JP2021068174A - 健康支援システム及びプログラム - Google Patents

Abstract

【課題】疾病リスクを低減するために必要な各因子の目標値を効率良く求める健康支援システム及びプログラムを提供する。【解決手段】健康支援システムは、予測手段と、目標設定手段と、因子設定手段と、目標探索手段とを備える。予測手段は、健診者の健診データに基づいて疾病のリスク値を予測する。目標設定手段は、疾病のリスク値に対する低減目標を設定する。因子設定手段は、疾病に関する複数の第１の因子の中で探索対象とする複数の第２の因子と各第２の因子の探索範囲を設定する。目標探索手段は、各因子の探索範囲内で疾病のリスク値を低減目標に近づけるための各第２の因子の目標値の候補を所定の探索方式を用いて探索する。【選択図】図１

Description

本発明の実施形態は、健康支援システム及びプログラムに関する。

近年、例えば健康診断の結果から特定の疾病が発症するリスクを予測するビジネスが展開されている。ここで、予測された疾病リスクを低減するためには、具体的にどのような目標を立てればよいのかが健診者にとって重要となる。疾病の発症確率を予測する式が提案されている。このような予測式を用いれば、リスク低減のための各因子の目標値を回帰的に求めることができる。

特許第４４９９５４２号公報

しかしながら、疾病に関連する因子は複数存在し、これらの因子の交互作用もある。上述した予測式では、疾病リスクを低減すべき各各因子の目標値を網羅的に調べる必要があり、膨大な演算量を必要とする。

本発明が解決しようとする課題は、疾病リスクを低減するために必要な各因子の目標値を効率良く求めることのできる健康支援システム及びプログラムを提供することである。

一実施形態に係る健康支援システムは、予測手段と、目標設定手段と、因子設定手段と、目標探索手段とを備える。
前記予測手段は、健診者の健診データに基づいて疾病のリスク値を予測する。前記目標設定手段は、前記疾病のリスク値に対する低減目標を設定する。前記因子設定手段は、前記疾病に関する各因子の中で探索対象とする各因子とこれらの因子の探索範囲を設定する。前記目標探索手段は、前記各因子の探索範囲内で前記疾病のリスク値を前記低減目標に近づけるための前記各因子の目標値の候補を所定の探索方式を用いて探索する。

図１は一実施形態に係る健康支援システムの構成を示すブロック図である。 図２は同実施形態における因子目標探索部の詳細を示すブロック図である。 図３は同実施形態における疾病リスク予測画面として表示されるＵＩ画面の一例を示す図である。 図４は同実施形態における低減目標の設定画面として表示されるＵＩ画面の一例を示す図である。 図５は同実施形態における探索結果画面として表示されるＵＩ画面の一例を示す図である。 図６は同実施形態における個人意向設定画面として表示されるＵＩ画面の一例を示す図である。 図７は同実施形態における個人意向設定画面として表示されるＵＩ画面の他の例を示す図である。 図８は同実施形態に係る健康支援システムの全体の流れを示すフローチャートである。 図９は図８のステップＳ１６で実行される探索処理の動作を示すフローチャートである。 図１０は同実施形態における健康支援システムのハードウェア構成の一例を示す図である。

以下、図面を参照して実施形態を説明する。
開示はあくまで一例にすぎず、以下の実施形態に記載した内容により発明が限定されるものではない。当業者が容易に想到し得る変形は、当然に開示の範囲に含まれる。説明をより明確にするため、図面において、各部分のサイズ、形状等を実際の実施態様に対して変更して模式的に表す場合もある。複数の図面において、対応する要素には同じ参照数字を付して、詳細な説明を省略する場合もある。

本実施形態の健康支援システムは、例えば健康診断で特定の疾病が発症するリスクが高い人を対象にして、疾病リスクを低減するための各因子の目標値をベイジアン等の探索方式を用いて効率良く探索するものである。

ここで、「疾病リスク」とは、特定の疾病が発症する確率のことである。詳しくは、疾病予測エンジン（アルゴリズム）から予測結果として出力される「尤度」が疾病発症のリスク値として定義される。リスク値が高いほど、その疾病が発症する確率が高くなる。

例えば健康診断によって、ある疾病が発症するリスクが８０％であったとする。この疾病リスクを８０％から３０％に低減することを考える。疾病リスクの低減に影響がある因子には、本人の努力で変更が可能な因子と、本人の努力で変更が不可能な因子とがある。
・本人の努力で変更が可能な因子：体重，ＨｂＡ１ｃ（ヘモグロビン・エイワンシー）、空腹時血糖値，運動習慣…
・本人の努力で変更が不可能な因子：性別，年齢，身長…
本人の努力で変更が不可能な因子である性別、年齢や身長などでは、疾病リスクを低減することはできない。本人の努力で変更が可能な因子を変えることで、疾病リスクを低減させることができる。

例えば、体重、ＨｂＡ１ｃ、空腹時血糖値、運動習慣、飲酒の５種類の因子を変更して、疾病リスクを低減することを考える。これらの因子の値は、以下のような範囲をとると仮定する。
・体重：５０ｋｇから７０ｋｇまでの範囲で１ｋｇ毎に２１通り
・ＨｂＡ１ｃ：５．０から７．０までの範囲で０．１毎に２１通り
・空腹時血糖値：９０から１３０までの範囲で１毎に４１通り
・運動習慣：なし、習慣小、習慣中、習慣大の４通り
・飲酒の頻度：なし、頻度小、頻度中、頻度大の４通り
この５つの因子で交互作用の影響も考えられる場合、５つの因子の組み合わせについて疾病リスクを予測する必要がある。

その組み合わせの数は、
２１×２１×４１×４×４＝２８９，２９６
となる。この膨大な組み合わせの中から、例えば体重を６０ｋｇまで低減、ＨｂＡ１ｃを５．７まで低減、空腹時血糖値を１００まで低減…といったように、疾病リスクの低減目標に合わせて各因子の目標値を決めなければならない。この例では関連因子を５つに限定してしたが、限定せずに多数の因子について考慮すると、因子の探索に必要な計算量は膨大なものになる。このため、各因子の目標値を効率良く探索する必要がある。

図１は一実施形態に係る健康支援システムの構成を示すブロック図である。
本実施形態の健康支援システムは、例えばＰＣやサーバコンピュータ等からなる。この健康支援システムは、特定の疾病が発症するリスクを低減するための目標値（低減目標）を設定する機能と、その低減目標を達成するための各因子の目標値を探索する機能を備える。以下では、特定の疾病として「糖尿病」を例にして説明するが、例えば「高血圧症」，「脂質異常症」など、生活習慣病として指定されている各種の疾病が対象となる。

図１に示すように、この健康支援システムは、データ取得部１１、設定部１２、疾病リスク予測部１３、因子目標探索部１４、提示部１５を備える。

データ取得部１１は、例えば健康診断を受けた健診者のＩＤなどを元に図示せぬデータベースから当該健診者の診断結果を示す健康診断データ（以下、健診データと称す）を取得する。なお、健診データの取得方法としては、例えば図示せぬ記録媒体や通信媒体を介して健診者の健診データを取り込むなどの方法であっても良い。

設定部１２は、糖尿病リスクを低減するための目標値（低減目標）を設定する。また、設定部１２は、糖尿病に関する複数の因子の中で、探索対象とする複数の因子とこれらの因子の探索範囲など、探索処理に必要な各種データを設定する。なお、糖尿病等の疾病毎に特有に存在する複数の因子のことを「第１の因子」、これらの第１の因子の中で探索対象として選択された複数の因子のことを「第２の因子」と定義される。本システムでは、第２の因子に関する目標値を効率的に探索して提示するものである。

疾病リスク予測部１３は、データ取得部１１によって得られた健診データを解析して、糖尿病が発症するリスクを予測する。なお、疾病リスクの予測方法としては、一般的に知られている疾病予測エンジンを用いるものとし、ここではその詳しい説明は省略するものとする。

因子目標探索部１４は、検索対象とする各因子と範囲の中で糖尿病が発症するリスクを低減するために必要な目標値を所定の探索方式を用いて探索する。前記探索方式として、例えばランダム方式（Random）、ベイジアン方式（Bayesian）などが用いられる。ランダム方式は、一様分布に基づく探索方式であり、離散パラメータ探索と初期値非依存な探索を得意とする。ベイジアン方式は、勾配法の一種で、確率分布に基づく探索方式であり、過去の探索で得られた値の近傍で最適解を探索し、連続パラメータの探索を得意とする。

ベイジアン方式については、
論文：Practical Bayesian Optimization of Machine Learning Algorithms
http://papers.nips.cc/paper/4522-practical-bayesian-optimization-of-machine-learning-algorithms.pdf
にその詳細が示されている。

提示部１５は、例えば表示デバイスからなり、健診データから得られた疾病のリスク値を視認可能な形態で提示する。また、提示部１５は、因子目標探索部１４によって探索結果として得られた各因子の目標値を提示する。提示部１５は、健診データから得られた疾病のリスク値と、低減目標となる疾病のリスク値とを比較できるように提示する。

図２は因子目標探索部１４の詳細を示すブロック図である。
因子目標探索部１４は、記憶部２１と、検索処理部２２とで構成される。記憶部２１には、データ取得部１１によって得られた健診データや、疾病リスク予測部１３によって予測結果として得られた疾病リスクの他に、低減目標、探索因子、探索範囲、正規化パラメータ、個人パラメータなど、探索処理に必要な各種データが記憶される。

低減目標は、疾病リスクをどこまで低減したいのかを示す目標値である。探索因子と探索範囲は、探索対象として選択された各因子の種類と、これらの因子の値を探索する範囲である。正規化パラメータと個人パラメータは、後述するロス計算で用いられるパラメータである。正規化パラメータは、各因子の値を０．０〜１．０の範囲で正規化するためのパラメータである。個人パラメータは、生活習慣に関する各因子について、個人の意向を反映させるためのパラメータである。この個人パラメータについても、正規化パラメータと同様に、０．０〜１．０の範囲で正規化されている。

検索処理部２２は、検索処理を実行する部分であり、候補生成部２３、疾病リスク予測部２４、ロス計算部２５を有する。

候補生成部２３は、探索範囲内で各因子の目標値を探索するときの候補をベイジアン等の探索方式に基づいて生成する。疾病リスク予測部２４は、候補生成部２３によって生成された候補について、糖尿病が発症するリスクを予測する。ロス計算部２５は、候補生成部２３によって生成された候補毎にロス計算を行い、その計算結果から各因子の目標値を求める。なお、このロス計算については、後に詳しく説明する。

本システムで用いられるＵＩ（User Interface）画面について説明する。なお、以下に示す各ＵＩ画面は、図１に示す提示部１５に表示されることでも良いし、図示せぬネットワークを介して外部の端末装置に表示されることでも良い。

図３は疾病リスク予測画面として表示されるＵＩ画面３０の一例を示す図である。
疾病リスク予測部１３によって特定の疾病（ここでは糖尿病）が発症するリスクが予測されると、その予測結果として得られたリスク値がグラフ形式でＵＩ画面３０に表示される。このＵＩ画面３０には現在のリスク値と経過年数との関係を示す第１のグラフ表示部３１が設けられており、ここに現在のリスク値を表すグラフ線３２が表示される。なお、この例ではリスク値をグラフ形式で表示したが、例えば表形式で表示しても良い。

図４は低減目標の設定画面として表示されるＵＩ画面４０の一例を示す図である。
所定の操作により低減目標の設定を指示すると、図４に示すようなＵＩ画面４０が表示される。このＵＩ画面４０には数値入力部４１が設けられており、ここに任意の値を低減目標として入力する。図４の例では、低減目標として「３０％」が入力されている。これは、現在のリスク値を３０％まで低減することを目標としていることを意味している。

また、低減目標の入力に伴い、第１のグラフ表示部３１の中に当該低減目標に対応した目標線４２が追加表示される。なお、例えばマウス等の操作により、第１のグラフ表示部３１の中に目標線４２を直接描くことでも良い。

図５は探索結果画面として表示されるＵＩ画面５０の一例を示す図である。
因子目標探索部１４によって各因子の目標値が探索されると、その探索結果が図５に示すようなＵＩ画面５０に表示される。このＵＩ画面５０には低減後のリスク値と経過年数との関係を示す第２のグラフ表示部５１が設けられており、ここに低減後のリスク値を表すグラフ線５２が現在のリスク値を表すグラフ線３２と比較できるように表示される。これにより、低減目標を達成した場合にどれだけ効果があるのかを視覚的に把握できる。なお、ここでは現在のリスク値と低減後のリスク値をグラフ形式で表示しているが、表形式で表示することでも良い。

また、このＵＩ画面５０には目標表示部５３が設けられており、ここにリスク低減のために必要な各因子の項目と目標値が表形式で表示される。この目標表示部５３に表示された内容を生活習慣に取り入れることで、糖尿病のリスクを３０％まで低減することが期待できる。なお、この例では各因子の項目と目標値を表形式で示しているが、グラフ形式で表示することでも良い。

なお、例えば複数の低減目標について、これらの低減目標を達成するための各因子の目標値を事前に探索しておき、ユーザ（健診者など）が低減目標を設定したときに、すぐに当該低減目標に対応した各因子の目標値を表示できるようにしても良い。このように、事前に低減目標に対する探索を行っておくことで、低減目標の設定に伴い、当該低減目標を実現するための各因子の目標値とリスク値を連動して表示することができる。

図６は個人意向設定画面として表示されるＵＩ画面６０の一例を示す図である。
本システムでは、健診者が任意に設定した低減目標を達成するための各因子の目標値を探索する際に、生活習慣に関する各項目について個人の意向を反映させることができる。生活習慣に関する各項目には、例えば「運動習慣」，「運動強度」，「飲酒の習慣」，「飲酒の量」，「喫煙」，「睡眠時間」…などが含まれる。

ＵＩ画面６０には、各項目毎に個人の意向をパラメータで入力するためのパラメータ入力部６１が設けられている。医師または健診者がキーボードなどの操作によりパラメータ入力部６１に各項目に対する個人の意向をパラメータで入力する。パラメータの値は、０．０〜１．０の範囲を有する。数値が低い項目ほど、個人の意向が強いことを表す。

図７は個人意向設定画面として表示されるＵＩ画面７０の他の例を示す図である。
ＵＩ画面７０には、各項目毎に個人の意向を選択形式で入力するための選択部７１が設けられている。医師または健診者がマウスなどの操作により選択部７１の中で各項目に対する個人の意向を選択形式で入力する。

次に、本実施形態における健康支援システムの動作について説明する。
図８は健康支援システムの全体の流れを示すフローチャートである。なお、このフローチャートで示される処理は、コンピュータであるＣＰＵ１０１（図１０参照）が本システムを実現するためのプログラムを読み込むことにより実行される。図９に示すフローチャートについても同様である。

図８に示すように、まず、データ取得部１１によって、健診者の健診データを取得する（ステップＳ１１）。詳しくは、例えば健康診断の結果が蓄積されたデータベースを利用し、このデータベースから健診者のＩＤに対応した健診データを読み込む。この健診データは、疾病リスク予測部１３と因子目標探索部１４に与えられる。

疾病リスク予測部１３は、この健診データに基づいて糖尿病が発症するリスクを予測する（ステップＳ１２）。なお、疾病リスクの予測方法としては、一般的に知られている疾病予測エンジンが用いられる。疾病リスク予測部１３によって予測結果として得られた現在のリスク値は、因子目標探索部１４に与えられる。また、図３に示したように、現在のリスク値を表すグラフ線３２がＵＩ画面３０の第１のグラフ表示部３１に表示される（ステップＳ１３）。

ここで、医師または健診者が設定部１２を通じて糖尿病リスクを低減するための目標値（低減目標）を設定する（ステップＳ１４）。この状態が図４である。図４の例では、ＵＩ画面４０に設けられた数値入力部４１に低減目標「３０％」が入力されている。低減目標が設定されると、因子目標探索部１４によって当該低減目標を達成するための各因子の目標値の候補が探索される（ステップＳ１５）。なお、この因子目標探索部１４による探索処理については、後に図９を用いて詳しく説明する。

因子目標探索部１４によって各因子の目標値が得られると、提示部１５を通じて所定の形式で提示される（ステップＳ１６）。この状態が図５である。図５の例では、ＵＩ画面５０に低減後のリスク値を表すグラフ線５２が現在のリスク値を表すグラフ線３２と対比させて表示されている。また、糖尿病リスクを低減するために必要な各因子の項目と目標値が目標表示部５３に表形式で表示されている。

図９は図８のステップＳ１６で実行される探索処理の動作を示すフローチャートである。
因子目標探索部１４には、データ取得部１１によって得られた健診データや、疾病リスク予測部１３の予測結果が与えられて、記憶部２１に記憶される。また、設定部１２によって設定された低減目標が記憶部２１に記憶される。

ここで、各因子の目標値を探索するに際し、まず、設定部１２を通じて糖尿病に関する各因子の中で探索対象とする各因子と、これらの因子の目標値を探索する範囲を設定する（ステップＳ２１）。ここで設定された探索因子と探索範囲の情報は記憶部２１に記憶される。

糖尿病は、性別や年齢などの因子に大きく影響を受ける。しかし、これらの因子は本人の努力で変更することができない。このような変更できない因子は除いて、変更可能な因子のみを任意に選択して探索対象とする。例えば、体重、ＨｂＡ１ｃ、空腹時血糖値、運動習慣の４つの因子を探索因子として選択したとする。この因子選択は、医師などが任意に選択しても良いし、疾病予測エンジンの特長量重要度などの情報に基づいて選択しても良い。医師などが因子選択を行う場合には、図示せぬ因子選択用のＵＩ画面上で探索対象とする因子を任意に選択する。

探索範囲については、因子の種類によって予め決めておいても良いし、医師などが図示せぬ探索範囲設定用のＵＩ画面を通じて任意に設定することでも良い。
探索範囲の設定例を以下に示す。
（探索範囲の設定例）
・体重：５０ｋｇから７０ｋｇまで
・ＨｂＡ１ｃ：５．０から７．０まで
・空腹時血糖値：９０から１３０まで
・運動習慣：なし、習慣小、習慣中、習慣大
・飲酒の頻度：なし、頻度小、頻度中、頻度大。

ここで、各因子の値が取り得る範囲（スケール）はそれぞれに次元が異なる。つまり、例えば体重の値が取る範囲は「５０〜７０」、ＨｂＡ１ｃの値が取る範囲は「５．０〜７．０」である。そこで、前処理として、各因子の値を正規化して比較できるデータにしておく必要がある。正規化の方法には、例えば線形変換などがある。本実施形態では、因子目標探索部１４によって、最大値を１、最小値を０とする正規化パラメータが設定されて記憶部２１に記憶される（ステップＳ２３）。

また、因子目標探索部１４によって個人パラメータが設定されて記憶部２１に記憶される（ステップＳ２４）。個人パラメータは、健診者毎に任意に設定するパラメータである。つまり、健診者が生活習慣に関する各項目の中でどの項目の内容を変更して疾病リスクを低減したいかのか、その意向を反映させるためのパラメータである。例えば、足腰が不自由な健診者に対しては、運動習慣の項目に関する個人パラメータを大きくすることで、運動習慣を極力変更しないで探索することができる。また、飲酒の習慣を控えようと考えている健診者には、飲酒の頻度の項目に対応する個人パラメータを小さくすることで、飲酒の頻度を変更するように探索することができる。

このように、健診者が運動習慣を変更することで疾病リスクを低減したいのか、あるいは飲酒の頻度を変えることで疾病リスクを抑えたいのか、個人の意向を反映することができる。個人パラメータの設定方法としては、図６に示したようなＵＩ画面６０上でパラメータ値を直接入力する。

また、図７に示したようなＵＩ画面７０上で各項目の中で個人の意向を選択形式で入力することでも良い。例えば、これから運動習慣を「多い」に変更する場合には、図７の運動習慣の項目の「多い」を選択する。このように各項目の中で個人の意向を選択形式した場合には、その選択された項目に応じたパラメータ値が個人パラメータとして記憶部２１に記憶される。

記憶部２１に探索処理に必要な各種データが記憶されると、検索処理部２２によって以下のような検索処理が実行される。
検索処理部２２は、候補生成部２３、疾病リスク予測部２４、ロス計算部２５からなる。候補生成部２３は、探索対象として選択された各因子について、これらの因子の探索範囲内で目標値の候補を所定の探索方式によって生成する（ステップＳ２５）。このときの探索方式としては、ランダム方式やベイジアン方式等が用いられる。ランダム方式よりはベイジアン方式の精度が高いので、ベイジアン方式を用いて候補を生成することが好ましい。ただし、ベイジアン方式は、過去の探索結果を利用するため、初期時にはランダム方式で探索を行う。このランダム方式で初期候補が得られたら、ベイジアン方式で最適な候補を探索する。

ここで、疾病リスク予測部２４は、候補生成部２３で生成された各因子の目標値の候補について、糖尿病が発症するリスクを予測する（ステップＳ２６）。ここでの予測処理は、疾病リスク予測部１３で実行されるものとは違う。疾病リスク予測部１３は、健診データ（検査値）を用いて糖尿病が発症するリスクを予測する。これに対し、疾病リスク予測部２４は、各因子の目標値の候補毎に糖尿病が発症するリスクを予測している。この疾病リスク予測部２４の予測結果として得られたリスク値が低減目標に近づくように、ロス計算部２５で下記のようなＬｏｓｓ計算を行う。

すなわち、ロス計算部２５は、健診データから得られた各因子の検査値、現在のリスク値、低減目標、各因子の目標値の候補、探索候補によるリスク値、正規化パラメータおよび個人パラメータを用いて、式（１）に示すＬｏｓｓ計算を実行する。

Ｌｏｓｓ＝Ｌｏｓｓ１＋α×Ｌｏｓｓ２ …（１）
Ｌｏｓｓ１は、現在のリスク値（健診者の健診データを元に疾病リスク予測部１３で予測されたリスク値）と、低減目標とするリスク値との差分によって算出される第１のロスである。
Ｌｏｓｓ２は、各因子の検査値（健診者の健診データから得られる因子値）と、各因子の目標値の候補との差分によって算出される第２のロスである。
αは、Ｌｏｓｓ１とＬｏｓｓ２との重みの比率を調整するためのパラメータである。Ｌｏｓｓは、Ｌｏｓｓ１とＬｏｓｓ２をαで重み付けして加算した第３のロスとして求められる。

・Ｌｏｓｓ１の計算
現在のリスク値≦低減目標とするリスク値の場合には、
Ｌｏｓｓ１＝０
現在のリスク値＞低減目標とするリスク値の場合には、
Ｌｏｓｓ１＝（現在のリスク値−低減目標とするリスク値）＾２
・Ｌｏｓｓ２の計算
Ｌｏｓｓ２＝Σ（（（Ｘｉ−Ｘｉ_org）×Ｘｉ_std1×Ｘｉ_std2）＾２／Ｎｕｍ_X
Ｘｉは、健診者のｉ番目の因子の目標値の候補
Ｘｉ_orgは、健診者のｉ番目の因子の検査値
Ｘｉ_std1は、因子毎のロスを正規化するための正規化パラメータ
Ｘｉ_std2は、個人の意向を反映させるための個人パラメータ
Ｎｕｍ_Xは、探索対象とする各因子の数
正規化パラメータＸｉ_std1は、各因子のスケールを合わせるためにある。例えば、身長の値は、１６０ｃｍ，１７０ｃｍ…といったように表される。ＨｂＡ１ｃの値は、５．３，５．６，６．５…といったように表される。各因子に対応するＸｉ_std1を適切に設定して、０から１の範囲に正規化する。

個人パラメータＸｉ_std2は、疾病リスクを減らすために各個人が生活習慣を変更する場合、どの項目を中心に変更したいか、個人の意向を反映させるためのパラメータである。Ｘｉ_std2を低く設定すれば、その項目を変更するように探索し、Ｘｉ_std2を高く設定すれば、その項目を変更しないように探索する。運動習慣を変更して疾病リスクを減らしたい場合には、運動習慣に対応するパラメータを低く設定すればよい。飲酒の頻度を変更しないで疾病リスクを減らしたい場合には、飲酒の頻度に対応するパラメータを高くすればよい。

検索処理部２２は、前記（１）式によって得られる第３のロスが予め設定された閾値ＴＨより小さくなれば（ステップＳ２８のＹＥＳ）、探索処理を終了し、その時点で得られた各因子の目標値を最終的な値として出力する。一方、第３のロスが閾値ＴＨより大きければ（ステップＳ２８のＮＯ）、検索処理部２２は、ステップＳ２５からの探索処理を繰り返す。

なお、候補探索の回数をカウントしておき、その候補探索の回数が予め設定された回数に達したときに探索処理を終了し、その時点で得られた各因子の目標値を最終的な値として出力することでも良い。

このようにして得られた各因子の目標値は、提示部１５を通じて図５に示すようなＵＩ画面５０に視認可能に表示される。図５の例では、飲酒の頻度を「週に１回以下」，飲酒の量を「ビール１本以下」、運転を「週に２，３回」…といったように、各因子の項目と目標値が表形式で表示されている。この内容を生活習慣に取り入れることで、糖尿病が発症するリスクを３０％まで低減することが期待できる。

このように本実施形態によれば、ベイジアン等の探索方式により各因子の目標値の候補を生成しながら、前記式（１）式に示したロス計算を行うことで、膨大な演算量を必要とせずに、最適な目標値を効率的に求めて健診者に提供することができる。また、前記式（１）式には、個人の意向を反映させるためのパラメータが含まれている。したがって、例えば運動習慣や飲酒の頻度など、個人の意向を反映させた目標値を提供することができる。

（ハードウェア構成）
図１０は健康支援システムのハードウェア構成の一例を示す図である。
本実施形態における健康支援システムは、例えばＰＣやサーバコンピュータ等からなり、ＣＰＵ１０１、不揮発性メモリ１０２、主メモリ１０３、通信デバイス１０４、入力デバイス１０５、表示デバイス１０６等を備える。

ＣＰＵ１０１は、健康支援システムを構成する様々なコンポーネントの動作を制御するハードウェアプロセッサである。ＣＰＵ１０１は、ストレージデバイスである不揮発性メモリ１０２から主メモリ１０３にロードされる様々なプログラムを実行する。

ＣＰＵ１０１によって実行されるプログラムには、オペレーティングシステム（ＯＳ）の他に、図８および図９のフローチャートに示した処理動作を実行するためのプログラム（以下、健康支援プログラムと称す）等が含まれる。また、ＣＰＵ１０１は、例えばハードウェア制御のためのプログラムである基本入出力システム（ＢＩＯＳ）等も実行する。

なお、図１に示したデータ取得部１１、設定部１２、疾病リスク予測部１３、因子目標探索部１４、提示部１５の一部または全ては、ＣＰＵ１０１（コンピュータ）に健康支援プログラムを実行させることで実現される。

この健康支援プログラムは、コンピュータが読み取り可能な記録媒体に格納して頒布されてもよいし、またはネットワークを通じてダウンロードされても良い。なお、データ取得部１１、設定部１２、疾病リスク予測部１３、因子目標探索部１４、提示部１５の一部または全ては、ＩＣ（Integrated Circuit）等のハードウェアによって実現されてもよいし、当該ソフトウェア及びハードウェアの組み合わせ構成として実現されてもよい。

通信デバイス１０４は、例えば有線または無線による外部の装置との通信を実行するように構成されたデバイスである。入力デバイス１０５は、例えばキーボートやマウス等がなり、ユーザが各種データの入力や指示などを行う場合に用いられる。表示デバイス１０６は、例えば液晶ディスプレイ等がなり、各種データや画面などを表示するためのデバイスである。

以上述べた少なくとも１つの実施形態によれば、疾病リスクを低減するために必要な各因子の目標値を効率良く求めることのできる健康支援システム及びプログラムを提供することができる。

なお、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１１…データ取得部、１２…設定部、１３…疾病リスク予測部、１４…因子目標探索部、１５…提示部、２１…記憶部、２２…検索処理部、２３…候補生成部２３、２４…疾病リスク予測部、２５…ロス計算部、３０，４０，５０，６０，７０…ＵＩ画面、１０１…ＣＰＵ、１０２…不揮発性メモリ、１０３…主メモリ、１０４…通信デバイス、１０５…入力デバイス、１０６…表示デバイス。

Claims (11)

1. 健診者の健診データに基づいて疾病のリスク値を予測する予測手段と、
   前記疾病のリスク値に対する低減目標を設定する目標設定手段と、
   前記疾病に関する複数の第１の因子の中で探索対象とする複数の第２の因子と前記各第２の因子の探索範囲を設定する因子設定手段と、
   前記各第２の因子の探索範囲内で前記疾病のリスク値を前記低減目標に近づけるための前記各第２の因子の目標値の候補を所定の探索方式を用いて探索する目標探索手段と
   を具備した健康支援システム。
2. 前記目標探索手段は、
   現在のリスク値と前記低減目標とするリスク値との差分によって算出される第１のロスと、
   前記各第２の因子の検査値と前記各第２の因子の目標値の候補との差分によって算出される第２のロスと、
   前記第１のロスと前記第２のロスとを一定の重み付けで加算する計算式を有し、
   前記計算式によって得られる第３のロスが予め設定された閾値以下となる前記各第２の因子の目標値の候補を探索する請求項１記載の健康支援システム。
3. 前記計算式は、前記各第２の因子の値を正規化するための正規化パラメータを有する請求項２記載の健康支援システム。
4. 前記計算式は、生活習慣に関する複数の項目について、個人の意向を反映させるための個人パラメータを有する請求項２記載の健康支援システム。
5. 前記目標探索手段は、
   前記所定の探索方式による候補探索の回数が予め設定された回数に達した場合に探索処理を終了する請求項１記載の健康支援システム。
6. 前記所定の探索方式は、ランダム方式を含む請求項１記載の健康支援システム。
7. 前記所定の探索方式は、ベイジアン方式を含む請求項１記載の健康支援システム。
8. 前記目標探索手段によって探索結果として得られた前記各第２の因子の目標値を提示する提示手段をさらに具備した請求項１記載の健康支援システム。
9. 前記提示手段は、
   前記健診データから予測された現在のリスク値と低減後のリスク値とを比較できるように提示する請求項８記載の健康支援システム。
10. 記録媒体に記録され、コンピュータによって実行されるプログラムであって、
    前記コンピュータを、
    健診者の健診データに基づいて疾病のリスク値を予測する予測手段、
    前記疾病のリスク値に対する低減目標を設定する目標設定手段、
    前記疾病に関する複数の第１の因子の中で探索対象とする複数の第２の因子と前記各第２の因子の探索範囲を設定する因子設定手段、
    前記各第２の因子の探索範囲内で前記疾病のリスク値を前記低減目標に近づけるための前記各第２の因子の目標値の候補を所定の探索方式を用いて探索する目標探索手段
    として動作させるためのプログラム。
11. 前記目標探索手段は、
    現在のリスク値と前記低減目標とするリスク値との差分によって算出される第１のロスと、
    前記各第２の因子の検査値と前記各第２の因子の目標値の候補との差分によって算出される第２のロスと、
    前記第１のロスと前記第２のロスとを一定の重み付けで加算する計算式を有し、
    前記計算式によって得られる第３のロスが予め設定された閾値以下となる前記第２の因子の目標値の候補を探索する請求項１０記載のプログラム。

Images