JP6818701B2 - 状態遷移予測モデル学習装置、方法およびプログラム - Google Patents

Description

この発明は、検査対象の状態遷移が発生する傾向の大きさを表すスコアを算出するための状態遷移予測モデルを、訓練データを利用して更新する状態遷移予測モデル学習装置、方法およびプログラムに関する。

人が健康から未病（病気になりつつある状態）、発症、重症化へと至る疾病状態の遷移を医療健康データ（検診データやレセプトデータ等）から予測することは、健康維持に向けた施策や治療方針策定、介入支援の効果を高めることに寄与する。例えば、企業で実施した健診結果をもとに発症状態に至りやすい社員を予測できれば、その社員から優先的に保健師が生活習慣を指導して介入の効果を高めることができる。

一般的に、医療健康データを用いた疾病状態の遷移の予測モデル構築には、計測開始日時（例えば、検診を受健した入社時）から最後に計測した日時（例えば、検診を最後に受健した退職時や、現在も勤務していれば直近の受健時）までの期間の検診データと疾病状態が遷移した日時が対になったデータが訓練データとして用いられる。最後に計測した日時に至るまで疾病状態の遷移が発生しなかったデータは、「打ち切り」が生じたデータ（以下、打ち切り訓練データと称する。）として、最後に計測した日時に至るまでに疾病状態の遷移が発生したデータは、疾病状態の遷移が「完了」したデータ（以下、完了訓練データと称する。）として、訓練データに含められる。

疾病状態の遷移の予測を実現する技術として生存時間分析が知られている。生存時間分析を用いることで、疾病状態が遷移するまでの期間の長さと因子との関係性をモデルとして表現できる。例えば、生存時間分析の一手法であるCOX比例ハザードモデルは、因子の有無がある時点における遷移の確率に及ぼす影響の大きさ（ハザード比）を求めることができる（例えば、非特許文献１参照）。しかし、生存時間分析で用いられるモデルの多くは、ハザード比が時間に依存しない変数のみをモデルに含めることを制約とする。それゆえ、生存時間分析の適用範囲は限定的である。

生存時間分析のモデルの制約条件を緩和した方法として、ランキング学習を用いる技術が知られている。このようなランキング学習を用いる技術では、疾病状態が遷移するまでの期間の長さを直接予測せず、疾病状態が遷移するまでの期間の長さに基づく順位が予測される。ランキング学習に使用されるモデルの構築では、疾病状態の遷移のしやすさを表すスコア関数の出力値が順位と一致した大小関係となるように、モデルが学習される（例えば、非特許文献２参照）。しかし、ランキング学習はすべてのレコード間で順位を比較可能であることを前提としているため、訓練データに打ち切り訓練データを含めてモデル学習できない。また、順位を予測対象とするため、疾病状態が遷移するまでの期間の長さを予測することはできない。

D. R. Cox, "Regression Models and Life‐Tables", Journal of the Royal Statistical Society. Series B (Methodological), Vol. 34, No. 2., pp.187-220, 1972.〈URL:http://www.ida.liu.se/~kawah/Cox2.pdf〉 Christopher J. C. Burges, Tal Shaked, Erin Renshaw, Ari Lazier, Matt Deeds, Nicole Hamilton, Gregory N. Hullender. Learning to rank using gradient descent. ICML 2005: 89-96.

上述した生存時間分析では、モデル設計に制約があり、それゆえ適用範囲が限定的であることが課題である。

また、上述したランキング学習は、モデル設計の自由度は生存時間分析よりも高いが、モデルの学習において使用されるすべてのレコード間で順位を比較可能であることを前提としている。そのため、ランキング学習では、訓練データに上述のような打ち切り訓練データを含めてモデル学習できないことと、状態が遷移するまでの期間の長さを直接予測できないことが課題である。

この発明は上記事情に着目してなされたもので、その目的とするところは、検査対象の状態遷移が発生する傾向の大きさを表すスコアを算出するための状態遷移予測モデルを、打ち切り訓練データを利用して更新できる状態遷移予測モデル学習装置、方法およびプログラムを提供することにある。

上記課題を解決するために、この発明の第１の態様は、検査対象に係る所定の検査の結果を含むレコードについて、当該所定の検査の結果に基づいて、当該検査対象の状態遷移が発生する傾向の大きさを表すスコアを算出するための第１予測モデルを学習する状態遷移予測モデル学習装置にあって、前記第１予測モデルを記憶する記憶媒体と、訓練対象に係る前記所定の検査の結果を各々が含む複数時点のレコードと、当該複数時点のレコードの各々に対応する日時で当該訓練対象の状態遷移が発生しているか否かを示す状態遷移発生情報とを含む訓練データを取得する訓練データ取得部と、前記第１予測モデルを使用して、前記取得された訓練データに係るレコードに含まれる前記所定の検査の結果に基づいて、当該レコードに係る前記スコアを算出するスコア算出部と、前記取得された訓練データに係る状態遷移発生情報が、前記複数時点のうちいずれかの時点で前記訓練対象の状態遷移が既に発生していることを示している場合、当該取得された訓練データを完了訓練データとして、当該完了訓練データに含まれる前記複数時点のレコードのうち当該状態遷移が発生する以前の時点のレコードの各々について、当該状態遷移が発生するまでに要した期間の長さを算出する第１期間算出部と、前記取得された訓練データに係る状態遷移発生情報が、前記複数時点のいずれの時点においても前記訓練対象の状態遷移が発生していないことを示している場合、当該取得された訓練データを打ち切り訓練データとして、当該打ち切り訓練データに含まれるレコードの各々について、当該状態遷移が発生するまでに少なくとも要する期間の長さとして、当該レコードに対応する日時から前記複数時点のうち最後の時点のレコードに対応する日時までの期間の長さに、予め設定された期間の長さを加えた期間の長さを算出する第２期間算出部と、前記取得された各訓練データに含まれるレコードのうち２つのレコードを選択するレコード選択部と、前記選択された２つのレコードのうち一方が前記打ち切り訓練データに含まれるレコードであり、もう一方が前記完了訓練データに含まれるレコードであり、かつ、当該打ち切り訓練データに含まれるレコードについて前記算出された前記状態遷移が発生するまでに少なくとも要する期間の長さと比較して、当該完了訓練データに含まれるレコードについて前記算出された前記状態遷移が発生するまでに要した期間の長さが小さい場合に、当該２つのレコードについて前記スコア算出部によって算出されるスコアの大小関係が、当該２つのレコードについて前記算出された期間の長さの大小関係に対応するように、前記第１予測モデルを更新する第１更新部とを備えるようにしたものである。

この発明の第２の態様は、前記状態遷移予測モデル学習装置が、前記選択された２つのレコードの各々が前記完了訓練データからのレコードである場合に、当該２つのレコードについて前記スコア算出部によって算出されるスコアの大小関係が、当該２つのレコードについて前記算出された前記状態遷移が発生するまでに要した期間の長さの大小関係に対応するように、前記第１予測モデルを更新する第２更新部をさらに備えるようにしたものである。

この発明の第３の態様は、前記第１期間算出部が、前記完了訓練データに含まれる前記複数時点のレコードについて、当該複数時点のうち任意の隣接する２つの時点の間の期間が所定の期間を超えており、かつ、当該所定の期間を超える２つの時点のうち後の時点のレコードが、前記訓練対象の状態遷移が既に発生していると示された最初の時点のレコードである場合、当該完了訓練データに含まれる前記複数時点のレコードのうち当該状態遷移が発生する以前の時点のレコードの各々について、前記状態遷移が発生するまでに要した期間の長さとして、当該レコードに対応する日時から当該状態遷移が既に発生していると示された最初の時点のレコードに対応する日時までの期間の長さ以下であり、当該期間の長さから、前記所定の期間を超える２つの時点の間の期間に対応する期間の長さを引いた期間の長さ以上である範囲を算出するようにしたものである。

この発明の第４の態様は、前記記憶媒体が、前記検査対象に係る前記レコードについて前記第１予測モデルを使用して算出されたスコアに基づいて、当該レコードに対応する日時から当該検査対象の状態遷移が発生するまでの期間の長さを推定するための第２予測モデルをさらに記憶し、前記状態遷移予測モデル学習装置が、前記第２予測モデルを使用して、前記訓練対象に係る前記完了訓練データに含まれるレコードについて前記第１予測モデルを使用して算出されたスコアに基づいて、当該レコードに対応する日時から当該訓練対象の状態遷移が発生するまでの期間の長さを推定する期間推定部と、前記訓練対象に係る前記完了訓練データに含まれるレコードについて前記期間推定部によって推定された状態遷移が発生するまでの期間の長さと、当該レコードについて前記第１期間算出部によって算出された前記状態遷移が発生するまでに要した期間の長さとに基づいて、前記第２予測モデルを更新する第３更新部とをさらに備えるようにしたものである。

本願発明では、状態遷移が発生する傾向の大きさを表すスコアを算出するための第１予測モデルの設計で変数を制約なく加えられ、また、完了訓練データのみならず打ち切り訓練データをも利用して第１予測モデルを学習できる。このため、従来よりも利用可能な訓練データの変数の種類とデータの量が豊富で、訓練データの収集が容易となり、実用に耐えうる第１予測モデルとなるまでの構築期間が従来と比べて短くなるという顕著な効果がある。

また、本願発明では、第１予測モデルの構築期間が短くなるので、第１予測モデルを使用して状態遷移が発生するまでの期間の長さを推定することに関し、精度が高い期間推定を行えるようになるまでの所要時間が従来と比べて短くなるという顕著な効果がある。

この発明の第１の実施形態に係る状態遷移予測装置の機能構成を示すブロック図。 図１に示した制御ユニットによって実行される、訓練段階における第１予測モデル学習処理の一例を示すフロー図。 図１に示した制御ユニットによって実行される、訓練段階における第２予測モデル学習処理の一例を示すフロー図。 図１に示した制御ユニットによって実行される、テスト段階における遷移予測処理の一例を示すフロー図。 訓練データの一例を示す図。 訓練データの一例を示す図。 訓練データの一例を示す図。 図５Ａに示した訓練データにおいて、状態遷移が発生するまでの期間の長さを算出した例を示す図。 図５Ｂに示した訓練データにおいて、状態遷移が発生するまでの期間の長さを算出した例を示す図。 図５Ｃに示した訓練データにおいて、状態遷移が発生するまでの期間の長さを算出した例を示す図。 遷移予測処理において使用される第１予測モデルと第２予測モデルの一例を示す図。 第１予測モデル学習処理の一例の概略図。 第２予測モデル学習処理の一例の概略図。 テストデータの一例を示す図。 テストデータに基づく遷移予測処理の一例の概略図。 表示部において出力される遷移予測処理結果の表示の一例を示す図。

以下、図面を参照してこの発明に係わる実施形態を説明する。
［第１の実施形態］
（構成）
図１は、この発明の第１の実施形態に係る、状態遷移予測モデル学習装置としての状態遷移予測装置１の機能構成を示すブロック図である。

図１に図示される状態遷移予測装置１は、検査対象の状態遷移が発生する傾向の大きさを表すスコアを算出するための第１予測モデル、および、当該算出されたスコアに基づいて上記検査対象の状態遷移が発生するまでの期間の長さを推定するための第２予測モデルを、打ち切り訓練データを含む訓練データを利用して更新して学習することができる。また、状態遷移予測モデル１は、このように学習された第１予測モデルおよび第２予測モデルを使用して、検査対象に係る状態遷移予測を実行することができる。

なお、状態遷移とは、例えば、人が健康から未病（病気になりつつある状態）、発症、重症化へと至る疾病状態の遷移である。なお、この発明の第１の実施形態に係る状態遷移は、上述した疾病状態の遷移に限られるものではなく、状態が遷移し、遷移するまでの期間が条件によって異なる任意のものを対象とする。すなわち、上記状態遷移は、例えば、サービスの契約前・契約後・解約といった顧客状態の遷移や、化学反応による物質の状態の遷移や、風化等の劣化による物質の破壊状態の遷移等を表していてもよい。

状態遷移予測装置１は、ハードウェアとして、制御ユニット１１と、記憶ユニット１２と、入出力インタフェースユニット１３とを備えている。

入出力インタフェースユニット１３は、例えば、キーボードやマウス等を含む入力部２によって入力された訓練データ、テストデータ、および操作信号等を制御ユニット１１に入力するとともに、制御ユニット１１から出力された表示データを表示部３に表示させる。当該訓練データは、例えば、訓練対象に係る所定の検査の結果を各々が含む複数時点のレコードと、当該複数時点のレコードの各々に対応する日時で当該訓練対象の状態遷移が発生しているか否かを示す状態遷移発生情報とを含んでいる。なお、当該対応する日時とは、例えば、各レコードが記録された年度や日時等の、各レコードを代表する日時である。また、テストデータは、検査対象に係る上記所定の検査の結果を含むレコードを含んでいる。

記憶ユニット１２は、記憶媒体として例えばＨＤＤ（Hard Disc Drive）またはＳＳＤ（Solid State Drive）等の随時書き込みおよび読み出しが可能な不揮発メモリを使用したもので、本実施形態を実現するために、訓練データ記憶部１２１と、管理データ記憶部１２２と、予測モデル記憶部１２３と、テストデータ記憶部１２４と、予測結果記憶部１２５とを備えている。

訓練データ記憶部１２１は、入力部２を介して取得された上記訓練データを記憶させるために使用される。

管理データ記憶部１２２は、訓練データ管理部１１２の制御下で処理された上記訓練データに係るデータを記憶させるために使用される。

予測モデル記憶部１２３は、状態遷移予測モデルとしての、第１予測モデルおよび第２予測モデルを記憶している。当該第１予測モデルは、検査対象に係る所定の検査の結果を含むレコードについて、当該所定の検査の結果に基づいて、当該検査対象の状態遷移が発生する傾向の大きさを表すスコアを算出するために使用されるモデルである。また、当該第２予測モデルは、上記検査対象に係る上記レコードについて第１予測モデルを使用して算出されたスコアに基づいて、当該レコードに対応する日時から当該検査対象の状態遷移が発生するまでの期間の長さを推定するために使用されるモデルである。

テストデータ記憶部１２４は、入力部２を介して取得されたテストデータを記憶させるために使用される。

予測結果記憶部１２５は、遷移予測部１１４の制御下で予測された結果である、テストデータに係る検査対象の状態遷移が発生するまでの期間の長さに係る情報を記憶させるために使用される。

制御ユニット１１は、ＣＰＵ（Central Processing Unit）等のハードウェアプロセッサと、プログラムメモリとを備え、本実施形態における処理機能を実行するために、訓練データ取得部１１１と、訓練データ管理部１１２と、モデル学習部１１３と、遷移予測部１１４と、テストデータ取得部１１５と、出力制御部１１６とを備えている。これらの各部における処理機能はいずれも、プログラムメモリに格納されたプログラムを上記ハードウェアプロセッサに実行させることによって実現される。なお、プログラムメモリに格納されたプログラムを用いるのではなく、ネットワークを通して提供されるプログラムを用いてもよい。

訓練データ取得部１１１は、入力部２によって入力された訓練データを取得し、当該取得された訓練データを、記憶ユニット１２の訓練データ記憶部１２１に記憶させる処理を実行する。なお、訓練データは、訓練対象に係る所定の検査の結果を各々が含む複数時点のレコードと、当該複数時点のレコードの各々に対応する日時で当該訓練対象の状態遷移が発生しているか否かを示す状態遷移発生情報とを含んでいる。

訓練データ管理部１１２は、記憶ユニット１２の訓練データ記憶部１２１に記憶される訓練データを読み出し、当該読み出された訓練データの管理に係る処理を実行する。

具体的には、訓練データ管理部１１２が備えるデータ種判別部１１２１が、上記読み出された訓練データに含まれる上記状態遷移発生情報を参照し、上記複数時点のうちいずれかの時点で訓練対象の状態遷移が既に発生しているか否かを判定する処理を実行する。データ種判別部１１２１は、上記複数時点のうちいずれかの時点で訓練対象の状態遷移が既に発生していると判定された場合、上記読み出された訓練データが完了訓練データであると判別し、一方、上記複数時点のいずれの時点においても訓練対象の状態遷移が発生していないと判定された場合、上記読み出された訓練データが打ち切り訓練データであると判別する処理を実行する。

次に、訓練データ管理部１１２が備える遷移期間算出部１１２２は、上記読み出された訓練データが完了訓練データである場合には、当該完了訓練データに含まれる上記複数時点のレコードのうち上記状態遷移が発生する以前の時点のレコードの各々について、当該状態遷移が発生するまでに要した期間の長さを算出する処理を実行する。

遷移期間算出部１１２２は、上記読み出された訓練データが打ち切り訓練データである場合には、当該打ち切り訓練データに含まれるレコードの各々について、上記状態遷移が発生するまでに少なくとも要する期間の長さとして、当該レコードに対応する日時から上記複数時点のうち最後の時点のレコードに対応する日時までの期間の長さに、予め設定された期間の長さを加えた期間の長さを算出する処理を実行する。なお、当該予め設定された期間の長さは、例えば、訓練データに等間隔の複数時点のレコードが含まれている場合は、当該複数時点のうち隣接する２つの時点の間隔の長さであってもよい。当該予め設定された期間の長さはこれに限定されるわけではなく、最後の時点のレコードに対応する日時から状態遷移が発生しないであろう先の時点までの任意の間隔の長さであってもよい。

訓練データ管理部１１２は、上記読み出された訓練データに、データ種判別部１１２１の制御の下で判別された、当該訓練データが完了訓練データであるか打ち切り訓練データであるかの情報を対応付け、さらに、当該訓練データに含まれる上記複数時点のレコードの各レコードに、遷移期間算出部１１２２の制御の下で当該レコードについて算出された、上記状態遷移が発生するまでに要した期間の長さ、あるいは、上記状態遷移が発生するまでに少なくとも要する期間の長さを示す情報を対応付けて、記憶ユニット１２の管理データ記憶部１２２に記憶させる処理を実行する。

モデル学習部１１３は、記憶ユニット１２の予測モデル記憶部１２３に記憶される第１予測モデルおよび第２予測モデルを更新して学習する処理を実行する。

最初に、モデル学習部１１３において実行される第１予測モデルの更新処理について説明する。
先ず、モデル学習部１１３は、記憶ユニット１２の管理データ記憶部１２２に記憶される各訓練データに含まれるレコードのうち２つのレコードを選択して読み出す処理を実行する。次に、モデル学習部１１３は、当該選択された２つのレコードが比較可能なレコードか否かを判定する。すなわち、モデル学習部１１３は、選択された２つのレコードの各々が完了訓練データからのレコードであるという第１条件を満たすか否かを判定する。あるいは、モデル学習部１１３は、選択された２つのレコードのうち一方が打ち切り訓練データに含まれるレコードであり、もう一方が完了訓練データに含まれるレコードであり、かつ、管理データ記憶部１２２に記憶される、当該打ち切り訓練データに含まれるレコードについて算出された上記状態遷移が発生するまでに少なくとも要する期間の長さと比較して、管理データ記憶部１２２に記憶される、当該完了訓練データに含まれるレコードについて算出された上記状態遷移が発生するまでに要した期間の長さが小さいという第２条件を満たすか否かを判定する。

上述した第１条件と第２条件とのいずれかの条件が満たされた場合、当該選択された２つのレコードの各々について、遷移予測部１１４が、記憶ユニット１２の予測モデル記憶部１２３に記憶される第１予測モデルを読み出し、当該読み出された第１予測モデルを使用して、当該レコードに含まれる上記所定の検査の結果に基づいて、当該レコードに係る上記スコアを算出する処理を実行する。

モデル学習部１１３は、上記選択された２つのレコードについて遷移予測部１１４の制御下で算出された上記スコアの大小関係が、記憶ユニット１２の管理データ記憶部１２２に記憶される、当該２つのレコードについて遷移期間算出部１１２２の制御下で算出された上記期間の長さの大小関係に対応するように、記憶ユニット１２の予測モデル記憶部１２３に記憶される第１予測モデルのパラメータを更新する処理を実行する。

次に、モデル学習部１１３において実行される第２予測モデルの更新処理について説明する。
先ず、モデル学習部１１３は、記憶ユニット１２の管理データ記憶部１２２に記憶される完了訓練データに含まれるレコードのうち１つのレコードを選択して読み出す処理を実行する。

次に、当該選択された１つのレコードについて、遷移予測部１１４が、記憶ユニット１２の予測モデル記憶部１２３に記憶される第１予測モデルを読み出し、当該読み出された第１予測モデルを使用して、当該レコードに含まれる上記所定の検査の結果に基づいて、当該レコードに係る上記スコアを算出する処理を実行する。

さらに、遷移予測部１１４は、記憶ユニット１２の予測モデル記憶部１２３に記憶される第２予測モデルを読み出し、当該読み出された第２予測モデルを使用して、上記選択された１つのレコードについて第１予測モデルを使用して算出された上記スコアに基づいて、当該レコードに対応する日時から当該レコードに係る検査対象の状態遷移が発生するまでの期間の長さを推定する処理を実行する。

次に、モデル学習部１１３は、上記選択された１つのレコードについて遷移予測部１１４の制御の下で推定された上記状態遷移が発生するまでの期間の長さと、記憶ユニット１２の管理データ記憶部１２２に記憶される、当該レコードについて算出された上記状態遷移が発生するまでに要した期間の長さとに基づいて、記憶ユニット１２の予測モデル記憶部１２３に記憶される第２予測モデルのパラメータを更新する処理を実行する。

遷移予測部１１４は、第１予測モデルおよび第２予測モデルを使用して、テストデータについて遷移予測処理を実行することができる。
先ず、テストデータ取得部１１５が、入力部２によって入力されたテストデータを取得し、当該取得されたテストデータを、記憶ユニット１２のテストデータ記憶部１２４に記憶させる処理を実行する。なお、テストデータは、検査対象に係る上記所定の検査の結果を含むレコードを含んでいる。

遷移予測部１１４は、記憶ユニット１２のテストデータ記憶部１２４に記憶されるテストデータを読み出し、さらに、記憶ユニット１２の予測モデル記憶部１２３に記憶される第１予測モデルを読み出す処理を実行する。遷移予測部１１４は、当該読み出された第１予測モデルを使用して、上記読み出されたテストデータに係るレコードに含まれる上記所定の検査の結果に基づいて、当該レコードに係る上記スコアを算出する処理を実行する。

さらに、遷移予測部１１４は、記憶ユニット１２の予測モデル記憶部１２３に記憶される第２予測モデルを読み出す処理を実行することができる。遷移予測部１１４は、当該読み出された第２予測モデルを使用して、上記テストデータに係るレコードについて第１予測モデルを使用して算出された上記スコアに基づいて、当該レコードに対応する日時から上記検査対象の状態遷移が発生するまでの期間の長さを推定する処理を実行することができる。

遷移予測部１１４は、上記テストデータに係るレコードについて第１予測モデルを使用して算出された上記スコアを示すデータを、あるいは、上記テストデータに係るレコードについて第２予測モデルを使用して推定された上記状態遷移が発生するまでの期間の長さを示すデータを、記憶ユニット１２の予測結果記憶部１２５に記憶させる処理を実行する。

出力制御部１１６は、記憶ユニット１２の予測結果記憶部１２５にアクセスし、上記テストデータに係るレコードについて第１予測モデルを使用して算出された上記スコアを示すデータを表す表示データを、あるいは、上記テストデータに係るレコードについて第２予測モデルを使用して推定された上記状態遷移が発生するまでの期間の長さを示すデータを表す表示データを、入出力インタフェースユニット１３を介して表示部３に送信する処理を実行する。

（動作）
次に、以上のように構成された状態遷移予測装置１の動作を説明する。
図２は、図１に示した制御ユニット１１によって実行される、訓練段階における第１予測モデル学習処理の一例を示すフロー図であり、図３は、図１に示した制御ユニット１１によって実行される、訓練段階における第２予測モデル学習処理の一例を示すフロー図である。図４は、図１に示した制御ユニットによって実行される、テスト段階における遷移予測処理の一例を示すフロー図である。
以下では、これらのフロー図について、図５から図１２を参照しながら詳細に説明する。

（１）第１予測モデル学習処理
最初に、図２に示す、訓練段階における第１予測モデル学習処理について詳細に説明する。

先ず、ステップＳ１１において、制御ユニット１１は、訓練データ取得部１１１の制御の下、入力部２によって入力された訓練データを取得し、当該取得された訓練データを訓練データ記憶部１２１に記憶させる。なお、訓練データは、訓練対象に係る所定の検査の結果を各々が含む複数時点のレコードと、当該複数時点のレコードの各々に対応する日時で当該訓練対象の状態遷移が発生しているか否かを示す状態遷移発生情報とを含んでいる。

図５Ａ、図５Ｂ、および図５Ｃはそれぞれ、訓練データとしての、Ａ、Ｂ、およびＣの３人の医療健康データの一例を示している。各医療健康データは、検査対象としてのＡ、Ｂ、およびＣに係る所定の検査の結果である「ＨｂＡ１ｃ」、「ＢＭＩ」、および「体脂肪」の数値を各々が含む複数時点のレコードと、当該複数時点のレコードの各々に対応する日時でＡ、Ｂ、およびＣの状態遷移が発生すなわち発症しているか否かを示す状態遷移発生情報としての「発症」の項目とを含んでいる。

図５Ａに示されるように、Ａについては、２００９年から２０１３年までの各年について１つの５年分のレコードがあり、２０１２年に発症していることが示されている。図５Ｂに示されるように、Ｂについては、２００５年、２００６年、および２００８年の各年について１つの３年分のレコードがあり、２００７年のレコードは欠落しており、２００８年に発症していることが示されている。図５Ｃに示されるように、Ｃについては、２００３年から２００６年までの各年について１つの４年分のレコードがあり、この期間に発症していないことが示されている。

次に、ステップＳ１２において、制御ユニット１１は、訓練データ管理部１１２の制御の下、訓練データ記憶部１２１に記憶される訓練データを読み出し、訓練データ管理部１１２のデータ種判別部１１２１の制御の下、上記読み出された訓練データに含まれる上記状態遷移発生情報を参照し、上記複数時点のうちいずれかの時点で訓練対象の状態遷移が既に発生しているか否かを判定する。その後、制御ユニット１１は、データ種判別部１１２１の制御の下、上記複数時点のうちいずれかの時点で訓練対象の状態遷移が既に発生していると判定された場合、上記読み出された訓練データが完了訓練データであると判別し、一方、上記複数時点のいずれの時点においても訓練対象の状態遷移が発生していないと判定された場合、上記読み出された訓練データが打ち切り訓練データであると判別する。

図５Ａ、図５Ｂ、および図５Ｃの例では、Ａに係る医療健康データについては、「発症」の項目により、２０１２年および２０１３年のレコードに対応する時点でＡの疾病状態の遷移が既に発生すなわち発症していることが示されているため、Ａに係る医療健康データは完了訓練データであると判別される。同様に、Ｂに係る医療健康データについても、「発症」の項目により、２００８年のレコードに対応する時点でＢの疾病状態の遷移が既に発生すなわち発症していることが示されているため、Ｂに係る医療健康データも完了訓練データであると判別される。一方、Ｃに係る医療健康データについては、「発症」の項目により、すべてのレコードに対応する時点でＣの疾病状態の遷移が未だ発生していないすなわち発症していないことが示されているため、Ｃに係る医療健康データは打ち切り訓練データであると判別される。

ステップＳ１３において、制御ユニット１１は、訓練データ管理部１１２の遷移期間算出部１１２２の制御の下、上記読み出された訓練データが完了訓練データである場合には、当該完了訓練データに含まれる上記複数時点のレコードのうち上記状態遷移が発生する以前の時点のレコードの各々について、当該状態遷移が発生するまでに要した期間の長さを算出する。一方、制御ユニット１１は、遷移期間算出部１１２２の制御の下、上記読み出された訓練データが打ち切り訓練データである場合には、当該打ち切り訓練データに含まれるレコードの各々について、上記状態遷移が発生するまでに少なくとも要する期間の長さとして、当該レコードに対応する日時から上記複数時点のうち最後の時点のレコードに対応する日時までの期間の長さに、予め設定された期間の長さを加えた期間の長さを算出する。

制御ユニット１１は、訓練データ管理部１１２の制御の下、上記読み出された訓練データに、ステップＳ１２において判別された、当該訓練データが完了訓練データであるか打ち切り訓練データであるかの情報を対応付け、さらに、当該訓練データに含まれる上記複数時点のレコードの各レコードに、ステップＳ１３において当該レコードについて算出された、上記状態遷移が発生するまでに要した期間の長さ、あるいは、上記状態遷移が発生するまでに少なくとも要する期間の長さを示す情報を対応付けて、管理データ記憶部１２２に記憶させる。

図６Ａ、図６Ｂ、および図６Ｃはそれぞれ、図５Ａ、図５Ｂ、および図５Ｃに示した医療健康データにおいて、発症に至るまでの期間の長さ（年）を算出した例を示す図である。

図５Ａに示されるＡに係る医療健康データは、２０１２年に発症していることが示されている完了訓練データであり、２００９年から２０１３年までの各年について１つの５年分のレコードを含んでいる。このため、発症する以前である２００９年から２０１２年の時点のレコードの各々について、発症に至るまでに要した期間の長さが算出される。すなわち、図６Ａに示されているように、２００９年、２０１０年、２０１１年、および２０１２年の時点のレコードに対してそれぞれ、３年、２年、１年、および０年の期間が算出されている。

図５Ｂに示されるＢに係る医療健康データは、２００８年に発症していることが示されている完了訓練データであるが、２００５年、２００６年、および２００８年の各年について１つの３年分のレコードを含んでいる一方、２００７年のレコードを欠落している。当該医療健康データでは、２００８年に発症していることが示されているが、欠落しているレコードに対応する２００７年に発症しているか否かはわからない。したがって、図６Ｂに示されているように、２００５年、２００６年、および２００７年の時点の各レコードに対してそれぞれ、発症に至るまでに要した期間の長さとして、２００７年に発症した場合の期間の長さと２００８年に発症した場合の期間の長さを並べて、２もしくは３年、１もしくは２年、および、０もしくは１年の期間が算出されている。

当該期間の算出は、例えば、完了訓練データに含まれる複数時点のレコードについて、当該複数時点のうち任意の隣接する２つの時点の間の期間が所定の期間を超えており、かつ、当該所定の期間を超える２つの時点のうち後の時点のレコードが、訓練対象の状態遷移が既に発生していると示された最初の時点のレコードである場合、当該完了訓練データに含まれる複数時点のレコードのうち当該状態遷移が発生する以前の時点のレコードの各々について、状態遷移が発生するまでに要した期間の長さとして、当該レコードに対応する日時から当該状態遷移が既に発生していると示された最初の時点のレコードに対応する日時までの期間の長さ以下であり、当該期間の長さから、上記所定の期間を超える２つの時点の間の期間に対応する期間の長さを引いた期間の長さ以上である範囲を算出するようにすればよい。図６Ｂの例では、上記所定の期間として、１年を用いており、上記所定の期間を超える２つの時点の間の期間に対応する期間の長さとして、２つの時点の間の期間から１年を引いた期間の長さを用いている。なお、当該所定の期間、および、２つの時点の間の期間に対応する期間の長さは、訓練データに含まれる複数時点のレコードの時間的な間隔に応じてオペレータが設定することができる。

図５Ｃに示されるＣに係る医療健康データは、２００３年から２００６年までの各年について１つの４年分のレコードを含んでおり、この期間に発症していない打ち切り訓練データである。このため、当該打ち切り訓練データに含まれる２００３年から２００６年の時点のレコードの各々について、発症に至るまでに少なくとも要する期間の長さとして、当該レコードに対応する日時から最後の時点の２００６年の時点のレコードに対応する日時までの期間の長さに、予め設定された期間の長さを加えた期間の長さが算出される。予め設定された期間の長さとしては、例えば、この後少なくとも１年間は発症しないとして１年を用いる。この場合、図６Ｃに示されているように、２００３年、２００４年、２００５年、および２００６年の時点のレコードに対してそれぞれ、発症に至るまでに少なくとも要する期間の長さとして、４年、３年、２年、および１年の期間が算出され、「期間」の項目に、４＋、３＋、２＋、および１＋と示されている。

ステップＳ１４において、制御ユニット１１は、モデル学習部１１３の制御の下、管理データ記憶部１２２に記憶される各訓練データに含まれるレコードのうち２つのレコードを選択して読み出す。

ステップＳ１５において、制御ユニット１１は、モデル学習部１１３の制御の下、選択された２つのレコードが比較可能なレコードか否かを判定する。すなわち、制御ユニット１１は、選択された２つのレコードの各々が完了訓練データからのレコードであるという第１条件を満たすか否かを判定する。あるいは、制御ユニット１１は、選択された２つのレコードのうち一方が打ち切り訓練データに含まれるレコードであり、もう一方が完了訓練データに含まれるレコードであり、かつ、管理データ記憶部１２２に記憶される、当該打ち切り訓練データに含まれるレコードについて算出された上記状態遷移が発生するまでに少なくとも要する期間の長さと比較して、管理データ記憶部１２２に記憶される、当該完了訓練データに含まれるレコードについて算出された上記状態遷移が発生するまでに要した期間の長さが小さいという第２条件を満たすか否かを判定する。いずれの条件も満たされない場合は、ステップＳ１４における処理が再度実行される。

上述した第１条件と第２条件とのいずれかの条件が満たされた場合、ステップＳ１６において、制御ユニット１１は、遷移予測部１１４の制御の下、上記選択された２つのレコードの各々について、予測モデル記憶部１２３に記憶される第１予測モデルを読み出して使用して、当該レコードに含まれる上記所定の検査の結果に基づいて、当該レコードに係るスコアを算出する。

ステップＳ１７において、制御ユニット１１は、モデル学習部１１３の制御の下、上記選択された２つのレコードについてステップＳ１６において算出されたスコアの大小関係が、管理データ記憶部１２２に記憶される、当該２つのレコードについてステップＳ１３において算出された期間の長さの大小関係に対応するように、予測モデル記憶部１２３に記憶される第１予測モデルのパラメータを更新する。

図７は、遷移予測処理において使用される、多層ニューラルネットワークを用いた第１予測モデルと第２予測モデルの一例を示す図である。状態遷移予測モデルは、第１予測モデルと第２予測モデルとを結合したものとして構成される。第１予測モデルは、入力側から順に、全結合層ａ１、Batch Normalization層ｂ１、ReLU（Rectified Linear Unit）関数、全結合層ａ２、Batch Normalization層ｂ２、ReLU（Rectified Linear Unit）関数、全結合層ａ３が結合した多層構成となっている。また、第２予測モデルは、入力側から順に、全結合層ａ４、Batch Normalization層ｂ３、ReLU（Rectified Linear Unit）関数、全結合層ａ５が結合した多層構成となっている。第１予測モデルの出力は第２予測モデルの入力となるように結合されている。第１予測モデルの出力はスコアとして用いられる。第２予測モデルの出力は状態遷移が発生するまでの期間の長さとして用いられる。全結合層は、入力層と出力層との間で入力ノードと出力ノードの全てが接続されており、適切な重み係数を適用することで、重要な入力ノードの出力信号を次の出力ノードに反映する。Batch Normalization層は、入力信号の平均値と分散値とを用いて正規化を行うことにより入力信号の分布の偏りを軽減する。

なお、図７において第１予測モデルおよび第２予測モデルの例を図示したが、第１予測モデルと第２予測モデルの設計はこれに限るものでなく、各層のユニット数や中間層の数、活性化関数を変更しても良い。また、リカレントニューラルネットワークを用いて任意時点から過去数年の値を入力層に入力する設計であってもよい。さらに、第１予測モデルと第２予測モデルは多層ニューラルネットワークに限るものでなく、それぞれが状態遷移の発生までの長さを表す数理モデルと状態遷移が発生する傾向の大きさを表すスコアを状態が遷移するまでの期間の長さに変換する回帰モデルであればよい。

図８は、図２に関連して上記で説明した第１予測モデル学習処理の一例の概略図である。ここでは、ステップＳ１４において選択される２つのレコードとして、図６Ａに示した、Ａに係る医療健康データに含まれる２００９年の時点のレコードと、図６Ｂに示した、Ｂに係る医療健康データに含まれる２００６年の時点のレコードとが選択された場合について説明する。ステップＳ１３における処理において、発症に至るまでの期間の長さとして、Ａに係る上記２００９年の時点のレコードについては「３年」の期間が算出されており、Ｂに係る上記２００６年の時点のレコードについては「１もしくは２年」の期間が算出されている。ステップＳ１６における処理による、これらの２つのレコードをそれぞれ第１予測モデルに入力したときの出力をスコア（Ａ−２００９）とスコア（Ｂ−２００６）とする。ステップＳ１７の処理では、この２つのスコアの大小関係が、上述した発症に至るまでの期間の長さ「３年」および「１もしくは２年」の大小関係と一致するように、具体的には、例えば、発症に至るまでの長さの大小関係を０と１の二値で定義したうえで、スコアの差異をSigmoid関数に入力した値と大小関係を表す二値との交差エントロピーを誤差とし、誤差逆伝播法及び勾配降下法により、第１予測モデルのパラメータを調整する。図８の例では、先に選択したレコードの方が発症に至るまでの期間が長い場合を１、そうでない場合を０と定義した場合、Ａに係る上記２００９年の時点のレコードの方がＢに係る上記２００６年の時点のレコードよりも発症に至るまでの期間が長いので、正解は１となる。スコア（Ａ−２００９）からスコア（Ｂ−２００６）を引いた値をSigmoid関数に入力した値と、正解の１との交差エントロピーを誤差とする。

第１予測モデルの学習には、発症に至るまでの期間の長さの大小関係を比較可能な２つのレコードでのみ用いる。つまり、打ち切り訓練データに含まれるレコードと比較可能なものは、当該レコードに係る発症に至るまでの期間よりも短い期間で発症に至った、完了訓練データに含まれるレコードに限られるため、打ち切り訓練データと完了訓練データの組み合わせには制約がある。図６Ａ、図６Ｂ、および図６Ｃの例を用いると、発症に至るまでの期間の長さが「３年」のＡに係る２００９年の時点のレコードと、発症に至るまでの期間の長さが「３年＋」のＣに係る２００４年の時点のレコードは、後者の方が長いため大小関係を比較可能である。しかし、発症に至るまでの期間の長さが「３年」のＡに係る２００９年の時点のデータと、発症に至るまでの期間の長さが「２年＋」のＣに係る２００５年の時点のデータは、後者は少なくとも２年は発症しないことを表し３年発症しないことは確かでないため、比較不可能である。

（２）第２予測モデル学習処理
次に、図３に示す、訓練段階における第２予測モデル学習処理について詳細に説明する。

先ず、ステップＳ２１において、制御ユニット１１は、モデル学習部１１３の制御の下、管理データ記憶部１２２に記憶される完了訓練データに含まれるレコードのうち１つのレコードを選択して読み出す。

次に、ステップＳ２２において、制御ユニット１１は、遷移予測部１１４の制御の下、当該選択された１つのレコードについて、予測モデル記憶部１２３に記憶される第１予測モデルを読み出して使用して、当該レコードに含まれる上記所定の検査の結果に基づいて、当該レコードに係る上記スコアを算出する。

ステップＳ２３において、制御ユニット１１は、遷移予測部１１４の制御の下、予測モデル記憶部１２３に記憶される第２予測モデルを読み出して使用して、上記選択された１つのレコードについて第１予測モデルを使用して算出された上記スコアに基づいて、当該レコードに対応する日時から当該レコードに係る検査対象の状態遷移が発生するまでの期間の長さを推定する。

ステップＳ２４において、制御ユニット１１は、モデル学習部１１３の制御の下、上記選択された１つのレコードについてステップＳ２３において推定された上記状態遷移が発生するまでの期間の長さと、管理データ記憶部１２２に記憶される、当該レコードについて算出された上記状態遷移が発生するまでに要した期間の長さとに基づいて、予測モデル記憶部１２３に記憶される第２予測モデルのパラメータを更新する。

図９は、図３に関連して上記で説明した第２予測モデル学習処理の一例の概略図である。ここでは、ステップＳ２１において選択される１つのレコードとして、図６Ａに示した、完了訓練データであるＡに係る医療健康データに含まれる、２００９年の時点のレコードが選択された場合について説明する。ステップＳ２２における処理によって、この１つのレコードを第１予測モデルに入力したときの出力としてスコア（Ａ−２００９）が算出されている。次に、ステップＳ２３における処理によって、スコア（Ａ−２００９）を第２予測モデルに入力したときの出力として、発症までの期間の長さ（Ａ−２００９）が推定されている。ステップＳ２４の処理では、この推定値と、上述した発症に至るまでの長さの正解値との誤差が最小化するように、例えば、誤差逆伝播法及び勾配降下法により、第１予測モデルのパラメータは変更せずに、第２予測モデルのパラメータのみが調整される。図９の例では、推定値と正解値である「３年」との誤差を平均二乗誤差で表す。なお、誤差の計算方法は平均二乗誤差に限るものでなく、平均絶対誤差など２つの値の差異を測るものであればよい。

（３）テストデータに基づく遷移予測処理
最後に、図４に示す、テスト段階における遷移予測処理について詳細に説明する。

先ず、ステップＳ３１において、制御ユニット１１は、テストデータ取得部１１５の制御の下、入力部２によって入力されたテストデータを取得し、当該取得されたテストデータをテストデータ記憶部１２４に記憶させる。なお、テストデータは、検査対象に係る上記所定の検査の結果を含むレコードを含んでいる。

図１０は、テストデータとしての、Ｄに係る医療健康データの一例を示す図である。図１０に示される医療健康データは、検査対象に係る所定の検査の結果である「ＨｂＡ１ｃ」、「ＢＭＩ」、および「体脂肪」の数値を含むレコードを含んでいる。

次に、ステップＳ３２において、制御ユニット１１は、遷移予測部１１４の制御の下、テストデータ記憶部１２４に記憶されるテストデータを読み出し、さらに、予測モデル記憶部１２３に記憶される第１予測モデルを読み出す。その後、制御ユニット１１は、遷移予測部１１４の制御の下、当該読み出された第１予測モデルを使用して、上記読み出されたテストデータに係るレコードに含まれる上記所定の検査の結果に基づいて、当該レコードに係る上記スコアを算出する。

ステップＳ３３において、制御ユニット１１は、遷移予測部１１４の制御の下、予測モデル記憶部１２３に記憶される第２予測モデルを読み出して使用して、上記テストデータに係るレコードについて第１予測モデルを使用して算出された上記スコアに基づいて、当該レコードに対応する日時から上記検査対象の状態遷移が発生するまでの期間の長さを推定する。その後、制御ユニット１１は、遷移予測部１１４の制御の下、当該推定された上記状態遷移が発生するまでの期間の長さを示すデータを、予測結果記憶部１２５に記憶させる。

図１１は、図４に関連して上記で説明した遷移予測処理の一例の概略図である。ここでは、ステップＳ３１において取得されるテストデータとして、図１０に示したＤに係る医療健康データが取得された場合について説明する。ステップＳ３２における処理によって、このテストデータに係るレコードを第１予測モデルに入力したときの出力として、スコア（Ｄ−２０１７）＝３．７が算出されている。次に、ステップＳ３３における処理によって、スコア（Ｄ−２０１７）＝３．７を第２予測モデルに入力したときの出力として、発症までの期間の長さ（Ｄ−２０１７）＝５年が推定されている。

ステップＳ３４において、制御ユニット１１は、出力制御部１１６の制御の下、予測結果記憶部１２５にアクセスし、上記テストデータに係るレコードについて推定された上記状態遷移が発生するまでの期間の長さを示すデータを表す表示データを、表示部３に送信する。

図１２は、表示部３において出力される遷移予測処理結果の表示の一例を示す図である。図１２では、図１１の例においてＤに係る医療健康データから推定された、発症までの期間の長さ（Ｄ−２０１７）＝５年を示す表示データが、表示部３において出力される場合の例を示している。

［他の実施形態］
なお、この発明は上記第１の実施形態に限定されるものではない。例えば、訓練データについて、年度ごとのレコードが含まれている場合について例を挙げて説明した。しかしながら、訓練データに含まれるレコードは、他の異なる任意の間隔の複数時点のレコードであってもよく、また、レコードに対応する日時の間隔が一定でなくてもよい。

また、図１２の例では、発症に至るまでの期間の長さを、全体の１０％が発症するという基準で算出してある例を図示した。しかしながら、このような状態遷移が発生するまでの期間は、異なる基準で算出するようにしてもよい。

その他、状態遷移予測装置や、管理データ記憶部において記憶されるデータ構成や、予測モデル記憶部に記憶される第１予測モデルおよび第２予測モデルの構成等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。

要するにこの発明は、上記第１の実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記第１の実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、上記第１の実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

１…状態遷移予測装置、１１…制御ユニット、１１１…訓練データ取得部、１１２…訓練データ管理部、１１２１…データ種判別部、１１２２…遷移期間算出部、１１３…モデル学習部、１１４…遷移予測部、１１５…テストデータ取得部、１１６…出力制御部、１２１…訓練データ記憶部、１２２…管理データ記憶部、１２３…予測モデル記憶部、１２４…テストデータ記憶部、１２５…予測結果記憶部、１２…記憶ユニット、１３…入出力インタフェースユニット、２…入力部、３…表示部

Claims (7)

1. 検査対象に係る所定の検査の結果を含むレコードについて、当該所定の検査の結果に基づいて、当該検査対象の状態遷移が発生する傾向の大きさを表すスコアを算出するための第１予測モデルを学習する状態遷移予測モデル学習装置であって、
   前記第１予測モデルを記憶する記憶媒体と、
   訓練対象に係る前記所定の検査の結果を各々が含む複数時点のレコードと、当該複数時点のレコードの各々に対応する日時で当該訓練対象の状態遷移が発生しているか否かを示す状態遷移発生情報とを含む訓練データを取得する訓練データ取得部と、
   前記第１予測モデルを使用して、前記取得された訓練データに係るレコードに含まれる前記所定の検査の結果に基づいて、当該レコードに係る前記スコアを算出するスコア算出部と、
   前記取得された訓練データに係る状態遷移発生情報が、前記複数時点のうちいずれかの時点で前記訓練対象の状態遷移が既に発生していることを示している場合、当該取得された訓練データを完了訓練データとして、当該完了訓練データに含まれる前記複数時点のレコードのうち当該状態遷移が発生する以前の時点のレコードの各々について、当該状態遷移が発生するまでに要した期間の長さを算出する第１期間算出部と、
   前記取得された訓練データに係る状態遷移発生情報が、前記複数時点のいずれの時点においても前記訓練対象の状態遷移が発生していないことを示している場合、当該取得された訓練データを打ち切り訓練データとして、当該打ち切り訓練データに含まれるレコードの各々について、当該状態遷移が発生するまでに少なくとも要する期間の長さとして、当該レコードに対応する日時から前記複数時点のうち最後の時点のレコードに対応する日時までの期間の長さに、予め設定された期間の長さを加えた期間の長さを算出する第２期間算出部と、
   前記取得された各訓練データに含まれるレコードのうち２つのレコードを選択するレコード選択部と、
   前記選択された２つのレコードのうち一方が前記打ち切り訓練データに含まれるレコードであり、もう一方が前記完了訓練データに含まれるレコードであり、かつ、当該打ち切り訓練データに含まれるレコードについて前記算出された前記状態遷移が発生するまでに少なくとも要する期間の長さと比較して、当該完了訓練データに含まれるレコードについて前記算出された前記状態遷移が発生するまでに要した期間の長さが小さい場合に、当該２つのレコードについて前記スコア算出部によって算出されるスコアの大小関係が、当該２つのレコードについて前記算出された期間の長さの大小関係に対応するように、前記第１予測モデルを更新する第１更新部と
   を備える状態遷移予測モデル学習装置。
2. 前記選択された２つのレコードの各々が前記完了訓練データからのレコードである場合に、当該２つのレコードについて前記スコア算出部によって算出されるスコアの大小関係が、当該２つのレコードについて前記算出された前記状態遷移が発生するまでに要した期間の長さの大小関係に対応するように、前記第１予測モデルを更新する第２更新部をさらに備える、請求項１に記載の状態遷移予測モデル学習装置。
3. 前記第１期間算出部は、前記完了訓練データに含まれる前記複数時点のレコードについて、当該複数時点のうち任意の隣接する２つの時点の間の期間が所定の期間を超えており、かつ、当該所定の期間を超える２つの時点のうち後の時点のレコードが、前記訓練対象の状態遷移が既に発生していると示された最初の時点のレコードである場合、当該完了訓練データに含まれる前記複数時点のレコードのうち当該状態遷移が発生する以前の時点のレコードの各々について、前記状態遷移が発生するまでに要した期間の長さとして、当該レコードに対応する日時から当該状態遷移が既に発生していると示された最初の時点のレコードに対応する日時までの期間の長さ以下であり、当該期間の長さから、前記所定の期間を超える２つの時点の間の期間に対応する期間の長さを引いた期間の長さ以上である範囲を算出する、請求項１又は２に記載の状態遷移予測モデル学習装置。
4. 前記記憶媒体は、前記検査対象に係る前記レコードについて前記第１予測モデルを使用して算出されたスコアに基づいて、当該レコードに対応する日時から当該検査対象の状態遷移が発生するまでの期間の長さを推定するための第２予測モデルをさらに記憶し、
   前記第２予測モデルを使用して、前記訓練対象に係る前記完了訓練データに含まれるレコードについて前記第１予測モデルを使用して算出されたスコアに基づいて、当該レコードに対応する日時から当該訓練対象の状態遷移が発生するまでの期間の長さを推定する期間推定部と、
   前記訓練対象に係る前記完了訓練データに含まれるレコードについて前記期間推定部によって推定された状態遷移が発生するまでの期間の長さと、当該レコードについて前記第１期間算出部によって算出された前記状態遷移が発生するまでに要した期間の長さとに基づいて、前記第２予測モデルを更新する第３更新部とをさらに備える、請求項１乃至３のいずれかに記載の状態遷移予測モデル学習装置。
5. ハードウェアプロセッサおよびメモリを備える装置が実行する、検査対象に係る所定の検査の結果を含むレコードについて、当該所定の検査の結果に基づいて、当該検査対象の状態遷移が発生する傾向の大きさを表すスコアを算出するための第１予測モデルを学習する状態遷移予測モデル学習方法であって、
   訓練対象に係る前記所定の検査の結果を各々が含む複数時点のレコードと、当該複数時点のレコードの各々に対応する日時で当該訓練対象の状態遷移が発生しているか否かを示す状態遷移発生情報とを含む訓練データを取得する訓練データ取得過程と、
   前記第１予測モデルを使用して、前記取得された訓練データに係るレコードに含まれる前記所定の検査の結果に基づいて、当該レコードに係る前記スコアを算出するスコア算出過程と、
   前記取得された訓練データに係る状態遷移発生情報が、前記複数時点のうちいずれかの時点で前記訓練対象の状態遷移が既に発生していることを示している場合、当該取得された訓練データを完了訓練データとして、当該完了訓練データに含まれる前記複数時点のレコードのうち当該状態遷移が発生する以前の時点のレコードの各々について、当該状態遷移が発生するまでに要した期間の長さを算出する第１期間算出過程と、
   前記取得された訓練データに係る状態遷移発生情報が、前記複数時点のいずれの時点においても前記訓練対象の状態遷移が発生していないことを示している場合、当該取得された訓練データを打ち切り訓練データとして、当該打ち切り訓練データに含まれるレコードの各々について、当該状態遷移が発生するまでに少なくとも要する期間の長さとして、当該レコードに対応する日時から前記複数時点のうち最後の時点のレコードに対応する日時までの期間の長さに、予め設定された期間の長さを加えた期間の長さを算出する第２期間算出過程と、
   前記取得された各訓練データに含まれるレコードのうち２つのレコードを選択するレコード選択過程と、
   前記選択された２つのレコードのうち一方が前記打ち切り訓練データに含まれるレコードであり、もう一方が前記完了訓練データに含まれるレコードであり、かつ、当該打ち切り訓練データに含まれるレコードについて前記算出された前記状態遷移が発生するまでに少なくとも要する期間の長さと比較して、当該完了訓練データに含まれるレコードについて前記算出された前記状態遷移が発生するまでに要した期間の長さが小さい場合に、当該２つのレコードについて前記スコア算出過程において算出されるスコアの大小関係が、当該２つのレコードについて前記算出された期間の長さの大小関係に対応するように、前記第１予測モデルを更新する第１更新過程と
   を備える状態遷移予測モデル学習方法。
6. 前記検査対象について前記第１予測モデルを使用して算出されたスコアに基づいて、当該レコードに対応する日時から当該検査対象の状態遷移が発生するまでの期間の長さを推定するための第２予測モデルを使用して、前記訓練対象に係る前記完了訓練データに含まれるレコードについて前記第１予測モデルを使用して算出されたスコアに基づいて、当該レコードに対応する日時から当該訓練対象の状態遷移が発生するまでの期間の長さを推定する期間推定過程と、
   前記訓練対象に係る前記完了訓練データに含まれるレコードについて前記期間推定過程において推定された状態遷移が発生するまでの期間の長さと、当該レコードについて前記第１期間算出過程において算出された前記状態遷移が発生するまでに要した期間の長さとに基づいて、前記第２予測モデルを更新する第３更新過程とをさらに備える、請求項５に記載の状態遷移予測モデル学習方法。
7. 請求項１乃至４のいずれかに記載の状態遷移予測モデル学習装置が備える各部としてハードウェアプロセッサを機能させるプログラム。