JP2021196773A - 生活習慣予測装置、生活習慣予測方法、生活習慣予測プログラム及び予測モデル生成方法 - Google Patents

Abstract

【課題】健診結果に基づいて各個人の生活習慣を予測する。【解決手段】異なる複数のタイミングで対象者から得られた生体データと、生体データと関連して対象者から得られた、生活習慣に関する質問に対する回答とを受け付ける受付部１１１と、過去に複数の被検者から異なる複数のタイミングで得られた生体データ及び生体データと関連して複数の被検者から得られた質問に対する回答を含む履歴データを利用して生成された予測モデルにより、受付部で受け付けた生体データ及び回答とから、将来の任意の時点の対象者の生活習慣を予測する予測部１１２とを備える。【選択図】図１

Description

本発明は、健診結果に基づいて各個人の生活習慣を予測する生活習慣予測装置、生活習慣予測方法、生活習慣予測プログラム及び予測モデル生成方法に関する。

高齢化に伴い、個人の健康管理の重要性が増している。個人の日頃の対策により、病気の予防、早期発見、重症化の予防を実現することができる。このためには、定期健康診断の受診率の増加や、健診結果の有効活用が重要である。例えば、定期健康診断の健診結果から、各個人に有効な情報が提供されれば、病気の予防、早期発見、重症化の予防等に役立てることができる。例えば、各個人に合った情報を提供することで、生活習慣を改善し、病気を予防することができる。

例えば、特許文献１では、ユーザに将来発症する可能性のある疾病を予測する技術が開示される。特許文献１に記載の技術では、ユーザにおける疾病の発症の予測に、ユーザの親族の診療データを用いるものである。ところで、疾病の発症を予測するだけでなく、予防に有効な情報を提供できることが好ましい。

特開２０２０−１３２４６号公報

上記に鑑み、本発明は、健診結果に基づいて将来の生活習慣を予測する生活習慣予測装置、生活習慣予測方法、生活習慣予測プログラム及び予測モデル生成方法を提供する。

本開示に係る生活習慣予測装置は、異なる複数のタイミングで対象者から得られた生体データと、当該生体データと関連して前記対象者から得られた、生活習慣に関する質問に対する回答とを受け付ける受付部と、複数の被検者から異なる複数のタイミングで得られた生体データ及び生体データと関連して過去に前記複数の被検者から得られた前記質問に対する回答を含む履歴データを利用して生成された予測モデルにより、受け付けた前記生体データ及び前記回答とから、将来の任意の時点の前記対象者の生活習慣を予測する予測部と、を備える。

本開示の生活習慣予測装置、生活習慣予測方法、生活習慣予測プログラム及び予測モデル生成方法によれば、対象者の将来の生活習慣を予測することができる。

本開示の生活習慣の予測を説明する概略図である。 予測モデル生成装置を表すブロック図である。 予測モデルの生成に利用する履歴データの一例である。 疾患のリスクの予測を説明する図である。 隠れマルコフモデルを説明するダイアグラムである。 問診結果の変遷を説明する図である。 疾患リスクの変遷を説明する図である。 予測モデルの生成で算出されたパラメータの関係を説明する概略図である。 予測モデルの生成を説明するフローチャートである。 開始確率の算出を説明する概略図である。 遷移確率行列の算出を説明する概略図である。 出力確率行列の算出を説明する概略図である。 生活習慣予測装置を表すブロック図である。 生活習慣の予測に利用される健診結果データの一例である。 生活習慣の予測に利用される問診結果データの一例である。 疾患リスクの予測結果の一例である。 生活習慣の予測結果の一例である。 疾患リスク及び生活習慣の予測結果から導かれた改善の一例である。 ユーザに提案される提案データの一例である。 生活習慣の予測を説明するフローチャートである。 本開示の生活習慣の予測の検証結果を表す表である。

本発明の生活習慣予測装置、生活習慣予測方法、生活習慣予測プログラム及び予測モデル生成方法は、健診結果等を利用して、対象者の生活習慣を予測するものである。

本開示において、「健診」とは、病気の予防・早期発見、健康の保持等の目的で、医師等の医療従事者により対象者の疾患の有無等の診断することであり、種々のデータを取得し、診断することを意味する。例えば、職場や保険組合等で定期的に行われる健康診断である。具体的には、体重、身長、腹囲等の計測、計測値を用いたＢＭＩ値等の種々の値の演算、採血、採尿、心電図、画像データの取得、医師の診断等を含むものとする。

「健診結果」とは、健診の結果であり、例えば、バイオマーカーである。具体的には、健診結果には、体重、身長、腹囲、血圧等の種々の計測値、血液検査や採尿検査で得られた血糖値やコレステロール値等の値、これらの値から演算された値を含み得る。また、健診結果には、画像撮影で得られたデータ、心電図、骨密度等のデータを含み得る。さらに、健診結果には、これらの値やデータから医師により判断された疾患のリスクを含むことができる。例えば、疾患のリスクは、ある疾患を発症している可能性や、ある疾患を将来発症する可能性を表す「低」、「中」、「高」等のレベルである。

「問診」とは、健診で医師等が疾患の有無等の判断の目的のために質問することであるとする。例えば、問診には、運動量、食習慣、食の嗜好、睡眠量等に関する質問をすることが考えられる。なお、ここでは、説明を簡単にするため、「問診」は、「健診」に含まれるものではなく、「健診」と関連して行われる質問であるとして説明する。例えば、健診の際中に実際に医師等により質問される場合であっても、「健診」と「問診」は別のものとして説明する。また、健診と問診とは必ずしも同時に行われるものでなくてもよい。例えば、健診を受ける前に、対象者が予め配付された問診に回答する場合には同時に行われるものではないが、この問診は健診と関連付けられる時期に行われる。したがって、健診と問診とは、このように関連するタイミングで行われるものであればよい。

「問診結果」とは、問診に対する対象者の回答であるとする。なお、健診結果に含まれる疾患のリスクは、健診で得られた値やデータとともに、この問診結果を合わせて求めることができる。問診では、病歴、病状、生活習慣等、様々な種類のものがある。一方、本開示は、対象者の生活習慣を予測するものである。したがって、以下では、生活習慣を予測するために利用する問診結果として、生活習慣に関する問診結果を利用するものとする。

「生活習慣」とは、生活するうえで対象者に固定した行動様式であるとする。例えば、生活習慣には、食、運動、睡眠等に関する行動様式が挙げられる。

「疾患」とは、一般的な「病気のうち、特に原因、症状、治療法等が比較的はっきりしているもの」という定義に限らず、人間の体に不調が生じた状態を広く解釈し、病気、疾病等も含むものとする。ここでは、疾患は、特に、生活習慣に影響して発症するものを対象とする。

〈生活習慣予測の概要〉
図１の概略図で示すように、健診では、医師Ｕ１等の医療従事者が、対象者Ｕ２から種々の値を計測する等により、対象者Ｕ２の健診結果データ１２１を得ることができる。また、健診では、医師Ｕ１等は、対象者Ｕ２に問診し、対象者Ｕ２の問診結果データ１２２を得ることができる。なお、健診結果データ１２１は、計測等によって得られた値から求められた『ある疾患のリスク』に関する項目を含む場合もある。

本開示の生活習慣予測装置１では、対象者Ｕ２の複数年分の健診結果データ１２１及び問診結果データ１２２を利用し、予測モデルＭにより、対象者Ｕ２の将来の疾患のリスク及び生活習慣を予測する。また、本開示の生活習慣予測装置１で利用される予測モデルＭは、予測モデル生成装置２により生成される。

〈予測モデル生成装置〉
まず、図２を用いて、上述の予測モデルＭを生成する予測モデル生成装置２について説明する。図２に示すように、実施形態に係る予測モデル生成装置２は、データの処理を実行するＣＰＵ等の制御部２１、データを記憶するＲＡＭやＲＯＭ等の記憶部２２、ネットワークを介して外部の装置等との間でデータの送受信を実行する通信部２３、データの入力に利用される入力部２４及びデータの出力に利用される出力部２５を備える。例えば、この予測モデル生成装置２で生成された予測モデルＭが、生活習慣予測装置１に提供され、利用される。

予測モデル生成装置２は、記憶部２２に記憶される予測モデル生成プログラムＰ２が実行されることで、制御部２１が、確率演算部２１１と、モデル生成部２１２としての処理を実行する。記憶部２２は、予測モデル生成プログラムＰ２の他、履歴データ２２１と、演算で得られた確率データ２２２と、生成された予測モデルＭとを記憶する。なお、予測モデル生成装置２は、複数のコンピュータで構成されていてもよい。例えば、データの一部が、他の装置に記憶されており、そのデータを読み出すように構成されていてもよい。具体的には、履歴データ２２１が外部の記憶装置に記憶されており、予測モデル生成装置２がこれらの記憶装置から必要なタイミングで履歴データ２２１を読み出して利用する構成であってもよい。

《予測モデル》
ここで、図３Ａ乃至図７を用いて、予測モデルＭについて説明する。予測モデルＭは、図３Ａに示すような複数の被検者Ａ、Ｂ、…から過去の健診等で得られた履歴データ２２１を利用し、機械学習により生成されたモデルである。

具体的には、履歴データ２２１は、複数の被検者から過去に得られた健診結果データと、これら複数の被検者から健診結果データの取得と関連して得られた問診結果データと、これら複数の被検者について健診結果データから得られた疾患リスクに関する疾患リスクデータとを含む。ここで対象とする所定の疾患は、生活習慣に関連する疾患である。例えば、所定の疾患は、『糖尿病』、『メタボリックシンドローム』、『高脂血症』、『高血圧症』、『高尿酸血症』等のいわゆる『生活習慣病』といわれる疾患である。例えば、履歴データ２２１は、図３Ａに示すように、３０００人分の、毎年の健診で得られた７年分の健診結果データと、毎年の健診で得られた７年分の問診結果データと、７年分の健診結果データから得られた各疾患に関する各年の翌年の疾患リスクデータとを含む。なお、ここでは、３０００人分の、毎年の健診でえられた７年分のデータの例で説明するが、何人分及び何年分のデータを利用するかについては限定されない。

疾患リスクデータは、健診結果データから求めることができる。例えば、疾患毎に所定のリスクとする健診結果データの値が予め定められる。具体的には、「Ａ値がｘ１以上、かつＢ値がｘ２以上の場合、糖尿病のリスクを『高』とする」等の条件が予め定められる。したがって、このように定められるリスクの条件により、仮に、過去の疾患リスクデータがない場合であっても、過去の健診結果データにより、過去の疾患リスクデータを導くことが可能である。

また、疾患リスクの発生毎に、リスクが継続する期間が定められる。例えば、リスクの程度毎に、その疾患リスクが継続する期間が予め定められる。糖尿病の場合、具体的には、「糖尿病のリスクが継続的に『中』もしくは『高』とされた場合、『リスクあり』の期間とする」等期間の条件が定められる。したがって、このように疾患毎に定められるリスクの期間の条件により、過去のリスクデータにより、将来のリスクを予測することができる。

例えば、図３Ｂに示すように、ある疾患リスクについて、過去の健診結果データから、各年における被検者Ａ〜Ｄのリスクの「あり」又は「なし」が決められたとする。この場合、最新で継続的に「リスクあり」となっている年数を「リスクあり期間」とする。具体的には、被検者Ａについては、リスクありが「２年」続いているため、「２年」を「リスクあり期間」とする。被検者Ｂについても、「２年」を「リスクあり期間」とする。さらに、被検者Ｃについては「３年」を「リスクあり期間」とする。なお、被検者Ｄについては、「リスクあり」が継続している期間がないため、「リスクあり期間」が「０年」となる。

なお、「リスクあり期間」が終わらないまま、観察期間が完了した場合、「打ち切り」と定義する。図３Ｂに示す例では、「打ち切り」は、被検者Ａ及び被検者Ｂのように、最新の健診結果データにおいて、「リスクあり」とされている場合である。一方、被検者Ｂについては、最新の健診結果データにおいて、リスクが消滅している。また、被検者Ｄについては、全ての期間について「リスクなし」とされている。

そして、これらの「リスクあり期間」を利用して、確率モデル（例えば、Cox比例ハザードモデル）を応用し、次の未知の年にリスクがありそうか否かを予測する。このとき、「リスクあり」と予測するための確率の閾値を定義する。（例えば、確率70パーセント以上だったらリスクあり、それより低かったらリスクなし等のように閾値を設定する。また、ここで予測モデルＭでは、予測される将来の各疾患リスクの有無に応じて、後に実行される生活習慣の予測の要否を判断する。具体的には、予測モデルＭは、疾患リスクがありと予測した場合、その後の処理で生活習慣を予測する。

なお、履歴データ２２１に含まれる各被検者の健診結果データは、同一のタイミングで取得されたものである必要はない。すなわち、被検者Ａの健診結果データは、２０１２年〜２０１８年に取得されたものであり、被検者Ｂの健診結果データは、２０１５年〜２０１９年に取得されたものである等のように、それぞれ異なるタイミングで取得されたものであってもよい。

予測モデル生成装置２は、図３を用いて上述したような履歴データ２２１の関係、具体的には、過去の複数の異なるタイミングで取得された複数の被検者の健診結果と、健診結果と関連して取得された過去の問診結果と、健診結果から得られた各疾患に関する翌年の疾患リスクとの関係を学習し、予測モデルＭを生成する。具体的には、予測モデル生成装置２は、このような履歴データ２２１の関係から、後述するように、『潜在変数』、『観測値』を特定し、『開始確率』、『遷移確率』及び『出力確率』のパラメータとして表す予測モデルＭを生成する。これにより、予測モデルＭは、過去の異なる複数のタイミングで取得された、対象者の健診結果、問診結果及び疾患リスクを入力として、将来の任意の時点の対象者の特定の疾患のリスクと、生活習慣とを予測することができる。なお、ここでは、予測モデルＭは、対象者の過去の健診結果、問診結果及び疾患リスクを入力として対象者の将来の疾患リスク及び生活習慣を予測するものとして説明するが、過去の疾患リスクは、過去の健診結果から導くことができる。したがって、予測モデルＭへの入力は、過去の健診結果及び問診結果のみとし、予測モデルＭにおいて過去の疾患リスクを演算するものであってもよい。また、予測モデルＭの生成については、図８のフローチャートを用いて後述する。

《隠れマルコフモデル》
ここで、予測モデルＭで生活習慣の予測に利用する隠れマルコフモデルについて、図４を用いて説明する。なお、Ｎは自然数である。隠れマルコフモデル（Hidden Markov Model: HMM）は確率モデルの一つであり、下記２つの時系列変遷を含む。
（１）マルコフ連鎖である潜在変数プロセス｛Ｃ_t：ｔ=１，２… ｝
（２）上記の潜在変数｛Ｃ_t｝に依存する観測値プロセス｛Ｘ_t：ｔ=１，２ …｝

「マルコフ連鎖」とは、現在（ｔ）の状態は、一つ前（ｔ−１）の状態のみに依存するという性質を満たす離散変数の連続である。また、この性質のことを「マルコフ性」という。また、それぞれの時間（ｔ）において観測値Ｘ_tは潜在変数Ｃ_tのみに依存する。図４では、潜在変数Ｃ₂の状態は潜在変数Ｃ₁に依存し、潜在変数Ｃ₃の状態は潜在変数Ｃ₂に依存し、潜在変数Ｃ₄の状態は潜在変数Ｃ₃に依存することを示す。また、図４では、観測値Ｘ₁は潜在変数Ｃ₁にのみ依存し、観測値Ｘ₂は潜在変数Ｃ₂にのみ依存し、観測値Ｘ₃は潜在変数Ｃ₃にのみ依存し、観測値Ｘ₄は潜在変数Ｃ₄にのみ依存することを示す。

ここで、隠れマルコフモデルは、図４で（Ａ）〜（Ｃ）に一例を示す３種類のパラメータで表される。
（Ａ）開始確率：１回目の状態を決めるための確率
（Ｂ）遷移確率：一つ前の状態から、現在の状態を決めるための確率（状態遷移の確率）
（Ｃ）出力確率：同一時期での、潜在変数から観測値を決めるための確率

図５は、２０１５年〜２０１９年に毎年行われた健診の際に、同一の対象者Ｕ２から得られた問診結果の一例である。具体的には、「外食が多いか」の問診に対する問診結果の一例である。図５に示す例では、この対象者Ｕ２からは、毎年「いいえ」という問診結果が得られたことが分かる。

ところで、同一人物の生活習慣が１年で急に大きく変化することは少ない。したがって、ある生活習慣に関する問診に対する翌年の問診結果を予測する場合に、今年の問診結果と大きく変化しないと考えることができる場合がある。言い換えれば、生活習慣に関する問診結果は、前年の問診結果の影響を受けていると考えられる。すなわち、問診結果の時系列データは、図４に示した潜在変数Ｃ_tに当てはめることが可能であり、「マルコフ性」を有すると仮定することができる。具体的には、図５に示すように、「外食が多いか」の問診に対して、対象者Ｕ２の問診結果が今年「いいえ」であった場合、翌年の問診結果は、今年の問診結果である「いいえ」に大きく依存すると考えることができる。

なお、ここでは、２年経つと、前年とは生活習慣が変わる可能性も高くなり、２年以上前の生活習慣を考慮する必要はないものと仮定するが、その期間は、状況に応じて設定することが好ましい。例えば、必ずしも１年である必要はなく、１年半、半年等のように設定することができる。これらは、１次マルコフモデルの場合であるが、これに限定されない。すなわち、ｎ次マルコフモデルを利用することも考えられる。具体的には、２年経過しても生活習慣が変わる可能性が低いと考えられる場合、ある年の生活習慣に、１年前及び２年前の生活習慣を考慮するようにすることができる。また、毎年の定期健康診断は、同時期に受ける場合が多いが、その年によって５月、６月、７月等のように受ける時期が異なることがある。したがって、正確に１年毎と区切る必要はなく、前年、今年、翌年等のようにある範囲内で特定することができればよい。

上述したように、健診結果には、計測値やデータ等を含む。また、健診結果は、これら計測値やデータ等から決定される所定の疾患リスクを含むこともできる。ここで、計測値やデータ等は、そのときの生活習慣に依存すると考えることができる。したがって、これらの計測値やデータ等から決定される所定の疾患リスクも、そのときの生活習慣に依存すると考えることができる。例えば、図６に示すように、対象者Ｕ２に対し、図５の問診と関連するタイミングで行われた健診で疾患リスクが得られたとき、この疾患リスクは、実際には、同年の健診結果によって導かれた問診結果のみに依存すると予測することができる。すなわち、疾患リスクの時系列データは、図４に示した観測値Ｘ_tに当てはめることが可能であり、生活習慣に関する問診結果を『潜在変数』と考えるとき、疾患リスクをこの潜在変数に依存する『観測値』と考えることができる。

したがって、このようにして得られる予測モデルＭは、図４で示した隠れマルコフモデルを用いると、図７に示すように、（Ａ）開始確率、（Ｂ）各潜在変数についての遷移確率、（Ｃ）各潜在変数から観測値への出力確率で表される関係となる。具体的には、『開始確率』は、生活習慣の変遷の初年度の状態を決めるための確率である。また、『遷移確率』は、ある年から、次の年の生活習慣の変遷を決めるための確率である。『出力確率』は、各年の生活習慣の状態から、疾患リスクを決めるための確率である。そして、この予測モデルＭにより、例えば、２０１５年〜２０１９年の生活習慣についての問診結果と、検診結果から得られた疾患リスクとを利用し、２０２０年の疾患リスクと２０２０年の生活習慣とを予測することができる。したがって、予測モデルＭは、同一の被検者から得られた過去の回答をマルコフチェーンとして利用する隠れマルコフモデルである。

なお、予測モデルＭは、具体的には、図７に示す「予測１」と「予測２」を含むことができる。そして、「予測１」の部分は、上述した『疾患毎に定められるリスクの期間の条件』で表すことができる。そして、予測モデルＭでは、この「予測１」で「リスクあり」と予測された場合に、「予測２」が実行される。また、「予測２」の部分は、『（Ａ）開始確率』、『（Ｂ）遷移確率』、及び、『（Ｃ）出力確率』で表すことができる。

《予測モデルの生成》
続いて、図８のフローチャートを用いて予測モデルＭの生成処理について説明する。
まず、確率演算部２１１は、潜在変数となる対象の生活習慣を表す問診を選択する（Ｓ０１）。例えば、確率演算部２１１は、履歴データ２２１に含まれる複数の問診から『外食が多い？』を選択する。これにより、確率演算部２１１は、後段の処理で、『外食』の生活習慣に関する『開始確率』、『遷移確率』及び『出力確率』を求めることになる。

確率演算部２１１は、ステップＳ０１で選択した問診の開始確率を算出する（Ｓ０２）。開始確率は、履歴データ２２１から、各被検者が対象の問診に対し、初年度の問診結果の割合に応じて決定する。例えば、図９に示すように、問診が『外食は多い？』であり、１９．１７％の被検者の初年度の問診結果が『はい』であり、８０．８３％の被検者の初年度の問診結果が『いいえ』であるとき、『外食が多い？』の『はい』に対する開始確率は『０．１９１７』であり、『いいえ』に対する開始確率は『０．８０８３』となる。

確率演算部２１１は、ステップＳ０１で選択した問診の遷移確率を求め、遷移確率行列を算出する（Ｓ０３）。例えば、図１０に示すように、問診が『外食は多い？』に対する問診結果が『はい』であった被検者を対象としたとき、翌年の問診結果も『はい』となる被検者は７４．２８％であり、『いいえ』となる被検者は２５．７２％であったとする。また、同様に、問診結果が『いいえ』であった被検者を対象としたとき、翌年の回答結果が『はい』となる割合が６．２７％であり、『いいえ』となる被検者は９３．７３％であったとする。各遷移確率は、それぞれ『０．７４２８』、『０．２５７２』、『０．０６２７』、『０．９３７３』となるため、下記の遷移確率行列が算出される。そして、確率演算部２１１は、ビタビアルゴリズムを利用し、各問診と関連付けられる生活習慣について、確率的に最も起こりうる生活習慣変遷を求める。

なお、問診と関連付けられる生活習慣は、細分類化されたものである場合もある。例えば、仮に、『食べる速度が速いか』、『肉類をよく食べる』、『魚類をよく食べる』等の問診は、全て食習慣に関する生活習慣である。しかし、これらの食習慣に関する問診を全て１つの生活習慣として１つの遷移確率行列を求めるのではなく、問診毎を生活習慣として、問診毎に遷移確率行列を求める。具体的には、『食べる速度が速いか』、『肉類をよく食べる』、『魚類をよく食べる』等のそれぞれについて遷移確率行列を求める。

確率演算部２１１は、観測値となる疾患のリスクを特定する対象の疾患を選択する（Ｓ０４）。例えば、確率演算部２１１は、履歴データ２２１に含まれる疾患から、『糖尿病』を選択する。これにより、確率演算部２１１は、後段の処理で、対象の問診に関する『糖尿病』の『出力確率』を求めることになる。

確率演算部２１１は、ステップＳ０１で選択した問診の出力確率を求め、出力確率行列を算出する（Ｓ０５）。例えば、図１１に示すように、問診が『外食は多い？』であり、問診結果が『はい』である被検者は、『糖尿病』のリスクが『高』であった割合が７．６８％、『中』であった割合が１０．６５％、『低』であった割合が８１．６７％であったとする。また、問診結果が『いいえ』である被検者は、『糖尿病』のリスクが『高』であった割合が５．８３％、『中』であった割合が１０．３９％、『低』であった割合が８３．７８％であったとする。各出力確率は、それぞれ『０．０７６８』、『０．１０６５』、『０．８１６７』、『０．０５８３』、『０．１０３９』、『０．８３７８』となるため、下記の出力確率行列が算出される。

確率演算部２１１は、全ての疾患について、出力確率行列の算出がされたか否か判定する（Ｓ０６）。終了していない疾患がある場合（Ｓ０６でＮＯ）、ステップＳ０４に戻り、ステップＳ０４〜Ｓ０５の処理を繰り返し、各疾患について、出力確率行列を算出する。

該当する問診について、全ての疾患について処理が終了した場合（Ｓ０６でＹＥＳ）、確率演算部２１１は、ステップＳ０２で求めた開始確率、Ｓ０３で求めた遷移確率及びステップＳ０５で求めた出力確率を対象の問診の各確率として決定する（Ｓ０７）。

確率演算部２１１は、全ての問診について、開始確率、遷移確率及び出力確率の算出が終了したか否か判定する（Ｓ０８）。終了していない問診がある場合（Ｓ０８でＮＯ）、確率演算部２１１は、ステップＳ０１に戻り、ステップＳ０１〜Ｓ０８の処理を繰り返し、各問診について、開始確率、遷移確率及び出力確率を算出する。

全ての問診について開始確率、遷移確率及び出力確率が算出された場合（Ｓ０８でＹＥＳ）、モデル生成部２１２は、予め疾患毎に定められるリスクの期間の条件と、各問診について決定された開始確率、遷移確率及び出力確率とを予測モデルＭとする（Ｓ０９）。

〈生活習慣予測装置〉
実施形態に係る生活習慣予測装置１は、上述した隠れマルコフモデルを用いて、過去に得られた対象者の健診結果及び問診結果から、対象者の将来の生活習慣を予測するものである。図１２に示すように、実施形態に係る生活習慣予測装置１は、データの処理を実行するＣＰＵ等の制御部１１、データを記憶するＲＡＭやＲＯＭ等の記憶部１２、ネットワークを介して外部の装置等との間でデータの送受信を実行する通信部１３、データの入力に利用される入力部１４及びデータの出力に利用される出力部１５を備える。

生活習慣予測装置１は、記憶部１２に記憶される生活習慣予測プログラムＰが実行されることで、制御部１１が、受付部１１１と、予測部１１２と、生成部１１３と、提供部１１４としての処理を実行する。

記憶部１２は、生活習慣予測プログラムＰの他、健診結果データ１２１と、問診結果データ１２２と、疾患リスク１２３と、提案データ１２４と、予測モデルＭとを記憶する。

なお、生活習慣予測装置１は、複数のコンピュータで構成されていてもよい。例えば、データの一部が、他の装置に記憶されており、そのデータを読み出すように構成されていてもよい。具体的には、健診結果データ１２１、問診結果データ１２２、疾患リスク１２３及び予測モデルＭが外部の記憶装置に記憶されており、生活習慣予測装置１がこれらの記憶装置から必要なタイミングでデータ１２１〜１２３等を読み出して利用する構成であってもよい。

健診結果データ１２１は、異なる複数のタイミングで対象者Ｕ２から得られた生体データである。例えば、図１３に示すように、身長、体重、血圧等の各健診項目について得られた健診結果データである。図１３に示す例では、『健診日時』を関連付けることで、各健診結果の取得のタイミングを特定する。なお、図１３に示す健診結果データ１２１は、一例であり、生活習慣の予測に利用可能であれば、健診結果をどのような形式で記憶していてもよい。

問診結果データ１２２は、生体データである健診結果データ１２１と関連して、対象者Ｕ２から得られた、生活習慣に関する質問である問診に対する回答に関するデータである。例えば、図１４に示すように、健診結果データ１２１と関連して得られたことを特定する『健診日時』と、『問診』に関する情報と、『問診結果』とを関連付ける。図１４に示す問診は、「外食が多い」、「食べる量が多い」、「食べる速度が早い」、「肉類を良く食べる」、「魚類をよく食べる」、「歩く速度が早い」、「十分な睡眠がとれている」等に、「はい」又は「いいえ」で回答するものである。なお、図１４に示す問診結果データ１２２は、一例であり、生活習慣の予測に利用可能であれば、問診結果をどのような形式で記憶していてもよい。

疾患リスク１２３は、健診結果データ１２１から得られたものであり、対象者Ｕ２が所定の疾患を発症する程度を表すものである。なお、この疾患リスク１２３は、健診結果データ１２１に含まれるものであってもよい。

予測モデルＭは、上述したように、健診結果データ１２１、問診結果データ１２２及び疾患リスク１２３から、将来の任意の時点の対象者Ｕ２の特定の疾患のリスク及び生活習慣を予測するものである。

ここで、上述した予測モデル生成装置２が利用する履歴データ２２１が含む健診結果データは、受付部１１１が受け付ける健診結果データ１２１と同種のデータ、すなわち、同一の項目のデータであることが好ましい。具体的には、受付部１１１が受け付ける健診結果データ１２１と、予測モデルＭの生成に利用される履歴データ２２１が含む健診結果データとは、少なくとも、生活習慣の予測に利用する項目については、共通する。例えば、受付部１１１が受け付ける健診結果データ１２１が、肝機能検査の項目として『ＧＯＴ（ＡＳＴ）』、『ＧＰＴ（ＡＬＴ）』、『γ-ＧＴＰ』、『ＡＬＰ』を含み、これを生活習慣の予測に利用する場合、履歴データ２２１が含む健診結果データも、『ＧＯＴ（ＡＳＴ）』、『ＧＰＴ（ＡＬＴ）』、『γ-ＧＴＰ』、『ＡＬＰ』を含む。また、履歴データ２２１が含む健診結果データは、受付部１１１が受け付ける健診結果データと異なるタイミングで取得されたものであってよい。

また、履歴データ２２１が含む問診結果データも、受付部１１１が受け付ける問診結果データ１２２と同種のデータ、すなわち、同一の項目のデータであることが好ましい。具体的には、受付部１１１が受け付ける問診結果データ１２２と、履歴データが含む問診結果データとは、少なくとも、生活習慣の予測に利用する生活習慣の項目については、共通する。例えば、受付部１１１が受け付ける問診結果データ１２２が、『外食が多いか否か』、『食べる量が多いか否か』、『食べる速度が速いか否か』を含み、これらの生活習慣を予測対象とする場合、履歴データ２２１が含む問診結果データも、『外食が多いか否か』、『食べる量が多いか否か』、『食べる速度が速いか否か』を含む。

受付部１１１は、過去の異なる複数のタイミングで対象者Ｕ２から得られた生体データである健診結果データ１２１と、当該データと関連して対象者Ｕ２から得られた、質問に対する回答である問診結果データ１２２と、健診結果データ１２１から得られた疾患リスク１２３を受け付ける。受付部１１１は、受け付けた健診結果データ１２１、問診結果データ１２２及び疾患リスク１２３を、記憶部１２に記憶させる。『過去の異なる複数のタイミング』とは、例えば、毎年の定期健康診断毎のタイミングである。ここで、受付部１１１は、例えば、５年分等の所定年数分の健診結果データ１２１、問診結果データ１２２データ、及び疾患リスク１２３を受け付ける。

予測部１１２は、上述した予測モデルＭにより、受付部１１１が受け付けた健診結果データ１２１、問診結果データ１２２及び疾患リスク１２３とから、将来の任意の時点の対象者Ｕ２の疾患リスク及び生活習慣を予測する。『将来の任意の時点』は、受付部１１１が受け付ける健診結果データ１２１が得られた過去の異なる複数タイミングに応じて定められるものである。例えば、過去の異なる複数のタイミングが、１年毎の定期健康診断のタイミングであるとき、『将来の任意の時点』は、最後の健康診断から１年後のタイミングである。ただし、この『１年後』は、上述したように、正確な１年後である必要はなく、例えば、最後の健康診断が２０１９年である場合、将来の任意の時点は、２０２０年として広い期間を対象とすることができる。

生成部１１３は、予測部１１２で予測された疾患リスク及び生活習慣から、対象者Ｕ２への生活習慣の改善に関する提案データ１２４を生成する。例えば、図１５Ａに示すように翌年の各疾患リスクが予測され、図１５Ｂに示すように翌年の生活習慣が予測された場合、得られた各疾患リスクの予測結果（図１５Ａ）及び生活習慣の予測結果（図１５Ｂ）とから、図１５Ｃに示すような生活習慣に関する改善例を含む提案データ１２４を生成する。図１６に示す提案データ１２４は、図１５Ｃの生活習慣の改善例と対応している。具体的には、図１６に示す提案データ１２４は、対象者Ｕ２の『歩く速度』、『肉を食べる量』及び『睡眠量』については、『現状維持』と判断したが、『食べる速度』については、『ゆっくり食事をすること』を提案するものである。

提供部１１４は、生成部１１３が生成した提案データ１２４を、医師Ｕ１等や、対象者Ｕ２に提案する。具体的には、図１６に示すような、リスク表示部１２４ａ、予測生活習慣表示部１２４ｂ及び提案表示部１２４ｃを含む提案データ１２４を用紙に印刷したり、ディスプレイに表示したりすることで、対象者Ｕ２に必要な情報を提供する。したがって、これに基づき、対象者Ｕ２は、求められた生活習慣の改善の提案を確認することができる。図１６に示す例は、ディスプレイに表示する提案データ１２４の一例であり、右方向にスライドすることで、他の生活習慣の予測を表示することにより、例えば、対象者Ｕ２は、２０１９年の時点で、２０２０年の各疾患リスクの予測結果及び生活習慣の予測結果と、各生活習慣に関する改善提案を確認することができる。このような予測結果は、対象者Ｕ２が自身で確認する場合にも容易であるし、医師Ｕ１等がリスクのある対象者Ｕ２に介入する際にも役立てることができる。

なお、図１６に示す例のように、複数の疾患についてリスクがある場合、最もリスクが高い生活習慣について得られた結果を提案データ１２４の予測生活習慣表示部１２４ｂ及び提案表示部１２４ｃに表示するようにしてもよい。これにより、対象者Ｕ２は、最もリスクが高い疾患について予防することができる。

〈生活習慣予測の処理〉
図１７に示すフローチャートを用いて、生活習慣予測装置１において、疾患リスク及び生活習慣を予測する処理について説明する。
まず、受付部１１１は、対象者Ｕ２の複数年分の健診結果データ１２１、問診結果データ１２２及び疾患リスク１２３を受け付ける（Ｓ２１）。

予測部１１２は、予測モデルＭにより、ステップＳ２１で受け付けた健診結果データ１２１、問診結果データ１２２及び疾患リスク１２３を用いて、将来の任意の時点の疾患リスク及び生活習慣を予測する（Ｓ２２）。

生成部１１３は、ステップＳ２２で得られた将来の疾患リスク及び生活習慣の予測結果を用いて、提案データ１２４を生成する（Ｓ２３）。

提供部１１４は、ステップＳ２３で生成された提案データ１２４を医師Ｕ１や対象者Ｕ２等のユーザの端末（図示せず）等に出力することで、提案データ１２４をユーザに提供する（Ｓ２４）。

上述したように、生活習慣予測装置１により、過去の健診の健診結果データ１２１、問診結果データ１２２及び疾患リスク１２３から、将来の任意の時点の対象者Ｕ２の疾患リスク及び生活習慣を予測する。この生活習慣は、この任意の時点における対象者Ｕ２の疾患リスクに影響を与えるものである。したがって、生活習慣予測装置１が、現在から任意の時点での対象者Ｕ２への生活習慣の改善内容を提案することで、その疾患に直接影響を与える可能性の高い生活習慣の改善を促すことができる。これにより、対象者Ｕ２は、生活習慣予測装置１による提案にしたがって、健康の維持を図ることができる。

〈検証結果〉
図１８は、上述した生活習慣予測装置１を用いて、複数の対象者の過去６年分の健診結果データ１２１、問診結果データ１２２及び疾患リスク１２３から、生活習慣を予測した場合の予測精度の結果である。例えば、図１８の『１』の行は、『糖尿病』のリスクがあると診断された対象者の、過去６年分の健診結果データ１２１、問診結果データ１２２及び疾患リスク１２３から、今年の各生活習慣を予測した予測精度である。具体的には、今年、「糖尿病のリスクがある」と診断される対象者の『よく外食をするか否か』に関する生活習慣の予測精度は、「０．６０」であり、『肉をよく食べるか否か』の生活習慣に関する予測精度は、「０．７５」であり、『よく運動するか否か』の生活習慣に関する予測精度は、「０．７０」であり、各生活習慣の予測精度の平均値は、「０．７１」であったことを示す。

同様に、図１８の『２』の行は、今年に『糖尿病』のリスクがあると診断された対象者の、過去３年分の健診結果データ１２１、問診結果データ１２２及び疾患リスク１２３から、今年の各生活習慣を予測した予測精度である。具体的には、今年、「糖尿病のリスクがある」と診断される対象者の『よく外食をするか否か』に関する生活習慣の予測精度は、「０．６５」であり、『肉をよく食べるか否か』に関する生活習慣の予測精度は、「０．８６」であり、『よく運動するか否か』に関する生活習慣の予測精度は、「０．７４」であり、各生活習慣の予測精度の平均値は、「０．７６」であることを示す。

このように、図１８では、それぞれ『メタボリックシンドローム』、『高脂血症』、『高血圧症』及び『高尿酸血症』のリスクがと診断された対象者の各生活習慣の予測精度である。図１８によれば、各対象者Ｕ２の各生活習慣が高い精度で予測されたことが分かる。

このように、予測モデルＭにより、過去の健診結果データ１２１、問診結果データ１２２及び疾患リスク１２３を利用することで、将来の疾患リスク及び生活習慣を比較的高い精度で予測することができることが分かる。なお、疾患の種別毎に使用する過去の生活習慣に関する問診結果データ１２２を限定したり、重みをつけることでさらに高い精度で疾患リスク及び生活習慣を予測することが可能となると考えられる。また、性別や年齢を考慮した予測モデルＭを生成することでさらに高い精度で将来の疾患リスク及び生活習慣を予測することができると考えられる。したがって、これらの予測結果を総合的に利用することで、対象者に疾患リスクを低くするための生活習慣の改善等の有効な情報を提供することが可能となる。

〈変形例１〉
上述の実施の形態では、生活習慣予測装置１は、対象者Ｕ２の生活習慣を予測する。また、この対象者Ｕ２の生活習慣の改善を提案することができるものであった。これに対し、変形例に係る生活習慣予測装置１は、あるグループに所属する複数の対象者Ｕ２のデータを利用して、このグループに属する対象者Ｕ２に有効なカテゴリの情報を提供するものである。具体的には、ある企業に属する対象者Ｕ２に対し、例えば、毎年の健康診断毎に、健康を維持するための有効な情報を提供することができる。具体的には、このグループに属する対象者Ｕ２について、特定の疾患リスクが高いという場合、その疾患に関し有益な情報を提供してもよい。これは、単にニュースレターのようなレポート等で提供するだけでなく、健康を維持するために有益なセミナーワークショップ等のイベントを提供してもよい。

例えば、このグループに属する複数の対象者Ｕ２の生活習慣から、この複数の対象者Ｕ２が運動不足であると予測される場合、簡単な運動不足解消を紹介する種々の情報を提供することができる。またこのとき、対象者Ｕ２の属性の傾向に応じて、提供する情報を選択してもよい。具体的には、対象者Ｕ２の性別及び年齢から、５０代の男性の割合が多い場合、５０代の男性に有効な情報を提供するようにしてもよい。

〈変形例２〉
上述の例では、受付部１１１が、複数年分の毎年の健診結果データ１２１、問診結果データ１２２及び疾患リスク１２３を受け付けていたが、これに限定されない。変形例２に係る生活習慣予測装置１では、何らかの理由により、ある年の健診結果が抜けた場合、であっても、生活習慣を予測することができる。例えば、受付部１１１が、一部の期間を除いた定期的な複数回のタイミングで得られたデータを受け付ける場合もある。具体的には、生活習慣予測装置１が５年分の健診結果データ１２１、問診結果データ１２２及び疾患リスク１２３を用いて生活習慣を予測するとき、２０１３〜２０１７、２０１９年はあるが、２０１８年の健診結果データ１２１、問診結果データ１２２及び疾患リスク１２３が無いとする。このような場合、２０２０年の生活習慣を予測するためには、例えば、以下のような方法を利用してもよい。

（１）データがない年を除いた直近５年分のデータで生活習慣を予測する。
例えば、変形例２に係る生活習慣予測装置１では、予測部１１２は、一部の期間の前後に得られたデータを用いて、将来の任意の時点の対象者の生活習慣を予測する。具体的には、予測部１１２は、データを受け付けていない２０１９年の前後である２０１４年〜２０１７年及び２０１９年に取得されたデータを用いて、２０２０年の生活習慣を予測する。

（２）データがない年を近い年のデータで補間する。
例えば、変形例２に係る生活習慣予測装置１では、予測部１１２は、データを受け付けていない期間のデータについて、当該期間の前後に取得されたデータを用いて予測のデータを求め、求めた当該予測のデータと、受付部１１１が受け付けた生体データとを用いて、将来の任意の時点の対象者の生活習慣を予測する。具体的には、予測部１１２は、データを受け付けていない２０１８年の前後である２０１７年と２０１９年のデータの平均を２０１８年の予測のデータとして求める。そして、予測部１１２は、求めた予測の２０１８年のデータと、２０１４年〜２０１７年、２０１９年のデータとを用いて、２０２０年の生活習慣を予測する。

本開示の生活習慣予測装置、生活習慣予測方法及び生活習慣予測プログラムは、例えば、健診結果から予測した生活習慣から、対象者に有益な情報を提供する際に有用である。

１ 生活習慣予測装置
１１ 制御部
１１１ 受付部
１１２ 予測部
１１３ 生成部
１１４ 提供部
１２ 記憶部
１２１ 健診結果データ
１２２ 問診結果データ
１２３ 疾患リスク
１２４ 提案データ
２ 予測モデル生成装置
２１ 制御部
２１１ 確率演算部
２１２ モデル生成部
２２ 記憶部
２２１ 履歴データ
２２２ 確率データ
Ｍ 予測モデル
Ｐ 生活習慣予測プログラム
Ｐ２ 予測モデル生成プログラム

Claims (11)

1. 異なる複数のタイミングで対象者から得られた生体データと、当該生体データと関連して前記対象者から得られた、生活習慣に関する質問に対する回答とを受け付ける受付部と、
   過去に複数の被検者から異なる複数のタイミングで得られた生体データ及び当該生体データと関連して前記複数の被検者から得られた前記質問に対する回答を含む履歴データを利用して生成された予測モデルにより、前記受付部で受け付けた前記生体データ及び前記回答とから、将来の任意の時点の前記対象者の生活習慣を予測する予測部と、
   を備える生活習慣予測装置。
2. 前記予測モデルは、同一の被検者から得られた過去の回答をマルコフチェーンとして利用する隠れマルコフモデルである
   請求項１記載の生活習慣予測装置。
3. 予測された前記任意の時点の前記生活習慣から、前記対象者に生活習慣の改善内容を提案する提供部をさらに備える
   請求項１又は２に記載の生活習慣予測装置。
4. 前記過去の異なる複数のタイミングは、定期的な複数回のタイミングであり、前記任意の時点は、当該定期的なタイミングに基づいて決定される
   請求項１乃至３のいずれか１に記載の生活習慣予測装置。
5. 前記受付部が、一部の期間を除いた前記定期的な複数回のタイミングで得られた生体データ及び当該生体データと関連して得られた回答を受け付けた場合、
   前記予測部は、前記一部の期間の前後に得られた前記生体データ及び前記回答を用いて、将来の任意の時点の前記対象者の生活習慣を予測する
   請求項４に記載の生活習慣予測装置。
6. 前記受付部が、一部の期間を除いた前記定期的な複数回のタイミングで得られた生体データ及び当該生体データと関連して得られた回答を受け付けた場合、
   前記予測部は、前記生体データ及び前記回答を受け付けていない期間の生体データ及び回答について、当該期間の前後に取得された前記生体データ及び前記回答を用いて予測の生体データ及び予測の回答を求め、求めた当該予測の生体データ及び当該予測の回答と、前記受付部が受け付けた前記生体データ及び前記回答とを用いて、将来の任意の時点の前記対象者の生活習慣を予測する
   請求項４に記載の生活習慣予測装置。
7. 前記回答は、定期的な健康診断の問診で得られる回答であって、
   前記生体データは、前記健康診断で得られる結果である
   請求項１乃至６のいずれか１に記載の生活習慣予測装置。
8. 同一のグループに所属する複数の前記対象者の生活習慣を受け付け、複数の前記対象者に応じたカテゴリの情報を提供する
   請求項１乃至７のいずれか１に記載の生活習慣予測装置。
9. 異なる複数のタイミングで対象者から得られた生体データと、当該生体データと関連して前記対象者から得られた、生活習慣に関する質問に対する回答とを受け付け、
   過去に複数の被検者から異なる複数のタイミングで得られた生体データ及び当該生体データと関連して前記複数の被検者から得られた前記質問に対する回答を含む履歴データを利用して生成された予測モデルにより、受け付けた前記生体データ及び前記回答とから、将来の任意の時点の前記対象者の生活習慣を予測する、
   生活習慣予測方法。
10. 異なる複数のタイミングで対象者から得られた生体データと、当該生体データと関連して前記対象者から得られた、生活習慣に関する質問に対する回答とを受け付けるステップと、
    過去に複数の被検者から異なる複数のタイミングで得られた生体データ及び当該生体データと関連して前記複数の被検者から得られた前記質問に対する回答を含む履歴データを利用して生成された予測モデルにより、受け付けた前記生体データ及び前記回答とから、将来の任意の時点の前記対象者の生活習慣を予測するステップと、
    をコンピュータに実行させる生活習慣予測プログラム。
11. 過去に複数の被検者から異なる複数のタイミングで得られた生体データ及び当該生体データと関連して前記複数の被検者から得られた生活習慣に関する質問に対する回答を受け付け、
    受け付けた前記生体データ及び前記回答を利用し、新たに入力する異なる複数のタイミングで対象者から得られた生体データ及び当該生体データと関連して前記対象者から得られた前記質問に対する回答から、将来の任意の時点の前記対象者の生活習慣を予測する予測モデルを生成する、
    を含む予測モデル生成方法。

Images