JP2021163012A - 健康管理支援システム、健康管理支援方法、及びプログラム - Google Patents

Abstract

【課題】生体情報を用いて冷え症を分類することができる健康管理支援システム、学習装置、健康管理支援方法、及びプログラムを提供する。【解決手段】ユーザが冷え症であるか否かを示す第１情報を取得する第１取得部と、前記ユーザの生体情報を示す第２情報を取得する第２取得部と、前記第１情報、及び前記第２情報から抽出される特徴に基づいて、冷え症を分類する指標となる生体情報である指標マーカを選択する選択部と、対象ユーザが冷え症であるか否かを示す情報、及び対象ユーザにおける前記指標マーカの数値に基づいて、前記対象ユーザの体質を、冷え症に基づく何れかのタイプに分類する分類部と、前記分類部により分類された分類結果を出力する出力部と、を備える。【選択図】図１０

Description

本発明は、健康管理支援システム、学習装置、健康管理支援方法、及びプログラムに関する。

東洋医学においては、「冷え」が万病の元であるとされている。冷えがそのまま放置されると血液の循環が悪い状態が続くため、身体機能の低下や内臓疾患など、さまざまな体調不良を引き起こす原因となり得る。また、末梢血流が良好で冷えを感じにくい体質では、冷え症の自覚がなくても、放冷が亢進して体温が低下し、それにより免疫力が低下することで病気を引き起こす原因になることもある。
さらに、冷えと関連して、血流低下による酸素不足もさまざまな疾患のリスク因子である。それゆえに、冷えと低酸素が、病気になる２大原因とも考えられている。病気だけでなく、肩こり、足腰が冷え、手足が冷たい、しびれ、だるい、不眠、頭痛、疲労、めまい、月経痛、胃痛、目のかすみ、風邪をひきやすい、肌荒れ、動悸・息切れ、抑うつや自律神経の失調など、さまざまな不調の根的な原因に冷えや血流の低下が存在し得る。 東洋医学による診察では、同じ冷えの症状であっても、手足など抹消が冷えているのか、体の中心部が冷えているか等により分類（層別化）して診断がなされ、診断結果のそれぞれに応じて異なる治療が行われることが知られている。
一方、医療機関における健康診断などにおいては、血液検査などの生体情報の測定が定期的に行われている。特許文献１では、健康診断データ及びレセプトデータに基づいて、健康管理を支援する技術が開示されている。生体情報に基づいて、健康を維持、管理するとともに、効果的な健康増進、疾病予防を図る提示がなされることが望まれている。

特開２０１４−１８２４７２号公報

しかしながら、健康診断を毎年受ける人は多いが、冷え症か否かは、本人の自覚によるものがほとんどであり、漢方医などの専門家による客観的な診察を受ける人が少ないという現状がある。このため、冷え症の自覚があっても、どのような冷え症のタイプであるかが判らず、誤った治療が選択されてしまう可能性があった。

本発明は、このような状況に鑑みてなされたもので、生体情報を用いて冷え症を分類することができる健康管理支援システム、学習装置、健康管理支援方法、及びプログラムを提供する。

本発明の上述した課題を解決するために、本発明は、ユーザが冷え症であるか否かを示す第１情報を取得する第１取得部と、前記ユーザの生体情報を示す第２情報を取得する第２取得部と、前記第１情報、及び前記第２情報から抽出される特徴に基づいて、冷え症を分類する指標となる生体情報である指標マーカを選択する選択部と、対象ユーザが冷え症であるか否かを示す情報、及び対象ユーザにおける前記指標マーカの数値に基づいて、前記対象ユーザの体質を、冷え症に基づく何れかのタイプに分類する分類部と、前記分類部により分類された分類結果を出力する出力部と、を備える健康管理支援システムである。

本発明は、ユーザが冷え症であるか否かを示す第１情報を取得する第１取得部と、前記ユーザの生体情報を示す第２情報を取得する第２取得部と、前記第１情報と前記第２情報との対応関係を学習モデルに学習させることにより、対象ユーザの前記第２情報から前記対象ユーザが冷え症であるか否かを予測する冷え症予測モデルを生成する学習部と、を有する学習装置である。

本発明は、第１取得部が、ユーザが冷え症であるか否かを示す第１情報を取得し、第２取得部が、前記ユーザの生体情報を示す第２情報を取得し、選択部が、前記第１情報、及び前記第２情報から抽出される特徴に基づいて、冷え症を分類する指標となる生体情報である指標マーカを選択し、分類部が、対象ユーザが冷え症であるか否かを示す情報、及び対象ユーザにおける前記指標マーカの数値に基づいて、前記対象ユーザの体質を、冷え症に基づく何れかのタイプに分類し、出力部が、前記分類部により分類された分類結果を出力する、健康管理支援方法である。

本発明は、コンピュータに、ユーザが冷え症であるか否かを示す第１情報を取得する第１取得手段、前記ユーザの生体情報を示す第２情報を取得する第２取得手段、前記第１情報、及び前記第２情報から抽出される特徴に基づいて、冷え症を分類する指標となる生体情報である指標マーカを選択する選択手段、対象ユーザが冷え症であるか否かを示す情報、及び対象ユーザにおける前記指標マーカの数値に基づいて、前記対象ユーザの体質を、冷え症に基づく何れかのタイプに分類する分類手段、前記分類手段により分類された分類結果を出力する出力手段、を実行させるためのプログラムである。

本発明によれば、生体情報を用いて冷え症を分類することができる。このため、「冷え」のタイプを層別化し、「冷え」の原因と疾患や不調の潜在リスクを把握することができる。したがって、冷え症を自覚しないユーザにおいても、「冷え」の状態を顕在化して潜在リスクを把握することができる。さらに、「冷え」タイプに対応した効果的なＱＯＬ（Quality Of Life）向上と健康増進やリスク疾患の予防を図る提示をすることができる。

実施形態に係る健康管理支援システム１の概要を示すである。 実施形態に係る健康管理支援システム１のシステム構成の例を示す構成図である。 実施形態に係る健康管理支援システム１が行う処理の流れを示すシーケンス図である。 実施形態に係る冷え症情報３２０のデータ構成の例を示す図である。 実施形態に係る健診情報３２１のデータ構成の例を示す図である。 実施形態に係る健康管理支援システム１が行う処理を説明する図である。 実施形態に係る健康管理支援システム１が行う処理を説明する図である。 実施形態に係るコンピュータシステム１００の構成の例を示す図である。 実施形態に係る冷え症学習サーバ２０の構成の例を示すブロック図である。 実施形態に係る体質分類サーバ３０の構成の例を示すブロック図である。

以下、発明の実施形態について、図面を参照しながら説明する。

〔健康管理支援システム１の概要〕
本発明における健康管理支援システム１の概要について説明する。図１は、本実施形態に係る健康管理支援システム１の概要を示す図である。健康管理支援システム１は、対象ユーザＴＵにおける冷え体質を考慮した体質の予測を行い、予測した体質に応じて健康管理に関する提示を行なうシステムである。予測には、対象ユーザＴＵの健診情報３２１（図５参照）が用いられる。ここでの健診情報３２１は、健康診断などにより測定された生体情報である。生体情報には、体重や身長、血圧などの非侵襲により測定される生体情報と、血液検査などの侵襲的に測定される生体情報とが含まれる。また、生体情報には医師による問診の結果や、事前に行われる健診前アンケートの結果などが含まれていてもよい。

健康管理支援システム１では、事前の準備として、冷え症予測モデル３２３が作成される。冷え症予測モデル３２３は、対象ユーザＴＵの健診情報３２１に基づいて、当該対象ユーザＴＵが冷え症であるか否かを予測するモデルである。冷え症予測モデル３２３の作成方法については後で詳しく説明するが、冷え症予測モデル３２３は、冷え症学習サーバ２０により作成される。冷え症学習サーバ２０は、不特定のユーザＵによる健診情報３２１と冷え症情報３２０（図４参照）とを対応づけた学習データセットを機械学習させることにより冷え症予測モデル３２３を作成する。ここでの冷え症情報３２０は、冷え症であるか否かを示す情報である。冷え症情報３２０は、例えば、健診を受けたユーザＵに冷えの症状に関するアンケートを行ったり、過去に専門医による診断を受けたか否かをヒアリングしたりすることにより取得される。

また、健康管理支援システム１では、事前の準備として、指標マーカ選択部３３２によって指標マーカ３２２が選択される。指標マーカ３２２は、健診情報３２１から選択された、冷え症を分類（層別化）する指標である。指標マーカ選択部３３２は、不特定のユーザＵの冷え症情報３２０及び健診情報３２１に基づいて指標マーカ３２２を選択する。

健康管理支援システム１では、冷え症予測モデル３２３を用いて、対象ユーザＴＵが冷え症であるか否かが予測される。冷え症予測モデル３２３は、対象ユーザＴＵの健診情報３２１に基づいて、冷え症予測（冷え症であるか否かを予測する情報）を出力する。

健康管理支援システム１では、冷え体質分類部３３４により、対象ユーザＴＵの体質が、冷え症を指標マーカにより分類した何れのタイプかに分類される。冷え体質分類部３３４は、対象ユーザＴＵの健診情報における、指標マーカの値と、冷え症予測モデル３２３により予測された冷え症予測とに基づいて、対象ユーザＴＵの体質を分類し、その分類結果を体質予測として出力する。

健康管理支援システム１では、対象ユーザＴＵの体質予測に基づいて、罹患しやすい疾病等に関する予防法や対策、体質をより改善させるための改善システムなどが提示される。これにより、疾病予防はもとより、ＱＯＬを向上させ、自立した生活を支援することができる。以上が、健康管理支援システム１の概要についての説明である。

〔健康管理支援システム１の構成〕
次に、健康管理支援システム１の構成について説明する。図２は、健康管理支援システム１の構成の例を示すブロック図である。健康管理支援システム１は、例えば、生体情報蓄積サーバ１０と、冷え症学習サーバ２０と、体質分類サーバ３０と、情報提示サーバ４０と、複数のユーザ端末５０（ユーザ端末５０−１、５０−２、…５０−Ｎ）とを備える。Ｎは任意の自然数である。

健康管理支援システム１の構成要素（生体情報蓄積サーバ１０、冷え症学習サーバ２０、体質分類サーバ３０、情報提示サーバ４０、及びユーザ端末５０）は、無線又は有線の通信ネットワークＮＷに接続し、互いに通信を行うことができる。なお、健康管理支援システム１の構成要素のそれぞれは、複数であってもよい。例えば、健康管理支援システム１が、生体情報蓄積サーバ１０等を複数備えていてもよい。また、健康管理支援システム１の構成要素のうちのいくつかが１の装置で実現されてもよい。例えば、体質分類サーバ３０と情報提示サーバ４０とが１台のサーバ装置に備えられていてもよい。

生体情報蓄積サーバ１０は、コンピュータシステム１００（図８参照）を備える電子機器である。例えば、生体情報蓄積サーバ１０は、クラウド装置、サーバ装置、パーソナルコンピュータ等であってよい。生体情報蓄積サーバ１０は、不特定のユーザＵの冷え症情報３２０、及び健診情報３２１を記憶（蓄積）する。生体情報蓄積サーバ１０は、例えば、健康診断を委託された医療機関に設けられたデータサーバ等から、健康診断を受けたユーザＵの健診結果を取得し、取得した情報を健診情報３２１として記憶する。また、生体情報蓄積サーバ１０は、健康診断と共に、或いは健康診断とは別に、ユーザＵにアンケートやヒアリングを行うことにより取得されたユーザＵの冷え症情報３２０を記憶する。

冷え症学習サーバ２０は、コンピュータシステム１００を備える電子機器である。例えば、冷え症学習サーバ２０は、クラウド装置、サーバ装置、パーソナルコンピュータ等である。冷え症学習サーバ２０は、不特定のユーザＵの健診情報３２１と冷え症情報３２０に基づいて、対象ユーザＴＵの健診情報から当該対象ユーザＴＵの冷え症を予測する冷え症予測モデル３２３を作成する。

体質分類サーバ３０は、コンピュータシステム１００を備える電子機器である。例えば、体質分類サーバ３０は、クラウド装置、サーバ装置、パーソナルコンピュータ等である。体質分類サーバ３０は、対象ユーザＴＵの体質が、冷え症に基づくどのタイプであるかを分類する。

情報提示サーバ４０は、コンピュータシステム１００を備える電子機器である。例えば、情報提示サーバ４０は、クラウド装置、サーバ装置、パーソナルコンピュータ等である。情報提示サーバ４０は、対象ユーザＴＵの体質に応じて、健康管理に関する情報を提示する。

ユーザ端末５０は、コンピュータシステム１００を備える電子機器である。例えば、ユーザ端末５０は、スマートフォン、パーソナルコンピュータ、携帯電話、タブレット端末、ウェアラブル端末等であってよい。ユーザ端末５０は、例えば、対象ユーザＴＵのスマートフォンなどの端末装置である。ユーザ端末５０には、「健康管理サービス」を提供するアプリケーションソフトウェア（以下、健康管理アプリと称する）がインストールされている。「健康管理サービス」では、自身の健康診断の結果を入力することにより、自身の体質が冷え症に基づくどのタイプであるかが予測される。また、「健康管理サービス」では、予測された体質に応じた疾病予防法や対策、改善システムなどが提示される。なお、ユーザ端末５０は、Ｗｅｂサービスにて提供される「健康管理サービス」のサイトを示すＵＲＬ（Uniform Resource Locator）アクセスすることにより、「健康管理サービス」を利用するようにしてもよい。
以上が、健康管理支援システム１の構成についての説明である。

〔健康管理支援システム１の動作〕
次に、健康管理支援システム１の動作について説明する。図３は、健康管理支援システム１が行う処理の流れを示すシーケンス図である。

（ステップＳ１０）
生体情報蓄積サーバ１０は、不特定のユーザＵの冷え症情報３２０、及び健診情報３２１を記憶（蓄積）する。

（ステップＳ１１）
生体情報蓄積サーバ１０は、不特定のユーザＵの冷え症情報３２０、及び健診情報３２１を冷え症学習サーバ２０に出力する。
（ステップＳ１２）
冷え症学習サーバ２０は、不特定のユーザＵの冷え症情報３２０、及び健診情報３２１に基づいて、健康診断の診断結果と冷え症との対応関係を学習モデルに学習させることにより、冷え症予測モデル３２３を作成する。冷え症予測モデル３２３を作成する方法については後で詳しく説明する。
（ステップＳ１３）
冷え症学習サーバ２０は、作成した冷え症予測モデル３２３を、体質分類サーバ３０に出力する。

（ステップＳ１４）
体質分類サーバ３０は、冷え症予測モデル３２３を取得し、取得した冷え症予測モデル３２３を記憶させる。

（ステップＳ１５）
一方、生体情報蓄積サーバ１０は、不特定のユーザＵの冷え症情報３２０、及び健診情報３２１を体質分類サーバ３０に出力する。
（ステップＳ１６）
体質分類サーバ３０は、冷え症情報３２０、及び健診情報３２１から抽出される特徴に基づいて、指標マーカ３２２を選択する。指標マーカ３２２を選択する方法については後で詳しく説明する。

（ステップＳ１７）
一方、ユーザ端末５０では、対象ユーザＴＵのクリック操作などにより「健康管理アプリ」が起動される。健康管理アプリが起動されると、例えば、健康診断の診断結果を入力するための入力フォームなどが表示される。
（ステップＳ１８）
ユーザ端末５０は、対象ユーザＴＵの入力操作などにより、入力フォームを介して健康診断の診断結果が入力されると、健診情報３２１を体質分類サーバ３０に送信する。
（ステップＳ１９）
体質分類サーバ３０は、ユーザ端末５０から受信した対象ユーザＴＵの健診情報３２１を、冷え症予測モデル３２３に入力させることにより、対象ユーザＴＵが冷え症であるか否かを予測する。
（ステップＳ２０）
体質分類サーバ３０は、対象ユーザＴＵが冷え症であるか否かを予測した予測結果、及び対象ユーザＴＵの健診情報３２１から抽出した指標マーカの値に基づいて、対象ユーザＴＵの体質が、冷え症に基づくいずれのタイプであるかを分類する。

（ステップＳ２１）
体質分類サーバ３０は、対象ユーザＴＵの体質を分類した分類結果を、体質情報として情報提示サーバ４０及びユーザ端末５０に送信する。
（ステップＳ２２）
情報提示サーバ４０は、対象ユーザＴＵの体質を分類した結果に基づいて、対象ユーザＴＵに提示する疾病予防や体質改善提案に関する情報を選択する。
（ステップＳ２３）
情報提示サーバ４０は、選択した情報を提示情報としてユーザ端末５０に送信する。
（ステップＳ２４）
ユーザ端末５０は、体質分類サーバ３０から受信した体質情報と、情報提示サーバ４０から受信した提示情報とを、「健康アプリ」の出力欄に表示させる。
以上が健康管理支援システム１の動作についての説明である。

〔データ構成〕
次に、健康管理支援システム１の処理に用いられる各種のデータの構成について説明する。

まず、冷え症情報３２０について説明する。冷え症情報３２０は、ユーザが冷え症であるか否かに関する情報を記述したデータである。図４は、冷え症情報３２０のデータ構成の例を示す図である。冷え症情報３２０は、ユーザＩＤ（ＩＤｅｎｔｉｆｉｅｒ）に、冷え症フラグ、根拠などを示す情報が対応づけられたデータとして示される。冷え症情報３２０は、ユーザＵごとに作成される。

ユーザＩＤには、ユーザＵを一意に識別するための情報が記述される。冷え症フラグにはユーザＵが冷え症であるか否かを示す情報が記述される。根拠には冷え症か否かが判断された際の根拠が示される。根拠は、例えば、自己診断、アンケートによる判定、専門医による判定などの項目で示される。例えば、冷え症であるか否かがユーザＵの自己診断によるものであれば、根拠には自己診断を示す情報が記述される。冷え症であるか否かがユーザＵに行ったアンケート結果によるものであれば、根拠にはアンケートによる判定を示す情報が記述される。冷え症であるか否かが専門医の診断によるものであれば、根拠には専門医による診断を示す情報が記述される。

なお、冷え症フラグは、冷え症であるか否かのいずれかを示す２値の情報であってもよいし、冷え症である、やや冷え症である、冷え症ではない、どちらともいえないなどの複数のレベルで冷え症の度合いを示す情報であってもよい。また、冷え症情報３２０には、ユーザＵの氏名、性別、年齢、職業、家族構成などのユーザ属性を示す情報が含まれていてもよい。ここでのユーザ属性には、ユーザＵの任意の情報が含まれていてよいが、例えば、性別や年齢、職場環境など冷え症に関連し得る情報が含まれていると好適である。また、冷え症であるか否かは、年齢や季節により変化し得るものであるため、冷え症フラグに対応づけて、いつ頃（何歳ごろ）から冷え症を自覚するようになったか、或いは冷え症を自覚する季節と自覚しない季節とがあるかなどを示す情報などが示されていてもよい。

次に、健診情報３２１について説明する。健診情報３２１は、ユーザＵの健康診断の結果を記述したデータである。図５は、健診情報３２１のデータ構成の例を示す図である。健診情報３２１は、ユーザＵのＩＤに、健康診断の結果として測定された生体情報を対応付けたデータとして記述される。健診情報３２１はユーザＵごとに作成される。ユーザＩＤには、ユーザＵを一意に識別するための情報が記述される。健診項目には健康診断において行われた診断項目が記述される。健診項目は、例えば、血液検査、血圧、アレルギー、不眠又はうつなどの項目を含む。血液検査には、ビリルビン、ＡＳＴ（ＧＯＴ）などの項目の他、図では省略されているＡＬＴ、γＧＴ、総蛋白、クレアチニン、尿酸、コレステロール、ＴＧ、血清鉄、血糖、ＨＤＬ、ＡＬＢ、白血球、赤血球、ヘマトクリット、ヘモグロビン、好中球、血小板、フェリチン、ＬＤＬ、ＨｂＡ１ｃ、Ｃペプチド、Ｃ３、Ｃ４、グリコアルブミンなどが含まれていてよい。血圧にはユーザＵから測定された血圧が記述される。アレルギーにはユーザＵのアレルギーに関する情報が記述される。アレルギーに関する情報は、ユーザＵから自己申告された情報であってもよいし、診察や血液検査などの結果に基づく情報であってよい。不眠又はうつにはユーザＵの不眠やうつに関する情報が記述される。不眠やうつに関する情報は、ユーザＵから自己申告された情報であってもよいし、問診や通院歴などの結果に基づく情報であってよい。
以上が、データの構成についての説明である。

〔冷え症予測モデル３２３を作成する方法、指標マーカ３２２を選択する方法〕
次に、冷え症予測モデル３２３を作成する方法、及び指標マーカ３２２を選択する方法について説明する。図６は、実施形態に係る健康管理支援システム１が行う処理を説明する図である。以下、図６に示すステップＳ１００〜Ｓ１０４の順に沿って、冷え症予測モデル３２３を作成する方法、及び指標マーカ３２２を選択する方法を説明する。

（ステップＳ１００）
健康管理支援システム１は、「冷え」の要因を分析する。具体的に、健康管理支援システム１は冷え症学習サーバ２０によって、健診情報３２１から、冷え症と関連が強い因子を抽出する。

（「冷え」の要因を分析する第１の例）
例えば、冷え症学習サーバ２０は、二項ロジステック回帰分析により「冷え」の要因を分析する。具体的に、冷え症学習サーバ２０は、冷え症情報３２０と健診情報３２１に、二項ロジステック回帰分析を適用する。これにより、冷え症に有意に影響がある因子を抽出することができる。また、冷え症学習サーバ２０は「冷え」の症状を示す情報と健診情報３２１に、二項ロジステック回帰分析を適用することにより、冷え症に有意に影響がある因子を抽出するようにしてもよい。「冷え」の症状を示す情報とは、冷え症であるか否かを判断する判断材料となり得る情報であって、例えば、体温が低い、皮膚温が低い、血流量が少ないなどを示す情報である。ここでの血流量は、特に皮膚の血流量を示している。表１に、二項ロジステック回帰分析した結果の一例を示す。

表１では、左側に従属変数、右側に有意な影響のある因子をそのオッズ比とともに示している。体温３６未満とは体温が３６度未満であること、皮膚温３０未満とは指先の皮膚温が３０度未満であること、血流量１０以下とは血流量が１０ｍｌ／ｍｉｎ以下であること、血流量２０以下とは血流量が２０ｍｌ／ｍｉｎ以下であることを示している。発明者らは、冷え症を含む「冷え」には、体組成（ＢＭＩ、体脂肪率、筋肉量、内臓脂肪、骨密度、アルドステロン、バソプレシンなど）、血液（ヘモグロビン、ヘマトクリット、ＭＣＶ、ＭＣＨ、ＭＣＨＣなど貧血に関わる指標）、糖代謝（血糖値、ＨｂＡ１Ｃ、Cペプチド、インスリン、グリコアルブミンなど）、血圧、及び腎機能（尿素窒素、クレアチニン、尿酸など）に関係する因子が有意に影響することを見出した。

（「冷え」の要因を分析する第２の例）
例えば、冷え症学習サーバ２０は、ベイジアンネットワークにより「冷え」の要因を分析する。具体的に、冷え症学習サーバ２０は、冷え症情報３２０と健診情報３２１にベイジアンネットワークを適用する。冷え症学習サーバ２０は、ベイジアンネットワークにより抽出された特に冷え症と因果関係が強い因子を取得する。

発明者らは、非侵襲データにベイジアンネットワークを適用させた場合、冷え症が性別との因果関係が極めて強く、性別が冷え症を予測するための重要因子となることを見出した。ここでの非侵襲データとは、ユーザＵから非侵襲で取得される情報であり、例えば、性別、ＢＭＩ（Body Mass Index）、皮膚温、血流量、収縮期血圧、ＣＥＳ-Ｄスコア（うつかどうかを自己評価する基準の一例）などである。また、発明者らは、男性ではＢＭＩと血流量、女性ではＢＭＩ、収縮期血圧、血流量、及びＣＥＳ-Ｄスコアのそれぞれが、冷え症との因果関係が強いことを見出した。なお、ここでは非侵襲データにベイジアンネットワークを適用させた場合を例示して説明したが、これに限定されることはない。冷え症学習サーバ２０が任意の健診情報３２１にベイジアンネットワークを適用させて、冷え症を予測するための重要因子を抽出してよいのは勿論である。

（ステップＳ１０１）
次に、健康管理支援システム１は、冷え症の予測に重要な因子を抽出する。健康管理支援システム１では、機械学習の手法を用いて生成された冷え症予測モデル３２３によって、冷え症が予測される。機械学習の手法は、既存の任意の学習手法であってよいが、例えば、教師あり学習であり、ランダムツリー、Ｃ５．０決定木、ＣＨＡＩＤ（CHi-squared Automatic Interaction Detector）、線形サポートベクターマシン、ニューラルネットワーク等の学習モデルを用いた手法である。どの学習モデルに、どのような学習データセットを学習させるかにより、冷え症予測モデル３２３がどのように冷え症を予測するかが決定される。

冷え症学習サーバ２０は、冷え症予測モデル３２３の予測精度に基づいて冷え症の予測に重要な因子を抽出する。具体的に、冷え症学習サーバ２０は、同じ機械学習アルゴリズムのモデルに、互いに異なる内容の学習データセットを学習させた学習済みモデルをそれぞれ生成する。冷え症学習サーバ２０は、それぞれの学習済みモデルに、冷え症を予測させる。冷え症学習サーバ２０は、予測精度が最も高い学習済みモデルに学習させた内容を、冷え症の予測に重要な因子とする。また、冷え症学習サーバ２０は、予測精度が最も高い学習済みモデルを、冷え症予測モデル３２３とする。

冷え症学習サーバ２０は、複数の機械学習アルゴリズムごとに、冷え症の予測に重要な因子を決定するようにしてもよい。具体的に、冷え症学習サーバ２０は、複数の機械学習アルゴリズムのそれぞれに対応させたモデルに、互いに異なる内容の学習データセットを学習させた学習済みモデルをそれぞれ生成する。冷え症学習サーバ２０は、それぞれの学習済みモデルに、冷え症を予測させる。冷え症学習サーバ２０は、予測精度が最も高い学習済みモデルを、複数の機械学習アルゴリズムのそれぞれについて決定する。冷え症学習サーバ２０は、機械学習アルゴリズムのそれぞれのモデルについて、予測精度が最も高い学習済みモデルに学習させた内容を、それぞれの冷え症の予測に重要な因子とする。さらに、冷え症学習サーバ２０は、それぞれのモデルで共通に重要な因子とされた健診情報３２１を、特に冷え症の予測に重要な因子とするようにしてもよい。

表２に、学習済みモデルの予測精度と重要因子を対応させた結果の一例を示す。

表２では、左から順に、対象、機械学習アルゴリズム、予測精度（％）、重要因子を示している。対象はモデルが予測する予測対象を示しており、この表では、冷え症、低体温、皮膚温低値、血流量低値のそれぞれが示されている。機械学習アルゴリズムは、学習モデルとして適用して機械学習の手法（アルゴリズム）が示されており、この表では、ランダムツリー、Ｃ５．０決定木、ＣＨＡＩＤ、線形サポートベクターマシンのそれぞれが示されている。予測精度はモデルが予測した制度を百分率（パーセント）で示している。重要因子は、モデルに学習させた学習データ（説明変数）を示している。例えば、この表には、教師データ（目的変数）としての冷え症と、説明変数としてのＢＭＩ、グリコアルブミン、ヘモグロビンとの対応関係をランダムツリーに学習させた学習済みモデルの予測精度が８６．８％であったことが示されている。発明者らは、「冷え」の重要因子を抽出した結果、「冷え症」を予測する場合には、体組成（ＢＭＩ、体脂肪率、筋肉量、骨密度など）、貧血、うつ（ＣＥＳ-Ｄスコア）、炎症（高感度ＣＲＰ）、血圧、グリコアルブミンなど糖代謝に関係する因子（例えば、血糖値、ＨｂＡ１Ｃ、Ｃペプチド、インスリンなど）が重要因子となることを見出した。また、体温を予測する場合には、体組成、腎機能、骨代謝（ＴＲＡＣＰ-５ｂ）、ＰＷＶが重要因子となることを見出した。また、皮膚温を予測する場合には、体組成、糖代謝（血糖値、ＨｂＡ１Ｃ、Ｃペプチド、インスリン、グリコアルブミンなど）、コルチゾールが重要因子となることを見出した。血流量を予測する場合には、体組成、糖代謝、血圧が重要因子となることを見出した。

（ステップＳ１０２）
次に、健康管理支援システム１は、健康に及ぼす「冷え」のリスクを評価する。具体的に、体質分類サーバ３０は、健康と冷え症と関連が強いと考えられる健診情報３２１とクロス集計分析することにより、健康に及ぼす「冷え」のリスクを評価する。

例えば、体質分類サーバ３０は、健康診断の項目別に、正常範囲を０（ゼロ）、正常範囲を外れる場合を１としてダミー変数化処理を行う。また、体質分類サーバ３０は、ユーザＵへのアンケートでの疾患を有する場合を１として、分割表（１×ｍクロス集計表）のカイ２乗検定（独立性検定）、連関係数（ファイ係数）、リスク推定、およびMantel-Haenszelによる調整相対危険度（オッズ比）等を算出する。表３に、「冷え症」と有意に関連する項目の一例を示す。

表３では、左側に健診項目（健康診断の項目）、右側に調整相対危険度を有意確率と共に示している。この表から、「冷え症」と相関（関連）があると考えられる健診項目は、ＢＭＩ低値、貧血、インスリン抵抗性の症状に関する健診項目（この表では、高ＨｂＡ１Ｃ、高Ｃペプチド、インスリン抵抗性）、及びうつであることが示されている。

また、体質分類サーバ３０は、健康と冷えの症状（例えば、低体温、低皮膚温、低血流）と関連が強いと考えられる健診情報３２１とクロス集計分析することにより、健康に及ぼす「冷え」のリスクを評価する。これらの因子が健康に及ぼすリスクを評価する方法は、上述した方法（健康と冷え症と関連が強いと考えられる健診情報３２１とクロス集計分析する方法）と同様の方法を適用することができる。

表４に、「低体温」と有意に関連する項目の一例を示す。

表４では、表３と同様に、左側に健診項目（健康診断の項目）、右側に調整相対危険度を有意確率と共に示している。この表から、「体温の低下」と相関（関連）が強いと考えられる健診項目は、腎機能（高クレアチニン値）、骨吸収（高ＴＲＡＣＰ−５ｂ）、及びインスリン抵抗性の症状に関する健診項目（この表では、高Ｃペプチド）であることが示されている。

表５に、「低皮膚温」と有意に関連する項目の一例を示す。

表５では、表３と同様に、左側に健診項目（健康診断の項目）、右側に調整相対危険度を有意確率と共に示している。この表から、「皮膚温の低値」と相関（関連）が強いと考えられる健診項目は、ＢＭＩ低値、インスリン抵抗性の症状に関する健診項目（この表では、高血糖、高ＨｂＡ１Ｃ、高Ｃペプチド、インスリン抵抗性）であることが示されている。

表６に、「低血流量」と有意に関連する項目の一例を示す。

表６では、表３と同様に、左側に健診項目（健康診断の項目）、右側に調整相対危険度を有意確率と共に示している。この表から、「血流量の低下」と相関（関連）が強いと考えられる健診項目は、ＢＭＩ低値、貧血、インスリン抵抗性の症状に関する健診項目（この表では、高血糖、高ＨｂＡ１Ｃ、高Ｃペプチド、高グリコアルブミン、インスリン抵抗性）、及びビリルビンであることが示されている。

（ステップＳ１０３）
次に、健康管理支援システム１は、「冷え」要因の因果関係の解析を行う。具体的に、体質分類サーバ３０は、表３〜表６に示すような、冷え症、及び冷えの症状（低体温、低皮膚温、低血流）におけるリスクを評価した結果に基づいて、冷え症を分類（層別化）し得る指標、つまり、指標マーカ３２２を決定する。

例えば、体質分類サーバ３０は、「冷え症」と相関すると考えられる健診項目のうち、冷えの症状（低体温、低皮膚温、低血流）の各々においても相関があり、かつ、相関係数の符号が異なる関係にある健診項目を、指標マーカ３２２とする。

具体的に、体質分類サーバ３０は、「冷え症」、及び冷えの症状（低体温、低皮膚温、低血流）のそれぞれと相関する健診項目を抽出する。体質分類サーバ３０は、抽出した健診項目から、「冷え症」、及び冷えの症状（低体温、低皮膚温、低血流）のそれぞれに共通する項目を選択する。体質分類サーバ３０は、選択した健診項目について、「冷え症」、及び冷えの症状（低体温、低皮膚温、低血流）のそれぞれとの相関係数を算出する。体質分類サーバ３０は、算出した相関係数の符号が、「冷え症」、及び冷えの症状（低体温、低皮膚温、低血流）のそれぞれで異なる場合、その健診項目を、指標マーカ３２２と決定する。

例えば、表３〜表６の例では、どの表でもインスリン抵抗性の症状に関する健診項目との相関があることが示されている。すなわち、表３によればインスリン抵抗性に関する健診項目（高ＨｂＡ１Ｃ、高Ｃペプチド、インスリン抵抗性）は、冷え症に対して負の相関を有する。つまり、インスリン抵抗性の症状に関する健診項目の数値が高まるほど、冷え症にならない傾向にあるということができる。また、表４によればインスリン抵抗性に関する健診項目（Ｃペプチド）は、体温に対して負の相関を有する。つまり、インスリン抵抗性の症状に関する健診項目の数値が高まるほど、体温が低くなる傾向にあるということができる。また、表５によればインスリン抵抗性の症状に関する健診項目（高血糖、高ＨｂＡ１Ｃ、高Ｃペプチド、インスリン抵抗性）は、皮膚温に対して正の相関を有する。つまり、インスリン抵抗性の症状に関する健診項目の数値が高まるほど、皮膚温が高くなる傾向にあるということができる。また、表６によればインスリン抵抗性の症状に関する健診項目（高血糖、高ＨｂＡ１Ｃ、高Ｃペプチド、高グリコアルブミン、インスリン抵抗性）は、（指先の）血流量に対して正の相関を有する。つまり、インスリン抵抗性の症状に関する健診項目の数値が高まるほど、血流量が高く（多く）なる傾向にあるということができる。

表３〜表６のような結果が得られた場合、体質分類サーバ３０は、「冷え症」、及び冷えの症状（低体温、低皮膚温、低血流）のそれぞれと共通に相関する健診項目のうち、相関係数の符号が異なる健診項目として、高Ｃペプチドを選択し、選択した高Ｃペプチドを指標マーカ３２２として決定する。

表３〜表６の結果から、Ｃペプチドが低体温と皮膚血流の増加による放熱に関与していることが示唆される。つまり、Ｃペプチドが高まるにつれて、低体温を引き起こす一方で、皮膚温を高め、皮膚血流量を増加させていると考えられる。また、Ｃペプチドが高まるにつれて、冷え症の自覚がなくなる傾向にあることから、「冷え」を感じさせないように作用する可能性がある。

（ステップＳ１０４）
次に、健康管理支援システム１は、Ｔｗｏ Ｓｔｅｐクラスター分析とカテゴリー化による「冷え」分類と特徴の抽出を行う。具体的に、体質分類サーバ３０は、冷え症であるか否かと、指標マーカ３２２とを用いて、対象ユーザＴＵの体質を冷えに基づく何れのタイプであるか分類する。また、情報提示サーバ４０は体質分類サーバ３０によって分類された結果に基づいて、対象ユーザＴＵの体質に応じた疾病予防や体質改善に関する情報を提示する。

図７は、実施形態に係る健康管理支援システム１が行う処理を説明する図である。図７には、体質分類サーバ３０によって分類されるタイプが模式的に示されている。体質分類サーバ３０は、冷え症情報３２０に基づいて、ユーザＵの体質を、冷え症であるか、非冷え症であるかに分類する。体質分類サーバ３０は、冷え症を、指標マーカ３２２（ここでは、Ｃペプチド）の値に応じて、更に分類する。同様に、体質分類サーバ３０は、非冷え症を、指標マーカ３２２（ここでは、Ｃペプチド）の値に応じて、更に分類する。ここでは、Ｃペプチドの値が正常の範囲内か、Ｃペプチドの値が正常の範囲を超えて高い値を示しているかに応じて分類する例を示している。このＣペプチドは、Ｔｗｏ Ｓｔｅｐクラスター分析により、冷え症と冷え指標（体温、皮膚温、血流量）について、体質特徴の分類に有効な指標マーカを検討した結果、良好なクラスター品質（Ｃｏｈｅｓｉｏｎと区切りのシルエット指標が０．５以上）で４分類できることが分かった。

つまり、この図では、体質分類サーバ３０は、ユーザＵの体質を、
１）冷え症、かつ、Ｃペプチドが正常範囲のタイプＴ１
２）冷え症、かつ、Ｃペプチドが高いタイプＴ２
３）非冷え症、かつ、Ｃペプチドが正常範囲のタイプＴ３
４）非冷え症、かつ、Ｃペプチドが高いタイプＴ４
のカテゴリーに分類する例が示されている。

情報提示サーバ４０は、対象ユーザＴＵの体質がタイプＴ１〜Ｔ４の何れのタイプであるかに応じて、疾病予防や体質改善に関する情報を提示する。情報提示サーバ４０は、例えば、不特定のユーザＵの統計に基づいて、タイプ別の提示を行う。具体的に、体質分類サーバ３０は、不特定のユーザＵの冷え症情報３２０と健診情報３２１に基づいて、各ユーザＵのタイプを分類する。情報提示サーバ４０は、タイプごとのユーザＵの健診情報３２１に基づいて、タイプごとの疾病の傾向を抽出する。例えば、情報提示サーバ４０は、統計処理の結果、タイプＴ１は、ＢＭＩが低く骨格筋が少ない痩せ型の傾向、水分が少なく熱産生（生体内で産生される熱）が低い傾向、糖化による毛細血管の損傷傾向、食が細い傾向で健康感が低く、生殖機能の低下や、高齢ではフレイルリスクが危惧されるものとする。タイプＴ２は、水分代謝に問題があり下肢がむくみやすい傾向、レプチンが高くインスリン抵抗性の傾向、食が旺盛な傾向、下肢の痛みや身体機能低下とサルコペニアや、高齢者では腎機能低下が危惧されるものとする。タイプＴ３は、冷え症ではなく健康体である傾向、恒常性が維持される傾向、骨代謝の亢進や免疫過剰が危惧されるものとする。タイプＴ４は、内臓脂肪型の肥満（メタボ）である傾向、末梢の血液循環が高い傾向、基礎代謝が低い傾向、温度感受性が低い傾向、健康不安がある傾向、メタボリックシンドロームや副腎機能低下が危惧されるものとする。情報提示サーバ４０は、タイプごとに予め定めた傾向に基づいて、対象ユーザＴＵのタイプに応じた提示を行う。

情報提示サーバ４０は、健診情報３２１を用いてタイプＴ１を更に原因を細分化するようにしてもよい。例えば、情報提示サーバ４０は、タイプＴ１に分類された対象ユーザＴＵを、女性でＢＭＩ低値かつ皮下脂肪が多いタイプ（タイプＴ１１）、男性でＢＭＩが低いタイプ（タイプＴ１２）、ＢＮＰ（脳性ナトリウム利尿ポリペプチド）が高いタイプ（タイプＴ１３）、低血圧のタイプ（タイプＴ１４）、グリコアルブミンが高いタイプ（タイプＴ１５）などに分類する。これにより、健康管理支援システム１では、冷え症における特定のタイプ（例えば、タイプＴ１）をさらに細分化したそれぞれのタイプ（例えば、タイプＴ１１〜Ｔ１５）に応じた提示を示すことができる。

このような体質分類を行うことにより、健康管理支援システム１では、「冷え」の原因と疾患や不調の潜在リスクを把握することができるだけでなく、原因毎に精密な健康増進や疾患予防の方法を提示するようにしてもよい。例えば、健康管理支援システム１は、タイプに応じて漢方薬による治療を提示するようにしてもよい。例えば、健康管理支援システム１は、タイプＴ１に人参養栄湯や十全大補湯、タイプＴ２に八味地黄丸、タイプＴ４に六味地黄丸、更に、タイプＴ１１〜Ｔ１５に対しては、それぞれ当帰芍薬散、十全大補湯、補中益気湯、加味帰脾湯、加味逍遙散などを提示するようにしてもよい。

また、健康管理支援システム１は、タイプに応じて食事改善や機能性食品を提示するようにしてもよい。例えば、健康管理支援システム１は、タイプＴ１に良質のタンパクや鉄分の補給、タイプＴ２に電解質と糖質の制限、食物繊維やグルコサミン、タイプＴ３にカロテノイドやブロッコリー、タイプＴ４に減塩で、シード類、海藻やアブラナ科の野菜などを摂取するように提示する。また、健康管理支援システム１は、タイプＴ１を細分化したタイプ（タイプＴ１１〜Ｔ１５）に対しても、ユーザの健診情報に対応した食事改善や機能性食品を提示するようにしてもよい。

さらに、Ｃペプチドが視床下部の受容体ＶＡＣＭ-1に作用して恒常性機能を低下させることが推察される。このため、ＣペプチドとＶＡＣＭ−１との結合を阻害させる提示をしてもよい。これにより、恒常性機能の低下を抑制させることが可能である。

また、Ｃペプチドを他の視床下部受容体のオキシトシン受容体へ作用させる提示をしてもよい。また、Ｃペプチドとバゾプレシン受容体Ｖ１ａとＶ１ｂとの結合を阻害させる提示をしてもよい。これにより、自律神経系が改善され、恒常性機能の低下を抑制させることが可能である。このような提示を行うことにより、ＱＯＬ向上と健康増進、あるいは疾患の予防により有用な手段を提示することができる。

〔コンピュータシステム１００の構成〕
次に、健康管理支援システム１が備える各装置のコンピュータシステム１００の構成について説明する。図８は、コンピュータシステム１００の構成を示すブロック図である。コンピュータシステム１００は、通信部１０１と、入力部１０２と、出力部１０３と、記憶部１０４と、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０５と、を備える。これらの構成要素は、バスＢを介して相互に通信可能に接続されている。

通信部１０１は、通信用ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の通信用モジュールである。入力部１０２は、例えば、マウス、タッチパッド等のポインティングデバイス、キーボード、マイクロホン、カメラ、その他の各種センサ（例えば、加速度センサ、ジャイロセンサ、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）センサ、近接センサ）を含む入力用モジュールである。入力部１０２は、タッチパネルとして、ディスプレイと一体に構成されてもよい。出力部１０３は、ディスプレイパネル、スピーカ、ウーファー等の出力用モジュールである。

記憶部１０４は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ−Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ−Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等を含む記憶用モジュールである。なお、記憶部１０４は、内蔵されるものに限らず、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉｕｌ Ｂｕｓ）等のデジタル入出力ポート等によって接続された外付け型の記憶用モジュールであってもよい。
ＣＰＵ１０５は、記憶部１０４に記憶された各種プログラムを実行し、コンピュータシステム１００が備える各構成を制御する。
以上が、コンピュータシステム１００の構成についての説明である。

〔冷え症学習サーバ２０の構成〕
次に、冷え症学習サーバ２０の構成について説明する。図９は、実施形態に係る冷え症学習サーバ２０の構成の例を示すブロック図である。冷え症学習サーバ２０は、通信部２１と記憶部２２と制御部２３とを備える。通信部２１は、通信ネットワークＮＷに接続する他の装置と通信する。ここでの他の装置は、生体情報蓄積サーバ１０、体質分類サーバ３０、情報提示サーバ４０、及びユーザ端末５０である。

記憶部２２は、冷え症学習サーバ２０の機能を実現するために必要な変数、各種データ、プログラム等を記憶する。記憶部２２は、学習データ候補２２０と、確定学習データ２２１と、冷え症予測モデル２２２とを記憶する学習データ候補２２０は、学習データの候補を示す情報である。学習データ候補２２０は、例えば、健診情報３２１のうち、冷え症と相関があり、冷え症を予測するための指標となり得る情報である。確定学習データ２２１は、学習データ候補２２０のうち、学習データとして確定された健診項目を示す情報である。冷え症予測モデル２２２は、冷え症学習サーバ２０によって作成された学習モデル（冷え症予測モデル）を示す情報である。

制御部２３は、冷え症学習サーバ２０の各構成を制御する。制御部２３は、例えば冷え症学習サーバ２０のＣＰＵが記憶部２２に予め記憶されたプログラムを実行することにより実現される。また、制御部２３は、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の集積回路として実現されてもよい。

制御部２３は、例えば、冷え症情報取得部２３０と、健診情報取得部２３１と、前処理部２３２と、モデル作成部２３３と、学習データ確定部２３４とを備える。冷え症情報取得部２３０は、不特定のユーザＵの冷え症情報を、通信部２１を介して、生体情報蓄積サーバ１０から取得する。健診情報取得部２３１は、不特定のユーザＵの健診情報を、通信部２１を介して、生体情報蓄積サーバ１０から取得する。

前処理部２３２は、モデル（冷え症予測モデル２２２）を作成するための前処理を行う。前処理部２３２は、例えば、モデルに学習させる学習データセットを作成する。学習データセットは、学習データ（説明変数）と、教師データ（目的変数）とのセットである。前処理部２３２は、冷えの要因を分析して健診情報から学習データの候補を抽出する。前処理部２３２は、学習データの候補に教師データとしての冷え症情報を対応付けることにより、学習データセットを生成する。

モデル作成部２３３は、冷え症予測モデル２２２を作成する。モデル作成部２３３は、学習モデルに学習データを入力させた場合に得られる出力が、教師データに近づくように、学習モデルのパラメータを調整することにより、学習モデルを学習させる。モデル作成部２３３は、予め定めた所定の終了条件を満たすまで学習モデルを学習させ、所定の終了条件を満たした学習モデルを、学習済みモデルとする。モデル作成部２３３は、学習データの内容を変えることにより、異なる内容を学習した複数の学習済みモデルを作成する。或いは、モデル作成部２３３は、アルゴリズムの異なる複数の学習済みモデルを作成する。

学習データ確定部２３４は、学習済みモデルのそれぞれに冷え症を予測させ、その予測精度に基づいて、予測精度が最も高いものを、冷え症予測モデル２２２とする。学習データ確定部２３４は、作成した冷え症予測モデル２２２を、記憶部２２に記憶させる。学習データ確定部２３４は、冷え症予測モデル２２２に学習させた学習データの候補を、学習データとして確定させる。
以上が、冷え症学習サーバ２０の構成についての説明である。

〔体質分類サーバ３０の構成〕
次に、体質分類サーバ３０の構成について説明する。図１０は、体質分類サーバ３０の構成を示すブロック図である。体質分類サーバ３０は、通信部３１と、記憶部３２と、制御部３３と、を備える。

通信部３１は、通信ネットワークＮＷに接続する他の装置と通信する。ここでの他の装置は、生体情報蓄積サーバ１０、冷え症学習サーバ２０、情報提示サーバ４０、及びユーザ端末５０である。

記憶部３２は、体質分類サーバ３０の機能を実現するために必要な変数、各種データ、プログラム等を記憶する。記憶部３２は、冷え症情報３２０と、健診情報３２１と、指標マーカ３２２と、冷え症予測モデル３２３と、分類判定閾値３２４とを記憶する。冷え症情報３２０は対象ユーザＴＵの冷え症情報である。健診情報３２１は対象ユーザＴＵの健診情報である。指標マーカ３２２は対象ユーザＴＵの指標マーカに関する情報である。冷え症予測モデル３２３は冷え症学習サーバ２０により作成された冷え症予測モデルを示す情報である。分類判定閾値３２４は、指標マーカにより冷え症を分類する際の閾値を示す情報である。

制御部３３は、体質分類サーバ３０の各構成を制御する。制御部３３は、例えば体質分類サーバ３０のＣＰＵが記憶部３２に予め記憶されたプログラムを実行することにより実現される。制御部３３は、例えば、冷え症情報取得部３３０と、健診情報取得部３３１と、指標マーカ選択部３３２と、冷え症予測部３３３と、冷え体質分類部３３４と、分類結果出力部３３５とを備える。

体質分類サーバ３０には、事前準備フェーズと、分類実行フェーズとのそれぞれのフェーズがあり、それぞれのフェーズで異なる処理を行う。以下、事前準備フェーズ、分類実行フェーズの順に説明する。

（事前準備フェーズ）
冷え症情報取得部３３０は、不特定のユーザＵの冷え症情報を、通信部３１を介して生体情報蓄積サーバ１０から取得する。健診情報取得部３３１は、不特定のユーザＵの健診情報を、通信部３１を介して生体情報蓄積サーバ１０から取得する。

指標マーカ選択部３３２は、不特定のユーザＵの、冷え症情報と健診情報との関連性に基づいて、指標マーカ３２２を選択する。指標マーカ選択部３３２が指標マーカ３２２を選択する方法については、すでに説明したのでその説明を省略する。指標マーカ選択部３３２は、選択した指標マーカ３２２を記憶部３２に記憶させる。

（分類実行フェーズ）
冷え症情報取得部３３０は、対象ユーザＴＵの冷え症情報を、通信部３１を介してユーザ端末５０から取得する。健診情報取得部３３１は、対象ユーザＴＵの健診情報を、通信部３１を介してユーザ端末５０から取得する。

冷え症予測部３３３は、冷え症予測モデル３２３に、対象ユーザＴＵの健診情報を入力させることより、対象ユーザＴＵが冷え症であるか否かを予測する。冷え症予測部３３３は、予測結果を冷え体質分類部３３４に出力する。

冷え体質分類部３３４は、冷え症予測部３３３による予測結果と、対象ユーザＴＵにおける指標マーカの数値とに基づいて、対象ユーザＴＵの体質を、冷え症に基づくタイプ（例えば、タイプＴ１〜Ｔ４）の何れかに分類する。分類結果出力部３３５は、冷え体質分類部３３４による分類結果を、情報提示サーバ４０、及びユーザ端末５０に出力する。
以上が、体質分類サーバ３０の構成についての説明である。

〔本実施形態のまとめ〕
以上説明してきたように、実施形態に係る健康管理支援システム１は、冷え症情報取得部３３０と、健診情報取得部３３１と、指標マーカ選択部３３２と、冷え体質分類部３３４と、分類結果出力部３３５とを備える。冷え症情報取得部３３０は、不特定のユーザＵの冷え症情報３２０を取得する。健診情報取得部３３１は、不特定のユーザＵの健診情報３２１を取得する。健診情報取得部３３１は、不特定のユーザＵの冷え症情報３２０及び健診情報３２１から抽出される特徴に基づいて、指標マーカ３２２を選択する。冷え体質分類部３３４は、対象ユーザＴＵの冷え症情報３２０、及び対象ユーザＴＵにおける指標マーカ３２２の数値に基づいて、対象ユーザＴＵの体質を、冷え症に基づく何れかのタイプに分類する。これにより、実施形態に係る健康管理支援システム１は、生体情報から指標マーカを選択することができ、指標マーカを用いて冷え症を分類することができる。したがって、冷え症のタイプがどのようなタイプであるかに応じて、適切な情報を提供することが可能である。

ここで、冷え症情報３２０は、「第１情報」の一例である。
冷え症情報取得部３３０は、「第１取得部」の一例である。
健診情報３２１は、「第２情報」の一例である。
健診情報取得部３３１は、「第２取得部」の一例である。
指標マーカ選択部３３２は、「選択部」の一例である。
冷え体質分類部３３４は、「分類部」の一例である。
分類結果出力部３３５は、「出力部」の一例である。
冷え症学習サーバ２０は、「学習装置」の一例である。
体質分類サーバ３０は、「分類装置」の一例である。
モデル作成部２３３は、「学習部」の一例である。

また、上述した実施形態では、冷え体質分類部３３４は、冷え症予測部３３３により予測された、対象ユーザＴＵの冷え症情報３２０を取得する場合を例示して説明した。しかしながら、これに限定されることはない。冷え体質分類部３３４は、対象ユーザＴＵが冷え症であるか否かを示す情報を、ユーザ端末５０から取得するようにしてもよい。この場合。ユーザ端末５０に表示される「健康管理アプリ」の入力フォームには、冷え症であるか否かを示す情報を入力する入力欄が表示される。対象ユーザＴＵは、入力フォームに冷え症か否かを入力する操作を行い、その後、例えば、送信を示すボタンをタッチ操作する。これにより、体質分類サーバ３０は、対象ユーザＴＵの冷え症情報を受信する。冷え体質分類部３３４は、体質分類サーバ３０が受信した対象ユーザＴＵの冷え症情報を用いて、対象ユーザＴＵのタイプを分類する。

また、上述の健康管理支援システム１、冷え症学習サーバ２０、体質分類サーバ３０の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより処理を行ってもよい。ここで、「記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行する」とは、コンピュータシステムにプログラムをインストールすることを含む。ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、インターネットやＷＡＮ、ＬＡＮ、専用回線等の通信回線を含むネットワークを介して接続された複数のコンピュータ装置を含んでもよい。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。このように、プログラムを記憶した記録媒体は、ＣＤ−ＲＯＭ等の非一過性の記録媒体であってもよい。また、記録媒体には、当該プログラムを配信するために配信サーバからアクセス可能な内部または外部に設けられた記録媒体も含まれる。配信サーバの記録媒体に記憶されるプログラムのコードは、端末装置で実行可能な形式のプログラムのコードと異なるものでもよい。すなわち、配信サーバからダウンロードされて端末装置で実行可能な形でインストールができるものであれば、配信サーバで記憶される形式は問わない。なお、プログラムを複数に分割し、それぞれ異なるタイミングでダウンロードした後に端末装置で合体される構成や、分割されたプログラムのそれぞれを配信する配信サーバが異なっていてもよい。さらに「コンピュータ読み取り可能な記録媒体」とは、ネットワークを介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。また、上記プログラムは、上述した機能の一部を実現するためのものであってもよい。さらに、上述した機能をコンピュータシステムに既に記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。

１…健康管理支援システム
１０…生体情報蓄積サーバ
２０…冷え症学習サーバ
２１…通信部
２２…記憶部
２３…制御部
２３０…冷え症情報取得部
２３１…健診情報取得部
２３２…前処理部
２３３…モデル作成部
２３４…学習データ確定部
３０…体質分類サーバ
３１…通信部
３２…記憶部
３２０…冷え症情報
３２１…健診情報
３３…制御部
３３０…冷え症情報取得部
３３１…健診情報取得部
３３２…指標マーカ選択部
３３３…冷え症予測部
３３４…冷え体質分類部
３３５…分類結果出力部
４０…情報提示サーバ
５０…ユーザ端末

本発明は、健康管理支援システム、健康管理支援方法、及びプログラムに関する。

本発明は、このような状況に鑑みてなされたもので、生体情報を用いて冷え症を分類することができる健康管理支援システム、健康管理支援方法、及びプログラムを提供する。

本発明の上述した課題を解決するために、本発明は、ユーザが冷え症であるか否かを示す第１情報を取得する第１取得部と、前記ユーザの生体情報の測定結果として測定項目と数値とを含む第２情報を取得する第２取得部と、前記第１情報、及び前記第２情報から抽出される特徴に基づいて、冷え症を、冷え症であり且つ生体情報の測定項目に対する数値が冷えの症状に該当する第１タイプと、冷え症であり且つ生体情報の測定項目に対する数値が冷えの症状に該当しない第２タイプと、非冷え症であり且つ生体情報の測定項目に対する数値が非冷えの症状に該当する第３タイプと、非冷え症であり且つ生体情報の測定項目に対する数値が非冷えの症状に該当しない第４タイプと、に分類する指標となる生体情報である指標マーカを選択する選択部と、対象ユーザが冷え症であるか否かを示す情報、及び対象ユーザにおける前記指標マーカの数値に基づいて、前記対象ユーザの体質を、前記第１タイプ、前記第２タイプ、前記第３タイプ、及び前記第４タイプの何れかのタイプに分類する分類部と、前記分類部により分類された分類結果を出力する出力部と、を備え、前記選択部は、前記第２情報から冷え症と二つの冷えの症状とに共に相関する相関情報を抽出し、前記相関情報のうち、前記二つの冷えの症状のうち一方の症状と他方の症状について、前記相関情報と前記一方の症状とが正の相関を示し、前記相関情報と前記他方の症状とが負の相関を示す前記相関情報を、前記指標マーカとする、健康管理支援システムである。

本発明は、第１取得部が、ユーザが冷え症であるか否かを示す第１情報を取得し、第２取得部が、前記ユーザの生体情報の測定結果として測定項目と数値とを含む第２情報を取得し、選択部が、前記第１情報、及び前記第２情報から抽出される特徴に基づいて、冷え症を、冷え症であり且つ生体情報の測定項目に対する数値が冷えの症状に該当する第１タイプと、冷え症であり且つ生体情報の測定項目に対する数値が冷えの症状に該当しない第２タイプと、非冷え症であり且つ生体情報の測定項目に対する数値が非冷えの症状に該当する第３タイプと、非冷え症であり且つ生体情報の測定項目に対する数値が非冷えの症状に該当しない第４タイプと、に分類する指標となる生体情報である指標マーカを選択し、分類部が、対象ユーザが冷え症であるか否かを示す情報、及び対象ユーザにおける前記指標マーカの数値に基づいて、前記対象ユーザの体質を、前記第１タイプ、前記第２タイプ、前記第３タイプ、及び前記第４タイプの何れかのタイプに分類し、出力部が、前記分類部により分類された分類結果を出力し、前記選択部は、前記第２情報から冷え症と二つの冷えの症状とに共に相関する相関情報を抽出し、前記相関情報のうち、前記二つの冷えの症状のうち一方の症状と他方の症状について、前記相関情報と前記一方の症状とが正の相関を示し、前記相関情報と前記他方の症状とが負の相関を示す前記相関情報を、前記指標マーカとする、健康管理支援方法である。

本発明は、コンピュータに、ユーザが冷え症であるか否かを示す第１情報を取得する第１取得手段、前記ユーザの生体情報の測定結果として測定項目と数値とを含む第２情報を取得する第２取得手段、前記第１情報、及び前記第２情報から抽出される特徴に基づいて、冷え症を、冷え症であり且つ生体情報の測定項目に対する数値が冷えの症状に該当する第１タイプと、冷え症であり且つ生体情報の測定項目に対する数値が冷えの症状に該当しない第２タイプと、非冷え症であり且つ生体情報の測定項目に対する数値が非冷えの症状に該当する第３タイプと、非冷え症であり且つ生体情報の測定項目に対する数値が非冷えの症状に該当しない第４タイプと、に分類する指標となる生体情報である指標マーカを選択する選択手段、
対象ユーザが冷え症であるか否かを示す情報、及び対象ユーザにおける前記指標マーカの数値に基づいて、前記対象ユーザの体質を、前記第１タイプ、前記第２タイプ、前記第３タイプ、及び前記第４タイプの何れかのタイプに分類する分類手段、前記分類手段により分類された分類結果を出力する出力手段、を実行させるためのプログラムであって、前記選択手段において、前記第２情報から冷え症と二つの冷えの症状とに共に相関する相関情報を抽出し、前記相関情報のうち、前記二つの冷えの症状のうち一方の症状と他方の症状について、前記相関情報と前記一方の症状とが正の相関を示し、前記相関情報と前記他方の症状とが負の相関を示す前記相関情報を、前記指標マーカとする、プログラムである。

Claims (9)

1. ユーザが冷え症であるか否かを示す第１情報を取得する第１取得部と、
   前記ユーザの生体情報を示す第２情報を取得する第２取得部と、
   前記第１情報、及び前記第２情報から抽出される特徴に基づいて、冷え症を分類する指標となる生体情報である指標マーカを選択する選択部と、
   対象ユーザが冷え症であるか否かを示す情報、及び対象ユーザにおける前記指標マーカの数値に基づいて、前記対象ユーザの体質を、冷え症に基づく何れかのタイプに分類する分類部と、
   前記分類部により分類された分類結果を出力する出力部と、
   を備える健康管理支援システム。
2. 前記選択部は、前記第２情報から、冷え症、及び複数の冷えの症状のそれぞれと相関する情報であって、前記複数の冷えの症状のそれぞれとの相関度合いが異なる情報を、前記指標マーカとする、
   請求項１に記載の健康管理支援システム。
3. 前記選択部は、前記第２情報から、冷え症、及び複数の冷えの症状のそれぞれと相関する情報を抽出し、抽出した情報における、前記複数の冷えの症状との相関係数をそれぞれ算出し、算出した相関係数の符号が互いに異なるものを、前記指標マーカとする、
   請求項１に記載の健康管理支援システム。
4. 前記第１情報と前記第２情報との対応関係を学習モデルに学習させることにより、対象ユーザの前記第２情報から前記対象ユーザが冷え症であるか否かを予測する冷え症予測モデルを生成する学習部、を更に備え、
   前記分類部は、前記冷え症予測モデルを用いて予測された前記対象ユーザの前記第１情報、及び前記指標マーカに基づいて、前記対象ユーザの体質を、冷え症に基づく何れかのタイプに分類する、
   請求項１に記載の健康管理支援システム。
5. 前記学習部は、学習内容が異なる複数の学習済みモデルを作成し、作成した学習済みモデルにおけるそれぞれの予測精度に基づいて選択した学習済みモデルを、前記冷え症予測モデルとする、
   請求項４に記載の健康管理支援システム。
6. ユーザが冷え症であるか否かを示す第１情報を取得する第１取得部と、
   前記ユーザの生体情報を示す第２情報を取得する第２取得部と、
   前記第１情報と前記第２情報との対応関係を学習モデルに学習させることにより、対象ユーザの前記第２情報から前記対象ユーザが冷え症であるか否かを予測する冷え症予測モデルを生成する学習部と、
   を有する学習装置と、
   前記第１情報、及び前記第２情報から抽出される特徴に基づいて、冷え症を分類する指標となる生体情報である指標マーカを選択する選択部と、
   対象ユーザが冷え症であるか否かを示す情報、及び対象ユーザにおける前記指標マーカの数値に基づいて、前記対象ユーザの体質を、冷え症に基づく何れかのタイプに分類する分類部と、
   前記分類部により分類された分類結果を出力する出力部と、
   を有する分類装置と、
   を備える健康管理支援システム。
7. ユーザが冷え症であるか否かを示す第１情報を取得する第１取得部と、
   前記ユーザの生体情報を示す第２情報を取得する第２取得部と、
   前記第１情報と前記第２情報との対応関係を学習モデルに学習させることにより、対象ユーザの前記第２情報から前記対象ユーザが冷え症であるか否かを予測する冷え症予測モデルを生成する学習部と、
   を有する学習装置。
8. 第１取得部が、ユーザが冷え症であるか否かを示す第１情報を取得し、
   第２取得部が、前記ユーザの生体情報を示す第２情報を取得し、
   選択部が、前記第１情報、及び前記第２情報から抽出される特徴に基づいて、冷え症を分類する指標となる生体情報である指標マーカを選択し、
   分類部が、対象ユーザが冷え症であるか否かを示す情報、及び対象ユーザにおける前記指標マーカの数値に基づいて、前記対象ユーザの体質を、冷え症に基づく何れかのタイプに分類し、
   出力部が、前記分類部により分類された分類結果を出力する、
   健康管理支援方法。
9. コンピュータに、
   ユーザが冷え症であるか否かを示す第１情報を取得する第１取得手段、
   前記ユーザの生体情報を示す第２情報を取得する第２取得手段、
   前記第１情報、及び前記第２情報から抽出される特徴に基づいて、冷え症を分類する指標となる生体情報である指標マーカを選択する選択手段、
   対象ユーザが冷え症であるか否かを示す情報、及び対象ユーザにおける前記指標マーカの数値に基づいて、前記対象ユーザの体質を、冷え症に基づく何れかのタイプに分類する分類手段、
   前記分類手段により分類された分類結果を出力する出力手段、
   を実行させるためのプログラム。

Images