JP2013061785A - 生死予測装置とその方法、生死予測プログラム及び記録媒体 - Google Patents

Abstract

【課題】所定の危険因子のデータに基づいて、１０年以内の日本人の各個人別の生死を、従来技術に比較して高精度で予測する。
【解決手段】１０年以内生死予測装置において、性別、総コレステロール値ｔ．ｃｈｏ（ｍｇ／ｄｌ）、糖尿病の有無、高感度ＣＲＰ（ｈｓＣＲＰ）（ｍｇ／ｄｌ）、及びホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）（μｍｏｌ／ｌ）を含む入力項目のデータを入力し、複数の被験者についての上記入力項目及び１０年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された１０年以内の生死予測の評価式Ｚを用いて、上記入力された入力項目のデータに基づいて評価値Ｚを計算し、上記計算された評価値Ｚに対応する生存又は死亡の評価結果を出力する。
【選択図】図５

Description

本発明は、例えば１０年以内の生死を予測する生死予測装置とその方法、生死予測プログラム及びそのプログラムを記録しコンピュータにより読取可能な記録媒体に関する。

例えば健康診断に用いる危険因子について、年齢、性別、収縮期血圧、総コレステロール、ヘモグロビンＡ１ｃ、喫煙の有無等の冠危険因子は心血管疾患の危険因子として公知である。また、フォンヴィレブランド因子（Von Willebrand factor；凝固線溶系及び血管内皮機能の指標）、高感度ＣＲＰ（炎症の指標）、ホモシステイン（Homocysteine；血管内皮機能の指標）が総死亡もしくは血管疾患死に関連していることが報告されている（例えば、非特許文献１−４及び６参照。）。ここで、高感度ＣＲＰ（ｈｓＣＲＰ）は肺炎球菌による炎症が起こり、菌のＣ−多糖体に反応する蛋白質が血液中に出現することからＣ−反応性蛋白質（C-reactive protein）と呼ばれており、いわゆる炎症マーカーである。また、フォンヴィレブランド因子は、血漿、血管内皮下組織及び血小板に存在する高分子糖蛋白質であり、損傷血管内皮下組織への血小板の粘着において、一次止血機構において重要な働きをする。さらに、ホモシステインは、血中において、血管内皮細胞を障害し、血栓形成の原因といわれている。

また、従来技術に係る予測システムについては、例えば非特許文献５において、年齢、総コレステロール値、ＬＤＬコレステロール値、ＨＤＬコレステロール値、血圧値、糖尿病及び喫煙の有無を基に、フラミンガムスコア（Framingham Score）を計算して今後１０年以内に冠動脈疾患を予測する確率を推定する予測システムが提案されている（例えば、非特許文献５参照。）。

さらに、特許文献１では、個人の健康状態を総合的に表す指標を用いて、日常の健康状態の定量的な把握、健康管理指導を行ったときの効果及び指導内容の最適化が困難であるという問題点を解決するために、様々な健診結果に対する健康余命予測の基礎データである健康余命予測データを用いて、健診結果入力手順で入力された健康診断の健診結果から、健康余命の予測値を個人毎に算出し、表示手段で表示、あるいは印刷手段で印刷するようにした健康管理支援装置が開示されている。

特開２００３−１６７９５９号公報

Agnes Jager et al., "von Willebrand Factor, C-Reactive Protein, and 5-Year Mortality in Diabetic and Nondiabetic Subjects, the Hoorn Study". Arteriosclerosis Thrombosis, and Vascular Biology, 1999, No. 19, pp.3071-3078. Wolfgang Koenig et al., "Prospective Study of High-Sensitivity C-reactive Protein as a Determinant of Mortality: Results from the MONICA/KORA Augsburg Cohort Study, 1984-1998". Clinical Chemistry Vol. 54, No. 2, pp.335-342, 2008. Arima H, et al. "High-sensitivity C-reactive protein and Coronary heart disease in a general population of Japanese: the Hisayama study". Arteriosclerosis Thrombosis, and Vascular Biology, 2008, No. 28, pp.1385-91. Stein Emil Vollset et al., "Plasma total homocysteine and cardiovascular and noncardiovascular mortality: the Hordaland Homocysteine Study". American Journal of Clinical Nutrition, Vol. 74, No. 1, pp.130-136, July 2001. Peter W.F. Wilson et al., "Prediction of Coronary Heart Disease Using Risk Factor Categories". Circulation 1998, No. 97, pp.1837-1847. 緒方絹歌ほか，「高感度ＣＲＰ及びｖＷＦは全死亡の予知因子である−縦断研究による疫学的検討−」，第３３回日本高血圧学会総会プログラム抄録集，Ｐ６０−２８８，２０１０年１０月１５日。

上述の非特許文献１−４及び６で提案された健康診断に用いる危険因子として、全死亡について多くの危険因子が報告されているが、これらはいずれも健常者等と比較してX倍のリスクがあるという表現であり、患者個別の生死予測は困難であった。

また、非特許文献５において開示されたフラミンガムスコアを用いた予測システムは心血管疾患を予測するシステムであること、及びアメリカ人に対する予測システムであることから、日本人の生死を予測することはできないという問題点があった。

さらに、特許文献１においては、「様々な健診結果に対する健康余命予測の基礎データである健康余命予測データを用いて、健診結果入力手順で入力された健康診断の健診結果から、健康余命の予測値を個人毎に算出する」のみで一般的な手法を開示しているにすぎず、具体的にどのように構成するかは記載されておらず、各個人の生死予測を高精度で行うことができないという問題点があった。

本発明の目的は以上の問題点を解決し、所定の危険因子のデータに基づいて、１０年以内の日本人の各個人別の生死を、従来技術に比較して高精度で予測することができる生死予測装置とその方法、生死予測プログラム及びそのプログラムを記録した記録媒体を提供することにある。

第１の発明に係る１０年以内生死予測装置は、所定の入力項目のデータに基づいて被験者の１０年以内の生死を予測する１０年以内生死予測装置であって、
（１）性別、
（２）総コレステロール値ｔ．ｃｈｏ（ｍｇ／ｄｌ）、
（３）糖尿病の有無、
（４）高感度ＣＲＰ（ｈｓＣＲＰ）（ｍｇ／ｄｌ）、及び
（５）ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）（μｍｏｌ／ｌ）を含む入力項目のデータを入力する入力手段と、
複数の被験者についての上記入力項目及び１０年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された１０年以内の生死予測の評価式Ｚを用いて、上記入力された入力項目のデータに基づいて評価値Ｚを計算する計算手段と、
上記計算された評価値Ｚに対応する生存又は死亡の評価結果を出力する出力手段とを備えたことを特徴とする。

上記１０年以内生死予測装置において、上記計算手段はさらに、高感度ＣＲＰ（ｈｓＣＲＰ）以外の入力項目のデータを用いて、評価値Ｚ＝０となるときの高感度ＣＲＰ（ｈｓＣＲＰ）の生死しきい値を計算し、
上記出力手段はさらに、上記高感度ＣＲＰ（ｈｓＣＲＰ）を上記計算された生死しきい値未満にすることで１０年以上生存する確率が高くなることからなるコメントを出力することを特徴とする。

また、上記１０年以内生死予測装置において、上記計算手段はさらに、ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）以外の入力項目のデータを用いて、評価値Ｚ＝０となるときのホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）の生死しきい値を計算し、
上記出力手段はさらに、上記ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）を上記計算された生死しきい値未満にすることで１０年以上生存する確率が高くなることからなるコメントを出力することを特徴とする。

さらに、上記１０年以内生死予測装置において、上記評価式Ｚは、
Ｚ＝−０．８５６７０９×Ｇｅｎｄｅｒ−０．０１１５６４×ｔ．ｃｈｏ
＋０．７７０３６８×Ｄｉａｂｅｔｅｓ＋０．２９１２７×ｌｎ（ｈｓＣＲＰ）
＋０．１１６５５３×Ｈｏｍｏｃｙｓｔｅｉｎｅ＋２．９２７６６２
で表され、
（ａ）上記Ｇｅｎｄｅｒは性別であって、男性のとき１であり、女性のとき２であり、
（ｂ）上記Ｄｉａｂｅｔｅｓは「ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）が６．５％以上もしくは糖尿病の治療を受けているか否か」である上記糖尿病の有無であり、ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）が６．５％以上もしくは糖尿病の治療を受けているとき１であり、それ以外のとき０であることを特徴とする。

またさらに、上記１０年以内生死予測装置において、上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を０とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
Ｚ＝Ｚ_Ａ−Ｚ_Ｂ

ここで、ｘ_ｊ、μ_ｉｊ、σ_ｉｊ ^２、ｄ（ｉ＝Ａ，Ｂ）はそれぞれ、上記実際のデータに係るサンプルベクトルｘの第ｊ要素、クラスω_ｉの訓練サンプル第ｊ要素の標本平均値、クラスω_ｉの訓練サンプル第ｊ要素の標本分散、要素数を表し、Ｚ＜０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＡ群として分類するように割り当て、Ｚ＞０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＢ群として分類するように割り当てたことを特徴とする。

第２の発明に係る１０年以内生死予測方法は、コンピュータにより、所定の入力項目のデータに基づいて被験者の１０年以内の生死を予測する１０年以内生死予測方法であって、
（１）性別、
（２）総コレステロール値ｔ．ｃｈｏ（ｍｇ／ｄｌ）、
（３）糖尿病の有無、
（４）高感度ＣＲＰ（ｈｓＣＲＰ）（ｍｇ／ｄｌ）、及び
（５）ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）（μｍｏｌ／ｌ）を含む入力項目のデータを入力するステップと、
上記コンピュータが、複数の被験者についての上記入力項目及び１０年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された１０年以内の生死予測の評価式Ｚを用いて、上記入力された入力項目のデータに基づいて評価値Ｚを計算するステップと、
上記コンピュータが、上記計算された評価値Ｚに対応する生存又は死亡の評価結果を出力するステップとを含むことを特徴とする。

上記１０年以内生死予測方法において、上記計算するステップはさらに、上記コンピュータが、高感度ＣＲＰ（ｈｓＣＲＰ）以外の入力項目のデータを用いて、評価値Ｚ＝０となるときの高感度ＣＲＰ（ｈｓＣＲＰ）の生死しきい値を計算し、
上記出力ステップはさらに、上記コンピュータが、上記高感度ＣＲＰ（ｈｓＣＲＰ）を上記計算された生死しきい値未満にすることで１０年以上生存する確率が高くなることからなるコメントを出力することを特徴とする。

また、上記１０年以内生死予測方法において、上記計算するステップはさらに、ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）以外の入力項目のデータを用いて、評価値Ｚ＝０となるときのホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）の生死しきい値を計算し、
上記出力するステップはさらに、上記ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）を上記計算された生死しきい値未満にすることで１０年以上生存する確率が高くなることからなるコメントを出力することを特徴とする。

さらに、上記１０年以内生死予測方法において、上記評価式Ｚは、
Ｚ＝−０．８５６７０９×Ｇｅｎｄｅｒ−０．０１１５６４×ｔ．ｃｈｏ
＋０．７７０３６８×Ｄｉａｂｅｔｅｓ＋０．２９１２７×ｌｎ（ｈｓＣＲＰ）
＋０．１１６５５３×Ｈｏｍｏｃｙｓｔｅｉｎｅ＋２．９２７６６２
で表され、
（ａ）上記Ｇｅｎｄｅｒは性別であって、男性のとき１であり、女性のとき２であり、
（ｂ）上記Ｄｉａｂｅｔｅｓは「ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）が６．５％以上もしくは糖尿病の治療を受けているか否か」である上記糖尿病の有無であり、ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）が６．５％以上もしくは糖尿病の治療を受けているとき１であり、それ以外のとき０であることを特徴とする。

またさらに、上記１０年以内生死予測方法において、上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を０とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
Ｚ＝Ｚ_Ａ−Ｚ_Ｂ

ここで、ｘ_ｊ、μ_ｉｊ、σ_ｉｊ ^２、ｄ（ｉ＝Ａ，Ｂ）はそれぞれ、上記実際のデータに係るサンプルベクトルｘの第ｊ要素、クラスω_ｉの訓練サンプル第ｊ要素の標本平均値、クラスω_ｉの訓練サンプル第ｊ要素の標本分散、要素数を表し、Ｚ＜０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＡ群として分類するように割り当て、Ｚ＞０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＢ群として分類するように割り当てたことを特徴とする。

第３の発明に係るコンピュータにより実行可能な生死予測プログラムは、上記第２の発明に係る１０年以内生死予測方法の各ステップを含むことを特徴とする。

第４の発明に係るコンピュータにより読取可能な記録媒体は、上記第３の発明に係るコンピュータにより実行可能な生死予測プログラムを記録したことを特徴とする。

第５の発明に係る１０年以内生死予測装置は、所定の入力項目のデータに基づいて被験者の１０年以内の生死を予測する１０年以内生死予測装置であって、
（１）年齢Ａｇｅ、
（２）性別Ｇｅｎｄｅｒ、
（３）収縮期血圧ｓｂｐ（ｍｍＨｇ）、
（４）総コレステロール値ｔ．ｃｈｏ（ｍｇ／ｄｌ）、
（５）ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）（％）、及び
（６）喫煙の有無を含む入力項目のデータを入力する入力手段と、
複数の被験者についての上記入力項目及び１０年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された１０年以内の生死予測の評価式Ｚを用いて、上記入力された入力項目のデータに基づいて評価値Ｚを計算する計算手段と、
上記計算された評価値Ｚに対応する生存又は死亡の評価結果を出力する出力手段とを備え、
上記評価式Ｚは、
Ｚ＝０．１２３９７８×Ａｇｅ−０．８５６７０９×Ｇｅｎｄｅｒ
＋０．０１８９９２×ｓｂｐ−０．０１１５６４×ｔ．ｃｈｏ
＋０．２４９７９１×ＨｂＡ１ｃ＋０．７４８６５８×Ｓｍｏｋｅ
−８．８７１６８２
で表され、
（ａ）上記Ｇｅｎｄｅｒは性別であって、男性のとき１であり、女性のとき２であり、
（ｂ）上記Ｓｍｏｋｅは喫煙者のとき１であり、非喫煙者のとき０であり、
上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を０とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
Ｚ＝Ｚ_Ａ−Ｚ_Ｂ

ここで、ｘ_ｊ、μ_ｉｊ、σ_ｉｊ ^２、ｄ（ｉ＝Ａ，Ｂ）はそれぞれ、上記実際のデータに係るサンプルベクトルｘの第ｊ要素、クラスω_ｉの訓練サンプル第ｊ要素の標本平均値、クラスω_ｉの訓練サンプル第ｊ要素の標本分散、要素数を表し、Ｚ＜０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＡ群として分類するように割り当て、Ｚ＞０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＢ群として分類するように割り当てたことを特徴とする。

第６の発明に係る１０年以内生死予測方法は、コンピュータにより、所定の入力項目のデータに基づいて被験者の１０年以内の生死を予測する１０年以内生死予測方法であって、
（１）年齢Ａｇｅ、
（２）性別Ｇｅｎｄｅｒ、
（３）収縮期血圧ｓｂｐ（ｍｍＨｇ）、
（４）総コレステロール値ｔ．ｃｈｏ（ｍｈ／ｄｌ）、
（５）ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）（％）、及び
（６）喫煙の有無を含む入力項目のデータを入力するステップと、
上記コンピュータが、複数の被験者についての上記入力項目及び１０年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された１０年以内の生死予測の評価式Ｚを用いて、上記入力された入力項目のデータに基づいて評価値Ｚを計算するステップと、
上記コンピュータが、上記計算された評価値Ｚに対応する生存又は死亡の評価結果を出力するステップとを含み、
上記評価式Ｚは、
Ｚ＝０．１２３９７８×Ａｇｅ−０．８５６７０９×Ｇｅｎｄｅｒ
＋０．０１８９９２×ｓｂｐ−０．０１１５６４×ｔ．ｃｈｏ
＋０．２４９７９１×ＨｂＡ１ｃ＋０．７４８６５８×Ｓｍｏｋｅ
−８．８７１６８２
で表され、
（ａ）上記Ｇｅｎｄｅｒは性別であって、男性のとき１であり、女性のとき２であり、
（ｂ）上記Ｓｍｏｋｅは喫煙者のとき１であり、非喫煙者のとき０であり、
上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を０とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
Ｚ＝Ｚ_Ａ−Ｚ_Ｂ

ここで、ｘ_ｊ、μ_ｉｊ、σ_ｉｊ ^２、ｄ（ｉ＝Ａ，Ｂ）はそれぞれ、上記実際のデータに係るサンプルベクトルｘの第ｊ要素、クラスω_ｉの訓練サンプル第ｊ要素の標本平均値、クラスω_ｉの訓練サンプル第ｊ要素の標本分散、要素数を表し、Ｚ＜０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＡ群として分類するように割り当て、Ｚ＞０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＢ群として分類するように割り当てたことを特徴とする。

第７の発明に係るコンピュータにより実行可能な生死予測プログラムは、上記第６の発明に係る１０年以内生死予測方法の各ステップを含むことを特徴とする。

第８の発明に係るコンピュータにより読取可能な記録媒体は、上記第７の発明に係るコンピュータにより実行可能な生死予測プログラムを記録したことを特徴とする。

本発明に係る生死予測装置とその方法、生死予測プログラム及びそのプログラムを記録した記録媒体によれば、性別、総コレステロール値ｔ．ｃｈｏ（ｍｇ／ｄｌ）、糖尿病の有無、高感度ＣＲＰ（ｈｓＣＲＰ）（ｍｇ／ｄｌ）、及びホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）（μｍｏｌ／ｌ）を含む入力項目のデータを入力し、複数の被験者についての上記入力項目及び１０年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された１０年以内の生死予測の評価式Ｚを用いて、上記入力された入力項目のデータに基づいて評価値Ｚを計算し、上記計算された評価値Ｚに対応する生存又は死亡の評価結果を出力する。従って、１０年以内の日本人の各個人別の生死を、被験者の年齢にかかわらず、従来技術に比較して高精度で予測することができる。

また、別の発明に係る生死予測装置とその方法、生死予測プログラム及びそのプログラムを記録した記録媒体によれば、年齢Ａｇｅ、性別Ｇｅｎｄｅｒ、収縮期血圧ｓｂｐ（ｍｍＨｇ）、総コレステロール値ｔ．ｃｈｏ（ｍｇ／ｄｌ）、ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）（％）、及び喫煙の有無を含む入力項目のデータを入力し、複数の被験者についての上記入力項目及び１０年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された１０年以内の生死予測の評価式Ｚを用いて、上記入力された入力項目のデータに基づいて評価値Ｚを計算し、上記計算された評価値Ｚに対応する生存又は死亡の評価結果を出力する。従って、過去の知見及び医師の経験に基づいた候補因子に基づいて、改良フィッシャー線形識別器を用いて評価式Ｚを生成して構築したので、従来に良く使用された候補因子を用いて、１０年以内の生死を精度よく予測することができ、医師が使用する候補因子の観点で非常に使いやすいという特有の効果を有する。

本発明の第１及び第２の実施形態に係る１０年以内生死予測装置１０の詳細構成を示すブロック図である。 図１の１０年以内生死予測装置１０を構築するためのプロセスを示すフロー図である。 第２の実施形態に係る１０年以内生死予測装置１０によって実行される１０年以内生死予測処理の第１の部分を示すフローチャートである。 第２の実施形態に係る１０年以内生死予測装置１０によって実行される１０年以内生死予測処理の第２の部分を示すフローチャートである。 第２の実施形態に係る１０年以内生死予測装置１０による表示例１０１を示す正面図である。 第２の実施形態に係る１０年以内生死予測装置１０による表示例１０２を示す正面図である。 第２の実施形態に係る１０年以内生死予測装置１０による表示例１０３を示す正面図である。 第１の実施形態に係る図１の１０年以内生死予測装置１０を評価したときの評価値Ｚのバラツキを示すグラフである。 第２の実施形態に係る１０年以内生死予測装置１０を評価したときの評価値Ｚのバラツキを示すグラフである。

以下、本発明に係る各実施形態について図面を参照して説明する。なお、以下の各実施形態において、同様の構成要素については同一の符号を付している。

図１は本発明の第１及び第２の実施形態に係る１０年以内生死予測装置１０の詳細構成を示すブロック図であり、図２は図１の１０年以内生死予測装置１０を構築するためのプロセスを示すフロー図である。図１及び図２に図示された１０年以内生死予測装置１０は、被験者に関する所定の５つの入力項目を入力することにより、被験者の１０年以内の生死を予測する装置である。この装置は以下に示す健康診断データとその後の生死結果のデータを訓練データ（学習データ又は教師データ）として用いて構築されたことを特徴としている。図１の詳細構成については後述する。

まず、上記健康診断データの詳細について以下に説明する。

１９９９年に４０歳以上の健常な一般住民１９２０名（男性７９４名、女性１１２６名）を対象に福岡県浮羽郡田主丸町（現福岡県久留米市田主丸町）にて住民健診を実施し、収縮期血圧（ｓｂｐ）、拡張期血圧（ｄｂｐ）、空腹時血糖値（ＦＢＳ）、ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）、総コレステロール値（ｔ．ｃｈｏ）、ＬＤＬコレステロール値、ＨＤＬコレステロール値、トリグリセリド（ＴＧ）、高感度ＣＲＰ（ｈｓＣＲＰ）、フォンヴィレブランド因子（von Willebrand factor（ｖＷＦ））、ホモシステイン（Homocysteine）（なお、上記１１項目のうち後者の９つの項目は被験者の血液検査による）を測定し、年齢、性別、高血圧治療の有無、糖尿病治療の有無、脂質異常症治療の有無、喫煙の有無を調査した。その後１０年間にわたって健診受診者の生死の追跡調査（追跡率９６．８％）を行った。

図２は図１の１０年以内生死予測装置１０を構築するためのプロセスを示すフロー図である。

図２において、一般住民Ｎ（＝１９２０）例のサンプル集合９０を１０年生死予測システム構築用サンプル（訓練サンプル）集合９１と予測システム評価用サンプル（テストサンプル）集合９３とにランダムに分割した。訓練サンプル集合９１としてＮ_Ｔｒａ（＝１５３６）例、テストサンプル集合９３としてＮ_Ｔｅｓ（＝３８４）例に分割した。訓練サンプル集合９１のＮ_Ｔｒａ例のうち、生死不明５０例を訓練サンプル集合９１から取り除き、Ｎ’Ｔｒａ（＝１４８６）例を新たに訓練サンプル集合９２とした。テストサンプル集合９３，９４は訓練サンプル集合９１，９２とは独立なサンプル集合とした。テストサンプル集合９３のＮ_Ｔｅｓ例のうち、生死不明１２例、及びデータに欠損のある２２９例をテストサンプル集合９３から取り除き、Ｎ’_Ｔｅｓ（＝１４３）例を新たにテストサンプル集合９４とした。そして、詳細後述するように、１０年以内生死予測装置１０を、訓練サンプル集合９２を用いて訓練（学習）することにより構築する。

次いで、第１の実施形態に係る１０年以内生死予測装置１０について以下説明する。ここで、第１の実施形態に係る１０年以内生死予測装置１０は、過去の知見及び医師の経験に基づいた候補因子に基づいて、詳細後述する改良フィッシャー線形識別器を用いて評価式Ｚを生成して構築することを特徴とする。

過去の報告及び医師の経験をもとに総死亡に強く関連すると考えられる年齢Ａｇｅ、性別Ｇｅｎｄｅｒ、収縮期血圧（ｓｂｐ）（ｍｍＨｇ）、総コレステロール値（ｔ．ｃｈｏ）（ｍｇ／ｄｌ）、ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）（％）、喫煙の有無を要素とする訓練サンプルを統計的パターン認識法を用いて解析した。当該第１の実施形態及び後述する第２の実施形態では、フィッシャー（Ｆｉｓｈｅｒ）線形識別器をベースとした予測装置を構築した。フィッシャー線形識別器とは、以下の式（１）において、評価値Ｚ＜０のときサンプルベクトルｘをＡ群（「生存」に対応する）として分類するように割り当て、評価値Ｚ＞０のときサンプルベクトルｘをＢ群（「死亡」に対応する）として分類するように割り当てる識別器である。なお、当該明細書において、数式がイメージ入力された墨付き括弧の数番号と、数式が文字入力された大括弧の数式番号とを混在して用いており、また、当該明細書での一連の数式番号として「式（１）」の形式を用いて数式番号を式の最後部に付与して（付与していない数式も存在する）用いることとする。

［数１］
Ｚ＝Ｚ_Ａ−Ｚ_Ｂ （１）
［数２］
Ｚ_ｉ＝（１／２）（ｘ−μ_ｉ）^ＴΣ_Ｗ ^−１（ｘ−μ_ｉ）−ｌｎＰ_ｉ，ｉ＝Ａ，Ｂ
［数３］
Σ_Ｗ＝Ｐ_ＡΣ_Ａ＋Ｐ_ＢΣ_Ｂ

ここで、μ_ｉ、Σ_ｉ、Ｐ_ｉ（ｉ＝Ａ，Ｂ）はそれぞれクラスω_ｉの平均ベクトル、クラスクラスω_ｉの共分散行列、クラスクラスω_ｉの事前確率を表す。ここで、クラスω_Ａは生死のうちの「生存」のクラス（Ｚ＜０）であり、クラスω_Ｂは生死のうちの「死亡」のクラス（Ｚ＞０）である。なお、Ｚ＝０は生死予測のしきい値であり、生死予測値は「不定値」となる。

従来、フィッシャー線形識別器においては、共分散行列として標本共分散行列を用いるが、第１及び第２の実施形態では、欠損データであっても効率よく使用したいとの観点から標本共分散行列の非対角要素は０とした。また、一方の群に結果が偏らないようにするために事前確率を等しくした。標本共分散行列の非対角成分を０、等事前確率としたフィッシャー線形識別器を改良フィッシャー線形識別器と呼び、式（２）により表す。改良フィッシャー線形識別器では、Ｚ＜０のときサンプルベクトルｘをＡ群（「生存」に対応する）として分類するように割り当て、Ｚ＞０のときサンプルベクトルｘをＢ群（「死亡」に対応する）として分類するように割り当てる。

［数４］
Ｚ＝Ｚ_Ａ−Ｚ_Ｂ （２）

ここで、ｘ_ｊ、μ_ｉｊ、σ_ｉｊ ^２、ｄ（ｉ＝Ａ，Ｂ）はそれぞれ、テストサンプルベクトルｘの第ｊ要素、クラスω_ｉの訓練サンプル第ｊ要素の標本平均値、クラスω_ｉの訓練サンプル第ｊ要素の標本分散、要素数（人数）を表す。ここで、クラスω_Ａは「生存」のクラス（Ｚ＜０）であり、クラスω_Ｂは「死亡」のクラス（Ｚ＞０）である。

図２の訓練サンプル集合９２だけを用いて改良フィッシャー線形識別器を構築することにより、以下の式（３）により表される予測システムを構築した。以下の式（３）においてＺ＜０のときサンプルベクトルｘを「生存」として分類し、Ｚ＞０のとき「死亡」として分類する。性別Ａｇｅは男性を１、女性を２とし、喫煙因子Ｓｍｏｋｅは喫煙者を１、非喫煙者を０とする。

［数５］
Ｚ＝０．１２３９７８×Ａｇｅ−０．８５６７０９×Ｇｅｎｄｅｒ
＋０．０１８９９２×ｓｂｐ−０．０１１５６４×ｔ．ｃｈｏ
＋０．２４９７９１×ＨｂＡ１ｃ＋０．７４８６５８×Ｓｍｏｋｅ
−８．８７１６８２ （３）

以上の第１の実施形態によれば、過去の知見及び医師の経験に基づいた候補因子に基づいて、改良フィッシャー線形識別器を用いて評価式Ｚを生成して構築したので、従来に良く使用された候補因子を用いて、１０年以内の生死を精度よく予測することができ、医師が使用する候補因子の観点で非常に使いやすいという特有の効果を有する。

次いで、本発明の第２の実施形態に係る１０年以内生死予測装置１０について以下に説明する。ここで、第２の実施形態に係る１０年以内生死予測装置１０は、計算機シミュレーションに基づいて構築することを特徴とする。

まず、第２の実施形態における候補因子について以下に説明する。上述の第１の実施形態に係る１０年以内生死予測装置１０では、過去の報告及び医師の経験をもとに総死亡に強く関連すると考えられる因子を用いて１０年生死予測システム１０を構築したが、１０年生死予測率の観点で最適であるとは限らない。そこで、第２の実施形態では、
（１）年齢Ａｇｅ、
（２）性別Ｇｅｎｄｅｒ、
（３）高血圧への進展関連因子、
（４）高コレステロール血症への進展／脂質異常症への進展関連因子、
（５）糖尿病への進展関連因子、
（６）喫煙の有無、
（７）フォンヴィレブランド因子（von Willebrand factor（ｖＷＦ））、
（８）高感度ＣＲＰ（ｈｓＣＲＰ）、
（９）ホモシステイン（Homocysteine）
の９種類の候補因子の中から１０年生死予測率の観点で最適な予測因子群を選択し、最適な予測因子群を用いて、第２の実施形態に係る１０年以内生死予測装置１０を構築した。

高血圧への進展関連因子としては、収縮期血圧（ｓｂｐ）、高血圧の有無Ｉ、高血圧の有無IIのうちいずれか一つを用いた。高コレステロール血症への進展もしくは脂質異常症への進展関連因子としては総コレステロール値（ｔ．ｃｈｏｌ）、ｎｏｎ−ＨＤＬ値（総コレステロール値（ｔ．ｃｈｏｌ）からＨＤＬコレステロール値を引いた値をいう。）、脂質異常症Ｉ、脂質異常症の有無II、脂質異常症IIIのうちいずれか一つを用いた。また、糖尿病への進展関連因子としてはヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）、糖尿病の有無Ｉ、糖尿病の有無II、糖尿病の有無IIIのうちいずれか一つを用いた。ここで、以下の表１の通り各因子を定義する。

ここで、高感度ＣＲＰ（ｈｓＣＲＰ）は炎症マーカーであり、心血管疾患死亡、癌死亡、総死亡に関連することがすでに知られている（例えば、非特許文献１〜３参照。）。フォンヴィレブランド因子（von Willebrand factor（ｖＷＦ））は凝固線溶系及び血管内皮機能の指標であり、総死亡及び心血管疾患死亡の予知因子であることが知られている（例えば、非特許文献１参照。）。また、血管内皮機能のマーカーであるホモシステイン（Homocysteine）は、心血管疾患死亡及び非心血管疾患死亡の強い予知因子であることが知られている（例えば、非特許文献４参照。）。なお、第２の実施形態において、高感度ＣＲＰ（ｈｓＣＲＰ）は対数正規分布に従うために自然対数（ｌｎ）をとることとする。

次いで、第２の実施形態における最適因子群の評価方法について以下に説明する。訓練サンプル集合９２における年代別の生死割合（数）は表２の通りである。

表２より、訓練サンプル集合９２においては死亡者数より生存者数の方が極端に多くアンバランスである。また、若年者であるほど死亡し難く（生存しやすく）、年配者であるほど死亡しやすい（生存しにくい）ことが分かる。つまり、死亡の予測は困難であり、その中でも若年者の死亡予測は極めて困難であることが予想される。また、生存の中でも年配者の方が予測困難であることが予想される。

若年者の死亡予測率と年配者の生存予測率を犠牲にすることにより、その他の場合の予測率の向上が見込まれるが、第２の実施形態では、年代ごとで大きく予測率が増減しないように次式（４）で表される全年代平均予測率Ｆに基づいて最適因子群を選択した。

［数６］
Ｆ＝（４０、５０歳代の生存予測率＋６０歳代の生存予測率＋７０歳代以上の生存予測率＋４０、５０歳代の死亡予測率＋６０歳代の死亡予測率＋７０歳代以上の死亡予測率）／６ （４）

ここで、
［数７］
（ｙ歳代の生存予測率）＝（ｙ歳代の生存予測正解症例数）／（ｙ歳代の生存症例数）
［数８］
（ｙ歳代の死亡予測率）＝（ｙ歳代の死亡予測正解症例数）／（ｙ歳代の死亡症例数）
である。

次いで、第２の実施形態における最適因子群の選択方法について以下に説明する。１０年以内生死予測に最適な因子群を選択するために、リーブワンアウト（ｌｅａｖｅ−ｏｎｅ−ｏｕｔ）法を用いた。リーブワンアウト法を用いた最適因子群選択手順は以下の通りである。

（手順１）９種類の候補因子の中からｄ（＝１，２，３，…，９）個の因子群Ωを選択する。
（手順２）Ｎ_Ｔｒａ個の訓練サンプルを（Ｎ_ＴＲａ−１）個の疑似訓練サンプル（疑似訓練サンプル集合）と１個の疑似テストサンプルとに分割する。
（手順３）疑似訓練サンプル集合を用いて因子群Ωを用いた改良フィッシャー線形識別器（リーブワンアウト法を用いた１０年以内生死予測装置１０）を構築する。
（手順４）リーブワンアウト法を用いた１０年以内生死予測装置１０を用いて疑似テストサンプルの生死予測を行う。
（手順５）手順２〜５の処理を、すべての訓練サンプルが一度限り疑似テストサンプルに選択されるまで繰り返し、Ｎ_Ｔｒａ個の１０年以内生死予測結果を求める。この予測結果を基に全年代平均予測率Ｆ_Ωを推定する。
（手順６）手順１〜５を候補因子のすべての組合せ（ｄ＝１〜９）が選択されるまで繰り返す。ただし、同一種類の因子については同時に組合せとして選択されない。例えば、高血圧への進展関連因子に属する高血圧の有無Ｉと高血圧の有無IIは同時に選択されることはない。
（手順７）全年代平均予測率Ｆ_Ωが最大となる因子群Ωｍａｘを最適因子群とする。

本発明者らの計算によれば、最適因子群選択手順を行うことにより、第２の実施形態のための最適因子群として、性別Ｇｅｎｄｅｒ、総コレステロール値（ｔ．ｃｈｏ）、糖尿病の有無ＩＩ、高感度ＣＲＰ（ｈｓＣＲＰ）、ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）が選択された。

次いで、第２の実施形態に係る最適因子群による１０年以内生死予測装置１０について以下に説明する。上記の最適因子群Ωｍａｘを用いて改良フィッシャー線形識別器を適用することにより、次式（５）で表される１０年以内生死予測装置１０を構築した。式（５）においてサンプルベクトルｘを、Ｚ＜０のとき「生存」として分類し、Ｚ＞０のとき「死亡」として分類する。

［数９］
Ｚ＝−０．８５６７０９×Ｇｅｎｄｅｒ−０．０１１５６４×ｔ．ｃｈｏ
＋０．７７０３６８×ＤｉａｂｅｔｅｓＩＩ＋０．２９１２７×ｌｎ（ｈｓＣＲＰ）
＋０．１１６５５３×Ｈｏｍｏｃｙｓｔｅｉｎｅ＋２．９２７６６２ （５）

ここで、ＤｉａｂｅｔｅｓIIは表１における「糖尿病の有無II」の因子である。また、ｌｎは自然対数である。

以上の各実施形態においては、フィッシャー線形識別器及び改良フィッシャー線形識別器を用いて評価値Ｚの式を演算しているが、本発明はこれに限らず、一次識別器、二次識別器などのベイズ（Ｂａｙｅｓ）識別器等を用いて、所定の教師有り学習を用いる識別方法のサポートベクトルマシン（ＳＶＭ）を用いて評価式を生成演算してもよい。

なお、例えば、高感度ＣＲＰ（ｈｓＣＲＰ）以外の
（１）性別Ｇｅｎｄｅｒ、
（２）総コレステロール値（ｔ．ｃｈｏ）、
（３）糖尿病の有無ＩＩ（ＤｉａｂｅｔｅｓＩＩ）、及び
（４）ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）
とを被験者のデータ値とし、次式（６）を用いて高感度ＣＲＰ（ｈｓＣＲＰ）の生死しきい値ｈｓＣＲＰ_ＴＨを計算することにより、当該生死しきい値ｈｓＣＲＰ_ＴＨ未満にすることで１０年以上生存する確率が高くなると予測することができる。

［数１０］
Ｚ＝−０．８５６７０９×Ｇｅｎｄｅｒ−０．０１１５６４×ｔ．ｃｈｏ
＋０．７７０３６８×ＤｉａｂｅｔｅｓＩＩ＋０．２９１２７×ｌｎ（ｈｓＣＲＰ_ＴＨ）
＋０．１１６５５３×Ｈｏｍｏｃｙｓｔｅｉｎｅ＋２．９２７６６２＝０
（６）

また、例えば、ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）以外の
（１）性別Ｇｅｎｄｅｒ、
（２）総コレステロール値（ｔ．ｃｈｏ）、
（３）糖尿病の有無ＩＩ（ＤｉａｂｅｔｅｓＩＩ）、及び
（４）高感度ＣＲＰ（ｈｓＣＲＰ）
とを被験者のデータ値とし、次式（７）を用いてホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）の生死しきい値Ｈｏｍｏｃｙｓｔｅｉｎｅ_ＴＨを計算することにより、当該生死しきい値Ｈｏｍｏｃｙｓｔｅｉｎｅ_ＴＨ未満にすることで１０年以上生存する確率が高くなると予測することができる。

［数１１］
Ｚ＝−０．８５６７０９×Ｇｅｎｄｅｒ−０．０１１５６４×ｔ．ｃｈｏ
＋０．７７０３６８×ＤｉａｂｅｔｅｓＩＩ＋０．２９１２７×ｌｎ（ｈｓＣＲＰ）
＋０．１１６５５３×Ｈｏｍｏｃｙｓｔｅｉｎｅ_ＴＨ＋２．９２７６６２＝０
（７）

以下、図１及び図２を参照して、第１及び第２の実施形態に係る１０年以内生死予測装置１０の構成及び処理について詳述する。

図１は本発明の第１及び第２の実施形態に係る１０年以内生死予測装置１０の詳細構成を示すブロック図である。図１において、当該装置１０の１０年以内生死予測処理を実行するときの入力項目のデータ（図３のステップＳ１で示す５項目のみに限らず、被験者識別データ（氏名、識別番号など）と対応付けして格納してもよい。）はキーボード４１を用いてユーザにより入力されるが、本発明はこれに限らず、当該データを外部記憶装置６０又は外部通信端末装置７０で格納又は入力しておきハードディスクメモリ２３（又はＲＡＭ２２）に転送してもよい。１０年以内生死予測装置１０の通信インターフェース５０は、インターネット８０を介して外部通信端末装置７０に接続され、１０年以内生死予測装置１０は、外部通信端末装置７０にアクセスすることにより、所望する入力項目のデータを取得してハードディスクメモリ２３に格納する。また、１０年以内生死予測装置１０のドライブ装置インターフェース３５ｂを介して、例えばハードディスクメモリであり入力項目のデータを予め格納して提供する外部記憶装置６０に接続され、１０年以内生死予測装置１０は、外部記憶装置６０にアクセスすることにより、所望する入力項目のデータを取得してハードディスクメモリ２３に格納してもよい。

図１において、１０年以内生死予測装置１０は、
（ａ）当該１０年以内生死予測装置１０の動作及び処理を演算及び制御するデジタル計算機からなるコンピュータのＣＰＵ（中央演算処理装置）２０と、
（ｂ）オペレーションプログラムなどの基本プログラム及びそれを実行するために必要なデータを格納するＲＯＭ（読み出し専用メモリ）２１と、
（ｃ）ＣＰＵ２０のワーキングメモリとして動作し、当該１０年以内生死予測処理で必要なパラメータやデータを一時的に格納するＲＡＭ（ランダムアクセスメモリ）２２と、
（ｄ）当該１０年以内生死予測処理において用いる入力項目のデータなどの各種データを格納するためのハードディスクメモリ２３と、
（ｅ）例えばハードディスクメモリで構成され、ＣＤ−ＲＯＭドライブ装置４５を用いて読み込んだ、図３〜図４の１０年以内生死予測処理の処理プログラム（これらのプログラムはコンピュータにより実行可能なプログラムである。）を格納するプログラムメモリ２４と、
（ｆ）外部通信端末装置７０とインターネット８０を介して接続され、外部通信端末装置７０とデータを送受信する通信インターフェース５０と、
（ｇ）所定のデータや指示コマンドを入力するためのキーボード４１に接続され、キーボード４１から入力されたデータや指示コマンドを受信して所定の信号変換などのインターフェース処理を行ってＣＰＵ２０に伝送するキーボードインターフェース３１と、
（ｈ）液晶ディスプレイ４３上で指示コマンドを入力するためのマウス４２に接続され、マウス４２から入力されたデータや指示コマンドを受信して所定の信号変換などのインターフェース処理を行ってＣＰＵ２０に伝送するマウスインターフェース３２と、
（ｉ）ＣＰＵ２０によって処理されたデータや設定指示画面、生成された出力データなどを表示する液晶ディスプレイ４３に接続され、表示すべき画像データを液晶ディスプレイ４３用の画像信号に変換して液晶ディスプレイ４３に出力して表示するディスプレイインターフェース３３と、
（ｊ）ＣＰＵ２０によって処理されたデータ及び所定の生成された出力データなどを印字するプリンタ４４に接続され、印字すべき印字データの所定の信号変換などを行ってプリンタ４４に出力して印字するプリンタインターフェース３４と、
（ｋ）図３〜図４の１０年以内生死予測処理の処理プログラムが記憶されたＣＤ−ＲＯＭ４５ａから当該プログラムのプログラムデータを読み出すＣＤ−ＲＯＭドライブ装置４５に接続され、読み出された画像処理プログラムのプログラムデータを所定の信号変換などを行ってプログラムメモリ２４に転送するドライブ装置インターフェース３５ａと、
（ｌ）例えば入力項目のデータを記憶する、例えばハードディスクメモリなどの外部記憶装置６０に接続され、読み出されたデータを所定の信号変換などを行ってＣＰＵ２０又はハードディスクメモリ２３に転送するドライブ装置インターフェース３５ｂとを備え、
これらの回路２０〜２４、３１〜３４、３５ａ、３５ｂ及び５０はバス３０を介して接続される。

図３及び図４は、第２の実施形態に係る１０年以内生死予測装置１０によって実行される１０年以内生死予測処理を示すフローチャートである。なお、第１の実施形態に係る１０年以内生死予測装置１０によって実行される１０年以内生死予測処理については、入力項目の相違、ステップＳ２１〜Ｓ２９の処理がないことを除いて、図３と同様に構成される。

図３のステップＳ１において、まず、ユーザは以下の５つの入力項目についてキーボード４１を用いて入力する。
（１）性別Ｇｅｎｄｅｒ（男性、女性）、
（２）総コレステロール値ｔ．ｃｈｏ（ｍｇ／ｄｌ）、
（３）糖尿病の有無ＩＩ「ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）が６．５％以上もしくは糖尿病の治療を受けているか否か」、
（４）高感度ＣＲＰ（ｈｓＣＲＰ）（ｍｇ／ｄｌ）、及び
（５）ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）（μｍｏｌ／ｌ）。

次いで、ステップＳ２において、性別は男性であるか否かが判断され、ＹＥＳのときはステップＳ３に進む一方、ＮＯのときはステップＳ４に進む。ステップＳ３ではＧｅｎｄｅｒに１を代入してステップＳ５に進む一方、ステップＳ４ではＧｅｎｄｅｒに２を代入してステップＳ５に進む。そして、ステップＳ５では、「ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）が６．５％以上もしくは糖尿病の治療を受けているか」否かが判断され、ＹＥＳのときはステップＳ６に進む一方、ＮＯのときはステップＳ７に進む。ステップＳ６では、糖尿病の有無ＩＩ（Ｄｉａｂｅｔｅｓ ＩＩ）に１を代入してステップＳ８に進む一方、ステップＳ７では、糖尿病の有無ＩＩ（Ｄｉａｂｅｔｅｓ ＩＩ）に０を代入してステップＳ８に進む。さらに、ステップＳ８では、式（５）を用いて評価値Ｚを計算し、ステップＳ９では、Ｚ＜０であるか否かが判断され、ＹＥＳのときはステップＳ１０に進む一方、ＮＯのときはステップＳ１１に進む。

ステップＳ１０では、図５の表示例１０１に示すように、予測結果「１０年以内に死亡しない確率は高いです。」と液晶ディスプレイ４３に表示して当該処理を終了する。ステップＳ１１では、Ｚ＝０であるか否かが判断され、ＹＥＳのときはステップＳ１２に進む一方、ＮＯのときはステップＳ１３に進む。ステップＳ１２では、図６の表示例１０２に示すように、予測結果「１０年以上生存する確率と１０年以内に死亡する確率はほぼ同じです。」を液晶ディスプレイ４３に表示して当該処理を終了する。ステップＳ１３では、図７の表示例１０３に示すように、予測結果「１０年以内に死亡する確率は高いです。」を液晶ディスプレイ４３に表示して図４のステップＳ２１に進む。

図４のステップＳ２１では、糖尿病の有無ＩＩ（Ｄｉａｂｅｔｅｓ ＩＩ）＝１であるか否かが判断され、ＹＥＳのときはステップＳ２２に進む一方、ＮＯのときはステップＳ２５に進む。ステップＳ２２では、糖尿病の有無ＩＩ（Ｄｉａｂｅｔｅｓ ＩＩ）＝０であってその他の入力項目値はステップＳ１での入力値であるときの評価値Ｚを、式（５）を用いて計算し、ステップＳ２３でＺ＜０であるか否かが判断され、ＹＥＳのときはステップＳ２４に進む一方、ＮＯのときはステップＳ２５に進む。ステップ２４では、図７の表示例１０３に示すように、コメント表示「例えばヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）のみを６．５％未満に以下にすることで１０年以上生存する確率が高くなります。例えば、カロリーを控えた食事と適度な運動をすることで当該数値を下げることができます。」を液晶ディスプレイ４３に表示する。すなわち、ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）の目標値を表示するとともに、その目標値を達成するためのアドバイスも表示している。

次いで、ステップＳ２５では、式（６）を用いて高感度ＣＲＰ（ｈｓＣＲＰ）（ｍｇ／ｄｌ）の生死しきい値ｈｓＣＲＰ_ＴＨ（ｍｇ／ｄｌ）を計算し、ステップＳ２６では、図７の表示例１０３に示すように、コメント表示「例えば高感度ＣＲＰ（ｈｓＣＲＰ）（ｍｇ／ｄｌ）のみをｈｓＣＲＰ_ＴＨ（ｍｇ／ｄｌ）以下にすることで１０年以上生存する確率が高くなります。炎症の指標である当該数値を下げるためには、医療機関にて受診して必要な検査を行い、適切なアドバイスを受けて下さい。」を液晶ディスプレイ４３に表示する。このコメント表示では、上記ステップＳ２５で計算された具体的な生死しきい値ｈｓＣＲＰ_ＴＨ（ｍｇ／ｄｌ）の数値を表示するとともに、その目標値を達成するためのアドバイスも表示している。

さらに、ステップＳ２７では、式（８）を用いてホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）（μｍｏｌ／ｌ）の生死しきい値Ｈｏｍｏｃｙｓｔｅｉｎｅ_ＴＨ（ｍｇ／ｄｌ）を計算し、ステップＳ２８では、図７の表示例１０３に示すように、コメント表示「例えばホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）（μｍｏｌ／ｌ）のみをＨｏｍｏｃｙｓｔｅｉｎｅ_ＴＨ（ｍｇ／ｄｌ）以下にすることで１０年以上生存する確率が高くなります。動脈硬化の指標である当該数値を下げるためには、医療機関にて受診して必要な検査を行い、適切なアドバイスを受けて下さい。」を液晶ディスプレイ４３に表示して当該処理を終了する。このコメント表示では、上記ステップＳ２７で計算された具体的な生死しきい値Ｈｏｍｏｃｙｓｔｅｉｎｅ_ＴＨ（ｍｇ／ｄｌ）の数値を表示するとともに、その目標値を達成するためのアドバイスも表示している。

以上の実施形態では、評価結果及びアドバイスを含むコメント結果を液晶ディスプレイ４３に表示して出力しているが、本発明はこれに限らず、プリンタ４４に出力して印字してもよい。例えば、複数の被験者に関する入力項目のデータ（被験者に関する氏名及び／又は識別番号を対応づけて含む。）を、例えば外部記憶装置６０に記憶しておき、複数の被験者に対する式（５）などを用いて評価結果、コメント結果をまとめて表示又は印字出力してもよい。

さらに、第１及び第２の実施形態に係る１０年以内生死予測装置１０の評価とその結果について以下に説明する。

図８は第１の実施形態に係る図１の１０年以内生死予測装置１０を評価したときの評価値Ｚのバラツキを示すグラフである。また、図９は第２の実施形態に係る１０年以内生死予測装置１０を評価したときの評価値Ｚのバラツキを示すグラフである。ここで、第１及び第２実施形態に係る１０年以内生死予測装置１０の評価のために、当該予測装置１０の構築において使用しなかった訓練サンプル集合９２とは独立のＮ’_Ｔｅｓ（＝１４３）例のテストサンプルからなるテストサンプル集合９４を用いる。図８及び図９において、×は１０年以内の生存者を表し、○は１０年以内の死亡者を表す。横軸は予測装置１０の評価値（スコア）Ｚを表し、評価値Ｚが負の場合「生存」と予測し、正の場合「死亡」と予測する。図８及び図９の○又は×は一般住民一人ひとりの１０年以内生死の予測を表している。

図８から明らかなように、第１の実施形態に係る１０年以内生死予測装置１０では、１４３例中１１３例の生死を正しく予測することができた（予測率７９．０％）。１０年以内の生存者１２４例中１００例を生存と予測し（生存正予測率８０．６％）、１０年以内の死亡者１９例中１３例の死亡を正しく予測することができた（死亡正予測率６８。４％）。

また、図９から明らかなように、第２の実施形態に係る１０年以内生死予測装置１０では、１４３例中１０４例の生死を正しく予測することができた（予測率７２．７％）。１０年以内の生存者１２４人中９２例を生存と予測し、１０年以内の死亡者１９例中１２例の死亡を正しく予測することができた。

さらに、第１及び第２の実施形態に係る１０年以内生死予測装置１０についての年代別生死予測性能の評価結果について以下に説明する。ここで、第１の実施形態に係る１０年以内生死予測装置１０の年代別予測率を表３に示し、第２の実施形態に係る１０年以内生死予測装置１０の年代別予測率を表４に示す。

表３及び表４から明らかなように、第１の実施形態に係る１０年以内生死予測装置１０では、４０、５０歳代の死亡の予測、７０歳代の生存の予測率が極めて低いが、第２の実施形態に係る１０年以内生死予測装置１０では、全年代にわたってバランスよく生死の予測を行うことができた。特に、死亡予測が困難な４０、５０歳代の死亡を第２の実施形態では２例中２例とも正しく予測することができた。また、７０歳代の生存も高い予測率を得ることができた。

以上の実施形態において、図３〜図４の１０年以内生死予測処理の処理プログラムが記憶されたコンピュータにより読取可能なＣＤ−ＲＯＭ４５ａを用いて実行してもよいし、ＣＤ−Ｒ，ＣＤ−ＲＷ，ＤＶＤ，ＤＶＤ−Ｒ，ＤＶＤ−ＲＷ，ＤＶＤ−ＲＡＭ，ブルーレイディスクなどのコンピュータにより読取可能な種々の記録媒体を用いてもよい。

以上詳述したように、本発明に係る生死予測装置とその方法、生死予測プログラム及びそのプログラムを記録した記録媒体によれば、性別、総コレステロール値ｔ．ｃｈｏ（ｍｇ／ｄｌ）、糖尿病の有無、高感度ＣＲＰ（ｈｓＣＲＰ）（ｍｇ／ｄｌ）、及びホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）（μｍｏｌ／ｌ）を含む入力項目のデータを入力し、複数の被験者についての上記入力項目及び１０年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された１０年以内の生死予測の評価式Ｚを用いて、上記入力された入力項目のデータに基づいて評価値Ｚを計算し、上記計算された評価値Ｚに対応する生存又は死亡の評価結果を出力する。従って、１０年以内の日本人の各個人別の生死を、被験者の年齢にかかわらず、従来技術に比較して高精度で予測することができる。

また、別の発明に係る生死予測装置とその方法、生死予測プログラム及びそのプログラムを記録した記録媒体によれば、年齢Ａｇｅ、性別Ｇｅｎｄｅｒ、収縮期血圧ｓｂｐ（ｍｍＨｇ）、総コレステロール値ｔ．ｃｈｏ（ｍｇ／ｄｌ）、ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）（％）、及び喫煙の有無を含む入力項目のデータを入力し、複数の被験者についての上記入力項目及び１０年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された１０年以内の生死予測の評価式Ｚを用いて、上記入力された入力項目のデータに基づいて評価値Ｚを計算し、上記計算された評価値Ｚに対応する生存又は死亡の評価結果を出力する。従って、過去の知見及び医師の経験に基づいた候補因子に基づいて、改良フィッシャー線形識別器を用いて評価式Ｚを生成して構築したので、従来に良く使用された候補因子を用いて、１０年以内の生死を精度よく予測することができ、医師が使用する候補因子の観点で非常に使いやすいという特有の効果を有する。

１０…１０年以内生死予測装置、
２０…ＣＰＵ、
２１…ＲＯＭ、
２２…ＲＡＭ、
２３…ハードディスクメモリ、
２４…プログラムメモリ、
３０…バス、
３１…キーボードインターフェース、
３２…マウスインターフェース、
３３…ディスプレイインターフェース、
３４…プリンタインターフェース、
３５ａ，３５ｂ…ドライブ装置インターフェース、
４１…キーボード、
４２…マウス、
４３…液晶ディスプレイ、
４４…プリンタ、
４５…ＣＤ−ＲＯＭドライブ装置、
４５ａ…ＣＤ−ＲＯＭ、
５０…通信インターフェース、
６０…外部記憶装置、
７０…外部通信端末装置、
８０…インターネット、
９０…サンプル集合、
９１，９２…訓練サンプル集合、
９３，９４…テストサンプル集合。

Claims (16)

1. 所定の入力項目のデータに基づいて被験者の１０年以内の生死を予測する１０年以内生死予測装置であって、
   （１）性別、
   （２）総コレステロール値ｔ．ｃｈｏ（ｍｇ／ｄｌ）、
   （３）糖尿病の有無、
   （４）高感度ＣＲＰ（ｈｓＣＲＰ）（ｍｇ／ｄｌ）、及び
   （５）ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）（μｍｏｌ／ｌ）を含む入力項目のデータを入力する入力手段と、
   複数の被験者についての上記入力項目及び１０年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された１０年以内の生死予測の評価式Ｚを用いて、上記入力された入力項目のデータに基づいて評価値Ｚを計算する計算手段と、
   上記計算された評価値Ｚに対応する生存又は死亡の評価結果を出力する出力手段とを備えたことを特徴とする１０年以内生死予測装置。
2. 上記計算手段はさらに、高感度ＣＲＰ（ｈｓＣＲＰ）以外の入力項目のデータを用いて、評価値Ｚ＝０となるときの高感度ＣＲＰ（ｈｓＣＲＰ）の生死しきい値を計算し、
   上記出力手段はさらに、上記高感度ＣＲＰ（ｈｓＣＲＰ）を上記計算された生死しきい値未満にすることで１０年以上生存する確率が高くなることからなるコメントを出力することを特徴とする請求項１記載の１０年以内生死予測装置。
3. 上記計算手段はさらに、ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）以外の入力項目のデータを用いて、評価値Ｚ＝０となるときのホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）の生死しきい値を計算し、
   上記出力手段はさらに、上記ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）を上記計算された生死しきい値未満にすることで１０年以上生存する確率が高くなることからなるコメントを出力することを特徴とする請求項１記載の１０年以内生死予測装置。
4. 上記評価式Ｚは、
   Ｚ＝−０．８５６７０９×Ｇｅｎｄｅｒ−０．０１１５６４×ｔ．ｃｈｏ
   ＋０．７７０３６８×Ｄｉａｂｅｔｅｓ＋０．２９１２７×ｌｎ（ｈｓＣＲＰ）
   ＋０．１１６５５３×Ｈｏｍｏｃｙｓｔｅｉｎｅ＋２．９２７６６２
   で表され、
   （ａ）上記Ｇｅｎｄｅｒは性別であって、男性のとき１であり、女性のとき２であり、
   （ｂ）上記Ｄｉａｂｅｔｅｓは「ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）が６．５％以上もしくは糖尿病の治療を受けているか否か」である上記糖尿病の有無であり、ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）が６．５％以上もしくは糖尿病の治療を受けているとき１であり、それ以外のとき０であることを特徴とする請求項１乃至３のうちのいずれか１つに記載の１０年以内生死予測装置。
5. 上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を０とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
   Ｚ＝Ｚ_Ａ−Ｚ_Ｂ
   

   

   ここで、ｘ_ｊ、μ_ｉｊ、σ_ｉｊ ^２、ｄ（ｉ＝Ａ，Ｂ）はそれぞれ、上記実際のデータに係るサンプルベクトルｘの第ｊ要素、クラスω_ｉの訓練サンプル第ｊ要素の標本平均値、クラスω_ｉの訓練サンプル第ｊ要素の標本分散、要素数を表し、Ｚ＜０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＡ群として分類するように割り当て、Ｚ＞０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＢ群として分類するように割り当てたことを特徴とする請求項１乃至４のうちのいずれか１つに記載の１０年以内生死予測装置。
6. コンピュータにより、所定の入力項目のデータに基づいて被験者の１０年以内の生死を予測する１０年以内生死予測方法であって、
   （１）性別、
   （２）総コレステロール値ｔ．ｃｈｏ（ｍｇ／ｄｌ）、
   （３）糖尿病の有無、
   （４）高感度ＣＲＰ（ｈｓＣＲＰ）（ｍｇ／ｄｌ）、及び
   （５）ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）（μｍｏｌ／ｌ）を含む入力項目のデータを入力するステップと、
   上記コンピュータが、複数の被験者についての上記入力項目及び１０年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された１０年以内の生死予測の評価式Ｚを用いて、上記入力された入力項目のデータに基づいて評価値Ｚを計算するステップと、
   上記コンピュータが、上記計算された評価値Ｚに対応する生存又は死亡の評価結果を出力するステップとを含むことを特徴とする１０年以内生死予測方法。
7. 上記計算するステップはさらに、上記コンピュータが、高感度ＣＲＰ（ｈｓＣＲＰ）以外の入力項目のデータを用いて、評価値Ｚ＝０となるときの高感度ＣＲＰ（ｈｓＣＲＰ）の生死しきい値を計算し、
   上記出力ステップはさらに、上記コンピュータが、上記高感度ＣＲＰ（ｈｓＣＲＰ）を上記計算された生死しきい値未満にすることで１０年以上生存する確率が高くなることからなるコメントを出力することを特徴とする請求項６記載の１０年以内生死予測方法。
8. 上記計算するステップはさらに、ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）以外の入力項目のデータを用いて、評価値Ｚ＝０となるときのホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）の生死しきい値を計算し、
   上記出力するステップはさらに、上記ホモシステイン（Ｈｏｍｏｃｙｓｔｅｉｎｅ）を上記計算された生死しきい値未満にすることで１０年以上生存する確率が高くなることからなるコメントを出力することを特徴とする請求項６記載の１０年以内生死予測方法。
9. 上記評価式Ｚは、
   Ｚ＝−０．８５６７０９×Ｇｅｎｄｅｒ−０．０１１５６４×ｔ．ｃｈｏ
   ＋０．７７０３６８×Ｄｉａｂｅｔｅｓ＋０．２９１２７×ｌｎ（ｈｓＣＲＰ）
   ＋０．１１６５５３×Ｈｏｍｏｃｙｓｔｅｉｎｅ＋２．９２７６６２
   で表され、
   （ａ）上記Ｇｅｎｄｅｒは性別であって、男性のとき１であり、女性のとき２であり、
   （ｂ）上記Ｄｉａｂｅｔｅｓは「ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）が６．５％以上もしくは糖尿病の治療を受けているか否か」である上記糖尿病の有無であり、ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）が６．５％以上もしくは糖尿病の治療を受けているとき１であり、それ以外のとき０であることを特徴とする請求項６乃至８のうちのいずれか１つに記載の１０年以内生死予測方法。
10. 上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を０とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
    Ｚ＝Ｚ_Ａ−Ｚ_Ｂ
    

    

    ここで、ｘ_ｊ、μ_ｉｊ、σ_ｉｊ ^２、ｄ（ｉ＝Ａ，Ｂ）はそれぞれ、上記実際のデータに係るサンプルベクトルｘの第ｊ要素、クラスω_ｉの訓練サンプル第ｊ要素の標本平均値、クラスω_ｉの訓練サンプル第ｊ要素の標本分散、要素数を表し、Ｚ＜０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＡ群として分類するように割り当て、Ｚ＞０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＢ群として分類するように割り当てたことを特徴とする請求項６乃至９のうちのいずれか１つに記載の１０年以内生死予測方法。
11. 請求項６乃至１０のうちのいずれか１つに記載の１０年以内生死予測方法の各ステップを含むことを特徴とするコンピュータにより実行可能な生死予測プログラム。
12. 請求項１１記載のコンピュータにより実行可能な生死予測プログラムを記録したことを特徴とするコンピュータにより読取可能な記録媒体。
13. 所定の入力項目のデータに基づいて被験者の１０年以内の生死を予測する１０年以内生死予測装置であって、
    （１）年齢Ａｇｅ、
    （２）性別Ｇｅｎｄｅｒ、
    （３）収縮期血圧ｓｂｐ（ｍｍＨｇ）、
    （４）総コレステロール値ｔ．ｃｈｏ（ｍｇ／ｄｌ）、
    （５）ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）（％）、及び
    （６）喫煙の有無を含む入力項目のデータを入力する入力手段と、
    複数の被験者についての上記入力項目及び１０年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された１０年以内の生死予測の評価式Ｚを用いて、上記入力された入力項目のデータに基づいて評価値Ｚを計算する計算手段と、
    上記計算された評価値Ｚに対応する生存又は死亡の評価結果を出力する出力手段とを備え、
    上記評価式Ｚは、
    Ｚ＝０．１２３９７８×Ａｇｅ−０．８５６７０９×Ｇｅｎｄｅｒ
    ＋０．０１８９９２×ｓｂｐ−０．０１１５６４×ｔ．ｃｈｏ
    ＋０．２４９７９１×ＨｂＡ１ｃ＋０．７４８６５８×Ｓｍｏｋｅ
    −８．８７１６８２
    で表され、
    （ａ）上記Ｇｅｎｄｅｒは性別であって、男性のとき１であり、女性のとき２であり、
    （ｂ）上記Ｓｍｏｋｅは喫煙者のとき１であり、非喫煙者のとき０であり、
    上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を０とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
    Ｚ＝Ｚ_Ａ−Ｚ_Ｂ
    

    

    ここで、ｘ_ｊ、μ_ｉｊ、σ_ｉｊ ^２、ｄ（ｉ＝Ａ，Ｂ）はそれぞれ、上記実際のデータに係るサンプルベクトルｘの第ｊ要素、クラスω_ｉの訓練サンプル第ｊ要素の標本平均値、クラスω_ｉの訓練サンプル第ｊ要素の標本分散、要素数を表し、Ｚ＜０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＡ群として分類するように割り当て、Ｚ＞０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＢ群として分類するように割り当てたことを特徴とする１０年以内生死予測装置。
14. コンピュータにより、所定の入力項目のデータに基づいて被験者の１０年以内の生死を予測する１０年以内生死予測方法であって、
    （１）年齢Ａｇｅ、
    （２）性別Ｇｅｎｄｅｒ、
    （３）収縮期血圧ｓｂｐ（ｍｍＨｇ）、
    （４）総コレステロール値ｔ．ｃｈｏ（ｍｇ／ｄｌ）、
    （５）ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）（％）、及び
    （６）喫煙の有無を含む入力項目のデータを入力するステップと、
    上記コンピュータが、複数の被験者についての上記入力項目及び１０年以内生死に関する実際のデータを訓練データとして用いて教師あり学習を用いる識別方法の識別器を用いて生成された１０年以内の生死予測の評価式Ｚを用いて、上記入力された入力項目のデータに基づいて評価値Ｚを計算するステップと、
    上記コンピュータが、上記計算された評価値Ｚに対応する生存又は死亡の評価結果を出力するステップとを含み、
    上記評価式Ｚは、
    Ｚ＝０．１２３９７８×Ａｇｅ−０．８５６７０９×Ｇｅｎｄｅｒ
    ＋０．０１８９９２×ｓｂｐ−０．０１１５６４×ｔ．ｃｈｏ
    ＋０．２４９７９１×ＨｂＡ１ｃ＋０．７４８６５８×Ｓｍｏｋｅ
    −８．８７１６８２
    で表され、
    （ａ）上記Ｇｅｎｄｅｒは性別であって、男性のとき１であり、女性のとき２であり、
    （ｂ）上記Ｓｍｏｋｅは喫煙者のとき１であり、非喫煙者のとき０であり、
    上記教師あり学習を用いる識別方法の識別器は、フィッシャー線形識別器において上記実際のデータに係る標本共分散行列の非対角成分を０とし、等事前確率としてなる改良フィッシャー線形識別器であり、上記改良フィッシャー線形識別器は以下の式で表され、
    Ｚ＝Ｚ_Ａ−Ｚ_Ｂ
    

    

    ここで、ｘ_ｊ、μ_ｉｊ、σ_ｉｊ ^２、ｄ（ｉ＝Ａ，Ｂ）はそれぞれ、上記実際のデータに係るサンプルベクトルｘの第ｊ要素、クラスω_ｉの訓練サンプル第ｊ要素の標本平均値、クラスω_ｉの訓練サンプル第ｊ要素の標本分散、要素数を表し、Ｚ＜０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＡ群として分類するように割り当て、Ｚ＞０のとき、上記実際のデータのうちの生存に係るデータからなるサンプルベクトルｘをＢ群として分類するように割り当てたことを特徴とする１０年以内生死予測方法。
15. 請求項１４記載の１０年以内生死予測方法の各ステップを含むことを特徴とするコンピュータにより実行可能な生死予測プログラム。
16. 請求項１５記載のコンピュータにより実行可能な生死予測プログラムを記録したことを特徴とするコンピュータにより読取可能な記録媒体。

Images