JP2010230428A - 検査データの評価方法および装置 - Google Patents

Abstract

【課題】臨床検査結果の総合的な評価を行なえるような臨床検査データの評価方法、評価装置、および表示方法を提供する。
【解決手段】横軸にｎ個の検査項目または経時的測定値を配し、縦軸に前処理を施した検査値ｘ_i（ｉ＝１，２，…，ｎ）を配したｎ次元の検査項目または経時的測定値から成る検査データ群を一種のスペクトル・パターンとして捉え、主成分分析（ＰＣＡ）の手法により、検査データ群の特徴を２次元空間または３次元空間に表示するようにした。
【選択図】図６

Description

本発明は、生化学自動分析装置などの分析装置から出力される臨床検査データの評価方法および装置に関し、より広い意味で、臨床検査データを利用した医療、予防医学、材料評価、薬剤評価のための新しい方法論に関する。

臨床検査データは、通常、検査項目ごとに検査値（分析値）が出力表示される。これらは表形式としての出力が一般的であり、健常値から外れた場合にそのことを示すマークがつく他には、視覚的に検査結果を認識できるような工夫がなされている訳ではない。各測定項目は完全に互いに独立した値として取り扱われ、シングルマーカでの評価法以外に検査結果を総合的に評価する手法は提供されていない。市販の統計解析ソフトにおいても、多項目間でデータをパターンとして捉え、解析に用いた例はない。

一方、複雑なデータの解析手法としては、主成分分析（ＰＣＡ：Principle Component Analysis）などの手法が広く知られている。この手法を応用した技術としては、混合物のＮＭＲスペクトルデータに対して、含まれている化学成分ごとに、そのＮＭＲ信号強度からＰＣＡ解析を行なえるようにした、解析用ソフトウェアが市販されている。しかしながら、その種のソフトウェアには、臨床検査データのような分光的スペクトルデータではないデータへの適用は、まったく想定されていない。

特開２００６−３３７３５４号公報

宮下芳勝・佐々木慎一著『ケモメトリックス―化学パターン認識と多変量解析』（コンピュータ・ケミストリーシリーズ３）、１９９５年１月、共立出版刊、１７〜８５頁。

従来、臨床検査データについては、検査項目ごとの評価は行なわれているものの、先にも述べたように、検査結果を総合的に評価する手法が提供されていないため、例えばメタボリック症候群の特定健診（メタボ健診）などにおいて、データの効果的な表示方法へのニーズがあるにも関わらず、そのような表示方法への積極的な対応はなされていないのが現状である。

本発明は、上述した点に鑑み、臨床検査データ（生化学データなどの健診データ）を多項目の検査値パターンに着目して解析することにより、検査結果の総合的な評価を行なえるような臨床検査データの評価方法および装置を提供することにある。

換言すれば、臨床検査データの多項目結果をマルチマーカのように扱うことにより、従来のシングルマーカ（一因子）方式での評価では捉えることのできにくかった生活習慣病のような多因子が関係する疾患への応用を可能にし、総合的な評価結果を視覚的にわかりやすい表示方法で可視化表示して、誰にでも容易に検査結果の全体像を把握できるようにするものである。

この目的を達成するため、本発明にかかる検査データの評価方法は、
複数の個体についてのｎ種の検査項目にわたる検査データ、又は複数の個体についてのｎ個の時刻にわたる経時的検査データ、又は１種類の検査項目についてのｎ個の吸収データを母集団とした検査データの評価方法であって、
母集団に含まれる各個体の検査データｘ_i（ｉ＝１，２，…，ｎ）から成る検査データ群に対して、ｎ種の検査項目又はｎ個の時刻から規定されるｎ次元空間における各個体の検査データｘ_iの分散が最も大きくなる方向を持つ第１の軸ＰＣ１及び前記第１の軸ＰＣ１とは独立しｎ次元空間における各個体の検査データｘ_iの分散が最も大きくなる方向を持つ第２の軸ＰＣ２を決定し、各個体の検査データｘ_iを第１の軸ＰＣ１に投影した座標値ｔ₁と、第２の軸ＰＣ２に投影した座標値ｔ₂とを求めるための、重み係数ｐ（−１≦ｐ≦１）を含む変換式、
ｔ₁＝ｘ₁ｐ₁₁＋ｘ₂ｐ₁₂＋…＋ｘ_nｐ_1n
ｔ₂＝ｘ₁ｐ₂₁＋ｘ₂ｐ₂₂＋…＋ｘ_nｐ_2n
を決定する第１のステップと、
各個体の検査データｘ_iから前記変換式によりｔ₁及びｔ₂を決定し、ＰＣ１とＰＣ２から成る二次元座標上の位置（ｔ₁，ｔ₂）に各個体を表す点をプロットする第２のステップと
から成ることを特徴としている。

また、さらに、前記ｎ個の検査項目または時刻の個々についての重み係数ｐを、横軸（または縦軸）に前記第１の軸ＰＣ１への貢献度を表わす重み係数ｐ_1i、縦軸（または横軸）に前記第２の軸ＰＣ２への貢献度を表わす重み係数ｐ_2iを取って、座標（ｐ_1i，ｐ_2i）として２次元プロットで表わすようにしたことを特徴としている。

また、前記検査項目、前記検査データ、前記経時的検査データは、それぞれ臨床検査項目、臨床検査データ、臨床検査項目についての経時的検査データであることを特徴としている。

また、前記第１のステップにおいて処理対象となる検査データは、事前に統計的処理を施すことができるようなデータに変換する前処理を受けた検査データであることを特徴としている。

また、前記前処理は、
（１）検査項目ごとに平均値を求め、平均値を各検査値から差し引くミーン・センタリングと、
（２）検査項目ごとに標準偏差値を求め、検査値を標準偏差値で割ることによって、無単位でスケールの統一された統計学的数値に変換するオート・スケーリングと、
から成ることを特徴としている。

また、前記第１ステップにおいて、更に前記軸ＰＣ１、ＰＣ２とは独立し、ｎ次元空間における各個体の検査データｘ_iの分散が最も大きくなる方向を持つ第３の軸ＰＣ３を決定し、各個体の検査データｘ_iを第１の軸ＰＣ１に投影した座標値ｔ₁と、第２の軸ＰＣ２に投影した座標値ｔ₂と、第３の軸ＰＣ３に投影した座標値ｔ₃とを求めるための、重み係数ｐ（−１≦ｐ≦１）を用いた変換式、
ｔ₁＝ｘ₁ｐ₁₁＋ｘ₂ｐ₁₂＋…＋ｘ_nｐ_1n
ｔ₂＝ｘ₁ｐ₂₁＋ｘ₂ｐ₂₂＋…＋ｘ_nｐ_2n
ｔ₃＝ｘ₁ｐ₃₁＋ｘ₂ｐ₃₂＋…＋ｘ_nｐ_3n
を決定すると共に、
前記第２ステップにおいて、各個体の検査データｘ_iから前記変換式によりｔ₁，ｔ₂，ｔ₃を決定し、ＰＣ１とＰＣ２とＰＣ３から成る三次元座標上の位置（ｔ₁，ｔ₂，ｔ₃）に各個体を表す点をプロットするようにしたことを特徴としている。

また、さらに、前記ｎ個の検査項目または時刻の個々についての重み係数ｐを構成する、前記第１の軸ＰＣ１への貢献度を表わす重み係数ｐ_1i、前記第２の軸ＰＣ２への貢献度を表わす重み係数ｐ_2i、前記第３の軸ＰＣ３への貢献度を表わす重み係数ｐ_3iについて、座標（ｐ_1i，ｐ_2i，ｐ_3i）として３次元プロットで表わすようにしたことを特徴としている。

また、各個体をグループ分けし得る識別情報に基づき、各個体を表す点をグループ毎に異なる形態でプロットするようにしたことを特徴としている。
また、前記識別情報は、性別、年令、健常者／非健常者、疾患種類、投薬の有無、地域・国籍・人種の区別、生活習慣、遺伝子情報のいずれかであり、各個体を表す点を各個体の性別、年令、健常者／非健常者、疾患種類、投薬の有無、地域・国籍・人種の区別、生活習慣、遺伝子情報により分けられたグループに応じた形態でプロットすることを特徴としている。

また、母集団とは異なる個体の検査データを、前記母集団で決定された変換式を用いて座標値（ｔ₁，ｔ₂）又は（ｔ₁，ｔ₂，ｔ₃）に変換し、求めた座標点を前記母集団で作られた空間に重畳表示するようにしたことを特徴としている。

また、３次元表示は、鳥瞰図、等高線図、斜視図、断面図、または投影図による表示であることを特徴としている。
また、本発明にかかる検査データの評価装置は、
前記母集団の検査データを記憶する記憶手段、または前記母集団の検査データを読み込む読み込み手段と、検査データに対して前記ステップ１及びステップ２の処理を施す演算表示手段とを備え、該演算表示手段により、請求項１乃至１１のいずれかに記載の検査データの評価方法を実行することを特徴としている。

本発明にかかる検査データの評価方法および装置によれば、複数の個体についてのｎ種の検査項目にわたる検査データ、又は複数の個体についてのｎ個の時刻にわたる経時的検査データ、又は１種類の検査項目についてのｎ個の吸収データを母集団とした検査データの評価方法であって、母集団に含まれる各個体の検査データｘ_i（ｉ＝１，２，…，ｎ）から成る検査データ群に対して、ｎ種の検査項目又はｎ個の時刻から規定されるｎ次元空間における各個体の検査データｘ_iの分散が最も大きくなる方向を持つ第１の軸ＰＣ１及び前記第１の軸ＰＣ１とは独立しｎ次元空間における各個体の検査データｘ_iの分散が最も大きくなる方向を持つ第２の軸ＰＣ２を決定し、各個体の検査データｘ_iを第１の軸ＰＣ１に投影した座標値ｔ₁と、第２の軸ＰＣ２に投影した座標値ｔ₂とを求めるための、重み係数ｐ（−１≦ｐ≦１）を含む変換式、
ｔ₁＝ｘ₁ｐ₁₁＋ｘ₂ｐ₁₂＋…＋ｘ_nｐ_1n
ｔ₂＝ｘ₁ｐ₂₁＋ｘ₂ｐ₂₂＋…＋ｘ_nｐ_2n
を決定する第１のステップと、各個体の検査データｘ_iから前記変換式によりｔ₁及びｔ₂を決定し、ＰＣ１とＰＣ２から成る二次元座標上の位置（ｔ₁，ｔ₂）に各個体を表す点をプロットする第２のステップとから成るので、検査結果の総合的な評価を行なえるような臨床検査データの評価方法、評価装置、および表示方法を提供することが可能になった。

臨床検査項目の一例を示す図である。 全国平均臨床検査データの一例を示す図である。 本発明にかかる臨床検査データの前処理方法の一実施例を示す図である。 本発明にかかる臨床検査データの主成分分析方法の一実施例を示す図である。 主成分分析の原理を示す図である。 本発明に基づくスコア・プロットの一実施例を示す図である。 本発明に基づくローディング・プロットの一実施例を示す図である。 本発明に基づく主成分分析結果の一例を示す図である。 本発明に基づく主成分分析結果の一例を示す図である。 本発明にかかる主成分分析結果の表示方法の一実施例を示す図である。 本発明にかかる主成分分析結果の表示方法の別の実施例を示す図である。 本発明にかかる主成分分析結果の表示方法の別の実施例を示す図である。 本発明にかかる主成分分析結果の表示方法の別の実施例を示す図である。 本発明にかかる主成分分析結果の表示方法の別の実施例を示す図である。 本発明にかかる主成分分析結果の表示方法の別の実施例を示す図である。 本発明にかかる主成分分析結果の表示方法の別の実施例を示す図である。 本発明にかかる検査データの評価装置の一実施例を示す図である。

以下、図面を参照して、本発明の実施の形態を説明する。

本発明は、複数の臨床検査項目の検査値を１まとめのセットとして取り扱うことに最大の特徴がある。従来、臨床検査項目の種類はきわめて多く、図１はその一部をまとめたものである。評価項目には、図１で示した生化学分析項目のほかにも、例えば身長、体重、ＢＭＩ、男女、年齢、血圧、血球数などの項目がある。本実施例では、このような複数の臨床検査項目の検査値を一種のスペクトル・パターンとして解析するものである。

図２は、代表的な臨床検査値（収縮期血圧、赤血球数、ＨＤＬ、ＡＬＰ）の男女別、年齢別の全国平均データをグラフで示したものである。これらの検査データは、大櫛陽一著『検査値と病気間違いだらけの診断基準』（太田出版、２００６年５月刊）、および東海大学のホームページ（www.mi-tokai.com）から引用している。

例えば、このようなデータをＢＭＩ、最高血圧（ＳＢＰ）、最低血圧（ＤＢＰ）、赤血球数（ＲＢＣ）、ヘモグロビン（Ｈｂ）、ヘマトクリット（Ｈｔ）、血小板数（ＰＬＴ）、クレアチニン（ＣＲＥ）、尿酸（ＵＡ）、血糖（ＧＬＵ）、総コレステロール（ＴＣ）、ＨＤＬコレステロール（ＨＤＬ）、中性脂肪（ＴＧ）、ＡＳＴ（ＧＯＴ）、ＡＬＴ（ＧＰＴ）、ＡＬＰ、ＬＤ（ＬＤＨ）、γ-ＧＴＰ、総蛋白（ＴＰ）の代表的１９検査項目についてグラフ化したものが図３の上図である。ここでは２２歳の男性の一例を挙げている。

図３の上図の横軸は検査項目名、縦軸は検査値である。ただし、検査値は検査項目ごとに単位系やスケール（変量）がまちまちであるので、このままでは相互に比較することができない。

そこで図３の下図では、検査項目ごとに平均値を求め、平均値を各検査値から差し引くことによってミーン・センタリングを行なう。また、検査項目ごとに標準偏差値を求め、検査値を標準偏差値で割ることによって、無単位でスケールの統一された統計学的数値に変換している。これをオート・スケーリングと言う。

そして、オート・スケーリングのような前処理の結果得られる、検査項目ごとの統計的数値の変化パターンを分光法のスペクトルに見立てて、臨床検査のスペクトル・パターンと名づける。本実施例では、このスペクトル・パターンを多変量統計学的手法に基づいて主成分分析（ＰＣＡ）することにより、スペクトル・パターンの中に隠されている特徴量を抽出し、性差や加齢などと関係づけて可視化する。

主成分分析の手順は次の通りである。まず、図３の例では、検査項目の数が１９あるので、１つの検査項目を１つの次元に割り当て、１９項目を１９次元空間の座標値として考える。例えば、検査値１つを座標値１つに割り当てて、１つの条件の下で得られたスペクトル・パターンを座標点Ａ＝（ａ₁,ａ₂,…,ａ₁₉）で表わす。さらに別の条件下、例えば男女別、年齢別条件の異なるスペクトル・パターンを、別の座標点Ｂ＝（ｂ₁,ｂ₂,…,ｂ₁₉）、Ｃ＝（ｃ₁,ｃ₂,…,ｃ₁₉）、…などとして取り扱う。

次に、母集団の各座標点の分散が最も大きくなる軸を探し出し、その軸をその母集団全体の特徴を最も良く表わす主軸となし、第１主成分軸（ＰＣ１軸）と名づける。さらに、ＰＣ１軸に直交する第２の主軸（直交軸のうち、データ点の分散が最も大きくなる軸）を設定し、この軸を第２主成分軸（ＰＣ２軸）と呼ぶ。

この操作を数学的に説明すれば、次の通りである。例えば１９次元空間に原点を通る暫定的な軸を１つ設け、その軸に各座標点Ａ、Ｂ、Ｃ…を投影したときの原点からの距離（スコアｔ₁と呼ぶ）の２乗和を求め、その和の値が最大となるような軸を計算で求めて、ＰＣ１軸とする。そして次に、ＰＣ１軸に射影した分を差し引いた残りのデータの分散が最大となる軸を、原点からの距離（スコアｔ₂と呼ぶ）の２乗和が最大となるように計算で求めて、ＰＣ１軸とは独立した（すなわち、直交した）ＰＣ２軸とする。

図４に示すように、このような２つの主軸を設けることにより、普通の人には認識が困難であった１９次元空間を、普通の人にも認識が容易な２次元空間（ＰＣＡ空間）として可視化することが可能になる。

例えば、最も単純な例である２次元の実データ空間（ｘ₁ｘ₂座標系）を取り上げて、ＰＣＡ空間への変換方法を説明すれば、まず図５に示すように、ｘ₁ｘ₂座標系とＰＣＡ空間は、オートスケーリングしているために、原点（＝重心）が一致した状態で互いに重なり合った形をしている。ここで、ｘ₁ｘ₂座標系上のデータ点Ｘ_i（ｘ₁,ｘ₂）がＰＣＡ空間上のデータ点Ｔ_i（ｔ₁,ｔ₂）に変換される場合、その変換は、１番目のデータ（ｉ＝１）として添字ｉを省略すると、
ｔ₁＝ｘ₁ｐ₁₁＋ｘ₂ｐ₁₂
ｔ₂＝ｘ₁ｐ₂₁＋ｘ₂ｐ₂₂
と表わされる。

ここで、ｔ₁とｔ₂が第１主成分軸（ＰＣ１軸＝横軸）および第２主成分軸（ＰＣ２軸＝縦軸）上のスコアと呼ばれるパラメータである。横軸にＰＣ１軸、縦軸にＰＣ２軸をとって座標点Ｔ_i（ｔ₁,ｔ₂）をプロットしたグラフがスコア・プロットと呼ばれ、２次元のＰＣＡ空間そのものを指す。

また、ｐ₁₁はｘ₁のＰＣ１軸側の重み係数、ｐ₂₁はｘ₁のＰＣ２軸側の重み係数、ｐ₁₂はｘ₂のＰＣ１軸側の重み係数、ｐ₂₂はｘ₂のＰＣ２軸側の重み係数であって、それぞれローディング係数と呼ばれるパラメータである。重み係数であるため、ローディング・パラメータｐ_ijは一般に−１≦ｐ_ij≦1である。

横軸にＰＣ１軸側の重み、縦軸にＰＣ２軸側の重みをとって、座標点Ｐ₁（ｐ₁₁,ｐ₂₁）およびＰ₂（ｐ₁₂,ｐ₂₂）をプロットしたグラフがローディング・プロットと呼ばれ、各座標軸ｘ₁、ｘ₂のＰＣ１軸側およびＰＣ２軸側への貢献度（重み）を表わすことになる。

１９次元の臨床検査データの場合、ｘ₁ｘ₂座標系の男女別、年齢別ごとに分けられた実データ点の数ｉだけ、スコア・プロット上に座標点Ｔ_iがプロットされることになる。また、ＰＣ１軸側の重み（ｐ₁₁,ｐ₁₂,…,ｐ_{1 19}）とＰＣ２軸側の重み（ｐ₂₁,ｐ₂₂,…,ｐ_{2 19}）から、ローディング・プロット上にプロットされる点Ｐ_j（ｊ＝1、2、…、19）の数は、Ｐ₁（ｐ₁₁,ｐ₂₁）、Ｐ₂（ｐ₁₂,ｐ₂₂）、…、Ｐ₁₉（ｐ_{1 19},ｐ_{2 19}）の１９点になり、その各々が各臨床検査項目のＰＣ１軸側およびＰＣ２軸側への貢献度（重み）を表わすことになる。数学的には、各臨床検査項目軸における単位ベクトル（大きさ１）をＰＣ１軸とＰＣ２軸へ射影した値に相当する。

図６は、男女別、年齢別ごとに分けられた母集団の全データ点（データ点に傍記されている数字がそのデータ点の年齢を表わす）をＰＣＡ空間上に変換したスコア・プロットである。このプロットから確認できる最も大きい特徴量は男女差である。各座標点は２つのグループ、すなわち男性と女性にはっきりと分類できる。この例では、男性はＰＣ１軸上で女性よりも相対的に高いスコアを示している。

また、男女ともに、ＰＣ２軸上では低年齢者のデータほどスコアが高く、高齢者ほどスコアが低くなる傾向を示した。すなわち、年齢変化の特徴量がスコア・プロットの上方から下方に向けて見られる。

これらのことから、このスコア・プロットによって抽出された臨床検査データの特徴量は、年齢と性差であったと推定される。
一方、図７は、１９種類の臨床検査項目ごとの重みを表わしたローディング・プロットである。スコア・プロットとローディング・プロットを考慮すると、スコア・プロットによって抽出された特徴量（年齢と性差）と各臨床検査項目の貢献度との関係を推測することができる。また、図２から高値である項目との相関が取れていることが分かる。

その結果、例えば、男性的特徴を表わす結果に大きく貢献している臨床検査項目は、クレアチニン、尿酸、γ-ＧＴＰ、ＡＬＴ（ＧＰＴ）などであることが図７より推定できる。

また、女性的特徴を表わす結果に大きく貢献している臨床検査項目は、血小板数、総蛋白、血糖、ＨＤＬコレステロールなどであることが図７より推定できる。
また、若年者の特徴を表わす結果に大きく貢献している臨床検査項目は、赤血球数、ヘモグロビン、ヘマトクリットなどであることが図７より推定できる。

また、高齢者の特徴を表わす結果に大きく貢献している臨床検査項目は、最高血圧、最低血圧、ＡＬＰ、ＡＳＴ（ＧＯＴ）などであることが図７より推定できる。
これらのスコア・プロットやローディング・プロットは、仮に臨床検査項目の並ぶ順番を別の順番に変えて主成分分析を行なった場合でも、結果は同じ結果が出る。

また、図６〜７は男女別、年齢別ごとに分けられた実データ点を一括して主成分分析した結果であったが、図８〜９のように、男性のみ、または女性のみから成る母集団の実データ点を使って主成分分析を行なわせることも可能である。

このような男女の性別ごとにデータを分けて主成分分析を行なった一例では、スコア・プロットにおいては、年齢別のデータ点が加齢とともにＵの字を描くように分布することが明らかになった。また、ローディング・プロットにおいては、検査項目ごとの貢献度が原点の周囲に円輪を描くように分布することが明らかになった。

図８〜９のスコア・プロットのＵ字型分布からは、
（１）ＰＣ１軸上を右から左方向に向けて進むにつれて加齢、ＰＣ２軸上を上から下方向に向けて進むにつれて性的な成熟を表わしていること、
（２）Ｕの字の折り返し点付近に更年期が位置していること、
などの情報を読み取ることができる。

これらの図をさらに詳しく分析することにより、個々の臨床検査値からだけでは分からない総合的な医学的知見を詳細に得ることができる。

実施例１に示すような２次元プロットによって、臨床検査データ群の特徴を十分に表示することができない場合は、第３の変換式、
ｔ₃＝ｘ₁ｐ₃₁＋ｘ₂ｐ₃₂＋…＋ｘ_nｐ_3n
に基づいて、第１の軸（ＰＣ１軸）と第２の軸（ＰＣ２軸）に直交する第３の主軸（ＰＣ１軸とＰＣ２軸に対する直交軸のうち、データ点の分散が最も大きくなる軸）を設定し、ＰＣ１軸、ＰＣ２軸、ＰＣ３軸の３つの軸で構成される３次元空間内にｎ次元の臨床検査データ群を変換し、座標点（ｔ₁，ｔ₂，ｔ₃）としてスコア・プロット表示させるとともに、ｎ個の臨床検査項目の個々の重み係数を、座標点（ｐ_1i，ｐ_2i，ｐ_3i）として３次元空間にローディング・プロット表示させても良い。

この場合、３次元空間は一般の人にとって２次元空間よりも認識が容易ではないため、鳥瞰図、等高線図、斜視図、断面図、投影図などで２次元表示し直すことにより、認識を容易ならしめても良い。

実施例１〜２では、評価項目として、身長、体重、ＢＭＩ、男女、血圧、血球数、各種生化学分析値などが取り上げられたが、データに年齢変動、季節変動、日内変動、日差変動などの時系列的項目を加え、同様に評価しても良い。図１０に示すように、スコア・プロットのデータマーカ付近に時系列データ情報を併せてＰＣＡ空間に表示するとともに、時系列順にデータマーカを線や矢印で結ぶことによって、時系列を把握しやすく表示しても良い。

また、多数の経時的測定値（ホルター心電図、２時間おきの血圧測定値など）がある場合は、ｎ個の検査項目の代わりに、図１１に示すように、ｎ個の経時的測定値を横軸に配してスペクトル・パターンとして取り扱い、ｎ次元空間からＰＣＡ空間への変換を行なって、経時的特徴のスコア・プロットやローディング・プロットを得るようにしても良い。

また、追跡データがある場合、個人のみでＰＣＡ空間を作成しても良い。
また、ｎ個の検査項目やｎ個の経時的測定値の代わりに、１種類の検査項目についてｎ個の波長の吸光度データから成る吸収スペクトルを横軸に配し、ｎ次元空間からＰＣＡ空間への変換を行ない、新規マーカの発見、データ精度の向上、補正計算への使用などに役立てても良い。また、ｎ個の波長における吸光度データをｍ個の検査値についてＰＣＡ解析し、ｎ×ｍ次元空間からＰＣＡ空間への変換を行なっても良い。

これらの吸収スペクトルを横軸に取った例は、吸収スペクトルのピーク位置における吸光度の情報の他に、ピーク位置から外れた領域の吸光度の情報についても、検査対象者ごとに評価の対象にしようとするものである。例えばＧＯＴやＧＰＴやＴＰなどの吸収スペクトル波形が、検査対象者ごとに微妙に異なっている可能性があり、その検査項目ごとの吸収スペクトル波形の異なり自体を有用な情報源として役立てようとするものである。

実施例１〜３では、評価データとして、身長、体重、ＢＭＩ、男女、血圧、血球数、各種生化学分析値などの全国平均値を使用したが、図１２（ａ）に示すように、全国平均値を母集団として主成分分析したスコア・プロット（標準データ）の上に、その母集団で決定された変換式に基づいて１個人のデータをスコア・プロット（標準データ）の上に変換して重畳させ、標準データのＰＣＡ空間内に表示させれば、その人が標準的なデータ空間のどこに位置するかが分かり、母集団内でのその人の体質を評価することができる。

また、図１２（ｂ）、（ｃ）のように、例えば男性のみの検査データから成るスコア・プロット（あるいは女性のみの検査データから成るスコア・プロットでも良い）を標準データとして用いれば、男性グループの中での体質評価（あるいは女性グループの中での体質評価）を行なうこともできる。

また、図１２（ｄ）のように、例えば男性のみの検査データから成るスコア・プロット上に個人の経年データを重畳させ、経年変化を線で結べば、標準的な経年変化からのずれを評価することもできる。

また、若年者のみの検査データから成るスコア・プロット、あるいは中年者のみの検査データから成るスコア・プロット、あるいは高齢者のみの検査データから成るスコア・プロットを標準データとして用いれば、若年者グループの中での体質評価、あるいは中年者グループの中での体質評価、あるいは高齢者グループの中での体質評価を行なうこともできる。

また、地域・国籍・人種の区別、生活習慣、遺伝子情報などごとに分かれたスコア・プロットを標準データとして用いれば、地域・国籍・人種の区別、生活習慣、遺伝子情報などについての体質評価を行なうこともできる。

実施例４では、評価データとして、健常者のみから成る母集団の臨床検査データを用いたが、図１３に示すように、健常／非健常者から成る母集団の臨床検査データ、および医師の判断結果（たとえば、経過観察必要者であるか、再検査必要者であるかといった判断）を併せ用いれば、被評価者の疾患の有無を、疑いの程度に合わせて、「経過観察必要者」と「再検査必要者」のように、健常者のデータ範囲からの逸脱の程度に応じて段階的に評価を行なわせることができる。これは、健常者のみのＰＣＡ空間であれば、異常判定に使用でき、健常者／中間者／非健常者でＰＣＡ空間を作れば、経過観察／再検などの判定が行なえることを意味する。

また、図１４（ａ）に示すように、非健常者の母集団をさらに細分化して、疾患原因毎のプロット（例えば、心臓疾患者、腎臓疾患者、肝臓疾患者、血管疾患者、糖尿病患者など）の母集団に分けてＰＣＡ解析を行ない、ＰＣＡ空間に表示するようにすれば、どの病気になりやすいか（経時追跡の場合、どの病気に近づくか）の判定が行なえる。

さらに、図１４（ｂ）に示すように、例えば腎の場合、糖尿病由来、遺伝由来、腎炎由来などとより細分化された母集団に基づいてＰＣＡ解析を行ない、ＰＣＡ空間に表示するようにすれば、特定疾患において、その疾患の由来の判定が行なえる。

また、図１５に示すように、病気の進行度ごとに細分化した母集団の臨床検査データをスコア・プロット上およびローディング・プロット上に可視化しておけば、現在の検査値のプロット位置から、疾患者の病気の進行度、あるいは病気からの回復度を評価することができる。

また、追跡データがある場合、個人のみでＰＣＡ空間を作成しても良い。

図１６に示すように、身長、体重、ＢＭＩ、男女、血圧、血球数、各種生化学分析値などの評価データを用いて、薬の投薬前／投薬後の２群、または手術前／手術後の２群、または医師による治療前／治療後の２群などを比較できるようにプロットすることで、薬効、副作用、予後、治療効果などの評価や判定に役立てることも可能である。

その他の実施例として、前記のスコア・プロットやローディング・プロットの領域を２次元表示または３次元表示する際に、母集団の領域ごとに色分け、あるいは模様分けをして、あるいはデータマーカの形を異ならせて、エリアマップのようにして表示すれば、見る者にとって分かりやすいスコア・プロットおよびローディング・プロットができる。

本発明を実施するための装置を図１７に示す。すなわち、母集団の検査データを記憶するハードディスクなどの記憶手段１と、検査データに対して前述の処理を施すＣＰＵなどの演算手段２と、演算結果を表示する液晶ディスプレイなどの表示手段３とを備え、該演算手段２により、前述したような検査データの評価方法を実行する。

尚、母集団の検査データは、外部からデータ処理の際に読み込むようにしても良い。また、前記表示手段３に印刷手段なども含まれていることは当然である。

臨床検査装置に広く利用できる。また、ＭＳ／ＮＭＲなど他データと併用できる。

１：記憶手段、２：演算手段、３：表示手段

Claims (12)

1. 複数の個体についてのｎ種の検査項目にわたる検査データ、又は複数の個体についてのｎ個の時刻にわたる経時的検査データ、又は１種類の検査項目についてｎ個の吸収データを母集団とした検査データの評価方法であって、
   母集団に含まれる各個体の検査データｘ_i（ｉ＝１，２，…，ｎ）から成る検査データ群に対して、ｎ種の検査項目又はｎ個の時刻から規定されるｎ次元空間における各個体の検査データｘ_iの分散が最も大きくなる方向を持つ第１の軸ＰＣ１及び前記第１の軸ＰＣ１とは独立しｎ次元空間における各個体の検査データｘ_iの分散が最も大きくなる方向を持つ第２の軸ＰＣ２を決定し、各個体の検査データｘ_iを第１の軸ＰＣ１に投影した座標値ｔ₁と、第２の軸ＰＣ２に投影した座標値ｔ₂とを求めるための、重み係数ｐ（−１≦ｐ≦１）を含む変換式、
   ｔ₁＝ｘ₁ｐ₁₁＋ｘ₂ｐ₁₂＋…＋ｘ_nｐ_1n
   ｔ₂＝ｘ₁ｐ₂₁＋ｘ₂ｐ₂₂＋…＋ｘ_nｐ_2n
   を決定する第１のステップと、
   各個体の検査データｘ_iから前記変換式によりｔ₁及びｔ₂を決定し、ＰＣ１とＰＣ２から成る二次元座標上の位置（ｔ₁，ｔ₂）に各個体を表す点をプロットする第２のステップと
   から成ることを特徴とする検査データの評価方法。
2. さらに、前記ｎ個の検査項目、または時刻の個々について、またはｎ個の吸収データの重み係数ｐを、横軸（または縦軸）に前記第１の軸ＰＣ１への貢献度を表わす重み係数ｐ_1i、縦軸（または横軸）に前記第２の軸ＰＣ２への貢献度を表わす重み係数ｐ_2iを取って、座標（ｐ_1i，ｐ_2i）として２次元プロットで表わすようにしたことを特徴とする請求項１記載の検査データの評価方法。
3. 前記検査項目、前記検査データ、前記経時的検査データは、それぞれ臨床検査項目、臨床検査データ、臨床検査項目についての経時的検査データであることを特徴とする請求項１又は２記載の検査データの評価方法。
4. 前記第１のステップにおいて処理対象となる検査データは、事前に統計的処理を施すことができるようなデータに変換する前処理を受けた検査データである請求項１記載の検査データの評価方法。
5. 前記前処理は、
   （１）検査項目ごとに平均値を求め、平均値を各検査値から差し引くミーン・センタリングと、
   （２）検査項目ごとに標準偏差値を求め、検査値を標準偏差値で割ることによって、無単位でスケールの統一された統計学的数値に変換するオート・スケーリングと、
   から成ることを特徴とする請求項４記載の検査データの評価方法。
6. 前記第１ステップにおいて、更に前記軸ＰＣ１、ＰＣ２とは独立し、ｎ次元空間における各個体の検査データｘ_iの分散が最も大きくなる方向を持つ第３の軸ＰＣ３を決定し、各個体の検査データｘ_iを第１の軸ＰＣ１に投影した座標値ｔ₁と、第２の軸ＰＣ２に投影した座標値ｔ₂と、第３の軸ＰＣ３に投影した座標値ｔ₃とを求めるための、重み係数ｐ（−１≦ｐ≦１）を用いた変換式、
   ｔ₁＝ｘ₁ｐ₁₁＋ｘ₂ｐ₁₂＋…＋ｘ_nｐ_1n
   ｔ₂＝ｘ₁ｐ₂₁＋ｘ₂ｐ₂₂＋…＋ｘ_nｐ_2n
   ｔ₃＝ｘ₁ｐ₃₁＋ｘ₂ｐ₃₂＋…＋ｘ_nｐ_3n
   を決定すると共に、
   前記第２ステップにおいて、各個体の検査データｘ_iから前記変換式によりｔ₁，ｔ₂，ｔ₃を決定し、ＰＣ１とＰＣ２とＰＣ３から成る三次元座標上の位置（ｔ₁，ｔ₂，ｔ₃）に各個体を表す点をプロットするようにしたことを特徴とする請求項１記載の検査データの評価方法。
7. さらに、前記ｎ個の検査項目、または時刻の個々について、またはｎ個の吸収データの重み係数ｐを構成する、前記第１の軸ＰＣ１への貢献度を表わす重み係数ｐ_1i、前記第２の軸ＰＣ２への貢献度を表わす重み係数ｐ_2i、前記第３の軸ＰＣ３への貢献度を表わす重み係数ｐ_3iについて、座標（ｐ_1i，ｐ_2i，ｐ_3i）として３次元プロットで表わすようにしたことを特徴とする請求項６記載の検査データの評価方法。
8. 各個体をグループ分けし得る識別情報に基づき、各個体を表す点をグループ毎に異なる形態でプロットするようにしたことを特徴とする請求項１乃至７のいずれかに記載の検査データの評価方法。
9. 前記識別情報は、性別、年令、健常者／非健常者、疾患種類、投薬の有無、地域・国籍・人種の区別、生活習慣、遺伝子情報のいずれかであり、各個体を表す点を各個体の性別、年令、健常者／非健常者、疾患種類、投薬の有無、地域・国籍・人種の区別、生活習慣、遺伝子情報により分けられたグループに応じた形態でプロットすることを特徴とする請求項８記載の検査データの評価方法。
10. 母集団とは異なる個体の検査データを、前記母集団で決定された変換式を用いて座標値（ｔ₁，ｔ₂）又は（ｔ₁，ｔ₂，ｔ₃）に変換し、求めた座標点を前記母集団で作られた空間に重畳表示するようにしたことを特徴とする請求項１乃至９のいずれかに記載の検査データの評価方法。
11. ３次元表示は、鳥瞰図、等高線図、斜視図、断面図、または投影図による表示であることを特徴とする請求項６または７に記載の検査データの評価方法。
12. 前記母集団の検査データを記憶する記憶手段、または前記母集団の検査データを読み込む読み込み手段と、検査データに対して前記ステップ１及びステップ２の処理を施す演算表示手段とを備え、該演算表示手段により、請求項１乃至１１のいずれかに記載の検査データの評価方法を実行することを特徴とする検査データの評価装置。