＶＤＮＡ］）は、２段階ロジスティック回帰モデルの予測結果に最も大きな影響を及ぼした。０ヶ月目のｌｎ（［ＡＬＴ］）、性別、および線維症もまた、１ヶ月目の２段階ロジスティック回帰モデルの予測結果にとって重要な変数のままであった。本発明のモデル（表７）の０ヶ月目対１ヶ月目の臨床変数の相対的な重要性において、興味深い傾向に気付いた。ＡＳＴおよびＨＢＶＤＮＡの測定値は、０ヶ月目および１ヶ月目の両方で、モデルに最も大きな影響を及ぼした。これは、これら２つの変数の測定が、両方の時点での予測にとって重要であることを示している。さらに、１ヶ月目では、正規化されたＡＳＴ、ＡＬＴ、およびＨＢＶＤＮＡの値が、モデルに最も影響を及ぼした。これは、臨床変数のうちの３つの変数がすべて、応答を予測する際に重要であることを示している。モデルにおける臨床変数の相対的な重要性を評価する際には、個々の変数について示されたｐ値が、変数自体の影響だけではなく、上記のような臨床データセットの他の変数と組み合わせた変数の相乗効果も考慮に入れていることを心に留めておくことが重要である。概して、変数と応答との間の相関がゼロに近いことが可能であるが、それでも、変数は、応答の予測にとって重要である他の変数と組み合わせた相乗効果によって応答を予測する際に有用であり得ることが認識される。以上から、本明細書に説明された方法、ソフトウェア、および装置が、以前に利用可能であったものよりも正確で且つ強力な、処置への患者応答の統計モデルを提供することが認識される。本明細書に説明された方法、ソフトウェア、および装置を用いて、臨床医および患者は、本発明により提供される処置応答の推定値に少なくとも部分的に基づいて、より情報を知った上での処置決定を行うことができる。以上、ある特定の実施形態および実施例を用いて本発明を説明してきたが、本発明の範囲および精神から逸脱することなく、上記実施形態および／または実施例に様々な変更がなされ得ることが、当業者に明らかである。本明細書において、以下の資料の全体を、あらゆる目的のために参考として援用する。

Claims

【特許請求の範囲】１．疾患を処置するための処置療法の、該疾患にかかっている患者への該処置の適用のための有用性を評価する方法であって、ａ）該処置療法の有用性を記述する統計モデルに関する少なくとも１つの診断変数を決定するステップを包含し、該統計モデルが、ｉ）該疾患を患っている個体の、該処置療法への応答を分類するために効果的な判別関数であって、少なくとも部分的に、該診断変数と、該処置療法を用いて該疾患の処置を受けている患者のデータセットとに基づく判別関数を展開するステップと、ｉｉ）該判別関数を用いてロジスティック回帰を行い、それにより、該個体についての処置結果の確率を割り当てるステップと、により導出され、ｂ）該診断変数を該統計モデルに適用して、該患者における該疾患の処置のための該処置療法の有用性の推定値を得るステップをさらに包含する、方法。２．前記推定値が、見積もられた、可能性のある処置結果スコアを含む、請求項１に記載の方法。３．前記処置療法の有用性の前記決定に従って、前記疾患について前記患者を処置するステップをさらに包含する、請求項２に記載の方法。４．前記処置結果スコアが、処置結果スケールを構成する値のセットから選択される値を含み、該処置結果スコアが、成功の可能性のある領域、失敗の可能性のある領域、および中間領域を含む、請求項３に記載の方法。５．前記判別関数が多項式関数を含む、請求項３に記載の方法。６．前記判別関数が、前記データセットの相似距離最小二乗（ＳＭＩＬＥＳ）分析を用いて展開される、請求項３に記載の方法。７．前記統計モデルの前記導出が、前記データセットを用いて見込み予測を行う追加のステップを包含する、請求項６に記載の方法。８．前記疾患が、ＡＩＤＳ、ＨＢＶ、およびＨＣＶからなる群から選択される、請求項７に記載の方法。９．前記疾患がＨＢＶである、請求項８に記載の方法。１０．哺乳動物における疾患を処置するための処置療法への可能性のある応答の統計モデルを生成する方法であって、ａ）該疾患を表す個体の少なくとも１つのサンプル母集団であって、該疾患を処置するための該処置療法を用いて、該疾患の処置を受けている該サンプル母集団を得るステップと、ｂ）該サンプル母集団から、該母集団、該疾患、または該療法に関する少なくとも１つの変数についてのデータのセットを決定するステップと、を包含し、該変数は、該疾患を処置するための該療法と推定相関を有し、ｃ）該データのセットから、該疾患を処置するための該療法に対する該可能性のある応答の該統計モデルを導出するステップをさらに包含し、該導出ステップが、ｉ）該データを標準化するサブステップと、ｉｉ）該疾患を患っている個体の、該処置療法への応答を分類するために効果的な判別関数であって、少なくとも部分的に、該診断変数と該データセットとに基づく該判別関数を展開するサブステップと、ｉｉｉ）該判別関数を用いてロジスティック回帰を行い、それにより、該個体についての処置結果の確率を割り当てるサブステップと、を包含する、方法。１１．前記データを標準化する前記サブステップが、ａ）前記データのセットの平均および標準偏差を決定するサブステップと、ｂ）該データから該平均を引くサブステップと、ｃ）該サブステップｂ）の結果を該標準偏差で割り、それにより、正規化データのセットを生成するサブステップと、を包含する、請求項１０に記載の方法。１２．前記正規化データのセットのアウトライヤ分析を行うステップをさらに包含する、請求項１１に記載の方法。１３．前記判別関数が多項式関数を含む、請求項１０に記載の方法。１４．前記判別関数が、前記データセットの相似距離最小二乗（ＳＭＩＬＥＳ）分析から導出される、請求項１０に記載の方法。１５．ａ）前記ＳＭＩＬＥＳ分析が、ｉ）前記データを含む患者ベクトルのセットを規定するサブステップと、ｉｉ）該患者ベクトルのセットからノードを規定するサブステップと、ｉｉｉ）該患者ベクトルの各々から該ノードの各々までの距離を決定し、それにより、距離のセットを導出するサブステップと、ｉｖ）該距離のセットを用いて、類似度値のセットを決定するサブステップと、ｖ）該類似度値のセットについて回帰を行い、それにより、予測結果値のセットと、重み付け係数のセットとを得るサブステップと、ｖｉ）該予測結果値のセットと、該重み付け係数のセットとについて回帰を行い、それにより、強化されたモデルを提供するサブステップと、を包含し、ｂ）前記方法が、ｉ）該統計モデルを強化するステップと、ｉｉ）前記データセットを用いて該統計モデルで見込み予測を行うステップと、をさらに包含する、請求項１４に記載の方法。１６．前記強化ステップが、前記予測結果値のセットと、前記重み付け係数のセットとについてリッジ回帰を行うステップを包含する、請求項１５に記載の方法。１７．前記類似度値のセットが、単調な減少関数から導出される、請求項１５に記載の方法。１８．前記単調な減少関数が、以下の数学的な形を有し、ここで、Ｄ_ijは、ｉ番目のデータポイントからｊ番目のノードまでの距離であり、εは、パラメータである、請求項１７に記載の方法。１９．前記単調な減少関数が、以下の数学的な形を有し、ここで、Ｄ_ijは、ｉ番目のデータポイントからｊ番目のノードまでの距離であり、α、β、およびγは、パラメータである、請求項１７に記載の方法。２０．前記単調な減少関数が、以下の数学的な形を有し、ここで、Ｄ_ijは、ｉ番目のデータポイントからｊ番目のノードまでの距離であり、α、β、およびγは、パラメータである、請求項１７に記載の方法。２１．αが、前記データの標準偏差の二乗が約１．５ｎとなるように選ばれ、ここで、ｎは、前記統計モデルにおける変数の個数である、請求項２０に記載の方法。２２．哺乳動物における疾患を処置するための療法の有効性を決定するためのテストスケジュールを最適化する方法であって、少なくとも２つの期間の該処置療法を記述する統計モデルであって、請求項１０に記載の方法を用いて導出される統計モデルを評価し、それにより、該方法の有効性を決定するための該最適なテストスケジュールを決定するステップを包含する、方法。２３．前記疾患が、ＡＩＤＳ、ＨＢＶ、およびＨＣＶからなる群から独立して選択される群から独立して選択される、請求項２２に記載の方法。２４．前記疾患がＨＢＶである、請求項２３に記載の方法。２５．前記統計モデルが、前記データセットのＳＭＩＬＥＳ分析を用いて導出される、請求項２４に記載の方法。２６．疾患を表す個体の少なくとも１つのサンプル母集団から導出されるデータのセットを用いて、哺乳動物における該疾患を処置するための療法の統計モデルを生成するコンピュータシステムであって、該サンプル母集団が、該疾患を処置するための処置療法を用いて該疾患の処置を受けており、該システムが、ａ）該データのセットを標準化して、正規化データのセットを生成する前処理機構と、ｂ）該標準化データを処理する処理機構と、を含み、該処理機構が、ｉ）該個体の応答を分類するために有効な判別関数であって、少なくとも部分的に診断変数と該データセットのセットとに基づく該判別関数を展開し、且つ、ｉｉ）該判別関数を用いてロジスティック回帰を行い、それにより、該個体についての処置結果の確率を割り当てるように構成される、コンピュータシステム。２７．前記データを標準化する前記前処理機構が、ａ）前記データのセットの平均および標準偏差を決定し、ｂ）該データから該平均を引き、且つ、ｃ）該サブステップｂ）の結果を該標準偏差で割り、それにより、正規化データのセットを生成するように構成される、請求項２６に記載のコンピュータシステム。２８．前記前処理機構がさらに、前記正規化データのセットのアウトライヤ分析を行うように構成される、請求項２７に記載のコンピュータシステム。２９．前記前処理機構がさらに、ゼロデータで、前記正規化データのセットを増加するように構成される、請求項２８に記載のコンピュータシステム。３０．前記前処理機構がさらに、ゼロデータで、前記正規化データのセットを増加するように構成される、請求項２６に記載のコンピュータシステム。３１．前記処理機構が、ａ）前記データの各々についてノードを規定するステップと、ｂ）該データのセットの各ポイントから該ノードの各々までの距離を決定し、それにより、距離のセットを導出するステップと、ｃ）該距離のセットを用いて、相似値のセットを決定するステップと、ｄ）該類似度値のセットについて回帰を行い、それにより、予測結果値のセットと、重み付け係数のセットとを得るステップと、ｅ）該予測結果値のセットと、該重み付け係数のセットとについて回帰を行い、それにより、強化されたモデルを提供するステップと、を包含する相似距離最小二乗（ＳＭＩＬＥＳ）分析を行うように構成される、請求項３０に記載のコンピュータシステム。３２．前記処理機構が、前記予測結果値のセットと、前記重み付け係数のセットとについてリッジ回帰を行うように構成される、請求項３１に記載のコンピュータシステム。３３．前記類似度値のセットが、単調な減少関数から導出される、請求項３２に記載のコンピュータシステム。３４．前記単調な減少関数が、以下の数学的な形を有し、ここで、Ｄ_ijは、ｉ番目のデータボイントからｊ番目のノードまでの距離であり、α、βおよびγは、パラメータである、請求項３３に記載のコンピュータシステム。３５．疾患を処置するための処置療法の、該疾患にかかっている患者への該処置の適用のための有用性を評価するコンピュータシステムであって、該処置療法の有用性を記述する統計モデルであって、請求項１０に記載の方法を用いて導出される該統計モデルに関する、該患者から得られる少なくとも１つの診断変数を処理し、それにより、該患者における該疾患の処置のための該処置療法の有用性の推定値を生成するように構成されるプロセッサを含む、コンピュータシステム。３６．前記推定値が、見積もられた、可能性のある処置結果スコアを含む、請求項３５に記載のコンピュータシステム。３７．前記処置結果スコアが、処置結果スケールを構成する値のセットから選択される値を含み、該処置結果スケールが、成功の可能性のある領域、失敗の可能性のある領域、および中間領域を含む、請求項３６に記載のコンピュータシステム。３８．前記統計モデルが、多項式関数を含む判別関数を含む、請求項３７に記載のコンピュータシステム。３９．前記統計モデルが、前記データセットの相似距離最小二乗（ＳＭＩＬＥＳ）から導出される判別関数を含む、請求項３８に記載のコンピュータシステム。４０．前記疾患が、ＡＩＤＳ、ＨＢＶ、およびＨＣＶからなる群から選択される、請求項３９に記載のコンピュータシステム。４１．前記疾患がＨＢＶである、請求項４０に記載のコンピュータシステム。４２．哺乳動物における疾患を処置するための療法の有効性を決定するためのテストスケジュールを最適化するためのコンピュータシステムであって、少なくとも２つの期間の該処置療法を記述する統計モデルであって、請求項１０に記載の方法を用いて導出される該統計モデルを評価し、それにより、該方法の有効性を決定するための該最適化されたテストスケジュールを提供するように構成されるプロセッサを含む、コンピュータシステム。４３．前記疾患が、ＡＩＤＳ、ＨＢＶ、およびＨＣＶからなる群から独立して選択される群から独立して選択される、請求項４５に記載の方法。４４．前記疾患がＨＢＶである、請求項４６に記載の方法。４５．コンピュータ読み出し可能媒体を含むコンピュータプログラムプロダクトであって、該媒体は、該媒体において実現され、疾患を表す個体の少なくとも１つのサンプル母集団から得られるデータを用いて、哺乳動物における該疾患を処置するための療法の統計モデルを生成するための、コンピュータで読み出し可能なプログラムコード装置を有し、該サンプル母集団が、該処置療法を用いて該疾患の処置を受けており、該プログラムコード装置が、ａ）該データを標準化して、標準化データを生成するステップと、ｂ）該標準化データを処理し、該個体の、該処置療法への応答を分類するために有効な判別関数であって、少なくとも部分的に診断変数と該標準化データとに基づく判別関数を展開するステップと、ｃ）該判別関数を用いてロジスティック回帰を行い、それにより、該個体についての処置結果の確率を割り当てるステップとを、コンピュータに行わせるように構成される、コンピュータプログラムプロダクト。４６．前記プログラムコード装置がさらに、ａ）前記データのセットの平均および標準偏差を決定するサブステップと、ｂ）該データから該平均を引くサブステップと、ｃ）該サブステップｂ）の結果を該標準偏差で割り、それにより、正規化データのセットを生成するサブステップと、をコンピュータに行わせるように構成される、請求項４５に記載のコンピュータプログラムプロダクト。４７．前記プログラムコード装置がさらに、前記正規化データのセットのアウトライヤ分析をコンピュータに行わせるように構成される、請求項４７に記載のコンピュータプログラムプロダクト。４８．前記プログラムコード装置がさらに、ゼロデータで、前記正規化データのセットを増加するステップをコンピュータに行わせるように構成される、請求項４７に記載のコンピュータプログラムプロダクト。４９．前記プログラムコード装置がさらに、ゼロデータで、前記正規化データのセットを増加するステップをコンピュータに行わせるように構成される、請求項４６に記載のコンピュータプログラムプロダクト。５０．前記プログラムコード装置がさらに、前記標準化データの相似距離最小二乗（ＳＭＩＬＥＳ）分析をコンピュータに行わせるように構成され、該ＳＭＩＬＥＳ分析が、ａ）前記データからノードを規定するサブステップと、ｂ）前記処置療法を用いて処置されている個体に対応する該データのセットの各ポイントから該ノードの各々までの距離を決定し、それにより、距離のセットを導出するサブステップと、ｃ）該距離のセットを用いて、類似度値のセットを決定するサブステップと、ｄ）該類似度値のセットについて回帰を行い、それにより、予測結果値のセットと、重み付け係数のセットとを得るサブステップと、ｅ）該予測結果値のセットと該重み付け係数のセットとについて回帰を行い、それにより、強化されたモデルを提供するサブステップと、を包含する、請求項４９に記載のコンピュータプログラムプロダクト。５１．前記プログラムコード装置がさらに、コンピュータに、前記予測結果値のセットと、前記重み付け係数のセットとについてリッジ回帰を行わせるように構成される、請求項５０に記載のコンピュータプログラムプロダクト。５２．前記類似度値のセットが、単調な減少関数から導出される、請求項５１に記載のコンピュータプログラムプロダクト。５３．前記単調な減少関数が、以下の数学的な形を有し、ここで、Ｄijは、ｉ番目のデータポイントからｊ番目のノードまでの距離であり、α、βおよびγは、パラメータである、請求項５２に記載のコンピュータプログラムプロダクト。５４．コンピュータ読み出し可能媒体を含むコンピュータプログラムプロダクトであって、該媒体は、該媒体において実現され、疾患を処置するための処置療法の、該疾患にかかっている患者への該処置の適用のための有用性を評価するための、該コンピュータで読み出し可能なプログラムコード装置を有し、該プログラムコード装置が、コンピュータに、該処置療法の有用性を記述する統計モデルであって、請求項１０の方法を用いて導出される該統計モデルに関する少なくとも１つの診断変数を処理させ、それにより、該患者を処置するための該処置療法の有用性を決定するように構成される、コンピュータプログラムプロダクト。５５．前記プログラムコード装置が、前記コンピュータに、見積もられた、可能性のある処置結果スコアを決定させるように構成される、請求項５４に記載のコンピュータプログラムプロダクト。５６．前記統計モデルが、前記データセットの相似距離最小二乗（ＳＭＩＬＥＳ）分析を用いて導出される判別関数を含む、請求項５５に記載のコンピュータプログラムプロダクト。５７．前記疾患が、ＡＩＤＳ、ＨＢＶ、およびＨＣＶからなる群から選択される、請求項５６に記載のコンピュータプログラムプロダクト。５８．前記疾患がＨＢＶである、請求項５７に記載のコンピュータプログラムプロダクト。５９．コンピュータ読み出し可能媒体を含むコンピュータプログラムプロダクトであって、該媒体は、該媒体において実現され、哺乳動物における疾患を処置するための療法の有効性を決定するためのテストスケジュールを最適化するための、コンピュータで読み出し可能なプログラムコード装置を有し、該プログラムコード装置が、コンピュータに、少なくとも２つの期間の該処置療法を記述する統計モデルであって、請求項１０の方法を用いて導出される該統計モデルを評価させ、それにより、該方法の有効性を決定するための該最適なテストスケジュールを決定するように構成される、コンピュータプログラムプロダクト。６０．前記疾患が、ＡＩＤＳ、ＨＢＶ、およびＨＣＶからなる群から独立して選択される群から独立して選択される、請求項５９に記載のコンピュータプログラムプロダクト。６１．前記疾患がＨＢＶである、請求項６０に記載のコンピュータプログラムプロダクト。６２．疾患にかかっている患者における該疾患を処置する方法であって、ａ）患者の、処置療法への可能性のある応答を記述する統計モデルであって、請求項１０の方法を用いて導出される該統計モデルに関する少なくとも１つの診断変数を適用し、それにより、該処置療法への患者応答の予測値を得るステップと、ｂ）推定値を評価して、該患者についての処置の仕方を決定するステップと、ｃ）該決定に従って、該疾患について該患者を処置するステップと、を包含する、方法。６３．前記推定値が、見積もられた、可能性のある処置結果スコアを含む、請求項６２に記載の方法。６４．前記処置結果スコアが、処置結果スケールを構成する値のセットから選択される値を含み、該処置結果スケールが、成功の可能性のある領域、失敗の可能性のある領域、および中間領域を含む、請求項６３に記載の方法。６５．前記統計モデルが、多項式関数を含む判別関数を含む、請求項６４に記載の方法。６６．前記統計モデルが、データセットの相似距離最小二乗（ＳＭＩＬＥＳ）分析を用いて導出される判別関数を含む、請求項６５に記載の方法。６７．前記疾患が、ＡＩＤＳ、ＨＢＶ、およびＨＣＶからなる群から選択される、請求項６６に記載の方法。６８．前記疾患がＨＢＶである、請求項６７に記載の方法。