JP2020135489A - Health care data analyzer and health care data analysis method - Google Patents
Health care data analyzer and health care data analysis method Download PDFInfo
- Publication number
- JP2020135489A JP2020135489A JP2019028897A JP2019028897A JP2020135489A JP 2020135489 A JP2020135489 A JP 2020135489A JP 2019028897 A JP2019028897 A JP 2019028897A JP 2019028897 A JP2019028897 A JP 2019028897A JP 2020135489 A JP2020135489 A JP 2020135489A
- Authority
- JP
- Japan
- Prior art keywords
- risk
- data
- healthcare data
- objective variable
- value
- 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
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
本発明は、ヘルスケアデータを分析するヘルスケアデータ分析システムに関し、特に疾病の予防を支援する技術に関する。 The present invention relates to a healthcare data analysis system for analyzing healthcare data, and more particularly to a technique for supporting disease prevention.
疾病の予防を支援する方法として、特許文献1には、レセプト情報、健診情報、及び保健指導情報に基づいて、保健指導対象者を選択する保険事業支援システムであって、健康保険加入者の重症度及び検査値ごとの予測医療費を示す医療費モデルを作成する医療費モデル作成部と、重症度及び検査値ごとの改善量を示す検査値改善モデルを作成する検査値改善モデル作成部と、保健指導による予測医療費削減量を重症度及び検査値ごとに算出する予測医療費削減効果算出部と、予測医療費削減量が高い重症度及び検査値に属する健康保険加入者を保健指導対象者として選択する対象者選択部と、を備える保険事業支援システムが記載されている。 As a method of supporting the prevention of illness, Patent Document 1 provides an insurance business support system for selecting a health guidance target person based on receipt information, medical examination information, and health guidance information, and is an insurance business support system for health insurance subscribers. A medical cost model creation department that creates a medical cost model that shows the predicted medical cost for each severity and test value, and a test value improvement model creation department that creates a test value improvement model that shows the severity and the amount of improvement for each test value. , Predicted medical cost reduction effect calculation department that calculates the predicted medical cost reduction amount by health guidance for each severity and test value, and health insurance subscribers belonging to the high severity and test value of the predicted medical cost reduction amount are targeted for health guidance An insurance business support system equipped with a target person selection section for selecting a person is described.
将来の疾病リスクを低減するためには、将来の疾病リスクを分析し、リスク低減効果によって予防施策を比較し評価する必要がある。検査値の値や、年齢、身長、体重等の基本情報、生活習慣などの属性によって、疾病発症のリスクが変動することが知られており、診療行為の情報(例えばレセプト情報)や検査結果を含むヘルスケアデータを用いた機械学習によって予測モデルを構築する方法が考えられる。しかし、将来、検査値が大きく悪化する人や、実際に疾病を発症する人の割合は全体からみると少ない場合があり、大多数の人の傾向に合わせて予測モデルを学習する従来の機械学習技術では、低確率で発生する検査値の悪化や疾病のリスクを分析するためのモデル構築が難しいという問題があった。 In order to reduce future disease risk, it is necessary to analyze future disease risk and compare and evaluate preventive measures based on the risk reduction effect. It is known that the risk of developing a disease varies depending on the test value, basic information such as age, height, and weight, and attributes such as lifestyle, and information on medical practice (for example, receipt information) and test results can be obtained. A method of constructing a predictive model by machine learning using the including healthcare data can be considered. However, in the future, the proportion of people whose test values will deteriorate significantly or who will actually develop the disease may be small overall, and conventional machine learning that learns predictive models according to the tendency of the majority of people. With the technology, there is a problem that it is difficult to build a model for analyzing the deterioration of test values and the risk of diseases that occur with low probability.
本願において開示される発明の代表的な一例を示せば以下の通りである。すなわち、ヘルスケアデータ分析装置であって、所定の処理を実行する演算装置と、前記演算装置に接続された記憶デバイスとを有する計算機によって構成され、入力されたヘルスケアデータの少なくとも1項目のデータを用いて、各データに類似するN個のデータの集合を生成し、前記生成された集合内で、他の1項目のヘルスケアデータが大きい又は小さい方から所定割合に位置する値を目的変数とするリスク分析用データを生成する上位リスク値算出部と、前記入力されたヘルスケアデータの一部又は全部を説明変数とし、前記リスク分析用データに含まれる目的変数を予測するリスク予測モデルを、これらのデータの学習によって生成するリスク予測モデル生成部と、前記リスク予測モデルに前記ヘルスケアデータを入力して、前記目的変数によって表されるリスクを予測するリスク予測部とを備えることを特徴とする。 A typical example of the invention disclosed in the present application is as follows. That is, it is a healthcare data analyzer, which is composed of a computer having a calculation device that executes a predetermined process and a storage device connected to the calculation device, and data of at least one item of input healthcare data. Is used to generate a set of N data similar to each data, and the objective variable is a value located in a predetermined ratio from the larger or smaller health care data of the other one item in the generated set. A risk prediction model that predicts the objective variable included in the risk analysis data, using the upper risk value calculation unit that generates the risk analysis data and a part or all of the input healthcare data as explanatory variables. , A risk prediction model generation unit generated by learning these data, and a risk prediction unit that inputs the healthcare data into the risk prediction model and predicts the risk represented by the objective variable. And.
本発明の一態様によれば、低確率で発生する疾病リスクを分析できる。前述した以外の課題、構成及び効果は、以下の実施例の説明によって明らかにされる。 According to one aspect of the present invention, the risk of disease occurring with a low probability can be analyzed. Issues, configurations and effects other than those mentioned above will be clarified by the description of the following examples.
本発明の実施例では、ヘルスケアデータを分析するヘルスケアデータ分析システムの一例である疾病予防支援装置を説明する。 In the embodiment of the present invention, a disease prevention support device which is an example of a healthcare data analysis system for analyzing healthcare data will be described.
将来の疾病リスクを低減するためには、将来の疾病リスクを分析し、リスク低減効果によって予防施策を比較し評価する必要がある。検査値の値や、年齢、身長、体重等の基本情報、生活習慣などの属性によって、疾病発症のリスクが変動することが知られており、診療行為の情報(例えばレセプト情報)や健診情報を含むヘルスケアデータを用いた機械学習によって予測モデルを構築する方法が考えられる。しかし、将来、検査値が大きく悪化する人や、実際に疾病を発症する人の割合は全体からみると少ない場合があり、大多数の人の傾向に合わせて予測モデルを学習する従来の機械学習技術では、低確率で発生する検査値の悪化や疾病のリスクを分析するためのモデル構築が難しい場合がある。 In order to reduce future disease risk, it is necessary to analyze future disease risk and compare and evaluate preventive measures based on the risk reduction effect. It is known that the risk of developing a disease varies depending on the test value, basic information such as age, height, and weight, and attributes such as lifestyle, and medical practice information (for example, receipt information) and medical examination information. A method of constructing a prediction model by machine learning using healthcare data including the above can be considered. However, in the future, the proportion of people whose test values will deteriorate significantly or who will actually develop the disease may be small overall, and conventional machine learning that learns predictive models according to the tendency of the majority of people. With technology, it can be difficult to build a model to analyze the risk of disease and deterioration of test values that occur with low probability.
例えば、HbA1cの値が糖尿病リスクに関連するという医学的知見を用いて、HbA1cの経年変化量から糖尿病リスクを予測する方法が考えられる。しかし、大多数のデータはHbA1cの経年変化量が小さく、HbA1cの経年変化量が大きいデータは少数である。機械学習では多くのデータに良く適合する予測モデルを学習するため、HbA1cの経年変化量が大きい少数のデータの傾向に基づいた糖尿病のリスク予測が困難である。 For example, a method of predicting the risk of diabetes from the secular change of HbA1c can be considered by using the medical finding that the value of HbA1c is related to the risk of diabetes. However, most of the data have a small amount of HbA1c aging, and a small number of data have a large amount of HbA1c aging. Since machine learning learns a prediction model that fits a lot of data well, it is difficult to predict the risk of diabetes based on the tendency of a small number of data in which the amount of change over time of HbA1c is large.
しかし、いくら少数とはいえ、例えば、10万人の母集団の数%である数千人のデータの傾向を分析し、母集団の平均的傾向とは異なるリスクモデルを人手で構築する作業は困難であり、機械学習のように大量のデータを処理するための手法を用いる必要がある。 However, the task of manually building a risk model that differs from the average trend of the population by analyzing the trends of data of thousands, which is a few percent of the population of 100,000, for example, even if it is a small number. It is difficult and it is necessary to use a method for processing a large amount of data such as machine learning.
そこで、本実施例では、母集団のうちリスクの高い少数のデータの特徴を学習することによって、低確率で発生する疾病のリスクを分析する疾病予防支援装置について説明する。 Therefore, in this embodiment, a disease prevention support device that analyzes the risk of a disease that occurs with a low probability by learning the characteristics of a small number of high-risk data in the population will be described.
以下の実施例では、疾病リスクを分析し、疾病の予防を支援するシステムについて説明する。なお、本実施例で例示するデータは、実際の個人のデータではなく、本発明の方法を説明する目的で作成した仮想的なデータである。 The following examples describe a system that analyzes disease risk and assists in disease prevention. The data illustrated in this embodiment is not actual personal data, but virtual data created for the purpose of explaining the method of the present invention.
図1は、本実施例の疾病予防支援装置101の構成例を示すブロック図である。 FIG. 1 is a block diagram showing a configuration example of the disease prevention support device 101 of this embodiment.
本実施例の疾病予防支援装置101は、入力装置102、表示装置103、通信装置104、演算装置105、メモリ106、及び補助記憶装置107を含む計算機によって構成される。 The disease prevention support device 101 of this embodiment is composed of a computer including an input device 102, a display device 103, a communication device 104, an arithmetic unit 105, a memory 106, and an auxiliary storage device 107.
入力装置102は、ユーザからのコマンド等の入力を受け付ける、例えば、キーボードや、マウスや、タッチパネル等である。入力装置102は、演算装置105が実行するプログラムの制御、及び疾病予防支援装置101に接続された機器の制御のために実行されるコマンド等の入力を受け付ける。 The input device 102 receives an input such as a command from a user, for example, a keyboard, a mouse, a touch panel, or the like. The input device 102 receives an input such as a command executed for controlling a program executed by the arithmetic unit 105 and controlling a device connected to the disease prevention support device 101.
表示装置103は、液晶表示装置やCRTなどで構成されるディスプレイ装置である。通信装置104は、例えば、所定のプロトコルに従って、疾病予防支援装置101による処理内容を外部機器に送信したり、外部機器から情報を受信したりする。 The display device 103 is a display device composed of a liquid crystal display device, a CRT, or the like. The communication device 104 transmits, for example, the processing content of the disease prevention support device 101 to an external device or receives information from the external device according to a predetermined protocol.
演算装置105は、プロセッサを含み、メモリ106に格納されたプログラムを実行する。メモリ106は、不揮発性の記憶素子であるROM及び不揮発性の記憶素子であるRAMを含む。ROMは、不変のプログラム(例えば、BIOS)などを格納する。RAMは、DRAM(Dynamic Random Access Memory)のような高速かつ揮発性の記憶素子であり、演算装置105が実行するプログラム及びプログラムの実行時に使用されるデータを一時的に格納する。 The arithmetic unit 105 includes a processor and executes a program stored in the memory 106. The memory 106 includes a ROM which is a non-volatile storage element and a RAM which is a non-volatile storage element. The ROM stores an invariant program (for example, BIOS) and the like. The RAM is a high-speed and volatile storage element such as a DRAM (Dynamic Random Access Memory), and temporarily stores a program executed by the arithmetic unit 105 and data used when the program is executed.
補助記憶装置107は、例えば、磁気記憶装置(HDD)、フラッシュメモリ(SSD)等で構成される大容量かつ不揮発性の記憶装置であり、演算装置105が実行するプログラム及びプログラムの実行時に使用されるデータを格納する。例えば、補助記憶装置107は、分析用データ110を保持する。すなわち、プログラムは、補助記憶装置107から読み出されて、メモリ106にロードされて、演算装置105によって実行される。 The auxiliary storage device 107 is a large-capacity, non-volatile storage device composed of, for example, a magnetic storage device (HDD), a flash memory (SSD), etc., and is used when executing a program executed by the arithmetic unit 105 and a program. Store data. For example, the auxiliary storage device 107 holds the analysis data 110. That is, the program is read from the auxiliary storage device 107, loaded into the memory 106, and executed by the arithmetic unit 105.
演算装置105が実行するプログラムは、リムーバブルメディア(CD−ROM、フラッシュメモリなど)又はネットワークを介して疾病予防支援装置101に提供され、非一時的記憶媒体である不揮発性の補助記憶装置107に格納される。このため、疾病予防支援装置101は、リムーバブルメディアからデータを読み込むインタフェースを有するとよい。 The program executed by the arithmetic unit 105 is provided to the disease prevention support device 101 via a removable medium (CD-ROM, flash memory, etc.) or a network, and is stored in the non-volatile auxiliary storage device 107, which is a non-temporary storage medium. Will be done. Therefore, the disease prevention support device 101 may have an interface for reading data from the removable media.
疾病予防支援装置101は、物理的に一つの計算機上で、又は、論理的又は物理的に構成された複数の計算機上で構成される計算機システムであり、同一の計算機上で別個のスレッドで処理してもよく、複数の物理的計算機資源上に構築された仮想計算機上で処理してもよい。 The disease prevention support device 101 is a computer system composed of physically one computer or a plurality of computers logically or physically configured, and processes on the same computer in separate threads. It may be processed on a virtual computer built on a plurality of physical computer resources.
なお、演算装置105がプログラムを実行して行う処理の一部を、他の演算装置(例えば、FPGA(Field Programable Gate Array)やASIC(Application Specific Integrated Circuit)などのハードウェア)で実行してもよい。 Even if a part of the processing performed by the arithmetic unit 105 by executing the program is executed by another arithmetic unit (for example, hardware such as FPGA (Field Programable Gate Array) or ASIC (Application Specific Integrated Circuit)). Good.
演算装置105は、メモリ106にロードされたリスク分析処理プログラムに従って処理を実行することで、リスク分析処理部108として機能する。 The arithmetic unit 105 functions as the risk analysis processing unit 108 by executing the processing according to the risk analysis processing program loaded in the memory 106.
次に、分析用データ110の例について説明する。まず、人の年齢、性別などの基本情報、各種検査値、および投薬情報などの受診情報等を予め収集する。図2A、図2B、図2Cは、それぞれ、基本情報201、検査値情報202、受診情報203の構成例を示す図である。 Next, an example of the analysis data 110 will be described. First, basic information such as a person's age and gender, various test values, and consultation information such as medication information are collected in advance. 2A, 2B, and 2C are diagrams showing configuration examples of basic information 201, test value information 202, and consultation information 203, respectively.
図2Aに示すように、基本情報201は、個人の性別、年齢、所属など、各人の属性を示すプロファイルデータを記録する。IDは、個人に一意に割り当てられた数字等の文字列である。記録年は、当該情報が記録された年である。基本情報201は、例えば、年齢、性別ごとにリスクを分析したり、予防施策を策定したりするために用いられる。基本情報201に示すように、所属ごとにリスクを分析する場合や、所属ごとに予防施策を策定する場合などには、企業などの組織内での所属の情報を含んでもよい。また、目的に応じて他の属性情報を含んでもよい。さらに、既往歴など、問診等で得られる情報を含んでもよい。 As shown in FIG. 2A, the basic information 201 records profile data indicating the attributes of each person such as the gender, age, and affiliation of the individual. The ID is a character string such as a number uniquely assigned to an individual. The recording year is the year in which the information was recorded. Basic information 201 is used, for example, to analyze risks by age and gender, and to formulate preventive measures. As shown in Basic Information 201, information on affiliation within an organization such as a company may be included when analyzing risks for each affiliation or when formulating preventive measures for each affiliation. In addition, other attribute information may be included depending on the purpose. Furthermore, it may include information obtained by interviews and the like, such as medical history.
図2Bに示すように、検査値情報202は、個人の身長、体重、血液検査の結果など、各種検査値を記録する。特に、本実施例では、脂質異常症、高血圧症、糖尿病など、分析対象となる疾病に関連する検査値などを記録するとよい。例えば、HbA1cは、血糖状態を示す指標である。これらの検査値は、例えば、毎年実施される健康診断などで測定された値を用いるとよい。 As shown in FIG. 2B, the test value information 202 records various test values such as an individual's height, weight, and blood test results. In particular, in this example, it is advisable to record test values related to diseases to be analyzed, such as dyslipidemia, hypertension, and diabetes. For example, HbA1c is an indicator of blood glucose status. As these test values, for example, it is preferable to use the values measured in a health check conducted every year.
図2Cに示すように、受診情報203は、個人の医療機関での受診状況などを記録する。受診情報203は、例えば、レセプトに含まれる情報から生成できる。レセプトは、各個人が医療機関を受診した傷病名、診療行為、処方された医薬品などの情報を含む。受診情報203に記録される値は、各人が当該記録年に、該当する傷病名の診断、医薬品の処方、診療行為を受けた場合には1、受けていない場合には0を記録している。例えば、図2Cに示す例では、IDが13812の人が2012年に糖尿病経口薬Aの処方を受けたことを示している。なお、図2Cに示した糖尿病経口薬A、糖尿病経口薬B、傷病名A等の項目は、レセプト等に記載される特定の傷病名、医薬品、医療行為名でもよいし、複数の傷病名、医薬品、医療行為をまとめたものでもよい。例えば、糖尿病経口薬Aは、2つの医薬品XとYをまとめたものであるとすると、いずれかの医薬品の処方を受けた場合は1、いずれも受けていない場合には0を記録する。これらは、分析の目的に応じて分類を定義しておく。図2Cでは、0と1の二値で示すが、診断、処方、医療行為を受けた回数を記録してもよい。また、当該治療行為にかかる推定医療費等を記録してもよい。 As shown in FIG. 2C, the consultation information 203 records the consultation status at an individual medical institution. The consultation information 203 can be generated from, for example, the information contained in the receipt. The receipt includes information such as the name of the injury or illness that each individual visited a medical institution, medical practice, and prescribed medicines. The value recorded in the consultation information 203 is 1 if each person has received a diagnosis of the corresponding injury or illness name, prescription of a drug, or medical treatment in the relevant recording year, and 0 if not. There is. For example, the example shown in FIG. 2C shows that a person with an ID of 13812 was prescribed diabetic oral drug A in 2012. The items such as oral diabetic drug A, oral diabetic drug B, and injury / illness name A shown in FIG. 2C may be specific injury / illness names, medicines, medical practice names, etc. described in the receipt or the like, or a plurality of injury / illness names. It may be a collection of medicines and medical practices. For example, if the oral diabetic drug A is a combination of two drugs X and Y, 1 is recorded when one of the drugs is prescribed, and 0 is recorded when neither drug is prescribed. For these, the classification is defined according to the purpose of analysis. In FIG. 2C, shown by the binary value of 0 and 1, the number of times of diagnosis, prescription, and medical treatment may be recorded. In addition, the estimated medical expenses and the like for the treatment may be recorded.
基本情報201、検査値情報202及び受診情報203は、予め各人に割り当てられたIDで関連付けられる。また、図2Aから図2Cに示す例では、2012年のデータのみを示したが、複数年分のデータが保持される。 The basic information 201, the test value information 202, and the consultation information 203 are associated with an ID assigned to each person in advance. Further, in the examples shown in FIGS. 2A to 2C, only the data for 2012 is shown, but the data for a plurality of years is retained.
これらのデータをIDで突合し、分析用データを作成する。図3Aに例示する分析用説明変数生成用データ301は、基本情報201、検査値情報202及び受診情報203を突合して作成される。また、同様にして、図3Bに例示する目的変数生成用データ302に示すように、2016年のデータも作成できる。 These data are collated by ID to create analysis data. The analysis explanatory variable generation data 301 illustrated in FIG. 3A is created by collating the basic information 201, the test value information 202, and the consultation information 203. Similarly, as shown in the objective variable generation data 302 illustrated in FIG. 3B, the data for 2016 can also be created.
本実施例の疾病予防支援装置101は、疾病リスクを分析するために、疾病リスクの指標となる値を目的変数として用いる。糖尿病の場合には、その指標としてHbA1cの変化量を用いる。図3Cに例示する分析用目的変数データ303は、HbA1cの変化量として、2016年のHbA1cと2012年のHbA1cの差分を記録している。HbA1cは、血糖状態を示す指標の一つであり、HbA1cが大きく増加すれば、糖尿病リスクが増大していることが推定される。また、高血圧症の場合には収縮期血圧値や拡張期血圧値を用い、脂質異常症の場合にはLDLコレステロール値やHDLコレステロール値を用い、肝機能の場合にはγ−GTPなどを用いてもよい。 The disease prevention support device 101 of this embodiment uses a value as an index of disease risk as an objective variable in order to analyze the disease risk. In the case of diabetes, the amount of change in HbA1c is used as an index. The analytical objective variable data 303 illustrated in FIG. 3C records the difference between HbA1c in 2016 and HbA1c in 2012 as the amount of change in HbA1c. HbA1c is one of the indicators of blood glucose status, and it is presumed that if HbA1c is significantly increased, the risk of diabetes is increased. In addition, systolic blood pressure and diastolic blood pressure are used in the case of hypertension, LDL cholesterol and HDL cholesterol are used in the case of dyslipidemia, and γ-GTP is used in the case of liver function. May be good.
糖尿病リスクを測る指標としてHbA1cの変化量の他の指標を用いてもよい。例えば、HbA1cの変化量ではなく、2016年のHbA1c値そのものを用いてもよく、空腹時血糖を用いてもよい。また、糖尿病経口薬の処方量、インスリンの処方量、又は糖尿病に関係する医療費などを用いてもよい。また、高血圧症、脂質異常症、肝機能などの他の疾病の場合にも同様に、疾病や分析したいリスクに応じて適切な指標を設定するとよい。 Other indicators of the amount of change in HbA1c may be used as an index for measuring the risk of diabetes. For example, instead of the amount of change in HbA1c, the 2016 HbA1c value itself may be used, or fasting blood glucose may be used. In addition, the prescribed amount of oral diabetic drug, the prescribed amount of insulin, medical expenses related to diabetes, and the like may be used. Similarly, in the case of other diseases such as hypertension, dyslipidemia, and liver function, it is advisable to set an appropriate index according to the disease and the risk to be analyzed.
分析用説明変数生成用データ301に示す変数と、目的変数生成用データ302と、分析用目的変数データ303に示す目的変数とを含む分析用データを作成して、分析用データ110に保存する。 An analysis data including the variables shown in the analysis explanatory variable generation data 301, the objective variable generation data 302, and the objective variable shown in the analysis objective variable data 303 is created and stored in the analysis data 110.
本実施例では、分析用説明変数生成用データ301に示す2012年の基本情報201、検査値情報202及び受診情報203から、分析用目的変数データ303に示す将来のHbA1cの変化量を予測することによって、疾病のリスクを分析する方法を説明する。 In this embodiment, the future change amount of HbA1c shown in the analysis objective variable data 303 is predicted from the 2012 basic information 201, the test value information 202, and the consultation information 203 shown in the analysis explanatory variable generation data 301. Explains how to analyze the risk of disease.
以下、図5を参照しながら、本発明のリスク分析処理108の処理の流れを説明する。 Hereinafter, the processing flow of the risk analysis processing 108 of the present invention will be described with reference to FIG.
まず、図5Aに示すように、分析用データA501は、分析用説明変数生成用データ301、目的変数生成用データ302、分析用目的変数データ303の一部又は全部のIDのデータを抽出して生成される。例えば、特定の年齢層、性別、所属などに限定して分析したい場合には、該当するデータを抽出する。また、分析の目的に応じて、項目の一部のみを用いてもよい。例えば、特定の疾病(例えば、糖尿病)に関連する項目のみを用いる、所属が不要の場合には所属は削除するなどとしてもよい。 First, as shown in FIG. 5A, the analysis data A501 extracts data having IDs of a part or all of the analysis explanatory variable generation data 301, the objective variable generation data 302, and the analysis objective variable data 303. Will be generated. For example, if you want to limit the analysis to a specific age group, gender, affiliation, etc., extract the relevant data. In addition, only a part of the items may be used depending on the purpose of the analysis. For example, only items related to a specific disease (for example, diabetes) may be used, or the affiliation may be deleted when the affiliation is unnecessary.
次に、予測モデル生成処理502によって、分析用データA501から予測モデル503を生成する。予測モデル503には、生成された予測モデル503のパラメータの情報を記録する。 Next, the prediction model generation process 502 generates the prediction model 503 from the analysis data A501. The prediction model 503 records the parameter information of the generated prediction model 503.
予測モデル生成処理502では、分析用説明変数生成用データ301の基本情報201、検査値情報202及び受診情報203の一部又は全部を説明変数として、分析用目的変数データ303のHbA1c変化量を予測するモデルを、これらのデータを用いて学習する。モデルの学習には、公知の機械学習技術を用いることができる。 In the prediction model generation process 502, the amount of change in HbA1c of the analysis objective variable data 303 is predicted by using a part or all of the basic information 201, the test value information 202, and the consultation information 203 of the analysis explanatory variable generation data 301 as explanatory variables. The model to be used is trained using these data. A known machine learning technique can be used for learning the model.
例えば、線形回帰モデルの場合には、説明変数をx1、x2、…、xnとして、目的変数をyとすると、モデルは、y=α1x1+α2x2+…+αmxmで表され、パラメータα1、α2、…、αmが生成される。このパラメータを予測モデル503として保存する。なお、このモデルには、多項式、SVR(Support Vector Regression)、ニューラルネットワークなど、公知の技術を用いることができる。このようにして、予測モデル生成処理502では、説明変数xに基づいて目的変数yを予測する関数f(x)が生成され、その関数のパラメータが予測モデル503として記録される。通常は、SVRを用いるとよい。 For example, in the case of a linear regression model, if the explanatory variables are x1, x2, ..., Xn and the objective variable is y, the model is represented by y = α1x1 + α2x2 + ... + αmxm, and the parameters α1, α2, ..., αm are Will be generated. This parameter is stored as the prediction model 503. For this model, known techniques such as polynomials, SVR (Support Vector Regression), and neural networks can be used. In this way, in the prediction model generation process 502, a function f (x) that predicts the objective variable y based on the explanatory variable x is generated, and the parameters of the function are recorded as the prediction model 503. Usually, SVR should be used.
図7A、図7Bを用いて、予測モデル503について説明する。図7A、図7Bは、予測モデル生成処理502を説明するための模式図である。実際には、より多くのデータを用いるとよい。以下では、疾病として糖尿病を想定し、指標としてHbA1cを用いるが、他の疾病及び指標の場合にも同様の処理が適用できる。 The prediction model 503 will be described with reference to FIGS. 7A and 7B. 7A and 7B are schematic views for explaining the prediction model generation process 502. In practice, it is better to use more data. In the following, diabetes is assumed as a disease and HbA1c is used as an index, but the same treatment can be applied to other diseases and indexes.
図7A、図7Bは、その横軸701が分析用説明変数生成用データ301の2012年のHbA1cを表し、縦軸702が分析用目的変数データ303のHbA1c変化量を表しており、各人の値をプロットした様子を示す散布図である。図では簡単化のために、一つの変数(2012年のHbA1c)を用いて説明をするが、他の変数でも同様である。 In FIGS. 7A and 7B, the horizontal axis 701 represents the 2012 HbA1c of the analytical explanatory variable generation data 301, and the vertical axis 702 represents the amount of change in the HbA1c of the analytical objective variable data 303. It is a scatter diagram which shows the state which plotted the value. In the figure, for the sake of simplicity, one variable (HbA1c in 2012) is used for explanation, but the same applies to the other variables.
図7Aに示す例では、HbA1c(横軸)の値が線704を超えたあたりから、HbA1c変化量の増大リスクが大きくなっている。すなわち、線704の左側と比較し、線704の右側には、HbA1c変化量が大きい領域(楕円705)にデータ点の数が多い。本実施例の疾病予防支援装置101は、このような状況において、リスクの変化(HbA1cの増加量の変化)の分析を目的の一つとする。 In the example shown in FIG. 7A, the risk of increase in the amount of change in HbA1c increases from the point where the value of HbA1c (horizontal axis) exceeds the line 704. That is, the number of data points is larger in the region (ellipse 705) where the amount of change in HbA1c is large on the right side of the line 704 as compared with the left side of the line 704. One of the purposes of the disease prevention support device 101 of this embodiment is to analyze changes in risk (changes in the amount of increase in HbA1c) in such a situation.
予測線703は、予測モデル生成処理502において作成されるHbA1cからHbA1c変化量を予測する回帰曲線について説明するための例である。これは、4年後の平均的なHbA1c変化量を予測するモデルと考えられる。例えば、この予測モデル503の入力として、図4Aに示す予測分析対象説明変数生成用データ401の2017年のデータ用いて、4年後(2021年)の平均的なHbA1c変化量を予測できる。 The prediction line 703 is an example for explaining a regression curve for predicting the amount of change from HbA1c to HbA1c created in the prediction model generation process 502. This is considered to be a model for predicting the average amount of change in HbA1c after 4 years. For example, as an input of this prediction model 503, the average amount of change in HbA1c after 4 years (2021) can be predicted by using the 2017 data of the prediction analysis target explanatory variable generation data 401 shown in FIG. 4A.
図7Aでは、HbA1c値が線704を超えたあたりから、楕円705に示すようにHbA1cの増大リスクが大きくなっている。しかし、予測線703は、線704の前後で、大きな変化が見られない。 In FIG. 7A, when the HbA1c value exceeds the line 704, the risk of increase in HbA1c increases as shown in the ellipse 705. However, the prediction line 703 does not show a large change before and after the line 704.
これについて説明する。図7Aでは、HbA1c値が線704を超えても、大多数のデータ点が、HbA1c変化量が小さい楕円706の領域にあり、楕円705の領域にあるデータ点は少数である。機械学習では、多くのデータに良く適合する予測モデル503を学習する。そのため、楕円705にあるデータ点の数が、楕円706にあるデータ点の数に比べて少ない場合には、楕円705にあるデータの影響は小さくなり、予測線703に示すように、楕円705内のデータ点に示すリスクの増大を予測することは難しい。 This will be described. In FIG. 7A, even if the HbA1c value exceeds the line 704, the majority of data points are in the region of the ellipse 706 where the amount of change in HbA1c is small, and the number of data points in the region of the ellipse 705 is small. In machine learning, a prediction model 503 that fits a lot of data well is learned. Therefore, when the number of data points in the ellipse 705 is smaller than the number of data points in the ellipse 706, the influence of the data in the ellipse 705 becomes small, and as shown in the prediction line 703, the inside of the ellipse 705 It is difficult to predict the increase in risk shown in the data points of.
図7Aに示すように、検査値の値や属性(生活習慣など)によって、疾病発症のリスクが増大することがある。しかし、検査値が大きく悪化する人や、実際に疾病を発症する人の割合は全体からみると少ないという状況が、疾病リスクの解析において生じることがある。このように、大多数の人に対する予測モデル503を学習する従来の機械学習技術では、低確率で発生する疾病のリスクを分析するモデルの構築が困難である。 As shown in FIG. 7A, the risk of developing a disease may increase depending on the values and attributes (lifestyle, etc.) of the test values. However, in the analysis of disease risk, there may be a situation in which the proportion of people whose test values deteriorate significantly or who actually develop the disease is small as a whole. As described above, it is difficult to construct a model for analyzing the risk of a disease that occurs with a low probability by the conventional machine learning technique for learning the prediction model 503 for the majority of people.
そこで、本実施例では、このような低確率で発生する疾病のリスクを分析する方法を提供する。図5Aを参照して、本実施例の方法を説明する。 Therefore, in this embodiment, we provide a method for analyzing the risk of diseases that occur with such a low probability. The method of this embodiment will be described with reference to FIG. 5A.
予測モデル生成処理502では、目的変数として分析用目的変数データ303の例のように、各人のHbA1cの変化量など、人ごとに算出される値を用いている。これに対して、本実施例では、分析用データA501から上位リスク値算出処理504によって、リスク分析用の新たな目的変数を生成し、生成されたリスク分析用目的変数(図4B参照)を用いることによって、少数派に対するリスク分析を可能とする。 In the prediction model generation process 502, a value calculated for each person, such as the amount of change in HbA1c of each person, is used as the objective variable, as in the example of the objective variable data 303 for analysis. On the other hand, in this embodiment, a new objective variable for risk analysis is generated from the analysis data A501 by the upper risk value calculation process 504, and the generated objective variable for risk analysis (see FIG. 4B) is used. This enables risk analysis for the minority.
以下では、上位リスク値算出処理504とリスク分析用データA505について説明する。上位リスク値算出処理504では、各人に対して、類似したN人の集合を生成し、その集合内で、HbA1c変化量が大きい上位X%に位置する値を上位リスク値として、リスク分析用データA505に記録する。なお、上位リスク値算出処理504では、分析用説明変数生成用データ301の一部の変数のみを説明変数として用いてもよいし、全ての変数を用いてもよい。 In the following, the upper risk value calculation process 504 and the risk analysis data A505 will be described. In the upper risk value calculation process 504, a set of similar N persons is generated for each person, and the value located in the upper X% with a large change in HbA1c in the set is set as the upper risk value for risk analysis. Record in data A505. In the upper risk value calculation process 504, only some variables of the analysis explanatory variable generation data 301 may be used as explanatory variables, or all variables may be used.
例えば、N=100、X=5とした場合を説明する。上位リスク値算出処理504では、分析用説明変数生成用データ301のIDが22813のデータと、2012年のHbA1c値が近い100件(N=100)のIDを抽出する。抽出された各IDについて、分析用目的変数データ303のHbA1c変化量が大きい順に、c1、c2、…、c100とする。このとき、上位5%(X=5)に位置する値は、c5となるため、その値をIDが22813のHbA1c上位変化量(上位リスク値)として、リスク分析用目的変数データ402(図4B)に記録する。他のIDについても、同様の処理を行い、リスク分析用目的変数データ402を生成する。なお、リスク分析用目的変数データ402の表では、式(c5)で示したが、実際には算出された数値が記録される。なお、上位5%に位置する値c5ではなく、上位X%の値の平均値(c1+c2+c3+c4+c5)/5を用いるなど、上位X%を特徴づける他の値(上位X%の値の集合に基づいて算出される値)を用いてもよい。 For example, the case where N = 100 and X = 5 will be described. In the upper risk value calculation process 504, the data whose ID of the explanatory variable generation data 301 for analysis is 22813 and the ID of 100 cases (N = 100) whose HbA1c values in 2012 are close to each other are extracted. For each of the extracted IDs, c1, c2, ..., C100 are set in descending order of the amount of change in HbA1c of the objective variable data 303 for analysis. At this time, since the value located in the upper 5% (X = 5) is c5, the value is set as the HbA1c upper change amount (upper risk value) having an ID of 22913, and the objective variable data 402 for risk analysis (FIG. 4B). ). The same processing is performed for the other IDs to generate the objective variable data 402 for risk analysis. In the table of the objective variable data 402 for risk analysis, although it is shown by the formula (c5), the actually calculated numerical value is recorded. It should be noted that, instead of the value c5 located in the upper 5%, the average value (c1 + c2 + c3 + c4 + c5) / 5 of the upper X% values is used, and other values that characterize the upper X% (based on the set of the upper X% values). The calculated value) may be used.
リスク分析用データA505は、分析用説明変数生成用データ301と、上位リスク値算出処理504で生成されたリスク分析用目的変数データ402とを含む。 The risk analysis data A505 includes the analysis explanatory variable generation data 301 and the risk analysis objective variable data 402 generated by the upper risk value calculation process 504.
次に、リスク予測モデル生成処理506では、分析用説明変数生成用データ301の基本情報201、検査値情報202及び受診情報203の一部又は全部を説明変数とし、リスク分析用目的変数データ402のHbA1c上位変化量を目的変数として予測するモデルを、これらのデータを用いて学習する。モデルの学習には、公知の機械学習技術を用いることができる。なお、予測モデル生成処理502で用いる方法と同じ方法を用いても、異なる方法を用いてもよい。また、リスク予測モデル生成処理506で用いる説明変数の集合は、上位リスク値算出処理504で用いる説明変数の集合と同じでも、異なってもよい。 Next, in the risk prediction model generation process 506, a part or all of the basic information 201, the test value information 202, and the consultation information 203 of the analysis explanatory variable generation data 301 are used as explanatory variables, and the risk analysis objective variable data 402 A model that predicts the HbA1c upper change amount as an objective variable is learned using these data. A known machine learning technique can be used for learning the model. The same method as that used in the prediction model generation process 502 may be used, or a different method may be used. Further, the set of explanatory variables used in the risk prediction model generation process 506 may be the same as or different from the set of explanatory variables used in the upper risk value calculation process 504.
リスク予測モデル生成処理506で生成したモデルのパラメータが、リスク予測モデル507として記録される。 The parameters of the model generated by the risk prediction model generation process 506 are recorded as the risk prediction model 507.
図7Aに示すリスク予測線707は、リスク予測モデル生成処理506で生成されるリスク予測モデルについて説明するための例である。リスク予測線707は、HbA1c変化量が上位となる値を目的変数としているため、予測線703のように、全体の平均的な値を予測するのではなく、楕円705の領域にある高リスク群のデータ分布を反映する。これによって、大多数の平均的な予測値ではなく、低確率で発生する検査値の大きな悪化や疾病リスクを分析できる。例えば、リスク予測線707のように、線704を超えた辺りから、楕円705内のデータ点のようなリスクの上昇を予測するモデルを生成できる。 The risk prediction line 707 shown in FIG. 7A is an example for explaining the risk prediction model generated by the risk prediction model generation process 506. Since the risk prediction line 707 uses the value at which the amount of change in HbA1c is higher as the objective variable, the high risk group in the region of the ellipse 705 does not predict the overall average value as in the prediction line 703. Reflects the data distribution of. This makes it possible to analyze the large deterioration of test values and the risk of illness that occur with a low probability, rather than the average predicted value of the majority. For example, a model for predicting an increase in risk, such as a data point in the ellipse 705, can be generated from the area beyond the line 704, such as the risk prediction line 707.
なお、上位リスク値算出処理504では、各IDの類似集合を生成し、そのHbA1c変化量の上位X%を算出した。このXの値は、分析したいリスクの発生確率と同じか、それに近い値を設定することによって、分析対象となるリスクの発生率に沿ったリスク予測線を生成しやすい。また、分析対象となる母集団の人数が大きく、Nが十分大きく取れる場合には、Xはリスク発生確率よりも小さい値に設定してもよい。糖尿病の場合には、Nが十分大きくとれる場合(Nが100以上程度)、X=5程度にするとよい。リスク発生確率が比較的大きい母集団の場合には、Xは15以下程度で設定するとよい。 In the upper risk value calculation process 504, a similar set of each ID was generated, and the upper X% of the HbA1c change amount was calculated. By setting a value of X that is equal to or close to the probability of occurrence of the risk to be analyzed, it is easy to generate a risk prediction line along the occurrence rate of the risk to be analyzed. Further, when the number of populations to be analyzed is large and N can be sufficiently large, X may be set to a value smaller than the risk occurrence probability. In the case of diabetes mellitus, when N can be sufficiently large (N is about 100 or more), it is preferable to set X = 5. In the case of a population with a relatively high risk occurrence probability, X should be set to about 15 or less.
Xの値の算出例を説明する。例えば、2012年のHbA1cが特定の基準値(例えば、6.5)を超えるIDの割合をリスク発生確率Rとして、例えば、X=Rと設定してもよい。また、別の方法として、受診情報(例えば、レセプト)には、傷病名が含まれている。レセプトに記載されている傷病名を用いて、全IDのうち傷病名が糖尿病に関係する受診情報を含むIDの割合をリスク発生確率Rとして、例えば、X=Rと設定してもよい。なお、どの傷病名が糖尿病に関係するかは、国際疾病分類(ICD10)などの傷病名の分類情報を用いてもよいし、予め人手で分類を作成してもよい。これらの割合は、組織や年齢など、分析対象となる母集団によって変わる。そのため、分析対象である分析用データA501のデータに基づいてXの値を算出するとよい。Xの値として、上記ではX=Rとしたが、X≦2Rとなる範囲を目安に選択、調整するとよい。 An example of calculating the value of X will be described. For example, the ratio of IDs in which HbA1c in 2012 exceeds a specific reference value (for example, 6.5) may be set as the risk occurrence probability R, for example, X = R. Alternatively, the consultation information (eg, receipt) includes the name of the injury or illness. Using the injury / illness name described in the receipt, the ratio of IDs whose injury / illness name includes consultation information related to diabetes may be set as the risk occurrence probability R, for example, X = R. As for which injury / illness name is related to diabetes, the classification information of the injury / illness name such as the International Classification of Diseases (ICD10) may be used, or the classification may be manually created in advance. These proportions vary depending on the population being analyzed, such as tissue and age. Therefore, it is preferable to calculate the value of X based on the data of the analysis data A501 which is the analysis target. As the value of X, X = R is set in the above, but it is preferable to select and adjust the range in which X ≦ 2R is used as a guide.
なお、上記では、本実施例の方法を説明するために、比較として、従来方法による予測モデルの構築方法を説明したが、図5Eに示すように、本発明の方法のみを実施する場合には、予測モデル生成処理502や予測モデル503はなくてもよい。 In the above, in order to explain the method of this embodiment, a method of constructing a prediction model by a conventional method has been described as a comparison, but as shown in FIG. 5E, when only the method of the present invention is implemented, , The prediction model generation process 502 and the prediction model 503 may not be provided.
なお、HbA1cは、値が増加すると糖尿病リスクが高くなる指標であるため、上位X%を算出した。検査値によっては、値が低くなることでリスクが高くなる指標の場合には、下位X%を算出するとよい。 Since HbA1c is an index that increases the risk of diabetes as the value increases, the top X% was calculated. Depending on the test value, in the case of an index in which the risk increases as the value decreases, the lower X% may be calculated.
このように、分析対象となるリスクの発生率に基づいて設定したXを用いてリスク分析用目的変数データ402を生成し、リスク予測モデルを構築することによって、低確率で発生するリスクの変化を予測するリスク予測線707を生成できる。 In this way, by generating the objective variable data 402 for risk analysis using X set based on the occurrence rate of the risk to be analyzed and building a risk prediction model, changes in the risk that occur with a low probability can be detected. The risk prediction line 707 to be predicted can be generated.
ここまで説明を簡単にするために、説明変数がHbA1cの一つである場合を説明した。この場合、上位リスク値算出処理504において、各人に類似するN人の集合を生成するためには、HbA1c値が近いN人を選定する。説明変数が二つ以上の場合も同様に、説明変数の数の次元を有する説明変数空間におけるユークリッド距離(各変数の差分の自乗和の平方根)を用いてもよい。 In order to simplify the explanation so far, the case where the explanatory variable is one of HbA1c has been described. In this case, in the upper risk value calculation process 504, in order to generate a set of N people similar to each person, N people having similar HbA1c values are selected. Similarly, when there are two or more explanatory variables, the Euclidean distance (square root of the sum of squares of the differences of each variable) in the explanatory variable space having the dimension of the number of explanatory variables may be used.
しかし、本実施例で扱う説明変数は種類が異なるのため、各変数の単位を変更することによってユークリッド距離が変わる。また、分析したい対象(目的変数)に応じて、類似尺度も変更した方が良い場合がある。 However, since the types of explanatory variables handled in this embodiment are different, the Euclidean distance changes by changing the unit of each variable. In addition, it may be better to change the similarity scale according to the object (objective variable) to be analyzed.
例えば、図6Aに示す分類601では、体重、身長の二次元空間上に、四つのデータ点が存在する状況を示している。これを、ユークリッド距離により、二つの集合に分類した場合、分類601のように左右二つの点同士が類似することになる。次に、身長の単位をcmからmに変更すると、図6Bに示す単位変更後分類602のように、上下二つの点同士が類似することになる。このように、変数の種類が異なる場合には、単位の変更によって、類似尺度が変わってくる。また、糖尿病リスクは、BMIのように、身長と体重のバランスが関係しているため、糖尿病リスクを分析する場合には、身長と体重のバランスを考慮して、図6Cに示すバランス分類603のような斜め方向の点同士が類似していると判定できる類似尺度を用いるとよい。 For example, classification 601 shown in FIG. 6A shows a situation in which four data points exist in a two-dimensional space of weight and height. When this is classified into two sets according to the Euclidean distance, the two points on the left and right are similar as in classification 601. Next, when the unit of height is changed from cm to m, the upper and lower two points become similar as shown in the unit change classification 602 shown in FIG. 6B. In this way, when the types of variables are different, the similarity scale changes by changing the unit. In addition, since the risk of diabetes is related to the balance between height and weight like BMI, when analyzing the risk of diabetes, the balance between height and weight is taken into consideration, and the balance classification 603 shown in FIG. 6C It is preferable to use a similarity scale that can determine that points in diagonal directions are similar to each other.
そこで、以下では、説明変数が二次元以上の場合に、図8を用いて、ユークリッド距離とは異なる、目的変数の分析に適した方法で、説明変数空間内の類似集合を算出する方法を説明する。 Therefore, in the following, when the explanatory variables are two-dimensional or more, a method of calculating a similar set in the explanatory variable space by a method suitable for analysis of the objective variable, which is different from the Euclidean distance, will be described using FIG. To do.
バランス分類603(図6C)を用いて説明したように、類似集合を算出するための類似尺度を決める際には、分析対象となる疾病の進行度の指標となるリスク絶対指標(本実施例の場合には、例えば、HbA1cの値)との関連性を考慮するのが望ましい。本実施例では、類似尺度として、マハラノビス距離を用いる。 As explained using the balance classification 603 (FIG. 6C), when determining the similarity scale for calculating the similarity set, the absolute risk index (of this example), which is an index of the progression of the disease to be analyzed, is used. In some cases, it is desirable to consider the relationship with, for example, the value of HbA1c). In this example, the Mahalanobis distance is used as a similar measure.
説明変数空間におけるマハラノビス距離について、図6D、図6Eを参照して説明する。図6Dに示すユークリッド距離604の場合には、原点から同じ距離にある点の集合は破線で示す円上に位置する。これに対して、図6Eに示すマハラノビス距離605の場合には、原点から同じ距離にある点の集合は破線で示す楕円上に位置する。また、楕円の軸は、実線で描かれた座標ではなく、破線で描かれた軸608と軸609となる。ユークリッド距離で測ると、データ点607は、データ点606よりも、原点からの距離が大きい位置にあるが、マハラノビス距離では、同一楕円上にあり、原点からの距離は同一である。 The Mahalanobis distance in the explanatory variable space will be described with reference to FIGS. 6D and 6E. In the case of the Euclidean distance 604 shown in FIG. 6D, the set of points at the same distance from the origin is located on the circle indicated by the broken line. On the other hand, in the case of the Mahalanobis distance 605 shown in FIG. 6E, the set of points at the same distance from the origin is located on the ellipse shown by the broken line. Further, the axes of the ellipse are not the coordinates drawn by the solid line, but the axes 608 and 609 drawn by the broken line. When measured by the Euclidean distance, the data point 607 is at a position where the distance from the origin is larger than that of the data point 606, but at the Mahalanobis distance, it is on the same ellipse and the distance from the origin is the same.
説明変数空間内で、リスク絶対指標の増減が小さい方向では、座標軸608のように、楕円軸の長さを大きくし、リスク絶対指標の増減が大きい方向では、座標軸609のように、楕円軸の長さを小さくする。すなわち、リスク絶対指標の増減が小さい方向では距離尺度を大きくし、リスク絶対指標の増減が大きい方向では距離尺度を小さくしたマハラノビス距離を用いて類似集合を生成できる。 In the explanatory variable space, the length of the elliptical axis is increased in the direction in which the increase / decrease in the absolute risk index is small, and the length of the elliptical axis is increased in the direction in which the increase / decrease in the absolute risk index is large, as in coordinate axis 608. Reduce the length. That is, a similar set can be generated using the Mahalanobis distance in which the distance scale is increased in the direction in which the increase / decrease in the absolute risk index is small and the distance scale is decreased in the direction in which the increase / decrease in the absolute risk index is large.
図6Cに示す例のように、説明変数が身長と体重の場合に、糖尿病のリスク絶対指標HbA1cとの関連が大きい方向として、例えば、BMIの変化量が大きい方向が考えられる。この場合には、例えば、平均的身長や体重を示す点で、BMIの等高線に沿った方向に近い方向が座標軸608、それに垂直なBMIの変動が大きくなる軸が座標軸609となるマハラノビス距離をとることができれば、リスク絶対指標との関連性を考慮した類似尺度の例となる。 As in the example shown in FIG. 6C, when the explanatory variables are height and body weight, the direction in which the relationship with the absolute risk index HbA1c of diabetes is large, for example, the direction in which the amount of change in BMI is large can be considered. In this case, for example, in terms of showing the average height and weight, the Mahalanobis distance is taken such that the direction close to the direction along the contour line of BMI is the coordinate axis 608, and the axis perpendicular to the direction in which the fluctuation of BMI is large is the coordinate axis 609. If possible, it will be an example of a similar scale that considers the relevance to the absolute risk index.
以下では、図8を参照し、このようなマハラノビス距離を算出し、類似集合を計算する方法について説明する。 In the following, a method of calculating such a Mahalanobis distance and calculating a similar set will be described with reference to FIG.
まず、リスク絶対指標算出801において、分析対象となる疾病の進行度の指標となる値を取得または算出する。本実施例の場合には、分析用データA501より、2016年のHbA1cの値を取得し、それをリスク絶対指標として用いるとよい。なお、本実施例では、目的変数としてHbA1cの変化量を用いているが、これは、進行度の相対的な変化と考えられるため、この値の大小で疾病の進行度を推定するのは難しい。例えば、HbA1c変化量が小さくとも、HbA1cの値そのものが大きい場合には、疾病は進行している可能性がある。一方で、HbA1c変化量が大きくとも、HbA1cの値そのものが小さい場合には、進行度は低いと推定できる。この場合のように、HbA1c変化量よりも、HbA1cの値そのもののほうが、疾病の進行度の指標として適切と考えられる場合には、リスク絶対指標としてHbA1cの値を用いるのがよい。 First, in the risk absolute index calculation 801, a value that is an index of the degree of progression of the disease to be analyzed is acquired or calculated. In the case of this example, it is preferable to acquire the value of HbA1c in 2016 from the analysis data A501 and use it as an absolute risk index. In this example, the amount of change in HbA1c is used as the objective variable, but since this is considered to be a relative change in the degree of progression, it is difficult to estimate the degree of disease progression based on the magnitude of this value. .. For example, even if the amount of change in HbA1c is small, if the value of HbA1c itself is large, the disease may be progressing. On the other hand, even if the amount of change in HbA1c is large, if the value of HbA1c itself is small, it can be estimated that the degree of progress is low. As in this case, when the value of HbA1c itself is considered to be more appropriate as an index of the degree of disease progression than the amount of change in HbA1c, it is better to use the value of HbA1c as an absolute risk index.
なお、疾病の進行度と相関のある他の指標をリスク絶対指標として用いることも考えられる。例えば、図2Cで示したように、糖尿病に関連する診断、処方、医療行為の有無や、診断、処方、医療行為を受けた回数など、診断、処方、医療行為の回数や内容から生成した値を用いてもよい。また、当該治療行為にかかる推定医療費等を用いてもよい。 It is also conceivable to use other indicators that correlate with the degree of disease progression as absolute risk indicators. For example, as shown in FIG. 2C, values generated from the number and contents of diagnosis, prescription, and medical practice, such as the presence or absence of diagnosis, prescription, and medical practice related to diabetes, and the number of times of diagnosis, prescription, and medical practice. May be used. In addition, the estimated medical expenses for the treatment may be used.
次に、距離尺度算出802では、図6Eを用いて説明したように、リスク絶対指標の増減が大きい方向では、距離尺度を小さくなり、リスク絶対指標の増減が小さい方向では、距離尺度を大きくなるようなマハラノビス距離を算出する。すなわち、座標軸608、609、及び楕円軸長610、611を算出する。図6Eに示す例では、座標軸609が、リスク絶対指標の増減が大きい方向、座標軸608が、リスク絶対指標の増減が小さい方向である。この距離尺度では、リスク絶対指標の増減が小さい方向(座標軸608の方向)に分布する説明変数空間の点同士は、距離が小さくなる(類似度が大きくなる)。 Next, in the distance scale calculation 802, as explained with reference to FIG. 6E, the distance scale becomes smaller in the direction in which the increase / decrease in the absolute risk index is large, and the distance scale becomes larger in the direction in which the increase / decrease in the absolute risk index is small. Calculate the Mahalanobis distance like this. That is, the coordinate axes 608 and 609 and the elliptical axis lengths 610 and 611 are calculated. In the example shown in FIG. 6E, the coordinate axis 609 is in the direction in which the increase / decrease in the absolute risk index is large, and the coordinate axis 608 is in the direction in which the increase / decrease in the absolute risk index is small. In this distance scale, the distances between the points in the explanatory variable space distributed in the direction in which the increase / decrease in the absolute risk index is small (the direction of the coordinate axis 608) are small (the degree of similarity is large).
この距離尺度を算出する方法として、リスク絶対指標と説明変数を用いた正準相関分析(Canonical Correlation Analysis)を用いるとよい。これにより、リスク絶対指標と説明変数が互いに相関が高くなるような距離尺度を求めることができる。また、正準相関分析の他に、MLKR(Metric Learning for Kernel Regression)、SCCA(Sparse Canonical Correlation Analysis)など、距離尺度を求める他の方法を用いてもよい。また、非線型正準相関分析など、それらの非線型版を用いてもよい。この場合には、距離尺度は、説明変数空間のマハラノビス距離ではなくなるが、処理は同様にして適用できる。 As a method of calculating this distance scale, it is advisable to use Canonical Correlation Analysis using an absolute risk index and explanatory variables. This makes it possible to obtain a distance scale such that the absolute risk index and the explanatory variables are highly correlated with each other. Further, in addition to the canonical correlation analysis, other methods for obtaining a distance scale such as MLKR (Metric Learning for Kernel Regression) and SCCA (Sparse Canonical Correlation Analysis) may be used. In addition, those non-linear versions such as non-linear canonical correlation analysis may be used. In this case, the distance scale is no longer the Mahalanobis distance in the explanatory variable space, but the process can be applied in the same way.
次に、説明変数変換803では、距離尺度802で算出した距離尺度に基づいて、説明変数を変換する。直感的には、図6Eのマハラノビス距離の楕円形の等高線を円形に変換し、楕円の軸である座標軸608、座標軸609を座標軸とするような変換である。説明変数をx、変換関数をgとし、変換後のベクトルをg(x)とおく。正準変換のような線形変換の場合には、ある行列Aとベクトルbを用いてg(x)=Ax+bと表すことができる。なお、楕円軸長610、611の短い順(距離尺度の大きい順)に座標軸を選択することでg(x)の次元数nは、xの次元数m以下に設定することができる。例えば、n=1とすれば、g(x)は1次元となる。この変換後の次元数は予め定めておく。なお、このときの変換関数gのパラメータは、距離変換モデル508に記録しておく。 Next, in the explanatory variable transformation 803, the explanatory variables are transformed based on the distance scale calculated by the distance scale 802. Intuitively, the elliptical contour line of the Mahalanobis distance in FIG. 6E is converted into a circle, and the coordinate axes 608 and 609, which are the axes of the ellipse, are used as the coordinate axes. Let x be the explanatory variable, g be the conversion function, and g (x) be the converted vector. In the case of a linear transformation such as a canonical transformation, it can be expressed as g (x) = Ax + b using a certain matrix A and a vector b. By selecting the coordinate axes in ascending order of elliptical axis lengths 610 and 611 (in descending order of distance scale), the dimension number n of g (x) can be set to the dimension number m or less of x. For example, if n = 1, g (x) is one-dimensional. The number of dimensions after this conversion is predetermined. The parameters of the conversion function g at this time are recorded in the distance conversion model 508.
次に、類似集合算出804では、変換後の説明変数空間において、ユークリッド距離を用いて各IDに対するN人の類似集合を算出する。Nは予め定めておく。例えば、N=100やN=200などを用いるとよい。上位リスク値算出処理504と同様の処理を進め、リスク予測モデルを生成する。以上のようにして、リスク予測モデル507を生成できる。 Next, in the similarity set calculation 804, in the explanatory variable space after conversion, the similarity set of N people for each ID is calculated using the Euclidean distance. N is predetermined. For example, N = 100 or N = 200 may be used. The same process as the upper risk value calculation process 504 is performed to generate a risk prediction model. As described above, the risk prediction model 507 can be generated.
なお、距離尺度算出802では、HbA1c変化量のような相対指標ではなく、リスク絶対指標算出801で求めたリスク絶対指標を用いる。これにより、疾病リスクと関連した距離尺度を選択することができる。例えば、説明変数のひとつである2012年のHbA1cは、糖尿病のリスク分析予測において重要な変数であるため、2012年のHbA1cの値の差が小さい人同士は距離が近く、大きい人同士は距離が遠くなるような距離尺度が望ましい。2012年のHbA1cとリスク絶対指標算出801で求めたリスク絶対指標(例えば、2016年のHbA1c)は、相関が強いと想定できるため、距離尺度算出802では、このような距離尺度が算出できると期待される。一方で、HbA1cの変化量(2016年のHbA1c−2012年のHbA1c)のような相対指標を用いた場合には、2012年のHbA1cとの相関が弱く、リスク絶対指標を用いる場合と比べて2012年のHbA1cが距離尺度として小さくなる。 In the distance scale calculation 802, the risk absolute index obtained in the risk absolute index calculation 801 is used instead of the relative index such as the amount of change in HbA1c. This allows the selection of distance measures associated with disease risk. For example, since 2012 HbA1c, which is one of the explanatory variables, is an important variable in the risk analysis prediction of diabetes, people with a small difference in the value of HbA1c in 2012 are close to each other, and people with a large difference are close to each other. A distance scale that is far away is desirable. Since it can be assumed that the absolute risk index (for example, HbA1c in 2016) obtained in the 2012 HbA1c and the absolute risk index calculation 801 has a strong correlation, it is expected that such a distance scale can be calculated in the distance scale calculation 802. Will be done. On the other hand, when a relative index such as the amount of change in HbA1c (HbA1c in 2016-HbA1c in 2012) is used, the correlation with HbA1c in 2012 is weak, and compared with the case where the absolute risk index is used, 2012 HbA1c of the year becomes smaller as a distance measure.
以上のことから、HbA1c変化量のような相対指標は、リスク分析の際には、リスクの相対的な増減を分析できるため、分かりやすく、可視化して分析するのには有用であるが、類似集合を求めるための距離尺度の算出においては、リスク絶対指標を用いるのがよい。なお、目的変数をHbA1c変化量ではなく、2016年のHbA1cの値そのものとした場合には、目的変数とリスク絶対指標は同一のものとしてもよい。このような処理を行うことで、可視化に有用な相対指標で分析しつつ、類似集合を求めるための適切な距離尺度を求めることができる。 From the above, relative indicators such as the amount of change in HbA1c can analyze the relative increase / decrease in risk during risk analysis, so they are easy to understand and useful for visualization and analysis, but they are similar. The absolute risk index should be used in the calculation of the distance scale to obtain the set. When the objective variable is not the amount of change in HbA1c but the value of HbA1c in 2016 itself, the objective variable and the absolute risk index may be the same. By performing such processing, it is possible to obtain an appropriate distance scale for obtaining a similar set while analyzing with a relative index useful for visualization.
前述したように、上位リスク値算出処理504で距離尺度生成に用いる説明変数は、リスク予測モデル生成処理506で用いる説明変数と異なっていてもよいし、距離尺度生成に用いる目的変数(リスク絶対指標)はリスク予測モデル生成処理506で用いる目的変数と異なっていてもよい。これにより、上位リスク値を算出するための適切な距離尺度、類似集合を求めることができる。 As described above, the explanatory variable used for the distance scale generation in the upper risk value calculation process 504 may be different from the explanatory variable used in the risk prediction model generation process 506, and the objective variable (risk absolute index) used for the distance scale generation. ) May be different from the objective variable used in the risk prediction model generation process 506. This makes it possible to obtain an appropriate distance scale and similar set for calculating the upper risk value.
次に、図5Bを参照して、前述した方法を用いたリスク分析処理108における応用例を説明する。 Next, with reference to FIG. 5B, an application example in the risk analysis process 108 using the above-mentioned method will be described.
予測対象データ509に、予測分析対象説明変数生成用データ401(図4A)に示すデータを保持する。本実施例では、2012年のデータから、2016年(4年後)の状態を予測する例を用いて説明している。そこで、ここでは、2017年のデータである予測分析対象説明変数生成用データ401から4年後の状態を予測する問題を想定して説明する。リスク予測処理510では、リスク予測モデル507に、リスク予測モデル507の説明変数に対応する変数のデータを入力として適用することで、予測結果を得る。例えば、リスク予測モデル507が2012年のHbA1c値を説明変数とするモデルの場合、2017年のHbA1c値を入力として適用することで、2021年(4年後)の上位リスク値を予測する。予測結果出力処理511では、予測結果を表示装置103に表示する、補助記憶装置107に保存する、などによって予測結果を出力する。 The prediction target data 509 holds the data shown in the prediction analysis target explanatory variable generation data 401 (FIG. 4A). In this embodiment, the state of 2016 (4 years later) is predicted from the data of 2012. Therefore, here, the problem of predicting the state four years after the data 401 for generating the explanatory variables for prediction analysis, which is the data for 2017, will be described. In the risk prediction process 510, the prediction result is obtained by applying the data of the variable corresponding to the explanatory variable of the risk prediction model 507 to the risk prediction model 507 as an input. For example, when the risk prediction model 507 uses the 2012 HbA1c value as an explanatory variable, the top risk value in 2021 (4 years later) is predicted by applying the 2017 HbA1c value as an input. In the prediction result output processing 511, the prediction result is output by displaying the prediction result on the display device 103, storing the prediction result in the auxiliary storage device 107, and the like.
また、図5Cを参照して、別の方法によりリスク予測結果を得る方法を説明する。 In addition, a method of obtaining a risk prediction result by another method will be described with reference to FIG. 5C.
まず、予測対象データ509に、予測分析対象説明変数生成用データ401(図4A)に示すデータを保持する。次に、上位リスク値算出処理512では、予測対象データ509の各IDに対して、分析用データAの中から類似集合を算出し、上位リスク値を算出する。予測結果出力処理511では、この上位リスク値を予測結果として出力する。 First, the prediction target data 509 holds the data shown in the prediction analysis target explanatory variable generation data 401 (FIG. 4A). Next, in the upper risk value calculation process 512, a similar set is calculated from the analysis data A for each ID of the prediction target data 509, and the upper risk value is calculated. In the prediction result output processing 511, this upper risk value is output as a prediction result.
なお、この場合には、図5Aの距離変換モデル508のみを用いるため、図5Gに示すように、予測モデル生成処理502、予測モデル503、リスク分析用データA505、リスク予測モデル生成処理506、リスク予測モデル507はなくてもよい。すなわち、図5Gの処理と図5Cの処理をセットで用いることができる。 In this case, since only the distance conversion model 508 of FIG. 5A is used, as shown in FIG. 5G, the prediction model generation process 502, the prediction model 503, the risk analysis data A505, the risk prediction model generation process 506, and the risk. The prediction model 507 may not be present. That is, the process of FIG. 5G and the process of FIG. 5C can be used as a set.
ここでは、分析用データA501を学習データとみなし、予測対象データ509の将来の状態を予測している。図5Aの上位リスク値算出処理504では、分析用データAの各IDに対して、分析用データAの中から類似集合を算出したが、上位リスク値算出処理512では、予測対象データ509の各IDに対して、予測対象データ509とは異なる分析用データA501から、類似集合を算出する。これは、過去のデータである分析用データA501のモデルに基づいて、2017年のデータである予測対象データ509の将来の状態を予測するためである。この方法では、過去データで類似した人のうちリスクが高い上位X%の人を特徴づける値をリスク予測結果としている。 Here, the analysis data A501 is regarded as learning data, and the future state of the prediction target data 509 is predicted. In the upper risk value calculation process 504 of FIG. 5A, a similar set was calculated from the analysis data A for each ID of the analysis data A, but in the upper risk value calculation process 512, each of the prediction target data 509 was calculated. For the ID, a similar set is calculated from the analysis data A501 which is different from the prediction target data 509. This is to predict the future state of the forecast target data 509, which is the 2017 data, based on the model of the analysis data A501, which is the past data. In this method, the value that characterizes the top X% of people with high risk among similar people in the past data is used as the risk prediction result.
上記、図5B,図5Cで目的変数がHbA1c変化量の場合には、予測結果としてHbA1c変化量の上位リスク値が得られる。それに現在のHbA1cの値を加えることで、将来のHbA1c値の上位リスク値が得られる。これらのHbA1c変化量や将来のHbA1c値などの上位リスク値の予測値は、将来、HbA1c値が高くなるリスクが大きい人を抽出するなどに、用いてもよい。例えば、現在、HbA1cが一定の基準値(例えば、5.5以上、6.0以下)の人の中から、予測値が高い人を順番に抽出するなどとして、将来のリスクを推定し、保健指導の優先度の高い人を推定するための参考にする、などの応用例が考えられる。 When the objective variable is the HbA1c change amount in FIGS. 5B and 5C, the higher risk value of the HbA1c change amount is obtained as the prediction result. By adding the current HbA1c value to it, a higher risk value of the future HbA1c value can be obtained. These predicted values of higher risk values such as the amount of change in HbA1c and the future HbA1c value may be used for extracting people who are at high risk of increasing the HbA1c value in the future. For example, the future risk is estimated and health is estimated by sequentially extracting the people with the highest predicted value from the people whose HbA1c is currently a certain standard value (for example, 5.5 or more and 6.0 or less). Application examples such as reference for estimating people with high priority of instruction can be considered.
次に、リスクを可視化して分析する応用例について、説明する。 Next, an application example for visualizing and analyzing risk will be described.
まず、すでに説明したように、従来方法による予測モデル生成処理502で生成される回帰曲線を可視化すると、図7Aの予測線703のような曲線が得られる。これは、2012年のHbA1cを説明変数xとし、HbA1c変化量を目的変数とした回帰曲線h(x)である。 First, as described above, when the regression curve generated by the prediction model generation process 502 by the conventional method is visualized, a curve like the prediction line 703 of FIG. 7A is obtained. This is a regression curve h (x) with HbA1c in 2012 as the explanatory variable x and the amount of change in HbA1c as the objective variable.
一方、本実施例の方法を用いたリスク予測モデル生成処理506で生成される回帰曲線も、すでに説明したように可視化すると、図7Aのリスク予測線707のようになる。すなわち、HbA1c変化量の増加リスクが高いデータに敏感なリスク予測線が得られる。このようにして、二つのモデルの予測線703とリスク予測線707を表示装置103に表示して、全体の傾向(予測線703)と、リスク曲線(リスク予測線707)を比較可能に表示し、分析できる。 On the other hand, the regression curve generated by the risk prediction model generation process 506 using the method of this embodiment is also visualized as shown in the risk prediction line 707 of FIG. 7A when visualized as described above. That is, a risk prediction line sensitive to data having a high risk of increasing the amount of change in HbA1c can be obtained. In this way, the prediction line 703 and the risk prediction line 707 of the two models are displayed on the display device 103, and the overall tendency (prediction line 703) and the risk curve (risk prediction line 707) are displayed in a comparable manner. , Can be analyzed.
なお、従来方法による予測モデル生成処理502では、図7Aのように、2012年のHbA1cとHbA1c変化量を軸に可視化する場合、この二つの変数で回帰曲線を生成するため、分析用説明変数生成用データ301の他の変数の情報はモデル生成の際に、考慮されない。 In the prediction model generation process 502 by the conventional method, as shown in FIG. 7A, when the amount of change in HbA1c and HbA1c in 2012 is visualized as an axis, a regression curve is generated with these two variables, so that an explanatory variable for analysis is generated. Information on other variables in the data 301 is not taken into account when generating the model.
それに対して、本実施例の方法では、リスク分析用データA505に2012年のHbA1c以外の変数の情報も含まれるため、2012年のHbA1c以外の変数の情報も考慮された回帰曲線が得られる。 On the other hand, in the method of this example, since the risk analysis data A505 also includes information on variables other than HbA1c in 2012, a regression curve that also considers information on variables other than HbA1c in 2012 can be obtained.
このことについて説明する。本実施例の方法でも、図7Aのように可視化する場合、リスク予測モデル生成処理506において、2012年のHbA1cを説明変数とする回帰曲線を生成するが、その回帰曲線の目的変数には、上位リスク値算出処理504で算出したリスク分析用データA505を用いる。 This will be described. Even in the method of this embodiment, when the visualization is performed as shown in FIG. 7A, the risk prediction model generation process 506 generates a regression curve using HbA1c in 2012 as an explanatory variable, but the objective variable of the regression curve is higher. The risk analysis data A505 calculated in the risk value calculation process 504 is used.
すでにリスク予測モデル生成処理506の処理の説明で述べたように、上位リスク値算出処理504で用いる説明変数とリスク予測モデル生成処理506で用いる説明変数は異なっていてもよい。上位リスク値算出処理504では、2012年のHbA1c以外の変数も考慮して、類似集合をとり、上位リスク値を算出してもよく、このように処理することによって、他の説明変数の影響は、リスク分析用データA505に含まれることになる。これによって、2012年のHbA1c以外の変数も考慮したリスクを可視化できる。 As already described in the description of the process of the risk prediction model generation process 506, the explanatory variables used in the upper risk value calculation process 504 and the explanatory variables used in the risk prediction model generation process 506 may be different. In the upper risk value calculation process 504, variables other than HbA1c in 2012 may be taken into consideration, a similar set may be taken, and the upper risk value may be calculated. By processing in this way, the influence of other explanatory variables is affected. , Will be included in the risk analysis data A505. This makes it possible to visualize the risk considering variables other than HbA1c in 2012.
また、リスク予測線は、疾病リスクに影響のある因子を比較、分析するための利用できる。例えば、保健指導の有無や、BMIが高い場合と低い場合、でのリスクの高低を比較することができる。他にも、保健指導の種類による比較、年齢、投薬治療や薬の種類の比較により、リスク変化を分析することが考えられる。以下、図5Dを参照して説明する。 Risk prediction lines can also be used to compare and analyze factors that influence disease risk. For example, it is possible to compare the presence or absence of health guidance and the high and low risks when the BMI is high and low. In addition, it is possible to analyze risk changes by comparing types of health guidance, age, medications, and types of drugs. Hereinafter, description will be made with reference to FIG. 5D.
分析用データ110のうち、生活習慣改善のための保健指導を実施した人のデータを分析用データX513、保健指導を実施しなかった人のデータを分析用データY514とする。また、上位リスク値算出処理504及びリスク予測モデル生成処理506を実行し、分析用データX513及び各分析用データY514から、リスク予測モデルX515及びリスク予測モデルY516を生成する。可視化結果出力処理517では、例えば図7Bに示すように、保健指導を実施した場合のリスク予測線708と保健指導を実施しなかった場合のリスク予測線709を表示することによって、施策の有無によるリスク低減効果や施策の効果を分析できる。これによって、保健指導を実施する場合と実施しない場合のリスクの変化を比較、分析できる。 Among the analysis data 110, the data of the person who provided the health guidance for improving the lifestyle is referred to as the analysis data X513, and the data of the person who did not perform the health guidance is referred to as the analysis data Y514. Further, the upper risk value calculation process 504 and the risk prediction model generation process 506 are executed, and the risk prediction model X515 and the risk prediction model Y516 are generated from the analysis data X513 and each analysis data Y514. In the visualization result output process 517, for example, as shown in FIG. 7B, the risk prediction line 708 when health guidance is implemented and the risk prediction line 709 when health guidance is not implemented are displayed, depending on the presence or absence of measures. It is possible to analyze the effects of risk reduction and measures. This makes it possible to compare and analyze changes in risk with and without health guidance.
また、予測結果も分析したい場合には、リスク予測処理510において、二つのリスク予測モデル515、516に予測対象データ509を適用し、予測結果出力処理518において両方の予測結果を出力してもよい。なお、予測結果が必要ない場合には、図5Fに示すように、リスク予測処理510、予測対象データ509、予測結果出力処理518はなくてもよい。 Further, when it is desired to analyze the prediction result, the prediction target data 509 may be applied to the two risk prediction models 515 and 516 in the risk prediction process 510, and both prediction results may be output in the prediction result output process 518. .. If the prediction result is not required, the risk prediction process 510, the prediction target data 509, and the prediction result output process 518 may not be provided, as shown in FIG. 5F.
なお、上位リスク値算出処理504において、上位X%に位置する値を取得したが、X=50として、中心値を算出する、または、類似集合全体の平均値を算出する、などとすれば、全体の平均的傾向の予測線が得られるので、リスク予測線707や、リスク予測線708、リスク予測線709の他に、これを同時に示してもよい。平均的傾向を示す予測線を表示することで、全体的な傾向とあわせて、リスクを比較、分析できる。 In the upper risk value calculation process 504, the value located in the upper X% is acquired, but if X = 50 is set and the central value is calculated, or the average value of the entire similar set is calculated, etc., Since the prediction line of the overall average tendency can be obtained, this may be shown at the same time in addition to the risk prediction line 707, the risk prediction line 708, and the risk prediction line 709. By displaying the forecast line showing the average trend, the risk can be compared and analyzed together with the overall trend.
BMIの高低によって比較する場合には、例えば、BMIが高い(例えば、25.0以上)の人のデータを分析用データX513、BMIが低い(例えば、22.0以下)の人のデータを分析用データY514として、前述した処理を行う。 When comparing by the level of BMI, for example, the data of a person with a high BMI (for example, 25.0 or more) is analyzed as the analysis data X513, and the data of a person with a low BMI (for example, 22.0 or less) is analyzed. The above-mentioned processing is performed as the data Y514.
従来の方法を用いた予測方法による予測線703では、多数派データの影響が大きくなり、施策によるリスク低減の差異を表現しにくい。これに対し、本実施例の予測方法によるリスク予測線708では、リスク低減の差異を分析しやすくなる。 In the prediction line 703 by the prediction method using the conventional method, the influence of the majority data becomes large, and it is difficult to express the difference in risk reduction by the measure. On the other hand, the risk prediction line 708 according to the prediction method of this embodiment makes it easier to analyze the difference in risk reduction.
また、施策の有無や施策同士の比較ではなく、年齢層や組織によるリスクも比較できる。例えば、組織Xに所属する人のデータを分析用データXとし、組織Yに所属する人のデータを分析用データYとすることによって、組織ごとのリスクの違いを分析できる。また、他の様々な属性で比較してもよい。このように様々な属性で比較することにより、各々の因子がリスクに与える影響を分析したり、属性ごとのリスクの違いなどを分析したりすることができる。 In addition, it is possible to compare risks by age group and organization, not by comparing the presence or absence of measures and measures between measures. For example, by using the data of the person belonging to the organization X as the analysis data X and the data of the person belonging to the organization Y as the analysis data Y, the difference in risk for each organization can be analyzed. You may also compare with various other attributes. By comparing various attributes in this way, it is possible to analyze the effect of each factor on risk, and analyze the difference in risk for each attribute.
なお、図5B、図5C、図5Dの構成において、リスクを予測することなく、リスク予測モデルを生成するためのデータ(図7A、図7Bにおけるグラフ中の点)を表示してもよい。データと共に回帰曲線を表示してもよい。このように構成する際には、図5Bにおいて、リスク予測処理510が不要となる、又は、リスク予測処理510において出力処理を実行するとよい。また、図5Cにおいて、上位リスク値算出処理512が不要となる、又は、上位リスク値算出処理512において出力処理を実行するとよい。また、図5D及び図5Fにおいて、上位リスク値算出処理504及びリスク予測モデル生成処理506が不要となる、又は、上位リスク値算出処理504及びリスク予測モデル生成処理506において可視化結果出力処理517を実行するとよい。 In the configuration of FIGS. 5B, 5C, and 5D, data for generating a risk prediction model (points in the graph in FIGS. 7A and 7B) may be displayed without predicting the risk. A regression curve may be displayed with the data. In such a configuration, in FIG. 5B, the risk prediction process 510 may be unnecessary, or the output process may be executed in the risk prediction process 510. Further, in FIG. 5C, it is preferable that the upper risk value calculation process 512 becomes unnecessary, or the output process is executed in the upper risk value calculation process 512. Further, in FIGS. 5D and 5F, the upper risk value calculation process 504 and the risk prediction model generation process 506 become unnecessary, or the visualization result output process 517 is executed in the upper risk value calculation process 504 and the risk prediction model generation process 506. You should do it.
なお、上記では、2012年のデータに基づいて、4年後の2016年の状態を分析する想定で説明した。また、2017年のデータを用いて、その4年後の状態を分析する応用例を示した。上記では、説明のために、これらの年を例示したが、この例とは異なる年でもよく、また、年の単位でなくてもよい。例えば、2011年のデータと2014年のデータを用いて、3年後の状態を分析するモデルを構築する、などとできる。 In the above description, it is assumed that the state of 2016 after 4 years will be analyzed based on the data of 2012. In addition, an application example of analyzing the state four years later using the data of 2017 is shown. In the above, these years are illustrated for the sake of explanation, but the years may be different from this example, and may not be in units of years. For example, using the data of 2011 and the data of 2014, a model for analyzing the state after 3 years can be constructed.
以上に説明したように、本発明の実施例によると、上位リスク値算出処理504が、入力されたヘルスケアデータの少なくとも1項目のデータを用いて、各データに類似するN個のデータの集合を生成し、生成された集合内で、他の1項目のヘルスケアデータ(分析用データA501)が大きい又は小さい方から所定割合(X%)に位置する値を目的変数とするリスク分析用データA505を生成しリスク予測モデル生成処理506が、入力されたヘルスケアデータの一部又は全部を説明変数とし、リスク分析用データA505に含まれる目的変数を予測するリスク予測モデル507を、これらのデータの学習によって生成し、リスク予測処理510が、リスク予測モデル507にヘルスケアデータ(予測対象データ509)を入力して、前記目的変数によって表されるリスクを予測するので、類似集合内の分布に基づいて分析対象者のヘルスケアデータの目的変数を分析する。そのため、大多数の平均的な傾向ではなく、低確率で発生する疾病リスクの変動を分析できる。 As described above, according to the embodiment of the present invention, the upper risk value calculation process 504 is a set of N data similar to each data by using the data of at least one item of the input healthcare data. Data for risk analysis whose objective variable is a value located at a predetermined ratio (X%) from the larger or smaller healthcare data (analysis data A501) of the other one item in the generated set. The risk prediction model generation process 506 that generates A505 uses a part or all of the input healthcare data as explanatory variables, and uses these data as a risk prediction model 507 that predicts the objective variable included in the risk analysis data A505. The risk prediction process 510 inputs healthcare data (prediction target data 509) into the risk prediction model 507 to predict the risk represented by the objective variable, so that the distribution in the similar set Based on the analysis, the objective variables of the analysis target's healthcare data are analyzed. Therefore, it is possible to analyze fluctuations in disease risk that occur with a low probability, rather than the average tendency of the majority.
また、所定割合(X%)は、分析対象のリスクの発生確率と同じ(X=R)又は2倍以下(X≦2R)の値とするので、分析対象となるリスクの発生確率に沿ったリスク予測線を生成できる。 Further, since the predetermined ratio (X%) is set to the same value (X = R) or twice or less (X ≦ 2R) as the probability of occurrence of the risk to be analyzed, it is in line with the probability of occurrence of the risk to be analyzed. A risk prediction line can be generated.
また、目的変数は、糖尿病の発症リスクを分析するための、HbA1c値の変化量であり、リスク予測処理510では、リスク予測モデル507に前記ヘルスケアデータを入力して、将来のHbA1c値の変化量の増大リスクを予測するので、低確率で発症する糖尿病のリスクに関する分析ができる。 The objective variable is the amount of change in the HbA1c value for analyzing the risk of developing diabetes. In the risk prediction process 510, the healthcare data is input to the risk prediction model 507 to change the HbA1c value in the future. Predicting the risk of increased doses allows analysis of the risk of developing diabetes with a low probability.
また、リスク予測処理510は、HbA1cが5.5以上かつ6.0以下である範囲内から、前記予測されたリスクが高い人を抽出するので、低確率で発症する糖尿病のリスクを的確に分析できる。 In addition, the risk prediction process 510 extracts people with a high predicted risk from the range in which HbA1c is 5.5 or more and 6.0 or less, so that the risk of diabetes that develops with a low probability is accurately analyzed. it can.
また、所定割合は15%以下(望ましくは5%)とするので、HbA1c値の変化量を用いて低確率で発症する糖尿病のリスクに関する分析ができる。 Further, since the predetermined ratio is 15% or less (preferably 5%), it is possible to analyze the risk of developing diabetes with a low probability by using the amount of change in the HbA1c value.
また、上位リスク値算出処理504が、入力されたヘルスケアデータの一部又は全部の変数(リスク予測モデル生成処理506が用いる説明変数と異なってもよい)が配置される空間内において、分析対象となる疾病の進行度を示すリスク絶対指標の値の変化が少ない方向では距離尺度を大きくし、リスク絶対指標の値の変化が大きい方向では距離尺度を小さくしたマハラノビス距離を用いて、類似するデータの集合を生成するので、疾病の進行に関するリスクの分析に適した方法で説明変数空間内の類似集合を算出できる。 Further, the upper risk value calculation process 504 is analyzed in a space in which some or all variables of the input healthcare data (which may be different from the explanatory variables used by the risk prediction model generation process 506) are arranged. Similar data using the Mahalanobis distance with a larger distance scale in the direction with less change in the absolute risk index value indicating the degree of progression of the disease, and a smaller distance scale in the direction with a larger change in the absolute risk index value. Since we generate a set of, we can calculate a similar set in the explanatory variable space in a way that is suitable for analyzing the risk of disease progression.
また、予測モデル生成処理502が、入力されたヘルスケアデータの一部又は全部を説明変数とし、リスク分析用データA505に含まれる目的変数と同一項目のデータを目的変数とする予測モデル503を、これらのデータの学習によって生成し、予測結果出力処理511が、リスク予測モデル507にヘルスケアデータ(予測対象データ509)を入力して予測された、目的変数によって表されるリスクを表すリスク予測線707と、予測モデル503にヘルスケアデータ(予測対象データ509)を入力して予測された、目的変数によって表されるリスクを表す予測線703と、を比較可能に出力するので、複数のモデルの予測結果を表示装置103に表示して、全体の傾向(予測線703)とリスク傾向(リスク予測線707)とを比較し、分析できる。 Further, the prediction model generation process 502 uses a part or all of the input healthcare data as an explanatory variable, and uses the data of the same item as the objective variable included in the risk analysis data A505 as the objective variable. A risk prediction line that represents the risk represented by the objective variable, which is generated by learning these data and predicted by inputting healthcare data (prediction target data 509) into the risk prediction model 507 by the prediction result output process 511. Since 707 and the prediction line 703 that represents the risk represented by the objective variable, which is predicted by inputting the healthcare data (prediction target data 509) into the prediction model 503, are output in a comparable manner, the prediction line 703 can be output in a comparable manner. The prediction result can be displayed on the display device 103, and the overall tendency (prediction line 703) and the risk tendency (risk prediction line 707) can be compared and analyzed.
また、上位リスク値算出処理504、リスク予測モデル生成処理506が、複数のリスク予測モデル515、516を生成し、可視化結果出力処理517が、複数のリスク予測線708、709を比較可能に出力するので、異なる母集団(例えば、保健指導の実施の有無やBMI値の高低など)のリスクの違いを比較することができ、属性ごとのリスクの実態に関する分析や、リスク低減に対する各施策の効果に関する分析ができる。 Further, the upper risk value calculation process 504 and the risk prediction model generation process 506 generate a plurality of risk prediction models 515 and 516, and the visualization result output process 517 outputs a plurality of risk prediction lines 708 and 709 in a comparable manner. Therefore, it is possible to compare the difference in risk of different populations (for example, whether or not health guidance is implemented and the level of BMI value), analyze the actual state of risk for each attribute, and consider the effect of each measure on risk reduction. Can be analyzed.
なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。例えば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加・削除・置換をしてもよい。 The present invention is not limited to the above-mentioned examples, but includes various modifications and equivalent configurations within the scope of the attached claims. For example, the above-described examples have been described in detail in order to explain the present invention in an easy-to-understand manner, and the present invention is not necessarily limited to those having all the described configurations. Further, a part of the configuration of one embodiment may be replaced with the configuration of another embodiment. In addition, the configuration of another embodiment may be added to the configuration of one embodiment. In addition, other configurations may be added / deleted / replaced with respect to a part of the configurations of each embodiment.
また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサがそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウエアで実現してもよい。 Further, each of the above-described configurations, functions, processing units, processing means, etc. may be realized by hardware by designing a part or all of them by, for example, an integrated circuit, and the processor realizes each function. It may be realized by software by interpreting and executing the program to be executed.
各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、SSD(Solid State Drive)等の記憶装置、又は、ICカード、SDカード、DVD等の記録媒体に格納することができる。 Information such as programs, tables, and files that realize each function can be stored in a memory, a hard disk, a storage device such as an SSD (Solid State Drive), or a recording medium such as an IC card, an SD card, or a DVD.
また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。 In addition, the control lines and information lines indicate those that are considered necessary for explanation, and do not necessarily indicate all the control lines and information lines necessary for implementation. In practice, it can be considered that almost all configurations are interconnected.
101 疾病予防支援装置
102 入力装置
103 表示装置
104 通信装置
105 演算装置
106 メモリ
107 補助記憶装置
108 リスク分析処理部
108 リスク分析処理
110 分析用データ
201 基本情報
202 検査値情報
203 受診情報
301 分析用説明変数生成用データ
302 目的変数生成用データ
303 分析用目的変数データ
401 予測分析対象説明変数生成用データ
402 リスク分析用目的変数データ
502 予測モデル生成処理
503 予測モデル
504 上位リスク値算出処理
506 リスク予測モデル生成処理
507 リスク予測モデル
508 距離変換モデル
509 予測対象データ
510 リスク予測処理
511 予測結果出力処理
512 上位リスク値算出処理
515 リスク予測モデル
516 リスク予測モデル
517 可視化結果出力処理
518 予測結果出力処理
601、602、603 体重、身長の二次元空間上のデータ点の分類を示す図
604 ユークリッド距離による類似尺度を示す図
605 マハラノビス距離による類似尺度を示す図
701 横軸(HbA1c)
702 縦軸(HbA1c変化量)
703 予測線
704 線
705 HbA1c変化量が大きい領域(楕円)
706 HbA1c変化量が小さい領域(楕円)
708、709 リスク予測線
801 リスク絶対指標算出処理
802 距離尺度算出処理
803 説明変数変換処理
804 類似集合算出処理
101 Disease prevention support device 102 Input device 103 Display device 104 Communication device 105 Computing device 106 Memory 107 Auxiliary storage device 108 Risk analysis processing unit 108 Risk analysis processing 110 Analysis data 201 Basic information 202 Test value information 203 Consultation information 301 Analysis explanation Variable generation data 302 Objective variable generation data 303 Analytical objective variable data 401 Predictive analysis target explanatory variable generation data 402 Risk analysis objective variable data 502 Prediction model generation process 503 Prediction model 504 Upper risk value calculation process 506 Risk prediction model Generation processing 507 Risk prediction model 508 Distance conversion model 509 Prediction target data 510 Risk prediction processing 511 Prediction result output processing 512 Top risk value calculation processing 515 Risk prediction model 516 Risk prediction model 517 Visualization result output processing 518 Prediction result output processing 601 and 602 , 603 Figure 604 showing classification of data points in two-dimensional space of weight and height Figure 605 showing similarity scale by Euclidean distance Figure 701 showing similarity scale by Maharanobis distance 701 horizontal axis (HbA1c)
702 vertical axis (HbA1c change amount)
703 Prediction line 704 Line 705 HbA1c Region with large change (ellipse)
706 HbA1c region with small change (ellipse)
708, 709 Risk prediction line 801 Risk absolute index calculation process 802 Distance scale calculation process 803 Explanatory variable transformation process 804 Similar set calculation process
Claims (15)
所定の処理を実行する演算装置と、前記演算装置に接続された記憶デバイスとを有する計算機によって構成され、
入力されたヘルスケアデータの少なくとも1項目のデータを用いて、各データに類似するN個のデータの集合を生成し、前記生成された集合内で、他の1項目のヘルスケアデータが大きい又は小さい方から所定割合に位置する値を目的変数とするリスク分析用データを生成する上位リスク値算出部と、
前記入力されたヘルスケアデータの一部又は全部を説明変数とし、前記リスク分析用データに含まれる目的変数を予測するリスク予測モデルを、これらのデータの学習によって生成するリスク予測モデル生成部と、
前記リスク予測モデルに前記ヘルスケアデータを入力して、前記目的変数によって表されるリスクを予測するリスク予測部とを備えることを特徴とするヘルスケアデータ分析装置。 Healthcare data analyzer
It is composed of a computer having an arithmetic unit that executes a predetermined process and a storage device connected to the arithmetic unit.
Using the data of at least one item of the input healthcare data, a set of N data similar to each data is generated, and within the generated set, the healthcare data of the other one item is large or The upper risk value calculation unit that generates data for risk analysis with the value located at a predetermined ratio from the smallest as the objective variable, and
A risk prediction model generation unit that uses a part or all of the input healthcare data as explanatory variables and generates a risk prediction model that predicts the objective variable included in the risk analysis data by learning these data.
A healthcare data analyzer comprising a risk prediction unit that inputs the healthcare data into the risk prediction model and predicts the risk represented by the objective variable.
前記所定割合は、分析対象のリスクの発生確率と同じ又は2倍以下の値とすることを特徴とするヘルスケアデータ分析装置。 The healthcare data analyzer according to claim 1.
A healthcare data analyzer characterized in that the predetermined ratio is a value equal to or less than twice the probability of occurrence of a risk to be analyzed.
前記目的変数は、糖尿病の発症リスクを分析するための、HbA1c値の変化量であり、
前記リスク予測部は、前記リスク予測モデルに前記ヘルスケアデータを入力して、将来のHbA1c値の変化量の増大リスクを予測することを特徴とするヘルスケアデータ分析装置。 The healthcare data analyzer according to claim 1.
The objective variable is the amount of change in the HbA1c value for analyzing the risk of developing diabetes.
The risk prediction unit is a healthcare data analyzer characterized in that the healthcare data is input to the risk prediction model to predict the risk of an increase in the amount of change in the HbA1c value in the future.
前記リスク予測部は、HbA1cが5.5以上かつ6.0以下である範囲内から、前記予測されたリスクが高い人を抽出することを特徴とするヘルスケアデータ分析装置。 The healthcare data analyzer according to claim 3.
The risk prediction unit is a healthcare data analyzer characterized by extracting a person having a high predicted risk from a range in which HbA1c is 5.5 or more and 6.0 or less.
前記所定割合は15%以下とすることを特徴とするヘルスケアデータ分析装置。 The healthcare data analyzer according to claim 3.
A health care data analyzer characterized in that the predetermined ratio is 15% or less.
前記上位リスク値算出部は、前記入力されたヘルスケアデータの一部又は全部の変数が配置される空間内において、分析対象となる疾病の進行度を示す指標の値の変化が少ない方向では距離尺度を大きくし、前記指標の値の変化が大きい方向では距離尺度を小さくしたマハラノビス距離を用いて、類似するデータの集合を生成することを特徴とするヘルスケアデータ分析装置。 The healthcare data analyzer according to claim 1.
The upper risk value calculation unit is a distance in the direction in which there is little change in the value of the index indicating the progress of the disease to be analyzed in the space where some or all the variables of the input healthcare data are arranged. A healthcare data analyzer characterized in that a set of similar data is generated using a Mahalanobis distance with a large scale and a small distance scale in the direction in which the value of the index changes significantly.
前記入力されたヘルスケアデータの一部又は全部を説明変数とし、前記リスク分析用データに含まれる目的変数と同一項目のデータを目的変数とする予測モデルを、これらのデータの学習によって生成する予測モデル生成部と、
前記目的変数によって表されるリスクを表す回帰曲線を出力する出力部と、を有し、
前記出力部は、
前記リスク予測モデルに前記ヘルスケアデータを入力して予測された、前記目的変数によって表されるリスクを表すリスク回帰曲線と、
前記予測モデルに前記ヘルスケアデータを入力して予測された、前記目的変数によって表されるリスクを表す回帰曲線と、を比較可能に出力することを特徴とするヘルスケアデータ分析装置。 The healthcare data analyzer according to claim 1.
A prediction model is generated by learning these data, using a part or all of the input healthcare data as explanatory variables and the data of the same item as the objective variable included in the risk analysis data as the objective variable. Model generator and
It has an output unit that outputs a regression curve representing the risk represented by the objective variable.
The output unit
A risk regression curve representing the risk represented by the objective variable, which is predicted by inputting the healthcare data into the risk prediction model, and
A healthcare data analyzer characterized by inputting the healthcare data into the prediction model and outputting a regression curve representing the risk represented by the objective variable predicted by inputting the healthcare data in a comparable manner.
前記目的変数によって表されるリスクを表す回帰曲線を出力する出力部を有し、
前記リスク予測部は、複数の母集団のヘルスケアデータから複数のリスク予測を生成し、
前記出力部は、前記複数のリスク予測を表す複数のリスク回帰曲線を比較可能に出力することを特徴とするヘルスケアデータ分析装置。 The healthcare data analyzer according to claim 1.
It has an output unit that outputs a regression curve representing the risk represented by the objective variable.
The risk prediction unit generates a plurality of risk predictions from the health care data of a plurality of populations.
The output unit is a healthcare data analyzer characterized in that a plurality of risk regression curves representing the plurality of risk predictions are output in a comparable manner.
ヘルスケアデータ分析装置は、所定の処理を実行する演算装置と、前記演算装置に接続された記憶デバイスとを有する計算機によって構成され、
前記ヘルスケアデータ分析方法は、
前記演算装置が、入力されたヘルスケアデータの少なくとも1項目のデータを用いて、各データに類似するN個のデータの集合を生成し、前記生成された集合内で、他の1項目のヘルスケアデータが大きい又は小さい方から所定割合に位置する値を目的変数とするリスク分析用データを生成する上位リスク値算出処理と、
前記演算装置が、前記入力されたヘルスケアデータの一部又は全部を説明変数とし、前記リスク分析用データに含まれる目的変数を予測するリスク予測モデルを、これらのデータの学習によって生成するリスク予測モデル生成処理と、
前記演算装置が、前記リスク予測モデルに前記ヘルスケアデータを入力して、前記目的変数によって表されるリスクを予測するリスク予測処理と、を含むことを特徴とするヘルスケアデータ分析方法。 A healthcare data analysis method performed by a healthcare data analyzer.
The healthcare data analyzer is composed of a computer having an arithmetic unit that executes a predetermined process and a storage device connected to the arithmetic unit.
The healthcare data analysis method is
The arithmetic unit generates a set of N data similar to each data using the data of at least one item of the input healthcare data, and the health of the other one item in the generated set. High-level risk value calculation processing that generates data for risk analysis with the value located at a predetermined ratio from the larger or smaller care data as the objective variable, and
Risk prediction that the arithmetic unit uses a part or all of the input healthcare data as explanatory variables and generates a risk prediction model that predicts the objective variable included in the risk analysis data by learning these data. Model generation process and
A method for analyzing healthcare data, wherein the arithmetic unit includes a risk prediction process for inputting the healthcare data into the risk prediction model and predicting the risk represented by the objective variable.
前記所定割合は、分析対象のリスクの発生確率と同じ又は2倍以下の値とすることを特徴とするヘルスケアデータ分析方法。 The healthcare data analysis method according to claim 9.
A healthcare data analysis method, characterized in that the predetermined ratio is a value equal to or less than twice the probability of occurrence of a risk to be analyzed.
前記目的変数は、糖尿病の発症リスクを分析するための、HbA1c値の変化量であり、
前記リスク予測処理では、前記演算装置が、前記リスク予測モデルに前記ヘルスケアデータを入力して、将来のHbA1c値の変化量の増大リスクを予測することを特徴とするヘルスケアデータ分析方法。 The healthcare data analysis method according to claim 9.
The objective variable is the amount of change in the HbA1c value for analyzing the risk of developing diabetes.
In the risk prediction process, the calculation device inputs the healthcare data into the risk prediction model to predict the risk of an increase in the amount of change in the HbA1c value in the future, which is a health care data analysis method.
前記所定割合は15%以下とすることを特徴とするヘルスケアデータ分析方法。 The healthcare data analysis method according to claim 11.
A health care data analysis method, wherein the predetermined ratio is 15% or less.
前記上位リスク値算出処理では、前記演算装置が、前記入力されたヘルスケアデータの一部又は全部の変数が配置される空間内において、分析対象となる疾病の進行度を示す指標の値の変化が少ない方向では距離尺度を大きくし、前記指標の値の変化が大きい方向では距離尺度を小さくしたマハラノビス距離を用いて、類似するデータの集合を生成することを特徴とするヘルスケアデータ分析方法。 The healthcare data analysis method according to claim 9.
In the upper risk value calculation process, the calculation device changes the value of the index indicating the progress of the disease to be analyzed in the space where some or all the variables of the input healthcare data are arranged. A healthcare data analysis method characterized in that a set of similar data is generated using a Mahalanobis distance in which the distance scale is increased in the direction in which the value is small and the distance scale is decreased in the direction in which the value of the index is large.
前記演算装置が、前記入力されたヘルスケアデータの一部又は全部を説明変数とし、前記リスク分析用データに含まれる目的変数と同一項目のデータを目的変数とする予測モデルを、これらのデータの学習によって生成する予測モデル生成処理と、
前記演算装置が、前記目的変数によって表されるリスクを表す回帰曲線を出力する出力処理と、を含み、
前記出力処理では、
前記演算装置が、
前記リスク予測モデルに前記ヘルスケアデータを入力して予測された、前記目的変数によって表されるリスクを表すリスク回帰曲線と、
前記予測モデルに前記ヘルスケアデータを入力して予測された、前記目的変数によって表されるリスクを表す回帰曲線と、を比較可能に出力することを特徴とするヘルスケアデータ分析方法。 The healthcare data analysis method according to claim 9.
A prediction model in which the arithmetic unit uses a part or all of the input healthcare data as explanatory variables and data of the same item as the objective variable included in the risk analysis data as the objective variable is used for these data. Predictive model generation processing generated by training and
The arithmetic unit includes an output process that outputs a regression curve representing the risk represented by the objective variable.
In the output process,
The arithmetic unit
A risk regression curve representing the risk represented by the objective variable, which is predicted by inputting the healthcare data into the risk prediction model, and
A healthcare data analysis method characterized by inputting the healthcare data into the prediction model and outputting a regression curve representing the risk represented by the objective variable predicted by inputting the healthcare data in a comparable manner.
前記演算装置が、前記目的変数によって表されるリスクを表す回帰曲線を出力する出力処理を含み、
前記リスク予測処理では、前記演算装置が、複数の母集団のヘルスケアデータから複数のリスク予測を生成し、
前記出力処理では、前記演算装置が、前記複数のリスク予測を表す複数のリスク回帰曲線を比較可能に出力することを特徴とするヘルスケアデータ分析方法。 The healthcare data analysis method according to claim 9.
The arithmetic unit includes an output process that outputs a regression curve representing the risk represented by the objective variable.
In the risk prediction process, the arithmetic unit generates a plurality of risk predictions from the health care data of a plurality of populations.
In the output processing, the health care data analysis method is characterized in that the arithmetic unit outputs a plurality of risk regression curves representing the plurality of risk predictions in a comparable manner.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019028897A JP7027359B2 (en) | 2019-02-20 | 2019-02-20 | Healthcare data analyzer and healthcare data analysis method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019028897A JP7027359B2 (en) | 2019-02-20 | 2019-02-20 | Healthcare data analyzer and healthcare data analysis method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020135489A true JP2020135489A (en) | 2020-08-31 |
JP7027359B2 JP7027359B2 (en) | 2022-03-01 |
Family
ID=72263340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019028897A Active JP7027359B2 (en) | 2019-02-20 | 2019-02-20 | Healthcare data analyzer and healthcare data analysis method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7027359B2 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022067426A1 (en) * | 2020-09-29 | 2022-04-07 | Biron Health Group Inc. | System and method for generating augmented complete blood count reports |
JP7520680B2 (en) | 2020-10-13 | 2024-07-23 | 株式会社東芝 | Health support device and health support program |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011044592A (en) * | 2009-08-21 | 2011-03-03 | Nec Corp | Reliability determining device, reliability determining method, and computer program for reliability determination |
JP2011203976A (en) * | 2010-03-25 | 2011-10-13 | Stargate Science Kk | Diagnostic support apparatus |
JP2018180993A (en) * | 2017-04-14 | 2018-11-15 | 株式会社日立製作所 | Data analysis support system and data analysis support method |
JP2019016235A (en) * | 2017-07-07 | 2019-01-31 | 株式会社エヌ・ティ・ティ・データ | Disease onset prediction device, disease onset prediction method and program |
-
2019
- 2019-02-20 JP JP2019028897A patent/JP7027359B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011044592A (en) * | 2009-08-21 | 2011-03-03 | Nec Corp | Reliability determining device, reliability determining method, and computer program for reliability determination |
JP2011203976A (en) * | 2010-03-25 | 2011-10-13 | Stargate Science Kk | Diagnostic support apparatus |
JP2018180993A (en) * | 2017-04-14 | 2018-11-15 | 株式会社日立製作所 | Data analysis support system and data analysis support method |
JP2019016235A (en) * | 2017-07-07 | 2019-01-31 | 株式会社エヌ・ティ・ティ・データ | Disease onset prediction device, disease onset prediction method and program |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022067426A1 (en) * | 2020-09-29 | 2022-04-07 | Biron Health Group Inc. | System and method for generating augmented complete blood count reports |
JP7520680B2 (en) | 2020-10-13 | 2024-07-23 | 株式会社東芝 | Health support device and health support program |
Also Published As
Publication number | Publication date |
---|---|
JP7027359B2 (en) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12002553B2 (en) | Systems and methods for designing clinical trials | |
US11600390B2 (en) | Machine learning clinical decision support system for risk categorization | |
JP6066825B2 (en) | Data analysis apparatus and health business support method | |
US20120271612A1 (en) | Predictive modeling | |
JP7212630B2 (en) | Decision-making system and method for determining initiation and type of treatment for patients with progressive disease | |
JP6282783B2 (en) | Analysis system and analysis method | |
JP7027359B2 (en) | Healthcare data analyzer and healthcare data analysis method | |
Matos et al. | Unravelling disease presentation patterns in als using biclustering for discriminative meta-features discovery | |
Quinn et al. | Association between US physician malpractice claims rates and hospital admission rates among patients with lower-risk syncope | |
WO2020054115A1 (en) | Analysis system and analysis method | |
JP2021056568A (en) | Analysis system and analysis method | |
WO2015173917A1 (en) | Analysis system | |
Hamburger et al. | Utility of the Diamond-Forrester classification in stratifying acute chest pain in an academic chest pain center | |
Herdian et al. | The Use of Feature Engineering and Hyperparameter Tuning for Machine Learning Accuracy Optimization: A Case Study on Heart Disease Prediction | |
JP6975682B2 (en) | Medical information processing equipment, medical information processing methods, and medical information processing programs | |
JP6960369B2 (en) | Analytical system and analytical method | |
US20240096482A1 (en) | Decision support systems for determining conformity with medical care quality standards | |
JP2020017094A (en) | Analysis method, analyzer and program | |
JP7084861B2 (en) | Evaluation processing system and evaluation processing method | |
JP7422651B2 (en) | Information processing system and selection support method | |
JP7485013B2 (en) | Information presentation device, information presentation method, and program | |
JP2012033155A (en) | Medical examination data processing method, medical examination data processing device and program | |
US20240120037A1 (en) | Method and system for hybrid clinical trial design | |
Singarathnam et al. | Machine learning-based predictive models for cardiovascular risk assessment in data analysis, model development, and clinical implications | |
Rout et al. | Predicting Disease Risk with Machine Learning: A Comparative Study of Classification Algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210319 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220128 |
|
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: 20220208 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220216 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7027359 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |