JP6640868B2 - 生体年齢を利用した残余寿命の予測方法 - Google Patents
生体年齢を利用した残余寿命の予測方法 Download PDFInfo
- Publication number
- JP6640868B2 JP6640868B2 JP2017546614A JP2017546614A JP6640868B2 JP 6640868 B2 JP6640868 B2 JP 6640868B2 JP 2017546614 A JP2017546614 A JP 2017546614A JP 2017546614 A JP2017546614 A JP 2017546614A JP 6640868 B2 JP6640868 B2 JP 6640868B2
- Authority
- JP
- Japan
- Prior art keywords
- age
- value
- examination
- living
- sample
- 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
- 238000000034 method Methods 0.000 title claims description 40
- 230000004083 survival effect Effects 0.000 claims description 60
- 238000004364 calculation method Methods 0.000 claims description 47
- 230000036541 health Effects 0.000 claims description 30
- 238000000513 principal component analysis Methods 0.000 claims description 27
- 102000015779 HDL Lipoproteins Human genes 0.000 claims description 16
- 108010010234 HDL Lipoproteins Proteins 0.000 claims description 16
- 102000007330 LDL Lipoproteins Human genes 0.000 claims description 15
- 108010007622 LDL Lipoproteins Proteins 0.000 claims description 15
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 claims description 13
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 8
- 230000035487 diastolic blood pressure Effects 0.000 claims description 8
- 239000008103 glucose Substances 0.000 claims description 8
- 230000035488 systolic blood pressure Effects 0.000 claims description 8
- 210000004369 blood Anatomy 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 230000035485 pulse pressure Effects 0.000 claims description 7
- 238000000611 regression analysis Methods 0.000 claims description 7
- 108090000790 Enzymes Proteins 0.000 claims description 6
- 102000004190 Enzymes Human genes 0.000 claims description 6
- 210000004185 liver Anatomy 0.000 claims description 6
- 102000001554 Hemoglobins Human genes 0.000 claims description 5
- 108010054147 Hemoglobins Proteins 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 claims description 4
- 210000000577 adipose tissue Anatomy 0.000 claims description 4
- 210000003205 muscle Anatomy 0.000 claims description 4
- 238000012896 Statistical algorithm Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 101000856500 Bacillus subtilis subsp. natto Glutathione hydrolase proenzyme Proteins 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 210000003743 erythrocyte Anatomy 0.000 claims description 2
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 2
- 238000004062 sedimentation Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 8
- 101710169609 Hemoglobin-3 Proteins 0.000 claims 1
- 239000002502 liposome Substances 0.000 claims 1
- 102000004169 proteins and genes Human genes 0.000 claims 1
- 108090000623 proteins and genes Proteins 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 23
- 238000012216 screening Methods 0.000 description 18
- 201000007270 liver cancer Diseases 0.000 description 17
- 208000014018 liver neoplasm Diseases 0.000 description 17
- 241000282414 Homo sapiens Species 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013125 spirometry Methods 0.000 description 4
- 102000009027 Albumins Human genes 0.000 description 3
- 108010088751 Albumins Proteins 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は生体年齢と生存確率を利用して、ヒトの残余寿命を測定する方法に関するもので、より詳しくは健康検診の結果を反映する生体年齢の測定アルゴリズムを通じて測定された生体年齢を利用した生存確率の予測方法及び上記方法で予測された生存確率を利用して残余寿命を予測する方法に関するものである。
最近、ヒトの疾病の原因に対する多くの研究が行われているにも関わらず大部分が興味本位の一回性の情報として扱われていて、疾病予防には何の効用のないのが事実で、これによる代表的な従来の技術は各医療分野別に疾病を予測して治療する技術があるところ、特許出願番号第２００３―００６７６５２号である肝臓癌の早期診断のための肝臓癌予測システム及びその制御方法に関する技術として、個人別に肝臓癌発生率の推定と肝臓癌発生の相対的危険（Ｒｅｌａｔｉｖｅ ｒｉｓｋ）を求めて、各個人別に求めた肝臓癌発生率と肝臓癌発生の相対的危険を通じて肝臓癌発生危険群に関する階層化の分類（Ｃｌａｓｓｉｆｙ）を遂行する肝臓癌早期診断のための肝臓癌予測システム及びその制御方法に関する技術であり、上記技術は患者の一般的な情報、超音波施行による情報、患者最初登録時所見と、肝臓癌診断時、所見に関する情報を含む臨床情報及び危険群情報をデータベースに貯蔵して、貯蔵された臨床情報と危険群情報を基盤に各危険要因に該当する寄与度の回帰係数を算出して肝臓癌発生の危険度を測定することによって、肝臓癌発生予測による個人別肝臓癌発生を予防することができて、各個人別に求めた肝臓癌発生率と肝臓癌発生の相対的危険を通じて肝臓癌発生危険群に関する階層化の分類を遂行することによって、あつらえ型の肝臓癌発生予測モデルの基盤を構築するなどの効果があり、患者の主治医は肝臓癌の予測結果を移動通信端末を通じて短文メッセージの形態で受信したり、電子メールを通じて受信することによって、患者の危険率を持続的にモニタリングすることができ、危険状況発生の時直ちに措置することができる効果がある技術に関するものがあった。
上記のように従来の予測技術は医学的に特定疾病に対して予測して、予測された情報を基盤に治療する技術が大部分で、現在健康状態によってヒトの寿命がどのように変化されるかを測定することはできなかった。
よって、本発明者らは健康検診から得られるデータを通じて測定した生体年齢と韓国人の寿命を調査した大規模のデータベースを利用して残余寿命の予測を遂行する場合、信頼性をもって残余寿命を予測することができることを確認して、本発明を完成するようになった。
本発明の目的は健康検診から得られたデータを基盤に測定された生体年齢を利用した生存確率の測定方法を提供することにある。
本発明のまた他の目的は上記方法で測定された生体年齢と生存確率を利用して、残余寿命を測定する方法を提供することにある。
上記の目的を達成するために、本発明は健康検診結果を利用して測定された生体年齢と下記式（１）を利用した生存確率の予測方法を提供する：
上記式（１）で、ＳＯ（ｔ）は統計庁資料上の現在生存している時点からｔ年後の生存確率で、Ｄは生体年齢−出生年齢であり、
はＤの平均、ａはＤが生存確率に及ぼす影響力、（ｔ）は生体年齢を利用して補正計算されたｔ年後までの生存確率を示す。
はＤの平均、ａはＤが生存確率に及ぼす影響力、（ｔ）は生体年齢を利用して補正計算されたｔ年後までの生存確率を示す。
本発明はまた、ｘ軸を期待余命（ＥＲ），ｙ軸をＴ年後までの生存確率にして作成したグラプで、ｙ軸の被験者の生存確率値に対応するｘ軸の値を被験者の健康検診を受けた日から残った残余寿命にするものを特徴にする残余寿命の予測方法を提供する。
他の式で定義されない限り、本明細書で使用されたすべての技術的及び科学的用語は、本発明に属する技術分野で熟練された専門家によって通常的に理解されるものと同一の意味を有する。一般的に、本明細書で使用された命名法は本技術分野でよく知られていて通常的に使用されるものである。
本発明で「出生年齢（ＣＡ）」は生まれた日を基準にして健康検診を受けた日まで生存した年数をいい、「生体年齢（ＢＡ）」は健康検診項目を入力値にして統計アルゴリズムを適用後計算した個人の健康状態を反映した年齢をいう。
本発明で、「Ｔ年生存確率（ＳＰ）」は健康検診を受けた日を基準にして向後何年まで生存する確率をいい、「期待余命（ＥＲ）」は健康検診を受けた日を基準にして向後生存することができる年数をいい、「期待寿命（ＥＬ）」は健康検診を受けたときの出生年齢（ＣＡ）＋期待余命（ＥＲ）をいう。
本発明で、「期待余命までの生存確率グラプ（ＳＰ２ＥＲ）」はｘ軸を期待余命（ＥＲ）、ｙ軸をＴ年後の生存確率（ＳＰ）で設定したグラプ（性別、年齢別で区分する、統計庁発表資料）をいう。
本発明で「生体年齢を基盤にしたＴ年後の生存確率（ＳＰＢＡ）」は健康検診を受けた日計算された出生年齢（ＣＡ）と生体年齢（ＢＡ）とＴ年生存確率（ＳＰ）を利用して計算された生体生存確率をいう。
本発明で、「生体年齢（ＢＡ）を基盤にした期待余命までの生存確率グラプ（ＳＰ２ＥＲＢＡ）」はｘ軸を期待余命（ＥＲ），ｙ軸を生体年齢（ＢＡ）を基盤にしたＴ年生存確率（ＳＰＢＡ）で設定したグラプ（性別、年齢別に区別する）をいう。
本発明で、「残余寿命（ＲＬ）」は期待余命までの生存確率グラプ（ＳＰ２ＥＲ）と生体年齢（ＢＡ）を基盤にした期待余命までの生存確率グラプ（ＳＰ２ＥＲＢＡ）を利用して計算された健康検診を受けた日から残った生存年数をいう。
一観点で、本発明は健康検診結果を利用して測定された生体年齢と下記式（１）を利用した生存確率の測定方法に関するものである。
上記式（１）で、ＳＯ（ｔ）は統計庁資料上の現在生存している時点からｔ年後の生存確率で、Ｄは生体年齢−出生年齢であり、
はＤの平均、ａはＤが生存確率に及ぼす影響力、（ｔ）は生体年齢を利用して補正計算されたｔ年後までの生存確率を示す。
はＤの平均、ａはＤが生存確率に及ぼす影響力、（ｔ）は生体年齢を利用して補正計算されたｔ年後までの生存確率を示す。
上記式（１）で、ＳＯ（ｔ）は統計庁で各年度ごとに男女別に提供する生存確率値で、統計庁ホームページを通じて確認することができる。（ｈｔｔｐ：／／ｋｏｓｉｓ．Ｋｒ／ｓｔａｔＨｔｍｌ／ｓｔａｔＨｔｍｌ．ｄｏ？ｏｒｇｌｄ＝１０１＆ｔｂｌｌｄ＝ＤＴ＿１Ｂ４２＆ｖｗ＿ｃｄ＝ＭＴ＿ＺＴＩＴＬＥ＆ｌｉｓｔ＿ｉｄ＝Ａ５＆ｓｅｑＮｏ＝＆ｌａｎｇ＿ｍｏｄｅ＝ｋｏ＆ｌａｎｇｕａｇｅ＝ｋｏｒ＆ｏｂｊ＿ｖａｒ＿ｉｄ＝＆ｉｔｍ＿ｉｄ＝＆ｃｏｎｎ＿ｐａｔｈ＝Ｅ１＃）。
式（１）でａは生存資料を入力値で利用してコックス比例ハザードモデル（ｃｏｘ ｐｒｏｐｏｒｔｉｏｎａｌ ｈａｚａｒｄｓ ｍｏｄｅｌ）アルゴリズムを利用して自動で算出されて出る値で、ＳＰＳＳやＳＡＳ、Ｒ ｐａｃｋａｇｅなどのような通常的な統計分析のための商用または無料使用分析ソフトウェアを実行させて具現することができる。ここで生存資料というものは健康検診を受けた被験者一人ひとりを対象にして以後特定な時点まで観測したとき死亡または生存しているかに対する情報がある資料を意味する。
好ましい一様態として、本発明による式（１）でのａ値及び値は年齢によって表１のような値を有することができるが、これに検定されるものではない。
本発明において、上記生体年齢は下記式（２）〜（３）により測定されるものを特徴にすることができる：
ここで、ｐｒｅＢＡは式（３）で補正する前の仮生体年齢で、ＢＡは仮生体年齢（ｐｒｅＢＡ）を基盤に補正した後の生体年齢であり、ｘｊは被検診者のｊ番目検診項目の検診数値、
はｊ番目検診項目のサンプル内の平均値、ｓｄ（ｘｊ）はｊ番目検診項目のサンプル内の標準偏差、βｉｊは主成分分析結果ｊ番目検診項目のｉ番目要因値が各サンプルの実際年齢を説明することができる程度、ｍは主成分分析の遂行結果得られた要因個数、Ｐｉはｉ番目要因値がｐｒｅＢＡ計算に与える加重値、ｙは各個体の出生年齢（ＣＡ）で、
は生体年齢（ＢＡ）モデル構築に使用されるすべての個体の出生年齢（ＣＡ）の平均、ｓｄ（ｙ）はｙの標準偏差で、
は各サンプル対して実際年齢及びｐｒｅＢＡを回帰分析した結果生成された回帰式
を構成する係数である。
はｊ番目検診項目のサンプル内の平均値、ｓｄ（ｘｊ）はｊ番目検診項目のサンプル内の標準偏差、βｉｊは主成分分析結果ｊ番目検診項目のｉ番目要因値が各サンプルの実際年齢を説明することができる程度、ｍは主成分分析の遂行結果得られた要因個数、Ｐｉはｉ番目要因値がｐｒｅＢＡ計算に与える加重値、ｙは各個体の出生年齢（ＣＡ）で、
は生体年齢（ＢＡ）モデル構築に使用されるすべての個体の出生年齢（ＣＡ）の平均、ｓｄ（ｙ）はｙの標準偏差で、
は各サンプル対して実際年齢及びｐｒｅＢＡを回帰分析した結果生成された回帰式
を構成する係数である。
本発明において、上記Ｂｉｊは健康検診を通じて測定された２個以上の変数（Ｘｊ）をＳＰＳＳ、ＳＡＳ及びＲ ｐａｃｋ ａｇｅプログラムを利用して主成分分析統計アルゴリズムに入力して算出される値であるものを特徴にすることができて、ｍは主成分の要因数を示すが、主成分分析アルゴリズム実行の時、固有値（ｅｉｇｅｎ ｖａｌｕｅ）を１に設定した時自動に決定されて出る値である。
本発明の一様態で、生体年齢の測定は大韓民国特許公開２０１４―０１２６２２９に記載された方法を使用することができる。
本発明において、被験者が男子である場合、ｘは胴回り（ＷＣ）、１秒間努力性気量（ＦＥＶ１）、肝臓酵素（Ｇ―ＧＴＰ）、尿素窒素（ＢＵＮ）、高比重リポタンパク質（ＨＤＬ）、低比重リポ蛋白質（ＬＤＬ）、中性脂肪（ＴＧ）、空腹血糖（ＦＢＳ）、体脂肪率（ＦＢＲ）、筋肉率（ＢＭＲ）、アルブミン―グロブリン比率（ＡＧＲ）及び収縮期血圧（ＳＢＰ）で構成された群から選択される健康検診項目の結果数値であるか、胴回り（ＷＣ）、収縮期血圧（ＳＢＰ）、肝臓酵素（Ｇ―ＧＴＰ）、高比重リポタンパク質（ＨＤＬ）、中性脂肪（ＴＧ）、空腹血糖（ＦＢＳ）、ヘモグロビン（Ｈｅｍｏｇｌｏｂｉｎ）、低比重リポ蛋白質（ＬＤＬ）、体質量指数（ＢＭＩ）及び脈圧（ＰＰ）で構成された群から選択される健康検診項目の結果数値であるものを特徴にすることができる。
本発明において、被験者が女子である場合、ｘは胴回り（ＷＣ）、１秒間努力性気量（ＦＥＶ１）、γ−ＧＴＰ（Ｇ−ＧＴＰ）、尿素窒素（ＢＵＮ）、高比重リポタンパク質（ＨＤＬ）、低比重リポ蛋白質（ＬＤＬ）、中性脂肪（ＴＧ）、空腹血糖（ＦＢＳ）、体脂肪率（ＦＢＲ）、筋肉率（ＢＭＲ）、アルブミン―グロブリン比率（ＡＧＲ）、弛緩期血圧（ＤＢＰ）、赤血球沈降速度（ＥＳＲ）及び体質量指数（ＢＭＩ）で構成された群から選択される健康検診項目の結果数値であるか、胴回り（ＷＣ）、弛緩期血圧（ＤＢＰ）、肝臓酵素（ＡＳＴ）、高比重リポタンパク質（ＨＤＬ）、中性脂肪（ＴＧ）、空腹血糖（ＦＢＳ）、ヘモグロビン（Ｈｅｍｏｇｌｏｂｉｎ）、低比重リポ蛋白質（ＬＤＬ）、体質量指数（ＢＭＩ）及び脈圧（ＰＰ）で構成された群から選択される健康検診項目の結果数値であるものを特徴にすることができる。
本発明で使用された生体年齢予測モデルには既存の検診データである一つ以上のサンプルが入力されることができる。上記生体年齢の演算モデルには生体年齢の演算モデルに含まれた変数（検診項目）の検診数値を含むサンプルであるかどうかに構わず、すべてのサンプルが入力されることもできるが、生体年齢の演算モデルに含まれた変数の検診数値をすべて含むサンプルのみ入力されることが好ましい。例えば、上記第１生体年齢の演算モデルにはＢＭＩ検診数値、肺活量検診数値及び一秒量検診数値をすべて有するサンプルのみ入力されて、上記第２生体年齢の演算モデルにはＢＭＩ検診数値、肺活量検診数値及びＰＳＡ検診数値をすべて有するサンプルのみ入力されることができる。
上記生体年齢の演算モデルに一つ以上のサンプルが入力された後には、入力されたデータに対する主成分分析（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ）が遂行されることができる。上記主成分分析の結果、上記生体年齢の演算モデルに入力されたデータを説明することができる一つ以上の要因（Ｆａｃｔｏｒ）を得ることができる。上記得られた要因の個数は上記生体年齢の演算モデルの変数個数より少ないことができる。以下、上記要因の個数はｍで、上記生体年齢の演算モデルの変数個数はｎで記載する。
本発明の一実施例によると、上記主成分分析を通じて、上記生体年齢の演算モデルに入力された各サンプルのｊ番目変数値に含まれているｉ番目要因値が実際年齢を説明することができる程度を意味する加重値（Ｂｉｊ）が演算されることができる。Ｂｉｊ値は一般的な統計分析で知られた主成分分析（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ）方法を通じて算出される値である。すなわち、Ｂｉｊは主成分分析プロセスを遂行すると自動で計算される各変数別要因積載行列（ｆａｃｔｏｒ ｌｏａｄｉｎｇ ｍａｔｒｉｘ）である。
本発明の一実施例によると、上記主成分分析を通じて、ｉ番目要因値が生体年齢計算に与える加重値（Ｐｉ）も演算されることができる。以下、加重値（Ｐｉ）を演算する方法を説明する。
加重値（Ｐｉ）は主成分分析結果、計算された各サンプルの要因（ｆａｃｔｏｒ）別の要因点数（ｆａｃｔｏｒ ｓｃｏｒｅ）と実際年齢間の決定係数（ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｄｅｔｅｒｍｉｎａｔｉｏｎ，Ｒ２）を利用して演算されることができる。上記決定係数を利用した加重値（Ｐｉ）の演算方法は下記のようである。
まず、主成分分析を通じて分析に使用された各サンプルの要因別の要因点数を演算する。例えば、サンプルが１００名で要因がｍ個とするとｍ個の要因別に各々１００個の要因点数が計算されることである。
次に、各要因別の要因点数は各サンプルの実際年齢を回帰分析して決定係数をｍ個（Ｒｉ ２，ｉ＝１，２，３，…，ｍ）計算する。このｍ個の決定係数の合をＳとすると、ｉ番目要因が生体年齢の計算に与える加重値（Ｐｉ）は下記の数式１を利用して演算されることができる。
加重値（Ｐｉ）は主成分分析結果、演算された各要因別の固有値（ｅｉｇｅｎ ｖａｌｕｅ）を利用して演算されることができる。この時、加重値（Ｐｉ）は下記の数式２を利用して演算されることができる。
上記数式２でｅｉは要因ｉの固有値（ｅｉｇｅｎ ｖａｌｕｅ）であり、ｍは要因の個数である。
上記主成分分析が完了されると、上記要因を利用して上記生体年齢の演算モデルによる生体年齢の算出式が生成されることができる。
一実施例によると、上記生体年齢は式（２）に基盤にして数式３により算出されることができる。
（ここで、ｐｒｅＢＡは仮生体年齢、ｘｊは被検診者のｊ番目検診項目の検診数値、
はｊ番目検診項目のサンプル内の平均値、ｓｄ（ｘｊ）はｊ番目検診項目のサンプル内の標準偏差、Ｂｉｊは主成分分析結果ｊ番目検診項目のｉ番目要因値が各サンプルの実際年齢を説明することができる程度、ｍは主成分分析の遂行結果得られた要因個数、Ｐｉはｉ番目要因値がＢＡ計算に与える加重値。）
はｊ番目検診項目のサンプル内の平均値、ｓｄ（ｘｊ）はｊ番目検診項目のサンプル内の標準偏差、Ｂｉｊは主成分分析結果ｊ番目検診項目のｉ番目要因値が各サンプルの実際年齢を説明することができる程度、ｍは主成分分析の遂行結果得られた要因個数、Ｐｉはｉ番目要因値がＢＡ計算に与える加重値。）
はｊ番目検診項目のサンプル内の平均値、ｓｄ（ｘｊ）はｊ番目検診項目のサンプル内の標準偏差、Ｂｉｊは主成分分析結果ｊ番目検診項目のｉ番目要因値が各サンプルの実際年齢を説明することができる程度、ｍは主成分分析の遂行結果得られた要因個数、Ｐｉはｉ番目要因値がｐｒｅＢＡ計算に与える加重値、ｙは各個体の出生年齢（ＣＡ）で、
は生体年齢（ＢＡ）モデルの構築に使用されるすべての個体の出生年齢（ＣＡ）の平均、ｓｄ（ｙ）はｙの標準偏差で、
は各サンプルに対して実際年齢及びｐｒｅＢＡを回帰分析した結果生成された回帰式
を構成する係数。）
上記数式３で、一実施例によると、上記ｙ平均はすべてのサンプルの実際年齢に対する平均で上記ｓｄ（ｙ）はすべてのサンプルの実際年齢に対する標準偏差であることができるが、他の実施例によると、上記ｙ平均は上記生体年齢の演算モデルに含まれたすべての検診項目の数値データを有効な値で有しているすべてのサンプルの実際年齢に対する平均で、上記ｓｄ（ｙ）は上記生体年齢の演算モデルに含まれたすべて検診項目の数値データを有効な値で有しているすべてのサンプルの実際年齢に対する標準偏差であることもできる。
整理すると、上記生体年齢の演算モデルにサンプルデータを入力して、入力されたデータに対する主成分分析を経て一つ以上の要因が得られ、上記主成分分析の結果及び上記要因を利用して生体年齢の算出式を得ることができる。上記生体年齢の算出式の例示は式（２）または数式３を参照することができる。
上記生体年齢の演算モデルに、今回の被検診者の検診結果データに含まれた検診項目を変数として一つずつ追加していきながら、最適の結果を導出する生体年齢の演算モデルを構成する変数集合を探す過程で理解することができる。すなわち、初めには空いている上記生体年齢の演算モデルに上記原本集合の検診項目中最善の一つを選定して、選定された検診項目を変数として追加することを繰返して、所為、段階別前進選択方法を利用する。
以下、上記段階別前進選択方法に対して説明する。原本集合にＢＭＩ、肺活量、一秒量、アルブミン（ａｌｂｕｍｉｎ）、ＰＳＡの総５つ検診項目が元素として含まれるものを前提にする。
はじめの段階で、一つの変数を含むテストモデルが生成される。次に、生成されたテストモデルに該当変数の値、すなわち該当検診項目の検診［００７５］数値を含むサンプルが入力されて、入力されたサンプルに対して主成分分析を遂行して要因を得て、得られた要因及び主成分分析の結果を利用して生体年齢の算出式を生成する。以下、上記テストモデルに新たに追加される変数をテスト検診項目で記載する。次に、上記入力されたサンプル各々を上記生体年齢の算出式に入力して各サンプルの生体年齢を演算する。
次に、サンプルの上記分布に対する回帰分析を通じて単純回帰式ＢＡ＝ａ＋ｂｙを生成する。その結果、サンプルの回帰線
と実際年齢（ＢＡ＝ｙ）との決定係数（Ｒ２）を求めることができる。はじめ段階の結果得られた各検診項目別の決定係数値が表示されていた。はじめ段階の結果、最も大きい値を有する肺活量が選択されることである。これは、肺活量検診数値は生体年齢の演算モデルに含まれることを意味する。肺活量検診項目は上記生体年齢の演算モデルに追加されたために、上記原本集合で除去される。２番目に上記生体年齢の演算モデルに含められる２番目の検診項目が選択される。２番目段階のテストモデルは上記肺活量検診項目及びその他の検診項目中の一つを含む、総２個の変数を有するモデルである。従って、２番目段階では（肺活量、ＢＭＩ）、（肺活量、一秒量）、（肺活量、アルブミン）、（肺活量、ＰＳＡ）総４回のテストが進行されるはずである。
と実際年齢（ＢＡ＝ｙ）との決定係数（Ｒ２）を求めることができる。はじめ段階の結果得られた各検診項目別の決定係数値が表示されていた。はじめ段階の結果、最も大きい値を有する肺活量が選択されることである。これは、肺活量検診数値は生体年齢の演算モデルに含まれることを意味する。肺活量検診項目は上記生体年齢の演算モデルに追加されたために、上記原本集合で除去される。２番目に上記生体年齢の演算モデルに含められる２番目の検診項目が選択される。２番目段階のテストモデルは上記肺活量検診項目及びその他の検診項目中の一つを含む、総２個の変数を有するモデルである。従って、２番目段階では（肺活量、ＢＭＩ）、（肺活量、一秒量）、（肺活量、アルブミン）、（肺活量、ＰＳＡ）総４回のテストが進行されるはずである。
次に、生成された生体年齢の演算モデルに該当変数の値、すなわち該当検診項目の検診数値を含むサンプルが入力され、入力されたサンプルに対して主成分分析を遂行して要因を得て、得られた要因及び主成分分析結果を利用して生体年齢の算出式を生成する。
次に、上記入力されたサンプル各々を上記生体年齢の算出式に入力して各サンプルの生体年齢を演算して、サンプルの上記分布に対する回帰分析を通じて単純回帰式
を生成する。その結果、サンプルの回帰線
と実際年齢（ＢＡ＝ｙ）との決定係数（Ｒ２）を求めることができる。
を生成する。その結果、サンプルの回帰線
と実際年齢（ＢＡ＝ｙ）との決定係数（Ｒ２）を求めることができる。
２番目段階の結果、既存の決定係数である０．４よりモデルの決定係数値を増加させるもののうち、増加量が最も大きい検診項目であるＢＭＩが選定されることである。これは、ＢＭＩ数値が肺活量数値と一緒に生体年齢の演算モデルに含まれることを意味する。ＢＭＩ検診項目は上記生体年齢の演算モデルに追加されたために、上記原本集合で除去される。３番目に上記生体年齢の演算モデルに含められる３番目の検診項目が選択される。３番目段階のテストモデルは上記肺活量検診項目、ＢＭＩ及びその他の検診項目のうち一つを含む、総３個の変数を有するモデルである。従って、２番目段階では（肺活量、ＢＭＩ、一秒量）、（肺活量、ＢＭＩ、アルブミン）、（肺活量、ＢＭＩ、ＰＳＡ）総３回のテストが進行されることである。３番目段階も２番目段階と類似した方式で進行される。一秒量の決定係数値が既存の決定係数値である０．５に比べて唯一に増加する値であるために、一秒量が上記生体年齢の演算モデルに含まれる３番目検診項目に選定される。一秒量は上記原本集合から除去される。
四番目に上記生体年齢の演算モデルに含まれる三番目の検診項目が選択される。
残り二つの検診項目すべて、既存の決定係数値である０．６より低い決定係数を有する生体年齢の演算を作っている。四番目段階まで進行した結果、原本集合でこれ以上に追加される検診項目が存在しない状況である。従って、四番目段階で上記段階別前進進行段階は終了される。その結果、今回被検診者に対する生体年齢の演算モデルには５つの検診項目中、ＢＭＩ，肺活量、一秒量、総３個だけ変数で含まれるものが好ましい。上記段階別前進進行段階が終了される時点での上記生体年齢の演算モデルが上記受信された検診データに対して適用される生体年齢の演算モデルに確定される。
次に、上記受信された検診データを上記確定された生体年齢の演算モデルによる生体年齢の算出式に入力して被検診者の生体年齢を演算することができる。
一実施例によると、上記検診データを上記サンプルデータに追加することによって、次の被検診者のためのサンプルに活用することができる。
本発明による段階別前進選択段階は被検診者の検診データに含まれた検診項目中で生体年齢の演算モデルに含まれる少なくとも一部の検診項目を一つずつ追加する過程である。データによって、段階別前進選択段階を進行するほど、上記決定係数値が継続増加する場合も存在することができるために、被検診者の検診データに含まれる検診項目すべてが上記生体年齢の演算モデルに含まれる場合も発生することができることはもちろんである。
一方、被検診者の検診データと類似したパータンを示すことができるサンプルを利用することがより正確な生体年齢の演算モデルを生成するのに有利である。従って、上記段階別前進選択段階で上記テストモデルに入力されるサンプルは上記受信された検診データの被検診者と類似な身上情報を有するサンプルに制限されることができる。例えば、上記テストモデルに入力されるサンプルは上記被検診者の性別と同一で、上記被検診者の実際年齢を基準にして予め指定された範囲の実際年齢を有するもので制限されることができる。
上記段階別前進選択段階で、上記決定係数を既存のテストモデルのそれに比べて最大限に増加させるか可否だけではなく、追加的な選択基準に使用されることができる。
一実施例によると、上記テスト検診項目の数値データを有するサンプルの数が予め指定された限界値以下である場合、上記テスト検診項目から除外されることができる。他の実施例によると、上記テストモデルに含まれた検診項目の検診数値をすべて有するサンプルの数が予め指定された限界値以下である場合、上記テスト検診項目から除外されることができる。サンプルの数が上記限界値未満である場合、統計データとしての信頼度を付与しにくいためである。
また、一実施例によると、上記テストモデルに含まれた検診項目中少なくとも一つと相関係数（Ｒ）が予め指定された限界値を超過する上記テスト検診項目は上記テスト検診項目から除外されることができる。これは、テストモデルに予め含まれた検診項目と相関関係が高い検診項目が新たにテストモデルに含まれることになると、既存の検診項目がテストモデルで占める影響力が減少する逆効果を防止するためである。また、テストモデルに相関関係が高い検診項目が含まれる場合、主成分分析過程で遂行する行列演算過程中シンギュラリティ（ｓｉｎｇｕｌａｒｉｔｙ）現象が発生されて固有値（ｅｉｇｅｎ ｖａｌｕｅ）が正しく演算されない問題を防止するためでもある。
上記相関係数演算の正確性のための、上記相関係数は上記テストモデルに含まれた全体検診項目の検診数値を有するサンプルデータを利用して算出されることができる。
本発明の一様態で、上記現在生存している時点からｔ年後までの生存確率（統計庁資料）は、例えば表２の期待余命表及び図２を使用することができる。
また、本発明の一様態での年齢別の生存確率を表３に示した。
他の観点で、本発明はｘ軸を期待余命（ＥＲ），ｙ軸を上記健康検診結果を利用して測定された生体年齢と式（１）を利用した生存確率の測定方法で測定されたＴ年後までの生存確率にして作成したグラプで、ｙ軸の生存確率値に対応するｘ軸の値を健康検診を受けた日から残った残余寿命にするものを特徴にする残余寿命の予測方法に関すものである。
本発明の残余寿命の予測方法は図１に示したことのように、測定対象の性別、年齢資料と健康検診資料と生体年齢計算アルゴリズム（式（２）〜（３））を利用して、個人の生体年齢を計算して、上記生体年齢と式（１）を利用して年齢別ｔ年後生存確率を計算した後、ｘ軸を期待余命（ＥＲ），ｙ軸を上記方法で測定したｔ年後生存確率にして、上記方法で測定されたｔ年生存確率を示したグラプを利用して性別、年齢別残余寿命を計算するものである。
本発明の残余寿命計算システムでは２０１３年統計庁資料を基盤にした年齢別生存確率値を使用したが（表２及び図４参照）、これに限定されることではなく毎年または一定期間ごとに統計庁で新しく発表される値を利用して正確度を堤高することができることは通常の技術者には自明なことである。
具体的な例を通じて本発明による残余寿命の予測方法を説明する。韓国人５０歳男性（出生年齢５０歳）の平均残余寿命は３０．５７歳（表１参照）に示されたが、このような５０歳男性の生存確率は約０．５５９５（表２参照）である。
以後ｘ軸を期待余命（ＥＲ），ｙ軸を上記方法で測定したｔ年後生存確率にして、上記方法で測定されたｔ年生存確率を示したグラプで、ｙ軸でこの生存確率値の位置を取ってここからｘ軸に平行した仮想線を設定して、５０歳男性の生存確率グラプとあう点のｘ軸値が間違いなく本発明による残余寿命がなることである（図４）。
もし、韓国人５０歳男性中、生体年齢が出生年齢より５歳更に多い（Ｄ＝生体年齢−出生年齢＝５）ヒトの残余寿命を生存確率グラプを利用して測定すると、残余寿命が３０．５歳より顕著に低いことを確認することができた（図５）。
また、韓国人５０歳男性中、生体年齢が出生年齢より５歳更に少ない（Ｄ＝生体年齢−出生年齢＝−５）ヒトの残余寿命を生存確率グラプを利用して測定した結果、残余寿命が３０．５歳より顕著に高いことを確認することができた（図６）。
一つの具体例で、本発明による残余寿命の予測方法を利用して算出した結果、出生年齢５０歳である男子の期待寿命を確認した結果、Ｄ（生体年齢−出生年齢）が−４．５歳であるとき、期待寿命は９１．９歳であって、Ｄ＝０歳であるとき８０．０歳（韓国人平均）であり、Ｄ＝４．５歳であるとき６９．３歳であった。
また他の様態で、出生年齢５０歳である女子の期待寿命を確認した結果、Ｄ＝−４．３歳であるとき９４．３歳であって、Ｄ＝０歳であるとき８６．３歳（韓国人平均）であり、Ｄ＝４．２歳であるとき７９．１歳であった。
本発明の他の様態では本発明の残余寿命の予測方法を利用して韓国人男／女の１０，０００名を年齢別に分けて残余寿命を測定しており、その結果を各々図７及び図８に示した。
以上で本発明内容の特定な部分を詳細に記述したが、当業界の通常の知識を有する者においてこのような具体的な記述は単なる好適な実施様態に過ぎず、これにより本発明の範囲が制限されることではないという点は明らかである。よって、本発明の実質的な範囲は添付された請求項とこれらの等価物により定義されるといえる。
本発明によると、既存の生体年齢を考慮しない残余寿命の予測方法に比べてはるかに正確に残余寿命を予測することができる。
Claims (7)
- 下記のステップを含む生存確率の測定方法を実施するコンピュータプログラム：
（ａ）被験者の健康検診項目別の検診数値を含む検診データを受信するステップ；
（ｂ）上記検診データと下記の式（２）〜（３）を利用して、生体年齢を測定するステップ；及び
（ｃ）上記測定された生体年齢と下記の式（１）を利用して、生存確率を測定するステップ：
は検診データのサンプルから計算されたＤの平均、ａはＤが生存確率に及ぼす影響力であって、生存資料を入力値で利用してコックス比例ハザードモデル（ｃｏｘ ｐｒｏｐｏｒｔｉｏｎａｌ ｈａｚａｒｄｓ ｍｏｄｅｌ）アルゴリズムを利用して自動で算出されて出る値で、上記生存資料というものは健康検診を受けた被験者一人ひとりを対象にして以後特定の時点まで観測したとき死亡または生存しているかに対する情報であり、
は生体年齢を利用して補正計算されたｔ年後までの生存確率を示す）
はｊ番目検診項目のサンプル内の平均値、ｓｄ（ｘｊ）はｊ番目検診項目のサンプル内の標準偏差、βｉｊは主成分分析結果ｊ番目検診項目のｉ番目要因値が各サンプルの実際年齢を説明することができる程度、ｍは主成分分析の遂行結果得られた要因個数で、仮生体年齢（ｐｒｅＢＡ）の計算は、主成分分析の結果、固有値（ｅｉｇｅｎ ｖａｌｕｅ）が１以上のｍ個（ｍ＜ｎ）の要因だけ利用して、Ｐｉはｉ番目要因値がｐｒｅＢＡ計算に与える加重値であって、下記の数式１又は数式２を利用して演算され、
は生体年齢（ＢＡ）モデル構築に使用されるすべての個体の出生年齢（ＣＡ）の平均、ｓｄ（ｙ）はｙの標準偏差で、
は各サンプルに対して実際年齢及びｐｒｅＢＡを回帰分析した結果生成された回帰式
を構成する係数であり、上記サンプルは既存の項目別検診データを意味する）。 - Ｂｉｊは健康検診を通じて測定された２個以上の変数（Ｘｊ）を入力値として主成分分析統計アルゴリズムを通じて算出される値であることを特徴とする請求項１に記載のコンピュータプログラム。
- 被験者が男子である場合、ｘは胴回り（ＷＣ）、１秒間努力性気量（ＦＥＶ１）、肝臓酵素（Ｇ―ＧＴＰ）、尿素窒素（ＢＵＮ）、高比重リポタンパク質（ＨＤＬ）、低比重リポ蛋白質（ＬＤＬ）、中性脂肪（ＴＧ）、空腹血糖（ＦＢＳ）、体脂肪率（ＦＢＲ）、筋肉率（ＢＭＲ）、アルブミン―グロブリン比率（ＡＧＲ）及び収縮期血圧（ＳＢＰ）で構成された群から選択される健康検診項目の結果数値であることを特徴とする請求項１又は２に記載のコンピュータプログラム。
- 被験者が男子である場合、ｘは胴回り（ＷＣ）、収縮期血圧（ＳＢＰ）、肝臓酵素（Ｇ―ＧＴＰ）、高比重リポタンパク質（ＨＤＬ）、中性脂肪（ＴＧ）、空腹血糖（ＦＢＳ）、ヘモグロビン、低比重リポ蛋白質（ＬＤＬ）、体質量指数（ＢＭＩ）及び脈圧（ＰＰ）で構成された群から選択される健康検診項目の結果数値であることを特徴とする請求項１又は２に記載のコンピュータプログラム。
- 被験者が女子である場合、ｘは胴回り（ＷＣ）、１秒間努力性気量（ＦＥＶ１）、γ−ＧＴＰ（Ｇ−ＧＴＰ）、尿素窒素（ＢＵＮ）、高比重リポタンパク質（ＨＤＬ）、低比重リポ蛋白質（ＬＤＬ）、中性脂肪（ＴＧ）、空腹血糖（ＦＢＳ）、体脂肪率（ＦＢＲ）、筋肉率（ＢＭＲ）、アルブミン―グロブリン比率（ＡＧＲ）、弛緩期血圧（ＤＢＰ）、赤血球沈降速度（ＥＳＲ）及び体質量指数（ＢＭＩ）で構成された群から選択される健康検診項目の結果数値であることを特徴とする請求項１又は２に記載のコンピュータプログラム。
- 被験者が女子である場合、ｘは、胴回り（ＷＣ）、弛緩期血圧（ＤＢＰ）、肝臓酵素（ＡＳＴ）、高比重リポタンパク質（ＨＤＬ）、中性脂肪（ＴＧ）、空腹血糖（ＦＢＳ）、ヘモグロビン、低比重リポ蛋白質（ＬＤＬ）、体質量指数（ＢＭＩ）及び脈圧（ＰＰ）で構成された群から選択される健康検診項目の結果数値であることを特徴とする請求項１又は２に記載のコンピュータプログラム。
- ｘ軸を期待余命（ＥＲ），ｙ軸を請求項１〜６の何れか一項に記載のコンピュータプログラムで測定されたＴ年後までの生存確率にして作成したグラフで、ｙ軸の被験者の生存確率値に対応するｘ軸の値を被験者の健康検診を受けた日から残った残余寿命にすることを特徴にする残余寿命の測定方法を実施するコンピュータプログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2015-0030331 | 2015-03-04 | ||
| KR1020150030331A KR101669526B1 (ko) | 2015-03-04 | 2015-03-04 | 생체나이를 이용한 잔여 수명 예측방법 |
| PCT/KR2016/000353 WO2016140432A2 (ko) | 2015-03-04 | 2016-01-13 | 생체나이를 이용한 잔여 수명 예측방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018512659A JP2018512659A (ja) | 2018-05-17 |
| JP6640868B2 true JP6640868B2 (ja) | 2020-02-05 |
Family
ID=56848379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017546614A Active JP6640868B2 (ja) | 2015-03-04 | 2016-01-13 | 生体年齢を利用した残余寿命の予測方法 |
Country Status (5)
| Country | Link |
|---|---|
| JP (1) | JP6640868B2 (ja) |
| KR (1) | KR101669526B1 (ja) |
| CN (1) | CN108475542A (ja) |
| HK (1) | HK1256728A1 (ja) |
| WO (1) | WO2016140432A2 (ja) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110392740A (zh) * | 2017-01-25 | 2019-10-29 | 深圳华大生命科学研究院 | 确定人群样本生物指标集、预测生物学年龄的方法及其应用 |
| KR102106428B1 (ko) * | 2018-02-19 | 2020-05-06 | 주식회사 셀바스에이아이 | 건강나이 예측 방법 |
| CN108847284B (zh) * | 2018-05-02 | 2021-03-23 | 莱博生物科技股份有限公司 | 人体生物年龄测算装置及系统 |
| KR102189233B1 (ko) * | 2018-05-17 | 2020-12-09 | 재단법인차세대융합기술연구원 | 생활 나이를 제공하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체 |
| CN110277151A (zh) * | 2019-06-11 | 2019-09-24 | 浙江大学 | 基于常规体检指标的人体生理年龄分析方法、系统及模型 |
| JP7277351B2 (ja) * | 2019-12-23 | 2023-05-18 | Ｔｖｓ Ｒｅｇｚａ株式会社 | 視聴履歴解析装置および視聴履歴解析装置プログラム |
| CN111243738B (zh) * | 2019-12-31 | 2023-04-25 | 东软集团股份有限公司 | 生存分析模型的构建、生存率的预测方法、装置及设备 |
| JP6901169B1 (ja) * | 2020-02-25 | 2021-07-14 | 日新ビジネス開発株式会社 | 年齢学習装置、年齢推定装置、年齢学習方法及び年齢学習プログラム |
| KR102418342B1 (ko) * | 2021-08-13 | 2022-07-08 | 주식회사 유투메드텍 | 식이정보를 이용한 혈당변화 예측 장치 및 그 방법 |
| KR102371440B1 (ko) * | 2021-08-28 | 2022-03-07 | 유진바이오소프트 주식회사 | 개인 맞춤 생체나이 예측 모형 생성 방법 및 시스템 |
| KR20230114081A (ko) | 2022-01-24 | 2023-08-01 | 주식회사 에비드넷 | 건강변화량을 활용한 건강나이 및 건강점수 산출방법 |
| KR20240012704A (ko) | 2022-07-21 | 2024-01-30 | 주식회사 로그미 | 건강나이를 예측하는 장치 및 방법 |
| CN115274098B (zh) * | 2022-08-19 | 2023-04-07 | 北京咯咯网络科技有限公司 | 一种基于骨龄与身高来预测身高的智能系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4062910B2 (ja) * | 2001-11-29 | 2008-03-19 | 株式会社日立製作所 | 健康管理支援方法及び装置と健康余命予測データ生成方法及び装置 |
| KR100673309B1 (ko) * | 2005-04-25 | 2007-01-24 | 김건형 | 잔여수명 예측시스템 및 그 예측서버 제어방법 |
| KR20060131154A (ko) * | 2005-06-15 | 2006-12-20 | 주식회사 리얼 에이지 | 생체 연령 측정 장치 및 그 서비스 방법 |
| JP4619219B2 (ja) * | 2005-07-19 | 2011-01-26 | 株式会社エヌ・ティ・ティ・データ | 被験者選定装置 |
| JP5231835B2 (ja) * | 2008-02-22 | 2013-07-10 | 株式会社東芝 | 健康指導支援システム |
| US8409104B2 (en) * | 2008-05-02 | 2013-04-02 | Conopco Inc. | Heart age assessment |
| JP5185785B2 (ja) * | 2008-11-19 | 2013-04-17 | オムロンヘルスケア株式会社 | 健康状態判断装置 |
| EP2781602A1 (en) * | 2013-03-21 | 2014-09-24 | Universität Konstanz | Method for the determination of biological age in human beings |
| KR101603308B1 (ko) * | 2013-11-20 | 2016-03-14 | 주식회사 바이오에이지 | 생체 나이 연산 모델 생성 방법 및 시스템과, 그 생체 나이 연산 방법 및 시스템 |
-
2015
- 2015-03-04 KR KR1020150030331A patent/KR101669526B1/ko active IP Right Grant
-
2016
- 2016-01-13 WO PCT/KR2016/000353 patent/WO2016140432A2/ko active Application Filing
- 2016-01-13 CN CN201680020966.9A patent/CN108475542A/zh active Pending
- 2016-01-13 JP JP2017546614A patent/JP6640868B2/ja active Active
-
2018
- 2018-12-10 HK HK18115784.8A patent/HK1256728A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| KR101669526B1 (ko) | 2016-10-26 |
| WO2016140432A2 (ko) | 2016-09-09 |
| CN108475542A (zh) | 2018-08-31 |
| JP2018512659A (ja) | 2018-05-17 |
| KR20160107508A (ko) | 2016-09-19 |
| HK1256728A1 (zh) | 2019-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6640868B2 (ja) | 生体年齢を利用した残余寿命の予測方法 | |
| Tran et al. | Automated tuning for parameter identification and uncertainty quantification in multi-scale coronary simulations | |
| CN104736046B (zh) | 用于数字评估脉管系统的系统和方法 | |
| US8793144B2 (en) | Treatment effect prediction system, a treatment effect prediction method, and a computer program product thereof | |
| CN105249954A (zh) | 预测支架术后血液动力学指标的方法和系统 | |
| Chen et al. | Investigating the influence of haemodynamic stimuli on intracranial aneurysm inception | |
| KR101863240B1 (ko) | 스텐트 추천 시스템 및 방법 | |
| De Roeck et al. | Statistical modeling of lower limb kinetics during deep squat and forward lunge | |
| Mamun | Cuff-less blood pressure measurement based on hybrid feature selection algorithm and multi-penalty regularized regression technique | |
| Martens et al. | Association of newborn telomere length with blood pressure in childhood | |
| Dessiso et al. | Bayesian joint modelling of longitudinal and survival data of HIV/AIDS patients: a case study at bale robe general hospital, Ethiopia | |
| JP2022059448A (ja) | 診療支援システム | |
| EP3027763A1 (en) | Real-time feedback system control technology platform with dynamically changing stimulations | |
| CN116313053A (zh) | 术后并发症预测模型训练方法及术后并发症预测方法 | |
| WO2023285622A1 (en) | Prediction of pharmacokinetic curves | |
| Wahab et al. | Tumor localization in breast thermography with various tissue compositions by using Artificial Neural Network | |
| Hansen et al. | Accuracy of a clinical applicable method for prediction of VO2max using seismocardiography | |
| Aggarwal | A machine learning based approach for the identification of insulin resistance with non-invasive parameters using homa-IR | |
| Bouwmans et al. | PRM32 Feasibility and Validity of the TiC-P | |
| Tousi et al. | Comparison of Nearest Neighbor and Caliper Algorithms in Outcome Propensity Score Matching to Study the Relationship between Type 2 Diabetes and Coronary Artery Disease | |
| JP2005052164A (ja) | 疾病リスクシミュレーションシステム | |
| WO2023162958A1 (ja) | 情報処理装置、方法、およびプログラム | |
| Hose et al. | Challenges and progress in the application of physiological models for clinical decision support in cardiovascular medicine | |
| Shastry et al. | Automatic bone age assessment of radiographs using deep learning | |
| Kraushaar et al. | A novel principled method for the measurement of vascular robustness uncovers hidden risk for premature CVD death |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171102 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180116 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180824 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181002 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181225 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20190604 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190906 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20191016 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20191203 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191226 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6640868 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |