JP7322818B2 - 推定システム及びシミュレーションシステム - Google Patents

Description

本開示は、軽度認知障害に該当する確率の推定システム及びシミュレーションシステムに関する。

認知症は、原因や進行状況によって、治療内容が異なる。このため、認知症の原因や進行状況を適切に診断することが求められている。一般に、認知症の原因や進行状況は、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量、精神状態短時間検査（ＭＭＳＥ：Ｍｉｎｉ Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ）の点数などの情報に基づいて総合的に診断される。しかしながら、これらの情報を得るための検査は、例えば、測定に時間と測定コストがかかる。このため、認知症の原因や進行状態を簡便に判定する方法が検討されている。

例えば、特許文献１には、アルツハイマー型認知症、レビー小体型認知症、前頭側頭型認知症の３つの認知症に関して、被験者の睡眠時の生体データから睡眠データを生成し、その睡眠データと、上記３つの認知症に関する判定用データとを比較することにより、上記３つの認知症のリスクを判定するシステムが記載されている。また、特許文献２には、人の周囲の環境データ、生体データ、行動データ、音声・画像データ等に基づいて、認知症患者における特有の行動・心理状態の発症を予測する技術が記載されている。

特許第６４１１１１１号公報 国際公開第２０１９／２２１２５２号

認知症の前段階である軽度認知障害（ＭＣＩ：Ｍｉｌｄ Ｃｏｇｎｉｔｉｖｅ Ｉｍｐａｉｒｍｅｎｔ）を発見して適切に対処することにより、認知症の発生を抑えることや改善を図ることが可能である。このため、軽度認知障害の発生の簡便な判定、軽度認知障害の発生リスクの予測、軽度認知障害の発生の予防等を可能とする技術が求められている。

本開示に係る技術は、上記を鑑みて開発されたものである。本開示の目的の一つは、被験者における軽度認知障害の発生を簡便に推定することができるシステムを提供することにある。

上記目的を達成するために、本開示は以下の技術を提供する。

（１）第１の態様に係る推定システムは、
被験者の属性を表し属性情報と、当該被験者の行動状況を表す行動情報とから、当該被験者が軽度認知障害に該当する確率を推定可能な第１推定モデルと、時系列の特定時点における前記被験者に関する前記属性情報と、前記特定時点における前記被験者に関する前記行動情報とから、前記特定時点よりも後の時点における前記被験者に関する行動情報を推定可能な第２推定モデルと、を記憶可能なモデル記憶部と、
前記属性情報と、前記行動情報と、に基づいて、前記被験者が軽度認知障害に該当する確率を推定するＭＣＩ推定部と、
時系列の第１時点における前記被験者に関する前記属性情報と、前記第１時点における前記被験者に関する前記行動情報と、を前記第２推定モデルに適用して前記第１時点より後の第２時点における前記被験者に関する行動情報を推定することで、推定行動情報を生成する行動情報シミュレータと、を有し、
前記ＭＣＩ推定部は、前記第２時点における前記被験者に関する前記属性情報と、前記行動情報シミュレータにより推定された前記第２時点における前記推定行動情報と、を前記第１推定モデルに適用することで、前記第２時点において、前記被験者が軽度認知障害に該当する確率を推定する。

（２）第２の態様に係るシミュレーションシステムは、
被験者の属性を表す属性情報と、当該被験者の行動状況を表す行動情報とから、当該被験者が軽度認知障害に該当する確率を推定可能な第１推定モデルを記憶可能なモデル記憶部と、
前記行動情報の少なくとも一部を加工することで、仮想の行動を表す疑似行動情報を生成する疑似行動情報生成部と、
前記属性情報と、前記疑似行動情報と、を前記第１推定モデルに適用することで、前記疑似行動情報により表される仮想の行動を実行した場合に、前記被験者が軽度認知障害に該当する確率を表す第１の確率を推定するＭＣＩシミュレータと、を備える。

本開示にかかる技術は、被験者における軽度認知障害の発生を、簡便に推定することを可能とする。

図１は、本開示の一実施形態に係るＭＣＩ推定システムの機能的な構成を例示するブロック図である。 図２は、図１に例示するＭＣＩ推定システムの他の機能的な構成を例示するブロック図である。 図３は、図２に例示するＭＣＩ推定システムにより実行される軽度認知障害の推定方法の処理を例示するフロー図である。 図４は、第１推定モデルによって得られる一例のＲＯＣ曲線である。 図５は、ＭＭＳＥ点数の実測値とＭＭＳＥ点数推定モデルによって算出される推定値の関係を例示するグラフである。 図６は、脳糖代謝率の実測値と脳糖代謝率推定モデルによって算出される推定値の関係を例示するグラフである。 図７は、海馬体積の実測値と海馬体積推定モデルによって算出される推定値の関係を例示するグラフである。 図８は、アミロイドβ蓄積量の実測値とアミロイドβ蓄積量推定モデルによって算出される推定値の関係を例示するグラフである。 図９は、図３に示すＭＣＩ推定システムの処理により表示可能なユーザインタフェースの一例を示す説明図である。 図１０は、図３に示すＭＣＩ推定システムの処理により表示可能なユーザインタフェースの他の一例を示す説明図である。 図１１は、本開示の他の一実施形態に係るＭＣＩ推定システムの機能的な構成を例示するブロック図である。 図１２は、図１１に例示するＭＣＩ推定システムの他の機能的な構成を例示するブロック図である。 図１３は、図１２に示すＭＣＩ推定システムにより実行される軽度認知障害の推定方法の処理を例示するフロー図である。 図１４は、図１２に示すＭＣＩ推定システムの処理により表示可能なユーザインタフェースの一例を示す説明図である。 図１５は、本開示の更に他の一実施形態に係るＭＣＩ推定システムの機能的な構成を例示するブロック図である。 図１６は、図１５に示すＭＣＩ推定システムの他の機能的な構成を例示するブロック図である。 図１７は、図１６に示すＭＣＩ推定システムにより実行される軽度認知障害の推定方法の処理を例示するフロー図である。 図１８は、図１７に示すＭＣＩ推定システムの処理により表示可能なユーザインタフェースの一例を示す説明図である。 図１９は、本開示の一実施形態に係るＭＣＩシミュレーションシステムの機能的な構成を例示するブロック図である。 図２０は、図１９に示すＭＣＩシミュレーションシステムの他の機能的な構成を例示するブロック図である。 図２１は、図２０に示すＭＣＩシミュレーションシステムにより実行されるＭＣＩシミュレーションの処理を例示するフロー図である。 図２２は、図２１に示すＭＣＩシミュレーションの処理により表示可能なユーザインタフェースの一例を示す説明図である。 図２３は、図２０に示すＭＣＩシミュレーションシステムにより実行されるＭＣＩシミュレーションの他の処理を例示するフロー図である。 図２４は、図２３に示すＭＣＩシミュレーションの処理により表示可能なユーザインタフェースの一例を示す説明図である。 図２５は、本開示の他の一実施形態に係るＭＣＩシミュレーションシステムの機能的な構成を例示するブロック図である。 図２６は、図２５に示すＭＣＩシミュレーションシステムの他の機能的な構成を例示するブロック図である。 図２７は、図２６に示すＭＣＩシミュレーションシステムにより実行されるＭＣＩシミュレーションの処理を例示するフロー図である。 図２８は、図２７に例示するフロー図のＭＣＩシミュレーションの処理により表示可能なユーザインタフェースの一例を示す説明図である。 図２９は、図２６に示すＭＣＩシミュレーションシステムにより実行されるＭＣＩシミュレーションの他の処理を例示するフロー図である。 図３０は、図２９に例示するフロー図のＭＣＩシミュレーションの処理により表示可能なユーザインタフェースの一例を示す説明図である。 図３１は、本開示に係る技術を実現可能な情報処理装置の構成を例示するブロック図である。

以下、本開示に係る技術の実施形態について、図面を参照して詳細に説明する。なお、以下の説明で用いる図面は、説明の便宜上、部分を拡大して示している場合があり、各構成要素の寸法比率などが実際と同じであるとは限らない。また、以下の説明において例示される構成・部品等は一例であって、本開示に係る技術は必ずしもそれらに限定されるものではなく、その要旨を変更しない範囲で適宜変更して実施することが可能である。

本開示の一実施形態に係る軽度認知障害推定システム（以下、「ＭＣＩ推定システム」と記載することがある）について説明する。ＭＣＩ推定システムは、被験者の軽度認知障害の発生を簡便に判定できるシステムであってもよい。

図１は、本開示の一実施形態に係るＭＣＩ推定システムの機能的な構成を例示するブロック図である。
図１に例示する構成において、ＭＣＩ推定システム１０１は、データ入力部１０と、モデル記憶部２０と、ＭＣＩ推定部３０とを有する。図１に例示するＭＣＩ推定システム１０１の構成は一つの具体例であり、例示された構成要素のうち、一つ以上の構成要素が統合されてもよく、一つの構成要素が更に複数の構成要素に細分化されてもよい。
なお、以下においては、説明の便宜上、ＭＣＩ推定システム１０１を利用する人（利用者、ユーザ）や、ＭＣＩ推定システム１０１を用いて軽度認知障害の可能性を推定する対象となる人を、単にまとめて「ユーザ」あるいは「被験者」と記載することがある。

データ入力部１０は、属性情報とセンサデータとを入力データとして受け付け可能に構成される。一例として、データ入力部１０は、被験者の属性情報を入力可能な属性情報入力部と、被験者が装着したセンサ装置から取得されたセンサデータを入力可能なセンサデータ入力部とを有してもよい。
なお、ＭＣＩ推定システム１０１は、データ入力部１０を備えずともよい。その場合、被験者の属性情報、センサデータ等は、例えば、予めＭＣＩ推定システム１０１に提供されてもよく、ＭＣＩ推定システム１０１がアクセス可能な記憶装置に記憶されてもよい。

属性情報は、被験者の属性を表す固有情報を含む情報である。被験者の属性情報に含まれる固有情報は、被験者個人に備わっている性質や特徴を特定するデータであってもよい。被験者の属性情報は、例えば、被験者の生活環境及び生活習慣に関する情報のうち、センサ装置により測定されないデータ、あるいは、センサ装置による測定が困難なデータであってもよい。被験者の属性情報は、具体的には、例えば、被験者の年齢、性別、教育歴、既往歴、生活習慣などの個人に特有の情報を一つ以上含んでもよい。既往歴は、被験者が過去に罹った病気の経歴であり、例えば、高血圧、糖尿病、高コレステロール血症などに罹った経歴であってもよい。生活習慣は、被験者が生活する中で行なう生活パターンであり、例えば、喫煙状況、飲酒状況などを表す情報であってもよい。

センサデータは、被験者が装着したセンサ装置から取得された被験者の行動状況を表すデータを少なくとも一つ含むデータである。例えば、センサデータに含まれている行動状況を表すデータに基づいて被験者の行動情報を生成することができる。
被験者の行動情報は、被検者の行動状況を表す情報であり、例えば、センサデータに基づいた演算・加工処理により数値（データ）を算出することにより生成されてもよい。係る行動情報は、換言すると、センサデータに基づいて求められた、被験者の実際の行動を表すと推認される情報であってもよい。
センサデータは、例えば、特定の期間の間に測定された測定データを加工することで得られる値（例えば、測定データの平均値、中央値等）であってもよい。行動状況を表すデータは、例えば、身体的活動、環境変化等、被験者に関連する何らかの活動を表すデータを含んでもよい。

行動状況を表すデータには、例えば、歩行数、歩行時間、会話時間、心拍数（脈拍数）、睡眠時間、光照射時間（例えば、ＵＶ照射時間、特定照度以上の可視光線、赤外線等の照射時間等）、皮膚温度、体温などの情報のうち、一以上の情報が含まれてもよい。また、特定の活動が実施された時間、頻度、割合等（例えば、夜間・昼間の睡眠時間、時間帯ごとの歩行数、歩行時間、時間帯ごとの発話数、会話時間）などが、行動状況を表すデータとして用いられてもよい。また、これらの行動状況を表すデータに基づいて算出される行動情報は、睡眠時間、会話時間、歩行時間、ＵＶ照射時間、脈拍、皮膚温度、体温のうちの少なくとも一つの情報を含んでもよい。

データ入力部１０には、例えば、被験者に対して予め実施した問診票、アンケート、診断等により取得されたデータが、被験者の属性情報として入力されてもよい。また、データ入力部１０には、例えば、後述するセンサ装置からセンサデータが提供されてもよい。なお、データ入力部１０は、上記に限定されず、本システムのユーザ（利用者や被験者）、管理者などが、属性情報やセンサデータを入力可能なインタフェースを提供してもよい。

モデル記憶部２０は、第１推定モデル２１を記憶する記憶部（記憶装置）である。モデル記憶部２０を実現可能な記憶装置の構成は、特に限定されない。係る記憶装置は、例えば、ＭＣＩ推定システム１０１に含まれる記憶装置であってもよく、ＭＣＩ推定システム１０１がアクセス可能な外部の記憶装置や、クラウドストレージであってもよい。

第１推定モデル２１は、被験者の属性を表す属性情報と、その被験者の行動状況を表す行動情報とから、当該被験者に関する軽度認知障害の推定に使用可能な情報を生成可能なモデルを含んでもよい。
係る属性情報は、データ入力部１０に入力データとして与えられてもよい。また、行動情報は、データ入力部１０に入力データとして与えられたセンサデータから算出されてもよい。
具体的には、第１推定モデル２１は、例えば、被験者の属性情報と、被験者の行動情報とから、当該被験者に関する軽度認知障害の推定に使用可能な情報として、当該被験者が軽度認知障害に該当する確率を推定するモデルを含んでもよい。

また、第１推定モデル２１は、例えば、被験者の属性情報と、被験者の行動情報とから、当該被験者に関する軽度認知障害の推定に使用可能な情報として、当該被験者が軽度認知障害に該当する可能性を段階的に表す情報（数値、記号、符号、それらの組み合わせ等）を生成するモデルであってもよい。以下、説明の便宜上、特定の被験者に関する軽度認知障害の推定に使用可能な情報の具体例として、当該被験者が軽度認知障害に該当する確率が例示されるが、本開示に係る技術はこれに限定されない。

係る第１推定モデル２１は、例えば、健常者と、軽度認知障害に該当する者との少なくとも一方を含む１以上のデータの提供者（以下、単に「データ提供者」と記載することがある）から提供されたデータを用いて作成されてもよい。
第１推定モデル２１に含まれるモデルは、データ提供者の属性情報と、当該データ提供者の行動状況を表す行動情報とを用いて作成されてもよい。係る第１推定モデル２１は、例えば、データ提供者の属性情報と、データ提供者の行動情報、及び、当該データ提供者が軽度認知障害に該当するかを表すラベル情報を少なくとも含むデータセットに基づいて作成（学習）されてもよい。係るモデルは、具体的には、このデータセットに含まれる属性情報と行動情報とを説明変数とし、ラベル情報を目的変数として用いる分析処理により作成されてもよい。
ＭＣＩ推定システム１０１は、このように作成された第１推定モデル２１と、被験者の属性情報と、被験者の行動情報とを用いることにより、当該被験者に関する軽度認知障害の推定に使用可能な情報（例えば、被験者が軽度認知障害に該当する確率）を推定してもよい。

また、第１推定モデル２１は、要因情報算出モデルと、被験者に関する軽度認知障害の推定に使用可能な情報（例えば、当該被験者が軽度認知障害に該当する確率）を推定する推定情報算出モデルと、を含んでもよい。
要因情報算出モデルは、被験者の属性情報と、被験者の行動情報とから被験者の軽度認知障害の判定に影響する要因情報を推定可能なモデルである。推定情報算出モデルは、被験者の属性情報と、被験者の要因情報とから、当該被験者に関する軽度認知障害の推定に使用可能な情報を推定するモデルである。要因情報は、例えば、精神状態短時間検査（ＭＭＳＥ：Ｍｉｎｉ Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ）点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量等の情報のうち一つ以上の情報であってもよい。要因情報推定モデルは、例えば、ＭＭＳＥ点数推定モデル、脳糖代謝率推定モデル、海馬体積推定モデル、灰白質体積推定モデル、アミロイドβ蓄積量推定モデル等のモデルのうち一以上のモデルを含んでもよい。ＭＣＩ推定システム１０１は、このモデルを用いることによって、例えば、ある被験者に関する軽度認知障害を推定する過程において、当該被験者に関する要因情報の推定値を算出してもよい。また、この要因情報算出モデルを含むＭＣＩ推定システムは、要因情報推定システムとして利用されてもよい。

要因情報推定モデルは、例えば、データ提供者の属性情報と行動情報、及び、データ提供者から取得された要因情報を少なくとも含むデータセットに基づいて作成（学習）されてもよい。推定情報算出モデルは、このデータセットに含まれる属性情報と行動情報とを説明変数とし、要因情報を目的変数とした分析処理により作成されてもよい。

推定情報算出モデルは、例えば、データ提供者の属性情報と、データ提供者から提供された要因情報と、当該データ提供者が軽度認知障害に該当するかを表すラベル情報とを少なくとも含むデータセットに基づいて作成（学習）されてもよい。具体的には、推定情報算出モデルは、このデータセットに含まれる属性情報と要因情報とを説明変数とし、ラベル情報を目的変数とした分析処理により作成されてもよい。

さらに、ある態様として、第１推定モデル２１は、例えば、データ提供者の属性情報と行動情報、データ提供者から取得された軽度認知障害の判定に影響する要因情報、及び、当該データ提供者が軽度認知障害に該当するかを表すラベル情報と、を少なくとも含むデータセットに基づいて作成されてもよい。具体的には、第１推定モデル２１は、このデータセットに含まれる属性情報と行動情報と要因情報とを説明変数とし、ラベル情報を目的変数とした分析処理により作成されてもよい。これによりＭＣＩ推定システム１０１は、被験者の属性情報と、被験者の行動情報と共に、要因情報を入力データとして入力することによって、当該被験者が軽度認知障害に該当する確率を推定することができる。
さらに、ある態様として、第１推定モデル２１は、例えば、上記要因情報の少なくとも一部を、データ提供者の属性情報として含むデータセットに基づいて作成されてもよい。
この場合、第１推定モデル２１は、例えば、データ提供者の属性情報、データ提供者の行動情報、データ提供者から取得された軽度認知障害の判定に影響する要因情報と、データ提供者が軽度認知障害に該当するかを表すラベル情報と、を少なくとも含むデータセットに基づいて、当該データセットに含まれる上記属性情報と、上記行動情報と、上記要因情報と、を説明変数とし、上記ラベル情報を目的変数とした分析処理により作成されてもよい。換言すると、この場合、属性情報と、要因情報とは。特段区別されずにまとめて扱われてもよい。

ＭＣＩ推定部３０は、データ入力部１０に入力された被験者の属性情報と、センサデータに含まれる行動状況を表すデータに基づいて算出された被験者の行動情報と、第１推定モデル２１とを用いて、当該被験者に関する軽度認知障害の推定に使用可能な情報（例えば、被験者が軽度認知障害に該当する確率）を算出するように構成される。ＭＣＩ推定システム１０１は、例えば、この確率により、被験者が軽度認知障害に該当する可能性を推定することができる。

ある態様として、第１推定モデル２１が要因情報推定モデルと推定情報算出モデルとを含む場合、ＭＣＩ推定部３０は、被験者の属性情報と、被験者の行動情報とを要因情報推定モデルに適用することで、当該被験者に関する要因情報の推定値を算出してもよい。そして、ＭＣＩ推定部３０は、算出した被験者の要因情報の推定値と、被験者の属性情報とを推定情報算出モデルに適用することで、当該被験者が軽度認知障害に該当する確率を推定してもよい。

図２は、図１に例示するＭＣＩ推定システムの他の機能的な構成を例示するブロック図である。
図２に例示するＭＣＩ推定システム１０１ａは、データ入力部１０が属性情報入力部１１及びセンサデータ入力部１２を有する点と、データ加工部１５を有する点と、表示部７０を有する点において、図１に示すＭＣＩ推定システム１０１の構成と相違する。その他の図２に示すＭＣＩ推定システム１０１ａの構成は、図１に示すＭＣＩ推定システム１０１の構成と同様としてもよいので、同一の符号を付して、説明を省略する。

属性情報入力部１１は、被験者の属性情報１を入力データとして受け付け可能に構成される。センサデータ入力部１２は、センサ装置２００から提供されたセンサデータ２を入力データとして受け付け可能に構成される。なお、図２において、属性情報入力部１１とセンサデータ入力部１２とは、分離しているが、これらは統合されてもよい。

データ加工部１５は、データ入力部１０に提供された属性情報１とセンサデータ２を加工することにより、被験者の軽度認知障害の判定に用いられるデータを生成するように構成される。データ加工部１５は、行動情報変換部１６と、データ統合部１７と、データクレンジング部１８とを有する。

行動情報変換部１６は、センサデータ２に含まれる行動状況を表すデータに基づいて被験者の行動情報３を算出するように構成される。行動情報変換部１６は、一例として、単独のセンサデータ２に基づいて、一つ以上の行動情報３を算出してもよい。また、行動情報変換部１６は、一例として、複数のセンサデータ２を組み合わせることによって、一つ以上の行動情報３を算出してもよい。さらに、行動情報変換部１６は、例えば、異なる時間に計測されたセンサデータ２から行動情報３を算出してもよい。また、行動情報変換部１６は、例えば、ある時間の長さにわたって連続的に計測されたセンサデータ２から、特定の行動情報３を算出してもよい。また、行動情報変換部１６は、例えば、ある特定の時間ごとに連続して計測されたセンサデータ２から、特定の行動情報３を算出してもよい。また、行動情報変換部１６は、例えば、間欠的に計測されたセンサデータ２から、特定の行動情報３を算出してもよい。

行動情報変換部１６がセンサデータ２から、行動情報３を算出する方法は特に限定されない。一具体例として、行動情報変換部１６は、例えば、センサデータ２に含まれる加速度センサのデータから、被験者の歩行数を算出してもよい。また、行動情報変換部１６は、例えば、センサデータ２に含まれる加速度センサのデータと、その測定時刻とから、被験者の歩行時間を算出してもよい。また、行動情報変換部１６は、例えば、センサデータ２に含まれる音響（音声）センサのデータ（音声信号等）から、被験者の会話時間を算出してもよい。また、行動情報変換部１６は、例えば、センサデータ２に含まれる脈拍センサのデータから、被験者の心拍数を算出してもよい。また、行動情報変換部１６は、例えば、センサデータ２に含まれる加速度センサのデータ、光センサのデータ、脈拍センサのデータ、これらのデータの測定時間等を統合することで、被験者の睡眠時間を算出してもよい。
なお、一態様として、行動情報変換部１６に相当する構成がセンサ装置２００に設けられてもよい。この場合は、行動情報３がセンサデータ２の少なくとも一部として、センサデータ入力部１２に入力されてもよい。また、この場合、ＭＣＩ推定システム１０１ａは、行動情報変換部１６を備えなくともよい。

データ統合部１７は、被験者の属性情報１と、被験者の行動情報３の少なくとも一部から、ＭＣＩ推定部３０において利用されるデータを統合することにより、データセットを作成するように構成される。データ統合部１７は、例えば、属性情報１と行動情報３の少なくとも一方から少なくとも一部のデータを選択し、ベクトル形式、マトリックス形式のデータセットを作成してもよい。なお、一態様として、データ統合部１７を設けずに、属性情報１と行動情報３とをＭＣＩ推定部３０に提供してもよい。

データクレンジング部１８は、データセットに含まれるデータの重複や誤記などのエラーを検出し、検出されたエラーの削除あるいは修正するように構成される。データクレンジング部１８は、一例として、ある特定の基準に基づいて、データセットの中から不要なデータを削除してもよい。このデータセットのクレンジングによって、データセットの品質が向上することにより、ＭＣＩ推定システム１０１ａは、例えば、より正確に確率を推定可能となる。なお、一態様として、データのクレンジングが不要な場合には、ＭＣＩ推定システム１０１ａは、データクレンジング部１８を備えなくともよい。

表示部７０は、ユーザインタフェース８０を表示可能に構成される。
ユーザインタフェース８０は、第１コンポーネント８１と、第２コンポーネント８２と、第３コンポーネント８３とを含んでもよい。第１コンポーネント８１は、行動情報３を表示可能な領域であってもよい。第２コンポーネント８２は、属性情報１を表示可能な領域であってもよい。第３コンポーネント８３は、ＭＣＩ推定部３０で推定された軽度認知障害に該当する確率を表示可能な領域であってもよい。ＭＣＩ推定部３０が、被験者に関する要因情報の推定値を算出する場合、第３コンポーネント８３は要因情報を表示可能に構成されてもよい。

また、図２に示すＭＣＩ推定システム１０１ａでは、表示部７０は、ＭＣＩ推定システム１０１ａに統合されているが、本技術はこれに限定されない。表示部７０は、例えば、ＭＣＩ推定システム１０１ａから分離可能に構成されてもよい。また、表示部７０は、例えば、ＭＣＩ推定システム１０１ａに接続された外部の表示装置（モニタ等）として実現されてもよい。この場合、ユーザインタフェース８０は、例えば、外部の表示装置に表示されてもよい。また、表示部７０は、例えば、ＭＣＩ推定システム１０１ａに通信可能に接続された他の装置（例えば、本システムのユーザの情報通信端末）として実現されてもよい。 この場合、ユーザインタフェース８０は、例えば、ＭＣＩ推定システム１０１ａに通信可能に接続された他の装置に表示されてもよい。
また、表示部７０の代わりに、あるいは、表示部７０と共に、各コンポーネントに表示可能な情報を印刷するプリンタが用いられてもよいし、係る情報を電子情報として伝送する通信デバイスが用いられてもよい。

センサ装置２００は、例えば、ウェラブルセンサであり、ユーザ（例えば被験者等）に装着可能な装着部を有してもよい。センサ装置２００は、例えば、センサ素子２０１、センサデータ記憶部２０２、データ提供部２０３を備えてもよい。なお、センサ装置２００は、単一（単独）の装置として実現されてもよく、複数の装置の組み合わせ（例えば、腕部や脚部に装着する装置と胸部に装着する装置の組み合わせ等）により実現されてもよい。また、センサ装置２００は、ユーザの身体に装着する装置と、ユーザの身体に装着しない装置との組み合わせにより実現されてもよい。ユーザの身体に装着しない装置には、例えば、室内環境をセンシングする装置や、ユーザが使用する健康管理機器（血圧計、体重計、体組成計等）が含まれてもよい。

センサ素子２０１としては、例えば、温度センサ、脈拍（あるいは心拍）センサ、加速度センサ、マイクロホン（音響センサ）、環境光センサ（例えば、可視光や明度等を感知可能なセンサ）、紫外線センサ等が用いられてもよい。これらのセンサ素子は、単独で使用されてもよいし、二つ以上の素子の組み合わせが使用されてもよい。

センサデータ記憶部２０２は、センサ素子２０１により測定したセンサデータを記憶可能に構成される。センサデータ記憶部２０２としては、例えば、フラッシュメモリ等の半導体記憶装置が用いられてもよい。

データ提供部２０３は、センサデータをＭＣＩ推定システム１０１ａ（例えば、データ入力部１０におけるセンサデータ入力部１２）に対して提供可能に構成される。データ提供部２０３がセンサデータを提供する方法としては、例えば、無線接続によるデータ通信、有線接続によるデータ通信等が用いられてもよい。通信方式（プロトコル）は特に限定されず、適切な方式が採用されてもよい。また、センサデータ２は、記録媒体を介して提供してもよい。

次に、図２に示すＭＣＩ推定システム１０１ａにより実行される軽度認知障害の推定方法について、図３のフロー図を参照しながら説明する。
図３は、図２に例示するＭＣＩ推定システムにより実行される軽度認知障害の推定方法の処理を例示するフロー図である。

ＭＣＩ推定システム１０１ａで実行される軽度認知障害の推定方法は、一例として、図３に例示するように、属性情報１の入力を受け付ける処理（ステップＳ１１）、センサデータ２の入力を受け付ける処理（ステップＳ１２）、行動情報３を算出する処理（ステップＳ１３）、属性情報１と行動情報３を統合してデータセットを作成する処理（ステップＳ１４）、データをクレンジングする処理（ステップＳ１５）、軽度認知障害に該当する確率を推定する処理（ステップＳ２０）、推定結果を出力する処理（ステップＳ２１）を含んでもよい。なお、これらの処理（ステップ）の少なくとも一部は、更に詳細な処理に細分化されてもよい。また、これらの処理は統合されてもよい。また、ＭＣＩ推定システム１０１ａは、これらの処理のうち、結果に影響がない範囲で、少なくとも一部の処理を実行する順序を変えてもよく、少なくとも一部の処理を並列に実行してもよい。
なお、上記処理とは別に、センサ装置２００により、センサデータの取得処理（ステップＳ１０）が実行されてもよい。

以下、図３を参照して、軽度認知障害の推定方法について具体的に説明する。以下、記載の便宜上、センサ装置２００によるセンサデータの取得処理についても併せて説明する。
被験者が装着したセンサ装置２００により、被験者に関するセンサデータが取得される（ステップＳ１０）。この際、センサ装置２００は、例えば、センサ素子２０１を用いて測定されたセンサデータを、センサデータ記憶部２０２に記憶してもよい。

被験者の属性情報１は、ＭＣＩ推定システム１０１ａに提供される（ステップＳ１１）。この際、例えば、ＭＣＩ推定システム１０１ａにおける属性情報入力部１１が、被験者の属性情報１を入力データとして受け付けてもよい。なお、属性情報１は、予めＭＣＩ推定システム１０１ａに提供されてもよい。

センサ装置２００において取得されたセンサデータ２が、ＭＣＩ推定システム１０１ａに提供される（ステップＳ１２）。例えば、センサ装置２００におけるセンサ素子２０１により計測されたセンサデータが、センサ装置２００からＭＣＩ推定システム１０１ａに提供されてもよい。また、センサデータ記憶部２０２に記憶されているセンサデータ２が、センサ装置２００からＭＣＩ推定システム１０１ａに提供されてもよい。ＭＣＩ推定システム１０１ａにおけるセンサデータ入力部１２が、センサデータ２を入力データとして受け付けてもよい。
属性情報入力部１１に入力された属性情報１は、データ統合部１７に提供されてもよい。また、センサデータ２は、行動情報変換部１６に提供されてもよい。

ＭＣＩ推定システム１０１ａ（具体的には、行動情報変換部１６）は、センサデータ２に基づいて被験者の行動情報３を算出する（ステップＳ１３）。変換された行動情報３は、データ統合部１７に提供されてもよい。

ＭＣＩ推定システム１０１ａ（具体的には、データ統合部１７）は、属性情報１と行動情報３とを統合して、データセットを作成する（ステップＳ１４）。データセットは、データクレンジング部１８に提供されてもよい。なお、データセットを作成しない場合、ＭＣＩ推定システム１０１ａは、このステップを実行せずともよい。

ＭＣＩ推定システム１０１ａ（具体的には、データクレンジング部１８）は、データセットに含まれるデータの重複や誤記などのエラーを削除あるいは修正することで、データをクレンジングする（ステップＳ１５）。クレンジングされたデータセットは、ＭＣＩ推定部３０に提供されてもよい。なお、データのクレンジングが不要である場合、ＭＣＩ推定システム１０１ａは、このステップを実行せずともよい。

ＭＣＩ推定システム１０１ａ（具体的には、ＭＣＩ推定部３０）は、被験者が軽度認知障害に該当する確率を推定する。具体的には、ＭＣＩ推定部３０は、データセットに含まれる属性情報と行動情報を、モデル記憶部２０に記憶された第１推定モデル２１に適用することで、軽度認知障害に該当する確率を推定する（ステップＳ２０）。
ＭＣＩ推定部３０は、ステップＳ２０において推定された確率に基づいて、被験者が軽度認知障害に該当するか否かを推定してもよい。例えば、ＭＣＩ推定システム１０１ａは、ステップＳ２０において推定された軽度認知障害に該当する確率と、特定の閾値（例えば、特定のカットオフ値）と、を比較することにより、被験者が軽度認知障害であるか否かを推定してもよい。推定された軽度認知障害に該当する確率は、表示部７０に送られてもよい。

ＭＣＩ推定システム１０１ａ（具体的には、表示部７０）は、推定結果を出力する（ステップＳ２１）。推定結果は、軽度認知障害に該当する確率もしくはこの確率から導出された結果（例えば、被験者が、軽度認知障害に該当するか否か等）であってもよい。

次に、ＭＣＩ推定システム１０１ａにおける、第１推定モデル２１の作成方法（学習方法）について説明する。
まず、モデルの作成には、一人以上の人から収集されたデータが用いられる。以下、モデルの作成に用いられるデータの提供元となった人を、単にデータ提供者と記載することがある。また、データ提供者から収集されたデータを、単に収集データと記載することがある。データ提供者は、適切に選定された、被験者以外の第三者であってもよい。なお、場合によっては、データ提供者に被験者が含まれてもよい。

データ提供者には、例えば、健常者、アルツハイマー型の軽度認知障害に該当する者、もしくは非アルツハイマー型の軽度認知障害に該当する者のうちのいずれかを一人以上が含まれてもよい。なお、以下において、アルツハイマー型（Ａｌｚｈｅｉｍｅｒ’ｓ Ｄｉｓｅａｓｅ）の軽度認知障害を単に「ＡＤ型軽度認知障害」と記載することがある。また、非アルツハイマー型の軽度認知障害を単に「非ＡＤ型軽度認知障害」と記載することがある。典型的には、データ提供者には、健常者、ＡＤ型軽度認知障害に該当する者、もしくは非ＡＤ型軽度認知障害に該当する者がそれぞれ一人以上含まれてもよい。この場合、収集データには、健常者から収集されたデータと、ＡＤ型軽度認知障害に該当する者から収集されたデータと、非ＡＤ型軽度認知障害に該当する者から収集されたデータと、がそれぞれ含まれてもよい。例えば、収集データとして、医療機関、検査機関、介護施設等において予め適切に収集されたデータが用いられてもよい。

具体的には、収集データとして、例えば、データ提供者に関する属性情報、データ提供者の行動状況を表す行動情報、データ提供者について取得された要因情報（ＭＭＳＥ点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量）などが収集される。また、収集データとして、データ提供者が装着したセンサ装置から取得されたセンサデータが収集されてもよい。
あるデータ提供者に関する行動情報は、例えば、データ提供者が装着したセンサ装置から取得されたセンサデータに基づいて算出されてもよく、その他の適切な手段（例えば、アンケートや問診等によるデータ提供者からの直接的な情報収集）を用いて収集されてもよい。あるデータ提供者に関する要因情報は、例えば、予め当該データ提供者について医学的な検査、測定、診断などを実施することにより収集されてもよい。

ＭＭＳＥ点数は、例えば、データ提供者が受けたＭＭＳＥ（精神状態短時間検査）の結果から取得されてもよい。脳糖代謝率は、例えば、データ提供者が受けたＦＤＧ－ＰＥＴ検査の結果から所得されてもよい。海馬体積及び灰白質体積は、例えば、データ提供者が受けたＭＲＩ検査の結果から取得されてもよい。アミロイドβ蓄積量は、例えば、データ提供者が受けたアミロイド－ＰＥＴ検査の結果から取得されてもよい。
データ提供者に関する属性情報は、例えば、データ提供者に対して予め実施した問診票、アンケート、事前診断等から取得されてもよい。

第１推定モデル２１は、例えば、次のようなプロセスにより作成されてもよい。
データ提供者から収集された収集データが、健常者から収集されたデータと、それ以外のデータ（即ち、軽度認知障害（ＡＤ型軽度認知障害と非ＡＤ型軽度認知障害を含む）から収集されたデータ）とに分類される。この際、分類された収集データには、データ提供者が分類されるカテゴリを表す情報（例えば、「健常」、「軽度認知障害」などのラベル）が付与されてもよい。

分類された収集データから、例えば、健常者と軽度認知障害などの分類（カテゴリ）を目的変数とし、データ提供者の属性情報と行動情報を説明変数として、それらの目的変数及び説明変数を含むデータセットが作成されてもよい。また、例えば、健常者と軽度認知障害などの分類（カテゴリ）を目的変数とし、データ提供者の属性情報と行動情報及びデータ提供者の要因情報を説明変数として、それらの目的変数及び説明変数を含むデータセットが作成されてもよい。これらのデータセットは、例えば、ベクトル形式で表現されてもよく、マトリックス形式で表現されてもよい。これらのデータセットは、モデルを作成する際のトレーニングデータとして用いられる。

次に、作成されたデータセットを用いた分析処理を実行することにより、モデルが作成される。係る分析処理には、例えば、回帰分析や、各種機械学習における学習処理が含まれてもよい。モデルを作成する際に用いられる分析の手法は特に制限されず、二項ロジスティック回帰分析、サポートベクタマシーン（ＳＶＭ）回帰分析、ランダムフォレスト回帰分析、ニューラルネットワーク等が適宜用いられてもよい。
例えば、重回帰分析あるいはＳＶＭ回帰分析用いる場合、概略以下の式（１）、式（２）で表されるモデルが作成されてもよい。

Ｐ_ＭＣＩ＝１／（１＋ｅ^－Ｚ） （１）
Ｚ＝ｗ０＋ｗ１×ｘ１＋ｗ２×ｘ３＋ｗ３×ｘ３＋・・・ｗＮ×ｘＮ （２）

上記式（１）において、Ｐ_ＭＣＩは、モデルから出力される値であり、例えば、軽度認知障害である確率を表してもよい。上記式（１）及び（２）において、Ｚは上述の目的変数（ラベルを表す情報）を表し、パラメータｘ１、ｘ２、ｘ３・・・ｘＮは上述の説明変数を表してもよい。これらのパラメータとして、例えば、属性情報（例えば、年齢、性別、教育歴、既往歴、生活習慣等）の少なくとも一部が適宜用いられてもよい。また、これらのパラメータとしては、要因情報（例えば、ＭＭＳＥ点数、脳糖代謝率、アミロイドβ蓄積量）の少なくとも一部が適宜用いられてもよい。なお、上記式（２）において、ｗ０、ｗ１、ｗ２、ｗ３・・・ｘＮは係数を表してもよい。

また、モデルとしてニューラルネットワークを用いる場合、上記説明変数を入力パラメータとし、上記目的変数を出力とする１層以上のネットワークが作成されてもよい。係るニューラルネットワークにおける隠れ層の数、各層のノード（ニューロン）の数、各層間の接続構造は、適切に調整されてもよい。
これらのモデルを作成する際、周知の学習アルゴリズム（例えば、重回帰分析であれば二乗誤差最小化、ＳＶＭであればマージン最大化、ニューラルネットワークであればバックプロパゲーション等）が用いられてもよい。

このように作成されたモデルについて、例えば、ＲＯＣ（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲線を作成することで、軽度認知障害であると判定されるカットオフ値、感度、特異度、正診率が算出されてもよい。そして、例えば、ＲＯＣ曲線の感度と特異度が高く、かつ正診率が高い（疑陽性率、疑陰性率が低い）数値になるようなモデルが選択されてもよい。例えば、収集データのうちの一部を学習用データとして用いてモデルを作成し、それ学習データ以外のデータを評価用データとして用いることで、作成されたモデルが評価されてもよい。上記のようにして作成、選択されたモデルは、第１推定モデル２１として用いることができる。

図４は、第１推定モデル２１によって得られる一例のＲＯＣ曲線である。図４に例示するＲＯＣ曲線は、感度が９１．７％、特異度が８２．５％、カットオフ値が０．５３１１９８１である。

また、第１推定モデル２１が、要因情報算出モデルと推定情報算出モデルとを含む場合、要因情報算出モデルは、例えば、目的変数を要因情報とし、説明変数をデータ提供者の属性情報と行動情報として、上記と略同様のプロセスにより作成されてもよい。また、推定情報算出モデルは、例えば、目的変数を健常者と軽度認知障害などの分類（カテゴリ）とし、説明変数を要因情報として、上記と略同様のプロセスにより作成されてもよい。

上記の方法によって作成された要因情報推定モデルを用いて算出された要因情報の推定値と要因情報の実測値との関係の一例を、図５～図８に示す。

図５は、ＭＭＳＥ点数の実測値と、ＭＭＳＥ点数推定モデルによって算出される推定値との関係を例示するグラフである。図５に示すＭＭＳＥ点数の実測値と推定値の回帰直線は、決定係数（Ｒ^２）が０．９８、二乗平均平方根誤差（ＲＭＳＥ）が０．２４である。

図６は、脳糖代謝率の実測値と、脳糖代謝率推定モデルによって算出される推定値との関係を例示するグラフである。図６に示す脳糖代謝率の実測値と推定値の回帰直線は、決定係数（Ｒ^２）が０．９７、二乗平均平方根誤差（ＲＭＳＥ）が０．０２である。

図７は、海馬体積の実測値と、海馬体積推定モデルによって算出される推定値との関係を例示するグラフである。図７に示す海馬体積の実測値と推定値の回帰直線は、決定係数（Ｒ^２）が０．９９、二乗平均平方根誤差（ＲＭＳＥ）が１２５．７１である。

図８は、アミロイドβ蓄積量の実測値と、アミロイドβ蓄積量推定モデルによって算出される推定値との関係を例示するグラフである。図８に示すアミロイドβ蓄積量の実測値と推定値の回帰直線は、決定係数（Ｒ^２）が０．８８４、二乗平均平方根誤差（ＲＭＳＥ）が０．０２６である。

次に、図３に示すＭＣＩ推定システム１０１ａの処理により表示部７０で表示される情報について図９と図１０を参照しながら説明する。

図９は、第１推定モデル２１が要因情報の推定値を算出しない場合において、表示部７０に表示されるユーザインタフェース８０ａの一例を示す説明図である。図９に例示するように、ユーザインタフェース８０ａの第１コンポーネント８１ａには、行動情報３が表示されてもよい。図９に示す具体例の場合、第１コンポーネント８１ａには、「歩行」、「睡眠」、「会話」に関する情報（例えば、これらの実行時間）などが表示されている。第２コンポーネント８２ａには、属性情報１が表示されてもよい。図９に示す具体例の場合、「飲酒」、「喫煙」、「高血圧」に関する情報、例えば、飲酒量、喫煙量、血圧値、あるいは、これらの習慣の有無などが表示されている。第３コンポーネント８３ａには、軽度認知障害に該当する確率が表示されてもよい。

図１０は、第１推定モデル２１が要因情報の推定値を算出する場合（第１推定モデルが、要因情報算出モデルと推定情報算出モデルとを含む場合）において、表示部７０に表示されるユーザインタフェース８０ｂの一例を示す説明図である。図１０に例示するように、ユーザインタフェース８０ｂの第３コンポーネント８３ｂには、軽度認知障害に該当する確率と共に、要因情報の推定値が表示されてもよい。

ＭＣＩ推定システム１０１ａが図９、図１０に例示するようなユーザインタフェースを提供することにより、例えば、被験者自身が、軽度認知障害に該当する可能性を簡便に確認可能である。なお、図９、図１０に例示する表示態様は、一つの具体例であり、本開示に係る技術はこれに限定されない。ユーザインタフェース８０ａ、８０ｂには他の表示要素が含まれてもよく、例えば、表示内容が、グラフ、図形、画像等の表示要素を用いて構成されてもよい。

以上説明したＭＣＩ推定システム１０１、１０１ａは、第１推定モデル２１を有することから、被験者の属性情報１と行動情報３とから、被験者が軽度認知障害に該当する確率を精度よく推定することができる。また、第１推定モデル２１が、要因情報算出モデルと推定情報算出モデルとを含む場合、ＭＣＩ推定システム１０１、１０１ａは、被験者の属性情報１と行動情報３とから、要因情報（ＭＭＳＥ点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量）を精度よく推定することができる。

図１１は、本開示の他の一実施形態に係るＭＣＩ推定システムの機能的な構成を例示するブロック図である。
図１１に例示する構成において、ＭＣＩ推定システム１０２は、データ入力部１０と、モデル記憶部２０と、ＭＣＩ推定部３０と、行動情報シミュレータ４０と、を有する。モデル記憶部２０は、第１推定モデル２１と、第２推定モデル２２とを記憶可能に構成される。図１１に示すＭＣＩ推定システム１０２は、モデル記憶部２０が第２推定モデル２２を記憶可能に構成されている点と、行動情報シミュレータ４０とを有する点において、図１に示すＭＣＩ推定システム１０１と相違する。また、図１１に示すＭＣＩ推定システム１０２は、ＭＣＩ推定部３０にて被験者が軽度認知障害に該当する確率を推定する方法が、図１に示すＭＣＩ推定システム１０１と相違する。その他の図１１に示すＭＣＩ推定システム１０２の構成に関しては、図１に示すＭＣＩ推定システム１０１の構成と同様としてもよいので、同一の符号を付して、説明を省略する。

第２推定モデル２２は、時系列のある特定時点における、被験者の属性情報と、被験者の行動情報とから、特定時点よりも後の時点における当該被験者の行動情報を推定可能なモデルを含んでもよい。行動情報は、例えば、睡眠時間、会話時間、歩行時間、ＵＶ照射時間、脈拍、皮膚温度、体温のうちの少なくとも一つの情報を含んでもよい。

第２推定モデル２２は、具体的には、例えば、１以上のデータ提供者から提供された、少なくとも時系列の複数の時点における属性情報と、センサデータに基づいて算出されたデータ提供者の行動情報とを含む第２データセットに基づいて作成（学習）されたモデルを含んでもよい。
時系列の複数の時点は、例えば、ある特定時点と、その特定時点より後の他の複数の時点とを含んでもよい。一つの具体例として第２データセットには、ある特定時点を基準として、所定期間ごとに収集されたデータが含まれてもよい。そのようなデータは、例えば、ある時点を基準として１日ごと、１週間ごと、１か月ごと、半年ごと、１年ごとに収集された複数のデータであってもよい。

第２推定モデル２２は、第２データセットに含まれる時系列のある特定時点におけるデータ提供者の属性情報と、データ提供者の行動情報とを説明変数として、特定時点における当該データ提供者の行動情報と、特定時点より後の他の時点における当該データ提供者の行動情報との差分を目的変数として用いる分析処理により作成されてもよい。
第２推定モデル２２は、また、第２データセットに含まれる時系列の特定時点におけるデータ提供者の属性情報とデータ提供者行動情報とを説明変数として、特定時点より後の他の時点における当該データ提供者の行動情報を目的変数として用いる分析処理により作成されてもよい。

以下、具体例を示して説明する。
例えば、第２データセットに、ある時点（以下「Ｔ０時点」と記載する）を基準として１年後（Ｔ１時点と記載）、２年後（Ｔ２時点と記載）、３年後（Ｔ３時点と記載）のデータ提供者の属性情報と、当該データ提供者の行動情報と、が含まれることを想定する。この場合、第２推定モデルは、例えば、説明変数としてＴ０時点におけるデータ提供者の属性情報と、データ提供者の行動情報が設定され、目的変数としてＴ１時点における当該データ提供者の行動情報が設定されたデータと、説明変数としてＴ１時点におけるデータ提供者の属性情報と、データ提供者の行動情報が設定され、目的変数としてＴ２時点における当該データ提供者の行動情報が設定されたデータと、説明変数としてＴ２時点におけるデータ提供者の属性情報と、データ提供者の行動情報が設定され、目的変数としてＴ３時点における当該データ提供者の行動情報が設定されたデータと、を用いた分析処理により作成されてもよい。

また、第２推定モデルは、例えば、説明変数としてＴ０時点におけるデータ提供者の属性情報と、データ提供者の行動情報が設定され、目的変数としてＴ１時点における行動情報とＴ０時点における行動情報との差分が設定されたデータと、説明変数としてＴ１時点における属性情報及び行動情報が設定され、目的変数としてＴ２時点における行動情報とＴ１時点における行動情報との差分が設定されたデータと、説明変数としてＴ３時点における属性情報及び行動情報が設定され、目的変数としてＴ２時点における行動情報とＴ１時点における行動情報との差分が設定されたデータと、を用いた分析処理により作成されてもよい。
このようにして作成された第２推定モデルは、例えば、入力として与えられる被験者の属性情報と、被験者の行動情報から、１年後の当該被験者の行動情報の推定値を提供することが可能である。
具体例として、行動情報に歩行時間が含まれる場合、第２推定モデルを使用することで、ある特定の時点における被験者の歩行時間と、被験者の属性情報とから、１年後の当該被験者の歩行時間を推定することが可能となる。

第２推定モデル２２の作成に用いられる分析処理の方法は、前述の第１推定モデル２１を作成する方法と同一の方法が用いられてもよい。即ち、第２推定モデルは、二項ロジスティック回帰分析、サポートベクタマシーン（ＳＶＭ）回帰分析、ランダムフォレスト回帰分析、ニューラルネットワーク等を適宜用いて作成されたモデルであってもよい。
なお、第２推定モデル２２の作成に用いる属性情報及び行動情報のデータ提供者は、例えば、前述の第１推定モデル２１の作成に用いる属性情報と行動情報のデータ提供者と同一の提供者を含んでもよく、異なるデータ提供者を含んでもよい。

行動情報シミュレータ４０は、時系列のある特定の時点（第１時点）における被験者の属性情報と、被験者の行動情報と、第２推定モデル２２とを用いて、第１時点より後の第２時点における当該被験者の行動情報を推定するように構成される。
第１時点は特に限定されない。第１時点は、例えば、センサデータが測定された時点であってもよい。また、第１時点は、例えば、センサデータに基づいて被験者の行動情報が生成された時点であってもよい。複数のセンサデータがＭＣＩ推定システム１０２に提供される場合、第１時点は、例えば、最も新しいセンサデータが測定された時点であってもよい。また、第１時点は、例えば、センサデータがＭＣＩ推定システム１０２に提供された時点であってもよい。また、第１時点は、例えば、被験者がＭＣＩ推定システム１０２を利用する時点であってもよい。この場合、被験者がＭＣＩ推定システム１０２を利用する時点において、ＭＣＩ推定システム１０２に提供されている、最新のセンサデータに基づいて算出された行動情報が用いられてもよい。第１時点は、また、被験者が選択可能であってもよい。この場合、被験者が選択した第１時点に近いタイミングで測定されたセンサデータから生成された行動情報が用いられてもよい。

また、被験者の属性情報については、第１時点においてＭＣＩ推定システム１０２に提供されたか、第１時点までにＭＣＩ推定システム１０２に提供された属性情報が用いられてもよい。また、第１時点に最も近い時点でＭＣＩ推定システム１０２に提供された属性情報が用いられてもよい。
行動情報は、睡眠時間、会話時間、歩行時間、ＵＶ照射時間、脈拍、皮膚温度、体温などの時系列で変化する少なくとも一つの情報を含む。すなわち、行動情報シミュレータ４０は、上記の行動情報が測定された第１時点における属性情報と行動情報と、第２推定モデル２２とを用いて、将来（第１時点より後の第２時点）における被験者の行動情報を推定するように構成される。

ＭＣＩ推定部３０は、第２時点における被験者の属性情報と、行動情報シミュレータ４０により推定された第２時点における被験者の行動情報を表す推定行動情報と、第１推定モデル２１とを用いて、第２時点における当該被験者に関する軽度認知障害の推定に使用可能な情報（例えば、被験者が軽度認知障害に該当する確率）を算出するように構成される。ＭＣＩ推定システム１０２は、例えば、この確率により、被験者が将来のある時点（第２時点）において、軽度認知障害に該当する可能性を推定することができる。
第２時点における被験者の属性情報が、年齢などの時間の経過により変わる情報である場合、ＭＣＩ推定部３０は第２時点における属性情報を第１時点における属性情報に基づいて算出してもよい。一方、第２時点における被験者の属性情報が、性別、教育歴、既往歴、生活習慣年齢などの時系列で変わらない情報である場合、ＭＣＩ推定部３０は、第１時点における被験者の属性情報を第２時点における属性情報として用いてもよい。

また、ＭＣＩ推定部３０は、更に、第１時点の被験者に関する属性情報と、被験者の行動情報と、第１推定モデル２１とを用いて、第１時点における当該被験者に関する軽度認知障害の推定に使用可能な情報（例えば、被験者が軽度認知障害に該当する確率）を算出するように構成されてもよい。この場合、ＭＣＩ推定部３０は、例えば、第１時点において被験者が軽度認知障害に該当する確率と、第１時点よりも後の時点（第１時点を基準とした将来の時点）である第２時点において被験者が軽度認知障害に該当する確率と、を算出することが可能である。

図１２は、図１１に示すＭＣＩ推定システムの他の機能的な構成を例示するブロック図である。
図１２に示すＭＣＩ推定システム１０２ａは、データ入力部１０が属性情報入力部１１とセンサデータ入力部１２を有する点と、データ加工部１５を有する点と、表示部７０を有する点において、図１１に示すＭＣＩ推定システム１０２と相違する。その他の図１２に示すＭＣＩ推定システム１０２の構成は、図１１に示すＭＣＩ推定システム１０２の構成と同様としてもよいので、同一の符号を付して、説明を省略する。

属性情報入力部１１は、被験者の属性情報１を入力データとして受け付け可能に構成される。センサデータ入力部１２は、センサ装置２００から提供されたセンサデータ２を入力データとして受け付け可能に構成される。なお、図１２に示すＭＣＩ推定システム１０２ａの属性情報入力部１１及びセンサデータ入力部１２は、図２に示すＭＣＩ推定システム１０１ａの属性情報入力部１１及びセンサデータ入力部１２と同様に構成されてもよい。

データ加工部１５は、データ入力部１０に提供された属性情報１とセンサデータ２を加工することにより、被験者のＭＣＩ判定に用いられるデータを生成するように構成される。データ加工部１５は、行動情報変換部１６と、データ統合部１７と、データクレンジング部１８とを有する。
行動情報変換部１６は、センサデータ２に含まれる行動状況を表すデータに基づいて被験者の行動情報３を算出するように構成される。データ統合部１７は、被験者の属性情報１と、被験者の行動情報３の少なくとも一部とから、ＭＣＩ推定部３０において利用されるデータを統合することにより、データセットを作成するように構成される。データクレンジング部１８は、データセットに含まれるデータの重複や誤記などのエラーを検出し、検出されたエラーの削除あるいは修正するように構成される。なお、図１２に示すＭＣＩ推定システム１０２ａのデータ加工部１５は、図２に示すＭＣＩ推定システム１０１ａのデータ加工部１５と同様に構成されてもよい。

表示部７０は、ユーザインタフェース８０を表示可能に構成される。
ユーザインタフェース８０は、行動情報３を表示可能な領域である第１コンポーネント８１と、属性情報１を表示可能な領域である第２コンポーネント８２と、ＭＣＩ推定部３０で推定された軽度認知障害に該当する確率を表示可能な領域である第３コンポーネント８３とを含んでもよい。第１コンポーネント８１は、推定行動情報４を表示可能であってもよい。また、ＭＣＩ推定部３０が第１時点において被験者が軽度認知障害に該当する確率を算出するように構成されている場合、第３コンポーネント８３は、第１時点における軽度認知障害に該当する確率を表示するように構成されてもよい。

次に、図１２に示すＭＣＩ推定システム１０２ａにより実行される軽度認知障害の推定方法について、図１３に示すフロー図を参照しながら説明する。
図１３は、図１２に示すＭＣＩ推定システムにより実行される軽度認知障害の推定方法の処理を例示するフロー図である。

ＭＣＩ推定システム１０２ａにより実行される軽度認知障害の推定方法は、一例として、図１３に例示するように、属性情報１の入力を受け付ける処理（ステップＳ１１）、センサデータ２の入力を受け付ける処理（ステップＳ１２）、行動情報３を算出する処理（ステップＳ１３）、属性情報１と行動情報３を統合してデータセットを作成する処理（ステップＳ１４）、データをクレンジングする処理（ステップＳ１５）、推定行動情報を生成する処理（ステップＳ３０）、軽度認知障害に該当する確率を推定する処理（ステップＳ３１）、推定結果を出力する処理（ステップＳ３２）を含んでもよい。なお、上記処理とは別に、センサ装置２００により、センサデータの取得処理（ステップＳ１０）が実行されてもよい。

被験者の属性情報１が、ＭＣＩ推定システム１０２ａに提供される（ステップＳ１１）。属性情報１には、ある時点（第１時点）における被験者の属性情報が含まれてもよい。
センサ装置２００において取得されたセンサデータ２が、ＭＣＩ推定システム１０２ａに提供される（ステップＳ１２）。提供されるセンサデータには、例えば、ある時点（第１時点）以前において取得されたデータが含まれてもよい。

ＭＣＩ推定システム１０２ａ（具体的には、行動情報変換部１６）は、提供されたセンサデータ２に基づいて第１時点における行動情報３を算出する（ステップＳ１３）。ＭＣＩ推定システム１０２ａ（具体的には、データ統合部１７）は、第１時点の属性情報１と行動情報３とを統合して、データセットを作成する（ステップＳ１４）。
ＭＣＩ推定システム１０２ａ（具体的には、データクレンジング部１８）は、データセットに含まれるデータの重複や誤記などのエラーを削除あるいは修正することで、データをクレンジングする（ステップＳ１５）。なお、以上のステップＳ１１からステップＳ１５までの処理は、図３に示すＭＣＩ推定システム１０１ａにより実行される軽度認知障害の推定方法と同様としてもよい。

ＭＣＩ推定システム１０２ａ（具体的には、行動情報シミュレータ４０）は、推定行動情報を生成する（ステップＳ３０）。具体的には、行動情報シミュレータ４０は、例えば、第１時点における被験者の属性情報１と、行動情報３とを、モデル記憶部２０に記憶された第２推定モデル２２に適用することで、第２時点における被験者の推定行動情報４を推定してもよい。推定行動情報４は、第１時点における行動情報から推定された、第１時点よりも後の時点（将来の時点）である第２時点における行動情報である。

ＭＣＩ推定システム１０２ａ（具体的には、ＭＣＩ推定部３０）は、第２時点において、被験者が軽度認知障害に該当する確率を推定する。具体的には、ＭＣＩ推定部３０は、第２時点における被験者の属性情報と、行動情報シミュレータ４０において推定された被験者の推定行動情報４とを、モデル記憶部２０に記憶された第１推定モデル２１に適用することにより、当該被験者が第２時点において軽度認知障害に該当する確率を推定する（ステップＳ３１）。
属性情報が時間の経過により変わる情報である場合（例えば、年齢等）、第２時点における被験者の属性情報として、第１時点における被験者の属性情報１に基づいてＭＣＩ推定部３０により算出された値が使用されてもよい。一方、属性情報が時系列で変わらない情報である場合、第２時点における被験者の属性情報として、第１時点における被験者の属性情報１が使用されてもよい。ＭＣＩ推定部３０は、更に、第１時点における被験者の属性情報１と、行動情報３とを、第１推定モデル２１に適用することで、第１時点における被験者が軽度認知障害に該当する確率を算出してもよい。

また、ＭＣＩ推定部３０は、ステップＳ３１において推定された確率に基づいて、被験者が軽度認知障害に該当するか否かを推定してもよい。例えば、ＭＣＩ推定システム１０２ａは、ステップＳ３１において推定された軽度認知障害に該当する確率と、特定の閾値（例えば、特定のカットオフ値）と、を比較することにより、当該被験者が軽度認知障害であるか否かを推定してもよい。推定された軽度認知障害に該当する確率は、表示部７０に送られてもよい。

ＭＣＩ推定システム１０２ａ（具体的には、表示部７０）は、推定結果を出力する（ステップＳ３２）。推定結果は、軽度認知障害に該当する確率もしくはこの確率から導出された結果（例えば、被験者が、軽度認知障害に該当するか否か等）を含んでもよい。

次に、図１２に示すＭＣＩ推定システム１０２ａの表示部７０に表示される情報について図１４を参照しながら説明する。図１４は、図１３に示すＭＣＩ推定システムの処理により表示可能なインタフェースの一例を示す説明図である。

図１４に例示するように、ユーザインタフェース８０ｃの第１コンポーネント８１ｃには、行動情報３についてある時点のデータ（第１時点の行動情報３）と、その時点より後の時点のデータ（第２時点の推定行動情報４）が表示されてもよい。
図１４に示す具体例の場合、行動情報３及び推定行動情報４は、「歩行」、「睡眠」、「会話」に関する情報であり、例えば、これらの実行時間であってもよい。図１４に示す具体例では、第１時点における行動情報３は「現行」、第２時点における推定行動情報４は、「１年後」、「２年後」、「３年後」、「４年後」と表示されている。

第２コンポーネント８２ｃには、第１時点における属性情報１と、第２時点における属性情報１とが表示されてもよい。図１４に示す具体例の場合、属性情報１は、「飲酒」、「喫煙」、「高血圧」に関する情報が表示されている。図１４に示す具体例では、第１時点における属性情報１は「現行」、第２時点における属性情報１は、「１年後」、「２年後」、「３年後」、「４年後」と表示されている。なお、第２時点における属性情報１については、第１時点における属性情報がそのまま表示されてもよく、一部を変更した属性情報１が表示されてもよい。図１４に示す具体例の場合、「１年後」、「２年後」、「３年後」、「４年後」の変化値として、例えば、別途被験者が入力した各年後の予測値等が表示されてもよい。第２時点における属性情報１が変更された場合、変更された属性情報１を用いて、被験者が軽度認知障害に該当する確率が改めて算出されてもよい。このような構成は、例えば、ユーザインタフェース８０ｇに設定されたデータが、表示部７０を介してＭＣＩ推定システム１０２ａに提供されることにより適宜実現可能である。

第３コンポーネント８３ｃには、横軸に時系列が設定され、縦軸に軽度認知障害に該当する確率が設定されたグラフが表示されてもよい。即ちＭＣＩ推定システム１０２ａは、例えば、複数の第２の時点（例えば、１年後、２年後、３年後、４年後等）について上記説明した処理を実行することで、軽度認知障害に該当する確率の変化を表示することが可能である。

以上説明したＭＣＩ推定システム１０２、１０２ａは、第２推定モデル２２と、行動情報シミュレータ４０とを備える。これにより、ＭＣＩ推定システム１０２、１０２ａは、被験者の属性情報１と、特定時点（第１時点）の被験者の行動情報３とから、特定時点よりも後の時点（第２時点）における当該被験者の推定行動情報４を推定することができる。これにより、ＭＣＩ推定システム１０２、１０２ａは、特定時点よりも後の時点において被験者が軽度認知障害に該当する可能性を推定することができる。

図１５は、本開示の更に他の一実施形態に係るＭＣＩ推定システムの機能的な構成を例示するブロック図である。
図１５に例示する構成において、ＭＣＩ推定システム１０３は、データ入力部１０と、モデル記憶部２０と、ＭＣＩ推定部３０と、を有する。モデル記憶部２０は第１推定モデル２１と、第３推定モデル２３とが記憶される。また、ＭＣＩ推定部３０は、軽度認知障害確率推定部（以下、「ＭＣＩ確率推定部」と記載することがある）３１と、アルツハイマー型軽度認知障害確率推定部（以下、「ＡＤ型ＭＣＩ確率推定部」と記載することがある）３２とを有する。図１５に示すＭＣＩ推定システム１０２は、モデル記憶部２０が第３推定モデル２３を記憶可能とされている点と、ＭＣＩ推定部３０がＭＣＩ確率推定部３１と、ＡＤ型ＭＣＩ確率推定部３２とを有する点において、図１に示すＭＣＩ推定システム１０１と相違する。その他の図１５に示すＭＣＩ推定システム１０２の構成は、図１に示すＭＣＩ推定システム１０１の構成と同様としてもよいので、同一の符号を付して、説明を省略する。

第３推定モデル２３は、データ入力部１０に入力データとして与えられた被験者の属性情報と、被験者の行動情報とから、当該被験者に関するＡＤ型軽度認知障害の推定に使用可能な情報を生成可能なモデルを含んでもよい。具体的には、第３推定モデル２３は、例えば、被験者の属性情報と、被験者の行動情報とから、ＡＤ型軽度認知障害の推定に使用可能な情報として、当該被験者がＡＤ型軽度認知障害に該当する確率を推定するモデルを含んでもよい。 第３推定モデル２３は、また、例えば、データ入力部１０に入力データとして与えられた被験者の属性情報と、被験者の行動情報とから、ＡＤ型軽度認知障害の推定に使用可能な情報として、当該被験者がＡＤ型軽度認知障害に該当する可能性を段階的に表す情報（数値、記号、符号、それらの組み合わせ等）を生成するモデルを含んでもよい。
以下、説明の便宜上、特定の被験者に関する軽度認知障害の推定に使用可能な情報の具体例として、当該被験者が軽度認知障害に該当する確率が例示されるが、本開示に係る技術はこれに限定されない。

第３推定モデル２３に含まれるモデルは、具体的には、例えば、データ提供者の属性情報と、行動情報と、当該データ提供者がＡＤ型軽度認知障害に該当するか否かを表すラベル情報と、を少なくとも含むデータセットに基づいて作成（学習）されてもよい。すなわち、係るモデルは、このデータセットに含まれる属性情報と、行動情報とを説明変数とし、ＡＤ型軽度認知障害に該当するか否かを表すラベル情報を目的変数として用いる分析処理により作成されてもよい。
これにより、ＭＣＩ推定システム１０１は、被験者の属性情報と、被験者の行動情報と、第３推定モデル２３とを用いることで、被験者に関するＡＤ型軽度認知障害の推定に使用可能な情報（例えば、被験者が軽度認知障害に該当する確率）を推定することができる。なお、第３推定モデル２３を作成する際に用いられる分析の手法は特に制限されず、例えば、上記説明した第１推定モデル２１、第２推定モデル２２などと同様の方法が採用されてもよい。具体的には、第３推定モデル２３は、例えば、二項ロジスティック回帰分析、サポートベクタマシーン（ＳＶＭ）回帰分析、ランダムフォレスト回帰分析、ニューラルネットワーク等を用いて作成されてもよい。

第３推定モデル２３のデータ提供者には、健常者と、ＡＤ型軽度認知障害に該当する者と、非ＡＤ型軽度認知障害に該当する者と、の少なくともいずれかが含まれてもよい。典型的には、第３推定モデル２３は、健常者と、ＡＤ型軽度認知障害に該当する者と、非ＡＤ型軽度認知障害に該当する者と、を含む複数のデータ提供者から提供されたデータを用いて作成されてもよい。また、第３推定モデル２３は、健常者と、ＡＤ型軽度認知障害に該当する者と、を含む複数のデータ提供者から提供されたデータを用いて作成されてもよい。また、第３推定モデル２３は、ＡＤ型軽度認知障害に該当する者と、非ＡＤ型軽度認知障害に該当する者と、を含む複数のデータ提供者から提供されたデータを用いて作成されてもよい。

ＭＣＩ確率推定部３１は、データ入力部１０に入力された被験者の属性情報と、センサデータに含まれる行動状況を表すデータに基づいて算出された被験者の行動情報と、第１推定モデル２１と、を用いて、当該被験者に関する軽度認知障害の推定に使用可能な情報（例えば、被験者が軽度認知障害に該当する確率）を算出するように構成される。ＭＣＩ推定システム１０３は、例えば、この確率により、被験者が軽度認知障害に該当する可能性を推定することができる。ＭＣＩ確率推定部３１は、図１に示すＭＣＩ推定システム１０１におけるＭＣＩ推定部３０と実質的に同様に構成されてもよい。
なお、ＭＣＩ確率推定部３１は、例えば、被験者が非ＡＤ型の軽度認知障害に該当する確率を算出するよう構成されてもよく、被験者がＡＤ型か否かによらず軽度認知障害に該当する確率を算出するよう構成されてもよい。これは、第１推定モデル２１を作成する際に用いられるデータを適宜調整することで実現可能である。この場合、例えば、第１推定モデル２１を作成する際に用いられるデータについて、ＡＤ型の軽度認知障害と、それ以外とを分類するようなラベルが予め付与されてもよい。

ＡＤ型ＭＣＩ確率推定部３２は、データ入力部１０に入力された被験者の属性情報と、センサデータに含まれる行動状況を表すデータに基づいて算出された被験者の行動情報と、第３推定モデル２３とを用いて、当該被験者に関するＡＤ型軽度認知障害の推定に使用可能な情報（例えば、被験者がＡＤ型軽度認知障害に該当する確率）を算出するように構成される。

図１６は、図１５に示すＭＣＩ推定システムの他の機能的な構成を例示するブロック図である。
図１６に示すＭＣＩ推定システム１０３ａは、データ入力部１０が、属性情報入力部１１とセンサデータ入力部１２を有する点、データ加工部１５を有する点と、表示部７０を有する点において、図１５に示すＭＣＩ推定システム１０３と相違する。その他の図１６に示すＭＣＩ推定システム１０３ａの構成は、図１５に示すＭＣＩ推定システム１０３の構成と同様としてもよいので、同一の符号を付して、説明を省略する。

属性情報入力部１１は、被験者の属性情報１を入力データとして受け付け可能に構成される。センサデータ入力部１２は、センサ装置２００から提供されたセンサデータ２を入力データとして受け付け可能に構成される。なお、図１６に示すＭＣＩ推定システム１０３ａの属性情報入力部１１及びセンサデータ入力部１２は、図２に示すＭＣＩ推定システム１０１ａの属性情報入力部１１及びセンサデータ入力部１２と同様に構成されてもよい。

データ加工部１５は、データ入力部１０に提供された属性情報１とセンサデータ２を加工することにより、被験者のＭＣＩ判定に用いられるデータを生成するように構成される。データ加工部１５は、行動情報変換部１６と、データ統合部１７と、データクレンジング部１８とを有する。
行動情報変換部１６は、センサデータ２に含まれる行動状況を表すデータに基づいて被験者の行動情報３を算出するように構成される。データ統合部１７は、被験者の属性情報１と、被験者の行動情報３との少なくとも一部から、ＭＣＩ推定部３０において利用されるデータを統合することにより、データセットを作成するように構成される。データクレンジング部１８は、データセットに含まれるデータの重複や誤記などのエラーを検出し、検出されたエラーの削除あるいは修正するように構成される。なお、図１６に示すＭＣＩ推定システム１０３ａのデータ加工部１５は、図２に示すＭＣＩ推定システム１０１ａのデータ加工部１５と同様に構成されてもよい。

表示部７０は、ユーザインタフェース８０を表示可能に構成される。
ユーザインタフェース８０は、第１コンポーネント８１と、第２コンポーネント８２と、第３コンポーネント８３とを含んでもよい。第１コンポーネント８１は、被験者の行動情報３を表示可能な領域であってもよい。第１コンポーネント８１は、推定行動情報４を表示可能であってもよい。第２コンポーネント８２は、被験者の属性情報１を表示可能な領域であってもよい。第３コンポーネント８３は、ＭＣＩ推定部３０で推定された、被験者が軽度認知障害に該当する確率、及び、ＡＤ型軽度認知障害に該当する確率を表示可能な領域であってもよい。

次に、図１６に示すＭＣＩ推定システム１０３ａにより実行される軽度認知障害の推定方法について、図１７に示すフロー図を参照しながら説明する。
図１７は、図１６に示すＭＣＩ推定システム１０３ａにより実行される軽度認知障害の推定方法の処理を例示するフロー図である。

ＭＣＩ推定システム１０３ａにより実行される軽度認知障害の推定方法は、一例として、図１７に例示するように、属性情報１の入力を受け付ける処理（ステップＳ１１）、センサデータ２の入力を受け付ける処理（ステップＳ１２）、行動情報３を算出する処理（ステップＳ１３）、被験者の属性情報１と、被験者の行動情報３とを統合してデータセットを作成する処理（ステップＳ１４）、データをクレンジングする処理（ステップＳ１５）、軽度認知障害に該当する確率を推定する処理（ステップＳ４０）、軽度認知障害と推定されるかを判定する処理（ステップＳ４１）、ＡＤ型軽度認知障害に該当する確率を推定する処理（ステップＳ４２）、推定結果を出力する処理（ステップＳ４３）を含んでもよい。なお、上記処理とは別に、センサ装置２００により、センサデータの取得処理（ステップＳ１０）が実行されてもよい。

ある被験者の属性情報１が、ＭＣＩ推定システム１０３ａに提供される（ステップＳ１１）。また、センサ装置２００において取得されたセンサデータ２が、ＭＣＩ推定システム１０３ａに提供される（ステップＳ１２）。

ＭＣＩ推定システム１０３ａ（具体的には、行動情報変換部１６）は、センサデータ２に基づいて被験者の行動情報３を算出する（ステップＳ１３）。ＭＣＩ推定システム１０３ａ（具体的には、データ統合部１７）は、被験者の属性情報１と、被験者の行動情報３とを統合して、データセットを作成する（ステップＳ１４）。ＭＣＩ推定システム１０３ａ（具体的には、データクレンジング部１８）は、データセットに含まれるデータの重複や誤記などのエラーを削除あるいは修正することで、データをクレンジングする（ステップＳ１５）。なお、以上のステップＳ１１からステップＳ１５までの処理は、図３に示すＭＣＩ推定システム１０１ａにおいて実行される軽度認知障害の推定方法と同様としてもよい。

ＭＣＩ推定システム１０３ａ（具体的には、ＭＣＩ確率推定部３１）は、被験者が軽度認知障害に該当する確率を推定する（ステップＳ４０）。具体的には、ＭＣＩ確率推定部３１は、データセットに含まれる被験者の属性情報１と、被験者の行動情報３とを、モデル記憶部２０に記憶された第１推定モデル２１に適用することで、被験者が軽度認知障害に該当する確率を推定する。

次に、ＭＣＩ推定システム１０３ａ（具体的には、ＭＣＩ推定部３０）は、被験者の軽度認知障害に該当する確率に基づいて、被験者が軽度認知障害と推定されるか否かを判定する（ステップＳ４１）。

被験者が軽度認知障害と推定される場合（ステップＳ４１においてＹＥＳ）、ＭＣＩ推定システム１０３ａ（具体的には、ＡＤ型ＭＣＩ確率推定部３２）は、被験者がＡＤ型軽度認知障害に該当する確率を推定してもよい（ステップＳ４２）。具体的には、ＡＤ型ＭＣＩ確率推定部３２は、データセットに含まれる被験者の属性情報１と、被験者の行動情報３とを、第３推定モデル２３に適用することで、ＡＤ型軽度認知障害に該当する確率を推定する。

ＭＣＩ推定システム１０３ａ（具体的には、ＭＣＩ推定部３０）は、被験者の軽度認知障害に該当する確率を表示部７０に提供する。なお、被験者が軽度認知障害と推定される場合（ステップＳ４１においてＹＥＳ）、ＭＣＩ推定部３０は、被験者がＡＤ型軽度認知障害に該当する確率を表示部７０に提供してもよい。

ＭＣＩ推定システム１０３ａ（具体的には、表示部７０）は、推定結果を出力する（ステップＳ４３）。表示される推定結果には、被験者が軽度認知障害に該当する確率、被験者がＡＤ型軽度認知障害に該当する確率、あるいはこれらの確率から導出された結果（例えば、被験者が、軽度認知障害に該当するか否か、等）が含まれてもよい。
なお、上記に限定されず、ＭＣＩ推定システム１０２ａは、例えば、ステップＳ４０の処理に先立ってステップＳ４２の処理を実行してもよく、ステップＳ４０の処理と、ステップＳ４２の処理とを併せて実行してもよい。

次に、図１６に示すＭＣＩ推定システム１０３ａの表示部７０により表示される情報について図１８を参照しながら説明する。
図１８は、図１７に示すＭＣＩ推定システム１０３ａの処理により表示可能なユーザインタフェース８０ｄの一例を示す説明図である。

図１８に例示するように、ユーザインタフェース８０ｄの第１コンポーネント８１ｄには、行動情報３が表示されてもよい。図１８に示す具体例の場合、第１コンポーネント８１ｄには、ある特定時点（図１８においては「現行」と表示されている）での「歩行」、「睡眠」、「会話」に関する情報（例えば、これらの実行時間）などが表示されている。
第２コンポーネント８２ｄには、属性情報１が表示されてもよい。図１８に示す具体例の場合、ある特定時間（図１８においては「現行」と表示されている）での「飲酒」、「喫煙」、「高血圧」に関する情報が表示されている。
第３コンポーネント８３ｄには、被験者が軽度認知障害に該当する確率が表示されてもよい。また、第３コンポーネント８３ａには、被験者がＡＤ型軽度認知障害に該当する確率とが表示されてもよい。

以上説明したＭＣＩ推定システム１０３、１０３ａは、第３推定モデル２３と、ＡＤ型ＭＣＩ確率推定部３２とを備えることから、例えば、被験者がＡＤ型軽度認知障害に該当するか否かを推定することができる。なお、ＭＣＩ推定システム１０３、１０３ａにおいて、第１推定モデル２１と第３推定モデル２３を組み合わせたモデルを用いてもよい。すなわち、健常者と、ＡＤ型軽度認知障害に該当する者と、非ＡＤ型軽度認知障害に該当する者とを含むデータ提供者の属性情報と、これらのデータ提供者から取得された行動情報とを説明変数とし、健常とＡＤ型軽度認知障害と非ＡＤ型軽度認知障害とを表すカテゴリを目的変数とした分析処理により作成されたモデルを用いてもよい。このモデルを用いることによって、被験者が、健常、ＡＤ型軽度認知障害、非ＡＤ型軽度認知障害のいずれに該当するかを一つのステップで推定することができる。

次に、本開示の一実施形態に係る軽度認知障害シミュレーションシステム（以下、「ＭＣＩシミュレーションシステム」と記載することがある）について説明する。ＭＣＩシミュレーションシステムは、例えば、被験者の行動情報の少なくとも一部を変えた場合の、軽度認知障害の発生リスクの予測や、軽度認知障害の発生リスクに影響する行動の提示が可能なシステムである。

図１９は、本開示の一実施形態に係るＭＣＩシミュレーションシステムの機能的な構成を例示するブロック図である。
図１９に例示する構成において、ＭＣＩシミュレーションシステム１１１は、データ入力部１０と、第１推定モデル２１を記憶するモデル記憶部２０と、疑似行動情報生成部５０と、ＭＣＩシミュレータ６０とを有する。モデル記憶部２０は、データを記憶可能な記憶部（記憶装置）である。モデル記憶部２０を実現可能な記憶装置の構成は、特に限定されない。
図１９に示すＭＣＩシミュレーションシステム１１１は、疑似行動情報生成部５０と、ＭＣＩシミュレータ６０とを有する点とにおいて、図１に示すＭＣＩ推定システム１０１と相違する。その他の図１９に示すＭＣＩシミュレーションシステム１１１の構成は、図１１に示すＭＣＩ推定システム１０２の構成と同様としてもよいので、同一の符号を付して、説明を省略する。

疑似行動情報生成部５０は、センサデータに基づいて算出された行動情報の少なくとも一部を加工することで、仮想の行動を表す疑似行動情報を生成する。
疑似行動情報生成部５０は、例えば、複数の異なる行動情報を生成することで、疑似行動情報セットを作成するように構成されてもよい。疑似行動情報生成部５０は、例えば、被験者に関する少なくとも一部の行動情報について、ある基準値を設定し、当該基準値をある差分ずつ増加または減少させた疑似行動情報を生成することで、一連の疑似行動情報セットを作成してもよい。基準値としては、例えば、あるタイミングにおける行動情報の値が選択されてもよい。基準値に対する差分の値は、行動情報に応じて適宜設定されてもよい。

具体例として、行動情報が睡眠時間である場合を想定する。センサデータに基づいて、あるタイミングにおける睡眠時間が８時間と算出された場合、疑似行動情報生成部５０はその睡眠時間（８時間）を基準値として設定し、基準値からの差分として１時間ずつ睡眠時間を増やした疑似行動情報（この場合は、例えば、９時間、１０時間、１１時間、など）を生成してもよい。また、疑似行動情報生成部５０は基準値から１時間ずつ睡眠時間を減らした疑似行動情報（この場合は、例えば、７時間、６時間、５時間など）を生成してもよい。これにより、疑似行動情報生成部５０は、睡眠時間に関して、例えば、複数の時間（５時間、６時間、７時間、８時間、９時間、１０時間、１１時間）を含む疑似行動情報セットを生成してもよい。

他の具体例として、行動情報が会話時間である場合を想定する。センサデータに基づいて、あるタイミングにおける会話時間が４時間と算出された場合、疑似行動情報生成部５０は、その会話時間（４時間）を基準値として設定し、差分として３０分（０．５時間）ずつ会話時間を増やした疑似行動情報（この場合は、例えば、４時間３０分、５時間、５時間３０分など）を生成してもよい。また、疑似行動情報生成部５０は、会話時間を３０分ずつ減らした疑似行動情報（この場合は、例えば、３時間３０分、３時間、２時間３０分など）を生成してもよい。これにより、疑似行動情報生成部５０は、会話時間に関して、例えば、複数の時間（２時間３０分、３時間、３時間３０分、４時間、４時間３０分、５時間、５時間３０分）を含む疑似行動情報セットを生成してもよい。

更に他の具体例として、行動情報が歩行時間である場合を想定する。センサデータに基づいて、あるタイミングにおける歩行時間が１時間と算出された場合、疑似行動情報生成部５０は、その歩行時間（１時間）を基準値として設定し、差分として１５分ずつ歩行時間を増やした疑似行動情報（この場合は、例えば、１時間１５分、１時間３０分、１時間４５分、など）を生成してもよい。また、疑似行動情報生成部５０は歩行時間を１５分ずつ減らした疑似行動情報（この場合は、例えば、４５分、３０分、１５分など）を生成してもよい。これにより、疑似行動情報生成部５０は、歩行時間に関して、例えば、複数の時間（１５分、３０分、４５分、１時間、１時間１５分、１時間３０分、１時間４５分）を含む疑似行動情報セットを生成してもよい。

また、疑似行動情報生成部５０は、被験者に関する少なくとも一部の行動情報について、ある基準値を設定し、その基準値に対してランダムな数値を加減した疑似行動情報を生成することで、一連の疑似行動情報セットを作成してもよい。ランダムな数値の範囲は、例えば、行動情報に応じて適宜設定されてもよい。疑似行動情報生成部５０は、一例として、生成される疑似行動情報が、ある基準値の０．５倍から１．５倍の範囲に収まるように、ランダムな数値を選択してもよい。

ＭＣＩシミュレータ６０は、被験者の属性情報と、疑似行動情報生成部５０において作成された被験者の疑似行動情報とを第１推定モデルに適用することで、疑似行動情報により表される仮想の行動を実行した場合に、被験者が軽度認知障害に該当する確率（第１の確率）を推定するように構成される。この場合、ＭＣＩシミュレータ６０は、疑似行動情報セットに含まれるそれぞれの疑似行動情報について第１の確率を推定してもよい。

ＭＣＩシミュレータ６０は、被験者の属性情報と、被験者の行動情報とを第１推定モデルに適用することで、センサデータに基づいて算出された行動情報により表される行動を被験者が実行した場合に、その被験者が軽度認知障害に該当する確率（第２の確率）を推定するように構成されてもよい。また、ＭＣＩシミュレータ６０は、第１の確率と、第２の確率とを比較することで、第１の確率が第２の確率よりも低い疑似行動情報を選択し、その疑似行動情報を、被験者が軽度認知障害に該当する確率を低減可能な行動の候補として含む改善行動情報を生成してもよい。

上記説明したように、第２の確率は、センサデータに基づいて求められた、被験者の実際の行動を表すと推認される行動情報を用いて算出される。一方、第１の確率は、被験者の実際の行動を表すと推認される行動情報を適宜加工することにより求められた、仮想の行動を表す疑似行動情報を用いて算出される。
第１の確率が第２の確率よりも低い場合、被験者が疑似行動情報により表される行動を採用することで、軽度認知障害に該当する確率が低減される可能性がある。即ち、上記のように生成された改善行動情報には、被験者が軽度認知障害に該当する確率を低減可能な行動情報の候補が含まれる。
一具体例として、行動情報に歩数が含まれることを想定する。センサデータより算出された被験者の実際の行動を表すと推認される行動情報（歩数）が、仮に、５０００歩であると仮定する。これに対して、例えば、疑似行動として、複数の歩数（４６００歩、４８００歩、５０００歩、５２００歩、５４００歩）を含む疑似行動情報セットが生成されたと仮定する。例えば、５２００歩、５４００歩の疑似行動情報について算出される第１の確率が、５０００歩の行動情報について算出される第２の確率より低い場合、ＭＣＩシミュレータ６０は、５２００歩、５４００歩を含む改善行動情報を生成することができる。この場合、例えば、被験者が、仮に歩数を５２００歩や５４００歩に変更する（増やす）ことで、軽度認知障害に該当する確率が低減される可能性がある。

ＭＣＩシミュレータ６０は、疑似行動情報セットに、第１の確率が第２の確率よりも低い疑似行動情報が複数含まれる場合、その複数の疑似行動情報から、第１の確率が特定の目標値よりも低い疑似行動情報を更に選択して改善行動情報を生成してもよい。目標値は適宜設定されてもよい。
一具体例として、行動情報に歩数が含まれ、疑似行動情報セットとして生成された複数の歩数（５０００歩、５２００歩、５４００歩、５６００歩）の疑似行動情報のうち、一部の歩数（５２００歩、５４００歩、５６００歩）の疑似行動情報について算出される第１の確率が、第２の確率より低いと想定する。そのなかで、５６００歩の疑似行動情報について算出される第１の確率のみが目標値よりも低い場合、ＭＣＩシミュレータ６０は、歩数の疑似行動情報として（５６００歩）を含む改善行動情報を生成する。これにより、ＭＣＩシミュレーションシステム１１１は、例えば、特定の改善目標を達成できる可能性がある行動の候補を提示することができる。

また、疑似行動情報セットに、第１の確率が第２の確率よりも低い疑似行動情報が複数含まれる場合、ＭＣＩシミュレータ６０は、その複数の疑似行動情報から、第１の確率が低い順に、特定数の疑似行動情報を更に選択して改善行動情報を生成してもよい。特定数は適宜設定されてもよい。
一具体例として、行動情報に歩数が含まれ、疑似行動情報セットとして生成された複数の歩数（５０００歩、５２００歩、５４００歩、５６００歩）の疑似行動情報のうち、一部の歩数（５２００歩、５４００歩、５６００歩）の疑似行動情報について算出される第１の確率が、第２の確率より低いと想定する。仮に、第１の確率が、５４００歩、５６００歩、５２００歩の順で低く、特定数が２（上位２つ）である場合、ＭＣＩシミュレータ６０は、歩数の疑似行動情報として、５４００歩、５６００歩を含む改善行動情報を生成する。これにより、ＭＣＩシミュレーションシステム１１１は、例えば、軽度認知障害に該当する確率が低くなる順に、疑似行動情報を提示することができる。

また、行動情報に、被験者に関する複数の異なる種類の行動状況を表す情報が含まれ、疑似行動情報セットに、第１の確率が第２の確率よりも低い疑似行動情報が複数含まれる場合、ＭＣＩシミュレータ６０は、その複数の疑似行動情報から、第１の確率を低減可能な行動状況の種類が多い順に、特定数の疑似行動情報を更に選択して改善行動情報を生成してもよい。
一具体例として、（睡眠時間、会話時間、歩数）が行動情報に含まれる場合を想定する。この場合、ＭＣＩシミュレータ６０は、第１の確率を低減可能な行動状況が１種類（例えば、睡眠時間のみ）である疑似行動情報よりも、第１の確率を低減可能な行動状況が２種類以上（例えば、睡眠時間と会話時間、睡眠時間と歩数、会話時間と歩数、等）の疑似行動情報を選択して、改善行動情報を生成してもよい。これにより、ＭＣＩシミュレーションシステム１１１は、例えば、軽度認知障害に該当する確率を低減するために採用可能な行動の候補のバリエーションを、より多く提示することができる。

また、行動情報が被験者に関する複数の異なる種類の行動状況を表すデータを含み、疑似行動情報セットに、第１の確率が第２の確率よりも低く、かつ、共通の行動状況を表す情報を含む疑似行動情報の集合が複数含まれる場合、ＭＣＩシミュレータ６０は、当該複数の集合のうち最大の集合を選択し、選択された集合に含まれる１以上の疑似行動情報について改善行動情報を生成してもよい。
例えば、疑似行動情報セットに、第１の確率を第２の確率よりも低減可能な行動状況として、歩数を共通に含む疑似行動情報の集合と、睡眠時間を共通に含む疑似行動情報の集合と、会話時間を共通に含む疑似行動情報の集合と、が含まれることを想定する。仮に、歩数を共通に含む疑似行動情報の集合が最大の集合である場合、ＭＣＩシミュレータ６０は、その集合に含まれる疑似行動情報を選択して、改善行動情報を生成する。これにより、ＭＣＩシミュレーションシステム１１１は、例えば、被験者が軽度認知障害に該当する確率を低減可能な行動の候補を、より多く提示することができる。

また、行動情報が被験者に関する複数の異なる種類の行動状況を表すデータを含み、疑似行動情報セットに、第１の確率が第２の確率よりも低く、かつ、共通の上記行動状況を表す情報を含む上記疑似行動情報の集合が複数含まれる場合、上記ＭＣＩシミュレータ６０は、疑似行動情報の集合ごとに、その集合に含まれる各疑似行動情報について推定された上記第１の確率のばらつきを算出し、最もばらつきが小さい集合に含まれる１以上の疑似行動情報について改善行動情報を生成してもよい。

さらに、ＭＣＩシミュレータ６０は、第１の確率と、第２の確率とを比較することで、複数の疑似行動情報のうち、第１の確率が第２の確率よりも高くなる疑似行動情報を選択してもよい。そして、ＭＣＩシミュレータ６０は、被験者が軽度認知障害に該当する確率を高くする可能性がある行動の候補として、選択された疑似行動情報を含む悪化行動情報を生成してもよい。これにより、ＭＣＩシミュレーションシステム１１１は、例えば、軽度認知障害に該当する確率が悪化する可能性がある行動の候補を提示することができる。ＭＣＩシミュレーションシステム１１１を利用する被験者は、例えば、軽度認知障害に該当する確率が悪化するリスクがある行動を理解して、その行動を回避することが可能となる。

ＭＣＩシミュレータ６０は、疑似行動情報セットに、第１の確率が第２の確率よりも高い疑似行動情報が複数含まれる場合、その複数の疑似行動情報から、第１の確率が特定の目標値よりも高い疑似行動情報を更に選択して悪化行動情報を生成してもよい。
さらに、行動情報が被験者に関する複数の異なる種類の行動状況を表すデータを含み、疑似行動情報セットに、上記第１の確率が上記第２の確率よりも高い上記疑似行動情報が複数含まれる場合を想定する。この場合、ＭＣＩシミュレータ６０は、その複数の上記疑似行動情報から、含まれる行動状況を表す情報の種類が多い順に、特定数の上記疑似行動情報を更に選択して悪化行動情報を生成してもよい。これにより、ＭＣＩシミュレーションシステム１１１は、例えば、軽度認知障害に該当する確率の悪化を防ぐために、被験者が回避すべき行動の候補のバリエーションを、より多く提示することができる。

図２０は、図１９に示すＭＣＩシミュレーションシステムの他の機能的な構成を例示するブロック図である。
図２０に示すＭＣＩシミュレーションシステム１１１ａは、データ入力部１０が、属性情報入力部１１とセンサデータ入力部１２を有する点、データ加工部１５を有する点と、表示部７０を有する点において、図１９に示すＭＣＩシミュレーションシステム１１１と相違する。その他の図２０に示すＭＣＩシミュレーションシステム１１１ａの構成は、図１９に示すＭＣＩシミュレーションシステム１１１の構成と同様としてもよいので、同一の符号を付して、説明を省略する。

属性情報入力部１１は、被験者の属性情報１を入力データとして受け付け可能に構成される。センサデータ入力部１２は、センサ装置２００から提供されたセンサデータ２を入力データとして受け付け可能に構成される。なお、図２０に示すＭＣＩシミュレーションシステム１１１ａの属性情報入力部１１及びセンサデータ入力部１２は、図２に示すＭＣＩ推定システム１０１ａの属性情報入力部１１及びセンサデータ入力部１２と同様に構成されてもよい。

データ加工部１５は、データ入力部１０に提供された属性情報１と、センサデータ２とを加工することにより、被験者のＭＣＩ判定に用いられるデータを生成するように構成される。データ加工部１５は、行動情報変換部１６と、データ統合部１７と、データクレンジング部１８とを有する。
行動情報変換部１６は、センサデータ２に含まれる行動状況を表すデータに基づいて被験者の行動情報３を算出するように構成される。データ統合部１７は、被験者の属性情報１と、被験者の行動情報３の少なくとも一部から、疑似行動情報生成部５０において利用されるデータを統合することにより、データセットを作成するように構成される。データクレンジング部１８は、データセットに含まれるデータの重複や誤記などのエラーを検出し、検出されたエラーの削除あるいは修正するように構成される。なお、図２０に示すＭＣＩシミュレーションシステム１１１ａのデータ加工部１５は、図２に示すＭＣＩ推定システム１０１ａのデータ加工部１５と同様に構成されてもよい。

表示部７０は、ユーザインタフェース８０を表示可能に構成される。
ユーザインタフェース８０は、被験者の行動情報３と、疑似行動情報生成部５０にて作成された疑似行動情報５とを表示可能な領域である第１コンポーネント８１を含んでもよい。ユーザインタフェース８０は、また、被験者の属性情報１を表示可能な領域である第２コンポーネント８２を含んでもよい。ユーザインタフェース８０は、また、ＭＣＩシミュレータ６０により推定された確率（第１の確率、第２の確率）を表示可能な領域である第３コンポーネント８３を含んでもよい。
第１コンポーネント８１は、推定行動情報４を表示可能であってもよい。また、ＭＣＩシミュレータ６０が改善行動情報や悪化行動情報を生成する場合は、第３コンポーネント８３は、これらを表示可能に構成されてもよい。

次に、図２０に示すＭＣＩシミュレーションシステム１１１ａにより実行されるＭＣＩシミュレーションについて、フロー図を参照しながら説明する。
図２１は、図２０に示すＭＣＩシミュレーションシステムにより実行されるＭＣＩシミュレーションの処理を例示するフロー図である。

ＭＣＩシミュレーションシステム１１１ａにおいて実行されるＭＣＩシミュレーションは、一例として、図２０に例示するように、属性情報１の入力を受け付ける処理（ステップＳ１１）、センサデータ２の入力を受け付ける処理（ステップＳ１２）、行動情報３を算出する処理（ステップＳ１３）、属性情報１と行動情報３を統合してデータセットを作成する処理（ステップＳ１４）、データをクレンジングする処理（ステップＳ１５）、疑似行動情報５を生成する処理（ステップＳ５０）、軽度認知障害に該当する確率（第１の確率）を推定する処理（ステップＳ５１）、推定結果を出力する処理（ステップＳ５２）を含んでもよい。なお、上記処理とは別に、センサ装置２００により、センサデータの取得処理（ステップＳ１０）が実行されてもよい。

ある時点における被験者の属性情報１が、ＭＣＩシミュレーションシステム１１１ａに提供される（ステップＳ１１）。また、センサ装置２００において取得されたセンサデータ２が、ＭＣＩシミュレーションシステム１１１ａに提供される（ステップＳ１２）。

ＭＣＩシミュレーションシステム１１１ａ（具体的には、行動情報変換部１６）は、センサデータ２に基づいて行動情報３を算出する（ステップＳ１３）。ＭＣＩシミュレーションシステム１１１ａ（具体的には、データ統合部１７）は、属性情報１と行動情報３とを統合して、データセットを作成する（ステップＳ１４）。ＭＣＩシミュレーションシステム１１１ａ（具体的には、データクレンジング部１８）は、データセットに含まれるデータの重複や誤記などのエラーを削除あるいは修正することで、データをクレンジングする（ステップＳ１５）。なお、以上のステップＳ１１からステップＳ１５までの処理は、図３に示す、ＭＣＩ推定システム１０１ａにおいて実行される軽度認知障害の推定方法と同様としてもよい。

ＭＣＩシミュレーションシステム１１１ａ（具体的には、疑似行動情報生成部５０）は、被験者に関する疑似行動情報を生成する。具体的には、疑似行動情報生成部５０は、データセットに含まれる行動情報３の少なくとも一部を加工することで、仮想の行動を表す疑似行動情報５を生成する（ステップＳ５０）。これによって、属性情報１と疑似行動情報５とが統合されたデータセットが生成される。

ＭＣＩシミュレーションシステム１１１ａ（具体的には、ＭＣＩシミュレータ６０）は、疑似行動情報５により表される仮想の行動を実行した場合に、被験者が軽度認知障害に該当する確率（第１の確率）を推定する。具体的には、ＭＣＩシミュレータ６０は、データセットに含まれる属性情報１と、疑似行動情報５とを、第１推定モデル２１に適用することで、被験者が軽度認知障害に該当する確率を推定する（ステップＳ５１）。これにより、ＭＣＩシミュレータ６０は、被験者が、疑似行動情報５（より具体的には、疑似行動情報に含まれる仮想の行動状況を表す情報）に相当する行動を採用した場合に、軽度認知障害に該当する確率を推定することができる。
ＭＣＩシミュレータ６０は、ステップＳ５１において第１の確率に基づいて、被験者が軽度認知障害に該当するか否かを推定してもよい。例えば、ＭＣＩシミュレーションシステム１１１ａは、ステップＳ５１において第１の確率と、特定の閾値（例えば、特定のカットオフ値）と、を比較することにより、被験者が軽度認知障害であるか否かを推定してもよい。推定された軽度認知障害に該当する確率は、表示部７０に送られてもよい。

ＭＣＩシミュレーションシステム１１１ａ（具体的には、表示部７０）は、推定結果を出力する（ステップＳ５２）。ＭＣＩシミュレーションシステム１１１ａは、第１の確率、あるいは、これらの確率から導出された結果（例えば、被験者が、軽度認知障害に該当するか否か等）を出力してもよい。

図２２は、図２１に示すフロー図のＭＣＩシミュレーションの処理により表示可能なユーザインタフェースの一例を示す説明図である。
図２２に例示するように、ユーザインタフェース８０ｅの第１コンポーネント８１ｅには、行動情報３が表示されてもよい。図２２に示す具体例においては、行動情報３として、例えば、実際のセンサデータから算出された「歩行」、「睡眠」、「会話」に関する情報（例えば、これらの行動の実行時間）が表示される。第１コンポーネント８１ｅには、また、疑似行動情報として加工される数値の上限と下限とが表示されてもよい。この場合、例えば、上限と下限との間の範囲において、「歩行」、「睡眠」、「会話」の時間を適宜加工した疑似行動情報が生成されてもよい。
第２コンポーネント８２ｅには、属性情報１が表示されてもよい。図２２に示す具体例においては、属性情報１として、「飲酒」、「喫煙」、「高血圧」に関する情報が表示されている。なお、属性情報１についても、例えば、上限と下限などの範囲が表示されてもよい。第３コンポーネント８３ｅには、第１の確率が表示されてもよい。

図２３は、図２０に示すＭＣＩシミュレーションシステムにより実行されるＭＣＩシミュレーションの他の処理を例示するフロー図である。
図２３に例示するＭＣＩシミュレーションのフローは、軽度認知障害に該当する確率（第２の確率）を推定する処理（ステップＳ５３）と、第１の確率と第２の確率とを比較する処理（ステップＳ５４）とを有する点において、図２１に例示するＭＣＩシミュレーションの処理と相違する。その他の図２３に示すＭＣＩシミュレーションのフローは、図２１に示すＭＣＩシミュレーションシステムの処理と同様としてもよいので、同一のステップ番号を付して、説明を省略する。

ＭＣＩシミュレーションシステム１１１ａは、図２３に示すステップＳ１１からステップＳ１５及びステップＳ５０からステップＳ５１を適宜実行する。
ＭＣＩシミュレーションシステム１１１ａ（具体的には、ＭＣＩシミュレータ６０）は、センサデータに基づいて算出された行動情報に基づいて、被験者が軽度認知障害に該当する確率（第２の確率）を推定する（ステップＳ５３）。具体的には、ＭＣＩシミュレータ６０は、ステップＳ１４で作成されたデータセットに含まれる属性情報１と、行動情報３とを、第１推定モデル２１に適用することで、被験者が軽度認知障害に該当する確率を推定する。なお、第１の確率を推定する処理（ステップＳ５０、ステップＳ５１）と、第２の確率を推定する処理（ステップＳ５３）とは、逐次処理されても、並列処理されてもよい。

ＭＣＩシミュレーションシステム１１１ａ（具体的には、ＭＣＩシミュレータ６０）は、第１の確率と第２の確率とを比較する（ステップＳ５４）。具体的には、ＭＣＩシミュレータ６０は、第１の確率と第２の確率とを比較して、第１の確率が第２の確率よりも低い疑似行動情報を選択する。ＭＣＩシミュレータ６０は、この選択された疑似行動情報を、被験者が軽度認知障害に該当する確率を低減可能な行動の候補として含む改善行動情報を生成してもよい。また、ＭＣＩシミュレータ６０は、例えば、第１の確率と第２の確率とを比較して、第１の確率が第２の確率よりも高くなる疑似行動情報を選択してもよい。そして、この選択された疑似行動情報を、被験者が軽度認知障害に該当する確率を高くする可能性がある行動の候補として含む、悪化行動情報を生成してもよい。

ＭＣＩシミュレーションシステム１１１ａ（具体的には、表示部７０）は、推定結果を出力する（ステップＳ５５）。推定結果は、第１の確率と第２の確率、及び第１の確率と第２の確率との比較から導出された結果（例えば、改善行動情報、悪化行動情報等）であってもよい。また、ＭＣＩシミュレーションシステム１１１ａは、改善行動情報と悪化行動情報との少なくとも一方を出力してもよい。

図２４は、図２３に示すフロー図のＭＣＩシミュレーションの処理により表示可能なユーザインタフェースの一例を示す説明図である。図２４に例示するように、ユーザインタフェース８０ｆの第１コンポーネント８１ｆには、行動情報３（例えば、歩行時間、睡眠時間、会話時間）が表示されてもよい。第１コンポーネント８１ｆには、また、疑似行動情報として加工される数値の上限と下限とが表示されてもよい。この場合、例えば、上限と下限との間の範囲において、「歩行」、「睡眠」、「会話」の時間を適宜加工した疑似行動情報が生成されてもよい。
第２コンポーネント８２ｆには、属性情報１（図２４に示す具体例の場合、「飲酒」、「喫煙」、「高血圧」に関する情報）が表示されてもよい。なお、属性情報１についても、例えば、上限と下限などの範囲が表示されてもよい。この場合、ＭＣＩシミュレーションシステム１１１ａのユーザが適宜それらを調整することで、属性情報が変わった場合に、被験者が軽度認知障害に該当する確率を算出可能であってもよい。このような構成は、例えば、ユーザインタフェース８０ｆに設定されたデータが、表示部７０を介してＭＣＩシミュレーションシステム１１１ａに提供されることで、適宜実現可能である。
また、第３コンポーネント８３ｆには、第１の確率、第２の確率、改善行動情報、悪化行動情報が表示されてもよい。これにより、例えば、ＭＣＩシミュレーションシステム１１１ａを利用する被験者は、軽度認知障害に該当するリスクが低減する可能性がある行動の候補、あるいは、リスクが増大する可能性がある行動の候補、を簡便に理解することが可能である。

以上の実施形態のＭＣＩシミュレーションシステム１１１、１１１ａは、被験者の行動情報の少なくとも一部を変えたときに、被験者の軽度認知障害の発生リスクを推定することができる。また、実施形態のＭＣＩシミュレーションシステム１１１、１１１ａは、第１の確率と第２の確率とを比較することによって、軽度認知障害の発生リスクを低減可能な行動の候補を提示することができる。

図２５は、本開示の他の一実施形態に係るＭＣＩシミュレーションシステムの機能的な構成を例示するブロック図である。
図２５に例示する構成において、ＭＣＩシミュレーションシステム１１２は、データ入力部１０と、モデル記憶部２０と、行動情報シミュレータ４０と、疑似行動情報生成部５０と、ＭＣＩシミュレータ６０と、を有する。モデル記憶部２０は、第１推定モデル２１と、第２推定モデル２２とが記憶される。図２５に示すＭＣＩシミュレーションシステム１１２は、モデル記憶部２０が第２推定モデル２２を記憶可能とされている点と、行動情報シミュレータ４０とを有する点において、図１９に示すＭＣＩシミュレーションシステム１１１と相違する。図２５にその他の示すＭＣＩシミュレーションシステム１１２の構成は、図１９に示すＭＣＩシミュレーションシステム１１１の構成と同様としてもよいので、同一の符号を付して、説明を省略する。

第２推定モデル２２は、時系列の特定時点における被験者の属性情報と、被験者の行動情報とから、特定時点よりも後の時点における被験者の行動情報を推定可能なモデルを含んでもよい。具体的には、第２推定モデル２２は、例えば、特定時点における被験者の属性情報と、被験者の行動情報とから、特定時点よりも後の時点における当該被験者の行動情報を推定するモデルを含んでもよい。行動情報は、例えば、睡眠時間、会話時間、歩行時間、ＵＶ照射時間、脈拍、皮膚温度、体温のうちの少なくとも一つの情報を含んでもよい。第２推定モデル２２は、前述の図１１に示すＭＣＩ推定システム１０２において説明した第２推定モデル２２と同様のモデルを用いてもよい。

行動情報シミュレータ４０は、時系列の第１時点における被験者に関する属性情報と、第１時点における行動情報を用いて疑似行動情報生成部５０が生成した疑似行動情報と、を第２推定モデル２２に適用することで、第１時点よりも後の第２時点における被験者の疑似行動情報を推定するように構成される。すなわち、行動情報シミュレータ４０は、上記の行動情報が測定された第１時点における属性情報と行動情報と、第２推定モデル２２とを用いて、将来（第１時点より後の第２時点）における被験者の疑似行動情報を推定するように構成される。

ＭＣＩシミュレータ６０は、第２時点における被験者に関する属性情報と、行動情報シミュレータ４０により推定された第２時点における疑似行動情報と、を第１推定モデル２１に適用することで、第２時点において被験者が推定された疑似行動を実行した場合に、その被験者が軽度認知障害に該当する第３の確率を推定するように構成される。ＭＣＩシミュレーションシステム１１２は、例えば、この第３の確率により、被験者が第１時点より後のある時点（第２時点）において、軽度認知障害に該当する可能性を推定することができる。
第２時点における被験者の属性情報が、年齢などの時間の経過に伴い変わる情報である場合、ＭＣＩ推定部３０は、第２時点における属性情報を、第１時点における属性情報に基づいて算出してもよい。一方、第２時点における被験者の属性情報が、性別、教育歴、既往歴、生活習慣年齢など、時間の経過によらず変わらない情報である場合、ＭＣＩ推定部３０は、第１時点における被験者の属性情報を第２時点における属性情報として用いてもよい。

行動情報シミュレータ４０は、時系列の第１時点における被験者の属性情報と、第１時点における被験者の行動情報とを第２推定モデルに適用して第１時点よりも後の第２時点における被験者の行動情報を推定することで、推定行動情報を生成してもよい。この場合、ＭＣＩシミュレータ６０は、第２時点における被験者の属性情報と、行動情報シミュレータ４０により推定された被験者の推定行動情報と、を第１推定モデルに適用することで、第２時点において当該被験者が軽度認知障害に該当する第４の確率を推定してもよい。

以上説明したように、第１の確率は、疑似行動情報を用いることで推定された、第１時点において被験者が軽度認知障害に該当する確率を表す。疑似行動情報は、上記説明したように、センサデータに基づいて算出された行動情報の少なくとも一部を加工することで生成された、被験者の仮想の行動を表す情報である。
また、第２の確率は、行動情報を用いることで推定された、第１時点において被験者が軽度認知障害に該当する確率を表す。係る行動情報は、上記説明したように、センサデータに基づいて算出された被験者の実際の行動を表すと推認される情報である。

また、第３の確率は、第１時点よりも後の第２時点における疑似行動情報を用いて推定された、第２時点において被験者が軽度認知障害に該当する確率を表す。第２の時点における疑似行動は、第１の時点における疑似行動から推定された、第２の時点における被験者の仮想の行動を表す情報である。
また、第４の確率は、第２時点における推定行動情報を用いることで推定された、第２時点において被験者が軽度認知障害に該当する確率を表す。推定行動情報は、第１時点における被験者の行動情報から推定された、第２時点における被験者の行動情報である。

ＭＣＩシミュレータ６０は、第３の確率と第４の確率とを比較することで、第３の確率が第４の確率よりも低い疑似行動情報を選択し、選択された疑似行動情報を、被験者が軽度認知障害に該当する確率を低減可能な行動の候補として含む改善行動情報を生成してもよい。第３の確率が第４の確率よりも低い場合、選択された疑似行動情報を実際に採用することで、第２の時点において被験者が度認知障害に該当する確率を低減できる可能性がある。
ＭＣＩシミュレータ６０は、また、第３の確率と第４の確率とを比較することで、第３の確率が、第４の確率よりも高い疑似行動情報を選択し、選択された疑似行動情報に含まれる疑似行動情報を、被験者が軽度認知障害に該当する確率を高くする行動の候補として含む悪化行動情報を生成してもよい。

図２６は、図２５に示すＭＣＩシミュレーションシステムの他の一例の機能的な構成を例示するブロック図である。
図２６に示すＭＣＩシミュレーションシステム１１２ａは、データ入力部１０が、属性情報入力部１１とセンサデータ入力部１２を有する点、データ加工部１５を有する点と、表示部７０を有する点において、図２５に示すＭＣＩシミュレーションシステム１１２と相違する。図２６に示すその他のＭＣＩシミュレーションシステム１１２ａの構成は、図２５に示すＭＣＩシミュレーションシステム１１２の構成と同様としてもよいので、同一の符号を付して、説明を省略する。

属性情報入力部１１は、被験者の属性情報１を入力データとして受け付け可能に構成される。センサデータ入力部１２は、センサ装置２００から提供されたセンサデータ２を入力データとして受け付け可能に構成される。なお、図２６に示すＭＣＩシミュレーションシステム１１２ａの属性情報入力部１１及びセンサデータ入力部１２は、図２に示すＭＣＩ推定システム１０１ａの属性情報入力部１１及びセンサデータ入力部１２と同様に構成されてもよい。

データ加工部１５は、データ入力部１０に提供された属性情報１とセンサデータ２を加工することにより、被験者のＭＣＩ判定に用いられるデータを生成するように構成される。データ加工部１５は、行動情報変換部１６と、データ統合部１７と、データクレンジング部１８とを有する。
行動情報変換部１６は、センサデータ２に含まれる行動状況を表すデータに基づいて被験者の行動情報３を算出するように構成される。データ統合部１７は、被験者の属性情報１と、被験者の行動情報３の少なくとも一部から、疑似行動情報生成部５０において利用されるデータを統合することにより、データセットを作成するように構成される。データクレンジング部１８は、データセットに含まれるデータの重複や誤記などのエラーを検出し、検出されたエラーの削除あるいは修正するように構成される。
なお、図２６に示すＭＣＩシミュレーションシステム１１２ａのデータ加工部１５は、図２に示すＭＣＩ推定システム１０１ａのデータ加工部１５と同様に構成されてもよい。

表示部７０は、ユーザインタフェース８０を表示可能に構成される。
ユーザインタフェース８０は、被験者の行動情報３と、疑似行動情報生成部５０において作成された疑似行動情報５を表示可能な領域である第１コンポーネント８１と、被験者の属性情報１を表示可能な領域である第２コンポーネント８２と、ＭＣＩシミュレータ６０により推定された確率（第１の確率、第２の確率、第３の確率、第４の確率）を表示可能な領域である第３コンポーネント８３とを含んでもよい。第１コンポーネント８１は、推定行動情報４を表示可能であってもよい。また、ＭＣＩシミュレータ６０が改善行動情報や悪化行動情報を生成する場合、第３コンポーネント８３は、改善行動情報や悪化行動情報を表示可能に構成されてもよい。

次に、図２６に示すＭＣＩシミュレーションシステム１１２ａにおいて実行されるＭＣＩシミュレーションの処理について、フロー図を参照しながら説明する。
図２７は、図２６に示すＭＣＩシミュレーションシステムにより実行されるＭＣＩシミュレーションの処理を例示するフロー図である。

ＭＣＩシミュレーションシステム１１１ａにより実行されるＭＣＩシミュレーションは、一例として、図２７に示すように、属性情報１の入力を受け付ける処理（ステップＳ１１）、センサデータ２の入力を受け付ける処理（ステップＳ１２）、行動情報３を算出する処理（ステップＳ１３）、属性情報１と行動情報３を統合してデータセットを作成する処理（ステップＳ１４）、データをクレンジングする処理（ステップＳ１５）、第１疑似行動情報を生成する処理（ステップＳ６０）、第２疑似行動情報を生成する処理（ステップＳ６１）、軽度認知障害に該当する確率（第３の確率）を推定する処理（ステップＳ６２）、推定結果を出力する処理（ステップＳ６３）を含んでもよい。なお、上記とは別に、センサ装置２００により、センサデータの取得処理（ステップＳ１０）が実行されてもよい。

被験者の属性情報１が、ＭＣＩシミュレーションシステム１１２ａに提供される（ステップＳ１１）。また、センサ装置２００において取得されたセンサデータ２が、ＭＣＩシミュレーションシステム１１２ａに提供される（ステップＳ１２）。

ＭＣＩシミュレーションシステム１１２ａ（具体的には、行動情報変換部１６）は、センサデータ２に基づいてある時点（第１時点）の被験者の行動情報３を算出する（ステップＳ１３）。
ＭＣＩシミュレーションシステム１１２ａ（具体的には、データ統合部１７）は、第１時点における被験者の行動情報３と、被験者の属性情報１とを統合して、データセットを作成する（ステップＳ１４）。ＭＣＩシミュレーションシステム１１２ａ（具体的には、データクレンジング部１８）は、データセットに含まれるデータの重複や誤記などのエラーを削除あるいは修正することで、データをクレンジングする（ステップＳ１５）。なお、以上のステップＳ１１からステップＳ１５までの処理は、図３に示すＭＣＩ推定システム１０１ａにより実行される軽度認知障害の推定方法と同様の処理として実現されてもよい。

ＭＣＩシミュレーションシステム１１２ａ（具体的には、疑似行動情報生成部５０）は、被験者に関する疑似行動情報５（第１疑似行動情報）を生成する。具体的には、疑似行動情報生成部５０は、データセットに含まれる行動情報３の少なくとも一部を加工することで、仮想の行動を表す疑似行動情報５を生成する（ステップＳ６０）。これによって、属性情報１と疑似行動情報５とが統合されたデータセットが生成される。

ＭＣＩシミュレーションシステム１１２ａ（具体的には、行動情報シミュレータ４０）は、被験者に関する推定行動情報４（第２疑似行動情報）を生成する。具体的には、行動情報シミュレータ４０は、データセットに含まれる疑似行動情報５（第１疑似行動情報）と第２推定モデル２２とを用いて、第２時点における被験者の推定行動情報４（第２疑似行動情報）を推定する（ステップＳ６１）。即ち、第２疑似行動情報は、第１時点における第１疑似行動情報に基づいて推定された、第１時点よりも後の第２時点における疑似行動情報である。

ＭＣＩシミュレーションシステム１１２ａ（具体的には、ＭＣＩシミュレータ６０）は、推定行動情報４（第２疑似行動情報）により表される仮想の行動を実行した場合に、被験者が、第２時点において軽度認知障害に該当する確率（第３の確率）を推定する。具体的には、ＭＣＩシミュレータ６０は、データセットに含まれる属性情報１と疑似行動情報５とを、第１推定モデル２１に適用することで、第２時点において被験者が軽度認知障害に該当する確率（第３の確率）を推定する（ステップＳ６２）。
この際、ＭＣＩシミュレーションシステム１１２ａは、第１推定モデルに対して、データセットに含まれる行動情報３と、属性情報１とを適用することで、被験者が第１時点において軽度認知障害に該当する確率（第１の確率）を、併せて算出してもよい。
ＭＣＩシミュレータ６０は、ステップＳ６２において推定された第３の確率に基づいて、被験者が軽度認知障害に該当するか否かを推定してもよい。例えば、ＭＣＩシミュレーションシステム１１２ａは、ステップＳ６２において第１の確率と、特定の閾値（例えば、特定のカットオフ値）と、を比較することにより、被験者が軽度認知障害であるか否かを推定してもよい。推定された軽度認知障害に該当する確率は、表示部７０に送られてもよい。

ＭＣＩシミュレーションシステム１１２ａ（具体的には、表示部７０）は、推定結果、すなわち第３の確率あるいはこれらの確率から導出された結果（例えば、被験者が、軽度認知障害に該当するか否か等）を出力する（ステップＳ５２）。ＭＣＩシミュレーションシステム１１２ａは、また、第１の確率を併せて出力してもよい。

図２８は、図２７に例示するＭＣＩシミュレーションの処理により表示可能なユーザインタフェースの一例を示す説明図である。図２８に例示するように、ユーザインタフェース８０ｇの第１コンポーネント８１ｇには、第１時点における行動情報３と、第２時点における推定行動情報４（第２疑似行動情報）とが表示されてもよい。図２８に示す具体例の場合、行動情報３及び推定行動情報４は、「歩行」、「睡眠」、「会話」に関する情報であり、例えば、これらの実行時間であってもよい。図２８に示す具体例では、第１時点における行動情報３は「現行」、第２時点における推定行動情報４は、「１年後」、「２年後」、「３年後」、「４年後」と表示されている。

また、第１コンポーネント８１ｇには、例えば、各行動情報の実施時間の割合を変更可能なインタフェース要素が含まれてもよい。図２８に示す具体例の場合、「歩行」、「睡眠」、「会話」の割合を示す円グラフ（パイチャート）が表示される。ＭＣＩシミュレーションシステム１１２ａのユーザ（例えば被験者）が、例えば、これらの行動情報の割合を変更することが可能であってもよい。この場合、変更された後の行動情報に基づいて、第３確率が算出されてもよい。このような構成は、例えば、ユーザインタフェース８０ｇに設定されたデータが、表示部７０を介してＭＣＩシミュレーションシステム１１２ａに提供されることにより適宜実現可能である。
なお、第１コンポーネント８１ｇには、例えば、疑似行動情報として加工される数値の上限と下限とが更に表示されてもよい。この場合、例えば、上限と下限との間の範囲において、「歩行」、「睡眠」、「会話」の実行時間を適宜加工した疑似行動情報が生成されてもよい。

第２コンポーネント８２ｇには、第１時点における属性情報１と、第２時点における属性情報１とが表示されてもよい。図２８に示す具体例の場合、属性情報１は、「飲酒」、「喫煙」、「高血圧」に関する情報が表示されている。図２８に示す具体例では、第１時点における属性情報１は「現行」、第２時点における属性情報１は、「１年後」、「２年後」、「３年後」、「４年後」と表示されている。なお、第２時点における属性情報１については、第１時点における属性情報がそのまま表示されてもよく、一部を変更した属性情報１が表示されてもよい。図２８に示す具体例の場合、「１年後」、「２年後」、「３年後」、「４年後」の変化値として、例えば、別途被験者が入力した各年後の予測値等が表示されてもよい。第２時点における属性情報１が変更された場合、変更された属性情報１を用いて、被験者が軽度認知障害に該当する確率が改めて算出されてもよい。このような構成は、例えば、ユーザインタフェース８０ｇに設定されたデータが、表示部７０を介してＭＣＩシミュレーションシステム１１２ａに提供されることにより適宜実現可能である。

第３コンポーネント８３ｇには、横軸に時系列（図２８の場合、１年後、２年後、３年後、４年後の経過年数）とし、縦軸に軽度認知障害に該当する確率が設定されたグラフが表示されてもよい。
図２８に示す具体例の場合、被験者が推定行動情報４（第２疑似行動情報）により表される仮想の行動を実行した場合に、第２時点において軽度認知障害に該当する確率（第３の確率）の時系列変化が表示される。
この場合、ＭＣＩシミュレーションシステム１１２ａは、例えば、複数の第２の時点（例えば、１年後、２年後、３年後、４年後等）について推定行動情報４（第２疑似行動情報）を生成し、上記説明した処理を実行することで、軽度認知障害に該当する確率の変化を表示することが可能である。
図２８に示す具体例の場合、「Ａ」と表される系列は、例えば、被験者がある疑似行動情報により表される行動を採用した場合の確率の変化を表す。また、「Ｂ」と表される系列は、例えば、被験者が「Ａ」の系列とは異なる疑似行動情報により表される行動を採用した場合の確率の変化を表す。また、「Ｃ」と表される系列は、例えば、軽度認知障害に該当するリスクが増大する疑似行動情報により表される行動を採用した場合の、確率の変化を表す。これにより、被験者は、例えば、軽度認知障害に該当するリスクを低減する行動、増大する行動を、簡便に理解することが可能である。

図２９は、図２６に示すＭＣＩシミュレーションシステムにより実行されるＭＣＩシミュレーションの他の処理を例示するフロー図である。
図２９に例示するＭＣＩシミュレーションは、第１時点における行動情報に基づいて、推定行動情報を生成する処理（ステップＳ６４）と、軽度認知障害に該当する第４の確率を推定する処理（ステップＳ６５）とを有する点において、図２７に例示するＭＣＩシミュレーションのフローと相違する。図２９に示すその他の処理は、図２７に示す処理と同様としてもよいので、同一のステップ番号を付して、説明を省略する。

ＭＣＩシミュレーションシステム１１２ａは、ステップＳ１１からステップＳ１５及びステップ６０からステップＳ６２の処理を適宜実行する。
ＭＣＩシミュレーションシステム１１２ａ（具体的には、行動情報シミュレータ４０）は、被験者の推定行動情報４を生成する。具体的には、行動情報シミュレータ４０は、データセットに含まれる第１時点における行動情報３を、モデル記憶部２０に記憶された第２推定モデル２２に適用することで、第２時点における被験者の推定行動情報４を推定する（ステップＳ６４）。ステップＳ６４において生成される推定行動情報は、センサデータから算出された、第１時点における被験者の実際の行動を表すと推認される行動情報に基づいて推定された、第２の時点における被験者の行動情報である。

ＭＣＩシミュレーションシステム１１２ａ（具体的には、ＭＣＩシミュレータ６０）は、推定行動情報４により表される仮想の行動を実行した場合に、被験者が軽度認知障害に該当する確率（第４の確率）を推定する（ステップＳ６５）。具体的には、ＭＣＩシミュレータ６０は、属性情報１と、ステップＳ６４で作成された推定行動情報４とを、第１推定モデル２１に適用することで、軽度認知障害に該当する確率を推定する。
なお、第４の確率を推定する処理（ステップＳ６４、ステップＳ６５）と、第３の確率を推定する処理（ステップＳ６０、Ｓ６１、Ｓ６２）とは、逐次処理されてもよいし、並列処理されてもよい。

ＭＣＩシミュレーションシステム１１２ａ（具体的には、ＭＣＩシミュレータ６０）は、第３の確率と第４の確率とを比較する（ステップＳ６６）。
ＭＣＩシミュレータ６０は、第３の確率と第４の確率とを比較して、第３の確率が第４の確率よりも低い疑似行動情報を選択してもよい。そして、この選択された疑似行動情報を、被験者が軽度認知障害に該当する確率を低減可能な行動の候補として含む改善行動情報を生成してもよい。また、ＭＣＩシミュレータ６０は、第３の確率と第４の確率とを比較して、第３の確率が第４の確率よりも高くなる疑似行動情報を選択してもよい。そして、この選択された疑似行動情報を、被験者が軽度認知障害に該当する確率を上げる行動の候補として含む悪化行動情報を生成してもよい。

ＭＣＩシミュレーションシステム１１２ａ（具体的には、表示部７０）は、推定結果を出力する（ステップＳ５５）。推定結果は、第３の確率と第４の確率、及び第３の確率と第４の確率との比較から導出された結果（例えば、改善行動情報、悪化行動情報等）が含まれてもよい。

図３０は、図２９に例示するＭＣＩシミュレーションの処理により表示可能なユーザインタフェースの一例を示す説明図である。
図３０に例示するように、ユーザインタフェース８０ｈの第１コンポーネント８１ｈには、第１時点における行動情報３と、第２時点における推定行動情報４（第２疑似行動情報）が表示されてもよい。図３０に示す具体例の場合、行動情報３及び推定行動情報は、「歩行」、「睡眠」、「会話」に関する情報、例えば、これらの実行時間であってもよい。図３０に示す具体例では、第１時点における行動情報３は「現行」、第２時点における推定行動情報４は、「１年後」、「２年後」、「３年後」、「４年後」と表示されている。また、第１コンポーネント８１ｇ中の円グラフは、例えば、一つのデータセットに含まれる歩行、睡眠、会話の実行時間の割合を表してもよい。
なお、第１コンポーネント８１ｈには、例えば、疑似行動情報として加工される数値の上限と下限とが更に表示されてもよい。この場合、例えば、上限と下限との間の範囲において、「歩行」、「睡眠」、「会話」の実行時間を適宜加工した疑似行動情報が生成されてもよい。

第２コンポーネント８２ｈには、第１時点における属性情報１と、第２時点の属性情報１とが表示されてもよい。図３０に示す具体例の場合、属性情報１は、「飲酒」、「喫煙」、「高血圧」に関する情報が表示されている。図３０に示す具体例では、第１時点における属性情報１は「現行」、第２時点における属性情報１は、「１年後」、「２年後」、「３年後」、「４年後」と表示されている。なお、第２時点における属性情報１については、第１時点における属性情報がそのまま表示されてもよく、一部を変更した属性情報１が表示されてもよい。図３０に示す具体例の場合、「１年後」、「２年後」、「３年後」、「４年後」の変化値として、例えば、別途被験者が入力した各年後の予測値等が表示されてもよい。第２時点における属性情報１が変更された場合、変更された属性情報１を用いて、被験者が軽度認知障害に該当する確率が改めて算出されてもよい。このような構成は、例えば、ユーザインタフェース８０ｈに設定されたデータが、表示部７０を介してＭＣＩシミュレーションシステム１１２ａに提供されることにより適宜実現可能である。

第３コンポーネント８３ｈには、横軸に時系列（図３０の場合、経過年数）、縦軸に軽度認知障害に該当する確率が設定されたグラフが表示されてもよい。
図３０に示す具体例の場合、第３コンポーネント８３ｈには、例えば、疑似行動情報５（第１疑似行動情報）を用いることで推定された、第１時点において被験者が軽度認知障害に該当する確率（第１の確率）と、被験者が推定行動情報４（第２疑似行動情報）により表される仮想の行動を実行した場合に、軽度認知障害に該当する確率（第３の確率）の時系列変化（図３０における系列「Ａ」「Ｂ」「Ｃ」）が表示される。

また、第３コンポーネント８３ｈには、例えば、行動情報３を用いることで推定された、第１時点において被験者が軽度認知障害に該当する確率（第２の確率）と、被験者が、推定行動情報４により表される行動を実行した場合に、第２時点において軽度認知障害に該当する確率（第４の確率）の時系列変化（図３０における系列「Ｚ」）が表示される。
図３０に示す具体例の場合、「Ａ」と表される系列は、例えば、被験者がある疑似行動情報により表される行動を採用した場合の確率の変化を表す。また、「Ｂ」と表される系列は、例えば、被験者が「Ａ」の系列とは異なる疑似行動情報により表される行動を採用した場合の確率の変化を表す。また、「Ｃ」と表される系列は、例えば、軽度認知障害に該当するリスクが増大する疑似行動情報により表される行動を採用した場合の、確率の変化を表す。これらの結果と、「Ｚ」と表される系列とを比較することにより、被験者は、例えば、軽度認知障害に該当するリスクを低減する行動、増大する行動を、簡便に理解することが可能である。これにより、被験者は、例えば、ある特定の時点における行動を基準として、行動を変えた場合（仮想行動情報を採用した場合）と、変えなかった場合とについて、軽度認知障害に該当するリスクの変化を簡便に理解することが可能である。

以上の実施形態のＭＣＩシミュレーションシステム１１２、１１２ａは、被験者の行動情報の少なくとも一部を変えた場合の、将来（第２時点）の被験者の軽度認知障害の発生リスクを予測することができる。また、実施形態のＭＣＩシミュレーションシステム１１２、１１２ａは、第３の確率と第４の確率とを比較することによって、軽度認知障害の発生リスクを低減可能な行動の候補を提示することができる。

以下、本開示に係る技術を実現可能なハードウェア及びソフトウェア構成について説明する。

上記説明した本開示に係るＭＣＩ推定システム及びＭＣＩシミュレーションシステム（以下纏めて、単に「ＭＣＩ推定システム」と記載する）は、一以上の専用のハードウェア装置により実現さてもよい。また、本開示に係るＭＣＩ推定システムは、一以上の専用のハードウェア装置と、一以上の汎用の情報処理装置（コンピュータ）との組み合わせにより実現されてもよい。本開示に係るシステムが、複数のハードウェア装置を用いて実現される場合、それらの装置の間は適切な通信手段により通信可能に接続されてもよい。

専用のハードウェア装置は、例えば、上記説明した本開示に係るＭＣＩ推定システムの各構成要素の機能を実現可能な回路素子（例えば、集積回路等）により実現されてもよい。
ＭＣＩ推定システムは、また、少なくとも一部がコンピュータなどにより実行可能なコンピュータ・プログラムとして実現されてもよい。この場合、ＭＣＩ推定システムの少なくとも一部の機能や処理を実現可能なコンピュータ・プログラムが、コンピュータ読み取り可能な記録媒体に記録されてもよい。係るコンピュータ・プログラムがコンピュータシステムに読み込まれて実行されることで、ＭＣＩ推定システムの少なくとも一部の機能が実行されてもよい。
なお、「コンピュータシステム」とは、オペレーティングシステム（ＯＳ：Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）や各種ミドルウェアなどのソフトウェアと、計算機及び周辺機器等のハードウェアを含んでもよい。

また、「コンピュータ読み取り可能な記録媒体」は、磁気記録媒体（例えば、フレキシブルディスク、ハードディスクドライブ、等）、光磁気記録媒体、光学記録媒体（例えば、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）－ＲＯＭ等）、半導体記録媒体（ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅなど）などを含んでもよい。係る媒体は、コンピュータシステムから脱着可能な可搬媒体であってもよく、コンピュータシステムに内蔵される装置であってもよい。
さらにインターネット等のネットワークあるいは電話回線等の通信回線を介してコンピュータ・プログラムが送信される場合、「コンピュータ読み取り可能な記録媒体」には、通信機能を有するコンピュータシステム内部のＲＡＭのように、一定時間コンピュータ・プログラムを保持可能な媒体（装置）が含まれてもよい。記録媒体は、非一時的記録媒体であってもよい。

また、上記のプログラムは、伝送媒体を介して、あるいは、伝送媒体中の伝送波により、あるコンピュータシステムから他のコンピュータシステムに伝送されてもよい。ここで、コンピュータ・プログラムを伝送する「伝送媒体」は、インターネット等のネットワークあるいは電話回線等の通信回線のように情報を伝送する機能を有する媒体を含んでもよい。
また、上記コンピュータ・プログラムと、コンピュータシステムに記録されている他のコンピュータ・プログラムとを組み合わせることにより、ＭＩＣ推定システムの少なくとも一部の機能が実現されてもよい。この場合、上記コンピュータ・プログラムは、他のコンピュータ・プログラムに対する差分ファイル（差分プログラム）として提供されてもよい。

例えば、係るコンピュータ・プログラムを実行可能なコンピュータは、図３１に例示するような、情報処理装置３００であってもよい。図３１は、本開示に係る技術を実現可能な情報処理装置の構成を例示するブロック図である。
図３１に例示する情報処理装置３００は、プロセッサ（演算装置）３０１、メモリ３０２、ストレージ３０３、通信インタフェース３０４、及び、入出力インタフェース３０５を備えてもよい。これら情報処理装置３００に含まれる構成要素は、通信バス等により適宜通信可能に接続されてもよい。

プロセッサ３０１は、後述するメモリ３０２に記憶されたコンピュータ・プログラム及びデータを読みこんで適宜処理を実行するマイクロプロセッサ（ＣＰＵ）などの演算装置である。プロセッサ３０１は、例えば、特定の命令セットを解釈可能な汎用の演算装置であってもよい。

メモリ３０２は、データ及びコンピュータ・プログラムを記憶可能な記憶デバイスである。メモリ３０２は、例えば、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などにより実現されてもよい。

ストレージ３０３は、各種データを記憶・保存可能な記憶装置であってもよい。ストレージ３０３は、例えば、メモリ３０２よりも容量が大きい記憶装置であってもよい。ストレージ３０３は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）や、半導体記憶装置等により実現される記憶装置であってもよい。なお、図３１に例示する具体例の場合、ストレージ３０３は情報処理装置３００に含まれているが、本実施形態はこれに限定されない。例えば、ストレージ３０３は、例えば、現在では周知のストレージサーバ、クラウドストレージ等として、情報処理装置３００の外部において実現されてもよい。この場合、情報処理装置３００は、例えば、後述する通信インタフェース３０４を介して、ストレージ３０３に記憶されたデータにアクセスしてもよい。上記各実施形態において説明した各種データ、モデル等は、ストレージ３０３に記憶されてもよい。

通信インタフェース３０４は、例えば、通信ネットワークを介して各種データ等を送受信可能なインタフェースデバイスである。情報処理装置３００は、例えば、被験者が装着したセンサ装置２００との間で、通信インタフェース３０４を介して、各種データを送受信してもよい。

入出力インタフェース３０５は、例えば、情報処理装置３００に対する各種データの入力や、情報処理装置３００からの各種データの出力を制御可能なインタフェースデバイスである。例えば、上記各実施形態において説明したデータ入力部は、入出力インタフェース３０５を介して、各種データの入力を受け付けてもよい。また、上記各実施形態において説明した出力部は、入出力インタフェース３０５を介して、各種データを出力してもよい。
また、入出力インタフェース３０５は、記憶媒体３０６との間におけるデータの読み込み及び書き込みを実現するインタフェース機能を備えてもよい。この場合、入出力インタフェース３０５は、例えば、記憶媒体３０６に対するデータの読み込み及び書き込みを実現可能なドライブ装置に対するインタフェースとして機能してもよい。
記憶媒体３０６は、上記説明したコンピュータ読み取り可能な記録媒体であってもよい。

上記のように構成された情報処理装置３００には、上記各説明したコンピュータ・プログラムが導入されてもよい。係るコンピュータ・プログラムは、例えば、情報処理装置３００を製造・出荷する際にストレージ３０３に保存されてもよく、通信インタフェース３０４を介して提供されてもよい。

上記説明した情報処理装置３００が、係るコンピュータ・プログラムを実行することにより、本開示に係るＭＣＩ予測システムの少なくとも一部が実現されてもよい。より具体的には、情報処理装置３００が、係るコンピュータ・プログラムを実行することにより、上記説明した各工程が実行されることで、本開示に係るＭＣＩ予測システムに係る機能の少なくとも一部が実現されてもよい。この場合、本開示にかかるＭＣＩ予測システムは、例えば、汎用コンピュータにおいて実行されるコンピュータ・プログラムにより実現可能である。

なお、上記説明した情報処理装置３００は、物理的な装置に限定されず、少なくともその一部が仮想化されて仮想マシンであってもよい。この場合、情報処理装置３００を構成する構成要素は、仮想的なデバイスあるいはリソースとして実現されてもよい。
本開示に係るＭＣＩ予測システムの少なくとも一部は、例えば、一般的に利用可能な仮想化基盤において実現された仮想システムとして実現されてもよい。

以上、本開示に係るＭＣＩ推定システムを実現可能な実施形態について説明した。なお、本開示に係るＭＣＩ予測システムは、上記実施形態に記載した構成に限定されない。即ち、本開示に基づいて当業者が理解できるスコープにおいて、各実施形態の構成を適宜変更あるいは改良した変更例、改善例も本開示に係るＭＣＩ予測システムに含まれてもよい。また、上記各実施形態を適宜組み合わせることで実現されたシステムも、本開示に係るＭＣＩ予測システムに含まれてもよい。
本開示にかかるＭＣＩ推定システムは、例えば、以下に付記する態様として実現されてもよいが、これに限定されるものではない。

（付記１）
被験者の属性を表す属性情報と、当該被験者の行動状況を表す行動情報とから、当該被験者が軽度認知障害に該当する確率を推定可能な第１推定モデルを記憶可能なモデル記憶部と、
上記属性情報と、上記行動情報と、上記第１推定モデルを用いて、上記被験者が軽度認知障害に該当する可能性を推定するＭＣＩ推定部と、を有する、推定システム。

（付記２）
上記ＭＣＩ推定部は、上記属性情報と、上記行動情報と、上記第１推定モデルを用いて、上記被験者が軽度認知障害に該当する確率を算出することにより、上記被験者が軽度認知障害に該当する可能性を推定する、付記１に記載の推定システム。

（付記３）
上記第１推定モデルは、健常者と軽度認知障害に該当する者との少なくとも一方を含む１以上のデータ提供者から提供された、当該データ提供者の属性を表す属性情報と、当該データ提供者の行動状況を表す行動情報とを用いて作成され、入力データとして与えられた上記被験者に関する上記属性情報と、上記被験者に関する上記行動情報とから、当該被験者が軽度認知障害に該当する確率を推定するモデルである、付記２に記載の推定システム。

（付記４）
上記第１推定モデルは、健常者と軽度認知障害に該当する者との少なくとも一方を含む１以上のデータ提供者から提供された、当該データ提供者に関する上記属性情報と、当該データ提供者に関する上記行動情報と、当該データ提供者が軽度認知障害に該当するかを表す上記ラベル情報と、を少なくとも含むデータセットに基づいて、当該データセットに含まれる上記属性情報と上記行動情報とを説明変数とし、上記ラベル情報を目的変数として用いる分析処理により作成されたモデルである、付記３に記載の推定システム。

（付記５）
上記第１推定モデルは、上記データ提供者から提供された、当該データ提供者に関する上記属性情報と、当該データ提供者に関する上記行動情報と、当該データ提供者から取得された軽度認知障害の判定に影響する要因情報と、当該データ提供者が軽度認知障害に該当するかを表すラベル情報と、を少なくとも含むデータセットに基づいて、当該データセットに含まれる上記属性情報と、上記行動情報と、上記要因情報と、を説明変数とし、上記ラベル情報を目的変数とした分析処理により作成されたモデルを含む、付記３に記載の推定システム。

（付記６）
上記第１推定モデルは、
上記被験者に関する上記属性情報と、上記被験者に関する上記行動情報とから上記被験者の軽度認知障害の判定に影響する要因情報の推定値を算出する要因情報算出モデルと、
上記被験者に関する上記属性情報と、上記要因情報とから当該被験者が軽度認知障害に該当する確率を推定する推定情報算出モデルと、を含む、付記３に記載の推定システム。

（付記７）
上記要因情報推定モデルは、上記データ提供者から提供された、当該データ提供者に関する上記属性情報と、当該データ提供者に関する上記行動情報と、上記データ提供者から取得された上記要因情報を少なくとも含むデータセットと、に基づいて、当該データセットに含まれる上記属性情報と、上記行動情報とを説明変数とし、上記要因情報を目的変数とした分析処理により作成されたモデルであり、
上記推定情報算出モデルは、当該データ提供者に関する上記属性情報と、上記データ提供者から取得された上記要因情報と、当該データ提供者が軽度認知障害に該当するかを表すラベル情報と、を少なくとも含む他のデータセットに基づいて、当該他のデータセットに含まれる上記属性情報と、上記要因情報とを説明変数とし、上記ラベル情報を目的変数とした分析処理により作成されたモデルであり、
上記ＭＣＩ推定部は、
上記被験者に関する上記属性情報と、上記被験者に関する上記行動情報と、を上記要因情報推定モデルに適用することで、上記被験者に関する上記要因情報の推定値を算出し、
算出した要因情報の推定値と、上記被験者に関する上記属性情報と、を上記推定情報算出モデルに適用することで、当該被験者が軽度認知障害に該当する確率を推定する、付記６に記載の推定システム。

（付記８）
上記要因情報は、ＭＭＳＥ（Ｍｉｎｉ Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ）点数、脳糖代謝率、海馬体積、灰白質体積、アミロイドβ蓄積量のうち一つ以上の情報を含む、付記５から付記７のいずれか一つに記載の推定システム。

（付記９）
上記行動情報が、睡眠時間、会話時間、歩行時間、ＵＶ照射時間、脈拍、皮膚温度、体温のうちの少なくとも一つの情報を含む、付記１から付記８のいずれか一つに記載の推定システム。

（付記１０）
上記行動情報は、上記被験者が装着したセンサ装置から取得された当該被験者に関する行動状況を表すデータを少なくとも一つ含むセンサデータに基づいて算出され、上記センサデータが、上記センサ装置が有する一つ以上のセンサ素子を用いて特定の期間の間に測定された測定データの平均値である、付記１から付記９のいずれか一つに記載の推定システム。

（付記１１）
上記属性情報は、年齢、性別、教育歴、既往歴、生活習慣のうち少なくとも一つ以上の情報を含む個人に特有のデータである、付記１から付記１０のいずれか一つに記載の推定システム。

（付記１２）
上記被験者に関する上記行動情報を表示可能な領域である第１コンポーネントと、
上記被験者に関する上記属性情報を表示可能な領域である第２コンポーネントと、
上記ＭＣＩ推定部で推定された確率を表示可能な領域である第３コンポーネントと、を少なくとも含むユーザインタフェースを表示可能な表示部を更に備える、付記１に記載の推定システム。

（付記１３）
被験者の属性を表す属性情報と、当該被験者の行動状況を表す行動情報とから、当該被験者が軽度認知障害に該当する確率を推定可能な第１推定モデルと、時系列の特定時点における上記被験者に関する上記属性情報と、上記特定時点における上記被験者に関する上記行動情報とから、上記特定時点よりも後の時点における上記被験者に関する行動情報を推定可能な第２推定モデルと、を記憶可能なモデル記憶部と、
上記属性情報と、上記行動情報と、に基づいて、上記被験者が軽度認知障害に該当する確率を推定するＭＣＩ推定部と、
時系列の第１時点における上記被験者に関する上記属性情報と、上記第１時点における上記被験者に関する上記行動情報と、を上記第２推定モデルに適用して上記第１時点より後の第２時点における上記被験者に関する行動情報を推定することで、推定行動情報を生成する行動情報シミュレータと、を有し、
上記ＭＣＩ推定部は、上記第２時点における上記被験者に関する上記属性情報と、上記行動情報シミュレータにより推定された上記第２時点における上記推定行動情報と、を上記第１推定モデルに適用することで、上記第２時点において、上記被験者が軽度認知障害に該当する確率を推定する、推定システム。

（付記１４）
上記第１推定モデルは、健常者と軽度認知障害に該当する者との少なくとも一方を含む１以上のデータ提供者から提供された、上記データ提供者の属性を表す属性情報と、上記データ提供者の行動状況を表す行動情報と、当該データ提供者が軽度認知障害に該当するかを表すラベル情報と、を少なくとも含む第１データセットに基づいて、上記第１データセットに含まれる上記属性情報と上記行動情報とを説明変数とし、上記ラベル情報を目的変数として用いる分析処理により作成されたモデルである、
付記１３に記載の推定システム。

（付記１５）
上記第２推定モデルは、
健常者と軽度認知障害に該当する者との少なくとも一方を含む１以上のデータ提供者から提供された、少なくとも時系列の複数の時点における上記データ提供者の属性を表す属性情報と、上記複数の時点における当該データ提供者の行動状況を表す行動情報とを含む第２データセットに基づいて、
上記第２データセットに含まれる時系列の一つの時点における上記属性情報と、上記一つの時点における上記行動情報とを説明変数とし、
上記一つの時点における上記行動情報と、上記一つの時点より後の他の時点における上記行動情報との差分を目的変数として用いる分析処理により作成されるモデルである、付記１３または付記１４に記載の推定システム。

（付記１６）
上記第２推定モデルは、
健常者と軽度認知障害に該当する者との少なくとも一方を含む１以上のデータ提供者から提供された、少なくとも時系列の複数の時点における上記データ提供者に関する上記属性情報と、上記複数の時点における上記データ提供者が装着したセンサ装置から取得された当該データ提供者の行動状況を表すデータを少なくとも一つ含むセンサデータとを含む第２データセットに基づいて、
上記第２データセットに含まれる時系列の第１の時点における上記属性情報と、上記第１の時点における上記センサデータに基づいて算出された行動情報とを説明変数とし、
第１の時点とは異なる第２の時点における上記センサデータに含まれる行動情報を目的変数として用いる分析処理により作成されるモデルである、付記１３または付記１４に記載の推定システム。

（付記１７）
上記行動情報が、睡眠時間、会話時間、歩行時間、ＵＶ照射時間、脈拍、皮膚温度、体温のうちの少なくとも一つの情報を含む、付記１３から付記１６のいずれか一つに記載の推定システム。

（付記１８）
上記被験者に関する上記行動情報を表示可能な領域である第１コンポーネントと、
上記被験者に関する上記属性情報を表示可能な領域である第２コンポーネントと、
上記ＭＣＩ推定部で推定された確率を表示可能な領域である第３コンポーネントと、を少なくとも含むユーザインタフェースを表示可能な表示部を更に備え、
上記ＭＣＩ推定部は、上記第１時点において被験者が軽度認知障害に該当する確率と、上記第２時点において被験者が軽度認知障害に該当する確率と、を上記表示部に提供し、
上記表示部は、上記被験者が軽度認知障害に該当する確率の、第１時点から第２時点への時系列変化を、上記第３コンポーネントに表示する、付記１３から付記１７のいずれか一つに記載の推定システム。

（付記１９）
上記ＭＣＩ推定部は、上記行動情報シミュレータにより推定された上記第２時点における推定行動情報を上記表示部に提供し、
上記表示部は、提供された上記推定行動情報を上記第１コンポーネントに更に表示する、付記１８に記載の推定システム。

（付記２０）
被験者の属性を表す属性情報と、当該被験者の行動状況を表す行動情報とから、当該被験者が軽度認知障害に該当する確率を推定可能な第１推定モデルを記憶可能なモデル記憶部と、
上記行動情報の少なくとも一部を加工することで、仮想の行動を表す疑似行動情報を生成する疑似行動情報生成部と、
上記属性情報と、上記疑似行動情報と、を上記第１推定モデルに適用することで、上記疑似行動情報により表される仮想の行動を実行した場合に、上記被験者が軽度認知障害に該当する確率を表す第１の確率を推定するＭＣＩシミュレータと、を備える、シミュレーションシステム。

（付記２１）
上記疑似行動情報生成部は、複数の異なる上記疑似行動情報を生成することで、疑似行動情報セットを作成する、付記２０に記載のシミュレーションシステム。

（付記２２）
上記疑似行動情報生成部は、上記被験者に関する少なくとも一部の行動情報について、当該行動情報を基準値とし、当該基準値に対して特定の差分ずつ増加または減少させた疑似行動情報を複数生成することで、一連の疑似行動情報セットを作成する、付記２０に記載のシミュレーションシステム。

（付記２３）
上記疑似行動情報生成部は、上記被験者に関する少なくとも一部の行動情報について、当該行動情報を基準値とし、当該基準値に対してランダムな数値を増加または減少させた疑似行動情報を複数生成することで、一連の疑似行動情報セットを作成する、付記２１に記載のシミュレーションシステム。

（付記２４）
上記ＭＣＩシミュレータは、上記属性情報と、上記行動情報と、を上記第１推定モデルに適用することで、上記行動情報により表される行動を上記被験者が実行した場合に、その被験者が軽度認知障害に該当する第２の確率を推定する、付記２０から付記２３のいずれか一つに記載のシミュレーションシステム。

（付記２５）
上記ＭＣＩシミュレータは、
上記疑似行動情報セットに含まれるそれぞれの疑似行動情報について上記第１の確率を推定し、
上記第１の確率と、上記第２の確率とを比較することで、推定された上記第１の確率が上記第２の確率よりも低い上記疑似行動情報を選択し、
選択された上記疑似行動情報を、上記被験者が軽度認知障害に該当する確率を低減可能な行動の候補として含む改善行動情報を生成する、付記２４に記載のシミュレーションシステム。

（付記２６）
上記ＭＣＩシミュレータは、上記疑似行動情報セットに、推定された上記第１の確率が上記第２の確率よりも低い上記疑似行動情報が複数含まれる場合、その複数の上記疑似行動情報から、推定された上記第１の確率が特定の目標値よりも低い上記疑似行動情報を更に選択して上記改善行動情報を生成する、付記２５に記載のシミュレーションシステム。

（付記２７）
上記行動情報は、上記被験者に関する複数の異なる種類の行動状況を表すデータを含み、
上記ＭＣＩシミュレータは、
上記疑似行動情報セットに、推定された上記第１の確率が上記第２の確率よりも低い上記疑似行動情報が複数含まれる場合、
その複数の上記疑似行動情報から、推定された第１の確率が低い順に、特定数の上記疑似行動情報を更に選択して上記改善行動情報を生成する、付記２５に記載のシミュレーションシステム。

（付記２８）
上記行動情報は、上記被験者に関する複数の異なる種類の行動状況を表すデータを含み、
上記ＭＣＩシミュレータは、
上記疑似行動情報セットに、推定された上記第１の確率が上記第２の確率よりも低い上記疑似行動情報が複数含まれる場合、その複数の上記疑似行動情報から、含まれる行動状況を表すデータの種類が多い順に、特定数の上記疑似行動情報を更に選択して上記改善行動情報を生成する、付記２５に記載のシミュレーションシステム。

（付記２９）
上記行動情報は、上記被験者に関する複数の異なる種類の行動状況を表すデータを含み、
上記ＭＣＩシミュレータは、
上記疑似行動情報セットに、推定された上記第１の確率が上記第２の確率よりも低く、かつ、共通の上記行動状況を表すデータを含む上記疑似行動情報の集合が複数含まれる場合、
当該複数の集合のうち最大の集合を選択し、選択された集合に含まれる１以上の上記疑似行動情報について上記改善行動情報を生成する、付記２５に記載のシミュレーションシステム。

（付記３０）
上記行動情報は、上記被験者に関する複数の異なる種類の行動状況を表すデータを含み、
上記ＭＣＩシミュレータは、
上記疑似行動情報セットに、推定された上記第１の確率が上記第２の確率よりも低く、かつ、共通の上記行動状況を表すデータを含む上記疑似行動情報の集合が複数含まれる場合、
当該疑似行動情報の集合ごとに、その集合に含まれる各上記疑似行動情報について推定された上記第１の確率のばらつきを算出し、最もばらつきが小さい集合に含まれる１以上の上記疑似行動情報について上記改善行動情報を生成する、付記２５に記載のシミュレーションシステム。

（付記３１）
上記ＭＣＩシミュレータは、
上記疑似行動情報セットに含まれるそれぞれ上記疑似行動情報について上記第１の確率を推定し、
上記第１の確率と、上記第２の確率とを比較することで、複数の上記疑似行動情報のうち、上記第１の確率が上記第２の確率よりも高くなる上記疑似行動情報を選択し、
選択された上記疑似行動情報を、上記被験者が軽度認知障害に該当する確率を高くする行動の候補として含む悪化行動情報を生成する、付記２４に記載のシミュレーションシステム。

（付記３２）
上記ＭＣＩシミュレータは、
上記疑似行動情報セットに、推定された上記第１の確率が上記第２の確率よりも高い上記疑似行動情報が複数含まれる場合、その複数の上記疑似行動情報から、推定された上記第１の確率が特定の目標値よりも高い上記疑似行動情報を更に選択して上記悪化行動情報を生成する、付記３１に記載のシミュレーションシステム。

（付記３３）
上記行動情報は、上記被験者に関する複数の異なる種類の行動状況を表すデータを含み、
上記ＭＣＩシミュレータは、上記疑似行動情報セットに、推定された上記第１の確率が上記第２の確率よりも高い上記疑似行動情報が複数含まれる場合、その複数の上記疑似行動情報から、含まれる行動状況を表すデータの種類が多い順に、特定数の上記疑似行動情報を更に選択して上記悪化行動情報を生成する、付記３１に記載のシミュレーションシステム。

（付記３４）
上記被験者に関する行動情報を推定する行動情報シミュレータを更に有し、
上記モデル記憶部は、時系列の特定時点における、上記被験者に関する上記属性情報と、上記行動情報とから、上記特定時点よりも後の時点における上記被験者に関する行動情報を推定可能な第２推定モデルを更に記憶し、
上記行動情報シミュレータは、時系列の第１時点における上記被験者に関する上記属性情報と、当該第１時点における上記行動情報を用いて上記疑似行動情報生成部が生成した上記疑似行動情報と、を上記第２推定モデルに適用することで、上記第１時点よりも後の第２時点における上記被験者に関する疑似行動情報を推定し、
上記ＭＣＩシミュレータは、上記第２時点における上記被験者に関する上記属性情報と、上記行動情報シミュレータにより推定された上記第２時点における上記疑似行動情報とを上記第１推定モデルに適用することで、上記第２時点において上記被験者が上記疑似行動を実行した場合に、その被験者が軽度認知障害に該当する第３の確率を推定する、付記２４に記載のシミュレーションシステム。

（付記３５）
上記行動情報シミュレータは、更に、時系列の第１時点における上記被験者に関する上記属性情報と、第１時点における上記被験者に関する上記行動情報と、を上記第２推定モデルに適用して上記第１時点よりも後の第２時点における上記被験者に関する行動情報を推定することで、推定行動情報を生成し、
上記ＭＣＩシミュレータは、
上記第２時点における上記被験者に関する上記属性情報と、上記行動情報シミュレータにより推定された上記推定行動情報と、を上記第１推定モデルに適用することで、上記第２時点において上記被験者が軽度認知障害に該当する第４の確率を推定し、
上記第３の確率と、上記第４の確率と、を比較することで、上記第３の確率が、上記第４の確率よりも低い上記疑似行動情報を選択し、選択された上記疑似行動情報を、上記被験者が軽度認知障害に該当する確率を低減可能な行動の候補として含む改善行動情報を生成する、付記３４に記載のシミュレーションシステム。

（付記３６）
上記ＭＣＩシミュレータは、更に、上記第３の確率と、上記第４の確率と、を比較することで、上記第３の確率が、上記第４の確率よりも高い上記疑似行動情報を選択し、選択された疑似行動情報に含まれる上記疑似行動情報を、上記被験者が軽度認知障害に該当する確率を高くする行動の候補として含む悪化行動情報を生成する、付記３４に記載のシミュレーションシステム。

（付記３７）
上記行動情報と、上記疑似行動情報と、を表示可能な領域である第１コンポーネントと、
上記属性情報を表示可能な領域である第２コンポーネントと、
少なくとも上記ＭＣＩシミュレータにより推定された確率を表示可能な領域である第３コンポーネントと、を少なくとも含むユーザインタフェースを表示可能な表示部を更に備え、
上記ＭＣＩシミュレータは、上記第２の確率と、上記疑似行動情報セットに含まれるそれぞれ上記疑似行動情報について推定した上記第１の確率と、を上記表示部に提供し、
上記表示部は、上記疑似行動情報により表される行動を上記第１コンポーネントに表示し、上記第２の確率と、その疑似行動情報について推定された上記第１の確率と、を上記第３コンポーネントに表示する、付記２４に記載のシミュレーションシステム。

（付記３８）
上記行動情報と、上記疑似行動情報と、を表示可能な第１コンポーネントと、
上記属性情報を表示可能な第２コンポーネントと、
少なくとも上記ＭＣＩシミュレータにより推定された確率を表示可能な第３コンポーネントと、を少なくとも含むユーザインタフェースを表示可能な表示部を更に備え、
上記ＭＣＩシミュレータは、上記第２の確率と、上記第４の確率と、上記疑似行動情報セットに含まれるそれぞれ上記疑似行動情報について推定した上記第１の確率と、上記第３の確率と、を上記表示部に提供し、
上記表示部は、
上記疑似行動情報に含まれる疑似行動情報により表される行動を上記第１コンポーネントに表示し、
上記被験者が、上記行動により表される行動を実行した場合に、その被験者が軽度認知障害に該当する確率の、上記第１時点から第２時点への時系列変化を、上記第２の確率及び上記第４の確率を用いて上記第３コンポーネントに表示するとともに、
上記被験者が、上記疑似行動により表される行動を実行した場合に、その被験者が軽度認知障害に該当する確率の、上記第１時点から第２時点への時系列変化を、上記第１の確率及び上記第３の確率を用いて上記第３コンポーネントに表示する、付記３４に記載のシミュレーションシステム。

（付記３９）
被験者の属性を表す属性情報と、上記被験者が装着したセンサ装置から取得された当該被験者の行動状況を表すデータを少なくとも一つ含むセンサデータと、を入力データとして受け付け可能なデータ入力部と、
上記被験者に関する属性情報と、上記センサデータに基づいて算出された上記被験者に関する行動情報とから、当該被験者が軽度認知障害に該当する確率を推定可能な第１推定モデルと、上記属性情報と、上記行動情報とから、当該被験者がアルツハイマー型軽度認知障害に該当する確率を推定可能な第３推定モデルと、を記憶可能なモデル記憶部と、
上記属性情報と、上記行動情報と、上記第１推定モデルを用いて、上記被験者が軽度認知障害に該当する確率を推定するＭＣＩ確率推定部と、上記属性情報と、上記行動情報と、上記第３推定モデルを用いて、上記被験者がアルツハイマー型軽度認知障害に該当する確率を推定するＡＤ型ＭＣＩ確率推定部と、を有するＭＣＩ推定部と、を備える推定システム。

（付記４０）
上記第３推定モデルは、アルツハイマー型軽度認知障害に該当する者と、非アルツハイマー型軽度認知障害に該当する者と、健常者と、の少なくともいずれかを含む複数のデータ提供者の属性情報と、上記データ提供者から取得された上記要因情報とを説明変数とし、少なくともアルツハイマー型軽度認知障害を表すカテゴリと、非アルツハイマー型軽度認知障害を表すカテゴリと、を目的変数とした分析処理により作成されたモデルである、付記３９に記載の推定システム。

（付記４１）
上記被験者に関する上記行動情報を表示可能な領域である第１コンポーネントと、
上記被験者に関する上記属性情報を表示可能な領域である第２コンポーネントと、
上記ＭＣＩ推定部で推定された被験者が軽度認知障害に該当する確率とアルツハイマー型軽度認知障害に該当する確率とを表示可能な領域である第３コンポーネントと、を少なくとも含むユーザインタフェースを表示可能な表示部を更に備える、付記３９に記載の推定システム。

１ 属性情報
２ センサデータ
３ 行動情報
１０ データ入力部
１１ 属性情報入力部
１２ センサデータ入力部
１５ データ加工部
１６ 行動情報変換部
１７ データ統合部
１８ データクレンジング部
２０ モデル記憶部
２１ 第１推定モデル
２２ 第２推定モデル
２３ 第３推定モデル
３０ ＭＣＩ推定部
３１ ＭＣＩ確率推定部
３２ ＡＤ型ＭＣＩ確率推定部
４０ 行動情報シミュレータ
５０ 疑似行動情報生成部
６０ ＭＣＩシミュレータ
７０ 表示部
８０、８０ａ、８０ｂ、８０ｃ、８０ｄ、８０ｅ ユーザインタフェース
８１、８１ａ、８１ｂ、８１ｃ、８１ｄ、８１ｅ 第１コンポーネント
８２、８２ａ、８２ｂ、８２ｃ、８２ｄ、８２ｅ 第２コンポーネント
８３、８３ａ、８３ｂ、８３ｃ、８３ｄ、８３ｅ 第３コンポーネント
１０１、１０１ａ、１０２、１０２ａ、１０３、１０３ａ ＭＣＩ推定システム
１１１、１１１ａ、１１２、１１２ａ ＭＣＩシミュレーションシステム
２００ センサ装置
２０１ センサ素子
２０２ センサデータ記憶部
２０３ データ提供部

Claims (21)

1. 人の属性を表す情報を属性情報とし、
   人の行動状況を表す情報を行動情報とし、
   被験者の前記属性情報である被験者属性情報と、前記被験者の前記行動情報である被験者行動情報とから、前記被験者が軽度認知障害に該当する確率を推定可能な第１推定モデルと、時系列の特定時点における前記被験者属性情報と、前記特定時点における前記被験者行動情報とから、前記特定時点よりも後の時点における前記被験者行動情報を推定可能な第２推定モデルと、を記憶可能なモデル記憶部と、
   前記被験者属性情報と、前記被験者行動情報と、に基づいて、前記被験者が軽度認知障害に該当する確率を推定するＭＣＩ推定部と、
   時系列の第１時点における前記被験者属性情報と、前記第１時点における前記被験者行動情報と、を前記第２推定モデルに適用して前記第１時点より後の第２時点における前記被験者行動情報を推定することで、推定された前記被験者行動情報である推定被験者行動情報を生成する行動情報シミュレータと、を有し、
   前記ＭＣＩ推定部は、前記第２時点における前記被験者属性情報と、前記行動情報シミュレータにより推定された前記第２時点における前記推定被験者行動情報と、を前記第１推定モデルに適用することで、前記第２時点において、前記被験者が軽度認知障害に該当する確率を推定する、
   推定システム。
2. 前記第１推定モデルは、健常者と軽度認知障害に該当する者との少なくとも一方を含む１以上のデータ提供者から提供された、前記データ提供者の前記属性情報である提供者属性情報と、前記データ提供者の前記行動情報である提供者行動情報と、前記データ提供者が軽度認知障害に該当するかを表すラベル情報と、を少なくとも含む第１データセットに基づいて、前記第１データセットに含まれる前記提供者属性情報と前記提供者行動情報とを説明変数とし、前記ラベル情報を目的変数として用いる分析処理により作成されたモデルである、請求項１に記載の推定システム。
3. 前記第２推定モデルは、
   前記１以上のデータ提供者から提供された、少なくとも時系列の複数の時点における前記提供者属性情報と、前記複数の時点における前記提供者行動情報と、を含む第２データセットに基づいて、
   前記第２データセットに含まれる時系列の一つの時点における前記提供者属性情報と、前記一つの時点における前記提供者行動情報とを説明変数とし、
   前記一つの時点における前記提供者行動情報と、前記一つの時点より後の他の時点における前記提供者行動情報との差分を目的変数として用いる分析処理により作成されるモデルである、請求項２に記載の推定システム。
4. 前記行動情報が、睡眠時間、会話時間、歩行時間、ＵＶ照射時間、脈拍、皮膚温度、体温のうちの少なくとも一つの情報を含む、
   請求項１から請求項３のいずれか一項に記載の推定システム。
5. 前記被験者行動情報を表示可能な領域である第１コンポーネントと、
   前記被験者属性情報を表示可能な領域である第２コンポーネントと、
   前記ＭＣＩ推定部で推定された確率を表示可能な領域である第３コンポーネントと、を少なくとも含むユーザインタフェースを表示可能な表示部を更に備え、
   前記ＭＣＩ推定部は、前記第１時点において前記被験者が軽度認知障害に該当する確率と、前記第２時点において前記被験者が軽度認知障害に該当する確率と、を前記表示部に提供し、
   前記表示部は、前記被験者が軽度認知障害に該当する確率の、前記第１時点から前記第２時点への時系列変化を、前記第３コンポーネントに表示する、
   請求項１から請求項４のいずれか一項に記載の推定システム。
6. 前記ＭＣＩ推定部は、前記行動情報シミュレータにより推定された前記第２時点における前記推定被験者行動情報を前記表示部に提供し、
   前記表示部は、提供された前記推定被験者行動情報を前記第１コンポーネントに更に表示する、
   請求項５に記載の推定システム。
7. 被験者の属性を表す属性情報と、前記被験者の行動状況を表す行動情報とから、前記被験者が軽度認知障害に該当する確率を推定可能な第１推定モデルを記憶可能なモデル記憶部と、
   前記行動情報の少なくとも一部を加工することで、仮想の行動を表す疑似行動情報を生成する疑似行動情報生成部と、
   前記属性情報と、前記疑似行動情報と、を前記第１推定モデルに適用することで、前記疑似行動情報により表される仮想の行動を実行した場合に、前記被験者が軽度認知障害に該当する確率を表す第１の確率を推定するＭＣＩシミュレータと、を備え、
   前記第１推定モデルは、健常者と軽度認知障害に該当する者との少なくとも一方を含む１以上のデータ提供者から提供された、前記データ提供者についての前記属性情報と、前記データ提供者についての前記行動情報と、前記データ提供者が軽度認知障害に該当するかを表すラベル情報と、を少なくとも含む第１データセットに基づいて、前記第１データセットに含まれる前記属性情報と前記行動情報とを説明変数とし、前記ラベル情報を目的変数として用いる分析処理により作成されたモデルである、シミュレーションシステム。
8. 前記疑似行動情報生成部は、複数の異なる前記疑似行動情報を生成することで、疑似行動情報セットを作成する、
   請求項７に記載のシミュレーションシステム。
9. 前記疑似行動情報生成部は、前記被験者に関する少なくとも一部の前記行動情報について、前記行動情報を基準値とし、前記基準値に対して特定の差分ずつ増加または減少させた前記疑似行動情報を複数生成することで、一連の前記疑似行動情報セットを作成する、請求項８に記載のシミュレーションシステム。
10. 前記ＭＣＩシミュレータは、前記属性情報と、前記行動情報と、を前記第１推定モデルに適用することで、前記行動情報により表される行動を前記被験者が実行した場合に、その前記被験者が軽度認知障害に該当する第２の確率を推定する、請求項８又は請求項９に記載のシミュレーションシステム。
11. 前記ＭＣＩシミュレータは、
    前記疑似行動情報セットに含まれるそれぞれの前記疑似行動情報について前記第１の確率を推定し、
    前記第１の確率と、前記第２の確率とを比較することで、推定された前記第１の確率が前記第２の確率よりも低い前記疑似行動情報を選択し、
    選択された前記疑似行動情報を、前記被験者が軽度認知障害に該当する確率を低減可能な行動の候補として含む改善行動情報を生成する、
    請求項１０に記載のシミュレーションシステム。
12. 前記ＭＣＩシミュレータは、前記疑似行動情報セットに、推定された前記第１の確率が前記第２の確率よりも低い前記疑似行動情報が複数含まれる場合、その複数の前記疑似行動情報から、推定された前記第１の確率が特定の目標値よりも低い前記疑似行動情報を更に選択して前記改善行動情報を生成する、
    請求項１１に記載のシミュレーションシステム。
13. 前記行動情報は、前記被験者に関する複数の異なる種類の行動状況を表すデータを含み、
    前記ＭＣＩシミュレータは、前記疑似行動情報セットに、推定された前記第１の確率が前記第２の確率よりも低い前記疑似行動情報が複数含まれる場合、その複数の前記疑似行動情報から、含まれる行動状況を表すデータの種類が多い順に、特定数の前記疑似行動情報を更に選択して前記改善行動情報を生成する、
    請求項１１に記載のシミュレーションシステム。
14. 前記ＭＣＩシミュレータは、
    前記疑似行動情報セットに含まれるそれぞれ前記疑似行動情報について前記第１の確率を推定し、
    前記第１の確率と、前記第２の確率とを比較することで、複数の前記疑似行動情報のうち、前記第１の確率が前記第２の確率よりも高くなる前記疑似行動情報を選択し、
    選択された前記疑似行動情報を、前記被験者が軽度認知障害に該当する確率を高くする行動の候補として含む悪化行動情報を生成する、
    請求項１０に記載のシミュレーションシステム。
15. 前記ＭＣＩシミュレータは、
    前記疑似行動情報セットに、推定された前記第１の確率が前記第２の確率よりも高い前記疑似行動情報が複数含まれる場合、その複数の前記疑似行動情報から、推定された前記第１の確率が特定の目標値よりも高い前記疑似行動情報を更に選択して前記悪化行動情報を生成する、
    請求項１４に記載のシミュレーションシステム。
16. 前記行動情報は、前記被験者に関する複数の異なる種類の行動状況を表すデータを含み、
    前記ＭＣＩシミュレータは、前記疑似行動情報セットに、推定された前記第１の確率が前記第２の確率よりも高い前記疑似行動情報が複数含まれる場合、その複数の前記疑似行動情報から、含まれる行動状況を表すデータの種類が多い順に、特定数の前記疑似行動情報を更に選択して前記悪化行動情報を生成する、
    請求項１４に記載のシミュレーションシステム。
17. 前記被験者に関する前記行動情報を推定する行動情報シミュレータを更に有し、
    前記モデル記憶部は、時系列の特定時点における、前記被験者に関する前記属性情報と、前記行動情報とから、前記特定時点よりも後の時点における前記被験者に関する前記行動情報を推定可能な第２推定モデルを更に記憶し、
    前記行動情報シミュレータは、時系列の第１時点における前記被験者に関する前記属性情報と、前記第１時点における前記行動情報を用いて前記疑似行動情報生成部が生成した前記疑似行動情報と、を前記第２推定モデルに適用することで、前記第１時点よりも後の第２時点における前記被験者に関する前記疑似行動情報を推定し、
    前記ＭＣＩシミュレータは、前記第２時点における前記被験者に関する前記属性情報と、前記行動情報シミュレータにより推定された前記第２時点における前記疑似行動情報と、を前記第１推定モデルに適用することで、前記第２時点において前記被験者が前記疑似行動情報により表される仮想の行動を実行した場合に、その前記被験者が軽度認知障害に該当する第３の確率を推定する、請求項１０に記載のシミュレーションシステム。
18. 前記行動情報シミュレータは、更に、前記第１時点における前記被験者に関する前記属性情報と、前記第１時点における前記被験者に関する前記行動情報と、を前記第２推定モデルに適用して前記第２時点における前記被験者に関する前記行動情報を推定することで、推定行動情報を生成し、
    前記ＭＣＩシミュレータは、
    前記第２時点における前記被験者に関する前記属性情報と、前記行動情報シミュレータにより推定された前記推定行動情報と、を前記第１推定モデルに適用することで、前記第２時点において前記被験者が軽度認知障害に該当する第４の確率を推定し、
    前記第３の確率と、前記第４の確率と、を比較することで、前記第３の確率が、前記第４の確率よりも低い前記疑似行動情報を選択し、選択された前記疑似行動情報を、前記被験者が軽度認知障害に該当する確率を低減可能な行動の候補として含む改善行動情報を生成する、
    請求項１７に記載のシミュレーションシステム。
19. 前記ＭＣＩシミュレータは、更に、前記第３の確率と、前記第４の確率と、を比較することで、前記第３の確率が、前記第４の確率よりも高い前記疑似行動情報を選択し、選択された前記疑似行動情報を、前記被験者が軽度認知障害に該当する確率を高くする行動の候補として含む悪化行動情報を生成する、請求項１８に記載のシミュレーションシステム。
20. 前記行動情報と、前記疑似行動情報と、を表示可能な領域である第１コンポーネントと、
    前記属性情報を表示可能な領域である第２コンポーネントと、
    少なくとも前記ＭＣＩシミュレータにより推定された確率を表示可能な領域である第３コンポーネントと、を少なくとも含むユーザインタフェースを表示可能な表示部を更に備え、
    前記ＭＣＩシミュレータは、前記第２の確率と、前記疑似行動情報セットに含まれるそれぞれ前記疑似行動情報について推定した前記第１の確率と、を前記表示部に提供し、
    前記表示部は、前記疑似行動情報により表される行動を前記第１コンポーネントに表示し、前記第２の確率と、その前記疑似行動情報について推定された前記第１の確率と、を前記第３コンポーネントに表示する、
    請求項１０に記載のシミュレーションシステム。
21. 前記行動情報と、前記疑似行動情報と、を表示可能な第１コンポーネントと、
    前記属性情報を表示可能な第２コンポーネントと、
    少なくとも前記ＭＣＩシミュレータにより推定された確率を表示可能な第３コンポーネントと、を少なくとも含むユーザインタフェースを表示可能な表示部を更に備え、
    前記ＭＣＩシミュレータは、前記第２の確率と、前記第４の確率と、前記疑似行動情報セットに含まれるそれぞれ前記疑似行動情報について推定した前記第１の確率と、前記第３の確率と、を前記表示部に提供し、
    前記表示部は、
    前記疑似行動情報セットに含まれる前記疑似行動情報により表される行動を前記第１コンポーネントに表示し、
    前記被験者が、前記行動情報により表される行動を実行した場合に、その前記被験者が軽度認知障害に該当する確率の、前記第１時点から前記第２時点への時系列変化を、前記第２の確率及び前記第４の確率を用いて前記第３コンポーネントに表示するとともに、
    前記被験者が、前記疑似行動情報により表される仮想の行動を実行した場合に、その前記被験者が軽度認知障害に該当する確率の、前記第１時点から前記第２時点への時系列変化を、前記第１の確率及び前記第３の確率を用いて前記第３コンポーネントに表示する、請求項１８に記載のシミュレーションシステム。

Images