WO2022224465A1 - 血糖体質判定装置、血糖体質判定方法、および記録媒体 - Google Patents

血糖体質判定装置、血糖体質判定方法、および記録媒体 Download PDF

Info

Publication number
WO2022224465A1
WO2022224465A1 PCT/JP2021/030047 JP2021030047W WO2022224465A1 WO 2022224465 A1 WO2022224465 A1 WO 2022224465A1 JP 2021030047 W JP2021030047 W JP 2021030047W WO 2022224465 A1 WO2022224465 A1 WO 2022224465A1
Authority
WO
WIPO (PCT)
Prior art keywords
question
unit
information
type
questions
Prior art date
Application number
PCT/JP2021/030047
Other languages
English (en)
French (fr)
Inventor
朋希 内田
宣人 村山
裕司 野中
武 金森
Original Assignee
サントリーホールディングス株式会社
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 サントリーホールディングス株式会社 filed Critical サントリーホールディングス株式会社
Priority to EP21937955.9A priority Critical patent/EP4328922A1/en
Priority to CN202180097107.0A priority patent/CN117280421A/zh
Priority to US18/287,123 priority patent/US20240127911A1/en
Priority to KR1020237039616A priority patent/KR20230173690A/ko
Publication of WO2022224465A1 publication Critical patent/WO2022224465A1/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
    • G16H50/20—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to a blood sugar constitution determination device and the like for determining the type of blood sugar constitution.
  • the health condition was predicted from the results of blood tests, etc. in health checkups. In addition, it was used to predict pre-diabetes and diabetes risk from general risk factors. More specifically, conventionally, for example, a method called a so-called sugar tolerance test has been used to monitor the user's health condition related to blood sugar. Specifically, for example, after the user ingests 75 g of glucose, every 30 minutes until 120 minutes, the blood glucose level of the user is measured by taking blood, testing the blood, and measuring the blood glucose level. is acquired, the time change is referred to, and the user's health condition regarding blood sugar determined by a doctor is observed.
  • a blood sugar level information management device capable of presenting trigger information for causing a patient to continue taking actions to improve his/her own blood sugar level (see Patent Document 1).
  • Such a device registers the medical information acquisition devices used by the patient, and obtains blood sugar level change information, which is information on changes in blood sugar levels within a predetermined period, based on biological information including blood sugar level information acquired from each medical information acquisition device. to obtain the answer information based on the lifestyle question information, which is a question about the lifestyle habits of the patient within the predetermined period, and based on the answer information, the degree of improvement of the lifestyle habit is determined.
  • Improvement degree display information shown graphically is generated, and at least the biometric information change information, the lifestyle question information and its answer information, and the improvement degree display information are data that can be displayed on one sheet.
  • the lifestyle question information includes only actions that contribute to improvement of blood sugar level
  • the improvement degree display information is configured to indicate the degree of execution of the action that contributes to improvement of blood sugar level. It is a blood sugar level information management device.
  • the blood sugar constitution determination device of the first invention is a storage unit for storing one or more question information including questions related to lifestyle habits, which is one or more question information for judging the type of blood sugar constitution, and one or more an output unit that outputs the question information, a reception unit that receives answer information for each of the one or more question information from the user, and one or more answer information received by the reception unit, to determine the type of blood sugar constitution of the user
  • a blood sugar constitution determination device comprising a processing unit and an information output unit for outputting output information regarding a type of blood sugar constitution.
  • the storage unit is one or more first questions for determining the presence or absence of risk related to blood sugar, and questions related to lifestyle habits.
  • a first question storage unit that stores one or more first questions including The question information is the first question or the second question
  • the output unit includes a first question output unit that outputs one or more first questions, and a first judgment unit a second question output unit that outputs one or more second questions when the user determines that there is a risk
  • the reception unit receives a first answer to each of the one or more first questions from the user
  • a receiving unit and a second answer receiving unit that receives second answers to each of the one or more second questions from the user
  • the processing unit uses the one or more first answers received by the first answer receiving unit , a first determination unit that determines whether or not the user has a risk related to blood sugar; It is a blood glucose constitution determination device comprising.
  • the second judgment unit also uses one or more first answers received by the first answer reception unit to determine the blood glucose level of the user. It is a blood glucose constitution determination device that determines the type of constitution.
  • the type of blood sugar constitution of the user can be determined with high accuracy. More specifically, by determining the type of glycemic constitution of the user in the second stage, also using the first answer, for users at risk for glycemic constitution, using answers to fewer questions, As a result of being able to determine the type, the burden on the user can be reduced.
  • the processing unit uses the one or more answer information received by the receiving unit and the learning device to predict the blood sugar constitution type by machine learning prediction processing It is a blood sugar constitution determination device that acquires
  • the type of blood sugar constitution of the user can be determined with high accuracy.
  • the machine learning further comprising a learning device storage unit in which the learning device acquired by the learning process of 1 is stored, and the second judgment unit uses the one or more second answers and the learning device received by the second answer receiving unit, It is a blood sugar constitution determination device that acquires the type of blood sugar constitution by prediction processing of machine learning.
  • the type of blood sugar constitution of the user can be determined with high accuracy.
  • the blood sugar constitution determination device of the sixth invention for any one of the first to fifth inventions, is associated with one or more type identifiers for identifying types of blood sugar constitution, and one or more advices further comprising an advice storage unit storing information, wherein the information output unit outputs output information including one or more pieces of advice information associated with the type identifier identifying the type determined by the second determination unit; It is a constitution determination device.
  • one or more pieces of advice information associated with the type identifier that identifies the type determined by the second judgment unit is sent from the advice storage unit to the sixth invention.
  • the apparatus for determining blood sugar constitution further comprising an output information configuration unit configured to acquire and configure output information having a type identifier and one or more pieces of advice information, wherein the information output unit outputs the output information configured by the output information configuration unit is.
  • the one or more question information in the storage unit is a question acquired by the simple question sheet acquiring device, and the simple question sheet acquiring device is , are answers to N questions, and are obtained using answers to each of M questions, which are less than N, among the answers corresponding to any of the real type identifiers of 2 or 3 or more real type identifiers an estimated type acquisition unit that acquires an estimated type identifier;
  • a question determining unit that determines questions that are corresponding M questions, and a simple question sheet output unit that outputs a simple question sheet that is information about a question set that is a set of M questions determined by the question determining unit.
  • a blood glucose constitution determination device comprising:
  • the one or more first questions in the first question storage unit are questions acquired by the simplified questionnaire acquisition device.
  • the simplified questionnaire acquisition device is answers to N questions, and among N answers corresponding to actual risk presence/absence information specifying whether there is a risk or not, M answers less than N
  • An estimation type acquisition unit that acquires estimated risk presence/absence information obtained using answers to each question, and the accuracy of the degree of matching between the estimated risk presence/absence information acquired by the estimation type acquisition unit and the actual risk presence/absence information are predetermined.
  • Simple A blood glucose constitution determination device comprising a simple question form output unit for outputting a question form.
  • one or more types of questions among the one or more second questions in the second question storage unit are simple questions It is a question acquired by the vote acquisition device, and the simple questionnaire acquisition device is an answer to N questions, and among the answers corresponding to any one of two or three or more real type identifiers,
  • An estimated type acquisition unit that acquires an estimated type identifier obtained using answers to each of M questions, which is less than N, and an estimated type acquisition unit that has accuracy regarding the degree of matching between the estimated type identifier and the actual type identifier acquired by the estimated type acquisition unit.
  • the type of blood sugar constitution is a combination of a type related to insulin sensitivity and a type related to insulin secretion. It is a blood glucose constitution determination device.
  • the user's blood sugar constitution type can be easily known.
  • the type of blood sugar constitution is a type related to the health condition related to blood sugar.
  • the type of glycemic constitution is, for example, one of four types: a combination of types related to insulin sensitivity (either no resistance or tendency to resistance) and types related to insulin secretion (either normal or difficult to secrete). is.
  • the type of blood sugar constitution is, for example, whether the blood sugar level tends to increase or not, or whether the blood sugar level tends to decrease.
  • the number and types of blood sugar constitution types are not limited.
  • the questionnaire preferably includes questions regarding matters that are not considered to directly affect blood sugar levels. It is preferable that the questionnaire include many questions that are easy to answer.
  • Questions about lifestyle habits include, for example, questions about eating habits, questions about drinking or drinking habits, questions about exercise habits or lifestyle intensity, questions about sleep or sleepiness, questions about hygiene, and other general questions about lifestyle habits. is.
  • General questions are, for example, questions about the frequency of brushing teeth, questions about the degree of use of stairs.
  • a blood sugar constitution determination device that receives second answers to one or more additional second questions, acquires a blood sugar constitution type, and outputs the blood sugar constitution type.
  • a blood sugar constitution determination apparatus will be described that allows a user who does not have a risk related to blood sugar to easily know the status of blood sugar by asking the user to answer in two steps.
  • a blood sugar constitution determination device that acquires a blood sugar constitution type using one or more second answers and one or more first answers will be described.
  • a description will be given of a blood sugar constitution determination device that acquires a blood sugar constitution type by prediction processing of machine learning using a learning model for obtaining a blood sugar constitution type.
  • a description will be given of a blood sugar constitution determination device that acquires and outputs advice information using the type of blood sugar constitution.
  • a description will be given of a blood sugar constitution determination device that obtains and outputs advice information using one or more answers in addition to the type of blood sugar constitution.
  • a blood sugar constitution determination system including a blood sugar constitution determination device that receives an answer from a user terminal and transmits information such as the type of blood sugar constitution to the user terminal
  • the blood sugar constitution determination device may be a stand-alone device.
  • FIG. 1 is a conceptual diagram of a blood sugar constitution determination system A according to the present embodiment.
  • a blood sugar constitution determination system A includes a learning device 1 , a blood sugar constitution determination device 2 , and one or more user terminals 3 .
  • the learning device 1 is a device that acquires original information, which will be described later, using a type identifier that identifies the type of blood sugar constitution and answer information for each of two or more questions included in the questionnaire.
  • the learning device 1 is, for example, a so-called personal computer, a tablet terminal, a smart phone, a server, or the like, and the type thereof does not matter.
  • the server may be, for example, a cloud server or an ASP server, and any type of server may be used.
  • the learning device 1 may be a stand-alone device or a server that receives instructions from the user terminal 3 and operates.
  • the blood sugar constitution determination device 2 is, for example, a so-called server.
  • the server may be, for example, a cloud server or an ASP server, and any type of server may be used.
  • the blood sugar constitution determination device 2 may be a stand-alone device such as a so-called personal computer, tablet terminal, or smart phone.
  • the user terminal 3 is a terminal used by a user who acquires the type of blood sugar constitution.
  • the user terminal 3 is a so-called personal computer, a tablet terminal, a smart phone, or the like, and the type thereof does not matter.
  • the learning device 1, the blood sugar constitution determination device 2, and the user terminal 3 may be able to communicate via the Internet, LAN, or the like.
  • FIG. 2 is a block diagram of blood sugar constitution determination system A according to the present embodiment.
  • FIG. 3 is a block diagram of the blood sugar constitution determination device 2. As shown in FIG.
  • the learning device 1 includes a learning storage unit 11, a learning reception unit 12, a learning processing unit 13, and a learning output unit 14.
  • the learning storage unit 11 includes an answer storage unit 111 and an actual type storage unit 112 .
  • the blood sugar constitution determination device 2 includes a storage unit 21, a reception unit 22, a processing unit 23, and an output unit 24.
  • the storage unit 21 includes a first question storage unit 211 , a second question storage unit 212 , an original information storage unit 213 and an advice storage unit 214 .
  • the reception unit 22 includes a first reply reception unit 221 and a second reply reception unit 222 .
  • the processing unit 23 includes a first determination unit 231 , a second determination unit 232 and an output information configuration unit 233 .
  • the output unit 24 includes a first question output unit 241 , a second question output unit 242 and an information output unit 243 .
  • the user terminal 3 includes a terminal storage unit 31, a terminal reception unit 32, a terminal processing unit 33, a terminal transmission unit 34, a terminal reception unit 35, and a terminal output unit 36.
  • Various types of information are stored in the learning storage unit 11 that constitutes the learning device 1 .
  • Various types of information are, for example, answer information and type.
  • a type can also be called a type identifier.
  • the type is, for example, one of "1", “2", “3”, and "4".
  • Type "1” is, for example, information indicating a type of "normal” regarding insulin secretion and a type of "no resistance” regarding insulin sensitivity.
  • Type “2” is, for example, information indicating a type of insulin secretion of "normal” and an insulin sensitivity of "tendency to resistance”.
  • Type "3" is information indicating, for example, a type related to insulin secretion that is “difficult to appear” and a type related to insulin sensitivity that is “no resistance”.
  • Type "4" is information indicating, for example, a type related to insulin secretion that is “difficult to appear” and a type related to insulin sensitivity that is “tendency to resist.”
  • Type "1" is a normal type.
  • Types "2", “3", and "4" are abnormal types.
  • the answer may be called answer information. Also, the answer may be information specifying the user's answer to the question. An answer is an answer to a question. Answers are associated with real types. The actual type is the user's actual type. A real type may be called a real type identifier. Responses are associated with actual risk presence/absence information. The actual risk presence/absence information is information indicating whether or not the user has a risk related to blood sugar.
  • the answer storage unit 111 stores, for example, answers associated with identifiers.
  • the answer is the user's answer to each question on the questionnaire. Note that the user is the respondent.
  • the answer is usually associated with the question identifier of each question on the question sheet.
  • a question identifier is information for identifying a question, such as a question number or a question ID.
  • the identifier is a user identifier, a day identifier, or a user identifier and a day identifier.
  • a user identifier is information that identifies a user, and is, for example, an ID, e-mail address, telephone number, or ID of a terminal used by the user (eg, IP address, MAC address, terminal identifier, etc.).
  • the answer may be associated with the user attribute value.
  • User attribute values are user attribute values, such as age, height, weight, BMI, and gender.
  • the answer is the answer to any of the questions of M (M is a natural number of 1 or more) selected from the questions of N (N is a natural number of 2 or more) by the simple question sheet acquisition device B, which will be described later. It is preferable that the information is indicative. In addition, it is "N>M".
  • the answer storage unit 111 may store two or more first answers and two or more second answers.
  • the first answer is an answer to the first question for determining the presence or absence of risk related to blood sugar.
  • the first response corresponds to risk presence/absence information specifying whether there is a risk related to blood sugar.
  • the second answer is an answer to the second question for judging the type of blood sugar constitution.
  • the second answer is associated with the real type identifier when there is a risk.
  • the first response and the second response are both associated with identifiers, for example.
  • the real type storage unit 112 stores two or more real types.
  • a real type may be called a real type identifier.
  • the actual type is information identifying the actual type of glycemic constitution of the user who responded.
  • a real type is usually associated with one or more answers.
  • the actual type usually corresponds to a set of answers to each question on the questionnaire.
  • a real type is associated with an identifier, for example.
  • the real type is, for example, information acquired by a sugar tolerance test.
  • the real type identifier is, for example, obtained by taking blood, testing the blood, and measuring the blood glucose level periodically (eg, every 30 minutes) for a period of 0 to 120 minutes after the user ingests 75 g of glucose.
  • This is the type of blood sugar constitution determined by a doctor, a system, or the like by obtaining the time change of the user's blood sugar level and referring to the time change.
  • the actual type may be information input manually.
  • the actual type storage unit 112 may store two or more pieces of actual risk presence/absence information.
  • the actual risk presence/absence information is usually associated with one or more answers.
  • the actual risk presence/absence information is usually associated with a set of answers to each question on the questionnaire.
  • the real risk presence/absence information is associated with an identifier, for example.
  • the actual risk presence/absence information may be associated with an actual type.
  • the actual risk presence/absence information is information specifying the presence/absence of the user's actual risk related to blood sugar.
  • the actual risk presence/absence information is usually associated with one or more first responses.
  • a real type is usually associated with one or more secondary answers.
  • the real risk presence/absence information and the real type are associated with identifiers, for example.
  • the learning reception unit 12 receives various instructions and information. Various instructions and information are, for example, learning instructions.
  • a learning instruction is an instruction to acquire original information.
  • Input means for various instructions and information may be anything, such as a touch panel, a keyboard, a mouse, or a menu screen. Note that the learning reception unit 12 may receive various instructions, information, and the like from the user terminal 3 .
  • the original information is the information that becomes the basis for estimating the type from the answer information for each of two or more questions.
  • the original information is, for example, a learning device to be described later.
  • the original information is, for example, a correspondence table to be described later.
  • the original information is usually acquired by the learning processing unit 13, which will be described later.
  • the learning processing unit 13 acquires original information.
  • the processing of the learning processing unit 13 is, for example, either (1) or (2) below.
  • the learning processing unit 13 preferably acquires a learning device by performing the following processing (1).
  • the original information is a learning device that determines the type of blood sugar constitution by one-time prediction processing
  • the learning processing unit 13 acquires two or more sets from the learning storage unit 11.
  • a set is a set of real types and two or more answers.
  • An actual type in the set and a set of two or more answers in the set are associated with each other.
  • An actual type in a set and a set of answers are associated with, for example, the same identifier. Note that such a set may be called teacher data.
  • the learning processing unit 13 uses the two or more acquired pairs to perform learning processing according to a machine learning algorithm and acquires a learning device. More specifically, the learning processing unit 13, for example, provides the acquired two or more sets to a module that performs learning processing of machine learning, executes the module, and acquires a learner.
  • the learning device may be called a classifier, a learning model, a model, or the like.
  • this learner is a learner that is given to a module that performs prediction processing of machine learning together with a set of two or more answers to acquire a type.
  • the machine learning learning processing module may be a random forest, a decision tree, deep learning, SVR, or the like, and any algorithm may be used.
  • various machine learning functions such as TensorFlow library, fastText, tinySVM, random forest module of R language, and various existing libraries can be used.
  • the learning processing unit 13 acquires two or more first pairs from the learning storage unit 11 .
  • the first set here is a set of actual risk presence/absence information and one or more first answers.
  • the actual risk presence/absence information indicates that there is a risk (for example, "1") and that there is no risk (for example, "0").
  • the first answer here is the question of M 1 (M 1 is a natural number of 1 or more) selected from the questions of N 1 (N 1 is a natural number of 1 or more) by the simple question sheet acquisition device B, which will be described later. It is preferable that the information indicates an answer to any one of the questions. Note that N 1 >M 1 .
  • the learning processing unit 13 uses the acquired two or more first sets to perform learning processing according to a machine learning algorithm, and acquires a first learner.
  • the learning process may be the same process as the learning process described above.
  • the first learning device is data used when performing prediction processing for receiving one or more first answers and acquiring estimated risk presence/absence information.
  • the estimated risk presence/absence information is estimated risk presence/absence information.
  • the learning processing unit 13 acquires two or more second sets from the learning storage unit 11 .
  • the second set here is a set of actual types and one or more second answers.
  • the first answer here is the question of M 2 (M 2 is a natural number of 1 or more) selected from the questions of N 2 (N 2 is a natural number of 1 or more) by the simple question sheet acquisition device B, which will be described later. It is preferable that the information indicates an answer to any one of the questions. Note that N 2 >M 2 .
  • the learning processing unit 13 may acquire the second set and one or more first answers paired with the second set. Moreover, it is preferable that the one or more first answers acquired here are some of the first answers used when acquiring the first learner.
  • the learning processing unit 13 uses the acquired second set of two or more to perform learning processing according to a machine learning algorithm, and acquires a second learner. Note that the learning processing unit 13 performs learning processing using a machine learning algorithm using two or more sets of the second set and one or more first answers paired with the second set. , it is preferable to obtain a second learner.
  • the learning process may be the same process as the learning process described above.
  • the second learning device is data used when performing prediction processing for receiving one or more second answers and obtaining an estimation type.
  • the estimated type is the estimated type.
  • the first algorithm of machine learning for obtaining the first learner and the second algorithm of machine learning for obtaining the second learner may be the same or different.
  • the first algorithm is SVM and the second algorithm is random forest or deep learning.
  • the original information is a correspondence table (2-1)
  • the original information is a correspondence table for determining the type of blood sugar constitution
  • the learning processing unit 13 acquires two or more sets from the learning storage unit 11.
  • a set is a set of real types and two or more answers.
  • the learning processing unit 13 acquires a vector whose elements are two or more answers for each set.
  • the learning processing unit 13 acquires correspondence information indicating the correspondence between the vector and the actual type for each pair.
  • the learning processing unit 13 constructs a correspondence table having correspondence information for each pair of two or more as a record.
  • the correspondence information includes, for example, vectors and actual types.
  • Correspondence information has, for example, a link to a vector and a link to an actual type.
  • the learning processing unit 13 acquires two or more first pairs from the learning storage unit 11 .
  • the first set here is a set of risk presence/absence information specifying the presence/absence of risk and two or more first responses.
  • the learning processing unit 13 acquires a vector whose elements are two or more first answers for each set.
  • the learning processing unit 13 acquires first correspondence information indicating the correspondence between the vector and the risk presence/absence information for each set.
  • the learning processing unit 13 constructs a first correspondence table having, as a record, first correspondence information for each of the two or more first pairs. Note that the first correspondence information has, for example, the same data structure as the correspondence information described above.
  • the learning processing unit 13 acquires two or more second sets from the learning storage unit 11 .
  • the second set here is a set of actual types and two or more second answers.
  • the learning processing unit 13 preferably acquires two or more sets of the second pair and one or more first answers paired with the second pair.
  • the learning processing unit 13 acquires a vector whose elements are two or more second answers for each second set.
  • the learning processing unit 13 acquires a vector whose elements are each of the two or more second answers and the one or more first answers of each of the two or more sets.
  • the learning processing unit 13 acquires second correspondence information indicating the correspondence between the vector and the actual type for each second pair.
  • the learning processing unit 13 constructs a second correspondence table having, as a record, the second correspondence information for each of the two or more second pairs.
  • the second correspondence information has, for example, a vector and an actual type.
  • the second correspondence information has, for example, a link to the vector and a link to the actual type.
  • the learning output unit 14 outputs information.
  • the learning output unit 14 outputs the original information acquired by the learning processing unit 13, for example.
  • output usually means storage on a recording medium, but display on a display, projection using a projector, printing on a printer, sound output, transmission to an external device, or other processing device.
  • the concept may also include delivery of processing results to other programs, etc.
  • the learning output unit 14 accumulates the original information in the original information storage unit 213 of the blood sugar constitution determination device 2 .
  • Various types of information are stored in the storage unit 21 that constitutes the blood sugar constitution determination device 2 .
  • Various information includes, for example, two or more questions, one or two or more first questions described later, one or two or more second questions described later, one or two or more original information, and one or two or more user information.
  • two or more questions may be referred to as a question sheet.
  • one or more first questions may be referred to as the first question sheet.
  • one or more second questions may be referred to as a second question sheet.
  • the question is the question information for estimating the type. It is preferable that the two or more questions include questions about lifestyle habits. Also, the question may be the first question to be described later or the second question to be described later.
  • the first question storage unit 211 stores one or more first questions.
  • the first question is a question for judging whether or not there is a risk related to blood sugar.
  • the one or more first questions preferably include one or more questions regarding lifestyle habits.
  • the second question storage unit 212 stores one or more second questions.
  • the second question is a question for judging the type of blood sugar constitution.
  • the one or more second questions preferably include one or more questions regarding lifestyle habits.
  • the type of blood sugar constitution is a combination of the type related to insulin sensitivity and the type related to insulin secretion.
  • the type for insulin sensitivity is, for example, either “no resistance” or “prone to resistance”.
  • the type for insulin sensitivity is, for example, either "normal” or “poor”.
  • the original information storage unit 213 stores one or more pieces of original information.
  • the original information is usually information acquired by the learning device 1 .
  • the source information is, for example, the above-described learning device, the above-described first learning device, the above-described second learning device, the above-described correspondence table, the above-described first correspondence table, or the above-described second correspondence table.
  • the advice storage unit 214 stores one or more pieces of advice information in association with one or more type identifiers that identify types of blood sugar constitution.
  • the content of the advice information does not matter.
  • One or more pieces of advice information may be stored in the advice storage unit 214 in association with the risk presence/absence information.
  • the reception unit 22 receives various instructions and information. Various instructions and information are, for example, an answer, a first answer, and a second answer. The reception unit 22 receives, for example, answers to two or more questions.
  • Acceptance usually means reception from the user terminal 3, but acceptance of information input from input devices such as keyboards, mice, and touch panels, and reading from recording media such as optical discs, magnetic discs, and semiconductor memories. It may also be a concept including acceptance of received information.
  • the first answer accepting unit 221 accepts a first answer to each of one or more first questions from the user.
  • the first reply receiving unit 221 receives one or more first replies from the user terminal 3, for example.
  • the second answer accepting unit 222 accepts second answers to one or more second questions from the user.
  • the processing unit 23 performs various types of processing.
  • the processing unit 23 is processing performed by the first determination unit 231, the second determination unit 232, and the output information configuration unit 233, for example.
  • the processing unit 23 or a determination unit acquires the type using, for example, one or more answers received by the reception unit 22.
  • the processing unit 23 or a determination unit performs machine learning prediction processing using, for example, one or more answers received by the reception unit 22 and a learning device, and acquires a type. More specifically, the processing unit 23 or the determination unit (not shown) provides, for example, one or more answers received by the reception unit 22 and a learning device to a module that performs machine learning prediction processing, and executes the module. and get the type.
  • the prediction processing module of machine learning may be random forest, decision tree, deep learning, SVM, or the like, and any algorithm may be used.
  • various machine learning functions such as TensorFlow library, fastText, tinySVM, R language random forest module, and various existing libraries can be used.
  • the learning device is a learning device acquired by the learning device 1 .
  • the processing unit 23 or a determination unit acquires the type, for example, using one or more answers received by the reception unit 22 and the correspondence table. More specifically, the processing unit 23 or the determination unit (not shown) constructs a vector whose elements are one or more responses received by the reception unit 22, for example. Next, the processing unit 23 or the determination unit (not shown) searches the correspondence table for the vector that most closely approximates the vector, and acquires the type paired with the vector that most closely approximates the vector from the correspondence table.
  • the first determination unit 231 uses one or more first responses received by the first response reception unit 221 to determine whether or not the user has a risk related to blood sugar.
  • the first judgment unit 231 uses one or more first answers received by the first answer reception unit 221 and the first learning device to perform machine learning prediction processing and acquire estimated risk presence/absence information. More specifically, the first determination unit 231 provides, for example, one or more first answers accepted by the first answer acceptance unit 221 and the first learner to a module that performs machine learning prediction processing, to obtain estimated risk information.
  • the first judgment unit 231 constructs a vector whose elements are, for example, one or more first answers received by the first reply reception unit 221 .
  • the first determination unit 231 searches the first correspondence table for a vector that is most similar to the vector, and acquires the risk presence/absence information paired with the closest vector from the first correspondence table. This risk presence/absence information is estimated risk presence/absence information.
  • the second determination unit 232 uses one or more second answers accepted by the second answer acceptance unit 222 to determine the type of blood sugar constitution of the user.
  • the second judgment unit 232 uses the one or more second answers received by the second answer reception unit 222 and the second learning device to perform machine learning prediction processing and acquires the estimated type. More specifically, the second determination unit 232 provides, for example, one or more second answers accepted by the second answer acceptance unit 222 and the second learning device to a module that performs machine learning prediction processing, to get the inferred type.
  • the second judgment unit 232 constructs a vector whose elements are, for example, one or more second answers received by the second reply reception unit 222 .
  • the second determination unit 232 searches the second correspondence table for the vector that most closely approximates the vector, and acquires the type paired with the closest vector from the second correspondence table. Note that this type is an estimation type.
  • the second judgment unit 232 also uses one or more first answers received by the first reply reception unit 221 to determine the type of blood sugar constitution of the user.
  • the one or more first responses are preferably part of the first responses used when acquiring the risk presence/absence information.
  • the second judgment unit 232 uses, for example, one or more second answers accepted by the second answer acceptance unit 222, one or more first answers accepted by the first answer acceptance unit 221, and a second learning device, Perform machine learning prediction processing and get the inference type. More specifically, the second determination unit 232 determines, for example, one or more second answers accepted by the second answer acceptance unit 222, one or more first answers accepted by the first answer acceptance unit 221, and the second learning device is given to a module that performs machine learning prediction processing, the module is executed, and an estimation type is obtained.
  • the second determination unit 232 constructs a vector whose elements are, for example, one or more second answers accepted by the second answer acceptance unit 222 and one or more first answers accepted by the first answer acceptance unit 221. do.
  • the second determination unit 232 searches the second correspondence table for the vector that most closely approximates the vector, and acquires the type paired with the closest vector from the second correspondence table. Note that this type is an estimation type.
  • the output information configuration unit 233 acquires from the advice storage unit 214 one or more pieces of advice information associated with the type identifier that identifies the type determined by the second determination unit 232, and stores the type identifier and one or more pieces of advice information. Configure the output information to have.
  • the output unit 24 outputs various information.
  • Various types of information are, for example, questions, first questions, second questions, and output information.
  • the output is, for example, transmission to the user terminal 3, display on a display, projection using a projector, printing on a printer, sound output, storage on a recording medium, other processing devices or other
  • the concept may include delivery of the processing result to a program or the like.
  • the first question output unit 241 outputs one or more first questions from the first question storage unit 211.
  • the second question output unit 242 outputs one or more second questions from the second question storage unit 212 when the first determination unit 231 determines that there is a risk.
  • the information output unit 243 outputs output information regarding the type of blood sugar constitution.
  • the information output unit 243 outputs output information including, for example, one or more pieces of advice information associated with the estimation type determined by the second determination unit 232 .
  • the information output unit 243 outputs the output information configured by the output information configuration unit 233, for example.
  • Various types of information are stored in the terminal storage unit 31 that constitutes the user terminal 3 .
  • Various types of information are, for example, a user identifier and one or more user attribute values.
  • the terminal reception unit 32 receives various instructions and information.
  • Various instructions and information are, for example, one or more answers and a question sheet output instruction.
  • the answer may be the first answer or the second answer.
  • the question sheet output instruction is an instruction to output the question sheet.
  • the question sheet is preferably a simple question sheet created by a simple question sheet acquisition device B, which will be described later.
  • Various instructions and information input means can be anything, such as a touch panel, keyboard, mouse, or menu screen.
  • the terminal processing unit 33 performs various types of processing.
  • Various types of processing are, for example, converting instructions, information, etc. received by the terminal reception unit 32 into a data structure of instructions, information, etc. to be transmitted.
  • Various types of processing are, for example, converting the information received by the terminal reception unit 35 into a data structure for output.
  • the terminal transmission unit 34 transmits various instructions, information, etc. to the blood glucose constitution determination device 2 .
  • the terminal transmission unit 34 transmits instructions, information, and the like configured by the terminal processing unit 33 to the blood glucose constitution determination device 2 .
  • the terminal reception unit 35 receives various information and the like.
  • the terminal receiving unit 35 receives, for example, a questionnaire, estimated risk presence/absence information, estimated type, advice information, or output information from the blood sugar constitution determination device 2 .
  • the terminal output unit 36 outputs various information and the like.
  • the terminal output unit 36 outputs, for example, a questionnaire, estimated risk presence/absence information, estimated type, advice information, or output information.
  • Learning storage unit 11, answer storage unit 111, actual type storage unit 112, storage unit 21, first question storage unit 211, second question storage unit 212, original information storage unit 213, advice storage unit 214, and terminal storage unit 31 is preferably a non-volatile recording medium, but can also be realized with a volatile recording medium.
  • the process by which information is stored in the learning storage unit 11 or the like does not matter.
  • information may be stored in the learning storage unit 11 or the like via a recording medium, or information transmitted via a communication line or the like may be stored in the learning storage unit 11 or the like.
  • information input via an input device may be stored in the learning storage unit 11 or the like.
  • the learning reception unit 12 and the terminal reception unit 32 can be realized by device drivers for input means such as touch panels and keyboards, control software for menu screens, and the like.
  • the learning receiving unit 12 may be realized by wireless or wired communication means.
  • the learning processing unit 13, the learning output unit 14, the processing unit 23, the first determination unit 231, the second determination unit 232, the output information configuration unit 233, and the terminal processing unit 33 can usually be implemented by a processor, memory, or the like.
  • the processing procedure of the learning processing unit 13 and the like is normally realized by software, and the software is recorded in a recording medium such as a ROM. However, it may be realized by hardware (dedicated circuit).
  • the processor is, for example, a CPU, MPU, GPU, or the like, and any type of processor does not matter.
  • learning output unit 14 may be realized by wireless or wired communication means.
  • the receiving unit 22, the first reply receiving unit 221, the second reply receiving unit 222, and the terminal receiving unit 35 are usually realized by wireless or wired communication means, but may be realized by means of receiving broadcast. .
  • the output unit 24, the first question output unit 241, the second question output unit 242, the information output unit 243, and the terminal transmission unit 34 are usually implemented by wireless or wired communication means, but are implemented by broadcasting means. Also good.
  • the terminal reception unit 32 can be realized by device drivers for input means such as touch panels and keyboards, control software for menu screens, and the like.
  • the terminal output unit 36 may or may not include output devices such as displays and speakers.
  • the terminal output unit 36 can be realized by output device driver software, or by output device driver software and an output device.
  • a first example of operation is an example of an operation that constitutes two learners, a first learner and a second learner.
  • Step S401 The learning processing unit 13 substitutes 1 for the counter i.
  • Step S402 The learning processing unit 13 determines whether or not the i-th identifier exists. If the i-th identifier exists, go to step S403, and if the i-th identifier does not exist, go to step S406. Note that the identifier is associated with one or more first answers and one or more second answers.
  • Step S403 The learning processing unit 13 acquires from the learning storage unit 11 a set of first answers paired with the i-th identifier and risk presence/absence information paired with the set of first answers.
  • the learning processing unit 13 may determine and acquire the risk presence/absence information from the type.
  • the type identifier “1” is the risk presence/absence information “absent “0””
  • the type identifiers “2”, “3” or “4” is the risk presence information “present “1””.
  • Step S404 The learning processing unit 13 constructs the i-th teacher data using the set of i-th first answers and the risk presence/absence information acquired in step S403, and accumulates it in a buffer (not shown).
  • Step S405 The learning processing unit 13 increments the counter i by 1. Return to step S402.
  • Step S406 The learning processing unit 13 acquires the two or more teacher data accumulated in step S404 from a buffer (not shown), and uses the two or more teacher data to perform prediction processing of machine learning. to get
  • Step S407 The learning processing unit 13 accumulates the first learner acquired in step S406 in the learning storage unit 11.
  • Step S408 The learning processing unit 13 substitutes 1 for the counter j.
  • Step S409 The learning processing unit 13 determines whether or not the j-th identifier exists. If the j-th identifier exists, go to step S410; if the j-th identifier does not exist, go to step S415. Note that the identifier is associated with one or more first answers and one or more second answers.
  • Step S410 The learning processing unit 13 acquires a set of second answers paired with the j-th identifier and an actual type paired with the set of second answers.
  • a set of second answers exists in the answer storage unit 111 .
  • the real type exists in the real type storage unit 112 .
  • Step S411 The learning processing unit 13 determines whether or not to use one or more first answers to configure the second learning device. If the first answer is used, go to step S412; if not, go to step S413. It should be noted that whether or not to use the first reply is usually decided in advance.
  • the learning processing unit 13 stores the one or more first answers that are paired with the j-th identifier and used to configure the second learning device in the answer storage unit 111. Get from One or more first answers used to configure the second learner are usually predetermined.
  • Step S413 The learning processing unit 13 uses the set of j-th second answers obtained in step S410 and the actual type to compose j-th teacher data and store it in a buffer (not shown), or step S410. Using the set of j-th second answers obtained in step S412, the one or more first answers obtained in step S412, and the actual type, j-th teacher data is constructed and stored in a buffer (not shown). Note that the learning processing unit 13, for example, constructs the j-th teacher data, which is a vector whose elements are each answer and the actual type, and accumulates it in a buffer (not shown).
  • Step S414 The learning processing unit 13 increments the counter j by 1. Return to step S409.
  • Step S415) The learning processing unit 13 acquires the two or more teacher data accumulated in step S413 from a buffer (not shown), and uses the two or more teacher data to perform prediction processing of machine learning. to get
  • Step S416) The learning processing unit 13 accumulates the second learner acquired in step S415 in the learning storage unit 11. End the process.
  • a second operation example is an example of an operation that constitutes one learning device.
  • One such learner is a learner for estimating types.
  • Step S501 The learning processing unit 13 substitutes 1 for the counter i.
  • Step S502 The learning processing unit 13 determines whether or not the i-th identifier exists. If the i-th identifier exists, go to step S403, and if the i-th identifier does not exist, go to step S406. Note that the identifier is associated with a set of one or more pieces of answer information.
  • Step S503 The learning processing unit 13 acquires a set of answers paired with the i-th identifier and an actual type paired with the set of answers.
  • Step S504 The learning processing unit 13 constructs the i-th teacher data using the set of i-th answers and the actual type obtained in step S503, and stores it in a buffer (not shown).
  • Step S505 The learning processing unit 13 increments the counter i by 1. Return to step S402.
  • Step S506 The learning processing unit 13 acquires the two or more teacher data accumulated in step S504 from a buffer (not shown), and uses the two or more teacher data to perform machine learning prediction processing to acquire a learner. do.
  • Step S507 The learning processing unit 13 accumulates the learning device acquired in step S506 in the learning storage unit 11. End the process.
  • Step S601 The reception unit 22 determines whether or not a question sheet output instruction has been received. If the question sheet output instruction has been received, the process proceeds to step S602, and if the question sheet output instruction has not been received, the process returns to step S601. Here, for example, the receiving unit 22 determines whether or not a question sheet output instruction has been received from the user terminal 3 .
  • Step S602 The processing unit 23 acquires the first question sheet from the first question storage unit 211.
  • Step S603 The first question output unit 241 outputs the first question sheet acquired in step S602. Here, the first question output unit 241 transmits the first question sheet to the user terminal 3, for example.
  • Step S604 The first reply receiving unit 221 determines whether or not a set of one or more first replies has been received. If the first answer set has been accepted, the process goes to step S605, and if the first answer set has not been accepted, the process returns to step S604. Here, the first reply receiving unit 221 determines whether or not a set of one or more first replies has been received from the user terminal 3, for example.
  • Step S605 The first determination unit 231 uses the set of one or more first answers accepted in step S604 to construct a first vector, which is a vector having each first answer as an element.
  • Step S606 The first judgment unit 231 acquires the first learner from the original information storage unit 213.
  • Step S607 The first determination unit 231 uses the first vector acquired in step S605 and the first learner acquired in step S606 to perform a first prediction process, which is a machine learning prediction process, and estimate Acquire risk presence/absence information.
  • a first prediction process which is a machine learning prediction process, and estimate Acquire risk presence/absence information.
  • Step S608 The first determination unit 231 determines whether the estimated risk presence/absence information acquired in step S607 is "present” or "absent”. If the risk is "present”, go to step S609, and if the risk is "absent”, go to step S620.
  • Step S609 The processing unit 23 acquires the second question sheet from the second question storage unit 212.
  • Step S610 The second question output unit 242 outputs the second question sheet acquired in step S609.
  • the second question output unit 242 transmits the second question sheet to the user terminal 3, for example.
  • Step S611 The second reply receiving unit 222 determines whether or not a set of one or more second replies has been received. If the set of second answers has been accepted, the process goes to step S612, and if the set of second answers has not been accepted, the process returns to step S611. In addition, here, the second reply receiving unit 222 determines whether or not a set of one or more second replies has been received from the user terminal 3, for example.
  • Step S612 The second judgment unit 232 judges whether or not to use one or more first answers in the second prediction process. If the first answer is used, go to step S613; if not, go to step S614.
  • Step S613 The second judgment unit 232 acquires one or more first answers to be used in the second prediction process from among the first answers received in step S604.
  • the second determination unit 232 constructs a second vector.
  • the second vector is a vector whose elements are each of the one or more second answers, or a vector whose elements are each of the one or more second answers and each of the one or more first answers obtained in step S613.
  • Step S615 The second determination unit 232 acquires the second learning device from the original information storage unit 213.
  • Step S616 The second judgment unit 232 uses the second vector acquired in step S614 and the second learner acquired in step S615 to perform second prediction processing, which is a prediction processing of machine learning, and estimate Get the type identifier.
  • Step S617 The output information configuration unit 233 acquires from the advice storage unit 214 advice information paired with the estimated type identifier acquired in step S616.
  • Step S618 The output information configuration unit 233 configures output information using the estimated type identifier acquired in step S616 and the advice information acquired in step S617.
  • Step S619 The information output unit 243 outputs the output information configured in step S618. End the process.
  • the information output unit 243 transmits output information to the user terminal 3, for example.
  • Step S620 The first determination unit 231 substitutes information indicating "no risk” (here, "1") for the variable "type”.
  • Step S621 The output information configuration unit 233 configures output information using the estimated type identifier "1" acquired in step S620.
  • Step S622 The information output unit 243 outputs the output information configured in step S621. End the process.
  • the information output unit 243 transmits output information to the user terminal 3, for example.
  • Step S701 The reception unit 22 determines whether or not a question sheet output instruction has been received. If the question sheet output instruction is received, the process proceeds to step S702, and if the question sheet output instruction is not received, the process returns to step S701. Here, for example, the receiving unit 22 determines whether or not a question sheet output instruction has been received from the user terminal 3 .
  • Step S702 The processing unit 23 acquires the question sheet from the storage unit 21.
  • a question sheet is a set of questions.
  • Step S703 The output unit 24 outputs the question sheet acquired in step S702. In addition, the output part 24 transmits a question sheet to the user terminal 3 here, for example.
  • Step S704 The reception unit 22 determines whether or not a set of one or more pieces of answer information has been received. If the set of answers has been received, the process goes to step S705, and if the set of answers has not been received, the process returns to step S704. Here, for example, the reception unit 22 determines whether or not a set of one or more answers has been received from the user terminal 3 .
  • Step S705 The processing unit 23 (can also be a determination unit (not shown)) uses the set of one or more answers accepted in step S704 to construct a vector having each answer as an element.
  • Step S706 The processing unit 23 (can also be a determination unit not shown) acquires a learning device from the original information storage unit 213.
  • Step S707 The processing unit 23 (can also be a determination unit not shown) performs machine learning prediction processing using the vector acquired in step S705 and the learning device acquired in step S706, and acquires an estimation type. .
  • Step S708 The output information configuration unit 233 acquires from the advice storage unit 214 advice information paired with the estimated type acquired in step S707.
  • Step S709 The output information configuration unit 233 configures output information using the estimated type acquired in step S707 and the advice information acquired in step S708.
  • Step S710 The information output unit 243 outputs the output information configured in step S709. End the process.
  • the information output unit 243 transmits output information to the user terminal 3, for example.
  • Step S801 The terminal reception unit 32 determines whether or not a question sheet output instruction has been received. If the question sheet output instruction has been received, the process proceeds to step S802, and if the question sheet output instruction has not been received, the process returns to step S801.
  • Step S802 The terminal processing unit 33 composes a question sheet output instruction to be sent.
  • the terminal transmission unit 34 transmits the configured question sheet output instruction to the blood glucose constitution determination device 2 .
  • Step S803 The terminal reception unit 35 determines whether or not the first question sheet has been received. When the first question sheet has been received, the process goes to step S804, and when it has not been received, the process returns to step S803.
  • Step S804 The terminal processing unit 33 composes the first question sheet to be output from the first question sheet received in step S803.
  • the terminal output unit 36 outputs the first question sheet.
  • Step S805 The terminal reception unit 32 determines whether or not a set of first answers has been received from the user. If the set of first answers has been accepted, the process goes to step S806, and if the set of first answers has not been accepted, the process returns to step S805.
  • Step S806 The terminal processing unit 33 constructs a set of first responses to be transmitted.
  • the terminal transmission unit 34 transmits the configured set of first answers to the blood glucose constitution determination device 2 .
  • Step S807 The terminal reception unit 35 determines whether information has been received from the blood sugar constitution determination device 2 or not. If the information has been received, the process goes to step S808, and if the information has not been received, the process returns to step S807.
  • Step S808 The terminal processing unit 33 determines whether the information received in step S807 is output information. If it is output information, go to step S809, otherwise go to step S810. The information received in step S807 is the output information or the second question sheet.
  • Step S809 The terminal output unit 36 outputs the output information received in step S807. End the process.
  • Step S810 The terminal output unit 36 outputs the second question sheet received in step S807.
  • Step S811 The terminal reception unit 32 determines whether or not the set of second answers has been received from the user. If the set of second answers has been accepted, the process goes to step S812, and if the set of second answers has not been accepted, the process returns to step S811.
  • Step S812 The terminal processing unit 33 constructs a set of second responses to be transmitted.
  • the terminal transmission unit 34 transmits the configured set of second answers to the blood sugar constitution determination device 2 .
  • Step S813 The terminal reception unit 35 determines whether or not the output information has been received from the blood sugar constitution determination device 2. If the output information has been received, the process goes to step S814, and if the output information has not been received, the process returns to step S813.
  • Step S814 The terminal output unit 36 outputs the received output information. End the process.
  • the user terminal 3 accepts answers to each of the two or more questions included in the questionnaire, sends a set of the answers to the blood sugar constitution determination device 2, and responds to the transmission, including the type
  • the output information may be received from the blood glucose constitution determination device 2 .
  • a user information management table is a table for managing one or more pieces of user information.
  • the user information management table manages one or more records having "ID”, "user identifier” and "user attribute value”.
  • the first question sheet shown in FIG. 10 is stored in the first question storage unit 211, for example.
  • the first question sheet has fifteen first questions. It is also assumed that the first question sheet is a simple question sheet acquired by a simple question sheet acquiring apparatus B, which will be described later. Also, the 15 first questions are questions for one or more first answers used to acquire the first learner.
  • the second question sheet shown in FIG. 11 is stored in the second question storage unit 212, for example.
  • the second question sheet has eight second questions. It is also assumed that the second question sheet is a simple question sheet acquired by a simple question sheet acquisition device B, which will be described later. Also, the second question of 8 is a question for one or more second answers used to acquire the second learner.
  • the original information storage unit 213 stores a first learning device and a second learning device.
  • the first learning device here is a model for estimating risk presence/absence information using one or more user attribute values and one or more first answers.
  • the second learner is here a model for estimating at-risk person types using one or more user attribute values, one or more first responses, and one or more second responses.
  • the learning processing unit 13 of the learning device 1 performs learning processing of machine learning using two or more teacher data having one or more user attribute values and one or more first answers, and selects the first learner. It is assumed that the information is obtained and accumulated in the original information storage unit 213 of the blood glucose constitution determination device 2 .
  • the learning processing unit 13 of the learning device 1 performs learning processing of machine learning using two or more teacher data having one or more user attribute values, one or more first answers, and one or more second answers.
  • the second learning device is acquired and stored in the original information storage unit 213 of the blood sugar constitution determination device 2.
  • the one or more first answers used to acquire the second learner are partial answers of the one or more first answers used to acquire the first learner.
  • the first question corresponding to each of the one or more first answers and the second question corresponding to each of the one or more second answers are both simple questions described later from the same large number of questions (for example, 350 questions) Assume that the question is determined by the vote acquisition device B.
  • advice information is stored in the advice storage unit 214 in association with the type.
  • the terminal reception unit 32 receives a question sheet output instruction.
  • the terminal processing unit 33 composes a question sheet output instruction to be transmitted.
  • the terminal transmission unit 34 transmits the configured question sheet output instruction to the blood glucose constitution determination device 2 .
  • the reception unit 22 of the blood sugar constitution determination device 2 receives the question sheet output instruction.
  • the processing unit 23 acquires the first question sheet having fifteen first questions (see FIG. 10) from the first question storage unit 211 .
  • the first question output unit 241 transmits the first question sheet to the user terminal 3 .
  • the terminal receiving section 35 of the user terminal 3 receives the first question sheet.
  • the terminal processing unit 33 configures the first question sheet to be output from the received first question sheet.
  • the terminal output unit 36 outputs the first question sheet.
  • FIG. 12(b) An example of such an output is shown in FIG. 12(b). According to FIG. 12(b), here, the first question is output one by one, and the user answers one by one.
  • the terminal processing unit 33 composes a set of first answers to be sent.
  • the terminal transmission unit 34 transmits the configured set of first answers and the user identifier “U001” to the blood glucose constitution determination device 2 .
  • the first response receiving unit 221 of the blood sugar constitution determination device 2 receives a set of one or more first responses and the user identifier "U001".
  • the first determination unit 231 uses the received set of one or more first answers to construct a first vector, which is a vector having each first answer as an element. That is, the first determination unit 231 acquires the user attribute values (here, age, weight, BMI, and height) paired with the user identifier "U001" from the user information management table of FIG. Also, the first determination unit 231 acquires a set of 15 received first responses. Then, the first determination unit 231 determines a first vector (for example, (56, 78, 27.0, 170, first response 1, first response 2, . . . constitute the first answer 15)).
  • a first vector for example, (56, 78, 27.0, 170, first response 1, first response 2, . . . constitute the first answer 15).
  • the first judgment unit 231 acquires the first learning device from the original information storage unit 213. Then, the first determination unit 231 uses the first vector and the acquired first learner to perform the first prediction process, which is a machine learning prediction process, and acquires risk presence/absence information. Here, it is assumed that the first judging unit 231 has obtained risk presence/absence information indicating “risk present “1””.
  • the processing unit 23 acquires from the second question storage unit 212 the screen information including the second question sheet corresponding to "1" with risk.
  • the second question output unit 242 transmits screen information including the second question sheet to the user terminal 3.
  • the terminal reception unit 35 receives information from the blood glucose constitution determination device 2 .
  • the terminal output unit 36 outputs the received information. An example of such an output is shown in FIG. 12(c).
  • the terminal reception unit 32 receives a set of second answers from the user.
  • the terminal processing unit 33 composes a set of second responses to be transmitted.
  • the terminal transmission unit 34 transmits the configured set of second answers to the blood sugar constitution determination device 2 .
  • the second response reception unit 222 of the blood sugar constitution determination device 2 receives a set of eight second responses.
  • the second determination unit 232 acquires the user attribute values (here, age, weight, BMI, height) paired with the user identifier "U001" from the user information management table of FIG.
  • the second determination unit 232 also acquires a set of eight second responses received.
  • the second determination unit 232 determines a second vector (for example, (56, 78, 27.0 , 170, first answer 1, first answer 2, . . . , second answer 1, second answer 2, .
  • the second judgment unit 232 acquires the second learning device from the original information storage unit 213.
  • the second determination unit 232 performs a second prediction process, which is a prediction process of machine learning, using the obtained second vector and the obtained second learner, and obtains the estimation type "2".
  • the output information configuration unit 233 acquires advice information paired with the type "2" from the advice storage unit 214.
  • advice information is, for example, the information on the screen of FIG. 12(f).
  • the output information configuration unit 233 configures output information using the acquired estimation type "2" and the acquired advice information.
  • the information output unit 243 transmits the output information to the user terminal 3.
  • the terminal reception unit 35 of the user terminal 3 receives the output information from the blood sugar constitution determination device 2.
  • the terminal output unit 36 outputs the received output information. Such output examples are shown in FIGS. 12(e) and 12(f).
  • the user can easily know the type of blood sugar constitution of the user by answering simple questions.
  • the user who is at risk for blood sugar can use answers to few questions.
  • the burden on the user can be reduced.
  • the processing in the present embodiment may be realized by software. Then, this software may be distributed by software download or the like. Also, this software may be recorded on a recording medium such as a CD-ROM and distributed. Note that this also applies to other embodiments in this specification.
  • the software that implements the blood sugar constitution determination device 2 in the present embodiment is the following program.
  • the program comprises one or more pieces of question information for judging the type of blood sugar constitution, and a computer capable of accessing a storage unit storing one or more pieces of question information including questions about lifestyle habits.
  • FIG. 13 is a block diagram of simple question sheet acquisition device B in this embodiment.
  • the simplified question sheet acquisition device B includes a storage unit 4 , a reception unit 5 , a processing unit 6 and an output unit 7 .
  • the storage unit 4 includes a question sheet storage unit 41 , an answer storage unit 42 and an actual type storage unit 43 .
  • the reception unit 5 includes an answer reception unit 51 .
  • the processing unit 6 includes an actual type acquisition unit 61 , an inappropriateness determination unit 62 , an estimated type acquisition unit 63 and a question determination unit 64 .
  • the estimation type acquisition unit 63 includes contribution degree acquisition means 631 , candidate acquisition means 632 , and estimation type acquisition means 633 .
  • the output unit 7 includes a simple question sheet output unit 71 .
  • Various types of information are stored in the storage unit 4.
  • Various types of information are, for example, a question sheet to be described later, an answer to be described later, an actual type to be described later, an inappropriate condition to be described later, and an approximate condition to be described later.
  • a question sheet is stored in the question sheet storage unit 41 .
  • a question sheet is a set of N (N is a natural number) questions.
  • a question sheet is, for example, a set of questions including M 1 (M 1 is a natural number, M 1 ⁇ N) questions used when acquiring an estimated type.
  • a question sheet is, for example, a set of questions including M 2 (M 2 is a natural number, M 2 ⁇ N) questions used when acquiring estimated risk presence/absence information.
  • a question sheet is, for example, a set of questions for estimating the type of user's glycemic constitution.
  • the questionnaire is, for example, a set of questions for determining whether or not the user is at risk for blood sugar. However, the contents of the questionnaire and the number of questions are not considered.
  • the question may also be referred to as a question, a question, or the like. It can be said that the questionnaire is a so-called questionnaire.
  • the questionnaire consists of, for example, 350 questions.
  • the answer is stored in the answer storage unit 42.
  • the answer storage unit 42 stores answers associated with identifiers.
  • the answer is the user's answer to each question on the questionnaire. Note that the user is the respondent.
  • the answer corresponds to the question identifier of each question on the question sheet.
  • a question identifier is information for identifying a question, such as a question number or a question ID.
  • An identifier is information that identifies a set of responses, such as a user identifier, a day identifier, or a user identifier and a day identifier.
  • a user identifier is information that identifies a user, and is, for example, an ID, e-mail address, telephone number, or ID of a terminal used by the user (eg, IP address, MAC address, terminal identifier, etc.).
  • the answer may be associated with the user attribute value.
  • User attribute values are user attribute values, such as gender, age, and occupation.
  • the real type storage unit 43 stores two or more real types.
  • a real type is usually associated with an identifier.
  • a real type may be associated with an application that uses the real type. That is, the actual type storage unit 43 may store the actual type for learning and the actual type for testing separately. The real type storage unit 43 may store a real type for learning, a real type for verification, and a real type for testing, separately.
  • the reception unit 5 receives various instructions and information.
  • Various instructions and information are, for example, answers and simple question sheet output instructions.
  • the simple question sheet output instruction is an instruction to output the simple question sheet.
  • Various instructions and information input means can be anything, such as a touch panel, keyboard, mouse, or menu screen.
  • the answer acceptance unit 51 accepts answers. Answers are answers to each question on the questionnaire. Answers are typically associated with user identifiers.
  • the answer accepting unit 51 accepts a set of answers to each question on the questionnaire, associates the set of answers with the user identifier, and stores them in the answer storage unit 42 .
  • the processing unit 6 performs various types of processing. Various types of processing are performed by, for example, the actual type acquiring unit 61, the inappropriateness determining unit 62, the estimated type acquiring unit 63, the question determining unit 64, the contribution degree acquiring unit 631, the candidate acquiring unit 632, and the estimated type acquiring unit 633. be.
  • the actual type acquisition unit 61 acquires the actual type identifier from the actual type storage unit 43.
  • the actual type acquisition unit 61 acquires from the actual type storage unit 43 the actual type paired with the set of answers to be processed.
  • the actual type paired with the set of answers to be processed is, for example, the set of answers associated with the same identifier and the actual type.
  • the inappropriate determination unit 62 determines whether or not the answers to the N questions satisfy predetermined inappropriate conditions.
  • An inappropriate condition is, for example, different answers to the same two or more questions.
  • the inadequate condition is, for example, that the proportion of responses equal to or greater than a threshold (eg, 95% or greater) or that the number of responses equal to or greater than the threshold are the same (eg, that all responses are the same). It is preferable that the estimated type acquisition unit 63 and the question determination unit 64 not use the set of answers determined by the inappropriateness determination unit 62 to satisfy the inappropriateness condition.
  • the estimated type obtaining unit 63 obtains the estimated type using the answers to each of M1 questions, which are less than N, out of the answers to the N questions.
  • N is a natural number of 2 or more.
  • M1 is a natural number of 1 or more.
  • the estimation type acquisition unit 63 acquires estimated risk presence/absence information using answers to each of M2 questions, which are less than N, out of the answers to the N questions.
  • N is a natural number of 2 or more.
  • M2 is a natural number of 1 or more.
  • the estimation type acquisition unit 63 acquires an estimation type identifier, for example, using contribution degree acquisition means 631, candidate acquisition means 632, and estimation type acquisition means 633.
  • the estimation type acquisition unit 63 may acquire the estimated risk presence/absence information using the contribution degree acquisition means 631 , the candidate acquisition means 632 , and the estimation type acquisition means 633 .
  • the contribution acquisition means 631 acquires the contribution of the answers to each of the N questions for the actual type. Note that the degree of contribution of an answer to each question can also be said to be the degree of contribution of each question.
  • the contribution degree acquisition means 631 acquires the contribution degree of each question, for example, by the following method (1) or (2). However, the method of acquiring the contribution of each question does not matter.
  • the contribution acquisition means 631 acquires, for example, the contribution of the answers to each of the N questions to the actual risk presence/absence information. Note that the degree of contribution of an answer to each question can also be said to be the degree of contribution of each question.
  • the contribution degree acquisition means 631 acquires the contribution degree of each question, for example, by the following method (1) or (2). However, the method of acquiring the contribution of each question does not matter. (1) When obtaining the contribution from the random forest learner (1-1) When obtaining the contribution of the question for obtaining the estimation type
  • the contribution degree acquisition means 631 uses the random forest module to acquire the contribution degree of the answer.
  • the contribution acquisition unit 631 acquires the answer to each question of the question sheet having N questions for each identifier. Further, the contribution degree acquisition unit 631 acquires, for each identifier, the real type paired with the identifier from the real type storage unit 43, for example. Next, the contribution acquisition means 631 constructs a vector whose elements are each answer and the actual type, for example, for each identifier. Next, the contribution degree acquiring means 631, for example, gives vectors corresponding to two or more identifiers to a random forest learning module, executes the random forest learning module, and acquires a learner. Then, the contribution acquisition means 631 acquires the contribution of each question corresponding to each answer using the learning device.
  • the degree of contribution of each question is information relating to the contribution of each question to obtaining the actual type, and may be called the contribution rate or the degree of importance. It should be noted that the process of acquiring the degree of contribution of each question corresponding to each answer using a learner acquired by executing the random forest learning module is a known technique. (1-2) When acquiring the contribution of questions for acquiring estimated risk presence/absence information
  • the contribution degree acquisition means 631 uses the random forest module to acquire the contribution degree of the answer.
  • the contribution acquisition unit 631 acquires the answer to each question of the question sheet having N questions for each identifier. Further, the contribution degree acquisition means 631 acquires real risk presence/absence information paired with the identifier from the real type storage unit 43, for example, for each identifier. Next, the contribution degree acquiring means 631 constructs a vector whose elements are each answer and the actual risk presence/absence information, for example, for each identifier. Next, the contribution degree acquiring means 631, for example, gives vectors corresponding to two or more identifiers to a random forest learning module, executes the random forest learning module, and acquires a learner. Then, the contribution acquisition means 631 acquires the contribution of each question corresponding to each answer using the learning device.
  • the degree of contribution of each question is information relating to the contribution of each question for obtaining information on the presence or absence of real risks, and may be called a contribution rate or a degree of importance. It should be noted that the process of acquiring the degree of contribution of each question corresponding to each answer using a learner acquired by executing the random forest learning module is a known technique. (2) When acquiring the contribution using the accuracy evaluation result of the machine learning learner (2-1) When acquiring the contribution of the question for acquiring the estimation type
  • the contribution degree acquisition means 631 constructs a vector whose elements are each answer to all questions and the actual type, for example, for each identifier.
  • the contribution acquisition means 631 was able to acquire two or more vectors.
  • the contribution acquisition means 631 calculates the accuracy (accuracy rate, precision rate, recall rate, F value, etc.) of the learner configured using each answer to all questions and the actual type by k-fold cross validation, for example. acquires the basic accuracy, which is any accuracy among the accuracy of
  • the contribution degree acquisition means 631 constructs a vector whose elements are the answers excluding the answer to one question among all the questions and the actual type.
  • the contribution degree acquisition means 631 acquires the accuracy of the learning device configured using each answer except the answer to one question and the actual type by, for example, k-fold cross validation, which is the missing accuracy.
  • the contribution degree obtaining means 631 calculates the difference between the basic precision and the missing precision.
  • the contribution degree acquiring means 631 calculates the degree of contribution of the questions to the excluded answers by, for example, an increasing function with this difference as a parameter.
  • the degree of contribution of the question to the excluded answer can be calculated by the arithmetic expression "f (basic precision - missing precision)". Also, the greater the difference between the basic accuracy and the missing accuracy, the greater the contribution of the excluded answer, that is, the excluded question. Moreover, excluding an answer is also excluding a question corresponding to the answer.
  • the contribution degree acquisition means 631 changes, for example, the first question to the N-th question to be excluded, and acquires N missing accuracies for each question excluded by k-fold cross-validation.
  • the contribution acquisition means 631 performs k-fold cross-validation using a machine learning module.
  • the machine learning module may be random forest, decision tree, deep learning, SVR, etc., and any algorithm may be used.
  • various machine learning functions such as TensorFlow library, fastText, tinySVM, R language random forest module, and various existing libraries can be used. Since the k-fold cross-validation is a well-known technique, detailed description thereof will be omitted.
  • the contribution degree acquisition unit 631 may acquire the contribution degree of each question using only the N missing accuracies, for example, without using the basic accuracy. In other words, the contribution degree acquisition unit 631 may acquire the contribution degree such that the lower the precision indicated by the missing accuracy corresponding to the missing question, the greater the contribution of the question.
  • the contribution degree acquiring means 631 may acquire the degree of contribution of each question, for example, by a decreasing function whose parameter is the missing accuracy of each question.
  • the contribution degree acquiring means 631 constructs a vector whose elements are each answer to all the questions and the actual risk presence/absence information, for example, for each identifier.
  • the contribution acquisition means 631 was able to acquire two or more vectors.
  • the contribution degree acquisition means 631 for example, by k-fold cross validation, the accuracy (accuracy rate, precision rate, recall rate, or F Obtain the basic precision, which is any precision of the precision of the value, etc.).
  • the contribution degree acquisition means 631 constructs a vector whose elements are, for example, the answers excluding the answer to one question among all the questions and the actual risk presence/absence information, for each identifier.
  • the contribution degree acquisition means 631 acquires the missing accuracy, which is the accuracy of the learner configured using each answer except the answer to one question and the actual risk presence/absence information, for example, by k-fold cross-validation.
  • the contribution degree obtaining means 631 calculates the difference between the basic precision and the missing precision.
  • the contribution degree acquiring means 631 calculates the degree of contribution of the questions to the excluded answers by, for example, an increasing function with this difference as a parameter.
  • the degree of contribution of the question to the excluded answer can be calculated by the arithmetic expression "f (basic precision - missing precision)". Also, the greater the difference between the basic accuracy and the missing accuracy, the greater the contribution of the excluded answer, that is, the excluded question. Moreover, excluding an answer is also excluding a question corresponding to the answer.
  • the contribution degree acquisition means 631 changes, for example, from the first question to the N-th question to be excluded, and acquires N missing accuracies for each question excluded by k-fold cross-validation.
  • the contribution degree acquisition means 631 performs k-fold cross-validation using a machine learning module, as described above.
  • the contribution acquisition means 631 may acquire the contribution of each question using only the N missing accuracies, for example, without using the basic accuracies.
  • the contribution degree acquisition unit 631 may acquire the contribution degree such that the lower the precision indicated by the missing accuracy corresponding to the missing question, the greater the contribution of the question.
  • the contribution degree acquiring means 631 may acquire the degree of contribution of each question, for example, by a decreasing function whose parameter is the missing accuracy of each question.
  • the candidate acquisition unit 632 acquires two or more question set candidates.
  • a question set candidate is a candidate for a question set.
  • a question set is a set of two or more questions with a different number of two or more among the N questions of the question card. It does not matter how the candidate obtaining means 632 obtains two or more question set candidates.
  • the candidate acquisition unit 632 acquires two or more question set candidates, for example, by any of the following methods (1) to (3). (1) When using contribution
  • the candidate acquisition means 632 acquires, for example, two or more question set candidates, which are sets of questions whose contributions acquired by the contribution acquisition means 631 satisfy a predetermined contribution condition.
  • the contribution degree condition is that the contribution degree is large.
  • the contribution degree condition is, for example, that the contribution degree is equal to or greater than a threshold value, that the contribution degree is greater than the threshold value, or that the contribution degree is equal to or higher than the top N ranks.
  • the candidate acquisition unit 632 acquires, for example, two or more question set candidates that contain the largest number of questions in descending order of contribution.
  • Two or more question set candidates in which the number of questions included in descending order of contribution is, for example, "the question with the highest contribution”, "a set of two questions with the first and second contributions", ""A set of 3 questions from 1st to 3rd” ... "A set of X questions from 1st to X”. Note that the number of Xs does not matter.
  • the candidate acquisition means 632 for example, from a question sheet that is a set of N questions, N question set candidates for one question, N C 2 question set candidates, N C 3 question set candidates, Question set candidates, N C 4 question set candidates, . That is, the candidate acquiring means 632 obtains ( N C 1 + N C 2 + N C 3 + . . . + N C N-2 + N C N-1 + N C N ) question set candidates are obtained. In such a case, the contribution degree acquiring means 631 is unnecessary.
  • the candidate acquisition unit 632 may determine the upper limit of the number of questions included in the set, such as not acquiring a set of N questions. (3) When randomly obtained
  • the candidate acquisition means 632 for example, randomly selects a first question set candidate consisting of two questions, and acquires X (X is predetermined, for example). In addition, the candidate acquisition unit 632 randomly selects, for example, second question set candidates consisting of three questions, and acquires X kinds of them. Further, the candidate acquisition unit 632 randomly selects, for example, a third question set candidate consisting of four questions, and acquires X kinds of them. . . . The candidate acquisition unit 632 randomly selects, for example, question set candidates consisting of Y (where Y ⁇ N is predetermined) questions, and acquires X kinds of question set candidates. In such a case, the contribution degree acquiring means 631 is also unnecessary.
  • the estimated type acquiring means 633 acquires an estimated type, which is a value obtained using the answers to the two or more questions possessed by each question set candidate.
  • the estimated type acquisition unit 633 acquires the estimated type, for example, by the following method (1) or (2).
  • the estimated type obtaining means 633 obtains, for each of the two or more question set candidates obtained by the candidate obtaining means 632 and for each identifier, an answer to two or more questions possessed by each question set candidate, and an answer for learning. , from the answer storage unit 42 .
  • the estimated type acquisition means 633 acquires from the real type storage unit 43 the actual type corresponding to the answer for learning for each of the two or more question set candidates acquired by the candidate acquisition means 632 and for each user identifier. do.
  • the estimated type acquisition means 633 provides the answer and the actual type paired with each of the two or more identifiers to the machine learning learning module. , performs learning processing and acquires a learner. Random forest is suitable for machine learning, but other algorithms such as deep learning, decision tree, and SVR may also be used.
  • the estimated type acquisition means 633 obtains the answers to the two or more questions of each question set candidate. An answer is acquired from the answer storage unit 42 . Then, the estimation type acquisition means 633 supplies the acquired learner and test answer for each of the two or more question set candidates and for each identifier to a machine learning prediction module, and executes the prediction module. , to get the estimated type. Note that the estimation type may be called a prediction type or the like.
  • the estimated type acquisition means 633 acquires, for each of the two or more question set candidates acquired by the candidate acquisition means 632 and for each identifier, the answers to the two or more questions of each question set candidate from the answer storage unit 42. .
  • the estimated type acquisition unit 633 acquires from the actual type storage unit 43 the actual type paired with the identifier for each of the two or more question set candidates acquired by the candidate acquisition unit 632 .
  • the estimation type acquisition means 633 acquires an estimation type by k-fold cross-validation for each of the two or more question set candidates and for each identifier. That is, for each of two or more question set candidates, for example, the set of answers of all users and the actual type are divided into k pieces (for example, 10 pieces), and (k ⁇ 1)/k data is processed by the machine. Provide a learning module for learning, execute the learning module, and obtain a learner. Next, the estimation type acquisition means 633 supplies the remaining 1/k data and the learner to a machine learning prediction module, executes the prediction module, and obtains the answer corresponding to the remaining 1/k data. Get the estimated type of the set. Then, the estimation type acquisition means 633 changes data to be given to the learning module and data to be given to the prediction module, executes the above process k times, and obtains an estimation type for each identifier for each of two or more question set candidates. to get
  • the estimation type acquisition means 633 acquires estimated risk presence/absence information obtained using answers to two or more questions of each question set candidate for each of the two or more question set candidates acquired by the candidate acquisition means 632.
  • the estimation type acquisition unit 633 acquires estimated risk presence/absence information by the following method (1) or (2), for example, in the same way as when acquiring an estimation type.
  • (1) A method of configuring a learning device using answers for learning and actual risk presence/absence information, and acquiring estimated risk presence/absence information using the learning device and test answers.
  • the estimated type obtaining means 633 obtains, for each of the two or more question set candidates obtained by the candidate obtaining means 632 and for each identifier, an answer to two or more questions possessed by each question set candidate, and an answer for learning. , from the answer storage unit 42 .
  • the estimated type acquisition unit 633 stores real risk presence/absence information corresponding to answers for learning for each of the two or more question set candidates acquired by the candidate acquisition unit 632 and for each user identifier. Get from
  • the estimation type acquisition means 633 acquires answers paired with the two or more identifiers and the actual risk presence/absence information as a machine learning learning module. , the learning process is performed, and a learner is obtained.
  • the estimated type acquisition means 633 obtains the answers to the two or more questions of each question set candidate. An answer is acquired from the answer storage unit 42 . Then, the estimation type acquisition means 633 supplies the acquired learner and test answer for each of the two or more question set candidates and for each identifier to a machine learning prediction module, and executes the prediction module. , to obtain estimated risk presence/absence information.
  • the estimated type acquisition means 633 acquires, for each of the two or more question set candidates acquired by the candidate acquisition means 632 and for each identifier, the answers to the two or more questions of each question set candidate from the answer storage unit 42. .
  • the estimated type obtaining means 633 obtains real risk presence/absence information paired with the identifier from the actual type storage unit 43 for each of the two or more question set candidates obtained by the candidate obtaining means 632 .
  • the estimation type acquisition means 633 acquires estimated risk presence/absence information by k-fold cross-validation for each of the two or more question set candidates and for each identifier. That is, for each of two or more question set candidates, for example, the set of answers of all users and the actual risk presence/absence information are divided into k pieces (for example, 10 pieces), and (k ⁇ 1)/k data is , is given to a learning module of machine learning, the learning module is executed, and a learner is obtained. Next, the estimation type acquisition means 633 supplies the remaining 1/k data and the learner to a machine learning prediction module, executes the prediction module, and obtains the answer corresponding to the remaining 1/k data. Get the estimated risk presence/absence information for the set. Then, the estimation type acquisition means 633 changes the data given to the learning module and the data given to the prediction module, executes the above process k times, and obtains the estimated risk for each identifier for each of two or more question set candidates. Get presence/absence information.
  • the question determination unit 64 selects M questions corresponding to the estimation type when the accuracy of the degree of matching between the estimation type acquired by the estimation type acquisition unit 63 and the actual type satisfies a predetermined accuracy condition. Determine questions.
  • a set of such M questions is a question sheet.
  • the question determination unit 64 determines the M A question that is one question is determined. A set of such M1 questions is the first question sheet.
  • the question determination unit 64 selects M 2 questions corresponding to the estimation type. determine a question. A set of such M2 questions is the second question sheet.
  • the output unit 7 outputs various information.
  • Various types of information are, for example, simple questionnaires, which will be described later.
  • output means display on a display, projection using a projector, printing on a printer, sound output, transmission to an external device, storage on a recording medium, and transmission to another processing device or other program.
  • the simple question sheet output unit 71 outputs a simple question sheet that is information about the question set, which is a set of M questions determined by the question determination unit 64.
  • the simple question sheet may be a set of M questions, a set of M question IDs, a set of link information to each M questions, or the like.
  • the simple question sheet may be any information that allows acquisition of a set of M questions.
  • the simplified question sheet to be output may be a question obtained by processing at least one of the M questions determined by the question determination unit 64 .
  • the simple question sheet may be the first question sheet or the second question sheet described above.
  • the storage unit 4, the question sheet storage unit 41, the answer storage unit 42, and the actual type storage unit 43 are preferably non-volatile recording media, but can also be realized with volatile recording media.
  • information may be stored in the storage unit 4 or the like via a recording medium, or information transmitted via a communication line or the like may be stored in the storage unit 4 or the like.
  • information input via an input device may be stored in the storage unit 4 or the like.
  • the reception unit 5 and the answer reception unit 51 can be realized by device drivers for input means such as touch panels and keyboards, control software for menu screens, and the like. Note that the reception unit 5 and the like may be realized by wireless or wired communication means.
  • the processing unit 6, the actual type acquiring unit 61, the inappropriateness determining unit 62, the presumed type acquiring unit 63, the question determining unit 64, the contribution degree acquiring unit 631, the candidate acquiring unit 632, and the presumed type acquiring unit 633 usually include a processor, It can be implemented from memory or the like.
  • the processing procedure of the processing unit 6 and the like is normally realized by software, and the software is recorded in a recording medium such as a ROM. However, it may be realized by hardware (dedicated circuit).
  • the processor is, for example, a CPU, MPU, GPU, or the like, and any type of processor does not matter.
  • the output unit 7 and simple question form output unit 71 may or may not include output devices such as displays and speakers.
  • the output unit 7 and the like can be realized by output device driver software, or by output device driver software and an output device. Note that the output unit 7 and the like may be realized by wireless or wired communication means. Also, the output unit 7 and the like may be implemented by a processor, memory, or the like.
  • Step S1401 The response receiving unit 51 determines whether or not the response to each of the N questions that make up the question sheet and the measured value have been received in pairs with the identifier.
  • the measured value is the actual type or risk presence/absence information. If an answer or the like has been accepted, the process goes to step S1402, and if no answer or the like has been accepted, the process goes to step S1403.
  • the identifier is, for example, a user identifier. Also, the identifiers are, for example, a user identifier and a day identifier.
  • Step S1402 The processing unit 6 stores the set of answers accepted in step S201 and the measured values in the answer storage unit 42 in pairs with identifiers. Return to step S1401.
  • Step S1403 The reception unit 5 determines whether or not a simple question sheet output instruction has been received. If the simple question sheet output instruction has been received, the process proceeds to step S1404, and if the simple question sheet output instruction has not been received, the process returns to step S1401.
  • Step S1404 The processing unit 6 performs question determination processing.
  • An example of question determination processing will be described with reference to the flowcharts of FIGS. 15 and 18.
  • FIG. The question determination process is a process of determining questions for constructing the simple question sheet.
  • Step S1405 The processing unit 6 uses the one or more questions determined in step S1404 to acquire a simplified question sheet to be output.
  • Step S1406 The simple question sheet output unit 71 outputs the simple question sheet acquired in step S1407. Return to step S1401. Here, the simple question sheet output unit 71 accumulates the simple question sheet acquired in step S1407 in the question sheet storage unit 41, for example.
  • step S1404 Next, a first example of question determination processing in step S1404 will be described using the flowchart of FIG.
  • Step S1501 The contribution acquisition means 631 acquires the contribution of each question in the question sheet. An example of such contribution degree acquisition processing will be described with reference to the flowcharts of FIGS. 16 and 17. FIG.
  • Step S1502 The estimation type acquisition unit 63 substitutes 1 for the counter i.
  • Step S1503 The candidate acquisition unit 632 acquires the i-th question set candidate using the contribution of each question acquired in step S1501.
  • the candidate acquisition unit 632 acquires i questions from the question sheet of the question sheet storage unit 41, from the question with the highest degree of contribution to the question with the i-th largest degree of contribution, for example.
  • Step S1504 The estimation type acquisition means 633 acquires learning data from the answer storage unit 42.
  • the estimated type acquisition means 633 acquires from the answer storage unit 42 a set of answers to each question of the i-th question set candidate, which is a set of answers paired with the usage "for learning”. In addition, the estimated type acquisition unit 633 acquires from the actual type storage unit 43 the actual measurement value paired with each identifier for each identifier paired with the usage “for learning”. Next, the estimated type acquisition means 633 acquires a vector having, as elements, each answer to each question and an actual measurement value for each identifier. Such learning data is a set of vectors corresponding to each of two or more identifiers.
  • Step S1505 The estimation type acquisition means 633 supplies the learning data acquired in step S1504 to the learning processing module of machine learning, executes the module, and acquires a learner.
  • the machine learning module is, for example, a random forest module.
  • Step S1506 The estimation type acquisition means 633 substitutes 1 for the counter j.
  • Step S1507 The estimation type acquisition means 633 determines whether the j-th test data is stored in the answer storage unit 42 or not. If the j-th test data exists, the process goes to step S1508, and if the j-th test data does not exist, the process goes to step S1511.
  • the test data is a set of answers associated with identifiers.
  • Step S1508 The estimated type acquisition means 633 selects each answer of each question of the i-th question set candidate, which is the j-th test data, from among the test data stored in the answer storage unit 42. A set of answers having elements is acquired from the answer storage unit 42 . Next, the estimation type acquisition unit 633 provides the set of answers and the learner acquired in step S1505 to a machine learning prediction module, executes the prediction module, and acquires an estimated value.
  • the estimated value is the estimated type or the estimated risk presence/absence information.
  • Step S1509 The question determination unit 64 acquires from the answer storage unit 42 an identifier paired with the j-th test data. Next, the question determination unit 64 acquires the measured value paired with the identifier from the actual type storage unit 43, and associates the measured value with the estimated value acquired in step S410.
  • Step S1510 The estimated type acquisition means 633 increments the counter j by 1. Return to step S1507.
  • Step S1511 The question determining unit 64 acquires sets of estimated values acquired in step S1508 and measured values acquired in step S409 for the number of test data. Next, the question determining section 64 acquires accuracy information regarding the accuracy of the estimated value with respect to the actual measured value, using all the information of the set of the estimated value and the actual measured value.
  • the question determination unit 64 uses, for example, all the information of pairs of estimated values and measured values to acquire accuracy information, which is the proportion of matches between estimated values and measured values.
  • the question determination unit 64 uses, for example, all the information of pairs of estimated values and measured values to obtain accuracy information, which is the correlation coefficient between the estimated values and the measured values.
  • Step S1512 The question determination unit 64 determines whether the accuracy information acquired in step S413 satisfies the approximation condition stored in the storage unit 4. If the approximation condition is satisfied, the process goes to step S1513, and if the approximation condition is not satisfied, the process goes to step S1514.
  • the approximation condition is, for example, that the accuracy information is greater than or equal to a threshold value, or that the accuracy information is greater than a threshold value.
  • the question determination unit 64 acquires information about the i-th question set candidate. Return to upper process.
  • the information about the i-th question set candidate is, for example, the i-th question set candidate itself or the question identifier of each question of the i-th question set candidate.
  • Step S1514 The estimated type acquisition unit 63 increments the counter i by 1. Return to step S1503.
  • step S1501 a first example of contribution degree acquisition processing in step S1501 will be described using the flowchart of FIG.
  • Step S1601 The contribution acquisition means 631 substitutes 1 for the counter i.
  • Step S1602 The contribution acquisition means 631 determines whether or not the i-th identifier exists. If the i-th identifier exists, go to step S1603, and if the i-th identifier does not exist, go to step S1607.
  • Step S1603 The contribution acquisition means 631 acquires answers to all questions corresponding to the i-th identifier.
  • Step S1604 The contribution degree acquisition means 631 acquires the measured value corresponding to the i-th identifier from the actual type storage unit 43. Note that the actual measurement value is the actual type or the actual risk presence/absence information.
  • Step S1605 The contribution degree acquisition means 631 constructs a vector whose elements are all the answers acquired in step S1603 and the measured values acquired in step S1604.
  • Step S1606 The contribution acquisition means 631 increments the counter i by 1. Return to step S1602.
  • Step S1607 The contribution acquisition means 631 gives all the vectors configured in step S1605 to the random forest learning module, executes the learning module, and acquires a learner.
  • the learning device is a learning device that can be used for prediction processing of a random forest, and is used to input the answers to all the questions corresponding to the type identifier of the type of interest and to output the estimated value. It is a learner that
  • Step S1608 The contribution acquisition means 631 substitutes 1 for the counter j.
  • Step S1609 The contribution acquisition means 631 determines whether or not the j-th question exists. If the j-th question exists, go to step S1610, and if the j-th question does not exist, return to the upper process.
  • Step S1610 The contribution acquisition means 631 acquires the contribution of the j-th question (j-th feature amount) using the learner acquired in step S1607. Note that the process of acquiring the contribution of the j-th feature amount using a random forest learner is a known technique.
  • Step S1611 The contribution degree acquisition means 631 accumulates the contribution degree acquired in step S1610 in association with the j-th question.
  • Step S1612 The contribution acquisition means 631 increments the counter j by 1. Return to step S1609.
  • step S1501 an example of the second contribution degree acquisition process in step S1501 will be described using the flowchart of FIG. In the flowchart of FIG. 17, description of the same steps as in the flowchart of FIG. 16 will be omitted.
  • Step S1701 Contribution acquisition means 631 uses the set of vectors acquired in step S1605 to perform k-fold cross-validation using a machine learning algorithm. to get a base precision of .
  • Step S1702 The contribution degree acquisition means 631 temporarily accumulates the basic accuracy acquired in step S1701.
  • Step S1703 The contribution acquisition means 631 substitutes 1 for the counter j.
  • Step S1704 The contribution degree acquisition means 631 determines whether or not the j-th question exists among all the target questions. If the j-th question exists, go to step S1705, and if the j-th question does not exist, return to the higher-level processing.
  • Step S1705 The contribution acquisition means 631 substitutes 1 for the counter k.
  • Step S1706 The contribution acquisition means 631 determines whether or not the k-th identifier exists. If the k-th identifier exists, go to step S1707, and if the k-th identifier does not exist, go to step S1709.
  • the contribution degree acquisition means 631 acquires the vector that is the vector acquired in step S1605 and pairs with the k-th identifier, and constructs a vector that excludes the answer to the j-th question from this vector. In other words, the contribution degree acquisition unit 631 constructs a vector whose dimension is one less than the vector acquired in step S1605.
  • Step S1708 The contribution acquisition means 631 increments the counter k by 1. Return to step S1706.
  • Step S1709 Contribution degree acquisition means 631 performs k-fold cross-validation using a machine learning algorithm using the set of vectors acquired in step S1707, and uses the answer excluding the answer to the j-th question. Get the missing precision, which is the precision of .
  • Step S1710 The contribution degree acquisition means 631 temporarily accumulates the missing accuracy acquired in step S1709 in association with the j-th question.
  • Step S1711 The contribution degree acquisition means 631 acquires the difference between the missing accuracy temporarily accumulated in step S1702 and the basic accuracy temporarily accumulated in step S1710. The greater the difference, the greater the degree of contribution of the answer to the j-th question.
  • Step S1712 The contribution degree acquisition means 631 accumulates the contribution degree acquired in step S1711 in association with the j-th question.
  • Step S1713 The contribution acquisition means 631 increments the counter j by 1. Return to step S1704.
  • step S1604 a second example of question determination processing in step S1604 will be described using the flowchart of FIG.
  • Step S1801 The question determination unit 64 substitutes 1 for the counter j.
  • Step S1802 The question determination unit 64 substitutes 1 for the counter k.
  • Step S1803 The question determining unit 64 determines whether or not there is a k-th combination of j questions. If the k-th combination exists, go to step S1804; if not, go to step S1814.
  • the question determination unit 64 acquires a question set candidate that is the k-th combination of j questions.
  • Step S1805) The question determination unit 64 substitutes 1 for the counter l.
  • Step S1806 The question determination unit 64 determines whether or not the l-th identifier exists. If the l-th identifier exists, go to step S1807, and if the l-th identifier does not exist, go to step S1811.
  • Step S1807 The question determination unit 64 acquires from the answer storage unit 42 the answer to each question of the question set candidate acquired in step S1804, which is paired with the l-th identifier.
  • Step S1808 The question determination unit 64 acquires from the actual type storage unit 43 the actual value corresponding to the i-th type and paired with the l-th identifier.
  • Step S1809 The question determination unit 64 constructs a vector whose elements are the answers to the questions acquired in step S1807 and the actual values acquired in step S1808.
  • Step S1810 The counter l is incremented by 1. Return to step S1806.
  • Step S1811 The question determination unit 64 performs k-fold cross-validation using the set of vectors acquired in step S1809, and determines the precision of the learner configured using the set of vectors acquired in step S1809. Get information.
  • Step S1812 The question determination unit 64 stores the accuracy information acquired in step S1811 in a buffer (not shown) in association with the k-th question set candidate.
  • Step S1813 The question determination unit 64 increments the counter k by 1. Return to step S1803.
  • Step S1814 The question determination unit 64 acquires the best accuracy information when j questions are used from among the accuracy information accumulated in step S1812.
  • Step S1815 The question determination unit 64 determines whether or not the accuracy information acquired in step S1814 satisfies the approximation condition of the storage unit 4. If the approximation condition is satisfied, the process goes to step S1816, and if the approximation condition is not satisfied, the process goes to step S1817.
  • Step S1816 The question determination unit 64 acquires information about the k-th question set candidate of the j questions. Go to step S416. Note that the k-th question set candidate of the j questions is the set of questions determined by the question determination unit 64, and is the set of questions used to compose the simple question sheet.
  • Step S1817 The question determination unit 64 increments the counter j by 1. Return to step S1802.
  • the question sheet shown in FIG. 19 is now stored in the question sheet storage unit 41.
  • the question sheet here has 350 question information.
  • the answer storage unit 42 stores the answers to the question sheets of 434 users. Such a response is shown in FIG. In FIG. 20, "ID" is the identifier of the user who responded. In addition, in FIG. 20, each answer is associated with "use”. Here, the usage is one of "for learning”, “for verification”, and “for testing”.
  • the “for learning” record is used for constructing random forest learners.
  • the “validation” record is used to adjust various parameters of the random forest learner.
  • “Test” records are used to obtain estimated values, obtain accuracy information with actual values, and determine final questions. In addition, the "usage” may be added automatically, or may be added manually.
  • the actual type storage unit 43 stores the actual risk presence/absence information and the actual type in association with the user's identifier.
  • the contribution acquisition means 631 of the simplified question sheet acquisition device B acquires the contribution of each question when acquiring the estimated risk presence/absence information by the above-described algorithm of FIG. 16 or FIG.
  • the degree of contribution is temporarily stored in association with each question.
  • the candidate acquisition means 632 and the question determination unit 64 determine questions for the simple question sheet when acquiring estimated risk presence/absence information, using the algorithm in FIG.
  • the determined questions are, for example, the 15 questions in FIG.
  • the question determining unit 64 and the like may determine the questions of the simple question sheet when acquiring the estimated risk presence/absence information by the algorithm of FIG.
  • the contribution degree acquiring means 631 of the simple question sheet acquisition device B acquires the contribution degree of each question when acquiring the estimated type by the above-described algorithm of FIG. 16 or FIG. Temporarily accumulate contribution.
  • the candidate acquisition means 632 and the question determination unit 64 determine the questions of the simple question sheet when acquiring the estimated type using the algorithm in FIG.
  • the determined questions are, for example, the eight questions in FIG.
  • the question determination unit 64 and the like may determine the questions of the simple question sheet when acquiring the estimation type by the algorithm of FIG.
  • the processing in this embodiment may be realized by software. Then, this software may be distributed by software download or the like. Also, this software may be recorded on a recording medium such as a CD-ROM and distributed. Note that this also applies to other embodiments in this specification.
  • the software that implements the simple question sheet acquisition device B in this embodiment is the following program. In other words, this program provides the computer with answers to N questions, M answers corresponding to either two or three or more real type identifiers, which are less than the N questions. Presumed type acquisition unit for acquiring presumed type identifiers obtained by using answers to each question, and accuracy in which the degree of matching between the presumed type identifiers acquired by the presumed type acquisition unit and the actual type identifiers is determined in advance. a question determination unit that determines M questions corresponding to the presumed type identifier when a condition is satisfied; This is a program for functioning as a simple question sheet output unit that outputs a question sheet.
  • FIG. 21 shows the appearance of a computer that executes the program described in this specification and realizes the learning device 1, the blood glucose constitution determination device 2, the simple questionnaire acquisition device B, etc. of the various embodiments described above. show.
  • the embodiments described above may be implemented in computer hardware and computer programs running thereon.
  • FIG. 21 is an overview diagram of this computer system 300
  • FIG. 22 is a block diagram of the system 300. As shown in FIG.
  • computer system 300 includes computer 301 including a CD-ROM drive, keyboard 302 , mouse 303 and monitor 304 .
  • a computer 301 includes a CD-ROM drive 3012, an MPU 3013, a bus 3014 connected to the CD-ROM drive 3012, a ROM 3015 for storing programs such as a boot-up program, It includes a RAM 3016 connected and for temporarily storing application program instructions and providing temporary storage space, and a hard disk 3017 for storing application programs, system programs and data.
  • computer 301 may also include a network card that provides connection to a LAN.
  • a program that causes the computer system 300 to execute the functions of the blood sugar constitution determination device 2 of the above-described embodiment is stored in the CD-ROM 3101, inserted into the CD-ROM drive 3012, and transferred to the hard disk 3017. good.
  • the program may be transmitted to computer 301 via a network (not shown) and stored in hard disk 3017 .
  • Programs are loaded into RAM 3016 during execution.
  • the program may be loaded directly from CD-ROM 3101 or network.
  • the program does not necessarily include an operating system (OS) that causes the computer 301 to execute the functions of the blood glucose constitution determination device 2 of the above-described embodiment, or a third party program.
  • OS operating system
  • a program need only contain those parts of instructions that call the appropriate functions (modules) in a controlled manner to produce the desired result. How the computer system 300 operates is well known and will not be described in detail.
  • the step of transmitting information, the step of receiving information, etc. are performed by hardware. processing) are not included.
  • the computer that executes the above program may be singular or plural. That is, centralized processing may be performed, or distributed processing may be performed.
  • two or more communication means existing in one device may be physically realized in one medium.
  • each process may be implemented by centralized processing by a single device, or may be implemented by distributed processing by a plurality of devices.
  • the blood sugar constitution determination device has the effect that the user's blood sugar constitution type can be easily known, and is useful as a blood sugar constitution determination device or the like.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Emergency Medicine (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Computational Linguistics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

【課題】従来、ユーザの血糖体質のタイプを容易に知ることができなかった。 【解決手段】血糖体質のタイプを判断するための１以上の設問情報であり、生活習慣に関する設問を含む１以上の設問情報が格納される格納部と、１以上の設問情報を出力する出力部と、１以上の各設問情報に対する回答情報をユーザから受け付ける受付部と、受付部が受け付けた１以上の回答情報を用いて、ユーザの血糖体質のタイプを決定する処理部と、血糖体質のタイプに関する出力情報を出力する情報出力部とを具備する血糖体質判定装置により、ユーザの血糖体質のタイプを容易に知ることができる。

Description

血糖体質判定装置、血糖体質判定方法、および記録媒体
　本発明は、血糖体質のタイプを判定する血糖体質判定装置等に関するものである。
　従来、健康診断における血液検査等の結果から健康状態を予測することを行っていた。また、一般的なリスク因子から糖尿病予備軍、糖尿病リスクを予測することを行っていた。さらに具体的には、従来、例えば、いわゆる糖負荷試験と呼ばれる方法により、ユーザの血糖に関する健康状態を看ていた。詳細には、例えば、ユーザが７５ｇのグルコースを摂取した後、３０分ごとに、１２０分になるまで、血液を採取し、当該血液を検査し、血糖値を測定することにより、ユーザの血糖値の時間変化を取得し、当該時間変化を参照し、医師が決定したユーザの血糖に関する健康状態を看ていた。
　さらに、従来、自己の血糖値の改善に向かう行為を継続して患者に実行させるための契機情報を提示できる血糖値情報管理装置があった（特許文献１参照）。かかる装置は、患者が使用する医療情報取得機器を登録し、各医療情報取得機器から取得した血糖値情報を含む生体情報に基づいて、所定期間内における血糖値の変化情報である血糖値変化情報を含む生体情報変化情報を生成し、前記所定期間内における前記患者の生活習慣に関する設問である生活習慣設問情報に基づいてその回答情報を取得し、前記回答情報に基づき、生活習慣の改善程度を図形で示す改善程度表示情報と生成し、少なくとも、前記生体情報変化情報、前記生活習慣設問情報及びその回答情報及び前記改善程度表示情報は、１枚のシートに表示可能なデータとなっていると共に、前記生活習慣設問情報は、血糖値の改善に寄与する行為のみを含み、前記改善程度表示情報は、血糖値の改善に寄与する行為の実行程度を示す構成となっていることを特徴とする血糖値情報管理装置である。
特開２０１６－４８５３１号公報
　しかしながら、従来の方法、従来技術において、ユーザの血糖体質のタイプを容易に知ることができなかった。また、従来技術において、ユーザの血糖体質のタイプに応じた適切なアドバイスを、ユーザに提供できなかった。
　本第一の発明の血糖体質判定装置は、血糖体質のタイプを判断するための１以上の設問情報であり、生活習慣に関する設問を含む１以上の設問情報が格納される格納部と、１以上の設問情報を出力する出力部と、１以上の各設問情報に対する回答情報をユーザから受け付ける受付部と、受付部が受け付けた１以上の回答情報を用いて、ユーザの血糖体質のタイプを決定する処理部と、血糖体質のタイプに関する出力情報を出力する情報出力部とを具備する血糖体質判定装置である。
　かかる構成により、ユーザの血糖体質のタイプを容易に知ることができる。
　また、本第二の発明の血糖体質判定装置は、第一の発明に対して、格納部は、血糖に関するリスクの有無を判断するための１以上の第一設問であり、生活習慣に関する設問を含む１以上の第一設問が格納される第一設問格納部と、血糖体質のタイプを判断するための１以上の第二設問であり、生活習慣に関する設問を含む１以上の第二設問が格納される第二設問格納部とを具備し、設問情報は、第一設問または第二設問であり、出力部は、１以上の第一設問を出力する第一設問出力部と、第一判断部がリスク有りと判断した場合に、１以上の第二設問を出力する第二設問出力部とを具備し、受付部は、１以上の各第一設問に対する第一回答をユーザから受け付ける第一回答受付部と、１以上の各第二設問に対する第二回答をユーザから受け付ける第二回答受付部とを具備し、処理部は、第一回答受付部が受け付けた１以上の第一回答を用いて、ユーザの血糖に関するリスクの有無を判断する第一判断部と、第二回答受付部が受け付けた１以上の第二回答を用いて、ユーザの血糖体質のタイプを決定する第二判断部とを具備する血糖体質判定装置である。
　かかる構成により、ユーザの血糖体質のタイプを容易に知ることができる。さらに、詳細には、二段階でユーザに設問を提供することにより、血糖に関するリスクが無いユーザにとって、少ない設問に対する回答を用いて、リスクが無いことを判定できる結果、ユーザに対する負担を削減できる。
　また、本第三の発明の血糖体質判定装置は、第二の発明に対して、第二判断部は、第一回答受付部が受け付けた１以上の第一回答をも用いて、ユーザの血糖体質のタイプを決定する、血糖体質判定装置である。
　かかる構成により、ユーザの血糖体質のタイプを精度高く決定できる。さらに、詳細には、第一回答をも用いて、第二段階目でユーザの血糖体質のタイプを決定することにより、血糖に関するリスクが有るユーザにとって、少ない設問に対する回答を用いて、血糖体質のタイプを判定できる結果、ユーザに対する負担を削減できる。
　また、本第四の発明の血糖体質判定装置は、第一の発明に対して、１以上の回答情報と血糖体質のタイプとを有する２以上の教師データに対して、機械学習の学習処理により取得された学習器が格納される学習器格納部をさらに具備し、処理部は、受付部が受け付けた１以上の回答情報と学習器とを用いて、機械学習の予測処理により血糖体質のタイプを取得する、血糖体質判定装置である。
　かかる構成により、ユーザの血糖体質のタイプを精度高く決定できる。
　また、本第五の発明の血糖体質判定装置は、第二または第三の発明に対して、１以上の第二回答と血糖体質のタイプとを有する２以上の教師データに対して、機械学習の学習処理により取得された学習器が格納される学習器格納部をさらに具備し、第二判断部は、第二回答受付部が受け付けた１以上の第二回答と学習器とを用いて、機械学習の予測処理により血糖体質のタイプを取得する、血糖体質判定装置である。
　かかる構成により、ユーザの血糖体質のタイプを精度高く決定できる。
　また、本第六の発明の血糖体質判定装置は、第一から第五いずれか１つの発明に対して、血糖体質のタイプを識別する１以上の各タイプ識別子に対応付けて、１以上のアドバイス情報が格納されるアドバイス格納部をさらに具備し、情報出力部は、第二判断部が決定したタイプを識別するタイプ識別子に対応付いている１以上のアドバイス情報を含む出力情報を出力する、血糖体質判定装置である。
　かかる構成により、ユーザの血糖体質のタイプに対応したアドバイスを提示できる。
　また、本第七の発明の血糖体質判定装置は、第六の発明に対して、第二判断部が決定したタイプを識別するタイプ識別子に対応付いている１以上のアドバイス情報をアドバイス格納部から取得し、タイプ識別子と１以上のアドバイス情報とを有する出力情報を構成する出力情報構成部をさらに具備し、情報出力部は、出力情報構成部が構成した出力情報を出力する、血糖体質判定装置である。
　かかる構成により、ユーザの血糖体質のタイプに対応したアドバイスを提示できる。
　また、本第八の発明の血糖体質判定装置は、第一の発明に対して、格納部の１以上の設問情報は、簡易設問票取得装置が取得した設問であり、簡易設問票取得装置は、Ｎ個の設問に対する回答であり、２または３以上の実タイプ識別子のうちのいずれかの実タイプ識別子に対応する回答のうち、Ｎ個より少ないＭ個の各設問に対する回答を用いて得られる推定タイプ識別子を取得する推定タイプ取得部と、推定タイプ取得部が取得した推定タイプ識別子と実タイプ識別子との一致の度合いに関する精度が予め決められた精度条件を満たす場合に、当該推定タイプ識別子に対応するＭ個の設問である設問を決定する設問決定部と、設問決定部が決定したＭ個の設問の集合である設問集合に関する情報である簡易設問票を出力する簡易設問票出力部とを具備する、血糖体質判定装置である。
　かかる構成により、ユーザの血糖体質のタイプを極めて容易に知ることができる。
　また、本第九の発明の血糖体質判定装置は、第二または第三の発明に対して、第一設問格納部の１以上の第一設問は、簡易設問票取得装置が取得した設問であり、簡易設問票取得装置は、Ｎ個の設問に対する回答であり、リスクが有るか無いかのいずれかを特定する実リスク有無情報に対応するＮ個の回答のうち、Ｎ個より少ないＭ個の各設問に対する回答を用いて得られる推定リスク有無情報を取得する推定タイプ取得部と、推定タイプ取得部が取得した推定リスク有無情報と実リスク有無情報との一致の度合いに関する精度が予め決められた精度条件を満たす場合に、推定リスク有無情報に対応するＭ個の設問である設問を決定する設問決定部と、設問決定部が決定したＭ個の設問の集合である設問集合に関する情報である簡易設問票を出力する簡易設問票出力部とを具備する、血糖体質判定装置である。
　かかる構成により、ユーザの血糖体質のタイプを極めて容易に知ることができる。
　また、本第十の発明の血糖体質判定装置は、第二または第三の発明に対して、第二設問格納部の１以上の第二設問のうちの１以上の種類の設問は、簡易設問票取得装置が取得した設問であり、簡易設問票取得装置は、Ｎ個の設問に対する回答であり、２または３以上の実タイプ識別子のうちのいずれかの実タイプ識別子に対応する回答のうち、Ｎ個より少ないＭ個の各設問に対する回答を用いて得られる推定タイプ識別子を取得する推定タイプ取得部と、推定タイプ取得部が取得した推定タイプ識別子と実タイプ識別子との一致の度合いに関する精度が予め決められた精度条件を満たす場合に、推定タイプ識別子に対応するＭ個の設問である設問を決定する設問決定部と、設問決定部が決定したＭ個の設問の集合である設問集合に関する情報である簡易設問票を出力する簡易設問票出力部とを具備する、血糖体質判定装置である。
　かかる構成により、ユーザの血糖体質のタイプを極めて容易に知ることができる。
　また、本第十一の発明の血糖体質判定装置は、第一から第十いずれか１つの発明に対して、血糖体質のタイプは、インスリン感受性に関するタイプとインスリン分泌に関するタイプとの組み合わせたタイプである、血糖体質判定装置である。
　かかる構成により、血糖体質の４つのタイプのうちのいずれのタイプであるかを容易に知ることができる。
　本発明による血糖体質判定装置によれば、ユーザの血糖体質のタイプを容易に知ることができる。
実施の形態１における血糖体質判定システムＡの概念図 同血糖体質判定システムＡのブロック図 同血糖体質判定装置２のブロック図 同学習装置１の第一の動作例について説明するフローチャート 同学習装置１の第二の動作例について説明するフローチャート 同血糖体質判定装置２の第一の動作例について説明するフローチャート 同血糖体質判定装置２の第二の動作例について説明するフローチャート 同ユーザ端末３の動作例について説明するフローチャート 同ユーザ情報管理表を示す図 同第一設問票を示す図 同第二設問票を示す図 同出力例を示す図 実施の形態２における簡易設問票取得装置Ｂのブロック図 同簡易設問票取得装置Ｂの動作例について説明するフローチャート 同設問決定処理の第一の例について説明するフローチャート 同寄与度取得処理の第一の例について説明するフローチャート 同寄与度取得処理の第二の例について説明するフローチャート 同設問決定処理の第二の例について説明するフローチャート 同設問票を示す図 同回答を示す図 上記実施の形態におけるコンピュータシステムの概観図 同コンピュータシステムのブロック図
　以下、血糖体質判定装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。
　（実施の形態１）
　本実施の形態において、生活習慣に関する設問を含むアンケートに含まれる１以上の各設問に対する回答を用いて、血糖体質のタイプを取得し、出力する血糖体質判定装置について説明する。なお、血糖体質のタイプとは、血糖に関する健康状態に関するタイプである。血糖体質のタイプは、例えば、インスリン感受性に関するタイプ（抵抗性なし，抵抗性傾向ありのいずれか）、インスリン分泌に関するタイプ（正常、出にくいのいずれか）の組み合わせの４タイプのうちの一のタイプである。血糖体質のタイプは、例えば、血糖値が上がりやすいタイプか否か、血糖値が下がりやすいタイプか否かである。血糖体質のタイプの数、種類等は問わない。アンケートは、直接的に血糖値に影響を及ばさないと考えられる事項に関する設問を含むことが好適である。アンケートは、回答し易い設問が多いことが好適である。また、生活習慣に関する設問は、例えば、食生活の習慣に関する設問、飲水または飲酒習慣に関する設問、運動習慣または生活強度に関する設問、睡眠または眠気に関する設問、衛生に関する設問、その他生活習慣に関する一般的な設問である。一般的な設問は、例えば、歯磨きの頻度に関する設問、階段の利用度に関する設問である。
　また、本実施の形態において、生活習慣に関する設問を含むアンケートに含まれる１以上の各第一設問に対する第一回答を用いて、血糖に関するリスクの有無を検知した後、リスクが有る方に対して、追加の１以上の第二設問に対する第二回答を受け付け、血糖体質タイプを取得し、出力する血糖体質判定装置について説明する。つまり、二段階での回答をユーザに求めることにより、血糖に関するリスクが無いユーザにとって、簡易に血糖に関する状況を知ることができる血糖体質判定装置について説明する。
　また、本実施の形態において、１以上の第二回答と１以上の第一回答とを用いて、血糖体質タイプを取得する血糖体質判定装置について説明する。
　また、本実施の形態において、血糖体質のタイプを得るための学習モデルを用いて、機械学習の予測処理により、血糖体質のタイプを取得する血糖体質判定装置について説明する。
　また、本実施の形態において、血糖体質のタイプを用いて、アドバイス情報を取得し、出力する血糖体質判定装置について説明する。
　また、本実施の形態において、血糖体質のタイプに加えて、１以上の回答を用いて、アドバイス情報を取得し、出力する血糖体質判定装置について説明する。
　また、本実施の形態において、血糖体質のタイプを予測するために使用される学習モデルを構築できる学習装置について説明する。
　さらに、本実施の形態において、ユーザ端末から回答を受信し、血糖体質のタイプ等をユーザ端末に送信する血糖体質判定装置を含む血糖体質判定システムについて説明する。ただし、血糖体質判定装置は、スタンドアロンの装置でも良い。
　図１は、本実施の形態における血糖体質判定システムＡの概念図である。血糖体質判定システムＡは、学習装置１、血糖体質判定装置２、および１または２以上のユーザ端末３を備える。
　学習装置１は、血糖体質のタイプを識別するタイプ識別子と設問票に含まれる２以上の各設問に対する回答情報とを用いて、後述する元情報を取得する装置である。学習装置１は、例えば、いわゆるパソコン、タブレット端末、スマートフォン、サーバ等であり、その種類は問わない。サーバは、例えば、クラウドサーバ、ＡＳＰサーバであり、その種類は問わない。学習装置１は、スタンドアロンの装置でも、ユーザ端末３からの指示を受信して、動作するサーバでも良い。
　血糖体質判定装置２は、例えば、いわゆるサーバである。サーバは、例えば、クラウドサーバ、ＡＳＰサーバであり、その種類は問わない。ただし、血糖体質判定装置２は、いわゆるパソコン、タブレット端末、スマートフォン等の、スタンドアロンの装置でも良い。
　ユーザ端末３は、血糖体質のタイプを取得するユーザが使用する端末である。ユーザ端末３は、いわゆるパソコン、タブレット端末、スマートフォン等であり、その種類は問わない。
　学習装置１と血糖体質判定装置２とユーザ端末３とは、インターネットやＬＡＮ等により通信可能でも良い。
　図２は、本実施の形態における血糖体質判定システムＡのブロック図である。図３は、血糖体質判定装置２のブロック図である。
　学習装置１は、学習格納部１１、学習受付部１２、学習処理部１３、および学習出力部１４を備える。学習格納部１１は、回答格納部１１１、および実タイプ格納部１１２を備える。
　血糖体質判定装置２は、格納部２１、受付部２２、処理部２３、および出力部２４を備える。格納部２１は、第一設問格納部２１１、第二設問格納部２１２、元情報格納部２１３、およびアドバイス格納部２１４を備える。受付部２２は、第一回答受付部２２１、および第二回答受付部２２２を備える。処理部２３は、第一判断部２３１、第二判断部２３２、および出力情報構成部２３３を備える。出力部２４は、第一設問出力部２４１、第二設問出力部２４２、および情報出力部２４３を備える。
　ユーザ端末３は、端末格納部３１、端末受付部３２、端末処理部３３、端末送信部３４、端末受信部３５、および端末出力部３６を備える。
　学習装置１を構成する学習格納部１１には、各種の情報が格納される。各種の情報は、例えば、回答情報、タイプである。タイプは、タイプ識別子と言っても良い。タイプは、例えば、「１」「２」「３」「４」のいずれかである。タイプ「１」は、例えば、インスリン分泌に関するタイプが「正常」であり、インスリン感受性に関するタイプが「抵抗性なし」であるタイプを示す情報である。タイプ「２」は、例えば、インスリン分泌に関するタイプが「正常」であり、インスリン感受性に関するタイプが「抵抗性傾向あり」であるタイプを示す情報である。タイプ「３」は、例えば、インスリン分泌に関するタイプが「出にくい」であり、インスリン感受性に関するタイプが「抵抗性なし」であるタイプを示す情報である。タイプ「４」は、例えば、インスリン分泌に関するタイプが「出にくい」であり、インスリン感受性に関するタイプが「抵抗性傾向あり」であるタイプを示す情報である。なお、タイプ「１」は正常なタイプである。タイプ「２」「３」「４」は、正常ではないタイプである。
　回答格納部１１１には、２以上の回答が格納される。回答は、回答情報と言っても良い。また、回答は、設問に対するユーザの答えを特定する情報でも良い。回答は、設問に対する回答である。回答は、実タイプに対応付いている。実タイプは、ユーザの実際のタイプである。実タイプは、実タイプ識別子と言っても良い。回答は、実リスク有無情報に対応付いている。実リスク有無情報は、ユーザが血糖に関するリスクが有るか無いかを示す情報である。
　回答格納部１１１には、例えば、識別子に対応付いた回答が格納される。回答は、設問票が有する各設問に対するユーザの回答である。なお、ユーザは、回答者である。回答は、通常、設問票が有する各設問の設問識別子に対応付いている。設問識別子は、設問を識別する情報であり、例えば、設問番号、設問のＩＤである。また、識別子は、ユーザ識別子、または日識別子、またはユーザ識別子と日識別子である。ユーザ識別子は、ユーザを識別する情報であり、例えば、ＩＤ、メールアドレス、電話番号、ユーザが使用する端末のＩＤ（例えば、ＩＰアドレス、ＭＡＣアドレス、端末識別子等）である。
　回答は、ユーザ属性値に対応付いていても良い。ユーザ属性値は、ユーザの属性値であり、例えば、年齢、身長、体重、ＢＭＩ、性別である。
　なお、回答は、後述する簡易設問票取得装置Ｂが、Ｎ（Ｎは２以上の自然数）の設問から選択したＭ（Ｍは１以上の自然数）の設問のうちのいずれかの設問に対する回答を示す情報であることは好適である。なお、「Ｎ＞Ｍ」である。
　回答格納部１１１には、２以上の第一回答と２以上の第二回答とが格納されていても良い。第一回答は、血糖に関するリスクの有無を判断するための第一設問に対する回答である。第一回答は、血糖に関するリスクの有無を特定するリスク有無情報に対応付いている。第二回答は、血糖体質のタイプを判断するための第二設問に対する回答である。第二回答は、リクスが有る場合の実タイプ識別子に対応付いている。また、第一回答および第二回答は、例えば、共に識別子に対応付いている。
　実タイプ格納部１１２には、２以上の実タイプが格納される。実タイプは、実タイプ識別子と言っても良い。実タイプは、回答したユーザの実際の血糖体質のタイプを識別する情報である。実タイプには、通常、１以上の回答に対応付いている。実タイプは、通常、設問票が有する各設問の回答の集合に対応付いている。実タイプは、例えば、識別子に対応付いている。
　実タイプの取得方法は問わない。実タイプは、例えば、糖負荷試験により取得された情報である。実タイプ識別子は、例えば、ユーザが７５ｇのグルコースを摂取した後、０から１２０分の間、定期的（例えば、３０分ごと）に、血液を採取し、当該血液を検査し、血糖値を測定することにより、ユーザの血糖値の時間変化を取得し、当該時間変化を参照し、医師またはシステム等が決定した血糖体質のタイプである。つまり、実タイプは、人手で入力された情報でも良い。
　実タイプ格納部１１２には、２以上の実リスク有無情報が格納されていても良い。実リスク有無情報には、通常、１以上の回答に対応付いている。実リスク有無情報は、通常、設問票が有する各設問の回答の集合に対応付いている。実リスク有無情報は、例えば、識別子に対応付いている。実リスク有無情報は、実タイプが対応付いていても良い。実リスク有無情報は、ユーザの実際の血糖に関するリスクの有無を特定する情報である。実リスク有無情報は、通常、１以上の第一回答に対応付いている。実タイプは、通常、１以上の第二回答に対応付いている。実リスク有無情報と実タイプとは、例えば、識別子に対応付いている。
　学習受付部１２は、各種の指示や情報等を受け付ける。各種の指示や情報等は、例えば、学習指示である。学習指示は、元情報を取得する指示である。各種の指示や情報等の入力手段は、例えば、タッチパネルやキーボードやマウスやメニュー画面によるもの等、何でも良い。なお、学習受付部１２は、ユーザ端末３から各種の指示や情報等を受信しても良い。
　元情報は、２以上の各設問に対する回答情報からタイプを推定するための元になる情報である。元情報は、例えば、後述する学習器である。元情報は、例えば、後述する対応表である。元情報は、通常、後述する学習処理部１３が取得する。
　学習処理部１３は、元情報を取得する。学習処理部１３の処理は、例えば、以下の（１）または（２）のいずれかである。なお、学習処理部１３は、以下の（１）の処理を行い、学習器を取得することは好適である。
（１）元情報が学習器である場合
（１－１）元情報が、一度の予測処理により血糖体質のタイプを決定する学習器である場合
　学習処理部１３は、２以上の組を学習格納部１１から取得する。組とは、実タイプと２以上の回答の集合である。組の中の実タイプと、組の中の２以上の回答の集合とは、対応付いている。組の中の実タイプと回答の集合とは、例えば、同一の識別子に対応付いている。なお、かかる組は、教師データと言っても良い。
　学習処理部１３は、取得した２以上の組を用いて、機械学習のアルゴリズムにより、学習処理を行い、学習器を取得する。さらに具体的には、学習処理部１３は、例えば、取得した２以上の組を機械学習の学習処理を行うモジュールに与え、当該モジュールを実行し、学習器を取得する。なお、学習器は、分類器や学習モデルやモデル等と言っても良い。また、この学習器は、２以上の回答の集合と共に、機械学習の予測処理を行うモジュールに与えられ、タイプを取得するための学習器である。
　なお、機械学習の学習処理のモジュールは、ランダムフォレストでも良いし、決定木、深層学習、ＳＶＲ等でも良く、そのアルゴリズムは問わない。また、機械学習には、例えば、ＴｅｎｓｏｒＦｌｏｗのライブラリ、ｆａｓｔＴｅｘｔ、ｔｉｎｙＳＶＭ、Ｒ言語のｒａｎｄｏｍ　ｆｏｒｅｓｔのモジュール等の各種の機械学習の関数や、種々の既存のライブラリを用いることができる。
（１－２）元情報が、血糖に関するリスクの有無を判断するための第一学習器と、リスクが有る場合に血糖体質のタイプを決定するための第二学習器とである場合
　学習処理部１３は、２以上の第一の組を学習格納部１１から取得する。ここでの第一の組とは、実リスク有無情報と１または２以上の第一回答の集合である。実リスク有無情報は、リスク有り（例えば、「１」）、リスク無し（例えば、「０」）である。また、ここでの第一回答は、後述する簡易設問票取得装置Ｂが、Ｎ１（Ｎ１は２以上の自然数）の設問から選択したＭ１（Ｍ１は１以上の自然数）の設問のうちのいずれかの設問に対する回答を示す情報であることは好適である。なお、Ｎ１＞Ｍ１である。
　次に、学習処理部１３は、取得した２以上の第一の組を用いて、機械学習のアルゴリズムにより、学習処理を行い、第一学習器を取得する。なお、学習処理は、上述した学習処理と同じ処理で良い。また、第一学習器は、１または２以上の第一回答を受け付けて、推定リスク有無情報を取得する予測処理を行う場合に使用されるデータである。推定リスク有無情報は、推定されたリスク有無情報である。
　また、学習処理部１３は、２以上の第二の組を学習格納部１１から取得する。ここでの第二の組とは、実タイプと１または２以上の第二回答の集合である。また、ここでの第一回答は、後述する簡易設問票取得装置Ｂが、Ｎ２（Ｎ２は２以上の自然数）の設問から選択したＭ２（Ｍ２は１以上の自然数）の設問のうちのいずれかの設問に対する回答を示す情報であることは好適である。なお、Ｎ２＞Ｍ２である。
　また、ここで、学習処理部１３は、第二の組と、当該第二の組と対になる１以上の第一回答とを取得しても良い。また、ここで取得される１以上の第一回答は、第一学習器を取得する際に使用される第一回答のうちの一部の第一回答であることは好適である。
　次に、学習処理部１３は、取得した２以上の第二の組を用いて、機械学習のアルゴリズムにより、学習処理を行い、第二学習器を取得する。なお、学習処理部１３は、第二の組と、当該第二の組と対になる１以上の第一回答とのセットを、２セット以上用いて、機械学習のアルゴリズムにより、学習処理を行い、第二学習器を取得することは好適である。
　なお、学習処理は、上述した学習処理と同じ処理で良い。また、第二学習器は、１または２以上の第二回答を受け付けて、推定タイプを取得する予測処理を行う場合に使用されるデータである。なお、推定タイプは、推定されたタイプである。
　また、第一学習器を取得するための機械学習の第一アルゴリズムと、第二学習器を取得するための機械学習の第二アルゴリズムとは同じでも良いし、違っていても良い。例えば、第一アルゴリズムはＳＶＭであり、第二アルゴリズムはランダムフォレストまたは深層学習である。
（２）元情報が対応表である場合
（２－１）元情報が、血糖体質のタイプを決定する一の対応表である場合
　学習処理部１３は、２以上の組を学習格納部１１から取得する。組とは、実タイプと２以上の回答の集合である。
　そして、学習処理部１３は、組ごとに、２以上の各回答を要素とするベクトルを取得する。次に、学習処理部１３は、組ごとに、当該ベクトルと実タイプとの対応示す対応情報を取得する。次に、学習処理部１３は、２以上の各組ごとの対応情報をレコードとして有する対応表を構築する。なお、対応情報は、例えば、ベクトルと実タイプとを有する。対応情報は、例えば、ベクトルへのリンクと実タイプへのリンクとを有する。
（２－２）元情報が、血糖に関するリスクの有無を判断するための第一対応表と、リスクが有る場合に血糖体質のタイプを決定するための第二対応表とである場合
　学習処理部１３は、２以上の第一の組を学習格納部１１から取得する。ここでの第一の組とは、リスクの有無を特定するリスク有無情報と２以上の第一回答の集合である。
　そして、学習処理部１３は、組ごとに、２以上の各第一回答を要素とするベクトルを取得する。次に、学習処理部１３は、組ごとに、当該ベクトルとリスク有無情報との対応示す第一対応情報を取得する。次に、学習処理部１３は、２以上の各第一の組ごとの第一対応情報をレコードとして有する第一対応表を構築する。なお、第一対応情報は、例えば、上述した対応情報と同じデータ構造である。
　また、学習処理部１３は、２以上の第二の組を学習格納部１１から取得する。ここでの第二の組とは、実タイプと２以上の第二回答の集合である。なお、学習処理部１３は、第二の組と、当該第二の組と対になる１以上の第一回答とのセットを、２以上、取得することは好適である。
　そして、学習処理部１３は、第二の組ごとに、２以上の各第二回答を要素とするベクトルを取得する。なお、ここで、学習処理部１３は、２以上の各セットが有する２以上の各第二回答と１以上の各第一回答を要素とするベクトルを取得することは好適である。
　次に、学習処理部１３は、第二の組ごとに、当該ベクトルと実タイプとの対応示す第二対応情報を取得する。次に、学習処理部１３は、２以上の各第二の組ごとの第二対応情報をレコードとして有する第二対応表を構築する。なお、第二対応情報は、例えば、ベクトルと実タイプとを有する。また、第二対応情報は、例えば、ベクトルへのリンクと実タイプへのリンクとを有する。
　学習出力部１４は、情報を出力する。学習出力部１４は、例えば、学習処理部１３が取得した元情報を出力する。なお、ここで、出力とは、通常、記録媒体への蓄積であるが、ディスプレイへの表示、プロジェクターを用いた投影、プリンタでの印字、音出力、外部の装置への送信、他の処理装置や他のプログラムなどへの処理結果の引渡しなどを含む概念であっても良い。
　学習出力部１４は、血糖体質判定装置２の元情報格納部２１３に、元情報を蓄積することは好適である。
　血糖体質判定装置２を構成する格納部２１には、各種の情報が格納される。各種の情報は、例えば、２以上の設問、１または２以上の後述する第一設問、１または２以上の後述する第二設問、１または２以上の元情報、１または２以上のユーザ情報である。なお、２以上の設問は、設問票と言っても良い。また、１以上の第一設問は、第一設問票と言っても良い。また、１以上の第二設問は、第二設問票と言っても良い。
　設問は、タイプを推定するための設問の情報である。２以上の設問の中には、生活習慣に関する設問を含むことは好適である。また、設問は、後述する第一設問、または後述する第二設問でも良い。
　第一設問格納部２１１には、１または２以上の第一設問が格納される。第一設問は、血糖に関するリスクの有無を判断するための設問である。１以上の第一設問には、生活習慣に関する１以上の設問を含むことは好適である。
　第二設問格納部２１２には、１または２以上の第二設問が格納される。第二設問は、血糖体質のタイプを判断するための設問である。１以上の第二設問の中には、生活習慣に関する１以上の設問を含むことは好適である。
　血糖体質のタイプは、インスリン感受性に関するタイプとインスリン分泌に関するタイプとの組み合わせたタイプであることは好適である。インスリン感受性に関するタイプは、例えば、「抵抗性なし」または「抵抗性傾向あり」のいずれかである。インスリン感受性に関するタイプは、例えば、「正常」または「出にくい」のいずれかである。
　元情報格納部２１３には、１または２以上の元情報が格納される。元情報は、通常、学習装置１が取得した情報である。元情報は、例えば、上述した学習器、上述した第一学習器、上述した第二学習器、上述した対応表、上述した第一対応表、または上述した第二対応表である。
　アドバイス格納部２１４には、血糖体質のタイプを識別する１以上の各タイプ識別子に対応付けて、１以上のアドバイス情報が格納される。アドバイス情報の内容は問わない。アドバイス格納部２１４には、リスク有無情報に対応付けて、１以上のアドバイス情報が格納されていても良い。
　受付部２２は、各種の指示や情報等を受け付ける。各種の指示や情報等は、例えば、回答、第一回答、第二回答である。受付部２２は、例えば、２以上の各設問に対する回答を受け付ける。
　ここでの受け付けとは、通常、ユーザ端末３からの受信であるが、キーボードやマウス、タッチパネルなどの入力デバイスから入力された情報の受け付け、光ディスクや磁気ディスク、半導体メモリなどの記録媒体から読み出された情報の受け付けなどを含む概念であっても良い。
　第一回答受付部２２１は、１以上の各第一設問に対する第一回答をユーザから受け付ける。第一回答受付部２２１は、例えば、１以上の第一回答をユーザ端末３から受信する。
　第二回答受付部２２２は、１以上の各第二設問に対する第二回答をユーザから受け付ける。
　処理部２３は、各種の処理を行う。処理部２３は、例えば、第一判断部２３１、第二判断部２３２、出力情報構成部２３３が行う処理である。
　処理部２３または図示しない判断部は、例えば、受付部２２が受け付けた１または２以上の回答を用いて、タイプを取得する。
　処理部２３または図示しない判断部は、例えば、受付部２２が受け付けた１または２以上の回答と、学習器とを用いて、機械学習の予測処理を行い、タイプ子を取得する。さらに詳細には、処理部２３または図示しない判断部は、例えば、受付部２２が受け付けた１または２以上の回答と学習器とを、機械学習の予測処理を行うモジュールに与え、当該モジュールを実行し、タイプを取得する。なお、機械学習の予測処理のモジュールは、ランダムフォレストでも良いし、決定木、深層学習、ＳＶＭ等でも良く、そのアルゴリズムは問わない。また、機械学習には、例えば、ＴｅｎｓｏｒＦｌｏｗのライブラリ、ｆａｓｔＴｅｘｔ、ｔｉｎｙＳＶＭ、Ｒ言語のｒａｎｄｏｍ　ｆｏｒｅｓｔのモジュール等の各種の機械学習の関数や、種々の既存のライブラリを用いることができる。なお、学習器は、学習装置１が取得した学習器である。
　処理部２３または図示しない判断部は、例えば、受付部２２が受け付けた１または２以上の回答と、対応表とを用いて、タイプを取得する。さらに詳細には、処理部２３または図示しない判断部は、例えば、受付部２２が受け付けた１または２以上の各回答を要素とするベクトルを構成する。次に、処理部２３または図示しない判断部は、当該ベクトルに最も近似するベクトルを対応表から検索し、当該最も近似するベクトルと対になるタイプを対応表から取得する。
　第一判断部２３１は、第一回答受付部２２１が受け付けた１以上の第一回答を用いて、ユーザの血糖に関するリスクの有無を判断する。
　第一判断部２３１は、例えば、第一回答受付部２２１が受け付けた１以上の第一回答と第一学習器とを用いて、機械学習の予測処理を行い、推定リスク有無情報を取得する。さらに詳細には、第一判断部２３１は、例えば、第一回答受付部２２１が受け付けた１以上の第一回答と第一学習器とを、機械学習の予測処理を行うモジュールに与え、当該モジュールを実行し、推定リスク有無情報を取得する。
　第一判断部２３１は、例えば、第一回答受付部２２１が受け付けた１以上の各第一回答を要素とするベクトルを構成する。次に、第一判断部２３１は、例えば、当該ベクトルに最も近似するベクトルを第一対応表から検索し、当該最も近似するベクトルと対になるリスク有無情報を第一対応表から取得する。なお、かかるリスク有無情報は、推定リスク有無情報である。
　第二判断部２３２は、第二回答受付部２２２が受け付けた１以上の第二回答を用いて、ユーザの血糖体質のタイプを決定する。
　第二判断部２３２は、例えば、第二回答受付部２２２が受け付けた１以上の第二回答と第二学習器とを用いて、機械学習の予測処理を行い、推定タイプを取得する。さらに詳細には、第二判断部２３２は、例えば、第二回答受付部２２２が受け付けた１以上の第二回答と第二学習器とを、機械学習の予測処理を行うモジュールに与え、当該モジュールを実行し、推定タイプを取得する。
　第二判断部２３２は、例えば、第二回答受付部２２２が受け付けた１以上の各第二回答を要素とするベクトルを構成する。次に、第二判断部２３２は、例えば、当該ベクトルに最も近似するベクトルを第二対応表から検索し、当該最も近似するベクトルと対になるタイプを第二対応表から取得する。なお、かかるタイプは、推定タイプである。
　第二判断部２３２は、第一回答受付部２２１が受け付けた１以上の第一回答をも用いて、ユーザの血糖体質のタイプを決定することは好適である。かかる場合の１以上の第一回答は、リスク有無情報を取得する際に用いられた第一回答のうちの一部の第一回答であることは好適である。
　第二判断部２３２は、例えば、第二回答受付部２２２が受け付けた１以上の第二回答と第一回答受付部２２１が受け付けた１以上の第一回答と第二学習器とを用いて、機械学習の予測処理を行い、推定タイプを取得する。さらに詳細には、第二判断部２３２は、例えば、第二回答受付部２２２が受け付けた１以上の第二回答と第一回答受付部２２１が受け付けた１以上の第一回答と第二学習器とを、機械学習の予測処理を行うモジュールに与え、当該モジュールを実行し、推定タイプを取得する。
　第二判断部２３２は、例えば、第二回答受付部２２２が受け付けた１以上の各第二回答、および第一回答受付部２２１が受け付けた１以上の各第一回答を要素とするベクトルを構成する。次に、第二判断部２３２は、例えば、当該ベクトルに最も近似するベクトルを第二対応表から検索し、当該最も近似するベクトルと対になるタイプを第二対応表から取得する。なお、かかるタイプは、推定タイプである。
　出力情報構成部２３３は、第二判断部２３２が決定したタイプを識別するタイプ識別子に対応付いている１以上のアドバイス情報をアドバイス格納部２１４から取得し、タイプ識別子と１以上のアドバイス情報とを有する出力情報を構成する。
　出力部２４は、各種の情報を出力する。各種の情報は、例えば、設問、第一設問、第二設問、出力情報である。
　ここで、出力とは、例えば、ユーザ端末３への送信であるが、ディスプレイへの表示、プロジェクターを用いた投影、プリンタでの印字、音出力、記録媒体への蓄積、他の処理装置や他のプログラムなどへの処理結果の引渡しなどを含む概念であっても良い。
　第一設問出力部２４１は、第一設問格納部２１１から１以上の第一設問を出力する。
　第二設問出力部２４２は、第一判断部２３１がリスク有りと判断した場合に、第二設問格納部２１２から１以上の第二設問を出力する。
　情報出力部２４３は、血糖体質のタイプに関する出力情報を出力する。情報出力部２４３は、例えば、第二判断部２３２が決定した推定タイプに対応付いている１以上のアドバイス情報を含む出力情報を出力する。情報出力部２４３は、例えば、出力情報構成部２３３が構成した出力情報を出力する。
　ユーザ端末３を構成する端末格納部３１には、各種の情報が格納される。各種の情報は、例えば、ユーザ識別子、１以上のユーザ属性値である。
　端末受付部３２は、各種の指示や情報等を受け付ける。各種の指示や情報は、例えば、１または２以上の回答、設問票出力指示である。回答は、第一回答、または第二回答でも良い。設問票出力指示は、設問票の出力の指示である。設問票は、後述する簡易設問票取得装置Ｂが作成した簡易設問票であることは好適である。
　各種の指示や情報の入力手段は、タッチパネルやキーボードやマウスやメニュー画面によるもの等、何でも良い。
　端末処理部３３は、各種の処理を行う。各種の処理は、例えば、端末受付部３２が受け付けた指示や情報等を、送信する指示や情報等のデータ構造にすることである。各種の処理は、例えば、端末受信部３５が受信した情報を、出力するデータ構造にすることである。
　端末送信部３４は、各種の指示や情報等を血糖体質判定装置２に送信する。端末送信部３４は、端末処理部３３が構成した指示や情報等を血糖体質判定装置２に送信する。
　端末受信部３５は、各種の情報等を受信する。端末受信部３５は、例えば、血糖体質判定装置２から設問票、推定リスク有無情報、推定タイプ、アドバイス情報、または出力情報を受信する。
　端末出力部３６は、各種の情報等を出力する。端末出力部３６は、例えば、設問票、推定リスク有無情報、推定タイプ、アドバイス情報、または出力情報を出力する。
　学習格納部１１、回答格納部１１１、実タイプ格納部１１２、格納部２１、第一設問格納部２１１、第二設問格納部２１２、元情報格納部２１３、アドバイス格納部２１４、および端末格納部３１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
　学習格納部１１等に情報が記憶される過程は問わない。例えば、記録媒体を介して情報が学習格納部１１等で記憶されるようになってもよく、通信回線等を介して送信された情報が学習格納部１１等で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された情報が学習格納部１１等で記憶されるようになってもよい。
　学習受付部１２、および端末受付部３２は、タッチパネルやキーボード等の入力手段のデバイスドライバーや、メニュー画面の制御ソフトウェア等で実現され得る。学習受付部１２は、無線または有線の通信手段で実現されても良い。
　学習処理部１３、学習出力部１４、処理部２３、第一判断部２３１、第二判断部２３２、出力情報構成部２３３、および端末処理部３３は、通常、プロセッサやメモリ等から実現され得る。学習処理部１３等の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。なお、プロセッサは、例えば、ＣＰＵ、ＭＰＵ、ＧＰＵ等であり、その種類は問わない。
　なお、学習出力部１４は、無線または有線の通信手段で実現されても良い。
　受付部２２、第一回答受付部２２１、第二回答受付部２２２、および端末受信部３５は、通常、無線または有線の通信手段で実現されるが、放送を受信する手段で実現されても良い。
　出力部２４、第一設問出力部２４１、第二設問出力部２４２、情報出力部２４３、および端末送信部３４は、通常、無線または有線の通信手段で実現されるが、放送手段で実現されても良い。
　端末受付部３２は、タッチパネルやキーボード等の入力手段のデバイスドライバーや、メニュー画面の制御ソフトウェア等で実現され得る。
　端末出力部３６は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。端末出力部３６は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。
　次に、血糖体質判定システムＡの動作例について説明する。まず、学習装置１の第一の動作例について、図４のフローチャートを用いて説明する。第一の動作例は、第一学習器と第二学習器の２つの学習器を構成する動作の例である。
　（ステップＳ４０１）学習処理部１３は、カウンタｉに１を代入する。
　（ステップＳ４０２）学習処理部１３は、ｉ番目の識別子が存在するか否かを判断する。ｉ番目の識別子が存在する場合はステップＳ４０３に行き、ｉ番目の識別子が存在しない場合はステップＳ４０６に行く。なお、識別子は、１以上の第一回答、および１以上の第二回答に対応付いている。
　（ステップＳ４０３）学習処理部１３は、ｉ番目の識別子と対になる第一回答の集合と、当該第一回答の集合と対になるリスク有無情報とを学習格納部１１から取得する。なお、学習処理部１３は、タイプからリスク有無情報を決定し、取得しても良い。例えば、タイプ識別子「１」がリスク有無情報「無し「０」」であり、タイプ識別子「２」「３」または「４」がリスク有無情報「有り「１」」である。
　（ステップＳ４０４）学習処理部１３は、ステップＳ４０３で取得したｉ番目の第一回答の集合とリスク有無情報とを用いて、ｉ番目の教師データを構成し、図示しないバッファに蓄積する。学習処理部１３は、例えば、ステップＳ４０３で取得したｉ番目の各第一回答とリスク有無情報とを要素とするベクトルであるｉ番目の教師データを構成する。
　（ステップＳ４０５）学習処理部１３は、カウンタｉを１、インクリメントする。ステップＳ４０２に戻る。
　（ステップＳ４０６）学習処理部１３は、ステップＳ４０４で蓄積された２以上の教師データを図示しないバッファから取得し、当該２以上の教師データを用いて、機械学習の予測処理により、第一学習器を取得する。
　（ステップＳ４０７）学習処理部１３は、ステップＳ４０６で取得した第一学習器を学習格納部１１に蓄積する。
　（ステップＳ４０８）学習処理部１３は、カウンタｊに１を代入する。
　（ステップＳ４０９）学習処理部１３は、ｊ番目の識別子が存在するか否かを判断する。ｊ番目の識別子が存在する場合はステップＳ４１０に行き、ｊ番目の識別子が存在しない場合はステップＳ４１５に行く。なお、識別子は、１以上の第一回答、および１以上の第二回答に対応付いている。
　（ステップＳ４１０）学習処理部１３は、ｊ番目の識別子と対になる第二回答の集合と、当該第二回答の集合と対になる実タイプとを取得する。なお、第二回答の集合は、回答格納部１１１に存在する。また、実タイプは、実タイプ格納部１１２に存在する。
　（ステップＳ４１１）学習処理部１３は、第二学習器を構成するために、１以上の第一回答を使用するか否かを判断する。第一回答を使用する場合はステップＳ４１２に行き、第一回答を使用しない場合はステップＳ４１３に行く。なお、通常、第一回答を使用するか否かは、予め決まっている。
　（ステップＳ４１２）学習処理部１３は、ｊ番目の識別子と対になる１以上の第一回答であり、第二学習器を構成するために使用する１以上の第一回答を、回答格納部１１１から取得する。なお、第二学習器を構成するために使用する１以上の第一回答は、通常、予め決められている。
　（ステップＳ４１３）学習処理部１３は、ステップＳ４１０で取得したｊ番目の第二回答の集合と実タイプとを用いて、ｊ番目の教師データを構成し、図示しないバッファに蓄積する、またはステップＳ４１０で取得したｊ番目の第二回答の集合とステップＳ４１２で取得した１以上の第一回答と実タイプとを用いて、ｊ番目の教師データを構成し、図示しないバッファに蓄積する。なお、学習処理部１３は、例えば、各回答と実タイプとを要素とするベクトルであるｊ番目の教師データを構成し、図示しないバッファに蓄積する。
　（ステップＳ４１４）学習処理部１３は、カウンタｊを１、インクリメントする。ステップＳ４０９に戻る。
　（ステップＳ４１５）学習処理部１３は、ステップＳ４１３で蓄積された２以上の教師データを図示しないバッファから取得し、当該２以上の教師データを用いて、機械学習の予測処理により、第二学習器を取得する。
　（ステップＳ４１６）学習処理部１３は、ステップＳ４１５で取得した第二学習器を学習格納部１１に蓄積する。処理を終了する。
　次に、学習装置１の第二の動作例について、図５のフローチャートを用いて説明する。第二の動作例は、一つの学習器を構成する動作の例である。かかる一つの学習器は、タイプを推定するための学習器である。
　（ステップＳ５０１）学習処理部１３は、カウンタｉに１を代入する。
　（ステップＳ５０２）学習処理部１３は、ｉ番目の識別子が存在するか否かを判断する。ｉ番目の識別子が存在する場合はステップＳ４０３に行き、ｉ番目の識別子が存在しない場合はステップＳ４０６に行く。なお、識別子は、１以上の回答情報の集合に対応付いている。
　（ステップＳ５０３）学習処理部１３は、ｉ番目の識別子と対になる回答の集合と、当該回答の集合と対になる実タイプとを取得する。
　（ステップＳ５０４）学習処理部１３は、ステップＳ５０３で取得したｉ番目の回答の集合と実タイプとを用いて、ｉ番目の教師データを構成し、図示しないバッファに蓄積する。
　（ステップＳ５０５）学習処理部１３は、カウンタｉを１、インクリメントする。ステップＳ４０２に戻る。
　（ステップＳ５０６）学習処理部１３は、ステップＳ５０４で蓄積された２以上の教師データを図示しないバッファから取得し、当該２以上の教師データを用いて、機械学習の予測処理により、学習器を取得する。
　（ステップＳ５０７）学習処理部１３は、ステップＳ５０６で取得した学習器を学習格納部１１に蓄積する。処理を終了する。
　次に、血糖体質判定装置２の第一の動作例について、図６のフローチャートを用いて説明する。
　（ステップＳ６０１）受付部２２は、設問票出力指示を受け付けたか否かを判断する。設問票出力指示を受け付けた場合はステップＳ６０２に行き、設問票出力指示を受け付けなかった場合はステップＳ６０１に戻る。なお、ここで、受付部２２は、例えば、ユーザ端末３から設問票出力指示を受信したか否かを判断する。
　（ステップＳ６０２）処理部２３は、第一設問票を第一設問格納部２１１から取得する。
　（ステップＳ６０３）第一設問出力部２４１は、ステップＳ６０２で取得された第一設問票を出力する。なお、ここで、第一設問出力部２４１は、例えば、ユーザ端末３に第一設問票を送信する。
　（ステップＳ６０４）第一回答受付部２２１は、１以上の第一回答の集合を受け付けたか否かを判断する。第一回答の集合を受け付けた場合はステップＳ６０５に行き、第一回答の集合を受け付けなかった場合はステップＳ６０４に戻る。なお、ここで、第一回答受付部２２１は、例えば、ユーザ端末３から１以上の第一回答の集合を受信したか否かを判断する。
　（ステップＳ６０５）第一判断部２３１は、ステップＳ６０４で受け付けられた１以上の第一回答の集合を用いて、各第一回答を要素とするベクトルである第一ベクトルを構成する。
　（ステップＳ６０６）第一判断部２３１は、元情報格納部２１３から第一学習器を取得する。
　（ステップＳ６０７）第一判断部２３１は、ステップＳ６０５で取得した第一ベクトルと、ステップＳ６０６で取得した第一学習器とを用いて、機械学習の予測処理である第一予測処理を行い、推定リスク有無情報を取得する。
　（ステップＳ６０８）第一判断部２３１は、ステップＳ６０７で取得した推定リスク有無情報が、リスク「有り」であるか、リスク「無し」であるかを判断する。リスク「有り」である場合はステップＳ６０９に行き、リスク「無し」である場合はステップＳ６２０に行く。
　（ステップＳ６０９）処理部２３は、第二設問票を第二設問格納部２１２から取得する。
　（ステップＳ６１０）第二設問出力部２４２は、ステップＳ６０９で取得された第二設問票を出力する。なお、ここで、第二設問出力部２４２は、例えば、ユーザ端末３に第二設問票を送信する。
　（ステップＳ６１１）第二回答受付部２２２は、１以上の第二回答の集合を受け付けたか否かを判断する。第二回答の集合を受け付けた場合はステップＳ６１２に行き、第二回答の集合を受け付けなかった場合はステップＳ６１１に戻る。なお、ここで、第二回答受付部２２２は、例えば、ユーザ端末３から１以上の第二回答の集合を受信したか否かを判断する。
　（ステップＳ６１２）第二判断部２３２は、第二予測処理において、１以上の第一回答を使用するか否かを判断する。第一回答を使用する場合はステップＳ６１３に行き、第一回答を使用しない場合はステップＳ６１４に行く。
　（ステップＳ６１３）第二判断部２３２は、ステップＳ６０４で受け付けられた第一回答のうち、第二予測処理において使用する１以上の第一回答を取得する。
　（ステップＳ６１４）第二判断部２３２は、第二ベクトルを構成する。なお、第二ベクトルは、１以上の各第二回答を要素とするベクトル、または１以上の各第二回答およびステップＳ６１３で取得した１以上の各第一回答を要素とするベクトルである。
　（ステップＳ６１５）第二判断部２３２は、元情報格納部２１３から第二学習器を取得する。
　（ステップＳ６１６）第二判断部２３２は、ステップＳ６１４で取得した第二ベクトルと、ステップＳ６１５で取得した第二学習器とを用いて、機械学習の予測処理である第二予測処理を行い、推定タイプ識別子を取得する。
　（ステップＳ６１７）出力情報構成部２３３は、ステップＳ６１６で取得した推定タイプ識別子と対になるアドバイス情報をアドバイス格納部２１４から取得する。
　（ステップＳ６１８）出力情報構成部２３３は、ステップＳ６１６で取得した推定タイプ識別子と、ステップＳ６１７で取得したアドバイス情報とを用いて、出力情報を構成する。
　（ステップＳ６１９）情報出力部２４３は、ステップＳ６１８で構成された出力情報を出力する。処理を終了する。なお、ここで、情報出力部２４３は、例えば、ユーザ端末３に出力情報を送信する。
　（ステップＳ６２０）第一判断部２３１は、変数「タイプ」に「リスク無し」を示す情報（ここでは、「１」）を代入する。
　（ステップＳ６２１）出力情報構成部２３３は、ステップＳ６２０で取得した推定タイプ識別子「１」を用いて、出力情報を構成する。
　（ステップＳ６２２）情報出力部２４３は、ステップＳ６２１で構成された出力情報を出力する。処理を終了する。なお、ここで、情報出力部２４３は、例えば、ユーザ端末３に出力情報を送信する。
　次に、血糖体質判定装置２の第二の動作例について、図７のフローチャートを用いて説明する。
　（ステップＳ７０１）受付部２２は、設問票出力指示を受け付けたか否かを判断する。設問票出力指示を受け付けた場合はステップＳ７０２に行き、設問票出力指示を受け付けなかった場合はステップＳ７０１に戻る。なお、ここで、受付部２２は、例えば、ユーザ端末３から設問票出力指示を受信したか否かを判断する。
　（ステップＳ７０２）処理部２３は、設問票を格納部２１から取得する。なお、設問票は、設問の集合である。
　（ステップＳ７０３）出力部２４は、ステップＳ７０２で取得された設問票を出力する。なお、ここで、出力部２４は、例えば、ユーザ端末３に設問票を送信する。
　（ステップＳ７０４）受付部２２は、１以上の回答情報の集合を受け付けたか否かを判断する。回答の集合を受け付けた場合はステップＳ７０５に行き、回答の集合を受け付けなかった場合はステップＳ７０４に戻る。なお、ここで、受付部２２は、例えば、ユーザ端末３から１以上の回答の集合を受信したか否かを判断する。
　（ステップＳ７０５）処理部２３（図示しない判断部でも可）は、ステップＳ７０４で受け付けられた１以上の回答の集合を用いて、各回答を要素とするベクトルを構成する。
　（ステップＳ７０６）処理部２３（図示しない判断部でも可）は、元情報格納部２１３から学習器を取得する。
　（ステップＳ７０７）処理部２３（図示しない判断部でも可）は、ステップＳ７０５で取得したベクトルと、ステップＳ７０６で取得した学習器とを用いて、機械学習の予測処理を行い、推定タイプを取得する。
　（ステップＳ７０８）出力情報構成部２３３は、ステップＳ７０７で取得した推定タイプと対になるアドバイス情報をアドバイス格納部２１４から取得する。
　（ステップＳ７０９）出力情報構成部２３３は、ステップＳ７０７で取得した推定タイプと、ステップＳ７０８で取得したアドバイス情報とを用いて、出力情報を構成する。
　（ステップＳ７１０）情報出力部２４３は、ステップＳ７０９で構成された出力情報を出力する。処理を終了する。なお、ここで、情報出力部２４３は、例えば、ユーザ端末３に出力情報を送信する。
　次に、ユーザ端末３の動作例について、図８のフローチャートを用いて説明する。
　（ステップＳ８０１）端末受付部３２は、設問票出力指示を受け付けたか否かを判断する。設問票出力指示を受け付けた場合はステップＳ８０２に行き、設問票出力指示を受け付けなかった場合はステップＳ８０１に戻る。
　（ステップＳ８０２）端末処理部３３は、送信する設問票出力指示を構成する。端末送信部３４は、構成された設問票出力指示を血糖体質判定装置２に送信する。
　（ステップＳ８０３）端末受信部３５は、第一設問票を受信したか否かを判断する。第一設問票を受信した場合はステップＳ８０４に行き、受信しなかった場合はステップＳ８０３に戻る。
　（ステップＳ８０４）端末処理部３３は、ステップＳ８０３で受信された第一設問票から、出力する第一設問票を構成する。端末出力部３６は、当該第一設問票を出力する。
　（ステップＳ８０５）端末受付部３２は、ユーザから第一回答の集合を受け付けたか否かを判断する。第一回答の集合を受け付けた場合はステップＳ８０６に行き、第一回答の集合を受け付けなかった場合はステップＳ８０５に戻る。
　（ステップＳ８０６）端末処理部３３は、送信する第一回答の集合を構成する。端末送信部３４は、当該構成された第一回答の集合を血糖体質判定装置２に送信する。
　（ステップＳ８０７）端末受信部３５は、血糖体質判定装置２から情報を受信したか否かを判断する。情報を受信した場合はステップＳ８０８に行き、情報を受信しなかった場合はステップＳ８０７に戻る。
　（ステップＳ８０８）端末処理部３３は、ステップＳ８０７で受信された情報が出力情報であるか否かを判断する。出力情報である場合はステップＳ８０９に行き、出力情報でない場合はステップＳ８１０に行く。なお、ステップＳ８０７で受信された情報は、出力情報または、第二設問票である。
　（ステップＳ８０９）端末出力部３６は、ステップＳ８０７で受信された出力情報を出力する。処理を終了する。
　（ステップＳ８１０）端末出力部３６は、ステップＳ８０７で受信された第二設問票を出力する。
　（ステップＳ８１１）端末受付部３２は、ユーザから第二回答の集合を受け付けたか否かを判断する。第二回答の集合を受け付けた場合はステップＳ８１２に行き、第二回答の集合を受け付けなかった場合はステップＳ８１１に戻る。
　（ステップＳ８１２）端末処理部３３は、送信する第二回答の集合を構成する。端末送信部３４は、当該構成された第二回答の集合を血糖体質判定装置２に送信する。
　（ステップＳ８１３）端末受信部３５は、血糖体質判定装置２から出力情報を受信したか否かを判断する。出力情報を受信した場合はステップＳ８１４に行き、出力情報を受信しなかった場合はステップＳ８１３に戻る。
　（ステップＳ８１４）端末出力部３６は、受信された出力情報を出力する。処理を終了する。
　なお、図８のフローチャートにおいて、ユーザ端末３は、設問票が有する２以上の各設問に対する回答を受け付け、当該回答の集合を血糖体質判定装置２に送信し、かかる送信に応じて、タイプを含む出力情報を血糖体質判定装置２から受信しても良い。
　以下、本実施の形態における血糖体質判定システムＡの具体的な動作例について説明する。
　今、血糖体質判定装置２の格納部２１には、図９に示すユーザ情報管理表が格納されている、とする。ユーザ情報管理表は、１または２以上のユーザ情報を管理する表である。ユーザ情報管理表は、「ＩＤ」「ユーザ識別子」「ユーザ属性値」を有する１以上のレコードが管理される。
　また、第一設問格納部２１１には、例えば、図１０に示す第一設問票が格納されている、とする。第一設問票は、１５の第一設問を有する。また、第一設問票は、後述する簡易設問票取得装置Ｂが取得した簡易設問票である、とする。また、１５の第一設問は、第一学習器を取得するために使用された１以上の第一回答に対する設問である。
　また、第二設問格納部２１２には、例えば、図１１に示す第二設問票が格納されている、とする。第二設問票は、８の第二設問を有する。また、第二設問票は、後述する簡易設問票取得装置Ｂが取得した簡易設問票である、とする。また、８の第二設問は、第二学習器を取得するために使用された１以上の第二回答に対する設問である。
　また、元情報格納部２１３には、第一学習器、および第二学習器が格納されている、とする。第一学習器は、ここでは、１以上のユーザ属性値、および１以上の第一回答を用いて、リスク有無情報を推定するためのモデルである。第二学習器は、ここでは、１以上のユーザ属性値、１以上の第一回答、および１以上の第二回答を用いて、リスクが有る人のタイプを推定するためのモデルである。
　また、学習装置１の学習処理部１３は、１以上のユーザ属性値と１以上の第一回答とを有する２以上の教師データを用いて、機械学習の学習処理を行い、第一学習器を取得し、血糖体質判定装置２の元情報格納部２１３に蓄積した、ものとする。
　また、学習装置１の学習処理部１３は、１以上のユーザ属性値と１以上の第一回答と１以上の第二回答を有する２以上の教師データを用いて、機械学習の学習処理を行い、第二学習器を取得し、血糖体質判定装置２の元情報格納部２１３に蓄積した、ものとする。
　なお、ここでは、第二学習器を取得するために使用される１以上の第一回答は、第一学習器を取得するために使用される１以上の第一回答の一部の回答である、とする。
　さらに、１以上の各第一回答に対応する第一設問、および１以上の各第二回答に対応する第二設問は、共に、同じ多数の設問（例えば、３５０の設問）から後述する簡易設問票取得装置Ｂが決定した設問である、とする。
　また、アドバイス格納部２１４には、タイプに対応付けて、アドバイス情報が格納されている、とする。
　かかる状況において、ユーザ識別子「Ｕ００１」のユーザＡは、自分のユーザ端末３に設問票出力指示を入力した、とする（例えば、図１２（ａ）参照）。次に、端末受付部３２は、設問票出力指示を受け付ける。そして、端末処理部３３は、送信する設問票出力指示を構成する。次に、端末送信部３４は、構成された設問票出力指示を血糖体質判定装置２に送信する。
　次に、血糖体質判定装置２の受付部２２は、設問票出力指示を受信する。処理部２３は、１５の第一設問（図１０参照）を有する第一設問票を第一設問格納部２１１から取得する。次に、第一設問出力部２４１は、ユーザ端末３に当該第一設問票を送信する。
　次に、ユーザ端末３の端末受信部３５は、第一設問票を受信する。端末処理部３３は、受信された第一設問票から、出力する第一設問票を構成する。次に、端末出力部３６は、当該第一設問票を出力する。かかる出力例は、図１２（ｂ）である。図１２（ｂ）によれば、ここでは、第一設問は、一つずつ出力され、ユーザは、一つずつ回答していくものである。
　そして、ユーザが１５の第一設問に対応する回答が完了すると、端末処理部３３は、送信する第一回答の集合を構成する。端末送信部３４は、当該構成された第一回答の集合とユーザ識別子「Ｕ００１」とを血糖体質判定装置２に送信する。
　次に、血糖体質判定装置２の第一回答受付部２２１は、１以上の第一回答の集合とユーザ識別子「Ｕ００１」とを受信する。
　次に、第一判断部２３１は、受信された１以上の第一回答の集合を用いて、各第一回答を要素とするベクトルである第一ベクトルを構成する。つまり、第一判断部２３１は、ユーザ識別子「Ｕ００１」と対になるユーザ属性値（ここでは、年齢、体重、ＢＭＩ、身長）を、図９のユーザ情報管理表から取得する。また、第一判断部２３１は、受信された１５の第一回答の集合を取得する。そして、第一判断部２３１は、ユーザ属性値と１５の第一回答の集合とを要素とする第一ベクトル（例えば、（５６，７８，２７．０，１７０，第一回答１，第一回答２，・・・，第一回答１５））を構成する。
　次に、第一判断部２３１は、元情報格納部２１３から第一学習器を取得する。そして、第一判断部２３１は、第一ベクトルと取得した第一学習器とを用いて、機械学習の予測処理である第一予測処理を行い、リスク有無情報を取得する。ここで、第一判断部２３１は、「リスク有り「１」」を示すリスク有無情報を取得した、とする。
　次に、処理部２３は、リスク有り「１」に対応する第二設問票を含む画面情報を第二設問格納部２１２から取得する。
　次に、第二設問出力部２４２は、第二設問票を含む画面情報をユーザ端末３に送信する。
　次に、端末受信部３５は、血糖体質判定装置２から情報を受信する。次に、端末出力部３６は、受信された情報を出力する。かかる出力例は、図１２（ｃ）である。
　次に、ユーザＡは、図１２（ｃ）に対して、「次に血糖体質タイプを判定する」指示を入力した、とする。すると、ユーザ端末３は、図１２（ｄ）に示すように、第二設問票が有する第二設問を出力する。
　次に、ユーザは、第二設問票が有する８つの第二設問に対して、順次、回答していく、とする。そして、端末受付部３２は、ユーザから第二回答の集合を受け付ける。
　次に、端末処理部３３は、送信する第二回答の集合を構成する。端末送信部３４は、当該構成された第二回答の集合を血糖体質判定装置２に送信する。
　次に、血糖体質判定装置２の第二回答受付部２２２は、８つ第二回答の集合を受信する。
　次に、第二判断部２３２は、ユーザ識別子「Ｕ００１」と対になるユーザ属性値（ここでは、年齢、体重、ＢＭＩ、身長）を、図９のユーザ情報管理表から取得する。また第二判断部２３２は、受信された８の第二回答の集合を取得する。そして、第二判断部２３２は、ユーザ属性値と取得した１以上の第一回答の集合と８つ第二回答の集合とを要素とする第二ベクトル（例えば、（５６，７８，２７．０，１７０，第一回答１，第一回答２，・・・，第二回答１，第二回答２，・・・，第二回答８））を構成する。
　次に、第二判断部２３２は、元情報格納部２１３から第二学習器を取得する。次に、第二判断部２３２は、取得した第二ベクトルと、取得した第二学習器とを用いて、機械学習の予測処理である第二予測処理を行い、推定タイプ「２」を取得した、とする。
　次に、出力情報構成部２３３は、タイプ「２」と対になるアドバイス情報をアドバイス格納部２１４から取得する。かかるアドバイス情報は、例えば、図１２（ｆ）の画面上の情報である。
　次に、出力情報構成部２３３は、取得した推定タイプ「２」と、取得したアドバイス情報とを用いて、出力情報を構成する。
　次に、情報出力部２４３は、出力情報をユーザ端末３に送信する。
　次に、ユーザ端末３の端末受信部３５は、血糖体質判定装置２から出力情報を受信する。次に、端末出力部３６は、受信された出力情報を出力する。かかる出力例は、図１２（ｅ）（ｆ）である。
　以上、本実施の形態によれば、ユーザは簡易な設問に対して回答することにより、ユーザの血糖体質のタイプを容易に知ることができる。
　また、本実施の形態によれば、二段階でユーザに設問を提供することにより、血糖に関するリスクが無いユーザにとって、少ない設問に対する回答を用いて、リスクが無いことを判定できる結果、ユーザに対する負担を削減できる。
　また、本実施の形態によれば、第一回答をも用いて、第二段階目でユーザの血糖体質のタイプを決定することにより、血糖に関するリスクが有るユーザにとって、少ない設問に対する回答を用いて、血糖体質のタイプを判定できる結果、ユーザに対する負担を削減できる。
　さらに、本実施の形態によれば、ユーザの血糖体質のタイプに対応したアドバイスを提示できる。
　なお、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ－ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。なお、本実施の形態における血糖体質判定装置２を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、血糖体質のタイプを判断するための１以上の設問情報であり、生活習慣に関する設問を含む１以上の設問情報が格納される格納部にアクセス可能なコンピュータを、前記１以上の設問情報を出力する出力部と、前記１以上の各設問情報に対する回答情報をユーザから受け付ける受付部と、前記受付部が受け付けた前記１以上の回答情報を用いて、前記ユーザの血糖体質のタイプを決定する処理部と、前記血糖体質のタイプに関する出力情報を出力する情報出力部として機能させるためのプログラムである。
　（実施の形態２）
　本実施の形態において、実施の形態１で述べた設問票、第一設問票、または第二設問票を取得する簡易設問票取得装置Ｂについて説明する。
　図１３は、本実施の形態における簡易設問票取得装置Ｂのブロック図である。簡易設問票取得装置Ｂは、格納部４、受付部５、処理部６、および出力部７を備える。格納部４は、設問票格納部４１、回答格納部４２、および実タイプ格納部４３を備える。受付部５は、回答受付部５１を備える。処理部６は、実タイプ取得部６１、不適切判断部６２、推定タイプ取得部６３、および設問決定部６４を備える。推定タイプ取得部６３は、寄与度取得手段６３１、候補取得手段６３２、および推定タイプ取得手段６３３を備える。出力部７は、簡易設問票出力部７１を備える。
　格納部４には、各種の情報が格納される。各種の情報は、例えば、後述する設問票、後述する回答、後述する実タイプ、後述する不適切条件、後述する近似条件である。
　設問票格納部４１には、設問票が格納される。設問票は、Ｎ（Ｎは自然数）個の設問の集合である。設問票は、例えば、推定タイプを取得する際に使用されるＭ１（Ｍ１は自然数，Ｍ１＜Ｎ）個の設問を含む設問の集合である。設問票は、例えば、推定リスク有無情報を取得する際に使用されるＭ２（Ｍ２は自然数，Ｍ２＜Ｎ）個の設問を含む設問の集合である。
　設問票は、例えば、ユーザの血糖体質のタイプを推定するための設問の集合である。また、設問票は、例えば、ユーザの血糖に関するリスクの有無を決定するための設問の集合である。ただし、設問票の内容や設問数等は問わない。なお、設問は、質問、問等と言っても良い。設問票は、いわゆるアンケートである、と言っても良い。設問票は、例えば、３５０問の設問からなる。
　回答格納部４２には、回答が格納される。回答格納部４２には、識別子に対応付いた回答が格納される。回答は、設問票が有する各設問に対するユーザの回答である。なお、ユーザは、回答者である。回答は、設問票が有する各設問の設問識別子に対応付いている。設問識別子は、設問を識別する情報であり、例えば、設問番号、設問のＩＤである。
　識別子は、回答の集合を識別する情報であり、例えば、ユーザ識別子、または日識別子、またはユーザ識別子と日識別子である。ユーザ識別子は、ユーザを識別する情報であり、例えば、ＩＤ、メールアドレス、電話番号、ユーザが使用する端末のＩＤ（例えば、ＩＰアドレス、ＭＡＣアドレス、端末識別子等）である。
　回答は、ユーザ属性値に対応付いていても良い。ユーザ属性値は、ユーザの属性値であり、例えば、性別、年齢、職業である。
　実タイプ格納部４３には、２以上の実タイプが格納される。実タイプは、通常、識別子に対応付いている。
　実タイプは、回答に対応付いていることは好適である。実タイプは、実タイプを利用する用途に対応付いていても良い。つまり、実タイプ格納部４３には、学習のための実タイプと、テストのための実タイプとが、区別されて格納されていても良い。実タイプ格納部４３には、学習のための実タイプと、検証のための実タイプと、テストのための実タイプとが、区別されて格納されていても良い。
　受付部５は、各種の指示や情報を受け付ける。各種の指示や情報は、例えば、回答、簡易設問票出力指示である。簡易設問票出力指示は、簡易設問票の出力の指示である。
　各種の指示や情報の入力手段は、タッチパネルやキーボードやマウスやメニュー画面によるもの等、何でも良い。
　回答受付部５１は、回答を受け付ける。回答は、設問票の各設問に対する回答である。回答は、通常、ユーザ識別子に対応付く。
　回答受付部５１は、例えば、設問票の各設問に対する回答の集合を受け付け、当該回答の集合をユーザ識別子に対応付けて、回答格納部４２に蓄積する。
　処理部６は、各種の処理を行う。各種の処理は、例えば、実タイプ取得部６１、不適切判断部６２、推定タイプ取得部６３、設問決定部６４、寄与度取得手段６３１、候補取得手段６３２、推定タイプ取得手段６３３が行う処理である。
　実タイプ取得部６１は、実タイプ格納部４３から実タイプ識別子を取得する。実タイプ取得部６１は、処理対象の回答の集合と対になる実タイプを実タイプ格納部４３から取得する。処理対象の回答の集合と対になる実タイプは、例えば、同じ識別子に対応付いている回答の集合と実タイプである。
　不適切判断部６２は、Ｎ個の設問に対する回答が予め決められた不適切条件を満たすか否かを判断する。不適切条件は、例えば、同じ２以上の設問に対する回答が異なることである。不適切条件は、例えば、閾値以上の割合（例えば、９５％以上）または閾値以上の数の回答が同じ回答であること（例えば、すべての回答が同じ回答であること）である。推定タイプ取得部６３や設問決定部６４は、不適切判断部６２が不適切条件を満たすと判断した回答の集合を使用しないことは好適である。
　推定タイプ取得部６３は、Ｎ個の設問に対する回答のうち、Ｎ個より少ないＭ１個の各設問に対する回答を用いて推定タイプを取得する。なお、Ｎは、２以上の自然数である。また、Ｍ１は、１以上の自然数である。
　推定タイプ取得部６３は、Ｎ個の設問に対する回答のうち、Ｎ個より少ないＭ２個の各設問に対する回答を用いて推定リスク有無情報を取得する。なお、Ｎは、２以上の自然数である。また、Ｍ２は、１以上の自然数である。
　推定タイプ取得部６３は、例えば、寄与度取得手段６３１、候補取得手段６３２、推定タイプ取得手段６３３を用いて、推定タイプ識別子を取得する。また、推定タイプ取得部６３は、寄与度取得手段６３１、候補取得手段６３２、推定タイプ取得手段６３３を用いて、推定リスク有無情報を取得しても良い。
　寄与度取得手段６３１は、実タイプに対するＮ個の各設問に対する回答の寄与度を取得する。なお、各設問に対する回答の寄与度は、各設問の寄与度とも言える。寄与度取得手段６３１は、例えば、以下の（１）または（２）の方法により、各設問の寄与度を取得する。ただし、各設問の寄与度を取得する方法は問わない。
　寄与度取得手段６３１は、例えば、実リスク有無情報に対するＮ個の各設問に対する回答の寄与度を取得する。なお、各設問に対する回答の寄与度は、各設問の寄与度とも言える。寄与度取得手段６３１は、例えば、以下の（１）または（２）の方法により、各設問の寄与度を取得する。ただし、各設問の寄与度を取得する方法は問わない。
（１）ランダムフォレストの学習器から寄与度を取得する場合
（１－１）推定タイプを取得するための設問の寄与度を取得する場合
　寄与度取得手段６３１は、ランダムフォレストのモジュールを用いて、回答の寄与度を取得する。
　寄与度取得手段６３１は、例えば、識別子ごとに、Ｎ個の設問を有する設問票の各設問に対する回答を取得する。また、寄与度取得手段６３１は、例えば、識別子ごとに、当該識別子と対になる実タイプを実タイプ格納部４３から取得する。次に、寄与度取得手段６３１は、例えば、識別子ごとに、各回答と実タイプとを、各々要素とするベクトルを構成する。次に、寄与度取得手段６３１は、例えば、ランダムフォレストの学習モジュールに、２以上の識別子に対応するベクトルを与え、当該ランダムフォレストの学習モジュールを実行し、学習器を取得する。そして、寄与度取得手段６３１は、当該学習器を用いて、各回答に対応する各設問の寄与度を取得する。なお、各設問の寄与度は、実タイプを得るための各設問の寄与に関する情報であり、寄与率と言っても良いし、重要度等と言っても良い。なお、ランダムフォレストの学習モジュールの実行により取得された学習器を用いて、各回答に対応する各設問の寄与度を取得する処理は公知技術である。
（１－２）推定リスク有無情報を取得するための設問の寄与度を取得する場合
　寄与度取得手段６３１は、ランダムフォレストのモジュールを用いて、回答の寄与度を取得する。
　寄与度取得手段６３１は、例えば、識別子ごとに、Ｎ個の設問を有する設問票の各設問に対する回答を取得する。また、寄与度取得手段６３１は、例えば、識別子ごとに、当該識別子と対になる実リスク有無情報を実タイプ格納部４３から取得する。次に、寄与度取得手段６３１は、例えば、識別子ごとに、各回答と実リスク有無情報とを、各々要素とするベクトルを構成する。次に、寄与度取得手段６３１は、例えば、ランダムフォレストの学習モジュールに、２以上の識別子に対応するベクトルを与え、当該ランダムフォレストの学習モジュールを実行し、学習器を取得する。そして、寄与度取得手段６３１は、当該学習器を用いて、各回答に対応する各設問の寄与度を取得する。なお、各設問の寄与度は、実リスク有無情報を得るための各設問の寄与に関する情報であり、寄与率と言っても良いし、重要度等と言っても良い。なお、ランダムフォレストの学習モジュールの実行により取得された学習器を用いて、各回答に対応する各設問の寄与度を取得する処理は公知技術である。
（２）機械学習の学習器の精度の評価結果を用いて寄与度を取得する場合
（２－１）推定タイプを取得するための設問の寄与度を取得する場合
　（１－１）で述べた処理と同様、寄与度取得手段６３１は、例えば、識別子ごとに、全設問の各回答と実タイプとを各々要素とするベクトルを構成する。ここで、寄与度取得手段６３１は、２以上のベクトルを取得できた。次に、寄与度取得手段６３１は、例えば、ｋ分割交差検証により、全設問の各回答と実タイプとを用いて構成した学習器の精度（正解率、適合率、再現率、またはＦ値等の精度等のうち、いずれの精度でも良い）である基本精度を取得する。
　次に、寄与度取得手段６３１は、例えば、識別子ごとに、全設問のうち、１つの設問に対する回答を除いた回答と実タイプとを、各々要素とするベクトルを構成する。次に、寄与度取得手段６３１は、例えば、ｋ分割交差検証により、１つの設問に対する回答を除いた各回答と実タイプとを用いて構成した学習器の精度である欠落精度を取得する。次に、寄与度取得手段６３１は、基本精度と欠落精度との差を算出する。次に、寄与度取得手段６３１は、例えば、この差をパラメータとする増加関数により、除いた回答に対する設問の寄与度を算出する。なお、除いた回答に対する設問の寄与度は、演算式「ｆ（基本精度－欠落精度）」により算出可能である。また、基本精度と欠落精度との差が大きいほど、除いた回答、つまり除いた設問の寄与度が大きいこととなる。また、回答を除くことは、当該回答に対応する設問を除くことでもある。
　そして、寄与度取得手段６３１は、例えば、除く設問の１つめからＮ個目まで変更し、ｋ分割交差検証により、除いた設問ごとの、Ｎ個の欠落精度を取得する。
　なお、寄与度取得手段６３１は、ｋ分割交差検証を、機械学習のモジュールを用いて行う。機械学習のモジュールは、ランダムフォレストでも良いし、決定木、深層学習、ＳＶＲ等でも良く、そのアルゴリズムは問わない。また、機械学習には、例えば、ＴｅｎｓｏｒＦｌｏｗのライブラリ、ｆａｓｔＴｅｘｔ、ｔｉｎｙＳＶＭ、Ｒ言語のｒａｎｄｏｍ　ｆｏｒｅｓｔのモジュール等の各種の機械学習の関数や、種々の既存のライブラリを用いることができる。なお、ｋ分割交差検証は、公知技術であるので、詳細な説明を省略する。
　また、（２－１）の方法において、寄与度取得手段６３１は、例えば、基本精度を使用せずに、Ｎ個の欠落精度のみを用いて、各設問の寄与度を取得しても良い。つまり、寄与度取得手段６３１は、欠落した設問に対応する欠落精度が示す精度が低いほど、当該設問の寄与度を大きくするように、寄与度を取得しても良い。寄与度取得手段６３１は、例えば、各設問の欠落精度をパラメータとする減少関数により、各設問の寄与度を取得しても良い。
（２－２）推定リスク有無情報を取得するための設問の寄与度を取得する場合
　（１－２）で述べた処理と同様、寄与度取得手段６３１は、例えば、識別子ごとに、全設問の各回答と実リスク有無情報とを各々要素とするベクトルを構成する。ここで、寄与度取得手段６３１は、２以上のベクトルを取得できた。次に、寄与度取得手段６３１は、例えば、ｋ分割交差検証により、全設問の各回答と実リスク有無情報とを用いて構成した学習器の精度（正解率、適合率、再現率、またはＦ値等の精度等のうち、いずれの精度でも良い）である基本精度を取得する。
　次に、寄与度取得手段６３１は、例えば、識別子ごとに、全設問のうち、１つの設問に対する回答を除いた回答と実リスク有無情報とを、各々要素とするベクトルを構成する。次に、寄与度取得手段６３１は、例えば、ｋ分割交差検証により、１つの設問に対する回答を除いた各回答と実リスク有無情報とを用いて構成した学習器の精度である欠落精度を取得する。次に、寄与度取得手段６３１は、基本精度と欠落精度との差を算出する。次に、寄与度取得手段６３１は、例えば、この差をパラメータとする増加関数により、除いた回答に対する設問の寄与度を算出する。なお、除いた回答に対する設問の寄与度は、演算式「ｆ（基本精度－欠落精度）」により算出可能である。また、基本精度と欠落精度との差が大きいほど、除いた回答、つまり除いた設問の寄与度が大きいこととなる。また、回答を除くことは、当該回答に対応する設問を除くことでもある。
　そして、寄与度取得手段６３１は、例えば、除く設問の１つ目からＮ個目まで変更し、ｋ分割交差検証により、除いた設問ごとの、Ｎ個の欠落精度を取得する。
　なお、寄与度取得手段６３１は、ｋ分割交差検証を、上述したように、機械学習のモジュールを用いて行う。
　また、（２－２）の方法において、寄与度取得手段６３１は、例えば、基本精度を使用せずに、Ｎ個の欠落精度のみを用いて、各設問の寄与度を取得しても良い。つまり、寄与度取得手段６３１は、欠落した設問に対応する欠落精度が示す精度が低いほど、当該設問の寄与度を大きくするように、寄与度を取得しても良い。寄与度取得手段６３１は、例えば、各設問の欠落精度をパラメータとする減少関数により、各設問の寄与度を取得しても良い。
　候補取得手段６３２は、２以上の設問集合候補を取得する。設問集合候補は、設問集合の候補である。設問集合は、設問票が有するＮ個の設問の中の、２以上の異なる数の２以上の設問の集合である。候補取得手段６３２が２以上の設問集合候補を取得する方法は問わない。候補取得手段６３２は、例えば、以下の（１）から（３）のいずれかの方法により、２以上の設問集合候補を取得する。
（１）寄与度を用いる場合
　候補取得手段６３２は、例えば、寄与度取得手段６３１が取得した寄与度が予め決められた寄与度条件を満たす設問の集合である２以上の設問集合候補を取得する。なお、寄与度条件とは、寄与度が大きいことである。寄与度条件は、例えば、寄与度が閾値以上、閾値より大きいこと、上位Ｎ位以上などである。
　候補取得手段６３２は、例えば、寄与度が大きい順に含む設問の数が多くなる２以上の設問集合候補を取得する。寄与度が大きい順に含む設問の数が多くなる２以上の設問集合候補とは、例えば、「寄与度が１位の設問」「寄与度が１位と２位の２個の設問の集合」「１位から３位までの３個の設問の集合」・・・「１位からＸ位までのＸ個の設問の集合」である。なお、Ｘの数は問わない。
（２）全組み合わせを取得する場合
　候補取得手段６３２は、例えば、Ｎ個の設問の集合である設問票から、Ｎ通りの１個の設問の設問集合候補、ＮＣ２通りの数の設問集合候補、ＮＣ３通りの数の設問集合候補、ＮＣ４通りの数の設問集合候補、・・・、ＮＣＮ－１通りの数の設問の設問集合候補、１通りのＮ個の設問の設問集合候補を取得する。つまり、候補取得手段６３２は、Ｎ個の設問の集合である設問票から、（ＮＣ１＋ＮＣ２＋ＮＣ３＋・・・＋ＮＣＮ－２＋ＮＣＮ－１＋ＮＣＮ）通りの設問集合候補を取得する。なお、かかる場合、寄与度取得手段６３１は不要である。なお、ここで、候補取得手段６３２は、例えば、Ｎ個の設問の集合を取得しない等、集合が含む設問数の上限を決めていても良い。
（３）ランダムに取得する場合
　候補取得手段６３２は、例えば、２個の設問からなる第一の設問集合候補をランダムに選択して、Ｘ（Ｘは、例えば、予め決められている）通り取得する。また、候補取得手段６３２は、例えば、３個の設問からなる第二の設問集合候補をランダムに選択して、Ｘ通り取得する。また、候補取得手段６３２は、例えば、４個の設問からなる第三の設問集合候補をランダムに選択して、Ｘ通り取得する。・・・候補取得手段６３２は、例えば、Ｙ個（Ｙ＜Ｎであり、予め決められている）個の設問からなる設問集合候補をランダムに選択して、Ｘ通り取得する。なお、かかる場合も、寄与度取得手段６３１は不要である。
　推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、各設問集合候補が有する２以上の設問に対する回答を用いて得られる値である推定タイプを取得する。推定タイプ取得手段６３３は、例えば、以下の（１）または（２）の方法により推定タイプを取得する。
（１）学習のための回答および実タイプを用いて学習器を構成し、当該学習器とテスト用の回答を用いて推定タイプ識別子を取得する方法
　推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、かつ識別子ごとに、各設問集合候補が有する２以上の設問に対する回答であり、学習のための回答を、回答格納部４２から取得する。また、推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、かつユーザ識別子ごとに、学習のための回答に対応する実タイプを実タイプ格納部４３から取得する。
　次に、推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、２以上の各識別子と対になる回答と実タイプとを、機械学習の学習モジュールに与え、学習処理を行い、学習器を取得する。なお、機械学習は、ランダムフォレストが好適であるが、深層学習、決定木、ＳＶＲ等の他のアルゴリズムでも良い。
　次に、推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、かつ識別子ごとに、各設問集合候補が有する２以上の設問に対する回答であり、テスト用の回答を、回答格納部４２から取得する。そして、推定タイプ取得手段６３３は、２以上の各設問集合候補ごとに、かつ識別子ごとに、取得した学習器とテスト用の回答とを、機械学習の予測モジュールに与え、当該予測モジュールを実行し、推定タイプを取得する。なお、推定タイプは、予測タイプ等と言っても良い。
（２）ｋ分割交差検証による方法
　推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、かつ識別子ごとに、各設問集合候補が有する２以上の設問に対する回答を、回答格納部４２から取得する。また、推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、かつ識別子と対になる実タイプを実タイプ格納部４３から取得する。
　次に、推定タイプ取得手段６３３は、２以上の各設問集合候補ごとに、かつ識別子ごとに、ｋ分割交差検証により、推定タイプを取得する。つまり、２以上の各設問集合候補ごとに、例えば、全ユーザの回答の集合と実タイプとを、ｋ個（例えば、１０個）に分割し、（ｋ－１）／ｋのデータを、機械学習の学習モジュールに与え、当該学習モジュールを実行し、学習器を取得する。次に、推定タイプ取得手段６３３は、残りの１／ｋのデータと学習器とを、機械学習の予測モジュールに与え、当該予測モジュールを実行し、残りの１／ｋのデータに対応する回答の集合の推定タイプを取得する。そして、推定タイプ取得手段６３３は、学習モジュールに与えるデータおよび予測モジュールに与えるデータを変えていき、ｋ回、上記の処理を実行し、２以上の各設問集合候補ごとに、識別子ごとの推定タイプを取得する。
　また、推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、各設問集合候補が有する２以上の設問に対する回答を用いて得られる推定リスク有無情報を取得しても良い。推定タイプ取得手段６３３は、例えば、推定タイプを取得する場合と同様に、以下の（１）または（２）の方法により推定リスク有無情報を取得する。
（１）学習のための回答および実リスク有無情報を用いて学習器を構成し、当該学習器とテスト用の回答を用いて推定リスク有無情報を取得する方法
　推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、かつ識別子ごとに、各設問集合候補が有する２以上の設問に対する回答であり、学習のための回答を、回答格納部４２から取得する。また、推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、かつユーザ識別子ごとに、学習のための回答に対応する実リスク有無情報を実タイプ格納部４３から取得する。
　次に、推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、２以上の各識別子と対になる回答と実リスク有無情報とを、機械学習の学習モジュールに与え、学習処理を行い、学習器を取得する。
　次に、推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、かつ識別子ごとに、各設問集合候補が有する２以上の設問に対する回答であり、テスト用の回答を、回答格納部４２から取得する。そして、推定タイプ取得手段６３３は、２以上の各設問集合候補ごとに、かつ識別子ごとに、取得した学習器とテスト用の回答とを、機械学習の予測モジュールに与え、当該予測モジュールを実行し、推定リスク有無情報を取得する。
（２）ｋ分割交差検証による方法
　推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、かつ識別子ごとに、各設問集合候補が有する２以上の設問に対する回答を、回答格納部４２から取得する。また、推定タイプ取得手段６３３は、候補取得手段６３２が取得した２以上の各設問集合候補ごとに、かつ識別子と対になる実リスク有無情報を実タイプ格納部４３から取得する。
　次に、推定タイプ取得手段６３３は、２以上の各設問集合候補ごとに、かつ識別子ごとに、ｋ分割交差検証により、推定リスク有無情報を取得する。つまり、２以上の各設問集合候補ごとに、例えば、全ユーザの回答の集合と実リスク有無情報とを、ｋ個（例えば、１０個）に分割し、（ｋ－１）／ｋのデータを、機械学習の学習モジュールに与え、当該学習モジュールを実行し、学習器を取得する。次に、推定タイプ取得手段６３３は、残りの１／ｋのデータと学習器とを、機械学習の予測モジュールに与え、当該予測モジュールを実行し、残りの１／ｋのデータに対応する回答の集合の推定リスク有無情報を取得する。そして、推定タイプ取得手段６３３は、学習モジュールに与えるデータおよび予測モジュールに与えるデータを変えていき、ｋ回、上記の処理を実行し、２以上の各設問集合候補ごとに、識別子ごとの推定リスク有無情報を取得する。
　設問決定部６４は、推定タイプ取得部６３が取得した推定タイプと実タイプとの一致の度合いに関する精度が予め決められた精度条件を満たす場合に、当該推定タイプに対応するＭ個の設問である設問を決定する。かかるＭ個の設問の集合は、設問票である。
　設問決定部６４は、推定タイプ取得部６３が取得した推定リスク有無情報と実リスク有無情報との一致の度合いに関する精度が予め決められた精度条件を満たす場合に、推定リスク有無情報に対応するＭ１個の設問である設問を決定する。かかるＭ１個の設問の集合は、第一設問票である。
　設問決定部６４は、推定タイプ取得部６３が取得した推定タイプと実タイプとの一致の度合いに関する精度が予め決められた精度条件を満たす場合に、当該推定タイプに対応するＭ２個の設問である設問を決定する。かかるＭ２個の設問の集合は、第二設問票である。
　出力部７は、各種の情報を出力する。各種の情報とは、例えば、後述する簡易設問票である。
　ここで、出力とは、ディスプレイへの表示、プロジェクターを用いた投影、プリンタでの印字、音出力、外部の装置への送信、記録媒体への蓄積、他の処理装置や他のプログラムなどへの処理結果の引渡しなどを含む概念である。
　簡易設問票出力部７１は、設問決定部６４が決定したＭ個の設問の集合である設問集合に関する情報である簡易設問票を出力する。簡易設問票は、Ｍ個の設問の集合でも良いし、Ｍ個の設問のＩＤの集合でも良いし、Ｍ個の各設問へのリンク情報の集合等でも良い。簡易設問票は、Ｍ個の設問の集合を取得可能な情報であれば良い。また、出力される簡易設問票は、設問決定部６４が決定したＭ個の設問のうち、少なくとも１つの設問が加工された設問でも良い。なお、簡易設問票は、上述した第一設問票や第二設問票でも良い。
　格納部４、設問票格納部４１、回答格納部４２、および実タイプ格納部４３は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
　格納部４等に情報が記憶される過程は問わない。例えば、記録媒体を介して情報が格納部４等で記憶されるようになってもよく、通信回線等を介して送信された情報が格納部４等で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された情報が格納部４等で記憶されるようになってもよい。
　受付部５、および回答受付部５１は、タッチパネやキーボード等の入力手段のデバイスドライバーや、メニュー画面の制御ソフトウェア等で実現され得る。なお、受付部５等は、無線または有線の通信手段で実現されても良い。
　処理部６、実タイプ取得部６１、不適切判断部６２、推定タイプ取得部６３、設問決定部６４、寄与度取得手段６３１、候補取得手段６３２、および推定タイプ取得手段６３３は、通常、プロセッサやメモリ等から実現され得る。処理部６等の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。なお、プロセッサは、例えば、ＣＰＵ、ＭＰＵ、ＧＰＵ等であり、その種類は問わない。
　出力部７、および簡易設問票出力部７１は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。出力部７等は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。なお、出力部７等は、無線または有線の通信手段で実現されても良い。また、出力部７等は、プロセッサやメモリ等から実現されても良い。
　次に、簡易設問票取得装置Ｂの動作例について、図１４のフローチャートを用いて説明する。
　（ステップＳ１４０１）回答受付部５１は、識別子と対にして、設問票を構成するＮ個の各設問に対する回答と、実測値を受け付けたか否かを判断する。なお、実測値は、実タイプまたはリスク有無情報である。回答等を受け付けた場合はステップＳ１４０２に行き、回答等を受け付けなかった場合はステップＳ１４０３に行く。なお、識別子は、例えば、ユーザ識別子である。また、識別子は、例えば、ユーザ識別子と日識別子である。
　（ステップＳ１４０２）処理部６は、ステップＳ２０１で受け付けられた回答の集合と実測値とを、識別子と対にして、回答格納部４２に蓄積する。ステップＳ１４０１に戻る。
　（ステップＳ１４０３）受付部５は、簡易設問票出力指示を受け付けたか否かを判断する。簡易設問票出力指示を受け付けた場合はステップＳ１４０４に行き、簡易設問票出力指示を受け付けなかった場合はステップＳ１４０１に戻る。
　（ステップＳ１４０４）処理部６は、設問決定処理を行う。設問決定処理の例について、図１５および図１８のフローチャートを用いて説明する。なお、設問決定処理は、簡易設問票を構成するための設問を決定する処理である。
　（ステップＳ１４０５）処理部６は、ステップＳ１４０４で決定された１または２以上の各設問を用いて、出力する簡易設問票を取得する。
　（ステップＳ１４０６）簡易設問票出力部７１は、ステップＳ１４０７で取得された簡易設問票を出力する。ステップＳ１４０１に戻る。なお、ここで、簡易設問票出力部７１は、例えば、ステップＳ１４０７で取得された簡易設問票を設問票格納部４１に蓄積する。
　なお、図１４のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。
　次に、ステップＳ１４０４の設問決定処理の第一の例について、図１５のフローチャートを用いて説明する。
　（ステップＳ１５０１）寄与度取得手段６３１は、設問票における各設問の寄与度を取得する。かかる寄与度取得処理の例について、図１６および図１７のフローチャートを用いて説明する。
　（ステップＳ１５０２）推定タイプ取得部６３は、カウンタｉに１を代入する。
　（ステップＳ１５０３）候補取得手段６３２は、ステップＳ１５０１で取得した各設問の寄与度を用いて、ｉ番目の設問集合候補を取得する。候補取得手段６３２は、例えば、寄与度が１番大きい設問から寄与度がｉ番目に大きい設問までの、ｉ個の設問を設問票格納部４１の設問票から取得する。
　（ステップＳ１５０４）推定タイプ取得手段６３３は、回答格納部４２から学習用データを取得する。
　つまり、例えば、推定タイプ取得手段６３３は、用途「学習用」と対になる回答の集合であり、ｉ番目の設問集合候補が有する各設問の各回答の集合を回答格納部４２から取得する。また、推定タイプ取得手段６３３は、用途「学習用」と対になる識別子ごとに、当該各識別子と対になる実測値を実タイプ格納部４３から取得する。次に、推定タイプ取得手段６３３は、識別子ごとに、各設問の各回答、および実測値とを要素として有するベクトルを取得する。なお、かかる学習用データは、２以上の各識別子に対応するベクトルの集合である。
　（ステップＳ１５０５）推定タイプ取得手段６３３は、ステップＳ１５０４で取得した学習用データを機械学習の学習処理のモジュールに与え、当該モジュールを実行し、学習器を取得する。なお、機械学習のモジュールは、例えば、ランダムフォレストのモジュールである。
　（ステップＳ１５０６）推定タイプ取得手段６３３は、カウンタｊに１を代入する。
　（ステップＳ１５０７）推定タイプ取得手段６３３は、ｊ番目のテスト用データが回答格納部４２に格納されているか否かを判断する。ｊ番目のテスト用データが存在する場合はステップＳ１５０８に行き、ｊ番目のテスト用データが存在しない場合はステップＳ１５１１に行く。なお、テスト用データは、識別子に対応付いている回答の集合である。
　（ステップＳ１５０８）推定タイプ取得手段６３３は、回答格納部４２に格納されているテスト用データの中から、ｊ番目のテスト用データであり、ｉ番目の設問集合候補が有する各設問の各回答を要素として有する回答の集合を回答格納部４２から取得する。次に、推定タイプ取得手段６３３は、かかる回答の集合とステップＳ１５０５で取得した学習器とを、機械学習の予測モジュールに与え、当該予測モジュールを実行し、推定値を取得する。なお、推定値は、推定タイプまたは推定リスク有無情報である。
　（ステップＳ１５０９）設問決定部６４は、ｊ番目のテスト用データと対になる識別子を回答格納部４２から取得する。次に、設問決定部６４は、当該識別子と対になる実測値を実タイプ格納部４３から取得し、当該実測値とステップＳ４１０で取得された推定値とを対応付ける。
　（ステップＳ１５１０）推定タイプ取得手段６３３は、カウンタｊを１、インクリメントする。ステップＳ１５０７に戻る。
　（ステップＳ１５１１）設問決定部６４は、ステップＳ１５０８で取得した推定値とステップＳ４０９で取得した実測値の組を、テスト用データの数だけ取得する。次に、設問決定部６４は、推定値と実測値の組の情報をすべて用いて、実測値に対する推定値の精度に関する精度情報を取得する。
　設問決定部６４は、例えば、推定値と実測値の組の情報をすべて用いて、推定値と実測値とが合致する割合である精度情報を取得する。設問決定部６４は、例えば、推定値と実測値の組の情報をすべて用いて、推定値と実測値との相関係数である精度情報を取得する。
　（ステップＳ１５１２）設問決定部６４は、ステップＳ４１３で取得した精度情報が、格納部４に格納されている近似条件を満たすか否かを判断する。近似条件を満たす場合はステップＳ１５１３に行き、近似条件を満たさない場合はステップＳ１５１４に行く。なお、近似条件は、例えば、精度情報が閾値以上であること、または精度情報が閾値より大きいことである。
　（ステップＳ１５１３）設問決定部６４は、ｉ番目の設問集合候補に関する情報を取得する。上位処理にリターンする。なお、ｉ番目の設問集合候補に関する情報は、例えば、ｉ番目の設問集合候補そのもの、またはｉ番目の設問集合候補が有する各設問の設問識別子である。
　（ステップＳ１５１４）推定タイプ取得部６３は、カウンタｉを１、インクリメントする。ステップＳ１５０３に戻る。
　次に、ステップＳ１５０１の寄与度取得処理の第一の例について、図１６のフローチャートを用いて説明する。
　（ステップＳ１６０１）寄与度取得手段６３１は、カウンタｉに１を代入する。
　（ステップＳ１６０２）寄与度取得手段６３１は、ｉ番目の識別子が存在するか否かを判断する。ｉ番目の識別子が存在する場合はステップＳ１６０３に行き、ｉ番目の識別子が存在しない場合はステップＳ１６０７に行く。
　（ステップＳ１６０３）寄与度取得手段６３１は、ｉ番目の識別子に対応するすべての設問の回答を取得する。
　（ステップＳ１６０４）寄与度取得手段６３１は、ｉ番目の識別子に対応する実測値を実タイプ格納部４３から取得する。なお、実測値は、実タイプまたは実リスク有無情報である。
　（ステップＳ１６０５）寄与度取得手段６３１は、ステップＳ１６０３で取得したすべての回答およびステップＳ１６０４で取得した実測値を要素とするベクトルを構成する。
　（ステップＳ１６０６）寄与度取得手段６３１は、カウンタｉを１、インクリメントする。ステップＳ１６０２に戻る。
　（ステップＳ１６０７）寄与度取得手段６３１は、ステップＳ１６０５で構成したすべてベクトルをランダムフォレストの学習モジュールに与え、当該学習モジュールを実行し、学習器を取得する。なお、学習器は、ランダムフォレストの予測処理のために用いることができる学習器であり、着目する種類の種類識別子に対応するすべての設問の回答を入力とし、推定値を出力するために使用される学習器である。
　（ステップＳ１６０８）寄与度取得手段６３１は、カウンタｊに１を代入する。
　（ステップＳ１６０９）寄与度取得手段６３１は、ｊ番目の設問が存在するか否かを判断する。ｊ番目の設問が存在する場合はステップＳ１６１０に行き、ｊ番目の設問が存在しない場合は上位処理にリターンする。
　（ステップＳ１６１０）寄与度取得手段６３１は、ステップＳ１６０７で取得した学習器を用いて、ｊ番目の設問（ｊ番目の特徴量）の寄与度を取得する。なお、ランダムフォレストの学習器を用いて、ｊ番目の特徴量の寄与度を取得する処理は公知技術である。
　（ステップＳ１６１１）寄与度取得手段６３１は、ｊ番目の設問に対応付けて、ステップＳ１６１０で取得した寄与度を蓄積する。
　（ステップＳ１６１２）寄与度取得手段６３１は、カウンタｊを１、インクリメントする。ステップＳ１６０９に戻る。
　次に、ステップＳ１５０１の第二の寄与度取得処理の例について、図１７のフローチャートを用いて説明する。図１７のフローチャートにおいて、図１６のフローチャートと同一のステップの説明は省略する。
　（ステップＳ１７０１）寄与度取得手段６３１は、ステップＳ１６０５で取得したベクトルの集合を用いて、機械学習のアルゴリズムにより、ｋ分割交差検証を行い、対象となるすべての設問の回答を使用した場合の精度である基本精度を取得する。
　（ステップＳ１７０２）寄与度取得手段６３１は、ステップＳ１７０１で取得した基本精度を一時蓄積する。
　（ステップＳ１７０３）寄与度取得手段６３１は、カウンタｊに１を代入する。
　（ステップＳ１７０４）寄与度取得手段６３１は、対象となるすべての設問の中で、ｊ番目の設問が存在するか否かを判断する。ｊ番目の設問が存在する場合はステップＳ１７０５に行き、ｊ番目の設問が存在しない場合は上位処理にリターンする。
　（ステップＳ１７０５）寄与度取得手段６３１は、カウンタｋに１を代入する。
　（ステップＳ１７０６）寄与度取得手段６３１は、ｋ番目の識別子が存在するか否かを判断する。ｋ番目の識別子が存在する場合はステップＳ１７０７に行き、ｋ番目の識別子が存在しない場合はステップＳ１７０９に行く。
　（ステップＳ１７０７）寄与度取得手段６３１は、ステップＳ１６０５で取得したベクトルであり、ｋ番目の識別子と対になるベクトルを取得し、当該ベクトルからｊ番目の設問の回答を除くベクトルを構成する。つまり、寄与度取得手段６３１は、ステップＳ１６０５で取得したベクトルから１次元少ない次元のベクトルを構成する。
　（ステップＳ１７０８）寄与度取得手段６３１は、カウンタｋを１、インクリメントする。ステップＳ１７０６に戻る。
　（ステップＳ１７０９）寄与度取得手段６３１は、ステップＳ１７０７で取得したベクトルの集合を用いて、機械学習のアルゴリズムにより、ｋ分割交差検証を行い、ｊ番目の設問に対する回答を除いた回答を使用した場合の精度である欠落精度を取得する。
　（ステップＳ１７１０）寄与度取得手段６３１は、ステップＳ１７０９で取得した欠落精度を、ｊ番目の設問に対応付けて、一時蓄積する。
　（ステップＳ１７１１）寄与度取得手段６３１は、ステップＳ１７０２で一時蓄積した欠落精度とステップＳ１７１０で一時蓄積した基本精度との差を取得する。かかる差が大きいほど、ｊ番目の設問に対する回答の寄与の度合いが大きいので、ここでは、かかる差を寄与度とする。
　（ステップＳ１７１２）寄与度取得手段６３１は、ｊ番目の設問に対応付けて、ステップＳ１７１１で取得した寄与度を蓄積する。
　（ステップＳ１７１３）寄与度取得手段６３１は、カウンタｊを１、インクリメントする。ステップＳ１７０４に戻る。
　次に、ステップＳ１６０４の設問決定処理の第二の例について、図１８のフローチャートを用いて説明する。
　（ステップＳ１８０１）設問決定部６４は、カウンタｊに１を代入する。
　（ステップＳ１８０２）設問決定部６４は、カウンタｋに１を代入する。
　（ステップＳ１８０３）設問決定部６４は、ｊ個の設問のｋ番目の組み合わせが存在するか否かを判断する。ｋ番目の組み合わせが存在する場合はステップＳ１８０４に行き、存在しない場合はステップＳ１８１４に行く。
　（ステップＳ１８０４）設問決定部６４は、ｊ個の設問のｋ番目の組み合わせである設問集合候補を取得する。
　（ステップＳ１８０５）設問決定部６４は、カウンタｌに１を代入する。
　（ステップＳ１８０６）設問決定部６４は、ｌ番目の識別子が存在するか否かを判断する。ｌ番目の識別子が存在する場合はステップＳ１８０７に行き、ｌ番目の識別子が存在しない場合はステップＳ１８１１に行く。
　（ステップＳ１８０７）設問決定部６４は、ステップＳ１８０４で取得した設問集合候補が有する各設問の回答であり、ｌ番目の識別子と対になる回答を回答格納部４２から取得する。
　（ステップＳ１８０８）設問決定部６４は、ｉ番目の種類に対応し、ｌ番目の識別子と対になる実績値を実タイプ格納部４３から取得する。
　（ステップＳ１８０９）設問決定部６４は、ステップＳ１８０７で取得した各設問の回答とステップＳ１８０８で取得した実績値とを要素とするベクトルを構成する。
　（ステップＳ１８１０）カウンタｌを１、インクリメントする。ステップＳ１８０６に戻る。
　（ステップＳ１８１１）設問決定部６４は、ステップＳ１８０９で取得したベクトルの集合を用いて、ｋ分割交差検証を行い、ステップＳ１８０９で取得したベクトルの集合を用いて構成する学習器の精度を特定する精度情報を取得する。
　（ステップＳ１８１２）設問決定部６４は、ｋ番目の設問集合候補に対応付けて、ステップＳ１８１１で取得した精度情報を図示しないバッファに蓄積する。
　（ステップＳ１８１３）設問決定部６４は、カウンタｋを１、インクリメントする。ステップＳ１８０３に戻る。
　（ステップＳ１８１４）設問決定部６４は、ステップＳ１８１２で蓄積された精度情報の中で、ｊ個の設問を用いた場合の最良の精度情報を取得する。
　（ステップＳ１８１５）設問決定部６４は、ステップＳ１８１４で取得した精度情報が、格納部４の近似条件を満たすか否かを判断する。近似条件を満たす場合はステップＳ１８１６に行き、近似条件を満たさない場合はステップＳ１８１７に行く。
　（ステップＳ１８１６）設問決定部６４は、ｊ個の設問のｋ番目の設問集合候補に関する情報を取得する。ステップＳ４１６に行く。なお、かかるｊ個の設問のｋ番目の設問集合候補が、設問決定部６４が決定した設問の集合であり、簡易設問票を構成するために使用される設問の集合である。
　（ステップＳ１８１７）設問決定部６４は、カウンタｊを１、インクリメントする。ステップＳ１８０２に戻る。
　以下、本実施の形態における簡易設問票取得装置Ｂの具体的な動作例について説明する。
　今、図１９に示す設問票が設問票格納部４１に格納されている。設問票は、ここでは、３５０の設問情報を有する。
　また、回答格納部４２には、４３４名のユーザの、設問票に対する回答が格納されている。かかる回答は、図２０である。図２０において、「ＩＤ」は、回答したユーザの識別子である。また、図２０において、回答には、「用途」が対応付いている。ここでは、用途は、「学習用」「検証用」「テスト用」のいずれかである。「学習用」のレコードは、ランダムフォレストの学習器の構築のために使用される。「検証用」のレコードは、ランダムフォレストの学習器の各種パラメータを調整するために利用される。「テスト用」のレコードは、推定値を取得し、実測値との精度情報を得て、最終の設問を決定するために使用される。なお、「用途」は自動的に付加されても良いし、手入力により付加されても良い。
　さらに、図示しないが、実タイプ格納部４３には、ユーザの識別子に対応付けて、実リスク有無情報と実タイプとが格納されている、とする。
　以上の状況において、まず、簡易設問票取得装置Ｂの寄与度取得手段６３１は、上述した図１６または図１７のアルゴリズムにより、推定リスク有無情報を取得する場合の各設問の寄与度を取得し、各設問に対応付けて寄与度を一時蓄積する。
　次に、候補取得手段６３２や設問決定部６４は、図１５のアルゴリズムにより、推定リスク有無情報を取得する場合の簡易設問票の設問を決定する。ここで、決定された設問は、例えば、図１０の１５の設問である。
　なお、設問決定部６４等は、図１８のアルゴリズムにより、推定リスク有無情報を取得する場合の簡易設問票の設問を決定しても良い。
　次に、簡易設問票取得装置Ｂの寄与度取得手段６３１は、上述した図１６または図１７のアルゴリズムにより、推定タイプを取得する場合の各設問の寄与度を取得し、各設問に対応付けて寄与度を一時蓄積する。
　次に、候補取得手段６３２や設問決定部６４は、図１５のアルゴリズムにより、推定タイプを取得する場合の簡易設問票の設問を決定する。ここで、決定された設問は、例えば、図１１の８つの設問である。
　なお、設問決定部６４等は、図１８のアルゴリズムにより、推定タイプを取得する場合の簡易設問票の設問を決定しても良い。
　以上、本実施の形態によれば、リスクタイプを推定するための少ない設問数の簡易設問票を取得できる。
　また、本実施の形態によれば、リスク有無情報を推定するための少ない設問数の簡易設問票を取得できる。
　さらに、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ－ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。なお、本実施の形態における簡易設問票取得装置Ｂを実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、コンピュータを、Ｎ個の設問に対する回答であり、２または３以上の実タイプ識別子のうちのいずれかの実タイプ識別子に対応する回答のうち、前記Ｎ個より少ないＭ個の各設問に対する回答を用いて得られる推定タイプ識別子を取得する推定タイプ取得部と、前記推定タイプ取得部が取得した推定タイプ識別子と前記実タイプ識別子との一致の度合いに関する精度が予め決められた精度条件を満たす場合に、当該推定タイプ識別子に対応するＭ個の設問である設問を決定する設問決定部と、前記設問決定部が決定したＭ個の設問の集合である設問集合に関する情報である簡易設問票を出力する簡易設問票出力部として機能させるためのプログラムである。
　また、図２１は、本明細書で述べたプログラムを実行して、上述した種々の実施の形態の学習装置１、血糖体質判定装置２、簡易設問票取得装置Ｂ等を実現するコンピュータの外観を示す。上述の実施の形態は、コンピュータハードウェア及びその上で実行されるコンピュータプログラムで実現され得る。図２１は、このコンピュータシステム３００の概観図であり、図２２は、システム３００のブロック図である。
　図２１において、コンピュータシステム３００は、ＣＤ－ＲＯＭドライブを含むコンピュータ３０１と、キーボード３０２と、マウス３０３と、モニタ３０４とを含む。
　図２２において、コンピュータ３０１は、ＣＤ－ＲＯＭドライブ３０１２に加えて、ＭＰＵ３０１３と、ＣＤ－ＲＯＭドライブ３０１２等に接続されたバス３０１４と、ブートアッププログラム等のプログラムを記憶するためのＲＯＭ３０１５と、ＭＰＵ３０１３に接続され、アプリケーションプログラムの命令を一時的に記憶するとともに一時記憶空間を提供するためのＲＡＭ３０１６と、アプリケーションプログラム、システムプログラム、及びデータを記憶するためのハードディスク３０１７とを含む。ここでは、図示しないが、コンピュータ３０１は、さらに、ＬＡＮへの接続を提供するネットワークカードを含んでも良い。
　コンピュータシステム３００に、上述した実施の形態の血糖体質判定装置２等の機能を実行させるプログラムは、ＣＤ－ＲＯＭ３１０１に記憶されて、ＣＤ－ＲＯＭドライブ３０１２に挿入され、さらにハードディスク３０１７に転送されても良い。これに代えて、プログラムは、図示しないネットワークを介してコンピュータ３０１に送信され、ハードディスク３０１７に記憶されても良い。プログラムは実行の際にＲＡＭ３０１６にロードされる。プログラムは、ＣＤ－ＲＯＭ３１０１またはネットワークから直接、ロードされても良い。
　プログラムは、コンピュータ３０１に、上述した実施の形態の血糖体質判定装置２等の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティープログラム等は、必ずしも含まなくても良い。プログラムは、制御された態様で適切な機能（モジュール）を呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３００がどのように動作するかは周知であり、詳細な説明は省略する。
　なお、上記プログラムにおいて、情報を送信するステップや、情報を受信するステップなどでは、ハードウェアによって行われる処理、例えば、送信ステップにおけるモデムやインターフェースカードなどで行われる処理（ハードウェアでしか行われない処理）は含まれない。
　また、上記プログラムを実行するコンピュータは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、あるいは分散処理を行ってもよい。
　また、上記各実施の形態において、一の装置に存在する２以上の通信手段は、物理的に一の媒体で実現されても良いことは言うまでもない。
　また、上記各実施の形態において、各処理は、単一の装置によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。
　本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。
　以上のように、本発明にかかる血糖体質判定装置は、ユーザの血糖体質のタイプを容易に知ることができるという効果を有し、血糖体質判定装置等として有用である。

Claims (13)

  1. 血糖体質のタイプを判断するための１以上の設問情報であり、生活習慣に関する設問を含む１以上の設問情報が格納される格納部と、
    前記１以上の設問情報を出力する出力部と、
    前記１以上の各設問情報に対する回答情報をユーザから受け付ける受付部と、
    前記受付部が受け付けた前記１以上の回答情報を用いて、前記ユーザの血糖体質のタイプを決定する処理部と、
    前記血糖体質のタイプに関する出力情報を出力する情報出力部とを具備する血糖体質判定装置。
  2. 前記格納部は、
    血糖に関するリスクの有無を判断するための１以上の第一設問であり、生活習慣に関する設問を含む１以上の第一設問が格納される第一設問格納部と、
    血糖体質のタイプを判断するための１以上の第二設問であり、生活習慣に関する設問を含む１以上の第二設問が格納される第二設問格納部とを具備し、
    前記設問情報は、前記第一設問または前記第二設問であり、
    前記受付部は、
    前記１以上の各第一設問に対する第一回答をユーザから受け付ける第一回答受付部と、
    前記１以上の各第二設問に対する第二回答を前記ユーザから受け付ける第二回答受付部とを具備し、
    前記処理部は、
    前記第一回答受付部が受け付けた前記１以上の第一回答を用いて、前記ユーザの血糖に関するリスクの有無を判断する第一判断部と、
    前記第二回答受付部が受け付けた前記１以上の第二回答を用いて、前記ユーザの血糖体質のタイプを決定する第二判断部とを具備し、
    前記出力部は、
    前記１以上の第一設問を出力する第一設問出力部と、
    前記第一判断部がリスク有りと判断した場合に、前記１以上の第二設問を出力する第二設問出力部とを具備する請求項１記載の血糖体質判定装置。
  3. 前記第二判断部は、
    前記第一回答受付部が受け付けた前記１以上の第一回答をも用いて、前記ユーザの血糖体質のタイプを決定する、請求項２記載の血糖体質判定装置。
  4. １以上の回答情報と血糖体質のタイプとを有する２以上の教師データに対して、機械学習の学習処理により取得された学習器が格納される学習器格納部をさらに具備し、
    前記処理部は、
    前記受付部が受け付けた前記１以上の回答情報と前記学習器とを用いて、機械学習の予測処理により血糖体質のタイプを取得する、請求項１記載の血糖体質判定装置。
  5. １以上の第二回答と血糖体質のタイプとを有する２以上の教師データに対して、機械学習の学習処理により取得された学習器が格納される学習器格納部をさらに具備し、
    前記第二判断部は、
    前記第二回答受付部が受け付けた前記１以上の第二回答と前記学習器とを用いて、機械学習の予測処理により血糖体質のタイプを取得する、請求項２記載の血糖体質判定装置。
  6. 前記血糖体質のタイプを識別する１以上の各タイプ識別子に対応付けて、１以上のアドバイス情報が格納されるアドバイス格納部をさらに具備し、
    前記情報出力部は、
    前記第二判断部が決定した前記タイプを識別するタイプ識別子に対応付いている１以上のアドバイス情報を含む出力情報を出力する、請求項２記載の血糖体質判定装置。
  7. 前記第二判断部が決定した前記タイプを識別するタイプ識別子に対応付いている１以上のアドバイス情報を前記アドバイス格納部から取得し、前記タイプ識別子と前記１以上のアドバイス情報とを有する出力情報を構成する出力情報構成部をさらに具備し、
    前記情報出力部は、
    前記出力情報構成部が構成した出力情報を出力する、請求項６記載の血糖体質判定装置。
  8. 前記格納部の前記１以上の設問情報は、簡易設問票取得装置が取得した設問であり、
    前記簡易設問票取得装置は、
    Ｎ個の設問に対する回答であり、２または３以上の実タイプ識別子のうちのいずれかの実タイプ識別子に対応する回答のうち、前記Ｎ個より少ないＭ個の各設問に対する回答を用いて得られる推定タイプ識別子を取得する推定タイプ取得部と、
    前記推定タイプ取得部が取得した推定タイプ識別子と前記実タイプ識別子との一致の度合いに関する精度が予め決められた精度条件を満たす場合に、当該推定タイプ識別子に対応するＭ個の設問である設問を決定する設問決定部と、
    前記設問決定部が決定したＭ個の設問の集合である設問集合に関する情報である簡易設問票を出力する簡易設問票出力部とを具備する、請求項１記載の血糖体質判定装置。
  9. 前記第一設問格納部の前記１以上の第一設問は、簡易設問票取得装置が取得した設問であり、
    前記簡易設問票取得装置は、
    Ｎ個の設問に対する回答であり、前記リスクが有るか無いかのいずれかを特定する実リスク有無情報に対応する前記Ｎ個の回答のうち、前記Ｎ個より少ないＭ個の各設問に対する回答を用いて得られる推定リスク有無情報を取得する推定タイプ取得部と、
    前記推定タイプ取得部が取得した推定リスク有無情報と前記実リスク有無情報との一致の度合いに関する精度が予め決められた精度条件を満たす場合に、当該推定リスク有無情報に対応するＭ個の設問である設問を決定する設問決定部と、
    前記設問決定部が決定したＭ個の設問の集合である設問集合に関する情報である簡易設問票を出力する簡易設問票出力部とを具備する、請求項２または請求項３記載の血糖体質判定装置。
  10. 前記第二設問格納部の前記１以上の第二設問のうちの１以上の種類の設問は、簡易設問票取得装置が取得した設問であり、
    前記簡易設問票取得装置は、
    Ｎ個の設問に対する回答であり、２または３以上の実タイプ識別子のうちのいずれかの実タイプ識別子に対応する回答のうち、前記Ｎ個より少ないＭ個の各設問に対する回答を用いて得られる推定タイプ識別子を取得する推定タイプ取得部と、
    前記推定タイプ取得部が取得した推定タイプ識別子と前記実タイプ識別子との一致の度合いに関する精度が予め決められた精度条件を満たす場合に、当該推定タイプ識別子に対応するＭ個の設問である設問を決定する設問決定部と、
    前記設問決定部が決定したＭ個の設問の集合である設問集合に関する情報である簡易設問票を出力する簡易設問票出力部とを具備する、請求項２または請求項３記載の血糖体質判定装置。
  11. 前記血糖体質のタイプは、インスリン感受性に関するタイプとインスリン分泌に関するタイプとの組み合わせたタイプである、請求項１から請求項１０いずれか一項に記載の血糖体質判定装置。
  12. 血糖体質のタイプを判断するための１以上の設問情報であり、生活習慣に関する設問を含む１以上の設問情報が格納される格納部と、出力部と、受付部と、処理部と、情報出力部とにより実現される血糖体質判定方法であって、
    前記出力部が、前記１以上の設問情報を出力する出力ステップと、
    前記受付部が、前記１以上の各設問情報に対する回答情報をユーザから受け付ける受付ステップと、
    前記処理部が、前記受付部が受け付けた前記１以上の回答情報を用いて、前記ユーザの血糖体質のタイプを決定する処理ステップと、
    前記情報出力部が、前記血糖体質のタイプに関する出力情報を出力する情報出力ステップとを具備する血糖体質判定方法。
  13. 血糖体質のタイプを判断するための１以上の設問情報であり、生活習慣に関する設問を含む１以上の設問情報が格納される格納部にアクセス可能なコンピュータを、
    前記１以上の設問情報を出力する出力部と、
    前記１以上の各設問情報に対する回答情報をユーザから受け付ける受付部と、
    前記受付部が受け付けた前記１以上の回答情報を用いて、前記ユーザの血糖体質のタイプを決定する処理部と、
    前記血糖体質のタイプに関する出力情報を出力する情報出力部として機能させるためのプログラムを記録した記録媒体。
PCT/JP2021/030047 2021-04-20 2021-08-17 血糖体質判定装置、血糖体質判定方法、および記録媒体 WO2022224465A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP21937955.9A EP4328922A1 (en) 2021-04-20 2021-08-17 Blood sugar constitution assessment device, blood sugar constitution assessment method, and recording medium
CN202180097107.0A CN117280421A (zh) 2021-04-20 2021-08-17 血糖体质判定装置、血糖体质判定方法及存储介质
US18/287,123 US20240127911A1 (en) 2021-04-20 2021-08-17 Blood sugar constitution determination device, blood sugar constitution determination method, and recording medium
KR1020237039616A KR20230173690A (ko) 2021-04-20 2021-08-17 혈당 체질 판정 장치, 혈당 체질 판정 방법 및 기록 매체

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-071175 2021-04-20
JP2021071175A JP7009663B1 (ja) 2021-04-20 2021-04-20 血糖体質判定装置、血糖体質判定方法、およびプログラム

Publications (1)

Publication Number Publication Date
WO2022224465A1 true WO2022224465A1 (ja) 2022-10-27

Family

ID=80629677

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/030047 WO2022224465A1 (ja) 2021-04-20 2021-08-17 血糖体質判定装置、血糖体質判定方法、および記録媒体

Country Status (7)

Country Link
US (1) US20240127911A1 (ja)
EP (1) EP4328922A1 (ja)
JP (1) JP7009663B1 (ja)
KR (1) KR20230173690A (ja)
CN (1) CN117280421A (ja)
TW (1) TW202242906A (ja)
WO (1) WO2022224465A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024122536A1 (ja) * 2022-12-07 2024-06-13 サントリーホールディングス株式会社 食後高血糖タイプ判定装置、食後高血糖タイプ判定方法、およびプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016048531A (ja) 2014-08-28 2016-04-07 テルモ株式会社 血糖値情報管理装置、血糖値情報管理システム及び血糖値改善促進シート
CN106923800A (zh) * 2015-12-31 2017-07-07 天津森宇科技发展有限公司 基于人工智能的智慧健康装置
CN111159528A (zh) * 2019-03-19 2020-05-15 深圳碳云智能数字生命健康管理有限公司 问卷信息的推送方法及装置、存储介质和电子装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016048531A (ja) 2014-08-28 2016-04-07 テルモ株式会社 血糖値情報管理装置、血糖値情報管理システム及び血糖値改善促進シート
CN106923800A (zh) * 2015-12-31 2017-07-07 天津森宇科技发展有限公司 基于人工智能的智慧健康装置
CN111159528A (zh) * 2019-03-19 2020-05-15 深圳碳云智能数字生命健康管理有限公司 问卷信息的推送方法及装置、存储介质和电子装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TAN, SAKU ET AL.: "Development of a questionnaire for insulin resistance diagnosis", THE JOURNAL OF ADULT DISEASES, vol. 43, no. 5, 1 January 2013 (2013-01-01), pages 632, XP009540695, ISSN: 1347-0418 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024122536A1 (ja) * 2022-12-07 2024-06-13 サントリーホールディングス株式会社 食後高血糖タイプ判定装置、食後高血糖タイプ判定方法、およびプログラム

Also Published As

Publication number Publication date
KR20230173690A (ko) 2023-12-27
CN117280421A (zh) 2023-12-22
TW202242906A (zh) 2022-11-01
US20240127911A1 (en) 2024-04-18
JP2022165712A (ja) 2022-11-01
JP7009663B1 (ja) 2022-01-25
EP4328922A1 (en) 2024-02-28

Similar Documents

Publication Publication Date Title
Schrempft et al. The obesogenic quality of the home environment: associations with diet, physical activity, TV viewing, and BMI in preschool children
JP5870328B1 (ja) 健康管理サーバおよび健康管理サーバ制御方法並びに健康管理プログラム
Waki et al. DialBetics with a multimedia food recording tool, FoodLog: smartphone-based self-management for type 2 diabetes
Wang et al. The role of patient perception of crowding in the determination of real-time patient satisfaction at Emergency Department
Monteiro et al. Secure base representations for both fathers and mothers predict children's secure base behavior in a sample of Portuguese families
CN103150464A (zh) 认知症信息输出装置、认知症看护支援方法和系统
US7634538B2 (en) Product counseling system, product development program, and machine-readable recording medium
US20170242971A1 (en) Characteristic evaluation apparatus, characteristic evaluation system, characteristic evaluation method, and characteristic evaluation program
WO2022224465A1 (ja) 血糖体質判定装置、血糖体質判定方法、および記録媒体
Fermont et al. Risk assessment for hospital admission in patients with COPD; a multi-centre UK prospective observational study
Niva Online weight-loss services and a calculative practice of slimming
WO2003071937A1 (fr) Systeme de soin esthetique
Brewster et al. Feasibility and psychometric integrity of mobile phone-based intensive measurement of cognition in older adults
EP3886107A1 (en) Document creation device, method and program
EP4318320A1 (en) Model generation method, computer program, information processing device, information processing system, information processing method, and method for generating training data
KR102214792B1 (ko) 식생활습관과 건강상태 자가진단 체크 시스템 및 이를 이용한 맞춤형 건강정보 제공방법
JP7153893B2 (ja) 健康指導支援装置および健康指導支援方法
JP6804489B2 (ja) 情報提供装置及び情報提供方法
JP7193011B2 (ja) 摂取栄養量推定システム、摂取栄養量推定方法、摂取栄養量推定装置及び摂取栄養量出力方法
JP7515389B2 (ja) 簡易質問票取得装置、簡易質問票の生産方法、およびプログラム
JP2022092521A (ja) 水分アドバイス出力装置、水分アドバイス出力方法、およびプログラム
JP7352761B2 (ja) 専門家回答予測システム
WO2023162829A1 (ja) 情報処理装置、情報処理方法、および記録媒体
JP2022092520A (ja) 水分摂取量推定装置、水分摂取量推定方法、およびプログラム
WO2024122536A1 (ja) 食後高血糖タイプ判定装置、食後高血糖タイプ判定方法、およびプログラム

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: 21937955

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202180097107.0

Country of ref document: CN

Ref document number: 18287123

Country of ref document: US

ENP Entry into the national phase

Ref document number: 20237039616

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 1020237039616

Country of ref document: KR

WWE Wipo information: entry into national phase

Ref document number: 2021937955

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021937955

Country of ref document: EP

Effective date: 20231120