JP2018512659A - Prediction method of remaining life using biological age - Google Patents
Prediction method of remaining life using biological age Download PDFInfo
- Publication number
- JP2018512659A JP2018512659A JP2017546614A JP2017546614A JP2018512659A JP 2018512659 A JP2018512659 A JP 2018512659A JP 2017546614 A JP2017546614 A JP 2017546614A JP 2017546614 A JP2017546614 A JP 2017546614A JP 2018512659 A JP2018512659 A JP 2018512659A
- Authority
- JP
- Japan
- Prior art keywords
- age
- value
- result
- survival
- sample
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000004083 survival effect Effects 0.000 claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims description 53
- 238000012216 screening Methods 0.000 claims description 36
- 238000000513 principal component analysis Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 24
- 102000015779 HDL Lipoproteins Human genes 0.000 claims description 16
- 108010010234 HDL Lipoproteins Proteins 0.000 claims description 16
- 102000007330 LDL Lipoproteins Human genes 0.000 claims description 16
- 108010007622 LDL Lipoproteins Proteins 0.000 claims description 16
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 8
- 210000004369 blood Anatomy 0.000 claims description 8
- 239000008280 blood Substances 0.000 claims description 8
- 230000035487 diastolic blood pressure Effects 0.000 claims description 8
- 239000008103 glucose Substances 0.000 claims description 8
- 230000035488 systolic blood pressure Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000035485 pulse pressure Effects 0.000 claims description 7
- 108090000790 Enzymes Proteins 0.000 claims description 6
- 102000004190 Enzymes Human genes 0.000 claims description 6
- 210000004185 liver Anatomy 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 6
- 102000001554 Hemoglobins Human genes 0.000 claims description 5
- 108010054147 Hemoglobins Proteins 0.000 claims description 5
- 230000007935 neutral effect Effects 0.000 claims description 5
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 claims description 4
- 210000000577 adipose tissue Anatomy 0.000 claims description 4
- 210000003205 muscle Anatomy 0.000 claims description 4
- 238000012896 Statistical algorithm Methods 0.000 claims description 3
- 101000856500 Bacillus subtilis subsp. natto Glutathione hydrolase proenzyme Proteins 0.000 claims description 2
- 210000003743 erythrocyte Anatomy 0.000 claims description 2
- 238000004062 sedimentation Methods 0.000 claims description 2
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 claims 7
- 238000000691 measurement method Methods 0.000 claims 1
- 241000282414 Homo sapiens Species 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 3
- 201000007270 liver cancer Diseases 0.000 description 15
- 208000014018 liver neoplasm Diseases 0.000 description 15
- 102000009027 Albumins Human genes 0.000 description 3
- 108010088751 Albumins Proteins 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本発明は生体年齢と生存確率を利用して、ヒトの残余寿命を測定する方法に関するもので、さらに詳しくは健康検診の結果を反映する生体年齢測定アルゴリズムを通じて測定された生体年齢を利用した生存確率の測定方法及び上記方法で測定された生体年齢と生存確率を利用して残余寿命を測定する方法に関するものである。本発明によると、既存の生体年齢を考慮しない残余寿命方法より正確に残余寿命を予測することができる。The present invention relates to a method for measuring the remaining life expectancy of a human using a living body age and a survival probability, and more particularly, a survival probability using a living body age measured through a living body age measurement algorithm reflecting a result of a health examination. And a method for measuring the remaining life using the living body age and the survival probability measured by the above method. According to the present invention, the remaining life can be predicted more accurately than the remaining life method that does not take into account the existing biological age.
Description
本発明は生体年齢と生存確率を利用して、ヒトの残余寿命を測定する方法に関するもので、より詳しくは健康検診の結果を反映する生体年齢の測定アルゴリズムを通じて測定された生体年齢を利用した生存確率の予測方法及び上記方法で予測された生存確率を利用して残余寿命を予測する方法に関するものである。 The present invention relates to a method for measuring the remaining life expectancy of a human using living body age and survival probability. More specifically, the present invention relates to survival using living body age measured through a living body age measurement algorithm that reflects a result of a health examination. The present invention relates to a probability prediction method and a method of predicting a remaining life using a survival probability predicted by the above method.
最近、ヒトの疾病の原因に対する多くの研究が行われているにも関わらず大部分が興味本位の一回性の情報として扱われていて、疾病予防には何の効用のないのが事実で、これによる代表的な従来の技術は各医療分野別に疾病を予測して治療する技術があるところ、特許出願番号第２００３―００６７６５２号である肝臓癌の早期診断のための肝臓癌予測システム及びその制御方法に関する技術として、個人別に肝臓癌発生率の推定と肝臓癌発生の相対的危険（Ｒｅｌａｔｉｖｅ ｒｉｓｋ）を求めて、各個人別に求めた肝臓癌発生率と肝臓癌発生の相対的危険を通じて肝臓癌発生危険群に関する階層化の分類（Ｃｌａｓｓｉｆｙ）を遂行する肝臓癌早期診断のための肝臓癌予測システム及びその制御方法に関する技術であり、上記技術は患者の一般的な情報、超音波施行による情報、患者最初登録時所見と、肝臓癌診断時、所見に関する情報を含む臨床情報及び危険群情報をデータベースに貯蔵して、貯蔵された臨床情報と危険群情報を基盤に各危険要因に該当する寄与度の回帰係数を算出して肝臓癌発生の危険度を測定することによって、肝臓癌発生予測による個人別肝臓癌発生を予防することができて、各個人別に求めた肝臓癌発生率と肝臓癌発生の相対的危険を通じて肝臓癌発生危険群に関する階層化の分類を遂行することによって、あつらえ型の肝臓癌発生予測モデルの基盤を構築するなどの効果があり、患者の主治医は肝臓癌の予測結果を移動通信端末を通じて短文メッセージの形態で受信したり、電子メールを通じて受信することによって、患者の危険率を持続的にモニタリングすることができ、危険状況発生の時直ちに措置することができる効果がある技術に関するものがあった。 Despite many recent studies on the causes of human illnesses, most of them have been treated as interest-oriented, one-time information, and the fact is that they have no utility for disease prevention. As a representative conventional technique, there is a technique for predicting and treating diseases for each medical field. Patent application No. 2003-0067652 is a liver cancer prediction system for early diagnosis of liver cancer and its As a technique related to the control method, the estimation of liver cancer incidence by individual and the relative risk of liver cancer development (relative risk) are obtained. The present invention relates to a liver cancer prediction system for early diagnosis of liver cancer that performs stratification classification (Classify) related to the risk group, and a control method thereof. Clinical information and risk group information, including general information, ultrasound information, findings at the time of initial patient registration, and information on findings at the time of liver cancer diagnosis, are stored in a database. By calculating the regression coefficient of the contribution corresponding to each risk factor based on information and measuring the risk of liver cancer occurrence, it is possible to prevent individual liver cancer occurrence by predicting liver cancer occurrence, By performing stratified classification of liver cancer risk groups through the individual risk of liver cancer incidence and the relative risk of liver cancer occurrence, it is possible to build a foundation for a custom-made liver cancer incidence prediction model. Yes, the patient's attending physician continuously monitors the patient's risk rate by receiving the prediction results of liver cancer in the form of short messages via mobile communication terminals or via e-mail. There was a technology related to effective technology that can be monitored and can be taken immediately when a dangerous situation occurs.
上記のように従来の予測技術は医学的に特定疾病に対して予測して、予測された情報を基盤に治療する技術が大部分で、現在健康状態によってヒトの寿命がどのように変化されるかを測定することはできなかった。 As mentioned above, most of the conventional prediction technologies are medically predicting specific diseases and treating them based on the predicted information, and how human life expectancy changes depending on the current health condition. I couldn't measure it.
よって、本発明者らは健康検診から得られるデータを通じて測定した生体年齢と韓国人の寿命を調査した大規模のデータベースを利用して残余寿命の予測を遂行する場合、信頼性をもって残余寿命を予測することができることを確認して、本発明を完成するようになった。 Therefore, the present inventors predict the remaining life with reliability when performing prediction of the remaining life using a large-scale database in which the living age measured through the data obtained from the health examination and the life of Koreans is investigated. After confirming that this can be done, the present invention has been completed.
本発明の目的は健康検診から得られたデータを基盤に測定された生体年齢を利用した生存確率の測定方法を提供することにある。 An object of the present invention is to provide a method for measuring a survival probability using a living body age measured based on data obtained from a health examination.
本発明のまた他の目的は上記方法で測定された生体年齢と生存確率を利用して、残余寿命を測定する方法を提供することにある。 Another object of the present invention is to provide a method for measuring the remaining life using the living body age and the survival probability measured by the above method.
上記の目的を達成するために、本発明は健康検診結果を利用して測定された生体年齢と下記式（１）を利用した生存確率の予測方法を提供する：
上記式（１）で、ＳＯ（ｔ）は統計庁資料上の現在生存している時点からｔ年後の生存確率で、Ｄは生体年齢−出生年齢であり、
はＤの平均、ａはＤが生存確率に及ぼす影響力、（ｔ）は生体年齢を利用して補正計算されたｔ年後までの生存確率を示す。
In the above formula (1), SO (t) is the probability of survival after t years from the time of the current survival on the Statistics Agency document, D is the biological age-birth age,
Is the average of D, a is the influence of D on the survival probability, and (t) is the survival probability up to t years after the correction calculation using the living body age.
本発明はまた、ｘ軸を期待余命（ＥＲ），ｙ軸をＴ年後までの生存確率にして作成したグラプで、ｙ軸の被験者の生存確率値に対応するｘ軸の値を被験者の健康検診を受けた日から残った残余寿命にするものを特徴にする残余寿命の予測方法を提供する。 The present invention is also a graph created by setting the x-axis to the expected life expectancy (ER) and the y-axis to the survival probability until T years later, and the x-axis value corresponding to the survival probability value of the subject on the y-axis is the health of the subject. Provided is a method for predicting a remaining life, which is characterized by the remaining life remaining from the day of examination.
他の式で定義されない限り、本明細書で使用されたすべての技術的及び科学的用語は、本発明に属する技術分野で熟練された専門家によって通常的に理解されるものと同一の意味を有する。一般的に、本明細書で使用された命名法は本技術分野でよく知られていて通常的に使用されるものである。 Unless defined otherwise, all technical and scientific terms used herein have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Have. In general, the nomenclature used herein is well known and commonly used in the art.
本発明で「出生年齢（ＣＡ）」は生まれた日を基準にして健康検診を受けた日まで生存した年数をいい、「生体年齢（ＢＡ）」は健康検診項目を入力値にして統計アルゴリズムを適用後計算した個人の健康状態を反映した年齢をいう。 In the present invention, “birth age (CA)” refers to the number of years that have survived until the day of the health examination based on the day of birth, and “biological age (BA)” refers to the statistical algorithm using the health examination items as input values. The age that reflects the individual's health status calculated after application.
本発明で、「Ｔ年生存確率（ＳＰ）」は健康検診を受けた日を基準にして向後何年まで生存する確率をいい、「期待余命（ＥＲ）」は健康検診を受けた日を基準にして向後生存することができる年数をいい、「期待寿命（ＥＬ）」は健康検診を受けたときの出生年齢（ＣＡ）＋期待余命（ＥＲ）をいう。 In the present invention, “T-year survival probability (SP)” refers to the probability of survival up to several years later on the basis of the day on which the health examination was received, and “Expected life expectancy (ER)” is based on the day on which the health examination was received. The expected life expectancy (EL) is the age of birth (CA) + expected life expectancy (ER) at the time of a health examination.
本発明で、「期待余命までの生存確率グラプ（ＳＰ２ＥＲ）」はｘ軸を期待余命（ＥＲ）、ｙ軸をＴ年後の生存確率（ＳＰ）で設定したグラプ（性別、年齢別で区分する、統計庁発表資料）をいう。 In the present invention, the “survival probability graph to expected life expectancy (SP2ER)” is a graph (sex and age classification) in which the x-axis is set to the expected life expectancy (ER) and the y-axis is set to the survival probability (SP) after T years. , Statistics Agency announcement material).
本発明で「生体年齢を基盤にしたＴ年後の生存確率（ＳＰＢＡ）」は健康検診を受けた日計算された出生年齢（ＣＡ）と生体年齢（ＢＡ）とＴ年生存確率（ＳＰ）を利用して計算された生体生存確率をいう。 In the present invention, “probability of survival after T years based on biological age (SPBA)” is calculated by calculating the age of birth (CA), biological age (BA) and T-year survival probability (SP) calculated on the day of health checkup. It means the survival probability calculated by using it.
本発明で、「生体年齢（ＢＡ）を基盤にした期待余命までの生存確率グラプ（ＳＰ２ＥＲＢＡ）」はｘ軸を期待余命（ＥＲ），ｙ軸を生体年齢（ＢＡ）を基盤にしたＴ年生存確率（ＳＰＢＡ）で設定したグラプ（性別、年齢別に区別する）をいう。 In the present invention, “probability of survival to life expectancy based on biological age (BA) (SP2ERBA)” is a life expectancy (ER) based on x-axis and survival for T years based on biological age (BA) based on y-axis. Grapples (differentiated by gender and age) set by probability (SPBA).
本発明で、「残余寿命（ＲＬ）」は期待余命までの生存確率グラプ（ＳＰ２ＥＲ）と生体年齢（ＢＡ）を基盤にした期待余命までの生存確率グラプ（ＳＰ２ＥＲＢＡ）を利用して計算された健康検診を受けた日から残った生存年数をいう。 In the present invention, the “remaining life (RL)” is calculated by using the survival probability graph (SP2ER) to the expected life expectancy and the survival probability graph (SP2ERBA) to the expected life expectancy based on the biological age (BA). The number of years remaining from the day of screening.
一観点で、本発明は健康検診結果を利用して測定された生体年齢と下記式（１）を利用した生存確率の測定方法に関するものである。
上記式（１）で、ＳＯ（ｔ）は統計庁資料上の現在生存している時点からｔ年後の生存確率で、Ｄは生体年齢−出生年齢であり、
はＤの平均、ａはＤが生存確率に及ぼす影響力、（ｔ）は生体年齢を利用して補正計算されたｔ年後までの生存確率を示す。
In the above formula (1), SO (t) is the probability of survival after t years from the time of the current survival on the Statistics Agency document, D is the biological age-birth age,
Is the average of D, a is the influence of D on the survival probability, and (t) is the survival probability up to t years after the correction calculation using the living body age.
上記式（１）で、ＳＯ（ｔ）は統計庁で各年度ごとに男女別に提供する生存確率値で、統計庁ホームページを通じて確認することができる。（ｈｔｔｐ：／／ｋｏｓｉｓ．Ｋｒ／ｓｔａｔＨｔｍｌ／ｓｔａｔＨｔｍｌ．ｄｏ？ｏｒｇｌｄ＝１０１＆ｔｂｌｌｄ＝ＤＴ＿１Ｂ４２＆ｖｗ＿ｃｄ＝ＭＴ＿ＺＴＩＴＬＥ＆ｌｉｓｔ＿ｉｄ＝Ａ５＆ｓｅｑＮｏ＝＆ｌａｎｇ＿ｍｏｄｅ＝ｋｏ＆ｌａｎｇｕａｇｅ＝ｋｏｒ＆ｏｂｊ＿ｖａｒ＿ｉｄ＝＆ｉｔｍ＿ｉｄ＝＆ｃｏｎｎ＿ｐａｔｈ＝Ｅ１＃）。 In the above equation (1), SO (t) is a survival probability value provided for each gender by the National Statistical Office in each fiscal year, and can be confirmed through the National Statistical Office website. (Http://kosis.Kr/statHtml/statHtml.do?orgld=101&tblld=DT_1B42&vw_cd=MT_ZTITLE&list_id=A5&seqNo=&lang_mode=ko&language=ko&language=ko&language=ko&language=ko&language=ko&language=
式（１）でａは生存資料を入力値で利用してコックス比例ハザードモデル（ｃｏｘ ｐｒｏｐｏｒｔｉｏｎａｌ ｈａｚａｒｄｓ ｍｏｄｅｌ）アルゴリズムを利用して自動で算出されて出る値で、ＳＰＳＳやＳＡＳ、Ｒ ｐａｃｋａｇｅなどのような通常的な統計分析のための商用または無料使用分析ソフトウェアを実行させて具現することができる。ここで生存資料というものは健康検診を受けた被験者一人ひとりを対象にして以後特定な時点まで観測したとき死亡または生存しているかに対する情報がある資料を意味する。 In Equation (1), a is a value that is automatically calculated using the Cox proportional hazards model algorithm using survival data as input values, such as SPSS, SAS, and R package. It can be implemented by running commercial or free-use analysis software for routine statistical analysis. Survival data here refers to data that contains information on whether each subject who has undergone a health checkup has died or is alive when observed to a specific point in time.
好ましい一様態として、本発明による式（１）でのａ値及び値は年齢によって表１のような値を有することができるが、これに検定されるものではない。 As a preferred embodiment, the a value and the value in the formula (1) according to the present invention may have the values shown in Table 1 according to the age, but are not tested.
本発明において、上記生体年齢は下記式（２）〜（３）により測定されるものを特徴にすることができる：
ここで、ｐｒｅＢＡは式（３）で補正する前の仮生体年齢で、ＢＡは仮生体年齢（ｐｒｅＢＡ）を基盤に補正した後の生体年齢であり、ｘｊは被検診者のｊ番目検診項目の検診数値、
はｊ番目検診項目のサンプル内の平均値、ｓｄ（ｘｊ）はｊ番目検診項目のサンプル内の標準偏差、βｉｊは主成分分析結果ｊ番目検診項目のｉ番目要因値が各サンプルの実際年齢を説明することができる程度、ｍは主成分分析の遂行結果得られた要因個数、Ｐｉはｉ番目要因値がｐｒｅＢＡ計算に与える加重値、ｙは各個体の出生年齢（ＣＡ）で、
は生体年齢（ＢＡ）モデル構築に使用されるすべての個体の出生年齢（ＣＡ）の平均、ｓｄ（ｙ）はｙの標準偏差で、
は各サンプル対して実際年齢及びｐｒｅＢＡを回帰分析した結果生成された回帰式
を構成する係数である。
Here, preBA is the provisional living body age before correction by Equation (3), BA is the living body age after correction based on the provisional living body age (preBA), and xj is the jth examination item of the examinee. Screening figures,
Is the average value in the sample of the jth screening item, sd (xj) is the standard deviation in the sample of the jth screening item, βij is the i-th factor value of the principal component analysis result jth screening item is the actual age of each sample To the extent that can be explained, m is the number of factors obtained as a result of the principal component analysis, Pi is a weight value given to the preBA calculation by the i-th factor value, y is the age of birth (CA) of each individual,
Is the mean of the age of birth (CA) of all individuals used to build the biological age (BA) model, sd (y) is the standard deviation of y,
Is a regression equation generated as a result of regression analysis of actual age and preBA for each sample
Is a coefficient that constitutes
本発明において、上記Ｂｉｊは健康検診を通じて測定された２個以上の変数（Ｘｊ）をＳＰＳＳ、ＳＡＳ及びＲ ｐａｃｋ ａｇｅプログラムを利用して主成分分析統計アルゴリズムに入力して算出される値であるものを特徴にすることができて、ｍは主成分の要因数を示すが、主成分分析アルゴリズム実行の時、固有値（ｅｉｇｅｎ ｖａｌｕｅ）を１に設定した時自動に決定されて出る値である。 In the present invention, the above Bij is a value calculated by inputting two or more variables (Xj) measured through a health examination into a principal component analysis statistical algorithm using SPSS, SAS and R package programs. M represents the number of factors of the principal component. When the principal component analysis algorithm is executed, m is a value that is automatically determined when the eigenvalue is set to 1.
本発明の一様態で、生体年齢の測定は大韓民国特許公開２０１４―０１２６２２９に記載された方法を使用することができる。 In one embodiment of the present invention, the biological age can be measured by using the method described in Korean Patent Publication 2014-0126229.
本発明において、被験者が男子である場合、ｘは胴回り（ＷＣ）、１秒間努力性気量（ＦＥＶ１）、肝臓酵素（Ｇ―ＧＴＰ）、尿素窒素（ＢＵＮ）、高比重リポタンパク質（ＨＤＬ）、低比重リポ蛋白質（ＬＤＬ）、中性脂肪（ＴＧ）、空腹血糖（ＦＢＳ）、体脂肪率（ＦＢＲ）、筋肉率（ＢＭＲ）、アルブミン―グロブリン比率（ＡＧＲ）及び収縮期血圧（ＳＢＰ）で構成された群から選択される健康検診項目の結果数値であるか、胴回り（ＷＣ）、収縮期血圧（ＳＢＰ）、肝臓酵素（Ｇ―ＧＴＰ）、高比重リポタンパク質（ＨＤＬ）、中性脂肪（ＴＧ）、空腹血糖（ＦＢＳ）、ヘモグロビン（Ｈｅｍｏｇｌｏｂｉｎ）、低比重リポ蛋白質（ＬＤＬ）、体質量指数（ＢＭＩ）及び脈圧（ＰＰ）で構成された群から選択される健康検診項目の結果数値であるものを特徴にすることができる。 In the present invention, when the subject is a male, x is waist circumference (WC), 1-second effort volume (FEV1), liver enzyme (G-GTP), urea nitrogen (BUN), high density lipoprotein (HDL), It consists of low density lipoprotein (LDL), neutral fat (TG), fasting blood glucose (FBS), body fat rate (FBR), muscle rate (BMR), albumin-globulin ratio (AGR) and systolic blood pressure (SBP) Result of health check items selected from the selected group, waist circumference (WC), systolic blood pressure (SBP), liver enzyme (G-GTP), high density lipoprotein (HDL), neutral fat (TG) ), Fasting blood glucose (FBS), hemoglobin (Hemoglobin), low density lipoprotein (LDL), body mass index (BMI), and a health examination item selected from the group consisting of pulse pressure (PP) It can be characterized by what is fruit number.
本発明において、被験者が女子である場合、ｘは胴回り（ＷＣ）、１秒間努力性気量（ＦＥＶ１）、γ−ＧＴＰ（Ｇ−ＧＴＰ）、尿素窒素（ＢＵＮ）、高比重リポタンパク質（ＨＤＬ）、低比重リポ蛋白質（ＬＤＬ）、中性脂肪（ＴＧ）、空腹血糖（ＦＢＳ）、体脂肪率（ＦＢＲ）、筋肉率（ＢＭＲ）、アルブミン―グロブリン比率（ＡＧＲ）、弛緩期血圧（ＤＢＰ）、赤血球沈降速度（ＥＳＲ）及び体質量指数（ＢＭＩ）で構成された群から選択される健康検診項目の結果数値であるか、胴回り（ＷＣ）、弛緩期血圧（ＤＢＰ）、肝臓酵素（ＡＳＴ）、高比重リポタンパク質（ＨＤＬ）、中性脂肪（ＴＧ）、空腹血糖（ＦＢＳ）、ヘモグロビン（Ｈｅｍｏｇｌｏｂｉｎ）、低比重リポ蛋白質（ＬＤＬ）、体質量指数（ＢＭＩ）及び脈圧（ＰＰ）で構成された群から選択される健康検診項目の結果数値であるものを特徴にすることができる。 In the present invention, when the subject is a girl, x is the waist circumference (WC), 1-second effort volume (FEV1), γ-GTP (G-GTP), urea nitrogen (BUN), high-density lipoprotein (HDL) Low-density lipoprotein (LDL), neutral fat (TG), fasting blood glucose (FBS), body fat percentage (FBR), muscle percentage (BMR), albumin-globulin ratio (AGR), diastolic blood pressure (DBP), It is a result numerical value of a health examination item selected from the group consisting of erythrocyte sedimentation rate (ESR) and body mass index (BMI), or waist circumference (WC), diastolic blood pressure (DBP), liver enzyme (AST), High density lipoprotein (HDL), neutral fat (TG), fasting blood glucose (FBS), hemoglobin, low density lipoprotein (LDL), body mass index (BMI) and pulse pressure (P ) What is the result value of the health examination item selected from is the group configuration can be characterized by.
本発明で使用された生体年齢予測モデルには既存の検診データである一つ以上のサンプルが入力されることができる。上記生体年齢の演算モデルには生体年齢の演算モデルに含まれた変数（検診項目）の検診数値を含むサンプルであるかどうかに構わず、すべてのサンプルが入力されることもできるが、生体年齢の演算モデルに含まれた変数の検診数値をすべて含むサンプルのみ入力されることが好ましい。例えば、上記第１生体年齢の演算モデルにはＢＭＩ検診数値、肺活量検診数値及び一秒量検診数値をすべて有するサンプルのみ入力されて、上記第２生体年齢の演算モデルにはＢＭＩ検診数値、肺活量検診数値及びＰＳＡ検診数値をすべて有するサンプルのみ入力されることができる。 One or more samples, which are existing screening data, can be input to the biological age prediction model used in the present invention. Regardless of whether or not the biological age calculation model is a sample that includes a screening value of a variable (examination item) included in the biological age calculation model, all samples can be input. It is preferable that only a sample including all examination numerical values of variables included in the calculation model is input. For example, only the sample having all of the BMI screening numerical value, the vital capacity screening numerical value, and the 1-second volume screening numerical value is input to the first biological age calculation model, and the BMI screening numerical value and the vital capacity screening are input to the second biological age calculation model. Only samples with all values and PSA screening values can be entered.
上記生体年齢の演算モデルに一つ以上のサンプルが入力された後には、入力されたデータに対する主成分分析（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ）が遂行されることができる。上記主成分分析の結果、上記生体年齢の演算モデルに入力されたデータを説明することができる一つ以上の要因（Ｆａｃｔｏｒ）を得ることができる。上記得られた要因の個数は上記生体年齢の演算モデルの変数個数より少ないことができる。以下、上記要因の個数はｍで、上記生体年齢の演算モデルの変数個数はｎで記載する。 After one or more samples are input to the biological age calculation model, a principal component analysis (Principal Component Analysis) may be performed on the input data. As a result of the principal component analysis, one or more factors that can explain the data input to the biological age calculation model can be obtained. The number of the obtained factors can be smaller than the number of variables of the biological age calculation model. Hereinafter, the number of the factors is described as m, and the number of variables of the biological age calculation model is described as n.
本発明の一実施例によると、上記主成分分析を通じて、上記生体年齢の演算モデルに入力された各サンプルのｊ番目変数値に含まれているｉ番目要因値が実際年齢を説明することができる程度を意味する加重値（Ｂｉｊ）が演算されることができる。Ｂｉｊ値は一般的な統計分析で知られた主成分分析（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ）方法を通じて算出される値である。すなわち、Ｂｉｊは主成分分析プロセスを遂行すると自動で計算される各変数別要因積載行列（ｆａｃｔｏｒ ｌｏａｄｉｎｇ ｍａｔｒｉｘ）である。 According to an embodiment of the present invention, the i-th factor value included in the j-th variable value of each sample input to the biological age calculation model can explain the actual age through the principal component analysis. A weight value (Bij) representing the degree can be calculated. The Bij value is a value calculated through a principal component analysis method known in general statistical analysis. That is, Bij is a factor loading matrix that is automatically calculated when the principal component analysis process is performed.
本発明の一実施例によると、上記主成分分析を通じて、ｉ番目要因値が生体年齢計算に与える加重値（Ｐｉ）も演算されることができる。以下、加重値（Ｐｉ）を演算する方法を説明する。 According to an embodiment of the present invention, the weight value (Pi) given to the biological age calculation by the i-th factor value can be calculated through the principal component analysis. Hereinafter, a method of calculating the weight value (Pi) will be described.
加重値（Ｐｉ）は主成分分析結果、計算された各サンプルの要因（ｆａｃｔｏｒ）別の要因点数（ｆａｃｔｏｒ ｓｃｏｒｅ）と実際年齢間の決定係数（ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｄｅｔｅｒｍｉｎａｔｉｏｎ，Ｒ２）を利用して演算されることができる。上記決定係数を利用した加重値（Ｐｉ）の演算方法は下記のようである。 The weight value (Pi) is calculated using the result of principal component analysis, the calculated factor score for each sample (factor), and a coefficient of determination (coefficient of determination, R2) between actual ages. be able to. The calculation method of the weight value (Pi) using the determination coefficient is as follows.
まず、主成分分析を通じて分析に使用された各サンプルの要因別の要因点数を演算する。例えば、サンプルが１００名で要因がｍ個とするとｍ個の要因別に各々１００個の要因点数が計算されることである。 First, a factor score for each factor of each sample used for analysis is calculated through principal component analysis. For example, if there are 100 samples and there are m factors, 100 factor scores are calculated for each of the m factors.
次に、各要因別の要因点数は各サンプルの実際年齢を回帰分析して決定係数をｍ個（Ｒｉ ２，ｉ＝１，２，３，…，ｍ）計算する。このｍ個の決定係数の合をＳとすると、ｉ番目要因が生体年齢の計算に与える加重値（Ｐｉ）は下記の数式１を利用して演算されることができる。 Next, the factor score for each factor is calculated by regression analysis of the actual age of each sample to determine m determination coefficients (R i 2 , i = 1, 2, 3,..., M). When the sum of the m determination coefficients is S, the weight value (Pi) given to the calculation of the biological age by the i-th factor can be calculated using the following Equation 1.
加重値（Ｐｉ）は主成分分析結果、演算された各要因別の固有値（ｅｉｇｅｎ ｖａｌｕｅ）を利用して演算されることができる。この時、加重値（Ｐｉ）は下記の数式２を利用して演算されることができる。 The weight value (Pi) can be calculated using the principal component analysis result and the calculated eigenvalue for each factor. At this time, the weight value (Pi) can be calculated using Equation 2 below.
上記数式２でｅｉは要因ｉの固有値（ｅｉｇｅｎ ｖａｌｕｅ）であり、ｍは要因の個数である。 In Equation 2, ei is an eigenvalue of the factor i, and m is the number of factors.
上記主成分分析が完了されると、上記要因を利用して上記生体年齢の演算モデルによる生体年齢の算出式が生成されることができる。 When the principal component analysis is completed, a biological age calculation formula using the biological age calculation model can be generated using the factors.
一実施例によると、上記生体年齢は式（２）に基盤にして数式３により算出されることができる。
はｊ番目検診項目のサンプル内の平均値、ｓｄ（ｘｊ）はｊ番目検診項目のサンプル内の標準偏差、Ｂｉｊは主成分分析結果ｊ番目検診項目のｉ番目要因値が各サンプルの実際年齢を説明することができる程度、ｍは主成分分析の遂行結果得られた要因個数、Ｐｉはｉ番目要因値がＢＡ計算に与える加重値。）
According to one embodiment, the biological age can be calculated by Equation 3 based on Equation (2).
Is the average value in the sample of the jth examination item, sd (xj) is the standard deviation in the sample of the jth examination item, Bij is the i-th factor value of the principal component analysis result jth examination item is the actual age of each sample To the extent that can be explained, m is the number of factors obtained as a result of the principal component analysis, and Pi is a weighting value given to the BA calculation by the i-th factor value. )
はｊ番目検診項目のサンプル内の平均値、ｓｄ（ｘｊ）はｊ番目検診項目のサンプル内の標準偏差、Ｂｉｊは主成分分析結果ｊ番目検診項目のｉ番目要因値が各サンプルの実際年齢を説明することができる程度、ｍは主成分分析の遂行結果得られた要因個数、Ｐｉはｉ番目要因値がｐｒｅＢＡ計算に与える加重値、ｙは各個体の出生年齢（ＣＡ）で、
は生体年齢（ＢＡ）モデルの構築に使用されるすべての個体の出生年齢（ＣＡ）の平均、ｓｄ（ｙ）はｙの標準偏差で、
は各サンプルに対して実際年齢及びｐｒｅＢＡを回帰分析した結果生成された回帰式
を構成する係数。）
Is the average value in the sample of the jth examination item, sd (xj) is the standard deviation in the sample of the jth examination item, Bij is the i-th factor value of the principal component analysis result jth examination item is the actual age of each sample To the extent that can be explained, m is the number of factors obtained as a result of the principal component analysis, Pi is a weight value given to the preBA calculation by the i-th factor value, y is the age of birth (CA) of each individual,
Is the average of the age of birth (CA) of all individuals used to build the biological age (BA) model, sd (y) is the standard deviation of y,
Is a regression equation generated as a result of regression analysis of actual age and preBA for each sample
The coefficients that make up )
上記数式３で、一実施例によると、上記ｙ平均はすべてのサンプルの実際年齢に対する平均で上記ｓｄ（ｙ）はすべてのサンプルの実際年齢に対する標準偏差であることができるが、他の実施例によると、上記ｙ平均は上記生体年齢の演算モデルに含まれたすべての検診項目の数値データを有効な値で有しているすべてのサンプルの実際年齢に対する平均で、上記ｓｄ（ｙ）は上記生体年齢の演算モデルに含まれたすべて検診項目の数値データを有効な値で有しているすべてのサンプルの実際年齢に対する標準偏差であることもできる。 In Equation 3, according to one embodiment, the y average may be an average for all samples and the sd (y) may be a standard deviation for all samples. According to the above, the y average is an average with respect to the actual age of all samples having valid values of numerical data of all examination items included in the biological age calculation model, and the sd (y) is the above It can also be a standard deviation with respect to the actual age of all samples having valid values of numerical data of all examination items included in the calculation model of living body age.
整理すると、上記生体年齢の演算モデルにサンプルデータを入力して、入力されたデータに対する主成分分析を経て一つ以上の要因が得られ、上記主成分分析の結果及び上記要因を利用して生体年齢の算出式を得ることができる。上記生体年齢の算出式の例示は式（２）または数式３を参照することができる。 When arranged, sample data is input to the calculation model of the biological age, and one or more factors are obtained through principal component analysis on the input data, and the biological data is obtained using the result of the principal component analysis and the factors. A formula for calculating age can be obtained. Refer to Formula (2) or Formula 3 for an example of the calculation formula of the living body age.
上記生体年齢の演算モデルに、今回の被検診者の検診結果データに含まれた検診項目を変数として一つずつ追加していきながら、最適の結果を導出する生体年齢の演算モデルを構成する変数集合を探す過程で理解することができる。すなわち、初めには空いている上記生体年齢の演算モデルに上記原本集合の検診項目中最善の一つを選定して、選定された検診項目を変数として追加することを繰返して、所為、段階別前進選択方法を利用する。 Variables that make up the biological age calculation model that derives the optimal results while adding the examination items included in the examination result data of the current examinee one by one as variables to the biological age calculation model It can be understood in the process of searching for a set. In other words, by repeating the process of selecting the best screening item from the original collection and adding the selected screening item as a variable to the vacant calculation model for the biological age, Use the forward selection method.
以下、上記段階別前進選択方法に対して説明する。原本集合にＢＭＩ、肺活量、一秒量、アルブミン（ａｌｂｕｍｉｎ）、ＰＳＡの総５つ検診項目が元素として含まれるものを前提にする。 Hereinafter, the step-by-step advance selection method will be described. It is assumed that the original collection includes a total of five examination items as elements, including BMI, vital capacity, 1-second amount, albumin, and PSA.
はじめの段階で、一つの変数を含むテストモデルが生成される。次に、生成されたテストモデルに該当変数の値、すなわち該当検診項目の検診［００７５］数値を含むサンプルが入力されて、入力されたサンプルに対して主成分分析を遂行して要因を得て、得られた要因及び主成分分析の結果を利用して生体年齢の算出式を生成する。以下、上記テストモデルに新たに追加される変数をテスト検診項目で記載する。次に、上記入力されたサンプル各々を上記生体年齢の算出式に入力して各サンプルの生体年齢を演算する。 In the first stage, a test model including one variable is generated. Next, a sample including a value of a corresponding variable, that is, a screening [0075] numerical value of a corresponding screening item is input to the generated test model, and a factor is obtained by performing principal component analysis on the input sample. Then, using the obtained factors and the result of the principal component analysis, a formula for calculating the biological age is generated. Hereinafter, variables newly added to the test model are described as test examination items. Next, each of the input samples is input to the calculation formula for the biological age, and the biological age of each sample is calculated.
次に、サンプルの上記分布に対する回帰分析を通じて単純回帰式ＢＡ＝ａ＋ｂｙを生成する。その結果、サンプルの回帰線
と実際年齢（ＢＡ＝ｙ）との決定係数（Ｒ２）を求めることができる。はじめ段階の結果得られた各検診項目別の決定係数値が表示されていた。はじめ段階の結果、最も大きい値を有する肺活量が選択されることである。これは、肺活量検診数値は生体年齢の演算モデルに含まれることを意味する。肺活量検診項目は上記生体年齢の演算モデルに追加されたために、上記原本集合で除去される。２番目に上記生体年齢の演算モデルに含められる２番目の検診項目が選択される。２番目段階のテストモデルは上記肺活量検診項目及びその他の検診項目中の一つを含む、総２個の変数を有するモデルである。従って、２番目段階では（肺活量、ＢＭＩ）、（肺活量、一秒量）、（肺活量、アルブミン）、（肺活量、ＰＳＡ）総４回のテストが進行されるはずである。
Next, a simple regression equation BA = a + by is generated through regression analysis on the distribution of the sample. As a result, the regression line of the sample
And the determination coefficient (R2) between the actual age (BA = y). The coefficient of determination for each screening item obtained as a result of the first stage was displayed. As a result of the initial stage, the vital capacity having the largest value is selected. This means that the vital capacity screening numerical value is included in the calculation model of living body age. Since vital capacity screening items have been added to the calculation model for living body age, they are removed from the original set. Secondly, the second examination item to be included in the calculation model of the biological age is selected. The second-stage test model is a model having a total of two variables including one of the vital capacity examination items and other examination items. Therefore, in the second stage, (total vital capacity, BMI), (active capacity, one second), (active capacity, albumin), (active capacity, PSA), a total of four tests should proceed.
次に、生成された生体年齢の演算モデルに該当変数の値、すなわち該当検診項目の検診数値を含むサンプルが入力され、入力されたサンプルに対して主成分分析を遂行して要因を得て、得られた要因及び主成分分析結果を利用して生体年齢の算出式を生成する。 Next, a sample including the value of the corresponding variable, that is, the examination numerical value of the examination item, is input to the generated calculation model of living age, and the principal component analysis is performed on the inputted sample to obtain the factor, A calculation formula for living body age is generated using the obtained factors and the principal component analysis result.
次に、上記入力されたサンプル各々を上記生体年齢の算出式に入力して各サンプルの生体年齢を演算して、サンプルの上記分布に対する回帰分析を通じて単純回帰式
を生成する。その結果、サンプルの回帰線
と実際年齢（ＢＡ＝ｙ）との決定係数（Ｒ２）を求めることができる。
Next, each of the input samples is input to the calculation formula for the living body age, the living body age of each sample is calculated, and a simple regression formula is obtained through regression analysis on the distribution of the samples.
Is generated. As a result, the regression line of the sample
And the determination coefficient (R2) between the actual age (BA = y).
２番目段階の結果、既存の決定係数である０．４よりモデルの決定係数値を増加させるもののうち、増加量が最も大きい検診項目であるＢＭＩが選定されることである。これは、ＢＭＩ数値が肺活量数値と一緒に生体年齢の演算モデルに含まれることを意味する。ＢＭＩ検診項目は上記生体年齢の演算モデルに追加されたために、上記原本集合で除去される。３番目に上記生体年齢の演算モデルに含められる３番目の検診項目が選択される。３番目段階のテストモデルは上記肺活量検診項目、ＢＭＩ及びその他の検診項目のうち一つを含む、総３個の変数を有するモデルである。従って、２番目段階では（肺活量、ＢＭＩ、一秒量）、（肺活量、ＢＭＩ、アルブミン）、（肺活量、ＢＭＩ、ＰＳＡ）総３回のテストが進行されることである。３番目段階も２番目段階と類似した方式で進行される。一秒量の決定係数値が既存の決定係数値である０．５に比べて唯一に増加する値であるために、一秒量が上記生体年齢の演算モデルに含まれる３番目検診項目に選定される。一秒量は上記原本集合から除去される。 As a result of the second stage, the BMI, which is the examination item with the largest increase amount, is selected among those that increase the determination coefficient value of the model from the existing determination coefficient of 0.4. This means that the BMI value is included in the biological age calculation model together with the vital capacity value. Since the BMI examination item is added to the calculation model of the living body age, it is removed in the original set. Thirdly, a third examination item that is included in the biological age calculation model is selected. The third-stage test model is a model having a total of three variables including one of the vital capacity examination items, BMI, and other examination items. Therefore, in the second stage, (total vital capacity, BMI, one second), (active capacity, BMI, albumin), and (total vital capacity, BMI, PSA) a total of three tests are performed. The third stage proceeds in a manner similar to the second stage. Since the coefficient of determination for the amount of one second is the only value that increases compared to the existing coefficient of determination of 0.5, the amount of one second is selected as the third examination item included in the biological age calculation model. Is done. The one second amount is removed from the original set.
四番目に上記生体年齢の演算モデルに含まれる三番目の検診項目が選択される。 Fourth, the third examination item included in the calculation model of the biological age is selected.
残り二つの検診項目すべて、既存の決定係数値である０．６より低い決定係数を有する生体年齢の演算を作っている。四番目段階まで進行した結果、原本集合でこれ以上に追加される検診項目が存在しない状況である。従って、四番目段階で上記段階別前進進行段階は終了される。その結果、今回被検診者に対する生体年齢の演算モデルには５つの検診項目中、ＢＭＩ，肺活量、一秒量、総３個だけ変数で含まれるものが好ましい。上記段階別前進進行段階が終了される時点での上記生体年齢の演算モデルが上記受信された検診データに対して適用される生体年齢の演算モデルに確定される。 All of the remaining two screening items are calculated for biological age having a determination coefficient lower than 0.6 which is the existing determination coefficient value. As a result of progressing to the fourth stage, there is no further examination item added in the original set. Accordingly, the above-mentioned forward progress stage is completed in the fourth stage. As a result, it is preferable that the calculation model of living body age for the subject to be examined this time includes BMI, vital capacity, amount per second, and a total of three variables among the five examination items. The biological age calculation model at the time when the step-by-step advance progression stage is completed is determined as the biological age calculation model applied to the received examination data.
次に、上記受信された検診データを上記確定された生体年齢の演算モデルによる生体年齢の算出式に入力して被検診者の生体年齢を演算することができる。 Next, the received medical examination data can be input to a biological age calculation formula using the determined biological age calculation model to calculate the biological age of the examinee.
一実施例によると、上記検診データを上記サンプルデータに追加することによって、次の被検診者のためのサンプルに活用することができる。 According to one embodiment, by adding the examination data to the sample data, it can be used as a sample for the next examinee.
本発明による段階別前進選択段階は被検診者の検診データに含まれた検診項目中で生体年齢の演算モデルに含まれる少なくとも一部の検診項目を一つずつ追加する過程である。データによって、段階別前進選択段階を進行するほど、上記決定係数値が継続増加する場合も存在することができるために、被検診者の検診データに含まれる検診項目すべてが上記生体年齢の演算モデルに含まれる場合も発生することができることはもちろんである。 The step-by-step advance selection step according to the present invention is a process in which at least a part of the screening items included in the biological age calculation model is added one by one among the screening items included in the screening data of the subject. Depending on the data, there may be cases where the determination coefficient value continues to increase as the advance selection step by step progresses. Therefore, all the items to be examined included in the examination data of the examinee are calculated with the above biological age calculation model. Of course, it can also be included.
一方、被検診者の検診データと類似したパータンを示すことができるサンプルを利用することがより正確な生体年齢の演算モデルを生成するのに有利である。従って、上記段階別前進選択段階で上記テストモデルに入力されるサンプルは上記受信された検診データの被検診者と類似な身上情報を有するサンプルに制限されることができる。例えば、上記テストモデルに入力されるサンプルは上記被検診者の性別と同一で、上記被検診者の実際年齢を基準にして予め指定された範囲の実際年齢を有するもので制限されることができる。 On the other hand, it is advantageous to use a sample that can show a pattern similar to the examination data of the examinee to generate a more accurate biological age calculation model. Accordingly, the sample input to the test model in the step-by-step advance selection step can be limited to a sample having personal information similar to the examinee of the received examination data. For example, the sample input to the test model is the same as the gender of the examinee and can be limited to those having an actual age in a range specified in advance with reference to the actual age of the examinee. .
上記段階別前進選択段階で、上記決定係数を既存のテストモデルのそれに比べて最大限に増加させるか可否だけではなく、追加的な選択基準に使用されることができる。 In the step-by-step advance selection step, the determination coefficient may be used as an additional selection criterion, as well as whether the determination coefficient is increased to the maximum as compared with that of the existing test model.
一実施例によると、上記テスト検診項目の数値データを有するサンプルの数が予め指定された限界値以下である場合、上記テスト検診項目から除外されることができる。他の実施例によると、上記テストモデルに含まれた検診項目の検診数値をすべて有するサンプルの数が予め指定された限界値以下である場合、上記テスト検診項目から除外されることができる。サンプルの数が上記限界値未満である場合、統計データとしての信頼度を付与しにくいためである。 According to one embodiment, if the number of samples having numerical data of the test examination item is equal to or less than a predetermined limit value, it can be excluded from the test examination item. According to another embodiment, if the number of samples having all the examination values of the examination items included in the test model is equal to or less than a predetermined limit value, it can be excluded from the test examination items. This is because when the number of samples is less than the above limit value, it is difficult to provide reliability as statistical data.
また、一実施例によると、上記テストモデルに含まれた検診項目中少なくとも一つと相関係数（Ｒ）が予め指定された限界値を超過する上記テスト検診項目は上記テスト検診項目から除外されることができる。これは、テストモデルに予め含まれた検診項目と相関関係が高い検診項目が新たにテストモデルに含まれることになると、既存の検診項目がテストモデルで占める影響力が減少する逆効果を防止するためである。また、テストモデルに相関関係が高い検診項目が含まれる場合、主成分分析過程で遂行する行列演算過程中シンギュラリティ（ｓｉｎｇｕｌａｒｉｔｙ）現象が発生されて固有値（ｅｉｇｅｎ ｖａｌｕｅ）が正しく演算されない問題を防止するためでもある。 Further, according to an embodiment, the test examination item whose correlation coefficient (R) exceeds a predetermined limit value and at least one of the examination items included in the test model is excluded from the test examination item. be able to. This prevents the adverse effect of reducing the influence of existing screening items on the test model when screening items that have a high correlation with the screening items included in the test model are newly included in the test model. Because. In addition, when the test model includes examination items with high correlation, the problem of the singularity phenomenon occurring during the matrix calculation process performed in the principal component analysis process and the eigenvalue being not calculated correctly is prevented. It is also to do.
上記相関係数演算の正確性のための、上記相関係数は上記テストモデルに含まれた全体検診項目の検診数値を有するサンプルデータを利用して算出されることができる。 For the accuracy of the correlation coefficient calculation, the correlation coefficient can be calculated using sample data having examination values of the entire examination items included in the test model.
本発明の一様態で、上記現在生存している時点からｔ年後までの生存確率（統計庁資料）は、例えば表２の期待余命表及び図２を使用することができる。 In one embodiment of the present invention, for the survival probability (statistics agency data) from the current survival time to t years later, for example, the life expectancy table in Table 2 and FIG. 2 can be used.
また、本発明の一様態での年齢別の生存確率を表３に示した。 In addition, Table 3 shows survival probabilities according to age according to an embodiment of the present invention.
他の観点で、本発明はｘ軸を期待余命（ＥＲ），ｙ軸を上記健康検診結果を利用して測定された生体年齢と式（１）を利用した生存確率の測定方法で測定されたＴ年後までの生存確率にして作成したグラプで、ｙ軸の生存確率値に対応するｘ軸の値を健康検診を受けた日から残った残余寿命にするものを特徴にする残余寿命の予測方法に関すものである。 In another aspect, the present invention was measured by the life expectancy using the life expectancy (ER) measured by using the expected life expectancy (ER) on the x axis and the health check result on the y axis and the survival probability using the formula (1). Predicting the remaining life characterized by a graph created based on the probability of survival up to T years later, with the x-axis value corresponding to the survival probability value on the y-axis being the remaining life remaining from the day of the health examination. It is about the method.
本発明の残余寿命の予測方法は図１に示したことのように、測定対象の性別、年齢資料と健康検診資料と生体年齢計算アルゴリズム（式（２）〜（３））を利用して、個人の生体年齢を計算して、上記生体年齢と式（１）を利用して年齢別ｔ年後生存確率を計算した後、ｘ軸を期待余命（ＥＲ），ｙ軸を上記方法で測定したｔ年後生存確率にして、上記方法で測定されたｔ年生存確率を示したグラプを利用して性別、年齢別残余寿命を計算するものである。 As shown in FIG. 1, the method for predicting the remaining life of the present invention uses the gender, age material, health checkup material, and biological age calculation algorithm (formulas (2) to (3)) of the measurement target, After calculating the individual's living age, and calculating the survival probability after t years by age using the above living body age and the equation (1), the x-axis is expected life expectancy (ER), and the y-axis is measured by the above method. The residual life by sex and age is calculated using the graph showing the survival probability at year t measured by the above method as the survival probability after t years.
本発明の残余寿命計算システムでは２０１３年統計庁資料を基盤にした年齢別生存確率値を使用したが（表２及び図４参照）、これに限定されることではなく毎年または一定期間ごとに統計庁で新しく発表される値を利用して正確度を堤高することができることは通常の技術者には自明なことである。 In the remaining life calculation system of the present invention, the survival probability value by age based on the 2013 Statistics Agency data was used (see Table 2 and FIG. 4), but the present invention is not limited to this. It is obvious to ordinary engineers that the accuracy can be improved by using the value newly announced by the Agency.
具体的な例を通じて本発明による残余寿命の予測方法を説明する。韓国人５０歳男性（出生年齢５０歳）の平均残余寿命は３０．５７歳（表１参照）に示されたが、このような５０歳男性の生存確率は約０．５５９５（表２参照）である。 The remaining life prediction method according to the present invention will be described through a specific example. The average remaining life of a 50-year-old Korean man (birth age 50 years) was shown as 30.57 years (see Table 1), but the survival probability of such a 50-year-old man is about 0.5595 (see Table 2) It is.
以後ｘ軸を期待余命（ＥＲ），ｙ軸を上記方法で測定したｔ年後生存確率にして、上記方法で測定されたｔ年生存確率を示したグラプで、ｙ軸でこの生存確率値の位置を取ってここからｘ軸に平行した仮想線を設定して、５０歳男性の生存確率グラプとあう点のｘ軸値が間違いなく本発明による残余寿命がなることである（図４）。 Thereafter, the x-axis is the expected life expectancy (ER), the y-axis is the survival probability after t years measured by the above method, and the graph shows the survival probability after t years measured by the above method. An imaginary line parallel to the x-axis is set from here and the x-axis value of the point that matches the survival probability graph of a 50-year-old man is definitely the remaining life according to the present invention (FIG. 4).
もし、韓国人５０歳男性中、生体年齢が出生年齢より５歳更に多い（Ｄ＝生体年齢−出生年齢＝５）ヒトの残余寿命を生存確率グラプを利用して測定すると、残余寿命が３０．５歳より顕著に低いことを確認することができた（図５）。 If a Korean 50-year-old male is 5 years older than the birth age (D = biological age-birth age = 5), the remaining life of a human is measured by using a survival probability graph. It was confirmed that it was significantly lower than 5 years old (FIG. 5).
また、韓国人５０歳男性中、生体年齢が出生年齢より５歳更に少ない（Ｄ＝生体年齢−出生年齢＝−５）ヒトの残余寿命を生存確率グラプを利用して測定した結果、残余寿命が３０．５歳より顕著に高いことを確認することができた（図６）。 In addition, among Korean 50-year-old men, the life expectancy of human beings is 5 years lower than the birth age (D = biological age−birth age = −5). It was confirmed that it was significantly higher than 30.5 years old (FIG. 6).
一つの具体例で、本発明による残余寿命の予測方法を利用して算出した結果、出生年齢５０歳である男子の期待寿命を確認した結果、Ｄ（生体年齢−出生年齢）が−４．５歳であるとき、期待寿命は９１．９歳であって、Ｄ＝０歳であるとき８０．０歳（韓国人平均）であり、Ｄ＝４．５歳であるとき６９．３歳であった。 In one specific example, as a result of calculation using the method for predicting the remaining life according to the present invention, the expected life of a boy having a birth age of 50 years was confirmed. As a result, D (biological age−birth age) was −4.5. Expected life expectancy is 91.9 years old, 80.0 years old when D = 0 (Korean average), and 69.3 years old when D = 4.5 years old. It was.
また他の様態で、出生年齢５０歳である女子の期待寿命を確認した結果、Ｄ＝−４．３歳であるとき９４．３歳であって、Ｄ＝０歳であるとき８６．３歳（韓国人平均）であり、Ｄ＝４．２歳であるとき７９．１歳であった。 Moreover, as a result of confirming the expected life expectancy of a girl whose birth age is 50 years old in another aspect, 94.3 years old when D = -4.3 years old and 86.3 years old when D = 0 years old (Korean average). When D = 4.2 years old, it was 79.1 years old.
本発明の他の様態では本発明の残余寿命の予測方法を利用して韓国人男／女の１０，０００名を年齢別に分けて残余寿命を測定しており、その結果を各々図７及び図８に示した。 In another aspect of the present invention, 10,000 remaining Korean men / women are measured by age using the method for predicting the remaining life of the present invention, and the results are shown in FIG. 7 and FIG. This is shown in FIG.
以上で本発明内容の特定な部分を詳細に記述したが、当業界の通常の知識を有する者においてこのような具体的な記述は単なる好適な実施様態に過ぎず、これにより本発明の範囲が制限されることではないという点は明らかである。よって、本発明の実質的な範囲は添付された請求項とこれらの等価物により定義されるといえる。 Although specific portions of the present invention have been described in detail above, such specific descriptions are merely preferred embodiments for those skilled in the art, and the scope of the present invention is thereby limited. It is clear that it is not limited. Thus, the substantial scope of the present invention will be defined by the appended claims and equivalents thereof.
本発明によると、既存の生体年齢を考慮しない残余寿命の予測方法に比べてはるかに正確に残余寿命を予測することができる。 According to the present invention, it is possible to predict the remaining life much more accurately than the existing method for predicting the remaining life without considering the biological age.
Claims (8)
はＤの平均、ａはＤが生存確率に及ぼす影響力、
は生体年齢を利用して補正計算されたｔ年後までの生存確率を示す）。 Living age measured using health checkup results and survival probability measurement method using the following formula (1):
Is the average of D, a is the influence of D on survival probability,
Indicates the survival probability until t years after correction calculation using the biological age).
はｊ番目検診項目のサンプル内の平均値、ｓｄ（ｘｊ）はｊ番目検診項目のサンプル内の標準偏差、βｉｊは主成分分析結果ｊ番目検診項目のｉ番目要因値が各サンプルの実際年齢を説明することができる程度、ｍは主成分分析の遂行結果得られた要因個数、Ｐｉはｉ番目要因値がｐｒｅＢＡ計算に与える加重値、ｙは各個体の出生年齢（ＣＡ）で、
は生体年齢（ＢＡ）モデル構築に使用されるすべての個体の出生年齢（ＣＡ）の平均、ｓｄ（ｙ）はｙの標準偏差で、
は各サンプルに対して実際年齢及びｐｒｅＢＡを回帰分析した結果生成された回帰式
を構成する係数である）。 The method according to claim 1, wherein the living body age is measured by the following formulas (2) to (3):
Is the average value in the sample of the jth screening item, sd (xj) is the standard deviation in the sample of the jth screening item, βij is the i-th factor value of the principal component analysis result jth screening item is the actual age of each sample To the extent that can be explained, m is the number of factors obtained as a result of the principal component analysis, Pi is a weight value given to the preBA calculation by the i-th factor value, y is the age of birth (CA) of each individual,
Is the mean of the age of birth (CA) of all individuals used to build the biological age (BA) model, sd (y) is the standard deviation of y,
Is a regression equation generated as a result of regression analysis of actual age and preBA for each sample
Is a coefficient that constitutes
A graph created using the x-axis as the expected life expectancy (ER) and the y-axis as the survival probability until T years measured by the method according to any one of claims 1 to 7, wherein the survival probability of the subject on the y-axis A method for measuring a remaining life, wherein the value on the x-axis corresponding to the value is a remaining life remaining from a day when a subject's health examination is received.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2015-0030331 | 2015-03-04 | ||
| KR1020150030331A KR101669526B1 (en) | 2015-03-04 | 2015-03-04 | Method for Assessinging Residual Life Using Biological Age |
| PCT/KR2016/000353 WO2016140432A2 (en) | 2015-03-04 | 2016-01-13 | Method for predicting residual life using biological age |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018512659A true JP2018512659A (en) | 2018-05-17 |
| JP6640868B2 JP6640868B2 (en) | 2020-02-05 |
Family
ID=56848379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017546614A Active JP6640868B2 (en) | 2015-03-04 | 2016-01-13 | Prediction method of remaining life using living age |
Country Status (5)
| Country | Link |
|---|---|
| JP (1) | JP6640868B2 (en) |
| KR (1) | KR101669526B1 (en) |
| CN (1) | CN108475542A (en) |
| HK (1) | HK1256728A1 (en) |
| WO (1) | WO2016140432A2 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021100215A (en) * | 2019-12-23 | 2021-07-01 | Ｔｖｓ Ｒｅｇｚａ株式会社 | Viewing history analysis device and viewing history analysis device program |
| JP2021135618A (en) * | 2020-02-25 | 2021-09-13 | 日新ビジネス開発株式会社 | Age learning device, age estimation device, age learning method, and age learning program |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110392740A (en) * | 2017-01-25 | 2019-10-29 | 深圳华大生命科学研究院 | The method and its application for determining crowd's sample Biological indicators collection, predicting biological age |
| KR102106428B1 (en) * | 2018-02-19 | 2020-05-06 | 주식회사 셀바스에이아이 | Method for predicting health age |
| CN108847284B (en) * | 2018-05-02 | 2021-03-23 | 莱博生物科技股份有限公司 | Human body biological age measuring and calculating device and system |
| KR102189233B1 (en) * | 2018-05-17 | 2020-12-09 | 재단법인차세대융합기술연구원 | Method, system and non-transitory computer-readable recording medium for providing life age |
| CN110277151A (en) * | 2019-06-11 | 2019-09-24 | 浙江大学 | Human Physiology Analysis of age method, system and model based on routine physical examination index |
| CN111243738B (en) * | 2019-12-31 | 2023-04-25 | 东软集团股份有限公司 | Method, device and equipment for constructing survival analysis model and predicting survival rate |
| KR102418342B1 (en) * | 2021-08-13 | 2022-07-08 | 주식회사 유투메드텍 | Apparatus for predicting glucose change using dietary information and method thereof |
| KR102371440B1 (en) * | 2021-08-28 | 2022-03-07 | 유진바이오소프트 주식회사 | The method and system for generating model predicting personalized biological age |
| KR20230114081A (en) | 2022-01-24 | 2023-08-01 | 주식회사 에비드넷 | Health age and health score calculation method changes in health |
| KR20240012704A (en) | 2022-07-21 | 2024-01-30 | 주식회사 로그미 | An apparatus and a method for predicting biological age |
| CN115274098B (en) * | 2022-08-19 | 2023-04-07 | 北京咯咯网络科技有限公司 | Intelligent system for predicting height based on bone age and height |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003167959A (en) * | 2001-11-29 | 2003-06-13 | Hitachi Ltd | Health control support method and device and health rest life predicting data generating method and device |
| JP2007026172A (en) * | 2005-07-19 | 2007-02-01 | Ntt Data Corp | Subject selecting device |
| JP2009199450A (en) * | 2008-02-22 | 2009-09-03 | Toshiba Corp | Health guidance support system |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100673309B1 (en) * | 2005-04-25 | 2007-01-24 | 김건형 | System for predicting remains life and predicting server Controlling method thereof |
| KR20060131154A (en) * | 2005-06-15 | 2006-12-20 | 주식회사 리얼 에이지 | System for measuring biological age and service method thereof |
| US8409104B2 (en) * | 2008-05-02 | 2013-04-02 | Conopco Inc. | Heart age assessment |
| JP5185785B2 (en) * | 2008-11-19 | 2013-04-17 | オムロンヘルスケア株式会社 | Health condition judgment device |
| EP2781602A1 (en) * | 2013-03-21 | 2014-09-24 | Universität Konstanz | Method for the determination of biological age in human beings |
| KR101603308B1 (en) * | 2013-11-20 | 2016-03-14 | 주식회사 바이오에이지 | Biological age calculation model generation method and system thereof, biological age calculation method and system thereof |
-
2015
- 2015-03-04 KR KR1020150030331A patent/KR101669526B1/en active IP Right Grant
-
2016
- 2016-01-13 CN CN201680020966.9A patent/CN108475542A/en active Pending
- 2016-01-13 JP JP2017546614A patent/JP6640868B2/en active Active
- 2016-01-13 WO PCT/KR2016/000353 patent/WO2016140432A2/en active Application Filing
-
2018
- 2018-12-10 HK HK18115784.8A patent/HK1256728A1/en unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003167959A (en) * | 2001-11-29 | 2003-06-13 | Hitachi Ltd | Health control support method and device and health rest life predicting data generating method and device |
| JP2007026172A (en) * | 2005-07-19 | 2007-02-01 | Ntt Data Corp | Subject selecting device |
| JP2009199450A (en) * | 2008-02-22 | 2009-09-03 | Toshiba Corp | Health guidance support system |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021100215A (en) * | 2019-12-23 | 2021-07-01 | Ｔｖｓ Ｒｅｇｚａ株式会社 | Viewing history analysis device and viewing history analysis device program |
| JP7277351B2 (en) | 2019-12-23 | 2023-05-18 | Ｔｖｓ Ｒｅｇｚａ株式会社 | Viewing history analysis device and viewing history analysis device program |
| JP2021135618A (en) * | 2020-02-25 | 2021-09-13 | 日新ビジネス開発株式会社 | Age learning device, age estimation device, age learning method, and age learning program |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108475542A (en) | 2018-08-31 |
| HK1256728A1 (en) | 2019-10-04 |
| KR20160107508A (en) | 2016-09-19 |
| KR101669526B1 (en) | 2016-10-26 |
| WO2016140432A2 (en) | 2016-09-09 |
| JP6640868B2 (en) | 2020-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2018512659A (en) | Prediction method of remaining life using biological age | |
| Goldstein et al. | Association of gestational weight gain with maternal and infant outcomes: a systematic review and meta-analysis | |
| Velásquez | Dynamical systems applied to dynamic variables of patients from the intensive care unit (ICU): Physical and mathematical mortality predictions on ICU | |
| US20200315518A1 (en) | Apparatus for processing data for predicting dementia through machine learning, method thereof, and recording medium storing the same | |
| Bokma et al. | Value of cardiovascular magnetic resonance imaging in noninvasive risk stratification in tetralogy of Fallot | |
| Chester Wasko et al. | Prednisone use and risk of mortality in patients with rheumatoid arthritis: moderation by use of disease‐modifying antirheumatic drugs | |
| Sud et al. | Association between adherence to fractional flow reserve treatment thresholds and major adverse cardiac events in patients with coronary artery disease | |
| KR20160086730A (en) | Method of predicting cardiovascular disease risk using cardiovascular disease risk factors | |
| Gutiérrez-Tobal et al. | Ensemble-learning regression to estimate sleep apnea severity using at-home oximetry in adults | |
| Leisy et al. | ECG-based signal analysis technologies for evaluating patients with acute coronary syndrome: A systematic review | |
| Riley et al. | Diagnostic time course, treatment, and in-hospital outcomes for patients with ST-segment elevation myocardial infarction presenting with nondiagnostic initial electrocardiogram: a report from the American Heart Association Mission: Lifeline program | |
| Mena et al. | Machine learning approach to extract diagnostic and prognostic thresholds: application in prognosis of cardiovascular mortality | |
| Li et al. | Biological age models based on a healthy Han Chinese population | |
| US20180018424A1 (en) | Biomarker search method, biomarker search device, and program | |
| Mamun | Cuff-less blood pressure measurement based on hybrid feature selection algorithm and multi-penalty regularized regression technique | |
| RU2523391C1 (en) | Method for prediction of risk of developing coronary artery restenosis after stenting procedure in patients with ischemic heart disease | |
| JP6401297B2 (en) | Insulin secretion capacity analysis apparatus, insulin secretion capacity analysis system including the apparatus, and insulin secretion capacity analysis method | |
| CN116313053A (en) | Postoperative complications prediction model training method and postoperative complications prediction method | |
| KR101121226B1 (en) | Discriminant apparatus for obesity syndrome differentiation and discriminant method for obesity syndrome differentiation | |
| Du et al. | Validity of the SARC-F questionnaire in assessing sarcopenia in patients with chronic kidney disease: a cross-sectional study | |
| Wolters | An AI-ECG algorithm for atrial fibrillation risk: steps towards clinical implementation | |
| CN113707272A (en) | Evaluation model for suitable population for interventional therapy of radial artery access liver cancer and construction method | |
| Aggarwal | A machine learning based approach for the identification of insulin resistance with non-invasive parameters using homa-IR | |
| Moghaddam et al. | Impact of saline loading at cardiac catheterization on the classification and management of patients evaluated for pulmonary hypertension | |
| Subasic | Hypertrophic cardiomyopathy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171102 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180116 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180824 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181002 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181225 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20190604 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190906 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20191016 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20191203 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191226 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6640868 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |