WO2019156254A1 - 検査対象の複雑系の状態を推定するシステム - Google Patents

検査対象の複雑系の状態を推定するシステム Download PDF

Info

Publication number
WO2019156254A1
WO2019156254A1 PCT/JP2019/004812 JP2019004812W WO2019156254A1 WO 2019156254 A1 WO2019156254 A1 WO 2019156254A1 JP 2019004812 W JP2019004812 W JP 2019004812W WO 2019156254 A1 WO2019156254 A1 WO 2019156254A1
Authority
WO
WIPO (PCT)
Prior art keywords
matrix
state
inspection
stage
items
Prior art date
Application number
PCT/JP2019/004812
Other languages
English (en)
French (fr)
Inventor
佐藤　友美
匠 佐藤
Original Assignee
アクシオンリサーチ株式会社
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 アクシオンリサーチ株式会社 filed Critical アクシオンリサーチ株式会社
Priority to JP2019571190A priority Critical patent/JP6755567B2/ja
Priority to US16/967,381 priority patent/US20210217530A1/en
Priority to EP19751088.6A priority patent/EP3751473A4/en
Publication of WO2019156254A1 publication Critical patent/WO2019156254A1/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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • the present invention relates to a system for estimating a state of a complex system to be inspected from an inspection result of an inspection item.
  • Japanese Patent Application Laid-Open No. 2017-91586 provides a health management server that can generate appropriate advice messages based on the diet and health status of a health care target person and improve the motivation for executing the health management curriculum. It is described.
  • This document describes a health management server connected via a network to a terminal owned by a health care target person, a receiving unit that receives one curriculum information selected by the health care target person from the terminal, A storage unit that stores the behavior pattern of the target person, an analysis unit that analyzes the continuation pattern when the behavior based on the curriculum information is continued, and the stagnation pattern when the behavior based on the curriculum information stagnate, and the future
  • An artificial intelligence unit that estimates physical information and appearance of a predicted health care target person, a generation unit that generates physical information and appearance, and a transmission unit that transmits image information or sentence example information to a terminal.
  • One aspect of the present invention is a system that estimates the state of individual complex systems of a large number of complex systems to be inspected.
  • This system (diagnosis system, diagnosis system) is used for the inspection results of a large number of test items that indicate the state of the complex system of a large number of test objects corresponding to each stage of the change over time of the complex system of a large number of test objects.
  • a first storage storing a matrix (static matrix) at each stage including a large number of correlation information, and inspection results of a large number of inspection items at a first time point of the first complex system, which is an individual complex system,
  • the first state of the first complex system is estimated based on a first matrix that is matrixed based on a large number of correlation information between test results of a large number of test items in at least one of the matrixes of each stage.
  • a configured first estimation unit The matrix at each stage includes a plurality of cells including correlation information between inspection results of a plurality of inspection items.
  • the term “multiple” indicates that the target is not a plurality including 2-3, but at least 5 or at least 10 complex systems or inspection items.
  • a large number of inspections are not performed by determining the state of a complex system to be inspected only by increasing or decreasing the numerical value of the inspection result of inspection items (parameters) prepared to determine a specific abnormality.
  • the correlation between them that is, between inspection items is used as an index for determining the state of the complex system to be inspected.
  • the correlation between a large number of examination items does not always indicate a specific abnormality.
  • a plurality of correlations between a large number of inspection items of a large number of inspection target complex systems are acquired in advance, and a plurality of stages (states) in which a large number of inspection target complex systems transition over time
  • each stage of a complex system over time is a normal state, various abnormal states whose factors are known in advance (unnormal state, abnormal state), neither normal nor abnormal state
  • the quasi-normal state may be an abnormal state in which the factor is not known. If a specific quasi-normal state is determined from the state displacements of a complex system to be examined, it is not included in any of the normal, non-normal, and quasi-normal state stages (stages) ) May be estimated as a new abnormal state or a new quasi-unnormal state.
  • the complex system to be examined is a human or animal, the health condition may deteriorate from a good state over time (gradually or rapidly) due to various factors such as age, physical fitness, living environment, and disease. , May improve or improve over time due to treatment or environmental changes.
  • the first estimation unit is configured to estimate the first state of the first complex system by using artificial intelligence in which correspondences between the plurality of first matrices and the plurality of first states are learned by machine learning.
  • the first AI unit may be included.
  • the artificial intelligence (AI) may be artificial intelligence in which a first matrix including a plurality of cells is image-recognized and the correspondence with the first state is machine-learned.
  • Each of the plurality of cells constituting the matrix may be a two-dimensional or three-dimensional cell including correlation information of inspection results of two or more inspection items. Typically, the inspection of the first inspection item is performed.
  • the information (correlation coefficient, correlation analysis) that statistically processed the correlation between the result and the inspection result of the second inspection item is a two-dimensional cell that is shown by a scatter diagram, distribution diagram, contour line, color, etc. May be.
  • the matrix including these cells can be analyzed or classified by image recognition using artificial intelligence. Therefore, it is possible to accurately estimate the first state of the first complex system by converting the inspection result of the first complex system into an image using the matrix at each stage as a filter and recognizing the image by artificial intelligence.
  • the system generates a first matrix that reflects the relationship between the inspection results of the plurality of inspection items at the first time point of the first complex system in each of the plurality of cells included in the matrix of each stage.
  • the first relationship between the test results of the multiple test items at the first time of the first complex system to be tested is compared with the multiple correlations between the multiple test items of the matrix at each stage.
  • a first state at a first time point of one complex system can be estimated.
  • This system converts test results of a plurality of test items at a first time point of a first complex system into a plurality of cells using a plurality of correlation information between test results of a plurality of test items in a matrix at each stage.
  • a second generation unit configured to generate the expanded first matrix may be included. If there is a correlation between the test results at each stage, the information can be used to express the first complex system test result to be inspected in the first matrix or edited. It becomes easier to estimate the first state with higher accuracy.
  • This system may further include an output unit configured to output a first matrix in which a plurality of cells are two-dimensionally arranged with a large number of inspection items as X and Y axes.
  • the first matrix in which a plurality of cells are arranged two-dimensionally can be grasped as an image by humans, and this system, in particular, the background and / or results estimated by AI are tracked and confirmed by experts. It becomes possible to do.
  • the system further includes a first complex based on a displacement of the second matrix at the second time point of the first complex system that has elapsed from the first time point, and the first matrix at the first time point.
  • You may further have the 2nd estimation unit comprised so that the transition of the state of a system might be estimated.
  • the second matrix shows the inspection results of the plurality of inspection items of the first complex system to be inspected at the second time point, and the inspection results of the inspection items of the plurality of inspection items of at least one of the matrices at each stage. This is a matrix based on the correlation information.
  • the storage is a transition matrix (stage transition matrix) including information on transition of a large number of correlation information between the matrixes of the respective stages, and the transition matrix reflecting the change in the state of the system under test with time is reflected. May be included.
  • the second estimation unit compares the displacement from the first matrix to the second matrix and the matrix between the stages, and determines the second state of the first complex system estimated based on the second matrix.
  • a unit configured to verify may also be included.
  • the transition matrix may include information that multiple correlations transition (transition, displacement) from other stages, or may include transitions or displacements of multiple correlations to other stages. In addition to the static correlation of multiple test items, it is possible to compare changes over time in multiple test items with a transition matrix (dynamic matrix) that shows transitions between stages, and to estimate symptoms It can be provided with higher accuracy.
  • the second estimation unit may include a unit configured to estimate a state transition after the second time point of the first complex system. Based on the past change process (progress) of the first complex system, the future progress of the first complex system may be estimated as an extension.
  • the second estimation unit has learned, by machine learning, the correspondence between the displacements between the plurality of first matrices and the plurality of second matrices and the state changes over time of the complex systems to be inspected.
  • a second AI unit configured to estimate a transition of the state of the first complex system may be included by artificial intelligence.
  • the second AI unit may be common to the first AI unit, and may be configured to use a common artificial intelligence.
  • the second AI unit recognizes the second state by recognizing an individual displacement matrix obtained by converting the displacement of the first complex system state over time into an image using a dynamic matrix between stages as a filter.
  • An estimation function may be included.
  • the matrix of each stage and the matrix of stage transitions preferably include as many test results as possible for the complex system to be tested, and the system automatically converts the test results for the first complex system whose state is estimated by the system. It may be incorporated as matrix information. It is desirable that the number of inspection results of the complex system to be inspected is large, and this system uses a complex system replica of the inspection object to obtain a large amount of correlation information (correlation) between a large number of inspection items at each stage. A unit configured to automatically generate may be included.
  • the replica may be a simulator that simulates a complex system, or may be a model that statistically obtains a test result using random numbers.
  • the complex system to be inspected may be a human body, or may be another complex system including a number of elements such as other animals, plants, plants, ships, vehicles, and turbine engines.
  • the complex system to be examined is a human body, the system may function as a preliminary examination system for a doctor's examination.
  • Another aspect of the present invention is a method for estimating the state of individual complex systems of a large number of complex systems to be inspected by a computer.
  • the computer includes a plurality of pieces of correlation information between test results of a plurality of test items that indicate a state of a complex system of a plurality of test objects corresponding to each stage of a change in the state of a complex system of a plurality of test objects over time. It has a first storage that stores a matrix of each stage including a plurality of cells including correlation information between inspection results of a plurality of inspection items.
  • the test results of a plurality of test items at the first time point of the first complex system are transferred between the test results of a plurality of test items in at least one of the matrices at each stage.
  • the first state of the first complex system is estimated by artificial intelligence in which correspondences between the plurality of first matrices and the plurality of first states are learned by machine learning. May be included. Further, the method generates a first matrix that reflects the relationship between the inspection results of the plurality of inspection items at the first time point of the first complex system in each of the plurality of cells included in the matrix at each stage. It may include causing a computer to execute the processing to be performed. Further, the method uses a plurality of correlations between inspection results of a large number of inspection items in a matrix at each stage, using a plurality of correlations between inspection results of a large number of inspection items in a matrix at each stage. You may include making a computer perform the process which produces
  • the inspection results of a large number of test items at a second time point of the first complex system can be obtained from a plurality of test items in at least one of the matrices at each stage.
  • the computer executes the second estimation process for estimating the transition of the state of the first complex system based on the displacement between the second matrix that is matrixed based on a large amount of correlation information between the inspection results of the first and the first matrix You may also have to do.
  • the storage may include a transition matrix that includes information on transition of a large number of correlation information between the matrices at each stage, and that includes a transition matrix that reflects a change in the state of the system to be inspected over time.
  • the second estimation process compares the displacement from the first matrix to the second matrix and the transition matrix, and verifies the second state of the first complex system estimated based on the second matrix. You may include that. Further, the second estimation process may include estimating a state transition of the first complex system after the second time point.
  • One of further different aspects of the present invention is a program (program product) for executing the above method by a computer.
  • the program may be provided by being recorded on an appropriate recording medium, or may be provided via a network.
  • the block diagram which shows the outline
  • the figure which shows an example of the stage in which the patient's health state which is an example of a complex system changes with time.
  • the figure which shows typically the statistical data of a healthy body, a non-disease, and a sick patient.
  • the figure which is an example of the matrix (static matrix) of each stage, and shows an example of the matrix of the stage of a super healthy body.
  • the figure which compares and shows the matrix of several steps The figure which shows some examples of the scatter diagram contained as a cell in the matrix of the stage of a super healthy body. The figure which shows some examples of the scatter diagram contained as a cell in the matrix of a non-disease stage. The figure which shows some examples of the scatter diagram contained as a cell in the matrix of a disease stage. The figure which shows the example from which the matrix of each step differs. The figure which shows an example of a transfer matrix (vector map). It is a figure which shows a mode that the correlation contained in the cell of the matrix of each step changes with steps, Fig.14 (a) is a super-healthy body stage, FIG.14 (b) is a non-disease stage, FIG.14 (c).
  • FIG. 4 is a diagram showing an example of a disease stage. It is a figure which shows a mode that distribution of the inspection result of an inspection item changes in each step in each step, Fig.15 (a) shows distribution of the inspection result of LDL, FIG.15 (b) shows the inspection result of TC. The figure which shows distribution. The figure which shows an example of the cell contained in an individual matrix.
  • FIG. 17A shows an example in which the displacement of the patient's examination result is reflected in the static matrix cell, and FIG. 17B shows the displacement based on the correlation information.
  • FIGS. 18A and 18B are diagrams illustrating an example of automatic matrix generation.
  • FIG. 18A illustrates an example of correlation information based on actual samples
  • FIG. 18B illustrates an example of correlation information based on replicas.
  • FIG.19 (a) shows a heat map with light and shade
  • FIG.19 (b) shows lightness and darkness according to the corresponding table shown in FIG.19 (c).
  • Fig.20 (a) shows a mode that the information of a diagonal cell is expand
  • FIG.20 (b) shows the deviation value of a diagonal cell in FIG.20 (c).
  • FIG.19 (a) shows a heat map with light and shade
  • FIG.19 (b) shows lightness and darkness according to the corresponding table shown in FIG.19 (c).
  • Fig.20 (a) shows a mode that the information of a diagonal cell is expand
  • FIG.20 (b) shows the deviation value of a diagonal cell in FIG.20 (c).
  • FIG. 21 (a) shows a heat map with the light and shade
  • FIG.21 (b) is a figure which shows a heat map with the symbol corresponding to light and dark. It is an example of the heat map which shows the difference of the heat map shown in FIG. 19 and FIG. 21,
  • FIG. 22 (a) shows a difference heat map with light and shade,
  • FIG.22 (b) shows a difference heat map with the symbol corresponding to light and dark.
  • FIG. The flowchart which shows the outline
  • FIG. 1 shows an outline of a preliminary examination system in which a human body (human, person) is a system to be inspected.
  • This preliminary examination system (diagnosis system, diagnostic system, diagnostic device, system) 10 is based on the examination result 2 of a person (patient) who is a complex system to be examined, and the health condition of the estimated or diagnosed patient. 3), and a report 6 is submitted to the patient after review by a doctor 5 who is an expert.
  • An example of the diagnosis system 10 is realized by a computer that executes a program (program product) for the diagnosis system.
  • Library (storage) 11 that stores past and current test results 2 and programs 51 of the same patient, a static matrix 13 that is a matrix for each stage (matrix for each stage, matrix for each stage), and stages And a library (first storage) 12 that stores a matrix (transition matrix, stage transition matrix, dynamic matrix) 14 indicating transition between them.
  • Fig. 2 shows the relationship between a super healthy body, non-disease, and disease.
  • the measurement data (test results) of blood tests and urine tests are within normal values, it is normal from the conventional diagnostic criteria and does not mean that there is a particular problem. That is, if each measurement data is within normal values, the disease associated with each measurement data is determined to be a healthy body, and if all measurement data subject to measurement are within the normal value range, It is recognized as a super healthy body.
  • the inventor of the present application proposes that it is necessary to analyze a weak correlation between test results of test items from the viewpoint of managing future risks including the possibility of transition to a specific disease.
  • the correlation between the test results (input data) for example, there is a possibility that the relevance of a plurality of data related to a specific organ inside the human body appears.
  • these correlations as a matrix of a plurality of clustered data, there is a possibility that how far away from the super healthy body can be analyzed as a deviation value (from the standard deviation).
  • test results of various test items such as age, body condition, assumed bone density, muscle mass, fat, blood vessel age, capillary activity, immune activity, HLA, DNA, microRNA, exosome,
  • a node that shifts from health to non-disease through disease by statistical processing at each transitional stage or with other conditions and comparing with individual test results (point of change / branch to multiple diseases) May be estimated or predicted. Based on this, a disease growth map (disease tree) until reaching each disease is created, and by tracing this movement, it is possible to predict and estimate the risk of a disease that will occur in the future.
  • the state can be set in stages from the super healthy body 210 to the non-disease 220 to the diseased body 230.
  • level 1 level 0 is the super healthy body 210
  • level 5 level 0
  • Level 0 A super healthy body that does not have any currently known signs of disease risk. There is a statistic that there are only a few percent of people who are referred to as so-called super-healthy bodies and super-normals, and who receive medical checkups.
  • Level 1 Beginning of non-disease / healthy body reserve army Compared with super healthy body, standard deviation value is in the range of 45-50, and one or more combinations of marker substances and input values indicating disease are detected Indicates the case. However, if the level does not correspond to level 2, it is set as level 1.
  • Level 2 When the disease progression start / non-health state standard deviation value is in the range of 40 to 50, and two or more combinations of marker substances or input values indicating the disease are detected. Not level 1 or 3.
  • Level 3 When the standard deviation value of the representative unaffected position / disease risk is in the range of 35 to 45, and three or more combinations of marker substances and input values indicating the disease are detected. Not level 4.
  • Level 4 When there is an illness requiring attention state / disease risk attention standard deviation value in the range of 30 to 40, and four or more combinations of marker substances and input values indicating disease are detected. If possible, it may be better to have a close examination at a medical institution once. None at level 5.
  • Level 5 When there is a clear transition period from disease-free to disease / disease risk warning standard deviation value in the range of 20 to 35, and five or more combinations of marker substances and input values indicating disease are detected. There is a possibility that the disease has progressed to a risk area pointed out by a medical institution as a specific disease or complication. It is better to hurry and have a close inspection.
  • FIG. 3 shows changes over time in the population 201 based on, for example, immune type (HLA), immune activity (number and activity of immune cells), and other parameters for maintaining basic health. Shown step by step. From the right side, super health state (super normal mOsn) 210 to healthy body (mOcsn, non-disease level 1), non-disease A (substantially healthy: mOnd, non-disease level 2 or 3), non-disease B (near illness) : MOndx, non-disease level 3 or 4), early onset (disease early stage: mOcx, non-disease level 5), complications (various mergers: mCx), infectious diseases (various: mXinfx), pathology (disease: mXooo), etc.
  • HLA immune type
  • mXooo pathology
  • Shift to disease / disease 230 occurs. Further, when the person corresponding to each stage is extracted, the state (health state) of the extracted person population in each stage has some distribution, for example, a normal distribution. Therefore, depending on where in the distribution of each stage the subject's health condition falls, whether it is stable or likely to deteriorate in the unaffected level 1-5, the direction of improvement You can determine whether you are in
  • the current blood test data is normal / healthy if each test item is within the range based on the standard values of people who are considered to be statistically healthy through examinations by medical checkups and other medical institutions. It is common to be judged. However, if an experienced doctor finds that some items are not completely deviating from the reference value and the difference in values tends to be worse, it is considered problematic. It is known at what timing the shift from this healthy body to non-disease occurs, and the shift to the disease body changes depending on the basic parameters and immune activities that guarantee age and health. .
  • a super-healthy body which has been confirmed to have almost no correlation between the data from a subject called a normal healthy body, is actively and intentionally extracted from actual measurement data, and this is used as reference data for the super-healthy body.
  • the shift from the super-health state 210 to the various disease stages 230 through the non-disease stage 220 is a test result of a large number of test items, for example, age, body condition, assumed bone density, muscle mass in the body. It can be estimated by referring to correlation information of test results or analysis results of fat, blood vessel age, capillary activity, immune activity, HLA, DNA, microRNA, exosome, and the like.
  • disease growth map (disease tree) from the node that shifts from health to non-disease to the disease (change point / branch point to multiple diseases) to reach each disease, and move this By tracing, it is possible to predict and predict the risk of disease that will occur in the future.
  • FIG. 4 shows an example of the static matrix 13 which is a matrix at each stage.
  • FIG. 5 shows an enlarged part of the static matrix 13.
  • the static matrix 13 is an example of a normal state (super healthy body) static matrix 131.
  • the static matrix 13 is a test result of a population of a large number of people (systems to be examined) such as people of every race, sex, people in a specific region, or the entire human race including the patient to be examined. It is a collection of correlation diagrams created from statistical data.
  • One (one type) static matrix 13 represents one of several situations / states that a human being included in the population may pass through.
  • Each matrix 13 is prepared in the library 12.
  • the normal state static matrix 131 is an example of a result of analyzing a correlation of statistical data of examination results of patients determined to be normal in a medical examination or the like in a population to which the patient belongs.
  • the static matrix 13 which is a matrix at each stage includes a large amount of correlation information between test results of a large number of test items of a large number of patients forming a population to which the patient (subject) belongs.
  • the static matrix 13 includes a plurality of cells 138 including correlation information between inspection results of a plurality of inspection items among a large number of inspection items.
  • Each cell 138 includes correlation information in which test results (measurement points) of test items (parameters) of individual individuals of a large number of patients are statistically processed.
  • each cell 138 is two-dimensional, and the correlation between the inspection results of two inspection items among a large number of inspection items is shown by a scatter diagram 139.
  • the static matrix 13 of this example is obtained by plotting the examination results of the examination items of each individual of a large number of patients with the X axis and the Y axis as coordinates so as to show the correlation between the examination items. It is an aggregate (matrix) of a number of scatter diagrams 139 showing correlations between items.
  • the correlation information included in the cell 138 is not limited to the two-dimensional scatter diagram 139 in which the points where the numerical values (inspection results) of two different inspection items are set as the X coordinate and the Y coordinate among a lot of inspection data.
  • Three-dimensional or multi-dimensional correlation may be used, and instead of a scatter diagram, information such as the presence / absence of correlation and correlation coefficients (including positive and negative) obtained from the scatter diagram are displayed as numerical values, colors, It may be shown by a pattern, a figure, or the like.
  • the static matrix 13 is not limited to the one in which the cells 138 are arranged in two dimensions, but may be one in which the cells are arranged in three dimensions or n dimensions.
  • the cells 138 including the numerical values or correlations of a large number of inspection items may be indicated by multidimensional positions (relationships) having the coordinates of the large number of inspection items.
  • the static matrix 13 in which the cells 138 are two-dimensionally arranged is one of information forms that can be easily reviewed by a human expert such as a doctor.
  • a matrix is a number of cells (units that can express statistical information and / or correlation information of one or more values in a two-dimensional or three-dimensional multidimensional plane or space).
  • An aggregate (map, array, matrix) arranged in two dimensions or three or more dimensions is shown.
  • test contents included in the static matrix 13 include blood test, urine test, breath / skin gas measurement, body temperature, visceral fat, subcutaneous fat, muscle mass, body fat percentage, estimated bone mass, blood pressure.
  • Measured values such as blood flow, heart rate, autonomic nervous excitement, image diagnosis results, microRNA, ncRNA, DNA, etc. are subject to questionnaires, and the measured values (test results) obtained by these tests are It becomes an object of the scatter diagram 139.
  • examples of blood test measurement items include TG (neutral fat), HDL (HRL cholesterol), LDL (LDL cholesterol), FBS (glucose (fasting)), HbA1c (hemoglobin A1c), AST (aspartic acid) Aminotransferase), ALT (alanine aminotransferase), gGT ( ⁇ -glutamyl transferase), ALP (alkaline phosphatase), LD (lactate dehydrogenase), TP (total protein), TC (total cholesterol), BUN (urea) Nitrogen), Cr (creatinine), eGFR (estimated glomerular filtration rate), UA (uric acid), RBC (red blood cell count), Hb (hemoglobin), Ht (hematocrit), MCV (average red blood cell volume), MCH (average red blood cell pigment) Volume), MCHC (average erythrocyte pigment concentration) And the like.
  • TG neutral fat
  • HDL HRL cholesterol
  • LDL
  • the static matrix 13 shown in FIG. 4 and FIG. 5 includes the above-described examination items and other items such as West (abdominal circumference), BMI, and BP_H (maximum blood pressure) for a patient who is determined to be super healthy.
  • a scatter diagram 139 between a large number of examination items including a physical or cardiopulmonary examination item such as BP_L (minimum blood pressure) is arranged two-dimensionally so as to facilitate image recognition.
  • all the numerical values arranged as points are cells 138 in the lower left triangle range 134 a so as to show the correlation between the inspection items, and the correlation is expressed by a diagram and a numerical value. This is a cell 138 in the upper right triangle range 134b.
  • FIG. 6 shows different examples of the static matrix 13.
  • Any number of matrices 13 including a plurality of cells 138 including correlation information can be generated by changing the conditions of the population of the subject.
  • a matrix with a population of subjects at each stage is referred to as a static state matrix ( Static matrix) 13 is generated.
  • the static matrix 13 shown in FIG. 6 is an example of a quasi-normal state (non-disease) static matrix 132, and many of the populations to which patients are not determined as normal or abnormal in a medical examination or the like. It is an example of the result of having analyzed the correlation of the statistical data of the test result of a patient.
  • Non-disease refers to the measurement data / input data group excluding the super healthy body and the disease body.
  • a super-healthy body refers to a patient who shows normal values in all items (measurement data, input data, and inquiry) in a clinician or a medical checkup
  • a disease state refers to a patient who is determined to be ill by the doctor. Usually, the most patient is likely to belong to the condition.
  • a condition close to a healthy condition is defined in multiple stages, and a heat map is prepared for each condition. It is also possible.
  • FIG. 7 shows still another example of the static matrix 13.
  • the static matrix 13 shown in FIG. 7 is an example of a static matrix 133 in an abnormal state (pathology), and a large number of patients who are determined to be a specific disease by a doctor in the population to which the patient belongs. It is an example of the result of having analyzed the correlation of the statistical data of a test result.
  • the static matrix 133 of a diseased body can be prepared for a specific disease (disease) for each progression stage of the disease.
  • FIG. 8 shows some examples of the typical correlation diagram 139 included in the static matrix 131 of the super healthy body, and FIG. 10 shows a typical correlation diagram included in the non-disease static matrix 132. Some examples of 139 are shown, and FIG. 11 shows some examples of representative correlation diagrams 139 included in the static matrix 133 of the diseased body.
  • the correlation diagram 139 included in FIG. 10 shows that there are test items in which a clear correlation is recognized for a super healthy body.
  • the correlation diagram 139 included in FIG. 11 indicates that there are test items that exhibit a correlation similar to or stronger than that of the non-disease.
  • FIG. 12 shows another example of the static matrix 13.
  • the cell 138 of the static matrix 13 includes a scatter diagram 139 and a probability distribution 137 indicating the correlation of the scatter diagram as correlation information 136.
  • Each cell 138 includes each scatter diagram 139 and contour lines indicating regions having different statistical probabilities (standard deviations).
  • the inventors of the present application have seen cases where the correlation between the inspection data of the two inspection items summarized in the scatter diagram 139 can be expressed by one normal distribution and cases where the correlation needs to be expressed as a mixture of a plurality of normal distributions. Has been issued. When the correlation is shown as a mixture of a plurality of normal distributions, the normal distributions may be mixed on a one-to-one basis, or may be mixed at different ratios.
  • the static matrix 13 can be used as a filter for imaging the relationship between examination items of each patient, as will be described later. Further, when the number of statistical data is small, a statistically meaningful number of samples are virtually generated from the replica to generate the static matrix 13, or a part of the scatter diagram 139 of the static matrix 13 or You may replenish everything.
  • FIG. 13 shows a transition matrix (dynamic matrix) including transition of each stage, that is, transition of correlation information (dynamic information) between the static matrices 13 with respect to the static matrix 13 indicating the correlation of each stage. ) 14.
  • FIG. 13 shows an example of a plurality of cells 148 included in the transition matrix (vector map) 14, and shows one scatter diagram 149 with vectors included in the transition matrix 143 of the diseased body (non-normal).
  • the scatter diagram 149 shown in FIG. 13 shows the correlation between the total cholesterol value (TC) and low specific gravity riboprotein (ND LDL) among the test items.
  • TC total cholesterol value
  • ND LDL low specific gravity riboprotein
  • the vector map 14 which is an example of a transition matrix, includes a number of correlation displacements between the static matrices 13 at each stage and reflects changes in the state of the population that includes the patient over time.
  • the cell 148 indicating the displacement of the correlation information is shown in the scatter diagram 149, and the direction and amount of change over time are indicated by arrows (vectors) 147.
  • FIG. 14 shows a scatter diagram 139 including a total cholesterol level (TC), a low density riboprotein (ND LDL), and correlation information 136 as an example of the cell 138 included in the static matrix 13 at each stage.
  • 14A is a scatter diagram 139 included in the matrix 131 of the super-healthy body
  • FIG. 14B is a scatter diagram 139 included in the matrix 132 of the unaffected stage
  • FIG. 14C is the stage of the disease.
  • a scatter diagram 139 included in the matrix 133 is shown.
  • FIG. 15 (a) shows the distribution of measured values of low density riboprotein (ND LDL) at each stage
  • FIG. 15 (b) shows the measured values (test results) of total cholesterol level (TC) at each stage. Distribution is shown.
  • the super healthy body distribution 135a shows a low peak curve
  • the pathological distribution 135c shows a high peak curve
  • the non-disease distribution 135b Between. Therefore, the correlation between the total cholesterol level (TC) and the low density riboprotein (ND LDL) changes (displaces) depending on the stage, and as shown in FIGS. 14 (a) to (c),
  • TC total cholesterol level
  • ND LDL low density riboprotein
  • the transition of the patient's state can be estimated. Therefore, by comparing the state estimated by comparing the second relationship of this time with the static matrix 13 (second static state) with the state estimated from the transition matrix 14, the next time The state estimated from the inspection result can be verified, and the state corresponding to the next inspection result can be estimated with higher accuracy.
  • the diagnosis system 10 uses the static matrix 13 of each stage of the library 12 as a filter, and each of the patients that are complex systems to be examined (individual complex system, first complex system).
  • the first filtering unit (static filtering unit, static filter) 15 that generates the inspection result 2 at the time of inspection as an individual matrix (first matrix, second matrix) 17 at each stage, and the transition of the stage
  • a second filtering unit (dynamic filtering unit, dynamic filter) 16 that generates a displacement (transition, difference) of the inspection result 2 as an individual displacement matrix (displacement, displacement matrix) 18 using the transition matrix 14 as a filter.
  • the diagnosis system 10 is configured to estimate a health state (first state) of a patient (subject) as a first complex system based on the individual matrix 17 at each stage.
  • First estimation function, estimation means) 21 is included.
  • This medical examination system 10 is a system for estimating the state of an individual patient (subject), which is an individual first complex system, among a large number of patients (human beings), which is a complex system of many examination targets.
  • the matrix of each stage (static matrix) 13 is a stage (super-health body) of the stages over time grouped into a plurality of time-dependent changes in the state of the patient to be examined.
  • the static matrix 13 includes a plurality of cells 138 including correlation information between inspection results of a plurality of inspection items.
  • the first filtering unit 15 converts the test results of a large number of test items at a first time point of the subject (patient, first complex system) into a large number of test items in at least one of the matrices 13 in each stage. Based on a large number of pieces of correlation information between the inspection results, an individual matrix (first matrix) 17 is generated.
  • the first estimation unit 21 estimates based on the individual matrix 17 that the current state of the patient (first state), for example, a super healthy body or an unillnessed level.
  • the first filtering unit 15 includes a first generating unit (first generating function, generating means) 15a configured to generate the individual matrix 17 in this way.
  • the first filtering unit 15 includes a second generating unit (second generating function, generating means) 15b configured to generate the individual matrix 17 in this way.
  • FIG. 16 shows an example of the individual matrix 17 generated by the first generation unit 15a.
  • This individual matrix 17 shows the relationship between neutral fat (TG) and HRL cholesterol (HDL) as a relationship (first relationship) between examination items included in the individual matrix 17.
  • TG neutral fat
  • HDL HRL cholesterol
  • the relationship between three patients (subjects) is plotted, and the measurement value (relationship) of patient A is displayed as a dot 171 having a small area because the position has a low correlation (low probability).
  • the measurement value of the patient C is displayed with a dot 173 having a large area because it is close to the correlation center 179 and has a high correlation (high probability).
  • the measurement value of the patient B is displayed with a dot 172 having an intermediate area because the correlation is at an intermediate position (intermediate probability). Therefore, for example, the first test result of the patient A includes a plurality of individual images including a large number of dots having different areas depending on each stage even if the positions are common, using the static matrix 13 of each stage as a filter. It is converted into a matrix 17. Even when the patients are different or the test results of the same patient are different, by displaying the static matrix 13 at each stage as a filter, the positions in many dots are different and the areas of the dots are also different. Accordingly, in each examination of each patient, an individual matrix 17 having a different display (output, image) at each stage is generated.
  • the first estimation unit 21 configured to estimate the health state (first state) of the patient (first complex system) from the individual matrix (first matrix) 17 includes a plurality of individual matrices 17, It is configured to estimate a patient's health state (first state), which is a first complex system, from the individual matrix 17 of the patient by artificial intelligence learned by machine learning of the corresponding relationship with the corresponding health state.
  • the AI unit (first AI unit, state estimation AI) 20 is included.
  • the AI unit 20 may be a system (apparatus) having artificial intelligence, or may be a system for estimating a health state using artificial intelligence prepared outside the system 10.
  • a typical AI unit 20 includes an artificial intelligence that recognizes an image of the individual matrix 17 including a plurality of cells 138 and machine-learns a correspondence relationship with a patient's health state (first state).
  • the test result of each patient is indicated by the correlation information shown in each cell 138 of the static matrix 13, for example, the distance from the positions of people showing similar tendencies on the contour line 137. Therefore, the individual matrix 17 shows the test results of individual patients in proportion to the Euclidean distance from a certain stage, for example, the most frequent center of non-disease level 3 patients (average value of two axes: standard deviation value 50:50). In FIG. 5, it is possible to filter and display the dot size and color (luminance).
  • the AI unit 20 causes the cell 138 of the individual matrix 17 to recognize individual patient information as a large sized dot if it is close to the representative center of the individual matrix, and a small sized dot if it is far from the center. Can be recognized.
  • the XY axis (two axes) means that the expression with two dots of different sizes is finally recognized as a pattern indicating the feature.
  • color or luminance may be used.
  • handling as a vector quantity as (sizeTG, sizeHDL) can be considered. Even in such a case, by changing the size of the dot according to the Euclidean distance from the center, the position in the correlation is clearly shown, emphasis processing is performed, and the AI unit 20 performs image recognition so that the individual matrix 17 It is possible to grasp the information shown in (1) and estimate the health state corresponding to the individual matrix 17 as a result of machine learning.
  • the method of reflecting the test result of the patient in the individual matrix 17 is not limited to this method, and one of other examples will be described later.
  • the examination system 10 further displays the examination results of a number of examination items at the next examination time (second time point) of the patient (first complex system) whose time has elapsed from the previous examination time point (first time point).
  • An individual matrix (second matrix) formed into a matrix based on a large number of correlation information between test results of a large number of test items in at least one of the matrices 13 in each stage, and an individual matrix (first matrix) at the previous time point
  • a second estimation unit 22 configured to estimate the transition of the state of the patient (first complex system) based on the displacement with respect to the matrix.
  • the second filtering unit 16 is configured to generate, as the displacement matrix 18 indicating the difference between the individual matrices 17 generated at each inspection time, in the first filtering unit 15. 16b. Further, a displacement matrix 18 including a change (displacement, transition) of the inspection result of the individual matrix 17 (first matrix and second matrix) having different inspection time points is generated in the transition matrix 14 stored in the storage 12 in advance.
  • the first individual displacement matrix generation unit 16a is configured to be configured.
  • FIG. 17 shows an example of the individual displacement matrix 18 generated by the first individual displacement matrix generation unit 16a.
  • FIG. 17 (a) shows the total cholesterol value (in the static matrix 133 of the disease (see FIG. 17A) using the displacement (transition, vector) 181 of the test result of the patient A and the displacement (vector) 182 of the test result of the patient B as an example.
  • TC displacement
  • LDL low density riboprotein
  • FIG. 17B shows an individual displacement matrix 18 imaged using the scatter diagram (vector map) 143 with vectors of the transition matrix 14 shown in FIG. 13 as a filter, and the total cholesterol value ( TC) and low density riboprotein (LDL) scatter diagram 139 overlaid.
  • the vector 181 of the patient A is located at a low density portion (rare case) of the vector map 143, the vector 181 is not emphasized or reduced.
  • the vector 182 of the patient B is located at a high-density part of the vector map 143, the vector 182 is emphasized.
  • the displacement of the test result of the patient A is a plurality of individual displacement matrices including an image composed of a large number of vectors having different positions and the same position, using the transition matrix 14 with vectors in each state as a filter. 18 is converted. When there is no displacement, it is displayed as a dot or not displayed. If the patient is different and the displacement of the test result is different even in the same patient, the positions of many vectors or dots are different, and the sizes of the vectors are also different. Therefore, the individual displacement matrix 18 having different images in each state is generated by the displacement of each examination result of each patient.
  • the second estimation unit 22 correlates the displacement between the plurality of first matrices 17 and the plurality of second matrices 17 and the change in the state of the patient, which is a complex system to be examined, over time.
  • the second AI unit 20 configured to estimate the transition of the patient's health state by artificial intelligence learned by machine learning is included.
  • a unit common to the AI unit described above is employed.
  • the AI unit 20 compares the images included in the individual displacement matrix 18 with similar images of a large number of past patients, estimates the state corresponding to the displacement of the patient's examination results, and the first estimation unit 21 A statically estimated patient's latest health status can be verified.
  • the individual displacement matrix 18 is image-recognized and the patient state estimated by the individual matrix 17 is obtained. Includes the ability to verify
  • the diagnosis system 10 includes the first relationship between a plurality of examination items at the first time point (previous, present, next) of a human (patient), which is a complex system to be examined, and the static matrix 13.
  • a static judgment unit (first estimation unit) 21 that compares a number of correlations between a number of examination items of the patient and estimates a patient's current health condition (first static condition).
  • the examination system 10 detects the displacement of the second relationship between the plurality of examination items at the second time point (this time, next time) of the patient whose time has elapsed from the first time point, and from each stage.
  • a dynamic decision unit (second) that compares the transition matrix 14, for example, a vector map, and verifies the estimated second static state each time by the static decision unit 21 based on the second relationship.
  • estimation units 22 that compares the transition matrix 14, for example, a vector map, and verifies the estimated second static state each time by the static decision unit 21 based on the second relationship.
  • these units 21 and 22 include a common artificial intelligence unit (AI unit) 20, and the AI unit 20 recognizes an image of the relationship between the first relationship and the static matrix 13 at each stage.
  • the function 23 for estimating the first static state at that time may be included.
  • the AI unit 20 converts the first relationship, which is a static relationship between inspection items, into a static matrix 13 at each stage, and an individual matrix in each state obtained by converting the static matrix 13 with contour lines into an image as a filter.
  • a function of recognizing image 17 and estimating a first static state at that time may be included.
  • the AI unit 20 further recognizes the relationship between the displacement between the examination results and the transition matrix 14 at each stage, and estimates the second static state of the patient when the examination is performed after a lapse of time. May be included. That is, the function (unit) 24 compares the displacement of the individual matrix (first matrix and second matrix) 17 at different points in time with the transition matrix 14 and compares the current individual matrix (second matrix). 17 is configured to verify the latest health status of the patient estimated based on 17. In one example, as described above, the AI unit 20 recognizes the individual displacement matrix 18 of each state obtained by converting the displacement between inspection results into an image using the transition matrix 14 at each stage as a filter, and is statically estimated. And a function of estimating and confirming the second health state of the patient after a lapse of time.
  • the AI unit 20 may further include a unit 25 configured to estimate the transition of the state of the patient after this time or the next time (second time point). It is possible to predict and estimate the current health condition position (stage) and the subsequent health condition (symptom) transition risk from the filtered result. That is, in the filtered individual displacement matrix 18, the displacement of the patient's current state is emphasized by a vector, and the AI unit 20 is obtained from an image including a large number of vectors obtained from test values between a large number of test items. Can estimate the patient's future state transition compared to similar images of a number of past patients.
  • the AI unit 20 can estimate the state corresponding to the examination result of the patient by performing image recognition processing on the image included in the individual matrix 17. That is, the AI unit 20 can estimate the current state of the patient compared to similar images of a number of past patients. Therefore, the AI unit 20 can estimate the next transition destination from the current state of the patient as a start. On the other hand, if the patient's individual matrix 17 and / or individual displacement matrix 18 does not fall into a representative region at all, or if the probability is low, the matching with the static matrix 13 or the transition matrix 14 at another stage is an exception. A wide variety of processes such as trying, re-determining, generating new classifications, stages, and transition paths can be added. Exceptional processing is then registered sequentially as a new matrix, stage or path, and as exception handling is new knowledge, the AI unit 20 is subsequently recognized and estimated, not an exception, even in complex cases.
  • the examination system 10 further includes an output unit 35 configured to output an individual matrix (first matrix) 17 in which a plurality of cells 138 are two-dimensionally arranged with a number of examination items as X and Y axes.
  • an output unit 35 configured to output an individual matrix (first matrix) 17 in which a plurality of cells 138 are two-dimensionally arranged with a number of examination items as X and Y axes.
  • the cell 138 and each matrix are shown in two dimensions.
  • the cells and matrices processed in the diagnosis system 10 and the AI unit 20 do not have to be two dimensions, and may be three or multidimensional. May be.
  • an expert who reviews the estimation (diagnosis result, diagnosis result) of the diagnosis system 10 and the AI unit 20, for example, a doctor or a technician needs to understand the factors that have resulted in the diagnosis system 10 and the AI unit 20. There is. For this reason, it is useful to output cells and matrices in a state that can be easily grasped by humans.
  • the examination system 10 may further include a unit 30 that automatically creates the static matrix 13 and the migration matrix 14 from the statistical data.
  • the automatic creation unit 30 stores the static matrix 13 at that stage. The confirmed inspection result 2 is added.
  • the individual matrix 17 and the individual displacement matrix 18 corresponding to the number of samples can be automatically generated, and the learning of the AI unit 20 can be further advanced thereby. it can.
  • FIG. 18 shows how the automatic creation unit 30 increases the number of samples included in the static matrix 13 using replicas.
  • a scatter diagram 139 showing the correlation between neutral fat (TG) and HRL cholesterol (HDL) in the unaffected static matrix 132
  • TG neutral fat
  • HDL HRL cholesterol
  • FIG. 18 (b) As shown, a replica model including a new correlation is generated, and a sample corresponding to the correlation is generated so as to form a normal distribution.
  • the number of samples can be increased by mixing at 50:50 or other ratios. For example, the number of samples can be increased to one digit or more by this process.
  • FIG. 19 shows a different example of the individual matrix 17.
  • the individual matrix 17 is an example of a matrix generated by the second generation unit 15b, and the examination results of a large number of examination items at the examination time of the patient are obtained using the correlation information 136 of the static matrix 13 to which the patient belongs. , Expanded to a plurality of cells 138 according to a predetermined rule.
  • test items include BMI (body mass index), LF / HF (heart rate variability, sympathetic nerve, parasympathetic nerve ratio), BP / L and BP / H (blood pressure), Heart R (heart rate), HbA1c (hemoglobin A1c), TP (total protein), Alb (albumin), AST (aspartate aminotransferase), ALT (alanine aminotransferase), ⁇ -GTP ( ⁇ glutamyl transpeptidase), BUN (urea nitrogen), eGFR (estimated glomerular filtration rate) , AMY (amylase), UA (uric acid), LDL (LDL cholesterol), but are not limited thereto.
  • BMI body mass index
  • LF / HF heart rate variability, sympathetic nerve, parasympathetic nerve ratio
  • BP / L and BP / H blood pressure
  • Heart R heart rate
  • HbA1c hemoglobin A1c
  • TP total protein
  • Alb albumin
  • the individual matrix 17 shown in FIG. 19 is a heat map 175 in which these inspection items are arranged on the X and Y axes.
  • the inspection result of these inspection items displayed in the diagonal cell 138d is an average value
  • the corresponding cell 138 is shown in white, and when the test result is lower than the average value (good), it is shown in 10 levels of blue according to the deviation value, and when the test result is higher than the average value (bad), the deviation Depending on the value, the density is shown in 10 levels of red.
  • the inspection result of each inspection item is in a good direction or defective so that the correlation information (correlation coefficient) 136 of the inspection result between inspection items included in the static matrix 13 is reflected according to a predetermined rule.
  • FIG. 19A shows a heat map 175 displayed using colors and shades in gray scale.
  • FIG. 19B shows the shades of the colors shown in FIG. 19C as symbols on the drawing.
  • the replaced heat map 175a is shown. The same applies to the following.
  • the heat map 175 is a two-dimensionalized individual matrix 17 and is one of the preferable expressions for image analysis. Assess patient health status by correlating the test results of each test item not only as test results of test items alone but also with other test items (including each measurement element, interview, etc.) using correlation coefficients be able to. Furthermore, the health state can be evaluated in consideration of the correlation of each stage collected in the static matrix 13 of each stage such as the super healthy body, the non-disease level, and the disease. Furthermore, it is possible to evaluate the health state in consideration of the correlation (group correlation) between a plurality of examination items. For example, glucose, HbA1c, and fructosamine are known for group correlation for pancreatic diseases.
  • the inspection results of the other inspection items belonging to the group also show bad values.
  • the inspection results of the respective inspection items belonging to the group are displayed with emphasis in the defective (bad) direction.
  • the inspection items belonging to the group are good, the inspection items are shifted in the direction of improving each other, and the inspection results are displayed as they are for the inspection items having little correlation.
  • the examination results of examination items scheduled to be correlated with each other do not show a correlation, and there are cases where the examination items show an inverse correlation.
  • Various states may occur depending on the patient.
  • the deviation value Xi is 50
  • the deviation value Yj of the inspection item on the Y axis is maintained without shifting.
  • the correlation coefficient CCij included in the correlation information 136 of each cell 138 of the static matrix 13 is greater than 0.2
  • the health tendency or the deterioration tendency is further strengthened.
  • the correlation coefficient CCij is smaller than -0.2, conversely, the deviation value Yj of the Y-axis inspection item is weakened.
  • the correlation coefficient CCij is other than the above (including zero)
  • the same deviation value Yj is maintained without shifting.
  • the deviation value Xi of the test value of the X-axis test item is less than 50, and a disease tendency is suspected.
  • the deviation value Yj) of the test result of the Y-axis test item of the other party to be compared is also less than 50, which is also a disease tendency. Therefore, in both cases, the test item is a disease tendency, and the correlation coefficient CCij is shifted to the red side to emphasize the disease more according to the coefficient when the correlation coefficient CCij is greater than 0.2. Conversely, when the correlation coefficient CCij is smaller than ⁇ 0.2, an operation of reducing the red of the disease tendency is performed.
  • the deviation value of the BMI test result is a good value of about 60 or more, for example, about 60
  • the test result of HbA1c is a deviation value of 50 or less, for example, a value of 40 or less
  • FIG. 20C it is assumed that a weak positive correlation is recognized between BMI and eGFR, and a strong positive correlation is recognized between BMI and HbA1c.
  • the BMI inspection result is displayed with a weak blue shading that is good in the cells 138x and 138y indicating the relationship with eGFR and HbA1c.
  • red shades that are defective in cells 138v and 138u indicating the relationship with BMI are displayed weakly.
  • the shift ratio k2 may be 1, and the shift amount may be corrected when the group correlation (disease tendency or health triangle) is seen.
  • group correlation disease tendency or health triangle
  • the immune system When the immune system is low at the beginning of the disease trend, it may be changed according to patient conditions such as sleep, meals, stress and exhaustion of physical strength.
  • the weight factor k3 By changing the weight factor k3 in consideration of the influence of a specific disease, a certain medicine, or a living environment, it is possible to generate a heat map 175 that displays the specific change with more focus.
  • the AI unit 20 can function as an adjustment parameter when the analysis is advanced focusing on such a condition.
  • the above processing method is an example of a processing method in which the shift amount ⁇ s is displayed with a large difference in shade in the heat map 175 depending on the position (meaning) of the deviation value so that the patient's state can be seen more directly.
  • the method for generating the map 175 is not limited to this.
  • the above processing method is based on simple multiplication and division, and uses a Z-score indicating the position of the deviation value to form a pattern that can be easily recognized as an image without much complicated processing. In terms, it is one preferred method.
  • the meaning of the deviation value of the test result is greatly changed by an average of 50, and if the deviation value becomes large, it is necessary to consider it as a case that does not occur much in terms of probability. Can also be reflected in the pattern.
  • FIG. 21 shows an example of a heat map (individual matrix) 175 at a time point (second time point) after several months of the same patient.
  • the AI unit 20 can estimate the state of the patient at that time by recognizing the pattern of the heat map 175, and can estimate the transition of the health state of the patient.
  • FIG. 22 shows an example of the displacement matrix 18 generated by the second individual displacement matrix generation unit 16b.
  • the displacement matrix 18 shown in FIG. 22 is a heat map (differential heat) obtained by extracting the color difference (blue and red) of the heat map 175 shown in FIG. Map) 185.
  • the AI unit 20 recognizes the pattern appearing in the difference heat map 185 and collates it with the result of machine learning, so that the transition of the patient's health condition can be estimated more clearly.
  • 22A shows the difference heat map 185 in shades
  • FIG. 22B shows the difference heat map 185a in which the shades of the respective colors are replaced with symbols on the drawing.
  • FIG. 23 shows an outline of processing in the examination system 10.
  • This process 500 is a method of estimating the states of individual complex systems of a large number of complex systems to be inspected by the computer 50.
  • the first filtering unit 15 determines the stage to which the patient belongs (stage to which the patient's health condition belongs) in order to extract the static matrix 13 for filtering.
  • the stage in which the patient's health condition changes with time can be determined based on, for example, deviation values of all or some of the test results of many test items.
  • the inspection result of each inspection item appears in a cell 138d arranged on a diagonal line in the heat map 175 shown in FIG.
  • the pattern of the diagonal cell 138d can be determined based on the pattern of color and shading (the patient's health stage can be determined and the static matrix 13 at that stage can be selected.
  • the selected static matrix 13 is 1).
  • the static matrix 13 may be extracted in a plurality of stages that may correspond to the health condition of the patient.
  • the first filtering unit 15 generates a patient-specific matrix 17.
  • the test results of the multiple test items at the first time point of the patient which is an individual complex system, are matrixed based on the multiple correlation information 316 between the test results of the multiple test items of the static matrix 13.
  • An individual matrix (first matrix) 17 is generated.
  • each of the plurality of cells 138 included in the matrix 13 at each stage reflects the relationship between the test results of the plurality of test items at the first time point of the patient as the first complex system. 17 may be generated.
  • test results of a large number of test items at the first time point of the patient are expanded in a plurality of cells 138 using a large number of correlation information 316 between the test results of a large number of test items in the matrix 13 at each stage, A heat map 175 may be generated.
  • the first estimation unit 21 estimates the current state (health state) of the patient based on the individual matrix 17.
  • the patient's health state may be estimated by the AI unit 20 including artificial intelligence in which the correspondence between the plurality of individual matrices 17 and the plurality of health states is learned by machine learning.
  • the second filtering unit 16 collects the individual matrix 17 that summarizes the examination results of the patient examination items at the second time point that has elapsed from the first time point, and the individual matrix 17 at the first time point.
  • the individual displacement matrix 18 including the displacement information is generated.
  • the individual displacement matrix 18 reflecting the displacement of the patient's health state may be generated in the transition matrix 14, or the difference heat map 185 may be generated.
  • step 550 the second estimation unit 22 estimates the transition of the patient's health based on the displacement matrix 18.
  • step 550 a process of verifying whether the patient state indicated in the latest individual matrix 17 matches the state estimated from the past individual matrix 17 may be included. Further, step 550 may include a process of estimating the future health state transition of the patient.
  • the diagnosis system 10 outputs the diagnosis result 3 including the estimated patient health state and information such as a heat map as a basis thereof, and the expert doctor confirms the estimated health state. . Based on the estimated health condition, the doctor can add more examination items or define a treatment policy if necessary.
  • a program (program product, software) 51 for causing the computer 50 to execute these processes can be recorded on an appropriate recording medium and provided, or can be provided via a computer network such as the Internet. It is.
  • the above-described diagnosis system (diagnostic system) 10 can estimate the state of a complex and advanced system based on regular or continuous observation data, not limited to healthcare and illness. For this reason, the present invention can be applied to a system that performs automatic replacement / repair / repair due to deterioration of activity and individual operation state of the entire system or deterioration / failure / abnormality (including changes over time) of components.
  • a system including artificial intelligence (AI) can predict and estimate the normal value and failure / abnormality risk of an advanced system from the correlation of fluctuation values of a plurality of parameters.
  • a system including AI is a hybrid system (diagnostic system) including two engines, a knowledge-based reasoning engine (including a verification engine and an optimization engine) and a deep learning type AI engine. It is possible to predict and estimate system normal values and failure / abnormal risks.
  • FIG. 24 shows an example of another diagnostic system.
  • the diagnosis system 300 uses a person (human body, person) as an object to be diagnosed (object).
  • the diagnosis system (Axion system) 300 includes an artificial intelligence (AI) 321, an inference engine 322 including a function as an expert system of a doctor who is a human examiner (diagnostic) as an object, and input data 311.
  • a hybrid engine (diagnostic engine, axion engine, AXiR) including an education system 330 that generates an input replica 313 including a replica of input data for educating the artificial intelligence 321 with respect to a diagnosis result of the artificial intelligence 321 and the inference engine 322 Engine) 320.
  • the input data 311 is provided to the inference engine 322 and the AI engine 321 through the input processing module 325, the pre-processing module 326, and the correlation processing module 327.
  • the diagnosis engine 320 includes a verification engine 323 that verifies the outputs of the artificial intelligence (AI engine) 321 and the inference engine 322, an optimization engine 323 that optimizes the input replica 313 based on the verification engine 323 and the verification result, A replica generation module (replica generator) 319 that generates an input replica 313 in accordance with optimization requirements of the optimization engine 323.
  • the replica generator 319 is configured by hardware different from the diagnosis engine 320, but may be configured by the same hardware.
  • this hybrid type diagnosis engine 320 first, the AI engine 321 is trained by an input replica 313 generated in response to feedback from the verification engine 323 and the optimization engine 324, and the diagnosis accuracy is automatically or autonomously improved. Is realized.
  • the diagnosis engine 320 is a hybrid implementation of the inference engine 322 and the AI engine 321, after the AI engine 321 is trained, the inference engine 322, which is a medical expert system, and the AI engine 321.
  • the diagnosis engine 320 is characterized in that the self-learning function of the AI engine 321, the verification engine 323, and the optimization engine 324 function and support this in order to improve prediction / inference accuracy.
  • the inference engine 322 and the AI engine 321 function as a hybrid type, the feature is that the AI engine 321 is continuously switched when the prediction / inference accuracy exceeds that of the inference engine 322.
  • a replica generation module 319 exists outside so that it can function even with a small amount of input data, and the replica generation variation is changed by an instruction from the optimization engine 324.
  • the AI engine 321 to be implemented is based on deep learning 350.
  • the education system 330 uses three engines, an inference engine 322, a verification engine 323, and an optimization engine 324 so that the AI engine 321 can function even with a small amount of input data 311 (to be trained autonomously) Supports the growth of the AI engine 321 by playing a part of the support of the AI engine 321 and the self-learning function.
  • the three engines 322 to 324 of the education system 330 also have a function of improving the prediction accuracy / inference accuracy of the diagnosis system 300 and the AI engine 321. That is, the education system 330 functions as a kind of feedback circuit for improving accuracy.
  • the AI engine 321 gradually exceeds the prediction accuracy of the inference engine 322 by the education system 330.
  • the winning rate between the AI engine 321 and the inference engine 322 is determined by the verification engine 323 and the final determination / determination module 328 that performs final determination downstream thereof.
  • the engine 323 and the module 328 are determined by the inference engine.
  • the verification engine 323 and the final determination / decision module 328 determine the diagnosis result of the AI engine 321.
  • the inference engine 322 goes to the backup side, and its inference and prediction are not used for the time being.
  • the verification engine 323 and the optimization engine 324 continue to support the functions even when the AI engine 321 is performing the main operation.
  • the function, nature, ability, and the like of the diagnosis engine 320 depend on the three engines included in the education system 330, that is, the inference engine 322, the verification engine 323, and the optimization engine 324.
  • These engines 322 to 324 are basically based on the concept of a meta model.
  • diagnosis target is performing well, malfunctioning, failure, or failure due to defects in internal components or parts, regardless of the extent, and the causes and problems can be determined from measurement data and observation data. It can be designed with the assumption that it will make predictions, give advice on responses, and provide necessary and expected information.
  • a meta model description file 314 that describes the functions of these engines 322, 323, and 324 describes a definition body, correlation information, input information, statistical information, and evaluation information to the outside as much as possible.
  • the system can be adapted to change the description information for the system and application. Therefore, the diagnosis engine 320 changes its role, defense range, and correspondence by changing the input data 311 and the meta model description file 314. Moreover, even in the same application target field, by using specialized input data 311, it becomes possible to create (educate) a diagnostic engine 320 having different expertise and personality.
  • An example is based on a meta model description file 314 based on input data 311 in different fields such as health measurement in the health care field, breast cancer, pancreatic cancer, kidney cancer, lung cancer, stomach cancer, liver cancer, colon cancer, etc.
  • the field to which the diagnostic engine 320 can be applied is not limited to healthcare, but may be an industrial field such as a gas turbine engine, factory automation, a commercial or service field such as finance, and an entertainment field such as a game. As described above.
  • the inference engine 322 is defined in the meta model description file 314, and the internal parts that are causally related to the good / bad / malfunction / failure / damage of a complex system or their relationship / activity / activity. These correlations are shown by using input data 311 which is a basis for estimating the recovery function, immunity, adjustment mechanism, and deterioration factor.
  • the estimation engine 322 estimates the internal replica 313 of the diagnostic object from the input data 311 and sets it as the primary prediction. If the primary prediction is reliable within a certain range, the input data is re-estimated as the secondary prediction. From this second-order prediction, the timing and damage of the good / bad / malfunction / failure / damage (limit) of the system that is of concern are executed as a third-order prediction.
  • the input data (measurement data and questionnaire) 311 and the replica 313 generated therefrom, that is, the internal replica, and the regenerated input from the variation of the internal replica are input.
  • the replica and the smallest difference value (dispersion value) between this and the measurement data are listed as potential candidates.
  • the correlation with the input data 311 is estimated from a file describing the correlation. If it is difficult to narrow down due to the presence of the verification engine 323, the estimation accuracy may be improved by performing additional tests and obtaining new input data 311 and inquiry data. This is also used for the optimization engine 324 and contributes to improvement of prediction / estimation accuracy.
  • the input / output correlation table / description file 315 needs to be periodically reviewed and updated in order to ensure this accuracy improvement.
  • the correlation table information needs to include information indicating the relationship between input data or inquiry information and internal parts of the human body (organ, blood vessel, bone, spinal cord, etc.).
  • the output data 312 may be output via a PE engine 318 that performs social type analysis of the patient.
  • the input replica 313 is data generated from a probabilistic model based on statistical data and actual data and replacing actual measurement data. Probability model specified from mean value and variance value.
  • Health care input data 311 includes blood test, urine test, breath / skin gas measurement, body temperature, visceral fat, subcutaneous fat, muscle mass, body fat rate, estimated bone This data includes measurement values such as volume, blood pressure, blood flow, heart rate, and autonomic nerve excitement, image diagnosis results, microRNA, ncRNA, DNA, and questionnaires.
  • the input replica generation module 319 is a module that generates data (input replica) 313 to replace actual measurement data based on statistical data and actual data.
  • the replica model may be a non-correlation model (also called a simple model, a model having no correlation between data). Model).
  • the correlation model can be introduced via the input / output correlation table 315.
  • the correlation table 315 is a file that defines the correlation between the input data (inspection data) 311 and the internal state index (such as the activity rate of each part). Therefore, the correlation processing module 327 is a statistical model including the static matrix 13 and the transition matrix 14 described above, and the normal range and the abnormal range of the measurement data are statistically known. State can be defined as an indicator.
  • the AI engine 321 can learn this shift path as a disease tree / disease map while learning a plurality of disease correlations (amounts) and patterns as disease risks. Then, it becomes possible to determine the path of disease shift in a form including other standard variables for maintaining health. Therefore, the system 300 including the diagnosis engine 320 can include the function as the diagnosis system 10 described above.
  • the system 10 for estimating the state of the first inspection target system among a number of inspection target systems is disclosed.
  • This system (diagnosis system, diagnosis system) is configured to provide a plurality of test system states for each of a plurality of static states specified among a plurality of test system states that change over time.
  • a first unit 11 storing a large number of correlations between a large number of test items in each state as a static matrix 13 of each state, which is a group of a large number of correlations of each state, and a first of the system to be tested
  • a first static state of the first system under test by comparing a first relationship between a number of test items at a point in time with a number of correlations between a number of test items of the static matrix of each state
  • a static determination unit 21 for estimating.
  • the static determination unit 21 may include a first AI unit (artificial intelligence unit) 20 that recognizes an image of the relationship between the first relationship and the static matrix of each state and estimates the first static state.
  • the first AI unit 20 includes a unit that recognizes an individual matrix of each state obtained by converting the first relationship into an image using the static matrix 13 of each state as a filter and estimates the first static state. But you can.
  • the diagnostic system 10 further includes a dynamic matrix 14 for each state that includes multiple correlation displacements between the static matrices for each state, reflecting the changes in the state of the multiple systems under test over time.
  • a second unit 12 that stores a dynamic matrix and a first relationship of a second relationship between a number of test items at a second time of the first system to be tested that has passed since the first time
  • a dynamic determination unit 22 that compares the displacement and the dynamic matrix of each state and verifies the second static state estimated by the static determination unit based on the second relationship.
  • the dynamic matrix may include displacements from other states of multiple correlations, and may include displacements of multiple correlations to other states. In addition to the static correlation of multiple test items, changes over time of multiple test items can be compared to the dynamic matrix of each state, providing symptom estimates with greater accuracy.
  • the dynamic determination unit 22 may include a function for estimating a state transition after the second time point of the system to be inspected first. Since the dynamic determination unit estimates the state based on the past progress, the future progress can be estimated by the extension.
  • the dynamic determination unit 22 includes a second AI unit (common AI unit in this example) 20 that recognizes an image of the relationship between the displacement and the dynamic matrix of each state and estimates a second static state. But you can.
  • the second AI unit may be the same as or independent from the first AI unit.
  • the second AI unit may include a unit that recognizes the individual displacement matrix of each state obtained by converting the displacement into an image using the dynamic matrix of each state as a filter and estimates the second static state. .
  • the system 10 includes an automatic generation unit 30 that adds at least one of the first relationship and the second relationship to the static matrix of each state and the dynamic matrix of each state based on the verification result of the dynamic determination unit. You may have.
  • the automatic generation unit may include a unit that automatically generates a large number of correlations between a large number of inspection items in each state using a replica of the system to be inspected.
  • One of the other aspects disclosed above is a method of estimating the state of the first system to be inspected among a number of systems to be inspected by AI (artificial intelligence). For each state of a plurality of static states specified among a plurality of states of a large number of test target systems that change over time, the AI is defined as a value between a large number of test items in each state of a large number of test target systems.
  • AI artificial intelligence
  • a first unit storing a plurality of correlations as a static matrix of each state that is a collection of the plurality of correlations for each state, wherein the method is such that the AI of the first system under test is
  • the first static relationship of the first system to be tested is compared by comparing the first relationship between the multiple test items at the first time point with the multiple correlations between the multiple test items of the static matrix in each state.
  • a first step of estimating a general state may be included. The first step may include estimating the first static state by recognizing the individual matrix of each state obtained by converting the first relationship into an image using the static matrix of each state as a filter. *
  • the AI may be accessible to a second unit that stores a dynamic matrix for each state, and the method further includes a second of the first system under test over time from the first time point. Comparing the displacement of the second relationship between the multiple inspection items at the time of the second relationship with respect to the first relationship and the dynamic matrix of each state, and estimating the second relationship estimated by the static determination unit based on the second relationship A second step of verifying the static state may be included.
  • the second static state is obtained by recognizing the individual displacement matrix of each state obtained by converting the displacement of the second relationship with respect to the first relationship into an image using the dynamic matrix of each state as a filter. May be estimated.
  • the method may include a third step of estimating a state transition after the second time point of the system to be inspected first.
  • the diagnosis system in which the human body (human) is a complex system to be inspected has been described.
  • the complex system to be inspected may be other animals and plants including livestock and pets. It may be hardware (mechatronics) such as a vehicle or an engine, or may be software such as an application or AI.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

多数の検査対象の複雑系の個別の複雑系の状態を推定するシステム（１０）は、多数の検査対象の複雑系の経時的変化の各段階に該当する多数の検査対象の複雑系の状態を示唆する多数の検査項目の検査結果間の多数の相関情報を含む各段階のマトリクス（１３）を格納したストレージ（１２）と、個別の複雑系である第１の複雑系の第１の時点における多数の検査項目の検査結果を、各段階のマトリクスの少なくともいずれかのマトリクスの多数の検査項目の検査結果間の多数の相関情報に基づきマトリクス化した第１のマトリクス（１７）に基づき第１の複雑系の第１の状態を推定するように構成された第１の推定ユニット（２１）とを有する。

Description

検査対象の複雑系の状態を推定するシステム
　本発明は、検査対象の複雑系の状態を検査項目の検査結果から推定するシステムに関するものである。
　日本国特開２０１７－９１５８６号公報には、健康管理対象者の食事や健康状態から適切なアドバイスメッセージを生成して、健康管理のカリキュラム実行のモチベーションを向上させることができる健康管理サーバを提供することが記載されている。この文献には、健康管理対象者が保有する端末とネットワークを介して接続された健康管理サーバであって、健康管理対象者が選択した一のカリキュラム情報を端末から受信する受信部と、健康管理対象者の行動パターンを記憶する記憶部と、カリキュラム情報に基づく行動が継続されている場合の継続パターンと、カリキュラム情報に基づく行動が停滞した場合の停滞パターンと、に分析する分析部と、将来予測される健康管理対象者の身体情報および容姿を推測する人工知能部と、身体情報および容姿を生成する生成部と、画像情報または文例情報として端末に送信する送信部とを備える。
　人体（人間）、動植物、気象現象、人間経済、エンジン、プラントなどの数多くの要素で構成され、それぞれの要素が相互に且つ複雑に絡み合った複雑なシステムを検査対象の複雑系として、その状態を精度よく推定できるシステムが求められている。
　本発明の一態様は、多数の検査対象の複雑系の個別の複雑系の状態を推定するシステムである。このシステム（診察システム、診断システム）は、多数の検査対象の複雑系の経時的変化の各段階に該当する前記多数の検査対象の複雑系の状態を示唆する多数の検査項目の検査結果間の多数の相関情報を含む各段階のマトリクス（静的マトリクス）を格納した第１のストレージと、個別の複雑系である第１の複雑系の第１の時点における多数の検査項目の検査結果を、各段階のマトリクスの少なくともいずれかのマトリクスの多数の検査項目の検査結果間の多数の相関情報に基づきマトリクス化した第１のマトリクスに基づき第１の複雑系の第１の状態を推定するように構成された第１の推定ユニットとを有する。各段階のマトリクスは、複数の検査項目の検査結果同士の相関情報を含む複数のセルを含む。本明細書において、多数とは、２－３個を含む複数ではなく、少なくとも５、または少なくとも１０の複雑系または検査項目などを対象としていることを示す。
　このシステムにおいては、特定の異常を判断するように用意された検査項目（パラメータ）の検査結果の数値の上昇あるいは減少だけにより、検査対象の複雑系の状態を判断するのではなく、多数の検査項目について、それら相互の、すなわち、検査項目間の相関を、検査対象の複雑系の状態を判断する指標として用いる。さらに、多数の検査項目間の相関は、特定の相関が特定の異常を示唆するとは限らないと考えられる。このため、本システムにおいては、多数の検査対象の複雑系の多数の検査項目間の多数の相関を事前に取得し、多数の検査対象の複雑系が時間経過により遷移する複数の段階（状態）の中で、その段階の状態の判断が確定していると考えられる特定された複数の各段階（静的な状態）について、多数の相関を複数のセルを含む１つのマトリクス（静的マトリクス）として纏め、各段階のマトリクスを準備する。
　複雑系の経時的な各段階の一例は、正常な状態、事前に要因が判明している各種の異常な状態（正常ではない状態、非正常な状態）、正常状態とも非正常状態とも言えない準正常な状態などである。準正常な状態は、要因が判明していない非正常な状態であってもよい。特定の準正常な状態が、多数の検査対象の複雑系の状態変位から確定していれば、正常状態、非正常状態、準正常状態の各段階のマトリクスのいずれにも含まれない状態（段階）を、新たな非正常状態、あるいは新たな準非正常状態として推定してもよい。検査対象の複雑系が人間あるいは動物であれば、健康状態が、例えば、年齢、体力、生活環境、疾病などの様々な要因により良好な状態から経時的に（徐々にあるいは急激に）悪化したり、治療や環境の変化などにより、経時的に回復あるいは好転することがある。
　第１の推定ユニットは、複数の第１のマトリクスと複数の第１の状態との対応関係を機械学習により学習した人工知能により、第１の複雑系の第１の状態を推定するように構成された第１のＡＩユニットを含んでもよい。人工知能（ＡＩ）は、複数のセルを含む第１のマトリクスを画像認識して第１の状態との対応関係を機械学習した人工知能であってもよい。マトリクスを構成する複数のセルの各々は、２または複数の検査項目の検査結果の相関情報を含む２次元または３次元のセルであってもよく、典型的には、第１の検査項目の検査結果と第２の検査項目の検査結果との相関を統計的に処理した情報（相関係数、相関分析）を、散布図、分布図、等値線、色などにより示す２次元のセルであってもよい。これらのセルを含むマトリクスは人工知能による画像認識により解析したり、分類したりすることが可能である。したがって、第１の複雑系の検査結果を、各段階のマトリクスをフィルターとして画像に変換して人工知能により画像認識して第１の複雑系の第１の状態を精度よく推定できる。
　このシステムは、各段階のマトリックスに含まれる複数のセルのそれぞれに、第１の複雑系の第１の時点における複数の検査項目の検査結果同士の関係を反映した第１のマトリクスを生成するように構成された第１の生成ユニットを含んでもよい。検査対象の第１の複雑系の第１の時点における多数の検査項目の検査結果間の第１の関係と、各段階のマトリクスの多数の検査項目間の多数の相関関係とを比較して第１の複雑系の第１の時点における第１の状態を推定できる。
　このシステムは、第１の複雑系の第１の時点における多数の検査項目の検査結果を、各段階のマトリクスの多数の検査項目の検査結果間の多数の相関情報を用いて、複数のセルに展開した第１のマトリクスを生成するように構成された第２の生成ユニットを含んでもよい。各段階において、検査結果間に相関があれば、その情報を用いて、検査対象の第１の複雑系の検査結果を第１のマトリクスに強調したり、編集したりして表すことが可能となり、より精度よく第１の状態を推定しやすくなる。
　このシステムは、複数のセルが多数の検査項目をＸおよびＹ軸とする２次元に配置された第１のマトリクスを出力するように構成された出力ユニットをさらに有していてもよい。複数のセルが２次元に配置された第１のマトリクスは、人間も画像として把握することができ、このシステム、特に、ＡＩが推定した経緯および／または結果を、専門家が追跡したり、追認することが可能となる。
　このシステムは、さらに、第１の時点から時間が経過した第１の複雑系の第２の時点における第２のマトリクスと、第１の時点における第１のマトリクスとの変位に基づき第１の複雑系の状態の推移を推定するように構成された第２の推定ユニットをさらに有していてもよい。第２のマトリクスは、第２の時点における検査対象の第１の複雑系の多数の検査項目の検査結果を、各段階のマトリクスの少なくともいずれかのマトリクスの多数の検査項目の検査結果間の多数の相関情報に基づきマトリクス化したものである。
　ストレージは、各段階のマトリクスの間の多数の相関情報が遷移する情報を含む移行マトリクス（段階移行マトリクス）であって、多数の検査対象のシステムの経時的な状態の変化を反映した移行マトリクスを含んでもよい。第２の推定ユニットは、第１のマトリクスから第２のマトリクスへの変位と段階間のマトリクスとを比較して、第２のマトリクスに基づき推定された第１の複雑系の第２の状態を検証するように構成されたユニットを含んでもよい。移行マトリクスは、多数の相関が他の段階から遷移（推移、変位）する情報含んでいてもよく、多数の相関の他の段階への遷移または変位を含んでいてもよい。多数の検査項目の静的な相関に加えて、多数の検査項目の経時的な変化を、段階間の遷移を示す移行マトリクス（動的マトリクス）と比較することが可能であり、症状の推定をより高い精度で提供できる。
　第２の推定ユニットは、第１の複雑系の第２の時点以降の状態の推移を推定するように構成されたユニットを含んでもよい。第１の複雑系の過去の経時変化の過程（経過）に基づき、その延長で、第１の複雑系の今後の経過を推定してもよい。
　第２の推定ユニットは、複数の第１のマトリクスと複数の第２のマトリクスとの間の変位と、多数の検査対象の複雑系の経時的な状態変化との対応関係を機械学習により学習した人工知能により、第１の複雑系の状態の推移を推定するように構成された第２のＡＩユニットを含んでもよい。第２のＡＩユニットは、第１のＡＩユニットと共通であってもよく、共通の人工知能を用いるように構成されていてもよい。また、第２のＡＩユニットは、第１の複雑系の状態の経時的な変位を、段階間の動的マトリクスをフィルターとして画像に変換した個別の変位マトリクスを画像認識して第２の状態を推定する機能を含んでもよい。
　各段階のマトリクスおよび段階移行のマトリクスは、できるだけ多くの検査対象の複雑系の検査結果を含むことが望ましく、このシステムにより状態が推定された第１の複雑系の検査結果を自動的にこれらのマトリクスの情報として組み込んでもよい。検査対象の複雑系の検査結果の数は多ければ多い方が望ましく、このシステムは、検査対象の複雑系のレプリカを用いて各段階の多数の検査項目間の多数の相関情報（相関関係）を自動生成するように構成されたユニットを含んでもよい。レプリカは複雑系を模したシミュレータであってもよく、乱数を用いて統計的に検査結果が得られるモデルであってもよい。
　検査対象の複雑系は人体であってもよく、他の動物、植物、プラント、船舶、車両、タービンエンジンなどの多数の要素を含む他の複雑系であってもよい。検査対象の複雑系が人体の場合は、当該システムは、医師の診察の予備診察システムとして機能してもよい。
　本発明の他の態様の１つは、コンピュータにより、多数の検査対象の複雑系の個別の複雑系の状態を推定する方法である。コンピュータは、多数の検査対象の複雑系の状態の経時的変化の各段階に該当する多数の検査対象の複雑系の状態を示唆する多数の検査項目の検査結果間の多数の相関情報を含む各段階のマトリクスであって、複数の検査項目の検査結果同士の相関情報を含む複数のセルを含む各段階のマトリクスを格納した第１のストレージを有する。当該方法は、個別の複雑系である第１の複雑系の第１の時点における多数の検査項目の検査結果を、各段階のマトリクスの少なくともいずれかのマトリクスの多数の検査項目の検査結果間の多数の相関情報に基づきマトリクス化した第１のマトリクスに基づき第１の複雑系の第１の状態を推定する第１の推定処理を、コンピュータに実行させることを含む。
　第１の推定処理は、複数の第１のマトリクスと複数の第１の状態との対応関係を機械学習により学習した人工知能により、第１の複雑系の前記第１の状態を推定することを含んでもよい。また、当該方法は、各段階のマトリックスに含まれる複数のセルのそれぞれに、第１の複雑系の第１の時点における複数の検査項目の検査結果同士の関係を反映した第１のマトリクスを生成する処理をコンピュータに実行させることを含んでもよい。また、当該方法は、第１の複雑系の第１の時点における多数の検査項目の検査結果を、各段階のマトリクスの多数の検査項目の検査結果間の多数の相関関係を用いて、複数のセルに展開した第１のマトリクスを生成する処理をコンピュータに実行させることを含んでもよい。
　当該方法は、さらに、第１の時点から時間が経過した第１の複雑系の第２の時点における多数の検査項目の検査結果を、各段階のマトリクスの少なくともいずれかのマトリクスの多数の検査項目の検査結果間の多数の相関情報に基づきマトリクス化した第２のマトリクスと、第１のマトリクスとの変位に基づき第１の複雑系の状態の推移を推定する第２の推定処理をコンピュータが実行することをさらに有してもよい。
　ストレージは、各段階のマトリクスの間の多数の相関情報が遷移する情報を含む移行マトリクスであって、多数の検査対象のシステムの経時的な状態の変化を反映した移行マトリクスを含んでもよい。第２の推定処理は、第１のマトリクスから第２のマトリクスへの変位と移行マトリクスとを比較して、第２のマトリクスに基づき推定された第１の複雑系の第２の状態を検証することを含んでもよい。また、第２の推定処理は、第１の複雑系の前記第２の時点以降の状態の推移を推定することを含んでもよい。
　本発明のさらに異なる他の態様の１つは、上記の方法をコンピュータにより実行するためのプログラム（プログラム製品）である。プログラムは、適当な記録媒体に記録して提供してもよく、ネットワークを介して提供してもよい。
診察システムの概要を示すブロック図。 複雑系の一例である患者の健康状態が経時的に変化する段階の一例を示す図。 健康体、未病および疾病の患者の統計的なデータを模式的に示す図。 各段階のマトリクス（静的マトリクス）の一例であり、超健康体の段階のマトリクスの一例を示す図。 図４に示すマトリクスの一部を拡大して示す図。 各段階のマトリクスの一例であり、未病の段階のマトリクスの一例を示す図。 各段階のマトリクスの一例であり、疾病の段階のマトリクスの一例を示す図。 複数の段階のマトリクスを比較して示す図。 超健康体の段階のマトリクスにセルとして含まれる散布図の幾つかの例を示す図。 未病の段階のマトリクスにセルとして含まれる散布図の幾つかの例を示す図。 疾病の段階のマトリクスにセルとして含まれる散布図の幾つかの例を示す図。 各段階のマトリクスの異なる例を示す図。 移行マトリクス（ベクトルマップ）の一例を示す図。 各段階のマトリクスのセルに含まれる相関が段階により変化する様子を示す図であり、図１４（ａ）は超健康体の段階、図１４（ｂ）は未病の段階、図１４（ｃ）は疾病の段階の一例を示す図である。 各段階で検査項目の検査結果の分布が各段階で変化する様子を示す図であり、図１５（ａ）は、ＬＤＬの検査結果の分布を示し、図１５（ｂ）はＴＣの検査結果の分布を示す図。 個別マトリクスに含まれるセルの一例を示す図。 個別変位マトリクスに含まれるセルの一例であり、図１７（ａ）は静的マトリクスのセルに、患者の検査結果の変位を反映した例を示し、図１７（ｂ）は相関情報により変位を表徴した例を示す図。 マトリクスの自動生成の例を示す図である、図１８（ａ）は実サンプルによる相関情報の例を示し、図１８（ｂ）はレプリカによる相関情報の例を示す図。 個別マトリクスの他の例であるヒートマップの一例を示す図であり、図１９（ａ）は濃淡でヒートマップを示し、図１９（ｂ）は図１９（ｃ）に示す対応表にしたがって、濃淡を記号に置き換えた図。 ヒートマップの生成方法を示す図であり、図２０（ａ）は対角線のセルの情報を展開する様子を示し、図２０（ｂ）は対角線のセルの偏差値を図２０（ｃ）に示す相関係数を用いてシフトする様子を示す図。 図１９のヒートマップに対して時間が経過したヒートマップの一例であり、図２１（ａ）は濃淡でヒートマップを示し、図２１（ｂ）は濃淡に対応する記号でヒートマップを示す図。 図１９および図２１に示すヒートマップの差分を示すヒートマップの一例であり、図２２（ａ）は濃淡で差分ヒートマップを示し、図２２（ｂ）は濃淡に対応する記号で差分ヒートマップを示す図。 診察システムの処理の概要を示すフローチャート。 ハイブリッドエンジンを搭載した診断エンジンの概要を示すブロック図。
発明の実施の形態
　図１に、人体（人間、人）を検査対象のシステムとする予備診察システムの概要を示している。この予備診察システム（診察システム、診断システム、診断装置、システム）１０は、検査対象の複雑系である人（患者）の検査結果２に基づいて、診察結果（推定あるいは診断された患者の健康状態を含む）３を出力し、専門家である医師５のレビューを経て、患者にレポート６を提出する。診察システム１０の一例は、診察システム用のプログラム（プログラム製品）を実行するコンピュータにより実現されるものである。同一の患者の過去および現在の検査結果２、プログラム５１などを格納したライブラリー（ストレージ）１１と、各段階のマトリクス（段階毎のマトリクス、段階単位のマトリクス）である静的マトリクス１３、および段階間の移行を示すマトリクス（移行マトリクス、段階移行マトリクス、動的マトリクス）１４を格納したライブラリー（第１のストレージ）１２とを含む。
　複雑系が経時的変化により状態が、正常な状態から、非正常な状態へ、異常とまでは言えないが正常状態でもない、準正常な状態を経て遷移していくことが知られている。複雑系として人間を例にすると、超健康体（正常な状態）から病体・疾患（異常状態、非正常な状態）へ、未病（準正常な状態）と称される状態を経て変化する。
　図２に、超健康体と未病と疾病との関係を示している。ヘルスケアで言えば、血液検査や尿検査の測定データ（検査結果）が、正常値に入っている場合は、従来の診断基準からは正常で特に問題があるということにはならない。すなわち、各測定データが正常値に入っていれば、各測定データに関する疾病については、健康体であると判定され、測定対象となったすべての測定データが正常値の範囲内であれば、疾病に関する危険性はなく、超健康体と認識されている。
　しかしながら、特定疾患へと遷移する可能性を含む将来リスクを管理するという視点では、検査項目の検査結果の間の弱い相関を分析すること必要があることを本願の発明者は提案する。検査結果（入力データ）間の相関を確認することにより、例えば、人体内部の特定の臓器に関連する複数データの関連性が表れる可能性がある。それらの相関を、クラスタリングされた複数データのマトリクスとして表現することにより、超健康体からどの程度離れているのかを偏差値（標準偏差から）として解析できる可能性がある。年齢・身体条件・体内で想定される骨密度・筋肉量・脂肪・血管年齢・毛細血管の活性度・免疫活性・ＨＬＡ・ＤＮＡ・ｍｉｃｒｏＲＮＡ・エクソソームなどの様々な検査項目の検査結果の相関を、遷移する段階毎に、あるいはその他の条件とともに統計処理し、個人の検査結果と比較することにより、健康から未病を経て疾患へとシフトするノード（変化点／複数の疾患への分岐のポイント）を推定あるいは予測できる可能性がある。それに基づいて、各疾患へと到達するまでの疾患成長マップ（病木）を作成し、この移動をトレースすることで、将来に起こる疾患リスクの予測推定が可能となる。
　図２に示すように、人体（人）の経時的変化として、超健康体２１０から未病２２０を経て病体２３０まで段階的に状態を設定できる。さらに、未病２２０については、母集団２０１である人の健康状態の分布が正規分布であるとしたときに、以下のように「レベル１」（レベル０は超健康体２１０）から「レベル５」までを設定できる。
レベル０：超健康体
健康体の中で、現在知られている疾患リスクの兆候が全く無い人を指す。所謂、超健康体、スーパーノーマルと言われる人で、人間ドック受診者の数パーセントしかいないという統計がある。
レベル１：未病の始まり／健康体予備軍
超健康体と比較して、標準偏差値が４５～５０の範囲にあって、疾患を示すマーカー物質や入力値の組み合わせが１つ以上検出されている場合を示す。但し、レベル２には該当しない場合をレベル１とする。
レベル２：未病の進行開始／非健康状態
標準偏差値が４０～５０の範囲にあり、疾患を示すマーカー物質や入力値の組み合わせが、２つ以上検出されている場合。レベル１または３では無いもの。
レベル３：未病の代表的位置／疾患リスクの顕在化
標準偏差値が３５～４５の範囲にあり、疾患を示すマーカー物質や入力値の組み合わせが、３つ以上検出されている場合。レベル４では無いもの。
レベル４：未病の要注意状態／疾患リスク注意
標準偏差値が３０～４０の範囲にあり、疾患を示すマーカー物質や入力値の組み合わせが、４つ以上検出されている場合。可能であれば、一度、医療機関で精密検査を受けた方が良いかも知れません。レベル５では、無い。
レベル５：未病から疾患への明確な移行期／疾患リスク警告
標準偏差値２０～３５の範囲にあり、疾患を示すマーカー物質や入力値の組み合わせが、５つ以上検出されている場合。特定の疾患または合併症だと医療機関で指摘される危険領域に進んでいる可能性がある。急いで、精密検査を受けた方が良い領域に入っている。
　図３に、たとえば、免疫タイプ（ＨＬＡ）や免疫活性度（免疫細胞の数と活動度）、その他の基礎的健康維持の為の各種のパラメータ等をベースにして母集団２０１の経時的変化を段階的に示している。右側から、段階的に超健康状態（超正常ｍＯｓｎ）２１０から健康体（ｍＯｃｓｎ、未病レベル１）、未病Ａ（略健康：ｍＯｎｄ、未病レベル２または３）、未病Ｂ（近病気：ｍＯｎｄｘ、未病レベル３または４）、発病初期（病気初期：ｍＯｃｘ、未病レベル５）、合併症（各種合併：ｍＣｘ）、感染症（各種：ｍＸｉｎｆｘ）、病体（疾患：ｍＸｏｏｏ）などの病体・疾病２３０へとシフトが起る。さらに、各段階に該当する人を抽出したときに、それぞれの段階において、抽出された人の母集団の状態（健康状態）は何等かの分布、例えば、正規分布を持っている。したがって、各段階の分布のどの位置に対象者の健康状態が該当するかにより、未病のレベル１－５の中で、安定しているのか、悪化する可能性があるのか、改善される方向にいるのか、などの判断が可能になる。
　例えば、現在の血液検査データは、人間ドックやその他医療機関の検査を通して統計的に健康体と思われる人々の基準値をベースにそれぞれの検査項目が単独でその範囲に入っていれば、正常／健康と判断されるのが一般的である。しかしながら、経験のある医者であれば、いくつかの項目が完全に基準値から外れていなくともその値の差分がより悪化している傾向を示すことに気付いた場合は、問題があると考える。この健康体から未病へとシフトするのかがどのタイミングで発生し、また、病体へとシフトして行くのかは、年齢や健康を担保する基礎パラメータと免疫活性により変化することが知られている。本願においては、通常の健康体と呼ばれる対象から各データの相関が殆ど無いことを確認した超健康体を積極的・意図的に実際の測定データから抽出して、これを超健康体の基準データとして、超健康状態２１０から未病段階２２０を経て様々な疾病段階２３０へとシフトすることを、多数の検査項目の検査結果、例えば、年齢、身体条件、体内で想定される骨密度、筋肉量、脂肪、血管年齢、毛細血管の活性度、免疫活性、ＨＬＡ、ＤＮＡ、mｉｃｒｏＲＮＡ、エクソソームなどの検査結果あるいは解析結果の相関情報を参照することにより推定可能とする。また、健康から未病を経て疾患へとシフトするノード（変化点／複数の疾患への分岐のポイント）から、各疾患へと到達する迄の疾患成長マップ（病木）を作成し、この移動をトレースすることで、将来に起こる疾患リスクの予測推定を可能とする。
　図４に、各段階のマトリクスである静的マトリクス１３の一例を示している。また、図５に、静的マトリクス１３の一部を拡大して示している。この静的マトリクス１３は、正常状態（超健康体）の静的マトリクス１３１の一例である。静的マトリクス１３は、検査対象の患者が含まれる人種毎、性別毎、特定の地域毎の人々、あるいは人類全体といった多数の人間（多数の検査対象のシステム）を母集団とする検査結果の統計データから作成される相関図の集合体である。１つ（１種類）の静的マトリクス１３は、母集団に含まれる人間が経る可能性がある、いくつかの状況・状態の１つを代表し、複数の状態に対して、複数の静的マトリクス１３がそれぞれライブラリー１２に用意される。正常状態の静的マトリクス１３１は、患者が属する母集団の中で、健康診断などで正常と判断された患者の検査結果の統計データの相関を解析した結果の一例である。
　各段階のマトリクスである静的マトリクス１３は、患者（対象者）が属する母集団を形成する多数の患者の多数の検査項目の検査結果間の多数の相関情報を含む。具体的には、静的マトリクス１３は、多数の検査項目の中の、複数の検査項目の検査結果同士の相関情報を含む複数のセル１３８を含む。各セル１３８は、多数の患者の各個人の各検査項目（各パラメータ）の検査結果（測定点）が統計的に処理された相関情報を含む。本例の静的マトリクス１３は、各セル１３８が２次元で、多数の検査項目の中の２つの検査項目の検査結果の相関が散布図１３９により示されている。すなわち、本例の静的マトリクス１３は、多数の患者の各個人の各検査項目の検査結果が各検査項目間の相関を示すようにＸ軸とＹ軸とを座標としてプロットされた、各検査項目間の相関を示す多数の散布図１３９の集合体（マトリクス）である。
　なお、セル１３８に含まれる相関情報は、多数の検査データのうち、異なる２つの検査項目の数値（検査結果）をＸ座標およびＹ座標とした点をプロットした２次元の散布図１３９に限らず、３次元または多次元の相関であってもよく、散布図の代わりに、散布図により得られた、相関の有無、相関係数（正、負を含めた）などの情報を数値、色、模様、図形などにより示したものであってもよい。静的マトリクス１３も、セル１３８を２次元に並べたものに限らず、３次元あるいはｎ次元に並べたものであってもよい。例えば、多数の検査項目の数値あるいは相関を含むセル１３８を、多数の検査項目のそれぞれを座標とする多次元の位置（関係）で示してもよい。セル１３８を２次元に並べた静的マトリクス１３は、医師などの人間の専門家がレビューしやすい情報形態の１つである。本明細書において、マトリクスは、多数のセル（２次元または３次元以上の多次元の平面または空間であって１または複数の値の統計的な情報および／または相関情報を表現できる単位）が、２次元または３次元以上の多次元に配列された集合体（マップ、アレイ、行列）を示す。
　静的マトリクス１３に含まれる多数の検査項目（検査内容）としては、血液検査、尿検査、呼気・皮膚ガス測定、体温・内臓脂肪・皮下脂肪・筋肉量・体脂肪率・推定骨量・血圧・血流・心拍数・自律神経興奮度等の測定値と、画像診断結果と、ｍｉｃｒｏＲＮＡ・ｎｃＲＮＡ・ＤＮＡ等とも共に問診票などが対象となり、これらの検査により得られる測定値（検査結果）が散布図１３９の対象となる。例えば、血液検査の測定項目の一例としては、ＴＧ（中性脂肪）、ＨＤＬ（ＨＲＬコレステロール）、ＬＤＬ（ＬＤＬコレステロール）、ＦＢＳ（グルコース（空腹時））、ＨｂＡ１ｃ（ヘモグロビンＡ１ｃ）、ＡＳＴ（アスパラギン酸アミノトランスフェラーゼ）、ＡＬＴ（アラニンアミノトランスフェラーゼ）、ｇＧＴ（γ-グルタミールトランスファラーゼ）、ＡＬＰ（アルカリホスファターゼ）、ＬＤ（乳酸脱水素酵素）、ＴＰ（総たんぱく）、ＴＣ（総コレステロール）、ＢＵＮ（尿素窒素）、Ｃｒ（クレアチニン）、ｅＧＦＲ（推算糸球体濾過量）、ＵＡ（尿酸）、ＲＢＣ（赤血球数）、Ｈｂ（ヘモグロビン）、Ｈｔ（ヘマトクリット）、ＭＣＶ（平均赤血球容積）、ＭＣＨ（平均赤血球色素量）、ＭＣＨＣ（平均赤血球色素濃度）が挙げられる。
　図４および図５に示した静的マトリクス１３には、超健康体と判断された患者についての、上記の検査項目と、他の項目、例えば、Ｗｅｉｓｔ（腹囲）、ＢＭＩ、ＢＰ＿Ｈ（最高血圧）、ＢＰ＿Ｌ（最低血圧）などの身体あるいは心肺検査項目とを含む多数の検査項目間の散布図１３９が、画像認識しやすいように２次元に配置されている。この静的マトリクス１３においては、検査項目間の相関を示すように、全ての数値を点として並べたものが左下の三角形の範囲１３４ａのセル１３８で、その相関を図式と数値で表現したものが右上の三角形の範囲１３４ｂのセル１３８となる。殆ど相関の見られないものは、小さな数値が示され、「＋」の値は正の相関があることを示し、「－」の数値は負の相関があることを示している。検査項目同士によっては、大きな相関があることがわかる。また、この静的マトリクス１３においては、各セル１３８の相関係数の正負および大小を右上の三角形の範囲１３４ｂのセル１３８に図形（傾きと楕円形状）および色の濃淡により示している。なお、三角形の範囲の境界となる対角線１３４ｃ上に配置されたセル１３８は、各検査項目の検査結果の各段階における分布を示している。
　図６に、静的マトリクス１３の異なる例を示している。相関情報を含む複数のセル１３８を含むマトリクス１３は、対象者の母集団の条件を変えることによりいくつでも生成できる。ここでは、経時的変化の各段階、すなわち、超健康体、未病の各レベル、各疾患などに対して、それぞれの段階の対象者を母集団としたマトリクスを、静的な状態のマトリクス（静的マトリクス）１３として生成する。
　図６に示す静的マトリクス１３は、準正常状態（未病）の静的マトリクス１３２の一例であり、患者が属する母集団の中で、健康診断などで正常とも非正常とも判断されなかった多数の患者の検査結果の統計データの相関を解析した結果の一例である。未病とは、測定データ・入力データ群の中で、超健康体と病体を除いたものを指す。超健康体とは、臨床医や人間ドックで全ての項目（測定データ・入力データ・問診）で正常値を示している患者を示し、病体とは、医者から病気と判断された患者を示す。通常、もっとも多数の患者が属する可能性がある状態であり、未病は、健康体に近い状態から、病体に近い状態を複数の段階的な状態で定義し、それぞれについてヒート・マップを用意することも可能である。
　図７に、静的マトリクス１３のさらに異なる例を示している。図７に示す静的マトリクス１３は、非正常状態（病体）の静的マトリクス１３３の一例であり、患者が属する母集団の中で、医師に特定の病気であると判断された多数の患者の検査結果の統計データの相関を解析した結果の一例である。病体の静的マトリクス１３３は、特定の疾病（疾患）について、その疾病の進行段階毎に、用意することができる。
　図８に、超健康体の静的マトリクス１３１、未病の静的マトリクス１３２および病体の静的マトリクス１３３の各段階のマトリクス１３を並べて配置している。また、図９に、超健康体の静的マトリクス１３１に含まれる代表的な相関図１３９の幾つかの例を示し、図１０に、未病の静的マトリクス１３２に含まれる代表的な相関図１３９の幾つかの例を示し、図１１に、病体の静的マトリクス１３３に含まれる代表的な相関図１３９の幾つかの例を示している。図９に含まれる超健康体の代表的な相関図１３９にはほとんど相関が認められず、プロットは分散している。図１０に含まれる相関図１３９には、超健康体に対し、明らかな相関が認められる検査項目があることが示されている。図１１に含まれる相関図１３９には、未病と同程度あるいはさらに強い相関を示す検査項目があることが示されている。
　これらの図は一例であり、各段階に含まれる患者の数に差があるため、各マトリクス１３に含まれる散布図１３９の測定値の数にばらつきがある。各段階のマトリクス１３は、母集団に含まれるサンプル数が増大することにより、いっそう各段階の特性が明らかになるはずである。これらのマトリクス１３からわかるように、各段階（各状態）で、強い相関が認められる検査項目に増減があり、各段階で、多数の検査項目間の相関をまとめた静的マトリクス１３が異なることがわかる。したがって、これらの静的マトリクス１３と、各患者の検査データに含まれる多数の検査項目間の関係（第１の関係）とを比較することにより、各患者の検査時（第１の時点）における状態を推定することができる。あるいは、各患者の検査結果を、これらの静的マトリクス１３をフィルターとして評価することが可能であり、各患者の状態を推定することができる。
　図１２に、静的マトリクス１３の他の例を示している。この静的マトリクス１３のセル１３８は、散布図１３９と、散布図の相関を示す確率分布１３７とを相関情報１３６として含む。各セル１３８は、各散布図１３９と、統計的な確率（標準偏差）の異なる領域を示す等高線とを含む。本願の発明者により、散布図１３９にまとめられた２つの検査項目の検査データの相関が１つの正規分布で表現できるケースと、複数の正規分布の混合として表現することが必要なケースとが見出されている。相関が複数の正規分布の混合として示される場合は、それらの正規分布が１対１で混合されていてもよく、異なる比で混合されていてもよい。検査項目間の相関を確率分布で表現することにより、後述するように、各患者の検査項目間の関係を画像化するフィルターとして静的マトリクス１３を使用することができる。また、統計データの数が少ないときにレプリカから統計的に意味がある数のサンプルを仮想的に生成して、静的マトリクス１３を生成したり、静的マトリクス１３の散布図１３９の一部あるいは全部を補充してもよい。
　図１３に、各段階の相関を示す静的マトリクス１３に対して、各段階の移行、すなわち、静的マトリクス１３の間の相関情報の遷移（動的な情報）を含む移行マトリクス（動的マトリクス）１４の一例を示している。図１３は、移行マトリクス（ベクトルマップ）１４に含まれる複数のセル１４８の１例であり、病体（非正常）の移行マトリクス１４３に含まれる１つのベクトル付き散布図１４９を示している。図１３に示した散布図１４９は、検査項目のうちの、総コレステロール値（ＴＣ）と、低比重リボ蛋白質（ＮＤ　ＬＤＬ）との相関を示したものである。移行マトリクスの一例であるベクトルマップ１４は、各段階の静的マトリクス１３の間の多数の相関の変位を含み、患者が含まれる母集団の経時的な状態の変化を反映したものである。本例のベクトルマップ１４は、相関情報の変位を示すセル１４８として、散布図１４９に、経時変化の方向と量とを矢印（ベクトル）１４７で示している。
　図１４に、各段階の静的マトリクス１３に含まれるセル１３８の一例として、総コレステロール値（ＴＣ）と低比重リボ蛋白質（ＮＤ　ＬＤＬ）と相関情報１３６を含む散布図１３９を示している。図１４（ａ）は超健康体の段階のマトリクス１３１に含まれる散布図１３９、図１４（ｂ）は未病の段階のマトリクス１３２に含まれる散布図１３９、図１４（ｃ）は病体の段階のマトリクス１３３に含まれる散布図１３９を示す。図１５（ａ）に、低比重リボ蛋白質（ＮＤ　ＬＤＬ）の測定値の各段階における分布を示し、図１５（ｂ）に、総コレステロール値（ＴＣ）の測定値（検査結果）の各段階における分布を示している。
　まず、図１５（ａ）および（ｂ）に示すように、超健康体の分布１３５ａは低いピークのカーブを示し、病体の分布１３５ｃは高いピークのカーブを示し、未病の分布１３５ｂはそれらの間になる。したがって、総コレステロール値（ＴＣ）と低比重リボ蛋白質（ＮＤ　ＬＤＬ）との相関は、段階によって変化（変位）し、図１４（ａ）～（ｃ）に示すように、超健康体の段階の静的マトリクス１３１の散布図１３９では相関がほとんど見られず、未病の段階の静的マトリクス１３２の散布図１３９では、ある程度の相関が表れ、病体の段階の静的マトリクス１３３の散布図１３９では高い相関がみられる。このように、段階により、マトリクス１３のセル１３８の散布図１３９の状態が変化し、プロットが移動することがわかる。
　このため、前回の検査結果２が得られた第１の時点から時間が経過した次回の検査結果の第２の時点における多数の検査項目間の第２の関係の、前回の検査結果２の検査項目間の第１の関係に対する変位と、各状態のベクトル付きの移行マトリクス１４とを比較することにより、患者の状態の遷移を推定することができる。したがって、今回の第２の関係と静的マトリクス１３とを比較することにより推定される状態（第２の静的な状態）を、移行マトリクス１４から推定される状態と比較することにより、次回の検査結果から推定される状態を検証でき、より精度の高い確率で、次回の検査結果に対応する状態を推定できる。
　図１に戻って、診察システム１０は、ライブラリー１２の各段階の静的マトリクス１３をフィルターとして、検査対象の複雑系（個別の複雑系、第１の複雑系）である患者の、それぞれの検査時の検査結果２を各段階の個別マトリクス（第１のマトリクス、第２のマトリクス）１７として生成する第１のフィルタリングユニット（静的フィルタリングユニット、静的フィルタ）１５と、段階の移行を示す移行マトリクス１４をフィルターとして検査結果２の変位（遷移、差分）を個別変位マトリクス（変位、変位マトリクス）１８として生成する第２のフィルタリングユニット（動的フィルタリングユニット、動的フィルタ）１６とを含む。さらに、診察システム１０は、各段階の個別マトリクス１７に基づき、第１の複雑系である患者（対象者）の健康状態（第１の状態）を推定するように構成された第１の推定ユニット（第１の推定機能、推定手段）２１を含む。
　この診察システム１０は、多数の検査対象の複雑系である多数の患者（人間）の中の、個別の第１の複雑系である患者個人（対象者）の状態を推定するシステムである。上述したように、各段階のマトリクス（静的マトリクス）１３は、多数の検査対象の患者の状態の経時的変化の中の、複数にグループ分けされた経時的な段階の各段階（超健康体、未病および疾患）に該当する多数の患者の状態を示唆する多数の検査項目の検査結果間の多数の相関情報を含む。さらに、静的マトリクス１３は、複数の検査項目の検査結果同士の相関情報を含む複数のセル１３８を含む。第１のフィルタリングユニット１５は、対象者（患者、第１の複雑系）の第１の時点における多数の検査項目の検査結果を、各段階のマトリクス１３の少なくともいずれかのマトリクスの多数の検査項目の検査結果間の多数の相関情報に基づきマトリクス化し、個別マトリクス（第１のマトリクス）１７を生成する。第１の推定ユニット２１は、個別マトリクス１７に基づき、患者のその時の状態（第１の状態）、例えば、超健康体、未病のレベルのいずれかであることを推定する。
　対象者の個別マトリクス１７を生成する方法の１つは、各段階のマトリクス１３に含まれる複数のセル１３８のそれぞれに、対象者の検査時点（第１の時点）における複数の検査項目の検査結果同士の関係を反映することである。第１のフィルタリングユニット１５は、この方法で個別マトリクス１７を生成するように構成された第１の生成ユニット（第１の生成機能、生成手段）１５ａを含む。
　個別マトリクス１７を生成する他の方法の１つは、対象者の検査時点（第１の時点）における多数の検査項目の検査結果を、各段階のマトリクス１３の多数の検査項目の検査結果間の多数の相関情報１３６を用いて、複数のセル１３８に展開することである。第１のフィルタリングユニット１５は、この方法で個別マトリクス１７を生成するように構成された第２の生成ユニット（第２の生成機能、生成手段）１５ｂを含む。
　図１６に、第１の生成ユニット１５ａにより生成された個別マトリクス１７の一例を示している。この個別マトリクス１７は、個別マトリクス１７に含まれる検査項目間の関係（第１の関係）として、中性脂肪（ＴＧ）とＨＲＬコレステロール（ＨＤＬ）との関係を示している。例として、３人の患者（対象者）の関係をプロットしており、患者Ａの測定値（関係）は相関が低い（確率が低い）位置であるので面積の小さなドット１７１で表示される。一方、患者Ｃの測定値は、相関の中心１７９に近い、相関が高い（確率が高い）位置であるので面積の大きなドット１７３で表示される。患者Ｂの測定値は、相関が中間（確率が中間）の位置であるので、面積が中間のドット１７２で表示される。したがって、例えば、患者Ａの第１回目の検査結果は、各段階の静的マトリクス１３をフィルターとして、位置が共通しても、各段階により面積が異なる多数のドットからなる画像を含む複数の個別マトリクス１７に変換される。患者が異なる場合や、同一の患者でも検査結果が異なる場合でも、各段階の静的マトリクス１３をフィルターとして表示することにより、多数のドットの中における位置が異なり、各ドットの面積も異なる。したがって、各患者の各検査で、各段階で異なる表示（出力、画像）を備えた個別マトリクス１７が生成される。
　個別マトリクス（第１のマトリクス）１７より患者（第１の複雑系）の健康状態（第１の状態）を推定するように構成された第１の推定ユニット２１は、複数の個別マトリクス１７と、それに対応する健康状態との対応関係を機械学習により学習した人工知能により第１の複雑系である患者の健康状態（第１の状態）を、その患者の個別マトリクス１７より推定するように構成されたＡＩユニット（第１のＡＩユニット、状態推定ＡＩ）２０を含む。ＡＩユニット２０は、人工知能を内在したシステム（装置）であってもよく、システム１０の外部に用意された人工知能を利用して健康状態を推定するシステムであってもよい。典型的なＡＩユニット２０は、複数のセル１３８を含む個別マトリクス１７を画像認識して、患者の健康状態（第１の状態）との対応関係を機械学習した人工知能を含むものである。
　図１６に示すように、各患者の検査結果は、静的マトリクス１３の各セル１３８に示された相関情報、例えば等高線上１３７の、似た傾向を示す人達の位置からの距離で示される。したがって、ある段階、例えば未病レベル３の患者の最も多い中心（２軸の平均値:標準偏差値　５０：５０）からのユークリッド距離に比例させて、個別の患者の検査結果を、個別マトリクス１７において、ドットの大きさや色（輝度）でフィルタリングして表示することが可能である。例えば、ＡＩユニット２０に、個別マトリクス１７のセル１３８に、個別の患者の情報を、の代表的な中心に近ければ、大きなサイズのドットとして認識させ、中心から離れていれば、小さなサイズのドットとして認識させることができる。
　図１６においては、ＸＹ軸（２軸）ということで、それぞれ違った大きさの２つドットでの表現を、特徴を示すパターンとして最終的には認識されるようにしているが、ドットの表現は、上述したように、色や輝度であってもよい。他の表現としては、例えば、（sizeＴＧ、sizeＨＤＬ）としてベクトル量として扱う等が考えられる。その場合でも、中心からのユークリッド距離に合わせて、ドットのサイズを変えることで、明確にその相関の中でのポジションを示し、強調処理を施して、ＡＩユニット２０が画像認識により、個別マトリクス１７に示されている情報を把握し、機械学習の結果として、その個別マトリクス１７に対応する健康状態を推定するように構成することが可能である。個別マトリクス１７に患者の検査結果を反映する方法は、この方法には限定されず、他の例の１つについては、さらに後述する。
　診察システム１０は、さらに、前の検査時点（第１の時点）から時間が経過した患者（第１の複雑系）の次の検査時点（第２の時点）における多数の検査項目の検査結果を、各段階のマトリクス１３の少なくともいずれかのマトリクスの多数の検査項目の検査結果間の多数の相関情報に基づきマトリクス化した個別マトリクス（第２のマトリクス）と、前の時点の個別マトリクス（第１のマトリクス）との変位に基づき患者（第１の複雑系）の状態の推移を推定するように構成された第２の推定ユニット２２をさらに含む。
　第２のフィルタリングユニット１６は、第１のフィルタリングユニット１５において、各検査時点で生成される個別マトリクス１７同士の差分を示す変位マトリクス１８として生成するように構成された第２の個別変位マトリクス生成ユニット１６ｂを含む。また、ストレージ１２に予め格納された移行マトリクス１４に、検査時点が異なる個別マトリクス１７（第１のマトリクスおよび第２のマトリクス）の検査結果の変化（変位、推移）を含めた変位マトリクス１８を生成するように構成された第１の個別変位マトリクス生成ユニット１６ａを含む。
　図１７に、第１の個別変位マトリクス生成ユニット１６ａにより生成された個別変位マトリクス１８の一例を示している。図１７（ａ）は、患者Ａの検査結果の変位（推移、ベクトル）１８１と、患者Ｂの検査結果の変位（ベクトル）１８２とを、例として、病体の静的マトリクス１３３の総コレステロール値（ＴＣ）と低比重リボ蛋白質（ＬＤＬ）の散布図１３９に重ねて示している。図１７（ｂ）は、図１３に示した移行マトリクス１４のベクトル付きの散布図（ベクトルマップ）１４３をフィルターとして画像化された個別変位マトリクス１８を、病体の静的マトリクス１３３の総コレステロール値（ＴＣ）と低比重リボ蛋白質（ＬＤＬ）の散布図１３９に重ねて示している。患者Ａのベクトル１８１は、ベクトルマップ１４３の密度の低い個所（レアケース）に位置するので、ベクトル１８１は強調されないか、または、縮小される。一方、患者Ｂのベクトル１８２は、ベクトルマップ１４３の密度の高い個所に位置するので、ベクトル１８２は強調される。
　このように、患者Ａの検査結果の変位は、各状態のベクトル付きの移行マトリクス１４をフィルターとして、位置が共通し、ベクトルの大きさが異なる多数のベクトルからなる画像を含む複数の個別変位マトリクス１８に変換される。変位がない場合は、ドットで表示されるか、または、表示されない。患者が異なり、同一の患者でも検査結果の変位が異なれば、多数のベクトルまたはドットの位置が異なり、各ベクトルの大きさも異なる。したがって、各患者の各検査結果の変位で、各状態で異なる画像を備えた個別変位マトリクス１８が生成される。
　第２の推定ユニット２２は、複数の第１のマトリクス１７と複数の第２のマトリクス１７との間の変位と、多数の検査対象の複雑系である患者の経時的な状態変化との対応関係を機械学習により学習した人工知能により、患者の健康状態の推移を推定するように構成された第２のＡＩユニット２０を含む。本例においては、上述したＡＩユニットと共通のユニットが採用されている。ＡＩユニット２０は、個別変位マトリクス１８に含まれる画像を、過去の多数の患者の同様の画像と比較して、患者の検査結果の変位に対応する状態を推定し、第１の推定ユニット２１により静的に推定された患者の最新の健康状態を検証することができる。ＡＩユニット２０は、患者の時間的に異なる検査結果２があり、各状態の個別変位マトリクス１８が得られる場合は、個別変位マトリクス１８を画像認識して、個別マトリクス１７により推定された患者の状態を検証する機能を含む。
　上述したように、診察システム１０は、検査対象の複雑系である人間（患者）の第１の時点（前回、今回、次回）における多数の検査項目間の第１の関係と、静的マトリクス１３の多数の検査項目間の多数の相関とを比較して、患者の、そのときどきの健康状態（第１の静的な状態）を推定する静的判断ユニット（第１の推定ユニット）２１を含む。また、診察システム１０は、第１の時点から時間が経過した患者の第２の時点（今回、次回）における多数の検査項目間の第２の関係の第１の関係に対する変位と各段階からの移行マトリクス１４、例えば、ベクトルマップとを比較して、第２の関係に基づき静的判断ユニット２１により、その都度、推定される第２の静的な状態を検証する動的判断ユニット（第２の推定ユニット）２２を含む。
　本例においては、これらのユニット２１および２２は、共通の人工知能ユニット（ＡＩユニット）２０を含み、ＡＩユニット２０は、第１の関係と各段階の静的マトリクス１３との関係を画像認識して、そのときどきの第１の静的な状態を推定する機能２３を含んでもよい。一例では、ＡＩユニット２０は、検査項目間の静的な関係である第１の関係を各段階の静的マトリクス１３、等高線付きの静的マトリクス１３をフィルターとして画像に変換した各状態の個別マトリクス１７を画像認識して、そのときどきの第１の静的な状態を推定する機能を含んでもよい。
　ＡＩユニット２０は、さらに、検査結果間の変位と、各段階の移行マトリクス１４との関係を画像認識して、時間経過後に検査したときの患者の第２の静的な状態を推定する機能２４を含んでもよい。すなわち、この機能（ユニット）２４は、検査時点の異なる個別マトリクス（第１のマトリクスおよび第２のマトリクス）１７の変位と移行マトリクス１４とを比較して、現時点の個別マトリクス（第２のマトリクス）１７に基づき推定された患者の最新の健康状態を検証するように構成されている。一例では、上述したように、ＡＩユニット２０は、検査結果間の変位を各段階の移行マトリクス１４をフィルターとして画像に変換した各状態の個別変位マトリクス１８を画像認識して、静的に推定された時間経過後の患者の第２の健康状態を推定および確認する機能を含んでもよい。
　ＡＩユニット２０は、さらに、患者の今回または次回（第２の時点）以降の状態の推移を推定するように構成されたユニット２５を含んでもよい。フィルタリングされた結果から現在の健康状態の位置（段階）と、その後の健康状態（症状）の遷移リスクを予測推定することができる。すなわち、フィルタリングされた個別変位マトリクス１８には、患者の今までの状態の変位がベクトルで強調されており、多数の検査項目間の検査値から得られる多数のベクトルを含む画像から、ＡＩユニット２０は、過去の多数の患者の同様の画像と比較して、患者の今後の状態の推移を推定することができる。
　ＡＩユニット２０は、個別マトリクス１７に含まれる画像を、画像認識処理することにより、患者の検査結果に対応する状態を推定することができる。すなわち、ＡＩユニット２０は、過去の多数の患者の同様の画像と比較して、患者の現在の状態を推定することができる。したがって、ＡＩユニット２０は、患者の現在状態をスタートとして次の移行先を推定することなどを可能とする。一方、患者の個別マトリクス１７および／または個別変位マトリクス１８が全く代表的な領域に入っていない場合、確率が低い場合は、例外として、他の段階の静的マトリクス１３または移行マトリクス１４とのマッチングをトライしたり、再判定したり、新たな分類、段階、移行経路を生成するなどの多種多様な処理を付加することができる。例外的な処理は、その後、新しいマトリクス、段階または経路として順次登録され、例外処理が新たな知識としてＡＩユニット２０は、複雑なケースであっても、その後は、例外では無く、認識および推定される。
　診察システム１０は、複数のセル１３８が、多数の検査項目をＸおよびＹ軸とする２次元に配置された個別マトリクス（第１のマトリクス）１７を出力するように構成された出力ユニット３５をさらに有してもよい。上記の各図において、セル１３８および各マトリクスを２次元で示しているが、診察システム１０およびＡＩユニット２０において処理されるセルおよびマトリクスは２次元でなくてもよく、３次元または多次元であってもよい。一方、診察システム１０およびＡＩユニット２０の推定（診察結果、診断結果）をレビューする専門家、例えば、医師や技術者は、診察システム１０およびＡＩユニット２０がその結果に至った要因を理解する必要がある。このため、セルおよびマトリクスを人間が容易に把握できる状態で出力することは有用である。
　診察システム１０は、さらに、統計データから自動で静的マトリクス１３および移行マトリクス１４を自動的に作成するユニット３０を含んでもよい。自動作成ユニット３０は、患者の検査結果２に対応して推定された健康状態（症状）が高い精度で判明し、専門家である医師の確認がされると、その段階の静的マトリクス１３に、確認された検査結果２を追加する。それとともに、検査項目間の相関毎に、新たな傾向がみられるかを判断し、新たな傾向があると判断されると、実データにレプリカ（疑似データ／複製データ）を追加させて、静的マトリクス１３および移行マトリクス１４に含まれるサンプル数を大幅に増加させる。静的マトリクス１３および移行マトリクス１４のサンプル数が増加することにより、サンプル数に対応する個別マトリクス１７および個別変位マトリクス１８を自動生成することができ、それらによりＡＩユニット２０の学習をさらに進めることができる。
　図１８に、自動作成ユニット３０がレプリカを用いて静的マトリクス１３に含まれるサンプル数を増加させる様子を示している。未病の静的マトリクス１３２の中性脂肪（ＴＧ）とＨＲＬコレステロール（ＨＤＬ）との相関を示す散布図１３９において、図１８（ａ）に対し新たな相関が見つかると、図１８（ｂ）に示すように新たな相関を含むレプリカモデルを生成し、その相関に対応するサンプルを、正規分布をなすように生成する。複数の正規分布を含む場合は、５０：５０あるいは他の比率で混合することによりサンプル数を増加させることができ、例えば、この処理によりサンプル数を１桁あるいはそれ以上に増やすことができる。
　図１９に個別マトリクス１７の異なる例を示している。この個別マトリクス１７は、第２の生成ユニット１５ｂにより生成されるマトリクスの一例であり、患者の検査時点における多数の検査項目の検査結果を、患者が属する静的マトリクス１３の相関情報１３６を用いて、所定のルールにしたがって複数のセル１３８に展開したものである。検査項目の一例は、ＢＭＩ（ボディマス指数）、ＬＦ／ＨＦ（心拍変動、交感神経、副交感神経比）、ＢＰ／ＬおよびＢＰ／Ｈ（血圧）、Ｈｅａｒｔ　Ｒ（心拍）、ＨｂＡ１ｃ（ヘモグロビンＡ１ｃ）、ＴＰ（総たんぱく）、Ａｌｂ（アルブミン）、ＡＳＴ（アスパラギン酸アミノトランスフェラーゼ）、ＡＬＴ（アラニンアミノトランスフェラーゼ）、γ－ＧＴＰ（γグルタミルトランスペプチダーゼ）、ＢＵＮ（尿素窒素）、ｅＧＦＲ（推算糸球体濾過量）、ＡＭＹ（アミラーゼ）、ＵＡ（尿酸）、ＬＤＬ（ＬＤＬコレステロール）であるが、これらに限定されない。
　図１９に示す個別マトリクス１７は、これらの検査項目をＸおよびＹ軸に並べたヒートマップ１７５であり、対角線のセル１３８ｄに表示される、これらの検査項目の検査結果が平均値の場合は、該当するセル１３８を白色で示し、検査結果が平均値より低い（良好）な場合は偏差値に応じて青色の１０段階の濃度で示し、検査結果が平均値より高い（不良）な場合は偏差値に応じて赤色の１０段階の濃度で示している。さらに、各検査項目の検査結果を、所定のルールにしたがって、静的マトリクス１３に含まれる検査項目間の検査結果の相関情報（相関係数）１３６が反映されるように、良好な方向または不良な方向にシフトさせて、色および濃淡を変えて表示し、患者の健康状態がヒートマップ上のパターンとして表れやすくしている。図１９（ａ）は、色と濃淡とを用いて表示されるヒートマップ１７５をグレースケールで示し、図１９（ｂ）に、図１９（ｃ）に示した各色の濃淡を図面上の記号に置き換えたヒートマップ１７５ａを示している。以下においても同様である。
　このヒートマップ１７５は、２次元化された個別マトリクス１７であって、画像解析の対象とする表現として好適なものの１つである。各検査項目の検査結果を、検査項目のみの検査結果としてだけではなく、その他の検査項目（各測定要素、問診などを含む）と相関係数を用いて関連付けて、患者の健康状態を評価することができる。さらに、超健康体、未病レベル、疾患などの各段階の静的マトリクス１３に纏められた各段階の相関を考慮して、健康状態を評価できる。さらに、複数の検査項目間の相関（グループ相関）を考慮して健康状態を評価することも可能となる。例えば、グルコースやＨｂＡ１ｃ、フラクトサミンは、膵臓疾患に対するグループ相関が知られている。静的マトリクス１３では、それぞれ相関係数が高く表れるので、グループに属する１つ検査項目の検査結果が悪い値（偏差値）を示せば、グループに属する他の検査項目の検査結果も悪い値を示すことが多く、Ｘ軸およびＹ軸の検査項目がグループに属する検査項目の場合は、検査項目が交差するセルの値が不良の方向にシフトして表示される。したがって、グループに属するそれぞれの検査項目の検査結果が不良の（悪い）方向に強調して表示される。
　一方、グループに属する検査項目が良い場合は、相互に良くなる方向にシフトして表示され、相関が殆ど無い検査項目間について、検査結果がそのままの値で表示される。患者の検査時の状態によっては、相互に相関がある予定の検査項目の検査結果が相関を示さないケースもあり、また、検査項目によって逆の相関を示すケースもある。患者によって様々な状態が起こり得るが、多数の患者を、各段階に分けて統計処理した静的マトリクス１３を用いることにより、その時々の患者の健康状態をより精度よく、人工知能の画像認識能力を利用して推定または判断することができる。
　図２０を参照して、本例において採用されているヒートマップ１７５の生成方法（ルール、シフト方法）について説明する。ヒートマップ１７５の横軸（Ｘ軸）にある検査項目（入力項目）の偏差値Ｘｊと、縦軸（Ｙ軸）にある検査項目の偏差値Ｙｊにより４つのケースにわけて、ルールが設定される。
　１）５０＜Ｘｉかつ５０＜Ｙｊの場合
この場合は、どちらの検査項目の検査結果も健康側にある（色は、白から青）ので、Ｘ軸およびＹ軸の検査項目のＺスコアＺＳｘｉおよびＺＳｙｊを使って、Ｘ軸の検査項目の偏差値Ｘｉが相対的に大きな場合に、比例してより大きなシフトΔｓを発生させて、Ｙ軸方向の検査項目と交差するセル１３８の表示を示す偏差値を生成するようにしている。さらに、以下の条件を含めるようにしている。
・偏差値Ｘｉが５０～６０程度であれば、あまりシフトΔｓが大きく発生しない。
・偏差値Ｘｉが５０の場合は、シフトはさせずにそのＹ軸の検査項目の偏差値Ｙｊを維持する。
・静的マトリクス１３の各セル１３８の相関情報１３６に含まれる相関係数ＣＣｉｊが０.２より大きい場合のその係数に合わせて、より健康傾向あるいは悪化傾向を強める。
・相関係数ＣＣｉｊが－０.２より小さい場合は、逆に、Ｙ軸の検査項目の偏差値Ｙｊを弱める。
・相関係数ＣＣｉｊが上記以外（ゼロを含む）は、シフトはせずに同じ偏差値Ｙｊを維持する。
　これらの条件を満足するように、セルＣｉｊの表示するための偏差値ＳＣｉｊを求めるための変換式の一例は以下の通りである。
ＣＣｉｊが正の場合（ただしＣＣｉｊ＞０．２）：
ＳＣｉｊ＝（Δｓ＋１．０）×Ｙｊ
Δｓ＝k1×(√(｜(ZSyj＋1.0)×(ZSxi＋1.0)×CCij｜)－1.0)×k2×k3
ただし、ＺスコアＺＳは以下の式で示される。
ＺＳ＝（ｘｉ―μｘ）／σｘ
ｘｉは標本値、μｘは算術平均、σｘは標準偏差である。
また、定数ｋ１は比例定数であり、例えば、０．６である。定数ｋ２はシフト比率、定数ｋ３はウェイトファクターである。以下においても同様である。
　ＣＣｉｊが負の場合（ただしＣＣｉｊ＜－０．２）：
ＳＣｉｊ＝（Δｓ＋１．０）×Ｙｊ－５０×Δｓ
Δｓ＝k1×(√(｜(ZSyj＋1.0)／(ZSxi＋1.0)×CCij｜)－1.0)×k2×k3
　２）Ｘｉ＜５０かつ５０＜Ｙｊの場合
このケースは、Ｘ軸の検査項目の検査値の偏差値Ｘｉが５０未満であり、疾患傾向が疑われている場合となる。この場合のシフト量は、Ｙ軸の検査項目の検査値の偏差値Ｙｊが健康（白～青）を示しているので、相関係数ＣＣｉｊが正の場合は、実際の値よりも平均値（白）へとシフトさせる、つまり、本来の青色を薄い色へと変えるシフトする。相関係数ＣＣｉｊが負の場合は、逆方向にシフトする。この場合のセルＣｉｊの表示するための偏差値ＳＣｉｊを求めるための変換式の一例は以下の通りである。
ＣＣｉｊが正の場合（ただしＣＣｉｊ＞０．２）：
ＳＣｉｊ＝（Δｓ＋１．０）×Ｙｊ－５０×Δｓ
Δｓ＝k1×(√(｜(ZSyj＋1.0)／(ZSxi－1.0)×CCij｜)－1.0)×k2×k3
ＣＣｉｊが負の場合（ただしＣＣｉｊ＜－０．２）：
ＳＣｉｊ＝（Δｓ＋１．０）×Ｙｊ
Δｓ＝k1×(√(｜(ZSyj＋1.0)×(ZSxi－1.0)×CCij｜)－1.0)×k2×k3
　３）Ｘｉ＜５０かつＹｊ＜５０の場合
このケースは、Ｘ軸の検査項目の検査値の偏差値Ｘｉが５０未満であり、疾患傾向が疑われている場合である。さらに、比較すべき相手のＹ軸の検査項目の検査結果の偏差値Ｙｊ）も５０未満であり、同様に疾患傾向にある。したがって、どちらも検査項目も疾患傾向であり、相関係数ＣＣｉｊが０.２より大きい場合のその係数に合わせて、より疾患を強調する赤側へとシフトさせる。相関係数ＣＣｉｊが－０.２より小さい場合は、逆に、疾患傾向の赤を弱める操作を行う。ＣＣｉｊがその間にある場合（ゼロを含む）は、シフトはせずに同じＹ軸の検査項目の検査結果の偏差値Ｙｊを維持する。この場合のセルＣｉｊの表示するための偏差値ＳＣｉｊを求めるための変換式の一例は以下の通りである。
ＣＣｉｊが正の場合（ただしＣＣｉｊ＞０．２）：
ＳＣｉｊ＝（Δｓ＋１．０）×Ｙｊ－５０×Δｓ
Δｓ＝k1×(√(｜(ZSyj－1.0)／(ZSxi－1.0)×CCij｜)－1.0)×k2×k3
ＣＣｉｊが負の場合（ただしＣＣｉｊ＜－０．２）：
ＳＣｉｊ＝（Δｓ＋１．０）×Ｙｊ
Δｓ＝k1×(√(｜(ZSyj－1.0)×(ZSxi－1.0)×CCij｜)－1.0)×k2×k3
　４）５０＜ＸｉかつＹｊ＜５０の場合
この場合は、Ｘ軸の検査項目の検査結果の偏差値Ｘｉが健康側にある一方、Ｙ軸の検査項目の検査結果の偏差値Ｙｊに疾患傾向が疑われている。このため、相関係数ＣＣｉｊが０.２より大きい場合のその係数に合わせて、より疾患傾向を弱める処理を行い、相関係数ＣＣｉｊが－０．２より小さい場合は、逆に、疾患傾向を強める処理を行う。この場合のセルＣｉｊの表示するための偏差値ＳＣｉｊを求めるための変換式の一例は以下の通りである。
ＣＣｉｊが正の場合（ただしＣＣｉｊ＞０．２）：
ＳＣｉｊ＝（Δｓ＋１．０）×Ｙｊ－５０×Δｓ
Δｓ＝k1×(√(｜(ZSyj－1.0)／(ZSxi＋1.0)×CCij｜)－1.0)×k2×k3
ＣＣｉｊが負の場合（ただしＣＣｉｊ＜－０．２）：
ＳＣｉｊ＝（Δｓ＋１．０）×Ｙｊ
Δｓ＝k1×(√(｜(ZSyj－1.0)×(ZSxi＋1.0)×CCij｜)－1.0)×k2×k3
　例えば、図２０において、ＢＭＩの検査結果の偏差値は５０以上の例えば６０程度の良好な値であり、ＨｂＡ１ｃの検査結果は偏差値が５０以下、例えば４０以下の値であり、ｅＧＦＲの検査結果は50以下、例えば４５以下の値であるとする。図２０（ｃ）に示すように、ＢＭＩとｅＧＦＲとは弱い正の相関が認められ、ＢＭＩとＨｂＡ１ｃとは強い正の相関が認められているとする。この場合、図２０（ｂ）に示すように、ＢＭＩの検査結果は、ｅＧＦＲおよびＨｂＡ１ｃとの関係を示すセル１３８ｘおよび１３８ｙにおいては良好である青色の濃淡が弱く表示される。ｅＧＦＲおよびＨｂＡ１ｃの検査結果は、ＢＭＩとの関係を示すセル１３８ｖおよび１３８ｕにおいて不良である赤色の濃淡が弱く表示される。
　シフト比率ｋ２は、１であってもよく、グループ相関（疾患傾向や健康のトライアングル）が見えた段階で、シフト量に対して補正をしてもよい。疾患傾向の初期、免疫系が低下している場合、睡眠や食事、ストレスや体力の消耗等の患者の条件に応じて変化させてもよい。ウェイトファクターｋ３を、特定の疾患やある薬や生活環境の影響を考慮して変更することにより、特定の変化をよりフォーカスさせて表示するヒートマップ１７５を生成できる。ＡＩユニット２０により、そのような条件に焦点を当てて解析を進める場合に、調整用のパラメータとして機能させることができる。
　上記の処理方法は、シフト量Δｓを偏差値の位置（意味）よってヒートマップ１７５の濃淡の差が大きく表示され、患者の状態が、より直に見えるようにする処理方法の一例であり、ヒートマップ１７５の生成方法はこれに限定されない。しかしながら、上記の処理方法は、簡単な乗算と除算をベースに、その偏差値の位置を示すＺスコアを利用して、あまり複雑な処理をせずに、画像として認識されやすいパターンを形成するという点では、１つの好適な方法である。特に、検査結果の偏差値の意味が、平均の５０で大きく変わっているという点を強調することができ、偏差値が大きくなれば、確率的にはあまり起こらないケースとして考える必要があり、これもパターンに反映させることができる。
　図２１に、同一の患者の数か月後の時点（第２の時点）のヒートマップ（個別マトリクス）１７５の例を示している。図１９のヒートマップと比較することにより、数か月の間の患者の状態の変化を、パターンの相違として容易に把握することができる。したがって、ＡＩユニット２０は、ヒートマップ１７５のパターンを認識することにより、その時々の患者の状態を推定することができ、さらに、患者の健康状態の推移を推定することができる。
　図２２に、第２の個別変位マトリクス生成ユニット１６ｂが生成した、変位マトリクス１８の一例を示している。図２２に示す変位マトリクス１８は、図１９に示したヒートマップ１７５と、図２１に示したヒートマップ１７５の色（青および赤）の差と、濃淡の差とを抽出したヒートマップ（差分ヒートマップ）１８５である。ＡＩユニット２０は、差分ヒートマップ１８５に表れるパターンを画像認識し、機械学習した結果と照合することにより、患者の健康状態の推移をさらに明確に推定することが可能となる。図２２において、図２２（ａ）は差分ヒートマップ１８５を濃淡で示し、図２２（ｂ）に各色の濃淡を図面上の記号に置き換えた差分ヒートマップ１８５ａを示している。
　図２３に、診察システム１０における処理の概要を示している。この処理５００は、コンピュータ５０により、多数の検査対象の複雑系の個別の複雑系の状態を推定する方法である。ステップ５１０において、第１のフィルタリングユニット１５は、フィルタリング用の静的マトリクス１３を抽出するために、患者が属する段階（患者の健康状態が属する段階）を判断する。患者の健康状態が属する経時的に変化する段階は、例えば、多数の検査項目の全てまたは一部の検査結果の偏差値に基づき判断できる。各検査項目の検査結果は、図１９に示したヒートマップ１７５においては対角線に配置されたセル１３８ｄに表れる。したがって、対角線のセル１３８ｄの色と濃淡とのパターンにより、患者が属する（患者の健康段階を判断し、その段階の静的マトリクス１３を選択することができる。選択される静的マトリクス１３は１つに限定されず、患者の健康状態に該当する可能性がある複数の段階の静的マトリクス１３を抽出してもよい。
　ステップ５２０において、第１のフィルタリングユニット１５が患者個別のマトリクス１７を生成する。ステップ５２０において、個別の複雑系である患者の第１の時点における多数の検査項目の検査結果を、静的マトリクス１３の多数の検査項目の検査結果間の多数の相関情報３１６に基づきマトリクス化した個別マトリクス（第１のマトリクス）１７を生成する。このステップにおいては、各段階のマトリクス１３に含まれる複数のセル１３８のそれぞれに、第１の複雑系である患者の第１の時点における複数の検査項目の検査結果同士の関係を反映した個別マトリクス１７を生成してもよい。また、患者の第１の時点における多数の検査項目の検査結果を、各段階のマトリクス１３の多数の検査項目の検査結果間の多数の相関情報３１６を用いて、複数のセル１３８に展開し、ヒートマップ１７５を生成してもよい。
　ステップ５３０において、第１の推定ユニット２１は、個別マトリクス１７に基づいて患者のその時点における状態（健康状態）を推定する。このステップ５３０においては、複数の個別マトリクス１７と複数の健康状態との対応関係を機械学習により学習した人工知能を含むＡＩユニット２０により患者の健康状態を推定してもよい。
　ステップ５４０において、第２のフィルタリングユニット１６が、第１の時点から時間が経過した第２の時点における患者の検査項目の検査結果を纏めた個別マトリクス１７と、第１の時点の個別マトリクス１７との変位情報を含む個別変位マトリクス１８を生成する。このステップ５４０においては、移行マトリクス１４に、患者の健康状態の変位を反映した個別変位マトリクス１８を生成してもよく、差分ヒートマップ１８５を生成してもよい。
　ステップ５５０は、第２の推定ユニット２２が、変位マトリクス１８に基づき、患者の健康状態の推移を推定する。ステップ５５０においては、最新の個別マトリクス１７に示される患者の状態が、過去の個別マトリクス１７から推定される状態と合致しているのかを検証する処理を含んでいてもよい。また、ステップ５５０は、患者の今後の健康状態の推移を推定する処理を含んでいてもよい。ステップ５６０において、診察システム１０は、推定された患者の健康状態を含む診断結果３と、その根拠となるヒートマップなどの情報を出力し、専門家である医師が推定された健康状態を確認する。医師は、推定された健康状態に基づき、必要であれば、さらに検査項目を追加したり、治療の方針を定めたりすることができる。
　コンピュータ５０にこれらの処理を実行させるためのプログラム（プログラム製品、ソフトウェア）５１は、適当な記録媒体に記録して提供することが可能であり、インターネットなどのコンピュータネットワークを介して提供することも可能である。
　上記に示した診察システム（診断システム）１０は、ヘルスケアや病気に限らず、複雑で高度なシステムの状態を、定期的な、または連続的な観測データに基づき推定できる。このため、システム全体のアクティビティと個々のオペレーション状態の悪化や、構成部品の劣化・故障・異常（経時変化含む）による自動交換・修理・補修をする様なシステムにも適用可能である。このシステム１０においては、人工知能（ＡＩ）を含むシステムが、高度システムの正常値と故障・異常リスクを、複数のパラメータの変動値の相関関係から予測推定することを可能とする。
　ＡＩを含むシステムは、知識ベースの推論エンジン（検証エンジン、最適化エンジンを含む）および深層学習型のＡＩエンジンという２系統のエンジンを含むハイブリッドシステム（診断システム）において、健康度と疾患リスク（高度システムの正常値と故障・異常リスク）を予測推定することが可能である。
　図２４に、他の診断システムの一例を示している。この診断システム３００は、人（人体、人間）を診断の対象（対象物）としている。この診断システム（アクシオンシステム）３００は、人工知能（ＡＩ）３２１と、対象物である人間の診察者（診断者）である医者のエキスパートシステムとしての機能を含む推論エンジン３２２と、入力データ３１１に対する人工知能３２１と推論エンジン３２２との診断結果に対して人工知能３２１を教育するための入力データのレプリカを含む入力レプリカ３１３を生成する教育システム３３０とを含むハイブリッドエンジン（診断エンジン、アクシオンエンジン、ＡＸｉＲエンジン）３２０を含む。入力データ３１１は、入力処理モジュール３２５、プリ・プロセッシングモジュール３２６および相関処理モジュール３２７を経て、推論エンジン３２２およびＡＩエンジン３２１に提供される。
　診断エンジン３２０は、人工知能（ＡＩエンジン）３２１と推論エンジン３２２との出力を検証する検証エンジン３２３と、検証エンジン３２３と検証結果により入力レプリカ３１３を最適化するための最適化エンジン３２３と、最適化エンジン３２３の最適化要件にしたがい入力レプリカ３１３を生成するレプリカ生成モジュール（レプリカジェネレータ）３１９とを含む。この例では、ハードウェア構成として、レプリカジェネレータ３１９が診断エンジン３２０とは別のハードウェアにおいて構成されているが、同一のハードウェアで構成されてもよい。
　このハイブリッド型の診断エンジン３２０においては、まず、ＡＩエンジン３２１は、検証エンジン３２３と最適化エンジン３２４からのフィードバックを受けて生成される入力レプリカ３１３により教育され、診断精度の自動あるいは自律的な向上が実現される。次に、診断エンジン３２０は、推論エンジン３２２とＡＩエンジン３２１の２つをハイブリッド実装しているので、ＡＩエンジン３２１が教育された後に、医療エキスパートシステムである推論エンジン３２２と、ＡＩエンジン３２１との両方の視点から、非侵襲・侵襲の測定データを含む入力データ３１１から人体内部要素の活性状態（健康度・不健康度・未病）や機能不全・不具合（疾病度合い）、劣化・腫瘍・癌化に関する推測・推定を行いアドバイスや参考となる健康情報や見落としがちな視点（可能性・危険性）を提供することができる。
　すなわち、診断エンジン３２０は、予測・推論精度を向上させる目的で、ＡＩエンジン３２１の自己学習機能と検証エンジン３２３と最適化エンジン３２４の２つが機能してこれを支援する点が特徴となっている。特に、推論エンジン３２２とＡＩエンジン３２１は、ハイブリッド型として機能するが、また、ＡＩエンジン３２１が連続して予測・推論精度が推論エンジン３２２のそれを上回ると切り替わる点が特徴となっている。少ない入力データ量でも機能する様に、外部にレプリカ生成モジュール３１９が存在しており、最適化エンジン３２４の指示で、レプリカ生成のバリエーションが変化する構造となっている。
　実装されるＡＩエンジン３２１は、ディープラーニング（深層学習）３５０を基本とする。教育システム３３０は、ＡＩエンジン３２１を、少ない入力データ３１１でも機能する様に（自律的に教育されるように）３つのエンジン、推論エンジン３２２、検証エンジン３２３、および最適化エンジン３２４を使用し、ＡＩエンジン３２１のサポートと自己学習機能の一部役割を果たしてＡＩエンジン３２１の成長を支援する。また、教育システム３３０の３つのエンジン３２２～３２４は、診断システム３００およびＡＩエンジン３２１の予測精度・推論精度を向上させる機能も担っている。すなわち、教育システム３３０は、一種の精度向上のためのフィードバック回路の様な機能を担う。
　教育システム３３０により、段階的にＡＩエンジン３２１は、推論エンジン３２２の予測精度を超えることになる。ＡＩエンジン３２１と推論エンジン３２２との勝率は、検証エンジン３２３およびその下流で最終判定を行う最終判定・決定モジュール３２８が判断することなり、初期段階では、これらのエンジン３２３およびモジュール３２８は、推論エンジン３２２の診断結果（推論、予測）を優先する。その後、例えば、ＡＩエンジン３２１が３カ月間平均で８０％の勝率を超えたり、勝率９０％を連続して超えた場合は、検証エンジン３２３および最終判定・決定モジュール３２８はＡＩエンジン３２１の診断結果を優先し、推論エンジン３２２はバックアップ側に回り、その推論や予測は当面利用されない。しかしながら、検証エンジン３２３および最適化エンジン３２４は、ＡＩエンジン３２１がメイン動作している場合でも機能は継続して支援する。
　したがって、この診断エンジン３２０の機能、性質、能力などは、教育システム３３０に含まれる３つのエンジン、すなわち、推論エンジン３２２、検証エンジン３２３および最適化エンジン３２４により左右される。これらのエンジン３２２～３２４は、基本的にメタ・モデルという概念を基本とする。つまり、診断の対象物、例えば、人体の高精度の異常・故障の予測を必要とする複雑な系に対して、これを構成するシステム要素・構成部品が存在し、この要素・部品の機能がこれらの予測根拠となり、システムの入力と出力が定義可能であるようにする。診断の対象物の、好調・不調・障害・故障が、その程度は別として内部構成要素や部品の不具合から発生していると想定可能であり、その原因や問題点を測定データ・観測データから予測し、対応についてアドバイスを行い、必要とされる情報や期待される情報を提供するという事を想定して設計できる。
　これらのエンジン３２２、３２３および３２４の機能を記述するメタ・モデル記述ファイル３１４により、外部に可能な限り定義体や相関情報・入力情報・統計情報・評価情報をモデル記述しておいて、複数のシステムやアプリケーションに対して、この記述情報を変更する事で対応可能な構成としている。したがって、診断エンジン３２０は、入力データ３１１及びメタ・モデル記述ファイル３１４が変更されることで、その役割や守備範囲・対応が違ったものとなる。また、同一のアプリケーション対象分野であっても、特化した入力データ３１１とすることで、専門性・性格の異なる診断エンジン３２０を作成（教育）する事が可能となる。一例は、ヘルスケア分野での健康度測定、乳癌や膵臓癌、腎臓癌、肺癌、胃癌、肝臓癌、大腸癌など違った分野の入力データ３１１を前提としたメタ・モデル記述ファイル３１４を前提としたシステムである。本診断エンジン３２０が適用できる分野はヘルスケアに限定されず、ガスタービンエンジン、ファクトリオートメーションなどの工業的分野、金融などの商業あるいはサービス分野、およびゲームなどの娯楽分野などであってもよいことは上述した通りである。
　推論エンジン３２２は、メタ・モデル記述ファイル３１４で定義され、複雑なシステムの良・不良・不調・故障・破損と因果関係にある、または、直接関係する内部パーツとそれらの関係性・活性度・リカバリー機能・免疫力・調整メカニズム・劣化要因の推定根拠となる入力データ３１１を利用して、これらの相関を示す。推定エンジン３２２は、入力データ３１１から、診断対象物の内部レプリカ３１３を推定し、１次予測とする。この１次予測が、ある範囲で信頼可能とすれば、２次予測として、入力データを再推定する。この２次予測から、その先に懸念されるシステムの良・不良・不調・故障・破損（限界）の時期と被害を３次予測として実行する。
　出力処理モジュール３２９を介して出力データ３１２を決定する場合、入力データ（測定データ及び問診表）３１１とこれから生成されるレプリカ３１３、すなわち、内部レプリカ、更に、その内部レプリカのバリエーションからの再度生成入力レプリカ、これと測定データとの差分値（分散値）の最小のものを有力な候補として上げる。この場合、入力データ３１１との相関性を記述したファイルから推定することになる。検証エンジン３２３がある事から、絞込みが難しい場合は、追試を行って新しい入力データ３１１および問診データを得ることで推定精度を向上してもよい。これは、最適化エンジン３２４にも利用され、予測・推定精度向上に貢献する。入出力相関テーブル／記述ファイル３１５は、この精度向上を確実にする意味でも、定期的に見直しをして更新する必要がある。相関テーブル情報は、入力データや問診情報と人体の内部パーツ（臓器・血管・骨・脊髄・その他）との関係性を示すものを含むようにする必要がある。出力データ３１２は、患者のソーシャルタイプ解析を行うＰＥエンジン３１８を介して出力されるようにしてもよい。
　入力レプリカ３１３は、統計データや実データを元に確率モデルから生成され、実際の測定データの代わりをするデータである。平均値と分散値から指定された確率モデルで、ヘルスケアにおける入力データ３１１は、血液検査、尿検査、呼気・皮膚ガス測定、体温・内臓脂肪・皮下脂肪・筋肉量・体脂肪率・推定骨量・血圧・血流・心拍数・自律神経興奮度等の測定値と画像診断結果、ｍｉｃｒｏＲＮＡ・ｎｃＲＮＡ・ＤＮＡ等とも共に問診票などもこのデータに含まれる。
　入力レプリカ生成モジュール３１９は、統計データ、及び実際のデータに基づき、実際の測定データの代わりをするデータ（入力レプリカ）３１３を生成するモジュールである。レプリカのモデルは、非相関モデル（単純モデルともいう、データ間に相関がないモデル）であってもよく、上述したように、超健康体、未病などの相関があるモデル（相関モデル、階層モデル）であってもよい。相関モデルは、入出力相関テーブル３１５を介して導入できる。相関テーブル３１５は、入力データ（検査データ）３１１と内部の状態指標（各パーツの活性率などで）との相関を定義したファイルである。したがって、相関処理モジュール３２７は、上述した静的マトリクス１３および移行マトリクス１４を含めた統計モデルとして、測定データについて正常な範囲と異常な範囲が統計的に分るものについて、それらが関連する内部の状態を指標として定義できる。ＡＩエンジン３２１は、疾患リスクとして、疾患の相関（量）とパターンを複数個所学習しながら病木／疾患マップとして、このシフト経路を学習することができる。そして、他の健康を維持する標準変数を入れた形で、疾患シフトの経路を確定させることが可能となる。したがって、この診断エンジン３２０を含むシステム３００に、上述した診察システム１０としての機能を含めることが可能である。
　上記には、多数の検査対象のシステム（複雑系）の中の第１の検査対象のシステムの状態を推定するシステム１０が開示されている。このシステム（診察システム、診断システム）は、経時的に変化する検査対象のシステムの複数の状態の中で特定された複数の静的な状態の各状態について、多数の検査対象のシステムの各状態における多数の検査項目間の多数の相関を、各状態の多数の相関のまとまりである各状態の静的マトリクス１３として格納した第１のユニット１１と、第１の検査対象のシステムの第１の時点における多数の検査項目間の第１の関係と、各状態の静的マトリクスの多数の検査項目間の多数の相関とを比較して第１の検査対象のシステムの第１の静的な状態を推定する静的判断ユニット２１とを有する。
　静的判断ユニット２１は、第１の関係と各状態の静的マトリクスとの関係を画像認識して第１の静的な状態を推定する第１のＡＩユニット（人工知能ユニット）２０を含んでもよい。第１のＡＩユニット２０は、第１の関係を各状態の静的マトリクス１３をフィルターとして画像に変換した各状態の個別マトリクスを画像認識して第１の静的な状態を推定するユニットを含んでもよい。
　診察システム１０は、さらに、各状態の静的マトリクス間の多数の相関の変位を含む各状態の動的マトリクス１４であって、多数の検査対象のシステムの経時的な状態の変化を反映した動的マトリクスを格納した第２のユニット１２と、第１の時点から時間が経過した第１の検査対象のシステムの第２の時点における多数の検査項目間の第２の関係の第１の関係に対する変位と各状態の動的マトリクスとを比較して、第２の関係に基づき静的判断ユニットにより推定される第２の静的な状態を検証する動的判断ユニット２２とを有していてもよい。動的マトリクスは、多数の相関の他の状態からの変位を含んでいてもよく、多数の相関の他の状態への変位を含んでいてもよい。多数の検査項目の静的な相関に加えて、多数の検査項目の経時的な変化を、各状態の動的マトリクスと比較することが可能であり、症状の推定をより高い精度で提供できる。
　さらに、動的判断ユニット２２は、第１の検査対象のシステムの第２の時点以降の状態の推移を推定する機能を含んでいてもよい。動的判断ユニットは、過去の経過により状態を推定するので、その延長で今後の経過を推定することができる。動的判断ユニット２２は、変位と各状態の動的マトリクスとの関係を画像認識して第２の静的な状態を推定する第２のＡＩユニット（本例では共通したＡＩユニット）２０を含んでもよい。第２のＡＩユニットは、第１のＡＩユニットと共通であっても、独立していてもよい。また、第２のＡＩユニットは、変位を各状態の動的マトリクスをフィルターとして画像に変換した各状態の個別変位マトリクスを画像認識して第２の静的な状態を推定するユニットを含んでもよい。このシステム１０は、動的判断ユニットの検証結果に基づいて、第１の関係および第２の関係の少なくともいずれかを、各状態の静的マトリクスおよび各状態の動的マトリクスに加える自動生成ユニット３０を有していてもよい。自動生成ユニットは、検査対象のシステムのレプリカを用いて各状態の多数の検査項目間の多数の相関を自動生成するユニットを含んでもよい。
　上記にて開示されている他の態様の１つは、ＡＩ（人工知能）により、多数の検査対象のシステムの中の第１の検査対象のシステムの状態を推定する方法である。ＡＩは、経時的に変化する多数の検査対象のシステムの複数の状態の中で特定された複数の静的な状態の各状態について、多数の検査対象のシステムの各状態における多数の検査項目間の多数の相関を、各状態の前記多数の相関のまとまりである各状態の静的マトリクスとして格納した第１のユニットにアクセス可能であり、方法は、ＡＩが、第１の検査対象のシステムの第１の時点における多数の検査項目間の第１の関係と、各状態の静的マトリクスの多数の検査項目間の多数の相関とを比較して第１の検査対象のシステムの第１の静的な状態を推定する第１のステップを含んでもよい。第１のステップは、第１の関係を各状態の静的マトリクスをフィルターとして画像に変換した各状態の個別マトリクスを画像認識して第１の静的な状態を推定することを含んでもよい。　
　このＡＩは、各状態の動的マトリクスを格納した第２のユニットにアクセス可能であってもよく、方法は、さらに、第１の時点から時間が経過した第１の検査対象のシステムの第２の時点における多数の検査項目間の第２の関係の第１の関係に対する変位と各状態の動的マトリクスとを比較して、第２の関係に基づき静的判断ユニットにより推定される第２の静的な状態を検証する第２のステップを含んでもよい。第２のステップは、第２の関係の前記第１の関係に対する変位を各状態の動的マトリクスをフィルターとして画像に変換した各状態の個別変位マトリクスを画像認識して第２の静的な状態を推定することを含んでもよい。さらに、この方法は、第１の検査対象のシステムの第２の時点以降の状態の推移を推定する第３のステップを有していてもよい。
　なお、以上においては、人体（人間）を検査対象の複雑系とする診察システムを説明したが、検査対象の複雑系は、家畜、ペットを含む他の動植物であってもよく、プラント、船舶、車両、エンジンなどのハードウェア（メカトロニクス）であってもよく、アプリケーション、ＡＩなどのソフトウェアであってもよい。

Claims (20)

  1. 　多数の検査対象の複雑系の個別の複雑系の状態を推定するシステムであって、
    　前記多数の検査対象の複雑系の経時的変化の各段階に該当する前記多数の検査対象の複雑系の状態を示唆する多数の検査項目の検査結果間の多数の相関情報を含む各段階のマトリクスであって、複数の検査項目の検査結果同士の相関情報を含む複数のセルを含む各段階のマトリクスを格納した第１のストレージと、
    　個別の複雑系である第１の複雑系の第１の時点における前記多数の検査項目の検査結果を、前記各段階のマトリクスの少なくともいずれかのマトリクスの前記多数の検査項目の検査結果間の多数の相関情報に基づきマトリクス化した第１のマトリクスに基づき前記第１の複雑系の第１の状態を推定するように構成された第１の推定ユニットとを有するシステム。
  2. 　請求項１において、
    　前記第１の推定ユニットは、複数の前記第１のマトリクスと複数の前記第１の状態との対応関係を機械学習により学習した人工知能により、前記個別の複雑系の前記第１の状態を推定するように構成された第１のＡＩユニットを含む、システム。
  3. 　請求項２において、
    　前記第１のＡＩユニットは、前記複数のセルを含む前記第１のマトリクスを画像認識して前記第１の状態との対応関係を機械学習した人工知能を含む、システム。
  4. 　請求項１ないし３のいずれかにおいて、
    　前記各段階のマトリックスに含まれる前記複数のセルのそれぞれに、前記第１の複雑系の前記第１の時点における複数の検査項目の検査結果同士の関係を反映した前記第１のマトリクスを生成するように構成された第１の生成ユニットをさらに有する、システム。
  5. 　請求項１ないし４のいずれかにおいて、
    　前記第１の複雑系の前記第１の時点における前記多数の検査項目の検査結果を、前記各段階のマトリクスの前記多数の検査項目の検査結果間の多数の相関情報を用いて、前記複数のセルに展開した前記第１のマトリクスを生成するように構成された第２の生成ユニットをさらに有する、システム。
  6. 　請求項１ないし５のいずれかにおいて、
    　前記複数のセルが、前記多数の検査項目をＸおよびＹ軸とする２次元に配置された前記第１のマトリクスを出力するように構成された出力ユニットをさらに有する、システム。
  7. 　請求項１ないし６のいずれかにおいて、
    　前記第１の時点から時間が経過した前記第１の複雑系の第２の時点における前記多数の検査項目の検査結果を、前記各段階のマトリクスの少なくともいずれかのマトリクスの前記多数の検査項目の検査結果間の多数の相関情報に基づきマトリクス化した第２のマトリクスと、前記第１のマトリクスとの変位に基づき前記第１の複雑系の状態の推移を推定するように構成された第２の推定ユニットをさらに有する、システム。
  8. 　請求項７において、
    　前記ストレージは、前記各段階のマトリクスの間の前記多数の相関情報が遷移する情報を含む移行マトリクスであって、前記多数の検査対象のシステムの経時的な状態の変化を反映した移行マトリクスを含み、
    　前記第２の推定ユニットは、前記第１のマトリクスから前記第２のマトリクスへの変位と前記移行マトリクスとを比較して、前記第２のマトリクスに基づき推定された前記第１の複雑系の第２の状態を検証するように構成されたユニットを含む、システム。
  9. 　請求項７または８において、
    　前記第２の推定ユニットは、前記第１の複雑系の前記第２の時点以降の状態の推移を推定するように構成されたユニットを含む、システム。
  10. 　請求項７ないし９のいずれかにおいて、
    　前記第２の推定ユニットは、複数の前記第１のマトリクスと複数の前記第２のマトリクスとの間の変位と、前記多数の検査対象の複雑系の経時的な状態変化との対応関係を機械学習により学習した人工知能により、前記第１の複雑系の前記状態の推移を推定するように構成された第２のＡＩユニットを含む、システム。
  11. 　請求項１ないし１０のいずれかにおいて、
    　前記検査対象の複雑系のレプリカを用いて前記各段階の前記多数の検査項目間の多数の相関情報を自動生成するように構成されたユニットを含む、システム。
  12. 　請求項１ないし１１のいずれかにおいて、
    　当該システムは予備診察システムであり、前記検査対象の複雑系は人体である、システム。
  13. 　コンピュータにより、多数の検査対象の複雑系の個別の複雑系の状態を推定する方法であって、
    　前記コンピュータは、前記多数の検査対象の複雑系の状態の経時的変化の各段階に該当する前記多数の検査対象の複雑系の状態を示唆する多数の検査項目の検査結果間の多数の相関情報を含む各段階のマトリクスであって、複数の検査項目の検査結果同士の相関情報を含む複数のセルを含む各段階のマトリクスを格納した第１のストレージを有し、
    　当該方法は、
    　個別の複雑系である第１の複雑系の第１の時点における前記多数の検査項目の検査結果を、前記各段階のマトリクスの少なくともいずれかのマトリクスの前記多数の検査項目の検査結果間の多数の相関情報に基づきマトリクス化した第１のマトリクスに基づき前記第１の複雑系の第１の状態を推定する第１の推定処理を、前記コンピュータに実行させることを含む、方法。
  14. 　請求項１３において、
    　前記第１の推定処理は、複数の前記第１のマトリクスと複数の前記第１の状態との対応関係を機械学習により学習した人工知能により、前記第１の複雑系の前記第１の状態を推定することを含む、方法。
  15. 　請求項１３または１４において、
    　前記各段階のマトリックスに含まれる前記複数のセルのそれぞれに、前記第１の複雑系の前記第１の時点における複数の検査項目の検査結果同士の関係を反映した前記第１のマトリクスを生成する処理を、前記コンピュータに実行させることを含む、方法。
  16. 　請求項１３ないし１５のいずれかにおいて、
    　前記第１の複雑系の前記第１の時点における前記多数の検査項目の検査結果を、前記各段階のマトリクスの前記多数の検査項目の検査結果間の多数の相関情報を用いて、前記複数のセルに展開した前記第１のマトリクスを生成する処理を、前記コンピュータに実行させることを含む、方法。
  17. 　請求項１３ないし１６のいずれかにおいて、
    　前記第１の時点から時間が経過した前記第１の複雑系の第２の時点における前記多数の検査項目の検査結果を、前記各段階のマトリクスの少なくともいずれかのマトリクスの前記多数の検査項目の検査結果間の多数の相関情報に基づきマトリクス化した第２のマトリクスと、第１のマトリクスとの変位に基づき第１の複雑系の状態の推移を推定する第２の推定処理を前記コンピュータが実行することをさらに有する、方法。
  18. 　請求項１７において、
    　前記ストレージは、前記各段階のマトリクスの間の前記多数の相関情報が遷移する情報を含む移行マトリクスであって、前記多数の検査対象のシステムの経時的な状態の変化を反映した移行マトリクスを含み、
    　前記第２の推定処理は、前記第１のマトリクスから前記第２のマトリクスへの変位と前記移行マトリクスとを比較して、前記第２のマトリクスに基づき推定された前記第１の複雑系の第２の状態を検証することを含む、方法。
  19. 　請求項１７または１８において、
    　前記第２の推定処理は、前記第１の複雑系の前記第２の時点以降の状態の推移を推定することを含む、方法。
  20. 　請求項１３ないし１９のいずれかに記載の方法をコンピュータにより実行するためのプログラム。
     
PCT/JP2019/004812 2018-02-09 2019-02-12 検査対象の複雑系の状態を推定するシステム WO2019156254A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019571190A JP6755567B2 (ja) 2018-02-09 2019-02-12 検査対象の複雑系の状態を推定するシステム
US16/967,381 US20210217530A1 (en) 2018-02-09 2019-02-12 System for estimating the state of target complex system
EP19751088.6A EP3751473A4 (en) 2018-02-09 2019-02-12 SYSTEM THAT ESTIMATE THE CONDITION OF A COMPLEX SYSTEM TO INSPECT

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2018021518 2018-02-09
JP2018-021518 2018-02-09
JP2018-094644 2018-05-16
JP2018094644 2018-05-16

Publications (1)

Publication Number Publication Date
WO2019156254A1 true WO2019156254A1 (ja) 2019-08-15

Family

ID=67549703

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/004812 WO2019156254A1 (ja) 2018-02-09 2019-02-12 検査対象の複雑系の状態を推定するシステム

Country Status (4)

Country Link
US (1) US20210217530A1 (ja)
EP (1) EP3751473A4 (ja)
JP (4) JP6755567B2 (ja)
WO (1) WO2019156254A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020021324A (ja) * 2018-08-01 2020-02-06 合同会社みらか中央研究所 プログラム、情報処理方法および情報処理装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7387546B2 (ja) * 2020-07-02 2023-11-28 株式会社東芝 無線装置およびインバータシステム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004130142A (ja) * 2002-10-09 2004-04-30 Samsung Electronics Co Ltd 生体信号に基づいた健康管理機能を有するモバイル機器及びこれを用いた健康管理方法
JP2007058565A (ja) * 2005-08-24 2007-03-08 Tottori Univ 健康診断用の自己組織化マップ、その表示装置及び表示方法並びに健康診断用の自己組織化マップの表示プログラム
WO2014178323A1 (ja) * 2013-05-01 2014-11-06 株式会社国際電気通信基礎技術研究所 脳活動解析装置、脳活動解析方法およびバイオマーカー装置
JP2017220222A (ja) * 2016-06-06 2017-12-14 富士通株式会社 データグラフを比較する方法、プログラム、及び装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6035057A (en) * 1997-03-10 2000-03-07 Hoffman; Efrem H. Hierarchical data matrix pattern recognition and identification system
US7392199B2 (en) * 2001-05-01 2008-06-24 Quest Diagnostics Investments Incorporated Diagnosing inapparent diseases from common clinical tests using Bayesian analysis
US6897875B2 (en) * 2002-01-24 2005-05-24 The Board Of The University Of Nebraska Methods and system for analysis and visualization of multidimensional data
JP4358474B2 (ja) 2002-03-07 2009-11-04 平蔵 徳高 健康診断用の自己組織化マップ作成装置及び作成方法
JP4892721B2 (ja) 2006-01-23 2012-03-07 国立大学法人山口大学 意味空間を表示した自己組織化マップ
US8498879B2 (en) * 2006-04-27 2013-07-30 Wellstat Vaccines, Llc Automated systems and methods for obtaining, storing, processing and utilizing immunologic information of individuals and populations for various uses
JP5164646B2 (ja) * 2008-04-08 2013-03-21 国立大学法人高知大学 臨床検査データ解析支援装置、臨床検査データ解析支援方法及びそのプログラム
SG10201502531SA (en) * 2009-10-19 2015-05-28 Theranos Inc Integrated Health Data Capture And Analysis System
JP2011257816A (ja) * 2010-06-04 2011-12-22 Gifu Univ 受診者状態推定装置及びプログラム
JP2012033155A (ja) * 2010-07-02 2012-02-16 Gifu Univ 健診データ処理方法、健診データ処理装置、及び、プログラム
WO2014052921A2 (en) * 2012-09-27 2014-04-03 University Of Utah Research Foundation Patient health record similarity measure
EP3052933B1 (en) * 2013-10-02 2019-09-04 Suri Technologies Ltd. Patient-specific immunotherapy for treating heterogeneous tumors
US20150310179A1 (en) * 2014-04-23 2015-10-29 Vipindas Chengat System and method that applies relational and non-relational data structures to medical diagnosis
JP6421398B2 (ja) * 2015-10-29 2018-11-14 耕成 森山 亜鉛欠乏推定装置、プログラム及び記録媒体

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004130142A (ja) * 2002-10-09 2004-04-30 Samsung Electronics Co Ltd 生体信号に基づいた健康管理機能を有するモバイル機器及びこれを用いた健康管理方法
JP2007058565A (ja) * 2005-08-24 2007-03-08 Tottori Univ 健康診断用の自己組織化マップ、その表示装置及び表示方法並びに健康診断用の自己組織化マップの表示プログラム
WO2014178323A1 (ja) * 2013-05-01 2014-11-06 株式会社国際電気通信基礎技術研究所 脳活動解析装置、脳活動解析方法およびバイオマーカー装置
JP2017220222A (ja) * 2016-06-06 2017-12-14 富士通株式会社 データグラフを比較する方法、プログラム、及び装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020021324A (ja) * 2018-08-01 2020-02-06 合同会社みらか中央研究所 プログラム、情報処理方法および情報処理装置
JP7133385B2 (ja) 2018-08-01 2022-09-08 合同会社Ｈ．Ｕ．グループ中央研究所 プログラム、情報処理方法および情報処理装置

Also Published As

Publication number Publication date
EP3751473A4 (en) 2021-12-08
JPWO2019156254A1 (ja) 2020-09-03
JP7398155B2 (ja) 2023-12-14
EP3751473A1 (en) 2020-12-16
JP2023036652A (ja) 2023-03-14
JP2020201977A (ja) 2020-12-17
US20210217530A1 (en) 2021-07-15
JP2024015063A (ja) 2024-02-01
JP6755567B2 (ja) 2020-09-16
JP7197200B2 (ja) 2022-12-27

Similar Documents

Publication Publication Date Title
JP6463572B1 (ja) 対象システムの内部状態を推定する支援システム
Kumar et al. Artificial intelligence in healthcare: review, ethics, trust challenges & future research directions
JP7398155B2 (ja) 人体の健康状態を推定するシステム
CN107785057B (zh) 医疗数据处理方法、装置、存储介质和计算机设备
Bourgani et al. Time dependent fuzzy cognitive maps for medical diagnosis
Jalali et al. Advanced analytics for outcome prediction in intensive care units
CN110163839A (zh) 豹纹状眼底图像识别方法、模型训练方法及设备
Pan et al. Fundus image classification using Inception V3 and ResNet-50 for the early diagnostics of fundus diseases
Tahvildari et al. Application of artificial intelligence in the diagnosis and management of corneal diseases
Henderi et al. A proposed model expert system for disease diagnosis in children to make decisions in first aid
Bourgani et al. Integrated approach for developing timed fuzzy cognitive maps
Willbrand et al. Updating the sulcal landscape of the human lateral parieto-occipital junction provides anatomical, functional, and cognitive insights
Raghavan et al. Bio-inspired and deep learning approach for cerebral aneurysms prediction in healthcare environment
CN113990502A (zh) 一种基于异构图神经网络的icu心衰预测系统
Sheikh Diabetic Reinopathy Classification Using Deep Learning
Bali et al. Multiclass multilabel ophthalmological fundus image classification based on optimised deep feature space evolutionary model
KR102536982B1 (ko) 문진표를 이용한 인공지능 기반의 질병 예측 방법 및 장치
HE et al. USING FUZZY LOGIC TO ENHANCE THE CLASSIFICATION AND DIAGNOSING OF HYPERTENSION
Amoo et al. Survival Model for Diabetes Mellitus Patient Receiving Treatment
Khorsheed JOURNAL LA MULTIAPP
Sajjad et al. Development of a diagnostic expert system for autism disorder-PCADEX
Sineglazov et al. Intelegence diagnostic system of liver fibrosis stages
Otsuki Structural Design of Multimodal Medical Encoder for Physician's Diagnostic Support
Adugnaw et al. Developing a Knowledge-Based System for Diagnosis and Treatment Recommendation of Selected Acute Abdominal Diseases by Collaborating Data Mining Results with Expert Knowledge: The Case of Debre Berhan Referral Hospital
Kaushik et al. Mental Health Prediction Using Data Analysis

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: 19751088

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
ENP Entry into the national phase

Ref document number: 2019571190

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019751088

Country of ref document: EP

Effective date: 20200909