JP6004084B2 - モデル更新方法、装置、およびプログラム - Google Patents

Description

本発明は、モデル更新方法、装置、およびプログラムに関する。

近年、生活習慣病にかかる人の数は増加しつづけており、大きな社会問題の一つとなっている。生活習慣病を防ぐためには、健康指導を行なうことが重要である。健康指導員による健康指導では、健康指導員は被験者の健康診断の結果などの検査データに目を通し、経験に基づいて、その被験者が将来的に生活習慣病になる可能性を判定し、必要に応じて健康指導を行なうことが必要である。一般に、健康診断の結果などの検査データには、被験者の体について複数項目の数値が含まれる。また、夫々の項目には、正常か異常かを判断する際の規準となる境界値が設定されている。ある検査項目について被験者の検査データの値が正常であるか異常であるか、を見ただけでは、その検査項目が関わる疾病に掛かりやすいか否かは分かりにくい。健康状態の悪化は、過去には正常値であった被験者のデータが境界値に近づいたり、境界値を越えたりすることの検出により判断される。このように、健康指導員による健康状態の判定には、その手間ゆえに、一人で予測できる数には限界があり、また、健康指導員の人的リソースは不足している。

たとえば、被験者の遺伝性データや年齢等の属性や疾病履歴のデータを考慮して、被験者の検査データから将来の易罹患性を推定する方法が知られている。その際、易罹患性は集団の分布をクラスタリングし、そのクラスタリングノードごとに集計を行って得られた易罹患性の分布を用いて、被験者の易罹患性の事後確率分布を推定する方法が知られている。

また、所定の疾病ごとに、関連する検査項目（検診項目）と疾病発症の関係を算出し、その疾病の発症を防ぐためには、どの検査項目の検査結果の値をどれだけ改善すべきか、といった具体的なアドバイスが可能な健康指導支援システムが知られている。この方法では、複数の検査項目データのうちのいずれの検査項目が、罹患に関連するかを見出す方法として、夫々のデータの値と実際に罹患したか否かの情報とに基づいて、統計的に計算する。

データの分析（キュレーションサービス）を行うためには、正解が分かっているデータを利用して予めモデル（健康状態判定モデル）を生成する必要がある。一旦モデルができてしまえば、顧客は該モデルに対して新たに採取できたデータを入力することで、モデルに基づく予測結果を得ることができる。

特開２００２−１０９１５０号公報

モデルを一旦作ったら、その後はずっとそのモデルを使い続けられるわけではない。入力されるデータの傾向や、分析対象そのものに大きな変化があった場合、元のモデルは高い正解率を維持できなくなる可能性が十分にあるという課題がある。

よって、一つの側面として、本発明は、一度出来上がったモデルを更新（再作成）する必要があるかどうかを判定するモデル更新方法、装置、およびプログラムを提供すること
を目的とする。

モデル更新方法が提供される。方法は、コンピュータによって実行されるモデル更新方法であって、複数のデータの各々を判定モデルに用いてデータの各々が正常であるか異常であるかの度合いを示すスコアを算出することと、スコアに基づいてデータの各々が正常であるか異常であるかを予測状態として予測することと、複数のデータの各々に対して、予測状態が正しいか否かを、複数のデータの各々に対応する正解データを参照して判定することと、複数のデータをスコアが所定の順になるように並べたとき、スコアがより異常であることを示す方から所定の数のデータに対する予測状態の正解率を算出することと、正解率に基づいて判定モデルの更新が必要であるかどうかを判定することと、を含むことを特徴とする。

一度出来上がったモデルを更新（再作成）する必要があるかどうかを判定することができる。

実施形態の健康状態判定モデル更新装置および方法が適用される状況の例を説明する図である。 図１の過去の健康診断のデータの例を示す図である。 図１の新規健診データの例を示す図である。 健康状態判定モデル更新装置の機能ブロック図の例である。 健康状態判定モデル更新装置の予測部の出力である予測結果の例を示す図である。 健康状態判定モデル更新装置における予測結果と実際の診断結果の比較の様子を示す図である。 健康状態判定モデル更新装置における予測結果の判定の結果の例を示す図である。 健康状態判定モデル更新装置における予測結果の判定の結果をスコアの降順に並べた例を示す図である。 健康状態判定モデル更新装置における上位５個のデータの正解率を示す図である。 機械学習における分類の例を示す図である。 機械学習における分類の別の例を示す図である。 実施形態の健康状態判定モデル更新装置の構成の例を示す図である。 健康状態判定モデル更新方法におけるモデル更新判定の処理の流れの例を示すフローチャートである。 健康状態判定モデル更新方法におけるモデル更新処理の流れの例を示すフローチャートである。 モデル更新判定の処理の流れの比較例を示すフローチャートである。 比較例における予測結果の正解率を示す図である。 変形例の健康状態判定モデル更新方法におけるモデル更新判定の処理の流れの例を示すフローチャートである。 変形例の健康状態判定モデル更新装置における予測結果と実際の診断結果の比較の様子を示す図である。 変形例の健康状態判定モデル更新装置における予測結果の判定の結果の例を示す図である。 変形例の健康状態判定モデル更新装置における上位５個のデータの正解率を示す図である。

本発明の実施形態について、図面を参照しながら説明をする。
以下では、モデル更新装置、方法の一例として、健康状態判定モデル更新装置、方法について説明する。しかしながら、以下の説明は、モデル更新装置、方法は健康状態判定モデル更新装置、方法に限定されず、全データからなる母集団のうち、データから状態を予測するモデルについて、各データから導かれるスコアの上位から所定の数のデータを用いてそのモデルを更新する必要があるかどうかを判定することによって、予測の精度を向上、維持するための任意の装置、方法に適用可能である。

「モデル」は、データから状態（予測状態）を予測する機能を有し得る。ここで「データ」とは、たとえばある被験者に対する健康診断のデータでも良い。このとき「状態」とは、罹患の可能性の有無であり得る。別の例としては、「データ」は、構造物の安全性に関わる保全検査のデータでも良い。このとき「状態」とは、構造物が安全であるか否かであり得る。

また、「スコア」とは、データが複数の項目の値を含むとき、それら複数の項目の値から得られる「状態」の指標となるスカラー量であり得る。

「健康状態判定モデル」は、健康診断のある被験者のある検査項目の検査データの値を入力することによって、その検査データの値が「正常」または「異常」であることを出力する機能を有し得る。健康状態判定モデルは、予測モデル、判定モデル、または単にモデルと呼ぶこともある。モデルとは、たとえば、ニューラルネットワーク、サポートベクターマシンなど教師あり学習が適用可能なアルゴリズムを実現するための数学モデル、計算模型であり得る。つまり、健康状態判定モデルは、被験者の過去の健康診断の結果と実際の健康状態の記録を用いて、健康診断の結果（データ）から、被験者の健康状態を判定する。健康状態とは、その被験者の特性を考慮した、健康診断の検査項目に対して正常または異常な状態であり得る。たとえば、健康状態判定モデルでは、被験者の健康診断の結果を入力すると、検査項目に関する健康診断のデータに対して、そのデータが正常であるか異常であるかを出力しても良い。モデルは、パラメタを含み得て、パラメタは学習データを用いて算出され得る。

ここで、「モデルを構築する」とは、複数のデータを用いて、モデルが有すべき機能を実現するためのモデルの構造（用いる数式の種類など）やパラメタを設定することであり得る。モデルが健康状態判定モデルの場合は、複数の被験者の健康診断の結果のデータを用いて構築され得る。また、モデルが教師あり学習が適用可能なアルゴリズムを実現するための数学モデル、計算模型である場合には、教師あり学習をすることを意味しても良い。データが正常であるか異常であるかの閾値（判定値とも呼ぶ）を、特定の集団向けに設定することを含み得る。たとえば、国際的な機関や学会等で定められた境界値を、実際の検査データを用いて検証し、必要に応じて、検査データの値と疾病に罹患するまたは易罹患性が高いことの相関が高くなるように境界値を変更しても良い。この際、検査データは、モデルの教師あり学習のためのデータ（学習データ）として用いられ得る。すなわち、モデルは、検査データが入力されると、その検査データの値が「正常」または「異常」であることを出力する。そして、モデルが構造やパラメタを含んでいるとき、モデルの出力の予測精度が高くなるように、実際の検査データや罹患の有無を用いて構造やパラメタを決定する。

ここで、「データの値が異常である」とは、そのデータから予測される状態（予測状態）が好ましくない状態であることを意味しても良い。たとえば、「検査データの値が異常である」とは、検査データの値が、その検査項目に関わる疾病の罹患と関係があることが統計的または医学的に主張可能であることを意味していても良い。また、「検査データの
値が異常である」とは、検査データの値が、その検査項目に関わる疾病の易罹患性との関係が統計的または医学的に主張可能であることを意味していても良い。データの値が異常であることは、将来の発病リスクが高いことを意味しても良い。将来の発病リスクが高いことを単に、罹患可能性有りと呼ぶことがある。また、罹患可能性無しとは、罹患可能性有りでないことであり得る。

以下で開示する健康状態判定モデル更新装置および方法は、健康状態判定モデルを更新すべきか否かを判断する際に、母集団全体に対する正解率ではなく、母集団のデータ数の一部であるｎ個のデータのみについて正解率を算出し、算出した正解率に基づいてモデルを更新するか否かを判定するものである。ここで、ｎ個のデータは、母集団全体に対する予測結果を予測度合に基づいて順位づけした際の上位ｎ個を含み得る。また、ｎ個のデータのうち、健康指導がなされた人のデータ（対策が取られたデータとも呼ぶ）は、正解率算出の対象から除外しても良い。ここで、ｎの値は、全体のデータ数の所定のパーセンテージ、たとえば５％、１０％などであっても良いし、絶対数、たとえば２００であっても良い。ｎの値は、実際に指導が可能な被験者の数と関連していることが好ましい。

このような健康状態判定モデル更新装置および方法を用いることによって、母集団の中で意味のある一部の予測対象について正解率を向上、維持できるようにモデル更新のタイミングを決定することができる。

「健康状態判定」（または単に健康判定と呼ぶこともある）とは、健康診断を受けた被験者の検査項目の検査データの値に基づいて、その被験者がその検査項目に関係する疾病に罹患しているか、または易罹患性が高いか、を判定することを意味しても良い。疾病の例としては、糖尿病、メタボリックシンドローム、耐糖能異常、高血圧、脂質異常症などの生活習慣病であっても良い。検査項目は、年齢、ボディマス指数（ＢＭＩ）、腹囲、血糖値、Γ−ＧＴＰ（ガンマグルタミルトランスペプチダーゼ）、血圧、コレステロール、インスリン抵抗性指数、血漿グルコース、中性脂肪、肝機能（ＡＳＴ、ＩＵ／Ｌ）、肝機能（ＡＬＴ、ＩＵ／Ｌ）、アディポネクチン、グリコアルブミン、遊離脂肪酸、インスリン等を含み得る。

また、健康状態判定モデル更新装置は、汎用コンピュータであっても良いし、専用回路であっても良い。また、汎用コンピュータに一部専用回路を組み合わせて構成されていても良い。

図１は、実施形態の健康状態判定モデル更新装置および方法が適用される状況の例を説明する図である。
図１では、生活習慣病者を対象とする。各生活習慣病者はＩＤで区別されている。

そして、各生活習慣病者に対して、過去の健康診断のデータを用意する。たとえば、図１に示されているように、ＩＤ０００１でインデックスされる生活習慣病者に対して、２００９年のデータ１０１ａ、２０１０年のデータ１０１ｂ、２０１１年のデータ１０１ｃ（これらをまとめて参照符号１０１によって示すこともある）を用意する。また、ＩＤ０００２でインデックスされる生活習慣病者に対して、２００９年のデータ１０２ａ、２０１０年のデータ１０２ｂ、２０１１年のデータ１０２ｃ（これらをまとめて参照符号１０２によって示すこともある）、ＩＤ０００３でインデックスされる生活習慣病者に対して、２００９年のデータ１０３ａ、２０１０年のデータ１０３ｂ、２０１１年のデータ１０３ｃ（これらをまとめて参照符号１０３によって示すこともある）を用意する。

これらの過去の健康診断データを学習データとして用いて、健康状態判定モデルとしての生活習慣病高リスク者モデル２００を構築する。

図２は、図１の過去の健康診断のデータの例を示す図である。図２では、個々の被験者（ユーザ）に対するデータは、身長、体重、腹囲、収縮期血圧、拡張期血圧、心拍数、それに罹患の有無（Ｔｒｕｅ（Ｔ）またはＦａｌｓｅ（Ｆ））を含む。図２はある年、たとえば、２０１１年における個々の被験者のデータ１０１ｃ、１０２ｃ、１０３ｃ等をまとめた表であり得る。

モデルが構築されると、次に、健康診断対象者、すなわち生活習慣病の候補者の健康診断データ１０１ｄ（以下、誤解が生じない場合は単にデータを呼ぶことがある）を健康状態判定モデル（生活習慣病高リスク者モデル２００）に入力する。

図３は、図１の新規健診データ１０１ｄの例を示す図である。図３では、個々の被験者（ユーザ）に対するデータは、身長、体重、腹囲、収縮期血圧、拡張期血圧、および心拍数を含む。図３はある年、たとえば、２０１２年における個々の被験者のデータ１０１ｄ、１０２ｄ、１０３ｄ等をまとめた表であり得る。

モデル２００では、健康診断データ１０１ｄの検査項目のデータが正常であるか異常であるかを判定する。ここでは、データの値が異常であることは、将来の発病リスクが高いこと、すなわち罹患可能性有りを意味するものとする。

モデルを一旦作ったら、その後はずっとそのモデルを使い続けられるわけではない。入力されるデータの傾向や、分析対象そのものに大きな変化があった場合、元のモデルは高い正解率を維持できなくなる可能性が十分にある。例えば、糖尿病の罹患予測として、日中の事務作業が主である企業Ａのモデルで、交代勤務で夜勤も多い企業Ｂの予測をしようとしても、企業Ａと企業Ｂとでは構成員の特性が異なるため、高い正解率は得られない。また、同じ企業Ａに対する罹患予測であっても、毎年社員の入れ替わりがあるため、同じモデルを使い続けると経時的に正解率が低下する可能性もある。

従って、一度出来上がったモデルにつき、モデルを更新（すなわち再作成）する必要があるかどうかを適宜チェックする必要がある。

例えば２万人について糖尿病罹患予測をし、２万人の全員について正しく予測ができたとして、データが「異常」、すなわち「将来罹患する」という結果が出た人に対しては、健康指導担当者が何等かの指導をすることになる。健康指導員の人数が十分であれば全ての「将来罹患する」（罹患可能性有り）と判定された人に対応することができようが、現実的には健康指導員の人数は十分ではないため、「将来罹患する」と判定された人の中でも、「罹患する可能性が非常に高い人」を中心として指導をすることになる。

結局、罹患可能性の有無の予測が正確にできたとしても、指導をできる人数が限られている以上、指導をできる人数以上の予測は意味がないことになる。（実際問題として、企業の健保組合に対する医療費負担の大きさからすると、「罹患する可能性が非常に高い人」達による医療費が多大になることが問題であって、そのほかの人たちの医療費はそれほど負担が大きくない）。２万人の予測ができても、１００人にしか対応できないなら、残りの１万９９００人については、予測精度は重要ではないという見方も可能である。

以下の実施形態の健康状態判定モデル更新装置および方法では、健康状態判定モデルを更新すべきか否かを判断する際に、健康診断を受診した被験者のデータからなる母集団全体に対する正解率ではなく、母集団のデータ数の一部である所定の個数のデータのみについて正解率を算出し、該算出した正解率に基づいてモデルを更新するか否かを判定する。

＜健康状態判定モデル更新装置＞
図４は健康状態判定モデル更新装置３００の機能ブロック図の例である。

健康状態判定モデル更新装置３００は、予測用データ４０２、正解データ４０４、モデル構築用データ４０６を必要に応じて参照するように構成される。また、健康状態判定モデル更新装置３００’は、予測部３０２、予測結果判定部３０４’、モデル更新判定部３０６、およびモデル更新部３０８を含む。本実施例では、健康状態判定モデル更新装置３００について説明する。

健康状態判定モデル更新装置３００では、次のような手順によって、モデルの更新の必要の有無を判定する。

まず、過去の健康診断結果から罹患情報部分を切り離して、罹患情報を切り離した健康診断結果のデータである予測用データ４０２を作成する。切り離された罹患情報部分は、正解データ４０４とする。次に、健康状態判定モデルを用いて、予測用データ４０２から罹患に関する予測を行う。そして、その予測の結果と正解データ４０４を照らし合わせて正答率を算出する。正答率が基準値を満たしていれば更新はおこなわず、基準値を下回れば更新を行なう。

予測用データ４０２は、例が図２に示されているように、被験者ごとの過去の健康診断の検査データと、罹患の有無を含む過去の健康診断のデータ１０１、１０２、１０３の過去の健康診断の検査データ部分であり得る。また、正解データ４０４は、図２の例では、罹患の有無の欄である。

健康状態判定モデル更新装置３００は、複数のデータの各々を判定モデルに用いてデータの各々が正常であるか異常であるかの度合いを示すスコアを算出し、スコアに基づいてデータの各々が正常であるか異常であるかを予測状態として予測する予測部３０２、複数のデータの各々に対して、予測部３０２によって予測された予測状態が正しいか否かを判定する予測結果判定部３０４、複数のデータをスコアが所定の順になるように並べたとき、スコアがより異常であることを示す方から所定の数のデータに対する予測状態の正解率を算出し、正解率に基づいて判定モデルの更新が必要であるかどうかを判定するモデル更新判定部３０６、およびモデル更新判定部３０６によって、判定モデルの更新が必要であると判定されたとき、モデルに含まれるパラメタおよび／またはパラメタを決定するために用いられる学習データを変化させることによって正解率が改善されるように判定モデルを更新するモデル更新部３０８を含む。

予測部３０２には、予測用データ４０２が入力される。そして、予測部３０２では、健康状態判定モデルを用いて予測用データ４０２が正常であるか異常であるかの度合いを示す「スコア」を算出する。ここで、「スコア」は、予測用データ４０２から得られる、被験者の健康診断の検査データに関するスカラー量で、予測用データ４０２が正常であるか異常であるかに関連する量である。たとえば、スコアは、０から１までの数字で表されても良い。そしてたとえば、異常である度合が大きいほど、スコアが大きい値で表されても良い。

予測のアルゴリズムとしては、確率・統計によるもの、重回帰によるもの、機械学習によるものなどがあり得る。また、機械学習の手法として、サポートベクターマシン（ＳＶＭ）を用いても良い。

サポートベクターマシン（ＳＶＭ）は、教師ありの学習を行なう分類器であり，分類問題において、最も精度良く分類を行なう手法の一つである。ＳＶＭは教師データを用いて特徴を学習し、「予測モデル」を構築する「学習フェーズ」と、新たなデータを取得して
予測を行なう「予測フェーズ」の２段階で予測が行われる。健康状態判定モデル更新装置３００での更新タイミングは、この「学習フェーズ」をやり直すタイミングを示す。ＳＶＭによる予測では、予測対象データを分離した平面（分離超平面と呼ばれる）からの距離が求められる。

図１０Ａは、機械学習における分類の例を示す図である。図１０Ａには、３つのデータを分類する場合の様子が示されている。データはあるパラメタ空間に配置されており、各データとパラメタ空間中の直線の距離の大きさによってデータを分類することができる。このとき、パラメタ空間中の直線を分離超平面と呼ぶことがある。また、データとパラメタ空間中の直線の距離を「スコア」と定義する。

図１０Ｂは、機械学習における分類の別の例を示す図である。図１０Ｂには、４つのデータを分類する場合の様子が示されている。データはあるパラメタ空間に配置されており、直線だけではデータを上手に分類することができない。そこで、パラメタ空間の次元を増やし（軸を増やし）、面で分類する。すなわち、データと超平面からの距離を「スコア」と定義する。一般に分離超平面からの距離が遠いほど、予測が正しい確率が上がる。

図５は、予測部３０２の出力である予測結果の例を示す図である。図５に示されている予測結果の例は、ユーザＩＤとスコア、そして罹患の有無（Ｔｒｕｅ（Ｔ）またはＦａｌｓｅ（Ｆ））の予想の結果を含んでいる。罹患の有無は、スコアに基づいてデータが正常であるか異常であるかを判定した結果を表す。スコアが所定の値より大きい場合に、罹患可能性有り（Ｔｒｕｅ（Ｔ）、そうでない場合に、罹患可能性無し（Ｆａｌｓｅ（Ｆ））とする。罹患可能性の有無は予測状態と呼ぶことがある。

このように予測部３０２は、複数の被験者の各々に対応する複数のデータの各々を判定モデルに用いてデータの各々が正常であるか異常であるかの度合いを示すスコアを算出し、そのスコアに基づいてデータの各々が正常であるか異常であるかを予測状態として予測する。

予測結果判定部３０４では、予測部３０２で予測された結果と正解データ４０４と比較して正解率を算出する。

図６は健康状態判定モデル更新装置における予測結果と実際の診断結果の比較の様子を示す図である。たとえば、ユーザＩＤ０００１の被験者に注目すると、予測部３０２におけるスコアは「０．９」、予測結果では罹患可能性有り（Ｔｒｕｅ（Ｔ））であるとの予測であった。しかし、実際には、罹患はせず、結果は罹患無し（Ｆａｌｓｅ（Ｆ））であった。このとき、ユーザＩＤ０００１の被験者に対する予測は誤りであったと言う。予測が誤りであることを記号「０」で表すことがある。予測が誤りではないこと、すなわち予測が正しいことを記号「１」で表すことがある。予測結果判定部３０４では、各ユーザについて、予測結果と実際の診断結果の比較を比較して、たとえば図７のような結果を出力する。

図７は、健康状態判定モデル更新装置３００の予測結果判定部３０４における予測結果の判定の結果の例を示す図である。ユーザＩＤ０００１の被験者に対する予測は当たらなかったので、予測は誤り、すなわち予測の正誤は「０」である。

このように、予測結果判定部３０４は、複数の被験者の各々に関する複数のデータの各々に対して、予測部３０２によって予測された予測状態が正しいか否かを判定する。

モデル更新判定部３０６では、予測結果判定部３０４での予測結果の判定の結果から、
モデルを更新するかどうかを判定する。このとき、健康状態判定モデルを更新すべきか否かを判断する際に、母集団全体に対する正解率ではなく、母集団のデータ数の一部である所定の個数のデータのみについて正解率を算出し、該算出した正解率に基づいてモデルを更新するか否かを判定する。たとえば、正解率が所定の判定基準値を下回った場合にモデルの更新を行うとしてよい。判定基準値としては、８０％、６０％、９０％など、任意の正解率を設定し得る。

図８は、健康状態判定モデル更新装置３００の予測結果判定部３０４における予測結果の判定の結果をスコアの降順に並べた例を示す図である。

予測結果判定部３０４では、スコアの降順で上位５件から正解率を算出する。図９は、健康状態判定モデル更新装置における上位５個のデータの正解率を示す図である。図８の場合、スコアの降順で上位５個のデータは、ユーザＩＤが「０００２」、「０００１」、「０００６」、「０００７」、「０００３」に対応する５つのデータである。これらのデータから正解率を算出すると、図９に示されているように、６０％となる。予測の正誤の欄を参照すると、正解率は６０％となる。

ここで、正答率が６０％を下回った場合にモデル更新を行なうものとすれば、すなわち判定基準値が６０％の場合、図９の場合はモデルの更新を行うと判定される。
母集団のデータ数の一部から選ばれる所定の個数を「基準数」と呼ぶことがある。

基準数の決め方の例には、次のような方法がある。
生活習慣病予測の場合，すべてのデータを予測したとしても、実際に健康指導が行える人数には限りがある。そのため、全体的にまんべんなく正しく予測するよりも、健康指導を行う対象者を正しく予想できる方が望ましい。そこで健康状態判定モデル更新装置３００では、全体に対する予測精度ではなく、ある特徴を持つデータ集合Ｎの予測値によって、モデルの精度（たとえば、正解率）を判定する。データの特徴としては、以下のような特徴が考えられる。

（Ｃ１）スコアの上位ｎ件
上位ｎ件として、たとえば、上位１０％など、割合であっても良い。たとえば、スコアの上位１００人の精度（たとえば、正解率）が９０％を下回った場合にモデルを更新すると判定しても良い。
（Ｃ２）属性による絞込み
例えば、ＢＮＩが２５以上の上位１００人、年齢が４０歳以上の人上位１００人のデータを用いて、正解率を算出しても良い。
（Ｃ３）複数属性の組合せ
たとえば、６０歳以上かつＢＭＩが２５以上の上位１００人、４０歳以上かつ前年度からの体重の増加率の上位１００人など、複数の属性を組み合わせて基準を設定しても良い。

このようにモデル更新判定部３０６は、複数の被験者に対応する複数のデータのうち、スコアを降順に並べたとき、スコアの上位から所定の数の複数のデータの一部に対する予測状態の正解率を算出し、正解率に基づいて判定モデルの更新が必要であるかどうかを判定する。正解率を算出する際、所定の値以上のスコアを有する複数のデータの一部に対する予測状態の正解率を算出しても良い。

モデル更新部３０８では、モデル更新判定部３０６でモデルを更新すると判定されたとき、健康状態判定モデルを更新する。そして、更新されたモデルは、予測部３０２で用いられるように設定される。

モデル更新の具体的な方法としては、次のような方法が考えられる。
（Ｍ１）モデル構築時の各種パラメタを変更して再構築する
たとえば、使用する式の種類や各種パラメタを変更してモデルを再構築し、再構築したモデルの精度を比較することで、最も適切なパラメタを算出する。
（Ｍ２）学習データを変更してモデルを再構築する
たとえば、以前学習に用いたデータと違うデータを準備してモデルを再構築する。また、最後に学習した時点以降に蓄積されたデータを用いて学習しても良い。
（Ｍ３）各種パラメタと学習データを変更してモデルを再構築する
上記（Ｍ１）と（Ｍ２）の両方を同時に実行してモデルを再構築する。

モデル更新部３０８は、更新判定部３０６によってモデルの更新が必要であると判定されたとき、モデルのパラメタおよび／または学習データを変化させることによって正解率が改善されるようにモデルを更新する。

上のように構成される健康状態判定モデル更新装置３００を用いることによって、 健康診断を受診した被験者のデータからなる母集団のうち、被験者の健康状態を予測する健康状態判定モデルについて、健康指導が可能な数の被験者のデータを用いてその健康状態判定モデルを更新する必要があるかどうかを判定することによって、健康状態の予測の精度を維持することができる。

図１１は、実施形態の健康状態判定モデル更新装置３００の構成の例を示す図である。健康状態判定モデル更新装置は、汎用コンピュータ５００として実現され得る。

このコンピュータ５００は、ＭＰＵ５０２、ＲＯＭ５０４、ＲＡＭ５０６、ハードディスク装置５０８、入力装置５１０、表示装置５１２、インタフェース装置５１４、及び記録媒体駆動装置５１６を備えている。なお、これらの構成要素はバスライン５２０を介して接続されており、ＭＰＵ５０２の管理の下で各種のデータを相互に授受することができる。

ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）５０２は、このコンピュータ５００全体の動作を制御する演算処理装置であり、コンピュータ５００の制御処理部として機能する。

ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）５０４は、所定の基本制御プログラムが予め記録されている読み出し専用半導体メモリである。ＭＰＵ５０２は、この基本制御プログラムをコンピュータ５００の起動時に読み出して実行することにより、このコンピュータ５００の各構成要素の動作制御が可能になる。

ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）５０６は、ＭＰＵ５０２が各種の制御プログラムを実行する際に、必要に応じて作業用記憶領域として使用する、随時書き込み読み出し可能な半導体メモリである。

ハードディスク装置５０８は、ＭＰＵ５０２によって実行される各種の制御プログラムや各種のデータを記憶しておく記憶装置である。ＭＰＵ５０２は、ハードディスク装置５０８に記憶されている所定の制御プログラムを読み出して実行することにより、後述する各種の制御処理を行えるようになる。

入力装置５１０は、例えばマウス装置やキーボード装置であり、図６のシステムの利用者により操作されると、その操作内容に対応付けられている各種情報の入力を取得し、取得した入力情報をＭＰＵ５０２に送付する。

表示装置５１２は例えば液晶ディスプレイであり、ＭＰＵ５０２から送付される表示データに応じて各種のテキストや画像を表示する。

インタフェース装置５１４は、このコンピュータ５００に接続される各種機器との間での各種情報の授受の管理を行う。

記録媒体駆動装置５１６は、可搬型記録媒体５１８に記録されている各種の制御プログラムやデータの読み出しを行う装置である。ＭＰＵ５０２は、可搬型記録媒体２１８に記録されている所定の制御プログラムを、記録媒体駆動装置５１６を介して読み出して実行することによって、後述する各種の制御処理を行うようにすることもできる。なお、可搬型記録媒体２１８としては、例えばＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）規格のコネクタが備えられているフラッシュメモリ、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ−ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などがある。

このようなコンピュータ５００を用いて健康状態判定モデル更新装置を構成するには、例えば、上述の各処理部における処理をＭＰＵ５０２に行わせるための制御プログラムを作成する。作成された制御プログラムはハードディスク装置５０８若しくは可搬型記録媒体５１８に予め格納しておく。そして、ＭＰＵ５０２に所定の指示を与えてこの制御プログラムを読み出させて実行させる。こうすることで、健康状態判定モデル更新装置が備えている機能がＭＰＵ５０２により提供される。

＜モデル更新判定の方法＞
図１２〜１４を参照して、健康状態判定モデル更新方法について説明する。

また、装置が図１１に示されているような汎用コンピュータである場合には、下記の説明は、そのような処理を行う制御プログラムを定義する。すなわち、以下では、下記に説明する処理を汎用コンピュータに行わせる制御プログラムの説明でもある。

処理を開始すると、まず、Ｓ１０２で健康状態判定モデル更新装置３００の予測部３０２は、罹患データのついた健康診断情報Ｎ件を取得する。ここで、罹患データのついた健康診断情報とは、図２に示されているような、ユーザに対する身長、体重、腹囲、収縮期血圧、拡張期血圧、心拍数、それに罹患の有無（Ｔｒｕｅ（Ｔ）またはＦａｌｓｅ（Ｆ））を含むものであっても良い。そして、処理はＳ１０４に進む。

Ｓ１０４で健康状態判定モデル更新装置３００の予測部３０２は、罹患データを切り離した健康診断情報でスコアの算出を行い、罹患可能性の有無（予測状態）を予測する。予測状態は、予測結果でもある。そして、処理はＳ１０６に進む。

Ｓ１０６で健康状態判定モデル更新装置３００の予測部３０２は、予測結果のスコアで降順にソートする。スコアの降順にソートされた予測結果の例は、図８に示されている。そして、処理はＳ１０８に進む。

Ｓ１０８で健康状態判定モデル更新装置３００の予測部３０２は、ソートされた予測結果の上位からｎ個（基準数）の予測結果を取得する。図８には、上位５件の予測結果を取得する例が示されている。そして、処理はＳ１１０に進む。

Ｓ１１０で健康状態判定モデル更新装置３００の予測結果判定部３０４は、ダミー変数ｉ、Ｔ、Ｆをそれぞれｉ＝１、Ｔ＝Ｆ＝０とリセットする。ここで、ダミー変数ｉ、Ｔ、
Ｆは整数である。ダミー変数ｉは、予測結果のうちの一つを指定するために用いられる。ダミー変数Ｔは予測結果のうち当たったものの数を示すために用いられる。ダミー変数Ｆは、予測結果のうち外れたものの数を示すために用いられる。そして、処理はＳ１１２に進む。

Ｓ１１２で健康状態判定モデル更新装置３００の予測結果判定部３０４は、ダミー変数ｉの値を１つ増やす。そして、処理はＳ１１４に進む。

Ｓ１１４で健康状態判定モデル更新装置３００の予測結果判定部３０４は、ｉ番目の予測結果について、正しいか否かを判定する。もし、この判定の結果が“Ｙｅｓ”、すなわちｉ番目の予測結果が正しい場合、処理はＳ１１６に進む。もし、この判定の結果がＮｏ”、すなわちｉ番目の予測結果が外れた場合、処理はＳ１１８に進む。

Ｓ１１６で健康状態判定モデル更新装置３００の予測結果判定部３０４は、ダミー変数Ｔの値を１つ増やす。そして、処理はＳ１２０に進む。

Ｓ１１８で健康状態判定モデル更新装置３００の予測結果判定部３０４は、ダミー変数Ｆの値を１つ増やす。そして、処理はＳ１２０に進む。

Ｓ１２０で健康状態判定モデル更新装置３００の予測結果判定部３０４は、ダミー変数ｉが基準数ｎ以上かどうかを判定する。もし、この判定の結果が“Ｙｅｓ”、すなわちダミー変数ｉが基準数ｎ以上である場合、処理はＳ１２２に進む。また、この判定の結果がＮｏ”、すなわちダミー変数ｉが基準数ｎ以上ではない場合、処理はＳ１１２に戻る。

また、Ｓ１２０で健康状態判定モデル更新装置３００の予測結果判定部３０４は、結果が“Ｙｅｓ”と判定された後、すなわちダミー変数ｉが基準数ｎ以上であると判定された後、正解率Ｔ／ｎ（＝Ｔ／（Ｔ＋Ｆ））を算出しても良い。

Ｓ１２２で健康状態判定モデル更新装置３００のモデル更新判定部３０６は、正解率Ｔ／ｎ（＝Ｔ／（Ｔ＋Ｆ））が判定基準値より大きいかどうかを判定する。もし、この判定の結果が“Ｙｅｓ”、すなわち正解率Ｔ／ｎが判定基準値より大きい場合、処理を終了する。また、この判定の結果がＮｏ”、すなわち正解率Ｔ／ｎが判定基準値より大きくない場合、処理はＳ１２４に進む。

Ｓ１２４で健康状態判定モデル更新装置３００のモデル更新部３０８は、モデル更新処理を行う。モデル更新処理については、図１３を参照しながら説明する。

図１３は、健康状態判定モデル更新方法におけるモデル更新処理の流れの例を示すフローチャートである。

処理が開始されると、Ｓ２０２で健康状態判定モデル更新装置３００のモデル更新部３０８は、既存の学習データでパラメタを変更して学習する。すなわち、前述の（Ｍ１）の方法のように、既存の学習データを用いつつ、モデルのパラメタの一つを変更してモデルを再構築する。ここで健康状態判定モデルの「パラメタ」は、モデル内で使用する式の種類や、数式に含まれるパラメタも含むとする。そして、処理はＳ２０２に進む。

Ｓ２０４で健康状態判定モデル更新装置３００のモデル更新部３０８は、予測精度が、判定基準値を上回ったかを判定する。つまり、再構築したモデルの精度が再構築前のモデルの精度を上回ったかを判定する。もし、この判定の結果が“Ｙｅｓ”、すなわち再構築したモデルの精度が再構築前のモデルの精度を上回った場合、処理はＳ２０６に進む。ま
た、この判定の結果がＮｏ”、すなわち再構築したモデルの精度が再構築前のモデルの精度を上回らない場合、処理はＳ２０８に進む。

Ｓ２０６で健康状態判定モデル更新装置３００のモデル更新部３０８は、Ｓ２０２で得られた学習したモデルを新規予測モデルとして更新する。そして、モデル更新処理は終了する。

Ｓ２０８で健康状態判定モデル更新装置３００のモデル更新部３０８は、変更したパラメタを用い学習データを変更して学習する。すなわち、前述の（Ｍ２）の方法のように、以前学習に用いたデータと違うデータを準備してモデルを再構築する。また、最後に学習した時点以降に蓄積されたデータを用いて学習しても良い。そして、処理はＳ２１０に進む。

Ｓ２１０で健康状態判定モデル更新装置３００のモデル更新部３０８は、予測精度が、判定基準値を上回ったかを判定する。つまり、再構築したモデルの精度が再構築前のモデルの精度を上回ったかを判定する。もし、この判定の結果が“Ｙｅｓ”、すなわち再構築したモデルの精度が再構築前のモデルの精度を上回った場合、処理はＳ２０６に進む。また、この判定の結果がＮｏ”、すなわち再構築したモデルの精度が再構築前のモデルの精度を上回らない場合、処理はＳ２１２に進む。

Ｓ２１２で健康状態判定モデル更新装置３００のモデル更新部３０８は、モデルを規定する全てのパラメタを変更したかを判定する。もし、この判定の結果が“Ｙｅｓ”、すなわち既に全てのパラメタを変更した場合、処理はＳ２１４に進む。また、この判定の結果がＮｏ”、すなわち全てのパラメタが変更されていない場合、処理はＳ２０２に戻り、前回とは別のパラメタを変更する。

Ｓ２１４で健康状態判定モデル更新装置３００のモデル更新部３０８は、各モデルの精度（正解率）を比較し、最も高いものをモデルとして採用する。そして、処理はＳ２０６に進む。本ステップで比較されるモデルは、ステップＳ２０８で得られたモデルでも良いし、ステップＳ２０２およびＳ２０８で得られたモデルでも良い。

モデル更新処理が終了すると図１２に戻る。
健康状態判定モデル更新装置３００のモデル更新部３０８が図１２のＳ１２４の処理を終了すると、処理は終了する。

このように、母集団全体に対する正解率ではなく、母集団のデータの一部である所定の個数のデータに基づいて精度（正解率）を算出し、算出した精度（正解率）に基づいてモデルを更新するか否かを判断する。このような方法を採用するまたはこのような方法を採用した装置を用いることによって、健康状態判定モデルを用いた予測の精度を維持することができる。ここで、その母集団のデータの一部であるデータは、前記母集団全体に対する予測結果をスコアに基づいて順位づけした際の上位群であっても良い。

一般に、母集団全体に対する予測結果のうち、現実的に意味があるのはそのうちの一部のみ（例えば罹患可能性が非常に高い上位１００人）であり、現実的に意味がある一部のデータに対する正解率が低いとしても、母集団全体の残りのデータの正解率如何によっては、母集団全体の正解率が高く見える場合もある。逆もまた然りであり得る。しかしながら、上記方法であれば、母集団全体に対する正解率によりモデル更新要否を判断したとすると、更新すべきタイミングを見逃したり、更新する必要が無いのに更新してしまうことを避けることができる。また、上記方法であれば、母集団の中で意味のある一部の予測対象について正解率を維持できるようにモデル更新のタイミングを決定することができる。

また上記では、精度（正解率）の算出に用いる母集団のデータの一部は、スコアの降順の上位Ｎ個（Ｎは任意の整数）とした。しかしながら、スコアがＳ（Ｓは所定のスコアの値）以上のデータを用いるとしても良い。

＜比較例＞
図１４〜１５を参照しながら、比較例について説明する。

比較例では、母集団のデータの全てを用いて精度（正解率）を予測し、モデルを更新するか否かを判断する。

図１４は、モデル更新判定の処理の流れの比較例を示すフローチャートである。
図１４に示されているフローチャートは、図１２に示されているフローチャートのうちステップＳ１０６〜１０８の処理を削除し、正解率を算出するために基準数個のデータではなく、母集団全体のデータを用いることによって得られるものである。

図１４の処理を行う健康状態判定モデル更新装置を以下では、健康状態判定モデル更新装置６００と呼ぶ。

処理を開始すると、まず、Ｓ３０２で健康状態判定モデル更新装置６００は、罹患データのついた健康診断情報Ｎ件を取得する。本処理は、図１２のＳ１０２に相当する。そして、処理はＳ３０４に進む。

Ｓ３０４で健康状態判定モデル更新装置６００は、罹患データを切り離した健康診断情報で予測を行う。本処理は、図１２のＳ１０４に相当する。そして、処理はＳ３０６に進む。

Ｓ３０６で健康状態判定モデル更新装置６００は、ダミー変数ｉ、Ｔ、Ｆをそれぞれｉ＝１、Ｔ＝Ｆ＝０とリセットする。本処理は、図１２のＳ１１０に相当する。ここで、ダミー変数ｉ、Ｔ、Ｆは整数である。ダミー変数ｉは、予測結果のうちの一つを指定するために用いられる。ダミー変数Ｔは予測結果のうち当たったものの数を示すために用いられる。ダミー変数Ｆは、予測結果のうち外れたものの数を示すために用いられる。そして、処理はＳ３０８に進む。

Ｓ３０８で健康状態判定モデル更新装置６００は、ダミー変数ｉの値を１つ増やす。そして、処理はＳ３１０に進む。

Ｓ３１０で健康状態判定モデル更新装置６００は、ｉ番目の予測結果について、正しいか否かを判定する。もし、この判定の結果が“Ｙｅｓ”、すなわちｉ番目の予測結果が正しい場合、処理はＳ３１２に進む。もし、この判定の結果がＮｏ”、すなわちｉ番目の予測結果が外れた場合、処理はＳ３１４に進む。

Ｓ３１２で健康状態判定モデル更新装置６００は、ダミー変数Ｔの値を１つ増やす。そして、処理はＳ３１６に進む。

Ｓ３１４で健康状態判定モデル更新装置６００は、ダミー変数Ｆの値を１つ増やす。そして、処理はＳ３１６に進む。

Ｓ３１６で健康状態判定モデル更新装置６００は、全ての予測結果のデータについて試したかどうかを判定する。もし、この判定の結果が“Ｙｅｓ”、すなわち全ての予測結果
のデータについて試した場合、処理はＳ３１８に進む。また、この判定の結果がＮｏ”、すなわち全ての予測結果のデータについて試していない場合、処理はＳ３１０に戻る。

また、Ｓ３１６で健康状態判定モデル更新装置６００は、結果が“Ｙｅｓ”と判定された後、すなわち全ての予測結果のデータについて試した後、正解率Ｔ／ｎ（＝Ｔ／（Ｔ＋Ｆ））を算出しても良い。

Ｓ３１８で健康状態判定モデル更新装置６００は、正解率Ｔ／ｎ（＝Ｔ／（Ｔ＋Ｆ））が判定基準値より大きいかどうかを判定する。もし、この判定の結果が“Ｙｅｓ”、すなわち正解率Ｔ／ｎが判定基準値より大きい場合、処理を終了する。また、この判定の結果がＮｏ”、すなわち正解率Ｔ／ｎが判定基準値より大きくない場合、処理はＳ３２０に進む。

Ｓ３１０で健康状態判定モデル更新装置６００は、モデル更新処理を行う。本ステップの処理は、図１３に示されているものと同一であるまたは類似しているので、説明は省略する。

Ｓ３１０の処理が終了すると、健康状態判定モデル更新装置６００は処理を終了する。
健康状態判定モデル更新装置６００で実行される上のような処理を図７に示されている予測結果の判定の結果の例に適用した結果が、図１５に示されている。図１５は、比較例における予測結果の正解率を示す図である。

ＩＤ０００１〜００１０の被験者に対する予測結果の正解率は、８０％となる。ここで、判定基準値が８０％の場合は、図１５の例では、モデルの更新は行わない。

図９に示されている結果は、予測の結果、罹患可能性が非常に高い人たちに対するデータを用いて得たものである。つまり、図９で示されている結果は、健康診断の結果に対して実際に指導が可能な人のデータを用いて得たものである。よって、図９に示されている結果を用いてモデルの更新の要否を判定することによって、母集団の中で意味のある一部の予測対象について正解率を維持できるようにモデル更新のタイミングを決定できる。

＜変形例＞
図４、１６〜１９を参照して健康状態判定モデル更新装置３００’および方法について説明する。

本例では、正解率の算出に用いるデータから、何らかの対策が取られた上で得られたデータ、たとえば健康指導がなされた被験者のデータは、正解率算出の対象から除外する。

対策が取られた、たとえば健康指導がなされた被験者のデータは、その被験者の元々のデータが示していた将来状態からは、人為的に異なる状態にさせられていると考えられる。つまり、罹患しないような方向に変化させられていると考えられえる。そのようなデータは、たとえ現時点でのスコアが悪くでも、将来的には「罹患する」の状態からは外れる可能性が高いであろう。よって、そのようなデータは「例外データ」として、正解率の算出のためのデータから除去する。すなわち、「例外データ」とは、健康指導がなされた被験者のデータであり得る。

図４において、本例の健康状態判定モデル更新装置３００’は、予測部３０２、予測結果判定部３０４’、モデル更新判定部３０６、およびモデル更新部３０８を含む。

予測結果判定部３０４’は、正解率の算出の際、例外データを除いたデータを用いる。予測結果判定部３０４’は、複数の被験者に関する複数のデータのうち、複数の被験者のうち、既に指導がなされた被験者に対応するデータを除外して正解率を算出する。

健康状態判定モデル更新装置３００’は、汎用コンピュータ５００として実現され得る。

図１６は、変形例の健康状態判定モデル更新方法におけるモデル更新判定の処理の流れの例を示すフローチャートである。

処理を開始すると、まず、Ｓ４０２で健康状態判定モデル更新装置３００’の予測部３０２は、罹患データのついた健康診断情報Ｎ件を取得する。本処理は図１２のＳ１０２に相当する。そして、処理はＳ４０４に進む。

Ｓ４０４で健康状態判定モデル更新装置３００’の予測部３０２は、罹患データを切り離した健康診断情報で予測を行う。本処理は図１２のＳ１０４に相当する。そして、処理はＳ４０６に進む。

Ｓ４０６で健康状態判定モデル更新装置３００’の予測部３０２は、予測結果のスコアで降順にソートする。スコアの降順にソートされた予測結果の例は、図８に示されている。本処理は図１２のＳ１０６に相当する。そして、処理はＳ４０８に進む。

Ｓ４０８で健康状態判定モデル更新装置３００’の予測部３０２は、ソートされた予測結果の上位からｎ個（基準数）の予測結果を取得する。図８には、上位５件の予測結果を取得する例が示されている。本処理は図１２のＳ１０８に相当する。そして、処理はＳ４１０に進む。

Ｓ４１０で健康状態判定モデル更新装置３００’の予測結果判定部３０４’は、ダミー変数ｉ、Ｔ、Ｆをそれぞれｉ＝１、Ｔ＝Ｆ＝０とリセットする。本処理は図１２のＳ１１０に相当する。ダミー変数ｉ、Ｔ、Ｆは整数である。ダミー変数ｉは、予測結果のうちの一つを指定するために用いられる。ダミー変数Ｔは予測結果のうち当たったものの数を示すために用いられる。ダミー変数Ｆは、予測結果のうち外れたものの数を示すために用いられる。そして、処理はＳ４１２に進む。

Ｓ４１２で健康状態判定モデル更新装置３００’の予測結果判定部３０４’は、ダミー変数ｉの値を１つ増やす。本処理は図１２のＳ１１２に相当する。そして、処理はＳ４１４に進む。

Ｓ４１４で健康状態判定モデル更新装置３００’の予測結果判定部３０４’は、ｉ番目の予測結果について、例外データであるか否かを判定する。もし、この判定の結果が“Ｙｅｓ”、すなわちｉ番目の予測結果が例外データである場合、処理はＳ４２２に進む。もし、この判定の結果がＮｏ”、すなわちｉ番目の予測結果が例外データではない場合、処理はＳ４１６に進む。

Ｓ４１６で健康状態判定モデル更新装置３００’の予測結果判定部３０４’は、ｉ番目の予測結果について、正しいか否かを判定する。本処理は図１２のＳ１１４に相当する。もし、この判定の結果が“Ｙｅｓ”、すなわちｉ番目の予測結果が正しい場合、処理はＳ４１８に進む。もし、この判定の結果がＮｏ”、すなわちｉ番目の予測結果が外れた場合、処理はＳ４２０に進む。

Ｓ４１８で健康状態判定モデル更新装置３００’の予測結果判定部３０４’は、ダミー変数Ｔの値を１つ増やす。本処理は図１２のＳ１１６に相当する。そして、処理はＳ４２２に進む。

Ｓ４１０で健康状態判定モデル更新装置３００’の予測結果判定部３０４’は、ダミー変数Ｆの値を１つ増やす。本処理は図１２のＳ１１８に相当する。そして、処理はＳ４２２に進む。

Ｓ４２２で健康状態判定モデル更新装置３００’の予測結果判定部３０４’は、ダミー変数ｉが基準数ｎ以上かどうかを判定する。本処理は図１２のＳ１２０に相当する。もし、この判定の結果が“Ｙｅｓ”、すなわちダミー変数ｉが基準数ｎ以上である場合、処理はＳ４２４に進む。また、この判定の結果がＮｏ”、すなわちダミー変数ｉが基準数ｎ以上ではない場合、処理はＳ４１２に戻る。

また、Ｓ４２２で健康状態判定モデル更新装置３００’の予測結果判定部３０４’は、結果が“Ｙｅｓ”と判定された後、すなわちダミー変数ｉが基準数ｎ以上であると判定された後、正解率Ｔ／ｎ（＝Ｔ／（Ｔ＋Ｆ））を算出しても良い。

Ｓ４２４で健康状態判定モデル更新装置３００’のモデル更新判定部３０６は、正解率Ｔ／ｎ（＝Ｔ／（Ｔ＋Ｆ））が判定基準値より大きいかどうかを判定する。本処理は図１２のＳ１２２に相当する。もし、この判定の結果が“Ｙｅｓ”、すなわち正解率Ｔ／ｎが判定基準値より大きい場合、処理を終了する。また、この判定の結果がＮｏ”、すなわち正解率Ｔ／ｎが判定基準値より大きくない場合、処理はＳ４２６に進む。

Ｓ４２６で健康状態判定モデル更新装置３００’のモデル更新部３０８は、モデル更新処理を行う。本ステップの処理は、図１３に示されているものと同一であるまたは類似しているので、説明は省略する。

Ｓ４２６の処理が終了すると、健康状態判定モデル更新装置３００’は処理を終了する。

図１７は、変形例の健康状態判定モデル更新装置における予測結果と実際の診断結果の比較の様子を示す図である。図１７では、図７に示されている結果と、各ユーザＩＤを有する被験者に対応するデータが例外データであるかどうかを示す表とを比較している。あるユーザＩＤを有する被験者のデータが例外データであるか否かは、例外フラグが「１」であるか「０」であるかで判別し得る。例外フラグが「１」の場合、そのデータは、健康指導がなされた被験者のデータであることを意味する。

図１８は、変形例の健康状態判定モデル更新装置における予測結果の判定の結果の例を示す図である。図１９は、変形例の健康状態判定モデル更新装置における上位５個のデータの正解率を示す図である。図１８に示すように、スコアの降順にデータを並べた場合、ユーザＩＤ＝０００６のデータは例外データなので、正解率の算出には用いない。すると、スコアの降順で上位５個のデータは、ユーザＩＤが「０００２」、「０００１」、「０００７」、「０００３」、「０００４」に対応する５つのデータである。これらのデータから正解率を算出すると、図１９に示されているように、８０％となる。

上の例では、図１５に示されている結果と図１９に示されている結果がたまたま一致したが、図１９に示されている結果は、予測の結果、罹患可能性が非常に高く、健康指導がなされていない人たちに対するデータを用いて得たものである。つまり、図１９で示されている結果は、健康診断の結果に対して実際に今後、指導が可能な人のデータを用いて得たものである。よって、図１９に示されている結果を用いてモデルの更新の要否を判定することによって、母集団の中で意味のある一部の予測対象について正解率を維持できるようにモデル更新のタイミングを決定できる。

３００、３００’ 健康状態判定モデル更新装置
３０２ 予測部
３０４、３０４’ 予測結果判定部
３０６ モデル更新判定部３０６
３０８ モデル更新部
４０２ 予測用データ
４０４ 正解データ
４０６ モデル構築用データ

Claims (10)

1. コンピュータによって実行されるモデル更新方法であって、
   複数のデータの各々を判定モデルに用いて前記データの前記各々が正常であるか異常であるかの度合いを示すスコアを算出することと、
   前記スコアに基づいて前記データの前記各々が正常であるか異常であるかを予測状態として予測することと、
   前記複数のデータの各々に対して、前記予測状態が正しいか否かを、前記複数のデータの各々に対応する正解データを参照して判定することと、
   前記複数のデータを前記スコアが所定の順になるように並べたとき、前記スコアがより異常であることを示す方から所定の数の前記データに対する前記予測状態の正解率を算出することと、
   前記正解率に基づいて前記判定モデルの更新が必要であるかどうかを判定することと、
   を含む方法。
2. 前記データの前記各々が正常であるか異常であるかを予測状態として予測することは、前記複数のデータのうち、既に対策が取られた上で得られた前記データを除外して前記正解率を算出する、請求項１に記載のモデル更新方法。
3. 前記判定モデルはパラメタを含み、前記パラメタは学習データを用いて算出され、
   さらに、
   前記判定モデルの更新が必要であると判定されたとき、前記パラメタおよび／または前記学習データを変化させることによって前記正解率が改善されるように前記判定モデルを更新することと、
   を含む請求項１または２に記載のモデル更新方法。
4. 前記複数のデータは、前記複数の被験者の健康診断の結果を含み、前記予測状態は、前記複数の被験者の各々の罹患の有無に関連する、請求項１〜３のいずれか一項に記載のモデル更新方法。
5. 複数のデータの各々を判定モデルに用いて前記データの前記各々が正常であるか異常であるかの度合いを示すスコアを算出し、前記スコアに基づいて前記データの前記各々が正常であるか異常であるかを予測状態として予測する予測部と、
   前記複数のデータの各々に対して、前記予測部によって予測された前記予測状態が正しいか否かを、前記複数のデータの各々に対応する正解データを参照して判定する予測結果判定部と、
   前記複数のデータを前記スコアが所定の順になるように並べたとき、前記スコアがより異常であることを示す方から所定の数の前記データに対する前記予測状態の正解率を算出し、前記正解率に基づいて前記判定モデルの更新が必要であるかどうかを判定するモデル更新判定部と、
   を含むモデル更新装置。
6. 前記複数のデータは、前記複数の被験者の健康診断の結果を含み、前記予測状態は、前記複数の被験者の各々の罹患の有無に関連する、請求項５のいずれか一項に記載のモデル更新装置。
7. 複数の被験者の各々に対応する複数のデータの各々を判定モデルに用いて前記データの前記各々が正常であるか異常であるかの度合いを示すスコアを算出し、
   前記スコアに基づいて前記データの前記各々が正常であるか異常であるかを予測状態として予測し、
   前記複数の被験者の各々に関する前記複数のデータの各々に対して、前記予測状態が正しいか否かを、前記複数のデータの各々に対応する正解データを参照して判定し、
   前記複数のデータを前記スコアが所定の順になるように並べたとき、前記スコアがより異常であることを示す方から所定の数の前記データに対する前記予測状態の正解率を算出し、
   前記正解率に基づいて前記判定モデルの更新が必要であるかどうかを判定する
   処理をコンピュータに実行させるプログラム。
8. 前記データの前記各々が正常であるか異常であるかを予測状態として予測させる処理では、前記複数の被験者に関する前記複数のデータのうち、前記複数の被験者のうち、既に対策が取られた上で得られた前記被験者に対応する前記データを除外して前記正解率を算出させる、請求項７に記載のプログラム。
9. 前記判定モデルはパラメタを含み、前記パラメタは学習データを用いて算出され、
   さらに、
   前記判定モデルの更新が必要であると判定させる処理では、前記パラメタおよび／または前記学習データを変化させることによって前記正解率が改善されるように前記判定モデルを更新させる処理をコンピュータに実行させる、請求項７または８に記載のプログラム。
10. 前記複数のデータは、前記複数の被験者の健康診断の結果を含み、前記予測状態は、前記複数の被験者の各々の罹患の有無に関連する、請求項７〜９のいずれか一項に記載のプログラム。

Images