JP6901169B1 - 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 - Google Patents

Abstract

【課題】健康診断結果に基づいて生物学的年齢を推定するための推定モデルを生成する年齢学習装置を提供する。【解決手段】年齢学習装置２は、機能構成要素として、入力受付手段２０１、第１算出手段２０２、第２算出手段２０３及び係数算出手段２０４並びに健康診断データベースＤＢ１、遺伝子解析データベースＤＢ２及びモデルデータベースＤＢ３を備える。第１算出手段２０２は、モデルデータベースＤＢ３より第１モデル（死亡リスク推定モデル及び表現型年齢推定モデル）を取得し、入力された健康診断データＤ１に基づいて死亡リスクの推定値Ｍ及び表現型年齢の推定値Ｄ３を算出する。第１算出手段２０２は、更に死亡リスクの推定値Ｍ及び表現型年齢の推定値Ｄ３を、算出に用いた健康診断データＤ１と対応付けて健康診断データベースＤＢ１に格納する。【選択図】図１

Description

健康診断結果に基づいて対象者の生物学的年齢の推定値を算出する推定モデルを生成する年齢学習装置、年齢推定装置、年齢学習方法及び年齢学習プログラムに関する。

自身の健康状態を把握することは、日々の健康管理や健康増進において有意義である。健康診断を受診することで、肝機能、腎機能、循環器機能、免疫機能、消化管機能などの状態を示す数値が指標として得られた。しかしながら、医師などの専門知識を有する者の説明なくして、そのような数値から自身の健康状態を正確に把握することは困難であった。また、例えば生命保険会社などでは、保険の契約に際して対象者の疾病リスク等について把握することが重要であるため、対象者の健康状態を正確に示す指標を必要としていた。また、例えば銀行では、健康状態の良い契約者は、優良顧客として融資の利率や個人ローンの金利を割り引く等の優遇措置を実施することによって、個人の属性に応じた金融商品を提供することが可能となるが、その際に基準となる指標は、開発されていなかった。さらに、個人が自身の健康状態を知ることは、健康増進のインセンティブとなるだけでなく、国家的な重要課題である医療費の削減に寄与する効果が期待できる。

特許文献１では、健康診断結果を用いて、将来予測される医療費を統計に基づいて算出し、更に予測された医療費から健康年齢（登録商標）を算出することで、健康状態を示す指標として提供する技術について開示されている。一方、医療費に基づいて算出される健康年齢は統計的に算出された数値であり、生物学的な知見は含まれていなかった。また、医療費が変化した場合、健康年齢にも変化が生じるといった問題があった。

近年、組織や細胞の老化の程度に基づいて定義される生物学的年齢が、信頼性の高い老化を示すバイオマーカーとして注目されている。生物学的年齢はＤＮＡのメチル化レベルと強い相関関係を有し、従来以上に高精度の健康指標として活用できる。（非特許文献１）

特開２０１８−１３２９５９号公報

Horvath, S and Raj. Kenneth (2018). "DNA methylation based biomarkers and the epigenetic clock theory of ageing". Nature Reviews Genetics. 19 (6): 371−384. Levine, Morgan E. et al (2018). "An epigenetic biomarker of aging for lifespan and healthspan". Aging 10(4) Hannum, G. et al (2013). "Genome wide methylation profiles reveal quantitative views of human aging rates". Mol. Cell 49: 359−367. Horvath, S (2013). "DNA methylation age of human tissues and cell types". Genome Biology. 14 (10): R115.

生物学的年齢は、通常ＤＮＡ解析検査により計測されるＤＮＡメチル化レベルから求められる。しかしながら、ＤＮＡ解析検査は、高額であるため、生物学的年齢を健康指標として活用することは容易ではなかった。

本発明は、上記のような実状に鑑みてなされたものであり、健康診断結果に基づいて生物学的年齢の推定値を算出する推定モデルを生成する年齢学習装置を提供することを解決すべき課題とする。

上記課題を解決する為に、本発明は、生物学的年齢を推定する為の係数を算出する年齢学習装置であって、学習用健康診断データ及び、学習用遺伝子解析データの入力を受け付ける入力受付手段と、前記学習用健康診断データを用いて少なくとも死亡リスクの推定値を算出する第１算出手段と、前記学習用遺伝子解析データを用いて遺伝学的年齢の推定値を算出する第２算出手段と、前記第１算出手段及び、前記第２算出手段により算出された推定値に基づいて、生物学的年齢の推定値を算出する為の推定係数を算出する係数算出手段と、を備える。

このような構成とすることにより、遺伝子解析データに基づく遺伝学的年齢を反映させた生物学的年齢を算出する為の係数を算出することができる。

本発明の好ましい形態では、前記係数算出手段は、前記推定係数を用いて推定モデルを生成する。
このような構成とすることにより、従来にない生物学的年齢を算出する為のモデルを生成することができる。

本発明の好ましい形態では、前記第１算出手段は、算出した死亡リスクの推定値を用いて表現型年齢の推定値を更に算出する。
このような構成とすることにより、指標となる表現型年齢を取得することができる。

本発明の好ましい形態では、前記学習用健康診断データと前記学習用遺伝子解析データは、少なくとも１以上の共通する参照データを有し、前記係数算出手段は、共通の参照データが含まれる前記学習用健康診断データ及び前記学習用遺伝子解析データに基づいて、前記推定モデルを生成する。
このような構成とすることにより、学習用健康診断データと学習用遺伝子解析データを紐づけて、推定モデルを生成することができる。

本発明の好ましい形態では、前記参照データは、少なくともデータ提供者の実年齢を含む。
このような構成とすることにより、共通の実年齢を含むデータを紐づけすることができる。

本発明の好ましい形態では、前記係数算出手段は、不同のデータ提供者より取得される前記学習用健康診断データと前記学習用遺伝子解析データに基づいて前記推定モデルを生成する。
このような構成とすることにより、学習用健康診断データと学習用遺伝子解析データのデータ提供者が異なる場合であっても、データを紐づけて、推定モデルを生成することができる。

本発明の好ましい形態では、前記学習用遺伝子解析データは、少なくともＤＮＡメチル化レベルを示す数値を含む。
このような構成とすることにより、学習用遺伝子解析データとしてＤＮＡメチル化レベルを用いることができる。

本発明の好ましい形態では、前記学習用健康診断データは、アルブミン、クレアチニン、グルコース、Ｃ反応性蛋白、リンパ球、平均赤血球容積、赤血球分布幅、アルカリフォスファターゼ、白血球数、実年齢のうち少なくとも１以上を含む。
このような構成とすることにより、学習用健康診断データとしてアルブミンなどの数値を用いることができる。

本発明の好ましい形態では、前記年齢学習装置によって算出された推定係数に基づく推定モデルを用いて生物学的年齢を推定する年齢推定装置であって、推定用健康診断データの入力を受け付ける入力受付手段と、前記推定用健康診断データを用いて少なくとも死亡リスクの推定値を算出する第１算出手段と、前記推定用健康診断データを用いて前記第１算出手段により算出された推定値を前記推定モデルに入力し、生物学的年齢の推定値を算出する第３算出手段と、を備える。
このような構成とすることにより、推定用健康診断データに基づいて生物学的年齢を算出することができる。

本発明の好ましい形態では、前記第１算出手段は、前記推定用健康診断データを用いて前記第１算出手段により算出された死亡リスクの推定値を用いて表現型年齢の推定値を更に算出し、前記第３算出手段は、前記表現型年齢の推定値を前記推定モデルに入力し、生物学的年齢の推定値を算出する。
このような構成とすることにより、推定用健康診断データに基づいて生物学的年齢を算出することができる。

本発明の好ましい形態では、前記第３算出手段は、前記学習用健康診断データ及び、前記推定用健康診断データの一部の項目についてデータが入力されない場合、データが入力されない項目に予め設定された所定値を入力する。
このような構成とすることにより、推定用健康診断データの一部が欠けていても、所定値を入力し、生物学的年齢を算出することができる。

本発明の好ましい形態では、前記推定用健康診断データは、アルブミン、クレアチニン、グルコース、Ｃ反応性蛋白、リンパ球、平均赤血球容積、赤血球分布幅、アルカリフォスファターゼ、白血球数、実年齢のうち少なくとも１以上を含む。
このような構成とすることにより、推定用健康診断データとしてアルブミンなどの数値を用いることができる。

本発明は、生物学的年齢を推定する為の係数を算出する年齢学習方法であって、学習用健康診断データ及び、学習用遺伝子解析データの入力を受け付けるステップと、前記学習用健康診断データを用いて少なくとも死亡リスクの推定値を算出するステップと、前記学習用遺伝子解析データを用いて遺伝学的年齢の推定値を算出するステップと、前記第１算出手段及び、前記第２算出手段により算出された推定値に基づいて、生物学的年齢の推定値を算出する為の推定係数を算出するステップと、をコンピュータが実行する。

本発明は、生物学的年齢を推定する為の係数を算出する年齢学習プログラムであって、コンピュータを、学習用健康診断データ及び、学習用遺伝子解析データの入力を受け付ける入力受付手段と、前記学習用健康診断データを用いて少なくとも死亡リスクの推定値を算出する第1算出手段と、前記学習用遺伝子解析データを用いて遺伝学的年齢の推定値を算出する第２算出手段と、前記第１算出手段及び、前記第２算出手段により算出された推定値に基づいて、生物学的年齢の推定値を算出する為の推定係数を算出する係数算出手段と、として機能させる。

本発明によれば、健康診断結果に基づいて生物学的年齢の推定値を算出する推定モデルを生成する年齢学習装置及び、健康診断結果に基づいて生物学的年齢の推定値を算出する年齢推定装置を提供することができる。

本発明の実施形態における年齢学習装置の機能ブロック図である。 本発明の実施形態における年齢学習装置のハードウェア構成を示す図である。 本発明の実施形態における生物学的年齢の推定モデルを生成する処理に関するフローチャートである。 本発明の実施形態における第１算出手段の概要図である。 本発明の実施形態における表現型年齢を示すグラフである。 本発明の実施形態における第２算出手段の概要図である。 本発明の実施形態における各算出手段における入力データと出力データの概要図である。 本発明の実施形態における実年齢と生物学的年齢の対応関係を示すグラフである。 本発明の実施形態における年齢推定システムの構成図である。 本発明の実施形態における生物学的年齢の推定値を算出する処理に関するフローチャートである。 本発明の実施形態におけるデータ入力画面とデータ出力画面の画面表示例を示す。 本発明の実施形態における年齢推定装置の機能ブロック図の一例である。

以下、図面を用いて、本発明の実施形態に関する年齢推定装置について説明する。なお、以下に示す実施形態は本発明の一例であり、本発明を以下の実施形態に限定するものではなく、様々な構成を採用することもできる。

本実施形態では、年齢学習装置、年齢推定装置、ユーザ端末、外部装置を含む年齢推定システムの構成、動作等について説明するが、同様の構成の方法、コンピュータプログラム、記録媒体等も、同様の作用効果を奏することができる。この記録媒体を用いれば、例えばコンピュータに当該プログラムをインストールすることができる。ここで、当該プログラムを記憶した記録媒体は、例えばＣＤ−ＲＯＭ等の非一過性の記録媒体であっても良い。

はじめに、生物学的年齢の推定値を算出する推定モデルを生成する方法について説明する。生物学的年齢とは、暦年齢とは別に組織や細胞の老化の程度を示す年齢である。生物学的年齢は、通常ＤＮＡメチル化レベルに基づいて算出される。ＤＮＡメチル化レベルを取得する為には、一般的にＤＮＡ解析検査を受診する必要がある。

一方、健康診断結果の特定の項目に基づいて算出される表現型年齢は、生物学的年齢と比較すると精度は下がるものの一定程度の信頼性を有する健康状態を示す指標として扱われる。健康診断は、受診のハードルは低く、容易に結果を取得できる。一般に、加齢に伴う死亡リスクは、ある程度の年齢となった時点（いわゆる高齢者と呼ばれる６０歳程度）で指数関数的に増加するが、最終的に収束する傾向がみられる。表現型年齢や生物学的年齢は、そのような傾向を反映して算出されるものであるため、両者の間には何かしらの相関関係が存在することが予測される。本発明の年齢学習装置では、健康診断結果に基づいて算出される表現型年齢の推定値を、生物学的年齢に修正するモデルを機械学習により生成する。本発明の年齢推定装置では、健康診断結果を年齢学習装置により生成したモデルに入力することで、生物学的年齢の推定値を直接算出できるようにする。

図１〜図８を参照し、本実施形態における年齢学習装置による生物学的年齢の推定値を算出する生物学的年齢推定モデルを生成する処理について説明する。

図１は、本実施形態における年齢学習装置２の機能ブロック図を示す。年齢学習装置２は、機能構成要素として、入力受付手段２０１、第１算出手段２０２、第２算出手段２０３、係数算出手段２０４及び、健康診断データベースＤＢ１、遺伝子解析データベースＤＢ２、モデルデータベースＤＢ３を備える。なお、図１において、実線はデータの流れを、破線はモデル（係数）の流れをそれぞれ示す。

図２に例示するように、年齢学習装置２は、データ通信機能を有し、ハードウェア及び、機能の構成要素を含んでいる。すなわち、年齢学習装置２は、ハードウェア構成要素として、演算装置（ＣＰＵ（Central Processing Unit））２１と、作業用メモリとしての主記憶装置（ＲＡＭ(Random Access Memory)）２２とを備える。また、年齢学習装置２は、ＯＳ（Operating System）、アプリケーションプログラム、及び各種情報（データを含む）を書換え可能に格納するＨＤＤやＳＳＤ、フラッシュメモリ等の補助記憶装置２５と、通信制御部２３と、ＮＩＣ（Network Interface Card）などの通信インタフェース（ＩＦ）部２４などとを、更に備える。また、年齢学習装置２は、表示制御部、表示部、情報入力部などを備えてもよい。なお、健康診断データベースＤＢ１、遺伝子解析データベースＤＢ２、モデルデータベースＤＢ３は、通信ＩＦ部２４により通信ネットワークを介して通信可能な外部のデータベースによって構成されてもよい。

図３は、生物学的年齢の推定値Ｄ５を算出する推定モデルを生成する処理の流れを示すフローチャート図である。Ｓ１０１〜Ｓ１０３は、第１モデル（死亡リスク推定モデル及び表現型年齢推定モデル）の生成と、第１モデルを用いた死亡リスクの推定値Ｍ及び表現型年齢の推定値Ｄ３の算出について説明する。Ｓ１０４〜Ｓ１０６は、第２モデル（遺伝学的年齢推定モデル）を用いた遺伝学的年齢の推定値Ｄ４の算出について説明する。Ｓ１０７は、第３モデル（生物学的年齢推定モデル）の生成について説明する。

まず、Ｓ１０１において、入力受付手段２０１は、通信ネットワークに接続され、通信接続された医療機関などの外部装置６から健康診断データＤ１の入力を受け付け、健康診断データベースＤＢ１に格納する。入力受付手段２０１は、情報入力部を介して、健康診断データＤ１の入力を直接受け付けてもよい。

Ｓ１０２において、第１算出手段２０２は、入力受付手段２０１を介して入力された健康診断データＤ１の入力を受け付ける。Ｓ１０３において、第１算出手段２０２は、モデルデータベースＤＢ３より第１モデル（死亡リスク推定モデル及び表現型年齢推定モデル）を取得し、入力された健康診断データＤ１に基づいて死亡リスクの推定値Ｍ及び表現型年齢の推定値Ｄ３を算出する。第１算出手段２０２は、更に死亡リスクの推定値Ｍ及び表現型年齢の推定値Ｄ３を、算出に用いた健康診断データＤ１と対応付けて健康診断データベースＤＢ１に格納する。

続いて、Ｓ１０４において、入力受付手段２０１は、健康診断データＤ１と同様、医療機関などのサーバ装置やコンピュータ端末を介して遺伝子解析データＤ２の入力を受け付け、遺伝子解析データベースＤＢ２に格納する。遺伝子解析データＤ２については後に詳述する。

モデルデータベースＤＢ３は、遺伝学的年齢の推定値Ｄ４を算出する第２モデルを格納する。Ｓ１０５において、第２算出手段２０３は、入力受付手段２０１を介して入力された遺伝子解析データＤ２の入力を受け付ける。Ｓ１０６において、第２算出手段２０３は、モデルデータベースＤＢ３より第２モデルを取得し、入力された遺伝子解析データＤ２に基づいて遺伝学的年齢の推定値Ｄ４を算出する。第２算出手段２０３は、更に遺伝学的年齢の推定値Ｄ４を、算出に用いた遺伝子解析データＤ２と対応付けて遺伝子解析データベースＤＢ２に格納する。

Ｓ１０７において、係数算出手段２０４は、第１算出手段２０２により算出された死亡リスクの推定値Ｍ又は表現型年齢の推定値Ｄ３と、第２算出手段２０３により算出された遺伝学的年齢の推定値Ｄ４と、を用いて生物学的年齢の推定値Ｄ５を算出する第３モデルの係数を算出する。

続いて、本実施形態において用いる年齢学習装置２に入力する健康診断データＤ１及び遺伝子解析データＤ２について説明する。また、本実施形態において使用する第１モデル、第２モデル、第３モデルの詳細について説明する。

健康診断データＤ１は、ユーザが受診した健康診断の結果を項目別にデータ化したものである。健康診断データＤ１の検査項目は、生年月日（実年齢）、身長、体重、ＢＭＩ、腹囲、血圧、尿検査（糖、蛋白、クレアチニン、Ｃ反応性蛋白）、肝機能検査（アルブミン、アルカリフォスターゼ）、血液検査（グルコース、ＬＤＬコレステロール、ＨＤＬコレステロール、中性脂肪、リンパ球、平均赤血球容積、赤血球分布幅、白血球、血糖値）、などが含まれるが、これらに限定されない。例えばＣ反応性蛋白は、受診者の炎症反応の指標として用いられるが、同様の指標として赤血球沈降速度などが用いられてもよい。

本実施形態では、上述した健康診断データＤ１の項目中から、表現型年齢との相関の特に強い項目が選定される。健康診断結果の数値や運動量などから対象者の健康状態を示す健康年齢を算出する方法が知られている。本発明では、健康年齢よりも更に生物学的年齢に近い数値をもつ表現型年齢を算出する為に、年齢に対して強い相関関係を有する検査項目を分析し、選定する。検査項目を選定する手法として、強制投入法、総当たり法、前進選択法、後進選択法、ステップワイズ法などが挙げられる。

本実施形態では、選定された健康診断データＤ１の検査項目について、多変量解析することにより表現型年齢の推定値Ｄ３を算出する第１モデルを生成する。本実施形態において、第１モデルは、後に詳述する死亡リスク推定モデルと表現型年齢推定モデルである。多変量解析の一例として、重回帰分析、ロジスティック回帰分析、因子分析、正準相関分析、クラスター分析などが挙げられる。本実施形態では、多変量の生存時間解析に適したコックス比例ハザードモデルをベースとした第１モデルを生成する。コックス比例ハザードモデルは、時間ｔの経過により確率的に発生するハザード（本実施形態では、死亡）に対して、複数の共変量ｘ（本発明では、健康診断データＤ１のそれぞれの項目）がいかに寄与したかを分析できる。コックス比例ハザードモデルは、式（１）により定義される。ｈ₀（ｔ）は、共変量ｘが全てゼロとなる場合において、時間ｔに依存して発生するハザード率を表すベースラインハザード関数である。ｅｘｐ（βｘ）は、共変量ｘに依存して発生するハザード率を表す状態ハザード関数である。ここでβは、ハザードの要因となる共変量ｘの寄与度、すなわち重みを表す。また、共変量ｘがゼロでない場合の時間ｔに依存して発生するハザード率を表す時間ハザード関数をｈ（ｔ）と定義する。すなわち、式（１）は、共変量ｘを持つ個体が時間ｔまで生存した場合、その個体が時間ｔにおいて死亡する確率（死亡リスク）を表す。

本実施形態では、式（１）コックス比例ハザードモデルの時間ハザード関数にゴンペルツ分布を仮定する。ゴンペルツ分布は、時間に対する死亡率を統計的に分析した結果得られる分布関数で表される。ゴンペルツ分布は、いわゆるゴンペルツの法則（ヒトの年齢と死亡率の関係を表す法則で、３５〜４０歳以降では、年齢に対して死亡率は指数関数的に増大する。特に３５歳以降の死亡率は８年毎に２倍となる。）を数式化したものである。ゴンペルツの法則は、人口の減少率が累積死亡率に比例すると言い換えることができる。このように、元来、死亡率を推定する為のモデルであったゴンペルツ分布を成長曲線に応用したものが、ゴンペルツ曲線である。ゴンペルツ曲線は、ロジスティック曲線等と同様に、Ｓ字の曲線（シグモイド曲線）で表される点に特徴がある。本実施形態における、ゴンペルツ分布に基づく時間ハザード関数は、式（２）により表される。式（２）のλは、状態ハザード関数を表す。また、γは、生物に固有の定数であり、例えば、ヒトの場合γ＝０．０００６７１の定数である。γは第１モデルの推定の過程で修正されてもよい。なお、γを修正することによって、ヒト以外の生物の死亡リスクの推定値Ｍ及び表現型年齢の推定値Ｄ３を算出することができる。さらに、式（２）から式（３）の生存関数が求められる。生存関数は、ある時間ｔにおける死亡率を示す時間ハザード関数と対照的に、ある時間ｔにおける生存率を意味する。ゴンペルツ分布に基づくベースラインハザード関数は、式（４）により表される。

式（３）の生存関数の累積分布関数Ｄは、式（５）により表される。ここで、モデルを決定するために年齢Ｔの対象者の１０年（１２０か月）以内の死亡率を条件として仮定して、ｘ＝Ｔ，ｔ＝１２０を式（５）代入して計算すると、式（６）が導出される。ここで、式（５）において、個人ｊ（対象者）に関して、状態ハザード関数λは、λ_ｊ＝ｅｘｐ（ｘ_ｊβ）と表される。上記の状態ハザード関数λより、式（６）のｘｂは、式（７）で表される。式（７）において、ｉは、一般的な健康診断の検査項目（ｉ＝１〜ｐ）を表す。

本実施形態において、健康診断データＤ１は、２つの目的で利用される。第１の目的は、ハザード（死亡率）に影響を与える健康診断データＤ１の項目と、その感応度である重みβ_ｉを選定することで、死亡リスク推定モデルを生成することである。はじめに、母集団に属するすべての健康診断受診者の健康診断データＤ１が式（６）に代入される。次に、コックス比例ハザードモデルの数値解析により、ハザード（死亡リスク）に対して寄与の大きな健康診断データＤ１の項目とその重みβ_ｉが推計される。このようにして、死亡リスク（死亡率）を健康診断の検査項目で説明する比例ハザードモデルが導出される。次に、式（７）にしたがって、推計された重みβ_ｉに、入力された個人の健康診断データＤ１の実数値ｘ_ｉを掛け合わせ、更に掛け合わせた値を合計する。更に、合計した値を再び式（６）に代入することで、死亡リスクの推定値Ｍが算出される。なお、重みβ_ｉがプラスの項目は、死亡リスクの推定値Ｍの増加に対して寄与し、マイナスの項目は、死亡リスクの推定値Ｍの低下に対してそれぞれ寄与する。なお、本実施形態において、重みβ_ｉの死亡率（死亡リスクの推定値Ｍ）に対する寄与の程度は、ｐ値によって判断され、選定される健康診断データＤ１の項目の数は、ＡＩＣ（赤池情報量基準）の値によって判断されるが、これらの判断基準に限定されるものではない。

第２の目的は、死亡リスクの推定値Ｍに基づいて表現型年齢の推定値Ｄ３を算出する係数を推定し、表現型年齢推定モデルを生成することである。表現型年齢推定モデルの生成では、はじめに、式（６）において、ｘｂ＝β₁Ｔ+β₀とする。ただし、ここでＴは、健康診断受診者の生年月日（実年齢）を表す。この条件では、年齢以外の健康診断データＤ１の共変量をゼロとすることで、年齢に対する重みβ_１と切片β₀を推計する。ここで、式（８）によって、Ｐを定義する。ゴンペルツ分布を仮定する場合、１０年以内の死亡リスクの推定値Ｍは式（９）で表される。更に、式（９）を年齢Ｔを算出する式として変形すると、最終的に表現型年齢の推定値Ｄ３を算出する式は、式（１０）として表される。なお、式（１０）では、α＝β₀、β＝β₁をそれぞれ表す。

切片β₀（＝α）及び実年齢の重みβ_１を回帰分析により決定する。回帰分析の結果、算出された切片β₀及び実年齢の重みβ_１を式（１０）に代入することによって、健康診断受診者の健康診断データＤ１を受診者の表現型年齢の推定値Ｄ３に変換する表現型年齢推定モデルを生成するプロセスが完了する。なお、各検査項目の実数値は、対数換算などにより補正した上で入力されてもよい。また、健康診断データＤ１の各項目の単位を変換する計算処理が含まれてもよい。上記のように重みβ_ｉを決定し、最終的に得られる表現型年齢推定モデルは、式（１１）に例示される。これらの式（６）及び式（１０）を用いることにより、健康診断データＤ１に基づいて死亡リスクの推定値Ｍ及び表現型年齢の推定値Ｄ３が算出される。

第１算出手段２０２は、健康診断データＤ１の一部の検査項目についてデータとなる数値が入力されていない場合、数値が入力されていない検査項目に予め設定された所定の数値を入力し、死亡リスクの推定値Ｍ及び表現型年齢の推定値Ｄ３を算出できる。所定の数値には、例えば、平均値を用いる。特に、表現型年齢の推定値Ｄ３に相関性の高い検査項目の赤血球分布幅は、通常の健康診断ではデータが得られない場合がある。第１算出手段は所定の数値として、統計的な最適値や、属性（実年齢、性別など）に分類して得られた平均値など、如何なる数値を用いてもよい。

図４は、選定された健康診断データＤ１の一例を示す。図５は、死亡リスクの推定値Ｍを横軸、表現型年齢の推定値Ｄ３を縦軸とした健康診断データＤ１に基づく表現型年齢の分布を示すグラフである。

モデルデータベースＤＢ３は、上述した健康診断データＤ１を用いて死亡リスクの推定値Ｍを算出する死亡リスク推定モデル（式（６））と、死亡リスクの推定値Ｍを用いて表現型年齢の推定値Ｄ３を算出する表現型年齢推定モデル（式（１０））を第１モデルとして少なくとも備える。

続いて、遺伝子解析データＤ２及び遺伝子解析データＤ２に基づいて遺伝学的年齢の推定値Ｄ４を算出する第２モデルについて説明する。入力受付手段２０１は、医療機関などのサーバ装置やコンピュータ端末を介して遺伝子解析データＤ２の入力を受け付け、遺伝子解析データベースＤＢ２に格納する。遺伝子解析データＤ２は、ユーザが受診した遺伝子解析検査の結果を項目別にデータ化したものである。より具体的には、遺伝子解析データＤ２の項目は、実年齢とＤＮＡのメチル化レベルを示すデータを少なくとも含む。ＤＮＡのメチル化は、ＤＮＡの塩基配列においてシトシン（Ｃ）とグアニン（Ｇ）の配列（ＣｐＧサイト）が集中するＣｐＧアイランドと呼ばれる領域に多く生じることが知られる。遺伝子解析検査により、所定のＣｐＧサイトのＤＮＡメチル化レベルが取得できる。なお、遺伝子解析データＤ２は、生物学的年齢を算出する為のデータであれば、ＤＮＡメチル化レベルに限定されるものではない。

以下、ＤＮＡメチル化レベルに基づいて算出される生物学的年齢を遺伝学的年齢と定義する。ＤＮＡメチル化レベルに基づいて遺伝学的年齢の推定値Ｄ４を算出する方法として、Ｌｅｖｉｎｅらの方法（非特許文献２）、Ｈａｎｎｕｍらの方法（非特許文献３）、Ｈｏｒｖａｔｈらの方法（非特許文献４）などが挙げられる。本実施形態では、Ｌｅｖｉｎｅらの方法に準じて遺伝学的年齢の推定値Ｄ４を算出するが、この方法に限定するものではない。

遺伝学的年齢の推定値Ｄ４の算出モデル（第２モデル）は、式（１２）で表される。Ｌｅｖｉｎｅらの方法では、５１３のＣｐＧサイトのＤＮＡメチル化レベルに基づいて、遺伝学的年齢の推定値Ｄ４を算出する。式（１２）のＣｐＧは、各ＣｐＧサイトのＤＮＡメチル化レベルを表す。式（１２）のβ（β₁、β₂、・・・β₅₁₃）は、各ＣｐＧサイトの遺伝学的年齢に対する重みを表す。式（１２）の第２モデルの生成過程などの詳細な説明は、非特許文献２を参照されたい。

モデルデータベースＤＢ３は、式（１２）により表される遺伝学的年齢の推定値Ｄ４を算出する第２モデルを格納する。第２算出手段２０３は、モデルデータベースＤＢ３より第２モデルを取得し、入力された遺伝子解析データＤ２に基づいて遺伝学的年齢の推定値Ｄ４を算出する。第２算出手段２０３は、更に遺伝学的年齢の推定値Ｄ４を、算出に用いた遺伝子解析データＤ２と対応付けて遺伝子解析データベースＤＢ２に格納する。図６は、遺伝子解析データＤ２の一例を示す。遺伝子解析データＤ２では、それぞれのＣｐＧサイトにおけるＤＮＡメチル化レベルを例えば０〜１の数値で保持する。第２算出手段２０３は、遺伝子解析データＤ２の一部の検査項目についてデータとなる数値が入力されていない場合、数値が入力されていない検査項目に予め設定された所定の数値を入力し、遺伝学的年齢の推定値Ｄ４を算出してもよい。

ここまで、健康診断データＤ１及び第１モデルに基づく死亡リスクの推定値Ｍ及び、表現型年齢の推定値Ｄ３の算出方法及び、遺伝子解析データＤ２及び第２モデルに基づく遺伝学的年齢の推定値Ｄ４の算出方法について説明した。続いて、第３モデルの生成方法について説明する。

係数算出手段２０４は、健康診断データベースＤＢ１に格納された表現型年齢の推定値Ｄ３を取得し、更に遺伝子解析データベースＤＢ２に格納された遺伝学的年齢の推定値Ｄ４を取得し、取得した表現型年齢の推定値Ｄ３及び遺伝学的年齢の推定値Ｄ４に基づいて生物学的年齢の推定値Ｄ５を算出する生物学的年齢推定モデル（第３モデル）の係数を算出する。なお、係数算出手段２０４は、表現型年齢の推定値Ｄ３に代えて死亡リスクの推定値Ｍと、遺伝学的年齢の推定値Ｄ４に基づいて第３モデルの係数を算出してもよい。

健康診断データＤ１の提供者と、遺伝子解析データＤ２の提供者が同一人であれば、表現型年齢の推定値Ｄ３と遺伝学的年齢の推定値Ｄ４が比較的近い数値を示すことは容易に予測できる。しかし、遺伝子解析データＤ２は、遺伝子解析検査に掛かる費用や時間、設備などの観点から第３モデルの学習の為の十分なデータを収集することが困難である。健康診断データＤ１と遺伝子解析データＤ２は、少なくとも１つ以上の共通する参照データを有する。本実施形態では、係数算出手段２０４は、参照データに基づいて健康診断データＤ１と遺伝子解析データＤ２を対応付け、第３モデルの係数の算出に用いる。本実施形態において、参照データは、少なくともデータ提供者の実年齢を含む。参照データは、データ提供者ＩＤ、性別、身長、体重、ＢＭＩ、病歴などデータ提供者の身体状態や健康状態の特徴を示すデータを含んでもよい。また、これらのデータの特定の項目の組み合わせを参照データとしてもよい。

図７は、参照データによる健康診断データＤ１と遺伝子解析データＤ２の対応付けに関する説明図である。ここで、第１モデルは死亡リスク推定モデル及び表現型年齢推定モデルを、第２モデルは遺伝学的年齢推定モデルを、第３モデルは生物学的年齢推定モデルを、それぞれ示す。図７において、健康診断データＤ１と遺伝子解析データＤ２はそれぞれ異なるデータ提供者より取得されたデータであり、異なるデータ提供者ＩＤを有する。ここで、係数算出手段２０４は、参照データとして「実年齢」を参照する場合、健康診断データＤ１と遺伝子解析データＤ２は共通の実年齢を有するため、２つのデータを対応付けて第３モデルの係数の算出に用いる。ここで、更に係数算出手段２０４は、実年齢に加えてデータ提供者の例えば「性別」について参照データとして参照し、実年齢及び性別を共通する参照データとして有する健康診断データＤ１と遺伝子解析データＤ２を用いて第３モデルの係数を算出するようにしてもよい。なお、係数算出手段２０４は、共通のデータ提供者ＩＤを有する健康診断データＤ１と遺伝子解析データＤ２を優先的に対応付けて、係数の算出に用いてもよい。

係数算出手段２０４は、対応付けた健康診断データＤ１及び遺伝子解析データＤ２に基づいてそれぞれ算出された死亡リスクの推定値Ｍ又は表現型年齢の推定値Ｄ３と、遺伝学的年齢の推定値Ｄ４と、を用いて生物学的年齢の推定値Ｄ５を算出する第３モデルの係数を算出する。

本実施形態では、係数算出手段２０４は、所定のモデルに表現型年齢の推定値Ｄ３と遺伝学的年齢の推定値Ｄ４を入力し、回帰分析により生物学的年齢推定モデル（第３モデル）の係数を算出する。この回帰分析により、表現型年齢の推定値Ｄ３が遺伝学的年齢の推定値Ｄ４の近似値に修正され、その近似値を生物学的年齢の推定値Ｄ５として出力する第３モデルが生成される。回帰分析の手法として、機械学習の手法を用いたロジスティック回帰、ｋ近傍法、決定木、ランダムフォレスト、サポートベクターマシンや、統計学の手法を用いたロジスティック分布やゴンペルツ分布を用いた回帰などが挙げられる。また、機械学習を用いた係数の算出手法として、ニューラルネットワークを用いてもよい。本実施形態では、ロジスティック曲線が表現型年齢の分布と類似するシグモイド曲線で表現される点に着目し、ロジスティック分布を用いた回帰を採用したが、如何なる回帰分析の手法が採用されてもよい。

一般的なロジスティック曲線は、式（１３）で表される。ロジスティック回帰分析により表現型年齢の推定値Ｄ３をｘとして入力し、遺伝学的年齢の推定値Ｄ４をｙとして出力する係数ｂ、ｃが求められる。通常のロジスティック曲線を用いた生存時間解析では、年齢ｘとしたときの死亡リスクｙの分布が分析される。このとき、Ｋは死亡リスクｙの最大値を表すためＫ＝１の定数が用いられる。一方、遺伝学的年齢は、遺伝子型に依らない後天的な獲得形質を反映したものであるため、表現型年齢よりも小さい数値となる性質がある。したがって、本実施形態では、Ｋ＝ｘ＝表現型年齢の推定値Ｄ３とすることで、入力である表現型年齢の推定値Ｄ３のｘを遺伝学的年齢の推定値Ｄ４のｙに直接修正するモデルを生成する。これにより、表現型年齢ｘが生成されたモデルに入力されることで、遺伝学的年齢ｙに変換される。なお、遺伝学的年齢の推定値Ｄ４をｘ、健康診断データＤ１に基づいて算出される死亡リスクの推定値Ｍをｙとして式（１３）に入力し、回帰分析により第３モデルの係数を算出する方法も制限されない。

非特許文献２などにおいて、遺伝学的年齢ｙの増加率は、表現型年齢ｘの増加に伴って、指数関数的に減少する傾向にあることが報告されている。式（１３）では、遺伝学的年齢ｙの増加率が、表現型年齢ｘの増加に伴って、指数関数的に減少する傾向を示す。本実施形態では、特に生物学的年齢が６０歳以降のとき、表現型年齢より大きく低下する傾向を反映させる係数を推計する。

係数算出手段２０４は、例えば、１つの遺伝学的年齢ｙに対して、共通の参照データを有する１つ以上の表現型年齢ｘを入力する。係数算出手段２０４は、更にそれによって算出された係数ｂ、ｃについて、非線形最小二乗法や最尤法を用いることで係数ｂ、ｃの近似値を算出する。係数算出手段２０４は、算出した係数ｂ、ｃを所定のモデルの推定係数として入力することで、生物学的年齢の推定値Ｄ５を算出する第３モデルを生成してもよい。係数算出手段２０４によって算出された推定係数または、生成された第３モデルはモデルデータベースＤＢ３に格納される。式（１４）は、係数算出手段２０４により算出された推定係数に基づいて生成された生物学的年齢推定モデル（第３モデル）の一例である。

図８は、縦軸を生物学的年齢の推定値Ｄ５、横軸を表現型年齢の推定値Ｄ３としたときの生物学的年齢と表現型年齢の対応関係を示すグラフである。なお、図８では、式（１４）の表現型年齢の推定値Ｄ３に実年齢を代入している。図８のグラフは、年齢増加に伴って、特に６０歳以降において、表現型年齢に対して生物学的年齢の増加率が低下する傾向を反映していることを示す。

なお、本実施形態の一例では、係数算出手段２０４が回帰分析する際に、正則化項を加味するモデルを採用してもよい。正則化の手法として、リッジ回帰、ラッソ回帰、エラスティックネットなどが挙げられる。正則化については、過学習を抑制するため適宜回帰分析に取り入れることができる。

次いで、図９〜図１２を参照し、本実施形態における年齢推定装置３又は年齢推定装置４を用いた生物学的年齢の推定値Ｄ５を算出する処理を説明する。一実施の形態におけるシステム構成を示す図９を参照すると、年齢推定システムは年齢推定システム１００として具体化されている。

年齢推定システム１００は、年齢推定装置３、ユーザ端末５、外部装置６及び、通信ネットワークＮＷを備える。通信ネットワークＮＷは、インターネットなどのＩＰ（Internet Protocol）網などから構成される。年齢推定装置３、ユーザ端末５、外部装置６は通信ネットワークＮＷを介して通信可能に構成される。なお、以下の説明では、不明確にならない限り通信ネットワークＮＷの介在を省略する。また、ここではユーザ端末５を１つのみ示したが、本実施形態ではユーザ端末５がそれぞれ複数存在する。また、外部装置６ａ及び外部装置６ｂが、それぞれ複数存在してもよい。

年齢推定装置３は、機能構成要素として、入力受付手段３０１、第１算出手段３０２、第３算出手段３０３及び、出力手段３０４、健康診断データベースＤＢ１、モデルデータベースＤＢ３を備える。モデルデータベースＤＢ３は、年齢学習装置２の係数算出手段２０４によって算出された推定係数または、算出された推定係数を用いて生成された第３モデルを格納している。第３算出手段３０３は、モデルデータベースＤＢ３に格納された第３モデルにしたがって、生物学的年齢の推定値Ｄ５を算出する。また、年齢推定装置３は、ハードウェア構成要素として、演算装置、主記憶装置、通信制御部、通信ＩＦ部、補助記憶装置などを備える。

ユーザ端末５はユーザＵにより所持される通信機能を備えたコンピュータ端末（パーソナルコンピュータ、タブレット端末及びスマートフォン端末を含む）である。ユーザＵは、医療機関で健康診断を受診し、紙面又は電子データで健康診断結果を受け取る。ユーザ端末５の入力手段５０１は、健康診断結果を健康診断データＤ１として入力を受け付ける。出力手段５０２は、健康診断データＤ１に一意に対応するユーザ端末５を識別するための識別情報を健康診断データＤ１に付与し、通信手段５０３を介して年齢推定装置３に送信する。本実施形態において、入力手段５０１は、撮像機能とＯＣＲ（Optical Character Recognition）機能を備える。入力手段５０１は、紙面の健康診断結果を撮像機能により撮影し、ＯＣＲ機能で健康診断結果の各項目をそれぞれ健康診断データＤ１としてデータ化する。なお、入力手段５０１は、キーボード入力や、タッチディスプレイを介したフリック入力などにより直接健康診断データＤ１の入力を受け付けてもよい。

外部装置６は、生命保険会社、医療機関、健康増進推奨企業などが所持する通信機能を備えたサーバ装置である。例えば、生命保険会社が所持する外部装置６ａは、ユーザＵの健康状態を示す指標として生物学的年齢を参照し、生命保険の契約を交わす。外部装置６ａの入力手段６０１は、ユーザＵに生物学的年齢を提出させる為の提出要求の入力を受け付ける。出力手段６０２は、提出要求にユーザＵの識別情報を付与し、通信手段６０３を介してユーザ端末５に送信する。ユーザ端末５は、提出要求を受信し、健康診断データＤ１を年齢推定装置３に送信する。年齢推定装置３は、受信した健康診断データＤ１に基づいてユーザＵの生物学的年齢の推定値Ｄ５を少なくとも算出し、算出された生物学的年齢の推定値Ｄ５をユーザＵの識別情報に基づいてユーザ端末５及び外部装置６ａに送信する。

また、医療機関が所持する外部装置６ｂは、ユーザＵの健康診断を実施し、健康診断データＤ１をデータベースに保管する。外部装置６ｂの入力手段６０１は、健康診断データＤ１を提出させる為の提出要求の入力をユーザ端末５から受け付ける。出力手段６０２は、提出要求に含まれるユーザＵの識別情報に対応する健康診断データＤ１を通信手段６０３を介して年齢推定装置３に送信し、年齢推定装置３に生物学的年齢の推定値Ｄ５を算出させる。年齢推定装置３は、生物学的年齢の推定値Ｄ５を算出し、算出結果を提出要求のあったユーザ端末５に送信する。なお、外部装置６ａが、ユーザＵの健康診断データＤ１の提出要求を外部装置６ｂに送信する構成としてもよい。また、外部装置６ａは、ユーザＵからの許諾のうえ、ユーザＵの識別情報を年齢推定装置３に送信することで、算出されたユーザＵの生物学的年齢の推定値Ｄ５を受信できるようにしてもよい。

図１０は、生物学的年齢の推定値Ｄ５を算出する処理の流れを示すフローチャート図である。以下、図１０を参酌し、年齢推定装置３における生物学的年齢の推定値Ｄ５を算出する処理について説明する。

Ｓ２０１において、入力受付手段３０１は、ユーザ端末５又は外部装置６を介して、健康診断データＤ１の入力を受け付け、健康診断データベースＤＢ１に格納する。このとき、入力受付手段３０１は、健康診断データＤ１の送信元を識別する識別情報を健康診断データＤ１に対応付ける。

続くＳ２０２において、第１算出手段３０２は、モデルデータベースＤＢ３より、第１モデル（死亡リスク推定モデル及び表現型年齢推定モデル）を取得し、入力受付手段３０１が入力を受け付けた健康診断データＤ１を第１モデルに入力する。第１算出手段３０２は、第１算出手段２０２と同様の処理により、健康診断データＤ１の入力に基づいて、死亡リスクの推定値Ｍを算出し（Ｓ２０３）、更に死亡リスクの推定値Ｍに基づいて表現型年齢の推定値Ｄ３を算出する（Ｓ２０４）。第１算出手段３０２は、算出した死亡リスクの推定値Ｍ及び表現型年齢の推定値Ｄ３を、算出の基となった健康診断データＤ１と対応付けて健康診断データベースＤＢ１に格納する。

Ｓ２０５において、第３算出手段３０３は、モデルデータベースＤＢ３より第３モデル（生物学的年齢推定モデル）を取得し、Ｓ２０４において算出した表現型年齢の推定値Ｄ３の入力を受け付ける。これによって、Ｓ２０６において、第３算出手段３０３は、健康診断データＤ１に基づく生物学的年齢の推定値Ｄ５を算出する。第３算出手段３０３は、算出した生物学的年齢の推定値Ｄ５を、算出の基となった健康診断データＤ１と対応付けて格納する。

出力手段３０４は、健康診断データＤ１の送信元を識別する情報に基づいて送信元であるユーザ端末５又は外部装置６を特定し、年齢推定結果を送信する。年齢推定結果には、生物学的年齢の推定値Ｄ５の他に、生物学的年齢の推定値Ｄ５に基づいて算出された１０年以内の死亡リスクの推定値Ｍ２及び、生物学的年齢の推定値Ｄ５に特に寄与した健康診断データＤ１の検査項目を要注意項目Ａとして含んでもよい。出力手段３０４は、年齢推定結果を表示処理したうえで、ユーザ端末５又は外部装置６ａに送信する。ユーザ端末５又は外部装置６ａは、表示処理結果を受信し、年齢推定結果を表示させる。これによって、ユーザＵは、健康診断データＤ１に基づいて生物学的年齢の推定値Ｄ５、死亡リスクの推定値Ｍ２及び要注意項目Ａを確認し、自身の健康状態の把握に活用できる。外部装置６ａを所持する生命保険会社は、例えばユーザＵの生物学的年齢の推定値Ｄ５を参照し、将来的な健康リスクを加味して保険契約を交わすことができる。

出力手段３０４は、生物学的年齢の推定値Ｄ５を式（１１）の左辺に代入することで、死亡リスクの推定値Ｍ２を算出する。生物学的年齢の推定値Ｄ５に基づいて算出される死亡リスクの推定値Ｍ２は、表現型年齢の推定値Ｄ３と対応する死亡リスクの推定値Ｍよりも信頼性の高い数値として得られる。

出力手段３０４は、死亡リスクの推定値Ｍに対する寄与度（β_ｉ×ｘ_ｉ）の計算により生物学的年齢に寄与した検査項目の数値を評価することで、要注意項目Ａを特定する（図４参照）。ｘ_ｉは任意の検査項目の実数値を、また、β_ｉは、任意の検査項目の重みを表す。出力手段３０４は、この計算結果により得られた各検査項目の数値を比較したとき、数値が大きい検査項目ほど生物学的年齢に対する寄与が大きいと評価する。要注意項目Ａは、注意が必要な程度に応じて異なる数値として出力される。例えば、やや注意が必要な項目に１、十分な注意が必要な項目に２が出力される。

図１１は、生物学的年齢の推定値Ｄ５の算出に用いる健康診断データＤ１の入力画面及び、算出された生物学的年齢の推定値Ｄ５を含む年齢推定結果を表示する結果画面の画面表示例を示す。

図１１（ａ）は、ユーザ端末５における健康診断データＤ１の入力を受け付ける入力画面Ｗ１の一例である。入力画面Ｗ１は、項目表示部Ｗ１１、数値入力部Ｗ１２、決定ボタンＷ１３を備える。項目表示部Ｗ１１は、第１モデルに入力し、死亡リスクの推定値Ｍ及び表現型年齢の推定値Ｄ３を算出する為に選定された健康診断データＤ１の項目を表示する。数値入力部Ｗ１２は、例えば、ユーザ端末５の入力手段５０１を介して健康診断データＤ１の項目における実数値の入力を受け付ける。本実施形態では、数値入力部Ｗ１２に入力される各項目の数値は、入力手段５０１のＯＣＲ機能により自動的に入力されるが、手入力などで数値が変更されてもよい。ユーザ端末５は、数値入力部Ｗ１２に入力された健康診断データＤ１を、決定ボタンＷ１３が押下されることで年齢推定装置３又は年齢推定装置４に送信する。このようにして、入力受付手段３０１又は入力受付手段４０１は、送信された健康診断データＤ１の入力を受け付ける（図１０のＳ２０１）。

図１１（ｂ）は、ユーザ端末５における年齢推定結果を表示する結果画面Ｗ２の画面表示例を示す。結果画面Ｗ２は、年齢推定結果を表示する結果表示部Ｗ２１を備える。結果表示部Ｗ２１は、出力手段３０４により出力された年齢推定結果に基づいて表示され、表示内容として、入力された健康診断データＤ１に対応するユーザＵの実年齢、表現型年齢、生物学的年齢、１０年後生存確率、１０年以内死亡率、要注意項目などを含む。表現型年齢は、表現型年齢の推定値Ｄ３に基づいて表示され、生物学的年齢は、生物学的年齢の推定値Ｄ５に基づいて表示される。表現型年齢は、必要に応じて、健康診断年齢などと呼称し、表示されてもよい。１０年以内死亡率は、死亡リスクの推定値Ｍ２に基づいて、例えば百分率などで表示される。１０年後生存確率は、死亡リスクの推定値Ｍ２を用いて、１−Ｍ２の計算により算出された数値に基づいて表示される。１０年以内死亡率と１０年後生存確率は、どちらか一方のみを表示する構成であってもよい。要注意項目は、要注意項目Ａに基づいて表示される。また、十分な注意が必要な項目を要注意項目、やや注意が必要な項目を注意項目とするなど、注意が必要な程度に応じて異なる表示がされる。また、健康診断受診者の健康状態を総合的に判断して、表示することも可能である。例えば、生物学的年齢の推定値Ｄ５が実年齢よりも低ければ、「優良」、生物学的年齢の推定値Ｄ５が実年齢と同程度であれば、「相応」、生物学的年齢の推定値Ｄ５が実年齢よりも高ければ、「注意」と表示することが可能である。なお、この際、簡単な健康上や生活上のアドバイスを表示することが可能である。例えば、「優良」と判断された受診者には、「実年齢より若々しいあなた。周りの人からも若く見られるのでは？そんなあなたは、今が頑張り時！今頑張って将来のための貯蓄をおススメします！！！」と表示し、「相応」と判断された受診者には、「実年齢相当のあなた。とても適した生活ができています。この調子で充実した日常を過ごしましょう。より充実させるためにこんなレジャーや商品はいかが？」と表示し、「注意」と判断された受診者には、「実年齢より老け込んでいます。周りから年上にみられているかも？でも大丈夫！生物学的年齢にあった生活を行えば、加齢は緩み、実年齢が追い越せば若々しくなるはず。そんなあなたへのおすすめは運動と食事のサポート。万一のための保険も検討しよう！」などと表示することが可能である。さらに、死亡リスクの推定値Ｍ２をグラフにして表示することも可能である。なお、結果画面Ｗ２は、生命保険会社において、外部装置６ａが取得した年齢推定結果を端末装置に出力するなどして同様の画面を表示するようにしてもよい。

年齢学習装置２及び、年齢推定装置３は、図１２に例示するように年齢推定装置４として１装置によって実現されてもよい。年齢推定装置４は、機能構成要素として、入力受付手段４０１、第１算出手段４０２、第２算出手段４０３、係数算出手段４０４、第３算出手段４０５、出力手段４０６及び、健康診断データベースＤＢ１、遺伝子解析データベースＤＢ２、モデルデータベースＤＢ３を備える。

年齢推定装置４を用いた生物学的年齢の推定値Ｄ５を算出する処理について、説明する。年齢推定装置４は、年齢学習装置２及び年齢推定装置３の機能を一括で処理する装置である。初めに、入力受付手段４０１は、モデルを生成する為の健康診断データＤ１及び遺伝子解析データＤ２の入力を受け付ける。第１算出手段４０２は、モデルデータベースＤＢ３より第１モデルを取得し、入力受付手段４０１より受け渡された健康診断データＤ１に基づいて死亡リスクの推定値Ｍ及び表現型年齢の推定値Ｄ３を算出する。第２算出手段４０３は、モデルデータベースＤＢ３より第２モデルを取得し、入力受付手段４０１より受け渡された遺伝子解析データＤ２に基づいて遺伝学的年齢の推定値Ｄ４を算出する。係数算出手段４０４は、第１算出手段４０２及び第２算出手段４０３により算出された推定値（Ｍ、Ｄ３、Ｄ４）を回帰分析することにより、生物学的年齢の推定値Ｄ５を算出する第３モデルの係数を算出し、モデルデータベースＤＢ３に格納する。第３モデルは、例えば、表現型年齢の推定値Ｄ３を、遺伝学的年齢の推定値Ｄ４の近似値（生物学的年齢の推定値Ｄ５）に修正する。以上のプロセスを経て、年齢推定装置４は、健康診断データＤ１から直接に生物学的年齢の推定値Ｄ５を算出する機能を備えることとなる。次に、入力受付手段４０１は、生物学的年齢の推定値Ｄ５を算出する為の健康診断データＤ１の入力を受け付け、第１算出手段４０２は、健康診断データＤ１を第１モデルに入力し、表現型年齢の推定値Ｄ３を算出する。第３算出手段４０５は、モデルデータベースＤＢ３に格納された第３モデルを取得し、第３モデルを用いて表現型年齢の推定値Ｄ３を生物学的年齢の推定値Ｄ５に変換する。出力手段４０６は、第３算出手段により算出された生物学的年齢の推定値Ｄ５などを出力することで、ユーザ端末５や外部装置６ａにデータを提供する。

本実施形態の応用形態としては、マーケッティングツールとしての活用が考えられる。本人の承諾のもと、情報提供者は、例えば、生物学的年齢が実年齢よりも短い（健康的な）健康診断受診者には、年金保険への加入の推奨や長生きを前提とした商品の情報提供を行うことが考えられる。例えば、将来の長生きリスクに備えた貯蓄の推奨や、インフレを想定した試算用のアドバイスなどが考えられる。一方、生物学的年齢が実年齢よりも長い（健康的ではない）健康診断受診者には、生命保険への加入の推奨や健康増進に役立つ商品の情報提供を行うことが考えられる。例えば、トレーニングジムへの入会の勧誘や体に良い健康食品の紹介等が考えられる。この機能を活用することによって、健康診断受診者は、自分に相応しい商品の情報を入手することが可能となる。すなわち、本機能を活用することによって、情報提供者は、消費者を健康状態に応じて区分し、ターゲットを定めたマーケッティング活動を実施することが可能となると同時に、健康診断受診者は、自分に相応しい商品の情報を入手することが可能となる。さらに、本実施形態を利用する人々は、健康に関心を持った人々である。これらの人々の情報を匿名化してデータベース化することによって、新たな商品開発や創薬のデータベースとして活用することも可能である。

本実施形態の別の応用形態としては、生命保険会社での利用が考えられる。例えば、生物学的年齢が実年齢よりも短い（健康的な）健康診断受診者ヘは、終身保険の保険料を割り引くことが可能となる。反対に、生物学的年齢が実年齢よりも長い（健康的ではない）健康診断受診者には、終身保険の保険料を割り増すことが可能となる。このように、本実施形態の導入は、保険会社のビジネスモデルを変化させる可能性がある。同様に、本実施形態の別の応用形態としては、銀行での利用が考えられる。例えば、生物学的年齢が実年齢よりも短い（健康的な）健康診断受診者ヘは、融資の利率や個人ローンの金利を割り引くことが可能となる。反対に、生物学的年齢が実年齢よりも長い（健康的ではない）健康診断受診者には、融資の利率や個人ローンの金利を割り増すことが可能となる。このように、本実施形態の導入は、銀行のビジネスモデルを変化させる可能性がある。本実施形態が普及することによって、金融機関は、個人の属性に応じた金融商品を提供することが可能となる。

本実施形態には、「遺伝子検査と保険」の問題を回避するメリットがある。「遺伝子検査と保険」の問題とは、遺伝子検査が普及するにつれて、遺伝子上の問題を抱える人（将来病気になる可能性の高い人）だけが保険契約を結ぶようになり（いわゆる逆選択）、保険会社の経営が成り立たなくなる問題である。これに対して、本実施形態は、遺伝子の解析データに基づくものの（第２モデル）、アウトプットされるのは、生物学的年齢の推定値D５と実年齢の差のみである。既述のとおり、生物学的年齢の推定値D５が実年齢よりも短い（健康的な）健康診断受診者には金融商品の優遇を行い、生物学的年齢の推定値D5が実年齢よりも長い（健康的でない）健康診断受診者には金融商品の優遇を行わないのは、通常の商品の販売者と何ら異なることはない行動である。本実施形態においては、「遺伝子検査と保険」の問題をクリアしながら、消費者のニーズに合わせた金融商品を提供できるメリットがある。

本実施形態の最大の受益者は、健康診断受診者本人である。本実施形態によって、健康診断受診者は。自分の健康状態をこれまで以上に正確に知ることができるようになる。この結果、生物学的年齢の推定値Ｄ５が実年齢よりも短い（健康的な）健康診断受診者は、より一層健康的な活動を行うことができるようになる。一方、生物学的年齢の推定値Ｄ５が実年齢よりも長い（健康的でない）健康診断受診者は、健康増進のための活動に取り組むきっかけを得ることができる。このように、本実施形態の最大のメリットは、健康診断受診者に健康増進のインセンティブを与えることにある。このような活動が国全体で広がることで、現在、国民的な課題である医療費の削減にも繋がることが期待される。

２ 年齢学習装置
２１ 演算装置（ＣＰＵ）
２２ 主記憶装置（ＲＡＭ）
２３ 通信制御部
２４ 通信ＩＦ部
２５ 補助記憶装置
２０１ 入力受付手段
２０２ 第１算出手段
２０３ 第２算出手段
２０４ 係数算出手段
ＤＢ１ 健康診断データベース
ＤＢ２ 遺伝子解析データベース
ＤＢ３ モデルデータベース
３ 年齢推定装置
３０１ 入力受付手段
３０２ 第１算出手段
３０３ 第３算出手段
３０４ 出力手段
４ 年齢推定装置
４０１ 入力受付手段
４０２ 第１算出手段
４０３ 第２算出手段
４０４ 係数算出手段
４０５ 第３算出手段
４０６ 出力手段
５ ユーザ端末
５０１ 入力手段
５０２ 出力手段
５０３ 通信手段
６ 外部装置
６０１ 入力手段
６０２ 出力手段
６０３ 通信手段
１００ 年齢推定システム
Ｄ１ 健康診断データ
Ｄ２ 遺伝子解析データ
Ｄ３ 表現型年齢の推定値
Ｄ４ 遺伝学的年齢の推定値
Ｄ５ 生物学的年齢の推定値
Ｍ 死亡リスクの推定値
Ｍ２ 死亡リスクの推定値
Ａ 要注意項目
ＮＷ 通信ネットワーク
Ｗ１ 入力画面
Ｗ１１ 項目表示部
Ｗ１２ 数値入力部
Ｗ１３ 決定ボタン
Ｗ２ 結果画面
Ｗ２１ 結果表示部

Claims (13)

1. 生物学的年齢を推定する為の推定モデルの係数を算出する年齢学習装置であって、
   学習用健康診断データ及び、学習用遺伝子解析データの入力を受け付ける入力受付手段と、
   前記学習用健康診断データを用いて少なくとも死亡リスクの推定値を算出する第1算出手段と、
   前記学習用遺伝子解析データを用いて遺伝学的年齢の推定値を算出する第２算出手段と、
   前記第１算出手段及び、前記第２算出手段により算出された推定値に基づいて、生物学的年齢の推定値を算出する為の推定モデルの推定係数を算出する係数算出手段と、を備え、
   前記学習用健康診断データと前記学習用遺伝子解析データは、少なくとも１以上の共通する参照データを有し、
   前記係数算出手段は、共通の参照データが含まれる前記学習用健康診断データ及び前記学習用遺伝子解析データに基づいて、前記推定モデルを生成する、年齢学習装置。
2. 前記係数算出手段は、生物学的年齢を算出する回帰式の係数として前記推定係数を用いて推定モデルを生成する請求項１に記載の年齢学習装置。
3. 前記第１算出手段は、算出した死亡リスクの推定値を用いて表現型年齢の推定値を更に算出する請求項１又は請求項２に記載の年齢学習装置。
4. 前記参照データは、少なくともデータ提供者の実年齢を含む請求項１〜請求項３の何れかに記載の年齢学習装置。
5. 前記係数算出手段は、不同のデータ提供者より取得される前記学習用健康診断データと前記学習用遺伝子解析データに基づいて前記推定モデルを生成する請求項１〜請求項４の何れかに記載の年齢学習装置。
6. 前記学習用遺伝子解析データは、少なくともＤＮＡメチル化レベルを示す数値を含む請求項１〜請求項５の何れかに記載の年齢学習装置。
7. 前記学習用健康診断データは、アルブミン、クレアチニン、グルコース、Ｃ反応性蛋白、リンパ球、平均赤血球容積、赤血球分布幅、アルカリフォスファターゼ、白血球数、実年齢のうち少なくとも１以上を含む請求項１〜請求項６の何れかに記載の年齢学習装置。
8. 前記年齢学習装置によって算出された推定係数に基づく推定モデルを用いて生物学的年齢を推定する年齢推定装置であって、
   推定用健康診断データの入力を受け付ける入力受付手段と、
   前記推定用健康診断データを用いて少なくとも死亡リスクの推定値を算出する第１算出手段と、
   前記推定用健康診断データを用いて前記第１算出手段により算出された推定値を前記推定モデルに入力し、生物学的年齢の推定値を算出する第３算出手段と、を備える請求項１〜請求項７の何れかに記載の年齢推定装置。
9. 前記第１算出手段は、前記推定用健康診断データを用いて前記第１算出手段により算出された死亡リスクの推定値を用いて表現型年齢の推定値を更に算出し、
   前記第３算出手段は、前記表現型年齢の推定値を前記推定モデルに入力し、生物学的年齢の推定値を算出する請求項８に記載の年齢推定装置。
10. 前記第３算出手段は、前記学習用健康診断データ又は、前記推定用健康診断データの一部の項目についてデータが入力されない場合、データが入力されない項目に予め設定された所定値を入力する請求項８又は請求項９に記載の年齢推定装置。
11. 前記推定用健康診断データは、アルブミン、クレアチニン、グルコース、Ｃ反応性蛋白、リンパ球、平均赤血球容積、赤血球分布幅、アルカリフォスファターゼ、白血球数、実年齢のうち少なくとも１以上を含む請求項８〜請求項１０の何れかに記載の年齢推定装置。
12. 生物学的年齢を推定する為の係数を算出する年齢学習方法であって、
    学習用健康診断データ及び、学習用遺伝子解析データの入力を受け付けるステップと、
    前記学習用健康診断データを用いて少なくとも死亡リスクの推定値を算出する第１算出ステップと、
    前記学習用遺伝子解析データを用いて遺伝学的年齢の推定値を算出する第２算出ステップと、
    前記第１算出ステップ及び、前記第２算出ステップにより算出された推定値に基づいて、生物学的年齢の推定値を算出する為の推定係数を算出するステップと、をコンピュータが実行し、
    前記学習用健康診断データと前記学習用遺伝子解析データは、少なくとも１以上の共通する参照データを有し、
    前記推定係数を算出するステップは、共通の参照データが含まれる前記学習用健康診断データ及び前記学習用遺伝子解析データに基づいて、前記推定係数を算出する、年齢学習方法。
13. 生物学的年齢を推定する為の係数を算出する年齢学習プログラムであって、
    コンピュータを、学習用健康診断データ及び、学習用遺伝子解析データの入力を受け付ける入力受付手段と、
    前記学習用健康診断データを用いて少なくとも死亡リスクの推定値を算出する第1算出手段と、
    前記学習用遺伝子解析データを用いて遺伝学的年齢の推定値を算出する第２算出手段と、
    前記第１算出手段及び、前記第２算出手段により算出された推定値に基づいて、生物学的年齢の推定値を算出する為の推定係数を算出する係数算出手段と、として機能させ、
    前記学習用健康診断データと前記学習用遺伝子解析データは、少なくとも１以上の共通する参照データを有し、
    前記係数算出手段は、共通の参照データが含まれる前記学習用健康診断データ及び前記学習用遺伝子解析データに基づいて、前記推定モデルを生成する、年齢学習プログラム。

Images