JP4636762B2 - 分光装置を較正する方法 - Google Patents

Description

【０００１】
【技術分野】
本発明は、分光法、分光光度法及びケモメトリックス（ｃｈｏｅｍｏｍｅｔｒｉｃｓ）の分野に関する。特に、本発明は、非侵襲的方法で検体のレベルを予測するための分光装置を較正する方法に関する。本発明の方法は、近赤外分光光度測定に基づく血糖の予測に特に適する。
【０００２】
【背景技術】
生物工学的分析及び検査は、多くの場合、血液、間質液又は生体組織のような生物学的マトリックスの組成にある様々な化学的検体の測定に基づくことが多い。こうした測定は、患者の健康状態を評価し、処置が必要な場合、どのような処置が必要かを決定するために使用され得る。たとえば、グルコース測定器をもって糖尿病患者の血糖レベルを頻繁に監視することは、患者が必要に応じてインスリン注射を行うか又は経口薬を摂取して血糖を低下させることにより、糖尿病を管理するために必要であることが多い。頻繁な血糖測定に基づく集中的な処置は、失明、腎臓の損失及び糖尿病に付随するその他の合併症の発生を著しく減少させることができる。
【０００３】
殆どの家庭用グルコース測定システムでは、患者が、指に針を刺して侵襲的に血液サンプルを収集し、サンプルを適切な試験片上に配置して、サンプルを光学的グルコース測定器で試験する必要がある。世界中の何百万人もの糖尿病患者にとって、インスリンレベルを監視するために血液を抽出すべくランセット又はその他の鋭利な器具を使用することは苦痛な過程であり、患者の指にはたこができていることが多く、その場合は血液の収集がさらに難しくなる。侵襲的な手順を子どもに行うことは特に難しく、両親にとっては特に骨の折れることである。さらに、各血液サンプルに必要な試験片は一般に再使用できず、毎日何度か測定を行う場合、患者の観点からは著しくコストがかさむことになる。したがって、糖尿病患者の多くは、毎日数回の測定を行うべきであるという事実にも関わらず（特定の個人の場合、医師は、毎日４〜７回グルコースレベルを試験することを勧める）、苦痛、コスト及び不便という点で、多くの糖尿病患者は、グルコースレベルをそれ程頻繁には監視していない。
【０００４】
分光法は、入射光が、分析上関係のある分子の振動及び回転状態とどのように相互作用するかという分析に基づく。分光測定技術は、異なる化学物質又は検体の濃度を迅速かつ非侵襲的に測定できるという点で、次第に一般的になってきた。上記の理由から、これは、家庭用グルコース測定器に特に望ましい。分光光度法は、サンプル溶液又は媒体の吸収スペクトルにおけるスペクトルエネルギー分布に基づいて検体の濃度を定量測定するために通常使われる一種の分光法である。分光光度法では、エネルギー分布は一般に、可視スペクトル、紫外スペクトル、赤外スペクトル又は近赤外スペクトルの範囲内で分析される。たとえば、近赤外線（ＮＩＲ）は、約０．７５から２．５μｍ（つまり、１５０〜４００ＴＨｚ）の間の波長を有する電磁輻射線である。近赤外分光光度法では、単色光分光器の石英プリズム及び吸収帯域を観察するための検出器として硫化鉛光伝導セルを備える器具が一般に使用され、ＮＩＲ分光光度法は、グルコース、全ヘモグロビン、アルブミン、コレステロール及びエタノールのような検体を生体内で測定するために次第に使用されるようになってきている。
【０００５】
人体におけるグルコースの非侵襲的分光光度測定は、入射光線源（つまり光源）を人体の特定部分に収束させて、当該部分を介して透過される輻射線のスペクトル分布を検出して行われる。入射線からの光の吸収は、水分、脂肪、蛋白質、ヘモグロビン、メラニン及びグルコースを含む当該人体部分内の化学成分による。グルコース測定スペクトル分析での１つの問題は、血液中に見られるグルコースと、多くの場合グルコースより多量のその他の化学物質との間でのスペクトルの重なりである。加えて、入射光線が通過する皮膚、骨及び血液の厚さ、色及び構造は、入射光線の透過（又は反射／吸収）に影響を及ぼす。さらに、検体の濃度は、活動レベル、食事、ホルモンの変動及びその他の要素の変化に応じて変化し得る。グルコース濃度の測定も、温度、圧力、湿度及び皮膚の水和作用を含む物理的及び化学的条件の変化により特に影響を受けやすい。したがって、確実な非侵襲的グルコース予測を行うには、人体の血管が均衡な領域でＮＩＲスペクトル測定を行うべきであり、ＮＩＲグルコース分光光度計は、ＮＩＲグルコース計からの未処理のスペクトル情報の質が高度であるように、注意して設計しなければならない。概して、IEEE LEOS Newsletter第１２巻、第２号（１９９８年４月）のWaynant及びChenault著「Overview of Non-Invasive Optical Glucose Monitoring Techniques」（非侵襲的光学的グルコース監視技術）並びにIEEE LEOS Newsletter第１２巻、第２号（１９９８年４月）のBurmeister及びArnold著「Spectroscopic Considerations for Noninvasive Blood Glucose Measurements With Near Infrared Spectroscopy」（近赤外分光法による非侵襲的血糖値測定に関する分光学的考察）を参照のこと。
【０００６】
近赤外グルコース測定は、組織の深さが約１ｍｍ〜１０ｃｍの場合に一般に適しており、患者の指の先端を使って行われることが多いが、人体のその他の領域（たとえば、２本の指間の皮膜、耳たぶ又は上唇）も使用することができる。サンプルの厚さは、重要な実験上のパラメータである。なぜなら、サンプルが厚くなると吸収量が増加し、その結果、検出の最低限度が低下するが、比較的厚いサンプルを完全に通過する（つまり、吸収されない）入射光線は減少し、事実上スペクトルのノイズを増加するからである。上記Burmeister及びArnold参照。
【０００７】
ＮＩＲ分光光度法をもって正確なスペクトル測定値を取得することの困難性に加えて、こうした測定に関連してさらに重要な困難性は、たとえば検体の濃度及び変動性が実質的に異なる様々な異なる個人が使用できるように、こうした器具を較正する必要があることである。分光光度計（及び概して分析器具）の較正は、こうした器具により行われる測定の精度を確保するために必要である。
【０００８】
先行技術では、検体（たとえばグルコース）レベルを較正及び予測する２種類の方法が使用されてきた。第１の方法では、器具が使用される各個人に対して個々に完全な較正過程が行われる。この個々の較正過程では、長期にわたって個人から多数の血液サンプルを採取し、これらサンプルから基準グルコース濃度測定値を取得する必要がある。多数の対応する非侵襲的分光測定値を同時に取得し、たとえば線形回帰分析により非侵襲的測定値を基準測定値と相関させるべく、較正回帰分析を実施する。この方法では、分光装置又は分光光度計は、特定の個人に応じて特別に較正される。しかし、この方法の主な不利益は、較正モデルが、関連する検体のスペクトルに重なる（これらスペクトルに干渉する）スペクトルの変動に関する不十分な情報量を有し得る特定個人からのデータに限定されることである。きわめて正確な検体を予測できるように、こうしたスペクトルを特徴付けることができることは重要である。この問題を軽減するため、各個人に応じた特別な較正過程が毎日でも頻繁に行われるべきであろう。
【０００９】
別法による較正方法では、全般的又は一般的な較正アルゴリズムを開発する必要がある。この方法は、多数の較正測定値を取得することにより（第１の方法と同様）、重複する又は干渉するすべての検体個々の変動性すべてを十分に考慮する単一の較正モデルを計算することができるという概念に基づく。ケモメトリックス、つまり数学的、統計的かつ形式的な論理方法を化学に応用する方法は、スペクトル強度データを処理及び計算して、較正モデルを生成するために一般に使用される。IEEE LEOS Newsletter第１２巻、第２号（１９９８年４月）のSmall及びArnold著「Data Handling Issues for Near-Infrared Glucose Measurements」（近赤外グルコース測定に関するデータ処理の問題）及び分析化学第６８号、２６６３〜２６７５ページ（１９９６年）のShaffer, Small及びArnold著「Genetic Algorithm-Based Protocol for Coupling Digital Filtering and Partial Least-Squares Regression: Application to the Near-Infrared Analysis of Glucose in Biological Matrices」（ディジタルフィルタリング及び部分最小二乗法回帰のための一般的なアルゴリズムに基づくプロトコル：生物学的マトリックスにおけるグルコースの近赤外分析に対する応用）を参照のこと。しかし、個々のサンプルごとに明確に異なって変化するグルコース及びその他の検体を測定する場合、単一の一般的な較正アルゴリズムは、効果がないことが多く、検体濃度レベルの重大な時には危険な誤った予測を行う可能性がある。
【００１０】
したがって、ＮＩＲ測定は、グルコースレベルを監視すべく非侵襲的で迅速であり、痛みのない便利な技術を提供するが、真のグルコースレベルを取得するためにスペクトル測定値を相関させて臨床的に解釈することは、適切な治療及び疾患の管理に重要である。様々な患者母集団（人種、年齢、体重などが異なる）のための器具を適切に較正することは、正確なグルコース予測モデルを取得する上で重要である。さらに、非侵襲的結果及びグルコース予測式を念入りに評価及び試験することは、臨床上重要なすべての条件で、すべての又は少なくとも殆どのタイプの患者についてグルコース相関関係が矛盾していないかを決定するために必要である。
【００１１】
【発明の開示】
本発明は、第１態様では、サンプルにおける検体レベルの非侵襲的な測定を提供するための分光装置を較正する方法であって：
（ａ）複数の較正アルゴリズムを提供するステップと；
（ｂ）前記の分光装置でもって前記サンプルの非侵襲的測定値集合を取得するステップと；
（ｃ）非侵襲的測定値集合に応答して各々の較正アルゴリズムに対する予測検体レベル集合を計算するステップであって、予測検体レベル集合の各々が、変動範囲、勾配、Ｒ^２（前記非侵襲的測定値集合と前記予測検体レベル集合との間の相関関係の二乗）及び標準予測誤差（ＳＥＰ）により特徴付けられているステップと；
（ｄ）各々の予測検体レベル集合に関する勾配、Ｒ ^２ 及びＳＥＰに基づき且つ式（適合性スコア）＝（勾配）（Ｒ ^２ ）／ＳＥＰによって計算された当該適合性スコアを使用して適切な較正アルゴリズムを選択するステップとを含む方法を提供する。
【００１２】
好ましくは、ステップ（ｄ）は、請求項１記載の方法を含み、
（ｉ）標準予測誤差が誤差の上限未満であり、変動範囲が範囲の下限を超え、勾配が勾配下限と勾配上限との間にあり、前記の勾配下限及び勾配上限が許容可能な勾配範囲を規定する予測検体レベル集合を選択するステップと；
（ｉｉ）ステップ（ｉ）で選択された予測集合の各々について、当該予測集合に対する勾配、Ｒ^２及び標準予測誤差に応答して適合性スコアを計算し、最適な（最高）適合性スコアを有する予測集合に対応する較正アルゴリズムを適切な較正アルゴリズムとして選択するステップと；
（ｉｉｉ）ステップ（ｉ）で予測集合が選択されない場合、変動範囲が範囲の下限未満であり、標準予測誤差が誤差の上限未満である予測検体レベル集合を選択するステップと；
（ｉｖ）ステップ（ｉｉｉ）で選択された予測集合の各々から最も低い標準予測誤差を有する予測集合に対応する較正アルゴリズムを適切な較正アルゴリズムとして選択するステップと；
（ｖ）ステップ（ｉ）又はステップ（ｉｉｉ）で予測集合が選択されない場合、較正アルゴリズムが適切ではないと決定するステップとを含む。
【００１３】
また、好ましくは、許容可能な勾配範囲は、第１レベル及び１つ又は複数の次のレベルを含む複数のレベルに対応する複数の副次的範囲に再分割されてもよく、第１レベルで予測集合が選択されない場合、予測集合が選択されるか又は次のレベルがなくなるまで次の各レベルでステップ（ｉ）を繰り返す。
【００１４】
好ましくは、ステップ（ａ）で得られた複数の較正アルゴリズムは、
（ｉ）多数のサンプル各々に対する検体レベル測定の非侵襲的な対応基準データ集合をコンパイルするステップと；
（ｉｉ）較正に適さないデータ集合を拒絶するステップと；
（ｉｉｉ）結合データ集合の相関関係が予め決められた規準に適合するかどうかに応じて較正に適するデータ集合を複数の群に結合するステップと；
（ｉｖ）データ集合の各群に対する較正アルゴリズムを生成するステップとにより最初に生成される。
【００１５】
本発明の方法のステップ（ａ）、（ｃ）及び（ｄ）は、分光装置に付随されたコンピュータで行われてもよい。さらに、サンプルは個々の患者であり、分光装置は近赤外分光光度計であり、検体は、グルコース、ヘモグロビン、アルブミン、コレステロール及びエタノールからなる群から選択されてもよい。
【００１６】
本発明の目的及び利点は、添付の図面に関連して以下の説明を参照するとより良く理解され、より容易に明白になるであろう。
図面は、一例として本発明の好ましい実施態様を示す。
【００１７】
上記のとおり、本発明は、非侵襲的方法で検体レベルを予測するための分光装置を較正する方法に関する。本発明は、検査されるべきアイテムを通って投射される光源と、サンプルインタフェース機構と、光をその成分波長に分離する分光計と、検出器と、増幅電子装置と、コンピュータとを有する典型的なＮＩＲ分光光度計システムに使用することができる。光源と検出器との間の損失（吸収）を測定し、適切なケモメトリック（数学的）技術を応用することにより、異なる化学物質が、異なる波長で異なる量の光を吸収するため、検査されるべき化学物資を非侵襲的に決定することができる。こうした分光光度装置及び方法は、米国特許第５，３６１，７５８号に詳細に記載されており、その内容は本明細書に援用する。本明細書は、現在のＮＩＲ測定に対する応用の主な分野の１つであるグルコースの測定に主に関するが、本発明の原理は、各種の分光技術を使用して非侵襲的に測定されるその他の検体に同等に適用されると考えられる。
【００１８】
ＮＩＲスペクトルをグルコース測定に使用するには、広いダイナミックレンジ及び高い信号対雑音比を有し、散乱損失が低い分光計を使用する必要がある。分光計からの出力は、吸光度及び波長の両方において高精密度でスペクトルを生成するために使用される。著しいグルコース吸収帯域は、１．６７、２．１３、２．２７及び２．３３μｍの波長付近に中心を有する（上記のSmall及びArnold著「Data handling Issues for Near-Infrared Glucose Measurements」（近赤外グルコース測定に関するデータ処理の問題）に記載されている）。これらの波長の他に、０．９７及び１．１２μｍに著しいグルコース吸収帯域が存在し、これらの波長により、組織においてより長距離を通る透過測定を行うことができる。ＮＩＲを使用して特定の化合物／検体を測定するには、ケモメトリックな数学的分析を測定スペクトルに応用する。数学的分析技術は、結果として得られた複合スペクトルを解釈できる高度なソフトウェアを備えたコンピュータにより行われる。
【００１９】
ＮＩＲ分光光度計を一般的に較正するには、比較的多数のサンプルについて、当該化合物又は検体に関連する吸収を最初に測定しなければならない。次に、これらＮＩＲ測定値と、より伝統的でより正確な侵襲的方法で得られた測定値とを比較する。これらの比較から、被測定検体を特徴付けるアルゴリズムを作成する。ＮＩＲ分光光度計のための較正モデルを生成するために使用される方法は複雑である。重要な基準は、較正サンプルが他の化学種濃度と相関しないことである。これらの基準を満たすのは、生物マトリックス又は成長媒体に一般に存在する多数の化学種のため厄介である。
【００２０】
本発明は、先行技術の一般的な単一較正モデルよりも非常に高い正確度で様々な異なるサンプルについて、血糖レベルのような生物マトリックスでの検体レベルを予測できる分光装置に使用するための多重アルゴリズム較正方法を提供するものである。本発明の較正方法は、複数の異なるアルゴリズムの生成及び検体濃度の正確な予測を生成するのに最も適するアルゴリズムの選択という２つの重要な部分を有する。
【００２１】
適切な較正アルゴリズムを生成するには、先ず、多数の個人に関する非侵襲的な基準測定データ集合をコンパイルする。データ集合のコンパイル後、非侵襲的なスペクトル測定を基準グルコースレベルに関連付けるべく相関技術を実施する。この段階では、個々の較正用データサンプルの適合性を考慮しなければならない。データ集合における非侵襲的なスペクトル測定値のいくつかによって、測定機器がたとえばアナログ−ディジタル変換器の出力部において飽和状態になる場合、このデータサンプルは、較正アルゴリズムに使用するのに適さない。同様に、データ集合内の非侵襲的なスペクトル測定値の変動範囲が非常に小さい場合、このデータサンプルも較正には適さない。さらに、特定データ集合でのグルコースの相関関係が、別の化学物質の濃度のように、別の変数に望ましくない状態で相関する場合、このサンプルも不適格である。したがって、多数のサンプル集合が、較正アルゴリズムの作成に適さなくなる。
【００２２】
較正に適するデータ集合（各々、特定の個人に特有）の異なるアルゴリズムへのグループ化、すなわち結合は、これらデータ集合を繰り返し結合し、この結合されたデータ集合において新たな相関をなすことにより、試行錯誤的に惹起する。結合集合の相関関係が特定基準を満たす場合、その結合は認められ、基準を満たさない場合、異なる結合が試みられる。結合が認められるとみなされたら、さらにデータ集合の追加が試みられて、順に合否が決定される。こうして、十分に多量のデータ集合が得られ、これらデータ集合から信頼できる較正アルゴリズムを作成することができるまで、アルゴリズムに対するデータ集合の結合は２個のデータ集合から３個のデータ集合、４個のデータ集合という具合に増加する。
【００２３】
単一のアルゴリズムのためのデータ集合を結合させる場合、２つの基準が重要である。第１に、他のパラメータとの結合データ集合群のグルコースの相関は、最小化されなければならない。こうした望ましくない相関関係には、異なる化学種の濃度又はその他の時間的に変化する数量が見られ得る。この基準に対する適切な定量的試験は、相関係数Ｒ_ｕ ^２の二乗（望ましくない相関関係に対して）で示される結合データ集合の望ましくないすべての相関関係が、Ｒ_ｕ ^２＜０．１０のように特定の限度未満であることを確保することである。知られている方法では、相関係数Ｒ_ｕ’は、一緒に変化すべき２つの変数の傾向を示す量である。データ集合の別のデータ集合又はデータ集合の適切な副結合への追加がこの基準を充足しない場合、新しい結合は認められない。
【００２４】
さらに、データ集合の結合は、データ集合が互いに高度の相関関係を示すことを確保することで最適化されることができるため、データ集合の結合における第２の基準は、特定の群内のデータ集合を互いに充分に相関させることを要求するべきである。これは、たとえば、基準予測誤差（ＳＥＰ）が最小になり、基準グルコースを予測グルコースに関連付ける勾配と共に相関係数の二乗、Ｒ^２が、データ集合の既存の副次的結合に対して約０．８を超え、別のデータ集合がこの副次的結合に潜在的に結合されることを確保することでなされ得る。
【００２５】
本発明の別法による実施態様では、較正アルゴリズム用のデータ集合群を連続的に追加するか又は築き上げるのではなく、較正に適するデータ集合の大きい群を最初に無作為に集める。この実施態様では、データ集合は群から除去され、上記のＳＥＰ及び相関基準が再度評価される。このデータ集合を除去した後にＳＥＰ、勾配及び相関基準が改善する場合、このデータ集合を群から永久的に除去するが、基準が改善しない場合、このデータ集合を再び群に戻す。このトップダウン法を使用する場合、データ集合の除去は、基準が許容可能な限度を満たした時に終了することができる。
【００２６】
較正アルゴリズムのグループ（群）化（及び随伴する較正アルゴリズム）を決定するためのＳＥＰ、勾配及び相関関係の計算は、データ量が増加するにつれてますます複雑になり、部分的最小二乗（ＰＬＳ）回帰分析を用いて行うことが好ましい。ＰＬＳ分析技術は当業者には十分によく知れており、著しく冗長な情報を除去することで良好な線形概算を提供する：概して、上記のSmall及びArnold著「Data handling Issues for Near-Infrared Glucose Measurements」（近赤外グルコース測定に関するデータ処理の問題）を参照。部分成分分析（ＰＣＡ）又は人口神経網（ＡＮＮ）のような、その他のタイプの分析を使用しても良い。
【００２７】
この較正アルゴリズム生成過程は、少なくとも２種類のデータ集合群（個人の群に対応する）を生成するために使用され、各々の群は、非侵襲的分光測定に基づく生物マトリックスに存在する検体のレベルを予測するための較正モデル又はアルゴリズムを提供する。好ましくは、２つの最初のデータ集合群が作成され、この２つの群から追加の群が生成され得る。この追加の群は、最初の２つの群よりサイズが概して小さく、より厳格な相関基準に適合することができる。これら追加の群は、上記のトップダウン法で構成され、データ集合は、除去後に相関基準が改善するか又は悪化するかを決定すべく、最初の群から選択的に除去される。
【００２８】
利用可能な多重較正アルゴリズムが与えられたりすると、いずれか所与の患者又はサンプルの検体レベルを予測するのに最も適するアルゴリズムをこれらアルゴリズムから選択する必要がある。アルゴリズムを選択した後、選択したアルゴリズムを使って分光装置を較正する。アルゴリズム選択過程は、多重アルゴリズムを生成するために使用される過程からは概して独立しており、明らかに、利用可能な異なるアルゴリズムの数に依存する。
【００２９】
非侵襲的分光測定が行われるいずれかの所与の患者又はサンプルに対して、先ず、高度に正確な基準測定値集合及びある期間について選択された間隔における対応する非侵襲的スペクトル測定値をコンパイルする必要がある。好ましい実施態様では、２つの連続する非侵襲的スペクトル測定値を測定間隔ごとに連続して取り、その平均を当該間隔の１つの非侵襲的測定値として取る。
【００３０】
アルゴリズムの選択を開始する前に、患者に対する承認要件の厳格さを決定するために（つまり、利用可能な較正アルゴリズムの少なくとも１つが、ある患者に適すると判明するかどうか）、２つの変数が設定され得る。これらは、（ｉ）データ集合内のグルコース又は検体の変動範囲の下限（データは、有意に変動しない場合、有用である十分な情報を提供しない）、（ｉｉ）標準予測誤差（ＳＥＰ）に対する誤差上限（ＳＥＰ_ｍａｘ）、つまり較正アルゴリズムで予測した検体濃度値からの基準検体濃度を二乗した偏差の平均値の平方根である。
【００３１】
非侵襲的スペクトル測定値から、各々の較正アルゴリズムに従って、検体濃度レベルの予測集合を計算する。濃度レベルの基準集合と比較した場合、各々の予測集合は、グルコースレベルの変動範囲；勾配（理想的には１であり、つまり予測値が基準値に直接対応する）；予測値の集合と基準値の集合との相関関係を定義する相関係数Ｒ；及び上記で定義した標準予測誤差（ＳＥＰ）により特徴付けられる線形回帰又は「最も適合する」線から計算される。相関係数Ｒは、予測検体にオフセット又はバイアスが存在する場合を除いて、ＳＥＰが減少するにつれて増加し又はこの逆である点に注意する。
【００３２】
一例として、本発明の範囲を制限する意図はないが、アルゴリズム選択過程は４つのレベル又はステップを含むことができる。第１レベルでは、アルゴリズムの予測データ集合が以下の基準を満たす場合、
ｉ）ＳＥＰ＜誤差上限（ＳＥＰ_ｍａｘ）
ｉｉ）検体の範囲＞範囲の下限、及び
ｉｉｉ）０．５＜勾配（回帰線の）＜１．０５
以下の式により適合性スコアを計算する：
スコア＝（勾配）（Ｒ^２）／（ＳＥＰ）
１つ以上のアルゴリズムが第１レベルの基準に適合する場合、最高の適合性スコアを有するアルゴリズムを選択して、選択過程は完了する。第１レベルの基準に関してどのアルゴリズムも適格ではない場合、選択過程は第２レベルに進む。
【００３３】
第２レベルは第１レベルと同じだが、勾配基準は以下になる：
０．３３＜勾配（回帰線の）＜０．５
この修正勾配基準（並びにＳＥＰ及び範囲基準）に適合するアルゴリズムの場合、第１レベルの場合のように適合性スコアを計算する。やはり、第２レベルで１つ以上のアルゴリズムが適格である場合、最高のスコアを有するアルゴリズムを選択して、選択過程は完了する。
【００３４】
第３レベルでは、第１レベル又は第２レベルのどちらかでどのアルゴリズムも適格にならず、検体測定値の範囲が範囲の下限を超える場合、こうした状況では、正確に較正が行われる頼りになる較正アルゴリズムが存在しないため、当該サンプル又は患者を測定から除外する。
【００３５】
最後に、第４レベルでは、第１レベル又は第２レベルのどちらかでどのアルゴリズムも適格にならず、検体測定値の範囲が範囲の下限未満である場合、当該ＳＥＰが誤差の上限未満であれば、最低のＳＥＰを有するアルゴリズムを選択する。ＳＥＰが誤差の上限を超える場合、やはり当該患者を測定から除外する。したがって、第４レベルでは、ＳＥＰは、アルゴリズムが認められるかどうかを決定する際の唯一の要素になる。
【００３６】
なお、上記の第１及び第２レベルにおける勾配基準限度は好ましい限度であり、これらレベルは、適用及び承認要件に応じて多少変更され得る（範囲の下限及び誤差上限と同様）。また、アルゴリズム選択過程に使用するレベル又はステップの数も、全体の好ましい範囲をカバーする単一のレベルから、好ましい範囲を２つ又はそれ以上の範囲限度又は範囲基準に再分割する２つ又はそれ以上のレベルまで変更できる。しかし、レベルの数に関係なく、上記の第３レベル及び第４レベルは、患者が除外されるか又はアルゴリズムを承認すべき決定がＳＥＰのみに基づいて行われる最後の２つのレベルに相当する。当業者には、選択するレベル又はステップの数は好みの問題に過ぎないことが容易に分かるであろう。
【００３７】
本発明の原理を示すため、多くの異なる患者のグルコースレベルを測定するためのＮＩＲ分光光度計を較正すべく、多重アルゴリズム較正方法を使用した。すべての基準データ測定値は、（侵襲的）血液サンプルにおいて正確なグルコース測定値を与える業界標準のＹＳＩ^ＴＭ（Yellow Springs Instruments）グルコース分析器のようなグルコース分析器をもって取得された。本発明者は、上記の基準が与えられたとして、較正の目的に適するのは、単一のＮＩＲ患者データ集合の約６％にすぎないことを発見した。これらの較正に適するデータ集合は、最初の２つの較正アルゴリズム集合群にまとめ、最初の群の各々は、その中に３３個のデータ集合を有する１つの群に構成された。これら最初の２つの群から、１１個の追加の群を分離して独立させ、これらの群の各々は、その中に少なくとも８個のデータ集合を有していた。したがって、１３種類の異なる較正アルゴリズムがグルコースレベルの予測に使用可能だった。
【００３８】
このアルゴリズムの選択は、３日間にわたって患者から得た合計２４の基準測定値（つまり、ＹＳＩ^ＴＭで測定）及び２つのＮＩＲ指測定値の２４の平均値を基にした。上記のアルゴリズム選択過程は、多くの異なる患者（較正過程に関係ない）について行った。
【００３９】
図１は、一般的な較正モデル（クワッド（ＱＵＡＤ）３７）に基づく多数の異なる患者に対するグルコース予測の相関分散図である。図１の分散図は、Diabetes Care（糖尿病の治療）１０：６２２〜６２８（１９８７年）に記載されているClarke及びCox著「Error Grid Analysis」（誤差グリッド分析）に記載されているClarke誤差グリッドに重ねられる。Clarke誤差グリッドは、対応する臨床判断の有効性に基づいて測定の正確度を評価する５つの領域（Ａ〜Ｅ）に相関空間を分割する。「Ａ」領域に分類される相関点は、実際のグルコースレベルと予測グルコースレベルとの間の類似性（つまり、予測値は基準値から２０％しか逸脱しない）に基づいて行われる正確な臨床判断に対応する。「Ｂ」領域では、予測値は基準値から２０％を超えて逸脱するが、グルコースの予測レベルに基づいて行われる治療の決定は、患者を危険にさらすか又は患者に悪影響を及ぼすことはない。領域「Ｃ」、「Ｄ」及び「Ｅ」では、予測は基準値から著しく逸脱し、これらの予測に基づく治療の決定は多分に有害であり得る。Clarke誤差グリッドは、試験室の基準装置により適しているより伝統的な分析方法とは対照的に、家庭用血糖レベル監視装置の誤差による臨床上の結果を評価するために使用されることが多い。
【００４０】
図１を参照すると、この一般的な較正アルゴリズムの誤差上限ＳＥＰ_ｍａｘは３．０７ｍｍｏｌ／Ｌであり、かなりの量のデータが許容可能な限度又は領域外にあることが見られ得る。これとは対照的に、図２は、本発明による多重アルゴリズム較正モデルに基づく２５人の患者に対するグルコース予測値の相関分散図を示し、ＳＥＰ_ｍａｘは２．７６ｍｍｏｌ／Ｌに等しい。同様に、図３は、本発明による多重アルゴリズム較正モデルに基づく２２人の患者に関するグルコース予測値の相関分散図を示し、ＳＥＰ_ｍａｘは２．２８ｍｍｏｌ／Ｌに等しい。図２、特に図３の予測値は共に、図１の予測値（一般的なアルゴリズムにより較正）よりもはるかに良好な正確度を示す。
【００４１】
同様に、図４は、同じ一般的アルゴリズムにより較正した、典型的な患者に対する相関データの集合を示し、図５は、本発明の多重アルゴリズムの方法により較正された同じ患者に対する相関データを示す。やはり、本発明の較正方法に基づくグルコース予測値の精度が改善したことは明らかである。
【００４２】
当業者には、本発明の原理を広範な分光用途に適用できることは明白である。たとえば、ＮＩＲ輻射線は、通常はすべて不透明であると考えられる人体の組織、血管又は乳腺のようなアイテムを貫通するために使用され得る。結果として得られる吸収スペクトルの数学的分析は、光が貫通する物質の組成を決定する。したがって、血液試験所では、サンプルは、液体を収容しているプラスチック瓶に光を通過させることにより、接触せずに検査され得る。同様に、日常の用途では、ＮＩＲ光は乳房を通過し、乳脂肪、固体粒子及び乳酸塩のようなパラメータが測定される。本発明の多重アルゴリズム法は、これらのタイプの非侵襲的測定にも容易に拡張することができる。さらに、本発明の方法は、コレステロール、ヘモグロビン、Ｈｂ１Ａｃ、フルクトサミン及び１．５ＡＧのような、その他多数の血液検体の非侵襲的測定にも適用することができる。
【００４３】
本発明の好ましい実施態様について説明してきたが、開示した実施態様は具体的に示すためのものであって制限的ではなく、本発明は添付の請求の範囲により定義されるべく意図される。
【図面の簡単な説明】
【図１】 一般的な単一の較正モデルに基づく多数の異なる患者に関するグルコース予測の相関分散図である。
【図２】 本発明による多重アルゴリズム較正モデルに基づく多数の患者に関するグルコース予測の相関分散図である。
【図３】 本発明による多重アルゴリズム較正モデルに基づく多数の患者に関するグルコース予測のもう１つの相関分散図である。
【図４】 一般的な単一の相関モデルに基づく典型的な患者に関するグルコース予測の相関分散図である。
【図５】 本発明による多重アルゴリズム較正モデルに基づく同一の典型的な患者に関するグルコース予測の相関分散図である。

Claims (11)

1. サンプルにおける検体レベルの非侵襲的な測定を提供するための分光装置を較正する方法であって：
   （ａ）複数の較正アルゴリズムを提供するステップと；
   （ｂ）前記分光装置でもって前記サンプルの非侵襲的測定値集合を取得するステップと；
   （ｃ）非侵襲的測定値集合に応答して各々の較正アルゴリズムに対する予測検体レベル集合を計算するステップであって、前記予測検体レベル集合の各々が、変動範囲、勾配、Ｒ^２（前記非侵襲的測定値集合と前記予測検体レベル集合との間の相関関係の二乗）及び標準予測誤差（ＳＥＰ）により特徴付けられているステップと；
   （ｄ）各々の予測検体レベル集合に関する勾配、Ｒ ^２ 及びＳＥＰに基づき且つ式（適合性スコア）＝（勾配）（Ｒ ^２ ）／ＳＥＰによって計算された当該適合性スコアを使用して適切な較正アルゴリズムを選択するステップとを含む方法。
2. ステップ（ｄ）が、
   （ｉ）標準予測誤差が誤差上限未満であり、変動範囲が範囲の下限を超え、勾配が勾配下限と勾配上限との間にあり、前記の勾配下限及び勾配上限が許容可能な勾配範囲を規定する予測検体レベル集合を選択するステップと；
   （ｉｉ）ステップ（ｉ）で選択された予測集合の各々について、当該予測集合に対する勾配、Ｒ^２及び標準予測誤差に応答して適合性スコアを計算し、最適な（最高）適合性スコアを有する予測集合に対応する較正アルゴリズムを適切な較正アルゴリズムとして選択するステップと；
   （ｉｉｉ）ステップ（ｉ）で予測集合が選択されない場合、変動範囲が範囲の下限未満であり、標準予測誤差が誤差上限未満である予測検体レベル集合を選択するステップと；
   （ｉｖ）ステップ（ｉｉｉ）で選択された予測集合の各々から最も低い標準予測誤差を有する予測集合に対応する較正アルゴリズムを適切な較正アルゴリズムとして選択するステップと；
   （ｖ）ステップ（ｉ）又はステップ（ｉｉｉ）で予測集合が選択されない場合、較正アルゴリズムが適切ではないと決定するステップとを含む、請求項１に記載の方法。
3. 前記許容可能な勾配範囲が、第１レベル及び１つ又は複数の次のレベルを含む複数のレベルに対応する複数の副次的範囲に再分割され、第１レベルで予測集合が選択されない場合、予測集合が選択されるか又は次のレベルがなくなるまで次の各レベルでステップ（ｉ）を繰り返す、請求項２に記載の方法。
4. 前記勾配下限が１未満であり、前記勾配上限が１を越える、請求項２に記載の方法。
5. 前記勾配下限が約０．３であり、前記勾配上限が約１．０５である、請求項４に記載の方法。
6. 前記許容可能な勾配範囲が約０．３の勾配下限及び約１．０５の勾配上限により規定される、請求項３に記載の方法。
7. ステップ（ａ）で得られた複数の較正アルゴリズムが、
   （ｉ）多数のサンプル各々に対する検体レベル測定の非侵襲的な対応基準データ集合をコンパイルするステップと；
   （ｉｉ）較正に適さないデータ集合を拒絶するステップと；
   （ｉｉｉ）結合データ集合の相関関係が予め決められた規準に適合するかどうかに応じて較正に適するデータ集合を複数の群に結合するステップと；
   （ｉｖ）データ集合の各群に対する較正アルゴリズムを生成するステップとにより最初に生成される、請求項１に記載の方法。
8. ステップ（ｉｉｉ）の予め決められた規準が、前記検体以外のパラメータをもって特定群の結合データ集合の相関関係を最小限にすることと、特定群のデータ集合間の相関関係を最大限にすることとを含む、請求項７に記載の方法。
9. ステップ（ｉｉｉ）及び（ｉｖ）が部分的最小二乗回帰分析を使用して行われる、請求項７に記載の方法。
10. ステップ（ａ）、（ｃ）及び（ｄ）が前記分光装置に付随されたコンピュータで行われる、請求項７に記載の方法。
11. 前記サンプルが個人の患者であり、前記分光装置が近赤外分光光度計であり、前記検体が、グルコース、ヘモグロビン、アルブミン、コレステロール及びエタノールからなる群から選択される、請求項１から１０のいずれか一項に記載の方法。

Images