JPWO2007066589A1 - 近赤外分光を用いた生活習慣病に関する検査・診断法および装置 - Google Patents
近赤外分光を用いた生活習慣病に関する検査・診断法および装置 Download PDFInfo
- Publication number
- JPWO2007066589A1 JPWO2007066589A1 JP2007549101A JP2007549101A JPWO2007066589A1 JP WO2007066589 A1 JPWO2007066589 A1 JP WO2007066589A1 JP 2007549101 A JP2007549101 A JP 2007549101A JP 2007549101 A JP2007549101 A JP 2007549101A JP WO2007066589 A1 JPWO2007066589 A1 JP WO2007066589A1
- Authority
- JP
- Japan
- Prior art keywords
- analysis
- inspection
- wavelength
- wavelengths
- determination
- 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.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 66
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003745 diagnosis Methods 0.000 title claims description 51
- 238000004497 NIR spectroscopy Methods 0.000 title description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 171
- 238000000862 absorption spectrum Methods 0.000 claims abstract description 44
- 238000002835 absorbance Methods 0.000 claims abstract description 17
- 241001465754 Metazoa Species 0.000 claims abstract description 5
- 238000007689 inspection Methods 0.000 claims description 58
- 206010012601 diabetes mellitus Diseases 0.000 claims description 56
- 208000017169 kidney disease Diseases 0.000 claims description 38
- 230000008085 renal dysfunction Effects 0.000 claims description 29
- 210000002966 serum Anatomy 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 23
- 230000003908 liver function Effects 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 9
- 208000019423 liver disease Diseases 0.000 claims description 8
- 238000004611 spectroscopical analysis Methods 0.000 claims description 8
- 210000004369 blood Anatomy 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 7
- 230000005976 liver dysfunction Effects 0.000 claims description 7
- 230000001678 irradiating effect Effects 0.000 claims description 6
- 208000031226 Hyperlipidaemia Diseases 0.000 claims description 5
- 208000019622 heart disease Diseases 0.000 claims description 5
- 210000002381 plasma Anatomy 0.000 claims description 5
- 206010018364 Glomerulonephritis Diseases 0.000 claims description 4
- 206010020772 Hypertension Diseases 0.000 claims description 4
- 208000010159 IgA glomerulonephritis Diseases 0.000 claims description 4
- 206010021263 IgA nephropathy Diseases 0.000 claims description 4
- 208000008589 Obesity Diseases 0.000 claims description 4
- 208000006011 Stroke Diseases 0.000 claims description 4
- 210000001124 body fluid Anatomy 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 235000020824 obesity Nutrition 0.000 claims description 4
- 210000002700 urine Anatomy 0.000 claims description 4
- 239000010839 body fluid Substances 0.000 claims description 3
- 210000005069 ears Anatomy 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 62
- 238000012360 testing method Methods 0.000 description 24
- 238000000491 multivariate analysis Methods 0.000 description 19
- 238000001228 spectrum Methods 0.000 description 19
- 238000005259 measurement Methods 0.000 description 17
- 230000036541 health Effects 0.000 description 11
- 208000007342 Diabetic Nephropathies Diseases 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 10
- 208000033679 diabetic kidney disease Diseases 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 208000024891 symptom Diseases 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 101710098398 Probable alanine aminotransferase, mitochondrial Proteins 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 101710107035 Gamma-glutamyltranspeptidase Proteins 0.000 description 2
- 101710173228 Glutathione hydrolase proenzyme Proteins 0.000 description 2
- 238000009534 blood test Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 102000006640 gamma-Glutamyltransferase Human genes 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000012628 principal component regression Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 208000023275 Autoimmune disease Diseases 0.000 description 1
- 108010076282 Factor IX Proteins 0.000 description 1
- 108010080865 Factor XII Proteins 0.000 description 1
- 102000000429 Factor XII Human genes 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 239000004793 Polystyrene Substances 0.000 description 1
- 102000003929 Transaminases Human genes 0.000 description 1
- 108090000340 Transaminases Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 229930195712 glutamate Natural products 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 208000004396 mastitis Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- KHPXUQMNIQBQEV-UHFFFAOYSA-N oxaloacetic acid Chemical compound OC(=O)CC(=O)C(O)=O KHPXUQMNIQBQEV-UHFFFAOYSA-N 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 229920002223 polystyrene Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 210000001082 somatic cell Anatomy 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000000439 tumor marker Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biochemistry (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本発明は、波長４００ｎｍ〜２５００ｎｍの範囲またはその一部範囲の波長光を被検者その他動物由来の検体試料に照射し、その反射光、透過光または透過反射光を検出して吸光度スペクトルデータを得た後、その中の測定全波長あるいは特定波長の吸光度を、予め作成した解析モデルを用いて解析することによって生活習慣病に関する検査・診断を行う方法および装置である。
Description
本発明は、近赤外分光法により生活習慣病に関する検査・診断を行う方法、及び同方法に使用する装置に関するものである。
現在、健康診断を行う場合には病院に行って血液検査などがされた後、即座に結果は返ってこない。検査の技術は発展に伴い、迅速性に対する要求が高まりつつある。
健康診断の目的として、ケースファインデイング（疾病の早期発見〉を基礎とした個人の健康の保持・増進がある。疾病の早期発見と適切な管理、健康状態に応じた就業上の措置、健康づくりなどを内容とし、個人の健康を守るという第一義的な目的である。また他にも、集団としての健康度の把握がある。健康診断の結果を集団的に評価し、健康への影響因子を分析し、その集団別に応じた健康管理対策または労働衛生的な対策を講ずる。
糖尿病、脳卒中、心臓病、高血圧、肥満、高脂血症、および糖尿病性腎症などを総称して生活習慣病といい、これらの症状のうち何れか一つの症状が認められると、生活習慣病と判断される。これらのうち一つでも症状が出た場合は引き続いて他の症状が出る場合が多いので、早期発見と治療が重要である。
ところで最近では、種々の分野で近赤外線を用いた成分分析が行われている。例えば、可視光及び／又は近赤外線を試料に照射して、特定成分に吸収される波長帯を検出することで、前記特定成分を定量分析することが行われている。
これは、例えば石英セル中に試料を注入し、これに近赤外分光器（例えば、ニレコ社製近赤外分光器NIRSystem6500）を用いて、４００ｎｍ〜２５００ｎｍの波長範囲の可視光及び／又は近赤外線を照射して、その透過光、反射光、又は透過反射光を分析することで行う。
一般に、近赤外線は、物質の吸光係数が非常に小さく散乱を受け難く、エネルギーの低い電磁波であるので、試料にダメージを与えることなく化学的・物理的情報を得ることができる。
そのために、試料からの透過光等を検出して、試料の吸光度データを求めて、得られた吸光度データを多変量解析することで、直ちに試料の情報を得ることができ、例えば生体分子の構造や機能の変化の過程を直接的にまたリアルタイムに捉えることができる。
このような近赤外線分光法に関する従来技術として、下記の特許文献１・２記載のものが挙げられる。特許文献１には、可視−近赤外線を用いて被検体から情報を得る方法、具体的には、未知の被検体が属する群を判別する方法、未知の被検体を同定する方法、及び被検体における経時変化をリアルタイムでモニターする方法が開示されている。
特許文献２には、可視光及び／又は近赤外線領域における水分子の吸収バンドを用いて、得られた吸光度データを多変量解析することで、牛乳または乳房中の体細胞を測定して牛の乳房炎の診断を行う方法が開示されている。その他の従来技術として、非特許文献１には、生活習慣病の臨床症状およびアジア太平洋地域における生活習慣病患者の現状について開示されている。
Cockram CS. The epidemiology of diabetes mellitus in the Asia-Pacific region. Hong Kong Med J. 2000, 6:43-52.
特開２００２−５８２７号公報（第１−９頁、第１図）
国際公開ＷＯ０１／７５４２０号公報（第１−５頁、第１図）
前述のように、生活習慣病に関する検査・診断において、簡易、迅速かつ高精度な検査・診断法が求められている。特に、大量の検体を一斉に検査する必要がある場合などには、このような簡易迅速な検査法開発の要請が高い。
そこで、本発明は、近赤外線分光法を使用して、簡易、迅速かつ高精度に生活習慣病に関する検査・診断を行うための新規な方法および装置を提供することをその課題とする。
本発明者は、上記の課題に鑑み鋭意研究を進めた結果、近赤外線分光法によって生活習慣病に関する検査・診断が可能であること、特に、可視光−近赤外線（ＶＩＳ−ＮＩＲ）スペクトルの測定方法、および、得られたスペクトルデータの解析方法を工夫して解析モデルを作成することにより、当該解析モデルを用いた良好な検査・診断が可能であること、等を見出し、本発明を完成させるに至った。
即ち、本発明に係る方法ならびに装置は、波長４００ｎｍ〜２５００ｎｍの範囲またはその一部範囲の波長光を被検者その他動物由来の検体試料に照射し、その反射光、透過光または透過反射光を検出して吸光度スペクトルデータを得た後、その中の測定全波長あるいは特定波長の吸光度を、予め作成した解析モデルを用いて解析することによって定量的または定性的に生活習慣病に関する検査・判定（診断）を行うことを特徴としている。
例えば、ＰＬＳ法などの回帰分析により作成した定量モデル、あるいはＳＩＭＣＡ法などのクラス判別解析により作成した定性モデルを用いて、生活習慣病に関する検査・判定を行う。ここで、生活習慣病に関する検査・判定とは、糖尿病、腎症等の腎機能障害、肝機能障害、高血圧、高脂血症、肥満、心臓病および脳卒中のうち１又は２以上の検査項目について、その罹患の有無もしくは程度、または発症の危険の有無もしくは高低に関する少なくとも１つの検査・判定を行うことを意味する。
特に生活習慣病に関する複数の項目を検査・判定する場合には、検体試料は、血液（血漿・血清を含む）、尿、その他の体液、組織、組織抽出液、または、耳、手足の指先など生体の一部であることが好ましい。例えば、採取した血液または指先等の生体の一部を検体として近赤外線分光法によりそのスペクトルデータを取得・解析することによって、複数の項目について簡易迅速に検査可能である。さらに、得られたスペクトルデータをもとに生活習慣病以外の項目について同時に検査することとしてもよい。
後述のように、糖尿病に関する検査・判定において、817ｎｍ、921-959ｎｍ、987-1004ｎｍ、1008-1018ｎｍ、1028ｎｍ、および1040ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことは好ましく、糖尿病性腎機能障害に関する検査・判定において、835ｎｍ、908-912ｎｍ、917-963ｎｍ、993-1002ｎｍ、1008-1034ｎｍ、1040ｎｍ、および1060ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことは好ましく、また、糖尿病性腎機能障害以外の腎症（腎硬化症、糸球体腎炎、IgA腎症、およびその他の腎症）に関する検査・判定において、914-915ｎｍ、919-967ｎｍ、994ｎｍ、1008ｎｍ、1012-1014ｎｍ、1018ｎｍ、1024ｎｍ、1030ｎｍ、および1034ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことは好ましい。さらに、肝機能異常に関する検査・判定において、667-679ｎｍ、917-955ｎｍ、975-1005ｎｍ、および1083-1085ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことは好ましい。尚、これらの検査・判定において、上記範囲以外の他の波長の吸光度スペクトルデータを併用して解析を行ってもよい。
本発明に係る解析モデルは、上記本発明の方法または装置において使用されるものである。また、本発明に係る生活習慣病の検査・診断用プログラムは、この解析モデルの作成、更新、または作成した解析モデルを用いた検査・診断をコンピュータに実行させるものである。
例えば、ＰＬＳ法などの回帰分析により作成した定量モデル、あるいはＳＩＭＣＡ法などのクラス判別解析により作成した定性モデルを用いて、生活習慣病に関する検査・判定を行う。ここで、生活習慣病に関する検査・判定とは、糖尿病、腎症等の腎機能障害、肝機能障害、高血圧、高脂血症、肥満、心臓病および脳卒中のうち１又は２以上の検査項目について、その罹患の有無もしくは程度、または発症の危険の有無もしくは高低に関する少なくとも１つの検査・判定を行うことを意味する。
特に生活習慣病に関する複数の項目を検査・判定する場合には、検体試料は、血液（血漿・血清を含む）、尿、その他の体液、組織、組織抽出液、または、耳、手足の指先など生体の一部であることが好ましい。例えば、採取した血液または指先等の生体の一部を検体として近赤外線分光法によりそのスペクトルデータを取得・解析することによって、複数の項目について簡易迅速に検査可能である。さらに、得られたスペクトルデータをもとに生活習慣病以外の項目について同時に検査することとしてもよい。
後述のように、糖尿病に関する検査・判定において、817ｎｍ、921-959ｎｍ、987-1004ｎｍ、1008-1018ｎｍ、1028ｎｍ、および1040ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことは好ましく、糖尿病性腎機能障害に関する検査・判定において、835ｎｍ、908-912ｎｍ、917-963ｎｍ、993-1002ｎｍ、1008-1034ｎｍ、1040ｎｍ、および1060ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことは好ましく、また、糖尿病性腎機能障害以外の腎症（腎硬化症、糸球体腎炎、IgA腎症、およびその他の腎症）に関する検査・判定において、914-915ｎｍ、919-967ｎｍ、994ｎｍ、1008ｎｍ、1012-1014ｎｍ、1018ｎｍ、1024ｎｍ、1030ｎｍ、および1034ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことは好ましい。さらに、肝機能異常に関する検査・判定において、667-679ｎｍ、917-955ｎｍ、975-1005ｎｍ、および1083-1085ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことは好ましい。尚、これらの検査・判定において、上記範囲以外の他の波長の吸光度スペクトルデータを併用して解析を行ってもよい。
本発明に係る解析モデルは、上記本発明の方法または装置において使用されるものである。また、本発明に係る生活習慣病の検査・診断用プログラムは、この解析モデルの作成、更新、または作成した解析モデルを用いた検査・診断をコンピュータに実行させるものである。
本発明によれば、客観的、簡易迅速かつ高精度に生活習慣病に関する検査・診断が可能である。簡易迅速であるため、大量の検体を一斉に検査する必要がある場合などに特に有用である。
本発明によれば、たとえば血漿・血清など血液由来の試料を使用して、生活習慣病の診断が可能である。そのほか、試料には、尿その他の体液、耳や手足の指先など生体の一部を検体として、生体を傷つけることなく非侵襲的に検査することも可能である。
このように本発明によれば、血液、血清、血漿などといった疾病の部位（局所）とは直接関連のない検体を解析することにより、疾病の存在が明らかでない状態の中で、生活習慣病に関する諸疾患の検査・診断が可能である。また現在、人間ドックなどでの生活習慣病を中心とした諸疾患の検査においては、糖尿病は血糖値、肝疾患はＧＯＴやＧＰＴ、癌は腫瘍マーカー、自己免疫疾患は自己抗体といった具合に、既知の物質に関する血液検査が行われている。これに対して、本発明は、近赤外線分光法により検体のスペクトルデータを取得し解析することによって複数の項目について簡易迅速に検査可能であり、また、現状はまだ見つかっていない疾病に密接に関連する物質の有無や変化についても検討が可能となり、生活習慣病に関する諸疾患、さらに他の疾患のスクリーニング検査として極めて有用である。
本発明によれば、たとえば血漿・血清など血液由来の試料を使用して、生活習慣病の診断が可能である。そのほか、試料には、尿その他の体液、耳や手足の指先など生体の一部を検体として、生体を傷つけることなく非侵襲的に検査することも可能である。
このように本発明によれば、血液、血清、血漿などといった疾病の部位（局所）とは直接関連のない検体を解析することにより、疾病の存在が明らかでない状態の中で、生活習慣病に関する諸疾患の検査・診断が可能である。また現在、人間ドックなどでの生活習慣病を中心とした諸疾患の検査においては、糖尿病は血糖値、肝疾患はＧＯＴやＧＰＴ、癌は腫瘍マーカー、自己免疫疾患は自己抗体といった具合に、既知の物質に関する血液検査が行われている。これに対して、本発明は、近赤外線分光法により検体のスペクトルデータを取得し解析することによって複数の項目について簡易迅速に検査可能であり、また、現状はまだ見つかっていない疾病に密接に関連する物質の有無や変化についても検討が可能となり、生活習慣病に関する諸疾患、さらに他の疾患のスクリーニング検査として極めて有用である。
以下では、本発明の実施の一形態として、生活習慣病に関する検査・診断を行う装置（以下、「本装置」という。）について、図面を参照しながら説明する。
〔１〕本装置によるＶＩＳ−ＮＩＲスペクトル測定とデータの解析方法
［1. 1］ＶＩＳ−ＮＩＲスペクトル測定の概略
本装置による検査・診断は、本発明の方法を採用し、即ち、（ａ）波長４００ｎｍ〜２５００ｎｍの範囲またはその一部範囲の波長光を被検者その他動物由来の検体試料に照射し、（ｂ）その反射光、透過光または透過反射光を検出して吸光度スペクトルデータを得た後、（ｃ）その中の測定全波長あるいは特定波長の吸光度を、予め作成した解析モデルを用いて解析することによって生活習慣病に関する検査・判定を行う。
［1. 1］ＶＩＳ−ＮＩＲスペクトル測定の概略
本装置による検査・診断は、本発明の方法を採用し、即ち、（ａ）波長４００ｎｍ〜２５００ｎｍの範囲またはその一部範囲の波長光を被検者その他動物由来の検体試料に照射し、（ｂ）その反射光、透過光または透過反射光を検出して吸光度スペクトルデータを得た後、（ｃ）その中の測定全波長あるいは特定波長の吸光度を、予め作成した解析モデルを用いて解析することによって生活習慣病に関する検査・判定を行う。
本装置の第１の特徴点は、客観的、簡易迅速かつ高精度に生活習慣病に関する診断を行う点にある。検体試料に照射する波長の範囲は、４００ｎｍ〜２５００ｎｍの範囲またはその一部の範囲（例えば６００〜１１００ｎｍ）である。この波長の範囲は、解析モデルを作成した後、この解析モデルによる検査・判定に必要な波長光を含む、１又は複数の波長域として設定することができる。
光源としては、ハロゲンランプ・ＬＥＤ等を使用できるが、特に限定されるものではない。光源から発せられた光は、直接またはファイバープローブ等の投光手段を介して検体試料に照射される。後述のように、試料に照射する前に分光器によって分光する前分光方式を採用してもよいし、照射後に分光する後分光方式を採用してもよい。前分光方式の場合は、光源からの光をプリズムで一度に同時に分光する方法と、回折格子のスリット間隔を変化させることにより連続的に波長を変化させる方法とがある。後者の方法の場合には、光源からの光を所定の波長幅で分解することによって、連続的に波長を変化させた連続波長光が試料に照射される。後述の実施例では、６００〜１１００ｎｍの範囲の波長光を波長分解能２ｎｍで分解し、波長を２ｎｍずつ連続的に変化させた光を試料に照射している。
試料に照射された光の反射光、透過光または透過反射光が検出器により検出され、生の吸光度スペクトルデータが得られる。生の吸光度スペクトルデータをそのまま使用して解析モデルによる検査・判定を行ってもよいが、得られたスペクトル中のピークを分光学的手法あるいは多変量解析手法により要素ピークに分解するなどのデータ変換処理を行い、変換後の吸光度スペクトルデータを使用して解析モデルによる検査・判定を行うことが好ましい。分光学的手法としては、例えば、２次微分処理やフーリエ変換があり、多変量解析手法としてはウェブレット変換、ニューラルネットワーク法等が例示されるが、特に限定されるものではない。
［1. 2］データの解析方法（解析モデルの作成）
本装置は、上述のようにして得られた吸光度スペクトルデータの中の特定波長（または測定全波長）の吸光度を解析モデルで解析することによって、生活習慣病の検査・診断を行う。つまり、最終的な検査・診断を行うには、解析モデルが予め作成されていることを要する。もっとも、この解析モデルはスペクトル測定時にあわせて作成することとしてもよい。
本装置は、上述のようにして得られた吸光度スペクトルデータの中の特定波長（または測定全波長）の吸光度を解析モデルで解析することによって、生活習慣病の検査・診断を行う。つまり、最終的な検査・診断を行うには、解析モデルが予め作成されていることを要する。もっとも、この解析モデルはスペクトル測定時にあわせて作成することとしてもよい。
すなわち、解析モデルは測定前に予め作成しておくことが望ましいが、測定時に取得するスペクトルデータを解析モデル作成用と検査・診断用とに２分割し、解析モデル作成用データをもとに得られた解析モデルを使用して検査・診断を行ってもよい。例えば、大量の検体を一斉に検査する場合、検体試料の一部を解析モデル作成用とする。この場合は、測定時に解析モデルを作成することになる。この手法では教師データが無くても解析モデルを作成できる。定量および定性モデルの両方に対応可能である。
解析モデルは多変量解析によって作成可能である。例えば、生活習慣病に関する検査として、糖尿病、腎症、肝機能障害を予測する場合、スペクトル測定により取得した全波長の吸収スペクトルを格納するデータ行列を特異値分解によりスコアとローディングとに分解し、試料中の罹患の有無や程度（症状の進行度または重症度）の差異を要約する主成分を抽出する（主成分分析）。これにより、共線性（＝説明変量間の相関が高いこと）の少ない独立な成分を重回帰分析に使用できるようになる。そして説明変量をスコア、目的変量を罹患の有無や程度とする重回帰分析を適用する。これにより、測定全波長あるいは特定波長の吸収スペクトルから罹患の有無や程度を推定する解析モデルを作成できる。これら一連の作業（多変量解析）は主成分回帰法（ＰＣＲ: Principal Component Regression）あるいはＰＬＳ（Partial Least Squares）回帰法として確立されている（参考文献：尾崎幸洋、宇田明史、赤井俊男「化学者のための多変量解析−ケモメトリックス入門」、講談社、2002年）。回帰分析法としてはこのほかにＣＬＳ（Classical Least Squares）法、クロスバリデーション法などが挙げられる。
上記方法は定量的解析モデル作成の場合であったが、定性的解析モデルの作成には、クラス判別用の主成分分析法（ＰＣＡ：Principal Component Analysis）、ＳＩＭＣＡ法（soft independent modeling of class analogy）、ＫＮＮ法（k nearest neighbors）等の多変量解析を適用することができる。ＳＩＭＣＡ法は、複数のグループ（クラス）についてそれぞれ主成分分析を行い、各クラスの主成分モデルを作成する。そして、未知試料が各クラスの主成分モデルに対して比べられ、その未知試料が一番適合する主成分モデルのクラスに割り当てられる。また、ＳＩＭＣＡ法などのクラス判別解析は、パターン認識により吸収スペクトルや回帰ベクトルを各クラスに分類する方法ということができる。
上記ＳＩＭＣＡ法やＰＬＳ法などの多変量解析を使用した解析モデルの作成は、自作ソフトや市販の多変量解析ソフトを用いて行うことができる。また、生活習慣病の検査・診断用プログラムとして使用目的に特化したソフトの作成により、迅速な解析が可能になる。
このような多変量解析ソフトを用いて組み立てられた解析モデルをファイルとして保存しておき、未知試料の検査・診断時にこのファイルを呼び出し、未知試料に対して解析モデルを用いた定量的または定性的な検査・診断を行う。これにより、簡易迅速な生活習慣病の検査・診断が可能になる。なお解析モデルは、定量モデル、定性モデルなど複数の解析モデルをファイルとして保存しておき、各モデルは適宜更新されることが好ましい。
このように、本発明の検査・診断用プログラム（解析ソフト）は、解析モデルの作成、更新、あるいは、作成した解析モデルを用いてサンプルのスペクトルデータから生活習慣病に関する検査・診断をコンピュータに実行させるものである。本発明のプログラムは、これを記録した、コンピュータで読み取り可能な記録媒体として提供することができる。このような記録媒体としては、フレキシブルディスク、ハードディスク、磁気テープ等の磁気記憶媒体、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭ、ＤＶＤ−ＲＷ等の光学記憶媒体、ＲＡＭやＲＯＭ等の電気記憶媒体、およびＭＯ等の磁気／光学記憶媒体を例示することができるが、これらに限定されるものではない。
解析モデルが作成されれば、当該解析モデルによる検査・診断に必要な波長光が決定される。本装置は、こうして決定された１又は複数の波長域を試料に照射する構成とすることで装置構成をより単純化することができる。
尚、解析の結果、糖尿病に関する検査・判定において、817ｎｍ、921-959ｎｍ、987-1004ｎｍ、1008-1018ｎｍ、1028ｎｍ、1040ｎｍが検査に有効な波長と判断されたので、これら各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上（好ましくは２〜１５個もしくは５〜１０個程度）の波長の吸光度スペクトルデータを用いた解析によって糖尿病に関する検査を行うことは好ましい。また、糖尿病性腎機能障害に関する検査・判定において、835ｎｍ、908-912ｎｍ、917-963ｎｍ、993-1002ｎｍ、1008-1034ｎｍ、1040ｎｍ、1060ｎｍが検査に有効な波長と判断されたので、これら各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上（好ましくは２〜１５個もしくは５〜１０個程度）の波長の吸光度スペクトルデータを用いた解析によって糖尿病性腎機能障害に関する検査を行うことは好ましい。さらに、糖尿病性腎機能障害以外の腎症（腎硬化症、糸球体腎炎、IgA腎症、およびその他の腎症）に関する検査・判定において、914-915ｎｍ、919-967ｎｍ、994ｎｍ、1008ｎｍ、1012-1014ｎｍ、1018ｎｍ、1024ｎｍ、1030ｎｍ、1034ｎｍが検査に有効な波長と判断されたので、これら各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上（好ましくは２〜１５個もしくは５〜１０個程度）の波長の吸光度スペクトルデータを用いた解析によって糖尿病性腎機能障害以外の腎症に関する検査を行うことは好ましい。また、肝機能異常に関する検査・判定において、667-679ｎｍ、917-955ｎｍ、975-1005ｎｍ、1083-1085ｎｍが検査に有効な波長と判断されたので、これら各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上（好ましくは２〜１５個もしくは５〜１０個程度）の波長の吸光度スペクトルデータを用いた解析によって肝機能異常に関する検査を行うことは好ましい。これらの検査において、解析モデルは、選ばれた複数の波長の吸光度スペクトルデータをもとにして、あるいは更に他の波長の吸光度スペクトルデータをも追加して解析を行う。
尚、解析の結果、糖尿病に関する検査・判定において、817ｎｍ、921-959ｎｍ、987-1004ｎｍ、1008-1018ｎｍ、1028ｎｍ、1040ｎｍが検査に有効な波長と判断されたので、これら各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上（好ましくは２〜１５個もしくは５〜１０個程度）の波長の吸光度スペクトルデータを用いた解析によって糖尿病に関する検査を行うことは好ましい。また、糖尿病性腎機能障害に関する検査・判定において、835ｎｍ、908-912ｎｍ、917-963ｎｍ、993-1002ｎｍ、1008-1034ｎｍ、1040ｎｍ、1060ｎｍが検査に有効な波長と判断されたので、これら各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上（好ましくは２〜１５個もしくは５〜１０個程度）の波長の吸光度スペクトルデータを用いた解析によって糖尿病性腎機能障害に関する検査を行うことは好ましい。さらに、糖尿病性腎機能障害以外の腎症（腎硬化症、糸球体腎炎、IgA腎症、およびその他の腎症）に関する検査・判定において、914-915ｎｍ、919-967ｎｍ、994ｎｍ、1008ｎｍ、1012-1014ｎｍ、1018ｎｍ、1024ｎｍ、1030ｎｍ、1034ｎｍが検査に有効な波長と判断されたので、これら各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上（好ましくは２〜１５個もしくは５〜１０個程度）の波長の吸光度スペクトルデータを用いた解析によって糖尿病性腎機能障害以外の腎症に関する検査を行うことは好ましい。また、肝機能異常に関する検査・判定において、667-679ｎｍ、917-955ｎｍ、975-1005ｎｍ、1083-1085ｎｍが検査に有効な波長と判断されたので、これら各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上（好ましくは２〜１５個もしくは５〜１０個程度）の波長の吸光度スペクトルデータを用いた解析によって肝機能異常に関する検査を行うことは好ましい。これらの検査において、解析モデルは、選ばれた複数の波長の吸光度スペクトルデータをもとにして、あるいは更に他の波長の吸光度スペクトルデータをも追加して解析を行う。
以上説明した解析モデル作成ステップ、および解析モデルによる生活習慣病の検査・診断ステップをまとめたものが図１に示される。解析モデル作成ステップでは、たとえば健常者血清と生活習慣病患者血清をサンプルに使用して近赤外分光測定、続いて得られたスペクトルデータの前処理を行う。そして、既存の生活習慣病検査・診断結果を参照しながら多変量解析を行い、解析モデルを作成する。こうして作成した解析モデルを用いて未知サンプルの生活習慣病に関する検査・診断を行い、あるいは解析モデルの作成に使用したデータ（波長情報）を含めて生活習慣病の検査・診断を行うことで、解析モデルを評価することができる。以前作成した解析モデルよりも評価の高い解析モデルが得られれば、更新するなどして適宜モデルを再構築すればよい。
後述の実施例では、１０倍程度に希釈した血清を検体試料に使用し、１つの試料につき３回連続照射にて各々得られた３つの吸光度データを使用して解析モデルを作成した。このような方法で解析モデルを作成することができ、また、同様の方法で未知試料のスペクトル測定を行い、得られた吸光度データを当該解析モデルにより解析することで生活習慣病に関する検査・診断が可能である。
後述の実施例では、１０倍程度に希釈した血清を検体試料に使用し、１つの試料につき３回連続照射にて各々得られた３つの吸光度データを使用して解析モデルを作成した。このような方法で解析モデルを作成することができ、また、同様の方法で未知試料のスペクトル測定を行い、得られた吸光度データを当該解析モデルにより解析することで生活習慣病に関する検査・診断が可能である。
〔２〕本装置の具体的構成
本装置の検査・診断システムの構成としては、(i) プローブ（投光部）、(ii) 分光・検出部、(iii) データ解析部および(iv) 結果表示部の４つの要素を備えて構成することができる。以下では、各要素について説明する。
本装置の検査・診断システムの構成としては、(i) プローブ（投光部）、(ii) 分光・検出部、(iii) データ解析部および(iv) 結果表示部の４つの要素を備えて構成することができる。以下では、各要素について説明する。
［2. 1］プローブ（投光手段）
プローブは、ハロゲンランプ・ＬＥＤ等の光源からの光（波長４００ｎｍ〜２５００ｎｍの全範囲またはその一部範囲）を測定対象である試料に導く機能を有する。例えばファイバープローブとし、柔軟な光ファイバーを介して測定対象（試料）に投光する構成が挙げられる。一般に近赤外線分光器のプローブは安価に作製することができ、低コストである。
プローブは、ハロゲンランプ・ＬＥＤ等の光源からの光（波長４００ｎｍ〜２５００ｎｍの全範囲またはその一部範囲）を測定対象である試料に導く機能を有する。例えばファイバープローブとし、柔軟な光ファイバーを介して測定対象（試料）に投光する構成が挙げられる。一般に近赤外線分光器のプローブは安価に作製することができ、低コストである。
なお、光源から発せられた光を直接測定対象である試料に投光する構成としてもよいが、その場合プローブは不要であり、光源が投光手段として機能する。
前述のように、解析モデルが作成されれば、当該解析モデルによる検査・診断に必要な波長光が決定される。本装置は、こうして決定された１又は複数の波長域を試料に照射する構成とすることで装置構成をより単純化することができる。
［2. 2］分光・検出部（分光手段および検出手段）
本装置は、測定システムとして近赤外線分光器の構成を有する。近赤外線分光器は一般に、光を測定対象物に照射し、この対象物からの反射光や透過光あるいは透過反射光を検出部で検出する。さらに、検出された光について波長別に入射光に対する吸光度が測定される。
本装置は、測定システムとして近赤外線分光器の構成を有する。近赤外線分光器は一般に、光を測定対象物に照射し、この対象物からの反射光や透過光あるいは透過反射光を検出部で検出する。さらに、検出された光について波長別に入射光に対する吸光度が測定される。
分光方式には前分光と後分光とがある。前分光は、測定対象物に投光する前に分光する。後分光は、測定対象物からの光を検出し分光する。本装置の分光・検出部は、前分光、後分光いずれの分光方式を採用するものであってもよい。
検出方法には３種類あり、反射光検出、透過光検出および透過反射光検出がある。反射光検出および透過光検出は、それぞれ、測定対象物からの反射光と透過光とを検出器によって検出する。透過反射光検出は、入射光が測定対象物内に入射した屈折光が物体内で反射し、再び物体外に放射された光を検出する。本装置の分光・検出部は、反射光検出、透過光検出および透過反射光検出のいずれの検出方式を採用するものであってもよい。
分光・検出部内の検出器は、例えば半導体素子であるＣＣＤ（Charge Coupled Device）などによって構成することができるが、勿論これに限定されるものではなく、他の受光素子を使用してもよい。分光器についても公知の手段によって構成することができる。
［2. 3］データ解析部（データ解析手段）
分光・検出部から波長別の吸光度、即ち吸光度スペクトルデータが得られる。データ解析部は、この吸光度スペクトルデータをもとに、前述のように予め作成した解析モデルを使用して、生活習慣病診断を行う。
分光・検出部から波長別の吸光度、即ち吸光度スペクトルデータが得られる。データ解析部は、この吸光度スペクトルデータをもとに、前述のように予め作成した解析モデルを使用して、生活習慣病診断を行う。
解析モデルは、定量モデル、定性モデルなど複数の解析モデルを用意しておき、定量的評価を行うか、あるいは定性的評価を行うかに応じて、異なるものを使用してもよい。
データ解析部は、スペクトルデータ、多変量解析用プログラム、解析モデルなどの各種データを記憶する記憶部と、これらのデータおよびプログラムに基づき演算処理を行う演算処理部とによって構成することができ、例えばＩＣチップなどによって実現可能である。したがって、本装置を携帯型とするため小型化することも容易である。上記の解析モデルも、ＩＣチップなどの記憶部に書き込まれる。
［2. 4］結果表示部（表示手段）
結果表示部は、データ解析部における解析結果を表示する。具体的には、解析モデルによる解析の結果得られた生活習慣病に関する罹患の有無や発症の危険性などを表示する。例えば、定性モデルの場合は、そのクラス判別結果に基づき、「糖尿病」「糖尿病の可能性高い」「糖尿病の可能性低い」「健常者」などといった表示を行う。なお、本装置を携帯型とする場合は、結果表示部を液晶等のフラットディスプレイとすることが好ましい。
結果表示部は、データ解析部における解析結果を表示する。具体的には、解析モデルによる解析の結果得られた生活習慣病に関する罹患の有無や発症の危険性などを表示する。例えば、定性モデルの場合は、そのクラス判別結果に基づき、「糖尿病」「糖尿病の可能性高い」「糖尿病の可能性低い」「健常者」などといった表示を行う。なお、本装置を携帯型とする場合は、結果表示部を液晶等のフラットディスプレイとすることが好ましい。
本装置は、以上のように、生活習慣病に関する検査・診断に用いることができる。ここで生活習慣病に関する検査・診断とは、前述のように単に特定の生活習慣病かどうかの検査・診断に限らず、病状進行度もしくは重症度の定量的評価、発症リスクの評価判定など、生活習慣病に関する種々の検査・診断を含む意味である。
以下、近赤外線分光法によって生活習慣病の検査・診断が可能であることを示す本発明の実施例を説明するが、本発明は下記実施例によって何ら限定されるものではない。
［1. 1］吸収スペクトルの測定
本実施例では、以下の測定方法により、各試料の吸収スペクトルを測定した。
健常人の血清（Normal donor serum）および糖尿病、糖尿病性腎機能障害、糖尿病性腎機能障害以外の腎症、肝機能異常患者の血清について、それぞれＰＢＳ緩衝液で１０倍希釈したものを検体試料として使用した。
本実施例では、以下の測定方法により、各試料の吸収スペクトルを測定した。
健常人の血清（Normal donor serum）および糖尿病、糖尿病性腎機能障害、糖尿病性腎機能障害以外の腎症、肝機能異常患者の血清について、それぞれＰＢＳ緩衝液で１０倍希釈したものを検体試料として使用した。
各試料１ｍＬをポリスチレン製キュベットに入れ、近赤外線分光装置（製品名「ＦＱＡ−ＮＩＲＧＵＮ（Japan Fantec Research Institute, Shizuoka, Japan）」）を使用して測定を行った。具体的には、６００〜１１００ｎｍの波長光を連続して３回試料に照射し、各反射光を検出することによって吸収スペクトルを測定した。波長分解能は２ｎｍである。試料を透過する光路長は１０ｍｍに設定した。
［1. 2. 1］吸収スペクトルの解析（糖尿病）
本実施例では、得られた吸収スペクトルについてＳＩＭＣＡ法による多変量解析を行い、糖尿病の解析モデルの作成を行った。なお、既知の糖尿病診断は、厚生省診断基準に従って行った。また、ＳＩＭＣＡ法によるクラス分けにおいて、クラス４を糖尿病、クラス１を健常者と定義した。
本実施例では、得られた吸収スペクトルについてＳＩＭＣＡ法による多変量解析を行い、糖尿病の解析モデルの作成を行った。なお、既知の糖尿病診断は、厚生省診断基準に従って行った。また、ＳＩＭＣＡ法によるクラス分けにおいて、クラス４を糖尿病、クラス１を健常者と定義した。
本実施例において、解析モデルの作成には市販の多変量解析用ソフト（商品名「Pirouette ver.3.01 （Informetrics社）」）を使用し、下記表１に示されるアルゴリズムによりＳＩＭＣＡ解析を行った。ＳＩＭＣＡ解析によるモデル作成には健常人の血清（Normal donor serum）７８検体および糖尿病患者の血清２２検体の合計１００検体を用いた。そして、ＳＩＭＣＡモデル作成後、モデルに含まれていない、健常人の血清１１検体および糖尿病患者の血清１２検体が正しく診断されるかどうかで、生活習慣病診断への有用性を検討した。
上記アルゴリズムについて簡単に説明すると、「＃ of Included Samples」は、解析に使用したサンプル数（スペクトル数）であり、サンプル数３００は、１００サンプルをそれぞれ３回連続照射にて各々得られた３つの吸光度データを使用したことを意味する。
「Preprocessing」は前処理を示し、「Mean-center」はデータセットの中心にプロットの原点を移動したことを示す。「Scope」はGlobalとLocalがあるが、Localを選択した。「Maximum factors」は、最大に解析するFactor（主成分）数を示し、３０まで選択した。「Optimal Factors」は解析の結果モデルを作成するのに最適だったFactor数を示し、「３０、９」はClass1がFactor３０までが最適、Class4がFactor９までが最適であることを示す。「Probability threshold」はあるクラスに属するか判断する際の閾値を示す。「Calibration transfer」は装置間の違いを緩和させる数学的な調整を行うか否かを示す。「Transform」は変換を示し、「None」は変換処理を行わなかったことを示す。
図２は、本実施例のＳＩＭＣＡ解析の結果得られたCoomans Plotを示す。また、下記の表２にはクラス距離（Interclass Distances）の結果を、表３には分類ミス（Misclassification）の結果をそれぞれ示す。
表２において、ＣＳ１、ＣＳ４は、それぞれ、クラス１、クラス４を意味する（以下同じ）。また、ＣＳ１＠１０は、クラス１でFactor（主成分）を１０個使用していることを意味し、以下同様に、＠の後の数値は使用したFactor数を示す。
表３において、「Actual1」は実際のクラスが「１」であることを意味し、他も同様である。また、「Pred1」は本実施例のＳＩＭＣＡ解析により得られた解析モデルを用いて予測されたクラスが「１」であることを意味し、他も同様である。「No match」は糖尿病患者と健常者のどちらにも判定されなかった場合を数値化したものである。これらの結果に示すように、ＳＩＭＣＡ解析により得られた解析モデルによって、糖尿病患者かどうかを良好に判別できることがわかった。
次に、本ＳＩＭＣＡ解析により得られた解析モデルを用いて、モデルに含めなかった未知試料が診断できるかどうかを検討した。その結果を下記の表４に示す。
表４において、「ActualCS1」は実際のクラスが「１」であることを意味し、他も同様である。また、「PredCS1」は本ＳＩＭＣＡ解析により得られた解析モデルを用いて予測されたクラスが「１」であることを意味し、他も同様である。「No match」は糖尿病と健常者のどちらにも判定されなかった場合を数値化したものである。「Excluded samples」は未知サンプルを予測した結果である。表４に示すように、良好に未知検体の糖尿病診断ができることが示された。
図３は、上記ＳＩＭＣＡ解析の結果得られた、各波長（横軸）における識別力（縦軸）を示す。識別力（Discriminating Power）の値が高い波長ほど、当該波長が２つのクラス間で異なっていることを示す。すなわち、識別力の高いシャープなピークの波長が、健常者と糖尿病患者間の血清の判別に有効な波長の１つと考えられる。したがって、このようなＳＩＭＣＡ解析により得られた波長に着目して判別を行うことによって、糖尿病かどうかを簡易迅速かつ精度良く診断することが可能である。
こうして組み立てられた解析モデルをファイルとして保存しておき、未知試料の検査・診断時にこのファイルを呼び出し、未知試料がどのクラスに分類されるかを解析モデルで予測する。これにより、簡易迅速な糖尿病の検査・診断が可能になる。
［1. 2. 2］吸収スペクトルの解析（糖尿病性腎症）
本実施例では、得られた吸収スペクトルについてＳＩＭＣＡ法による多変量解析を行い、腎症の解析モデルの作成を行った。なお、既知の腎病診断は、厚生省診断基準に従って行った。また、ＳＩＭＣＡ法によるクラス分けにおいて、クラス５を腎症、クラス１を健常者と定義した。
本実施例では、得られた吸収スペクトルについてＳＩＭＣＡ法による多変量解析を行い、腎症の解析モデルの作成を行った。なお、既知の腎病診断は、厚生省診断基準に従って行った。また、ＳＩＭＣＡ法によるクラス分けにおいて、クラス５を腎症、クラス１を健常者と定義した。
本実施例において、解析モデルの作成には市販の多変量解析用ソフト（商品名「Pirouette ver.3.01 （Informetrics社）」）を使用し、下記表５に示されるアルゴリズムによりＳＩＭＣＡ解析を行った。ＳＩＭＣＡ解析によるモデル作成には健常人の血清（Normal donor serum）７８検体および腎症患者の血清２３検体の合計１０１検体を用いた。そして、ＳＩＭＣＡモデル作成後、モデルに含まれていない、健常人の血清１１検体および腎症患者の血清７検体が正しく診断されるかどうかで、生活習慣病診断への有用性を検討した。
上記アルゴリズムについて簡単に説明すると、「＃ of Included Samples」は、解析に使用したサンプル数（スペクトル数）であり、サンプル数３０３は、１０１サンプルを３回連続照射にて各々得られた３つの吸光度データを使用したことを意味する。
「Preprocessing」は前処理を示し、「Mean-center」はデータセットの中心にプロットの原点を移動したことを示す。「Scope」はGlobalとLocalがあるが、Localを選択した。「Maximum factors」は、最大に解析するFactor（主成分）数を示し、３０まで選択した。「Optimal Factors」は解析の結果モデルを作成するのに最適だったFactor数を示し、「３０、１２」はClass1がFactor３０までが最適、Class5がFactor１２までが最適であることを示す。「Probability threshold」はあるクラスに属するか判断する際の閾値を示す。「Calibration transfer」は装置間の違いを緩和させる数学的な調整を行うか否かを示す。「Transform」は変換を示し、「None」は変換処理を行わなかったことを示す。
図４は、本実施例のＳＩＭＣＡ解析の結果得られたCoomans Plotを示す。また、下記の表６にはクラス距離（Interclass Distances）の結果を、表７には分類ミス（Misclassification）の結果をそれぞれ示す。
表６において、ＣＳ１、ＣＳ５は、それぞれ、クラス１、クラス５を意味する。また、ＣＳ１＠１０は、クラス１でFactor（主成分）を１０個使用していることを意味する。
表７において、「Actual1」は実際のクラスが「１」であることを意味し、他も同様である。また、「Pred1」は本実施例のＳＩＭＣＡ解析により得られた解析モデルを用いて予測されたクラスが「１」であることを意味し、他も同様である。「No match」は糖尿病性腎症患者と健常者のどちらにも判定されなかった場合を数値化したものである。これらの結果に示すように、ＳＩＭＣＡ解析により得られた解析モデルによって、腎症かどうかを良好に判別できることがわかった。
次に、本ＳＩＭＣＡ解析により得られた解析モデルを用いて、モデルに含めなかった未知試料を診断できるかどうかを検討した。その結果を下記の表８に示す。
表８において、「ActualCS1」は実際のクラスが「１」であることを意味し、他も同様である。また、「PredCS1」は本ＳＩＭＣＡ解析により得られた解析モデルを用いて予測されたクラスが「１」であることを意味し、他も同様である。「No match」は糖尿病性腎症と健常者のどちらにも判定されなかった場合を数値化したものである。「Excluded samples」は未知サンプルを予測した結果である。表８に示すように、良好に未知検体の腎症診断ができることが示された。
図５は、上記ＳＩＭＣＡ解析の結果得られた、各波長（横軸）における識別力（縦軸）を示す。識別力（Discriminating Power）の値が高い波長ほど、当該波長が２つのクラス間で異なっていることを示す。すなわち、識別力の高いシャープなピークの波長が、健常者と糖尿病性腎症患者間の血清の判別に有効な波長の１つと考えられる。したがって、このようなＳＩＭＣＡ解析により得られた波長に着目して判別を行うことによって、糖尿病性腎症かどうかを簡易迅速かつ精度良く診断することが可能である。
こうして組み立てられた解析モデルをファイルとして保存しておき、未知試料の検査・診断時にこのファイルを呼び出し、未知試料がどのクラスに分類されるかを解析モデルで予測する。これにより、簡易迅速な糖尿病性腎症の検査・診断が可能になる。
［1. 2. 3］吸収スペクトルの解析（糖尿病性腎機能障害以外の腎症患者）
本実施例では、得られた吸収スペクトルについてＳＩＭＣＡ法による多変量解析を行い、糖尿病性腎機能障害以外の腎症患者の解析モデルの作成を行った。また、ＳＩＭＣＡ法によるクラス分けにおいて、クラス６を糖尿病性腎機能障害以外の腎症患者、クラス１を健常者と定義した。
本実施例では、得られた吸収スペクトルについてＳＩＭＣＡ法による多変量解析を行い、糖尿病性腎機能障害以外の腎症患者の解析モデルの作成を行った。また、ＳＩＭＣＡ法によるクラス分けにおいて、クラス６を糖尿病性腎機能障害以外の腎症患者、クラス１を健常者と定義した。
本実施例において、解析モデルの作成には市販の多変量解析用ソフト（商品名「Pirouette ver.3.01 （Informetrics社）」）を使用し、下記表９に示されるアルゴリズムによりＳＩＭＣＡ解析を行った。ＳＩＭＣＡ解析によるモデル作成には健常人の血清（Normal donor serum）７９検体および糖尿病性腎機能障害以外の腎症患者の血清２３検体の合計１０２検体を用いた。そして、ＳＩＭＣＡモデル作成後、モデルに含まれていない、健常人の血清１０検体および糖尿病性腎機能障害以外の腎症患者血清７検体が正しく診断されるかどうかで、生活習慣病診断への有用性を検討した。
上記アルゴリズムについて簡単に説明すると、「＃ of Included Samples」は、解析に使用したサンプル数（スペクトル数）であり、サンプル数３０６は、１０３サンプルを３回連続照射にて各々得られた３つの吸光度データを使用したことを意味する。
「Preprocessing」は前処理を示し、「Mean-center」はデータセットの中心にプロットの原点を移動したことを示す。「Scope」はGlobalとLocalがあるが、Localを選択した。「Maximum factors」は、最大に解析するFactor（主成分）数を示し、３０まで選択した。「Optimal Factors」は解析の結果モデルを作成するのに最適だったFactor数を示し、「３０、１０」はClass1がFactor３０までが最適、Class6がFactor１０までが最適であることを示す。「Probability threshold」はあるクラスに属するか判断する際の閾値を示す。「Calibration transfer」は装置間の違いを緩和させる数学的な調整を行うか否かを示す。「Transform」は変換を示し、「None」は変換処理を行わなかったことを示す。
図６は、本実施例のＳＩＭＣＡ解析の結果得られたCoomans Plotを示す。また、下記の表１０にはクラス距離（Interclass Distances）の結果を、表１１には分類ミス（Misclassification）の結果をそれぞれ示す。
表１０において、ＣＳ１、ＣＳ６は、それぞれ、クラス１、クラス６を意味する。また、ＣＳ１＠５は、クラス１でFactor（主成分）を５個使用していることを意味する。
表１１において、「Actual1」は実際のクラスが「１」であることを意味し、他も同様である。また、「Pred1」は本実施例のＳＩＭＣＡ解析により得られた解析モデルを用いて予測されたクラスが「１」であることを意味し、他も同様である。「No match」は糖尿病性腎機能障害以外の腎症患者と健常者のどちらにも判定されなかった場合を数値化したものである。これらの結果に示すように、ＳＩＭＣＡ解析により得られた解析モデルによって、腎症患者かどうかを良好に判別できることがわかった。
次に、本ＳＩＭＣＡ解析により得られた解析モデルを用いて、モデルに含めなかった未知試料を診断できるかどうかを検討した。その結果を下記の表１２に示す。
表１２において、「ActualCS1」は実際のクラスが「１」であることを意味し、他も同様である。また、「PredCS1」は本ＳＩＭＣＡ解析により得られた解析モデルを用いて予測されたクラスが「１」であることを意味し、他も同様である。「No match」は糖尿病性腎機能障害以外の腎症患者と健常者のどちらにも判定されなかった場合を数値化したものである。「Excluded samples」は未知サンプルを予測した結果である。表１２に示すように、良好に未知検体の糖尿病性腎機能障害以外の腎症患者診断ができることが示された。
図７は、上記ＳＩＭＣＡ解析の結果得られた、各波長（横軸）における識別力（縦軸）を示す。識別力の値が高い波長ほど、当該波長が２つのクラス間で異なっていることを示す。すなわち、識別力（Discriminating Power）の高いシャープなピークの波長が、健常者と糖尿病性腎機能障害以外の腎症患者間の血清の判別に有効な波長の１つと考えられる。したがって、このようなＳＩＭＣＡ解析により得られた波長に着目して判別を行うことによって、糖尿病性腎機能障害以外の腎症患者かどうかを簡易迅速かつ精度良く診断することが可能である。
こうして組み立てられた解析モデルをファイルとして保存しておき、未知試料の検査・診断時にこのファイルを呼び出し、未知試料がどのクラスに分類されるかを解析モデルで予測する。これにより、簡易迅速な糖尿病性腎機能障害以外の腎症患者の検査・診断が可能になる。
［1. 2. 4］吸収スペクトルの解析（肝機能異常）
本実施例では、得られた吸収スペクトルについてＳＩＭＣＡ法による多変量解析を行い、肝機能異常の解析モデルの作成を行った。なお、既知の肝機能異常診断は、ＧＯＴ（グルタミン酸オキサロ酢酸トランスアミナーゼ）、ＧＰＴ（グルタミン酸ピルビン酸トランスアミナーゼ）、γ-ＧＴＰ（γ-グルタミルトランスペプチダーゼ）数値の異常など厚生省診断基準に従って行った。また、ＳＩＭＣＡ法によるクラス分けにおいて、クラス２を肝機能異常者、クラス１を健常者と定義した。
本実施例では、得られた吸収スペクトルについてＳＩＭＣＡ法による多変量解析を行い、肝機能異常の解析モデルの作成を行った。なお、既知の肝機能異常診断は、ＧＯＴ（グルタミン酸オキサロ酢酸トランスアミナーゼ）、ＧＰＴ（グルタミン酸ピルビン酸トランスアミナーゼ）、γ-ＧＴＰ（γ-グルタミルトランスペプチダーゼ）数値の異常など厚生省診断基準に従って行った。また、ＳＩＭＣＡ法によるクラス分けにおいて、クラス２を肝機能異常者、クラス１を健常者と定義した。
本実施例において、解析モデルの作成には市販の多変量解析用ソフト（商品名「Pirouette ver.3.01 （Informetrics社）」）を使用し、下記表１３に示されるアルゴリズムによりＳＩＭＣＡ解析を行った。ＳＩＭＣＡ解析によるモデル作成には健常人の血清（Normal donor serum）７４検体および肝機能異常者の血清２２検体の合計９６検体を用いた。そして、ＳＩＭＣＡモデル作成後、モデルに含まれていない、健常人の血清１５検体および肝機能異常者の血清１５検体が正しく診断されるかどうかで、肝機能異常診断への有用性を検討した。
上記アルゴリズムについて簡単に説明すると、「＃ of Included Samples」は、解析に使用したサンプル数（スペクトル数）であり、サンプル数２８８は、９６サンプルを３回連続照射にて各々得られた３つの吸光度データを使用したことを意味する。
「Preprocessing」は前処理を示し、「Mean-center」はデータセットの中心にプロットの原点を移動したことを示す。「Scope」はGlobalとLocalがあるが、Localを選択した。「Maximum factors」は、最大に解析するFactor（主成分）数を示し、３０まで選択した。「Optimal Factors」は解析の結果モデルを作成するのに最適だったFactor数を示し、「２０、２０」はClass1がFactor２０までが最適、Class２がFactor２０までが最適であることを示す。「Probability threshold」はあるクラスに属するか判断する際の閾値を示す。「Calibration transfer」は装置間の違いを緩和させる数学的な調整を行うか否かを示す。「Transform」は変換を示し、「Smooth」は平滑化をしたことを示す。平滑化の変換はSavitzky-Golayの多項式フィルターの原理に基づき、中心データの点と片側のn個のポイントを含むウインドウ内の説明変数への回旋を行っており、n＝25を選択したことを示している。ＳＮＶはばらつきを補正する方法である。まず、各サンプルの変数の標準偏差と平均が計算される。次に各変数の値から平均値が引かれ、さらに標準偏差で割って補正される。
図８は、本実施例のＳＩＭＣＡ解析の結果得られたCoomans Plotを示す。また、下記の表１４にはクラス距離（Interclass Distances）の結果を、表１５には分類ミス（Misclassification）の結果をそれぞれ示す。
表１４において、ＣＳ１、ＣＳ２は、それぞれ、クラス１、クラス２を意味する。また、ＣＳ１＠５は、クラス１でFactor（主成分）を５個使用していることを意味する。
表１５において、「Actual1」は実際のクラスが「１」であることを意味し、他も同様である。また、「Pred1」は本実施例のＳＩＭＣＡ解析により得られた解析モデルを用いて予測されたクラスが「１」であることを意味し、他も同様である。「No match」は肝機能異常者と健常者のどちらにも判定されなかった場合を数値化したものである。これらの結果に示すように、ＳＩＭＣＡ解析により得られた解析モデルによって、肝機能異常者かどうかを良好に判別できることがわかった。
次に、本ＳＩＭＣＡ解析により得られた解析モデルを用いて、モデルに含めなかった未知試料を診断できるかどうかを検討した。その結果を下記の表１６に示す。
表１６において、「ActualCS1」は実際のクラスが「１」であることを意味し、他も同様である。また、「PredCS1」は本ＳＩＭＣＡ解析により得られた解析モデルを用いて予測されたクラスが「１」であることを意味し、他も同様である。「No match」は肝機能異常者と健常者のどちらにも判定されなかった場合を数値化したものである。「Excluded samples」は未知サンプルを予測した結果である。表１６に示すように、良好に未知検体の肝機能異常者診断ができることが示された。
図９は、上記ＳＩＭＣＡ解析の結果得られた、各波長（横軸）における識別力（縦軸）を示す。識別力（Discriminating Power）の値が高い波長ほど、当該波長が２つのクラス間で異なっていることを示す。すなわち、識別力の高いシャープなピークの波長が、健常者と肝機能異常者間の血清の判別に有効な波長の１つと考えられる。したがって、このようなＳＩＭＣＡ解析により得られた波長に着目して判別を行うことによって、肝機能異常者かどうかを簡易迅速かつ精度良く診断することが可能である。
こうして組み立てられた解析モデルをファイルとして保存しておき、未知試料の検査・診断時にこのファイルを呼び出し、未知試料がどのクラスに分類されるかを解析モデルで予測する。これにより、簡易迅速な肝機能異常の検査・診断が可能になる。
解析モデルによって予測された糖尿病、糖尿病性腎症、糖尿病性腎機能障害以外の腎症患者、肝機能異常者の結果よりそれぞれの病気について良好に判断することができる。上記にあげた病気以外にも高脂血症、心臓病等の患者から上記の方法と同様な判断を行い、それらの結果を総合的に判断することにより生活習慣病の判断を行うことができる。
以上のように、本発明は、生活習慣病かどうかを客観的に、簡易迅速かつ高精度に検査・判定することができ、生活習慣病に関する検査・診断に広く利用できるものである。
Claims (16)
- 波長４００ｎｍ〜２５００ｎｍの範囲またはその一部範囲の波長光を被検者その他動物由来の検体試料に照射し、その反射光、透過光または透過反射光を検出して吸光度スペクトルデータを得た後、その中の測定全波長あるいは特定波長の吸光度を、予め作成した解析モデルを用いて解析することによって定量的または定性的に生活習慣病に関する検査・判定を行う方法。
- 糖尿病、腎機能障害、肝機能障害、高血圧、高脂血症、肥満、心臓病および脳卒中のうち１又は２以上の項目について病気の診断や進行度の判定を行うことを特徴とする請求項１記載の検査・判定方法。
- 前記検体試料が、血液（血漿・血清を含む）、尿、その他の体液、組織、組織抽出液、または、耳、手足の指先など生体の一部であることを特徴とする請求項１又は２記載の検査・判定方法。
- 糖尿病に関する検査・判定において、817ｎｍ、921-959ｎｍ、987-1004ｎｍ、1008-1018ｎｍ、1028ｎｍ、および1040ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことを特徴とする請求項１〜３のいずれか１項に記載の検査・判定方法。
- 糖尿病性腎機能障害に関する検査・判定において、835ｎｍ、908-912ｎｍ、917-963ｎｍ、993-1002ｎｍ、1008-1034ｎｍ、1040ｎｍ、および1060ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことを特徴とする請求項１〜３のいずれか１項に記載の検査・判定方法。
- 糖尿病性腎機能障害以外の腎症（腎硬化症、糸球体腎炎、IgA腎症、およびその他の腎症）に関する検査・判定において、914-915ｎｍ、919-967ｎｍ、994ｎｍ、1008ｎｍ、1012-1014ｎｍ、1018ｎｍ、1024ｎｍ、1030ｎｍ、および1034ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことを特徴とする請求項１〜３のいずれか１項に記載の検査・判定方法。
- 肝機能異常に関する検査・判定において、667-679ｎｍ、917-955ｎｍ、975-1005ｎｍ、および1083-1085ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことを特徴とする請求項１〜３のいずれか１項に記載の検査・判定方法。
- 請求項１〜７のいずれか１項に記載の方法に使用される解析モデル。
- 請求項１〜７のいずれか１項に記載の方法に使用される解析モデルの作成、更新、または作成した解析モデルを用いた検査・診断をコンピュータに実行させる、生活習慣病の検査・診断用プログラム。
- 波長４００ｎｍ〜２５００ｎｍの範囲またはその一部範囲の波長光を被検者その他動物由来の検体試料に照射する投光手段と、
投光前又は投光後に分光する分光手段、および、前記試料に照射された光の反射光、透過光または透過反射光を検出する検出手段と、
検出により得られた吸光度スペクトルデータの中の測定全波長あるいは特定波長の吸光度を、予め作成した解析モデルを用いて解析することによって定量的または定性的に生活習慣病に関する検査・診断を行うデータ解析手段と、を備えたことを特徴とする検査・診断装置。 - 糖尿病、腎機能障害、肝機能障害、高血圧、高脂血症、肥満、心臓病および脳卒中のうち１又は２以上の項目について病気の診断や進行度の判定を行うことを特徴とする請求項１０記載の検査・診断装置。
- 前記検体試料が、血液（血漿・血清を含む）、尿、その他の体液、組織、組織抽出液、または、耳、手足の指先など生体の一部であることを特徴とする請求項１０又は１１記載の検査・診断装置。
- 糖尿病に関する検査・判定において、817ｎｍ、921-959ｎｍ、987-1004ｎｍ、1008-1018ｎｍ、1028ｎｍ、および1040ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことを特徴とする請求項１０〜１２のいずれか１項に記載の検査・診断装置。
- 糖尿病性腎機能障害に関する検査・判定において、835ｎｍ、908-912ｎｍ、917-963ｎｍ、993-1002ｎｍ、1008-1034ｎｍ、1040ｎｍ、および1060ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことを特徴とする請求項１０〜１２のいずれか１項に記載の検査・診断装置。
- 糖尿病性腎機能障害以外の腎症（腎硬化症、糸球体腎炎、IgA腎症、およびその他の腎症）に関する検査・判定において、914-915ｎｍ、919-967ｎｍ、994ｎｍ、1008ｎｍ、1012-1014ｎｍ、1018ｎｍ、1024ｎｍ、1030ｎｍ、および1034ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことを特徴とする請求項１０〜１２のいずれか１項に記載の検査・診断装置。
- 肝機能異常に関する検査・判定において、667-679ｎｍ、917-955ｎｍ、975-1005ｎｍ、および1083-1085ｎｍ内の各波長の±５ｎｍの範囲の複数の波長域から選ばれる、２以上の波長の吸光度スペクトルデータを用いた解析によって検査・判定を行うことを特徴とする請求項１０〜１２のいずれか１項に記載の検査・診断装置。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2005352158 | 2005-12-06 | ||
| JP2005352158 | 2005-12-06 | ||
| PCT/JP2006/324059 WO2007066589A1 (ja) | 2005-12-06 | 2006-12-01 | 近赤外分光を用いた生活習慣病に関する検査・診断法および装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPWO2007066589A1 true JPWO2007066589A1 (ja) | 2009-05-21 |
Family
ID=38122735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2007549101A Pending JPWO2007066589A1 (ja) | 2005-12-06 | 2006-12-01 | 近赤外分光を用いた生活習慣病に関する検査・診断法および装置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20090318814A1 (ja) |
| EP (1) | EP1959249A1 (ja) |
| JP (1) | JPWO2007066589A1 (ja) |
| WO (1) | WO2007066589A1 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008004665A1 (fr) * | 2006-07-06 | 2008-01-10 | Fatigue Science Laboratory Inc. | Procédé et appareil pour tester un cancer, un lupus érythémateux systémique (sle) ou un syndrome d'anticorps antiphospholipide à l'aide de rayons proches de l'infrarouge |
| EP2302359A1 (en) * | 2009-09-24 | 2011-03-30 | Université De Reims Champagne-Ardenne | Serum infrared spectroscopy for non invasive assessment of hepatic fibrosis in patients with chronic liver disease |
| AU2017230294A1 (en) * | 2016-03-06 | 2018-10-18 | Universiteit Gent | Direct infrared analysis of post-translational modification of proteins |
| FR3049090B1 (fr) * | 2016-03-21 | 2021-06-25 | Sebastien Jean Serge Dupont | Dispositif d'authentification biometrique adaptatif par echographie, photographies en lumiere visible de contraste et infrarouge, sans divulgation, a travers un reseau informatique decentralise |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004023974A2 (en) * | 2002-09-10 | 2004-03-25 | Euro-Celtique, S.A. | Apparatus and method for non-invasive measurement of blood constituents |
| JP2004520584A (ja) * | 2001-01-22 | 2004-07-08 | アンドレアス ウルフ | Ｆｔｉｒを使用しての生物学的物質についての迅速試験 |
| JP2005055228A (ja) * | 2003-07-31 | 2005-03-03 | Japan Science & Technology Agency | 酸化的ストレスの検出方法 |
| JP2005521531A (ja) * | 2002-04-04 | 2005-07-21 | インライト ソリューションズ インコーポレイテッド | 糖尿病を検出するための組織の分光分析 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| HUP0201285A2 (en) | 2000-03-31 | 2002-08-28 | Japan Government | Method and apparatus for detecting mastitis by using visible light and/or near infrared light |
| JP2002005827A (ja) | 2000-06-19 | 2002-01-09 | Kanazawa Kazuki | 被検体の情報を得る方法 |
| US8213005B2 (en) * | 2003-07-22 | 2012-07-03 | King Saud University | Method for discriminating between benign and malignant prostate tumors |
-
2006
- 2006-12-01 US US12/096,178 patent/US20090318814A1/en not_active Abandoned
- 2006-12-01 EP EP06823538A patent/EP1959249A1/en not_active Withdrawn
- 2006-12-01 WO PCT/JP2006/324059 patent/WO2007066589A1/ja active Application Filing
- 2006-12-01 JP JP2007549101A patent/JPWO2007066589A1/ja active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004520584A (ja) * | 2001-01-22 | 2004-07-08 | アンドレアス ウルフ | Ｆｔｉｒを使用しての生物学的物質についての迅速試験 |
| JP2005521531A (ja) * | 2002-04-04 | 2005-07-21 | インライト ソリューションズ インコーポレイテッド | 糖尿病を検出するための組織の分光分析 |
| WO2004023974A2 (en) * | 2002-09-10 | 2004-03-25 | Euro-Celtique, S.A. | Apparatus and method for non-invasive measurement of blood constituents |
| JP2005055228A (ja) * | 2003-07-31 | 2005-03-03 | Japan Science & Technology Agency | 酸化的ストレスの検出方法 |
Non-Patent Citations (2)
| Title |
|---|
| JPN6012023782; Ｆ．Ｍ．Ｈａｍ 他: '"Ｍｕｌｔｉｖａｒｉａｔｅ Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ Ｇｌｕｃｏｓｅ Ｕｓｉｎｇ ＮＩＲ Ｓｐｅｃｔｒａ ｏｆ Ｈｕｍａｎ Ｂｌｏｏｄ Ｓｅｒｕｍ"' Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １６ｔｈ Ａｎｎｕａｌ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｆ ｔｈｅ ＩＥＥＥ Ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ Ｍｅｄｉｃｉｎｅ ａｎｄ Ｂｉｏｌ Ｐａｒｔ ２, 199411, ｐｐ．８１８-８１９ * |
| JPN6012023783; Ｗ．Ｐｅｔｒｉｃｈ 他: '"Ｄｉｓｅａｓｅ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｉｎ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒａ ｏｆ ｈｕｍａｎ ｓｅｒａ ｗｉｔｈ ｄｉａｂｅｔｅｓ ｍｅｌｌｉｔｕｓ ａｓ ａｎ ｅｘａｍｐｌｅ' ＡＰＰＬＩＥＤ ＯＰＰＴＩＣＳ Ｖｏｌ．３９， Ｎｏ．１９, 20000701, ｐｐ．３３７２-３３７９ * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2007066589A1 (ja) | 2007-06-14 |
| US20090318814A1 (en) | 2009-12-24 |
| EP1959249A1 (en) | 2008-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1250083B1 (en) | Sex determination | |
| US6501982B1 (en) | System for the noninvasive estimation of relative age | |
| JP5047962B2 (ja) | 近赤外光を用いたガン、全身性エリテマトーデス（ｓｌｅ）又は抗リン脂質抗体症候群に関する検査・診断装置の作動方法 | |
| US6587702B1 (en) | Classification and characterization of tissue through features related to adipose tissue | |
| US6697654B2 (en) | Targeted interference subtraction applied to near-infrared measurement of analytes | |
| KR100520857B1 (ko) | 비침투적적외선분광학에서멀티-스펙트럼분석을위한방법및장치 | |
| US6788965B2 (en) | Intelligent system for detecting errors and determining failure modes in noninvasive measurement of blood and tissue analytes | |
| US20040214156A1 (en) | Method and apparatus for identifying spectral artifacts | |
| JPWO2006051847A1 (ja) | Ｈｉｖ等のウイルス感染の有無、又はプリオン感染の有無を近赤外線分光法により検査・判定する方法、及び同方法に使用する装置 | |
| JPH04190141A (ja) | 水分含量を有する生物学的物質の分析方法 | |
| JPWO2007066589A1 (ja) | 近赤外分光を用いた生活習慣病に関する検査・診断法および装置 | |
| JP2007285922A (ja) | 近赤外光を用いた臨床血液検査方法 | |
| JP4961579B2 (ja) | 近赤外分光を用いた慢性疲労症候群（ｃｆｓ）診断法および装置 | |
| KR20050078924A (ko) | 라만 분광법을 이용한 소변 성분 분석 시스템 및 그 방법 | |
| Sakudo et al. | Visible and near-infrared spectra collected from the thumbs of patients with chronic fatigue syndrome for diagnosis | |
| US10815518B2 (en) | Sampler and method of parameterizing of digital circuits and of non-invasive determination of the concentration of several biomarkers simultaneously and in real time | |
| JP2004321325A (ja) | 血糖値の定量方法 | |
| Olaetxea et al. | Determination of physiological lactate and pH by Raman spectroscopy | |
| US20230194532A1 (en) | Quantum optics profiles for screening, diagnosis, and prognosis of diseases | |
| JP4563075B2 (ja) | 血糖値測定装置 | |
| JP2023528539A (ja) | 血液障害の予測方法 | |
| Riley | Infrared spectroscopy-a new tool for the study of synovial fluid. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20091130 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110926 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20111115 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120510 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120530 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20120926 |