JP2021039765A - 保険条件包含可能性判断プログラム - Google Patents
保険条件包含可能性判断プログラム Download PDFInfo
- Publication number
- JP2021039765A JP2021039765A JP2020179740A JP2020179740A JP2021039765A JP 2021039765 A JP2021039765 A JP 2021039765A JP 2020179740 A JP2020179740 A JP 2020179740A JP 2020179740 A JP2020179740 A JP 2020179740A JP 2021039765 A JP2021039765 A JP 2021039765A
- Authority
- JP
- Japan
- Prior art keywords
- insurance
- information
- condition
- association
- lifestyle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
【課題】生活習慣病保険の保険条件の包含可能性を判断する。【解決手段】顧客に対して、生活習慣病保険の保険条件の包含可能性を判断する保険条件包含可能性判断プログラムにおいて、顧客の健康状態を示す健康状態情報と、当該顧客が加入している生活習慣病保険の保険条件を取得する情報取得ステップと、以前に取得した参照用健康状態情報と、参照用保険条件とを有する組み合わせと、当該組み合わせに対する保険条件の包含可能性との3段階以上の連関度を利用し、上記情報取得ステップを介して取得した健康状態情報と保険条件とに基づき、当該保険条件の包含可能性を判断する判断ステップとをコンピュータに実行させる。【選択図】図11
Description
本発明は、顧客に対して、生活習慣病保険の保険条件の包含可能性を判断する保険条件包含可能性判断プログラムに関する。
癌や心筋梗塞、脳梗塞、高血圧、糖尿病等の生活習慣病に対する保険が普及している。中でも特に近年において、個人個人に合わせたオーダーメイド型の生活習慣病保険も普及しつつある。このオーダーメイド型の生活習慣病保険の条件を個人個人に設定する場合には、顧客の様々な状況に基づいて最適な条件を探索する作業を行うことになるが、当該作業の負担は過大なものとなる。
このため、これらの作業を人工知能を活用してアシストすることを考えていく必要が出てくるが、保険条件を検討する上で人工知能を活用する技術は以前より提案されているものの(例えば、特許文献1、2参照。)、何れも個人個人に合わせたオーダーメイド型の保険を意図したものではない。
そこで、本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、個人個人に合わせた最適なオーダーメイド型の生活習慣病保険の保険条件の包含可能性を判断する保険条件包含可能性判断プログラムを提供することにある。
本発明に係る保険条件包含可能性判断プログラムは、顧客に対して、生活習慣病保険の保険条件の包含可能性を判断する保険条件包含可能性判断プログラムにおいて、顧客の健康状態を示す健康状態情報と、当該顧客が加入している生活習慣病保険の保険条件を取得する情報取得ステップと、以前に取得した参照用健康状態情報と、参照用保険条件とを有する組み合わせと、当該組み合わせに対する保険条件の包含可能性との3段階以上の連関度を利用し、上記情報取得ステップを介して取得した健康状態情報と保険条件とに基づき、当該保険条件の包含可能性を判断する判断ステップとをコンピュータに実行させることを特徴とする。
本発明に係る保険条件包含可能性判断プログラムは、顧客に対して、生活習慣病保険の保険条件の包含可能性を判断する保険条件包含可能性判断プログラムにおいて、顧客の生活習慣を示す生活習慣情報と、当該顧客が加入している生活習慣病保険の保険条件を取得する情報取得ステップと、以前に取得した参照用生活習慣情報と、参照用保険条件とを有する組み合わせと、当該組み合わせに対する保険条件の包含可能性との3段階以上の連関度を利用し、上記情報取得ステップを介して取得した生活習慣と保険条件とに基づき、当該保険条件の包含可能性を判断する判断ステップとをコンピュータに実行させることを特徴とする。
上述した構成からなる本発明によれば、個人個人に合わせた最適なオーダーメイド型の生活習慣病保険条件を自動的に提案することが可能となる。また、保険条件の包含性を自動的に判断することが可能となる。
保険提案プログラム
以下、本発明を適用した保険提案プログラムについて、図面を参照しながら詳細に説明をする。
以下、本発明を適用した保険提案プログラムについて、図面を参照しながら詳細に説明をする。
図1は、本発明を適用した生活習慣病の保険提案プログラムが実装される生活習慣病保険提案システム1の全体構成を示すブロック図である。生活習慣病保険提案システム1は、情報取得部9と、情報取得部9に接続された探索装置2と、探索装置2に接続されたデータベース3とを備えている。
情報取得部9は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部9は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部9は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部9は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部9は、後述する探索装置2と一体化されていてもよい。情報取得部9は、検知した情報を探索装置2へと出力する。また情報取得部9は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部9は、温度センサ、湿度センサ、流量センサ、その他物質や物性を特定することが可能なセンサも含む。情報取得部9は、インターネット上のサイトに掲載されている文字列やデータを自動的に取り込んでくる手段で構成されていてもよい。
データベース3は、解探索を行う上で必要な様々な情報が蓄積される。データベース3は、顧客の健康状態を示す参照用健康状態情報が記憶される。この参照用健康状態情報とは、以前に取得した顧客の健康状態を示すデータからなるもので、体温、脈拍、血液検査結果、心電図、X線検査、血圧、内視鏡検査、医師による診断結果等を含むものである。
またデータベース3は、顧客の生活習慣を示す参照用生活習慣情報が記憶される。この参照用生活習慣情報としては、例えば起床時間、就寝時間、睡眠時間、勤務時間、残業時間、飲酒の頻度や量、食事の時間や量、運動頻度や運動量、一日に摂取する食事の栄養素、通勤時間等が含まれる。
またデータベース3は、顧客の属性情報に関する参照用属性情報が記憶される。この参照用属性情報としては、例えば顧客の年齢、性別、職業、居住地、家族の状況に加え、過去の病歴、家族の病歴、顧客又は家族がかかっているアレルギー、手術歴等を含むものである。
また、データベース3には、保険条件の包含可能性に関する情報も含まれる。この包含可能性のデータは、過去の顧客の健康状態や生活習慣等の事例に基づいて、ある保険条件を満たすものと判断されたか否かについての情報である。これらの包含可能性のデータは、過去の顧客の健康状態や生活習慣等の事例と保険条件を照らし合わせ、当該保険条件を満たすものと判断された場合、或いはそのように判断されなかった場合についてのデータを収集し、蓄積したものである。
つまり、データベース3には、このような参照用健康状態情報、参照用生活習慣情報に加え、参照用属性情報の何れか1以上と、保険条件の各データが互いに紐づけられて記憶されている。またデータベース3には、参照用健康状態情報、参照用生活習慣情報に加え、参照用属性情報の何れか1以上に対する当該顧客の保険条件に対して、保険条件の包含可能性の各データが互いに紐づけられて記憶されている。
探索装置2は、例えば、パーソナルコンピュータ(PC)等を始めとした電子機器で構成されているが、PC以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この探索装置2による探索解を得ることができる。
図2は、探索装置2の具体的な構成例を示している。この探索装置2は、探索装置2全体を制御するための制御部24と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部25と、有線通信又は無線通信を行うための通信部26と、各種判断を行う推定部27と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部28とが内部バス21にそれぞれ接続されている。さらに、この内部バス21には、実際に情報を表示するモニタとしての表示部23が接続されている。
制御部24は、内部バス21を介して制御信号を送信することにより、探索装置2内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部24は、操作部25を介した操作に応じて各種制御用の指令を内部バス21を介して伝達する。
操作部25は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部25は、上記実行命令がユーザから入力された場合には、これを制御部24に通知する。この通知を受けた制御部24は、推定部27を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部25は、前述した情報取得部9として具現化されるものであってもよい。
推定部27は、探索解を推定する。この推定部27は、推定動作を実行するに当たり、必要な情報として記憶部28に記憶されている各種情報や、データベース3に記憶されている各種情報を読み出す。この推定部27は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
表示部23は、制御部24による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部23は、例えば、液晶ディスプレイ(LCD)等によって実現される。
記憶部28は、ハードディスクで構成される場合において、制御部24による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部28には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部24により読み出されて実行されることになる。
上述した構成からなる生活習慣病保険提案システム1における動作について説明をする。
生活習慣病保険提案システム1では、例えば図3に示すように、参照用健康状態情報と、保険条件との3段階以上の連関度が予め設定され、取得されていることが前提となる。参照用健康状態情報とは、以前に取得した顧客の健康状態を示すデータからなるもので、体温、脈拍、血液検査結果、心電図、X線検査、血圧、内視鏡検査、医師による診断結果等を含むものである。
保険条件は、保険に入るための条件、保険が適用され、補償金等が給付される条件の全てを含む概念である。例えば、癌に疾患した場合、医師の診断書により癌に疾患していることが明示されており、かつ3か月以上入院していることが条件になっている場合等である。
つまり、この参照用健康状態情報と、保険条件のデータセットを通じて、参照用健康状態情報において生じた様々な健康状態に応じ、いかなる保険条件が適用されたかが分かる。保険条件については、それぞれ顧客毎に設定されたオーダーメイド型の生活習慣病保険条件を保険会社等に記憶されているデータベースから読み出して利用するようにしてもよい。つまり顧客毎の過去の健康状態に応じた参照用健康状態情報と、当該顧客に設定された保険条件のデータセットを集めておくことにより、過去においていかなる健康状態の顧客に、いかなる保険条件が設定されたかを知ることが可能となる。
図3の例では、入力データとして例えば参照用健康状態情報P01〜P03であるものとする。このような入力データとしての参照用健康状態情報は、出力に連結している。この出力においては、出力解としての、保険条件Q1〜Q4が表示されている。
参照用健康状態情報は、この出力解としての保険条件に対して3段階以上の連関度を通じて互いに連関しあっている。参照用健康状態情報がこの連関度を介して左側に配列し、各保険条件が連関度を介して右側に配列している。連関度は、左側に配列された参照用健康状態情報に対して、何れの保険条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用健康状態情報が、いかなる保険条件に紐付けられる可能性が高いかを示す指標であり、参照用健康状態情報から最も確からしいる保険条件を選択する上での的確性を示すものである。図3の例では、連関度としてw13〜w19が示されている。このw13〜w19は以下の表1に示すように10段階で示されており、10点に近いほど、保険条件と互いに関連度合いが高いことを示しており、逆に1点に近いほど保険条件と互いに関連度合いが低いことを示している。
探索装置2は、このような図3に示す3段階以上の連関度w13〜w19を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用健康状態情報と、その場合の保険条件の何れが採用されたか、過去のデータを蓄積しておき、これらを分析、解析することで図3に示す連関度を作り上げておく。
例えば、参照用健康状態情報P01が血圧●●、血糖値●●、心電図が●●点であるものとする。このとき、そのような参照用健康状態情報P01を持つ顧客が過去のどのようなオーダーメイド型の保険条件が適用されたかを調査する。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用健康状態情報P01である場合に、保険会社に記憶されているデータベースの過去のデータから分析する。仮に適用された保険条件Q1が多い場合には、この保険条件Q1につながる連関度をより高く設定し、保険条件Q2の事例が多く、保険条件Q1が少ない場合には、保険条件Q2につながる連関度を高くし、保険条件Q1につながる連関度を低く設定する。
また、この図3に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに顧客に生活習慣病の保険条件を設定する際に、上述した学習済みデータを利用して最適な保険条件を探索することとなる。かかる場合には、新たに生活習慣病の保険条件を設定しようとする顧客の健康状態を示す健康状態情報を新たに取得する。
新たに取得する健康状態情報は、上述した情報取得部9により入力される。
このようにして新たに取得した健康状態情報に基づいて、実際にいかなる保険条件を適用すべきかを推定する。かかる場合には、予め取得した図3(表1)に示す連関度を参照する。例えば、新たに取得した健康状態情報がP02と同一かこれに類似するものである場合には、連関度を介して保険条件Q2がw15、保険条件Q3が連関度w16で関連付けられている。かかる場合には、連関度のもっと高い保険条件Q2を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる保険条件Q3を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
このようにして、新たに取得する健康状態情報と参照用健康状態情報とは互いに情報の種類としては整合を持たせてあるため、新たな健康状態情報を取得した場合には、これに同一又は類似の参照用健康状態情報を即座に参照し、最適な保険条件を推定することが可能となる。
ちなみに健康状態情報として、体温、脈拍、血液検査結果、心電図、X線検査、血圧、内視鏡検査、医師による診断結果等の何れか1以上を取得する場合には、参照用健康状態情報として、これらに応じた体温、脈拍、血液検査結果、心電図、X線検査、血圧、内視鏡検査、医師による診断結果等との間で予め学習させておく必要がある。そして、実際に取得した健康状態情報としての、体温、脈拍、血液検査結果、心電図、X線検査、血圧、内視鏡検査、医師による診断結果等に応じた健康状態情報を介して、最適な生活習慣病保険条件を探索することになる。
このとき、上述した連関度を体温、脈拍、血液検査結果、心電図、X線検査、血圧、内視鏡検査、医師による診断結果等の何れか2以上の組み合わせで構成するようにしてもよい。そして、その組み合わせに対する探索解としての保険条件を学習させておくことにより、解探索をさせるようにしてもよい。
つまり、健康状態情報として、顧客の体温、脈拍、血液検査結果、心電図、X線検査、血圧、内視鏡検査、医師による診断結果等の何れか2以上を取得する。そして、参照用健康状態情報のうち、取得される2以上の情報に応じた参照用健康状態情報間の組み合わせと、保険条件との3段階以上の連関度を予め取得しておく。つぎにこれを利用し、上述のように新たに取得した2以上の情報に応じた参照用健康状態情報間の組み合わせに対する保険条件との3段階以上の連関度に基づき、提案すべき生活習慣病の保険条件を探索する。
また、これら健康状態情報、属性情報、生活習慣情報から、生活習慣病のリスクをある程度予測することが可能となる。そして、この生活習慣病のリスクに応じた保険条件を設定することが可能となる。
図4の例では、参照用健康状態情報と、参照用属性情報との組み合わせが形成されていることが前提となる。
図4の例では、入力データとして例えば参照用健康状態情報P11〜P13、参照用属性情報P14〜17であるものとする。このような入力データとしての、参照用健康状態情報に対して、参照用属性情報が組み合わさったものが、図4に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、生活習慣病の保険条件が表示されている。
参照用健康状態情報と参照用属性情報との各組み合わせ(中間ノード)は、この出力解としての保険条件に対して3段階以上の連関度を通じて互いに連関しあっている。参照用健康状態情報と参照用属性情報がこの連関度を介して左側に配列し、保険条件が連関度を介して右側に配列している。連関度は、左側に配列された参照用健康状態情報と参照用属性情報に対して、何れの保険条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用健康状態情報と参照用属性情報が、いかなる保険条件に紐付けられる可能性が高いかを示す指標であり、参照用健康状態情報と参照用属性情報から最も確からしい保険条件を選択する上での的確性を示すものである。図4の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。
推定装置2は、このような図4に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり推定装置2は、実際の探索解の判別を行う上で、参照用健康状態情報と参照用属性情報、並びにその場合の保険条件がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図4に示す連関度を作り上げておく。
例えば、過去に設定された顧客の健康状態が参照用健康状態情報P11であるものとする。このとき、当該顧客の属性情報として、「男性、40代、糖尿病持ち、祖父が癌で他界している」であったとき、以前のデータにおいて、保険条件を調査する。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用健康状態情報P11で、かつ参照用属性情報P16「男性、40代、糖尿病持ち、祖父が癌で他界している」である場合に、その保険条件を過去のデータから分析する。保険条件が仮に保険条件Q3の事例が多い場合には、この保険条件Q3につながる連関度をより高く設定し、保険条件Q4の事例が多く、保険条件Q3の事例が少ない場合には、保険条件Q4につながる連関度を高くし、保険条件Q3につながる連関度を低く設定する。例えば中間ノード61aの例では、保険条件Q1と、保険条件Q2の出力にリンクしているが、以前の事例から保険条件Q1につながるw13の連関度を7点に、保険条件Q2につながるw14の連関度を2点に設定している。
また、この図4に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図4に示す連関度の例で、ノード61bは、参照用健康状態情報P11に対して、参照用属性情報P14の組み合わせのノードであり、保険条件Q3の連関度がw15、保険条件Q5の連関度がw16となっている。ノード61cは、参照用健康状態情報P12に対して、参照用属性情報P15、P17の組み合わせのノードであり、保険条件Q2の連関度がw17、保険条件Q4の連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに探索すべき保険条件の推定を行う際において、上述した学習済みデータを利用して保険条件を推定することとなる。かかる場合には、新たに保険条件を設定しようとする顧客の健康状態情報を新たに取得するとともに、当該顧客の属性情報を取得する。
新たに取得する健康状態情報、属性情報は、キーボード等のユーザインターフェースを介して取得するようにしてもよい。
このようにして新たに取得した健康状態情報、属性情報に基づいて、最適な生活習慣病保険条件の探索を試みる。かかる場合には、予め取得した図4(表1)に示す連関度を参照する。例えば、新たに取得した健康状態情報がP12と同一かこれに類似するものである場合であって、属性情報がP17である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、保険条件Q3がw19、保険条件Q4が連関度w20で関連付けられている。かかる場合には、連関度のもっと高い保険条件Q3を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる保険条件Q4を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
また、入力から伸びている連関度w1〜w12の例を以下の表2に示す。
この入力から伸びている連関度w1〜w12に基づいて中間ノード61が選択されていてもよい。つまり連関度w1〜w12が大きいほど、中間ノード61の選択における重みづけを重くしてもよい。しかし、この連関度w1〜w12は何れも同じ値としてもよく、中間ノード61の選択における重みづけは何れも全て同一とされていてもよい。
ちなみに属性情報として、例えば、顧客の年齢、性別、職業、居住地、家族の状況に加え、過去の病歴、家族の病歴、顧客又は家族がかかっているアレルギー、手術歴等の何れか1以上を取得する場合には、参照用属性情報として、これらに応じた顧客の年齢、性別、職業、居住地、家族の状況に加え、過去の病歴、家族の病歴、顧客又は家族がかかっているアレルギー、手術歴等を参照用健康状態情報と共に、保険条件との間で予め学習させておく必要がある。そして、実際に取得した顧客の年齢、性別、職業、居住地、家族の状況に加え、過去の病歴、家族の病歴、顧客又は家族がかかっているアレルギー、手術歴等に応じた参照用属性情報を介して、その保険条件を探索することになる。
このとき、上述した連関度を顧客の年齢、性別、職業、居住地、家族の状況に加え、過去の病歴、家族の病歴、顧客又は家族がかかっているアレルギー、手術歴等の何れか1以上の組み合わせで構成するようにしてもよい。そして、その組み合わせに対する探索解としての保険条件を学習させておくことにより、解探索をさせるようにしてもよい。
このとき、参照用属性情報として、顧客の以前の病歴、当該顧客の家族の病歴の何れか1以上を取得しておくようにしてもよい。以前に取得した他の顧客の以前の病歴、当該他の顧客の家族の病歴の何れか1以上を含む参照用属性情報を有する組み合わせと、当該組み合わせに対する保険条件との3段階以上の連関度を利用し、上述と同様に保険条件の解探索を行う。
図5の例では、参照用健康状態情報と、参照用生活習慣情報との組み合わせが形成されていることが前提となる。
図5の例では、入力データとして例えば参照用健康状態情報P11〜P13、参照用生活習慣情報P41〜44であるものとする。このような入力データとしての、参照用健康状態情報に対して、参照用生活習慣情報が組み合わさったものが、図5に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、生活習慣病の保険条件が表示されている。
参照用健康状態情報と参照用生活習慣情報との各組み合わせ(中間ノード)は、この出力解としての保険条件に対して3段階以上の連関度を通じて互いに連関しあっている。参照用健康状態情報と参照用生活習慣情報がこの連関度を介して左側に配列し、保険条件が連関度を介して右側に配列している。連関度は、左側に配列された参照用健康状態情報と参照用生活習慣情報に対して、何れの保険条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用健康状態情報と参照用生活習慣情報が、いかなる保険条件に紐付けられる可能性が高いかを示す指標であり、参照用健康状態情報と参照用生活習慣情報から最も確からしい保険条件を選択する上での的確性を示すものである。
推定装置2は、このような図5に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり推定装置2は、実際の探索解の判別を行う上で、参照用健康状態情報と参照用生活習慣情報、並びにその場合の保険条件がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図5に示す連関度を作り上げておく。
例えば、過去に設定された顧客の健康状態が参照用健康状態情報P11であるものとする。このとき、当該顧客の生活習慣情報として、「睡眠時間●●、残業時間●●、摂取する栄養素●●、一日の運動量●●」であったとき、以前のデータにおいて、保険条件を調査する。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用健康状態情報P11で、かつ参照用生活習慣情報P43「睡眠時間●●、残業時間●●、摂取する栄養素●●、一日の運動量●●」である場合に、その保険条件を過去のデータから分析する。保険条件が仮に保険条件Q3の事例が多い場合には、この保険条件Q3につながる連関度をより高く設定し、保険条件Q4の事例が多く、保険条件Q3の事例が少ない場合には、保険条件Q4につながる連関度を高くし、保険条件Q3につながる連関度を低く設定する。例えば中間ノード61aの例では、保険条件Q1と、保険条件Q2の出力にリンクしているが、以前の事例から保険条件Q1につながるw13の連関度を7点に、保険条件Q2につながるw14の連関度を2点に設定している。
また、この図5に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図5に示す連関度の例で、ノード61bは、参照用健康状態情報P11に対して、参照用生活習慣情報P41の組み合わせのノードであり、保険条件Q3の連関度がw15、保険条件Q5の連関度がw16となっている。ノード61cは、参照用健康状態情報P12に対して、参照用生活習慣情報P42、P44の組み合わせのノードであり、保険条件Q2の連関度がw17、保険条件Q4の連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに探索すべき保険条件の推定を行う際において、上述した学習済みデータを利用して保険条件を推定することとなる。かかる場合には、新たに保険条件を設定しようとする顧客の健康状態情報を新たに取得するとともに、当該顧客の生活習慣情報を取得する。
新たに取得する健康状態情報、生活習慣情報は、キーボード等のユーザインターフェースを介して取得するようにしてもよい。
このようにして新たに取得した健康状態情報、生活習慣情報に基づいて、最適な保険条件の探索を試みる。かかる場合には、予め取得した図5(表1)に示す連関度を参照する。例えば、新たに取得した健康状態情報がP12と同一かこれに類似するものである場合であって、生活習慣情報がP44である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、保険条件Q3がw19、保険条件Q4が連関度w20で関連付けられている。かかる場合には、連関度のもっと高い保険条件Q3を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる保険条件Q4を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
ちなみに生活習慣情報属性情報として、例えば、顧客の起床時間、就寝時間、睡眠時間、勤務時間、残業時間、飲酒の頻度や量、食事の時間や量、運動頻度や運動量、一日に摂取する食事の栄養素、通勤時間等を参照用健康状態情報と共に、保険条件との間で予め学習させておく必要がある。そして、実際に取得した顧客の起床時間、就寝時間、睡眠時間、勤務時間、残業時間、飲酒の頻度や量、食事の時間や量、運動頻度や運動量、一日に摂取する食事の栄養素、通勤時間等に応じた参照用生活習慣情報を介して、その保険条件を探索することになる。
このとき、上述した連関度を顧客の起床時間、就寝時間、睡眠時間、勤務時間、残業時間、飲酒の頻度や量、食事の時間や量、運動頻度や運動量、一日に摂取する食事の栄養素、通勤時間等の何れか1以上の組み合わせで構成するようにしてもよい。そして、その組み合わせに対する探索解としての保険条件を学習させておくことにより、解探索をさせるようにしてもよい。
なお生活習慣病保険提案システム1において、保険条件との間で学習させる際には、図6に示すように参照用生活習慣情報単独で保険条件と紐付けたデータセットで学習させるようにしてもよい。つまり、参照用生活習慣情報と、保険条件との3段階以上の連関度が予め設定され、取得されていることが前提となる。つまり、この参照用生活習慣情報と、生活習慣病保険条件のデータセットを通じて、参照用生活習慣情報に応じ、いかなる保険条件が適用されたかが分かる。図6に示す連関度の形成、並びに解探索については、図3の説明を引用することにより、以下での説明を省略する。
図7は、参照用生活習慣情報と、参照用属性情報との組み合わせが形成されている例を示している。図7の例では、入力データとして例えば参照用生活習慣情報P41〜P43、参照用属性情報P14〜17であるものとする。このような入力データとしての、参照用生活習慣情報に対して、参照用属性情報が組み合わさったものが、図7に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、生活習慣病の保険条件が表示されている。
参照用生活習慣情報と参照用属性情報との各組み合わせ(中間ノード)は、この出力解としての保険条件に対して3段階以上の連関度を通じて互いに連関しあっている。このような連関度を事前に学習させておく。以前に取得した顧客の属性に関する参照用属性情報と、上記参照用生活習慣情報とを有する組み合わせと、当該組み合わせに対する保険条件との3段階以上の連関度を利用し、上記情報取得ステップを介して取得した属性情報と生活習慣情報とに基づき、当該保険条件を探索することが可能となる。
更に本実施の形態においては、図8に示すように、参照用生活習慣情報と参照用属性情報と、参照用健康状態情報との各組み合わせ(中間ノード)が、この出力解としての保険条件に対して3段階以上の連関度を通じて互いに連関しあうように学習されていてもよい。当該組み合わせに対する保険条件との3段階以上の連関度を利用し、情報取得ステップを介して取得した属性情報と生活習慣情報と健康状態情報とに基づき、当該保険条件を同様に探索することが可能となる。
保険条件包含可能性判断プログラム
次に、本発明を適用した保険条件包含可能性判断プログラムについて説明をする。保険条件包含可能性判断プログラムも同様に、 図1に示すブロック図に記載の構成要素を用いる。保険条件包含可能性判断プログラムを実行する上で必要となる情報取得部9、探索装置2、データベース3は、上述した図1、2についての説明を引用することにより、以下での説明を省略する。
次に、本発明を適用した保険条件包含可能性判断プログラムについて説明をする。保険条件包含可能性判断プログラムも同様に、 図1に示すブロック図に記載の構成要素を用いる。保険条件包含可能性判断プログラムを実行する上で必要となる情報取得部9、探索装置2、データベース3は、上述した図1、2についての説明を引用することにより、以下での説明を省略する。
上述した構成からなる保険条件包含可能性判断プログラムの動作について説明をする。
保険条件包含可能性判断プログラムでは、例えば図9に示すように、参照用健康状態情報と、参照用保険条件との組み合わせが形成されていることが前提となる。参照用保険条件は、生活習慣病保険に入るためのあらゆる条件、並びに生活習慣病保険が適用されるためのあらゆる条件を示すものである。実際に、参照用健康状態情報と参照用保険条件は、ある一の顧客に着目したとき、その顧客の健康状態と当該顧客について設定されていた保険条件とのデータセットで構成される。
入力データとしては、このよう参照用健康状態情報と、参照用保険条件が並んでいる。このような入力データとしての、参照用健康状態情報に対して、参照用保険条件が組み合わさったものが、図9に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、保険条件を包含する可能性がパーセンテージとして表示されている。
顧客に関する参照用健康状態情報と、参照用保険条件との各組み合わせ(中間ノード)は、この出力解としての包含可能性に対して3段階以上の連関度を通じて互いに連関しあっている。図9の例では、連関度の点数として3段階以上で示されており、点数が高いほど、中間ノードとしての各組み合わせが出力としての保険条件の包含可能性と互いに関連度合いが高いことを示しており、逆に点数に近いほど中間ノードとしての各組み合わせが出力としての保険条件の包含可能性と互いに関連度合いが低いことを示している。
判断装置2は、このような図9に示す3段階以上の連関度を予め取得しておく。つまり判断装置2は、実際の保険条件の包含可能性の判断を行う上で、各顧客の健康状態を示すデータと、当該顧客が加入している生活習慣病の保険条件のデータ、並びに保険会社において実際に各事例を生活習慣病の保険条件に包含するものとして適用したか否かのデータを蓄積しておき、これらを分析、解析することで図9に示す連関度を作り上げておく。この分析、解析は人工知能により行うようにしてもよい。
また、この図9に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力としての包含可能性に対する重み付け係数が、上述した連関度に対応することとなる。
図9に示す連関度の例では、ノード61aは、参照用健康状態情報P11に対して、参照用保険条件P20の組み合わせのノードであり、保険条件の包含可能性「30%」が連関度w13、「60%」が連関度w14とされている。ノード61bは、参照用健康状態情報P11に対して、参照用保険条件P18の組み合わせのノードであり、保険条件の包含可能性「85%」が連関度w15、「70%」が連関度w16とされている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに判断を行う顧客に対して、当該保険が適用されるにあたり、必要な保険条件を満たしている可能性を判断していく。かかる場合には、これから新たに保険を受けようとする顧客に関する健康状態情報を取得する。同様にその顧客が受けようとする生活習慣病保険に関する保険条件も同様に取得する。保険条件の取得は、例えばスマートフォン等により保険条件の文章を撮像して、これを文字認識させ、テキストデータを抽出するようにしてもよいし、当該保険条件が記載されている電子データにインターネット等を介してアクセスし、テキストデータを抽出するようにしてもよい。またその利用者が受けようとする保険に関する条件が予めこのシステム側において入力されている場合にはそれをそのまま用いるようにしてもよい。
顧客から取得した健康状態情報がP11に対して同一又は類似であり、同様に取得した保険条件がP20に対して同一又は類似である場合には、ノード61aに該当し、そのノード61aに付された連関度に応じた保険条件適用の可能性を出力する。つまり、適用の可能性が30%であることをW13の重みづけを以って助言し、適用の可能性が60%であることをw14の重みづけを以って助言する。その結果、顧客又は保険会社は、顧客の健康状態から、当該顧客が加入する生活習慣病保険の条件包含の可能性を理解することができる。
なお、連関度の点数のより高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる、連関度の点数がより低いものを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論である。即ち、最適解の選択は、連関度が高いものから順に選択される場合に限定されるものではなく、ケースに応じて連関度が低いものから順に選択されるものであってもよいし、その他いかなる優先順位で選択されるものであってもよい。このようにして、入力データを参照用入力パラメータの何れかに割り当てた後、当該参照用入力パラメータに設定された連関度に基づいて出力解としての包含可能性を選択することになる。
図10は、上述した参照用健康状態情報と、参照用保険条件に加えて、更に参照用属性情報との組み合わせと、当該組み合わせに対する生活習慣病保険条件の包含可能性との3段階以上の連関度が設定されている例を示している。
かかる場合において、連関度は、図10に示すように、参照用健康状態情報と、参照用属性情報と、参照用属性情報との組み合わせの集合が上述と同様に中間ノードのノード61a〜61eとして表現されることとなる。
例えば、図10において、ノード61cは、参照用健康状態情報P12が連関度w3であり、参照用属性情報P15が連関度w7であり、参照用保険条件P21が連関度w11で連関している。同様にノード61eは、参照用健康状態情報P13が連関度w5であり、参照用属性情報P15が連関度w8であり、参照用保険条件P20が連関度w10で連関している。
このような連関度が設定されている場合も同様に、新たに取得した健康状態情報と、属性情報と、保険条件とに基づいて探索解を判別する。
この探索解を判別する上で予め取得した図10に示す連関度を参照する。例えば、取得し健康状態情報が参照用健康状態情報P12に同一又は類似であり、取得した属性情報が参照用属性情報P15に対応し、また取得した保険条件が参照用保険条件P21に対応する場合、その組み合わせはノード61cが関連付けられており、このノード61cは、生活習慣病保険の条件包含の可能性が「60%」が連関度w17であり、また条件包含の可能性が「45%」が連関度w18である。このような連関度の結果、w17、w18に基づいて、実際に探索解を求めていくことになる。
図11の例では、参照用生活習慣情報と、参照用保険条件との組み合わせが形成されていることが前提となる。入力データとしては、このよう参照用生活習慣情報と、参照用保険条件が並んでいる。このような入力データとしての、参照用生活習慣情報に対して、参照用保険条件が組み合わさったものが、図11に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、保険条件を包含する可能性がパーセンテージとして表示されている。
顧客に関する参照用生活習慣情報と、参照用保険条件との各組み合わせ(中間ノード)は、この出力解としての包含可能性に対して3段階以上の連関度を通じて互いに連関しあっている。
判断装置2は、このような図11に示す3段階以上の連関度を予め取得しておく。つまり判断装置2は、実際の保険条件の包含可能性の判断を行う上で、各顧客の生活習慣を示すデータと、当該顧客が加入している生活習慣病の保険条件のデータ、並びに保険会社において実際に各事例を生活習慣病の保険条件に包含するものとして適用したか否かのデータを蓄積しておき、これらを分析、解析することで図11に示す連関度を作り上げておく。この分析、解析は人工知能により行うようにしてもよい。
また、この図11に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力としての包含可能性に対する重み付け係数が、上述した連関度に対応することとなる。
図11に示す連関度の例では、ノード61aは、参照用生活習慣情報P41に対して、参照用保険条件P20の組み合わせのノードであり、保険条件の包含可能性「30%」が連関度w13、「60%」が連関度w14とされている。ノード61bは、参照用生活習慣情報P41に対して、参照用保険条件P18の組み合わせのノードであり、保険条件の包含可能性「85%」が連関度w15、「70%」が連関度w16とされている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに判断を行う顧客に対して、当該保険が適用されるにあたり、必要な保険条件を満たしている可能性を判断していく。かかる場合には、これから新たに保険を受けようとする顧客に関する生活習慣情報を取得する。同様にその顧客が受けようとする生活習慣病保険に関する保険条件も同様に取得する。
顧客から取得した生活習慣情報がP41に対して同一又は類似であり、同様に取得した保険条件がP20に対して同一又は類似である場合には、ノード61aに該当し、そのノード61aに付された連関度に応じた保険条件適用の可能性を出力する。つまり、適用の可能性が30%であることをW13の重みづけを以って助言し、適用の可能性が60%であることをw14の重みづけを以って助言する。その結果、顧客又は保険会社は、顧客の健康状態から、当該顧客が加入する生活習慣病保険の条件包含の可能性を理解することができる。
このとき、上述した図10に示すように、参照用生活習慣情報と、参照用保険条件に加えて、更に参照用属性情報との組み合わせと、当該組み合わせに対する生活習慣病保険条件の包含可能性との3段階以上の連関度を設定して学習させるようにしてもよい。生活習慣情報、保険条件、属性情報の入力を受け付けた場合に、かかる連関度を参照することで包含可能性を探索することが可能となる。
上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に最適な保険条件を提案し、或いは保険条件の包含可能性の判断を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能(ニューラルネットワーク等)で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
また、本発明によれば、3段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した5段階以外に、例えば0〜100%までの数値で記述することができるが、これに限定されるものではなく3段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。
このような3段階以上の数値で表される連関度に基づいて最も確からしい生活習慣病の保険条件を提案し、或いは保険条件の包含可能性の判断を行うことで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。
これに加えて、本発明によれば、連関度が1%のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。
また本発明によれば、このような3段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が1%のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。
更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また本発明の各入力パラメータと出力パラメータに関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。
つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。
また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。
また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。
また上述した各組み合わせの連関度は、一のファクタと他のファクタとを有する組み合わせの連関度であり、これら以外の他の要素が当該連関度に関連付けられていてもよいことは勿論である。
1 生活習慣病保険提案プログラム
2 推定装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
2 推定装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
Claims (4)
- 顧客に対して、生活習慣病保険の保険条件の包含可能性を判断する保険条件包含可能性判断プログラムにおいて、
顧客の健康状態を示す健康状態情報と、当該顧客が加入している生活習慣病保険の保険条件を取得する情報取得ステップと、
以前に取得した参照用健康状態情報と、参照用保険条件とを有する組み合わせと、当該組み合わせに対する保険条件の包含可能性との3段階以上の連関度を利用し、上記情報取得ステップを介して取得した健康状態情報と保険条件とに基づき、当該保険条件の包含可能性を判断する判断ステップとをコンピュータに実行させること
を特徴とする保険条件包含可能性判断プログラム。 - 上記情報取得ステップでは、更に顧客の属性情報を取得し、
上記判断ステップでは、以前に取得した顧客の属性に関する参照用属性情報と、上記参照用健康状態情報と、上記参照用保険条件とを有する組み合わせと、当該組み合わせに対する保険条件の包含可能性との3段階以上の連関度を利用し、上記情報取得ステップを介して取得した属性情報と健康状態情報と保険条件とに基づき、当該保険条件の包含可能性を判断すること
を特徴とする請求項1記載の保険条件包含可能性判断プログラム。 - 顧客に対して、生活習慣病保険の保険条件の包含可能性を判断する保険条件包含可能性判断プログラムにおいて、
顧客の生活習慣を示す生活習慣情報と、当該顧客が加入している生活習慣病保険の保険条件を取得する情報取得ステップと、
以前に取得した参照用生活習慣情報と、参照用保険条件とを有する組み合わせと、当該組み合わせに対する保険条件の包含可能性との3段階以上の連関度を利用し、上記情報取得ステップを介して取得した生活習慣と保険条件とに基づき、当該保険条件の包含可能性を判断する判断ステップとをコンピュータに実行させること
を特徴とする保険条件包含可能性判断プログラム。 - 上記情報取得ステップでは、更に顧客の属性情報を取得し、
上記判断ステップでは、以前に取得した顧客の属性に関する参照用属性情報と、上記参照用生活習慣情報と、上記参照用保険条件とを有する組み合わせと、当該組み合わせに対する保険条件の包含可能性との3段階以上の連関度を利用し、上記情報取得ステップを介して取得した属性情報と生活習慣情報と保険条件とに基づき、当該保険条件の包含可能性を判断すること
を特徴とする請求項3記載の保険条件包含可能性判断プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020179740A JP2021039765A (ja) | 2020-10-27 | 2020-10-27 | 保険条件包含可能性判断プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020179740A JP2021039765A (ja) | 2020-10-27 | 2020-10-27 | 保険条件包含可能性判断プログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019158478A Division JP2021039404A (ja) | 2019-08-30 | 2019-08-30 | 生活習慣病保険提案プログラム、保険条件包含可能性判断プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021039765A true JP2021039765A (ja) | 2021-03-11 |
Family
ID=74848746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020179740A Pending JP2021039765A (ja) | 2020-10-27 | 2020-10-27 | 保険条件包含可能性判断プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021039765A (ja) |
-
2020
- 2020-10-27 JP JP2020179740A patent/JP2021039765A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11587677B2 (en) | Predicting intensive care transfers and other unforeseen events using machine learning | |
EP2752813A1 (en) | Triage tag management system and smartphone for same, and triage tag management method | |
JP2017174168A (ja) | 健康管理サーバ及び健康管理システム | |
CN102405473A (zh) | 医护点动作医疗系统和方法 | |
JP2021039637A (ja) | 熱中症リスク判別プログラム及びシステム | |
JP6696654B1 (ja) | 疲労度判別プログラム | |
JP2021144357A (ja) | 不動産ローン借り換え融資条件提案プログラム | |
JP2021039765A (ja) | 保険条件包含可能性判断プログラム | |
JP2021039404A (ja) | 生活習慣病保険提案プログラム、保険条件包含可能性判断プログラム | |
JP2021111269A (ja) | 疲労度判別プログラム、改善施策提案プログラム | |
JP2022106065A (ja) | 認知症兆候判別プログラム | |
JP6801902B1 (ja) | 子供虐待兆候判別プログラム及びシステム | |
JP6755065B1 (ja) | 疲労度判別プログラム | |
JP2021163006A (ja) | 睡眠健康度判別プログラム | |
JP2021176073A (ja) | 伝染病感染リスク判定プログラム | |
JP2020184304A (ja) | 疲労度判別プログラム | |
JP6849255B1 (ja) | 認知症兆候判別プログラム | |
JP7393518B2 (ja) | 教師データ収集装置、教師データ収集方法および記録媒体 | |
JP2021039405A (ja) | 海外旅行保険提案プログラム | |
JP6755059B1 (ja) | 歯科診断プログラム及びシステム | |
JP2021012525A (ja) | 運転保険提案プログラム、運転保険条件包含可能性判断プログラム | |
JP2022106067A (ja) | うつ病兆候判別プログラム | |
JP2021026383A (ja) | 保険条件包含可能性判断プログラム及び保険金支払額判断プログラム | |
JP2021026384A (ja) | 動産保険提案プログラム、動産保険条件包含可能性判断プログラム | |
JP2022106066A (ja) | うつ病兆候判別プログラム |