JP2018015327A - 診断装置、診断方法、プログラム - Google Patents

診断装置、診断方法、プログラム Download PDF

Info

Publication number
JP2018015327A
JP2018015327A JP2016148873A JP2016148873A JP2018015327A JP 2018015327 A JP2018015327 A JP 2018015327A JP 2016148873 A JP2016148873 A JP 2016148873A JP 2016148873 A JP2016148873 A JP 2016148873A JP 2018015327 A JP2018015327 A JP 2018015327A
Authority
JP
Japan
Prior art keywords
data
diagnostic
diagnosis
person
diagnosed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2016148873A
Other languages
English (en)
Inventor
浅田　一繁
Kazushige Asada
一繁 浅田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ricoh Co Ltd
Original Assignee
Ricoh Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ricoh Co Ltd filed Critical Ricoh Co Ltd
Priority to JP2016148873A priority Critical patent/JP2018015327A/ja
Priority to US15/650,426 priority patent/US20180032674A1/en
Publication of JP2018015327A publication Critical patent/JP2018015327A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B13/00—Optical objectives specially designed for the purposes specified below
    • G02B13/08—Anamorphotic objectives
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B17/00—Systems with reflecting surfaces, with or without refracting elements
    • G02B17/02—Catoptric systems, e.g. image erecting and reversing system
    • G02B17/06—Catoptric systems, e.g. image erecting and reversing system using mirrors only, i.e. having only one curved mirror
    • G02B17/0647—Catoptric systems, e.g. image erecting and reversing system using mirrors only, i.e. having only one curved mirror using more than three curved mirrors
    • G02B17/0663—Catoptric systems, e.g. image erecting and reversing system using mirrors only, i.e. having only one curved mirror using more than three curved mirrors off-axis or unobscured systems in which not all of the mirrors share a common axis of rotational symmetry, e.g. at least one of the mirrors is warped, tilted or decentered with respect to the other elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2289—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing by configuration test
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B26/00—Optical devices or arrangements for the control of light using movable or deformable optical elements
    • G02B26/08—Optical devices or arrangements for the control of light using movable or deformable optical elements for controlling the direction of light
    • G02B26/0816—Optical devices or arrangements for the control of light using movable or deformable optical elements for controlling the direction of light by means of one or more reflecting elements
    • G02B26/0833—Optical devices or arrangements for the control of light using movable or deformable optical elements for controlling the direction of light by means of one or more reflecting elements the reflecting element being a micromechanical device, e.g. a MEMS mirror, DMD

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

【課題】精神に関する疾患を早期に発見可能な診断装置を提供すること。【解決手段】診断対象者の生活行動に関する生活行動データを取得する生活行動データ取得手段６１と、精神疾患に関する診断を受けた既診断者の生活行動データである既診断者生活行動データと前記診断に関する診断データとの相関関係を表す相関関係データに前記生活行動データを適用して、前記診断対象者の診断データを推定する推定手段６３と、を有する診断装置６０を提供する。【選択図】図１

Description

本発明は、診断装置、診断方法及びプログラムに関する。
いわゆるうつ病の診断基準には、ＷＨＯ（世界保健機関）の国際疾病分類である「ＩＣＤ−１０」、又は、米国精神医学会の「ＤＳＭ−５」が用いられる場合が多い。これらの診断基準は定性的なものであるが、精神疾患を専門とする医師であれば、多くの患者に接した経験から信頼性の高い診断を下すことができる。
しかしながら、患者が医師の診断を受けるには、患者が医療機関に赴く必要がある。このため、患者がうつ病であること、又は、うつ病に近い精神状態であることを自覚している必要がある。その上で、患者の意思、又は、周囲の人々の勧めにより、患者が医療機関に自ら赴くことを前提としている。しかしながら、患者はうつ病であることによる偏見や不都合を避けるために、うつ病であることを認めたくない傾向や症状を秘匿したいと思う傾向にある。また、患者がうつ病であることを周囲の人々が気づかないことも多い。このため、患者が医療機関で診断や検査を受けないまま、重症化する症例は少なくない。
そこで、患者の日常的な行動からうつ病のリスクを推定し、うつ病の患者を早期に発見する試みがある（例えば、特許文献１参照。）。特許文献１には、従業員の職場での業務状況である社内ライフログ、職場の業務実施環境に関わる情報である環境ライフログ、従業員の生活行動に関わる情報である一般ライフログを収集し、当日のライフログと不調者のライフログに基づきメンタルヘルスに関するリスク値を算出するメンタルヘルス管理支援方法が開示されている。
しかしながら、特許文献１に開示された技術では、算出されたリスク値の信頼性が必ずしも高くないという問題がある。例えば、特許文献１では医学的な基準に基づき不調者であるかどうかが判断されるわけではなく、不調者のライフログがうつ病患者のものではない可能性や、健常者であると判断された者のライフログが実際にはうつ病患者のものである可能性もある。このため、当日のライフログと不調者のライフログに基づいて算出されたリスク値では、うつ病患者の早期発見が容易でないおそれがある。
本発明は、上記課題に鑑み、精神に関する疾患を早期に発見可能な診断装置を提供することを目的とする。
上記課題に鑑み、本発明は、診断対象者の生活行動に関する生活行動データを取得する生活行動データ取得手段と、精神疾患に関する診断を受けた既診断者の生活行動データである既診断者生活行動データと前記診断に関する診断データとの相関関係を表す相関関係データに前記生活行動データを適用して、前記診断対象者の診断データを推定する推定手段と、を有する診断装置を提供する。
精神に関する疾患を早期に発見可能な診断装置を提供することができる。
リスク値の算出の概略を説明する図の一例である。 診断システムの全体的な構成図の一例である。 端末又は装置のハードウェア構成の一例を示す図である。 診断システムが有する端末又は装置の機能を説明する機能ブロック図の一例である。 機械学習のモデルの一例であるニューラルネットワークの構成例を示す図である。 診断サービス提供者が診断データを登録する手順を示すフローチャート図の一例である。 診断データが更新された旨を診断サービス提供者がデータベース管理装置３０に通知する手順を示すフローチャート図の一例である。 診断サービス提供者がバイオマーカデータを登録する手順を示すフローチャート図の一例である。 診断サービス提供者がライフログデータを登録する手順を示すフローチャート図の一例である。 診断サービス提供者が診断対象者を登録する手順を示すフローチャート図の一例である。 診断サービス提供者が推奨情報を登録する手順を示すフローチャート図の一例である。 データベース管理装置がデータ操作を行う手順を示すフローチャート図の一例である。 リスク値算出装置がリスク値を算出する手順を示すフローチャート図の一例である。 履歴管理装置が履歴を登録する手順を示すフローチャート図の一例である。 リスク値算出端末がリスク値を時系列に算出する手順を示すフローチャート図の一例である。 リスク値算出端末のディスプレイに表示されたリスク値画面の一例を示す図の一例である。 推定された２つの診断データを用いた相関関係データの算出方法を説明するフローチャート図の一例である。
以下、本発明を実施するための形態について図面を参照しながら説明する。
＜本実施形態のリスク値の算出の概略＞
図１（ａ）は、リスク値の算出の概略を説明する図の一例である。診断装置として動作するリスク値算出装置６０は、うつ病患者及び健常者のライフログデータ、うつ病患者及び健常者のバイオマーカデータ、及び、うつ病患者及び健常者の診断データを取得する。うつ病患者とは、医師によりうつ病であると診断された患者であり、健常者とはうつ病でないと診断された患者又はうつ病のおそれが全くない者である。診断データとは、うつ病であるかどうかについてＷＨＯ（世界保健機関）の「ＩＣＤ−１０」、又は、米国精神医学会の「ＤＳＭ−５」に基づく医師の診断結果である。
バイオマーカとは、ある疾病の存在や進行度をその濃度に反映し、体液中に測定されるタンパク質等の物質を指す。一般的にはバイオマーカは特定の病状や生命体の状態の指標である。医師は患者に問診を行って患者の症状に関する情報を得て、うつ病か否かを判断する。しかし、問診における症状の申告は患者の主観によるものであり、患者が自身の症状を過大に、又は、過小に申告するおそれがあり、医師による診断が必ずしも妥当でない場合もある。このように、うつ病の正確な診断（うつ病でない患者をうつ病でないと診断し、うつ病である患者をうつ病であると診断すること）は、医師にとっても困難である。
そこで、このような医師や患者の主観的な判断を用いないうつ病の診断方法としてバイオマーカを使う方法が知られている。バイオマーカは、うつ病の客観的かつ定量的な指標となることが期待されている。しかし、バイオマーカによる診断は発展途上にあり、バイオマーカのみによる診断の信頼性も十分とは言えない。
このような前提の元、リスク値算出装置６０は以下のようにして診断対象者のバイオマーカデータと診断データを推定する。
Ａ．リスク値算出装置６０は、うつ病患者と健常者のライフログデータと、うつ病患者と健常者のバイオマーカデータとの相関関係を求める。
Ｂ．次に、リスク値算出装置６０は、うつ病患者と健常者のバイオマーカデータと、うつ病患者と健常者の診断データとの相関関係を求める。
これらの相関関係が得られると、診断対象者のライフログデータから診断対象者のバイオマーカデータを推定でき、このバイオマーカデータから診断対象者の診断データを推定できる。医師の診断は主観的ではあっても、統計的に十分に多くのうつ病患者や健常者の診断データがある場合、その診断データは信頼性が高い。したがって、診断対象者のライフログを収集すれば、診断対象者が医療機関に赴くことなく医師の診断結果が推定されるため、早期診断が可能になる。
また、本実施形態ではバイオマーカデータという客観的かつ定量的な指標が推定されるが、バイオマーカデータだけでは、診断対象者等はうつ病かどうかは特定しにくい。しかし、診断データと共にバイオマーカデータという客観的かつ定量的な指標が推定される場合、主観による診断の弊害を抑制でき、診断データによるバイオマーカデータの意味づけが可能になる（例えば、うつ病と診断された場合、特定のバイオマーカの推定値が高くなる）。このため、診断対象者又はその関係者はバイオマーカデータを確認してこれを良化させようと生活行動を改めるので、バイオマーカデータは生活行動を改善するための客観的な指標（動機）を提供できる。
図１（ｂ）は、ライフログデータとバイオマーカデータ又は診断データの相関の推定方法の別の一例を示す。図１（ｂ）に示すように、リスク値算出装置６０は、ライフログデータからバイオマーカデータと診断データをそれぞれ推定してもよい。
Ａ．リスク値算出装置６０は、うつ病患者と健常者のライフログデータと、うつ病患者と健常者のバイオマーカデータとの相関関係を求める。
Ｃ．次に、リスク値算出装置６０は、うつ病患者と健常者のライフログデータと、うつ病患者と健常者の診断データとの相関関係を求める。
これらの相関関係が得られると、診断対象者のライフログデータから診断対象者のバイオマーカデータ及び診断対象者の診断データを推定できる。したがって、図１（ａ）の場合と同様に、早期診断が可能になる。また、ライフログデータから直接、診断データが推定されるので、診断データの推定値の信頼性が向上することを期待できる。
なお、以下の実施例では、特に説明しない限り、図１（ａ）の推定方法で診断データが推定されるものとして説明する。
＜用語について＞
生活行動とは、日常的な生存や活動に関する行動である。あるいは、精神疾患と相関しやすい人間の行動ということができる。生活行動データはこの生活行動が数値化されたデータである。以下では、生活行動の一例としてライフログという用語で説明し、生活行動データの一例としてライフログデータという用語で説明する。
既診断者とは、医師又は医師に準じる能力の者から精神疾患に関する診断を受けた者である。診断とは、所定の診断基準にしたがって精神疾患のリスクが高い又は低いという判断が下されることをいう。あるいは、精神疾患の程度が多段階で判断されてもよい。診断データとは診断の内容が数値化されたデータである。
身体情報とは、診断対象者の血液や唾液、呼気、涙、汗等から検出される物質である。あるいは、精神疾患と相関しやすい体内の物質ということができる。あるいは、血圧、脳波、心拍数などの数値化できる情報が含まれてもよい。身体情報の測定値とは、身体情報の測定値がデータ化されたものである。以下では、身体情報の一例としてバイオマーカという用語で説明し、身体情報の測定値の一例としてバイオマーカデータという用語で説明する。
精神疾患とは、人間の精神が不調をきたすこと又は心の健康（メンタルヘルス）が損なわれることをいう。本実施形態では精神疾患の１つとしてうつ病の早期診断方法を説明したが、精神疾患には、精神分裂病、躁病、神経症、人格障害、摂食障害、心身症などがあり、これらにも本実施形態の診断方法は好適である。また、精神疾患には未解明な部分が多く、精神疾患の定義や診断基準が統一されていないため、同じ症状でも精神疾患の分類法によって病名が変わる場合がある。
＜システム構成例＞
図２は、診断システム１００の全体的な構成図の一例である。図２の診断システム１００は、診断データ管理端末１０、バイオマーカデータ登録端末１１、ライフログデータ登録端末１２、リスク値算出端末５０、診断対象者登録端末１３、推奨情報登録端末１４、データベース管理装置３０、履歴管理装置４０、及び、リスク値算出装置６０を有する。これらを区別しない場合は、「端末又は装置」という。これらの各端末又は装置は、ネットワークＮによって通信可能に接続される。ネットワークＮの右側と左側に分けられていることに意味はない。また、端末と装置の呼称の違いはハードウェアの構成の違いを意味するものではないが、端末は情報が入力され又は情報を出力するユーザインタフェースの機能を提供し、装置は入力された情報を主に加工する機能を提供する。ただし、端末が装置と呼ばれていてもよいし、装置が端末と呼ばれていてもよい。
ネットワークＮは、各端末又は装置が設置されている施設などに構築されているＬＡＮ（Local Area Network）、ＬＡＮをインターネットに接続するプロバイダのプロバイダネットワーク、及び、回線事業者が提供する回線等により構築されている。ネットワークが複数のＬＡＮを有する場合、ネットワークＮはＷＡＮ（Wide Area Network）やインターネットと呼ばれる。ネットワークＮは有線又は無線のどちらで構築されてもよく、また、有線と無線が組み合わされていてもよい。また、端末と装置が直接、公衆回線網に接続する場合は、ＬＡＮを介さずにプロバイダネットワークに接続することができる。
また、これらの各端末又は装置は、情報処理装置としての機能を有すればよい。例えば、サーバやＰＣ（Personal Computer）と呼ばれる。また、各端末又は装置は可搬性の携帯端末でもよい。携帯端末は、例えば、スマートフォン、携帯電話、タブレット端末、ゲーム機、ＰＤＡ（Personal Digital Assistant）、デジタルカメラ、ウェアラブルＰＣ、ノートＰＣ、ゲーム機などであるがこれらには限られない。また、各端末又は装置としてオフィス機器が利用されてもよい。オフィス機器は主にオフィスで使用される機器であるが、オフィスでの使用には限定されない。例えば、画像形成装置（プリンタ、ＭＦＰ（Multi-Function Peripheral）、複合機、複写機、コピー機など）、ファクス装置、スキャナ装置、コピー機等がある。また、プロジェクタ、ＨＵＤ（Head Up Display）装置、電子黒板、デジタルサイネージなどでもよい。
また、各端末又は装置の１つ以上には、クラウドコンピューティングが適用されてよい。クラウドとは、特定のハードウェア資源を意図しない場合に用いられる用語である。クラウドコンピューティングでは、ハードウェアが１つの筐体に収納されていたりひとまとまりの装置として備えられていたりする必要はなく、負荷に応じてハード的なリソースが動的に接続・切断されることで構成される。また、一台の情報処理装置の中の仮想化環境に複数のサーバの機能が構築されていたり、複数台の情報処理装置に跨って１つのサーバの機能が構築されたりしてもよい。
次に、各端末又は装置について説明する。
診断データ管理端末１０は、診断サービス提供者がうつ病患者及び健常者の診断データを登録するための端末である。診断サービス提供者とは、本実施形態で説明される診断システム１００の運営者、管理者、提供者、又は、担当者など、診断システム１００に関わる者である。医療関係者が含まれてもよい。また、以下で用いられる診断サービス提供者という用語は同一の人を意味するわけではない。
バイオマーカデータ登録端末１１は、診断サービス提供者が、うつ病患者及び健常者のバイオマーカデータをデータベース管理装置３０に登録するための端末である。
ライフログデータ登録端末１２は、診断サービス提供者が、うつ病患者及び健常者のライフログデータをデータベース管理装置３０に登録するための端末である。ライフログデータについては後述されるが、うつ病患者及び健常者が身につける端末でライフログデータを収集し、無線又は有線でライフログデータ登録端末１２又はデータベース管理装置３０に送信してもよい。また、うつ病患者及び健常者がアンケートに回答する形でライフログデータが入力されてもよい。
診断対象者登録端末１３は、診断サービス提供者が、診断対象者に関する情報を登録するための端末である。診断対象者とは、診断システム１００が提供する診断サービスを受ける者、すなわち、ライフログデータからうつ病やその傾向があると判断される者である。例えば、診断システム１００を導入した企業の社員、ショッピングモールなどを訪れたお客、公共団体に属する住民などである。診断対象者に関する情報を「診断対象者データ」と称する。診断対象者データの一例は後述されるが、例えば、診断対象者を特定するための情報や連絡先などである。
推奨情報登録端末１４は、診断サービス提供者が、診断対象者に対する推奨情報を登録するための端末である。推奨情報とは、診断対象者のうつ病のリスクを低減するために診断対象者に推奨される生活行動や各種の情報などである。例えば、診断対象者が日常生活で心がけるべきアドバイス、摂取するべき食品、効果的な運動などをいう。なお、この場合の、診断サービス提供者は医療関係者であることがより好ましい。
データベース管理装置３０は、診断データ管理端末１０から登録された診断データ、バイオマーカデータ登録端末１１から登録されたバイオマーカデータ、ライフログデータ登録端末１２から登録されたライフログデータ、診断対象者登録端末１３から登録された診断対象者データ、及び、推奨情報登録端末１４から登録された推奨情報、をデータベースに格納して管理する装置である。また、リスク値算出端末５０及びリスク値算出装置６０からの要求に応じて、診断データ、バイオマーカデータ、ライフログデータ、診断対象者データ及び推奨情報を、データベースから検索して読み出し、要求元に提供するための装置である。
リスク値算出端末５０は、診断対象者又はその関係者が、ライフログデータを入力し、診断対象者のうつ病のリスク値を表示させる端末である。リスク値とは、推定された診断データが、診断対象者又はその関係者に分かりやすい形態で提供される、どのくらいうつ病になりやすいかを示す情報である。例えば、うつ病である・うつ病でない、うつ病になりやすい・なりにくい、Ａ〜Ｅや１〜１０など多段階のうつ病のリスク度、０〜１００点の間の数値で示されるうつ病のリスク度などである。リスク値は、診断データから算出されるが、算出方法は適宜、診断対象者又はその関係者を考慮して決定されてよい。なお、リスク値算出端末５０から診断対象者のライフログデータが入力されてもよい。
リスク値算出装置６０は、リスク値算出端末５０からの要求に応じて、バイオマーカデータの推定値、診断データの推定値、及び、リスク値を算出し、リスク値算出端末５０に提供するための装置である。
履歴管理装置４０は、リスク値算出端末５０からの要求に応じて、診断対象者のライフログデータをデータベース管理装置３０に登録したり、リスク値算出装置６０が算出に使用する診断対象者のライフログデータを登録したりするための装置である。
診断システム１００の構成要素のうち、診断データ管理端末１０、バイオマーカデータ登録端末１１、ライフログデータ登録端末１２、診断対象者登録端末１３、推奨情報登録端末１４、データベース管理装置３０、及び、リスク値算出装置６０は、診断サービス提供者により管理される。すなわち、これらの端末又は装置は主に診断サービス提供者により使用される。例えば、診断サービス提供者が用意したＷｅｂサーバがあり、診断データ管理端末１０、バイオマーカデータ登録端末１１、ライフログデータ登録端末１２、診断対象者登録端末１３及び推奨情報登録端末１４はこのＷｅｂサーバ（ＦＴＰサーバなどでもよく、通信プロトコルは問わない）にアクセスして診断サービス提供者が上記の各情報を登録する。Ｗｅｂサーバはデータベース管理装置３０が兼ねてよい。データベース管理装置３０はＷｅｂサーバから送信された各種のデータをデータベースに格納する。
リスク値算出端末５０は、診断対象者、又は、その関係者が操作できる場所に配置される。これは、診断対象者又はその関係者がリスク値算出端末５０を操作する場合が多いためである。リスク値算出端末５０がＷｅｂサーバにアクセスしてリスク値の算出を依頼すると、Ｗｅｂサーバはリスク値算出装置６０が算出したリスク値をリスク値算出端末５０に送信する。
履歴管理装置４０は、診断サービス提供者の管理下に置かれる場合と、診断対象者又はその関係者が使用できる場所に配置される場合の２通りがある。診断対象者又はその関係者が診断対象者データの管理を診断サービス提供者に委託する場合、診断サービス提供者がアクセスできる場所に配置される。診断対象者データにはプライバシーが含まれるため、診断対象者又はその関係者が自ら管理する場合には、診断対象者又はその関係者がアクセスできる範囲に配置される。
＜ハードウェア構成について＞
図３は、端末又は装置のハードウェア構成の一例を示す図である。上記のように、端末又は装置は情報処理装置としての機能を有する。端末又は装置は、ＣＰＵ（Central Processing Unit）３０１、ＲＯＭ（Read Only Memory）３０２、ＲＡＭ（Random Access Memory）３０３及び補助記憶装置３０４を備える。更に、端末又は装置は、入力部３０５、ディスプレイＩ／Ｆ（Interface）３０６、ネットワークＩ／Ｆ３０７及び外部機器Ｉ／Ｆ３０８を備える。なお、端末又は装置の各部は、バスＢを介して相互に接続されている。
ＣＰＵ３０１は、補助記憶装置３０４に格納された各種のプログラム３０４ｐ、ＯＳ（Operating System）等を実行する。ＲＯＭ３０２は不揮発性メモリである。ＲＯＭ３０２は、システムローダーやデータ等を格納する。
ＲＡＭ３０３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の主記憶装置である。ＣＰＵ３０１によって実行される際に補助記憶装置３０４に格納されたプログラム３０４ｐがＲＡＭ３０３に展開され、ＲＡＭ３０３はＣＰＵ３０１の作業領域となる。
補助記憶装置３０４は、ＣＰＵ３０１により実行されるプログラム３０４ｐ及びプログラム３０４ｐがＣＰＵ３０１により実行される際に利用される各種データベースを記憶する。補助記憶装置３０４は例えばＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）などの不揮発性メモリである。
入力部３０５は、オペレータが端末又は装置に各種指示を入力するためのインタフェースである。例えば、キーボード、マウス、タッチパネル、音声入力装置などである。ただし、入力部３０５は必要に応じて接続されてよい。
ディスプレイＩ／Ｆ３０６は、ＣＰＵ３０１からの要求により、端末又は装置が有する各種情報をカーソル、メニュー、ウィンドウ、文字、又は画像などの形態で表示装置であるディスプレイ３１０に表示する。ディスプレイＩ／Ｆ３０６は、例えばグラフィックチップやディスプレイＩ／Ｆである。ただし、ディスプレイＩ／Ｆ３０６は必要に応じて接続されてよい。
ネットワークＩ／Ｆ３０７は、ネットワークを介して、他の端末や装置と通信を行う通信装置である。ネットワークＩ／Ｆ３０７は例えばイーサネット（登録商標）カードであるがこれに限られない。
外部機器Ｉ／Ｆ３０８は、ＵＳＢケーブル、又は、ＵＳＢメモリ等の各種の記憶媒体３２０などを接続するためのインタフェースである。
図３のハードウェア構成は一例であり、例えばスマートフォンなどのハードウェア構成が採用される場合もある。例えば、リスク値算出端末５０の場合、スマートフォンで動作するアプリケーションソフトで診断対象者又はその関係者がリスク値算出装置６０にアクセスし、算出されたリスク値を表示するなどのユースケースが考えられる。
＜診断システム１００の機能について＞
図４は、診断システム１００が有する端末又は装置の機能を説明する機能ブロック図の一例である。
<<診断データ管理端末１０、バイオマーカデータ登録端末１１、ライフログデータ登録端末１２、診断対象者登録端末１３、推奨情報登録端末１４>>
診断データ管理端末１０、バイオマーカデータ登録端末１１、ライフログデータ登録端末１２、診断対象者登録端末１３、及び、推奨情報登録端末１４は送受信部２１、操作受付部２２、表示制御部２３、及び、登録要求部２４を有する。これら各機能部は、図３に示された各構成要素のいずれかが、補助記憶装置３０４からＲＡＭ３０３に展開されたプログラム３０４ｐに従ったＣＰＵ３０１からの命令により動作することで実現される機能又は手段である。
送受信部２１は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること及びネットワークＩ／Ｆ３０７を制御すること等により実現され、ネットワークＮを介して主にデータベース管理装置３０と各種データの送受信を行う。
操作受付部２２は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること及び入力部３０５を制御すること等により実現され、端末に対する操作や情報の入力を受け付ける。
表示制御部２３は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること及びディスプレイＩ／Ｆ３０６を制御すること等により実現され、ディスプレイ３１０に各種の画面を表示する。例えば、データの登録用の画面を表示させるＨＴＭＬデータ及びスクリプト言語を解釈して、Ｗｅｂページを表示する。あるいは、これらの端末で専用のアプリケーションソフトが動作している場合、画面の部品を決まった位置に配置してデータの登録用の画面を表示する。
登録要求部２４は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること等により実現され、診断サービス提供者が登録した各種のデータの登録をデータベース管理装置３０に要求する。
<<データベース管理装置３０>>
データベース管理装置３０は、送受信部３１、診断データ管理部３２、バイオマーカデータ管理部３３、ライフログデータ管理部３４、診断対象者データ管理部３５及び推奨情報データ管理部３６を有する。これら各機能部は、図３に示された各構成要素のいずれかが、補助記憶装置３０４からＲＡＭ３０３に展開されたプログラム３０４ｐに従ったＣＰＵ３０１からの命令により動作することで実現される機能又は手段である。
また、データベース管理装置３０は、ＲＡＭ３０３や補助記憶装置３０４などにより実現され、各種情報を記憶部する記憶部３９を有する。記憶部３９には、診断データベース３００１、バイオマーカデータベース３００２、ライフログデータベース３００３、診断対象者データベース３００４、及び、推奨情報データベース３００５が記憶されている。以下では、これらのデータベースについて説明する。
Figure 2018015327
 表１は、診断データベース３００１に登録されているデータをテーブル状に示す。診断データベース３００１には、うつ病患者及び健常者の診断結果の情報が格納される。診断データベース３００１は、表形式のデータベースであり、診断結果ごとのレコードの集合を有する。１つのレコードは、診断ＩＤ（Identification）、被験者ＩＤ、診断種別、診断時刻、診断結果、及び、トータル診断結果の６つの属性（フィールド、項目）を有する。
診断ＩＤは、あるうつ病患者又は健常者に対する１回の診断を特定するための情報である。あるいは、診断を一意に識別する識別情報と称してもよい。ＩＤとは複数の対象から、ある特定の対象を一意的に区別するために用いられる名称、符号、文字列、数値などの組み合わせをいう。以下のＩＤについても同様である。
被験者ＩＤは、診断されたうつ病患者又は健常者を特定するための情報又は一意に識別するための情報である。診断種別は、複数の診断項目のうち診断の根拠となる診断項目を表す。診断種別は、ＷＨＯ（世界保健機関）の国際疾病分類である「ＩＣＤ−１０」、又は、米国精神医学会の「ＤＳＭ−５」などにより決まっている。表２にＤＳＭ−５の診断種別を示す。
診断時刻は、診断種別ごとの診断の時刻を表す（年月日を含む）。診断結果は、診断種別ごとの診断の結果を値で表す。値は、該当するか否かに対応させて、例えば「１又は０」である。トータル診断結果は、１回の診断でうつ病患者又は健常者のどちらであると診断されたかを示す。このように、診断種別が診断項目を表し、診断結果がこの診断項目に該当するか否かを表す。例えば、表２のＮｏ１の診断種別では「ほとんど１日中続く抑うつ気分」にうつ病患者又は健常者がＹｅｓ又はＮｏのどちらで回答したかが診断結果になる。また、医師は各診断種別に対する回答を総合してトータル診断結果を決定する。
Figure 2018015327
 表２は、うつ病の診断基準の１つである「ＤＳＭ−５」の診断基準と診断結果種別を示す。ＤＳＭ−５では、各診断結果種別は、包含事項、除外事項、修飾事項及び選択事項に区分されている。診断データベース３００１の診断基準は、包含事項、除外事項、修飾事項又は選択事項の各要素でどのような診断が行われるかを表し、診断データベース３００１の診断結果種別は、各要素に対する診断結果を値で表す。ＤＳＭ−５には３４個の診断種別があるので、１回の診断で、一人のうつ病患者又は健常者に対し３４個のレコードが診断データベース３００１に生成される。例えば、１つ目のレコードの診断種別は「DSM-5-a-i」に相当し、該レコードの診断結果の値は、「ほとんど１日中続く抑うつ気分」に該当するか否かを数値（１，０）で表す。なお、ＤＳＭ−５の詳細については非特許文献１を参照されたい。ただし、うつ病の診断基準は研究途上であり、診断の種別が増えたり減ったりすることがあり得る。
また、表２はＤＳＭ−５を示すが、今後、改訂されＤＳＭ−６等の診断基準が作成されても本実施形態に好適に適用できる。
Figure 2018015327
 表３は、バイオマーカデータベース３００２に登録されているデータをテーブル状に示す。バイオマーカデータには、うつ病患者及び健常者のバイオマーカの測定値が格納される。バイオマーカデータベース３００２は表形式のデータベースであり、１つのバイオマーカごとに１つのレコードを有する。
各レコードは、診断ＩＤ、被験者ＩＤ、バイオマーカ種別、測定時刻、及び、測定値の５つの属性を有する。診断ＩＤは、バイオマーカに対応する診断を示す。例えば、うつ病患者又は健常者は医師の診断と共にバイオマーカによる検査を受ける。この時の診断とバイオマーカの測定値が診断ＩＤにより対応付けられる。
被験者ＩＤは表１の被験者ＩＤと同じものである。バイオマーカ種別は、複数あるバイオマーカの種別を表す。バイオマーカの一例を表４に示す。測定時刻は、バイオマーカを測定した時刻を表す（年月日を含んでよい）。測定値は、バイオマーカの測定値を表す。このように、１つのバイオマーカ種別の測定値が診断ＩＤと対応付けられている。
Figure 2018015327
 表４は、バイオマーカ種別の一例を示す。うつ病の原因の１つとしてストレスがあることが知られている。うつ病患者又は健常者が受けているストレスの大きさに相関するとされるバイオマーカ（ストレスマーカ）として表４のような生化学物質がある。表４では、１５個のバイオマーカが挙げられている。ただし、うつ病に有効なバイオマーカは研究途上であり、これらのバイオマーカは今後増えることも減ることもあり得る。
表４のストレスマーカがうつ病のバイオマーカとして採用された場合、１回の検査により、１５個のレコードがバイオマーカデータベース３００２に登録される。バイオマーカデータベース３００２のバイオマーカ種別は、これらのストレスマーカの生化学物質を表し、バイオマーカデータの測定値はその生化学物質の測定値を表す。なお、バイオマーカについては非特許文献２を参照されたい。
Figure 2018015327
 表５は、ライフログデータベース３００３に登録されているデータをテーブル状に示す。ライフログデータベース３００３には、うつ病患者及び健常者のライフログデータが格納される。ライフログデータベース３００３は表形式のデータベースであり、ライフログごとに１つのレコードが生成される。
１つのレコードは、診断ＩＤ、被験者ＩＤ、ライフログ種別、測定時刻及び測定値の５つの属性を有する。診断ＩＤは、ライフログと診断結果を対応付ける。医師の診断を受けるまでに蓄積されたライフログが１つの診断ＩＤと対応づけられる。被験者ＩＤと測定時刻は診断データベース３００１と同じものである。測定値は、ライフログ種別の具体的な値を表す。また、ライフログ種別の具体例を表６に示す。
Figure 2018015327
 表６は、ライフログデータベース３００３のライフログ種別の一例を示す。表６のライフログ種別は、歩行、体重、睡眠、及び、食事に分類されている。各分類ごとにライフログ種別が登録されている。合計で２０個のライフログ種別がある。
うつ病患者、健常者及び診断対象者は、毎日、これらのライフログ種別を記録し、医師が例えば１ヶ月に１度、うつ病患者、健常者及び診断対象者を診断する場合、１日あたり２０個のレコードが１ヶ月分、ライフログデータベース３００３に登録される。ライフログデータベース３００３のライフログ種別は、表６の各ライフログ種別に対応し、ライフログデータの測定値はライフログ種別の測定値を表す。
なお、うつ病に相関性が高いライフログ種別は表６に限られるものではなく、表６の他、心拍数、血糖値、血圧又は脳波などが含まれてもよい。
Figure 2018015327
 表７は、診断対象者データベース３００４に登録されているデータをテーブル状に示す。診断対象者データベース３００４は診断対象者に関する情報が格納される。診断対象者データベース３００４は表形式のデータベースであり、登録された診断対象者ごとに１つのレコードを有する。各レコードは、診断対象者ＩＤ、及び連絡先の２つの属性を有する。
診断対象者ＩＤは、登録された診断対象者を特定するための情報又は一意に識別するための情報である。連絡先は、診断対象者に情報を伝えるための通信方法と宛先を表し、例えば、電子メールのアドレス、電話番号、住所等が格納される。
Figure 2018015327
 表８は、推奨情報データベース３００５に登録されているデータをテーブル状に示す。推奨情報データベース３００５には診断対象者に対する推奨情報が格納される。推奨情報データベース３００５は表形式のデータベースであり、診断対象者に適切な推奨情報がレコードごとに格納されている。
各レコードは、種別分類、種別、及び、推奨情報の３つの属性を有する。種別分類は、LIFELOG（ライフログ）, BIOMARKER（バイオマーカ）、 DIAGNOSTIC（診断）のいずれかである。種別は、ライフログ種別、バイオマーカ種別、又は、診断種別である。推奨情報は、この種別に応じた、診断対象者に対する推奨情報を表す。例えば、種別分類がLIFELOGであれば活動量計による歩数の測定（歩数を増やす）、BIOMARKERであれば関連する血液検査（血液の成分に関する注意喚起）、DIAGNOSTICであれば関連する食品（摂取すべき食品）である。
この他、推奨情報には、多種多様な情報が含まれうる。例えば、ヨガなどの具体的なスポーツ、満たすべき睡眠時間、具体的な書籍、映画、音楽、人間関係等のセミナーの提案など、うつ病の改善に役立つ情報であればよい。
（データベース管理装置３０の機能）
送受信部３１は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること及びネットワークＩ／Ｆ３０７を制御すること等により実現され、ネットワークＮを介して、診断データ管理端末１０、バイオマーカデータ登録端末１１、ライフログデータ登録端末１２、診断対象者登録端末１３、推奨情報登録端末１４、リスク値算出端末５０、及び、リスク値算出装置６０と各種データの送受信を行う。
診断データ管理部３２は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること等により実現され、診断データ管理端末１０から診断データの登録を受け付け、診断データベース３００１に登録する。また、リスク値算出装置６０からの要求に対し、診断データベース３００１から診断データを読み出しリスク値算出装置６０に送信する。
バイオマーカデータ管理部３３は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること等により実現され、バイオマーカデータ登録端末１１からバイオマーカデータの登録を受け付け、バイオマーカデータベース３００２に登録する。また、リスク値算出装置６０からの要求に対し、バイオマーカデータベース３００２からバイオマーカデータを読み出しリスク値算出装置６０に送信する。
ライフログデータ管理部３４は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること等により実現され、ライフログデータ登録端末１２からライフログデータの登録を受け付け、ライフログデータベース３００３に登録する。また、リスク値算出装置６０からの要求に対し、ライフログデータベース３００３からライフログデータを読み出しリスク値算出装置６０に送信する。
診断対象者データ管理部３５は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること等により実現され、診断対象者登録端末１３から診断対象者データの登録を受け付け、診断対象者データベース３００４に登録する。また、履歴管理装置４０からの要求に対し、診断対象者データベース３００４から診断対象者データを読み出し履歴管理装置４０に送信する。
推奨情報データ管理部３６は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること等により実現され、推奨情報登録端末１４から推奨情報の登録を受け付け、推奨情報データベース３００５に登録する。また、リスク値算出端末５０からの要求に対し、推奨情報データベース３００５から推奨情報を読み出しリスク値算出端末５０に送信する。
<<履歴管理装置４０>>
履歴管理装置４０は、送受信部４１、操作受付部４２、表示制御部４３、及び、履歴データ管理部４４を有する。これら各機能部は、図３に示された各構成要素のいずれかが、補助記憶装置３０４からＲＡＭ３０３に展開されたプログラム３０４ｐに従ったＣＰＵ３０１からの命令により動作することで実現される機能又は手段である。
また、履歴管理装置４０は、ＲＡＭ３０３や補助記憶装置３０４などにより実現され、各種情報を記憶部する記憶部４９を有する。記憶部４９には、履歴データベース４００１が記憶されている。まず、履歴データベース４００１について説明する。
Figure 2018015327
 表９は、履歴データベース４００１に登録されているデータをテーブル状に示す。履歴データベース４００１には診断対象者のライフログデータが格納される。
履歴データベース４００１は表形式のデータベースであり、診断対象者のライフログ種別ごとのレコードを有する。各レコードは、リスク値算出時刻、診断対象者ＩＤ、ライフログ種別、測定時刻、及び、測定値の５つの属性を有する。１回の登録で入力されるライフログ種別（２０個×一月分）に同じリスク値算出時刻が付与される。
リスク値算出時刻は、診断対象者又はその関係者が、診断対象者のうつ病のリスク値を算出した時刻（年月日を含む）である。診断対象者ＩＤは、診断対象者データベース３００４と同じものである。ライフログ種別、測定時刻及び測定値は、ライフログデータベース３００３と同じものである。表９では、推定されたリスク値が含まれていないが含めてもよい。しかし、ライフログ種別と測定値があれば、リスク値算出装置６０はリスク値を適宜、算出できる。
診断データとバイオマーカデータが変わると後述する相関関係も変わるため、同じライフログに対し異なるリスク値が算出されることがある。このため、リスク値算出装置６０は現在の相関関係でリスク値を算出することが好ましい。
（履歴管理装置４０の機能）
送受信部４１、操作受付部４２及び表示制御部４３については診断データ管理端末１０等と同様でよい。履歴データ管理部４４は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること等により実現され、リスク値算出装置６０でリスク値が算出された場合に、リスク値算出端末５０から履歴データベース４００１の各属性を取得して履歴データベース４００１に登録する。これらはリスク値の算出に使用された診断対象者の各属性はデータベース管理装置３０から取得する。
<<リスク値算出端末５０>>
リスク値算出端末５０は、送受信部５１、操作受付部５２、表示制御部５３、リスク値算出要求部５４、及び、推奨情報要求部５５を有する。これら各機能部は、図３に示された各構成要素のいずれかが、補助記憶装置３０４からＲＡＭ３０３に展開されたプログラム３０４ｐに従ったＣＰＵ３０１からの命令により動作することで実現される機能又は手段である。
送受信部５１、操作受付部５２及び表示制御部５３については診断データ管理端末１０等と同様でよい。リスク値算出要求部５４は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること等により実現され、診断対象者又はその関係者がリスク値の算出を要求した場合、リスク値の算出要求をリスク値算出装置６０に送信する。
リスク値算出端末５０の表示制御部５３は、リスク値算出装置６０が算出したリスク値を取得してディスプレイ３１０に表示する。
推奨情報要求部５５は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること等により実現され、診断対象者のライフログデータ、バイオマーカデータの推定値、及び、診断データの推定値に対応付けられた推奨情報をデータベース管理装置３０に要求する。
<<リスク値算出装置６０>>
リスク値算出装置６０は、送受信部６１、相関関係推定部６２、及び、リスク値算出部６３を有する。これら各機能部は、図３に示された各構成要素のいずれかが、補助記憶装置３０４からＲＡＭ３０３に展開されたプログラム３０４ｐに従ったＣＰＵ３０１からの命令により動作することで実現される機能又は手段である。
また、リスク値算出装置６０は、ＲＡＭ３０３や補助記憶装置３０４などにより実現され、各種情報を記憶部する記憶部６９を有する。記憶部６９には、相関関係データ６００１が記憶されている。相関関係データ６００１は、ライフログデータとバイオマーカデータの相関関係、バイオマーカデータと診断データの相関関係を表すデータである。
相関関係推定部６２は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること等により実現され、データベース管理装置３０の診断データ、バイオマーカデータ、及び、ライフログデータを使用して、上記の相関関係を算出する。
リスク値算出部６３は、図３に示したＣＰＵ３０１がプログラム３０４ｐを実行すること等により実現され、相関関係データ６００１を使用して診断対象者のリスク値を算出する。
＜相関関係について＞
<<回帰による相関関係の算出>>
入力変数のベクトルＸの値から目標変数Ｔの値を予測することは、回帰問題と呼ばれる。回帰問題の目標は、Ｎ個の観測値{Ｘn}(n=1,…,N)と対応する目標値{Ｔｎ}からなる訓練データが与えられたとき、測定値Ｘに対するＴの値を予測することである。単純な解法として、入力Ｘに対してＴ＝ｆ（Ｘ）となる関数ｆを求めることが挙げられる。関数ｆの最も単純な線形回帰モデルは、入力変数の線形結合である。なお、回帰問題については非特許文献３を参照されたい。
Ｔ＝a1・x1＋a2・x2＋a3・x3＋a4・x4＋…＋an・x20
この回帰問題の考え方を本実施形態に適用する。なお、説明の便宜上、図１（ａ）の推定方法の相関関係を説明するが、図１（ｂ）の推定方法でも同様である。
各診断結果を要素とする診断データをベクトルＤ、各測定値を要素とするバイオマーカデータをベクトルＢ、各測定値を要素とするライフログデータをベクトルＬとする。表２に示したように診断データの要素数は３４、表４に示したようにバイオマーカデータの要素数は１５、表６に示したようにライフログデータの要素数は２０である。
ライフログデータでバイオマーカデータを表すことを検討すると、１つのバイオマーカデータの要素がライフログデータの２０個の要素と結びつくと考えられる。ライフログデータからうつ病患者及び健常者のバイオマーカデータを求める関数をＬtoＢとする。ライフログデータの各要素をＬ１〜Ｌ２０で表し、バイオマーカデータの各要素をＢ１〜Ｂ１５で表すと、ＬtoＢの線形結合は以下のように表される。
ＬtoＢ１＝a1・L1＋a2・L2＋a3・L3＋a4・L4＋…＋a20・L20
a1〜a20はライフログデータの各要素の係数である。したがって、うつ病患者及び健常者の訓練データを用いて回帰問題を解いてa1〜a20を求めれば、ライフログデータとバイオマーカデータを線形結合で表すことができる。このような回帰問題は最小二乗法で解くことができる。
同様の算出を、バイオマーカデータの各要素について行う。
ＬtoＢ２＝b1・L1＋b2・L2＋b3・L3＋b4・L4＋…＋b20・L20
ＬtoＢ３＝c1・L1＋c2・L2＋c3・L3＋c4・L4＋…＋c20・L20
（略）
ＬtoＢ１５＝o1・L1＋o2・L2＋o3・L3＋o4・L4＋…＋o20・L20 … （１）
次に、バイオマーカデータで診断データを表すことを検討すると、１つの診断データの要素がバイオマーカデータの１５個の要素と結びつくと考えられる。バイオマーカデータからうつ病患者及び健常者の診断データを求める関数をＢtoＤとする。バイオマーカデータの各要素をＢ１〜Ｂ１５で表し、診断データの各要素とＤ１〜Ｄ３４で表すと、ＢtoＤの線形結合は以下のように表される。なお、a1〜a15等の係数は式（１）とは異なっている。
ＢtoＤ１＝a1・B1＋a2・B2＋a3・B3＋a4・B4＋…＋a15・B15
ＢtoＤ２＝b1・B1＋b2・B2＋b3・B3＋b4・B4＋…＋b15・B15
（略）
ＢtoＤ３４＝hh1・B1＋hh2・B2＋hh3・B3＋hh4・B4＋…＋hh15・B15 … （２）
したがって、うつ病患者と健常者の診断データが記憶されている診断データベース３００１、ライフログデータが記憶されているライフログデータベース３００３、バイオマーカデータが記憶されているバイオマーカデータベース３００２を参照し、相関関係推定部６２は係数を決定することができる。決定した係数は相関関係データ６００１として記憶部６９に記憶される。
同様にして、診断対象者のライフログデータをベクトルＬ'、バイオマーカデータの推定値のベクトルをＢ'、診断データの推定値のベクトルをＤ'とする。すると、以下の関係が得られる。
Ｌ'toＢ'
Ｂ'toＤ'
リスク値算出部６３は、Ｌ'toＢ'として式（１）を使用し、診断対象者のライフログデータを代入してバイオマーカデータを推定する。また、リスク値算出部６３は、Ｂ'toＤ'として式（２）を使用し、診断対象者のバイオマーカデータに代入して診断データを推定できる。
なお、本実施形態ではうつ病患者と健常者のライフログデータ、バイオマーカデータ及び診断データを区別しないが、回帰によってうつ病患者と健常者の両方の相関関係が得られれば、うつ病患者か健常者かが分からない診断対象者のバイオマーカデータ及び診断データを推定することができる。
また、診断データは、属性ごとに０〜１の範囲で値を取るが、診断データが１に近い方がうつ病のリスクが高いとは限らない。例えば、診断基準の１つである「修飾事項／経過と重傷度／重度」が１に近い診断対象者はうつ病のリスクが高いと推定されるが、「修飾事項／経過と重傷度／軽度」が１に近い診断対象者はうつ病のリスクが低い。診断基準のこの他の属性に関しても、うつ病のリスクが高いかどうかは属性よって異なる。
このため、リスク値算出部６３は、診断データの属性に重み付けしてリスク値を算出する。すなわち、３４個の属性の推定結果をそれぞれ重み付けして合計するなどして、リスク値を算出する。リスク値は値が大きいほどうつ病になる可能性が高い指標となる。また、診断データそのものがリスク値として扱われてもよい。
このように、診断対象者が医療機関に赴かなくてもバイオマーカデータと診断データを推定でき、うつ病の早期診断が可能になる。
また、リスク値算出部６３は診断対象者の別の時点でのライフログデータからバイオマーカデータと診断データを推定できる。したがって、診断対象者又はその関係者は、リスク値、バイオマーカデータ又は診断データの増減の傾向を確認して、自分がうつ病になりそうか又は改善しているかなどを確認できる。
なお、本実施形態では一次結合を説明したが、二次以上の多項式で回帰して係数を求めてもよい。
<<機械学習による推定>>
また、機械学習によって相関関係を求めてもよい。図５は機械学習のモデルの一例であるニューラルネットワークの構成例を示す。図５（ａ）はライフログデータからバイオマーカデータを出力するニューラルネットワークである。入力層５０１にはうつ病患者又は健常者のライフログデータ（Ｌ１〜Ｌ２０）が入力され、出力層５０３からはうつ病患者又は健常者のバイオマーカデータ（Ｂ１〜Ｂ１５）が出力される。このため、図５（ａ）では入力層のノードの数がライフログデータの種別の数であり、出力層のノードの数がバイオマーカデータの種別の数である。中間層の数は１であるが、中間層の数は適宜設計される。
図５（ｂ）はバイオマーカデータから診断データを出力するニューラルネットワークである。入力層５０１にはうつ病患者又は健常者のバイオマーカデータ（Ｂ１〜Ｂ１５）が入力され、出力層５０３からはうつ病患者又は健常者の診断データ（Ｄ１〜３４）が出力される。このため、図５（ｂ）では入力層のノードの数がバイオマーカデータの種別の数であり、出力層のノードの数が診断データの診断種別の数である。中間層の数は１であるが、中間層の数は適宜設計される。
図５（ａ）（ｂ）では、各層を左（入力層）から順番に番号で識別して説明する。入力層が第１層、中間層が第２層、出力層が第３層である。なお、図５（ａ）と（ｂ）で中間層の数を同じにする必要はない。また、中間層（第２層）のノードの数を同数にする必要もない。
以下では、ニューラルネットワークの入力層から出力層までの情報の伝達を説明する。まず、入力層の各ノードにはライフログデータ（Ｌ１〜Ｌ２０）が入力される。ニューラルネットワークにおける第１層の上からi番目(iは1以上n以下の整数)のノードへの入力は、ライフログデータＬｉと重みＷ1iの線形結合で表される。ここでＸ1iは第１層のｉ番目のノードへの入力値であり、Ｗ1iは第１層のｉ番目のノードの重みである。
Ｘ1i＝ΣＷ1i・Ｌi
また、第１層のi番目(iは１以上n以下の整数)のノードの出力Ｚ1iは活性化関数ｆ（Ｘ）を用いて以下のように表すことができる。
Ｚ1i＝ｆ（Ｘ1i）
活性化関数は非線形関数であり、入力に対して非線形な演算結果を出力する。活性化関数としてはシグモイド関数が知られている。シグモイド関数では、入力値の絶対値が大きい場合でも出力が０から１の間に収まるという特徴がある。シグモイド関数がｘ＝０付近で０から１に変化する傾きは自然対数ｅの指数により調整できる。なお、活性化関数としてtanh関数（出力は−１〜＋１）が使用されてもよい。
第２層への入力と出力も第１層と同様に線形結合を用いて算出される。
Ｘ2i＝ΣＷ2i・Ｚ1i
Ｚ2i＝ｆ（Ｘ2i）
Ｘ2iは第２層のｉ番目のノードへの入力値であり、Ｗ2iは第２層のi番目のノードの重みである。Ｚ2iは第２層のｉ番目のノードへの出力値である。第３層の出力も同様に算出される。第３層の各ノードからバイオマーカデータ（Ｂ１〜Ｂ１５）の推定値が出力される。
機械学習ではまず学習フェーズで重みＷjiが学習される。ｊは層の番号、iはノードの番号である。第３層の出力値はうつ病患者又は健常者のバイオマーカデータと比較される。出力値と比較されるバイオマーカデータを教師信号という。うつ病患者又は健常者のバイオマーカデータはニューラルネットワークで求められた値でなく測定値なので、ニューラルネットワークで算出される値と測定値とが同程度になることが好ましい。また、ライフログデータとバイオマーカデータとの間に何らかの関係や相関がある場合、ライフログデータからバイオマーカデータが得られるはずである。また、ニューラルネットワークは入力に応じた値を出力する任意の関数を近似できることが知られているため、ライフログデータとバイオマーカデータの間の相関を表すことができる。
したがって、第３層の出力がバイオマーカデータに近づくようにニューラルネットワークが学習することで、ライフログデータからバイオマーカデータが得られる。
ニューラルネットワークの学習とは重みＷjiを更新することを言う。具体的には、第３層の出力と教師信号の差を誤差として、誤差逆伝播法と言われる手法で入力層から出力層に至るまでの重みを修正する。誤差逆伝播法については定式化されているため省略する。図５（ａ）で学習が済んだニューラルネットワークと重みＷjiは相関関係データ６００１に相当する。
いくつかの教師信号で重みを更新したり、重みが変化しなくなったりすると学習フェーズが終了する。この状態で、診断対象者のライフログデータがニューラルネットワークに入力されると、診断対象者のバイオマーカデータの推定値が出力される。
図５（ｂ）のニューラルネットワークの学習も同様に行われる。うつ病患者又は健常者のバイオマーカデータと診断データの間に何らかの関係や相関がある場合、バイオマーカデータから診断データが得られる。入力層の各ノードにはバイオマーカデータ（Ｂ１〜Ｂ１５）が入力され、第３層の各ノードから診断データ（Ｄ１〜Ｄ３４）の推定値が出力される。
図５（ｂ）で学習が済んだニューラルネットワークと重みＷjiは相関関係データ６００１に相当する。したがって、うつ病患者又は健常者のバイオマーカデータからうつ病患者又は健常者の診断データが出力されるようにニューラルネットワークが学習することで、図５（ａ）で算出されたバイオマーカデータの推定値から診断データの推定値が得られる。
なお、機械学習には、ニューラルネットワークの他、サポートベクターマシンや多クラス分類法などがある。
＜動作手順＞
以下では、診断システム１００が行う各動作について説明する。
<<診断データの登録>>
図６は、診断サービス提供者が診断データを登録する手順を示すフローチャート図の一例である。
診断サービス提供者は、診断データ管理端末１０を操作して、診断ごとに診断データを入力する。診断データ管理端末１０の操作受付部２２は診断サービス提供者による診断データの入力を受け付ける（Ｓ１）。すなわち、診断ＩＤ、被験者ＩＤ、診断時刻、診断種別ごとの診断結果を入力する。
診断データが入力され診断サービス提供者が登録するための操作を行うと、操作受付部２２が操作を受け付け、登録要求部２４が診断データをデータベース管理装置３０に送信する（Ｓ２）。データベース管理装置３０の診断データ管理部３２は診断データを診断データベース３００１に登録する。このようにして、うつ病患者、健常者及び診断対象者の診断データが登録される。
<<診断データの更新>>
図７は、診断データが更新された旨を診断サービス提供者がデータベース管理装置３０に通知する手順を示すフローチャート図の一例である。
診断サービス提供者は、診断データ管理端末１０を操作して、診断データが更新された旨を入力する。診断データ管理端末１０の操作受付部２２は診断サービス提供者による更新の旨の入力を受け付ける（Ｓ３）。受付に際しては、更新された診断データに関する診断ＩＤ、被験者ＩＤ、診断時刻、診断種別ごとの診断結果が入力される。
登録要求部２４は、更新された診断データによってデータベース管理装置３０の診断データを更新する要求をデータベース管理装置３０に送信する（Ｓ４）。データベース管理装置３０の送受信部３１は更新要求を受信して、診断データベース３００１を更新する。
また、データベース管理装置３０の送受信部３１は更新要求を受信すると、診断データ管理部３２が診断対象者データベース３００４を検索する（Ｓ５）。そして、検索された診断対象者の連絡先に対して、診断データが更新された旨を通知する。
診断データが更新されたことの通知を受けた、診断対象者又はその関係者は、リスク値算出端末５０を操作して、うつ病のリスク値を再度、推定できる。このように、本実施形態の診断システム１００は診断基準の改定に対応できる。
また、診断データの更新に対し、以下のように自動的にリスク値を算出してもよい。
データベース管理装置３０の送受信部３１は更新要求を受信すると、リスク値算出装置６０に相関関係データ６００１の算出を要求する（Ｓ５−２）。医師等は新たな診断基準でうつ病患者及び健常者の診断を行っており、医師による診断データが得られている。
相関関係データ６００１が作成されると、データベース管理装置３０の送受信部３１はリスク値算出装置６０にリスク値の算出を要求する（Ｓ５−３）。算出の要求には診断対象者の被験者ＩＤが含まれる。
リスク値算出装置６０のリスク値算出部６３は、被験者ＩＤで指定される診断対象者ＩＤを履歴管理装置４０に要求して、履歴管理装置４０から取得した診断対象者のライフログデータを変更後の相関関係データ６００１に適用しリスク値を算出する（Ｓ５−４）。また、このリスク値をメールなどで診断対象者に送信する。
このように、診断データが更新されるのは、うつ病の診断基準が改定されるためである。うつ病の診断基準が改訂されると、診断データの更新が必要となる場合がある。例えば、ＤＳＭ−ＩＶでは、文化的状況による疾病の一種である死別反応とみなされる場合、それが除外基準になる。一方、ＤＭＳ−５では、この除外基準が削除されている。つまり、ＤＳＭ−ＩＶからＤＳＭ−５への改訂により、診断結果の変更が必要となる。
したがって、本実施形態によれば、診断データ（診断結果）の更新により、診断対象者の過去のライフログデータでリスク値を算出し直すことができるので、最新の診断基準に基づくリスク値を算出できる。
<<バイオマーカデータの登録>>
図８は、診断サービス提供者がバイオマーカデータを登録する手順を示すフローチャート図の一例である。
診断サービス提供者は、バイオマーカデータ登録端末１１を操作して、診断ごとにバイオマーカデータを入力する。バイオマーカデータ登録端末１１の操作受付部２２は診断サービス提供者によるバイオマーカデータの入力を受け付ける（Ｓ６）。すなわち、診断ＩＤ、被験者ＩＤ、測定時刻、バイオマーカ種別ごとの測定値を入力する。
バイオマーカデータが入力され診断サービス提供者が登録するための操作を行うと、操作受付部２２が操作を受け付け、登録要求部２４がバイオマーカデータをデータベース管理装置３０に送信する（Ｓ７）。データベース管理装置３０のバイオマーカデータ管理部３３はバイオマーカデータをバイオマーカデータベース３００２に登録する。このようにして、うつ病患者及び健常者のバイオマーカデータが登録される。
<<ライフログデータの登録>>
図９は、診断サービス提供者がライフログデータを登録する手順を示すフローチャート図の一例である。
診断サービス提供者は、ライフログデータ登録端末１２を操作して、診断ごとにライフログデータを入力する。ライフログデータ登録端末１２の操作受付部２２は診断サービス提供者によるライフログデータの入力を受け付ける（Ｓ８）。すなわち、診断ＩＤ、被験者ＩＤ、測定時刻、ライフログ種別ごとの測定値を入力する。
ライフログデータが入力され診断サービス提供者が登録するための操作を行うと、操作受付部２２が操作を受け付け、登録要求部２４がライフログをデータベース管理装置３０に送信する（Ｓ９）。データベース管理装置３０のライフログ管理部はライフログデータをライフログデータベース３００３に登録する。このようにして、うつ病患者、健常者及び診断対象者のライフログデータが登録される。
<<診断対象者の登録>>
図１０は、診断サービス提供者が診断対象者を登録する手順を示すフローチャート図の一例である。
診断サービス提供者は、診断対象者登録端末１３を操作して、診断対象者データを入力する。診断対象者登録端末１３の操作受付部２２は診断サービス提供者による診断対象者データの入力を受け付ける（Ｓ１０）。すなわち、診断対象者ＩＤ、連絡先を入力する。
診断対象者データが入力され診断サービス提供者が登録するための操作を行うと、操作受付部２２が操作を受け付け、登録要求部２４が診断対象者データをデータベース管理装置３０に送信する（Ｓ１１）。データベース管理装置３０の診断対象者データ管理部３５は診断対象者データを診断対象者データベース３００４に登録する。このようにして、診断対象者データが登録される。
<<推奨情報の登録>>
図１１は、診断サービス提供者が推奨情報を登録する手順を示すフローチャート図の一例である。
診断サービス提供者は、推奨情報登録端末１４を操作して、推奨情報を入力する。推奨情報登録端末１４の操作受付部２２は診断サービス提供者による推奨情報の入力を受け付ける（Ｓ１２）。すなわち、推奨情報を入力する。
推奨情報が入力され診断サービス提供者が登録するための操作を行うと、操作受付部２２が操作を受け付け、登録要求部２４が推奨情報をデータベース管理装置３０に送信する（Ｓ１３）。データベース管理装置３０の推奨情報データ管理部３６は推奨情報を推奨情報データベース３００５に登録する。このようにして、推奨情報が登録される。
<<データ操作>>
図１２は、データベース管理装置３０がデータ操作を行う手順を示すフローチャート図の一例である。データベース管理装置３０は端末からの要求に応じてデータベースへのデータの登録、検索及び提供等を行う。
データベース管理装置３０の診断データ管理部３２、バイオマーカデータ管理部３３、ライフログデータ管理部３４、診断対象者データ管理部３５、及び推奨情報データ管理部３６は、診断データ管理端末１０、バイオマーカデータ登録端末１１、ライフログデータ登録端末１２、診断対象者登録端末１３、推奨情報登録端末１４、及び、リスク値算出端末５０からデータ操作要求を受信する（Ｓ１４）。要求の際は、要求種別と要求データが指定される。
データベース管理装置３０は要求種別を判断する（Ｓ１５）。例えば、登録、検索、更新などがある。
データベース管理装置３０は要求種別に応じたデータ操作を行う（Ｓ１６）。
<<リスク値の算出>>
図１３（ａ）は、リスク値算出装置６０がリスク値を算出する手順を示すフローチャート図の一例であり、図１３（ｂ）は診断システム１００の全体的な動作を示すシーケンス図の一例である。実質的な内容は同じであるが、ここではシーケンス図に基づいて説明する。
S17：診断対象者又はその関係者はリスク値算出端末５０を操作してリスク値を算出させる操作を行う。リスク値算出端末５０の操作受付部５２はリスク値算出の要求を受け付ける。受付に際して、診断対象者又はその関係者はライフログデータを入力する。入力されたライフログデータのうち、任意の診断対象者ＩＤが指定されてもよいし、期間が指定されてもよい。
S18：リスク値算出端末５０は指定されたライフログデータと診断対象者ＩＤを履歴データベース４００１に登録するよう履歴管理装置４０に要求する（Ｓ１８）。履歴管理装置４０は指定されたライフログデータをデータベース管理装置３０から取得して履歴データベース４００１に登録する。
S19-1：履歴管理装置４０の送受信部４１がリスク値の算出要求と共にライフログデータと診断対象者ＩＤをリスク値算出装置６０に送信する。
S19-2：リスク値算出装置６０の送受信部６１はライフログデータと診断対象者ＩＤをデータベース管理装置３０から受信し、リスク値算出部６３がライフログデータに相関関係データ６００１を適用して、ライフログデータからバイオマーカデータの推定値を算出する。
S20：次に、リスク値算出部６３は、バイオマーカデータの推定値に相関関係データ６００１を適用して診断データの推定値を算出する。なお、図１（ｂ）の推定方法では、ライフログデータから診断データが推定される。
S21-1：リスク値算出装置６０の送受信部５１は算出したバイオマーカデータの推定値、及び、診断データの推定値をリスク値算出端末５０へ送信する。
S21-2：リスク値算出端末５０の送受信部５１はバイオマーカデータの推定値、及び、診断データの推定値を受信し、表示制御部５３がそれらの推定値をディスプレイ３１０に表示する。
このように、バイオマーカデータが推定されるので、診断対象者又はその関係者は定量的かつ客観的な指標を把握できる。また、診断データの推定値が得られるので、医師などが診断基準に基づいて判断する診断データが得られる。したがって、ライフログという日常的に得られる情報で、医師の診断基準に基づいてうつ病の早期診断が可能になる。
S22-1：次に、推奨情報要求部５５は、データベース管理装置３０に、指定されたライフログデータ、バイオマーカデータの推定値、及び診断データの推定値に対応付けられた推奨情報を要求する。
S22-2：データベース管理装置３０の推奨情報データ管理部３６は推奨情報データベース３００５から該当する推奨情報を検索し、検索結果の推奨情報をリスク値算出端末５０に送信する。
S22-3：リスク値算出端末５０の表示制御部５３は推奨情報をディスプレイ３１０に表示する。
なお、推奨情報データベース３００５に推奨情報としてＵＲＬ（Uniform Resource Locator）が登録されていてもよい。診断対象者又はその関係者はＵＲＬをクリックすることで、リスク値算出端末５０はＵＲＬが指定するＥＣ（Electronic Commerce）サイトにアクセスする。したがって、リスク値の改善に効果的なＥＣサイトの食品を購入しやすくなる。また、ＥＣサイトでなくリスク値の改善に効果的な情報を提供するＷｅｂサイトのＵＲＬでもよい。
また、アフィリエイトの仕組みを利用することも有効である。リスク値算出装置６０は推奨情報を送信するＨＴＭＬなどで記述された画面情報にアフィリエイト用のスペースを設けておく。リスク値算出端末５０は予め登録されているＡＳＰ（アフィリエイトサービスプロバイダー）にアクセスして、推奨情報に適した広告主の広告情報をアフィリエイト用のスペースに表示させる。診断対象者がこのスペースをクリックすると、広告主のＵＲＬにリスク値算出端末５０がアクセスする。アクセス時、リスク値算出装置６０を特定する情報（例えばＡＳＰの会員ＩＤなど）が広告主に通知される。広告主のＷｅｂサイトで診断対象者が商品を購入するとＡＳＰに、リスク値算出装置６０を特定する情報と成果データ（何を何個購入したか等）が通知される。この結果、ＡＳＰからリスク値算出装置６０（すなわち、診断システム１００）に成果報酬が支払われる。
このように、推奨情報とＥＣサイト等をリンクさせることで、診断システム１００の運営コストを低減できる。
<<履歴の登録>>
図１４は、履歴管理装置４０が履歴を登録する手順を示すフローチャート図の一例である。
履歴管理装置４０はリスク値算出端末５０から履歴登録要求を受け付ける（Ｓ２３）。すなわち、リスク値が算出されたライフログデータに関する、リスク値算出時刻、診断対象者ＩＤ、ライフログ種別、測定時刻、及び、測定値が送信される。
履歴管理装置４０の送受信部４１は履歴登録要求を受信し、履歴データ管理部４４はこれらのデータを履歴データベース４００１に登録する（Ｓ２４）。
<<リスク値の時系列表示>>
図１５は、リスク値算出端末５０がリスク値を時系列に算出する手順を示すフローチャート図の一例であり、図１５（ｂ）は診断システム１００の全体的な動作を示すシーケンス図の一例である。実質的な内容は同じであるが、ここではシーケンス図に基づいて説明する。
S25：診断対象者又はその関係者はリスク値算出端末５０を操作して時系列リスク値を算出させる操作を行う。リスク値算出端末５０の操作受付部５２はこの操作を受け付ける（Ｓ２５）。
S26-1：次に、診断対象者又はその関係者は診断対象者ＩＤを指定してライフログデータを検索する操作を行う。リスク値算出端末５０の操作受付部５２は診断対象者ＩＤと検索要求を受け付ける。リスク値算出端末５０の送受信部５１は診断対象者ＩＤに対応付けられたライフログデータの履歴の検索を履歴管理装置４０に要求する。
S26-2：履歴管理装置４０の送受信部４１は検索要求を受信して、履歴データ管理部４４が診断対象者ＩＤに対応付けられたライフログデータを検索し、リスク値算出時刻と共にリスク値算出装置６０に送信する。
S27-1：リスク値算出端末５０の送受信部５１は、ライフログデータとリスク値算出時刻を受信し、リスク値算出装置６０にライフログデータとリスク値算出時刻を送信する。なお、履歴管理装置４０がリスク値算出装置６０に直接、ライフログデータとリスク値算出時刻を送信してもよい。
S27-2：リスク値算出装置６０の送受信部６１はライフログデータとリスク値算出時刻を受信し、リスク値算出部６３がリスク値算出時刻ごとのライフログデータに相関関係データ６００１を適用する。これにより、リスク値算出時刻ごとに、ライフログデータからバイオマーカデータの推定値、及び、診断データの推定値を算出する。
S28-1：リスク値算出装置６０の送受信部６１は、リスク値算出時刻ごとに、算出したバイオマーカデータの推定値、及び、診断データの推定値をリスク値算出端末５０に送信する。
S28-2：リスク値算出端末５０の送受信部５１はこれらを受信し、表示制御部５３がリスク値算出時刻ごとにバイオマーカデータの推定値、及び、診断データの推定値をディスプレイ３１０に表示する。
S29-1：また、リスク値算出端末５０の送受信部５１は、ライフログデータ、バイオマーカデータの推定値、及び、診断データの推定値に関連する推奨情報を、データベース管理装置３０に要求する。
S29-2：データベース管理装置３０の推奨情報データ管理部３６はライフログデータ、バイオマーカデータの推定値、及び、診断データの推定値に対応する推奨情報をリスク値算出端末５０に送信する。
S29-3：リスク値算出端末５０の表示制御部５３はデータベース管理装置３０から送信された推奨情報をディスプレイ３１０に表示する。
図１６は、リスク値算出端末５０のディスプレイ３１０に表示されたリスク値画面６０１の一例を示す図の一例である。図１６では、月ごとのリスク値が散布図として示されている。Ｘ軸の日時はリスク値算出時刻に相当する。このように、診断対象者又はその関係者は、過去のライフログデータを使ってリスク値を算出し、時系列に表示できるので、リスク値の傾向を把握しやすい。
また、図１６のリスク値画面６０１には、リスク値ボタン６０２、バイオマーカボタン６０３、及び、診断データボタン６０４を有する。リスク値ボタン６０２は図１６に示すようにリスク値を表示させるためのボタンであり、バイオマーカボタン６０３は、バイオマーカの推定値を表示させるためのボタンであり、診断データボタン６０４は診断データの推定値を表示させるためのボタンである。診断対象者又はその関係者は、バイオマーカの推定値及び診断データの推定値を時系列に表示させることができる。また、散布図ではなく、バイオマーカの推定値及び診断データの推定値の数値を表示させることもできる。
＜２つの診断データの推定値の比較＞
図１（ａ）と図１（ｂ）の２つの診断データの推定方法があると説明したが、この両方で診断データを推定することも有効である。この場合、どちらの方法でも診断データが得られるので、相関関係推定部６２は２つの診断データの推定値を比較することができる。したがって、２つの診断データの推定値がほぼ同じなら診断データの信頼性が高いことだけでなく、バイオマーカデータの推定値の信頼性が高いことも確認できる。
図１７は、推定された２つの診断データを用いた相関関係データの算出方法を説明するフローチャート図の一例である。図１７の手順は、例えば、相関関係データが算出されるタイミングで実行される。
まず、相関関係データが生成されると、相関関係推定部６２は任意の診断対象者のライフログデータをいくつか用いて２つの推定方法で診断データを推定する（Ｓ３０）。
相関関係推定部６２は２つの診断データが同じと見なせるかどうかを判断する（Ｓ３１）。ステップＳ４０の判断がＹｅｓの場合、ステップＳ３０で用いた相関関係データの信頼性が高いので、相関関係推定部６２はこの相関関係データを採用する。
ステップＳ４０の判断がＮｏの場合、相関関係推定部６２は、ライフログデータとバイオマーカデータの種別を１つずつ減らして相関関係データを算出する（Ｓ３２）。
次に、相関関係推定部６２は任意の診断対象者のライフログデータをいくつか用いて２つの推定方法で診断データを推定する（Ｓ３３）。この後、処理はステップＳ３１に戻るので、ライフログデータとバイオマーカデータの種別が１つずつ減っていき、信頼性が高い相関関係データが得られる。
なお、減らされるライフログデータとバイオマーカデータの種別は予め定まっている。あるいは、任意の１つを減らしてみて２つの診断データを比較し、２つの診断データが最も近くなる種別を減らしてもよい。
したがって、信頼性が高いバイオマーカデータの推定値及び診断データの推定値が得られやすくなる。
＜まとめ＞
以上説明したように、本実施形態の診断システム１００は、診断対象者のライフログデータから診断対象者のバイオマーカデータ及び診断対象者の診断データを推定できる。したがって、診断対象者が医療機関に赴くことなく医師の診断結果が推定されるため、早期診断が可能になる。また、バイオマーカデータという客観的かつ定量的な指標が推定されるため、主観による診断の弊害を抑制でき、診断対象者又はその関係者はバイオマーカデータを確認してこれを良化させようと生活行動を改めるので、生活行動を改善する指標（動機）を提供できる。
＜その他の適用例＞
以上、本発明を実施するための最良の形態について実施例を用いて説明したが、本発明はこうした実施例に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。
例えば、バイオマーカデータや診断データは、表示される他、印刷されてもよく、出力形態は表示に限られない。
また、図４などの構成例は、端末及び装置の処理の理解を容易にするために、主な機能に応じて分割したものである。処理単位の分割の仕方や名称によって本願発明が制限されることはない。また、端末及び装置の処理は、処理内容に応じて更に多くの処理単位に分割することもできる。また、１つの処理単位が更に多くの処理を含むように分割することもできる。
また、端末及び装置が一台の装置か複数台に分散されているかは適宜、構成される。例えば、全ての端末及び装置が一台の装置として実現されてもよい。また、リスク値算出端末５０がリスク値算出部６３と相関関係データ６００１を有していてもよい。この他、図２や４の構成のうち任意の１つの端末及び装置が統合されてもよいし、一方の端末及び装置の機能を他方の端末及び装置が有していてもよい。
また、データベース管理装置３０が有するデータベースは、診断システム１００がアクセスできる場所にあればよく、データベース管理装置３０が有していなくてもよい。
なお、リスク値算出部６３は推定手段の一例であり、表示制御部２３は出力手段の一例であり、相関関係推定部６２は相関関係算出手段の一例であり、表示制御部２３は出力手段の一例であり、ライフログデータベース３００３は生活行動データベースの一例である。送受信部６１は生活行動データ取得手段の一例であり、ＬtoＢの相関関係は第一の相関関係データの一例であり、ＢtoＤの相関関係は第二の相関関係データの一例であり、ＬtoＤの相関関係は第三の相関関係データの一例である。また、うつ病患者又は健常者のライフログデータは既診断者生活行動データの一例である。
１０ 診断データ管理端末
１１ バイオマーカデータ登録端末
１２ ライフログデータ登録端末
１３ 診断対象者登録端末
１４ 推奨情報登録端末
３０ データベース管理装置
４０ 履歴管理装置
５０ リスク値算出端末
６０ リスク値算出装置
１００ 診断システム
特開2012-221383号公報
高橋 三郎著、「ＤＳＭ−５診断面接ポケットマニュアル」、医学書院、2015年01月 山口 昌樹、"唾液マーカでストレスを測る"、［online］、［平成28年7月15日検索］、インターネット〈URL：http://www.banyu-zaidan.or.jp/banyu_oldsite/symp/about/info/pdf/3-2_066_070.pdf〉 Ｃ．Ｍ．ビショップ著、「パターン認識と機械学習」、丸善出版、2007年12月

Claims (10)

  1. 診断対象者の生活行動に関する生活行動データを取得する生活行動データ取得手段と、
    精神疾患に関する診断を受けた既診断者の生活行動データである既診断者生活行動データと前記診断に関する診断データとの相関関係を表す相関関係データに前記生活行動データを適用して、前記診断対象者の診断データを推定する推定手段と、
    を有する診断装置。
  2. 前記相関関係データは、前記既診断者生活行動データと前記既診断者の身体情報の測定値との第一の相関関係データ、及び、前記既診断者の身体情報の測定値と前記診断に関する診断データとの第二の相関関係データを有し、
    前記推定手段は、前記第一の相関関係データに前記生活行動データを適用して前記診断対象者の前記身体情報の推定値を推定し、前記第二の相関関係データに推定した前記身体情報の推定値を適用して、前記診断対象者の診断データを推定する請求項１に記載の診断装置。
  3. 前記相関関係データは、前記既診断者生活行動データと前記既診断者の身体情報の測定値との第一の相関関係データ、及び、前記既診断者生活行動データと前記既診断者の前記診断に関する診断データとの第三の相関関係データを有し、
    前記推定手段は、前記第一の相関関係データに前記生活行動データを適用して、前記診断対象者の前記身体情報の推定値を推定し、前記第三の相関関係データに前記生活行動データを適用して前記診断対象者の診断データを推定する請求項１に記載の診断装置。
  4. 前記生活行動データ、前記身体情報、又は、前記診断データに、推奨される行動を含む推奨情報が対応付けられた推奨情報データベースを参照し、前記診断対象者の生活行動データ、推定された前記身体情報の推定値、又は、推定された前記診断データに対応付けられている前記推奨情報を出力する出力手段を有する請求項２又は３に記載の診断装置。
  5. 前記既診断者生活行動データと前記診断に関する診断データとの前記相関関係データを算出する相関関係算出手段を有し、
    前記診断に使用される診断基準が変更された場合、前記相関関係算出手段は、前記既診断者生活行動データと変更後の診断基準に基づく前記診断データとの前記相関関係データを算出する請求項１〜４のいずれか１項に記載の診断装置。
  6. 前記診断に使用される診断基準が変わった場合、前記推定手段は、前記診断データの推定に用いられた前記診断対象者の前記生活行動データを記憶しておく生活行動データベースを参照し、前記診断基準が変更された後に作成された前記相関関係データを用いて前記診断データを推定する請求項５に記載の診断装置。
  7. 前記推定手段は、前記診断データの推定に用いられた前記診断対象者の過去の生活行動データを記憶しておく生活行動データベースを参照し、
    前記診断対象者の過去の生活行動データを前記相関関係データに適用して前記診断データを推定し、前記出力手段は、前記診断対象者の診断データを時系列に表示装置に表示する請求項４に記載の診断装置。
  8. 前記相関関係データは、前記既診断者生活行動データと前記既診断者の身体情報の測定値との第一の相関関係データ、前記既診断者の身体情報の測定値と前記診断に関する診断データとの第二の相関関係データ、及び、前記既診断者生活行動データと前記既診断者の前記診断に関する診断データとの第三の相関関係データを有し、
    前記推定手段は、前記第一の相関関係データに前記生活行動データを適用して前記診断対象者の前記身体情報の推定値を推定し、前記第二の相関関係データに推定した前記身体情報の推定値を適用して、前記診断対象者の診断データを推定し、
    更に、前記第三の相関関係データに前記生活行動データを適用して前記診断対象者の診断データを推定し、
    ２つの診断データが等しいと見なせない場合、前記相関関係算出手段は、前記既診断者生活行動データ及び前記既診断者の身体情報の種別を減らして、第一の相関関係データ、第二の相関関係データ及び第三の相関関係データを再度、算出する請求項５に記載の診断装置。
  9. 診断装置が行う診断方法であって、
    生活行動データ取得手段が、診断対象者の生活行動に関する生活行動データを取得するステップと、
    推定手段が、精神疾患に関する診断を受けた既診断者の生活行動データである既診断者生活行動データと前記診断に関する診断データとの相関関係を表す相関関係データに前記生活行動データを適用して、前記診断対象者の診断データを推定するステップと、
    出力手段が、前記推定手段が推定した前記診断対象者の診断データを出力するステップと、を有する診断方法。
  10. 情報処理装置を、
    診断対象者の生活行動に関する生活行動データを取得する生活行動データ取得手段と、
    精神疾患に関する診断を受けた既診断者の生活行動データである既診断者生活行動データと前記診断に関する診断データとの相関関係を表す相関関係データに前記生活行動データを適用して、前記診断対象者の診断データを推定する推定手段、
    として機能させるためのプログラム。
JP2016148873A 2016-07-28 2016-07-28 診断装置、診断方法、プログラム Pending JP2018015327A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2016148873A JP2018015327A (ja) 2016-07-28 2016-07-28 診断装置、診断方法、プログラム
US15/650,426 US20180032674A1 (en) 2016-07-28 2017-07-14 Diagnostic system, diagnostic method, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016148873A JP2018015327A (ja) 2016-07-28 2016-07-28 診断装置、診断方法、プログラム

Publications (1)

Publication Number Publication Date
JP2018015327A true JP2018015327A (ja) 2018-02-01

Family

ID=61010134

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016148873A Pending JP2018015327A (ja) 2016-07-28 2016-07-28 診断装置、診断方法、プログラム

Country Status (2)

Country Link
US (1) US20180032674A1 (ja)
JP (1) JP2018015327A (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6427286B1 (ja) * 2018-04-05 2018-11-21 チェスト株式会社 データ分析予測装置およびデータ分析予測プログラム
KR20200031265A (ko) * 2018-09-14 2020-03-24 한국과학기술원 우울증 조기 진단 방법 및 장치
WO2020122227A1 (ja) * 2018-12-14 2020-06-18 学校法人慶應義塾 うつ状態を推定する装置、方法及びそのためのプログラム
JP2021523441A (ja) * 2018-05-01 2021-09-02 ブラックソーン セラピューティクス インコーポレイテッド 機械学習ベースの診断分類器

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10172022B1 (en) * 2017-06-29 2019-01-01 Pearson Education, Inc. Diagnostic analyzer for content receiver using wireless execution device

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004030538A1 (en) * 2002-10-04 2004-04-15 Qbtech Ab Detection of psychological disorder activity patterns
JP2008520311A (ja) * 2004-11-23 2008-06-19 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 鬱病検出装置
JP2013246459A (ja) * 2012-05-23 2013-12-09 Sharp Corp 認知症問診支援装置
US20140304200A1 (en) * 2011-10-24 2014-10-09 President And Fellows Of Harvard College Enhancing diagnosis of disorder through artificial intelligence and mobile health technologies without compromising accuracy
US20150148621A1 (en) * 2013-11-22 2015-05-28 Grant Joseph Sier Methods and systems for creating a preventative care plan in mental illness treatment
JP2015529359A (ja) * 2012-08-16 2015-10-05 ジンジャー.アイオー, インコーポレイテッドGinger.Io, Inc. 挙動及び健康変化をモデリングする方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6622036B1 (en) * 2000-02-09 2003-09-16 Cns Response Method for classifying and treating physiologic brain imbalances using quantitative EEG
US9101279B2 (en) * 2006-02-15 2015-08-11 Virtual Video Reality By Ritchey, Llc Mobile user borne brain activity data and surrounding environment data correlation system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004030538A1 (en) * 2002-10-04 2004-04-15 Qbtech Ab Detection of psychological disorder activity patterns
JP2008520311A (ja) * 2004-11-23 2008-06-19 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 鬱病検出装置
US20140304200A1 (en) * 2011-10-24 2014-10-09 President And Fellows Of Harvard College Enhancing diagnosis of disorder through artificial intelligence and mobile health technologies without compromising accuracy
JP2013246459A (ja) * 2012-05-23 2013-12-09 Sharp Corp 認知症問診支援装置
JP2015529359A (ja) * 2012-08-16 2015-10-05 ジンジャー.アイオー, インコーポレイテッドGinger.Io, Inc. 挙動及び健康変化をモデリングする方法
US20150148621A1 (en) * 2013-11-22 2015-05-28 Grant Joseph Sier Methods and systems for creating a preventative care plan in mental illness treatment

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6427286B1 (ja) * 2018-04-05 2018-11-21 チェスト株式会社 データ分析予測装置およびデータ分析予測プログラム
WO2019194294A1 (ja) * 2018-04-05 2019-10-10 チェスト株式会社 Ｃｐａｐ管理システムおよび複数のｃｐａｐ装置を管理する管理方法
JP2019185259A (ja) * 2018-04-05 2019-10-24 チェスト株式会社 データ分析予測装置およびデータ分析予測プログラム
JP2021523441A (ja) * 2018-05-01 2021-09-02 ブラックソーン セラピューティクス インコーポレイテッド 機械学習ベースの診断分類器
JP7165207B2 (ja) 2018-05-01 2022-11-02 ブラックソーン セラピューティクス インコーポレイテッド 機械学習ベースの診断分類器
US11715564B2 (en) 2018-05-01 2023-08-01 Neumora Therapeutics, Inc. Machine learning-based diagnostic classifier
US12002590B2 (en) 2018-05-01 2024-06-04 Neumora Therapeutics, Inc. Machine learning-based diagnostic classifier
KR20200031265A (ko) * 2018-09-14 2020-03-24 한국과학기술원 우울증 조기 진단 방법 및 장치
KR102245353B1 (ko) * 2018-09-14 2021-04-28 한국과학기술원 우울증 조기 진단 방법 및 장치
WO2020122227A1 (ja) * 2018-12-14 2020-06-18 学校法人慶應義塾 うつ状態を推定する装置、方法及びそのためのプログラム
JP7502192B2 (ja) 2018-12-14 2024-06-18 慶應義塾 うつ状態を推定する装置、方法及びそのためのプログラム

Also Published As

Publication number Publication date
US20180032674A1 (en) 2018-02-01

Similar Documents

Publication Publication Date Title
Zimmerman et al. Health information seeking behaviour: a concept analysis
Alaiad et al. The determinants of m-health adoption in developing countries: an empirical investigation
Harless et al. Nurse staffing and quality of care with direct measurement of inpatient staffing
JP2018114232A (ja) 診断装置、プログラム及び診断システム
JP7011247B2 (ja) 労務管理システム、データ処理方法、および、労務管理プログラム
JP2018015327A (ja) 診断装置、診断方法、プログラム
KR101500673B1 (ko) 이동 통신 기기를 이용하는 건강 관리 시스템, 이동 통신 기기 및 건강 관리 방법
Bharatan et al. A methodology for mapping the patient journey for noncommunicable diseases in low-and middle-income countries
Weiler et al. Identification of factors that affect the adoption of an ergonomic intervention among Emergency Medical Service workers
CN110870023A (zh) 信息处理装置、信息处理方法和程序
KR20170067796A (ko) 단방향 및 양방향 데이터 흐름 시스템 및 방법
Dahri et al. Usability evaluation of mobile health application from AI perspective in rural areas of Pakistan
WO2022107750A1 (ja) プログラム、方法、情報処理装置、及びシステム
Martinez-Ortigosa et al. Applications of artificial intelligence in nursing care: a systematic review
Quinn et al. Association between US physician malpractice claims rates and hospital admission rates among patients with lower-risk syncope
JP7382741B2 (ja) 医療機関選定支援装置
McGee-Lennon et al. A flexible toolkit for evaluating person-centred digital health and wellness at scale
Lee et al. How do aging adults adopt and use a new technology? New approach to understand aging service technology adoption
Faruque et al. Feasibility of digital health services for educating the community people regarding lifestyle modification combating noncommunicable diseases
Facchiano et al. Evidence-based practice for the busy nurse practitioner: Part four: Putting it all together
JP2018120394A (ja) 診断装置、プログラム及び診断システム
Snyder et al. A website assessment tool for patient engagement: A verification
JP2021060930A (ja) 評価支援装置、評価支援方法及び評価支援プログラム
Jayakumar et al. Journal of the American Academy of Orthopaedic Surgeons patient-reported outcome measurements (PROMs) special issue: the value of PROMs in orthopaedic surgery
JP6604867B2 (ja) 検査結果管理装置、及び検査結果管理方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190522

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200325

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200407

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20201104