JP5856364B2 - 抑うつ病の評価方法、抑うつ病評価装置、抑うつ病評価方法、抑うつ病評価システム、抑うつ病評価プログラム、記録媒体および端末装置 - Google Patents

Description

本発明は、血液（血漿）中のアミノ酸濃度を利用したストレスの評価方法、ならびにストレス評価装置、ストレス評価方法、ストレス評価システム、ストレス評価プログラムおよび記録媒体に関するものである。

環境の変化や人間関係、過労などに心身の適応が困難な場合、ストレスを引き起こし、生活習慣の偏りや摂食障害など様々な症状が表れることが知られている。このような症状は、肥満、高血圧、高脂血症、糖尿病といった生活習慣病の源流にあたると考えられており、ストレスに、いかに早く気づき、ストレスに対する対応（コーピング）を行っていくのかは、生活習慣病を未然に防ぐためにも、重要な課題である。

また、従来、ストレスが原因で起こる精神疾患：ストレス所見の診断には、問診票が広く用いられており、世界保健機構（ＷＨＯ）が作成したＩＣＤ−１０（国際疾病分類第１０改訂版）や米国精神医学会（ＡＰＡ）が作成したＤＳＭ−ＩＶ（精神疾患の診断・統計マニュアル）などがある。

また、ストレス所見の客観的計測手法としては脳波や心拍（特許文献１参照）を測定する電気生理的手法やストレスタンパク質（特許文献２参照、特許文献３参照）、各種遺伝子発現（特許文献４、特許文献５、特許文献６、特許文献７、特許文献８参照）を測定する生化学的方法がある。

加えて、アミノ酸を摂取することによってストレスに対する抵抗性が高まること（特許文献９参照）やストレス下において血漿中のアミノ酸濃度が変動していること知られている。

Ａｌｔａｍｕｒａ Ｃら（非特許文献１参照）は、大うつ病患者の血漿中にて、タウリン、セリン／グリシンの濃度が増加し、グリシンの濃度が減少すること、Ｍｉｔａｎｉ Ｈ（非特許文献２参照）らは、タウリン、グリシン、グルタミン、グルタミン酸の濃度が増加すること、Ｍａｕｒｉ ＭＣ（非特許文献３、非特許文献４参照）らは、リジン、タウリン、グルタミン酸、チロシン／ＬＮＡＡｓ（バリン、ロイシン、イソロイシン、チロシン、フェニルアラニンの総和）の濃度が増加し、トリプトファン／ＬＮＡＡｓの濃度が減少すること、岸本（非特許文献５参照）は、トリプトファン、チロシン、リジン、ロイシン、イソロイシン、フェニルアラニン、メチオニン、アラニン、グルタミン酸、アルギニン、ヒスチジンの濃度が減少することを示している。

加えて、Ａｌｔａｍｕｒａ Ｃら（非特許文献１参照）は、グリシン、グルタミン酸、タウリンを用いた線形判別式によって大うつ病を判別可能であること、Ｍａｕｒｉ ＭＣ（非特許文献３、非特許文献４参照）らは、チロシン／ＬＮＡＡｓ、トリプトファン／ＬＮＡＡｓが、抗うつ剤の薬効指標となり得ることを示している。

特許第３０７０３４６号 特許第３４２９０４３号 特許第３４４５０３８号 特開２００３−２７４９４９号公報 特開２００４−２０８５４７号公報 特開２００５−１４３４２０号公報 特開２００５−３１２４３５号公報 特開２００６−１５号公報 国際公開第２００５／０７４０８号パンフレット Ａｌｔａｍｕｒａ Ｃ， Ｍａｅｓ Ｍ， Ｄａｉ Ｊ， Ｍｅｌｔｚｅｒ ＨＹ（１９９５） Ｅｕｒ Ｎｅｕｒｏｐｓｙｃｈｏｐｈａｒｍａｃｏｌ．５． Ｓｕｐｐｌ７１−５． Ｍｉｔａｎｉ Ｈ， Ｓｈｉｒａｙａｍａ Ｙ， Ｙａｍａｄａ Ｔ， Ｍａｅｄａ Ｋ， Ａｓｈｂｙ ＣＲ Ｊｒ， Ｋａｗａｈａｒａ Ｒ （２００６） Ｐｒｏｇ Ｎｅｕｒｏｐｓｙｃｈｏｐｈａｒｍａｃｏｌ Ｂｉｏｌ Ｐｓｙｃｈｉａｔｒｙ． ３０（６）．１１５５−８． Ｍａｕｒｉ ＭＣ， Ｆｅｒｒａｒａ Ａ， Ｂｏｓｃａｔｉ Ｌ， Ｂｒａｖｉｎ Ｓ， Ｚａｍｂｅｒｌａｎ Ｆ， Ａｌｅｃｃｉ Ｍ， Ｉｎｖｅｒｎｉｚｚｉ Ｇ（１９９８） Ｎｅｕｒｏｐｓｙｃｈｏｂｉｏｌｏｇｙ． ３７（３）．１２４−９． Ｍａｕｒｉ ＭＣ， Ｂｏｓｃａｔｉ Ｌ， Ｖｏｌｏｎｔｅｒｉ ＬＳ， Ｓｃａｌｖｉｎｉ ＭＥ， Ｓｔｅｉｎｈｉｌｂｅｒ ＣＰ， Ｌａｉｎｉ Ｖ， Ｚａｍｂｅｒｌａｎ Ｆ （２００１） Ｎｅｕｒｏｐｓｙｃｈｏｂｉｏｌｏｇｙ．４４（３）．１３４−８． 岸本英爾（１９９３） 脳と精神の医学第４巻第２号１９９３年４月

しかしながら、ストレス所見診断に用いられる問診票の結果には、被験者の主観が入ってしまうことが多く、このことが問診結果の精度を下げる要因となっているという問題があった。

そこで、ストレス所見をより精度の高い診断で抽出するためには、被験者の主観が入ることなく、ストレス所見を客観的に診断できる指標が望まれているのだが、上記ストレス所見の客観的診断手法のうち、脳波や心拍、ストレスタンパク質、各種遺伝子発現を測定する方法は、診断指標の測定や測定結果の解釈が困難であり、測定機器の汎用性が低いことから、普及の目処がたっていないという問題点があった。

本発明は、上記問題点に鑑みてなされたものであって、血液中のアミノ酸濃度のうちストレスの状態と関連するアミノ酸濃度を利用してストレスの状態を精度よく評価することができるストレスの評価方法、ならびにストレス評価装置、ストレス評価方法、ストレス評価システム、ストレス評価プログラムおよび記録媒体を提供することを目的とする。

本発明者らは、上記課題を解決するために鋭意検討し、血液中のアミノ酸濃度によるストレス負荷状態間の判別に有用なアミノ酸変数の同定、ならびにアミノ酸変数を用いる相関式（指標式）とストレス所見を対象とした精神疾患、とりわけ、うつの病態進行に有意な相関があることを見出し、本発明を完成するに至った。具体的には、健常者の血漿中アミノ酸濃度とストレス所見者の血漿中アミノ酸濃度の差異に注目し、血漿中アミノ酸濃度測定によってストレス所見を客観的に高精度で診断する指標を開発した。血漿中アミノ酸であれば、安価・高速・簡便に測定することができ、診断指標として普及する可能性が高く、上記ストレス所見の客観的計測手法の課題を解決することができる。本発明は、以下を包含する。

すなわち、上述した課題を解決し、目的を達成するために、本発明にかかるストレスの評価方法は、評価対象から採取した血液から、アミノ酸の濃度値に関するアミノ酸濃度データを測定する測定ステップと、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ（ＡＢＡはα−アミノ酪酸を表す。以下同様。），Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの前記濃度値に基づいて、前記評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価する濃度値基準評価ステップとを実行することを特徴とする。

また、本発明にかかるストレスの評価方法は、前記のストレスの評価方法において、前記濃度値基準評価ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの前記濃度値に基づいて、前記評価対象につき、前記抑うつ病または非抑うつ病であるか否かを判別、または前記大うつ病または非大うつ病であるか否かを判別する濃度値基準判別ステップをさらに含むことを特徴とする。

また、本発明にかかるストレスの評価方法は、前記のストレスの評価方法において、前記濃度値基準評価ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの前記濃度値および前記アミノ酸の濃度を変数とする予め設定した多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップと、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記ストレスの状態を評価する判別値基準評価ステップとをさらに含み、前記多変量判別式は、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを前記変数として含むことを特徴とする。

また、本発明にかかるストレスの評価方法は、前記のストレスの評価方法において、前記判別値基準評価ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記抑うつ病または非抑うつ病であるか否かを判別、または前記大うつ病または非大うつ病であるか否かを判別する判別値基準判別ステップをさらに含み、前記多変量判別式は、１つの分数式または複数の前記分数式の和で表され、それを構成する前記分数式の分子および／または分母にＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを前記変数として含むこと、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つであることを特徴とする。

また、本発明にかかるストレスの評価方法は、前記のストレスの評価方法において、前記判別値基準判別ステップで前記抑うつ病または前記非抑うつ病であるか否かを判別する場合、前記多変量判別式は、数式１または数式２であること、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを前記変数とする前記ロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを前記変数とする前記線形判別式であることを特徴とする。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、本発明にかかるストレスの評価方法は、前記のストレスの評価方法において、前記判別値基準判別ステップで前記大うつ病または前記非大うつ病であるか否かを判別する場合、前記多変量判別式は、数式３、数式４、数式５、数式６または数式７であること、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを前記変数とする前記ロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを前記変数とする前記ロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを前記変数とする前記線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを前記変数とする前記線形判別式であることを特徴とする。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

また、本発明はストレス評価装置に関するものであり、本発明にかかるストレス評価装置は、制御手段と記憶手段とを備え、評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価するストレス評価装置であって、前記制御手段は、アミノ酸の濃度値に関する予め取得した前記評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの前記濃度値および前記アミノ酸の濃度を変数とする前記記憶手段で記憶した多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出手段と、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記ストレスの状態を評価する判別値基準評価手段とを備え、前記多変量判別式は、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを前記変数として含むことを特徴とする。

また、本発明にかかるストレス評価装置は、前記のストレス評価装置において、前記判別値基準評価手段は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記抑うつ病または非抑うつ病であるか否かを判別、または前記大うつ病または非大うつ病であるか否かを判別する判別値基準判別手段をさらに備え、前記多変量判別式は、１つの分数式または複数の前記分数式の和で表され、それを構成する前記分数式の分子および／または分母にＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを前記変数として含むこと、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つであることを特徴とする。

また、本発明にかかるストレス評価装置は、前記のストレス評価装置において、前記判別値基準判別手段で前記抑うつ病または前記非抑うつ病であるか否かを判別する場合、前記多変量判別式は、数式１または数式２であること、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを前記変数とする前記ロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを前記変数とする前記線形判別式であることを特徴とする。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、本発明にかかるストレス評価装置は、前記のストレス評価装置において、前記判別値基準判別手段で前記大うつ病または前記非大うつ病であるか否かを判別する場合、前記多変量判別式は、数式３、数式４、数式５、数式６または数式７であること、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを前記変数とする前記ロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを前記変数とする前記ロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを前記変数とする前記線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを前記変数とする前記線形判別式であることを特徴とする。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

また、本発明にかかるストレス評価装置は、前記のストレス評価装置において、前記制御手段は、前記アミノ酸濃度データと前記ストレスの状態を表す指標に関するストレス状態指標データとを含む前記記憶手段で記憶したストレス状態情報に基づいて、前記記憶手段で記憶する前記多変量判別式を作成する多変量判別式作成手段をさらに備え、前記多変量判別式作成手段は、前記ストレス状態情報から所定の式作成手法に基づいて、前記多変量判別式の候補である候補多変量判別式を作成する候補多変量判別式作成手段と、前記候補多変量判別式作成手段で作成した前記候補多変量判別式を、所定の検証手法に基づいて検証する候補多変量判別式検証手段と、前記候補多変量判別式検証手段での検証結果から所定の変数選択手法に基づいて前記候補多変量判別式の変数を選択することで、前記候補多変量判別式を作成する際に用いる前記ストレス状態情報に含まれる前記アミノ酸濃度データの組み合わせを選択する変数選択手段と、をさらに備え、前記候補多変量判別式作成手段、前記候補多変量判別式検証手段および前記変数選択手段を繰り返し実行して蓄積した前記検証結果に基づいて、複数の前記候補多変量判別式の中から前記多変量判別式として採用する前記候補多変量判別式を選出することで、前記多変量判別式を作成することを特徴とする。

また、本発明はストレス評価方法に関するものであり、本発明にかかるストレス評価方法は、制御手段と記憶手段とを備えた情報処理装置で実行する、評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価するストレス評価方法であって、前記制御手段で、アミノ酸の濃度値に関する予め取得した前記評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの前記濃度値および前記アミノ酸の濃度を変数とする前記記憶手段で記憶した多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップと、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記ストレスの状態を評価する判別値基準評価ステップとを実行し、前記多変量判別式は、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを前記変数として含むことを特徴とする。

また、本発明にかかるストレス評価方法は、前記のストレス評価方法において、前記判別値基準評価ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記抑うつ病または非抑うつ病であるか否かを判別、または前記大うつ病または非大うつ病であるか否かを判別する判別値基準判別ステップをさらに含み、前記多変量判別式は、１つの分数式または複数の前記分数式の和で表され、それを構成する前記分数式の分子および／または分母にＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを前記変数として含むこと、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つであることを特徴とする。

また、本発明にかかるストレス評価方法は、前記のストレス評価方法において、前記判別値基準判別ステップで前記抑うつ病または前記非抑うつ病であるか否かを判別する場合、前記多変量判別式は、数式１または数式２であること、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを前記変数とする前記ロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを前記変数とする前記線形判別式であることを特徴とする。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、本発明にかかるストレス評価方法は、前記に記載のストレス評価方法において、前記判別値基準判別ステップで前記大うつ病または前記非大うつ病であるか否かを判別する場合、前記多変量判別式は、数式３、数式４、数式５、数式６または数式７であること、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを前記変数とする前記ロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを前記変数とする前記ロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを前記変数とする前記線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを前記変数とする前記線形判別式であることを特徴とする。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

また、本発明にかかるストレス評価方法は、前記のストレス評価方法において、前記制御手段で、前記アミノ酸濃度データと前記ストレスの状態を表す指標に関するストレス状態指標データとを含む前記記憶手段で記憶したストレス状態情報に基づいて、前記記憶手段で記憶する前記多変量判別式を作成する多変量判別式作成ステップをさらに実行し、前記多変量判別式作成ステップは、前記ストレス状態情報から所定の式作成手法に基づいて、前記多変量判別式の候補である候補多変量判別式を作成する候補多変量判別式作成ステップと、前記候補多変量判別式作成ステップで作成した前記候補多変量判別式を、所定の検証手法に基づいて検証する候補多変量判別式検証ステップと、前記候補多変量判別式検証ステップでの検証結果から所定の変数選択手法に基づいて前記候補多変量判別式の変数を選択することで、前記候補多変量判別式を作成する際に用いる前記ストレス状態情報に含まれる前記アミノ酸濃度データの組み合わせを選択する変数選択ステップと、をさらに含み、前記候補多変量判別式作成ステップ、前記候補多変量判別式検証ステップおよび前記変数選択ステップを繰り返し実行して蓄積した前記検証結果に基づいて、複数の前記候補多変量判別式の中から前記多変量判別式として採用する前記候補多変量判別式を選出することで、前記多変量判別式を作成することを特徴とする。

また、本発明はストレス評価システムに関するものであり、本発明にかかるストレス評価システムは、制御手段と記憶手段とを備え、評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価するストレス評価装置と、アミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データを提供する情報通信端末装置とを、ネットワークを介して通信可能に接続して構成されたストレス評価システムであって、前記情報通信端末装置は、前記評価対象の前記アミノ酸濃度データを前記ストレス評価装置へ送信するアミノ酸濃度データ送信手段と、前記ストレス評価装置から送信された前記ストレスの状態に関する前記評価対象の評価結果を受信する評価結果受信手段とを備え、前記ストレス評価装置の前記制御手段は、前記情報通信端末装置から送信された前記評価対象の前記アミノ酸濃度データを受信するアミノ酸濃度データ受信手段と、前記アミノ酸濃度データ受信手段で受信した前記評価対象の前記アミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの前記濃度値および前記アミノ酸の濃度を変数とする前記記憶手段で記憶した多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出手段と、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記ストレスの状態を評価する判別値基準評価手段と、前記判別値基準評価手段での前記評価対象の前記評価結果を前記情報通信端末装置へ送信する評価結果送信手段と、を備え、前記多変量判別式は、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを前記変数として含むことを特徴とする。

また、本発明にかかるストレス評価システムは、前記に記載のストレス評価システムにおいて、前記判別値基準評価手段は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記抑うつ病または非抑うつ病であるか否かを判別、または前記大うつ病または非大うつ病であるか否かを判別する判別値基準判別手段をさらに備え、前記多変量判別式は、１つの分数式または複数の前記分数式の和で表され、それを構成する前記分数式の分子および／または分母にＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを前記変数として含むこと、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つであることを特徴とする。

また、本発明にかかるストレス評価システムは、前記に記載のストレス評価システムにおいて、前記判別値基準判別手段で前記抑うつ病または前記非抑うつ病であるか否かを判別する場合、前記多変量判別式は、数式１または数式２であること、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを前記変数とする前記ロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを前記変数とする前記線形判別式であることを特徴とする。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、本発明にかかるストレス評価システムは、前記に記載のストレス評価システムにおいて、前記判別値基準判別手段で前記大うつ病または前記非大うつ病であるか否かを判別する場合、前記多変量判別式は、数式３、数式４、数式５、数式６または数式７であること、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを前記変数とする前記ロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを前記変数とする前記ロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを前記変数とする前記線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを前記変数とする前記線形判別式であることを特徴とする。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

また、本発明にかかるストレス評価システムは、前記に記載のストレス評価システムにおいて、前記ストレス評価装置の前記制御手段は、前記アミノ酸濃度データと前記ストレスの状態を表す指標に関するストレス状態指標データとを含む前記記憶手段で記憶したストレス状態情報に基づいて、前記記憶手段で記憶する前記多変量判別式を作成する多変量判別式作成手段をさらに備え、前記多変量判別式作成手段は、前記ストレス状態情報から所定の式作成手法に基づいて、前記多変量判別式の候補である候補多変量判別式を作成する候補多変量判別式作成手段と、前記候補多変量判別式作成手段で作成した前記候補多変量判別式を、所定の検証手法に基づいて検証する候補多変量判別式検証手段と、前記候補多変量判別式検証手段での検証結果から所定の変数選択手法に基づいて前記候補多変量判別式の変数を選択することで、前記候補多変量判別式を作成する際に用いる前記ストレス状態情報に含まれる前記アミノ酸濃度データの組み合わせを選択する変数選択手段と、をさらに備え、前記候補多変量判別式作成手段、前記候補多変量判別式検証手段および前記変数選択手段を繰り返し実行して蓄積した前記検証結果に基づいて、複数の前記候補多変量判別式の中から前記多変量判別式として採用する前記候補多変量判別式を選出することで、前記多変量判別式を作成することを特徴とする。

また、本発明はストレス評価プログラムに関するものであり、本発明にかかるストレス評価プログラムは、制御手段と記憶手段とを備えた情報処理装置に実行させる、評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価するストレス評価プログラムであって、前記制御手段に、アミノ酸の濃度値に関する予め取得した前記評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの前記濃度値および前記アミノ酸の濃度を変数とする前記記憶手段で記憶した多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップと、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記ストレスの状態を評価する判別値基準評価ステップとを実行させ、前記多変量判別式は、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを前記変数として含むことを特徴とする。

また、本発明にかかるストレス評価プログラムは、前記に記載のストレス評価プログラムにおいて、前記判別値基準評価ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記抑うつ病または非抑うつ病であるか否かを判別、または前記大うつ病または非大うつ病であるか否かを判別する判別値基準判別ステップをさらに含み、前記多変量判別式は、１つの分数式または複数の前記分数式の和で表され、それを構成する前記分数式の分子および／または分母にＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを前記変数として含むこと、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つであることを特徴とする。

また、本発明にかかるストレス評価プログラムは、前記に記載のストレス評価プログラムにおいて、前記判別値基準判別ステップで前記抑うつ病または前記非抑うつ病であるか否かを判別する場合、前記多変量判別式は、数式１または数式２であること、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを前記変数とする前記ロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを前記変数とする前記線形判別式であることを特徴とする。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、本発明にかかるストレス評価プログラムは、前記に記載のストレス評価プログラムにおいて、前記判別値基準判別ステップで前記大うつ病または前記非大うつ病であるか否かを判別する場合、前記多変量判別式は、数式３、数式４、数式５、数式６または数式７であること、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを前記変数とする前記ロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを前記変数とする前記ロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを前記変数とする前記線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを前記変数とする前記線形判別式であることを特徴とする。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

また、本発明にかかるストレス評価プログラムは、前記に記載のストレス評価プログラムにおいて、前記制御手段に、前記アミノ酸濃度データと前記ストレスの状態を表す指標に関するストレス状態指標データとを含む前記記憶手段で記憶したストレス状態情報に基づいて、前記記憶手段で記憶する前記多変量判別式を作成する多変量判別式作成ステップをさらに実行させ、前記多変量判別式作成ステップは、前記ストレス状態情報から所定の式作成手法に基づいて、前記多変量判別式の候補である候補多変量判別式を作成する候補多変量判別式作成ステップと、前記候補多変量判別式作成ステップで作成した前記候補多変量判別式を、所定の検証手法に基づいて検証する候補多変量判別式検証ステップと、前記候補多変量判別式検証ステップでの検証結果から所定の変数選択手法に基づいて前記候補多変量判別式の変数を選択することで、前記候補多変量判別式を作成する際に用いる前記ストレス状態情報に含まれる前記アミノ酸濃度データの組み合わせを選択する変数選択ステップと、をさらに含み、前記候補多変量判別式作成ステップ、前記候補多変量判別式検証ステップおよび前記変数選択ステップを繰り返し実行して蓄積した前記検証結果に基づいて、複数の前記候補多変量判別式の中から前記多変量判別式として採用する前記候補多変量判別式を選出することで、前記多変量判別式を作成することを特徴とする。

また、本発明は記録媒体に関するものであり、本発明にかかるコンピュータ読み取り可能な記録媒体は、前記のストレス評価プログラムを記録したことを特徴とする。

本発明にかかるストレスの評価方法によれば、評価対象から採取した血液から、アミノ酸の濃度値に関するアミノ酸濃度データを測定し、測定した評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値に基づいて、評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価するので、血液中のアミノ酸濃度のうちストレスの状態と関連するアミノ酸濃度を利用してストレスの状態を精度よく評価することができるという効果を奏する。

本発明にかかるストレスの評価方法によれば、測定した評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値に基づいて、評価対象につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別するので、血液中のアミノ酸濃度のうち抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別に有用なアミノ酸濃度を利用して抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別を精度よく行うことができるという効果を奏する。

また、本発明にかかるストレスの評価方法によれば、測定した評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値およびアミノ酸の濃度を変数とする予め設定した多変量判別式であってＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含むものに基づいて、当該多変量判別式の値である判別値を算出し、算出した判別値に基づいて、評価対象につき、ストレスの状態を評価するので、血液中のアミノ酸濃度のうちストレスの状態と関連するアミノ酸の濃度を変数とする多変量判別式で得られる判別値を利用して、ストレスの状態を精度よく評価することができるという効果を奏する。

また、本発明にかかるストレスの評価方法によれば、算出した判別値に基づいて、評価対象につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別し、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子および／または分母にＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含む、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つであるので、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別に有用なアミノ酸変数を用いる多変量判別式（分数式等）で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別をさらに精度よく行うことができるという効果を奏する。

また、本発明にかかるストレスの評価方法によれば、抑うつ病または非抑うつ病であるか否かを判別する場合、多変量判別式は、数式１または数式２である、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とするロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とする線形判別式であるので、抑うつ病と非抑うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別をさらに精度よく行うことができるという効果を奏する。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、本発明にかかるストレスの評価方法によれば、大うつ病または非大うつ病であるか否かを判別する場合、多変量判別式は、数式３、数式４、数式５、数式６または数式７であること、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを変数とするロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを変数とするロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを変数とする線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを変数とする線形判別式であるので、大うつ病と非大うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、大うつ病と非大うつ病の２群判別をさらに精度よく行うことができるという効果を奏する。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

また、本発明にかかるストレス評価装置、ストレス評価方法およびストレス評価プログラムによれば、アミノ酸の濃度値に関する予め取得した評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値およびアミノ酸の濃度を変数とする記憶手段で記憶した多変量判別式であってＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含むものに基づいて、当該多変量判別式の値である判別値を算出し、算出した判別値に基づいて、評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価するので、血液中のアミノ酸濃度のうちストレスの状態と関連するアミノ酸の濃度を変数とする多変量判別式で得られる判別値を利用して、ストレスの状態を精度よく評価することができるという効果を奏する。

また、本発明にかかるストレス評価装置、ストレス評価方法およびストレス評価プログラムによれば、算出した判別値に基づいて、評価対象につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別し、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子および／または分母にＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含む、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つであるので、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別に有用なアミノ酸変数を用いる多変量判別式（分数式等）で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別をさらに精度よく行うことができるという効果を奏する。

また、本発明にかかるストレス評価装置、ストレス評価方法およびストレス評価プログラムによれば、抑うつ病または非抑うつ病であるか否かを判別する場合、多変量判別式は、数式１または数式２である、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とするロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とする線形判別式であるので、抑うつ病と非抑うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別をさらに精度よく行うことができるという効果を奏する。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、本発明にかかるストレス評価装置、ストレス評価方法およびストレス評価プログラムによれば、大うつ病または非大うつ病であるか否かを判別する場合、多変量判別式は、数式３、数式４、数式５、数式６または数式７である、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを変数とするロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを変数とするロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを変数とする線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを変数とする線形判別式であるので、大うつ病と非大うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、大うつ病と非大うつ病の２群判別をさらに精度よく行うことができるという効果を奏する。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

また、本発明にかかるストレス評価装置、ストレス評価方法およびストレス評価プログラムによれば、アミノ酸濃度データとストレスの状態を表す指標に関するストレス状態指標データとを含む記憶手段で記憶したストレス状態情報に基づいて、記憶手段で記憶する多変量判別式を作成する。具体的には、（１）ストレス状態情報から所定の式作成手法に基づいて、多変量判別式の候補である候補多変量判別式を作成し、（２）作成した候補多変量判別式を、所定の検証手法に基づいて検証し、（３）（２）での検証結果から所定の変数選択手法に基づいて候補多変量判別式の変数を選択することで、候補多変量判別式を作成する際に用いるストレス状態情報に含まれるアミノ酸濃度データの組み合わせを選択し、（４）（１）、（２）および（３）を繰り返し実行して蓄積した検証結果に基づいて、複数の候補多変量判別式の中から多変量判別式として採用する候補多変量判別式を選出することで、多変量判別式を作成する。これにより、抑うつ病または大うつ病を少なくとも含むストレスの状態の評価に最適な多変量判別式（具体的には、ストレスの状態と有意な相関がある多変量判別式（より具体的には、抑うつ病と非抑うつ病との２群判別に有用な多変量判別式、大うつ病と非大うつ病との２群判別に有用な多変量判別式））を作成することができるという効果を奏する。

また、本発明にかかるストレス評価システムによれば、まず、情報通信端末装置は、評価対象のアミノ酸濃度データをストレス評価装置へ送信する。そして、ストレス評価装置は、情報通信端末装置から送信された評価対象のアミノ酸濃度データを受信し、受信した評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値およびアミノ酸の濃度を変数とする記憶手段で記憶した多変量判別式であってＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含むものに基づいて、当該多変量判別式の値である判別値を算出し、算出した判別値に基づいて、評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価し、その評価対象の評価結果を情報通信端末装置へ送信する。そして、情報通信端末装置は、ストレス評価装置から送信されたストレスの状態に関する評価対象の評価結果を受信する。これにより、血液中のアミノ酸濃度のうちストレスの状態と関連するアミノ酸の濃度を変数とする多変量判別式で得られる判別値を利用して、ストレスの状態を精度よく評価することができるという効果を奏する。

また、本発明にかかるストレス評価システムによれば、算出した判別値に基づいて、評価対象につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別し、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子および／または分母にＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含む、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つであるので、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別に有用なアミノ酸変数を用いる多変量判別式（分数式等）で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別をさらに精度よく行うことができるという効果を奏する。

また、本発明にかかるストレス評価システムによれば、抑うつ病または非抑うつ病であるか否かを判別する場合、多変量判別式は、数式１または数式２であること、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とするロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とする線形判別式であるので、抑うつ病と非抑うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別をさらに精度よく行うことができるという効果を奏する。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、本発明にかかるストレス評価システムによれば、大うつ病または非大うつ病であるか否かを判別する場合、多変量判別式は、数式３、数式４、数式５、数式６または数式７であること、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを変数とするロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを変数とするロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを変数とする線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを変数とする線形判別式であるので、大うつ病と非大うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、大うつ病と非大うつ病の２群判別をさらに精度よく行うことができるという効果を奏する。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

また、本発明にかかるストレス評価システムによれば、アミノ酸濃度データとストレスの状態を表す指標に関するストレス状態指標データとを含む記憶手段で記憶したストレス状態情報に基づいて、記憶手段で記憶する多変量判別式を作成する。具体的には、（１）ストレス状態情報から所定の式作成手法に基づいて、多変量判別式の候補である候補多変量判別式を作成し、（２）作成した候補多変量判別式を、所定の検証手法に基づいて検証し、（３）（２）での検証結果から所定の変数選択手法に基づいて候補多変量判別式の変数を選択することで、候補多変量判別式を作成する際に用いるストレス状態情報に含まれるアミノ酸濃度データの組み合わせを選択し、（４）（１）、（２）および（３）を繰り返し実行して蓄積した検証結果に基づいて、複数の候補多変量判別式の中から多変量判別式として採用する候補多変量判別式を選出することで、多変量判別式を作成する。これにより、抑うつ病または大うつ病を少なくとも含むストレスの状態の評価に最適な多変量判別式（具体的には、ストレスの状態と有意な相関がある多変量判別式（より具体的には、抑うつ病と非抑うつ病との２群判別に有用な多変量判別式、大うつ病と非大うつ病との２群判別に有用な多変量判別式））を作成することができるという効果を奏する。

また、本発明にかかる記録媒体によれば、当該記録媒体に記録されたストレス評価プログラムをコンピュータに読み取らせて実行することでコンピュータにストレス評価プログラムを実行させるので、ストレス評価プログラムと同様の効果を得ることができるという効果を奏する。

なお、本発明は、ストレスの状態を評価する際（具体的には、抑うつ病または非抑うつ病であるか否かを判別する際、大うつ病または非大うつ病であるか否かを判別する際）、アミノ酸の濃度以外に、その他の代謝物（生体代謝物）の濃度や、メタボロームデータ（有機酸、脂肪酸、核酸など）、トランスクリプトームデータ、プロテオームデータ、タンパク質の発現量、被験者の年齢・性別、生体指標などをさらに用いてもかまわない。また、本発明は、ストレスの状態を評価する際（具体的には、抑うつ病または非抑うつ病であるか否かを判別する際、大うつ病または非大うつ病であるか否かを判別する際）、多変量判別式における変数として、アミノ酸の濃度以外に、その他の代謝物（生体代謝物）の濃度や、メタボロームデータ（有機酸、脂肪酸、核酸など）、トランスクリプトームデータ、プロテオームデータ、タンパク質の発現量、被験者の年齢・性別、生体指標などをさらに用いてもかまわない。

図１は、本発明の基本原理を示す原理構成図である。 図２は、第１実施形態にかかるストレスの評価方法の一例を示すフローチャートである。 図３は、本発明の基本原理を示す原理構成図である。 図４は、本システムの全体構成の一例を示す図である。 図５は、本システムの全体構成の他の一例を示す図である。 図６は、本システムのストレス評価装置１００の構成の一例を示すブロック図である。 図７は、利用者情報ファイル１０６ａに格納される情報の一例を示す図である。 図８は、アミノ酸濃度データファイル１０６ｂに格納される情報の一例を示す図である。 図９は、ストレス状態情報ファイル１０６ｃに格納される情報の一例を示す図である。 図１０は、指定ストレス状態情報ファイル１０６ｄに格納される情報の一例を示す図である。 図１１は、候補多変量判別式ファイル１０６ｅ１に格納される情報の一例を示す図である。 図１２は、検証結果ファイル１０６ｅ２に格納される情報の一例を示す図である。 図１３は、選択ストレス状態情報ファイル１０６ｅ３に格納される情報の一例を示す図である。 図１４は、多変量判別式ファイル１０６ｅ４に格納される情報の一例を示す図である。 図１５は、判別値ファイル１０６ｆに格納される情報の一例を示す図である。 図１６は、評価結果ファイル１０６ｇに格納される情報の一例を示す図である。 図１７は、多変量判別式作成部１０２ｈの構成を示すブロック図である。 図１８は、判別値基準評価部１０２ｊの構成を示すブロック図である。 図１９は、本システムのクライアント装置２００の構成の一例を示すブロック図である。 図２０は、本システムのデータベース装置４００の構成の一例を示すブロック図である。 図２１は、本システムで行うストレス評価サービス処理の一例を示すフローチャートである。 図２２は、本システムのストレス評価装置１００で行う多変量判別式作成処理の一例を示すフローチャートである。 図２３は、健常群と抑うつ病所見群と大うつ病所見群の３群間のアミノ酸変数の分布を示す箱ひげ図である。 図２４は、実施例２で示した健常群と抑うつ病所見群の２群判別性能を最大化するロジスティック回帰式と同等の性能を持つ複数の指標式を示す図である。 図２５は、実施例２で示した健常群と抑うつ病所見群の２群判別性能を最大化するロジスティック回帰式と同等の性能を持つ複数の指標式を示す図である。 図２６は、実施例２で示した健常群と抑うつ病所見群の２群判別性能を最大化するロジスティック回帰式と同等の性能を持つ複数の指標式を示す図である。 図２７は、健常群と抑うつ病所見群の２群間の診断性能を評価するためのＲＯＣ曲線を示す図である。 図２８は、実施例２で示した健常群と大うつ病所見群の２群判別性能を最大化するロジスティック回帰式と同等の性能を持つ複数の指標式を示す図である。 図２９は、実施例２で示した健常群と大うつ病所見群の２群判別性能を最大化するロジスティック回帰式と同等の性能を持つ複数の指標式を示す図である。 図３０は、実施例２で示した健常群と大うつ病所見群の２群判別性能を最大化するロジスティック回帰式と同等の性能を持つ複数の指標式を示す図である。 図３１は、健常群と大うつ病所見群の２群間の診断性能を評価するためのＲＯＣ曲線を示す図である。 図３２は、実施例２で示した健常群と抑うつ病所見群の２群判別性能を最大化する線形判別式と同等の性能を持つ複数の指標式を示す図である。 図３３は、実施例２で示した健常群と抑うつ病所見群の２群判別性能を最大化する線形判別式と同等の性能を持つ複数の指標式を示す図である。 図３４は、実施例２で示した健常群と抑うつ病所見群の２群判別性能を最大化する線形判別式と同等の性能を持つ複数の指標式を示す図である。 図３５は、健常群と抑うつ病所見群の２群間の診断性能を評価するためのＲＯＣ曲線を示す図である。 図３６は、実施例２で示した健常群と大うつ病所見群の２群判別性能を最大化する線形判別式と同等の性能を持つ複数の指標式を示す図である。 図３７は、実施例２で示した健常群と大うつ病所見群の２群判別性能を最大化する線形判別式と同等の性能を持つ複数の指標式を示す図である。 図３８は、実施例２で示した健常群と大うつ病所見群の２群判別性能を最大化する線形判別式と同等の性能を持つ複数の指標式を示す図である。 図３９は、健常群と大うつ病所見群の２群間の診断性能を評価するためのＲＯＣ曲線を示す図である。 図４０は、指標式１と同等の判別性能を有する複数の指標式を示す図である。 図４１は、指標式１と同等の判別性能を有する複数の指標式を示す図である。 図４２は、指標式１と同等の判別性能を有する複数の指標式を示す図である。 図４３は、健常群と抑うつ病所見群の２群間の診断性能を評価するためのＲＯＣ曲線を示す図である。 図４４は、指標式３と同等の判別性能を有する複数の指標式を示す図である。 図４５は、指標式３と同等の判別性能を有する複数の指標式を示す図である。 図４６は、指標式３と同等の判別性能を有する複数の指標式を示す図である。 図４７は、健常群と大うつ病所見群の２群間の診断性能を評価するためのＲＯＣ曲線を示す図である。 図４８は、健常群と大うつ病所見群の２群間の診断性能を評価するためのＲＯＣ曲線を示す図である。 図４９は、健常群と抑うつ病所見群の２群間の診断性能を評価するためのＲＯＣ曲線を示す図である。 図５０は、健常群と大うつ病所見群の２群間の診断性能を評価するためのＲＯＣ曲線を示す図である。 図５１は、実施例７で示した健常群と大うつ病所見群の２群判別性能を最大化するロジスティック回帰式と同等の判別性能を有する複数の指標式を示す図である。 図５２は、実施例７で示した健常群と大うつ病所見群の２群判別性能を最大化するロジスティック回帰式と同等の判別性能を有する複数の指標式を示す図である。 図５３は、実施例７で示した健常群と大うつ病所見群の２群判別性能を最大化するロジスティック回帰式と同等の判別性能を有する複数の指標式を示す図である。 図５４は、健常群と大うつ病所見群の２群間の診断性能を評価するためのＲＯＣ曲線を示す図である。 図５５は、実施例７で示した健常群と大うつ病所見群の２群判別性能を最大化する線形判別式と同等の判別性能を有する複数の指標式を示す図である。 図５６は、実施例７で示した健常群と大うつ病所見群の２群判別性能を最大化する線形判別式と同等の判別性能を有する複数の指標式を示す図である。 図５７は、実施例７で示した健常群と大うつ病所見群の２群判別性能を最大化する線形判別式と同等の判別性能を有する複数の指標式を示す図である。 図５８は、健常群と大うつ病所見群の２群間の診断性能を評価するためのＲＯＣ曲線を示す図である。 図５９は、指標式７と同等の判別性能を有する複数の指標式を示す図である。 図６０は、指標式７と同等の判別性能を有する複数の指標式を示す図である。 図６１は、指標式７と同等の判別性能を有する複数の指標式を示す図である。 図６２は、健常群と大うつ病所見群の２群間の診断性能を評価するためのＲＯＣ曲線を示す図である。 図６３は、健常群と大うつ病所見群の２群間の診断性能を評価するためのＲＯＣ曲線を示す図である。

符号の説明

１００ ストレス評価装置
１０２ 制御部
１０２ａ 要求解釈部
１０２ｂ 閲覧処理部
１０２ｃ 認証処理部
１０２ｄ 電子メール生成部
１０２ｅ Ｗｅｂページ生成部
１０２ｆ 受信部
１０２ｇ ストレス状態情報指定部
１０２ｈ 多変量判別式作成部
１０２ｈ１ 候補多変量判別式作成部
１０２ｈ２ 候補多変量判別式検証部
１０２ｈ３ 変数選択部
１０２ｉ 判別値算出部
１０２ｊ 判別値基準評価部
１０２ｊ１ 判別値基準判別部
１０２ｋ 結果出力部
１０２ｍ 送信部
１０４ 通信インターフェース部
１０６ 記憶部
１０６ａ 利用者情報ファイル
１０６ｂ アミノ酸濃度データファイル
１０６ｃ ストレス状態情報ファイル
１０６ｄ 指定ストレス状態情報ファイル
１０６ｅ 多変量判別式関連情報データベース
１０６ｅ１ 候補多変量判別式ファイル
１０６ｅ２ 検証結果ファイル
１０６ｅ３ 選択ストレス状態情報ファイル
１０６ｅ４ 多変量判別式ファイル
１０６ｆ 判別値ファイル
１０６ｇ 評価結果ファイル
１０８ 入出力インターフェース部
１１２ 入力装置
１１４ 出力装置
２００ クライアント装置（情報通信端末装置）
３００ ネットワーク
４００ データベース装置

以下に、本発明にかかるストレスの評価方法の実施の形態（第１実施形態）、本発明にかかるストレス評価装置、ストレス評価方法、ストレス評価システム、ストレス評価プログラムおよび記録媒体の実施の形態（第２実施形態）を、図面に基づいて詳細に説明する。なお、本実施の形態により本発明が限定されるものではない。

［第１実施形態］
［１−１．本発明の概要］
ここでは、本発明にかかるストレスの評価方法の概要について図１を参照して説明する。図１は本発明の基本原理を示す原理構成図である。

まず、本発明では、評価対象（例えば動物やヒトなどの個体）から採取した血液から、アミノ酸の濃度値に関するアミノ酸濃度データを測定する（ステップＳ−１１）。ここで、血中アミノ酸濃度の分析は次のように行った。採血した血液サンプルを、ヘパリン処理したチューブに採取し、採取した血液サンプルを遠心することにより血液から血漿を分離した。全ての血漿サンプルは、アミノ酸濃度の測定時まで−７０℃で凍結保存した。アミノ酸濃度測定時には、スルホサリチル酸を添加し３％濃度調整により除蛋白処理を行い、測定には、ポストカラムでニンヒドリン反応を用いた高速液体クロマトグラフィー（ＨＰＬＣ）を原理としたアミノ酸分析機と高速液体クロマトグラフ質量分析機（ＬＣ／ＭＳ）を使用した。なお、アミノ酸濃度の単位は、例えばモル濃度や重量濃度、これらの濃度に任意の定数を加減乗除することで得られるものでもよい。

つぎに、本発明では、ステップＳ−１１で測定した評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ（ＢＣＡＡはＶａｌ，Ｌｅｕ，Ｉｌｅの総和を表す。以下同様。），ＡＡＡ（ＡＡＡはＴｙｒ，Ｐｈｅ，Ｔｒｐの総和を表す。以下同様。），ＬＮＡＡｓ（ＬＮＡＡｓはＶａｌ，Ｌｅｕ，Ｉｌｅ，Ｔｙｒ，Ｐｈｅ，Ｔｒｐの総和を表す。以下同様。）のうち少なくとも１つの濃度値）に基づいて、評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価する（ステップＳ−１２）。

以上、本発明によれば、評価対象から採取した血液からアミノ酸の濃度値に関するアミノ酸濃度データを測定し、測定した評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つの濃度値）に基づいて、評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価する。これにより、血液中のアミノ酸濃度のうちストレスの状態と関連するアミノ酸濃度を利用してストレスの状態を精度よく評価することができる。

ここで、ステップＳ−１２を実行する前に、ステップＳ−１１で測定した評価対象のアミノ酸濃度データから欠損値や外れ値などのデータを除去してもよい。これにより、ストレスの状態をさらに精度よく評価することができる。

また、ステップＳ−１２では、ステップＳ−１１で測定した評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つの濃度値）に基づいて、評価対象につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別してもよい。具体的には、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つの濃度値）と予め設定された閾値（カットオフ値）とを比較することで、評価対象につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別してもよい。これにより、血液中のアミノ酸濃度のうち抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別に有用なアミノ酸濃度を利用して抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別を精度よく行うことができる。

また、ステップＳ−１２では、ステップＳ−１１で測定した評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つの濃度値）およびアミノ酸の濃度を変数とする予め設定した多変量判別式であってＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含むもの（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つを変数として含むもの）に基づいて、当該多変量判別式の値である判別値を算出し、算出した判別値に基づいて、評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価してもよい。これにより、血液中のアミノ酸濃度のうちストレスの状態と関連するアミノ酸の濃度を変数とする多変量判別式で得られる判別値を利用して、ストレスの状態を精度よく評価することができる。

また、ステップＳ−１２では、算出した判別値に基づいて、評価対象につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別してもよい。具体的には、判別値と予め設定された閾値（カットオフ値）とを比較することで、評価対象につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別してもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子および／または分母にＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含んでもよく（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つを変数として含んでもよく）、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つでもよい。これにより、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別に有用なアミノ酸変数を用いる多変量判別式（分数式等）で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別をさらに精度よく行うことができる。

なお、ステップＳ−１２で抑うつ病または非抑うつ病であるか否かを判別する場合、多変量判別式は、数式１または数式２でもよく、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とするロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とする線形判別式でもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子にＣｙｓ，Ｇｌｕ，Ｔｙｒ，Ｐｈｅのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＡｓｎ，Ｔａｕ，Ｌｙｓのうち少なくとも１つを変数として含む、またはそれを構成する分数式の分子にＡｓｎ，Ｔａｕ，Ｌｙｓのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＣｙｓ，Ｇｌｕ，Ｔｙｒ，Ｐｈｅのうち少なくとも１つを変数として含んでもよい。これにより、抑うつ病と非抑うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別をさらに精度よく行うことができる。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、ステップＳ−１２で大うつ病または非大うつ病であるか否かを判別する場合、多変量判別式は、数式３、数式４、数式５、数式６または数式７でもよく、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを変数とするロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを変数とするロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを変数とする線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを変数とする線形判別式でもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子にＰｈｅ，Ｇｌｕ，Ｓｅｒのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＴａｕ，Ｔｈｒ，Ｖａｌ，Ｌｙｓのうち少なくとも１つを変数として含む、またはそれを構成する分数式の分子にＴａｕ，Ｔｈｒ，Ｖａｌ，Ｌｙｓのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＰｈｅ，Ｇｌｕ，Ｓｅｒのうち少なくとも１つを変数として含んでもよい。これにより、大うつ病と非大うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、大うつ病と非大うつ病の２群判別をさらに精度よく行うことができる。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

なお、上記した各多変量判別式は、本出願人による国際出願である国際公開ＷＯ２００４／０５２１９１号パンフレットに記載の方法や、本出願人による国際出願である国際出願番号ＰＣＴ／ＪＰ２００６／３０４３９８に記載の方法（後述する第２実施形態に記載の多変量判別式作成処理）で作成することができる。これら方法で得られた多変量判別式であれば、入力データとしてのアミノ酸濃度データにおけるアミノ酸濃度の単位に因らず、当該多変量判別式をストレスの状態の評価に好適に用いることができる。

また、分数式とは、当該分数式の分子がアミノ酸Ａ，Ｂ，Ｃ，・・・の和で表わされ及び／又は当該分数式の分母がアミノ酸ａ，ｂ，ｃ，・・・の和で表わされるものである。また、分数式には、このような構成の分数式α，β，γ，・・・の和（例えばα＋βのようなもの）も含まれる。また、分数式には、分割された分数式も含まれる。なお、分子や分母に用いられるアミノ酸にはそれぞれ適当な係数がついてもかまわない。また、分子や分母に用いられるアミノ酸は重複してもかまわない。また、各分数式に適当な係数がついてもかまわない。また、各変数の係数の値や定数項の値は、実数であればかまわない。また、分数式で、分子の変数と分母の変数を入れ替えた組み合わせは、目的変数との相関の正負の符号は概して逆転するが、それらの相関性は保たれるので、判別性では同等と見なせるので、分子の変数と分母の変数を入れ替えた組み合わせも、包含するものである。

また、多変量判別式とは、一般に多変量解析で用いられる式の形式を意味し、例えば重回帰式、多重ロジスティック回帰式、線形判別関数、マハラノビス距離、正準判別関数、サポートベクターマシン、決定木などを包含する。また、異なる形式の多変量判別式の和で示されるような式も含まれる。また、重回帰式、多重ロジスティック回帰式、正準判別関数においては各変数に係数および定数項が付加されるが、この場合の係数および定数項は、好ましくは実数であること、より好ましくはデータから判別を行うために得られた係数および定数項の９９％信頼区間の範囲に属する値、さらに好ましくはデータから判別を行うために得られた係数および定数項の９５％信頼区間の範囲に属する値であればかまわない。また、各係数の値、及びその信頼区間は、それを実数倍したものでもよく、定数項の値、及びその信頼区間は、それに任意の実定数を加減乗除したものでもよい。

そして、本発明は、ストレスの状態を評価する際（具体的には、抑うつ病または非抑うつ病であるか否かを判別する際、大うつ病または非大うつ病であるか否かを判別する際）、アミノ酸の濃度以外に、その他の代謝物（生体代謝物）の濃度や、メタボロームデータ（有機酸、脂肪酸、核酸など）、トランスクリプトームデータ、プロテオームデータ、タンパク質の発現量、被験者の年齢・性別、生体指標などをさらに用いてもかまわない。また、本発明は、ストレスの状態を評価する際（具体的には、抑うつ病または非抑うつ病であるか否かを判別する際、大うつ病または非大うつ病であるか否かを判別する際）、多変量判別式における変数として、アミノ酸の濃度以外に、その他の代謝物（生体代謝物）の濃度や、メタボロームデータ（有機酸、脂肪酸、核酸など）、トランスクリプトームデータ、プロテオームデータ、タンパク質の発現量、被験者の年齢・性別、生体指標などをさらに用いてもかまわない。

［１−２．第１実施形態にかかるストレスの評価方法］
ここでは、第１実施形態にかかるストレスの評価方法について図２を参照して説明する。図２は、第１実施形態にかかるストレスの評価方法の一例を示すフローチャートである。

まず、動物やヒトなどの個体から採取した血液から、アミノ酸の濃度値に関するアミノ酸濃度データを測定する（ステップＳＡ−１１）。なお、アミノ酸の濃度値の測定は、上述した方法で行う。

つぎに、ステップＳＡ−１１で測定した個体のアミノ酸濃度データから欠損値や外れ値などのデータを除去する（ステップＳＡ−１２）。

つぎに、ステップＳＡ−１２で欠損値や外れ値などのデータが除去された個体のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別する（ステップＳＡ−１３）。

［１−３．第１実施形態のまとめ、およびその他の実施形態］
以上、詳細に説明したように、ストレスの評価方法によれば、（１）個体から採取した血液からアミノ酸濃度データを測定し、（２）測定した個体のアミノ酸濃度データから欠損値や外れ値などのデータを除去し、（３）欠損値や外れ値などのデータが除去された個体のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別する。これにより、血液中のアミノ酸濃度のうち抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別に有用なアミノ酸濃度を利用して抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別を精度よく行うことができる。

ここで、ストレスの評価方法によれば、ステップＳＡ−１２で欠損値や外れ値などのデータが除去された個体のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値およびアミノ酸の濃度を変数とする予め設定した多変量判別式であってＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含むものに基づいて判別値を算出し、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別してもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子および／または分母にＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含んでもよく、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つでもよい。これにより、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別に有用なアミノ酸変数を用いる多変量判別式（分数式等）で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別をさらに精度よく行うことができる。

また、ステップＳＡ−１３で抑うつ病または非抑うつ病であるか否かを判別する場合、多変量判別式は、数式１または数式２でもよく、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とするロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とする線形判別式でもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子にＣｙｓ，Ｇｌｕ，Ｔｙｒ，Ｐｈｅのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＡｓｎ，Ｔａｕ，Ｌｙｓのうち少なくとも１つを変数として含む、またはそれを構成する分数式の分子にＡｓｎ，Ｔａｕ，Ｌｙｓのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＣｙｓ，Ｇｌｕ，Ｔｙｒ，Ｐｈｅのうち少なくとも１つを変数として含んでもよい。これにより、抑うつ病と非抑うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別をさらに精度よく行うことができる。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、ステップＳＡ−１３で大うつ病または非大うつ病であるか否かを判別する場合、多変量判別式は、数式３、数式４、数式５、数式６または数式７でもよく、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを変数とするロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを変数とするロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを変数とする線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを変数とする線形判別式でもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子にＰｈｅ，Ｇｌｕ，Ｓｅｒのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＴａｕ，Ｔｈｒ，Ｖａｌ，Ｌｙｓのうち少なくとも１つを変数として含む、またはそれを構成する分数式の分子にＴａｕ，Ｔｈｒ，Ｖａｌ，Ｌｙｓのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＰｈｅ，Ｇｌｕ，Ｓｅｒのうち少なくとも１つを変数として含んでもよい。これにより、大うつ病と非大うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、大うつ病と非大うつ病の２群判別をさらに精度よく行うことができる。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

なお、上記した各多変量判別式は、本出願人による国際出願である国際公開ＷＯ２００４／０５２１９１号パンフレットに記載の方法や、本出願人による国際出願である国際出願番号ＰＣＴ／ＪＰ２００６／３０４３９８に記載の方法（後述する第２実施形態に記載の多変量判別式作成処理）で作成することができる。これら方法で得られた多変量判別式であれば、入力データとしてのアミノ酸濃度データにおけるアミノ酸濃度の単位に因らず、当該多変量判別式をストレスの状態の評価に好適に用いることができる。

［第２実施形態］
［２−１．本発明の概要］
ここでは、本発明にかかるストレス評価装置、ストレス評価方法、ストレス評価システム、ストレス評価プログラムおよび記録媒体の概要について、図３を参照して説明する。図３は本発明の基本原理を示す原理構成図である。

まず、本発明は、制御部で、アミノ酸の濃度値に関する予め取得した評価対象（例えば動物やヒトなどの個体）のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つの濃度値）およびアミノ酸の濃度を変数する記憶部で記憶した多変量判別式であってＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含むもの（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つを変数として含むもの）に基づいて、当該多変量判別式の値である判別値を算出する（ステップＳ−２１）。

つぎに、本発明は、制御部で、ステップＳ−２１で算出した判別値に基づいて、評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価する（ステップＳ−２２）。

以上、本発明によれば、アミノ酸の濃度値に関する予め取得した評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つの濃度値）およびアミノ酸の濃度を変数する記憶部で記憶した多変量判別式であってＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含むもの（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つを変数として含むもの）に基づいて判別値を算出し、算出した判別値に基づいて、評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価する。これにより、血液中のアミノ酸濃度のうちストレスの状態と関連するアミノ酸の濃度を変数とする多変量判別式で得られる判別値を利用して、ストレスの状態を精度よく評価することができる。

ここで、ステップＳ−２２では、ステップＳ−２１で算出した判別値に基づいて、評価対象につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別してもよい。具体的には、判別値と予め設定された閾値（カットオフ値）とを比較することで、評価対象につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別してもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子および／または分母にＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含んでもよく（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つを変数として含んでもよく）、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つでもよい。これにより、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別に有用なアミノ酸変数を用いる多変量判別式（分数式等）で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別をさらに精度よく行うことができる。

また、ステップＳ−２２で抑うつ病または非抑うつ病であるか否かを判別する場合、ステップＳ−２１において多変量判別式は、多変量判別式は、数式１または数式２でもよく、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とするロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とする線形判別式でもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子にＣｙｓ，Ｇｌｕ，Ｔｙｒ，Ｐｈｅのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＡｓｎ，Ｔａｕ，Ｌｙｓのうち少なくとも１つを変数として含む、またはそれを構成する分数式の分子にＡｓｎ，Ｔａｕ，Ｌｙｓのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＣｙｓ，Ｇｌｕ，Ｔｙｒ，Ｐｈｅのうち少なくとも１つを変数として含んでもよい。これにより、抑うつ病と非抑うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別をさらに精度よく行うことができる。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、ステップＳ−２２で大うつ病または非大うつ病であるか否かを判別する場合、ステップＳ−２１において多変量判別式は、数式３、数式４、数式５、数式６または数式７でもよく、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを変数とするロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを変数とするロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを変数とする線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを変数とする線形判別式でもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子にＰｈｅ，Ｇｌｕ，Ｓｅｒのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＴａｕ，Ｔｈｒ，Ｖａｌ，Ｌｙｓのうち少なくとも１つを変数として含む、またはそれを構成する分数式の分子にＴａｕ，Ｔｈｒ，Ｖａｌ，Ｌｙｓのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＰｈｅ，Ｇｌｕ，Ｓｅｒのうち少なくとも１つを変数として含んでもよい。これにより、大うつ病と非大うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、大うつ病と非大うつ病の２群判別をさらに精度よく行うことができる。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

なお、上記した各多変量判別式は、本出願人による国際出願である国際公開ＷＯ２００４／０５２１９１号パンフレットに記載の方法や、本出願人による国際出願である国際出願番号ＰＣＴ／ＪＰ２００６／３０４３９８に記載の方法（後述する多変量判別式作成処理）で作成することができる。これら方法で得られた多変量判別式であれば、入力データとしてのアミノ酸濃度データにおけるアミノ酸濃度の単位に因らず、当該多変量判別式をストレスの状態の評価に好適に用いることができる。

また、分数式とは、当該分数式の分子がアミノ酸Ａ，Ｂ，Ｃ，・・・の和で表わされ及び／又は当該分数式の分母がアミノ酸ａ，ｂ，ｃ，・・・の和で表わされるものである。また、分数式には、このような構成の分数式α，β，γ，・・・の和（例えばα＋βのようなもの）も含まれる。また、分数式には、分割された分数式も含まれる。なお、分子や分母に用いられるアミノ酸にはそれぞれ適当な係数がついてもかまわない。また、分子や分母に用いられるアミノ酸は重複してもかまわない。また、各分数式に適当な係数がついてもかまわない。また、各変数の係数の値や定数項の値は、実数であればかまわない。また、分数式で、分子の変数と分母の変数を入れ替えた組み合わせは、目的変数との相関の正負の符号は概して逆転するが、それらの相関性は保たれるので、判別性では同等と見なせるので、分子の変数と分母の変数を入れ替えた組み合わせも、包含するものである。

また、多変量判別式とは、一般に多変量解析で用いられる式の形式を意味し、例えば重回帰式、多重ロジスティック回帰式、線形判別関数、マハラノビス距離、正準判別関数、サポートベクターマシン、決定木などを包含する。また、異なる形式の多変量判別式の和で示されるような式も含まれる。また、重回帰式、多重ロジスティック回帰式、正準判別関数においては各変数に係数および定数項が付加されるが、この場合の係数および定数項は、好ましくは実数であること、より好ましくはデータから判別を行うために得られた係数および定数項の９９％信頼区間の範囲に属する値、さらに好ましくはデータから判別を行うために得られた係数および定数項の９５％信頼区間の範囲に属する値であればかまわない。また、各係数の値、及びその信頼区間は、それを実数倍したものでもよく、定数項の値、及びその信頼区間は、それに任意の実定数を加減乗除したものでもよい。

そして、本発明は、ストレスの状態を評価する際（具体的には、抑うつ病または非抑うつ病であるか否かを判別する際、大うつ病または非大うつ病であるか否かを判別する際）、アミノ酸の濃度以外に、その他の代謝物（生体代謝物）の濃度や、メタボロームデータ（有機酸、脂肪酸、核酸など）、トランスクリプトームデータ、プロテオームデータ、タンパク質の発現量、被験者の年齢・性別、生体指標などをさらに用いてもかまわない。また、本発明は、ストレスの状態を評価する際（具体的には、抑うつ病または非抑うつ病であるか否かを判別する際、大うつ病または非大うつ病であるか否かを判別する際）、多変量判別式における変数として、アミノ酸の濃度以外に、その他の代謝物（生体代謝物）の濃度や、メタボロームデータ（有機酸、脂肪酸、核酸など）、トランスクリプトームデータ、プロテオームデータ、タンパク質の発現量、被験者の年齢・性別、生体指標などをさらに用いてもかまわない。

ここで、多変量判別式作成処理（工程１〜工程４）の概要について詳細に説明する。

まず、本発明は、制御部で、アミノ酸濃度データとストレスの状態を表す指標に関するストレス状態指標データとを含む記憶部で記憶したストレス状態情報から所定の式作成手法に基づいて、多変量判別式の候補である候補多変量判別式（例えば、ｙ＝ａ_１ｘ_１＋ａ_２ｘ_２＋・・・＋ａ_ｎｘ_ｎ、ｙ：ストレス状態指標データ、ｘ_ｉ：アミノ酸濃度データ、ａ_ｉ：定数、ｉ＝１，２，・・・，ｎ）を作成する（工程１）。なお、事前に、ストレス状態情報から欠損値や外れ値などを持つデータを除去してもよい。

なお、工程１において、ストレス状態情報から、複数の異なる式作成手法（主成分分析や判別分析、サポートベクターマシン、重回帰分析、ロジスティック回帰分析、ｋ−ｍｅａｎｓ法、クラスター解析、決定木などの多変量解析に関するものを含む。）を併用して複数の候補多変量判別式を作成してもよい。具体的には、多数の健常群およびストレス所見群から得た血液を分析して得たアミノ酸濃度データおよびストレス状態指標データから構成される多変量データであるストレス状態情報に対して、複数の異なるアルゴリズムを利用して複数群の候補多変量判別式を同時並行的に作成してもよい。例えば、異なるアルゴリズムを利用して判別分析およびロジスティック回帰分析を同時に行い、２つの異なる候補多変量判別式を作成してもよい。また、主成分分析を行って作成した候補多変量判別式を利用してストレス状態情報を変換し、変換したストレス状態情報に対して判別分析を行うことで候補多変量判別式を作成してもよい。これにより、最終的に、診断条件に合った適切な多変量判別式を作成することができる。

ここで、主成分分析を用いて作成した候補多変量判別式は、全てのアミノ酸濃度データの分散を最大にするような各アミノ酸変数からなる一次式である。また、判別分析を用いて作成した候補多変量判別式は、各群内の分散の和の全てのアミノ酸濃度データの分散に対する比を最小にするような各アミノ酸変数からなる高次式（指数や対数を含む）である。また、サポートベクターマシンを用いて作成した候補多変量判別式は、群間の境界を最大にするような各アミノ酸変数からなる高次式（カーネル関数を含む）である。また、重回帰分析を用いて作成した候補多変量判別式は、全てのアミノ酸濃度データからの距離の和を最小にするような各アミノ酸変数からなる高次式である。ロジスティック回帰分析を用いて作成した候補多変量判別式は、尤度を最大にするような各アミノ酸変数からなる一次式を指数とする自然対数を項に持つ分数式である。また、ｋ−ｍｅａｎｓ法とは、各アミノ酸濃度データのｋ個近傍を探索し、近傍点の属する群の中で一番多いものをそのデータの所属群と定義し、入力されたアミノ酸濃度データの属する群と定義された群とが最も合致するようなアミノ酸変数を選択する手法である。また、クラスター解析とは、全てのアミノ酸濃度データの中で最も近い距離にある点同士をクラスタリング（群化）する手法である。また、決定木とは、アミノ酸変数に序列をつけて、序列が上位であるアミノ酸変数の取りうるパターンからアミノ酸濃度データの群を予測する手法である。

多変量判別式作成処理の説明に戻り、本発明は、制御部で、工程１で作成した候補多変量判別式を、所定の検証手法に基づいて検証（相互検証）する（工程２）。候補多変量判別式の検証は、工程１で作成した各候補多変量判別式に対して行う。

なお、工程２において、ブートストラップ法やホールドアウト法、リーブワンアウト法などのうち少なくとも１つに基づいて候補多変量判別式の判別率や感度、特異性、情報量基準などのうち少なくとも１つに関して検証してもよい。これにより、ストレス状態情報や診断条件を考慮した予測性または堅牢性の高い候補多変量判別式を作成することができる。

ここで、判別率とは、全入力データの中で、本発明で評価したストレスの状態が正しい割合である。また、感度とは、入力データに記載されたストレス所見になっているものの中で、本発明で評価したストレスの状態が正しい割合である。また、特異性とは、入力データに記載されたストレスの状態が健常になっているものの中で、本発明で評価したストレスの状態が正しい割合である。また、情報量基準とは、工程１で作成した候補多変量判別式のアミノ酸変数の数と、本発明で評価したストレスの状態および入力データに記載されたストレスの状態の差異と、を足し合わせたものである。また、予測性とは、候補多変量判別式の検証を繰り返すことで得られた判別率や感度、特異性を平均したものである。また、堅牢性とは、候補多変量判別式の検証を繰り返すことで得られた判別率や感度、特異性の分散である。

多変量判別式作成処理の説明に戻り、本発明は、制御部で、工程２での検証結果から所定の変数選択手法に基づいて候補多変量判別式の変数を選択することで、候補多変量判別式を作成する際に用いるストレス状態情報に含まれるアミノ酸濃度データの組み合わせを選択する（工程３）。アミノ酸変数の選択は、工程１で作成した各候補多変量判別式に対して行う。これにより、候補多変量判別式のアミノ酸変数を適切に選択することができる。そして、工程３で選択したアミノ酸濃度データを含むストレス状態情報を用いて再び工程１を実行する。

なお、工程３において、工程２での検証結果からステップワイズ法、ベストパス法、近傍探索法、遺伝的アルゴリズムのうち少なくとも１つに基づいて候補多変量判別式のアミノ酸変数を選択してもよい。

ここで、ベストパス法とは、候補多変量判別式に含まれるアミノ酸変数を１つずつ順次減らしていき、候補多変量判別式が与える評価指標を最適化することでアミノ酸変数を選択する方法である。

多変量判別式作成処理の説明に戻り、本発明は、制御部で、上述した工程１、工程２および工程３を繰り返し実行し、これにより蓄積した検証結果に基づいて、複数の候補多変量判別式の中から多変量判別式として採用する候補多変量判別式を選出することで、多変量判別式を作成する（工程４）。なお、候補多変量判別式の選出には、例えば、同じ式作成手法で作成した候補多変量判別式の中から最適なものを選出する場合と、すべての候補多変量判別式の中から最適なものを選出する場合とがある。

以上、説明したように、多変量判別式作成処理では、ストレス状態情報に基づいて、候補多変量判別式の作成、候補多変量判別式の検証および候補多変量判別式の変数の選択に関する処理を一連の流れで体系化（システム化）して実行することにより、ストレスの状態の評価に最適な多変量判別式を作成することができる。換言すると、多変量判別式作成処理では、アミノ酸濃度を多変量の統計解析に用い、最適でロバストな変数の組を選択するために変数選択法とクロスバリデーションとを組み合わせて、診断性能の高い多変量判別式を抽出する。多変量判別式としては、ロジスティック回帰、線形判別、サポートベクターマシン、マハラノビス距離法、重回帰分析、クラスター解析などを用いることができる。

［２−２．システム構成］
ここでは、第２実施形態にかかるストレス評価システム（以下では本システムと記す場合がある。）の構成について、図４から図２０を参照して説明する。なお、本システムはあくまでも一例であり、本発明はこれに限定されない。

まず、本システムの全体構成について図４および図５を参照して説明する。図４は本システムの全体構成の一例を示す図である。また、図５は本システムの全体構成の他の一例を示す図である。本システムは、図４に示すように、評価対象につきストレスの状態を評価するストレス評価装置１００と、アミノ酸の濃度値に関する評価対象のアミノ酸濃度データを提供するクライアント装置２００（本発明の情報通信端末装置に相当）とを、ネットワーク３００を介して通信可能に接続して構成されている。

なお、本システムは、図５に示すように、ストレス評価装置１００やクライアント装置２００の他に、ストレス評価装置１００で多変量判別式を作成する際に用いるストレス状態情報やストレスの状態を評価するために用いる多変量判別式などを格納したデータベース装置４００を、ネットワーク３００を介して通信可能に接続して構成されてもよい。これにより、ネットワーク３００を介して、ストレス評価装置１００からクライアント装置２００やデータベース装置４００へ、あるいはクライアント装置２００やデータベース装置４００からストレス評価装置１００へ、ストレスの状態に関する情報などが提供される。ここで、ストレスの状態に関する情報とは、ヒトを含む生物のストレスの状態に関する特定の項目について測定した値に関する情報である。また、ストレスの状態に関する情報は、ストレス評価装置１００やクライアント装置２００や他の装置（例えば各種の計測装置等）で生成され、主にデータベース装置４００に蓄積される。

つぎに、本システムのストレス評価装置１００の構成について図６から図１８を参照して説明する。図６は、本システムのストレス評価装置１００の構成の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。

ストレス評価装置１００は、当該ストレス評価装置を統括的に制御するＣＰＵ等の制御部１０２と、ルータ等の通信装置および専用線等の有線または無線の通信回線を介して当該ストレス評価装置をネットワーク３００に通信可能に接続する通信インターフェース部１０４と、各種のデータベースやテーブルやファイルなどを格納する記憶部１０６と、入力装置１１２や出力装置１１４に接続する入出力インターフェース部１０８と、で構成されており、これら各部は任意の通信路を介して通信可能に接続されている。ここで、ストレス評価装置１００は、各種の分析装置（例えばアミノ酸アナライザー等）と同一筐体で構成されてもよい。また、ストレス評価装置１００の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷等に応じた任意の単位で、機能的または物理的に分散・統合して構成してもよい。例えば、処理の一部をＣＧＩ（Ｃｏｍｍｏｎ Ｇａｔｅｗａｙ Ｉｎｔｅｒｆａｃｅ）を用いて実現してもよい。

記憶部１０６は、ストレージ手段であり、例えば、ＲＡＭ・ＲＯＭ等のメモリ装置や、ハードディスクのような固定ディスク装置、フレキシブルディスク、光ディスク等を用いることができる。記憶部１０６には、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）と協働してＣＰＵに命令を与え各種処理を行うためのコンピュータプログラムが記録されている。記憶部１０６は、図示の如く、利用者情報ファイル１０６ａと、アミノ酸濃度データファイル１０６ｂと、ストレス状態情報ファイル１０６ｃと、指定ストレス状態情報ファイル１０６ｄと、多変量判別式関連情報データベース１０６ｅと、判別値ファイル１０６ｆと、評価結果ファイル１０６ｇと、を格納する。

利用者情報ファイル１０６ａは、利用者に関する利用者情報を格納する。図７は、利用者情報ファイル１０６ａに格納される情報の一例を示す図である。利用者情報ファイル１０６ａに格納される情報は、図７に示すように、利用者を一意に識別するための利用者ＩＤと、利用者が正当な者であるか否かの認証を行うための利用者パスワードと、利用者の氏名と、利用者の所属する所属先を一意に識別するための所属先ＩＤと、利用者の所属する所属先の部門を一意に識別するための部門ＩＤと、部門名と、利用者の電子メールアドレスと、を相互に関連付けて構成されている。

図６に戻り、アミノ酸濃度データファイル１０６ｂは、アミノ酸の濃度値に関するアミノ酸濃度データを格納する。図８は、アミノ酸濃度データファイル１０６ｂに格納される情報の一例を示す図である。アミノ酸濃度データファイル１０６ｂに格納される情報は、図８に示すように、評価対象である個体（サンプル）を一意に識別するための個体番号と、アミノ酸濃度データとを相互に関連付けて構成されている。ここで、図８では、アミノ酸濃度データを数値、すなわち連続尺度として扱っているが、アミノ酸濃度データは名義尺度や順序尺度でもよい。なお、名義尺度や順序尺度の場合は、それぞれの状態に対して任意の数値を与えることで解析してもよい。また、アミノ酸濃度データに、他の生体情報（性差、年齢、身長、体重、ＢＭＩ指数、腹囲、インスリン抵抗性指数、尿酸値、血糖値、中性脂肪、体脂肪率、総コレステロール、ＨＤＬコレステロール、ＬＤＬコレステロール、収縮期血圧、拡張期血圧、ヘモグロビンＡ１ｃ、動脈硬化指数、喫煙の有無、飲酒量、心電図の波形を数値化したもの、酵素濃度、遺伝子発現量、脳波、心拍、コルチゾール、海馬体積、脳血流速度、脳由来神経栄養因子、アミラーゼ活性、クロモグラニンＡ、ドーパミン、アミノ酸以外の代謝物の濃度など）を組み合わせてもよい。

図６に戻り、ストレス状態情報ファイル１０６ｃは、多変量判別式を作成する際に用いるストレス状態情報を格納する。図９は、ストレス状態情報ファイル１０６ｃに格納される情報の一例を示す図である。ストレス状態情報ファイル１０６ｃに格納される情報は、図９に示すように、個体番号と、ストレスの状態を表す指標（指標Ｔ_１、指標Ｔ_２、指標Ｔ_３・・・）に関するストレス状態指標データ（Ｔ）と、アミノ酸濃度データと、を相互に関連付けて構成されている。ここで、図９では、ストレス状態指標データおよびアミノ酸濃度データを数値（すなわち連続尺度）として扱っているが、ストレス状態指標データおよびアミノ酸濃度データは名義尺度や順序尺度でもよい。なお、名義尺度や順序尺度の場合は、それぞれの状態に対して任意の数値を与えることで解析してもよい。また、ストレス状態指標データは、ストレスの状態のマーカーとなる既知の単一の状態指標であり、数値データを用いてもよい。

図６に戻り、指定ストレス状態情報ファイル１０６ｄは、後述するストレス状態情報指定部１０２ｇで指定したストレス状態情報を格納する。図１０は、指定ストレス状態情報ファイル１０６ｄに格納される情報の一例を示す図である。指定ストレス状態情報ファイル１０６ｄに格納される情報は、図１０に示すように、個体番号と、指定したストレス状態指標データと、指定したアミノ酸濃度データと、を相互に関連付けて構成されている。

図６に戻り、多変量判別式関連情報データベース１０６ｅは、後述する候補多変量判別式作成部１０２ｈ１で作成した候補多変量判別式を格納する候補多変量判別式ファイル１０６ｅ１と、後述する候補多変量判別式検証部１０２ｈ２での検証結果を格納する検証結果ファイル１０６ｅ２と、後述する変数選択部１０２ｈ３で選択したアミノ酸濃度データの組み合わせを含むストレス状態情報を格納する選択ストレス状態情報ファイル１０６ｅ３と、後述する多変量判別式作成部１０２ｈで作成した多変量判別式を格納する多変量判別式ファイル１０６ｅ４と、で構成される。

候補多変量判別式ファイル１０６ｅ１は、後述する候補多変量判別式作成部１０２ｈ１で作成した候補多変量判別式を格納する。図１１は、候補多変量判別式ファイル１０６ｅ１に格納される情報の一例を示す図である。候補多変量判別式ファイル１０６ｅ１に格納される情報は、図１１に示すように、ランクと、候補多変量判別式（図１１では、Ｆ_１（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）やＦ_２（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）、Ｆ_３（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）など）とを相互に関連付けて構成されている。

図６に戻り、検証結果ファイル１０６ｅ２は、後述する候補多変量判別式検証部１０２ｈ２での検証結果を格納する。図１２は、検証結果ファイル１０６ｅ２に格納される情報の一例を示す図である。検証結果ファイル１０６ｅ２に格納される情報は、図１２に示すように、ランクと、候補多変量判別式（図１２では、Ｆ_ｋ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）やＦ_ｍ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）、Ｆ_ｌ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）など）と、各候補多変量判別式の検証結果（例えば各候補多変量判別式の評価値）と、を相互に関連付けて構成されている。

図６に戻り、選択ストレス状態情報ファイル１０６ｅ３は、後述する変数選択部１０２ｈ３で選択した変数に対応するアミノ酸濃度データの組み合わせを含むストレス状態情報を格納する。図１３は、選択ストレス状態情報ファイル１０６ｅ３に格納される情報の一例を示す図である。選択ストレス状態情報ファイル１０６ｅ３に格納される情報は、図１３に示すように、個体番号と、後述するストレス状態情報指定部１０２ｇで指定したストレス状態指標データと、後述する変数選択部１０２ｈ３で選択したアミノ酸濃度データと、を相互に関連付けて構成されている。

図６に戻り、多変量判別式ファイル１０６ｅ４は、後述する多変量判別式作成部１０２ｈで作成した多変量判別式を格納する。図１４は、多変量判別式ファイル１０６ｅ４に格納される情報の一例を示す図である。多変量判別式ファイル１０６ｅ４に格納される情報は、図１４に示すように、ランクと、多変量判別式（図１４では、Ｆ_ｐ（Ｐｈｅ，・・・）やＦ_ｐ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ）、Ｆ_ｋ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）など）と、各式作成手法に対応する閾値と、各多変量判別式の検証結果（例えば各多変量判別式の評価値）と、を相互に関連付けて構成されている。

図６に戻り、判別値ファイル１０６ｆは、後述する判別値算出部１０２ｉで算出した判別値を格納する。図１５は、判別値ファイル１０６ｆに格納される情報の一例を示す図である。判別値ファイル１０６ｆに格納される情報は、図１５に示すように、評価対象である個体（サンプル）を一意に識別するための個体番号と、ランク（多変量判別式を一意に識別するための番号）と、判別値と、を相互に関連付けて構成されている。

図６に戻り、評価結果ファイル１０６ｇは、後述する判別値基準評価部１０２ｊでの評価結果（具体的には、後述する判別値基準判別部１０２ｊ１での判別結果）を格納する。図１６は、評価結果ファイル１０６ｇに格納される情報の一例を示す図である。評価結果ファイル１０６ｇに格納される情報は、評価対象である個体（サンプル）を一意に識別するための個体番号と、予め取得した評価対象のアミノ酸濃度データと、多変量判別式で算出した判別値と、ストレスの状態に関する評価結果（具体的には、抑うつ病または非抑うつ病であるか否かに関する判別結果、大うつ病または非大うつ病であるか否かに関する判別結果）と、を相互に関連付けて構成されている。

図６に戻り、記憶部１０６には、上述した情報以外にその他情報として、Ｗｅｂサイトをクライアント装置２００に提供するための各種のＷｅｂデータや、ＣＧＩプログラム等が記録されている。Ｗｅｂデータとしては後述する各種のＷｅｂページを表示するためのデータ等があり、これらデータは例えばＨＴＭＬやＸＭＬで記述されたテキストファイルとして形成されている。また、Ｗｅｂデータを作成するための部品用のファイルや作業用のファイルやその他一時的なファイル等も記憶部１０６に記憶される。記憶部１０６には、必要に応じて、クライアント装置２００に送信するための音声をＷＡＶＥ形式やＡＩＦＦ形式の如き音声ファイルで格納したり、静止画や動画をＪＰＥＧ形式やＭＰＥＧ２形式の如き画像ファイルで格納したりすることができる。

通信インターフェース部１０４は、ストレス評価装置１００とネットワーク３００（またはルータ等の通信装置）との間における通信を媒介する。すなわち、通信インターフェース部１０４は、他の端末と通信回線を介してデータを通信する機能を有する。

入出力インターフェース部１０８は、入力装置１１２や出力装置１１４に接続する。ここで、出力装置１１４には、モニタ（家庭用テレビを含む）の他、スピーカやプリンタを用いることができる（なお、以下では、出力装置１１４をモニタ１１４として記載する場合がある。）。入力装置１１２には、キーボードやマウスやマイクの他、マウスと協働してポインティングデバイス機能を実現するモニタを用いることができる。

制御部１０２は、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）等の制御プログラム・各種の処理手順等を規定したプログラム・所要データなどを格納するための内部メモリを有し、これらのプログラムに基づいて種々の情報処理を実行する。制御部１０２は、図示の如く、大別して、要求解釈部１０２ａと閲覧処理部１０２ｂと認証処理部１０２ｃと電子メール生成部１０２ｄとＷｅｂページ生成部１０２ｅと受信部１０２ｆとストレス状態情報指定部１０２ｇと多変量判別式作成部１０２ｈと判別値算出部１０２ｉと判別値基準評価部１０２ｊと結果出力部１０２ｋと送信部１０２ｍとを備えている。制御部１０２は、データベース装置４００から送信されたストレス状態情報やクライアント装置２００から送信されたアミノ酸濃度データに対して、欠損値のあるデータの除去・外れ値の多いデータの除去・欠損値のあるデータの多い変数の除去などのデータ処理も行う。

要求解釈部１０２ａは、クライアント装置２００やデータベース装置４００からの要求内容を解釈し、その解釈結果に応じて制御部１０２の各部に処理を受け渡す。閲覧処理部１０２ｂは、クライアント装置２００からの各種画面の閲覧要求を受けて、これら画面のＷｅｂデータの生成や送信を行なう。認証処理部１０２ｃは、クライアント装置２００やデータベース装置４００からの認証要求を受けて、認証判断を行う。電子メール生成部１０２ｄは、各種の情報を含んだ電子メールを生成する。Ｗｅｂページ生成部１０２ｅは、利用者がクライアント装置２００で閲覧するＷｅｂページを生成する。

受信部１０２ｆは、クライアント装置２００やデータベース装置４００から送信された情報（具体的には、アミノ酸濃度データやストレス状態情報、多変量判別式など）を、ネットワーク３００を介して受信する。ストレス状態情報指定部１０２ｇは、多変量判別式を作成するにあたり、対象とするストレス状態指標データおよびアミノ酸濃度データを指定する。

多変量判別式作成部１０２ｈは、受信部１０２ｆで受信したストレス状態情報やストレス状態情報指定部１０２ｇで指定したストレス状態情報に基づいて多変量判別式を作成する。具体的には、多変量判別式作成部１０２ｈは、ストレス状態情報から、候補多変量判別式作成部１０２ｈ１、候補多変量判別式検証部１０２ｈ２および変数選択部１０２ｈ３を繰り返し実行させることにより蓄積された検証結果に基づいて、複数の候補多変量判別式の中から多変量判別式として採用する候補多変量判別式を選出することで、多変量判別式を作成する。

なお、多変量判別式が予め記憶部１０６の所定の記憶領域に格納されている場合には、多変量判別式作成部１０２ｈは、記憶部１０６から所望の多変量判別式を選択することで、多変量判別式を作成してもよい。また、多変量判別式作成部１０２ｈは、多変量判別式を予め格納した他のコンピュータ装置（例えばデータベース装置４００）から所望の多変量判別式を選択しダウンロードすることで、多変量判別式を作成してもよい。

ここで、多変量判別式作成部１０２ｈの構成について図１７を参照して説明する。図１７は、多変量判別式作成部１０２ｈの構成を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１と、候補多変量判別式検証部１０２ｈ２と、変数選択部１０２ｈ３と、をさらに備えている。候補多変量判別式作成部１０２ｈ１は、ストレス状態情報から所定の式作成手法に基づいて多変量判別式の候補である候補多変量判別式を作成する。なお、候補多変量判別式作成部１０２ｈ１は、ストレス状態情報から、複数の異なる式作成手法を併用して複数の候補多変量判別式を作成してもよい。候補多変量判別式検証部１０２ｈ２は、候補多変量判別式作成部１０２ｈ１で作成した候補多変量判別式を所定の検証手法に基づいて検証する。なお、候補多変量判別式検証部１０２ｈ２は、ブートストラップ法、ホールドアウト法、リーブワンアウト法のうち少なくとも１つに基づいて候補多変量判別式の判別率、感度、特異性、情報量基準のうち少なくとも１つに関して検証してもよい。変数選択部１０２ｈ３は、候補多変量判別式検証部１０２ｈ２での検証結果から所定の変数選択手法に基づいて候補多変量判別式の変数を選択することで、候補多変量判別式を作成する際に用いるストレス状態情報に含まれるアミノ酸濃度データの組み合わせを選択する。なお、変数選択部１０２ｈ３は、検証結果からステップワイズ法、ベストパス法、近傍探索法、遺伝的アルゴリズムのうち少なくとも１つに基づいて候補多変量判別式の変数を選択してもよい。

図６に戻り、判別値算出部１０２ｉは、受信部１０２ｆで受信した評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つの濃度値）および多変量判別式作成部１０２ｈで作成したＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含む多変量判別式（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つを変数として含む多変量判別式）に基づいて、当該多変量判別式の値である判別値を算出する。

ここで、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子および／または分母にＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含んでもよく（例えば、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓのうち少なくとも１つを変数として含んでもよく）、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つでもよい。

具体的には、後述する判別値基準判別部１０２ｊ１で抑うつ病または非抑うつ病であるか否かを判別する場合、多変量判別式は、数式１または数式２でもよく、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とするロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とする線形判別式でもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子にＣｙｓ，Ｇｌｕ，Ｔｙｒ，Ｐｈｅのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＡｓｎ，Ｔａｕ，Ｌｙｓのうち少なくとも１つを変数として含む、またはそれを構成する分数式の分子にＡｓｎ，Ｔａｕ，Ｌｙｓのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＣｙｓ，Ｇｌｕ，Ｔｙｒ，Ｐｈｅのうち少なくとも１つを変数として含んでもよい。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、後述する判別値基準判別部１０２ｊ１で大うつ病または非大うつ病であるか否かを判別する場合、多変量判別式は、数式３、数式４、数式５、数式６または数式７でもよく、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを変数とするロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを変数とするロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを変数とする線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを変数とする線形判別式でもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子にＰｈｅ，Ｇｌｕ，Ｓｅｒのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＴａｕ，Ｔｈｒ，Ｖａｌ，Ｌｙｓのうち少なくとも１つを変数として含む、またはそれを構成する分数式の分子にＴａｕ，Ｔｈｒ，Ｖａｌ，Ｌｙｓのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＰｈｅ，Ｇｌｕ，Ｓｅｒのうち少なくとも１つを変数として含んでもよい。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

図６の説明に戻り、判別値基準評価部１０２ｊは、判別値算出部１０２ｉで算出した判別値に基づいて、評価対象につき、抑うつ病または大うつ病を少なくとも含むストレスの状態を評価する。判別値基準評価部１０２ｊは、判別値基準判別部１０２ｊ１をさらに備えている。ここで、判別値基準評価部１０２ｊの構成について図１８を参照して説明する。図１８は、判別値基準評価部１０２ｊの構成を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。判別値基準判別部１０２ｊ１は、判別値に基づいて評価対象につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別する。具体的には、判別値基準判別部１０２ｊ１は、判別値と予め設定された閾値（カットオフ値）とを比較することで、評価対象につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別する。

図６に戻り、結果出力部１０２ｋは、制御部１０２の各処理部での処理結果（判別値基準評価部１０２ｊでの評価結果（具体的には判別値基準判別部１０２ｊ１での判別結果）を含む）等を出力装置１１４に出力する。

送信部１０２ｍは、評価対象のアミノ酸濃度データの送信元のクライアント装置２００に対して評価結果を送信したり、データベース装置４００に対して、ストレス評価装置１００で作成した多変量判別式や評価結果を送信したりする。

つぎに、本システムのクライアント装置２００の構成について図１９を参照して説明する。図１９は、本システムのクライアント装置２００の構成の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。

クライアント装置２００は、制御部２１０とＲＯＭ２２０とＨＤ２３０とＲＡＭ２４０と入力装置２５０と出力装置２６０と入出力ＩＦ２７０と通信ＩＦ２８０とで構成されており、これら各部は任意の通信路を介して通信可能に接続されている。

制御部２１０は、Ｗｅｂブラウザ２１１、電子メーラ２１２、受信部２１３、送信部２１４を備えている。Ｗｅｂブラウザ２１１は、Ｗｅｂデータを解釈し、解釈したＷｅｂデータを後述するモニタ２６１に表示するブラウズ処理を行う。なお、Ｗｅｂブラウザ２１１には、ストリーム映像の受信・表示・フィードバック等を行う機能を備えたストリームプレイヤ等の各種のソフトウェアをプラグインしてもよい。電子メーラ２１２は、所定の通信規約（例えば、ＳＭＴＰ（Ｓｉｍｐｌｅ Ｍａｉｌ Ｔｒａｎｓｆｅｒ Ｐｒｏｔｏｃｏｌ）やＰＯＰ３（Ｐｏｓｔ Ｏｆｆｉｃｅ Ｐｒｏｔｏｃｏｌ ｖｅｒｓｉｏｎ ３）等）に従って電子メールの送受信を行う。受信部２１３は、通信ＩＦ２８０を介して、ストレス評価装置１００から送信された評価結果などの各種情報を受信する。送信部２１４は、通信ＩＦ２８０を介して、評価対象のアミノ酸濃度データなどの各種情報をストレス評価装置１００へ送信する。

入力装置２５０はキーボードやマウスやマイク等である。なお、後述するモニタ２６１もマウスと協働してポインティングデバイス機能を実現する。出力装置２６０は、通信ＩＦ２８０を介して受信した情報を出力する出力手段であり、モニタ（家庭用テレビを含む）２６１およびプリンタ２６２を含む。この他、出力装置２６０にスピーカ等を設けてもよい。入出力ＩＦは入力装置２５０や出力装置２６０に接続する。

通信ＩＦ２８０は、クライアント装置２００とネットワーク３００（またはルータ等の通信装置）とを通信可能に接続する。換言すると、クライアント装置２００は、モデムやＴＡやルータなどの通信装置および電話回線を介して、または専用線を介してネットワーク３００に接続される。これにより、クライアント装置２００は、所定の通信規約に従ってストレス評価装置１００にアクセスすることができる。

ここで、プリンタ・モニタ・イメージスキャナ等の周辺装置を必要に応じて接続した情報処理装置（例えば、既知のパーソナルコンピュータ・ワークステーション・家庭用ゲーム装置・インターネットＴＶ・ＰＨＳ端末・携帯端末・移動体通信端末・ＰＤＡ等の情報処理端末など）に、Ｗｅｂデータのブラウジング機能や電子メール機能を実現させるソフトウェア（プログラム、データ等を含む）を実装することにより、クライアント装置２００を実現してもよい。

また、クライアント装置２００の制御部２１０は、制御部２１０で行う処理の全部または任意の一部を、ＣＰＵおよび当該ＣＰＵにて解釈して実行するプログラムで実現してもよい。ＲＯＭ２２０またはＨＤ２３０には、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）と協働してＣＰＵに命令を与え、各種処理を行うためのコンピュータプログラムが記録されている。当該コンピュータプログラムは、ＲＡＭ２４０にロードされることで実行され、ＣＰＵと協働して制御部２１０を構成する。また、当該コンピュータプログラムは、クライアント装置２００と任意のネットワークを介して接続されるアプリケーションプログラムサーバに記録されてもよく、クライアント装置２００は、必要に応じてその全部または一部をダウンロードしてもよい。また、制御部２１０で行う処理の全部または任意の一部を、ワイヤードロジック等によるハードウェアで実現してもよい。

つぎに、本システムのネットワーク３００について図４、図５を参照して説明する。ネットワーク３００は、ストレス評価装置１００とクライアント装置２００とデータベース装置４００とを相互に通信可能に接続する機能を有し、例えばインターネットやイントラネットやＬＡＮ（有線／無線の双方を含む）等である。なお、ネットワーク３００は、ＶＡＮや、パソコン通信網や、公衆電話網（アナログ／デジタルの双方を含む）や、専用回線網（アナログ／デジタルの双方を含む）や、ＣＡＴＶ網や、携帯回線交換網または携帯パケット交換網（ＩＭＴ２０００方式、ＧＳＭ（登録商標）方式またはＰＤＣ／ＰＤＣ−Ｐ方式等を含む）や、無線呼出網や、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の局所無線網や、ＰＨＳ網や、衛星通信網（ＣＳ、ＢＳまたはＩＳＤＢ等を含む）等でもよい。

つぎに、本システムのデータベース装置４００の構成について図２０を参照して説明する。図２０は、本システムのデータベース装置４００の構成の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。

データベース装置４００は、ストレス評価装置１００または当該データベース装置で多変量判別式を作成する際に用いるストレス状態情報や、ストレス評価装置１００で作成した多変量判別式、ストレス評価装置１００での評価結果などを格納する機能を有する。図２０に示すように、データベース装置４００は、当該データベース装置を統括的に制御するＣＰＵ等の制御部４０２と、ルータ等の通信装置および専用線等の有線または無線の通信回路を介して当該データベース装置をネットワーク３００に通信可能に接続する通信インターフェース部４０４と、各種のデータベースやテーブルやファイル（例えばＷｅｂページ用ファイル）などを格納する記憶部４０６と、入力装置４１２や出力装置４１４に接続する入出力インターフェース部４０８と、で構成されており、これら各部は任意の通信路を介して通信可能に接続されている。

記憶部４０６は、ストレージ手段であり、例えば、ＲＡＭ・ＲＯＭ等のメモリ装置や、ハードディスクのような固定ディスク装置や、フレキシブルディスクや、光ディスク等を用いることができる。記憶部４０６には、各種処理に用いる各種プログラム等を格納する。通信インターフェース部４０４は、データベース装置４００とネットワーク３００（またはルータ等の通信装置）との間における通信を媒介する。すなわち、通信インターフェース部４０４は、他の端末と通信回線を介してデータを通信する機能を有する。入出力インターフェース部４０８は、入力装置４１２や出力装置４１４に接続する。ここで、出力装置４１４には、モニタ（家庭用テレビを含む）の他、スピーカやプリンタを用いることができる（なお、以下で、出力装置４１４をモニタ４１４として記載する場合がある。）。また、入力装置４１２には、キーボードやマウスやマイクの他、マウスと協働してポインティングデバイス機能を実現するモニタを用いることができる。

制御部４０２は、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）等の制御プログラム・各種の処理手順等を規定したプログラム・所要データなどを格納するための内部メモリを有し、これらのプログラムに基づいて種々の情報処理を実行する。制御部４０２は、図示の如く、大別して、要求解釈部４０２ａと閲覧処理部４０２ｂと認証処理部４０２ｃと電子メール生成部４０２ｄとＷｅｂページ生成部４０２ｅと送信部４０２ｆとを備えている。

要求解釈部４０２ａは、ストレス評価装置１００からの要求内容を解釈し、その解釈結果に応じて制御部４０２の各部に処理を受け渡す。閲覧処理部４０２ｂは、ストレス評価装置１００からの各種画面の閲覧要求を受けて、これら画面のＷｅｂデータの生成や送信を行う。認証処理部４０２ｃは、ストレス評価装置１００からの認証要求を受けて、認証判断を行う。電子メール生成部４０２ｄは、各種の情報を含んだ電子メールを生成する。Ｗｅｂページ生成部４０２ｅは、利用者がクライアント装置２００で閲覧するＷｅｂページを生成する。送信部４０２ｆは、ストレス状態情報や多変量判別式などの各種情報を、ストレス評価装置１００へ送信する。

［２−３．本システムの処理］
ここでは、以上のように構成された本システムで行われるストレス評価サービス処理の一例を、図２１を参照して説明する。図２１は、ストレス評価サービス処理の一例を示すフローチャートである。

なお、本処理で用いるアミノ酸濃度データは、個体から予め採取した血液を分析して得たアミノ酸の濃度値に関するものである。ここで、血液中のアミノ酸の分析方法について簡単に説明する。まず、採血した血液サンプルを、ヘパリン処理したチューブに採取し、その後、当該チューブに対して遠心分離を行うことで血漿を分離する。なお、分離したすべての血漿サンプルは、アミノ酸濃度の測定時まで−７０℃で凍結保存する。そして、アミノ酸濃度の測定時に、血漿サンプルに対してスルホサリチル酸を添加し、３％濃度調整により除蛋白処理を行う。なお、アミノ酸濃度の測定には、ポストカラムでニンヒドリン反応を用いた高速液体クロマトグラフィー（ＨＰＬＣ）を原理としたアミノ酸分析機と高速液体クロマトグラフ質量分析機（ＬＣ／ＭＳ）を使用した。

まず、Ｗｅｂブラウザ２１１を表示した画面上で利用者が入力装置２５０を介してストレス評価装置１００が提供するＷｅｂサイトのアドレス（ＵＲＬなど）を指定すると、クライアント装置２００はストレス評価装置１００へアクセスする。具体的には、利用者がクライアント装置２００のＷｅｂブラウザ２１１の画面更新を指示すると、Ｗｅｂブラウザ２１１は、ストレス評価装置１００が提供するＷｅｂサイトのアドレスを所定の通信規約でストレス評価装置１００へ送信することで、アミノ酸濃度データ送信画面に対応するＷｅｂページの送信要求を、当該アドレスに基づくルーティングでストレス評価装置１００へ行う。

つぎに、ストレス評価装置１００は、要求解釈部１０２ａで、クライアント装置２００からの送信を受け、当該送信の内容を解析し、解析結果に応じて制御部１０２の各部に処理を移す。具体的には、送信の内容がアミノ酸濃度データ送信画面に対応するＷｅｂページの送信要求であった場合、ストレス評価装置１００は、主として閲覧処理部１０２ｂで、記憶部１０６の所定の記憶領域に格納されている当該Ｗｅｂページを表示するためのＷｅｂデータを取得し、取得したＷｅｂデータをクライアント装置２００へ送信する。より具体的には、利用者からアミノ酸濃度データ送信画面に対応するＷｅｂページの送信要求があった場合、ストレス評価装置１００は、まず、制御部１０２で、利用者ＩＤや利用者パスワードの入力を利用者に対して求める。そして、利用者ＩＤやパスワードが入力されると、ストレス評価装置１００は、認証処理部１０２ｃで、入力された利用者ＩＤやパスワードと利用者情報ファイル１０６ａに格納されている利用者ＩＤや利用者パスワードとの認証判断を行う。そして、ストレス評価装置１００は、認証可の場合にのみ、閲覧処理部１０２ｂで、アミノ酸濃度データ送信画面に対応するＷｅｂページを表示するためのＷｅｂデータをクライアント装置２００へ送信する。なお、クライアント装置２００の特定は、クライアント装置２００から送信要求と共に送信されたＩＰアドレスで行う。

つぎに、クライアント装置２００は、ストレス評価装置１００から送信されたＷｅｂデータ（アミノ酸濃度データ送信画面に対応するＷｅｂページを表示するためのもの）を受信部２１３で受信し、受信したＷｅｂデータをＷｅｂブラウザ２１１で解釈し、モニタ２６１にアミノ酸濃度データ送信画面を表示する。

つぎに、モニタ２６１に表示されたアミノ酸濃度データ送信画面に対し利用者が入力装置２５０を介して個体のアミノ酸濃度データなどを入力・選択すると、クライアント装置２００は、送信部２１４で、入力情報や選択事項を特定するための識別子をストレス評価装置１００へ送信することで、評価対象の個体のアミノ酸濃度データをストレス評価装置１００へ送信する（ステップＳＡ−２１）。なお、ステップＳＡ−２１におけるアミノ酸濃度データの送信は、ＦＴＰ等の既存のファイル転送技術等により実現してもよい。

つぎに、ストレス評価装置１００は、要求解釈部１０２ａで、クライアント装置２００から送信された識別子を解釈することによりクライアント装置２００の要求内容を解釈し、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含むストレス評価用（具体的には、抑うつ病と非抑うつ病との２群判別用、大うつ病と非大うつ病との２群判別用）の多変量判別式の送信要求をデータベース装置４００へ行う。

つぎに、データベース装置４００は、要求解釈部４０２ａで、ストレス評価装置１００からの送信要求を解釈し、記憶部４０６の所定の記憶領域に格納したＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含む多変量判別式（例えばアップデートされた最新のもの）をストレス評価装置１００へ送信する（ステップＳＡ−２２）。

ここで、ステップＳＡ−２２において、ストレス評価装置１００へ送信する多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子および／または分母にＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つを変数として含んでもよく、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つでもよい。

具体的には、後述するステップＳＡ−２６で抑うつ病または非抑うつ病であるか否かを判別する場合、多変量判別式は、数式１または数式２でもよく、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とするロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とする線形判別式でもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子にＣｙｓ，Ｇｌｕ，Ｔｙｒ，Ｐｈｅのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＡｓｎ，Ｔａｕ，Ｌｙｓのうち少なくとも１つを変数として含む、またはそれを構成する分数式の分子にＡｓｎ，Ｔａｕ，Ｌｙｓのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＣｙｓ，Ｇｌｕ，Ｔｙｒ，Ｐｈｅのうち少なくとも１つを変数として含んでもよい。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、後述するステップＳＡ−２６で大うつ病または非大うつ病であるか否かを判別する場合、多変量判別式は、数式３、数式４、数式５、数式６または数式７でもよく、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを変数とするロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを変数とするロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを変数とする線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを変数とする線形判別式でもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子にＰｈｅ，Ｇｌｕ，Ｓｅｒのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＴａｕ，Ｔｈｒ，Ｖａｌ，Ｌｙｓのうち少なくとも１つを変数として含む、またはそれを構成する分数式の分子にＴａｕ，Ｔｈｒ，Ｖａｌ，Ｌｙｓのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＰｈｅ，Ｇｌｕ，Ｓｅｒのうち少なくとも１つを変数として含んでもよい。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

図２１の説明に戻り、ストレス評価装置１００は、受信部１０２ｆで、クライアント装置２００から送信された個体のアミノ酸濃度データおよびデータベース装置４００から送信された多変量判別式を受信し、受信したアミノ酸濃度データをアミノ酸濃度データファイル１０６ｂの所定の記憶領域に格納すると共に、受信した多変量判別式を多変量判別式ファイル１０６ｅ４の所定の記憶領域に格納する（ステップＳＡ−２３）。

つぎに、ストレス評価装置１００は、制御部１０２で、ステップＳＡ−２３で受信した個体のアミノ酸濃度データから欠損値や外れ値などのデータを除去する（ステップＳＡ−２４）。

つぎに、ストレス評価装置１００は、判別値算出部１０２ｉで、ステップＳＡ−２４で欠損値や外れ値などのデータが除去された個体のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値およびステップＳＡ−２３で受信した多変量判別式に基づいて、判別値を算出する（ステップＳＡ−２５）。

つぎに、ストレス評価装置１００は、判別値基準判別部１０２ｊ１で、ステップＳＡ−２５で算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かの判別し、その判別結果を評価結果ファイル１０６ｇの所定の記憶領域に格納する（ステップＳＡ−２６）。

つぎに、ストレス評価装置１００は、送信部１０２ｍで、ステップＳＡ−２６で得た判別結果（抑うつ病または非抑うつ病であるか否かに関する判別結果、大うつ病または非大うつ病であるか否かに関する判別結果）を、アミノ酸濃度データの送信元のクライアント装置２００とデータベース装置４００とへ送信する（ステップＳＡ−２７）。具体的には、まず、ストレス評価装置１００は、Ｗｅｂページ生成部１０２ｅで、判別結果を表示するためのＷｅｂページを作成し、作成したＷｅｂページに対応するＷｅｂデータを記憶部１０６の所定の記憶領域に格納する。ついで、利用者がクライアント装置２００のＷｅｂブラウザ２１１に入力装置２５０を介して所定のＵＲＬを入力し上述した認証を経た後、クライアント装置２００は、当該Ｗｅｂページの閲覧要求をストレス評価装置１００へ送信する。ついで、ストレス評価装置１００は、閲覧処理部１０２ｂで、クライアント装置２００から送信された閲覧要求を解釈し、判別結果を表示するためのＷｅｂページに対応するＷｅｂデータを記憶部１０６の所定の記憶領域から読み出す。そして、ストレス評価装置１００は、送信部１０２ｍで、読み出したＷｅｂデータをクライアント装置２００へ送信すると共に、当該Ｗｅｂデータ又は判別結果をデータベース装置４００へ送信する。

ここで、ステップＳＡ−２７において、ストレス評価装置１００は、制御部１０２で、判別結果を電子メールで利用者のクライアント装置２００へ通知してもよい。具体的には、まず、ストレス評価装置１００は、電子メール生成部１０２ｄで、利用者ＩＤなどを基にして利用者情報ファイル１０６ａに格納されている利用者情報を送信タイミングに従って参照し、利用者の電子メールアドレスを取得する。ついで、ストレス評価装置１００は、電子メール生成部１０２ｄで、取得した電子メールアドレスを宛て先とし利用者の氏名および判別結果を含む電子メールに関するデータを生成する。ついで、ストレス評価装置１００は、送信部１０２ｍで、生成した当該データを利用者のクライアント装置２００へ送信する。

また、ステップＳＡ−２７において、ストレス評価装置１００は、ＦＴＰ等の既存のファイル転送技術等で、判別結果を利用者のクライアント装置２００へ送信してもよい。

図２１の説明に戻り、データベース装置４００は、制御部４０２で、ストレス評価装置１００から送信された判別結果またはＷｅｂデータを受信し、受信した判別結果またはＷｅｂデータを記憶部４０６の所定の記憶領域に保存（蓄積）する（ステップＳＡ−２８）。

また、クライアント装置２００は、受信部２１３で、ストレス評価装置１００から送信されたＷｅｂデータを受信し、受信したＷｅｂデータをＷｅｂブラウザ２１１で解釈し、個体の判別結果が記されたＷｅｂページの画面をモニタ２６１に表示する（ステップＳＡ−２９）。なお、判別結果がストレス評価装置１００から電子メールで送信された場合には、クライアント装置２００は、電子メーラ２１２の公知の機能で、ストレス評価装置１００から送信された電子メールを任意のタイミングで受信し、受信した電子メールをモニタ２６１に表示する。

以上により、利用者は、モニタ２６１に表示されたＷｅｂページを閲覧することで、抑うつ病と非抑うつ病との２群判別に関する個体の判別結果、大うつ病と非大うつ病との２群判別に関する個体の判別結果を確認することができる。なお、利用者は、モニタ２６１に表示されたＷｅｂページの表示内容をプリンタ２６２で印刷してもよい。

また、判別結果がストレス評価装置１００から電子メールで送信された場合には、利用者は、モニタ２６１に表示された電子メールを閲覧することで、抑うつ病と非抑うつ病との２群判別に関する個体の判別結果、大うつ病と非大うつ病との２群判別に関する個体の判別結果を確認することができる。利用者は、モニタ２６１に表示された電子メールの表示内容をプリンタ２６２で印刷してもよい。

これにて、ストレス評価サービス処理の説明を終了する。

［２−４．第２実施形態のまとめ、およびその他の実施形態］
以上、詳細に説明したように、ストレス評価システムによれば、クライアント装置２００は個体のアミノ酸濃度データをストレス評価装置１００へ送信し、データベース装置４００はストレス評価装置１００からの要求を受けて、抑うつ病と非抑うつ病との２群判別用または大うつ病と非大うつ病との２群判別用の多変量判別式をストレス評価装置１００へ送信する。そして、ストレス評価装置１００は、（１）クライアント装置２００からアミノ酸濃度データを受信すると共にデータベース装置４００から多変量判別式を受信し、（２）受信した個体のアミノ酸濃度データから欠損値や外れ値などのデータを除去し、（３）欠損値や外れ値などのデータが除去されたアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも１つの濃度値および受信した多変量判別式に基づいて判別値を算出し、（４）算出した判別値と予め設定した閾値とを比較することで個体につき、抑うつ病または非抑うつ病であるか否かを判別、または大うつ病または非大うつ病であるか否かを判別し、（５）この判別結果をクライアント装置２００やデータベース装置４００へ送信する。そして、クライアント装置２００はストレス評価装置１００から送信された判別結果を受信して表示し、データベース装置４００はストレス評価装置１００から送信された判別結果を受信して格納する。これにより、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別に有用なアミノ酸変数を用いる多変量判別式（分数式等）で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別や大うつ病と非大うつ病の２群判別をさらに精度よく行うことができる。

ここで、ストレス評価システムによれば、ステップＳＡ−２６で抑うつ病または非抑うつ病であるか否かを判別する場合、多変量判別式は、数式１または数式２でもよく、またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とするロジスティック回帰式またはＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓを変数とする線形判別式でもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子にＣｙｓ，Ｇｌｕ，Ｔｙｒ，Ｐｈｅのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＡｓｎ，Ｔａｕ，Ｌｙｓのうち少なくとも１つを変数として含む、またはそれを構成する分数式の分子にＡｓｎ，Ｔａｕ，Ｌｙｓのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＣｙｓ，Ｇｌｕ，Ｔｙｒ，Ｐｈｅのうち少なくとも１つを変数として含んでもよい。これにより、抑うつ病と非抑うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、抑うつ病と非抑うつ病の２群判別をさらに精度よく行うことができる。
ａ_１×Ｃｙｓ／Ａｓｎ ＋ ｂ_１×（Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ） ＋ ｃ_１ ・・・（数式１）
ａ_２×Ｇｌｕ／Ｌｙｓ ＋ ｂ_２×Ｍｅｔ／（Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｃ_２×Ｉｌｅ／Ｌｅｕ ＋ ｄ_２×Ｐｈｅ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ＋Ｔｙｒ＋Ｐｈｅ＋Ｔｒｐ） ＋ ｅ_２ ・・・（数式２）
（数式１において、ａ_１、ｂ_１、ｃ_１は任意の実数であり、数式２において、ａ_２、ｂ_２、ｃ_２、ｄ_２、ｅ_２は任意の実数である。）

また、ステップＳＡ−２６で大うつ病または非大うつ病であるか否かを判別する場合、多変量判別式は、数式３、数式４、数式５、数式６または数式７でもよく、またはＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐを変数とするロジスティック回帰式、Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡを変数とするロジスティック回帰式、Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐを変数とする線形判別式またはＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡを変数とする線形判別式でもよい。また、多変量判別式は、１つの分数式または複数の分数式の和で表され、それを構成する分数式の分子にＰｈｅ，Ｇｌｕ，Ｓｅｒのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＴａｕ，Ｔｈｒ，Ｖａｌ，Ｌｙｓのうち少なくとも１つを変数として含む、またはそれを構成する分数式の分子にＴａｕ，Ｔｈｒ，Ｖａｌ，Ｌｙｓのうち少なくとも１つを変数として含み且つそれを構成する分数式の分母にＰｈｅ，Ｇｌｕ，Ｓｅｒのうち少なくとも１つを変数として含んでもよい。これにより、大うつ病と非大うつ病の２群判別に特に有用なアミノ酸変数を用いる多変量判別式で得られる判別値を利用して、大うつ病と非大うつ病の２群判別をさらに精度よく行うことができる。
ａ_３×Ｐｈｅ／（Ｔａｕ＋Ｔｈｒ） ＋ ｂ_３×（Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ） ＋ ｃ_３ ・・・（数式３）
ａ_４×Ｇｌｙ／Ｇｌｎ ＋ｂ_４×（Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ） ＋ ｃ_４ ・・・（数式４）
ａ_５×Ａｓｎ ＋ ｂ_５×Ａｌａ／Ｔｒｐ ＋ ｃ_５×ＡＢＡ／Ｔｙｒ ＋ ｄ_５×Ｓｅｒ／Ｖａｌ ＋ ｅ_５ ・・・（数式５）
ａ_６×（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ ｂ_６×（Ｃｉｔ＋Ｍｅｔ）／Ａｓｎ ＋ ｃ_６ ・・・（数式６）
ａ_７×Ａｓｎ／Ｇｌｎ ＋ ｂ_７×Ｃｉｔ／ＡＢＡ ＋ ｃ_７×Ｇｌｕ／Ａｒｇ ＋ｄ_７×Ｍｅｔ／（Ｖａｌ＋Ｌｅｕ＋Ｉｌｅ） ＋ ｅ_７ ・・・（数式７）
（数式３において、ａ_３、ｂ_３、ｃ_３は任意の実数であり、数式４において、ａ_４、ｂ_４、ｃ_４は任意の実数であり、数式５において、ａ_５、ｂ_５、ｃ_５、ｄ_５、ｅ_５は任意の実数であり、数式６において、ａ_６、ｂ_６、ｃ_６は任意の実数であり、数式７において、ａ_７、ｂ_７、ｃ_７、ｄ_７、ｅ_７は任意の実数である。）

なお、上記した各多変量判別式は、本出願人による国際出願である国際公開ＷＯ２００４／０５２１９１号パンフレットに記載の方法や、本出願人による国際出願である国際出願番号ＰＣＴ／ＪＰ２００６／３０４３９８に記載の方法（後述する多変量判別式作成処理）で作成することができる。これら方法で得られた多変量判別式であれば、入力データとしてのアミノ酸濃度データにおけるアミノ酸濃度の単位に因らず、当該多変量判別式をストレスの状態の評価に好適に用いることができる。

また、本発明にかかるストレス評価装置、ストレス評価方法、ストレス評価システム、ストレス評価プログラムおよび記録媒体は、上述した第２実施形態以外にも、特許請求の範囲の書類に記載した技術的思想の範囲内において種々の異なる実施形態にて実施されてよいものである。例えば、上述した第２実施形態で説明した各処理のうち、自動的に行なわれるものとして説明した処理の全部または一部を手動的に行うこともでき、手動的に行なわれるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種の登録データおよび検索条件等のパラメータを含む情報、画面例、データベース構成については、特記する場合を除いて任意に変更することができる。例えば、ストレス評価装置１００に関して、図示の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。また、ストレス評価装置１００の各部または各装置が備える処理機能（特に制御部１０２にて行なわれる各処理機能）については、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）および当該ＣＰＵにて解釈実行されるプログラムにて、その全部または任意の一部を実現することができ、ワイヤードロジックによるハードウェアとして実現することもできる。

ここで、「プログラム」とは任意の言語や記述方法にて記述されたデータ処理方法であり、ソースコードやバイナリコード等の形式を問わない。なお、「プログラム」は、必ずしも単一的に構成されるものに限られず、複数のモジュールやライブラリとして分散構成されるものや、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）に代表される別個のプログラムと協働してその機能を達成するものを含む。なお、プログラムは、記録媒体に記録されており、必要に応じてストレス評価装置１００に機械的に読み取られる。記録媒体に記録されたプログラムを各装置で読み取るための具体的な構成や読み取り手順や読み取り後のインストール手順等については、周知の構成や手順を用いることができる。

また、「記録媒体」とは任意の「可搬用の物理媒体」や任意の「固定用の物理媒体」や「通信媒体」を含むものとする。なお、「可搬用の物理媒体」とはフレキシブルディスクや光磁気ディスクやＲＯＭやＥＰＲＯＭやＥＥＰＲＯＭ（登録商標）やＣＤ−ＲＯＭやＭＯやＤＶＤ等である。「固定用の物理媒体」とは各種コンピュータシステムに内蔵されるＲＯＭやＲＡＭやＨＤ等である。「通信媒体」とは、ＬＡＮやＷＡＮやインターネット等のネットワークを介してプログラムを送信する場合における通信回線や搬送波のように、短期にプログラムを保持するものである。

最後に、ストレス評価装置１００で行う多変量判別式作成処理の一例について図２２を参照して詳細に説明する。図２２は多変量判別式作成処理の一例を示すフローチャートである。なお、当該多変量判別式作成処理は、ストレス状態情報を管理するデータベース装置４００で行ってもよい。

なお、本説明では、ストレス評価装置１００は、データベース装置４００から事前に取得したストレス状態情報を、ストレス状態情報ファイル１０６ｃの所定の記憶領域に格納しているものとする。また、ストレス評価装置１００は、ストレス状態情報指定部１０２ｇで事前に指定したストレス状態指標データおよびアミノ酸濃度データを含むストレス状態情報を、指定ストレス状態情報ファイル１０６ｄの所定の記憶領域に格納しているものとする。

まず、多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１で、指定ストレス状態情報ファイル１０６ｄの所定の記憶領域に格納されているストレス状態情報から所定の式作成手法に基づいて候補多変量判別式を作成し、作成した候補多変量判別式を候補多変量判別式ファイル１０６ｅ１の所定の記憶領域に格納する（ステップＳＢ−２１）。具体的には、まず、多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１で、複数の異なる式作成手法（主成分分析や判別分析、サポートベクターマシン、重回帰分析、ロジスティック回帰分析、ｋ−ｍｅａｎｓ法、クラスター解析、決定木などの多変量解析に関するものを含む。）の中から所望のものを１つ選択し、選択した式作成手法に基づいて、作成する候補多変量判別式の形（式の形）を決定する。つぎに、多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１で、ストレス状態情報に基づいて、選択した式選択手法に対応する種々（例えば平均や分散など）の計算を実行する。つぎに、多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１で、計算結果および決定した候補多変量判別式のパラメータを決定する。これにより、選択した式作成手法に基づいて候補多変量判別式が作成される。なお、複数の異なる式作成手法を併用して候補多変量判別式を同時並行（並列）的に作成する場合は、選択した式作成手法ごとに上記の処理を並行して実行すればよい。また、複数の異なる式作成手法を併用して候補多変量判別式を直列的に作成する場合は、例えば、主成分分析を行って作成した候補多変量判別式を利用してストレス状態情報を変換し、変換したストレス状態情報に対して判別分析を行うことで候補多変量判別式を作成してもよい。

つぎに、多変量判別式作成部１０２ｈは、候補多変量判別式検証部１０２ｈ２で、ステップＳＢ−２１で作成した候補多変量判別式を所定の検証手法に基づいて検証（相互検証）し、検証結果を検証結果ファイル１０６ｅ２の所定の記憶領域に格納する（ステップＳＢ−２２）。具体的には、多変量判別式作成部１０２ｈは、候補多変量判別式検証部１０２ｈ２で、指定ストレス状態情報ファイル１０６ｄの所定の記憶領域に格納されているストレス状態情報に基づいて候補多変量判別式を検証する際に用いる検証用データを作成し、作成した検証用データに基づいて候補多変量判別式を検証する。なお、ステップＳＢ−２１で複数の異なる式作成手法を併用して候補多変量判別式を複数作成した場合には、多変量判別式作成部１０２ｈは、候補多変量判別式検証部１０２ｈ２で、各式作成手法に対応する候補多変量判別式ごとに所定の検証手法に基づいて検証する。ここで、ステップＳＢ−２２において、ブートストラップ法やホールドアウト法、リーブワンアウト法などのうち少なくとも１つに基づいて候補多変量判別式の判別率や感度、特異性、情報量基準などのうち少なくとも１つに関して検証してもよい。これにより、ストレス状態情報や診断条件を考慮した予測性または堅牢性の高い候補指標式を選択することができる。

つぎに、多変量判別式作成部１０２ｈは、変数選択部１０２ｈ３で、ステップＳＢ−２２での検証結果から所定の変数選択手法に基づいて、候補多変量判別式の変数を選択することで、候補多変量判別式を作成する際に用いるストレス状態情報に含まれるアミノ酸濃度データの組み合わせを選択し、選択したアミノ酸濃度データの組み合わせを含むストレス状態情報を選択ストレス状態情報ファイル１０６ｅ３の所定の記憶領域に格納する（ステップＳＢ−２３）。なお、ステップＳＢ−２１で複数の異なる式作成手法を併用して候補多変量判別式を複数作成し、ステップＳＢ−２２で各式作成手法に対応する候補多変量判別式ごとに所定の検証手法に基づいて検証した場合には、ステップＳＢ−２３において、多変量判別式作成部１０２ｈは、変数選択部１０２ｈ３で、ステップＳＢ−２２での検証結果に対応する候補多変量判別式ごとに所定の変数選択手法に基づいて候補多変量判別式の変数を選択する。ここで、ステップＳＢ−２３において、検証結果からステップワイズ法、ベストパス法、近傍探索法、遺伝的アルゴリズムのうち少なくとも１つに基づいて候補多変量判別式の変数を選択してもよい。なお、ベストパス法とは、候補多変量判別式に含まれる変数を１つずつ順次減らしていき、候補多変量判別式が与える評価指標を最適化することで変数を選択する方法である。また、ステップＳＢ−２３において、多変量判別式作成部１０２ｈは、変数選択部１０２ｈ３で、指定ストレス状態情報ファイル１０６ｄの所定の記憶領域に格納されているストレス状態情報に基づいてアミノ酸濃度データの組み合わせを選択してもよい。

つぎに、多変量判別式作成部１０２ｈは、指定ストレス状態情報ファイル１０６ｄの所定の記憶領域に格納されているストレス状態情報に含まれるアミノ酸濃度データの全ての組み合わせが終了したか否かを判定し、判定結果が「終了」であった場合（ステップＳＢ−２４：Ｙｅｓ）には次のステップ（ステップＳＢ−２５）へ進み、判定結果が「終了」でなかった場合（ステップＳＢ−２４：Ｎｏ）にはステップＳＢ−２１へ戻る。なお、多変量判別式作成部１０２ｈは、予め設定した回数が終了したか否かを判定し、判定結果が「終了」であった場合には（ステップＳＢ−２４：Ｙｅｓ）次のステップ（ステップＳＢ−２５）へ進み、判定結果が「終了」でなかった場合（ステップＳＢ−２４：Ｎｏ）にはステップＳＢ−２１へ戻ってもよい。また、多変量判別式作成部１０２ｈは、ステップＳＢ−２３で選択したアミノ酸濃度データの組み合わせが、指定ストレス状態情報ファイル１０６ｄの所定の記憶領域に格納されているストレス状態情報に含まれるアミノ酸濃度データの組み合わせまたは前回のステップＳＢ−２３で選択したアミノ酸濃度データの組み合わせと同じであるか否かを判定し、判定結果が「同じ」であった場合（ステップＳＢ−２４：Ｙｅｓ）には次のステップ（ステップＳＢ−２５）へ進み、判定結果が「同じ」でなかった場合（ステップＳＢ−２４：Ｎｏ）にはステップＳＢ−２１へ戻ってもよい。また、多変量判別式作成部１０２ｈは、検証結果が具体的には各候補多変量判別式に関する評価値である場合には、当該評価値と各式作成手法に対応する所定の閾値との比較結果に基づいて、ステップＳＢ−２５へ進むかステップＳＢ−２１へ戻るかを判定してもよい。

ついで、多変量判別式作成部１０２ｈは、検証結果に基づいて、複数の候補多変量判別式の中から多変量判別式として採用する候補多変量判別式を選出することで多変量判別式を決定し、決定した多変量判別式（選出した候補多変量判別式）を多変量判別式ファイル１０６ｅ４の所定の記憶領域に格納する（ステップＳＢ−２５）。ここで、ステップＳＢ−２５において、例えば、同じ式作成手法で作成した候補多変量判別式の中から最適なものを選出する場合と、すべての候補多変量判別式の中から最適なものを選出する場合とがある。

これにて、多変量判別式作成処理の説明を終了する。

健常群と問診結果から抑うつ病・大うつ病と判定されたストレス所見群の血液サンプルから、前述のアミノ酸分析法により血中アミノ酸濃度を測定した。図２３に、各群毎（１：健常群、２：抑うつ病所見群、３：大うつ病所見群）のアミノ酸変数の分布を（縦軸：ｎｍｏｌ／ｍＬ、図中のＡＢＡはα−ＡＢＡを、またＣｙｓはＣｙｓｔｉｎｅを表す）箱ひげ図を示す。

ここで、抑うつ病の診断方法は、職業簡易ストレス調査票で抑うつ感を示す以下のａからｆの項目に該当する問診項目の結果（少なくともａ〜ｆの項目を１つ含む）から抑うつ病と判定する。
ａ 憂鬱だ。
ｂ 何をするのも面倒だ。
ｃ 物事に集中できない。
ｄ 気分が晴れない。
ｅ 仕事が手につかない。
ｆ 悲しいと感じる。

また、大うつ病の診断方法は、以下に示すＤＳＭ−ＩＶの問診９項目（ＡからＩ）のうち５項目以上（ただし、少なくとも、ＡまたはＢの項目を含む）が同時に２週間以上持続する場合に大うつ病と判定する。
Ａ ほとんど１日中気分が沈んでいる。
Ｂ 何に対しても興味がわかず、楽しめない。
Ｃ 食欲が低下、または体重の増減が激しい。
Ｄ 寝付けない。夜中や早朝に目が覚める。
Ｅ 動作や話し方が遅い、又はいらいらしたり落ち着きが無い。
Ｆ 疲れを感じたり、気力がわかない。
Ｇ 自分に価値が無い、または申し訳ないと感じる。
Ｈ 仕事や家事に集中したり、決断することができない。
Ｉ この世から消えてしまいたいと思うことがある。

まず、健常群と抑うつ病と判定された抑うつ病所見群の２群間の判別を目的に２群間のノンパラメトリック解析であるＭａｎｎ−Ｗｈｉｔｎｅｙ検定を実施した。健常群に比べて抑うつ病所見群では、Ｌｙｓ（有意差確率Ｐ＜０．０５）が有意に減少し、アミノ酸変数Ｌｙｓが健常群と抑うつ病所見群の２群間の判別能を持つことが判明した。

次に、健常群と大うつ病所見群の２群間の判別を目的に２群間のノンパラメトリック解析であるＭａｎｎ−Ｗｈｉｔｎｅｙ検定を実施した。健常群に比べて大うつ病所見群では、Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ（有意差確率Ｐ＜０．０５）が有意に減少し、アミノ酸変数Ｌｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎが健常群と大うつ病所見群の２群間の判別能を持つことが判明した。

ここでは、多変量判別式の例として、ロジスティック回帰式、線形判別式を挙げ、実施例１で用いたサンプルデータから、健常群とストレス所見群（抑うつ病・大うつ病）の判別式を導出した。本実施の形態にかかる「健常群とストレス所見群（抑うつ病・大うつ病）の多変量判別式」とは、ロジスティック回帰分析、線形判別分析、マハラノビス距離、サポートベクターマシン、正準判別分析、決定木などの判別解析結果から得られる式を指す。

まず、健常群と抑うつ病所見群の２群判別性能を最大化する多変量判別式をロジスティック解析（Ｗａｌｄ検定のステップワイズ法による変数選択）により探索し、判別式としてＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓから構成されるロジスティック回帰式（アミノ酸変数、Ｓｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓの数係数と定数項は順に、−０．０３、０．０４、０．１０、−０．０２、２．５２）が得られた。なお、このほかに同等の判別性能を有するロジスティック回帰式は複数得られた。それらを図２４、図２５、図２６に示す。また、図２４、図２５、図２６に示す式における各係数の値は、それを実数倍したものでもよい。

この判別式による健常群と抑うつ病所見群の２群判別に関して、ＲＯＣ曲線（図２７）のＡＵＣによる評価を行い、０．７９６±０．０３８（９５％信頼区間は０．７２１〜０．８７２）が得られ診断性能が高く有用な指標であることが判明した。

次に健常群と大うつ病所見群の２群判別性能を最大化する多変量判別式をロジスティック解析（Ｗａｌｄ検定のステップワイズ法による変数選択）により探索し、判別式としてＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐから構成されるロジスティック回帰式（アミノ酸変数Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｔｙｒ，Ｔｒｐの数係数と定数項は順に、０．２、−０．１、０．４、−２．９、１．１、−１．７、４６．８）が得られた。なお、このほかに同等の判別性能を有するロジスティック回帰式は複数得られた。それらを図２８、図２９、図３０に示す。また、図２８、図２９、図３０に示す式における各係数の値は、それを実数倍したものでもよい。

この判別式による健常群と大うつ病所見群の２群判別に関して、ＲＯＣ曲線（図３１）のＡＵＣによる評価を行い、０．９９７±０．００５（９５％信頼区間は０．９８７〜１．０００）が得られ診断性能が高く有用な指標であることが判明した。

さらに、健常群と抑うつ病所見群の２群判別性能を最大化する多変量判別式を線形判別解析（ステップワイズ法による変数選択）により探索し、判別式としてＳｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓ（アミノ酸変数Ｓｅｒ，Ｇｌｕ，Ｃｙｓ，Ｌｙｓの数係数と定数項は順に、−０．０３、０．０３、０．０９、−０．０２、２．４７）から構成される線形判別式が得られた。なお、このほかに同等の判別性能を有する線形判別式は複数得られた。それらを図３２、図３３、図３４に示す。また、図３２、図３３、図３４に示す式における各係数の値は、それを実数倍したものでもよい。

判別式による健常群と抑うつ病所見群の２群判別に関して、ＲＯＣ曲線（図３５）のＡＵＣによる評価を行い、０．７９８±０．０３８（９５％信頼区間は０．７２３〜０．８７３）が得られ診断性能が高く有用な指標であることが判明した。

加えて、健常群と大うつ病所見群の２群判別性能を最大化する多変量判別式を線形判別解析（ステップワイズ法による変数選択）により探索し、判別式としてＳｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐから構成される線形判別式（アミノ酸変数Ｓｅｒ，Ｇｌｎ，Ｐｒｏ，ＡＢＡ，Ｃｙｓ，Ｉｌｅ，Ｔｙｒ，Ｔｒｐの数係数と定数項は順に、−０．０２、０．０２、−０．０１、０．１１、−０．０８、−０．０４、−０．０４、０．１０、−５．７７）が得られた。なお、このほかに同等の判別性能を有する線形判別式は複数得られた。それらを図３６、図３７、図３８に示す。また、図３６、図３７、図３８に示す式における各係数の値は、それを実数倍したものでもよい。

この判別式による健常群と大うつ病所見群の２群判別に関して、ＲＯＣ曲線（図３９）のＡＵＣによる評価を行い、０．９７９±０．０１４（９５％信頼区間は０．９５２〜１．０００）が得られ診断性能が高く有用な指標であることが判明した。

以上のことから、一般的に用いられている多変量解析法から、健常群とストレス所見群を高い精度で判別する式が導出可能であることが示された。また、健常群とストレス所見群の多変量判別式中の変数としては、アミノ酸変数に加えて、アミノ酸以外のメタボロームデータ（有機酸、脂肪酸、核酸など）や、トランスクリプトームデータ、プロテオームデータも用いることにより、判別能は向上すると言える。

実施例１で用いたサンプルデータを用いた。本出願人による国際出願である国際公開ＷＯ２００４／０５２１９１号パンフレットに記載の方法を用いて、健常群と抑うつ病所見群の２群判別性能を最大化する指標を鋭意探索し、同等の性能を持つ複数の指標の中に指標式１が得られた。なお、このほかに指標式１と同等の判別性能を有する多変量判別式は複数得られた。それらを図４０、図４１、図４２に示す。
指標式１：（Ｃｙｓ）／（Ａｓｎ） ＋ （Ｇｌｕ＋Ｔｙｒ＋Ｐｈｅ）／（Ｔａｕ＋Ｌｙｓ）

指標式１による健常群と抑うつ病所見群の２群判別に関して、ＲＯＣ曲線（図４３）のＡＵＣによる評価を行い、０．８１３±０．０３７（９５％信頼区間は０．７４１〜０．８８５）が得られた。また指標式１による健常群と抑うつ病所見群の２群判別のカットオフ値について、抑うつ病所見群の有症率を０．３６として最適なカットオフ値を求めると、カットオフ値が１．３８となり、感度８９％、特異度７２％、正診率７８％が得られ、診断性能が高く有用な指標であることが判明した。

次に健常群と大うつ病所見群の２群判別性能を最大化する指標を鋭意探索し、同等の性能を持つ複数の指標の中に指標式２、指標式３が得られた。なお、このほかに指標式３と同等の判別性能を有する多変量判別式は複数得られた。それらを図４４、図４５、図４６に示す。
指標式２：（Ｐｈｅ）／（Ｔａｕ＋Ｔｈｒ） ＋ （Ｇｌｕ＋Ｓｅｒ）／（Ｖａｌ＋Ｌｙｓ）
指標式３：（Ｇｌｙ）／（Ｇｌｎ） ＋ （Ｇｌｕ＋Ｐｒｏ＋Ｉｌｅ）／（Ｏｒｎ＋Ｔｒｐ＋ＡＢＡ）

指標式２による健常群と大うつ病所見群の２群判別に関して、ＲＯＣ曲線（図４７）のＡＵＣによる評価を行い、０．８８１±０．０４７（９５％信頼区間は０．７０９〜０．９７４）が得られた。また指標式２による健常群と大うつ病所見群の２群判別のカットオフ値について、大うつ病所見群の有症率を０．０８として最適なカットオフ値を求めると、カットオフ値が０．７９４となり、感度８６％、特異度８６％、正診率８６％が得られ、診断性能が高く有用な指標であることが判明した。

指標式３による健常群と大うつ病所見群の２群判別に関して、ＲＯＣ曲線（図４８）のＡＵＣによる評価を行い、０．９０９±０．０３９（９５％信頼区間は０．８３２〜０．９８５）が得られた。また指標式３による健常群と大うつ病所見群の２群判別のカットオフ値について、大うつ病所見群の有症率を０．０８として最適なカットオフ値を求めると、カットオフ値が２．２８９となり、感度８６％、特異度８４％、正診率８４％が得られ、診断性能が高く有用な指標であることが判明した。

実施例１で用いたサンプルデータを用いた。本出願人による国際出願である国際公開ＷＯ２００４／０５２１９１号パンフレットに記載の方法を用いて、健常群と抑うつ病所見群の２群判別性能を最大化する指標を鋭意探索し、同等の性能を持つ複数の指標の中に指標式４が得られた。
指標式４：（Ｇｌｕ／Ｌｙｓ） ＋ （−５．１６９）×（Ｍｅｔ／ＡＡＡ） ＋ １．６７６９×（Ｉｌｅ／Ｌｅｕ） ＋ ５．５３３７×（Ｐｈｅ／ＬＮＡＡｓ）

指標式４による健常群と抑うつ病所見群の２群判別に関して、ＲＯＣ曲線（図４９）のＡＵＣによる評価を行い、０．８２７±０．０３５（９５％信頼区間は０．７５８〜０．８９７）が得られた。また指標式４による健常群と抑うつ病所見群の２群判別のカットオフ値について、抑うつ病所見群の有症率を０．３６として最適なカットオフ値を求めると、カットオフ値が０．８２となり、感度７４％、特異度７１％、正診率７２％が得られ、診断性能が高く有用な指標であることが判明した。

次に健常群と大うつ病所見群の２群判別性能を最大化する指標を鋭意探索し、同等の性能を持つ複数の指標の中に指標式５が得られた。
指標式５：（Ａｓｎ） ＋ （−２．８５５６）×（Ａｌａ／Ｔｒｐ） ＋ ４８．６０４７×（ＡＢＡ／Ｔｙｒ） ＋ （−８．４７６１）×（Ｓｅｒ／Ｖａｌ）

指標式５による健常群と大うつ病所見群の２群判別に関して、ＲＯＣ曲線（図５０）のＡＵＣによる評価を行い、０．９８６±０．０１１（９５％信頼区間は０．９６５〜１．０００）が得られた。また指標式５による健常群と大うつ病所見群の２群判別のカットオフ値について、大うつ病所見群の有症率を０．０８として最適なカットオフ値を求めると、カットオフ値が２７．５０となり、感度８６％、特異度９６％、正診率９６％が得られ、診断性能が高く有用な指標であることが判明した。

精神研式ストレス質問紙の試験結果として得られたストレスレベルと相関するアミノ酸変数として、Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓ（有意確率Ｐ＜０．０５）が有意な相関（ＰＥＡＲＳＯＮ相関）を示し、アミノ酸変数Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔ，ＢＣＡＡ，ＡＡＡ，ＬＮＡＡｓが抑うつ病や大うつ病に至るまでのストレスレベルの評価能を持つことが判明した。

ここで、ストレスレベルを示す指標としては、精神研式ストレス質問紙を使用した。この指標は、心身症状、性格特性、タイプＡ特性、ストレッサーの４つの項目群から成り、各項目群を０点、１点、２点の３段階評価で点数化し集計したものがストレスレベルを示す。

実施例１で用いたサンプルデータを用いた。本出願人による国際出願である国際公開ＷＯ２００４／０５２１９１号パンフレットに記載の方法を用いて、ストレスレベルの状態の診断性能を最大化する指標を鋭意探索し、同等の性能を持つ複数の指標の中に指標式６が得られた。
指標式６：（Ｐｈｅ） ＋ （−２１．１５８）×（Ｃｉｔ／Ｇｌｕ） ＋ ６．９８４３×（Ｇｌｙ／Ｈｉｓ）

ここでは、多変量判別式の例として、ロジスティック回帰式、線形判別式を挙げ、健常群と大うつ病所見群の判別式を導出した。本実施の形態にかかる「健常群と大うつ病所見群の多変量判別式」とは、ロジスティック回帰分析、線形判別分析、マハラノビス距離、サポートベクターマシン、正準判別分析、決定木などの判別解析結果から得られる式を指す。

まず、健常群と大うつ病所見群の２群判別性能を最大化する多変量判別式をロジスティック解析（Ｗａｌｄ検定のステップワイズ法による変数選択）により探索し、判別式としてＧｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡから構成されるロジスティック回帰式（アミノ酸変数Ｇｌｕ，Ａｓｎ，Ｇｌｎ，Ｃｉｔ，ＡＢＡの数係数と定数項は順に、０．０３、−０．１７、０．０１、０．１１、−０．１２、−０．３８）が得られた。なお、このほかに同等の判別性能を有するロジスティック回帰式は複数得られた。それらを図５１、図５２、図５３に示す。また、図５１、図５２、図５３に示す式における各係数の値は、それを実数倍したものでもよい。

この判別式による健常群と大うつ病所見群の２群判別に関して、ＲＯＣ曲線（図５４）のＡＵＣによる評価を行い、０．８１２±０．０５５（９５％信頼区間は０．７０３〜０．９２０）が得られ診断性能が高く有用な指標であることが判明した。

また、健常群と大うつ病所見群の２群判別性能を最大化する多変量判別式を線形判別解析（ステップワイズ法による変数選択）により探索し、判別式としてＡｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡから構成される線形判別式（アミノ酸変数Ａｓｎ，Ｇｌｎ，Ｔａｕ，Ｃｉｔ，ＡＢＡの数係数と定数項は順に、−０．１１、０．００５、０．０４、０．０８、−０．０６、−０．７４）が得られた。なお、このほかに同等の判別性能を有する線形判別式は複数得られた。それらを図５５、図５６、図５７に示す。また、図５５、図５６、図５７に示す式における各係数の値は、それを実数倍したものでもよい。

この判別式による健常群と大うつ病所見群の２群判別に関して、ＲＯＣ曲線（図５８）のＡＵＣによる評価を行い、０．７８０±０．０５９（９５％信頼区間は０．６６５〜０．８９６）が得られ診断性能が高く有用な指標であることが判明した。

以上のことから、一般的に用いられている多変量解析法から、健常群と大うつ病所見群を高い精度で判別する式が導出可能であることが示された。また、健常群とストレス所見群の多変量判別式中の変数としては、アミノ酸変数に加えて、アミノ酸以外のメタボロームデータ（有機酸、脂肪酸、核酸など）や、トランスクリプトームデータ、プロテオームデータも用いることにより、判別能は向上すると言える。

実施例１で用いたサンプルデータを用いた。本出願人による国際出願である国際公開ＷＯ２００４／０５２１９１号パンフレットに記載の方法を用いて、健常群と大うつ病所見群の２群判別性能を最大化する指標を鋭意探索し、同等の性能を持つ複数の指標の中に指標式７が得られた。なお、このほかに指標式７と同等の判別性能を有する多変量判別式は複数得られた。それらを図５９、図６０、図６１に示す。
指標式７：（Ｇｌｕ＋Ｇｌｎ）／（Ｖａｌ＋Ｔｈｒ＋Ｓｅｒ） ＋ （Ｃｉｔ＋Ｍｅｔ）／（Ａｓｎ）

指標式７による健常群と大うつ病所見群の２群判別に関して、ＲＯＣ曲線（図６２）のＡＵＣによる評価を行い、０．８４９±０．０７１（９５％信頼区間は０．６６８〜０．９４７）が得られた。また指標式７による健常群と大うつ病所見群の２群判別のカットオフ値について、大うつ病所見群の有症率を０．５として最適なカットオフ値を求めると、カットオフ値が２．４５となり、感度７０％、特異度８４％、正診率７７％が得られ、診断性能が高く有用な指標であることが判明した。

次に健常群と大うつ病所見群の２群判別性能を最大化する指標を鋭意探索し、同等の性能を持つ複数の指標の中に指標式８が得られた。
指標式８：（Ａｓｎ／Ｇｌｎ） ＋ （−０．０１４３６３）×（Ｃｉｔ／ＡＢＡ） ＋
（−０．０４５１９６）×（Ｇｌｕ／Ａｒｇ） ＋ （−０．８０５６２）×（Ｍｅｔ／ＢＣＡＡ）

指標式８による健常群と大うつ病所見群の２群判別に関して、ＲＯＣ曲線（図６３）のＡＵＣによる評価を行い、０．８７３±０．０４６（９５％信頼区間は０．７８３〜０．９６３）が得られた。また指標式８による健常群と大うつ病所見群の２群判別のカットオフ値について、大うつ病所見群の有症率を０．５として最適なカットオフ値を求めると、カットオフ値が−０．０２０となり、感度７７％、特異度８７％、正診率８２％が得られ、診断性能が高く有用な指標であることが判明した。

以上のように、本発明にかかるストレスの評価方法、ならびにストレス評価装置、ストレス評価方法、ストレス評価システム、ストレス評価プログラムおよび記録媒体は、産業上の多くの分野、特に医薬品や食品、医療などの分野で広く実施することができ、特に、病態予測や疾病リスク予測やプロテオームやメタボローム解析などを行うバイオインフォマティクス分野において極めて有用である。

Claims (23)

1. 血液中のアミノ酸の濃度値に関する評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む抑うつ病の状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップ
   を含むことを特徴とする抑うつ病の評価方法。
2. 前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記抑うつ病の状態を評価する判別値基準評価ステップ
   をさらに含むことを特徴とする請求項１に記載の抑うつ病の評価方法。
3. 前記判別値基準評価ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記抑うつ病であるかを評価すること
   を特徴とする請求項２に記載の抑うつ病の評価方法。
4. 多変量判別式の値である判別値に基づいて、評価対象につき、抑うつ病の状態を評価する判別値基準評価ステップを含み、
   前記判別値は、血液中のアミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む前記抑うつ病の状態を評価するための前記多変量判別式に基づいて算出されたものであること、
   を特徴とする抑うつ病の評価方法。
5. 血液中のアミノ酸の濃度値に関する評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値に基づいて、前記評価対象につき、抑うつ病の状態を評価する濃度値基準評価ステップ
   を含むことを特徴とする抑うつ病の評価方法。
6. 制御手段を備えた抑うつ病評価装置であって、
   前記制御手段は、
   血液中のアミノ酸の濃度値に関する評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む抑うつ病の状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出手段
   を備えたこと
   を特徴とする抑うつ病評価装置。
7. 前記制御手段は、
   前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記抑うつ病の状態を評価する判別値基準評価手段
   をさらに備えたこと
   を特徴とする請求項６に記載の抑うつ病評価装置。
8. 前記判別値基準評価手段は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記抑うつ病であるかを評価すること
   を特徴とする請求項７に記載の抑うつ病評価装置。
9. 制御手段を備えた抑うつ病評価装置であって、
   前記制御手段は、
   多変量判別式の値である判別値に基づいて、評価対象につき、抑うつ病の状態を評価する判別値基準評価手段
   を備え、
   前記判別値は、血液中のアミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む前記抑うつ病の状態を評価するための前記多変量判別式に基づいて算出されたものであること、
   を特徴とする抑うつ病評価装置。
10. 制御手段を備えた抑うつ病評価装置であって、
    前記制御手段は、
    血液中のアミノ酸の濃度値に関する評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値に基づいて、前記評価対象につき、抑うつ病の状態を評価する濃度値基準評価手段
    を備えたこと
    を特徴とする抑うつ病評価装置。
11. 制御手段を備えた情報処理装置で実行する抑うつ病評価方法であって、
    前記制御手段で実行する、
    血液中のアミノ酸の濃度値に関する評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む抑うつ病の状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップ
    を含むこと
    を特徴とする抑うつ病評価方法。
12. 前記制御手段で実行する、
    前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記抑うつ病の状態を評価する判別値基準評価ステップ
    をさらに含むこと
    を特徴とする請求項１１に記載の抑うつ病評価方法。
13. 前記判別値基準評価ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記抑うつ病であるかを評価すること
    を特徴とする請求項１２に記載の抑うつ病評価方法。
14. 制御手段を備えた情報処理装置で実行する抑うつ病評価方法であって、
    前記制御手段で実行する、
    多変量判別式の値である判別値に基づいて、評価対象につき、抑うつ病の状態を評価する判別値基準評価ステップ
    を含み、
    前記判別値は、血液中のアミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む前記抑うつ病の状態を評価するための前記多変量判別式に基づいて算出されたものであること、
    を特徴とする抑うつ病評価方法。
15. 制御手段を備えた情報処理装置で実行する抑うつ病評価方法であって、
    前記制御手段で実行する、
    血液中のアミノ酸の濃度値に関する評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値に基づいて、前記評価対象につき、抑うつ病の状態を評価する濃度値基準評価ステップ
    を含むこと
    を特徴とする抑うつ病評価方法。
16. 制御手段を備えた抑うつ病評価装置と、血液中のアミノ酸の濃度値に関する評価対象のアミノ酸濃度データを提供する端末装置とを、ネットワークを介して通信可能に接続して構成された抑うつ病評価システムであって、
    前記端末装置は、
    前記評価対象の前記アミノ酸濃度データを前記抑うつ病評価装置へ送信するアミノ酸濃度データ送信手段と、
    前記抑うつ病評価装置から送信された、多変量判別式の値である判別値または抑うつ病の状態に関する評価結果を受信する結果受信手段と
    を備え、
    前記抑うつ病評価装置の前記制御手段は、
    前記端末装置から送信された前記評価対象の前記アミノ酸濃度データを受信するアミノ酸濃度データ受信手段と、
    前記アミノ酸濃度データ受信手段で受信した前記評価対象の前記アミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む抑うつ病の状態を評価するための前記多変量判別式に基づいて、前記判別値を算出する判別値算出手段、または、
    前記アミノ酸濃度データ受信手段で受信した前記評価対象の前記アミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む前記抑うつ病の状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出手段、および、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記抑うつ病の状態を評価する判別値基準評価手段と、
    前記判別値算出手段で算出した前記判別値または前記判別値基準評価手段での前記評価対象の前記評価結果を前記端末装置へ送信する結果送信手段と、
    を備えたこと
    を特徴とする抑うつ病評価システム。
17. 制御手段を備えた情報処理装置に実行させるための抑うつ病評価プログラムであって、
    前記制御手段に実行させるための、
    血液中のアミノ酸の濃度値に関する評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む抑うつ病の状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップ
    を含むこと
    を特徴とする抑うつ病評価プログラム。
18. 制御手段を備えた情報処理装置に実行させるための抑うつ病評価プログラムであって、
    前記制御手段に実行させるための、
    多変量判別式の値である判別値に基づいて、評価対象につき、抑うつ病の状態を評価する判別値基準評価ステップ
    を含み、
    前記判別値は、血液中のアミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む前記抑うつ病の状態を評価するための前記多変量判別式に基づいて算出されたものであること、
    を特徴とする抑うつ病評価プログラム。
19. 制御手段を備えた情報処理装置に実行させるための抑うつ病評価プログラムであって、
    前記制御手段に実行させるための、
    血液中のアミノ酸の濃度値に関する評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値に基づいて、前記評価対象につき、抑うつ病の状態を評価する濃度値基準評価ステップ
    を含むこと
    を特徴とする抑うつ病評価プログラム。
20. 請求項１７から１９のいずれか１つに記載の抑うつ病評価プログラムを記録したこと
    を特徴とするコンピュータ読み取り可能な記録媒体。
21. 多変量判別式の値である判別値または抑うつ病の状態に関する評価結果を取得する結果取得手段を備え、
    前記判別値は、血液中のアミノ酸の濃度値に関する評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む抑うつ病の状態を評価するための前記多変量判別式に基づいて算出されたものである、または、
    前記評価結果は、血液中のアミノ酸の濃度値に関する評価対象のアミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む前記抑うつ病の状態を評価するための多変量判別式に基づいて算出された当該多変量判別式の値である判別値に基づいて、前記評価対象につき、前記抑うつ病の状態を評価した結果であること
    を特徴とする端末装置。
22. 前記判別値を算出するまたは前記抑うつ病の状態を評価する抑うつ病評価装置とネットワークを介して通信可能に接続されており、
    前記結果取得手段は、前記抑うつ病評価装置から送信された前記判別値または前記評価結果を受信すること、
    を特徴とする請求項２１に記載の端末装置。
23. 血液中のアミノ酸の濃度値に関する評価対象のアミノ酸濃度データを提供する端末装置とネットワークを介して通信可能に接続された、制御手段を備えた抑うつ病評価装置であって、
    前記制御手段は、
    前記端末装置から送信された前記評価対象の前記アミノ酸濃度データを受信するアミノ酸濃度データ受信手段と、
    前記アミノ酸濃度データ受信手段で受信した前記評価対象の前記アミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む抑うつ病の状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出手段、または、
    前記アミノ酸濃度データ受信手段で受信した前記評価対象の前記アミノ酸濃度データに含まれるＬｙｓ，Ｈｉｓ，ＡＢＡ，Ａｓｎ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅ，Ｖａｌ，Ｔｒｐ，Ｔｙｒ，Ｍｅｔのうち少なくとも２つの前記濃度値、および、前記少なくとも２つの濃度値を変数として含む抑うつ病の状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出手段、および、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記抑うつ病の状態を評価する判別値基準評価手段と、
    前記判別値算出手段で算出した前記判別値または前記判別値基準評価手段での前記評価対象の評価結果を前記端末装置へ送信する結果送信手段と、
    を備えたこと
    を特徴とする抑うつ病評価装置。

Images