TW202307430A - HbA1c風險推定裝置、HbA1c風險推定方法及程式 - Google Patents

HbA1c風險推定裝置、HbA1c風險推定方法及程式 Download PDF

Info

Publication number
TW202307430A
TW202307430A TW111111235A TW111111235A TW202307430A TW 202307430 A TW202307430 A TW 202307430A TW 111111235 A TW111111235 A TW 111111235A TW 111111235 A TW111111235 A TW 111111235A TW 202307430 A TW202307430 A TW 202307430A
Authority
TW
Taiwan
Prior art keywords
hba1c
risk
risk estimation
biological information
mentioned
Prior art date
Application number
TW111111235A
Other languages
English (en)
Inventor
安藤徳隆
正箱尚久
Original Assignee
日商日清食品控股股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from JP2022040636A external-priority patent/JP2023024256A/ja
Application filed by 日商日清食品控股股份有限公司 filed Critical 日商日清食品控股股份有限公司
Publication of TW202307430A publication Critical patent/TW202307430A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

習知，關於HbA1c之測定，需採取被驗者之血液，進行生化分析。然而，於該方法中，需侵入性地向被驗者之皮膚中紮入針等，從而存在對被驗者造成心理或生理上之負擔之問題。  根據本發明，基於事先獲得之數個被驗者之屬性資訊、非侵入性生物體資訊及血液檢查之檢查資料，藉由機械學習生成HbA1c風險推定模型，藉此能根據既定之使用者之屬性資訊及/或非侵入性生物體資訊，非侵入性地推定出HbA1c風險。

Description

HbA1c風險推定裝置、HbA1c風險推定方法及程式
本發明係關於一種HbA1c風險推定裝置、HbA1c風險推定方法及程式。
血紅蛋白係紅血球內之1種蛋白質，擔負向全身運輸氧之職責。血紅蛋白與血中之葡萄糖結合，不可逆地變成糖化血紅蛋白。血紅蛋白每120日於體內循環一次，因此認為藉由測定糖化血紅蛋白之比例(HbA1c)，來反映出空腹時血糖值無法獲知之長期糖代謝及血糖值。依據綜合體檢學會所制定之血液檢查之判定基準，若HbA1c為5.5%以下則判定為無異常，若為5.6%以上則判定為有風險。
習知，關於HbA1c之測定，需採取被驗者之血液，進行生化分析。然而，於該方法中，需侵入性地向被驗者之皮膚中紮入針等，從而存在對被驗者造成心理或生理上之負擔之問題。
另一方面，專利文獻1中揭示了一種採取被驗者之尿，將尿中鋅值作為指標而非侵入性地推定HbA1c之方法。  [先前技術文獻]  [專利文獻]
[專利文獻1]日本專利特開2021-047056  [非專利文獻]
[非專利文獻1]Psychology Research and Behavior Management 2011:4 81-86、Summary of the clinical investigations E.S.Teck Complex March, 20, 2010摘要  [非專利文獻2]R. N. Chua, Y. W. Hau, C. M. Tiew and W. L. Hau, "Investigation of Attention Deficit/Hyperactivity Disorder Assessment Using Electro Interstitial Scan Based on Chronoamperometry Technique," in IEEE Access, vol. 7, pp. 144679-144690, 2019, doi: 10.1109/ACCESS.2019.2938095.  [非專利文獻3]Maarek A. Electro interstitial scan system: assessment of 10 years of research and development. Med Devices (Auckl). 2012; 5:23-30. doi:10.2147/MDER.S29319
(發明所欲解決之問題)
然而，於專利文獻1所記載之方法中，需採取被驗者之尿，從而存在需分析裝置來進行鋅或肌酸肝量等之測定等問題。
本發明係鑒於如上所述之情況而完成者，本發明之目的在於，提供一種無需採血或採尿，根據非侵入性生物體資訊即可精度極佳且迅速地推定出HbA1c對健康之風險之HbA1c風險推定裝置、HbA1c風險推定方法及程式。  (解決問題之技術手段)
本發明之HbA1c風險推定裝置之特徵在於具備：資訊獲取部，其獲取既定之使用者之屬性資訊及非侵入性生物體資訊；推定模型記憶部，其記憶HbA1c風險推定模型；及推定處理部，其使用HbA1c風險推定模型，基於既定之使用者之屬性資訊及/或非侵入性生物體資訊，計算既定之使用者之HbA1c風險推定值。
本發明之HbA1c風險推定裝置之特徵在於進而具備：訓練資料記憶部，其記憶訓練資料集；及學習處理部，其基於訓練資料集，藉由機械學習生成HbA1c風險推定模型。
HbA1c風險推定裝置之特徵在於：屬性資訊包含年齡及性別之任一者、或其等之組合，且非侵入性生物體資訊包含身體質量指數(BMI，Body Mass Index)、循環血液量、血壓、脈波資料、心電圖資料及生物體阻抗、或其等之組合。
HbA1c風險推定裝置之特徵在於：訓練資料集包含被驗者之屬性資訊、非侵入性生物體資訊及自血液測定出之HbA1c測定值。
HbA1c風險推定裝置之特徵在於：非侵入性生物體資訊進而包含血氧飽和度(SpO2)。
HbA1c風險推定裝置之特徵在於：HbA1c風險推定值之推定精度係可藉由ROC_AUC是否為0.7以上而區分出有無風險之精度。
HbA1c風險推定裝置之特徵在於：學習處理部於訓練資料集上，附加基於自血液測定出之HbA1c測定值而表示有無HbA1c風險之標籤，且當標籤中有HbA1c風險之數與無HbA1c風險之數之差為既定之值以上之情形時，增加訓練資料集中之樣本資料，以縮小差。
HbA1c風險推定裝置之特徵在於：學習處理部基於不同種類之訓練資料集，分別藉由機械學習生成第1HbA1c風險推定模型及第2HbA1c風險推定模型，且推定處理部使用第1HbA1c風險推定模型及第2HbA1c風險推定模型，計算既定之使用者之HbA1c風險推定值。
HbA1c風險推定裝置之特徵在於：進而具備推定生物體資訊中包含之BMI、血壓、脈波資料、心電圖資料、生物體阻抗及血氧飽和度中至少一者以上之生物體資訊之生物體資訊推定部，且資訊獲取部獲取藉由生物體資訊推定部而推定出之生物體資訊作為既定之使用者之生物體資訊。
HbA1c風險推定裝置之特徵在於：除HbA1c風險推定裝置以外，進而具備測定非侵入性生物體資訊之生物體資訊測定裝置，從而構成非侵入HbA1c風險推定系統。
本發明中之HbA1c風險推定方法之特徵在於包含如下步驟：記憶包含被驗者之屬性資訊、非侵入性生物體資訊及自血液測定出之HbA1c測定值之訓練資料集；基於訓練資料集，藉由機械學習生成HbA1c風險推定模型；及使用HbA1c風險推定模型，基於既定之使用者之屬性資訊及/或非侵入性生物體資訊，計算既定之使用者之HbA1c風險推定值。
本發明中之程式之特徵在於使電腦執行如下步驟：記憶包含被驗者之屬性資訊、非侵入性生物體資訊及自血液測定出之HbA1c測定值之訓練資料集；基於訓練資料集，藉由機械學習生成HbA1c風險推定模型；及使用HbA1c風險推定模型，基於既定之使用者之屬性資訊及/或非侵入性生物體資訊，計算既定之使用者之HbA1c風險推定值。  (對照先前技術之功效)
根據本發明，提供一種能使用非侵入性生物體資訊，藉由機械學習精度極佳地推定出HbA1c對健康之風險之HbA1c風險推定裝置、HbA1c風險推定方法及程式。
以下，參照圖式對實施形態進行說明。再者，實施形態為例示，本發明並不限定於下述構成。
＜裝置之功能＞  參照圖1～圖6，對本實施形態之HbA1c風險推定系統1及HbA1c風險推定裝置30進行說明。圖1係表示本實施形態之HbA1c風險推定系統1之概略構成之方塊圖。HbA1c風險推定系統1具備終端裝置10、生物體資訊測定裝置20、HbA1c風險推定裝置30、顯示裝置39。  此處，所謂「使用者」係指為了非侵入性地得到HbA1c風險推定值，而利用HbA1c風險推定系統之人。又，所謂「被驗者」係指於辦理了既定手續並徵得同意之基礎上，提供年齡及性別等屬性資訊、非侵入性生物體資訊及自血液測定出之HbA1c測定值作為要於HbA1c風險推定系統中加以利用之訓練資料集之人。
終端裝置10只要為可供輸入使用者之屬性資訊(姓名、ID、年齡、性別等)，且可將輸入之資訊通過有線或無線之通信網路輸出至HbA1c風險推定裝置30之資訊終端，可採用任何資訊終端。例如可例舉包括平板終端、智慧型手機、可穿戴終端等在內之便攜終端等、或個人電腦(PC，Personal Computer)。再者，身高、體重等可藉由下述生物體資訊測定裝置20來測定。
生物體資訊測定裝置20測定使用者之非侵入性生物體資訊。此處，所謂非侵入性生物體資訊係指採用無需向皮膚內或軀體之開口部位插入器具之方法而獲得之生物體資訊。非侵入性生物體資訊可利用市售之身高計、體重計、血壓計、脈搏血氧儀、脈波計、心電圖計、阻抗測定儀、皮電測定儀等來測定。又，亦可利用能同時測定出脈波資料、心電圖資料、生物體阻抗、血氧飽和度(SpO2)之EstecBC-3(兩用系統)。該等裝置能不對使用者造成心理或生理上之負擔地測定出非侵入性生物體資料。
於本發明之實施形態中，非侵入性生物體資訊包含BMI(身體質量指數)、循環血液量、血壓、脈波資料、心電圖資料及生物體阻抗之任一者、或其等之組合，進而亦可包含血氧飽和度(SpO2)。
BMI係根據身高h[m]及體重w[kg]，藉由下述計算式而算出：  BMI＝w/h 2[kg/m 2]。
循環血液量係藉由下述Nadler公式而算出：  ＜男性之情形＞  循環血液量[L]＝0.3669×h 3+0.03129×w+0.6041  ＜女性之情形＞  循環血液量[L]＝0.3561×h 3+0.03308×w+0.1833。
血壓中包含收縮期血壓、舒張期血壓、脈壓及平均動脈壓之任一者、或其等之組合。  脈壓藉由下述式加以計算：  脈壓＝收縮期血壓－舒張期血壓。  平均動脈壓藉由下述式加以計算：  平均動脈壓＝舒張期血壓＋脈壓×1/3。
脈波資料係利用脈波計或脈搏血氧儀，藉由對手指等身體突出部位自紅色發光二極體(LED，Light Emitting Diode)照射紅色光(～660 nm)，自紅外線(IR，infrared)LED照射近紅外光(～905 nm)，並由光電晶體測定其等之穿透光而測定。  脈波資料中包含脈搏、彈性指數、末梢血管阻力、加速度脈波、b/a、e/a、-d/a、高澤式加速度脈波增齡指數、射出率、左室射出時間(LVET，Left Ventricular Ejection Time)、重搏彈性指數(DEI，Dicrotic-pulse Elasticity Index)之任一者、或其等之組合。  此處，所謂彈性指數係指自指尖容積脈波之收縮期之波峰起始至檢測到其舒張期之波峰為止之時間除以身高所得之數值。末梢血管阻力係藉由平均動脈壓/心輸出量×80而求出。DEI(重搏彈性指數)係表示舒張期之血管彈性之指標，可藉由脈搏傳導速度(PWV，Pulse Wave Velocity)測定裝置來測定。0.3~0.7表示正常，0.3以下表示有高血壓或動脈硬化之可能性，0.7以上則表示有急性焦慮神經症之可能性。  加速度脈波係指尖容積脈波(photoplethysmogram：PTG)之二次微分波(second derivative of photoplethysmogram：SDPTG)。加速度脈波包含初期陽性波(a波)、初期陰性波(b波)、收縮中期再上升波(c波)、收縮後期再下降波(d波)、及舒張初期陽性波(e波)，上述b/a、e/a、-d/a根據各波高之比例加以計算。隨著年齡增長，可見b/a之上升及c/a、-d/a、e/a之下降，因此藉由高澤式加速度脈波增齡指數(b-c-d-e)/a可評估出血管之增齡。射出率係藉由各心跳自心室輸送之血液之比例，與加速度脈波增齡指數成正比。LVET係左心室射出時間，為主動脈瓣打開後左室內之血液向主動脈射出之時間。
心電圖資料可藉由使用電極之心電圖法(ECG)或光電脈波法(PPG)而測定。  心電圖資料中包含呼吸頻率、心率、RR間隔、RR間隔之標凖偏差、MxDMn比率、低頻帶之功率譜、高頻帶之功率譜、心率變動指標低頻(LF，Low Frequency)/高頻(HF，High Frequency)、總功率之任一者、或其等之組合。此處，所謂RR間隔係指自心電圖之一個QRS波至下一個QRS波之間隔。所謂MxDMn比率係指一定時間內最長RR間隔與最短RR間隔之比，為不規律心跳指數。所謂總功率係指於2分鐘時長之測定中頻率為0～0.4 Hz(超低頻(VLF，Very Low Frequency)、LF、HF)之功率譜之總功率之計算值。該值反映交感神經活動佔據主導之整個自主神經系統活動。  藉由根據心電圖計算出功率譜密度，能計算出高頻之功率譜比例(0.1875～0.50 Hz：HF)、低頻之功率譜比例(0.05～0.1875 Hz：LF)、LF/HF比、超低頻帶之功率譜比例(0～0.05 Hz：VLF)。
生物體之阻抗(電導)可藉由使例如雙足、雙手、左右額共計6處電極中之2處之間流通微弱之電流而測定。若使6處電極中之2處流通電流，則能測定出(1)陽極/陰極之電導(μS)、(2)陰極/陽極之電導(μS)、(3)藉由上述(1)而測定出之電導與藉由上述(2)而測定出之電導之差量(∆SCR A－SCR C)、(4)電導率(μS/m)。又，同時亦能測定出肌肉量、體脂量、總水分量、相位角、阻力值。又，亦能測定出右手⇔左手間、右額⇔左額間通電時之介電係數(μSi)。較佳為自6處電極藉由22個模式之通電性測定生物體之阻抗(電導)。
生物體阻抗中包含體脂量(kg)、體脂量(%)、去脂體重、去脂率、肌肉量、總水分量(kg)、總水分量(%)、細胞內水分量(%)、心輸出量、1額左側-2右手/SCR A、1額左側-2右手/∆SCR C－SCR A、3額右側-4左手/SCR C、5左手-6左足/∆SCR C－SCR A、9額左側-10額右側/SCR C、13左足-14右足/SCR C、13左足-14右足/SCR A、15右手-16額左側/∆SCR C－SCR A、15右手-16額左側SCR C、19右足-20左手/∆SCR C－SCR A、ESG2＋4＋15＋17(μS/m)、ESG6＋13＋19(%)、ESG6＋8＋19＋21(%)、ESG6＋8＋19＋21(μS/m)、ESG9＋10(μS/m)、ESG9＋10(%)、左足之電導、R(Ω)、相位角、額路徑之介電係數、額路徑上之電導率(9)、單手-單手路徑之介電係數、手至手之電導率(11、12)、右額之阻抗指數(3額右側-4左手/SCR C與9額左側-10額右側/SCR C之和)每搏輸出量(心輸出量÷心率)之任一者、或其等之組合。
此處，SCR為皮膚電導反應(skin conductance response)之縮寫，ESG為電子掃描圖之縮寫。ESG2＋4＋15＋17中之「＋」表示係藉由身體上所隨附之哪個電極所測定出的。例如，ESG2＋4＋15＋17表示如圖2所示藉由自左手向左額通電時之左手、自右手向右額通電時之右手、自右手向左額通電時之右手、自左手向右額通電時之左手所測定出之電導之平均值。關於該等電導，非專利文獻1中有詳細記載。再者，關於ESG(電子掃描圖)之測定方法，非專利文獻2、3中有詳細記載。  「1額左側-2右手/SCR A」係以使「1額左側」為陰極、「2右手」為陽極方向之方式流通電流時所測定出之路徑之電導(或傳導性)，「5左手-6左足/∆SCR C－SCR A」係以使「5左手」、「6左足」間呈陽極-陰極、陰極-陽極之方式通電時所測定出之電導之差量。
BMI及血壓可藉由身高體重計、血壓計來測定。又，非侵入性生物體資訊中亦可包含根據SpO2及心輸出量而計算出之氧運輸量。
所測定出之非侵入性生物體資訊通過有線或無線之通信網路輸出至HbA1c風險推定裝置30。生物體資訊測定裝置20可為設備附屬之測定裝置，亦可為如可穿戴終端般能隨身攜帶之測定裝置。
HbA1c風險推定裝置30具備第1獲取部31、第2獲取部32、使用者資料記憶部33、訓練資料記憶部34、學習處理部35、推定模型記憶部36、推定處理部37、推定資料記憶部38。第1獲取部31自終端裝置10獲取使用者之屬性資訊。又，第2獲取部32自生物體資訊測定裝置20獲取使用者之非侵入性生物體資訊。
使用者資料記憶部33記憶自第1獲取部31及第2獲取部32獲得之使用者之屬性資訊與非侵入性生物體資訊。
訓練資料記憶部34記憶有數個包含事先獲得之數個被驗者之屬性資訊、非侵入性生物體資訊、藉由血液檢查而得到之HbA1c等檢體檢查資訊之訓練資料集，將其等作為用於機械學習之訓練資料集。再者，檢體檢查資訊中亦可進而包含自血液、尿、糞便等得到之檢查資訊。
學習處理部35獲取訓練資料記憶部34中記憶之訓練資料集，並使用訓練資料集製作HbA1c風險推定模型。具體而言，於推定HbA1c風險之情形時，藉由XGBoost等梯度提昇、神經網路及邏輯回歸、或其等之學習結果之非採樣學習，對所獲得之訓練資料集進行機械學習，而學習屬性資訊及非侵入性生物體資訊與HbA1c風險之關係。  推定模型記憶部36記憶藉由學習處理部35而生成之HbA1c風險推定模型。  非侵入性生物體資訊中包含BMI、循環血液量、血壓、脈波資料、心電圖資料及生物體阻抗之任一者、或其等之組合。進而，視需要而包含血氧飽和度(SpO2)。
推定處理部37使用藉由學習處理部35而生成之推定模型，基於既定之使用者之屬性資訊及/或非侵入性生物體資訊，推定使用者之HbA1c風險。然後，HbA1c風險推定值被記憶至推定資料記憶部38。
顯示裝置39可將HbA1c風險推定值與使用者之屬性資訊及非侵入性生物體資訊一併顯示。再者，該等資料亦可顯示於使用者所持有之終端裝置10。
＜裝置之硬體構成＞  圖3係HbA1c風險推定裝置30之硬體構成圖。如圖3所示，HbA1c風險推定裝置30由具有一個或數個處理器301、記憶體302、儲存器303、輸入輸出埠304、通信埠305之電腦300構成。處理器301藉由執行程式而進行與本實施形態之HbA1c推定相關之處理。記憶體302暫時記憶程式及程式之運算結果。儲存器303儲存供HbA1c風險推定裝置30執行處理之程式。儲存器303只要能藉由電腦加以讀取，即可採用任意儲存器，例如可利用記錄媒體(磁碟、光碟等)、隨機存取記憶體、快閃型記憶體、唯讀記憶體等各種記錄媒體。輸入輸出埠304供自終端裝置10及生物體資訊測定裝置20輸入資訊，或向顯示裝置39輸出HbA1c推定值。通信埠305與未圖示之其他電腦等資訊終端之間進行資料之收發。通信之方法可利用無線通信、有線通信。再者，HbA1c風險推定裝置30可藉由市售之桌上型PC或筆記型PC來實現，使用推定模型算出HbA1c風險推定值所需之時間為數秒。  再者，於HbA1c風險推定裝置30之處理器301中，進行動作時，上述第1獲取部31、第2獲取部32、學習處理部35、推定處理部37等發揮功能。
藉由基於包含BMI(身體質量指數)、血壓、脈波資料、心電圖資料及生物體阻抗等之非侵入生物體資料，通過機械學習生成HbA1c風險推定模型，無需進行血液檢查即可進行HbA1c風險之推定。又，即便如下述所示，限定了非侵入生物體資料中包含之各資料之數，亦能進行HbA1是否正常之判定。
＜藉由機械學習生成HbA1c風險推定模型之動作＞  圖4係表示藉由機械學習生成HbA1c風險推定模型之動作之執行步序之流程圖。  於步驟ST101中，學習處理部35進行輸入資料之預處理。具體而言，學習處理部35針對藉由血液檢查而得到之HbA1c，將HbA1c為5.5%以下轉換成0(無風險)，將5.6%以上轉換成1(有風險)。又，學習處理部35於被歸類為0之人數與被歸類為1之人數相背離，不均衡之情形時，亦可對學習資料應用SMOTE(Chawla, NV. et al. 2002)，而手動生成訓練樣本。即，亦可於輸入資料(訓練資料集)上附加基於藉由血液檢查所得到之HbA1c而表示有無HbA1c風險之標籤(例如，上述0或1)，且當該標籤中有HbA1c風險(標籤：1)之數與無HbA1c風險(標籤：0)之數之差為既定之值以上之情形時，增加(生成)訓練資料集中之樣本資料，以縮小該差。再者，關於性別，將女性設為0，將男性設為1。又，關於年齡、體重、BMI、循環血液量，原樣地使用各自之值。  於步驟ST102中，學習處理部35藉由邏輯回歸、神經網路及梯度提昇決策樹進行機械學習，於步驟ST103中，對藉由邏輯回歸、神經網路及梯度提昇決策樹進行機械學習而得到之學習結果進而執行非採樣學習(投票)。
圖5係用作HbA1c風險推定模型之神經網路(NN)之構造。長方形表示進行資料轉換之層群，圓角長方形表示輸入輸出資料。D為檢查項目數。NN之構造經由4個層群(Compile A1、Compile A2、Compile A3、Compile B1)，按照D維、96維、96維、96維、1維之順序轉換資料。  又，Compile A1、A2、A3包含進行全連接處理之全連接層「Linear」、進行正則化之「Kernel Regularizer」、及進行ReLU處理之「ReLU」層，層群Compile B1包含進行全連接處理之全連接層「Linear」、及進行最佳化處理之「Adagrad」層。層群Compile A1之全連接層之輸入單元相當於輸入層，層群Compile B1之輸出單元相當於輸出層，位於其等之間之單元相當於中間層(隱藏層)。中間層中包含將一部分輸入值控制為0以防過學習之Dropout層。
藉由邏輯回歸進行機械學習時，例如可使用Python之開源機械學習庫Scikit-learn中所提供之邏輯回歸(Logistic Regression)。又，視需要，亦可藉由主成分分析壓縮維數。比較藉由血液檢查而得到之HbA1c風險與藉由機械學習而推定出之HbA1c風險推定值，調整邏輯回歸之各參數(C、正則化方法、max_iter、solber)，使f1得分最大。此處，C為決定正則化強度之取捨參數，值越大則正則化強度越弱。所謂正則化方法表示L1正則化或L2正則化，從中加以選擇。max_iter為重複學習之最大次數。藉由solber選擇將交叉熵誤差最小化之收斂方法(例如，L-BFGS法、牛頓CG法、雙線性(liblinear)、sag及saga)。再者，於下述實施例1、2中選擇了雙線性法。
藉由梯度提昇回歸樹進行機械學習時，可使用XGBoost、CatBoost、LightBGM等軟體庫。將藉由血液檢查而得到之HbA1c值與既定之閾值加以比較，再比較藉此所得之風險值(0：無風險，1：有風險)與藉由機械學習而推定出之HbA1c風險值，調整XGBoost之各參數(max_depth、subsample、colsample_bytree、learning_rat)，使f1得分最大。max_depth為決策樹之深度，subsample為各樹中隨機抽出之標本之比例，colsample_bytree為各樹中隨機抽出之行之比例，learning_rate表示學習率。其中，max_depth於1～10之範圍內進行調整，subsample於0.1～1.0之範圍內進行調整，colsample_bytree於0.3～1.0之範圍內進行調整，learning_rate於0.1～0.7之範圍內進行調整。  學習處理部35將藉由上述學習處理而生成之HbA1c風險推定模型記憶至推定模型記憶部36。  再者，上述機械學習演算法僅為一例，並不限定於其等。
＜使用HbA1c風險推定模型推定HbA1c風險之動作＞  如圖6所示，於步驟ST201中，HbA1c風險推定裝置30之第1獲取部31自終端裝置10獲取使用者之屬性資訊。於步驟ST202中，HbA1c風險推定裝置30之第2獲取部32獲取使用者之非侵入性生物體資訊。然後，將使用者之屬性資訊與非侵入性生物體資訊記憶至使用者資料記憶部33。繼而，於步驟ST203中，使用推定模型記憶部36中儲存之HbA1c風險推定模型，藉由推定處理部37算出屬於0級(無風險)或1級(有風險)之概率，即HbA1c風險推定值。於步驟ST204中，將所算出之HbA1c風險推定值記憶至推定資料記憶部38，於步驟ST205中，將HbA1c風險推定值輸出至顯示裝置39等外部終端，使其顯示。
＜實施例(HbA1c風險推定)＞  以下記載HbA1c風險推定之實施例。但本發明中之HbA1c風險推定之態樣並不限定於以下實施例。  屬性資訊中包含ID、姓名、年齡、性別之任一者、或其等之組合，非侵入性生物體資訊中包含BMI、循環血液量、血壓、脈波資料、心電圖資料、生物體阻抗及血氧飽和度(SpO2)之任一者、或其等之組合。作為BMI之計算基準之身高、體重分別藉由身高計及體重計來計測，血壓則藉由血壓計來測定。又，脈波資料、心電圖資料、生物體阻抗、血氧飽和度(SpO2)藉由EstecBC-3(兩用系統)來測定。再者，亦可將市售之脈波計、心電圖計、阻抗測定裝置、脈搏血氧儀組合使用，而取代EstecBC-3。又，還可使用既定之可穿戴終端來獲取上述非侵入性生物體資訊。  生物體阻抗(電導)之測定係藉由使雙足、雙手、左右額共計6處電極中之2處之間流通微弱之電流而進行。電壓與電流分別設定為1.28 V、200 μA，電導係每1秒測定32毫秒。使6處電極中之2處流通電流，而測定(1)陽極/陰極之電導(μS)、(2)陰極/陽極之電導(μS)、(3)藉由上述(1)而測定出之電導與藉由上述(2)而測定出之電導之差量(∆SCR A－SCR C)、(4)電導率(μS/m)。  又，測定肌肉量、體脂量、總水分量、相位角及阻力值，亦測定右手⇔左手間、右額⇔左額間通電時之介電係數(μSi)。
藉由EstecBC-3，對各被驗者進行2分鐘之脈波資料、心電圖資料、生物體阻抗及血氧飽和度(SpO2)之測定。測定時，於被驗者之左手食指安裝具備心電圖、脈波計及脈搏血氧儀之功能之儀器，且於額頭安裝2個電極，然後於坐在椅子上之狀態下將雙手雙足置放於電極板之上。
＜學習模型1＞  於學習模型1中，僅使用圖4中之邏輯回歸進行機械學習。由於僅使用邏輯回歸，因此不進行圖4中之非採樣學習。  此時，選擇下述所示之資料用作非侵入性生物體資料。再者，該模型中不使用屬性資訊。(A)非侵入性生物體資料・BMI・血壓…舒張期血壓、脈壓・脈波資料…彈性指數、脈搏・心電圖資料…心率、LF/HF・生物體阻抗…5左手-6左足/∆SCR C－SCR A、左足之電導、R(Ω)。  又，非侵入性生物體資料中進而包含根據脈壓/脈搏之資料、生物體阻抗中包含之心輸出量及血氧飽和度(SpO2)而推定出之氧運輸量。
＜學習模型2＞  於學習模型2中，如圖4所示，藉由邏輯回歸、神經網路及梯度提昇進行機械學習，並對其等之學習結果進行投票方式之非採樣學習，藉此製作出血中HbA1c風險推定模型。此時，選擇下述所示之資料用作非侵入性生物體資料。(A)屬性資訊・年齡、性別(B)非侵入性生物體資料・體重、BMI、循環血液量・血壓…收縮期血壓、舒張期血壓、平均動脈壓・脈波資料…彈性指數・心電圖資料…心率、LF/HF・生物體阻抗…肌肉量(%)、總水分量(kg)、總水分(%)、心輸出量、3額右側-4左手/SCR C、9額左側-10額右側/SCR A、右額之阻抗指數(3額右側-4左手/SCR C與9額左側-10額右側/SCR C之和)、左足之電導、R(Ω)、每搏輸出量。  又，非侵入性生物體資料中進而包含根據生物體阻抗中包含之心輸出量及血氧飽和度(SpO2)而推定出之氧運輸量。
＜實施例1＞  於實施例1中，使用321名被驗者之(1)屬性資訊、(2)藉由身高體重計、血壓計及EstecBC-3而測定出之非侵入性生物體資訊、及(3)藉由與非侵入性生物體資訊測定同日進行之血液檢查而得到之HbA1c之訓練資料集，通過上述學習模型1之機械學習，生成HbA1c風險推定模型。  然後，關於HbA1c風險推定模型之推定精度，藉由ROC_AUC曲線評估推定結果。其結果，ROC_AUC顯示為0.78，超過了表示被歸類為良好之0.7。實施例1之推定結果之ROC_AUC曲線見圖7所示。
＜實施例2＞  於實施例2中，使用累計712名被驗者之(1)屬性資訊、(2)藉由身高體重計、血壓計及EstecBC-3而測定出之非侵入性生物體資訊、及(3)藉由與非侵入性生物體資訊測定同日進行之血液檢查而得到之HbA1c之訓練資料集，通過上述學習模型2之機械學習，生成HbA1c風險推定模型。  然後，關於HbA1c風險推定模型之推定精度，藉由ROC_AUC曲線評估推定結果。其結果，ROC_AUC顯示為0.80，與表示被歸類為極其良好之0.8相等。實施例2之推定結果之ROC_AUC曲線見圖8所示。
(變化例)  於上述實施形態中，對使用學習模型1或學習模型2推定HbA1c風險之例進行了說明，但亦可使用數個學習模型來推定HbA1c風險。  藉此，相較於使用1個學習模型推定HbA1c風險，能高精度地進行推定。
又，於上述實施形態及實施例中，可見若使用BMI作為學習模型之資料集則推定精度提高之事例，因此亦可於HbA1c風險推定裝置設置推定該BMI之功能部。  BMI一般無法藉由可穿戴終端等獲得，而是根據使用者所輸入之身高、體重求出，藉由推定該BMI，僅獲取生物體資訊即可獲得上述HbA1c風險，因此對於使用者而言，方便性提高。  BMI之推定方法並不特別限定，但例如已知BMI與使用者之腹部之(既定位置之)傾斜度存在相關性。因此，例如亦可於使用者之腹部設置既定之加速度感測器(或使具備加速度感測器之手環式可穿戴終端等抵著腹部)，基於自該加速度感測器輸出之資料，求出腹部之傾斜度，而推定BMI。
又，與上述同樣地，亦可使用具備脈波感測器或血氧濃度感測器之手環式可穿戴終端等來推定脈波資料、血氧飽和度。
又，與上述同樣地，亦可使用手環式可穿戴終端等來推定血壓。由於已知藉由心跳通過動脈而傳輸之脈波之速度與血壓存在相關性，因此亦可使用測定該藉由心跳通過動脈而傳輸之脈波之速度的既定之感測器來推定血壓。
又，與上述同樣地，亦可使用手環式可穿戴終端等來推定心電圖資料。例如，可基於自設置於手環式可穿戴終端之與顯示面為相反側之面之電極、及設置於顯示面側之電極得到之資料，推定心電圖資料。具體而言，可使佩戴有手環式可穿戴終端之手(例如，左手)之手腕與上述設置於相反側面之電極相接，使與該佩戴有手環式可穿戴終端之手為相反側之手(例如，右手)之指尖與上述設置於顯示面側之電極相接，根據藉此得到之資料來推定心電圖資料。
又，與上述同樣地，對於生物體阻抗，亦可使用具備各種電極之手環式可穿戴終端等來推定生物體阻抗。例如，可使用手環式可穿戴終端等，基於自胸部與手腕得到之生物體資訊來推定生物體阻抗。
再者，亦可將能藉由可穿戴終端而獲得之生物體資訊、及作為上述推定對象之生物體資訊(BMI、血壓、脈波資料、心電圖資料、生物體阻抗及血氧飽和度中至少一者以上之生物體資訊)作為教學資料，使用採用各種機械學習演算法而生成之分類器來推定作為上述推定對象之生物體資訊。  再者，該情形時，上述第1獲取部亦可獲取所推定出之生物體資訊。
(其他)  又，例如上述一系列處理可藉由硬體來執行，亦可藉由軟體來執行。換言之，上述功能性構成僅為例示，並不特別限定。即，只要資訊處理系統具備能整體執行上述一系列處理之功能即可，至於究竟使用如何功能模塊來實現該功能並不特別限定於上述例。又，功能模塊之存在位置亦不特別限定於圖4所示，而可任意設定。例如，可將伺服器之功能模塊移植至其他終端或裝置等。反之亦可將其他終端或裝置之功能模塊移植至伺服器等。又，一個功能模塊可由硬體單體構成，亦可由軟體單體構成，還可由其等之組合構成。
於藉由軟體執行一系列處理之情形時，構成該軟體之程式係自網路或記錄媒體安裝至電腦等。電腦可為組裝於專用之硬體中之電腦。又，電腦亦可為藉由安裝各種程式而能執行各種功能之電腦，例如伺服器及其他通用之智慧型手機或個人電腦。
包含此種程式之記錄媒體不僅可由為了向使用者等提供程式而與裝置本體分開配置之未圖示之可移媒體構成，亦可由以預先組裝於裝置本體中之狀態向使用者等提供之記錄媒體等構成。程式可經由網路而傳送，因此記錄媒體亦可為能搭載或接入至已連接於或可連接於網路之電腦。
再者，於本說明書中，記述記錄媒體中記錄之程式之步驟當然包含按照其順序遵循時間序列所進行之處理，亦包含未必遵循時間序列來執行而是並行或個別地執行之處理。又，於本說明書中，詞語「系統」表示包含數個裝置或數個手段等之整體裝置。
1:HbA1c風險推定系統 10:終端裝置 20:生物體資訊測定裝置 30:HbA1c風險推定裝置 31:第1獲取部 32:第2獲取部 33:使用者資料記憶部 34:訓練資料記憶部 35:學習處理部 36:推定模型記憶部 37:推定處理部 38:推定資料記憶部 39:顯示裝置 300:電腦 301:處理器 302:記憶體 303:儲存器 304:輸入輸出埠 305:通信埠
圖1係表示HbA1c風險推定系統之概略構成之方塊圖。  圖2係用以說明電子掃描圖(ESG，Electros Scan Gram)之圖。  圖3係HbA1c風險推定裝置之硬體構成圖。  圖4係表示藉由機械學習生成HbA1c風險推定模型之動作之執行步序之流程圖。  圖5係HbA1c風險推定時所使用之神經網路(NN)之階層構造。  圖6係表示HbA1c風險推定處理之執行程序之流程圖。  圖7係實施例1中之推定結果之ROC_AUC曲線。  圖8係實施例2中之推定結果之ROC_AUC曲線。
1:HbA1c風險推定系統
10:終端裝置
20:生物體資訊測定裝置
30:HbA1c風險推定裝置
31:第1獲取部
32:第2獲取部
33:使用者資料記憶部
34:訓練資料記憶部
35:學習處理部
36:推定模型記憶部
37:推定處理部
38:推定資料記憶部
39:顯示裝置

Claims (12)

  1. 一種HbA1c風險推定裝置，其特徵在於具備：  資訊獲取部，其獲取既定之使用者之屬性資訊及非侵入性生物體資訊；  推定模型記憶部，其記憶HbA1c風險推定模型；及  推定處理部，其使用上述HbA1c風險推定模型，基於上述既定之使用者之屬性資訊及/或非侵入性生物體資訊，計算上述既定之使用者之HbA1c風險推定值。
  2. 如請求項1之HbA1c風險推定裝置，其中，上述屬性資訊包含年齡及性別之任一者、或其等之組合，且  上述非侵入性生物體資訊包含BMI、循環血液量、血壓、脈波資料、心電圖資料及生物體阻抗之任一者、或其等之組合。
  3. 如請求項1或2之HbA1c風險推定裝置，其中，上述HbA1c風險推定值之推定精度係可藉由ROC_AUC是否為0.7以上而區分出有無風險之精度。
  4. 如請求項1至3中任一項之HbA1c風險推定裝置，其中，進而具備：  訓練資料記憶部，其記憶訓練資料集；及  學習處理部，其基於上述訓練資料集，藉由機械學習生成上述HbA1c風險推定模型。
  5. 如請求項4之HbA1c風險推定裝置，其中，上述訓練資料集包含被驗者之屬性資訊、非侵入性生物體資訊及自血液測定出之HbA1c測定值。
  6. 如請求項5之HbA1c風險推定裝置，其中，上述非侵入性生物體資訊進而包含血氧飽和度(SpO2)。
  7. 如請求項4至6中任一項之HbA1c風險推定裝置，其中，上述學習處理部係於上述訓練資料集上，附加基於自血液測定出之HbA1c測定值而表示有無上述HbA1c風險之標籤，且  當上述標籤中有上述HbA1c風險之數與無上述HbA1c風險之數之差為既定之值以上之情形時，增加上述訓練資料集中之樣本資料，以縮小上述差。
  8. 如請求項4至7中任一項之HbA1c風險推定裝置，其中，上述學習處理部係基於不同種類之訓練資料集，分別藉由機械學習生成第1HbA1c風險推定模型及第2HbA1c風險推定模型，且  上述推定處理部係使用上述第1HbA1c風險推定模型及上述第2HbA1c風險推定模型，計算上述既定之使用者之HbA1c風險推定值。
  9. 如請求項1至8中任一項之HbA1c風險推定裝置，其進而具備推定上述生物體資訊中包含之BMI、血壓、脈波資料、心電圖資料、生物體阻抗及血氧飽和度中至少一者以上之生物體資訊之生物體資訊推定部，且  上述資訊獲取部係獲取藉由上述生物體資訊推定部而推定出之生物體資訊作為上述既定之使用者之生物體資訊。
  10. 一種非侵入HbA1c風險推定系統，其特徵在於：  具備請求項1至9中任一項之上述HbA1c風險推定裝置、及  測定非侵入性生物體資訊之生物體資訊測定裝置。
  11. 一種HbA1c風險推定方法，其包含如下步驟：  記憶包含被驗者之屬性資訊、非侵入性生物體資訊及自血液測定出之HbA1c測定值之訓練資料集；  基於上述訓練資料集，藉由機械學習生成HbA1c風險推定模型；及  使用上述HbA1c風險推定模型，基於既定之使用者之屬性資訊及/或非侵入性生物體資訊，計算上述既定之使用者之HbA1c風險推定值。
  12. 一種使電腦執行如下步驟之程式：  記憶包含被驗者之屬性資訊、非侵入性生物體資訊及自血液測定出之HbA1c測定值之訓練資料集；  基於上述訓練資料集，藉由機械學習生成HbA1c風險推定模型；及  使用上述HbA1c風險推定模型，基於既定之使用者之屬性資訊及/或非侵入性生物體資訊，計算上述既定之使用者之HbA1c風險推定值。
TW111111235A 2021-08-06 2022-03-25 HbA1c風險推定裝置、HbA1c風險推定方法及程式 TW202307430A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2021130045 2021-08-06
JP2021-130045 2021-08-06
JP2022-040636 2022-03-15
JP2022040636A JP2023024256A (ja) 2021-08-06 2022-03-15 ＨｂＡ１ｃリスク推定装置、ＨｂＡ１ｃリスク推定方法及びプログラム

Publications (1)

Publication Number Publication Date
TW202307430A true TW202307430A (zh) 2023-02-16

Family

ID=85155665

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111111235A TW202307430A (zh) 2021-08-06 2022-03-25 HbA1c風險推定裝置、HbA1c風險推定方法及程式

Country Status (4)

Country Link
US (1) US20230402185A1 (zh)
EP (1) EP4383274A1 (zh)
TW (1) TW202307430A (zh)
WO (1) WO2023013164A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2488659B1 (en) * 2009-10-15 2019-12-11 Crescendo Bioscience, Inc. Biomarkers and methods for measuring and monitoring inflammatory disease activity
CN113519018B (zh) * 2019-03-12 2023-01-03 三菱电机株式会社 移动体控制装置和移动体控制方法
JP2020162834A (ja) * 2019-03-29 2020-10-08 株式会社タニタ 健康情報提供システム及び健康情報提供プログラム
JP7354497B2 (ja) 2019-09-17 2023-10-03 株式会社ファンケル 非侵襲的なＨｂＡ１ｃ値の推定方法
JP7497653B2 (ja) * 2019-10-28 2024-06-11 株式会社デンソー 情報処理装置、統合モデル生成方法、及び統合モデル生成プログラム

Also Published As

Publication number Publication date
WO2023013164A1 (ja) 2023-02-09
US20230402185A1 (en) 2023-12-14
EP4383274A1 (en) 2024-06-12

Similar Documents

Publication Publication Date Title
JP2022153288A (ja) 血糖値推定装置、血糖値推定方法及びプログラム
WO2022210570A1 (ja) 血糖値推定装置、血糖値推定方法及びプログラム
Shamim et al. Diagnostic accuracy of smartphone-connected electrophysiological biosensors for prediction of blood glucose level in a type-2 diabetic patient using machine learning: A pilot study
Anwar et al. Machine learning based real-time diagnosis of mental stress using photoplethysmography
WO2023013164A1 (ja) ＨｂＡ１ｃリスク推定装置、ＨｂＡ１ｃリスク推定方法及びプログラム
WO2023013166A1 (ja) 尿酸値推定装置、尿酸値推定方法及びプログラム
WO2023013167A1 (ja) クレアチニンリスク推定装置、クレアチニンリスク推定方法及びプログラム
WO2023013165A1 (ja) γＧＴ推定装置、γＧＴ推定方法及びプログラム
WO2022270098A1 (ja) 血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラム
WO2022270099A1 (ja) コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム
JP2023024256A (ja) ＨｂＡ１ｃリスク推定装置、ＨｂＡ１ｃリスク推定方法及びプログラム
CN117693313A (zh) HbA1c风险推定装置、HbA1c风险推定方法以及程序
JP2023024258A (ja) 尿酸値推定装置、尿酸値推定方法及びプログラム
JP2023024257A (ja) γＧＴ推定装置、γＧＴ推定方法及びプログラム
JP2023024259A (ja) クレアチニンリスク推定装置、クレアチニンリスク推定方法及びプログラム
JP2023002452A (ja) 血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラム
JP2023002453A (ja) コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム
CN117677849A (zh) 肌酐风险推定装置、肌酐风险推定方法以及程序
CN117678033A (zh) 尿酸值推定装置、尿酸值推定方法以及程序
CN117678032A (zh) γGT推定装置、γGT推定方法以及程序
Rezaei Yousefi Atrial Fibrillation Detection from Photoplethysmography Data Using Artificial Neural Networks
Centonze A Novel Approach For Blood Pressure Prediction Using Machine Learning Techniques
Mahmoud Deep Learning Method for ABP Estimattion Using PPG During Daily Activities
우종혁 Evaluation of the cardiac function by artificial neural networks
Lyon Computational detection of electrophysiological abnormalities in hypertrophic cardiomyopathy for risk stratification