JP2021176074A - 伝染病感染リスク判定プログラム - Google Patents

Abstract

【課題】伝染病の感染リスクを自動的かつ高精度に判定する。【解決手段】伝染病の感染リスクを判定する感染リスク判定プログラムにおいて、判定対象のユーザの位置情報に対応した地域における地域情報を取得する情報取得ステップと、伝染病の増加傾向に関する参照用増加傾向情報と、上記伝染病の感染リスクとの３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域情報に対応する地域における参照用増加傾向情報に基づき、上記ユーザの感染リスクを判定する判定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。【選択図】図１１

Description

本発明は、伝染病の感染リスクを判定する感染リスク判定プログラムに関する。

近年において伝染病の感染に対するリスク判定を行うことに対する社会的な要請が高まっている。中でも昨今において急激に感染者が増加している新型コロナウィルは非常に感染力が強いことから、その感染拡大を封じ込めるためにも、個人がそれぞれ自覚を持って感染拡大を防止するための行動を取ることが求められている。

その中で、特に自身の現在位置においてどの程度の感染リスクがあるかをリアルタイムに判別することができれば、自身に自覚を促すことができ、ひいては感染拡大防止につなげることができると考えられる。しかしながら、自身の現在位置から感染リスクをリアルタイムに判定する技術は、未だ提案されていないのが現状であった。

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、ユーザの現在位置から伝染病の感染リスクをリアルタイムに判定することが可能な伝染病感染リスク判定プログラムを提供することにある。

上述した課題を解決するために、本発明に係る伝染病感染リスク判定プログラムは、伝染病の感染リスクを判定する感染リスク判定プログラムにおいて、判定対象のユーザの位置情報に対応した地域における伝染病の増加傾向に関する増加傾向情報を取得する情報取得ステップと、伝染病の増加傾向に関する参照用増加傾向情報と、上記伝染病の感染リスクとの３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域情報に対応する地域における参照用増加傾向情報に基づき、上記ユーザの感染リスクを判定する判定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。

特段のスキルや経験が無くても、ユーザ自身の現在位置から感染リスクをリアルタイムに判定することが可能となる。

本発明を適用したシステムの全体構成を示すブロック図である。 探索装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

第１実施形態
以下、本発明を適用した伝染病感染リスク判定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、本発明を適用した伝染病感染リスク判定プログラムが実装される伝染病感染リスク判定システム１の全体構成を示すブロック図である。伝染病感染リスク判定システム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、後述する判別装置２と一体化されていてもよい。情報取得部９は、検知した情報を判別装置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、風向センサ、を測るための照度センサで構成されていてもよい。また情報取得部９は、天候についてのデータを気象庁や民間の天気予報会社から取得する通信インターフェースで構成されていてもよい。また情報取得部９は身体に装着して身体のデータを検出するための身体センサで構成されていてもよく、この身体センサは、例えば体温、心拍数、血圧、歩数、歩く速度、加速度を検出するためのセンサで構成されていてもよい。また身体センサは人間のみならず動物の生体データを取得するものであってもよい。また情報取得部９は図面等の情報をスキャニングしたり、或いはデータベースから読み出すことで取得するデバイスとして構成されていてもよい。情報取得部９は、これら以外に臭気や香りを検知する臭気センサにより構成されていてもよい。

データベース３は、伝染病感染リスク判定を行う上で必要な様々な情報が蓄積される。伝染病感染リスク判定を行う上で必要な情報としては、各エリアにおける人の混雑度合に関する参照用混雑度合情報、過去に検出したユーザの参照用属性情報、過去に検出したユーにおける上記伝染病の感染歴に関する参照用感染歴情報、過去に検出したユーザにおける上記伝染病の自覚症状に関する参照用自覚情報、過去に検出したユーザにおける顔又は身体を撮像した参照用画像情報、過去に検出したユーザにおける感染を防ぐための生活態様に関する参照用生活情報、判定対象のユーザの感染リスクとのデータセットが記憶されている。

つまり、データベース３には、このような参照用混雑度合情報に加え、参照用属性情報、参照用感染歴情報、参照用自覚情報、参照用画像情報、参照用生活情報、参照用増加傾向情報の何れか１以上と、過去において判定された感染リスクとが互いに紐づけられて記憶されている。ちなみにこの過去において判定された感染リスクは、実際に過去において判定された各ユーザからの実データのみならず、架空のペルソナを設定し、これについて各機関や病院、医師等の専門家が判定した感染リスクを学習データに含めてもよい。

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。更に、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伝染病感染リスク判定システム１における動作について説明をする。

伝染病感染リスク判定システム１では、例えば図３に示すように、参照用混雑度合情報と、感染リスクとの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。参照用混雑度合情報とは、各エリア毎に通行人（通行車）やその場で滞在している人がどの程度混雑しているかを示す情報である。

図４は、この参照用混雑度合情報を説明するための図である。各エリアは屋外、屋内の何れも含む概念である。各エリア毎に人の数は異なり、最も人の少ないエリアはＬ３であり、最も人の多いエリアはＬ４である。人の多いほうから順にＬ４、Ｌ２、Ｌ１、Ｌ３であり、混雑度合もその順となる。参照用混雑度合は、このような混雑度合を示す情報である。即ち、この参照用混雑度合は、単位エリア当たりの人の数で示されるものであってもよい。

このような参照用混雑度合のデータを取得するためには、各人が所持するデバイスから発信される位置情報から取得するものであってもよい。ここでいうデバイスは、携帯電話機、スマートフォン、ウェアラブル端末のように各人が所持する電子機器であり、何れも位置情報を取得可能なデバイスで構成されている。位置情報の取得方法としては、例えばＧＰＳ等を利用するようにしてもよい。このように、各人が所持するデバイスにより取得された位置情報を収集することで各人の位置情報を取得することができる。このような位置情報を各エリアＬ１〜Ｌ４毎に各人から収集することで、上述した混雑度合を求めることができる。そしてこのような各人の位置情報を時系列的に順次取得することにより、混雑度合を時系列的に順次することができ、これに応じて参照用混雑度合情報もリアルタイムに順次最新のものに更新することが可能となる。

このような参照用混雑度合のデータを取得するためには、各エリアに設置されたカメラから歩行者の通行状況を撮像した画像情報から取得するものであってもよい。カメラで各エリアの状況を捉えることができるような画像を撮像する。得られた画像を画像解析技術を通じて通行人を抽出し、その通行人の数をカウントする。この通行人の抽出は、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。このような画像解析を各エリアＬ１〜Ｌ４についてそれぞれ実行することにより、各エリアＬ１〜Ｌ４毎の人の数を検出することができ、上述した混雑度合を求めることができる。そしてこのような各エリアに設置されたカメラから歩行者の通行状況を撮像した画像情報を時系列的に順次取得することにより、混雑度合を時系列的に順次することができ、これに応じて参照用混雑度合情報もリアルタイムに順次最新のものに更新することが可能となる。

このような参照用混雑度合のデータを取得するためには、各エリアに設置されたマイクロフォンにより街頭の音声を記録した音声情報から取得するものであってもよい。マイクロフォンで各エリアの音声を記録する。得られた音声を音声認識技術を通じて通行人の数を推定する。単純にはマイクロフォンにより検出した音の大きさが大きいほど通行人が多いものと推定するモデルとしてもよい。このような音声認識を各エリアＬ１〜Ｌ４についてそれぞれ実行することにより、各エリアＬ１〜Ｌ４毎の人の数を検出することができ、上述した混雑度合を求めることができる。そしてこのような各エリアに設置されたマイクロフォンから歩行者の通行状況を時系列的に順次取得することにより、混雑度合を時系列的に順次することができ、これに応じて参照用混雑度合情報もリアルタイムに順次最新のものに更新することが可能となる。

感染リスクは、感染の危険度を示すものであり、危険性があるか否かの２値で表されていてもよいし、非常に危険性が高い、やや危険性があり、普通、やや安全、安全等の５段階でリスクが評価されるものであってもよい。また感染リスクは、例えば１０００点満点のスコアで構成され、スコアが高いほど危険性が高くなるように評価されるものであってもよい。例えば、図３における感染リスクＡは上記スコアが８４４点、感染リスクＢは４２４点、感染リスクＣは、５０１点等のように評価されるものであってもよい。

また感染リスクの判定対象となる伝染病は、一般的な風邪やインフルエンザ、ノロウィルス等、あらゆるウィルス、伝染病が含まれる。特に伝染病は、新型コロナウィルスや重症急性呼吸器症候群（ＳＡＲＳ）も含まれる。

つまり、この参照用混雑度合情報と、感染リスクのデータセットを通じて、参照用混雑度合情報に対して、実際にいかなる感染リスクが評価されたのかが分かる。つまり参照用混雑度合情報の人の密度と感染リスクとがデータセットとなっている。このため、参照用混雑度合情報と感染リスクのデータセットを集めておくことにより、過去に検出したユーザと、その相手間の距離がどの程度であったとき、感染リスクがいくらであっ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混雑度合情報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混雑度合情報は、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、感染リスクが表示されている。

参照用混雑度合情報は、この出力解としての感染リスクに対して３段階以上の連関度を通じて互いに連関しあっている。参照用混雑度合情報がこの連関度を介して左側に配列し、感染リスク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混雑度合情報に対して、何れの感染リスク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、各参照用混雑度合情報が、いかなる感染リスクに紐付けられる可能性が高いかを示す指標であり、参照用混雑度合情報から最も確からしい感染リスク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、中間ノードとしての各組み合わせが出力としての感染リスク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感染リスクと互いに関連度合いが低いことを示している。

このような学習済みデータを作り上げた後、実際に判定対象のユーザの現時点におけるユーザが位置する地域を示す地域情報を取得する。そして、この取得した地域情報における地域の伝染病の増加傾向を取得する。この伝染病の増加傾向は、随時発表される地域毎の感染者数に関する情報から取得してもよく、政府や保険機関から発表される情報や、各報道機関から発表されるニュースや新聞記事のテキストデータを読み取り、或いはこれらの情報を人為的にキーボード等で入力することにより得るようにしてもよい。そして、このようにして得た伝染病の増加傾向と類似の傾向を示す参照用増加傾向情報を特定する。そして特定した参照用増加傾向情報に基づき、その判定対象のユーザの感染リスクを判定する。この感染リスク判定の詳細は、第１実施形態と同様である。

このようにして、新たに取得した増加傾向情報から、判定すべき感染リスクを探索し、ユーザや各種機関、運営者に表示することができる。この探索結果を見ることにより、ユーザ等は、探索された感染リスクに基づいて、感染リスクを軽減するような行動を取ることを自覚することができ、また各機関や運営者は、今後の政策を検討することができる。ちなみに、この感染リスクを出力する過程において、単に探索された感染リスクのみを表示する以外に、この感染リスクに基づいた具体的な行動方針そのものを表示するようにしてもよいし、更には具体的な行動方針を強くユーザに促すようにしてもよく、例えば「ここから離れてください」等を画面表示するようにしてもよい。

図６は、上述した参照用混雑度合情報と、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感染リスクとの３段階以上の連関度が設定されている例を示している。

参照用属性情報とは、過去に検出した一のユーザの属性に関するあらゆる情報である。ここでいう属性とは、例えば、年齢、性別、職業以外に持病や実際に医者から制限されている生活態様、一日の残業時間、一日の運動量、一日の睡眠時間、夕食後に就寝するまでの時間、喫煙や飲酒の頻度等の健康に関する情報もこれに含まれる。

図６の例では、入力データとして例えば参照用混雑度合情報Ｐ０１〜Ｐ０３、参照用属性情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用混雑度合情報に対して、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、感染リスクが表示されている。

参照用混雑度合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、感染リスクに対して３段階以上の連関度を通じて互いに連関しあっている。参照用混雑度合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、感染リスク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混雑度合情報と参照用属性情報に対して、感染リスク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、各参照用混雑度合情報と参照属性情報が、いかなる感染リスクに紐付けられる可能性が高いかを示す指標であり、参照用混雑度合情報と参照用属性情報から最も確からしい各感染リスクを選択する上での的確性を示すものである。混雑度合情報に加え、実際の属性情報に応じて感染リスクは変化する。特に新型コロナウィルスの場合、年齢が高いほど死亡率が高くなることから、高齢の人をほどリスク管理を徹底する必要があることから、感染リスクは変化する。また新型コロナウィルスの場合、喫煙者ほど重症になり易い旨が報告されていることから、喫煙の有無に応じて感染リスクは変化する。このように、属性情報の種類に応じて感染リスクが異なることから、より感染リスクが高くなる属性ほど、より感染リスクが高くなるように連関度が形成されていてもよい。

図６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６に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用混雑度合情報と参照用属性情報、並びにその場合の感染リスクが何れが好適であったか、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６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。かかる場合には、例えば参照用混雑度合情報Ｐ０１で、参照用属性情報Ｐ２０である場合に、その感染リスクを過去のデータから分析する。例えば中間ノード６１ａの例では、感染リスクＡと感染リスクＢの出力にリンクしているが、以前の事例から感染リスクＡにつながるｗ１３の連関度を７点に、感染リスクＢにつながるｗ１４の連関度を２点に設定している。

図６に示す連関度の例で、ノード６１ｂは、参照用混雑度合情報Ｐ０１に対して、参照用属性情報Ｐ１８の組み合わせのノードであり、感染リスクＣの連関度がｗ１５、感染リスクＥの連関度がｗ１６となっている。ノード６１ｃは、参照用混雑度合情報Ｐ０２に対して、参照用属性情報Ｐ１９、Ｐ２１の組み合わせのノードであり、感染リスクＢの連関度がｗ１７、感染リスクＤ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、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、新たに感染リスクの判定を行うユーザ並びにその相手から混雑度合情報に加え、属性情報を取得する。属性情報の取得方法は、参照用属性情報の取得方法と同様である。

このようにして新たに取得した混雑度合情報、属性情報に基づいて、感染リスクを探索する。かかる場合には、予め取得した図６（表１）に示す連関度を参照する。例えば、新たに取得した混雑度合情報がＰ０２と同一かこれに類似するものである場合であって、新たに取得した属性情報に応じた参照用属性情報がＰ２１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、感染リスクＣがｗ１９、感染リスクＤが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い感染リスクＣ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感染リスクＤ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。

図７は、上述した参照用混雑度合情報と、参照用感染歴情報との組み合わせと、当該組み合わせに対する感染リスクとの３段階以上の連関度が設定されている例を示している。

参照用感染歴情報とは、過去に検出した一のユーザ又はその相手における上記伝染病の感染歴に関するあらゆる情報である。この感染歴に関する情報は、過去に検出した一のユーザ、その相手の何れか一方のものであってもよいし、双方から抽出してもよい。

参照用感染歴情報は、判定対象の伝染病についての過去の感染歴に関する情報である。この参照用感染歴情報は、各ユーザやその相手が自らが情報取得部９により入力することで得るようにしてもよいし、医療機関等から得るようにしてもよい。参照用感染歴情報は、その伝染病にいつ、どこで、何回かかり、またどのようにして治療して治癒したか、また完治までの期間等、感染歴に関するあらゆる情報が含まれる。

図７の例では、入力データとして例えば参照用混雑度合情報Ｐ０１〜Ｐ０３、参照用感染歴情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用混雑度合情報に対して、参照用感染歴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、感染リスクが表示されている。

参照用混雑度合情報と参照用感染歴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、感染リスクに対して３段階以上の連関度を通じて互いに連関しあっている。参照用混雑度合情報と参照用感染歴情報がこの連関度を介して左側に配列し、感染リスク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混雑度合情報と参照用感染歴情報に対して、感染リスク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、各参照用混雑度合情報と参照感染歴情報が、いかなる感染リスクに紐付けられる可能性が高いかを示す指標であり、参照用混雑度合情報と参照用感染歴情報から最も確からしい各感染リスクを選択する上での的確性を示すものである。混雑度合情報に加え、実際の感染歴情報に応じて感染リスクは変化する。特に以前感染歴があり、免疫があるのであれば感染リスクは減少する。一方、免疫があっても感染可能性が変化しない伝染病の場合、感染リスクは特段変化しない。仮に免疫の有無に応じて感染可能性が変化する伝染病の場合、免疫が強いほど、つまり感染歴があるほど、より感染リスクが高くなるように連関度が形成されていてもよい。

図７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７に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用混雑度合情報と参照用感染歴情報、並びにその場合の感染リスクが何れが好適であったか、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７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。かかる場合には、例えば参照用混雑度合情報Ｐ０１で、参照用感染歴情報Ｐ２０である場合に、その感染リスクを過去のデータから分析する。例えば中間ノード６１ａの例では、感染リスクＡと感染リスクＢの出力にリンクしているが、以前の事例から感染リスクＡにつながるｗ１３の連関度を７点に、感染リスクＢにつながるｗ１４の連関度を２点に設定している。

図７に示す連関度の例で、ノード６１ｂは、参照用混雑度合情報Ｐ０１に対して、参照用感染歴情報Ｐ１８の組み合わせのノードであり、感染リスクＣの連関度がｗ１５、感染リスクＥの連関度がｗ１６となっている。ノード６１ｃは、参照用混雑度合情報Ｐ０２に対して、参照用感染歴情報Ｐ１９、Ｐ２１の組み合わせのノードであり、感染リスクＢの連関度がｗ１７、感染リスクＤ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、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、新たに感染リスクの判定を行うユーザ並びにその相手から混雑度合情報に加え、感染歴情報を取得する。感染歴情報の取得方法は、参照用感染歴情報の取得方法と同様である。

このようにして新たに取得した混雑度合情報、感染歴情報に基づいて、感染リスクを探索する。かかる場合には、予め取得した図７（表１）に示す連関度を参照する。例えば、新たに取得した混雑度合情報がＰ０２と同一かこれに類似するものである場合であって、新たに取得した感染歴情報に応じた参照用感染歴情報がＰ２１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、感染リスクＣがｗ１９、感染リスクＤが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い感染リスクＣ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感染リスクＤ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。

図８は、上述した参照用混雑度合情報と、参照用自覚情報との組み合わせと、当該組み合わせに対する感染リスクとの３段階以上の連関度が設定されている例を示している。

参照用自覚情報とは、過去に検出した一のユーザ又はその相手における上記伝染病の自覚症状に関するあらゆる情報である。この自覚症状に関する情報は、過去に検出した一のユーザ、その相手の何れか一方のものであってもよいし、双方から抽出してもよい。

参照用自覚情報は、判定対象の伝染病について、実際に自らが自覚している症状を示すものであり、例えば、鼻水、倦怠感、体温、せきの出具合、呼吸の息苦しさ、動悸や息切れ等、自覚しているあらゆる症状がこれに含まれる。この参照用自覚情報は、各ユーザやその相手が自ら情報取得部９を介して入力されることで得るようにしてもよいし、各ユーザや相手からインタビューし、インタビュアーがこれを手入力してもよいし、医療機関等から得るようにしてもよい。

図８の例では、入力データとして例えば参照用混雑度合情報Ｐ０１〜Ｐ０３、参照用自覚情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用混雑度合情報に対して、参照用自覚情報が組み合わさったものが、図８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、感染リスクが表示されている。

参照用混雑度合情報と参照用自覚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、感染リスクに対して３段階以上の連関度を通じて互いに連関しあっている。参照用混雑度合情報と参照用自覚情報がこの連関度を介して左側に配列し、感染リスク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混雑度合情報と参照用自覚情報に対して、感染リスク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、各参照用混雑度合情報と参照自覚情報が、いかなる感染リスクに紐付けられる可能性が高いかを示す指標であり、参照用混雑度合情報と参照用自覚情報から最も確からしい各感染リスクを選択する上での的確性を示すものである。混雑度合情報に加え、実際の自覚情報に応じて感染リスクは変化する。特に伝染病毎に類型化されている自覚症状に当てはまっている場合には、その伝染病に疾患している可能性があり、相手側に与えるリスクはその分大きくなる。かかる場合には自覚症状があるほど、より感染リスクが高くなるように連関度が形成されていてもよい。

図８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９に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用混雑度合情報と参照用自覚情報、並びにその場合の感染リスクが何れが好適であったか、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８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。かかる場合には、例えば参照用混雑度合情報Ｐ０１で、参照用自覚情報Ｐ２０である場合に、その感染リスクを過去のデータから分析する。例えば中間ノード６１ａの例では、感染リスクＡと感染リスクＢの出力にリンクしているが、以前の事例から感染リスクＡにつながるｗ１３の連関度を７点に、感染リスクＢにつながるｗ１４の連関度を２点に設定している。

図８に示す連関度の例で、ノード６１ｂは、参照用混雑度合情報Ｐ０１に対して、参照用自覚情報Ｐ１８の組み合わせのノードであり、感染リスクＣの連関度がｗ１５、感染リスクＥの連関度がｗ１６となっている。ノード６１ｃは、参照用混雑度合情報Ｐ０２に対して、参照用自覚情報Ｐ１９、Ｐ２１の組み合わせのノードであり、感染リスクＢの連関度がｗ１７、感染リスクＤ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、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、新たに感染リスクの判定を行うユーザ並びにその相手から混雑度合情報に加え、自覚情報を取得する。自覚情報の取得方法は、参照用自覚情報の取得方法と同様である。

このようにして新たに取得した混雑度合情報、自覚情報に基づいて、感染リスクを探索する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した混雑度合情報がＰ０２と同一かこれに類似するものである場合であって、新たに取得した自覚情報に応じた参照用自覚情報がＰ２１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、感染リスクＣがｗ１９、感染リスクＤが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い感染リスクＣ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感染リスクＤ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。

なお、本発明においては、この図８に示す参照用自覚情報の代替として、過去に検出した一のユーザ及び／又はその相手における顔又は身体を撮像した参照用画像情報が参照用混雑度合情報の組み合わせで連関度に関連付けられて学習されてなるものであってもよい。

参照用画像情報とは、一のユーザ及び／又はその相手における顔又は身体をカメラにより撮像することで得られた情報である。こ実際にそのユーザや相手における顔にマスクがなされているのであれば、その分飛沫は飛びにくくなり、またユーザや相手の手に手袋がはめられていれば接触による感染の防止可能性が高まる。このようなマスクや手袋を初めとする、感染を防止できる可能性が高い状態になっているか否かを画像を通じて判別する。実際に一のユーザ及び／又はその相手における顔にマスクが装着されているのであれば、それを画像解析により読み取り、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。

また、連関度を通じて学習させる際には、そのマスクを装着することでどの程度感染リスクを防止できるか、様々な公衆衛生的なデータや専門家の見解等も含めて、感染リスクにつながる連関度を設計するようにしてもよい。

かかる場合には、参照用混雑度合情報と、参照用画像情報とを有する組み合わせと、感染リスクとの３段階以上の連関度を予め取得しておく。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、実際にこれから探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した混雑度合情報に加え、判定対象のユーザ及び／又はその相手における顔又は身体の画像を撮像した画像情報を取得する。この画像情報は、上述した参照用画像情報と同種のデータで構成される。そして、連関度を参照した上で、新たに取得した混雑度合情報と画像情報とに基づき、感染リスクを上述と同様に判定する。

なお、本発明においては、この図８に示す参照用自覚情報の代替として、過去に検出したユーザの、感染を防ぐための生活態様に関する参照用生活態様情報が参照用混雑度合情報の組み合わせで連関度に関連付けられて学習されてなるものであってもよい。

参照用生活態様情報とは、生活態様の中で特に感染を防ぐ上で効果的な生活態様を類型化した情報である。感染を防ぐ上で効果的な生活態様とは、例えばうがいや手洗い、入浴の有無や頻度、規則的な生活をしているか否かに加え、感染を防ぐ上で通勤時間を通勤ラッシュを避ける時間帯を選んでいるか否か、更には感染を防ぐために積極的に予防接種を受けているか否かに関する情報も含まれる。

また、連関度を通じて学習させる際には、感染を防ぐ上で効果的な生活態様を取ることでどの程度感染リスクを防止できるか、様々な公衆衛生的なデータや専門家の見解等も含めて、感染リスクにつながる連関度を設計するようにしてもよい。

かかる場合には、参照用混雑度合情報と、参照用生活態様情報とを有する組み合わせと、感染リスクとの３段階以上の連関度を予め取得しておく。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、実際にこれから探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した混雑度合情報に加え、判定対象のユーザ及び／又はその相手における生活態様情報を取得する。この生活態様情報は、上述した参照用生活態様情報と同種のデータで構成される。そして、連関度を参照した上で、新たに取得した混雑度合情報と生活態様情報とに基づき、感染リスクを上述と同様に判定する。

図９は、上述した参照用混雑度合情報と、参照用属性情報に加えて、更に参照用増加傾向情報との組み合わせと、当該組み合わせに対する感染リスクとの３段階以上の連関度が設定されている例を示している。参照用増加傾向情報とは、各地域における伝染病の増加傾向に関する情報である。この参照用増加傾向情報は、大きく分類してその伝染病の疾患者数が増加傾向にあるのか、或いは停滞傾向にあるのか、或いは減少傾向にあるのかを示す情報である。参照用増加傾向情報は、このような３つのレベルで示される場合に限定されるものではなく、その増加度合、減少度合が更に細かいピッチで示されていてもよい。また参照用増加傾向情報は、実際に都道府県別、或いは国別の伝染病の増加傾向や減少傾向を示す棒グラフ等のデータそのもので構成されていてもよい。このような参照用増加傾向情報がそれぞれ、都道府県別、或いは国別等により区分された各地域と紐付けられている。また参照用増加傾向情報は、、いかなる地域において、またいかなる地域のいかなる建物レベルにて感染のクラスターが発生しているか否かに関する情報で構成されていてもよい。

かかる場合において、連関度は、図９に示すように、参照用混雑度合情報と、参照用属性情報、参照用増加傾向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９において、ノード６１ｃは、参照用混雑度合情報Ｐ０２が連関度ｗ３で、参照用属性情報Ｐ１５が連関度ｗ７で、参照用増加傾向情報Ｐ２１が連関度ｗ１１で連関している。同様にノード６１ｅは、参照用混雑度合情報Ｐ０３が連関度ｗ５で、参照用属性情報Ｐ１５が連関度ｗ８で、参照用増加傾向情報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、新たに取得した混雑度合情報、属性情報に加え、新たに地域情報を取得する。この地域情報は、判定対象のユーザの位置情報に対応した地域に関する地域情報である。仮に判定対象のユーザの位置情報が現時点において東京であれば地域情報は東京となる。また広い区分からなる地域情報では、日本となる。

取得した地域情報に規定される地域に紐付けられた参照用増加傾向情報に基づき、図１０に示す連関度を参照しながら解探索を行う。

この値段を推定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、取得した混雑度合情報が参照用混雑度合情報Ｐ０２に同一又は類似で、取得した属性情報が参照用属性情報Ｐ１５に対応し、更に取得した地域情報の地域に対応する参照用増加傾向情報が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、感染リスクＢが連関度ｗ１７で、また感染リスクＤが連関度ｗ１８で関連付けられている。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。

このような入力パラメータの種類を３種類以上にわたり組み合わせる場合には、参照用増加傾向情報に加え、参照用混雑度合情報、参照用属性情報、参照用感染歴情報、参照用自覚情報、参照用画像情報、参照用生活情報の何れ１以上で組み合わせが構成されたものであっても適用可能である。

なお、混雑度合情報に加えて、属性情報、感染歴情報、自覚情報、画像情報、生活情報等の何れか２以上を取得する場合には、その取得する２以上の情報に応じた、２以上の参照用情報（参照用属性情報、参照用感染歴情報、参照用自覚情報、参照用画像情報、参照用生活情報等）を参照用混雑度合情報との組み合わせと、当該組み合わせに対する感染リスクとの３段階以上の連関度からなる学習用データを作っておくことで、同様に解探索を行うことができる。

また、混雑度合情報に加えて、属性情報、感染歴情報、自覚情報、画像情報、生活情報等の何れか１以上に加え、更に、他の情報を取得する場合も同様に、その取得する情報に応じた参照用属性情報、参照用感染歴情報、参照用自覚情報、参照用画像情報、参照用生活情報等と、他の取得する情報に応じた参照用情報との組み合わせと、当該組み合わせに対する感染リスクとの３段階以上の連関度からなる学習用データを作っておくことで、同様に解探索を行うことができる。

また本発明は、図１０に示すように参照用情報Ｕと参照用情報Ｖという２種類以上の情報の組み合わせの連関度に基づいて各感染リスクを判別するものである。この参照用情報Ｕが参照用混雑度合情報であり、参照用情報Ｖが、参照用属性情報、参照用感染歴情報、参照用自覚情報、参照用画像情報、参照用生活情報等であるものとする。或いは、参照用情報Ｕが、参照用属性情報、参照用感染歴情報、参照用自覚情報、参照用画像情報、参照用生活情報等であり、参照用情報Ｖが、参照用混雑度合情報であるものとする。

このとき、図１０に示すように、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力と関連付けられていてもよい。例えば、参照用情報Ｕについて、出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力を探索するようにしてもよい。

上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

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、誰でも手軽に融資を検討している企業の感染リスクの探索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。

なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。

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１０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より感染リスクに関する信憑性が高く、誤認の低い感染リスクを判別することで、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。

更に本発明によれば、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。また混雑度合情報に加え、属性情報、感染歴情報、自覚情報、画像情報、生活情報等に関する知見、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。

第２実施形態
以下、本発明を適用した伝染病感染リスク判定システム１における第２実施形態について説明をする。第２実施形態を実行する上では、第１実施形態において使用する伝染病感染リスク判定システム１、情報取得部９、判別装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。

伝染病感染リスク判定システム１では、例えば図１１に示すように、参照用増加傾向情報と、感染リスクとの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。参照用増加傾向情報の詳細は、第１実施形態において説明した通りである。

図１１の例では、入力データとして例えば参照用増加傾向情報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増加傾向情報は、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、感染リスクが表示されている。

参照用増加傾向情報は、この出力解としての感染リスクに対して３段階以上の連関度を通じて互いに連関しあっている。参照用増加傾向情報がこの連関度を介して左側に配列し、感染リスク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増加傾向情報に対して、何れの感染リスク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、各参照用増加傾向情報が、いかなる感染リスクに紐付けられる可能性が高いかを示す指標であり、参照用増加傾向情報から最も確からしい感染リスクを選択する上での的確性を示すものである。図１１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、中間ノードとしての各組み合わせが出力としての感染リスク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感染リスク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１１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、参照用増加傾向情報と、その場合の感染リスク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１１に示す連関度を作り上げておく。

参照用増加傾向情報Ｐ０１である場合に、感染リスクＡの事例が多い場合には、この感染リスクＡにつながる連関度をより高く設定し、感染リスクＢの事例が多い場合には、この感染リスクＢにつながる連関度をより高く設定する。例えば参照用増加傾向情報Ｐ０１の例では、感染リスクＡと感染リスクＣにリンクしているが、以前の事例から感染リスクＡにつながるｗ１３の連関度を７点に、感染リスクＣ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。

このような学習済みデータを作り上げた後、実際に判定対象のユーザの現時点におけるユーザが位置するエリア（地域）に関する情報を取得する。そして、この取得したユーザが位置する地域における参照用増加傾向情報に基づき、その判定対象のユーザの感染リスクを判定する。

図１２は、上述した参照用増加傾向情報と、参照用外部環境情報との組み合わせと、当該組み合わせに対する感染リスクとの３段階以上の連関度が設定されている例を示している。

参照用外部環境情報とは、外部環境情報に関する様々な情報である。ここでいう外部環境情報は、経済データ（ＧＤＰ、雇用統計、鉱工業生産指数、設備投資、労働力調査等）、家計データ（家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ等）、不動産データ（オフィス空室率、坪単価、賃料相場、地価、空き家データ等）、自然環境データ（災害データ、気温データ、降水量データ、風向きデータ、湿度データ等）に代表されるものである。外部環境情報は、これらのデータの一部、全部が反映される。参照用外部環境情報は、外部環境自体を類型化しておくようにしてもよい。つまり参照用外部環境情報は類型別に分類した情報であってもよく、例えば、雇用統計におけるデータで区切ることで分類するようにしてもよい。また、パターン（例えば、ＧＤＰの伸び率が急激が、あるいは徐々に増加するか等のパターン）等により類型化されていてもよい。このような外部環境、つまり経済に関する情報は、感染リスクを考える上で十分に考慮すべき情報である。感染リスクを恐れるあまり、経済を止めてしまえば逆に失業者や自殺者が増えてしまうことにもなる。このため、あまりに感染リスクを過剰に高く設定しないようにするためにも、この経済に関する情報は十二分に考慮しなければならない情報といえる。

図１２の例では、入力データとして例えば参照用増加傾向情報Ｐ０１〜Ｐ０３、参照用外部環境情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用増加傾向情報に対して、参照用外部環境情報が組み合わさったものが、図１２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、感染リスクが表示されている。

参照用増加傾向情報と参照用外部環境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、感染リスクに対して３段階以上の連関度を通じて互いに連関しあっている。参照用増加傾向情報と参照用外部環境情報がこの連関度を介して左側に配列し、感染リスクが連関度を介して右側に配列している。

図１２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１２に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用増加傾向情報と参照用外部環境情報、並びにその場合の感染リスクが何れが好適であったか、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１２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。かかる場合には、例えば参照用増加傾向情報Ｐ０１で、参照用外部環境情報Ｐ２０である場合に、その感染リスクを過去のデータから分析する。例えば中間ノード６１ａの例では、感染リスクＡと感染リスクＢの出力にリンクしているが、以前の事例から感染リスクＡにつながるｗ１３の連関度を７点に、感染リスクＢにつながるｗ１４の連関度を２点に設定している。

図１２に示す連関度の例で、ノード６１ｂは、参照用増加傾向情報Ｐ０１に対して、参照用外部環境情報Ｐ１８の組み合わせのノードであり、感染リスクＣの連関度がｗ１５、感染リスクＥの連関度がｗ１６となっている。ノード６１ｃは、参照用増加傾向情報Ｐ０２に対して、参照用外部環境情報Ｐ１９、Ｐ２１の組み合わせのノードであり、感染リスクＢの連関度がｗ１７、感染リスクＤ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、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、新たに感染リスクの判定を行うユーザ並びにその相手から増加傾向情報に加え、外部環境情報を取得する。外部環境情報の取得方法は、参照用外部環境情報の取得方法と同様である。

このようにして新たに取得した増加傾向情報、外部環境情報に基づいて、感染リスクを探索する。かかる場合には、予め取得した図１２（表１）に示す連関度を参照する。例えば、新たに取得した増加傾向情報がＰ０２と同一かこれに類似するものである場合であって、新たに取得した外部環境情報に応じた参照用外部環境情報がＰ２１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、感染リスクＣがｗ１９、感染リスクＤが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い感染リスクＣ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感染リスクＤ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。

なお、外部環境情報の代替として、参照用市況情報と参照用増加傾向情報とを有する組み合わせの連関度を形成するようにしてもよい。ここでいう参照用市況情報とは、市況に関する様々な情報である。この参照用市況情報の例としては、金利、為替、各銘柄の株価、原油、先物、貴金属、ビットコイン等の値動きを対象としたものである。この参照用市況情報は、これらの対象について時系列的なチャートや折れ線グラフ等で表示されていてもよい。またボリンジャーバンド、出来高、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。また、この市況情報は、各銘柄のチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。為替についても各通貨間における値動きを示すチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。

かかる場合には、参照用増加傾向情報と、参照用増加傾向情報を取得した時点における市況に関する参照用市況情報とを有する組み合わせと、伝染病の感染リスクとの３段階以上の連関度を予め形成しておく。そして、新たに市況情報を取得した場合には、この連関度を参照する。新たに取得する市況情報の種類としては、参照用市況情報と同様である。市況情報の取得方法は、参照用市況情報の取得方法と同様である。取得した地域情報に対応する地域における参照用増加傾向情報と、取得した市況情報に応じた参照用市況情報とに基づき、ユーザの感染リスクを判定する。感染リスクの具体的な判定方法は、第１実施形態と同様である。

なお、外部環境情報の代替として、参照用混雑度合情報と参照用増加傾向情報とを有する組み合わせの連関度を形成するようにしてもよい。参照用混雑度合情報、混雑度合情報の詳細は、第１実施形態に説明したものと同様である。

かかる場合には、参照用増加傾向情報と、上記各地域における参照用混雑度合情報とを有する組み合わせに対する伝染病の感染リスクとの３段階以上の連関度を準備しておく。そして、新たに取得した地域情報に対応する地域における参照用増加傾向情報に加え、取得した地域情報に対応する地域における混雑度に応じた参照用混雑度合情報とに基づき、ユーザの感染リスクを判定する。感染リスクの具体的な判定方法は、第１実施形態と同様である。

なお、外部環境情報の代替として、参照用属性情報と参照用増加傾向情報とを有する組み合わせの連関度を形成するようにしてもよい。参照用属性情報、属性情報の詳細は、第１実施形態に説明したものと同様である。

かかる場合には、参照用増加傾向情報と、過去に検出したユーザの参照用属性情報とを有する組み合わせと、上記伝染病の感染リスクとの３段階以上の連関度を準備しておく。そして、新たに取得した地域情報に対応する地域における参照用増加傾向情報に加え、取得した属性情報に応じた参照用属性情報とに基づき、ユーザの感染リスクを判定する。

なお、外部環境情報の代替として、参照用感染歴情報と参照用増加傾向情報とを有する組み合わせの連関度を形成するようにしてもよい。参照用感染歴情報、感染歴情報の詳細は、第１実施形態に説明したものと同様である。

かかる場合には、参照用増加傾向情報と、過去に検出した各ユーザにおける伝染病の感染歴に関する参照用感染歴情報とを有する組み合わせと、伝染病の感染リスクとの３段階以上の連関度を準備しておく。そして、新たに取得した地域情報に対応する地域における参照用増加傾向情報と、ユーザから取得した感染歴情報に応じた参照用感染歴情報とに基づき、ユーザの感染リスクを判定する。

なお、外部環境情報の代替として、参照用健康情報情報と参照用増加傾向情報とを有する組み合わせの連関度を形成するようにしてもよい。ここでいう参照用健康情報、健康情報とは、バイタルセンサを介してユーザから検出された、身体に関するあらゆる情報という。ここでいうバイタルセンサとしては、体温、脈拍、脈波、心拍数、血圧等を測定する温度計やセンサで構成されている。このような健康に関する体温、脈拍、脈波、心拍数、血圧等の情報も、感染リスクを判定する上で極めて重要な情報となる。

かかる場合には、参照用増加傾向情報と、過去にバイタルセンサを介して検出した各ユーザの参照用健康情報とを有する組み合わせと、上記伝染病の感染リスクとの３段階以上の連関度を予め形成しておく。そして、新たにバイタルセンサを介してユーザから健康情報を検出した場合には、取得した地域情報に対応する地域における参照用増加傾向情報と、取得した健康情報に応じた参照用健康情報とに基づき、ユーザの感染リスクを判定する。

なお、外部環境情報の代替として、参照用気候情報と参照用増加傾向情報とを有する組み合わせの連関度を形成するようにしてもよい。ここでいう参照用気候情報、気候情報とは、気候に関するあらゆる情報という。ここでいう参照用気候情報、気候情報としては、温度、湿度、天候（晴、曇、雨等）、降水量、風速、風向等、気候に関するあらゆる情報を示す。特に風邪やインフルエンザ等のウィルスは、冬の乾燥している時期に流行しやすいため、このような参照用気候情報を参照し、ユーザの感染リスクを判定する。

かかる場合には、参照用増加傾向情報と、各地域における気候に関する参照用気候情報とを有する組み合わせに対する伝染病の感染リスクとの３段階以上の連関度を取得しておく。そして、新たに取得した地域情報に対応する地域における参照用増加傾向情報と、取得した気候情報に応じた参照用気候情報とに基づき、ユーザの感染リスクを判定する。

なお、第２実施形態では、増加傾向情報に加えて、混雑度合情報、外部環境情報、市況情報、属性情報、感染歴情報、健康情報、気候情報等の何れか２以上を取得する場合には、その取得する２以上の情報に応じた、２以上の参照用情報（参照用混雑度合情報、参照用外部環境情報、参照用市況情報、参照用属性情報、参照用感染歴情報、参照用健康情報、参照用気候情報等）を参照用増加傾向情報との組み合わせと、当該組み合わせに対する感染リスクとの３段階以上の連関度からなる学習用データを作っておくことで、同様に解探索を行うことができる。

また、増加傾向情報に加えて、混雑度合情報、外部環境情報、市況情報、属性情報、感染歴情報、健康情報、気候情報等の何れか１以上に加え、更に、他の情報を取得する場合も同様に、その取得する情報に応じた参照用混雑度合情報、参照用外部環境情報、参照用市況情報、参照用属性情報、参照用感染歴情報、参照用健康情報、参照用気候情報等と、他の取得する情報に応じた参照用情報との組み合わせと、当該組み合わせに対する感染リスクとの３段階以上の連関度からなる学習用データを作っておくことで、同様に解探索を行うことができる。

また、第１実施形態においては、参照用混雑度合情報を基調とし、これに参照用属性情報、参照用感染歴情報、参照用自覚情報、参照用画像情報、参照用生活情報等を組み合わせて連関度を構成する例について説明した。第２実施形態においては、参照用増加傾向情報に加え、参照用混雑度合情報、参照用外部環境情報、参照用市況情報、参照用属性情報、参照用感染歴情報、参照用健康情報、参照用気候情報等を組み合わせて連関度を構成する例について説明した。

第１実施形態、第２実施形態ともに、これらに限定されるものではなく、他のいかなる参照用情報（参照用属性情報、参照用感染歴情報、参照用自覚情報、参照用画像情報、参照用生活情報、参照用外部環境情報、参照用市況情報、参照用健康情報、参照用気候情報）を基調とし、この基調とした参照用情報に対して他の異なる参照用情報とを組み合わせて連関度を構成するようにしてもよい。かかる場合には、その組み合わせを構成する参照用情報に応じた情報の入力を受けて解探索が行われることは勿論である。

また、第１実施形態、第２実施形態ともに、上述した実施の形態に限定されるものでは無く、例えば図１３に示すように、基調となる参照用情報と、感染リスクとの３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた参照用情報と感染リスクとの３段階以上の連関度に基づき、解探索を行うことになる。

これらの場合も同様に、学習用データとして用いられた参照用情報に応じた情報が入力された場合に、上述した方法に基づいて解探索が行われることとなる。

連関度を通じて求められる探索解は、更に、他の参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう他の参照用情報とは、上述した参照用情報（参照用混雑度合情報、参照用増加傾向情報、参照用属性情報、参照用感染歴情報、参照用自覚情報、参照用画像情報、参照用生活情報、参照用外部環境情報、参照用市況情報、参照用健康情報、参照用気候情報）の何れかを基調となる参照用情報とした場合、当該基調となる参照用情報以外のいかなる参照用情報に該当する。

例えば、他の参照用情報の一つとして、参照用感染歴情報において、以前において感染リスクの判別対象となるウィルスに感染した経緯があったものとする。このような場合であれば、免疫ができているため感染のリスクが低くなる場合が多い。このとき、感染リスクが高いＡに対して、重み付けを下げる処理を行い、換言すれば感染リスクが低い探索解につながるようにする処理を行うように予め設定しておく。

例えば、他の参照用情報Ｇが、より感染のリスクが高いレベルを示唆するような分析結果であり、参照用情報Ｆが、より感染のリスクが低いレベルを示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、感染のリスクが高いレベルの重み付けを上げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、感染のリスクが低いレベルの重み付けを上げる処理を行う。つまり、感染のリスクにつながる連関度そのものを、この参照用情報Ｆ〜Ｈに基づいてコントロールするようにしてもよい。或いは、感染のリスクを上述した連関度のみで決定した後、この求めた探索解に対して参照用情報Ｆ〜Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ〜Ｈに基づいてどのように探索解にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。

また参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて解探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する感染のリスクがより高いものにつながるケースほど、連関度を介して求められた探索解としての感染のリスクをより高く修正し、参照用情報の示唆する感染のリスクがより低いものにつながるケースほど、連関度を介して求められた探索解としての感染のリスクをより低く修正するようにしてもよい。

１ 伝染病感染リスク判定システム
２ 探索装置
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 (9)

1. 伝染病の感染リスクを判定する感染リスク判定プログラムにおいて、
   判定対象のユーザの位置情報に対応した地域における地域情報を取得する情報取得ステップと、
   伝染病の増加傾向に関する参照用増加傾向情報と、上記伝染病の感染リスクとの３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域情報に対応する地域における参照用増加傾向情報に基づき、上記ユーザの感染リスクを判定する判定ステップとをコンピュータに実行させること
   を特徴とする伝染病感染リスク判定プログラム。
2. 上記判定ステップでは、上記参照用増加傾向情報と、上記各地域における参照用混雑度合情報とを有する組み合わせに対する上記伝染病の感染リスクとの３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域情報に対応する地域における参照用増加傾向情報と、上記情報取得ステップにおいて取得した地域情報に対応する地域における混雑度に応じた参照用混雑度合情報とに基づき、上記ユーザの感染リスクを判定すること
   を特徴とする請求項１記載の伝染病感染リスク判定プログラム。
3. 上記情報取得ステップでは、外部環境に関する外部環境情報を取得し、
   上記判定ステップでは、上記参照用増加傾向情報と、上記参照用増加傾向情報を取得した時点における外部環境に関する参照用外部環境情報とを有する組み合わせと、上記伝染病の感染リスクとの３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域情報に対応する地域における参照用増加傾向情報と、取得した外部環境情報に応じた参照用外部環境情報とに基づき、上記ユーザの感染リスクを判定すること
   を特徴とする請求項１記載の伝染病感染リスク判定プログラム。
4. 上記情報取得ステップでは、市況に関する市況情報を取得し、
   上記判定ステップでは、上記参照用増加傾向情報と、上記参照用増加傾向情報を取得した時点における市況に関する参照用市況情報とを有する組み合わせと、上記伝染病の感染リスクとの３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域情報に対応する地域における参照用増加傾向情報と、取得した市況情報に応じた参照用市況情報とに基づき、上記ユーザの感染リスクを判定すること
   を特徴とする請求項１記載の伝染病感染リスク判定プログラム。
5. 上記情報取得ステップでは、上記判定対象のユーザの属性情報を取得し、
   上記判定ステップでは、上記参照用増加傾向情報と、過去に検出したユーザの参照用属性情報とを有する組み合わせと、上記伝染病の感染リスクとの３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域情報に対応する地域における参照用増加傾向情報と、取得した属性情報に応じた参照用属性情報とに基づき、上記ユーザの感染リスクを判定すること
   を特徴とする請求項１記載の伝染病感染リスク判定プログラム。
6. 上記情報取得ステップでは、上記判定対象のユーザの上記伝染病の感染歴に関する感染歴情報を取得し、
   上記判定ステップでは、上記参照用増加傾向情報と、過去に検出した各ユーザにおける上記伝染病の感染歴に関する参照用感染歴情報とを有する組み合わせと、上記伝染病の感染リスクとの３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域情報に対応する地域における参照用増加傾向情報と、取得した感染歴情報に応じた参照用感染歴情報とに基づき、上記ユーザの感染リスクを判定すること
   を特徴とする請求項１記載の伝染病感染リスク判定プログラム。
7. 上記情報取得ステップでは、バイタルセンサを介してユーザから検出された健康情報を更に取得し、
   上記判定ステップでは、上記参照用増加傾向情報と、過去にバイタルセンサを介して検出した各ユーザの参照用健康情報とを有する組み合わせと、上記伝染病の感染リスクとの３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域情報に対応する地域における参照用増加傾向情報と、取得した健康情報に応じた参照用健康情報とに基づき、上記ユーザの感染リスクを判定すること
   を特徴とする請求項１記載の伝染病感染リスク判定プログラム。
8. 上記情報取得ステップでは、判定対象のユーザの位置情報に対応した地域における気候に関する気候情報を更に取得し、
   上記判定ステップでは、上記参照用増加傾向情報と、上記各地域における気候に関する参照用気候情報とを有する組み合わせに対する上記伝染病の感染リスクとの３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域情報に対応する地域における参照用増加傾向情報と、上記情報取得ステップにおいて取得した気候情報に応じた参照用気候情報とに基づき、上記ユーザの感染リスクを判定すること
   を特徴とする請求項１記載の伝染病感染リスク判定プログラム。
9. 上記判定ステップでは、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を利用すること
   を特徴とする請求項１〜８のうち何れか１項記載の伝染病感染リスク判定プログラム。

Images