WO2018008288A1 - 介入効果推測システム、介入効果推測方法、及び、介入効果推測システムに用いるプログラム - Google Patents

介入効果推測システム、介入効果推測方法、及び、介入効果推測システムに用いるプログラム Download PDF

Info

Publication number
WO2018008288A1
WO2018008288A1 PCT/JP2017/019676 JP2017019676W WO2018008288A1 WO 2018008288 A1 WO2018008288 A1 WO 2018008288A1 JP 2017019676 W JP2017019676 W JP 2017019676W WO 2018008288 A1 WO2018008288 A1 WO 2018008288A1
Authority
WO
WIPO (PCT)
Prior art keywords
intervention
user
effect
information
regression
Prior art date
Application number
PCT/JP2017/019676
Other languages
English (en)
French (fr)
Inventor
原　正彦
Original Assignee
臨床医学研究所株式会社
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 臨床医学研究所株式会社 filed Critical 臨床医学研究所株式会社
Publication of WO2018008288A1 publication Critical patent/WO2018008288A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Definitions

  • the present invention relates to an intervention effect estimation system that estimates the effect of an intervention using a statistical technique, an intervention effect estimation method, and a program used for the intervention effect estimation system.
  • EBM Evidence Based Medicine
  • medical interventions medical interventions
  • the estimation methods currently being researched and reported use the results of statistical processing of the effects of interventions in a large number of subjects to estimate the effects of interventions on individual patients. Tailor-made medicine (individualized medicine) Is going backwards.
  • Patent Document 1 discloses a configuration for managing and providing patient treatment by an electronic drug administration system.
  • a medical device that controls the dose of a medicine to a patient uses the patient ID to extract patient-specific information from a database or the like.
  • the medical device can then determine basic patient-specific control variables (eg, blood glucose level) based on the patient-specific response observed for the treatment based on the treatment calculated for the patient (drug treatment).
  • Basic patient-specific control variables eg, blood glucose level
  • Treatment is calculated according to all patient-specific variables such as height, weight, etc. and the appropriate treatment is determined for the patient's condition.
  • the medical device observes the patient's response to the treatment and updates the treatment. In this way, the medical device described in US Pat. No. 6,057,051 is updated for the patient based on the estimated basic patient-specific control variables, the patient-specific response observed for the treatment, and the treatment purpose. Provided treatment.
  • N of 1 trial N of 1 Randomization
  • This technique is a technique in which various interventions are repeated on a single patient in a random order, and the effects of the intervention are compared. In this method, after one intervention is performed, another intervention is performed after the effect of the intervention disappears.
  • Patent Document 1 the prior art described in Patent Document 1 is to automatically control the dose of a drug such as an infusion, and the intervention on the symptoms is controlled on the premise that the drug is effective.
  • some medical interventions may not always have a good effect, and it is desirable to be able to estimate the effect of the intervention including the quality of the intervention for each individual.
  • the prior art described in Non-Patent Document 1 forces various interventions on the patient in a random order, and the burden on the patient is large.
  • the present invention has been made in view of such circumstances, and an object of the present invention is to provide an intervention effect estimation system that can estimate the effect of intervention including the quality of intervention for each individual with a low burden.
  • the first invention is an intervention implementation in which one or a plurality of interventions are determined for a predetermined symptom, and information indicating a subject who has performed at least one intervention represents an implementation status of the intervention.
  • An intervention effect estimation system that estimates the effect of intervention on a user who is one of the subjects using subject data including information and intervention effect information representing the status of the effect of the intervention.
  • a regression model that uses the intervention effect information as a variable as a variable
  • a group analysis unit that retains a group analysis result obtained by regression analysis of group data obtained by collecting multiple subject data, and using the group analysis result
  • the initial value of the regression coefficient in the regression model for the user and the initial prior distribution used for Bayesian estimation are set, and the subject data of the user is set.
  • a personal processing unit that updates the regression coefficient by Bayesian estimation using the likelihood of the subject data, and the personal processing unit is for a user whose regression coefficient has been updated by the personal processing unit.
  • This is an intervention effect estimation system that estimates the effect of intervention on a user based on a regression model.
  • the subject data includes intervention execution information for each of a plurality of interventions defined for a predetermined symptom
  • the regression model includes the intervention execution information for each intervention.
  • the personal processing unit Used as an independent variable, individually estimates the effect of each intervention on the user based on the regression model for the user in which the regression coefficient of each independent variable is updated by the personal processing unit.
  • the intervention effect estimation system can be used by a plurality of subjects including a user, and the group processing unit uses the subject data acquired from the subjects as group data. And the group analysis result is updated based on the group data after the addition.
  • the personal processing unit obtains an updated group analysis result in the group processing unit, and the personal processing unit performs regression using the updated group analysis result.
  • the initial value of the coefficient and the initial prior distribution are reset, and the regression coefficient is updated again by repeating Bayesian estimation using the user's subject data acquired in the past one by one.
  • the group processing unit acquires classification information for classifying the subject data as subject information, and the group processing unit responds to the classification information.
  • the subject data of a plurality of persons are classified into a plurality of group data, and a group analysis result is held for each group data.
  • the personal processing unit acquires a group analysis result corresponding to the classification information acquired from the user.
  • the initial value of the regression coefficient and the initial prior distribution are set using the group analysis result.
  • the personal processing unit when the personal processing unit acquires the user's subject data, the subject's subject data acquired a plurality of times in the past using the comparative regression model The personal processing unit selects a regression model based on a predetermined index from the regression model for the user and the regression model for comparison, and based on the selected regression model, Guess the effect of the intervention.
  • the personal processing unit based on the regression model for the user whose regression coefficient is updated by the personal processing unit, the estimated value of the intervention effect and the estimated value The confidence interval is calculated.
  • one or a plurality of interventions are defined for a predetermined symptom, and intervention information indicating the implementation status of the intervention as information on a subject who has performed at least one intervention, and an effect of the intervention.
  • the initial value of the regression coefficient in the regression model for the user and the initial prior distribution used for Bayesian estimation are set, and
  • an update step for updating the regression coefficient by Bayesian estimation using the likelihood of the subject data, and a user's intervention model for the user based on the regression model for the user in which the regression coefficient is updated in the update step is a program that executes an estimation step for estimating an effect.
  • one or a plurality of interventions are defined for a predetermined symptom, and information about the subject who has performed at least one intervention is provided as intervention information indicating the implementation status of the intervention, and the effect of the intervention.
  • An intervention effect estimation method in which a computer estimates the effect of intervention for a user who is one of the subjects using subject data including intervention effect information representing the situation, and the computer uses the intervention implementation information as an independent variable.
  • a regression model that uses intervention effect information as an objective variable, it has a recording unit that holds group analysis results obtained by regression analysis of group data obtained by collecting multiple subject data, and the computer uses the group analysis results to As the regression model prepared for the user, the initial value of the regression coefficient in the regression model for the user and the initial prior distribution used for Bayesian estimation are set, and the user When the subject data is obtained, an update step of updating the regression coefficient by Bayesian estimation using the likelihood of the subject data, and a user's intervention model for the user based on the regression model for the user whose regression coefficient is updated in the update step.
  • An intervention effect estimation method characterized by executing an estimation step for estimating an effect.
  • the first invention by using a group analysis result obtained by regression analysis of group data obtained by collecting a plurality of subject data, an initial value of a regression coefficient in a regression model for a user, an initial prior distribution used for Bayesian estimation, and When the user's subject data is acquired, the regression coefficient is updated by Bayesian estimation using the likelihood of the subject data. Then, the effect of the intervention on the user is estimated based on the regression model for the user whose regression coefficient is updated. Therefore, the user's regression model in which the regression coefficient is updated using the user's subject data improves the suitability for the user. Moreover, since the effect of the intervention is estimated based on the regression model, the effect in the opposite direction can also be estimated. Therefore, the effect of the intervention including the quality of the intervention can be appropriately estimated for the individual user, and personalized medicine capable of selecting an effective intervention for the user can be realized.
  • the regression model is used to estimate the effect of the intervention on the user, it is not necessary to perform a plurality of interventions in order when the user performs a plurality of interventions. Therefore, unlike the above-described “N of 1 ⁇ trial”, the user is not forced to perform various interventions in a random order, and the effect of the intervention can be estimated with a low burden on the user.
  • the initial value of the regression coefficient in the regression model for the user is set using the group analysis result.
  • the effect of the intervention on the user is estimated using only the subject data of one user, the effect of the intervention on the user cannot be properly estimated unless there is subject data for a certain number of times. Therefore, it takes time to obtain an appropriate estimation result for the user.
  • the group analysis result obtained by regression analysis of the group data obtained by collecting a plurality of subject data is used, the time required for obtaining an appropriate estimation result for the user is shortened. can do.
  • the effect of each intervention is individually estimated for a user who performs a plurality of interventions. Therefore, it is possible to grasp which intervention is effective for the user from the estimation result of each intervention.
  • a plurality of subjects including the user can use the intervention effect estimation system, and subject data acquired from the subject is added to the population data, and the number of samples of the population data increases. Therefore, updating the group analysis result based on the group data after the addition reduces the error of the group analysis result. Therefore, for the user who uses the updated group analysis result for setting the initial value of the regression coefficient and the like, the effect of the intervention can be estimated based on the regression model for the user with higher accuracy.
  • the initial value of the regression coefficient and the like are reset using the updated group analysis result (the group analysis result with a smaller error). Then, the regression coefficient is updated again by repeating Bayesian estimation using the user's subject data acquired in the past from the user one by one. Therefore, the error of the regression coefficient that has been re-updated is also reduced, and the effect of intervention on the user can be estimated with higher accuracy.
  • the group processing unit holds the group analysis result for each group data classified according to the classification information.
  • the personal processing unit acquires a group analysis result corresponding to the classification information acquired from the user, and sets an initial value of a regression coefficient and the like using the group analysis result. Accordingly, since the group analysis result corresponding to the group into which the user is classified is used, the regression model for the user further improves the accuracy for the user, and the effect of the intervention on the user can be estimated with higher accuracy.
  • the regression analysis is performed on the user's subject data acquired in the past over a plurality of times using a comparison regression model. Then, a regression model is selected based on a predetermined index from the regression model for the user and the regression model for comparison.
  • the comparison regression model is a regression model adapted to the user, similar to the regression model for the user.
  • a confidence interval is calculated for the estimated value of the effect of the intervention.
  • the effect of the intervention including the quality of the intervention can be appropriately estimated for the individual user, and effective intervention for the user can be performed.
  • Selectable personalized medicine can be realized.
  • the intervention effect estimation system 10 is a system that estimates the effect of an intervention using regression analysis and a Bayesian method for a user who has performed a predetermined intervention (medical intervention such as treatment) for a predetermined symptom.
  • a predetermined intervention medical intervention such as treatment
  • Examples of the predetermined symptoms applicable to the intervention effect estimation system 10 include constipation, allergies (eg, hay fever), and sleep disorders (eg, insomnia, hypersomnia).
  • the predetermined intervention applicable to the intervention effect estimation system 10 includes, for example, taking a drug, taking health food, using a medical device, performing an exercise program, performing acupuncture, and the like. However, both symptoms and intervention are not limited to these. In this embodiment, a plurality of interventions are defined for a predetermined symptom, but one intervention may be defined for a predetermined symptom.
  • the intervention effect estimation system 10 includes a cloud server 20 that can communicate with a user information terminal 14 via a network 16 such as the Internet.
  • the cloud server 20 is configured by one or a plurality of computers.
  • the information terminal 14 is a portable terminal such as a smartphone, but may be a desktop PC or a notebook PC.
  • the intervention effect estimation system 10 can register a plurality of users (participants) via the network 16.
  • the user transmits registration information from the information terminal 14 to the cloud server 20.
  • the registration information includes attribute information such as age and sex in addition to the name.
  • Registration information received from each information terminal 14 is stored in a user database 27 described later.
  • the user program provided from the cloud server 20 is installed in the information terminal 14.
  • the intervention effect estimation system 10 estimates the effect of the intervention on the user who is one of the subjects, using the subject data obtained by converting the information of the subject who has performed at least one of the plurality of interventions into data.
  • the intervention effect estimation system 10 uses group data obtained by collecting subject data of a plurality of persons in addition to user subject data (hereinafter referred to as “user data”).
  • user data user subject data
  • an epidemiology database 26 that collectively manages a plurality of subject data as collective data
  • a user database 27 that manages user data for each user are provided in a recording unit 23 described later.
  • FIG. 2 represents a table of the epidemiology database 26. Each row in FIG. 2 represents subject data of each subject.
  • Each subject data includes at least a plurality of intervention implementation information corresponding to a plurality of interventions and intervention effect information as item information described in each item.
  • Each intervention implementation information represents the implementation status of each intervention (in this embodiment, whether or not an intervention has been performed) on the date on which at least one intervention was performed (hereinafter referred to as “intervention implementation date”).
  • Each intervention implementation information is handled as explanatory information used for an independent variable (explanatory variable) Xn described later.
  • the intervention effect information represents the status of the effect of one or more interventions performed on the intervention implementation date (in this embodiment, the presence or absence of the effect).
  • the intervention effect information is used as an objective variable described later.
  • Each subject data is created, for example, in units of implementation dates (predetermined time units).
  • Each subject data further includes attribute information representing the subject's attributes.
  • attribute information is not treated as explanatory information (but not used as an independent variable Xn), but attribute information may be treated as explanatory information.
  • the test subject data includes first intervention information indicating whether or not medicine A is taken on the intervention date, second intervention information indicating whether or not medicine B is taken on the intervention date, and exercise execution on the intervention date.
  • 3rd intervention implementation information (illustration omitted in FIG. 2) showing the presence or absence and intervention effect information showing the presence or absence of defecation on the intervention implementation date (or the next day) are included.
  • some intervention implementation information may be “performed”, that is, all intervention implementation information may not be “performed”.
  • the subject data includes first attribute information representing gender and second attribute information representing age. The date of birth can also be used as attribute information instead of or in addition to age.
  • the subject data includes, as explanatory information, meal information that represents a meal intake state on the intervention implementation date and sleep information that represents a sleep situation on the intervention implementation date.
  • the meal information is information indicating whether or not a meal is ingested for each meal time zone (morning, noon, and evening), but may further include information indicating the presence or absence of a snack.
  • the sleep information is information indicating sleep time, but may include information indicating a sleep state (good sleep, normal, insomnia).
  • the subject data further includes physiological information indicating whether or not the intervention implementation date is during menstruation as explanatory information.
  • subject data includes height, weight, home location information, severity of constipation without natural intervention (cycle of natural stool (days)), list of constipation measures implemented by the subject, One or more of information that indicates working hours (day shift, semi-night shift, night shift, etc.), smoking status, marital status, time of defecation, exercise status, or drinking status May be included.
  • the home position information is information used to automatically collect weather, maximum temperature, atmospheric pressure, and the like.
  • measures to be included in the list of constipation measures include constipation measures yogurt, health foods, general over-the-counter drugs, and prescription drugs.
  • the smoking status includes the presence or absence of smoking, the number of smoking per day (the number of smoking), and the like.
  • Examples of the state of exercise include the frequency of exercise (for example, once a week), the time of one exercise (for example, 20 minutes or more), the intensity of exercise (the degree of sweating).
  • the situation of drinking includes the presence or absence of drinking and the amount of drinking.
  • the subject data may further include one or more of information indicating the number of childbirth experiences, whether pregnant, whether or not a pill is taken, etc. as explanatory information. .
  • FIG. 3 shows a table of each user in the user database 27.
  • Each row in FIG. 3 represents user data on each intervention implementation date.
  • user data is described for each intervention implementation date.
  • Each user data like the subject data in the epidemiology database 26, includes explanatory information including first to third intervention implementation information, intervention effect information, and implementation date information representing the intervention implementation date.
  • Each user's table is associated with attribute information of each user. As this attribute information, information included in the registration information acquired from the user at the time of registration is used.
  • User data is created based on user test information input to the information terminal 14 by the user. Specifically, when the user program is started in the information terminal 14, an input screen for inputting user test information is displayed. FIG. 4 shows an example of the input screen.
  • User test information is input in units of intervention implementation dates. When a user intervenes for a plurality of days, user test information is input every intervention implementation date. Each time user test information is input, the information terminal 14 creates user data by converting the user test information into data, and transmits the user data to the cloud server 20. When receiving the user data (received data), the cloud server 20 adds the received data to the table of the sender of the received data in the user database 27. Further, the received data is added to the epidemiology database 26 with the attribute information added. Note that the input of the user test information is not limited to the input on the intervention implementation date basis.
  • the cloud server 20 includes a communication unit 21, a server control unit 22, a recording unit 23, a first statistical processing unit 24, and a second statistical processing unit 25.
  • the communication unit 21 is a communication device having a network communication function, and communicates with the information terminal 14 of each user via the network 16.
  • the server control unit 22, the first statistical processing unit 24, and the second statistical processing unit 25 are functional blocks realized by the CPU of the cloud server 20 executing and interpreting the server program.
  • the recording unit 23 is a recording device that records data, and stores an epidemiological database 26, a user database 27, a server program, and the like.
  • the communication unit 21, the recording unit 23, the first statistical processing unit 24, and the second statistical processing unit 25 operate under the control of the server control unit 22.
  • a regression model for a group for regression analysis of the group data stored in the epidemiology database 26 is prepared.
  • each piece of explanatory information including intervention implementation information is set as each independent variable, and intervention effect information is set as an objective variable.
  • a logistic regression model is adopted as the regression model.
  • the equation of the logistic regression model represented by Equation 1 is composed of an intercept ⁇ 0 , a plurality of independent variables Xn, and a plurality of regression coefficients ⁇ n corresponding to the plurality of independent variables Xn.
  • the first statistical processing unit 24 performs group analysis processing for regression analysis of group data using a regression model for a group.
  • the analysis result obtained by the group analysis process is recorded (held) in the recording unit 23 as the group analysis result.
  • the first statistical processing unit 24 corresponds to a group processing unit.
  • each explanatory information is input to each independent variable Xn (also referred to as “risk factor”) from each subject data of the group data into the equation shown in Equation 1, and the objective variable (“outcome”
  • the intervention effect information is input to “.”
  • the estimated values of the intercept ⁇ 0 and the regression coefficients ⁇ n in the regression model for the population are calculated by the maximum likelihood method.
  • the standard error for the intercept ⁇ 0 and the standard error for the estimated value of each regression coefficient ⁇ n are also calculated.
  • the group analysis result includes a standard error for the estimated value of the intercept ⁇ 0 and a standard error for the estimated value of each regression coefficient ⁇ n (hereinafter, Also referred to as “regression coefficient standard error”).
  • regression coefficient standard error a standard error for the estimated value of each regression coefficient ⁇ n
  • each value in the combination ( ⁇ 0 , ⁇ 1 , ⁇ 2 , ⁇ 3 ... ⁇ n) of the estimated values of the intercept ⁇ 0 and the regression coefficients ⁇ n is referred to as “group analysis value”.
  • each independent variable Xn includes first intervention implementation information (presence / absence of medication A), second intervention implementation information (presence / absence of medication B), and third intervention implementation information ( Whether or not exercise is performed), meal information, sleep information, and physiological information (only when the subject is a woman).
  • first intervention implementation information preence / absence of medication A
  • second intervention implementation information preence / absence of medication B
  • third intervention implementation information Whether or not exercise is performed
  • meal information is “1”, “none” or “ In the case of “No”, “0” is input
  • the sleep time is input as the value of the independent variable Xn used for the sleep information.
  • intervention effect information is input as the objective variable.
  • the value of the objective variable “1” is input when “present” and “0” is input when “not present”.
  • the second statistical processing unit 25 is prepared with a regression model for the user for estimating the effect of each intervention on the user.
  • the second statistical processing unit 25 includes a coefficient update unit 28 that performs a coefficient update process for updating each regression coefficient ⁇ n in the regression model for users, and a user update for each regression coefficient ⁇ n.
  • an effect estimation unit 29 that performs an effect estimation process for estimating the effect of each intervention (taking medicine A, taking medicine B, and exercise) based on the regression model.
  • coefficient update processing and effect estimation processing are performed for each user who has transmitted user data.
  • the second statistical processing unit 25 corresponds to a personal processing unit.
  • the regression model for the user is the same equation as the regression model of the first statistical processing unit 24 and is represented by Formula 1. Similar to the first statistical processing unit 24, the second statistical processing unit 25 employs a logistic regression model.
  • the regression model for the user is the same explanatory information as the regression model of the first statistical processing unit 24 (first treatment execution information, second treatment execution information, third treatment execution information, meal information, sleep information, and physiological information ( Only when the test subject is a woman))) is an independent variable Xn, and intervention effect information is an objective variable.
  • the standard error (regression coefficient standard error) with respect to the estimated value of each regression coefficient ⁇ n is referred to as “user analysis result”, of which the combination of the intercept ⁇ 0 and the estimated value of each regression coefficient ⁇ n ( ⁇ 0 , ⁇ 1 , ⁇ 2 , ⁇ 3 ... ⁇ n) are referred to as “user analysis values”.
  • the coefficient update unit 28 uses the group analysis result as the initial data of the user analysis result.
  • the coefficient updating unit 28 sets an initial value of each user analysis value ⁇ n (estimated value of the regression coefficient ⁇ n) in the user analysis result using the group analysis result.
  • the coefficient updating unit 28 sets an initial value of each regression coefficient standard error in the user analysis result using the group analysis result, and sets an initial prior distribution used for Bayesian estimation.
  • the coefficient updating unit 28 updates each user analysis value ⁇ n by Bayesian estimation using the likelihood of the user data every time user data is acquired (that is, every time the communication unit 21 receives user data).
  • the coefficient update process is performed.
  • each user analysis value ⁇ n is individually updated using the Bayesian method.
  • the coefficient update process is performed every time user data is received (acquired).
  • the coefficient update process may not be performed at all timings when user data is acquired.
  • the intercept ⁇ 0 is a fixed value and the intercept ⁇ 0 is not updated, but the intercept ⁇ 0 may be updated.
  • each user analysis value ⁇ n is set to the group analysis value (regression coefficient ⁇ n corresponding to the group analysis result) held in the recording unit 23.
  • the initial value of each regression coefficient standard error is set to the corresponding regression coefficient standard error in the group analysis result held in the recording unit 23.
  • the initial prior distribution in the user analysis value ⁇ n is set using the initial value of the user analysis value ⁇ n and the initial value of the regression coefficient standard error.
  • the likelihood of the explanatory information (it is also called "new data") used for the independent variable Xn corresponding to the user analysis value (beta) n among the newly acquired user data is calculated
  • the posterior distribution is obtained by multiplying the prior distribution and the likelihood, the average value of the posterior distribution is obtained as the updated user analysis value ⁇ n ′, and the updated regression coefficient standard error is obtained from the posterior distribution.
  • This posterior distribution becomes a prior distribution in the next coefficient update process.
  • each updated user analysis value ⁇ n ′ and each updated regression coefficient standard error are overwritten on the data before update, and the user analysis result is updated.
  • each user analysis value ⁇ n In the second and subsequent update of each user analysis value ⁇ n, a prior distribution of the current user analysis value ⁇ n is obtained from the current user analysis value ⁇ n and the current regression coefficient standard error. Similarly to the first time, the likelihood of the new data is obtained, and the posterior distribution is obtained from the prior distribution and the likelihood, and the updated user analysis value ⁇ n ′ and the updated regression coefficient standard error are obtained. In the recording unit 23, the user analysis result is updated.
  • the average value of the posterior distribution is obtained as the updated user analysis value ⁇ n ′.
  • the value within the range of the posterior distribution may be set as the updated user analysis value ⁇ n ′.
  • a value within a range of ⁇ 5% from the average value) may be the updated user analysis value ⁇ n ′, or a value within a range of ⁇ 30% from the average value may be the user analysis value ⁇ n ′.
  • the objective of adapting the regression model for the user to the user can be achieved without using the average value.
  • the calculation formula used for updating the user analysis value ⁇ n is expressed by Formula 2 and Formula 3.
  • i 0.
  • the user analysis value ⁇ n is set to the group analysis value.
  • the coefficient updating unit 28 as a test of the regression model for the user whose user analysis value has been updated, is a combination of the estimated values of the intercept ⁇ 0 and each user analysis value ⁇ n in the regression model ( ⁇ 0 , ⁇ 1 , ⁇ 2 , A p value is obtained from ⁇ 3 ... ⁇ n), and it is determined whether or not the p value is smaller than a significance level (for example, 0.05). Then, using the test result, the effect estimation unit 29 executes the effect estimation process only when the p value is smaller than the significance level.
  • the significance level can be determined as appropriate.
  • the effect estimation part 29 may perform an effect estimation process also when p value is more than a significance level.
  • the effect estimation unit 29 may perform the effect estimation process every time the coefficient update process is performed, or until the number of executions of the coefficient update process reaches a predetermined number of times (for example, a regression model for the user is a predetermined number). Until the accuracy is reached), the effect estimation process may be performed after the coefficient update process has been performed a predetermined number of times without performing the effect estimation process.
  • the effect estimation process may be performed when the user requests the display of the effect estimation result on the information terminal 14.
  • the effect estimation unit 29 performs an effect estimation process for estimating the effect of each intervention on the user based on the regression model for the user whose user analysis value is updated by the coefficient update process.
  • the odds ratio is calculated as an estimated value (index) of the effect of each intervention on the user based on the regression model for the user to which the latest user analysis value is applied.
  • the odds ratio for taking the medicine A is calculated from the user analysis value ⁇ 1 corresponding to the first intervention implementation information.
  • an odds ratio for taking the medicine B is calculated from the user analysis value ⁇ 2 corresponding to the second intervention implementation information.
  • an odds ratio regarding the exercise is calculated from the user analysis value ⁇ 3 corresponding to the third intervention execution information.
  • the communication unit 21 transmits the odds ratio obtained from the user analysis value ⁇ n corresponding to each intervention implementation information to the information terminal 14 as an estimation result.
  • the estimation result received from the communication unit 21 is displayed.
  • the estimation result (odds ratio) of each intervention may be displayed in a ranking format.
  • you may display the prediction probability in which an effect is acquired, and the graph explaining a prediction probability like the output screen shown in FIG.5 (b).
  • the prediction probability is calculated by substituting the value of each independent variable Xn into Equation 1. Note that logit may be calculated as an index of the effect of intervention on the user.
  • a confidence interval of the estimated value may be calculated in addition to the estimated value of the effect of each intervention.
  • the communication unit 21 also transmits the confidence interval of the estimated value to the information terminal 14 as the estimation result. On the screen of the information terminal 14, for example, “95% confidence interval 0.9-10, p value ⁇ 0.05” is displayed.
  • the effect estimation unit 29 may compare the estimated values of the effects for all the interventions and present the intervention with the best estimated value to the user.
  • the intervention (drug A) having the largest odds ratio is selected from the odds ratios for the three interventions. Then, the selected intervention information is transmitted to the information terminal 14 and displayed on the screen.
  • the recording unit 23 stores the epidemiology database 26 at the start of operation of the intervention effect estimation system 10.
  • the epidemiology database 26 is created based on subject data collected from a plurality of subjects before the operation of the intervention effect estimation system 10 is started. Group data is prepared at the start of operation of the intervention effect estimation system 10.
  • the first statistical processing unit 24 performs group analysis processing on the group data in the epidemiology database 26 at the start of operation.
  • the recording unit 23 obtains the group analysis result (intercept ⁇ 0 , the estimated value of each regression coefficient ⁇ n, the standard error for the estimated value of the intercept ⁇ 0 , and the standard error for the estimated value of each regression coefficient ⁇ n). Holding.
  • the intervention effect estimation system 10 can execute coefficient update processing using the group analysis result in the second statistical processing unit 25 from the start of operation.
  • the epidemiology database 26 may be configured by user data collected after the operation is started without preparing the epidemiology database 26 at the start of the operation of the intervention effect estimation system 10. Even in this case, the coefficient update process using the group analysis result can be executed when user data is collected from a certain number of subjects after the start of operation.
  • the communication unit 21 of the cloud server 20 receives user data from each information terminal 14 each time user test information is input to each information terminal 14 from the user.
  • the user data received by the communication unit 21 is added not only to the user database 27 but also to the epidemiology database 26.
  • the number of subject data (number of samples) in the group data constituting the epidemiology database 26 increases as user data is newly added as shown in FIG.
  • the number of samples of subject data increases.
  • the first statistical processing unit 24 After the operation of the intervention effect estimation system 10 is started, the first statistical processing unit 24 has the latest group data (group data to which user data received after the previous group analysis process is added) at a predetermined cycle (for example, one month cycle). ) To perform a regression analysis. In the recording unit 23, the group analysis result obtained by the group analysis process is overwritten on the data before update, and the group analysis result is updated.
  • the error in the group analysis result becomes smaller as the number of subject data samples increases in the group data. Therefore, compared to a user registered immediately after the intervention effect estimation system 10 is operated, a user registered later can use a group analysis value result with a small error.
  • the coefficient update unit 28 acquires the updated group analysis result in the first statistical processing unit 24.
  • the coefficient updating unit 28 acquires the updated group analysis result every time the group analysis result is updated.
  • the coefficient updating unit 28 may acquire the updated group analysis result at a predetermined period (for example, a period longer than the group analysis result update period).
  • the coefficient update unit 28 resets the initial value and initial prior distribution of each user analysis value ⁇ n using the updated group analysis result for each user, and sets the user data acquired in the past from the oldest one.
  • Each user analysis value ⁇ n is updated again by repeating Bayesian estimation using one at a time.
  • the user analysis value ⁇ n and the regression coefficient standard error after the update is overwritten are overwritten on the data before the update is restarted.
  • the user analysis value is updated again using all user data acquired from the user until the latest group analysis result is acquired.
  • some user data for example, a predetermined number of times from the most recent time
  • the user analysis value may be updated again using (user data for minutes).
  • step S71 the first statistical processing unit 24 determines whether or not to update the group analysis result.
  • step S71 it is determined that the group analysis result is updated when a predetermined period (for example, one month) has elapsed since the previous update of the group analysis result. Note that, when the number of user data added to the epidemiology database 26 from the previous update of the group analysis result exceeds a predetermined number, it may be determined that the group analysis result is updated.
  • the first statistical processing unit 24 reads the latest group data from the recording unit 23 in step S72.
  • step S73 the first statistical processing unit 24 performs regression analysis on the group data read in step S72 (group analysis process).
  • step S74 the first statistical processing unit 24 overwrites the data before update with the group analysis result obtained by the group analysis process in step S73.
  • step S81 the second statistical processing unit 25 determines whether new user data has been acquired (whether new user data has been added to the user database 27). If it is determined that new user data has been acquired, it is determined in step S82 whether or not the group analysis result has been updated in the first statistical processing unit 24 after the previous coefficient update process. If it is determined that the group analysis result has not been updated, the coefficient update unit 28 reads the user analysis result from the recording unit 23 in step S83. Next, in step S84, the coefficient updating unit 28 uses the user analysis result read in step S83 and the new user data, and updates the user analysis result by Bayesian estimation using the likelihood of the user data. A coefficient update process is performed (update step).
  • step S82 determines whether the group analysis result has been updated. If it is determined in step S82 that the group analysis result has been updated, in steps S85 to S88, the coefficient updating unit 28 uses the latest group analysis result to determine the initial value and the first value of each user analysis value ⁇ n. The prior distribution is set again, and the user analysis values ⁇ n are updated again by repeating Bayesian estimation using user data acquired in the past one by one.
  • step S85 the coefficient update unit 28 reads out the oldest user data from the user database 27 based on the implementation date information.
  • the coefficient update unit 28 performs coefficient update processing for updating each user analysis value ⁇ n by Bayesian estimation using the likelihood of the user data read in step S85.
  • step S87 the coefficient updating unit 28 determines whether the user data used in step S86 is the latest. If it is determined that the data is not up-to-date, in step S88, the coefficient updating unit 28 reads out the user data next to the user data used in step S86 based on the implementation date information, and returns to step S86.
  • step S86 the coefficient updating unit 28 performs coefficient updating processing for updating each user analysis value ⁇ n by Bayesian estimation using the likelihood of the user data read in step S88.
  • step S87 the coefficient update unit 28 repeats steps S86 to S88 until it is determined that the user data used in step S86 is the latest. If it is determined in step S87 that the user data used in step S86 is the latest, the effect estimation unit 29 performs an effect estimation process in step S89 (estimation step). In step S89 immediately after step S84, an effect estimation process is performed based on the regression model for users whose user analysis values ⁇ n are updated in step S84. In step S89 immediately after step S87, an effect estimation process is performed based on the regression model for the user in which each user analysis value ⁇ n is updated in the immediately preceding step S86. With the above processing, the processing in the second statistical processing unit 25 ends. In the cloud server 20, after the end of the flow, the estimation result obtained by the effect estimation process in step S89 is transmitted to the information terminal 14.
  • the initial value of the user analysis value ⁇ n in the regression model for the user and the first advance used for Bayesian estimation are obtained using the group analysis result obtained by regression analysis of the group data obtained by collecting the data of a plurality of subjects.
  • the user analysis value ⁇ n is updated by Bayesian estimation using the likelihood of the subject data.
  • the effect of the intervention on the user is estimated based on the regression model for the user whose user analysis value ⁇ n is updated. Therefore, the user's regression model for which the user analysis value ⁇ n is updated using the user data has improved adaptability to the user.
  • the effect of the intervention is estimated based on the regression model, the effect in the opposite direction can also be estimated. Therefore, the effect of the intervention including the quality of the intervention can be appropriately estimated for the individual user, and personalized medicine capable of selecting an effective intervention for the user can be realized.
  • the regression model is used to estimate the effect of intervention on the user, unlike the above-mentioned “N of 1 trial”, the user is not forced to perform various interventions in a random order.
  • the effect of the intervention can be estimated with a low burden on the user.
  • the time required for obtaining an appropriate estimation result for the user can be shortened. it can.
  • the effect of each intervention is individually estimated for a user who performs a plurality of interventions. Therefore, it is possible to grasp which intervention is effective for the user from the estimation result of each intervention. In addition, it is possible to estimate the intervention effect per price using the estimation results of each intervention, which can be applied to identifying cost-effective interventions for pharmaceutical companies and hospital doctors. Can be reduced.
  • the effect of intervention on a large number of subjects is accumulated as mass data.
  • mass data For a pharmaceutical company, by analyzing this mass data based on attribute information and the like, it is possible to grasp a customer group in which the company's product is likely to be effective.
  • the drug effect can be determined for the pharmaceutical company, it is possible to simplify the process of estimating the drug effect currently being performed in clinical research.
  • a plurality of subjects including the user can use the intervention effect estimation system 10, and subject data acquired from the subject is added to the population data, and the number of samples of the population data increases. Therefore, updating the group analysis result based on the group data after the addition reduces the error of the group analysis result. Therefore, for the user who uses the updated group analysis result for setting the initial value or the like of the user analysis value ⁇ n, the effect of the intervention can be estimated based on the regression model for users with higher accuracy.
  • the initial value of the user analysis value ⁇ n and the like are reset using the updated group analysis result (the group analysis result with the smaller error).
  • the user analysis value ⁇ n is updated again by repeating Bayesian estimation using user data acquired in the past from the user one by one. Therefore, the error of the user analysis value ⁇ n that has been re-updated is also reduced, and the effect of intervention on the user can be estimated with higher accuracy.
  • a confidence interval is calculated for the estimated value of the effect of the intervention. For this reason, even when it is difficult to determine whether or not to continue the intervention only with the estimated value without the error of the user analysis value ⁇ n being small, such as when the number of updates of the user analysis value ⁇ n is small, the confidence interval is set. By referencing, it is possible to determine whether or not to continue the intervention.
  • a regression model for comparison is prepared in the second statistical processing unit 25 as a regression model for estimating the effect of each intervention on the user in addition to the regression model for the user.
  • the same logistic regression model as the regression model for the user is adopted as the comparison regression model, but another regression model may be adopted.
  • processing for one user will be described.
  • the second statistical processing unit 25 uses a regression model for comparison to perform regression analysis on only all user data stored in the user database 27. Do. That is, for each comparative regression model, from each user data stored in the user database 27, each explanation information is input to each independent variable Xn, intervention effect information is input to the objective variable, and the maximum likelihood method is used. A second user analysis result is calculated. Similar to the first user analysis result, the second user analysis result is a combination of the estimated values of the intercept ⁇ 0 and the regression coefficients ⁇ n ( ⁇ 0 , ⁇ 1 , ⁇ 2 , ⁇ 3 ... ⁇ n) in the regression model. , The standard error for the estimated value of the intercept ⁇ 0 and the standard error for the estimated value of each regression coefficient ⁇ n.
  • the user database 27 records the first user analysis result based on the user regression model and the second user analysis result based on the comparison regression model.
  • the effect estimation unit 29 compares the regression model for the user to which the first user analysis result is applied with the comparison regression model to which the second user analysis result is applied, and selects a regression model based on a predetermined index. Based on the selected regression model, the effect of each intervention on the user is estimated. For example, the effect estimation unit 29 uses accuracy as a predetermined index, and selects a regression model with high accuracy (for example, a high contribution rate). In addition, as an index used for selecting the regression model, statistics such as a prediction rate and AIC / BIC can be used.
  • the comparison regression model is a regression model adapted to the user, similar to the regression model for the user. According to this modification, since an excellent regression model is selected from a plurality of regression models, there is a possibility that the effect of each intervention for the user can be estimated with higher accuracy.
  • the update of the first user analysis result by the user regression model is stopped from the time when the accuracy of the comparison regression model becomes higher than that of the user regression model, and the second user by the comparison regression model is stopped. Only the analysis result may be updated.
  • the subject data includes, as explanation information, in addition to the item information when the symptom is constipation, seasonal information indicating the season to which the intervention implementation date belongs, and temperature information indicating the temperature of the intervention implementation date, and the objective variable Item information including intervention effect information indicating the presence or absence of migraine on the intervention implementation date.
  • the subject data is the same as the item information when the symptom is constipation as the explanation information.
  • the subject data includes intervention effect information representing the presence or absence of sleep in the evening of the intervention implementation date as item information as objective variables.
  • the subject data includes the information on the season information, the temperature information, and the allergen in addition to the item information when the symptom is constipation as explanation information,
  • the intervention effect information indicating the presence or absence (or reduction level) of allergic disease on (or the next day) is included.
  • the information regarding allergen is information showing the amount of pollen scattering, for example.
  • the logistic regression model is adopted as the regression model.
  • other regression models such as a single regression model or a multiple regression model using the least square method, or a Cox proportional hazard model may be adopted.
  • the objective variable is a discrete variable (“1” when present, “0” when absent).
  • it may be a discrete variable or a continuous variable.
  • the subject data of a plurality of persons are handled as one group data.
  • the subject data of a plurality of persons may be classified into a plurality of group data.
  • the subject data of a plurality of persons can be classified into group data composed of male subject data and group data composed of female subject data.
  • the group data can also be classified according to the age group.
  • the subject data of a plurality of persons in the epidemiology database 26 is classified into a plurality of group data according to the classification information, and a group analysis result is held for each group data.
  • the first statistical processing unit 24 receives user data (received data) from the information terminal 14, the first statistical processing unit 24 selects group data according to the classification information associated with the table describing the received data, and selects the selected group Append received data to data.
  • the first statistical processing unit 24 performs group analysis processing on each group data at a predetermined cycle, and updates and holds the group analysis result.
  • the second statistical processing unit 25 acquires a group analysis result corresponding to the classification information acquired from the user. Then, the second statistical processing unit 25 sets the initial value and the initial prior distribution of each user analysis value ⁇ n using the group analysis result corresponding to the user classification. The second statistical processing unit 25 performs a coefficient update process, and updates and holds the user analysis result. Also in the re-update of the user analysis result mentioned above, the newest group analysis result corresponding to the user classification information is used.
  • the regression model for the user can further improve the accuracy for the user and estimate the effect of the intervention on the user with a higher accuracy. it can.
  • the intervention effect estimation system 10 includes a server 40 managed by a system administrator and an information terminal 14 operated by each user.
  • the server 40 corresponds to a collective processing unit
  • each information terminal 14 corresponds to a personal processing unit.
  • the server 40 and the information terminal 14 can communicate with each other via the network 16.
  • the server 40 can be constituted by one or a plurality of computers.
  • a management program is installed in the server 40.
  • a user program is installed in the information terminal 14. Unlike the above-described embodiment, this user program is an execution program for processing such as coefficient update processing and effect estimation processing.
  • the server 40 includes a communication unit 41, a server control unit 42, a recording unit 43, and a statistical processing unit 44.
  • the communication unit 41 is a communication device having a network communication function.
  • the server control unit 42 and the statistical processing unit 44 are functional blocks realized by the CPU of the server 40 executing and interpreting the management program.
  • the recording unit 43 is a recording device that records data, and stores the epidemiological database 26, a management program, and the like.
  • the communication unit 41, the recording unit 43, and the statistical processing unit 44 operate under the control of the server control unit 42.
  • the information terminal 14 includes a communication unit 31, a terminal control unit 32, a recording unit 33, and a statistical processing unit 34.
  • the communication unit 31 is a communication device having a network communication function.
  • the terminal control unit 32 and the statistical processing unit 34 are functional blocks realized by the CPU of the information terminal 14 executing and interpreting the user program.
  • the recording unit 33 is a recording device that records data, and stores a user database 27, a user program, and the like.
  • the communication unit 31, the recording unit 33, and the statistical processing unit 34 operate under the control of the server control unit 32. Note that, unlike the above-described embodiment, the user database 27 manages only user data of individual users.
  • the statistical processing unit 44 of the server 40 corresponds to the first statistical processing unit 24 of the above-described embodiment.
  • the statistical processing unit 34 of the information terminal 14 corresponds to the second statistical processing unit 25 of the above-described embodiment. Below, it demonstrates centering on a different point from the above-mentioned embodiment.
  • the recording unit 43 holds the group analysis result.
  • the server 40 adds the received data to the epidemiology database 26 every time user data (received data) is received from the information terminal 14.
  • the statistical processing unit 44 performs group analysis processing for regression analysis of the latest group data in the epidemiology database 26 using a regression model for the group at a predetermined cycle (for example, one month cycle), and updates the group analysis processing. .
  • the information terminal 14 when the user program is started, an input screen for inputting user test information is displayed, and the same processing as in FIG. 8 is performed.
  • the information terminal 14 acquires the group analysis result and records it in the recording unit 33 when downloading the user program from the server 40. Then, the information terminal 14 automatically uploads and overwrites the latest group analysis result from the server 40 in a predetermined cycle.
  • the statistical processing unit 34 determines whether or not new user data has been acquired in step S81.
  • step S82 it is determined whether or not the group analysis result has been updated in the server 40 after the previous coefficient update process (whether or not the latest group analysis result has been uploaded). If it is determined that the group analysis result has not been updated, the coefficient update unit 35 reads the user analysis result from the recording unit 33 in step S83.
  • step S84 the coefficient updating unit 35 uses the user analysis result read in step S83 and new user data, and updates the user analysis result by Bayesian estimation using the likelihood of the user data. A coefficient update process is performed (update step).
  • step S82 determines whether the group analysis result has been updated.
  • steps S85 to S88 the coefficient updating unit 35 uses the latest group analysis result to determine the initial value and the first value of each user analysis value ⁇ n.
  • the prior distribution is set again, and the user analysis values ⁇ n are updated again by repeating Bayesian estimation using user data acquired in the past one by one.
  • step S89 the effect estimation part 36 performs an effect estimation process (estimation step). Then, the estimation result obtained by the effect estimation process in step S89 after the end of the flow is displayed on the screen of the information terminal 14.
  • the user test information is input to the information terminal 14 by the user, but the user test information may be acquired by sensing.
  • more detailed information may be acquired as user test information input to the information terminal 14. For example, when an input item on the input screen shown in FIG. 4 is entered (when “Yes” or “No” is selected), a pop-up screen on which the time can be entered is displayed. Time information (such as the time at which the intervention was performed) may be acquired. As for the input item of “sleep time”, a start time and an end time can be input. According to this modification, the time required for the effect of the intervention to appear on the symptoms (for example, the time until defecation) is predicted by performing the coefficient update process, the effect estimation process, and the like using the time information. can do.
  • the intervention execution information indicates whether or not the intervention has been performed, but may also indicate the amount of intervention (for example, the dose of the drug).
  • the dose of the drug for example, the number of tablets taken
  • the independent variable Xn is input to the intervention execution information.
  • the intervention effect information represents the presence or absence of the effect of the intervention, but may represent the degree of the effect of the intervention (for example, the symptom improvement level).
  • a numerical value representing the improvement level is input to the objective variable.
  • the present invention is applicable to an intervention effect estimation system that estimates the effect of intervention using a statistical technique.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本発明の介入効果推測システム（１０）は、複数人の被験者データを集合させた集団データを回帰分析した集団分析結果を保持する集団用処理部（２４）と、集団分析結果を用いて、ユーザ用に準備された回帰モデルとしてユーザ用の回帰モデルにおける回帰係数の初期値と、ベイズ推定に用いる最初の事前分布とを設定し、ユーザの被験者データを取得すると、その被験者データの尤度を用いたベイズ推定によって、回帰係数を更新する個人用処理部（２５）とを備え、個人用処理部（２５）は、この個人用処理部（２５）により回帰係数が更新されたユーザ用の回帰モデルに基づいて、ユーザに対する介入の効果を推測する。

Description

介入効果推測システム、介入効果推測方法、及び、介入効果推測システムに用いるプログラム
　本発明は、統計的手法を用いて介入の効果を推測する介入効果推測システム、介入効果推測方法、及び、介入効果推測システムに用いるプログラムに関する。
　医療分野では、ビッグデータ活用の重要性が唱えられている。ビッグデータ活用の最終ステップは、根拠に基づいた医療（ＥＢＭ：Ｅｖｉｄｅｎｃｅ　Ｂａｓｅｄ　Ｍｅｄｉｃｉｎｅ）と言われており、患者個々に対する介入（医療介入）の効果や副作用などを統計的根拠に基づき推測し、医療行為を決定して実行する段階である。しかし、現在研究や報告がなされている推測手法は、多数の被験者における介入の効果を統計処理した結果を用いて、患者個々に対する介入の効果を推測するものであり、テーラーメード医療（個別化医療）に逆行している。
　テーラーメード医療に関して、特許文献１は、電子薬剤投与システムにより患者の治療を管理および提供するための構成を開示している。この構成では、患者への薬剤投与量を制御する医療機器が、患者ＩＤを使用して、データベース等から患者特有の情報を取り出す。そして、医療機器は、患者用に計算された治療（薬剤治療）に基づき、治療に対して観察された患者特有の反応に基づく基本的な患者特有の制御変数（例えば、血中グルコースレベル）を推測する。治療は、身長、体重などのすべての患者特有変数に応じて計算され、適切な処置が患者の状態に対して決定される。医療機器は、治療に対する患者の反応を観察して、治療を更新する。このように、特許文献１に記載の医療機器は、推測された基本的な患者特有の制御変数、治療に対して観察された患者特有の反応、および治療目的に基づいて、患者に対して更新された治療を提供する。
　また、介入の効果を推測する従来の手法として、「Ｎ　ｏｆ　１　ｔｒｉａｌ（Ｎ　ｏｆ　１　Ｒａｎｄｏｍｉｚａｔｉｏｎ）」という手法が知られている（非特許文献１参照）。この手法は、１人の患者に対して様々な介入をランダムな順番で繰り返し行い、介入の効果を比較する手法である。この手法では、ある介入を行った後にその介入の効果が消滅してから、別の介入を行う。
特許５６９９１６１号公報
"Ｎ－ｏｆ－１試験のデザインと実施に関するユーザズガイド"、［平成２８年６月２８日検索］、インターネット「ＵＲＬ：http://effectivehealthcare.ahrq.gov/ehc/products/534/1844/n-1-trials-report-130213.pdf」
　ところで、特許文献１に記載された従来技術は、点滴などの薬剤投与量を自動的に制御するものであり、薬剤に効果があるという前提で、症状に対する介入が制御される。しかしながら、医療における介入の中には、人によってよい効果が得られるとは限らないものがあり、各個人に対して介入の良否を含めて介入の効果を推測できることが望ましい。一方、非特許文献１に記載された従来技術は、患者に対して様々な介入をランダムな順番で強いるものであり、患者の負担が大きい。
　本発明は、このような事情に鑑みてなされたものであり、各個人に対して介入の良否も含めて介入の効果を低負担で推測できる介入効果推測システムを提供することを目的とする。
　上述の課題を解決するべく、第１の発明は、所定の症状に対して１つ又は複数の介入が定められ、少なくとも１つの介入を行った被験者の情報として、介入の実施状況を表す介入実施情報と、該介入による効果の状況を表す介入効果情報とを含む被験者データを用いて、被験者の１人であるユーザに対する介入の効果を推測する介入効果推測システムであって、介入実施情報を独立変数とし介入効果情報を目的変数とする回帰モデルを用いて、複数人の被験者データを集合させた集団データを回帰分析した集団分析結果を保持する集団用処理部と、集団分析結果を用いて、ユーザ用に準備された回帰モデルとしてユーザ用の回帰モデルにおける回帰係数の初期値と、ベイズ推定に用いる最初の事前分布とを設定し、ユーザの被験者データを取得すると、該被験者データの尤度を用いたベイズ推定によって、回帰係数を更新する個人用処理部とを備え、個人用処理部は、当該個人用処理部により回帰係数が更新されたユーザ用の回帰モデルに基づいて、ユーザに対する介入の効果を推測する介入効果推測システムである。
　第２の発明は、第１の発明において、被験者データは、所定の症状に対して定められた複数の介入の各々について介入実施情報を含み、回帰モデルは、各介入についての介入実施情報を各独立変数として用い、個人用処理部は、当該個人用処理部により各独立変数の回帰係数が更新されたユーザ用の回帰モデルに基づいて、ユーザに対する各介入の効果を個別に推測する。
　第３の発明は、第１又は第２の発明において、当該介入効果推測システムは、ユーザを含む複数人の被験者が利用可能であり、集団用処理部は、被験者から取得した被験者データを集団データに追加し、該追加後の集団データに基づいて集団分析結果を更新する。
　第４の発明は、第３の発明において、個人用処理部は、集団用処理部における更新後の集団分析結果を取得し、個人用処理部は、更新後の集団分析結果を用いて、回帰係数の初期値及び最初の事前分布を設定し直し、過去に取得したユーザの被験者データを１つずつ用いてベイズ推定を繰り返すことによって、回帰係数の更新をやり直す。
　第５の発明は、第４の発明において、集団用処理部は、被験者の情報として、該被験者データを分類するための分類用情報を取得し、集団用処理部では、分類用情報に応じて、複数人の被験者データが複数の集団データに分類され、集団データ毎に集団分析結果が保持されており、個人用処理部は、ユーザから取得した分類用情報に対応する集団分析結果を取得し、該集団分析結果を用いて回帰係数の初期値及び最初の事前分布を設定する。
　第６の発明は、第４の発明において、個人用処理部は、ユーザの被験者データを取得すると、比較用の回帰モデルを用いて、複数回に亘って過去に取得したユーザの被験者データを対象に回帰分析を行い、個人用処理部は、ユーザ用の回帰モデルと比較用の回帰モデルとの中から所定の指標に基づいて回帰モデルを選定し、該選定した回帰モデルに基づいて、ユーザに対する介入の効果を推測する。
　第７の発明は、第４の発明において、個人用処理部は、当該個人用処理部により回帰係数が更新されたユーザ用の回帰モデルに基づいて、介入の効果の推定値と、該推定値の信頼区間とを算出する。
　第８の発明は、所定の症状に対して１つ又は複数の介入が定められ、少なくとも１つの介入を行った被験者の情報として、介入の実施状況を表す介入実施情報と、該介入による効果の状況を表す介入効果情報とを含む被験者データを用いて、被験者の１人であるユーザに対する介入の効果を、コンピュータに推測させるプログラムであって、コンピュータは、介入実施情報を独立変数とし介入効果情報を目的変数とする回帰モデルを用いて、複数人の被験者データを集合させた集団データを回帰分析した集団分析結果を保持する記録部を備え、コンピュータに、集団分析結果を用いて、ユーザ用に準備された回帰モデルとしてユーザ用の回帰モデルにおける回帰係数の初期値と、ベイズ推定に用いる最初の事前分布とを設定し、ユーザの被験者データを取得すると、該被験者データの尤度を用いたベイズ推定によって、回帰係数を更新する更新ステップと、更新ステップにおいて回帰係数が更新されたユーザ用の回帰モデルに基づいて、ユーザに対する介入の効果を推測する推測ステップとを実行させるプログラムである。
　第９の発明は、所定の症状に対して１つ又は複数の介入が定められ、少なくとも１つの介入を行った被験者の情報として、介入の実施状況を表す介入実施情報と、該介入による効果の状況を表す介入効果情報とを含む被験者データを用いて、被験者の１人であるユーザに対する介入の効果を、コンピュータが推測する介入効果推測方法であって、コンピュータは、介入実施情報を独立変数とし介入効果情報を目的変数とする回帰モデルを用いて、複数人の被験者データを集合させた集団データを回帰分析した集団分析結果を保持する記録部を備え、コンピュータが、集団分析結果を用いて、ユーザ用に準備された回帰モデルとしてユーザ用の回帰モデルにおける回帰係数の初期値と、ベイズ推定に用いる最初の事前分布とを設定し、ユーザの被験者データを取得すると、該被験者データの尤度を用いたベイズ推定によって、回帰係数を更新する更新ステップと、更新ステップにおいて回帰係数が更新されたユーザ用の回帰モデルに基づいて、ユーザに対する介入の効果を推測する推測ステップとを実行することを特徴とする、介入効果推測方法である。
　第１の発明では、複数人の被験者データを集合させた集団データを回帰分析した集団分析結果を用いて、ユーザ用の回帰モデルにおける回帰係数の初期値と、ベイズ推定に用いる最初の事前分布とを設定し、ユーザの被験者データを取得すると、その被験者データの尤度を用いたベイズ推定によって、上記回帰係数を更新する。そして、回帰係数が更新されたユーザ用の回帰モデルに基づいて、ユーザに対する介入の効果を推測する。そのため、ユーザの被験者データを用いて回帰係数が更新されたユーザ用の回帰モデルは、ユーザへの適合性が向上する。また、回帰モデルに基づいて介入の効果を推測するため、反対方向の効果も推測可能である。従って、ユーザ個人に対して、介入の良否も含めて介入の効果を適切に推測することができ、ユーザにとって効果的な介入を選択可能な個別化医療を実現することができる。
　また、第１の発明では、ユーザに対する介入の効果の推測に回帰モデルを用いるため、ユーザが複数の介入を行う場合に複数の介入を順番に行う必要がない。従って、上述の「N of 1 trial」とは異なり、ユーザに対して様々な介入をランダムな順番で強いることはなく、ユーザにとって低負担で介入の効果を推測することができる。
　また、第１の発明では、集団分析結果を用いて、ユーザ用の回帰モデルにおける回帰係数の初期値等を設定する。ここで、ユーザ１人の被験者データのみを用いて、ユーザに対する介入の効果を推測する場合は、ある程度の回数分の被験者データがなければ、ユーザに対する介入の効果を適切に推測できない。そのため、ユーザに対して適切な推測結果を得るために時間を要する。それに対し、第１の発明によれば、複数人の被験者データを集合させた集団データを回帰分析した集団分析結果を用いるため、ユーザに対して適切な推測結果を得るために必要な時間を短縮することができる。
　また、第２の発明では、複数の介入を行うユーザに対して、各介入の効果を個別に推測する。従って、各介入の推測結果から、ユーザにとってどの介入が効果的であるかを把握することができる。
　また、第３の発明では、ユーザを含む複数人の被験者が介入効果推測システムを利用可能であり、被験者から取得した被験者データが集団データに追加され、集団データの標本数が増加する。そのため、追加後の集団データに基づいて集団分析結果を更新することで、集団分析結果の誤差が小さくなる。従って、回帰係数の初期値等の設定に更新後の集団分析結果を用いるユーザにとっては、より高い精度のユーザ用の回帰モデルに基づいて、介入の効果を推測することができる。
　また、第４の発明では、更新後の集団分析結果（誤差が小さくなった集団分析結果）を用いて、回帰係数の初期値等を設定し直す。そして、ユーザから過去に取得したユーザの被験者データを１つずつ用いてベイズ推定を繰り返すことによって、回帰係数の更新をやり直す。そのため、更新のやり直しがなされた回帰係数の誤差も小さくなり、ユーザ対する介入の効果をさらに高精度に推測することができる。
　また、第５の発明では、集団用処理部では、分類用情報に応じて分類された集団データ毎に集団分析結果が保持されている。そして、個人用処理部は、ユーザから取得した分類用情報に対応する集団分析結果を取得し、その集団分析結果を用いて回帰係数の初期値等を設定する。従って、ユーザ自身が分類される集団に対応する集団分析結果が用いられるため、ユーザ用の回帰モデルはユーザに対する精度がさらに向上し、ユーザ対する介入の効果をさらに高精度に推測することができる。
　また、第６の発明では、ユーザの被験者データを取得すると、比較用の回帰モデルを用いて、複数回に亘って過去に取得したユーザの被験者データを対象に回帰分析を行う。そして、ユーザ用の回帰モデルと比較用の回帰モデルとの中から、所定の指標に基づいて回帰モデルを選定する。比較用の回帰モデルは、ユーザ用の回帰モデルと同様に、ユーザに適合させる回帰モデルとなる。第６の発明では、複数の回帰モデルの中から優れた回帰モデルを選定可能であるため、ユーザ対する介入の効果をさらに高精度に推測できる可能性がある。
　また、第７の発明では、介入の効果の推定値について信頼区間が算出される。ここで、推定値の信頼区間を参照することで、介入に効果があるか否かを判断できる場合がある。例えば推定値としてオッズ比を算出する場合、オッズ比の信頼区間の下限値が１を少しでも超えていれば、介入に少なからず効果があると判断できるし、たとえ信頼区間の下限値が１を下回っていたとしても大きく下回っていなければ、同様の判断ができる。従って、回帰係数の更新回数が少ない場合など、回帰係数の誤差が小さくなっておらず推定値だけでは、介入を続けるか否かの判断が難しい場合であっても、信頼区間を参照することで、介入を続けるか否かの判断が可能となる。
　また、第８及び第９の各発明では、第１の発明と同様に、ユーザ個人に対して介入の良否も含めて介入の効果を適切に推測することができ、ユーザにとって効果的な介入を選択可能な個別化医療を実現することができる。
実施の形態に係る介入効果推測システムの構成図 疫学データベースを説明するための図 ユーザデータベースを説明するための図 入力画面を表示した情報端末の正面図 出力画面を表示した情報端末の正面図 介入効果推測システムの運用開始以後の状態を表す概念図 第１統計処理部における処理のフローチャート 第２統計処理部における処理のフローチャート 変形例に係る介入効果推測システムの構成図
　以下、図１－図８を参照しながら、本発明に係る介入効果推測システム１０について詳細に説明する。なお、本実施の形態は本発明の一例であり、本発明は本実施の形態に限定されない。
［１．介入効果推測システムの基本構成等］
　介入効果推測システム１０は、所定の症状に対して所定の介入（治療などの医療介入）を行ったユーザに対して、回帰分析及びベイズ法を用いて、介入の効果を推測するシステムである。介入効果推測システム１０に適用できる所定の症状としては、例えば、便秘、アレルギー症（花粉症など）、睡眠障害（不眠症、過眠症など）などが挙げられる。また、介入効果推測システム１０に適用できる所定の介入としては、例えば、薬物の服用、健康食品の摂取、医療機器の使用、運動プログラムの実施、鍼治療の実施などが挙げられる。但し、症状及び介入ともに、これらに限定されない。なお、本実施の形態では、所定の症状に対して複数の介入が定められているが、所定の症状に対して定められる介入は１つであってもよい。
　介入効果推測システム１０は、図１に示すように、インターネットなどのネットワーク１６を介してユーザの情報端末１４と通信可能なクラウドサーバ２０を備えている。クラウドサーバ２０は、１つ又は複数のコンピュータによって構成される。情報端末１４は、スマートフォンなどの携帯端末であるが、デスクトップ型ＰＣ又はノート型ＰＣであってもよい。
　介入効果推測システム１０は、ネットワーク１６を介して、複数のユーザ（参加者）が登録可能である。ユーザは、介入効果推測システム１０に登録する際、自らの情報端末１４から、登録情報をクラウドサーバ２０へ送信する。登録情報は、氏名に加えて、年齢及び性別などの属性情報を含む。各情報端末１４から受信した登録情報は、後述するユーザデータベース２７に保存される。なお、この登録の際に、情報端末１４には、クラウドサーバ２０から提供されたユーザ用プログラムがインストールされる。
　介入効果推測システム１０は、複数の介入のうち少なくとも１つを行った被験者の情報をデータ化した被験者データを用いて、被験者の１人であるユーザに対する介入の効果を推測する。介入効果推測システム１０は、ユーザの被験者データ（以下、「ユーザデータ」という。）に加えて、複数人の被験者データを集合させた集団データを用いる。クラウドサーバ２０では、後述する記録部２３に、複数人の被験者データを集団データとして一括管理する疫学データベース２６と、ユーザ毎にユーザデータを管理するユーザデータベース２７とが設けられている。
　クラウドサーバ２０の構成について説明をする前に、図２等を参照して、被験者データ及び被験者データの蓄積方法について説明をする。図２は、疫学データベース２６のテーブルを表す。図２の各行は、各被験者の被験者データを表す。
　疫学データベース２６では、各被験者データに割り当てられた被験者番号に対して、複数の項目が設けられている。各被験者データは、各項目に記述する項目情報として、複数の介入に対応した複数の介入実施情報と、介入効果情報とを少なくとも含む。各介入実施情報は、少なくとも１つ介入を実施した日（以下、「介入実施日」という。）における各介入の実施状況（本実施の形態では、介入の実施の有無）を表す。各介入実施情報は、後述する独立変数（説明変数）Ｘｎに用いる説明情報として扱われる。介入効果情報は、介入実施日に実施した１つ又は複数の介入による効果の状況（本実施の形態では、効果の有無）を表す。介入効果情報は、後述する目的変数に用いる。各被験者データは、例えば、介入実施日単位（所定期間単位）で作成される。各被験者データは、被験者の属性を表す属性情報をさらに含む。なお、本実施の形態では、属性情報を説明情報として扱わないが（独立変数Ｘｎに用いないが）、属性情報を説明情報として扱ってもよい。
　本実施の形態では、所定の症状が便秘の場合の被験者データについて説明を行う。被験者データは、介入実施日における薬剤Ａの服用の有無を表す第１介入実施情報と、介入実施日における薬剤Ｂの服用の有無を表す第２介入実施情報と、介入実施日における運動の実施の有無を表す第３介入実施情報（図２では図示省略）と、介入実施日（又は翌日）における排便の有無を表す介入効果情報を含む。被験者データでは、図２に示すように、一部の介入実施情報が「実施有り」となる場合、つまり全ての介入実施情報が「実施有り」にならない場合がある。また、被験者データは、性別を表す第１属性情報と、年齢を表す第２属性情報とを含む。なお、年齢の代わりに又は年齢に加えて、属性情報として生年月日を用いることもできる。
　また、被験者データは、図２に図示しないが、説明情報として、介入実施日における食事の摂取状況を表す食事情報と、介入実施日における睡眠状況を表す睡眠情報とを含む。食事情報は、食事の時間帯（朝、昼、晩）の各々について食事の摂取の有無を表す情報であるが、さらに間食の有無を表す情報を含んでいてもよい。睡眠情報は、睡眠時間を表す情報であるが、睡眠状態（良眠、普通、不眠）を表す情報を含んでいてもよい。また、被験者が女性である場合に、被験者データは、説明情報として、介入実施日が生理中であるか否かを表す生理情報をさらに含む。
　なお、被験者データは、説明情報として、身長、体重、自宅の位置情報、介入をしなかった場合の便秘の重症度（自然排便の周期（日数））、自ら実施している便秘対策のリスト、勤務時間帯（日勤、準夜勤、又は夜勤など）、喫煙の状況、結婚の有無、排便があった時刻、運動の実施状況、又は、飲酒の状況などを表す情報のうち１つ又は複数をさらに含んでいてもよい。ここで、自宅の位置情報は、天気や最高気温、気圧等を自動的に収集するために用いる情報である。便秘対策のリストに含ませる対策としては、便秘対策のヨーグルト、健康食品、一般市販薬、処方薬などが挙げられる。喫煙の状況としては、喫煙の有無、１日当たりの喫煙回数（喫煙本数）などが挙げられる。運動の実施状況としては、運動の頻度（例えば週１回）、１回の運動時間（例えば２０分以上）、運動の強度（汗ばむ程度の運度）などが挙げられる。飲酒の状況としては、飲酒の有無、飲酒量などが挙げられる。また、被験者が女性の場合は、被験者データが、説明情報として、出産経験回数、妊娠中かどうか、又は、ピルの服薬の有無などを表す情報のうち１つ又は複数をさらに含んでいてもよい。
　図３は、ユーザデータベース２７における各ユーザのテーブルを表す。図３の各行は、各介入実施日におけるユーザデータを表す。各ユーザのテーブルでは、介入実施日毎にユーザデータが記述されている。各ユーザデータは、疫学データベース２６の被験者データと同様に、第１～第３介入実施情報などを含む説明情報、介入効果情報、及び、介入実施日を表す実施日情報を含む。各ユーザのテーブルには、各ユーザの属性情報が対応付けられている。この属性情報は、登録時にユーザから取得した登録情報に含まれている情報が用いられる。
　ユーザデータは、ユーザが情報端末１４に入力するユーザ被験情報に基づいて作成される。具体的に、情報端末１４においてユーザ用プログラムが起動されると、ユーザ被験情報を入力するための入力画面が表示される。図４に入力画面の一例を示す。ユーザ被験情報は、介入実施日単位で入力される。ユーザが複数日に亘って介入を行う場合は、介入実施日毎にユーザ被験情報が入力されることになる。情報端末１４は、ユーザ被験情報が入力される度に、ユーザ被験情報をデータ化してユーザデータを作成し、そのユーザデータをクラウドサーバ２０へ送信する。クラウドサーバ２０では、ユーザデータ（受信データ）を受信すると、ユーザデータベース２７のうち、当該受信データの送信者のテーブルに受信データが追加される。さらに、受信データは、属性情報が付加されて、疫学データベース２６に追加される。なお、ユーザ被験情報の入力は、介入実施日単位での入力に限定されない。
　図１に戻って、クラウドサーバ２０の構成について説明する。クラウドサーバ２０は、通信部２１とサーバ制御部２２と記録部２３と第１統計処理部２４と第２統計処理部２５とを備えている。通信部２１は、ネットワーク通信機能を有する通信装置であり、ネットワーク１６を介して各ユーザの情報端末１４と通信を行う。サーバ制御部２２と第１統計処理部２４と第２統計処理部２５とは、クラウドサーバ２０のＣＰＵがサーバ用プログラムを実行及び解釈することによって実現される機能ブロックである。記録部２３は、データを記録する記録装置であり、疫学データベース２６、ユーザデータベース２７及びサーバ用プログラムなどを格納する。通信部２１と記録部２３と第１統計処理部２４と第２統計処理部２５とは、サーバ制御部２２の制御下で動作する。
　第１統計処理部２４には、疫学データベース２６に格納された集団データを回帰分析するための集団用の回帰モデルが準備されている。集団用の回帰モデルは、介入実施情報を含む各説明情報を各独立変数とし、介入効果情報を目的変数としている。本実施の形態では、回帰モデルとして、ロジスティック回帰モデルが採用されている。式１によって表されるロジスティック回帰モデルの方程式は、切片β０と、複数の独立変数Ｘｎと、複数の独立変数Ｘｎに対応する複数の回帰係数βｎとから構成される。
Figure JPOXMLDOC01-appb-M000001
　第１統計処理部２４は、集団用の回帰モデルを用いて集団データを回帰分析する集団分析処理を行う。そして、集団分析処理により得られた分析結果は、集団分析結果として記録部２３に記録（保持）される。第１統計処理部２４は、集団用処理部に相当する。
　具体的に、集団分析処理では、式１に示す方程式に、集団データの各被験者データから、各独立変数Ｘｎ（「リスクファクター」ともいう。）に各説明情報を入力し、目的変数（「アウトカム」ともいう。）に介入効果情報を入力して、最尤法によって集団用の回帰モデルにおける切片β０及び各回帰係数βｎの推定値が算出される。また、切片β０に対する標準誤差、及び、各回帰係数βｎの推定値に対する標準誤差も算出される。集団分析結果は、集団用の回帰モデルにおける切片β０及び各回帰係数βｎの推定値に加えて、切片β０の推定値に対する標準誤差と、各回帰係数βｎの推定値に対する標準誤差（以下、「回帰係数標準誤差」ともいう。）とを含む。以下では、集団分析結果のうち、切片β０及び各回帰係数βｎの推定値の組み合わせ（β０，β１，β２，β３・・・βｎ）における各値を「集団分析値」という。
　具体的に、本実施の形態では、各独立変数Ｘｎに、第１介入実施情報（薬剤Ａの服用の有無）、第２介入実施情報（薬剤Ｂの服用の有無）、第３介入実施情報（運動の実施の有無）、食事情報、睡眠情報、及び生理情報（被験者が女性の場合のみ）を入力している。例えば、図４に示す入力画面で説明すると、介入実施情報、食事情報又は生理情報に用いる各独立変数Ｘｎの値は、「有り」又は「はい」の場合に「１」、「無し」又は「いいえ」の場合に「０」が入力され、睡眠情報に用いる独立変数Ｘｎの値は、睡眠時間が入力される。また、目的変数には、介入効果情報（排便の有無）を入力している。目的変数の値は、「有り」の場合に「１」、「無し」の場合に「０」が入力される。
　第２統計処理部２５は、ユーザに対する各介入の効果を推測するためのユーザ用の回帰モデルが準備されている。第２統計処理部２５は、図１に示すように、ユーザ用の回帰モデルにおける各回帰係数βｎを更新する係数更新処理を行う係数更新部２８と、各回帰係数βｎが更新されたユーザ用の回帰モデルに基づいてユーザに対する各介入（薬剤Ａの服用、薬剤Ｂの服用、運動の実施）の効果を推測する効果推測処理を行う効果推測部２９とを備えている。第２統計処理部２５では、ユーザデータを送信したユーザの各々に対し、係数更新処理及び効果推測処理が行われる。第２統計処理部２５は、個人用処理部に相当する。
　ユーザ用の回帰モデルは、第１統計処理部２４の回帰モデルと同じ方程式であり、式１によって表される。第２統計処理部２５は、第１統計処理部２４と同様に、ロジスティック回帰モデルを採用している。ユーザ用の回帰モデルは、第１統計処理部２４の回帰モデルと同じ各説明情報（第１治療実施情報、第２治療実施情報、第３治療実施情報、食事情報、睡眠情報、及び生理情報（被験者が女性の場合のみ））を各独立変数Ｘｎとし、介入効果情報を目的変数としている。
　以下では、ユーザ用の回帰モデルにおける切片β０及び各回帰係数βｎの推定値の組み合わせ（β０，β１，β２，β３・・・βｎ）と、切片β０の推定値に対する標準誤差と、各回帰係数βｎの推定値に対する標準誤差（回帰係数標準誤差）とにより構成されたデータを「ユーザ分析結果」といい、そのうち切片β０及び各回帰係数βｎの推定値の組み合わせ（β０，β１，β２，β３・・・βｎ）における各値を「ユーザ分析値」という。
　係数更新部２８は、ユーザ分析結果の初期データとして、集団分析結果を用いる。係数更新部２８は、集団分析結果を用いて、ユーザ分析結果における各ユーザ分析値βｎ（回帰係数βｎの推定値）の初期値を設定する。また、係数更新部２８は、集団分析結果を用いて、ユーザ分析結果における各回帰係数標準誤差の初期値を設定し、ベイズ推定に用いる最初の事前分布を設定する。
　そして、係数更新部２８は、ユーザデータを取得する度に（つまり、通信部２１がユーザデータを受信する度に）、ユーザデータの尤度を用いたベイズ推定によって、各ユーザ分析値βｎを更新する係数更新処理を行う。係数更新処理では、ベイズ法を用いて、各ユーザ分析値βｎが個別に更新される。なお、本実施の形態では、ユーザデータを受信（取得）する度に係数更新処理を行うが、ユーザデータを取得した全てのタイミングで係数更新処理を行わなくてもよい。また、本実施の形態では、切片β０は固定値であり切片β０の更新を行わないが、切片β０の更新を行うようにしてもよい。
　具体的に、各ユーザ分析値βｎの初期値が、記録部２３に保持された集団分析値（集団分析結果において対応する回帰係数βｎ）に設定される。また、各回帰係数標準誤差の初期値が、記録部２３に保持された集団分析結果において対応する回帰係数標準誤差に設定される。各ユーザ分析値βｎの更新では、ユーザ分析値βｎにおける最初の事前分布が、ユーザ分析値βｎの初期値と、回帰係数標準誤差の初期値とを用いて設定される。そして、新たに取得したユーザデータのうち、ユーザ分析値βｎに対応する独立変数Ｘｎに用いる説明情報（「新データ」ともいう。）の尤度を求める。そして、事前分布と尤度とを掛けあわせて事後分布を求め、事後分布の平均値を更新後のユーザ分析値βｎ’として求め、さらに事後分布から更新後の回帰係数標準誤差を求める。この事後分布は、次の係数更新処理で事前分布となる。記録部２３では、更新後の各ユーザ分析値βｎ’及び更新後の各回帰係数標準誤差が、更新前のデータに上書きされ、ユーザ分析結果が更新される。
　２回目以降の各ユーザ分析値βｎの更新では、現在のユーザ分析値βｎ及び現在の回帰係数標準誤差から、現在のユーザ分析値βｎの事前分布を求める。そして、１回目と同様に、新データの尤度を求め、さらに事前分布及び尤度から事後分布を求めて、更新後のユーザ分析値βｎ’及び更新後の回帰係数標準誤差を求める。記録部２３では、ユーザ分析結果が更新される。
　本実施の形態では、事後分布の平均値を更新後のユーザ分析値βｎ’として求めるが、事後分布の範囲内の値を更新後のユーザ分析値βｎ’とすればよく、例えば略平均値（平均値から±５％の範囲の値）を更新後のユーザ分析値βｎ’としてもよいし、平均値から±３０％の範囲の値をユーザ分析値βｎ’としてもよい。例えば分散が小さい事後分布の場合は、平均値を用いなくても、ユーザ用の回帰モデルをユーザに適合させるという目的を達成することができる。
　なお、ユーザ分析値βｎの更新に用いられる計算式は、式２及び式３によって表される。ユーザ分析値βｎの更新が１度も行われていない状態では、ｉ＝０となっている。この状態では、ユーザ分析値βｎは集団分析値に設定されている。そして、ユーザデータが取得される度に、ユーザ分析値βｎの更新値（ｔ＝ｉ＋１）が算出される。
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
　係数更新部２８は、ユーザ分析値が更新されたユーザ用の回帰モデルの検定として、その回帰モデルにおける切片β０及び各ユーザ分析値βｎの推定値の組み合わせ（β０，β１，β２，β３・・・βｎ）からｐ値を求めて、ｐ値が有意水準（例えば０．０５）より小さいか否かを判定する。そして、検定結果を利用して、効果推測部２９は、ｐ値が有意水準よりも小さい場合だけ効果推測処理を実行する。有意水準は適宜決定することができる。
　なお、効果推測部２９は、ｐ値が有意水準以上である場合にも効果推測処理を実行してもよい。また、効果推測部２９は、係数更新処理が行われる度に、効果推測処理を行ってもよいし、係数更新処理の実行回数が所定回数に達するまで（例えば、ユーザ用の回帰モデルが所定の精度に達するまで）は効果推測処理を行わずに、係数更新処理の実行回数が所定回数に達してから効果推測処理を行うようにしてもよい。また、情報端末１４においてユーザが効果の推測結果の表示を求めた場合に、効果推測処理を行ってもよい。
　効果推測部２９は、係数更新処理によりユーザ分析値が更新されたユーザ用の回帰モデルに基づいて、ユーザに対する各介入の効果を推測する効果推測処理を行う。効果推測処理では、最新のユーザ分析値が適用されたユーザ用の回帰モデルに基づいて、ユーザに対する各介入の効果の推定値（指標）として、オッズ比が算出される。具体的に、第１介入実施情報に対応するユーザ分析値β１から、薬剤Ａの服用についてのオッズ比を算出する。また、第２介入実施情報に対応するユーザ分析値β２から、薬剤Ｂの服用についてのオッズ比を算出する。また、第３介入実施情報に対応するユーザ分析値β３から、運動の実施についてのオッズ比を算出する。
　通信部２１は、各介入実施情報に対応するユーザ分析値βｎから求めたオッズ比を推測結果として情報端末１４に送信する。情報端末１４では、通信部２１から受信した推測結果が表示される。例えば、図５（ａ）に示す出力画面のように、ランキング形式で各介入の推測結果（オッズ比）を表示してもよい。また、図５（ｂ）に示す出力画面のように、効果が得られる予測確率と、予測確率を説明するグラフとを表示してもよい。予測確率は、各独立変数Ｘｎの値を式１に代入することなどにより算出する。なお、ユーザに対する介入の効果の指標として、ロジットを算出してもよい。
　なお、効果推測処理では、各介入の効果の推定値に加えて、推定値の信頼区間を算出してもよい。この場合、通信部２１は、推定値の信頼区間も推測結果として情報端末１４に送信する。情報端末１４の画面には、例えば「９５％信頼区間　０．９－１０、ｐ値＜０．０５」と表示される。
　また、効果推測処理において、効果推測部２９は、全ての介入についての効果の推定値を比較して、最も良い推定値が得られた介入をユーザに提示してもよい。本実施の形態では、３つの介入についてのオッズ比の中から、最もオッズ比が大きい介入（薬剤Ａ）が選定される。そして、選定された介入の情報が、情報端末１４に送信されて画面に表示される。
［２．システム運用開始後の集団分析結果の更新などについて］
　クラウドサーバ２０では、介入効果推測システム１０の運用開始時に、記録部２３が疫学データベース２６を格納している。この疫学データベース２６は、介入効果推測システム１０の運用開始前に、複数人の被験者から集めた被験者データに基づいて作成されたものである。介入効果推測システム１０の運用開始時には、集団データが準備されている。第１統計処理部２４は、運用開始時に疫学データベース２６の集団データに対して集団分析処理を行っている。記録部２３は、この集団分析処理により得られた集団分析結果（切片β０、各回帰係数βｎの推定値、切片β０の推定値に対する標準誤差、各回帰係数βｎの推定値に対する標準誤差）を保持している。介入効果推測システム１０は、運用開始時から、第２統計処理部２５において集団分析結果を用いた係数更新処理が実行可能である。
　なお、介入効果推測システム１０の運用開始時に、疫学データベース２６を準備せずに、運用開始後に集まるユーザデータによって疫学データベース２６を構成してもよい。この場合でも、運用開始後にある程度の人数の被験者からユーザデータが集まった段階で、集団分析結果を用いた係数更新処理が実行可能になる。
　介入効果推測システム１０の運用開始後は、各情報端末１４にユーザ被験情報がユーザから入力される度に、クラウドサーバ２０の通信部２１は、各情報端末１４からユーザデータを受信する。記録部２３では、通信部２１によって受信されたユーザデータが、ユーザデータベース２７だけでなく、疫学データベース２６に追加される。疫学データベース２６を構成する集団データにおける被験者データの人数（標本数）は、図６に示すように、ユーザデータが新たに追加される度に増えていく。介入効果推測システム１０の運用開始から時間が経過するに従って、また介入効果推測システム１０へ登録するユーザが増えるに従って、被験者データの標本数は増えていく。
　第１統計処理部２４は、介入効果推測システム１０の運用開始後に、所定の周期（例えば１ヵ月周期）で、最新の集団データ（前回の集団分析処理後に受信したユーザデータが追加された集団データ）を回帰分析する集団分析処理を行う。記録部２３では、この集団分析処理により得られた集団分析結果が更新前のデータに上書きされ、集団分析結果が更新される。
　介入効果推測システム１０の運用開始後、集団データにおいて被験者データの標本数が増加するに従って、集団分析結果の誤差が小さくなってゆく。従って、介入効果推測システム１０の運用直後に登録するユーザに比べて、後から登録したユーザは、誤差の小さい集団分析値結果を使用できる。
　第２統計処理部２５では、係数更新部２８が、第１統計処理部２４における更新後の集団分析結果を取得する。係数更新部２８は、集団分析結果の更新が行われる度に更新後の集団分析結果を取得する。なお、係数更新部２８は、所定の周期（例えば、集団分析結果の更新周期よりも長い周期）で、更新後の集団分析結果を取得してもよい。係数更新部２８は、各ユーザに対して、更新後の集団分析結果を用いて、各ユーザ分析値βｎの初期値及び最初の事前分布を設定し直し、過去に取得したユーザデータを古い方から順番に１つずつ用いてベイズ推定を繰り返すことによって、各ユーザ分析値βｎの更新をやり直す。記録部２３では、各ユーザについて、更新をやり直した後のユーザ分析値βｎ及び回帰係数標準誤差が、更新をやり直す前のデータに上書きされる。
　なお、本実施の形態では、最新の集団分析結果の取得までにユーザから取得した全てのユーザデータを用いて、ユーザ分析値の更新をやり直すが、一部のユーザデータ（例えば、直近から所定回数分のユーザデータ）を用いて、ユーザ分析値の更新をやり直してもよい。
［３．第１統計処理部における処理のフロー］
　図７のフローチャートを参照にして、第１統計処理部２４における処理について説明する。この処理は、第１のサーバ用プログラムに従って行われる。
　まずステップＳ７１において、第１統計処理部２４は、集団分析結果を更新するか否かを判定する。ステップＳ７１では、前回の集団分析結果の更新から所定期間（例えば１ヵ月）が経過した場合に、集団分析結果を更新すると判定する。なお、前回の集団分析結果の更新から疫学データベース２６に追加されたユーザデータの数が所定数を超えた場合に、集団分析結果を更新すると判定してもよい。
　集団分析結果を更新すると判定された場合、ステップＳ７２において、第１統計処理部２４は、記録部２３から最新の集団データを読み出す。次に、ステップＳ７３において、第１統計処理部２４は、ステップＳ７２で読み出した集団データを対象に回帰分析を行う（集団分析処理）。次に、ステップＳ７４において、第１統計処理部２４は、ステップＳ７３の集団分析処理によって得られた集団分析結果を更新前のデータに上書きする。以上の処理によって、第１統計処理部２４における処理は終了する。
［４．第２統計処理部における処理のフロー］
　続いて、図８のフローチャートを参照にして、第２統計処理部２５における処理について説明する。この処理は、第２のサーバ用プログラムに従って行われる。以下では、１人のユーザに対する処理について説明を行う。
　まずステップＳ８１において、第２統計処理部２５は、新たなユーザデータが取得されたか否か（新たなユーザデータがユーザデータベース２７に追加されたか否か）を判定する。そして、新たなユーザデータが取得されたと判定された場合、ステップＳ８２において、前回の係数更新処理後に第１統計処理部２４において集団分析結果が更新されたか否かを判定する。集団分析結果が更新されていないと判定された場合は、ステップＳ８３において、係数更新部２８は、記録部２３から、ユーザ分析結果を読み出す。次に、ステップＳ８４において、係数更新部２８は、ステップＳ８３で読み出したユーザ分析結果と、新たなユーザデータとを用いて、そのユーザデータの尤度を用いたベイズ推定によって、ユーザ分析結果を更新する係数更新処理を行う（更新ステップ）。
　一方、ステップＳ８２において集団分析結果が更新されたと判定された場合は、ステップＳ８５－Ｓ８８において、係数更新部２８が、最新の集団分析結果を用いて、各ユーザ分析値βｎの初期値及び最初の事前分布を設定し直し、過去に取得したユーザデータを１つずつ用いてベイズ推定を繰り返すことによって、各ユーザ分析値βｎの更新をやり直す。
　具体的に、ステップＳ８５において、係数更新部２８は、実施日情報に基づいてユーザデータベース２７から最古のユーザデータを読み出す。次に、ステップＳ８６において、係数更新部２８は、ステップＳ８５で読み出したユーザデータの尤度を用いたベイズ推定によって、各ユーザ分析値βｎを更新する係数更新処理を行う。次に、ステップＳ８７において、係数更新部２８は、ステップＳ８６で使用したユーザデータが最新であるか否かを判定する。そして、最新ではないと判定された場合に、ステップＳ８８において、係数更新部２８は、実施日情報に基づいて、ステップＳ８６で使用したユーザデータの次に古いユーザデータを読み出し、ステップＳ８６に戻る。ステップＳ８６では、係数更新部２８が、ステップＳ８８で読み出したユーザデータの尤度を用いたベイズ推定によって、各ユーザ分析値βｎを更新する係数更新処理を行う。
　ステップＳ８７において、ステップＳ８６で使用したユーザデータが最新であると判定されるまで、係数更新部２８は、ステップＳ８６－Ｓ８８を繰り返し行う。ステップＳ８７において、ステップＳ８６で使用したユーザデータが最新であると判定された場合、ステップＳ８９において、効果推測部２９が効果推測処理を行う（推測ステップ）。ステップＳ８４直後のステップＳ８９では、ステップＳ８４で各ユーザ分析値βｎが更新されたユーザ用の回帰モデルに基づいて、効果推測処理が行われる。ステップＳ８７直後のステップＳ８９では、直前のステップＳ８６で各ユーザ分析値βｎが更新されたユーザ用の回帰モデルに基づいて、効果推測処理が行われる。以上の処理によって、第２統計処理部２５における処理は終了する。クラウドサーバ２０では、フローの終了後に、ステップＳ８９の効果推測処理によって得られた推測結果が、情報端末１４に送信される。
［５．実施の形態の効果など］
　本実施の形態では、複数人の被験者データを集合させた集団データを回帰分析した集団分析結果を用いて、ユーザ用の回帰モデルにおけるユーザ分析値βｎの初期値と、ベイズ推定に用いる最初の事前分布とを設定し、ユーザデータを取得すると、その被験者データの尤度を用いたベイズ推定によって、ユーザ分析値βｎを更新する。そして、ユーザ分析値βｎが更新されたユーザ用の回帰モデルに基づいて、ユーザに対する介入の効果を推測する。そのため、ユーザデータを用いてユーザ分析値βｎが更新されたユーザ用の回帰モデルは、ユーザへの適合性が向上する。また、回帰モデルに基づいて介入の効果を推測するため、反対方向の効果も推測可能である。従って、ユーザ個人に対して、介入の良否も含めて介入の効果を適切に推測することができ、ユーザにとって効果的な介入を選択可能な個別化医療を実現することができる。
　また、本実施の形態では、ユーザに対する介入の効果の推測に回帰モデルを用いるため、上述の「N of 1 trial」とは異なり、ユーザに対して様々な介入をランダムな順番で強いることはなく、ユーザにとって低負担で介入の効果を推測することができる。
　また、本実施の形態では、複数人の被験者データを集合させた集団データを回帰分析した集団分析結果を用いるため、ユーザに対して適切な推測結果を得るために必要な時間を短縮することができる。
　また、本実施の形態では、複数の介入を行うユーザに対して、各介入の効果を個別に推測する。従って、各介入の推測結果から、ユーザにとってどの介入が効果的であるかを把握することができる。また、各介入の推測結果を用いて、値段当たりの介入効果を推定することが可能になり、製薬会社や病院の医師にとっては、費用対効果の高い介入を同定することに応用でき、医療費を削減することが可能となる。
　また、クラウドサーバ２０では、多数の被験者に対する介入の効果がマスデータとして蓄積されてゆく。製薬会社にとっては、このマスデータを属性情報などに基づいて分析することで、自社製品が効きやすい顧客層を把握することができる。また、製薬会社にとっては、薬剤効果を判定可能であるため、現在臨床研究で行われている薬剤効果の推定プロセスを簡略化することも可能である。
　また、本実施の形態では、ユーザを含む複数人の被験者が介入効果推測システム１０を利用可能であり、被験者から取得した被験者データが集団データに追加され、集団データの標本数が増加する。そのため、追加後の集団データに基づいて集団分析結果を更新することで、集団分析結果の誤差が小さくなる。従って、ユーザ分析値βｎの初期値等の設定に更新後の集団分析結果を用いるユーザにとっては、より高い精度のユーザ用の回帰モデルに基づいて、介入の効果を推測することができる。
　また、本実施の形態では、更新後の集団分析結果（誤差が小さくなった集団分析結果）を用いて、ユーザ分析値βｎの初期値等を設定し直す。そして、ユーザから過去に取得したユーザデータを１つずつ用いてベイズ推定を繰り返すことによって、ユーザ分析値βｎの更新をやり直す。そのため、更新のやり直しがなされたユーザ分析値βｎの誤差も小さくなり、ユーザ対する介入の効果をさらに高精度に推測することができる。
　本実施の形態では、介入の効果の推定値について信頼区間が算出される。そのため、ユーザ分析値βｎの更新回数が少ない場合など、ユーザ分析値βｎの誤差が小さくなっておらず推定値だけでは、介入を続けるか否かの判断が難しい場合であっても、信頼区間を参照することで、介入を続けるか否かの判断が可能となる。
［６．比較用の回帰モデルを用いる変形例］
　本変形例では、第２統計処理部２５に、ユーザに対する各介入の効果を推測するための回帰モデルとして、ユーザ用の回帰モデルに加えて、比較用の回帰モデルが準備されている。変形例では、比較用の回帰モデルとして、ユーザ用の回帰モデルと同じロジスティック回帰モデルを採用しているが、他の回帰モデルを採用してもよい。以下では、１人のユーザに対する処理について説明を行う。
　第２統計処理部２５は、ユーザデータベース２７に新たなユーザデータが追加される度に、比較用の回帰モデルを用いて、ユーザデータベース２７に蓄積された全てのユーザデータのみを対象に回帰分析を行う。すなわち、比較用の回帰モデルに対して、ユーザデータベース２７に蓄積された各ユーザデータから、各独立変数Ｘｎに各説明情報を入力し、目的変数に介入効果情報を入力して、最尤法によって第２ユーザ分析結果を算出する。第２ユーザ分析結果は、第１ユーザ分析結果と同様に、回帰モデルにおける切片β０及び各回帰係数βｎの推定値の組み合わせ（β０，β１，β２，β３・・・βｎ）と、切片β０の推定値に対する標準誤差と、各回帰係数βｎの推定値に対する標準誤差とを含む。ユーザデータベース２７には、ユーザ用の回帰モデルによる第１ユーザ分析結果と共に、比較用の回帰モデルによる第２ユーザ分析結果が記録される。
　効果推測部２９は、第１ユーザ分析結果を適用したユーザ用の回帰モデルと、第２ユーザ分析結果を適用した比較用の回帰モデルとを比較して所定の指標に基づいて回帰モデルを選定し、選定した回帰モデルに基づいて、ユーザに対する各介入の効果を推測する。例えば、効果推測部２９は、所定の指標として精度を用い、精度の高い（例えば寄与率が大きい）回帰モデルを選定する。なお、回帰モデルの選定に用いる指標としては、予測率、ＡＩＣ／ＢＩＣなどの統計量を用いることができる。
　本変形例では、比較用の回帰モデルが、ユーザ用の回帰モデルと同様に、ユーザに適合させる回帰モデルとなる。本変形例によれば、複数の回帰モデルの中から、優れた回帰モデルを選定するため、ユーザ対して各介入の効果をさらに高精度に推測できる可能性がある。
　なお、ユーザ用の回帰モデルに比べて比較用の回帰モデルの精度が高くなった時点から、ユーザ用の回帰モデルによる第１ユーザ分析結果の更新を停止し、比較用の回帰モデルによる第２ユーザ分析結果の更新だけを行うようにしてもよい。
［７．他の症状についての変形例］
　所定の症状が便秘以外の場合について説明を行う。
＜所定の症状が片頭痛の場合＞
　この場合、被験者データは、説明情報として、症状が便秘の場合の項目情報に加えて、介入実施日が属する季節を表す季節情報、及び、介入実施日の気温を表す気温情報を含み、目的変数とする項目情報として、介入実施日における片頭痛の有無を表す介入効果情報を含む。
＜所定の症状が睡眠障害の場合＞
　この場合、被験者データは、説明情報としては、症状が便秘の場合の項目情報と同じである。被験者データは、目的変数とする項目情報として、介入実施日の晩における睡眠の有無を表す介入効果情報を含む。
＜所定の症状がアレルギー症の場合＞
　この場合、被験者データは、説明情報として、症状が便秘の場合の項目情報に加えて、上記季節情報、上記気温情報、及び、アレルゲンに関する情報を含み、目的変数とする項目情報として、介入実施日（又は翌日）におけるアレルギー症の軽減の有無（又は、軽減レベル）を表す介入効果情報を含む。なお、アレルゲンに関する情報は、例えば花粉の飛散量を表す情報である。
［８．他の回帰モデルについての変形例］
　上記実施の形態では、回帰モデルとしてロジスティック回帰モデルを採用したが、最小二乗法を用いた単回帰モデル若しくは重回帰モデル、又は、コックスの比例ハザードモデルなど他の回帰モデルを採用してもよい。ロジスティック回帰モデルでは目的変数は離散変数（有りの場合が「１」、無しの場合が「０」）であるが、本変形例のモデルでは、離散変数としてもよいし連続変数としてもよい。
［９．集団データの分類についての変形例］
　上記実施の形態では、複数人の被験者データを１つの集団データとして扱うが、複数人の被験者データを複数の集団データに分類してもよい。例えば、複数人の被験者データについて、男性の被験者データにより構成された集団データと、女性の被験者データにより構成された集団データとに分類することができる。また、年齢層に応じて集団データを分類することもできる。
　第１統計処理部２４では、分類用情報に応じて、疫学データベース２６における複数人の被験者データが複数の集団データに分類され、集団データ毎に集団分析結果が保持されている。第１統計処理部２４は、情報端末１４からユーザデータ（受信データ）を受信する度に、受信データを記述するテーブルに対応付けられた分類用情報に応じて集団データを選定し、選定した集団データに受信データを追加する。また、第１統計処理部２４は、所定の周期で各集団データについて集団分析処理を行い、集団分析結果を更新して保持する。
　第２統計処理部２５は、ユーザから取得した分類用情報に対応する集団分析結果を取得する。そして、第２統計処理部２５は、ユーザの分類に対応する集団分析結果を用いて、各ユーザ分析値βｎの初期値と最初の事前分布とを設定する。第２統計処理部２５は、係数更新処理を行い、ユーザ分析結果を更新して保持する。上述したユーザ分析結果の更新のやり直しにおいても、ユーザの分類用情報に対応する最新の集団分析結果が用いられる。
　本変形例では、ユーザが分類される集団に対応する集団分析結果が用いられるため、ユーザ用の回帰モデルはユーザに対する精度がさらに向上し、ユーザ対する介入の効果をさらに高精度に推測することができる。
［１０．他のシステム形態についての変形例］
　介入効果推測システム１０は、図９に示すように、システム管理者が管理するサーバ４０と、各ユーザが操作する情報端末１４とを備えている。この変形例では、サーバ４０が集団用処理部に相当し、各情報端末１４が個人用処理部に相当する。サーバ４０と情報端末１４とは、ネットワーク１６を介して、相互に通信可能である。サーバ４０は、１つ又は複数のコンピュータによって構成することができる。サーバ４０には、管理用プログラムがインストールされている。情報端末１４には、ユーザ用プログラムがインストールされている。このユーザ用プログラムは、上述の実施の形態とは異なり、係数更新処理及び効果推測処理などの処理の実行プログラムである。
　サーバ４０は、図９に示すように、通信部４１とサーバ制御部４２と記録部４３と統計処理部４４とを備えている。通信部４１は、ネットワーク通信機能を有する通信装置である。サーバ制御部４２と統計処理部４４とは、サーバ４０のＣＰＵが管理用プログラムを実行及び解釈することによって実現される機能ブロックである。記録部４３は、データを記録する記録装置であり、疫学データベース２６及び管理用プログラムなどを格納している。通信部４１と記録部４３と統計処理部４４は、サーバ制御部４２の制御下で動作する。
　情報端末１４は、図９に示すように、通信部３１と端末制御部３２と記録部３３と統計処理部３４とを備えている。通信部３１は、ネットワーク通信機能を有する通信装置である。端末制御部３２と統計処理部３４とは、情報端末１４のＣＰＵがユーザ用プログラムを実行及び解釈することによって実現される機能ブロックである。記録部３３は、データを記録する記録装置であり、ユーザデータベース２７及びユーザ用プログラムなどを格納している。通信部３１と記録部３３と統計処理部３４とは、サーバ制御部３２の制御下で動作する。なお、ユーザデータベース２７は、上述の実施の形態とは異なり、ユーザ個人のユーザデータのみを管理する。
　本変形例では、サーバ４０の統計処理部４４が、上述の実施の形態の第１統計処理部２４に相当する。また、情報端末１４の統計処理部３４が、上述の実施の形態の第２統計処理部２５に相当する。以下では、上述の実施の形態とは異なる点を中心に説明を行う。
　サーバ４０では、上述の実施の形態のクラウドサーバ２０と同様に、記録部４３が集団分析結果を保持している。そして、サーバ４０では、情報端末１４からユーザデータ（受信データ）を受信する度に、受信データが疫学データベース２６に追加される。統計処理部４４は、所定の周期（例えば１ヵ月周期）で、集団用の回帰モデルを用いて、疫学データベース２６における最新の集団データを回帰分析する集団分析処理を行い、集団分析処理を更新する。
　情報端末１４では、ユーザ用プログラムが起動されると、ユーザ被験情報を入力するための入力画面が表示され、図８と同じ処理が行われる。なお、情報端末１４は、サーバ４０からユーザ用プログラムをダウンロードする際に、集団分析結果を取得して記録部３３に記録する。そして、情報端末１４は、所定の周期で、サーバ４０から最新の集団分析結果を自動的にアップロードして上書きする。
　具体的に、統計処理部３４は、ステップＳ８１において、新たなユーザデータが取得されたか否かを判定する。また、ステップＳ８２において、前回の係数更新処理後にサーバ４０において集団分析結果が更新されたか否か（最新の集団分析結果をアップロードしたか否か）を判定する。集団分析結果が更新されていないと判定された場合は、ステップＳ８３において、係数更新部３５が、記録部３３から、ユーザ分析結果を読み出す。次に、ステップＳ８４において、係数更新部３５は、ステップＳ８３で読み出したユーザ分析結果と、新たなユーザデータとを用いて、そのユーザデータの尤度を用いたベイズ推定によって、ユーザ分析結果を更新する係数更新処理を行う（更新ステップ）。
　一方、ステップＳ８２において集団分析結果が更新されたと判定された場合は、ステップＳ８５－Ｓ８８において、係数更新部３５が、最新の集団分析結果を用いて、各ユーザ分析値βｎの初期値及び最初の事前分布を設定し直し、過去に取得したユーザデータを１つずつ用いてベイズ推定を繰り返すことによって、各ユーザ分析値βｎの更新をやり直す。また、ステップＳ８９において、効果推測部３６が効果推測処理を行う（推測ステップ）。そして、フローの終了後にステップＳ８９の効果推測処理によって得られた推測結果が、情報端末１４の画面に表示される。
［１１．その他の変形例］
　上記実施の形態では、ユーザ被験情報はユーザによって情報端末１４に入力されたが、センシングによってユーザ被験情報を取得してもよい。
　上記実施の形態において、情報端末１４へ入力されるユーザ被験情報として、更に詳しい情報を取得できるようにしてもよい。例えば、図４に示す入力画面における入力項目に入力した際に（「有り」又は「無し」などを選択した際に）、時刻を入力できるポップアップ画面が表示されるようにして、各入力項目について時刻情報（介入を実施した時刻など）を取得できるようにしてもよい。「睡眠時間」の入力項目については、開始時刻と終了時刻とを入力できるようにする。この変形例によれば、時刻情報を用いて、係数更新処理や効果推測処理等を行うことで、症状に対して介入の効果が発現するまでに要する時間（例えば、排便までの時間）を予測することができる。
　上記実施の形態では、介入実施情報が、介入の実施の有無を表しているが、介入を実施した量（例えば、薬剤の服用量）を表していてもよい。この場合、薬剤の服用量（例えば、服用した錠剤数）が独立変数Ｘｎに入力される。
　上記実施の形態では、介入効果情報が、介入による効果の有無を表しているが、介入による効果の程度（例えば、症状の改善レベル）を表していてもよい。この場合、改善レベルを表す数値が目的変数に入力される。
　本発明は、統計的手法を用いて介入の効果を推測する介入効果推測システム等に適用可能である。
　１０　　介入効果推測システム
　１４　　情報端末
　２０　　クラウドサーバ
　２１　　通信部
　２２　　サーバ制御部
　２３　　記録部
　２４　　第１統計処理部（集団用処理部）
　２５　　第２統計処理部（個人用処理部）
　２６　　疫学データベース
　２７　　ユーザデータベース
　２８　　係数更新部
　２９　　効果推測部
　

Claims (9)

  1. 　所定の症状に対して１つ又は複数の介入が定められ、少なくとも１つの介入を行った被験者の情報として、前記介入の実施状況を表す介入実施情報と、該介入による効果の状況を表す介入効果情報とを含む被験者データを用いて、前記被験者の１人であるユーザに対する介入の効果を推測する介入効果推測システムであって、
    　前記介入実施情報を独立変数とし前記介入効果情報を目的変数とする回帰モデルを用いて、複数人の被験者データを集合させた集団データを回帰分析した集団分析結果を保持する集団用処理部と、
    　前記集団分析結果を用いて、前記ユーザ用に準備された前記回帰モデルとしてユーザ用の回帰モデルにおける回帰係数の初期値と、ベイズ推定に用いる最初の事前分布とを設定し、前記ユーザの被験者データを取得すると、該被験者データの尤度を用いたベイズ推定によって、前記回帰係数を更新する個人用処理部とを備え、
    　前記個人用処理部は、当該個人用処理部により前記回帰係数が更新された前記ユーザ用の回帰モデルに基づいて、前記ユーザに対する介入の効果を推測することを特徴とする、介入効果推測システム。
  2. 　前記被験者データは、所定の症状に対して定められた複数の介入の各々について前記介入実施情報を含み、
    　前記回帰モデルは、各介入についての前記介入実施情報を各独立変数として用い、
    　前記個人用処理部は、当該個人用処理部により前記各独立変数の回帰係数が更新された前記ユーザ用の回帰モデルに基づいて、前記ユーザに対する各介入の効果を個別に推測することを特徴とする、請求項１に記載の介入効果推測システム。
  3. 　当該介入効果推測システムは、ユーザを含む複数人の被験者が利用可能であり、
    　前記集団用処理部は、前記被験者から取得した被験者データを前記集団データに追加し、該追加後の集団データに基づいて前記集団分析結果を更新することを特徴とする、請求項１又は２に記載の介入効果推測システム。
  4. 　前記個人用処理部は、前記集団用処理部における更新後の集団分析結果を取得し、
    　前記個人用処理部は、前記更新後の集団分析結果を用いて、前記回帰係数の初期値及び前記最初の事前分布を設定し直し、過去に取得した前記ユーザの被験者データを１つずつ用いて前記ベイズ推定を繰り返すことによって、前記回帰係数の更新をやり直すことを特徴とする、請求項３に記載の介入効果推測システム。
  5. 　前記集団用処理部は、前記被験者の情報として、該被験者データを分類するための分類用情報を取得し、
    　前記集団用処理部では、前記分類用情報に応じて、前記複数人の被験者データが複数の集団データに分類され、前記集団データ毎に前記集団分析結果が保持されており、
    　前記個人用処理部は、前記ユーザから取得した前記分類用情報に対応する前記集団分析結果を取得し、該集団分析結果を用いて前記回帰係数の初期値及び前記最初の事前分布を設定することを特徴とする、請求項４に記載の介入効果推測システム。
  6. 　前記個人用処理部は、前記ユーザの被験者データを取得すると、比較用の回帰モデルを用いて、複数回に亘って過去に取得したユーザの被験者データを対象に回帰分析を行い、
    　前記個人用処理部は、前記ユーザ用の回帰モデルと前記比較用の回帰モデルとの中から所定の指標に基づいて回帰モデルを選定し、該選定した回帰モデルに基づいて、前記ユーザに対する介入の効果を推測することを特徴とする、請求項４に記載の介入効果推測システム。
  7. 　前記個人用処理部は、当該個人用処理部により前記回帰係数が更新された前記ユーザ用の回帰モデルに基づいて、前記介入の効果の推定値と、該推定値の信頼区間とを算出することを特徴とする、請求項４に記載の介入効果推測システム。
  8. 　所定の症状に対して１つ又は複数の介入が定められ、少なくとも１つの介入を行った被験者の情報として、前記介入の実施状況を表す介入実施情報と、該介入による効果の状況を表す介入効果情報とを含む被験者データを用いて、前記被験者の１人であるユーザに対する介入の効果を、コンピュータに推測させるプログラムであって、
    　前記コンピュータは、前記介入実施情報を独立変数とし前記介入効果情報を目的変数とする回帰モデルを用いて、複数人の被験者データを集合させた集団データを回帰分析した集団分析結果を保持する記録部を備え、
    　前記コンピュータに、
    　前記集団分析結果を用いて、前記ユーザ用に準備された前記回帰モデルとしてユーザ用の回帰モデルにおける回帰係数の初期値と、ベイズ推定に用いる最初の事前分布とを設定し、前記ユーザの被験者データを取得すると、該被験者データの尤度を用いたベイズ推定によって、前記回帰係数を更新する更新ステップと、
    　前記更新ステップにおいて前記回帰係数が更新された前記ユーザ用の回帰モデルに基づいて、前記ユーザに対する介入の効果を推測する推測ステップとを実行させることを特徴とする、プログラム。
  9. 　所定の症状に対して１つ又は複数の介入が定められ、少なくとも１つの介入を行った被験者の情報として、前記介入の実施状況を表す介入実施情報と、該介入による効果の状況を表す介入効果情報とを含む被験者データを用いて、前記被験者の１人であるユーザに対する介入の効果を、コンピュータが推測する介入効果推測方法であって、
    　前記コンピュータは、前記介入実施情報を独立変数とし前記介入効果情報を目的変数とする回帰モデルを用いて、複数人の被験者データを集合させた集団データを回帰分析した集団分析結果を保持する記録部を備え、
    　前記コンピュータが、
    　前記集団分析結果を用いて、前記ユーザ用に準備された前記回帰モデルとしてユーザ用の回帰モデルにおける回帰係数の初期値と、ベイズ推定に用いる最初の事前分布とを設定し、前記ユーザの被験者データを取得すると、該被験者データの尤度を用いたベイズ推定によって、前記回帰係数を更新する更新ステップと、
    　前記更新ステップにおいて前記回帰係数が更新された前記ユーザ用の回帰モデルに基づいて、前記ユーザに対する介入の効果を推測する推測ステップとを実行することを特徴とする、介入効果推測方法。
    　
PCT/JP2017/019676 2016-07-06 2017-05-26 介入効果推測システム、介入効果推測方法、及び、介入効果推測システムに用いるプログラム WO2018008288A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016-133955 2016-07-06
JP2016133955A JP6068715B1 (ja) 2016-07-06 2016-07-06 介入効果推測システム、介入効果推測方法、及び、介入効果推測システムに用いるプログラム

Publications (1)

Publication Number Publication Date
WO2018008288A1 true WO2018008288A1 (ja) 2018-01-11

Family

ID=57890542

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/019676 WO2018008288A1 (ja) 2016-07-06 2017-05-26 介入効果推測システム、介入効果推測方法、及び、介入効果推測システムに用いるプログラム

Country Status (2)

Country Link
JP (1) JP6068715B1 (ja)
WO (1) WO2018008288A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020161187A (ja) * 2018-10-12 2020-10-01 大日本住友製薬株式会社 関心健康領域の健康度と予防的介入行動のそれぞれとの関連性を評価する方法、装置、及びプログラム
WO2022158490A1 (ja) * 2021-01-20 2022-07-28 京セラ株式会社 予測システム、制御方法、および制御プログラム

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6952417B2 (ja) * 2018-03-19 2021-10-20 株式会社大一商会 遊技機
JP6952413B2 (ja) * 2018-03-19 2021-10-20 株式会社大一商会 遊技機
JP6952414B2 (ja) * 2018-03-19 2021-10-20 株式会社大一商会 遊技機
JP6952415B2 (ja) * 2018-03-19 2021-10-20 株式会社大一商会 遊技機
JP6952416B2 (ja) * 2018-03-19 2021-10-20 株式会社大一商会 遊技機
WO2022196070A1 (ja) * 2021-03-15 2022-09-22 ソニーグループ株式会社 情報処理装置および方法、並びにプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008502371A (ja) * 2003-10-23 2008-01-31 ファイザー・プロダクツ・インク 病状の始まりまたは変化を予測する方法
JP2013008159A (ja) * 2011-06-23 2013-01-10 Toshio Kobayashi 医療データ解析方法、医療データ解析装置およびプログラム
JP2013524355A (ja) * 2010-04-07 2013-06-17 ノヴァディスカバリー 処置成果を予測するためのコンピュータベースシステム
JP2014512624A (ja) * 2011-04-20 2014-05-22 ザ クリーブランド クリニック ファウンデーション 予測モデリング

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008502371A (ja) * 2003-10-23 2008-01-31 ファイザー・プロダクツ・インク 病状の始まりまたは変化を予測する方法
JP2013524355A (ja) * 2010-04-07 2013-06-17 ノヴァディスカバリー 処置成果を予測するためのコンピュータベースシステム
JP2014512624A (ja) * 2011-04-20 2014-05-22 ザ クリーブランド クリニック ファウンデーション 予測モデリング
JP2013008159A (ja) * 2011-06-23 2013-01-10 Toshio Kobayashi 医療データ解析方法、医療データ解析装置およびプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MEIGEN LIU: "Rehabilitation ni Okeru Koka Kenkyu", SAITAMA RIGAKU RYOHO, vol. 7, no. 1, 2000, pages 2 - 21 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020161187A (ja) * 2018-10-12 2020-10-01 大日本住友製薬株式会社 関心健康領域の健康度と予防的介入行動のそれぞれとの関連性を評価する方法、装置、及びプログラム
WO2022158490A1 (ja) * 2021-01-20 2022-07-28 京セラ株式会社 予測システム、制御方法、および制御プログラム

Also Published As

Publication number Publication date
JP6068715B1 (ja) 2017-01-25
JP2018005707A (ja) 2018-01-11

Similar Documents

Publication Publication Date Title
JP6068715B1 (ja) 介入効果推測システム、介入効果推測方法、及び、介入効果推測システムに用いるプログラム
JP6440808B2 (ja) 病状の個人管理および監視
Harrington et al. Identifying the “tipping point” age for overweight pediatric patients
Marko et al. Testing the feasibility of remote patient monitoring in prenatal care using a mobile app and connected devices: a prospective observational trial
Pan et al. Changes in red meat consumption and subsequent risk of type 2 diabetes mellitus: three cohorts of US men and women
Pagel et al. Intracluster correlation coefficients and coefficients of variation for perinatal outcomes from five cluster-randomised controlled trials in low and middle-income countries: results and methodological implications
JP6662535B2 (ja) 生活習慣管理支援装置および生活習慣管理支援方法
WO2016190210A1 (ja) ヘルスケアシステム
Hawkins et al. Associations of tobacco control policies with birth outcomes
CN104834827A (zh) 基于终端设备及云计算存储的健康数据处理方法及系统
Heisey-Grove Variation in rural health information technology adoption and use
JP5472922B2 (ja) 生活習慣改善支援システム、及び、生活習慣改善支援方法
Kaplan et al. Providers' advice concerning smoking cessation: Evidence from the Medical Expenditures Panel Survey
AU2012228898B2 (en) Method and system for determining HRV and RRV and use to identify potential condition onset
KR20110029414A (ko) 건강 관리 정보를 제공하는 방법 및 장치
Rodriguez et al. Analysis of contraceptive use among immigrant women following expansion of Medicaid coverage for postpartum care
JP2006343792A (ja) 健康指導支援システム
Akhter et al. Big data-based epidemiology of uveitis and related intraocular inflammation
US20220192556A1 (en) Predictive, diagnostic and therapeutic applications of wearables for mental health
Blume et al. Neonatal encephalopathy and socioeconomic status: population-based case-control study
Ellington Perinatal depression screening: Improving outcomes during COVID-19
JP2020021514A (ja) サーバ装置
Haile One Year Retrospective Review of Disease Patterns and Clinical Outcomes of Patients Admitted in Intensive Care Units of Armed Force General Teaching Hospital in Addis Ababa, Ethiopia
JP7229083B2 (ja) 健康状態予測システムおよびプログラム
Lin et al. Provision of health counseling in office-based practices and hospital outpatient clinics

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: 17823895

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: 17823895

Country of ref document: EP

Kind code of ref document: A1