JP6585869B1 - 将来の骨量を予測する方法、情報処理装置、及びコンピュータプログラム - Google Patents
将来の骨量を予測する方法、情報処理装置、及びコンピュータプログラム Download PDFInfo
- Publication number
- JP6585869B1 JP6585869B1 JP2019089377A JP2019089377A JP6585869B1 JP 6585869 B1 JP6585869 B1 JP 6585869B1 JP 2019089377 A JP2019089377 A JP 2019089377A JP 2019089377 A JP2019089377 A JP 2019089377A JP 6585869 B1 JP6585869 B1 JP 6585869B1
- Authority
- JP
- Japan
- Prior art keywords
- time point
- information
- bmd
- input
- age
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
本発明に係る予測方法は、閉経後女性での将来の骨量を予測する方法である。本発明に係る予測方法の第1実施態様(以下「本予測法1」という。)は、閉経後女性のBMD測定値に基づいて、この女性で将来のBMDを予測する方法である。本予測法1は、図1に示すように、第1情報取得ステップS11、第2情報取得ステップS12、学習前処理ステップS13、学習ステップS14、選別ステップS15、第3情報取得ステップS21、予測前処理ステップS22、及び予測ステップS23を含む。
本発明に係る情報処理装置(以下「本装置」という。)は、閉経後女性での将来の骨量を予測するために用いられる装置である。本装置の一実施形態として図4に例示する装置30は、入力部31、処理部32、データベース33、解析プログラム記憶部34、予測式記憶部35、及び表示部36を備える。
本発明に係るコンピュータプログラム(以下「本プログラム」という。)は、コンピュータを前述した本装置として用いるためのプログラムである。換言すれば、本プログラムは、将来の骨量を予測するために用いられるコンピュータプログラムである。本プログラムについての詳細は、前述した本予測法1、本予測法2、及び本装置で説明したとおりである。
車輌搭載型であるBMD測定装置として、QDR−1000(Hologic社製)が和歌山県太地町に運送された。この太地町に在住する40歳以上かつ79歳以下である全住人のうちから、各年代別にランダムに男女50人ずつ、計400人が被験者として選定された。1993年6月に、骨粗鬆症について疫学的研究の目的などが被験者らに説明されて、QDR−1000を用いたDXAにより被験者らの、第2腰椎から第4腰椎のBMD(BMD at lumbar site L2-L4:以下「LBMD」という。)と、大腿骨近位部のBMD(BMD at proximal femur site:以下「FBMD」という。)が測定された。身体計測や問診により、第1時点に該当する1993年6月での被験者らの年齢情報、身体計測情報、及び月経歴情報を含む研究データが大量に取得された(非特許文献3から非特許文献5を参照)。その後、第2時点に該当する2003年6月に、同じ被験者らについて同様にLBMDとFBMDが測定された。
・オーバーペナルティー:0.01、0.02、0.04
・中間層 :2、3、4
・ツアー数 : 8回
・反復回数 :75回
・収束基準 :0.00001
前述した実施例1aでは、図5に示すように、入力因子として93LBMD測定値を入力し、出力因子として03LBMD測定値とLBLR計算値を入力した。これに代えて、実施例1bでは、図6に示すように、入力因子として93FBMD測定値を入力し、出力因子として03FBMD測定値とFBLR計算値を入力した。その他は実施例1a同様にANNに学習させて、2003年6月での大腿骨近位部のBMD予測値(以下「03FBMD予測値」という。)を135名分算出して、単純交差検証法と5分割交差検証法を行って最もR2値が高いものを実施例1bに係る学習済みモデルとして選定した。図7(b)及び上記した表2に示す検証結果から考えて、実施例1bに係る学習済みモデルでの予測精度は高く、統計モデルとして好ましいものであった。
前述した実施例1aでは、03LBMD測定値と03LBMD予測値との関連性を示すR2値が最も高い学習済みモデルを選出した。これに代えて、実施例1cでは、LBLR計算値と、第1時点から第2時点までの期間において1年あたりの第2腰椎から第4腰椎のBLR予測値(以下「LBLR予測値」ともいう。)との関連性を示すR2値が最も高いものを、実施例1cに係る学習済みモデルとして選出した。図8(a)及び前述した表2に示す検証結果から考えて、実施例1cに係る学習済みモデルでの予測精度は高く、統計モデルとして好ましいものであった。
前述した実施例1bでは、03FBMD測定値と03FBMD予測値との関連性を示すR2値が最も高い学習済みモデルを選出した。これに代えて、実施例1dでは、FBLR計算値と、第1時点から第2時点までの期間において1年あたりの大腿骨近位部のBLR予測値(以下「FBLR予測値」ともいう。)との関連性を示すR2値が最も高いものを、実施例1dに係る学習済みモデルとして選定した。図8(b)及び前述した表2に示す検証結果から考えて、実施例1dに係る学習済みモデルでの予測精度は高く、統計モデルとして好ましいものであった。
比較例1aでは、ANNを用いず、JMP8を用いてMRAにより03LBMD予測値を得ることとした。このために比較例1aでは、前述した実施例1aで入力因子として用いたのと同じ情報を独立変数とし、実施例1aで出力因子として用いたのと同じ情報を従属変数として、MRAを行った。その結果、前述した表2に示すように、比較例1aでの03LBMD測定値と03LBMD予測値との関連性を示すR2値は0.803に留まり、実施例1aでのR2値である0.929よりも大幅に低い値であった。また、比較例1aでのAICやBICの値は、実施例1aでのAICやBICの値よりも高かった。このため、実施例1aのようにANNに学習させる方が、比較例1aのようなMRAよりも、高精度でBMD予測値を得やすく、統計モデルとして好ましいことが明らかとなった。
比較例1bでは、前述した実施例1bで入力因子として用いたのと同じ情報を独立変数とし、実施例1bで出力因子として用いたのと同じ情報を従属変数として、MRAにより03FBMD予測値を得た。表2で前述したように、比較例1bでのR2値は実施例1bでのR2値よりも大幅に低く、比較例1bでのAICやBICの値は実施例1bでのAICやBICの値よりも高かった。この結果からも、ANNの方がMRAよりも高精度でBMD予測値を得やすく、統計モデルとして好ましいことが示された。
前述した比較例1aと概ね同様に、比較例1cではMRAによりLBLR予測値を得た。また、上記した比較例1bと概ね同様に、比較例1dではMRAによりFBLR予測値を得た。表2で前述したように、比較例1cでのR2値は0.137であり、比較例1dでのR2値は0.153であり、ほとんど関連性が認められなかったため、将来のBLRを予測するのはほとんど不可能という従来の当業者の技術常識が再確認された。これに対して、実施例1cでのR2値は0.694であり、実施例1dでのR2値は0.609であったため、実施例1cや実施例1dでは臨床応用可能な精度で将来のBLR予測値を得ることができたといえる。また、MRAによる比較例1cや比較例1dよりも、ANNによる実施例1cや実施例1dの方が、AICやBICの値が小さいため統計モデルとして好ましいことが示された。
前述した実施例1と比べて、次の表3に示すように出力因子を2003年6月でのBMD測定値の1項目に絞った他は、同様にANNに学習させて予測値を算出してR2値を検証した。その結果、表3に示すように実施例2aと実施例2bでは、出力因子をBMD測定値の1項目に絞ることで、より高精度でBMD予測値を算出可能であることが示された。一方、参考例2cと参考例2dでは、出力因子をBLR計算値の1項目に絞ってBLR予測値を算出したが、R2値が0.300未満という低値であったから臨床応用は難しいと考えられる。この結果から、ある程度に臨床応用し得る水準で将来までのBLRを予測するために、出力因子としてBMD測定値とBLR計算値の両方を要すると考えられる。
前述した実施例1(比較例1)で11項目の入力因子(独立変数)を用いたのと比べて、入力因子(独立変数)を、1996年6月でのBMD測定値、正規化年齢、正規化身長、正規化体重、及び正規化BMIの5項目に絞った他は、同様にANNに学習させるか又はMRAにより予測値を算出させて、同様にR2値を検証した。その結果、実施例1と比べて次の表4に示すようにR2値が幾らか低下したが、ANNに学習させた実施例3aから実施例3dでは、MRAによる比較例3aから比較例3dよりも大幅に高いR2値を示した。このため、入力因子をBMD測定値情報、年齢情報、及び身体計測情報3種(身長、体重、BMI)の5項目に絞っても、ANNに学習させることで、MRAよりも予測値を高精度で算出可能であることが示唆された。BLR予測値について、入力因子が11項目である場合(実施例1c、実施例1d)の方が、5項目である場合(実施例3c、実施例3d)よりも明らかに高いR2値が得られていた。
上記した実施例3で正規化させていないBMD測定値を入力したのに代えて、正規化させたBMD測定値を入力した。つまり、次の表5に示す実施例4a等では、正規化BMD測定値、正規化年齢、正規化身長、正規化体重、及び正規化BMIの5項目を入力因子として入力した他は、実施例3と同様にANNに学習させて予測値を算出して、同様にR2値を検証した。その結果、BMD測定値を正規化させたことでR2値が幾らか低下したが、前述した比較例3よりも大幅に高いR2値を示した。この結果から、ANNに学習させて予測値を算出させるにあたり、正規化させたBMD測定値を入力するよりも、正規化させないままBMD測定値を入力する方が、高精度で予測値を算出可能であることが示唆された。また、正規化後のBMD測定値を入力してもANNに学習させると、MRAよりも予測値を高精度で算出可能であることが示唆された。
前述した実施例1(比較例1)と比べて、入力因子(独立変数)を、1993年6月でのBMD測定値、正規化年齢、及び正規化初経年齢の3項目に絞った他は、同様にANNに学習させるか又はMRAにより予測値を算出して、同様にR2値を検証した。表4で前述した実施例3aから実施例3dと比べて、次の表6に示すように実施例5aから実施例5dではR2値が幾らか低下したが、MRAによる比較例5aから比較例5dよりも大幅に高いR2値を示した。このため、入力因子をBMD測定値情報、年齢情報、及び月経歴情報1種(初経年齢)の3項目に絞っても、ANNに学習させることにより、MRAよりも予測値を高精度で算出可能であることが示唆された。BLR予測値について、入力因子が11項目である場合(実施例1c、実施例1d)の方が、3項目である場合(実施例5c、実施例5d)よりも明らかに高いR2値が得られていた。
前述した実施例1や比較例1と比べて、入力因子を、1993年6月でのBMD測定値、正規化閉経年齢、及び正規化閉経後経過年数の3項目に絞った他は、同様にANNに学習させるか又はMRAにより予測値を算出して、同様にR2値を検証した。次の表7に示す結果から、入力因子をこの3項目に絞ってもANNに学習させることで、MRAよりも予測値を高精度で算出可能であることが示唆された。BLR予測値について、入力因子が11項目である場合(実施例1c、実施例1d)の方が、3項目である場合(実施例6c、実施例6d)よりも明らかに高いR2値が得られていた。
前述した実施例1や比較例1と比べて、入力因子を、1993年6月でのBMD測定値、正規化年齢、及び正規化体重の3項目に絞った他は、同様にANNに学習させるか又はMRAにより予測値を算出して、同様にR2値を検証した。次の表8に示す結果から、入力因子をこの3項目に絞っても、ANNに学習させることにより、MRAよりも予測値を高精度で算出可能であることが示唆された。BLR予測値について、入力因子が11項目である場合(実施例1c、実施例1d)の方が、3項目である場合(実施例7c、実施例7d)よりも明らかに高いR2値が得られていた。
前述した実施例1や比較例1と比べて、入力因子を1993年6月でのBMD測定値と正規化体重を含む3項目に絞った他は、同様に予測値を算出してR2値を検証した。実施例1と比べて、次の表9から表12に示すように実施例8や実施例9ではR2値が幾らか低下したが、MRAによる比較例10や比較例11よりも高いR2値を示した。このため、入力因子をBMD測定値と正規化体重を含む3項目に絞っても、ANNに学習させることにより、MRAよりも予測値を高精度で算出可能であることが示唆された。BLR予測値について、入力因子が11項目である場合(実施例1c、実施例1d)の方が、3項目である場合(実施例9、参考例9)よりも明らかに高いR2値が得られていた。表11と表12でR2値を比べると明らかなように、大腿骨近位部よりも腰椎の方が比較的に精度の高いBLR予測値を得られやすかった。
前述した実施例1や比較例1と比べて、入力因子を1993年6月でのBMD測定値と正規化年齢を含む3項目に絞った他は、同様に予測値を算出してR2値を検証した。前述した実施例1と比べて、次の表13から表16に示すように実施例10や実施例11ではR2値が幾らか低下したが、MRAによる比較例10や比較例11よりも高いR2値を示した。このため、入力因子をBMD測定値と正規化年齢を含む3項目に絞っても、ANNに学習させることにより、MRAよりも予測値を高精度で算出可能であることが示唆された。BLR予測値について、入力因子が11項目である場合(実施例1c、実施例1d)の方が、3項目である場合(実施例11、参考例11)よりも明らかに高いR2値が得られていた。表15と表16でR2値を比べると明らかなように、実施例11iを除けば、大腿骨近位部よりも腰椎の方が比較的に精度の高いBLR予測値を得られやすかった。入力因子に正規化体重が含まれる場合(表9から表12)と、入力因子に正規化年齢が含まれる場合(表13から表16)とでR2値を比べると明らかなように、入力因子に正規化体重が含まれる場合の方が比較的に精度の高い予測値を得られやすかった。
前述した実施例1や比較例1と比べて、入力因子を1993年6月でのBMD測定値を含む2項目に絞った他は、同様に予測値を算出してR2値を検証した。前述した実施例1と比べて、次の表17から表20で示すように実施例12や実施例13ではR2値が幾らか低下したが、MRAによる比較例12や比較例13よりも高いR2値を示した。このため、入力因子を少なくともBMD測定値を含む2項目に絞っても、ANNに学習させることにより、MRAよりもBMD予測値を高精度で算出可能であることが示唆された。BLR予測値について、入力因子が11項目である場合(実施例1c、実施例1d)の方が、2項目である場合(実施例13、参考例13)よりも明らかに高いR2値が得られていた。表19と表20でR2値を比べると明らかなように、大腿骨近位部よりも腰椎の方が比較的に精度の高いBLR予測値を得られやすかった。表19に示すように、LBLR予測値でのR2値が0.30以上となった実施例で用いられた入力因子は、正規化体重、正規化BMI、正規化体脂肪率、又は正規化体脂量と、93LBMD測定値であった。表11と表19を考慮すると、LBLR予測値の精度を高めるためには、入力因子に体重が含まれていることが重要である可能性が示唆された。BMD測定値を除けば、腰椎などの椎体と大腿骨近位部とでは、予測値の精度を高めるために有用な入力因子のデータ項目が幾らか異なることが示唆された。
前述した実施例1から実施例13では、135名分の教師データに基づく学習済みモデルにより、この135名で将来の骨量を予測可能であることが示唆された。この135名は、骨粗鬆症に関する治療薬や治療法を実質的に施されなかった、和歌山県太一町に在住している閉経後女性らである。太一町は山がちな漁港の町であるため、この女性らは、日常的に坂道を歩いて足腰を鍛えられており、また魚介類を高頻度で摂取してきたものと考えられる。この135名分の教師データに基づく学習済みモデルを用いて、太一町とは生活環境などが異なる閉経後女性に対しても将来の骨量を予測可能であるか、次のように検証することとした。
本発明者は、BP投与期間と、検証実験1で得られたLBMD予測値およびLBLR予測値を24名分、データベースに記憶させた。また、第4LBMD測定値と第3LBMD測定値の差(以下「ΔLBMD」という。)、および、LBMD予測値と第4LBMD測定値の差(以下「LBMD実測予測差」という。)を24名分算出してデータベースに記憶させた。なお、ΔLBMDは、将来の骨量を予測するにあたり、骨粗鬆症治療の効果指標として予測対象者が最も関心を示す事項である。JMP9を用いた直線回帰分析によりΔLBMDとBP投与期間の関連性を検証したところ、R2=0.124、p=0.092であった。この検証結果は0.05<p<0.10の範囲内にあるため、統計的に有意といえないが、臨床的に意味のあるデータであり交絡変数を調整する等すれば有意な結果を得られるであろうと考えられる。一方、この検証と同様にしてΔLBMDとLBLR予測値の関連性を検証したが、R2=0.022、p=0.488であったため、有意な関連性は示されなかった。症例ごとに治療薬やその投与量が異なることや、BLRはBMDよりも予測困難であること等の理由により、ΔLBMDとLBLR予測値の関連性が示されなかったものと考えられる。
ΔLBMPとLBMD実測予測差の関連性を検証したところ、図9に示すようにR2=0.601、p<0.0001であったため、強い関連性と有意差が示された。なお、LBMD実測予測差は、仮に受診者らが第3時点から実質的に治療を受けなかったとした場合に減少したであろう第4時点でのLBMD予測値に対して、実際には受診者らが第3時点から第4時点にかけて骨粗鬆症治療(薬物治療や、運動療法または食事療法といった生活指導など)を受けて増加したLBMDの量を示す効果指標といえる。ΔLBMD(第4LBMD測定値と第3LBMD測定値の差)と、LBMD実測予測差と、の間に強い関連性が示されたという検証実験3の結果は、仮に骨粗鬆症治療を実質的に受けなかったとした場合でのLBMD予測値の予測精度が高いことを示唆していると考えられる。したがって、実施例1aに係る学習済みモデルは、太一町とは生活環境が異なる受診者らに対しても、将来での骨量を比較的に高精度で予測するために臨床応用可能であると考えられる。
本発明に係る予測方法を臨床応用するにあたり、第4時点でのBMD測定値と第3時点でのBMD測定値の差(ΔBMD)が重要である。また、受診者は、数年にわたり第二選択薬(例えばビスホスホネート)を投与される骨粗鬆症治療を受けるにあたり、種々の骨粗鬆症治療効果(BMD実測予測差)と、受診者自身が閉経後の早期にBMDを減少させやすい体質であるか否か(BLR予測値)に関心がある。そこで、ΔLBMDに関連する因子として、BP投与期間、LBMD実測予測差、及びLBLR予測値の3因子を選び、JMP9を用いて重回帰分析を行った。この際、JMP9により次の回帰式(数式6)が得られ、この回帰式により受診者24名分のΔLBMD予測値が算出された。
Claims (7)
- 閉経後女性において、腰椎、胸椎、頸椎、大腿骨近位部、上腕骨近位部、及び橈骨遠位部からなる群より選ばれた1箇所以上の部位における将来の骨量を予測する方法であって、
入力層および1層以上の中間層および出力層を有する人工ニューラルネットワーク(ANN)での教師データとして、既に閉経後の第1時点で骨密度(BMD)を測定されてから5年以上経過した第2時点でBMDを測定された複数人の女性について、年齢、身長、体重、体格指数(BMI)、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第1時点での情報と前記部位の当該第1時点でのBMD測定値情報を含む入力因子が前記入力層に入力され、並びに、当該部位の前記第2時点でのBMD測定値情報を含む出力因子が前記出力層に入力されたことにより、前記入力因子と前記出力因子との関係を学習させた学習済みモデルを準備するか又は前記学習済みモデルにより出力された前記関係を規定するBMD予測式を準備するステップと、
閉経後の第3時点でBMDを測定された女性について、年齢、身長、体重、BMI、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第3時点での情報と前記部位の当該第3時点でのBMD測定値情報を、前記学習済みモデルか又は前記BMD予測式に適用することにより、当該第3時点から5年以上経過した将来でのBMD予測値を得るステップと、
を含むことを特徴とする予測方法。 - 閉経後女性において、腰椎、胸椎、頸椎、大腿骨近位部、上腕骨近位部、及び橈骨遠位部からなる群より選ばれた1箇所以上の部位における将来の骨量を予測する方法であって
入力層および1層以上の中間層および出力層を有するANNでの教師データとして、既に閉経後の第1時点でBMDを測定されてから5年以上経過した第2時点でBMDを測定された複数人の女性について、年齢、身長、体重、BMI、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第1時点での情報と前記部位の当該第1時点でのBMD測定値情報を含む入力因子が前記入力層に入力され、並びに、当該部位の当該第1時点から前記第2時点までの骨量減少率(BLR)計算値情報および当該部位の当該第2時点でのBMD測定値情報を含む出力因子が前記出力層に入力されたことにより、前記入力因子と前記出力因子との関係を学習させた学習済みモデルを準備するか又は前記学習済みモデルにより出力された前記関係を規定するBLR予測式を準備するステップと、
閉経後の第3時点でBMDを測定された女性について、年齢、身長、体重、BMI、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第3時点での情報と前記部位の当該第3時点でのBMD測定値情報を、前記学習済みモデルか又は前記BLR予測式に適用することにより、当該第3時点から5年以上経過した将来までのBLR予測値を得るステップと、
を含むことを特徴とする予測方法。 - 閉経後女性において、腰椎、胸椎、頸椎、大腿骨近位部、上腕骨近位部、及び橈骨遠位部からなる群より選ばれた1箇所以上の部位における将来の骨量を予測するために、入力層および1層以上の中間層および出力層を有するANNに教師データを学習させた学習済みモデルの生成方法であって、
前記教師データとして、既に閉経後の第1時点でBMDを測定されてから5年以上経過した第2時点でBMDを測定された複数人の女性について、年齢、身長、体重、BMI、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第1時点での情報と前記部位の当該第1時点でのBMD測定値情報を含む入力因子を前記入力層に入力し、並びに、当該部位の前記第2時点でのBMD測定値情報を含む出力因子を前記出力層に入力することによるか、
または、前記教師データとして、前記複数人の女性について、年齢、身長、体重、BMI、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第1時点での情報と前記部位の当該第1時点でのBMD測定値情報を前記入力層に入力し、並びに、当該部位の当該第1時点から前記第2時点までのBLR計算値情報および当該部位の当該第2時点でのBMD測定値情報を含む出力因子を前記出力層に入力することにより、
前記ANNに前記入力因子と前記出力因子との関係を学習させることを特徴とする学習済みモデルの生成方法。 - 閉経後女性において、腰椎、胸椎、頸椎、大腿骨近位部、上腕骨近位部、及び橈骨遠位部からなる群より選ばれた1箇所以上の部位における将来の骨量を予測するために用いられる情報処理装置であって、
既に閉経後の第1時点でBMDを測定されてから5年以上経過した第2時点でBMDを測定された複数人の女性について、年齢、身長、体重、BMI、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第1時点での情報と前記部位の当該第1時点でのBMD測定値情報を含む入力因子、並びに、当該部位の前記第2時点でのBMD測定値情報を含む出力因子が記憶されたデータベースと、
入力層および1層以上の中間層および出力層を有するANNに対する教師データとして前記入力層に前記入力因子が入力されて前記出力層に前記出力因子が入力されて当該入力因子と当該出力因子との関係を学習させた学習済みモデルが記憶されるか、又は前記学習済みモデルにより出力される前記関係を規定するBMD予測式が記憶される記憶部と、
閉経後の第3時点でBMDを測定された女性について、年齢、身長、体重、BMI、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第3時点での情報と前記部位の当該第3時点でのBMD測定値情報が入力されたときに、当該第3時点での情報と当該第3時点でのBMD測定値情報を前記学習済みモデルか又は前記BMD予測式に適用することにより、当該第3時点から5年以上経過した将来でのBMD予測値を出力する処理部と、
を備えることを特徴とする情報処理装置。 - 閉経後女性において、腰椎、胸椎、頸椎、大腿骨近位部、上腕骨近位部、及び橈骨遠位部からなる群より選ばれた1箇所以上の部位における将来の骨量を予測するために用いられる情報処理装置であって、
既に閉経後の第1時点でBMDを測定されてから5年以上経過した第2時点でBMDを測定された複数人の女性について、年齢、身長、体重、BMI、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第1時点での情報と前記部位の当該第1時点でのBMD測定値情報を含む入力因子、並びに、当該部位の当該第1時点から前記第2時点までのBLR計算値情報および当該部位の前記第2時点でのBMD測定値情報を含む出力因子が記憶されたデータベースと、
入力層および1層以上の中間層および出力層を有するANNに対する教師データとして、前記入力層に前記入力因子が入力されて前記出力層に前記出力因子が入力されて当該入力因子と当該出力因子との関係を学習させた学習済みモデルが記憶されるか、又は前記学習済みモデルにより出力される前記関係を規定するBLR予測式が記憶される記憶部と、
閉経後の第3時点でBMDを測定された女性について、年齢、身長、体重、BMI、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第3時点での情報と前記部位の当該第3時点でのBMD測定値情報が入力されたときに、当該第3時点での情報と当該第3時点でのBMD測定値情報を前記学習済みモデルか又は前記BLR予測式に適用することにより、当該第3時点から5年以上経過した将来でのBLR予測値を出力する処理部と、
を備えることを特徴とする情報処理装置。 - 閉経後女性において、腰椎、胸椎、頸椎、大腿骨近位部、上腕骨近位部、及び橈骨遠位部からなる群より選ばれた1箇所以上の部位における将来の骨量を予測するために用いられるコンピュータプログラムであって、
入力層および1層以上の中間層および出力層を有するANNでの教師データとして、既に閉経後の第1時点でBMDを測定されてから5年以上経過した第2時点でBMDを測定された複数人の女性について、年齢、身長、体重、BMI、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第1時点での情報と前記部位の当該第1時点でのBMD測定値情報を含む入力因子が前記入力層に入力され、並びに、当該部位の前記第2時点でのBMD測定値情報を含む出力因子が前記出力層に入力されたことにより、前記入力因子と前記出力因子との関係を学習させた学習済みモデルか又は前記学習済みモデルにより出力された前記関係を規定するBMD予測式に関して、
閉経後の第3時点でBMDを測定された女性について、年齢、身長、体重、BMI、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第3時点での情報と前記部位の当該第3時点でのBMD測定値情報が入力されたときに、入力された当該第3時点での情報と当該第3時点でのBMD測定値情報を前記学習済みモデルか又は前記BMD予測式に適用することにより、当該第3時点から5年以上経過した将来でのBMD予測値を出力する処理を情報処理装置に実行させることを特徴とするコンピュータプログラム。 - 閉経後女性において、腰椎、胸椎、頸椎、大腿骨近位部、上腕骨近位部、及び橈骨遠位部からなる群より選ばれた1箇所以上の部位における将来の骨量を予測するために用いられるコンピュータプログラムであって、
入力層および1層以上の中間層および出力層を有するANNでの教師データとして、既に閉経後の第1時点でBMDを測定されてから5年以上経過した第2時点でBMDを測定された複数人の女性について、年齢、身長、体重、BMI、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第1時点での情報と前記部位の当該第1時点でのBMD測定値情報を含む入力因子が前記入力層に入力され、並びに、当該部位の当該第1時点から前記第2時点までのBLR計算値情報および当該部位の当該第2時点でのBMD測定値情報を含む出力因子が前記出力層に入力されたことにより、前記入力因子と前記出力因子との関係を学習させた学習済みモデルか又は前記学習済みモデルにより出力された前記関係を規定するBLR予測式に関して、
閉経後の第3時点でBMDを測定された女性について、年齢、身長、体重、BMI、体脂肪量、除脂肪体重、体脂肪率、初経年齢、閉経年齢、閉経後経過年数、及びこれらの数値を間接的に示す情報からなる群より選ばれた1種以上の前記第3時点での情報と前記部位の当該第3時点でのBMD測定値情報が入力されたときに、入力された当該第3時点での情報と当該第3時点でのBMD測定値情報を前記学習済みモデルか又は前記BLR予測式に適用することにより、当該第3時点から5年以上経過した将来までのBLR予測値を出力する処理を情報処理装置に実行させることを特徴とするコンピュータプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018090986 | 2018-05-09 | ||
JP2018090986 | 2018-05-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6585869B1 true JP6585869B1 (ja) | 2019-10-02 |
JP2019200788A JP2019200788A (ja) | 2019-11-21 |
Family
ID=68095380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019089377A Active JP6585869B1 (ja) | 2018-05-09 | 2019-05-09 | 将来の骨量を予測する方法、情報処理装置、及びコンピュータプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6585869B1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4276753A3 (en) * | 2018-09-10 | 2024-02-07 | Kyocera Corporation | Estimation device, estimation system, and estimation program |
KR102505614B1 (ko) * | 2019-12-24 | 2023-03-06 | 한국전자통신연구원 | 골관절염 예측 정보 제공 방법 및 장치 |
TWI719843B (zh) * | 2020-02-27 | 2021-02-21 | 長庚醫療財團法人林口長庚紀念醫院 | 產生用於估測骨質密度的模型的方法、估測骨質密度的方法及電子系統 |
JP7408000B1 (ja) | 2022-06-20 | 2024-01-04 | 威久 山本 | 骨粗鬆症による骨折の推測及び予測の少なくとも一方の方法、骨折スコア出力方法、学習モデル生成方法、学習モデル、骨粗鬆症による骨折のリスク因子推定方法、グラフ作成方法、プログラム、情報処理装置、並びに、学習データセット作成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030198316A1 (en) * | 2002-04-17 | 2003-10-23 | Piet Dewaele | Osteoporosis screening method |
-
2019
- 2019-05-09 JP JP2019089377A patent/JP6585869B1/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019200788A (ja) | 2019-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6585869B1 (ja) | 将来の骨量を予測する方法、情報処理装置、及びコンピュータプログラム | |
Korpelainen et al. | Long-term outcomes of exercise: follow-up of a randomized trial in older women with osteopenia | |
Schmier et al. | The impact of asthma on health-related quality of life | |
Steihaug et al. | Does sarcopenia predict change in mobility after hip fracture? A multicenter observational study with one-year follow-up | |
Luo et al. | A preliminary dual-energy X-ray absorptiometry-based finite element model for assessing osteoporotic hip fracture risk | |
Johnson et al. | Predictors beyond the lesion: Health and demographic factors associated with aphasia severity | |
Trudeau et al. | Agency and communion in people with rheumatoid arthritis | |
Chen et al. | Identifying hypertension in pregnancy using electronic medical records: The importance of blood pressure values | |
Liao et al. | Development of a dynamic diagnosis grading system for infertility using machine learning | |
de Cos Juez et al. | Application of neural networks to the study of the influence of diet and lifestyle on the value of bone mineral density in post-menopausal women | |
Escalante et al. | A model of impairment and functional limitation in rheumatoid arthritis | |
Kalpana et al. | Prediction of Heart Disease Using Machine Learning | |
Ettinger et al. | Simple computer model for calculating and reporting 5-year osteoporotic fracture risk in postmenopausal women | |
Bertolini et al. | Modeling Disease Progression in Mild Cognitive Impairment and Alzheimer's Disease with Digital Twins | |
Van Wesemael et al. | The association between pain-related psychological variables and postural control in low back pain: A systematic review and meta-analysis | |
KR102654088B1 (ko) | Ai를 기반으로 하는 골밀도 변화 예측 장치 및 그 방법 | |
Wang et al. | Assessing method agreement for paired repeated binary measurements administered by multiple raters | |
Schwartz et al. | Estimating causal treatment effects of femoral and tibial derotational osteotomies on foot progression in children with cerebral palsy | |
Matsumoto et al. | DPC in acute-phase inpatient hospital care | |
RU2593579C2 (ru) | Способ определения реабилитационного потенциала | |
Mooney et al. | Performance-integrated self-report measurement of physical ability | |
Kim | Ensemble Approach for Predicting the Diagnosis of Osteoarthritis Using Soft Voting Classifier | |
JP7408000B1 (ja) | 骨粗鬆症による骨折の推測及び予測の少なくとも一方の方法、骨折スコア出力方法、学習モデル生成方法、学習モデル、骨粗鬆症による骨折のリスク因子推定方法、グラフ作成方法、プログラム、情報処理装置、並びに、学習データセット作成方法 | |
Tønning et al. | Disability and physical activity in people with chronic disease receiving physiotherapy. A prospective cohort study | |
Mohd Sharif et al. | A fuzzy rule-based expert system for asthma severity identification in emergency department |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190521 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190521 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190521 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190628 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190805 |
|
TRDD | Decision of grant or rejection written | ||
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190816 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190829 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190905 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6585869 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |