JP7299427B2 - 機械学習に基づいて心理指標データ及び身体指標データを学習することにより、精神健康を予測し、精神健康ソリューションを提供する方法及びそれを用いた精神健康評価装置 - Google Patents

機械学習に基づいて心理指標データ及び身体指標データを学習することにより、精神健康を予測し、精神健康ソリューションを提供する方法及びそれを用いた精神健康評価装置 Download PDF

Info

Publication number
JP7299427B2
JP7299427B2 JP2022546498A JP2022546498A JP7299427B2 JP 7299427 B2 JP7299427 B2 JP 7299427B2 JP 2022546498 A JP2022546498 A JP 2022546498A JP 2022546498 A JP2022546498 A JP 2022546498A JP 7299427 B2 JP7299427 B2 JP 7299427B2
Authority
JP
Japan
Prior art keywords
learning
mental health
data
test
predictive
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
Application number
JP2022546498A
Other languages
English (en)
Other versions
JP2023509224A (ja
Inventor
ジョン・ホ・ソク
ス・ア・ジャン
スン・ウ・チェ
テ・ジュン・キム
チャン・ヒュン・キム
リュン・スプ・アン
Original Assignee
マインズエーアイ・カンパニー・リミテッド
インダストリー－アカデミック コーポレーション ファウンデーション，ヨンセイ ユニバーシティ
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by マインズエーアイ・カンパニー・リミテッド, インダストリー－アカデミック コーポレーション ファウンデーション，ヨンセイ ユニバーシティ filed Critical マインズエーアイ・カンパニー・リミテッド
Publication of JP2023509224A publication Critical patent/JP2023509224A/ja
Application granted granted Critical
Publication of JP7299427B2 publication Critical patent/JP7299427B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/74—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving hormones or other non-cytokine intercellular protein regulatory factors such as growth factors, including receptors to hormones and growth factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14507—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue specially adapted for measuring characteristics of body fluids other than blood
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Psychiatry (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Psychology (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Social Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • General Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Cardiology (AREA)
  • Theoretical Computer Science (AREA)
  • Microbiology (AREA)
  • Biotechnology (AREA)
  • Software Systems (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)

Description

本発明は、精神健康を予測し、精神健康ソリューションを提供する方法及びそれを用いた精神健康評価装置に関する。さらに詳細には、機械学習（Machine Learning）に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供する方法及びそれを用いた精神健康評価装置に関する。
うつ病などを含む精神疾患はその様相が多様であり、健康人と対照して軽症患者や重症患者の精神健康を判断することが難しい問題点が存在した。
また、軽症患者や重症患者のそれぞれに適合した精神健康ソリューションがだかいに異なるため、各々の患者に適合した様々な心理治療プロセス及び様々な薬物治療プロセスを含む特定の精神健康ソリューションを選択して提供することが難しい問題が存在した。
例えば、軽症うつ病患者は薬物治療だけで症状の好転が行われるか、心理治療だけで症状の好転が行われ得る一方、重症うつ病患者は薬物治療と心理治療を一緒に適用しなければ症状の好転がなされる差があるが、どの患者にどの程度の薬物治療及び心理治療を提供すべきかを判断することが困難難しい問題点が存在した。
したがって、前記問題を解決するための改善案が求められる実情である。
本発明は、前述した問題点を全て解決することをその目的とする。
また、本発明は、機械学習に基づいて健康な人及び患者の身体指標(Biological)データ及び心理指標データを学習することにより、テスト対象者の精神健康を予測することを他の目的とする。
また、本発明は、テスト対象者について予測した精神健康データに基づいてテスト対象者に適合した精神健康ソリューションを提供することをまた他の目的とする。
前記のような本発明の目的を達成し、後述する本発明の特徴的な効果を実現するための、本発明の特徴的な構成は以下の通りである。
本発明の一態様によれば、機械学習に基づいて心理指標データ及び身体指標データを学習することにより精神健康を予測し、精神健康ソリューションを提供する方法において、（a）複数の学習対象者に対する学習用心理指標データ及び学習用身体指標データが第１予測モデルに入力された後、前記第１予測モデルから出力された学習用予測精神健康データ及びこれに対応されるＧＴ（Ground Truth）精神健康データを参照として、前記第１予測モデルが学習された状態で、精神健康評価装置が、テスト対象者のテスト対象者端末から前記テスト対象者のテスト用心理指標データ及びテスト用身体指標データを獲得する段階と、（ｂ）前記精神健康評価装置が、前記テスト用心理指標データ及び前記テスト用身体指標データを前記第１予測モデルに入力し、前記第１予測モデルにしてテスト用予測精神健康データを出力するようにする段階とを含む方法が開示される。
一例として、前記第１予測モデルは、第１＿１予測モデル、第１＿２予測モデル及び第１＿３予測モデルを含み、前記（a）段階で、（ｉ）前記学習対象者の第１＿１学習用肯定心理情報及び第１＿１学習用否定心理情報の内、少なくとも一部を含む第１＿１学習用心理指標データが前記第１＿１予測モデルに入力された後、前記第１＿１予測モデルから出力された第１＿１学習用予測精神健康データ及びそれに対応する第１＿１ＧＴ精神健康データを参照して前記第１＿１予測モデルが学習され、（ｉｉ）前記第１＿１学習用予測精神健康データ又は前記第１＿１ＧＴ精神健康データ、前記学習対象者の第１＿２学習用肯定心理情報及び第１＿２学習用否定心理情報の内、少なくとも一部を含む第１＿２学習用心理指標データが前記第１＿２予測モデルに入力された後、前記第１＿２予測モデルから出力された第１＿２学習用予測精神健康データ及びそれに対応する第１＿２ＧＴ精神健康データを参照して前記第１＿２予測モデルが学習され、（ｉｉｉ）前記第１＿２学習用予測精神健康データ又は第１＿２ＧＴ精神健康データ、前記学習用身体指標データが第１＿３予測モデルに入力された後、前記第１＿３予測モデルから出力された第１＿３学習用予測精神健康データ及びそれに対応する第１＿３ＧＴ精神健康データを参照して前記第１＿３予測モデルが学習された状態で、前記精神健康評価装置が、前記テスト対象者の前記テスト対象者端末から第１＿１テスト用心理指標データ、第１＿２テスト用心理指標データ及び前記テスト用身体指標データを獲得し、前記（ｂ）段階で、前記精神健康評価装置が、（ｉ）前記第１＿１テスト用心理指標データを前記第１＿１予測モデルに入力し、前記第１＿１予測モデルにして第１＿１テスト用予測精神健康データを出力するようにし、（ｉｉ）前記第１＿１テスト用予測精神健康データ及び前記第１＿２テスト用心理指標データを前記第１＿２予測モデルに入力し、前記第１＿２予測モデルにして第１＿２テスト用予測精神健康データを出力するようにし、（ｉｉｉ）前記第１＿２テスト用予測精神健康データ及び、前記テスト用身体指標データを第１＿３予測モデルに入力し、前記第１＿３予測モデルにして第１＿３テスト用予測精神健康データを出力するようにすることを特徴とする方法が開示される。
一例として、前記学習用身体指標データは、前記学習対象者の学習用ホルモン濃度値を含み、前記テスト用身体指標データは、前記テスト対象者のテスト用ホルモン濃度値を含み、前記（a）段階において、前記第１＿２学習用予測精神健康データまたは前記第１＿２ＧＴ精神健康データ、前記学習対象者の前記学習用ホルモン濃度値を含む前記学習用身体指標データが前記第１＿３予測モデルに入力さた後、前記第１＿３予測モデルから出力された前記第１＿３学習用予測精神健康データ及び前記第１＿３ＧＴ精神健康データを参照して前記第１＿３予測モデルが学習されることを特徴とする方法が開示される。
一例として、前記学習用ホルモン濃度値は、学習用コルチゾール濃度値及び学習用ＤＨＥＡ（Dehydroepiandrosterone）濃度値を含み、前記テスト用ホルモン濃度値は、テスト用コルチゾール濃度値及びテスト用ＤＨＥＡ濃度値を含むことを特徴とする方法が開示される。
一例として、前記学習用ホルモン濃度値は、学習用性ホルモン濃度値をさらに含み、前記テスト用ホルモン濃度値は、テスト用性ホルモン濃度値をさらに含み、前記（ａ）段階において、前記学習用性ホルモン濃度値が臨界範囲を満たす場合、前記第１_１学習用肯定心理情報及び前記第１_２学習用肯定心理情報に適用される第１重みが、前記第１_１学習用否定心理情報及び前記第１_２学習用否定心理情報に適用される第２重みより小さく設定された状態で、前記第１_１予測モデル～第１＿３予測モデルが学習されることを特徴とする方法が開示される。
一例として、（ｉ）前記学習対象者が起床した時点から第１臨界時間範囲内に存在する第１学習用採取時点乃至第３学習用採取時点及び前記学習対象者が就寝した時点から第２臨界時間範囲内に存在する第４学習用採取時点で採取された第１学習用唾液～第４学習用唾液及び（ｉｉ）前記テスト対象者が起床した時点から前記第１臨界時間範囲内に存在する第１テスト用採取時点～第３テスト用採取視点及び前記テスト対象者が就寝した時点から前記第２臨界時間範囲内に存在する第４テスト用採取時点で採取された第１テスト用唾液～第４テスト用唾液のそれぞれが分析され、前記学習用ホルモン濃度値及び前記テスト用ホルモン濃度値のそれぞれが算出されることを特徴とする方法が開示される。
一例として、放射性同位元素法を介して前記第１学習用唾液～前記第４学習用唾液及び前記第１テスト用唾液～前記第４テスト用唾液のそれぞれを分析することにより、前記学習用ホルモン濃度値及び前記テスト用ホルモン濃度値それぞれが算出されることを特徴とする方法が開示される。
一例として、前記学習用身体指標データは、前記学習対象者の学習用心拍変異度値を含み、前記テスト用身体指標データは、前記テスト対象者のテスト用心拍変異度値を含み、前記（a）段階において、前記第１＿２学習用予測精神健康データまたは前記第１＿２ＧＴ精神健康データ、前記学習対象者の前記学習用心拍変異度値を含む前記学習用身体指標データが前記第１＿３予測モデルに入力された後、前記第１＿３予測モデルから出力された前記第１＿３学習用予測精神健康データ及び前記第１＿３ＧＴ精神健康データを参照して前記第１＿３予測モデルが学習されることを特徴とする方法が開示される。
一例として、前記学習用身体指標データは、前記学習対象者の学習用脳映像データ及び学習用マイクロバイオムデータを含み、前記テスト用身体指標データは、前記テスト対象者のテスト用脳映像データ及びテスト用マイクロバイオムデータを含み、前記（a）段階において、前記第１＿２学習用予測精神健康データ又は前記第１＿２ＧＴ精神健康データ、前記学習対象者の前記学習用脳映像データ及び前記学習用マイクロバイオーム（microbiome）データを含む前記学習用身体指標データが前記第１＿３予測モデルに入力された後、前記第１＿３予測モデルから出力された前記第１＿３学習用予測精神健康データ及び第１＿３ＧＴ精神健康データを参照して第１＿３予測モデルが学習されることを特徴とする方法が開示される。
一例として、前記第１＿１学習用心理指標データは、前記学習対象者の学習用成人愛着類型情報、学習用成長期否定的経験情報及び学習用心を推し量る能力情報を含み、前記第１＿２学習用心理指標データは、前記学習対象者の学習用うつ病症状尺度情報及び学習用自殺危険性情報を含み、前記第１＿１テスト用心理指標データは、前記テスト対象者のテスト用成人愛着類型情報、テスト用成長期否定的経験情報及びテスト用心を推し量る能力情報を含み、前記第１＿２テスト用心理指標データは、前記テスト対象者のテスト用うつ症状尺度情報及びテスト用自殺危険性情報を含み、前記（a）段階において、（ｉ）前記学習用成人愛着類型情報、前記学習用成長期否定的経験情報及び前記学習用心を推し量る能力情報を含む前記第１＿１学習用心理指標データが前記第１＿１予測モデルに入力された後、前記第１＿１予測モデルから出力された前記第１＿１学習用予測精神健康データ及びそれに対応する前記第１＿１ＧＴ精神健康データを参照して前記第１＿１予測モデルが学習され、（ｉｉ）前記第１＿１学習用予測精神健康データ又は前記第１＿１ＧＴ精神健康データ、前記学習用うつ症状尺度情報及び前記学習用自殺危険性性情報を含む前記第１＿２学習用心理指標データが前記第１＿２予測モデルに入力された後、第１＿２予測モデルから出力された前記第１＿２学習用予測精神健康データ及びそれに対応する前記第１＿２ＧＴ精神健康データを参照して前記第１＿２予測モデルが学習されることを特徴とする方法が開示される。
一例として、前記第１＿１学習用心理指標データ及び前記第１＿２学習用心理指標データの内、少なくとも一部は、前記学習対象者の学習用回復弾力性情報をさらに含み、前記第１＿１テスト用心理指標データ及び前記第１＿２テスト用心理指標データの内、少なくとも一部は、前記テスト対象者のテスト用回復弾力性情報をさらに含むことを特徴とする方法が開示される。
一例として、前記（a）ステップにおいて、（ｉ）前記学習対象者に対する前記学習用心理指標データ及び前記学習用身体指標データが前記第１予測モデルに入力された後、前記第１予測モデルから出力された前記学習用予測精神健康データ及び前記ＧＴ精神健康データを参照して前記第１予測モデルが学習され、（ｉｉ）前記学習用予測精神健康データまたは前記ＧＴ精神健康データが第２予測モデルに入力された後前記第２予測モデルから出力された（ii－１）薬物治療プロセスと心理治療プロセスの内、少なくとも一部が前記学習対象者に適用されることにより精神健康状態が変化した学習対象者に対する学習用治療後予測精神健康データ、（ii－２）前記薬物治療プロセスの対する学習用予測薬物治療データ、（ii－３）前記心理治療プロセスの対する学習用予測心理治療データ、及びそれぞれに対応する治療後のＧＴ精神健康データ、ＧＴ薬物治療データ及びＧＴ心理治療データを参照として、前記第２予測モデルが学習された状態で、前記精神健康評価装置が、前記テスト対象者の前記テスト対象者端末から前記テスト対象者の前記テスト用心理指標データ及び前記テスト用身体指標データを獲得し、前記（ｂ）ステップにおいて、前記精神健康評価装置が前記テスト用心理指標データ及び前記テスト用身体指標データを前記第１予測モデルに入力して前記第１予測モデルにして前記テスト用予測精神健康データを出力するようにすることを特徴とするが、
（ｃ）前記精神健康評価装置が、前記テスト用予測精神健康データを前記第２予測モデルに入力し、前記第２予測モデルにして前記薬物治療プロセス及び前記心理治療プロセス中に、前記テスト対象者に適用する特定の薬物治療プロセスのテスト用予測薬物治療データと、特定の心理治療プロセスのテスト用予測心理治療データとを含む特定の精神健康ソリューションを提供するようにするステップをさらに含むことを特徴とする方法が開示される。
本発明の他の態様に係れば、機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供する精神健康評価装置において、インストゥラクション（instruction）を貯蔵する少なくとも１つのメモリと、前記インストゥラクションを実行するために構成された少なくとも１つのプロセッサを含むが（１）複数の学習対象者の学習用心理指標データ及び学習用身体指標データが第１予測モデルに入力された後、前記第１予測モデルから出力された学習用予測精神健康データ及びそれに対応するＧＴ（Ground Truth）精神健康データを参照して前記第１予測モデルが学習された状態で、テスト対象者のテスト対象者端末から前記テスト対象者のテスト用心理指標データ及びテスト用身体指標データを獲得するプロセスと、（２）前記テスト用心理指標データ及び前記テスト用身体指標データを前記第１予測モデルに入力し、前記第１予測モデルにしてテスト用予測精神健康データを出力するようにするプロセスを行う精神健康評価装置が開示される。
一例として、前記第１予測モデルは、第１＿１予測モデル、第１＿２予測モデル、及び第１＿３予測モデルを含み、前記プロセッサは、前記（１）プロセスにおいて、（ｉ）前記学習対象者の第１＿１学習用肯定心理情報及び第１＿１学習用不正心理情報の内、少なくとも一部を含む第１＿１学習用心理指標データが前記第１＿１予測モデルに入力された後、前記第１＿１予測モデルから出力された第１＿１学習用予測精神健康データ及びそれに対応する第１＿１ＧＴ精神健康データを参照して前記第1_1予測モデルが学習され、（ｉｉ）前記第１＿１学習用予測精神健康データ又は前記第１＿１ＧＴ精神健康データ、前記学習対象者の第１＿２学習用肯定心理情報及び第１＿２学習用否定心理情報の内、少なくとも一部を含む第１＿２学習用心理指標データが前記第１＿２予測モデルに入力された後、前記第１＿２予測モデルから出力された第１＿２学習用予測精神健康データ及びそれに対応する第１＿２ＧＴ精神健康データを参照して前記第１＿２予測モデルが学習され、（ｉｉｉ）前記第１＿２学習用予測精神健康データ又は前記第１＿２ＧＴ精神健康データ、前記学習用身体指標データが前記第１＿３予測モデルに入力された後前記第１＿３予測モデルから出力された第１＿３学習用予測精神健康データ及びそれに対応する第１＿３ＧＴ精神健康データを参照して前記第１＿３予測モデルが学習された状態で、前記テスト対象者の前記テスト対象者端末から第１＿１テスト用心理指標データ、第１＿２テスト用心理指標データ、及び前記テスト用身体指標データを獲得し、
前記（２）プロセスにおいて、（ｉ）前記第１＿１テスト用心理指標データを前記第１＿１予測モデルに入力して、前記第１＿１予測モデルにして第１＿１テスト用予測精神健康データを出力するようにし、（ｉｉ）前記第１＿１テスト用予測精神健康データ及び前記第１＿２テスト用心理指標データを第１＿２予測モデルに入力し、前記第１＿２予測モデルにして第１＿２テスト用予測精神健康データを出力するようにし（ｉｉｉ）前記第１＿２テスト用予測精神健康データ及び前記テスト用身体指標データを前記第１＿３予測モデルに入力し、前記第１＿３予測モデルにして第１＿３テスト用予測精神健康データを出力するようにすることを特徴とする精神健康評価装置が開示される。
一例として、前記学習用身体指標データは、前記学習対象者の学習用ホルモン濃度値を含み、前記テスト用身体指標データは、前記テスト対象者のテスト用ホルモン濃度値を含み、前記（１）プロセスにおいて、前記第１＿２学習用予測精神健康データまたは第１＿２ＧＴ精神健康データ、前記学習対象者の前記学習用ホルモン濃度値を含む前記学習用身体指標データが第１＿３予測モデルに入力された後、第１＿３予測モデルから出力された第１＿３学習用予測精神健康データ及び前記第１＿３ＧＴ精神健康データを参照して第１＿３予測モデルが学習されることを特徴とする精神健康評価装置が開示される。
一例として、前記学習用ホルモン濃度値は、学習用コルチゾール（cortisol）濃度値及び学習用ＤＨＥＡ（Dehydroepiandrosterone）濃度値を含み、前記テスト用ホルモン濃度値は、テスト用コルチゾール濃度値及びテスト用ＤＨＥＡ濃度値を含むことを特徴とする精神健康評価装置が開示される。
一例として、前記学習用ホルモン濃度値は、学習用性ホルモン濃度値をさらに含み、前記テスト用ホルモン濃度値は、テスト用性ホルモン濃度値をさらに含み,前記（１）プロセスにおいて、前記学習用性ホルモン濃度値が臨界範囲を満たす場合、前記第１＿１学習用肯定心理情報及び第１_２学習用肯定心理情報に適用される第１重みが、前記第１＿１学習用否定心理情報及び前記第１_２学習用否定心理情報に適用される第２重みより小さく設定された状態で、前記第１＿１予測モデル～前記１＿３予測モデルが学習されることを特徴とする精神健康評価装置が開示される。
一例として、（ｉ）前記学習対象者が起床した時点から第１臨界時間範囲内に存在する第１学習用採取時点乃至第３学習用採取時点と前記学習対象者が就寝した時点から第２臨界時間範囲内に存在する第４学習用採取時点で採取された第１学習用唾液～第４学習用唾液及び（ｉｉ）前記テスト対象者が起床した時点から前記第１臨界時間範囲内に存在する第１テスト用採取時点～第３テスト用採取視点及び前記テスト対象者が就寝した時点から前記第２臨界時間範囲内に存在する第４テスト用採取時点で採取された第１テスト用唾液～第４テスト用唾液のそれぞれが分析され、前記学習用ホルモン濃度値及び前記テスト用ホルモン濃度値のそれぞれが算出されることを特徴とする精神健康評価装置が開示される。
一例として、放射性同位元素法を介して前記第１学習用唾液～前記第４学習用唾液及び前記第１テスト用唾液～前記第４テスト用唾液のそれぞれを分析することにより、前記学習用ホルモン濃度値及び前記テスト用ホルモン濃度値。それぞれが算出されることを特徴とする精神健康評価装置が開示される。
一例として、前記学習用身体指標データは、前記学習対象者の学習用心拍変異度を含み、前記テスト用身体指標データは、前記テスト対象者のテスト用心拍変異度値を含み、前記（１）プロセスにおいて、前記第１＿２学習用予測精神健康データまたは前記第１＿２ＧＴ精神健康データ、前記学習対象者の前記学習用心拍変異度値を含む前記学習用身体指標データが前記第１＿３予測モデルに入力された後、前記第１＿３予測モデルから出力された前記第１＿３学習用予測精神健康データ及び前記第１＿３ＧＴ精神健康データを参照して前記第１＿３予測モデルが学習されることを特徴とする精神健康評価装置が開示される。
一例として、前記学習用身体指標データは、前記学習対象者の学習用脳映像データ及び学習用マイクロバイオム（microbiome）データを含み、前記テスト用身体指標データは、前記テスト対象者のテスト用脳映像データ及びテスト用マイクロ。前記バイオムデータを含み、前記（１）プロセスにおいて、前記第１＿２学習用予測精神健康データ又は前記第１＿２ＧＴ精神健康データ、前記学習対象者の前記学習用脳映像データ及び前記学習用マイクロバイオーム（microbiome）データを含む前記学習用身体指標データが前記第１＿３予測モデルに入力された後、前記第１＿３予測モデルから出力された前記第１＿３学習用予測精神健康データ及び前記第１＿３ＧＴ精神健康データを参照して前記第１＿３予測モデルが学習されることを特徴とする精神健康評価装置が開示される。
一例として、前記第１＿１学習用心理指標データは、前記学習対象者の学習用成人愛着類型情報、学習用成長期否定的経験情報及び学習用心を推し量る能力情報を含み、前記第１＿２学習用心理指標データは、前記学習対象者の学習用うつ病症状尺度情報及び学習用自殺危険性情報を含み、前記第１＿１テスト用心理指標データは、前記テスト対象者のテスト用成人愛着類型情報、テスト用成長期否定的経験情報及びテスト用心を推し量る能力情報を含み、前記第１＿２テスト用心理指標データは、前記テスト対象者のテスト用うつ症状尺度情報及びテスト用自殺危険性性情報を含み、前記（１）プロセスにおいて、（ｉ）前記学習用成人愛着類型情報、前記学習用成長期否定的経験情報及び前記学習用心を推し量る能力情報を含む前記第１＿１学習用心理指標データが前記第１＿１予測モデルに入力された後、前記第１＿１予測モデルから出力された前記第１＿１学習用予測精神健康データ及びそれに対応する前記第１＿１ＧＴ精神健康データを参照して前記第１＿１予測モデルが学習され、（ｉｉ）前記第１＿１学習用予測精神健康データ又は前記第１＿１ＧＴ精神健康データ、前記学習用うつ症状尺度情報及び前記学習用自殺危険性情報を含む第１＿２学習用心理指標データが第１＿２予測モデルに入力された後、第１＿２予測モデルから出力された第１＿２学習用予測精神健康データ及びそれに対応する前記第１＿２ＧＴ精神健康データを参照して前記第１＿２予測モデルが学習されることを特徴とする精神健康評価装置が開示される。
一例として、前記第１＿１学習用心理指標データ及び前記第１＿２学習用心理指標データの内、少なくとも一部は、前記学習対象者の学習用回復弾力性情報をさらに含み、前記第１＿１テスト用心理指標データ及び前記第１＿２テスト用心理指標データの内、少なくとも一部は、前記テスト対象者のテスト用回復弾力性情報をさらに含むことを特徴とする精神健康評価装置が開示される。
一例として、前記プロセッサは、前記（１）プロセスにおいて、（ｉ）前記学習対象者の前記学習用心理指標データ及び前記学習用身体指標データが前記第１予測モデルに入力された後、前記第１予測モデルから出力された前記学習用予測精神健康データ及び前記ＧＴ精神健康データを参照して前記第１予測モデルが学習され、（ｉｉ）前記学習用予測精神健康データまたは前記ＧＴ精神健康データが第２予測モデルに入力された後、前記第２予測モデルから出力される（ｉｉ－１）薬物治療プロセスと心理治療プロセス内、の少なくとも一部が前記学習対象者に適用されることにより精神健康状態が変化した学習対象者に対する学習用治療後予測精神健康データ、（ii－２）前記薬物治療プロセスの対する学習用予測薬物治療データ、（ii－３）前記心理治療プロセスに対する学習用予測心理治療データ、及びそれぞれに対応する治療後のＧＴ精神健康データ、ＧＴ薬物治療データ及びＧＴ心理治療データを参照として、前記第２予測モデルが学習された状態で、前記テスト対象者の前記テスト対象者端末から前記テスト対象者の前記テスト用心理指標データ及び前記テスト用身体指標データを獲得し、前記（２）プロセスにおいて、前記テスト用心理指標データ及び前記テスト用身体指標データを前記第１予測モデルに入力し、前記第１予測モデルにして前記テスト用予測精神健康データを出力するようにすることを特徴とするが,（３）前記テスト用予測精神健康データを前記第２予測モデルに入力し、前記第２予測モデルにして前記薬物治療プロセス及び前記心理治療プロセスの内、前記テスト対象者に適用する特定薬物治療プロセスに対するテスト用予測薬物治療データ及び特定の心理治療プロセスのテスト用予測心理治療データを含む特定の精神健康ソリューションを提供するようにするプロセスをさらに含むことを特徴とする精神健康評価装置が開示される。
本発明は、機械学習に基づいて健康な人及び患者の身体指標データ及び心理指標データを学習することにより、テスト対象者の精神健康を予測する効果がある。
また、本発明は、テスト対象者について予測した精神健康データに基づいてテスト対象者に適合した精神健康ソリューションを提供する効果がある。
本発明の実施形態の説明に用いられるために添付された以下の図面は、本発明の実施例の一部に過ぎず、本発明が属する技術分野において通常の知識を有する者（以下「通常の技術者」）においては、発明的仕事をすることなく、これらの図面に基づいて他の図面を得ることができる。
図１は、本発明の一実施形態に係る機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供する精神健康評価装置を概略的に示すものであり、
図２は、本発明の一実施形態に係る機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供する精神健康評価装置に含まれる各々の予測モデルを概略的に示したものであり、
図３は、本発明の一実施形態に係る機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供するための学習過程を概略的に示すものであり、
図４は、本発明の一実施形態に係る機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供するテスト過程を概略的に示すものであり、
図５は、本発明の一実施形態に係る機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供するテスト用予測精神健康データに含まれる一部情報を概略的に示したものである。
後述する本発明の詳細な説明は、本発明の目的、技術的解決策及び利点を明確にするために本発明が実施することができる特定の実施形態を例示として示す添付の図面を参照する。これらの実施形態は、通常の技術者が本発明を実施するのに十分であるように詳細に説明される。
また、本発明の詳細な説明及び特許請求項にわたって、「含む」という単語及びその変形は、他の技術的特徴、付加物、構成要素またはステップを除外することを意図されたものでない。通常の技術者にとって、本発明の他の目的、利点、及び特徴が一部は本説明書から、そして一部は本発明の実施から明らかになるであろう。以下の例示及び図面は例示として提供されており、本発明を限定することを意図していない。
さらに、本発明は、本明細書に示される実施形態のすべての可能な組み合わせを網羅する。本発明の様々な実施形態は互いに異なるが互いに排他的である必要はないことが理解されるべきである。例えば、ここに記載の特定の形状、構造及び特性は、一実施形態に関して本発明の精神及び範囲を逸脱することなきながら他の実施形態で実現することができる。また、各々の開示された実施形態内の個々の構成要素の位置または配置は、本発明の精神及び範囲を逸脱することなきながら変更され得ることが理解されるべきである。したがって、後述する詳細な説明は限定的な意味でのものではなく、本発明の範囲は、適切に説明されると、その請求項が主張するものと等しいすべての範囲に加えて添付の請求項によってのみ限定される。図面において類似の参照符号は、多様の側面にわたって同じまたは類似の機能を指す。
以下、本発明が属する技術分野において通常の知識を有する者が本発明を容易に実施できるようにするために、本発明の好ましい実施形態について添付の図面を参照して詳細に説明する。
図１は、本発明の一実施形態に係る機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供する精神健康評価装置１０００を概略的に示したものである。
図１を参照すると、精神健康評価装置１０００は、機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供するための命令を貯蔵するメモリ１００１と、メモリ１００１に貯蔵された命令に対応して機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供するプロセッサ１００２を含み得る。このとき、精神健康評価装置１０００は、ＰＣ（Personal Computer）、モバイルコンピュータ、ＰＤＡ／ＥＤＡ、携帯電話、スマートフォン、タブレット、ＩｏＴ機器などを含むことができる。なお、精神健康評価装置１０００はこれに限定されず、有無線通信機能を有する携帯用ゲーム機、デジタルカメラ、個人ナビなどの全ての装置を含むことができる。
具体的に、精神衛生評価装置１０００は、典型的に、コンピューティング装置（例えば、コンピュータプロセッサ、メモリ、ストレージ、入力装置及び出力装置、他の既存のコンピューティング装置の構成要素を含むことができる装置とルータ、スイッチなどのような電子通信装置とネットワーク接続ストレージ（ＮＡＳ）及びストレージ領域ネットワーク（ＳＡＮ）のような電子情報ストレージシステム）とコンピュータソフトウェア（すなわち、コンピューティング装置にして特定の方法で機能させるインストゥラクションの組み合わせを利用して所望するシステム性能を達成することであり得る。
さらに、コンピューティングデバイスのプロセッサは、ＭＰＵ（Micro Processing Unit）またはＣＰＵ（Central Processing Unit）、キャッシュメモリ（Cache Memory）、データバス（Data Bus）などのハードウェア構成を含むことができる。さらに、コンピューティングデバイスは、オペレーティングシステム、特定の目的を実行するアプリケーションのソフトウェア構成をさらに含み得る。
しかしながら、コンピューティングデバイスが本発明を実施するためのメディア、プロセッサ、及びメモリが統合され形態のintegratedプロセッサを含む場合を排除するものではない。
図２は、本発明の一実施形態に係る機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供する精神健康評価装置１０００に含まれた各々の予測モデルを模式的に示したものである。
図２を参照すると、精神健康評価装置１０００は、第１予測モデル１１００及び第２予測モデル１２００を含むことができ、第１予測モデル１１００は第１＿１予測モデル１１１０、第１＿２予測モデル１１２０、及び第１＿３予測モデル１１３０を含むことができる。
参考として、第１＿１予測モデル１１１０、第１＿２予測モデル１１２０、第１＿３予測モデル１１３０及び第２予測モデル１２００は、精神健康評価装置１０００に含まれる状態で精神健康評価装置１０００の指示を行うことができるが、これに限定されるものではない。
例えば、精神健康評価装置１０００と独立した１つの装置（図示せず）が第１＿１予測モデル１１１０、第１＿２予測モデル１１２０、第１＿３予測モデル１１３０及び第２予測モデル１２００を全て含む状態で、精神健康評価装置１０００の指示に従い、独立した装置に含まれる第１＿１予測モデル１１１０、第１＿２予測モデル１１２０、第１＿３予測モデル１１３０及び第２予測モデル１２００のそれぞれが動作を実行することができる。
あるいは、精神健康評価装置１０００と独立した４つの装置（図示せず）が第１＿１予測モデル１１１０、第１＿２予測モデル１１２０、第１＿３予測モデル１１３０、及び第２予測モデル１２００の内、いずれか１つの予測モデルをそれぞれ含む状態で、精神健康評価装置１０００の指示に従って独立した装置のそれぞれに含まれた第１＿１予測モデル１１１０、第１＿２予測モデル１１２０、第１＿３予測モデル１１３０、及び第２予測モデル１２００のそれぞれが動作が実行できる。
以上、本発明の一実施形態に係る機械学習に基づいて心理指標データ及び身体指標データを学習することにより精神健康を予測し、精神健康ソリューションを提供する方法を行う精神健康評価装置１０００の構成を説明した。
以下においては、このように構成された精神健康評価装置１０００による機械学習に基づいて心理指標データ及び身体指標データを学習することにより、精神健康を予測し、精神健康ソリューションを提供する方法について説明する。
参考に、以下の説明における混乱を避けるために、「学習用」という文句は学習プロセスに関連する用語に追加され、「テスト用」という文句はテストプロセスに関連する用語について追加される。
まず、複数の学習対象者に対する学習用心理指標データ及び学習用身体指標データが第１予測モデル１１００に入力された後、第１予測モデル１１００から出力された学習用予測精神健康データ及びこれに対応するＧＴ（Ground Truth）精神健康データを参照して第１予測モデル１１００が学習された状態で、精神健康評価装置１０００は、テスト対象者のテスト対象者端末からテスト対象者のテスト用心理指標データ及びテスト用身体指標データを獲得することができる。
そして、精神健康評価装置１０００は、テスト用心理指標データ及びテスト用身体指標データを第１予測モデル１１００に入力し、第１予測モデル１１００にしてテスト用予測精神健康データを出力するようにすることができる。
このとき、第１予測モデル１１００の学習について概略的に説明すると、学習用心理指標データ及び学習用身体指標データが獲得され、第１予測モデル１１００に入力された後、第１予測モデル１１００から出力された学習用予測精神健康データ及びそれに対応するＧＴ精神健康データを参照してロス(loss）を算出することができる。そして、ロスを用いてバックプロパゲーション（backpropagation）を行うことにより、第１予測モデル１１００の少なくとも１つのパラメータを学習することができる。
参考として、学習用予測精神健康データは、学習対象者の現在の精神健康状態に対する第１予測モデル１１００の予測データを表し、ＧＴ精神健康データは、学習対象者の現在の精神健康状態に対する正解データを示すことができる。
全体的な流れは前記の通りであり、以下では図３を参照してこれに対しさらに具体的に説明する。
図３は、本発明の一実施形態に係る機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供するための学習過程を概略的に示したものである。
図３を参照して、機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供するための学習過程を説明すると、まず、学習対象者の第１＿１学習用肯定心理情報及び第１＿１学習用否定心理情報の内、少なくとも一部を含む第１＿１学習用心理指標データが第１＿１予測モデル１１１０に入力された後、第１＿１予測モデル１１１０から出力された第１＿１学習用予測精神健康データ及びこれに対応する第１＿１ＧＴ精神健康データを参照して第１＿１予測モデル１１１０を学習することができる。
このとき、第１＿１学習用心理指標データは、学習対象者の学習用成人愛着類型情報、学習用成長期否定的経験情報、及び学習用心を推し量る能力情報を含むことができる。また、これに加えて、第１＿１学習用心理指標データは、学習対象者の学習用回復弾力性情報をさらに含むこともできる。
第１＿１学習用心理指標データに含まれる各々の情報について具体的に説明すると、学習用成人愛着類型情報は、不安点数及び回避点数に対応する２つの軸における点数に応じて安定型、不安型、回避型及び混乱型の４つのタイプの内、いずれか１つに分類された類型情報を表すことができる。
例えば、学習対象者の不安点数が高く、回避点数が低い場合、学習用成人愛着類型情報は、不安型に分類された類型情報を示すことができ、学習対象者の不安点数及び回避点数が共に高い場合、学習用成人愛着類型情報は、混乱型に分類された類型情報を表すことができる。
また、学習用成長期否定的な経験情報は、情緒虐待、身体虐待、性虐待、放任、家庭暴力への暴露及びいじめの６つの下位要因を含むことができ、それぞれの下位要因によるスコアに基づいて算出された学習対象者のスコアを表すことができる。
さらに、学習用心の数の能力情報は、感情の認識の欠如、感情の表現と相互作用の欠如、精神と現実同一時、急な心の数、他人の心の数の欠如の5つの下位要因を含むことができ、それぞれの下位要因によるスコアに基づいて算出された学習対象者のスコアを表すことができる。
具体的に、(ｉ)感情に対する認識不足要因は、学習対象者自身の感情を具体的かつ明確に把握することが難しくないか否かを示す下位要因であり、(ｉｉ)感情表現及び相互作用不足要因は、学習対象者自身の感情を他人に表現したり、他人と相互作用しようとする態度が不十分であるかどうかを示す下位要因であり、（ｉｉｉ）精神及び現実同一時要因は、学習対象者自身が考えて感じるところが実際の現実と同じであると知覚する硬直性があるか否かを示す下位要因であり、（ｉｖ）急なこころを推し量り要因は、他人の思考や感情を直感的かつ急性に判断する傾向性があるかどうかを示す下位要因であり、（ｖ）他の心を推し量り不足要因は、他の心について考えて見ようとする動機が不足しているかどうかを示す下位要因である。
また、学習用回復弾力性情報は、自己調節能力、対人関係能力及び肯定性の３つの下位要因を含むことができ、各々の下位要因によるスコアに基づいて算出された学習対象者のスコアを表すことができる。
一方、学習対象者の第１＿１学習用肯定心理情報には、学習対象者の学習用
こころを推し量り能力情報及び学習用回復弾力性情報が含まれ、第１＿１学習用否定心理情報には、学習用成人愛着類型情報及び学習用成長期否定的経験情報が含まれる。
理解を容易にするために、第１＿１予測モデル１１１０によって第１＿１学習用予測精神健康データが出力されるプロセスについて具体的な例を挙げて説明する。
一例として、（ｉ）第１＿１学習用心理指標データに含まれる学習対象者の学習用成人愛着類型情報は、２つの軸におけるスコアに基づいて分類された結果である「安定型」の類型情報を示し、（ii）学習用成長期否定的経験情報は、6つの下位要因によるスコアに基づいて算出された結果である「０点」を表し、
（iii）学習対象者の心臓部位能力情報は、５つの下位要因によるスコアに基づいて算出された結果である「高い」を示すことができる。
このとき、第１＿１ＧＴ精神健康データは、「良好」、「普通」及び「注意」の３つの内「良好」を示すデータであり得る。一方、第１＿１予測モデル１１１０は、前記のような第１＿１学習用心理指標データに対して「良好」ではなく「普通」を示す第１＿１学習用予測精神健康データを出力することができる。
そして、「良好」を示す第１＿１ＧＴ精神健康データ及び「普通」を示す第１＿１学習用予測精神健康データが参照されてロスが算出され、ロスをバックプロパゲーションすることにより第１＿１予測モデル１１１０の少なくとも一つのパラメータを学習できる。
このような過程が繰り返されることにより、第１＿１予測モデル１１１０が前記のような第１＿１学習用心理指標データに対して正解値である「良好」を示す第１＿１学習用予測精神健康データを出力できるようになる。
一方、前記学習過程の説明は、第１＿２予測モデル１１２０、第１＿３予測モデル１１３０、第２予測モデル１２００にも類似に適用されるので、重複する説明は省略する。
そして、（ｉ）第１＿１学習用予測精神健康データ又は第１＿１ＧＴ精神健康データ、（ｉｉ）学習対象者の第１＿２学習用肯定心理情報及び第１＿２学習用否定心理情報の内、少なくとも一部を含む第１＿２学習用心理指標データが第１＿２予測モデル１１２０に入力された後、第１＿２予測モデル１１２０から出力された第１＿２学習用予測精神健康データ及びこれに対応する第１＿２ＧＴ精神健康データを参照して第１＿２予測モデル１１２０が学習され得る。
このとき、第１＿２学習用心理指標データは、学習対象者の学習用うつ症状尺度情報及び学習用自殺危険性情報を含むことができる。また、これに加えて、第１＿２学習用心理指標データは、学習対象者の学習用回復弾力性情報をさらに含むこともできる。
第１＿２学習用心理指標データに含まれる各々の情報について具体的に説明すれば、学習用うつ症状尺度情報は、うつ症状なし、軽度、中等度、高度及び最高度の５段階のうつ症状評価結果情報を示すことができる。
また、学習用自殺危険性情報は、低、警戒及び高の３段階の自殺危険性評価結果情報を示すことができる。
理解を容易にするために、第１＿２予測モデル１１２０によって第１＿２学習用予測精神健康データが出力される処理について具体的な例を挙げて説明する。
一例として、（ｉ）第１＿１学習用予測精神健康データは「良好」を示し、（ｉｉ）第１＿２学習用心理指標データに含まれる学習対象者の学習用うつ症状尺度情報は「うつ症状なし」段階に対応する。うつ症状評価結果情報を示し、（ｉｉｉ）第１＿２学習用心理指標データに含まれた学習対象者の学習用自殺危険性情報は、「低」段階に対応する自殺危険性評価結果情報を示す場合、第１＿２予測モデル１１２０は、「正常」、「関心」、「警戒」、及び「危険」の４つのステップの内、「正常」ステップに対応する第１＿２学習用予測精神健康データを出力することができる。
別の例として、（ｉ）第１＿１ＧＴ精神健康データは「普通」を示し、（ｉｉ）第１＿２学習用心理指標データに含まれた学習対象者の学習用うつ症状尺度情報は、「軽度」段階に対応するうつ症状評価結果情報を示し、（ｉｉｉ）第１＿２学習用心理指標データに含まれた学習対象者の学習用自殺危険性情報は「警戒」段階に対応する自殺危険性評価結果情報を示す場合、第１＿２予測モデル１１２０は、‘正常’、‘関心‘、‘警戒’及び'危険'の４つの内、'関心'に対応する第１＿２学習用予測精神健康データを出力することができる。
そして、（ｉ）第１＿２学習用予測精神健康データ又は第１＿２ＧＴ精神健康データ、（ｉｉ）学習用身体指標データが第１＿３予測モデル１１３０に入力された後、第１＿３予測モデル１１３０から出力された第１＿３学習用予測精神健康データ及びそれに対応する第１＿３ＧＴ精神健康データを参照して第１＿３予測モデル１１３０が学習されることができる。
一例として、学習用身体指標データは、学習対象者の学習用ホルモン濃度値を含むことができる。
別の例として、学習用身体指標データは、学習対象者の学習用心拍変異度値を含むことができる。
さらに別の例として、学習用身体指標データは、学習対象者の学習用脳映像データ及び学習用マイクロバイオム(microbiome）データを含むことができる。
以下では、学習用ホルモン濃度値を含む学習用身体指標データを用いて第１＿３予測モデル１１３０を学習する過程について代表的に説明し、前記説明は学習用心拍変異度値、学習用脳映像データ及び学習用マイクロバイオムデータの内、少なくとも一部を含む学習用身体指標データが用いられ、第１＿３予測モデル１１３０が学習される過程にも類似にに適用されるので、重複する説明は省略する。
具体的に、（ｉ）第１＿２学習用予測精神健康データ又は第１＿２ＧＴ精神健康データ及び（ｉｉ）学習対象者の学習用ホルモン濃度値を含む学習用身体指標データが第１＿３予測モデル１１３０に入力された後第１＿３予測モデル１１３０から出力された第１＿３学習用予測精神健康データ及び第１＿３ＧＴ精神健康データを参照して第１＿３予測モデル１１３０を学習することができる。
このとき、（ｉ）学習対象者が起床した時点から第１臨界時間範囲内に存在する第１学習用採取時点乃至第３学習用採取時点、及び（ｉｉ）学習対象者が就寝した時点から第２臨界時間範囲内に存在する。第４学習用採取時点で採取された第１学習用唾液～第４学習用唾液を分析して学習用ホルモン濃度値を算出することができる。
例えば、第１臨界時間範囲が９０分に設定され、第２臨界時間範囲が６０分に設定され、学習対象者が起床する時点は午前７時であり、学習対象者が就寝する時点は午後１０時の場合、第１学習用採取時点は起床直後の午前７時、第２学習用採取時点は午前７時３０分、第３学習用採取時点は午前８時、第４学習用採取時点は前日夜午後９時で有り得る。
そして、前記のように採取された第１学習用唾液～第４学習用唾液を放射性同位元素法（Radioimmunoasay）により分析することにより、学習用ホルモン濃度値を算出することができる。
このように、放射性同位元素法を用いる場合、極微量のホルモンも測定できるようになるので、酵素免疫分析法（ＥＩＡ）に比べて測定敏感度がはるかに高いという利点がある。
また、精神健康評価装置１０００は、第１学習用採取時点乃至第４学習用採取時点ごとに学習対象者にアラームを提供し、正確な採取時点に学習対象者から学習用唾液を採取することにより、ホルモン分析結果の信頼性を高めることができる。
一方、学習用ホルモン濃度値には、学習用コルチゾール（cortisol）濃度値及び学習用ＤＨＥＡ（Dehydroepiandrosterone）濃度値を含めることができる。さらに、学習用ホルモン濃度値には、学習用性ホルモン濃度値をさらに含めることができる。
このとき、学習用性ホルモン濃度値が臨界範囲を満たす場合、第１_１学習用肯定心理情報及び第１_２学習用肯定心理情報に適用される第１重みが、第１＿１学習用不正心理情報及び第１＿２学習用不正心理情報に適用される第２重みより小さく設定された状態で、第１＿１予測モデル１１１０乃至第１＿３予測モデル１１３０を学習することができる。
一例として、学習対象者の性別情報（女性）が獲得され、性ホルモンであるプロゲステロンの濃度値が第１臨界範囲を満足する場合、精神健康評価装置１０００は、学習用心を推し量る能力情報及び学習用回復弾力性情報に適用される第１重みは１より小さく設定し、学習用成長期否定的経験情報に適用される第２重みは１より大きく設定した状態で、第１＿１予測モデル１１１０～第１＿３予測モデル１１３０が学習できるようにすることができる。
他の例として、学習対象者の性別情報（男性）が獲得され、性ホルモンであるテストステロンの濃度値が第２臨界範囲を満たす場合、精神健康評価装置１０００は、学習用心を推し量る能力情報及び学習用回復弾力性情報に適用される第１重みは１より小さく設定し、学習用うつ症状尺度情報に適用される第２重みは１より大きく設定した状態で、第１＿１予測モデル１１１０～第１＿３予測モデル１１３０が学習されるようにすることができ、学習対象者が現在思春期に入ったことを示す情報を出力することができる。
さらに別の例として、学習対象者の性別情報（男性）が獲得され、性ホルモンであるテストステロンの濃度値が第３臨界範囲を満たす場合、精神健康評価装置１０００は、精神健康評価装置１０００は、学習用心を推し量る能力情報に適用される第１重みは１より小さく設定し、学習用成長期否定的経験情報及び学習用自殺危険性情報に適用される第２重みは１より大きく設定した状態で、第１_１予測モデル１１１０～第１＿３予測モデル１１３０を学習させることができ、学習対象者が現在男性更年期に入ったことを示す情報を出力することができる。
これまで、第１_１予測モデル１１１０、第１_２予測モデル１１２０、及び第１＿３予測モデル１１３０を含んだ第１予測モデル１１００の学習過程について説明したが、以下では第２予測モデル1200が学習される過程を説明する。
前述したように、学習対象者の学習用心理指標データ及び学習用身体指標データが獲得され、第１予測モデル１１００に入力された後、第１予測モデル１１００から出力された学習用予測精神健康データ及びＧＴ精神健康データを参照して第１予測モデル１１００が学習され、第１予測モデル１１００からの学習用予測精神健康データまたはそれに対応するＧＴ精神健康データが第２予測モデル１２００に入力され得る。
図３を参照すると、（ｉ）第１＿３予測モデル１１３０から出力された第１＿３学習用予測精神健康データが学習用予測精神健康データとして第２予測モデル１２００に入力される、又は（ii）第１＿３ＧＴ精神健康データがＧＴ精神健康データとして第２予測モデル１２００に入力されたことを確認することができる。
そして、（ｉ）第２予測モデル１２００から出力された薬物治療プロセスと心理治療プロセスの内、少なくとも一部が学習対象者に適用されることにより精神健康状態が変化した学習対象者についての学習用治療後予測精神健康データ、（ｉｉ）薬物治療プロセスの学習用予測薬物治療データ、（ｉｉｉ）心理治療プロセスのための学習用予測心理治療データ、（ｉｖ）治療後のＧＴ精神健康データ、（ｖ）ＧＴ薬物治療データ及び（ｖｉ）ＧＴ心理治療データを参照して第２予測モデル１２００を学習することができる。
このとき、（ｉ）学習用予測精神健康データは、学習対象者の現在の精神健康状態に対する第１予測モデル１１００の予測結果を示すことができ、（ｉｉ）ＧＴ精神健康データは、学習対象者の現在の精神健康状態を示すことができ、（ｉｉｉ）学習用治療後予測精神健康データは、薬物治療プロセスと心理治療プロセスの内、少なくとも一部が学習対象者に適用されることによって精神健康状態が変化した学習対象者の治療後精神健康状態に対する第２予測モデル１２００の予測結果を示すことができ、（ｉｖ）治療後ＧＴ精神健康データは、薬物治療プロセスと心理治療プロセスの内、少なくとも一部が学習対象者に適用されることによって、精神健康状態が変化した学習対象者の治療後精神健康状態に関する実際の結果を示すことができ、（ｖ）学習用予測薬物治療データは、学習対象者に適用された薬物治療プロセスに対する第２予測モデル１２００の予測結果を示すことができ、（ｖｉ）ＧＴ薬物治療データは、学習対象者に適用された実際の薬物治療プロセスに関する情報を含むことができ、（ｖｉｉ）学習用予測心理治療データは、学習対象者に適用された心理治療プロセスに関する第2予測モデル１２００の予測結果を示すことができ、（ｖｉｉｉ）ＧＴ心理治療データは、学習対象者に適用された実際の心理治療プロセスに関する情報を含み得る。
このように、第１＿１予測モデル１１１０～第１＿３予測モデル１１３０及び第２予測モデル１２００が学習された状態で、精神健康を予測して精神健康ソリューションを提供するテスト過程の説明は以下の通りである。
参考として、学習用データ、学習用情報などの説明は、テスト用データ、テスト用情報などの説明にも類似に適用されるので、説明の便宜上、重複する説明は省略する。
まず、精神健康評価装置１０００が、テスト対象者のテスト対象者端末から、テスト対象者のテスト用心理指標データ及びテスト用身体指標データを獲得することができる。
そして、精神健康評価装置が、テスト用心理指標データ及びテスト用身体指標データを第１予測モデル１１００に入力して、第１予測モデル１１００にしてテスト用予測精神健康データを出力するようにすることができる。
そして、精神健康評価装置が、テスト用予測精神健康データを第２予測モデル１２００に入力して、第２予測モデル１２００にして薬物治療プロセス及び心理治療プロセス中にテスト対象者に適用する特定薬物治療プロセスのテスト用予測薬物治療データ及び特定の心理治療プロセスのテスト用予測心理治療データを含む特定の精神健康ソリューションを提供するようにすることができる。
概括的な流れは前記通りであり、以下では図４を参照してさらに具体的に説明する。
図４は、本発明の一実施形態に係る機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供するテストプロセスを概略的に示したものである。
まず、精神健康評価装置１０００は、テスト対象者のテスト対象者端末から第１＿１テスト用心理指標データ、第１＿２テスト用心理指標データ、及びテスト用身体指標データを獲得することができる。
そして、精神健康評価装置１０００は、第１＿１テスト用心理指標データを第１＿１予測モデル１１１０に入力して、第１＿１予測モデル１１１０にして第１＿１テスト用予測精神健康データを出力するようにすることができる。そして、精神健康評価装置１０００は、第１＿１テスト用予測精神健康データ及び第１＿２テスト用心理指標データを第１＿２予測モデル１１２０に入力して、第１＿２予測モデル１１２０にして第１＿２テスト用予測精神健康データを出力するようにすることができる。そして、精神健康評価装置１０００は、第１＿２テスト用予測精神健康データ及びテスト用身体指標データを第１＿３予測モデル１１３０に入力し、第１＿３予測モデル１１３０にして第１＿３テスト用予測精神健康データを出力するようにすることができる。
すなわち、精神健康評価装置１０００は、第１＿１予測モデル１１１０～第１＿３予測モデル１１３０を含む第１予測モデル１１００にしてテスト対象者の現在の精神健康状態を示す予測値である。テスト用の予測精神健康データを出力するようにすることができる。
このように出力されたテスト用予測精神健康データを参照して、（ｉ）テスト対象者が現在どの精神疾患を有しているか、（ｉｉ）特定の精神疾患を有するテスト対象者の重症度などを把握できるようになる。
そして、精神健康評価装置１０００は、第１＿３テスト用予測精神健康データを第２予測モデル１２００に入力し、第２予測モデル１２００にして薬物治療プロセス及び心理治療プロセスの内、テスト対象者に適用する特定の薬物治療プロセスのテスト用予測薬物治療データと、特定の心理治療プロセスのテスト用予測心理治療データとを含む特定の精神健康ソリューションを提供するようにすることができる。
例えば、特定のテスト用予測精神健康データは、特定のテスト対象が現在重症うつ病に苦しんでいることを示すデータであり得る。このような場合、第2予測モデル１２００は、特定のテスト用精神健康データを参照して特定のテスト対象者に特定の薬物治療及び特定の心理治療が必要であるという情報を含む特定の精神健康ソリューションを提供することができる。
一方、図５は、本発明の一実施形態に係る機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供する精神健康評価装置１０００が提供するテスト用予測精神健康データに含まれる一部の情報を概略的に示したものである。
一例として、テスト用予測精神健康データには、テスト対象者から採取された第１テスト用唾液～第４テスト用唾液が分析されて算出されたＣｏｒｔｉｓｏｌ濃度値及びＤＨＥＡ濃度値に関する情報を含むことができる。
図５を参照して説明すると、（ｉ）１番格子に対応する領域はテスト対象者の副腎機能が正常な状態であることを示し、（ｉｉ）２番格子に対応する領域はテスト対象者の副腎機能が正常な状態であることを示すがＤＨＥＡが高い数値である状態が持続される場合、医学的点検が必要な状態であることを示し、（ｉｉｉ）３番格子に対応する領域は、急性期ストレスに対してテスト対象者の副腎が反応する状態を示し、（ｉｖ）４番格子に対応する領域は、持続する急性期ストレスに対してテスト対象者の副腎が耐えている状態を示し、（ｖ）5番格子に対応する領域は、持続するストレスに対してテスト対象者の副腎が一次的に抵抗する状態を示し、（ｖｉ）６番格子に対応する領域は、持続するストレスに対してテスト対象者の副腎が二次的に抵抗する状態を示し、（vii）７番格子に対応する領域は慢性的ストレスによるテスト対象者の副腎機能が消尽された状態を示し、（viii）８番及び９番格子に対応する領域は、テスト対象者の副腎機能が自然でない状態であることを示す。
例えば、テスト対象者から採取された第１テスト用唾液～第４テスト用唾液が分析され算出されたCortisol濃度値及びＤＨＥＡ濃度値に対応する領域が９番領域の場合、テスト対象者のCortisol濃度が正常レベルより低くなっている状態でＤＨＥＡが正常範囲であるか、正常範囲より高い状態で現れる場合であるため、精神健康評価装置１０００は、身体疾患や人為的に服用した薬物などによってこのような結果が起きたか、または唾液採取が正確に行われていないため、これに対する総合的な検討が必要であるという旨の情報と、図５に示されたグラフが含まれたテスト用予測精神健康データを出力することができる。
さらに、前述した本発明に係る実施形態は、様々なコンピュータ構成要素を介して実行することができるプログラム命令語の形態で実現され、コンピュータ可読の記録媒体に記録することができる。前記コンピュータ可読記録媒体は、プログラム命令語、データファイル、データ構造などを単独でまたは組み合わせて含むことができる。前記コンピュータ可読記録媒体に記録されるプログラム命令語は、本発明のために特別に設計され構成されたものであるか、コンピュータソフトウェアの分野の当業者に公知されて使用可能なもので有り得る。コンピュータ可読記録媒体の例には、ハードディスク、フロッピーディスク及び磁気テープのような磁気媒体、CD-ROM、DVDのような光記録媒体、フロプティカルディスク（floptical disk）のような磁気光学媒体（magneto-optical media）並びにＲＯＭ、ＲＡＭ、フラッシュメモリのようなプログラム命令語を貯蔵し実行するように特別に構成されたハードウェア装置が含まれる。プログラム命令語の例には、コンパイラによって作成されるような機械語コードだけでなく、インタプリタなどを用いてコンピュータによって実行することができる高級言語コードも含まれる。前記ハードウェア装置は、本発明に係る処理を実行するために１つ以上のソフトウェアモジュールとして動作するように構成され得、その逆も同様である。
以上で本発明は具体的な構成要素等のような特定の事項と限定された実施形態及び図面によって説明されたが、これは本発明のより全体的な理解を助けるために提供されたものであるだけ、本発明が前記実施形態に限定されるものではなく、本発明が属する。当技術分野で通常的な知識を有する者であれば、このような記載から様々な修正及び変形を図ることができる。
したがって、本発明の思想は前記説明された実施形態に限定されず、後述する特許請求の範囲だけでなく、この特許請求の範囲と均等にまたは等価的に変更されたものはすべて本発明の思想の範囲に属するとする。
１０００ 精神健康評価装置
１００１ メモリ
１００２ プロセッサ
１１００ 第１予測モデル
１１１０ 第１＿１予測モデル
１１２０ 第１＿２予測モデル
１１３０ 第１＿３予測モデル
１２００ 第２予測モデル

Claims (26)

  1. 機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供する方法において、
    （ａ）複数の学習対象者の学習用心理指標データ及び学習用身体指標データが第１予測モデルに入力された後、前記第１予測モデルから出力された学習用予測精神健康データ及びこれに対応するＧＴ（Ground Truth）精神健康データを参照して前記第１予測モデルが学習された状態で、精神健康評価装置が、テスト対象者のテスト対象端末から前記テスト対象者のテスト用心理指標データ及びテスト用身体指標データを獲得する段階と、
    （ｂ）前記精神健康評価装置が、前記テスト用心理指標データ及び前記テスト用身体指標データを前記第１予測モデルに入力し、前記第１予測モデルにテスト用予測精神健康データを出力するようにする段階と、
    （ｃ）前記精神健康評価装置が、前記テスト用予測精神健康データを第２予測モデルに入力し、前記第２予測モデルにして薬物治療プロセス及び心理治療プロセスの内、前記テスト対象者に適用する特定の薬物治療プロセスのためのテスト用予測薬物治療データ及び特定の心理治療プロセスのテスト用予測心理治療データを含む特定の精神健康ソリューションを提供する段階と
    を含む方法。
  2. 前記第１予測モデルは、第１＿１予測モデル、第１＿２予測モデル、及び第１＿３予測モデルを含み、
    前記（ａ）段階において、
    （ｉ）前記学習対象者の第１＿１学習用肯定心理情報及び第１＿１学習用否定心理情報の内、少なくとも一部を含む第１＿１学習用心理指標データが前記第１＿１予測モデルに入力された後、前記第１＿１予測モデルから出力された第１＿１学習用予測精神健康データ及びこれに対応する第１＿１ＧＴ精神健康データを参照して前記第１＿１予測モデルが学習され、（ｉｉ）前記第１＿１学習用予測精神健康データ又は前記第１＿１ＧＴ精神健康データ、前記学習対象者の第１＿２学習用肯定心理情報及び第１＿２学習用否定心理情報の内、少なくとも一部を含む第１＿２学習用心理指標データが前記第１＿２予測モデルに入力された後、前記第１＿２予測モデルから出力された第１＿２学習用予測精神健康データ及びそれに対応する第１＿２ ＧＴ精神健康データを参照して前記第１＿２予測モデルが学習され、（ｉｉｉ）前記第１＿２学習用予測精神健康データ又は前記第１＿２ ＧＴ精神健康データ、前記学習用身体指標データが前記第１＿３予測モデルに入力された後、前記第１＿３予測モデルから出力された第１＿３学習用予測精神健康データ及びそれに対応する第１＿３ＧＴ精神健康データを参照して前記第１＿３予測モデルが学習された状態で、前記精神健康評価装置が、前記テスト対象者の前記テスト対象者端末から第１＿１テスト用心理指標データ、第１＿２テスト用心理指標データ及び前記テスト用身体指標データを獲得し、
    前記（ｂ）段階において、
    前記精神健康評価装置が、（ｉ）前記第１＿１テスト用心理指標データを前記第１＿１予測モデルに入力し、前記第１＿１予測モデルに第１＿１テスト用予測精神健康データを出力するようにし、（ii）前記第１＿１テスト用予測精神健康データ及び前記第１＿２テスト用心理指標データを前記第１＿２予測モデルに入力し、前記第１＿２予測モデルに第１＿２テスト用予測精神健康データを出力するようにし、（iii）前記第１＿２テスト用予測精神健康データ及び前記テスト用身体指標データを前記第１＿３予測モデルに入力し、前記第１＿３予測モデルにして第１＿３テスト用予測精神健康データを出力するようにすることを特徴とする、請求項１に記載の方法。
  3. 前記学習用身体指標データは、前記学習対象者の学習用ホルモン濃度値を含み、前記テスト用身体指標データは、 前記テスト対象者のテスト用ホルモン濃度値を含み、
    前記（ａ）段階において、
    前記第１＿２学習用予測精神健康データ又は前記第１＿２ＧＴ精神健康データ、前記学習対象者の前記学習用ホルモン濃度値を含む前記学習用身体指標データが前記第１＿３予測モデルに入力された後、前記第１＿３予測モデルから出力された前記第１＿３学習用予測精神健康データ及び前記第１＿３ＧＴ精神健康データを参照して、前記第１＿３予測モデルが学習されることを特徴とする、請求項２に記載の方法。
  4. 前記学習用ホルモン濃度値は、学習用コルチゾール（cortisol）濃度値及び学習用ＤＨＥＡ（Dehydroepiandrosterone）濃度値を含み、前記テスト用ホルモン濃度値は、テスト用コルチゾール濃度値及びテスト用ＤＨＥＡ濃度値を含むことを特徴とする、請求項３に記載の方法。
  5. 前記学習用ホルモン濃度値は学習用性ホルモン濃度値をさらに含み、前記テスト用ホルモン濃度値はテスト用性ホルモン濃度値をさらに含み、
    前記（ａ）段階において、
    前記学習用性ホルモン濃度値が臨界範囲を満たす場合、前記第１＿１学習用肯定心理情報及び前記第１＿２学習用肯定心理情報に適用される第１重み値が、前記第１＿１学習用否定心理情報及び前記第１＿２学習用否定心理情報に適用される第２重み値より小さく設定された状態で、前記第１＿１予測モデル～前記第１＿３予測モデルが学習されることを特徴とする、請求項４に記載の方法。
  6. （i）前記学習対象者が起床した時点から第１臨界時間範囲内に存在する第１学習用採取時点～第３学習用採取時点及び前記学習対象者が就寝した時点から第２臨界時間範囲内に存在する第４学習用採取時点で採取された第１学習用唾液～第４学習用唾液及び（ii）前記テスト対象者が起床した時点から前記第１臨界時間範囲内に存在する第１テスト用採取時点～第３テスト用採取時点及び前記テスト対象者が就寝した時点から前記第２臨界時間範囲内に存在する第４テスト用採取時点で採取された第１テスト用唾液～第４テスト用唾液のそれぞれが分析され、前記学習用ホルモン濃度値及び前記テスト用ホルモン濃度値のそれぞれが算出されることを特徴とする、請求項３に記載の方法。
  7. 放射性同位元素法を通じて前記第１学習用唾液～前記第４学習用唾液及び前記第１テスト用唾液～前記第４テスト用唾液それぞれを分析することにより、前記学習用ホルモン濃度値及び前記テスト用ホルモン濃度値それぞれが算出されることを特徴とする、請求項６に記載の方法。
  8. 前記学習用身体指標データは、前記学習対象者の学習用心拍変異度値を含み、前記テスト用身体指標データは、前記テスト対象者のテスト用心拍変異度値を含み,
    前記（ａ）段階において、
    前記第１＿２学習用予測精神健康データ又は前記第１＿２ＧＴ精神健康データ、前記学習対象者の前記学習用心拍変異度値を含む前記学習用身体指標データが前記第１＿３予測モデルに入力された後、前記第１＿３予測モデルから出力された前記第１＿３学習用予測精神健康データ及び前記第１＿３ＧＴ精神健康データを参照して前記第１＿３予測モデルが学習されることを特徴とする、請求項２に記載の方法。
  9. 前記学習用身体指標データは、前記学習対象者の学習用脳映像データ及び学習用マイクロバイオム（microbiome）データを含み、前記テスト用身体指標データは、前記テスト対象者のテスト用脳映像データ及びテスト用マイクロバイオムデータを含み、
    前記（ａ）段階において、
    前記第１＿２学習用予測精神健康データ又は前記第１＿２ ＧＴ精神健康データ、前記学習対象者の前記学習用脳映像データ及び前記学習用マイクロバイオム（microbiome）データを含む前記学習用身体指標データが前記第１＿３予測モデルに入力された後、前記第１＿３予測モデルから出力された第１＿３学習用予測精神健康データ及び前記第１＿３ＧＴ精神健康データを参照して前記第１＿３予測モデルが学習されることを特徴とする、請求項２に記載の方法。
  10. 前記第１＿１学習用心理指標データは、前記学習対象者の学習用成人愛着類型情報、学習用成長期否定的経験情報及び学習用心を推し量る能力情報を含み、
    前記第１＿２学習用心理指標データは、前記学習対象者の学習用うつ症状尺度情報及び学習用自殺危険性情報を含み、
    前記第１＿１テスト用心理指標データは、前記テスト対象者のテスト用成人愛着類型情報、テスト用成長期否定的経験情報及びテスト用心を推し量る能力情報を含み、
    前記第１＿２テスト用心理指標データは、前記テスト対象者のテスト用うつ症状尺度情報及びテスト用自殺危険性情報を含み、
    前記（ａ）段階において、
    （i）前記学習用成人愛着類型情報、前記学習用成長期否定的経験情報及び前記学習用心を推し量る能力情報を含む前記第１＿１学習用心理指標データが前記第１＿１予測モデルに入力された後、前記第１＿１予測モデルから出力された前記第１＿１学習用予測精神健康データ及びこれに対応する前記第１＿１ＧＴ精神健康データを参照して前記第１＿１予測モデルが学習され、（ii）前記第１＿１学習用予測精神健康データ又は前記第１＿１ＧＴ精神健康データ、前記学習用うつ症状尺度情報、及び前記学習用自殺危険性情報を含む前記第１＿２学習用心理指標データが前記第１＿２予測モデルに入力された後、前記第１＿２予測モデルから出力された前記第１＿２学習用予測精神健康データ及びそれに対応する前記第１＿２ ＧＴ精神健康データを参照して前記第１＿２予測モデルが学習されることを特徴とする、請求項２に記載の方法。
  11. 前記第１＿１学習用心理指標データ及び前記第１＿２学習用心理指標データの内、少なくとも一部は、前記学習対象者の学習用回復弾力性情報をさらに含み、
    前記第１＿１テスト用心理指標データ及び前記第１＿２テスト用心理指標データの内、少なくとも一部は、前記テスト対象者のテスト用回復弾力性情報をさらに含むことを特徴とする、請求項１０に記載の方法。
  12. 前記（ａ）段階において、
    （i）前記学習対象者の前記学習用心理指標データ及び前記学習用身体指標データが前記第１予測モデルに入力された後、前記第１予測モデルから出力された前記学習用予測精神健康データ及び前記ＧＴ精神健康データを参照として、前記第１予測モデルが学習され、（ii）前記学習用予測精神健康データまたは前記ＧＴ精神健康データが第２予測モデルに入力された後、前記第２予測モデルから出力される（ii－１）薬物治療プロセスと心理治療プロセスの内、少なくとも一部が前記学習対象者に適用されることにより精神健康状態が変化した学習対象者に対する学習用治療後予測精神健康データ、（ii－２）前記薬物治療プロセスに対する学習用予測薬物治療データ、（ii－３）前記心理治療プロセスの学習用予測心理治療データ、及びそれぞれに対応する治療後のＧＴ精神健康データ、ＧＴ薬物治療データ及びＧＴ心理治療データを参照して前記第２予測モデルが学習された状態において、前記精神健康評価装置が、前記テスト対象者の前記テスト対象者端末から前記テスト対象者の前記テスト用心理指標データ及び前記テスト用身体指標データを獲得し、
    前記（ｂ）段階において、
    前記精神健康評価装置が、前記テスト用心理指標データ及び前記テスト用身体指標データを前記第１予測モデルに入力し、前記第１予測モデルにして前記テスト用予測精神健康データを出力させるようにすることを特徴とする、請求項１に記載の方法。
  13. 前記精神健康評価装置が提供する前記テスト用予測精神健康データは、前記テスト対象者から採取された第１テスト用唾液～第４テスト用唾液が分析されて算出されたＣｏｒｔｉｓｏｌ濃度値及びＤＨＥＡ濃度値に関する情報を含み、
    前記テスト対象者から採取された前記第１テス用唾液～前記第４テスト用唾液が分析され算出されたＣｏｒｔｉｓｏｌ濃度値及びＤＨＥＡ濃度値に対応する領域が９番領域である場合、前記テスト対象者のＣｏｒｔｉｓｏｌ濃度が正常レベルより低くなっている状態でＤＨＥＡが正常範囲であるか、正常範囲より高い状態で現れる場合であるため、前記精神健康評価装置は、身体疾患や人為的に服用した薬物等によってこのような結果が起きたか、または唾液採取が正確に行われていなかったため、これについて総合的な検討が必要である旨の情報と、テスト用予測精神健康データを出力することを特徴とする、請求項１に記載の方法。
  14. 機械学習に基づいて心理指標データ及び身体指標データを学習することによって精神健康を予測し、精神健康ソリューションを提供する精神健康評価装置において、
    命令を貯蔵する少なくとも１つのメモリと、
    前記命令を実行するように構成された少なくとも１つのプロセッサを含むが、
    前記プロセッサが、（１）複数の学習対象者に対する学習用心理指標データ及び学習用身体指標データが第１予測モデルに入力された後、前記第１予測モデルから出力された学習用予測精神健康データ及びそれに対応するＧＴ精神健康データを参照して前記第１予測モデルが学習された状態で、テスト対象者のテスト対象者端末から前記テスト対象者のテスト用心理指標データ及びテスト用身体指標データを獲得するプロセスと、（２）前記テスト用心理指標データ及び前記テスト用身体指標データを前記第１予測モデルに入力し、前記第１予測モデルにしてテスト用予測精神健康データを出力するようにするプロセスと、（３）前記精神健康評価装置が、前記テスト用予測精神健康データを第２予測モデルに入力し、前記第２予測モデルにして薬物治療プロセス及び心理治療プロセスの内、前記テスト対象者に適用する特定の薬物治療プロセスのためのテスト用予測薬物治療データ及び特定の心理治療プロセスのテスト用予測心理治療データを含む特定の精神健康ソリューションを提供するプロセスと、
    を行う精神健康評価装置。
  15. 前記第１予測モデルは、第１＿１予測モデル、第１＿２予測モデル、及び第１＿３予測モデルを含み、
    前記プロセッサは、
    前記（１）プロセスにおいて、
    （ｉ）前記学習対象者の第１＿１学習用肯定心理情報及び第１＿１学習用否定心理情報の内、少なくとも一部を含む第１＿１学習用心理指標データが前記第１＿１予測モデルに入力された後、前記第１＿１予測モデルから出力された第１＿１学習用予測精神健康データ及びこれに対応する第１＿１ＧＴ精神健康データを参照して前記第１＿１予測モデルが学習され、（ｉｉ）前記第１＿１学習用予測精神健康データ又は前記第１＿１ＧＴ精神健康データ、前記学習対象者の第１＿２学習用肯定心理情報及び第１＿２学習用否定心理情報の内、少なくとも一部を含む第１＿２学習用心理指標データが前記第１＿２予測モデルに入力された後、前記第１＿２予測モデルから出力された第１＿２学習用予測精神健康データ及びそれに対応する第１＿２ ＧＴ精神健康データを参照して前記第１＿２予測モデルが学習され、（ｉｉｉ）前記第１＿２学習用予測精神健康データ又は前記第１＿２ ＧＴ精神健康データ、前記学習用身体指標データが前記第１＿３予測モデルに入力された後、前記第１＿３予測モデルから出力された第１＿３学習用予測精神健康データ及びそれに対応する第１＿３ＧＴ精神健康データを参照して前記第１＿３予測モデルが学習された状態において、前記テスト対象者の前記テスト対象者端末から第１＿１テスト用心理指標データ、第１＿２テスト用心理指標データ、及び前記テスト用身体指標データを獲得し、
    前記（２）プロセスにおいて、
    （ｉ）前記第１＿１テスト用心理指標データを前記第１＿１予測モデルに入力し、前記第１＿１予測モデルにして第１＿１テスト用予測精神健康データを出力するようにし、（ｉｉ）前記第１＿１テスト用予測精神健康データ及び前記第１＿２テスト用心理指標データを前記第１＿２予測モデルに入力し、前記第１＿２予測モデルにして第１＿２テスト用予測精神健康データを出力するようにし、（ｉｉｉ）前記第１＿２テスト用予測精神健康データ及び前記テスト用身体指標データを前記第１＿３予測モデルに入力し、前記第１＿３予測モデルにして第１＿３テスト用予測精神健康データを出力するようにすることを特徴とする、請求項１４に記載の精神健康評価装置。
  16. 前記学習用身体指標データは、前記学習対象者の学習用ホルモン濃度値を含み、前記テスト用身体指標データは、前記テスト対象者のテスト用ホルモン濃度値を含み、
    前記（１）プロセスにおいて、
    前記第１＿２学習用予測精神健康データ又は前記第１＿２ＧＴ精神健康データ、前記学習対象者の前記学習用ホルモン濃度値を含む前記学習用身体指標データが前記第１＿３予測モデルに入力された後、前記第１＿３予測モデルから出力された前記第１＿３学習用予測精神健康データ及び前記第１＿３ＧＴ精神健康データを参照して前記第１＿３予測モデルが学習されることを特徴とする、請求項１５に記載の精神健康評価装置。
  17. 前記学習用ホルモン濃度値は、学習用コルチゾール（cortisol）濃度値及び学習用ＤＨＥＡ（Dehydroepiandrosterone）濃度値を含み、前記テスト用ホルモン濃度値は、テスト用コルチゾール濃度値及びテスト用ＤＨＥＡ濃度値を含むことを特徴とする、請求項１６に記載の精神健康評価装置。
  18. 前記学習用ホルモン濃度値は学習用性ホルモン濃度値をさらに含み、前記テスト用ホルモン濃度値はテスト用性ホルモン濃度値をさらに含み、
    前記（１）プロセスにおいて、
    前記学習用性ホルモン濃度値が臨界範囲を満たす場合、前記第１＿１学習用肯定心理情報及び前記第１＿２学習用肯定心理情報に適用される第１重み値が、前記第１＿１学習用否定心理情報及び前記第１＿２学習用否定心理情報に適用される第２重み値より小さく設定された状態で、前記第１＿１予測モデル～前記第１＿３予測モデルが学習されることを特徴とする、請求項１７に記載の精神健康評価装置。
  19. （i）前記学習対象者が起床した時点から第１臨界時間範囲内に存在する第１学習用採取時点から第３学習用採取時点及び前記学習対象者が就寝した時点から第２臨界時間範囲内に存在する第４学習用採取時点で採取された第１学習用唾液～第４学習用唾液及び（ii）前記テスト対象者が起床した時点から前記第１臨界時間範囲内に存在する第１テスト用採取時点～第３テスト用採取時点及び前記テスト対象者が就寝した時点から前記第２臨界時間範囲内に存在する第４テスト用採取時点で採取された第１テスト用唾液～第４テスト用唾液のそれぞれが分析され、前記学習用ホルモン濃度値及び前記テスト用ホルモン濃度値のそれぞれが算出されることを特徴とする、請求項１６に記載の精神健康評価装置。
  20. 放射性同位元素法により前記第１学習用唾液～前記第４学習用唾液及び前記第１テスト用唾液～前記第４テスト用唾液それぞれを分析することにより、前記学習用ホルモン濃度値及び前記テスト用ホルモン濃度値それぞれが算出されることを特徴とする、請求項１９に記載の精神健康評価装置。
  21. 前記学習用身体指標データは、前記学習対象者の学習用心拍変異度値を含み、前記テスト用身体指標データは、前記テスト対象者のテスト用心拍変異度値を含み、
    前記（１）プロセスにおいて、
    前記第１＿２学習用予測精神健康データ又は前記第１＿２ＧＴ精神健康データ、前記学習対象者の前記学習用心拍変異度値を含む前記学習用身体指標データが前記第１＿３予測モデルに入力された後、前記第１＿３予測モデルから出力された前記第１＿３学習用予測精神健康データ及び前記第１＿３ＧＴ精神健康データを参照して前記第１＿３予測モデルが学習されることを特徴とする、請求項１５に記載の精神健康評価装置。
  22. 前記学習用身体指標データは、前記学習対象者の学習用脳映像データ及び学習用マイクロバイオム（microbiome）データを含み、前記テスト用身体指標データは、前記テスト対象者のテスト用脳映像データ及びテスト用マイクロバイオムデータを含み、
    前記（１）プロセスにおいて、
    前記第１＿２学習用予測精神健康データ又は前記第１＿２ ＧＴ精神健康データ、前記学習対象者の前記学習用脳映像データ及び前記学習用マイクロバイオム（microbiome）データを含む前記学習用身体指標データが前記第１＿３予測モデルに入力された後、前記第１＿３予測モデルから出力された前記第１＿３学習用予測精神健康データ及び前記第１＿３ＧＴ精神健康データを参照して前記第１＿３予測モデルが学習されることを特徴とする、請求項１５に記載の精神健康評価装置。
  23. 前記第１＿１学習用心理指標データは、前記学習対象者の学習用成人愛着類型情報、学習用成長期否定的経験情報及び学習用心を推し量る能力情報を含み、
    前記第１＿２学習用心理指標データは、前記学習対象者の学習用うつ症状尺度情報及び学習用自殺危険性情報を含み、
    前記第１＿１テスト用心理指標データは、前記テスト対象者のテスト用成人愛着類型情報、テスト用成長期否定的経験情報及びテスト用心を推し量る能力情報を含み、
    前記第１＿２テスト用心理指標データは、前記テスト対象者のテスト用うつ症状尺度情報及びテスト用自殺危険性情報を含み、
    前記（１）プロセスにおいて、
    （ｉ）前記学習用成人愛着類型情報、前記学習用成長期否定的経験情報及び前記学習用心を推し量る能力情報を含む前記第１＿１学習用心理指標データが前記第１＿１予測モデルに入力された後、前記第１＿１予測モデルから出力された前記第１＿１学習用予測精神健康データ及びそれに対応する前記第１＿１ＧＴ精神健康データを参照して前記第１＿１予測モデルが学習され、（ｉｉ）前記第１＿１学習用予測精神健康データ又は前記第１＿１ＧＴ精神健康データ、前記学習用うつ症状尺度情報、及び前記学習用自殺危険性情報を含む前記第１＿２学習用心理指標データが前記第１＿２予測モデルに入力された後、前記第１＿２予測モデルから出力された前記第１＿２学習用予測精神健康データ及びそれに対応する前記第１＿２ ＧＴ精神健康データを参照して前記第１＿２予測モデルが学習されることを特徴とする、請求項１５に記載の精神健康評価装置。
  24. 前記第１＿１学習用心理指標データ及び前記第１＿２学習用心理指標データの内、少なくとも一部は、前記学習対象者の学習用回復弾力性情報をさらに含み、
    前記第１＿１テスト用心理指標データ及び前記第１＿２テスト用心理指標データの内、少なくとも一部は、前記テスト対象者のテスト用回復弾力性情報をさらに含むことを特徴とする、請求項２３に記載の精神健康評価装置。
  25. 前記プロセッサは、
    前記（１）プロセスにおいて、
    （ｉ）前記学習対象者の前記学習用心理指標データ及び前記学習用身体指標データが前記第１予測モデルに入力された後、前記第１予測モデルから出力された前記学習用予測精神健康データ及び前記ＧＴ精神健康データを参照として、前記第１予測モデルが学習され、（ｉｉ）前記学習用予測精神健康データまたは前記ＧＴ精神健康データが第２予測モデルに入力された後、前記第２予測モデルから出力された（ii－１）薬物治療プロセスと心理治療プロセスの内、少なくとも一部が前記学習対象者に適用されることにより精神健康状態が変化した学習対象者に対する学習用治療後予測精神健康データ、（ii－２）前記薬物治療プロセスに対する学習用予測薬物治療データ、（ii－３）前記心理治療プロセスのための学習用予測心理治療データ、及びそれぞれに対応する治療後のＧＴ精神健康データ、ＧＴ薬物治療データ及びＧＴ心理治療データを参照して前記第２予測モデルが学習された状態において、前記テスト対象者の前記テスト対象者端末から前記テスト対象者の前記テスト用心理指標データ及び前記テスト用身体指標データを獲得し、
    前記（２）プロセスにおいて、
    前記テスト用心理指標データ及び前記テスト用身体指標データを前記第１予測モデルに入力し、前記第１予測モデルにして前記テスト用予測精神健康データを出力することを特徴とする、請求項１４に記載の精神健康評価装置。
  26. 前記精神健康評価装置が提供する前記テスト用予測精神健康データは、前記テスト対象者から採取された第１テスト用唾液～第４テスト用唾液が分析されて算出されたＣｏｒｔｉｓｏｌ濃度値及びＤＨＥＡ濃度値に関する情報を含み、
    前記テスト対象者から採取された前記第１テス用唾液～前記第４テスト用唾液が分析され算出されたＣｏｒｔｉｓｏｌ濃度値及びＤＨＥＡ濃度値に対応する領域が９番領域である場合、前記テスト対象者のＣｏｒｔｉｓｏｌ濃度が正常レベルより低くなっている状態でＤＨＥＡが正常範囲であるか、正常範囲より高い状態で現れる場合であるため、前記精神健康評価装置は、身体疾患や人為的に服用した薬物等によってこのような結果が起きたか、または唾液採取が正確に行われていなかったため、これについて総合的な検討が必要である旨の情報及びテスト用予測精神健康データを出力することを特徴とする、請求項１４に記載の精神健康評価装置。
JP2022546498A 2021-02-04 2021-06-16 機械学習に基づいて心理指標データ及び身体指標データを学習することにより、精神健康を予測し、精神健康ソリューションを提供する方法及びそれを用いた精神健康評価装置 Active JP7299427B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2021-0016379 2021-02-04
KR1020210016379A KR102254481B1 (ko) 2021-02-04 2021-02-04 머신러닝에 기반하여 심리지표 데이터 및 신체지표 데이터를 학습함으로써 정신건강을 예측하고 정신건강 솔루션을 제공하는 방법 및 이를 이용한 정신건강 평가 장치
PCT/KR2021/007556 WO2022169037A1 (ko) 2021-02-04 2021-06-16 머신러닝에 기반하여 심리지표 데이터 및 신체지표 데이터를 학습함으로써 정신건강을 예측하고 정신건강 솔루션을 제공하는 방법 및 이를 이용한 정신건강 평가 장치

Publications (2)

Publication Number Publication Date
JP2023509224A JP2023509224A (ja) 2023-03-07
JP7299427B2 true JP7299427B2 (ja) 2023-06-27

Family

ID=76157479

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022546498A Active JP7299427B2 (ja) 2021-02-04 2021-06-16 機械学習に基づいて心理指標データ及び身体指標データを学習することにより、精神健康を予測し、精神健康ソリューションを提供する方法及びそれを用いた精神健康評価装置

Country Status (6)

Country Link
US (1) US11791052B2 (ja)
EP (1) EP4089686A4 (ja)
JP (1) JP7299427B2 (ja)
KR (1) KR102254481B1 (ja)
CA (1) CA3169245A1 (ja)
WO (1) WO2022169037A1 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102254481B1 (ko) 2021-02-04 2021-05-21 (주) 마인즈에이아이 머신러닝에 기반하여 심리지표 데이터 및 신체지표 데이터를 학습함으로써 정신건강을 예측하고 정신건강 솔루션을 제공하는 방법 및 이를 이용한 정신건강 평가 장치
KR102381088B1 (ko) * 2021-07-20 2022-03-30 양영준 인공지능에 기반한 심리검사 시스템 및 그 동작 방법
KR20230020054A (ko) 2021-08-02 2023-02-10 서울대학교산학협력단 헬스 스페이스 모델을 이용한 건강 상태 정보 시각화 장치 및 방법
US12008458B2 (en) 2021-08-02 2024-06-11 Seoul National University R&Db Foundation Method and apparatus for visualizing health status information by using health space model
KR102476612B1 (ko) * 2022-07-29 2022-12-13 주식회사 마음스토리 인공지능에 기반한 심리 맞춤 솔루션 제공 방법 및 시스템
KR102631059B1 (ko) * 2023-06-09 2024-01-30 (주) 마인즈에이아이 복수 종류 생체 데이터 및 복수 종류 디지털 표현형 데이터 중 적어도 일부와, 타액 내 호르몬 데이터의 관계 정보를 판별하는 방법 및 이를 이용한 컴퓨팅 장치
KR102631058B1 (ko) * 2023-06-09 2024-01-30 (주) 마인즈에이아이 생체 데이터 및 디지털 표현형 데이터 중 적어도 일부와, 타액 내 호르몬 데이터의 관계 정보를 제공하는 방법 및 이를 이용한 컴퓨팅 장치
KR102610257B1 (ko) * 2023-06-20 2023-12-06 주식회사 마인즈에이아이 특정 상황에 대한 대처 스킬을 향상시키는 반응형 컨텐츠를 제공하기 위한 방법 및 컴퓨팅 장치
KR102612333B1 (ko) * 2023-08-24 2023-12-12 (주) 마인즈에이아이 사용자 메타데이터 및 타액 내 호르몬 데이터를 참조하여 특정 사용자에게 맞춤형 컨텐츠를 제공하는 방법 및 이를 이용한 컴퓨팅 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018181004A (ja) 2017-04-14 2018-11-15 株式会社Ｎｔｔドコモ 教師データ生成装置
US20190244127A1 (en) 2018-02-08 2019-08-08 Progrentis Corp. Adaptive teaching system for generating gamified training content and integrating machine learning

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170006919A (ko) * 2015-07-10 2017-01-18 김미경 환자의 신체 및 심리 상태를 융합 기반으로 한 맞춤형 의료 서비스 제공 시스템
KR101911516B1 (ko) * 2017-12-26 2018-10-24 (주)에프앤아이 사용자의 심리 상태 데이터를 획득하고 사용자의 심리 상태를 판단하고 피드백을 제공하는 방법 및 이를 이용한 서버
KR102190056B1 (ko) * 2018-08-31 2020-12-11 주식회사 모노라마 빅데이터 기반의 환자 맞춤형 복약 정보 제공 장치 및 복약 정보 제공 방법
KR102162522B1 (ko) * 2018-10-04 2020-10-06 김창호 맞춤형 의료 정보 제공 장치 및 방법
KR102322345B1 (ko) * 2019-05-21 2021-11-04 건국대학교 산학협력단 사용자 정보에 기초한 맞춤형 힐링 프로그램 추천 장치 및 방법
KR102128435B1 (ko) 2019-06-26 2020-06-30 하정윤 환자투병 관련기록을 자동으로 인식하여 분석하는 정신심리 분석 시스템
US12045696B2 (en) 2020-03-20 2024-07-23 Kpn Innovations, Llc Artificial intelligence systems and methods for generating educational inquiry responses from biological extractions
US11315041B1 (en) * 2020-09-22 2022-04-26 Vignet Incorporated Machine learning with data sharing for clinical research data across multiple studies and trials
KR102254481B1 (ko) * 2021-02-04 2021-05-21 (주) 마인즈에이아이 머신러닝에 기반하여 심리지표 데이터 및 신체지표 데이터를 학습함으로써 정신건강을 예측하고 정신건강 솔루션을 제공하는 방법 및 이를 이용한 정신건강 평가 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018181004A (ja) 2017-04-14 2018-11-15 株式会社Ｎｔｔドコモ 教師データ生成装置
US20190244127A1 (en) 2018-02-08 2019-08-08 Progrentis Corp. Adaptive teaching system for generating gamified training content and integrating machine learning

Also Published As

Publication number Publication date
EP4089686A4 (en) 2023-08-23
JP2023509224A (ja) 2023-03-07
CA3169245A1 (en) 2022-08-04
US11791052B2 (en) 2023-10-17
EP4089686A1 (en) 2022-11-16
US20220367065A1 (en) 2022-11-17
WO2022169037A1 (ko) 2022-08-11
KR102254481B1 (ko) 2021-05-21

Similar Documents

Publication Publication Date Title
JP7299427B2 (ja) 機械学習に基づいて心理指標データ及び身体指標データを学習することにより、精神健康を予測し、精神健康ソリューションを提供する方法及びそれを用いた精神健康評価装置
US10791978B2 (en) Classifying individuals using finite mixture markov modelling and test trials with accounting for item position
US20170147777A1 (en) Method and apparatus for predicting health data value through generation of health data pattern
JP7293050B2 (ja) 軽度認知障害判定システム
US9861308B2 (en) Method and system for monitoring stress conditions
US20170119297A1 (en) Method and system for assessing mental state
JP2020532025A (ja) 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置
Kelly et al. Automatic prediction of health status using smartphone-derived behavior profiles
WO2023087917A1 (zh) 基于多维分层漂移扩散模型的认知决策评估方法及系统
JP6282783B2 (ja) 分析システム及び分析方法
CN112908452A (zh) 事件数据建模
KR20210059272A (ko) 자기공명 뇌영상 분석을 통한 청년기 우울증 및 고위험군 예측 기계학습 알고리즘
Bondugula et al. Identification of schizophrenic individuals using activity records through visualization of recurrent networks
JP7322818B2 (ja) 推定システム及びシミュレーションシステム
JP6881287B2 (ja) データ処理装置、データ処理方法及びデータ処理プログラム
KR102612333B1 (ko) 사용자 메타데이터 및 타액 내 호르몬 데이터를 참조하여 특정 사용자에게 맞춤형 컨텐츠를 제공하는 방법 및 이를 이용한 컴퓨팅 장치
Alkahtani et al. Artificial Intelligence Models to Predict Disability for Mental Health Disorders
Arnrich et al. Self organizing maps for affective state detection
KR102618067B1 (ko) 알레르기 질환의 증상 발생을 예측하는 방법 및 장치
KR102650936B1 (ko) 정신건강 위험신호 탐지 시스템, 그리고 이를 이용한 정신건강 위험신호 탐지 방법
US20240285202A1 (en) System and method for diagnosing mental disorder and predicting treatment response on basis of psychiatric examination data using eye tracking
JP6960369B2 (ja) 分析システム及び分析方法
KR20240051060A (ko) 디지털 표현형을 이용한 공황장애 인지행동 치료를 위한 훈련 시스템 및 방법
Gunay Modelling of sleep behaviors of patients with mood disorders
US20150269339A1 (en) Adaptive Medical Testing

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220728

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220728

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20220728

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230206

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230508

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230515

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: 20230522

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230615

R150 Certificate of patent or registration of utility model

Ref document number: 7299427

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150