WO2013115283A1 - 早期腎症の評価方法、早期腎症評価装置、早期腎症評価方法、早期腎症評価プログラム、早期腎症評価システムおよび情報通信端末装置 - Google Patents

早期腎症の評価方法、早期腎症評価装置、早期腎症評価方法、早期腎症評価プログラム、早期腎症評価システムおよび情報通信端末装置 Download PDF

Info

Publication number
WO2013115283A1
WO2013115283A1 PCT/JP2013/052115 JP2013052115W WO2013115283A1 WO 2013115283 A1 WO2013115283 A1 WO 2013115283A1 JP 2013052115 W JP2013052115 W JP 2013052115W WO 2013115283 A1 WO2013115283 A1 WO 2013115283A1
Authority
WO
WIPO (PCT)
Prior art keywords
discriminant
evaluation
early nephropathy
amino acid
value
Prior art date
Application number
PCT/JP2013/052115
Other languages
English (en)
French (fr)
Inventor
温子 新原
孝彦 村松
信和 小野
真司 久米
信一 荒木
貴 宇津
前川　聡
Original Assignee
味の素株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 味の素株式会社 filed Critical 味の素株式会社
Publication of WO2013115283A1 publication Critical patent/WO2013115283A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
    • G01N33/6806—Determination of free amino acids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/34—Genitourinary disorders
    • G01N2800/347—Renal failures; Glomerular diseases; Tubulointerstitial diseases, e.g. nephritic syndrome, glomerulonephritis; Renovascular diseases, e.g. renal artery occlusion, nephropathy

Definitions

  • the present invention relates to an early nephropathy evaluation method, an early nephropathy evaluation device, an early nephropathy evaluation method, an early nephropathy evaluation program, an early nephropathy evaluation system, and an information communication terminal device.
  • Diabetic nephropathy (hereinafter sometimes referred to as “nephropathy”) is one of arteriole vascular disorders associated with diabetes, and is diagnosed with increased urinary excretion of microalbumin after a certain period of diabetes. Is done. Diabetic nephropathy continuously progresses from an increase in urinary albumin excretion and protein excretion to overt proteinuria to chronic renal failure. Diabetic nephropathy depends on diagnostic criteria: stage I (early nephropathy), stage II (early nephropathy stage), stage III (explicit nephropathy stage), stage IV (renal failure stage), stage V (dialysis therapy) Stage) (Non-patent Document 1).
  • Non-patent Document 1 In Japan, the prevalence of diabetic nephropathy is increasing year by year against the background of an increase in the number of diabetic patients, and diabetic nephropathy is currently the number one new primary dialysis-induced disease. Treatment guidelines for the main purpose of suppressing progression of diabetic nephropathy have been established, and blood glucose management, blood pressure management, and diet therapy according to the disease stage are set (Non-patent Document 1).
  • Non-patent document 2 and Non-patent document 3 have shown that strict blood glucose control, antihypertensive therapy using renin-angiotensin inhibitors, and aggressive lipid control not only prevent progression of the stage but also improve stage ( (Disappearance of albuminuria) has also been clarified (Non-patent document 2 and Non-patent document 3).
  • urinary microalbumin measurement is now widely used clinically as a screening method for early nephropathy, and urinary albumin excretion Staging is also carried out according to the degree.
  • Non-patent Document 4 the measurement of albumin excretion using a urine sample described in Non-Patent Document 4 is performed on almost all patients and frequently, but albumin using urine samples on the other hand. It is mentioned that the excretion amount is measured only about 30% of the total number of patients (Non-patent Document 4). This problem has resulted in missed treatable early nephropathy and is one factor that worsens the patient's renal prognosis. Moreover, regarding the measurement of albumin excretion using a urine sample described in Non-Patent Document 4, there is a problem that false positives, measurement reproducibility, and diagnostic performance are not sufficient.
  • Patent Document 1 Patent Document 2, and Patent Document 3 relating to a method for associating an amino acid concentration with a biological state are disclosed.
  • Patent Document 4 regarding a method for evaluating the state of metabolic syndrome using amino acid concentration
  • Patent Document 5 regarding a method for evaluating the state of visceral fat accumulation using amino acid concentration
  • Patent Document 7 relating to a method for evaluating an obesity state using amino acid concentrations are disclosed.
  • Patent Literature 8 and Non-Patent Literature 5 relating to detection of chronic kidney disease are disclosed.
  • the present invention has been made in view of the above problems, and an early nephropathy evaluation method and early nephropathy evaluation apparatus that can accurately evaluate the state of early nephropathy using the concentration of amino acids in blood.
  • An object of the present invention is to provide an early nephropathy evaluation method, an early nephropathy evaluation program, an early nephropathy evaluation system, and an information communication terminal device.
  • an evaluation method for early nephropathy includes an acquisition step of acquiring amino acid concentration data relating to a concentration value of amino acids in blood collected from an evaluation target; EtOHNH2, Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn, included in the amino acid concentration data of the evaluation object acquired in the acquisition step, Based on the concentration value of at least one of Orn, Asp, Gln, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit, Tyr, Trp, Cys And a concentration value reference evaluation step for evaluating the state of nephropathy.
  • the early nephropathy evaluation method is the above-described early nephropathy evaluation method, wherein the concentration value reference evaluation step includes Sar, Ala, ⁇ -AIBA, ⁇ -ABA contained in the amino acid concentration data. , Ser, Pro, Val, Hypro, Ile, Leu, Orn, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit, Trp, Cys based on the concentration value And evaluating whether the evaluation object has the early nephropathy.
  • the early nephropathy evaluation method is the above-described early nephropathy evaluation method, wherein the concentration value reference evaluation step includes ⁇ -AIBA, 3-MeHis, Cit, Trp included in the amino acid concentration data. , Cys, Glu, Hypro, Sar, Leu, His, Arg, Lys, Ser, Phe, Ala, Orn, Pro, Ile. It is characterized by further evaluating whether it develops.
  • cardiovascular events include coronary artery disease (myocardial infarction, angina pectoris, heart failure, etc.), cerebrovascular disorder (cerebral ischemia, cerebral infarction, cerebral hemorrhage, etc.) and other vascular disorders (internal carotid artery). Stenosis, peripheral occlusive arterial disease, etc.).
  • the early nephropathy evaluation method is the above-described early nephropathy evaluation method, wherein the concentration value reference evaluation step includes EtOHNH2, Sar, ⁇ -AIBA, ⁇ -ABA contained in the amino acid concentration data. , Ser, Val, Thr, Tau, Hypro, Ile, Asn, Orn, Asp, Gln, ⁇ -AAA, Arg, Tyr, Cys, Gly, Ala, Pro, Leu, Lys, Met, His, Phe It is characterized by evaluating whether the said evaluation object will develop the said early nephropathy in the future based on the said one density
  • the early nephropathy evaluation method is the above-described early nephropathy evaluation method, wherein the concentration value reference evaluation step includes EtOHNH2, Gly, Sar, Ala, ⁇ -AIBA included in the amino acid concentration data. , ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn, Orn, Asp, Gln, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit , Tyr, Trp, Cys containing at least one of the concentration value and the amino acid concentration as variables, EtOHNH2, Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn, Orn, Asp, Gln, Lys, Glu, M for assessing the condition of the early nephropathy that is preset and includes at least one of et, His, ⁇ -AAA
  • the method for evaluating early nephropathy is the method for evaluating early nephropathy, wherein the multivariate discriminant is a logistic regression equation, a fractional equation, a linear discriminant, a multiple regression equation, or a support vector machine. It is one of a created formula, a formula created by Mahalanobis distance method, a formula created by canonical discriminant analysis, a formula created by a decision tree, and a Cox proportional hazard model formula .
  • the evaluation method for early nephropathy according to the present invention is the evaluation method for early nephropathy, wherein the concentration value reference evaluation step is based on the discriminant value calculated in the discriminant value calculation step.
  • the method further includes a discriminant value criterion evaluation step for evaluating the state of the early nephropathy.
  • the early nephropathy evaluation method is the above-described early nephropathy evaluation method, wherein the discriminant value calculating step includes Sar, Ala, ⁇ -AIBA, ⁇ -ABA, included in the amino acid concentration data.
  • the early nephropathy evaluation method is the aforementioned early nephropathy evaluation method, wherein the multivariate discriminant used in the evaluation of the early nephropathy is Ala, Orn, Glu, 3-MeHis. , Trp, Cys as the variable, the logistic regression equation including Ala, Ser, Leu, Lys, Cit, Trp as the variable, Ala, Glu, 3-MeHis, Cit, Trp, Cys as the variable.
  • the linear discriminant including variables, or the linear discriminant including Ala, Ser, Ile, Lys, Phe, and Trp as the variables.
  • the early nephropathy evaluation method is the above-described early nephropathy evaluation method, wherein the discriminant value calculating step includes ⁇ -AIBA, 3-MeHis, Cit, Trp, included in the amino acid concentration data.
  • the evaluation target is a cardiovascular event in the future. It is characterized by further evaluating whether or not to develop a gut.
  • the early nephropathy evaluation method is the early nephropathy evaluation method, wherein the multivariate discriminant used in the evaluation of the cardiovascular event is Ala, Orn, Glu, 3-MeHis. , Trp, Cys as the variables, the logistic regression equation, Hypro, Glu, His, 3-MeHis, Arg, Trp as the variables, the logistic regression equation, Ala, Ser, Leu, Lys, Cit, Trp as the variables
  • the logistic regression equation including as variables, the logistic regression equation including Ser, Orn, His, Arg, Trp as the variables, the linear discriminant including Ala, Glu, 3-MeHis, Cit, Trp, Cys as the variables, Before Sar, Leu, Glu, 3-MeHis, Arg, Trp
  • the linear discriminant including variables, the linear discriminant including Ala, Ser, Ile, Lys, Phe, Trp as the variables, the linear discriminant including Ser, Lys, His, Cit, Trp as the variables, Hypro,
  • the early nephropathy evaluation method is the above-described early nephropathy evaluation method, wherein the discriminant value calculating step includes EtOHNH2, Sar, ⁇ -AIBA, ⁇ -ABA, Ser, Val, Thr, Tau, Hypro, Ile, Asn, Orn, Asp, Gln, ⁇ -AAA, Arg, Tyr, Cys, Gly, Ala, Pro, Leu, Lys, Met, His, Phe
  • the concentration value, EtOHNH2, Sar, ⁇ -AIBA, ⁇ -ABA, Ser, Val, Thr, Tau, Hypro, Ile, Asn, Orn, Asp, Gln, ⁇ -AAA, Arg, Tyr, Cys, Gly, Ala , Pro, Leu, Lys, Met, His, Phe at least one of the variables
  • the discriminant value is calculated based on the multivariate discriminant included, and the discriminant value criterion-evaluating step evaluates whether the evaluation target will develop the early nephropathy in the future
  • the early nephropathy evaluation method is the aforementioned early nephropathy evaluation method, wherein the multivariate discriminant includes ⁇ -AIBA, Val, Tau, Ile, ⁇ -AAA, and Arg as the variables.
  • the multivariate discriminant includes ⁇ -AIBA, Val, Tau, Ile, ⁇ -AAA, and Arg as the variables.
  • the logistic regression equation including Ser, Val, Met, Arg, Tyr as the variable
  • the linear discriminant including Val, Tau, Ile, ⁇ -AAA, Phe, Arg as the variable, or Ser , Pro, Val, Ile, Leu, and Arg as the variables.
  • the early nephropathy evaluation apparatus is an early nephropathy evaluation apparatus that includes a control unit and a storage unit, and evaluates the state of early nephropathy for each evaluation target, and the control unit includes amino acid concentrations.
  • the early nephropathy evaluation apparatus is the early nephropathy evaluation apparatus, in which the control unit is configured to determine the early nephropathy for the evaluation object based on the discrimination value calculated by the discrimination value calculation unit. And a discriminant value criterion evaluating means for evaluating the state.
  • the early nephropathy evaluation apparatus is the early nephropathy evaluation apparatus, wherein (i) the control unit is an early nephropathy state index relating to the amino acid concentration data and an index representing the early nephropathy state.
  • Multivariate discriminant creating means for creating the multivariate discriminant stored in the storage unit based on early nephropathy state information stored in the storage unit including data
  • the discriminant creation means is a candidate multivariate discriminant creation means for creating a candidate multivariate discriminant that is a candidate for the multivariate discriminant based on a predetermined formula creation method from the early nephropathy state information
  • the candidate Candidate multivariate discriminant verification means for verifying the candidate multivariate discriminant created by the multivariate discriminant creation means based on a predetermined verification method, and the candidate multivariate discriminant of the candidate multivariate discriminant based on a predetermined variable selection method
  • Select variable Variable selection means for selecting a combination of the amino acid concentration data included in the early nephropathy state information used when creating the candidate multivariate discriminant, and the candidate multivariate discriminant creation The candidate to be adopted as the multivariate discriminant from a plurality of the candidate multivariate discriminants based on the verification results
  • the early nephropathy evaluation method is an early nephropathy evaluation method for evaluating the state of early nephropathy for an evaluation object, which is executed in an information processing apparatus including a control unit and a storage unit, EtOHNH2, Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro included in the amino acid concentration data of the evaluation object regarding the amino acid concentration value executed in the control unit , Ile, Leu, Asn, Orn, Asp, Gln, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit, Tyr, Trp, Cys, and EtOHNH2, Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, containing the amino acid concentration as a variable Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn, Orn, Asp, Gln, Lys, Glu, Met,
  • the early nephropathy evaluation program is an early nephropathy evaluation program for evaluating the state of early nephropathy for an evaluation object for execution in an information processing apparatus including a control unit and a storage unit.
  • EtOHNH2 Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau included in the amino acid concentration data of the evaluation object relating to the amino acid concentration value to be executed in the control unit
  • Hypro Ile, Leu, Asn, Orn, Asp, Gln, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit, Tyr, Trp, Cys.
  • Gly, Sar, Ala including the amino acid concentration as a variable -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn, Orn, Asp, Gln, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg , Cit, Tyr, Trp, Cys based on the multivariate discriminant for evaluating the state of the early nephropathy stored in the storage unit including at least one of the variables as the variable And a discriminant value calculating step of calculating a discriminant value which is a value of an expression.
  • a recording medium according to the present invention is a non-transitory computer-readable recording medium, and includes a programmed instruction for causing an information processing apparatus to execute the early nephropathy evaluation method. To do.
  • the early nephropathy evaluation system includes a control unit and a storage unit, and includes an early nephropathy evaluation device that evaluates the state of early nephropathy per evaluation object, and a control unit, and relates to the amino acid concentration value.
  • An information and communication terminal device that provides amino acid concentration data to be evaluated is an early nephropathy evaluation system configured to be communicably connected via a network, and the control unit of the information communication terminal device includes: Amino acid concentration data transmitting means for transmitting the evaluation target amino acid concentration data to the early nephropathy evaluation device, and a result of receiving a discriminant value that is a value of a multivariate discriminant transmitted from the early nephropathy evaluation device An amino acid concentration data receiving means for receiving the amino acid concentration data transmitted from the information communication terminal device.
  • EtOHNH2 Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn included in the amino acid concentration data received by the amino acid concentration data receiving means , Orn, Asp, Gln, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit, Tyr, Trp, Cys, and the concentration of the amino acid is variable.
  • the discriminant value is calculated based on the multivariate discriminant for evaluating the state of the early nephropathy stored in the storage unit including at least one of Tyr, Trp, and Cys as the variable.
  • the early nephropathy evaluation system is the early nephropathy evaluation system, wherein the control unit of the early nephropathy evaluation apparatus is based on the discriminant value calculated by the discriminant value calculation means.
  • the information communication terminal device further includes a discriminant value criterion-evaluating unit that evaluates the state of the early nephropathy per evaluation object, and the result transmitting unit outputs the evaluation result of the evaluation object obtained by the discriminant value criterion-evaluating unit.
  • the result receiving means receives the evaluation result of the evaluation object transmitted from the information communication terminal device.
  • the information communication terminal device is an information communication terminal device that includes a control unit and provides amino acid concentration data to be evaluated regarding the amino acid concentration value, wherein the control unit is a multivariate discriminant value.
  • the information communication terminal device is connected to the early stage nephropathy evaluation device that evaluates the state of the early nephropathy for the evaluation target in the information communication terminal device so as to be communicable via a network.
  • the control unit further includes amino acid concentration data transmitting means for transmitting the amino acid concentration data to be evaluated to the early nephropathy evaluation apparatus, and the result acquisition means is transmitted from the early nephropathy evaluation apparatus. The discriminant value is received.
  • the result acquisition means is an evaluation related to the state of the early nephropathy to be evaluated transmitted from the early nephropathy evaluation device.
  • a result is received, and the evaluation result is a result of evaluating the state of the early nephropathy for the evaluation object based on the discriminant value.
  • the early nephropathy evaluation apparatus includes a control unit and a storage unit that are communicably connected via an information communication terminal device that provides amino acid concentration data to be evaluated regarding amino acid concentration values.
  • an early nephropathy evaluation apparatus that evaluates the state of early nephropathy for the evaluation object, wherein the control unit includes amino acid concentration data receiving means for receiving the amino acid concentration data transmitted from the information communication terminal device; EtOHNH2, Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn included in the amino acid concentration data received by the amino acid concentration data receiving means , Orn, Asp, Gln, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHi , Arg, Cit, Tyr, Trp, Cys, including EtOHNH2, Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, At least one of Thr
  • the early nephropathy evaluation apparatus is the early nephropathy evaluation apparatus, in which the control unit is configured to determine the early nephropathy for the evaluation object based on the discrimination value calculated by the discrimination value calculation unit. Further comprising a discriminant value criterion-evaluating unit that evaluates the state, and the result transmitting unit transmits the evaluation result of the evaluation target obtained by the discriminant value criterion-evaluating unit to the information communication terminal device.
  • the method for searching for a substance for preventing / ameliorating early nephropathy is an amino acid concentration related to a concentration value of amino acids in blood collected from an evaluation subject to which a desired substance group consisting of one or more substances is administered.
  • An acquisition step for acquiring data, a concentration value reference evaluation step for evaluating the state of early nephropathy for the evaluation object based on the amino acid concentration data of the evaluation object acquired in the acquisition step, and the concentration value reference evaluation Determining whether the desired substance group is to prevent the early nephropathy or to improve the state of the early nephropathy based on an evaluation result in a step. It is characterized by.
  • amino acid concentration data relating to the concentration value of amino acids in blood collected from an evaluation object is acquired, and EtOHNH2, Gly, Sar, Ala, ⁇ -AIBA, ⁇ included in the acquired amino acid concentration data of the evaluation object -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn, Orn, Asp, Gln, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit, Tyr , Trp, Cys, based on at least one concentration value, the state of early nephropathy is evaluated for each evaluation object.
  • the state of early nephropathy can be accurately evaluated using the amino acid concentration useful for the state evaluation of early nephropathy among the concentrations of amino acids in blood.
  • ⁇ -AIBA, 3-MeHis, Cit, Trp, Cys, Glu, Hypro, Sar, Leu, His, Arg, Lys, Ser, Phe, Ala, Orn included in the amino acid concentration data
  • the concentration of amino acids useful for the evaluation of the future onset of the cardiovascular event is used to determine the future onset of the cardiovascular event. There is an effect that the evaluation can be performed with high accuracy.
  • EtOHNH2, Sar, ⁇ -AIBA, ⁇ -ABA, Ser, Val, Thr, Tau, Hypro, Ile, Asn, Orn, Asp, Gln, ⁇ -AAA, included in the amino acid concentration data Based on the concentration value of at least one of Arg, Tyr, Cys, Gly, Ala, Pro, Leu, Lys, Met, His, and Phe, it is evaluated whether the evaluation subject will develop early nephropathy in the future. Thereby, the amino acid concentration useful for evaluating the future onset of early nephropathy among the amino acid concentrations in the blood is used, and the evaluation can be performed with high accuracy.
  • the multivariate discriminant is a logistic regression equation, a fractional equation, a linear discriminant equation, a multiple regression equation, an equation created by a support vector machine, an equation created by the Mahalanobis distance method, a canonical discriminant.
  • One of an expression created by analysis, an expression created by a decision tree, and a Cox proportional hazard model expression can be obtained by using a multivariate discriminant useful for evaluating the state of early nephropathy.
  • the state of early nephropathy is evaluated for each evaluation object based on the calculated discriminant value.
  • a multivariate discriminant including at least one of Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit, Trp, and Cys as a variable, the discriminant value was calculated.
  • the multivariate discriminant includes a logistic regression equation including Ala, Orn, Glu, 3-MeHis, Trp, and Cys as variables, and Ala, Ser, Leu, Lys, Cit, and Trp as variables.
  • ⁇ -AIBA, 3-MeHis, Cit, Trp, Cys, Glu, Hypro, Sar, Leu, His, Arg, Lys, Ser, Phe, Ala, Orn included in the amino acid concentration data
  • At least one concentration value of Pro and Ile and ⁇ -AIBA, 3-MeHis, Cit, Trp, Cys, Glu, Hypro, Sar, Leu, His, Arg, Lys, Ser, Phe, Ala, Orn, Pro
  • a discriminant value is calculated based on a multivariate discriminant including at least one of Ile as a variable, and it is further evaluated based on the calculated discriminant whether an evaluation target will develop a cardiovascular event in the future.
  • the multivariate discriminant includes logistic regression equations including Ala, Orn, Glu, 3-MeHis, Trp, and Cys as variables, and Hypro, Glu, His, 3-MeHis, Arg, Trp as variables.
  • Logistic regression equation including Ala, Ser, Leu, Lys, Cit, Trp as variables, logistic regression equation including Ser, Orn, His, Arg, Trp as variables, Ala, Glu, 3-MeHis, Linear discriminant including Cit, Trp, Cys as variables, linear discriminant including Sar, Leu, Glu, 3-MeHis, Arg, Trp as variables, linear including Ala, Ser, Ile, Lys, Phe, Trp as variables Change discriminant, Ser, Lys, His, Cit, Trp Linear discriminant containing as, Hypro, Glu, 3-MeHis, Cox proportional hazard model expression including Trp as a variable, or Ser, Lys, His, a Cox proportional hazards model expression including Cit, Trp, as a variable.
  • the discriminant value obtained by the multivariate discriminant that is particularly useful for the evaluation of the future onset of the cardiovascular event is used, and the evaluation can be performed with higher accuracy.
  • the multivariate discriminant includes logistic regression equations including ⁇ -AIBA, Val, Tau, Ile, ⁇ -AAA, and Arg as variables, and Ser, Val, Met, Arg, and Tyr as variables.
  • the storage means stores the early nephropathy state information stored in the storage means including the amino acid concentration data and the early nephropathy state index data relating to the index representing the early nephropathy state.
  • a multivariate discriminant may be created.
  • a candidate multivariate discriminant is created based on a predetermined formula creation method from early nephropathy state information, and (ii) the created candidate multivariate discriminant is verified based on a predetermined verification method
  • a predetermined verification method A combination of amino acid concentration data included in early nephropathy state information used when creating a candidate multivariate discriminant by selecting a variable of the candidate multivariate discriminant based on a predetermined variable selection method Is selected from among a plurality of candidate multivariate discriminants based on the verification results accumulated by repeatedly executing (iv) (i), (ii) and (iii).
  • a multivariate discriminant may be created by selecting a variable discriminant.
  • amino acid concentration data relating to amino acid concentration values collected from an evaluation subject to which a desired substance group consisting of one or a plurality of substances is administered is obtained, and the obtained amino acid concentration data is obtained.
  • the state of early nephropathy is evaluated, and based on the evaluation result, it is determined whether the desired substance group is one that prevents early nephropathy or improves the state of early nephropathy. Therefore, early nephropathy can be prevented or improved by using an early nephropathy evaluation method that can accurately evaluate the state of early nephropathy using the amino acid concentration in the blood. There is an effect that the substance to be made can be searched with high accuracy.
  • the present invention when evaluating the present or future state of early nephropathy or the future state of a cardiovascular event, in addition to the amino acid concentration, other biological information (for example, age, AER (urinary albumin excretion rate) ), BNP (brain natriuretic peptide, etc.) may be further used.
  • other biological information for example, age , AER (urinary albumin excretion rate), BNP (brain natriuretic peptide, etc.
  • other biological information for example, age , AER (urinary albumin excretion rate), BNP (brain natriuretic peptide), etc.
  • FIG. 1 is a principle configuration diagram showing the basic principle of the first embodiment.
  • FIG. 2 is a flowchart illustrating an example of an early nephropathy evaluation method according to the first embodiment.
  • FIG. 3 is a principle configuration diagram showing the basic principle of the second embodiment.
  • FIG. 4 is a diagram illustrating an example of the overall configuration of the present system.
  • FIG. 5 is a diagram showing another example of the overall configuration of the present system.
  • FIG. 6 is a block diagram showing an example of the configuration of the early nephropathy evaluation apparatus 100 of the present system.
  • FIG. 7 is a diagram illustrating an example of information stored in the user information file 106a.
  • FIG. 8 is a diagram showing an example of information stored in the amino acid concentration data file 106b.
  • FIG. 9 is a diagram illustrating an example of information stored in the early nephropathy state information file 106c.
  • FIG. 10 is a diagram illustrating an example of information stored in the designated early nephropathy state information file 106d.
  • FIG. 11 is a diagram illustrating an example of information stored in the candidate multivariate discriminant file 106e1.
  • FIG. 12 is a diagram illustrating an example of information stored in the verification result file 106e2.
  • FIG. 13 is a diagram illustrating an example of information stored in the selected early nephropathy state information file 106e3.
  • FIG. 14 is a diagram illustrating an example of information stored in the multivariate discriminant file 106e4.
  • FIG. 15 is a diagram illustrating an example of information stored in the discrimination value file 106f.
  • FIG. 16 is a diagram illustrating an example of information stored in the evaluation result file 106g.
  • FIG. 17 is a block diagram showing a configuration of the multivariate discriminant-preparing part 102h.
  • FIG. 18 is a block diagram illustrating a configuration of the discriminant value criterion-evaluating unit 102j.
  • FIG. 19 is a block diagram illustrating an example of the configuration of the client apparatus 200 of the present system.
  • FIG. 20 is a block diagram showing an example of the configuration of the database apparatus 400 of this system.
  • FIG. 21 is a flowchart showing an example of early nephropathy evaluation service processing performed by the present system.
  • FIG. 22 is a flowchart showing an example of multivariate discriminant creation processing performed by the early nephropathy evaluation apparatus 100 of the present system.
  • FIG. 23 is a diagram showing a list of logistic regression equations having good discrimination ability for discrimination between the normal group and the early nephropathy group, obtained as a result of searching for combinations of variables from 31 kinds of amino acids.
  • FIG. 24 is a diagram showing a list of logistic regression equations having good discrimination ability for discrimination between the normal group and the early nephropathy group, obtained as a result of searching for combinations of variables from 31 kinds of amino acids.
  • FIG. 25 is a diagram showing a list of logistic regression equations having good discrimination ability for discrimination between the normal group and the early nephropathy group, obtained as a result of searching for combinations of variables from 31 kinds of amino acids.
  • FIG. 26 is a diagram showing a list of logistic regression equations having good discrimination ability for discrimination between the normal group and the early nephropathy group, obtained as a result of searching for combinations of variables from 31 kinds of amino acids.
  • FIG. 27 is a diagram showing a list of logistic regression equations having good discrimination ability for discrimination between the normal group and the early nephropathy group, obtained as a result of searching for combinations of variables from 19 kinds of amino acids.
  • FIG. 28 is a diagram showing a list of logistic regression equations having good discrimination ability for discrimination between the normal group and the early nephropathy group, obtained as a result of searching for combinations of variables from 19 kinds of amino acids.
  • FIG. 28 is a diagram showing a list of logistic regression equations having good discrimination ability for discrimination between the normal group and the early nephropathy group, obtained as a result of searching for combinations of variables from 19 kinds of amino acids.
  • FIG. 29 is a diagram showing a list of logistic regression equations having good discrimination ability for discrimination between a normal group and an early nephropathy group, obtained as a result of searching for combinations of variables from 19 amino acids.
  • FIG. 30 is a diagram showing a list of logistic regression equations having good discrimination ability for discrimination between the normal group and the early nephropathy group, obtained as a result of searching for combinations of variables from 19 kinds of amino acids.
  • FIG. 31 is a diagram showing a list of linear discriminants having good discrimination ability for discrimination between the normal group and the early nephropathy group, obtained as a result of searching for combinations of variables from 31 kinds of amino acids.
  • FIG. 32 is a diagram showing a list of linear discriminants having good discrimination ability for discrimination between the normal group and the early nephropathy group, obtained as a result of searching for combinations of variables from 31 kinds of amino acids.
  • FIG. 33 is a diagram showing a list of linear discriminants having good discriminating ability for discriminating between a normal group and an early nephropathy group obtained as a result of searching for combinations of variables from 31 kinds of amino acids.
  • FIG. 34 is a diagram showing a list of linear discriminants having good discriminating ability for discriminating between a normal group and an early nephropathy group obtained as a result of searching for combinations of variables from 31 kinds of amino acids.
  • FIG. 35 is a diagram showing a list of linear discriminants having good discriminating ability for discrimination between the normal group and the early nephropathy group, obtained as a result of searching for combinations of variables from 19 kinds of amino acids.
  • FIG. 36 is a diagram showing a list of linear discriminants having good discrimination ability for discrimination between the normal group and the early nephropathy group obtained as a result of searching for combinations of variables from 19 kinds of amino acids.
  • FIG. 37 is a diagram showing a list of linear discriminants having good discrimination ability for discrimination between the normal group and the early nephropathy group obtained as a result of searching for combinations of variables from 19 kinds of amino acids.
  • FIG. 36 is a diagram showing a list of linear discriminants having good discrimination ability for discrimination between the normal group and the early nephropathy group obtained as a result of searching for combinations of variables from 19 kinds of amino acids.
  • FIG. 38 is a diagram showing a list of linear discriminants having good discriminating ability for discriminating between a normal group and an early nephropathy group obtained as a result of searching for combinations of variables from 19 kinds of amino acids.
  • FIG. 39 is a diagram showing a list of logistic regression equations having good discriminating ability for discriminating whether the group is a normal group or early nephropathy group in the future, obtained as a result of searching for combinations of variables from 31 kinds of amino acids. is there.
  • FIG. 40 is a diagram showing a list of logistic regression equations having good discriminating ability for discriminating whether the group is a normal group or an early nephropathy group in the future, obtained as a result of searching for combinations of variables from 31 amino acids. is there.
  • FIG. 39 is a diagram showing a list of logistic regression equations having good discriminating ability for discriminating whether the group is a normal group or early nephropathy group in the future, obtained as a result of searching for combinations of variables from 31 amino acids. is there.
  • FIG. 41 is a diagram showing a list of logistic regression equations having good discriminating ability for discriminating whether the group is a normal group or an early nephropathy group in the future, obtained as a result of searching for combinations of variables from 31 kinds of amino acids. is there.
  • FIG. 42 is a diagram showing a list of logistic regression equations having good discriminating ability for discriminating whether the group is a normal group or early nephropathy group in the future, obtained as a result of searching for combinations of variables from 31 kinds of amino acids. is there.
  • FIG. 43 is a diagram showing a list of logistic regression equations having good discriminating ability for discriminating whether the group is a normal group or an early nephropathy group in the future, obtained as a result of searching for combinations of variables from 19 kinds of amino acids.
  • FIG. 44 is a diagram showing a list of logistic regression equations having good discriminating ability for discriminating whether the group is a normal group or an early nephropathy group in the future, obtained as a result of searching for combinations of variables from 19 kinds of amino acids. is there.
  • FIG. 45 is a diagram showing a list of logistic regression equations having good discriminating ability for discriminating whether the group is a normal group or early nephropathy group in the future, obtained as a result of searching for combinations of variables from 19 amino acids. is there.
  • FIG. 45 is a diagram showing a list of logistic regression equations having good discriminating ability for discriminating whether the group is a normal group or early nephropathy group in the future, obtained as a result of searching for combinations of variables from 19 amino acids. is there.
  • FIG. 46 is a diagram showing a list of logistic regression equations having good discriminating ability for discriminating whether the group is a normal group or an early nephropathy group in the future, obtained as a result of searching for combinations of variables from 19 kinds of amino acids. is there.
  • FIG. 47 is a diagram showing a list of linear discriminants having good discriminating ability for discriminating whether they are in the normal group or early nephropathy group in the future, obtained as a result of searching for combinations of variables from 31 kinds of amino acids. is there.
  • FIG. 48 is a diagram showing a list of linear discriminants having a good discriminating ability for discriminating whether the group is a normal group or an early nephropathy group in the future, obtained as a result of searching for combinations of variables from 31 kinds of amino acids.
  • FIG. 49 is a diagram showing a list of linear discriminants having good discriminating ability for discriminating whether the group is a normal group or early nephropathy group in the future, obtained as a result of searching for combinations of variables from 31 amino acids. is there.
  • FIG. 50 is a diagram showing a list of linear discriminants having a good discriminating ability for discriminating whether the group is a normal group or an early nephropathy group in the future, obtained as a result of searching for combinations of variables from 31 kinds of amino acids. is there.
  • FIG. 50 is a diagram showing a list of linear discriminants having a good discriminating ability for discriminating whether the group is a normal group or an early nephropathy group in the future, obtained as a result of searching for combinations of variables from 31 kinds of amino acids. is there.
  • FIG. 51 is a diagram showing a list of linear discriminants having a good discriminating ability for discriminating whether the group is a normal group or an early nephropathy group in the future, obtained as a result of searching for combinations of variables from 19 kinds of amino acids. is there.
  • FIG. 52 is a diagram showing a list of linear discriminants having good discriminating ability for discriminating whether the group is a normal group or an early nephropathy group in the future, obtained as a result of searching for combinations of variables from 19 kinds of amino acids. is there.
  • FIG. 52 is a diagram showing a list of linear discriminants having good discriminating ability for discriminating whether the group is a normal group or an early nephropathy group in the future, obtained as a result of searching for combinations of variables from 19 kinds of amino acids. is there.
  • FIG. 53 is a diagram showing a list of linear discriminants having a good discriminating ability for discriminating whether the group is a normal group or early nephropathy group in the future, obtained as a result of searching for combinations of variables from 19 kinds of amino acids. is there.
  • FIG. 54 is a diagram showing a list of linear discriminants having a good discriminating ability for discriminating whether the group is a normal group or an early nephropathy group in the future, obtained as a result of searching for combinations of variables from 19 kinds of amino acids. is there.
  • FIG. 55 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids.
  • FIG. 56 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 57 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 56 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 58 shows a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 59 shows a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 19 kinds of amino acids. It is a figure which shows a list.
  • FIG. 59 shows a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 19 kinds of amino acids. It is a figure which shows a list.
  • FIG. 60 shows a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 19 kinds of amino acids. It is a figure which shows a list.
  • FIG. 61 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event onset group obtained as a result of searching for a combination of variables from 19 kinds of amino acids. It is a figure which shows a list.
  • FIG. 61 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event onset group obtained as a result of searching for a combination of variables from 19 kinds of amino acids. It is a figure which shows a list.
  • FIG. 61 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event
  • FIG. 62 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 19 kinds of amino acids. It is a figure which shows a list.
  • FIG. 63 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event non-onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 63 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event non-onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 64 is a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 65 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event non-onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 65 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event non-onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 66 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event non-onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 67 is a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 19 amino acids. It is a figure which shows a list.
  • FIG. 68 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a non-onset cardiovascular event group obtained as a result of searching for combinations of variables from 19 amino acids.
  • FIG. 69 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event non-onset group obtained as a result of searching for a combination of variables from 19 kinds of amino acids. It is a figure which shows a list.
  • FIG. 70 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 19 kinds of amino acids. It is a figure which shows a list.
  • FIG. 69 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event non-onset group obtained as a result of searching for a combination of variables from 19 kinds of amino acids. It is a figure which shows a list.
  • FIG. 70 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event
  • FIG. 71 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 72 shows a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event onset group obtained as a result of searching for a combination of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 72 shows a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event onset group obtained as a result of searching for a combination of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 73 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 74 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 74 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 74 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained
  • FIG. 75 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 14 types of amino acids. It is a figure which shows a list.
  • FIG. 76 shows a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event onset group obtained as a result of searching for combinations of variables from 14 amino acids. It is a figure which shows a list.
  • FIG. 75 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 14 types of amino acids. It is a figure which shows a list.
  • FIG. 76 shows a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event
  • FIG. 77 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 14 amino acids. It is a figure which shows a list.
  • FIG. 78 is a logistic regression equation having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 14 amino acids. It is a figure which shows a list.
  • FIG. 79 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids.
  • FIG. 80 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 81 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 80 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 82 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event non-onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows a list.
  • FIG. 83 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event onset group obtained as a result of searching for combinations of variables from 14 types of amino acids. It is a figure which shows a list.
  • FIG. 83 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event onset group obtained as a result of searching for combinations of variables from 14 types of amino acids. It is a figure which shows a list.
  • FIG. 84 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 14 types of amino acids. It is a figure which shows a list.
  • FIG. 85 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event non-onset group obtained as a result of searching for combinations of variables from 14 types of amino acids. It is a figure which shows a list.
  • FIG. 85 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event non-onset group obtained as a result of searching for combinations of variables from 14 types of amino acids. It is a figure which shows a list.
  • FIG. 86 shows a linear discriminant having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event non-onset group obtained as a result of searching for combinations of variables from 14 types of amino acids. It is a figure which shows a list.
  • FIG. 87 is a Cox proportional hazard model having a good discrimination ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows the list of an expression.
  • FIG. 87 is a Cox proportional hazard model having a good discrimination ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows the list of an expression.
  • FIG. 88 is a Cox proportional hazard model having a good discrimination ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows the list of an expression.
  • FIG. 89 is a Cox proportional hazard model having a good discrimination ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 amino acids. It is a figure which shows the list of an expression.
  • FIG. 89 is a Cox proportional hazard model having a good discrimination ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 amino acids. It is a figure which shows the list of an expression.
  • FIG. 89 is a Cox proportional hazard model having a good discrimination ability for discrimin
  • FIG. 90 is a Cox proportional hazard model having a good discrimination ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event onset group obtained as a result of searching for combinations of variables from 31 kinds of amino acids. It is a figure which shows the list of an expression.
  • FIG. 91 is a Cox proportional hazard model having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event non-onset group obtained as a result of searching for combinations of variables from 14 types of amino acids. It is a figure which shows the list of an expression.
  • FIG. 91 is a Cox proportional hazard model having a good discriminating ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event non-onset group obtained as a result of searching for combinations of variables from 14 types of amino acids. It is a figure which shows the list of an expression.
  • FIG. 92 is a Cox proportional hazard model having a good discrimination ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event onset group obtained as a result of searching for combinations of variables from 14 amino acids. It is a figure which shows the list of an expression.
  • FIG. 93 is a Cox proportional hazard model having a good discrimination ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event onset group obtained as a result of searching for combinations of variables from 14 amino acids. It is a figure which shows the list of an expression.
  • FIG. 93 is a Cox proportional hazard model having a good discrimination ability for discriminating whether a future is a cardiovascular event onset group or a non-cardiovascular event onset group obtained as a result of searching for combinations of variables from 14 amino acids. It is a figure which shows the list of an expression.
  • 94 is a Cox proportional hazard model having good discrimination ability for discriminating whether a future is a cardiovascular event onset group or a cardiovascular event onset group obtained as a result of searching for combinations of variables from 14 types of amino acids. It is a figure which shows the list of an expression.
  • first embodiment an embodiment of an evaluation method for early nephropathy
  • second embodiment an embodiment of an evaluation method for early nephropathy
  • first embodiment an early nephropathy evaluation apparatus
  • an early nephropathy evaluation method an early nephropathy evaluation program
  • recording medium an early nephropathy evaluation system
  • second embodiment an apparatus embodiment
  • FIG. 1 is a principle configuration diagram showing the basic principle of the first embodiment.
  • amino acid concentration data relating to the concentration value of amino acids in blood eg, including plasma, serum, etc.
  • an evaluation target eg, an individual such as an animal or a human (eg, a diabetic patient)
  • amino acid concentration data measured by a company or the like that performs amino acid concentration measurement may be acquired.
  • the following (A) or (B) may be obtained from blood collected from an evaluation target.
  • Amino acid concentration data may be obtained by measuring amino acid concentration data by a measurement method.
  • the unit of amino acid concentration may be obtained by, for example, molar concentration, weight concentration, or by adding / subtracting / subtracting an arbitrary constant to / from these concentrations.
  • amino acid concentration was analyzed by an amino acid analyzer based on the post-column derivatization method using a ninhydrin reagent.
  • step S12 based on the amino acid concentration data acquired in step S11, the state of early nephropathy is evaluated for each evaluation target (step S12).
  • the amino acid concentration data relating to the amino acid concentration value in the blood collected from the evaluation object is acquired, and the state of early nephropathy per evaluation object based on the acquired amino acid concentration data of the evaluation object (In short, provide information to assess the status of early nephropathy per subject). Thereby, it is possible to accurately evaluate the state of early nephropathy using the concentration of amino acids in blood (in short, it is possible to provide accurate information for evaluating the state of early nephropathy). .
  • step S12 data such as missing values and outliers may be removed from the amino acid concentration data acquired in step S11. Thereby, the state of early nephropathy can be evaluated more accurately.
  • step S12 EtOHNH2, Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn included in the amino acid concentration data acquired in step S11. , Orn, Asp, Gln, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit, Tyr, Trp, Cys
  • the condition of the disease may be evaluated. Thereby, the state of early nephropathy can be accurately evaluated using the amino acid concentration useful for evaluating the state of early nephropathy among the amino acid concentrations in the blood.
  • Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Hypro, Ile, Leu, Orn, Lys, Glu, Met, His, ⁇ -AAA, Phe included in the amino acid concentration data , 3-MeHis, Arg, Cit, Trp, Cys may be used to evaluate whether the evaluation target has early nephropathy. For example, it is possible to determine whether or not the evaluation target is early nephropathy or non-early nephropathy, and multiple categories (ranks) that are defined in consideration of the possibility of suffering from early nephropathy The evaluation target may be classified into any one of the above. Thereby, the said evaluation can be accurately performed using the amino acid density
  • the concentration of amino acids useful for the evaluation of the future onset of the cardiovascular event is used to determine the future onset of the cardiovascular event. Can be evaluated with high accuracy.
  • the range that the density value can take is a predetermined range (for example, a range from 0.0 to 1.0, a range from 0.0 to 10.0, a range from 0.0 to 100.0, or ⁇ 10.
  • a predetermined range for example, a range from 0.0 to 1.0, a range from 0.0 to 10.0, a range from 0.0 to 100.0, or ⁇ 10.
  • an arbitrary value is added / subtracted / multiplied / divided with respect to the density value so as to fall within a range from 0 to 10.0, or the density value is converted into a predetermined conversion method (for example, exponential conversion, logarithmic conversion,
  • the density value may be converted by performing conversion by angle conversion, square root conversion, probit conversion, reciprocal conversion, or the like, or by combining these calculations with respect to the density value.
  • the value of an exponential function with the concentration value as the index and the Napier number as the base (specifically, the probability p of suffering from early nephropathy or the probability of developing a cardiovascular event in the future, Further, the natural logarithm ln (p / (1-p)) when the definition is defined) is further calculated as p / (1-p))
  • a value obtained by dividing the calculated exponential function value by the sum of 1 and the value (specifically, the value of probability p) may be further calculated.
  • the density value may be converted so that the value after conversion under a specific condition becomes a specific value. For example, the density value may be converted so that the value after conversion when the specificity is 80% is 5.0 and the value after conversion when the specificity is 95% is 8.0.
  • step S12 based on the amino acid concentration data acquired in step S11 and the preset multivariate discriminant including the amino acid concentration as a variable, a discriminant value that is the value of the multivariate discriminant is calculated. Furthermore, based on the calculated discriminant value, the state of early nephropathy may be evaluated for each evaluation target. This makes it possible to obtain a discriminant value that reflects the state of early nephropathy to be evaluated using a multivariate discriminant that includes the amino acid concentration as a variable. Using the discriminant value obtained by the variable discriminant, the state of early nephropathy can be accurately evaluated.
  • Multivariate discriminants are logistic regression formula, fractional formula, linear discriminant formula, multiple regression formula, formula created by support vector machine, formula created by Mahalanobis distance method, formula created by canonical discriminant analysis. Any one of an expression created by a decision tree and a Cox proportional hazard model expression may be used. Thereby, the state of early nephropathy can be accurately evaluated using the discriminant value obtained by the multivariate discriminant useful for evaluating the state of early nephropathy.
  • step S12 EtOHNH2, Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn included in the amino acid concentration data acquired in step S11. , Orn, Asp, Gln, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit, Tyr, Trp, Cys, and EtOHNH2, Gly, Sar, Ala , ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn, Orn, Asp, Gln, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis , Arg, Cit, Tyr, Trp, Cys
  • a discriminant value may evaluate the state of early nephropathy subject to be
  • the evaluation target is early nephropathy or non-early nephropathy, and multiple categories (ranks) that are defined in consideration of the possibility of suffering from early nephropathy
  • the evaluation target may be classified into any one of the above. Thereby, the said evaluation can be accurately performed using the discriminant value obtained by the multivariate discriminant useful for evaluation regarding the present onset of early nephropathy.
  • the multivariate discriminant used in the evaluation of the current onset of early nephropathy is a logistic regression equation including Ala, Orn, Glu, 3-MeHis, Trp, Cys as variables, Ala, Ser, Leu, Lys, Cit. , Trp as a variable, logistic regression equation, Ala, Glu, 3-MeHis, Cit, Trp, Cys as a variable, linear discriminant, or Ala, Ser, Ile, Lys, Phe, Trp as a variable But you can. Thereby, the said evaluation can be performed still more accurately using the discriminant value obtained by the multivariate discriminant especially useful for evaluation regarding the present onset of early nephropathy.
  • a discriminant value is calculated based on a multivariate discriminant including at least one of them as a variable, and the evaluation target will develop a cardiovascular event in the future based on the calculated discriminant value You may evaluate further. For example, it is possible to further determine whether or not the evaluation target will develop a cardiovascular event in the future, and to define multiple categories (ranks) that are defined in consideration of the possibility of developing a cardiovascular event in the future.
  • the evaluation target may be further classified into any one of them.
  • the multivariate discriminants useful for evaluating the current onset of early nephropathy using the discriminant value obtained by the multivariate discriminant useful for evaluating the future onset of cardiovascular events, It is possible to accurately evaluate the future onset of cardiovascular events.
  • the multivariate discriminant used in the evaluation of the future occurrence of a cardiovascular event is a logistic regression equation including Ala, Orn, Glu, 3-MeHis, Trp, Cys as variables, Hypro, Glu, His, 3-MeHis.
  • Arg, Trp as variables, Logistic regression equation including Ala, Ser, Leu, Lys, Cit, Trp as variables, Logistic regression equation including Ser, Orn, His, Arg, Trp as variables, Ala, Linear discriminant including Glu, 3-MeHis, Cit, Trp, Cys as variables, linear discriminant including Sar, Leu, Glu, 3-MeHis, Arg, Trp as variables, Ala, Ser, Ile, Lys, Phe, A linear discriminant containing Trp as a variable, Ser Linear discriminant including Lys, His, Cit, Trp as variables, Cox proportional hazard model equation including Hypro, Glu, 3-MeHis, Trp as variables, or Cox proportional including Ser, Lys, His, Cit, Trp as variables A hazard model type may be used. Thereby, the evaluation can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant that is particularly useful for the evaluation of the future onset of the cardiovascular event.
  • the evaluation target it is determined whether or not the evaluation target will develop early nephropathy in the future, and among the multiple categories (ranks) defined in consideration of the possibility of developing early nephropathy in the future
  • the evaluation target may be classified into any one of the above. Thereby, the said evaluation can be accurately performed using the discriminant value obtained by the multivariate discriminant useful for evaluation regarding the future onset of early nephropathy.
  • the multivariate discriminant used in the evaluation of the future onset of early nephropathy is a logistic regression equation including Ser-Val, Met, and Arg including ⁇ -AIBA, Val, Tau, Ile, ⁇ -AAA, and Arg as variables. , Tyr as a variable, logistic regression equation, Val, Tau, Ile, ⁇ -AAA, Phe, Arg as a variable, or a linear discriminant including Ser, Pro, Val, Ile, Leu, Arg as a variable But you can. Thereby, the said evaluation can be performed still more accurately using the discriminant value obtained by the multivariate discriminant especially useful for evaluation regarding the future onset of early nephropathy.
  • the discriminant value can have a predetermined range (for example, a range from 0.0 to 1.0, a range from 0.0 to 10.0, a range from 0.0 to 100.0, or ⁇ 10.
  • a predetermined range for example, a range from 0.0 to 1.0, a range from 0.0 to 10.0, a range from 0.0 to 100.0, or ⁇ 10.
  • an arbitrary value is added / subtracted / multiplied / divided with respect to the discriminant value so that the discriminant value falls within a range from 0 to 10.0, etc.
  • the discriminant value may be converted by performing conversion by angle conversion, square root conversion, probit conversion, or reciprocal conversion, or by combining these calculations with respect to the discriminant value.
  • the value of an exponential function with the discriminant value as the index and the Napier number as the base (specifically, the probability of suffering from early nephropathy p (the probability of developing a cardiovascular event in the future, or the future, early kidney) is further calculated as a value of p / (1-p))
  • a value obtained by dividing the calculated exponential function value by the sum of 1 and the value (specifically, the value of probability p) may be further calculated.
  • the discriminant value may be converted so that the value after conversion under a specific condition becomes a specific value.
  • the discriminant value may be converted so that the value after conversion when the specificity is 80% is 5.0 and the value after conversion when the specificity is 95% is 8.0.
  • the discriminant value in this specification may be the value of the multivariate discriminant itself, or may be a value after converting the value of the multivariate discriminant.
  • each multivariate discriminant described above is described in, for example, the method described in International Publication No. 2004/052191 which is an international application by the present applicant or International Publication No. 2006/098192 which is an international application by the present applicant. You may create by the method of description.
  • the multivariate discriminant obtained by these methods is used, the multivariate discriminant is preferably used for the evaluation of the state of early nephropathy regardless of the unit of amino acid concentration in the amino acid concentration data as input data. Can do.
  • the multivariate discriminant generally means the format of formulas used in multivariate analysis. For example, fractional formulas, multiple regression formulas, multiple logistic regression formulas, linear discriminant functions, Mahalanobis distances, canonical discriminant functions, support vectors Includes machines, decision trees, and Cox proportional hazard models. Also included are expressions as indicated by the sum of different forms of multivariate discriminants.
  • a coefficient and a constant term are added to each variable. In this case, the coefficient and the constant term are preferably real numbers, more preferably data.
  • each coefficient and its confidence interval may be obtained by multiplying it by a real number
  • the value of the constant term and its confidence interval may be obtained by adding / subtracting / multiplying / dividing an arbitrary real constant thereto.
  • the fractional expression means that the numerator of the fractional expression is represented by the sum of amino acids A, B, C,... And / or the denominator of the fractional expression is the sum of amino acids a, b, c,. It is represented by
  • the fractional expression includes a sum of fractional expressions ⁇ , ⁇ , ⁇ ,.
  • the fractional expression also includes a divided fractional expression.
  • An appropriate coefficient may be added to each amino acid used in the numerator and denominator.
  • amino acids used in the numerator and denominator may overlap.
  • an appropriate coefficient may be attached to each fractional expression.
  • the value of the coefficient of each variable and the value of the constant term may be real numbers.
  • the combination of the numerator variable and the denominator variable is generally reversed in the sign of the correlation with the target variable, but since the correlation is maintained, it can be considered equivalent in discriminability. Combinations of swapping numerator and denominator variables are also included.
  • the first embodiment when evaluating the present or future state of early nephropathy or the future state of a cardiovascular event, in addition to the amino acid concentration, other biological information (for example, age, AER (urinary albumin) (Excretion rate), BNP (brain natriuretic peptide), etc.) may be further used.
  • other biological information for example, , Age, AER (urinary albumin excretion rate), BNP (brain natriuretic peptide), etc.
  • a desired substance group consisting of one or more substances is administered to the evaluation object, blood is collected from the evaluation object, and in step S11, amino acids are collected from the collected blood.
  • the concentration data based on the evaluation result in step S12 (for example, the discrimination result / classification result regarding the current onset of early nephropathy or the discrimination result / classification result regarding the future onset of early nephropathy).
  • the administered substance group is one that prevents early nephropathy or improves the state of early nephropathy.
  • an evaluation method for early nephropathy which can accurately evaluate the state of early nephropathy using the amino acid concentration in the blood, thereby preventing early nephropathy or improving the state of early nephropathy
  • the substance to be made can be searched with high accuracy.
  • an appropriate combination of existing drugs, amino acids, foods, and supplements that can be administered to humans for example, drugs that are known to be effective in preventing or improving early nephropathy (for example, an ACE (angiotensin converting enzyme) inhibitor, ARB (angiotensin II receptor antagonist), etc.) supplement (for example, a low protein diet, polyphenol, etc.) combined for a predetermined period (for example, 1 day) May be administered by a predetermined administration method (for example, oral administration) at a predetermined frequency and timing (for example, 3 times a day, after meal) over a range of 12 months to 12 months.
  • the administration method, dose, and dosage form may be appropriately combined depending on the disease state.
  • the dosage form may be determined based on a known technique.
  • the dose is not particularly defined, but may be given, for example, in a form containing 1 ug to 100 g as an active ingredient.
  • the administered substance group may be searched for preventing early nephropathy or improving the state of early nephropathy.
  • a substance searched by this searching method for example, “Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Hypro, Ile, Leu, Orn, Lys, Glu, Met, His, ⁇ , -Amino acid group containing at least one of AAA, Phe, 3-MeHis, Arg, Cit, Trp, Cys "or” EtOHNH2, Sar, ⁇ -AIBA, ⁇ -ABA, Ser, Val, Thr, Tau, Hypro, An amino acid group including at least one of Ile, Asn, Orn, Asp, Gln, ⁇ -AAA, Arg, Tyr, Cys, Gly, Ala, Pro, Leu, Lys, Met, His, and Phe.
  • “Searching for a substance to prevent or ameliorate” not only finds a new substance effective for prevention / amelioration of early nephropathy, but also finds a new use of a known substance for prevention / amelioration of early nephropathy. And finding new compositions combining existing drugs and supplements that can be expected to be effective in preventing and improving early nephropathy, and finding the appropriate usage, dose, and combination as described above, and using them as a kit And presenting a prevention / treatment menu including meals / exercises, etc., monitoring the effect of the prevention / treatment menu, and presenting menu changes for each individual as necessary.
  • FIG. 2 is a flowchart illustrating an example of an early nephropathy evaluation method according to the first embodiment.
  • amino acid concentration data relating to the concentration value of amino acids in blood collected from individuals such as animals and humans (for example, diabetic patients) is acquired (step SA11).
  • step SA11 amino acid concentration data measured by a company or the like that measures amino acid concentration may be acquired, and a measuring method such as (A) or (B) described above from blood collected from an individual.
  • the amino acid concentration data may be obtained by measuring the amino acid concentration data.
  • step SA12 data such as missing values and outliers are removed from the amino acid concentration data of the individual obtained in step SA11 (step SA12).
  • step SA13 based on the amino acid concentration data of individuals from which data such as missing values and outliers have been removed in step SA12, the following 11. Or 12.
  • the second group discrimination is executed (step SA13).
  • the following two-group discrimination (11C) or (11D) (two-group discrimination regarding the future onset of a cardiovascular event) may be further executed.
  • a preset threshold value cutoff value
  • FIG. 3 is a principle configuration diagram showing the basic principle of the second embodiment.
  • control unit stores the amino acid concentration data of an evaluation object (for example, an individual such as an animal or a human (for example, a diabetic patient)) acquired in advance regarding the amino acid concentration value, and the storage unit including the amino acid concentration as a variable. Based on the multivariate discriminant, a discriminant value that is the value of the multivariate discriminant is calculated (step S21).
  • an evaluation object for example, an individual such as an animal or a human (for example, a diabetic patient)
  • control unit evaluates the state of early nephropathy for each evaluation object based on the discriminant value calculated in step S21 (step S22).
  • the discriminant value (in short, the value of the evaluation target). (Discriminant value reflecting the state of early nephropathy) is calculated, and based on the calculated discriminant value, the state of early nephropathy is evaluated for each evaluation object (in short, for evaluating the state of early nephropathy per evaluation object) Provide information).
  • This makes it possible to obtain a discriminant value that reflects the state of early nephropathy to be evaluated using a multivariate discriminant that includes the amino acid concentration as a variable.
  • the discriminant value obtained from the variable discriminant can be used to accurately evaluate the state of early nephropathy (in short, providing accurate information for evaluating the state of early nephropathy it can).
  • Multivariate discriminants are logistic regression formula, fractional formula, linear discriminant formula, multiple regression formula, formula created by support vector machine, formula created by Mahalanobis distance method, formula created by canonical discriminant analysis. Any one of an expression created by a decision tree and a Cox proportional hazard model expression may be used. Thereby, the state of early nephropathy can be accurately evaluated using the discriminant value obtained by the multivariate discriminant useful for evaluating the state of early nephropathy.
  • step S21 EtOHNH2, Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn, Orn, Asp, included in the amino acid concentration data.
  • Concentration value of at least one of Gln, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit, Tyr, Trp, Cys, and EtOHNH2 Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn, Orn, Asp, Gln, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit, Include at least one of Tyr, Trp, and Cys as a variable
  • it calculates a discriminant value, in step S22 may evaluate the conditions of early nephropathy subject to be evaluated. Thereby, the state of early nephropathy can be accurately evaluated using the discriminant value obtained by the multivariate discriminant useful for evaluating the state of early nephropathy.
  • step S21 Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Hypro, Ile, Leu, Orn, Lys, Glu, Met, His, ⁇ , included in the amino acid concentration data.
  • -Concentration value of at least one of AAA, Phe, 3-MeHis, Arg, Cit, Trp, Cys, and Sar Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Hypro, Ile, Leu, Orn , Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit, Trp, Cys based on a multivariate discriminant including a variable.
  • the evaluation target is early nephropathy or non-early nephropathy, and multiple categories (ranks) that are defined in consideration of the possibility of suffering from early nephropathy
  • the evaluation target may be classified into any one of the above. Thereby, the said evaluation can be accurately performed using the discriminant value obtained by the multivariate discriminant useful for evaluation regarding the present onset of early nephropathy.
  • the multivariate discriminant used in the evaluation of the current onset of early nephropathy is a logistic regression equation including Ala, Orn, Glu, 3-MeHis, Trp, Cys as variables, Ala, Ser, Leu, Lys, Cit. , Trp as a variable, logistic regression equation, Ala, Glu, 3-MeHis, Cit, Trp, Cys as a variable, linear discriminant, or Ala, Ser, Ile, Lys, Phe, Trp as a variable But you can. Thereby, the said evaluation can be performed still more accurately using the discriminant value obtained by the multivariate discriminant especially useful for evaluation regarding the present onset of early nephropathy.
  • a discriminant value is calculated based on a multivariate discriminant including at least one of them as a variable, and the evaluation target will develop a cardiovascular event in the future based on the calculated discriminant value You may evaluate further. For example, it is possible to further determine whether or not the evaluation target will develop a cardiovascular event in the future, and to define multiple categories (ranks) that are defined in consideration of the possibility of developing a cardiovascular event in the future.
  • the evaluation target may be further classified into any one of them.
  • the multivariate discriminants useful for evaluating the current onset of early nephropathy using the discriminant value obtained by the multivariate discriminant useful for evaluating the future onset of cardiovascular events, It is possible to accurately evaluate the future onset of cardiovascular events.
  • the multivariate discriminant used in the evaluation of the future occurrence of a cardiovascular event is a logistic regression equation including Ala, Orn, Glu, 3-MeHis, Trp, Cys as variables, Hypro, Glu, His, 3-MeHis.
  • Arg, Trp as variables, Logistic regression equation including Ala, Ser, Leu, Lys, Cit, Trp as variables, Logistic regression equation including Ser, Orn, His, Arg, Trp as variables, Ala, Linear discriminant including Glu, 3-MeHis, Cit, Trp, Cys as variables, linear discriminant including Sar, Leu, Glu, 3-MeHis, Arg, Trp as variables, Ala, Ser, Ile, Lys, Phe, A linear discriminant containing Trp as a variable, Ser Linear discriminant including Lys, His, Cit, Trp as variables, Cox proportional hazard model equation including Hypro, Glu, 3-MeHis, Trp as variables, or Cox proportional including Ser, Lys, His, Cit, Trp as variables A hazard model type may be used. Thereby, the evaluation can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant that is particularly useful for the evaluation of the future onset of the cardiovascular event.
  • step S21 EtOHNH2, Sar, ⁇ -AIBA, ⁇ -ABA, Ser, Val, Thr, Tau, Hypro, Ile, Asn, Orn, Asp, Gln, ⁇ included in the amino acid concentration data.
  • Sar, ⁇ -AIBA, ⁇ -ABA Ser, Val, Thr , Tau, Hypro, Ile, Asn, Orn, Asp, Gln, ⁇ -AAA, Arg, Tyr, Cys, Gly, Ala, Pro, Leu, Lys, Met, His, Phe
  • the discriminant value is calculated.
  • the evaluation object may be evaluated or future develop early nephropathy. For example, it is determined whether or not the evaluation target will develop early nephropathy in the future, and among the multiple categories (ranks) defined in consideration of the possibility of developing early nephropathy in the future The evaluation target may be classified into any one of the above. Thereby, the said evaluation can be accurately performed using the discriminant value obtained by the multivariate discriminant useful for evaluation regarding the future onset of early nephropathy.
  • the multivariate discriminant used in the evaluation of the future onset of early nephropathy is a logistic regression equation including Ser-Val, Met, and Arg including ⁇ -AIBA, Val, Tau, Ile, ⁇ -AAA, and Arg as variables. , Tyr as a variable, logistic regression equation, Val, Tau, Ile, ⁇ -AAA, Phe, Arg as a variable, or a linear discriminant including Ser, Pro, Val, Ile, Leu, Arg as a variable But you can. Thereby, the said evaluation can be performed still more accurately using the discriminant value obtained by the multivariate discriminant especially useful for evaluation regarding the future onset of early nephropathy.
  • the discriminant value can have a predetermined range (for example, a range from 0.0 to 1.0, a range from 0.0 to 10.0, a range from 0.0 to 100.0, or ⁇ 10.
  • a predetermined range for example, a range from 0.0 to 1.0, a range from 0.0 to 10.0, a range from 0.0 to 100.0, or ⁇ 10.
  • an arbitrary value is added / subtracted / multiplied / divided with respect to the discriminant value so that the discriminant value falls within a range from 0 to 10.0, etc.
  • the discriminant value may be converted by performing conversion by angle conversion, square root conversion, probit conversion, or reciprocal conversion, or by combining these calculations with respect to the discriminant value.
  • the value of an exponential function with the discriminant value as the index and the Napier number as the base (specifically, the probability of suffering from early nephropathy p (the probability of developing a cardiovascular event in the future, or the future, early kidney) is further calculated as a value of p / (1-p))
  • a value obtained by dividing the calculated exponential function value by the sum of 1 and the value (specifically, the value of probability p) may be further calculated.
  • the discriminant value may be converted so that the value after conversion under a specific condition becomes a specific value.
  • the discriminant value may be converted so that the value after conversion when the specificity is 80% is 5.0 and the value after conversion when the specificity is 95% is 8.0.
  • the discriminant value in this specification may be the value of the multivariate discriminant itself, or may be a value after converting the value of the multivariate discriminant.
  • each multivariate discriminant described above is described in, for example, the method described in International Publication No. 2004/052191 which is an international application by the present applicant or International Publication No. 2006/098192 which is an international application by the present applicant. You may create by the method of description.
  • the multivariate discriminant obtained by these methods is used, the multivariate discriminant is preferably used for the evaluation of the state of early nephropathy regardless of the unit of amino acid concentration in the amino acid concentration data as input data. Can do.
  • the multivariate discriminant generally means the format of formulas used in multivariate analysis. For example, fractional formulas, multiple regression formulas, multiple logistic regression formulas, linear discriminant functions, Mahalanobis distances, canonical discriminant functions, support vectors Includes machines, decision trees, and Cox proportional hazard models. Also included are expressions as indicated by the sum of different forms of multivariate discriminants.
  • a coefficient and a constant term are added to each variable. In this case, the coefficient and the constant term are preferably real numbers, more preferably data.
  • each coefficient and its confidence interval may be obtained by multiplying it by a real number
  • the value of the constant term and its confidence interval may be obtained by adding / subtracting / multiplying / dividing an arbitrary real constant thereto.
  • the fractional expression means that the numerator of the fractional expression is represented by the sum of amino acids A, B, C,... And / or the denominator of the fractional expression is the sum of amino acids a, b, c,. It is represented by
  • the fractional expression includes a sum of fractional expressions ⁇ , ⁇ , ⁇ ,.
  • the fractional expression also includes a divided fractional expression.
  • An appropriate coefficient may be added to each amino acid used in the numerator and denominator.
  • amino acids used in the numerator and denominator may overlap.
  • an appropriate coefficient may be attached to each fractional expression.
  • the value of the coefficient of each variable and the value of the constant term may be real numbers.
  • the combination of the numerator variable and the denominator variable is generally reversed in the sign of the correlation with the target variable, but since the correlation is maintained, it can be considered equivalent in discriminability. Combinations of swapping numerator and denominator variables are also included.
  • the second embodiment when evaluating the present or future state of early nephropathy or the future state of a cardiovascular event, in addition to the amino acid concentration, other biological information (for example, age, AER (urinary albumin) (Excretion rate), BNP (brain natriuretic peptide), etc.) may be further used.
  • other biological information for example, , Age, AER (urinary albumin excretion rate), BNP (brain natriuretic peptide), etc.
  • step 1 to step 4 the outline of the multivariate discriminant creation process (step 1 to step 4) will be described in detail. Note that the processing described here is merely an example, and the method of creating the multivariate discriminant is not limited to this.
  • control unit is based on a predetermined formula creation method from early nephropathy state information stored in a storage unit including amino acid concentration data and early nephropathy state index data relating to an index representing the state of early nephropathy.
  • data having a missing value or an outlier may be removed from the early nephropathy state information in advance.
  • Step 1 a plurality of different formula creation methods (principal component analysis and discriminant analysis, support vector machine, multiple regression analysis, logistic regression analysis, k-means method, cluster analysis, decision tree, A plurality of candidate multivariate discriminants may be created by using a combination of the Cox proportional hazard model and the like related to multivariate analysis.
  • nephropathy status information which is multivariate data composed of amino acid concentration data and early nephropathy status index data obtained by analyzing blood obtained from many healthy groups and early nephropathy groups
  • a plurality of groups of candidate multivariate discriminants may be created concurrently using a plurality of different algorithms.
  • two different candidate multivariate discriminants may be created by performing discriminant analysis and logistic regression analysis simultaneously using different algorithms.
  • the candidate multivariate discriminant created by performing principal component analysis is used to convert the early nephropathy status information, and the candidate multivariate discriminant is obtained by performing discriminant analysis on the converted early nephropathy status information. You may create it. Thereby, finally, an appropriate multivariate discriminant suitable for the diagnostic condition can be created.
  • the candidate multivariate discriminant prepared using principal component analysis is a linear expression including each amino acid variable that maximizes the variance of all amino acid concentration data.
  • the candidate multivariate discriminant created using discriminant analysis is a high-order formula (exponential or exponential) including each amino acid variable that minimizes the ratio of the sum of variances within each group to the variance of all amino acid concentration data. Including logarithm).
  • the candidate multivariate discriminant created using the support vector machine is a higher-order formula (including a kernel function) including each amino acid variable that maximizes the boundary between groups.
  • the candidate multivariate discriminant created using multiple regression analysis is a high-order expression including each amino acid variable that minimizes the sum of distances from all amino acid concentration data.
  • a candidate multivariate discriminant created using logistic regression analysis is a linear model representing the log odds of probability, and is a linear expression including each amino acid variable that maximizes the likelihood of the probability.
  • the k-means method searches k neighborhoods of each amino acid concentration data, defines the largest group among the groups to which the neighboring points belong as the group to which the data belongs, This is a method of selecting an amino acid variable that best matches the group to which the group belongs.
  • Cluster analysis is a method of clustering (grouping) points that are closest to each other in all amino acid concentration data.
  • the decision tree is a technique for predicting a group of amino acid concentration data based on patterns that can be taken by amino acid variables having higher ranks by adding ranks to amino acid variables.
  • the Cox proportional hazard model is a technique for predicting the influence of amino acid variables on survival or events while taking into consideration survival time, event time, and censoring.
  • control unit verifies (mutually verifies) the candidate multivariate discriminant created in step 1 based on a predetermined verification method (step 2).
  • the candidate multivariate discriminant is verified for each candidate multivariate discriminant created in step 1.
  • step 2 the discrimination rate, sensitivity, specificity, information criterion of the candidate multivariate discriminant based on at least one of the bootstrap method, holdout method, N-fold method, leave one out method, etc.
  • the verification may be performed on at least one of ROC_AUC (area under the curve of the receiver characteristic curve) and the like.
  • the discrimination rate is the ratio of the correct state of early nephropathy evaluated in the present embodiment among all input data.
  • Sensitivity is the correct proportion of the early nephropathy state evaluated in the present embodiment among the early nephropathy states described in the input data.
  • the specificity is the correct proportion of the early nephropathy state evaluated in the present embodiment among the normal nephropathy states described in the input data.
  • the information criterion is the difference between the number of amino acid variables of the candidate multivariate discriminant created in Step 1, the state of early nephropathy evaluated in this embodiment, and the state of early nephropathy described in the input data. And are added together.
  • ROC_AUC area under the curve of the receiver characteristic curve
  • ROC receiver characteristic curve
  • the value of ROC_AUC is 1 in complete discrimination, and the closer this value is to 1, the higher the discriminability.
  • the predictability is an average of the discrimination rate, sensitivity, and specificity obtained by repeating the verification of the candidate multivariate discriminant.
  • Robustness is the variance of discrimination rate, sensitivity, and specificity obtained by repeating verification of candidate multivariate discriminants.
  • control unit selects the variable of the candidate multivariate discriminant based on a predetermined variable selection method, so that the early nephropathy used when creating the candidate multivariate discriminant A combination of amino acid concentration data included in the state information is selected (step 3).
  • the selection of amino acid variables may be performed for each candidate multivariate discriminant created in step 1. Thereby, the amino acid variable of a candidate multivariate discriminant can be selected appropriately.
  • Step 1 is executed again using the early nephropathy state information including the amino acid concentration data selected in Step 3.
  • step 3 the amino acid variable of the candidate multivariate discriminant may be selected from the verification result in step 2 based on at least one of stepwise method, best path method, neighborhood search method, and genetic algorithm. .
  • the best path method is a method of selecting amino acid variables by sequentially reducing amino acid variables included in the candidate multivariate discriminant one by one and optimizing the evaluation index given by the candidate multivariate discriminant. is there.
  • the control unit repeatedly executes the above-described step 1, step 2 and step 3, and based on the verification results accumulated thereby, the control unit can select from a plurality of candidate multivariate discriminants.
  • a multivariate discriminant is created by selecting candidate multivariate discriminants to be adopted as the multivariate discriminant (step 4).
  • candidate multivariate discriminants for example, selecting the optimal one from among candidate multivariate discriminants created by the same formula creation method, and selecting the optimum from all candidate multivariate discriminants Sometimes there is a choice.
  • the multivariate discriminant creation process based on early nephropathy state information, creation of a candidate multivariate discriminant, verification of the candidate multivariate discriminant, and selection of a variable of the candidate multivariate discriminant
  • systematization systematization
  • the amino acid concentration is used for multivariate statistical analysis, and the variable selection method and cross-validation are combined to select the optimal and robust variable set. Extract the variable discriminant.
  • logistic regression, linear discrimination, support vector machine, Mahalanobis distance method, multiple regression analysis, cluster analysis, Cox proportional hazard model, and the like can be used.
  • FIG. 4 is a diagram showing an example of the overall configuration of the present system.
  • FIG. 5 is a diagram showing another example of the overall configuration of the present system.
  • the present system includes an early nephropathy evaluation apparatus 100 that evaluates the state of early nephropathy per evaluation object, and a client apparatus 200 that provides amino acid concentration data of the evaluation object related to the amino acid concentration value (the present invention). And an information communication terminal device) are communicably connected via the network 300.
  • the present system includes early nephropathy state information used when creating a multivariate discriminant in the early nephropathy evaluation apparatus 100.
  • the database apparatus 400 storing the multivariate discriminant used for performing the early nephropathy state evaluation may be configured to be communicably connected via the network 300. Thereby, information on the state of early nephropathy from the early nephropathy evaluation apparatus 100 to the client apparatus 200 and the database apparatus 400, or from the client apparatus 200 and the database apparatus 400 to the early nephropathy evaluation apparatus 100 via the network 300, etc. Is provided.
  • the information regarding the state of early nephropathy is information regarding the value measured about the specific item regarding the state of the early nephropathy of organisms including humans.
  • Information regarding the state of early nephropathy is generated by the early nephropathy evaluation apparatus 100, the client apparatus 200, and other apparatuses (for example, various measurement apparatuses) and is mainly stored in the database apparatus 400.
  • FIG. 6 is a block diagram showing an example of the configuration of the early nephropathy evaluation apparatus 100 of the present system, and conceptually shows only the portion related to the present invention in the configuration.
  • the early nephropathy evaluation apparatus 100 includes the control unit 102 such as a CPU that comprehensively controls the early nephropathy evaluation apparatus, and a communication device such as a router and a wired or wireless communication line such as a dedicated line.
  • a communication interface unit 104 for communicably connecting the disease evaluation apparatus to the network 300, a storage unit 106 for storing various databases, tables, files, and the like, and an input / output interface unit 108 for connecting to the input device 112 and the output device 114 These parts are connected to be communicable via an arbitrary communication path.
  • the early nephropathy evaluation apparatus 100 may be configured in the same housing as various analysis apparatuses (for example, an amino acid analyzer or the like).
  • the storage unit 106 is a storage means, and for example, a memory device such as a RAM / ROM, a fixed disk device such as a hard disk, a flexible disk, an optical disk, or the like can be used.
  • the storage unit 106 stores a computer program for giving instructions to the CPU and performing various processes in cooperation with an OS (Operating System).
  • the storage unit 106 includes a user information file 106a, an amino acid concentration data file 106b, an early nephropathy state information file 106c, a designated early nephropathy state information file 106d, and a multivariate discriminant-related information database 106e.
  • the discriminant value file 106f and the evaluation result file 106g are stored.
  • the user information file 106a stores user information related to users.
  • FIG. 7 is a diagram illustrating an example of information stored in the user information file 106a.
  • the information stored in the user information file 106a includes a user ID for uniquely identifying a user and authentication for whether or not the user is a valid person.
  • the amino acid concentration data file 106b stores amino acid concentration data relating to amino acid concentration values.
  • FIG. 8 is a diagram showing an example of information stored in the amino acid concentration data file 106b.
  • the information stored in the amino acid concentration data file 106b is configured by associating an individual number for uniquely identifying an individual (sample) to be evaluated with amino acid concentration data. Yes.
  • the amino acid concentration data is treated as a numerical value, that is, a continuous scale, but the amino acid concentration data may be a nominal scale or an order scale. In the case of a nominal scale or an order scale, analysis may be performed by giving an arbitrary numerical value to each state. Further, other biological information (for example, age, AER (urinary albumin excretion rate), BNP (brain natriuretic peptide), etc.) may be combined with the amino acid concentration data.
  • the early nephropathy state information file 106 c stores early nephropathy state information used when creating a multivariate discriminant.
  • FIG. 9 is a diagram illustrating an example of information stored in the early nephropathy state information file 106c. As shown in FIG. 9, the information stored in the early nephropathy state information file 106c relates to an individual number and an index (an index T 1 , an index T 2 , an index T 3 ...) Representing an early nephropathy state. Early nephropathy state index data (T) and amino acid concentration data are associated with each other.
  • T Early nephropathy state index data
  • amino acid concentration data are associated with each other.
  • the early nephropathy state index data and the amino acid concentration data are treated as numerical values (that is, a continuous scale), but the early nephropathy state index data and the amino acid concentration data may be a nominal scale or an order scale. In the case of a nominal scale or an order scale, analysis may be performed by giving an arbitrary numerical value to each state. Further, the early nephropathy state index data is a known single state index serving as a marker of the early nephropathy state, and numerical data may be used.
  • the designated early nephropathy state information file 106d stores the early nephropathy state information designated by the early nephropathy state information designation unit 102g described later.
  • FIG. 10 is a diagram illustrating an example of information stored in the designated early nephropathy state information file 106d. As shown in FIG. 10, the information stored in the designated early nephropathy state information file 106d is configured by associating individual numbers, designated early nephropathy state index data, and designated amino acid concentration data with each other. ing.
  • the multivariate discriminant-related information database 106e includes a candidate multivariate discriminant file 106e1 for storing the candidate multivariate discriminant created by the candidate multivariate discriminant-preparing part 102h1, which will be described later, and a candidate multivariate discriminant described later.
  • Selected early nephropathy state information file 106e3 for storing early nephropathy state information including a combination of the verification result file 106e2 for storing the verification result in the discriminant verification unit 102h2 and the amino acid concentration data selected by the variable selection unit 102h3 to be described later
  • a multivariate discriminant file 106e4 for storing the multivariate discriminant created by the multivariate discriminant creation unit 102h described later.
  • the candidate multivariate discriminant file 106e1 stores the candidate multivariate discriminant created by the candidate multivariate discriminant creation unit 102h1 described later.
  • FIG. 11 is a diagram illustrating an example of information stored in the candidate multivariate discriminant file 106e1.
  • information stored in the candidate multivariate discriminant file 106e1 includes a rank, a candidate multivariate discriminant (in FIG. 11, F 1 (Gly, Leu, Phe,%)) And F 2. (Gly, Leu, Phe,%), F 3 (Gly, Leu, Phe,...)) Are associated with each other.
  • FIG. 12 is a diagram illustrating an example of information stored in the verification result file 106e2.
  • the information stored in the verification result file 106e2 includes rank, candidate multivariate discriminant (in FIG. 12, F k (Gly, Leu, Phe,%) And F m (Gly, Le, Phe,%), Fl (Gly, Leu, Phe, etc) And the verification results of each candidate multivariate discriminant (for example, the evaluation value of each candidate multivariate discriminant). They are related to each other.
  • the selected early nephropathy state information file 106e3 stores early nephropathy state information including a combination of amino acid concentration data corresponding to variables selected by the variable selection unit 102h3 described later.
  • FIG. 13 is a diagram illustrating an example of information stored in the selected early nephropathy state information file 106e3. As shown in FIG. 13, the information stored in the selected early nephropathy state information file 106e3 includes an individual number, early nephropathy state index data specified by the early nephropathy state information specifying unit 102g described later, and variables described later. The amino acid concentration data selected by the selection unit 102h3 is associated with each other.
  • the multivariate discriminant file 106e4 stores the multivariate discriminant created by the multivariate discriminant-preparing part 102h described later.
  • FIG. 14 is a diagram illustrating an example of information stored in the multivariate discriminant file 106e4.
  • the information stored in the multivariate discriminant file 106e4 includes the rank, the multivariate discriminant (in FIG. 14, F p (Phe,%) And F p (Gly, Leu, Phe). ), F k (Gly, Leu, Phe,...)), A threshold corresponding to each formula creation method, a verification result of each multivariate discriminant (for example, an evaluation value of each multivariate discriminant), Are related to each other.
  • the discriminant value file 106f stores the discriminant value calculated by the discriminant value calculator 102i described later.
  • FIG. 15 is a diagram illustrating an example of information stored in the discrimination value file 106f. As shown in FIG. 15, information stored in the discriminant value file 106f includes an individual number for uniquely identifying an individual (sample) to be evaluated and a rank (for uniquely identifying a multivariate discriminant). Number) and the discriminant value are associated with each other.
  • the evaluation result file 106g stores the evaluation result in the discriminant value criterion-evaluating unit 102j described later (specifically, the discrimination result / classification result in the discriminant value criterion-discriminating unit 102j1 described later).
  • FIG. 16 is a diagram illustrating an example of information stored in the evaluation result file 106g.
  • Information stored in the evaluation result file 106g includes an individual number for uniquely identifying an individual (sample) to be evaluated, amino acid concentration data of the evaluation target acquired in advance, and a discriminant value calculated by a multivariate discriminant. And an evaluation result relating to the evaluation of the state of early nephropathy are associated with each other.
  • the storage unit 106 stores various types of Web data for providing the Web site to the client device 200, CGI programs, and the like as other information in addition to the information described above.
  • the Web data includes data for displaying various Web pages to be described later, and these data are formed as text files described in HTML or XML, for example.
  • a part file, a work file, and other temporary files for creating Web data are also stored in the storage unit 106.
  • the storage unit 106 stores audio for transmission to the client device 200 as an audio file such as WAVE format or AIFF format, and stores still images or moving images as image files such as JPEG format or MPEG2 format as necessary. Can be stored.
  • the communication interface unit 104 mediates communication between the early nephropathy evaluation device 100 and the network 300 (or a communication device such as a router). That is, the communication interface unit 104 has a function of communicating data with other terminals via a communication line.
  • the input / output interface unit 108 is connected to the input device 112 and the output device 114.
  • a monitor including a home television
  • a speaker or a printer can be used as the output device 114 (hereinafter, the output device 114 may be described as the monitor 114).
  • the input device 112 a monitor that realizes a pointing device function in cooperation with a mouse can be used in addition to a keyboard, a mouse, and a microphone.
  • the control unit 102 has an internal memory for storing a control program such as an OS (Operating System), a program defining various processing procedures, and necessary data, and performs various information processing based on these programs. Execute. As shown in the figure, the control unit 102 is roughly divided into a request interpretation unit 102a, a browsing processing unit 102b, an authentication processing unit 102c, an email generation unit 102d, a Web page generation unit 102e, a reception unit 102f, and an early nephropathy state information designation unit.
  • OS Operating System
  • the control unit 102 removes data with missing values, removes data with many outliers, and missing values with respect to the early nephropathy state information transmitted from the database device 400 and the amino acid concentration data transmitted from the client device 200. Data processing such as removal of variables with a lot of data is also performed.
  • the request interpretation unit 102a interprets the request content from the client device 200 or the database device 400, and passes the processing to each unit of the control unit 102 according to the interpretation result.
  • the browsing processing unit 102b Upon receiving browsing requests for various screens from the client device 200, the browsing processing unit 102b generates and transmits Web data for these screens.
  • the authentication processing unit 102c makes an authentication determination.
  • the e-mail generation unit 102d generates an e-mail including various types of information.
  • the web page generation unit 102e generates a web page that the user browses on the client device 200.
  • the receiving unit 102 f receives information (specifically, amino acid concentration data, early nephropathy state information, multivariate discriminant, etc.) transmitted from the client device 200 or the database device 400 via the network 300.
  • the early nephropathy state information designating unit 102g designates target early nephropathy state index data and amino acid concentration data when creating a multivariate discriminant.
  • the multivariate discriminant creating unit 102h creates a multivariate discriminant based on the early nephropathy state information received by the receiving unit 102f and the early nephropathy state information specified by the early nephropathy state information specifying unit 102g. Specifically, the multivariate discriminant-preparing part 102h accumulates by repeatedly executing the candidate multivariate discriminant-preparing part 102h1, the candidate multivariate discriminant-verifying part 102h2, and the variable selecting part 102h3 from the early nephropathy state information. A multivariate discriminant is created by selecting a candidate multivariate discriminant to be adopted as a multivariate discriminant from among a plurality of candidate multivariate discriminants based on the verified results.
  • the multivariate discriminant-preparing unit 102h selects a desired multivariate discriminant from the storage unit 106, A multivariate discriminant may be created.
  • the multivariate discriminant creation unit 102h creates a multivariate discriminant by selecting and downloading a desired multivariate discriminant from another computer device (for example, the database device 400) that stores the multivariate discriminant in advance. May be.
  • FIG. 17 is a block diagram showing the configuration of the multivariate discriminant-preparing part 102h, and conceptually shows only the part related to the present invention.
  • the multivariate discriminant creation unit 102h further includes a candidate multivariate discriminant creation unit 102h1, a candidate multivariate discriminant verification unit 102h2, and a variable selection unit 102h3.
  • the candidate multivariate discriminant-preparing part 102h1 creates a candidate multivariate discriminant that is a candidate for the multivariate discriminant based on a predetermined formula creation method from the early nephropathy state information.
  • the candidate multivariate discriminant-preparing part 102h1 may create a plurality of candidate multivariate discriminants from the early nephropathy state information by using a plurality of different formula creation methods.
  • the candidate multivariate discriminant verification unit 102h2 verifies the candidate multivariate discriminant created by the candidate multivariate discriminant creation unit 102h1 based on a predetermined verification method.
  • the candidate multivariate discriminant verification unit 102h2 determines the discriminant rate, sensitivity, and specificity of the candidate multivariate discriminant based on at least one of the bootstrap method, holdout method, N-fold method, and leave one out method.
  • Information criterion, ROC_AUC area under the receiver characteristic curve
  • variable selection unit 102h3 selects the variable of the candidate multivariate discriminant based on a predetermined variable selection method, so that the amino acid concentration data included in the early nephropathy state information used when creating the candidate multivariate discriminant Select a combination.
  • the variable selection unit 102h3 may select a variable of the candidate multivariate discriminant from the verification result based on at least one of the stepwise method, the best path method, the neighborhood search method, and the genetic algorithm.
  • the discriminant value calculation unit 102 i determines the multivariate discriminant based on the multivariate discriminant created by the multivariate discriminant creation unit 102 h and the evaluation target amino acid concentration data received by the receiver 102 f.
  • the discriminant value which is a value is calculated.
  • Multivariate discriminants are logistic regression formula, fractional formula, linear discriminant formula, multiple regression formula, formula created by support vector machine, formula created by Mahalanobis distance method, formula created by canonical discriminant analysis. Any one of an expression created by a decision tree and a Cox proportional hazard model expression may be used.
  • the discriminant value calculation unit 102i includes EtOHNH2, Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn, Orn, Asp included in the amino acid concentration data.
  • the discriminant value criterion-evaluating unit 102j evaluates whether the evaluation target has early nephropathy (for example, whether the discriminant value criterion-discriminating unit 102j1 described later has early nephropathy or non-early nephropathy) Or classify the evaluation target in one of multiple categories (ranks) defined taking into account the likelihood of suffering from early nephropathy)
  • the discriminant value calculation unit 102i includes Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Hypro, Ile, Leu, Orn, Lys, Glu, Met, His, which are included in the amino acid concentration data.
  • the discrimination value may be calculated.
  • the multivariate discriminant used in the evaluation of the current onset of early nephropathy is a logistic regression equation including Ala, Orn, Glu, 3-MeHis, Trp, Cys as variables, Ala, Ser, Leu, Lys, Cit. , Trp as a variable, logistic regression equation, Ala, Glu, 3-MeHis, Cit, Trp, Cys as a variable, linear discriminant, or Ala, Ser, Ile, Lys, Phe, Trp as a variable But you can.
  • the discriminant value criterion-evaluating unit 102j evaluates whether the evaluation object has early nephropathy, when further evaluating whether the evaluation object will develop a cardiovascular event in the future (for example, the discriminant value criterion discriminating unit) 102j1, a plurality of categories (ranks) that are defined in consideration of whether or not the evaluation target is early nephropathy or non-early nephropathy, and considering the degree of possibility of suffering from early nephropathy ), It is possible to further determine whether the evaluation subject will develop a cardiovascular event in the future, or to develop a cardiovascular event in the future.
  • the discriminant value calculating unit 102i is included in the amino acid concentration data ⁇ -AIB , 3-MeHis, Cit, Trp, Cys, Glu, Hypro, Sar, Leu, His, Arg, Lys, Ser, Phe, Ala, Orn, Pro, Ile, and ⁇ -AIBA, 3 -Based on a multivariate discriminant including at least one of MeHis, Cit, Trp, Cys, Glu, Hypro, Sar, Leu, His, Arg, Lys, Ser, Phe, Ala, Orn, Pro, and Ile as a variable.
  • the discrimination value may be calculated.
  • the multivariate discriminant used in the evaluation of the future occurrence of a cardiovascular event is a logistic regression equation including Ala, Orn, Glu, 3-MeHis, Trp, Cys as variables, Hypro, Glu, His, 3-MeHis.
  • Arg, Trp as variables, Logistic regression equation including Ala, Ser, Leu, Lys, Cit, Trp as variables, Logistic regression equation including Ser, Orn, His, Arg, Trp as variables, Ala, Linear discriminant including Glu, 3-MeHis, Cit, Trp, Cys as variables, linear discriminant including Sar, Leu, Glu, 3-MeHis, Arg, Trp as variables, Ala, Ser, Ile, Lys, Phe, Linear discriminant including Trp as a variable, Ser, Linear discriminant including ys, His, Cit, Trp as variables, Cox proportional hazard model equation including Hypro, Glu, 3-MeHis, Trp as variables, or Cox proportional including Ser, Lys, His, Cit, Trp as variables A hazard model type may be used.
  • the discriminant value criterion-evaluating unit 102j evaluates whether the evaluation target will develop early nephropathy in the future (for example, the discriminant value criterion-discriminating unit 102j1 will develop early nephropathy in the future). Or whether to classify the evaluation target in one of multiple categories (ranks) defined in consideration of the possibility of developing early nephropathy in the future.
  • the discriminant value calculation unit 102i includes EtOHNH2, Sar, ⁇ -AIBA, ⁇ -ABA, Ser, Val, Thr, Tau, Hypro, Ile, Asn, Orn, Asp, Gln included in the amino acid concentration data.
  • ⁇ -AAA, Arg, Tyr Cys, Gly, Ala, Pro, Leu, Lys, Met, His, Phe, and EtOHNH2
  • Sar, -AIBA, ⁇ -ABA, Ser, Val, Thr, Tau, Hypro, Ile, Asn, Orn, Asp, Gln, ⁇ -AAA, Arg, Tyr, Cys, Gly, Ala, Pro, Leu, Lys, Met, His , Phe may be used to calculate the discriminant value based on a multivariate discriminant including at least one of the variables.
  • the multivariate discriminant used in the evaluation of the future onset of early nephropathy is a logistic regression equation including Ser-Val, Met, and Arg including ⁇ -AIBA, Val, Tau, Ile, ⁇ -AAA, and Arg as variables. , Tyr as a variable, logistic regression equation, Val, Tau, Ile, ⁇ -AAA, Phe, Arg as a variable, or a linear discriminant including Ser, Pro, Val, Ile, Leu, Arg as a variable But you can.
  • the discriminant value criterion-evaluating unit 102j evaluates the state of early nephropathy for each evaluation object based on the discriminant value calculated by the discriminant value calculator 102i.
  • the discriminant value criterion-evaluating unit 102j evaluates whether the evaluation object has early nephropathy, evaluates whether the evaluation object will develop early nephropathy in the future, or evaluates the cardiovascular event in the future. Evaluate if it develops.
  • the discrimination value criterion evaluation unit 102j further includes a discrimination value criterion discrimination unit 102j1.
  • FIG. 18 is a block diagram showing the configuration of the discriminant value criterion-evaluating unit 102j, and conceptually shows only the portion related to the present invention.
  • the discriminant value criterion discriminating unit 102j1 can discriminate (1) whether or not the evaluation target is early nephropathy or non-early nephropathy, or (2) suffer from early nephropathy Classify the evaluation target into one of multiple categories (ranks) defined in consideration of the degree of gender, or (3) determine whether the evaluation target will develop a cardiovascular event in the future Or (4) classify the evaluation object into any one of a plurality of categories (ranks) defined taking into account the degree of possibility of developing a cardiovascular event in the future, or (5) evaluation Determine whether the subject will develop early nephropathy in the future, or (6) any of multiple categories (ranks) defined taking into account the degree of possibility of developing early nephropathy in the future Or classify the evaluation object into one.
  • the discriminant value criterion discriminating unit 102j1 compares the discriminant value with a preset threshold value (cut-off value), so that (1) the evaluation target is early nephropathy or non-early nephropathy. Or (2) classify the evaluation target in one of multiple categories (ranks) defined taking into account the degree of possibility of suffering from early nephropathy, (3) Discriminating whether or not the evaluation target will develop a cardiovascular event in the future, or (4) Multiple categories (ranks) defined taking into account the degree of possibility of developing a cardiovascular event in the future Or (5) to determine whether the evaluation subject will develop early nephropathy in the future, or (6) the possibility of developing early nephropathy in the future.
  • the evaluation target is classified into one of a plurality of categories (ranks) defined in consideration of the degree of Benefit.
  • the result output unit 102k outputs the processing results in each processing unit of the control unit 102 (evaluation results in the discrimination value criterion evaluation unit 102j (specifically, discrimination results or classification in the discrimination value criterion discrimination unit 102j1). Including the result) is output to the output device 114.
  • the transmission unit 102m transmits, for example, a discrimination value, an evaluation result (eg, a discrimination result, a classification result, etc.) to the client device 200 that is a transmission source of the amino acid concentration data to be evaluated, or a database device 400.
  • a multivariate discriminant or an evaluation result created by the early nephropathy evaluation apparatus 100 is transmitted.
  • FIG. 19 is a block diagram showing an example of the configuration of the client apparatus 200 of the present system, and conceptually shows only the portion related to the present invention in the configuration.
  • the client device 200 includes a control unit 210, a ROM 220, an HD 230, a RAM 240, an input device 250, an output device 260, an input / output IF 270, and a communication IF 280. These units are communicably connected via an arbitrary communication path. Has been.
  • the control unit 210 includes a web browser 211, an electronic mailer 212, a reception unit 213, and a transmission unit 214.
  • the web browser 211 performs browse processing for interpreting the web data and displaying the interpreted web data on a monitor 261 described later.
  • the Web browser 211 may be plugged in with various software such as a stream player having a function of receiving, displaying, and feeding back a stream video.
  • the electronic mailer 212 transmits and receives electronic mail according to a predetermined communication protocol (for example, SMTP (Simple Mail Transfer Protocol), POP3 (Post Office Protocol version 3), etc.).
  • SMTP Simple Mail Transfer Protocol
  • POP3 Post Office Protocol version 3
  • the reception unit 213 (corresponding to an example of the result acquisition unit of the present invention), such as a discrimination value and an evaluation result (for example, a discrimination result, a classification result, etc.) transmitted from the early nephropathy evaluation apparatus 100 via the communication IF 280, etc. Receive various information.
  • the client device has a function of acquiring various information such as a discrimination value and an evaluation result.
  • the transmission unit 214 transmits various types of information such as evaluation target amino acid concentration data to the early nephropathy evaluation apparatus 100 via the communication IF 280.
  • the input device 250 is a keyboard, a mouse, a microphone, or the like.
  • a monitor 261 which will be described later, also realizes a pointing device function in cooperation with the mouse.
  • the output device 260 is an output unit that outputs information received via the communication IF 280, and includes a monitor (including a home television) 261 and a printer 262. In addition, the output device 260 may be provided with a speaker or the like.
  • the input / output IF 270 is connected to the input device 250 and the output device 260.
  • the communication IF 280 connects the client device 200 and the network 300 (or a communication device such as a router) so that they can communicate with each other.
  • the client device 200 is connected to the network 300 via a communication device such as a modem, TA, or router and a telephone line, or via a dedicated line.
  • the client apparatus 200 can access the early nephropathy evaluation apparatus 100 according to a predetermined communication protocol.
  • an information processing device for example, a known personal computer, workstation, home game device, Internet TV, PHS terminal, portable terminal, mobile object
  • peripheral devices such as a printer, a monitor, and an image scanner as necessary.
  • the client device 200 may be realized by installing software (including programs, data, and the like) that realizes a Web data browsing function and an e-mail function in a communication terminal / information processing terminal such as a PDA).
  • control unit 210 of the client device 200 may be realized by a CPU and a program that is interpreted and executed by the CPU and all or any part of the processing performed by the control unit 210.
  • the ROM 220 or the HD 230 stores computer programs for giving instructions to the CPU and performing various processes in cooperation with an OS (Operating System).
  • the computer program is executed by being loaded into the RAM 240, and constitutes the control unit 210 in cooperation with the CPU.
  • the computer program may be recorded in an application program server connected to the client apparatus 200 via an arbitrary network, and the client apparatus 200 may download all or a part thereof as necessary. .
  • all or any part of the processing performed by the control unit 210 may be realized by hardware such as wired logic.
  • the network 300 has a function of connecting the early nephropathy evaluation apparatus 100, the client apparatus 200, and the database apparatus 400 so that they can communicate with each other, such as the Internet, an intranet, or a LAN (including both wired / wireless).
  • the network 300 includes a VAN, a personal computer communication network, a public telephone network (including both analog / digital), a dedicated line network (including both analog / digital), a CATV network, and a mobile line switching network.
  • mobile packet switching network including IMT2000 system, GSM (registered trademark) system or PDC / PDC-P system
  • wireless paging network including local wireless network such as Bluetooth (registered trademark)
  • PHS network including CS, BS or ISDB
  • satellite A communication network including CS, BS or ISDB
  • FIG. 20 is a block diagram showing an example of the configuration of the database apparatus 400 of this system, and conceptually shows only the portion related to the present invention in the configuration.
  • the database device 400 includes the early nephropathy evaluation apparatus 100 or the early nephropathy state information used when creating the multivariate discriminant in the database apparatus, the multivariate discriminant created by the early nephropathy evaluation apparatus 100, and the early nephropathy. It has a function of storing evaluation results and the like in the evaluation apparatus 100.
  • the database device 400 includes a control unit 402 such as a CPU that comprehensively controls the database device, a communication device such as a router, and a wired or wireless communication circuit such as a dedicated line.
  • a communication interface unit 404 that connects the apparatus to the network 300 to be communicable, a storage unit 406 that stores various databases, tables, and files (for example, files for Web pages), and an input unit that connects to the input unit 412 and the output unit 414. And an output interface unit 408. These units are communicably connected via an arbitrary communication path.
  • the storage unit 406 is a storage means, and for example, a memory device such as a RAM / ROM, a fixed disk device such as a hard disk, a flexible disk, an optical disk, or the like can be used.
  • the storage unit 406 stores various programs used for various processes.
  • the communication interface unit 404 mediates communication between the database device 400 and the network 300 (or a communication device such as a router). That is, the communication interface unit 404 has a function of communicating data with other terminals via a communication line.
  • the input / output interface unit 408 is connected to the input device 412 and the output device 414.
  • the output device 414 in addition to a monitor (including a home TV), a speaker or a printer can be used as the output device 414 (hereinafter, the output device 414 may be described as the monitor 414).
  • the input device 412 can be a monitor that realizes a pointing device function in cooperation with the mouse.
  • the control unit 402 has an internal memory for storing a control program such as an OS (Operating System), a program that defines various processing procedures, and necessary data, and performs various information processing based on these programs. Execute. As shown in the figure, the control unit 402 is roughly divided into a request interpreting unit 402a, a browsing processing unit 402b, an authentication processing unit 402c, an e-mail generating unit 402d, a Web page generating unit 402e, and a transmitting unit 402f.
  • a control program such as an OS (Operating System)
  • OS Operating System
  • the request interpretation unit 402a interprets the request content from the early nephropathy evaluation apparatus 100, and passes the processing to each unit of the control unit 402 according to the interpretation result.
  • the browsing processing unit 402b Upon receiving browsing requests for various screens from the early nephropathy evaluation apparatus 100, the browsing processing unit 402b generates and transmits Web data for these screens.
  • the authentication processing unit 402c makes an authentication determination.
  • the e-mail generation unit 402d generates an e-mail including various types of information.
  • the web page generation unit 402e generates a web page that the user browses on the client device 200.
  • the transmission unit 402f transmits various types of information such as early nephropathy state information and multivariate discriminants to the early nephropathy evaluation apparatus 100.
  • FIG. 21 is a flowchart illustrating an example of early nephropathy evaluation service processing according to the second embodiment.
  • the amino acid concentration data used in this process is, for example, blood (including plasma, serum, etc.) collected in advance from an individual such as an animal or a human (eg, a diabetic patient), and the following (A) or (B): It is related to the concentration value of the amino acid obtained by analysis or independent analysis by a specialist in this measurement method.
  • the unit of amino acid concentration may be obtained by, for example, molar concentration, weight concentration, or by adding / subtracting / subtracting an arbitrary constant to / from these concentrations.
  • Serum was separated from blood by centrifuging the collected blood sample. All serum samples were stored frozen at ⁇ 80 ° C. until measurement of amino acid concentration.
  • amino acid concentration When measuring the amino acid concentration, sulfosalicylic acid was added to remove the protein, and then the amino acid concentration was analyzed by an amino acid analyzer based on the post-column derivatization method using a ninhydrin reagent.
  • the client apparatus 200 causes the early nephropathy evaluation apparatus. 100 is accessed. Specifically, when the user instructs to update the screen of the web browser 211 of the client device 200, the web browser 211 uses the predetermined communication protocol to evaluate the address of the web site provided by the early nephropathy evaluation device 100. By transmitting to the device 100, a transmission request for a Web page corresponding to the amino acid concentration data transmission screen is made to the early nephropathy evaluation device 100 by routing based on the address.
  • an address such as URL
  • the early nephropathy evaluation apparatus 100 receives the transmission from the client apparatus 200 by the request interpretation unit 102a, analyzes the content of the transmission, and moves the processing to each unit of the control unit 102 according to the analysis result. Specifically, when the content of the transmission is a transmission request for a Web page corresponding to the amino acid concentration data transmission screen, the early nephropathy evaluation apparatus 100 is a predetermined storage area of the storage unit 106 mainly in the browsing processing unit 102b. Web data for displaying the Web page stored in is acquired, and the acquired Web data is transmitted to the client device 200.
  • the early nephropathy evaluation apparatus 100 when there is a transmission request for a Web page corresponding to the amino acid concentration data transmission screen from the user, the early nephropathy evaluation apparatus 100 first uses the control unit 102 to change the user ID and the user password. Ask the user for input. Then, when the user ID and password are input, the early nephropathy evaluation apparatus 100 causes the authentication processing unit 102c to input the input user ID and password and the user ID stored in the user information file 106a. Make authentication with user password. And the early nephropathy evaluation apparatus 100 transmits the web data for displaying the web page corresponding to an amino acid concentration data transmission screen by the browsing process part 102b to the client apparatus 200 only when authentication is possible.
  • the client device 200 is identified by the IP address transmitted from the client device 200 together with the transmission request.
  • the client apparatus 200 receives the Web data transmitted from the early nephropathy evaluation apparatus 100 (for displaying a Web page corresponding to the amino acid concentration data transmission screen) by the receiving unit 213, and receives the received Web data. Is interpreted by the Web browser 211, and the amino acid concentration data transmission screen is displayed on the monitor 261.
  • step SA21 when the user inputs / selects individual amino acid concentration data or the like via the input device 250 on the amino acid concentration data transmission screen displayed on the monitor 261, the client device 200 uses the transmission unit 214 to input information and By transmitting an identifier for specifying the selection item to the early nephropathy evaluation apparatus 100, the amino acid concentration data of the individual is transmitted to the early nephropathy evaluation apparatus 100 (step SA21).
  • the transmission of amino acid concentration data in step SA21 may be realized by an existing file transfer technique such as FTP.
  • the early nephropathy evaluation apparatus 100 interprets the request content of the client apparatus 200 by interpreting the identifier transmitted from the client apparatus 200 by the request interpretation unit 102a, and multivariate for evaluating the state of early nephropathy.
  • a request for transmission of a discriminant (specifically, a multivariate discriminant for 2-group discrimination regarding the current or future onset of early nephropathy or a multivariate discriminant for 2-group discrimination regarding the future onset of cardiovascular events)
  • a discriminant specifically, a multivariate discriminant for 2-group discrimination regarding the current or future onset of early nephropathy or a multivariate discriminant for 2-group discrimination regarding the future onset of cardiovascular events
  • the database device 400 interprets the transmission request from the early nephropathy evaluation device 100 by the request interpretation unit 402a and stores the multivariate discriminant (for example, the updated latest formula) stored in a predetermined storage area of the storage unit 406. Stuff) is transmitted to the early nephropathy evaluation apparatus 100 (step SA22).
  • the multivariate discriminant for example, the updated latest formula
  • step SA26 when it is determined in step SA26 whether the individual is currently having early nephropathy (whether the individual is currently developing early nephropathy), in step SA22, Sar is determined. , Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Hypro, Ile, Leu, Orn, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit, Trp, Cys
  • a multivariate discriminant including at least one of them as a variable is transmitted to the early nephropathy evaluation apparatus 100.
  • step SA26 when it is determined whether or not the individual currently has early nephropathy (whether or not the individual currently has early nephropathy), the individual will develop a cardiovascular event in the future.
  • step SA22 When further determining whether or not to perform, in step SA22, ⁇ -AIBA, 3-MeHis, Cit, Trp, Cys, Glu, Hypro, Sar, Leu, His, Arg, Lys, Ser, Phe, Ala, Orn, A multivariate discriminant including at least one of Pro and Ile as a variable is transmitted to the early nephropathy evaluation apparatus 100.
  • step SA26 when it is determined in step SA26 whether the individual will develop early nephropathy in the future, in step SA22, EtOHNH2, Sar, ⁇ -AIBA, ⁇ -ABA, Ser, Variable of at least one of Val, Thr, Tau, Hypro, Ile, Asn, Orn, Asp, Gln, ⁇ -AAA, Arg, Tyr, Cys, Gly, Ala, Pro, Leu, Lys, Met, His, Phe Is transmitted to the early nephropathy evaluation apparatus 100.
  • the early nephropathy evaluation apparatus 100 receives the individual amino acid concentration data transmitted from the client apparatus 200 and the multivariate discriminant transmitted from the database apparatus 400 by the receiving unit 102f, and receives the received amino acid concentration data.
  • the stored multivariate discriminant is stored in a predetermined storage area of the amino acid concentration data file 106b, and the received multivariate discriminant is stored in a predetermined storage area of the multivariate discriminant file 106e4 (step SA23).
  • the controller 102 removes data such as missing values and outliers from the individual amino acid concentration data received in step SA23 (step SA24).
  • the early nephropathy evaluation apparatus 100 uses the discriminant value calculation unit 102i to convert the amino acid concentration data of the individual from which data such as missing values and outliers have been removed in step SA24 and the multivariate discriminant received in step SA23. Based on this, a discriminant value is calculated (step SA25).
  • step SA23 Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Hypro, Ile, Leu, Orn, Lys, Glu, Met, His, ⁇ -AAA, Phe
  • the early nephropathy evaluation apparatus 100 uses the discriminant value calculation unit 102i to perform amino acid concentration data Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Hypro, Ile, Leu, Orn, Lys, Glu, Met, His, ⁇ -AAA, Phe, 3-MeHis, Arg, Cit , Trp, Cys at least one concentration value
  • step SA23 at least one of ⁇ -AIBA, 3-MeHis, Cit, Trp, Cys, Glu, Hypro, Sar, Leu, His, Arg, Lys, Ser, Phe, Ala, Orn, Pro, and Ile.
  • the early nephropathy evaluation apparatus 100 uses the discriminant value calculation unit 102i to perform ⁇ -AIBA, 3-MeHis, Cit, Trp, Cys, Glu, Hypro, Sar, Leu, His, Arg, Lys, Ser, Phe, Ala, Orn, Pro, Ile, and at least one concentration value, and ⁇ -AIBA, 3-MeHis, Cit, Trp, Cys, Glu, Hypro, Sar, Leu, His, Arg, Lys, Ser, Phe, Ala Orn, Pro, based on the multivariate discriminant containing as at least one variable of Ile, it calculates a discriminant value.
  • step SA23 EtOHNH2, Sar, ⁇ -AIBA, ⁇ -ABA, Ser, Val, Thr, Tau, Hypro, Ile, Asn, Orn, Asp, Gln, ⁇ -AAA, Arg
  • a multivariate discriminant including at least one of Tyr, Cys, Gly, Ala, Pro, Leu, Lys, Met, His, and Phe as a variable is received
  • the early nephropathy evaluation apparatus 100 determines the discriminant value.
  • the early nephropathy evaluation apparatus 100 uses the discriminant value criterion discriminating unit 102j1 based on the discriminant value calculated in step SA25 as described below in 21. Or 22.
  • the two-group discrimination is executed, and the discrimination result is stored in a predetermined storage area of the evaluation result file 106g (step SA26).
  • the early nephropathy evaluation apparatus 100 uses the transmission unit 102m to transmit the determination result obtained in step SA26 (which may include the determination value calculated in step SA25) to the client apparatus 200 that is the transmission source of amino acid concentration data.
  • the data is transmitted to the database device 400 (step SA27).
  • the early nephropathy evaluation apparatus 100 creates a web page for displaying the discrimination result in the web page generation unit 102e, and stores the web data corresponding to the created web page in the storage unit 106. Stored in the storage area.
  • the client device 200 makes a request for browsing the Web page to the early nephropathy evaluation device 100.
  • the browsing processing unit 102 b interprets the browsing request transmitted from the client device 200, and stores Web data corresponding to the Web page for displaying the determination result in the storage unit 106. Read from storage area.
  • the early nephropathy evaluation apparatus 100 transmits the read Web data to the client apparatus 200 and transmits the Web data or the determination result to the database apparatus 400 by the transmission unit 102m.
  • the early nephropathy evaluation apparatus 100 may notify the discrimination result to the user client apparatus 200 by e-mail at the control unit 102.
  • the early nephropathy evaluation apparatus 100 first refers to the user information stored in the user information file 106a based on the user ID or the like in the email generation unit 102d according to the transmission timing, Get the user's email address.
  • the early nephropathy evaluation apparatus 100 uses the e-mail generation unit 102d to generate data related to the e-mail including the name and determination result of the user with the acquired e-mail address as the destination.
  • the early nephropathy evaluation apparatus 100 transmits the generated data to the user client apparatus 200 by the transmission unit 102m.
  • step SA27 the early nephropathy evaluation apparatus 100 may transmit the determination result to the user client apparatus 200 using an existing file transfer technology such as FTP.
  • control unit 402 receives the discrimination result or Web data transmitted from the early nephropathy evaluation device 100, and stores the received discrimination result or Web data in a predetermined unit of the storage unit 406. Save (accumulate) in the storage area (step SA28).
  • the client device 200 receives the Web data transmitted from the early nephropathy evaluation device 100 by the receiving unit 213, interprets the received Web data by the Web browser 211, and the Web page on which the individual determination result is recorded. Is displayed on the monitor 261 (step SA29).
  • the client apparatus 200 arbitrarily selects the e-mail transmitted from the early nephropathy evaluation apparatus 100 by a known function of the e-mailer 212. The received e-mail is displayed on the monitor 261.
  • the user browses the Web page displayed on the monitor 261, and the above 21. Or 22. It is possible to confirm the discrimination result regarding the second group discrimination. Note that the user may print the display content of the Web page displayed on the monitor 261 with the printer 262.
  • the user browses the e-mail displayed on the monitor 261, so that the above 21. Or 22. It is possible to confirm the discrimination result regarding the second group discrimination.
  • the user may print the content of the e-mail displayed on the monitor 261 with the printer 262.
  • the early nephropathy evaluation apparatus, the early nephropathy evaluation method, the early nephropathy evaluation program, the recording medium, the early nephropathy evaluation system, and the information communication terminal device according to the present invention are claimed in addition to the second embodiment described above.
  • the present invention may be implemented in various different embodiments within the scope of the technical idea described in the above.
  • each component shown in the figure is functionally conceptual, and does not necessarily need to be physically configured as illustrated.
  • the processing functions provided in the early nephropathy evaluation apparatus 100 are interpreted and executed by a CPU (Central Processing Unit) and the CPU. It may be realized by a program or hardware based on wired logic.
  • the program is recorded on a non-transitory computer-readable recording medium including a programmed instruction for causing the information processing apparatus to execute the early nephropathy evaluation method according to the present invention. It is mechanically read by the nephropathy evaluation apparatus 100. That is, in the storage unit 106 such as a ROM or an HDD, computer programs for performing various processes by giving instructions to the CPU in cooperation with an OS (Operating System) are recorded. This computer program is executed by being loaded into the RAM, and constitutes a control unit in cooperation with the CPU.
  • OS Operating System
  • the computer program may be stored in an application program server connected to the early nephropathy evaluation apparatus 100 via an arbitrary network, and may be downloaded in whole or in part as necessary. Is possible.
  • the early nephropathy evaluation program may be stored in a non-temporary computer-readable recording medium, or may be configured as a program product.
  • the “recording medium” means a memory card, USB memory, SD card, flexible disk, magneto-optical disk, ROM, EPROM, EEPROM (registered trademark), CD-ROM, MO, DVD, and Blu-ray. It includes any “portable physical medium” such as Disc.
  • the “program” is a data processing method described in an arbitrary language or description method, and may be in the form of source code or binary code. Note that the “program” is not necessarily limited to a single configuration, but is distributed in the form of a plurality of modules and libraries, or in cooperation with a separate program typified by an OS (Operating System). Including those that achieve the function. In addition, a well-known structure and procedure can be used about the specific structure and reading procedure for reading a recording medium in each apparatus shown to embodiment, the installation procedure after reading, etc.
  • Various databases and the like stored in the storage unit 106 are storage devices such as a memory device such as a RAM and a ROM, a fixed disk device such as a hard disk, a flexible disk, and an optical disk. Programs, tables, databases, web page files, and the like.
  • the early nephropathy evaluation apparatus 100 may be configured as an information processing apparatus such as a known personal computer or workstation, or may be configured as the information processing apparatus connected to an arbitrary peripheral device. Further, the early nephropathy evaluation apparatus 100 may be realized by installing software (including a program or data) for realizing the early nephropathy evaluation method of the present invention in the information processing apparatus.
  • the specific form of distribution / integration of the devices is not limited to that shown in the figure, and all or a part of them may be functionally or physically in arbitrary units according to various additions or according to functional loads. It can be configured to be distributed and integrated. That is, the above-described embodiments may be arbitrarily combined and may be selectively implemented.
  • FIG. 22 is a flowchart illustrating an example of multivariate discriminant creation processing.
  • the multivariate discriminant creation process may be performed by the database device 400 that manages early nephropathy state information.
  • the early nephropathy evaluation apparatus 100 stores the early nephropathy state information acquired in advance from the database device 400 in a predetermined storage area of the early nephropathy state information file 106c. Further, the early nephropathy evaluation apparatus 100 converts the early nephropathy state information data including the early nephropathy state index data and the amino acid concentration data designated in advance by the early nephropathy state information designation unit 102g into the designated early nephropathy state information file 106d. Are stored in a predetermined storage area.
  • the multivariate discriminant-preparing part 102h is a candidate multivariate discriminant-preparing part 102h1 that creates a predetermined formula from the early nephropathy state information stored in the predetermined storage area of the designated early nephropathy state information file 106d.
  • the candidate multivariate discriminant is created based on the above, and the created candidate multivariate discriminant is stored in a predetermined storage area of the candidate multivariate discriminant file 106e1 (step SB21).
  • the multivariate discriminant-preparing part 102h is a candidate multivariate discriminant-preparing part 102h1, and a plurality of different formula creation methods (principal component analysis, discriminant analysis, support vector machine, multiple regression analysis, logistic regression) Analysis, k-means method, cluster analysis, decision tree, multivariate analysis such as Cox proportional hazard model, etc.)), select one desired and create based on the selected formula creation method Determine the shape of the candidate multivariate discriminant (form of the formula).
  • formula creation methods principal component analysis, discriminant analysis, support vector machine, multiple regression analysis, logistic regression
  • k-means method cluster analysis
  • decision tree multivariate analysis such as Cox proportional hazard model, etc.
  • the multivariate discriminant-preparing part 102h is a candidate multivariate discriminant-preparing part 102h1, and performs various calculations (for example, average and variance) corresponding to the selected formula selection method based on the early nephropathy state information. Execute. Next, the multivariate discriminant-preparing part 102h determines the calculation result and parameters of the determined candidate multivariate discriminant-expression in the candidate multivariate discriminant-preparing part 102h1. Thereby, a candidate multivariate discriminant is created based on the selected formula creation method. In addition, when a candidate multivariate discriminant is created in parallel and in parallel by using a plurality of different formula creation methods, the above-described processing may be executed in parallel for each selected formula creation method.
  • a candidate multivariate discriminant serially using a combination of multiple different formula creation methods, for example, early nephropathy status information using a candidate multivariate discriminant created by performing principal component analysis And a candidate multivariate discriminant may be created by performing discriminant analysis on the converted early nephropathy state information.
  • the multivariate discriminant-preparing part 102h verifies (mutually verifies) the candidate multivariate discriminant created in step SB21 with the candidate multivariate discriminant-verifying part 102h2, and verifies the verification result.
  • the result is stored in a predetermined storage area of the verification result file 106e2 (step SB22).
  • the multivariate discriminant-preparing part 102h is a candidate multivariate discriminant-verifying part 102h2 based on the early nephropathy state information stored in a predetermined storage area of the designated early nephropathy state information file 106d.
  • the verification data used when verifying the candidate multivariate discriminant is created, and the candidate multivariate discriminant is verified based on the created verification data.
  • the multivariate discriminant creation unit 102h creates each formula in the candidate multivariate discriminant verification unit 102h2.
  • Each candidate multivariate discriminant corresponding to the method is verified based on a predetermined verification method.
  • the discrimination rate, sensitivity, specificity, information criterion of the candidate multivariate discriminant based on at least one of the bootstrap method, holdout method, N-fold method, leave one out method, etc. , ROC_AUC (area under the curve of the receiver characteristic curve) or the like.
  • the multivariate discriminant-preparing part 102h creates a candidate multivariate discriminant by selecting a variable of the candidate multivariate discriminant based on a predetermined variable selection method in the variable selector 102h3.
  • a combination of amino acid concentration data included in the early nephropathy status information to be used is selected, and the early nephropathy status information including the selected combination of amino acid concentration data is stored in a predetermined storage area of the selected early nephropathy status information file 106e3 ( Step SB23).
  • step SB21 a plurality of candidate multivariate discriminants are created in combination with a plurality of different formula creation methods, and in step SB22, each candidate multivariate discriminant corresponding to each formula creation method is verified based on a predetermined verification method.
  • the multivariate discriminant-preparing part 102h selects a variable of the candidate multivariate discriminant based on a predetermined variable selection method for each candidate multivariate discriminant in the variable selector 102h3. Also good.
  • the variable of the candidate multivariate discriminant may be selected based on at least one of the stepwise method, the best path method, the neighborhood search method, and the genetic algorithm from the verification result.
  • the best path method is a method of selecting variables by sequentially reducing the variables included in the candidate multivariate discriminant one by one and optimizing the evaluation index given by the candidate multivariate discriminant.
  • the multivariate discriminant-preparing part 102h uses the variable selection part 102h3 to determine amino acid concentration data based on the early nephropathy state information stored in the predetermined storage area of the designated early nephropathy state information file 106d. You may select the combination.
  • the multivariate discriminant-preparing part 102h determines whether or not all combinations of amino acid concentration data included in the early nephropathy state information stored in the predetermined storage area of the designated early nephropathy state information file 106d have been completed.
  • the determination result is “end” (step SB24: Yes)
  • the process proceeds to the next step (step SB25), and when the determination result is not “end” (step SB24: No).
  • the multivariate discriminant-preparing part 102h determines whether or not the preset number of times has ended, and if the determination result is “end” (step SB24: Yes), the next step (step SB25). If the determination result is not “end” (step SB24: No), the process may return to step SB21.
  • the multivariate discriminant-preparing part 102h uses the amino acid concentration data selected in step SB23 as the amino acid concentration included in the early nephropathy status information stored in the predetermined storage area of the designated early nephropathy status information file 106d. It is determined whether the combination of the concentration data or the combination of the amino acid concentration data selected in the previous step SB23 is the same. If the determination result is “same” (step SB24: Yes), the next step ( The process proceeds to step SB25), and if the determination result is not “same” (step SB24: No), the process may return to step SB21.
  • the multivariate discriminant creation unit 102h compares the evaluation value with a predetermined threshold corresponding to each formula creation method. Based on the result, it may be determined whether to proceed to step SB25 or to return to step SB21.
  • the multivariate discriminant-preparing part 102h selects a multivariate discriminant by selecting a candidate multivariate discriminant to be adopted as a multivariate discriminant from a plurality of candidate multivariate discriminants based on the verification result.
  • the determined multivariate discriminant (selected candidate multivariate discriminant) is stored in a predetermined storage area of the multivariate discriminant file 106e4 (step SB25).
  • step SB25 for example, when the optimum one is selected from candidate multivariate discriminants created by the same formula creation method, and when the optimum one is selected from all candidate multivariate discriminants There is.
  • Diabetic patients for whom AER (urinary albumin excretion rate) was measured for the presence or absence of early nephropathy were classified into normal group (AER ⁇ 20 ⁇ g / min, trace albuminuria negative) and early nephropathy group (AER) based on the measurement results. ⁇ 20 ⁇ g / min, positive for microalbuminuria).
  • the normal group and the early nephropathy group were 279 and 128, respectively.
  • the amino acid concentration in the serum collected from the diabetic patient was measured, and the discriminating ability between the normal group and the early nephropathy group was evaluated for each amino acid by ROC_AUC (area under the curve of the receiver characteristic curve). The amino acid concentration was measured by the measurement method (A) described in the above embodiment.
  • AER For the diabetic patients classified into the normal group (AER ⁇ 20 ⁇ g / min, microalbuminuria negative) at the time of measuring amino acid concentration in Example 1, AER was measured again 5 years after the amino acid concentration measurement. Based on the AER measured again, the subject was classified into two groups: a future normal group (AER ⁇ 20 ⁇ g / min, negative microalbuminuria) and a future early nephropathy onset group (AER ⁇ 20 ⁇ g / min, microalbuminuria positive). Classified into groups. The future normal group and the future early nephropathy group were 124 and 15 respectively.
  • the amino acid concentration in the serum collected from the subject was measured, and the discriminating ability of the future normal group and the future early nephropathy onset group for each amino acid was evaluated by ROC_AUC (area under the curve of the receiver characteristic curve).
  • the amino acid concentration was measured by the measurement method (A) described in the above embodiment.
  • the correlation between the difference between the AER at the time of measuring the amino acid concentration and the AER measured after 5 years and the amino acid concentration is represented by the Spearman rank correlation. Evaluated by number.
  • the amino acid concentration was measured by the measurement method (A) described in the above embodiment.
  • amino acids that were significant (p ⁇ 0.05) in the Spearman correlation coefficient test were Sar, ⁇ -ABA, Ser, Thr, Tau, Hypro, Asn, and Orn. Of these amino acids, Tau showed a significant positive correlation, while Sar, ⁇ -ABA, Ser, Thr, Hypro, Asn, and Orn showed a significant negative correlation.
  • a logistic regression equation was used as a multivariate discriminant. Search for combinations of variables to be included in logistic regression equations from 31 types of amino acids, and adopt the Leave-One-Out method as a cross-validation method, and diligently search for logistic regression equations with good discrimination of early nephropathy did.
  • 31 kinds of amino acids are EtOHNH2, Gly, Sar, Ala, ⁇ -AIBA, ⁇ -ABA, Ser, Pro, Val, Thr, Tau, Hypro, Ile, Leu, Asn, Orn, Asp, Gln, Lys. , Glu, Met, His, ⁇ -AAA, Phe, 1-MeHis, 3-MeHis, Arg, Cit, Tyr, Trp, Cys (the same applies hereinafter).
  • FIGS. 23 to 26 show combinations of variables included in the logistic regression equation, ROC_AUC values with cross validation, and ROC_AUC values without cross validation. Enumerated in descending order of the appearance frequency of variables in the expressions included in FIGS. 23 to 26 are Glu, 3-MeHis, Cys, Trp, Ala, Orn, ⁇ -AAA, His, Met, Cit.
  • the 19 kinds of amino acids are Gly, Ala, Ser, Pro, Val, Thr, Ile, Leu, Asn, Orn, Gln, Lys, Met, His, Phe, Arg, Cit, Tyr, Trp (hereinafter referred to as “Ly”). The same.)
  • FIGS. 27 to 30 show combinations of variables included in the logistic regression equation, ROC_AUC values with cross-validation, and ROC_AUC values without cross-validation.
  • Listed in descending order of the appearance frequency of variables in the expressions included in FIGS. 27 to 30 are Ala, Trp, Ser, Leu, Phe, Ile, Cit, Lys, Orn, and Met.
  • the sensitivity and specificity are values when the highest discriminant point at which the average of sensitivity and specificity is the highest is taken as a cutoff value.
  • a linear discriminant was used as the multivariate discriminant.
  • FIGS. 31 to 34 show the linear discriminant, the average value of ROC_AUC values with cross validation, and the ROC_AUC value without cross validation.
  • the appearance frequency of the variables in the formulas included in FIG. 31 to FIG. 34 is listed in descending order, Glu, 3-MeHis, Cys, Trp, Orn, Ala, ⁇ -AAA, Arg, His, Met, ⁇ -ABA 11 pieces.
  • the sensitivity and specificity are values when the highest discriminant point at which the average of sensitivity and specificity is the highest is taken as a cutoff value.
  • FIGS. 35 to 38 show a linear discriminant, an average value of ROC_AUC values with cross validation, and an ROC_AUC value without cross validation.
  • variable frequencies in the expressions included in FIGS. 35 to 38 are listed in descending order of the frequency of occurrence, they are Trp, Ala, Leu, Phe, Ile, Ser, Lys, Cit, Pro, and Met.
  • the sensitivity and specificity are values when the highest discriminant point at which the average of sensitivity and specificity is the highest is taken as a cutoff value.
  • Example 2 Using the same amino acid concentration data as measured in Example 2, it is effective in diagnosing the onset of early nephropathy after 5 years as described in Example 2. Future early nephropathy having amino acid concentration in serum as a variable A multivariate discriminant (multivariate function) for discriminating the onset was obtained.
  • a logistic regression equation was used as a multivariate discriminant. Search for combinations of variables to be included in the logistic regression equation from 31 types of amino acids, and use the Leave-One-Out method as a cross-validation method to search for logistic regression equations with good discrimination ability for early nephropathy onset in the future We carried out diligently.
  • FIGS. 39 to 42 show combinations of variables included in the logistic regression equation, ROC_AUC values with cross-validation, and ROC_AUC values without cross-validation.
  • the appearance frequency of the variables in the expressions included in FIGS. 39 to 42 is listed in descending order of the frequency, Arg, Tau, Val, ⁇ -AAA, Gln, Ile, EtOHNH2, Asp, Cys, Sar, Asn, ⁇ -AIBA There are 12 pieces.
  • the sensitivity and specificity are values when the highest discriminant point at which the average of sensitivity and specificity is the highest is taken as a cutoff value.
  • FIGS. 43 to 46 show a list of logistic regression equations with equally good discrimination ability evaluated by ROC_AUC.
  • FIGS. 43 to 46 show combinations of variables included in the logistic regression equation, ROC_AUC values with cross validation, and ROC_AUC values without cross validation.
  • variable frequencies in the expressions included in FIGS. 43 to 46 are listed in descending order of the frequency of occurrence, Arg, Val, Ser, Tyr, Ile, His, Phe, Met, Pro, and Lys are listed.
  • a linear discriminant was used as the multivariate discriminant. Search for combinations of variables to be included in the linear discriminant from 31 types of amino acids, and use the bootstrap method as a cross-validation to search for linear discriminants that have good discriminating ability for the onset of early nephropathy in the future. did.
  • 47 to 50 show a list of linear discriminants with equally good discrimination ability evaluated by ROC_AUC. 47 to 50 show a linear discriminant, an average value of ROC_AUC values with cross validation, and an ROC_AUC value without cross validation. Listed in descending order of the appearance frequency of variables in the formulas included in FIGS. 47 to 50 are Arg, Tau, Val, ⁇ -AAA, Ile, Cys, EtOHNH2, Ser, Gln, and Tyr.
  • the sensitivity and specificity are values when the highest discriminant point at which the average of sensitivity and specificity is the highest is taken as a cutoff value.
  • FIGS. 51 to 54 show the linear discriminant, the average value of ROC_AUC values with cross validation, and the ROC_AUC value without cross validation.
  • Listed in descending order of the appearance frequency of variables in the formulas included in FIGS. 51 to 54 are Arg, Ser, Val, Ile, Leu, Pro, Phe, Gly, Ala, and Lys.
  • the sensitivity and specificity are values when the highest discriminant point at which the average of sensitivity and specificity is the highest is taken as a cutoff value.
  • Measurement of the amino acid concentration in serum collected from 392 diabetic patients was performed by the measurement method (A) described in the above-described embodiment.
  • a diabetic patient who developed a cardiovascular event within 10 years after measuring the amino acid concentration was regarded as a cardiovascular event developing person.
  • 392 diabetic patients were divided into two groups: those with cardiovascular events and those without cardiovascular events. There were 64 and 328 patients with cardiovascular events and no cardiovascular events, respectively.
  • the breakdown of 64 cardiovascular event patients is myocardial infarction 11 people, angina 29 people, heart failure 5 people, cerebral ischemia 1 person, cerebral infarction 12 people, cerebral hemorrhage 5 people, internal carotid artery stenosis 1 person .
  • the multivariate discriminant multivariate function
  • FIGS. 55 to 58 show combinations of variables included in the logistic regression equation, and ROC_AUC values regarding future cardiovascular event-onset persons and non-cardiovascular event-onset persons.
  • FIG. 59 to FIG. show combinations of variables included in the logistic regression equation, and ROC_AUC values regarding future cardiovascular event-onset persons and non-cardiovascular event-onset persons.
  • FIGS. 31 to 34 A list of linear discriminants described in FIGS. 31 to 34 described in the third embodiment is shown in FIGS.
  • FIG. 63 to FIG. 66 show combinations of variables included in the linear discriminant, and ROC_AUC values for future cardiovascular event-prone and non-cardiovascular event-prone.
  • the sensitivity and specificity are values when the highest discriminant point at which the average of sensitivity and specificity is the highest is taken as a cutoff value.
  • FIGS. 67 to 70 A list of linear discriminants described in FIGS. 35 to 38 described in the third embodiment is shown in FIGS. 67 to 70.
  • FIG. 67 to FIG. 70 show combinations of variables included in the linear discriminant, and ROC_AUC values regarding future cardiovascular event-onset persons and non-cardiovascular event-onset persons.
  • Example 5 Using the same amino acid concentration data as measured in Example 5, the amino acids that were significant (p ⁇ 0.05) in Example 1 and any of the various multivariate discriminants and various validation methods in Example 3 The ability to discriminate future cardiovascular event onset from non-onset of cardiovascular events was evaluated by ROC_AUC (area under the curve of the receiver characteristic curve) for amino acids that were within 10th in descending order of appearance frequency.
  • ROC_AUC area under the curve of the receiver characteristic curve
  • Example 6 Any of the same amino acid concentration data as measured in Example 5, amino acid concentration data regarding amino acids that were significant (p ⁇ 0.05) in Example 1, and various multivariate discriminants and various validation methods in Example 3. Using amino acid concentration data on amino acids that are within the top 10 in the order of appearance frequency in the combination of these, the amino acid concentration in the serum, which is effective for the diagnosis of the onset of future cardiovascular events described in Example 6, is used as a variable The multivariate discriminant (multivariate function) for determining the future onset of cardiovascular events was obtained.
  • a logistic regression equation was used as a multivariate discriminant. Search for combinations of variables to be included in the logistic regression equation from 31 types of amino acids, and use the Leave-One-Out method as a cross-validation method to search for logistic regression equations with good discrimination ability for future cardiovascular events We carried out diligently.
  • 71 to 74 show a list of logistic regression equations with equally good discrimination ability evaluated by ROC_AUC.
  • 71 to 74 show combinations of variables included in the logistic regression equation, ROC_AUC values with cross validation, and ROC_AUC values without cross validation.
  • the appearance frequency of the variables in the formulas included in FIG. 71 to FIG. 74 is listed in descending order, it is Glu, 3-MeHis, Trp, Hypro, Sar, Leu, His, Arg, Lys, Cys.
  • 75 to 78 show a list of logistic regression equations with equally good discrimination ability evaluated by ROC_AUC.
  • 75 to 78 show combinations of variables included in the logistic regression equation, ROC_AUC values with cross validation, and ROC_AUC values without cross validation.
  • the appearance frequency of the variables in the formulas included in FIGS. 75 to 78 is listed in descending order, they are Trp, Ser, His, Arg, Orn, Lys, Cit, Pro, Ile, and Phe.
  • a linear discriminant was used as the multivariate discriminant. Search for combinations of variables to be included in the linear discriminant from 31 types of amino acids, and adopt the bootstrap method as a cross-validation to search for a linear discriminant that has a good discriminating ability for future cardiovascular events. did.
  • FIGS. 79 to 82 show the linear discriminant, the average ROC_AUC value with cross validation, and the ROC_AUC value without cross validation.
  • the variables appearing in the formulas included in FIGS. 79 to 82 are listed in descending order of the frequency of occurrence of variables, and are Glu, Trp, 3-MeHis, His, Sar, Arg, Leu, Cit, Hypro, Ser.
  • 83 to 86 show a list of linear discriminants with equally good discrimination ability evaluated by ROC_AUC.
  • 83 to 86 show a linear discriminant, an average value of ROC_AUC values with cross validation, and an ROC_AUC value without cross validation.
  • Trp, Ser, His, Arg, Cit, Lys, Orn, Pro, Phe, and Leu are listed.
  • Cox proportional hazard model was used as a multivariate discriminant. We searched for combinations of variables to be included in the Cox proportional hazard model from 31 types of amino acids, and diligently searched for Cox proportional hazard model formulas with good discrimination ability for future cardiovascular events.
  • 87 to 90 show a list of Cox proportional hazard model equations with equally good discrimination ability evaluated by ROC_AUC.
  • 87 to 90 show the Cox proportional hazard model formula, the average value of the ROC_AUC values with cross validation, and the ROC_AUC values without cross validation. If the appearance frequency of the variables in the formulas included in FIGS. 87 to 90 is listed in descending order, they are listed as Glu, 3-MeHis, Trp, Hypro, Sar, Leu, Cys, ⁇ -AIBA, Phe, Ala.
  • FIGS. 91 to 94 show the Cox proportional hazard model formula, the average value of ROC_AUC values with cross validation, and the ROC_AUC values without cross validation.
  • 12 variables Trp, Ser, His, Lys, Arg, Cit, Orn, Pro, Ala, Phe, Leu, and Ile is there.
  • the method for evaluating early nephropathy and the like according to the present invention can be widely implemented in many industrial fields, particularly in the fields of pharmaceuticals, foods, medicine, and the like. It is extremely useful in the field of bioinformatics that performs progress prediction, disease risk prediction, proteome and metabolomic analysis.

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • Chemical & Material Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Food Science & Technology (AREA)
  • Biotechnology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Microbiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Cell Biology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

　血液中のアミノ酸の濃度を利用して早期腎症の状態を精度よく評価することができる早期腎症の評価方法、早期腎症評価装置、早期腎症評価方法、早期腎症評価プログラム、早期腎症評価システムおよび情報通信端末装置を提供することを課題とする。本実施形態では、評価対象から採取した血液中のアミノ酸の濃度値に関するアミノ酸濃度データを取得し、取得した評価対象のアミノ酸濃度データに基づいて、評価対象につき早期腎症の状態を評価する。

Description

早期腎症の評価方法、早期腎症評価装置、早期腎症評価方法、早期腎症評価プログラム、早期腎症評価システムおよび情報通信端末装置
　本発明は、早期腎症の評価方法、早期腎症評価装置、早期腎症評価方法、早期腎症評価プログラム、早期腎症評価システムおよび情報通信端末装置に関するものである。
　糖尿病性腎症（以下では「腎症」と記す場合がある。）は、糖尿病に伴う細動脈血管障害の一つであり、一定の糖尿病罹患期間の後に微量アルブミンの尿中排泄量増加をもって診断される。糖尿病性腎症は、尿中アルブミン排泄量および蛋白排泄量の増加から顕性蛋白尿を経て慢性腎不全へと連続的に進行していく。糖尿病性腎症は、診断基準によって、Ｉ期（腎症前期）・ＩＩ期（早期腎症期）・ＩＩＩ期（顕性腎症期）・ＩＶ期（腎不全期）・Ｖ期（透析療法期）の病期に分類される（非特許文献１）。
　我が国において、糖尿病患者の増加を背景として糖尿病性腎症の有病率も年々増加しており、糖尿病性腎症は現在、新規透析導入原疾患の第１位である。糖尿病性腎症に対する進行抑制を主な目的とした治療指針が定められており、病期に応じた血糖管理・血圧管理・食事療法が設定されている（非特許文献１）。
　更に近年、大規模臨床試験および疫学研究の結果から、厳格な血糖コントロール・レニンアンギオテンシン系阻害薬を用いた降圧療法・積極的な脂質コントロールにより、病期の進行抑制のみならず病期の改善（アルブミン尿の消退）ももたらさることが明らかとされている（非特許文献２および非特許文献３）。
　このように、腎症早期の段階においては集学的治療の有効性が強く認められる。一方で、腎症ＩＩＩ期以降になると集学的治療の有効性が限られるため、不可逆的な経過を辿って末期腎不全へと進行する患者が多くなっていくことが糖尿病性腎症治療における問題点の一つと考えられている。よって、糖尿病性腎症の早期発見が治療そして腎予後を大きく左右することとなり、早期発見および適切な治療介入により腎予後の改善が期待される。
　ところが、糖尿病性腎症早期では自覚症状が全くないため、腎症を早期に検出するためには糖尿病患者全例を対象とした腎症に対するスクリーニング検査を実施する必要がある。
　そこで、糖尿病性腎症に対する早期診断法の開発が精力的に進められてきた結果、現在では、尿中微量アルブミン測定が腎症早期のスクリーニング法として広く臨床で普及し、尿中アルブミンの排泄量の程度によって病期分類も行われている。
　しかし、尿中アルブミン排泄量は被験者の体調不良・運動で変動するため尿中アルブミン測定では被験者の体調不良・運動によって診断結果が擬陽性となり得ることや、尿中アルブミン排泄量には日内変動があるため尿中アルブミン測定の再現性が得られないなどの問題も指摘されている。これらの問題は、患者の腎予後や、治療法の決定、そして臨床試験などにおける予後評価の結果に大きな影響を与える。
　また、臨床現場での問題として、糖尿病患者に対して血液サンプルを用いた血糖コントロール指標の測定は略全患者に且つ高頻度に行われているにもかかわらず、一方で尿サンプルを用いたアルブミン排泄量の測定は全患者数の３０％程度しか行われていないことが挙げられる（非特許文献４）。この問題は、治療可能な早期腎症を見逃す結果をもたらし、患者の腎予後を悪化させる一要因となっている。また、非特許文献４に記載されている尿サンプルを用いたアルブミン排泄量の測定に関しては、擬陽性・測定再現性・診断性能が十分ではないという問題がある。
　よって、現在用いられている尿中アルブミン排泄の検出に替わる、より有効かつ簡便な早期腎症のスクリーニング法の開発が望まれている。
　なお、先行特許として、アミノ酸濃度と生体状態とを関連付ける方法に関する特許文献１、特許文献２、および特許文献３が公開されている。また、アミノ酸濃度を用いてメタボリックシンドロームの状態を評価する方法に関する特許文献４、アミノ酸濃度を用いて内臓脂肪蓄積の状態を評価する方法に関する特許文献５、アミノ酸濃度を用いて耐糖能異常の状態を評価する方法に関する特許文献６およびアミノ酸濃度を用いて肥満の状態を評価する方法に関する特許文献７が公開されている。また、慢性腎臓病の検出に関する特許文献８および非特許文献５が公開されている。
国際公開第２００４／０５２１９１号 国際公開第２００６／０９８１９２号 国際公開第２００９／０５４３５１号 国際公開第２００８／０１５９２９号 国際公開第２００９／００１８６２号 国際公開第２００９／０５４３５０号 国際公開第２０１０／０９５６８２号 特開２０１１－５８８６３号公報
糖尿病治療ガイド２０１０　社団法人日本糖尿病学会 Ａｒａｋｉ　Ｓ．　ｅｔ　ａｌ．，Ｄｉａｂｅｔｅｓ．，２００５，Ｏｃｔ，５４（１０），２９８３－７ Ｐｅｒｋｉｎｓ　ＢＡ．　ｅｔ　ａｌ．，Ｎ　Ｅｎｇｌ　Ｊ　Ｍｅｄ．，２００３，Ｊｕｎ　５，３４８（２３），２２８５－９３ 滋賀県医師会糖尿病実態調査委員会，滋賀県内全医療機関を対象とした糖尿病実態調査　－平成１２年と１８年の比較から－，日本医事新報，２００８年８月１６日，Ｎｏ．４３９９，７１－７４ Ｔａｋａｆｕｍｉ　Ｔｏｙｏｈａｒａ　ｅｔ　ａｌ．，Ｈｙｐｅｒｔｅｎｓ　Ｒｅｓ．，２０１０，Ｓｅｐ，３３（９），９４４－５２
　しかしながら、血中アミノ酸濃度を早期腎症のスクリーニングに応用した報告はない。また、特許文献１～７に開示されている指標式群を早期腎症の診断に用いても、診断対象が異なるので、早期腎症の状態評価について十分な精度を得ることはできない。つまり、血中アミノ酸濃度を利用して早期腎症の状態を評価する方法の開発は行われておらず、また実用化もされていないという問題点があった。
　本発明は、上記問題点に鑑みてなされたもので、血液中のアミノ酸の濃度を利用して早期腎症の状態を精度よく評価することができる早期腎症の評価方法、早期腎症評価装置、早期腎症評価方法、早期腎症評価プログラム、早期腎症評価システムおよび情報通信端末装置を提供することを目的とする。
　上述した課題を解決し、目的を達成するために、本発明にかかる早期腎症の評価方法は、評価対象から採取した血液中のアミノ酸の濃度値に関するアミノ酸濃度データを取得する取得ステップと、前記取得ステップで取得した前記評価対象の前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値に基づいて、前記評価対象につき早期腎症の状態を評価する濃度値基準評価ステップとを含むことを特徴とする。
　ここで、本明細書では各種アミノ酸を主に略称で表記するが、それらの正式名称は以下の通りである。
（略称）　　　　　　　　　　（正式名称）
ＥｔＯＨＮＨ２　　　　　　　Ｅｔｈａｎｏｌａｍｉｎｅ
Ｇｌｙ　　　　　　　　　　　Ｇｌｙｃｉｎｅ
Ｓａｒ　　　　　　　　　　　Ｓａｒｃｏｓｉｎｅ
Ａｌａ　　　　　　　　　　　Ａｌａｎｉｎｅ
β－ＡＩＢＡ　　　　　　　　β－Ａｍｉｎｏ－ｉｓｏ－ｂｕｔｙｒｉｃ　ａｃｉｄ
α－ＡＢＡ　　　　　　　　　α－Ａｍｉｎｏｂｕｔｙｒｉｃ　ａｃｉｄ
Ｓｅｒ　　　　　　　　　　　Ｓｅｒｉｎｅ
Ｐｒｏ　　　　　　　　　　　Ｐｒｏｌｉｎｅ
Ｖａｌ　　　　　　　　　　　Ｖａｌｉｎｅ
Ｔｈｒ　　　　　　　　　　　Ｔｈｒｅｏｎｉｎｅ
Ｔａｕ　　　　　　　　　　　Ｔａｕｒｉｎｅ
Ｈｙｐｒｏ　　　　　　　　　Ｈｙｄｒｏｘｙｐｒｏｌｉｎｅ
Ｉｌｅ　　　　　　　　　　　Ｉｓｏｌｅｕｃｉｎｅ
Ｌｅｕ　　　　　　　　　　　Ｌｅｕｃｉｎｅ
Ａｓｎ　　　　　　　　　　　Ａｓｐａｒａｇｉｎｅ
Ｏｒｎ　　　　　　　　　　　Ｏｒｎｉｔｈｉｎｅ
Ａｓｐ　　　　　　　　　　　Ａｓｐａｒｔｉｃ　ａｃｉｄ
Ｇｌｎ　　　　　　　　　　　Ｇｌｕｔａｍｉｎｅ
Ｌｙｓ　　　　　　　　　　　Ｌｙｓｉｎｅ
Ｇｌｕ　　　　　　　　　　　Ｇｌｕｔａｍｉｃ　ａｃｉｄ
Ｍｅｔ　　　　　　　　　　　Ｍｅｔｈｉｏｎｉｎｅ
Ｈｉｓ　　　　　　　　　　　Ｈｉｓｔｉｄｉｎｅ
α－ＡＡＡ　　　　　　　　　α－Ａｍｉｎｏａｄｉｐｉｃ　ａｃｉｄ
Ｐｈｅ　　　　　　　　　　　Ｐｈｅｎｙｌａｌａｎｉｎｅ
１－ＭｅＨｉｓ　　　　　　　１－Ｍｅｔｈｙｌｈｉｓｔｉｄｉｎｅ
３－ＭｅＨｉｓ　　　　　　　３－Ｍｅｔｈｙｌｈｉｓｔｉｄｉｎｅ
Ａｒｇ　　　　　　　　　　　Ａｒｇｉｎｉｎｅ
Ｃｉｔ　　　　　　　　　　　Ｃｉｔｒｕｌｌｉｎｅ
Ｔｙｒ　　　　　　　　　　　Ｔｙｒｏｓｉｎｅ
Ｔｒｐ　　　　　　　　　　　Ｔｒｙｐｔｏｐｈａｎ
Ｃｙｓ　　　　　　　　　　　Ｃｙｓｔｉｎｅ
　また、本発明にかかる早期腎症の評価方法は、前記の早期腎症の評価方法において、前記濃度値基準評価ステップは、前記アミノ酸濃度データに含まれるＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値に基づいて、前記評価対象が前記早期腎症を有するかを評価すること、を特徴とする。
　また、本発明にかかる早期腎症の評価方法は、前記の早期腎症の評価方法において、前記濃度値基準評価ステップは、前記アミノ酸濃度データに含まれるβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つの前記濃度値に基づいて、前記評価対象が将来、心血管イベントを発症するかをさらに評価すること、を特徴とする。
　ここで、本明細書において、心血管イベントには、冠動脈疾患（心筋梗塞、狭心症、心不全など）、脳血管障害（脳虚血、脳梗塞、脳出血など）及びその他の血管障害（内頚動脈狭窄症、末梢閉塞性動脈疾患など）が含まれる。
　また、本発明にかかる早期腎症の評価方法は、前記の早期腎症の評価方法において、前記濃度値基準評価ステップは、前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つの前記濃度値に基づいて、前記評価対象が将来、前記早期腎症を発症するかを評価すること、を特徴とする。
　また、本発明にかかる早期腎症の評価方法は、前記の早期腎症の評価方法において、前記濃度値基準評価ステップは、前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む予め設定された、前記早期腎症の前記状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップをさらに含むこと、を特徴とする。
　また、本発明にかかる早期腎症の評価方法は、前記の早期腎症の評価方法において、前記多変量判別式は、ロジスティック回帰式、分数式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式、Ｃｏｘ比例ハザードモデル式のいずれか１つであること、を特徴とする。
　また、本発明にかかる早期腎症の評価方法は、前記の早期腎症の評価方法において、前記濃度値基準評価ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき前記早期腎症の前記状態を評価する判別値基準評価ステップをさらに含むこと、を特徴とする。
　また、本発明にかかる早期腎症の評価方法は、前記の早期腎症の評価方法において、前記判別値算出ステップは、前記アミノ酸濃度データに含まれるＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、およびＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準評価ステップは、前記判別値に基づいて、前記評価対象が前記早期腎症を有するかを評価すること、を特徴とする。
　また、本発明にかかる早期腎症の評価方法は、前記の早期腎症の評価方法において、前記早期腎症の前記評価で用いられる前記多変量判別式は、Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓを前記変数として含む前記ロジスティック回帰式、Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐを前記変数として含む前記ロジスティック回帰式、Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓを前記変数として含む前記線形判別式、またはＡｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐを前記変数として含む前記線形判別式であること、を特徴とする。
　また、本発明にかかる早期腎症の評価方法は、前記の早期腎症の評価方法において、前記判別値算出ステップは、前記アミノ酸濃度データに含まれるβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つの前記濃度値、およびβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準評価ステップは、前記判別値に基づいて、前記評価対象が将来、心血管イベントを発症するかをさらに評価すること、を特徴とする。
　また、本発明にかかる早期腎症の評価方法は、前記の早期腎症の評価方法において、前記心血管イベントの前記評価で用いられる前記多変量判別式は、Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓを前記変数として含む前記ロジスティック回帰式、Ｈｙｐｒｏ，Ｇｌｕ，Ｈｉｓ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐを前記変数として含む前記ロジスティック回帰式、Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐを前記変数として含む前記ロジスティック回帰式、Ｓｅｒ，Ｏｒｎ，Ｈｉｓ，Ａｒｇ，Ｔｒｐを前記変数として含む前記ロジスティック回帰式、Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓを前記変数として含む前記線形判別式、Ｓａｒ，Ｌｅｕ，Ｇｌｕ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐを前記変数として含む前記線形判別式、Ａｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐを前記変数として含む前記線形判別式、Ｓｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐを前記変数として含む前記線形判別式、Ｈｙｐｒｏ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐを前記変数として含む前記Ｃｏｘ比例ハザードモデル式、またはＳｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐを前記変数として含む前記Ｃｏｘ比例ハザードモデル式であること、を特徴とする。
　また、本発明にかかる早期腎症の評価方法は、前記の早期腎症の評価方法において、前記判別値算出ステップは、前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つの前記濃度値、およびＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準評価ステップは、前記判別値に基づいて、前記評価対象が将来、前記早期腎症を発症するかを評価すること、を特徴とする。
　また、本発明にかかる早期腎症の評価方法は、前記の早期腎症の評価方法において、前記多変量判別式は、β－ＡＩＢＡ，Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ａｒｇを前記変数として含む前記ロジスティック回帰式、Ｓｅｒ，Ｖａｌ，Ｍｅｔ，Ａｒｇ，Ｔｙｒを前記変数として含む前記ロジスティック回帰式、Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ｐｈｅ，Ａｒｇを前記変数として含む前記線形判別式、またはＳｅｒ，Ｐｒｏ，Ｖａｌ，Ｉｌｅ，Ｌｅｕ，Ａｒｇを前記変数として含む前記線形判別式であること、を特徴とする。
　また、本発明にかかる早期腎症評価装置は、制御部と記憶部とを備え、評価対象につき早期腎症の状態を評価する早期腎症評価装置であって、前記制御部は、アミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む前記記憶部に記憶された、前記早期腎症の前記状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出手段を備えたこと、を特徴とする。
　また、本発明にかかる早期腎症評価装置は、前記の早期腎症評価装置において、前記制御部は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき前記早期腎症の前記状態を評価する判別値基準評価手段をさらに備えたこと、を特徴とする。
　なお、本発明にかかる早期腎症評価装置は、前記の早期腎症評価装置において、（ｉ）前記制御部は、前記アミノ酸濃度データと前記早期腎症の状態を表す指標に関する早期腎症状態指標データとを含む前記記憶部に記憶された早期腎症状態情報に基づいて、前記記憶部で記憶する前記多変量判別式を作成する多変量判別式作成手段をさらに備え、（ｉｉ）前記多変量判別式作成手段は、前記早期腎症状態情報から所定の式作成手法に基づいて、前記多変量判別式の候補である候補多変量判別式を作成する候補多変量判別式作成手段と、前記候補多変量判別式作成手段で作成した前記候補多変量判別式を、所定の検証手法に基づいて検証する候補多変量判別式検証手段と、所定の変数選択手法に基づいて前記候補多変量判別式の変数を選択することで、前記候補多変量判別式を作成する際に用いる前記早期腎症状態情報に含まれる前記アミノ酸濃度データの組み合わせを選択する変数選択手段と、をさらに備え、前記候補多変量判別式作成手段、前記候補多変量判別式検証手段および前記変数選択手段を繰り返し実行して蓄積した前記検証結果に基づいて、複数の前記候補多変量判別式の中から前記多変量判別式として採用する前記候補多変量判別式を選出することで、前記多変量判別式を作成すること、を特徴としてもよい。
　また、本発明にかかる早期腎症評価方法は、制御部と記憶部とを備えた情報処理装置において実行される、評価対象につき早期腎症の状態を評価する早期腎症評価方法であって、前記制御部において実行される、アミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む前記記憶部に記憶された、前記早期腎症の前記状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップを含むこと、を特徴とする。
　また、本発明にかかる早期腎症評価プログラムは、制御部と記憶部とを備えた情報処理装置において実行させるための、評価対象につき早期腎症の状態を評価する早期腎症評価プログラムであって、前記制御部において実行させるための、アミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む前記記憶部に記憶された、前記早期腎症の前記状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップを含むこと、を特徴とする。
　また、本発明にかかる記録媒体は、一時的でないコンピュータ読み取り可能な記録媒体であって、情報処理装置に前記早期腎症評価方法を実行させるためのプログラム化された命令を含むこと、を特徴とする。
　また、本発明にかかる早期腎症評価システムは、制御部と記憶部とを備え、評価対象につき早期腎症の状態を評価する早期腎症評価装置と、制御部を備え、アミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データを提供する情報通信端末装置とを、ネットワークを介して通信可能に接続して構成された早期腎症評価システムであって、前記情報通信端末装置の前記制御部は、前記評価対象の前記アミノ酸濃度データを前記早期腎症評価装置へ送信するアミノ酸濃度データ送信手段と、前記早期腎症評価装置から送信された、多変量判別式の値である判別値を受信する結果受信手段とを備え、前記早期腎症評価装置の前記制御部は、前記情報通信端末装置から送信された前記アミノ酸濃度データを受信するアミノ酸濃度データ受信手段と、前記アミノ酸濃度データ受信手段で受信した前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む前記記憶部に記憶された、前記早期腎症の前記状態を評価するための前記多変量判別式に基づいて、前記判別値を算出する判別値算出手段と、前記判別値算出手段で算出した前記判別値を前記情報通信端末装置へ送信する結果送信手段と、を備えたこと、を特徴とする。
　また、本発明にかかる早期腎症評価システムは、前記の早期腎症評価システムにおいて、前記早期腎症評価装置の前記制御部は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき前記早期腎症の前記状態を評価する判別値基準評価手段をさらに備え、前記結果送信手段は、前記判別値基準評価手段で得られた前記評価対象の評価結果を前記情報通信端末装置へ送信し、前記結果受信手段は、前記情報通信端末装置から送信された前記評価対象の前記評価結果を受信すること、を特徴とする。
　また、本発明にかかる情報通信端末装置は、制御部を備え、アミノ酸の濃度値に関する評価対象のアミノ酸濃度データを提供する情報通信端末装置であって、前記制御部は、多変量判別式の値である判別値を取得する結果取得手段を備え、前記判別値は、前記評価対象の前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む早期腎症の状態を評価するための多変量判別式に基づいて算出したものであること、を特徴とする。
　また、本発明にかかる情報通信端末装置は、前記の情報通信端末装置において、前記評価対象につき前記早期腎症の前記状態を評価する早期腎症評価装置とネットワークを介して通信可能に接続されており、前記制御部は、前記評価対象の前記アミノ酸濃度データを前記早期腎症評価装置へ送信するアミノ酸濃度データ送信手段をさらに備え、前記結果取得手段は、前記早期腎症評価装置から送信された前記判別値を受信すること、を特徴とする。
　また、本発明にかかる情報通信端末装置は、前記の情報通信端末装置において、前記結果取得手段は、前記早期腎症評価装置から送信された、前記評価対象の前記早期腎症の前記状態に関する評価結果を受信し、前記評価結果は、前記判別値に基づいて前記評価対象につき前記早期腎症の前記状態を評価した結果であること、を特徴とする。
　また、本発明にかかる早期腎症評価装置は、アミノ酸の濃度値に関する評価対象のアミノ酸濃度データを提供する情報通信端末装置とネットワークを介して通信可能に接続された、制御部と記憶部とを備え、前記評価対象につき早期腎症の状態を評価する早期腎症評価装置であって、前記制御部は、前記情報通信端末装置から送信された前記アミノ酸濃度データを受信するアミノ酸濃度データ受信手段と、前記アミノ酸濃度データ受信手段で受信した前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む前記記憶部に記憶された、前記早期腎症の前記状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出手段と、前記判別値算出手段で算出した前記判別値を前記情報通信端末装置へ送信する結果送信手段と、を備えたこと、を特徴とする。
　また、本発明にかかる早期腎症評価装置は、前記の早期腎症評価装置において、前記制御部は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき前記早期腎症の前記状態を評価する判別値基準評価手段をさらに備え、前記結果送信手段は、前記判別値基準評価手段で得られた前記評価対象の評価結果を前記情報通信端末装置へ送信すること、を特徴とする。
　また、本発明にかかる早期腎症の予防・改善物質の探索方法は、１つ又は複数の物質から成る所望の物質群が投与された評価対象から採取した血液中のアミノ酸の濃度値に関するアミノ酸濃度データを取得する取得ステップと、前記取得ステップで取得した前記評価対象の前記アミノ酸濃度データに基づいて、前記評価対象につき早期腎症の状態を評価する濃度値基準評価ステップと、前記濃度値基準評価ステップでの評価結果に基づいて、前記所望の前記物質群が、前記早期腎症を予防させる又は前記早期腎症の状態を改善させるものであるか否かを判定する判定ステップと、を含むことを特徴とする。
　本発明によれば、評価対象から採取した血液中のアミノ酸の濃度値に関するアミノ酸濃度データを取得し、取得した評価対象のアミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値に基づいて、評価対象につき早期腎症の状態を評価する。これにより、血液中のアミノ酸の濃度のうち早期腎症の状態評価に有用なアミノ酸の濃度を利用して早期腎症の状態を精度よく評価することができるという効果を奏する。
　また、本発明によれば、アミノ酸濃度データに含まれるＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値に基づいて、評価対象が早期腎症を有するかを評価する。これにより、血液中のアミノ酸の濃度のうち、早期腎症の現在の発症に関する評価に有用なアミノ酸の濃度を利用して当該評価を精度よく行うことができるという効果を奏する。
　また、本発明によれば、アミノ酸濃度データに含まれるβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つの濃度値に基づいて、評価対象が将来、心血管イベントを発症するかをさらに評価する。これにより、早期腎症の現在の発症に関する評価に有用なアミノ酸の濃度のうち、心血管イベントの将来の発症に関する評価にも有用なアミノ酸の濃度を利用して、当該心血管イベントの将来の発症に関する評価も精度よく行うことができるという効果を奏する。
　また、本発明によれば、アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つの濃度値に基づいて、評価対象が将来、早期腎症を発症するかを評価する。これにより、血液中のアミノ酸の濃度のうち、早期腎症の将来の発症に関する評価に有用なアミノ酸の濃度を利用して、当該評価を精度よく行うことができるという効果を奏する。
　また、本発明によれば、アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値、およびアミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを変数として含む予め設定された、早期腎症の状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する。これにより、早期腎症の状態評価に有用な多変量判別式を利用して、評価対象の早期腎症の状態を反映した判別値を得ることができるという効果を奏する。
　また、本発明によれば、多変量判別式は、ロジスティック回帰式、分数式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式、Ｃｏｘ比例ハザードモデル式のいずれか１つである。これにより、早期腎症の状態評価に有用な多変量判別式を利用して、評価対象の早期腎症の状態を反映した判別値を得ることができるという効果を奏する。
　また、本発明によれば、算出した判別値に基づいて、評価対象につき早期腎症の状態を評価する。これにより、早期腎症の状態評価に有用な多変量判別式で得られる判別値を利用して、早期腎症の状態を精度よく評価することができるという効果を奏する。
　また、本発明によれば、アミノ酸濃度データに含まれるＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値、およびＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象が早期腎症を有するかを評価する。これにより、早期腎症の現在の発症に関する評価に有用な多変量判別式で得られる判別値を利用して、当該評価を精度よく行うことができるという効果を奏する。また、本発明によれば、多変量判別式は、Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓを変数として含むロジスティック回帰式、Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐを変数として含むロジスティック回帰式、Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓを変数として含む線形判別式、またはＡｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐを変数として含む線形判別式である。これにより、早期腎症の現在の発症に関する評価に特に有用な多変量判別式で得られる判別値を利用して、当該評価をさらに精度よく行うことができるという効果を奏する。
　また、本発明によれば、アミノ酸濃度データに含まれるβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つの濃度値、およびβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象が将来、心血管イベントを発症するかをさらに評価する。これにより、早期腎症の現在の発症に関する評価に有用な多変量判別式のうち、心血管イベントの将来の発症に関する評価にも有用な多変量判別式で得られる判別値を利用して、当該心血管イベントの将来の発症に関する評価もさらに精度よく行うことができるという効果を奏する。また、本発明によれば、多変量判別式は、Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓを変数として含むロジスティック回帰式、Ｈｙｐｒｏ，Ｇｌｕ，Ｈｉｓ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐを変数として含むロジスティック回帰式、Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐを変数として含むロジスティック回帰式、Ｓｅｒ，Ｏｒｎ，Ｈｉｓ，Ａｒｇ，Ｔｒｐを変数として含むロジスティック回帰式、Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓを変数として含む線形判別式、Ｓａｒ，Ｌｅｕ，Ｇｌｕ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐを変数として含む線形判別式、Ａｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐを変数として含む線形判別式、Ｓｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐを変数として含む線形判別式、Ｈｙｐｒｏ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐを変数として含むＣｏｘ比例ハザードモデル式、またはＳｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐを変数として含むＣｏｘ比例ハザードモデル式である。これにより、心血管イベントの将来の発症に関する評価にも特に有用な多変量判別式で得られる判別値を利用して、当該評価もさらに精度よく行うことができるという効果を奏する。
　また、本発明によれば、アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つの濃度値、およびＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象が将来、早期腎症を発症するかを評価する。これにより、早期腎症の将来の発症に関する評価に有用な多変量判別式で得られる判別値を利用して、当該評価を精度よく行うことができるという効果を奏する。また、本発明によれば、多変量判別式は、β－ＡＩＢＡ，Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ａｒｇを変数として含むロジスティック回帰式、Ｓｅｒ，Ｖａｌ，Ｍｅｔ，Ａｒｇ，Ｔｙｒを変数として含むロジスティック回帰式、Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ｐｈｅ，Ａｒｇを変数として含む線形判別式、またはＳｅｒ，Ｐｒｏ，Ｖａｌ，Ｉｌｅ，Ｌｅｕ，Ａｒｇを変数として含む線形判別式である。これにより、早期腎症の将来の発症に関する評価に特に有用な多変量判別式で得られる判別値を利用して、当該評価をさらに精度よく行うことができるという効果を奏する。
　なお、本発明によれば、アミノ酸濃度データと早期腎症の状態を表す指標に関する早期腎症状態指標データとを含む記憶手段に記憶された早期腎症状態情報に基づいて、記憶手段で記憶する多変量判別式を作成してもよい。具体的には、（ｉ）早期腎症状態情報から所定の式作成手法に基づいて候補多変量判別式を作成し、（ｉｉ）作成した候補多変量判別式を所定の検証手法に基づいて検証し、（ｉｉｉ）所定の変数選択手法に基づいて候補多変量判別式の変数を選択することで、候補多変量判別式を作成する際に用いる早期腎症状態情報に含まれるアミノ酸濃度データの組み合わせを選択し、（ｉｖ）（ｉ）、（ｉｉ）および（ｉｉｉ）を繰り返し実行して蓄積した検証結果に基づいて、複数の候補多変量判別式の中から多変量判別式として採用する候補多変量判別式を選出することで、多変量判別式を作成してもよい。これにより、早期腎症の状態評価に最適な多変量判別式を作成することができるという効果を奏する。
　また、本発明によれば、１つ又は複数の物質から成る所望の物質群が投与された評価対象から採取した血液中のアミノ酸の濃度値に関するアミノ酸濃度データを取得し、取得したアミノ酸濃度データに基づいて、評価対象につき早期腎症の状態を評価し、評価結果に基づいて、所望の物質群が、早期腎症を予防させる又は早期腎症の状態を改善させるものであるか否かを判定するので、血液中のアミノ酸の濃度を利用して早期腎症の状態を精度よく評価することができる早期腎症の評価方法を用いて、早期腎症を予防させる又は早期腎症の状態を改善させる物質を精度よく探索することができるという効果を奏する。また、本発明によれば、早期腎症での典型的なアミノ酸濃度変動パターンの情報や早期腎症に対応する多変量判別式を利用することで、早期腎症の状態を一部反映した既存の動物モデルや、臨床で早期に有効な薬物を選択することが可能になる。
　なお、本発明では、早期腎症の現在または将来の状態または心血管イベントの将来の状態を評価する際、アミノ酸の濃度以外に、他の生体情報（例えば、年齢、ＡＥＲ(尿中アルブミン排泄率)、ＢＮＰ(脳性ナトリウム利尿ペプチド)など）をさらに用いてもかまわない。また、本発明では、早期腎症の現在または将来の状態または心血管イベントの将来の状態を評価する際、多変量判別式における変数として、アミノ酸の濃度以外に、他の生体情報（例えば、年齢、ＡＥＲ(尿中アルブミン排泄率)、ＢＮＰ(脳性ナトリウム利尿ペプチド)など）をさらに用いてもかまわない。
図１は、第１実施形態の基本原理を示す原理構成図である。 図２は、第１実施形態にかかる早期腎症の評価方法の一例を示すフローチャートである。 図３は、第２実施形態の基本原理を示す原理構成図である。 図４は、本システムの全体構成の一例を示す図である。 図５は、本システムの全体構成の他の一例を示す図である。 図６は、本システムの早期腎症評価装置１００の構成の一例を示すブロック図である。 図７は、利用者情報ファイル１０６ａに格納される情報の一例を示す図である。 図８は、アミノ酸濃度データファイル１０６ｂに格納される情報の一例を示す図である。 図９は、早期腎症状態情報ファイル１０６ｃに格納される情報の一例を示す図である。 図１０は、指定早期腎症状態情報ファイル１０６ｄに格納される情報の一例を示す図である。 図１１は、候補多変量判別式ファイル１０６ｅ１に格納される情報の一例を示す図である。 図１２は、検証結果ファイル１０６ｅ２に格納される情報の一例を示す図である。 図１３は、選択早期腎症状態情報ファイル１０６ｅ３に格納される情報の一例を示す図である。 図１４は、多変量判別式ファイル１０６ｅ４に格納される情報の一例を示す図である。 図１５は、判別値ファイル１０６ｆに格納される情報の一例を示す図である。 図１６は、評価結果ファイル１０６ｇに格納される情報の一例を示す図である。 図１７は、多変量判別式作成部１０２ｈの構成を示すブロック図である。 図１８は、判別値基準評価部１０２ｊの構成を示すブロック図である。 図１９は、本システムのクライアント装置２００の構成の一例を示すブロック図である。 図２０は、本システムのデータベース装置４００の構成の一例を示すブロック図である。 図２１は、本システムで行う早期腎症評価サービス処理の一例を示すフローチャートである。 図２２は、本システムの早期腎症評価装置１００で行う多変量判別式作成処理の一例を示すフローチャートである。 図２３は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図２４は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図２５は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図２６は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図２７は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図２８は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図２９は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図３０は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図３１は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図３２は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図３３は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図３４は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図３５は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図３６は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図３７は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図３８は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、正常群と早期腎症群の判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図３９は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図４０は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図４１は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図４２は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図４３は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図４４は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図４５は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図４６は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図４７は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図４８は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図４９は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図５０は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図５１は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図５２は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図５３は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図５４は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、正常群または早期腎症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図５５は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図５６は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図５７は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図５８は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図５９は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図６０は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図６１は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図６２は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図６３は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図６４は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図６５は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図６６は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図６７は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図６８は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図６９は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図７０は、変数の組み合わせを１９種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図７１は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図７２は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図７３は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図７４は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図７５は、変数の組み合わせを１４種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図７６は、変数の組み合わせを１４種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図７７は、変数の組み合わせを１４種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図７８は、変数の組み合わせを１４種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つロジスティック回帰式の一覧を示す図である。 図７９は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図８０は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図８１は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図８２は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図８３は、変数の組み合わせを１４種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図８４は、変数の組み合わせを１４種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図８５は、変数の組み合わせを１４種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図８６は、変数の組み合わせを１４種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つ線形判別式の一覧を示す図である。 図８７は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つＣｏｘ比例ハザードモデル式の一覧を示す図である。 図８８は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つＣｏｘ比例ハザードモデル式の一覧を示す図である。 図８９は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つＣｏｘ比例ハザードモデル式の一覧を示す図である。 図９０は、変数の組み合わせを３１種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つＣｏｘ比例ハザードモデル式の一覧を示す図である。 図９１は、変数の組み合わせを１４種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つＣｏｘ比例ハザードモデル式の一覧を示す図である。 図９２は、変数の組み合わせを１４種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つＣｏｘ比例ハザードモデル式の一覧を示す図である。 図９３は、変数の組み合わせを１４種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つＣｏｘ比例ハザードモデル式の一覧を示す図である。 図９４は、変数の組み合わせを１４種のアミノ酸から探索した結果得られた、将来、心血管イベント発症群または心血管イベント非発症群であるかの判別について良好な判別能を持つＣｏｘ比例ハザードモデル式の一覧を示す図である。
　以下に、早期腎症の評価方法の実施形態（第１実施形態）、ならびに早期腎症評価装置、早期腎症評価方法、早期腎症評価プログラム、記録媒体、早期腎症評価システムおよび情報通信端末装置の実施形態（第２実施形態）を、図面に基づいて詳細に説明する。なお、本発明はこれらの実施形態により限定されるものではない。
［第１実施形態］
［１－１．第１実施形態の概要］
　ここでは、第１実施形態の概要について図１を参照して説明する。図１は第１実施形態の基本原理を示す原理構成図である。
　まず、評価対象（例えば動物やヒト（例えば糖尿病患者など）などの個体）から採取した血液（例えば血漿、血清などを含む）中のアミノ酸の濃度値に関するアミノ酸濃度データを取得する（ステップＳ１１）。なお、ステップＳ１１では、例えば、アミノ酸濃度測定を行う企業等が測定したアミノ酸濃度データを取得してもよく、また、評価対象から採取した血液から、例えば以下の（Ａ）または（Ｂ）などの測定方法でアミノ酸濃度データを測定することでアミノ酸濃度データを取得してもよい。ここで、アミノ酸濃度の単位は、例えばモル濃度や重量濃度、これらの濃度に任意の定数を加減乗除することで得られるものでもよい。
（Ａ）採取した血液サンプルを遠心することにより血液から血清を分離した。全ての血清サンプルは、アミノ酸濃度の測定時まで－８０℃で凍結保存した。アミノ酸濃度測定時には、アセトニトリルを添加し除蛋白処理を行った後、標識試薬（３－アミノピリジル－Ｎ－ヒドロキシスクシンイミジルカルバメート）を用いてプレカラム誘導体化を行い、そして、液体クロマトグラフ質量分析計（ＬＣ／ＭＳ／ＭＳ）によりアミノ酸濃度を分析した（国際公開第２００３／０６９３２８号、国際公開第２００５／１１６６２９号を参照）。
（Ｂ）採取した血液サンプルを遠心することにより血液から血清を分離した。全ての血清サンプルは、アミノ酸濃度の測定時まで－８０℃で凍結保存した。アミノ酸濃度測定時には、スルホサリチル酸を添加し除蛋白処理を行った後、ニンヒドリン試薬を用いたポストカラム誘導体化法を原理としたアミノ酸分析計によりアミノ酸濃度を分析した。
　つぎに、ステップＳ１１で取得したアミノ酸濃度データに基づいて、評価対象につき早期腎症の状態を評価する（ステップＳ１２）。
　以上、第１実施形態によれば、評価対象から採取した血液中のアミノ酸の濃度値に関するアミノ酸濃度データを取得し、取得した評価対象のアミノ酸濃度データに基づいて、評価対象につき早期腎症の状態を評価する（要するに、評価対象につき早期腎症の状態を評価するための情報を提供する）。これにより、血液中のアミノ酸の濃度を利用して早期腎症の状態を精度よく評価することができる（要するに、早期腎症の状態を評価するための精度のよい情報を提供することができる）。
　ここで、ステップＳ１２を実行する前に、ステップＳ１１で取得したアミノ酸濃度データから欠損値や外れ値などのデータを除去してもよい。これにより、早期腎症の状態をさらに精度よく評価することができる。
　また、ステップＳ１２では、ステップＳ１１で取得したアミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値に基づいて、評価対象につき早期腎症の状態を評価してもよい。これにより、血液中のアミノ酸の濃度のうち早期腎症の状態評価に有用なアミノ酸の濃度を利用して早期腎症の状態を精度よく評価することができる。
　具体的には、アミノ酸濃度データに含まれるＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値に基づいて、評価対象が早期腎症を有するかを評価してもよい。例えば、評価対象が早期腎症または非早期腎症であるか否かを判別したり、また、早期腎症に罹患している可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したりしてもよい。これにより、血液中のアミノ酸の濃度のうち、早期腎症の現在の発症に関する評価に有用なアミノ酸の濃度を利用して当該評価を精度よく行うことができる。
　なお、早期腎症の現在の発症に関する評価においては、アミノ酸濃度データに含まれるβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つの濃度値に基づいて、評価対象が将来、心血管イベントを発症するかをさらに評価してもよい。例えば、評価対象が将来、心血管イベントを発症するか否かをさらに判別したり、また、将来、心血管イベントを発症する可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象をさらに分類したりしてもよい。これにより、早期腎症の現在の発症に関する評価に有用なアミノ酸の濃度のうち、心血管イベントの将来の発症に関する評価にも有用なアミノ酸の濃度を利用して、当該心血管イベントの将来の発症に関する評価も精度よく行うことができる。
　また、具体的には、アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つの濃度値に基づいて、評価対象が将来、早期腎症を発症するかを評価してもよい。例えば、評価対象が将来、早期腎症を発症するか否かを判別したり、また、将来、早期腎症を発症する可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したりしてもよい。これにより、血液中のアミノ酸の濃度のうち、早期腎症の将来の発症に関する評価に有用なアミノ酸の濃度を利用して、当該評価を精度よく行うことができる。
　また、濃度値の取り得る範囲が所定範囲（例えば０．０から１．０までの範囲、０．０から１０．０までの範囲、０．０から１００．０までの範囲、又は－１０．０から１０．０までの範囲、など）に収まるように、例えば、濃度値に対して任意の値を加減乗除したり、また、濃度値を所定の変換手法（例えば、指数変換、対数変換、角変換、平方根変換、プロビット変換、又は逆数変換など）で変換したり、また、濃度値に対してこれらの計算を組み合わせて行ったりすることで、濃度値を変換してもよい。例えば、濃度値を指数としネイピア数を底とする指数関数の値（具体的には、早期腎症に罹患している確率ｐ（将来、心血管イベントを発症する確率、または、将来、早期腎症を発症する確率でもよい。）を定義したときの自然対数ｌｎ（ｐ／（１－ｐ））が濃度値と等しいとした場合におけるｐ／（１－ｐ）の値）をさらに算出してもよく、また、算出した指数関数の値を１と当該値との和で割った値（具体的には、確率ｐの値）をさらに算出してもよい。
　また、特定の条件のときの変換後の値が特定の値となるように、濃度値を変換してもよい。例えば、特異度が８０％のときの変換後の値が５．０となり且つ特異度が９５％のときの変換後の値が８．０となるように濃度値を変換してもよい。
　また、ステップＳ１２では、ステップＳ１１で取得したアミノ酸濃度データ、およびアミノ酸の濃度を変数として含む予め設定された多変量判別式に基づいて、当該多変量判別式の値である判別値を算出してもよく、さらに、算出した判別値に基づいて、評価対象につき早期腎症の状態を評価してもよい。これにより、アミノ酸の濃度を変数として含む多変量判別式を利用して、評価対象の早期腎症の状態を反映した判別値を得ることができたり、さらには、アミノ酸の濃度を変数として含む多変量判別式で得られる判別値を利用して、早期腎症の状態を精度よく評価することができたりする。
　なお、多変量判別式は、ロジスティック回帰式、分数式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式、Ｃｏｘ比例ハザードモデル式のいずれか１つでもよい。これにより、早期腎症の状態評価に有用な多変量判別式で得られる判別値を利用して、早期腎症の状態を精度よく評価することができる。
　また、ステップＳ１２では、ステップＳ１１で取得したアミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値、およびＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき早期腎症の状態を評価してもよい。これにより、早期腎症の状態評価に有用な多変量判別式で得られる判別値を利用して、早期腎症の状態を精度よく評価することができる。
　具体的には、アミノ酸濃度データに含まれるＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値、およびＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象が早期腎症を有するかを評価してもよい。例えば、評価対象が早期腎症または非早期腎症であるか否かを判別したり、また、早期腎症に罹患している可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したりしてもよい。これにより、早期腎症の現在の発症に関する評価に有用な多変量判別式で得られる判別値を利用して、当該評価を精度よく行うことができる。
　なお、早期腎症の現在の発症に関する評価で用いられる多変量判別式は、Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓを変数として含むロジスティック回帰式、Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐを変数として含むロジスティック回帰式、Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓを変数として含む線形判別式、またはＡｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐを変数として含む線形判別式でもよい。これにより、早期腎症の現在の発症に関する評価に特に有用な多変量判別式で得られる判別値を利用して、当該評価をさらに精度よく行うことができる。
　ここで、早期腎症の現在の発症に関する評価においては、アミノ酸濃度データに含まれるβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つの濃度値、およびβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象が将来、心血管イベントを発症するかをさらに評価してもよい。例えば、評価対象が将来、心血管イベントを発症するか否かをさらに判別したり、また、将来、心血管イベントを発症する可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象をさらに分類したりしてもよい。これにより、早期腎症の現在の発症に関する評価に有用な多変量判別式のうち、心血管イベントの将来の発症に関する評価にも有用な多変量判別式で得られる判別値を利用して、当該心血管イベントの将来の発症に関する評価も精度よく行うことができる。
　なお、心血管イベントの将来の発症に関する評価で用いられる多変量判別式は、Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓを変数として含むロジスティック回帰式、Ｈｙｐｒｏ，Ｇｌｕ，Ｈｉｓ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐを変数として含むロジスティック回帰式、Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐを変数として含むロジスティック回帰式、Ｓｅｒ，Ｏｒｎ，Ｈｉｓ，Ａｒｇ，Ｔｒｐを変数として含むロジスティック回帰式、Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓを変数として含む線形判別式、Ｓａｒ，Ｌｅｕ，Ｇｌｕ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐを変数として含む線形判別式、Ａｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐを変数として含む線形判別式、Ｓｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐを変数として含む線形判別式、Ｈｙｐｒｏ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐを変数として含むＣｏｘ比例ハザードモデル式、またはＳｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐを変数として含むＣｏｘ比例ハザードモデル式でもよい。これにより、心血管イベントの将来の発症に関する評価にも特に有用な多変量判別式で得られる判別値を利用して、当該評価もさらに精度よく行うことができる。
　また、具体的には、アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つの濃度値、およびＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象が将来、早期腎症を発症するかを評価してもよい。例えば、評価対象が将来、早期腎症を発症するか否かを判別したり、また、将来、早期腎症を発症する可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したりしてもよい。これにより、早期腎症の将来の発症に関する評価に有用な多変量判別式で得られる判別値を利用して、当該評価を精度よく行うことができる。
　なお、早期腎症の将来の発症に関する評価で用いられる多変量判別式は、β－ＡＩＢＡ，Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ａｒｇを変数として含むロジスティック回帰式、Ｓｅｒ，Ｖａｌ，Ｍｅｔ，Ａｒｇ，Ｔｙｒを変数として含むロジスティック回帰式、Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ｐｈｅ，Ａｒｇを変数として含む線形判別式、またはＳｅｒ，Ｐｒｏ，Ｖａｌ，Ｉｌｅ，Ｌｅｕ，Ａｒｇを変数として含む線形判別式でもよい。これにより、早期腎症の将来の発症に関する評価に特に有用な多変量判別式で得られる判別値を利用して、当該評価をさらに精度よく行うことができる。
　また、判別値の取り得る範囲が所定範囲（例えば０．０から１．０までの範囲、０．０から１０．０までの範囲、０．０から１００．０までの範囲、又は－１０．０から１０．０までの範囲、など）に収まるように、例えば、判別値に対して任意の値を加減乗除したり、また、判別値を所定の変換手法（例えば、指数変換、対数変換、角変換、平方根変換、プロビット変換、又は逆数変換など）で変換したり、また、判別値に対してこれらの計算を組み合わせて行ったりすることで、判別値を変換してもよい。例えば、判別値を指数としネイピア数を底とする指数関数の値（具体的には、早期腎症に罹患している確率ｐ（将来、心血管イベントを発症する確率、または、将来、早期腎症を発症する確率でもよい。）を定義したときの自然対数ｌｎ（ｐ／（１－ｐ））が判別値と等しいとした場合におけるｐ／（１－ｐ）の値）をさらに算出してもよく、また、算出した指数関数の値を１と当該値との和で割った値（具体的には、確率ｐの値）をさらに算出してもよい。
　また、特定の条件のときの変換後の値が特定の値となるように、判別値を変換してもよい。例えば、特異度が８０％のときの変換後の値が５．０となり且つ特異度が９５％のときの変換後の値が８．０となるように判別値を変換してもよい。
　なお、本明細書における判別値は、多変量判別式の値そのものであってもよく、多変量判別式の値を変換した後の値であってもよい。
　ここで、上記した各多変量判別式は、例えば、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法または本出願人による国際出願である国際公開第２００６／０９８１９２号に記載の方法で作成してもよい。なお、これら方法で得られた多変量判別式であれば、入力データとしてのアミノ酸濃度データにおけるアミノ酸濃度の単位に因らず、当該多変量判別式を早期腎症の状態評価に好適に用いることができる。
　また、多変量判別式とは、一般に多変量解析で用いられる式の形式を意味し、例えば分数式、重回帰式、多重ロジスティック回帰式、線形判別関数、マハラノビス距離、正準判別関数、サポートベクターマシン、決定木、Ｃｏｘ比例ハザードモデルなどを包含する。また、異なる形式の多変量判別式の和で示されるような式も含まれる。また、重回帰式、多重ロジスティック回帰式、正準判別関数においては各変数に係数および定数項が付加されるが、この場合の係数および定数項は、好ましくは実数であること、より好ましくはデータから判別を行うために得られた係数および定数項の９９％信頼区間の範囲に属する値、さらに好ましくはデータから判別を行うために得られた係数および定数項の９５％信頼区間の範囲に属する値であればかまわない。また、各係数の値、及びその信頼区間は、それを実数倍したものでもよく、定数項の値、及びその信頼区間は、それに任意の実定数を加減乗除したものでもよい。ロジスティック回帰、線形判別、重回帰分析などの表示式を指標に用いる場合、表示式の線形変換（定数の加算、定数倍）や単調増加（減少）の変換（例えばｌｏｇｉｔ変換など）は判別性能を変えるものではなく同等であるので、表示式はそれらを含むものである。
　なお、分数式とは、当該分数式の分子がアミノ酸Ａ，Ｂ，Ｃ，・・・の和で表わされ及び／又は当該分数式の分母がアミノ酸ａ，ｂ，ｃ，・・・の和で表わされるものである。また、分数式には、このような構成の分数式α，β，γ，・・・の和（例えばα＋βのようなもの）も含まれる。また、分数式には、分割された分数式も含まれる。なお、分子や分母に用いられるアミノ酸にはそれぞれ適当な係数がついてもかまわない。また、分子や分母に用いられるアミノ酸は重複してもかまわない。また、各分数式に適当な係数がついてもかまわない。また、各変数の係数の値や定数項の値は、実数であればかまわない。分数式で、分子の変数と分母の変数を入れ替えた組み合わせは、目的変数との相関の正負の符号は概して逆転するが、それらの相関性は保たれるので、判別性では同等と見なせるので、分子の変数と分母の変数を入れ替えた組み合わせも、包含するものである。
　そして、第１実施形態では、早期腎症の現在または将来の状態または心血管イベントの将来の状態を評価する際、アミノ酸の濃度以外に、他の生体情報（例えば、年齢、ＡＥＲ(尿中アルブミン排泄率)、ＢＮＰ(脳性ナトリウム利尿ペプチド)など）をさらに用いてもかまわない。また、第１実施形態では、早期腎症の現在または将来の状態または心血管イベントの将来の状態を評価する際、多変量判別式における変数として、アミノ酸の濃度以外に、他の生体情報（例えば、年齢、ＡＥＲ(尿中アルブミン排泄率)、ＢＮＰ(脳性ナトリウム利尿ペプチド)など）をさらに用いてもかまわない。
　なお、ステップＳ１１を実行する前に、評価対象に１つまたは複数の物質から成る所望の物質群を投与し、当該評価対象から血液を採取しておき、ステップＳ１１で、当該採取した血液からアミノ酸濃度データを取得する場合には、ステップＳ１２での評価結果（例えば、早期腎症の現在の発症に関する判別結果・分類結果、または、早期腎症の将来の発症に関する判別結果・分類結果）に基づいて、当該投与した物質群が、早期腎症を予防させるまたは早期腎症の状態を改善させるものであるか否かを判定してもよい。これにより、血液中のアミノ酸の濃度を利用して早期腎症の状態を精度よく評価することができる早期腎症の評価方法を用いて、早期腎症を予防させる又は早期腎症の状態を改善させる物質を精度よく探索することができる。例えば、ステップＳ１１を実行する前に、ヒトに投与可能な既存の薬物・アミノ酸・食品・サプリメントを適宜組み合わせたもの（例えば、早期腎症の予防または改善に効果があること知られている薬物（例えば、ＡＣＥ（アンジオテンシン変換酵素）阻害剤、ＡＲＢ（アンジオテンシンＩＩ受容体拮抗薬）など）・サプリメント（例えば、低タンパク食、ポリフェノールなど）などを適宜組み合わせたもの）を、所定の期間（例えば１日から１２ヶ月の範囲）にわたり、所定量ずつ所定の頻度・タイミング（例えば１日３回・食後）で、所定の投与方法（例えば経口投与）により投与してもよい。ここで、投与方法や用量、剤形は、病状に応じて適宜組み合わせてもよい。なお、剤形は、公知の技術に基づいて決めてもよい。また、用量は、特に定めは無いが、例えば有効成分として１ｕｇから１００ｇを含有した形態で与えてもよい。
　そして、この判定結果が「予防させるまたは改善させる」というものであった場合には、当該投与した物質群が早期腎症を予防させるまたは早期腎症の状態を改善させるものとして探索されてもよい。なお、この探索方法によって探索された物質として、例えば、「Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを含むアミノ酸群」または「ＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つを含むアミノ酸群」が挙げられる。
　また、「Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを含むアミノ酸群」または「ＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つを含むアミノ酸群」の濃度値や各多変量判別式の判別値を正常化させる物質を、第１実施形態の早期腎症の評価方法や第２実施形態の早期腎症評価装置を用いて選択することができる。
　また、「予防させる又は改善させる物質を探索する」とは、早期腎症の予防・改善に有効な新規物質を見出すことのみならず、公知物質の早期腎症の予防・改善用途を新規に見出すことや、早期腎症の予防・改善に有効性を期待できる既存の薬剤・サプリメント等を組み合わせた新規組成物を見出すことや、上記した適切な用法・用量・組み合わせを見出し、それをキットとすることや、食事・運動等も含めた予防・治療メニューを提示することや、当該予防・治療メニューの効果をモニタリングし、必要に応じて個人ごとにメニューの変更を提示すること等が含まれる。
［１－２．第１実施形態の具体例］
　ここでは、第１実施形態の具体例について図２を参照して説明する。図２は、第１実施形態にかかる早期腎症の評価方法の一例を示すフローチャートである。
　まず、動物やヒト（例えば糖尿病患者など）などの個体から採取した血液中のアミノ酸の濃度値に関するアミノ酸濃度データを取得する（ステップＳＡ１１）。なお、ステップＳＡ１１では、例えば、アミノ酸濃度測定を行う企業等が測定したアミノ酸濃度データを取得してもよく、また、個体から採取した血液から例えば上述した（Ａ）または（Ｂ）などの測定方法でアミノ酸濃度データを測定することでアミノ酸濃度データを取得してもよい。
　つぎに、ステップＳＡ１１で取得した個体のアミノ酸濃度データから欠損値や外れ値などのデータを除去する（ステップＳＡ１２）。
　つぎに、ステップＳＡ１２で欠損値や外れ値などのデータが除去された個体のアミノ酸濃度データに基づいて、以下に示す１１．または１２．の２群判別を実行する（ステップＳＡ１３）。
１１．早期腎症の現在の発症に関する２群判別
　以下の（１１Ａ）または（１１Ｂ）の２群判別を実行する。
（１１Ａ）アミノ酸濃度データに含まれるＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値と予め設定された閾値（カットオフ値）とを比較することで、個体が現在、早期腎症であるか否か（個体が現在、早期腎症を発症しているか否か）を判別する。
（１１Ｂ）アミノ酸濃度データに含まれるＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値、およびＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体が現在、早期腎症であるか否か（個体が現在、早期腎症を発症しているか否か）を判別する。
　なお、上記１１．の２群判別においては、以下の（１１Ｃ）または（１１Ｄ）の２群判別（心血管イベントの将来の発症に関する２群判別）をさらに実行してもよい。
（１１Ｃ）アミノ酸濃度データに含まれるβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つの濃度値と予め設定された閾値（カットオフ値）とを比較することで、個体が将来、心血管イベントを発症するか否かを判別する。
（１１Ｄ）アミノ酸濃度データに含まれるβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つの濃度値、およびβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体が将来、心血管イベントを発症するか否かを判別する。
１２．早期腎症の将来の発症に関する２群判別
　以下の（１２Ａ）または（１２Ｂ）の２群判別を実行する。
（１２Ａ）アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つの濃度値と予め設定された閾値（カットオフ値）とを比較することで、個体が将来、早期腎症を発症するか否かを判別する。
（１２Ｂ）アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つの濃度値、およびＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体が将来、早期腎症を発症するか否かを判別する。
［第２実施形態］
［２－１．第２実施形態の概要］
　ここでは、第２実施形態の概要について図３を参照して説明する。図３は第２実施形態の基本原理を示す原理構成図である。
　まず、制御部は、アミノ酸の濃度値に関する予め取得した評価対象（例えば動物やヒト（例えば糖尿病患者など）などの個体）のアミノ酸濃度データ、およびアミノ酸の濃度を変数として含む記憶部に記憶された多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する（ステップＳ２１）。
　つぎに、制御部は、ステップＳ２１で算出した判別値に基づいて、評価対象につき早期腎症の状態を評価する（ステップＳ２２）。
　以上、第２実施形態によれば、評価対象のアミノ酸濃度データ、およびアミノ酸の濃度を変数として含む多変量判別式に基づいて、当該多変量判別式の値である判別値（要するに、評価対象の早期腎症の状態を反映した判別値）を算出し、算出した判別値に基づいて、評価対象につき早期腎症の状態を評価する（要するに、評価対象につき早期腎症の状態を評価するための情報を提供する）。これにより、アミノ酸の濃度を変数として含む多変量判別式を利用して、評価対象の早期腎症の状態を反映した判別値を得ることができたり、さらには、アミノ酸の濃度を変数として含む多変量判別式で得られる判別値を利用して、早期腎症の状態を精度よく評価することができたりする（要するに、早期腎症の状態を評価するための精度のよい情報を提供することができる）。
　なお、多変量判別式は、ロジスティック回帰式、分数式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式、Ｃｏｘ比例ハザードモデル式のいずれか１つでもよい。これにより、早期腎症の状態評価に有用な多変量判別式で得られる判別値を利用して、早期腎症の状態を精度よく評価することができる。
　また、ステップＳ２１では、アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値、およびＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳ２２では、ステップＳ２１で算出した判別値に基づいて、評価対象につき早期腎症の状態を評価してもよい。これにより、早期腎症の状態評価に有用な多変量判別式で得られる判別値を利用して、早期腎症の状態を精度よく評価することができる。
　具体的には、ステップＳ２１では、アミノ酸濃度データに含まれるＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値、およびＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳ２２では、ステップＳ２１で算出した判別値に基づいて、評価対象が早期腎症を有するかを評価してもよい。例えば、評価対象が早期腎症または非早期腎症であるか否かを判別したり、また、早期腎症に罹患している可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したりしてもよい。これにより、早期腎症の現在の発症に関する評価に有用な多変量判別式で得られる判別値を利用して、当該評価を精度よく行うことができる。
　なお、早期腎症の現在の発症に関する評価で用いられる多変量判別式は、Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓを変数として含むロジスティック回帰式、Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐを変数として含むロジスティック回帰式、Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓを変数として含む線形判別式、またはＡｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐを変数として含む線形判別式でもよい。これにより、早期腎症の現在の発症に関する評価に特に有用な多変量判別式で得られる判別値を利用して、当該評価をさらに精度よく行うことができる。
　ここで、早期腎症の現在の発症に関する評価においては、アミノ酸濃度データに含まれるβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つの濃度値、およびβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象が将来、心血管イベントを発症するかをさらに評価してもよい。例えば、評価対象が将来、心血管イベントを発症するか否かをさらに判別したり、また、将来、心血管イベントを発症する可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象をさらに分類したりしてもよい。これにより、早期腎症の現在の発症に関する評価に有用な多変量判別式のうち、心血管イベントの将来の発症に関する評価にも有用な多変量判別式で得られる判別値を利用して、当該心血管イベントの将来の発症に関する評価も精度よく行うことができる。
　なお、心血管イベントの将来の発症に関する評価で用いられる多変量判別式は、Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓを変数として含むロジスティック回帰式、Ｈｙｐｒｏ，Ｇｌｕ，Ｈｉｓ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐを変数として含むロジスティック回帰式、Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐを変数として含むロジスティック回帰式、Ｓｅｒ，Ｏｒｎ，Ｈｉｓ，Ａｒｇ，Ｔｒｐを変数として含むロジスティック回帰式、Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓを変数として含む線形判別式、Ｓａｒ，Ｌｅｕ，Ｇｌｕ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐを変数として含む線形判別式、Ａｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐを変数として含む線形判別式、Ｓｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐを変数として含む線形判別式、Ｈｙｐｒｏ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐを変数として含むＣｏｘ比例ハザードモデル式、またはＳｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐを変数として含むＣｏｘ比例ハザードモデル式でもよい。これにより、心血管イベントの将来の発症に関する評価にも特に有用な多変量判別式で得られる判別値を利用して、当該評価もさらに精度よく行うことができる。
　また、具体的には、ステップＳ２１では、アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つの濃度値、およびＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳ２２では、ステップＳ２１で算出した判別値に基づいて、評価対象が将来、早期腎症を発症するかを評価してもよい。例えば、評価対象が将来、早期腎症を発症するか否かを判別したり、また、将来、早期腎症を発症する可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したりしてもよい。これにより、早期腎症の将来の発症に関する評価に有用な多変量判別式で得られる判別値を利用して、当該評価を精度よく行うことができる。
　なお、早期腎症の将来の発症に関する評価で用いられる多変量判別式は、β－ＡＩＢＡ，Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ａｒｇを変数として含むロジスティック回帰式、Ｓｅｒ，Ｖａｌ，Ｍｅｔ，Ａｒｇ，Ｔｙｒを変数として含むロジスティック回帰式、Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ｐｈｅ，Ａｒｇを変数として含む線形判別式、またはＳｅｒ，Ｐｒｏ，Ｖａｌ，Ｉｌｅ，Ｌｅｕ，Ａｒｇを変数として含む線形判別式でもよい。これにより、早期腎症の将来の発症に関する評価に特に有用な多変量判別式で得られる判別値を利用して、当該評価をさらに精度よく行うことができる。
　また、判別値の取り得る範囲が所定範囲（例えば０．０から１．０までの範囲、０．０から１０．０までの範囲、０．０から１００．０までの範囲、又は－１０．０から１０．０までの範囲、など）に収まるように、例えば、判別値に対して任意の値を加減乗除したり、また、判別値を所定の変換手法（例えば、指数変換、対数変換、角変換、平方根変換、プロビット変換、又は逆数変換など）で変換したり、また、判別値に対してこれらの計算を組み合わせて行ったりすることで、判別値を変換してもよい。例えば、判別値を指数としネイピア数を底とする指数関数の値（具体的には、早期腎症に罹患している確率ｐ（将来、心血管イベントを発症する確率、または、将来、早期腎症を発症する確率でもよい。）を定義したときの自然対数ｌｎ（ｐ／（１－ｐ））が判別値と等しいとした場合におけるｐ／（１－ｐ）の値）をさらに算出してもよく、また、算出した指数関数の値を１と当該値との和で割った値（具体的には、確率ｐの値）をさらに算出してもよい。
　また、特定の条件のときの変換後の値が特定の値となるように、判別値を変換してもよい。例えば、特異度が８０％のときの変換後の値が５．０となり且つ特異度が９５％のときの変換後の値が８．０となるように判別値を変換してもよい。
　なお、本明細書における判別値は、多変量判別式の値そのものであってもよく、多変量判別式の値を変換した後の値であってもよい。
　ここで、上記した各多変量判別式は、例えば、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法または本出願人による国際出願である国際公開第２００６／０９８１９２号に記載の方法で作成してもよい。なお、これら方法で得られた多変量判別式であれば、入力データとしてのアミノ酸濃度データにおけるアミノ酸濃度の単位に因らず、当該多変量判別式を早期腎症の状態評価に好適に用いることができる。
　また、多変量判別式とは、一般に多変量解析で用いられる式の形式を意味し、例えば分数式、重回帰式、多重ロジスティック回帰式、線形判別関数、マハラノビス距離、正準判別関数、サポートベクターマシン、決定木、Ｃｏｘ比例ハザードモデルなどを包含する。また、異なる形式の多変量判別式の和で示されるような式も含まれる。また、重回帰式、多重ロジスティック回帰式、正準判別関数においては各変数に係数および定数項が付加されるが、この場合の係数および定数項は、好ましくは実数であること、より好ましくはデータから判別を行うために得られた係数および定数項の９９％信頼区間の範囲に属する値、さらに好ましくはデータから判別を行うために得られた係数および定数項の９５％信頼区間の範囲に属する値であればかまわない。また、各係数の値、及びその信頼区間は、それを実数倍したものでもよく、定数項の値、及びその信頼区間は、それに任意の実定数を加減乗除したものでもよい。ロジスティック回帰、線形判別、重回帰分析などの表示式を指標に用いる場合、表示式の線形変換（定数の加算、定数倍）や単調増加（減少）の変換（例えばｌｏｇｉｔ変換など）は判別性能を変えるものではなく同等であるので、表示式はそれらを含むものである。
　なお、分数式とは、当該分数式の分子がアミノ酸Ａ，Ｂ，Ｃ，・・・の和で表わされ及び／又は当該分数式の分母がアミノ酸ａ，ｂ，ｃ，・・・の和で表わされるものである。また、分数式には、このような構成の分数式α，β，γ，・・・の和（例えばα＋βのようなもの）も含まれる。また、分数式には、分割された分数式も含まれる。なお、分子や分母に用いられるアミノ酸にはそれぞれ適当な係数がついてもかまわない。また、分子や分母に用いられるアミノ酸は重複してもかまわない。また、各分数式に適当な係数がついてもかまわない。また、各変数の係数の値や定数項の値は、実数であればかまわない。分数式で、分子の変数と分母の変数を入れ替えた組み合わせは、目的変数との相関の正負の符号は概して逆転するが、それらの相関性は保たれるので、判別性では同等と見なせるので、分子の変数と分母の変数を入れ替えた組み合わせも、包含するものである。
　そして、第２実施形態では、早期腎症の現在または将来の状態または心血管イベントの将来の状態を評価する際、アミノ酸の濃度以外に、他の生体情報（例えば、年齢、ＡＥＲ(尿中アルブミン排泄率)、ＢＮＰ(脳性ナトリウム利尿ペプチド)など）をさらに用いてもかまわない。また、第２実施形態では、早期腎症の現在または将来の状態または心血管イベントの将来の状態を評価する際、多変量判別式における変数として、アミノ酸の濃度以外に、他の生体情報（例えば、年齢、ＡＥＲ(尿中アルブミン排泄率)、ＢＮＰ(脳性ナトリウム利尿ペプチド)など）をさらに用いてもかまわない。
　ここで、多変量判別式作成処理（工程１～工程４）の概要について詳細に説明する。なお、ここで説明する処理はあくまでも一例であり、多変量判別式の作成方法はこれに限定されない。
　まず、制御部は、アミノ酸濃度データと早期腎症の状態を表す指標に関する早期腎症状態指標データとを含む記憶部に記憶された早期腎症状態情報から所定の式作成手法に基づいて、多変量判別式の候補である候補多変量判別式（例えば、ｙ＝ａ１ｘ１＋ａ２ｘ２＋・・・＋ａｎｘｎ、ｙ：早期腎症状態指標データ、ｘｉ：アミノ酸濃度データ、ａｉ：定数、ｉ＝１，２，・・・，ｎ）を作成する（工程１）。なお、事前に、早期腎症状態情報から欠損値や外れ値などを持つデータを除去してもよい。
　なお、工程１において、早期腎症状態情報から、複数の異なる式作成手法（主成分分析や判別分析、サポートベクターマシン、重回帰分析、ロジスティック回帰分析、ｋ－ｍｅａｎｓ法、クラスター解析、決定木、Ｃｏｘ比例ハザードモデルなどの多変量解析に関するものを含む。）を併用して複数の候補多変量判別式を作成してもよい。具体的には、多数の健常群および早期腎症群から得た血液を分析して得たアミノ酸濃度データおよび早期腎症状態指標データから構成される多変量データである早期腎症状態情報に対して、複数の異なるアルゴリズムを利用して複数群の候補多変量判別式を同時並行的に作成してもよい。例えば、異なるアルゴリズムを利用して判別分析およびロジスティック回帰分析を同時に行い、２つの異なる候補多変量判別式を作成してもよい。また、主成分分析を行って作成した候補多変量判別式を利用して早期腎症状態情報を変換し、変換した早期腎症状態情報に対して判別分析を行うことで候補多変量判別式を作成してもよい。これにより、最終的に、診断条件に合った適切な多変量判別式を作成することができる。
　ここで、主成分分析を用いて作成した候補多変量判別式は、全てのアミノ酸濃度データの分散を最大にするような各アミノ酸変数を含む一次式である。また、判別分析を用いて作成した候補多変量判別式は、各群内の分散の和の全てのアミノ酸濃度データの分散に対する比を最小にするような各アミノ酸変数を含む高次式（指数や対数を含む）である。また、サポートベクターマシンを用いて作成した候補多変量判別式は、群間の境界を最大にするような各アミノ酸変数を含む高次式（カーネル関数を含む）である。また、重回帰分析を用いて作成した候補多変量判別式は、全てのアミノ酸濃度データからの距離の和を最小にするような各アミノ酸変数を含む高次式である。ロジスティック回帰分析を用いて作成した候補多変量判別式は、確率の対数オッズを表す線形モデルであり、その確率の尤度を最大にするような各アミノ酸変数を含む一次式である。また、ｋ－ｍｅａｎｓ法とは、各アミノ酸濃度データのｋ個近傍を探索し、近傍点の属する群の中で一番多いものをそのデータの所属群と定義し、入力されたアミノ酸濃度データの属する群と定義された群とが最も合致するようなアミノ酸変数を選択する手法である。また、クラスター解析とは、全てのアミノ酸濃度データの中で最も近い距離にある点同士をクラスタリング（群化）する手法である。また、決定木とは、アミノ酸変数に序列をつけて、序列が上位であるアミノ酸変数の取りうるパターンからアミノ酸濃度データの群を予測する手法である。また、Ｃｏｘ比例ハザードモデルとは、生存時間およびイベント時間ならびに打ち切りを考慮しながら、生存またはイベントに対してアミノ酸変数が与える影響を予測する手法である。
　多変量判別式作成処理の説明に戻り、制御部は、工程１で作成した候補多変量判別式を、所定の検証手法に基づいて検証（相互検証）する（工程２）。候補多変量判別式の検証は、工程１で作成した各候補多変量判別式に対して行う。
　なお、工程２において、ブートストラップ法やホールドアウト法、Ｎ－フォールド法、リーブワンアウト法などのうち少なくとも１つに基づいて候補多変量判別式の判別率や感度、特異度、情報量基準、ＲＯＣ＿ＡＵＣ（受信者特性曲線の曲線下面積）などのうち少なくとも１つに関して検証してもよい。これにより、早期腎症状態情報や診断条件を考慮した予測性または頑健性の高い候補多変量判別式を作成することができる。
　ここで、判別率とは、全入力データの中で、本実施形態で評価した早期腎症の状態が正しい割合である。また、感度とは、入力データに記載された早期腎症の状態になっているものの中で、本実施形態で評価した早期腎症の状態が正しい割合である。また、特異度とは、入力データに記載された早期腎症の状態が正常になっているものの中で、本実施形態で評価した早期腎症の状態が正しい割合である。また、情報量基準とは、工程１で作成した候補多変量判別式のアミノ酸変数の数と、本実施形態で評価した早期腎症の状態および入力データに記載された早期腎症の状態の差異と、を足し合わせたものである。また、ＲＯＣ＿ＡＵＣ（受信者特性曲線の曲線下面積）は、２次元座標上に（ｘ，ｙ）＝（１－特異度，感度）をプロットして作成される曲線である受信者特性曲線（ＲＯＣ）の曲線下面積として定義され、ＲＯＣ＿ＡＵＣの値は完全な判別では１となり、この値が１に近いほど判別性が高いことを示す。また、予測性とは、候補多変量判別式の検証を繰り返すことで得られた判別率や感度、特異性を平均したものである。また、頑健性とは、候補多変量判別式の検証を繰り返すことで得られた判別率や感度、特異性の分散である。
　多変量判別式作成処理の説明に戻り、制御部は、所定の変数選択手法に基づいて候補多変量判別式の変数を選択することで、候補多変量判別式を作成する際に用いる早期腎症状態情報に含まれるアミノ酸濃度データの組み合わせを選択する（工程３）。アミノ酸変数の選択は、工程１で作成した各候補多変量判別式に対して行ってもよい。これにより、候補多変量判別式のアミノ酸変数を適切に選択することができる。そして、工程３で選択したアミノ酸濃度データを含む早期腎症状態情報を用いて再び工程１を実行する。
　なお、工程３において、工程２での検証結果からステップワイズ法、ベストパス法、近傍探索法、遺伝的アルゴリズムのうち少なくとも１つに基づいて候補多変量判別式のアミノ酸変数を選択してもよい。
　ここで、ベストパス法とは、候補多変量判別式に含まれるアミノ酸変数を１つずつ順次減らしていき、候補多変量判別式が与える評価指標を最適化することでアミノ酸変数を選択する方法である。
　多変量判別式作成処理の説明に戻り、制御部は、上述した工程１、工程２および工程３を繰り返し実行し、これにより蓄積した検証結果に基づいて、複数の候補多変量判別式の中から多変量判別式として採用する候補多変量判別式を選出することで、多変量判別式を作成する（工程４）。なお、候補多変量判別式の選出には、例えば、同じ式作成手法で作成した候補多変量判別式の中から最適なものを選出する場合と、すべての候補多変量判別式の中から最適なものを選出する場合とがある。
　以上、説明したように、多変量判別式作成処理では、早期腎症状態情報に基づいて、候補多変量判別式の作成、候補多変量判別式の検証および候補多変量判別式の変数の選択に関する処理を一連の流れで体系化（システム化）して実行することにより、早期腎症の状態評価に最適な多変量判別式を作成することができる。換言すると、多変量判別式作成処理では、アミノ酸濃度を多変量の統計解析に用い、最適でロバストな変数の組を選択するために変数選択法とクロスバリデーションとを組み合わせて、診断性能の高い多変量判別式を抽出する。多変量判別式としては、ロジスティック回帰、線形判別、サポートベクターマシン、マハラノビス距離法、重回帰分析、クラスター解析、Ｃｏｘ比例ハザードモデルなどを用いることができる。
［２－２．第２実施形態の構成］
　ここでは、第２実施形態にかかる早期腎症評価システム（以下では本システムと記す場合がある。）の構成について、図４から図２０を参照して説明する。なお、本システムはあくまでも一例であり、本発明はこれに限定されない。
　まず、本システムの全体構成について図４および図５を参照して説明する。図４は本システムの全体構成の一例を示す図である。また、図５は本システムの全体構成の他の一例を示す図である。本システムは、図４に示すように、評価対象につき早期腎症の状態を評価する早期腎症評価装置１００と、アミノ酸の濃度値に関する評価対象のアミノ酸濃度データを提供するクライアント装置２００（本発明の情報通信端末装置に相当）とを、ネットワーク３００を介して通信可能に接続して構成されている。
　なお、本システムは、図５に示すように、早期腎症評価装置１００やクライアント装置２００の他に、早期腎症評価装置１００で多変量判別式を作成する際に用いる早期腎症状態情報や、早期腎症の状態評価を行うために用いる多変量判別式などを格納したデータベース装置４００を、ネットワーク３００を介して通信可能に接続して構成されてもよい。これにより、ネットワーク３００を介して、早期腎症評価装置１００からクライアント装置２００やデータベース装置４００へ、あるいはクライアント装置２００やデータベース装置４００から早期腎症評価装置１００へ、早期腎症の状態に関する情報などが提供される。ここで、早期腎症の状態に関する情報とは、ヒトを含む生物の早期腎症の状態に関する特定の項目について測定した値に関する情報である。また、早期腎症の状態に関する情報は、早期腎症評価装置１００やクライアント装置２００や他の装置（例えば各種の計測装置等）で生成され、主にデータベース装置４００に蓄積される。
　つぎに、本システムの早期腎症評価装置１００の構成について図６から図１８を参照して説明する。図６は、本システムの早期腎症評価装置１００の構成の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。
　早期腎症評価装置１００は、当該早期腎症評価装置を統括的に制御するＣＰＵ等の制御部１０２と、ルータ等の通信装置および専用線等の有線または無線の通信回線を介して当該早期腎症評価装置をネットワーク３００に通信可能に接続する通信インターフェース部１０４と、各種のデータベースやテーブルやファイルなどを格納する記憶部１０６と、入力装置１１２や出力装置１１４に接続する入出力インターフェース部１０８と、で構成されており、これら各部は任意の通信路を介して通信可能に接続されている。ここで、早期腎症評価装置１００は、各種の分析装置（例えばアミノ酸アナライザー等）と同一筐体で構成されてもよい。
　記憶部１０６は、ストレージ手段であり、例えば、ＲＡＭ・ＲＯＭ等のメモリ装置や、ハードディスクのような固定ディスク装置、フレキシブルディスク、光ディスク等を用いることができる。記憶部１０６には、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）と協働してＣＰＵに命令を与え各種処理を行うためのコンピュータプログラムが記録されている。記憶部１０６は、図示の如く、利用者情報ファイル１０６ａと、アミノ酸濃度データファイル１０６ｂと、早期腎症状態情報ファイル１０６ｃと、指定早期腎症状態情報ファイル１０６ｄと、多変量判別式関連情報データベース１０６ｅと、判別値ファイル１０６ｆと、評価結果ファイル１０６ｇと、を格納する。
　利用者情報ファイル１０６ａは、利用者に関する利用者情報を格納する。図７は、利用者情報ファイル１０６ａに格納される情報の一例を示す図である。利用者情報ファイル１０６ａに格納される情報は、図７に示すように、利用者を一意に識別するための利用者ＩＤと、利用者が正当な者であるか否かの認証を行うための利用者パスワードと、利用者の氏名と、利用者の所属する所属先を一意に識別するための所属先ＩＤと、利用者の所属する所属先の部門を一意に識別するための部門ＩＤと、部門名と、利用者の電子メールアドレスと、を相互に関連付けて構成されている。
　図６に戻り、アミノ酸濃度データファイル１０６ｂは、アミノ酸の濃度値に関するアミノ酸濃度データを格納する。図８は、アミノ酸濃度データファイル１０６ｂに格納される情報の一例を示す図である。アミノ酸濃度データファイル１０６ｂに格納される情報は、図８に示すように、評価対象である個体（サンプル）を一意に識別するための個体番号と、アミノ酸濃度データとを相互に関連付けて構成されている。ここで、図８では、アミノ酸濃度データを数値、すなわち連続尺度として扱っているが、アミノ酸濃度データは名義尺度や順序尺度でもよい。なお、名義尺度や順序尺度の場合は、それぞれの状態に対して任意の数値を与えることで解析してもよい。また、アミノ酸濃度データに、他の生体情報（例えば、年齢、ＡＥＲ(尿中アルブミン排泄率)、ＢＮＰ(脳性ナトリウム利尿ペプチド)など）を組み合わせてもよい。
　図６に戻り、早期腎症状態情報ファイル１０６ｃは、多変量判別式を作成する際に用いる早期腎症状態情報を格納する。図９は、早期腎症状態情報ファイル１０６ｃに格納される情報の一例を示す図である。早期腎症状態情報ファイル１０６ｃに格納される情報は、図９に示すように、個体番号と、早期腎症の状態を表す指標（指標Ｔ１、指標Ｔ２、指標Ｔ３・・・）に関する早期腎症状態指標データ（Ｔ）と、アミノ酸濃度データと、を相互に関連付けて構成されている。ここで、図９では、早期腎症状態指標データおよびアミノ酸濃度データを数値（すなわち連続尺度）として扱っているが、早期腎症状態指標データおよびアミノ酸濃度データは名義尺度や順序尺度でもよい。なお、名義尺度や順序尺度の場合は、それぞれの状態に対して任意の数値を与えることで解析してもよい。また、早期腎症状態指標データは、早期腎症の状態のマーカーとなる既知の単一の状態指標であり、数値データを用いてもよい。
　図６に戻り、指定早期腎症状態情報ファイル１０６ｄは、後述する早期腎症状態情報指定部１０２ｇで指定した早期腎症状態情報を格納する。図１０は、指定早期腎症状態情報ファイル１０６ｄに格納される情報の一例を示す図である。指定早期腎症状態情報ファイル１０６ｄに格納される情報は、図１０に示すように、個体番号と、指定した早期腎症状態指標データと、指定したアミノ酸濃度データと、を相互に関連付けて構成されている。
　図６に戻り、多変量判別式関連情報データベース１０６ｅは、後述する候補多変量判別式作成部１０２ｈ１で作成した候補多変量判別式を格納する候補多変量判別式ファイル１０６ｅ１と、後述する候補多変量判別式検証部１０２ｈ２での検証結果を格納する検証結果ファイル１０６ｅ２と、後述する変数選択部１０２ｈ３で選択したアミノ酸濃度データの組み合わせを含む早期腎症状態情報を格納する選択早期腎症状態情報ファイル１０６ｅ３と、後述する多変量判別式作成部１０２ｈで作成した多変量判別式を格納する多変量判別式ファイル１０６ｅ４と、で構成される。
　候補多変量判別式ファイル１０６ｅ１は、後述する候補多変量判別式作成部１０２ｈ１で作成した候補多変量判別式を格納する。図１１は、候補多変量判別式ファイル１０６ｅ１に格納される情報の一例を示す図である。候補多変量判別式ファイル１０６ｅ１に格納される情報は、図１１に示すように、ランクと、候補多変量判別式（図１１では、Ｆ１（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）やＦ２（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）、Ｆ３（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）など）とを相互に関連付けて構成されている。
　図６に戻り、検証結果ファイル１０６ｅ２は、後述する候補多変量判別式検証部１０２ｈ２での検証結果を格納する。図１２は、検証結果ファイル１０６ｅ２に格納される情報の一例を示す図である。検証結果ファイル１０６ｅ２に格納される情報は、図１２に示すように、ランクと、候補多変量判別式（図１２では、Ｆｋ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）やＦｍ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）、Ｆｌ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）など）と、各候補多変量判別式の検証結果（例えば各候補多変量判別式の評価値）と、を相互に関連付けて構成されている。
　図６に戻り、選択早期腎症状態情報ファイル１０６ｅ３は、後述する変数選択部１０２ｈ３で選択した変数に対応するアミノ酸濃度データの組み合わせを含む早期腎症状態情報を格納する。図１３は、選択早期腎症状態情報ファイル１０６ｅ３に格納される情報の一例を示す図である。選択早期腎症状態情報ファイル１０６ｅ３に格納される情報は、図１３に示すように、個体番号と、後述する早期腎症状態情報指定部１０２ｇで指定した早期腎症状態指標データと、後述する変数選択部１０２ｈ３で選択したアミノ酸濃度データと、を相互に関連付けて構成されている。
　図６に戻り、多変量判別式ファイル１０６ｅ４は、後述する多変量判別式作成部１０２ｈで作成した多変量判別式を格納する。図１４は、多変量判別式ファイル１０６ｅ４に格納される情報の一例を示す図である。多変量判別式ファイル１０６ｅ４に格納される情報は、図１４に示すように、ランクと、多変量判別式（図１４では、Ｆｐ（Ｐｈｅ，・・・）やＦｐ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ）、Ｆｋ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）など）と、各式作成手法に対応する閾値と、各多変量判別式の検証結果（例えば各多変量判別式の評価値）と、を相互に関連付けて構成されている。
　図６に戻り、判別値ファイル１０６ｆは、後述する判別値算出部１０２ｉで算出した判別値を格納する。図１５は、判別値ファイル１０６ｆに格納される情報の一例を示す図である。判別値ファイル１０６ｆに格納される情報は、図１５に示すように、評価対象である個体（サンプル）を一意に識別するための個体番号と、ランク（多変量判別式を一意に識別するための番号）と、判別値と、を相互に関連付けて構成されている。
　図６に戻り、評価結果ファイル１０６ｇは、後述する判別値基準評価部１０２ｊでの評価結果（具体的には、後述する判別値基準判別部１０２ｊ１での判別結果・分類結果）を格納する。図１６は、評価結果ファイル１０６ｇに格納される情報の一例を示す図である。評価結果ファイル１０６ｇに格納される情報は、評価対象である個体（サンプル）を一意に識別するための個体番号と、予め取得した評価対象のアミノ酸濃度データと、多変量判別式で算出した判別値と、早期腎症の状態評価に関する評価結果と、を相互に関連付けて構成されている。
　図６に戻り、記憶部１０６には、上述した情報以外にその他情報として、Ｗｅｂサイトをクライアント装置２００に提供するための各種のＷｅｂデータや、ＣＧＩプログラム等が記録されている。Ｗｅｂデータとしては後述する各種のＷｅｂページを表示するためのデータ等があり、これらデータは例えばＨＴＭＬやＸＭＬで記述されたテキストファイルとして形成されている。また、Ｗｅｂデータを作成するための部品用のファイルや作業用のファイルやその他一時的なファイル等も記憶部１０６に記憶される。記憶部１０６には、必要に応じて、クライアント装置２００に送信するための音声をＷＡＶＥ形式やＡＩＦＦ形式の如き音声ファイルで格納したり、静止画や動画をＪＰＥＧ形式やＭＰＥＧ２形式の如き画像ファイルで格納したりすることができる。
　通信インターフェース部１０４は、早期腎症評価装置１００とネットワーク３００（またはルータ等の通信装置）との間における通信を媒介する。すなわち、通信インターフェース部１０４は、他の端末と通信回線を介してデータを通信する機能を有する。
　入出力インターフェース部１０８は、入力装置１１２や出力装置１１４に接続する。ここで、出力装置１１４には、モニタ（家庭用テレビを含む）の他、スピーカやプリンタを用いることができる（なお、以下では、出力装置１１４をモニタ１１４として記載する場合がある。）。入力装置１１２には、キーボードやマウスやマイクの他、マウスと協働してポインティングデバイス機能を実現するモニタを用いることができる。
　制御部１０２は、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）等の制御プログラム・各種の処理手順等を規定したプログラム・所要データなどを格納するための内部メモリを有し、これらのプログラムに基づいて種々の情報処理を実行する。制御部１０２は、図示の如く、大別して、要求解釈部１０２ａと閲覧処理部１０２ｂと認証処理部１０２ｃと電子メール生成部１０２ｄとＷｅｂページ生成部１０２ｅと受信部１０２ｆと早期腎症状態情報指定部１０２ｇと多変量判別式作成部１０２ｈと判別値算出部１０２ｉと判別値基準評価部１０２ｊと結果出力部１０２ｋと送信部１０２ｍとを備えている。制御部１０２は、データベース装置４００から送信された早期腎症状態情報やクライアント装置２００から送信されたアミノ酸濃度データに対して、欠損値のあるデータの除去・外れ値の多いデータの除去・欠損値のあるデータの多い変数の除去などのデータ処理も行う。
　要求解釈部１０２ａは、クライアント装置２００やデータベース装置４００からの要求内容を解釈し、その解釈結果に応じて制御部１０２の各部に処理を受け渡す。閲覧処理部１０２ｂは、クライアント装置２００からの各種画面の閲覧要求を受けて、これら画面のＷｅｂデータの生成や送信を行なう。認証処理部１０２ｃは、クライアント装置２００やデータベース装置４００からの認証要求を受けて、認証判断を行う。電子メール生成部１０２ｄは、各種の情報を含んだ電子メールを生成する。Ｗｅｂページ生成部１０２ｅは、利用者がクライアント装置２００で閲覧するＷｅｂページを生成する。
　受信部１０２ｆは、クライアント装置２００やデータベース装置４００から送信された情報（具体的には、アミノ酸濃度データや早期腎症状態情報、多変量判別式など）を、ネットワーク３００を介して受信する。早期腎症状態情報指定部１０２ｇは、多変量判別式を作成するにあたり、対象とする早期腎症状態指標データおよびアミノ酸濃度データを指定する。
　多変量判別式作成部１０２ｈは、受信部１０２ｆで受信した早期腎症状態情報や早期腎症状態情報指定部１０２ｇで指定した早期腎症状態情報に基づいて多変量判別式を作成する。具体的には、多変量判別式作成部１０２ｈは、早期腎症状態情報から、候補多変量判別式作成部１０２ｈ１、候補多変量判別式検証部１０２ｈ２および変数選択部１０２ｈ３を繰り返し実行させることにより蓄積された検証結果に基づいて、複数の候補多変量判別式の中から多変量判別式として採用する候補多変量判別式を選出することで、多変量判別式を作成する。
　なお、多変量判別式が予め記憶部１０６の所定の記憶領域に格納されている場合には、多変量判別式作成部１０２ｈは、記憶部１０６から所望の多変量判別式を選択することで、多変量判別式を作成してもよい。また、多変量判別式作成部１０２ｈは、多変量判別式を予め格納した他のコンピュータ装置（例えばデータベース装置４００）から所望の多変量判別式を選択しダウンロードすることで、多変量判別式を作成してもよい。
　ここで、多変量判別式作成部１０２ｈの構成について図１７を参照して説明する。図１７は、多変量判別式作成部１０２ｈの構成を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１と、候補多変量判別式検証部１０２ｈ２と、変数選択部１０２ｈ３と、をさらに備えている。候補多変量判別式作成部１０２ｈ１は、早期腎症状態情報から所定の式作成手法に基づいて多変量判別式の候補である候補多変量判別式を作成する。なお、候補多変量判別式作成部１０２ｈ１は、早期腎症状態情報から、複数の異なる式作成手法を併用して複数の候補多変量判別式を作成してもよい。候補多変量判別式検証部１０２ｈ２は、候補多変量判別式作成部１０２ｈ１で作成した候補多変量判別式を所定の検証手法に基づいて検証する。なお、候補多変量判別式検証部１０２ｈ２は、ブートストラップ法、ホールドアウト法、Ｎ－フォールド法、リーブワンアウト法のうち少なくとも１つに基づいて候補多変量判別式の判別率、感度、特異度、情報量基準、ＲＯＣ＿ＡＵＣ（受信者特性曲線の曲線下面積）のうち少なくとも１つに関して検証してもよい。変数選択部１０２ｈ３は、所定の変数選択手法に基づいて候補多変量判別式の変数を選択することで、候補多変量判別式を作成する際に用いる早期腎症状態情報に含まれるアミノ酸濃度データの組み合わせを選択する。なお、変数選択部１０２ｈ３は、検証結果からステップワイズ法、ベストパス法、近傍探索法、遺伝的アルゴリズムのうち少なくとも１つに基づいて候補多変量判別式の変数を選択してもよい。
　図６に戻り、判別値算出部１０２ｉは、多変量判別式作成部１０２ｈで作成した多変量判別式、および受信部１０２ｆで受信した評価対象のアミノ酸濃度データに基づいて、当該多変量判別式の値である判別値を算出する。なお、多変量判別式は、ロジスティック回帰式、分数式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式、Ｃｏｘ比例ハザードモデル式のいずれか１つでもよい。
　判別値算出部１０２ｉは、アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値、およびＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出してもよい。
　具体的には、判別値基準評価部１０２ｊで評価対象が早期腎症を有するかを評価する（例えば、後述する判別値基準判別部１０２ｊ１で評価対象が早期腎症または非早期腎症であるか否かを判別したり、また、早期腎症に罹患している可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したりする）場合には、判別値算出部１０２ｉは、アミノ酸濃度データに含まれるＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値、およびＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出してもよい。なお、早期腎症の現在の発症に関する評価で用いられる多変量判別式は、Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓを変数として含むロジスティック回帰式、Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐを変数として含むロジスティック回帰式、Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓを変数として含む線形判別式、またはＡｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐを変数として含む線形判別式でもよい。
　なお、判別値基準評価部１０２ｊで、評価対象が早期腎症を有するかを評価する場合において、評価対象が将来、心血管イベントを発症するかをさらに評価するとき（例えば、判別値基準判別部１０２ｊ１で、評価対象が早期腎症または非早期腎症であるか否かを判別したり、また、早期腎症に罹患している可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したりする場合において、評価対象が将来、心血管イベントを発症するか否かをさらに判別したり、また、将来、心血管イベントを発症する可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象をさらに分類したりするとき）には、判別値算出部１０２ｉは、アミノ酸濃度データに含まれるβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つの濃度値、およびβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出してもよい。なお、心血管イベントの将来の発症に関する評価で用いられる多変量判別式は、Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓを変数として含むロジスティック回帰式、Ｈｙｐｒｏ，Ｇｌｕ，Ｈｉｓ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐを変数として含むロジスティック回帰式、Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐを変数として含むロジスティック回帰式、Ｓｅｒ，Ｏｒｎ，Ｈｉｓ，Ａｒｇ，Ｔｒｐを変数として含むロジスティック回帰式、Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓを変数として含む線形判別式、Ｓａｒ，Ｌｅｕ，Ｇｌｕ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐを変数として含む線形判別式、Ａｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐを変数として含む線形判別式、Ｓｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐを変数として含む線形判別式、Ｈｙｐｒｏ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐを変数として含むＣｏｘ比例ハザードモデル式、またはＳｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐを変数として含むＣｏｘ比例ハザードモデル式でもよい。
　また、具体的には、判別値基準評価部１０２ｊで評価対象が将来、早期腎症を発症するかを評価する（例えば、判別値基準判別部１０２ｊ１で、評価対象が将来、早期腎症を発症するか否かを判別したり、また、将来、早期腎症を発症する可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したりする）場合には、判別値算出部１０２ｉは、アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つの濃度値、およびＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出してもよい。なお、早期腎症の将来の発症に関する評価で用いられる多変量判別式は、β－ＡＩＢＡ，Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ａｒｇを変数として含むロジスティック回帰式、Ｓｅｒ，Ｖａｌ，Ｍｅｔ，Ａｒｇ，Ｔｙｒを変数として含むロジスティック回帰式、Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ｐｈｅ，Ａｒｇを変数として含む線形判別式、またはＳｅｒ，Ｐｒｏ，Ｖａｌ，Ｉｌｅ，Ｌｅｕ，Ａｒｇを変数として含む線形判別式でもよい。
　判別値基準評価部１０２ｊは、判別値算出部１０２ｉで算出した判別値に基づいて、評価対象につき早期腎症の状態を評価する。判別値基準評価部１０２ｊは、例えば、評価対象が早期腎症を有するかを評価したり、評価対象が将来、早期腎症を発症するかを評価したり、評価対象が将来、心血管イベントを発症するかを評価したりする。判別値基準評価部１０２ｊは、判別値基準判別部１０２ｊ１をさらに備えている。ここで、判別値基準評価部１０２ｊの構成について図１８を参照して説明する。図１８は、判別値基準評価部１０２ｊの構成を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。
　判別値基準判別部１０２ｊ１は、判別値に基づいて、（１）評価対象が早期腎症または非早期腎症であるか否かを判別したり、（２）早期腎症に罹患している可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したり、（３）評価対象が将来、心血管イベントを発症するか否かを判別したり、（４）将来、心血管イベントを発症する可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したり、（５）評価対象が将来、早期腎症を発症するか否かを判別したり、（６）将来、早期腎症を発症する可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したりする。具体的には、判別値基準判別部１０２ｊ１は、判別値と予め設定された閾値（カットオフ値）とを比較することで、（１）評価対象が早期腎症または非早期腎症であるか否かを判別したり、（２）早期腎症に罹患している可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したり、（３）評価対象が将来、心血管イベントを発症するか否かを判別したり、（４）将来、心血管イベントを発症する可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したり、（５）評価対象が将来、早期腎症を発症するか否かを判別したり、（６）将来、早期腎症を発症する可能性の程度を考慮して定義された複数の区分（ランク）のうちのどれか１つに評価対象を分類したりする。
　図６に戻り、結果出力部１０２ｋは、制御部１０２の各処理部での処理結果（判別値基準評価部１０２ｊでの評価結果（具体的には判別値基準判別部１０２ｊ１での判別結果または分類結果）を含む）等を出力装置１１４に出力する。
　送信部１０２ｍは、評価対象のアミノ酸濃度データの送信元のクライアント装置２００に対して、例えば、判別値、評価結果（例えば判別結果、分類結果など）などを送信したり、データベース装置４００に対して、例えば、早期腎症評価装置１００で作成した多変量判別式や評価結果（例えば、判別結果、分類結果など）などを送信したりする。
　つぎに、本システムのクライアント装置２００の構成について図１９を参照して説明する。図１９は、本システムのクライアント装置２００の構成の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。
　クライアント装置２００は、制御部２１０とＲＯＭ２２０とＨＤ２３０とＲＡＭ２４０と入力装置２５０と出力装置２６０と入出力ＩＦ２７０と通信ＩＦ２８０とで構成されており、これら各部は任意の通信路を介して通信可能に接続されている。
　制御部２１０は、Ｗｅｂブラウザ２１１、電子メーラ２１２、受信部２１３、送信部２１４を備えている。Ｗｅｂブラウザ２１１は、Ｗｅｂデータを解釈し、解釈したＷｅｂデータを後述するモニタ２６１に表示するブラウズ処理を行う。なお、Ｗｅｂブラウザ２１１には、ストリーム映像の受信・表示・フィードバック等を行う機能を備えたストリームプレイヤ等の各種のソフトウェアをプラグインしてもよい。電子メーラ２１２は、所定の通信規約（例えば、ＳＭＴＰ（Ｓｉｍｐｌｅ　Ｍａｉｌ　Ｔｒａｎｓｆｅｒ　Ｐｒｏｔｏｃｏｌ）やＰＯＰ３（Ｐｏｓｔ　Ｏｆｆｉｃｅ　Ｐｒｏｔｏｃｏｌ　ｖｅｒｓｉｏｎ　３）等）に従って電子メールの送受信を行う。受信部２１３（本発明の結果取得手段の一例に相当）は、通信ＩＦ２８０を介して、早期腎症評価装置１００から送信された、判別値、評価結果（例えば判別結果、分類結果など）などの各種情報を受信する。要するに、クライアント装置は、判別値や評価結果などの各種情報を取得する機能を有する。送信部２１４は、通信ＩＦ２８０を介して、評価対象のアミノ酸濃度データなどの各種情報を早期腎症評価装置１００へ送信する。
　入力装置２５０はキーボードやマウスやマイク等である。なお、後述するモニタ２６１もマウスと協働してポインティングデバイス機能を実現する。出力装置２６０は、通信ＩＦ２８０を介して受信した情報を出力する出力手段であり、モニタ（家庭用テレビを含む）２６１およびプリンタ２６２を含む。この他、出力装置２６０にスピーカ等を設けてもよい。入出力ＩＦ２７０は入力装置２５０や出力装置２６０に接続する。
　通信ＩＦ２８０は、クライアント装置２００とネットワーク３００（またはルータ等の通信装置）とを通信可能に接続する。換言すると、クライアント装置２００は、モデムやＴＡやルータなどの通信装置および電話回線を介して、または専用線を介してネットワーク３００に接続される。これにより、クライアント装置２００は、所定の通信規約に従って早期腎症評価装置１００にアクセスすることができる。
　ここで、プリンタ・モニタ・イメージスキャナ等の周辺装置を必要に応じて接続した情報処理装置（例えば、既知のパーソナルコンピュータ・ワークステーション・家庭用ゲーム装置・インターネットＴＶ・ＰＨＳ端末・携帯端末・移動体通信端末・ＰＤＡ等の情報処理端末など）に、Ｗｅｂデータのブラウジング機能や電子メール機能を実現させるソフトウェア（プログラム、データ等を含む）を実装することにより、クライアント装置２００を実現してもよい。
　また、クライアント装置２００の制御部２１０は、制御部２１０で行う処理の全部または任意の一部を、ＣＰＵおよび当該ＣＰＵにて解釈して実行するプログラムで実現してもよい。ＲＯＭ２２０またはＨＤ２３０には、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）と協働してＣＰＵに命令を与え、各種処理を行うためのコンピュータプログラムが記録されている。当該コンピュータプログラムは、ＲＡＭ２４０にロードされることで実行され、ＣＰＵと協働して制御部２１０を構成する。また、当該コンピュータプログラムは、クライアント装置２００と任意のネットワークを介して接続されるアプリケーションプログラムサーバに記録されてもよく、クライアント装置２００は、必要に応じてその全部または一部をダウンロードしてもよい。また、制御部２１０で行う処理の全部または任意の一部を、ワイヤードロジック等によるハードウェアで実現してもよい。
　つぎに、本システムのネットワーク３００について図４、図５を参照して説明する。ネットワーク３００は、早期腎症評価装置１００とクライアント装置２００とデータベース装置４００とを相互に通信可能に接続する機能を有し、例えばインターネットやイントラネットやＬＡＮ（有線／無線の双方を含む）等である。なお、ネットワーク３００は、ＶＡＮや、パソコン通信網や、公衆電話網（アナログ／デジタルの双方を含む）や、専用回線網（アナログ／デジタルの双方を含む）や、ＣＡＴＶ網や、携帯回線交換網または携帯パケット交換網（ＩＭＴ２０００方式、ＧＳＭ（登録商標）方式またはＰＤＣ／ＰＤＣ－Ｐ方式等を含む）や、無線呼出網や、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の局所無線網や、ＰＨＳ網や、衛星通信網（ＣＳ、ＢＳまたはＩＳＤＢ等を含む）等でもよい。
　つぎに、本システムのデータベース装置４００の構成について図２０を参照して説明する。図２０は、本システムのデータベース装置４００の構成の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。
　データベース装置４００は、早期腎症評価装置１００または当該データベース装置で多変量判別式を作成する際に用いる早期腎症状態情報や、早期腎症評価装置１００で作成した多変量判別式、早期腎症評価装置１００での評価結果などを格納する機能を有する。図２０に示すように、データベース装置４００は、当該データベース装置を統括的に制御するＣＰＵ等の制御部４０２と、ルータ等の通信装置および専用線等の有線または無線の通信回路を介して当該データベース装置をネットワーク３００に通信可能に接続する通信インターフェース部４０４と、各種のデータベースやテーブルやファイル（例えばＷｅｂページ用ファイル）などを格納する記憶部４０６と、入力装置４１２や出力装置４１４に接続する入出力インターフェース部４０８と、で構成されており、これら各部は任意の通信路を介して通信可能に接続されている。
　記憶部４０６は、ストレージ手段であり、例えば、ＲＡＭ・ＲＯＭ等のメモリ装置や、ハードディスクのような固定ディスク装置や、フレキシブルディスクや、光ディスク等を用いることができる。記憶部４０６には、各種処理に用いる各種プログラム等を格納する。通信インターフェース部４０４は、データベース装置４００とネットワーク３００（またはルータ等の通信装置）との間における通信を媒介する。すなわち、通信インターフェース部４０４は、他の端末と通信回線を介してデータを通信する機能を有する。入出力インターフェース部４０８は、入力装置４１２や出力装置４１４に接続する。ここで、出力装置４１４には、モニタ（家庭用テレビを含む）の他、スピーカやプリンタを用いることができる（なお、以下で、出力装置４１４をモニタ４１４として記載する場合がある。）。また、入力装置４１２には、キーボードやマウスやマイクの他、マウスと協働してポインティングデバイス機能を実現するモニタを用いることができる。
　制御部４０２は、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）等の制御プログラム・各種の処理手順等を規定したプログラム・所要データなどを格納するための内部メモリを有し、これらのプログラムに基づいて種々の情報処理を実行する。制御部４０２は、図示の如く、大別して、要求解釈部４０２ａと閲覧処理部４０２ｂと認証処理部４０２ｃと電子メール生成部４０２ｄとＷｅｂページ生成部４０２ｅと送信部４０２ｆとを備えている。
　要求解釈部４０２ａは、早期腎症評価装置１００からの要求内容を解釈し、その解釈結果に応じて制御部４０２の各部に処理を受け渡す。閲覧処理部４０２ｂは、早期腎症評価装置１００からの各種画面の閲覧要求を受けて、これら画面のＷｅｂデータの生成や送信を行う。認証処理部４０２ｃは、早期腎症評価装置１００からの認証要求を受けて、認証判断を行う。電子メール生成部４０２ｄは、各種の情報を含んだ電子メールを生成する。Ｗｅｂページ生成部４０２ｅは、利用者がクライアント装置２００で閲覧するＷｅｂページを生成する。送信部４０２ｆは、早期腎症状態情報や多変量判別式などの各種情報を、早期腎症評価装置１００へ送信する。
［２－３．第２実施形態の具体例］
　ここでは、第２実施形態の具体例について図２１を参照して説明する。図２１は、第２実施形態にかかる早期腎症評価サービス処理の一例を示すフローチャートである。
　なお、本処理で用いるアミノ酸濃度データは、例えば動物やヒト（例えば糖尿病患者など）などの個体から予め採取した血液（例えば血漿、血清などを含む）を、以下の（Ａ）または（Ｂ）などの測定方法で専門業者が分析又は独自に分析して得たアミノ酸の濃度値に関するものである。ここで、アミノ酸濃度の単位は、例えばモル濃度や重量濃度、これらの濃度に任意の定数を加減乗除することで得られるものでもよい。
（Ａ）採取した血液サンプルを遠心することにより血液から血清を分離した。全ての血清サンプルは、アミノ酸濃度の測定時まで－８０℃で凍結保存した。アミノ酸濃度測定時には、アセトニトリルを添加し除蛋白処理を行った後、標識試薬（３－アミノピリジル－Ｎ－ヒドロキシスクシンイミジルカルバメート）を用いてプレカラム誘導体化を行い、そして、液体クロマトグラフ質量分析計（ＬＣ／ＭＳ／ＭＳ）によりアミノ酸濃度を分析した（国際公開第２００３／０６９３２８号、国際公開第２００５／１１６６２９号を参照）。
（Ｂ）採取した血液サンプルを遠心することにより血液から血清を分離した。全ての血清サンプルは、アミノ酸濃度の測定時まで－８０℃で凍結保存した。アミノ酸濃度測定時には、スルホサリチル酸を添加し除蛋白処理を行った後、ニンヒドリン試薬を用いたポストカラム誘導体化法を原理としたアミノ酸分析計によりアミノ酸濃度を分析した。
　まず、Ｗｅｂブラウザ２１１を表示した画面上で利用者が入力装置２５０を介して早期腎症評価装置１００が提供するＷｅｂサイトのアドレス（ＵＲＬなど）を指定すると、クライアント装置２００は早期腎症評価装置１００へアクセスする。具体的には、利用者がクライアント装置２００のＷｅｂブラウザ２１１の画面更新を指示すると、Ｗｅｂブラウザ２１１は、早期腎症評価装置１００が提供するＷｅｂサイトのアドレスを所定の通信規約で早期腎症評価装置１００へ送信することで、アミノ酸濃度データ送信画面に対応するＷｅｂページの送信要求を、当該アドレスに基づくルーティングで早期腎症評価装置１００へ行う。
　つぎに、早期腎症評価装置１００は、要求解釈部１０２ａで、クライアント装置２００からの送信を受け、当該送信の内容を解析し、解析結果に応じて制御部１０２の各部に処理を移す。具体的には、送信の内容がアミノ酸濃度データ送信画面に対応するＷｅｂページの送信要求であった場合、早期腎症評価装置１００は、主として閲覧処理部１０２ｂで、記憶部１０６の所定の記憶領域に格納されている当該Ｗｅｂページを表示するためのＷｅｂデータを取得し、取得したＷｅｂデータをクライアント装置２００へ送信する。より具体的には、利用者からアミノ酸濃度データ送信画面に対応するＷｅｂページの送信要求があった場合、早期腎症評価装置１００は、まず、制御部１０２で、利用者ＩＤや利用者パスワードの入力を利用者に対して求める。そして、利用者ＩＤやパスワードが入力されると、早期腎症評価装置１００は、認証処理部１０２ｃで、入力された利用者ＩＤやパスワードと利用者情報ファイル１０６ａに格納されている利用者ＩＤや利用者パスワードとの認証判断を行う。そして、早期腎症評価装置１００は、認証可の場合にのみ、閲覧処理部１０２ｂで、アミノ酸濃度データ送信画面に対応するＷｅｂページを表示するためのＷｅｂデータをクライアント装置２００へ送信する。なお、クライアント装置２００の特定は、クライアント装置２００から送信要求と共に送信されたＩＰアドレスで行う。
　つぎに、クライアント装置２００は、早期腎症評価装置１００から送信されたＷｅｂデータ（アミノ酸濃度データ送信画面に対応するＷｅｂページを表示するためのもの）を受信部２１３で受信し、受信したＷｅｂデータをＷｅｂブラウザ２１１で解釈し、モニタ２６１にアミノ酸濃度データ送信画面を表示する。
　つぎに、モニタ２６１に表示されたアミノ酸濃度データ送信画面に対し利用者が入力装置２５０を介して個体のアミノ酸濃度データなどを入力・選択すると、クライアント装置２００は、送信部２１４で、入力情報や選択事項を特定するための識別子を早期腎症評価装置１００へ送信することで、個体のアミノ酸濃度データを早期腎症評価装置１００へ送信する（ステップＳＡ２１）。なお、ステップＳＡ２１におけるアミノ酸濃度データの送信は、ＦＴＰ等の既存のファイル転送技術等により実現してもよい。
　つぎに、早期腎症評価装置１００は、要求解釈部１０２ａで、クライアント装置２００から送信された識別子を解釈することによりクライアント装置２００の要求内容を解釈し、早期腎症の状態評価用の多変量判別式（具体的には、早期腎症の現在または将来の発症に関する２群判別用の多変量判別式または心血管イベントの将来の発症に関する２群判別用の多変量判別式）の送信要求をデータベース装置４００へ行う。
　つぎに、データベース装置４００は、要求解釈部４０２ａで、早期腎症評価装置１００からの送信要求を解釈し、記憶部４０６の所定の記憶領域に格納した多変量判別式（例えばアップデートされた最新のもの）を早期腎症評価装置１００へ送信する（ステップＳＡ２２）。
　具体的には、ステップＳＡ２６にて、個体が現在、早期腎症であるか否か（個体が現在、早期腎症を発症しているか否か）を判別する場合には、ステップＳＡ２２では、Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを変数として含む多変量判別式を早期腎症評価装置１００へ送信する。なお、ステップＳＡ２６にて、個体が現在、早期腎症であるか否か（個体が現在、早期腎症を発症しているか否か）を判別する場合において、個体が将来、心血管イベントを発症するか否かをさらに判別するときには、ステップＳＡ２２では、β－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つを変数として含む多変量判別式を早期腎症評価装置１００へ送信する。
　また、具体的には、ステップＳＡ２６にて、個体が将来、早期腎症を発症するか否かを判別する場合には、ステップＳＡ２２では、ＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つを変数として含む多変量判別式を早期腎症評価装置１００へ送信する。
　つぎに、早期腎症評価装置１００は、受信部１０２ｆで、クライアント装置２００から送信された個体のアミノ酸濃度データおよびデータベース装置４００から送信された多変量判別式を受信し、受信したアミノ酸濃度データをアミノ酸濃度データファイル１０６ｂの所定の記憶領域に格納すると共に、受信した多変量判別式を多変量判別式ファイル１０６ｅ４の所定の記憶領域に格納する（ステップＳＡ２３）。
　つぎに、早期腎症評価装置１００は、制御部１０２で、ステップＳＡ２３で受信した個体のアミノ酸濃度データから欠損値や外れ値などのデータを除去する（ステップＳＡ２４）。
　つぎに、早期腎症評価装置１００は、判別値算出部１０２ｉで、ステップＳＡ２４で欠損値や外れ値などのデータが除去された個体のアミノ酸濃度データ、およびステップＳＡ２３で受信した多変量判別式に基づいて、判別値を算出する（ステップＳＡ２５）。
　具体的には、ステップＳＡ２３にて、Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを変数として含む多変量判別式が受信された場合には、早期腎症評価装置１００は、判別値算出部１０２ｉで、アミノ酸濃度データに含まれるＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの濃度値、およびＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出する。なお、ステップＳＡ２３にて、β－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つを変数として含む多変量判別式が受信された場合には、早期腎症評価装置１００は、判別値算出部１０２ｉで、アミノ酸濃度データに含まれるβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つの濃度値、およびβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出する。
　また、具体的には、ステップＳＡ２３にて、ＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つを変数として含む多変量判別式が受信された場合には、早期腎症評価装置１００は、判別値算出部１０２ｉで、アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つの濃度値、およびＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出する。
　つぎに、早期腎症評価装置１００は、判別値基準判別部１０２ｊ１で、ステップＳＡ２５で算出した判別値に基づいて、以下に示す２１．または２２．の２群判別を実行し、その判別結果を評価結果ファイル１０６ｇの所定の記憶領域に格納する（ステップＳＡ２６）。
２１．早期腎症の現在の発症に関する２群判別
　ステップＳＡ２５で算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体が現在、早期腎症であるか否か（個体が現在、早期腎症を発症しているか否か）を判別する。なお、当該２１．の２群判別においては、ステップＳＡ２５で算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体が将来、心血管イベントを発症するか否かをさらに判別してもよい。
２２．早期腎症の将来の発症に関する２群判別
　ステップＳＡ２５で算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体が将来、早期腎症を発症するか否かを判別する。
　つぎに、早期腎症評価装置１００は、送信部１０２ｍで、ステップＳＡ２６で得た判別結果（ステップＳＡ２５で算出した判別値を含めてもよい）を、アミノ酸濃度データの送信元のクライアント装置２００とデータベース装置４００とへ送信する（ステップＳＡ２７）。具体的には、まず、早期腎症評価装置１００は、Ｗｅｂページ生成部１０２ｅで、判別結果を表示するためのＷｅｂページを作成し、作成したＷｅｂページに対応するＷｅｂデータを記憶部１０６の所定の記憶領域に格納する。ついで、利用者がクライアント装置２００のＷｅｂブラウザ２１１に入力装置２５０を介して所定のＵＲＬを入力し上述した認証を経た後、クライアント装置２００は、当該Ｗｅｂページの閲覧要求を早期腎症評価装置１００へ送信する。ついで、早期腎症評価装置１００は、閲覧処理部１０２ｂで、クライアント装置２００から送信された閲覧要求を解釈し、判別結果を表示するためのＷｅｂページに対応するＷｅｂデータを記憶部１０６の所定の記憶領域から読み出す。そして、早期腎症評価装置１００は、送信部１０２ｍで、読み出したＷｅｂデータをクライアント装置２００へ送信すると共に、当該Ｗｅｂデータ又は判別結果をデータベース装置４００へ送信する。
　ここで、ステップＳＡ２７において、早期腎症評価装置１００は、制御部１０２で、判別結果を電子メールで利用者のクライアント装置２００へ通知してもよい。具体的には、まず、早期腎症評価装置１００は、電子メール生成部１０２ｄで、利用者ＩＤなどを基にして利用者情報ファイル１０６ａに格納されている利用者情報を送信タイミングに従って参照し、利用者の電子メールアドレスを取得する。ついで、早期腎症評価装置１００は、電子メール生成部１０２ｄで、取得した電子メールアドレスを宛て先とし利用者の氏名および判別結果を含む電子メールに関するデータを生成する。ついで、早期腎症評価装置１００は、送信部１０２ｍで、生成した当該データを利用者のクライアント装置２００へ送信する。
　また、ステップＳＡ２７において、早期腎症評価装置１００は、ＦＴＰ等の既存のファイル転送技術等で、判別結果を利用者のクライアント装置２００へ送信してもよい。
　図２１の説明に戻り、データベース装置４００は、制御部４０２で、早期腎症評価装置１００から送信された判別結果またはＷｅｂデータを受信し、受信した判別結果またはＷｅｂデータを記憶部４０６の所定の記憶領域に保存（蓄積）する（ステップＳＡ２８）。
　また、クライアント装置２００は、受信部２１３で、早期腎症評価装置１００から送信されたＷｅｂデータを受信し、受信したＷｅｂデータをＷｅｂブラウザ２１１で解釈し、個体の判別結果が記されたＷｅｂページの画面をモニタ２６１に表示する（ステップＳＡ２９）。なお、判別結果が早期腎症評価装置１００から電子メールで送信された場合には、クライアント装置２００は、電子メーラ２１２の公知の機能で、早期腎症評価装置１００から送信された電子メールを任意のタイミングで受信し、受信した電子メールをモニタ２６１に表示する。
　以上により、利用者は、モニタ２６１に表示されたＷｅｂページを閲覧することで、上記２１．または２２．の２群判別に関する判別結果を確認することができる。なお、利用者は、モニタ２６１に表示されたＷｅｂページの表示内容をプリンタ２６２で印刷してもよい。
　また、判別結果が早期腎症評価装置１００から電子メールで送信された場合には、利用者は、モニタ２６１に表示された電子メールを閲覧することで、上記２１．または２２．の２群判別に関する判別結果を確認することができる。利用者は、モニタ２６１に表示された電子メールの表示内容をプリンタ２６２で印刷してもよい。
　これにて、早期腎症評価サービス処理の説明を終了する。
［２－４．他の実施形態］
　本発明にかかる早期腎症評価装置、早期腎症評価方法、早期腎症評価プログラム、記録媒体、早期腎症評価システム、および情報通信端末装置は、上述した第２実施形態以外にも、特許請求の範囲に記載した技術的思想の範囲内において種々の異なる実施形態にて実施されてよいものである。
　また、第２実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。
　このほか、上記文献中や図面中で示した処理手順、制御手順、具体的名称、各処理の登録データや検索条件等のパラメータを含む情報、画面例、データベース構成については、特記する場合を除いて任意に変更することができる。
　また、早期腎症評価装置１００に関して、図示の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。
　例えば、早期腎症評価装置１００が備える処理機能、特に制御部１０２にて行われる各処理機能については、その全部または任意の一部を、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）および当該ＣＰＵにて解釈実行されるプログラムにて実現してもよく、また、ワイヤードロジックによるハードウェアとして実現してもよい。尚、プログラムは、情報処理装置に本発明にかかる早期腎症評価方法を実行させるためのプログラム化された命令を含む一時的でないコンピュータ読み取り可能な記録媒体に記録されており、必要に応じて早期腎症評価装置１００に機械的に読み取られる。すなわち、ＲＯＭまたはＨＤＤなどの記憶部１０６などには、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）と協働してＣＰＵに命令を与え、各種処理を行うためのコンピュータプログラムが記録されている。このコンピュータプログラムは、ＲＡＭにロードされることによって実行され、ＣＰＵと協働して制御部を構成する。
　また、このコンピュータプログラムは、早期腎症評価装置１００に対して任意のネットワークを介して接続されたアプリケーションプログラムサーバに記憶されていてもよく、必要に応じてその全部または一部をダウンロードすることも可能である。
　また、本発明にかかる早期腎症評価プログラムを、一時的でないコンピュータ読み取り可能な記録媒体に格納してもよく、また、プログラム製品として構成することもできる。ここで、この「記録媒体」とは、メモリーカード、ＵＳＢメモリ、ＳＤカード、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ（登録商標）、ＣＤ－ＲＯＭ、ＭＯ、ＤＶＤ、および、Ｂｌｕ－ｒａｙ　Ｄｉｓｃ等の任意の「可搬用の物理媒体」を含むものとする。
　また、「プログラム」とは、任意の言語または記述方法にて記述されたデータ処理方法であり、ソースコードまたはバイナリコード等の形式を問わない。なお、「プログラム」は必ずしも単一的に構成されるものに限られず、複数のモジュールやライブラリとして分散構成されるものや、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）に代表される別個のプログラムと協働してその機能を達成するものをも含む。なお、実施形態に示した各装置において記録媒体を読み取るための具体的な構成および読み取り手順ならびに読み取り後のインストール手順等については、周知の構成や手順を用いることができる。
　記憶部１０６に格納される各種のデータベース等は、ＲＡＭ、ＲＯＭ等のメモリ装置、ハードディスク等の固定ディスク装置、フレキシブルディスク、および、光ディスク等のストレージ手段であり、各種処理やウェブサイト提供に用いる各種のプログラム、テーブル、データベース、および、ウェブページ用ファイル等を格納する。
　また、早期腎症評価装置１００は、既知のパーソナルコンピュータまたはワークステーション等の情報処理装置として構成してもよく、また、任意の周辺装置が接続された当該情報処理装置として構成してもよい。また、早期腎症評価装置１００は、当該情報処理装置に本発明の早期腎症評価方法を実現させるソフトウェア（プログラムまたはデータ等を含む）を実装することにより実現してもよい。
　更に、装置の分散・統合の具体的形態は図示するものに限られず、その全部または一部を、各種の付加等に応じてまたは機能負荷に応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。すなわち、上述した実施形態を任意に組み合わせて実施してもよく、実施形態を選択的に実施してもよい。
　最後に、早期腎症評価装置１００で行う多変量判別式作成処理の一例について図２２を参照して詳細に説明する。なお、ここで説明する処理はあくまでも一例であり、多変量判別式の作成方法はこれに限定されない。図２２は多変量判別式作成処理の一例を示すフローチャートである。なお、当該多変量判別式作成処理は、早期腎症状態情報を管理するデータベース装置４００で行ってもよい。
　なお、本説明では、早期腎症評価装置１００は、データベース装置４００から事前に取得した早期腎症状態情報を、早期腎症状態情報ファイル１０６ｃの所定の記憶領域に格納しているものとする。また、早期腎症評価装置１００は、早期腎症状態情報指定部１０２ｇで事前に指定した早期腎症状態指標データおよびアミノ酸濃度データを含む早期腎症状態情報を、指定早期腎症状態情報ファイル１０６ｄの所定の記憶領域に格納しているものとする。
　まず、多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１で、指定早期腎症状態情報ファイル１０６ｄの所定の記憶領域に格納されている早期腎症状態情報から所定の式作成手法に基づいて候補多変量判別式を作成し、作成した候補多変量判別式を候補多変量判別式ファイル１０６ｅ１の所定の記憶領域に格納する（ステップＳＢ２１）。具体的には、まず、多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１で、複数の異なる式作成手法（主成分分析や判別分析、サポートベクターマシン、重回帰分析、ロジスティック回帰分析、ｋ－ｍｅａｎｓ法、クラスター解析、決定木、Ｃｏｘ比例ハザードモデルなどの多変量解析に関するものを含む。）の中から所望のものを１つ選択し、選択した式作成手法に基づいて、作成する候補多変量判別式の形（式の形）を決定する。つぎに、多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１で、早期腎症状態情報に基づいて、選択した式選択手法に対応する種々（例えば平均や分散など）の計算を実行する。つぎに、多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１で、計算結果および決定した候補多変量判別式のパラメータを決定する。これにより、選択した式作成手法に基づいて候補多変量判別式が作成される。なお、複数の異なる式作成手法を併用して候補多変量判別式を同時並行（並列）的に作成する場合は、選択した式作成手法ごとに上記の処理を並行して実行すればよい。また、複数の異なる式作成手法を併用して候補多変量判別式を直列的に作成する場合は、例えば、主成分分析を行って作成した候補多変量判別式を利用して早期腎症状態情報を変換し、変換した早期腎症状態情報に対して判別分析を行うことで候補多変量判別式を作成してもよい。
　つぎに、多変量判別式作成部１０２ｈは、候補多変量判別式検証部１０２ｈ２で、ステップＳＢ２１で作成した候補多変量判別式を所定の検証手法に基づいて検証（相互検証）し、検証結果を検証結果ファイル１０６ｅ２の所定の記憶領域に格納する（ステップＳＢ２２）。具体的には、多変量判別式作成部１０２ｈは、候補多変量判別式検証部１０２ｈ２で、指定早期腎症状態情報ファイル１０６ｄの所定の記憶領域に格納されている早期腎症状態情報に基づいて候補多変量判別式を検証する際に用いる検証用データを作成し、作成した検証用データに基づいて候補多変量判別式を検証する。なお、ステップＳＢ２１で複数の異なる式作成手法を併用して候補多変量判別式を複数作成した場合には、多変量判別式作成部１０２ｈは、候補多変量判別式検証部１０２ｈ２で、各式作成手法に対応する候補多変量判別式ごとに所定の検証手法に基づいて検証する。ここで、ステップＳＢ２２において、ブートストラップ法やホールドアウト法、Ｎ－フォールド法、リーブワンアウト法などのうち少なくとも１つに基づいて候補多変量判別式の判別率や感度、特異度、情報量基準、ＲＯＣ＿ＡＵＣ（受信者特性曲線の曲線下面積）などのうち少なくとも１つに関して検証してもよい。これにより、早期腎症状態情報や診断条件を考慮した予測性または頑健性の高い候補指標式を選択することができる。
　つぎに、多変量判別式作成部１０２ｈは、変数選択部１０２ｈ３で、所定の変数選択手法に基づいて、候補多変量判別式の変数を選択することで、候補多変量判別式を作成する際に用いる早期腎症状態情報に含まれるアミノ酸濃度データの組み合わせを選択し、選択したアミノ酸濃度データの組み合わせを含む早期腎症状態情報を選択早期腎症状態情報ファイル１０６ｅ３の所定の記憶領域に格納する（ステップＳＢ２３）。なお、ステップＳＢ２１で複数の異なる式作成手法を併用して候補多変量判別式を複数作成し、ステップＳＢ２２で各式作成手法に対応する候補多変量判別式ごとに所定の検証手法に基づいて検証した場合には、ステップＳＢ２３において、多変量判別式作成部１０２ｈは、変数選択部１０２ｈ３で、候補多変量判別式ごとに所定の変数選択手法に基づいて候補多変量判別式の変数を選択してもよい。ここで、ステップＳＢ２３において、検証結果からステップワイズ法、ベストパス法、近傍探索法、遺伝的アルゴリズムのうち少なくとも１つに基づいて候補多変量判別式の変数を選択してもよい。なお、ベストパス法とは、候補多変量判別式に含まれる変数を１つずつ順次減らしていき、候補多変量判別式が与える評価指標を最適化することで変数を選択する方法である。また、ステップＳＢ２３において、多変量判別式作成部１０２ｈは、変数選択部１０２ｈ３で、指定早期腎症状態情報ファイル１０６ｄの所定の記憶領域に格納されている早期腎症状態情報に基づいてアミノ酸濃度データの組み合わせを選択してもよい。
　つぎに、多変量判別式作成部１０２ｈは、指定早期腎症状態情報ファイル１０６ｄの所定の記憶領域に格納されている早期腎症状態情報に含まれるアミノ酸濃度データの全ての組み合わせが終了したか否かを判定し、判定結果が「終了」であった場合（ステップＳＢ２４：Ｙｅｓ）には次のステップ（ステップＳＢ２５）へ進み、判定結果が「終了」でなかった場合（ステップＳＢ２４：Ｎｏ）にはステップＳＢ２１へ戻る。なお、多変量判別式作成部１０２ｈは、予め設定した回数が終了したか否かを判定し、判定結果が「終了」であった場合には（ステップＳＢ２４：Ｙｅｓ）次のステップ（ステップＳＢ２５）へ進み、判定結果が「終了」でなかった場合（ステップＳＢ２４：Ｎｏ）にはステップＳＢ２１へ戻ってもよい。また、多変量判別式作成部１０２ｈは、ステップＳＢ２３で選択したアミノ酸濃度データの組み合わせが、指定早期腎症状態情報ファイル１０６ｄの所定の記憶領域に格納されている早期腎症状態情報に含まれるアミノ酸濃度データの組み合わせまたは前回のステップＳＢ２３で選択したアミノ酸濃度データの組み合わせと同じであるか否かを判定し、判定結果が「同じ」であった場合（ステップＳＢ２４：Ｙｅｓ）には次のステップ（ステップＳＢ２５）へ進み、判定結果が「同じ」でなかった場合（ステップＳＢ２４：Ｎｏ）にはステップＳＢ２１へ戻ってもよい。また、多変量判別式作成部１０２ｈは、検証結果が具体的には各候補多変量判別式に関する評価値である場合には、当該評価値と各式作成手法に対応する所定の閾値との比較結果に基づいて、ステップＳＢ２５へ進むかステップＳＢ２１へ戻るかを判定してもよい。
　つぎに、多変量判別式作成部１０２ｈは、検証結果に基づいて、複数の候補多変量判別式の中から多変量判別式として採用する候補多変量判別式を選出することで多変量判別式を決定し、決定した多変量判別式（選出した候補多変量判別式）を多変量判別式ファイル１０６ｅ４の所定の記憶領域に格納する（ステップＳＢ２５）。ここで、ステップＳＢ２５において、例えば、同じ式作成手法で作成した候補多変量判別式の中から最適なものを選出する場合と、すべての候補多変量判別式の中から最適なものを選出する場合とがある。
　これにて、多変量判別式作成処理の説明を終了する。
　早期腎症の有無に関するＡＥＲ（尿中アルブミン排泄率）の測定が行われた糖尿病患者を、測定結果に基づいて正常群（ＡＥＲ＜２０μｇ／ｍｉｎ，微量アルブミン尿陰性）と早期腎症群（ＡＥＲ≧２０μｇ／ｍｉｎ，微量アルブミン尿陽性）の２群に分類した。正常群および早期腎症群はそれぞれ、２７９名および１２８名であった。当該糖尿病患者から採取された血清中のアミノ酸濃度を測定し、各アミノ酸について正常群と早期腎症群の判別能をＲＯＣ＿ＡＵＣ（受信者特性曲線の曲線下面積）で評価した。なお、アミノ酸濃度の測定は、上述した実施形態で説明した（Ａ）の測定方法で行った。
　ノンパラメトリックの仮定のもとで帰無仮説を「ＲＯＣ＿ＡＵＣ＝０．５」とした場合の検定でＲＯＣ＿ＡＵＣが有意（ｐ＜０．０５）であったアミノ酸は、Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｌｙｓ，Ｇｌｕ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ｃｙｓであった。これらのアミノ酸の内、Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｌｙｓ，Ｇｌｕ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ｃｙｓは早期腎症群で有意に増加し、一方、Ｓｅｒは早期腎症群で有意に減少した。
　実施例１のアミノ酸濃度測定時に正常群（ＡＥＲ＜２０μｇ／ｍｉｎ，微量アルブミン尿陰性）に分類された糖尿病患者を対象として、当該アミノ酸濃度測定時から５年後に再びＡＥＲの測定を行った。当該対象を、再度測定されたＡＥＲに基づいて将来の正常群（ＡＥＲ＜２０μｇ／ｍｉｎ，微量アルブミン尿陰性）と将来の早期腎症発症群（ＡＥＲ≧２０μｇ／ｍｉｎ，微量アルブミン尿陽性）の２群に分類した。将来の正常群および将来の早期腎症群はそれぞれ、１２４名および１５名であった。当該対象から採取された血清中のアミノ酸濃度を測定し、各アミノ酸について将来の正常群と将来の早期腎症発症群の判別能をＲＯＣ＿ＡＵＣ（受信者特性曲線の曲線下面積）で評価した。なお、アミノ酸濃度の測定は、上述した実施形態で説明した（Ａ）の測定方法で行った。
　ノンパラメトリックの仮定のもとで帰無仮説を「ＲＯＣ＿ＡＵＣ＝０．５」とした場合の検定でＲＯＣ＿ＡＵＣが有意（ｐ＜０．０５）であったアミノ酸は、Ｓｅｒ，Ｏｒｎ，Ａｒｇであった。これらのアミノ酸は将来の早期腎症発症群で有意に減少した。
　実施例１のアミノ酸濃度測定時に正常群に分類された糖尿病患者を対象として、当該アミノ酸濃度測定時のＡＥＲおよび５年後に測定されたＡＥＲの差分とアミノ酸濃度との相関性を、Ｓｐｅａｒｍａｎ順位相関係数で評価した。なお、アミノ酸濃度の測定は、上述した実施形態で説明した（Ａ）の測定方法で行った。
　Ｓｐｅａｒｍａｎ相関係数に関する検定で有意（ｐ＜０．０５）であったアミノ酸は、Ｓａｒ，α－ＡＢＡ，Ｓｅｒ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ａｓｎ，Ｏｒｎであった。これらのアミノ酸の内、Ｔａｕは有意な正相関を示し、一方、Ｓａｒ，α－ＡＢＡ，Ｓｅｒ，Ｔｈｒ，Ｈｙｐｒｏ，Ａｓｎ，Ｏｒｎは有意な負相関を示した。
　実施例１で測定したものと同じアミノ酸濃度データを用いて、実施例１で記述した早期腎症の診断に有効な、血清中のアミノ酸濃度を変数に持つ早期腎症を判別するための多変量判別式（多変量関数）を求めた。
　まず、多変量判別式としてロジスティック回帰式を用いた。ロジスティック回帰式に含める変数の組み合わせを３１種類のアミノ酸から探索し、そしてクロスバリデーションとしてＬｅａｖｅ－Ｏｎｅ－Ｏｕｔ法を採用して、早期腎症の良好な判別能を持つロジスティック回帰式の探索を鋭意実施した。
　ここで、３１種類のアミノ酸は、ＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，１－ＭｅＨｉｓ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓである（以下同様。）。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好なロジスティック回帰式の一覧を、図２３から図２６に示す。ここで、図２３から図２６には、ロジスティック回帰式に含まれる変数の組み合わせ、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図２３から図２６に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｙｓ，Ｔｒｐ，Ａｌａ，Ｏｒｎ，α－ＡＡＡ，Ｈｉｓ，Ｍｅｔ，Ｃｉｔである。
　なお、判別能が同等に良好なロジスティック回帰式のうち、例えば、変数の組「Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓ」を持つ指標式「（－２．８１４）＋（０．００２９１７）Ａｌａ＋（－０．０１６０９）Ｏｒｎ＋（０．０２６３１）Ｇｌｕ＋（０．３７８１）３－ＭｅＨｉｓ＋（－０．０２３６０）Ｔｒｐ＋（０．０２２９２）Ｃｙｓ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．７６５，感度＝０．７９７，特異度＝０．６３８と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　ロジスティック回帰式に含める変数の組み合わせを１９種類のアミノ酸から探索し、そしてクロスバリデーションとしてＬｅａｖｅ－Ｏｎｅ－Ｏｕｔ法を採用して、早期腎症の良好な判別能を持つロジスティック回帰式の探索を鋭意実施した。
　ここで、１９種類のアミノ酸は、Ｇｌｙ，Ａｌａ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ｇｌｎ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐである（以下同様。）。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好なロジスティック回帰式の一覧を、図２７から図３０に示す。ここで、図２７から図３０には、ロジスティック回帰式に含まれる変数の組み合わせ、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図２７から図３０に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ａｌａ，Ｔｒｐ，Ｓｅｒ，Ｌｅｕ，Ｐｈｅ，Ｉｌｅ，Ｃｉｔ，Ｌｙｓ，Ｏｒｎ，Ｍｅｔである。
　なお、判別能が同等に良好なロジスティック回帰式のうち、例えば、変数の組「Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐ」を持つ指標式「（－２．３００）＋（０．００４０４８）Ａｌａ＋（－０．０１２３８）Ｓｅｒ＋（０．０１１５８）Ｌｅｕ＋（０．００４３７１）Ｌｙｓ＋（０．０１９２０）Ｃｉｔ＋（－０．０３４６４）Ｔｒｐ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．６９６，感度＝０．７９７，特異度＝０．５０５と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　つぎに、多変量判別式として線形判別式を用いた。線形判別式に含める変数の組み合わせを３１種類のアミノ酸から探索し、そしてクロスバリデーションとしてブートストラップ法を採用して、早期腎症の良好な判別能を持つ線形判別式の探索を鋭意実施した。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好な線形判別式の一覧を、図３１から図３４に示す。ここで、図３１から図３４には、線形判別式、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値の平均値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図３１から図３４に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｙｓ，Ｔｒｐ，Ｏｒｎ，Ａｌａ，α－ＡＡＡ，Ａｒｇ，Ｈｉｓ，Ｍｅｔ，α－ＡＢＡの１１個である。
　なお、判別能が同等に良好な線形判別式のうち、例えば、変数の組「Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ」を持つ指標式「（－１．１３１１）＋（０．００１０）Ａｌａ＋（０．００８７）Ｇｌｕ＋（０．１４０５）３－ＭｅＨｉｓ＋（－０．００４０）Ｃｉｔ＋（－０．００９１）Ｔｒｐ＋（０．００６７）Ｃｙｓ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．７６１，感度＝０．７５０，特異度＝０．６６７と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　線形判別式に含める変数の組み合わせを１９種類のアミノ酸から探索し、そしてクロスバリデーションとしてブートストラップ法を採用して、早期腎症の良好な判別能を持つ線形判別式の探索を鋭意実施した。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好な線形判別式の一覧を、図３５から図３８に示す。ここで、図３５から図３８には、線形判別式、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値の平均値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図３５から図３８に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ｔｒｐ，Ａｌａ，Ｌｅｕ，Ｐｈｅ，Ｉｌｅ，Ｓｅｒ，Ｌｙｓ，Ｃｉｔ，Ｐｒｏ，Ｍｅｔである。
　なお、判別能が同等に良好な線形判別式のうち、例えば、変数の組「Ａｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐ」を持つ指標式「（－０．９５８７）＋（０．００１３）Ａｌａ＋（－０．００４９）Ｓｅｒ＋（０．００７４）Ｉｌｅ＋（０．００１４）Ｌｙｓ＋（０．０１１６）Ｐｈｅ＋（－０．０１７３）Ｔｒｐ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．６９９，感度＝０．７０３，特異度＝０．５６７と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　実施例２で測定したものと同じアミノ酸濃度データを用いて、実施例２で記述した５年後の早期腎症発症の診断に有効な、血清中のアミノ酸濃度を変数に持つ将来の早期腎症発症を判別するための多変量判別式（多変量関数）を求めた。
　まず、多変量判別式としてロジスティック回帰式を用いた。ロジスティック回帰式に含める変数の組み合わせを３１種類のアミノ酸から探索し、そしてクロスバリデーションとしてＬｅａｖｅ－Ｏｎｅ－Ｏｕｔ法を採用して、将来の早期腎症発症の良好な判別能を持つロジスティック回帰式の探索を鋭意実施した。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好なロジスティック回帰式の一覧を、図３９から図４２に示す。ここで、図３９から図４２には、ロジスティック回帰式に含まれる変数の組み合わせ、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図３９から図４２に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ａｒｇ，Ｔａｕ，Ｖａｌ，α－ＡＡＡ，Ｇｌｎ，Ｉｌｅ，ＥｔＯＨＮＨ２，Ａｓｐ，Ｃｙｓ，Ｓａｒ，Ａｓｎ，β－ＡＩＢＡの１２個である。
　なお、判別能が同等に良好なロジスティック回帰式のうち、例えば、変数の組「β－ＡＩＢＡ，Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ａｒｇ」を持つ指標式「（０．３１０９）＋（０．３１２３）β－ＡＩＢＡ＋（－０．０３１９２）Ｖａｌ＋（０．０５０１４）Ｔａｕ＋（０．０８３７０）Ｉｌｅ＋（－１．７９５）α－ＡＡＡ＋（－０．０４２８７）Ａｒｇ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．８５５，感度＝０．９３３，特異度＝０．６７７と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　ロジスティック回帰式に含める変数の組み合わせを１９種類のアミノ酸から探索し、そしてクロスバリデーションとしてＬｅａｖｅ－Ｏｎｅ－Ｏｕｔ法を採用して、将来の早期腎症発症の良好な判別能を持つロジスティック回帰式の探索を鋭意実施した。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好なロジスティック回帰式の一覧を、図４３から図４６に示す。ここで、図４３から図４６には、ロジスティック回帰式に含まれる変数の組み合わせ、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図４３から図４６に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ａｒｇ，Ｖａｌ，Ｓｅｒ，Ｔｙｒ，Ｉｌｅ，Ｈｉｓ，Ｐｈｅ，Ｍｅｔ，Ｐｒｏ，Ｌｙｓである。
　なお、判別能が同等に良好なロジスティック回帰式のうち、例えば、変数の組「Ｓｅｒ，Ｖａｌ，Ｍｅｔ，Ａｒｇ，Ｔｙｒ」を持つ指標式「（７．６１２）＋（－０．０３８２４）Ｓｅｒ＋（－０．０１７４２）Ｖａｌ＋（０．１３４４）Ｍｅｔ＋（－０．０２６４１）Ａｒｇ＋（－０．０２８２３）Ｔｙｒ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．７７８，感度＝０．８６７，特異度＝０．６３７と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　つぎに、多変量判別式として線形判別式を用いた。線形判別式に含める変数の組み合わせを３１種類のアミノ酸から探索し、そしてクロスバリデーションとしてブートストラップ法を採用して、将来の早期腎症発症の良好な判別能を持つ線形判別式の探索を鋭意実施した。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好な線形判別式の一覧を、図４７から図５０に示す。ここで、図４７から図５０には、線形判別式、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値の平均値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図４７から図５０に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ａｒｇ，Ｔａｕ，Ｖａｌ，α－ＡＡＡ，Ｉｌｅ，Ｃｙｓ，ＥｔＯＨＮＨ２，Ｓｅｒ，Ｇｌｎ，Ｔｙｒである。
　なお、判別能が同等に良好な線形判別式のうち、例えば、変数の組「Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ｐｈｅ，Ａｒｇ」を持つ指標式「（－０．５３２２）＋（－０．００５０）Ｖａｌ＋（０．０１０８）Ｔａｕ＋（０．００９７）Ｉｌｅ＋（－０．１８８６）α－ＡＡＡ＋（０．００３５）Ｐｈｅ＋（－０．００５３）Ａｒｇ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．８５１，感度＝１．０００，特異度＝０．６２９と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　線形判別式に含める変数の組み合わせを１９種類のアミノ酸から探索し、そしてクロスバリデーションとしてブートストラップ法を採用して、将来の早期腎症発症の良好な判別能を持つ線形判別式の探索を鋭意実施した。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好な線形判別式の一覧を、図５１から図５４に示す。ここで、図５１から図５４には、線形判別式、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値の平均値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図５１から図５４に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ａｒｇ，Ｓｅｒ，Ｖａｌ，Ｉｌｅ，Ｌｅｕ，Ｐｒｏ，Ｐｈｅ，Ｇｌｙ，Ａｌａ，Ｌｙｓである。
　なお、判別能が同等に良好な線形判別式のうち、例えば、変数の組「Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｉｌｅ，Ｌｅｕ，Ａｒｇ」を持つ指標式「（０．７２２６）＋（－０．００４２）Ｓｅｒ＋（－０．０００３）Ｐｒｏ＋（－０．００４４）Ｖａｌ＋（０．０１１６）Ｉｌｅ＋（－０．００２４）Ｌｅｕ＋（－０．００３８）Ａｒｇ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．７９９，感度＝０．８６７，特異度＝０．６４５と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　糖尿病患者３９２人から採取された血清中のアミノ酸濃度の測定を、上述した実施形態で説明した（Ａ）の測定方法で行った。アミノ酸濃度を測定してから１０年以内に心血管イベントを発症した糖尿病患者を心血管イベント発症者とした。３９２人の糖尿病患者を、心血管イベント発症者と心血管イベント非発症者の２群に分類した。心血管イベント発症者および心血管イベント非発症者はそれぞれ、６４名および３２８名であった。６４名の心血管イベント発症者の内訳は、心筋梗塞１１名、狭心症２９名、心不全５名、脳虚血１名、脳梗塞１２名、脳出血５名、内頚動脈狭窄症１名である。実施例３で記述した血清中のアミノ酸濃度を変数に持つ早期腎症を判別するための多変量判別式（多変量関数）を用いて、将来の心血管イベント発症の評価を行った。
　実施例３で説明した図２３から図２６に記述されたロジスティック回帰式の一覧を、図５５から図５８に示す。ここで、図５５から図５８には、ロジスティック回帰式に含まれる変数の組み合わせ、将来の心血管イベント発症者と心血管イベント非発症者に関するＲＯＣ＿ＡＵＣ値が示されている。
　実施例３で記述した変数の組「Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓ」を持つ指標式「（－２．８１４）＋（０．００２９１７）Ａｌａ＋（－０．０１６０９）Ｏｒｎ＋（０．０２６３１）Ｇｌｕ＋（０．３７８１）３－ＭｅＨｉｓ＋（－０．０２３６０）Ｔｒｐ＋（０．０２２９２）Ｃｙｓ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．６５１，感度＝０．２９７，特異度＝０．９６３と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　実施例３で説明した図２７から図３０に記述されたロジスティック回帰式の一覧を、図５９から図６２に示す。ここで、図５９から図６２には、ロジスティック回帰式に含まれる変数の組み合わせ、将来の心血管イベント発症者と心血管イベント非発症者に関するＲＯＣ＿ＡＵＣ値が示されている。
　実施例３で記述した変数の組「Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐ」を持つ指標式「（－２．３００）＋（０．００４０４８）Ａｌａ＋（－０．０１２３８）Ｓｅｒ＋（０．０１１５８）Ｌｅｕ＋（０．００４３７１）Ｌｙｓ＋（０．０１９２０）Ｃｉｔ＋（－０．０３４６４）Ｔｒｐ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．６１７，感度＝０．６４１，特異度＝０．６０４と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　実施例３で説明した図３１から図３４に記述された線形判別式の一覧を、図６３から図６６に示す。ここで、図６３から図６６には、線形判別式に含まれる変数の組み合わせ、将来の心血管イベント発症者と心血管イベント非発症者に関するＲＯＣ＿ＡＵＣ値が示されている。
　実施例３で記述した変数の組「Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ」を持つ指標式「（－１．１３１１）＋（０．００１０）Ａｌａ＋（０．００８７）Ｇｌｕ＋（０．１４０５）３－ＭｅＨｉｓ＋（－０．００４０）Ｃｉｔ＋（－０．００９１）Ｔｒｐ＋（０．００６７）Ｃｙｓ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．６５０，感度＝０．３２８，特異度＝０．９４５と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　実施例３で説明した図３５から図３８に記述された線形判別式の一覧を、図６７から図７０に示す。ここで、図６７から図７０には、線形判別式に含まれる変数の組み合わせ、将来の心血管イベント発症者と心血管イベント非発症者に関するＲＯＣ＿ＡＵＣ値が示されている。
　実施例３で記述した変数の組「Ａｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐ」を持つ指標式「（－０．９５８７）＋（０．００１３）Ａｌａ＋（－０．００４９）Ｓｅｒ＋（０．００７４）Ｉｌｅ＋（０．００１４）Ｌｙｓ＋（０．０１１６）Ｐｈｅ＋（－０．０１７３）Ｔｒｐ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．５９５，感度＝０．３２８，特異度＝０．８６６と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　実施例５で測定したものと同じアミノ酸濃度データを用いて、実施例１で有意（ｐ＜０．０５）であったアミノ酸および実施例３において各種多変量判別式と各種バリデーション法のいずれかの組み合わせで出現頻度が多い順に１０位以内となったアミノ酸について、将来の心血管イベント発症と心血管イベント非発症の判別能をＲＯＣ＿ＡＵＣ（受信者特性曲線の曲線下面積）で評価した。
　ノンパラメトリックの仮定のもとで帰無仮説を「ＲＯＣ＿ＡＵＣ＝０．５」とした場合の検定でＲＯＣ＿ＡＵＣが有意（ｐ＜０．０５）であったアミノ酸は、β－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓであった。これらのアミノ酸の内、β－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｃｙｓは将来の心血管イベント発症群で有意に増加し、一方、Ｔｒｐは将来の心血管イベント発症群で有意に減少した。
　つぎに、同じアミノ酸濃度データを用いて、心血管イベント発症の有無、およびアミノ酸濃度測定時から心血管イベント発症までの年数（心血管イベント非発症者の場合はアミノ酸濃度測定時から最終観察年までの年数）をもとに、アミノ酸について将来の心血管イベント発症と心血管イベント非発症の判別能を、単変量Ｃｏｘ比例ハザードモデルで評価した。将来の心血管イベント発症予測因子として有意（ｐ＜０．０５）であったアミノ酸はβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓであった。
　実施例５で測定したものと同じアミノ酸濃度データ、実施例１で有意（ｐ＜０．０５）であったアミノ酸に関するアミノ酸濃度データ、および実施例３で各種多変量判別式と各種バリデーション法のいずれかの組み合わせで出現頻度が多い順に１０位以内となったアミノ酸に関するアミノ酸濃度データを用いて、実施例６で記述した将来の心血管イベント発症の診断に有効な、血清中のアミノ酸濃度を変数に持つ将来の心血管イベント発症を判別するための多変量判別式（多変量関数）を求めた。
　まず、多変量判別式としてロジスティック回帰式を用いた。ロジスティック回帰式に含める変数の組み合わせを３１種類のアミノ酸から探索し、そしてクロスバリデーションとしてＬｅａｖｅ－Ｏｎｅ－Ｏｕｔ法を採用して、将来の心血管イベント発症の良好な判別能を持つロジスティック回帰式の探索を鋭意実施した。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好なロジスティック回帰式の一覧を、図７１から図７４に示す。ここで、図７１から図７４には、ロジスティック回帰式に含まれる変数の組み合わせ、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図７１から図７４に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｃｙｓである。
　なお、判別能が同等に良好なロジスティック回帰式のうち、例えば、変数の組「Ｈｙｐｒｏ，Ｇｌｕ，Ｈｉｓ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐ」を持つ指標式「（０．２１７８）＋（－０．０３８８２）Ｈｙｐｒｏ＋（０．０１７８９）Ｇｌｕ＋（－０．０２９０４）Ｈｉｓ＋（０．３１８０）３－ＭｅＨｉｓ＋（０．００７２６３）Ａｒｇ＋（－０．０２２３６）Ｔｒｐ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．７０６，感度＝０．６０９，特異度＝０．７４４と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　ロジスティック回帰式に含める変数の組み合わせを１４種類のアミノ酸から探索し、そしてクロスバリデーションとしてＬｅａｖｅ－Ｏｎｅ－Ｏｕｔ法を採用して、将来の心血管イベント発症に関して良好な判別能を持つロジスティック回帰式の探索を鋭意実施した。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好なロジスティック回帰式の一覧を、図７５から図７８に示す。ここで、図７５から図７８には、ロジスティック回帰式に含まれる変数の組み合わせ、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図７５から図７８に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ｔｒｐ，Ｓｅｒ，Ｈｉｓ，Ａｒｇ，Ｏｒｎ，Ｌｙｓ，Ｃｉｔ，Ｐｒｏ，Ｉｌｅ，Ｐｈｅである。
　なお、判別能が同等に良好なロジスティック回帰式のうち、例えば、変数の組「Ｓｅｒ，Ｏｒｎ，Ｈｉｓ，Ａｒｇ，Ｔｒｐ」を持つ指標式「（１．２１６）＋（－０．０１３６７）Ｓｅｒ＋（０．０１５６０）Ｏｒｎ＋（－０．０１７９４）Ｈｉｓ＋（０．００７９０６）Ａｒｇ＋（－０．０２９７３）Ｔｒｐ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．６６１，感度＝０．５１６，特異度＝０．７６２と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　つぎに、多変量判別式として線形判別式を用いた。線形判別式に含める変数の組み合わせを３１種類のアミノ酸から探索し、そしてクロスバリデーションとしてブートストラップ法を採用して、将来の心血管イベント発症の良好な判別能を持つ線形判別式の探索を鋭意実施した。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好な線形判別式の一覧を、図７９から図８２に示す。ここで、図７９から図８２には、線形判別式、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値の平均値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図７９から図８２に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ｇｌｕ，Ｔｒｐ，３－ＭｅＨｉｓ，Ｈｉｓ，Ｓａｒ，Ａｒｇ，Ｌｅｕ，Ｃｉｔ，Ｈｙｐｒｏ，Ｓｅｒである。
　なお、判別能が同等に良好な線形判別式のうち、例えば、変数の組「Ｓａｒ，Ｌｅｕ，Ｇｌｕ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐ」を持つ指標式「（－０．４５３７）＋（－０．０５００）Ｓａｒ＋（－０．００１８）Ｌｅｕ＋（０．００５４）Ｇｌｕ＋（０．０９３５）３－ＭｅＨｉｓ＋（０．００１０）Ａｒｇ＋（－０．００６４）Ｔｒｐ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．７００，感度＝０．６２５，特異度＝０．７３２と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　線形判別式に含める変数の組み合わせを１４種類のアミノ酸から探索し、そしてクロスバリデーションとしてブートストラップ法を採用して、将来の心血管イベント発症の良好な判別能を持つ線形判別式の探索を鋭意実施した。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好な線形判別式の一覧を、図８３から図８６に示す。ここで、図８３から図８６には、線形判別式、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値の平均値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図８３から図８６に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ｔｒｐ，Ｓｅｒ，Ｈｉｓ，Ａｒｇ，Ｃｉｔ，Ｌｙｓ，Ｏｒｎ，Ｐｒｏ，Ｐｈｅ，Ｌｅｕである。
　なお、判別能が同等に良好な線形判別式のうち、例えば、変数の組「Ｓｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐ」を持つ指標式「（－０．１４７４）＋（－０．００２７）Ｓｅｒ＋（０．００１８）Ｌｙｓ＋（－０．００４７）Ｈｉｓ＋（０．００６７）Ｃｉｔ＋（－０．００７５）Ｔｒｐ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．６６０，感度＝０．７０３，特異度＝０．５６７と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　つぎに、多変量判別式としてＣｏｘ比例ハザードモデルを用いた。Ｃｏｘ比例ハザードモデルに含める変数の組み合わせを３１種類のアミノ酸から探索し、将来の心血管イベント発症の良好な判別能を持つＣｏｘ比例ハザードモデル式の探索を鋭意実施した。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好なＣｏｘ比例ハザードモデル式の一覧を、図８７から図９０に示す。ここで、図８７から図９０には、Ｃｏｘ比例ハザードモデル式、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値の平均値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図８７から図９０に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｃｙｓ，β－ＡＩＢＡ，Ｐｈｅ，Ａｌａである。
　なお、判別能が同等に良好なＣｏｘ比例ハザードモデル式のうち、例えば、変数の組「Ｈｙｐｒｏ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ」を持つ指標式「（－０．０２３２）Ｈｙｐｒｏ＋（０．０１１０）Ｇｌｕ＋（０．１８５５）３－ＭｅＨｉｓ＋（－０．０２６９）Ｔｒｐ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．６８６，感度＝０．５１６，特異度＝０．８３５と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　Ｃｏｘ比例ハザードモデル式に含める変数の組み合わせを１４種類のアミノ酸から探索し、将来の心血管イベント発症の良好な判別能を持つＣｏｘ比例ハザードモデル式の探索を鋭意実施した。
　ＲＯＣ＿ＡＵＣで評価した判別能が同等に良好なＣｏｘ比例ハザードモデル式の一覧を、図９１から図９４に示す。ここで、図９１から図９４には、Ｃｏｘ比例ハザードモデル式、クロスバリデーション有りでのＲＯＣ＿ＡＵＣ値の平均値、およびクロスバリデーション無しでのＲＯＣ＿ＡＵＣ値が示されている。図９１から図９４に含まれる式における変数の出現頻度を多い順に１０位まで列挙すると、Ｔｒｐ，Ｓｅｒ，Ｈｉｓ，Ｌｙｓ，Ａｒｇ，Ｃｉｔ，Ｏｒｎ，Ｐｒｏ，Ａｌａ，Ｐｈｅ，Ｌｅｕ，Ｉｌｅの１２個である。
　なお、判別能が同等に良好なＣｏｘ比例ハザードモデル式のうち、例えば、変数の組「Ｓｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐ」を持つ指標式「（－０．００９０）Ｓｅｒ＋（０．００７２）Ｌｙｓ＋（－０．０２０１）Ｈｉｓ＋（０．０１５３）Ｃｉｔ＋（－０．０２６６）Ｔｒｐ」の判別能は、ＲＯＣ＿ＡＵＣ＝０．６６０，感度＝０．６０９，特異度＝０．６８９と良好なものであった。なお、上記感度及び特異度は、感度と特異度の平均が最も高くなる最高判別点をカットオフ値とした場合の値である。
　以上のように、本発明にかかる早期腎症の評価方法などは、産業上の多くの分野、特に医薬品や食品、医療などの分野で広く実施することができ、特に、早期腎症の状態の進行予測や疾病リスク予測やプロテオームやメタボローム解析などを行うバイオインフォマティクス分野において極めて有用である。
　１００　早期腎症評価装置
　１０２　制御部
　　１０２ａ　要求解釈部
　　１０２ｂ　閲覧処理部
　　１０２ｃ　認証処理部
　　１０２ｄ　電子メール生成部
　　１０２ｅ　Ｗｅｂページ生成部
　　１０２ｆ　受信部
　　１０２ｇ　早期腎症状態情報指定部
　　１０２ｈ　多変量判別式作成部
　　１０２ｈ１　候補多変量判別式作成部
　　１０２ｈ２　候補多変量判別式検証部
　　１０２ｈ３　変数選択部
　　１０２ｉ　判別値算出部
　　１０２ｊ　判別値基準評価部
　　１０２ｊ１　判別値基準判別部
　　１０２ｋ　結果出力部
　　１０２ｍ　送信部
　１０４　通信インターフェース部
　１０６　記憶部
　　１０６ａ　利用者情報ファイル
　　１０６ｂ　アミノ酸濃度データファイル
　　１０６ｃ　早期腎症状態情報ファイル
　　１０６ｄ　指定早期腎症状態情報ファイル
　　１０６ｅ　多変量判別式関連情報データベース
　　１０６ｅ１　候補多変量判別式ファイル
　　１０６ｅ２　検証結果ファイル
　　１０６ｅ３　選択早期腎症状態情報ファイル
　　１０６ｅ４　多変量判別式ファイル
　　１０６ｆ　判別値ファイル
　　１０６ｇ　評価結果ファイル
　１０８　入出力インターフェース部
　１１２　入力装置
　１１４　出力装置
　２００　クライアント装置（情報通信端末装置）
　３００　ネットワーク
　４００　データベース装置

Claims (24)

  1. 　評価対象から採取した血液中のアミノ酸の濃度値に関するアミノ酸濃度データを取得する取得ステップと、
    　前記取得ステップで取得した前記評価対象の前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値に基づいて、前記評価対象につき早期腎症の状態を評価する濃度値基準評価ステップと
    　を含むことを特徴とする早期腎症の評価方法。
  2. 　前記濃度値基準評価ステップは、前記アミノ酸濃度データに含まれるＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値に基づいて、前記評価対象が前記早期腎症を有するかを評価すること、
    　を特徴とする請求項１に記載の早期腎症の評価方法。
  3. 　前記濃度値基準評価ステップは、前記アミノ酸濃度データに含まれるβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つの前記濃度値に基づいて、前記評価対象が将来、心血管イベントを発症するかをさらに評価すること、
    　を特徴とする請求項２に記載の早期腎症の評価方法。
  4. 　前記濃度値基準評価ステップは、前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つの前記濃度値に基づいて、前記評価対象が将来、前記早期腎症を発症するかを評価すること、
    　を特徴とする請求項１に記載の早期腎症の評価方法。
  5. 　前記濃度値基準評価ステップは、
    　前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む予め設定された、前記早期腎症の前記状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップ
    　をさらに含むこと、
    　を特徴とする請求項１に記載の早期腎症の評価方法。
  6. 　前記多変量判別式は、ロジスティック回帰式、分数式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式、Ｃｏｘ比例ハザードモデル式のいずれか１つであること、
    　を特徴とする請求項５に記載の早期腎症の評価方法。
  7. 　前記濃度値基準評価ステップは、
    　前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき前記早期腎症の前記状態を評価する判別値基準評価ステップ
    　をさらに含むこと、
    　を特徴とする請求項５または６に記載の早期腎症の評価方法。
  8. 　前記判別値算出ステップは、前記アミノ酸濃度データに含まれるＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、およびＳａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ｏｒｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、
    　前記判別値基準評価ステップは、前記判別値に基づいて、前記評価対象が前記早期腎症を有するかを評価すること、
    　を特徴とする請求項７に記載の早期腎症の評価方法。
  9. 　前記早期腎症の前記評価で用いられる前記多変量判別式は、Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓを前記変数として含む前記ロジスティック回帰式、Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐを前記変数として含む前記ロジスティック回帰式、Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓを前記変数として含む前記線形判別式、またはＡｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐを前記変数として含む前記線形判別式であること、
    　を特徴とする請求項８に記載の早期腎症の評価方法。
  10. 　前記判別値算出ステップは、前記アミノ酸濃度データに含まれるβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つの前記濃度値、およびβ－ＡＩＢＡ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓ，Ｇｌｕ，Ｈｙｐｒｏ，Ｓａｒ，Ｌｅｕ，Ｈｉｓ，Ａｒｇ，Ｌｙｓ，Ｓｅｒ，Ｐｈｅ，Ａｌａ，Ｏｒｎ，Ｐｒｏ，Ｉｌｅのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、
    　前記判別値基準評価ステップは、前記判別値に基づいて、前記評価対象が将来、心血管イベントを発症するかをさらに評価すること、
    　を特徴とする請求項８または９に記載の早期腎症の評価方法。
  11. 　前記心血管イベントの前記評価で用いられる前記多変量判別式は、Ａｌａ，Ｏｒｎ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐ，Ｃｙｓを前記変数として含む前記ロジスティック回帰式、Ｈｙｐｒｏ，Ｇｌｕ，Ｈｉｓ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐを前記変数として含む前記ロジスティック回帰式、Ａｌａ，Ｓｅｒ，Ｌｅｕ，Ｌｙｓ，Ｃｉｔ，Ｔｒｐを前記変数として含む前記ロジスティック回帰式、Ｓｅｒ，Ｏｒｎ，Ｈｉｓ，Ａｒｇ，Ｔｒｐを前記変数として含む前記ロジスティック回帰式、Ａｌａ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｃｉｔ，Ｔｒｐ，Ｃｙｓを前記変数として含む前記線形判別式、Ｓａｒ，Ｌｅｕ，Ｇｌｕ，３－ＭｅＨｉｓ，Ａｒｇ，Ｔｒｐを前記変数として含む前記線形判別式、Ａｌａ，Ｓｅｒ，Ｉｌｅ，Ｌｙｓ，Ｐｈｅ，Ｔｒｐを前記変数として含む前記線形判別式、Ｓｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐを前記変数として含む前記線形判別式、Ｈｙｐｒｏ，Ｇｌｕ，３－ＭｅＨｉｓ，Ｔｒｐを前記変数として含む前記Ｃｏｘ比例ハザードモデル式、またはＳｅｒ，Ｌｙｓ，Ｈｉｓ，Ｃｉｔ，Ｔｒｐを前記変数として含む前記Ｃｏｘ比例ハザードモデル式であること、
    　を特徴とする請求項１０に記載の早期腎症の評価方法。
  12. 　前記判別値算出ステップは、前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つの前記濃度値、およびＥｔＯＨＮＨ２，Ｓａｒ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，α－ＡＡＡ，Ａｒｇ，Ｔｙｒ，Ｃｙｓ，Ｇｌｙ，Ａｌａ，Ｐｒｏ，Ｌｅｕ，Ｌｙｓ，Ｍｅｔ，Ｈｉｓ，Ｐｈｅのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、
    　前記判別値基準評価ステップは、前記判別値に基づいて、前記評価対象が将来、前記早期腎症を発症するかを評価すること、
    　を特徴とする請求項７に記載の早期腎症の評価方法。
  13. 　前記多変量判別式は、β－ＡＩＢＡ，Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ａｒｇを前記変数として含む前記ロジスティック回帰式、Ｓｅｒ，Ｖａｌ，Ｍｅｔ，Ａｒｇ，Ｔｙｒを前記変数として含む前記ロジスティック回帰式、Ｖａｌ，Ｔａｕ，Ｉｌｅ，α－ＡＡＡ，Ｐｈｅ，Ａｒｇを前記変数として含む前記線形判別式、またはＳｅｒ，Ｐｒｏ，Ｖａｌ，Ｉｌｅ，Ｌｅｕ，Ａｒｇを前記変数として含む前記線形判別式であること、
    　を特徴とする請求項１２に記載の早期腎症の評価方法。
  14. 　制御部と記憶部とを備え、評価対象につき早期腎症の状態を評価する早期腎症評価装置であって、
    　前記制御部は、
    　アミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む前記記憶部に記憶された、前記早期腎症の前記状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出手段
    　を備えたこと、
    　を特徴とする早期腎症評価装置。
  15. 　前記制御部は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき前記早期腎症の前記状態を評価する判別値基準評価手段をさらに備えたこと、
    　を特徴とする請求項１４に記載の早期腎症評価装置。
  16. 　制御部と記憶部とを備えた情報処理装置において実行される、評価対象につき早期腎症の状態を評価する早期腎症評価方法であって、
    　前記制御部において実行される、
    　アミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む前記記憶部に記憶された、前記早期腎症の前記状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップ
    　を含むこと、
    　を特徴とする早期腎症評価方法。
  17. 　制御部と記憶部とを備えた情報処理装置において実行させるための、評価対象につき早期腎症の状態を評価する早期腎症評価プログラムであって、
    　前記制御部において実行させるための、
    　アミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む前記記憶部に記憶された、前記早期腎症の前記状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップ
    　を含むこと、
    　を特徴とする早期腎症評価プログラム。
  18. 　制御部と記憶部とを備え、評価対象につき早期腎症の状態を評価する早期腎症評価装置と、制御部を備え、アミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データを提供する情報通信端末装置とを、ネットワークを介して通信可能に接続して構成された早期腎症評価システムであって、
    　前記情報通信端末装置の前記制御部は、
    　前記評価対象の前記アミノ酸濃度データを前記早期腎症評価装置へ送信するアミノ酸濃度データ送信手段と、
    　前記早期腎症評価装置から送信された、多変量判別式の値である判別値を受信する結果受信手段と
    　を備え、
    　前記早期腎症評価装置の前記制御部は、
    　前記情報通信端末装置から送信された前記アミノ酸濃度データを受信するアミノ酸濃度データ受信手段と、
    　前記アミノ酸濃度データ受信手段で受信した前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む前記記憶部に記憶された、前記早期腎症の前記状態を評価するための前記多変量判別式に基づいて、前記判別値を算出する判別値算出手段と、
    　前記判別値算出手段で算出した前記判別値を前記情報通信端末装置へ送信する結果送信手段と、
    　を備えたこと、
    　を特徴とする早期腎症評価システム。
  19. 　前記早期腎症評価装置の前記制御部は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき前記早期腎症の前記状態を評価する判別値基準評価手段をさらに備え、
    　前記結果送信手段は、前記判別値基準評価手段で得られた前記評価対象の評価結果を前記情報通信端末装置へ送信し、
    　前記結果受信手段は、前記情報通信端末装置から送信された前記評価対象の前記評価結果を受信すること、
    　を特徴とする請求項１８に記載の早期腎症評価システム。
  20. 　制御部を備え、アミノ酸の濃度値に関する評価対象のアミノ酸濃度データを提供する情報通信端末装置であって、
    　前記制御部は、
    　多変量判別式の値である判別値を取得する結果取得手段
    　を備え、
    　前記判別値は、前記評価対象の前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む早期腎症の状態を評価するための前記多変量判別式に基づいて算出したものであること、
    　を特徴とする情報通信端末装置。
  21. 　前記評価対象につき前記早期腎症の前記状態を評価する早期腎症評価装置とネットワークを介して通信可能に接続されており、
    　前記制御部は、前記評価対象の前記アミノ酸濃度データを前記早期腎症評価装置へ送信するアミノ酸濃度データ送信手段をさらに備え、
    　前記結果取得手段は、前記早期腎症評価装置から送信された前記判別値を受信すること、
    　を特徴とする請求項２０に記載の情報通信端末装置。
  22. 　前記結果取得手段は、前記早期腎症評価装置から送信された、前記評価対象の前記早期腎症の前記状態に関する評価結果を受信し、
    　前記評価結果は、前記判別値に基づいて前記評価対象につき前記早期腎症の前記状態を評価した結果であること、
    　を特徴とする請求項２１に記載の情報通信端末装置。
  23. 　アミノ酸の濃度値に関する評価対象のアミノ酸濃度データを提供する情報通信端末装置とネットワークを介して通信可能に接続された、制御部と記憶部とを備え、前記評価対象につき早期腎症の状態を評価する早期腎症評価装置であって、
    　前記制御部は、
    　前記情報通信端末装置から送信された前記アミノ酸濃度データを受信するアミノ酸濃度データ受信手段と、
    　前記アミノ酸濃度データ受信手段で受信した前記アミノ酸濃度データに含まれるＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数として含みＥｔＯＨＮＨ２，Ｇｌｙ，Ｓａｒ，Ａｌａ，β－ＡＩＢＡ，α－ＡＢＡ，Ｓｅｒ，Ｐｒｏ，Ｖａｌ，Ｔｈｒ，Ｔａｕ，Ｈｙｐｒｏ，Ｉｌｅ，Ｌｅｕ，Ａｓｎ，Ｏｒｎ，Ａｓｐ，Ｇｌｎ，Ｌｙｓ，Ｇｌｕ，Ｍｅｔ，Ｈｉｓ，α－ＡＡＡ，Ｐｈｅ，３－ＭｅＨｉｓ，Ａｒｇ，Ｃｉｔ，Ｔｙｒ，Ｔｒｐ，Ｃｙｓのうち少なくとも１つを前記変数として含む前記記憶部に記憶された、前記早期腎症の前記状態を評価するための多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出手段と、
    　前記判別値算出手段で算出した前記判別値を前記情報通信端末装置へ送信する結果送信手段と、
    　を備えたこと、
    　を特徴とする早期腎症評価装置。
  24. 　前記制御部は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき前記早期腎症の前記状態を評価する判別値基準評価手段をさらに備え、
    　前記結果送信手段は、前記判別値基準評価手段で得られた前記評価対象の評価結果を前記情報通信端末装置へ送信すること、
    　を特徴とする請求項２３に記載の早期腎症評価装置。
PCT/JP2013/052115 2012-01-31 2013-01-30 早期腎症の評価方法、早期腎症評価装置、早期腎症評価方法、早期腎症評価プログラム、早期腎症評価システムおよび情報通信端末装置 WO2013115283A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2012-018862 2012-01-31
JP2012018862 2012-01-31

Publications (1)

Publication Number Publication Date
WO2013115283A1 true WO2013115283A1 (ja) 2013-08-08

Family

ID=48905315

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2013/052115 WO2013115283A1 (ja) 2012-01-31 2013-01-30 早期腎症の評価方法、早期腎症評価装置、早期腎症評価方法、早期腎症評価プログラム、早期腎症評価システムおよび情報通信端末装置

Country Status (2)

Country Link
JP (1) JP2013178239A (ja)
WO (1) WO2013115283A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170066409A (ko) 2014-10-08 2017-06-14 아지노모토 가부시키가이샤 평가 방법, 평가 장치, 평가 프로그램, 평가 시스템, 및 단말 장치
JP2018515761A (ja) * 2015-04-30 2018-06-14 アイデックス ラボラトリーズ インコーポレイテッドＩＤＥＸＸ Ｌａｂｏｒａｔｏｒｉｅｓ， Ｉｎｃ． 腎疾患の検出方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017200024A1 (ja) * 2016-05-17 2017-11-23 国立大学法人大阪大学 腎臓病の予後予測方法及びシステム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008015929A1 (fr) * 2006-08-04 2008-02-07 Ajinomoto Co., Inc. procédé d'évaluation de syndrome métabolique, appareil D'ÉVALUATION DE SYNDROME MÉTABOLIQUE, système D'ÉVALUATION DE SYNDROME MÉTABOLIQUE, programme d'évaluation de syndrome métabolique et support d'enregistrement, et proc&
WO2010064435A1 (ja) * 2008-12-04 2010-06-10 積水メディカル株式会社 ヒト体液中のシスタチンｃ測定方法
WO2010126055A1 (ja) * 2009-04-27 2010-11-04 国立大学法人新潟大学 腎障害の検出用マーカーとしての尿中メガリンの使用
US20110079077A1 (en) * 2009-01-28 2011-04-07 Industrial Technology Research Institute(ITRI) Urine and Serum Biomarkers Associated with Diabetic Nephropathy
WO2011136228A1 (ja) * 2010-04-27 2011-11-03 シスメックス株式会社 腎臓病診断用マーカー及びその利用

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008015929A1 (fr) * 2006-08-04 2008-02-07 Ajinomoto Co., Inc. procédé d'évaluation de syndrome métabolique, appareil D'ÉVALUATION DE SYNDROME MÉTABOLIQUE, système D'ÉVALUATION DE SYNDROME MÉTABOLIQUE, programme d'évaluation de syndrome métabolique et support d'enregistrement, et proc&
WO2010064435A1 (ja) * 2008-12-04 2010-06-10 積水メディカル株式会社 ヒト体液中のシスタチンｃ測定方法
US20110079077A1 (en) * 2009-01-28 2011-04-07 Industrial Technology Research Institute(ITRI) Urine and Serum Biomarkers Associated with Diabetic Nephropathy
WO2010126055A1 (ja) * 2009-04-27 2010-11-04 国立大学法人新潟大学 腎障害の検出用マーカーとしての尿中メガリンの使用
WO2011136228A1 (ja) * 2010-04-27 2011-11-03 シスメックス株式会社 腎臓病診断用マーカー及びその利用

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170066409A (ko) 2014-10-08 2017-06-14 아지노모토 가부시키가이샤 평가 방법, 평가 장치, 평가 프로그램, 평가 시스템, 및 단말 장치
KR20230028566A (ko) 2014-10-08 2023-02-28 아지노모토 가부시키가이샤 평가 방법, 평가 장치, 평가 프로그램, 평가 시스템, 및 단말 장치
JP2018515761A (ja) * 2015-04-30 2018-06-14 アイデックス ラボラトリーズ インコーポレイテッドＩＤＥＸＸ Ｌａｂｏｒａｔｏｒｉｅｓ， Ｉｎｃ． 腎疾患の検出方法
EP3289355A4 (en) * 2015-04-30 2019-02-13 IDEXX Laboratories, Inc. METHODS OF DETECTING RENAL DISEASE

Also Published As

Publication number Publication date
JP2013178239A (ja) 2013-09-09

Similar Documents

Publication Publication Date Title
JP7409530B2 (ja) 取得方法、評価装置、評価プログラムおよび評価システム
JP6311705B2 (ja) 取得方法、算出方法、インスリン評価装置、算出装置、インスリン評価プログラム、算出プログラム、インスリン評価システム、および端末装置
US20210287802A1 (en) Method for evaluating pancreatic cancer, pancreatic cancer evaluating apparatus, pancreatic cancer evaluating method, pancreatic cancer evaluating program product, pancreatic cancer evaluating system and information communication terminal apparatus
JP5817527B2 (ja) 肥満の評価方法、肥満評価装置、肥満評価方法、肥満評価システム、肥満評価プログラム、記録媒体、および情報通信端末装置
JP2016029398A (ja) 内臓脂肪面積の評価方法、内臓脂肪面積評価装置、内臓脂肪面積評価方法、内臓脂肪面積評価プログラム、記録媒体、内臓脂肪面積評価システム、及び端末装置
WO2013011919A1 (ja) Ｎａｓｈの評価方法、ｎａｓｈ評価装置、ｎａｓｈ評価方法、ｎａｓｈ評価プログラム、ｎａｓｈ評価システム、情報通信端末装置、およびｎａｓｈの予防・改善物質の探索方法
JPWO2008015929A1 (ja) メタボリック・シンドロームの評価方法、メタボリック・シンドローム評価装置、メタボリック・シンドローム評価方法、メタボリック・シンドローム評価システム、メタボリック・シンドローム評価プログラムおよび記録媒体、ならびにメタボリック・シンドロームの予防・改善物質の探索方法
US8673647B2 (en) Stress evaluating apparatus, method, system and program and recording medium therefor
WO2018066621A1 (ja) 大腸癌の評価方法、評価装置、評価プログラム、評価システム、及び端末装置
JP2014106114A (ja) 膵臓癌リスク疾患の評価方法、膵臓癌リスク疾患評価装置、膵臓癌リスク疾患評価方法、膵臓癌リスク疾患評価プログラム、膵臓癌リスク疾患評価システムおよび情報通信端末装置
JP6614215B2 (ja) 取得方法、算出方法、脳卒中評価装置、算出装置、脳卒中評価プログラム、算出プログラムおよび脳卒中評価システム
JP2020101571A (ja) 評価方法、評価装置、評価プログラム、評価システム、及び端末装置
JP6260275B2 (ja) 脂肪肝の評価方法、脂肪肝評価装置、脂肪肝評価方法、脂肪肝評価プログラム、脂肪肝評価システム、および端末装置
WO2013115283A1 (ja) 早期腎症の評価方法、早期腎症評価装置、早期腎症評価方法、早期腎症評価プログラム、早期腎症評価システムおよび情報通信端末装置
JP6270257B2 (ja) 取得方法、心血管イベント評価装置、心血管イベント評価プログラム、心血管イベント評価システムおよび端末装置
JPWO2009054350A1 (ja) 耐糖能異常の評価方法、耐糖能異常評価装置、耐糖能異常評価方法、耐糖能異常評価システム、耐糖能異常評価プログラムおよび記録媒体、ならびに耐糖能異常の予防・改善物質の探索方法
JP2011080957A (ja) 線維筋痛症とうつ病の評価方法、線維筋痛症・うつ病評価装置および線維筋痛症・うつ病評価方法
JP2017122655A (ja) 骨格筋面積の評価方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13743973

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13743973

Country of ref document: EP

Kind code of ref document: A1