JP2023116604A - 軽度認知障害判定システム - Google Patents

軽度認知障害判定システム Download PDF

Info

Publication number
JP2023116604A
JP2023116604A JP2023093214A JP2023093214A JP2023116604A JP 2023116604 A JP2023116604 A JP 2023116604A JP 2023093214 A JP2023093214 A JP 2023093214A JP 2023093214 A JP2023093214 A JP 2023093214A JP 2023116604 A JP2023116604 A JP 2023116604A
Authority
JP
Japan
Prior art keywords
subject
cognitive impairment
mild cognitive
data
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2023093214A
Other languages
English (en)
Inventor
正一 各務
Shoichi Kagami
悦朗 松原
Etsuro Matsubara
成志 木村
Shigeji Kimura
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TDK Corp
Original Assignee
TDK Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by TDK Corp filed Critical TDK Corp
Priority to JP2023093214A priority Critical patent/JP2023116604A/ja
Publication of JP2023116604A publication Critical patent/JP2023116604A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

【課題】軽度認知障害（ＭＣＩ）であるか否かを、脳糖代謝率などの被験者の情報を直接測定する必要がなく、容易に判定することができる新規な軽度認知障害判定システムを提供する。【解決手段】軽度認知障害判定システム１０００は、被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部１００１と、健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを判定するための第１判定モデルを記憶した判定モデル記憶部１００２と、前記被験者の前記属性データと、前記センサデータと、前記第１判定モデルに基づき、前記被験者が軽度認知障害者に該当するかを判定可能な判定情報を算出するＭＣＩ判定情報算出部１００３と、を有する。【選択図】図８

Description

本開示は、軽度認知障害判定システムに関する。また、本開示は、軽度認知障害判定システムに用いことができるセンサ装置、脳糖代謝率推定システム、海馬体積推定システム、灰白質体積推定システム、アミロイドβ蓄積量推定システム、ＭＭＳＥ点数推定システムにも関する。さらに、本開示は、軽度認知障害予測システム、軽度認知障害予防システム、軽度認知障害シミュレーションシステムにも関する。またさらに、本開示は、軽度認知障害判定システム、軽度認知障害予測システム、軽度認知障害予防システムを実行するためのコンピュータ・プログラムに関する。
認知症は、原因や進行状況によって、治療内容が異なる。このため、認知症の原因や進行状況を正確に診断することは必要である。一般に、認知症の原因や進行状況は脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量、ＭＭＳＥ（Ｍｉｎｉ Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ、精神状態短時間検査）の点数などの情報に基づいて総合的に診断する。しかしながら、これらの情報は、測定時間が長く、測定コストが高い。このため、簡便でかつ正確に認知症の原因や進行状態を判定することができる方法が検討されている。
例えば、特許文献１には、アルツハイマー型認知症、レビー小体型認知症、前頭側頭型認知症の３つの認知症に関して、被検者の睡眠時の生体データから睡眠データを生成し、その睡眠データと、上記３つの認知症に関する判定用データとを比較することにより、上記３つの認知症のリスクを判定するシステムが開示されている。
特許第６４１１１１１号公報
認知症の前段階である軽度認知障害（ＭＣＩ：Ｍｉｌｄ Ｃｏｇｎｉｔｉｖｅ Ｉｍｐａｉｒｍｅｎｔ）は、適切な対応を行なうことによって、認知症の発生を抑えることや改善を図ることが可能である。このため、ＭＣＩを早期に発見することができれば望ましい。また、将来にＭＣＩが発生するリスクを予測し、ＭＣＩの発生を予防することが可能となればより望ましい。
本開示に係る技術は、上記問題に鑑みて開発されたものである。本開示は、ＭＣＩであるか否かを、例えば、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量、ＭＭＳＥ点数などの被験者の情報を直接測定する必要がなく、容易に判定することができる新規な軽度認知障害判定システムを提供することを目的の一つとする。また、本開示は、ＭＣＩの発生を容易に予測することができる軽度認知障害判定予測システム、ＭＣＩの発生を予防することができる軽度認知障害判定予防システム、及びＭＣＩの発生する確率をシミュレーションすることができる軽度認知障害シミュレーションシステムを提供することも、その目的の一つとする。さらに、本開示は、ＭＣＩの発生を判定する際に有用なデータを取得するためのセンサ装置と、軽度認知障害の判定や認知症の診断などに利用できる情報（脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量、ＭＭＳＥ点数）を、容易に類推することができる類推システムを提供することも、その目的の一つとする。またさらに、本開示は、軽度認知障害判定システム、軽度認知障害予測システム、軽度認知障害予防システムを実行するためのコンピュータ・プログラムを提供することも、その目的の一つとする。
上記目的を達成するために、本開示は以下の技術を提供する。
本開示に係る技術の一実施態様に含まれる軽度認知障害判定システムは、被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを判定するための第１判定モデルを記憶した判定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記第１判定モデルに基づき、前記被験者が軽度認知障害者に該当するかを判定可能な判定情報を算出するＭＣＩ判定情報算出部と、を有する。
また、本開示に係る技術の一実施態様に含まれる脳糖代謝率推定システムは、被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得された脳糖代謝率を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られた脳糖代謝率推定モデルを記憶した脳糖代謝率推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記脳糖代謝率推定モデルに基づき、前記被験者の脳糖代謝率を推算する脳糖代謝率推算部と、を有する。
また、本開示に係る技術の一実施態様に含まれる海馬体積推定システムは、被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得された海馬体積を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られた海馬体積推定モデルを記憶した海馬体積推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記海馬体積推定モデルに基づき、前記被験者の海馬体積を推算する海馬体積推算部と、を有する。
また、本開示に係る技術の一実施態様に含まれる灰白質体積推定システムは、被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得された灰白質体積を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られた灰白質体積推定モデルを記憶した灰白質体積推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記灰白質体積推定モデルに基づき、前記被験者の灰白質体積を推算する灰白質体積推算部と、を有する。
また、本開示に係る技術の一実施態様に含まれるアミロイドβ蓄積量推定システムは、被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得されたアミロイドβ蓄積量を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られたアミロイドβ蓄積量推定モデルを記憶したアミロイドβ蓄積量推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記アミロイドβ蓄積量推定モデルに基づき、前記被験者のアミロイドβ蓄積量を推算するアミロイドβ蓄積量推算部と、を有する。
また、本開示に係る技術の一実施態様に含まれるＭＭＳＥ点数推定システムは、被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得されたＭＭＳＥ（Ｍｉｎｉ Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ）点数を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られたＭＭＳＥ点数推定モデルを記憶したＭＭＳＥ点数推定モデル記憶部と、
前記被験者の前記属性データと、前記センサデータと、前記ＭＭＳＥ点数推定モデルに基づき、前記被験者のＭＭＳＥ点数を推算するＭＭＳＥ点数推算部と、を有する。
また、本開示に係る技術の一実施態様に含まれる軽度認知障害予測システムは、被験者の属性データと、上記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
健常者と軽度認知障害者を含む第三者の時系列の属性データと、上記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第１予測モデルを記憶した予測モデル記憶部と、
上記被験者の上記属性データと、上記被験者の上記活動データと、上記第１予測モデルに基づき、上記被験者が軽度認知障害者に該当するかを時系列の１以上の時点で予測するための予測情報を算出するＭＣＩ予測情報算出部と、を有する。
また、本開示に係る技術の一実施態様に含まれる軽度認知障害予防システムは、被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
健常者と軽度認知障害者を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第１予測モデルを記憶した予測モデル記憶部と、
前記被験者の前記属性データと、前記被験者のセンサデータと、前記第１予測モデルに基づき、前記被験者が軽度認知障害者に該当するかを時系列の１以上の時点で予測するための予測情報を算出するＭＣＩ予測情報算出部と、
前記時系列の１以上の時点で前記被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な前記被験者のセンサデータから変換された前記被験者の活動を表す活動データを判定する目標算出部と、を有する。
また、本開示にかかる技術の一実施態様に含まれる軽度認知障害シミュレーションシステムは、被験者の属性データと、被験者の活動を表す活動データを入力するデータ入力部と、
健常者と軽度認知障害者を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第１予測モデルを記憶した予測モデル記憶部と、
前記被験者の前記属性データと、前記被験者の前記活動データと、前記第１予測モデルに基づき、前記被験者が軽度認知障害者に該当するかを時系列の１以上の時点で模擬判定するための模擬判定情報を算出するＭＣＩ模擬判定情報算出部と、を有する。
また、本開示に係る技術の一実施態様に含まれるセンサ装置は、本開示に係る技術の一実施態様である軽度認知障害判定システム等に対して、センサデータを提供可能なセンサ装置であり、被験者の体の一部に装着可能な装着部と、一つ以上のセンサ素子と、上記センサ素子により測定したセンサデータを記憶可能なセンサデータ記憶部と、上記センサデータを上記軽度認知障害判定システムに対して提供可能なデータ提供部と、を備える。
なお、上記目的は、本開示に係る技術の各実施態様に含まれるシステムを構成するコンピュータと、当該コンピュータにおいて実行されるコンピュータ・プログラム（ソフトウェア・プログラム）とにより実現されてもよい。
また、本開示に係る技術の一実施態様に含まれるコンピュータ・プログラムは、情報処理装置に、
被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力する処理と、
健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを判定するための第１判定モデルと、前記被験者の前記属性データと、前記センサデータと、に基づき、前記被験者が軽度認知障害者に該当するかを判定可能な判定情報を算出する処理と、を実行させる。
また、本開示に係る技術の一実施態様に含まれるコンピュータ・プログラムは、情報処理装置に、
被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力する処理と、
健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第１予測モデルと、前記被験者の前記属性データと、前記被験者の前記センサデータと、に基づき、前記被験者が軽度認知障害者に該当するかを時系列の１以上の時点で予測するための予測情報を算出する処理と、を情報処理装置に実行させる。
また、本開示に係る技術の一実施態様に含まれるコンピュータ・プログラムは、情報処理装置に、
被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力する処理と、
健常者と軽度認知障害者を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第１予測モデルと、前記被験者の前記属性データと、前記センサデータと、に基づき、前記被験者が軽度認知障害者に該当するかを時系列の１以上の時点で予測するための予測情報を算出する処理と、
前記時系列の１以上の時点で前記被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な前記被験者のセンサデータから変換された前記被験者の活動を表す活動データを判定する処理と、を実行させる。
本開示にかかる技術によれば、ＭＣＩであるか否かを、例えば、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量、ＭＭＳＥ点数などの被験者の情報を直接測定する必要がなく、容易に判定することができる軽度認知障害判定システムを提供することが可能となる。また、本開示に係る技術によれば、ＭＣＩの発生を予測することができる軽度認知障害判定予測システム、ＭＣＩの発生を予防に資する軽度認知障害判定予防システム、及びＭＣＩの発生する確率をシミュレーションすることができる軽度認知障害シミュレーションシステムを提供することが可能となる。さらに、本開示に係る技術によれば、ＭＣＩの発生を判定する際に有用なデータを取得するためのセンサ装置と、軽度認知障害の判定や認知症の診断などに利用できる情報（脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量、ＭＭＳＥ点数）を、容易に類推することができる類推システムを提供することが可能となる。また、本開示に係る技術によれば、軽度認知障害判定システムに対してデータを提供可能なセンサ装置を提供することができる。またさらに、本開示に係る技術によれば、軽度認知障害判定システム、軽度認知障害予測システム、軽度認知障害予防システムを実行するためのコンピュータ・プログラムを提供することも、その目的の一つとする。
図１は、本開示の一実施形態に係る軽度認知障害判定システムのブロック図である。 図２は、図１に示す軽度認知障害判定システムで実行される軽度認知障害判定方法のフロー図である。 図３は、第１判定モデルによって得られる一例のＲＯＣ曲線である。 図４は、ＭＭＳＥ点数の実測値とＭＭＳＥ点数推定モデルによって算出される推定値の関係を示す一例のグラフである。 図５は、脳糖代謝率の実測値と脳糖代謝率推定モデルによって算出される推定値の関係を示す一例のグラフである。 図６は、海馬体積の実測値と海馬体積推定モデルによって算出される推定値の関係を示す一例のグラフである。 図７は、アミロイドβ蓄積量の実測値とアミロイドβ蓄積量推定モデルによって算出される推定値の関係を示す一例のグラフである。 図８は、本開示の別の一実施形態に係る軽度認知障害判定システムのブロック図である。 図９は、本開示の一実施形態に係る軽度認知障害予測システムのブロック図である。 図１０は、図９に示す軽度認知障害予測システムで実行される軽度認知障害予測・予防方法のフロー図である。 図１１は、本開示の別の一実施形態に係る軽度認知障害予測システムのブロック図である。 図１２は、本開示の一実施形態に係る軽度認知障害予防システムのブロック図である。 図１３は、本開示に係る技術を実現可能な情報処理装置の構成を例示するブロック図である。
以下、本開示に係る技術の実施形態について、図面を参照して詳細に説明する。
＜軽度認知障害判定システム＞
図１は、本開示の一実施形態に係る軽度認知障害判定システムのブロック図である。図２は、図１に示す軽度認知障害判定システムで実行される軽度認知障害判定方法のフロー図である。
図１に示すように、軽度認知障害判定システム１は、被験者に関するデータを入力するデータ入力部１０と、ＭＣＩ判定部２０とを備える。
（データ入力部）
データ入力部１０は、被験者の属性データを入力する属性データ入力部１１と、被験者が装着したセンサ装置１００から取得されたセンサデータを入力するセンサデータ入力部１２とを有する。被験者の属性データは、被験者個人に備わっている性質や特徴を特定するデータである。被験者の属性データは、例えば、被験者の生活環境及び生活習慣に関するデータのうち、センサ装置により測定されないデータ、あるいは、センサ装置による測定が困難なデータであってもよい。被験者の属性データは、例えば、年齢、性別、教育歴、既往歴、喫煙状況、飲酒状況、高血圧、糖尿病、高コレステロールなどの個人に特有のデータを一つ以上含んでよい。データ入力部１０には、例えば、被験者に対して予め実施した問診票、アンケート、診断等により取得されたデータが、被験者の属性データとして入力されてもよい。なお、データ入力部１０は、上記に限定されず、本システムの利用者、管理者、被験者などが、属性データを入力可能なインタフェースを提供してもよい。センサデータは、センサ装置１００が有するセンサ素子を用いて測定された測定データである。センサデータは、特定の期間の間に測定された測定データの平均値としてもよい。
センサ装置１００は、例えば、ウェラブルセンサであり、被験者に装着可能な装着部を有する。センサ装置１００は、一つ以上のセンサ素子を備える。センサ素子としては、例えば、皮膚温度センサ、脈拍（あるいは心拍）センサ、加速度センサ、マイクロホン（音センサ）、環境光センサ、紫外線センサ等を用いることができる。これらのセンサ素子は、単独で使用されてもよいし、二つ以上を組み合わせて使用されてもよい。また、センサ装置１００は、センサ素子により測定したセンサデータを記憶可能なセンサデータ記憶部（例えば、フラッシュメモリ）と、センサデータを軽度認知障害判定システム１のセンサデータ入力部１２に対して提供可能なデータ提供部とを備える。データ提供部がデータを提供する方法としては、例えば、無線接続によるデータ通信、有線接続によるデータ通信等が用いられてよい。通信方式（プロトコル）は特に限定されず、既存の方式が適宜採用されてよい。
（ＭＣＩ判定部）
ＭＣＩ判定部２０は、データ入力部１０に入力されたデータに基づいて、現在の被験者にＭＣＩの症状が発生しているか、すなわち現在の被験者が軽度認知障害者に該当するかを判定する。ＭＣＩ判定部２０は、活動データ変換部２１と、データ統合部２２と、データクレンジング部２３と、判定モデル記憶部２４と、要因情報算出部２５と、判定情報算出部２６と、出力部２７とを有する。
活動データ変換部２１は、センサデータを活動データに変換する。活動データ変換部２１は、測定データを組み合わせることによって、一つ以上の活動データを生成する。活動データは、例えば、身体的活動、環境変化等、被験者に関する何らかの活動を表すデータであってよい。活動データには、例えば、歩行数、会話時間、心拍数（脈拍数）、睡眠時間、ＵＶ照射時間、皮膚温度などの情報のうち、一以上の情報が含まれてもよい。
データ統合部２２は、属性データと活動データとの中から、要因情報算出部２５及び判定情報算出部２６で利用するデータを統合して、データセットを作成する。
データクレンジング部２３は、データセットに含まれるデータの重複や誤記などのエラーを検出し、検出されたエラーの削除あるいは修正を行なう。軽度認知障害判定システム１は、例えば、このデータのクレンジングによって、データセットの品質が向上し、より正確な判定を行なうことが可能となる。
判定モデル記憶部２４は、第１判定モデルを記憶する記憶部（記憶装置）である。判定モデル記憶部２４は、更に、第２判定モデルを記憶することが可能である。また、判定モデル記憶部２４は、要因情報推定モデルを記憶することが可能である。第１判定モデルは、被験者が軽度認知障害者に該当するかを判定する判定情報を算出するためのモデルである。第２判定モデルは、被験者がアルツハイマー型（ＡＤ型）軽度認知障害者に該当するかを判定する判定情報を算出するためのモデルである。要因情報推定モデルは、軽度認知障害（ＭＣＩ）の判定に影響する要因情報推定値を算出するためのモデルである。要因情報推定モデルは、例えば、ＭＭＳＥ（Ｍｉｎｉ Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ）点数推定モデル、脳糖代謝率推定モデル、海馬体積推定モデル、灰白質体積推定モデル、アミロイドβ蓄積量推定モデルの一以上を含んでよい。これらのモデルの決定方法（作成・学習方法）は後述する。
要因情報算出部２５は、データクレンジング部２３でクレンジングされたデータセットと、要因情報推定モデルとを用いて、ＭＣＩの判定に影響する要因情報の推定値を算出する。要因情報の推定値は、例えば、被験者のＭＭＳＥ点数の推定値、脳糖代謝率の推定値、海馬体積の推定値、灰白質体積の推定値、アミロイドβ蓄積量の推定値である。
要因情報算出部２５は、例えば、ＭＭＳＥ点数推定モデルに、ＭＭＳＥ点数推定用に統合された被験者のデータセットを入力することによって、ＭＭＳＥ点数の推定値を算出してもよい。
要因情報算出部２５は、例えば、脳糖代謝率推定モデルに、脳糖代謝率推定用に統合された被験者のデータセットを入力することによって脳糖代謝率の推定値を算出してもよい。
要因情報算出部２５は、例えば、海馬体積推定モデルに、海馬体積推定用に統合された被験者のデータセットを入力することによって海馬体積の推定値を算出してもよい。
要因情報算出部２５は、例えば、灰白質体積推定モデルに、灰白質体積用に統合された被験者のデータセットを入力することによって灰白質体積の推定値を算出してもよい。
要因情報算出部２５は、例えば、アミロイドβ蓄積量推定モデルに、アミロイドβ蓄積量推定用に統合された被験者のデータセットを入力することによって、アミロイドβ蓄積量の推定値を算出してもよい。
判定情報算出部２６は、被験者の属性データと、要因情報推定値と、第１判定モデルとを用いて、被験者が軽度認知障害者に該当するかを判定可能な判定情報を算出するＭＣＩ判定情報算出部を有する。ＭＣＩ判定情報算出部は、例えば、第１判定モデルに、属性データと、要因情報推定値とを入力することによって、被験者が軽度認知障害者である確率を、係る判定情報として算出することができる。算出された確率がカットオフ値以上である場合、被験者は軽度認知障害者であると判定される。
さらに、判定情報算出部２６は、被験者が軽度認知障害者であると判定された場合は、被験者の属性データと、要因情報推定値と、第２判定モデルとを用いて、被験者がＡＤ型軽度認知障害者に該当するかを判定するための判定情報を算出するＡＤ型ＭＣＩ判定情報算出部を有してもよい。ＡＤ型ＭＣＩ判定情報算出部は、例えば、第２判定モデルに、属性データと因情報推定値を入力することによって、被験者がＡＤ型軽度認知障害者である確率を、判定情報として算出することができる。算出された確率がカットオフ値以上である場合、被験者はＡＤ型軽度認知障害者であると判定される。
出力部２７は、判定情報算出部２６にて算出された判定情報もしくは判定情報から判定された判定結果、すなわち被験者が、健常者、ＡＤ型軽度認知障害者、非ＡＤ型軽度認知障害者のいずれであるかを出力する。出力部２７としては、例えば、判定結果を画像として表示するディスプレイ、紙に印刷するプリンタ、電子情報として伝送する通信デバイスを用いることができる。
次に、第１判定モデル、第２判定モデル、要因情報推定モデルの決定方法（作成・学習方法）について説明する。
上記のモデルを決定するために、まず、第三者のデータを用意する。係る第三者は、健常者、ＡＤ型軽度認知障害者、非ＡＤ型軽度認知障害者のうちのいずれかを１人以上含む。典型的には、係る第三者には、健常者、ＡＤ型軽度認知障害者、非ＡＤ型軽度認知障害者がそれぞれ一人以上含まれてもよい。
そして、第三者の属性データと、第三者が装着したセンサ装置から取得されたセンサデータを変換した活動データと、第三者から取得された要因情報（ＭＭＳＥ点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量）を得る。ＭＭＳＥ点数は、例えば、ＭＭＳＥ（精神状態短時間検査）により取得することができる。脳糖代謝率は、ＦＤＧ－ＰＥＴ検査により、海馬体積及び灰白質体積はＭＲＩ検査により、アミロイドβ蓄積量は、アミロイド－ＰＥＴ検査により取得することができる。第三者の属性データは、例えば、第三者に対して予め実施した問診票、アンケート、事前診断等から取得されてもよい。
第１判定モデルは次のようにして決定することができる。
第三者のデータを、健常者とそれ以外、即ち軽度認知障害者（ＡＤ型軽度認知障害者と非ＡＤー型軽度認知障害者を含む）とに分ける。
次に、健常者と軽度認知障害者のそれぞれのカテゴリーを目的変数とし、被験者の属性データ、被験者の要因情報を説明変数として、目的変数及び説明変数を行ベクトルとしたデータセットを作成する。
次に、作成したデータセットに対して、回帰分析と機械学習との少なくとも一方を含む分析処理を行なってモデルを作成する。分析処理は、回帰分析を用いた機械学習であることが好ましい。回帰分析の手法は特に制限はなく、二項ロジスティック回帰分析、サポートベクタマシーン回帰分析、ランダムフォレスト回帰分析を用いることができる。作成したモデルについて、ＲＯＣ曲線を作成し、軽度認知障害者であると判定されるカットオフ値、感度、特異度、正診率を算出する。そして、ＲＯＣ曲線の感度と特異度が高く、かつ正診率が高い（疑陽性率、疑陰性率が低い）数値になるように、モデルを選択し、これを第１判定モデルとする
図３は、第１判定モデルによって得られる一例のＲＯＣ曲線を示す。図３に示すＲＯＣ曲線は、感度が９１．７％、特異度が８２．５％、カットオフ値が０．５３１１９８１である。
第２判定モデルは、次のようにして決定することができる。
第三者のデータを、ＡＤ型軽度認知障害者と非ＡＤ型軽度認知障害者とに分ける。
そして、ＡＤ型軽度認知障害者と非ＡＤ型軽度認知障害者のそれぞれカテゴリーを目的変数とすること以外は、第１判定モデルの場合と同様にして第２モデルを決定する。
要因情報推定モデルは、次のようにして決定することができる。
第三者の属性データと活動データを説明変数とした主要因分析を行って、主要な説明変数を選択する。選択する説明変数の数は、典型帝には、１０個以上であってもよい。この選択に際にいくつかの変数に対しては規格化してもよい。
次に、第三者の要因情報を目的変数とし、目的変数及び選択した説明変数を行ベクトルとしたデータセットを作成する。ここで、目的とする要因情報として、例えば、ＭＭＳＥ点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量を適宜設定することで、ＭＭＳＥ点数推定モデル、脳糖代謝率推定モデル、海馬体積推定モデル、灰白質体積推定モデル、アミロイドβ蓄積量推定モデルのうち一以上を含む要因情報推定モデルを作成することができる。
次に、作成したデータセットに対して、回帰分析と機械学習との少なくとも一方を含む分析処理を行なってモデルを作成する。作成したモデルの決定係数や二乗平均平方根誤差を判断基準として、作成したモデルの中から要因情報推定モデルを決定する。なお、モデルの作成に際しては、ニューラルネットワークを用いて、最適なモデルが得られるまで隠れ層を増加するなどの調整を行なってもよい。
上記の方法によって決定した要因情報推定モデルを用いて算出された要因情報の推定値と要因情報の実測値との関係の一例を、図４～図６に示す。
図４は、ＭＭＳＥ点数の実測値とＭＭＳＥ点数推定モデルによって算出される推定値の関係を示すグラフである。図４に示すＭＭＳＥ点数の実測値と推定値の回帰直線は、決定係数（Ｒ２）が０．９８、二乗平均平方根誤差（ＲＭＳＥ）が０．２４である。
図５は、脳糖代謝率の実測値と脳糖代謝率推定モデルによって算出される推定値の関係を示すグラフである。図５に示す脳糖代謝率の実測値と推定値の回帰直線は、決定係数（Ｒ２）が０．９７、二乗平均平方根誤差（ＲＭＳＥ）が０．０２である。
図６は、海馬体積の実測値と海馬体積推定モデルによって算出される推定値の関係を示すグラフである。図６に示す海馬体積の実測値と推定値の回帰直線は、決定係数（Ｒ２）が０．９９、二乗平均平方根誤差（ＲＭＳＥ）が１２５．７１である。
図７は、アミロイドβ蓄積量の実測値とアミロイドβ蓄積量推定モデルによって算出される推定値の関係を示すグラフである。図７に示すアミロイドβ蓄積量の実測値と推定値の回帰直線は、決定係数（Ｒ２）が０．８８４、二乗平均平方根誤差（ＲＭＳＥ）が０．０２６である。
（ＭＣＩ判定方法）
軽度認知障害判定システム１が実行可能なＭＣＩ判定方法は、図２に示すように、センサデータ取得工程Ｓ１０と、属性データ入力工程Ｓ１１、センサデータ入力工程Ｓ１２と、活動データ変換工程Ｓ２１と、データ統合工程Ｓ２２、データクレンジング工程Ｓ２３、要因情報算出工程Ｓ２５、判定情報算出工程Ｓ２６、出力工程Ｓ２７を有する。なお、これらの工程（ステップ）は、更に詳細な工程に細分化されてもよく、いくつかの工程が統合されてもよい。また、軽度認知障害判定システム１は、これらの工程のうち、結果に影響がない範囲で少なくとも一部の工程を実行する順序を変えてもよく、少なくとも一部の工程を並列に実行してもよい。
センサデータ取得工程Ｓ１０では、被験者が装着したセンサ装置１００を用いて、被験者のセンサデータを取得する。
属性データ入力工程Ｓ１１では、被験者の属性データが、属性データ入力部１１に入力される。センサデータ入力工程Ｓ１２では、センサ装置１００から取得されたセンサデータが、センサデータ入力部１２に入力される。属性データ入力部１１に入力された属性データは、データ統合部２２と判定情報算出部２６に送られる。センサデータ入力部１２に入力された属性データは、データ統合部２２と判定情報算出部２６に送られる。
活動データ変換工程Ｓ２１では、センサデータが、活動データ変換部２１にて活動データに変換される。活動データは、データ統合部２２に送られる。データ統合工程Ｓ２２では、データ統合部２２が、活動データと属性データとを統合して、データセットが作成する。データセットは、データクレンジング部２３に送られる。
データクレンジング工程Ｓ２３では、データクレンジング部２３が、データセットのデータの重複や誤記などのエラーを削除あるいは修正してクレンジングする。次いで、クレンジングされたデータセットは、要因情報算出部２５に送られる。要因情報算出工程Ｓ２５では、要因情報算出部２５が、クレンジングされたデータセットと要因情報推定モデルとを用いて、要因情報推定値を算出する。算出された要因情報推定値は、判定情報算出部２６に送られる。
判定情報算出工程Ｓ２６では、判定情報算出部２６が、属性データと、要因情報推定値と、判定モデル記憶部２４から送られた第１判定モデルとを用いて、被験者が軽度認知障害者に該当するかを判定するための判定情報を算出する。また、判定情報算出工程Ｓ２６において、被験者が軽度認知障害者であると判定された場合は、判定情報算出部２６は、属性データと、要因情報推定値と、判定モデル記憶部２４から送られた第２判定モデルとを用いて、被験者がＡＤ型軽度認知障害者に該当するかを判定するための判定情報を算出してもよい。判定情報は、出力部２７に送られる。出力工程Ｓ２７では、判定情報もしくは判定情報から判定された判定結果（被験者が、健常者、ＡＤ型軽度認知障害者、非ＡＤ型軽度認知障害者のいずれであるか）が、出力部２７により出力する。
以上のような構成とされた本実施形態の軽度認知障害判定システム１は、例えば、被験者の要因情報を、直接測定する必要がない。このため、被験者がＭＣＩであるか否かを容易に判定することができる。また、本実施形態の軽度認知障害判定システム１は、健常者と軽度認知障害者を含む第三者の属性データと、その第三者から取得された軽度認知障害の判定に影響する要因情報を用いて作成された第１判定モデルを用いて、被験者がＭＣＩであるか否かを判定する。このため、被験者がＭＣＩであるか否かを高い精度で測定することができる。よって、得られた判定結果に基づいて、適切な対応を行なうことによって、認知症の発生を抑えることや改善を図ることが可能となる。
また、本実施形態の軽度認知障害判定システム１では、被験者の属性データと、活動データと、要因情報推定モデルに基づいて要因情報推定値を算出し、この要因情報推定値と、被験者の属性データと、第１判定モデルに基づき、被験者がＭＣＩであるか否かを判定する。このため、被験者がＭＣＩであるか否かをより高い精度で測定することができる。
さらに、本実施形態の軽度認知障害判定システム１では、ＡＤ型軽度認知障害者と非ＡＤ型軽度認知障害者健常者を含む第三者の属性データと、その第三者から取得された軽度認知障害の判定に影響する要因情報を用いて作成された第２判定モデルを用いて、被験者がＡＤ型ＭＣＩであるか否かを判定することができる。すなわち、被験者を、健常者、ＡＤ型軽度認知障害者、非ＡＤ型軽度認知障害者のいずれかに分けることができる。
また、本実施形態の軽度認知障害判定システム１は、脳糖代謝率推定システム、海馬体積推定システム、灰白質体積推定システム、アミロイドβ蓄積量推定システム、ＭＭＳＥ点数推定システムとしても用いることができる。なお、これらのシステムは、ＭＣＩの判定以外の用途に使用することができる。また、これらのシステムをＭＣＩの判定以外の用途に使用する場合、属性データと、活動データと、脳糖代謝率、海馬体積、灰白質体、アミロイドβ蓄積量、ＭＭＳＥ点数などの実測値を提供する第三者は、用途に応じて設定することができ、軽度認知障害者を含まなくてもよい。
なお、本開示に係る軽度認知障害判定システムは、本実施形態の軽度認知障害判定システム１に限定されるものではない。例えば、本実施形態の軽度認知障害判定システム１は、因情報推定モデルに基づいて要因情報推定値を算出している。これに対して、本開示に係る軽度認知障害判定システムは、例えば、要因情報推定値を算出せずに、被験者の属性データと、被験者の活動データと、第１判定モデルに基づいて、被験者がＭＣＩであるか否かあるいは被験者がＡＤ型ＭＣＩであるか否かを判定するようにしてもよい。また、本開示に係る軽度認知障害判定システムは、例えば、被験者の属性データと、被検者から診断装置・測定装置などを用いて測定・判断された要因情報を表すデータと、被験者の活動データと、第１判定モデルに基づいて、被験者がＭＣＩであるか否かあるいは被験者がＡＤ型ＭＣＩであるか否かを判定するようにしてもよい。さらに、センサデータを活動データに変換せずに、第１判定モデルに基づいて、被験者がＭＣＩであるか否かあるいは被験者がＡＤ型ＭＣＩであるか否かを判定するようにしてもよい。
また、本実施形態の軽度認知障害判定システム１は、要因情報推定値として、脳糖代謝率推定値、海馬体積推定値、灰白質体積推定値、アミロイドβ蓄積量推定値、ＭＭＳＥ点数推定値を使用している。本開示に係る軽度認知障害判定システムは、これらの要因情報推定値の全てを使用する必要はなく、例えば、いずれか一つ以上の要因情報推定値を用いてもよい。また、本開示に係る軽度認知障害判定システムは、要因情報推定値として、脳糖代謝率推定値、海馬体積推定値、灰白質体積推定値、アミロイドβ蓄積量推定値、ＭＭＳＥ点数推定値以外の推定値を使用してもよい。さらに、本開示に係る軽度認知障害判定システムは、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量、ＭＭＳＥ点数の一部の項目については実測値を用いてもよい。具体的には、ＭＭＳＥ点数を被験者から取得した実測値とし、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量を推定値としてもよい。
また、本開示に係る軽度認知障害判定システムは、一実施態様として、例えば図８に例示される軽度認知障害判定システム１０００として実現されてもよい。
軽度認知障害判定システム１０００は、データ入力部１００１と、判定モデル記憶部１００２と、ＭＣＩ判定情報算出部１００３と、を有してよい。
データ入力部（データ入力手段）１００１は、被験者の属性データと、その被験者が装着したセンサ装置から取得されたセンサデータとを入力する。データ入力部１００１は、例えば、図１に例示するデータ入力部１０と同様に構成されてもよい。
判定モデル記憶部１００２は、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを判定するための第１判定モデルを記憶する。第１判定モデルは、例えば、健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報を用いて作成されてもよい。第１判定モデルの作成方法は、上記説明した方法により作成されてよい。
ＭＣＩ判定情報算出部１００３は、被験者の属性データと、センサデータから変換された被験者の活動を表す活動データと、第１判定モデルとに基づいて、被験者が軽度認知障害者に該当するかを判定可能な判定情報を算出する。ＭＣＩ判定情報算出部１００３は、例えば、被験者の属性データと、その被検者に関する軽度認知障害（ＭＣＩ）の判定に影響する要因情報と、を第１判定モデルに適用することで、判定情報を算出してもよい。また、軽度認知障害判定システム１０００は、上記したように、被験者の属性データと、センサデータから変換された被験者の活動を表す活動データとから、その被検者に対する要因情報を推定し、その推定値と、被験者の属性データと、を第１判定モデルに適用することで、判定情報を算出してもよい。ＭＣＩ判定情報算出部１００３が算出する判定情報は、例えば、被験者が軽度認知障害者である確率を表す情報であってもよい。
上記のように構成された軽度認知障害判定システム１０００は、軽度認知障害判定システム１と同様に、例えば、被験者の属性データと活動データとに基づいて、被験者がＭＣＩであるか否かを容易に判定することができる。
＜軽度認知障害予測システム＞
図９は、本開示の一実施形態に係る軽度認知障害予測システムのブロック図である。図１０は、図９の軽度認知障害予測システムで実行される軽度認知障害予測・予防方法のフロー図である。
図９に示すように、軽度認知障害予測システム２は、データ入力部１０と、ＭＣＩ予測部３０と、被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な上記活動データを判定する目標算出部４０とを有する。目標算出部４０は、具体的には、被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な上記活動データの目標数値を算出してもよい。
（データ入力部）
データ入力部１０は、被験者の属性データを入力する属性データ入力部１１と、被験者が装着したセンサ装置１００から取得されたセンサデータを入力するセンサデータ入力部１２とを有する。データ入力部１０及びセンサ装置１００は、軽度認知障害判定システム１のデータ入力部１０及びセンサ装置１００と同じであるので、同一の記号を付して詳細な説明を省略する。
（ＭＣＩ予測部）
ＭＣＩ予測部３０は、データ入力部１０に入力されたデータに基づいて、例えば、将来的に被験者にＭＣＩが発生するか、すなわち時系列の１以上の時点において被験者が軽度認知障害者に該当するかを予測する。時系列の１以上の時点とは、例えば、ある特定の時点（例えば現在）から１年後、２年後、３年後のように、将来の時系列における１以上の時点であってもよい。ＭＣＩ予測部３０は、活動データ変換部３１と、データ統合部３２と、データクレンジング部３３と、予測モデル記憶部３４と、予測要因情報算出部３５と、予測情報算出部３６と、出力部３７とを有する。活動データ変換部３１、データ統合部３２、データクレンジング部３３、出力部３７は、それぞれ軽度認知障害判定システム１の活動データ変換部２１、データ統合部２２、データクレンジング部２３、出力部２７と機能が同一であるため説明を省略する。
予測モデル記憶部３４は、第１予測モデルを記憶する記憶部（記憶装置）である。予測モデル記憶部３４は、更に、第２予測モデルを記憶してもよい。また、予測モデル記憶部３４は、更に、予測要因情報推定モデルを記憶してもよい。第１予測モデルは、将来の被験者が軽度認知障害者に該当するかを予測する予測要因情報を算出するためのモデルである。第２判定モデルは、将来の被験者がアルツハイマー型（ＡＤ型）軽度認知障害者に該当するかを予測する予測要因情報を算出するためのモデルである。予測要因情報推定モデルは、時系列のＭＣＩの予測に影響する予測要因情報推定値を算出するためのモデルである。予測要因情報推定モデルは、例えば、予測ＭＭＳＥ点数推定モデル、予測脳糖代謝率推定モデル、予測海馬体積推定モデル、予測灰白質体積推定モデル、予測アミロイドβ蓄積量推定モデルのうち一以上を含んでよい。これらのモデルの決定方法（作成・学習方法）は後述する。
予測要因情報算出部３５は、データクレンジング部３３でクレンジングされたデータセットと予測要因情報推定モデルとを用いて、将来の被験者のＭＣＩの発生を予測可能な予測要因情報推定値を算出する。予測要因情報の推定値は、例えば、将来の（時系列における一以上の時点における）被験者の予測ＭＭＳＥ点数の推定値、予測脳糖代謝率の推定値、予測海馬体積の推定値、予測灰白質体積の推定値、予測アミロイドβ蓄積量の推定値であってもよい。例えば、予測ＭＭＳＥ点数の推定値は、予測要因情報算出部３５が、予測ＭＭＳＥ点数推定モデルに、予測ＭＭＳＥ点数推定用に統合された被験者のデータセットを入力することによって算出してもよい。予測脳糖代謝率の推定値は、予測要因情報算出部３５が、予測脳糖代謝率推定モデルに、予測脳糖代謝率推定用に統合された被験者のデータセットを入力することによって算出してもよい。海馬体積の推定値は、予測要因情報算出部３５が、予測海馬体積推定モデルに、予測海馬体積推定用に統合された被験者のデータセットを入力することによって算出してもよい。予測灰白質体積の推定値は、予測要因情報算出部３５が、予測灰白質体積推定モデルに、予測灰白質体積用に統合された被験者のデータセットを入力することによって算出してもよい。予測アミロイドβ蓄積量の推定値は、予測要因情報算出部３５が、予測アミロイドβ蓄積量推定モデルに、予測アミロイドβ蓄積量推定用に統合された被験者のデータセットを入力することによって算出してもよい。
予測情報算出部３６は、被験者の属性データと、予測要因情報推定値と、第１予測モデルとを用いて、将来の被験者が軽度認知障害者に該当するかを判定するための判定情報を算出するＭＣＩ予測情報算出部を有する。ＭＣＩ予測情報算出部は、第１予測モデルに、データセットと予測要因情報推定値を入力することによって、時系列の１以上の時点での被験者が軽度認知障害者である確率を算出する。算出された確率がカットオフ値以上である場合、時系列の１以上の時点での被験者は軽度認知障害者であると予測される。
さらに、予測情報算出部３６は、将来の被験者が軽度認知障害者であると判定された場合は、被験者の属性データと、予測要因情報推定値と、第２予測モデルとを用いて、将来の被験者がＡＤ型軽度認知障害者に該当するかを判定するための判定情報を算出するＡＤ型ＭＣＩ予測情報算出部を有する。ＡＤ型ＭＣＩ予測情報算出部は、第２判定モデルに、データセットと予測要因情報推定値を入力することによって、時系列の１以上の時点での被験者がＡＤ型軽度認知障害者である確率を算出する。算出された確率がカットオフ値以上である場合、時系列の１以上の時点での被験者はＡＤ型軽度認知障害者であると予測される。
次に、第１予測モデル、第２予測モデル、予測要因情報推定モデルの決定方法について説明する。
上記のモデルを決定するために、まず、第三者のデータを用意する。第三者は、健常者、ＡＤ型軽度認知障害者、非ＡＤ型軽度認知障害者のうちいずれかを１人以上含む。典型的には、係る第三者には、健常者、ＡＤ型軽度認知障害者、非ＡＤ型軽度認知障害者がそれぞれ１人以上含まれてもよい。そして、時系列の複数の時点で測定された第三者の属性データと、第三者が装着したセンサ装置から取得されたセンサデータを変換した活動データと、第三者から取得された要因情報（ＭＭＳＥ点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量）を得る。時系列の複数の時点とは、例えば、最初に脳糖代謝率などのデータを取得したときを１年目として、２年目、３年目などの時系列的に間隔を空けた複数の時点である。時系列的な間隔は、典型的には、２ヵ月以上２年以下の範囲内であってもよい。
第１予測モデルは次のようにして決定（作成・学習）することができる。
第三者のデータを、健常者とそれ以外、即ち軽度認知障害者（アルツハイマー型軽度認知障害者と非アルツハイマー型軽度認知障害者を含む）とに分ける。
次に、健常者と軽度認知障害者のそれぞれのカテゴリーを目的変数とし、被験者の属性データ、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量、ＭＭＳＥ点数を説明変数として、目的変数及び説明変数を行ベクトルとしたデータセットに、データを取得したときの時間の単位（例えば、１年目、２年目、３年目など）を縦ベクトルとして追加したデータセットを作成する。
次に、作成したデータセットに対して、回帰分析と機械学習との少なくとも一方を含む分析処理を行なってモデルを作成する。分析処理は、回帰分析を用いた機械学習であることが好ましい。回帰分析の手法は特に制限はなく、二項ロジスティック回帰分析、サポートベクタマシーン回帰分析、ランダムフォレスト回帰分析を用いることができる。作成したモデルについて、ＲＯＣ曲線を作成し、軽度認知障害者であると予測されるカットオフ値、感度、特異度、正診率を算出する。そして、ＲＯＣ曲線の感度と特異度が高く、かつ正診率が高い（疑陽性率、疑陰性率が低い）数値になるように、モデルを選択し、これを第１予測モデルとする。
第２予測モデルは、次のようにして決定することができる。
第三者を、ＡＤ型軽度認知障害者と非ＡＤ型軽度認知障害者とに分ける。
そして、ＡＤ型軽度認知障害者と非ＡＤ型軽度認知障害者のそれぞれカテゴリーを目的変数とすること以外は、第１予測モデルの場合と同様にして第２モデルを決定する。
予測要因情報推定モデルは、次のようにして決定することができる。
第三者の属性データと活動データを説明変数とした主要因分析を行って、主要な説明変数を選択する。選択する説明変数の数は、典型的には、１０個以上であってもよい。この選択に際にいくつかの変数に対しては規格化してもよい。
次に、要因情報を目的変数とし、目的変数及び選択した説明変数を行ベクトルとしたデータセットに、データを取得したときの時間の単位（例えば、１年目、２年目、３年目など）を縦ベクトルとして追加したデータセットを作成する。これにより、時系列の一以上の時点における目的変数及び説明変数を含むデータセットが作成される。ここで、目的とする要因情報として、例えば、ＭＭＳＥ点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量を適宜設定することで、予測ＭＭＳＥ点数推定モデル、予測脳糖代謝率推定モデル、予測海馬体積推定モデル、予測灰白質体積推定モデル、予測アミロイドβ蓄積量推定モデルのうち一以上を含む予測要因情報推定モデルを作成することができる。
次に、作成したデータセットに対して、回帰分析と機械学習との少なくとも一方を含む分析処理を行なってモデルを作成する。作成したモデルの決定係数や二乗平均平方根誤差を判断基準として、作成したモデルの中から予測要因情報推定モデルを決定する。なお、モデルの作成に際しては、ニューラルネットワークを用いて、最適なモデルが得られるまで隠れ層を増加するなどの調整を行なってもよい。
（ＭＣＩ予測方法）
軽度認知障害予測システム２で実行されるＭＣＩ予測方法は、図１０に示すように、センサデータ取得工程Ｓ１０と、属性データ入力工程Ｓ１１、センサデータ入力工程Ｓ１２と、活動データ変換工程Ｓ３１と、データ統合工程Ｓ３２、データクレンジング工程Ｓ３３、予測要因情報算出工程Ｓ３５、予測要因情報算出工程Ｓ３６、出力工程Ｓ３７を有する。なお、これらの工程（ステップ）は、更に詳細な工程に細分化されてもよく、いくつかの工程が統合されてもよい。また、軽度認知障害予測システム２は、これらの工程のうち、結果に影響がない範囲で少なくとも一部の工程を実行する順序を変えてもよく、少なくとも一部の工程を並列に実行してもよい。
センサデータ取得工程Ｓ１０では、被験者が装着したセンサ装置１００を用いて、被験者のセンサデータを取得する。
属性データ入力工程Ｓ１１では、被験者の属性データが、属性データ入力部１１に入力される。センサデータ入力工程Ｓ１２では、センサ装置１００から取得されたセンサデータが、センサデータ入力部１２に入力される。属性データ入力部１１に入力された属性データは、データ統合部３２と予測情報算出部３６に送られる。センサデータ入力部１２に入力された属性データは、データ統合部３２と予測情報算出部３６に送られる。
活動データ変換工程Ｓ３１では、活動データ変換部３１が、センサデータを活動データに変換する。活動データは、データ統合部３２に送られる。データ統合工程Ｓ３２では、データ統合部３２が、活動データと属性データとを統合して、データセットを作成する。
データセットは、データクレンジング部３３に送られる。
データクレンジング工程Ｓ３３では、データクレンジング部２３が、データセットのデータの重複や誤記などのエラーを削除あるいは修正してクレンジングする。次いで、クレンジングされたデータセットは、予測要因情報算出部３５に送られる。予測要因情報算出工程Ｓ３５では、予測要因情報算出部３５が、クレンジングされたデータセットと予測要因情報推定モデルとを用いて、予測要因情報推定値を算出する。算出された予測要因情報推定値は、予測情報算出部３６に送られる。
予測情報算出工程Ｓ３６では、予測情報算出部３６が、属性データと、要因情報推定値と、予測モデル記憶部３４から送られた第１予測モデルとを用いて、時系列の１以上の時点での被験者が軽度認知障害者に該当するかを予測可能な予測要因情報を算出する。また、予測要因情報算出工程Ｓ２６において、時系列の１以上の時点での被験者が軽度認知障害者であると予測された場合、予測情報算出部３６は、属性データと、要因情報推定値と、予測モデル記憶部３４から送られた第２予測モデルとを用いて、時系列の１以上の時点での被験者がＡＤ型軽度認知障害者に該当するかを予測可能な予測要因情報を算出する。
予測要因情報は、出力部３７に送られる。出力工程Ｓ３７では、予測要因情報もしくは予測要因情報から予測された予測結果（時系列の１以上の時点での被験者が、健常者、ＡＤ型軽度認知障害者、非ＡＤ型軽度認知障害者のいずれであるか）が、出力部３７により出力される。
（目標算出部）
目標算出部４０は、被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な前記活動データを判定する。目標算出部４０は、例えば、被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な前記活動データの目標数値を算出してもよい。具体的には、目標算出部４０は、活動データ入力部４１と、データ統合部４２と、データクレンジング部４３と、模擬判定要因情報算出部４４と、模擬判定情報算出部４５、模擬判定情報確認部４６、出力部４７とを有する。
活動データ入力部４１は、活動データを入力する。活動データは、例えば、歩行数、会話時間、心拍数（脈拍数）、睡眠時間、ＵＶ照射時間、皮膚温度などの情報に関するデータである。活動データ入力部４１は、例えば、これらの活動データに関する数値を入力あるいは受け付けることが可能である。係る活動データは、例えば、上記したセンサデータから変換されたデータであってもよい。また、係る活動データは、軽度認知障害予測システム２のユーザ、管理者、あるいは、被験者などにより適宜入力されたデータであってもよい。この場合、例えば、ある被験者について模擬的に変更された活動データ（例えば、歩行数、会話時間、心拍数（脈拍数）、睡眠時間、ＵＶ照射時間、皮膚温度等が模擬的に変更された活動データ）が、活動データ入力部４１に対して入力されてもよい。
データ統合部４２は、属性データ入力部１１に入力された属性データと、活動データ入力部４１に入力された活動データとの中から、模擬判定要因情報算出部４４及び模擬判定情報算出部４５で利用するデータを統合して、データセットを作成する。
データクレンジング部４３は、データセットのデータの重複や誤記などのエラーを検出し、検出されたエラーの削除あるいは修正を行なう。
模擬判定要因情報算出部４４は、データクレンジング部２３でクレンジングされたデータセットと、予測モデル記憶部３４に記憶されている予測要因情報推定モデルとを用いて、将来の被験者のＭＣＩの発生を模擬判定するための模擬判定要因情報推定値を算出する。模擬判定要因情報算出部４４は、例えば、予測要因情報推定モデルにデータセットを入力することによって模擬判定要因情報推定値を算出することができる。係る模擬判定要因情報推定値は、ある特定の活動データとして特定値を設定した場合や、ある特定の活動データを変更した場合の、要因情報の推定値とも考えられる。これにより、模擬判定要因情報算出部４４は、例えば、活動データ入力部４１において、ある特定の活動データを疑似的に変化させた活動データが入力された場合（例えば、歩行数、会話時間、心拍数（脈拍数）、睡眠時間、ＵＶ照射時間、皮膚温度等を変化させたデータが入力された場合）の、要因情報の推定値を算出することができる。
模擬判定情報算出部４５は、被験者の属性データと、模擬判定要因情報推定値と、第１予測モデルとを用いて、将来の被験者が軽度認知障害者に該当するかを判定するための判定情報を算出する。具体的には、模擬判定情報算出部４５は、第１予測モデルに、データセットと模擬判定要因情報推定値を入力することによって、時系列の１以上の時点での被験者が軽度認知障害者である確率を算出することができる。算出された確率がカットオフ値以上である場合、時系列の１以上の時点での被験者は軽度認知障害者であると模擬判定される。
さらに、模擬判定情報算出部４５は、将来の被験者が軽度認知障害者であると模擬判定された場合は、被験者の属性データと、模擬判定要因情報推定値と、第２予測モデルとを用いて、将来の被験者がＡＤ型軽度認知障害者に該当するかを判定するための模擬判定情報を算出する。具体的には、模擬判定情報算出部４５は、第２判定モデルに、データセットと模擬判定要因情報推定値を入力することによって、時系列の１以上の時点での被験者がＡＤ型軽度認知障害者である確率を算出する。算出された確率がカットオフ値以上である場合、時系列の１以上の時点での被験者はＡＤ型軽度認知障害者であると模擬判定される。
模擬判定情報確認部４６は、時系列の１以上の時点での被験者が軽度認知障害者である確率と、前述のＭＣＩ予測部３０で予測された時系列の１以上の時点での被験者が軽度認知障害者である確率とを比較する。
出力部４７は、時系列の１以上の時点で被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な活動データを表示する。具体例として、出力部４７は、時系列の１以上の時点で被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な活動データの目標数値を表示してもよい。すなわち、模擬判定情報確認部４６にて時系列の１以上の時点での被験者が軽度認知障害者である確率が低下した場合は、活動データ入力部４１で入力した活動データを出力する。
（ＭＣＩ予防方法）
軽度認知障害予測システム２で実行されるＭＣＩ予防方法は、図９に示すように、活動データ入力工程Ｓ４１と、データ統合工程Ｓ４２、データクレンジング工程Ｓ４３、模擬判定要因情報算出工程Ｓ４５、模擬判定情報確認Ｓ４６、出力工程Ｓ４７を有する。なお、これらの工程（ステップ）は、更に詳細な工程に細分化されてもよく、いくつかの工程が統合されてもよい。また、軽度認知障害予測システム２は、これらの工程のうち、結果に影響がない範囲で少なくとも一部の工程を実行する順序を変えてもよく、少なくとも一部の工程を並列に実行してもよい。
活動データ入力工程Ｓ４１では、活動データ入力部４１にて、任意の活動データを入力する。活動データは、データ統合部４２に送られる。データ統合工程Ｓ４２では、データ統合部４２が、活動データと、属性データ入力部１１から送られた属性データとを統合して、データセットを作成する。データセットは、データクレンジング部４３に送られる。
データクレンジング工程Ｓ４３では、データクレンジング部４３が、データセットのデータの重複や誤記などのエラーを削除あるいは修正してクレンジングする。次いで、クレンジングされたデータセットは、模擬判定要因情報算出部４４に送られる。模擬判定要因情報算出工程Ｓ４４では、模擬判定要因情報算出部４４が、クレンジングされたデータセットと予測要因情報推定モデルとを用いて、模擬判定要因情報推定値を算出する。算出された模擬判定要因情報推定値は、模擬判定情報算出部４５に送られる。
模擬判定情報算出工程Ｓ４５では、模擬判定情報算出部４５が、属性データ入力部１１から送られた属性データと、模擬判定要因情報推定値と、予測モデル記憶部３４から送られた第１予測モデルとを用いて、時系列の１以上の時点での被験者が軽度認知障害者に該当する確率を算出する。また、模擬判定情報算出工程Ｓ４５において、時系列の１以上の時点での被験者が軽度認知障害者であると模擬判定された場合は、模擬判定情報算出部４５が、属性データと、要因情報推定値と、予測モデル記憶部３４から送られた第２予測モデルとを用いて、時系列の１以上の時点での被験者がＡＤ型軽度認知障害者に該当する確率を算出する。予測要因情報は、模擬判定情報確認部４６に送られる。
模擬判定情報確認工程Ｓ４６は、模擬判定情報確認部４６が、模擬判定情報算出工程Ｓ４５において算出された、時系列の１以上の時点での被験者が軽度認知障害者である確率と、前述のＭＣＩ予測部３０において予測された時系列の１以上の時点での被験者が軽度認知障害者である確率と、を比較する。模擬判定情報算出工程Ｓ４５で算出された確率が、前述のＭＣＩ予測部３０で予測された確率と同等もしくは高い場合（ＮＯ）は、活動データ入力工程Ｓ４１に戻って処理を続行する。即ち、この場合、活動データ入力部４１において、新たな活動データが入力されてもよい。
模擬判定情報算出工程Ｓ４５で算出された確率が、前述のＭＣＩ予測部３０で予測された確率よりも低い場合（ＹＥＳ）は、活動データ入力工程Ｓ４１で入力した活動データが出力部４７に送られる。出力工程Ｓ４７では、活動データ入力工程Ｓ４１で入力した活動データが、出力部４７により出力される。
以上のような構成とされた本実施形態の軽度認知障害予測システム２は、被験者の要因情報を、直接測定する必要がない。このため、将来の被験者がＭＣＩとなるか否かを容易に予測することができる。また、本実施形態の軽度認知障害予測システム２は、健常者と軽度認知障害者を含む第三者の属性データと、その第三者から取得されたＭＣＩの予測に影響する要因情報を用いて作成された第１予測モデルを用いて、将来の被験者がＭＣＩとなるか否かを予測する。このため、将来の被験者がＭＣＩとなるか否かを高い精度で予測することができる。
さらに、本実施形態の軽度認知障害予測システム２は、将来の被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な上記活動データを算出する目標算出部４０とを有する。このため、本実施形態の軽度認知障害予測システム２を用いることによって、ＭＣＩの発生の予防に資することができる。
また、本実施形態の軽度認知障害予測システム２では、被験者の属性データと、活動データと、要因情報推定モデルに基づいて要因情報推定値を算出し、この要因情報推定値と、被験者の属性データと、第１判定モデルに基づき、被験者がＭＣＩであるか否かを判定する。このため、被験者がＭＣＩであるか否かをより高い精度で測定することができる。
なお、本実施形態の軽度認知障害予測システム２は、ＭＣＩ予測部３０と目標算出部４０とを有しているが、ＭＣＩ予測部３０と目標算出部４０とを分離してもよい。例えば、データ入力部とＭＣＩ予測部３０とを組み合わせて、軽度認知障害予測システムとしてもよい。また、属性データ入力部１１と、予測モデル記憶部３４と目標算出部４０とを組み合わせて、軽度認知障害予防システムとしてもよい。さらに、軽度認知障害予防システムは、活動データ入力部に入力した活動データによって、時系列の１以上の時点で被験者が軽度認知障害者に該当する確率を、模擬判定として算出する模擬判定情報を算出する軽度認知障害シミュレーションシステムとしてもよい。なお、軽度認知障害シミュレーションシステムにおいては、模擬判定情報確認部４６が含まれなくてもよい。
また、本開示に係る軽度認知障害予測システムは、一実施態様として、例えば図１１に例示される軽度認知障害予測システム１１００として実現されてもよい。
軽度認知障害予測システム１１００は、データ入力部１１０１と、予測モデル記憶部１１０２と、ＭＣＩ予測情報算出部１１０３と、を有する。
データ入力部１１０１は、被験者の属性データと、被験者が装着したセンサ装置から取得されたセンサデータとを入力する。データ入力部１１０１は、属性データと、センサデータとを入力として受け付けてもよい。
予測モデル記憶部１１０２は、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第１予測モデルを記憶する。第１予測モデルは、健常者と軽度認知障害者との少なくとも一方を含む第三者の時系列の属性データと、第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成されたモデルであってよい。第１予測モデルの作成方法としては、上記した方法を適宜採用可能である。
ＭＣＩ予測情報算出部１１０３は、被験者の属性データと、被験者の活動データと、第１予測モデルとに基づき、被験者が軽度認知障害者に該当するかを時系列の１以上の時点で予測可能な予測情報を算出する。ＭＣＩ予測情報算出部１１０３は、例えば、被験者の属性データと、その被験者に係る時系列の軽度認知障害の予測に影響する予測要因情報と、を第１予測モデルに適用することで、予測情報を算出してもよい。また、ＭＣＩ予測情報算出部１１０３は、例えば、上記したように、被験者の属性データと、被験者の活動データとから予測要因情報を推定し、係る推定値と被験者の属性データとを第１予測モデルに適用することで、予測情報を算出してもよい。
また、本開示に係る軽度認知障害予防システムは、一実施態様として、例えば図１２に例示される軽度認知障害予防システム１２００として実現されてもよい。
軽度認知障害予防システム１２００は、データ入力部１２０１と、予測モデル記憶部１２０２と、ＭＣＩ予測情報算出部１２０３と、目標算出部１２０４とを有する。この場合、データ入力部１２０１、予測モデル記憶部１２０２、ＭＣＩ予測情報算出部１２０３は、それぞれ、図１１に例示するデータ入力部１１０１、予測モデル記憶部１１０２と、ＭＣＩ予測情報算出部１１０３と同様に構成されてよい。
目標算出部１２０４は、時系列の１以上の時点で被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な活動データを算出する。具体的には目標算出部１２０４は、例えば、上記軽度認知障害予測システム１１００と同様に、被験者の属性データと、被験者の活動データと、第１予測モデルとに基づき、被験者が軽度認知障害者に該当するかを時系列の１以上の時点で予測可能な予測情報を算出する。更に、目標算出部１２０４は、例えば、被験者の属性データと、上記予測情報の算出に用いられたデータとは異なる被験者の活動データと、第１予測モデルとに基づき、活動データが変更された条件のもとで、被験者が軽度認知障害者に該当するかを時系列の１以上の時点で予測可能な模擬判定情報を算出する。目標算出部１２０４は、上記算出した判定情報と、模擬判定情報とを比較することで、特定の活動データの変更することにより、軽度認知障害者に該当すると予測される確率を低減させることが可能か判定してもよい。この場合、目標算出部１２０４は、例えば、軽度認知障害者に該当すると予測される確率を低減させることが可能な活動データを出力してもよい。
以上のような構成とされた本実施形態の軽度認知障害予測システム２、軽度認知障害予測システム１１００、軽度認知障害予防システム１２００は、上記同様、将来の被験者がＭＣＩとなるか否かを容易に予測することができる。また、本実施形態の軽度認知障害予測システム２、軽度認知障害予防システム１２００は、将来の被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な上記活動データを算出可能であることから、ＭＣＩの発生の予防に資することができる。
＜本開示に係る技術を実現可能なハードウェア及びソフトウェア構成＞
以下、本開示に係る技術を実現可能なハードウェア及びソフトウェア構成について説明する。
上記説明した本開示に係る軽度認知障害判定システム、及び、軽度認知障害予測システム（例えば、軽度認知障害判定システム１、軽度認知障害判定システム１０００、軽度認知障害予測システム２、軽度認知障害予測システム１１００、軽度認知障害予防システム１２００、以下纏めて、単に「軽度認知障害判定システム」と記載する）における任意の構成部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、そのプログラムをコンピュータシステムに読み込ませて実行するようにしてもよい。なお、ここでいう「コンピュータシステム」とは、オペレーティングシステム（ＯＳ：Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）あるいは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（Ｃｏｍｐａｃｔ Ｄｉｓｃ）－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。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークあるいは電話回線等の通信回線を介してプログラムが送信された場合のサーバー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。記録媒体は、非一時的記録媒体であってもよい。
また、上記のプログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワークあるいは電話回線等の通信回線のように情報を伝送する機能を有する媒体のことをいう。
また、上記のプログラムは、前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、上記のプログラムは、前述した機能をコンピュータシステムにすで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であってもよい。差分ファイルは、差分プログラムと呼ばれてもよい。
軽度認知障害判定システムは、一以上の専用のハードウェア装置により実現さてもよい。また、本開示に係る軽度認知障害判定システムは、コンピュータ等の、一以上の汎用の情報処理装置により実現されてもよい。また、一以上の専用のハードウェア装置と、一以上の汎用の情報処理装置との組み合わせにより実現されてもよい。本開示に係るシステムが、複数のハードウェア装置を用いて実現される場合、それらの装置の間は適切な通信手段により通信可能に接続されていてよい。
専用のハードウェア装置は、例えば、上記説明した本開示に係る軽度認知障害判定システムの各構成要素の機能を実現可能な回路素子（例えば、集積回路等）により実現されてもよい。
汎用のハードウェア装置は、例えば、図２３に例示するような、情報処理装置１３００であってもよい。図２３に例示する情報処理装置１３００は、プロセッサ（演算装置）１３０１、メモリ１３０２、ストレージ１３０３、通信インタフェース１３０４、及び、入出力インタフェース１３０５を備えてもよい。これら情報処理装置１３００に含まれる構成要素は、通信バス等によち適宜通信可能に接続されていてよい。
プロセッサ１３０１は、後述するメモリ１３０２に記憶されたプログラム及びデータを読みこんで適宜処理を実行するマイクロプロセッサ（ＣＰＵ）などの演算装置である。プロセッサ１３０１は、例えば、特定の命令セットを解釈可能な汎用の演算装置であってもよい。
メモリ１３０２は、データ及びプログラムを記憶可能な記憶デバイスである。メモリ１３０２は、例えば、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などにより実現されてもよい。
ストレージ１３０３は、各種データを記憶・保存可能な記憶装置であってよい。ストレージ１３０３は、例えば、メモリ１３０２よりも容量が大きい記憶装置であってもよい。
ストレージ１３０３は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）や、半導体記憶装置等により実現される記憶装置であってよい。なお、図２３に例示する具体例の場合、ストレージ１３０３は情報処理装置１３００に含まれているが、本実施形態はこれに限定されない。例えば、ストレージ１３０３は、情報処理装置１３００は、例えば、現在では周知のストレージサーバ、クラウドストレージ等として、情報処理装置１３００の外部において実現されてもよい。この場合、情報処理装置１３００は、例えば、後述する通信インタフェース１３０４を介して、ストレージ１３０３に記憶されたデータにアクセスしてもよい。上記各実施形態において説明した各種データ、モデル等は、ストレージ１３０３に記憶されてもよい。
通信インタフェース１３０４は、例えば、通信ネットワークを介して各種データ等を送受信可能なインタフェースデバイスである。情報処理装置１３００は、例えば、被験者が装着したセンサ装置１００との間で、通信インタフェース１３０４を介して、各種データを送受信してもよい。
入出力インタフェース１３０５は、例えば、情報処理装置１３００に対する各種データの入力や、情報処理装置１３００からの各種データの出力を制御可能なインタフェースデバイスである。例えば、上記各実施形態において説明したデータ入力部（１０、１００１、１１０１、１２０１等）は、入出力インタフェース１３０５を介して、各種データの入力を受け付けてもよい。また、上記各実施形態において説明した出力部（２７、３７等）は、入出力インタフェース１３０５を介して、各種データを出力してもよい。
また、入出力インタフェース１３０５は、記憶媒体１３０６との間におけるデータの読み込み及び書き込みを実現するインタフェース機能を備えてもよい。この場合、入出力インタフェース１３０５は、例えば、記憶媒体１３０６に対するデータの読み込み及び書き込みを実現可能なドライブ装置に対するインタフェースとして機能してもよい。
記憶媒体１３０６は、コンピュータ読み込み可能な媒体であり、例えば、現在では一般的に利用可能な光学記憶媒体、半導体記憶媒体、磁気記憶媒体、光磁気記憶媒体などであってもよい。
上記のように構成された情報処理装置１３００には、上記各実施形態において説明した軽度認知障害予測システムの各構成要素（あるいは、上記説明した各工程）を実現可能なコンピュータ・プログラムが導入されてもよい。係るコンピュータ・プログラムは、例えば、情報処理装置１３００を製造・出荷する際にストレージ１３０３に保存されてもよく、通信インタフェース１３０４を介して提供されてもよい。
上記説明した情報処理装置１３００が、係るコンピュータ・プログラムを実行することにより、本開示に係る軽度認知障害予測システムの少なくとも一部が実現されてもよい。
より具体的には、情報処理装置１３００が、係るコンピュータ・プログラムを実行することにより、上記説明した各工程が実行されることで、本開示に係る軽度認知障害予測システムに係る機能の少なくとも一部が実現されてもよい。この場合、本開示にかかる軽度認知障害予測システムは、例えば、汎用コンピュータにおいて実行されるコンピュータ・プログラムにより実現可能である。
なお、上記説明した情報処理装置１３００は、物理的な装置に限定されず、少なくともその一部が仮想化されて仮想マシンであってもよい。この場合、情報処理装置１３００を構成する構成要素は、仮想的なデバイスあるいはリソースとして実現されてもよい。
本開示に係る軽度認知障害予測システムの少なくとも一部は、例えば、一般的に利用可能な仮想化基盤において実現された仮想システムとして実現されてもよい。
以上、本開示に係る軽度認知障害予測システムを実現可能な実施形態について説明した。なお、本開示に係る軽度認知障害予測システムは、上記実施形態に記載した構成に限定されない。即ち、本開示に基づいて当業者が理解できるスコープにおいて、各実施形態の構成を適宜変更あるいは改良した変更例、改善例も本開示に係る軽度認知障害予測システムに含まれてよい。また、上記各実施形態を適宜組み合わせることで実現されたシステムも、本開示に係る軽度認知障害予測システムに含まれてよい。
１…軽度認知障害判定システム、２…軽度認知障害予測システム、１０…データ入力部、１１…属性データ入力部、１２…センサデータ入力部、２０…ＭＣＩ判定部、２１…活動データ変換部、２２…データ統合部、２３…データクレンジング部、２４…判定モデル記憶部、２５…要因情報算出部、２６…判定情報算出部、２７…出力部、３０…ＭＣＩ予測部、３１…活動データ変換部、３２…データ統合部、３３…データクレンジング部、３４…予測モデル記憶部、３５…予測要因情報算出部、３６…予測情報算出部、３７…出力部、４０…目標算出部、４１…活動データ入力部、４２…データ統合部、４３…データクレンジング部、４４…模擬判定要因情報算出部、４５…模擬判定情報算出部、４６…模擬判定情報確認部、４７…出力部、１０００…軽度認知障害判定システム、１００１…データ入力部、１００２…判定モデル記憶部、１００３…ＭＣＩ判定情報算出部、１１００…軽度認知障害予測システム、１１０１…データ入力部、１１０２…予測モデル記憶部、１１０３…ＭＣＩ予測情報算出部、１２００…軽度認知障害予防システム、１２０１…データ入力部、１２０２…予測モデル記憶部、１２０３…ＭＣＩ予測情報算出部、１２０４…目標算出部、１３００…情報処理装置、１３０１…プロセッサ、１３０２…メモリ、１３０３…ストレージ、１３０４…通信インタフェース、１３０５…入出力インタフェース、１３０６…記憶媒体

Claims (26)

  1. 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
    健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを判定するための第１判定モデルを記憶した判定モデル記憶部と、
    前記被験者の前記属性データと、前記センサデータと、前記第１判定モデルに基づき、前記被験者が軽度認知障害者に該当するかを判定可能な判定情報を算出するＭＣＩ判定情報算出部と、を有する、軽度認知障害判定システム。
  2. 前記第１判定モデルが、第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報とを説明変数とし、前記健常者と前記軽度認知障害者のそれぞれのカテゴリーを目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルである、請求項１に記載の軽度認知障害判定システム。
  3. 前記判定モデル記憶部はさらに、被験者の軽度認知障害の判定に影響する要因情報推定値を算出するための要因情報推定モデルを記憶し、
    前記被験者の前記属性データと、前記センサデータと、前記要因情報推定モデルに基づいて、前記被験者の軽度認知障害の判定に影響する要因情報推定値を算出する要因情報算出部を有し、
    前記ＭＣＩ判定情報算出部は、前記被験者の前記属性データと、前記要因情報推定値と、前記第１判定モデルに基づき、前記被験者が軽度認知障害者に該当するかを判定するための判定情報を算出する、請求項１又は２に記載の軽度認知障害判定システム。
  4. 前記要因情報推定モデルは、前記第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータを説明変数とし、前記第三者から取得された軽度認知障害の判定に影響する要因情報を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルである、請求項３に記載の軽度認知障害判定システム。
  5. 前記判定モデル記憶部はさらに、軽度認知障害者が、アルツハイマー型軽度認知障害者、及び、非アルツハイマー型軽度認知障害者のいずれかに該当するかを判定するための第２判定モデルを記憶し、
    前記被験者の前記属性データと、前記被験者の前記センサデータと、前記第２判定モデルに基づき、前記被験者がアルツハイマー型軽度認知障害者に該当するかを判定可能な判定情報を算出するＡＤ型ＭＣＩ判定情報算出部を有する、請求項１から請求項４のいずれか一項に記載の軽度認知障害判定システム。
  6. 前記第２判定モデルが、アルツハイマー型軽度認知障害者と非アルツハイマー型軽度認知障害者健常者とを含む第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報とを説明変数とし、前記アルツハイマー型軽度認知障害者と前記非アルツハイマー型軽度認知障害者のそれぞれのカテゴリーを目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルである、請求項５に記載の軽度認知障害判定システム。
  7. 前記軽度認知障害の判定に影響する要因情報が、ＭＭＳＥ（Ｍｉｎｉ Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ）点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量のうち一つ以上の情報である、請求項１から請求項６のいずれか一項に記載の軽度認知障害判定システム。
  8. 前記センサデータは、前記センサ装置が有する一つ以上のセンサ素子を用いて測定された、歩行数、会話時間、心拍数、睡眠時間のうち一つ以上の情報に変換可能な一つ以上のデータを含む、請求項１から請求項７のいずれか一項に記載の軽度認知障害判定システム。
  9. 前記センサデータは、前記センサ装置が有する一つ以上のセンサ素子を用いて特定の期間の間に測定された測定データの平均値である、請求項１から請求項８のいずれか一項に記載の軽度認知障害判定システム。
  10. 前記属性データは、年齢、性別、教育歴、既往歴、喫煙状況、飲酒状況、高血圧、糖尿病、高コレステロールのうち少なくとも一つ以上の情報を含む個人に特有のデータである、請求項１から請求項９のいずれか一項に記載の軽度認知障害判定システム。
  11. 請求項１から請求項１０のいずれか一項に記載の軽度認知障害判定システムに対して、センサデータを提供可能なセンサ装置であって、
    被験者の体の一部に装着可能な装着部と、
    一つ以上のセンサ素子と、
    前記センサ素子により測定したセンサデータを記憶可能なセンサデータ記憶部と、
    前記センサデータを前記軽度認知障害判定システムに対して提供可能なデータ提供部と、を備えるセンサ装置。
  12. 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
    第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得された脳糖代謝率を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られた脳糖代謝率推定モデルを記憶した脳糖代謝率推定モデル記憶部と、
    前記被験者の前記属性データと、前記センサデータと、前記脳糖代謝率推定モデルに基づき、前記被験者の脳糖代謝率を推算する脳糖代謝率推算部と、を有する、脳糖代謝率推定システム。
  13. 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
    第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得された海馬体積を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られた海馬体積推定モデルを記憶した海馬体積推定モデル記憶部と、
    前記被験者の前記属性データと、前記センサデータと、前記海馬体積推定モデルに基づき、前記被験者の海馬体積を推算する海馬体積推算部と、を有する、海馬体積推定システム。
  14. 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
    第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得された灰白質体積を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られた灰白質体積推定モデルを記憶した灰白質体積推定モデル記憶部と、
    前記被験者の前記属性データと、前記センサデータと、前記灰白質体積推定モデルに基づき、前記被験者の灰白質体積を推算する灰白質体積推算部と、を有する、灰白質体積推定システム。
  15. 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
    第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得されたアミロイドβ蓄積量を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られたアミロイドβ蓄積量推定モデルを記憶したアミロイドβ蓄積量推定モデル記憶部と、
    前記被験者の前記属性データと、前記センサデータと、前記アミロイドβ蓄積量推定モデルに基づき、前記被験者のアミロイドβ蓄積量を推算するアミロイドβ蓄積量推算部と、を有する、アミロイドβ蓄積量推定システム。
  16. 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
    第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、前記第三者から取得されたＭＭＳＥ（Ｍｉｎｉ Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ）点数を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルにより得られたＭＭＳＥ点数推定モデルを記憶したＭＭＳＥ点数推定モデル記憶部と、
    前記被験者の前記属性データと、前記センサデータと、前記ＭＭＳＥ点数推定モデルに基づき、前記被験者のＭＭＳＥ点数を推算するＭＭＳＥ点数推算部と、を有する、ＭＭＳＥ点数推定システム。
  17. 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
    健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第１予測モデルを記憶した予測モデル記憶部と、
    前記被験者の前記属性データと、前記被験者の前記センサデータと、前記第１予測モデルに基づき、前記被験者が軽度認知障害者に該当するかを時系列の１以上の時点で予測するための予測情報を算出するＭＣＩ予測情報算出部と、を有する、軽度認知障害予測システム。
  18. 前記第１予測モデルが、第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報とを説明変数とし、前記健常者と前記軽度認知障害者のそれぞれのカテゴリーを目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルである、請求項１７に記載の軽度認知障害予測システム。
  19. 前記予測モデル記憶部はさらに、被験者の時系列の軽度認知障害の予測に影響する予測要因情報推定値を算出するための予測要因情報推定モデルを記憶し、
    前記被験者の前記属性データと、前記センサデータと、前記予測要因情報推定モデルに基づいて、前記被験者の軽度認知障害の予測に影響する予測要因情報推定値を算出する予測要因情報算出部を有し、
    前記ＭＣＩ予測情報算出部は、前記予測要因情報推定値と、前記第１予測モデルに基づき、前記被験者が軽度認知障害者に該当するかを予測可能な予測要因情報を算出する、請求項１７又は１８に記載の軽度認知障害予測システム。
  20. 前記予測要因情報推定モデルは、前記第三者の属性データと、前記第三者が装着したセンサ装置から取得されたセンサデータとを説明変数とし、第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を目的変数とした回帰分析と機械学習との少なくとも一方を含む分析処理により作成されたモデルである、請求項１９に記載の軽度認知障害予測システム。
  21. 前記軽度認知障害の予測に影響する予測要因情報が、ＭＭＳＥ（Ｍｉｎｉ Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ）点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量のうち一つ以上の情報である、請求項１７から請求項２０のいずれか一項に記載の軽度認知障害予測システム。
  22. 被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力するデータ入力部と、
    健常者と軽度認知障害者を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第１予測モデルを記憶した予測モデル記憶部と、
    前記被験者の前記属性データと、前記被験者のセンサデータと、前記第１予測モデルに基づき、前記被験者が軽度認知障害者に該当するかを時系列の１以上の時点で予測するための予測情報を算出するＭＣＩ予測情報算出部と、
    前記時系列の１以上の時点で前記被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な前記被験者のセンサデータから変換された前記被験者の活動を表す活動データを判定する目標算出部と、を有する、軽度認知障害予防システム。
  23. 被験者の属性データと、被験者の活動を表す活動データを入力するデータ入力部と、
    健常者と軽度認知障害者を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第１予測モデルを記憶した予測モデル記憶部と、
    前記被験者の前記属性データと、前記被験者の前記活動データと、前記第１予測モデルに基づき、前記被験者が軽度認知障害者に該当するかを時系列の１以上の時点で模擬判定するための模擬判定情報を算出するＭＣＩ模擬判定情報算出部と、を有する、軽度認知障害シミュレーションシステム。
  24. 情報処理装置に、
    被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力する処理と、
    健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された軽度認知障害の判定に影響する要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを判定するための第１判定モデルと、前記被験者の前記属性データと、前記センサデータと、に基づき、前記被験者が軽度認知障害者に該当するかを判定可能な判定情報を算出する処理と、を実行させる、コンピュータ・プログラム。
  25. 情報処理装置に、
    被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力する処理と、
    健常者と軽度認知障害者との少なくとも一方を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第１予測モデルと、前記被験者の前記属性データと、前記被験者の前記センサデータと、に基づき、前記被験者が軽度認知障害者に該当するかを時系列の１以上の時点で予測するための予測情報を算出する処理と、を情報処理装置に実行させる、コンピュータ・プログラム。
  26. 情報処理装置に、
    被験者の属性データと、前記被験者が装着したセンサ装置から取得されたセンサデータとを入力する処理と、
    健常者と軽度認知障害者を含む第三者の属性データと、前記第三者から取得された時系列の軽度認知障害の予測に影響する予測要因情報を用いて作成された、被験者が、健常者、及び、軽度認知障害者のいずれかに該当するかを予測するための第１予測モデルと、前記被験者の前記属性データと、前記センサデータと、に基づき、前記被験者が軽度認知障害者に該当するかを時系列の１以上の時点で予測するための予測情報を算出する処理と、
    前記時系列の１以上の時点で前記被験者が軽度認知障害者に該当すると予測される確率を低減させることが可能な前記被験者のセンサデータから変換された前記被験者の活動を表す活動データを判定する処理と、を実行させる、コンピュータ・プログラム。
JP2023093214A 2019-08-26 2023-06-06 軽度認知障害判定システム Pending JP2023116604A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023093214A JP2023116604A (ja) 2019-08-26 2023-06-06 軽度認知障害判定システム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019154184A JP7293050B2 (ja) 2019-08-26 2019-08-26 軽度認知障害判定システム
JP2023093214A JP2023116604A (ja) 2019-08-26 2023-06-06 軽度認知障害判定システム

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2019154184A Division JP7293050B2 (ja) 2019-08-26 2019-08-26 軽度認知障害判定システム

Publications (1)

Publication Number Publication Date
JP2023116604A true JP2023116604A (ja) 2023-08-22

Family

ID=74674407

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2019154184A Active JP7293050B2 (ja) 2019-08-26 2019-08-26 軽度認知障害判定システム
JP2023093214A Pending JP2023116604A (ja) 2019-08-26 2023-06-06 軽度認知障害判定システム

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2019154184A Active JP7293050B2 (ja) 2019-08-26 2019-08-26 軽度認知障害判定システム

Country Status (1)

Country Link
JP (2) JP7293050B2 (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023053387A (ja) * 2022-02-04 2023-04-12 株式会社三洋物産 遊技機
JP2023053388A (ja) * 2018-03-08 2023-04-12 株式会社三洋物産 遊技機
JP2023054222A (ja) * 2019-03-28 2023-04-13 株式会社三洋物産 遊技機
JP2023054226A (ja) * 2017-12-29 2023-04-13 株式会社三洋物産 遊技機
JP2023054227A (ja) * 2018-02-15 2023-04-13 株式会社三洋物産 遊技機
JP2023054223A (ja) * 2019-03-28 2023-04-13 株式会社三洋物産 遊技機
JP2023105101A (ja) * 2018-12-26 2023-07-28 株式会社三洋物産 遊技機
JP2023105105A (ja) * 2020-05-29 2023-07-28 株式会社三洋物産 遊技機

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102438195B1 (ko) * 2021-11-18 2022-08-31 주식회사 뉴로젠 인지 장애에 대한 정보를 획득하는 방법 및 이를 수행하는 인지 장애 정보 획득 장치
CN116662835A (zh) * 2022-02-18 2023-08-29 医疗研究开发有限公司 分层方法以及分层装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6958807B2 (ja) 2017-08-16 2021-11-02 株式会社Ｓｐｌｉｎｋ サーバシステム、サーバシステムによって実行される方法及びプログラム
JP6263308B1 (ja) 2017-11-09 2018-01-17 パナソニックヘルスケアホールディングス株式会社 認知症診断装置、認知症診断方法、及び認知症診断プログラム

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023054226A (ja) * 2017-12-29 2023-04-13 株式会社三洋物産 遊技機
JP2023054227A (ja) * 2018-02-15 2023-04-13 株式会社三洋物産 遊技機
JP2023053388A (ja) * 2018-03-08 2023-04-12 株式会社三洋物産 遊技機
JP2023105101A (ja) * 2018-12-26 2023-07-28 株式会社三洋物産 遊技機
JP2023054222A (ja) * 2019-03-28 2023-04-13 株式会社三洋物産 遊技機
JP2023054223A (ja) * 2019-03-28 2023-04-13 株式会社三洋物産 遊技機
JP2023105105A (ja) * 2020-05-29 2023-07-28 株式会社三洋物産 遊技機
JP2023053387A (ja) * 2022-02-04 2023-04-12 株式会社三洋物産 遊技機

Also Published As

Publication number Publication date
JP7293050B2 (ja) 2023-06-19
JP2021029692A (ja) 2021-03-01

Similar Documents

Publication Publication Date Title
JP7293050B2 (ja) 軽度認知障害判定システム
JP7367099B2 (ja) せん妄患者の脳症の存在をスクリーニングするためのシステム
US20150148621A1 (en) Methods and systems for creating a preventative care plan in mental illness treatment
Lin et al. Advanced artificial intelligence in heart rate and blood pressure monitoring for stress management
KR102197112B1 (ko) 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법
KR102208759B1 (ko) 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법
JP2018524137A (ja) 心理状態を評価するための方法およびシステム
JP2018524750A (ja) ストレス状態をモニターするための方法およびシステム
JP2023509224A (ja) 機械学習に基づいて心理指標データ及び身体指標データを学習することにより、精神健康を予測し、精神健康ソリューションを提供する方法及びそれを用いた精神健康評価装置
WO2020027213A1 (ja) 認知症リスクの提示システムおよび方法
Prabhakar et al. Combining quick sequential organ failure assessment score with heart rate variability may improve predictive ability for mortality in septic patients at the emergency department
US20210257067A1 (en) State transition prediction device, and device, method, and program for learning predictive model
US20210241909A1 (en) Method and a system for evaluating treatment strategies on a virtual model of a patient
Lam et al. The Use of Smartphone keystroke dynamics to passively monitor upper limb and cognitive function in multiple sclerosis: Longitudinal analysis
JP2023089729A (ja) 計算機システム及び情動推定方法
Bothe et al. The B-Score is a novel metric for measuring the true performance of blood pressure estimation models
Raghu et al. ECG-guided non-invasive estimation of pulmonary congestion in patients with heart failure
Hwang et al. Implementation of interactive healthcare advisor model using chatbot and visualization
Utianski et al. A longitudinal evaluation of speech rate in primary progressive apraxia of speech
Codina-Filbà et al. Mobile eHealth platform for home monitoring of bipolar disorder
Curtiss et al. Temporal and contemporaneous network structures of affect and physical activity in emotional disorders
KR102208760B1 (ko) 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 영상 데이터 생성방법
WO2022212324A1 (en) Improved health management through causal relationship based feedback on behavior and health metrics captured by iot
JP7322818B2 (ja) 推定システム及びシミュレーションシステム
Rey Wearable data revolution: Digital biomarkers are transforming research, promising a revolution in healthcare

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230705

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230705

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231222

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240116

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240222