JP2009003864A - 健康増進行動提示システムおよび健康増進行動提示方法 - Google Patents

Abstract

【課題】健康悪化リスク低減効果が高いが利用者の負担は少なく、実行可能で、副作用的な効果が考慮された健康増進行動を提示する。
【解決手段】改善対象項目指定部１０２において指定された項目に応じて、項目関係式算出部１０３において特定の健康データ項目とそれ以外の健康データ項目との関係式を算出する。次に、行動確率入力部１０７において入力された確率と改善効果表生成部１０９において生成された改善効果表を参照し、改善度算出部１１０において改善度を算出する。そして、項目関係式算出部１０３において算出された関係式のうち、改善対象項目指定部１０２において指定された項目に関する関係式を目的関数、指定以外の項目に関する関係式と算出された改善度を制約条件として最適化部１１１において最適化を行い、処理結果に基づいて適切な健康増進行動を利用者に提示する。
【選択図】図１

Description

本発明は、利用者に適切な健康増進行動を提示する健康増進行動提示システムおよび健康増進行動提示方法に関する。

健康増進を促すためには、利用者に適切な健康増進行動を提示することが有効である。例えば、産業医や保健師等によってきめ細かい健康指導が行われ、適切な健康増進行動が提示されることが望ましい。

しかし、指導者一人当たりの指導対象者数が多い場合には十分な指導を行うことが困難となる。

そこで、このような問題の解決手段として、条件分岐やルール表として健康状態の改善具合と健康増進行動の関係を予め定義しておき、これらを参照することで適切な健康増進行動を自動的に提示するシステムを実現している（特許文献１・２参照）。
特開２００６−２９３６１２号公報 特開２００２−２９７７７５号公報

しかしながら、上記の技術における健康増進行動の提示システムは、利用者の健康増進行動の行い易さや、健康増進行動による副作用的な効果（禁煙すると体重増加しやすい等）を考慮していないという問題があった。

そこで、本発明は、蓄積されたデータと利用者からの入力情報に応じて、健康悪化リスク低減効果が高いが利用者の負担は少なく、利用者が実行可能であり、副作用的な効果が考慮された健康増進行動を提示するシステムおよび健康増進行動提示方法を提供することを目的とする。

本発明に係る健康増進行動提示システムは、健康データを項目に分類して記憶する健康データ記憶部と、前記分類された項目の中から改善対象項目を指定する改善対象項目指定部と、この改善項目指定部で指定された改善対象項目およびそれ以外の項目に係る前記健康データを前記健康データ記憶部から選択抽出する手段と、この選択抽出された健康データに基づいて前記改善対象項目およびそれ以外の項目の各々が将来悪化する若しくは悪化しない確率の関係式を算出する項目関係式算出部と、前記改善対象項目の改善に寄与する改善行動の中から実行可能な改善行動を選択し、その実行可能確率を入力する行動確率入力部と、この行動確率入力部で入力された改善行動の完全実施による前記改善対象項目の最大改善幅を算出し、前記改善対象項目、前記改善行動、および前記最大改善幅を関係付けた改善効果表を生成する改善効果表生成部と、この改善効果表生成部で生成された改善効果表を参照し、前記行動確率入力部において入力された改善行動を前記実行可能確率に従って実行した際の改善幅の総和を改善度として算出する改善度算出部と、前記項目関係式算出部で算出された前記改善対象項目に係る関係式を目的関数、前記項目関係式算出部で算出された前記改善対象項目以外の項目に係る関係式と前記改善度算出部で算出された改善度とを制約条件として最適化処理を行い、前記改善対象項目の最適改善幅を算出する最適化部と、この最適化部で算出された最適改善幅と前記改善効果表部で生成された改善効果表とに基づいて適切な前記改善行動を提示する改善行動提示部と、を備えることを特徴とする。

本発明に係る健康増進行動提示方法は、健康データを項目に分類して記憶するデータベースを備えるコンピュータが健康増進に寄与する改善行動を決定する健康増進行動決定方法であって、前記分類された項目の中から改善対象項目を指定する改善対象項目指定ステップと、この改善対象項目指定ステップで指定された改善対象項目およびそれ以外の項目に係る健康データを選択抽出する健康データ抽出ステップと、この健康データ抽出ステップで選択抽出された健康データに基づいて前記改善対象項目およびそれ以外の項目の各々が将来悪化する若しくは悪化しない確率の関係式を算出する項目関係式算出ステップと、前記改善対象項目指定ステップで指定された改善対象項目の改善に寄与する改善行動の中から実行可能な改善行動を選択し、その実行可能確率を入力する行動確率入力ステップと、この行動確率入力ステップで入力された改善行動の完全実施による前記改善対象項目の最大改善幅を算出し、前記改善対象項目、前記改善行動、および前記最大改善幅を関係付けた改善効果表を生成する改善効果表生成ステップと、この改善効果表生成ステップで生成された改善効果表を参照し、前記行動確率入力ステップにおいて入力された改善行動を前記実行可能確率に従って実行した際の改善幅の総和を改善度として算出する改善度算出ステップと、前記項目関係式算出ステップで算出された前記改善対象項目に係る関係式を目的関数とし、かつ、前記項目関係式算出ステップで算出された前記改善対象項目以外の項目に係る関係式と前記改善度算出ステップで算出された改善度とを組み合わせて制約条件として最適化処理を行い、前記改善対象項目の最適改善幅を算出する最適化ステップと、この最適化ステップで算出された最適改善幅と前記改善効果表生成ステップで生成された改善効果表とに基づいて適切な前記改善行動を提示する改善行動提示ステップと、を備えることを特徴とする。

本発明によれば、蓄積されたデータと利用者の入力情報に応じて、健康悪化リスク低減効果が高いが利用者の負担は少なく、利用者が実行可能であり、副作用的な効果が考慮された健康増進行動を提示するシステムおよび健康増進行動提示方法を提供することができるという効果が得られる。

以下、本発明の一実施形態について図面を参照して説明する。

図１は、本発明の一実施形態に係る健康増進行動提示システム１の全体構成図である。また、図２は、図１に示される健康増進行動提示システム１の各部の関係を説明するブロック図である。

本実施形態に係る健康増進行動提示システム１は、健康増進行動提示装置１０とこれにネットワーク２０を介して接続された利用者用端末３０および健康科学専門家用端末４０から構成される。

健康増進行動提示装置１０は、健康データ記憶部１０１、改善対象項目指定部１０２、項目関係式算出部１０３、関係式制約設定部１０４、改善行動編集部１０５、改善行動記憶部１０６、行動確率入力部１０７、確率変換部１０８、改善効果表生成部１０９、改善度算出部１１０、最適化部１１１、および改善行動提示部１１２から構成されるコンピュータである。

健康データ記憶部１０１は、健康に関わる各種のデータ（以下、「健康データ」という。）を関連する項目（以下、「健康データ項目」という。）に分類して記憶するデータベースである。例えば、定期健康診断において得られる体重や血圧等の検査データ、医療関係者との面談における質問回答データ、健康に関わるアンケートデータ等が健康データに該当する。また、年齢や性別のような基本的なデータや、勤務状況等の勤労関係データ等についても間接的に健康に関わるので健康データに該当する。

健康データ項目には、健康科学によって定められた健康状態を判定する基準を有するものがある。例えば、健康データ項目「BMI（Body Mass Index）」では、値が２５以上の人を肥満と判定することが行われている。ここで、「健康データ項目の悪化」とは、このような判定基準において、健康上好ましい状態から好ましくない状態に変化することを指すものとする。例えば「BMI」の場合、２５未満から２５以上に変化した場合、肥満判定基準に基づくと「肥満でない状態」から「肥満状態」に変化したことになる。したがって、この変化を健康データ項目「BMI」の悪化とする。図３は、健康データを表形式として表した具体例であり、各利用者のＩＤと年度ごとにBMI、中性脂肪、HDL（High Density Lipoprotein）コレステロールなどの値が記録されている。

上記の機能を有すならば、健康データ記憶部１０１の記憶手段および記憶媒体は用途に応じて最適な選択をすることが可能である。例えば、データベースの代わりに、テキストデータを用いてもよく、各アプリケーションに特化されたフォーマット形式のデータを用いてもよい。

改善対象項目指定部１０２は、健康データ項目を利用者用端末３０に出力し、その中から利用者が改善したいと考える項目（以下、「改善対象項目」という。）を利用者に指定させるプログラムである。改善対象項目は、体重や血圧の測定値などの健康データ項目そのものでなくともよく、例えば、複数の健康データ項目を組み合わせた健康指標を定め、その健康指標を改善対象項目にしてもよい。但し、改善対象項目として選択可能な健康データ項目は、健康科学的に妥当な判断基準に基づき、値に応じて健康状態を判定できなくてはならない。図４は、改善対象項目指定部１０２が出力する改善対象項目指定画面の具体例を示す図である。尚、上記の機能を有すならば、改善対象項目指定部１０２における入力手段は用途に応じて最適な選択をすることが可能である。例えば、キーボード、マウス、ペン型入力装置、携帯端末などでもよい。

項目関係式算出部１０３は、改善対象項目指定部１０２において指定された項目（以下、「改善対象項目」という。）および指定されていない全項目（以下、「非改善対象項目」という。）についての健康データを健康データ記憶部１０１から選択抽出し、それぞれについての関係式を算出する。例えば、HDLコレステロールが改善対象項目であれば、それ以外の健康データ項目は非改善対象項目として関係式を算出する。

具体的には、回帰係数が得られるモデルを構築することで、
（ｉ）改善対象項目が将来悪化しない若しくは悪化する確率と各健康データ項目との関係式、および、
（ii）非改善対象項目が将来悪化する若しくは悪化しない確率と各健康データ項目との関係式、
を算出する。

例えば、改善対象項目の関係式（ｉ）が悪化確率に関するものであるならば、非改善対象項目の関係式（ii）は非悪化確率に関するものとなる。逆に、改善対象項目の関係式（ｉ）が非悪化確率に関するものであるならば、非改善対象項目の関係式（ii）は悪化確率に関するものになっている。

尚、関係式（ｉ）・（ii）は、健康データ項目の特性を表現するのに適しており、モデル式の適当な変形若しくは近似変換等により最適化問題として定式化可能なモデルであれば何でもよい。

本実施形態においては、項目関係式算出部１０３で算出される関係式がロジットモデルであるとして説明する。ロジットモデルは、下記の数式（１）

によって表される数理モデルである。ｐは、対象とする健康データ項目が悪化する若しくは悪化しないときの確率である。ｘは、各健康データ項目の変数であり、添え字（１〜Ｎ）と健康データ項目は一対一に対応している。βは、各健康データ項目の変数の係数である。尚、添え字が０の場合は、切片を示している。例えば、血圧項目の悪化を対象とするモデルの場合、ｐは血圧悪化確率を示し、ｘは血圧を除く健康データ項目の変数となる。

また、関係式は、健康データ記憶部１０１に記憶されている健康データを利用し、最小二乗法、最尤推定法、条件付最尤推定法等の手法を使って統計モデルを構築することにより得ることができる。例えば、１９９６年朝倉書店発行の「ロジスティック回帰分析SASを利用した統計解析の実際」（丹後俊郎著）に記載された手法等を用いる。また、モデル構築方法は一つに限る必要はなく、複数のモデル構築方法を用いてもよい。したがって、標本数が少ない、あるいは、データの精度が悪いために適切な統計モデルが構築されない場合は、関係式の一部を予め登録しておいたモデルの関係式で代用することも可能である。構築された統計モデルよりも健康科学的知見によって予め作成されたモデルの方が高性能な場合も同様である。尚、関係式は、別途適当な記憶部等に記憶しておく方法もある。この方法は、利用者の要求に伴う一連の処理がその記憶部に記憶している関係式を用いるだけで実行可能な場合、算出処理を省略可能な利点がある。関係式の具体的な算出方法については後述する。

関係式制約設定部１０４は、健康科学専門家用端末４０からの入力に応じて項目関係式算出部１０３において算出される関係式の変数の係数に関する制約条件を指定するプログラムである。「健康科学専門家」とは、医療関係者や保健指導者等を指す。

項目関係式算出部１０３において算出される関係式の変数の係数は、統計的または機械学習的手段によって自動的に算出されるものであるため、健康データの偏在性やデータサンプル数等のデータ特性によっては、健康科学的知見に反する結果を算出してしまう可能性がある。

そこで、関係式制約設定部１０４において、健康科学的知見に沿う結果のみが得られるように、関係式の変数の係数に関する制約条件を設定する。これにより、項目関係式算出部１０３は、制約条件を満たす関係式のみを最適化部１１１へ出力する。尚、関係式制約設定部１０４に対する入力手段は、上記の機能を有すならば、改善対象項目指定部１０２と同様に用途に応じて最適な選択をすることが可能である。

また、健康科学的に正しい結果を出力することが明らかな解析システムや知識ベースシステムと接続させ、これらのシステムにおいて算出された条件やルールを前記係数の制約条件として採用する場合には、これらシステムは関係式制約設定部１０４としての機能を果たす。

改善行動編集部１０５は、利用者および健康科学専門家の要求に応じて、改善行動の編集（登録、削除、更新）を行うプログラムである。「改善行動」とは、健康データ項目の改善に寄与する具体的行動である。例えば、「歩行を１時間行う」、「禁煙する」などの行動が改善行動として挙げられる。また、予め定められた一般的な改善行動だけでなく、新たに判明した健康科学専門家による最新の知見に基づいた改善行動を利用可能にすることが望ましい。同様に、利用者の創意工夫に基づいた改善行動や、利用者の体質に合った健康法等を登録し、利用可能にすることが望ましい。これにより、改善行動が単調になることを防ぐことが可能になる。また、類似した改善行動の重複登録を排除するため、ツリー状表示等を利用して登録済み改善行動を整理・参照し易くする機能や、形態素解析を利用した登録済みの改善行動に関する類似文章検索機能等を備えることが望ましい。

改善行動記憶部１０６は、改善行動編集部１０５において登録された改善行動と改善行動の実行者に関する情報をまとめた改善行動データを記憶するデータベースである。改善行動の実行者に関する情報には、改善行動の実際の実施記録などが該当し、利用者端末３０から入力される。図５は、改善行動データの具体例を示す図であり、各利用者のＩＤ、改善行動、および実行日が表形式で記録されている。また、改善行動は、カテゴリーやツリー等によって分類、整理されていることが望ましい。

通常、改善行動は、項目関係式算出部１０３において算出される健康データ項目の関係式算出に直接利用されることはない。しかし、実行する利用者が多く、かつ、サンプル数が十分に確保できる改善行動については、健康データと同様に扱うことも可能である。つまり、改善行動の一部を健康データ記憶部１０１にも記憶させる、若しくは、健康データ記憶部１０１と同様のデータアクセスを可能にさせる。これにより、項目関係式算出部１０３の入力データとして利用させることも可能である。

尚、改善行動記憶部１０６の記憶手段および記憶媒体は、上記の機能を有すならば、健康データ記憶部１０１と同様に、用途に応じて最適な選択をすることが可能である。

行動確率入力部１０７は、改善行動記憶部１０６に記憶されている健康データ項目の改善に寄与する改善行動を利用者用端末３０に出力し、利用者が実行可能であると考える改善行動について実行可能な度合いを確率（以下、「実行可能確率」という。）として入力させるプログラムである。利用者に実行可能な改善行動の入力を促すことは、改善行動に関する自覚を高めるのに効果がある。尚、改善対象項目指定部１０２と同様に入力手段は用途に応じて最適な選択をすることが可能である。

図６は、行動確率入力部１０７が出力する行動確率入力画面の具体例である。例えば、「歩行を一日一時間行う」、「ジョギングを３０分行う」、「野菜を一日十品目以上食べる」といった改善行動を提示する。例えば、歩行のような軽い運動は毎日できそうだが、ジョギングのような比較的体力の消耗が激しい運動は休日などにしかできないと思う利用者は、「歩行を一日一時間行う」という改善行動には８０％、「ジョギングを３０分行う」という改善行動には１０％といった確率を入力する。また、普段は社員食堂などで野菜を多く含んだ食事をしているが、頻繁に発生する出張時の外食では野菜をあまり食べられなくなってしまうような利用者は、「野菜を一日十品目以上食べる」という改善行動には５０％といったように確率を入力する。

尚、利用者に対して改善行動記憶部１０６に記憶されている改善行動すべてについて実行可能確率を入力させるのは負担が大きいので、入力を軽減する仕組みが設けられているのが望ましい。例えば、改善行動記憶部１０６を参照して利用者が過去に実行できた改善行動を優先的に表示する、あるいは、実行可能確率の初期値に高い値を設定しておく、などの方法により利用者の負担を軽減することが可能である。

また、１９９５年発行の第１１回データエンジニアリング国際学会誌「マイニング シーケンシャル パターンズ」（R.Agrawal et.al.,Mining Sequential Patterns, Proc. Of the 11th Int. Conf. Data Engineering, 1995）に記載されているようなパターンマイニングを利用する方法がある。例えば、健康データのパターンが利用者と類似している別の利用者が過去実行できた改善行動を優先的に表示する、若しくは、実行可能確率の初期値に健康データのパターンが類似する利用者と同じ値を設定することにより、利用者の負担を軽減可能である。

更に、改善行動記憶部１０６に、ツリー状表示等を利用して登録済み改善行動を参照し易くする機能、登録済みの改善行動に関する類似文章検索機能などを備えさせることにより、これらの機能を利用することが考えられる。この場合、利用者が実行したいと望む改善行動を容易に探索することができ、その改善行動に対して実行可能確率を入力することが可能となる。

確率変換部１０８は、行動確率入力部１０７において主観的に入力された改善行動の実行可能確率（以下、「主観実行可能確率」という。）を客観的な確率（以下、「客観実行可能確率」という。）に変換するプログラムである。一般に、人間が認識する確率は主観的であるため、主観実行可能確率と客観実行可能確率は異なることが多い。そこで、入力された改善行動の実行可能確率の偏りを補正し、実際に実行可能な確率に近づけるために、確率変換部１０８において確率変換を行う。

この変換方法には、回帰木や、相関ルール、ベイジアンネットを利用した確率推論、あるいは、１９９５年発行サイコロジカル レビュー第１０２巻(２)「ウェイイング リスク アンド アンサーテンティ」（A.Tversky et.al.,Weighing Risk and Uncertainty, Psychological Review, vol.102(2), 1995）に記載されている、数式（２）

のような確率加重関数等を利用する。

（Ａ）回帰木、相関ルール、確率推論等を用いる場合
改善行動記憶部１０６を参照し、利用者が入力した実行可能確率と実際に実行できた改善行動の関係をモデル化、あるいは、ルール化することで得られる変換モデルや変換ルールを適用することで確率変換を行う。

（Ｂ）確率加重関数等の関数を直接用いる場合
何らかの関数形を仮定し、変換モデルや変換ルールを利用する場合と同様に改善行動記憶部１０６を参照して確率加重関数の係数をニュートン法等の手法によって決定し、決定された係数を用いた確率加重関数を用いて確率変換を行う。

（Ｃ）既定値を利用する場合
既に、理論的あるいは実験的に係数がほぼ決まっている場合はそれらの値を利用することで、応答時間を短縮することができる。例として、上記の数式（２）のような確率加重関数を用いる場合を考える。

数式（２）において、w(p)は主観的な確率、ｐは客観的な確率、γは実験的に決定される係数である。従来の研究によれば、γ≒０．６５とされている。そこで、数式（２）のγに０．６５を入れ、行動確率入力部１０７において入力された主観実行可能確率をw(p)に代入し、pを算出することで客観実行可能確率を得ることができる。例えば、行動確率入力部１０７において、「歩行を一日一時間行う」の主観実行可能確率を９０％と入力していた場合、客観実行可能確率は９８．２％となる。

また、改善行動記憶部１０６に記憶されている実施記録に基づいて利用者ごとに過去の改善行動の実行割合が算出できるので、この実行割合を確率の変換に利用することもできる。

改善効果表生成部１０９は、確率変換部１０８から実行可能な改善行動を取得し、改善行動記憶部１０６から該当する改善行動に関する情報を取得し、改善効果表を生成するプログラムである。改善効果表は、改善行動、改善行動を実行することで改善される健康データ項目（改善対象項目）、および改善行動の最大改善幅の組から構成されるデータである。

「最大改善幅」とは、改善行動を完全にやり遂げた際に、健康データ項目の値が変化する幅である。改善行動に対応する健康データ項目は複数存在していてもよく、改善される健康データ項目に対応する改善行動も複数存在していてもよい。この最大改善幅は、改善行動データと健康データを組み合わせ、改善行動実施時の健康データ項目の改善幅から算出することができる。

特定の条件が付随したときに改善行動を実行すると改善効果が向上あるいは低下することがあるので、改善行動に対応する改善幅も複数存在してもよい。但し、単一の改善行動ついて複数の改善幅が存在する場合には、条件に応じていずれかの改善幅を採用するものとする。図７は、改善効果表の具体例を示す図である。例えば、「BMIが２５以上」という条件があるときは、改善行動「歩行を一日一時間」についての最大改善幅は−１．５になることが示されている。

また、最大改善幅の算出方法は、改善行動を実施したときの健康データ項目の最大改善幅を適切に算出することが可能な方法であれば、どのような算出方法を用いてもよく、複数の算出方法を組み合わせて利用してもよい。以下、算出方法の具体例を説明する。

（Ａ）算出方法１
例えば、実行した改善行動が少ない、若しくは、改善行動による改善効果が特定の健康データ項目に対して線形に働くことが判明しているものについては、改善行動が実施されたとき平均値が有意（改善方向）に変化している健康データ項目を抽出し、その項目の平均変化幅を最大改善幅とする。

（Ｂ）算出方法２
例えば、改善行動が多い、若しくは、複数の改善行動の相乗効果が強く働くことが判明している場合は、パターンマイニング等を利用する。

先ず、対象としている利用者と改善行動や健康データ項目の特性やパターンが同一若しくは類似している利用者を抽出する。

次に、抽出された複数の利用者のデータについて、改善行動が実施されたとき平均値が有意に変化している健康データ項目を抽出し、その項目の平均変化幅を最大改善幅とすることができる。尚、このときの特性やパターンが、改善効果表の「条件」となる。

（Ｃ）算出方法３
改善行動記憶部１０６に記憶されている改善行動のデータが少ないために最大改善幅を適切に算出できない場合には、予め健康科学知識を利用して改善行動と最大改善幅の対応表を作成しておき、これを改善効果表の生成に用いる。

改善度算出部１１０は、改善効果表生成部１０９で生成された改善効果表から、各健康データ項目に対応する改善度を算出するプログラムである。「改善度」とは、利用者が計画した改善行動を実行する、若しくは、今まで実行していた改善行動を実行しなくなることによって変化する健康データ項目の値の変化量である。この改善度は、客観実行可能確率を重みとしたときに、各改善行動に関する改善効果表の最大改善幅の重み付き和として算出される。改善度は、最適化部において制約条件の一つとして利用される。改善度は、必ずしも算出する必要はないが、最適化部２１において利用される改善度が多い方が適切な改善幅を算出できる。

最適化部１１１は、項目関係式算出部１０３において得られた関係式と、改善度算出部１１０から得られた改善度を用いて、最適化問題を解き、健康データ項目の改善幅を算出するプログラムである。最適化問題を解く方法については、短時間に適切な解が得られるものなら何でもよく、シンプレックス法でもよく、射影変換法でもよい。具体的な方法については後述する。

改善行動提示部１１２は、改善効果表生成部１０９から改善効果表、最適化部１１１から最適改善幅をそれぞれ取得し、これらの情報に基づいて利用者に提示する改善行動を選択し、利用者端末３０に出力するプログラムである。尚、最適改善幅に応じた改善行動の選択方法については、客観実行可能確率の高い改善行動を優先的に選択する方法と、客観実行可能確率の配分比率を重視して選択する方法の二種類があるので、システム管理者若しくは利用者は予め適切な方法を選択しておく。

以下、各方法を具体的に説明する。ここでは、利用者のBMIが２５未満であり、最適化部１１１で算出された健康データ項目「体重」の最適改善幅が−１．２、健康データ項目「血圧」の最適改善幅が−３０とする。また、確率変換部１０８で変換された客観実行可能確率が「歩行を一日一時間行う」は９０％、「ジョギングを一日３０分行う」は１０％、「野菜を一日十品目以上食べる」は５０％、「高塩分食品を控える」は６０％として説明する。

（A）客観実行可能確率が高い改善行動を優先的に選択する方法
図８は、客観実行可能確率が高い改善行動を優先的に選択する方法の手順を示した図である。すなわち、最適化部１１１において得られた最適改善幅を満たすように客観実行可能確率の高い改善行動を順に選択し、利用者に改善行動を提示する。図８（ａ）は、改善効果表生成部１０９から取得される情報を示す図である。図８（ｂ）は、図８（ａ）の条件下で各健康データ項目の満たすべき最適改善幅を示したものである。最初に、最も客観実行可能確率が高い「歩行を一日一時間行う」を選択し、その実行可能確率と図７に示した改善効果表の最大改善幅を掛け合せて、「体重」の改善幅を(−１．２)×０．９=−１．０８、「血圧」の改善幅を(−２０)×０．９=−１８と算出する。この結果を示したのが、図８（ｃ）である。尚、「要改善幅」とは、最適改善幅と改善行動による改善幅の差分であり、図８（ｃ）では、「体重」を残り−０．１２改善させ、「血圧」を残り−１２改善させる必要があることを示している。

次に、二番目に客観実行可能確率の高い「高塩分食品を控える」を選択し、改善行動全体での改善幅を算出する。「高塩分食品を控える」は、「血圧」のみに改善効果があるので、「血圧」のみについて改善幅を算出する。この場合、「血圧」の改善幅は(−４３)×０．６=−２５．８となり、改善行動全体での「血圧」改善幅は（−１８）−２５．８=−４３．８となる。しかし、最適改善幅である−３０を超えるので、「血圧」に関する改善行動はこれ以上選択しない。また、最適改善幅を満たすための目標達成率を（（−１２）／(−４３)）×１００≒２８％と算出する。この結果が、図８（ｄ）の表に示されている。以降も同様の手順で、利用者から入力された実行可能確率の高い順に改善行動を選択し、各健康データ項目の最適改善幅が満たされるまで処理を続ける。図８（e）は、「野菜を一日十品目以上食べる」を選択し、目標達成率を（（−０．１２）／(−０．８)）×１００＝１５％と算出したときの結果を示している。この時点で、健康データ項目の最適改善幅がすべて満たされているので、改善行動選択および目標達成率算出のための一連の処理を終了する。もし新たな改善行動によって、すでに改善幅が満たされている健康データ項目の改善幅が大きくなり過ぎるときは、その健康データ項目の改善に寄与する改善行動の目標達成率を低下させることにより適宜調整する。

そして、目標達成率の大きさ順に改善行動を利用者に提示する。尚、改善行動のみを提示してもよく、改善行動と共に目標達成率を表示させてもよい。また、目標達成率の大きさに応じて「実行必須」、「できるだけがんばりましょう」等のメッセージを添えてもよい。図９は、改善行動提示画面の具体例を示す図である。ここでは、改善行動と共に目標達成率を提示している。また、目標達成率が８０％以上は「必須」、５０％以上８０％未満は「できるだけ」、５０％未満は「可能ならば」というメッセージを添えている。

（Ｂ）客観実行可能確率の配分比率を重視して改善行動を選択する方法
この方法の場合には、最適化部１１１において得られた最適改善幅を満たすように客観実行可能確率の配分比率に合わせて改善行動を選択し、利用者に改善行動を提示する。ここでは、「体重」に関する改善行動「歩行を一日一時間行う」、「ジョギングを一日３０分行う」、「野菜を一日十品目以上食べる」の客観実行可能確率の配分比率を、９：１：５とする。また、最大改善幅はそれぞれ−１．２、−２．５、−０．８であるから、「体重」のみについて最適改善幅−１．２を満たすために必要な目標達成率は下記の連立方程式（３）

を解くことで算出することができる。ここで、ｐ_１は「歩行を一日一時間行う」、ｐ_２は「ジョギングを一日３０分行う」、ｐ_３は「野菜を一日十品目以上食べる」の、「体重」のみを考えたときの目標達成率である。

同様に、「血圧」に関する改善行動「歩行を一日一時間行う」、「ジョギングを一日３０分行う」、「高塩分食品を控える」の客観実行可能確率の配分比率を、９：１：６とする。最大改善幅はそれぞれ−２０、−５２、−４３であるので、「血圧」のみについて最適改善幅−３０を満たすために必要な目標達成率は、下記の連立方程式（４）

を解くことで算出することができる。ここで、ｐ_１は「歩行を一日一時間行う」、ｐ_２は「ジョギングを一日３０分行う」、ｐ_４は「高塩分食品を控える」の、「血圧」のみを考えたときの目標達成率である。

図１０は、上記の連立方程式を解いて求めた各改善対象項目に対する改善行動とその目標達成率を示す図である。また、図１１は、図１０を参照し、改善行動ごとに目標達成率の高い値を採用して求めた最終的な目標達成率を示す図である。例えば、「歩行を一日一時間行う」については、「体重」の目標達成率（６２％）の方が「血圧」の目標達成率（５５％）よりも大きいので、「体重」の値を採用する。そして、目標達成率の大きさ順に改善行動を利用者に提示する。表示方法については、客観実行可能確率が高い改善行動を優先的に選択する方法（Ａ）の場合と同様である。また、上記の方法（Ａ）および（Ｂ）では客観実行可能確率を用いたが、主観実行可能確率を用いてもよい。

尚、改善行動提示部１１２が改善行動を提示する装置は、上記の機能を有するのならば、用途に応じて最適な選択をすることが可能である。例えば、計算機ディスプレイ、印刷機、携帯端末機器でもよい。また、出力方法も用途に応じて最適な選択をすることが可能である。すなわち、一括出力してもよく、逐次出力してもよい。また、用途に応じて健康データ記憶部１０１と同様に、記憶部若しくは記憶媒体に出力することが可能である。

以下、図１に示される健康増進行動提示システム１の動作を図１２乃至図１５に基づいて説明する。

図１２は、健康増進行動提示システム１において行われる処理の具体例を示すフローチャートである。

先ず、改善対象項目指定部１０２が、改善対象項目指定画面を表示し、利用者に改善したい健康データ項目（改善対象項目）を選択させる（ステップ１２ａ）。ここで選択対象となる健康データ項目は、健康データ記憶部１０１に記憶されている全健康データを用いてもよいし、予め重点的に改善すべき健康データ項目を絞り込んでおき、その中から選択させるようにしてもよい。また、複数の健康データ項目を組み合わせて特定疾病に関連する指標を作成し、それらの指標を選択させるようにしてもよい。

次に、項目関係式算出部１０３が、改善対象項目指定部１０２において指定された改善対象項目および指定されていない非改善対象項目についての関係式をそれぞれ算出する（ステップ１２ｂ）。ここでは、項目関係式算出部１０３で算出される関係式が上述した数式（１）によって表されるロジットモデルであるとして説明する。

次に、行動確率入力部１０７が、利用者用端末３０に複数の改善行動を行動確率入力画面として提示し、各改善行動に対して実行可能な度合いを利用者に入力させる（ステップ１２ｃ）。利用者に提示する複数の改善行動は、改善行動記憶部１０６から取得する。但し、改善行動記憶部１０６に改善行動が記憶されていても、改善行動に関するデータが少ないと後の処理において改善効果表が生成できない場合があるので、このような改善行動は利用者には提示しない。

次に、確率変換部１０８が、ステップ１２ｃにおいて入力された改善行動についての主観実行可能確率を客観実行可能確率に変換する（ステップ１２ｄ）。

次に、改善効果表生成部１０９が、健康データ記憶部１０１に記憶されている健康データと、行動確率入力部１０７において確率の入力対象となった改善行動に基づいて改善効果表を生成する（ステップ１２ｅ）。具体的には、先ず、行動確率入力部１０７において確率が入力された、若しくは、確率の値が設定されている改善行動を抽出する。そして、改善行動記憶部１０６に記憶されている改善行動のデータと健康データ記憶部１０１に記憶されている健康データから各改善行動に対応する最大改善幅を算出し、改善行動とその改善行動に対応する各改善対象項目の最大改善幅を組み合わせて改善効果表を作成する。尚、改善効果表は、別途適当な記憶部等に記憶しておくことで、その記憶部に記憶している改善効果表を用いるだけで利用者のステップ１２ｆ以降の処理が実行可能な場合に、ステップ１２ｅを省略することが可能である。

次に、改善度算出部１１０が、ステップ１２ｅで生成された改善効果表を利用して、各健康データ項目の改善度を算出する（ステップ１２ｆ）。この改善度は、客観実行可能確率を重みとしたときに、各改善行動に関する改善効果表の最大改善幅の重み付き和として算出される。例えば、客観実行可能確率が「歩行を一日一時間行う」は９０％、「ジョギングを３０分行う」は１０％、「野菜を一日十品目以上食べる」は５０％であるとする。改善行動効果表が図７で示される場合には、健康データ項目「体重」の改善度は、(−１．２)×０．９+(−２．５)×０．１+(−０．８)×０．５＝−１．７３と算出される。

次に、最適化部１１１が、ステップ１２ｂで得られた健康データ項目の関係式と、ステップ１２ｆで得られた改善度を利用して最適化処理を行い、各健康データ項目の改善幅を算出する（ステップ１２ｇ）。最適化処理においては、ステップ１２ｂにおいて算出された健康データ項目の関係式のうち、改善対象項目に関する関係式を目的関数とする。そして、改善対象項目に関する関係式が、健康データ項目の悪化確率に関するモデルの場合は最小化、非悪化確率に関するモデルの場合は最大化するような健康データ項目の値を算出する。ここで算出された健康データ項目の値と現状の値との差分が最適改善幅となる。

また、制約条件には、ステップ１２ｂにおいて算出された非改善対象項目に関する関係式およびステップ１２ｅにおいて算出された改善度を用いる。例えば、改善対象項目の関係式が悪化確率に関するモデルの場合には、非改善対象項目に関する非悪化確率が現状の値以上になることを制約条件とする。逆に、改善対象項目のモデルが非悪化確率に関するモデルの場合には、非改善対象項目に関する悪化確率が現状の値以下になることを制約条件とする。

更に、ステップ１２ｆにおいて算出された各健康データ項目の改善度に各健康データ項目の現状の値を足し合わせることで得られる値を、健康データ項目の値が改善される限界値（以下、「改善限界値」という。）と考えて制約条件とする。ここで、健康データ項目の変数をｘ、改善限界値をαとするとき、血圧のように健康データ項目の値が低下することが改善になる場合は、「ｘ≧α」が制約条件となる。逆に、HDLコレステロールのように値が向上することが改善になる場合は、「ｘ≦α」が制約条件となる。したがって、HDLコレステロールの現状の値が４２で、改善度が８のとき、HDLコレステロールの変数ｘに関する制約条件は、「x≦５０」となる。

下記の数式（５）は、改善対象項目の悪化確率p_１に関するモデルの関係式を目的関数としたときの例である。

数式（５）におけるβ_j,1=(j＝1,2,…,Ｎ)は、改善対象項目の悪化確率に関する関係式のｊ番目の健康データ項目に関する説明変数の係数である。

これに対し、数式（６）は、制約条件となる非改善対象項目の非悪化確率p’_ｋ（k≠1）に関するモデルの関係式の例である。

数式（６）におけるβ^’ _j,k=(j＝1,2,…,Ｎ,k≠1)は、k番目のモデルであって非改善対象項目の非悪化確率に関する関係式におけるｊ番目の健康データ項目に関する説明変数の係数である。

Ｒ_ｋは各項目に関するモデルに現状の健康データ項目の値を代入することで得られる現状値である。添え字（１〜Ｎ）と健康データ項目は一対一に対応している。

更に、制約条件として下記の数式（７）

で示される改善限界値α_ｋ（１≦ｋ≦Ｎ）を考慮し、実行可能な範囲で適切な改善幅を算出する。α_ｋはｋ番目の健康データ項目の改善限界値であり、行動確率入力部１０７において入力された実行可能確率に基づいて演算された値である。尚、α_ｋに関する不等号の向きは、各項目の値が低下するのが改善を示すのか、向上するのが改善を示すのかによって逆向きになるが、ここでは便宜的に向上するときを改善とみなし、不等号の向きを決めている。したがって、改善対象項目の非悪化確率に関する関係式を採用した場合は、関係式の不等号の向きが逆になる。

最後に、改善行動提示部１１２が、ステップ１２ｆで得られた改善効果表を参照して、ステップ１２ｇで得られた最適改善幅に応じて適切な改善行動を改善行動提示画面として利用者に提示し（ステップ１２ｈ）、処理を終える。

このように、制約条件として非改善対象項目に関するモデルを考慮することにより、非改善項目を悪化させずに改善対象項目を最大限まで改善させる、適切な健康データ項目の値を知ることができる。すなわち、「禁煙すると精神的に不安定になりやすい」といったような副作用的な影響を避けて改善行動を提示することができる。

以下に、ステップ１２ｂにおいて構築されるモデルの精度について詳細に説明する。モデルの精度は、十分高くなければならない。したがって、精度を検証する必要があるが、その方法は様々である。例えば、最尤推定法等の統計学的手法でモデルを構築した場合には、ワルド検定や尤度比検定等の検定を用いて精度を検証することが可能である。また、集団学習アルゴリズム等の機械学習的手法によってモデルを構築した場合には、交差検証法等を使うことでモデルの精度を検証することが可能である。

ここで、モデルの精度が、予め定めてある基準より低い場合は、別の複数のモデル構築方法を試み、最も精度が高いモデルを採用する。構築されたモデルが基準精度に達しておらず、そのモデルが非改善対象項目に関するモデルの場合は、その低精度モデル、および、そのモデルが対象としている健康データ項目を含むモデルを、最適化部１１１から取得できないようにさせる。これにより、精度の低いモデルの関係式を無効にすることが可能である。

また、ステップ１２ｂにおいて構築されるモデルの関係式は、予め関係式制約設定部１０４において設定された制約条件を満たさなければならない。「制約条件」とは、モデルの係数間の関係を等号若しくは不等号を用いて示した式である。例えば、モデルの対象となる健康データ項目の特性により、健康科学的に喫煙の有無の方が飲酒の有無より２倍以上影響が強いことが判明していた場合、「喫煙項目の係数 ＞ ２×飲酒項目の係数」のような制約条件を指定することが可能である。更に、制約条件は、複数指定することも可能である。

構築されたモデルが制約を満たしておらず、かつ、そのモデルが非改善対象項目についてのモデルである場合には、制約未充足モデルは、最適化部１１１から取得できないようにさせる。すなわち、制約条件を満たさないモデルの関係式を無効にさせる。したがって、改善対象項目指定部１０２において指定された健康データ項目が制約を満たしていない場合や、制約未充足モデルが対象とする健康データ項目も最適化部１１１において制約条件としたい場合には、制約条件を満たすモデルを構築する。

以下に、制約条件を満たすモデルの構築手法について詳細に説明する。

図１３は、制約条件を満たすモデルの構築処理の具体例を示すフローチャートである。

先ず、制約条件を考慮しないでモデルを構築する（ステップ１３ａ）。

次に、ステップ１３aで構築された制約条件を考慮しないモデルに最も近く、かつ、制約条件を満たすモデルの係数を算出する（ステップ１３ｂ）。制約条件に含まれる項目に対応した係数は、例えば、次のような方法で算出される。先ず、制約条件を構成する関係式の各係数を軸とする制約条件空間を考える。この空間において、制約条件を考慮せずに構築されたモデルの係数が示す点から、制約条件を充足させる境界面に射影したときの、境界面上の点が示す係数の値をサンプリングの中心点として算出する。

例として、制約条件が「喫煙項目の係数 ＞ ２×飲酒項目の係数」であり、制約条件を考慮せずに構築されたモデルの喫煙項目に関する係数が１．２、飲酒項目の係数が０．８のときについて説明する。図１４は、制約条件空間の具体例を説明する図である。図１４において、制約条件を考慮せずに構築されたモデルの係数が示す点をMとし、サンプリング中心点をCと表す。図１４における制約条件空間の軸は、喫煙項目係数と飲酒項目係数の２つである。ここで、境界面の式は、「喫煙項目係数＝２×飲酒項目係数」であるから、喫煙項目係数が１．２、飲酒項目係数が０．８となる点Ｍから、境界面に射影したときの点が示す係数の値は、喫煙項目係数が１．２８、飲酒項目係数が０．６４と算出される。

制約条件に含まれる係数の数がn個の場合は、n次元の制約条件空間を考えることで同様に算出することができる。また、複数の制約条件がある場合には、共通の項目が含まれているならば、制約条件同士を適宜まとめてから係数を算出する。逆に、共通の項目が含まれておらず制約条件が独立しているならば、個々の制約条件ごとに係数を算出する。

次に、ステップ１３ｂにおいて算出された点Ｃを中心にランダムサンプリングによって、制約条件を構成する関係式の各係数の値を取得し、取得された値のうち制約条件を満たす係数の組のみについてモデルを構築する（ステップ１３ｃ）。例えば、制約条件を構成する関係式のある係数について、点Cを中心点、ランダムサンプリングの幅をDとすると、サンプリングによって得られる値はC−DからC＋Dまでの値となる。尚、制約条件を満たす範囲についてのみランダムサンプリングを行えば十分である。また、Dの値は予め一定値に定めておいてもよく、ランダムサンプリング幅を徐々に増加させることで、多様なモデルを構築し、精度の高いモデルを探索してもよい。

最後に、構築された各モデルの精度を算出し、最も精度の高いモデルを採用し（ステップ１３ｄ）、処理を終える。但し、モデル構築方法として集団学習アルゴリズムを採用している場合には、複数のモデルを採用することも可能である。例えば、健康データ項目の関係式を算出するのに、１９９６年発行のマシーン ラーニング「バッギング プレディクターズ」（L.Breiman,Bagging Predictors, Machine Learning, Vol. 24(2), 1996）や、１９９８年発行のIEEE トランス パターン アナリシス アンド マシーン インテリジェンスの第２０巻のNO．８「ランダム サブスペース メソッド フォー コンストラクティング ディシジョン フォレスツ」（T.K.Ho,The Random Subspace Method for Constructing Decision Forests,IEEE Trans Pattern Analysis and Machine Intelligence, Vol.20, No.8, 1998）に記載されているようなランダムサンプリングを利用した集団学習アルゴリズムを用いる。

「ランダムサンプリングを利用した集団学習アルゴリズム」とは、ランダムサンプリングによってデータレコードやデータ属性の部分集合を抽出して複数のデータセットを作成し、それぞれのデータセットから複数のモデルを生成して、生成された複数のモデルを結合して最終的なモデルを出力する手法である。

更に、生成される複数のモデルがロジットモデルのように重回帰モデルではない場合には、利用者の健康データの値に応じて生成される近似的なモデルの関係式を利用する。これにより、適切な関係式を目的関数および制約条件として使うことが可能になる。

以下、ランダムサンプリングを利用した集団学習アルゴリズムを図１５に基づいて詳細に説明する。図１５は、集団学習アルゴリズムを用いているときの、健康データ項目の関係式を算出する処理のフローチャートである。ここでは、結合モデルを構成するモデルをロジットモデルとし、モデルの結合方法として平均を用いる場合を具体例として説明する。尚、対数線形モデルやプロビット回帰モデルを用いる場合は、下記の具体例においてロジットを対数やプロビットに置き換えることで、同様に扱うことが可能である。

先ず、予め定められた集団学習アルゴリズムに応じて、データセットを作成し、これらから結合モデルを構成する複数のモデルを生成する（ステップ１５ａ）。各モデルを生成する方法は、集団学習アルゴリズムを用いないときと同様である。

次に、全データを用いて生成されたモデルに対して、利用者の健康データの値を適用する（ステップ１５ｂ）。ここでは、複数のモデルから確率の平均を出力する下記の数式（８）

によって結合モデルを生成し、このモデルに利用者の健康データの値を適用する。この場合、Nは結合モデルを構成するモデルの数である。ロジットモデルを用いている場合は、これによって確率が算出される。以下の数式では、結合モデルに関する係数や確率を上付きバーで示すものとする。

次に、代表的なロジットモデルの値が０近傍であるか否かの判定処理を行う（ステップ１５ｃ）。代表的なモデルとは、結合モデルに比較的近いと判断されるモデルのことを指す。例えば、全データを用いて生成したモデルが該当する。ロジットモデルの値とは、健康データの項目の値をモデルに代入したときの、数式（１）の表記における右辺の値である。近傍の範囲は所定の閾値によって判断されるものとする。

ここで、ロジットモデルの値が０近傍である場合は、ロジットの平均を結合モデルとし、健康データ項目の関係式として用いて結合モデルの係数を求める（ステップ１５ｄ）。このとき、結合モデルの説明変数の係数は、下記の数式（９）

によって表すことができる。

これに対し、ロジットモデルの値が０近傍ではない場合は、利用者の健康データの値に応じて生成されるモデルを健康データ項目の関係式として用い、条件式を求める（ステップ１５ｅ）。例として、結合モデルを構成するモデルが、下記の数式（１０）

で表される場合について説明する。まず、利用者の健康データの値を利用して、近似モデルの係数が満たすべき条件式を算出する。これは、利用者の健康データの値を数式（１１）

に代入することで算出できる。

結合モデルを構成する各モデルの説明変数の係数であるβは既に得られているので、ｘに健康データの値を代入することにより近似結合モデルの係数の条件式が得られる。例えば、健康データの値がｘ＝１の場合には、近似結合モデルの条件式は、下記の数式（１２）

と算出される。

最後に、近似モデルの係数がステップ１５ｅにおいて算出された条件式を満たすように係数を定め（ステップ１５ｆ）、処理を終了する。

係数を定める方法は複数ある。例えば、公知の多目的最適化技術を利用して、利用者の健康データが示す点から距離ｎ（算出すべき係数の数に応じて、ｎは複数存在）離れた点において、近似モデルと近似なしのモデルの差を最小にする係数を用いる方法がある。

また、より簡便な方法としては、ロジットの値の絶対値が小さいときに成り立つ係数の近似式である上述した数式（９）を利用する方法がある。ここでは、後者の方法を説明する。後者の方法では、先ず、数式（９）を用いて仮のβを算出し、各係数の比を得る。そして、この比に基づいて条件式に表われる係数を定める。

上述した数式の場合、ｐ_１に関するモデルとｐ_２に関するモデルの係数と切片の比は５：３であるから、近似結合モデルの係数は、３．５８×５／８≒２．２、切片は、３．５８×３／８≒１．３と算出することができる。

このように、健康増進行動提示システム１においては、利用者が指定した改善対象項目のみならず、非改善対象項目に関する関係式を作成するので、副作用的な効果を考慮した適切な改善行動を利用者に提示可能となる。また、利用者に入力させた実施可能確率から算出された改善限界値を考慮することで利用者が実行し易い改善行動が提示可能となる。

尚、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。例えば、コンピュータに所定の手順を実行させるための、あるいはコンピュータを所定の手段として機能させるための、あるいはコンピュータに所定の機能を実現させるためのプログラムとして実施することもできる。加えて該プログラムを記録したコンピュータ読取り可能な記録媒体として実施することもできる。

また、上記実施形態に開示されている複数の構成要素の適宜組み合わせることにより、種々の発明を形成できる。すなわち、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。同様に、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。

本発明の一実施形態に係る健康増進行動提示システムの全体構成図。 本発明の一実施形態に係る健康増進行動提示システムにおける各部の関係を説明するブロック図。 本発明の一実施形態に係る健康データの具体例を示す図。 本発明の一実施形態に係る改善対象項目指定画面の具体例を示す図。 本発明の一実施形態に係る改善行動データの具体例を示す図。 本発明の一実施形態に係る行動確率入力画面の具体例を示す図。 本発明の一実施形態に係る改善効果表の具体例を示す図。 本発明の一実施形態に係る最適改善幅に応じた改善行動の選択方法を説明する図。 本発明の一実施形態に係る改善行動提示画面の具体例を示す図。 本発明の一実施形態に係る実行可能確率の具体例を示す図。 本発明の一実施形態に係る目標達成率の具体例を示す図。 本発明の一実施形態に係る健康増進行動提示システムで行われる処理の具体例を示すフローチャート。 本発明の一実施形態に係る制約条件を満たすモデルの構築処理の具体例を示すフローチャート。 本発明の一実施形態に係る制約条件空間の具体例を説明する図。 本発明の一実施形態に係る集団学習アルゴリズムを用いた関係式の算出処理の具体例を示すフローチャート。

符号の説明

１…健康増進行動提示システム、
１０…健康増進行動提示装置、２０…ネットワーク、
３０…利用者用端末、４０…健康科学専門家用端末、
１０１…健康データ記憶部、１０２…改善対象項目指定部、
１０３…項目関係式算出部、１０４…関係式制約設定部、
１０５…改善行動編集部、１０６…改善行動記憶部、
１０７…行動確率入力部、１０８…確率変換部、
１０９…改善効果表生成部、１１０…改善度算出部、
１１１…最適化部、１１２…改善行動提示部。

Claims (6)

1. 健康データを項目に分類して記憶する健康データ記憶部と、
   前記分類された項目の中から改善対象項目を指定する改善対象項目指定部と、
   この改善項目指定部で指定された改善対象項目およびそれ以外の項目に係る前記健康データを前記健康データ記憶部から選択抽出する手段と、
   この選択抽出された健康データに基づいて前記改善対象項目およびそれ以外の項目の各々が将来悪化する若しくは悪化しない確率の関係式を算出する項目関係式算出部と、
   前記改善対象項目の改善に寄与する改善行動の中から実行可能な改善行動を選択し、その実行可能確率を入力する行動確率入力部と、
   この行動確率入力部で入力された改善行動の完全実施による前記改善対象項目の最大改善幅を算出し、前記改善対象項目、前記改善行動、および前記最大改善幅を関係付けた改善効果表を生成する改善効果表生成部と、
   この改善効果表生成部で生成された改善効果表を参照し、前記行動確率入力部において入力された改善行動を前記実行可能確率に従って実行した際の改善幅の総和を改善度として算出する改善度算出部と、
   前記項目関係式算出部で算出された前記改善対象項目に係る関係式を目的関数、前記項目関係式算出部で算出された前記改善対象項目以外の項目に係る関係式と前記改善度算出部で算出された改善度とを制約条件として最適化処理を行い、前記改善対象項目の最適改善幅を算出する最適化部と、
   この最適化部で算出された最適改善幅と前記改善効果表部で生成された改善効果表とに基づいて適切な前記改善行動を提示する改善行動提示部と、
   を備えることを特徴とする健康増進行動提示システム。
2. 前記行動確率入力部において入力された実行可能確率に所定の比率を乗算して変換を行う確率変換部と、
   を更に備えることを特徴とする請求項１に記載の健康増進行動提示システム。
3. 前記改善行動を前記健康データに関連付けて記憶する改善行動記憶部と、
   前記改善行動の編集を行い、前記改善行動記憶部の記憶内容を管理する改善行動編集部と、
   を更に備えることを特徴とする請求項１または請求項２に記載の健康増進行動提示システム。
4. 前記項目関係式算出部で算出される関係式の係数に関する制約条件を設定する関係式制約設定部を更に備え、
   前記項目関係式算出部が前記関係式の中から前記制約条件を満たす関係式のみを前記最適化部へ出力することを特徴とする請求項１乃至請求項３のいずれか一項記載の健康増進行動提示システム。
5. 前記関係式が、利用者の前記健康データの値に基づいて近似モデルを求め、この近似モデルの係数に係る複数の条件式の結合により算出されることを特徴とする請求項１乃至請求項４のいずれか一項記載の健康増進行動提示システム。
6. 健康データを項目に分類して記憶するデータベースを備えるコンピュータが健康増進に寄与する改善行動を決定する健康増進行動決定方法であって、
   前記分類された項目の中から改善対象項目を指定する改善対象項目指定ステップと、
   この改善対象項目指定ステップで指定された改善対象項目およびそれ以外の項目に係る健康データを選択抽出する健康データ抽出ステップと、
   この健康データ抽出ステップで選択抽出された健康データに基づいて前記改善対象項目およびそれ以外の項目の各々が将来悪化する若しくは悪化しない確率の関係式を算出する項目関係式算出ステップと、
   前記改善対象項目指定ステップで指定された改善対象項目の改善に寄与する改善行動の中から実行可能な改善行動を選択し、その実行可能確率を入力する行動確率入力ステップと、
   この行動確率入力ステップで入力された改善行動の完全実施による前記改善対象項目の最大改善幅を算出し、前記改善対象項目、前記改善行動、および前記最大改善幅を関係付けた改善効果表を生成する改善効果表生成ステップと、
   この改善効果表生成ステップで生成された改善効果表を参照し、前記行動確率入力ステップにおいて入力された改善行動を前記実行可能確率に従って実行した際の改善幅の総和を改善度として算出する改善度算出ステップと、
   前記項目関係式算出ステップで算出された前記改善対象項目に係る関係式を目的関数とし、かつ、前記項目関係式算出ステップで算出された前記改善対象項目以外の項目に係る関係式と前記改善度算出ステップで算出された改善度とを組み合わせて制約条件として最適化処理を行い、前記改善対象項目の最適改善幅を算出する最適化ステップと、
   この最適化ステップで算出された最適改善幅と前記改善効果表生成ステップで生成された改善効果表とに基づいて適切な前記改善行動を提示する改善行動提示ステップと、
   を備えることを特徴とする健康増進行動提示方法。

Images