JP7387944B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents
情報処理装置、情報処理方法、及びプログラム Download PDFInfo
- Publication number
- JP7387944B2 JP7387944B2 JP2023533327A JP2023533327A JP7387944B2 JP 7387944 B2 JP7387944 B2 JP 7387944B2 JP 2023533327 A JP2023533327 A JP 2023533327A JP 2023533327 A JP2023533327 A JP 2023533327A JP 7387944 B2 JP7387944 B2 JP 7387944B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- health
- model
- population
- lifespan
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims description 35
- 238000003672 processing method Methods 0.000 title claims description 5
- 230000036541 health Effects 0.000 claims description 154
- 238000000034 method Methods 0.000 claims description 64
- 230000006872 improvement Effects 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 20
- 201000010099 disease Diseases 0.000 claims description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 description 48
- 230000006399 behavior Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000009471 action Effects 0.000 description 12
- 230000008520 organization Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013506 data mapping Methods 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G16H50/30—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
各種各様な健康に関するアウトカム(情報)の提示が望まれていた。即ち、総合的な健康に関する情報の提供が望まれていた。また例えば、近年、健康に関する情報の精度の向上も望まれていた。
第1母集団に属する複数の人の夫々についての健康関連情報と、当該第1母集団における寿命についての第1統計情報とを用いる学習により得られたモデルであって、対象人の前記健康関連情報を入力すると当該対象人の寿命に関する指標を出力するモデルを、全死亡モデルとして取得するモデル取得手段と、
前記対象人が属する第2母集団における前記第1統計情報を取得する統計情報取得手段と、
前記対象人の前記健康関連情報を取得する健康関連情報取得手段と、
取得された前記健康関連情報を前記全死亡モデルに入力した結果として出力される前記指標と、取得された前記第1統計情報とに基づいて、前記対象人の寿命に関する第1種スコアを算出する第1種スコア算出手段と、
を備える。
ステップST1において、学習装置1は、前処理を実行する。
ここで、学習装置1は、後述する全死亡モデル4及び個別モデル5を生成又は更新するべく、所定のアルゴリズムによる学習処理を実行する。
なお、所定のアルゴリズムとして、ヒューリスティックなモデル構築アルゴリズムが採用されるものとして説明するが、所定のアルゴリズムには、機械学習を用いたアルゴリズムやアンサンブルモデルのためのアルゴリズム等、任意のアルゴリズムが採用され得る。
即ち、学習装置1は、第1国に属する複数の人の夫々の「健康関連パラメータ」を用いて学習処理を実行する。
ある人の「健康関連パラメータ」とは、その人の健康に関連すると考えられるパラメータである。具体的には例えば、「健康関連パラメータ」には、基本的な背景情報(性別・年齢含む)、年次健康診断データ、中核のリスク因子、生活習慣のデータ、家族歴等の項目が含まれてもよい。ただし、健康関連パラメータは、これらに限られない。特に、本サービスでは、論文等のエビデンスにおいて新たに健康に関連すると考えられるパラメータが発見又は削除された場合、柔軟に任意の項目を増減することができる。
また、健康関連パラメータは、対象となる人により、全項目の情報であってもよいし、一部の項目であってもよい。本サービスでは、健康関連パラメータの項目により、学習結果を用いた判定処理の結果の精度についての情報もユーザに提示することができる。
即ち、「統計データ」とは、所定の範囲に属する複数の人に対応する母集団の健康に関連する統計データである。
具体的には例えば、統計データには、寿命の統計データ(生命表)、死亡率ランク、分布(帯域幅)、予測値のバウンディング解析の項目が含まれてもよい。ただし、統計データはこれらに限られない。詳しくは後述するが、本サービスでは、寿命の統計データを用いて、寿命に関するスコアをユーザに提示することができるが、その他の健康状態に関連するスコアもユーザに提示することができる。統計データには、その他の健康状態のスコアの算出に用いられる各種各様な統計データも採用され得る。
また、バウンディング解析とは、分布関数の特定の形を仮定せずに、パラメータの不確実性を組み込む新しいアプローチをいう。後述する、全死亡モデルと、統計データを用いたアプローチは、バウンディング解析の具体例である。
なお、学習装置1は、学習処理において、「各種健康データ」も利用する。即ち、学習装置1が利用する統計データは第1国といった特定の国に限定されない統計データも各種健康データとして用いる。また例えば、学習装置1は、学習処理において世界中の公表論文や運動量、飲酒量、病気や検査値の寿命への影響度等に関する情報を、各種健康関連データとし手用いる。即ち、学習装置1は、第1国に限定されない統計データを、モデル生成におけるエビデンスとして利用して、より精度の高い学習処理を可能としているのである。
ここで、データマッピングとは、生データを学習処理に合わせて調整する処理である。具体的には例えば、データベース間での統合が可能となるようにデータの基準を一致させる処理等をいう。
また、データアライメントとは、データアクセスの効率を向上させることを目的として装置内のデータを設計に合うように配置する等の処理をいう。
また、データクリーニングとは、ノイズデータの除去や名寄せの処理をいう。
また、各データセットへの分割とは、学習用、テスト用、バリデーションチェック用への分割等の処理をいう。
このように、前処理により、健康関連パラメータや統計データが処理され、効率的に学習処理が実行される。
具体的には、学習装置1は、少なくとも第1国に属する複数の人の夫々の健康関連パラメータ及び第1国における統計データを用いて、第1国に属する人の全死亡モデル4を生成する。
全死亡モデルとは、処理対象の人の健康関連パラメータに基づいて、母集団の寿命の分布における対象人の寿命についてのリスクの位置を示す情報を出力するモデルである。
具体的には例えば、全死亡モデルによれば、例えば、対象人が健康的であることを示す健康関連パラメータが入力された場合、第1国の母集団の寿命の分布における上位10%であるといった位置の情報が出力される。なお、位置の情報は、任意の形態をとることができる。具体的には例えば、位置の情報は、100人中における10位といった順位の情報であってもよい。
ヒューリスティックなモデル構築アルゴリズムにおいては、「経験則や先入観に基づく判断」が行われる。即ち、論文等に基づく一般的に考えられている傾向と矛盾しないデータが得られる否かにより、モデルの生成が行われる。例えば、「同じ健康状態なのに女性の方が男性より寿命が短い」、「平均寿命は年々、徐々に延びているにもかかわらず、若い世代の寿命の将来予測の方が高齢者より短い」、「飲酒量が多い方が寿命延長にプラスに働いている」、「検査値の異常の程度と臨床で報告されている疾患の程度などの情報」等の観点に齟齬が無いことが、確認されることにより、モデルが生成される。
バリデーションは、例えば、寿命が分かっている参加者データ(すでに死亡した第1国の人)の実際の寿命と、モデルから算出した予測値と比較することにより行われる。
ここで、「健康状態」とは、所定の「疾患」、「コンセプト解釈」、「複合概念」「その他健康アウトカム関連情報」のことをいう。
ここで、「コンセプト解釈」や「複合概念」とは、健康状態、健康意識などを比喩的に表現したスコアをいう。具体的には例えば、「心臓年齢」、「肌年齢」、「ライフスタイルスコア」などが含まれる。即ち、心臓年齢とは、心臓発作や脳卒中を起こすリスクの高さを示すものである。また、肌年齢とは、肌がどの年齢の水準にあるかを表した数値である。また、ライフスタイルスコアとは、飲酒、喫煙、運動などのスコアを合算したスコアである。このように、コンセプト解釈とは、所定のコンセプトにより解釈されたスコアである。また、複合概念とは、複数の要因を複合的にとらえたスコアである。
即ち、詳しくは後述するが、本サービスでは所定の疾患になるリスクに関する情報がユーザに提示される。また、コンセプト解釈や複合概念といった各種各様な健康アウトカム関連情報がユーザに提示される。
ここで、「ヘルススコア」とは、長期的な健康アウトカムを改善するために健康を定量化し、短期的及び長期的な致死率、健康状態のリスクを予測するものである。ヘルススコアの具体例は、後述する。
判定装置2は、判定処理において、以下のデータを用いる。
判定装置2は、第2国に属するユーザの「健康関連パラメータ」を用いて判定処理を実行する。
また、判定装置2は、第2国における「統計データ」を用いて判定処理を実行する。
寿命判定により、ユーザに対して提示されるヘルススコアのうち、メインとなる寿命に関する情報が生成される。
健康状態判定により、ユーザに対して提示されるヘルススコアのうち、サブとなる所定の疾患等についてのリスク(絶対、カテゴリカル、相対)、頻度を言葉で説明、コンセプト解釈や複合概念に関する情報が生成される。
即ち、ユーザの寿命や、各種スコアの算出結果や、算出過程の情報等に基づいて、そのユーザの寿命に影響する要素(例えば、疾患のリスク)を改善するための行動の情報が生成される。
そして、生成された改善行動の情報は、ユーザに提示される。
即ち、学習処理においては、多量の信頼できる健康関連パラメータと、統計データがあることで、モデルの精度が向上する。そこで、第1国として、医療に関する論文調査がよくなされている国のデータを用いることができる。
しかしながら、上述したように、そのように生成されたモデルと、他の国(第2国)のユーザの健康関連パラメータを用いて判定処理を実行しても、精度の良い判定結果は得られない。そこで、本サービスでは、学習処理において第1国の統計データを用い、また、判定処理において第2国の統計データを用いることにより、第1国のモデルを第2国のユーザの判定に利用可能としているのである。
図2に示す情報処理システムは、学習装置1と、判定装置2と、ユーザ端末3と、全死亡モデル4と、個別モデル5とを含むように構成される。
判定装置2は、学習装置1により学習された結果得られる(又は更新される)モデルを全死亡モデル4及び個別モデル5から取得して、ユーザの寿命や健康状態を判定する。判定装置2の機能的構成や処理の詳細については、図4等を参照して後述する。
ユーザ端末3は、ユーザにより利用される情報処理装置であって、ユーザにより健康関連情報が入力又は判定装置2への提供の許可のための操作を受け付ける。
全死亡モデル4は、処理対象の人の健康関連パラメータに基づいて、母集団の寿命の分布における対象人の寿命についてのリスクの位置を示す情報を出力するモデルのデータが格納される。
個別モデル5は、所定の疾患やコンセプト解釈、複合概念などの健康アウトカム関連情報を出力するモデルのデータが格納される。
CPU11は、ROM12に記録されているプログラム、又は、記憶部18からRAM13にロードされたプログラムに従って各種の処理を実行する。
RAM13には、CPU11が各種の処理を実行する上において必要なデータ等も適宜記憶される。
入力部16は、キーボードやマウス等で構成され、ユーザの指示操作に応じて各種情報を入力する。
出力部17は、ディスプレイやスピーカ等で構成され、画像や音声を出力する。
記憶部18は、ハードディスク等で構成され、各種情報のデータを記憶する。
ドライブ20には、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリ等よりなる、リムーバブルメディア31が適宜装着される。ドライブ20によってリムーバブルメディア31から読み出されたプログラムは、必要に応じて記憶部18にインストールされる。また、リムーバブルメディア31は、記憶部18に記憶されている各種データも、記憶部18と同様に記憶することができる。
また、図2の情報処理システムのユーザ端末3は図4に示すハードウェア構成と基本的に同様の構成を有している。ユーザ端末3には、入力部と出力部を兼ねるタッチパネル等が採用されていてもよい。
また、説明の便宜上、学習装置1は、判定装置2とは別途設けるものとしたが、特にこれに限定されず、学習装置1と、判定装置2との各機能を1台の情報処理装置に集約してもよい。
また、図2において、全死亡モデル4及び個別モデル5は、学習装置1及び判定装置2とは別に設けられるものとしたが、例えば、判定装置2の記憶部18の一部の領域に設けられてもよい。
また、モデル取得部51は、第1国に属する複数の人の夫々についての健康関連情報と、第1国における所定の健康状態についての第2統計情報とを用いる学習により得られたモデルであって、対象人の健康関連情報を入力すると当該対象人の所定の健康状態に関する指標を出力する個別モデル5をさらに取得する。
ここで、指標は、母集団における対象人についての位置である。具体的には例えば、寿命に関する指標は、母集団の推定寿命の分布における対象人についての位置であって、死亡リスクの順位に相当するものを採用することができる。
また、統計情報取得部52は、対象人が属する第2国における所定の健康状態に関する第2統計情報をさらに取得する。
なお、統計情報は生命表に限定されず、政府発表、公表論文などの寿命、予後、疾患分布、罹患率、患者数等が含まれている。
第1種スコア算出部54は、第2国における生命表と、第2国における対象人の位置とに基づいて、対象人の寿命に関するスコアを第1種スコアとして算出する。
ここで、第1種スコアには、寿命そのものやEBHS(EVIDENCE-BASED HEALTH SCORE)スコアが含まれていてよい。EBHSスコアとは、予測された対象人の残存寿命に対して、第2国における対象人と同年齢の平均寿命で除算した値である。
即ち、第1種スコア算出部54は、第2国における生命表と、第2国における対象人の位置とに基づいて、対象人の残存寿命を予測し、予測された対象人の残存寿命に対して、第2国における対象人と同年齢の平均寿命で除算した値をEBHSスコアとして算出する。
EBHSスコアは、100の場合平均的、100より大きい場合平均より長生き、100より小さい場合平均より短命であることを意味する。
ここで、所定の健康状態は、疾患、コンセプト解釈及び複合概念のうち少なくとも1以上の健康状態である。即ち、第2種スコアは、1以上の健康状態の夫々に関するスコアを含む。
情報提供制御部57は、さらに第2種スコアや改善行動に関する情報をユーザ端末2に提供する制御を実行することができる。
図5に示すように、インプットには健康関連パラメータが含まれる。健康関連パラメータには、2項目の人口動態と、47の年次健康診断結果と、1のその他のリスク因子と、3の生活様式のリスク因子と、7の家族歴とが含まれる。そして、インプットには、将来において精度向上に資するパラメータを追加因子として柔軟に対応することができる。
これにより、上述の多数の項目からなる健康関連パラメータをインプットとして、当該インプットを用いてヒューリスティックな手法で妥当性のある全死亡モデル4や個別モデル5の構築が可能となる。
なお、ここでは説明を省略するが、図1や図4を用いて上述したように、本サービスの判定処理においては、第2国のユーザに対して適切にモデルを用いて判定を行うことができる。即ち、本サービスは、十分なデータの蓄積のない国のユーザに対しても適切に判定を行うことができるのである。
また、アウトプットにおいて、サブスコアは構成自在となっている。即ち、ユーザは、ユーザ自身の望む所定の疾患やコンセプト解釈、複合概念、その他健康アウトカム関連情報をユーザ端末3に表示させることができる。また、その表示形式も自由に設定可能となっている。
これにより、ユーザは、寿命を前提として、その寿命に影響し得る疾患やコンセプト解釈、複合概念、その他健康アウトカム関連情報を把握することで、寿命を延ばすための活動に取り組むことができるようになるのである。
図6に示すように、まず、第1国の複数の人の健康パラメータが学習用データとして取得される。そして、モデル構築(生成又は更新)が行われる。このとき、ローデータの準備として、マッピング、アライメント、データクリーニング、各データセットへの分割が行われる。これにより、上述したように、全死亡モデル4が生成される。
図7に示すように、スコアの種類には、「寿命」、「絶対リスク」、「カテゴリカルリスク」、「相対リスク」、「頻度を言葉で説明」、「コンセプト概念や複合概念」が含まれ得る。
ここで、寿命は、最も重要な(鍵となる)スコアである。
即ち、寿命は、ありとあらゆる疾患や健康状態を反映するものである、寿命、あるいは、上述のEBHSスコアを改善することが、ユーザ自身の目指すべき目標となるものである。
そして、寿命のほかに提供される情報として、「絶対リスク」、「カテゴリカルリスク」、「相対リスク」は、所定の疾患等に罹患するリスクである。リスクは、絶対、カテゴリ、相対等各種各様な形態を採用することができる。
絶対、カテゴリ、相対の形態は、ユーザが選択することもできるし、疾患の種類や判定の精度により異ならせてもよい。
即ち例えば、まず、改善行動生成部56は、対象人ごとに、健康関連情報の各因子が第1種スコア(寿命そのものやEBHS)与える影響値を算出する。
ここで、健康関連情報には、上述したように、因子とは、第1種スコア(寿命そのものやEBHS)を算出する際に用いる変数であり、背景情報、健康診断情報、リスク因子情報、生活習慣情報、家族歴情報等を含む。
具体的には例えば、改善行動生成部56は、第1の手法として、対象人自分以外のサンプルに注目し、対象人自身に近いk Nearest Neighborを取り出し全体と比較することで、影響値を算出することができる。
即ち、第1の手法は、各因子毎に、その印紙の値だけが自分に近い集団を抜き出し、その集団が全体に比べて寿命が大きく離れているものは自分にとって重要な因子であるとする手法である。
即ち、第2の手法は、寿命を算出するモデルそのものに着目することで、因子の値だけを変動させたときの寿命の変動が大きなものが、重要な因子であるとする手法である。
第2の手法においては、所定のLIME (local interpretable model-agnostic explanations)を用いることができる。
即ち、第3の手法は、全死亡モデル4の全体での重要度が定義され、その因子の値がなかった場合において、学習プロセスの性能が変動する大きさが大きい、学習プロセスにおける重要度が高いものを、当該因子の値による第1種スコアへの影響が大きいとして算出することができる。
第3の手法においては、Permutation Importance等を用いることが出来る。
そして、改善行動生成部56は、影響値や影響値に基づいて生成された情報を、対象人に対して改善行動に関する情報として提示することが出来る。
具体的には例えば、Aさんという対象人に対して、EBHSが107.8、寿命が90.82歳、という第1種スコアに加えて、運動習慣の影響値が3.5、収縮期血圧の影響値が4.2、空腹時血糖の影響地が2.7、と、各因子の影響値を改善行動に関する情報として提示することが出来る。
これにより、Aさんは、自身の第1種スコアに対しての影響値の高い因子について、改善行動をとることで第1種スコアを改善することが出来ると把握することが可能となる。
具体的には例えば、組織の管理者には、その組織に所属する対象人という母集団を、他の母集団(例えば、自国という母集団)と比較した統計情報が提示される。
また例えば、組織の管理者には、その組織に所属する対象人の夫々の第1種スコアや第2種スコア、改善行動の情報が提示される。
これにより、組織の管理者は、組織内における対象人の管理に利用することで、その組織全体として、より良好な環境づくりが可能となるのである。
即ち例えば、全死亡モデル4の学習処理において(少なくとも)第1-1国の統計データが用いられ、個別モデル5の学習処理において(少なくとも)第1-1国とは異なる第1-2国の統計データが用いられてもよい。
換言すると、図4の機能的構成は例示に過ぎず、特に限定されない。
即ち、上述した一連の処理を全体として実行できる機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックやデータベースを用いるのかは特に図4の例に限定されない。また、機能ブロックの存在場所も、図4に特に限定されず、任意でよい。例えば、判定装置2の機能ブロックを学習装置1等に移譲させてもよい。また、学習装置1の機能ブロックを判定装置2等に移譲させてもよい。更に言えば、学習装置1と判定装置2は、同じハードウェアでもよい。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。
また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。
また、本明細書において、システムの用語は、複数の装置や複数の手段等より構成される全体的な装置を意味するものとする。
前記対象人が属する第2母集団(例えば、第2国)における前記第1統計情報を取得する統計情報取得手段(例えば、統計情報取得部52)と、
前記対象人の前記健康関連情報を取得する健康関連情報取得手段(例えば、健康関連情報取得部53)と、
取得された前記健康関連情報を前記全死亡モデルに入力した結果として出力される前記指標と、取得された前記第1統計情報とに基づいて、前記対象人の寿命に関する第1種スコア(例えば、寿命)を算出する第1種スコア算出手段(例えば、第1種スコア算出部54)と、
を備えれば足りる。
これにより、第1国に属する人の健康関連情報及び第1国に関する統計情報に基づいてモデルを作成し、第2国に属する対象人の判定を精度よく行うことができる。
即ち例えば、高統計な健康関連情報のある第1国のデータに基づいて学習を行い、第1国とは異なる統計データを有する第2国の対象人の判定を精度よく行うことができる。
前記第1種スコア算出手段は、前記2母集団における前記生命表と、前記第2母集団における前記対象人の位置とに基づいて、前記対象人の寿命に関するスコアを前記第1種スコアとして算出する、ことができる。
をさらに備えることができる。
統計情報取得手段は、前記対象人が属する前記第2母集団における前記第2統計情報をさらに取得し、
前記健康関連情報取得手段により取得された前記対象人の前記健康関連情報を前記健康状態モデルに入力した結果として出力される前記指標と、取得された前記第2統計情報とに基づいて、前記対象人の前記所定の健康状態に関する第2種スコアを算出する第2種スコア算出手段と、
をさらに備え、
前記情報提供制御手段は、さらに前記第2種スコアを含む前記情報を前記対象人の前記端末に提供する制御を実行する、ことができる。
前記第2種スコアは、前記1以上の健康状態の夫々に関するスコアを含む、ことができる。
をさらに備え、
前記情報提供制御手段は、さらに前記改善活動に関する情報を含む前記情報を前記対象人の前記端末に提供する制御を実行する、ことができる。
Claims (11)
- 第1母集団に属する複数の人の夫々についての健康関連情報と、当該第1母集団における寿命についての第1統計情報とを用いる学習により得られたモデルであって、対象人の前記健康関連情報を入力すると当該対象人の寿命に関する指標を出力するモデルを、全死亡モデルとして取得するモデル取得手段と、
前記対象人が属する第2母集団における前記第1統計情報を取得する統計情報取得手段と、
前記対象人の前記健康関連情報を取得する健康関連情報取得手段と、
取得された前記健康関連情報を前記全死亡モデルに入力した結果として出力される前記指標と、取得された前記第1統計情報とに基づいて、前記対象人の寿命に関する第1種スコアを算出する第1種スコア算出手段と、
を備える情報処理装置。 - 前記健康関連情報は、背景情報、健康診断情報、リスク因子情報、生活習慣情報、家族歴情報のうち少なくとも1つを含む、
請求項1に記載の情報処理装置。 - 前記第1統計情報は、寿命の生命表の情報を少なくとも含む、
請求項2に記載の情報処理装置。 - 前記寿命に関する前記指標は、母集団の推定寿命の分布における前記対象人についての位置であり、
前記第1種スコア算出手段は、前記第2母集団における前記生命表と、前記第2母集団における前記対象人の位置とに基づいて、前記対象人の寿命に関するスコアを前記第1種スコアとして算出する、
請求項3に記載の情報処理装置。 - 前記第1種スコア算出手段は、前記第2母集団における前記生命表と、前記第2母集団における前記対象人の位置とに基づいて、前記対象人の残存寿命を予測し、予測された前記対象人の残存寿命に対して、前記第2母集団における前記対象人と同年齢の平均寿命で除算した値を前記第1種スコアとして算出する、
請求項4に記載の情報処理装置。 - 前記第1種スコアを含む情報を前記対象人の端末に提供する制御を実行する情報提供制御手段、
をさらに備える請求項1に記載の情報処理装置。 - 前記モデル取得手段は、前記第1母集団に属する前記複数の人の夫々についての前記健康関連情報と、前記第1母集団における所定の健康状態についての第2統計情報とを用いる学習により得られたモデルであって、対象人の前記健康関連情報を入力すると当該対象人の前記所定の健康状態に関する指標を出力するモデルを、健康状態モデルとしてさらに取得し、
統計情報取得手段は、前記対象人が属する前記第2母集団における前記第2統計情報をさらに取得し、
前記健康関連情報取得手段により取得された前記対象人の前記健康関連情報を前記健康状態モデルに入力した結果として出力される前記指標と、取得された前記第2統計情報とに基づいて、前記対象人の前記所定の健康状態に関する第2種スコアを算出する第2種スコア算出手段と、
をさらに備え、
前記情報提供制御手段は、さらに前記第2種スコアを含む前記情報を前記対象人の前記端末に提供する制御を実行する、
請求項6に記載の情報処理装置。 - 前記所定の健康状態は、疾患、コンセプト解釈及び複合概念のうち少なくとも1以上の健康状態であって、
前記第2種スコアは、前記1以上の健康状態の夫々に関するスコアを含む、
請求項7に記載の情報処理装置。 - 前記全死亡モデル及び前記健康状態モデルの夫々の出力結果のうち少なくとも一部に基づいて、前記第1種スコアを改善するための前記対象人が行うべき活動を示す改善活動に関する情報を生成する改善活動情報生成手段、
をさらに備え、
前記情報提供制御手段は、さらに前記改善活動に関する情報を含む前記情報を前記対象人の前記端末に提供する制御を実行する、
請求項8に記載の情報処理装置。 - 情報処理装置が実行する情報処理方法であって、
第1母集団に属する複数の人の夫々についての健康関連情報と、当該第1母集団における寿命についての第1統計情報とを用いる学習により得られたモデルであって、対象人の前記健康関連情報を入力すると当該対象人の寿命に関する指標を出力するモデルを、全死亡モデルとして取得するモデル取得ステップと、
前記対象人が属する第2母集団における前記第1統計情報を取得する統計情報取得ステップと、
前記対象人の前記健康関連情報を取得する健康関連情報取得ステップと、
取得された前記健康関連情報を前記全死亡モデルに入力した結果として出力される前記指標と、取得された前記第1統計情報とに基づいて、前記対象人の寿命に関する第1種スコアを算出する第1種スコア算出ステップと、
を含む情報処理方法。 - コンピュータに、
第1母集団に属する複数の人の夫々についての健康関連情報と、当該第1母集団における寿命についての第1統計情報とを用いる学習により得られたモデルであって、対象人の前記健康関連情報を入力すると当該対象人の寿命に関する指標を出力するモデルを、全死亡モデルとして取得するモデル取得ステップと、
前記対象人が属する第2母集団における前記第1統計情報を取得する統計情報取得ステップと、
前記対象人の前記健康関連情報を取得する健康関連情報取得ステップと、
取得された前記健康関連情報を前記全死亡モデルに入力した結果として出力される前記指標と、取得された前記第1統計情報とに基づいて、前記対象人の寿命に関する第1種スコアを算出する第1種スコア算出ステップと、
を含む制御処理を実行させるプログラム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021200678 | 2021-12-10 | ||
JP2021200678 | 2021-12-10 | ||
PCT/JP2022/029350 WO2023105848A1 (ja) | 2021-12-10 | 2022-07-29 | 情報処理装置、情報処理方法、及びプログラム |
JPPCT/JP2022/029350 | 2022-07-29 | ||
PCT/JP2022/045710 WO2023106423A1 (ja) | 2021-12-10 | 2022-12-12 | 情報処理装置、情報処理方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2023106423A1 JPWO2023106423A1 (ja) | 2023-06-15 |
JP7387944B2 true JP7387944B2 (ja) | 2023-11-28 |
Family
ID=86730038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023533327A Active JP7387944B2 (ja) | 2021-12-10 | 2022-12-12 | 情報処理装置、情報処理方法、及びプログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7387944B2 (ja) |
WO (2) | WO2023105848A1 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021012603A (ja) | 2019-07-08 | 2021-02-04 | 合同会社H.U.グループ中央研究所 | 情報処理装置、情報処理方法、プログラム及び学習済みモデルの生成方法 |
-
2022
- 2022-07-29 WO PCT/JP2022/029350 patent/WO2023105848A1/ja unknown
- 2022-12-12 JP JP2023533327A patent/JP7387944B2/ja active Active
- 2022-12-12 WO PCT/JP2022/045710 patent/WO2023106423A1/ja active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021012603A (ja) | 2019-07-08 | 2021-02-04 | 合同会社H.U.グループ中央研究所 | 情報処理装置、情報処理方法、プログラム及び学習済みモデルの生成方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023105848A1 (ja) | 2023-06-15 |
WO2023106423A1 (ja) | 2023-06-15 |
JPWO2023106423A1 (ja) | 2023-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104166667B (zh) | 分析系统以及保健事业支援方法 | |
US8744867B2 (en) | Method for selecting a clinical treatment plan tailored to patient defined health goals | |
US8579784B2 (en) | Personalized prognosis modeling in medical treatment planning | |
US20120271612A1 (en) | Predictive modeling | |
Dick et al. | Forecasting nursing home utilization of elderly Americans | |
JP6901308B2 (ja) | データ分析支援システム及びデータ分析支援方法 | |
JP6282783B2 (ja) | 分析システム及び分析方法 | |
CN112542242A (zh) | 数据转换/症状评分 | |
EP3718116B1 (en) | Apparatus for patient data availability analysis | |
Einzinger et al. | The GAP-DRG model: Simulation of outpatient care for comparison of different reimbursement schemes | |
JP7387944B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
JP2006163489A (ja) | 発症確率算出装置、および、プログラム | |
JP7300973B2 (ja) | 保健医療データ分析システム及び保健医療データ分析方法 | |
KR20220076618A (ko) | 질병 예측 장치, 방법 및 기록 매체 | |
KR20210084231A (ko) | 질환별 발생예측값 분포를 활용한 보험 설계 상담 서비스 시스템 | |
KR102476612B1 (ko) | 인공지능에 기반한 심리 맞춤 솔루션 제공 방법 및 시스템 | |
Xao et al. | Fasting blood glucose change prediction model based on medical examination data and data mining techniques | |
KR101274431B1 (ko) | 설문 정보를 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법 | |
JP4499542B2 (ja) | 医療情報処理装置、および、プログラム | |
US20220027783A1 (en) | Method of and system for generating a stress balance instruction set for a user | |
JP2016218966A (ja) | 分析システム、及び、分析方法 | |
JP7422651B2 (ja) | 情報処理システム及び選択支援方法 | |
KR102666450B1 (ko) | 디지털 트윈 기반의 가상 세계에서 가상 의료 서비스를 제공하는 방법 및 학습 방법과 이를 이용한 컴퓨팅 장치 | |
JP7462556B2 (ja) | 患者データ有効性解析のための装置 | |
Menasalvas-Ruiz et al. | OncoCall: Analyzing the Outcomes of the Oncology Telephone Patient Assistance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230531 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230531 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230801 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230912 |
|
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: 20231017 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231115 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7387944 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |